ABOUT THE SPEAKER
Fei-Fei Li - Computer scientist
As Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing.

Why you should listen

Using algorithms built on machine learning methods such as neural network models, the Stanford Artificial Intelligence Lab led by Fei-Fei Li has created software capable of recognizing scenes in still photographs -- and accurately describe them using natural language.

Li’s work with neural networks and computer vision (with Stanford’s Vision Lab) marks a significant step forward for AI research, and could lead to applications ranging from more intuitive image searches to robots able to make autonomous decisions in unfamiliar situations.

Fei-Fei was honored as one of Foreign Policy's 2015 Global Thinkers

More profile about the speaker
Fei-Fei Li | Speaker | TED.com
TED2015

Fei-Fei Li: How we're teaching computers to understand pictures

فاي-فاي لي: كيف نقوم بتعليم الحواسيب لكي تفهم الصور

Filmed:
2,702,344 views

عندما تنظر طفلة صغيرة جدًا إلى صورة، فإنها تستطيع تحديد العناصر البسيطة فيها: "قطة،" "كتاب،" "كرسي." الآن، يزداد ذكاء الحواسيب بما يكفي لتقوم بذلك أيضًا. ما التالي؟ في محادثة مثيرة، تصف خبيرة إبصار الحواسيب فاي-فاي لي هذا التقدم المذهل (بما فيه قاعدة بيانات تحوي 15 مليون صورة بناها فريقها لأجل "تعليم" الحاسوب كيف يفهم الصور) والأفكار الرئيسية التي لم تتبلور بعد.
- Computer scientist
As Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing. Full bio

