ABOUT THE SPEAKER
Blaise Agüera y Arcas - Software architect
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces.

Why you should listen

Blaise Agüera y Arcas is principal scientist at Google, where he leads a team working on machine intelligence for mobile devices. His group works extensively with deep neural nets for machine perception and distributed learning, and it also investigates so-called "connectomics" research, assessing maps of connections within the brain.

Agüera y Arcas' background is as multidimensional as the visions he helps create. In the 1990s, he authored patents on both video compression and 3D visualization techniques, and in 2001, he made an influential computational discovery that cast doubt on Gutenberg's role as the father of movable type.

He also created Seadragon (acquired by Microsoft in 2006), the visualization technology that gives Photosynth its amazingly smooth digital rendering and zoom capabilities. Photosynth itself is a vastly powerful piece of software capable of taking a wide variety of images, analyzing them for similarities, and grafting them together into an interactive three-dimensional space. This seamless patchwork of images can be viewed via multiple angles and magnifications, allowing us to look around corners or “fly” in for a (much) closer look. Simply put, it could utterly transform the way we experience digital images.

He joined Microsoft when Seadragon was acquired by Live Labs in 2006. Shortly after the acquisition of Seadragon, Agüera y Arcas directed his team in a collaboration with Microsoft Research and the University of Washington, leading to the first public previews of Photosynth several months later. His TED Talk on Seadragon and Photosynth in 2007 is rated one of TED's "most jaw-dropping." He returned to TED in 2010 to demo Bing’s augmented reality maps.

Fun fact: According to the author, Agüera y Arcas is the inspiration for the character Elgin in the 2012 best-selling novel Where'd You Go, Bernadette?

More profile about the speaker
Blaise Agüera y Arcas | Speaker | TED.com
TED2007

Blaise Agüera y Arcas: How PhotoSynth can connect the world's images

Μπλεζ Αγκουέρα ι Αρκάς: Πώς το Photosynth μπορεί να συνδέσει τις εικόνες του κόσμου

Filmed:
5,831,957 views

Ο Μπλεζ Αγκουέρα ι Αρκάς κάνει μια εντυπωσιακή παρουσίαση του Photosynth, ενός προγράμματος που μπόρει να αλλάξει τον τρόπο με τον οποίο βλέπουμε ψηφιακές είκονες. Χρησιμοποιόντας εικόνες από το διαδύκτιο, το Photosynth δημιουργεί μαγευτικά τοπία και μας επιτρέπει να τα εξερευνήσουμε.
- Software architect
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces. Full bio

Double-click the English transcript below to play the video.

