TED@BCG Paris
Blaise Agüera y Arcas: How computers are learning to be creative
Balise Agüera y Arcas: In che modo i computer stanno imparando ad essere creativi
Filmed:
Readability: 4.4
1,934,067 views
Siamo alle porte di una nuova frontiera per l'arte e la creatività - e non riguarda l'uomo. Blaise Agüeda y Arcas, il maggiore scienziato di Google, lavora sulle profonde reti neurali per la percezione delle macchine e l'apprendimento distribuito. In questa accattivante dimostrazione, mostra come le reti neurali preparate a riconoscere immagini possano lavorare al contrario, per generarle. I risultati: spettacolari, allucinatori collage (e poesie) che sfidano le categorizzazioni. "La percezione e la creatività sono intimamente correlate" dice Agueda y Arcas, "ogni creatura, ogni essere in grado di avere atti percettivi è anche in grado di creare".
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. Full bio
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.
Dunque, sono a capo di un team di Google
che lavora sull'intelligenza artificiale;
che lavora sull'intelligenza artificiale;
00:12
So, I lead a team at Google
that works on machine intelligence;
that works on machine intelligence;
0
800
3124
00:15
in other words, the engineering discipline
of making computers and devices
of making computers and devices
1
3948
4650
in altre parole l'ingegneria che si occupa
di creare computer ed altri dispositivi
di creare computer ed altri dispositivi
00:20
able to do some of the things
that brains do.
that brains do.
2
8622
2419
in grado di fare alcune delle cose
che fa il cervello.
che fa il cervello.
00:23
And this makes us
interested in real brains
interested in real brains
3
11439
3099
E questo ci ha fatto interessare
al cervello vero
al cervello vero
00:26
and neuroscience as well,
4
14562
1289
e alla neuroscienza,
00:27
and especially interested
in the things that our brains do
in the things that our brains do
5
15875
4172
ed in particolare a quelle cose che
fa il nostro cervello
fa il nostro cervello
00:32
that are still far superior
to the performance of computers.
to the performance of computers.
6
20071
4042
che sono di gran lunga superiori
alle capacità dei computer.
alle capacità dei computer.
00:37
Historically, one of those areas
has been perception,
has been perception,
7
25209
3609
Storicamente, una di queste aree
è stata la percezione,
è stata la percezione,
00:40
the process by which things
out there in the world --
out there in the world --
8
28842
3039
il processo con cui le cose
nel mod,
nel mod,
00:43
sounds and images --
9
31905
1584
suoni ed immagini,
00:45
can turn into concepts in the mind.
10
33513
2178
possono diventare concetti
nella nostra mente.
nella nostra mente.
00:48
This is essential for our own brains,
11
36235
2517
Questo è essenziale
per il nostro cervello,
per il nostro cervello,
00:50
and it's also pretty useful on a computer.
12
38776
2464
ed è anche piuttosto utile
per un computer.
per un computer.
Gli algoritmi di percezione della macchina
per esempio, elaborati dal nostro team,
per esempio, elaborati dal nostro team,
00:53
The machine perception algorithms,
for example, that our team makes,
for example, that our team makes,
13
41636
3350
00:57
are what enable your pictures
on Google Photos to become searchable,
on Google Photos to become searchable,
14
45010
3874
sono ciò che rende le vostre foto
su Google Foto cercabili,
su Google Foto cercabili,
01:00
based on what's in them.
15
48908
1397
in base a ciò
che c'è nelle foto.
che c'è nelle foto.
01:03
The flip side of perception is creativity:
16
51594
3493
L'altro lato della percezione
è la creatività:
è la creatività:
01:07
turning a concept into something
out there into the world.
out there into the world.
17
55111
3038
trasformare un concetto in qualcosa
che esiste nel mondo reale.
che esiste nel mondo reale.
01:10
So over the past year,
our work on machine perception
our work on machine perception
18
58173
3555
Così l'anno scorso, il nostro lavoro
sulla percezione delle macchine,
sulla percezione delle macchine,
01:13
has also unexpectedly connected
with the world of machine creativity
with the world of machine creativity
19
61752
4859
ci ha inaspettatamente condotto
al mondo della creatività nelle macchine
al mondo della creatività nelle macchine
01:18
and machine art.
20
66635
1160
e dell'arte nelle macchine.
01:20
I think Michelangelo
had a penetrating insight
had a penetrating insight
21
68556
3284
Penso che Michelangelo
ebbe una profonda intuizione
ebbe una profonda intuizione
01:23
into to this dual relationship
between perception and creativity.
between perception and creativity.
22
71864
3656
riguardo questa duplice relazione
tra percezione e creatività.
tra percezione e creatività.
01:28
This is a famous quote of his:
23
76023
2006
Questo è una sua famosa citazione:
01:30
"Every block of stone
has a statue inside of it,
has a statue inside of it,
24
78053
3323
"Ogni blocco di pietra
ha una statua dentro di sè
ha una statua dentro di sè
ed è compito dello scultore scoprirla".
01:34
and the job of the sculptor
is to discover it."
is to discover it."
25
82036
3002
01:38
So I think that what
Michelangelo was getting at
Michelangelo was getting at
26
86029
3216
Penso che quello che
Michelangelo intendesse dire
Michelangelo intendesse dire
01:41
is that we create by perceiving,
27
89269
3180
è che creiamo dalla percezione,
01:44
and that perception itself
is an act of imagination
is an act of imagination
28
92473
3023
e che la percezione stessa
è un atto dell'immaginazione
è un atto dell'immaginazione
01:47
and is the stuff of creativity.
29
95520
2461
ed è qualcosa della creatività.
01:50
The organ that does all the thinking
and perceiving and imagining,
and perceiving and imagining,
30
98691
3925
L'organo che si occupa di pensare
percepire ed immaginare
percepire ed immaginare
01:54
of course, is the brain.
31
102640
1588
naturalmente è il cervello.
01:57
And I'd like to begin
with a brief bit of history
with a brief bit of history
32
105089
2545
Vorrei cominciare con un breve
resoconto sulla storia
resoconto sulla storia
01:59
about what we know about brains.
33
107658
2302
della nostra conoscenza del cervello.
Perché a differenza, per esempio,
del cuore o dell'intestino,
del cuore o dell'intestino,
02:02
Because unlike, say,
the heart or the intestines,
the heart or the intestines,
34
110496
2446
02:04
you really can't say very much
about a brain by just looking at it,
about a brain by just looking at it,
35
112966
3144
non possiamo dire molto del cervello
solo osservandolo,
solo osservandolo,
02:08
at least with the naked eye.
36
116134
1412
almeno ad occhio nudo.
02:09
The early anatomists who looked at brains
37
117983
2416
I primi anatomisti
che studiarono il cervello
che studiarono il cervello
02:12
gave the superficial structures
of this thing all kinds of fanciful names,
of this thing all kinds of fanciful names,
38
120423
3807
diedero alle superficiali strutture
di questa cosa nomi fantasiosi,
di questa cosa nomi fantasiosi,
02:16
like hippocampus, meaning "little shrimp."
