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

בלייז אגוארה ארקס: איך מחשבים לומדים להיות יצירתיים

Filmed:
1,934,067 views

אנחנו על הסף של פריצות דרך חדשות באמנות ויצירתיות -- והן לא אנושיות. בלייז אגוארה ארקס, המדען הראשי של גוגל, עובד עם רשתות עצביות עמוקות לתפיסת מכונה ולמידה מבוזרת. בדמו שובה הלב הזה, הוא מראה איך רשתות עצביות שמאומנות להכיר תמונות יכולות לרוץ אחורנית, כדי לייצר אותן. התוצאות: קולאג'ים מרהיבים הזייתיים שמתנגדים להגדרה. "תפישה ויצירתיות מחוברות אינטימית," אומר אגוארה ארקס, "כל יצור, כל ישות שמסוגלת לפעולות תפיסתיות מסוגלת גם ליצור."
- 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 leadעוֹפֶרֶת a teamקְבוּצָה at GoogleGoogle
that worksעובד on machineמְכוֹנָה intelligenceאינטליגנציה;
0
800
3124
אז, אני מוביל צוות בגוגל
שעובד על למידה חישובית;
00:15
in other wordsמילים, the engineeringהַנדָסָה disciplineמשמעת
of makingהֲכָנָה computersמחשבים and devicesהתקנים
1
3948
4650
כלומר, תחום ההנדסה שגורם
למחשבים ומכשירים
00:20
ableיכול to do some of the things
that brainsמוֹחַ do.
2
8622
2419
לעשות כמה מהדברים שמוחותינו עושים.
00:23
And this makesעושה us
interestedמעוניין in realאמיתי brainsמוֹחַ
3
11439
3099
וזה גורם לנו להתעניין במוחות אמיתיים
00:26
and neuroscienceמדעי המוח as well,
4
14562
1289
וגם במדעי המוח,
00:27
and especiallyבמיוחד interestedמעוניין
in the things that our brainsמוֹחַ do
5
15875
4172
ובמיוחד בדברים שבביצועם מוחותינו
00:32
that are still farרָחוֹק superiorעליון
to the performanceביצועים of computersמחשבים.
6
20071
4042
עדיין עולים בהרבה על מחשבים.
00:37
Historicallyמבחינה היסטורית, one of those areasאזורי
has been perceptionתפיסה,
7
25209
3609
מבחינה היסטורית, אחד התחומים האלה
הוא תפיסה,
00:40
the processתהליך by whichאיזה things
out there in the worldעוֹלָם --
8
28842
3039
ההליך שדרכו כל הדברים שיש בעולם החיצוני --
00:43
soundsקולות and imagesתמונות --
9
31905
1584
צלילים ותמונות --
00:45
can turnלפנות into conceptsמושגים in the mindאכפת.
10
33513
2178
נעשים למושגים בשכל.
00:48
This is essentialחִיוּנִי for our ownשֶׁלוֹ brainsמוֹחַ,
11
36235
2517
זה חיוני למוחות שלנו,
00:50
and it's alsoגַם prettyיפה usefulמוֹעִיל on a computerמַחשֵׁב.
12
38776
2464
וגם די שימושי במחשב.
00:53
The machineמְכוֹנָה perceptionתפיסה algorithmsאלגוריתמים,
for exampleדוגמא, that our teamקְבוּצָה makesעושה,
13
41636
3350
האלגוריתמים לתפיסה חישובית, לדוגמא,
שהצוות שלנו מוציא,
00:57
are what enableלְאַפשֵׁר your picturesתמונות
on GoogleGoogle Photosתמונות to becomeהפכו searchableניתן לחיפוש,
14
45010
3874
הם מה שמאפשר לתמונותיכם
בגוגל פוטוז להיות ניתנות-חיפוש,
01:00
basedמבוסס on what's in them.
15
48908
1397
על פי תוכנן.
01:03
The flipלְהַעִיף sideצַד of perceptionתפיסה is creativityיְצִירָתִיוּת:
16
51594
3493
הפן השני של תפיסה הוא יצירתיות:
01:07
turningחֲרִיטָה a conceptמוּשָׂג into something
out there into the worldעוֹלָם.
17
55111
3038
הפיכת מושג לעצם בעולם.
01:10
So over the pastעבר yearשָׁנָה,
our work on machineמְכוֹנָה perceptionתפיסה
18
58173
3555
וכך במשך השנה האחרונה,
עבודתנו על תפיסה חישובית
01:13
has alsoגַם unexpectedlyבאופן בלתי צפוי connectedמְחוּבָּר
with the worldעוֹלָם of machineמְכוֹנָה creativityיְצִירָתִיוּת
19
61752
4859
התחברה באופן לא צפוי
לעולם היצירתיות החישובית,
01:18
and machineמְכוֹנָה artאומנות.
20
66635
1160
ולאמנות ממוחשבת.
01:20
I think Michelangeloמיכלאנג'לו
had a penetratingחוֹדֵר insightתוֹבָנָה
21
68556
3284
אני חושב שלמיכלאלג'לו הייתה תובנה חודרת
01:23
into to this dualכָּפוּל relationshipמערכת יחסים
betweenבֵּין perceptionתפיסה and creativityיְצִירָתִיוּת.
22
71864
3656
לגבי היחס הדואלי הזה שבין תפיסה ליצירתיות.
01:28
This is a famousמפורסם quoteציטוט of his:
23
76023
2006
זאת ציטטה מפורסמת שלו:
01:30
"Everyכֹּל blockלַחסוֹם of stoneאֶבֶן
has a statueפסל insideבְּתוֹך of it,
24
78053
3323
"לכל אבן יש פסל בתוכה,
01:34
and the jobעבודה of the sculptorפַּסָל
is to discoverלְגַלוֹת it."
25
82036
3002
ועבודת הפסל לגלות אותו."
01:38
So I think that what
Michelangeloמיכלאנג'לו was gettingמקבל at
26
86029
3216
אז, אני חושב שמיכלאנג'לו התכוון לזה
01:41
is that we createלִיצוֹר by perceivingלתפוס,
27
89269
3180
שאנחנו יוצרים באמצעות תפיסה,
01:44
and that perceptionתפיסה itselfעצמה
is an actפעולה of imaginationדִמיוֹן
28
92473
3023
ושתפיסה עצמה היא מעשה של דמיון
01:47
and is the stuffדברים of creativityיְצִירָתִיוּת.
29
95520
2461
והיא חומר היצירתיות.
01:50
The organאֵיבָר that does all the thinkingחושב
and perceivingלתפוס and imaginingמדמיין,
30
98691
3925
האיבר שמבצע את כל המחשבה והתפיסה והדמיון,
01:54
of courseקוּרס, is the brainמוֹחַ.
31
102640
1588
הוא כמובן המוח.
01:57
And I'd like to beginהתחל
with a briefקָצָר bitbit of historyהִיסטוֹרִיָה
32
105089
2545
ואני רוצה לפתוח בקטע קצר של היסטוריה
01:59
about what we know about brainsמוֹחַ.
33
107658
2302
על מה שאנחנו יודעים על המוח.
02:02
Because unlikeבניגוד, say,
the heartלֵב or the intestinesקְרָבַיִם,
34
110496
2446
כי לא כמו, כגון, הלב או המעיים,
02:04
you really can't say very much
about a brainמוֹחַ by just looking at it,
35
112966
3144
אי אפשר לומר הרבה על המוח
פשוט מלהסתכל עליו,
02:08
at leastהכי פחות with the nakedעֵירוֹם eyeעַיִן.
36
116134
1412
לפחות, בעין בלתי מזויינת.
02:09
The earlyמוקדם anatomistsאנטומיה who lookedהביט at brainsמוֹחַ
37
117983
2416
האנטומיסטים המוקדמים שהסתכלו על מוחות
02:12
gaveנתן the superficialשטחי structuresמבנים
of this thing all kindsמיני of fancifulדִמיוֹנִי namesשמות,
38
120423
3807
קראו למבנים השטחיים של הדבר הזה
בכל מיני שמות דמיוניים,
02:16
like hippocampusהיפוקמפוס, meaningמַשְׁמָעוּת "little shrimpשרימפ."
39
124254
2433
כגון היפוקמפוס, שמשמעו "חסילון קטן."
