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

Blaise Agüera y Arcas: Como os computadores estão a aprender a ser criativos

Filmed:
1,934,067 views

Estamos a chegar a uma nova fronteira na arte e na criatividade — e não é uma coisa humana. Blaise Agüera y Arcas, principal cientista do Google, trabalha com profundas redes neurais para perceção das máquinas e aprendizagem distribuída. Nesta cativante demonstração, mostra como as redes neurais treinadas para reconhecer imagens podem funcionar ao contrário, para as gerar. Os resultados: colagens espetaculares e alucinantes (e poemas!) que desafiam a categorização. "A perceção e a criatividade estão intimamente ligadas", diz Agüera y Arcas. "Qualquer criatura, qualquer ser que seja capaz de atos de perceção, também é capaz de criar".
- 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 leadconduzir a teamequipe at GoogleGoogle
that workstrabalho on machinemáquina intelligenceinteligência;
0
800
3124
Lidero uma equipa do Google
que trabalha com inteligência artificial.
00:15
in other wordspalavras, the engineeringEngenharia disciplinedisciplina
of makingfazer computerscomputadores and devicesdispositivos
1
3948
4650
Por outras palavras, cria
computadores e dispositivos
00:20
ablecapaz to do some of the things
that brainscérebro do.
2
8622
2419
capazes de fazer coisas que o cérebro faz.
00:23
And this makesfaz com que us
interestedinteressado in realreal brainscérebro
3
11439
3099
Portanto, estamos muito interessados
em cérebros de verdade
00:26
and neuroscienceneurociência as well,
4
14562
1289
e também na neurociência,
00:27
and especiallyespecialmente interestedinteressado
in the things that our brainscérebro do
5
15875
4172
e especialmente interessados nas coisas
que o nosso cérebro faz
00:32
that are still farlonge superiorsuperior
to the performancedesempenho of computerscomputadores.
6
20071
4042
com um desempenho
muito superior ao dos computadores.
00:37
HistoricallyHistoricamente, one of those areasáreas
has been perceptionpercepção,
7
25209
3609
Historicamente, uma dessas áreas
tem sido a perceção,
00:40
the processprocesso by whichqual things
out there in the worldmundo --
8
28842
3039
o processo pelo qual as coisas
lá fora, no mundo
00:43
soundssoa and imagesimagens --
9
31905
1584
— sons e imagens —
00:45
can turnvirar into conceptsconceitos in the mindmente.
10
33513
2178
podem tornar-se conceitos
no nosso espírito.
00:48
This is essentialessencial for our ownpróprio brainscérebro,
11
36235
2517
Isto é essencial para
o nosso próprio cérebro
00:50
and it's alsoAlém disso prettybonita usefulútil on a computercomputador.
12
38776
2464
e também é muito útil num computador.
00:53
The machinemáquina perceptionpercepção algorithmsalgoritmos,
for exampleexemplo, that our teamequipe makesfaz com que,
13
41636
3350
Os algoritmos de perceção das máquinas,
como os que a nossa equipa faz,
00:57
are what enablehabilitar your picturesAs fotos
on GoogleGoogle PhotosFotos to becometornar-se searchablepesquisável,
14
45010
3874
são os que possibilitam encontrar
as nossas imagens no Google Photos
01:00
basedSediada on what's in them.
15
48908
1397
com base no que contêm.
01:03
The flipgiro sidelado of perceptionpercepção is creativitycriatividade:
16
51594
3493
O outro lado da perceção é a criatividade
01:07
turninggiro a conceptconceito into something
out there into the worldmundo.
17
55111
3038
que traduz um conceito
numa coisa que existe no mundo.
01:10
So over the pastpassado yearano,
our work on machinemáquina perceptionpercepção
18
58173
3555
Ao longo do ano passado, o nosso trabalho
sobre a perceção das máquinas
01:13
has alsoAlém disso unexpectedlyinesperadamente connectedconectado
with the worldmundo of machinemáquina creativitycriatividade
19
61752
4859
também se ligou inesperadamente
ao mundo da criatividade das máquinas
01:18
and machinemáquina artarte.
20
66635
1160
e da arte das máquinas.
01:20
I think MichelangeloMichelangelo
had a penetratingpenetrante insightdiscernimento
21
68556
3284
Eu acho que Miguel Ângelo
teve uma visão perspicaz
01:23
into to this dualdual relationshiprelação
betweenentre perceptionpercepção and creativitycriatividade.
22
71864
3656
quanto a esta dupla relação
entre perceção e criatividade.
01:28
This is a famousfamoso quotecitar of his:
23
76023
2006
Esta é uma sua famosa citação:
01:30
"EveryCada blockquadra of stonepedra
has a statueestátua insidedentro of it,
24
78053
3323
"Cada bloco de pedra
tem uma estátua lá dentro.
01:34
and the jobtrabalho of the sculptorescultor
is to discoverdescobrir it."
25
82036
3002
"O papel do escultor é descobri-la."
01:38
So I think that what
MichelangeloMichelangelo was gettingobtendo at
26
86029
3216
Eu acho que Miguel Ângelo
queria exprimir
01:41
is that we createcrio by perceivingpercebendo,
27
89269
3180
que nós criamos através da perceção
01:44
and that perceptionpercepção itselfem si
is an actAja of imaginationimaginação
28
92473
3023
e que essa perceção em si
é um ato de imaginação
01:47
and is the stuffcoisa of creativitycriatividade.
29
95520
2461
e é a matéria-prima da criatividade.
01:50
The organórgão that does all the thinkingpensando
and perceivingpercebendo and imaginingimaginando,
30
98691
3925
O órgão que processa todo o pensamento,
a perceção e a imaginação,
01:54
of coursecurso, is the braincérebro.
31
102640
1588
claro, é o cérebro.
01:57
And I'd like to begininício
with a briefbreve bitpouco of historyhistória
32
105089
2545
Gostaria de começar
com um pequeno resumo da história
01:59
about what we know about brainscérebro.
33
107658
2302
sobre o que sabemos sobre o cérebro.
02:02
Because unlikeao contrário, say,
the heartcoração or the intestinesintestinos,
34
110496
2446
Porque, ao contrário
do coração ou dos intestinos,
02:04
you really can't say very much
about a braincérebro by just looking at it,
35
112966
3144
não podemos dizer muito sobre o cérebro,
apenas olhando para ele
02:08
at leastpelo menos with the nakednu eyeolho.
36
116134
1412
pelo menos, a olho nu.
02:09
The earlycedo anatomistsanatomistas who lookedolhou at brainscérebro
37
117983
2416
Os primeiros anatomistas
que olharam para o cérebro
02:12
gavedeu the superficialsuperficial structuresestruturas
of this thing all kindstipos of fancifulfantasiosa namesnomes,
38
120423
3807
deram à sua estrutura superficial
todo o tipo de nomes fantasiosos
02:16
like hippocampushipocampo, meaningsignificado "little shrimpcamarão."