39
124254
2433
come ippocampo, che significa
"gamberetto".
"gamberetto".
02:18
But of course that sort of thing
doesn't tell us very much
doesn't tell us very much
40
126711
2764
Ma naturalmente questo
non ci dice molto
non ci dice molto
02:21
about what's actually going on inside.
41
129499
2318
su cosa realmente succede all'interno.
02:24
The first person who, I think, really
developed some kind of insight
developed some kind of insight
42
132780
3613
Il primo che, credo, sviluppò davvero
una qualche intuizione
una qualche intuizione
su cosa succedesse
all'interno del cervello
all'interno del cervello
02:28
into what was going on in the brain
43
136417
1930
02:30
was the great Spanish neuroanatomist,
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
44
138371
3920
fu il grande neuroanatomista spagnolo
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
02:34
in the 19th century,
45
142315
1544
nel XIX secolo,
02:35
who used microscopy and special stains
46
143883
3755
che utilizzò il microscopio
e speciali tinture
e speciali tinture
02:39
that could selectively fill in
or render in very high contrast
or render in very high contrast
47
147662
4170
che potevano selettivamente riempire
o risaltare in elevato contrasto
o risaltare in elevato contrasto
02:43
the individual cells in the brain,
48
151856
2008
le singole cellule del cervello,
02:45
in order to start to understand
their morphologies.
their morphologies.
49
153888
3154
per iniziare a comprenderne
la morfologia.
la morfologia.
02:49
And these are the kinds of drawings
that he made of neurons
that he made of neurons
50
157972
2891
E questi sono gli schizzi
che fece dei neuroni
che fece dei neuroni
02:52
in the 19th century.
51
160887
1209
nel XIX secolo.
02:54
This is from a bird brain.
52
162120
1884
Questo è il cervello di un uccello.
02:56
And you see this incredible variety
of different sorts of cells,
of different sorts of cells,
53
164028
3057
Vedete l'incredibile varietà
di cellule differenti,
di cellule differenti,
02:59
even the cellular theory itself
was quite new at this point.
was quite new at this point.
54
167109
3435
persino la teoria cellulare stessa
era abbastanza nuova all'epoca.
era abbastanza nuova all'epoca.
03:02
And these structures,
55
170568
1278
E queste strutture,
03:03
these cells that have these arborizations,
56
171870
2259
queste cellule che hanno
queste ramificazioni,
queste ramificazioni,
questi rami che possono percorrere
distanze davvero lunghissime...
distanze davvero lunghissime...
03:06
these branches that can go
very, very long distances --
very, very long distances --
57
174153
2608
03:08
this was very novel at the time.
58
176785
1616
questa era una vera novità all'epoca.
03:10
They're reminiscent, of course, of wires.
59
178779
2903
E naturalmente, ci ricordano
dei fili elettrici.
dei fili elettrici.
03:13
That might have been obvious
to some people in the 19th century;
to some people in the 19th century;
60
181706
3457
Questo sarebbe potuto essere ovvio
per alcuni nel XIX secolo;
per alcuni nel XIX secolo;
03:17
the revolutions of wiring and electricity
were just getting underway.
were just getting underway.
61
185187
4314
le rivoluzioni dei circuiti,
dell'elettricità stavano cominciando.
dell'elettricità stavano cominciando.
03:21
But in many ways,
62
189964
1178
Ma in molti modi,
03:23
these microanatomical drawings
of Ramón y Cajal's, like this one,
of Ramón y Cajal's, like this one,
63
191166
3313
i disegni di microanatomia
di Ramón y Cajal, come questo,
di Ramón y Cajal, come questo,
03:26
they're still in some ways unsurpassed.
64
194503
2332
sono ancora in qualche modo attuali.
03:28
We're still more than a century later,
65
196859
1854
Dopo più di un secolo,
stiamo ancora cercando di finire
il lavoro iniziato da Ramón y Cajal.
il lavoro iniziato da Ramón y Cajal.
03:30
trying to finish the job
that Ramón y Cajal started.
that Ramón y Cajal started.
66
198737
2825
03:33
These are raw data from our collaborators
67
201586
3134
Questi sono dati grezzi
dai nostri collaboratori
dai nostri collaboratori
03:36
at the Max Planck Institute
of Neuroscience.
of Neuroscience.
68
204744
2881
all'Istituto Max Planck di Neuroscienze.
Ciò che hanno fatto
i nostri collaboratori
i nostri collaboratori
03:39
And what our collaborators have done
69
207649
1790
03:41
is to image little pieces of brain tissue.
70
209463
5001
è rappresentare frammenti
di tessuto celebrale.
di tessuto celebrale.
03:46
The entire sample here
is about one cubic millimeter in size,
is about one cubic millimeter in size,
71
214488
3326
L'intero campione qui è di circa
un millimetro cubico,
un millimetro cubico,
03:49
and I'm showing you a very,
very small piece of it here.
very small piece of it here.
72
217838
2621
e ve ne sto mostrando
un pezzo piccolissimo qui.
un pezzo piccolissimo qui.
03:52
That bar on the left is about one micron.
73
220483
2346
Quella barra a sinistra
è di circa un micron.
è di circa un micron.
03:54
The structures you see are mitochondria
74
222853
2409
Le strutture che vedete
sono i mitocondri
sono i mitocondri
03:57
that are the size of bacteria.
75
225286
2044
che sono delle dimensioni
dei batteri.
dei batteri.
03:59
And these are consecutive slices
76
227354
1551
E queste sono sezioni consecutive
04:00
through this very, very
tiny block of tissue.
tiny block of tissue.
77
228929
3148
di questo minuscolo
blocco di tessuto.
blocco di tessuto.
04:04
Just for comparison's sake,
78
232101
2403
Solo per fare un confronto,
04:06
the diameter of an average strand
of hair is about 100 microns.
of hair is about 100 microns.
79
234528
3792
il diametro medio di un capello
misura circa 100 microns.
misura circa 100 microns.
Quindi stiamo osservando qualcosa
di molto, molto più piccolo
di molto, molto più piccolo
04:10
So we're looking at something
much, much smaller
much, much smaller
80
238344
2274
04:12
than a single strand of hair.
81
240642
1398
di un singolo capello.
04:14
And from these kinds of serial
electron microscopy slices,
electron microscopy slices,
82
242064
4031
E da queste serie di parti
microscopiche di elettroni,
microscopiche di elettroni,
04:18
one can start to make reconstructions
in 3D of neurons that look like these.
in 3D of neurons that look like these.
83
246119
5008
si possono cominciare ricostruzioni
3D dei neuroni che appaiono come questi.
3D dei neuroni che appaiono come questi.
04:23
So these are sort of in the same
style as Ramón y Cajal.
style as Ramón y Cajal.
84
251151
3157
Sono in qualche modo simili al lavoro
svolto da Ramón y Cajal.
svolto da Ramón y Cajal.
