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

פיי-פיי לי: איך אנחנו מלמדים מחשבים להבין תמונות

Filmed:
2,702,344 views

כשילדה קטנה מסתכלת על תמונה, היא יכולה לזהות אלמנטים פשוטים: "חתול", "ספר", "כיסא". עכשיו, מחשבים נהיים חכמים מספיק לעשות את זה גם. מה השלב הבא? בשיחה מרתקת, המומחית לראיית מחשב פיי-פיי לי מתארת את החדשות האחרונות ביותר - כולל מאגר נתונים של 15 מיליון תמונות שהצוות שלה בנה כדי "ללמד" מחשב להבין תמונות - והתובנות המרכזיות שעוד יגיעו בעתיד.
- 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 showלְהַצִיג you something.
0
2366
3738
בואו אני אראה לכם משהו.
00:18
(Videoוִידֵאוֹ) Girlילדה: Okay, that's a catחתול
sittingיְשִׁיבָה in a bedמיטה.
1
6104
4156
(וידאו) ילדה: "אוקיי, זה חתול
שיושב על מיטה.
00:22
The boyיֶלֶד is pettingלְטִיפָה the elephantפיל.
2
10260
4040
הילד מלטף את הפיל.
00:26
Those are people
that are going on an airplaneמטוס.
3
14300
4354
אלה אנשים שעולים על מטוס.
00:30
That's a bigגָדוֹל airplaneמטוס.
4
18654
2810
זה מטוס גדול."
00:33
Fei-Feiפיי-פיי Liלי: This is
a three-year-oldבן שלוש childיֶלֶד
5
21464
2206
זו ילדה בת שלוש שנים
00:35
describingהמתאר what she seesרואה
in a seriesסִדרָה of photosתמונות.
6
23670
3679
מתארת מה היא רואה בסדרת תמונות.
00:39
She mightאולי still have a lot
to learnלִלמוֹד about this worldעוֹלָם,
7
27349
2845
אולי יש לה עוד הרבה ללמוד על העולם,
00:42
but she's alreadyכְּבָר an expertמוּמחֶה
at one very importantחָשׁוּב taskמְשִׁימָה:
8
30194
4549
אבל היא כבר מומחית
במשימה אחת מאוד חשובה:
00:46
to make senseלָחוּשׁ of what she seesרואה.
9
34743
2846
להבין מה היא רואה.
00:50
Our societyחֶברָה is more
technologicallyמבחינה טכנולוגית advancedמִתקַדֵם than ever.
10
38229
4226
החברה שלנו היא יותר
מתקדמת טכנולוגית מאי פעם.
00:54
We sendלִשְׁלוֹחַ people to the moonירח,
we make phonesטלפונים that talk to us
11
42455
3629
אנחנו שולחים אנשים לירח,
אנחנו מייצרים טלפונים שמדברים אלינו
00:58
or customizeהתאמה אישית radioרָדִיוֹ stationsתחנות
that can playלְשַׂחֵק only musicמוּסִיקָה we like.
12
46084
4946
או מתאימים אישית תחנות רדיו
שינגנו רק מוסיקה שאנחנו אוהבים.
01:03
Yetעדיין, our mostרוב advancedמִתקַדֵם
machinesמכונה and computersמחשבים
13
51030
4055
ועדיין, המכונות והמחשבים
המתקדמים ביותר שלנו
01:07
still struggleמַאֲבָק at this taskמְשִׁימָה.
14
55085
2903
עדיין מתקשים במשימה הזו.
01:09
So I'm here todayהיום
to give you a progressהתקדמות reportלהגיש תלונה
15
57988
3459
אז אני פה היום כדי לתת לכם דו"ח התקדמות
01:13
on the latestהכי מאוחר advancesההתקדמות
in our researchמחקר in computerמַחשֵׁב visionחָזוֹן,
16
61447
4047
על ההתפתחויות האחרונות במחקר שלנו
על ראיית מחשב,
01:17
one of the mostרוב frontierגְבוּל
and potentiallyפוטנציאל revolutionaryמַהְפֵּכָנִי
17
65494
4161
אחד מהטכנולוגיות החלוציות והמהפכניות ביותר
01:21
technologiesטכנולוגיות in computerמַחשֵׁב scienceמַדָע.
18
69655
3206
במדעי המחשב.
01:24
Yes, we have prototypedאבטיפוס carsמכוניות
that can driveנהיגה by themselvesעצמם,
19
72861
4551
נכון, יש לנו אבטיפוס של מכוניות
שיכולות לנסוע בעצמן,
01:29
but withoutלְלֹא smartלִכאוֹב visionחָזוֹן,
they cannotלא יכול really tell the differenceהֶבדֵל
20
77412
3853
אבל בלי ראייה חכמה,
הן לא יכולות באמת להבדיל
01:33
betweenבֵּין a crumpledמקומטת paperעיתון bagתיק
on the roadכְּבִישׁ, whichאיזה can be runלָרוּץ over,
21
81265
3970
בין שקית נייר מקופלת על הכביש,
שאפשר לנסוע עליה,
01:37
and a rockסלע that sizeגודל,
whichאיזה should be avoidedנמנע.
22
85235
3340
ואבן בגודל הזה,
שצריך להימנע ממנה.
01:41
We have madeעָשׂוּי fabulousמהמם megapixelמגה פיקסל camerasמצלמות,
23
89415
3390
ייצרנו מצלמות מגהפיקסל מדהימות,
01:44
but we have not deliveredנמסר
sightמראה to the blindסומא.
24
92805
3135
אבל לא הצלחנו להביא ראייה לעיוורים.
01:48
Dronesמזל"ט can flyלטוס, זבוב over massiveמַסִיבִי landארץ,
25
96420
3305
מזל"טים יכולים לטוס מעל שטח עצום,
01:51
but don't have enoughמספיק visionחָזוֹן technologyטֶכנוֹלוֹגִיָה
26
99725
2134
אבל חסרי טכנולוגיית ראייה מספקת
01:53
to help us to trackמַסלוּל
the changesשינויים of the rainforestsיערות הגשם.
27
101859
3461
בשביל לעזור לנו לעקוב
אחרי השינויים ביערות הגשם.
01:57
Securityבִּטָחוֹן camerasמצלמות are everywhereבכל מקום,
28
105320
2950
מצלמות אבטחה נמצאות בכל מקום,
02:00
but they do not alertעֵרָנִי us when a childיֶלֶד
is drowningטְבִיעָה in a swimmingשחייה poolבריכה.
29
108270
5067
אבל הן לא מתריעות כשילד טובע בבריכה.
02:06
Photosתמונות and videosסרטונים are becomingהִתהַוּוּת
an integralבלתי נפרד partחֵלֶק of globalגלוֹבָּלִי life.
30
114167
5595
תמונות וסרטונים הופכים לחלק בלתי נפרד
מהחיים הגלובליים.
