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

بلیس آگورا ای آرکاس: رایانه‌ها چطور خلاقیت را یاد می‌گیرند

Filmed:
1,934,067 views

ما در آستانه مرز‌های جدیدی در هنر و خلاقیتیم-- که انسانی نیستند. بلیس آگورا ای آرکاس، محقق ارشد در شرکت گوگل هست که با شبکه های عصبی عمیق، برای درک ماشینی و آموزش گسترده کار می‌کند. دراین نمایش جذاب، او نشان می‌دهد که شبکه‌های عصبی آموزش دیده برای تشخیص تصویر را می‌توان معکوس کرد تا تصاویر را تولید کنند. و نتیجه‌اش: تصاویر کلاژ تماشایی، وهم انگیز ( و شاعرانه!) که قابل دسته بندی نیستند. آگورا ای آرکاس می‌گوید « ادراک و خلاقیت به شکلی نزدیک مرتبطند،» « هر موجودی که توانایی درک دارد می‌تواند خلاق هم باشد.»
- 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 leadسرب a teamتیم at Googleگوگل
that worksآثار on machineدستگاه intelligenceهوش;
0
800
3124
من مدیر گروهی در گوگل هستم
که در مورد هوش مصنوعی کار می‌کند؛
00:15
in other wordsکلمات, the engineeringمهندسی disciplineانضباط
of makingساخت computersکامپیوترها and devicesدستگاه ها
1
3948
4650
به عبارت دیگر، راهکارهای مهندسی
برای اینکه رایانه‌ها و دستگاه ها
00:20
ableتوانایی to do some of the things
that brainsمغز do.
2
8622
2419
بتوانند بعضی از کارهای مغز رو انجام بدهند.
00:23
And this makesباعث می شود us
interestedعلاقه مند in realواقعی brainsمغز
3
11439
3099
و این ما رو به مغز و همچنین
00:26
and neuroscienceعلوم اعصاب as well,
4
14562
1289
علوم اعصاب علاقه‌مند میکند،
00:27
and especiallyبه خصوص interestedعلاقه مند
in the things that our brainsمغز do
5
15875
4172
و خصوصا به کارهایی که مغزمان انجام میدهد
00:32
that are still farدور superiorبرتر
to the performanceکارایی of computersکامپیوترها.
6
20071
4042
که همچنان بسیار فراتر
از کارایی رایانه‌هاست.
00:37
Historicallyتاریخی, one of those areasمناطق
has been perceptionادراک,
7
25209
3609
از دیدگاه تاریخی، یکی از این حوزه‌ها
ادراک بوده است،
00:40
the processروند by whichکه things
out there in the worldجهان --
8
28842
3039
فرایندی که درآن چیزهای دنیای بیرون --
00:43
soundsبرای تلفن های موبایل and imagesتصاویر --
9
31905
1584
اصوات و تصاویر --
00:45
can turnدور زدن into conceptsمفاهیم in the mindذهن.
10
33513
2178
می‌توانند به موضوعاتی ذهنی تبدیل شوند.
00:48
This is essentialضروری است for our ownخودت brainsمغز,
11
36235
2517
این برای مغز ما اساسی است،
00:50
and it's alsoهمچنین prettyبسیار usefulمفید است on a computerکامپیوتر.
12
38776
2464
و همچنین بسیار مفید در یک رایانه.
00:53
The machineدستگاه perceptionادراک algorithmsالگوریتم ها,
for exampleمثال, that our teamتیم makesباعث می شود,
13
41636
3350
برای مثال، آلگوریتم‌های ادراک ماشینی،
که گروه ما تولید می‌کنند،
00:57
are what enableفعال کردن your picturesتصاویر
on Googleگوگل Photosعکس ها to becomeتبدیل شدن به searchableقابل جستجو,
14
45010
3874
چیزی است که تصاویر شما
در گوگل فوتو را قابل جستجو می‌کنند،
01:00
basedمستقر on what's in them.
15
48908
1397
با توجه به چیزهایی که در آنهاست.
01:03
The flipتلنگر sideسمت of perceptionادراک is creativityخلاقیت:
16
51594
3493
روی دیگر ادراک خلاقیت است:
01:07
turningچرخش a conceptمفهوم into something
out there into the worldجهان.
17
55111
3038
تبدیل موضوع به چیزی آنجا در جهان.
01:10
So over the pastگذشته yearسال,
our work on machineدستگاه perceptionادراک
18
58173
3555
در سال گذشته،
کار ما در ادراک ماشین
01:13
has alsoهمچنین unexpectedlyبر خلاف انتظار connectedمتصل
with the worldجهان of machineدستگاه creativityخلاقیت
19
61752
4859
به شکلی غیر منتظره با
دنیای خلاقیت ماشینی مرتبط شد
01:18
and machineدستگاه artهنر.
20
66635
1160
و هنر ماشینی.
01:20
I think Michelangeloمیکل آنژ
had a penetratingنفوذ insightبینش، بصیرت، درون بینی
21
68556
3284
به نظر من میکل‌آنژ دیدگاه عمیقی
01:23
into to this dualدوگانه relationshipارتباط
betweenبین perceptionادراک and creativityخلاقیت.
22
71864
3656
در ارتباط دوگانه میان
ادراک و خلاقیت داشت.
01:28
This is a famousمشهور quoteنقل قول of his:
23
76023
2006
این گفته مشهوری از اوست:
01:30
"Everyهرکدام blockمسدود کردن of stoneسنگ
has a statueمجسمه insideداخل of it,
24
78053
3323
«هر قطعه سنگی شرایط خاص خود را دارد،
01:34
and the jobکار of the sculptorمجسمه ساز
is to discoverكشف كردن it."
25
82036
3002
و وظیفه مجسمه‌ساز کشف آن است.»
01:38
So I think that what
Michelangeloمیکل آنژ was gettingگرفتن at
26
86029
3216
به نظر من آنچه میکل‌آنژعنوان می‌کند
01:41
is that we createايجاد كردن by perceivingدرک,
27
89269
3180
این است که خلاقیت ما از راه ادراک است،
01:44
and that perceptionادراک itselfخودش
is an actعمل کن of imaginationخیال پردازی
28
92473
3023
و اینکه خود ادراک، ناشی از تصور است
01:47
and is the stuffچیز of creativityخلاقیت.
29
95520
2461
که ماده اولیه خلاقیت است.
01:50
The organعضو that does all the thinkingفكر كردن
and perceivingدرک and imaginingتصور کردن,
30
98691
3925
عضوی که تمامی تفکر و ادراک و تصور را
بر عهده دارد،
01:54
of courseدوره, is the brainمغز.
31
102640
1588
مسلما، مغز است.
01:57
And I'd like to beginشروع
with a briefمختصر bitبیت of historyتاریخ
32
105089
2545
و می‌خواهم تا تاریخچه مختصری
01:59
about what we know about brainsمغز.
33
107658
2302
از آنچه در باره مغز می‌دانیم بگویم.
02:02
Because unlikeبر خلاف, say,
the heartقلب or the intestinesروده ها,
34
110496
2446
چون برخلاف، مثلا،
قلب یا روده‌ها،
02:04
you really can't say very much
about a brainمغز by just looking at it,
35
112966
3144
خیلی از اعمال مغزرا با تنها نگاه کردن
به آن نمی‌فهمی،
02:08
at leastکمترین with the nakedبرهنه eyeچشم.
36
116134
1412
حداقل با چشم معمولی.
02:09
The earlyزود anatomistsآناتومیست ها who lookedنگاه کرد at brainsمغز
37
117983
2416
اولین کالبد شناسانی
که به مغز توجه کردند
02:12
gaveداد the superficialسطحی structuresسازه های
of this thing all kindsانواع of fancifulخیالی namesنام ها,
38
120423
3807
انواع اسم‌های عجیب و غریب را
به ساختار‌های سطحی آن دادند،
02:16
like hippocampusهیپوکامپ, meaningبه معنی "little shrimpمیگو."
