English-Video.net comment policy

The comment field is common to all languages

Let's write in your language and use "Google Translate" together

Please refer to informative community guidelines on TED.com

TED@BCG Paris

Blaise Agüera y Arcas: How computers are learning to be creative

ブレイス・アグエラ・ヤルカス: コンピューターはこうしてクリエイティブになる

Filmed
Views 1,448,371

我々はアートと創造性の新時代の入り口におり、その主人公は人間ではない—そう語るGoogle社の主席サイエンティストのブレイス・アグエラ・ヤルカスは、深層学習を行うニューラルネットワークで機械知覚と分散学習を実現する取り組みを進めています。画像認識用にトレーニングしたニューラルネットワークを逆に使って非常に斬新な映像を生み出すという、目を奪われるようなデモを彼は披露してくれます。コンピューターが作り出すその映像は、幻想的ですばらしく、既成のジャンル分けには当てはまらないコラージュ作品です。そればかりか、コンピューターは今や詩まで作れるといいます。彼はこう言います。「知覚と創造性の間には非常に密接な結び付きがあり、知覚行為を行う能力を有するものは創造力も兼ね備えている」

- 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

Soそう, I lead aa teamチーム at〜で Googlegoogle
thatそれ works作品 on machine機械 intelligenceインテリジェンス;
私はGoogleで 機械知能に取り組む
開発チームを率いています
00:12
in otherその他 words言葉, theその engineeringエンジニアリング discipline規律
of making作る computersコンピュータ andそして devicesデバイス
機械知能とは コンピューターや
いろいろな種類の端末に
00:15
ableできる to do行う some一部 of theその thingsもの
thatそれ brains頭脳 do行う.
人間の脳のような機能を
持たせるための技術です
00:20
Andそして thisこの makes作る us米国
interested興味がある in realリアル brains頭脳
仕事上 私たちは
人間の脳の働きや
00:23
andそして neuroscience神経科学 asとして wellよく,
神経科学に関心があり
00:26
andそして especially特に interested興味がある
in theその thingsもの thatそれ our我々の brains頭脳 do行う
脳が未だコンピューターより
はるかに優れている領域に
00:27
thatそれ are stillまだ far遠い superior優れました
to theその performanceパフォーマンス of computersコンピュータ.
特に興味を持っています
00:32
Historically歴史的に, one1 of thoseそれら areasエリア
has持っている beenされている perception知覚,
そのような領域として
古くから認識されていたのは 知覚です
00:37
theその processプロセス by〜によって whichどの thingsもの
outでる thereそこ in theその world世界 ---
知覚とは 外界に存在するもの―
00:40
sounds andそして imagesイメージ ---
つまり 音や映像のようなものを
00:43
canできる turn順番 into conceptsコンセプト in theその mindマインド.
心の中の概念に 変えるプロセスです
00:45
Thisこの is essential本質的な forために our我々の own自分の brains頭脳,
これは 人間の脳に
本質的に備わっている能力ですが
00:48
andそして it'sそれは alsoまた、 prettyかなり useful有用 on aa computerコンピューター.
コンピューターにも 有用なものです
00:50
Theその machine機械 perception知覚 algorithmsアルゴリズム,
forために example, thatそれ our我々の teamチーム makes作る,
例えば 私の部署で作っている
機械知覚アルゴリズムは
00:53
are what enable有効にする yourきみの picturesピクチャー
on Googlegoogle Photos写真 to become〜になる searchable検索可能な,
Googleフォトの画像を
00:57
basedベース on what's何ですか in themそれら.
写っているものに基づいて
検索できるようにする技術です
01:00
Theその flipフリップ side of perception知覚 is creativity創造性:
一方 知覚と対照的なものに
創造性があります
01:03
turning旋回 aa concept概念 into something何か
outでる thereそこ into theその world世界.
創造性とは 概念を
何かの形で世に生み出すことです
01:07
Soそう over以上 theその past過去 year,
our我々の work作業 on machine機械 perception知覚
この1年の我々の
機械知覚への取り組みの中で
01:10
has持っている alsoまた、 unexpectedly意外にも connected接続された
with〜と theその world世界 of machine機械 creativity創造性
コンピューターによる創造
「機械芸術」の世界との
01:13
andそして machine機械 artアート.
意外な接点を見ました
01:18
I think思う Michelangeloミケランジェロ
had持っていました aa penetrating浸透する insight洞察力
ミケランジェロには
先見の明があり
01:20
into to thisこの dualデュアル relationship関係
betweenの間に perception知覚 andそして creativity創造性.
この「知覚と創造の二重の関係」を
見ていたのだと思います
01:23
Thisこの is aa famous有名な quote見積もり of his:
彼は 有名な言葉を残しています
01:28
"Everyすべて blockブロック of stone
has持っている aa statue inside内部 of itそれ,
「どんな石の塊にも 彫像が隠れており
01:30
andそして theその jobジョブ of theその sculptor彫刻家
is to discover発見する itそれ."
彫刻家の仕事は
その像を見出すことである」
01:34
Soそう I think思う thatそれ what
Michelangeloミケランジェロ wasあった getting取得 at〜で
ミケランジェロが気づいていたのは
01:38
is thatそれ we我々 create作成する by〜によって perceiving知覚する,
我々は 知覚によって
創造しているということで
01:41
andそして thatそれ perception知覚 itself自体
is an act行為 of imagination想像力
知覚自体が 想像する行為であり
01:44
andそして is theその stuffもの of creativity創造性.
創造的なものだということです
01:47
Theその organ器官 thatそれ doesする allすべて theその thinking考え
andそして perceiving知覚する andそして imagining想像する,
人体の中で 思考 知覚 想像を行う器官は
01:50
of courseコース, is theその brain.
言うまでもなく 脳です
01:54
Andそして I'd私は like好きな to beginベギン
with〜と aa brief簡潔な bitビット of history歴史
そこで 脳科学の歩みについて
01:57
about what we我々 know知っている about brains頭脳.
簡単に振り返りましょう
01:59
Becauseなぜなら unlike違う, sayいう,
theその heartハート orまたは theその intestines,
心臓や腸などとは違い
02:02
you君は really本当に can'tできない sayいう very非常に muchたくさん
about aa brain by〜によって justちょうど looking探している at〜で itそれ,
脳については 外観からは
分からないことが多いからです
02:04
at〜で least少なくとも with〜と theその naked eye.
