TED2015
Fei-Fei Li: How we're teaching computers to understand pictures
فی-فی لی: چطور به کامپیوترها فهمیدن عکسها را میاموزیم
Filmed:
Readability: 4.5
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.
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. Full bio
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 show you something.
0
2366
3738
اجازه دهید چیزی را به شما نشان دهم.
00:18
(Video) Girl: Okay, that's a cat
sitting in a bed.
sitting in a bed.
1
6104
4156
(ویدیو)دختر: بسیار خوب،
آن گربه روی یک تخت خواب نشسته است.
آن گربه روی یک تخت خواب نشسته است.
00:22
The boy is petting the elephant.
2
10260
4040
این پسر در حال نوازش فیل است.
00:26
Those are people
that are going on an airplane.
that are going on an airplane.
3
14300
4354
آنها مردمی هستند
در حال سوار شدن به هواپیما.
در حال سوار شدن به هواپیما.
00:30
That's a big airplane.
4
18654
2810
این یک هواپیمای بزرگ است.
00:33
Fei-Fei Li: This is
a three-year-old child
a three-year-old child
5
21464
2206
فی-فی-لی: این یک کودک سه ساله است
00:35
describing what she sees
in a series of photos.
in a series of photos.
6
23670
3679
که آنچه که در مجموعه ای
از عکسها میبیند را توصیف میکند.
از عکسها میبیند را توصیف میکند.
00:39
She might still have a lot
to learn about this world,
to learn about this world,
7
27349
2845
ممکن است او هنوز چیزهای زیادی
برای یادگیری درباره این جهان داشته باشد.
برای یادگیری درباره این جهان داشته باشد.
00:42
but she's already an expert
at one very important task:
at one very important task:
8
30194
4549
اما او در یک کار خیلی
مهم دیگه تخصص دارد:
مهم دیگه تخصص دارد:
00:46
to make sense of what she sees.
9
34743
2846
درک کردن آنچه که میبیند.
00:50
Our society is more
technologically advanced than ever.
technologically advanced than ever.
10
38229
4226
جامعه ما از لحاظ فناوری
از هر زمان دیگر پیشرفتهتر است.
از هر زمان دیگر پیشرفتهتر است.
00:54
We send people to the moon,
we make phones that talk to us
we make phones that talk to us
11
42455
3629
ما آدمها را به ماه میفرستیم،
تلفنهایی ساختیم که با ما صحبت میکنند
تلفنهایی ساختیم که با ما صحبت میکنند
00:58
or customize radio stations
that can play only music we like.
that can play only music we like.
12
46084
4946
یا ایستگاههای رادیویی سفارشی طراحی کردیم
که می توانند فقط موسیقی را که دوست داریم پخش کنند.
که می توانند فقط موسیقی را که دوست داریم پخش کنند.
01:03
Yet, our most advanced
machines and computers
machines and computers
13
51030
4055
با این حال
پیشرفته ترین ماشینها و رایانههای ما
پیشرفته ترین ماشینها و رایانههای ما
01:07
still struggle at this task.
14
55085
2903
هنوز هم در این کار (درک تصاویر)
مشکل دارند.
مشکل دارند.
01:09
So I'm here today
to give you a progress report
to give you a progress report
15
57988
3459
بنابراین امروز من اینجا هستم
که یک گزارش پیشرفت به شما بدهم
که یک گزارش پیشرفت به شما بدهم
01:13
on the latest advances
in our research in computer vision,
in our research in computer vision,
16
61447
4047
در مورد آخرین پیشرفت
در تحقیق ما بر روی بینایی رایانهای،
در تحقیق ما بر روی بینایی رایانهای،
01:17
one of the most frontier
and potentially revolutionary
and potentially revolutionary
17
65494
4161
یکی از پیشرفتهترین و
بصورت بالقوه انقلابیترین
بصورت بالقوه انقلابیترین
01:21
technologies in computer science.
18
69655
3206
فن آوریها در علوم رایانهای.
01:24
Yes, we have prototyped cars
that can drive by themselves,
that can drive by themselves,
19
72861
4551
بله، ما نمونه اولیه ماشینهایی را داریم
که خودشان میتوانند رانندگی کنند،
که خودشان میتوانند رانندگی کنند،
01:29
but without smart vision,
they cannot really tell the difference
they cannot really tell the difference
20
77412
3853
اما بدون دید هوشمند (smart vision)
نمی توانند فرق بگذارند
نمی توانند فرق بگذارند
01:33
between a crumpled paper bag
on the road, which can be run over,
on the road, which can be run over,
21
81265
3970
بین پاکت کاغذی مچاله در جاده
که میشه از روش با ماشین رد شد.
که میشه از روش با ماشین رد شد.
01:37
and a rock that size,
which should be avoided.
which should be avoided.
22
85235
3340
و یک سنگ همان اندازه که
نباید از روش رد شد
نباید از روش رد شد
01:41
We have made fabulous megapixel cameras,
23
89415
3390
ما دوربینهای (با وضوح) مگاپیکسل
عالی ساخته ایم،
عالی ساخته ایم،
01:44
but we have not delivered
sight to the blind.
sight to the blind.
24
92805
3135
اما به نابیناها بینایی ندادهایم.
01:48
Drones can fly over massive land,
25
96420
3305
هواپیماهای بدون سرنشین
که برفراز زمینهای وسیع پرواز کنند،
که برفراز زمینهای وسیع پرواز کنند،
01:51
but don't have enough vision technology
26
99725
2134
ولی فناوری بینایی کافی برای کمک به ما
01:53
to help us to track
the changes of the rainforests.
the changes of the rainforests.
27
101859
3461
در رهگیری تغییرات جنگلهای بارانی
نداریم.
نداریم.
01:57
Security cameras are everywhere,
28
105320
2950
دوربین های امنیتی همه جا هست،
02:00
but they do not alert us when a child
is drowning in a swimming pool.
is drowning in a swimming pool.