02:18
But of courseקוּרס that sortסוג of thing
doesn't tell us very much
40
126711
2764
אך בבירור דבר מסוג זה לא מספר לנו הרבה
02:21
about what's actuallyלמעשה going on insideבְּתוֹך.
41
129499
2318
על מה שבאמת קורה בפנים.
02:24
The first personאדם who, I think, really
developedמפותח some kindסוג of insightתוֹבָנָה
42
132780
3613
האדם הראשון, לדעתי, שבפועל פיתח
איזה מין של הבנה
02:28
into what was going on in the brainמוֹחַ
43
136417
1930
של מה שבאמת קורה בתוך המוח
02:30
was the great Spanishספרדית neuroanatomistneuroanatomist,
Santiagoסנטיאגו RamRAMón y CajalCajal,
44
138371
3920
היה הניורואנטומיסט הספרדי הגדול,
סנטיאגו רמון אי קחאל,
02:34
in the 19thה centuryמֵאָה,
45
142315
1544
במאה התשע-עשרה,
02:35
who used microscopyמיקרוסקופיה and specialמיוחד stainsכתמים
46
143883
3755
שהשתמש במיקרוסקופ וצבעים מיוחדים
02:39
that could selectivelyבאופן סלקטיבי fillלמלא in
or renderלְדַקלֵם in very highגָבוֹהַ contrastבניגוד
47
147662
4170
שיכלו לדמות בבררנות ובניגוד גבוה
02:43
the individualאִישִׁי cellsתאים in the brainמוֹחַ,
48
151856
2008
תאים יחידים במוח,
02:45
in orderלהזמין to startהַתחָלָה to understandמבין
theirשֶׁלָהֶם morphologiesמורפולוגיות.
49
153888
3154
כדי להתחיל להבין את המורפולוגיה שלהם.
02:49
And these are the kindsמיני of drawingsשרטוטים
that he madeעָשׂוּי of neuronsנוירונים
50
157972
2891
ואלה סוגי הציורים שהוא צייר של תאי עצב
02:52
in the 19thה centuryמֵאָה.
51
160887
1209
במאה התשע-עשרה.
02:54
This is from a birdציפור brainמוֹחַ.
52
162120
1884
זה מתוך מוח של ציפור.
02:56
And you see this incredibleמדהים varietyמגוון
of differentשונה sortsמיני of cellsתאים,
53
164028
3057
ותראו את המגוון המדהים הזה
של תאים מסוגים שונים,
02:59
even the cellularתָאִי theoryתֵאוֹרִיָה itselfעצמה
was quiteדַי newחָדָשׁ at this pointנְקוּדָה.
54
167109
3435
אפילו תיאוריית התא עצמה
הייתה חדשה למדי בעת הזו
03:02
And these structuresמבנים,
55
170568
1278
והמבנים האלה,
03:03
these cellsתאים that have these arborizationsגינונים,
56
171870
2259
התאים האלה שיש להם הסתעפויות כאלה
03:06
these branchesענפים that can go
very, very long distancesמרחקים --
57
174153
2608
וענפים כאלה שמסוגלים להאריך מרחקים רבים --
03:08
this was very novelרוֹמָן at the time.
58
176785
1616
זה היה מאד חדשני ומקורי בתקופה זו.
03:10
They're reminiscentמַזכִּיר, of courseקוּרס, of wiresחוטים.
59
178779
2903
הם מזכירים חוטים כמובן.
03:13
That mightאולי have been obviousברור
to some people in the 19thה centuryמֵאָה;
60
181706
3457
אפשר שכבר תפסו כך כמה אנשים
במאה התשע-עשרה;
03:17
the revolutionsמהפכות of wiringתִיוּל and electricityחַשְׁמַל
were just gettingמקבל underwayלדרך.
61
185187
4314
מהפכות החיווט והחישמול בדיוק החלו.
03:21
But in manyרב waysדרכים,
62
189964
1178
אבל מבחינות רבות,
03:23
these microanatomicalמיקרו - אטומית drawingsשרטוטים
of RamRAMón y Cajal'sשל קאגאל, like this one,
63
191166
3313
הציורים המיקרו-אנטומיים האלה
של רמון אי קחאל, כגון זה,
03:26
they're still in some waysדרכים unsurpassedללא תחרות.
64
194503
2332
מבחינת-מה עוד לא הושגו.
03:28
We're still more than a centuryמֵאָה laterיותר מאוחר,
65
196859
1854
ואנחנו מאה שנים אחרי כן,
03:30
tryingמנסה to finishסִיוּם the jobעבודה
that RamRAMón y CajalCajal startedהתחיל.
66
198737
2825
מנסים לגמור את העבודה בו רמון אי קחאל החל.
03:33
These are rawגלם dataנתונים from our collaboratorsמשתפי פעולה
67
201586
3134
אלה הם נתונים לא-מעובדים
ממשתפי הפעולה שלנו
03:36
at the Maxמקסימלי Planckפלאנק Instituteמכון
of Neuroscienceמדעי המוח.
68
204744
2881
במכון מקס פלאנק למדעי מוח.
03:39
And what our collaboratorsמשתפי פעולה have doneבוצע
69
207649
1790
ומה שמשתפי הפעולה שלנו עשו
03:41
is to imageתמונה little piecesחתיכות of brainמוֹחַ tissueרִקמָה.
70
209463
5001
זה לדמת חלקיקים קטנים של רקמה מוחית.
03:46
The entireשלם sampleלִטעוֹם here
is about one cubicמְעוּקָב millimeterמִילִימֶטֶר in sizeגודל,
71
214488
3326
כל הדגימה הינה קרובה
בגודלה למילימטר מעוקב אחד,
03:49
and I'm showingמראה you a very,
very smallקָטָן pieceלְחַבֵּר of it here.
72
217838
2621
ואני מראה לכם חלק מאד קטן ממנה פה.
03:52
That barבָּר on the left is about one micronמיקרון.
73
220483
2346
הפס הזה שלצד שמאל בגודל מיקרון אחד בערך.
03:54
The structuresמבנים you see are mitochondriaמיטוכונדריה
74
222853
2409
המבנים שאתם רואים הם מיטוכונדריה
03:57
that are the sizeגודל of bacteriaבַּקטֶרִיָה.
75
225286
2044
ששווים בגודלם לחיידק.
03:59
And these are consecutiveעוֹקֵב slicesפרוסות
76
227354
1551
ואלה פרוסות עוקבות
04:00
throughדרך this very, very
tinyזָעִיר blockלַחסוֹם of tissueרִקמָה.
77
228929
3148
בתוך הגוש הקטנטן מאד הזה של רקמה.
04:04
Just for comparison'sהשוואה sakeסאקה,
78
232101
2403
רק לשם השוואה,
04:06
the diameterקוֹטֶר of an averageמְמוּצָע strandגָדִיל
of hairשיער is about 100 micronsמיקרון.
79
234528
3792
קוטר קווצה ממוצעת של שיער היא כמאה מיקרון.
04:10
So we're looking at something
much, much smallerקטן יותר
80
238344
2274
וכך אנחנו מתבוננים במשהו הרבה יותר זעיר
04:12
than a singleיחיד strandגָדִיל of hairשיער.
81
240642
1398
משערה אחת.
04:14
And from these kindsמיני of serialסידורי
electronאֶלֶקטרוֹן microscopyמיקרוסקופיה slicesפרוסות,
82
242064
4031
ועל פי כל הסוגים האלה של פרוסות סדרתיות
מוגדלות מיקרוסקופ-אלקטרוני,
04:18
one can startהַתחָלָה to make reconstructionsהשחזורים
in 3D of neuronsנוירונים that look like these.
83
246119
5008
אפשר להתחיל בשיחזורים תלת-ממדיים
של תאי עצב, הנראים ככה.
04:23
So these are sortסוג of in the sameאותו
styleסִגְנוֹן as RamRAMón y CajalCajal.
84
251151
3157
ובכן, אלה נוהגים על פי אותו סגנון
בקירוב של רמון אי קחאל.
04:26
Only a fewמְעַטִים neuronsנוירונים litמוּאָר up,
85
254332
1492
רק תאי עצב אחדים נדלקו,
04:27
because otherwiseאחרת we wouldn'tלא
be ableיכול to see anything here.
86
255848
2781
אחרת לא היינו יכולים לראות
פה שום דבר.
