ABOUT THE SPEAKER
Blaise Agüera y Arcas - Software architect
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces.

Why you should listen

Blaise Agüera y Arcas is principal scientist at Google, where he leads a team working on machine intelligence for mobile devices. His group works extensively with deep neural nets for machine perception and distributed learning, and it also investigates so-called "connectomics" research, assessing maps of connections within the brain.

Agüera y Arcas' background is as multidimensional as the visions he helps create. In the 1990s, he authored patents on both video compression and 3D visualization techniques, and in 2001, he made an influential computational discovery that cast doubt on Gutenberg's role as the father of movable type.

He also created Seadragon (acquired by Microsoft in 2006), the visualization technology that gives Photosynth its amazingly smooth digital rendering and zoom capabilities. Photosynth itself is a vastly powerful piece of software capable of taking a wide variety of images, analyzing them for similarities, and grafting them together into an interactive three-dimensional space. This seamless patchwork of images can be viewed via multiple angles and magnifications, allowing us to look around corners or “fly” in for a (much) closer look. Simply put, it could utterly transform the way we experience digital images.

He joined Microsoft when Seadragon was acquired by Live Labs in 2006. Shortly after the acquisition of Seadragon, Agüera y Arcas directed his team in a collaboration with Microsoft Research and the University of Washington, leading to the first public previews of Photosynth several months later. His TED Talk on Seadragon and Photosynth in 2007 is rated one of TED's "most jaw-dropping." He returned to TED in 2010 to demo Bing’s augmented reality maps.

Fun fact: According to the author, Agüera y Arcas is the inspiration for the character Elgin in the 2012 best-selling novel Where'd You Go, Bernadette?

More profile about the speaker
Blaise Agüera y Arcas | Speaker | TED.com
TED@BCG Paris

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

블레즈 아구에라 이 아카스 (Blaise Agüera y Arcas): 컴퓨터가 창의력을 배우는 방법

Filmed:
1,934,067 views

우리는 예술과 창의력의 새로운 국면을 맞이하고 있습니다. 그리고 이것은 인간에 의한 것이 아닙니다. 블레즈 아구에라 이 아카스는 구글의 수석 과학자로 스스로 학습하는 인공 지능을 위해 기계 인식과 분산 학습을 연구하고 있습니다. 이 매혹적인 데모에서 그는 이미지를 인식하기 위해 훈련된 신경 회로망이 어떻게 반대로 이미지를 만들어 내는지를 보여줍니다. 그 결과 장관을 이루는 범주를 규정할 수 없는 환각적 도취상태 같은 콜라주 작품을(그리고 시를) 만들어 냈습니다. "인식과 창의성은 매우 밀접한 관계가 있다"고 아구에라 이 아카스는 말합니다. "인식 할 수 있는 모든 것들은 창조할 수 있습니다."
- Software architect
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces. Full bio

Double-click the English transcript below to play the video.