29
108270
5067
ولی وقتی یک کودک در استخر
در حال غرق شدن است به ما هشدار نمیدهند.
در حال غرق شدن است به ما هشدار نمیدهند.
02:06
Photos and videos are becoming
an integral part of global life.
an integral part of global life.
30
114167
5595
تصاویر و ویدیوها در حال تبدیل شدن به
جز مهمی از زندگی جهانی هستند.
جز مهمی از زندگی جهانی هستند.
02:11
They're being generated at a pace
that's far beyond what any human,
that's far beyond what any human,
31
119762
4087
تصاویر با سرعتی فراتر از آنچه هر انسان
یا گروهی از انسانها،
یا گروهی از انسانها،
02:15
or teams of humans, could hope to view,
32
123849
2783
بتواند امیدوار به دیدن آنها باشد
تولید میشوند،
تولید میشوند،
02:18
and you and I are contributing
to that at this TED.
to that at this TED.
33
126632
3921
و من و شما در این TED
یعنی تولید تصاویر مشارکت میکنیم.
یعنی تولید تصاویر مشارکت میکنیم.
02:22
Yet our most advanced software
is still struggling at understanding
is still struggling at understanding
34
130553
5232
با این وجود پیشرفتهترین
نرم افزارها همچنان
نرم افزارها همچنان
02:27
and managing this enormous content.
35
135785
3876
در فهم و مدیریت این حجم عظیم مشکل دارند.
02:31
So in other words,
collectively as a society,
collectively as a society,
36
139661
5272
به عبارت دیگر در مجموع
به عنوان جامعه
به عنوان جامعه
02:36
we're very much blind,
37
144933
1746
ما کاملا کور هستیم،
02:38
because our smartest
machines are still blind.
machines are still blind.
38
146679
3387
چون باهوشترین
ماشینهای ما هنوز نابینا هستند.
ماشینهای ما هنوز نابینا هستند.
02:43
"Why is this so hard?" you may ask.
39
151526
2926
شاید بپرسید "چرا انقدر سخته؟"
02:46
Cameras can take pictures like this one
40
154452
2693
دوربینها میتوانند تصاویری
مثل این را بگیرند:
مثل این را بگیرند:
02:49
by converting lights into
a two-dimensional array of numbers
a two-dimensional array of numbers
41
157145
3994
با تبدیل نور به
آرایه دو بعدی اعداد
آرایه دو بعدی اعداد
02:53
known as pixels,
42
161139
1650
به نام "پیکسل"
02:54
but these are just lifeless numbers.
43
162789
2251
ولی اینها فقط اعداد بی روح هستند،
02:57
They do not carry meaning in themselves.
44
165040
3111
هیچ معنی به خودی خود ندارند.
03:00
Just like to hear is not
the same as to listen,
the same as to listen,
45
168151
4343
مثل اینکه:
شنیدن با گوش کردن یکی نیستند،
شنیدن با گوش کردن یکی نیستند،
03:04
to take pictures is not
the same as to see,
the same as to see,
46
172494
4040
عکس گرفتن با دیدن یکی نیستند،
03:08
and by seeing,
we really mean understanding.
we really mean understanding.
47
176534
3829
یا اینکه منظور از دیدن واقعا فهمیدن نیست.
03:13
In fact, it took Mother Nature
540 million years of hard work
540 million years of hard work
48
181293
6177
در حقیقت ۵۴۰ میلیون سال وقت مادر طبیعت
03:19
to do this task,
49
187470
1973
صرف انجام این کار سخت شده
03:21
and much of that effort
50
189443
1881
و بیشتر این تلاش به تکامل
03:23
went into developing the visual
processing apparatus of our brains,
processing apparatus of our brains,
51
191324
5271
ابزار پردازش دید مغزمان اختصاص داده شده
03:28
not the eyes themselves.
52
196595
2647
و نه به خود چشمها.
03:31
So vision begins with the eyes,
53
199242
2747
پس، دیدن با چشم آغاز میشود،
03:33
but it truly takes place in the brain.
54
201989
3518
ولی در حقیقت در مغز شکل میگیرد.
03:38
So for 15 years now, starting
from my Ph.D. at Caltech
from my Ph.D. at Caltech
55
206287
5060
برای ۱۵ سال با شروع از دکترا در کل‌تک
03:43
and then leading Stanford's Vision Lab,
56
211347
2926
و سپس رهبری آزمایشگاه بینایی در استانفورد،
03:46
I've been working with my mentors,
collaborators and students
collaborators and students
57
214273
4396
من با مربی هایم، همکارانم و شاگردانم
تلاش کرده ام
تلاش کرده ام
03:50
to teach computers to see.
58
218669
2889
که به رایانه ها یاد بدهیم که ببینند.
03:54
Our research field is called
computer vision and machine learning.
computer vision and machine learning.
59
222658
3294
اسم زمینه تحقیقاتی ما
بینایی رایانه ای و آموزش ماشین هست.
بینایی رایانه ای و آموزش ماشین هست.
03:57
It's part of the general field
of artificial intelligence.
of artificial intelligence.
60
225952
3878
این بخشی از زمینه عمومی تر هوش مصنوعی هست
04:03
So ultimately, we want to teach
the machines to see just like we do:
the machines to see just like we do:
61
231000
5493
در نهایت میخواهیم به ماشین ها
یاد بدهیم که ببینند همانند ما:
یاد بدهیم که ببینند همانند ما:
04:08
naming objects, identifying people,
inferring 3D geometry of things,
inferring 3D geometry of things,
62
236493
5387
اسم گذاشتن بر روی اشیا، تشخیص افراد
، استنباط سه بعدی از اشیا
، استنباط سه بعدی از اشیا
04:13
understanding relations, emotions,
actions and intentions.
actions and intentions.
63
241880
5688
فهم ارتباط، احساسات، اعمال و نیت ها.
04:19
You and I weave together entire stories
of people, places and things
of people, places and things
64
247568
6153
من و شما وقتی نگاهمون به آدمها، مکانها
و اشیا میافتد
و اشیا میافتد
04:25
the moment we lay our gaze on them.