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

00:14
Let me showتبين you something.
0
2366
3738
دعوني أريكم شيئًا
00:18
(Videoفيديو) Girlفتاة: Okay, that's a catقط
sittingجلسة in a bedالسرير.
1
6104
4156
(فيديو) طفلة: حسنًا، هذه قطة
تجلس في السرير
00:22
The boyصبي is pettingملاطفة the elephantفيل.
2
10260
4040
الولد يداعب الفيل
00:26
Those are people
that are going on an airplaneمطار.
3
14300
4354
هؤلاء أناس سيسافرون
على متن الطائرة
00:30
That's a bigكبير airplaneمطار.
4
18654
2810
تلك طائرة كبيرة
00:33
Fei-Feiفي في Liلي: This is
a three-year-oldثلاث سنوات من العمر childطفل
5
21464
2206
فاي-فاي لِي: هذه طفلة
عمرها ثلاثة أعوام
00:35
describingوصف what she seesيرى
in a seriesسلسلة of photosالصور.
6
23670
3679
تصف ما تراه في
مجموعة من الصور
00:39
She mightربما still have a lot
to learnتعلم about this worldالعالمية,
7
27349
2845
ربما لا يزال أمامها الكثير
لتتعلمه عن هذا العالم
00:42
but she's alreadyسابقا an expertخبير
at one very importantمهم taskمهمة:
8
30194
4549
لكنها بالفعل خبيرة في
مهمة ضرورية جدًا
00:46
to make senseإحساس of what she seesيرى.
9
34743
2846
أن تعي وتعقل ما تراه
00:50
Our societyالمجتمع is more
technologicallyتكنولوجيا advancedالمتقدمة than ever.
10
38229
4226
مجتمعنا متقدمٌ تكنولوجيًا
بشكل لم يسبق له مثيل
00:54
We sendإرسال people to the moonالقمر,
we make phonesالهواتف that talk to us
11
42455
3629
نُرسل أناسًا إلى القمر
أونجعل هواتفنا تتحدث إلينا
00:58
or customizeيعدل أو يكيف radioراديو stationsمحطات
that can playلعب only musicموسيقى we like.
12
46084
4946
أو نخصص محطات إذاعية تستطيع أن
تعزف الموسيقى التي نحبها فقط
01:03
Yetبعد, our mostعظم advancedالمتقدمة
machinesآلات and computersأجهزة الكمبيوتر
13
51030
4055
لكن، آلاتنا وأجهزة الكمبيوتر
الأكثر تطورًا
01:07
still struggleصراع at this taskمهمة.
14
55085
2903
لا تزال تشق طريقها جاهدةً
لتنفيذ هذه المهمة
01:09
So I'm here todayاليوم
to give you a progressتقدم reportأبلغ عن
15
57988
3459
لذلك جئت اليوم
لأعطيكم تقريرًا مرحليًا
01:13
on the latestآخر advancesالتقدم
in our researchابحاث in computerالحاسوب visionرؤية,
16
61447
4047
عن آخر التطورات في أبحاثنا
في مجال الإبصار الحاسوبي،
01:17
one of the mostعظم frontierحدود
and potentiallyيحتمل revolutionaryثوري
17
65494
4161
وهو أحد التقنيات الرائدة
بل وربما الثورية
01:21
technologiesالتقنيات in computerالحاسوب scienceعلم.
18
69655
3206
في مجال علوم الحاسوب
01:24
Yes, we have prototypedنموذج أولي carsالسيارات
that can driveقيادة by themselvesأنفسهم,
19
72861
4551
نعم، لقد صنعنا نماذج لسيارات
تستطيع أن تقود نفسها بنفسها
01:29
but withoutبدون smartذكي visionرؤية,
they cannotلا تستطيع really tell the differenceفرق
20
77412
3853
لكن بدون إبصار ذكي
لن تستطيع تلك السيارات أن تميز الفرق بدقة
01:33
betweenما بين a crumpledتكوم paperورقة bagحقيبة
on the roadطريق, whichالتي can be runيركض over,
21
81265
3970
بين كيس ورقي متكوّم على الطريق
بحيث يمكنها أن تمر فوقه
01:37
and a rockصخرة that sizeبحجم,
whichالتي should be avoidedتجنب.
22
85235
3340
وبين صخرة بنفس الحجم
ينبغي عليها تجاوزها
01:41
We have madeمصنوع fabulousرائع megapixelميغابيكسل camerasكاميرات,
23
89415
3390
لقد صنعنا كاميرات رائعة
تقاس دقتها بالميجا بكسل
01:44
but we have not deliveredتم التوصيل
sightمشهد to the blindبليند.
24
92805
3135
لكننا لم نمنح الأعمى بصرًا
01:48
Dronesطائرات بدون طيار can flyيطير over massiveكبير landأرض,
25
96420
3305
تستطيع الطائرات بدون طيار
أن تحلق فوق مساحات شاسعة
01:51
but don't have enoughكافية visionرؤية technologyتقنية
26
99725
2134
لكنها لا تملك تقنية إبصار كافية
01:53
to help us to trackمسار
the changesالتغييرات of the rainforestsالغابات المطيرة.
27
101859
3461
لتعيننا على تتبع التغيرات
في الغابات المطيرة
01:57
Securityالأمان camerasكاميرات are everywhereفي كل مكان,
28
105320
2950
كاميرات المراقبة أصبحت في كل مكان
02:00
but they do not alertمحزر us when a childطفل
is drowningغرق in a swimmingسباحة poolحوض السباحة.
29
108270
5067
لكنها لا تنبهنا عندما يوشك
طفل على الغرق في بركة سباحة
02:06
Photosالصور and videosأشرطة فيديو are becomingتصبح
an integralمتكامل partجزء of globalعالمي life.
30
114167
5595
الصور والفيديوهات أصبحت
جزءًا متكاملا مع الحياة على مستوى العالم
02:11
They're beingيجرى generatedولدت at a paceسرعة
that's farبعيدا beyondوراء what any humanبشري,
31
119762
4087
لقد أصبحت تتدفق بوتيرة أسرع
بكثير مما كان أي إنسان
02:15
or teamsفرق of humansالبشر, could hopeأمل to viewرأي,
