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
TED@BCG Paris

Blaise Agüera y Arcas: How computers are learning to be creative

Μπλέιζ Αγκέρα ι Άρκας: Πώς μαθαίνουν οι υπολογιστές να είναι δημιουργικοί

Filmed:
1,934,067 views

Βρισκόμαστε σε ένα καινούργιο όριο για την τέχνη και τη δημιουργικότητα - και δεν είναι ανθρώπινο. Ο Μπλέιζ Αγκέρα ι Άρκας, σημαντικός επιστήμονας στη Google, εργάζεται πάνω σε εξελιγμένα νευρωνικά δίκτυα για την μηχανική αντίληψη και τη κατανομή της μάθησης. Σε αυτή την καθηλωτική παρουσίαση μας δείχνει πώς τα δίκτυα νευρώνων που έχουν εκπαιδευτεί να αναγνωρίζουν εικόνες, μπορούν να λειτουργήσουν αντίστροφα, δημιουργώντας εικόνες. Το αποτέλεσμα είναι θεαματικά κολάζ (και ποιήματα!) που μοιάζουν με παραισθήσεις και αρνούνται να μπουν σε κάποια κατηγορία. «Η αντίληψη και η δημιουργικότητα είναι πολύ στενά συνδεδεμένες» μας λέει ο Μπλέιζ Αγκέρα. «Κάθε πλάσμα που μπορεί να αντιληφθεί, επίσης μπορεί να δημιουργήσει».
- 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.

00:12
So, I leadΟΔΗΓΩ a teamομάδα at GoogleGoogle
that worksεργοστάσιο on machineμηχανή intelligenceνοημοσύνη;
0
800
3124
Ηγούμαι μιας ομάδας στην Google
που ερευνά τη μηχανική ευφυΐα.
00:15
in other wordsλόγια, the engineeringμηχανική disciplineπειθαρχία
of makingκατασκευή computersΥπολογιστές and devicesσυσκευές
1
3948
4650
Με άλλα λόγια, τον κλάδο της μηχανικής
που κάνει υπολογιστές και συσκευές
00:20
ableικανός to do some of the things
that brainsμυαλά do.
2
8622
2419
να μπορούν να κάνουν
κάποια απ' όσα κάνει το μυαλό.
00:23
And this makesκάνει us
interestedενδιαφερόμενος in realπραγματικός brainsμυαλά
3
11439
3099
Γι' αυτό ενδιαφερόμαστε
για τους κανονικούς εγκεφάλους
καθώς και για τη νευροεπιστήμη,
00:26
and neuroscienceνευροεπιστήμη as well,
4
14562
1289
00:27
and especiallyειδικά interestedενδιαφερόμενος
in the things that our brainsμυαλά do
5
15875
4172
και ειδικότερα για τα πράγματα
που κάνει το μυαλό μας
που ακόμα είναι πολύ ανώτερο
από τις επιδόσεις των υπολογιστών.
00:32
that are still farμακριά superiorανώτερος
to the performanceεκτέλεση of computersΥπολογιστές.
6
20071
4042
00:37
HistoricallyΙστορικά, one of those areasπεριοχές
has been perceptionαντίληψη,
7
25209
3609
Ιστορικά, ένα από αυτά που μας ενδιέφεραν
ήταν η αντίληψη,
00:40
the processεπεξεργάζομαι, διαδικασία by whichοι οποίες things
out there in the worldκόσμος --
8
28842
3039
η διαδικασία με την οποία
τα πράγματα εκεί έξω στον κόσμο
00:43
soundsήχους and imagesεικόνες --
9
31905
1584
-ήχοι και εικόνες-
00:45
can turnστροφή into conceptsέννοιες in the mindμυαλό.
10
33513
2178
μετατρέπονται σε έννοιες μέσα στο μυαλό.
00:48
This is essentialουσιώδης for our ownτα δικά brainsμυαλά,
11
36235
2517
Αυτό είναι ζωτικό για τον εγκέφαλό μας
00:50
and it's alsoεπίσης prettyαρκετά usefulχρήσιμος on a computerυπολογιστή.
12
38776
2464
και επίσης είναι πολύ χρήσιμο
για τον υπολογιστή.
00:53
The machineμηχανή perceptionαντίληψη algorithmsαλγορίθμους,
for exampleπαράδειγμα, that our teamομάδα makesκάνει,
13
41636
3350
Για παράδειγμα, οι αλγόριθμοι μηχανικής
αντίληψης που φτιάχνει η ομάδα μας
00:57
are what enableεπιτρέπω your picturesεικόνες
on GoogleGoogle PhotosΦωτογραφίες to becomeγίνομαι searchableμε δυνατότητα αναζήτησης,
14
45010
3874
κάνουν δυνατή την αναζήτηση
στις φωτογραφίες του Google Photos
βάσει του τι αυτές περιέχουν.
01:00
basedμε βάση on what's in them.
15
48908
1397
01:03
The flipαναρρίπτω sideπλευρά of perceptionαντίληψη is creativityδημιουργικότητα:
16
51594
3493
Η άλλη πλευρά της αντίληψης
είναι η δημιουργικότητα:
01:07
turningστροφή a conceptέννοια into something
out there into the worldκόσμος.
17
55111
3038
το να μεταμορφώνετε μια έννοια
σε κάτι εκεί έξω στον κόσμο.
01:10
So over the pastτο παρελθόν yearέτος,
our work on machineμηχανή perceptionαντίληψη
18
58173
3555
Έτσι τον τελευταίο χρόνο,
η εργασία μας πάνω στη μηχανική αντίληψη
01:13
has alsoεπίσης unexpectedlyαπρόσμενα connectedσυνδεδεμένος
with the worldκόσμος of machineμηχανή creativityδημιουργικότητα
19
61752
4859
συνδέθηκε απρόσμενα
και με τον κόσμο της δημιουργικότητας
και της τέχνης από μηχανές.
01:18
and machineμηχανή artτέχνη.
20
66635
1160
01:20
I think MichelangeloΜιχαήλ Άγγελος
had a penetratingδιεισδυτική insightδιορατικότητα
21
68556
3284
Νομίζω ότι ο Μιχαήλ Αγγελος
είδε πολύ διορατικά
01:23
into to this dualδιπλός relationshipσχέση
betweenμεταξύ perceptionαντίληψη and creativityδημιουργικότητα.
22
71864
3656
αυτή τη δυαδική σχέση
μεταξύ αντίληψης και δημιουργικότητας.
01:28
This is a famousπερίφημος quoteπαραθέτω, αναφορά of his:
23
76023
2006
Ένα φημισμένο απόφθεγμά του λέει:
01:30
"EveryΚάθε blockΟΙΚΟΔΟΜΙΚΟ ΤΕΤΡΑΓΩΝΟ of stoneπέτρα
has a statueάγαλμα insideμέσα of it,
24
78053
3323
«Κάθε κομμάτι πέτρας
έχει μέσα του ένα άγαλμα
και είναι δουλειά του γλύπτη
να το αποκαλύψει».
01:34
and the jobδουλειά of the sculptorγλύπτης
is to discoverανακαλύπτω it."
25
82036
3002
01:38
So I think that what
MichelangeloΜιχαήλ Άγγελος was gettingνα πάρει at
26
86029
3216
Νομίζω ότι ο Μιχαήλ Άγγελος εννοεί
01:41
is that we createδημιουργώ by perceivingαντιλαμβάνεται,
27
89269
3180
ότι δημιουργούμε μέσα από την αντίληψη,
01:44
and that perceptionαντίληψη itselfεαυτό
is an actενεργω of imaginationφαντασία
28
92473
3023
και η ίδια η αντίληψη
είναι μια πράξη φαντασίας
01:47
and is the stuffυλικό of creativityδημιουργικότητα.
29
95520
2461
από την οποία είναι φτιαγμένη
η δημιουργικότητα.
01:50
The organόργανο that does all the thinkingσκέψη
and perceivingαντιλαμβάνεται and imaginingφαντάζονται,
30
98691
3925
Το όργανο που σκέφτεται,
αντιλαμβάνεται και φαντάζεται
01:54
of courseσειρά μαθημάτων, is the brainεγκέφαλος.
31
102640
1588
είναι φυσικά ο εγκέφαλος.
01:57
And I'd like to beginαρχίζουν
with a briefσύντομος bitκομμάτι of historyιστορία
32
105089
2545
Θα ήθελα να αρχίσω με λίγη ιστορία
01:59
about what we know about brainsμυαλά.
33
107658
2302
σχετικά με το τι γνωρίζουμε
για τον εγκέφαλό μας.
Γιατί διαφορετικά, ας πούμε,
από την καρδιά ή τα έντερα
02:02
Because unlikeδιαφορετικός, say,
the heartκαρδιά or the intestinesέντερα,
34
110496
2446
02:04
you really can't say very much
about a brainεγκέφαλος by just looking at it,
35
112966
3144
δεν μπορείς να πεις πολλά
για τον εγκέφαλο απλώς κοιτώντας τον
τουλάχιστον δια γυμνού οφθαλμού.
02:08
at leastελάχιστα with the nakedγυμνός eyeμάτι.