Solo pochi neuroni
sono evidenziati,
sono evidenziati,
04:26
Only a few neurons lit up,
85
254332
1492
04:27
because otherwise we wouldn't
be able to see anything here.
be able to see anything here.
86
255848
2781
perché altrimenti non potremmo
osservare nulla qui.
osservare nulla qui.
04:30
It would be so crowded,
87
258653
1312
Sarebbe molto affollato
04:31
so full of structure,
88
259989
1330
e pieno di strutture,
04:33
of wiring all connecting
one neuron to another.
one neuron to another.
89
261343
2724
di fili che uniscono tutti
i neutroni tra loro.
i neutroni tra loro.
04:37
So Ramón y Cajal was a little bit
ahead of his time,
ahead of his time,
90
265293
2804
Quindi, Ramón y Cajal era un po' avanti
per i suoi tempi,
per i suoi tempi,
04:40
and progress on understanding the brain
91
268121
2555
e gli sviluppi sulla comprensione
del cervello
del cervello
04:42
proceeded slowly
over the next few decades.
over the next few decades.
92
270700
2271
avanzarono lentamente nel corso
dei decenni successivi.
dei decenni successivi.
04:45
But we knew that neurons used electricity,
93
273455
2853
Ma sapevamo che i neuroni
usano l'elettricità,
usano l'elettricità,
e dalla Seconda Guerra Mondiale, la nostra
tecnologia era abbastanza avanzata
tecnologia era abbastanza avanzata
04:48
and by World War II, our technology
was advanced enough
was advanced enough
94
276332
2936
04:51
to start doing real electrical
experiments on live neurons
experiments on live neurons
95
279292
2806
da iniziare a fare veri esperimenti
elettrici su neuroni vivi
elettrici su neuroni vivi
04:54
to better understand how they worked.
96
282122
2106
per capire meglio il loro funzionamento.
04:56
This was the very same time
when computers were being invented,
when computers were being invented,
97
284631
4356
Questa fu l'epoca in cui vennero
inventati i computer,
inventati i computer,
05:01
very much based on the idea
of modeling the brain --
of modeling the brain --
98
289011
3100
basati fondamentalmente
sul modello del cervello,
sul modello del cervello,
05:04
of "intelligent machinery,"
as Alan Turing called it,
as Alan Turing called it,
99
292135
3085
di "macchina intelligente"
come Alan Turing lo chiamò,
come Alan Turing lo chiamò,
05:07
one of the fathers of computer science.
100
295244
1991
uno dei padri della scienza del computer.
05:09
Warren McCulloch and Walter Pitts
looked at Ramón y Cajal's drawing
looked at Ramón y Cajal's drawing
101
297923
4632
Warren MacCulloch e Walter Pitts
studiarono i disegni di Ramón y Cajal
studiarono i disegni di Ramón y Cajal
05:14
of visual cortex,
102
302579
1317
della corteccia visiva,
05:15
which I'm showing here.
103
303920
1562
che vi mostro qui.
05:17
This is the cortex that processes
imagery that comes from the eye.
imagery that comes from the eye.
104
305506
4442
Questa è la corteccia che elabora
le immagini provenienti dall'occhio.
le immagini provenienti dall'occhio.
05:22
And for them, this looked
like a circuit diagram.
like a circuit diagram.
105
310424
3508
Secondo loro, ciò appariva
come un diagramma di un circuito.
come un diagramma di un circuito.
05:26
So there are a lot of details
in McCulloch and Pitts's circuit diagram
in McCulloch and Pitts's circuit diagram
106
314353
3835
Molti dettagli dei diagrammi
di MacCulloch e Pitts
di MacCulloch e Pitts
05:30
that are not quite right.
107
318212
1352
non sono proprio corretti.
05:31
But this basic idea
108
319588
1235
Ma questa idea di base
05:32
that visual cortex works like a series
of computational elements
of computational elements
109
320847
3992
che la corteccia visiva lavorasse
come una serie di elementi di calcolo
come una serie di elementi di calcolo
05:36
that pass information
one to the next in a cascade,
one to the next in a cascade,
110
324863
2746
che trasmettono informazioni
l'un l'altra in sequenza
l'un l'altra in sequenza
05:39
is essentially correct.
111
327633
1602
è essenzialmente corretto.
05:41
Let's talk for a moment
112
329259
2350
Analizziamo un attimo
05:43
about what a model for processing
visual information would need to do.
visual information would need to do.
113
331633
4032
ciò che un modello di elaborazione
di informazioni visive dovrebbe fare.
di informazioni visive dovrebbe fare.
05:48
The basic task of perception
114
336228
2741
Il compito fondamentale
della percezione
della percezione
05:50
is to take an image like this one and say,
115
338993
4194
è di catturare un'immagine
come questa e dire:
come questa e dire:
05:55
"That's a bird,"
116
343211
1176
"Questo è un uccello,"
05:56
which is a very simple thing
for us to do with our brains.
for us to do with our brains.
117
344411
2874
che è una cosa molto semplice
per il nostro cervello.
per il nostro cervello.
05:59
But you should all understand
that for a computer,
that for a computer,
118
347309
3421
Ma tutti voi dovreste capire
che per un computer,
che per un computer,
06:02
this was pretty much impossible
just a few years ago.
just a few years ago.
119
350754
3087
ciò era praticamente impossibile
sino a qualche anno fa.
sino a qualche anno fa.
06:05
The classical computing paradigm
120
353865
1916
Il classico paradigma di calcolo
06:07
is not one in which
this task is easy to do.
this task is easy to do.
121
355805
2507
in questo caso non è
così semplice da realizzare.
così semplice da realizzare.
06:11
So what's going on between the pixels,
122
359366
2552
Ciò che accade
tra i pixel,
tra i pixel,
06:13
between the image of the bird
and the word "bird,"
and the word "bird,"
123
361942
4028
tra l'immagine dell'uccello e
la parola "uccello",
la parola "uccello",
06:17
is essentially a set of neurons
connected to each other
connected to each other
124
365994
2814
essenzialmente è un gruppo
di neuroni connessi tra loro
di neuroni connessi tra loro
06:20
in a neural network,
125
368832
1155
in una rete neurale,
come sto schematizzando qui.
06:22
as I'm diagramming here.
126
370011
1223
06:23
This neural network could be biological,
inside our visual cortices,
inside our visual cortices,
127
371258
3272
Questa rete neurale può essere
biologica, nella nostra corteccia visuale,
biologica, nella nostra corteccia visuale,
06:26
or, nowadays, we start
to have the capability
to have the capability
128
374554
2162
oppure, oggi, possiamo
06:28
to model such neural networks
on the computer.
on the computer.
129
376740
2454
modellare queste reti neuronali
su un computer.
su un computer.
06:31
And I'll show you what
that actually looks like.
that actually looks like.
130
379834
2353
E vi mostrerò come in realtà ciò appaia.
