ABOUT THE SPEAKER
Fei-Fei Li - Computer scientist
As Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing.

Why you should listen

Using algorithms built on machine learning methods such as neural network models, the Stanford Artificial Intelligence Lab led by Fei-Fei Li has created software capable of recognizing scenes in still photographs -- and accurately describe them using natural language.

Li’s work with neural networks and computer vision (with Stanford’s Vision Lab) marks a significant step forward for AI research, and could lead to applications ranging from more intuitive image searches to robots able to make autonomous decisions in unfamiliar situations.

Fei-Fei was honored as one of Foreign Policy's 2015 Global Thinkers

More profile about the speaker
Fei-Fei Li | Speaker | TED.com
TED2015

Fei-Fei Li: How we're teaching computers to understand pictures

فی-فی لی: چطور به کامپیوترها فهمیدن عکسها را میاموزیم

Filmed:
2,702,344 views

وقتی یک دختر بچه خیلی کوچولو به عکسی نگاه می‎کند، عناصر کوچکی را تشخیص می‎‎دهد: "گربه"، " کتاب" و "صندلی". اکنون کامپیوترها نیز برای انجا این کار هوشمند می‎‎شوند. گام بعدی چیست؟ در سخنرانی هیجان‌‎انگیز، متخصص بینایی کامپیوتر فی-فی لی موقعیت این هنر را شرح می‎دهد-- از جمله پایگاه داده‎‎‎‎ها با 15 میلیون عکس که تیمش ساخته تا به کامپیوتر فهمیدن عکسها را بیاموزد-- و هنوز افقهای اصلی در راه هستند.
- Computer scientist
As Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing. Full bio