39
124254
2433
مثل هیپو‌کمپوس، یعنی «میگوی کوچک».
02:18
But of courseدوره that sortمرتب سازی of thing
doesn't tell us very much
40
126711
2764
ولی البته این چیز‌ها توضیح زیادی
02:21
about what's actuallyدر واقع going on insideداخل.
41
129499
2318
از آنچه واقعا در درون آن
اتفاق می‌افتد نمی دهد.
02:24
The first personفرد who, I think, really
developedتوسعه یافته some kindنوع of insightبینش، بصیرت، درون بینی
42
132780
3613
اولین کسی که، به نظرم، واقعا
یک بررسی از آنچه
02:28
into what was going on in the brainمغز
43
136417
1930
واقعا در مغز اتفاق می‌افتد انجام داد
02:30
was the great Spanishاسپانیایی neuroanatomistعصب شناس,
Santiagoسانتیاگو Ramرمón y Cajalکجال,
44
138371
3920
عصب‌ شناس بزرگ اسپانیایی،
سانتیاگو رامون ای کاخال بود،
02:34
in the 19thth centuryقرن,
45
142315
1544
در قرن ۱۹،
02:35
who used microscopyمیکروسکوپ and specialویژه stainsلکه ها
46
143883
3755
که از میکروسکوپ و رنگ آمیزی
خاصی استفاده کرد
02:39
that could selectivelyبه طور انتخابی fillپر کن in
or renderرندر کردن in very highبالا contrastتضاد
47
147662
4170
که به انتخاب می‌توانست با تضاد رنگ خوبی
02:43
the individualفردی cellsسلول ها in the brainمغز,
48
151856
2008
هر سلول مغز را پر یا روکش کند،
02:45
in orderسفارش to startشروع کن to understandفهمیدن
theirخودشان morphologiesمورفولوژی ها.
49
153888
3154
تا بتواند شروع به درک کارایی ظاهری آن کند.
02:49
And these are the kindsانواع of drawingsنقشه ها
that he madeساخته شده of neuronsنورون ها
50
157972
2891
و اینها طراحی‌هایی است
که او از نورون‌ها ساخته
02:52
in the 19thth centuryقرن.
51
160887
1209
در قرن ۱۹ میلادی.
02:54
This is from a birdپرنده brainمغز.
52
162120
1884
این از مغز یک پرنده است.
02:56
And you see this incredibleباور نکردنی varietyتنوع
of differentناهمسان sortsانواع of cellsسلول ها,
53
164028
3057
و اینجا انواع بسیار مختلفی از سلول‌ها
را می‌بینید،
02:59
even the cellularسلولی theoryتئوری itselfخودش
was quiteکاملا newجدید at this pointنقطه.
54
167109
3435
حتی خود نظریه سلولی
در این زمان بسیار جدید بود.
03:02
And these structuresسازه های,
55
170568
1278
و این ساختار‌ها،
03:03
these cellsسلول ها that have these arborizationsarborizations,
56
171870
2259
این سلول‌ها که دارای ارایش درختی هستند،
03:06
these branchesشاخه ها that can go
very, very long distancesفاصله ها --
57
174153
2608
این شاخه‌ها که می‌توانند
تا فاصله‌های بسیار زیاد بروند --
03:08
this was very novelرمان at the time.
58
176785
1616
در آن زمان بسیار جدید بودند.
03:10
They're reminiscentیادآور, of courseدوره, of wiresسیم ها.
59
178779
2903
درست مثل سیم کشی می‌مانند.
03:13
That mightممکن have been obviousآشکار
to some people in the 19thth centuryقرن;
60
181706
3457
و برای بعضی ها در قرن ۱۹ خیلی بدیهی بود؛
03:17
the revolutionsانقلاب of wiringسیم کشی and electricityالکتریسیته
were just gettingگرفتن underwayدر حال انجام.
61
185187
4314
انقلاب الکتریسیته
و سیم کشی تازه شروع شده بود.
03:21
But in manyبسیاری waysراه ها,
62
189964
1178
اما از خیلی جنبه‌ها،
03:23
these microanatomicalمیکروآهنگی drawingsنقشه ها
of Ramرمón y Cajal'sکجال, like this one,
63
191166
3313
این ریز طراحی‌های تشریحی
توسط رامون ای کاخال، مثل این،
03:26
they're still in some waysراه ها unsurpassedبی حد و حصر.
64
194503
2332
همچنان در نوع خود بی‌نظیرند.
03:28
We're still more than a centuryقرن laterبعد,
65
196859
1854
هنوز بعد از یک قرن،
03:30
tryingتلاش کن to finishپایان دادن the jobکار
that Ramرمón y Cajalکجال startedآغاز شده.
66
198737
2825
می‌خواهیم کاری که رامون ای کاخال
شروع کرده را تمام کنیم.
03:33
These are rawخام dataداده ها from our collaboratorsمشارکت کنندگان
67
201586
3134
این ها اطلاعات خامی هستند
که همکارانمان
03:36
at the Maxحداکثر Planckپلانک Instituteمؤسسه
of Neuroscienceعلوم اعصاب.
68
204744
2881
در انستیتو عصب شناسی ماکس پلانک
تهیه کرده اند.
03:39
And what our collaboratorsمشارکت کنندگان have doneانجام شده
69
207649
1790
و کاری که همکارانمان انجام داده‌اند
03:41
is to imageتصویر little piecesقطعات of brainمغز tissueبافت.
70
209463
5001
تصویربرداری از بافت کوچکی از مغز است.
03:46
The entireکل sampleنمونه here
is about one cubicمکعب millimeterمیلی متر in sizeاندازه,
71
214488
3326
کل نمونه در اندازه یک میلیمتر مکعب است.
03:49
and I'm showingنشان دادن you a very,
very smallکوچک pieceقطعه of it here.
72
217838
2621
و من بخش خیلی خیلی کوچکی
از آن را به شما نشان می‌دهم.
03:52
That barبار on the left is about one micronمیکرون.
73
220483
2346
آن میله در چپ اندازه یک میکرون است.
03:54
The structuresسازه های you see are mitochondriaمیتوکندری
74
222853
2409
ساختاری که می‌بینید یک میتوکندری است
03:57
that are the sizeاندازه of bacteriaباکتری ها.
75
225286
2044
که به اندازه یک باکتری آست.
03:59
And these are consecutiveمتوالی slicesبرش ها
76
227354
1551
و اینها برش‌های پشت هم هستند
04:00
throughاز طریق this very, very
tinyکوچک blockمسدود کردن of tissueبافت.
77
228929
3148
در این بخش بسیار بسیار کوچک بافت.
04:04
Just for comparison'sمقایسه sakeمنظور,
78
232101
2403
تنها برای مقایسه،
04:06
the diameterقطر of an averageمیانگین strandرشته
of hairمو is about 100 micronsمیکرون.
79
234528
3792
قطر یک تار مو حدود ۱۰۰ میکرون است.
04:10
So we're looking at something
much, much smallerکوچکتر
80
238344
2274
پس ما به چیزهایی خیلی، خیلی کوچکتر
04:12
than a singleتنها strandرشته of hairمو.
81
240642
1398
از یک تار مو نگاه می‌کنیم.
04:14
And from these kindsانواع of serialسریال
electronالکترون microscopyمیکروسکوپ slicesبرش ها,
82
242064
4031
و با استفاده از این نوع
برش‌های میکروسکوپ الکترونی،
04:18
one can startشروع کن to make reconstructionsبازسازی
in 3D of neuronsنورون ها that look like these.
83
246119
5008
می‌توان نورون‌های
سه بعدی مثل این را بازسازی کرد.
04:23
So these are sortمرتب سازی of in the sameیکسان
styleسبک as Ramرمón y Cajalکجال.
84
251151
3157
پس این‌ها به شکلی مشابه
کارهای رامون ای کاخال است.
04:26
Only a fewتعداد کمی neuronsنورون ها litروشن است up,
85
254332
1492
فقط چند نورون مشخص شده‌اند،
04:27
because otherwiseدر غیر این صورت we wouldn'tنمی خواهم
be ableتوانایی to see anything here.