36
116134
1412
02:09
The earlyνωρίς anatomistsανατόμοι who lookedκοίταξε at brainsμυαλά
37
117983
2416
Οι πρώτοι ανατόμοι
που εξέτασαν τον εγκέφαλο
02:12
gaveέδωσε the superficialεπιδερμικό structuresδομές
of this thing all kindsείδη of fancifulευφάνταστο namesονόματα,
38
120423
3807
έδωσαν στις εμφανείς δομές του
κάθε είδους περίεργη ονομασία,
02:16
like hippocampusιππόκαμπος, meaningέννοια "little shrimpγαρίδες."
39
124254
2433
όπως ιππόκαμπος, ένα είδος μικρής γαρίδας.
02:18
But of courseσειρά μαθημάτων that sortείδος of thing
doesn't tell us very much
40
126711
2764
Αλλά φυσικά αυτό δεν μας λέει πάρα πολλά
σχετικά με το τι πραγματικά
συμβαίνει στο εσωτερικό.
02:21
about what's actuallyπράγματι going on insideμέσα.
41
129499
2318
02:24
The first personπρόσωπο who, I think, really
developedαναπτηγμένος some kindείδος of insightδιορατικότητα
42
132780
3613
Ο πρώτος που πιστεύω ότι κάπως μάντεψε
02:28
into what was going on in the brainεγκέφαλος
43
136417
1930
τι περίπου συμβαίνει μέσα στον εγκέφαλο
02:30
was the great SpanishΙσπανικά neuroanatomistneuroanatomist,
SantiagoΣαντιάγο RamΜνήμη RAMón y CajalCajal,
44
138371
3920
ήταν ο μεγάλος Ισπανός νευροανατόμος
Σαντιάγο Ραμόν ι Καχάλ
02:34
in the 19thth centuryαιώνας,
45
142315
1544
τον 19ο αιώνα,
02:35
who used microscopyμικροσκοπία and specialειδικός stainsλεκέδες
46
143883
3755
που χρησιμοποίησε μικροσκόπιο
και ειδικές χρωστικές
02:39
that could selectivelyεπιλεκτικά fillγέμισμα in
or renderκαθιστώ in very highυψηλός contrastαντίθεση
47
147662
4170
που μπορούσαν επιλεκτικά να εισχωρήσουν
και να χρωματίσουν με μεγάλη αντίθεση
02:43
the individualάτομο cellsκυττάρων in the brainεγκέφαλος,
48
151856
2008
τα επιμέρους κελιά του εγκεφάλου,
02:45
in orderΣειρά to startαρχή to understandκαταλαβαίνουν
theirδικα τους morphologiesμορφολογίες.
49
153888
3154
ούτως ώστε να αρχίσουμε
να καταλαβαίνουμε τη μορφολογία τους.
02:49
And these are the kindsείδη of drawingsσχέδια ζωγραφικής
that he madeέκανε of neuronsνευρώνες
50
157972
2891
Αυτά είναι τα σκίτσα νευρώνων
που έφτιαξε τον 19ο αιώνα.
02:52
in the 19thth centuryαιώνας.
51
160887
1209
02:54
This is from a birdπουλί brainεγκέφαλος.
52
162120
1884
Αυτό είναι από εγκέφαλο πουλιού.
02:56
And you see this incredibleαπίστευτος varietyποικιλία
of differentδιαφορετικός sortsείδος of cellsκυττάρων,
53
164028
3057
Βλέπετε αυτή την απίστευτη ποικιλία
από διάφορα είδη κελιών,
02:59
even the cellularκυτταρικός theoryθεωρία itselfεαυτό
was quiteαρκετά newνέος at this pointσημείο.
54
167109
3435
ακόμα και η ίδια η κυτταρική θεωρία
ήταν αρκετά νέα εκείνον τον καιρό.
03:02
And these structuresδομές,
55
170568
1278
Και αυτές οι δομές,
03:03
these cellsκυττάρων that have these arborizationsarborizations,
56
171870
2259
τα κελιά που έχουν αυτές τις διακλαδώσεις
που εκτείνονται σε πολύ μεγάλες αποστάσεις
03:06
these branchesυποκαταστήματα that can go
very, very long distancesαποστάσεις --
57
174153
2608
ήταν κάτι πολύ νέο εκείνη την εποχή.
03:08
this was very novelμυθιστόρημα at the time.
58
176785
1616
03:10
They're reminiscentθυμίζει, of courseσειρά μαθημάτων, of wiresκαλώδια.
59
178779
2903
Φυσικά, μας θυμίζουν καλώδια.
03:13
That mightθα μπορούσε have been obviousφανερός
to some people in the 19thth centuryαιώνας;
60
181706
3457
Αυτό θα καταλάβαιναν
κάποιοι άνθρωποι τον 19ο αιώνα -
03:17
the revolutionsστροφές of wiringκαλωδίωση and electricityηλεκτρική ενέργεια
were just gettingνα πάρει underwayσε εξέλιξη.
61
185187
4314
η επανάσταση καλωδίων και ηλεκτρικού
ήταν μόλις στο ξεκίνημά τους.
Αλλά με διάφορους τρόπους,
03:21
But in manyΠολλά waysτρόπους,
62
189964
1178
03:23
these microanatomicalmicroanatomical drawingsσχέδια ζωγραφικής
of RamΜνήμη RAMón y Cajal'sΤου Cajal, like this one,
63
191166
3313
αυτά τα μικροανατομικά σκίτσα
του Ραμόν ι Καχάλ, όπως αυτό,
03:26
they're still in some waysτρόπους unsurpassedαξεπέραστη.
64
194503
2332
ακόμη παραμένουν αξεπέραστα
με κάποιους τρόπους.
03:28
We're still more than a centuryαιώνας laterαργότερα,
65
196859
1854
Πάνω από έναν αιώνα αργότερα
03:30
tryingπροσπαθεί to finishφινίρισμα the jobδουλειά
that RamΜνήμη RAMón y CajalCajal startedξεκίνησε.
66
198737
2825
προσπαθούμε να τελείωσουμε
αυτό που άρχισε ο Ραμόν ι Καχάλ.
03:33
These are rawακατέργαστος dataδεδομένα from our collaboratorsσυνεργάτες
67
201586
3134
Αυτά είναι τα ακατέργαστα δεδομένα
από τους συνεργάτες μας στο Ινστιτούτο
Νευροεπιστήμης Μαξ Πλανκ.
03:36
at the MaxMax PlanckΠλανκ InstituteΙνστιτούτο
of NeuroscienceΝευροεπιστήμη.
68
204744
2881
03:39
And what our collaboratorsσυνεργάτες have doneΈγινε
69
207649
1790
Οι συνεργάτες μας απεικόνισαν
μικρά κομμάτια εγκεφαλικού ιστού.
03:41
is to imageεικόνα little piecesκομμάτια of brainεγκέφαλος tissueιστός.
70
209463
5001
Το συνολικό δείγμα εδώ
03:46
The entireολόκληρος sampleδείγμα here
is about one cubicΚυβικά millimeterχιλιοστόμετρο in sizeμέγεθος,
71
214488
3326
είναι περίπου
ένα κυβικό χιλιοστό σε μέγεθος,
03:49
and I'm showingεπίδειξη you a very,
very smallμικρό pieceκομμάτι of it here.
72
217838
2621
κι εδώ σας δείχνω ένα πολύ μικρό κομμάτι.
03:52
That barμπαρ on the left is about one micronmicron.
73
220483
2346
Η μπάρα αριστερά
είναι περίπου ένα μικρόμετρο.
03:54
The structuresδομές you see are mitochondriaμιτοχόνδρια
74
222853
2409
Οι δομές που βλέπετε είναι μιτοχόνδρια
03:57
that are the sizeμέγεθος of bacteriaβακτήρια.
75
225286
2044
που είναι στο μέγεθος βακτηρίων.
03:59
And these are consecutiveσυνεχόμενες slicesφέτες
76
227354
1551
Και αυτές είναι συνεχείς τομές
04:00
throughδιά μέσου this very, very
tinyμικροσκοπικός blockΟΙΚΟΔΟΜΙΚΟ ΤΕΤΡΑΓΩΝΟ of tissueιστός.
77
228929
3148
αυτού του πολύ μικρού κομματιού ιστού.
04:04
Just for comparison'sσύγκρισης sakeχάρη,
78
232101
2403
Απλώς για σύγκριση,
04:06
the diameterδιάμετρος of an averageμέση τιμή strandσκέλος
of hairμαλλιά is about 100 micronsMicrons.
79
234528
3792
η διάμετρος μιας μέσης τρίχας
είναι περίπου 100 μικρόμετρα.
04:10
So we're looking at something
much, much smallerμικρότερος
80
238344
2274
Άρα κοιτάζουμε κάτι πολύ πολύ μικρότερο
04:12
than a singleμονόκλινο strandσκέλος of hairμαλλιά.
81
240642
1398
από μια τρίχα μαλλιών.
04:14
And from these kindsείδη of serialσειριακή
electronηλεκτρονίων microscopyμικροσκοπία slicesφέτες,
82
242064
4031
Και από αυτές τις συνεχείς τομές
από ηλεκτρονικό μικροσκόπιο
04:18
one can startαρχή to make reconstructionsανακατασκευές
in 3D of neuronsνευρώνες that look like these.
83
246119
5008
κάποιος μπορεί να φτιάξει τρισδιάστατα
νευρώνες που μοιάζουν έτσι.
04:23
So these are sortείδος of in the sameίδιο
styleστυλ as RamΜνήμη RAMón y CajalCajal.