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

00:14
Let me showنشان بده you something.
0
2366
3738
اجازه دهید چیزی را به شما نشان دهم.
00:18
(Videoویدئو) Girlدختر: Okay, that's a catگربه
sittingنشسته in a bedبستر.
1
6104
4156
(ویدیو)دختر: بسیار خوب،
آن گربه روی یک تخت خواب نشسته است.
00:22
The boyپسر is pettingخوشبختی the elephantفیل.
2
10260
4040
این پسر در حال نوازش فیل است.
00:26
Those are people
that are going on an airplaneهواپیما.
3
14300
4354
آنها مردمی هستند
در حال سوار شدن به هواپیما.
00:30
That's a bigبزرگ airplaneهواپیما.
4
18654
2810
این یک هواپیمای بزرگ است.
00:33
Fei-Feiفی فی Liلی: This is
a three-year-oldسه ساله childکودک
5
21464
2206
فی-فی-لی: این یک کودک سه ساله است
00:35
describingتوصیف what she seesمی بیند
in a seriesسلسله of photosعکس ها.
6
23670
3679
که آنچه که در مجموعه ای
از عکسها می‎بیند را توصیف می‎کند.
00:39
She mightممکن still have a lot
to learnیاد گرفتن about this worldجهان,
7
27349
2845
ممکن است او هنوز چیزهای زیادی
برای یادگیری درباره این جهان داشته باشد.
00:42
but she's alreadyقبلا an expertکارشناس
at one very importantمهم taskوظیفه:
8
30194
4549
اما او در یک کار خیلی
مهم دیگه تخصص دارد:
00:46
to make senseاحساس of what she seesمی بیند.
9
34743
2846
درک کردن آنچه که می‎بیند.
00:50
Our societyجامعه is more
technologicallyاز لحاظ تکنولوژیکی advancedپیشرفته than ever.
10
38229
4226
جامعه ما از لحاظ فناوری
از هر زمان دیگر پیشرفته‎تر است.
00:54
We sendارسال people to the moonماه,
we make phonesتلفن ها that talk to us
11
42455
3629
ما آدمها را به ماه می‎فرستیم،
تلفنهایی ساختیم که با ما صحبت می‎کنند
00:58
or customizeشخصی سازی radioرادیو stationsایستگاه ها
that can playبازی only musicموسیقی we like.
12
46084
4946
یا ایستگاههای رادیویی سفارشی طراحی کردیم
که می توانند فقط موسیقی را که دوست داریم پخش کنند.
01:03
Yetهنوز, our mostاکثر advancedپیشرفته
machinesماشین آلات and computersکامپیوترها
13
51030
4055
با این حال
پیشرفته ترین ماشینها و رایانه‎های ما
01:07
still struggleتقلا at this taskوظیفه.
14
55085
2903
هنوز هم در این کار (درک تصاویر)
مشکل دارند.
01:09
So I'm here todayامروز
to give you a progressپیش رفتن reportگزارش
15
57988
3459
بنابراین امروز من اینجا هستم
که یک گزارش پیشرفت به شما بدهم
01:13
on the latestآخرین advancesپیشرفت
in our researchپژوهش in computerکامپیوتر visionچشم انداز,
16
61447
4047
در مورد آخرین پیشرفت
در تحقیق ما بر روی بینایی رایانه‎ای،
01:17
one of the mostاکثر frontierمرز
and potentiallyبالقوه revolutionaryانقلابی
17
65494
4161
یکی از پیشرفته‎ترین و
بصورت بالقوه انقلابی‎ترین
01:21
technologiesفن آوری ها in computerکامپیوتر scienceعلوم پایه.
18
69655
3206
فن آوریها در علوم رایانه‎ای.
01:24
Yes, we have prototypedنمونه اولیه carsماشین ها
that can driveراندن by themselvesخودشان,
19
72861
4551
بله، ما نمونه اولیه ماشینهایی را داریم
که خودشان می‎توانند رانندگی کنند،
01:29
but withoutبدون smartهوشمندانه visionچشم انداز,
they cannotنمی توان really tell the differenceتفاوت
20
77412
3853
اما بدون دید هوشمند (smart vision)
نمی توانند فرق بگذارند
01:33
betweenبین a crumpledخرد شده paperکاغذ bagکیسه
on the roadجاده, whichکه can be runاجرا کن over,
21
81265
3970
بین پاکت کاغذی مچاله در جاده
که میشه از روش با ماشین رد شد.
01:37
and a rockسنگ that sizeاندازه,
whichکه should be avoidedاجتناب کنید.
22
85235
3340
و یک سنگ همان اندازه که
نباید از روش رد شد
01:41
We have madeساخته شده fabulousشگفت آور megapixelمگاپیکسل camerasدوربین ها,
23
89415
3390
ما دوربینهای (با وضوح) مگاپیکسل
عالی ساخته ایم،
01:44
but we have not deliveredتحویل داده شده
sightمنظره to the blindنابینا.
24
92805
3135
اما به نابیناها بینایی نداده‎ایم.
01:48
Dronesهواپیماهای بدون سرنشین can flyپرواز over massiveعظیم landزمین,
25
96420
3305
هواپیماهای بدون سرنشین
که برفراز زمینهای وسیع پرواز کنند،
01:51
but don't have enoughکافی visionچشم انداز technologyتکنولوژی
26
99725
2134
ولی فناوری بینایی کافی برای کمک به ما
01:53
to help us to trackمسیر
the changesتغییرات of the rainforestsجنگل های بارانی.
27
101859
3461
در رهگیری تغییرات جنگلهای بارانی
نداریم.
01:57
Securityامنیت camerasدوربین ها are everywhereدر همه جا,
28
105320
2950
دوربین های امنیتی همه جا هست،
02:00
but they do not alertهشدار us when a childکودک
is drowningغرق شدن in a swimmingشنا كردن poolاستخر.
29
108270
5067
ولی وقتی یک کودک در استخر
در حال غرق شدن است به ما هشدار نمیدهند.
02:06
Photosعکس ها and videosفیلم های are becomingتبدیل شدن به
an integralانتگرال partبخشی of globalجهانی است life.
30
114167
5595
تصاویر و ویدیوها در حال تبدیل شدن به
جز مهمی از زندگی جهانی هستند.
02:11
They're beingبودن generatedتولید شده است at a paceسرعت
that's farدور beyondفراتر what any humanانسان,
31
119762
4087
تصاویر با سرعتی فراتر از آنچه هر انسان
یا گروهی از انسانها،
02:15
or teamsتیم ها of humansانسان, could hopeامید to viewچشم انداز,
32
123849
2783
بتواند امیدوار به دیدن آنها باشد
تولید می‎شوند،
02:18
and you and I are contributingمشارکت
to that at this TEDTED.
33
126632
3921
و من و شما در این TED
یعنی تولید تصاویر مشارکت می‎کنیم.
02:22
Yetهنوز our mostاکثر advancedپیشرفته softwareنرم افزار
is still strugglingمبارزه می کنند at understandingدرك كردن
34
130553
5232
با این وجود پیشرفته‎ترین
نرم افزارها همچنان
02:27
and managingمدیریت this enormousعظیم contentمحتوا.
35
135785
3876
در فهم و مدیریت این حجم عظیم مشکل دارند.
02:31
So in other wordsکلمات,
collectivelyمجموعا as a societyجامعه,
36
139661
5272
به عبارت دیگر در مجموع
به عنوان جامعه
02:36
we're very much blindنابینا,
37
144933
1746
ما کاملا کور هستیم،
02:38
because our smartestهوشمندانه
machinesماشین آلات are still blindنابینا.
38
146679