39
124254
2433
como hipocampo,
que significa "cavalo-marinho."
02:18
But of coursecurso that sortordenar of thing
doesn't tell us very much
40
126711
2764
Mas com certeza, esse tipo de coisas
não nos diz muito
02:21
about what's actuallyna realidade going on insidedentro.
41
129499
2318
sobre o que de facto acontece dentro dele.
02:24
The first personpessoa who, I think, really
developeddesenvolvido some kindtipo of insightdiscernimento
42
132780
3613
Acho que a primeira pessoa
que lançou alguma luz
02:28
into what was going on in the braincérebro
43
136417
1930
sobre o que ocorria dentro do cérebro
02:30
was the great SpanishEspanhol neuroanatomistmédico neurologista da França,
SantiagoSantiago RamMemória RAMón y CajalCajal,
44
138371
3920
foi o grande neuroanatomista espanhol
Santiago Ramón y Cajal,
02:34
in the 19thº centuryséculo,
45
142315
1544
no século XIX,
02:35
who used microscopymicroscopia and specialespecial stainsmanchas
46
143883
3755
que usou a microscopia
e corantes especiais
02:39
that could selectivelyseletivamente fillencher in
or renderrenderizar in very highAlto contrastcontraste
47
147662
4170
que podiam colorir seletivamente
ou criar um alto contraste
02:43
the individualIndividual cellscélulas in the braincérebro,
48
151856
2008
as células individuais dentro do cérebro,
02:45
in orderordem to startcomeçar to understandCompreendo
theirdeles morphologiesmorfologias.
49
153888
3154
para começar a entender a sua morfologia.
02:49
And these are the kindstipos of drawingsdesenhos
that he madefeito of neuronsneurônios
50
157972
2891
Estes são os tipos
de desenhos de neurónios,
que ele fez no século XIX.
02:52
in the 19thº centuryséculo.
51
160887
1209
02:54
This is from a birdpássaro braincérebro.
52
162120
1884
Este é de um cérebro de pássaro.
02:56
And you see this incredibleincrível varietyvariedade
of differentdiferente sortstipos of cellscélulas,
53
164028
3057
Vemos esta incrível variedade
de diferentes tipos de células.
02:59
even the cellularcelular theoryteoria itselfem si
was quitebastante newNovo at this pointponto.
54
167109
3435
Até a própria teoria celular
era praticamente nova nesta altura.
03:02
And these structuresestruturas,
55
170568
1278
Estas estruturas,
03:03
these cellscélulas that have these arborizationsarborizations,
56
171870
2259
estas células que têm estas ramificações,
03:06
these branchesRamos that can go
very, very long distancesdistâncias --
57
174153
2608
estes ramos que podem percorrer
grandes distâncias,
03:08
this was very novelromance at the time.
58
176785
1616
eram uma novidade na época.
03:10
They're reminiscentuma reminiscência, of coursecurso, of wiresfios.
59
178779
2903
Claro que nos fazem lembrar cabos.
03:13
That mightpoderia have been obviousóbvio
to some people in the 19thº centuryséculo;
60
181706
3457
No século XIX, isso talvez fosse óbvio
para algumas pessoas,
03:17
the revolutionsrevoluções of wiringfiação and electricityeletricidade
were just gettingobtendo underwayem andamento.
61
185187
4314
a revolução da cablagem elétrica
estava apenas a começar.
03:21
But in manymuitos waysmaneiras,
62
189964
1178
Mas, de várias maneiras,
03:23
these microanatomicalmicroanatomical drawingsdesenhos
of RamMemória RAMón y Cajal'sDe Cajal, like this one,
63
191166
3313
esses desenhos microanatómicos
de Ramón y Cajal, como este,
03:26
they're still in some waysmaneiras unsurpassedinsuperável.
64
194503
2332
ainda são, de certa forma, insuperáveis.
03:28
We're still more than a centuryséculo latermais tarde,
65
196859
1854
Mais de cem anos depois,
continuamos a tentar terminar
o trabalho que Ramón y Cajal iniciou.
03:30
tryingtentando to finishterminar the jobtrabalho
that RamMemória RAMón y CajalCajal startedcomeçado.
66
198737
2825
03:33
These are rawcru datadados from our collaboratorscolaboradores
67
201586
3134
Estes são dados brutos
dos nossos colaboradores
03:36
at the MaxMax PlanckPlanck InstituteInstituto
of NeuroscienceNeurociência.
68
204744
2881
do Instituto de Neurociência Max Planck.
03:39
And what our collaboratorscolaboradores have donefeito
69
207649
1790
Os nossos colaboradores têm fotografado
03:41
is to imageimagem little piecespeças of braincérebro tissuelenço de papel.
70
209463
5001
pequenos pedaços de tecido cerebral.
03:46
The entireinteira sampleamostra here
is about one cubiccúbico millimetermilímetro in sizeTamanho,
71
214488
3326
A amostra total aqui tem cerca
de um milímetro cúbico de tamanho
03:49
and I'm showingmostrando you a very,
very smallpequeno piecepeça of it here.
72
217838
2621
e estou a mostrar aqui
apenas um pequeno pedaço.
Aquela barra à esquerda tem
mais ou menos um mícron.
03:52
That barBarra on the left is about one micronmícron.
73
220483
2346
03:54
The structuresestruturas you see are mitochondriamitocôndria
74
222853
2409
As estruturas que vemos são mitocôndrias
03:57
that are the sizeTamanho of bacteriabactérias.
75
225286
2044
que têm o tamanho de uma bactéria.
03:59
And these are consecutiveconsecutivos slicesfatias
76
227354
1551
E estas são cortes consecutivos
04:00
throughatravés this very, very
tinyminúsculo blockquadra of tissuelenço de papel.
77
228929
3148
desse bloco de tecido
muito pequeno.
04:04
Just for comparison'scomparação sakesake,
78
232101
2403
Só para efeitos de comparação,
04:06
the diameterdiâmetro of an averagemédia strandStrand
of haircabelo is about 100 micronsmícrons.
79
234528
3792
o diâmetro médio de um cabelo
é de cerca de 100 mícrons.
Portanto, estamos a olhar para uma coisa
muito menor do que um simples cabelo.
04:10
So we're looking at something
much, much smallermenor
80
238344
2274
04:12
than a singlesolteiro strandStrand of haircabelo.
81
240642
1398
04:14
And from these kindstipos of serialserial
electronelétron microscopymicroscopia slicesfatias,
82
242064
4031
A partir deste tipo de cortes em série
vistos ao microscópio eletrónico,
04:18
one can startcomeçar to make reconstructionsreconstruções
in 3D of neuronsneurônios that look like these.
83
246119
5008
podemos fazer reconstruções em 3D
de neurónios, como estes.
04:23
So these are sortordenar of in the samemesmo
styleestilo as RamMemória RAMón y CajalCajal.