86
255848
2781
چون در غیر این صورت نمی‌توانستیم
چیزی را ببینیم.
04:30
It would be so crowdedشلوغ است,
87
258653
1312
چون آنقدر شلوغ،
04:31
so fullپر شده of structureساختار,
88
259989
1330
و پر از ساختارهای،
04:33
of wiringسیم کشی all connectingبرقراری ارتباط
one neuronنورون to anotherیکی دیگر.
89
261343
2724
ارتباطی از یک نورون به دیگری بود.
04:37
So Ramرمón y Cajalکجال was a little bitبیت
aheadدر پیش of his time,
90
265293
2804
پس رامون ای کاخال
از زمانه‌اش کمی جلوتر بود،
04:40
and progressپیش رفتن on understandingدرك كردن the brainمغز
91
268121
2555
و پیشرفت در فهمیدن مغز
04:42
proceededاقدام کرد slowlyبه آرامی
over the nextبعد fewتعداد کمی decadesچند دهه.
92
270700
2271
در چند دهه بعد به کندی پیش میرفت.
04:45
But we knewمی دانست that neuronsنورون ها used electricityالکتریسیته,
93
273455
2853
ما می‌دانستیم که نورون‌ها
از الکتریسیته استفاده می‌کنند،
04:48
and by Worldجهان Warجنگ IIدوم, our technologyتکنولوژی
was advancedپیشرفته enoughکافی
94
276332
2936
تا زمان جنگ جهانی دوم،
فناوری ما به اندازه‌ای پیشرفت کرد
04:51
to startشروع کن doing realواقعی electricalالکتریکی
experimentsآزمایشات on liveزنده neuronsنورون ها
95
279292
2806
تا شروع به آزمایش‌ های الکتریکی
روی نورون‌های زنده کنیم
04:54
to better understandفهمیدن how they workedکار کرد.
96
282122
2106
تا درک بهتری از کارکردشان داشته باشیم.
04:56
This was the very sameیکسان time
when computersکامپیوترها were beingبودن inventedاختراع شده است,
97
284631
4356
و این همان وقتی بود
که رایانه‌ها اختراع شدند،
05:01
very much basedمستقر on the ideaاندیشه
of modelingمدل سازی the brainمغز --
98
289011
3100
کاملا بر مبنای ایده و الگو سازی از مغز --
05:04
of "intelligentباهوش - هوشمند machineryدستگاه,"
as Alanآلن Turingتورینگ calledبه نام it,
99
292135
3085
«ماشین‌های هوشمندی»
که آلن تورینگ نام گذاری کرده بود،
05:07
one of the fathersپدران of computerکامپیوتر scienceعلوم پایه.
100
295244
1991
یکی از پدران علوم رایانه.
05:09
Warrenوارن McCullochMcCulloch and Walterوالتر Pittsپیتز
lookedنگاه کرد at Ramرمón y Cajal'sکجال drawingنقاشی
101
297923
4632
وارن مک کلوچ و والتر پیتس
به طرح های رامون ای کاخال
05:14
of visualبصری cortexقشر,
102
302579
1317
از قشر بینایی نگاه کردند،
05:15
whichکه I'm showingنشان دادن here.
103
303920
1562
که اینجا نشان می‌دهم.
05:17
This is the cortexقشر that processesفرآیندهای
imageryتصاویر that comesمی آید from the eyeچشم.
104
305506
4442
این قشری است که تصاویری که
از چشم می‌آید را پردازش می‌کند.
05:22
And for them, this lookedنگاه کرد
like a circuitمدار diagramنمودار.
105
310424
3508
و از نظر آنها، مثل مدارات الکتریکی بود.
05:26
So there are a lot of detailsجزئیات
in McCullochMcCulloch and Pitts'sپیتز circuitمدار diagramنمودار
106
314353
3835
در نتیجه جزئیات زیادی
در مدارات مک کلوچ و پیتس وجود دارند
05:30
that are not quiteکاملا right.
107
318212
1352
که کاملا درست نیستند.
05:31
But this basicپایه ای ideaاندیشه
108
319588
1235
اما این ایده اولیه
05:32
that visualبصری cortexقشر worksآثار like a seriesسلسله
of computationalمحاسباتی elementsعناصر
109
320847
3992
که قشر بینایی مانند تعدادی
مدارات رایانه‌ای عمل می‌کند
05:36
that passعبور informationاطلاعات
one to the nextبعد in a cascadeآبشار,
110
324863
2746
که بصورت سری اطلاعات را
از یکی به دیگری انتقال می‌دهد،
05:39
is essentiallyاساسا correctدرست.
111
327633
1602
در پایه صحیح بود.
05:41
Let's talk for a momentلحظه
112
329259
2350
بگذارید لحظه‌ای در مورد
05:43
about what a modelمدل for processingدر حال پردازش
visualبصری informationاطلاعات would need to do.
113
331633
4032
روشی که برای پردازش اطلاعات تصویری
نیاز داریم صحبت کنیم.
05:48
The basicپایه ای taskوظیفه of perceptionادراک
114
336228
2741
وظیفه اصلی ادراک
05:50
is to take an imageتصویر like this one and say,
115
338993
4194
دریافت تصویری مثل این و بیان،
05:55
"That's a birdپرنده,"
116
343211
1176
« این پرنده است،»
05:56
whichکه is a very simpleساده thing
for us to do with our brainsمغز.
117
344411
2874
که واقعا موضوع ساده‌ای برای مغز ماست.
05:59
But you should all understandفهمیدن
that for a computerکامپیوتر,
118
347309
3421
اما باید بدانید که برای یک رایانه،
06:02
this was prettyبسیار much impossibleغیرممکن است
just a fewتعداد کمی yearsسالها agoپیش.
119
350754
3087
تا چند سال پیش تقریبا غیر ممکن بود.
06:05
The classicalکلاسیک computingمحاسبه paradigmالگو
120
353865
1916
برای روش های سنتی رایانه‌
06:07
is not one in whichکه
this taskوظیفه is easyآسان to do.
121
355805
2507
انجام این کار ساده نیست.
06:11
So what's going on betweenبین the pixelsپیکسل,
122
359366
2552
اتفاقی که بین پیکسل‌های تصویر،
06:13
betweenبین the imageتصویر of the birdپرنده
and the wordکلمه "birdپرنده,"
123
361942
4028
بین تصویر پرنده
و کلمه «پرنده» اتفاق می‌افتد،
06:17
is essentiallyاساسا a setتنظیم of neuronsنورون ها
connectedمتصل to eachهر یک other
124
365994
2814
اساسا دسته‌ای از نورون‌های متصل به هم است
06:20
in a neuralعصبی networkشبکه,
125
368832
1155
در یک شبکه عصبی،
06:22
as I'm diagrammingنمودار here.
126
370011
1223
که اینجا درنمودار است.
06:23
This neuralعصبی networkشبکه could be biologicalبیولوژیکی,
insideداخل our visualبصری corticesCortices,
127
371258
3272
این شبکه عصبی می‌تواند از نوع زیستی
و درون قشر بینایی ما باشد،
06:26
or, nowadaysامروزه, we startشروع کن
to have the capabilityتوانایی
128
374554
2162
یا، این روز‌ها، ما شروع کرده‌ایم تا
06:28
to modelمدل suchچنین neuralعصبی networksشبکه های
on the computerکامپیوتر.
129
376740
2454
این شبکه های عصبی را در رایانه مدل کنیم.
06:31
And I'll showنشان بده you what
that actuallyدر واقع looksبه نظر می رسد like.
130
379834
2353
و به شما نشان می‌دهم که واقعا شبیه چه است.
06:34
So the pixelsپیکسل you can think
about as a first layerلایه of neuronsنورون ها,
131
382211
3416
پس پیکسل ها که می‌توانند ازدید شما
اولین لایه عصبی باشند،
06:37
and that's, in factواقعیت,
how it worksآثار in the eyeچشم --
132
385651
2239
و این در واقع،
همانطوری است که چشم کار می‌کند --
06:39
that's the neuronsنورون ها in the retinaشبکیه چشم.
