TED@BCG Paris
Blaise Agüera y Arcas: How computers are learning to be creative
เบลอิเซ อะกัวรา อิ อาร์คัส (Blaise Agüera y Arcas): คอมพิวเตอร์เรียนรู้การมีความคิดสร้างสรรค์ได้อย่างไร
Filmed:
Readability: 4.4
1,934,067 views
พวกเราอยู่บนขอบของพรมแดนใหม่ในศิลปะและคววามคิดสร้างสรรค์ -- และมันไม่ใช่มนุษย์ Blaise Agüera y Arcas หัวหน้านักวิทยาศาสตร์ที่กูเกิลทำงานกับโครงข่ายปนะสาทเชิงลึกสำหรับการรับรู้ของเครื่องจักรและการกระจายการเรียนรู้ ในการสาธิตที่มีเสน่ห์นี้ เขาได้แสดงวิธีการเทรนโครงข่ายประสาทให้แยกแยะรูปภาพและสามารถดำเนินงานในทางย้อนกลับเพื่อการสร้างพวกมันขึ้นมาได้ ผลลัพธ์: น่าประทับใจ, ภาพหลอนปะติดปะต่อ (และบทกวี!) ที่ไม่สามารถแยกแยะได้ Agüera y Arcas กล่าวว่า "การรับรู้และความคิดสร้างสรรค์นั้นมีความเชื่อมโยงใกล้ชิดกันมาก" "ทุกคน ทุกสิ่งมีชีวิตที่สามารถมีการรับรู้ได้ ย่อมสร้างสรรค์ได้"
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
ผมเป็นหัวหน้าทีมที่กูเกิล
ซึ่งทำงานเกี่ยวกับปัญญาประดิษฐ์
ซึ่งทำงานเกี่ยวกับปัญญาประดิษฐ์
00:15
in other words, the engineering discipline
of making computers and devices
of making computers and devices
1
3948
4650
ซึ่งก็คือ สาขาหนึ่งทางวิศวกรรม
ที่สร้างคอมพิวเตอร์ และอุปกรณ์ต่าง ๆ
ที่สร้างคอมพิวเตอร์ และอุปกรณ์ต่าง ๆ
00:20
able to do some of the things
that brains do.
that brains do.
2
8622
2419
ให้สามารถทำสิ่งที่สมองทำได้
00:23
And this makes us
interested in real brains
interested in real brains
3
11439
3099
และมันจึงทำให้พวกเรา
รู้สึกสนใจสมองจริง ๆ
รู้สึกสนใจสมองจริง ๆ
00:26
and neuroscience as well,
4
14562
1289
แล้วก็ประสาทวิทยาศาสตร์ด้วย
00:27
and especially interested
in the things that our brains do
in the things that our brains do
5
15875
4172
และโดยเฉพาะอย่างยิ่ง
เราสนใจสิ่งที่สมองของพวกเราทำ
เราสนใจสิ่งที่สมองของพวกเราทำ
00:32
that are still far superior
to the performance of computers.
to the performance of computers.
6
20071
4042
ที่ยังคงมีสมรรถนะเหนือกว่า
คอมพิวเตอร์อย่างเทียบไม่ได้
คอมพิวเตอร์อย่างเทียบไม่ได้
00:37
Historically, one of those areas
has been perception,
has been perception,
7
25209
3609
ในอดีต หนึ่งในนั้นคือการรับรู้
00:40
the process by which things
out there in the world --
out there in the world --
8
28842
3039
กระบวนการที่ซึ่ง
สิ่งต่าง ๆ ในโลกแห่งความเป็นจริง
สิ่งต่าง ๆ ในโลกแห่งความเป็นจริง
00:43
sounds and images --
9
31905
1584
อย่างเช่น เสียงและภาพ
00:45
can turn into concepts in the mind.
10
33513
2178
สามารถแปรเปลี่ยน
เป็นแนวคิดต่าง ๆ ในจิตใจ
เป็นแนวคิดต่าง ๆ ในจิตใจ
00:48
This is essential for our own brains,
11
36235
2517
นี่คือสิ่งสำคัญสำหรับสมองของพวกเรา
00:50
and it's also pretty useful on a computer.
12
38776
2464
และมันยังค่อนข้างมีประโยชน์
ต่อคอมพิวเตอร์อีกด้วย
ต่อคอมพิวเตอร์อีกด้วย
00:53
The machine perception algorithms,
for example, that our team makes,
for example, that our team makes,
13
41636
3350
อัลกอริธึมการรับรู้ของจักรกล
อย่างเช่นที่ทีมของเราสร้างนั้น
อย่างเช่นที่ทีมของเราสร้างนั้น
00:57
are what enable your pictures
on Google Photos to become searchable,
on Google Photos to become searchable,
14
45010
3874
เป็นอะไรที่ทำให้ภาพของคุณ
สามารถถูกค้นหาได้บน Google Photos
สามารถถูกค้นหาได้บน Google Photos
01:00
based on what's in them.
15
48908
1397
ขึ้นอยู่กับว่าในภาพนั้นมีอะไรอยู่
01:03
The flip side of perception is creativity:
16
51594
3493
อีกแง่มุมหนึ่งของการรับรู้
ก็คือความคิดสร้างสรรค์
ก็คือความคิดสร้างสรรค์
01:07
turning a concept into something
out there into the world.
out there into the world.
17
55111
3038
ซึ่งเป็นการเปลี่ยนแนวคิด
ให้เป็นบางสิ่งที่เกิดขึ้นจริง
ให้เป็นบางสิ่งที่เกิดขึ้นจริง
01:10
So over the past year,
our work on machine perception
our work on machine perception
18
58173
3555
ช่วงปีที่ผ่านมา งานของพวกเรา
เกี่ยวกับการรับรู้ของเครื่องจักร
เกี่ยวกับการรับรู้ของเครื่องจักร
01:13
has also unexpectedly connected
with the world of machine creativity
with the world of machine creativity
19
61752
4859
จึงมีความเชื่อมโยงอย่างไม่คาดคิด
กับโลกของความสร้างสรรค์ของเครื่องจักร
กับโลกของความสร้างสรรค์ของเครื่องจักร
01:18
and machine art.
20
66635
1160
และศิลปะของเครื่องจักรอีกด้วย
01:20
I think Michelangelo
had a penetrating insight
had a penetrating insight
21
68556
3284
ผมคิดว่าไมเคิลเเองเจลโล
มีวิสัยทัศน์ที่เฉียบแหลม
มีวิสัยทัศน์ที่เฉียบแหลม
01:23
into to this dual relationship
between perception and creativity.
between perception and creativity.
22
71864
3656
ในเรื่องความสัมพันธ์ระหว่าง
การรับรู้และความคิดสร้างสรรค์
การรับรู้และความคิดสร้างสรรค์
01:28
This is a famous quote of his:
23
76023
2006
นี่คือถ้อยคำที่โด่งดังของเขา
01:30
"Every block of stone
has a statue inside of it,
has a statue inside of it,
24
78053
3323
"ในหินทุกก้อนมีรูปปั้นอยู่ภายใน
01:34
and the job of the sculptor
is to discover it."
is to discover it."
25
82036
3002
และหน้าที่ของปฏิมากร
ก็คือการค้นหามันให้เจอ"
ก็คือการค้นหามันให้เจอ"
01:38
So I think that what
Michelangelo was getting at
Michelangelo was getting at
26
86029
3216
ดังนั้น ผมคิดว่า
สิ่งที่ไมเคิลเเองเจลโลหมายถึงก็คือ
สิ่งที่ไมเคิลเเองเจลโลหมายถึงก็คือ
01:41
is that we create by perceiving,
27
89269
3180
เราสร้างสรรค์จากการรับรู้
01:44
and that perception itself
is an act of imagination
is an act of imagination
28
92473
3023
และการรับรู้นั้นเอง
ก็เป็นผลลัพธ์จากการจินตนาการ
ก็เป็นผลลัพธ์จากการจินตนาการ
01:47
and is the stuff of creativity.
29
95520
2461
และความคิดสร้างสรรค์
01:50
The organ that does all the thinking
and perceiving and imagining,
and perceiving and imagining,
30
98691
3925
อวัยวะที่ทำทั้ง การคิด และ การรับรู้
และการจินตนาการ
และการจินตนาการ
01:54
of course, is the brain.
31
102640
1588
แน่นอน มันคือสมอง
01:57
And I'd like to begin
with a brief bit of history
with a brief bit of history
32
105089
2545
และผมอยากที่จะเริ่มต้น
ด้วยการพูดถึงประวัติศาสตร์คร่าว ๆ
ด้วยการพูดถึงประวัติศาสตร์คร่าว ๆ
01:59
about what we know about brains.