84
251151
3157
Estes são do mesmo estilo
dos de Ramón y Cajal.
04:26
Only a fewpoucos neuronsneurônios litaceso up,
85
254332
1492
Só se iluminam alguns neurónios,
senão, não conseguiríamos ver nada.
04:27
because otherwisede outra forma we wouldn'tnão seria
be ablecapaz to see anything here.
86
255848
2781
04:30
It would be so crowdedlotado,
87
258653
1312
Ficaria muito sobrecarregado,
04:31
so fullcheio of structureestrutura,
88
259989
1330
cheio de estruturas de cabos,
04:33
of wiringfiação all connectingconectando
one neuronneurônio to anotheroutro.
89
261343
2724
ligando os neurónios uns aos outros.
04:37
So RamMemória RAMón y CajalCajal was a little bitpouco
aheadadiante of his time,
90
265293
2804
Ramón y Cajal estava avançado
para a sua época
04:40
and progressprogresso on understandingcompreensão the braincérebro
91
268121
2555
e o progresso na compreensão do cérebro
04:42
proceededprocedeu slowlylentamente
over the nextPróximo fewpoucos decadesdécadas.
92
270700
2271
prosseguiu devagar
durante as décadas seguintes.
04:45
But we knewsabia that neuronsneurônios used electricityeletricidade,
93
273455
2853
Mas nós sabíamos que os neurónios
usavam a eletricidade.
04:48
and by WorldMundo WarGuerra IIII, our technologytecnologia
was advancedavançado enoughsuficiente
94
276332
2936
Com a II Guerra Mundial,
a nossa tecnologia avançou bastante
04:51
to startcomeçar doing realreal electricalelétrico
experimentsexperiências on liveviver neuronsneurônios
95
279292
2806
para iniciar experiências elétricas
em neurónios vivos,
04:54
to better understandCompreendo how they workedtrabalhou.
96
282122
2106
para melhor entender
como eles funcionavam.
04:56
This was the very samemesmo time
when computerscomputadores were beingser inventedinventado,
97
284631
4356
Foi na mesma época em que
foram inventados os computadores,
05:01
very much basedSediada on the ideaidéia
of modelingmodelagem the braincérebro --
98
289011
3100
com base sobretudo na ideia
de imitar o cérebro
05:04
of "intelligentinteligente machinerymáquinas,"
as AlanAlan TuringTuring calledchamado it,
99
292135
3085
— uma "máquina inteligente",
como lhe chamou Alan Turing,
05:07
one of the fatherspais of computercomputador scienceCiência.
100
295244
1991
um dos pais da informática.
05:09
WarrenWarren McCullochMcCulloch and WalterWalter PittsPitts
lookedolhou at RamMemória RAMón y Cajal'sDe Cajal drawingdesenhando
101
297923
4632
Warren McCulloch e Walter Pitts
olharam para o desenho de Ramón y Cajal
05:14
of visualvisual cortexcórtex,
102
302579
1317
do córtex visual,
05:15
whichqual I'm showingmostrando here.
103
303920
1562
que estou a mostrar aqui.
05:17
This is the cortexcórtex that processesprocessos
imageryimagens that comesvem from the eyeolho.
104
305506
4442
Este é o córtex que processa as imagens
que provêm dos olhos.
05:22
And for them, this lookedolhou
like a circuito circuito diagramdiagrama.
105
310424
3508
Para eles, isto parecia
o diagrama de um circuito.
05:26
So there are a lot of detailsdetalhes
in McCullochMcCulloch and Pitts'sDe Pitts circuito circuito diagramdiagrama
106
314353
3835
Há muitos detalhes no diagrama
no circuito de McCulloch e de Pitt
que não estão lá muito corretos.
05:30
that are not quitebastante right.
107
318212
1352
05:31
But this basicbásico ideaidéia
108
319588
1235
Mas a ideia básica
05:32
that visualvisual cortexcórtex workstrabalho like a seriesSeries
of computationalcomputacional elementselementos
109
320847
3992
de que o córtex visual funciona como
uma série de elementos eletrónicos
05:36
that passpassar informationem formação
one to the nextPróximo in a cascadecascata,
110
324863
2746
que passam informações
de um para outro, em cascata,
05:39
is essentiallyessencialmente correctum lugar para outro.
111
327633
1602
está essencialmente correta.
05:41
Let's talk for a momentmomento
112
329259
2350
Vamos falar por momentos
05:43
about what a modelmodelo for processingem processamento
visualvisual informationem formação would need to do.
113
331633
4032
do que um modelo de processamento
de informações visuais precisaria de fazer.
05:48
The basicbásico tasktarefa of perceptionpercepção
114
336228
2741
A tarefa básica da perceção
05:50
is to take an imageimagem like this one and say,
115
338993
4194
é pegar numa imagem como esta e dizer:
"Isto é uma ave",
05:55
"That's a birdpássaro,"
116
343211
1176
05:56
whichqual is a very simplesimples thing
for us to do with our brainscérebro.
117
344411
2874
o que é uma coisa muito simples
que fazermos com o cérebro.
05:59
But you should all understandCompreendo
that for a computercomputador,
118
347309
3421
Mas devem compreender que,
para um computador,
06:02
this was prettybonita much impossibleimpossível
just a fewpoucos yearsanos agoatrás.
119
350754
3087
isso era praticamente impossível,
até há poucos anos.
06:05
The classicalclássica computingInformática paradigmparadigma
120
353865
1916
O paradigma clássico da informática
06:07
is not one in whichqual
this tasktarefa is easyfácil to do.
121
355805
2507
não permite realizar
facilmente essa tarefa.
06:11
So what's going on betweenentre the pixelspixéis,
122
359366
2552
Então, o que acontece entre os píxeis,
06:13
betweenentre the imageimagem of the birdpássaro
and the wordpalavra "birdpássaro,"
123
361942
4028
entre a imagem de um pássaro
e a palavra "ave",
06:17
is essentiallyessencialmente a setconjunto of neuronsneurônios
connectedconectado to eachcada other
124
365994
2814
é uma série de neurónios
ligados uns aos outros
06:20
in a neuralneural networkrede,
125
368832
1155
numa rede neural
como este diagrama aqui.
06:22
as I'm diagrammingdiagramação here.
126
370011
1223
06:23
This neuralneural networkrede could be biologicalbiológico,
insidedentro our visualvisual corticescórtices,
127
371258
3272
Esta rede neural pode ser biológica,
como no córtex visual,
06:26
or, nowadayshoje em dia, we startcomeçar
to have the capabilitycapacidade
128
374554
2162
ou, atualmente, começamos
a ter a capacidade de modelar
06:28
to modelmodelo suchtal neuralneural networksredes
on the computercomputador.
129
376740
2454
estas redes neurais no computador.
06:31
And I'll showexposição you what
that actuallyna realidade looksparece like.