06:34
So the pixels you can think
about as a first layer of neurons,
about as a first layer of neurons,
131
382211
3416
Quindi i pixel potete immaginarli
come un primo strato di neuroni,
come un primo strato di neuroni,
06:37
and that's, in fact,
how it works in the eye --
how it works in the eye --
132
385651
2239
ed è così, infatti, che funziona l'occhio:
06:39
that's the neurons in the retina.
133
387914
1663
questi sono i neuroni della retina.
06:41
And those feed forward
134
389601
1500
Ed essi trasmettono
06:43
into one layer after another layer,
after another layer of neurons,
after another layer of neurons,
135
391125
3403
da uno strato all'altro,
06:46
all connected by synapses
of different weights.
of different weights.
136
394552
3033
tutti connessi da sinapsi di
peso differente.
peso differente.
Il comportamento
di questa rete
di questa rete
06:49
The behavior of this network
137
397609
1335
06:50
is characterized by the strengths
of all of those synapses.
of all of those synapses.
138
398968
3284
è caratterizzato dalle forze
di tutte queste sinapsi.
di tutte queste sinapsi.
06:54
Those characterize the computational
properties of this network.
properties of this network.
139
402276
3288
Esse caratterizzano le proprietà
di calcolo di questa rete.
di calcolo di questa rete.
06:57
And at the end of the day,
140
405588
1470
E alla fine della giornata,
06:59
you have a neuron
or a small group of neurons
or a small group of neurons
141
407082
2447
abbiamo un neurone o
un piccolo gruppo di neuroni
un piccolo gruppo di neuroni
07:01
that light up, saying, "bird."
142
409553
1647
che si accendono e dicono "uccello".
Adesso vi mostrerò
queste tre cose:
queste tre cose:
07:03
Now I'm going to represent
those three things --
those three things --
143
411824
3132
07:06
the input pixels and the synapses
in the neural network,
in the neural network,
144
414980
4696
i pixel di input, le sinapsi
nella rete neurale,
nella rete neurale,
07:11
and bird, the output --
145
419700
1585
e l'uccello, il risultato,
07:13
by three variables: x, w and y.
146
421309
3057
attraverso tre variabili: x, w ed y.
Ci sono forse un milione
di x più o meno,
di x più o meno,
07:16
There are maybe a million or so x's --
147
424853
1811
07:18
a million pixels in that image.
148
426688
1953
un milione di pixel in questa immagine.
07:20
There are billions or trillions of w's,
149
428665
2446
Ci sono miliardi o triliardi di w,
07:23
which represent the weights of all
these synapses in the neural network.
these synapses in the neural network.
150
431135
3421
che rappresentano il peso di tutte queste
sinapsi nella rete neurale.
sinapsi nella rete neurale.
07:26
And there's a very small number of y's,
151
434580
1875
E c'è un piccolissimo numero di y,
07:28
of outputs that that network has.
152
436479
1858
di uscite che ha quella rete.
07:30
"Bird" is only four letters, right?
153
438361
1749
Uccello è di sole tre sillabe,
giusto?
giusto?
07:33
So let's pretend that this
is just a simple formula,
is just a simple formula,
154
441088
3426
Facciamo finta che sia solo
una semplice formula,
una semplice formula,
07:36
x "x" w = y.
155
444538
2163
x "x" w = y.
07:38
I'm putting the times in scare quotes
156
446725
2036
Sto mettendo il "per" tra virgolette
07:40
because what's really
going on there, of course,
going on there, of course,
157
448785
2280
perché cio che realmente accade,
ovviamente,
ovviamente,
07:43
is a very complicated series
of mathematical operations.
of mathematical operations.
158
451089
3046
è una complicatissima serie
di operazioni matematiche.
di operazioni matematiche.
07:47
That's one equation.
159
455172
1221
Questa è un'equazione.
07:48
There are three variables.
160
456417
1672
Ci sono tre variabili.
07:50
And we all know
that if you have one equation,
that if you have one equation,
161
458113
2726
E sappiamo tutti che se hai un'equazione,
07:52
you can solve one variable
by knowing the other two things.
by knowing the other two things.
162
460863
3642
puoi risolvere una variabile
conoscendo le altre due.
conoscendo le altre due.
07:57
So the problem of inference,
163
465158
3380
Quindi il problema
di arrivare alla soluzione,
di arrivare alla soluzione,
08:00
that is, figuring out
that the picture of a bird is a bird,
that the picture of a bird is a bird,
164
468562
2873
vale a dire, capire che l'immagine
dell'uccello è un uccello,
dell'uccello è un uccello,
08:03
is this one:
165
471459
1274
è questo:
08:04
it's where y is the unknown
and w and x are known.
and w and x are known.
166
472757
3459
è che y è l'incognita
e w ed x i termini noti.
e w ed x i termini noti.
08:08
You know the neural network,
you know the pixels.
you know the pixels.
167
476240
2459
Conoscete la rete neurale
e conoscete i pixel.
e conoscete i pixel.
Come potete vedere questo in realtà
è un problema relativamente semplice.
è un problema relativamente semplice.
08:10
As you can see, that's actually
a relatively straightforward problem.
a relatively straightforward problem.
168
478723
3327
08:14
You multiply two times three
and you're done.
and you're done.
169
482074
2186
Moltiplicate per due volte tre
ed è fatta.
ed è fatta.
08:16
I'll show you an artificial neural network
170
484862
2123
Vi mostro una rete
neurale artificiale
neurale artificiale
che abbiamo recentemente realizzato
facendo esattamente questo.
facendo esattamente questo.
08:19
that we've built recently,
doing exactly that.
doing exactly that.
171
487009
2296
08:21
This is running in real time
on a mobile phone,
on a mobile phone,
172
489634
2860
Funziona in tempo reale
su un cellulare,
su un cellulare,
08:24
and that's, of course,
amazing in its own right,
amazing in its own right,
173
492518
3313
e questo è di certo
sorprendente di per sè,
sorprendente di per sè,
08:27
that mobile phones can do so many
billions and trillions of operations
billions and trillions of operations
174
495855
3468
che i cellulari possono fare
miliardi e triliardi di operazioni
miliardi e triliardi di operazioni
08:31
per second.
175
499347
1248
al secondo.
Quello che state guardando
è un cellulare
è un cellulare
08:32
What you're looking at is a phone
176
500619
1615
08:34
looking at one after another
picture of a bird,
picture of a bird,
177
502258
3547
che guarda un'immagine
di un uccello dopo l'altra
di un uccello dopo l'altra
08:37
and actually not only saying,
"Yes, it's a bird,"
"Yes, it's a bird,"
178
505829
2715
ed in realtà non dice solo:
"Sì, è un uccello",
"Sì, è un uccello",
08:40
but identifying the species of bird
with a network of this sort.
with a network of this sort.
179
508568
3411
ma identifica le specie di uccello
con una rete di questo tipo.
con una rete di questo tipo.
08:44
So in that picture,
180
512890
1826
Quindi in questa foto,
08:46
the x and the w are known,
and the y is the unknown.
and the y is the unknown.