33
107658
2302
เกี่ยวกับสิ่งที่พวกเรารู้เกี่ยวกับสมอง
02:02
Because unlike, say,
the heart or the intestines,
the heart or the intestines,
34
110496
2446
เนื่องมันต่างจากหัวใจหรือลำไส้
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
เราไม่สามารถบอกอะไรได้มากนัก
เกี่ยวกับสมองโดยแค่มองดูจากภายนอก
เกี่ยวกับสมองโดยแค่มองดูจากภายนอก
02:08
at least with the naked eye.
36
116134
1412
อย่างน้อยก็การมองด้วยตาเปล่า
02:09
The early anatomists who looked at brains
37
117983
2416
นักกายวิภาคศาสตร์รุ่นบุกเบิกผู้ศึกษาสมอง
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
ได้ตั้งชื่อประหลาด ๆ ให้กับ
เหล่าโครงสร้างภายนอก
เหล่าโครงสร้างภายนอก
02:16
like hippocampus, meaning "little shrimp."
39
124254
2433
เช่น ฮิปโปแคมปัส แปลว่า กุ้งจิ๋ว
02:18
But of course that sort of thing
doesn't tell us very much
doesn't tell us very much
40
126711
2764
แต่แน่นอนว่าสิ่งเหล่านั้น
ไม่ได้บอกอะไรเรามากนัก
ไม่ได้บอกอะไรเรามากนัก
02:21
about what's actually going on inside.
41
129499
2318
เกี่ยวกับสิ่งที่เกิดขึ้นจริง ๆ ภายในสมอง
02:24
The first person who, I think, really
developed some kind of insight
developed some kind of insight
42
132780
3613
ผมคิดว่าบุคคลแรกที่ได้พัฒนา
ความเข้าใจอย่างลึกซึ้ง
ความเข้าใจอย่างลึกซึ้ง
02:28
into what was going on in the brain
43
136417
1930
ในสิ่งที่เกิดขึ้นจริง ๆ ในสมอง
02:30
was the great Spanish neuroanatomist,
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
44
138371
3920
ก็คือ ซานเตียโก รามอน อี กาฮาล
นักประสาทกายวิภาคศาสตร์ชาวสเปน
นักประสาทกายวิภาคศาสตร์ชาวสเปน
02:34
in the 19th century,
45
142315
1544
ในศตวรรษที่ 19
02:35
who used microscopy and special stains
46
143883
3755
เขาได้ใช้กล้องจุลทรรศน์และสีย้อมพิเศษ
02:39
that could selectively fill in
or render in very high contrast
or render in very high contrast
47
147662
4170
ที่สามารถเลือกเติมเต็ม
หรือแสดงผลแต่ละเซลล์ภายในสมอง
หรือแสดงผลแต่ละเซลล์ภายในสมอง
02:43
the individual cells in the brain,
48
151856
2008
ที่ความคมชัดสูงได้
02:45
in order to start to understand
their morphologies.
their morphologies.
49
153888
3154
เพื่อที่จะให้เข้าใจถึงสัณฐานวิทยาของมัน
02:49
And these are the kinds of drawings
that he made of neurons
that he made of neurons
50
157972
2891
และนี่คือลักษณะภาพวาดของเขา
ที่สร้างขึ้นจากเซลล์ประสาท
ที่สร้างขึ้นจากเซลล์ประสาท
02:52
in the 19th century.
51
160887
1209
ในศตวรรษที่ 19
02:54
This is from a bird brain.
52
162120
1884
ภาพนี้สร้างขึ้นจากสมองนก
02:56
And you see this incredible variety
of different sorts of cells,
of different sorts of cells,
53
164028
3057
และคุณถึงเห็นความหลากหลาย
ที่น่าเหลือเชื่อ ของเซลล์ประเภทต่าง ๆ
ที่น่าเหลือเชื่อ ของเซลล์ประเภทต่าง ๆ
02:59
even the cellular theory itself
was quite new at this point.
was quite new at this point.
54
167109
3435
แม้แต่ทฤษฏีเซลล์เอง
ก็ยังค่อนข้างใหม่ ณ จุดนี้
ก็ยังค่อนข้างใหม่ ณ จุดนี้
03:02
And these structures,
55
170568
1278
และโครงสร้างเหล่านี้
03:03
these cells that have these arborizations,
56
171870
2259
เซลล์เหล่านี้ที่มีการแตกแขนง
03:06
these branches that can go
very, very long distances --
very, very long distances --
57
174153
2608
เหล่ากิ่งก้านที่สามารถแผ่ไป
ได้ระยะไกลมาก ๆ
ได้ระยะไกลมาก ๆ
03:08
this was very novel at the time.
58
176785
1616
สิ่งนี้เป็นเรื่องใหม่มากในเวลานั้น
03:10
They're reminiscent, of course, of wires.
59
178779
2903
แน่นอนล่ะ มันทำให้นึกถึงสายไฟ
03:13
That might have been obvious
to some people in the 19th century;
to some people in the 19th century;
60
181706
3457
นั่นอาจจะเป็นเรื่องที่เห็นได้ชัด
สำหรับบางคนในศตวรรษที่ 19
สำหรับบางคนในศตวรรษที่ 19
03:17
the revolutions of wiring and electricity
were just getting underway.
were just getting underway.
61
185187
4314
การปฏิวัติสายไฟและไฟฟ้าเพิ่งเริ่มเกิดขึ้น
03:21
But in many ways,
62
189964
1178
แต่ในอีกหลายแง่
03:23
these microanatomical drawings
of Ramón y Cajal's, like this one,
of Ramón y Cajal's, like this one,
63
191166
3313
ภาพวาดจุลกายวิภาคศาสตร์เหล่านี้
ของ รามอน อี กาฮาล อย่างภาพนี้
ของ รามอน อี กาฮาล อย่างภาพนี้
03:26
they're still in some ways unsurpassed.
64
194503
2332
ในบางแง่มุม พวกเขาก็ยังคง
ไม่สามารถเข้าใจได้ทุกอย่าง
ไม่สามารถเข้าใจได้ทุกอย่าง
03:28
We're still more than a century later,
65
196859
1854
มากกว่าศตวรรษที่ผ่านมา พวกเราก็ยังคง
03:30
trying to finish the job
that Ramón y Cajal started.
that Ramón y Cajal started.
66
198737
2825
พยายามทำงานที่ รามอน อี กาฮาล
ได้เริ่มเอาไว้ให้สำเร็จ
ได้เริ่มเอาไว้ให้สำเร็จ
03:33
These are raw data from our collaborators
67
201586
3134
นี่เป็นข้อมูลดิบ
ที่ได้จากผู้ร่วมงานของเรา
ที่ได้จากผู้ร่วมงานของเรา
03:36
at the Max Planck Institute
of Neuroscience.
of Neuroscience.
68
204744
2881
ที่สถาบัน มักซ์ พลังค์
ด้านประสาทวิทยาศาสตร์
ด้านประสาทวิทยาศาสตร์
03:39
And what our collaborators have done
69
207649
1790
และสิ่งที่ผู้ร่วมงานได้ทำ
03:41
is to image little pieces of brain tissue.
70
209463
5001
คือถ่ายภาพเนื้อเยื่อสมองชิ้นเล็ก ๆ
03:46
The entire sample here
is about one cubic millimeter in size,
is about one cubic millimeter in size,
71
214488
3326
ภาพตัวอย่างทั้งหมดที่แสดงนี้
มีขนาดหนึ่งลูกบาศก์มิลลิเมตร
มีขนาดหนึ่งลูกบาศก์มิลลิเมตร
03:49
and I'm showing you a very,
very small piece of it here.
very small piece of it here.
72
217838
2621
และสิ่งที่ผมกำลังแสดงให้คุณดูนี้
คือชิ้นส่วนที่มีขนาดเล็กมาก ๆ
คือชิ้นส่วนที่มีขนาดเล็กมาก ๆ
03:52
That bar on the left is about one micron.
73
220483
2346
แถบทางฝั่งซ้าย
มีขนาดประมาณหนึ่งไมครอน
มีขนาดประมาณหนึ่งไมครอน
03:54
The structures you see are mitochondria
74
222853
2409
โครงสร้างที่คุณเห็นคือไมโตคอนเดรีย
03:57
that are the size of bacteria.
75
225286
2044
ที่มีขนาดเท่ากับแบคทีเรีย
03:59
And these are consecutive slices
76
227354
1551
และนี่คือภาพสไลด์ที่ต่อเนื่องกัน
04:00
through this very, very
tiny block of tissue.
tiny block of tissue.
77
228929
3148
ของก้อนเซลล์ที่เล็กจิ๋วนี้
04:04
Just for comparison's sake,
78
232101
2403
แค่จะลองเทียบให้เห็นภาพนะครับ
04:06
the diameter of an average strand
of hair is about 100 microns.
of hair is about 100 microns.
79
234528
3792
เส้นผ่านศูนย์กลางเฉลี่ยของเส้นผม
มีขนาด 100 ไมครอน
มีขนาด 100 ไมครอน
04:10
So we're looking at something
much, much smaller
much, much smaller
80
238344
2274
ดังนั้น เรากำลังมองดู
04:12
than a single strand of hair.