130
379834
2353
Vou mostrar o aspeto que isso tem.
06:34
So the pixelspixéis you can think
about as a first layercamada of neuronsneurônios,
131
382211
3416
Podemos considerar os píxeis
como uma primeira camada de neurónio
06:37
and that's, in factfacto,
how it workstrabalho in the eyeolho --
132
385651
2239
— e, de facto, é assim
que funciona o olho —
06:39
that's the neuronsneurônios in the retinaretina.
133
387914
1663
são os neurónios na retina.
06:41
And those feedalimentação forwardprogressivo
134
389601
1500
e eles transmitem as informações
06:43
into one layercamada after anotheroutro layercamada,
after anotheroutro layercamada of neuronsneurônios,
135
391125
3403
camada após camada,
após camada de neurónios,
06:46
all connectedconectado by synapsessinapses
of differentdiferente weightspesos.
136
394552
3033
todos ligados através de sinapses
de diferentes pesos.
06:49
The behaviorcomportamento of this networkrede
137
397609
1335
O comportamento desta rede
06:50
is characterizedcaracterizado by the strengthspontos fortes
of all of those synapsessinapses.
138
398968
3284
é caracterizado pelas forças
de todas estas sinapses.
06:54
Those characterizecaracterizar the computationalcomputacional
propertiespropriedades of this networkrede.
139
402276
3288
Elas caracterizam as propriedades
informáticas dessa rede.
06:57
And at the endfim of the day,
140
405588
1470
E por fim,
06:59
you have a neuronneurônio
or a smallpequeno groupgrupo of neuronsneurônios
141
407082
2447
temos um neurónio
ou um pequeno grupo de neurónios
07:01
that lightluz up, sayingdizendo, "birdpássaro."
142
409553
1647
que se iluminam, dizendo: "ave".
07:03
Now I'm going to representrepresentar
those threetrês things --
143
411824
3132
Agora vou representar essas três coisas
07:06
the inputentrada pixelspixéis and the synapsessinapses
in the neuralneural networkrede,
144
414980
4696
— os píxeis de entrada
e as sinapses na rede neural,
07:11
and birdpássaro, the outputsaída --
145
419700
1585
e a ave, o resultado —
07:13
by threetrês variablesvariáveis: x, w and y.
146
421309
3057
por três variáveis: x, w e y.
07:16
There are maybe a millionmilhão or so x'sx --
147
424853
1811
Há talvez um milhão de x,
07:18
a millionmilhão pixelspixéis in that imageimagem.
148
426688
1953
um milhão de píxeis nesta imagem.
07:20
There are billionsbilhões or trillionstrilhões of w'sw,
149
428665
2446
Há milhares de milhões ou biliões de w,
07:23
whichqual representrepresentar the weightspesos of all
these synapsessinapses in the neuralneural networkrede.
150
431135
3421
que representam os pesos de todas
essas sinapses na rede neural.
07:26
And there's a very smallpequeno numbernúmero of y'sy,
151
434580
1875
E há um pequeno número de y,
07:28
of outputssaídas that that networkrede has.
152
436479
1858
de resultados que essa rede neural tem.
07:30
"BirdPássaro" is only fourquatro letterscartas, right?
153
438361
1749
"Ave" tem apenas três letras, não é?
07:33
So let's pretendfaz de conta that this
is just a simplesimples formulaFórmula,
154
441088
3426
Então vamos supor que isso
é uma fórmula simples,
07:36
x "x" w = y.
155
444538
2163
x "vezes" w = y.
07:38
I'm puttingcolocando the timesvezes in scaresusto quotescitações
156
446725
2036
Coloco o sinal de multiplicação entre aspas
07:40
because what's really
going on there, of coursecurso,
157
448785
2280
porque o que realmente está
ali a acontecer,
07:43
is a very complicatedcomplicado seriesSeries
of mathematicalmatemático operationsoperações.
158
451089
3046
é uma série muito complicada
de operações matemáticas
07:47
That's one equationequação.
159
455172
1221
Isto é uma equação.
07:48
There are threetrês variablesvariáveis.
160
456417
1672
Há três variáveis.
07:50
And we all know
that if you have one equationequação,
161
458113
2726
Todos nós sabemos que,
se temos uma equação,
07:52
you can solveresolver one variablevariável
by knowingsabendo the other two things.
162
460863
3642
podemos encontrar uma variável
se conhecermos as outras duas.
07:57
So the problemproblema of inferenceinferência,
163
465158
3380
Assim, o problema da inferência,
08:00
that is, figuringfigurando out
that the picturecenário of a birdpássaro is a birdpássaro,
164
468562
2873
ou seja, descobrir que a figura
de uma ave é uma ave,
08:03
is this one:
165
471459
1274
é o seguinte:
08:04
it's where y is the unknowndesconhecido
and w and x are knownconhecido.
166
472757
3459
É onde y é a incógnita
e w e x são conhecidos.
08:08
You know the neuralneural networkrede,
you know the pixelspixéis.
167
476240
2459
Conhecemos a rede neural,
conhecemos os píxeis.
08:10
As you can see, that's actuallyna realidade
a relativelyrelativamente straightforwarddireto problemproblema.
168
478723
3327
Como podemos ver, isto é de facto
um problema relativamente simples.
08:14
You multiplymultiplicar two timesvezes threetrês
and you're donefeito.
169
482074
2186
Multiplicamos duas vezes três
e está feito.
08:16
I'll showexposição you an artificialartificial neuralneural networkrede
170
484862
2123
Vou mostrar uma rede neural artificial
08:19
that we'venós temos builtconstruído recentlyrecentemente,
doing exactlyexatamente that.
171
487009
2296
que construímos há pouco tempo,
fazendo exatamente isso.
08:21
This is runningcorrida in realreal time
on a mobileMóvel phonetelefone,
172
489634
2860
Isto está a correr em tempo real
num telemóvel
08:24
and that's, of coursecurso,
amazingsurpreendente in its ownpróprio right,
173
492518
3313
e, claro, é incrível, só por si,
08:27
that mobileMóvel phonestelefones can do so manymuitos
billionsbilhões and trillionstrilhões of operationsoperações
174
495855
3468
que os telemóveis possam fazer
milhares de milhões ou
ou biliões de operações por segundo.
08:31
perpor secondsegundo.
175
499347
1248
08:32
What you're looking at is a phonetelefone
176
500619
1615
O que estamos a ver é um telemóvel
08:34
looking at one after anotheroutro
picturecenário of a birdpássaro,
177
502258
3547
a olhar para figuras de aves,
umas atrás das outras,
08:37
and actuallyna realidade not only sayingdizendo,
"Yes, it's a birdpássaro,"
178
505829
2715
a dizer: "Sim, isto é uma ave",
08:40
but identifyingidentificando the speciesespécies of birdpássaro
with a networkrede of this sortordenar.