181
514740
3802
la x e la w sono note,
e la y è l'incognita.
e la y è l'incognita.
08:50
I'm glossing over the very
difficult part, of course,
difficult part, of course,
182
518566
2508
Sto tralasciando la parte più
difficile ovviamente,
difficile ovviamente,
08:53
which is how on earth
do we figure out the w,
do we figure out the w,
183
521098
3861
che è come diamine
ci immaginiamo la w,
ci immaginiamo la w,
08:56
the brain that can do such a thing?
184
524983
2187
il cervello che può fare una cosa simile ?
08:59
How would we ever learn such a model?
185
527194
1834
Come potremmo mai conoscere
un simile modello?
un simile modello?
09:01
So this process of learning,
of solving for w,
of solving for w,
186
529418
3233
Così questo processo di apprendimento
di risolvere tramite la w,
di risolvere tramite la w,
09:04
if we were doing this
with the simple equation
with the simple equation
187
532675
2647
se stavamo facendo questo
con una semplice equazione
con una semplice equazione
09:07
in which we think about these as numbers,
188
535346
2000
nella quale pensiamo a questi come numeri,
09:09
we know exactly how to do that: 6 = 2 x w,
189
537370
2687
sappiamo esattamente come fare:
6 = 2 x w,
6 = 2 x w,
09:12
well, we divide by two and we're done.
190
540081
3312
bene, dividiamo per due ed è fatta.
09:16
The problem is with this operator.
191
544001
2220
Il problema sta in questa operazione.
09:18
So, division --
192
546823
1151
La divisione...
abbiamo usato la divisione perché
è l'inverso della moltiplicazione,
è l'inverso della moltiplicazione,
09:19
we've used division because
it's the inverse to multiplication,
it's the inverse to multiplication,
193
547998
3121
09:23
but as I've just said,
194
551143
1440
ma come abbiamo appena detto,
09:24
the multiplication is a bit of a lie here.
195
552607
2449
la moltiplicazione è un bugia qui.
09:27
This is a very, very complicated,
very non-linear operation;
very non-linear operation;
196
555080
3326
Questa è un'operazione complicatissima,
davvero non semplice;
davvero non semplice;
09:30
it has no inverse.
197
558430
1704
non ha l'inverso.
09:32
So we have to figure out a way
to solve the equation
to solve the equation
198
560158
3150
Cosi dobbiamo cercare
di risolvere l'equazione
di risolvere l'equazione
09:35
without a division operator.
199
563332
2024
senza un'operazione di divisione.
09:37
And the way to do that
is fairly straightforward.
is fairly straightforward.
200
565380
2343
E fare ciò
è abbastanza semplice.
è abbastanza semplice.
09:39
You just say, let's play
a little algebra trick,
a little algebra trick,
201
567747
2671
Diciamo solo che facciamo un
trucchetto algebrico,
trucchetto algebrico,
09:42
and move the six over
to the right-hand side of the equation.
to the right-hand side of the equation.
202
570442
2906
e spostiamo il sei nella parte
a destra dell'equazione.
a destra dell'equazione.
09:45
Now, we're still using multiplication.
203
573372
1826
Ora, stiamo ancora usando
la moltiplicazione.
la moltiplicazione.
09:47
And that zero -- let's think
about it as an error.
about it as an error.
204
575675
3580
E quello zero, pensiamolo come un errore.
In altre parole, se abbiamo risolto
la w in modo corretto,
la w in modo corretto,
09:51
In other words, if we've solved
for w the right way,
for w the right way,
205
579279
2515
09:53
then the error will be zero.
206
581818
1656
allora l'errore sarà lo zero.
09:55
And if we haven't gotten it quite right,
207
583498
1938
E se non l'abbiamo fatto giusto,
09:57
the error will be greater than zero.
208
585460
1749
l'errore sarà maggiore di zero.
09:59
So now we can just take guesses
to minimize the error,
to minimize the error,
209
587233
3366
Cosi ora possiamo fare delle prove
per minimizzare l'errore
per minimizzare l'errore
e questo è il genere di cose
in cui i computer sono molto bravi.
in cui i computer sono molto bravi.
10:02
and that's the sort of thing
computers are very good at.
computers are very good at.
210
590623
2687
10:05
So you've taken an initial guess:
211
593334
1593
Quindi abbiamo
un valore fittizio iniziale:
un valore fittizio iniziale:
10:06
what if w = 0?
212
594951
1156
se w = 0?
10:08
Well, then the error is 6.
213
596131
1240
Beh, allora l'errore è 6.
10:09
What if w = 1? The error is 4.
214
597395
1446
Se w = 1? L'errore è 4.
E così il computer può giocare
ad una sorta di Marco Polo,
ad una sorta di Marco Polo,
10:10
And then the computer can
sort of play Marco Polo,
sort of play Marco Polo,
215
598865
2367
10:13
and drive down the error close to zero.
216
601256
2367
e abbassare il margine
di errore vicino allo zero.
di errore vicino allo zero.
10:15
As it does that, it's getting
successive approximations to w.
successive approximations to w.
217
603647
3374
E così facendo, sta ottenendo
continue approssimazioni per w.
continue approssimazioni per w.
10:19
Typically, it never quite gets there,
but after about a dozen steps,
but after about a dozen steps,
218
607045
3656
Generalmente, non ci si avvicina mai,
ma dopo una dozzina di passaggi
ma dopo una dozzina di passaggi
10:22
we're up to w = 2.999,
which is close enough.
which is close enough.
219
610725
4624
arriviamo a w = 2,999,
che è abbastanza vicino.
che è abbastanza vicino.
E questo è il processo
di apprendimento.
di apprendimento.
10:28
And this is the learning process.
220
616302
1814
10:30
So remember that what's been going on here
221
618140
2730
Quindi, ricordate che quello
che succede qui
che succede qui
10:32
is that we've been taking
a lot of known x's and known y's
a lot of known x's and known y's
222
620894
4378
è che abbiamo preso un mucchio
di x note ed y note
di x note ed y note
10:37
and solving for the w in the middle
through an iterative process.
through an iterative process.
223
625296
3454
e abbiamo risolto la w nel mezzo
attraverso un processo iterativo.
attraverso un processo iterativo.
10:40
It's exactly the same way
that we do our own learning.
that we do our own learning.
224
628774
3556
È esattamente lo stesso processo
che utilizziamo per apprendere.
che utilizziamo per apprendere.
10:44
We have many, many images as babies
225
632354
2230
Riceviamo moltissime
immagini da bambini
immagini da bambini
10:46
and we get told, "This is a bird;
this is not a bird."
this is not a bird."
226
634608
2633
che ci dicono: "questo è un uccello;
questo non è un uccello."
questo non è un uccello."
10:49
And over time, through iteration,
227
637714
2098
E con il tempo, attraverso l'iterazione,
10:51
we solve for w, we solve
for those neural connections.
for those neural connections.