00:25
What I'm going to showπροβολή you first, as quicklyγρήγορα as I can,
0
0
2000
Πρώτα θα σας δείξω στα γρήγορα
00:27
is some foundationalθεμελιακή work, some newνέος technologyτεχνολογία
1
2000
4000
κάποια θεμελιώδη δουλειά,
μια καινούρια τεχνολογία
00:31
that we broughtέφερε to MicrosoftMicrosoft as partμέρος of an acquisitionαπόκτηση
2
6000
3000
την οποία φέραμε στη Microsoft
ως μέρος μιας εξαγοράς
00:34
almostσχεδόν exactlyακριβώς a yearέτος agoπριν. This is SeadragonSeadragon,
3
9000
3000
πριν από ένα χρόνο περίπου.
Είναι το Seadragon.
00:37
and it's an environmentπεριβάλλον in whichοι οποίες you can eitherείτε locallyτοπικά or remotelyεξ αποστάσεως
4
12000
3000
Είναι ένα περιβάλλον όπου μπορείτε,
είτε τοπικά είτε απομακρυσμένα
00:40
interactαλληλεπιδρώ with vastαπέραντος amountsποσά of visualοπτικός dataδεδομένα.
5
15000
3000
να επεξεργαστείτε μεγάλες
ποσότητες εικαστικών δεδομένων.
00:43
We're looking at manyΠολλά, manyΠολλά gigabytesgigabytes of digitalψηφιακό photosφωτογραφίες here
6
18000
3000
Εδώ βλέπουμε ψηφιακές εικόνες
που πιάνουν πάρα πολλά gigabytes
00:46
and kindείδος of seamlesslyάψογα and continuouslyσυνεχώς zoomingμεγέθυνση in,
7
21000
3000
και μπορούμε να τις μεγεθύνουμε συνεχόμενα
00:50
panningpanning throughδιά μέσου the thing, rearrangingαναδιάταξη it in any way we want.
8
25000
2000
να αλλάζουμε όψη
και να τις αναδιοργανώσουμε όπως θέλουμε.
00:52
And it doesn't matterύλη how much informationπληροφορίες we're looking at,
9
27000
4000
Και δεν έχει σημασία η ποσότητα
των δεδομένων που επεξεργαζόμαστε,
00:56
how bigμεγάλο these collectionsσυλλογές are or how bigμεγάλο the imagesεικόνες are.
10
31000
3000
πόσο μεγάλες είναι
οι συλλογές ή οι εικόνες.
00:59
MostΠερισσότερα of them are ordinaryσυνήθης digitalψηφιακό cameraΦΩΤΟΓΡΑΦΙΚΗ ΜΗΧΑΝΗ photosφωτογραφίες,
11
34000
2000
Οι περισσότερες προήλθαν από συνηθισμένες
ψηφιακές φωτογραφικές μηχανές,
01:01
but this one, for exampleπαράδειγμα, is a scanσάρωση from the LibraryΒιβλιοθήκη of CongressΣυνέδριο,
12
36000
3000
αλλά αυτή, για παράδειγμα,
είναι από τη βιβλιοθήκη του Κονγκρέσου,
01:05
and it's in the 300 megapixelmegapixel rangeσειρά.
13
40000
2000
και είναι γύρω στα 300 megapixels.
01:08
It doesn't make any differenceδιαφορά
14
43000
1000
Δεν έχει καμία διαφορά
01:09
because the only thing that oughtπρέπει to limitόριο the performanceεκτέλεση
15
44000
3000
γιατί το μόνο πράγμα που
θα 'πρεπε να περιορίζει την επίδοση
01:12
of a systemΣύστημα like this one is the numberαριθμός of pixelsεικονοστοιχεία on your screenοθόνη
16
47000
3000
ενός συστήματος σαν και αυτού
είναι ο αριθμός των pixels της οθόνης σας
01:15
at any givenδεδομένος momentστιγμή. It's alsoεπίσης very flexibleεύκαμπτος architectureαρχιτεκτονική.
17
50000
3000
σε οποιαδήποτε στιγμή.
Επίσης είναι πολύ ευέλικτο σύστημα.
01:18
This is an entireολόκληρος bookΒιβλίο, so this is an exampleπαράδειγμα of non-imageμη-εικόνα dataδεδομένα.
18
53000
3000
Εδώ είναι ένα ολόκληρο βιβλίο,
ένα παράδειγμα μη-εικονικών δεδομένων.
01:22
This is "BleakΖοφερή HouseΣπίτι" by DickensΝτίκενς. EveryΚάθε columnστήλη is a chapterκεφάλαιο.
19
57000
5000
Αυτό είναι το «Έρημο Σπίτι» του Ντίκενς.
Κάθε στήλη δείχνει ένα κεφάλαιο.
01:27
To proveαποδεικνύω to you that it's really textκείμενο, and not an imageεικόνα,
20
62000
4000
Για να σας αποδείξω ότι
είναι πραγματικά κείμενο και όχι εικόνα,
01:31
we can do something like so, to really showπροβολή
21
66000
2000
μπορούμε να κάνουμε κάτι τέτοιο,
για να σας πείσω
01:33
that this is a realπραγματικός representationαναπαράσταση of the textκείμενο; it's not a pictureεικόνα.
22
68000
3000
ότι εδώ έχουμε πραγματικά
το κείμενο, και όχι μια εικόνα.
01:37
Maybe this is a kindείδος of an artificialτεχνητός way to readανάγνωση an e-booke-book.