04:30
It would be so crowdedצָפוּף,
87
258653
1312
יהיה כל כך צפוף,
04:31
so fullמלא of structureמִבְנֶה,
88
259989
1330
כל כך מלא מבנים,
04:33
of wiringתִיוּל all connectingמְקַשֵׁר
one neuronעֲצָבוֹן to anotherאַחֵר.
89
261343
2724
מלא חיווט המקשר תאי עצב אחד לשני.
04:37
So RamRAMón y CajalCajal was a little bitbit
aheadקָדִימָה of his time,
90
265293
2804
אז רמון אי קחאל במידה הקדים את זמנו,
04:40
and progressהתקדמות on understandingהֲבָנָה the brainמוֹחַ
91
268121
2555
והתקדמות בהבנת המוח
04:42
proceededהמשיך slowlyלאט
over the nextהַבָּא fewמְעַטִים decadesעשרות שנים.
92
270700
2271
התקדמה לאט לאט במשך העשורים הבאים.
04:45
But we knewידע that neuronsנוירונים used electricityחַשְׁמַל,
93
273455
2853
אבל ידענו שתאי עצב עשו שימוש בחשמל,
04:48
and by Worldעוֹלָם Warמִלחָמָה IIII, our technologyטֶכנוֹלוֹגִיָה
was advancedמִתקַדֵם enoughמספיק
94
276332
2936
ועד מלחמת העולם השנייה,
הטכנולוגיה שלנו התקדמה דיה
04:51
to startהַתחָלָה doing realאמיתי electricalחַשׁמַלִי
experimentsניסויים on liveלחיות neuronsנוירונים
95
279292
2806
כדי להתחיל ניסויים חשמליים
אמיתיים בתאי עצב חיים
04:54
to better understandמבין how they workedעבד.
96
282122
2106
בשביל להבין טוב יותר כיצד הם עבדו.
04:56
This was the very sameאותו time
when computersמחשבים were beingלהיות inventedבדוי,
97
284631
4356
זה אותו הזמן שמחשבים הומצאו לראשונה,
05:01
very much basedמבוסס on the ideaרַעְיוֹן
of modelingדוּגמָנוּת the brainמוֹחַ --
98
289011
3100
ממש בהתבסס על הרעיון של בניית דגם המוח --
05:04
of "intelligentאִינְטֶלִיגֶנְטִי machineryמְכוֹנוֹת,"
as Alanאלן Turingטיורינג calledשקוראים לו it,
99
292135
3085
של "מנגנון נבון,"
כמו שאלן טיורינג כינה אותו,
05:07
one of the fathersאבות of computerמַחשֵׁב scienceמַדָע.
100
295244
1991
אחד מאבות מדעי המחשב.
05:09
Warrenוורן McCullochמקולוך and Walterוולטר Pittsפיטס
lookedהביט at RamRAMón y Cajal'sשל קאגאל drawingצִיוּר
101
297923
4632
ווארן מקולוק ווואלטר פיטס
הביטו בציורו של רמון אי קחאל
05:14
of visualחָזוּתִי cortexקליפת המוח,
102
302579
1317
של קליפת הראייה,
05:15
whichאיזה I'm showingמראה here.
103
303920
1562
שאותו אני מראה פה.
05:17
This is the cortexקליפת המוח that processesתהליכים
imageryתמונות that comesבא from the eyeעַיִן.
104
305506
4442
זאת הקליפה שמעבדת
דימויים המגיעים מהעין.
05:22
And for them, this lookedהביט
like a circuitמעגל חשמלי diagramתרשים.
105
310424
3508
ומבחינתם, זה נראה כמו
דיאגרמת מעגל חשמלי.
05:26
So there are a lot of detailsפרטים
in McCullochמקולוך and Pitts'sשל פיטס circuitמעגל חשמלי diagramתרשים
106
314353
3835
לכן יש הרבה פרטים בדיאגרמת
המעגל של מקולוק ופיטס
05:30
that are not quiteדַי right.
107
318212
1352
שאינם לגמרי נכונים.
05:31
But this basicבסיסי ideaרַעְיוֹן
108
319588
1235
אבל הרעיון המרכזי הזה
05:32
that visualחָזוּתִי cortexקליפת המוח worksעובד like a seriesסִדרָה
of computationalחישובית elementsאלמנטים
109
320847
3992
שקליפת הראייה עובדת
כסדרה של רכיבים חישוביים
05:36
that passלַעֲבוֹר informationמֵידָע
one to the nextהַבָּא in a cascadeאֶשֶׁד,
110
324863
2746
המעבירים מידע אחד לרעהו במפל,
05:39
is essentiallyלמעשה correctנכון.
111
327633
1602
בעיקרו של דבר נכון.
05:41
Let's talk for a momentרֶגַע
112
329259
2350
בואו נדבר רגע
05:43
about what a modelדֶגֶם for processingמעבד
visualחָזוּתִי informationמֵידָע would need to do.
113
331633
4032
על מה שדגם לעיבוד מידע חזותי צריך לעשות.
05:48
The basicבסיסי taskמְשִׁימָה of perceptionתפיסה
114
336228
2741
המשימה היסודית של תפיסה
05:50
is to take an imageתמונה like this one and say,
115
338993
4194
היא החזקת תמונה כזו שמשמאל ולאמר כי
05:55
"That's a birdציפור,"
116
343211
1176
"זאת ציפור,"
05:56
whichאיזה is a very simpleפָּשׁוּט thing
for us to do with our brainsמוֹחַ.
117
344411
2874
היא דבר מאד פשוט לעשות בעזרת מוחותינו.
05:59
But you should all understandמבין
that for a computerמַחשֵׁב,
118
347309
3421
אבל צריכים להבין שעבור מחשבים,
06:02
this was prettyיפה much impossibleבלתי אפשרי
just a fewמְעַטִים yearsשנים agoלִפנֵי.
119
350754
3087
זה היה כמעט בלתי אפשרי רק לפני כמה שנים.
06:05
The classicalקלַאסִי computingמחשוב paradigmפרדיגמה
120
353865
1916
במסגרת הפרדיגמה החישובית הקלאסית
06:07
is not one in whichאיזה
this taskמְשִׁימָה is easyקַל to do.
121
355805
2507
אין זאת משימה קלת-ביצוע.
06:11
So what's going on betweenבֵּין the pixelsפיקסלים,
122
359366
2552
אז מה שקורה בין הפיקסלים,
06:13
betweenבֵּין the imageתמונה of the birdציפור
and the wordמִלָה "birdציפור,"
123
361942
4028
בין דמות הציפור לבין המילה "ציפור,"
06:17
is essentiallyלמעשה a setמַעֲרֶכֶת of neuronsנוירונים
connectedמְחוּבָּר to eachכל אחד other
124
365994
2814
ביסוד הוא התקשרות
בין מערכת תאי עצב מקושרים
06:20
in a neuralעֲצַבִּי networkרֶשֶׁת,
125
368832
1155
זה לזה ברשת עצבית,
06:22
as I'm diagrammingדיאגרמות here.
126
370011
1223
כפי שאני משרטט פה.
06:23
This neuralעֲצַבִּי networkרֶשֶׁת could be biologicalבִּיוֹלוֹגִי,
insideבְּתוֹך our visualחָזוּתִי corticesקורטקס,
127
371258
3272
הרשת העצבית יכולה להיות ביולוגית,
בתוך קליפתנו הראייתית,
06:26
or, nowadaysכַּיוֹם, we startהַתחָלָה
to have the capabilityיכולת
128
374554
2162
או, כיום, מתחילה להיות לנו היכולת
06:28
to modelדֶגֶם suchכגון neuralעֲצַבִּי networksרשתות
on the computerמַחשֵׁב.
129
376740
2454
לבנות דגמים של רשתות אלה במחשב.
06:31
And I'll showלְהַצִיג you what
that actuallyלמעשה looksנראה like.
130
379834
2353
ואראה לכם איך זה נראה באמת.
06:34
So the pixelsפיקסלים you can think
about as a first layerשִׁכבָה of neuronsנוירונים,
131
382211
3416
אז אתם יכולים לחשוב על הפיקסלים
כשכבה הראשונה של ניורונים,
06:37
and that's, in factעוּבדָה,
how it worksעובד in the eyeעַיִן --
132
385651
2239
וזה, למעשה, איך שזה עובד בעין --
06:39
that's the neuronsנוירונים in the retinaרִשׁתִית.
133
387914
1663
אלה הניורונים ברשתית.