84
251151
3157
Έτσι είναι κάπως το ίδιο στυλ
με αυτές του Ραμόν ι Καχάλ.
04:26
Only a fewλίγοι neuronsνευρώνες litανάβει up,
85
254332
1492
Μόνο λίγοι νευρώνες άναψαν,
04:27
because otherwiseσε διαφορετική περίπτωση we wouldn'tδεν θα ήταν
be ableικανός to see anything here.
86
255848
2781
γιατί αλλιώς δεν θα μπορούσαμε
να δούμε τίποτα εδώ.
04:30
It would be so crowdedγεματο κοσμο,
87
258653
1312
Θα ήταν τόσο πυκνό,
04:31
so fullγεμάτος of structureδομή,
88
259989
1330
τόσο γεμάτο με δομές,
04:33
of wiringκαλωδίωση all connectingσυνδετικός
one neuronνευρώνας to anotherαλλο.
89
261343
2724
με καλώδια που συνδέουν
τους νευρώνες μεταξύ τους.
04:37
So RamΜνήμη RAMón y CajalCajal was a little bitκομμάτι
aheadεμπρός of his time,
90
265293
2804
Έτσι ο Ραμόν ι Καχάλ ήταν λίγο
μπροστά από την εποχή του
04:40
and progressπρόοδος on understandingκατανόηση the brainεγκέφαλος
91
268121
2555
και η πρόοδος
για την κατανόηση του εγκεφάλου
04:42
proceededπροχώρησε slowlyαργά
over the nextεπόμενος fewλίγοι decadesδεκαετίες.
92
270700
2271
προχώρησε αργά
τις επόμενες λίγες δεκαετίες.
04:45
But we knewήξερε that neuronsνευρώνες used electricityηλεκτρική ενέργεια,
93
273455
2853
Γνωρίζαμε όμως ότι οι νευρώνες
χρησιμοποιούν ηλεκτρισμό
04:48
and by WorldΚόσμο WarΠόλεμος IIII, our technologyτεχνολογία
was advancedπροχωρημένος enoughαρκετά
94
276332
2936
και μέχρι τον Β΄ Παγκόσμιο Πόλεμο
είχαμε κάνει αρκετή πρόοδο
ώστε να κάνουμε ηλεκτρικά πειράματα
σε νευρώνες υπό λειτουργία
04:51
to startαρχή doing realπραγματικός electricalηλεκτρικός
experimentsπειράματα on liveζω neuronsνευρώνες
95
279292
2806
04:54
to better understandκαταλαβαίνουν how they workedεργάστηκε.
96
282122
2106
ώστε να καταλάβουμε καλύτερα
πώς δούλευαν.
04:56
This was the very sameίδιο time
when computersΥπολογιστές were beingνα εισαι inventedεφευρέθηκε,
97
284631
4356
Τότε ακριβώς εφευρέθηκαν οι υπολογιστές
05:01
very much basedμε βάση on the ideaιδέα
of modelingπρίπλασμα the brainεγκέφαλος --
98
289011
3100
και βασίστηκαν κατά πολύ
στη δομή του εγκεφάλου -
05:04
of "intelligentέξυπνος machineryμηχανήματα,"
as AlanAlan TuringΤούρινγκ calledπου ονομάζεται it,
99
292135
3085
του «ευφυούς μηχανισμού»,
όπως τα αποκαλούσε ο Άλαν Τιούρινγκ,
05:07
one of the fathersπατέρες of computerυπολογιστή scienceεπιστήμη.
100
295244
1991
ο πατέρας της επιστήμης των υπολογιστών.
05:09
WarrenWarren McCullochΗ McCulloch and WalterWalter PittsPitts
lookedκοίταξε at RamΜνήμη RAMón y Cajal'sΤου Cajal drawingσχέδιο
101
297923
4632
Οι Γουόρεν ΜακΚάλοκ και Γουόλτερ Πιτς
είδαν τα σκίτσα του Ραμόν ι Καχάλ
από τον φλοιό του εγκεφάλου
05:14
of visualοπτικός cortexφλοιός,
102
302579
1317
05:15
whichοι οποίες I'm showingεπίδειξη here.
103
303920
1562
που σας δείχνω εδώ.
05:17
This is the cortexφλοιός that processesδιαδικασίες
imageryεικόνες that comesέρχεται from the eyeμάτι.
104
305506
4442
Αυτός είναι ο φλοιός που επεξεργάζεται
εικόνες που φτάνουν από το μάτι.
05:22
And for them, this lookedκοίταξε
like a circuitκύκλωμα diagramδιάγραμμα.
105
310424
3508
Και τους φάνηκε σαν διάγραμμα κυκλώματος.
05:26
So there are a lot of detailsΛεπτομέριες
in McCullochΗ McCulloch and Pitts'sΤου Pitts circuitκύκλωμα diagramδιάγραμμα
106
314353
3835
Υπάρχουν πολλές λεπτομέρειες
στο διάγραμμα των ΜακΚάλοκ και Πιτς
που δεν είναι ακριβώς σωστές.
05:30
that are not quiteαρκετά right.
107
318212
1352
05:31
But this basicβασικός ideaιδέα
108
319588
1235
Αλλά αυτή η βασική ιδέα
05:32
that visualοπτικός cortexφλοιός worksεργοστάσιο like a seriesσειρά
of computationalυπολογιστική elementsστοιχεία
109
320847
3992
ότι ο εγκεφαλικός ιστός λειτουργεί
σαν μια σειρά από υπολογιστικά στοιχεία
05:36
that passπέρασμα informationπληροφορίες
one to the nextεπόμενος in a cascadeΚαταρράκτης,
110
324863
2746
που μεταβιβάζουν πληροφορίες
συνεχώς ο ένας στον άλλον
05:39
is essentiallyουσιαστικά correctσωστός.
111
327633
1602
είναι κατά βάσην σωστή.
05:41
Let's talk for a momentστιγμή
112
329259
2350
Ας μιλήσουμε για μια στιγμή
05:43
about what a modelμοντέλο for processingεπεξεργασία
visualοπτικός informationπληροφορίες would need to do.
113
331633
4032
τι θα πρέπει να κάνει ένα μοντέλο
επεξεργασίας οπτικών πληροφοριών.
05:48
The basicβασικός taskέργο of perceptionαντίληψη
114
336228
2741
Το βασικό έργο της αντίληψης
05:50
is to take an imageεικόνα like this one and say,
115
338993
4194
είναι να πάρει μια τέτοια φωτογραφία
και να πει,
05:55
"That's a birdπουλί,"
116
343211
1176
«Αυτό είναι ένα πουλί»,
05:56
whichοι οποίες is a very simpleαπλός thing
for us to do with our brainsμυαλά.
117
344411
2874
που είναι κάτι πολύ απλό
να κάνουμε με τον εγκέφαλό μας.
05:59
But you should all understandκαταλαβαίνουν
that for a computerυπολογιστή,
118
347309
3421
Αλλά πρέπει να καταλάβετε
ότι για έναν υπολογιστή,
06:02
this was prettyαρκετά much impossibleαδύνατο
just a fewλίγοι yearsχρόνια agoπριν.
119
350754
3087
αυτό ήταν μάλλον αδύνατον
πριν από λίγα χρόνια.
06:05
The classicalκλασική computingχρήση υπολογιστή paradigmπαράδειγμα
120
353865
1916
Η κλασική δομή του υπολογιστή
06:07
is not one in whichοι οποίες
this taskέργο is easyεύκολος to do.
121
355805
2507
δεν ευνοεί αυτή τη δουλειά.
06:11
So what's going on betweenμεταξύ the pixelsεικονοστοιχεία,
122
359366
2552
Έτσι λοιπόν,
αυτό που συμβαίνει με τα πίξελ,
06:13
betweenμεταξύ the imageεικόνα of the birdπουλί
and the wordλέξη "birdπουλί,"
123
361942
4028
ανάμεσα στην εικόνα του πουλιού
και τη λέξη «πουλί»,
αφορά ουσιαστικά μια ομάδα νευρώνων
06:17
is essentiallyουσιαστικά a setσειρά of neuronsνευρώνες
connectedσυνδεδεμένος to eachκαθε other
124
365994
2814
που αλληλοσυνδέονται
σε ένα νευρωνικό δίκτυο,
06:20
in a neuralνευρικός networkδίκτυο,
125
368832
1155
όπως στο διάγραμμα.
06:22
as I'm diagrammingδημιουργία διαγραμμάτων here.
126
370011
1223
Μπορεί να είναι βιολογικό νευρωνικό δίκτυο
μέσα στον εγκεφαλικό φλοιό,
06:23
This neuralνευρικός networkδίκτυο could be biologicalβιολογικός,
insideμέσα our visualοπτικός corticesφλοιού,
127
371258
3272
06:26
or, nowadaysστην εποχή μας, we startαρχή
to have the capabilityικανότητα
128
374554
2162
ή, στις μέρες μας,
αρχίζουμε να έχουμε την ικανότητα
06:28
to modelμοντέλο suchτέτοιος neuralνευρικός networksδικτύων
on the computerυπολογιστή.
129
376740
2454
να μοντελοποιήσουμε
τέτοια δίκτυα στον υπολογιστή.
06:31
And I'll showπροβολή you what
that actuallyπράγματι looksφαίνεται like.