23
72000
2000
Ίσως να μην είναι ο καλύτερος τρόπος
να διαβάσει κανείς ένα ηλεκτρονικό βιβλίο.
01:39
I wouldn'tδεν θα ήταν recommendσυνιστώ it.
24
74000
1000
Δεν θα το συνιστούσα.
01:40
This is a more realisticρεαλιστική caseπερίπτωση. This is an issueθέμα of The GuardianΘεματοφύλακας.
25
75000
3000
Εδώ έχουμε ένα πιο ρεαλιστικό παράδειγμα.
Ένα τεύχος της εφημερίδας «The Guardian».
01:43
EveryΚάθε largeμεγάλο imageεικόνα is the beginningαρχή of a sectionΕνότητα.
26
78000
2000
Κάθε μεγάλη εικόνα
είναι η αρχή ενός τμήματος.
01:45
And this really givesδίνει you the joyΧαρά and the good experienceεμπειρία
27
80000
3000
Και έτσι πραγματικά
σου δίνει τη χαρά και την εμπειρία
01:48
of readingΑΝΑΓΝΩΣΗ the realπραγματικός paperχαρτί versionεκδοχή of a magazineπεριοδικό or a newspaperεφημερίδα,
28
83000
5000
του να διαβάζεις την κανονική έκδοση
ενός περιοδικού ή μιας εφημερίδας,
01:54
whichοι οποίες is an inherentlyεκ φύσεως multi-scaleπολλαπλής κλίμακας kindείδος of mediumΜεσαίο.
29
89000
1000
τα οποία περιέχουν πληροφορίες
σε διάφορες κλίμακες.
01:56
We'veΈχουμε alsoεπίσης doneΈγινε a little something
30
91000
1000
Επίσης έχουμε κάνει κάτι
01:57
with the cornerγωνία of this particularιδιαιτερος issueθέμα of The GuardianΘεματοφύλακας.
31
92000
3000
στη γωνία αυτού του συγκεκριμένου
τεύχους της εφημερίδας «Guardian».
02:00
We'veΈχουμε madeέκανε up a fakeαπομίμηση adΕνα δ that's very highυψηλός resolutionανάλυση --
32
95000
3000
Φτιάξαμε μια ψεύτικη διαφήμιση
πολύ υψηλής ανάλυσης --
02:03
much higherπιο ψηλά than you'dεσείς be ableικανός to get in an ordinaryσυνήθης adΕνα δ --
33
98000
2000
πολύ υψηλότερης απ' ότι θα βρίσκαμε
σε μια κανονική διαφήμιση --
02:05
and we'veέχουμε embeddedενσωματωμένο extraεπιπλέον contentπεριεχόμενο.
34
100000
2000
και έχουμε προσθέσει επιπλέον υλικό.
02:07
If you want to see the featuresχαρακτηριστικά of this carαυτοκίνητο, you can see it here.
35
102000
2000
Αν θέλετε να δείτε τα χαρακτηριστικά αυτού
του αυτοκινήτου, μπορείτε να τα δείτε εδώ.
02:10
Or other modelsμοντέλα, or even technicalτεχνικός specificationsπροδιαγραφές.
36
105000
4000
Ή άλλα μοντέλα, ακόμα
και τεχνικά χαρακτηριστικά.
02:15
And this really getsπαίρνει at some of these ideasιδέες
37
110000
2000
Και αυτό πραγματικά εξυπηρετεί
κάποιες από αυτές τις ιδέες
02:18
about really doing away with those limitsόρια on screenοθόνη realπραγματικός estateπεριουσία.
38
113000
4000
στο να ξεπεραστούν οι περιορισμοί
του μεγέθους της οθόνης.
02:22
We hopeελπίδα that this meansπου σημαίνει no more pop-upsτα αναδυόμενα παράθυρα
39
117000
2000
Ευχόμαστε ότι αυτό σημαίνει
πως δεν θα υπάρχουν πια 'pop-ups'
02:24
and other kindείδος of rubbishσκουπίδια like that -- shouldn'tδεν θα έπρεπε be necessaryΑΠΑΡΑΙΤΗΤΗ.
40
119000
2000
ούτε άλλα τέτοια πράγματα
-- δεν θα χρειάζεται.
02:27
Of courseσειρά μαθημάτων, mappingχαρτογράφηση is one of those really obviousφανερός applicationsεφαρμογών
41
122000
2000
Βέβαια, η χαρτογράφηση
είναι μια προφανής εφαρμογή
02:29
for a technologyτεχνολογία like this.
42
124000
2000
για μια τέτοια τεχνολογία.
02:31
And this one I really won'tσυνηθισμένος spendδαπανήσει any time on,
43
126000
2000
Δεν θα διαθέσω πολύ χρόνο
σ' αυτό το παράδειγμα,
02:33
exceptεκτός to say that we have things to contributeσυμβάλλει to this fieldπεδίο as well.
44
128000
2000
παρά μόνο να πω ότι μπορούμε
να συμβάλλουμε και σε αυτόν τον τομέα.
02:37
But those are all the roadsδρόμους in the U.S.
45
132000
2000
Αυτοί είναι όλοι οι δρόμοι των Η.Π.Α.
02:39
superimposedεπάλληλα on topμπλουζα of a NASANASA geospatialγεω-χωρικών δεδομένων imageεικόνα.
46
134000
4000
πάνω σε μια γεωχωρική εικόνα της NASA.
02:44
So let's pullΤραβήξτε up, now, something elseαλλού.
47
139000
2000