02:11
They're beingלהיות generatedשנוצר at a paceלִפְסוֹעַ
that's farרָחוֹק beyondמעבר what any humanבן אנוש,
31
119762
4087
הם נוצרים בקצב שהוא מעל לכל מה שכל אדם,
02:15
or teamsצוותים of humansבני אנוש, could hopeלְקַווֹת to viewנוף,
32
123849
2783
או קבוצות של אנשים,
יכולים לקוות לצפות בהם,
02:18
and you and I are contributingתורם
to that at this TEDTED.
33
126632
3921
ואתם ואני תורמים לזה בשיחת TED הזו.
02:22
Yetעדיין our mostרוב advancedמִתקַדֵם softwareתוֹכנָה
is still strugglingנאבקת at understandingהֲבָנָה
34
130553
5232
אבל התוכנה המתקדמת ביותר שלנו עדיין
מתמודדת בלהבין
02:27
and managingניהול this enormousעֲנָקִי contentתוֹכֶן.
35
135785
3876
ולנהל את התוכן העצום הזה.
02:31
So in other wordsמילים,
collectivelyיַחַד as a societyחֶברָה,
36
139661
5272
אז במילים אחרות, במשותף כחברה,
02:36
we're very much blindסומא,
37
144933
1746
אנחנו מאוד עיוורים,
02:38
because our smartestהכי חכם
machinesמכונה are still blindסומא.
38
146679
3387
כי המכונות החכמות ביותר שלנו
עדיין עיוורות.
02:43
"Why is this so hardקָשֶׁה?" you mayמאי askלִשְׁאוֹל.
39
151526
2926
אתם יכולים לשאול -
"למה זה כל כך קשה?"
02:46
Camerasמצלמות can take picturesתמונות like this one
40
154452
2693
מצלמות יכולות לקחת תמונות כמו זו,
02:49
by convertingהמרת lightsאורות into
a two-dimensionalדו מימדי arrayמַעֲרָך of numbersמספרים
41
157145
3994
על ידי המרת אורות לשטח דו מימדי של מספרים,
02:53
knownידוע as pixelsפיקסלים,
42
161139
1650
הידועים כפיקסלים,
02:54
but these are just lifelessחֲסַר חַיִים numbersמספרים.
43
162789
2251
אבל אלו רק מספרים חסרי חיים.
02:57
They do not carryלשאת meaningמַשְׁמָעוּת in themselvesעצמם.
44
165040
3111
הם לא נושאים איזושהי משמעות בעצמם.
03:00
Just like to hearלִשְׁמוֹעַ is not
the sameאותו as to listen,
45
168151
4343
כמו שלשמוע זה לא אותו דבר כמו להקשיב,
03:04
to take picturesתמונות is not
the sameאותו as to see,
46
172494
4040
לקחת תמונות זה לא אותו דבר כמו לראות,
03:08
and by seeingרְאִיָה,
we really mean understandingהֲבָנָה.
47
176534
3829
ובלראות, אנחנו למעשה מתכוונים ללהבין.
03:13
In factעוּבדָה, it tookלקח Motherאִמָא Natureטֶבַע
540 millionמִילִיוֹן yearsשנים of hardקָשֶׁה work
48
181293
6177
למעשה, זה לקח לאימא טבע
540 מיליון שנים של עבודה קשה
03:19
to do this taskמְשִׁימָה,
49
187470
1973
לעשות את המשימה הזו,
03:21
and much of that effortמַאֲמָץ
50
189443
1881
והרבה מהמאמץ הזה
03:23
wentהלך into developingמתפתח the visualחָזוּתִי
processingמעבד apparatusמַנגָנוֹן of our brainsמוֹחַ,
51
191324
5271
הלך על פיתוח מנגנון
העיבוד החזותי של המוח שלנו,
03:28
not the eyesעיניים themselvesעצמם.
52
196595
2647
לא העיניים עצמן.
03:31
So visionחָזוֹן beginsמתחיל with the eyesעיניים,
53
199242
2747
אז ראייה מתחילה בעיניים,
03:33
but it trulyבֶּאֱמֶת takes placeמקום in the brainמוֹחַ.
54
201989
3518
אבל באמת מתרחשת במוח.
03:38
So for 15 yearsשנים now, startingהחל
from my PhPh.D. at Caltechקאלטק
55
206287
5060
אז במשך 15 שנים האחרונות,
מהדוקטורט שלי במכון הטכנולוגי של קליפורניה
03:43
and then leadingמוֹבִיל Stanford'sסטנפורד Visionחָזוֹן Labמַעבָּדָה,
56
211347
2926
ואז הובלת מעבדת הראייה בסטנפורד,
03:46
I've been workingעובד with my mentorsחונכים,
collaboratorsמשתפי פעולה and studentsסטודנטים
57
214273
4396
אני עובדת עם המורים הרוחניים שלי,
משתפי פעולה וסטודנטים,
03:50
to teachלְלַמֵד computersמחשבים to see.
58
218669
2889
ללמד מחשבים לראות.
03:54
Our researchמחקר fieldשדה is calledשקוראים לו
computerמַחשֵׁב visionחָזוֹן and machineמְכוֹנָה learningלְמִידָה.
59
222658
3294
תחום המחקר שלנו נקרא -
ראייה ממוחשבת ולמידת מכונה.
03:57
It's partחֵלֶק of the generalכללי fieldשדה
of artificialמְלָאכוּתִי intelligenceאינטליגנציה.
60
225952
3878
זה חלק מתחום כללי יותר
של אינטלגנציה מלאכותית.
04:03
So ultimatelyבסופו של דבר, we want to teachלְלַמֵד
the machinesמכונה to see just like we do:
61
231000
5493
אז בסופו של דבר, אנחנו רוצים
ללמד את המכונות לראות כמו שאנחנו רואים:
04:08
namingשִׁיוּם objectsחפצים, identifyingזיהוי people,
inferringהסקה 3D geometryגֵאוֹמֶטרִיָה of things,
62
236493
5387
לנקוב בשמות של אובייקטים, לזהות אנשים,
להסיק גיאומטרית תלת מימדית של דברים,
04:13
understandingהֲבָנָה relationsהיחסים, emotionsרגשות,
actionsפעולות and intentionsכוונות.
63
241880
5688
להבין קשרים, רגשות, פעולות וכוונות.
04:19
You and I weaveלֶאֱרוֹג togetherיַחַד entireשלם storiesסיפורים
of people, placesמקומות and things
64
247568
6153
אתם ואני רוקמים ביחד
סיפורים שלמים של אנשים, מקומות ודברים
04:25
the momentרֶגַע we layלְהַנִיחַ our gazeמַבָּט on them.
65
253721
2164
ברגע שאנחנו מניחים עליהם את המבט שלנו.
04:28
The first stepשלב towardsלִקרַאת this goalמטרה
is to teachלְלַמֵד a computerמַחשֵׁב to see objectsחפצים,
66
256955
5583
הצעד הראשון לכיוון המטרה הזו
הוא ללמד מחשב לראות חפצים,
04:34
the buildingבִּניָן blockלַחסוֹם of the visualחָזוּתִי worldעוֹלָם.
