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:
Readability: 4.4
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."
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.
00:12
So, I lead a team at Google
that works on machine intelligence;
that works on machine intelligence;
0
800
3124
저는 구글에서 기계지능팀을
이끌고 있습니다.
이끌고 있습니다.
00:15
in other words, the engineering discipline
of making computers and devices
of making computers and devices
1
3948
4650
다르게 표현하면, 컴퓨터와 장치를
공학적으로 훈련시켜
공학적으로 훈련시켜
00:20
able to do some of the things
that brains do.
that brains do.
2
8622
2419
뇌가 하는 일을 할 수 있게 합니다.
00:23
And this makes us
interested in real brains
interested in real brains
3
11439
3099
그리고 이 일을 하면서
저희는 실제 뇌와 신경과학에
저희는 실제 뇌와 신경과학에
00:26
and neuroscience as well,
4
14562
1289
관심을 두게 되었습니다.
00:27
and especially interested
in the things that our brains do
in the things that our brains do
5
15875
4172
특히 관심 있는 부분은
우리의 뇌가 하는 일 중에
우리의 뇌가 하는 일 중에
00:32
that are still far superior
to the performance of computers.
to the performance of computers.
6
20071
4042
아직 컴퓨터보다 훨씬 뛰어난
부분에 대한 것입니다.
부분에 대한 것입니다.
00:37
Historically, one of those areas
has been perception,
has been perception,
7
25209
3609
역사적으로 이런 부분 중에 하나로
인식이 언급돼 왔습니다.
인식이 언급돼 왔습니다.
00:40
the process by which things
out there in the world --
out there in the world --
8
28842
3039
세상에 존재하는
00:43
sounds and images --
9
31905
1584
소리나 이미지를 과정을 통해
00:45
can turn into concepts in the mind.
10
33513
2178
마음속에 개념화시키는 것입니다.
00:48
This is essential for our own brains,
11
36235
2517
이것은 우리 뇌에 필수적인 기능이고
00:50
and it's also pretty useful on a computer.
12
38776
2464
컴퓨터에도 꽤 유용합니다.
00:53
The machine perception algorithms,
for example, that our team makes,
for example, that our team makes,
13
41636
3350
기계 인식 알고리즘의 예로
저희 팀에서 한 일은
저희 팀에서 한 일은
00:57
are what enable your pictures
on Google Photos to become searchable,
on Google Photos to become searchable,
14
45010
3874
구글 포토스에 올린 사진을
뭐가 찍혔냐에 따라
뭐가 찍혔냐에 따라
01:00
based on what's in them.
15
48908
1397
검색이 가능하게 한 것이죠.
01:03
The flip side of perception is creativity:
16
51594
3493
인식의 반대말은 창의성입니다.
01:07
turning a concept into something
out there into the world.
out there into the world.
17
55111
3038
개념을 세상에 존재하는 것으로
바꾸는 것입니다.
바꾸는 것입니다.
01:10
So over the past year,
our work on machine perception
our work on machine perception
18
58173
3555
지난 몇 년 동안 기계 인식에 대해
저희가 해온 일들은
저희가 해온 일들은
01:13
has also unexpectedly connected
with the world of machine creativity
with the world of machine creativity
19
61752
4859
뜻밖에도 기계의 창의력과 기계 예술을
01:18
and machine art.
20
66635
1160
연결했습니다.
01:20
I think Michelangelo
had a penetrating insight
had a penetrating insight
21
68556
3284
저는 미켈란젤로가
인식과 창의성 간의
인식과 창의성 간의
01:23
into to this dual relationship
between perception and creativity.
between perception and creativity.
22
71864
3656
이중 관계를 꿰뚫어
보았다고 생각합니다.
보았다고 생각합니다.
01:28
This is a famous quote of his:
23
76023
2006
이것은 그의 유명한 인용구입니다.
01:30
"Every block of stone
has a statue inside of it,
has a statue inside of it,
24
78053
3323
"모든 돌덩이는 그 안에
조각상을 가지고 있고
조각상을 가지고 있고
01:34
and the job of the sculptor
is to discover it."
is to discover it."
25
82036
3002
그것을 발견하는 것이
조각가의 과업이다."
조각가의 과업이다."
01:38
So I think that what
Michelangelo was getting at
Michelangelo was getting at
26
86029
3216
그래서 저는 미켈란젤로의 생각은
01:41
is that we create by perceiving,
27
89269
3180
우리는 인식하는 것으로 창조하고
01:44
and that perception itself
is an act of imagination
is an act of imagination
28
92473
3023
그 인식 자체가 상상하는 행위이며
01:47
and is the stuff of creativity.
29
95520
2461
창의성이라 여깁니다.
01:50
The organ that does all the thinking
and perceiving and imagining,
and perceiving and imagining,
30
98691
3925
생각하고 인식하고 상상하는 기관은
01:54
of course, is the brain.
31
102640
1588
물론 뇌입니다.
01:57
And I'd like to begin
with a brief bit of history
with a brief bit of history
32
105089
2545
그리고 저는 간략하게
뇌에 대한 연구의
뇌에 대한 연구의
01:59
about what we know about brains.
33
107658
2302
역사에 대해서 이야기하고 싶습니다.
02:02
Because unlike, say,
the heart or the intestines,
the heart 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,
about a brain by just looking at it,
35
112966
3144
보기만 해선 뇌에 대해
이야기할 게 없기 때문입니다.
이야기할 게 없기 때문입니다.
02:08
at least with the naked eye.
36
116134
1412
겉으로 보기에 말이죠.
02:09
The early anatomists who looked at brains
37
117983
2416
초기 해부학자들은 뇌를 보고
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
표면상의 구조에 온갖 기발한
이름을 붙였습니다.
이름을 붙였습니다.
02:16
like hippocampus, meaning "little shrimp."
39
124254
2433
해마같이 말이죠,
뜻은 "작은 새우"입니다.
뜻은 "작은 새우"입니다.
02:18
But of course that sort of thing
doesn't tell us very much
doesn't tell us very much
40
126711
2764
하지만 물론 이런 이름들이
실제로 무슨일을 하는지
실제로 무슨일을 하는지
02:21
about what's actually going on inside.
41
129499
2318
말해 주지는 않습니다.
02:24
The first person who, I think, really
developed some kind of insight
developed some kind of insight
42
132780
3613
제 생각에 최초로 뇌에서
무슨 일이 일어나는지에 대해
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 Spanish neuroanatomist,
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
44
138371
3920
스페인의 위대한 신경 해부학자인
산티아고 라몬 이 카할입니다.