Ας δούμε κάτι άλλο τώρα.
02:46
This is actuallyπράγματι liveζω on the WebWeb now; you can go checkέλεγχος it out.
48
141000
3000
Αυτό υπάρχει τώρα στο δίκτυο,
μπορείτε να πάτε να το δείτε.
02:49
This is a projectέργο calledπου ονομάζεται PhotosynthPhotosynth,
49
144000
1000
Είναι ένα πρόγραμμα
που λέγεται Photosynth,
02:51
whichοι οποίες really marriesπαντρεύεται two differentδιαφορετικός technologiesτεχνολογίες.
50
146000
1000
και παντρεύει
δύο διαφορετικές τεχνολογίες.
02:52
One of them is SeadragonSeadragon
51
147000
1000
Η μία είναι το Seadragon
02:54
and the other is some very beautifulπανεμορφη computerυπολογιστή visionόραμα researchέρευνα
52
149000
2000
και η άλλη είναι μια έρευνα
στον τομέα της όρασης υπολογιστών
02:57
doneΈγινε by NoahΝώε SnavelySnavely, a graduateαποφοιτώ studentμαθητης σχολειου at the UniversityΠανεπιστήμιο of WashingtonΟυάσινγκτον,
53
152000
2000
που διεξήχθη από τον Νόα Σνέιβλι,
απόφοιτο του πανεπιστημίου της Ουάσινγκτον,
03:00
co-advisedσυν-συνιστάται by SteveSteve SeitzSeitz at U.W.
54
155000
2000
υπό την καθοδήγηση του Στιβ Σάιτς,
03:02
and RickRick SzeliskiSzeliski at MicrosoftMicrosoft ResearchΈρευνα. A very niceόμορφη collaborationσυνεργασία.
55
157000
4000
και του Ρικ Ζελίσκι στη Microsoft
Research. Μια πολύ ωραία συνεργασία.
03:07
And so this is liveζω on the WebWeb. It's poweredτροφοδοτείται by SeadragonSeadragon.
56
162000
2000
Αυτό υπάρχει ζωντανά στο διαδίκτυο.
Δουλεύει με το Seadragon.
03:09
You can see that when we kindείδος of do these sortsείδος of viewsπροβολές,
57
164000
2000
Βλέπετε όταν το κοιτάμε
από τέτοιες προοπτικές
03:12
where we can diveκατάδυση throughδιά μέσου imagesεικόνες
58
167000
1000
μπορούμε να βουτάμε μέσα από τις εικόνες
03:14
and have this kindείδος of multi-resolutionπολλαπλής ανάλυσης experienceεμπειρία.
59
169000
1000
και να έχουμε μια πολυδιάστατη εμπειρία.
03:16
But the spatialχωρική arrangementρύθμιση of the imagesεικόνες here is actuallyπράγματι meaningfulμε νοημα.
60
171000
4000
Αλλά η χωρική διάταξη των εικόνων
εδώ είναι σημαντική.
03:20
The computerυπολογιστή visionόραμα algorithmsαλγορίθμους have registeredεγγεγραμμένοι these imagesεικόνες togetherμαζί
61
175000
3000
Οι αλγόριθμοι έχουν ευθυγραμμίσει
τις εικόνες,
03:23
so that they correspondαντιστοιχούν to the realπραγματικός spaceχώρος in whichοι οποίες these shotsπλάνα --
62
178000
4000
ώστε να αντιστοιχούν στον πραγματικό χώρο
απ' όπου τραβήχτηκαν
03:27
all takenληφθεί nearκοντά GrassiGrassi LakesΛίμνες in the CanadianΚαναδική RockiesΒραχώδη Όρη --
63
182000
2000
αυτές οι εικόνες -- όλες κοντά
στις λίμνες Γκράσι στα Καναδικά Όρη.
03:31
all these shotsπλάνα were takenληφθεί. So you see elementsστοιχεία here
64
186000
2000
Έτσι βλέπετε στοιχεία εδώ
03:33
of stabilizedσταθεροποιηθεί slide-showπαρουσίασης or panoramicπανοραμική imagingαπεικόνισης,
65
188000
4000
ενός σταθεροποιημένου slide-show
ή πανοραμικής απεικόνισης,
03:40
and these things have all been relatedσχετίζεται με spatiallyχωρικά.
66
195000
2000
και όλα αυτά έχουν συσχετιστεί χωρικά.
03:42
I'm not sure if I have time to showπροβολή you any other environmentsπεριβάλλοντος.
67
197000
3000
Δεν ξέρω αν έχω χρόνο
να σας δείξω κάποια ακόμη περιβάλλοντα.
03:45
There are some that are much more spatialχωρική.
68
200000
1000
Είναι κάποια τα οποία είναι
πολύ πιο ανοιχτά σε χώρο.
03:47
I would like to jumpάλμα straightευθεία to one of Noah'sΤου Νώε originalπρωτότυπο data-setsσύνολα δεδομένων --
69
202000
3000
Θα ήθελα να πάω κατευθείαν σε ένα
από τα πρωτότυπα σετ δεδομένων του Νόα--
03:50
and this is from an earlyνωρίς prototypeπρωτότυπο of PhotosynthPhotosynth
70
205000
2000
και αυτό είναι ένα αρχικό
πρωτότυπο του Photosynth
03:52
that we first got workingεργαζόμενος in the summerκαλοκαίρι --