81
240642
1398
สิ่งที่เล็กกว่าเส้นผมมาก ๆ
04:14
And from these kinds of serial
electron microscopy slices,
electron microscopy slices,
82
242064
4031
และจากสไลด์ตามลำดับ
กล้องจุลทรรศน์อิเล็กตรอนเหล่านี้
กล้องจุลทรรศน์อิเล็กตรอนเหล่านี้
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
ทำให้สามารถเริ่มสร้างเซลล์ประสาท 3 มิติ
ที่มีหน้าตาแบบนี้
ที่มีหน้าตาแบบนี้
04:23
So these are sort of in the same
style as Ramón y Cajal.
style as Ramón y Cajal.
84
251151
3157
ดังนั้น นี่ค่อนข้างจะมีรูปแบบ
ที่เหมือนกับของ รามอน อิ กาฮาล
ที่เหมือนกับของ รามอน อิ กาฮาล
04:26
Only a few neurons lit up,
85
254332
1492
มีแค่บางเซลล์ประสาทที่ถูกทำให้สว่างขึ้น
04:27
because otherwise we wouldn't
be able to see anything here.
be able to see anything here.
86
255848
2781
เพราะไม่เช่นนั้นแล้ว
เราอาจจะมองภาพอะไรไม่ออกเลย
เราอาจจะมองภาพอะไรไม่ออกเลย
04:30
It would be so crowded,
87
258653
1312
มันคงดูหนาแน่นไปหมด
04:31
so full of structure,
88
259989
1330
เต็มไปด้วยโครงสร้าง
04:33
of wiring all connecting
one neuron to another.
one neuron to another.
89
261343
2724
ของเส้นสายการเชื่อมต่อกัน
ของเซลล์ประสาทหนึ่งไปยังอีกเซลล์
ของเซลล์ประสาทหนึ่งไปยังอีกเซลล์
04:37
So Ramón y Cajal was a little bit
ahead of his time,
ahead of his time,
90
265293
2804
รามอน อิ กาฮาล นั้นค่อนข้างจะ
ล้ำยุคสมัยของเขา
ล้ำยุคสมัยของเขา
04:40
and progress on understanding the brain
91
268121
2555
และความก้าวหน้าในการทำความเข้าใจสมอง
04:42
proceeded slowly
over the next few decades.
over the next few decades.
92
270700
2271
ดำเนินไปอย่างช้า ๆ
ในช่วงหลายทศวรรษถัดมา
ในช่วงหลายทศวรรษถัดมา
04:45
But we knew that neurons used electricity,
93
273455
2853
แต่เรารู้ว่าเซลล์ประสาทใช้กระแสไฟฟ้า
04:48
and by World War II, our technology
was advanced enough
was advanced enough
94
276332
2936
และเมื่อถึงช่วงสงครามโลกครั้งที่ 2
เทคโนโลยีของเราก็ก้าวหน้าเพียงพอ
เทคโนโลยีของเราก็ก้าวหน้าเพียงพอ
04:51
to start doing real electrical
experiments on live neurons
experiments on live neurons
95
279292
2806
ที่จะเริ่มทำการทดลองกระแสไฟ
กับเซลล์ประสาทที่ยังมีชีวิตอยู่
กับเซลล์ประสาทที่ยังมีชีวิตอยู่
04:54
to better understand how they worked.
96
282122
2106
เพื่อทำความเข้าใจให้มากขึ้น
เกี่ยวกับการทำงานของเซลล์เหล่านั้น
เกี่ยวกับการทำงานของเซลล์เหล่านั้น
04:56
This was the very same time
when computers were being invented,
when computers were being invented,
97
284631
4356
นี่เป็นช่วงเวลาเดียว
ที่คอมพิวเตอร์ได้ถูกประดิษฐ์ขึ้น
ที่คอมพิวเตอร์ได้ถูกประดิษฐ์ขึ้น
05:01
very much based on the idea
of modeling the brain --
of modeling the brain --
98
289011
3100
บนพื้นฐานของความคิด
ที่สร้างแบบจำลองของสมอง --
ที่สร้างแบบจำลองของสมอง --
05:04
of "intelligent machinery,"
as Alan Turing called it,
as Alan Turing called it,
99
292135
3085
ของ "จักกลปัญญา"
อย่างที่ถูกเรียกโดย อลัน ทัวริง
อย่างที่ถูกเรียกโดย อลัน ทัวริง
05:07
one of the fathers of computer science.
100
295244
1991
หนึ่งในบิดาแห่งวิทยาการคอมพิวเตอร์
05:09
Warren McCulloch and Walter Pitts
looked at Ramón y Cajal's drawing
looked at Ramón y Cajal's drawing
101
297923
4632
วอร์เรน แมคคัลลอช์ และ วอลเธอร์ พิทซ์
ได้มองดูภาพร่างของ รามอน อิ กาฮาล
ได้มองดูภาพร่างของ รามอน อิ กาฮาล
05:14
of visual cortex,
102
302579
1317
ของเปลือกสมองส่วนการมองเห็น
05:15
which I'm showing here.
103
303920
1562
ซึ่งผมได้แสดงให้ชมอยู่นี้
05:17
This is the cortex that processes
imagery that comes from the eye.
imagery that comes from the eye.
104
305506
4442
นี่คือเปลือกสมองที่ประมวลผลภาพ
ที่ถูกส่งมาจากดวงตา
ที่ถูกส่งมาจากดวงตา
05:22
And for them, this looked
like a circuit diagram.
like a circuit diagram.
105
310424
3508
และสำหรับพวกเขาแล้ว
มันช่างดูเหมือนกับแผนภาพวงจร
มันช่างดูเหมือนกับแผนภาพวงจร
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
มันมีรายละเอียดมากมายในแผนภาพวงจร
ของ แมคคัลลอช์ และ พิทซ์
ของ แมคคัลลอช์ และ พิทซ์
05:30
that are not quite right.
107
318212
1352
ที่ยังดูไม่ค่อยถูกต้อง
05:31
But this basic idea
108
319588
1235
แต่พื้นฐานความคิดนี้
05:32
that visual cortex works like a series
of computational elements
of computational elements
109
320847
3992
ที่ว่าเปลือกสมองส่วนการมองเห็น
ทำงานเหมือนชุดองค์ประกอบเชิงคำนวณ
ทำงานเหมือนชุดองค์ประกอบเชิงคำนวณ
05:36
that pass information
one to the next in a cascade,
one to the next in a cascade,
110
324863
2746
ที่ส่งผ่านข้อมูลจากจุดหนึ่ง
ไปยังลำดับถัดไปนั้น
ไปยังลำดับถัดไปนั้น
05:39
is essentially correct.
111
327633
1602
โดยพื้นฐานแล้วถูกต้อง
05:41
Let's talk for a moment
112
329259
2350
เรามาคุยกันก่อนสักพัก
05:43
about what a model for processing
visual information would need to do.
visual information would need to do.
113
331633
4032
เกี่ยวกับว่าโมเดลการประมวลข้อมูล
การมองเห็นอะไรที่เราจำเป็นต้องสร้าง
การมองเห็นอะไรที่เราจำเป็นต้องสร้าง
05:48
The basic task of perception
114
336228
2741
งานพื้นฐานของการรับรู้
05:50
is to take an image like this one and say,
115
338993
4194
คือการรับภาพอย่างภาพนี้ และบอกว่า
05:55
"That's a bird,"
116
343211
1176
"นั่นคือนก"
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
ซึ่งเป็นเรื่องที่ง่ายมาก
สำหรับพวกเราที่ทำได้ด้วยสมอง
สำหรับพวกเราที่ทำได้ด้วยสมอง
05:59
But you should all understand
that for a computer,
that for a computer,
118
347309
3421
แต่คุณควรเข้าใจว่าสำหรับคอมพิวเตอร์
06:02
this was pretty much impossible
just a few years ago.
just a few years ago.
119
350754
3087
นี่เคยเป็นสิ่งที่แทบจะเป็นไปไม่ได้เลย
ในไม่กี่ปีที่ผ่านมา
ในไม่กี่ปีที่ผ่านมา
06:05
The classical computing paradigm
120
353865
1916
รูปแบบการคำนวณคลาสสิค
06:07
is not one in which
this task is easy to do.
this task is easy to do.
121
355805
2507
ไม่ใช่สิ่งที่จะทำงานแบบนี้ได้โดยง่าย
06:11
So what's going on between the pixels,
122
359366
2552
ดังนั้นสิ่งที่เกิดขึ้นระหว่างพิกเซล
06:13
between the image of the bird
and the word "bird,"
and the word "bird,"
123
361942
4028
ระหว่างภาพของนก กับคำว่า "นก" นั้น
06:17
is essentially a set of neurons
connected to each other
connected to each other
124
365994
2814
โดยพื้นฐานแล้วก็คือ
ชุดเซลล์ประสาทที่เชื่อมต่อระหว่างกัน
ชุดเซลล์ประสาทที่เชื่อมต่อระหว่างกัน
06:20
in a neural network,
125
368832
1155
ในโครงข่ายประสาท
06:22
as I'm diagramming here.