3387
چون باهوشترین
ماشینهای ما هنوز نابینا هستند.
02:43
"Why is this so hardسخت?" you mayممکن است askپرسیدن.
39
151526
2926
شاید بپرسید "چرا انقدر سخته؟"
02:46
Camerasدوربین های دیجیتال can take picturesتصاویر like this one
40
154452
2693
دوربین‎ها می‎توانند تصاویری
مثل این را بگیرند:
02:49
by convertingتبدیل lightsچراغ ها into
a two-dimensionalدو بعدی arrayآرایه of numbersشماره
41
157145
3994
با تبدیل نور به
آرایه دو بعدی اعداد
02:53
knownشناخته شده as pixelsپیکسل,
42
161139
1650
به نام "پیکسل"
02:54
but these are just lifelessبی حوصله numbersشماره.
43
162789
2251
ولی اینها فقط اعداد بی روح هستند،
02:57
They do not carryحمل meaningبه معنی in themselvesخودشان.
44
165040
3111
هیچ معنی به خودی خود ندارند.
03:00
Just like to hearشنیدن is not
the sameیکسان as to listen,
45
168151
4343
مثل اینکه:
شنیدن با گوش کردن یکی نیستند،
03:04
to take picturesتصاویر is not
the sameیکسان as to see,
46
172494
4040
عکس گرفتن با دیدن یکی نیستند،
03:08
and by seeingدیدن,
we really mean understandingدرك كردن.
47
176534
3829
یا اینکه منظور از دیدن واقعا فهمیدن نیست.
03:13
In factواقعیت, it tookگرفت Motherمادر Natureطبیعت
540 millionمیلیون yearsسالها of hardسخت work
48
181293
6177
در حقیقت ۵۴۰ میلیون سال وقت مادر طبیعت
03:19
to do this taskوظیفه,
49
187470
1973
صرف انجام این کار سخت شده
03:21
and much of that effortتلاش
50
189443
1881
و بیشتر این تلاش به تکامل
03:23
wentرفتی into developingدر حال توسعه the visualبصری
processingدر حال پردازش apparatusدستگاه of our brainsمغز,
51
191324
5271
ابزار پردازش دید مغزمان اختصاص داده شده
03:28
not the eyesچشم ها themselvesخودشان.
52
196595
2647
و نه به خود چشمها.
03:31
So visionچشم انداز beginsشروع می شود with the eyesچشم ها,
53
199242
2747
پس، دیدن با چشم آغاز میشود،
03:33
but it trulyبراستی takes placeمحل in the brainمغز.
54
201989
3518
ولی در حقیقت در مغز شکل می‌گیرد.
03:38
So for 15 yearsسالها now, startingراه افتادن
from my PhPh.D. at Caltechکالتچ
55
206287
5060
برای ۱۵ سال با شروع از دکترا در کل‌تک
03:43
and then leadingمنتهی شدن Stanford'sاستنفورد Visionچشم انداز Labآزمایشگاه,
56
211347
2926
و سپس رهبری آزمایشگاه بینایی در استانفورد،
03:46
I've been workingکار کردن with my mentorsمربیان,
collaboratorsمشارکت کنندگان and studentsدانش آموزان
57
214273
4396
من با مربی هایم، همکارانم و شاگردانم
تلاش کرده ام
03:50
to teachتدریس کنید computersکامپیوترها to see.
58
218669
2889
که به رایانه ها یاد بدهیم که ببینند.
03:54
Our researchپژوهش fieldرشته is calledبه نام
computerکامپیوتر visionچشم انداز and machineدستگاه learningیادگیری.
59
222658
3294
اسم زمینه تحقیقاتی ما
بینایی رایانه ای و آموزش ماشین هست.
03:57
It's partبخشی of the generalعمومی fieldرشته
of artificialمصنوعی intelligenceهوش.
60
225952
3878
این بخشی از زمینه عمومی تر هوش مصنوعی هست
04:03
So ultimatelyدر نهایت, we want to teachتدریس کنید
the machinesماشین آلات to see just like we do:
61
231000
5493
در نهایت میخواهیم به ماشین ها
یاد بدهیم که ببینند همانند ما:
04:08
namingنامگذاری objectsاشیاء, identifyingشناسایی people,
inferringاستنتاج 3D geometryهندسه of things,
62
236493
5387
اسم گذاشتن بر روی اشیا، تشخیص افراد
، استنباط سه بعدی از اشیا
04:13
understandingدرك كردن relationsروابط, emotionsاحساسات,
actionsاقدامات and intentionsاهداف.
63
241880
5688
فهم ارتباط، احساسات، اعمال و نیت ها.
04:19
You and I weaveبافت togetherبا یکدیگر entireکل storiesداستان ها
of people, placesمکان ها and things
64
247568
6153
من و شما وقتی نگاهمون به آدمها، مکانها
و اشیا میافتد
04:25
the momentلحظه we layغیر روحانی our gazeخیره شدن on them.
65
253721
2164
دربارشون قصه میسازیم.
04:28
The first stepگام towardsبه سمت this goalهدف
is to teachتدریس کنید a computerکامپیوتر to see objectsاشیاء,
66
256955
5583
اولین قدم در راه این هدف این هست
که به رایانه‎ها یاد بدهیم تا اشیا را ببینند؛
04:34
the buildingساختمان blockمسدود کردن of the visualبصری worldجهان.
67
262538
3368
سنگ بنای دنیای بصری.
04:37
In its simplestساده ترین termsاصطلاحات,
imagineتصور کن this teachingدرس دادن processروند
68
265906
4434
به ساده ترین حالت این فرایند آموزش
را مانند نشان دادن تعدادی
04:42
as showingنشان دادن the computersکامپیوترها
some trainingآموزش imagesتصاویر
69
270340
2995
عکس آموزشی از یک شی خاص
04:45
of a particularخاص objectشی, let's say catsگربه ها,
70
273335
3321
مثلا گربه ها به رایانه تصور کنید.
04:48
and designingطراحی a modelمدل that learnsیاد میگیرد
from these trainingآموزش imagesتصاویر.
71
276656
4737
و طراحی یک مدل (برای رایانه)
که ازدیدن این عکسها یاد می‎گیرد.
04:53
How hardسخت can this be?
72
281393
2044
اینکار چقدر میتونه سخت باشه؟
04:55
After all, a catگربه is just
a collectionمجموعه of shapesشکل ها and colorsرنگ ها,
73
283437
4052
بالاخره یک گربه مجموعه ایست
از شکل ها و رنگها،
04:59
and this is what we did
in the earlyزود daysروزها of objectشی modelingمدل سازی.
74
287489
4086
و این کاری هست که در روزهای ابتدایی
طراحی اشیا انجام می‎دادیم.
05:03
We'dما می خواهیم tell the computerکامپیوتر algorithmالگوریتم
in a mathematicalریاضی languageزبان
75
291575
3622
ما به الگوریتم رایانه به زبان ریاضی می‎گوییم
05:07
that a catگربه has a roundدور faceصورت,
a chubbyچاق و چله bodyبدن,
76
295197
3343
که یک گربه صورت گرد دارد،
بدن تپل دارد،
05:10
two pointyنقطه نظر earsگوش ها, and a long tailدم,
77
298540
2299
دو تا گوش تیز دارد و یک دم دراز
05:12
and that lookedنگاه کرد all fine.
78
300839
1410
و این کافی بود.
05:14
But what about this catگربه?
79
302859
2113
ولی این یکی گربه چطور؟
05:16
(Laughterخنده)
80
304972
1091
(خنده حضار)
05:18
It's all curledپیچ خورده up.
81
306063
1626
این یکی کاملا خم شده
05:19