00:12
So, I lead리드 a team at GoogleGoogle
that works공장 on machine기계 intelligence지성;
0
800
3124
저는 구글에서 기계지능팀을
이끌고 있습니다.
00:15
in other words, the engineering공학 discipline징계
of making만들기 computers컴퓨터들 and devices장치들
1
3948
4650
다르게 표현하면, 컴퓨터와 장치를
공학적으로 훈련시켜
00:20
able할 수 있는 to do some of the things
that brains두뇌 do.
2
8622
2419
뇌가 하는 일을 할 수 있게 합니다.
00:23
And this makes~을 만든다 us
interested관심있는 in real레알 brains두뇌
3
11439
3099
그리고 이 일을 하면서
저희는 실제 뇌와 신경과학에
00:26
and neuroscience신경 과학 as well,
4
14562
1289
관심을 두게 되었습니다.
00:27
and especially특히 interested관심있는
in the things that our brains두뇌 do
5
15875
4172
특히 관심 있는 부분은
우리의 뇌가 하는 일 중에
00:32
that are still far멀리 superior우수한
to the performance공연 of computers컴퓨터들.
6
20071
4042
아직 컴퓨터보다 훨씬 뛰어난
부분에 대한 것입니다.
00:37
Historically역사적으로, one of those areas지역
has been perception지각,
7
25209
3609
역사적으로 이런 부분 중에 하나로
인식이 언급돼 왔습니다.
00:40
the process방법 by which어느 things
out there in the world세계 --
8
28842
3039
세상에 존재하는
00:43
sounds소리 and images이미지들 --
9
31905
1584
소리나 이미지를 과정을 통해
00:45
can turn회전 into concepts개념들 in the mind마음.
10
33513
2178
마음속에 개념화시키는 것입니다.
00:48
This is essential본질적인 for our own개인적인 brains두뇌,
11
36235
2517
이것은 우리 뇌에 필수적인 기능이고
00:50
and it's also또한 pretty예쁜 useful유능한 on a computer컴퓨터.
12
38776
2464
컴퓨터에도 꽤 유용합니다.
00:53
The machine기계 perception지각 algorithms알고리즘,
for example, that our team makes~을 만든다,
13
41636
3350
기계 인식 알고리즘의 예로
저희 팀에서 한 일은
00:57
are what enable가능하게하다 your pictures영화
on GoogleGoogle Photos사진들 to become지다 searchable검색 가능,
14
45010
3874
구글 포토스에 올린 사진을
뭐가 찍혔냐에 따라
01:00
based기반 on what's in them.
15
48908
1397
검색이 가능하게 한 것이죠.
01:03
The flip튀기다 side측면 of perception지각 is creativity독창성:
16
51594
3493
인식의 반대말은 창의성입니다.
01:07
turning선회 a concept개념 into something
out there into the world세계.
17
55111
3038
개념을 세상에 존재하는 것으로
바꾸는 것입니다.
01:10
So over the past과거 year,
our work on machine기계 perception지각
18
58173
3555
지난 몇 년 동안 기계 인식에 대해
저희가 해온 일들은
01:13
has also또한 unexpectedly뜻밖에 connected연결된
with the world세계 of machine기계 creativity독창성
19
61752
4859
뜻밖에도 기계의 창의력과 기계 예술을
01:18
and machine기계 art미술.
20
66635
1160
연결했습니다.
01:20
I think Michelangelo미켈란젤로
had a penetrating관통하는 insight통찰력
21
68556
3284
저는 미켈란젤로가
인식과 창의성 간의
01:23
into to this dual이중의 relationship관계
between중에서 perception지각 and creativity독창성.
22
71864
3656
이중 관계를 꿰뚫어
보았다고 생각합니다.
01:28
This is a famous유명한 quote인용문 of his:
23
76023
2006
이것은 그의 유명한 인용구입니다.
01:30
"Every마다 block블록 of stone
has a statue동상 inside내부 of it,
24
78053
3323
"모든 돌덩이는 그 안에
조각상을 가지고 있고
01:34
and the job of the sculptor조각가
is to discover발견하다 it."
25
82036
3002
그것을 발견하는 것이
조각가의 과업이다."
01:38
So I think that what
Michelangelo미켈란젤로 was getting점점 at
26
86029
3216
그래서 저는 미켈란젤로의 생각은
01:41
is that we create몹시 떠들어 대다 by perceiving지각,
27
89269
3180
우리는 인식하는 것으로 창조하고
01:44
and that perception지각 itself그 자체
is an act행위 of imagination상상력
28
92473
3023
그 인식 자체가 상상하는 행위이며
01:47
and is the stuff물건 of creativity독창성.
29
95520
2461
창의성이라 여깁니다.
01:50
The organ오르간 that does all the thinking생각
and perceiving지각 and imagining상상하다,
30
98691
3925
생각하고 인식하고 상상하는 기관은
01:54
of course코스, is the brain.
31
102640
1588
물론 뇌입니다.
01:57
And I'd like to begin시작하다
with a brief간결한 bit비트 of history역사
32
105089
2545
그리고 저는 간략하게
뇌에 대한 연구의
01:59
about what we know about brains두뇌.
33
107658
2302
역사에 대해서 이야기하고 싶습니다.
02:02
Because unlike같지 않은, say,
the heart심장 or the intestines,
34
110496
2446
왜냐하면 심장이나 장과 달리
02:04
you really can't say very much
about a brain by just looking at it,
35
112966
3144
보기만 해선 뇌에 대해
이야기할 게 없기 때문입니다.
02:08
at least가장 작은 with the naked적나라한 eye.
36
116134
1412
겉으로 보기에 말이죠.
02:09
The early이른 anatomists해부학자 who looked보았다 at brains두뇌
37
117983
2416
초기 해부학자들은 뇌를 보고
02:12
gave the superficial피상적 인 structures구조
of this thing all kinds종류 of fanciful기발한 names이름,
38
120423
3807
표면상의 구조에 온갖 기발한
이름을 붙였습니다.
02:16
like hippocampus해마, meaning의미 "little shrimp새우."
39
124254
2433
해마같이 말이죠,
뜻은 "작은 새우"입니다.
02:18
But of course코스 that sort종류 of thing
doesn't tell us very much
40
126711
2764
하지만 물론 이런 이름들이
실제로 무슨일을 하는지
02:21
about what's actually사실은 going on inside내부.
41
129499
2318
말해 주지는 않습니다.
02:24
The first person사람 who, I think, really
developed개발 된 some kind종류 of insight통찰력
42
132780
3613
제 생각에 최초로 뇌에서
무슨 일이 일어나는지에 대해
02:28
into what was going on in the brain
43
136417
1930
큰 공헌을 한 사람은
02:30
was the great Spanish스페인 사람 neuroanatomist신경 해부학자,
Santiago산티아고 Ramón y Cajal카잘,
44
138371
3920
스페인의 위대한 신경 해부학자인
산티아고 라몬 이 카할입니다.
02:34
in the 19th century세기,
45
142315
1544
19세기에
02:35
who used microscopy현미경 사용 and special특별한 stains얼룩
46
143883
3755
현미경 관찰과 특수한 착색을 이용해
02:39
that could selectively선택적으로 fill가득 따르다 in
or render세우다 in very high높은 contrast대조
47
147662
4170
선택적으로 각각의 뇌세포를 채우거나
02:43
the individual개인 cells세포들 in the brain,
48
151856
2008
높은 대비를 만들어 내
02:45
in order주문 to start스타트 to understand알다
their그들의 morphologies형태학.
49
153888
3154
형태학적인 이해를
할 수 있게 한 사람입니다.
02:49
And these are the kinds종류 of drawings그림들
that he made만든 of neurons뉴런
50
157972
2891
이것들은 그가 신경 세포로
만든 그림들입니다.
02:52
in the 19th century세기.
51
160887
1209
19세기에 말이죠.
02:54
This is from a bird brain.
52
162120
1884
이것은 새의 뇌 그림입니다.
02:56
And you see this incredible놀랄 만한 variety종류
of different다른 sorts종류 of cells세포들,
53
164028
3057
그리고 굉장히 다양한
세포를 볼 수 있습니다.
02:59
even the cellular세포질의 theory이론 itself그 자체
was quite아주 new새로운 at this point포인트.
54
167109
3435
심지어 세포이론도 알려진 지
얼마 안 된 때였습니다.
03:02
And these structures구조,
55
170568
1278
그리고 이 구조는
03:03
these cells세포들 that have these arborizations정자 화,
56
171870
2259
수지상부를 가지고 있는 세포들의
03:06
these branches가지 that can go
very, very long distances거리 --
57
174153
2608
가지는 아주 멀리까지
뻗을 수 있는데
03:08
this was very novel소설 at the time.
58
176785
1616
당시 매우 새로웠습니다.
03:10
They're reminiscent연상시키는, of course코스, of wires전선.
59
178779
2903
이 구조는 전선을 연상시킵니다.
03:13
That might have been obvious분명한
to some people in the 19th century세기;
60
181706
3457