06:41
And those feedהזנה forwardקָדִימָה
134
389601
1500
ואלה מזינים הלאה
06:43
into one layerשִׁכבָה after anotherאַחֵר layerשִׁכבָה,
after anotherאַחֵר layerשִׁכבָה of neuronsנוירונים,
135
391125
3403
לתוך שכבה אחת אחרי אחרת
אחרי הבאה של ניורונים,
06:46
all connectedמְחוּבָּר by synapsesסינפסות
of differentשונה weightsמשקולות.
136
394552
3033
כולם מחוברים על ידי סינפסות במשקלים שונים.
06:49
The behaviorהִתְנַהֲגוּת of this networkרֶשֶׁת
137
397609
1335
ההתנהגות של הרשת הזו
06:50
is characterizedמאופיין by the strengthsחוזק
of all of those synapsesסינפסות.
138
398968
3284
מאופיינת על ידי הכוחות
של כל הסינפסות האלה.
06:54
Those characterizeאפיון the computationalחישובית
propertiesנכסים of this networkרֶשֶׁת.
139
402276
3288
אלה מאפיינים את התכונות המחשוביות
של הרשת הזו.
06:57
And at the endסוֹף of the day,
140
405588
1470
ובסופו של יום,
06:59
you have a neuronעֲצָבוֹן
or a smallקָטָן groupקְבוּצָה of neuronsנוירונים
141
407082
2447
יש לכם ניורון או קבוצה קטנה של ניורונים
07:01
that lightאוֹר up, sayingפִּתגָם, "birdציפור."
142
409553
1647
שנדלקים, ואומרים, "ציפור."
07:03
Now I'm going to representלְיַצֵג
those threeשְׁלוֹשָׁה things --
143
411824
3132
עכשיו אני עומד לייצג
את שלושת הדברים האלה --
07:06
the inputקֶלֶט pixelsפיקסלים and the synapsesסינפסות
in the neuralעֲצַבִּי networkרֶשֶׁת,
144
414980
4696
פיקסל הקלט והסינפסות ברשתות העצביות,
07:11
and birdציפור, the outputתְפוּקָה --
145
419700
1585
וציפור, הפלט --
07:13
by threeשְׁלוֹשָׁה variablesמשתנים: x, w and y.
146
421309
3057
על ידי שלושה משתנים: X, W ו Y.
07:16
There are maybe a millionמִילִיוֹן or so x'sx של --
147
424853
1811
יש אולי מליון Xים בערך --
07:18
a millionמִילִיוֹן pixelsפיקסלים in that imageתמונה.
148
426688
1953
מליון פיקסלים בתמונה הזו.
07:20
There are billionsמיליארדים or trillionsטריליונים of w'sw של,
149
428665
2446
יש מיליארדים או טריליונים של W,
07:23
whichאיזה representלְיַצֵג the weightsמשקולות of all
these synapsesסינפסות in the neuralעֲצַבִּי networkרֶשֶׁת.
150
431135
3421
שמייצגים את המשקל של כל הסינפסות האלו
ברשתות העצביות.
07:26
And there's a very smallקָטָן numberמספר of y'sכ ן,
151
434580
1875
ויש מספר מאוד קטן של Y,
07:28
of outputsתפוקות that that networkרֶשֶׁת has.
152
436479
1858
של פלטים שיש לרשת הזו.
07:30
"Birdציפור" is only fourארבעה lettersאותיות, right?
153
438361
1749
"ציפור " היא רק חמש אותיות, נכון?
07:33
So let's pretendלהעמיד פנים that this
is just a simpleפָּשׁוּט formulaנוּסחָה,
154
441088
3426
אז בואו נעמיד פנים שזו רק נוסחה פשוטה,
07:36
x "x" w = y.
155
444538
2163
x "x" w = y.
07:38
I'm puttingלשים the timesפִּי in scareלְהַפחִיד quotesציטוטים
156
446725
2036
אני שם את הכפול בגרשיים
07:40
because what's really
going on there, of courseקוּרס,
157
448785
2280
בגלל שמה שבאמת מתרחש פה, כמובן,
07:43
is a very complicatedמסובך seriesסִדרָה
of mathematicalמָתֵימָטִי operationsפעולות.
158
451089
3046
זה סדרה מאוד מורכבת של פעולות מתמטיות.
07:47
That's one equationמשוואה.
159
455172
1221
זו משוואה אחת.
07:48
There are threeשְׁלוֹשָׁה variablesמשתנים.
160
456417
1672
יש שלושה משתנים.
07:50
And we all know
that if you have one equationמשוואה,
161
458113
2726
וכולנו יודעים שאם יש לכם משוואה אחת,
07:52
you can solveלִפְתוֹר one variableמִשְׁתַנֶה
by knowingיוֹדֵעַ the other two things.
162
460863
3642
אתם יכולים לפתור משתנה אחד
אם יודעים את שני הדברים האחרים.
07:57
So the problemבְּעָיָה of inferenceהסקה,
163
465158
3380
אז הבעיה של הסקה,
08:00
that is, figuringלהבין out
that the pictureתְמוּנָה of a birdציפור is a birdציפור,
164
468562
2873
שהיא, להבין שהתמונה של הציפור היא ציפור,
08:03
is this one:
165
471459
1274
היא זו:
08:04
it's where y is the unknownלא ידוע
and w and x are knownידוע.
166
472757
3459
פה Y הוא המשתנה ו W ו X ידועים.
08:08
You know the neuralעֲצַבִּי networkרֶשֶׁת,
you know the pixelsפיקסלים.
167
476240
2459
אתם יודעים את הרשת העצבית,
אתם יודעים את הפיקסלים.
08:10
As you can see, that's actuallyלמעשה
a relativelyיחסית straightforwardפָּשׁוּט problemבְּעָיָה.
168
478723
3327
כמו שאתם יכולים לראות,
זו למעשה בעיה די פשוטה.
08:14
You multiplyלְהַכפִּיל two timesפִּי threeשְׁלוֹשָׁה
and you're doneבוצע.
169
482074
2186
אתם מכפילים שתיים כפול שלוש וסיימתם.
08:16
I'll showלְהַצִיג you an artificialמְלָאכוּתִי neuralעֲצַבִּי networkרֶשֶׁת
170
484862
2123
אני אראה לכם רשת עצבית מלאכותית
08:19
that we'veיש לנו builtבנוי recentlyלאחרונה,
doing exactlyבְּדִיוּק that.
171
487009
2296
שבנינו לאחרונה, ועשינו בדיוק את זה.
08:21
This is runningרץ in realאמיתי time
on a mobileנייד phoneטלפון,
172
489634
2860
זה רץ בזמן אמת על טלפון נייד,
08:24
and that's, of courseקוּרס,
amazingמדהים in its ownשֶׁלוֹ right,
173
492518
3313
וזה, כמובן, מדהים בפני עצמו,
08:27
that mobileנייד phonesטלפונים can do so manyרב
billionsמיליארדים and trillionsטריליונים of operationsפעולות
174
495855
3468
הטלפונים הניידים יכולים לעשות
כל כך הרבה מליארדים וטריליונים של פעולות
08:31
perלְכָל secondשְׁנִיָה.
175
499347
1248
לשניה.
08:32
What you're looking at is a phoneטלפון
176
500619
1615
מה שאתם רואים זה טלפון
08:34
looking at one after anotherאַחֵר
pictureתְמוּנָה of a birdציפור,
177
502258
3547
מביט בתמונות של ציפורים אחת אחרי השניה,
08:37
and actuallyלמעשה not only sayingפִּתגָם,
"Yes, it's a birdציפור,"
178
505829
2715
ולמעשה לא רק אומר, "כן, זו ציפור,"
08:40
but identifyingזיהוי the speciesמִין of birdציפור
with a networkרֶשֶׁת of this sortסוג.
179
508568
3411
אלא מזהה את המין
של הציפור עם רשת מסוג כזה.
08:44
So in that pictureתְמוּנָה,
180
512890
1826
אז בתמונה הזו,
08:46
the x and the w are knownידוע,
and the y is the unknownלא ידוע.
181
514740
3802
ה X וה W ידועים, וה Y לא ידוע.