67
262538
3368
אבן הבניין של העולם החזותי.
04:37
In its simplestהפשוטה ביותר termsמונחים,
imagineלדמיין this teachingהוֹרָאָה processתהליך
68
265906
4434
במונחים הכי פשוטים,
דמיינו את תהליך הלמידה הזה
04:42
as showingמראה the computersמחשבים
some trainingהַדְרָכָה imagesתמונות
69
270340
2995
כלהראות למחשבים
כמה תמונות אימון של אובייקט מסוים,
04:45
of a particularמיוחד objectלְהִתְנַגֵד, let's say catsחתולים,
70
273335
3321
בואו נאמר חתולים,
04:48
and designingתִכנוּן a modelדֶגֶם that learnsלומד
from these trainingהַדְרָכָה imagesתמונות.
71
276656
4737
ועיצוב מודל שילמד מתמונות האימון האלו.
04:53
How hardקָשֶׁה can this be?
72
281393
2044
כמה קשה זה כבר יכול להיות?
04:55
After all, a catחתול is just
a collectionאוסף of shapesצורות and colorsצבעים,
73
283437
4052
אחרי הכל, חתול הוא פשוט
אוסף של צורות וצבעים,
04:59
and this is what we did
in the earlyמוקדם daysימים of objectלְהִתְנַגֵד modelingדוּגמָנוּת.
74
287489
4086
וזה מה שאנחנו עשינו בימים הראשונים
של שימוש כמודל תיאורטי באובייקטים.
05:03
We'dלהתחתן tell the computerמַחשֵׁב algorithmאַלגוֹרִיתְם
in a mathematicalמָתֵימָטִי languageשפה
75
291575
3622
היינו אומרים לאלגוריתם של המחשב
בשפה מתמטית
05:07
that a catחתול has a roundעָגוֹל faceפָּנִים,
a chubbyשְׁמַנמַן bodyגוּף,
76
295197
3343
שהפנים של חתול הן עגולות,
גוף שמנמן,
05:10
two pointyמחודד earsאוזניים, and a long tailזָנָב,
77
298540
2299
שני אוזניים מחודדות, זנב ארוך,
05:12
and that lookedהביט all fine.
78
300839
1410
וזה היה נראה בסדר גמור.
05:14
But what about this catחתול?
79
302859
2113
אבל מה עם החתול הזה?
05:16
(Laughterצחוק)
80
304972
1091
(צחוק)
05:18
It's all curledמְסוּלסָל up.
81
306063
1626
הוא כולו מכורבל.
05:19
Now you have to addלְהוֹסִיף anotherאַחֵר shapeצוּרָה
and viewpointנְקוּדַת מַבָּט to the objectלְהִתְנַגֵד modelדֶגֶם.
82
307689
4719
עכשיו צריך להוסיף עוד צורה ונקודת מבט
למודל האובייקט.
05:24
But what if catsחתולים are hiddenמוּסתָר?
83
312408
1715
אבל מה אם חתולים מתחבאים?
05:27
What about these sillyטִפּשִׁי catsחתולים?
84
315143
2219
מה עם החתולים המטופשים האלו?
05:31
Now you get my pointנְקוּדָה.
85
319112
2417
עכשיו אתם מתחילים להבין את הנקודה שלי.
05:33
Even something as simpleפָּשׁוּט
as a householdבית petחיית מחמד
86
321529
3367
אפילו משהו פשוט כמו חיית מחמד ביתית
05:36
can presentמתנה an infiniteאֵינְסוֹף numberמספר
of variationsוריאציות to the objectלְהִתְנַגֵד modelדֶגֶם,
87
324896
4504
יכול להציג אינסוף צורות למודל של אובייקט,
05:41
and that's just one objectלְהִתְנַגֵד.
88
329400
2233
וזה רק אובייקט אחד.
05:44
So about eightשמונה yearsשנים agoלִפנֵי,
89
332573
2492
אז לפני 8 שנים בערך,
05:47
a very simpleפָּשׁוּט and profoundעָמוֹק observationתַצְפִּית
changedהשתנה my thinkingחושב.
90
335065
5030
הסתכלות מאוד פשוטה ומעמיקה
שינתה את המחשבה שלי.
05:53
No one tellsאומר a childיֶלֶד how to see,
91
341425
2685
אף אחד לא אומר לילד איך לראות,
05:56
especiallyבמיוחד in the earlyמוקדם yearsשנים.
92
344110
2261
במיוחד לא בשנים המוקדמות.
05:58
They learnלִלמוֹד this throughדרך
real-worldעולם אמיתי experiencesחוויות and examplesדוגמאות.
93
346371
5000
הם לומדים דרך הנסיון
בעולם האמיתי ודוגמאות.
06:03
If you considerלשקול a child'sילדים eyesעיניים
94
351371
2740
אם תתייחסו לעיניים של ילד
06:06
as a pairזוג of biologicalבִּיוֹלוֹגִי camerasמצלמות,
95
354111
2554
כזוג מצלמות ביולוגיות
06:08
they take one pictureתְמוּנָה
about everyכֹּל 200 millisecondsמיליונים,
96
356665
4180
הן לוקחות תמונה אחת
בערך כל 200 אלפיות השנייה,
06:12
the averageמְמוּצָע time an eyeעַיִן movementתְנוּעָה is madeעָשׂוּי.
97
360845
3134
הזמן הממוצע של תנועת עין.
06:15
So by ageגיל threeשְׁלוֹשָׁה, a childיֶלֶד would have seenלראות
hundredsמאות of millionsמיליונים of picturesתמונות
98
363979
5550
אז עד גיל שלוש, ילד יראה
מאות מיליוני תמונות
06:21
of the realאמיתי worldעוֹלָם.
99
369529
1834
של העולם האמיתי.
06:23
That's a lot of trainingהַדְרָכָה examplesדוגמאות.
100
371363
2280
זה הרבה דוגמאות אימון.
06:26
So insteadבמקום זאת of focusingהתמקדות solelyאך ורק
on better and better algorithmsאלגוריתמים,
101
374383
5989
אז במקום להתרכז אך ורק על אלגוריתמים
טובים יותר ויותר,
06:32
my insightתוֹבָנָה was to give the algorithmsאלגוריתמים
the kindסוג of trainingהַדְרָכָה dataנתונים
102
380372
5272
התובנה שלי היתה לתת לאלגוריתמים
את סוג מידע האימון
06:37
that a childיֶלֶד was givenנָתוּן throughדרך experiencesחוויות
103
385644
3319
שילד מקבל דרך ניסיון
06:40
in bothשניהם quantityכַּמוּת and qualityאיכות.
104
388963
3878
גם בכמות וגם באיכות.