少なくとも 肉眼で見た場合には
02:08
Theその early早い anatomists解剖学者 who looked見た at〜で brains頭脳
脳に注目した 昔の解剖学者たちは
02:09
gave与えた theその superficial面白い structures構造
of thisこの thingもの allすべて kinds種類 of fanciful想像 names名前,
脳の外部構造を見て
しゃれた名前を付けました
02:12
like好きな hippocampus海馬, meaning意味 "little少し shrimpエビ."
例えば「海馬」
これは タツノオトシゴのことです
02:16
Butだけど of courseコース thatそれ sortソート of thingもの
doesn'tしない telltell us米国 very非常に muchたくさん
しかし そのように付けられた名前は
02:18
about what's何ですか actually実際に going行く on inside内部.
その働きについて
ほとんど何も示していません
02:21
Theその first最初 person who, I think思う, really本当に
developed発展した some一部 kind種類 of insight洞察力
脳内で起きていることについて
本当の知見を初めて得たのは
02:24
into what wasあった going行く on in theその brain
19世紀の 偉大な
スペイン人神経解剖学者
02:28
wasあった theその greatすばらしいです Spanishスペイン語 neuroanatomist神経学者,
Santiagoサンティアゴ RamRAMónn yy Cajalカザル,
サンティアゴ・ラモン・イ・カハールだと
02:30
in theその 19thth century世紀,
私は思います
02:34
who used中古 microscopy顕微鏡検査 andそして special特別 stains汚れ
彼は顕微鏡と
選択的に染める特殊な染料を使って
02:35
thatそれ couldできた selectively選択的に fill埋める in
orまたは renderレンダリングする in very非常に high高い contrastコントラスト
脳内の個々の細胞を
非常にはっきりした形で
02:39
theその individual個人 cells細胞 in theその brain,
見られるようにし
02:43
in order注文 to start開始 to understandわかる
their彼らの morphologies形態学.
そこから 形態学的理解が
進むようになりました
02:45
Andそして theseこれら are theその kinds種類 of drawings図面
thatそれ he made of neuronsニューロン
19世紀に 彼が描いた
神経のイメージは
02:49
in theその 19thth century世紀.
このようなものでした
02:52
Thisこの is fromから aa bird brain.
これは 鳥の脳です
02:54
Andそして you君は see見る thisこの incredible信じられない variety品種
of different異なる sortsソート of cells細胞,
このように 驚くほど
多様な細胞があります
02:56
even偶数 theその cellular携帯電話 theory理論 itself自体
wasあった quiteかなり new新しい at〜で thisこの pointポイント.
当時は 細胞説自体が
ごく新しいものでした
02:59
Andそして theseこれら structures構造,
この構造 この細胞には
03:02
theseこれら cells細胞 thatそれ have持ってる theseこれら arborizations収穫,
樹状突起があります
03:03
theseこれら branches thatそれ canできる go行く
very非常に, very非常に long長いです distances距離 ---
この突起は
非常に長く伸びうるのですが
03:06
thisこの wasあった very非常に novel小説 at〜で theその time時間.
これも 当時は目新しいことでした
03:08
They're彼らは reminiscent思い出す, of courseコース, of wiresワイヤー.
樹状突起は 配線のようにも見えます
03:10
Thatそれ mightかもしれない have持ってる beenされている obvious明らか
to some一部 people in theその 19thth century世紀;
このことは 19世紀の一部の人には
一目瞭然だったかもしれません
03:13
theその revolutions回転 of wiring配線 andそして electricity電気
wereあった justちょうど getting取得 underway進行中.
電気による革命が進み
配線が普及し始めた時代だったからです
03:17
Butだけど in manyたくさんの ways方法,
しかし いろいろな面で
03:21
theseこれら microanatomical微量組織学的 drawings図面
of RamRAMónn yy Cajal'sカザル, like好きな thisこの one1,
ラモン・イ・カハールが提示した
微細解剖学的な図は
03:23
they're彼らは stillまだ in some一部 ways方法 unsurpassed抜群の.
ある意味 今なお越えられていません
03:26
We're私たちは stillまだ moreもっと thanより aa century世紀 later後で,
1世紀を経た今も 我々は
03:28
trying試す to finish仕上げ theその jobジョブ
thatそれ RamRAMónn yy Cajalカザル started開始した.
ラモン・イ・カハールが始めた仕事を
完成させようと試み続けています
03:30
Theseこれら are raw dataデータ fromから our我々の collaborators協力者
これは 我々が提携している
03:33
at〜で theその Max最大 Planckプランク Institute研究所
of Neuroscience神経科学.
マックス・プランク神経科学研究所による
生のデータです
03:36
Andそして what our我々の collaborators協力者 have持ってる done完了
彼らが行ったのは
03:39
is to image画像 little少し pieces作品 of brain tissue組織.
脳の組織の小さな断片を
可視化するということです
03:41
Theその entire全体 sampleサンプル hereここに
is about one1 cubicキュービック millimeterミリメートル in sizeサイズ,
この試料全体の大きさは
1立方ミリメートルで
03:46
andそして I'm私は showing表示 you君は aa very非常に,
very非常に small小さい pieceピース of itそれ hereここに.
今 お見せしているのは
そのごく一部です
03:49
Thatそれ barバー on theその left is about one1 micronミクロン.
左の棒の長さが
1ミクロンです
03:52
Theその structures構造 you君は see見る are mitochondriaミトコンドリア
ご覧の構造は ミトコンドリアで
03:54
thatそれ are theその sizeサイズ of bacteria細菌.
大きさとしては
バクテリアと同程度です
03:57
Andそして theseこれら are consecutive連続 slicesスライス
ごく小さな組織片の
03:59
throughを通して thisこの very非常に, very非常に
tiny小さな blockブロック of tissue組織.
連続的断面を映しています
04:00
Justちょうど forために comparison's比較 sake,
比較のために言うと
04:04
theその diameter直径 of an average平均 strand
of hairヘア is about 100 micronsミクロン.
髪の毛の直径は
平均約100ミクロンです
04:06
Soそう we're私たちは looking探している at〜で something何か
muchたくさん, muchたくさん smaller小さい
ご覧のものは
髪の毛の直径よりも
04:10
thanより aa singleシングル strand of hairヘア.
はるかに小さいんです
04:12
Andそして fromから theseこれら kinds種類 of serialシリアル
electron電子 microscopy顕微鏡検査 slicesスライス,
このような 電子顕微鏡による
連続断面像から
04:14
one1 canできる start開始 to make作る reconstructions再建
in 3Dd of neuronsニューロン thatそれ look見える like好きな theseこれら.
