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:
Readability: 4.4
1,934,067 views
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」
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.
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
開発チームを率いています
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
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
いろいろな種類の端末に
人間の脳のような機能を
持たせるための技術です
持たせるための技術です
00:20
able to do some of the things
that brains do.
that brains do.
2
8622
2419
仕事上 私たちは
人間の脳の働きや
人間の脳の働きや
00:23
And this makes us
interested in real brains
interested in real brains
3
11439
3099
神経科学に関心があり
00:26
and neuroscience as well,
4
14562
1289
00:27
and especially interested
in the things that our brains do
in the things that our brains do
5
15875
4172
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
はるかに優れている領域に
00:32
that are still far superior
to the performance of computers.
to the performance of computers.
6
20071
4042
特に興味を持っています
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
古くから認識されていたのは 知覚です
00:37
Historically, one of those areas
has been perception,
has been perception,
7
25209
3609
00:40
the process by which things
out there in the world --
out there in the world --
8
28842
3039
知覚とは 外界に存在するもの―
つまり 音や映像のようなものを
00:43
sounds and images --
9
31905
1584
00:45
can turn into concepts in the mind.
10
33513
2178
心の中の概念に 変えるプロセスです
これは 人間の脳に
本質的に備わっている能力ですが
本質的に備わっている能力ですが
00:48
This is essential for our own brains,
11
36235
2517
00:50
and it's also pretty useful on a computer.
12
38776
2464
コンピューターにも 有用なものです
例えば 私の部署で作っている
機械知覚アルゴリズムは
機械知覚アルゴリズムは
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
Googleフォトの画像を
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
検索できるようにする技術です
01:00
based on what's in them.
15
48908
1397
01:03
The flip side of perception is creativity:
16
51594
3493
一方 知覚と対照的なものに
創造性があります
創造性があります
創造性とは 概念を
何かの形で世に生み出すことです
何かの形で世に生み出すことです
01:07
turning a concept into something
out there into the world.
out there into the world.
17
55111
3038
01:10
So over the past year,
our work on machine perception
our work on machine perception
18
58173
3555
この１年の我々の
機械知覚への取り組みの中で
機械知覚への取り組みの中で
01:13
has also unexpectedly connected
with the world of machine creativity
with the world of machine creativity
19
61752
4859
コンピューターによる創造
「機械芸術」の世界との
「機械芸術」の世界との
意外な接点を見ました
01:18
and machine art.
20
66635
1160
01:20
I think Michelangelo
had a penetrating insight
had a penetrating insight
21
68556
3284
ミケランジェロには
先見の明があり
先見の明があり
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
見ていたのだと思います
01:23
into to this dual relationship
between perception and creativity.
between perception and creativity.
22
71864
3656
彼は 有名な言葉を残しています
01:28
This is a famous quote of his:
23
76023
2006
01:30
"Every block of stone
has a statue inside of it,
has a statue inside of it,
24
78053
3323
「どんな石の塊にも 彫像が隠れており
彫刻家の仕事は
その像を見出すことである」
その像を見出すことである」
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
ミケランジェロが気づいていたのは
我々は 知覚によって
創造しているということで
創造しているということで
01:41
is that we create by perceiving,
27
89269
3180
01:44
and that perception itself
is an act of imagination
is an act of imagination
28
92473
3023
知覚自体が 想像する行為であり
01:47
and is the stuff of creativity.
29
95520
2461
創造的なものだということです
01:50
The organ that does all the thinking
and perceiving and imagining,
and perceiving and imagining,
30
98691
3925
人体の中で 思考 知覚 想像を行う器官は
01:54
of course, is the brain.
31
102640
1588
言うまでもなく 脳です
01:57
And I'd like to begin
with a brief bit of history
with a brief bit of history
32
105089
2545
そこで 脳科学の歩みについて
01:59
about what we know about brains.
33
107658
2302
簡単に振り返りましょう
02:02
Because unlike, say,
the heart or the intestines,
the heart or the intestines,
34
110496
2446
心臓や腸などとは違い
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
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
分からないことが多いからです
02:08
at least with the naked eye.
36
116134
1412
少なくとも 肉眼で見た場合には
02:09
The early anatomists who looked at brains
37
117983
2416
脳に注目した 昔の解剖学者たちは
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
脳の外部構造を見て
しゃれた名前を付けました
しゃれた名前を付けました
例えば「海馬」
これは タツノオトシゴのことです
これは タツノオトシゴのことです
02:16
like hippocampus, meaning "little shrimp."
39
124254
2433
02:18
But of course that sort of thing
doesn't tell us very much
doesn't tell us very much
40
126711
2764
しかし そのように付けられた名前は
その働きについて
ほとんど何も示していません
ほとんど何も示していません
02:21
about what's actually going on inside.
41
129499
2318
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
本当の知見を初めて得たのは
02:24
The first person who, I think, really
developed some kind of insight
developed some kind of insight
42
132780
3613
02:28
into what was going on in the brain
43
136417
1930
19世紀の 偉大な
スペイン人神経解剖学者
スペイン人神経解剖学者
02:30
was the great Spanish neuroanatomist,
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
44
138371
3920
サンティアゴ・ラモン・イ・カハールだと
02:34
in the 19th century,
45
142315
1544
私は思います
02:35
who used microscopy and special stains
46
143883
3755
彼は顕微鏡と
選択的に染める特殊な染料を使って
選択的に染める特殊な染料を使って
02:39
that could selectively fill in
or render in very high contrast
or render in very high contrast
47
147662
4170
脳内の個々の細胞を
非常にはっきりした形で
非常にはっきりした形で
02:43
the individual cells in the brain,
48
151856
2008
見られるようにし
そこから 形態学的理解が
進むようになりました
進むようになりました
02:45
in order to start to understand
their morphologies.
their morphologies.