산티아고 라몬 이 카할입니다.
02:34
in the 19th century,
45
142315
1544
19세기에
02:35
who used microscopy and special stains
46
143883
3755
현미경 관찰과 특수한 착색을 이용해
02:39
that could selectively fill in
or render in very high contrast
or render in very high contrast
47
147662
4170
선택적으로 각각의 뇌세포를 채우거나
02:43
the individual cells in the brain,
48
151856
2008
높은 대비를 만들어 내
02:45
in order to start to understand
their morphologies.
their morphologies.
49
153888
3154
형태학적인 이해를
할 수 있게 한 사람입니다.
할 수 있게 한 사람입니다.
02:49
And these are the kinds of drawings
that he made of neurons
that he made of neurons
50
157972
2891
이것들은 그가 신경 세포로
만든 그림들입니다.
만든 그림들입니다.
02:52
in the 19th century.
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 incredible variety
of different sorts of cells,
of different sorts of cells,
53
164028
3057
그리고 굉장히 다양한
세포를 볼 수 있습니다.
세포를 볼 수 있습니다.
02:59
even the cellular theory itself
was quite new at this point.
was quite new at this point.
54
167109
3435
심지어 세포이론도 알려진 지
얼마 안 된 때였습니다.
얼마 안 된 때였습니다.
03:02
And these structures,
55
170568
1278
그리고 이 구조는
03:03
these cells that have these arborizations,
56
171870
2259
수지상부를 가지고 있는 세포들의
03:06
these branches that can go
very, very long distances --
very, very long distances --
57
174153
2608
가지는 아주 멀리까지
뻗을 수 있는데
뻗을 수 있는데
03:08
this was very novel at the time.
58
176785
1616
당시 매우 새로웠습니다.
03:10
They're reminiscent, of course, of wires.
59
178779
2903
이 구조는 전선을 연상시킵니다.
03:13
That might have been obvious
to some people in the 19th century;
to some people in the 19th century;
60
181706
3457
전선과 전기의 혁명이 일어나던
19세기 사람들은
19세기 사람들은
03:17
the revolutions of wiring and electricity
were just getting underway.
were just getting underway.
61
185187
4314
당연히 그렇게 볼 수 있었을 것입니다.
03:21
But in many ways,
62
189964
1178
하지만 여러 가지 면에서
03:23
these microanatomical drawings
of Ramón y Cajal's, like this one,
of Ramón y Cajal's, like this one,
63
191166
3313
이런 라몬 이 카할의 조직학적 그림은
03:26
they're still in some ways unsurpassed.
64
194503
2332
오늘날에도 최고로 여겨집니다.
03:28
We're still more than a century later,
65
196859
1854
우리는 지난 한 세기 동안
03:30
trying to finish the job
that Ramón y Cajal started.
that Ramón y Cajal started.
66
198737
2825
라몬 이 카할이 시작한 일을
끝내려고 노력하고 있습니다.
끝내려고 노력하고 있습니다.
03:33
These are raw data from our collaborators
67
201586
3134
이것들은 막스플랑크 신경과학 연구소
03:36
at the Max Planck Institute
of Neuroscience.
of Neuroscience.
68
204744
2881
협력자들의 기초 데이타입니다.
03:39
And what our collaborators have done
69
207649
1790
그리고 저희 협력자들이 한 것은
03:41
is to image little pieces of brain tissue.
70
209463
5001
뇌세포의 작은 부분을
조명한 것 입니다.
조명한 것 입니다.
03:46
The entire sample here
is about one cubic millimeter in size,
is about one cubic millimeter in size,
71
214488
3326
이 샘플의 전체 크기는
대략 1 입방 밀리미터이고
대략 1 입방 밀리미터이고
03:49
and I'm showing you a very,
very small piece of it here.
very small piece of it here.
72
217838
2621
결과물의 아주 작은 부분을
보고 계신 것입니다.
보고 계신 것입니다.
03:52
That bar on the left is about one micron.
73
220483
2346
왼쪽에 있는 바는 1미크론 입니다.
03:54
The structures you see are mitochondria
74
222853
2409
보고 계신 구조는 미토콘드리아입니다.
03:57
that are the size of bacteria.
75
225286
2044
이는 박테리아만큼 작습니다.
03:59
And these are consecutive slices
76
227354
1551
이것은 아주 작은 조직으로
04:00
through this very, very
tiny block of tissue.
tiny block of tissue.
77
228929
3148
자른 연속적인 단면입니다.
04:04
Just for comparison's sake,
78
232101
2403
비교를 하자면
04:06
the diameter of an average strand
of hair is about 100 microns.
of hair is about 100 microns.
79
234528
3792
머리카락의 평균 지름은
100 미크론입니다.
100 미크론입니다.
04:10
So we're looking at something
much, much smaller
much, much smaller
80
238344
2274
저희가 보고 있는 것은
머리카락 한 가닥보다
머리카락 한 가닥보다
04:12
than a single strand of hair.
81
240642
1398
훨씬 작은 것입니다.
04:14
And from these kinds of serial
electron microscopy slices,
electron microscopy slices,
82
242064
4031
그리고 이런 전자현미경으로
나눈 일련의 조각들로
나눈 일련의 조각들로
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
신경세포를 3D로
이렇게 복원할 수 있습니다.
이렇게 복원할 수 있습니다.
04:23
So these are sort of in the same
style as Ramón y Cajal.
style as Ramón y Cajal.
84
251151
3157
이것은 라몬 이 카할의 방식과
어느 정도 같습니다.
어느 정도 같습니다.
04:26
Only a few neurons lit up,
85
254332
1492
일부 신경세포만 비추었죠.
04:27
because otherwise we wouldn't
be able to see anything here.
be able to see anything here.
86
255848
2781
그렇지 않으면 아무것도
구분할 수 없을 것입니다.
구분할 수 없을 것입니다.
04:30
It would be so crowded,
87
258653
1312
사진 가득히
04:31
so full of structure,
88
259989
1330
신경세포끼리 서로 연결된
04:33
of wiring all connecting
one neuron to another.
one neuron to another.
89
261343
2724
구조만 보일 것입니다.
04:37
So Ramón y Cajal was a little bit
ahead of his time,
ahead of his time,
90
265293
2804
라몬 이 카할은 시대를 앞서나갔고
04:40
and progress on understanding the brain
91
268121
2555
그후 수십 년 동안
뇌의 이해에 대한 연구는
뇌의 이해에 대한 연구는
04:42
proceeded slowly
over the next few decades.
over the next few decades.