179
508568
3411
e também a identificar as espécies de aves
com uma rede deste tipo.
08:44
So in that picturecenário,
180
512890
1826
Assim, nesta imagem,
08:46
the x and the w are knownconhecido,
and the y is the unknowndesconhecido.
181
514740
3802
o x e o w são conhecidos,
e o y é a incógnita.
08:50
I'm glossinglustro over the very
difficultdifícil partparte, of coursecurso,
182
518566
2508
Claro, estou a encobrir
a parte mais difícil,
08:53
whichqual is how on earthterra
do we figurefigura out the w,
183
521098
3861
que é como podemos
descobrir o valor de w,
08:56
the braincérebro that can do suchtal a thing?
184
524983
2187
como é que o cérebro
pode fazer tal coisa?
08:59
How would we ever learnaprender suchtal a modelmodelo?
185
527194
1834
Como poderemos
aprender esse modelo?
09:01
So this processprocesso of learningAprendendo,
of solvingresolvendo for w,
186
529418
3233
Este processo de aprendizagem,
de encontrar o w,
09:04
if we were doing this
with the simplesimples equationequação
187
532675
2647
se estivéssemos a fazer isso
com uma simples equação
09:07
in whichqual we think about these as numbersnúmeros,
188
535346
2000
em que utilizamos números,
09:09
we know exactlyexatamente how to do that: 6 = 2 x w,
189
537370
2687
sabemos exatamente como fazer isso:
6 = 2 x w.
09:12
well, we dividedividir by two and we're donefeito.
190
540081
3312
Dividimos por dois e está feito.
09:16
The problemproblema is with this operatoroperador.
191
544001
2220
O problema é com este operador.
09:18
So, divisiondivisão --
192
546823
1151
a divisão.
09:19
we'venós temos used divisiondivisão because
it's the inverseinverso to multiplicationmultiplicação,
193
547998
3121
Usamos a divisão porque
é o inverso da multiplicação
09:23
but as I've just said,
194
551143
1440
mas, como acabei de dizer,
09:24
the multiplicationmultiplicação is a bitpouco of a liementira here.
195
552607
2449
a multiplicação aqui
é uma pequena mentira.
09:27
This is a very, very complicatedcomplicado,
very non-linearNão-linear operationOperação;
196
555080
3326
Esta é uma operação muito complicada,
não é linear,
09:30
it has no inverseinverso.
197
558430
1704
não tem forma inversa.
09:32
So we have to figurefigura out a way
to solveresolver the equationequação
198
560158
3150
Então temos de descobrir
uma forma de resolver a equação
09:35
withoutsem a divisiondivisão operatoroperador.
199
563332
2024
sem um operador de divisão.
09:37
And the way to do that
is fairlybastante straightforwarddireto.
200
565380
2343
A forma de fazer isso é bem simples.
09:39
You just say, let's playToque
a little algebraálgebra tricktruque,
201
567747
2671
Basta dizer: "Vamos brincar
com os truques da álgebra"
09:42
and movemover the sixseis over
to the right-handmão direita sidelado of the equationequação.
202
570442
2906
e movemos o seis
para o lado direito da equação.
09:45
Now, we're still usingusando multiplicationmultiplicação.
203
573372
1826
Continuamos a usar a multiplicação.
09:47
And that zerozero -- let's think
about it as an errorerro.
204
575675
3580
E vamos pensar naquele zero
como um erro.
09:51
In other wordspalavras, if we'venós temos solvedresolvido
for w the right way,
205
579279
2515
Por outras palavras,
se resolvermos da forma correta,
09:53
then the errorerro will be zerozero.
206
581818
1656
o erro será zero.
09:55
And if we haven'tnão tem gottenobtido it quitebastante right,
207
583498
1938
E se não resolvemos corretamente,
o erro será maior do que zero.
09:57
the errorerro will be greatermaior than zerozero.
208
585460
1749
09:59
So now we can just take guessespalpites
to minimizeminimizar the errorerro,
209
587233
3366
Então podemos apenas dar palpites
para minimizar o erro.
Esse é o tipo de coisas em que
os computadores são muito bons.
10:02
and that's the sortordenar of thing
computerscomputadores are very good at.
210
590623
2687
10:05
So you've takenocupado an initialinicial guessacho:
211
593334
1593
Assim, temos um palpite inicial:
10:06
what if w = 0?
212
594951
1156
E se w = 0?
Então o erro é seis.
10:08
Well, then the errorerro is 6.
213
596131
1240
E se w = 1?
Então o erro é 4.
10:09
What if w = 1? The errorerro is 4.
214
597395
1446
10:10
And then the computercomputador can
sortordenar of playToque MarcoMarco PoloPolo,
215
598865
2367
Então o computador
pode fazer de Marco Polo,
10:13
and drivedirigir down the errorerro closefechar to zerozero.
216
601256
2367
e diminuir o erro
para mais próximo de zero.
10:15
As it does that, it's gettingobtendo
successivesucessivas approximationsaproximações to w.
217
603647
3374
Fazendo isso, vamos ter sucessivas
aproximações até ao w.
10:19
TypicallyNormalmente, it never quitebastante getsobtém there,
but after about a dozendúzia stepspassos,
218
607045
3656
Normalmente, nunca lá chega,
mas após uma dúzia de passos,
10:22
we're up to w = 2.999,
whichqual is closefechar enoughsuficiente.
219
610725
4624
temos w = 2,999,
o que é suficientemente próximo.
10:28
And this is the learningAprendendo processprocesso.
220
616302
1814
É este o processo de aprendizagem.
10:30
So rememberlembrar that what's been going on here
221
618140
2730
Por isso, lembrem-se
que o que está a acontecer aqui
10:32
is that we'venós temos been takinglevando
a lot of knownconhecido x'sx and knownconhecido y'sy
222
620894
4378
é que estamos a pegar num monte
de x e y conhecidos
10:37
and solvingresolvendo for the w in the middlemeio
throughatravés an iterativeiterativo processprocesso.
223
625296
3454
e a procurar o w
através de um processo repetitivo.
10:40
It's exactlyexatamente the samemesmo way
that we do our ownpróprio learningAprendendo.
224
628774
3556
Isto é a mesma coisa que fazemos
com a nossa aprendizagem.
10:44
We have manymuitos, manymuitos imagesimagens as babiesbebês
225
632354
2230
Temos muitas imagens,
enquanto bebés, e dizem-nos:
10:46
and we get told, "This is a birdpássaro;
this is not a birdpássaro."
226
634608
2633
"Isto é uma ave,
isto não é uma ave".
10:49
And over time, throughatravés iterationiteração,
227
637714
2098
Ao longo do tempo, através da repetição,
10:51
we solveresolver for w, we solveresolver
for those neuralneural connectionsconexões.
228
639836
2928
encontramos o w,
aquelas ligações neurais.