08:50
I'm glossingמבריק over the very
difficultקָשֶׁה partחֵלֶק, of courseקוּרס,
182
518566
2508
אני מרפרף על החלקים הממש קשים כמובן,
08:53
whichאיזה is how on earthכדור הארץ
do we figureדמות out the w,
183
521098
3861
שזה איך בעצם אנחנו מגלים את ה W,
08:56
the brainמוֹחַ that can do suchכגון a thing?
184
524983
2187
המוח שיכול לעשות כזה דבר?
08:59
How would we ever learnלִלמוֹד suchכגון a modelדֶגֶם?
185
527194
1834
איך אי פעם נלמד מודל כזה?
09:01
So this processתהליך of learningלְמִידָה,
of solvingפְּתִירָה for w,
186
529418
3233
אז התהליך הזה של למידה, או פתירת ה W,
09:04
if we were doing this
with the simpleפָּשׁוּט equationמשוואה
187
532675
2647
אם היינו עושים את זה עם משוואות פשוטות
09:07
in whichאיזה we think about these as numbersמספרים,
188
535346
2000
בהן אנחנו חושבים על אלה כמספרים,
09:09
we know exactlyבְּדִיוּק how to do that: 6 = 2 x w,
189
537370
2687
אנחנו יודעים בדיוק
איך לעשות את זה: 6 = 2 *w,
09:12
well, we divideלחלק by two and we're doneבוצע.
190
540081
3312
ובכן, אנחנו מחלקים בשניים וסיימנו.
09:16
The problemבְּעָיָה is with this operatorמַפעִיל.
191
544001
2220
הבעיה היא עם הפעולה הזו.
09:18
So, divisionחֲלוּקָה --
192
546823
1151
אז, חלוקה --
09:19
we'veיש לנו used divisionחֲלוּקָה because
it's the inverseהפוך to multiplicationכֶּפֶל,
193
547998
3121
השתמשו בחלוקה בגלל שהיא ההפך מכפל,
09:23
but as I've just said,
194
551143
1440
אבל כמו שכרגע אמרתי,
09:24
the multiplicationכֶּפֶל is a bitbit of a lieשקר here.
195
552607
2449
ההכפלה היא מעט שקר פה.
09:27
This is a very, very complicatedמסובך,
very non-linearלֹא קָוִי operationמבצע;
196
555080
3326
זו פעולה מאוד מאוד מורכבת,
מאוד לא לינארית;
09:30
it has no inverseהפוך.
197
558430
1704
אין לה פעולה הופכית.
09:32
So we have to figureדמות out a way
to solveלִפְתוֹר the equationמשוואה
198
560158
3150
אז אנחנו צריכים למצוא דרך לפתור את המשוואה
09:35
withoutלְלֹא a divisionחֲלוּקָה operatorמַפעִיל.
199
563332
2024
בלי פעולת החילוק.
09:37
And the way to do that
is fairlyלְמַדַי straightforwardפָּשׁוּט.
200
565380
2343
והדרך לעשות את זה היא די ישירה.
09:39
You just say, let's playלְשַׂחֵק
a little algebraאַלגֶבּרָה trickטריק,
201
567747
2671
אתם פשוט אומרים,
בואו נשחק בטריק אלגבראי פשוט,
09:42
and moveמהלך \ לזוז \ לעבור the sixשֵׁשׁ over
to the right-handיד ימין sideצַד of the equationמשוואה.
202
570442
2906
ונעביר את השש לצד ימין של המשוואה.
09:45
Now, we're still usingמבנה יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוני multiplicationכֶּפֶל.
203
573372
1826
עכשיו, אנחנו עדיין משתמשים בכפל.
09:47
And that zeroאֶפֶס -- let's think
about it as an errorשְׁגִיאָה.
204
575675
3580
והאפס הזה -- בואו נחשוב עליו כשגיאה.
09:51
In other wordsמילים, if we'veיש לנו solvedנפתרה
for w the right way,
205
579279
2515
במילים אחרות, אם פתרנו עבור W נכון,
09:53
then the errorשְׁגִיאָה will be zeroאֶפֶס.
206
581818
1656
אז השגיאה תהיה אפס.
09:55
And if we haven'tלא gottenקיבל it quiteדַי right,
207
583498
1938
ואם זה לא יצא לנו ממש נכון,
09:57
the errorשְׁגִיאָה will be greaterגדול יותר than zeroאֶפֶס.
208
585460
1749
השגיאה תהיה גדולה מאפס.
09:59
So now we can just take guessesניחושים
to minimizeלְצַמְצֵם the errorשְׁגִיאָה,
209
587233
3366
אז עכשיו אנחנו יכולים פשוט לנחש
כדי להקטין את השגיאה,
10:02
and that's the sortסוג of thing
computersמחשבים are very good at.
210
590623
2687
וזה סוג הדבר שמחשבים ממש טובים בו.
10:05
So you've takenנלקח an initialהתחלתי guessלְנַחֵשׁ:
211
593334
1593
אז לקחתם ניחוש ראשוני:
10:06
what if w = 0?
212
594951
1156
מה אם W=0?
10:08
Well, then the errorשְׁגִיאָה is 6.
213
596131
1240
ובכן, אז השגיאה היא 6.
10:09
What if w = 1? The errorשְׁגִיאָה is 4.
214
597395
1446
מה עם W =1? השגיאה היא 4.
10:10
And then the computerמַחשֵׁב can
sortסוג of playלְשַׂחֵק Marcoמרקו Poloפּוֹלוֹ,
215
598865
2367
ואז המחשב יכול לשחק סוג של מרקו פולו,
10:13
and driveנהיגה down the errorשְׁגִיאָה closeלִסְגוֹר to zeroאֶפֶס.
216
601256
2367
ולהוריד את השגיאה קרוב לאפס.
10:15
As it does that, it's gettingמקבל
successiveרצוף approximationsקירובים to w.
217
603647
3374
וכשהוא עושה את זה,
הוא מקבל קרובים עוקבים ל W.
10:19
Typicallyבדרך כלל, it never quiteדַי getsמקבל there,
but after about a dozenתְרֵיסַר stepsצעדים,
218
607045
3656
ובאופן טיפוסי, הוא לעולם לא ממש מגיע לשם,
אבל אחרי בערך שנים עשר צעדים,
10:22
we're up to w = 2.999,
whichאיזה is closeלִסְגוֹר enoughמספיק.
219
610725
4624
אנחנו מגיעים ל W = 2.999, שזה קרוב מספיק.
10:28
And this is the learningלְמִידָה processתהליך.
220
616302
1814
וזה תהליך הלמידה.
10:30
So rememberלִזכּוֹר that what's been going on here
221
618140
2730
אז זכרו שמה שמתרחש פה
10:32
is that we'veיש לנו been takingלְקִיחָה
a lot of knownידוע x'sx של and knownידוע y'sכ ן
222
620894
4378
זה שלקחנו הרבה X ידועים ו Y ידועים
10:37
and solvingפְּתִירָה for the w in the middleאֶמצַע
throughדרך an iterativeאיטרטיבי processתהליך.
223
625296
3454
ופתרנו עבור W במרכז דרך תהליך לולאתי.
10:40
It's exactlyבְּדִיוּק the sameאותו way
that we do our ownשֶׁלוֹ learningלְמִידָה.
224
628774
3556
זו בדיוק אותה דרך שאנחנו עושים
את הלמידה בעצמנו.
10:44
We have manyרב, manyרב imagesתמונות as babiesתינוקות
225
632354
2230
יש לנו הרבה הרבה תמונות כתינוקות
10:46
and we get told, "This is a birdציפור;
this is not a birdציפור."
226
634608
2633
ואומרים לנו, "זו ציפור; זו לא ציפור."
10:49
And over time, throughדרך iterationאיטרציה,
227
637714
2098
ובמשך הזמן, דרך חזרה,
10:51
we solveלִפְתוֹר for w, we solveלִפְתוֹר
for those neuralעֲצַבִּי connectionsקשרים.
228
639836
2928
אנחנו פותרים עבור W,
אנחנו פותרים עבור החיבורים העצביים האלה.
10:55
So now, we'veיש לנו heldמוּחזָק
x and w fixedתוקן to solveלִפְתוֹר for y;
229
643460
4086
אז עכשיו, החזקנו את X ואת W קבועים
כדי לפתור עבור Y;
10:59
that's everydayכל יום, fastמָהִיר perceptionתפיסה.
230
647570
1847
זו תפישה מהירה, יום יומית.