126
370011
1223
อย่างที่ผมแสดงให้เห็นนี้
06:23
This neural network could be biological,
inside our visual cortices,
inside our visual cortices,
127
371258
3272
โครงข่ายประสาทนี้อาจเป็นลักษณะทางชีวภาพ
ภายในเปลือกสมองส่วนการเห็นของเรา
ภายในเปลือกสมองส่วนการเห็นของเรา
06:26
or, nowadays, we start
to have the capability
to have the capability
128
374554
2162
หรือ ปัจจุบัน เราเริ่มที่จะมีความสามารถ
06:28
to model such neural networks
on the computer.
on the computer.
129
376740
2454
ในการออกแบบโครงข่ายประสาท
บนคอมพิวเตอร์
บนคอมพิวเตอร์
06:31
And I'll show you what
that actually looks like.
that actually looks like.
130
379834
2353
และผมจะแสดงให้คุณเห็น
ว่าจริง ๆ แล้วมันมีหน้าตาอย่างไร
ว่าจริง ๆ แล้วมันมีหน้าตาอย่างไร
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
คุณสามารถพิจารณาพิกเซลว่าเป็นเหมือน
ชั้นแรกของเซลล์ประสาท
ชั้นแรกของเซลล์ประสาท
06:37
and that's, in fact,
how it works in the eye --
how it works in the eye --
132
385651
2239
และนั่น จริง ๆ แล้ว
คือการทำงานภายในดวงตา --
คือการทำงานภายในดวงตา --
06:39
that's the neurons in the retina.
133
387914
1663
นั่นคือ เซลล์ประสาทในจอตา
06:41
And those feed forward
134
389601
1500
และสิ่งที่ส่งต่อ
06:43
into one layer after another layer,
after another layer of neurons,
after another layer of neurons,
135
391125
3403
ไปยังชั้นถัด ๆ ไป
ของแต่ละชั้นของเซลล์ประสาท
ของแต่ละชั้นของเซลล์ประสาท
06:46
all connected by synapses
of different weights.
of different weights.
136
394552
3033
ทั้งหมดถูกเชื่อมโยงกันด้วยไซแนป
ที่ค่าถ่วงน้ำหนักต่าง ๆ กัน
ที่ค่าถ่วงน้ำหนักต่าง ๆ กัน
06:49
The behavior of this network
137
397609
1335
พฤติกรรมของโครงข่ายนี้
06:50
is characterized by the strengths
of all of those synapses.
of all of those synapses.
138
398968
3284
มีลักษณะจากความสามารถ
ของไซแนปเหล่านั้น
ของไซแนปเหล่านั้น
06:54
Those characterize the computational
properties of this network.
properties of this network.
139
402276
3288
ลักษณะเหล่านั้นให้คุณสมบัติเชิงคำนวณ
ของโครงข่ายนี้
ของโครงข่ายนี้
06:57
And at the end of the day,
140
405588
1470
ท้ายที่สุดแล้ว
06:59
you have a neuron
or a small group of neurons
or a small group of neurons
141
407082
2447
คุณจะได้เซลล์ประสาท
หรือกลุ่มเซลล์ประสาทเล็ก ๆ
หรือกลุ่มเซลล์ประสาทเล็ก ๆ
07:01
that light up, saying, "bird."
142
409553
1647
ที่สว่างขึ้น เพื่อบอกว่า "นก"
07:03
Now I'm going to represent
those three things --
those three things --
143
411824
3132
ผมจะแทนค่า 3 สิ่งเหล่านั้น --
07:06
the input pixels and the synapses
in the neural network,
in the neural network,
144
414980
4696
ค่าอินพุตพิกเซล
และไซแนปในโครงข่ายประสาท
และไซแนปในโครงข่ายประสาท
07:11
and bird, the output --
145
419700
1585
และนก ซึ่งคือค่าเอาต์พุต --
07:13
by three variables: x, w and y.
146
421309
3057
ด้วยสามตัวแปร: x, w และ y
07:16
There are maybe a million or so x's --
147
424853
1811
อาจมีค่า x กว่าล้านค่า
07:18
a million pixels in that image.
148
426688
1953
หลายล้านพิกเซลในภาพนั้น
07:20
There are billions or trillions of w's,
149
428665
2446
หลายพันล้าน หรือล้านล้าน ค่า w
07:23
which represent the weights of all
these synapses in the neural network.
these synapses in the neural network.
150
431135
3421
ที่เป็นตัวแทนของค่าถ่วงน้ำหนัก
ของไซแนปทั้งหมดในเซลล์ประสาท
ของไซแนปทั้งหมดในเซลล์ประสาท
07:26
And there's a very small number of y's,
151
434580
1875
และยังมีค่าจำนวนไม่มากของ y
07:28
of outputs that that network has.
152
436479
1858
ที่เป็นเอาต์พุตของโครงข่ายนั้น
07:30
"Bird" is only four letters, right?
153
438361
1749
"นก" มีแค่สี่ตัวอักษร [ในภาษาอังกฤษ]
ใช่ไหมครับ
ใช่ไหมครับ
07:33
So let's pretend that this
is just a simple formula,
is just a simple formula,
154
441088
3426
ดังนั้น ลองสมมติว่านี่เป็นแค่สูตรพื้นฐาน
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
ผมจะใส่ตัวคูณเข้าไปในเครื่องหมายคำพูด
07:40
because what's really
going on there, of course,
going on there, of course,
157
448785
2280
เพราะว่าสิ่งที่เกิดขึ้นจริง ๆ แน่นอนว่า
07:43
is a very complicated series
of mathematical operations.
of mathematical operations.
158
451089
3046
มันเป็นชุดที่ซับซ้อน
ของการปฏิบัติการทางคณิตศาสตร์
ของการปฏิบัติการทางคณิตศาสตร์
07:47
That's one equation.
159
455172
1221
หนึ่งสมการนั้น
07:48
There are three variables.
160
456417
1672
มีสามตัวแปร
07:50
And we all know
that if you have one equation,
that if you have one equation,
161
458113
2726
และพวกเรารู้กันอยู่แล้วว่า ถ้ามีหนึ่งสมการ
07:52
you can solve one variable
by knowing the other two things.
by knowing the other two things.
162
460863
3642
คุณสามารถหาค่าตัวแปรหนึ่งได้
หากรู้อีกสองตัว
หากรู้อีกสองตัว
07:57
So the problem of inference,
163
465158
3380
ดังนั้น ปัญหาของการอนุมาน
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
ของการหาคำตอบว่าภาพนกนั้นคือนก
08:03
is this one:
165
471459
1274
คือสิ่งนี้
08:04
it's where y is the unknown
and w and x are known.
and w and x are known.
166
472757
3459
มีจุดที่ไม่รู้ค่า y แต่รู้ค่า w และ x
08:08
You know the neural network,
you know the pixels.
you know the pixels.
167
476240
2459
คุณรู้โครงข่ายประสาท
คุณรู้พิกเซล
คุณรู้พิกเซล
08:10
As you can see, that's actually
a relatively straightforward problem.
a relatively straightforward problem.
168
478723
3327
อย่างที่คุณเห็น อันที่จริงแล้ว
นั่นค่อนข้างเป็นปัญหาที่ตรงไปตรงมา
นั่นค่อนข้างเป็นปัญหาที่ตรงไปตรงมา
08:14
You multiply two times three
and you're done.
and you're done.
169
482074
2186
คุณเอาสองคูณสามก็จบ
08:16
I'll show you an artificial neural network
170
484862
2123
ผมจะแสดงโครงข่ายประสาทประดิษฐ์
08:19
that we've built recently,
doing exactly that.
doing exactly that.
171
487009
2296
ที่พวกเราสร้างขึ้นให้คุณดู
มันทำงานอย่างที่บอกไป
มันทำงานอย่างที่บอกไป
08:21
This is running in real time
on a mobile phone,
on a mobile phone,
172
489634
2860
สิ่งนี้ทำงานแบบเรียลไทม์บนมือถือ
08:24
and that's, of course,
amazing in its own right,
amazing in its own right,
173
492518
3313
และนั่นก็เป็นสิ่งมหัศจรรย์ในตัวมันเอง
08:27
that mobile phones can do so many
billions and trillions of operations
billions and trillions of operations
174
495855
3468
ที่มือถือสามารถทำงานได้
หลายพันล้านล้านล้านปฏิบัติการ
หลายพันล้านล้านล้านปฏิบัติการ
08:31
per second.