06:44
Onceפַּעַם we know this,
105
392841
1858
ברגע שאנחנו יודעים את זה,
06:46
we knewידע we neededנָחוּץ to collectלאסוף a dataנתונים setמַעֲרֶכֶת
106
394699
2971
ידענו שאנחנו צריכים לאסוף מערכת מידע
06:49
that has farרָחוֹק more imagesתמונות
than we have ever had before,
107
397670
4459
שיש בה הרבה יותר תמונות
ממה שהיו לנו אי פעם,
06:54
perhapsאוּלַי thousandsאלפים of timesפִּי more,
108
402129
2577
אולי פי כמה אלפים יותר,
06:56
and togetherיַחַד with Professorפּרוֹפֶסוֹר
Kaiקאי Liלי at Princetonפרינסטון Universityאוּנִיבֶרְסִיטָה,
109
404706
4111
ויחד עם פרופסור קאי לי
מאוניברסיטת פרינסטון,
07:00
we launchedMANAG מספר the ImageNetתמונה projectפּרוֹיֶקט in 2007.
110
408817
4752
התחלנו את פרוייקט אימג'נט ב-2007.
07:05
Luckilyלְמַרְבֶּה הַמַזָל, we didn't have to mountהר
a cameraמַצלֵמָה on our headרֹאשׁ
111
413569
3838
למזלנו, לא היינו צריכים לשים
מצלמה על ראשינו
07:09
and wait for manyרב yearsשנים.
112
417407
1764
ולחכות הרבה שנים.
07:11
We wentהלך to the Internetאינטרנט,
113
419171
1463
ניגשנו לאינטרנט,
07:12
the biggestהגדול ביותר treasureאוֹצָר troveחורבן of picturesתמונות
that humansבני אנוש have ever createdשנוצר.
114
420634
4436
האוצר הגדול ביותר של תמונות
שהאדם יצר אי פעם.
07:17
We downloadedהורד nearlyכמעט a billionמיליארד imagesתמונות
115
425070
3041
הורדנו כמעט מיליארד תמונות
07:20
and used crowdsourcing- technologyטֶכנוֹלוֹגִיָה
like the Amazonאֲמָזוֹנָה Mechanicalמֵכָנִי Turkטורקי platformפּלַטפוֹרמָה
116
428111
5880
והשתמשנו בפעילות של הציבור הרחב
כמו הפלטפורמת המכניקל טורק של אמזון
07:25
to help us to labelתווית these imagesתמונות.
117
433991
2339
כדי לעזור לנו לתייג את התמונות האלו.
07:28
At its peakשִׂיא, ImageNetתמונה was one of
the biggestהגדול ביותר employersמעסיקים
118
436330
4900
בשיאו, אימג'נט היה אחד המעסיקים הגדולים
07:33
of the Amazonאֲמָזוֹנָה Mechanicalמֵכָנִי Turkטורקי workersעובדים:
119
441230
2996
של פלטפורמת טורק של אמזון:
07:36
togetherיַחַד, almostכִּמעַט 50,000 workersעובדים
120
444226
3854
ביחד, כמעט 50,000 עובדים
07:40
from 167 countriesמדינות around the worldעוֹלָם
121
448080
4040
מ-167 מדינות מסביב לעולם
07:44
helpedעזר us to cleanלְנַקוֹת, sortסוג and labelתווית
122
452120
3947
עזרו לנו לנקות, לסדר ולתייג
07:48
nearlyכמעט a billionמיליארד candidateמוּעֲמָד imagesתמונות.
123
456067
3575
כמעט מיליארד תמונות מועמדות.
07:52
That was how much effortמַאֲמָץ it tookלקח
124
460612
2653
זה כמה מאמץ נדרש
07:55
to captureלִלְכּוֹד even a fractionשבריר
of the imageryתמונות
125
463265
3900
כדי ללכוד שבריר מיכולת הדימוי
07:59
a child'sילדים mindאכפת takes in
in the earlyמוקדם developmentalהִתפַּתְחוּתִי yearsשנים.
126
467165
4171
שמוח של ילד מסוגל לעשות
בשנות ההתפתחות המוקדמות.
08:04
In hindsightחָכמָה לְאַחַר מַעֲשֶׂה, this ideaרַעְיוֹן of usingמבנה יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוני bigגָדוֹל dataנתונים
127
472148
3902
בדיעבד, הרעיון להשתמש בביג דאטה
08:08
to trainרכבת computerמַחשֵׁב algorithmsאלגוריתמים
mayמאי seemנראה obviousברור now,
128
476050
4550
בשביל לאמן אלגוריתם של מחשב
נראה אולי ברור עכשיו,
08:12
but back in 2007, it was not so obviousברור.
129
480600
4110
אבל ב-2007, זה לא היה כזה ברור.
08:16
We were fairlyלְמַדַי aloneלבד on this journeyמסע
for quiteדַי a while.
130
484710
3878
היינו יחסית לבד במסע הזה למשך זמן לא קצר.
08:20
Some very friendlyיְדִידוּתִי colleaguesעמיתים advisedמומלץ me
to do something more usefulמוֹעִיל for my tenureקְבִיעוּת,
131
488588
5003
כמה עמיתים ידידותיים הציעו לי לעשות משהו
שימושי יותר בשביל הקביעות שלי,
08:25
and we were constantlyתָמִיד strugglingנאבקת
for researchמחקר fundingמימון.
132
493591
4342
והיינו נאבקים כל הזמן על תקציבי מחקר.
08:29
Onceפַּעַם, I even jokedהתבדח to my graduateבוגר studentsסטודנטים
133
497933
2485
פעם אחת, התבדחתי
עם הסטודנטים שלי לתואר שני
08:32
that I would just reopenלפתוח מחדש
my dryיָבֵשׁ cleaner'sמנקה shopלִקְנוֹת to fundקֶרֶן ImageNetתמונה.
134
500418
4063
שאני פשוט אפתח מחדש את החנות
לניקוי יבש שלי כדי לממן את אימג'נט.
08:36
After all, that's how I fundedממומן
my collegeמִכלָלָה yearsשנים.
135
504481
4761
אחרי הכל, ככה מימנתי את שנות הלימודים שלי.
08:41
So we carriedנשא on.
136
509242
1856
אז המשכנו.
08:43
In 2009, the ImageNetתמונה projectפּרוֹיֶקט deliveredנמסר
137
511098
3715
ב-2009, פרוייקט אימג'נט סיפק
08:46
a databaseמאגר מידע of 15 millionמִילִיוֹן imagesתמונות
138
514813
4042
בסיס נתונים של 15 מיליון תמונות
08:50
acrossלְרוֹחָב 22,000 classesשיעורים
of objectsחפצים and things
139
518855
4805
לרוחב 22,000 סוגי אובייקטים ודברים
08:55
organizedמְאוּרגָן by everydayכל יום Englishאנגלית wordsמילים.
140
523660
3320
מאורגנים לפי שפה אנגלית יומיומית.