71
207000
2000
το οποίο ξεκινήσαμε
να δουλεύουμε το καλοκαίρι --
03:54
to showπροβολή you what I think
72
209000
1000
για να σας δείξω τι πιστεύω
03:55
is really the punchγροθιά lineγραμμή behindπίσω this technologyτεχνολογία,
73
210000
3000
πως είναι στ' αλήθεια το κλειδί
πίσω από αυτήν την τεχνολογία,
03:59
the PhotosynthPhotosynth technologyτεχνολογία. And it's not necessarilyαναγκαίως so apparentπροκύπτει
74
214000
2000
την τεχνολογία του Photosynth.
Δεν είναι απαραίτητα τόσο ξεκάθαρο
04:01
from looking at the environmentsπεριβάλλοντος that we'veέχουμε put up on the websiteδικτυακός τόπος.
75
216000
3000
βλέποντας τα περιβάλλοντα
που έχουμε βάλει στην ιστοσελίδα.
04:04
We had to worryανησυχία about the lawyersδικηγόρους and so on.
76
219000
2000
Έπρεπε να προσέχουμε
για νομικά ζητήματα κλπ.
04:07
This is a reconstructionανοικοδόμηση of NotreΝοτρ DameΝταμ CathedralΚαθεδρικός Ναός
77
222000
1000
Αυτό είναι μια ανακατασκευή
του καθεδρικού της Νοτρ Νταμ
04:09
that was doneΈγινε entirelyεξ ολοκλήρου computationallyυπολογιστικά
78
224000
2000
η οποία έγινε εξολοκλήρου υπολογιστικά
04:11
from imagesεικόνες scrapedξύνεται from FlickrFlickr. You just typeτύπος NotreΝοτρ DameΝταμ into FlickrFlickr,
79
226000
3000
από εικόνες του Flickr.
Απλά γράφετε Notre Dame στο Flickr,
04:14
and you get some picturesεικόνες of guys in t-shirtsμπλουζάκια, and of the campusπανεπιστημιούπολη
80
229000
3000
και παίρνετε εικόνες από τύπους με
μπλουζάκια, και από τον περιβάλλοντα χώρο
04:17
and so on. And eachκαθε of these orangeπορτοκάλι conesκώνων representsαντιπροσωπεύει an imageεικόνα
81
232000
4000
κλπ. Και κάθε ένας από αυτούς
τους πορτοκαλί κώνους, αντιπροσωπεύει
04:22
that was discoveredανακαλύφθηκε to belongανήκω to this modelμοντέλο.
82
237000
2000
μια εικόνα που βρέθηκε
να ανήκει σε αυτό το μοντέλο.
04:26
And so these are all FlickrFlickr imagesεικόνες,
83
241000
2000
Και έτσι, αυτές είναι όλες
εικόνες από το Flickr,
04:28
and they'veέχουν all been relatedσχετίζεται με spatiallyχωρικά in this way.
84
243000
3000
και όλες έχουν συσχετιστεί
χωρικά με αυτόν τον τρόπο.
04:31
And we can just navigateκυβερνώ in this very simpleαπλός way.
85
246000
2000
Και εμείς μπορούμε απλώς
να περιηγηθούμε σε αυτό.
04:35
(ApplauseΧειροκροτήματα)
86
250000
9000
(Χειροκρότημα)
04:44
You know, I never thought that I'd endτέλος up workingεργαζόμενος at MicrosoftMicrosoft.
87
259000
2000
Ξέρετε, ποτέ δεν πίστευα
πως θα κατέληγα να δουλεύω στη Microsoft.
04:46
It's very gratifyingευχάριστο to have this kindείδος of receptionρεσεψιόν here.
88
261000
4000
Είναι πολύ ενθαρρυντικό
να έχεις τέτοια αποδοχή εδώ.
04:50
(LaughterΤο γέλιο)
89
265000
3000
(Γέλια)
04:53
I guessεικασία you can see
90
268000
3000
Φαντάζομαι μπορείτε να δείτε
04:56
this is lots of differentδιαφορετικός typesτύπους of camerasκάμερες:
91
271000
2000
πως έχουμε πολλούς διαφορετικούς
τύπους μηχανών:
04:58
it's everything from cellκύτταρο phoneτηλέφωνο camerasκάμερες to professionalεπαγγελματίας SLRsΦωτογραφικές μηχανές SLR,
92
273000
3000
τα πάντα από κινητά τηλέφωνα
μέχρι επαγγελματικές μηχανές,
05:02
quiteαρκετά a largeμεγάλο numberαριθμός of them, stitchedραμμένες
93
277000
1000
ένα μεγάλο αριθμό από αυτές, «ραμμένες»
05:03
togetherμαζί in this environmentπεριβάλλον.
94
278000
1000
μεταξύ τους σε αυτό το περιβάλλον.
05:04
And if I can, I'll find some of the sortείδος of weirdΠερίεργο onesαυτές.
95
279000
2000
Αν μπορέσω,
θα βρω κάποιες από τις πιο περίεργες.
05:08
So manyΠολλά of them are occludedαποφραγμένη by facesπρόσωπα, and so on.
96
283000
3000
Πολλές από αυτές παρεμποδίζονται
από πρόσωπα κλπ.
05:13
SomewhereΚάπου in here there are actuallyπράγματι
97
288000
1000
Κάπου εδώ είναι μια σειρά
05:15