130
379834
2353
Θα σας δείξω πώς μοιάζουν αυτά τα δίκτυα.
06:34
So the pixelsεικονοστοιχεία you can think
about as a first layerστρώμα of neuronsνευρώνες,
131
382211
3416
Μπορείτε να σκεφτείτε τα πίξελ
ως το πρώτο επίπεδο νευρώνων,
06:37
and that's, in factγεγονός,
how it worksεργοστάσιο in the eyeμάτι --
132
385651
2239
και βασικά έτσι λειτουργεί το μάτι -
είναι οι νευρώνες στον αμφιβληστροειδή.
06:39
that's the neuronsνευρώνες in the retinaαμφιβληστροειδής χιτώνας.
133
387914
1663
06:41
And those feedταίζω forwardπρος τα εμπρός
134
389601
1500
Και αυτοί μεταδίδουν την πληροφορία
06:43
into one layerστρώμα after anotherαλλο layerστρώμα,
after anotherαλλο layerστρώμα of neuronsνευρώνες,
135
391125
3403
σε αλλεπάλληλα επίπεδα νευρώνων,
06:46
all connectedσυνδεδεμένος by synapsesσυνάψεις
of differentδιαφορετικός weightsβάρη.
136
394552
3033
που όλα συνδέονται
από συνάψεις διαφορετικών βαρών.
06:49
The behaviorη ΣΥΜΠΕΡΙΦΟΡΑ of this networkδίκτυο
137
397609
1335
Η συμπεριφορά αυτού του δικτύου
06:50
is characterizedχαρακτηρίζεται by the strengthsδυνατά σημεία
of all of those synapsesσυνάψεις.
138
398968
3284
χαρακτηρίζεται από τις δυνάμεις
όλων αυτών των συνάψεων.
Αυτές χαρακτηρίζουν τις υπολογιστικές
ιδιότητες αυτού του δικτύου.
06:54
Those characterizeχαρακτηρίζουν the computationalυπολογιστική
propertiesιδιότητες of this networkδίκτυο.
139
402276
3288
06:57
And at the endτέλος of the day,
140
405588
1470
Και στη λήξη της διαδικασίας,
06:59
you have a neuronνευρώνας
or a smallμικρό groupομάδα of neuronsνευρώνες
141
407082
2447
έχετε έναν νευρώνα
ή μια μικρή ομάδα νευρώνων
07:01
that lightφως up, sayingρητό, "birdπουλί."
142
409553
1647
που θα ανάψει και θα πει «πουλί».
07:03
Now I'm going to representεκπροσωπώ
those threeτρία things --
143
411824
3132
Τώρα θα αναπαραστήσω
αυτά τα τρία πράγματα -
07:06
the inputεισαγωγή pixelsεικονοστοιχεία and the synapsesσυνάψεις
in the neuralνευρικός networkδίκτυο,
144
414980
4696
τα πίξελ τροφοδοσίας
και τις συνάψεις στο νευρωνικό δίκτυο,
07:11
and birdπουλί, the outputπαραγωγή --
145
419700
1585
και το πουλί, το εξαγόμενο -
07:13
by threeτρία variablesμεταβλητές: x, w and y.
146
421309
3057
με τρεις μεταβλητές: x, w και y
Μπορεί να υπάρχουν
περίπου ένα εκατομμύριο x -
07:16
There are maybe a millionεκατομμύριο or so x'sχ --
147
424853
1811
07:18
a millionεκατομμύριο pixelsεικονοστοιχεία in that imageεικόνα.
148
426688
1953
ένα εκατομμύριο πίξελ σε αυτή την εικόνα.
07:20
There are billionsδισεκατομμύρια or trillionsτρισεκατομμύρια of w'sτης,
149
428665
2446
Υπάρχουν δισεκατομμύρια
ή τρισεκατομμύρια w,
07:23
whichοι οποίες representεκπροσωπώ the weightsβάρη of all
these synapsesσυνάψεις in the neuralνευρικός networkδίκτυο.
150
431135
3421
που αντιπροσωπεύουν τα βάρη
όλων των συνάψεων του νευρωνικού δικτύου.
Και μπορεί να υπάρχει
ένα μικρός αριθμός από y,
07:26
And there's a very smallμικρό numberαριθμός of y'sένα,
151
434580
1875
07:28
of outputsέξοδοι that that networkδίκτυο has.
152
436479
1858
από εξαγόμενα του δικτύου.
07:30
"BirdΠουλί" is only fourτέσσερα lettersγράμματα, right?
153
438361
1749
Το «πουλί» είναι
μόνο πέντε γράμματα, σωστά;
07:33
So let's pretendπροσποιούμαι that this
is just a simpleαπλός formulaτύπος,
154
441088
3426
Ας υποθέσουμε ότι αυτός είναι
ένας πολύ απλός μαθηματικός τύπος,
07:36
x "x" w = y.
155
444538
2163
x "x" w = y.
07:38
I'm puttingβάζοντας the timesφορές in scareφόβος quotesεισαγωγικά
156
446725
2036
Βάζω τις φορές σε εισαγωγικά
07:40
because what's really
going on there, of courseσειρά μαθημάτων,
157
448785
2280
επειδή αυτό που φυσικά συμβαίνει εκεί μέσα
07:43
is a very complicatedπερίπλοκος seriesσειρά
of mathematicalμαθηματικός operationsλειτουργίες.
158
451089
3046
είναι μια σειρά από πολύπλοκες
μαθηματικές λειτουργίες.
07:47
That's one equationεξίσωση.
159
455172
1221
Αυτή είναι μια εξίσωση.
07:48
There are threeτρία variablesμεταβλητές.
160
456417
1672
Υπάρχουν τρεις μεταβλητές.
07:50
And we all know
that if you have one equationεξίσωση,
161
458113
2726
Και όλοι γνωρίζουμε ότι σε μια εξίσωση
07:52
you can solveλύσει one variableμεταβλητή
by knowingγνωρίζων the other two things.
162
460863
3642
μπορείς να λύσεις ως προς τον έναν άγνωστο
εάν γνωρίζεις τους άλλους δύο.
07:57
So the problemπρόβλημα of inferenceσυμπέρασμα,
163
465158
3380
Έτσι το πρόβλημα της συνεπαγωγής,
δηλαδή του να συμπεράνουμε
ότι πρόκειται για φωτογραφία πουλιού,
08:00
that is, figuringκατανόηση out
that the pictureεικόνα of a birdπουλί is a birdπουλί,
164
468562
2873
08:03
is this one:
165
471459
1274
είναι το εξής:
08:04
it's where y is the unknownάγνωστο
and w and x are knownγνωστός.
166
472757
3459
είναι που ο άγνωστος είναι ο y
και οι w και x είναι γνωστοί.
Γνωρίζετε τα νευρωνικά δίκτυα,
γνωρίζετε και τα πίξελ.
08:08
You know the neuralνευρικός networkδίκτυο,
you know the pixelsεικονοστοιχεία.
167
476240
2459
08:10
As you can see, that's actuallyπράγματι
a relativelyσχετικά straightforwardειλικρινής problemπρόβλημα.
168
478723
3327
Όπως βλέπετε είναι
ένα σχετικά ξεκάθαρο πρόβλημα.
08:14
You multiplyπολλαπλασιάζω two timesφορές threeτρία
and you're doneΈγινε.
169
482074
2186
Πολλαπλασιάζετε το 2 επί 3 και τελειώσατε.
08:16
I'll showπροβολή you an artificialτεχνητός neuralνευρικός networkδίκτυο
170
484862
2123
Θα σας δείξω ένα τεχνητό νευρωνικό δίκτυο
08:19
that we'veέχουμε builtχτισμένο recentlyπρόσφατα,
doing exactlyακριβώς that.
171
487009
2296
που φτιάξαμε πρόσφατα,
να κάνει ακριβώς αυτό.
08:21
This is runningτρέξιμο in realπραγματικός time
on a mobileκινητό phoneτηλέφωνο,
172
489634
2860
Δουλεύει σε πραγματικό χρόνο
σε κινητό τηλέφωνο,
08:24
and that's, of courseσειρά μαθημάτων,
amazingφοβερο in its ownτα δικά right,
173
492518
3313
και αυτό από μόνο του
είναι αξιοθαύμαστο γεγονός,
08:27
that mobileκινητό phonesτηλεφώνων can do so manyΠολλά
billionsδισεκατομμύρια and trillionsτρισεκατομμύρια of operationsλειτουργίες
174
495855
3468
τα κινητά μπορούν να κάνουν δισεκατομμύρια
και τρισεκατομμύρια λειτουργίες
08:31
perανά secondδεύτερος.
175
499347
1248
ανά δευτερόλεπτο.
08:32
What you're looking at is a phoneτηλέφωνο
176
500619
1615
Αυτό που βλέπετε είναι ένα κινητό
08:34
looking at one after anotherαλλο
pictureεικόνα of a birdπουλί,
177
502258
3547
που κοιτάζει αλλεπάλληλες
φωτογραφίες από πουλιά,
08:37
and actuallyπράγματι not only sayingρητό,
"Yes, it's a birdπουλί,"
178
505829
2715
και όχι μόνο λέει, «Ναι, είναι πουλί»
08:40
but identifyingτον εντοπισμό the speciesείδος of birdπουλί
with a networkδίκτυο of this sortείδος.