Now you have to addاضافه کردن anotherیکی دیگر shapeشکل
and viewpointنظر to the objectشی modelمدل.
82
307689
4719
حالا شما باید یک شکل و
زاویه دید دیگه به مدل شی اضافه کنید
05:24
But what if catsگربه ها are hiddenپنهان?
83
312408
1715
ولی اگه گربه‎ها قایم شده باشند چی؟
05:27
What about these sillyاحمقانه catsگربه ها?
84
315143
2219
این گربه های بامزه چطور؟
05:31
Now you get my pointنقطه.
85
319112
2417
جالا متوجه منظور من می‎شوید.
05:33
Even something as simpleساده
as a householdلوازم منزل petحیوان خانگی
86
321529
3367
حتی یک چیز ساده مثل حیوان خانگی
05:36
can presentحاضر an infiniteبي نهايت numberعدد
of variationsتغییرات to the objectشی modelمدل,
87
324896
4504
میتونه مدلهای بینهایت
گونه گون از مدل شی را ارائه کند،
05:41
and that's just one objectشی.
88
329400
2233
و این تازه فقط یک شی هست.
05:44
So about eightهشت yearsسالها agoپیش,
89
332573
2492
تقریبا هشت سال پیش
05:47
a very simpleساده and profoundعمیق observationمشاهده
changedتغییر کرد my thinkingفكر كردن.
90
335065
5030
یک مشاهده ساده و عمیق
طرز فکر من را تغییر داد.
05:53
No one tellsمی گوید a childکودک how to see,
91
341425
2685
کسی به یک کودک نمی‎گه چطور ببیند،
05:56
especiallyبه خصوص in the earlyزود yearsسالها.
92
344110
2261
به ویژه در سالهای ابتدایی.
05:58
They learnیاد گرفتن this throughاز طریق
real-worldدنیای واقعی experiencesتجربیات and examplesمثال ها.
93
346371
5000
اونها این کار را از طریق تجربیات و مثالهای
دنیای واقعی یاد می‎گیرند.
06:03
If you considerدر نظر گرفتن a child'sفرزند eyesچشم ها
94
351371
2740
اگر چشمهای یک کودک را مثل
06:06
as a pairجفت of biologicalبیولوژیکی camerasدوربین ها,
95
354111
2554
یک جفت دوربین بیولوژیک در نظر بگیرید،
06:08
they take one pictureعکس
about everyهرکدام 200 millisecondsمیلی ثانیه,
96
356665
4180
آنها هر ۲۰۰ میلی ثانیه
یک تصویر می‎گیرند،
06:12
the averageمیانگین time an eyeچشم movementجنبش is madeساخته شده.
97
360845
3134
مدت زمان متوسطی که
حرکت چشم صورت می‎گیرد.
06:15
So by ageسن threeسه, a childکودک would have seenمشاهده گردید
hundredsصدها of millionsمیلیون ها نفر of picturesتصاویر
98
363979
5550
پس تا سه سالگی یک کودک
صدها میلیون تصویر
06:21
of the realواقعی worldجهان.
99
369529
1834
از دنیای واقعی دیده
06:23
That's a lot of trainingآموزش examplesمثال ها.
100
371363
2280
این تعداد زیادی از مثال‎های آموزشی هست.
06:26
So insteadبجای of focusingتمرکز solelyصرفا
on better and better algorithmsالگوریتم ها,
101
374383
5989
پس بجای تمرکزصرف بر الگوریتمهای
بهتر و بهتر
06:32
my insightبینش، بصیرت، درون بینی was to give the algorithmsالگوریتم ها
the kindنوع of trainingآموزش dataداده ها
102
380372
5272
نگرش من این بود که به الگوریتمها
ـآن دسته از داده‎های آموزشی
06:37
that a childکودک was givenداده شده throughاز طریق experiencesتجربیات
103
385644
3319
که به یک کودک از طریق تجربه داده می‎شود
06:40
in bothهر دو quantityکمیت and qualityکیفیت.
104
388963
3878
را در همان حجم و کیفیت بدهیم.
06:44
Onceیک بار we know this,
105
392841
1858
وقتی این را فهمیدیم
متوجه شدیم که
06:46
we knewمی دانست we neededمورد نیاز است to collectجمع کن a dataداده ها setتنظیم
106
394699
2971
به جمع آوری مجموعه اطلاعات نیاز داریم
06:49
that has farدور more imagesتصاویر
than we have ever had before,
107
397670
4459
که خیلی بیشتر از آنچه تاکنون داشته ایم
عکس داشته باشد،
06:54
perhapsشاید thousandsهزاران نفر of timesبار more,
108
402129
2577
احتمالا هزاران بار بیشتر،
06:56
and togetherبا یکدیگر with Professorاستاد
Kaiکای Liلی at Princetonپرینستون Universityدانشگاه,
109
404706
4111
و با همکاری پرفسور کای لی
در دانشگاه پرینستون
07:00
we launchedراه اندازی شد the ImageNetImageNet projectپروژه in 2007.
110
408817
4752
ما پروژه ImageNet را
در سال ۲۰۰۷ راه اندازی کردیم.
07:05
Luckilyخوشبختانه, we didn't have to mountکوه
a cameraدوربین on our headسر
111
413569
3838
خوشبختانه احتیاج نداشتیم
که یک دوربین روی سرمان نصب کنیم
07:09
and wait for manyبسیاری yearsسالها.
112
417407
1764
و سالها منتظر بمانیم.
07:11
We wentرفتی to the Internetاینترنت,
113
419171
1463
رفتیم سراغ اینترنت
07:12
the biggestبزرگترین treasureگنج troveخرچنگ of picturesتصاویر
that humansانسان have ever createdایجاد شده.
114
420634
4436
بزرگترین گنجینه عکسها
که انسانها تاکنون آفریده اند.
07:17
We downloadedدانلود شده nearlyتقریبا a billionبیلیون imagesتصاویر
115
425070
3041
نزدیک به یک میلیارد عکس دانلود کردیم
07:20
and used crowdsourcingcrowdsourcing technologyتکنولوژی
like the Amazonآمازون Mechanicalمکانیکی Turkترک platformسکو
116
428111
5880
و از فناوری CrowdSourcing
همانند Amazon Mechanical Turk platform
07:25
to help us to labelبرچسب these imagesتصاویر.
117
433991
2339
استفاده کردیم تا برای برچسب زدن این
عکسها به ما کمک کند.
07:28
At its peakاوج, ImageNetImageNet was one of
the biggestبزرگترین employersکارفرمایان
118
436330
4900
در اوج خودش، ImageNet
از بزرگترین کارفرماهای
07:33
of the Amazonآمازون Mechanicalمکانیکی Turkترک workersکارگران:
119
441230
2996
Amazon Mechanical Turk بود
07:36
togetherبا یکدیگر, almostتقریبا 50,000 workersکارگران
120
444226
3854
در مجموع تقریبا ۵۰٫۰۰۰ کارمند
07:40
from 167 countriesکشورها around the worldجهان
121
448080
4040
از ۱۶۷ کشور جهان
07:44
helpedکمک کرد us to cleanپاک کن, sortمرتب سازی and labelبرچسب
122
452120
3947
به ما کمک کردند تا
نزدیک به یک میلیارد عکس منتخب را
07:48
nearlyتقریبا a billionبیلیون candidateنامزد imagesتصاویر.
123
456067
3575
اصلاح، منظم و برچسب گذاری کنند.
07:52
That was how much effortتلاش it tookگرفت
124
460612
2653
این میزانی بود که زحمت برد
07:55
to captureگرفتن even a fractionکسر
of the imageryتصاویر
125
463265
3900
برای ثبت کسری از تصویرگری که
07:59
a child'sفرزند mindذهن takes in