92
270700
2271
서서히 발전했습니다.
04:45
But we knew that neurons used electricity,
93
273455
2853
그러나 우리는 신경세포가
전기를 이용하는 것을 알아냈고
전기를 이용하는 것을 알아냈고
04:48
and by World War II, our technology
was advanced enough
was advanced enough
94
276332
2936
제2차 세계대전 때 발전한 기술로
04:51
to start doing real electrical
experiments on live neurons
experiments on live neurons
95
279292
2806
실제로 신경세포에 전기 실험을
할 수 있게 되고
할 수 있게 되고
04:54
to better understand how they worked.
96
282122
2106
신경세포를 더 이해할 수 있었습니다.
04:56
This was the very same time
when computers were being invented,
when computers were being invented,
97
284631
4356
컴퓨터가 발명된 것도
바로 이때인데
바로 이때인데
05:01
very much based on the idea
of modeling the brain --
of modeling the brain --
98
289011
3100
뇌를 모델로 한 아이디어였죠.
05:04
of "intelligent machinery,"
as Alan Turing called it,
as Alan Turing called it,
99
292135
3085
앨런 튜링은 "지능형 기계"
라고 불렀습니다.
라고 불렀습니다.
05:07
one of the fathers of computer science.
100
295244
1991
컴퓨터 공학의 아버지 중에 한 명이죠.
05:09
Warren McCulloch and Walter Pitts
looked at Ramón y Cajal's drawing
looked at Ramón y Cajal's drawing
101
297923
4632
워렌 맥컬로흐와 월터 피츠는
어느날 라몬 이 카할의
어느날 라몬 이 카할의
05:14
of visual cortex,
102
302579
1317
시각 피질 그림을 보았습니다.
05:15
which I'm showing here.
103
303920
1562
지금 보고 계신 그림말이죠.
05:17
This is the cortex that processes
imagery that comes from the eye.
imagery that comes from the eye.
104
305506
4442
이것은 눈을 통해 들어온 이미지를
처리하는 피질입니다.
처리하는 피질입니다.
05:22
And for them, this looked
like a circuit diagram.
like a circuit diagram.
105
310424
3508
그리고 그들에겐 이 그림은
마치 회로도처럼 보였습니다.
마치 회로도처럼 보였습니다.
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
맥컬로흐와 피츠의 회로도에는
많은 세부사항이 있지만
많은 세부사항이 있지만
05:30
that are not quite right.
107
318212
1352
정확하지는 않습니다.
05:31
But this basic idea
108
319588
1235
하지만 기본 아이디어인
05:32
that visual cortex works like a series
of computational elements
of computational elements
109
320847
3992
시각 피질의 원리가
일련의 계산 요소를
일련의 계산 요소를
05:36
that pass information
one to the next in a cascade,
one to the next in a cascade,
110
324863
2746
연속적으로 하나에서 다음으로
정보를 넘긴다는 것은
정보를 넘긴다는 것은
05:39
is essentially correct.
111
327633
1602
근본적으로 맞습니다.
05:41
Let's talk for a moment
112
329259
2350
조금 더 이야기해 보겠습니다.
05:43
about what a model for processing
visual information would need to do.
visual information would need to do.
113
331633
4032
시각 정보를 처리하는 모델이
해야 하는 일에 대해서 말이죠.
해야 하는 일에 대해서 말이죠.
05:48
The basic task of perception
114
336228
2741
인식이 기본적으로 하는 일은
05:50
is to take an image like this one and say,
115
338993
4194
이런 이미지를 보고
이렇게 말하는 것 입니다.
이렇게 말하는 것 입니다.
05:55
"That's a bird,"
116
343211
1176
"이것은 새입니다"
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
우리에게는 매우 쉬운 일입니다.
05:59
But you should all understand
that for a computer,
that for a computer,
118
347309
3421
하지만 여러분 모두가
아셔야 하는 것이
아셔야 하는 것이
06:02
this was pretty much impossible
just a few years ago.
just a few years ago.
119
350754
3087
몇 년 전까지 컴퓨터로는
이런 것이 불가능했습니다.
이런 것이 불가능했습니다.
06:05
The classical computing paradigm
120
353865
1916
고전적인 컴퓨팅 패러다임은
06:07
is not one in which
this task is easy to do.
this task is easy to do.
121
355805
2507
이런 일을 쉽게 할 수
있는 것이 아닙니다.
있는 것이 아닙니다.
06:11
So what's going on between the pixels,
122
359366
2552
그래서 픽셀들 간의 관계와
06:13
between the image of the bird
and the word "bird,"
and the word "bird,"
123
361942
4028
만들어진 이미지와
"새"라는 단어의 관계는
"새"라는 단어의 관계는
06:17
is essentially a set of neurons
connected to each other
connected to each other
124
365994
2814
근본적으로 신경세포들이 서로 연결되어
06:20
in a neural network,
125
368832
1155
신경망을 구축하고 있는 것입니다.
06:22
as I'm diagramming here.
126
370011
1223
제가 그린 도표처럼요.
06:23
This neural network could be biological,
inside our visual cortices,
inside our visual cortices,
127
371258
3272
이 신경망은 시각피질 내부의
생물학적인 것이나
생물학적인 것이나
06:26
or, nowadays, we start
to have the capability
to have the capability
128
374554
2162
오늘날에는 우리의 기술로
06:28
to model such neural networks
on the computer.
on the computer.
129
376740
2454
컴퓨터를 통해 신경망을
그릴 수 있습니다.
그릴 수 있습니다.
06:31
And I'll show you what
that actually looks like.
that actually looks like.
130
379834
2353
그리고 이것이 실제 모델입니다.
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
픽셀이 신경세포의 첫 번째 층입니다.
06:37
and that's, in fact,
how it works in the eye --
how it works in the eye --
132
385651
2239
그리고 이것은 실제로
눈으로 보는 과정으로 보면
눈으로 보는 과정으로 보면
06:39
that's the neurons in the retina.
133
387914
1663
픽셀이 망막인 것입니다.
06:41
And those feed forward
134
389601
1500
그리고 이 자극을
06:43
into one layer after another layer,
after another layer of neurons,
after another layer of neurons,
135
391125
3403
신경세포의 한 층에서
다음 층으로 전달합니다.