65
253721
2164
دربارشون قصه میسازیم.
04:28
The first step towards this goal
is to teach a computer to see objects,
is to teach a computer to see objects,
66
256955
5583
اولین قدم در راه این هدف این هست
که به رایانهها یاد بدهیم تا اشیا را ببینند؛
که به رایانهها یاد بدهیم تا اشیا را ببینند؛
04:34
the building block of the visual world.
67
262538
3368
سنگ بنای دنیای بصری.
04:37
In its simplest terms,
imagine this teaching process
imagine this teaching process
68
265906
4434
به ساده ترین حالت این فرایند آموزش
را مانند نشان دادن تعدادی
را مانند نشان دادن تعدادی
04:42
as showing the computers
some training images
some training images
69
270340
2995
عکس آموزشی از یک شی خاص
04:45
of a particular object, let's say cats,
70
273335
3321
مثلا گربه ها به رایانه تصور کنید.
04:48
and designing a model that learns
from these training images.
from these training images.
71
276656
4737
و طراحی یک مدل (برای رایانه)
که ازدیدن این عکسها یاد میگیرد.
که ازدیدن این عکسها یاد میگیرد.
04:53
How hard can this be?
72
281393
2044
اینکار چقدر میتونه سخت باشه؟
04:55
After all, a cat is just
a collection of shapes and colors,
a collection of shapes and colors,
73
283437
4052
بالاخره یک گربه مجموعه ایست
از شکل ها و رنگها،
از شکل ها و رنگها،
04:59
and this is what we did
in the early days of object modeling.
in the early days of object modeling.
74
287489
4086
و این کاری هست که در روزهای ابتدایی
طراحی اشیا انجام میدادیم.
طراحی اشیا انجام میدادیم.
05:03
We'd tell the computer algorithm
in a mathematical language
in a mathematical language
75
291575
3622
ما به الگوریتم رایانه به زبان ریاضی میگوییم
05:07
that a cat has a round face,
a chubby body,
a chubby body,
76
295197
3343
که یک گربه صورت گرد دارد،
بدن تپل دارد،
بدن تپل دارد،
05:10
two pointy ears, and a long tail,
77
298540
2299
دو تا گوش تیز دارد و یک دم دراز
05:12
and that looked all fine.
78
300839
1410
و این کافی بود.
05:14
But what about this cat?
79
302859
2113
ولی این یکی گربه چطور؟
05:16
(Laughter)
80
304972
1091
(خنده حضار)
05:18
It's all curled up.
81
306063
1626
این یکی کاملا خم شده
05:19
Now you have to add another shape
and viewpoint to the object model.
and viewpoint to the object model.
82
307689
4719
حالا شما باید یک شکل و
زاویه دید دیگه به مدل شی اضافه کنید
زاویه دید دیگه به مدل شی اضافه کنید
05:24
But what if cats are hidden?
83
312408
1715
ولی اگه گربهها قایم شده باشند چی؟
05:27
What about these silly cats?
84
315143
2219
این گربه های بامزه چطور؟
05:31
Now you get my point.
85
319112
2417
جالا متوجه منظور من میشوید.
05:33
Even something as simple
as a household pet
as a household pet
86
321529
3367
حتی یک چیز ساده مثل حیوان خانگی
05:36
can present an infinite number
of variations to the object model,
of variations to the object model,
87
324896
4504
میتونه مدلهای بینهایت
گونه گون از مدل شی را ارائه کند،
گونه گون از مدل شی را ارائه کند،
05:41
and that's just one object.
88
329400
2233
و این تازه فقط یک شی هست.
05:44
So about eight years ago,
89
332573
2492
تقریبا هشت سال پیش
05:47
a very simple and profound observation
changed my thinking.
changed my thinking.
90
335065
5030
یک مشاهده ساده و عمیق
طرز فکر من را تغییر داد.
طرز فکر من را تغییر داد.
05:53
No one tells a child how to see,
91
341425
2685
کسی به یک کودک نمیگه چطور ببیند،
05:56
especially in the early years.
92
344110
2261
به ویژه در سالهای ابتدایی.
05:58
They learn this through
real-world experiences and examples.
real-world experiences and examples.
93
346371
5000
اونها این کار را از طریق تجربیات و مثالهای
دنیای واقعی یاد میگیرند.
دنیای واقعی یاد میگیرند.
06:03
If you consider a child's eyes
94
351371
2740
اگر چشمهای یک کودک را مثل
06:06
as a pair of biological cameras,
95
354111
2554
یک جفت دوربین بیولوژیک در نظر بگیرید،
06:08
they take one picture
about every 200 milliseconds,
about every 200 milliseconds,
96
356665
4180
آنها هر ۲۰۰ میلی ثانیه
یک تصویر میگیرند،
یک تصویر میگیرند،
06:12
the average time an eye movement is made.
97
360845
3134
مدت زمان متوسطی که
حرکت چشم صورت میگیرد.
حرکت چشم صورت میگیرد.
06:15
So by age three, a child would have seen
hundreds of millions of pictures
hundreds of millions of pictures
98
363979
5550
پس تا سه سالگی یک کودک
صدها میلیون تصویر
صدها میلیون تصویر
06:21
of the real world.
99
369529
1834
از دنیای واقعی دیده
06:23
That's a lot of training examples.
100
371363
2280
این تعداد زیادی از مثالهای آموزشی هست.
06:26
So instead of focusing solely
on better and better algorithms,
on better and better algorithms,
101
374383
5989
پس بجای تمرکزصرف بر الگوریتمهای
بهتر و بهتر
بهتر و بهتر
06:32
my insight was to give the algorithms
the kind of training data
the kind of training data
102
380372
5272
نگرش من این بود که به الگوریتمها
ـآن دسته از دادههای آموزشی
ـآن دسته از دادههای آموزشی
06:37
that a child was given through experiences
103
385644
3319
که به یک کودک از طریق تجربه داده میشود
06:40
in both quantity and quality.