in the earlyزود developmentalتوسعه yearsسالها.
126
467165
4171
ذهن یک کودک در سالهای اولیه
تکامل خود انجام می‎دهد.
08:04
In hindsightادراک, this ideaاندیشه of usingاستفاده كردن bigبزرگ dataداده ها
127
472148
3902
پس از گذشت زمان و کسب تجربه
ایده استفاده از حجم عظیم داده‎ها
08:08
to trainقطار computerکامپیوتر algorithmsالگوریتم ها
mayممکن است seemبه نظر می رسد obviousآشکار now,
128
476050
4550
برای آموزش الگوریتم رایانه‎ها،
شاید الان بدیهی بنظر برسد،
08:12
but back in 2007, it was not so obviousآشکار.
129
480600
4110
ولی قبلا در سال ۲۰۰۷ انقدر واضح نبود.
08:16
We were fairlyمنصفانه aloneتنها on this journeyسفر
for quiteکاملا a while.
130
484710
3878
ما توی این سفر برای مدتی کاملا تنها بودیم.
08:20
Some very friendlyدوستانه colleaguesهمکاران advisedتوصیه می شود me
to do something more usefulمفید است for my tenureمنصوب شدن,
131
488588
5003
بعضی از همکاران نزدیکم به من توصیه کردند
که برای استخدام قطعی من کار مفیدتری بکنم
08:25
and we were constantlyبه طور مداوم strugglingمبارزه می کنند
for researchپژوهش fundingمنابع مالی.
132
493591
4342
و مدام برای بودجه تحقیقاتی مشکل داشتیم.
08:29
Onceیک بار, I even jokedشوخی کردم to my graduateفارغ التحصیل studentsدانش آموزان
133
497933
2485
یکبار با دانشجوهای تحصیلات تکمیلی‎ام
شوخی کردم که
08:32
that I would just reopenباز کردن
my dryخشک cleaner'sتمیز کننده shopفروشگاه to fundسرمایه ImageNetImageNet.
134
500418
4063
برای تامین بودجه ImageNet
حشکشویی‎ام را دوباره باز کنم.
08:36
After all, that's how I fundedبودجه
my collegeکالج yearsسالها.
135
504481
4761
بهر حال این راهی بود که من
پول تحصیل‎ام را در آورده بودم.
08:41
So we carriedانجام on.
136
509242
1856
پس ادامه دادیم.
08:43
In 2009, the ImageNetImageNet projectپروژه deliveredتحویل داده شده
137
511098
3715
در سال ۲۰۰۹ پروژه ImageNet
08:46
a databaseبانک اطلاعاتی of 15 millionمیلیون imagesتصاویر
138
514813
4042
یک پایگاه داده از ۱۵ میلیون عکس
08:50
acrossدر سراسر 22,000 classesکلاس ها
of objectsاشیاء and things
139
518855
4805
در وسعت ۲۲٫۰۰۰ کلاس از شی ها
08:55
organizedسازمان یافته است by everydayهر روز Englishانگلیسی wordsکلمات.
140
523660
3320
که با کلمات انگلیسی روزمره منظم شده بودند
تحویل داد.
08:58
In bothهر دو quantityکمیت and qualityکیفیت,
141
526980
2926
از لحاظ کیفیت و کمیت
09:01
this was an unprecedentedبی سابقه scaleمقیاس.
142
529906
2972
این مقیاس بی‎سابقه بود.
09:04
As an exampleمثال, in the caseمورد of catsگربه ها,
143
532878
3461
بعنوان مثال در مورد گربه‎ها
09:08
we have more than 62,000 catsگربه ها
144
536339
2809
بیش از ۶۲٫۰۰۰ (تصویر) گربه
09:11
of all kindsانواع of looksبه نظر می رسد and posesقرار می دهد
145
539148
4110
در انواع شکل ها و فرم بدن
09:15
and acrossدر سراسر all speciesگونه ها
of domesticداخلی and wildوحشی catsگربه ها.
146
543258
5223
و در تمام گونه‌های اهلی و وحشی داشتیم.
09:20
We were thrilledهیجان زده
to have put togetherبا یکدیگر ImageNetImageNet,
147
548481
3344
ما از اینکه ImageNet را ساخته بودیم
هیجان زده بودیم و
09:23
and we wanted the wholeکل researchپژوهش worldجهان
to benefitسود from it,
148
551825
3738
و می‎خواستیم که تمام دنیای تحقیقات
از آن بهره ببرند
09:27
so in the TEDTED fashionمد,
we openedافتتاح شد up the entireکل dataداده ها setتنظیم
149
555563
4041
پس به شیوه TED
تمام مجموعه داده را
09:31
to the worldwideدر سراسر جهان
researchپژوهش communityجامعه for freeرایگان.
150
559604
3592
برای دنیای تحقیقات بصورت رایگان
باز کردیم.
09:36
(Applauseتشویق و تمجید)
151
564636
4000
(تشویق حضار)
09:41
Now that we have the dataداده ها
to nourishتغذیه our computerکامپیوتر brainمغز,
152
569416
4538
حالا که داده‎ها را برای تغذیه مغز
رایانه هایمان داریم،
09:45
we're readyآماده to come back
to the algorithmsالگوریتم ها themselvesخودشان.
153
573954
3737
آماده ایم که برگردیم سراغ
خود الگوریتم ها.
09:49
As it turnedتبدیل شد out, the wealthثروت
of informationاطلاعات providedارائه شده by ImageNetImageNet
154
577691
5178
اینطور شد که
وفور اطلاعات تهیه شده توسط ImageNet
09:54
was a perfectکامل matchهمخوانی داشتن to a particularخاص classکلاس
of machineدستگاه learningیادگیری algorithmsالگوریتم ها
155
582869
4806
خیلی خوب به کلاس خاصی از الگوریتمهای
یادگیری ماشینی
09:59
calledبه نام convolutionalکانوولاتور neuralعصبی networkشبکه,
156
587675
2415
به نام "شبکه های عصبی در هم تنیده"
تطابق داشت،
10:02
pioneeredپیشگام by KunihikoKunihiko Fukushimaفوکوشیما,
Geoffجف Hintonهینتون, and Yannیان LeCunLeCun
157
590090
5248
که پیشگامانش کونیهیکو فوکوشیما و
جف هینتون و یان لیکان
10:07
back in the 1970s and '80s.
158
595338
3645
در دهه‎های ۱۹۷۰ و ۱۹۸۰ بودند.
10:10
Just like the brainمغز consistsمتشکل از
of billionsمیلیاردها دلار of highlyبه شدت connectedمتصل neuronsنورون ها,
159
598983
5619
درست مثل مغز که از میلیاردها
نورون پیوسته تشکیل شده
10:16
a basicپایه ای operatingعامل unitواحد in a neuralعصبی networkشبکه
160
604602
3854
یک واحد عملیاتی بنیادی در یک شبکه عصبی
10:20
is a neuron-likeنورون مانند nodeگره.
161
608456
2415
یک گره نورون-مانند است.
10:22
It takes inputورودی from other nodesگره ها
162
610871
2554
از گره‎های دیگر ورودی می‎گیرد و
10:25
and sendsمی فرستد outputخروجی to othersدیگران.
163
613425
2718
و خروجی را به دیگر گره‎ها می‎فرستند.
10:28
Moreoverعلاوه بر این, these hundredsصدها of thousandsهزاران نفر
or even millionsمیلیون ها نفر of nodesگره ها
164
616143
4713
به علاوه، این صدها یا هزاران یا حتی
میلیونها گره
10:32
are organizedسازمان یافته است in hierarchicalسلسله مراتبی layersلایه های,
165
620856
3227
در لایه‎هایی با سلسله مراتب منظم شده‎اند،
10:36
alsoهمچنین similarمشابه to the brainمغز.
166
624083
2554
مانند مغز.
10:38