08:58
In bothשניהם quantityכַּמוּת and qualityאיכות,
141
526980
2926
גם בכמות וגם באיכות,
09:01
this was an unprecedentedחֲסַר תַקְדִים scaleסוּלָם.
142
529906
2972
זה היה קנה מידה חסר תקדים.
09:04
As an exampleדוגמא, in the caseמקרה of catsחתולים,
143
532878
3461
כדוגמא, במקרה של חתולים,
09:08
we have more than 62,000 catsחתולים
144
536339
2809
יש לנו יותר מ-62,000 חתולים
09:11
of all kindsמיני of looksנראה and posesתנוחות
145
539148
4110
בכל מיני מראות ותנוחות
09:15
and acrossלְרוֹחָב all speciesמִין
of domesticבֵּיתִי and wildפְּרָאִי catsחתולים.
146
543258
5223
ועל פני כל המינים של
חתולים ביתיים ופראיים.
09:20
We were thrilledנִפְעָם
to have put togetherיַחַד ImageNetתמונה,
147
548481
3344
היינו נרגשים להרכיב את אימג'נט,
09:23
and we wanted the wholeכֹּל researchמחקר worldעוֹלָם
to benefitתועלת from it,
148
551825
3738
ורצינו שכל עולם המחקר ירוויח ממנו,
09:27
so in the TEDTED fashionאופנה,
we openedנפתח up the entireשלם dataנתונים setמַעֲרֶכֶת
149
555563
4041
אז ברוח TED, פתחנו את כל
מערכת הנתונים שלנו
09:31
to the worldwideעוֹלָמִי
researchמחקר communityהקהילה for freeחופשי.
150
559604
3592
לקהילת המחקר ברחבי העולם בחינם.
09:36
(Applauseתְשׁוּאוֹת)
151
564636
4000
(מחיאות כפיים)
09:41
Now that we have the dataנתונים
to nourishלְהַזִין our computerמַחשֵׁב brainמוֹחַ,
152
569416
4538
עכשיו כשיש לנו את הנתונים להזין
במוח הממוחשב שלנו,
09:45
we're readyמוּכָן to come back
to the algorithmsאלגוריתמים themselvesעצמם.
153
573954
3737
אנחנו מוכנים לחזור לאלגוריתמים עצמם.
09:49
As it turnedפנה out, the wealthעוֹשֶׁר
of informationמֵידָע providedבתנאי by ImageNetתמונה
154
577691
5178
כפי שהתברר, עושר המידע
שסופק על ידי אימג'נט
09:54
was a perfectמושלם matchהתאמה to a particularמיוחד classמעמד
of machineמְכוֹנָה learningלְמִידָה algorithmsאלגוריתמים
155
582869
4806
היה התאמה מושלמת לסוג מסויים
של אלגוריתמים ללמידת מכונה
09:59
calledשקוראים לו convolutionalמעוותת neuralעֲצַבִּי networkרֶשֶׁת,
156
587675
2415
הנקראים רשת עצבים מורכבת,
10:02
pioneeredחלוצית by Kunihikoקוניקו Fukushimaפוקושימה,
Geoffג 'ף Hintonהינטון, and Yannיאן LeCunLeCun
157
590090
5248
שפרצו דרך על ידי
קוניהיקו פוקושימה, ג'ף הינטון ויאן לה-קון
10:07
back in the 1970s and '80s.
158
595338
3645
בשנות ה-70 וה-80.
10:10
Just like the brainמוֹחַ consistsמורכב
of billionsמיליארדים of highlyמְאוֹד connectedמְחוּבָּר neuronsנוירונים,
159
598983
5619
בדיוק כמו שהמוח מכיל מיליארדי נוירונים
המחוברים היטב,
10:16
a basicבסיסי operatingהפעלה unitיחידה in a neuralעֲצַבִּי networkרֶשֶׁת
160
604602
3854
יחידת הפעלה בסיסית ברשת הנויראלית
10:20
is a neuron-likeנוירונים nodeצוֹמֶת.
161
608456
2415
היא הצומת מנתב המידע דמוי נוירון.
10:22
It takes inputקֶלֶט from other nodesצמתים
162
610871
2554
הוא מקבל מידע מצמתים אחרים
10:25
and sendsשולח outputתְפוּקָה to othersאחרים.
163
613425
2718
ושולח אותם לאחרים.
10:28
Moreoverיתר על כך, these hundredsמאות of thousandsאלפים
or even millionsמיליונים of nodesצמתים
164
616143
4713
יתרה מזו, מאות אלפי
או אולי אפילו מיליוני הצמתים
10:32
are organizedמְאוּרגָן in hierarchicalהיררכי layersשכבות,
165
620856
3227
מאורגנים בשכבות היררכיות,
10:36
alsoגַם similarדוֹמֶה to the brainמוֹחַ.
166
624083
2554
גם כן בדומה למוח.
10:38
In a typicalאופייני neuralעֲצַבִּי networkרֶשֶׁת we use
to trainרכבת our objectלְהִתְנַגֵד recognitionהַכָּרָה modelדֶגֶם,
167
626637
4783
ברשת נויראלית טיפוסית אנו משתמשים
כדי לאמן את המודל זיהוי האובייקטים שלנו,
10:43
it has 24 millionמִילִיוֹן nodesצמתים,
168
631420
3181
יש בו 24 מיליון צמתים,
10:46
140 millionמִילִיוֹן parametersפרמטרים,
169
634601
3297
140 מיליון משתנים,
10:49
and 15 billionמיליארד connectionsקשרים.
170
637898
2763
ו-15 מיליארד קשרים.
10:52
That's an enormousעֲנָקִי modelדֶגֶם.
171
640661
2415
זה מודל ענק.
10:55
Poweredמְמוּנָע by the massiveמַסִיבִי dataנתונים from ImageNetתמונה
172
643076
3901
המונע על ידי מידע נתונים עצום מאימג'נט
10:58
and the modernמוֹדֶרנִי CPUsמעבדים and GPUsGPUs
to trainרכבת suchכגון a humongousענק modelדֶגֶם,
173
646977
5433
ויחידות העיבוד המרכזיות והמעבדים הגרפיים
לאימון מודל כזה כביר,
11:04
the convolutionalמעוותת neuralעֲצַבִּי networkרֶשֶׁת
174
652410
2369
הרשת הנויראלית המורכבת
11:06
blossomedפורח in a way that no one expectedצָפוּי.
175
654779
3436
פרחה בצורה שאף אחד לא ציפה לה.
11:10
It becameהפכתי the winningלנצח architectureארכיטקטורה
176
658215
2508
זה הפך להיות הארכיטקטורה המנצחת
11:12
to generateלִיצוֹר excitingמְרַגֵשׁ newחָדָשׁ resultsתוצאות
in objectלְהִתְנַגֵד recognitionהַכָּרָה.
177
660723
5340
ביצירת תוצאות חדשות ומרגשות
בזיהוי אובייקטים.