다음 층으로 전달합니다.
06:46
all connected by synapses
of different weights.
of different weights.
136
394552
3033
이는 각각 다른 농도의
시냅스로 모두 연결되어있습니다.
시냅스로 모두 연결되어있습니다.
06:49
The behavior of this network
137
397609
1335
이 네트워크의 동작은
06:50
is characterized by the strengths
of all of those synapses.
of all of those synapses.
138
398968
3284
모든 시냅스의 강도에 의해 구분됩니다.
06:54
Those characterize the computational
properties of this network.
properties of this network.
139
402276
3288
이것으로 네트워크 내에서
계산되는 것을 특징짓습니다.
계산되는 것을 특징짓습니다.
06:57
And at the end of the day,
140
405588
1470
그리고 마지막에
06:59
you have a neuron
or a small group of neurons
or a small group of neurons
141
407082
2447
신경 세포 하나 또는 한 무리가
07:01
that light up, saying, "bird."
142
409553
1647
반짝이며 "새"라고 말합니다.
07:03
Now I'm going to represent
those three things --
those three things --
143
411824
3132
이제 제가 이 세가지를
07:06
the input pixels and the synapses
in the neural network,
in the neural network,
144
414980
4696
입력된 픽셀, 신경망의 시넵스
07:11
and bird, the output --
145
419700
1585
그리고 결과물인 새를
07:13
by three variables: x, w and y.
146
421309
3057
세 변수 x, w, y라고 하겠습니다.
07:16
There are maybe a million or so x's --
147
424853
1811
픽셀이 백만 개는 있을테니 x는
07:18
a million pixels in that image.
148
426688
1953
이미지의 백만 개의 픽셀입니다.
07:20
There are billions or trillions of w's,
149
428665
2446
그리고 w는 수십억
혹은 수조 개가 있습니다.
혹은 수조 개가 있습니다.
07:23
which represent the weights of all
these synapses in the neural network.
these synapses in the neural network.
150
431135
3421
이는 신경망의 모든 시냅스의
농도를 말합니다.
농도를 말합니다.
07:26
And there's a very small number of y's,
151
434580
1875
그리고 적은 수의 y가 있습니다.
07:28
of outputs that that network has.
152
436479
1858
신경망의 결과물로써 말이죠.
07:30
"Bird" is only four letters, right?
153
438361
1749
"Bird"는 네 글자뿐이잖아요.
07:33
So let's pretend that this
is just a simple formula,
is just a simple formula,
154
441088
3426
그러면 이것을 간단한
공식이라고 해봅시다.
공식이라고 해봅시다.
07:36
x "x" w = y.
155
444538
2163
x "x" w = y.
07:38
I'm putting the times in scare quotes
156
446725
2036
저는 곱하기를 큰따옴표
안에 넣었습니다.
안에 넣었습니다.
07:40
because what's really
going on there, of course,
going on there, of course,
157
448785
2280
실제로 저기서 일어나는 일은
07:43
is a very complicated series
of mathematical operations.
of mathematical operations.
158
451089
3046
매우 복잡한 일련의
수학적인 과정이기 때문입니다.
수학적인 과정이기 때문입니다.
07:47
That's one equation.
159
455172
1221
이것은 한 공식입니다.
07:48
There are three variables.
160
456417
1672
세 개의 변수가 있습니다.
07:50
And we all know
that if you have one equation,
that if you have one equation,
161
458113
2726
그리고 우리가 알고 있는 것이
한 공식에서
한 공식에서
07:52
you can solve one variable
by knowing the other two things.
by knowing the other two things.
162
460863
3642
두 개의 변수를 알면 남은 한 개를
알 수 있다는 것입니다.
알 수 있다는 것입니다.
07:57
So the problem of inference,
163
465158
3380
그래서 추론해야 하는
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
새의 사진을 보고
새를 구분하는 공식은
새를 구분하는 공식은
08:03
is this one:
165
471459
1274
바로 이것입니다.
08:04
it's where y is the unknown
and w and x are known.
and w and x are known.
166
472757
3459
이 경우는 y는 알려지지 않고
w와 x는 알려진 경우이죠
w와 x는 알려진 경우이죠
08:08
You know the neural network,
you know the pixels.
you know the pixels.
167
476240
2459
신경망과 픽셀이
무엇인지는 알고 있습니다.
무엇인지는 알고 있습니다.
08:10
As you can see, that's actually
a relatively straightforward problem.
a relatively straightforward problem.
168
478723
3327
보시다시피 사실 상대적으로
간단한 문제입니다
간단한 문제입니다
08:14
You multiply two times three
and you're done.
and you're done.
169
482074
2186
2 곱하기 3을 하면 끝나는 거죠
08:16
I'll show you an artificial neural network
170
484862
2123
여러분께 최근에 만든 인공 신경망이
08:19
that we've built recently,
doing exactly that.
doing exactly that.
171
487009
2296
정확히 이것을 하는 것을
보여드리겠습니다
보여드리겠습니다
08:21
This is running in real time
on a mobile phone,
on a mobile phone,
172
489634
2860
이것은 휴대전화에서
실시간으로 돌아가는 것입니다.
실시간으로 돌아가는 것입니다.
08:24
and that's, of course,
amazing in its own right,
amazing in its own right,
173
492518
3313
그리고 물론 휴대전화에서
08:27
that mobile phones can do so many
billions and trillions of operations
billions and trillions of operations
174
495855
3468
초당 수십억 수조 개의 동작을
한다는 것 자체만으로도
한다는 것 자체만으로도
08:31
per second.
175
499347
1248
놀라운 일입니다
08:32
What you're looking at is a phone
176
500619
1615
여러분이 보고 있는 것은
08:34
looking at one after another
picture of a bird,
picture of a bird,
177
502258
3547
휴대전화가 다른 새 사진을 보고
08:37
and actually not only saying,
"Yes, it's a bird,"
"Yes, it's a bird,"
178
505829
2715
“네, 이것은 새입니다.” 하고
끝나는 것이 아니라
끝나는 것이 아니라
08:40
but identifying the species of bird
with a network of this sort.
with a network of this sort.
179
508568
3411
네트워크 정보로
종까지 분류하는 모습입니다.
종까지 분류하는 모습입니다.
08:44
So in that picture,
180
512890
1826
사진을 보면
08:46
the x and the w are known,
and the y is the unknown.
and the y is the unknown.
181
514740
3802
x와 w는 밝혀져 있고
y는 밝혀지지 않았습니다.
y는 밝혀지지 않았습니다.