11:01
We figureדמות out how we can solveלִפְתוֹר for w,
231
649441
1763
הבנו איך אנחנו יכולים לפתור עבור W,
11:03
that's learningלְמִידָה, whichאיזה is a lot harderקשה יותר,
232
651228
1903
זה למידה, שהיא הרבה יותר קשה,
11:05
because we need to do errorשְׁגִיאָה minimizationמזעור,
233
653155
1985
בגלל שאנחנו צריכים לעשות מזעור שגיאות,
11:07
usingמבנה יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוני a lot of trainingהַדְרָכָה examplesדוגמאות.
234
655164
1687
בשימוש בהרבה דוגמאות אימון.
11:08
And about a yearשָׁנָה agoלִפנֵי,
Alexאלכס MordvintsevMordvintsev, on our teamקְבוּצָה,
235
656875
3187
ולפני בערך שנה,
אלכס מורדבינטסב, בצוות שלנו,
11:12
decidedהחליט to experimentלְנַסוֹת
with what happensקורה if we try solvingפְּתִירָה for x,
236
660086
3550
החליט להתנסות עם מה שקורה
אם אנחנו מנסים לפתור עבור X,
11:15
givenנָתוּן a knownידוע w and a knownידוע y.
237
663660
2037
בהתחשב ב W ו Y ידועים.
11:18
In other wordsמילים,
238
666124
1151
במילים אחרות,
11:19
you know that it's a birdציפור,
239
667299
1352
אתם יודעים שזו ציפור,
11:20
and you alreadyכְּבָר have your neuralעֲצַבִּי networkרֶשֶׁת
that you've trainedמְאוּמָן on birdsציפורים,
240
668675
3303
וכבר יש לכם את הרשת העצבית
שאימנתם על ציפורים,
11:24
but what is the pictureתְמוּנָה of a birdציפור?
241
672002
2344
אבל מה היא התמונה של הציפור?
11:27
It turnsפונה out that by usingמבנה יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוני exactlyבְּדִיוּק
the sameאותו error-minimizationמזעור שגיאה procedureתהליך,
242
675034
5024
מסתבר שבשימוש בדיוק
באותו תהליך מזעור שגיאות,
11:32
one can do that with the networkרֶשֶׁת
trainedמְאוּמָן to recognizeלזהות birdsציפורים,
243
680082
3430
שאפשר לעשות עם רשת שמאומנת להכיר ציפורים,
11:35
and the resultתוֹצָאָה turnsפונה out to be ...
244
683536
3388
ומסתבר שהתוצאה היא...
11:42
a pictureתְמוּנָה of birdsציפורים.
245
690400
1305
תמונה של ציפורים.
11:44
So this is a pictureתְמוּנָה of birdsציפורים
generatedשנוצר entirelyלַחֲלוּטִין by a neuralעֲצַבִּי networkרֶשֶׁת
246
692814
3737
אז זו תמונה של ציפורים
שמייוצרת לגמרי על ידי רשת עצבית
11:48
that was trainedמְאוּמָן to recognizeלזהות birdsציפורים,
247
696575
1826
שאומנה להכיר ציפורים,
11:50
just by solvingפְּתִירָה for x
ratherבמקום than solvingפְּתִירָה for y,
248
698425
3538
פשוט על ידי פיתרון ל X במקום לפתור ל Y,
11:53
and doing that iterativelyiteratively.
249
701987
1288
ולעשות את זה בחזרתיות.
11:55
Here'sהנה anotherאַחֵר funכֵּיף exampleדוגמא.
250
703732
1847
הנה דוגמה כיפית נוספת.
11:57
This was a work madeעָשׂוּי
by Mikeמִיקרוֹפוֹן Tykaטיקה in our groupקְבוּצָה,
251
705603
3437
זו היתה עבודה שנעשתה
על ידי מייק טייקה בקבוצה שלנו,
12:01
whichאיזה he callsשיחות "Animalבעל חיים Paradeמִצעָד."
252
709064
2308
שנקראה "תהלוכת החיות."
12:03
It remindsמזכיר me a little bitbit
of Williamויליאם Kentridge'sשל קנטרידג' artworksיצירות אמנות,
253
711396
2876
זה מזכיר לי מעט את האמנות
של ווליאם קמטרידג',
12:06
in whichאיזה he makesעושה sketchesסקיצות, rubsמשפשף them out,
254
714296
2489
בה הוא יוצר איורים, מוחק אותם,
12:08
makesעושה sketchesסקיצות, rubsמשפשף them out,
255
716809
1460
יוצר איורים, מוחק אותם,
12:10
and createsיוצר a movieסרט this way.
256
718293
1398
ויוצר סרט בדרך זו.
12:11
In this caseמקרה,
257
719715
1151
במקרה הזה,
12:12
what Mikeמִיקרוֹפוֹן is doing is varyingמשתנה y
over the spaceמֶרחָב of differentשונה animalsבעלי חיים,
258
720890
3277
מה שמייק עושה זה לשנות את Y
במרחב של חיות שונות,
12:16
in a networkרֶשֶׁת designedמְעוּצָב
to recognizeלזהות and distinguishלְהַבחִין
259
724191
2382
ברשת שמתוכננת להכיר ולהבחין
12:18
differentשונה animalsבעלי חיים from eachכל אחד other.
260
726597
1810
בין חיות שונות.
12:20
And you get this strangeמוּזָר, Escher-likeללא שם: Escher דמוי
morphמורף from one animalבעל חיים to anotherאַחֵר.
261
728431
3751
ואתם מקבלים את הסוג במוזר הזה של שינויים
כמו של אשר, מחיה אחת לאחרת.
12:26
Here he and Alexאלכס togetherיַחַד
have triedניסה reducingצמצום
262
734221
4614
פה הוא ואלכס יחד ניסו להפחית
12:30
the y'sכ ן to a spaceמֶרחָב of only two dimensionsממדים,
263
738859
2759
את ה Y לחלל של רק שני מימדים,
12:33
therebyבְּכָך makingהֲכָנָה a mapמַפָּה
out of the spaceמֶרחָב of all things
264
741642
3438
לכן הם יוצרים מפה מהחלל של כל הדברים
12:37
recognizedמוּכָּר by this networkרֶשֶׁת.
265
745104
1719
שמוכרים על ידי הרשת הזו.
12:38
Doing this kindסוג of synthesisסִינתֶזָה
266
746847
2023
לעשות סוג כזה של סינטזה
12:40
or generationדוֹר of imageryתמונות
over that entireשלם surfaceמשטח,
267
748894
2382
או יצירה של תמונות על פני כל המשטח,
12:43
varyingמשתנה y over the surfaceמשטח,
you make a kindסוג of mapמַפָּה --
268
751300
2846
שמשנים את Y על המשטח,
אתם עושים סוג של מפה --
12:46
a visualחָזוּתִי mapמַפָּה of all the things
the networkרֶשֶׁת knowsיודע how to recognizeלזהות.
269
754170
3141
מפה ויזואלית של כל הדברים
שהרשת יודעת איך להכיר.
12:49
The animalsבעלי חיים are all here;
"armadilloאַרמָדִיל" is right in that spotלְזַהוֹת.
270
757335
2865
החיות כולן פה; "ארמדילו"
בדיוק בנקודה הזו בנקודה ההיא.
12:52
You can do this with other kindsמיני
of networksרשתות as well.
271
760919
2479
אתם יכולים לעשות זאת
גם עם סוגים אחרים של רשתות.
12:55
This is a networkרֶשֶׁת designedמְעוּצָב
to recognizeלזהות facesפרצופים,
272
763422
2874
זו רשת שמתוכננת להכיר פרצופים,
12:58
to distinguishלְהַבחִין one faceפָּנִים from anotherאַחֵר.
273
766320
2000
כדי להבחין בין פרצוף אחד לאחר.
13:00
And here, we're puttingלשים
in a y that saysאומר, "me,"
274
768344
3249
ופה, אנחנו שמים את ה Y שאומר, "אני,"
13:03
my ownשֶׁלוֹ faceפָּנִים parametersפרמטרים.
275
771617
1575
הפרמטרים של הפנים שלי.