ニューロンの3次元像を
再構成できます
04:18
Soそう theseこれら are sortソート of in theその same同じ
styleスタイル asとして RamRAMónn yy Cajalカザル.
ここでは ラモン・イ・カハールが
したのと同じように
04:23
Onlyのみ aa few少数 neuronsニューロン lit点灯 upアップ,
ごく一部のニューロンだけを示しています
04:26
becauseなぜなら otherwiseさもないと we我々 wouldn'tしないだろう
be〜する ableできる to see見る anything何でも hereここに.
そうしなければ
あまりに密集していて
04:27
Itそれ would〜する be〜する soそう crowded混雑した,
わけが分からなくなってしまいます
04:30
soそう full満員 of structure構造,
ニューロンは 互いに結合し合った —
04:31
of wiring配線 allすべて connecting接続する
one1 neuronニューロン to another別の.
非常に複雑な構造をしているためです
04:33
Soそう RamRAMónn yy Cajalカザル wasあった aa little少し bitビット
ahead前方に of his time時間,
ラモン・イ・カハールは
時代の先を行っていて
04:37
andそして progress進捗 on understanding理解 theその brain
脳に対する理解は
04:40
proceeded進んだ slowlyゆっくり
over以上 theその next few少数 decades数十年.
その後の数十年で
ゆっくりと進んでいきました
04:42
Butだけど we我々 knew知っていた thatそれ neuronsニューロン used中古 electricity電気,
やがて ニューロンは
電気を使っていることが発見され
04:45
andそして by〜によって World世界 War戦争 IIii, our我々の technology技術
wasあった advanced高度な enough十分な
第二次世界大戦の頃には
04:48
to start開始 doingやっている realリアル electrical電気
experiments実験 on liveライブ neuronsニューロン
仕組みの解明のため
生きたニューロンを使って
04:51
to betterより良い understandわかる howどうやって they彼ら worked働いた.
電気的な実験ができるくらいに
技術が進歩しました
04:54
Thisこの wasあった theその very非常に same同じ time時間
whenいつ computersコンピュータ wereあった beingであること invented発明された,
ほぼ同時期に
コンピューターも発明されましたが
04:56
very非常に muchたくさん basedベース on theその ideaアイディア
of modelingモデリング theその brain ---
これは 人間の脳をモデル化するという
アイデアに基づいていました
05:01
of "intelligentインテリジェントな machinery機械,"
asとして Alanアラン Turingチューリング calledと呼ばれる itそれ,
コンピュータ科学の父の1人である
アラン・チューリングは
05:04
one1 of theその fathers父親 of computerコンピューター science科学.
これを「知的機械」と呼びました
05:07
Warrenウォーレン McCullochmcculloch andそして Walterウォルター Pittsピッチ
looked見た at〜で RamRAMónn yy Cajal'sカザル drawingお絵かき
そしてウォーレン・マカロックと
ウォルター・ピッツが
05:09
of visualビジュアル cortex皮質,
ラモン・イ・カハールの
視覚野の図に 目を向けました
05:14
whichどの I'm私は showing表示 hereここに.
今 ここでお見せしているものです
05:15
Thisこの is theその cortex皮質 thatそれ processesプロセス
imageryイメージ thatそれ comes来る fromから theその eye.
これは 目から受け取ったイメージを
処理する皮質です
05:17
Andそして forために themそれら, thisこの looked見た
like好きな aa circuit回路 diagram.
2人には これが
回路図のように見えました
05:22
Soそう thereそこ are aa lotロット of details詳細
in McCullochmcculloch andそして Pitts'sピットズ circuit回路 diagram
マカロックとピッツの回路図の
細かい部分には
05:26
thatそれ are notない quiteかなり right.
間違いが たくさんありますが
05:30
Butだけど thisこの basic基本的な ideaアイディア
その基本的な概念
05:31
thatそれ visualビジュアル cortex皮質 works作品 like好きな aa seriesシリーズ
of computational計算上の elements要素
つまり 視覚野は一連の
計算要素のように働き
05:32
thatそれ passパス information情報
one1 to theその next in aa cascadeカスケード,
段階的に情報を
受け渡していくという概念は
05:36
is essentially基本的に correct正しい.
本質的に正しいものでした
05:39
Let'sさあ talkトーク forために aa moment瞬間
ここで 少し時間を取って
05:41
about what aa modelモデル forために processing処理
visualビジュアル information情報 would〜する need必要 to do行う.
視覚情報処理が どんなことをするのか
説明しようと思います
05:43
Theその basic基本的な task仕事 of perception知覚
知覚の基本的な仕事は
05:48
is to take取る an image画像 like好きな thisこの one1 andそして sayいう,
このような画像を見て 識別をすることです
05:50
"That'sそれは aa bird,"
「あれは鳥だ」と
05:55
whichどの is aa very非常に simple単純 thingもの
forために us米国 to do行う with〜と our我々の brains頭脳.
人間の脳は
この処理を簡単にやってのけますが
05:56
Butだけど you君は should〜すべき allすべて understandわかる
thatそれ forために aa computerコンピューター,
コンピューターにとっては難問で
05:59
thisこの wasあった prettyかなり muchたくさん impossible不可能
justちょうど aa few少数 years ago.
数年前までは ほとんど不可能でした
06:02
Theその classicalクラシック computing計算 paradigmパラダイム
従来の コンピューターの構造は
06:05
is notない one1 in whichどの
thisこの task仕事 is easy簡単 to do行う.
こういうタスクには不向きなんです
06:07
Soそう what's何ですか going行く on betweenの間に theその pixelsピクセル,
鳥のピクセル画像と
06:11
betweenの間に theその image画像 of theその bird
andそして theその wordワード "bird,"
「鳥」という言葉の間にあるのは
06:13
is essentially基本的に aa setセット of neuronsニューロン
connected接続された to each otherその他
ニューラルネットワークの中の
06:17
in aa neuralニューラル networkネットワーク,
結合しあった 一連のニューロンです
06:20
asとして I'm私は diagramming図の作成 hereここに.
図示すると こうなります
06:22
Thisこの neuralニューラル networkネットワーク couldできた be〜する biological生物学的,
inside内部 our我々の visualビジュアル cortices皮質,
このニューラルネットワークは
視覚野内に生物学的なものとして存在し
06:23
orまたは, nowadays今日は, we我々 start開始
to have持ってる theその capability能力
また最近では コンピューター上に
06:26
to modelモデル suchそのような neuralニューラル networksネットワーク
on theその computerコンピューター.