08:50
I'm glossing over the very
difficult part, of course,
difficult part, of course,
182
518566
2508
지금 몹시 어려운 부분을
얼버무리고 지나가고 있는데
얼버무리고 지나가고 있는데
08:53
which is how on earth
do we figure out the w,
do we figure out the w,
183
521098
3861
그것은 우리가 어떻게 w를 밝혀냈으며
08:56
the brain that can do such a thing?
184
524983
2187
뇌가 어떻게 그런 일을 하며
08:59
How would we ever learn such a model?
185
527194
1834
어떻게 이런 모델을 배울까입니다.
09:01
So this process of learning,
of solving for w,
of solving for w,
186
529418
3233
w를 배우고 해결하는 과정을
09:04
if we were doing this
with the simple equation
with the simple equation
187
532675
2647
간단한 공식으로 만들어
09:07
in which we think about these as numbers,
188
535346
2000
숫자를 대입해보면
09:09
we know exactly how to do that: 6 = 2 x w,
189
537370
2687
정확히 알 수 있습니다.
6=2 x w라고 하면
6=2 x w라고 하면
09:12
well, we divide by two and we're done.
190
540081
3312
양변을 2로 나누면 끝납니다.
09:16
The problem is with this operator.
191
544001
2220
문제점은 이 연산에서
09:18
So, division --
192
546823
1151
나눗셈을
09:19
we've used division because
it's the inverse to multiplication,
it's the inverse to multiplication,
193
547998
3121
우리가 나눗셈을 썼는데
곱셈을 역으로 계산한 것입니다.
곱셈을 역으로 계산한 것입니다.
09:23
but as I've just said,
194
551143
1440
하지만 방금 말한 대로
09:24
the multiplication is a bit of a lie here.
195
552607
2449
실제 연산은 곱하기가 아닙니다.
09:27
This is a very, very complicated,
very non-linear operation;
very non-linear operation;
196
555080
3326
이것은 매우 매우 복잡한
비선형 연산이고
비선형 연산이고
09:30
it has no inverse.
197
558430
1704
역으로 계산할 수 없습니다.
09:32
So we have to figure out a way
to solve the equation
to solve the equation
198
560158
3150
그래서 우리는 이 공식을
나누지 않고 해결할 방법을
나누지 않고 해결할 방법을
09:35
without a division operator.
199
563332
2024
찾아야 합니다.
09:37
And the way to do that
is fairly straightforward.
is fairly straightforward.
200
565380
2343
그리고 그 방법은 매우 간단합니다.
09:39
You just say, let's play
a little algebra trick,
a little algebra trick,
201
567747
2671
대수학을 조금 이용해
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
6을 공식의 우변으로 옮기겠습니다.
09:45
Now, we're still using multiplication.
203
573372
1826
이러면 곱하기만 사용할 수 있습니다.
09:47
And that zero -- let's think
about it as an error.
about it as an error.
204
575675
3580
그리고 0은 오류라고 생각합시다.
09:51
In other words, if we've solved
for w the right way,
for w the right way,
205
579279
2515
다시 말해, 우리가 w를 해결해서
정답이 나오면
정답이 나오면
09:53
then the error will be zero.
206
581818
1656
오류가 0이 될 것이고
09:55
And if we haven't gotten it quite right,
207
583498
1938
우리가 잘못된 값을 구했다면
09:57
the error will be greater than zero.
208
585460
1749
오류가 0보다 커질 것입니다.
09:59
So now we can just take guesses
to minimize the error,
to minimize the error,
209
587233
3366
이제 우리가 추측해서
오류를 최소화할 수 있습니다.
오류를 최소화할 수 있습니다.
10:02
and that's the sort of thing
computers are very good at.
computers are very good at.
210
590623
2687
그리고 이런 것은
컴퓨터가 아주 잘하는 일이죠.
컴퓨터가 아주 잘하는 일이죠.
10:05
So you've taken an initial guess:
211
593334
1593
그래서 최초의 추측으로
10:06
what if w = 0?
212
594951
1156
w가 0이라면
10:08
Well, then the error is 6.
213
596131
1240
오류는 6입니다.
10:09
What if w = 1? The error is 4.
214
597395
1446
w가 1이면 오류는 4입니다.
10:10
And then the computer can
sort of play Marco Polo,
sort of play Marco Polo,
215
598865
2367
컴퓨터가 계속
마르코 폴로같이 여행하면
마르코 폴로같이 여행하면
10:13
and drive down the error close to zero.
216
601256
2367
오류가 0에 가까워질 것입니다.
10:15
As it does that, it's getting
successive approximations to w.
successive approximations to w.
217
603647
3374
그러면서 컴퓨터가 성공적으로 w 값의
근사치를 얻어가는 것입니다.
근사치를 얻어가는 것입니다.
10:19
Typically, it never quite gets there,
but after about a dozen steps,
but after about a dozen steps,
218
607045
3656
전형적으로 정확한 값을 얻진 못하지만
수십 단계가 지나면
수십 단계가 지나면
10:22
we're up to w = 2.999,
which is close enough.
which is close enough.
219
610725
4624
w는 2.999를 얻게 되고
이는 충분히 근접한 값입니다.
이는 충분히 근접한 값입니다.
10:28
And this is the learning process.
220
616302
1814
그리고 이것이 학습 과정입니다.
10:30
So remember that what's been going on here
221
618140
2730
지금까지 이야기한 것은
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
수많은 x와 y 값을 알고 있고
10:37
and solving for the w in the middle
through an iterative process.
through an iterative process.
223
625296
3454
가운데 w 값을 추론 과정에서
알아내고 있습니다.
알아내고 있습니다.
10:40
It's exactly the same way
that we do our own learning.
that we do our own learning.
224
628774
3556
이는 우리의 뇌가 학습하는
과정과 같습니다.
과정과 같습니다.
10:44
We have many, many images as babies
225
632354
2230
우리는 어릴 적 수많은 이미지를 접하고
10:46
and we get told, "This is a bird;
this is not a bird."
this is not a bird."
226
634608
2633
"이것은 새다, 이것은 새가 아니다"
라고 듣습니다.
라고 듣습니다.
10:49
And over time, through iteration,
227
637714
2098
그리고 시간이 흘러 반복하면서
10:51
we solve for w, we solve
for those neural connections.
for those neural connections.
228
639836
2928
w를 알아내죠.
신경 연결을 해결하는 것입니다.