a seriesσειρά of photographsφωτογραφίες -- here we go.
98
290000
1000
φωτογραφιών -- εδώ είμαστε.
05:17
This is actuallyπράγματι a posterαφίσα of NotreΝοτρ DameΝταμ that registeredεγγεγραμμένοι correctlyσωστά.
99
292000
3000
Αυτό είναι ένα πόστερ της Νοτρ Νταμ
το οποίο αναγνωρίστηκε επιτυχώς.
05:21
We can diveκατάδυση in from the posterαφίσα
100
296000
2000
Μπορούμε να βουτήξουμε από το πόστερ
05:24
to a physicalφυσικός viewθέα of this environmentπεριβάλλον.
101
299000
3000
σε μια φυσική όψη του περιβάλλοντος.
05:31
What the pointσημείο here really is is that we can do things
102
306000
3000
Το νόημα είναι εδώ,
πως μπορούμε να κάνουμε πράγματα
05:34
with the socialκοινωνικός environmentπεριβάλλον. This is now takingλήψη dataδεδομένα from everybodyόλοι --
103
309000
5000
με το κοινωνικό περιβάλλον.
Παίρνοντας δεδομένα από τον καθένα --
05:39
from the entireολόκληρος collectiveσυλλογικός memoryμνήμη
104
314000
1000
από όλη τη συλλογική μνήμη
05:40
of, visuallyοπτικά, of what the EarthΓη looksφαίνεται like --
105
315000
2000
του πως, οπτικά, μοιάζει η Γη --
05:43
and linkΣύνδεσμος all of that togetherμαζί.
106
318000
1000
και συσχετίζοντάς τα μεταξύ τους.
05:44
All of those photosφωτογραφίες becomeγίνομαι linkedσυνδέονται togetherμαζί,
107
319000
2000
Όλες αυτές οι φωτογραφίες
συσχετίστηκαν μεταξύ τους,
05:46
and they make something emergentαναδυόμενη
108
321000
1000
και φτιάξαν κάτι καινούριο
05:47
that's greaterμεγαλύτερη than the sumάθροισμα of the partsεξαρτήματα.
109
322000
2000
το οποίο είναι μεγαλύτερο
από το άθροισμα των στοιχείων του.
05:49
You have a modelμοντέλο that emergesαναδύεται of the entireολόκληρος EarthΓη.
110
324000
2000
Έχεις ένα μοντέλο
που αναδύεται από ολόκληρη τη Γη.
05:51
Think of this as the long tailουρά to StephenΣτεφάνου Lawler'sΤου Lawler VirtualΕικονικό EarthΓη work.
111
326000
5000
Σκεφτείτε το σαν μια μακρινή εκδοχή
του Virtual Earth του Στιβεν Λόουλερ.
05:56
And this is something that growsμεγαλώνει in complexityπερίπλοκο
112
331000
2000
Και αυτό είναι κάτι το οποίο
μεγαλώνει σε πολυπλοκότητα
05:58
as people use it, and whoseτου οποίου benefitsπλεονεκτήματα becomeγίνομαι greaterμεγαλύτερη
113
333000
3000
όσο ο κόσμος το χρησιμοποιεί, και του
οποίου τα ευεργετήματα προς τους χρήστες
06:01
to the usersχρήστες as they use it.
114
336000
2000
μεγαλώνουν καθώς το χρησιμοποιούνε.
06:03
TheirΤους ownτα δικά photosφωτογραφίες are gettingνα πάρει taggedετικέτα: with meta-dataμετα-δεδομένα
115
338000
2000
Οι δικές τους φωτογραφίες
συμπληρώνονται με λέξεις κλειδιά
06:05
that somebodyκάποιος elseαλλού enteredεισήχθη.
116
340000
1000
που κάποιος άλλος έχει εισάγει.
06:07
If somebodyκάποιος botheredενοχλημένος to tagετικέτα all of these saintsΑγίων
117
342000
3000
Αν κάποιος μπει στον κόπο
να ονοματίσει όλους αυτούς του Αγίους
06:10
and say who they all are, then my photoφωτογραφία of NotreΝοτρ DameΝταμ CathedralΚαθεδρικός Ναός
118
345000
3000
τότε ξαφνικά η φωτογραφία μου
της Νοτρ Νταμ
06:13
suddenlyξαφνικά getsπαίρνει enrichedεμπλουτισμένο with all of that dataδεδομένα,
119
348000
2000
εμπλουτίζεται με όλα αυτά τα δεδομένα,
06:15
and I can use it as an entryείσοδος pointσημείο to diveκατάδυση into that spaceχώρος,
120
350000
3000
και μπορώ να τη χρησιμοποιήσω
σαν σημείο εισόδου προς αυτόν το χώρο,
06:18
into that meta-verseμετα-στίχο, usingχρησιμοποιώντας everybodyόλοι else'sαλλού photosφωτογραφίες,
121
353000
2000
σε αυτό το σύμπαν από λέξεις κλειδιά,
χρησιμοποιώντας τις φωτογραφίες των άλλων,
06:21
and do a kindείδος of a cross-modalΣταυρός-Μοντάλ
122
356000
2000
και να έχω μια ποικιλότροπη
06:25
and cross-userΣταυρός-χρήστη socialκοινωνικός experienceεμπειρία that way.
123
360000
3000
και πολυχρηστική εμπειρία
με αυτόν τον τρόπο.
06:28