175
499347
1248
ในหนึ่งวินาที
08:32
What you're looking at is a phone
176
500619
1615
สิ่งที่คุณกำลังมองดูอยู่คือโทรศัพท์
08:34
looking at one after another
picture of a bird,
picture of a bird,
177
502258
3547
ที่กำลังดูรูปนกตัวแล้วตัวเล่า
08:37
and actually not only saying,
"Yes, it's a bird,"
"Yes, it's a bird,"
178
505829
2715
และไม่ใช่แค่กำลังบอกว่า
"ใช่แล้ว นี่คือนก"
"ใช่แล้ว นี่คือนก"
08:40
but identifying the species of bird
with a network of this sort.
with a network of this sort.
179
508568
3411
แต่มันยังแยกแยะสายพันธุ์ของนก
ด้วยโครงข่ายลักษณะนี้
ด้วยโครงข่ายลักษณะนี้
08:44
So in that picture,
180
512890
1826
ดังนั้น ที่เห็นในรูปนั้น
08:46
the x and the w are known,
and the y is the unknown.
and the y is the unknown.
181
514740
3802
เรารู้ค่า x และ w แต่ไม่รู้ค่า y
08:50
I'm glossing over the very
difficult part, of course,
difficult part, of course,
182
518566
2508
แน่นอนว่า ผมกำลังพูดผ่านส่วนที่ยากไป
08:53
which is how on earth
do we figure out the w,
do we figure out the w,
183
521098
3861
ซึ่งก็คือ เรารู้ค่า w ได้อย่างไร
08:56
the brain that can do such a thing?
184
524983
2187
สมองสามารถทำแบบนั้นได้อย่างไร
08:59
How would we ever learn such a model?
185
527194
1834
เราถึงเรียนรู้โมเดลนั้นได้อย่างไร
09:01
So this process of learning,
of solving for w,
of solving for w,
186
529418
3233
นี่คือกระบวนการเรียนรู้ ในการหาค่า w
09:04
if we were doing this
with the simple equation
with the simple equation
187
532675
2647
ถ้าเราเริ่มด้วยสมการพื้นฐาน
09:07
in which we think about these as numbers,
188
535346
2000
ที่เราพิจารณาสิ่งเหล่านี้ในรูปของตัวเลข
09:09
we know exactly how to do that: 6 = 2 x w,
189
537370
2687
เรารู้อย่างแน่นอนว่าจะทำอย่างไร
: 6 = 2 x w
: 6 = 2 x w
09:12
well, we divide by two and we're done.
190
540081
3312
เอาละ เราหารด้วยสองก็จบ
09:16
The problem is with this operator.
191
544001
2220
ปัญหาคือการปฏิบัติการนี้
09:18
So, division --
192
546823
1151
ดังนั้น การหาร --
09:19
we've used division because
it's the inverse to multiplication,
it's the inverse to multiplication,
193
547998
3121
เราได้ใช้การหารเพราะว่า
มันเป็นตัวผกผันกับการคูณ
มันเป็นตัวผกผันกับการคูณ
09:23
but as I've just said,
194
551143
1440
แต่อย่างที่ผมเพิ่งจะพูดไป
09:24
the multiplication is a bit of a lie here.
195
552607
2449
การคูณค่อนข้างเป็นการหลอกลวง
09:27
This is a very, very complicated,
very non-linear operation;
very non-linear operation;
196
555080
3326
สิ่งนี้ซับซ้อนมาก ๆ
เป็นปฏิบัติการที่ไม่ใช่เชิงเส้น
เป็นปฏิบัติการที่ไม่ใช่เชิงเส้น
09:30
it has no inverse.
197
558430
1704
มันไม่มีตัวผกผัน
09:32
So we have to figure out a way
to solve the equation
to solve the equation
198
560158
3150
ดังนั้นเราต้องหาทางคิดวิธีแก้สมการนี้
09:35
without a division operator.
199
563332
2024
โดยไม่ใช้การหาร
09:37
And the way to do that
is fairly straightforward.
is fairly straightforward.
200
565380
2343
และวิธีที่การนั้น
ก็ค่อนข้างที่จะตรงไปตรงมา
ก็ค่อนข้างที่จะตรงไปตรงมา
09:39
You just say, let's play
a little algebra trick,
a little algebra trick,
201
567747
2671
ลองมาเล่นกับพีชคณิตกันสักเล็กน้อย
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
และย้ายเลขหกไปด้านซ้ายของสมการ
09:45
Now, we're still using multiplication.
203
573372
1826
ตอนนี้เรายังคงใช้การคูณ
09:47
And that zero -- let's think
about it as an error.
about it as an error.
204
575675
3580
และเลขศูนย์นั้น --
ลองคิดว่ามันเป็นเหมือนค่าผิดพลาด
ลองคิดว่ามันเป็นเหมือนค่าผิดพลาด
09:51
In other words, if we've solved
for w the right way,
for w the right way,
205
579279
2515
อีกนัยหนึ่ง
ถ้าเราแก้หาค่า w อย่างถูกต้อง
ถ้าเราแก้หาค่า w อย่างถูกต้อง
09:53
then the error will be zero.
206
581818
1656
ค่าผิดพลาดก็จะเป็นศูนย์
09:55
And if we haven't gotten it quite right,
207
583498
1938
และถ้าเราไม่ได้ทำอย่างถูกต้อง
09:57
the error will be greater than zero.
208
585460
1749
ค่าผิดพลาดก็จะมากกว่าศูนย์
09:59
So now we can just take guesses
to minimize the error,
to minimize the error,
209
587233
3366
ดังนั้นในตอนนี้เราสามารถคาดเดา
เพื่อลดค่าผิดพลาดลงให้น้อยที่สุด
เพื่อลดค่าผิดพลาดลงให้น้อยที่สุด
10:02
and that's the sort of thing
computers are very good at.
computers are very good at.
210
590623
2687
และนั่นก็เป็นสิ่งที่คอมพิวเตอร์ถนัด
10:05
So you've taken an initial guess:
211
593334
1593
ดังนั้น คุณลองทายค่าเริ่มต้นดู
10:06
what if w = 0?
212
594951
1156
สมมติว่า w = 0?
10:08
Well, then the error is 6.
213
596131
1240
ค่าผิดพลาดก็จะเป็น 6
10:09
What if w = 1? The error is 4.
214
597395
1446
แล้วถ้า w = 1 ล่ะ
ค่าผิดพลาดก็จะเป็น 4
ค่าผิดพลาดก็จะเป็น 4
10:10
And then the computer can
sort of play Marco Polo,
sort of play Marco Polo,
215
598865
2367
และถัดไปคอมพิวเตอร์
ก็จะทำการเล่นมาร์โค โปโล
ก็จะทำการเล่นมาร์โค โปโล
10:13
and drive down the error close to zero.
216
601256
2367
และลดค่าผิดพลาดให้เข้าใกล้ศูนย์
10:15
As it does that, it's getting
successive approximations to w.
successive approximations to w.
217
603647
3374
ขณะที่มันทำอย่างนั้น
มันก็จะเข้าใกล้ค่าประมาณของ w
มันก็จะเข้าใกล้ค่าประมาณของ w
10:19
Typically, it never quite gets there,
but after about a dozen steps,
but after about a dozen steps,
218
607045
3656
โดยพื้นฐาน มันหาค่านั้นไม่ได้หรอก
แต่หลังจากหลายสิบขั้นตอน
แต่หลังจากหลายสิบขั้นตอน
10:22
we're up to w = 2.999,
which is close enough.
which is close enough.
219
610725
4624
เราก็จะได้ค่า w=2.999
ซึ่งใกล้เคียงมากพอ
ซึ่งใกล้เคียงมากพอ
10:28
And this is the learning process.
220
616302
1814
และนี่คือกระบวนการเรียนรู้
10:30
So remember that what's been going on here
221
618140
2730
ดังนั้น จำไว้นะครับ
ว่าสิ่งที่กำลังเกิดขึ้นอยู่นี้
ว่าสิ่งที่กำลังเกิดขึ้นอยู่นี้
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
เป็นการที่เรากำลังใช้
ตัวแปร x และ y ที่รู้แล้วจำนวนมาก
ตัวแปร x และ y ที่รู้แล้วจำนวนมาก
10:37
and solving for the w in the middle
through an iterative process.
through an iterative process.
223
625296
3454
และแก้หาค่า w ผ่านกระบวนการที่ทำซ้ำ ๆ
10:40
It's exactly the same way
that we do our own learning.
that we do our own learning.
224
628774
3556
มันเป็นแนวทางเดียวกัน
กับวิธีการที่เราทำการเรียนรู้
กับวิธีการที่เราทำการเรียนรู้
10:44
We have many, many images as babies
225
632354
2230
เรามีภาพเด็กทารกหลาย ๆ ภาพ
10:46
and we get told, "This is a bird;
this is not a bird."
this is not a bird."
226
634608
2633
เราถูกสอนว่า"นี่คือนก นี่ไม่ใช่นก"
10:49
And over time, through iteration,
227
637714
2098
เมื่อเวลาผ่านไป ด้วยการทำซ้ำ ๆ
10:51
we solve for w, we solve
for those neural connections.
for those neural connections.