전선과 전기의 혁명이 일어나던
19세기 사람들은
03:17
the revolutions혁명 of wiring배선 and electricity전기
were just getting점점 underway진행 중.
61
185187
4314
당연히 그렇게 볼 수 있었을 것입니다.
03:21
But in many많은 ways,
62
189964
1178
하지만 여러 가지 면에서
03:23
these microanatomical미세 해부학 적 drawings그림들
of Ramón y Cajal's카잘, like this one,
63
191166
3313
이런 라몬 이 카할의 조직학적 그림은
03:26
they're still in some ways unsurpassed이겨낼 사람 없는.
64
194503
2332
오늘날에도 최고로 여겨집니다.
03:28
We're still more than a century세기 later후에,
65
196859
1854
우리는 지난 한 세기 동안
03:30
trying견딜 수 없는 to finish the job
that Ramón y Cajal카잘 started시작한.
66
198737
2825
라몬 이 카할이 시작한 일을
끝내려고 노력하고 있습니다.
03:33
These are raw노골적인 data데이터 from our collaborators공동 작업자
67
201586
3134
이것들은 막스플랑크 신경과학 연구소
03:36
at the Max맥스 Planck플랑크 Institute학회
of Neuroscience신경 과학.
68
204744
2881
협력자들의 기초 데이타입니다.
03:39
And what our collaborators공동 작업자 have done끝난
69
207649
1790
그리고 저희 협력자들이 한 것은
03:41
is to image영상 little pieces조각들 of brain tissue조직.
70
209463
5001
뇌세포의 작은 부분을
조명한 것 입니다.
03:46
The entire완전한 sample견본 here
is about one cubic큐빅의 millimeter밀리미터 in size크기,
71
214488
3326
이 샘플의 전체 크기는
대략 1 입방 밀리미터이고
03:49
and I'm showing전시 you a very,
very small작은 piece조각 of it here.
72
217838
2621
결과물의 아주 작은 부분을
보고 계신 것입니다.
03:52
That bar on the left is about one micron미크론.
73
220483
2346
왼쪽에 있는 바는 1미크론 입니다.
03:54
The structures구조 you see are mitochondria미토콘드리아
74
222853
2409
보고 계신 구조는 미토콘드리아입니다.
03:57
that are the size크기 of bacteria박테리아.
75
225286
2044
이는 박테리아만큼 작습니다.
03:59
And these are consecutive연속적인 slices조각
76
227354
1551
이것은 아주 작은 조직으로
04:00
through...을 통하여 this very, very
tiny작은 block블록 of tissue조직.
77
228929
3148
자른 연속적인 단면입니다.
04:04
Just for comparison's비교 sake사케,
78
232101
2403
비교를 하자면
04:06
the diameter직경 of an average평균 strand바닷가
of hair머리 is about 100 microns마이크론.
79
234528
3792
머리카락의 평균 지름은
100 미크론입니다.
04:10
So we're looking at something
much, much smaller더 작은
80
238344
2274
저희가 보고 있는 것은
머리카락 한 가닥보다
04:12
than a single단일 strand바닷가 of hair머리.
81
240642
1398
훨씬 작은 것입니다.
04:14
And from these kinds종류 of serial연속물
electron전자 microscopy현미경 사용 slices조각,
82
242064
4031
그리고 이런 전자현미경으로
나눈 일련의 조각들로
04:18
one can start스타트 to make reconstructions재건축
in 3D of neurons뉴런 that look like these.
83
246119
5008
신경세포를 3D로
이렇게 복원할 수 있습니다.
04:23
So these are sort종류 of in the same같은
style스타일 as Ramón y Cajal카잘.
84
251151
3157
이것은 라몬 이 카할의 방식과
어느 정도 같습니다.
04:26
Only a few조금 neurons뉴런 lit문학 up,
85
254332
1492
일부 신경세포만 비추었죠.
04:27
because otherwise그렇지 않으면 we wouldn't~ 않을거야.
be able할 수 있는 to see anything here.
86
255848
2781
그렇지 않으면 아무것도
구분할 수 없을 것입니다.
04:30
It would be so crowded가득 차서,
87
258653
1312
사진 가득히
04:31
so full완전한 of structure구조,
88
259989
1330
신경세포끼리 서로 연결된
04:33
of wiring배선 all connecting연결
one neuron뉴런 to another다른.
89
261343
2724
구조만 보일 것입니다.
04:37
So Ramón y Cajal카잘 was a little bit비트
ahead앞으로 of his time,
90
265293
2804
라몬 이 카할은 시대를 앞서나갔고
04:40
and progress진행 on understanding이해 the brain
91
268121
2555
그후 수십 년 동안
뇌의 이해에 대한 연구는
04:42
proceeded진행됨 slowly천천히
over the next다음 것 few조금 decades수십 년.
92
270700
2271
서서히 발전했습니다.
04:45
But we knew알고 있었다 that neurons뉴런 used electricity전기,
93
273455
2853
그러나 우리는 신경세포가
전기를 이용하는 것을 알아냈고
04:48
and by World세계 War전쟁 IIII, our technology과학 기술
was advanced많은 enough충분히
94
276332
2936
제2차 세계대전 때 발전한 기술로
04:51
to start스타트 doing real레알 electrical전기 같은
experiments실험 on live살고 있다 neurons뉴런
95
279292
2806
실제로 신경세포에 전기 실험을
할 수 있게 되고
04:54
to better understand알다 how they worked일한.
96
282122
2106
신경세포를 더 이해할 수 있었습니다.
04:56
This was the very same같은 time
when computers컴퓨터들 were being존재 invented발명 된,
97
284631
4356
컴퓨터가 발명된 것도
바로 이때인데
05:01
very much based기반 on the idea생각
of modeling모델링 the brain --
98
289011
3100
뇌를 모델로 한 아이디어였죠.
05:04
of "intelligent지적인 machinery기계,"
as Alan앨런 Turing튜링 called전화 한 it,
99
292135
3085
앨런 튜링은 "지능형 기계"
라고 불렀습니다.
05:07
one of the fathers아버지 of computer컴퓨터 science과학.
100
295244
1991
컴퓨터 공학의 아버지 중에 한 명이죠.
05:09
Warren야생 조수 사육 특권 McCullochMcCulloch and Walter월터 Pitts피츠
looked보았다 at Ramón y Cajal's카잘 drawing그림
101
297923
4632
워렌 맥컬로흐와 월터 피츠는
어느날 라몬 이 카할의
05:14
of visual시각적 인 cortex피질,
102
302579
1317
시각 피질 그림을 보았습니다.
05:15
which어느 I'm showing전시 here.
103
303920
1562
지금 보고 계신 그림말이죠.
05:17
This is the cortex피질 that processes프로세스들
imagery형상 that comes온다 from the eye.
104
305506
4442
이것은 눈을 통해 들어온 이미지를
처리하는 피질입니다.
05:22
And for them, this looked보았다
like a circuit회로 diagram도표.
105
310424
3508
그리고 그들에겐 이 그림은
마치 회로도처럼 보였습니다.
05:26
So there are a lot of details세부
in McCullochMcCulloch and Pitts's피츠 circuit회로 diagram도표
106
314353
3835
맥컬로흐와 피츠의 회로도에는
많은 세부사항이 있지만
05:30
that are not quite아주 right.
107
318212
1352
정확하지는 않습니다.
05:31
But this basic기본 idea생각
108
319588
1235
하지만 기본 아이디어인
05:32
that visual시각적 인 cortex피질 works공장 like a series시리즈
of computational전산의 elements집단
109
320847
3992
시각 피질의 원리가
일련의 계산 요소를
05:36
that pass패스 information정보
one to the next다음 것 in a cascade종속,
110
324863
2746
연속적으로 하나에서 다음으로
정보를 넘긴다는 것은
05:39
is essentially본질적으로 correct옳은.
111
327633
1602
근본적으로 맞습니다.
05:41
Let's talk for a moment순간
112
329259
2350
조금 더 이야기해 보겠습니다.
05:43
about what a model모델 for processing가공
visual시각적 인 information정보 would need to do.
113
331633
4032
시각 정보를 처리하는 모델이
해야 하는 일에 대해서 말이죠.
05:48
The basic기본 task태스크 of perception지각
114
336228
2741
인식이 기본적으로 하는 일은
05:50
is to take an image영상 like this one and say,
115
338993
4194
이런 이미지를 보고
이렇게 말하는 것 입니다.
05:55
"That's a bird,"
116
343211
1176
"이것은 새입니다"
05:56
which어느 is a very simple단순한 thing
for us to do with our brains두뇌.
117
344411
2874
우리에게는 매우 쉬운 일입니다.
05:59
But you should all understand알다
that for a computer컴퓨터,
118
347309
3421
하지만 여러분 모두가
아셔야 하는 것이
06:02
this was pretty예쁜 much impossible불가능한
just a few조금 years연령 ago...전에.
119
350754
3087
몇 년 전까지 컴퓨터로는
이런 것이 불가능했습니다.
06:05
The classical고전 computing컴퓨팅 paradigm어형 변화표
120
353865
1916
고전적인 컴퓨팅 패러다임은
06:07
is not one in which어느
this task태스크 is easy쉬운 to do.