49
153888
3154
02:49
And these are the kinds of drawings
that he made of neurons
that he made of neurons
50
157972
2891
19世紀に 彼が描いた
神経のイメージは
神経のイメージは
02:52
in the 19th century.
51
160887
1209
このようなものでした
02:54
This is from a bird brain.
52
162120
1884
これは 鳥の脳です
02:56
And you see this incredible variety
of different sorts of cells,
of different sorts of cells,
53
164028
3057
このように 驚くほど
多様な細胞があります
多様な細胞があります
02:59
even the cellular theory itself
was quite new at this point.
was quite new at this point.
54
167109
3435
当時は 細胞説自体が
ごく新しいものでした
ごく新しいものでした
03:02
And these structures,
55
170568
1278
この構造 この細胞には
03:03
these cells that have these arborizations,
56
171870
2259
樹状突起があります
03:06
these branches that can go
very, very long distances --
very, very long distances --
57
174153
2608
この突起は
非常に長く伸びうるのですが
非常に長く伸びうるのですが
03:08
this was very novel at the time.
58
176785
1616
これも 当時は目新しいことでした
03:10
They're reminiscent, of course, of wires.
59
178779
2903
樹状突起は 配線のようにも見えます
03:13
That might have been obvious
to some people in the 19th century;
to some people in the 19th century;
60
181706
3457
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
一目瞭然だったかもしれません
03:17
the revolutions of wiring and electricity
were just getting underway.
were just getting underway.
61
185187
4314
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
配線が普及し始めた時代だったからです
しかし いろいろな面で
03:21
But in many ways,
62
189964
1178
03:23
these microanatomical drawings
of Ramón y Cajal's, like this one,
of Ramón y Cajal's, like this one,
63
191166
3313
ラモン・イ・カハールが提示した
微細解剖学的な図は
微細解剖学的な図は
03:26
they're still in some ways unsurpassed.
64
194503
2332
ある意味 今なお越えられていません
03:28
We're still more than a century later,
65
196859
1854
１世紀を経た今も 我々は
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
完成させようと試み続けています
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
これは 我々が提携している
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
生のデータです
03:36
at the Max Planck Institute
of Neuroscience.
of Neuroscience.
68
204744
2881
03:39
And what our collaborators have done
69
207649
1790
彼らが行ったのは
03:41
is to image little pieces of brain tissue.
70
209463
5001
脳の組織の小さな断片を
可視化するということです
可視化するということです
03:46
The entire sample here
is about one cubic millimeter in size,
is about one cubic millimeter in size,
71
214488
3326
この試料全体の大きさは
１立方ミリメートルで
１立方ミリメートルで
03:49
and I'm showing you a very,
very small piece of it here.
very small piece of it here.
72
217838
2621
今 お見せしているのは
そのごく一部です
そのごく一部です
03:52
That bar on the left is about one micron.
73
220483
2346
左の棒の長さが
１ミクロンです
１ミクロンです
03:54
The structures you see are mitochondria
74
222853
2409
ご覧の構造は ミトコンドリアで
03:57
that are the size of bacteria.
75
225286
2044
大きさとしては
バクテリアと同程度です
バクテリアと同程度です
03:59
And these are consecutive slices
76
227354
1551
ごく小さな組織片の
04:00
through this very, very
tiny block of tissue.
tiny block of tissue.
77
228929
3148
連続的断面を映しています
04:04
Just for comparison's sake,
78
232101
2403
比較のために言うと
髪の毛の直径は
平均約100ミクロンです
平均約100ミクロンです
04:06
the diameter of an average strand
of hair is about 100 microns.
of hair is about 100 microns.
79
234528
3792
04:10
So we're looking at something
much, much smaller
much, much smaller
80
238344
2274
ご覧のものは
髪の毛の直径よりも
髪の毛の直径よりも
04:12
than a single strand of hair.
81
240642
1398
はるかに小さいんです
04:14
And from these kinds of serial
electron microscopy slices,
electron microscopy slices,
82
242064
4031
このような 電子顕微鏡による
連続断面像から
連続断面像から
ニューロンの３次元像を
再構成できます
再構成できます
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
ここでは ラモン・イ・カハールが
したのと同じように
したのと同じように
04:23
So these are sort of in the same
style as Ramón y Cajal.
style as Ramón y Cajal.
84
251151
3157
ごく一部のニューロンだけを示しています
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
そうしなければ
あまりに密集していて
あまりに密集していて
わけが分からなくなってしまいます
04:30
It would be so crowded,
87
258653
1312
04:31
so full of structure,
88
259989
1330
ニューロンは 互いに結合し合った —
04:33
of wiring all connecting
one neuron to another.
one neuron to another.
89
261343
2724
非常に複雑な構造をしているためです
ラモン・イ・カハールは
時代の先を行っていて
時代の先を行っていて
04:37
So Ramón y Cajal was a little bit
ahead of his time,
ahead of his time,
90
265293
2804
脳に対する理解は
04:40
and progress on understanding the brain
91
268121
2555
その後の数十年で
ゆっくりと進んでいきました
ゆっくりと進んでいきました
04:42
proceeded slowly
over the next few decades.
over the next few decades.