104
388963
3878
را در همان حجم و کیفیت بدهیم.
06:44
Once we know this,
105
392841
1858
وقتی این را فهمیدیم
متوجه شدیم که
متوجه شدیم که
06:46
we knew we needed to collect a data set
106
394699
2971
به جمع آوری مجموعه اطلاعات نیاز داریم
06:49
that has far more images
than we have ever had before,
than we have ever had before,
107
397670
4459
که خیلی بیشتر از آنچه تاکنون داشته ایم
عکس داشته باشد،
عکس داشته باشد،
06:54
perhaps thousands of times more,
108
402129
2577
احتمالا هزاران بار بیشتر،
06:56
and together with Professor
Kai Li at Princeton University,
Kai Li at Princeton University,
109
404706
4111
و با همکاری پرفسور کای لی
در دانشگاه پرینستون
در دانشگاه پرینستون
07:00
we launched the ImageNet project in 2007.
110
408817
4752
ما پروژه ImageNet را
در سال ۲۰۰۷ راه اندازی کردیم.
در سال ۲۰۰۷ راه اندازی کردیم.
07:05
Luckily, we didn't have to mount
a camera on our head
a camera on our head
111
413569
3838
خوشبختانه احتیاج نداشتیم
که یک دوربین روی سرمان نصب کنیم
که یک دوربین روی سرمان نصب کنیم
07:09
and wait for many years.
112
417407
1764
و سالها منتظر بمانیم.
07:11
We went to the Internet,
113
419171
1463
رفتیم سراغ اینترنت
07:12
the biggest treasure trove of pictures
that humans have ever created.
that humans have ever created.
114
420634
4436
بزرگترین گنجینه عکسها
که انسانها تاکنون آفریده اند.
که انسانها تاکنون آفریده اند.
07:17
We downloaded nearly a billion images
115
425070
3041
نزدیک به یک میلیارد عکس دانلود کردیم
07:20
and used crowdsourcing technology
like the Amazon Mechanical Turk platform
like the Amazon Mechanical Turk platform
116
428111
5880
و از فناوری CrowdSourcing
همانند Amazon Mechanical Turk platform
همانند Amazon Mechanical Turk platform
07:25
to help us to label these images.
117
433991
2339
استفاده کردیم تا برای برچسب زدن این
عکسها به ما کمک کند.
عکسها به ما کمک کند.
07:28
At its peak, ImageNet was one of
the biggest employers
the biggest employers
118
436330
4900
در اوج خودش، ImageNet
از بزرگترین کارفرماهای
از بزرگترین کارفرماهای
07:33
of the Amazon Mechanical Turk workers:
119
441230
2996
Amazon Mechanical Turk بود
07:36
together, almost 50,000 workers
120
444226
3854
در مجموع تقریبا ۵۰٫۰۰۰ کارمند
07:40
from 167 countries around the world
121
448080
4040
از ۱۶۷ کشور جهان
07:44
helped us to clean, sort and label
122
452120
3947
به ما کمک کردند تا
نزدیک به یک میلیارد عکس منتخب را
نزدیک به یک میلیارد عکس منتخب را
07:48
nearly a billion candidate images.
123
456067
3575
اصلاح، منظم و برچسب گذاری کنند.
07:52
That was how much effort it took
124
460612
2653
این میزانی بود که زحمت برد
07:55
to capture even a fraction
of the imagery
of the imagery
125
463265
3900
برای ثبت کسری از تصویرگری که
07:59
a child's mind takes in
in the early developmental years.
in the early developmental years.
126
467165
4171
ذهن یک کودک در سالهای اولیه
تکامل خود انجام میدهد.
تکامل خود انجام میدهد.
08:04
In hindsight, this idea of using big data
127
472148
3902
پس از گذشت زمان و کسب تجربه
ایده استفاده از حجم عظیم دادهها
ایده استفاده از حجم عظیم دادهها
08:08
to train computer algorithms
may seem obvious now,
may seem obvious now,
128
476050
4550
برای آموزش الگوریتم رایانهها،
شاید الان بدیهی بنظر برسد،
شاید الان بدیهی بنظر برسد،
08:12
but back in 2007, it was not so obvious.
129
480600
4110
ولی قبلا در سال ۲۰۰۷ انقدر واضح نبود.
08:16
We were fairly alone on this journey
for quite a while.
for quite a while.
130
484710
3878
ما توی این سفر برای مدتی کاملا تنها بودیم.
08:20
Some very friendly colleagues advised me
to do something more useful for my tenure,
to do something more useful for my tenure,
131
488588
5003
بعضی از همکاران نزدیکم به من توصیه کردند
که برای استخدام قطعی من کار مفیدتری بکنم
که برای استخدام قطعی من کار مفیدتری بکنم
08:25
and we were constantly struggling
for research funding.
for research funding.
132
493591
4342
و مدام برای بودجه تحقیقاتی مشکل داشتیم.
08:29
Once, I even joked to my graduate students
133
497933
2485
یکبار با دانشجوهای تحصیلات تکمیلیام
شوخی کردم که
شوخی کردم که
08:32
that I would just reopen
my dry cleaner's shop to fund ImageNet.
my dry cleaner's shop to fund ImageNet.
134
500418
4063
برای تامین بودجه ImageNet
حشکشوییام را دوباره باز کنم.
حشکشوییام را دوباره باز کنم.
08:36
After all, that's how I funded
my college years.
my college years.
135
504481
4761
بهر حال این راهی بود که من
پول تحصیلام را در آورده بودم.
پول تحصیلام را در آورده بودم.
08:41
So we carried on.
136
509242
1856
پس ادامه دادیم.
08:43
In 2009, the ImageNet project delivered
137
511098
3715
در سال ۲۰۰۹ پروژه ImageNet
08:46
a database of 15 million images
138
514813
4042
یک پایگاه داده از ۱۵ میلیون عکس
08:50
across 22,000 classes
of objects and things
of objects and things
139
518855
4805
در وسعت ۲۲٫۰۰۰ کلاس از شی ها
08:55
organized by everyday English words.