And of courseσειρά μαθημάτων, a by-productυποπροϊόν of all of that
124
363000
1000
Και φυσικά, ένα υποπροϊόν όλων αυτών
06:30
is immenselyπάρα πολύ richπλούσιος virtualεικονικός modelsμοντέλα
125
365000
2000
είναι τα πάρα πολύ
πλούσια εικονικά μοντέλα
06:32
of everyκάθε interestingενδιαφέρων partμέρος of the EarthΓη, collectedσυγκεντρωμένος
126
367000
2000
από κάθε ενδιαφέρον σημείο
του πλανήτη, συγκεντρωμένα
06:35
not just from overheadεπιβάρυνση flightsπτήσεις and from satelliteδορυφόρος imagesεικόνες
127
370000
3000
όχι μόνο από εναέριες
και δορυφορικές φωτογραφίες
06:38
and so on, but from the collectiveσυλλογικός memoryμνήμη.
128
373000
2000
και τα λοιπά, αλλά από τη συλλογική μνήμη.
06:40
Thank you so much.
129
375000
2000
Σας ευχαριστώ πολύ.
06:42
(ApplauseΧειροκροτήματα)
130
377000
11000
(Χειροκρότημα)
06:53
ChrisChris AndersonΆντερσον: Do I understandκαταλαβαίνουν this right? That what your softwareλογισμικό is going to allowεπιτρέπω,
131
388000
4000
Κρις Άντερσον: Το αντιλαμβάνομαι σωστά;
Ότι το πρόγραμμά θα επιτρέψει
06:58
is that at some pointσημείο, really withinστα πλαίσια the nextεπόμενος fewλίγοι yearsχρόνια,
132
393000
2000
έως ενός σημείου, μέσα σε λίγα χρόνια,
07:01
all the picturesεικόνες that are sharedκοινή χρήση by anyoneο καθενας acrossαπέναντι the worldκόσμος
133
396000
4000
όλες οι φωτογραφίες που μοιράζονται
από τον καθένα στον κόσμο
07:05
are going to basicallyβασικα linkΣύνδεσμος togetherμαζί?
134
400000
2000
θα συσχετιστούν βασικά μεταξύ τους;
07:07
BAAΒΑΑ: Yes. What this is really doing is discoveringανακαλύπτοντας.
135
402000
2000
ΜΑΑ: Ναι. Αυτό που κάνει είναι να ανακαλύπτει.
07:09
It's creatingδημιουργώντας hyperlinksυπερ-συνδέσεις, if you will, betweenμεταξύ imagesεικόνες.
136
404000
3000
Να δημιουργεί συνδέσμους,
αν προτιμάς, μεταξύ εικόνων.
07:12
And it's doing that
137
407000
1000
Και το κάνει
07:13
basedμε βάση on the contentπεριεχόμενο insideμέσα the imagesεικόνες.
138
408000
1000
βασιζόμενο στο περιεχόμενο των εικόνων.
07:14
And that getsπαίρνει really excitingσυναρπαστικός when you think about the richnessπλούτος
139
409000
3000
Και γίνεται πραγματικά συναρπαστικό
όταν σκεφτείς τον πλούτο
07:17
of the semanticσημασιολογικός informationπληροφορίες that a lot of those imagesεικόνες have.
140
412000
2000
της σημασιολογικής πληροφορίας
που έχουν πολλές από αυτές τις εικόνες.
07:19
Like when you do a webιστός searchΨάξιμο for imagesεικόνες,
141
414000
2000
Όπως όταν κάνεις
μια αναζήτηση στον ιστό για εικόνες,
07:22
you typeτύπος in phrasesφράσεις, and the textκείμενο on the webιστός pageσελίδα
142
417000
2000
γράφεις κάποιες φράσεις
και το κείμενο στην ιστοσελίδα
07:24
is carryingμεταφέρουν a lot of informationπληροφορίες about what that pictureεικόνα is of.
143
419000
3000
κουβαλάει πολλές πληροφορίες
για το τι περιέχει αυτή η εικόνα.
07:27
Now, what if that pictureεικόνα linksσυνδέσεις to all of your picturesεικόνες?
144
422000
2000
Τώρα, τι γίνεται αν η εικόνα
συνδέεται με όλες τις εικόνες σας;
07:29
Then the amountποσό of semanticσημασιολογικός interconnectionδιασύνδεση
145
424000
2000
Τότε η ποσότητα
των σημασιολογικών διασυνδέσεων
07:31
and the amountποσό of richnessπλούτος that comesέρχεται out of that
146
426000
1000
και ο όγκος του πλούτου
που πηγάζει από όλο αυτό
07:32
is really hugeτεράστιος. It's a classicκλασσικός networkδίκτυο effectαποτέλεσμα.
147
427000
3000
είναι πραγματικά τεράστιος.
Είναι ένα κλασικό φαινόμενο δικτύου.
07:35
CACA: BlaiseΜπλεζ, that is trulyστα αληθεια incredibleαπίστευτος. CongratulationsΣυγχαρητήρια.
148
430000
2000
ΚΑ: Μπλεζ, αυτό είναι πραγματικά απίθανο.
Συγχαρητήρια.
07:37
BAAΒΑΑ: ThanksΕυχαριστώ so much.
149
432000
1000
ΜΑΑ: Ευχαριστώ πάρα πολύ.
Translated by Vasilis Akoinoglou
Reviewed by Dionysis Lorentzos