92
270700
2271
やがて ニューロンは
電気を使っていることが発見され
電気を使っていることが発見され
04:45
But we knew that neurons used electricity,
93
273455
2853
04:48
and by World War II, our technology
was advanced enough
was advanced enough
94
276332
2936
第二次世界大戦の頃には
仕組みの解明のため
生きたニューロンを使って
生きたニューロンを使って
04:51
to start doing real electrical
experiments on live neurons
experiments on live neurons
95
279292
2806
電気的な実験ができるくらいに
技術が進歩しました
技術が進歩しました
04:54
to better understand how they worked.
96
282122
2106
04:56
This was the very same time
when computers were being invented,
when computers were being invented,
97
284631
4356
ほぼ同時期に
コンピューターも発明されましたが
コンピューターも発明されましたが
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
アイデアに基づいていました
05:01
very much based on the idea
of modeling the brain --
of modeling the brain --
98
289011
3100
05:04
of "intelligent machinery,"
as Alan Turing called it,
as Alan Turing called it,
99
292135
3085
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
アラン・チューリングは
これを「知的機械」と呼びました
05:07
one of the fathers of computer science.
100
295244
1991
そしてウォーレン・マカロックと
ウォルター・ピッツが
ウォルター・ピッツが
05:09
Warren McCulloch and Walter Pitts
looked at Ramón y Cajal's drawing
looked at Ramón y Cajal's drawing
101
297923
4632
ラモン・イ・カハールの
視覚野の図に 目を向けました
視覚野の図に 目を向けました
05:14
of visual cortex,
102
302579
1317
今 ここでお見せしているものです
05:15
which I'm showing here.
103
303920
1562
05:17
This is the cortex that processes
imagery that comes from the eye.
imagery that comes from the eye.
104
305506
4442
これは 目から受け取ったイメージを
処理する皮質です
処理する皮質です
05:22
And for them, this looked
like a circuit diagram.
like a circuit diagram.
105
310424
3508
２人には これが
回路図のように見えました
回路図のように見えました
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
マカロックとピッツの回路図の
細かい部分には
細かい部分には
間違いが たくさんありますが
05:30
that are not quite right.
107
318212
1352
05:31
But this basic idea
108
319588
1235
その基本的な概念
05:32
that visual cortex works like a series
of computational elements
of computational elements
109
320847
3992
つまり 視覚野は一連の
計算要素のように働き
計算要素のように働き
05:36
that pass information
one to the next in a cascade,
one to the next in a cascade,
110
324863
2746
段階的に情報を
受け渡していくという概念は
受け渡していくという概念は
05:39
is essentially correct.
111
327633
1602
本質的に正しいものでした
05:41
Let's talk for a moment
112
329259
2350
ここで 少し時間を取って
05:43
about what a model for processing
visual information would need to do.
visual information would need to do.
113
331633
4032
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
説明しようと思います
05:48
The basic task of perception
114
336228
2741
知覚の基本的な仕事は
05:50
is to take an image like this one and say,
115
338993
4194
このような画像を見て 識別をすることです
05:55
"That's a bird,"
116
343211
1176
「あれは鳥だ」と
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
人間の脳は
この処理を簡単にやってのけますが
この処理を簡単にやってのけますが
05:59
But you should all understand
that for a computer,
that for a computer,
118
347309
3421
コンピューターにとっては難問で
06:02
this was pretty much impossible
just a few years ago.
just a few years ago.
119
350754
3087
数年前までは ほとんど不可能でした
06:05
The classical computing paradigm
120
353865
1916
従来の コンピューターの構造は
06:07
is not one in which
this task is easy to do.
this task is easy to do.
121
355805
2507
こういうタスクには不向きなんです
06:11
So what's going on between the pixels,
122
359366
2552
鳥のピクセル画像と
06:13
between the image of the bird
and the word "bird,"
and the word "bird,"
123
361942
4028
「鳥」という言葉の間にあるのは
06:17
is essentially a set of neurons
connected to each other
connected to each other
124
365994
2814
ニューラルネットワークの中の
結合しあった 一連のニューロンです
06:20
in a neural network,
125
368832
1155
図示すると こうなります
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
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
視覚野内に生物学的なものとして存在し
06:26
or, nowadays, we start
to have the capability
to have the capability
128
374554
2162
また最近では コンピューター上に
06:28
to model such neural networks
on the computer.
on the computer.
129
376740
2454
モデル化できるようになりました
06:31
And I'll show you what
that actually looks like.
that actually looks like.
130
379834
2353
どのように動作するか お見せしましょう
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
画像は ニューロンの
第１層を示しています
第１層を示しています
06:37
and that's, in fact,
how it works in the eye --
how it works in the eye --
132
385651
2239
これは目で言うと
網膜内のニューロンに相当します
06:39
that's the neurons in the retina.
133
387914
1663
06:41
And those feed forward
134
389601
1500
情報は
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
次々と受け渡され
06:43
into one layer after another layer,
after another layer of neurons,
after another layer of neurons,
135
391125
3403
06:46
all connected by synapses
of different weights.
of different weights.
136
394552
3033
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
シナプスでつながれています
06:49
The behavior of this network
137
397609
1335
このネットワークの動作は
06:50
is characterized by the strengths
of all of those synapses.
of all of those synapses.