11:18
This is a computerמַחשֵׁב tellingאומר us
178
666063
2810
זה מחשב שאומר לנו
11:20
this pictureתְמוּנָה containsמכיל a catחתול
179
668873
2300
שהתמונה הזו מכילה חתול
11:23
and where the catחתול is.
180
671173
1903
ואיפה נמצא החתול.
11:25
Of courseקוּרס there are more things than catsחתולים,
181
673076
2112
כמובן שיש יותר דברים מחתולים,
11:27
so here'sהנה a computerמַחשֵׁב algorithmאַלגוֹרִיתְם tellingאומר us
182
675188
2438
אז הנה אלגוריתם של מחשב אומר לנו
11:29
the pictureתְמוּנָה containsמכיל
a boyיֶלֶד and a teddyדובי bearדוב;
183
677626
3274
שהתמונה מכילה ילד ובובת דובי;
11:32
a dogכֶּלֶב, a personאדם, and a smallקָטָן kiteעֲפִיפוֹן
in the backgroundרקע כללי;
184
680900
4366
כלב, אדם, ועפיפון קטן ברקע;
11:37
or a pictureתְמוּנָה of very busyעסוק things
185
685266
3135
או תמונה של דברים מאוד עסוקים
11:40
like a man, a skateboardסקייטבורד,
railingsמעקות, a lampost-, and so on.
186
688401
4644
כמו איש, סקייטבורד, מעקות,
עמוד תאורה וכן הלאה.
11:45
Sometimesלִפְעָמִים, when the computerמַחשֵׁב
is not so confidentבטוח about what it seesרואה,
187
693045
5293
לפעמים, כשהמחשב לא בטוח לגמרי
במה שהוא רואה,
11:51
we have taughtלימד it to be smartלִכאוֹב enoughמספיק
188
699498
2276
לימדנו אותו להיות חכם מספיק
11:53
to give us a safeבטוח answerתשובה
insteadבמקום זאת of committingהַפקָדָה too much,
189
701774
3878
כדי לתת לנו תשובה בטוחה
במקום להתחייב יותר מדי,
11:57
just like we would do,
190
705652
2811
בדיוק כמו שאנחנו היינו עושים,
12:00
but other timesפִּי our computerמַחשֵׁב algorithmאַלגוֹרִיתְם
is remarkableראוי לציון at tellingאומר us
191
708463
4666
אבל בפעמים אחרות האלגוריתם הממוחשב שלנו
מצויין בלהגיד לנו
12:05
what exactlyבְּדִיוּק the objectsחפצים are,
192
713129
2253
מה בדיוק הם האובייקטים,
12:07
like the make, modelדֶגֶם, yearשָׁנָה of the carsמכוניות.
193
715382
3436
כמו היצרן, המודל והשנה של מכוניות.
12:10
We appliedהוחל this algorithmאַלגוֹרִיתְם to millionsמיליונים
of GoogleGoogle Streetרְחוֹב Viewנוף imagesתמונות
194
718818
5386
יישמנו את האלגוריתם הזה למיליוני תמונות
של מפת הרחובות של גוגל
12:16
acrossלְרוֹחָב hundredsמאות of Americanאֲמֶרִיקָאִי citiesערים,
195
724204
3135
במאות ערים אמריקניות,
12:19
and we have learnedמְלוּמָד something
really interestingמעניין:
196
727339
2926
ולמדנו משהו מאוד מעניין:
12:22
first, it confirmedמְאוּשָׁר our commonמשותף wisdomחוכמה
197
730265
3320
דבר ראשון, זה אימת את הידע הנפוץ
12:25
that carאוטו pricesהמחירים correlateלְתַאֵם very well
198
733585
3290
שמחירי מכוניות נמצאים בקשר ישיר
12:28
with householdבית incomesהכנסות.
199
736875
2345
להכנסות משק הבית.
12:31
But surprisinglyלמרבה ההפתעה, carאוטו pricesהמחירים
alsoגַם correlateלְתַאֵם well
200
739220
4527
אבל באופן מפתיע, מחירי המכוניות
נמצאים בקשר ישיר
12:35
with crimeפֶּשַׁע ratesתעריפים in citiesערים,
201
743747
2300
עם רמת הפשע בערים,
12:39
or votingהַצבָּעָה patternsדפוסי by zipרוכסן codesקודים.
202
747007
3963
או תבנית הצבעות על פי מיקודים.
12:44
So wait a minuteדַקָה. Is that it?
203
752060
2206
אז רגע. זה הכל?
12:46
Has the computerמַחשֵׁב alreadyכְּבָר matchedבהתאמה
or even surpassedעלתה על humanבן אנוש capabilitiesיכולות?
204
754266
5153
האם המחשב השווה או אפילו עקף
את היכולות האנושיות?
12:51
Not so fastמָהִיר.
205
759419
2138
לא כל כך מהר.
12:53
So farרָחוֹק, we have just taughtלימד
the computerמַחשֵׁב to see objectsחפצים.
206
761557
4923
עד עכשיו, אנחנו רק לימדנו את המחשב
לראות אובייקטים.
12:58
This is like a smallקָטָן childיֶלֶד
learningלְמִידָה to utterמוּחלָט a fewמְעַטִים nounsשמות עצם.
207
766480
4644
זה כמו שילד קטן לומד לבטא מספר
שמות עצם.
13:03
It's an incredibleמדהים accomplishmentהישג,
208
771124
2670
זה הישג מדהים,
13:05
but it's only the first stepשלב.
209
773794
2460
אבל זה רק הצעד הראשון.
13:08
Soonבקרוב, anotherאַחֵר developmentalהִתפַּתְחוּתִי
milestoneאבן דרך will be hitמכה,
210
776254
3762
בקרוב, עוד אבן דרך התפתחותית תושג,
13:12
and childrenיְלָדִים beginהתחל
to communicateלתקשר in sentencesמשפטים.
211
780016
3461
וילדים מתחילים לתקשר במשפטים.
13:15
So insteadבמקום זאת of sayingפִּתגָם
this is a catחתול in the pictureתְמוּנָה,
212
783477
4224
אז במקום להגיד - זה חתול בתמונה,
13:19
you alreadyכְּבָר heardשמע the little girlילדה
tellingאומר us this is a catחתול lyingשֶׁקֶר on a bedמיטה.
213
787701
5202
כבר שמעתם את הילדה הקטנה אומרת לנו
שזה חתול ששוכב על מיטה.
13:24
So to teachלְלַמֵד a computerמַחשֵׁב
to see a pictureתְמוּנָה and generateלִיצוֹר sentencesמשפטים,
214
792903
5595
אז ללמד מחשב לראות תמונה
ולייצר משפטים,
13:30
the marriageנישואים betweenבֵּין bigגָדוֹל dataנתונים
and machineמְכוֹנָה learningלְמִידָה algorithmאַלגוֹרִיתְם
215
798498
3948
הנישואים בין ביג דאטה
לאלגוריתם לימוד מכונה
13:34
has to take anotherאַחֵר stepשלב.