121
355805
2507
이런 일을 쉽게 할 수
있는 것이 아닙니다.
06:11
So what's going on between중에서 the pixels픽셀,
122
359366
2552
그래서 픽셀들 간의 관계와
06:13
between중에서 the image영상 of the bird
and the word워드 "bird,"
123
361942
4028
만들어진 이미지와
"새"라는 단어의 관계는
06:17
is essentially본질적으로 a set세트 of neurons뉴런
connected연결된 to each마다 other
124
365994
2814
근본적으로 신경세포들이 서로 연결되어
06:20
in a neural신경 network회로망,
125
368832
1155
신경망을 구축하고 있는 것입니다.
06:22
as I'm diagramming다이어그램 작성 here.
126
370011
1223
제가 그린 도표처럼요.
06:23
This neural신경 network회로망 could be biological생물학의,
inside내부 our visual시각적 인 cortices피질,
127
371258
3272
이 신경망은 시각피질 내부의
생물학적인 것이나
06:26
or, nowadays현대, we start스타트
to have the capability능력
128
374554
2162
오늘날에는 우리의 기술로
06:28
to model모델 such이러한 neural신경 networks네트워크
on the computer컴퓨터.
129
376740
2454
컴퓨터를 통해 신경망을
그릴 수 있습니다.
06:31
And I'll show보여 주다 you what
that actually사실은 looks외모 like.
130
379834
2353
그리고 이것이 실제 모델입니다.
06:34
So the pixels픽셀 you can think
about as a first layer of neurons뉴런,
131
382211
3416
픽셀이 신경세포의 첫 번째 층입니다.
06:37
and that's, in fact,
how it works공장 in the eye --
132
385651
2239
그리고 이것은 실제로
눈으로 보는 과정으로 보면
06:39
that's the neurons뉴런 in the retina망막.
133
387914
1663
픽셀이 망막인 것입니다.
06:41
And those feed먹이 forward앞으로
134
389601
1500
그리고 이 자극을
06:43
into one layer after another다른 layer,
after another다른 layer of neurons뉴런,
135
391125
3403
신경세포의 한 층에서
다음 층으로 전달합니다.
06:46
all connected연결된 by synapses시냅스
of different다른 weights무게.
136
394552
3033
이는 각각 다른 농도의
시냅스로 모두 연결되어있습니다.
06:49
The behavior행동 of this network회로망
137
397609
1335
이 네트워크의 동작은
06:50
is characterized특징 by the strengths강점
of all of those synapses시냅스.
138
398968
3284
모든 시냅스의 강도에 의해 구분됩니다.
06:54
Those characterize특징 짓다 the computational전산의
properties속성들 of this network회로망.
139
402276
3288
이것으로 네트워크 내에서
계산되는 것을 특징짓습니다.
06:57
And at the end종료 of the day,
140
405588
1470
그리고 마지막에
06:59
you have a neuron뉴런
or a small작은 group그룹 of neurons뉴런
141
407082
2447
신경 세포 하나 또는 한 무리가
07:01
that light up, saying속담, "bird."
142
409553
1647
반짝이며 "새"라고 말합니다.
07:03
Now I'm going to represent말하다
those three things --
143
411824
3132
이제 제가 이 세가지를
07:06
the input입력 pixels픽셀 and the synapses시냅스
in the neural신경 network회로망,
144
414980
4696
입력된 픽셀, 신경망의 시넵스
07:11
and bird, the output산출 --
145
419700
1585
그리고 결과물인 새를
07:13
by three variables변수: x, w and y.
146
421309
3057
세 변수 x, w, y라고 하겠습니다.
07:16
There are maybe a million백만 or so x'sx의 --
147
424853
1811
픽셀이 백만 개는 있을테니 x는
07:18
a million백만 pixels픽셀 in that image영상.
148
426688
1953
이미지의 백만 개의 픽셀입니다.
07:20
There are billions수십억 or trillions수조 of w's,
149
428665
2446
그리고 w는 수십억
혹은 수조 개가 있습니다.
07:23
which어느 represent말하다 the weights무게 of all
these synapses시냅스 in the neural신경 network회로망.
150
431135
3421
이는 신경망의 모든 시냅스의
농도를 말합니다.
07:26
And there's a very small작은 number번호 of y's,
151
434580
1875
그리고 적은 수의 y가 있습니다.
07:28
of outputs산출물 that that network회로망 has.
152
436479
1858
신경망의 결과물로써 말이죠.
07:30
"Bird" is only four letters편지, right?
153
438361
1749
"Bird"는 네 글자뿐이잖아요.
07:33
So let's pretend체하다 that this
is just a simple단순한 formula공식,
154
441088
3426
그러면 이것을 간단한
공식이라고 해봅시다.
07:36
x "x" w = y.
155
444538
2163
x "x" w = y.
07:38
I'm putting퍼팅 the times타임스 in scare공황 quotes인용 부호
156
446725
2036
저는 곱하기를 큰따옴표
안에 넣었습니다.
07:40
because what's really
going on there, of course코스,
157
448785
2280
실제로 저기서 일어나는 일은
07:43
is a very complicated복잡한 series시리즈
of mathematical매우 정확한 operations운영.
158
451089
3046
매우 복잡한 일련의
수학적인 과정이기 때문입니다.
07:47
That's one equation방정식.
159
455172
1221
이것은 한 공식입니다.
07:48
There are three variables변수.
160
456417
1672
세 개의 변수가 있습니다.
07:50
And we all know
that if you have one equation방정식,
161
458113
2726
그리고 우리가 알고 있는 것이
한 공식에서
07:52
you can solve풀다 one variable변하기 쉬운
by knowing the other two things.
162
460863
3642
두 개의 변수를 알면 남은 한 개를
알 수 있다는 것입니다.
07:57
So the problem문제 of inference추론,
163
465158
3380
그래서 추론해야 하는
08:00
that is, figuring생각하다 out
that the picture그림 of a bird is a bird,
164
468562
2873
새의 사진을 보고
새를 구분하는 공식은
08:03
is this one:
165
471459
1274
바로 이것입니다.
08:04
it's where y is the unknown알 수 없는
and w and x are known알려진.
166
472757
3459
이 경우는 y는 알려지지 않고
w와 x는 알려진 경우이죠
08:08
You know the neural신경 network회로망,
you know the pixels픽셀.
167
476240
2459
신경망과 픽셀이
무엇인지는 알고 있습니다.
08:10
As you can see, that's actually사실은
a relatively상대적으로 straightforward똑바로 problem문제.
168
478723
3327
보시다시피 사실 상대적으로
간단한 문제입니다
08:14
You multiply곱하다 two times타임스 three
and you're done끝난.
169
482074
2186
2 곱하기 3을 하면 끝나는 거죠
08:16
I'll show보여 주다 you an artificial인공의 neural신경 network회로망
170
484862
2123
여러분께 최근에 만든 인공 신경망이
08:19
that we've우리는 built세워짐 recently요새,
doing exactly정확하게 that.
171
487009
2296
정확히 이것을 하는 것을
보여드리겠습니다
08:21
This is running달리는 in real레알 time
on a mobile변하기 쉬운 phone전화,
172
489634
2860
이것은 휴대전화에서
실시간으로 돌아가는 것입니다.
08:24
and that's, of course코스,
amazing놀랄 만한 in its own개인적인 right,
173
492518
3313
그리고 물론 휴대전화에서
08:27
that mobile변하기 쉬운 phones전화 can do so many많은
billions수십억 and trillions수조 of operations운영
174
495855
3468
초당 수십억 수조 개의 동작을
한다는 것 자체만으로도
08:31
per second둘째.
175
499347
1248
놀라운 일입니다
08:32
What you're looking at is a phone전화
176
500619
1615
여러분이 보고 있는 것은
08:34
looking at one after another다른
picture그림 of a bird,
177
502258
3547
휴대전화가 다른 새 사진을 보고
08:37
and actually사실은 not only saying속담,
"Yes, it's a bird,"
178
505829
2715
“네, 이것은 새입니다.” 하고
끝나는 것이 아니라
08:40
but identifying식별 the species of bird
with a network회로망 of this sort종류.
179
508568
3411
네트워크 정보로
종까지 분류하는 모습입니다.
08:44
So in that picture그림,
180
512890
1826
사진을 보면
08:46
the x and the w are known알려진,
and the y is the unknown알 수 없는.
181
514740
3802
x와 w는 밝혀져 있고
y는 밝혀지지 않았습니다.
08:50
I'm glossing광택 over the very
difficult어려운 part부품, of course코스,
182
518566
2508
지금 몹시 어려운 부분을
얼버무리고 지나가고 있는데
08:53
which어느 is how on earth지구
do we figure그림 out the w,
183
521098
3861
그것은 우리가 어떻게 w를 밝혀냈으며
08:56
the brain that can do such이러한 a thing?
184
524983
2187