In a typicalمعمول neuralعصبی networkشبکه we use
to trainقطار our objectشی recognitionبه رسمیت شناختن modelمدل,
167
626637
4783
در یک شبکه عصبی نوعی، برای آموزش
مدل تشخیص اشیا،
10:43
it has 24 millionمیلیون nodesگره ها,
168
631420
3181
۲۴ میلیون گره،
10:46
140 millionمیلیون parametersمولفه های,
169
634601
3297
۱۴۰ میلیون پارامتر،
10:49
and 15 billionبیلیون connectionsارتباطات.
170
637898
2763
و ۱۵ میلیارد اتصال وجود دارد.
10:52
That's an enormousعظیم modelمدل.
171
640661
2415
این یک مدل عظیم است.
10:55
Poweredصفحه by the massiveعظیم dataداده ها from ImageNetImageNet
172
643076
3901
با استفاده از نیروی عظیم داده ها
از ImageNet
10:58
and the modernمدرن CPUsپردازنده ها and GPUsGPU ها
to trainقطار suchچنین a humongousهومونگ modelمدل,
173
646977
5433
و CPU و GPU های مدرن
برای آموزش چنین مدل یکدستی،
11:04
the convolutionalکانوولاتور neuralعصبی networkشبکه
174
652410
2369
"شبکه عصبی در هم تنیده"...
11:06
blossomedشکوفه in a way that no one expectedانتظار می رود.
175
654779
3436
به شکلی که کسی انتظار نداشت
شکوفا شد.
11:10
It becameتبدیل شد the winningبرنده شدن architectureمعماری
176
658215
2508
تبدیل شد به معماری برتر
11:12
to generateتولید کنید excitingهیجان انگیز newجدید resultsنتایج
in objectشی recognitionبه رسمیت شناختن.
177
660723
5340
برای تولید نتایج تازه و هیجان انگیز
در تشخیص اشیا.
11:18
This is a computerکامپیوتر tellingگفتن us
178
666063
2810
این یک کامپیوتر هست که به ما میگه
11:20
this pictureعکس containsحاوی a catگربه
179
668873
2300
این تصویر شامل یک گربه است
11:23
and where the catگربه is.
180
671173
1903
و اینکه گربه کجاست.
11:25
Of courseدوره there are more things than catsگربه ها,
181
673076
2112
البته چیزهای بیشتری از گربه وجود دارد،
11:27
so here'sاینجاست a computerکامپیوتر algorithmالگوریتم tellingگفتن us
182
675188
2438
پس این یک الگوریتم رایانه‎ای
هست که به ما می‎گوید
11:29
the pictureعکس containsحاوی
a boyپسر and a teddyعروسکی bearخرس;
183
677626
3274
تصویر شامل یک پسر هست
و یک عروسک خرس؛
11:32
a dogسگ, a personفرد, and a smallکوچک kiteبادبادک
in the backgroundزمینه;
184
680900
4366
یک سگ، یک آدم، و بادبادک کوچک
در پس زمینه؛
11:37
or a pictureعکس of very busyمشغول things
185
685266
3135
یا تصویر چیزهای شلوغ‎تر
11:40
like a man, a skateboardاسکیت بورد,
railingsنرده ها, a lampostچراغ قوه, and so on.
186
688401
4644
مثل یک مرد، تخته اسکیت، نرده‎ها،
تیر چراغ برق و چیزهای دیگر.
11:45
Sometimesگاهی, when the computerکامپیوتر
is not so confidentمطمئن about what it seesمی بیند,
187
693045
5293
بعضی وقتها که رایانه مطمئن نیست
از چیزی که به آن نگاه می‎کند،
11:51
we have taughtتدریس کرد it to be smartهوشمندانه enoughکافی
188
699498
2276
بهش یاد دادیم که به اندازه کافی باهوش باشد
11:53
to give us a safeبی خطر answerپاسخ
insteadبجای of committingمرتکب شدن too much,
189
701774
3878
تا به جای کار زیادی یک جواب مطمئن
به ما بدهد،
11:57
just like we would do,
190
705652
2811
درست مثل کاری که ما انجام می‎دهیم،
12:00
but other timesبار our computerکامپیوتر algorithmالگوریتم
is remarkableقابل توجه at tellingگفتن us
191
708463
4666
ولی در موارد دیگر الگوریتم رایانه ای ما
در گفتن اینکه
12:05
what exactlyدقیقا the objectsاشیاء are,
192
713129
2253
اشیا چه هستند فوق العاده است
12:07
like the make, modelمدل, yearسال of the carsماشین ها.
193
715382
3436
مثل نوع ، مدل و سال ساخت ماشین.
12:10
We appliedکاربردی this algorithmالگوریتم to millionsمیلیون ها نفر
of Googleگوگل Streetخیابان Viewچشم انداز imagesتصاویر
194
718818
5386
ما این الگوریتم را به میلیونها عکس
12:16
acrossدر سراسر hundredsصدها of Americanآمریکایی citiesشهرها,
195
724204
3135
"منظره خیابان گوگل"
در صدها شهر آمریکا اعمال کردیم
12:19
and we have learnedیاد گرفتم something
really interestingجالب هست:
196
727339
2926
و چیز جالبی را متوجه شدیم:
12:22
first, it confirmedتایید شده our commonمشترک wisdomحکمت
197
730265
3320
اول اینکه عقل سلیم ما را تایید کرد
12:25
that carماشین pricesقیمت correlateهمبستگی very well
198
733585
3290
که قیمت خودرو وابستگی زیادی به
12:28
with householdلوازم منزل incomesدرآمد.
199
736875
2345
درآمد خانوارها دارد.
12:31
But surprisinglyشگفت آور, carماشین pricesقیمت
alsoهمچنین correlateهمبستگی well
200
739220
4527
اما تعجب اینکه، قیمت خودرو
بستگی زیادی هم به
12:35
with crimeجرم ratesنرخ ها in citiesشهرها,
201
743747
2300
نرخ جرایم در شهرها،
12:39
or votingرای دادن patternsالگوها by zipزیپ codesکدهای.
202
747007
3963
یا الگوی رای دادن در شهرها بر اساس
کدپستی دارد.
12:44
So wait a minuteدقیقه. Is that it?
203
752060
2206
صبر کن ببینم! همین؟!
12:46
Has the computerکامپیوتر alreadyقبلا matchedتطبیق
or even surpassedپیشی گرفت humanانسان capabilitiesقابلیت های?
204
754266
5153
آیا دیگر توانایی رایانه با توانایی انسان
مطابقت دارد یا از آن پیشی گرفته؟
12:51
Not so fastسریع.
205
759419
2138
نه به این زودی.
12:53
So farدور, we have just taughtتدریس کرد
the computerکامپیوتر to see objectsاشیاء.
206
761557
4923
تا حالا به رایانه یاد دادیم
که اشیا را ببیند.
12:58
This is like a smallکوچک childکودک
learningیادگیری to utterمطلقا a fewتعداد کمی nounsاسم ها.
207
766480
4644
این مثل این هست که کودک
یاد بگیرد چند اسم بگوید.
13:03
It's an incredibleباور نکردنی accomplishmentدستاورد,
208
771124
2670
این یک موفقیت باورنکردنی است،
13:05
but it's only the first stepگام.
209
773794
2460
اما فقط اولین قدم است.
13:08
Soonبه زودی, anotherیکی دیگر developmentalتوسعه
milestoneنقطه عطف will be hitاصابت,
210
776254
3762
بزودی یک مرحله مهم طی خواهد شد
13:12
and childrenفرزندان beginشروع
to communicateبرقراری ارتباط in sentencesجمله ها.
211
780016
3461
و کودکان یاد می‎گیرند
تا بصورت گفتن جمله ارتباط برقرار کنند.
13:15