138
398968
3284
シナプス結合の
強さによって変わり
強さによって変わり
06:54
Those characterize the computational
properties of this network.
properties of this network.
139
402276
3288
それが ネットワークの
計算的特徴を決めます
計算的特徴を決めます
06:57
And at the end of the day,
140
405588
1470
そうして最終的には
06:59
you have a neuron
or a small group of neurons
or a small group of neurons
141
407082
2447
少数のニューロン群が反応し
07:01
that light up, saying, "bird."
142
409553
1647
「鳥」だと認識されます
07:03
Now I'm going to represent
those three things --
those three things --
143
411824
3132
ここで３つの対象物 ―
07:06
the input pixels and the synapses
in the neural network,
in the neural network,
144
414980
4696
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
ニューラルネットワーク内のシナプス
07:11
and bird, the output --
145
419700
1585
出力である「鳥」
07:13
by three variables: x, w and y.
146
421309
3057
この３つを
「ｘ」「ｗ」「ｙ」と置きましょう
「ｘ」「ｗ」「ｙ」と置きましょう
07:16
There are maybe a million or so x's --
147
424853
1811
ｘは 画像中のピクセルなので
07:18
a million pixels in that image.
148
426688
1953
100万個くらいあり
07:20
There are billions or trillions of w's,
149
428665
2446
ｗは数十億から数兆個
07:23
which represent the weights of all
these synapses in the neural network.
these synapses in the neural network.
150
431135
3421
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
結合強度を表します
07:26
And there's a very small number of y's,
151
434580
1875
このネットワークからの
出力である
出力である
07:28
of outputs that that network has.
152
436479
1858
ｙの個数はごくわずかです
07:30
"Bird" is only four letters, right?
153
438361
1749
「bird」は たった４文字ですよね？
07:33
So let's pretend that this
is just a simple formula,
is just a simple formula,
154
441088
3426
ここで 次の簡単な式が
成立すると仮定します
成立すると仮定します
07:36
x "x" w = y.
155
444538
2163
ｘ “×” ｗ ＝ｙ
07:38
I'm putting the times in scare quotes
156
446725
2036
「かける」に引用符を付けたのは
07:40
because what's really
going on there, of course,
going on there, of course,
157
448785
2280
この場面で実行される演算は
07:43
is a very complicated series
of mathematical operations.
of mathematical operations.
158
451089
3046
実際には 非常に複雑な
数学的な計算だからです
数学的な計算だからです
１つの方程式があって
07:47
That's one equation.
159
455172
1221
07:48
There are three variables.
160
456417
1672
３個の変数があります
07:50
And we all know
that if you have one equation,
that if you have one equation,
161
458113
2726
ご存じのように
３つの変数のうち ２つの値が分かれば
３つの変数のうち ２つの値が分かれば
07:52
you can solve one variable
by knowing the other two things.
by knowing the other two things.
162
460863
3642
残りの変数の値も求められます
07:57
So the problem of inference,
163
465158
3380
ここでの問題は
鳥の画像から
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
それが鳥だと推論する
ということでした
ということでした
08:03
is this one:
165
471459
1274
08:04
it's where y is the unknown
and w and x are known.
and w and x are known.
166
472757
3459
つまり y が未知で
ｘとｗが分かっています
ｘとｗが分かっています
08:08
You know the neural network,
you know the pixels.
you know the pixels.
167
476240
2459
画像 x と ネットワーク w は
与えられています
与えられています
08:10
As you can see, that's actually
a relatively straightforward problem.
a relatively straightforward problem.
168
478723
3327
ご覧のように
比較的単純な問題です
比較的単純な問題です
２と３を掛け合わせれば
答えは出ます
答えは出ます
08:14
You multiply two times three
and you're done.
and you're done.
169
482074
2186
我々が最近構築した
ニューラルネットワークでは
ニューラルネットワークでは
08:16
I'll show you an artificial neural network
170
484862
2123
08:19
that we've built recently,
doing exactly that.
doing exactly that.
171
487009
2296
まさに これを実行しています
08:21
This is running in real time
on a mobile phone,
on a mobile phone,
172
489634
2860
携帯電話上で
リアルタイムで処理をしています
リアルタイムで処理をしています
08:24
and that's, of course,
amazing in its own right,
amazing in its own right,
173
492518
3313
こんなに すごいことができるのも
現在の携帯電話では １秒当たり
数十億～数兆の命令を
数十億～数兆の命令を
08:27
that mobile phones can do so many
billions and trillions of operations
billions and trillions of operations
174
495855
3468
実行できるからです
08:31
per second.
175
499347
1248
08:32
What you're looking at is a phone
176
500619
1615
ご覧いただいているのは
08:34
looking at one after another
picture of a bird,
picture of a bird,
177
502258
3547
携帯電話で次々に出す
鳥の画像に対し
鳥の画像に対し
08:37
and actually not only saying,
"Yes, it's a bird,"
"Yes, it's a bird,"
178
505829
2715
ニューラルネットが
「これは鳥だ」と言うだけでなく
「これは鳥だ」と言うだけでなく
08:40
but identifying the species of bird
with a network of this sort.
with a network of this sort.
179
508568
3411
鳥の種類まで
特定しているところです
特定しているところです
08:44
So in that picture,
180
512890
1826
この式で言うと
08:46
the x and the w are known,
and the y is the unknown.
and the y is the unknown.