뇌가 어떻게 그런 일을 하며
08:59
How would we ever learn배우다 such이러한 a model모델?
185
527194
1834
어떻게 이런 모델을 배울까입니다.
09:01
So this process방법 of learning배우기,
of solving해결 for w,
186
529418
3233
w를 배우고 해결하는 과정을
09:04
if we were doing this
with the simple단순한 equation방정식
187
532675
2647
간단한 공식으로 만들어
09:07
in which어느 we think about these as numbers번호,
188
535346
2000
숫자를 대입해보면
09:09
we know exactly정확하게 how to do that: 6 = 2 x w,
189
537370
2687
정확히 알 수 있습니다.
6=2 x w라고 하면
09:12
well, we divide분할 by two and we're done끝난.
190
540081
3312
양변을 2로 나누면 끝납니다.
09:16
The problem문제 is with this operator운영자.
191
544001
2220
문제점은 이 연산에서
09:18
So, division분할 --
192
546823
1151
나눗셈을
09:19
we've우리는 used division분할 because
it's the inverse to multiplication곱셈,
193
547998
3121
우리가 나눗셈을 썼는데
곱셈을 역으로 계산한 것입니다.
09:23
but as I've just said,
194
551143
1440
하지만 방금 말한 대로
09:24
the multiplication곱셈 is a bit비트 of a lie거짓말 here.
195
552607
2449
실제 연산은 곱하기가 아닙니다.
09:27
This is a very, very complicated복잡한,
very non-linear비선형 operation조작;
196
555080
3326
이것은 매우 매우 복잡한
비선형 연산이고
09:30
it has no inverse.
197
558430
1704
역으로 계산할 수 없습니다.
09:32
So we have to figure그림 out a way
to solve풀다 the equation방정식
198
560158
3150
그래서 우리는 이 공식을
나누지 않고 해결할 방법을
09:35
without없이 a division분할 operator운영자.
199
563332
2024
찾아야 합니다.
09:37
And the way to do that
is fairly straightforward똑바로.
200
565380
2343
그리고 그 방법은 매우 간단합니다.
09:39
You just say, let's play놀이
a little algebra대수학 trick장난,
201
567747
2671
대수학을 조금 이용해
09:42
and move움직임 the six over
to the right-hand오른손 side측면 of the equation방정식.
202
570442
2906
6을 공식의 우변으로 옮기겠습니다.
09:45
Now, we're still using~을 사용하여 multiplication곱셈.
203
573372
1826
이러면 곱하기만 사용할 수 있습니다.
09:47
And that zero제로 -- let's think
about it as an error오류.
204
575675
3580
그리고 0은 오류라고 생각합시다.
09:51
In other words, if we've우리는 solved해결 된
for w the right way,
205
579279
2515
다시 말해, 우리가 w를 해결해서
정답이 나오면
09:53
then the error오류 will be zero제로.
206
581818
1656
오류가 0이 될 것이고
09:55
And if we haven't~하지 않았다. gotten얻은 it quite아주 right,
207
583498
1938
우리가 잘못된 값을 구했다면
09:57
the error오류 will be greater더 큰 than zero제로.
208
585460
1749
오류가 0보다 커질 것입니다.
09:59
So now we can just take guesses추측하다
to minimize최소화하다 the error오류,
209
587233
3366
이제 우리가 추측해서
오류를 최소화할 수 있습니다.
10:02
and that's the sort종류 of thing
computers컴퓨터들 are very good at.
210
590623
2687
그리고 이런 것은
컴퓨터가 아주 잘하는 일이죠.
10:05
So you've taken취한 an initial머리 글자 guess추측:
211
593334
1593
그래서 최초의 추측으로
10:06
what if w = 0?
212
594951
1156
w가 0이라면
10:08
Well, then the error오류 is 6.
213
596131
1240
오류는 6입니다.
10:09
What if w = 1? The error오류 is 4.
214
597395
1446
w가 1이면 오류는 4입니다.
10:10
And then the computer컴퓨터 can
sort종류 of play놀이 Marco마르코 Polo폴로,
215
598865
2367
컴퓨터가 계속
마르코 폴로같이 여행하면
10:13
and drive드라이브 down the error오류 close닫기 to zero제로.
216
601256
2367
오류가 0에 가까워질 것입니다.
10:15
As it does that, it's getting점점
successive연속적인 approximations근사치 to w.
217
603647
3374
그러면서 컴퓨터가 성공적으로 w 값의
근사치를 얻어가는 것입니다.
10:19
Typically일반적으로, it never quite아주 gets도착 there,
but after about a dozen다스 steps걸음,
218
607045
3656
전형적으로 정확한 값을 얻진 못하지만
수십 단계가 지나면
10:22
we're up to w = 2.999,
which어느 is close닫기 enough충분히.
219
610725
4624
w는 2.999를 얻게 되고
이는 충분히 근접한 값입니다.
10:28
And this is the learning배우기 process방법.
220
616302
1814
그리고 이것이 학습 과정입니다.
10:30
So remember생각해 내다 that what's been going on here
221
618140
2730
지금까지 이야기한 것은
10:32
is that we've우리는 been taking취득
a lot of known알려진 x'sx의 and known알려진 y's
222
620894
4378
수많은 x와 y 값을 알고 있고
10:37
and solving해결 for the w in the middle중간
through...을 통하여 an iterative반복적 인 process방법.
223
625296
3454
가운데 w 값을 추론 과정에서
알아내고 있습니다.
10:40
It's exactly정확하게 the same같은 way
that we do our own개인적인 learning배우기.
224
628774
3556
이는 우리의 뇌가 학습하는
과정과 같습니다.
10:44
We have many많은, many많은 images이미지들 as babies아기들
225
632354
2230
우리는 어릴 적 수많은 이미지를 접하고
10:46
and we get told, "This is a bird;
this is not a bird."
226
634608
2633
"이것은 새다, 이것은 새가 아니다"
라고 듣습니다.
10:49
And over time, through...을 통하여 iteration되풀이,
227
637714
2098
그리고 시간이 흘러 반복하면서
10:51
we solve풀다 for w, we solve풀다
for those neural신경 connections사이.
228
639836
2928
w를 알아내죠.
신경 연결을 해결하는 것입니다.
10:55
So now, we've우리는 held개최 된
x and w fixed결정된 to solve풀다 for y;
229
643460
4086
이제 우리는 고정된 x와 w값으로
y를 구합니다.
10:59
that's everyday매일, fast빠른 perception지각.
230
647570
1847
이것은 매일 우리가 하는 인식입니다.
11:01
We figure그림 out how we can solve풀다 for w,
231
649441
1763
w 값을 구하는 과정은
11:03
that's learning배우기, which어느 is a lot harder열심히,
232
651228
1903
학습이고 더 어렵습니다.
11:05
because we need to do error오류 minimization최소화,
233
653155
1985
왜냐면 많은 훈련 예시를 통해
11:07
using~을 사용하여 a lot of training훈련 examples예제들.
234
655164
1687
오류를 최소화 해야 하기 때문이죠.
11:08
And about a year ago...전에,
Alex알렉스 Mordvintsev모르드 빈트, on our team,
235
656875
3187
약 1년 전에 저희 팀의
알렉스 모드빈츠세프는
11:12
decided결정적인 to experiment실험
with what happens일이 if we try solving해결 for x,
236
660086
3550
우리가 x를 구하면 어떻게 되는지
실험하기로 했습니다.
11:15
given주어진 a known알려진 w and a known알려진 y.
237
663660
2037
w와 y 값을 알고 있다는
조건에서 말이죠.
11:18
In other words,
238
666124
1151
다시 말하자면
11:19
you know that it's a bird,
239
667299
1352
새라는 것을 알고
11:20
and you already이미 have your neural신경 network회로망
that you've trained훈련 된 on birds조류,
240
668675
3303
새라는 것을 인식할 수 있는
신경망이 구축된 상태에서
11:24
but what is the picture그림 of a bird?
241
672002
2344
새의 모습을 알아내는 것입니다.
11:27
It turns회전 out that by using~을 사용하여 exactly정확하게
the same같은 error-minimization오류 최소화 procedure순서,
242
675034
5024
똑같은 오류 최소화 과정을 거쳐
11:32
one can do that with the network회로망
trained훈련 된 to recognize인정하다 birds조류,
243
680082
3430
컴퓨터가 새를 인식할 수 있는
네트워크를 통해
11:35
and the result결과 turns회전 out to be ...
244
683536
3388
만들어낸 결과는
11:42
a picture그림 of birds조류.
245
690400
1305
새의 그림입니다.
11:44
So this is a picture그림 of birds조류
generated생성 된 entirely전적으로 by a neural신경 network회로망
246
692814
3737
이 그림은 전적으로
새를 인식할 수 있는
11:48
that was trained훈련 된 to recognize인정하다 birds조류,
247
696575
1826
신경 네트워크를 통해