モデル化できるようになりました
06:28
Andそして I'll私はよ showショー you君は what
thatそれ actually実際に looks外見 like好きな.
どのように動作するか お見せしましょう
06:31
Soそう theその pixelsピクセル you君は canできる think思う
about asとして aa first最初 layer of neuronsニューロン,
画像は ニューロンの
第1層を示しています
06:34
andそして that'sそれは, in fact事実,
howどうやって itそれ works作品 in theその eye ---
これは目で言うと
06:37
that'sそれは theその neuronsニューロン in theその retina網膜.
網膜内のニューロンに相当します
06:39
Andそして thoseそれら feedフィード forward前進
情報は
06:41
into one1 layer after another別の layer,
after another別の layer of neuronsニューロン,
ニューロンの1つの層から別の層へと
次々と受け渡され
06:43
allすべて connected接続された by〜によって synapsesシナプス
of different異なる weights重み.
ニューロン同士は 重みの異なる
シナプスでつながれています
06:46
Theその behavior動作 of thisこの networkネットワーク
このネットワークの動作は
06:49
is characterized特徴付けられた by〜によって theその strengths強み
of allすべて of thoseそれら synapsesシナプス.
シナプス結合の
強さによって変わり
06:50
Thoseそれら characterize特徴付ける theその computational計算上の
propertiesプロパティ of thisこの networkネットワーク.
それが ネットワークの
計算的特徴を決めます
06:54
Andそして at〜で theその end終わり of theその day,
そうして最終的には
06:57
you君は have持ってる aa neuronニューロン
orまたは aa small小さい groupグループ of neuronsニューロン
少数のニューロン群が反応し
06:59
thatそれ light upアップ, saying言って, "bird."
「鳥」だと認識されます
07:01
Now I'm私は going行く to represent代表する
thoseそれら three thingsもの ---
ここで3つの対象物 ―
07:03
theその input入力 pixelsピクセル andそして theその synapsesシナプス
in theその neuralニューラル networkネットワーク,
入力されたピクセル
ニューラルネットワーク内のシナプス
07:06
andそして bird, theその output出力 ---
出力である「鳥」
07:11
by〜によって three variables変数: xバツ, ww andそして yy.
この3つを
「x」「w」「y」と置きましょう
07:13
Thereそこ are maybe多分 aa million百万 orまたは soそう x'sxの ---
xは 画像中のピクセルなので
07:16
aa million百万 pixelsピクセル in thatそれ image画像.
100万個くらいあり
07:18
Thereそこ are billions何十億 orまたは trillions数兆 of w'sw,
wは数十億から数兆個
07:20
whichどの represent代表する theその weights重み of allすべて
theseこれら synapsesシナプス in theその neuralニューラル networkネットワーク.
ニューラルネット内の全シナプスの
結合強度を表します
07:23
Andそして there'sそこに aa very非常に small小さい number of y'sy,
このネットワークからの
出力である
07:26
of outputs出力 thatそれ thatそれ networkネットワーク has持っている.
yの個数はごくわずかです
07:28
"Bird" is onlyのみ four4つの letters手紙, right?
「bird」は たった4文字ですよね?
07:30
Soそう let'sさあ pretendふりをする thatそれ thisこの
is justちょうど aa simple単純 formula,
ここで 次の簡単な式が
成立すると仮定します
07:33
xバツ "xバツ" ww = yy.
x “×” w =y
07:36
I'm私は puttingパッティング theその times in scare恐怖 quotes引用符
「かける」に引用符を付けたのは
07:38
becauseなぜなら what's何ですか really本当に
going行く on thereそこ, of courseコース,
この場面で実行される演算は
07:40
is aa very非常に complicated複雑な seriesシリーズ
of mathematical数学 operationsオペレーション.
実際には 非常に複雑な
数学的な計算だからです
07:43
That'sそれは one1 equation方程式.
1つの方程式があって
07:47
Thereそこ are three variables変数.
3個の変数があります
07:48
Andそして we我々 allすべて know知っている
thatそれ ifif you君は have持ってる one1 equation方程式,
ご存じのように
3つの変数のうち 2つの値が分かれば
07:50
you君は canできる solve解決する one1 variable変数
by〜によって knowing知っている theその otherその他 two thingsもの.
残りの変数の値も求められます
07:52
Soそう theその problem問題 of inference推論,
ここでの問題は
07:57
thatそれ is, figuring想像する outでる
thatそれ theその picture画像 of aa bird is aa bird,
鳥の画像から
08:00
is thisこの one1:
それが鳥だと推論する
ということでした
08:03
it'sそれは whereどこで yy is theその unknown未知の
andそして ww andそして xバツ are known既知の.
つまり y が未知で
xとwが分かっています
08:04
You君は know知っている theその neuralニューラル networkネットワーク,
you君は know知っている theその pixelsピクセル.
画像 x と ネットワーク w は
与えられています
08:08
Asとして you君は canできる see見る, that'sそれは actually実際に
aa relatively比較的 straightforward簡単 problem問題.
ご覧のように
比較的単純な問題です
08:10
You君は multiplyかける two times three
andそして you'reあなたは done完了.
2と3を掛け合わせれば
答えは出ます
08:14
I'll私はよ showショー you君は an artificial人工的な neuralニューラル networkネットワーク
我々が最近構築した
ニューラルネットワークでは
08:16
thatそれ we've私たちは built建てられた recently最近,
doingやっている exactly正確に thatそれ.
まさに これを実行しています
08:19
Thisこの is runningランニング in realリアル time時間
on aa mobileモバイル phone電話,
携帯電話上で
リアルタイムで処理をしています
08:21
andそして that'sそれは, of courseコース,
amazing素晴らしい in itsその own自分の right,
こんなに すごいことができるのも
08:24
thatそれ mobileモバイル phones電話機 canできる do行う soそう manyたくさんの
billions何十億 andそして trillions数兆 of operationsオペレーション
現在の携帯電話では 1秒当たり
数十億~数兆の命令を
08:27
per〜ごと second二番.
実行できるからです
08:31
What you'reあなたは looking探している at〜で is aa phone電話
ご覧いただいているのは
08:32
looking探している at〜で one1 after another別の
picture画像 of aa bird,
携帯電話で次々に出す
鳥の画像に対し
08:34
andそして actually実際に notない onlyのみ saying言って,
"Yesはい, it'sそれは aa bird,"
ニューラルネットが
「これは鳥だ」と言うだけでなく
08:37
butだけど identifying識別 theその species of bird
with〜と aa networkネットワーク of thisこの sortソート.