216
802446
2275
צריכים לקחת עוד צעד.
13:36
Now, the computerמַחשֵׁב has to learnלִלמוֹד
from bothשניהם picturesתמונות
217
804721
4156
עכשיו, המחשב צריך ללמוד משתי התמונות
13:40
as well as naturalטִבעִי languageשפה sentencesמשפטים
218
808877
2856
כמו גם ממשפטים טבעיים בשפה
13:43
generatedשנוצר by humansבני אנוש.
219
811733
3322
שנוצרים על ידי בני אדם.
13:47
Just like the brainמוֹחַ integratesמשתלב
visionחָזוֹן and languageשפה,
220
815055
3853
בדיוק כמו שהמוח מייצר ראייה ושפה,
13:50
we developedמפותח a modelדֶגֶם
that connectsמתחבר partsחלקים of visualחָזוּתִי things
221
818908
5201
אנחנו פיתחנו מודל שמקשר חלקים
של דברים ויזואלים
13:56
like visualחָזוּתִי snippetsקטעי טקסט
222
824109
1904
כמו מקטעים קצרים
13:58
with wordsמילים and phrasesביטויים in sentencesמשפטים.
223
826013
4203
עם מילים וביטויים במשפטים.
14:02
About fourארבעה monthsחודשים agoלִפנֵי,
224
830216
2763
לפני ארבעה חודשים בערך,
14:04
we finallyסוף כל סוף tiedקָשׁוּר all this togetherיַחַד
225
832979
2647
סוף סוף קשרנו את כל זה ביחד
14:07
and producedמיוצר one of the first
computerמַחשֵׁב visionחָזוֹן modelsמודלים
226
835626
3784
ויצרנו את אחד ממודלי
הראייה הממוחשבת הראשונים
14:11
that is capableבעל יכולת of generatingיוצר
a human-likeאנושי sentenceמשפט
227
839410
3994
שמסוגלים לייצר משפט בדומה לאדם
14:15
when it seesרואה a pictureתְמוּנָה for the first time.
228
843404
3506
כאשר הוא רואה תמונה בפעם הראשונה.
14:18
Now, I'm readyמוּכָן to showלְהַצִיג you
what the computerמַחשֵׁב saysאומר
229
846910
4644
עכשיו, אני מוכנה להראות לכם
מה המחשב אומר
14:23
when it seesרואה the pictureתְמוּנָה
230
851554
1975
כשהוא רואה את התמונה
14:25
that the little girlילדה saw
at the beginningהתחלה of this talk.
231
853529
3830
שהילדה הקטנה ראתה בתחילת השיחה הזו.
14:31
(Videoוִידֵאוֹ) Computerמַחשֵׁב: A man is standingעוֹמֵד
nextהַבָּא to an elephantפיל.
232
859519
3344
(וידאו) מחשב: איש עומד ליד פיל.
14:36
A largeגָדוֹל airplaneמטוס sittingיְשִׁיבָה on topחלק עליון
of an airportנמל תעופה runwayמסלול המראה.
233
864393
3634
מטוס גדול עומד על מסלול טיסה.
14:41
FFLFFL: Of courseקוּרס, we're still workingעובד hardקָשֶׁה
to improveלְשַׁפֵּר our algorithmsאלגוריתמים,
234
869057
4212
פיי פיי: כמובן, אנחנו עדיין עובדים קשה
כדי לשפר את האלגוריתמים שלנו,
14:45
and it still has a lot to learnלִלמוֹד.
235
873269
2596
ועדיין יש לו הרבה ללמוד.
14:47
(Applauseתְשׁוּאוֹת)
236
875865
2291
(מחיאות כפיים)
14:51
And the computerמַחשֵׁב still makesעושה mistakesטעויות.
237
879556
3321
והמחשב עדיין עושה טעויות.
14:54
(Videoוִידֵאוֹ) Computerמַחשֵׁב: A catחתול lyingשֶׁקֶר
on a bedמיטה in a blanketשְׂמִיכָה.
238
882877
3391
(וידאו) מחשב: חתול שוכב על מיטה בשמיכה.
14:58
FFLFFL: So of courseקוּרס, when it seesרואה
too manyרב catsחתולים,
239
886268
2553
פיי פיי: אז כמובן, כשהוא רואה
יותר מדי חתולים,
15:00
it thinksחושב everything
mightאולי look like a catחתול.
240
888821
2926
הוא חושב שהכל יכול להיראות כמו חתול.
15:05
(Videoוִידֵאוֹ) Computerמַחשֵׁב: A youngצָעִיר boyיֶלֶד
is holdingהַחזָקָה a baseballבייסבול batעטלף.
241
893317
2864
(וידאו) מחשב: ילד צעיר מחזיק אלת בייסבול.
15:08
(Laughterצחוק)
242
896181
1765
(צחוק)
15:09
FFLFFL: Or, if it hasn'tלא seenלראות a toothbrushמִברֶשֶׁת שִׁנַיִם,
it confusesמבלבל it with a baseballבייסבול batעטלף.
243
897946
4583
פיי פיי: או אם הוא לא ראה מברשת שיניים,
הוא מבלבל את זה עם אלת בייסבול.
15:15
(Videoוִידֵאוֹ) Computerמַחשֵׁב: A man ridingרכיבה a horseסוּס
down a streetרְחוֹב nextהַבָּא to a buildingבִּניָן.
244
903309
3434
(וידאו) מחשב: איש רוכב על סוס
במורד הרחוב ליד בניין.
15:18
(Laughterצחוק)
245
906743
2023
(צחוק)
15:20
FFLFFL: We haven'tלא taughtלימד Artאומנות 101
to the computersמחשבים.
246
908766
3552
פיי פיי: לא לימדנו את המחשבים
מבוא לאומנות.
15:25
(Videoוִידֵאוֹ) Computerמַחשֵׁב: A zebraזֶבּרָה standingעוֹמֵד
in a fieldשדה of grassדֶשֶׁא.
247
913768
2884
(וידאו) מחשב: זברה עומדת בשדה עשב.
15:28
FFLFFL: And it hasn'tלא learnedמְלוּמָד to appreciateמעריך
the stunningמַדְהִים beautyיוֹפִי of natureטֶבַע
248
916652
3367
פיי פיי: והוא לא למד להעריך
את היופי המדהים של הטבע
15:32
like you and I do.
249
920019
2438
כמוני וכמוכם.
15:34
So it has been a long journeyמסע.
250
922457
2832
אז עדיין יש לו דרך ארוכה.
15:37
To get from ageגיל zeroאֶפֶס to threeשְׁלוֹשָׁה was hardקָשֶׁה.
251
925289
4226
להגיע מגיל אפס לשלוש היה קשה.
15:41
The realאמיתי challengeאתגר is to go
from threeשְׁלוֹשָׁה to 13 and farרָחוֹק beyondמעבר.