11:50
just by solving해결 for x
rather차라리 than solving해결 for y,
248
698425
3538
y 값을 구하는 대신 x 값을
11:53
and doing that iteratively반복적으로.
249
701987
1288
추론하여 구현됬습니다.
11:55
Here's여기에 another다른 fun장난 example.
250
703732
1847
다른 재미있는 예를 보여드리면
11:57
This was a work made만든
by Mike마이크 Tyka티카 in our group그룹,
251
705603
3437
이것은 저희 그룹의
마이크 티카의 작품입니다.
12:01
which어느 he calls전화 "Animal동물 Parade축제."
252
709064
2308
이 작품의 제목은
"동물 행진"입니다.
12:03
It reminds생각 나다 me a little bit비트
of William윌리엄 Kentridge's켄트 리지 artworks삽화,
253
711396
2876
이것을 보고 윌리엄 켄트리지의
작품이 떠올랐습니다.
12:06
in which어느 he makes~을 만든다 sketches밑그림, rubs문지름 them out,
254
714296
2489
그는 스케치를 그렸다가 지우고
12:08
makes~을 만든다 sketches밑그림, rubs문지름 them out,
255
716809
1460
그렸다가 지워가며
12:10
and creates창조하다 a movie영화 this way.
256
718293
1398
이런 식으로 영상을 만들죠.
12:11
In this case케이스,
257
719715
1151
이 경우에는
12:12
what Mike마이크 is doing is varying변화하는 y
over the space공간 of different다른 animals동물,
258
720890
3277
마이크가 한 것은 변수 y를
다양한 동물들로 설정했습니다.
12:16
in a network회로망 designed디자인 된
to recognize인정하다 and distinguish드러내다
259
724191
2382
서로 다른 동물들을 구분할 수 있도록
12:18
different다른 animals동물 from each마다 other.
260
726597
1810
설계된 네트워크 안에서 말이죠.
12:20
And you get this strange이상한, Escher-like에셔 같은
morph모르 프 from one animal동물 to another다른.
261
728431
3751
그렇게 이런 희안한 에셔 풍의
동물들이 변하는 그림이 나옵니다.
12:26
Here he and Alex알렉스 together함께
have tried시도한 reducing감소시키는
262
734221
4614
여기서 마이크와 알렉스는
12:30
the y's to a space공간 of only two dimensions치수,
263
738859
2759
y 값을 줄여 2차원 평면에
표현했습니다.
12:33
thereby그것에 의하여 making만들기 a map지도
out of the space공간 of all things
264
741642
3438
그렇게 이 네트워크가 인식할 수 있는
12:37
recognized인정 된 by this network회로망.
265
745104
1719
모든 종류를 나타내는
지도를 만들었습니다.
12:38
Doing this kind종류 of synthesis합성
266
746847
2023
이런 종류의 이미지 통합
12:40
or generation세대 of imagery형상
over that entire완전한 surface표면,
267
748894
2382
혹은 생성은 표면 전반에 걸쳐
12:43
varying변화하는 y over the surface표면,
you make a kind종류 of map지도 --
268
751300
2846
y를 다르게 해서
이런 지도를 만듭니다.
12:46
a visual시각적 인 map지도 of all the things
the network회로망 knows알고있다 how to recognize인정하다.
269
754170
3141
네트워크가 인식하는
모든 것의 시각적 지도입니다.
12:49
The animals동물 are all here;
"armadillo아르마딜로" is right in that spot자리.
270
757335
2865
모든 동물이 있습니다.
저기 "아르마딜로"가 있습니다.
12:52
You can do this with other kinds종류
of networks네트워크 as well.
271
760919
2479
이것을 다른 네트워크로
할 수 있습니다.
12:55
This is a network회로망 designed디자인 된
to recognize인정하다 faces얼굴들,
272
763422
2874
이 네트워크는 얼굴을
인식하도록 설계됬습니다.
12:58
to distinguish드러내다 one face얼굴 from another다른.
273
766320
2000
서로 다른 얼굴을 구분하도록 말이죠.
13:00
And here, we're putting퍼팅
in a y that says말한다, "me,"
274
768344
3249
여기서 저희가 y에
"저"를 넣었습니다.
13:03
my own개인적인 face얼굴 parameters매개 변수들.
275
771617
1575
제 얼굴을 변수로 말이죠.
13:05
And when this thing solves해결하다 for x,
276
773216
1706
그리고 이것이 x를 구하면
13:06
it generates생성하다 this rather차라리 crazy미친,
277
774946
2618
이런 상당히 정신없고
13:09
kind종류 of cubist입체파 론자, surreal초현실적 인,
psychedelic환각적인 picture그림 of me
278
777588
4428
약간은 입체파, 초현실주의,
사이키델릭한 제 사진을 만듭니다.
13:14
from multiple배수 points전철기 of view전망 at once일단.
279
782040
1806
여러 모습을 한 번에 보여주면서요.
13:15
The reason이유 it looks외모 like
multiple배수 points전철기 of view전망 at once일단
280
783870
2734
여러 모습을 한 번에 보여주는 이유는
13:18
is because that network회로망 is designed디자인 된
to get rid구하다 of the ambiguity모호
281
786628
3687
네트워크의 설계에서 얼굴의
한 모습에서 다른 모습으로
13:22
of a face얼굴 being존재 in one pose자세
or another다른 pose자세,
282
790339
2476
넘어가는 모호한 과정이
제거되었기 때문입니다.
13:24
being존재 looked보았다 at with one kind종류 of lighting조명,
another다른 kind종류 of lighting조명.
283
792839
3376
특정 각도의 얼굴을 보는 것입니다.
13:28
So when you do
this sort종류 of reconstruction재건,
284
796239
2085
그래서 이것을 재구성할 때
13:30
if you don't use some sort종류 of guide안내서 image영상
285
798348
2304
가이드 이미지나 통계를
13:32
or guide안내서 statistics통계,
286
800676
1211
사용하지 않으면
13:33
then you'll get a sort종류 of confusion혼동
of different다른 points전철기 of view전망,
287
801911
3765
이런 혼란스러운 시점들이 나옵니다.
13:37
because it's ambiguous모호한.
288
805700
1368
모호하기 떄문이죠.
13:39
This is what happens일이 if Alex알렉스 uses용도
his own개인적인 face얼굴 as a guide안내서 image영상
289
807786
4223
이것은 알렉스가 본인 얼굴을
가이드로 이용해
13:44
during...동안 that optimization최적화 process방법
to reconstruct재건하다 my own개인적인 face얼굴.
290
812033
3321
최적화 과정을 거쳐
제 얼굴을 만든 것입니다.
13:48
So you can see it's not perfect완전한.
291
816284
2328
보시다시피 완벽하진 않습니다.
13:50
There's still quite아주 a lot of work to do
292
818636
1874
어떻게 최적화를 해야 할지
13:52
on how we optimize최적화하다
that optimization최적화 process방법.
293
820534
2453
아직도 갈 길이 멉니다.
13:55
But you start스타트 to get something
more like a coherent일관된 face얼굴,
294
823011
2827
하지만 제 얼굴을 가이드로 쓰면
13:57
rendered렌더링 된 using~을 사용하여 my own개인적인 face얼굴 as a guide안내서.
295
825862
2014
더 일관된 얼굴을 구할 수 있습니다.
14:00
You don't have to start스타트
with a blank공백 canvas캔버스
296
828892
2501
굳이 빈 캔버스로
시작하지 않아도 됩니다.
14:03
or with white화이트 noise소음.
297
831417
1156
혹은 백색 잡음으로요.
14:04
When you're solving해결 for x,
298
832597
1304
x를 구할 때
14:05
you can begin시작하다 with an x,
that is itself그 자체 already이미 some other image영상.
299
833925
3889
이미 그려진 그림 위에
x를 구해도 됩니다.
14:09
That's what this little demonstration데모 is.
300
837838
2556
이것이 바로 그 예입니다.
14:12
This is a network회로망
that is designed디자인 된 to categorize분류하다
301
840418
4122
이 네트워크는 온갖 물체를 구분하도록
14:16
all sorts종류 of different다른 objects사물 --
man-made인공의 structures구조, animals동물 ...
302
844564
3119
설계되었습니다.
인조물이나 동물 등을 말이죠.
14:19
Here we're starting출발
with just a picture그림 of clouds구름,
303
847707
2593
여기서 저희는
구름 사진을 이용했습니다.
14:22
and as we optimize최적화하다,
304
850324
1671
그리고 저희가 최적화를 하면
14:24
basically원래, this network회로망 is figuring생각하다 out
what it sees본다 in the clouds구름.
305
852019
4486
기본적으로 이 네트워크는 구름에서
무엇이 보이는지 구분합니다.
14:28
And the more time
you spend보내 looking at this,
306
856931
2320
그리고 이것을 더 자세히 보시면
14:31
the more things you also또한
will see in the clouds구름.
307
859275
2753
구름에서 더 다양한 것을
볼 수 있습니다.
14:35
You could also또한 use the face얼굴 network회로망