10:55
So now, we'venós temos heldmantido
x and w fixedfixo to solveresolver for y;
229
643460
4086
Então agora, temos o x e o w fixos,
para resolvermos o y.
10:59
that's everydaytodo dia, fastvelozes perceptionpercepção.
230
647570
1847
É a perceção rápida, de todos os dias.
11:01
We figurefigura out how we can solveresolver for w,
231
649441
1763
Descobrimos como encontrar o w,
isso é aprendizagem,
o que é um muito mais difícil
11:03
that's learningAprendendo, whichqual is a lot hardermais difíceis,
232
651228
1903
11:05
because we need to do errorerro minimizationminimização,
233
653155
1985
porque precisamos de minimizar o erro,
praticando muitos exemplos.
11:07
usingusando a lot of trainingTreinamento examplesexemplos.
234
655164
1687
11:08
And about a yearano agoatrás,
AlexAlex MordvintsevMordvintsev, on our teamequipe,
235
656875
3187
Há uns anos, Alex Mordvintsev,
da nossa equipa,
11:12
decideddecidiu to experimentexperimentar
with what happensacontece if we try solvingresolvendo for x,
236
660086
3550
decidiu experimentar o que acontece
se tentarmos encontrar o x,
11:15
givendado a knownconhecido w and a knownconhecido y.
237
663660
2037
em que o w e o y são conhecidos.
11:18
In other wordspalavras,
238
666124
1151
Por outras palavras,
sabemos que é uma ave,
11:19
you know that it's a birdpássaro,
239
667299
1352
11:20
and you already have your neuralneural networkrede
that you've trainedtreinado on birdspássaros,
240
668675
3303
já treinámos a rede neural com as aves,
11:24
but what is the picturecenário of a birdpássaro?
241
672002
2344
mas o que é a imagem de uma ave?
11:27
It turnsgira out that by usingusando exactlyexatamente
the samemesmo error-minimizationerro-minimização procedureprocedimento,
242
675034
5024
Acontece que, usando exatamente o mesmo
procedimento de minimização de erros,
11:32
one can do that with the networkrede
trainedtreinado to recognizereconhecer birdspássaros,
243
680082
3430
podemos fazer isso com a rede
treinada para reconhecer aves
11:35
and the resultresultado turnsgira out to be ...
244
683536
3388
e o resultado será...
11:42
a picturecenário of birdspássaros.
245
690400
1305
uma imagem de aves.
11:44
So this is a picturecenário of birdspássaros
generatedgerado entirelyinteiramente by a neuralneural networkrede
246
692814
3737
É uma imagem de aves
gerada totalmente por uma rede neural,
11:48
that was trainedtreinado to recognizereconhecer birdspássaros,
247
696575
1826
treinada para reconhecer aves,
11:50
just by solvingresolvendo for x
ratherem vez than solvingresolvendo for y,
248
698425
3538
simplesmente procurando x,
em vez de procurar o y,
11:53
and doing that iterativelyiterativamente.
249
701987
1288
e fazendo-o por repetição.
11:55
Here'sAqui é anotheroutro funDiversão exampleexemplo.
250
703732
1847
Eis outro exemplo engraçado.
11:57
This was a work madefeito
by MikeMike TykaTyka in our groupgrupo,
251
705603
3437
Este foi um trabalho feito
por Mike Tyka no nosso grupo
12:01
whichqual he callschamadas "AnimalAnimal ParadeDesfile."
252
709064
2308
a que ele chama "Desfile de Animais".
12:03
It remindslembra me a little bitpouco
of WilliamWilliam Kentridge'sDo Kentridge artworksobras de arte,
253
711396
2876
Recorda-me um pouco as obras
de William Kentridge,
12:06
in whichqual he makesfaz com que sketchesesboços, rubsesfrega them out,
254
714296
2489
em que ele faz esboços e depois os apaga,
12:08
makesfaz com que sketchesesboços, rubsesfrega them out,
255
716809
1460
faz esboços e os apaga
e cria um filme dessa forma
12:10
and createscria a moviefilme this way.
256
718293
1398
12:11
In this casecaso,
257
719715
1151
Neste caso, Mike vai variando y
no espaço de diferentes animais
12:12
what MikeMike is doing is varyingvariando y
over the spaceespaço of differentdiferente animalsanimais,
258
720890
3277
12:16
in a networkrede designedprojetado
to recognizereconhecer and distinguishdistinguir
259
724191
2382
numa rede concebida
para reconhecer e distinguir
12:18
differentdiferente animalsanimais from eachcada other.
260
726597
1810
animais diferentes uns dos outros.
12:20
And you get this strangeestranho, Escher-likeEscher-como
morphmetamorfose from one animalanimal to anotheroutro.
261
728431
3751
Podemos achar estranho, é como ter
uma metamorfose de um animal para outro.
12:26
Here he and AlexAlex togetherjuntos
have triedtentou reducingreduzindo
262
734221
4614
Aqui ele e Alex, em conjunto,
tentaram reduzir os y
12:30
the y'sy to a spaceespaço of only two dimensionsdimensões,
263
738859
2759
num espaço de apenas duas dimensões,
12:33
therebyassim makingfazer a mapmapa
out of the spaceespaço of all things
264
741642
3438
criando um mapa fora do espaço
de todas as coisas
12:37
recognizedreconhecido by this networkrede.
265
745104
1719
reconhecidas por essa rede.
12:38
Doing this kindtipo of synthesissíntese
266
746847
2023
Fazendo esse tipo de síntese
12:40
or generationgeração of imageryimagens
over that entireinteira surfacesuperfície,
267
748894
2382
ou geração de imagens
sobre toda a superfície,
12:43
varyingvariando y over the surfacesuperfície,
you make a kindtipo of mapmapa --
268
751300
2846
variando y na superfície,
fazemos uma espécie de mapa,
12:46
a visualvisual mapmapa of all the things
the networkrede knowssabe how to recognizereconhecer.
269
754170
3141
um mapa visual de todas as coisas
que a rede sabe reconhecer.
12:49
The animalsanimais are all here;
"armadilloTatu" is right in that spotlocal.
270
757335
2865
Os animais estão todos aqui:
o tatu está naquele local.
12:52
You can do this with other kindstipos
of networksredes as well.
271
760919
2479
Também podemos fazer isso
com outras redes.
12:55
This is a networkrede designedprojetado
to recognizereconhecer facesrostos,
272
763422
2874
Esta é uma rede desenhada
para reconhecer rostos,
12:58
to distinguishdistinguir one facecara from anotheroutro.
273
766320
2000
para distinguir um rosto de outro.
13:00
And here, we're puttingcolocando
in a y that saysdiz, "me,"
274
768344
3249
Aqui, estamos a colocar um Y
que diz "eu",
13:03
my ownpróprio facecara parametersparâmetros.
275
771617
1575
os parâmetros do meu rosto.