鳥の種類まで
特定しているところです
08:40
Soそう in thatそれ picture画像,
この式で言うと
08:44
theその xバツ andそして theその ww are known既知の,
andそして theその yy is theその unknown未知の.
xとwが既知で yが未知の場合です
08:46
I'm私は glossing光沢 over以上 theその very非常に
difficult難しい part, of courseコース,
ここで 難しい部分を はしょっていました
08:50
whichどの is howどうやって on earth地球
do行う we我々 figure数字 outでる theその ww,
wは そもそも
どうやって求めたらいいのか
08:53
theその brain thatそれ canできる do行う suchそのような aa thingもの?
脳がやっているようなことですが
08:56
Howどうやって would〜する we我々 everこれまで learn学ぶ suchそのような aa modelモデル?
人間は どうやって学ぶのでしょう?
08:59
Soそう thisこの processプロセス of learning学習,
of solving解決する forために ww,
この学習プロセス
wを解くという問題は
09:01
ifif we我々 wereあった doingやっている thisこの
with〜と theその simple単純 equation方程式
変数が数値の 簡単な式であれば
09:04
in whichどの we我々 think思う about theseこれら asとして numbers数字,
どうすればよいか分かります
09:07
we我々 know知っている exactly正確に howどうやって to do行う thatそれ: 6 = 2 xバツ ww,
6=2×w を解くには
09:09
wellよく, we我々 divide分ける by〜によって two andそして we're私たちは done完了.
両辺を2で割れば済みます
09:12
Theその problem問題 is with〜と thisこの operatorオペレーター.
ここで問題になるのは
この演算子です
09:16
Soそう, division分割 ---
今 割り算をしましたが
09:18
we've私たちは used中古 division分割 becauseなぜなら
it'sそれは theその inverseインバース to multiplication乗算,
それは割り算が
掛け算の逆演算だからです
09:19
butだけど asとして I've私は justちょうど said前記,
しかし 先ほど言ったとおり
09:23
theその multiplication乗算 is aa bitビット of aa lie嘘つき hereここに.
掛け算と見るのには ウソがあり
09:24
Thisこの is aa very非常に, very非常に complicated複雑な,
very非常に non-linear非線形 operation操作;
実際には とても複雑な非線形演算で
09:27
itそれ has持っている noいいえ inverseインバース.
逆演算が存在しません
09:30
Soそう we我々 have持ってる to figure数字 outでる aa way方法
to solve解決する theその equation方程式
だから 除算演算子を使わずに
09:32
withoutなし aa division分割 operatorオペレーター.
これを解かなければなりません
09:35
Andそして theその way方法 to do行う thatそれ
is fairlyかなり straightforward簡単.
でも そのやり方はそう難しくありません
09:37
You君は justちょうど sayいう, let'sさあ play遊びます
aa little少し algebra代数 trickトリック,
代数学的な ちょっとしたワザを使うんです
09:39
andそして move動く theその six6 over以上
to theその right-hand右手 side of theその equation方程式.
まず「6」を式の右辺に移します
09:42
Now, we're私たちは stillまだ usingを使用して multiplication乗算.
依然として乗算を使っています
09:45
Andそして thatそれ zeroゼロ --- let'sさあ think思う
about itそれ asとして an errorエラー.
そして 左辺の「0」を誤差と考えます
09:47
In otherその他 words言葉, ifif we've私たちは solved解決した
forために ww theその right way方法,
つまり wを正しく求められれば
09:51
then次に theその errorエラー will意志 be〜する zeroゼロ.
誤差の値は0になります
09:53
Andそして ifif we我々 haven't持っていない gotten得た itそれ quiteかなり right,
wの値が 正しくない場合
09:55
theその errorエラー will意志 be〜する greater大きい thanより zeroゼロ.
誤差は0より大きくなります
09:57
Soそう now we我々 canできる justちょうど take取る guesses推測
to minimize最小化する theその errorエラー,
誤差の値が最小になるよう
推量をします
09:59
andそして that'sそれは theその sortソート of thingもの
computersコンピュータ are very非常に good良い at〜で.
こういう処理なら
コンピューターは大得意です
10:02
Soそう you'veあなたは taken撮影 an initial初期 guess推測:
最初の推測値として
10:05
what ifif ww = 0?
w=0では どうでしょう?
10:06
Wellよく, then次に theその errorエラー is 6.
誤差は6です
10:08
What ifif ww = 1? Theその errorエラー is 4.
w=1の場合 誤差は4
10:09
Andそして then次に theその computerコンピューター canできる
sortソート of play遊びます Marcoマルコ Poloポロ,
マルコ・ポーロ式鬼ごっこのような調子で
10:10
andそして driveドライブ downダウン theその errorエラー close閉じる to zeroゼロ.
誤差を0に近づけていき
10:13
Asとして itそれ doesする thatそれ, it'sそれは getting取得
successive連続する approximations近似 to ww.
そうやってwの近似値を求めます
10:15
Typically典型的には, itそれ never決して quiteかなり gets取得 thereそこ,
butだけど after about aa dozenダース stepsステップ,
通常 正解そのものにたどり着くことは
ありませんが
10:19
we're私たちは upアップ to ww = 2.999,
whichどの is close閉じる enough十分な.
数十回繰り返すと w=2.999のような
十分近い値が求まります
10:22
Andそして thisこの is theその learning学習 processプロセス.
これが 学習プロセスです
10:28
Soそう remember思い出す thatそれ what's何ですか beenされている going行く on hereここに
ここで改めて 思い出してください
10:30
is thatそれ we've私たちは beenされている taking取る
aa lotロット of known既知の x'sxの andそして known既知の y'sy
私たちがやっていたのは
既知の xとyに対し
10:32
andそして solving解決する forために theその ww in theその middle中間
throughを通して an iterative繰り返し processプロセス.
反復的プロセスによって
真ん中の wの値を求めるということです
10:37
It'sそれは exactly正確に theその same同じ way方法
thatそれ we我々 do行う our我々の own自分の learning学習.
これは人間がものごとを学習するのと
同じやり方です
10:40
We我々 have持ってる manyたくさんの, manyたくさんの imagesイメージ asとして babies赤ちゃん
赤ちゃんのとき
たくさんの絵を見せられ
10:44
andそして we我々 get取得する told言った, "Thisこの is aa bird;
thisこの is notない aa bird."