신경 연결을 해결하는 것입니다.
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
이제 우리는 고정된 x와 w값으로
y를 구합니다.
y를 구합니다.
10:59
that's everyday, fast perception.
230
647570
1847
이것은 매일 우리가 하는 인식입니다.
11:01
We figure out how we can solve for w,
231
649441
1763
w 값을 구하는 과정은
11:03
that's learning, which is a lot harder,
232
651228
1903
학습이고 더 어렵습니다.
11:05
because we need to do error minimization,
233
653155
1985
왜냐면 많은 훈련 예시를 통해
11:07
using a lot of training examples.
234
655164
1687
오류를 최소화 해야 하기 때문이죠.
11:08
And about a year ago,
Alex Mordvintsev, on our team,
Alex Mordvintsev, on our team,
235
656875
3187
약 1년 전에 저희 팀의
알렉스 모드빈츠세프는
알렉스 모드빈츠세프는
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
우리가 x를 구하면 어떻게 되는지
실험하기로 했습니다.
실험하기로 했습니다.
11:15
given a known w and a known y.
237
663660
2037
w와 y 값을 알고 있다는
조건에서 말이죠.
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 already have your neural network
that you've trained on birds,
that you've trained on birds,
240
668675
3303
새라는 것을 인식할 수 있는
신경망이 구축된 상태에서
신경망이 구축된 상태에서
11:24
but what is the picture of a bird?
241
672002
2344
새의 모습을 알아내는 것입니다.
11:27
It turns out that by using exactly
the same error-minimization procedure,
the same error-minimization procedure,
242
675034
5024
똑같은 오류 최소화 과정을 거쳐
11:32
one can do that with the network
trained to recognize birds,
trained to recognize birds,
243
680082
3430
컴퓨터가 새를 인식할 수 있는
네트워크를 통해
네트워크를 통해
11:35
and the result turns out to be ...
244
683536
3388
만들어낸 결과는
11:42
a picture of birds.
245
690400
1305
새의 그림입니다.
11:44
So this is a picture of birds
generated entirely by a neural network
generated entirely by a neural network
246
692814
3737
이 그림은 전적으로
새를 인식할 수 있는
새를 인식할 수 있는
11:48
that was trained to recognize birds,
247
696575
1826
신경 네트워크를 통해
11:50
just by solving for x
rather than solving for y,
rather than solving for y,
248
698425
3538
y 값을 구하는 대신 x 값을
11:53
and doing that iteratively.
249
701987
1288
추론하여 구현됬습니다.
11:55
Here's another fun example.
250
703732
1847
다른 재미있는 예를 보여드리면
11:57
This was a work made
by Mike Tyka in our group,
by Mike Tyka in our group,
251
705603
3437
이것은 저희 그룹의
마이크 티카의 작품입니다.
마이크 티카의 작품입니다.
12:01
which he calls "Animal Parade."
252
709064
2308
이 작품의 제목은
"동물 행진"입니다.
"동물 행진"입니다.
12:03
It reminds me a little bit
of William Kentridge's artworks,
of William Kentridge's artworks,
253
711396
2876
이것을 보고 윌리엄 켄트리지의
작품이 떠올랐습니다.
작품이 떠올랐습니다.
12:06
in which he makes sketches, rubs them out,
254
714296
2489
그는 스케치를 그렸다가 지우고
12:08
makes sketches, rubs them out,
255
716809
1460
그렸다가 지워가며
12:10
and creates a movie this way.
256
718293
1398
이런 식으로 영상을 만들죠.
12:11
In this case,
257
719715
1151
이 경우에는
12:12
what Mike is doing is varying y
over the space of different animals,
over the space of different animals,
258
720890
3277
마이크가 한 것은 변수 y를
다양한 동물들로 설정했습니다.
다양한 동물들로 설정했습니다.
12:16
in a network designed
to recognize and distinguish
to recognize and distinguish
259
724191
2382
서로 다른 동물들을 구분할 수 있도록
12:18
different animals from each other.
260
726597
1810
설계된 네트워크 안에서 말이죠.
12:20
And you get this strange, Escher-like
morph from one animal to another.
morph from one animal to another.
261
728431
3751
그렇게 이런 희안한 에셔 풍의
동물들이 변하는 그림이 나옵니다.
동물들이 변하는 그림이 나옵니다.
12:26
Here he and Alex together
have tried reducing
have tried reducing
262
734221
4614
여기서 마이크와 알렉스는
12:30
the y's to a space of only two dimensions,
263
738859
2759
y 값을 줄여 2차원 평면에
표현했습니다.
표현했습니다.
12:33
thereby making a map
out of the space of all things
out of the space of all things
264
741642
3438
그렇게 이 네트워크가 인식할 수 있는
12:37
recognized by this network.
265
745104
1719
모든 종류를 나타내는
지도를 만들었습니다.
지도를 만들었습니다.
12:38
Doing this kind of synthesis
266
746847
2023
이런 종류의 이미지 통합
12:40
or generation of imagery
over that entire surface,
over that entire surface,
267
748894
2382
혹은 생성은 표면 전반에 걸쳐
12:43
varying y over the surface,
you make a kind of map --
you make a kind of map --
268
751300
2846
y를 다르게 해서
이런 지도를 만듭니다.
이런 지도를 만듭니다.
12:46
a visual map of all the things
the network knows how to recognize.
the network knows how to recognize.
269
754170
3141
네트워크가 인식하는
모든 것의 시각적 지도입니다.
모든 것의 시각적 지도입니다.
12:49
The animals are all here;
"armadillo" is right in that spot.
"armadillo" is right in that spot.
270
757335
2865
모든 동물이 있습니다.
저기 "아르마딜로"가 있습니다.
저기 "아르마딜로"가 있습니다.
12:52
You can do this with other kinds
of networks as well.
of networks as well.
271
760919
2479
이것을 다른 네트워크로
할 수 있습니다.
할 수 있습니다.
12:55
This is a network designed
to recognize faces,
to recognize faces,
272
763422
2874
이 네트워크는 얼굴을
인식하도록 설계됬습니다.
인식하도록 설계됬습니다.
12:58
to distinguish one face from another.
273
766320
2000
서로 다른 얼굴을 구분하도록 말이죠.
13:00
And here, we're putting
in a y that says, "me,"
in a y that says, "me,"
274
768344
3249
여기서 저희가 y에
"저"를 넣었습니다.
"저"를 넣었습니다.
13:03
my own face parameters.