140
523660
3320
که با کلمات انگلیسی روزمره منظم شده بودند
تحویل داد.
تحویل داد.
08:58
In both quantity and quality,
141
526980
2926
از لحاظ کیفیت و کمیت
09:01
this was an unprecedented scale.
142
529906
2972
این مقیاس بیسابقه بود.
09:04
As an example, in the case of cats,
143
532878
3461
بعنوان مثال در مورد گربهها
09:08
we have more than 62,000 cats
144
536339
2809
بیش از ۶۲٫۰۰۰ (تصویر) گربه
09:11
of all kinds of looks and poses
145
539148
4110
در انواع شکل ها و فرم بدن
09:15
and across all species
of domestic and wild cats.
of domestic and wild cats.
146
543258
5223
و در تمام گونه‌های اهلی و وحشی داشتیم.
09:20
We were thrilled
to have put together ImageNet,
to have put together ImageNet,
147
548481
3344
ما از اینکه ImageNet را ساخته بودیم
هیجان زده بودیم و
هیجان زده بودیم و
09:23
and we wanted the whole research world
to benefit from it,
to benefit from it,
148
551825
3738
و میخواستیم که تمام دنیای تحقیقات
از آن بهره ببرند
از آن بهره ببرند
09:27
so in the TED fashion,
we opened up the entire data set
we opened up the entire data set
149
555563
4041
پس به شیوه TED
تمام مجموعه داده را
تمام مجموعه داده را
09:31
to the worldwide
research community for free.
research community for free.
150
559604
3592
برای دنیای تحقیقات بصورت رایگان
باز کردیم.
باز کردیم.
09:36
(Applause)
151
564636
4000
(تشویق حضار)
09:41
Now that we have the data
to nourish our computer brain,
to nourish our computer brain,
152
569416
4538
حالا که دادهها را برای تغذیه مغز
رایانه هایمان داریم،
رایانه هایمان داریم،
09:45
we're ready to come back
to the algorithms themselves.
to the algorithms themselves.
153
573954
3737
آماده ایم که برگردیم سراغ
خود الگوریتم ها.
خود الگوریتم ها.
09:49
As it turned out, the wealth
of information provided by ImageNet
of information provided by ImageNet
154
577691
5178
اینطور شد که
وفور اطلاعات تهیه شده توسط ImageNet
وفور اطلاعات تهیه شده توسط ImageNet
09:54
was a perfect match to a particular class
of machine learning algorithms
of machine learning algorithms
155
582869
4806
خیلی خوب به کلاس خاصی از الگوریتمهای
یادگیری ماشینی
یادگیری ماشینی
09:59
called convolutional neural network,
156
587675
2415
به نام "شبکه های عصبی در هم تنیده"
تطابق داشت،
تطابق داشت،
10:02
pioneered by Kunihiko Fukushima,
Geoff Hinton, and Yann LeCun
Geoff Hinton, and Yann LeCun
157
590090
5248
که پیشگامانش کونیهیکو فوکوشیما و
جف هینتون و یان لیکان
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 brain consists
of billions of highly connected neurons,
of billions of highly connected neurons,
159
598983
5619
درست مثل مغز که از میلیاردها
نورون پیوسته تشکیل شده
نورون پیوسته تشکیل شده
10:16
a basic operating unit in a neural network
160
604602
3854
یک واحد عملیاتی بنیادی در یک شبکه عصبی
10:20
is a neuron-like node.
161
608456
2415
یک گره نورون-مانند است.
10:22
It takes input from other nodes
162
610871
2554
از گرههای دیگر ورودی میگیرد و
10:25
and sends output to others.
163
613425
2718
و خروجی را به دیگر گرهها میفرستند.
10:28
Moreover, these hundreds of thousands
or even millions of nodes
or even millions of nodes
164
616143
4713
به علاوه، این صدها یا هزاران یا حتی
میلیونها گره
میلیونها گره
10:32
are organized in hierarchical layers,
165
620856
3227
در لایههایی با سلسله مراتب منظم شدهاند،
10:36
also similar to the brain.
166
624083
2554
مانند مغز.
10:38
In a typical neural network we use
to train our object recognition model,
to train our object recognition model,
167
626637
4783
در یک شبکه عصبی نوعی، برای آموزش
مدل تشخیص اشیا،
مدل تشخیص اشیا،
10:43
it has 24 million nodes,
168
631420
3181
۲۴ میلیون گره،
10:46
140 million parameters,
169
634601
3297
۱۴۰ میلیون پارامتر،
10:49
and 15 billion connections.
170
637898
2763
و ۱۵ میلیارد اتصال وجود دارد.
10:52
That's an enormous model.
171
640661
2415
این یک مدل عظیم است.
10:55
Powered by the massive data from ImageNet
172
643076
3901
با استفاده از نیروی عظیم داده ها
از ImageNet
از ImageNet
10:58
and the modern CPUs and GPUs
to train such a humongous model,
to train such a humongous model,
173
646977
5433
و CPU و GPU های مدرن
برای آموزش چنین مدل یکدستی،
برای آموزش چنین مدل یکدستی،
11:04
the convolutional neural network
174
652410
2369
"شبکه عصبی در هم تنیده"...
11:06
blossomed in a way that no one expected.
175
654779
3436
به شکلی که کسی انتظار نداشت
شکوفا شد.
شکوفا شد.
11:10
It became the winning architecture
176
658215
2508
تبدیل شد به معماری برتر
11:12
to generate exciting new results
in object recognition.
in object recognition.
177
660723
5340
برای تولید نتایج تازه و هیجان انگیز
در تشخیص اشیا.
در تشخیص اشیا.
11:18
This is a computer telling us
178
666063
2810
این یک کامپیوتر هست که به ما میگه
11:20
this picture contains a cat
179
668873
2300
این تصویر شامل یک گربه است
11:23
and where the cat is.