13:05
And when this thing solvesפותר for x,
276
773216
1706
וכשהדבר הזה פותר ל X,
13:06
it generatesמייצר this ratherבמקום crazyמְטוּרָף,
277
774946
2618
הוא יוצר תמונה די משוגעת,
13:09
kindסוג of cubistקוביסטי, surrealסוריאליסטי,
psychedelicפסיכדלי pictureתְמוּנָה of me
278
777588
4428
סוג של תמונה קוביסטית, סוראליסטית,
ופסיכדלית שלי
13:14
from multipleמְרוּבֶּה pointsנקודות of viewנוף at onceפַּעַם.
279
782040
1806
ממספר נקודות צפיה יחד.
13:15
The reasonסיבה it looksנראה like
multipleמְרוּבֶּה pointsנקודות of viewנוף at onceפַּעַם
280
783870
2734
הסיבה שזה נראה כמו מספר רב
של נקודות מבט יחד
13:18
is because that networkרֶשֶׁת is designedמְעוּצָב
to get ridלְשַׁחְרֵר of the ambiguityדו משמעות
281
786628
3687
זה בגלל שהרשת הזו מעוצבת להפתר מדו-משמעות
13:22
of a faceפָּנִים beingלהיות in one poseפּוֹזָה
or anotherאַחֵר poseפּוֹזָה,
282
790339
2476
של פנים שבפוזה אחת או אחרת,
13:24
beingלהיות lookedהביט at with one kindסוג of lightingתְאוּרָה,
anotherאַחֵר kindסוג of lightingתְאוּרָה.
283
792839
3376
כשמסתכלים עליהם עם סוג אחד של תאורה,
או סוג אחר של תאורה.
13:28
So when you do
this sortסוג of reconstructionשִׁחזוּר,
284
796239
2085
אז כשאתם עושים סוג זה של בנייה מחדש,
13:30
if you don't use some sortסוג of guideלהנחות imageתמונה
285
798348
2304
אם אתם לא משתמשים
בסוג מסווים של תמונת הנחייה
13:32
or guideלהנחות statisticsסטָטִיסטִיקָה,
286
800676
1211
או סטטיסטיקה מנחה,
13:33
then you'llאתה get a sortסוג of confusionבִּלבּוּל
of differentשונה pointsנקודות of viewנוף,
287
801911
3765
אז אתם תקבלו סוג של בלבול
מנקודות מבט שונות,
13:37
because it's ambiguousדו - משמעי.
288
805700
1368
בגלל שזה דו משמעי.
13:39
This is what happensקורה if Alexאלכס usesשימו
his ownשֶׁלוֹ faceפָּנִים as a guideלהנחות imageתמונה
289
807786
4223
זה מה שקורה אם אלכס
משתמש בפנים של עצמו כתמונה מנחה
13:44
duringבְּמַהֲלָך that optimizationאופטימיזציה processתהליך
to reconstructלְשַׁחְזֵר my ownשֶׁלוֹ faceפָּנִים.
290
812033
3321
במהלך תהליך האופטימיזציה
כדי לבנות מחדש את הפנים שלי.
13:48
So you can see it's not perfectמושלם.
291
816284
2328
אז אתם יכולים לראות שזה לא מושלם.
13:50
There's still quiteדַי a lot of work to do
292
818636
1874
יש עדיין די הרבה עבודה לעשות
13:52
on how we optimizeלייעל
that optimizationאופטימיזציה processתהליך.
293
820534
2453
על איך אנחנו עושים מיטוב של תהליך המיטוב.
13:55
But you startהַתחָלָה to get something
more like a coherentקוהרנטית faceפָּנִים,
294
823011
2827
אבל אתם מתחילים לקבל משהו
יותר כמו פנים ברורות,
13:57
renderedשניתנו usingמבנה יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוני my ownשֶׁלוֹ faceפָּנִים as a guideלהנחות.
295
825862
2014
שמצויירות בשימוש בפנים שלי כהנחיה.
14:00
You don't have to startהַתחָלָה
with a blankרֵיק canvasבַּד
296
828892
2501
אתם לא צריכים להתחיל עם קאנבס ריק
14:03
or with whiteלבן noiseרַעַשׁ.
297
831417
1156
או עם צליל לבן.
14:04
When you're solvingפְּתִירָה for x,
298
832597
1304
כשאתם פותרים עבור X,
14:05
you can beginהתחל with an x,
that is itselfעצמה alreadyכְּבָר some other imageתמונה.
299
833925
3889
אתם יכולים להתחיל עם X,
שהוא בעצמו כבר תמונה אחרת.
14:09
That's what this little demonstrationהפגנה is.
300
837838
2556
זו מה שההדגמה הקטנה הזו.
14:12
This is a networkרֶשֶׁת
that is designedמְעוּצָב to categorizeלְסַוֵג
301
840418
4122
זו רשת שמתוכננת לקטלג
14:16
all sortsמיני of differentשונה objectsחפצים --
man-madeמעשה ידי אדם structuresמבנים, animalsבעלי חיים ...
302
844564
3119
כל מיני אובייקטים שונים --
מבנים מעשה ידי אדם, חיות...
14:19
Here we're startingהחל
with just a pictureתְמוּנָה of cloudsעננים,
303
847707
2593
פה אנחנו מתחילים עם רק תמונה של עננים,
14:22
and as we optimizeלייעל,
304
850324
1671
וכשאנחנו ממטבים,
14:24
basicallyבעיקרון, this networkרֶשֶׁת is figuringלהבין out
what it seesרואה in the cloudsעננים.
305
852019
4486
בעיקרון, הרשת הזו מבינה
מה היא רואה בעננים.
14:28
And the more time
you spendלְבַלוֹת looking at this,
306
856931
2320
וככל שאתם מבלים יותר זמן בלהביט בהם,
14:31
the more things you alsoגַם
will see in the cloudsעננים.
307
859275
2753
אתם גם תראו הרבה יותר דברים בעננים.
14:35
You could alsoגַם use the faceפָּנִים networkרֶשֶׁת
to hallucinateהזיה into this,
308
863004
3375
אתם תוכלו גם להשתמש
ברשת הפנים כדי להזות לתוך זה,
14:38
and you get some prettyיפה crazyמְטוּרָף stuffדברים.
309
866403
1812
ואתם מקבלים דברים די מטורפים.
14:40
(Laughterצחוק)
310
868239
1150
(צחוק)
14:42
Or, Mikeמִיקרוֹפוֹן has doneבוצע some other experimentsניסויים
311
870401
2744
או, מייק עשה כמה ניסויים אחרים
14:45
in whichאיזה he takes that cloudענן imageתמונה,
312
873169
3905
בהם הוא לוקח את תמונת העננים ההיא,
14:49
hallucinatesהזיות, zoomsמתקרב, hallucinatesהזיות,
zoomsמתקרב hallucinatesהזיות, zoomsמתקרב.
313
877098
3507
הוזה, עושה זום, הוזה, זום, הוזה, זום.
14:52
And in this way,
314
880629
1151
ובדרך זו,
14:53
you can get a sortסוג of fugueפוּגָה stateמדינה
of the networkרֶשֶׁת, I supposeלְהַנִיחַ,
315
881804
3675
אתם יכולים לקבל סוג של מצב
של פוגה של הרשת, אני מניח,
14:57
or a sortסוג of freeחופשי associationאִרגוּן,
316
885503
3680
או סוג של אסוציאציה חופשית,
15:01
in whichאיזה the networkרֶשֶׁת
is eatingאֲכִילָה its ownשֶׁלוֹ tailזָנָב.
317
889207
2227
בה הרשת אוכלת את הזנב של עצמה.
15:03
So everyכֹּל imageתמונה is now the basisבָּסִיס for,
318
891458
3421
אז כל תמונה היא עכשיו הבסיס,
15:06
"What do I think I see nextהַבָּא?
319
894903
1421
ל"מה אני חושב שאני רואה עכשיו?
15:08
What do I think I see nextהַבָּא?
What do I think I see nextהַבָּא?"
320
896348
2803
מה אני חושב שאני רואה עכשיו?
מה אני חושב שאני רואה עכשיו?"
15:11
I showedparagraphs this for the first time in publicפּוּמְבֵּי
321
899487
2936
הראתי את זה בפעם הראשונה בציבור
15:14
to a groupקְבוּצָה at a lectureהַרצָאָה in Seattleסיאטל
calledשקוראים לו "Higherגבוה יותר Educationחינוך" --
322
902447
5437
לקבוצה בהרצאה בסיאטל
שנקראה "חינוך גבוה יותר" --
15:19
this was right after
marijuanaמַרִיחוּאַנָה was legalizedחוקי.