So insteadبجای of sayingگفت:
this is a catگربه in the pictureعکس,
212
783477
4224
پس به جای اینکه بگوید
این یک گربه در این عکس است که قبلا شنیدید
13:19
you alreadyقبلا heardشنیدم the little girlدختر
tellingگفتن us this is a catگربه lyingدروغ گویی on a bedبستر.
213
787701
5202
دختر کوچولو به ما گفت این
یک گربه خوابیده روی تخت است.
13:24
So to teachتدریس کنید a computerکامپیوتر
to see a pictureعکس and generateتولید کنید sentencesجمله ها,
214
792903
5595
برای یاد دادن به رایانه که تصویری را
ببیند و جملاتی تولید کند،
13:30
the marriageازدواج betweenبین bigبزرگ dataداده ها
and machineدستگاه learningیادگیری algorithmالگوریتم
215
798498
3948
پیوند بین داده‎های عظیم و
الگوریتم آموزش ماشین
13:34
has to take anotherیکی دیگر stepگام.
216
802446
2275
باید گام دیگری بردارد.
13:36
Now, the computerکامپیوتر has to learnیاد گرفتن
from bothهر دو picturesتصاویر
217
804721
4156
حالا رایانه باید هم از تصاویر یاد بگیرد
13:40
as well as naturalطبیعی است languageزبان sentencesجمله ها
218
808877
2856
هم از جملات زبان طبیعی
13:43
generatedتولید شده است by humansانسان.
219
811733
3322
که توسط انسان تولید می‎شوند.
13:47
Just like the brainمغز integratesادغام می شود
visionچشم انداز and languageزبان,
220
815055
3853
درست مثل مغز که بینایی و
زبان را به هم می‎آمیزد
13:50
we developedتوسعه یافته a modelمدل
that connectsمتصل می شود partsقطعات of visualبصری things
221
818908
5201
ما هم مدلی ایجاد کردیم که قسمت های
اجسام بصری
13:56
like visualبصری snippetsقطعه
222
824109
1904
مانند خرده تصاویر
13:58
with wordsکلمات and phrasesعبارات in sentencesجمله ها.
223
826013
4203
را به کلمات و عبارات در جملات پیوند میزند.
14:02
About fourچهار monthsماه ها agoپیش,
224
830216
2763
حدود چهار ماه پیش،
14:04
we finallyسرانجام tiedگره خورده است all this togetherبا یکدیگر
225
832979
2647
بالاخره همه اینها را به هم پیوند زدیم
14:07
and producedتولید شده one of the first
computerکامپیوتر visionچشم انداز modelsمدل ها
226
835626
3784
و یکی از اولین مدلهای دید رایانه‎ای را
14:11
that is capableقادر به of generatingتولید کننده
a human-likeمانند انسان sentenceجمله
227
839410
3994
که وقتی یک تصویر را برای اولین بار می‎بیند
14:15
when it seesمی بیند a pictureعکس for the first time.
228
843404
3506
قادر به تولید جملات
همانند انسانها هست تولید کردیم.
14:18
Now, I'm readyآماده to showنشان بده you
what the computerکامپیوتر saysمی گوید
229
846910
4644
حالا آماده هستم که بهتون نشان دهم
که یک رایانه وقتی تصویری که
14:23
when it seesمی بیند the pictureعکس
230
851554
1975
وقتی تصویری را می‎بیند که
14:25
that the little girlدختر saw
at the beginningشروع of this talk.
231
853529
3830
اون دختر کوچولوی اول سخنرانی آن را دید.
14:31
(Videoویدئو) Computerکامپیوتر: A man is standingایستاده
nextبعد to an elephantفیل.
232
859519
3344
(صدای رایانه): یک مرد کنار یک فیل
ایستاده است.
14:36
A largeبزرگ airplaneهواپیما sittingنشسته on topبالا
of an airportفرودگاه runwayباند فرودگاه.
233
864393
3634
یک هواپیمای بزرگ روی
باند پروازفرودگاه نشسته.
14:41
FFLFFL: Of courseدوره, we're still workingکار کردن hardسخت
to improveبهتر کردن our algorithmsالگوریتم ها,
234
869057
4212
(سخنران): البته ما هنوز داریم سخت تلاش
می‎کنیم که الگوریتم‎مان را بهتر کنیم،
14:45
and it still has a lot to learnیاد گرفتن.
235
873269
2596
و هنوز چیزهای زیادی هست که باید یاد بگیرد.
14:47
(Applauseتشویق و تمجید)
236
875865
2291
(تشویق حضار)
14:51
And the computerکامپیوتر still makesباعث می شود mistakesاشتباهات.
237
879556
3321
و رایانه هنوز اشتباه می‎کند.
14:54
(Videoویدئو) Computerکامپیوتر: A catگربه lyingدروغ گویی
on a bedبستر in a blanketپتو.
238
882877
3391
(صدای رایانه): یک گربه زیر لحاف
دراز کشیده روی تخت.
14:58
FFLFFL: So of courseدوره, when it seesمی بیند
too manyبسیاری catsگربه ها,
239
886268
2553
(سخنران): قطعا وقتی
تعداد زیادی گربه می‎بیند
15:00
it thinksفکر می کند everything
mightممکن look like a catگربه.
240
888821
2926
ممکن است فکر کند که همه چیز شبیه گربه است.
15:05
(Videoویدئو) Computerکامپیوتر: A youngجوان boyپسر
is holdingبرگزاری a baseballبیسبال batخفاش.
241
893317
2864
(صدای رایانه): یک پسربچه
یک چوب بیسبال در دست دارد.
15:08
(Laughterخنده)
242
896181
1765
(خنده حضار)
15:09
FFLFFL: Or, if it hasn'tنه seenمشاهده گردید a toothbrushمسواک,
it confusesگیج کننده است it with a baseballبیسبال batخفاش.
243
897946
4583
(سخنران): و اگر مسواک ندیده باشد
آن را با چوب بیسبال اشتباه می‎گیرد.
15:15
(Videoویدئو) Computerکامپیوتر: A man ridingسواری a horseاسب
down a streetخیابان nextبعد to a buildingساختمان.
244
903309
3434
(صدای رایانه): مردی که در خیابان
کنار یک ساختمان اسب سواری می‎کند.
15:18
(Laughterخنده)
245
906743
2023
(خنده حضار)
15:20
FFLFFL: We haven'tنه taughtتدریس کرد Artهنر 101
to the computersکامپیوترها.
246
908766
3552
(سخنران): ما به رایانه‎ها کلاس
هنر پایه تدریس نکردیم.
15:25
(Videoویدئو) Computerکامپیوتر: A zebraگورخر standingایستاده
in a fieldرشته of grassچمن.
247
913768
2884
(صدای رایانه): یک گورخر ایستاده
در زمینی پوشیده از علف.
15:28
FFLFFL: And it hasn'tنه learnedیاد گرفتم to appreciateقدردانی
the stunningخیره کننده beautyزیبایی of natureطبیعت
248
916652
3367
(سخنران): و یاد نگرفته که قدر
زیبایی مسحور کننده طبیعت
15:32
like you and I do.
249
920019
2438
را مثل من و شما بداند.
15:34
So it has been a long journeyسفر.
250
922457
2832
بله، سفر درازی بوده
15:37
To get from ageسن zeroصفر to threeسه was hardسخت.
251
925289
4226
تا از سن صفر به سه سالگی برسیم
دشوار بود.
15:41
The realواقعی challengeچالش is to go
from threeسه to 13 and farدور beyondفراتر.
252
929515
5596
سختی واقعی رفتن از سه سالگی به
۱۳ سالگی و فراتر هست.
15:47