179
508568
3411
αλλά αναγνωρίζει το είδος του πουλιού
με ένα τέτοιο νευρωνικό δίκτυο.
08:44
So in that pictureεικόνα,
180
512890
1826
Έτσι σε αυτή την φωτογραφία,
08:46
the x and the w are knownγνωστός,
and the y is the unknownάγνωστο.
181
514740
3802
οι x και w είναι γνωστοί
και ο y είναι ο άγνωστος.
08:50
I'm glossingσυγκαλύπτοντας over the very
difficultδύσκολος partμέρος, of courseσειρά μαθημάτων,
182
518566
2508
Φυσικά δεν μπαίνω σε λεπτομέρειες
για το πολύ δύσκολο μέρος,
08:53
whichοι οποίες is how on earthγη
do we figureεικόνα out the w,
183
521098
3861
το πώς στο καλό υπολογίσαμε το w,
08:56
the brainεγκέφαλος that can do suchτέτοιος a thing?
184
524983
2187
τον εγκέφαλο που μπορεί
να κάνει κάτι τέτοιο;
Πώς μπορεί να μάθαμε ένα τέτοιο μοντέλο;
08:59
How would we ever learnμαθαίνω suchτέτοιος a modelμοντέλο?
185
527194
1834
09:01
So this processεπεξεργάζομαι, διαδικασία of learningμάθηση,
of solvingεπίλυση for w,
186
529418
3233
Αυτή λοιπόν η διαδικασία μάθησης,
να λύνουμε ως προς w,
09:04
if we were doing this
with the simpleαπλός equationεξίσωση
187
532675
2647
αν το κάναμε με την απλή εξίσωση
09:07
in whichοι οποίες we think about these as numbersαριθμούς,
188
535346
2000
στην οποία τα βλέπουμε αυτά ως αριθμούς,
09:09
we know exactlyακριβώς how to do that: 6 = 2 x w,
189
537370
2687
ξέρουμε πώς ακριβώς να το κάνουμε:
6 = 2 x w,
09:12
well, we divideδιαιρέστε by two and we're doneΈγινε.
190
540081
3312
βασικά διαιρούμε διά 2 και τελειώσαμε.
09:16
The problemπρόβλημα is with this operatorχειριστή.
191
544001
2220
Το πρόβλημα είναι αυτή η πράξη.
09:18
So, divisionδιαίρεση --
192
546823
1151
Διαίρεση λοιπόν -
09:19
we'veέχουμε used divisionδιαίρεση because
it's the inverseαντίστροφος to multiplicationπολλαπλασιασμός,
193
547998
3121
χρησιμοποιήσαμε τη διαίρεση
ως το αντίθετο του πολλαπλασιασμού,
09:23
but as I've just said,
194
551143
1440
αλλά όπως είπα μόλις,
09:24
the multiplicationπολλαπλασιασμός is a bitκομμάτι of a lieψέμα here.
195
552607
2449
ο πολλαπλασιασμός είναι λίγο ψεύτικος.
09:27
This is a very, very complicatedπερίπλοκος,
very non-linearμη-γραμμική operationλειτουργία;
196
555080
3326
Αυτή είναι μια πολύ περίπλοκη,
μια εντελώς μη γραμμική λειτουργία,
09:30
it has no inverseαντίστροφος.
197
558430
1704
δεν έχει αντίθετο.
09:32
So we have to figureεικόνα out a way
to solveλύσει the equationεξίσωση
198
560158
3150
Έτσι πρέπει να βρούμε τρόπο
να λύσουμε την εξίσωση
09:35
withoutχωρίς a divisionδιαίρεση operatorχειριστή.
199
563332
2024
χωρίς το σύμβολο της διαίρεσης.
09:37
And the way to do that
is fairlyαρκετά straightforwardειλικρινής.
200
565380
2343
Και ο τρόπος να το κάνουμε
είναι αρκετά ξεκάθαρος.
09:39
You just say, let's playπαίζω
a little algebraάλγεβρα trickτέχνασμα,
201
567747
2671
Απλώς λέτε, ας κάνουμε
ένα κόλπο της άλγεβρας
09:42
and moveκίνηση the sixέξι over
to the right-handδεξί χέρι sideπλευρά of the equationεξίσωση.
202
570442
2906
και να μετακινήσουμε το 6
στη δεξιά πλευρά της εξίσωσης.
09:45
Now, we're still usingχρησιμοποιώντας multiplicationπολλαπλασιασμός.
203
573372
1826
Τώρα ακόμα έχουμε τον πολλαπλασιασμό.
09:47
And that zeroμηδέν -- let's think
about it as an errorλάθος.
204
575675
3580
Και αυτό το μηδέν -
ας το σκεφτούμε σαν ένα σφάλμα.
09:51
In other wordsλόγια, if we'veέχουμε solvedλυθεί
for w the right way,
205
579279
2515
Με άλλα λόγια,
αν λύναμε σωστά ως προς w,
09:53
then the errorλάθος will be zeroμηδέν.
206
581818
1656
τότε το σφάλμα θα ήταν μηδέν.
09:55
And if we haven'tδεν έχουν gottenπήρε it quiteαρκετά right,
207
583498
1938
Και αν δεν το κάναμε αρκετά σωστά,
το σφάλμα θα είναι μεγαλύτερο από μηδέν.
09:57
the errorλάθος will be greaterμεγαλύτερη than zeroμηδέν.
208
585460
1749
09:59
So now we can just take guessesμαντεύει
to minimizeσμικροποιώ the errorλάθος,
209
587233
3366
Έτσι μπορούμε απλώς να μαντέψουμε
για να ελαχιστοποιήσουμε το σφάλμα,
10:02
and that's the sortείδος of thing
computersΥπολογιστές are very good at.
210
590623
2687
και αυτό το κάνουν καλά οι υπολογιστές.
Ας κάνουμε μια πρώτη μαντεψιά:
10:05
So you've takenληφθεί an initialαρχικός guessεικασία:
211
593334
1593
Τι θα γινόταν αν w = 0;
10:06
what if w = 0?
212
594951
1156
Τότε το σφάλμα είναι 6.
10:08
Well, then the errorλάθος is 6.
213
596131
1240
Εάν το w = 1; Το σφάλμα είναι 4.
10:09
What if w = 1? The errorλάθος is 4.
214
597395
1446
10:10
And then the computerυπολογιστή can
sortείδος of playπαίζω MarcoMarco PoloPolo,
215
598865
2367
Ο υπολογιστής μπορεί
δίνοντας διάφορες τιμές
10:13
and driveοδηγώ down the errorλάθος closeΚοντά to zeroμηδέν.
216
601256
2367
να περιορίσει το σφάλμα κοντά στο μηδέν.
10:15
As it does that, it's gettingνα πάρει
successiveδιαδοχικός approximationsπροσεγγίσεις to w.
217
603647
3374
Κάνοντάς το αυτό,
λαμβάνει διαδοχικές τιμές κοντά στο w.
10:19
TypicallyΣυνήθως, it never quiteαρκετά getsπαίρνει there,
but after about a dozenντουζίνα stepsβήματα,
218
607045
3656
Πρακτικά ποτέ δεν το φτάνει
αλλά μετά από καμιά δεκαριά δοκιμές
10:22
we're up to w = 2.999,
whichοι οποίες is closeΚοντά enoughαρκετά.
219
610725
4624
φτάνουμε στο w = 2.999
που είναι αρκετά κοντά.
10:28
And this is the learningμάθηση processεπεξεργάζομαι, διαδικασία.
220
616302
1814
Και αυτή είναι η διαδικασία μάθησης.
10:30
So rememberθυμάμαι that what's been going on here
221
618140
2730
Θυμηθείτε λοιπόν
10:32
is that we'veέχουμε been takingλήψη
a lot of knownγνωστός x'sχ and knownγνωστός y'sένα
222
620894
4378
ότι εδώ παίρνουμε πολλούς γνωστούς x
και γνωστούς y
10:37
and solvingεπίλυση for the w in the middleΜέσης
throughδιά μέσου an iterativeεπαναληπτική processεπεξεργάζομαι, διαδικασία.
223
625296
3454
και λύνουμε ως προς w
μέσω μιας επαναληπτικής μεθόδου.
10:40
It's exactlyακριβώς the sameίδιο way
that we do our ownτα δικά learningμάθηση.
224
628774
3556
Με τον ίδιο ακριβώς τρόπο
μαθαίνουμε κι εμείς.
10:44
We have manyΠολλά, manyΠολλά imagesεικόνες as babiesμωρά
225
632354
2230
Ως μωρά έχουμε πάρα πολλές εικόνες
10:46
and we get told, "This is a birdπουλί;
this is not a birdπουλί."
226
634608
2633
και μας λένε, «Αυτό είναι πουλί,
αυτό δεν είναι πουλί».
10:49
And over time, throughδιά μέσου iterationεπανάληψη,
227
637714
2098
Και με τον καιρό και την επανάληψη
10:51
we solveλύσει for w, we solveλύσει
for those neuralνευρικός connectionsσυνδέσεις.
228
639836
2928
λύνουμε ως προς w,
λύνουμε αυτές τις νευρωνικές συνδέσεις.