228
639836
2928
risolviamo la w, risolviamo
quei collegamenti neurali.
quei collegamenti neurali.
10:55
So now, we've held
x and w fixed to solve for y;
x and w fixed to solve for y;
229
643460
4086
Quindi adesso abbiamo mantenuto
fisse x ed w per risolvere y;
fisse x ed w per risolvere y;
questa è la rapida percezione quotidiana.
10:59
that's everyday, fast perception.
230
647570
1847
Abbiamo capito
come risolvere la w,
come risolvere la w,
11:01
We figure out how we can solve for w,
231
649441
1763
che è apprendere,
che è molto più difficile,
che è molto più difficile,
11:03
that's learning, which is a lot harder,
232
651228
1903
perché abbiamo bisogno
di minimizzare l'errore,
di minimizzare l'errore,
11:05
because we need to do error minimization,
233
653155
1985
11:07
using a lot of training examples.
234
655164
1687
usando molti esempi
come allenamento.
come allenamento.
11:08
And about a year ago,
Alex Mordvintsev, on our team,
Alex Mordvintsev, on our team,
235
656875
3187
E circa un anno fa,
Alex Mordvintsev, nel nostro team,
Alex Mordvintsev, nel nostro team,
11:12
decided to experiment
with what happens if we try solving for x,
with what happens if we try solving for x,
236
660086
3550
decise di sperimentare cosa
accade se cerchiamo di risolvere x,
accade se cerchiamo di risolvere x,
11:15
given a known w and a known y.
237
663660
2037
conoscendo w e y.
11:18
In other words,
238
666124
1151
In altre parole,
11:19
you know that it's a bird,
239
667299
1352
sapete che è un uccello,
11:20
and you already have your neural network
that you've trained on birds,
that you've trained on birds,
240
668675
3303
e avete già la rete neurale
che avete allenato sugli uccelli,
che avete allenato sugli uccelli,
11:24
but what is the picture of a bird?
241
672002
2344
ma cos'è l'immagine di un uccello?
11:27
It turns out that by using exactly
the same error-minimization procedure,
the same error-minimization procedure,
242
675034
5024
È venuto fuori che utilizzando la stessa
procedura di minimizzazione dell'errore,
procedura di minimizzazione dell'errore,
11:32
one can do that with the network
trained to recognize birds,
trained to recognize birds,
243
680082
3430
si può fare con la rete allenata
a riconoscere gli uccelli,
a riconoscere gli uccelli,
11:35
and the result turns out to be ...
244
683536
3388
ed il risultato è...
11:42
a picture of birds.
245
690400
1305
un'immagine di uccelli.
11:44
So this is a picture of birds
generated entirely by a neural network
generated entirely by a neural network
246
692814
3737
Quindi questa è un'immagine di uccelli
interamente generata dalla rete neurale
interamente generata dalla rete neurale
11:48
that was trained to recognize birds,
247
696575
1826
allenata a riconoscere gli uccelli,
11:50
just by solving for x
rather than solving for y,
rather than solving for y,
248
698425
3538
risolvendo solo x
piuttosto che risolvere y,
piuttosto che risolvere y,
11:53
and doing that iteratively.
249
701987
1288
e facendolo in modo iterativo.
11:55
Here's another fun example.
250
703732
1847
Ho qui un altro esempio divertente.
11:57
This was a work made
by Mike Tyka in our group,
by Mike Tyka in our group,
251
705603
3437
Questo era un lavoro fatto
da Mike Tyra nel nostro gruppo
da Mike Tyra nel nostro gruppo
12:01
which he calls "Animal Parade."
252
709064
2308
che lui chiama "Parata degli animali".
12:03
It reminds me a little bit
of William Kentridge's artworks,
of William Kentridge's artworks,
253
711396
2876
Mi ricorda un po' le opere d'arte
di William Kentridge,
di William Kentridge,
12:06
in which he makes sketches, rubs them out,
254
714296
2489
in cui fa schizzi, li cancella,
12:08
makes sketches, rubs them out,
255
716809
1460
fa schizzi, li cancella,
ed in questa maniera
crea un film.
crea un film.
12:10
and creates a movie this way.
256
718293
1398
12:11
In this case,
257
719715
1151
In questo caso,
12:12
what Mike is doing is varying y
over the space of different animals,
over the space of different animals,
258
720890
3277
quello che Mike fa è variare
la y tra diversi animali,
la y tra diversi animali,
12:16
in a network designed
to recognize and distinguish
to recognize and distinguish
259
724191
2382
in una rete disegnata per riconoscere
e distinguere
e distinguere
12:18
different animals from each other.
260
726597
1810
diversi animali l'uno dall''altro.
12:20
And you get this strange, Escher-like
morph from one animal to another.
morph from one animal to another.
261
728431
3751
E si ottiene questa strana trasformazione
stile Escher da un animale all'altro.
stile Escher da un animale all'altro.
12:26
Here he and Alex together
have tried reducing
have tried reducing
262
734221
4614
Qui lui ed Alex insieme
hanno cercato di ridurre
hanno cercato di ridurre
12:30
the y's to a space of only two dimensions,
263
738859
2759
la y ad uno spazio di sole due dimensioni,
12:33
thereby making a map
out of the space of all things
out of the space of all things
264
741642
3438
in modo tale da creare una mappa
a aprtire dallo spazio delle cose
a aprtire dallo spazio delle cose
12:37
recognized by this network.
265
745104
1719
riconosciute da questa rete.
12:38
Doing this kind of synthesis
266
746847
2023
Facendo questo tipo di sintesi
o generazione di immagini
su tutta quella superficie,
su tutta quella superficie,
12:40
or generation of imagery
over that entire surface,
over that entire surface,
267
748894
2382
variando y sulla superficie,
si può creare una sorta di mappa,
si può creare una sorta di mappa,
12:43
varying y over the surface,
you make a kind of map --
you make a kind of map --
268
751300
2846
12:46
a visual map of all the things
the network knows how to recognize.
the network knows how to recognize.
269
754170
3141
una mappa visuale di tutte le cose
che la rete sa come riconoscere.
che la rete sa come riconoscere.
12:49
The animals are all here;
"armadillo" is right in that spot.
"armadillo" is right in that spot.
270
757335
2865
Gli animali sono tutti qui;
"armadillo" è in quel posto.
"armadillo" è in quel posto.
12:52
You can do this with other kinds
of networks as well.
of networks as well.
271
760919
2479
Potete fare questo anche
con altri generi di reti.
con altri generi di reti.
12:55
This is a network designed
to recognize faces,
to recognize faces,
272
763422
2874
Questa è una rete disegnata
per riconoscere i visi,
per riconoscere i visi,
12:58
to distinguish one face from another.
273
766320
2000
per distinguere una faccia da un'altra.
E qui, stiamo inserendo
una y che dice "me",
una y che dice "me",
13:00
And here, we're putting
in a y that says, "me,"
in a y that says, "me,"
274
768344
3249
i miei parametri facciali.