133
387914
1663
که عصب‌های شبکیه هستند.
06:41
And those feedخوراک forwardرو به جلو
134
389601
1500
و آنهایی که مستقیما
از یک لایه به لایه دیگرعصبی
متصل می‌شوند،
06:43
into one layerلایه after anotherیکی دیگر layerلایه,
after anotherیکی دیگر layerلایه of neuronsنورون ها,
135
391125
3403
06:46
all connectedمتصل by synapsesسیناپس ها
of differentناهمسان weightsوزن.
136
394552
3033
همگی از طریق سیناپس‌هایی
با وزن‌های مختلف متصل می‌شوند.
06:49
The behaviorرفتار of this networkشبکه
137
397609
1335
رفتار این شبکه
06:50
is characterizedمشخص by the strengthsنقاط قوت
of all of those synapsesسیناپس ها.
138
398968
3284
از طریق قدرت همه این سیناپس‌ها
مشخص می‌گردد.
06:54
Those characterizeمشخصه the computationalمحاسباتی
propertiesخواص of this networkشبکه.
139
402276
3288
اینها رفتار محاسباتی شبکه را معین می‌کنند.
06:57
And at the endپایان of the day,
140
405588
1470
و در پایان،
06:59
you have a neuronنورون
or a smallکوچک groupگروه of neuronsنورون ها
141
407082
2447
عصب، یا گروه کوچکی از اعصاب را داری
07:01
that lightسبک up, sayingگفت:, "birdپرنده."
142
409553
1647
که مثلا، کلمه «پرنده» را روشن می‌کند.
07:03
Now I'm going to representنمایندگی
those threeسه things --
143
411824
3132
حالا این سه موضوع را مدل می‌کنم --
07:06
the inputورودی pixelsپیکسل and the synapsesسیناپس ها
in the neuralعصبی networkشبکه,
144
414980
4696
پیکسل‌های ورودی سیناپس‌های شبکه عصبی،
07:11
and birdپرنده, the outputخروجی --
145
419700
1585
و خروجی پرنده --
07:13
by threeسه variablesمتغیرها: x, w and y.
146
421309
3057
با سه متغیر: X، W و Y.
07:16
There are maybe a millionمیلیون or so x'sایکس --
147
424853
1811
حدود یک میلیون X داریم --
07:18
a millionمیلیون pixelsپیکسل in that imageتصویر.
148
426688
1953
یک میلیون پیکسل در تصویر.
07:20
There are billionsمیلیاردها دلار or trillionsتریلیون ها of w'sوای,
149
428665
2446
میلیارد‌ها یا تریلیارد‌ها W داریم،
07:23
whichکه representنمایندگی the weightsوزن of all
these synapsesسیناپس ها in the neuralعصبی networkشبکه.
150
431135
3421
که نشان دهنده وزن این سیناپس‌ها
در شبکه عصبی‌اند.
07:26
And there's a very smallکوچک numberعدد of y'sیی,
151
434580
1875
و تعداد بسیار کمی Y وجود دارد،
07:28
of outputsخروجی ها that that networkشبکه has.
152
436479
1858
که خروجی‌های آن شبکه‌اند.
07:30
"Birdپرنده" is only fourچهار lettersنامه ها, right?
153
438361
1749
کلمه «پرنده» چهار حرف دارد، درسته؟
07:33
So let's pretendوانمود کنید that this
is just a simpleساده formulaفرمول,
154
441088
3426
حالا بگذارید فرض کنیم این
فقط یک معادله ساده است،
07:36
x "x" w = y.
155
444538
2163
X ضربدر W می‌شود Y.
07:38
I'm puttingقرار دادن the timesبار in scareترساندن quotesنقل قول
156
446725
2036
من ضربدر را در گیومه گذاشته‌ام
07:40
because what's really
going on there, of courseدوره,
157
448785
2280
چون اتفاقی که واقعا میافته،
07:43
is a very complicatedبغرنج seriesسلسله
of mathematicalریاضی operationsعملیات.
158
451089
3046
مجموعه واقعا پیچیده‌ای از عملیات ریاضیه.
07:47
That's one equationمعادله.
159
455172
1221
این یک معادله‌ است،
07:48
There are threeسه variablesمتغیرها.
160
456417
1672
که سه متغیر داره.
07:50
And we all know
that if you have one equationمعادله,
161
458113
2726
و همه ما می‌دانیم که
اگه یک معادله داشته باشیم،
07:52
you can solveحل one variableمتغیر
by knowingدانستن the other two things.
162
460863
3642
می‌توانیم یک متغیر را با دانستن
دو متغیر دیگه بدست آوریم.
07:57
So the problemمسئله of inferenceاستنتاج,
163
465158
3380
پس در نتیجه،
08:00
that is, figuringبدانید out
that the pictureعکس of a birdپرنده is a birdپرنده,
164
468562
2873
به این شکل، مشخص می‌شود که
تصویر یک پرنده، پرنده است،
08:03
is this one:
165
471459
1274
این یکی:
08:04
it's where y is the unknownناشناخته
and w and x are knownشناخته شده.
166
472757
3459
اینجاست که Y مجهوله
و X و W معلوم.
08:08
You know the neuralعصبی networkشبکه,
you know the pixelsپیکسل.
167
476240
2459
شبکه عصبی معلومه،
پیکسل‌ها معلومند.
08:10
As you can see, that's actuallyدر واقع
a relativelyبه طور نسبی straightforwardساده problemمسئله.
168
478723
3327
همونطور که می‌بینید، نسبتا یک
مسئله سر راسته.
08:14
You multiplyتکثیر کردن two timesبار threeسه
and you're doneانجام شده.
169
482074
2186
دو رو ضربدر سه می‌کنی و تمومه.
08:16
I'll showنشان بده you an artificialمصنوعی neuralعصبی networkشبکه
170
484862
2123
من یک شبکه عصبی مصنوعی رو نشونتون می‌دهم
08:19
that we'veما هستیم builtساخته شده recentlyبه تازگی,
doing exactlyدقیقا that.
171
487009
2296
که اخیرا ساختیم
که دقیقا همین کار رو می‌کنه.
08:21
This is runningدر حال اجرا in realواقعی time
on a mobileسیار phoneتلفن,
172
489634
2860
این بصورت زنده کار می‌کنه
روی یک گوشی موبایل،
08:24
and that's, of courseدوره,
amazingحیرت آور in its ownخودت right,
173
492518
3313
و البته این،
خودش واقعا عالیه،
08:27
that mobileسیار phonesتلفن ها can do so manyبسیاری
billionsمیلیاردها دلار and trillionsتریلیون ها of operationsعملیات
174
495855
3468
اون تلفن همراه می‌تونه میلیونها و
میلیارد‌ها عملیات رو
08:31
perدر هر secondدومین.
175
499347
1248
در ثانیه انجام بده.
08:32
What you're looking at is a phoneتلفن
176
500619
1615
چیزی که می‌بینید تلفن هست
08:34
looking at one after anotherیکی دیگر
pictureعکس of a birdپرنده,
177
502258
3547
به عکس‌های پرنده‌های مختلف نگاه می‌کنه،
08:37
and actuallyدر واقع not only sayingگفت:,
"Yes, it's a birdپرنده,"
178
505829
2715
و نه تنها می‌گه که
« آره، این یک پرنده است»،
08:40
but identifyingشناسایی the speciesگونه ها of birdپرنده
with a networkشبکه of this sortمرتب سازی.
179
508568
3411
بلکه نوع پرنده رو هم
با شبکه‌ای از این نوع تعیین می‌کنه.
08:44
So in that pictureعکس,
180
512890
1826
پس در این تصویر،
08:46
the x and the w are knownشناخته شده,
and the y is the unknownناشناخته.
181
514740
3802
X و W معلومند،
و Y مجهول.