228
639836
2928
เราแก้หาค่า w
เราแก้หาความสัมพันธ์ตามธรรมชาติของสิ่งนั้น
เราแก้หาความสัมพันธ์ตามธรรมชาติของสิ่งนั้น
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
ดังนั้นตอนนี้ เรากำหนดค่า
x และ w เอาไว้ เพื่อค้นหาค่า y
x และ w เอาไว้ เพื่อค้นหาค่า y
10:59
that's everyday, fast perception.
230
647570
1847
นั่นคือการเรียนรู้อย่างรวดเร็ว
ในชีวิตประจำวัน
ในชีวิตประจำวัน
11:01
We figure out how we can solve for w,
231
649441
1763
เรารู้ว่าจะหาค่า w ได้อย่างไร
11:03
that's learning, which is a lot harder,
232
651228
1903
นั่นคือการเรียนรู้ ซึ่งยากกว่ามาก
11:05
because we need to do error minimization,
233
653155
1985
เพราะเราต้องการลดค่าผิดพลาดให้น้อยที่สุด
11:07
using a lot of training examples.
234
655164
1687
โดยการใช้ตัวอย่างในการฝึกเป็นจำนวนมาก
11:08
And about a year ago,
Alex Mordvintsev, on our team,
Alex Mordvintsev, on our team,
235
656875
3187
และประมาณปีที่แล้ว
อเล็กซ์ มอร์ดวินเสฟ สมาชิกในทีมของเรา
อเล็กซ์ มอร์ดวินเสฟ สมาชิกในทีมของเรา
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
ตัดสินใจทดลองว่าจะเกิดอะไรขึ้น
ถ้าเราพยายามแก้หาค่า x
ถ้าเราพยายามแก้หาค่า x
11:15
given a known w and a known y.
237
663660
2037
โดยให้ค่า w และ y ที่รู้แล้วมา
11:18
In other words,
238
666124
1151
อีกแง่หนึ่งคือ
11:19
you know that it's a bird,
239
667299
1352
คุณรู้ว่ามันเป็นนก
11:20
and you already have your neural network
that you've trained on birds,
that you've trained on birds,
240
668675
3303
และคุณมีโครงข่ายประสาท
ที่คุณได้ฝึกฝนเกี่ยวกับเรื่องนกมาแล้ว
ที่คุณได้ฝึกฝนเกี่ยวกับเรื่องนกมาแล้ว
11:24
but what is the picture of a bird?
241
672002
2344
แต่อะไรคือรูปของนก
11:27
It turns out that by using exactly
the same error-minimization procedure,
the same error-minimization procedure,
242
675034
5024
มันกลายเป็นว่า
ด้วยกระบวนการลดค่าผิดพลาดเดียวกัน
ด้วยกระบวนการลดค่าผิดพลาดเดียวกัน
11:32
one can do that with the network
trained to recognize birds,
trained to recognize birds,
243
680082
3430
เราจะสามารถใช้โครงข่าย
ที่ถูกฝึกฝนเพื่อจำแนกภาพนก
ที่ถูกฝึกฝนเพื่อจำแนกภาพนก
11:35
and the result turns out to be ...
244
683536
3388
และผลลัพธ์ก็ออกมาเป็น...
11:42
a picture of birds.
245
690400
1305
ภาพของนก
11:44
So this is a picture of birds
generated entirely by a neural network
generated entirely by a neural network
246
692814
3737
นี่คือภาพนกที่ถูกสร้างขึ้น
โดยโครงข่ายประสาททั้งหมด
โดยโครงข่ายประสาททั้งหมด
11:48
that was trained to recognize birds,
247
696575
1826
ที่ถูกฝึกฝนเพื่อจำแนกภาพนก
11:50
just by solving for x
rather than solving for y,
rather than solving for y,
248
698425
3538
แค่เพียงแก้หาค่า x แทนที่จะทำการหา y
11:53
and doing that iteratively.
249
701987
1288
และทำแบบนั้นซ้ำไปเรื่อย ๆ
11:55
Here's another fun example.
250
703732
1847
นี่เป็นอีกตัวอย่างสนุก ๆ
11:57
This was a work made
by Mike Tyka in our group,
by Mike Tyka in our group,
251
705603
3437
นี่เป็นงานที่ถูกสร้าง
โดยไมค์ ไทกา สมาชิกในกลุ่มของเรา
โดยไมค์ ไทกา สมาชิกในกลุ่มของเรา
12:01
which he calls "Animal Parade."
252
709064
2308
งานนี้ถูกเรียกว่า "ขบวนแห่สรรพสัตว์"
12:03
It reminds me a little bit
of William Kentridge's artworks,
of William Kentridge's artworks,
253
711396
2876
มันทำให้ผมนึกถึงงานศิลปะ
ของ วิลเลียม เคนทริดจ์
ของ วิลเลียม เคนทริดจ์
12:06
in which he makes sketches, rubs them out,
254
714296
2489
ที่เขาร่างภาพ แล้วลบออก
12:08
makes sketches, rubs them out,
255
716809
1460
ร่างภาพขึ้นมา แล้วลบออก
12:10
and creates a movie this way.
256
718293
1398
และสร้างสรรค์ภาพยนตร์ด้วยวิธีนี้
12:11
In this case,
257
719715
1151
ในกรณีนี้
12:12
what Mike is doing is varying y
over the space of different animals,
over the space of different animals,
258
720890
3277
สิ่งที่ไมค์ทำก็คือเปลี่ยนค่า y เรื่อย ๆ
บนพื้นที่ของสัตว์หลายชนิด
บนพื้นที่ของสัตว์หลายชนิด
12:16
in a network designed
to recognize and distinguish
to recognize and distinguish
259
724191
2382
ในโครงข่ายที่ถูกออกแบบ
ให้จดจำ และ แยกแยะ
ให้จดจำ และ แยกแยะ
12:18
different animals from each other.
260
726597
1810
สัตว์ที่แตกต่างกันออกจากกัน
12:20
And you get this strange, Escher-like
morph from one animal to another.
morph from one animal to another.
261
728431
3751
และคุณจะได้รูปร่างประหลาด
คล้ายภาพลวงตาของสัตว์ที่เปลี่ยนร่างได้
คล้ายภาพลวงตาของสัตว์ที่เปลี่ยนร่างได้
12:26
Here he and Alex together
have tried reducing
have tried reducing
262
734221
4614
เขาและอเล็กซ์ได้พยายามลด
12:30
the y's to a space of only two dimensions,
263
738859
2759
ค่า y ให้อยู่บนพื้นที่ของสองมิติ
12:33
thereby making a map
out of the space of all things
out of the space of all things
264
741642
3438
ด้วยวิธีการสร้างแผนที่ขึ้นมา
จากพื้นที่ของทุก ๆ สิ่ง
จากพื้นที่ของทุก ๆ สิ่ง
12:37
recognized by this network.
265
745104
1719
ที่ถูกจดจำด้วยโครงข่ายนี้
12:38
Doing this kind of synthesis
266
746847
2023
การทำการวิเคราะห์ประเภทนี้
12:40
or generation of imagery
over that entire surface,
over that entire surface,
267
748894
2382
หรือการสร้างภาพบนทั้งพื้นผิวนั้น
12:43
varying y over the surface,
you make a kind of map --
you make a kind of map --
268
751300
2846
เปลี่ยนแปลงค่า y เหนือพื้นผิว
คุณได้สร้างแผนที่ --
คุณได้สร้างแผนที่ --
12:46
a visual map of all the things
the network knows how to recognize.
the network knows how to recognize.
269
754170
3141
แผนที่ภาพของทุก ๆ สิ่ง ที่โครงข่ายประสาท
รู้ว่าจะแยกแยะอย่างไร
รู้ว่าจะแยกแยะอย่างไร
12:49
The animals are all here;
"armadillo" is right in that spot.
"armadillo" is right in that spot.
270
757335
2865
สัตว์ทั้งหมดอยู่ที่นี่
"ตัวนิ่ม" อยู่ตรงจุดนั้น
"ตัวนิ่ม" อยู่ตรงจุดนั้น
12:52
You can do this with other kinds
of networks as well.
of networks as well.
271
760919
2479
คุณสามารถทำอย่างนี้
กับโครงข่ายประเภทอื่นได้ด้วย
กับโครงข่ายประเภทอื่นได้ด้วย
12:55
This is a network designed
to recognize faces,
to recognize faces,
272
763422
2874
นี่คือโครงข่ายที่ถูกออกแบบ
ให้จดจำใบหน้า
ให้จดจำใบหน้า
12:58
to distinguish one face from another.
273
766320
2000
เพื่อแยกแยะใบหน้าต่าง ๆ ออกจากกัน
13:00
And here, we're putting
in a y that says, "me,"
in a y that says, "me,"
274
768344
3249
และในที่นี้ เราได้ใส่ค่า y ที่บอกว่า "ฉัน"
13:03
my own face parameters.