180
671173
1903
و اینکه گربه کجاست.
11:25
Of course there are more things than cats,
181
673076
2112
البته چیزهای بیشتری از گربه وجود دارد،
11:27
so here's a computer algorithm telling us
182
675188
2438
پس این یک الگوریتم رایانهای
هست که به ما میگوید
هست که به ما میگوید
11:29
the picture contains
a boy and a teddy bear;
a boy and a teddy bear;
183
677626
3274
تصویر شامل یک پسر هست
و یک عروسک خرس؛
و یک عروسک خرس؛
11:32
a dog, a person, and a small kite
in the background;
in the background;
184
680900
4366
یک سگ، یک آدم، و بادبادک کوچک
در پس زمینه؛
در پس زمینه؛
11:37
or a picture of very busy things
185
685266
3135
یا تصویر چیزهای شلوغتر
11:40
like a man, a skateboard,
railings, a lampost, and so on.
railings, a lampost, and so on.
186
688401
4644
مثل یک مرد، تخته اسکیت، نردهها،
تیر چراغ برق و چیزهای دیگر.
تیر چراغ برق و چیزهای دیگر.
11:45
Sometimes, when the computer
is not so confident about what it sees,
is not so confident about what it sees,
187
693045
5293
بعضی وقتها که رایانه مطمئن نیست
از چیزی که به آن نگاه میکند،
از چیزی که به آن نگاه میکند،
11:51
we have taught it to be smart enough
188
699498
2276
بهش یاد دادیم که به اندازه کافی باهوش باشد
11:53
to give us a safe answer
instead of committing too much,
instead of committing too much,
189
701774
3878
تا به جای کار زیادی یک جواب مطمئن
به ما بدهد،
به ما بدهد،
11:57
just like we would do,
190
705652
2811
درست مثل کاری که ما انجام میدهیم،
12:00
but other times our computer algorithm
is remarkable at telling us
is remarkable at telling us
191
708463
4666
ولی در موارد دیگر الگوریتم رایانه ای ما
در گفتن اینکه
در گفتن اینکه
12:05
what exactly the objects are,
192
713129
2253
اشیا چه هستند فوق العاده است
12:07
like the make, model, year of the cars.
193
715382
3436
مثل نوع ، مدل و سال ساخت ماشین.
12:10
We applied this algorithm to millions
of Google Street View images
of Google Street View images
194
718818
5386
ما این الگوریتم را به میلیونها عکس
12:16
across hundreds of American cities,
195
724204
3135
"منظره خیابان گوگل"
در صدها شهر آمریکا اعمال کردیم
در صدها شهر آمریکا اعمال کردیم
12:19
and we have learned something
really interesting:
really interesting:
196
727339
2926
و چیز جالبی را متوجه شدیم:
12:22
first, it confirmed our common wisdom
197
730265
3320
اول اینکه عقل سلیم ما را تایید کرد
12:25
that car prices correlate very well
198
733585
3290
که قیمت خودرو وابستگی زیادی به
12:28
with household incomes.
199
736875
2345
درآمد خانوارها دارد.
12:31
But surprisingly, car prices
also correlate well
also correlate well
200
739220
4527
اما تعجب اینکه، قیمت خودرو
بستگی زیادی هم به
بستگی زیادی هم به
12:35
with crime rates in cities,
201
743747
2300
نرخ جرایم در شهرها،
12:39
or voting patterns by zip codes.
202
747007
3963
یا الگوی رای دادن در شهرها بر اساس
کدپستی دارد.
کدپستی دارد.
12:44
So wait a minute. Is that it?
203
752060
2206
صبر کن ببینم! همین؟!
12:46
Has the computer already matched
or even surpassed human capabilities?
or even surpassed human capabilities?
204
754266
5153
آیا دیگر توانایی رایانه با توانایی انسان
مطابقت دارد یا از آن پیشی گرفته؟
مطابقت دارد یا از آن پیشی گرفته؟
12:51
Not so fast.
205
759419
2138
نه به این زودی.
12:53
So far, we have just taught
the computer to see objects.
the computer to see objects.
206
761557
4923
تا حالا به رایانه یاد دادیم
که اشیا را ببیند.
که اشیا را ببیند.
12:58
This is like a small child
learning to utter a few nouns.
learning to utter a few nouns.
207
766480
4644
این مثل این هست که کودک
یاد بگیرد چند اسم بگوید.
یاد بگیرد چند اسم بگوید.
13:03
It's an incredible accomplishment,
208
771124
2670
این یک موفقیت باورنکردنی است،
13:05
but it's only the first step.
209
773794
2460
اما فقط اولین قدم است.
13:08
Soon, another developmental
milestone will be hit,
milestone will be hit,
210
776254
3762
بزودی یک مرحله مهم طی خواهد شد
13:12
and children begin
to communicate in sentences.
to communicate in sentences.
211
780016
3461
و کودکان یاد میگیرند
تا بصورت گفتن جمله ارتباط برقرار کنند.
تا بصورت گفتن جمله ارتباط برقرار کنند.
13:15
So instead of saying
this is a cat in the picture,
this is a cat in the picture,
212
783477
4224
پس به جای اینکه بگوید
این یک گربه در این عکس است که قبلا شنیدید
این یک گربه در این عکس است که قبلا شنیدید
13:19
you already heard the little girl
telling us this is a cat lying on a bed.
telling us this is a cat lying on a bed.
213
787701
5202
دختر کوچولو به ما گفت این
یک گربه خوابیده روی تخت است.
یک گربه خوابیده روی تخت است.
13:24
So to teach a computer
to see a picture and generate sentences,
to see a picture and generate sentences,
214
792903
5595
برای یاد دادن به رایانه که تصویری را
ببیند و جملاتی تولید کند،
ببیند و جملاتی تولید کند،
13:30
the marriage between big data
and machine learning algorithm
and machine learning algorithm
215
798498
3948
پیوند بین دادههای عظیم و
الگوریتم آموزش ماشین
الگوریتم آموزش ماشین
13:34
has to take another step.