「これは鳥 これは鳥じゃない」と
教わります
10:46
Andそして over以上 time時間, throughを通して iteration反復,
この学習を反復することで
10:49
we我々 solve解決する forために ww, we我々 solve解決する
forために thoseそれら neuralニューラル connections接続.
wを解いて
神経結合を作り出すんです
10:51
Soそう now, we've私たちは held開催
xバツ andそして ww fixed一定 to solve解決する forために yy;
xと w に対して
y を求めるというのは
10:55
that'sそれは everyday毎日, fast速い perception知覚.
高速な日常的「知覚」です
10:59
We我々 figure数字 outでる howどうやって we我々 canできる solve解決する forために ww,
w を求める方法を
先ほど考えましたが
11:01
that'sそれは learning学習, whichどの is aa lotロット harderもっと強く,
これは「学習」であり
ずっと難しいことです
11:03
becauseなぜなら we我々 need必要 to do行う errorエラー minimization最小化,
なぜなら 多くの訓練例を使って
11:05
usingを使用して aa lotロット of trainingトレーニング examples.
誤差を最小化する必要が
あるからです
11:07
Andそして about aa year ago,
Alexアレックス Mordvintsevmordvintsev, on our我々の teamチーム,
1年ほど前 私のチームの
アレックス・モードヴィンツェフは
11:08
decided決定しました to experiment実験
with〜と what happens起こる ifif we我々 tryお試しください solving解決する forために xバツ,
既知の w と y に対して
x の値を求めるとどうなるか
11:12
given与えられた aa known既知の ww andそして aa known既知の yy.
実験してみることにしました
11:15
In otherその他 words言葉,
言い換えると
11:18
you君は know知っている thatそれ it'sそれは aa bird,
鳥に対してトレーニングされた
ニューラルネットが
11:19
andそして you君は already既に have持ってる yourきみの neuralニューラル networkネットワーク
thatそれ you'veあなたは trained訓練された on birds,
鳥だと答えを出す
11:20
butだけど what is theその picture画像 of aa bird?
「鳥の絵」はどんなものか
ということです
11:24
Itそれ turnsターン outでる thatそれ by〜によって usingを使用して exactly正確に
theその same同じ error-minimizationエラー最小化 procedure手順,
鳥を認識するネットワークを訓練するのと
同じ誤差最小化の手順が
11:27
one1 canできる do行う thatそれ with〜と theその networkネットワーク
trained訓練された to recognize認識する birds,
この場合も使えることが
分かりました
11:32
andそして theその result結果 turnsターン outでる to be〜する ...
結果として出てきたのは —
11:35
aa picture画像 of birds.
一種の鳥の絵です
11:42
Soそう thisこの is aa picture画像 of birds
generated生成された entirely完全に by〜によって aa neuralニューラル networkネットワーク
これは「鳥」を認識するように訓練した
ニューラルネットワークによって
11:44
thatそれ wasあった trained訓練された to recognize認識する birds,
生成された鳥のイメージです
11:48
justちょうど by〜によって solving解決する forために xバツ
ratherむしろ thanより solving解決する forために yy,
yの値を求めるかわりに
11:50
andそして doingやっている thatそれ iteratively繰り返し.
反復によって xを求めたんです
11:53
Here'sここにいる another別の fun楽しい example.
別の面白い例を 紹介しましょう
11:55
Thisこの wasあった aa work作業 made
by〜によって Mikeマイク Tykaタイカー in our我々の groupグループ,
私のグループのマイク・タイカが
作ってくれたものです
11:57
whichどの he callsコール "Animal動物 Paradeパレード."
マイクは「動物のパレード」と呼んでました
12:01
Itそれ reminds思い出させる me aa little少し bitビット
of Williamウィリアム Kentridge'sケントリッジの artworksアートワーク,
ウィリアム・ケントリッジの作品を
思わせます
12:03
in whichどの he makes作る sketchesスケッチ, rubs擦り傷 themそれら outでる,
ケントリッジは
スケッチを描いては消し
12:06
makes作る sketchesスケッチ, rubs擦り傷 themそれら outでる,
また 描いては消しして
12:08
andそして creates作成する aa movie映画 thisこの way方法.
アニメーションを作り出します
12:10
In thisこの case場合,
この場合
12:11
what Mikeマイク is doingやっている is varying変化する yy
over以上 theその spaceスペース of different異なる animals動物,
マイクは 動物種の集合の中で
yの値を変えていて
12:12
in aa networkネットワーク designed設計
to recognize認識する andそして distinguish区別する
動物の種類を識別するよう
設計された
12:16
different異なる animals動物 fromから each otherその他.
ネットワークを使っています
12:18
Andそして you君は get取得する thisこの strange奇妙な, Escher-likeエッシャーのような
morphモーフ fromから one1 animal動物 to another別の.
エッシャーのだまし絵のように
動物が別の動物へと変形していきます
12:20
Hereここに he andそして Alexアレックス together一緒に
have持ってる tried試した reducing還元する
次は マイクとアレックスが
協力して作ったもので
12:26
theその y'sy to aa spaceスペース of onlyのみ two dimensionsディメンション,
y を二次元空間に
収めようと試みていて
12:30
therebyそれによって making作る aa map地図
outでる of theその spaceスペース of allすべて thingsもの
ネットワークが認識するもの
全てを含む空間の
12:33
recognized認識された by〜によって thisこの networkネットワーク.
地図を作っています
12:37
Doingやっている thisこの kind種類 of synthesis合成
この画像合成・画像生成を
12:38
orまたは generation世代 of imageryイメージ
over以上 thatそれ entire全体 surface表面,
yの値を変化させながら
画面全体にわたって行うことで
12:40
varying変化する yy over以上 theその surface表面,
you君は make作る aa kind種類 of map地図 ---
このような地図が できあがります
12:43
aa visualビジュアル map地図 of allすべて theその thingsもの
theその networkネットワーク knows知っている howどうやって to recognize認識する.
ネットワークが認識するものすべての
視覚地図です
12:46
Theその animals動物 are allすべて hereここに;
"armadilloアルマジロ" is right in thatそれ spotスポット.
いろんな動物が現れます
あそこにアルマジロがいますね
12:49
You君は canできる do行う thisこの with〜と otherその他 kinds種類
of networksネットワーク asとして wellよく.
他のネットワークでも
同様の処理が実行できます
12:52
Thisこの is aa networkネットワーク designed設計
to recognize認識する faces,
これは 人物の顔を見分ける―
12:55
to distinguish区別する one1 face fromから another別の.
顔認識のために設計された
ネットワークです
12:58
Andそして hereここに, we're私たちは puttingパッティング
in aa yy thatそれ says言う, "me,"
ここで yは「私」です
13:00
myじぶんの own自分の face parametersパラメーター.