275
771617
1575
พารามิเตอร์หน้าของผม
13:05
And when this thing solves for x,
276
773216
1706
และเมื่อสิ่งนี้ค้นหาค่า x
13:06
it generates this rather crazy,
277
774946
2618
มันสร้างสิ่งที่ค่อนข้างประหลาด
13:09
kind of cubist, surreal,
psychedelic picture of me
psychedelic picture of me
278
777588
4428
เหมือนกับภาพหลอน ๆ ของผม
แนวศิลปะภาพแบบเหลี่ยม เหนือจริง
แนวศิลปะภาพแบบเหลี่ยม เหนือจริง
13:14
from multiple points of view at once.
279
782040
1806
จากหลายมุมมองในครั้งเดียว
13:15
The reason it looks like
multiple points of view at once
multiple points of view at once
280
783870
2734
เหตุผลที่มันดูเหมือนการมองหลายมุม
ในครั้งเดียวนั้น
ในครั้งเดียวนั้น
13:18
is because that network is designed
to get rid of the ambiguity
to get rid of the ambiguity
281
786628
3687
เพราะว่าโครงข่ายนี้ถูกออกแบบ
เพื่อกำจัดความคลุมเครือ
เพื่อกำจัดความคลุมเครือ
13:22
of a face being in one pose
or another pose,
or another pose,
282
790339
2476
ของหน้าที่อยู่ในท่าการจัดวางที่แตกต่างกัน
13:24
being looked at with one kind of lighting,
another kind of lighting.
another kind of lighting.
283
792839
3376
ถูกมองด้วยการจัดแสงที่แตกต่างกัน
13:28
So when you do
this sort of reconstruction,
this sort of reconstruction,
284
796239
2085
ดังนั้นเมื่อคุณทำการประกอบภาพใหม่
13:30
if you don't use some sort of guide image
285
798348
2304
ถ้าคุณไม่ได้ใช้ภาพชี้แนะ
13:32
or guide statistics,
286
800676
1211
หรือการชี้แนะด้วยสถิติ
13:33
then you'll get a sort of confusion
of different points of view,
of different points of view,
287
801911
3765
คุณก็จะได้ภาพที่ดูสับสนจากหลายมุมมอง
13:37
because it's ambiguous.
288
805700
1368
เนื่องจากมันมีความคลุมเครือ
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
นี่คือสิ่งที่เกิดขึ้น
ถ้าอเล็กซ์ใช้ใบหน้าเขาเองเป็นภาพตัวชี้แนะ
ถ้าอเล็กซ์ใช้ใบหน้าเขาเองเป็นภาพตัวชี้แนะ
13:44
during that optimization process
to reconstruct my own face.
to reconstruct my own face.
290
812033
3321
ระหว่างกระบวนการหาผลลัพธ์ที่ดีที่สุด
เพื่อประกอบภาพใบหน้าของผมขึ้นใหม่
เพื่อประกอบภาพใบหน้าของผมขึ้นใหม่
13:48
So you can see it's not perfect.
291
816284
2328
คุณจะเห็นว่าว่ามันไม่สมบูรณ์แบบ
13:50
There's still quite a lot of work to do
292
818636
1874
ยังคงมีงานอีกมากที่ต้องทำ
13:52
on how we optimize
that optimization process.
that optimization process.
293
820534
2453
ในการทำอย่างไร
เพื่อให้ได้ผลลัพธ์ที่ดีที่สุด
เพื่อให้ได้ผลลัพธ์ที่ดีที่สุด
13:55
But you start to get something
more like a coherent face,
more like a coherent face,
294
823011
2827
แต่คุณเริ่มได้รับบางอย่าง
ที่เหมือนใบหน้าที่สอดคล้องกันมากขึ้น
ที่เหมือนใบหน้าที่สอดคล้องกันมากขึ้น
13:57
rendered using my own face as a guide.
295
825862
2014
ที่ถูกแสดงผลโดยใช้ใบหน้าของผม
ในการชี้แนะ
ในการชี้แนะ
14:00
You don't have to start
with a blank canvas
with a blank canvas
296
828892
2501
คุณไม่จำเป็นต้องเริ่มต้นจากผ้าใบว่างเปล่า
14:03
or with white noise.
297
831417
1156
หรือด้วยสัญญาณรบกวนสีขาว ๆ
14:04
When you're solving for x,
298
832597
1304
เมื่อคุณแก้เพื่อหาค่า x
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
คุณสามารถเริ่มต้นด้วย x
ซึ่งตัวมันเองก็เป็นภาพอื่นอยู่แล้ว
ซึ่งตัวมันเองก็เป็นภาพอื่นอยู่แล้ว
14:09
That's what this little demonstration is.
300
837838
2556
นั่นคือสิ่งที่การสาธิตเล็ก ๆ นี้บอกคุณ
14:12
This is a network
that is designed to categorize
that is designed to categorize
301
840418
4122
นี่คือโครงข่ายที่ถูกออกแบบจัดจำแนก
14:16
all sorts of different objects --
man-made structures, animals ...
man-made structures, animals ...
302
844564
3119
วัตถุจำพวกต่าง ๆ --
โครงสร้างที่มนุษย์ทำขึ้น, สัตว์...
โครงสร้างที่มนุษย์ทำขึ้น, สัตว์...
14:19
Here we're starting
with just a picture of clouds,
with just a picture of clouds,
303
847707
2593
เรามาเริ่มต้นด้วย
ภาพของกลุ่มก้อนเมฆ
ภาพของกลุ่มก้อนเมฆ
14:22
and as we optimize,
304
850324
1671
และเมื่อเราหาผลลัพธ์ที่ดีที่สุด
14:24
basically, this network is figuring out
what it sees in the clouds.
what it sees in the clouds.
305
852019
4486
โดยพื้นฐาน โครงข่ายนี้กำลังหาว่า
มันเห็นอะไรในกลุ่มเมฆ
มันเห็นอะไรในกลุ่มเมฆ
14:28
And the more time
you spend looking at this,
you spend looking at this,
306
856931
2320
และยิ่งคุณใช้เวลาในการมองภาพนี้
มากขึ้นเท่าไร
มากขึ้นเท่าไร
14:31
the more things you also
will see in the clouds.
will see in the clouds.
307
859275
2753
คุณก็ยิ่งเห็นสิ่งต่างในกลุ่มเมฆ
มากขึ้นเท่านั้น
มากขึ้นเท่านั้น
14:35
You could also use the face network
to hallucinate into this,
to hallucinate into this,
308
863004
3375
คุณยังสามารถใช้โครงข่ายใบหน้า
เพื่อให้เห็นภาพหลอนแบบนี้
เพื่อให้เห็นภาพหลอนแบบนี้
14:38
and you get some pretty crazy stuff.
309
866403
1812
และคุณได้อะไรประหลาด ๆ ออกมา
14:40
(Laughter)
310
868239
1150
(เสียงหัวเราะ)
14:42
Or, Mike has done some other experiments
311
870401
2744
หรือ ไมค์ได้ทำการทดลองอื่น
14:45
in which he takes that cloud image,
312
873169
3905
ซึ่งเขานำภาพกลุ่มเมฆนั้น
14:49
hallucinates, zooms, hallucinates,
zooms hallucinates, zooms.
zooms hallucinates, zooms.
313
877098
3507
เห็นภาพหลอน ขยาย เห็นภาพหลอน
ขยาย เห็นภาพหลอน ขยาย
ขยาย เห็นภาพหลอน ขยาย
14:52
And in this way,
314
880629
1151
อย่างที่เห็น
14:53
you can get a sort of fugue state
of the network, I suppose,
of the network, I suppose,
315
881804
3675
คุณสามารถได้สภาวะขาดความควบคุม
ของโครงข่ายผมว่านะ
ของโครงข่ายผมว่านะ
14:57
or a sort of free association,
316
885503
3680
หรือประมาณว่าความเกี่ยวข้องอิสระ
15:01
in which the network
is eating its own tail.
is eating its own tail.
317
889207
2227
ซึ่งโครงข่ายกำลังกินหางของมันเอง
15:03
So every image is now the basis for,
318
891458
3421
ดังนั้น รูปภาพทุกรูป
ตอนนี้เป็นพื้นฐานสำหรับ
ตอนนี้เป็นพื้นฐานสำหรับ
15:06
"What do I think I see next?
319
894903
1421
"ต่อไปผมจะเห็นอะไรนะ
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
ต่อไปผมจะเห็นอะไรนะ
ต่อไปผมจะเห็นอะไรนะ"
ต่อไปผมจะเห็นอะไรนะ"
15:11
I showed this for the first time in public
321
899487
2936
ผมแสดงสิ่งนี้เป็นครั้งแรกในที่สาธารณะ
15:14
to a group at a lecture in Seattle
called "Higher Education" --
called "Higher Education" --
322
902447
5437
ให้กับกลุ่มที่ฟังบรรยายในซีแอตเทิล
ที่เรียกว่า "การศึกษาระดับอุดมศึกษา" --
ที่เรียกว่า "การศึกษาระดับอุดมศึกษา" --
15:19
this was right after
marijuana was legalized.
marijuana was legalized.