13:05
And when this thing solvesresolve for x,
276
773216
1706
Quando isso é resolvido para x,
13:06
it generatesgera this ratherem vez crazylouco,
277
774946
2618
gera a minha imagem, bastante louca,
13:09
kindtipo of cubistcubista, surrealsurreal,
psychedelicpsicodélico picturecenário of me
278
777588
4428
tipo cubista, surrealista, psicadélica,
de vários pontos de vista ao mesmo tempo.
13:14
from multiplemúltiplo pointspontos of viewVisão at onceuma vez.
279
782040
1806
13:15
The reasonrazão it looksparece like
multiplemúltiplo pointspontos of viewVisão at onceuma vez
280
783870
2734
A razão de se parecer com vários
pontos de vista ao mesmo tempo,
13:18
is because that networkrede is designedprojetado
to get ridlivrar of the ambiguityambiguidade
281
786628
3687
é porque esta rede está concebida
para se livrar da ambiguidade
13:22
of a facecara beingser in one posepose
or anotheroutro posepose,
282
790339
2476
de um rosto estar numa pose qualquer,
13:24
beingser lookedolhou at with one kindtipo of lightingiluminação,
anotheroutro kindtipo of lightingiluminação.
283
792839
3376
de ser visto com um tipo de luz,
com outro tipo de luz.
13:28
So when you do
this sortordenar of reconstructionreconstrução,
284
796239
2085
Quando fazemos este tipo de reconstrução,
13:30
if you don't use some sortordenar of guideguia imageimagem
285
798348
2304
se não usarmos qualquer tipo
de guia de imagem ou de estatística,
13:32
or guideguia statisticsEstatisticas,
286
800676
1211
13:33
then you'llvocê vai get a sortordenar of confusionconfusão
of differentdiferente pointspontos of viewVisão,
287
801911
3765
obtemos uma certa confusão
de diferentes pontos de vista,
13:37
because it's ambiguousambíguo.
288
805700
1368
porque isso é ambíguo.
13:39
This is what happensacontece if AlexAlex usesusa
his ownpróprio facecara as a guideguia imageimagem
289
807786
4223
É o que acontece se o Alex usar
o seu rosto como guia de imagem
13:44
duringdurante that optimizationotimização processprocesso
to reconstructreconstruir my ownpróprio facecara.
290
812033
3321
durante o processo de otimização
para reconstruir o meu rosto.
13:48
So you can see it's not perfectperfeito.
291
816284
2328
Vemos que isto não é perfeito.
13:50
There's still quitebastante a lot of work to do
292
818636
1874
Ainda há muito trabalho a fazer
13:52
on how we optimizeotimizar
that optimizationotimização processprocesso.
293
820534
2453
sobre como melhorar
a otimização do processo.
13:55
But you startcomeçar to get something
more like a coherentcoerente facecara,
294
823011
2827
Mas começamos a ver alguma coisa
como um rosto coerente,
13:57
renderedprocessado usingusando my ownpróprio facecara as a guideguia.
295
825862
2014
usando o meu rosto como guia.
14:00
You don't have to startcomeçar
with a blankem branco canvastela de pintura
296
828892
2501
Não precisamos de começar
com uma tela em branco
14:03
or with whitebranco noisebarulho.
297
831417
1156
ou com interferências,
14:04
When you're solvingresolvendo for x,
298
832597
1304
quando estamos a procurar x.
14:05
you can begininício with an x,
that is itselfem si already some other imageimagem.
299
833925
3889
Podemos começar com um x
que, em si mesmo, já é uma outra imagem.
14:09
That's what this little demonstrationdemonstração is.
300
837838
2556
É isso que é esta pequena demonstração.
14:12
This is a networkrede
that is designedprojetado to categorizecategorizar
301
840418
4122
Esta é uma rede desenhada
para categorizar
14:16
all sortstipos of differentdiferente objectsobjetos --
man-madesintéticas ou artificiais structuresestruturas, animalsanimais ...
302
844564
3119
todo o tipo de objetos — estruturas
feitas pelo homem, animais.
14:19
Here we're startinginiciando
with just a picturecenário of cloudsnuvens,
303
847707
2593
Aqui estamos a começar
apenas com uma imagem de nuvens.
14:22
and as we optimizeotimizar,
304
850324
1671
Quando otimizamos,
14:24
basicallybasicamente, this networkrede is figuringfigurando out
what it sees in the cloudsnuvens.
305
852019
4486
essa rede está a descobrir
o que vê nas nuvens.
14:28
And the more time
you spendgastar looking at this,
306
856931
2320
Quanto mais tempo gastarmos
a olhar para isto,
14:31
the more things you alsoAlém disso
will see in the cloudsnuvens.
307
859275
2753
mais coisas veremos nas nuvens.
14:35
You could alsoAlém disso use the facecara networkrede
to hallucinatealucinar into this,
308
863004
3375
Também podemos usar a rede de rostos
para enlouquecer isto
14:38
and you get some prettybonita crazylouco stuffcoisa.
309
866403
1812
e obtemos coisas muito loucas.
14:40
(LaughterRiso)
310
868239
1150
(Risos)
14:42
Or, MikeMike has donefeito some other experimentsexperiências
311
870401
2744
Mike tem feito outras experiências
14:45
in whichqual he takes that cloudnuvem imageimagem,
312
873169
3905
em que agarra nessa imagem de nuvens,
14:49
hallucinatesalucina, zoomszooms, hallucinatesalucina,
zoomszooms hallucinatesalucina, zoomszooms.
313
877098
3507
enlouquece, aproxima, enlouquece,
aproxima, enlouquece, aproxima.
14:52
And in this way,
314
880629
1151
Dessa forma,
14:53
you can get a sortordenar of fuguefuga stateEstado
of the networkrede, I supposesuponha,
315
881804
3675
suponho que podemos obter
uma espécie de estado de fuga da rede,
14:57
or a sortordenar of freelivre associationAssociação,
316
885503
3680
ou um tipo de associação livre
15:01
in whichqual the networkrede
is eatingcomendo its ownpróprio tailrabo.
317
889207
2227
em que a rede está a comer a sua cauda.
15:03
So everycada imageimagem is now the basisbase for,
318
891458
3421
Assim cada imagem é agora a base para:
"O que é que espero ver a seguir?"
15:06
"What do I think I see nextPróximo?
319
894903
1421
15:08
What do I think I see nextPróximo?
What do I think I see nextPróximo?"
320
896348
2803
"O que é que espero ver a seguir?
O que é que espero ver a seguir?"
15:11
I showedmostrou this for the first time in publicpúblico
321
899487
2936
Mostrei isto em público
pela primeira vez
15:14
to a groupgrupo at a lecturepalestra in SeattleSeattle
calledchamado "HigherSuperior EducationEducação" --
322
902447
5437
a um grupo numa palestra em Seattle
chamada "A mais alta educação"
15:19
this was right after
marijuanamaconha was legalizedlegalizada.