10:55
So now, we'veέχουμε heldπου πραγματοποιήθηκε
x and w fixedσταθερός to solveλύσει for y;
229
643460
4086
Έτσι τώρα κρατήσαμε τα x και w σταθερά
για να λύσουμε ως προς y,
αυτό είναι καθημερινή, γρήγορη αντίληψη.
10:59
that's everydayκάθε μέρα, fastγρήγορα perceptionαντίληψη.
230
647570
1847
11:01
We figureεικόνα out how we can solveλύσει for w,
231
649441
1763
Βρίσκουμε πώς λύνουμε ως προς w,
είναι μάθηση που είναι πολύ δυσκολότερη,
11:03
that's learningμάθηση, whichοι οποίες is a lot harderπιο δυνατα,
232
651228
1903
ώστε να ελαχιστοποιήσουμε το σφάλμα,
11:05
because we need to do errorλάθος minimizationελαχιστοποίηση,
233
653155
1985
μέσα από πολλά δοκιμαστικά παραδείγματα.
11:07
usingχρησιμοποιώντας a lot of trainingεκπαίδευση examplesπαραδείγματα.
234
655164
1687
11:08
And about a yearέτος agoπριν,
AlexAlex MordvintsevMordvintsev, on our teamομάδα,
235
656875
3187
Πριν περίπου από έναν χρόνο,
ο Άλεξ Μόρντβιντσεφ της ομάδας μας
11:12
decidedαποφασισμένος to experimentπείραμα
with what happensσυμβαίνει if we try solvingεπίλυση for x,
236
660086
3550
αποφάσισε να πειραματιστεί
με το τι θα γίνει αν λύσουμε ως προς x,
11:15
givenδεδομένος a knownγνωστός w and a knownγνωστός y.
237
663660
2037
με δεδομένους γνωστούς τους w και y.
11:18
In other wordsλόγια,
238
666124
1151
Με άλλα λόγια,
γνωρίζετε ότι είναι ένα πουλί
11:19
you know that it's a birdπουλί,
239
667299
1352
και ήδη έχετε ένα νευρωνικό δίκτυο
που του έχετε μάθει τα πουλιά,
11:20
and you alreadyήδη have your neuralνευρικός networkδίκτυο
that you've trainedεκπαιδευμένο on birdsπουλιά,
240
668675
3303
αλλά τι είναι η εικόνα ενός πουλιού;
11:24
but what is the pictureεικόνα of a birdπουλί?
241
672002
2344
11:27
It turnsστροφές out that by usingχρησιμοποιώντας exactlyακριβώς
the sameίδιο error-minimizationσφάλμα-ελαχιστοποίηση procedureδιαδικασία,
242
675034
5024
Αποδεικνύεται τελικά ότι με την ίδια
διαδικασία ελαχιστοποίησης σφάλματος
μπορούμε να το κάνουμε με το δίκτυο
που έχει μάθει να αναγνωρίζει τα πουλιά,
11:32
one can do that with the networkδίκτυο
trainedεκπαιδευμένο to recognizeαναγνωρίζω birdsπουλιά,
243
680082
3430
11:35
and the resultαποτέλεσμα turnsστροφές out to be ...
244
683536
3388
και το αποτέλεσμα φαίνεται να είναι...
11:42
a pictureεικόνα of birdsπουλιά.
245
690400
1305
μια εικόνα από πουλιά.
11:44
So this is a pictureεικόνα of birdsπουλιά
generatedδημιουργούνται entirelyεξ ολοκλήρου by a neuralνευρικός networkδίκτυο
246
692814
3737
Αυτή λοιπόν είναι μια εικόνα με πουλιά
που φτιάχτηκε εξολοκλήρου
από νευρωνικό δίκτυο
που έμαθε να αναγνωρίζει πουλιά,
11:48
that was trainedεκπαιδευμένο to recognizeαναγνωρίζω birdsπουλιά,
247
696575
1826
11:50
just by solvingεπίλυση for x
ratherμάλλον than solvingεπίλυση for y,
248
698425
3538
απλώς λύνοντας ως προς x
αντί ως προς y,
και κάνοντάς το επαναληπτικά.
11:53
and doing that iterativelyεπαναληπτικό.
249
701987
1288
11:55
Here'sΕδώ είναι anotherαλλο funδιασκέδαση exampleπαράδειγμα.
250
703732
1847
Να άλλο ένα διασκεδαστικό παράδειγμα.
11:57
This was a work madeέκανε
by MikeMike TykaTyka in our groupομάδα,
251
705603
3437
Είναι μια δουλειά του Μάικ Τάικα
από την ομάδα μας.
12:01
whichοι οποίες he callsκλήσεις "AnimalΖώο ParadeΠαρέλαση."
252
709064
2308
που το λέει «Παρέλαση ζώων».
12:03
It remindsυπενθυμίζει me a little bitκομμάτι
of WilliamWilliam Kentridge'sΤου Kentridge artworksέργα τέχνης,
253
711396
2876
Μου θυμίζει λίγο την τεχνοτροπία
του Γουίλιαμ Κέντριτζ,
12:06
in whichοι οποίες he makesκάνει sketchesσκίτσα, rubsτρίβει them out,
254
714296
2489
όπου φτιάχνει σκίτσα, τα σβήνει,
12:08
makesκάνει sketchesσκίτσα, rubsτρίβει them out,
255
716809
1460
φτιάχνει σκίτσα, τα σβήνει,
12:10
and createsδημιουργεί a movieταινία this way.
256
718293
1398
και έτσι φτιάχνει μια ταινία.
12:11
In this caseπερίπτωση,
257
719715
1151
Σε αυτή την περίπτωση,
ο Μάικ αντιστοιχεί το y
με διάφορα ζώα από μια ομάδα,
12:12
what MikeMike is doing is varyingποικίλες y
over the spaceχώρος of differentδιαφορετικός animalsτων ζώων,
258
720890
3277
σε ένα δίκτυο που έχει σχεδιαστεί
να αναγνωρίζει και να διακρίνει
12:16
in a networkδίκτυο designedσχεδιασμένο
to recognizeαναγνωρίζω and distinguishδιακρίνω
259
724191
2382
12:18
differentδιαφορετικός animalsτων ζώων from eachκαθε other.
260
726597
1810
διάφορα ζώα μεταξύ τους.
12:20
And you get this strangeπαράξενος, Escher-likeEscher-όπως
morphδυνατότητα μεταμόρφωσης from one animalζώο to anotherαλλο.
261
728431
3751
Και μας βγαίνει μια περίεργη μεταμόρφωση
από ένα ζώο σε άλλο.
12:26
Here he and AlexAlex togetherμαζί
have triedδοκιμασμένος reducingαναγωγικός
262
734221
4614
Εδώ, αυτός και ο Άλεξ μαζί,
προσπάθησαν να μειώσουν τα y
12:30
the y'sένα to a spaceχώρος of only two dimensionsδιαστάσεις,
263
738859
2759
σε χώρο μόνο δύο διαστάσεων,
φτιάχνοντας έτσι έναν χάρτη
από τον χώρο όλων των πραγμάτων
12:33
therebyεκ τούτου makingκατασκευή a mapχάρτης
out of the spaceχώρος of all things
264
741642
3438
που αναγνωρίζονται από αυτό το δίκτυο.
12:37
recognizedαναγνωρισμένος by this networkδίκτυο.
265
745104
1719
12:38
Doing this kindείδος of synthesisσύνθεση
266
746847
2023
Φτιάχνοντας αυτό το είδος σύνθεσης
ή δημιουργία εικόνων
σε ολόκληρη αυτή την επιφάνεια,
12:40
or generationγενιά of imageryεικόνες
over that entireολόκληρος surfaceεπιφάνεια,
267
748894
2382
12:43
varyingποικίλες y over the surfaceεπιφάνεια,
you make a kindείδος of mapχάρτης --
268
751300
2846
αναπτύσσοντας τις τιμές του y,
φτιάχνετε ένα είδος χάρτη -
έναν οπτικό χάρτη όλων των πραγμάτων
που το δίκτυο ξέρει να αναγνωρίζει.
12:46
a visualοπτικός mapχάρτης of all the things
the networkδίκτυο knowsξέρει how to recognizeαναγνωρίζω.
269
754170
3141
12:49
The animalsτων ζώων are all here;
"armadilloΑρμαντίλλο" is right in that spotσημείο.
270
757335
2865
Όλα τα ζώα είναι εδώ -
το αρμαντίλο είναι σε αυτή τη θέση.
12:52
You can do this with other kindsείδη
of networksδικτύων as well.
271
760919
2479
Μπορείτε να το κάνετε
και με άλλα είδη δικτύων.
12:55
This is a networkδίκτυο designedσχεδιασμένο
to recognizeαναγνωρίζω facesπρόσωπα,
272
763422
2874
Αυτό είναι ένα δίκτυο
σχεδιασμένο να αναγνωρίζει πρόσωπα,
12:58
to distinguishδιακρίνω one faceπρόσωπο from anotherαλλο.
273
766320
2000
να διακρίνει πρόσωπα μεταξύ τους.
13:00
And here, we're puttingβάζοντας
in a y that saysλέει, "me,"
274
768344
3249
Και εδώ βάζουμε ένα y που λέει «εγώ»,
τις παραμέτρους του δικού μου προσώπου.
13:03
my ownτα δικά faceπρόσωπο parametersΠαράμετροι.