323
907908
2437
นี้เป็นตอนหลังจากที่กัญชา
ถูกทำให้ถูกต้องตามกฎหมายแล้ว
ถูกทำให้ถูกต้องตามกฎหมายแล้ว
15:22
(Laughter)
324
910369
2415
(เสียงหัวเราะ)
15:26
So I'd like to finish up quickly
325
914627
2104
ผมอยากจะสรุปแบบรวดเร็ว
15:28
by just noting that this technology
is not constrained.
is not constrained.
326
916755
4255
ด้วยการเน้นว่าเทคโนโลยีนี้ไม่ได้ถูกจำกัด
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
ผมได้แสดงให้คุณเห็นตัวอย่างที่เห็นได้
เพราะมันสนุกที่จะได้เห็น
เพราะมันสนุกที่จะได้เห็น
15:36
It's not a purely visual technology.
328
924723
2451
มันไม่ได้เป็นเทคโนโลยีที่มองเห็นได้เท่านั้น
15:39
Our artist collaborator, Ross Goodwin,
329
927198
1993
ศิลปินผู้ประสานงานของเรา รอสส์ กู๊ดวิน
15:41
has done experiments involving
a camera that takes a picture,
a camera that takes a picture,
330
929215
3671
ได้ทำการทดลองที่เกี่ยวข้องกับ
กล้องที่ถ่ายภาพ
กล้องที่ถ่ายภาพ
15:44
and then a computer in his backpack
writes a poem using neural networks,
writes a poem using neural networks,
331
932910
4234
และจากนั้นคอมพิวเตอร์ในกระเป๋าของเขา
ได้เขียนบทกวีด้วยโครงข่ายประสาท
ได้เขียนบทกวีด้วยโครงข่ายประสาท
15:49
based on the contents of the image.
332
937168
1944
จากเนื้อหาของรูปภาพ
15:51
And that poetry neural network
has been trained
has been trained
333
939136
2947
และโครงข่ายประสาทบทกวีนั้นก็ถูกฝึกฝน
15:54
on a large corpus of 20th-century poetry.
334
942107
2234
จากส่วนสำคัญของบทกวีศตวรรษที่ 20
15:56
And the poetry is, you know,
335
944365
1499
และอย่างที่เห็นบทกวีมันก็
15:57
I think, kind of not bad, actually.
336
945888
1914
ผมว่า ที่จริงก็ไม่ได้แย่สักเท่าไหร่
15:59
(Laughter)
337
947826
1384
(เสียงหัวเราะ)
16:01
In closing,
338
949234
1159
ก่อนจากลาจากกัน
16:02
I think that per Michelangelo,
339
950417
2132
ผมคิดว่าตามที่ไมเคิลแองเจลโลกล่าว
16:04
I think he was right;
340
952573
1234
ผมว่าเขาพูดถูกต้อง
16:05
perception and creativity
are very intimately connected.
are very intimately connected.
341
953831
3436
การรับรู้และความคิดสร้างสรรค์
มีความเชื่อมโยงกันอย่างใกล้ชิดมาก
มีความเชื่อมโยงกันอย่างใกล้ชิดมาก
16:09
What we've just seen are neural networks
342
957611
2634
สิ่งที่พวกเราเพิ่งได้เห็นไป
คือโครงข่ายประสาท
คือโครงข่ายประสาท
16:12
that are entirely trained to discriminate,
343
960269
2303
ที่ทั้งหมดถูกฝึกฝนโดยเพื่อแยกแยะ
16:14
or to recognize different
things in the world,
things in the world,
344
962596
2242
หรือเพื่อจดจำสิ่งต่าง ๆ ในโลกนี้
16:16
able to be run in reverse, to generate.
345
964862
3161
ซึ่งสามารถที่จะทำงานย้อนกลับ
เพื่อทำการสร้างสรรค์ได้
เพื่อทำการสร้างสรรค์ได้
16:20
One of the things that suggests to me
346
968047
1783
สิ่งหนึ่งที่มันบอกกับผมก็คือ
16:21
is not only that
Michelangelo really did see
Michelangelo really did see
347
969854
2398
ไม่ใช่แค่ไมเคิลแองเจลโลเห็นจริง ๆ
16:24
the sculpture in the blocks of stone,
348
972276
2452
ว่าประติมากรรมอยู่ในก้อนหิน
16:26
but that any creature,
any being, any alien
any being, any alien
349
974752
3638
แต่ทุกคน ทุกสิ่งมีชีวิต
ทั้งในโลกหรือนอกโลก
ทั้งในโลกหรือนอกโลก
16:30
that is able to do
perceptual acts of that sort
perceptual acts of that sort
350
978414
3657
ที่สามารถรับรู้หรือการทำงาน
อะไรทำนองนั้นได้
อะไรทำนองนั้นได้
16:34
is also able to create
351
982095
1375
ก็ย่อมสามารถที่จะสร้างสรรค์ได้
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
เพราะมันเป็นกลไกเดียวกัน
ที่ถูกใช้ในทั้งสองกรณี
ที่ถูกใช้ในทั้งสองกรณี
16:38
Also, I think that perception
and creativity are by no means
and creativity are by no means
353
986742
4532
นอกจากนี้ ไม่ว่าจะอย่างไรก็ตาม
ผมคิดว่าการรับรู้และความคิดสร้างสรรค์
ผมคิดว่าการรับรู้และความคิดสร้างสรรค์
16:43
uniquely human.
354
991298
1210
ไม่ได้เป็นเอกลักษณ์
ที่มีแต่เฉพาะในมนุษย์เท่านั้น
ที่มีแต่เฉพาะในมนุษย์เท่านั้น
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
พวกเราเริ่มมีโมเดลคอมพิวเตอร์
ที่สามารถทำสิ่งเดียวกันนี้ได้
ที่สามารถทำสิ่งเดียวกันนี้ได้
16:48
And that ought to be unsurprising;
the brain is computational.
the brain is computational.
356
996264
3328
และนั่นไม่ควรที่จะเป็นเรื่องน่าประหลาดใจ;
สมองมีการคำนวณแบบคอมพิวเตอร์
สมองมีการคำนวณแบบคอมพิวเตอร์
16:51
And finally,
357
999616
1657
และท้ายที่สุด
16:53
computing began as an exercise
in designing intelligent machinery.
in designing intelligent machinery.
358
1001297
4668
คอมพิวเตอร์เริ่มต้นจากความพยายาม
ในการออกแบบเครื่องจักรที่มีความฉลาด
ในการออกแบบเครื่องจักรที่มีความฉลาด
16:57
It was very much modeled after the idea
359
1005989
2462
มันถูกสร้างขึ้นจากความคิดที่ว่า
17:00
of how could we make machines intelligent.
360
1008475
3013
เราจะสร้างเครื่องจักร
ให้เฉลียวฉลาดได้อย่างไร
ให้เฉลียวฉลาดได้อย่างไร
17:03
And we finally are starting to fulfill now
361
1011512
2162
และท้ายที่สุด
เราเริ่มที่จะเติมเต็มความคิดนั้น
เราเริ่มที่จะเติมเต็มความคิดนั้น
17:05
some of the promises
of those early pioneers,
of those early pioneers,
362
1013698
2406
คำสัญญาบางอย่างของผู้ริเริ่มยุคแรก
17:08
of Turing and von Neumann
363
1016128
1713
ของทัวริง และ ฟอน นอยมันน์
17:09
and McCulloch and Pitts.
364
1017865
2265
และ แมคคัลลอช์ และ พิทซ์
17:12
And I think that computing
is not just about accounting
is not just about accounting
365
1020154
4098
และผมคิดว่าคอมพิวเตอร์
ไม่ใช่แค่สำหรับการทำบัญชี
ไม่ใช่แค่สำหรับการทำบัญชี
17:16
or playing Candy Crush or something.
366
1024276
2147
หรือการเล่นแคนดี้ครัช หรืออะไร
17:18
From the beginning,
we modeled them after our minds.
we modeled them after our minds.
367
1026447
2578
ตั้งแต่แรกเริ่ม พวกเราสร้างมันขึ้นมา
ตามแบบสมองของเรา
ตามแบบสมองของเรา
17:21
And they give us both the ability
to understand our own minds better
to understand our own minds better
368
1029049
3269
แล้วพวกมันก็ทำให้เราสามารถเข้าใจ
จิตใจของเราเองดีขึ้น
จิตใจของเราเองดีขึ้น
17:24
and to extend them.
369
1032342
1529
ทั้งยังทำให้เราเข้าใจพวกมันดีขึ้นด้วย
17:26
Thank you very much.
370
1034627
1167
ขอบคุณมากครับ
17:27
(Applause)
371
1035818
5939
(เสียงปรบมือ)
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