181
514740
3802
ｘとｗが既知で ｙが未知の場合です
ここで 難しい部分を はしょっていました
08:50
I'm glossing over the very
difficult part, of course,
difficult part, of course,
182
518566
2508
08:53
which is how on earth
do we figure out the w,
do we figure out the w,
183
521098
3861
ｗは そもそも
どうやって求めたらいいのか
どうやって求めたらいいのか
08:56
the brain that can do such a thing?
184
524983
2187
脳がやっているようなことですが
08:59
How would we ever learn such a model?
185
527194
1834
人間は どうやって学ぶのでしょう？
09:01
So this process of learning,
of solving for w,
of solving for w,
186
529418
3233
この学習プロセス
ｗを解くという問題は
ｗを解くという問題は
09:04
if we were doing this
with the simple equation
with the simple equation
187
532675
2647
変数が数値の 簡単な式であれば
09:07
in which we think about these as numbers,
188
535346
2000
どうすればよいか分かります
09:09
we know exactly how to do that: 6 = 2 x w,
189
537370
2687
６＝２×ｗ を解くには
09:12
well, we divide by two and we're done.
190
540081
3312
両辺を２で割れば済みます
09:16
The problem is with this operator.
191
544001
2220
ここで問題になるのは
この演算子です
この演算子です
09:18
So, division --
192
546823
1151
今 割り算をしましたが
09:19
we've used division because
it's the inverse to multiplication,
it's the inverse to multiplication,
193
547998
3121
それは割り算が
掛け算の逆演算だからです
掛け算の逆演算だからです
09:23
but as I've just said,
194
551143
1440
しかし 先ほど言ったとおり
09:24
the multiplication is a bit of a lie here.
195
552607
2449
掛け算と見るのには ウソがあり
09:27
This is a very, very complicated,
very non-linear operation;
very non-linear operation;
196
555080
3326
実際には とても複雑な非線形演算で
09:30
it has no inverse.
197
558430
1704
逆演算が存在しません
09:32
So we have to figure out a way
to solve the equation
to solve the equation
198
560158
3150
だから 除算演算子を使わずに
09:35
without a division operator.
199
563332
2024
これを解かなければなりません
09:37
And the way to do that
is fairly straightforward.
is fairly straightforward.
200
565380
2343
でも そのやり方はそう難しくありません
09:39
You just say, let's play
a little algebra trick,
a little algebra trick,
201
567747
2671
代数学的な ちょっとしたワザを使うんです
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
まず「６」を式の右辺に移します
09:45
Now, we're still using multiplication.
203
573372
1826
依然として乗算を使っています
09:47
And that zero -- let's think
about it as an error.
about it as an error.
204
575675
3580
そして 左辺の「０」を誤差と考えます
09:51
In other words, if we've solved
for w the right way,
for w the right way,
205
579279
2515
つまり ｗを正しく求められれば
09:53
then the error will be zero.
206
581818
1656
誤差の値は０になります
09:55
And if we haven't gotten it quite right,
207
583498
1938
ｗの値が 正しくない場合
誤差は０より大きくなります
09:57
the error will be greater than zero.
208
585460
1749
09:59
So now we can just take guesses
to minimize the error,
to minimize the error,
209
587233
3366
誤差の値が最小になるよう
推量をします
推量をします
こういう処理なら
コンピューターは大得意です
コンピューターは大得意です
10:02
and that's the sort of thing
computers are very good at.
computers are very good at.
210
590623
2687
最初の推測値として
10:05
So you've taken an initial guess:
211
593334
1593
ｗ＝０では どうでしょう？
10:06
what if w = 0?
212
594951
1156
誤差は６です
10:08
Well, then the error is 6.
213
596131
1240
ｗ＝１の場合 誤差は４
10:09
What if w = 1? The error is 4.
214
597395
1446
マルコ・ポーロ式鬼ごっこのような調子で
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
誤差を０に近づけていき
10:15
As it does that, it's getting
successive approximations to w.
successive approximations to w.
217
603647
3374
そうやってｗの近似値を求めます
通常 正解そのものにたどり着くことは
ありませんが
ありませんが
10:19
Typically, it never quite gets there,
but after about a dozen steps,
but after about a dozen steps,
218
607045
3656
10:22
we're up to w = 2.999,
which is close enough.
which is close enough.
219
610725
4624
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
十分近い値が求まります
10:28
And this is the learning process.
220
616302
1814
これが 学習プロセスです
10:30
So remember that what's been going on here
221
618140
2730
ここで改めて 思い出してください
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
私たちがやっていたのは
既知の ｘとｙに対し
既知の ｘとｙに対し
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
真ん中の ｗの値を求めるということです
10:37
and solving for the w in the middle
through an iterative process.
through an iterative process.
223
625296
3454
10:40
It's exactly the same way
that we do our own learning.
that we do our own learning.
224
628774
3556
これは人間がものごとを学習するのと
同じやり方です
同じやり方です
10:44
We have many, many images as babies
225
632354
2230
赤ちゃんのとき
たくさんの絵を見せられ
たくさんの絵を見せられ
10:46
and we get told, "This is a bird;
this is not a bird."
this is not a bird."
226
634608
2633
「これは鳥 これは鳥じゃない」と
教わります
教わります
10:49
And over time, through iteration,
227
637714
2098
この学習を反復することで
10:51
we solve for w, we solve
for those neural connections.
for those neural connections.