08:50
I'm glossingبراق کردن over the very
difficultدشوار partبخشی, of courseدوره,
182
518566
2508
معلومه که، من قسمت خیلی سخت رو مخفی کردم،
08:53
whichکه is how on earthزمین
do we figureشکل out the w,
183
521098
3861
که ما چطور W رو پیدا می‌کنیم،
08:56
the brainمغز that can do suchچنین a thing?
184
524983
2187
مغزی که این کار‌ها رو می‌کنه؟
08:59
How would we ever learnیاد گرفتن suchچنین a modelمدل?
185
527194
1834
ما واقعا چطور این مدل رو پیدا می‌کنیم؟
09:01
So this processروند of learningیادگیری,
of solvingحل کردن for w,
186
529418
3233
پس این مدل یادگیری برای W حل شده،
09:04
if we were doing this
with the simpleساده equationمعادله
187
532675
2647
اگه به شکل یک معادله ساده نگاهش کنیم
09:07
in whichکه we think about these as numbersشماره,
188
535346
2000
که به اونها به شکل عدد نگاه می‌کنیم،
09:09
we know exactlyدقیقا how to do that: 6 = 2 x w,
189
537370
2687
معلومه که چکار می‌کنیم: ۶=۲xW ،
09:12
well, we divideتقسیم کنید by two and we're doneانجام شده.
190
540081
3312
خوب، به دو تقسیمش می‌کنیم و تمومه.
09:16
The problemمسئله is with this operatorاپراتور.
191
544001
2220
مشکل این ضریبه،
09:18
So, divisionتقسیم --
192
546823
1151
خوب، تقسیم --
09:19
we'veما هستیم used divisionتقسیم because
it's the inverseمعکوس to multiplicationضرب,
193
547998
3121
ما از تقسیم استفاده می‌کنیم چون
معکوس ضربه،
09:23
but as I've just said,
194
551143
1440
اما همونطور که گفتم،
09:24
the multiplicationضرب is a bitبیت of a lieدروغ here.
195
552607
2449
ضرب واقعا حرف درستی نیست.
09:27
This is a very, very complicatedبغرنج,
very non-linearغیر خطی operationعمل;
196
555080
3326
این یک عملیات خیلی، خیلی پیچیده غیر خطیه؛
09:30
it has no inverseمعکوس.
197
558430
1704
که معکوس نداره.
09:32
So we have to figureشکل out a way
to solveحل the equationمعادله
198
560158
3150
پس باید راهی پیدا کنیم تا
معادله رو حل کنیم
09:35
withoutبدون a divisionتقسیم operatorاپراتور.
199
563332
2024
بدون استفاده از تقسیم.
09:37
And the way to do that
is fairlyمنصفانه straightforwardساده.
200
565380
2343
و راه اون نسبتا ساده‌است.
09:39
You just say, let's playبازی
a little algebraجبر trickترفند,
201
567747
2671
کافیه فقط، از یک کلک جبر استفاده کنیم،
09:42
and moveحرکت the sixشش over
to the right-handدست راست sideسمت of the equationمعادله.
202
570442
2906
و شش رو به سمت راست معادله ببریم.
09:45
Now, we're still usingاستفاده كردن multiplicationضرب.
203
573372
1826
حالا، هنوز از ضرب استفاده می‌کنیم.
09:47
And that zeroصفر -- let's think
about it as an errorخطا.
204
575675
3580
و اون صفر --رو بگذارید
به عنوان خطا در نظر بگیریم.
09:51
In other wordsکلمات, if we'veما هستیم solvedحل شد
for w the right way,
205
579279
2515
به عبارت دیگر، اگر معادله
را برای W به شکل صحیح حل کنیم،
09:53
then the errorخطا will be zeroصفر.
206
581818
1656
مقدار خطا صفر می‌شود.
09:55
And if we haven'tنه gottenدریافت کردم it quiteکاملا right,
207
583498
1938
و اگر درست عمل نکنیم،
09:57
the errorخطا will be greaterبزرگتر than zeroصفر.
208
585460
1749
مقدار خطا صفر نمی‌شود.
09:59
So now we can just take guessesحدس بزنید
to minimizeبه حداقل رساندن the errorخطا,
209
587233
3366
پس می‌تونیم حدس بزنیم
تا مقدار خطا رو حداقل کنیم،
10:02
and that's the sortمرتب سازی of thing
computersکامپیوترها are very good at.
210
590623
2687
و این‌ها کارهایی است که رایانه‌ها
در اون استادند.
10:05
So you've takenگرفته شده an initialاولیه guessحدس بزن:
211
593334
1593
پس یه فرض اولیه می‌کنی:
10:06
what if w = 0?
212
594951
1156
فرض کنیم W=0 ؟
10:08
Well, then the errorخطا is 6.
213
596131
1240
پس خطا معادل ۶ است.
10:09
What if w = 1? The errorخطا is 4.
214
597395
1446
پس اگه W=۱ بود چی؟ خطا ۴ می‌شود.
10:10
And then the computerکامپیوتر can
sortمرتب سازی of playبازی Marcoمارکو Poloپولو,
215
598865
2367
و رایانه به شکلی مارکوپولو بازی می‌کنه،
10:13
and driveراندن down the errorخطا closeبستن to zeroصفر.
216
601256
2367
و مقدار خطا رو نزدیک به صفر کاهش می‌ده.
10:15
As it does that, it's gettingگرفتن
successiveپی در پی approximationsتقریبی ها to w.
217
603647
3374
و به این شکل مقدار تقریبی W بدست می‌آید
10:19
Typicallyمعمولا, it never quiteکاملا getsمی شود there,
but after about a dozenدوازده stepsمراحل,
218
607045
3656
معمولا، هیچوقت دقیقا به آن نمی رسد،
ولی بعد از نزدیک ده مرحله،
10:22
we're up to w = 2.999,
whichکه is closeبستن enoughکافی.
219
610725
4624
ما به W=۲.۹۹ می‌رسیم،
که به اندازه کافی مناسبه،
10:28
And this is the learningیادگیری processروند.
220
616302
1814
و این مرحله یادگیریه.
10:30
So rememberیاد آوردن that what's been going on here
221
618140
2730
خوب حالا اتفاقی که اینجا می‌افته
10:32
is that we'veما هستیم been takingگرفتن
a lot of knownشناخته شده x'sایکس and knownشناخته شده y'sیی
222
620894
4378
اینه که تعداد زیادی X های معلوم
و Yهای معلوم رو استفاده می‌کنیم
10:37
and solvingحل کردن for the w in the middleوسط
throughاز طریق an iterativeتکراری processروند.
223
625296
3454
و از روش تکرار W رو
محاسبه می‌کنیم.
10:40
It's exactlyدقیقا the sameیکسان way
that we do our ownخودت learningیادگیری.
224
628774
3556
این دقیقا همون روشیه
که ما یادگیری رو انجام می‌دهیم.
10:44
We have manyبسیاری, manyبسیاری imagesتصاویر as babiesنوزادان
225
632354
2230
مثل نوزادان ، تعداد خیلی، خیلی زیادی
تصویر می‌بینیم
10:46
and we get told, "This is a birdپرنده;
this is not a birdپرنده."
226
634608
2633
و بهشون می‌گیم، « این پرنده است؛
و این پرنده نیست.»
10:49
And over time, throughاز طریق iterationتکرار,
227
637714
2098
و در طول زمان، از طریق تکرار،
10:51
we solveحل for w, we solveحل
for those neuralعصبی connectionsارتباطات.
228
639836
2928
W را برای آن اتصالات عصبی بدست می‌اوریم.
10:55
So now, we'veما هستیم heldبرگزار شد
x and w fixedدرست شد to solveحل for y;
229
643460
4086
پس حالا، ما برای بدست آوردن
Y مقدار‌های X و W رو ثابت نگاه داشتیم؛
10:59
that's everydayهر روز, fastسریع perceptionادراک.
230
647570
1847
و این ادراک سریع روزانه‌است.