▲Back to top

ABOUT THE SPEAKER
Blaise Agüera y Arcas - Software architect
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces.

Why you should listen

Blaise Agüera y Arcas is principal scientist at Google, where he leads a team working on machine intelligence for mobile devices. His group works extensively with deep neural nets for machine perception and distributed learning, and it also investigates so-called "connectomics" research, assessing maps of connections within the brain.

Agüera y Arcas' background is as multidimensional as the visions he helps create. In the 1990s, he authored patents on both video compression and 3D visualization techniques, and in 2001, he made an influential computational discovery that cast doubt on Gutenberg's role as the father of movable type.

He also created Seadragon (acquired by Microsoft in 2006), the visualization technology that gives Photosynth its amazingly smooth digital rendering and zoom capabilities. Photosynth itself is a vastly powerful piece of software capable of taking a wide variety of images, analyzing them for similarities, and grafting them together into an interactive three-dimensional space. This seamless patchwork of images can be viewed via multiple angles and magnifications, allowing us to look around corners or “fly” in for a (much) closer look. Simply put, it could utterly transform the way we experience digital images.

He joined Microsoft when Seadragon was acquired by Live Labs in 2006. Shortly after the acquisition of Seadragon, Agüera y Arcas directed his team in a collaboration with Microsoft Research and the University of Washington, leading to the first public previews of Photosynth several months later. His TED Talk on Seadragon and Photosynth in 2007 is rated one of TED's "most jaw-dropping." He returned to TED in 2010 to demo Bing’s augmented reality maps.

Fun fact: According to the author, Agüera y Arcas is the inspiration for the character Elgin in the 2012 best-selling novel Where'd You Go, Bernadette?

More profile about the speaker
Blaise Agüera y Arcas | Speaker | TED.com

Data provided by TED.

This site was created in May 2015 and the last update was on January 12, 2020. It will no longer be updated.

We are currently creating a new site called "eng.lish.video" and would be grateful if you could access it.

If you have any questions or suggestions, please feel free to write comments in your language on the contact form.

Privacy Policy

Developer's Blog

Buy Me A Coffee