216
802446
2275
باید گام دیگری بردارد.
13:36
Now, the computer has to learn
from both pictures
from both pictures
217
804721
4156
حالا رایانه باید هم از تصاویر یاد بگیرد
13:40
as well as natural language sentences
218
808877
2856
هم از جملات زبان طبیعی
13:43
generated by humans.
219
811733
3322
که توسط انسان تولید میشوند.
13:47
Just like the brain integrates
vision and language,
vision and language,
220
815055
3853
درست مثل مغز که بینایی و
زبان را به هم میآمیزد
زبان را به هم میآمیزد
13:50
we developed a model
that connects parts of visual things
that connects parts of visual things
221
818908
5201
ما هم مدلی ایجاد کردیم که قسمت های
اجسام بصری
اجسام بصری
13:56
like visual snippets
222
824109
1904
مانند خرده تصاویر
13:58
with words and phrases in sentences.
223
826013
4203
را به کلمات و عبارات در جملات پیوند میزند.
14:02
About four months ago,
224
830216
2763
حدود چهار ماه پیش،
14:04
we finally tied all this together
225
832979
2647
بالاخره همه اینها را به هم پیوند زدیم
14:07
and produced one of the first
computer vision models
computer vision models
226
835626
3784
و یکی از اولین مدلهای دید رایانهای را
14:11
that is capable of generating
a human-like sentence
a human-like sentence
227
839410
3994
که وقتی یک تصویر را برای اولین بار میبیند
14:15
when it sees a picture for the first time.
228
843404
3506
قادر به تولید جملات
همانند انسانها هست تولید کردیم.
همانند انسانها هست تولید کردیم.
14:18
Now, I'm ready to show you
what the computer says
what the computer says
229
846910
4644
حالا آماده هستم که بهتون نشان دهم
که یک رایانه وقتی تصویری که
که یک رایانه وقتی تصویری که
14:23
when it sees the picture
230
851554
1975
وقتی تصویری را میبیند که
14:25
that the little girl saw
at the beginning of this talk.
at the beginning of this talk.
231
853529
3830
اون دختر کوچولوی اول سخنرانی آن را دید.
14:31
(Video) Computer: A man is standing
next to an elephant.
next to an elephant.
232
859519
3344
(صدای رایانه): یک مرد کنار یک فیل
ایستاده است.
ایستاده است.
14:36
A large airplane sitting on top
of an airport runway.
of an airport runway.
233
864393
3634
یک هواپیمای بزرگ روی
باند پروازفرودگاه نشسته.
باند پروازفرودگاه نشسته.
14:41
FFL: Of course, we're still working hard
to improve our algorithms,
to improve our algorithms,
234
869057
4212
(سخنران): البته ما هنوز داریم سخت تلاش
میکنیم که الگوریتممان را بهتر کنیم،
میکنیم که الگوریتممان را بهتر کنیم،
14:45
and it still has a lot to learn.
235
873269
2596
و هنوز چیزهای زیادی هست که باید یاد بگیرد.
14:47
(Applause)
236
875865
2291
(تشویق حضار)
14:51
And the computer still makes mistakes.
237
879556
3321
و رایانه هنوز اشتباه میکند.
14:54
(Video) Computer: A cat lying
on a bed in a blanket.
on a bed in a blanket.
238
882877
3391
(صدای رایانه): یک گربه زیر لحاف
دراز کشیده روی تخت.
دراز کشیده روی تخت.
14:58
FFL: So of course, when it sees
too many cats,
too many cats,
239
886268
2553
(سخنران): قطعا وقتی
تعداد زیادی گربه میبیند
تعداد زیادی گربه میبیند
15:00
it thinks everything
might look like a cat.
might look like a cat.
240
888821
2926
ممکن است فکر کند که همه چیز شبیه گربه است.
15:05
(Video) Computer: A young boy
is holding a baseball bat.
is holding a baseball bat.
241
893317
2864
(صدای رایانه): یک پسربچه
یک چوب بیسبال در دست دارد.
یک چوب بیسبال در دست دارد.
15:08
(Laughter)
242
896181
1765
(خنده حضار)
15:09
FFL: Or, if it hasn't seen a toothbrush,
it confuses it with a baseball bat.
it confuses it with a baseball bat.
243
897946
4583
(سخنران): و اگر مسواک ندیده باشد
آن را با چوب بیسبال اشتباه میگیرد.
آن را با چوب بیسبال اشتباه میگیرد.
15:15
(Video) Computer: A man riding a horse
down a street next to a building.
down a street next to a building.
244
903309
3434
(صدای رایانه): مردی که در خیابان
کنار یک ساختمان اسب سواری میکند.
کنار یک ساختمان اسب سواری میکند.
15:18
(Laughter)
245
906743
2023
(خنده حضار)
15:20
FFL: We haven't taught Art 101
to the computers.
to the computers.
246
908766
3552
(سخنران): ما به رایانهها کلاس
هنر پایه تدریس نکردیم.
هنر پایه تدریس نکردیم.
15:25
(Video) Computer: A zebra standing
in a field of grass.
in a field of grass.
247
913768
2884
(صدای رایانه): یک گورخر ایستاده
در زمینی پوشیده از علف.
در زمینی پوشیده از علف.
15:28
FFL: And it hasn't learned to appreciate
the stunning beauty of nature
the stunning beauty of nature
248
916652
3367
(سخنران): و یاد نگرفته که قدر
زیبایی مسحور کننده طبیعت
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 journey.
250
922457
2832
بله، سفر درازی بوده
15:37
To get from age zero to three was hard.
251
925289
4226
تا از سن صفر به سه سالگی برسیم
دشوار بود.
دشوار بود.
15:41
The real challenge is to go
from three to 13 and far beyond.
from three to 13 and far beyond.
252
929515
5596
سختی واقعی رفتن از سه سالگی به
۱۳ سالگی و فراتر هست.
۱۳ سالگی و فراتر هست.