11:01
We figureشکل out how we can solveحل for w,
231
649441
1763
فهمیدیم، که چطور W را محاسبه کنیم،
11:03
that's learningیادگیری, whichکه is a lot harderسخت تر,
232
651228
1903
این یادگیری، خیلی سخت تره،
11:05
because we need to do errorخطا minimizationبه حداقل رساندن,
233
653155
1985
چون باید خطا رو حداقل کنیم،
11:07
usingاستفاده كردن a lot of trainingآموزش examplesمثال ها.
234
655164
1687
با استفاده از کلی نمونه برای یادگیری.
11:08
And about a yearسال agoپیش,
Alexالکس Mordvintsevمروردینسف, on our teamتیم,
235
656875
3187
و حدود یک سال قبل،
آلکس موردیوینسف، در تیم ما،
11:12
decidedقرار بر این شد to experimentآزمایشی
with what happensاتفاق می افتد if we try solvingحل کردن for x,
236
660086
3550
تصمیم گرفت تا بررسی کنه چه اتفاقی می‌افته
اگر اون رو برای X حل کنیم،
11:15
givenداده شده a knownشناخته شده w and a knownشناخته شده y.
237
663660
2037
اگه مقدار مشخصی برای W و Y داشته باشیم.
11:18
In other wordsکلمات,
238
666124
1151
به عبارت دیگر،
11:19
you know that it's a birdپرنده,
239
667299
1352
می‌دونید که این یک پرنده است،
11:20
and you alreadyقبلا have your neuralعصبی networkشبکه
that you've trainedآموزش دیده on birdsپرنده ها,
240
668675
3303
شبکه عصبی که
روی پرنده آموزش دیده رو دارید،
11:24
but what is the pictureعکس of a birdپرنده?
241
672002
2344
چه تصویری از پرنده بدست میاد؟
11:27
It turnsچرخش out that by usingاستفاده كردن exactlyدقیقا
the sameیکسان error-minimizationخطا به حداقل رساندن procedureروش,
242
675034
5024
معلوم شده که با استفاده از
همون شیوه کمینه کردن خطا،
11:32
one can do that with the networkشبکه
trainedآموزش دیده to recognizeتشخیص birdsپرنده ها,
243
680082
3430
می‌تونه با شبکه‌ای که
برای تشخیص پرنده آموزش دیده،
11:35
and the resultنتيجه turnsچرخش out to be ...
244
683536
3388
و نتیجه اون معلوم شد که ...
11:42
a pictureعکس of birdsپرنده ها.
245
690400
1305
تصویر پرنده است.
11:44
So this is a pictureعکس of birdsپرنده ها
generatedتولید شده است entirelyبه طور کامل by a neuralعصبی networkشبکه
246
692814
3737
این تصویر پرنده‌هاست که کاملا توسط
یک شبکه عصبی ایجاد شده
11:48
that was trainedآموزش دیده to recognizeتشخیص birdsپرنده ها,
247
696575
1826
که برای تضخیص پرنده آموزش دیده،
11:50
just by solvingحل کردن for x
ratherنسبتا than solvingحل کردن for y,
248
698425
3538
تنها با حل کردن آن برای X بجای Y،
11:53
and doing that iterativelyتکراری.
249
701987
1288
و تکرار اون.
11:55
Here'sاینجاست anotherیکی دیگر funسرگرم کننده exampleمثال.
250
703732
1847
این یک مثال سرگرم کننده دیگه است.
11:57
This was a work madeساخته شده
by Mikeمایک Tykaتیکا in our groupگروه,
251
705603
3437
این کاری است که توسط مایک تایکا
در گروه ما انجام شده،
12:01
whichکه he callsتماس می گیرد "Animalحیوانات Paradeرژه."
252
709064
2308
که «رژه حیوانات» نامیده می‌شود.
12:03
It remindsیادآوری می کند me a little bitبیت
of Williamویلیام Kentridge'sکنگرید artworksآثار هنری,
253
711396
2876
که من رو بیاد کارهای هنری
ویلیام کنتریج میاندازه،
12:06
in whichکه he makesباعث می شود sketchesطرح ها, rubsپاک کردن them out,
254
714296
2489
که طراحی های دستی انجام می‌داده،
12:08
makesباعث می شود sketchesطرح ها, rubsپاک کردن them out,
255
716809
1460
طرح می‌کرده، و اونها رو محو می‌کرده،
12:10
and createsایجاد می کند a movieفیلم سینما this way.
256
718293
1398
و با اون فیلم می‌ساخته.
12:11
In this caseمورد,
257
719715
1151
در این حالت،
12:12
what Mikeمایک is doing is varyingمتفاوت است y
over the spaceفضا of differentناهمسان animalsحیوانات,
258
720890
3277
کاری که مایک انجام می‌ده
تغییر Y در فضای حیوانات مختلف است،
12:16
in a networkشبکه designedطراحی شده
to recognizeتشخیص and distinguishتمیز دادن
259
724191
2382
در شبکه‌ای که برای تشخیص و تعیین
12:18
differentناهمسان animalsحیوانات from eachهر یک other.
260
726597
1810
حیولنات مختلف از همدیگر طراحی شده.
12:20
And you get this strangeعجیب, Escher-likeEscher-like
morphمورف from one animalحیوانات to anotherیکی دیگر.
261
728431
3751
و شما این تصاویر گرافیکی اشتر گونه که از
حیوانی به دیگری تبدیل میشه رو می‌بینید.
12:26
Here he and Alexالکس togetherبا یکدیگر
have triedتلاش کرد reducingكم كردن
262
734221
4614
اینجا او و الکس با هم سعی کرده‌اند
12:30
the y'sیی to a spaceفضا of only two dimensionsابعاد,
263
738859
2759
تا Y ها رو به فضای دو بعدی تبدیل کنند،
12:33
therebyدر نتیجه makingساخت a mapنقشه
out of the spaceفضا of all things
264
741642
3438
و اینطوری نقشه‌ای از فضای
همه چیزهایی بسازند
12:37
recognizedشناسایی شده by this networkشبکه.
265
745104
1719
که توسط این شبکه شناخته می‌شود.
12:38
Doing this kindنوع of synthesisسنتز
266
746847
2023
با انجام این تحلیل ها
12:40
or generationنسل of imageryتصاویر
over that entireکل surfaceسطح,
267
748894
2382
یا تولید تصویر در کل سطح،
12:43
varyingمتفاوت است y over the surfaceسطح,
you make a kindنوع of mapنقشه --
268
751300
2846
با تغییر Y روی سطح،
یه نوع نقشه تولید می‌کنی --
12:46
a visualبصری mapنقشه of all the things
the networkشبکه knowsمی داند how to recognizeتشخیص.
269
754170
3141
یک نقشه تصویری از همه چیز‌‌هایی
که شبکه میتونه تشخیص بده.
12:49
The animalsحیوانات are all here;
"armadilloآرامیدو" is right in that spotنقطه.
270
757335
2865
همه حیوانات اینجا هستند؛
«گورکن» درست اونجاست.
12:52
You can do this with other kindsانواع
of networksشبکه های as well.
271
760919
2479
اینکار رو می‌تونی
با انواع دیگر شبکه انجام بدی.
12:55
This is a networkشبکه designedطراحی شده
to recognizeتشخیص facesچهره ها,
272
763422
2874
این شبکه‌ای است که برای تشخیص
چهره طراحی شده،
12:58
to distinguishتمیز دادن one faceصورت from anotherیکی دیگر.
273
766320
2000
برای تشخیص یک صورت از صورت دیگر.
13:00
And here, we're puttingقرار دادن
in a y that saysمی گوید, "me,"
274
768344
3249
و اینجا، در Y، ما مقداری رو می‌گذاریم
که بیانگر «من» هست،
13:03
my ownخودت faceصورت parametersمولفه های.
275
771617
1575
مقادیر صورت خودم.