13:03
my own face parameters.
275
771617
1575
E quando questa cosa risolve la x,
13:05
And when this thing solves for x,
276
773216
1706
genera questa specie di pazza,
13:06
it generates this rather crazy,
277
774946
2618
13:09
kind of cubist, surreal,
psychedelic picture of me
psychedelic picture of me
278
777588
4428
cubista, surreale, psichedelica
immagine di me stesso
immagine di me stesso
13:14
from multiple points of view at once.
279
782040
1806
da molteplici punti di vista insieme.
13:15
The reason it looks like
multiple points of view at once
multiple points of view at once
280
783870
2734
La ragione per cui sembrano
più punti di vista insieme
più punti di vista insieme
è che la rete è costruita per
scartare le ambiguità
scartare le ambiguità
13:18
is because that network is designed
to get rid of the ambiguity
to get rid of the ambiguity
281
786628
3687
13:22
of a face being in one pose
or another pose,
or another pose,
282
790339
2476
di un volto che sia in una posa
o in un'altra
o in un'altra
guardato con un tipo di luce,
poi con un altro.
poi con un altro.
13:24
being looked at with one kind of lighting,
another kind of lighting.
another kind of lighting.
283
792839
3376
Così quando si fa questo tipo
di ricostruzione,
di ricostruzione,
13:28
So when you do
this sort of reconstruction,
this sort of reconstruction,
284
796239
2085
se non si usa una qualche sorta
di immagine guida,
di immagine guida,
13:30
if you don't use some sort of guide image
285
798348
2304
13:32
or guide statistics,
286
800676
1211
o statistica guida,
13:33
then you'll get a sort of confusion
of different points of view,
of different points of view,
287
801911
3765
otterrete una sorta di confusione
di differenti punti di vista,
di differenti punti di vista,
perchè è ambiguo.
13:37
because it's ambiguous.
288
805700
1368
13:39
This is what happens if Alex uses
his own face as a guide image
his own face as a guide image
289
807786
4223
Questo è quello che succede se Alex
usa la sua faccia come immagine campione
usa la sua faccia come immagine campione
durante il processo di ottimizzazione
per ricostruire il mio viso.
per ricostruire il mio viso.
13:44
during that optimization process
to reconstruct my own face.
to reconstruct my own face.
290
812033
3321
Come potete vedere non è perfetto.
13:48
So you can see it's not perfect.
291
816284
2328
13:50
There's still quite a lot of work to do
292
818636
1874
C'è ancora un bel po' di lavoro da fare
13:52
on how we optimize
that optimization process.
that optimization process.
293
820534
2453
su come migliorare
il processo di ottimizzazione.
il processo di ottimizzazione.
Ma si è cominciato ad ottenere
qualcosa di più simile a un viso,
qualcosa di più simile a un viso,
13:55
But you start to get something
more like a coherent face,
more like a coherent face,
294
823011
2827
13:57
rendered using my own face as a guide.
295
825862
2014
usando la mia faccia come modello.
Non è necessario iniziare
con una tela bianca
con una tela bianca
14:00
You don't have to start
with a blank canvas
with a blank canvas
296
828892
2501
o con un rumore bianco.
14:03
or with white noise.
297
831417
1156
14:04
When you're solving for x,
298
832597
1304
Quando risolvete la x,
14:05
you can begin with an x,
that is itself already some other image.
that is itself already some other image.
299
833925
3889
potete iniziare con una x, che di per sè
è già una qualche altra immagine.
è già una qualche altra immagine.
14:09
That's what this little demonstration is.
300
837838
2556
Questa ne è
una piccola dimostrazione.
una piccola dimostrazione.
14:12
This is a network
that is designed to categorize
that is designed to categorize
301
840418
4122
Questa è una reta
disegnata per categorizzare
disegnata per categorizzare
ogni genere di oggetti diversi:
strutture create dall'uomo, animali...
strutture create dall'uomo, animali...
14:16
all sorts of different objects --
man-made structures, animals ...
man-made structures, animals ...
302
844564
3119
14:19
Here we're starting
with just a picture of clouds,
with just a picture of clouds,
303
847707
2593
Qui cominciamo semplicemente
con una foto di nubi,
con una foto di nubi,
e appena ottimizziamo,
14:22
and as we optimize,
304
850324
1671
14:24
basically, this network is figuring out
what it sees in the clouds.
what it sees in the clouds.
305
852019
4486
sostanzialmente, questa rete cerca
di capire ciò che vede nelle nubi.
di capire ciò che vede nelle nubi.
E più tempo state a guardarla,
14:28
And the more time
you spend looking at this,
you spend looking at this,
306
856931
2320
14:31
the more things you also
will see in the clouds.
will see in the clouds.
307
859275
2753
più cose riuscirete
a vedere nelle nubi.
a vedere nelle nubi.
Si potrebbe anche utilizzare
la rete dei visi per allucinarla
la rete dei visi per allucinarla
14:35
You could also use the face network
to hallucinate into this,
to hallucinate into this,
308
863004
3375
ed ottenere cose piuttosto folli.
14:38
and you get some pretty crazy stuff.
309
866403
1812
14:40
(Laughter)
310
868239
1150
(Risate)
Oppure, Mike ha fatto
qualche altro esperimento
qualche altro esperimento
14:42
Or, Mike has done some other experiments
311
870401
2744
14:45
in which he takes that cloud image,
312
873169
3905
in cui prende questa immagine
di nuvole
di nuvole
allucinata, zoomata, allucinata
zoomata, allucinata, zoomata.
zoomata, allucinata, zoomata.
14:49
hallucinates, zooms, hallucinates,
zooms hallucinates, zooms.
zooms hallucinates, zooms.
313
877098
3507
14:52
And in this way,
314
880629
1151
Ed in questo modo,
è possibile ottenere una sorta di stato
di fuga dalla rete, suppongo,
di fuga dalla rete, suppongo,
14:53
you can get a sort of fugue state
of the network, I suppose,
of the network, I suppose,
315
881804
3675
o una sorta di libera associazione,
14:57
or a sort of free association,
316
885503
3680
15:01
in which the network
is eating its own tail.
is eating its own tail.
317
889207
2227
nella quale la rete
si morde la coda.
si morde la coda.
15:03
So every image is now the basis for,
318
891458
3421
Così ogni immagine è adesso la base per:
15:06
"What do I think I see next?
319
894903
1421
"Cosa penso di vedere dopo?
15:08
What do I think I see next?
What do I think I see next?"
What do I think I see next?"
320
896348
2803
Cosa penso di vedere dopo?
Cosa penso di vedere dopo?"
Cosa penso di vedere dopo?"
15:11
I showed this for the first time in public
321
899487
2936
Ho mostrato questa cosa
per la prima volta in pubblico
per la prima volta in pubblico
15:14
to a group at a lecture in Seattle
called "Higher Education" --
called "Higher Education" --
322
902447
5437
a un gruppo in una conferenza a Seattle
chiamato "Istruzione superiore",
chiamato "Istruzione superiore",
15:19
this was right after
marijuana was legalized.
marijuana was legalized.