私の顔をパラメータにして
13:03
Andそして whenいつ thisこの thingもの solves解決する forために xバツ,
このネットワークを使い
xの値を求めると
13:05
itそれ generates生成する thisこの ratherむしろ crazy狂った,
かなり ぶっ飛んだ
画像が作られます
13:06
kind種類 of cubist立方体, surrealシュールレア,
psychedelicサイケデリック picture画像 of me
キュービズムというか シュールというか
サイケな感じの 私の絵です
13:09
fromから multiple複数 pointsポイント of view見る at〜で once一度.
複数の視点を
1つにまとめています
13:14
Theその reason理由 itそれ looks外見 like好きな
multiple複数 pointsポイント of view見る at〜で once一度
このように 複数の視点が
1つになっている理由は
13:15
is becauseなぜなら thatそれ networkネットワーク is designed設計
to get取得する rid除去する of theその ambiguityあいまいさ
このネットワークが あいまいさを除去する
設計になっているためです
13:18
of aa face beingであること in one1 poseポーズ
orまたは another別の poseポーズ,
人の顔の見え方は
見る角度によって変わり
13:22
beingであること looked見た at〜で with〜と one1 kind種類 of lighting点灯,
another別の kind種類 of lighting点灯.
光の当たり方によっても
変わります
13:24
Soそう whenいつ you君は do行う
thisこの sortソート of reconstruction再建,
だから このような再構成を行う場合
13:28
ifif you君は don'tしない useつかいます some一部 sortソート of guideガイド image画像
ガイドとなる画像や
統計値がないと
13:30
orまたは guideガイド statistics統計,
視点に関して
13:32
then次に you'llあなたは get取得する aa sortソート of confusion混乱
of different異なる pointsポイント of view見る,
混乱が生じるんです
13:33
becauseなぜなら it'sそれは ambiguousあいまいな.
あいまいさがあるためです
13:37
Thisこの is what happens起こる ifif Alexアレックス uses用途
his own自分の face asとして aa guideガイド image画像
ここでは 私の顔を再構成する
最適化プロセスで
13:39
during thatそれ optimization最適化 processプロセス
to reconstruct再構築する myじぶんの own自分の face.
アレックスの顔の映像を
ガイドとして使っています
13:44
Soそう you君は canできる see見る it'sそれは notない perfect完璧な.
完璧とは言えず
13:48
There'sそこに stillまだ quiteかなり aa lotロット of work作業 to do行う
この最適化プロセスを
改善するために
13:50
on howどうやって we我々 optimize最適化する
thatそれ optimization最適化 processプロセス.
やることは まだまだありますが
13:52
Butだけど you君は start開始 to get取得する something何か
moreもっと like好きな aa coherentコヒーレントな face,
とりあえず
顔をガイドとして使うことで
13:55
renderedレンダリング usingを使用して myじぶんの own自分の face asとして aa guideガイド.
統一感のあるイメージが
できるようになります
13:57
You君は don'tしない have持ってる to start開始
with〜と aa blankブランク canvasキャンバス
別に 真っ白なキャンバスや
14:00
orまたは with〜と white noiseノイズ.
ホワイトノイズから
始める必要はありません
14:03
Whenいつ you'reあなたは solving解決する forために xバツ,
xを求めるという場合
14:04
you君は canできる beginベギン with〜と an xバツ,
thatそれ is itself自体 already既に some一部 otherその他 image画像.
xとして 何か別の画像から
出発してもいいんです
14:05
That'sそれは what thisこの little少し demonstrationデモンストレーション is.
それを説明するデモを
お見せしましょう
14:09
Thisこの is aa networkネットワーク
thatそれ is designed設計 to categorize分類する
これは 人工物であれ 動物であれ
14:12
allすべて sortsソート of different異なる objectsオブジェクト ---
man-made人工 structures構造, animals動物 ...
あらゆるものを分類するよう
設計されたネットワークです
14:16
Hereここに we're私たちは starting起動
with〜と justちょうど aa picture画像 of clouds,
この雲の写真からスタートします
14:19
andそして asとして we我々 optimize最適化する,
これを最適化すると
14:22
basically基本的に, thisこの networkネットワーク is figuring想像する outでる
what itそれ sees見える in theその clouds.
このネットワークは
「雲の中に何が見えるか」を探します
14:24
Andそして theその moreもっと time時間
you君は spend費やす looking探している at〜で thisこの,
画面をじっと見ているうちに
14:28
theその moreもっと thingsもの you君は alsoまた、
will意志 see見る in theその clouds.
雲の中に いろんなものが
見えてきます
14:31
You君は couldできた alsoまた、 useつかいます theその face networkネットワーク
to hallucinate幻覚する into thisこの,
これに顔認識ネットワークを使うと
幻覚っぽい映像になります
14:35
andそして you君は get取得する some一部 prettyかなり crazy狂った stuffもの.
ちょっと頭がおかしくなりそうな
14:38
(Laughter笑い)
(笑)
14:40
Orまたは, Mikeマイク has持っている done完了 some一部 otherその他 experiments実験
マイクはまた
14:42
in whichどの he takesテイク thatそれ cloud image画像,
この雲の画像で 別の実験もしています
14:45
hallucinates幻覚, zoomsズームする, hallucinates幻覚,
zoomsズームする hallucinates幻覚, zoomsズームする.
幻視とズームを繰り返していくと
14:49
Andそして in thisこの way方法,
こんな感じに
14:52
you君は canできる get取得する aa sortソート of fugueフーガ state状態
of theその networkネットワーク, I suppose想定する,
フーガのような 自由連想のような映像を
14:53
orまたは aa sortソート of free無料 association協会,
このネットワークから 作り出せます
14:57
in whichどの theその networkネットワーク
is eating食べる itsその own自分の tail.
ネットワークが
自分の尻尾を食べています
15:01
Soそう everyすべて image画像 is now theその basis基礎 forために,
それそれのイメージが
次のイメージのベースになっています
15:03
"What do行う I think思う I see見る next?
「次に 何が見える?
15:06
What do行う I think思う I see見る next?
What do行う I think思う I see見る next?"
次に 何が見える?
次に 何が見える?」という風に
15:08
I showed示した thisこの forために theその first最初 time時間 in publicパブリック
ちなみに
このデモを 最初に披露したのは
15:11
to aa groupグループ at〜で aa lecture講義 in Seattleシアトル
calledと呼ばれる "Higher高い Education教育" ---
シアトルで開かれた
「高等教育」と題した講演会で
15:14
thisこの wasあった right after
marijuanaマリファナ wasあった legalized合法化された.