to hallucinate환각시키다 into this,
308
863004
3375
여기서 얼굴을 인식하는
네트워크로 환각을 만들면
14:38
and you get some pretty예쁜 crazy미친 stuff물건.
309
866403
1812
꽤나 정신없는 그림이 나옵니다.
14:40
(Laughter웃음)
310
868239
1150
(웃음)
14:42
Or, Mike마이크 has done끝난 some other experiments실험
311
870401
2744
혹은 마이크가 다른 시도를 했습니다.
14:45
in which어느 he takes that cloud구름 image영상,
312
873169
3905
바로 구름 그림을 이용해
14:49
hallucinates환각을 일으키는 사람, zooms확대하다, hallucinates환각을 일으키는 사람,
zooms확대하다 hallucinates환각을 일으키는 사람, zooms확대하다.
313
877098
3507
환각을 만들고 확대하고
환각을 만들고 확대했습니다.
14:52
And in this way,
314
880629
1151
그리고 이렇게
14:53
you can get a sort종류 of fugue둔주곡 state상태
of the network회로망, I suppose가정하다,
315
881804
3675
방황하는 것처럼 보이는 네트워크나
14:57
or a sort종류 of free비어 있는 association협회,
316
885503
3680
자유 연상의 일종으로
15:01
in which어느 the network회로망
is eating먹기 its own개인적인 tail꼬리.
317
889207
2227
네트워크가 스스로 꼬리를 물게 됩니다.
15:03
So every...마다 image영상 is now the basis기초 for,
318
891458
3421
그래서 모든 이미지의
기본은 이렇습니다.
15:06
"What do I think I see next다음 것?
319
894903
1421
"다음에는 무엇이 보이지?
15:08
What do I think I see next다음 것?
What do I think I see next다음 것?"
320
896348
2803
다음에는 무엇이 보이지?
다음에는 무엇이 보이지?"
15:11
I showed보여 주었다 this for the first time in public공공의
321
899487
2936
이것을 최초로 공개한 곳은
15:14
to a group그룹 at a lecture강의 in Seattle시애틀
called전화 한 "Higher더 높은 Education교육" --
322
902447
5437
시애틀의 "고등 교육"그룹의
강연에서였습니다.
15:19
this was right after
marijuana was legalized합법화 된.
323
907908
2437
마리화나가 합법화 된 직후에 말이죠.
15:22
(Laughter웃음)
324
910369
2415
(웃음)
15:26
So I'd like to finish up quickly빨리
325
914627
2104
그래서 정리를 짧게 하겠습니다.
15:28
by just noting주목할만한 that this technology과학 기술
is not constrained제한된.
326
916755
4255
이 기술에 제약이 없다는 것을
말하면서 말이죠.
15:33
I've shown표시된 you purely전혀 visual시각적 인 examples예제들
because they're really fun장난 to look at.
327
921034
3665
순전히 시각자료를 보여드린 이유는
흥미를 유발하기 위해서 입니다.
15:36
It's not a purely전혀 visual시각적 인 technology과학 기술.
328
924723
2451
이것은 순전히 시각 기술만은 아닙니다.
15:39
Our artist예술가 collaborator협력자, Ross로스 Goodwin굿윈,
329
927198
1993
저희와 함께 일하는
아티스트 로스 굿윈은
15:41
has done끝난 experiments실험 involving관련
a camera카메라 that takes a picture그림,
330
929215
3671
실험을 했습니다.
사진을 찍는 사진기와
15:44
and then a computer컴퓨터 in his backpack배낭
writes씁니다 a poem using~을 사용하여 neural신경 networks네트워크,
331
932910
4234
등에 매고 있는 컴퓨터로
신경 네트워크를 이용해 시를 썼습니다.
15:49
based기반 on the contents내용 of the image영상.
332
937168
1944
사진에 찍힌 내용을 보고 말이죠.
15:51
And that poetry neural신경 network회로망
has been trained훈련 된
333
939136
2947
그리고 시인 신경 네트워크는
15:54
on a large corpus신체 of 20th-century제 세기 poetry.
334
942107
2234
20세기 시의 집대성으로 훈련됬습니다.
15:56
And the poetry is, you know,
335
944365
1499
그리고 결과로 나온 시는 말이죠
15:57
I think, kind종류 of not bad나쁜, actually사실은.
336
945888
1914
사실 제 생각엔 나쁘지 않아 보입니다.
15:59
(Laughter웃음)
337
947826
1384
(웃음)
16:01
In closing폐쇄,
338
949234
1159
마지막으로
16:02
I think that per Michelangelo미켈란젤로,
339
950417
2132
저는 미켈란젤로의 생각이
16:04
I think he was right;
340
952573
1234
옳았다고 생각합니다.
16:05
perception지각 and creativity독창성
are very intimately친밀하게 connected연결된.
341
953831
3436
인식과 창의성은 매우 밀접하게
연결되어 있습니다.
16:09
What we've우리는 just seen are neural신경 networks네트워크
342
957611
2634
지금까지 보신 것은
신경 네트워크 입니다.
16:12
that are entirely전적으로 trained훈련 된 to discriminate차별하다,
343
960269
2303
전적으로 훈련이 되어 구분하거나
16:14
or to recognize인정하다 different다른
things in the world세계,
344
962596
2242
혹은 다른 것들을 인식하거나
16:16
able할 수 있는 to be run운영 in reverse, to generate일으키다.
345
964862
3161
반대로 적용하여
만들어 낼 수 있습니다.
16:20
One of the things that suggests제안 to me
346
968047
1783
이것을 보고 느낀 점 중에 하나는
16:21
is not only that
Michelangelo미켈란젤로 really did see
347
969854
2398
미켈란젤로가 정말로 본 것은
16:24
the sculpture조각 in the blocks블록들 of stone,
348
972276
2452
돌덩이 안에 있는 조각상뿐만 아니라
16:26
but that any creature생물,
any being존재, any alien외계인
349
974752
3638
어떤 생물, 생명 심지어 외계인도
16:30
that is able할 수 있는 to do
perceptual지각 acts행위 of that sort종류
350
978414
3657
인식행위를 할 수 있으면
16:34
is also또한 able할 수 있는 to create몹시 떠들어 대다
351
982095
1375
창조할 수 있다는 것 입니다.
16:35
because it's exactly정확하게 the same같은
machinery기계 that's used in both양자 모두 cases사례.
352
983494
3224
두 경우 모두 같은 조작과정을
사용하기 때문이죠.
16:38
Also또한, I think that perception지각
and creativity독창성 are by no means방법
353
986742
4532
또한 저는 인식과 창의성은
결코 인간에 국한되지 않는다고
16:43
uniquely유일하게 human인간의.
354
991298
1210
생각합니다.
16:44
We start스타트 to have computer컴퓨터 models모델
that can do exactly정확하게 these sorts종류 of things.
355
992532
3708
저희는 똑같은 일을 할 수 있는
컴퓨터 모델을 만들었고
16:48
And that ought to be unsurprising놀랄만 한;
the brain is computational전산의.
356
996264
3328
그리고 그 뇌가 컴퓨터로 만들어
졌다는 것은 놀랄 일도 아닙니다.
16:51
And finally마침내,
357
999616
1657
그리고 마지막으로
16:53
computing컴퓨팅 began시작되었다 as an exercise운동
in designing설계 intelligent지적인 machinery기계.
358
1001297
4668
컴퓨터는 지능적 기계를
설계하면서 시작되었습니다.
16:57
It was very much modeled모델링 된 after the idea생각
359
1005989
2462
이것은 이런 생각을 따라 만들어졌습니다.
17:00
of how could we make machines기계들 intelligent지적인.
360
1008475
3013
어떻게 하면 우리가 기계를
똑똑하게 만들지 말이죠.
17:03
And we finally마침내 are starting출발 to fulfill다하다 now
361
1011512
2162
그리고 이제 선구자들과 한
17:05
some of the promises약속하다
of those early이른 pioneers개척자,
362
1013698
2406
약속 중에 일부를 이뤄가고 있습니다.
17:08
of Turing튜링 and von Neumann노이만
363
1016128
1713
튜링, 폰 노이만
17:09
and McCullochMcCulloch and Pitts피츠.
364
1017865
2265
매컬로크 그리고 피트에게 말이죠.
17:12
And I think that computing컴퓨팅
is not just about accounting회계
365
1020154
4098
그리고 저는 컴퓨터는 회계나
게임 할 때만 쓰는 것이
17:16
or playing연주하다 Candy사탕 Crush과즙 or something.
366
1024276
2147
아니라고 생각합니다.
17:18
From the beginning처음,
we modeled모델링 된 them after our minds마음.
367
1026447
2578
시작부터 인간을 본따 컴퓨터를 만들었고
17:21
And they give us both양자 모두 the ability능력
to understand알다 our own개인적인 minds마음 better
368
1029049
3269
그리고 그 과정에서
인간의 마음을 더 잘 이해하고
17:24
and to extend넓히다 them.
369
1032342
1529
더 넓히게 되었습니다.
17:26
Thank you very much.
370
1034627
1167
감사합니다.
17:27
(Applause박수 갈채)
371
1035818
5939
(박수)
Translated by Seon-gyu Choi
Reviewed by Gemma EJ Lee