Let me remindیادآوری کن you with this pictureعکس
of the boyپسر and the cakeکیک again.
253
935111
4365
اجازه بدهید به شما با این تصویر
پسر و کیک یادآوری کنم.
15:51
So farدور, we have taughtتدریس کرد
the computerکامپیوتر to see objectsاشیاء
254
939476
4064
تا الان به رایانه یاد دادیم
که اجسام را ببیند
15:55
or even tell us a simpleساده storyداستان
when seeingدیدن a pictureعکس.
255
943540
4458
یا حتی وقتی یک تصویر را می‎بیند
یک داستان ساده به ما بگوید.
15:59
(Videoویدئو) Computerکامپیوتر: A personفرد sittingنشسته
at a tableجدول with a cakeکیک.
256
947998
3576
(صدای رایانه): یک شخص نشسته سر یک میز
با یک کیک.
16:03
FFLFFL: But there's so much more
to this pictureعکس
257
951574
2630
(سخنران): اما در این عکس
خیلی چیزهای دیگر غیر از یک
16:06
than just a personفرد and a cakeکیک.
258
954204
2270
آدم و کیک هست.
16:08
What the computerکامپیوتر doesn't see
is that this is a specialویژه Italianایتالیایی cakeکیک
259
956474
4467
چیزی که رایانه نمی‎بیند این است که
این یک کیک مخصوص ایتالیایی
16:12
that's only servedخدمت کرده است duringدر حین Easterعید پاک time.
260
960941
3217
که فقط در زمان عید پاک پخته می‎شود
هست.
16:16
The boyپسر is wearingپوشیدن his favoriteمورد علاقه t-shirtتی شرت
261
964158
3205
پسر تی‎شرت مورد علاقه‎اش را پوشیده
16:19
givenداده شده to him as a giftهدیه by his fatherپدر
after a tripسفر to Sydneyسیدنی,
262
967363
3970
که توسط پدرش بعنوان هدیه بعد از سفر
به سیدنی به او داده شده.
16:23
and you and I can all tell how happyخوشحال he is
263
971333
3808
و من و شما همه می‎توانیم بگویم
که چقدر خوشحال هست
16:27
and what's exactlyدقیقا on his mindذهن
at that momentلحظه.
264
975141
3203
و دقیقا در آن لحظه در ذهنش چه می‎گذرد.
16:31
This is my sonفرزند پسر Leoلئو.
265
979214
3125
این پسر من "لیو" هست.
16:34
On my questجستجو for visualبصری intelligenceهوش,
266
982339
2624
در جستجوی من برای هوش بصری
16:36
I think of Leoلئو constantlyبه طور مداوم
267
984963
2391
مدام به "لیو" فکر می‎کنم
16:39
and the futureآینده worldجهان he will liveزنده in.
268
987354
2903
و آینده‎ای که او زندگی خواهد کرد.
16:42
When machinesماشین آلات can see,
269
990257
2021
زمانی که ماشینها می‎توانند ببینند،
16:44
doctorsپزشکان and nursesپرستاران will have
extraاضافی pairsجفت of tirelessخستگی ناپذیر eyesچشم ها
270
992278
4712
پزشکان و پرستاران یک جفت چشم
خستگی ناپذیراضافه خواهند داشت
16:48
to help them to diagnoseتشخیص دادن
and take careاهميت دادن of patientsبیماران.
271
996990
4092
که به آنها کمک خواهد کرد برای تشخیص
و مراقبت از بیماران.
16:53
Carsماشین ها will runاجرا کن smarterهوشمندانه
and saferامن تر on the roadجاده.
272
1001082
4383
خودروها هوشمندانه‎تر و ایمن‎تر
در جاده‎ها حرکت خواهند کرد.
16:57
Robotsروبات ها, not just humansانسان,
273
1005465
2694
ربات‎ها، نه فقط انسانها
17:00
will help us to braveشجاع the disasterفاجعه zonesمناطق
to saveصرفه جویی the trappedبه دام افتاده and woundedمجروح.
274
1008159
4849
به ما در خطرکردن در مناطق فاجعه‎زده برای
نجات مصدومان و زخمی‎ها کمک خواهند کرد.
17:05
We will discoverكشف كردن newجدید speciesگونه ها,
better materialsمواد,
275
1013798
3796
گونه‎های جدید خواهیم یافت،
مواد بهتر،
17:09
and exploreکاوش کنید unseenغیر قابل مشاهده است frontiersمرزها
with the help of the machinesماشین آلات.
276
1017594
4509
و مرزهای نادیده را با کمک ماشینها
اکتشاف خواهیم کرد.
17:15
Little by little, we're givingدادن sightمنظره
to the machinesماشین آلات.
277
1023113
4167
کم کم داریم به ماشینها بینایی می‎بخشیم.
17:19
First, we teachتدریس کنید them to see.
278
1027280
2798
ابتدا ما به آنها دیدن را می‎آموزیم.
17:22
Then, they help us to see better.
279
1030078
2763
سپس آنها به ما کمک می‎کنند تا بهتر ببینیم.
17:24
For the first time, humanانسان eyesچشم ها
won'tنخواهد بود be the only onesآنهایی که
280
1032841
4165
برای اولین بار چشمان انسان
تنها چشمانی نخواهند بود
17:29
ponderingاندیشیدن and exploringکاوش our worldجهان.
281
1037006
2934
که تفکر می‎کنند و جهان ما را کاوش می‎کنند.
17:31
We will not only use the machinesماشین آلات
for theirخودشان intelligenceهوش,
282
1039940
3460
ما نه تنها از ماشینها برای
هوش آنها استفاده می‎کنیم،
17:35
we will alsoهمچنین collaborateهمکاری with them
in waysراه ها that we cannotنمی توان even imagineتصور کن.
283
1043400
6179
بلکه با آنها به روش هایی که
نمی‎توانیم تصور کنیم همکاری خواهیم کرد.
17:41
This is my questجستجو:
284
1049579
2161
این جستجوی من است:
17:43
to give computersکامپیوترها visualبصری intelligenceهوش
285
1051740
2712
تا به رایانه ها هوش بصری بدهم
17:46
and to createايجاد كردن a better futureآینده
for Leoلئو and for the worldجهان.
286
1054452
5131
و آینده بهتری برای "لیو" و جهان خلق کنم.
17:51
Thank you.
287
1059583
1811
متشکرم.
17:53
(Applauseتشویق و تمجید)
288
1061394
3785
(تشویق حضار)
Translated by Amin Rasoulof
Reviewed by Leila Ataei

▲Back to top

ABOUT THE SPEAKER
Fei-Fei Li - Computer scientist
As Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing.

Why you should listen

Using algorithms built on machine learning methods such as neural network models, the Stanford Artificial Intelligence Lab led by Fei-Fei Li has created software capable of recognizing scenes in still photographs -- and accurately describe them using natural language.

Li’s work with neural networks and computer vision (with Stanford’s Vision Lab) marks a significant step forward for AI research, and could lead to applications ranging from more intuitive image searches to robots able to make autonomous decisions in unfamiliar situations.

Fei-Fei was honored as one of Foreign Policy's 2015 Global Thinkers

More profile about the speaker
Fei-Fei Li | Speaker | TED.com