275
771617
1575
제 얼굴을 변수로 말이죠.
13:05
And when this thing solves for x,
276
773216
1706
그리고 이것이 x를 구하면
13:06
it generates this rather crazy,
277
774946
2618
이런 상당히 정신없고
13:09
kind of cubist, surreal,
psychedelic picture of me
psychedelic picture of me
278
777588
4428
약간은 입체파, 초현실주의,
사이키델릭한 제 사진을 만듭니다.
사이키델릭한 제 사진을 만듭니다.
13:14
from multiple points of view at once.
279
782040
1806
여러 모습을 한 번에 보여주면서요.
13:15
The reason it looks like
multiple points of view at once
multiple points of view at once
280
783870
2734
여러 모습을 한 번에 보여주는 이유는
13:18
is because that network is designed
to get rid of the ambiguity
to get rid of the ambiguity
281
786628
3687
네트워크의 설계에서 얼굴의
한 모습에서 다른 모습으로
한 모습에서 다른 모습으로
13:22
of a face being in one pose
or another pose,
or another pose,
282
790339
2476
넘어가는 모호한 과정이
제거되었기 때문입니다.
제거되었기 때문입니다.
13:24
being looked at with one kind of lighting,
another kind of lighting.
another kind of lighting.
283
792839
3376
특정 각도의 얼굴을 보는 것입니다.
13:28
So when you do
this sort of reconstruction,
this sort of reconstruction,
284
796239
2085
그래서 이것을 재구성할 때
13:30
if you don't use some sort of guide image
285
798348
2304
가이드 이미지나 통계를
13:32
or guide statistics,
286
800676
1211
사용하지 않으면
13:33
then you'll get a sort of confusion
of different points of view,
of different points of view,
287
801911
3765
이런 혼란스러운 시점들이 나옵니다.
13:37
because it's ambiguous.
288
805700
1368
모호하기 떄문이죠.
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
이것은 알렉스가 본인 얼굴을
가이드로 이용해
가이드로 이용해
13:44
during that optimization process
to reconstruct my own face.
to reconstruct my own face.
290
812033
3321
최적화 과정을 거쳐
제 얼굴을 만든 것입니다.
제 얼굴을 만든 것입니다.
13:48
So you can see it's not perfect.
291
816284
2328
보시다시피 완벽하진 않습니다.
13:50
There's still quite a lot of work to do
292
818636
1874
어떻게 최적화를 해야 할지
13:52
on how we optimize
that optimization process.
that optimization process.
293
820534
2453
아직도 갈 길이 멉니다.
13:55
But you start to get something
more like a coherent face,
more like a coherent face,
294
823011
2827
하지만 제 얼굴을 가이드로 쓰면
13:57
rendered using my own face as a guide.
295
825862
2014
더 일관된 얼굴을 구할 수 있습니다.
14:00
You don't have to start
with a blank canvas
with a blank canvas
296
828892
2501
굳이 빈 캔버스로
시작하지 않아도 됩니다.
시작하지 않아도 됩니다.
14:03
or with white noise.
297
831417
1156
혹은 백색 잡음으로요.
14:04
When you're solving for x,
298
832597
1304
x를 구할 때
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
이미 그려진 그림 위에
x를 구해도 됩니다.
x를 구해도 됩니다.
14:09
That's what this little demonstration is.
300
837838
2556
이것이 바로 그 예입니다.
14:12
This is a network
that is designed to categorize
that is designed to categorize
301
840418
4122
이 네트워크는 온갖 물체를 구분하도록
14:16
all sorts of different objects --
man-made structures, animals ...
man-made structures, animals ...
302
844564
3119
설계되었습니다.
인조물이나 동물 등을 말이죠.
인조물이나 동물 등을 말이죠.
14:19
Here we're starting
with just a picture of clouds,
with just a picture of clouds,
303
847707
2593
여기서 저희는
구름 사진을 이용했습니다.
구름 사진을 이용했습니다.
14:22
and as we optimize,
304
850324
1671
그리고 저희가 최적화를 하면
14:24
basically, this network is figuring out
what it sees in the clouds.
what it sees in the clouds.
305
852019
4486
기본적으로 이 네트워크는 구름에서
무엇이 보이는지 구분합니다.
무엇이 보이는지 구분합니다.
14:28
And the more time
you spend looking at this,
you spend looking at this,
306
856931
2320
그리고 이것을 더 자세히 보시면
14:31
the more things you also
will see in the clouds.
will see in the clouds.
307
859275
2753
구름에서 더 다양한 것을
볼 수 있습니다.
볼 수 있습니다.
14:35
You could also use the face network
to hallucinate into this,
to hallucinate into this,
308
863004
3375
여기서 얼굴을 인식하는
네트워크로 환각을 만들면
네트워크로 환각을 만들면
14:38
and you get some pretty crazy stuff.
309
866403
1812
꽤나 정신없는 그림이 나옵니다.
14:40
(Laughter)
310
868239
1150
(웃음)
14:42
Or, Mike has done some other experiments
311
870401
2744
혹은 마이크가 다른 시도를 했습니다.
14:45
in which he takes that cloud image,
312
873169
3905
바로 구름 그림을 이용해
14:49
hallucinates, zooms, hallucinates,
zooms hallucinates, zooms.
zooms hallucinates, zooms.
313
877098
3507
환각을 만들고 확대하고
환각을 만들고 확대했습니다.
환각을 만들고 확대했습니다.
14:52
And in this way,
314
880629
1151
그리고 이렇게
14:53
you can get a sort of fugue state
of the network, I suppose,
of the network, I suppose,
315
881804
3675
방황하는 것처럼 보이는 네트워크나
14:57
or a sort of free association,
316
885503
3680
자유 연상의 일종으로
15:01
in which the network
is eating its own tail.
is eating its own tail.
317
889207
2227
네트워크가 스스로 꼬리를 물게 됩니다.
15:03
So every image is now the basis for,
318
891458
3421
그래서 모든 이미지의
기본은 이렇습니다.
기본은 이렇습니다.
15:06
"What do I think I see next?
319
894903
1421
"다음에는 무엇이 보이지?
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
다음에는 무엇이 보이지?
다음에는 무엇이 보이지?"
다음에는 무엇이 보이지?"
15:11
I showed this for the first time in public
321
899487
2936
이것을 최초로 공개한 곳은
15:14
to a group at a lecture in Seattle
called "Higher Education" --
called "Higher Education" --
322
902447
5437
시애틀의 "고등 교육"그룹의
강연에서였습니다.