275
771617
1575
13:05
And when this thing solvesλύνει for x,
276
773216
1706
Και όταν λύσει ως προς x,
13:06
it generatesδημιουργεί this ratherμάλλον crazyτρελός,
277
774946
2618
παράγει αυτή την αλλόκοτη,
13:09
kindείδος of cubistκυβιστικής, surrealσουρεαλιστικό,
psychedelicπαραισθησιογόνος pictureεικόνα of me
278
777588
4428
λίγο κυβιστική, σουρεαλιστική,
ψυχεδελική εικόνα μου
από πολλαπλές απόψεις ταυτόχρονα.
13:14
from multipleπολλαπλούς pointsσημεία of viewθέα at onceμια φορά.
279
782040
1806
Ο λόγος που μοιάζει σαν να είναι
πολλαπλές απόψεις ταυτόχρονα
13:15
The reasonλόγος it looksφαίνεται like
multipleπολλαπλούς pointsσημεία of viewθέα at onceμια φορά
280
783870
2734
13:18
is because that networkδίκτυο is designedσχεδιασμένο
to get ridαπαλλάσσω of the ambiguityασάφεια
281
786628
3687
είναι επειδή το δίκτυο σχεδιάστηκε
να απορρίπτει την αμφισημία
13:22
of a faceπρόσωπο beingνα εισαι in one poseστάση
or anotherαλλο poseστάση,
282
790339
2476
ενός προσώπου σε μια ή σε άλλη πόζα,
13:24
beingνα εισαι lookedκοίταξε at with one kindείδος of lightingφωτισμός,
anotherαλλο kindείδος of lightingφωτισμός.
283
792839
3376
ή όταν το βλέπουμε κάθε φορά
σε διαφορετικό φωτισμό.
13:28
So when you do
this sortείδος of reconstructionανοικοδόμηση,
284
796239
2085
Όταν λοιπόν κάνετε
μια τέτοια ανακατασκευή,
13:30
if you don't use some sortείδος of guideοδηγός imageεικόνα
285
798348
2304
αν δεν χρησιμοποιήσετε ως οδηγό
μια βασική εικόνα ή στατιστικές,
13:32
or guideοδηγός statisticsστατιστική,
286
800676
1211
13:33
then you'llθα το κάνετε get a sortείδος of confusionσύγχυση
of differentδιαφορετικός pointsσημεία of viewθέα,
287
801911
3765
τότε θα υπάρξει μια σύγχυση
από διαφορετικές απόψεις
13:37
because it's ambiguousδιφορούμενη.
288
805700
1368
λόγω αμφισημίας.
13:39
This is what happensσυμβαίνει if AlexAlex usesχρήσεις
his ownτα δικά faceπρόσωπο as a guideοδηγός imageεικόνα
289
807786
4223
Αυτό συμβαίνει αν ο Άλεξ βάλει
το δικό του πρόσωπο ως εικόνα-οδηγό
13:44
duringστη διάρκεια that optimizationβελτιστοποίηση processεπεξεργάζομαι, διαδικασία
to reconstructανακατασκευάσει my ownτα δικά faceπρόσωπο.
290
812033
3321
κατά τη διαδικασία βελτιστοποίησης
στην ανακατασκευή του προσώπου μου.
13:48
So you can see it's not perfectτέλειος.
291
816284
2328
Βλέπετε λοιπόν ότι δεν είναι τέλειο.
Χρειάζεται αρκετή δουλειά ακόμη
13:50
There's still quiteαρκετά a lot of work to do
292
818636
1874
στη βελτιστοποίηση
της διαδικασίας βελτιστοποίησης.
13:52
on how we optimizeβελτιστοποίηση της
that optimizationβελτιστοποίηση processεπεξεργάζομαι, διαδικασία.
293
820534
2453
Αλλά αρχίζουμε να παίρνουμε κάτι
πολύ πιο συναφές ως πρόσωπο,
13:55
But you startαρχή to get something
more like a coherentσυνεκτική faceπρόσωπο,
294
823011
2827
13:57
renderedτετηγμένα usingχρησιμοποιώντας my ownτα δικά faceπρόσωπο as a guideοδηγός.
295
825862
2014
που φτιάχνεται με οδηγό
το δικό μου πρόσωπο.
14:00
You don't have to startαρχή
with a blankκενό canvasκαμβάς
296
828892
2501
Δεν χρειάζεται να ξεκινήσετε από το μηδέν
14:03
or with whiteάσπρο noiseθόρυβος.
297
831417
1156
ή από μια αοριστία.
14:04
When you're solvingεπίλυση for x,
298
832597
1304
Όταν λύνετε ως προς x,
14:05
you can beginαρχίζουν with an x,
that is itselfεαυτό alreadyήδη some other imageεικόνα.
299
833925
3889
μπορείτε να ξεκινήσετε με ένα x,
που είναι ήδη μια άλλη εικόνα το ίδιο.
14:09
That's what this little demonstrationεπίδειξη is.
300
837838
2556
Όπως σε αυτή η επίδειξη.
14:12
This is a networkδίκτυο
that is designedσχεδιασμένο to categorizeκατηγοριοποίηση
301
840418
4122
Αυτό είναι ένα δίκτυο
σχεδιασμένο να ταξινομεί
κάθε είδους διαφορετικά αντικείμενα -
ανθρώπινες κατασκευές, ζώα...
14:16
all sortsείδος of differentδιαφορετικός objectsαντικείμενα --
man-madeτεχνητές structuresδομές, animalsτων ζώων ...
302
844564
3119
14:19
Here we're startingεκκίνηση
with just a pictureεικόνα of cloudsσύννεφα,
303
847707
2593
Εδώ αρχίζουμε μόνο
με μια εικόνα από σύννεφα,
14:22
and as we optimizeβελτιστοποίηση της,
304
850324
1671
και καθώς βελτιστοποιούμε,
14:24
basicallyβασικα, this networkδίκτυο is figuringκατανόηση out
what it seesβλέπει in the cloudsσύννεφα.
305
852019
4486
βασικά, αυτό το δίκτυο βρίσκει
τι βλέπει μέσα στα σύννεφα.
14:28
And the more time
you spendδαπανήσει looking at this,
306
856931
2320
Και όσο περισσότερο το κοιτάζετε,
τόσο περισσότερα πράγματα
βρίσκετε κι εσείς μέσα στα σύννεφα.
14:31
the more things you alsoεπίσης
will see in the cloudsσύννεφα.
307
859275
2753
14:35
You could alsoεπίσης use the faceπρόσωπο networkδίκτυο
to hallucinateπαραισθήσεις into this,
308
863004
3375
Μπορείτε επίσης να βάλετε το δίκτυο
με τα πρόσωπα να οραματιστεί εδώ,
14:38
and you get some prettyαρκετά crazyτρελός stuffυλικό.
309
866403
1812
και θα έχετε πολύ τρελά αποτελέσματα.
14:40
(LaughterΤο γέλιο)
310
868239
1150
(Γέλια)
14:42
Or, MikeMike has doneΈγινε some other experimentsπειράματα
311
870401
2744
Ή ακόμη, ο Μάικ έκανε και άλλα πειράματα
14:45
in whichοι οποίες he takes that cloudσύννεφο imageεικόνα,
312
873169
3905
όπου παίρνει την εικόνα με τα σύννεφα,
14:49
hallucinatesμεγάλο, zoomsμεγεθύνει, hallucinatesμεγάλο,
zoomsμεγεθύνει hallucinatesμεγάλο, zoomsμεγεθύνει.
313
877098
3507
οραματίζεται μορφές, ζουμάρει,
οραματίζεται, ζουμάρει.
14:52
And in this way,
314
880629
1151
Και με αυτό τον τρόπο
14:53
you can get a sortείδος of fugueΦούγκα stateκατάσταση
of the networkδίκτυο, I supposeυποθέτω,
315
881804
3675
βάζετε το δίκτυο σε μια κατάσταση,
θα έλεγα σαν ένα είδος αντίστιξης,
14:57
or a sortείδος of freeΕλεύθερος associationσχέση,
316
885503
3680
ένα είδος ελεύθερου συσχετισμού,
15:01
in whichοι οποίες the networkδίκτυο
is eatingτρώει its ownτα δικά tailουρά.
317
889207
2227
όπου το δίκτυο
τρώει την ίδια του την ουρά.
15:03
So everyκάθε imageεικόνα is now the basisβάση for,
318
891458
3421
Έτσι πλέον κάθε εικόνα
μας κάνει να σκεφτόμαστε,
15:06
"What do I think I see nextεπόμενος?
319
894903
1421
«Τι νομίζω ότι βλέπω μετά;
15:08
What do I think I see nextεπόμενος?
What do I think I see nextεπόμενος?"
320
896348
2803
Τι νομίζω ότι βλέπω μετά;
Τι νομίζω ότι βλέπω μετά;»
15:11
I showedέδειξε this for the first time in publicδημόσιο
321
899487
2936
Το παρουσίασα πρώτη φορά
δημόσια σε μια ομάδα
15:14
to a groupομάδα at a lectureδιάλεξη in SeattleΣιάτλ
calledπου ονομάζεται "HigherΥψηλότερη EducationΕκπαίδευση" --
322
902447
5437
σε ομιλία στο Σιάτλ
που λεγόταν «Ανώτερη Εκπαίδευση» -
15:19
this was right after
marijuanaμαριχουάνα was legalizedνομιμοποιηθεί.