13:05
And when this thing solvesحل می کند for x,
276
773216
1706
و اگه معادله رو برای X حل کنیم،
13:06
it generatesتولید می کند this ratherنسبتا crazyدیوانه,
277
774946
2618
این چیز عجیب،
13:09
kindنوع of cubistمکعب, surrealسورئالیسم,
psychedelicروانشناسی pictureعکس of me
278
777588
4428
تصویر روانپریشی از من،
شبیه سبک کوبیسم، سور رئال
13:14
from multipleچندگانه pointsنکته ها of viewچشم انداز at onceیک بار.
279
782040
1806
از چند زاویه دید همزمان.
13:15
The reasonدلیل it looksبه نظر می رسد like
multipleچندگانه pointsنکته ها of viewچشم انداز at onceیک بار
280
783870
2734
دلیل اینکه تصویر از چند زاویه دید همزمان
تولید شده
13:18
is because that networkشبکه is designedطراحی شده
to get ridخلاص شدن از شر of the ambiguityابهام
281
786628
3687
اینه که شبکه برای این طراحی شده
13:22
of a faceصورت beingبودن in one poseژست
or anotherیکی دیگر poseژست,
282
790339
2476
تا تغییر وضعیت صورت مبهم نباشه،
13:24
beingبودن lookedنگاه کرد at with one kindنوع of lightingروشنایی,
anotherیکی دیگر kindنوع of lightingروشنایی.
283
792839
3376
یا اگر به اون با نور‌های مختلف نگاه بشه.
13:28
So when you do
this sortمرتب سازی of reconstructionبازسازی,
284
796239
2085
پس وقتی این باز‌سازی ها رو انجام بدهی،
13:30
if you don't use some sortمرتب سازی of guideراهنما imageتصویر
285
798348
2304
اگر یک تصویر راهنما نداشته باشی،
13:32
or guideراهنما statisticsآمار,
286
800676
1211
یا اطلاعات اولیه،
13:33
then you'llشما خواهید بود get a sortمرتب سازی of confusionگیجی
of differentناهمسان pointsنکته ها of viewچشم انداز,
287
801911
3765
ترکیبی از زوایای دید مختلف بدست می‌آوری،
13:37
because it's ambiguousمبهم.
288
805700
1368
چون مبهمه.
13:39
This is what happensاتفاق می افتد if Alexالکس usesاستفاده می کند
his ownخودت faceصورت as a guideراهنما imageتصویر
289
807786
4223
این نتیجه‌ای است که آلکس وقتی از تصویر
صورت خودش به عنوان راهنما
13:44
duringدر حین that optimizationبهينه سازي processروند
to reconstructبازسازی my ownخودت faceصورت.
290
812033
3321
در فرایند بهینه سازی
برای ایجاد صورت من استفاده کرده.
13:48
So you can see it's not perfectکامل.
291
816284
2328
به نظر عالی نیست.
13:50
There's still quiteکاملا a lot of work to do
292
818636
1874
هنوز باید کار‌های زیادی
13:52
on how we optimizeبهینه سازی
that optimizationبهينه سازي processروند.
293
820534
2453
در بهینه سازی و روش‌های آن
انجام شود.
13:55
But you startشروع کن to get something
more like a coherentمنسجم faceصورت,
294
823011
2827
اما شروع کرده‌ایم تا چیزی
شبیه به صورتی منسجم بدست آوریم ،
13:57
renderedارائه شده usingاستفاده كردن my ownخودت faceصورت as a guideراهنما.
295
825862
2014
که از صورت من به عنوان مبنا استفاده کرده.
14:00
You don't have to startشروع کن
with a blankجای خالی canvasبوم
296
828892
2501
نیاز نیست تا از یک صفحه خالی شروع کنی
14:03
or with whiteسفید noiseسر و صدا.
297
831417
1156
یا از نویز سفید.
14:04
When you're solvingحل کردن for x,
298
832597
1304
اگر معادله را برای X حل کنی،
14:05
you can beginشروع with an x,
that is itselfخودش alreadyقبلا some other imageتصویر.
299
833925
3889
می تونی با یک X شروع کنی،
که خودش تصویر دیگری است.
14:09
That's what this little demonstrationتظاهرات is.
300
837838
2556
که همین نمونه‌ایست که می‌بینید.
14:12
This is a networkشبکه
that is designedطراحی شده to categorizeطبقه بندی
301
840418
4122
این شبکه‌ای است که طراحی شده
14:16
all sortsانواع of differentناهمسان objectsاشیاء --
man-madeساخته دست بشر structuresسازه های, animalsحیوانات ...
302
844564
3119
تا تمامی انواع اشیاء را طبقه بندی کند --
ساخته‌های انسان، حیوانات ...
14:19
Here we're startingراه افتادن
with just a pictureعکس of cloudsابرها,
303
847707
2593
اینجا با تصویری از ابر شروع می‌کنیم،
14:22
and as we optimizeبهینه سازی,
304
850324
1671
و همونطور که بهنینه سازی می‌کنیم.
14:24
basicallyاساسا, this networkشبکه is figuringبدانید out
what it seesمی بیند in the cloudsابرها.
305
852019
4486
اساسا، این شبکه چیزی را
که در ابرها می‌بیند را پیدا می‌کند.
14:28
And the more time
you spendخرج کردن looking at this,
306
856931
2320
و هرچه بیشتر روی آن وقت بگذاری،
14:31
the more things you alsoهمچنین
will see in the cloudsابرها.
307
859275
2753
چیزهای بیشتری در آن می‌بینی.
14:35
You could alsoهمچنین use the faceصورت networkشبکه
to hallucinateتوهم می کشید into this,
308
863004
3375
می‌توان از شبکه عصبی تشخیص صورت
برای خبال پردازی در آن استفاده کرد،
14:38
and you get some prettyبسیار crazyدیوانه stuffچیز.
309
866403
1812
و چیزهای عجیب و غریب زیادی می‌بینی.
14:40
(Laughterخنده)
310
868239
1150
( خنده حضار )
14:42
Or, Mikeمایک has doneانجام شده some other experimentsآزمایشات
311
870401
2744
یا، مایک آزمایش‌های دیگری انجام داده
14:45
in whichکه he takes that cloudابر imageتصویر,
312
873169
3905
که در آن عکس‌های ابر را گرفته،
14:49
hallucinatesهذیان می کند, zoomszooms, hallucinatesهذیان می کند,
zoomszooms hallucinatesهذیان می کند, zoomszooms.
313
877098
3507
خیال پردازی، بزرگ نمایی، خیال پردازی،
بزرک نمایی.
14:52
And in this way,
314
880629
1151
و به این شکل،
14:53
you can get a sortمرتب سازی of fugueفوج stateحالت
of the networkشبکه, I supposeفرض کنید,
315
881804
3675
به نظرم، به شکلی
در یک وضعیت گیجی شبکه قرار می‌گیری ،
14:57
or a sortمرتب سازی of freeرایگان associationاتحادیه,
316
885503
3680
یا نوعی از ترکیب‌های آزاد،
15:01
in whichکه the networkشبکه
is eatingغذا خوردن its ownخودت tailدم.
317
889207
2227
که در آن شبکه دم خودش را می‌خورد.
15:03
So everyهرکدام imageتصویر is now the basisپایه for,
318
891458
3421
پس هر تصویر حالا پایه‌ای برای،
15:06
"What do I think I see nextبعد?
319
894903
1421
« فکر می‌کنم بعدی چیه؟
15:08
What do I think I see nextبعد?
What do I think I see nextبعد?"
320
896348
2803
فکر می‌کنم بعدی چیه؟
فکر می‌کنم بعدی چیه؟» خواهد بود
15:11
I showedنشان داد this for the first time in publicعمومی
321
899487
2936
اولین باری که برای عموم
15:14
to a groupگروه at a lectureسخنرانی in Seattleسیاتل
calledبه نام "Higherبالاتر Educationتحصیلات" --
322
902447
5437
و گروهی به نام «تحصیلات عالی»
در سیاتل این را نشان دادم --
15:19
this was right after
marijuanaماری جوانا was legalizedقانونی.
323
907908
2437
درست وقتی بود که ماریجوانا قانونی شد.