228
639836
2928
ｗを解いて
神経結合を作り出すんです
神経結合を作り出すんです
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
ｘと w に対して
y を求めるというのは
y を求めるというのは
高速な日常的「知覚」です
10:59
that's everyday, fast perception.
230
647570
1847
w を求める方法を
先ほど考えましたが
先ほど考えましたが
11:01
We figure out how we can solve for w,
231
649441
1763
11:03
that's learning, which is a lot harder,
232
651228
1903
これは「学習」であり
ずっと難しいことです
ずっと難しいことです
11:05
because we need to do error minimization,
233
653155
1985
なぜなら 多くの訓練例を使って
誤差を最小化する必要が
あるからです
あるからです
11:07
using a lot of training examples.
234
655164
1687
11:08
And about a year ago,
Alex Mordvintsev, on our team,
Alex Mordvintsev, on our team,
235
656875
3187
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
アレックス・モードヴィンツェフは
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
既知の w と y に対して
x の値を求めるとどうなるか
x の値を求めるとどうなるか
11:15
given a known w and a known y.
237
663660
2037
実験してみることにしました
11:18
In other words,
238
666124
1151
言い換えると
11:19
you know that it's a bird,
239
667299
1352
鳥に対してトレーニングされた
ニューラルネットが
ニューラルネットが
11:20
and you already have your neural network
that you've trained on birds,
that you've trained on birds,
240
668675
3303
鳥だと答えを出す
11:24
but what is the picture of a bird?
241
672002
2344
「鳥の絵」はどんなものか
ということです
ということです
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
同じ誤差最小化の手順が
11:27
It turns out that by using exactly
the same error-minimization procedure,
the same error-minimization procedure,
242
675034
5024
11:32
one can do that with the network
trained to recognize birds,
trained to recognize birds,
243
680082
3430
この場合も使えることが
分かりました
分かりました
11:35
and the result turns out to be ...
244
683536
3388
結果として出てきたのは —
一種の鳥の絵です
11:42
a picture of birds.
245
690400
1305
11:44
So this is a picture of birds
generated entirely by a neural network
generated entirely by a neural network
246
692814
3737
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
ニューラルネットワークによって
生成された鳥のイメージです
11:48
that was trained to recognize birds,
247
696575
1826
11:50
just by solving for x
rather than solving for y,
rather than solving for y,
248
698425
3538
ｙの値を求めるかわりに
反復によって ｘを求めたんです
11:53
and doing that iteratively.
249
701987
1288
別の面白い例を 紹介しましょう
11:55
Here's another fun example.
250
703732
1847
11:57
This was a work made
by Mike Tyka in our group,
by Mike Tyka in our group,
251
705603
3437
私のグループのマイク・タイカが
作ってくれたものです
作ってくれたものです
12:01
which he calls "Animal Parade."
252
709064
2308
マイクは「動物のパレード」と呼んでました
12:03
It reminds me a little bit
of William Kentridge's artworks,
of William Kentridge's artworks,
253
711396
2876
ウィリアム・ケントリッジの作品を
思わせます
思わせます
12:06
in which he makes sketches, rubs them out,
254
714296
2489
ケントリッジは
スケッチを描いては消し
スケッチを描いては消し
また 描いては消しして
12:08
makes sketches, rubs them out,
255
716809
1460
アニメーションを作り出します
12:10
and creates a movie this way.
256
718293
1398
12:11
In this case,
257
719715
1151
この場合
マイクは 動物種の集合の中で
ｙの値を変えていて
ｙの値を変えていて
12:12
what Mike is doing is varying y
over the space of different animals,
over the space of different animals,
258
720890
3277
12:16
in a network designed
to recognize and distinguish
to recognize and distinguish
259
724191
2382
動物の種類を識別するよう
設計された
設計された
12:18
different animals from each other.
260
726597
1810
ネットワークを使っています
12:20
And you get this strange, Escher-like
morph from one animal to another.
morph from one animal to another.
261
728431
3751
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
動物が別の動物へと変形していきます
12:26
Here he and Alex together
have tried reducing
have tried reducing
262
734221
4614
次は マイクとアレックスが
協力して作ったもので
協力して作ったもので
y を二次元空間に
収めようと試みていて
収めようと試みていて
12:30
the y's to a space of only two dimensions,
263
738859
2759
12:33
thereby making a map
out of the space of all things
out of the space of all things
264
741642
3438
ネットワークが認識するもの
全てを含む空間の
全てを含む空間の
地図を作っています
12:37
recognized by this network.
265
745104
1719
この画像合成・画像生成を
12:38
Doing this kind of synthesis
266
746847
2023
12:40
or generation of imagery
over that entire surface,
over that entire surface,
267
748894
2382
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
画面全体にわたって行うことで
12:43
varying y over the surface,
you make a kind of map --
you make a kind of map --
268
751300
2846
このような地図が できあがります
12:46
a visual map of all the things
the network knows how to recognize.
the network knows how to recognize.
269
754170
3141
ネットワークが認識するものすべての
視覚地図です
視覚地図です
12:49
The animals are all here;
"armadillo" is right in that spot.
"armadillo" is right in that spot.
270
757335
2865
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
あそこにアルマジロがいますね
他のネットワークでも
同様の処理が実行できます
同様の処理が実行できます
12:52
You can do this with other kinds
of networks as well.
of networks as well.