323
907908
2437
αμέσως αφού νομιμοποιήθηκε η μαριχουάνα.
15:22
(LaughterΤο γέλιο)
324
910369
2415
(Γέλια)
15:26
So I'd like to finishφινίρισμα up quicklyγρήγορα
325
914627
2104
Θα ήθελα να κλείσω γρήγορα
15:28
by just notingσημειώνοντας that this technologyτεχνολογία
is not constrainedπεριορισμένες.
326
916755
4255
με την απλή παρατήρηση
ότι αυτή η τεχνολογία δεν περιορίζεται.
15:33
I've shownαπεικονίζεται you purelyκαθαρώς visualοπτικός examplesπαραδείγματα
because they're really funδιασκέδαση to look at.
327
921034
3665
Σας έδειξα μόνο οπτικά παραδείγματα
επειδή είναι πιο ευχάριστα.
15:36
It's not a purelyκαθαρώς visualοπτικός technologyτεχνολογία.
328
924723
2451
Δεν είναι αποκλειστικά οπτική τεχνολογία.
Ο καλλιτεχνικός συνεργάτης μας,
Ρος Γκούντγουιν,
15:39
Our artistκαλλιτέχνης collaboratorσυνεργάτης, RossΡος GoodwinGoodwin,
329
927198
1993
15:41
has doneΈγινε experimentsπειράματα involvingμε τη συμμετοχή
a cameraΦΩΤΟΓΡΑΦΙΚΗ ΜΗΧΑΝΗ that takes a pictureεικόνα,
330
929215
3671
έχει κάνει πειράματα
με μια κάμερα που παίρνει φωτογραφίες,
15:44
and then a computerυπολογιστή in his backpackσακίδιο πλάτης
writesγράφει a poemποίημα usingχρησιμοποιώντας neuralνευρικός networksδικτύων,
331
932910
4234
και μετά ένας υπολογιστής στο σακίδιό του
γράφει ποιήματα μέσα από νευρωνικά δίκτυα,
15:49
basedμε βάση on the contentsπεριεχόμενα of the imageεικόνα.
332
937168
1944
με βάση τα περιεχόμενα της εικόνας.
15:51
And that poetryποίηση neuralνευρικός networkδίκτυο
has been trainedεκπαιδευμένο
333
939136
2947
Αυτό το ποιητικό νευρωνικό δίκτυο
έχει εκπαιδευτεί
15:54
on a largeμεγάλο corpusσώμα of 20th-centuryth-αιώνα poetryποίηση.
334
942107
2234
με ένα μεγάλο όγκο ποίησης του 20ου αιώνα.
15:56
And the poetryποίηση is, you know,
335
944365
1499
Και η ποίηση είναι, ξέρετε,
15:57
I think, kindείδος of not badκακό, actuallyπράγματι.
336
945888
1914
νομίζω, όχι και τόσο άσχημη, τελικά.
15:59
(LaughterΤο γέλιο)
337
947826
1384
(Γέλια)
16:01
In closingκλείσιμο,
338
949234
1159
Κλείνοντας,
16:02
I think that perανά MichelangeloΜιχαήλ Άγγελος,
339
950417
2132
σχετικά με τον Μιχαήλ Άγγελο,
16:04
I think he was right;
340
952573
1234
νομίζω ότι είχε δίκιο.
16:05
perceptionαντίληψη and creativityδημιουργικότητα
are very intimatelyστενά connectedσυνδεδεμένος.
341
953831
3436
Η αντίληψη και η δημιουργικότητα
είναι πολύ στενά συνδεδεμένες.
16:09
What we'veέχουμε just seenείδα are neuralνευρικός networksδικτύων
342
957611
2634
Μόλις είδαμε νευρωνικά δίκτυα
16:12
that are entirelyεξ ολοκλήρου trainedεκπαιδευμένο to discriminateδιακρίσεις,
343
960269
2303
που έχουν εκπαιδευτεί εξολοκλήρου
να διακρίνουν,
16:14
or to recognizeαναγνωρίζω differentδιαφορετικός
things in the worldκόσμος,
344
962596
2242
ή να αναγνωρίζουν
διαφορετικά πράγματα στον κόσμο,
16:16
ableικανός to be runτρέξιμο in reverseΑΝΤΙΣΤΡΟΦΗ, to generateπαράγω.
345
964862
3161
και μπορούν να λειτουργούν αντίστροφα,
να δημιουργούν.
16:20
One of the things that suggestsπροτείνει to me
346
968047
1783
Ένα από τα πράγματα
που συμπεραίνω από αυτό
16:21
is not only that
MichelangeloΜιχαήλ Άγγελος really did see
347
969854
2398
είναι ότι δεν είδε μόνο ο Μιχαήλ Άγγελος
16:24
the sculptureγλυπτική in the blocksμπλοκ of stoneπέτρα,
348
972276
2452
το γλυπτό μέσα στον όγκο της πέτρας,
16:26
but that any creatureπλάσμα,
any beingνα εισαι, any alienεξωγήινο
349
974752
3638
αλλά ότι κάθε πλάσμα, κάθε ον,
κάθε εξωγήινος,
16:30
that is ableικανός to do
perceptualαντιληπτική actsπράξεις of that sortείδος
350
978414
3657
που μπορεί να επιτελέσει
τέτοιου είδους πράξεις αντίληψης,
μπορεί επίσης να δημιουργήσει
16:34
is alsoεπίσης ableικανός to createδημιουργώ
351
982095
1375
16:35
because it's exactlyακριβώς the sameίδιο
machineryμηχανήματα that's used in bothκαι τα δυο casesπεριπτώσεις.
352
983494
3224
επειδή ακριβώς ο ίδιος μηχανισμός
χρησιμοποιείται και στις δύο περιπτώσεις.
16:38
AlsoΕπίσης, I think that perceptionαντίληψη
and creativityδημιουργικότητα are by no meansπου σημαίνει
353
986742
4532
Επίσης πιστεύω ότι η αντίληψη
και η δημιουργικότητα
επ' ουδενί είναι
αποκλειστικά κάτι ανθρώπινο.
16:43
uniquelyμοναδικώς humanο άνθρωπος.
354
991298
1210
16:44
We startαρχή to have computerυπολογιστή modelsμοντέλα
that can do exactlyακριβώς these sortsείδος of things.
355
992532
3708
Έχουμε υπολογιστικά μοντέλα
που μπορούν να κάνουν ακριβώς το ίδιο.
16:48
And that oughtπρέπει to be unsurprisingέκπληξη;
the brainεγκέφαλος is computationalυπολογιστική.
356
996264
3328
Και αυτό δεν πρέπει να μας εκπλήσσει,
το μυαλό κάνει υπολογισμούς.
16:51
And finallyτελικά,
357
999616
1657
Και τέλος,
16:53
computingχρήση υπολογιστή beganάρχισε as an exerciseάσκηση
in designingσχέδιο intelligentέξυπνος machineryμηχανήματα.
358
1001297
4668
οι υπολογιστές ξεκίνησαν ως άσκηση
στο σχεδιασμό ευφυών μηχανημάτων.
16:57
It was very much modeledμοντέλο after the ideaιδέα
359
1005989
2462
Σχεδιάστηκε βασικά με την ιδέα
17:00
of how could we make machinesμηχανές intelligentέξυπνος.
360
1008475
3013
του πώς μπορούμε
να κάνουμε τις μηχανές ευφυείς.
17:03
And we finallyτελικά are startingεκκίνηση to fulfillεκπληρώ now
361
1011512
2162
Και τελικά αρχίζουμε να εκπληρώνουμε
17:05
some of the promisesυποσχέσεις
of those earlyνωρίς pioneersπρωτοπόροι,
362
1013698
2406
μερικές από τις υποσχέσεις
εκείνων των πρωτοπόρων,
17:08
of TuringΤούρινγκ and vonvon NeumannNeumann
363
1016128
1713
του Τούρινγκ και του Φον Νόιμαν,
17:09
and McCullochΗ McCulloch and PittsPitts.
364
1017865
2265
του ΜακΚάλοκ και του Πιτς.
17:12
And I think that computingχρήση υπολογιστή
is not just about accountingλογιστική
365
1020154
4098
Και νομίζω ότι οι υπολογιστές
δεν αφορούν μόνο τα λογιστικά,
17:16
or playingπαιχνίδι CandyΚαραμέλα CrushΦλερτ or something.
366
1024276
2147
ή να παίζουμε Καντι Κρας ή κάτι τέτοιο.
17:18
From the beginningαρχή,
we modeledμοντέλο them after our mindsμυαλά.
367
1026447
2578
Εξαρχής τα σχεδιάσαμε
κατ' εικόναν του μυαλού μας.
17:21
And they give us bothκαι τα δυο the abilityικανότητα
to understandκαταλαβαίνουν our ownτα δικά mindsμυαλά better
368
1029049
3269
Και μας δίνουν την ικανότητα
να καταλάβουμε το μυαλό μας καλύτερα
17:24
and to extendεπεκτείνω them.
369
1032342
1529
και να τα επεκτείνουμε.
17:26
Thank you very much.
370
1034627
1167
Σας ευχαριστώ πολύ.
17:27
(ApplauseΧειροκροτήματα)
371
1035818
5939
(Χειροκρότημα)
Translated by Lucas Kaimaras
Reviewed by Chryssa Rapessi

▲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