15:22
(Laughterخنده)
324
910369
2415
( خنده حضار )
15:26
So I'd like to finishپایان دادن up quicklyبه سرعت
325
914627
2104
خوب باید زودتر جمع بندی کنم
15:28
by just notingیادداشت برداری that this technologyتکنولوژی
is not constrainedمحدود است.
326
916755
4255
با اشاره به اینکه
این فناوری هنوز محدود نشده.
15:33
I've shownنشان داده شده you purelyصرفا visualبصری examplesمثال ها
because they're really funسرگرم کننده to look at.
327
921034
3665
من تنها مثال‌های کاملا تصویری
آن را نشان دادم چون دیدنشان لذت بخش است.
15:36
It's not a purelyصرفا visualبصری technologyتکنولوژی.
328
924723
2451
ولی این تنها یک فناوری تصویری نیست.
15:39
Our artistهنرمند collaboratorمشارکت کننده, Rossراس Goodwinگودوین,
329
927198
1993
همکار هنری ما، راس گودوین،
15:41
has doneانجام شده experimentsآزمایشات involvingکه شامل
a cameraدوربین that takes a pictureعکس,
330
929215
3671
آزمایش‌هایی انجام داده که در آن
دوربینی عکس می گیرد،
15:44
and then a computerکامپیوتر in his backpackکوله پشتی
writesمی نویسد a poemشعر usingاستفاده كردن neuralعصبی networksشبکه های,
331
932910
4234
و رایانه‌ای که در کوله پشتی‌اش است
در موردش با شبکه عصبی شعری می‌گوید،
15:49
basedمستقر on the contentsفهرست of the imageتصویر.
332
937168
1944
با توجه به محتویات تصویر.
15:51
And that poetryشعر neuralعصبی networkشبکه
has been trainedآموزش دیده
333
939136
2947
و این شبکه عصبی شاعر روی
15:54
on a largeبزرگ corpusکپسول of 20th-centuryقرن هجدهم poetryشعر.
334
942107
2234
مجموعه بزرگی
از اشعار قرن بیستم آموزش دیده.
15:56
And the poetryشعر is, you know,
335
944365
1499
و به نظر من اشعارش،
15:57
I think, kindنوع of not badبد, actuallyدر واقع.
336
945888
1914
واقعا، خیلی هم بد نیست.
15:59
(Laughterخنده)
337
947826
1384
( خنده حضار )
16:01
In closingبسته شدن,
338
949234
1159
در خاتمه،
16:02
I think that perدر هر Michelangeloمیکل آنژ,
339
950417
2132
فکر کنم میکل آنژ،
16:04
I think he was right;
340
952573
1234
درست می‌گفت که؛
16:05
perceptionادراک and creativityخلاقیت
are very intimatelyدقیقا connectedمتصل.
341
953831
3436
ادراک و خلاقیت
ذاتا بسیار به هم نزدیکند.
16:09
What we'veما هستیم just seenمشاهده گردید are neuralعصبی networksشبکه های
342
957611
2634
چیزهایی که دیدیم شبکه های عصبی‌اند
16:12
that are entirelyبه طور کامل trainedآموزش دیده to discriminateتبعیض قائل شدن,
343
960269
2303
که تنها آموزش دیده‌اند تا تشخیص دهند،
16:14
or to recognizeتشخیص differentناهمسان
things in the worldجهان,
344
962596
2242
یا چیز‌های متفاوتی را در دنیا بشناسند،
16:16
ableتوانایی to be runاجرا کن in reverseمعکوس, to generateتولید کنید.
345
964862
3161
و می‌توانند معکوس عمل کنند و تولید کنند.
16:20
One of the things that suggestsحاکی از to me
346
968047
1783
یکی از چیز‌هایی که به نظرم می‌رسد
16:21
is not only that
Michelangeloمیکل آنژ really did see
347
969854
2398
این است که تنها میکل آنژ نیست
16:24
the sculptureمجسمه سازی in the blocksبلوک ها of stoneسنگ,
348
972276
2452
که مجسمه‌ای در قطعه‌ای سنگ می‌بیند،
16:26
but that any creatureموجود,
any beingبودن, any alienبیگانه
349
974752
3638
بلکه هر مخلوقی، هر موجودی،
هر موجود فرازمینی
16:30
that is ableتوانایی to do
perceptualادراکی actsعمل می کند of that sortمرتب سازی
350
978414
3657
که بتواند گونه ای از
فعالیتی ادراکی داشته باشد
16:34
is alsoهمچنین ableتوانایی to createايجاد كردن
351
982095
1375
هم می‌تواند خلاقیت داشته باشد
16:35
because it's exactlyدقیقا the sameیکسان
machineryدستگاه that's used in bothهر دو casesموارد.
352
983494
3224
چون واقعا یک دستگاه
هر دو کار را انجام می‌دهد.
16:38
Alsoهمچنین, I think that perceptionادراک
and creativityخلاقیت are by no meansبه معنای
353
986742
4532
همچنین، به نظر من
ادراک و خلاقیت به هیچ وجه
16:43
uniquelyمنحصر به فرد humanانسان.
354
991298
1210
تنها مختص انسان نیستند.
16:44
We startشروع کن to have computerکامپیوتر modelsمدل ها
that can do exactlyدقیقا these sortsانواع of things.
355
992532
3708
مدل‌های رایانه‌ای را می‌بینیم
که دقیقا اینگونه کار‌ها را انجام می‌دهند.
16:48
And that oughtباید to be unsurprisingتعجب آور نیست;
the brainمغز is computationalمحاسباتی.
356
996264
3328
و نباید تعجب کرد؛
چون مغز هم محاسباتی است.
16:51
And finallyسرانجام,
357
999616
1657
و در پایان،
16:53
computingمحاسبه beganآغاز شد as an exerciseورزش
in designingطراحی intelligentباهوش - هوشمند machineryدستگاه.
358
1001297
4668
برنامه ریزی رایانه شروع به
طراحی دستگاه‌های هوشمند کرده است.
16:57
It was very much modeledمدل سازی شده after the ideaاندیشه
359
1005989
2462
وساخت آن قطعا پس از این نظر
17:00
of how could we make machinesماشین آلات intelligentباهوش - هوشمند.
360
1008475
3013
که چطور می‌توانیم
دستگاه‌ها را هوشمند کنیم انجام شده.
17:03
And we finallyسرانجام are startingراه افتادن to fulfillتحقق یابد now
361
1011512
2162
و نهایتا حالا شروع به انجام آن کرده‌ایم
17:05
some of the promisesوعده می دهد
of those earlyزود pioneersپیشگامان,
362
1013698
2406
بعضی از وعده‌های
این پیشگامان،
17:08
of Turingتورینگ and vonفون Neumannنویمان
363
1016128
1713
تورینگ و فون نومان
17:09
and McCullochMcCulloch and Pittsپیتز.
364
1017865
2265
و مک کولچ و پیت.
17:12
And I think that computingمحاسبه
is not just about accountingحسابداری
365
1020154
4098
و از دید من رایانه تنها برای حسابداری
17:16
or playingبازی کردن Candyآب نبات Crushخرد کردن or something.
366
1024276
2147
یا بازی کندی‌کراش و این چیز‌ها نیست.
17:18
From the beginningشروع,
we modeledمدل سازی شده them after our mindsذهنها.
367
1026447
2578
از آغاز آنها را
بر مبنای ذهن‌مان ساخته ایم.
17:21
And they give us bothهر دو the abilityتوانایی
to understandفهمیدن our ownخودت mindsذهنها better
368
1029049
3269
و به ما این امکان را دادند
تا ذهنمان را بهتربشناسیم
17:24
and to extendگسترش them.
369
1032342
1529
و توسعه دهیم.
17:26
Thank you very much.
370
1034627
1167
خیلی از شما متشکرم.
17:27
(Applauseتشویق و تمجید)
371
1035818
5939
( تشویق حضار )
Translated by Behdad Khazaeli
Reviewed by soheila Jafari

▲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