15:47
Let me remind you with this picture
of the boy and the cake again.
of the boy and the cake again.
253
935111
4365
اجازه بدهید به شما با این تصویر
پسر و کیک یادآوری کنم.
پسر و کیک یادآوری کنم.
15:51
So far, we have taught
the computer to see objects
the computer to see objects
254
939476
4064
تا الان به رایانه یاد دادیم
که اجسام را ببیند
که اجسام را ببیند
15:55
or even tell us a simple story
when seeing a picture.
when seeing a picture.
255
943540
4458
یا حتی وقتی یک تصویر را میبیند
یک داستان ساده به ما بگوید.
یک داستان ساده به ما بگوید.
15:59
(Video) Computer: A person sitting
at a table with a cake.
at a table with a cake.
256
947998
3576
(صدای رایانه): یک شخص نشسته سر یک میز
با یک کیک.
با یک کیک.
16:03
FFL: But there's so much more
to this picture
to this picture
257
951574
2630
(سخنران): اما در این عکس
خیلی چیزهای دیگر غیر از یک
خیلی چیزهای دیگر غیر از یک
16:06
than just a person and a cake.
258
954204
2270
آدم و کیک هست.
16:08
What the computer doesn't see
is that this is a special Italian cake
is that this is a special Italian cake
259
956474
4467
چیزی که رایانه نمیبیند این است که
این یک کیک مخصوص ایتالیایی
این یک کیک مخصوص ایتالیایی
16:12
that's only served during Easter time.
260
960941
3217
که فقط در زمان عید پاک پخته میشود
هست.
هست.
16:16
The boy is wearing his favorite t-shirt
261
964158
3205
پسر تیشرت مورد علاقهاش را پوشیده
16:19
given to him as a gift by his father
after a trip to Sydney,
after a trip to Sydney,
262
967363
3970
که توسط پدرش بعنوان هدیه بعد از سفر
به سیدنی به او داده شده.
به سیدنی به او داده شده.
16:23
and you and I can all tell how happy he is
263
971333
3808
و من و شما همه میتوانیم بگویم
که چقدر خوشحال هست
که چقدر خوشحال هست
16:27
and what's exactly on his mind
at that moment.
at that moment.
264
975141
3203
و دقیقا در آن لحظه در ذهنش چه میگذرد.
16:31
This is my son Leo.
265
979214
3125
این پسر من "لیو" هست.
16:34
On my quest for visual intelligence,
266
982339
2624
در جستجوی من برای هوش بصری
16:36
I think of Leo constantly
267
984963
2391
مدام به "لیو" فکر میکنم
16:39
and the future world he will live in.
268
987354
2903
و آیندهای که او زندگی خواهد کرد.
16:42
When machines can see,
269
990257
2021
زمانی که ماشینها میتوانند ببینند،
16:44
doctors and nurses will have
extra pairs of tireless eyes
extra pairs of tireless eyes
270
992278
4712
پزشکان و پرستاران یک جفت چشم
خستگی ناپذیراضافه خواهند داشت
خستگی ناپذیراضافه خواهند داشت
16:48
to help them to diagnose
and take care of patients.
and take care of patients.
271
996990
4092
که به آنها کمک خواهد کرد برای تشخیص
و مراقبت از بیماران.
و مراقبت از بیماران.
16:53
Cars will run smarter
and safer on the road.
and safer on the road.
272
1001082
4383
خودروها هوشمندانهتر و ایمنتر
در جادهها حرکت خواهند کرد.
در جادهها حرکت خواهند کرد.
16:57
Robots, not just humans,
273
1005465
2694
رباتها، نه فقط انسانها
17:00
will help us to brave the disaster zones
to save the trapped and wounded.
to save the trapped and wounded.
274
1008159
4849
به ما در خطرکردن در مناطق فاجعهزده برای
نجات مصدومان و زخمیها کمک خواهند کرد.
نجات مصدومان و زخمیها کمک خواهند کرد.
17:05
We will discover new species,
better materials,
better materials,
275
1013798
3796
گونه‌های جدید خواهیم یافت،
مواد بهتر،
مواد بهتر،
17:09
and explore unseen frontiers
with the help of the machines.
with the help of the machines.
276
1017594
4509
و مرزهای نادیده را با کمک ماشینها
اکتشاف خواهیم کرد.
اکتشاف خواهیم کرد.
17:15
Little by little, we're giving sight
to the machines.
to the machines.
277
1023113
4167
کم کم داریم به ماشینها بینایی میبخشیم.
17:19
First, we teach 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, human eyes
won't be the only ones
won't be the only ones
280
1032841
4165
برای اولین بار چشمان انسان
تنها چشمانی نخواهند بود
تنها چشمانی نخواهند بود
17:29
pondering and exploring our world.
281
1037006
2934
که تفکر میکنند و جهان ما را کاوش میکنند.
17:31
We will not only use the machines
for their intelligence,
for their intelligence,
282
1039940
3460
ما نه تنها از ماشینها برای
هوش آنها استفاده میکنیم،
هوش آنها استفاده میکنیم،
17:35
we will also collaborate with them
in ways that we cannot even imagine.
in ways that we cannot even imagine.
283
1043400
6179
بلکه با آنها به روش هایی که
نمیتوانیم تصور کنیم همکاری خواهیم کرد.
نمیتوانیم تصور کنیم همکاری خواهیم کرد.
17:41
This is my quest:
284
1049579
2161
این جستجوی من است:
17:43
to give computers visual intelligence
285
1051740
2712
تا به رایانه ها هوش بصری بدهم
17:46
and to create a better future
for Leo and for the world.
for Leo and for the world.
286
1054452
5131
و آینده بهتری برای "لیو" و جهان خلق کنم.
17:51
Thank you.
287
1059583
1811
متشکرم.
17:53
(Applause)
288
1061394
3785
(تشویق حضار)
ABOUT THE SPEAKER
Fei-Fei Li - Computer scientistAs 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.
Fei-Fei Li | Speaker | TED.com