323
907908
2437
— logo depois de ter sido
legalizada a marijuana.
15:22
(LaughterRiso)
324
910369
2415
(Risos)
15:26
So I'd like to finishterminar up quicklyrapidamente
325
914627
2104
Gostaria de terminar rapidamente
15:28
by just notingobservando that this technologytecnologia
is not constrainedconstrangido.
326
916755
4255
notando que esta tecnologia
não está limitada.
15:33
I've shownmostrando you purelypuramente visualvisual examplesexemplos
because they're really funDiversão to look at.
327
921034
3665
Mostrei-vos apenas exemplos visuais
porque eles são divertidos de ver.
15:36
It's not a purelypuramente visualvisual technologytecnologia.
328
924723
2451
Não é apenas uma tecnologia
puramente visual.
15:39
Our artistartista collaboratorcolaborador, RossRoss GoodwinGoodwin,
329
927198
1993
O nosso artista colaborador, Ross Goodwin,
15:41
has donefeito experimentsexperiências involvingenvolvendo
a cameraCâmera that takes a picturecenário,
330
929215
3671
tem feito experiências que envolvem
uma câmara que tira fotos
15:44
and then a computercomputador in his backpackmochila
writesescreve a poempoema usingusando neuralneural networksredes,
331
932910
4234
e depois um computador na sua mochila
escreve um poema, usando redes neurais,
15:49
basedSediada on the contentsconteúdo of the imageimagem.
332
937168
1944
com base no conteúdo da imagem.
15:51
And that poetrypoesia neuralneural networkrede
has been trainedtreinado
333
939136
2947
Essa poesia de rede neural
foi treinada
15:54
on a largeampla corpuscorpus of 20th-centuryséculo xi poetrypoesia.
334
942107
2234
num grande corpo de poesia do século XX.
15:56
And the poetrypoesia is, you know,
335
944365
1499
Sabem uma coisa, acho que essa poesia
não é lá muito má.
15:57
I think, kindtipo of not badmau, actuallyna realidade.
336
945888
1914
15:59
(LaughterRiso)
337
947826
1384
(Risos)
16:01
In closingfechando,
338
949234
1159
Para terminar,
16:02
I think that perpor MichelangeloMichelangelo,
339
950417
2132
acho que Miguel Ângelo tinha razão.
16:04
I think he was right;
340
952573
1234
16:05
perceptionpercepção and creativitycriatividade
are very intimatelyintimamente connectedconectado.
341
953831
3436
"A perceção e a criatividades
estão intimamente ligadas".
16:09
What we'venós temos just seenvisto are neuralneural networksredes
342
957611
2634
O que acabamos de ver
são redes neurais
16:12
that are entirelyinteiramente trainedtreinado to discriminatediscriminar,
343
960269
2303
que estão totalmente treinadas
para discriminar ou reconhecer
16:14
or to recognizereconhecer differentdiferente
things in the worldmundo,
344
962596
2242
diferentes coisas no mundo,
16:16
ablecapaz to be runcorre in reversemarcha ré, to generategerar.
345
964862
3161
capazes de funcionar
de trás para frente, de criar.
16:20
One of the things that suggestssugere to me
346
968047
1783
Uma das coisas que me sugere
16:21
is not only that
MichelangeloMichelangelo really did see
347
969854
2398
que não é apenas o que Miguel Ângelo viu,
16:24
the sculptureescultura in the blocksblocos of stonepedra,
348
972276
2452
a escultura nos blocos de pedra.
16:26
but that any creaturecriatura,
any beingser, any alienestrangeiro
349
974752
3638
Mas que qualquer criatura,
qualquer ser, qualquer alienígena,
16:30
that is ablecapaz to do
perceptualperceptual actsatos of that sortordenar
350
978414
3657
que seja capaz de fazer
ações percetivas deste tipo,
16:34
is alsoAlém disso ablecapaz to createcrio
351
982095
1375
também é capaz de criar,
16:35
because it's exactlyexatamente the samemesmo
machinerymáquinas that's used in bothambos casescasos.
352
983494
3224
porque é exatamente o mesmo mecanismo
usado nos dois casos.
16:38
AlsoTambém, I think that perceptionpercepção
and creativitycriatividade are by no meanssignifica
353
986742
4532
Também acho que essa perceção e
criatividade não são de modo algum
16:43
uniquelyunicamente humanhumano.
354
991298
1210
unicamente humanas.
16:44
We startcomeçar to have computercomputador modelsmodelos
that can do exactlyexatamente these sortstipos of things.
355
992532
3708
Começámos com modelos de computadores
capazes de fazer este tipo de coisas.
16:48
And that oughtdeveria to be unsurprisingNão surpreende;
the braincérebro is computationalcomputacional.
356
996264
3328
Isso não devia ser surpreendente:
o cérebro é um modelo informático.
16:51
And finallyfinalmente,
357
999616
1657
E finalmente,
16:53
computingInformática begancomeçasse as an exerciseexercício
in designingprojetando intelligentinteligente machinerymáquinas.
358
1001297
4668
a informática começou como um exercício
para a conceção de máquinas inteligentes.
16:57
It was very much modeledmodelado after the ideaidéia
359
1005989
2462
Foi modelado segundo a ideia
17:00
of how could we make machinesmáquinas intelligentinteligente.
360
1008475
3013
de que podemos fazer
máquinas inteligentes.
17:03
And we finallyfinalmente are startinginiciando to fulfillPreencha now
361
1011512
2162
E finalmente estamos agora
a começar a atingir
17:05
some of the promisespromessas
of those earlycedo pioneerspioneiros,
362
1013698
2406
algumas das promessas dos pioneiros,
17:08
of TuringTuring and vonvon NeumannNeumann
363
1016128
1713
de Turing e von Neumannn,
17:09
and McCullochMcCulloch and PittsPitts.
364
1017865
2265
de McCulloch e Pitts.
17:12
And I think that computingInformática
is not just about accountingcontabilidade
365
1020154
4098
Acho que a informática
não é apenas fazer contas
17:16
or playingjogando CandyDoces CrushPaixão or something.
366
1024276
2147
ou jogar Candy Crush
ou qualquer outra coisa.
17:18
From the beginningcomeçando,
we modeledmodelado them after our mindsmentes.
367
1026447
2578
Desde o começo,
modelámo-los segundo as nossas mentes.
17:21
And they give us bothambos the abilityhabilidade
to understandCompreendo our ownpróprio mindsmentes better
368
1029049
3269
Eles deram-nos a capacidade
para compreender as nossas mentes
17:24
and to extendampliar them.
369
1032342
1529
e para os aperfeiçoar.
17:26
Thank you very much.
370
1034627
1167
Muito obrigado.
17:27
(ApplauseAplausos)
371
1035818
5939
(Aplausos)
Translated by Valmir Campos Araujo
Reviewed by Margarida Ferreira

▲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