271
760919
2479
これは 人物の顔を見分ける―
12:55
This is a network designed
to recognize faces,
to recognize faces,
272
763422
2874
顔認識のために設計された
ネットワークです
ネットワークです
12:58
to distinguish one face from another.
273
766320
2000
13:00
And here, we're putting
in a y that says, "me,"
in a y that says, "me,"
274
768344
3249
ここで ｙは「私」です
13:03
my own face parameters.
275
771617
1575
私の顔をパラメータにして
13:05
And when this thing solves for x,
276
773216
1706
このネットワークを使い
ｘの値を求めると
ｘの値を求めると
13:06
it generates this rather crazy,
277
774946
2618
かなり ぶっ飛んだ
画像が作られます
画像が作られます
13:09
kind of cubist, surreal,
psychedelic picture of me
psychedelic picture of me
278
777588
4428
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
サイケな感じの 私の絵です
複数の視点を
１つにまとめています
１つにまとめています
13:14
from multiple points of view at once.
279
782040
1806
このように 複数の視点が
１つになっている理由は
１つになっている理由は
13:15
The reason it looks like
multiple points of view at once
multiple points of view at once
280
783870
2734
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
設計になっているためです
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
人の顔の見え方は
見る角度によって変わり
見る角度によって変わり
13:24
being looked at with one kind of lighting,
another kind of lighting.
another kind of lighting.
283
792839
3376
光の当たり方によっても
変わります
変わります
13:28
So when you do
this sort of reconstruction,
this sort of reconstruction,
284
796239
2085
だから このような再構成を行う場合
13:30
if you don't use some sort of guide image
285
798348
2304
ガイドとなる画像や
統計値がないと
統計値がないと
13:32
or guide statistics,
286
800676
1211
視点に関して
13:33
then you'll get a sort of confusion
of different points of view,
of different points of view,
287
801911
3765
混乱が生じるんです
あいまいさがあるためです
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
ここでは 私の顔を再構成する
最適化プロセスで
最適化プロセスで
13:44
during that optimization process
to reconstruct my own face.
to reconstruct my own face.
290
812033
3321
アレックスの顔の映像を
ガイドとして使っています
ガイドとして使っています
13:48
So you can see it's not perfect.
291
816284
2328
完璧とは言えず
13:50
There's still quite a lot of work to do
292
818636
1874
この最適化プロセスを
改善するために
改善するために
13:52
on how we optimize
that optimization process.
that optimization process.
293
820534
2453
やることは まだまだありますが
13:55
But you start to get something
more like a coherent face,
more like a coherent face,
294
823011
2827
とりあえず
顔をガイドとして使うことで
顔をガイドとして使うことで
統一感のあるイメージが
できるようになります
できるようになります
13:57
rendered using my own face as a guide.
295
825862
2014
別に 真っ白なキャンバスや
14:00
You don't have to start
with a blank canvas
with a blank canvas
296
828892
2501
ホワイトノイズから
始める必要はありません
始める必要はありません
14:03
or with white noise.
297
831417
1156
ｘを求めるという場合
14:04
When you're solving for x,
298
832597
1304
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
ｘとして 何か別の画像から
出発してもいいんです
出発してもいいんです
14:09
That's what this little demonstration is.
300
837838
2556
それを説明するデモを
お見せしましょう
お見せしましょう
14:12
This is a network
that is designed to categorize
that is designed to categorize
301
840418
4122
これは 人工物であれ 動物であれ
14:16
all sorts of different objects --
man-made structures, animals ...
man-made structures, animals ...
302
844564
3119
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
設計されたネットワークです
14:19
Here we're starting
with just a picture of clouds,
with just a picture of clouds,
303
847707
2593
この雲の写真からスタートします
14:22
and as we optimize,
304
850324
1671
これを最適化すると
14:24
basically, this network is figuring out
what it sees in the clouds.
what it sees in the clouds.
305
852019
4486
このネットワークは
「雲の中に何が見えるか」を探します
「雲の中に何が見えるか」を探します
14:28
And the more time
you spend looking at this,
you spend looking at this,
306
856931
2320
画面をじっと見ているうちに
14:31
the more things you also
will see in the clouds.
will see in the clouds.
307
859275
2753
雲の中に いろんなものが
見えてきます
見えてきます
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
幻覚っぽい映像になります
14:35
You could also use the face network
to hallucinate into this,
to hallucinate into this,
308
863004
3375
14:38
and you get some pretty crazy stuff.
309
866403
1812
ちょっと頭がおかしくなりそうな
14:40
(Laughter)
310
868239
1150
（笑）
14:42
Or, Mike has done some other experiments
311
870401
2744
マイクはまた
14:45
in which he takes that cloud image,
312
873169
3905
この雲の画像で 別の実験もしています
14:49
hallucinates, zooms, hallucinates,
zooms hallucinates, zooms.
zooms hallucinates, zooms.
313
877098
3507
幻視とズームを繰り返していくと
14:52
And in this way,
314
880629
1151
こんな感じに
14:53
you can get a sort of fugue state
of the network, I suppose,
of the network, I suppose,
315
881804
3675
フーガのような 自由連想のような映像を
14:57
or a sort of free association,
316
885503
3680
このネットワークから 作り出せます
ネットワークが
自分の尻尾を食べています
自分の尻尾を食べています
15:01
in which the network
is eating its own tail.
is eating its own tail.
317
889207
2227
15:03
So every image is now the basis for,
318
891458
3421
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
次のイメージのベースになっています
15:06
"What do I think I see next?