マリファナが合法化された
直後のことでした
15:19
(Laughter笑い)
(笑)
15:22
Soそう I'd私は like好きな to finish仕上げ upアップ quickly早く
最後にまとめとして
15:26
by〜によって justちょうど noting注目 thatそれ thisこの technology技術
is notない constrained拘束された.
この技術は お見せしたようなものに
限定されないことを指摘しておきます
15:28
I've私は shown示された you君は purely純粋に visualビジュアル examples
becauseなぜなら they're彼らは really本当に fun楽しい to look見える at〜で.
今回は視覚的にちょっと面白い例を
紹介しましたが
15:33
It'sそれは notない aa purely純粋に visualビジュアル technology技術.
別に 視覚のテクノロジー
というわけではないんです
15:36
Our我々の artistアーティスト collaborator協力者, Rossロス Goodwinグッドウィン,
我々の協力者でアーティストの
ロス・グッドウィンによる実験ですが
15:39
has持っている done完了 experiments実験 involving関与する
aa cameraカメラ thatそれ takesテイク aa picture画像,
彼がカメラで写真を撮ると
15:41
andそして then次に aa computerコンピューター in his backpackバックパック
writes書き込み aa poem usingを使用して neuralニューラル networksネットワーク,
その写真の中身を元に
背負っているコンピューターが
15:44
basedベース on theその contents内容 of theその image画像.
ニューラルネットワークで
詩を書きます
15:49
Andそして thatそれ poetry neuralニューラル networkネットワーク
has持っている beenされている trained訓練された
詩のニューラルネットワークは
15:51
on aa large corpusコーパス of 20th-century世紀 poetry.
20世紀の詩の 膨大なコーパスで
トレーニングされています
15:54
Andそして theその poetry is, you君は know知っている,
そうやって書かれた詩は
15:56
I think思う, kind種類 of notない bad悪い, actually実際に.
どうして そう悪くないと思います
15:57
(Laughter笑い)
(笑)
15:59
In closing閉鎖,
まとめになりますが
16:01
I think思う thatそれ per〜ごと Michelangeloミケランジェロ,
ミケランジェロは正しかったと
16:02
I think思う he wasあった right;
つくづく思います
16:04
perception知覚 andそして creativity創造性
are very非常に intimately密接に connected接続された.
知覚と創造性とは
密接に結びついているんです
16:05
What we've私たちは justちょうど seen見た are neuralニューラル networksネットワーク
先ほどお見せした
ニューラルネットワークは
16:09
thatそれ are entirely完全に trained訓練された to discriminate差別する,
世の中の さまざまなものを区別するよう
16:12
orまたは to recognize認識する different異なる
thingsもの in theその world世界,
学習させたものですが
16:14
ableできる to be〜する run走る in reverse, to generate生成する.
処理を逆転させて
新しいものを作り出すこともできます
16:16
One1 of theその thingsもの thatそれ suggests提案する to me
そこで気づかされるのは
16:20
is notない onlyのみ thatそれ
Michelangeloミケランジェロ really本当に didした see見る
石の塊の中に 彫刻を見ることができるのは
16:21
theその sculpture彫刻 in theその blocksブロック of stone,
ミケランジェロだけではないということ
16:24
butだけど thatそれ anyどれか creature生き物,
anyどれか beingであること, anyどれか alienエイリアン
どんな生物であれ どんな存在
地球外生命体だろうと
16:26
thatそれ is ableできる to do行う
perceptual知覚的 acts行為 of thatそれ sortソート
知覚を行う能力のあるものは
16:30
is alsoまた、 ableできる to create作成する
創造もできるということです
16:34
becauseなぜなら it'sそれは exactly正確に theその same同じ
machinery機械 that'sそれは used中古 in bothどちらも cases症例.
どちらも同じメカニズムで
できることだからです
16:35
Alsoまた、, I think思う thatそれ perception知覚
andそして creativity創造性 are by〜によって noいいえ means手段
そして 知覚と創造は
16:38
uniquely一意に human人間.
決して 人間に限られたものではありません
16:43
We我々 start開始 to have持ってる computerコンピューター modelsモデル
thatそれ canできる do行う exactly正確に theseこれら sortsソート of thingsもの.
私たちは そのようなことができる
コンピューターモデルを作り始めています
16:44
Andそして thatそれ oughtすべきだ to be〜する unsurprising驚くべき;
theその brain is computational計算上の.
驚くことではありません
脳もまた計算機械だからです
16:48
Andそして finally最後に,
最後に
16:51
computing計算 began始まった asとして an exercise運動
in designing設計 intelligentインテリジェントな machinery機械.
コンピューティングは
知的機械の設計から始まり
16:53
Itそれ wasあった very非常に muchたくさん modeledモデル化された after theその ideaアイディア
機械はいかに知的になれるか
という発想から
16:57
of howどうやって couldできた we我々 make作る machines機械 intelligentインテリジェントな.
モデル化されましたが
17:00
Andそして we我々 finally最後に are starting起動 to fulfill満たす now
今や我々は 昔の先駆者が
夢見た世界を
17:03
some一部 of theその promises約束
of thoseそれら early早い pioneersパイオニア,
ようやく実現させつつあります
17:05
of Turingチューリング andそして vonフォン Neumannノイマン
チューリングやフォン・ノイマンの夢
17:08
andそして McCullochmcculloch andそして Pittsピッチ.
マカロックやピッツの夢を
17:09
Andそして I think思う thatそれ computing計算
is notない justちょうど about accounting会計
コンピューティングは 会計処理だとか
17:12
orまたは playing遊ぶ Candyキャンディー Crush粉砕する orまたは something何か.
キャンディークラッシュで
遊ぶだけのものではありません
17:16
Fromから theその beginning始まり,
we我々 modeledモデル化された themそれら after our我々の minds.
コンピューターはそもそも
人間の脳をモデルとしたものでしたが
17:18
Andそして they彼ら give与える us米国 bothどちらも theその ability能力
to understandわかる our我々の own自分の minds betterより良い
それは 人間の知性を
よりよく理解するためにも
17:21
andそして to extend拡張する themそれら.
人間の知性を拡張するためにも
使えるのです
17:24
Thank感謝 you君は very非常に muchたくさん.
ありがとうございました
17:26
(Applause拍手)
(拍手)
17:27
Translated by Kaori Nozaki
Reviewed by Yasushi Aoki

▲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