252
929515
5596
האתגר האמיתי הוא להגיע
משלוש לשלוש עשרה ומעבר לזה.
15:47
Let me remindלְהַזכִּיר you with this pictureתְמוּנָה
of the boyיֶלֶד and the cakeעוגה again.
253
935111
4365
תרשו לי להזכיר לכם עם התמונה
של הילד והעוגה שוב.
15:51
So farרָחוֹק, we have taughtלימד
the computerמַחשֵׁב to see objectsחפצים
254
939476
4064
עד עכשיו, לימדנו את המחשב לראות אובייקטים
15:55
or even tell us a simpleפָּשׁוּט storyכַּתָבָה
when seeingרְאִיָה a pictureתְמוּנָה.
255
943540
4458
או אפילו לספר לנו סיפור פשוט
כשהוא רואה תמונה.
15:59
(Videoוִידֵאוֹ) Computerמַחשֵׁב: A personאדם sittingיְשִׁיבָה
at a tableשולחן with a cakeעוגה.
256
947998
3576
(וידאו) מחשב: אדם יושב ליד שולחן עם עוגה.
16:03
FFLFFL: But there's so much more
to this pictureתְמוּנָה
257
951574
2630
פיי פיי: אבל יש עוד כל כך הרבה בתמונה הזו
16:06
than just a personאדם and a cakeעוגה.
258
954204
2270
מאשר רק אדם ועוגה.
16:08
What the computerמַחשֵׁב doesn't see
is that this is a specialמיוחד Italianאִיטַלְקִית cakeעוגה
259
956474
4467
מה שהמחשב לא רואה זה שזו
עוגה איטלקית מיוחדת
16:12
that's only servedשירת duringבְּמַהֲלָך Easterחג הפסחא time.
260
960941
3217
שמוגשת רק בחג הפסחא.
16:16
The boyיֶלֶד is wearingלובש his favoriteהכי אהוב t-shirtחולצה קצרה
261
964158
3205
הילד לובש את החולצה האהובה עליו
16:19
givenנָתוּן to him as a giftמתנה by his fatherאַבָּא
after a tripטיול to Sydneyסידני,
262
967363
3970
שניתנה לו על ידי אביו אחרי טיול בסידני,
16:23
and you and I can all tell how happyשַׂמֵחַ he is
263
971333
3808
ואתם ואני יכוים להגיד כמה מאושר הוא
16:27
and what's exactlyבְּדִיוּק on his mindאכפת
at that momentרֶגַע.
264
975141
3203
ומה בדיוק הוא חושב ברגע הזה.
16:31
This is my sonבֵּן Leoמַזַל אַריֵה.
265
979214
3125
זה בני ליאו.
16:34
On my questלַחקוֹר for visualחָזוּתִי intelligenceאינטליגנציה,
266
982339
2624
במסע שלי לאינטלגנציה חזותית,
16:36
I think of Leoמַזַל אַריֵה constantlyתָמִיד
267
984963
2391
אני כל הזמן חושבת על ליאו
16:39
and the futureעתיד worldעוֹלָם he will liveלחיות in.
268
987354
2903
ועל העולם העתידי בו הוא יחיה.
16:42
When machinesמכונה can see,
269
990257
2021
כשמכונות יכולות לראות,
16:44
doctorsרופאים and nursesאחיות will have
extraתוֹסֶפֶת pairsזוגות of tirelessלֹא יוֹדֵעַ לֵאוֹת eyesעיניים
270
992278
4712
לרופאים ואחיות יהיה עוד זוג עיניים
שלא מתעייפות
16:48
to help them to diagnoseלְאַבחֵן
and take careלְטַפֵּל of patientsחולים.
271
996990
4092
כדי לעזור להם לאבחן ולדאוג למטופלים.
16:53
Carsמכוניות will runלָרוּץ smarterחכם יותר
and saferבטוח יותר on the roadכְּבִישׁ.
272
1001082
4383
מכוניות ינועו
בצורה חכמה יותר ובטוחה יותר בדרכים.
16:57
Robotsרובוטים, not just humansבני אנוש,
273
1005465
2694
רובוטים, לא רק בני אדם,
17:00
will help us to braveאַמִיץ the disasterאסון zonesאזורי
to saveלשמור the trappedלכודים and woundedפָּצוּעַ.
274
1008159
4849
יעזרו לנו לעמוד בגבורה באזורי אסון
ולהציל את הלכודים והפצועים.
17:05
We will discoverלְגַלוֹת newחָדָשׁ speciesמִין,
better materialsחומרים,
275
1013798
3796
אנחנו נגלה מינים חדשים,
חומרים טובים יותר,
17:09
and exploreלַחקוֹר unseenבלתי נראות frontiersגבולות
with the help of the machinesמכונה.
276
1017594
4509
ונחקור גבולות חדשים
עם עזרה של המכונות.
17:15
Little by little, we're givingמַתָן sightמראה
to the machinesמכונה.
277
1023113
4167
לאט לאט, אנחנו נותנים יכולת ראייה למכונות.
17:19
First, we teachלְלַמֵד them to see.
278
1027280
2798
קודם כל, אנחנו מלמדים אותם לראות.
17:22
Then, they help us to see better.
279
1030078
2763
לאחר מכן, הם יעזרו לנו לראות טוב יותר.
17:24
For the first time, humanבן אנוש eyesעיניים
won'tרָגִיל be the only onesיחידות
280
1032841
4165
בפעם הראשונה, העיניים האנושיות
לא יהיו העיניים היחידות
17:29
ponderingמהרהר and exploringחקר our worldעוֹלָם.
281
1037006
2934
שמהרהרות וחוקרות את העולם.
17:31
We will not only use the machinesמכונה
for theirשֶׁלָהֶם intelligenceאינטליגנציה,
282
1039940
3460
אנחנו לא רק נשתמש במכונות
בשביל האינטליגנציה שלהם,
17:35
we will alsoגַם collaborateלשתף פעולה with them
in waysדרכים that we cannotלא יכול even imagineלדמיין.
283
1043400
6179
אנחנו גם נשתף איתן פעולה בדרכים
שאנחנו אפילו לא יכולים לדמיין.
17:41
This is my questלַחקוֹר:
284
1049579
2161
זה המסע שלי:
17:43
to give computersמחשבים visualחָזוּתִי intelligenceאינטליגנציה
285
1051740
2712
לתת למחשבים תבונה חזותית
17:46
and to createלִיצוֹר a better futureעתיד
for Leoמַזַל אַריֵה and for the worldעוֹלָם.
286
1054452
5131
וליצור עתיד טוב יותר
בשביל ליאו ובשביל העולם.
17:51
Thank you.
287
1059583
1811
תודה רבה.
17:53
(Applauseתְשׁוּאוֹת)
288
1061394
3785
(מחיאות כפיים)
Translated by hila scherba
Reviewed by Ido Dekkers

▲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