319
894903
1421
「次に 何が見える？
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
次に 何が見える？
次に 何が見える？」という風に
次に 何が見える？」という風に
15:11
I showed this for the first time in public
321
899487
2936
ちなみに
このデモを 最初に披露したのは
このデモを 最初に披露したのは
15:14
to a group at a lecture in Seattle
called "Higher Education" --
called "Higher Education" --
322
902447
5437
シアトルで開かれた
「高等教育」と題した講演会で
「高等教育」と題した講演会で
マリファナが合法化された
直後のことでした
直後のことでした
15:19
this was right after
marijuana was legalized.
marijuana was legalized.
323
907908
2437
15:22
(Laughter)
324
910369
2415
（笑）
15:26
So I'd like to finish up quickly
325
914627
2104
最後にまとめとして
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
限定されないことを指摘しておきます
15:28
by just noting that this technology
is not constrained.
is not constrained.
326
916755
4255
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
今回は視覚的にちょっと面白い例を
紹介しましたが
紹介しましたが
別に 視覚のテクノロジー
というわけではないんです
というわけではないんです
15:36
It's not a purely visual technology.
328
924723
2451
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
ロス・グッドウィンによる実験ですが
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
彼がカメラで写真を撮ると
15:44
and then a computer in his backpack
writes a poem using neural networks,
writes a poem using neural networks,
331
932910
4234
その写真の中身を元に
背負っているコンピューターが
背負っているコンピューターが
ニューラルネットワークで
詩を書きます
詩を書きます
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
詩のニューラルネットワークは
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
トレーニングされています
15:54
on a large corpus of 20th-century poetry.
334
942107
2234
15:56
And the poetry is, you know,
335
944365
1499
そうやって書かれた詩は
15:57
I think, kind of not bad, actually.
336
945888
1914
どうして そう悪くないと思います
15:59
(Laughter)
337
947826
1384
（笑）
16:01
In closing,
338
949234
1159
まとめになりますが
16:02
I think that per Michelangelo,
339
950417
2132
ミケランジェロは正しかったと
16:04
I think he was right;
340
952573
1234
つくづく思います
16:05
perception and creativity
are very intimately connected.
are very intimately connected.
341
953831
3436
知覚と創造性とは
密接に結びついているんです
密接に結びついているんです
先ほどお見せした
ニューラルネットワークは
ニューラルネットワークは
16:09
What we've just seen are neural networks
342
957611
2634
16:12
that are entirely trained to discriminate,
343
960269
2303
世の中の さまざまなものを区別するよう
16:14
or to recognize different
things in the world,
things in the world,
344
962596
2242
学習させたものですが
16:16
able to be run in reverse, to generate.
345
964862
3161
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
新しいものを作り出すこともできます
16:20
One of the things that suggests to me
346
968047
1783
そこで気づかされるのは
16:21
is not only that
Michelangelo really did see
Michelangelo really did see
347
969854
2398
石の塊の中に 彫刻を見ることができるのは
16:24
the sculpture in the blocks of stone,
348
972276
2452
ミケランジェロだけではないということ
16:26
but that any creature,
any being, any alien
any being, any alien
349
974752
3638
どんな生物であれ どんな存在
地球外生命体だろうと
地球外生命体だろうと
16:30
that is able to do
perceptual acts of that sort
perceptual acts of that sort
350
978414
3657
知覚を行う能力のあるものは
創造もできるということです
16:34
is also able to create
351
982095
1375
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
どちらも同じメカニズムで
できることだからです
できることだからです
16:38
Also, I think that perception
and creativity are by no means
and creativity are by no means
353
986742
4532
そして 知覚と創造は
決して 人間に限られたものではありません
16:43
uniquely human.
354
991298
1210
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
コンピューターモデルを作り始めています
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
16:48
And that ought to be unsurprising;
the brain is computational.
the brain is computational.
356
996264
3328
驚くことではありません
脳もまた計算機械だからです
脳もまた計算機械だからです
16:51
And finally,
357
999616
1657
最後に
16:53
computing began as an exercise
in designing intelligent machinery.
in designing intelligent machinery.
358
1001297
4668
コンピューティングは
知的機械の設計から始まり
知的機械の設計から始まり
16:57
It was very much modeled after the idea
359
1005989
2462
機械はいかに知的になれるか
という発想から
という発想から
17:00
of how could we make machines intelligent.
360
1008475
3013
モデル化されましたが
今や我々は 昔の先駆者が
夢見た世界を
夢見た世界を
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
ようやく実現させつつあります
チューリングやフォン・ノイマンの夢
17:08
of Turing and von Neumann
363
1016128
1713
17:09
and McCulloch and Pitts.
364
1017865
2265
マカロックやピッツの夢を
17:12
And I think that computing
is not just about accounting
is not just about accounting
365
1020154
4098
コンピューティングは 会計処理だとか
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
遊ぶだけのものではありません
17:16
or playing Candy Crush or something.
366
1024276
2147
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
人間の脳をモデルとしたものでしたが
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
それは 人間の知性を
よりよく理解するためにも
よりよく理解するためにも
人間の知性を拡張するためにも
使えるのです
使えるのです
17:24
and to extend them.
369
1032342
1529
17:26
Thank you very much.
370
1034627
1167
ありがとうございました
17:27
(Applause)
371
1035818
5939
（拍手）
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