▲Back to top

ABOUT THE SPEAKER
Blaise Agüera y Arcas - Software architect
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces.

Why you should listen

Blaise Agüera y Arcas is principal scientist at Google, where he leads a team working on machine intelligence for mobile devices. His group works extensively with deep neural nets for machine perception and distributed learning, and it also investigates so-called "connectomics" research, assessing maps of connections within the brain.

Agüera y Arcas' background is as multidimensional as the visions he helps create. In the 1990s, he authored patents on both video compression and 3D visualization techniques, and in 2001, he made an influential computational discovery that cast doubt on Gutenberg's role as the father of movable type.

He also created Seadragon (acquired by Microsoft in 2006), the visualization technology that gives Photosynth its amazingly smooth digital rendering and zoom capabilities. Photosynth itself is a vastly powerful piece of software capable of taking a wide variety of images, analyzing them for similarities, and grafting them together into an interactive three-dimensional space. This seamless patchwork of images can be viewed via multiple angles and magnifications, allowing us to look around corners or “fly” in for a (much) closer look. Simply put, it could utterly transform the way we experience digital images.

He joined Microsoft when Seadragon was acquired by Live Labs in 2006. Shortly after the acquisition of Seadragon, Agüera y Arcas directed his team in a collaboration with Microsoft Research and the University of Washington, leading to the first public previews of Photosynth several months later. His TED Talk on Seadragon and Photosynth in 2007 is rated one of TED's "most jaw-dropping." He returned to TED in 2010 to demo Bing’s augmented reality maps.

Fun fact: According to the author, Agüera y Arcas is the inspiration for the character Elgin in the 2012 best-selling novel Where'd You Go, Bernadette?

More profile about the speaker
Blaise Agüera y Arcas | Speaker | TED.com

Data provided by TED.

This site was created in May 2015 and the last update was on January 12, 2020. It will no longer be updated.

We are currently creating a new site called "eng.lish.video" and would be grateful if you could access it.

If you have any questions or suggestions, please feel free to write comments in your language on the contact form.

Privacy Policy

Developer's Blog

Buy Me A Coffee