323
907908
2437
זה היה מייד אחרי שמריחואנה הפכה לחוקית.
15:22
(Laughterצחוק)
324
910369
2415
(צחוק)
15:26
So I'd like to finishסִיוּם up quicklyבִּמְהִירוּת
325
914627
2104
אז הייתי רוצה לסיים במהירות
15:28
by just notingלא that this technologyטֶכנוֹלוֹגִיָה
is not constrainedמוגבל.
326
916755
4255
פשוט בלהעיר שהטכנולוגיה הזו לא מוגבלת.
15:33
I've shownמוצג you purelyאַך וְרַק visualחָזוּתִי examplesדוגמאות
because they're really funכֵּיף to look at.
327
921034
3665
הראתי לכם דוגמאות ויזאוליות לגמרי
בגלל שבאמת כיף להביט בהן.
15:36
It's not a purelyאַך וְרַק visualחָזוּתִי technologyטֶכנוֹלוֹגִיָה.
328
924723
2451
זו לא טכנולוגיה ויזואלית לגמרי.
15:39
Our artistאמן collaboratorמְשַׁתֵף פְּעוּלָה, Rossרוס Goodwinגודווין,
329
927198
1993
האמן ששיתף איתנו פעולה, רוס גודווין,
15:41
has doneבוצע experimentsניסויים involvingמעורבים
a cameraמַצלֵמָה that takes a pictureתְמוּנָה,
330
929215
3671
עשה ניסויים שכללו מצלמה שמצלמת תמונות,
15:44
and then a computerמַחשֵׁב in his backpackתיק גב
writesכותב a poemשִׁיר usingמבנה יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוני neuralעֲצַבִּי networksרשתות,
331
932910
4234
ואז המחשב בתיק שלו כותב פואמה
בשימוש ברשתות עצביות,
15:49
basedמבוסס on the contentsתוכן of the imageתמונה.
332
937168
1944
בהתבסס על התוכן של התמונה.
15:51
And that poetryשִׁירָה neuralעֲצַבִּי networkרֶשֶׁת
has been trainedמְאוּמָן
333
939136
2947
והרשת העצבית הזו של השירה אומנה
15:54
on a largeגָדוֹל corpusקורפוס of 20th-centuryהמאה ה -14 poetryשִׁירָה.
334
942107
2234
על קורפוס גדול של השירה של המאה ה20.
15:56
And the poetryשִׁירָה is, you know,
335
944365
1499
והשירה היא, אתם יודעים,
15:57
I think, kindסוג of not badרַע, actuallyלמעשה.
336
945888
1914
אני חושב, סוג של לא רעה, למעשה.
15:59
(Laughterצחוק)
337
947826
1384
(צחוק)
16:01
In closingסְגִירָה,
338
949234
1159
לסיכום.
16:02
I think that perלְכָל Michelangeloמיכלאנג'לו,
339
950417
2132
אני חושב שעבור מיכאלאנג'לו,
16:04
I think he was right;
340
952573
1234
אני חושב שהוא צדק;
16:05
perceptionתפיסה and creativityיְצִירָתִיוּת
are very intimatelyבאופן אינטימי connectedמְחוּבָּר.
341
953831
3436
תפישה ויצירתיות מחוברות מאוד אינטימית.
16:09
What we'veיש לנו just seenלראות are neuralעֲצַבִּי networksרשתות
342
957611
2634
מה שכרגע ראינו הן רשתות עצביות
16:12
that are entirelyלַחֲלוּטִין trainedמְאוּמָן to discriminateלְהָפלוֹת,
343
960269
2303
שלגמרי מאומנות להפלות,
16:14
or to recognizeלזהות differentשונה
things in the worldעוֹלָם,
344
962596
2242
או להכיר דברים שונים בעולם,
16:16
ableיכול to be runלָרוּץ in reverseלַהֲפוֹך, to generateלִיצוֹר.
345
964862
3161
מסוגלת להיות מורצת אחורנית, כדי לייצר.
16:20
One of the things that suggestsמציע to me
346
968047
1783
אחד הדברים שמראים לי
16:21
is not only that
Michelangeloמיכלאנג'לו really did see
347
969854
2398
הם לא רק שמיכאלאנג'לו באמת ראה
16:24
the sculptureפֶּסֶל in the blocksבלוקים of stoneאֶבֶן,
348
972276
2452
את הפסל בתוך בלוק האבן,
16:26
but that any creatureיְצוּר,
any beingלהיות, any alienחייזר
349
974752
3638
אלא שכל יצור, כל ישות, כל חייזר
16:30
that is ableיכול to do
perceptualתְפִיסָתִי actsמעשי of that sortסוג
350
978414
3657
שמסוגל לעשות פעולות תפישתיות מסוג כלשהו
16:34
is alsoגַם ableיכול to createלִיצוֹר
351
982095
1375
גם מסוגל ליצור
16:35
because it's exactlyבְּדִיוּק the sameאותו
machineryמְכוֹנוֹת that's used in bothשניהם casesבמקרים.
352
983494
3224
בגלל שזה בדיוק אותו מנגנון
שבשימוש בשני המקרים.
16:38
Alsoגַם, I think that perceptionתפיסה
and creativityיְצִירָתִיוּת are by no meansאומר
353
986742
4532
כמו כן ,אני חושב שתפישה ויצירתיות
הן בשום צורה
16:43
uniquelyבאופן ייחודי humanבן אנוש.
354
991298
1210
לא רק אנושיות.
16:44
We startהַתחָלָה to have computerמַחשֵׁב modelsמודלים
that can do exactlyבְּדִיוּק these sortsמיני of things.
355
992532
3708
מתחילים להיות לנו מודלים ממוחשבים
שיכולים לעשות בדיוק דברים מהסוג הזה.
16:48
And that oughtצריך to be unsurprisingלא מפתיע;
the brainמוֹחַ is computationalחישובית.
356
996264
3328
וזה לא צריך להפתיע; המוח הוא חישובי.
16:51
And finallyסוף כל סוף,
357
999616
1657
ולבסוף,
16:53
computingמחשוב beganהחל as an exerciseתרגיל
in designingתִכנוּן intelligentאִינְטֶלִיגֶנְטִי machineryמְכוֹנוֹת.
358
1001297
4668
מחשוב החל כתרגיל בעיצוב מכונות חכמות.
16:57
It was very much modeledמודל after the ideaרַעְיוֹן
359
1005989
2462
הוא מודל אחר הרעיון
17:00
of how could we make machinesמכונה intelligentאִינְטֶלִיגֶנְטִי.
360
1008475
3013
של איך אנחנו יכולים ליצור מכונות חכמות.
17:03
And we finallyסוף כל סוף are startingהחל to fulfillלְמַלֵא now
361
1011512
2162
ואנחנו לבסוף מתחילים להגשים עכשיו
17:05
some of the promisesהבטחות
of those earlyמוקדם pioneersחלוצים,
362
1013698
2406
כמה מההבטחות של החלוצים הראשונים האלה,
17:08
of Turingטיורינג and vonפון Neumannנוימן
363
1016128
1713
של טיורינג וואן ניומן
17:09
and McCullochמקולוך and Pittsפיטס.
364
1017865
2265
ומקקולוך ופיטס.
17:12
And I think that computingמחשוב
is not just about accountingחשבונאות
365
1020154
4098
ואני חושב שמחשוב לא נוגע רק לחשבונאות
17:16
or playingמשחק Candyממתק Crushלִמְחוֹץ or something.
366
1024276
2147
או לשחק קנדי קראש או משהו.
17:18
From the beginningהתחלה,
we modeledמודל them after our mindsמוחות.
367
1026447
2578
מההתחלה, מידלנו אותם לפי המוח שלנו.
17:21
And they give us bothשניהם the abilityיְכוֹלֶת
to understandמבין our ownשֶׁלוֹ mindsמוחות better
368
1029049
3269
והם נותנים לנו גם את היכולת
להבין את המוחות שלנו טוב יותר
17:24
and to extendלְהַאֲרִיך them.
369
1032342
1529
ולהרחיב אותם.
17:26
Thank you very much.
370
1034627
1167
תודה רבה לכם.
17:27
(Applauseתְשׁוּאוֹת)
371
1035818
5939
(מחיאות כפיים)
Translated by Ido Dekkers
Reviewed by zeeva Livshitz

▲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