강연에서였습니다.
15:19
this was right after
marijuana was legalized.
marijuana was legalized.
323
907908
2437
마리화나가 합법화 된 직후에 말이죠.
15:22
(Laughter)
324
910369
2415
(웃음)
15:26
So I'd like to finish up quickly
325
914627
2104
그래서 정리를 짧게 하겠습니다.
15:28
by just noting that this technology
is not constrained.
is not constrained.
326
916755
4255
이 기술에 제약이 없다는 것을
말하면서 말이죠.
말하면서 말이죠.
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
순전히 시각자료를 보여드린 이유는
흥미를 유발하기 위해서 입니다.
흥미를 유발하기 위해서 입니다.
15:36
It's not a purely visual technology.
328
924723
2451
이것은 순전히 시각 기술만은 아닙니다.
15:39
Our artist collaborator, Ross Goodwin,
329
927198
1993
저희와 함께 일하는
아티스트 로스 굿윈은
아티스트 로스 굿윈은
15:41
has done experiments involving
a camera that takes a picture,
a camera that takes a picture,
330
929215
3671
실험을 했습니다.
사진을 찍는 사진기와
사진을 찍는 사진기와
15:44
and then a computer in his backpack
writes a poem using neural networks,
writes a poem using neural networks,
331
932910
4234
등에 매고 있는 컴퓨터로
신경 네트워크를 이용해 시를 썼습니다.
신경 네트워크를 이용해 시를 썼습니다.
15:49
based on the contents of the image.
332
937168
1944
사진에 찍힌 내용을 보고 말이죠.
15:51
And that poetry neural network
has been trained
has been trained
333
939136
2947
그리고 시인 신경 네트워크는
15:54
on a large corpus of 20th-century 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, kind of not bad, actually.
336
945888
1914
사실 제 생각엔 나쁘지 않아 보입니다.
15:59
(Laughter)
337
947826
1384
(웃음)
16:01
In closing,
338
949234
1159
마지막으로
16:02
I think that per Michelangelo,
339
950417
2132
저는 미켈란젤로의 생각이
16:04
I think he was right;
340
952573
1234
옳았다고 생각합니다.
16:05
perception and creativity
are very intimately connected.
are very intimately connected.
341
953831
3436
인식과 창의성은 매우 밀접하게
연결되어 있습니다.
연결되어 있습니다.
16:09
What we've just seen are neural networks
342
957611
2634
지금까지 보신 것은
신경 네트워크 입니다.
신경 네트워크 입니다.
16:12
that are entirely trained to discriminate,
343
960269
2303
전적으로 훈련이 되어 구분하거나
16:14
or to recognize different
things in the world,
things in the world,
344
962596
2242
혹은 다른 것들을 인식하거나
16:16
able to be run in reverse, to generate.
345
964862
3161
반대로 적용하여
만들어 낼 수 있습니다.
만들어 낼 수 있습니다.
16:20
One of the things that suggests to me
346
968047
1783
이것을 보고 느낀 점 중에 하나는
16:21
is not only that
Michelangelo really did see
Michelangelo really did see
347
969854
2398
미켈란젤로가 정말로 본 것은
16:24
the sculpture in the blocks of stone,
348
972276
2452
돌덩이 안에 있는 조각상뿐만 아니라
16:26
but that any creature,
any being, any alien
any being, any alien
349
974752
3638
어떤 생물, 생명 심지어 외계인도
16:30
that is able to do
perceptual acts of that sort
perceptual acts of that sort
350
978414
3657
인식행위를 할 수 있으면
16:34
is also able to create
351
982095
1375
창조할 수 있다는 것 입니다.
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
두 경우 모두 같은 조작과정을
사용하기 때문이죠.
사용하기 때문이죠.
16:38
Also, I think that perception
and creativity are by no means
and creativity are by no means
353
986742
4532
또한 저는 인식과 창의성은
결코 인간에 국한되지 않는다고
결코 인간에 국한되지 않는다고
16:43
uniquely human.
354
991298
1210
생각합니다.
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
저희는 똑같은 일을 할 수 있는
컴퓨터 모델을 만들었고
컴퓨터 모델을 만들었고
16:48
And that ought to be unsurprising;
the brain is computational.
the brain is computational.
356
996264
3328
그리고 그 뇌가 컴퓨터로 만들어
졌다는 것은 놀랄 일도 아닙니다.
졌다는 것은 놀랄 일도 아닙니다.
16:51
And finally,
357
999616
1657
그리고 마지막으로
16:53
computing began as an exercise
in designing intelligent machinery.
in designing intelligent machinery.
358
1001297
4668
컴퓨터는 지능적 기계를
설계하면서 시작되었습니다.
설계하면서 시작되었습니다.
16:57
It was very much modeled after the idea
359
1005989
2462
이것은 이런 생각을 따라 만들어졌습니다.
17:00
of how could we make machines intelligent.
360
1008475
3013
어떻게 하면 우리가 기계를
똑똑하게 만들지 말이죠.
똑똑하게 만들지 말이죠.
17:03
And we finally are starting to fulfill now
361
1011512
2162
그리고 이제 선구자들과 한
17:05
some of the promises
of those early pioneers,
of those early pioneers,
362
1013698
2406
약속 중에 일부를 이뤄가고 있습니다.
17:08
of Turing and von Neumann
363
1016128
1713
튜링, 폰 노이만
17:09
and McCulloch and Pitts.
364
1017865
2265
매컬로크 그리고 피트에게 말이죠.
17:12
And I think that computing
is not just about accounting
is not just about accounting
365
1020154
4098
그리고 저는 컴퓨터는 회계나
게임 할 때만 쓰는 것이
게임 할 때만 쓰는 것이
17:16
or playing Candy Crush or something.
366
1024276
2147
아니라고 생각합니다.
17:18
From the beginning,
we modeled them after our minds.
we modeled them after our minds.
367
1026447
2578
시작부터 인간을 본따 컴퓨터를 만들었고
17:21
And they give us both the ability
to understand our own minds better
to understand our own minds better
368
1029049
3269
그리고 그 과정에서
인간의 마음을 더 잘 이해하고
인간의 마음을 더 잘 이해하고
17:24
and to extend them.
369
1032342
1529
더 넓히게 되었습니다.
17:26
Thank you very much.
370
1034627
1167
감사합니다.
17:27
(Applause)
371
1035818
5939
(박수)
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