323
907908
2437
subito dopo che
la marijuana fu legalizzata.
la marijuana fu legalizzata.
15:22
(Laughter)
324
910369
2415
(Risate)
Così mi piacerebbe
concludere velocemente
concludere velocemente
15:26
So I'd like to finish up quickly
325
914627
2104
15:28
by just noting that this technology
is not constrained.
is not constrained.
326
916755
4255
semplicemente facendovi notare
che questa tecnologia non è vincolata.
che questa tecnologia non è vincolata.
Vi ho mostrato esempi puramente visuali
perché sono divertenti da vedere.
perché sono divertenti da vedere.
15:33
I've shown you purely visual examples
because they're really fun to look at.
because they're really fun to look at.
327
921034
3665
Ma non è una tecnologia puramente visiva.
15:36
It's not a purely visual technology.
328
924723
2451
Il nostro collaboratore artistico,
Ross Goodwin,
Ross Goodwin,
15:39
Our artist collaborator, Ross Goodwin,
329
927198
1993
15:41
has done experiments involving
a camera that takes a picture,
a camera that takes a picture,
330
929215
3671
ha fatto esperimenti con una fotocamera
che cattura un'immagine,
che cattura un'immagine,
15:44
and then a computer in his backpack
writes a poem using neural networks,
writes a poem using neural networks,
331
932910
4234
e con un computer nel suo zaino
che scrive una poesia usando reti neurali,
che scrive una poesia usando reti neurali,
basata sui contenuti dell'immagine.
15:49
based on the contents of the image.
332
937168
1944
15:51
And that poetry neural network
has been trained
has been trained
333
939136
2947
E quella rete neurale di poesia
è stata allenata
è stata allenata
15:54
on a large corpus of 20th-century poetry.
334
942107
2234
su un vasto materiale di poesie
del XX secolo.
del XX secolo.
15:56
And the poetry is, you know,
335
944365
1499
E, sapete, la poesia,
15:57
I think, kind of not bad, actually.
336
945888
1914
secondo me, in realtà non è male.
15:59
(Laughter)
337
947826
1384
(Risate)
Per finire,
16:01
In closing,
338
949234
1159
16:02
I think that per Michelangelo,
339
950417
2132
penso che Michelangelo
16:04
I think he was right;
340
952573
1234
avesse ragione;
percezione e creatività
sono strettamente correlate.
sono strettamente correlate.
16:05
perception and creativity
are very intimately connected.
are very intimately connected.
341
953831
3436
Quello che abbiamo appena visto
sono reti neurali
sono reti neurali
16:09
What we've just seen are neural networks
342
957611
2634
che sono completamente
allenate a distinguere
allenate a distinguere
16:12
that are entirely trained to discriminate,
343
960269
2303
o a riconoscere differenti cose
nel mondo,
nel mondo,
16:14
or to recognize different
things in the world,
things in the world,
344
962596
2242
16:16
able to be run in reverse, to generate.
345
964862
3161
e se attivate al contrario, per creare.
16:20
One of the things that suggests to me
346
968047
1783
Una delle cose che mi suggerisce
è che non solo Michelangelo
potesse davvero vedere
potesse davvero vedere
16:21
is not only that
Michelangelo really did see
Michelangelo really did see
347
969854
2398
16:24
the sculpture in the blocks of stone,
348
972276
2452
la scultura all'interno
del blocco di pietra,
del blocco di pietra,
16:26
but that any creature,
any being, any alien
any being, any alien
349
974752
3638
ma che ogni creatura,
ogni essere, ogni alieno
ogni essere, ogni alieno
che è in grado di eseguire
atti percettivi di questo genere
atti percettivi di questo genere
16:30
that is able to do
perceptual acts of that sort
perceptual acts of that sort
350
978414
3657
è anche in grado di creare
16:34
is also able to create
351
982095
1375
perché è esattamente la stessa macchina
che viene usata in entrambi i casi.
che viene usata in entrambi i casi.
16:35
because it's exactly the same
machinery that's used in both cases.
machinery that's used in both cases.
352
983494
3224
Inoltre penso che la percezione
e la creazione non siano
e la creazione non siano
16:38
Also, I think that perception
and creativity are by no means
and creativity are by no means
353
986742
4532
16:43
uniquely human.
354
991298
1210
mezzi unicamente umani.
16:44
We start to have computer models
that can do exactly these sorts of things.
that can do exactly these sorts of things.
355
992532
3708
Iniziamo ad avere modelli di computer
che fanno proprio questo genere di cose.
che fanno proprio questo genere di cose.
E questo non dovrebbe sorprendere;
il cervello è computazionale.
il cervello è computazionale.
16:48
And that ought to be unsurprising;
the brain is computational.
the brain is computational.
356
996264
3328
16:51
And finally,
357
999616
1657
Ed infine,
16:53
computing began as an exercise
in designing intelligent machinery.
in designing intelligent machinery.
358
1001297
4668
il calcolo iniziò come un esercizio per
creare macchine intelligenti.
creare macchine intelligenti.
16:57
It was very much modeled after the idea
359
1005989
2462
È iniziato dall'idea
17:00
of how could we make machines intelligent.
360
1008475
3013
che potessimo creare
macchine intelligenti.
macchine intelligenti.
E finalmente stiamo iniziando
ad adempiere adesso
ad adempiere adesso
17:03
And we finally are starting to fulfill now
361
1011512
2162
17:05
some of the promises
of those early pioneers,
of those early pioneers,
362
1013698
2406
ad alcune delle promesse
di quei primi pionieri,
di quei primi pionieri,
17:08
of Turing and von Neumann
363
1016128
1713
di Turing e von Neumann,
17:09
and McCulloch and Pitts.
364
1017865
2265
di MacCulloch e Pitts.
E pens che l'informatica
non sia solo calcolare
non sia solo calcolare
17:12
And I think that computing
is not just about accounting
is not just about accounting
365
1020154
4098
17:16
or playing Candy Crush or something.
366
1024276
2147
o giocare a Candy Crush o altro.
Fin dal principio, l'abbiamo
modellata sulle nostre menti.
modellata sulle nostre menti.
17:18
From the beginning,
we modeled them after our minds.
we modeled them after our minds.
367
1026447
2578
17:21
And they give us both the ability
to understand our own minds better
to understand our own minds better
368
1029049
3269
Ed essa ci hanno fornito sia la capacità
di capire meglio la nostra mente
di capire meglio la nostra mente
17:24
and to extend them.
369
1032342
1529
sia di ampliarla.
Grazie mille.
17:26
Thank you very much.
370
1034627
1167
17:27
(Applause)
371
1035818
5939
(ApplausiI)
ABOUT THE SPEAKER
Blaise Agüera y Arcas - Software architectBlaise 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?
Blaise Agüera y Arcas | Speaker | TED.com