32
123849
2783
أو مجموعة من البشر يأمل في رؤيته
02:18
and you and I are contributingالمساهمة
to that at this TEDTED.
33
126632
3921
وأنا وأنت نساهم في ذلك
في مؤتمر TED هذا
02:22
Yetبعد our mostعظم advancedالمتقدمة softwareالبرمجيات
is still strugglingيكافح at understandingفهم
34
130553
5232
لكن ما تزال أكثر برامجنا تطورًا
تواجه مشكلة في استيعاب
02:27
and managingإدارة this enormousضخم contentيحتوى.
35
135785
3876
وإدارة هذا المحتوى الهائل
02:31
So in other wordsكلمات,
collectivelyجماعي as a societyالمجتمع,
36
139661
5272
لذلك، وبكلمات أخرى
نحن كمجتمع، بصورة جمعية
02:36
we're very much blindبليند,
37
144933
1746
فاقدون للبصر بشدة
02:38
because our smartestأذكى
machinesآلات are still blindبليند.
38
146679
3387
لأن أذكى آلاتنا لا تزال عمياء
02:43
"Why is this so hardالصعب?" you mayقد askيطلب.
39
151526
2926
يمكنك أن تسأل
"لِمَ ذلك من الصعوبة بمكان؟"
02:46
Camerasكاميرات can take picturesالصور like this one
40
154452
2693
تستطيع الكاميرات أن تلتقط صورًا كهذه
02:49
by convertingالتحول lightsأضواء into
a two-dimensionalثنائي الأبعاد arrayمجموعة مصفوفة of numbersأعداد
41
157145
3994
عن طريق تحويل الضوء إلى
مصفوفة أرقام ثنائية البعد
02:53
knownمعروف as pixelsبكسل,
42
161139
1650
تعرف باسم البكسل
02:54
but these are just lifelessميت numbersأعداد.
43
162789
2251
لكنها مجرد أرقام خالية من الحياة
02:57
They do not carryيحمل meaningالمعنى in themselvesأنفسهم.
44
165040
3111
لا تحمل في ذاتها أي معنى
03:00
Just like to hearسمع is not
the sameنفسه as to listen,
45
168151
4343
تمامًا كما أن السّمْع يختلف عن الإصغاء
03:04
to take picturesالصور is not
the sameنفسه as to see,
46
172494
4040
فإن التقاط الصور يختلف عن الإبصار
03:08
and by seeingرؤية,
we really mean understandingفهم.
47
176534
3829
فبالإبصار، فإننا في الحقيقة
نعني الفهم
03:13
In factحقيقة, it tookأخذ Motherأم Natureطبيعة
540 millionمليون yearsسنوات of hardالصعب work
48
181293
6177
في الواقع، فإن الأمر استغرق الطبيعة الأم
540 مليون سنة من العمل المُضني
03:19
to do this taskمهمة,
49
187470
1973
لتنجز هذه المهمة
03:21
and much of that effortمجهود
50
189443
1881
ومعظم ذلك الجهد
03:23
wentذهب into developingتطوير the visualبصري
processingمعالجة apparatusجهاز of our brainsعقل,
51
191324
5271
ذهب في سبيل تطوير جهاز معالجة
بصرية في أدمغتنا
03:28
not the eyesعيون themselvesأنفسهم.
52
196595
2647
وليس العين بحد ذاتها
03:31
So visionرؤية beginsيبدأ with the eyesعيون,
53
199242
2747
إذن، تبدأ الرؤية في العين
03:33
but it trulyحقا takes placeمكان in the brainدماغ.
54
201989
3518
لكنها حقيقة تحدث في الدماغ
03:38
So for 15 yearsسنوات now, startingابتداء
from my Phفتاه.D. at Caltechمعهد كاليفورنيا للتكنولوجيا
55
206287
5060
منذ 15 عامًا وحتى الآن بدأتها منذ كنت أحضر
الدكتوراه في معهد كاليفورنيا للتكنولوجيا
03:43
and then leadingقيادة Stanford'sستانفورد Visionرؤية Labمختبر,
56
211347
2926
وبعد ذلك عندما كنت أقود
مختبر الإبصار في ستانفورد
03:46
I've been workingعامل with my mentorsالموجهين,
collaboratorsالمتعاونين and studentsالطلاب
57
214273
4396
كنت أعمل مع أساتذتي
ومعاونيّ وتلامذتي
03:50
to teachعلم computersأجهزة الكمبيوتر to see.
58
218669
2889
على تعليم الحواسيب لكي تبصر
03:54
Our researchابحاث fieldحقل is calledمسمي
computerالحاسوب visionرؤية and machineآلة learningتعلم.
59
222658
3294
مجال بحثنا يسمى
الإبصار الحاسوبي وتعليم الحواسيب
03:57
It's partجزء of the generalجنرال لواء fieldحقل
of artificialمصطنع intelligenceالمخابرات.
60
225952
3878
وهو جزء من المجال العام
في الذكاء الصناعي
04:03
So ultimatelyفي النهاية, we want to teachعلم
the machinesآلات to see just like we do:
61
231000
5493
ما نريد الوصول إليه هو أن نُعَلّم
الآلات لكي تبصر مثلنا تمامًا
04:08
namingتسمية objectsشاء, identifyingتحديد people,
inferringاستنتاج 3D geometryعلم الهندسة of things,
62
236493
5387
تُسمي الأشياء بأسمائها وتتعرف على الأشخاص
وتستدل على الأبعاد الثلاثية للأسطح
04:13
understandingفهم relationsعلاقات, emotionsالعواطف,
actionsأفعال and intentionsنوايا.
63
241880
5688
تفهم العلاقات والعواطف
والأفعال والنوايا
04:19
You and I weaveنسج togetherسويا entireكامل storiesقصص
of people, placesأماكن and things
64
247568
6153
أنت وأنا ننسج معا قصصًا كاملة
عن الناس والأماكن والأشياء
04:25
the momentلحظة we layبسط our gazeتحديق on them.
65
253721
2164
في اللحظة التي تقع فيها أبصارنا عليهم
04:28
The first stepخطوة towardsتجاه this goalهدف
is to teachعلم a computerالحاسوب to see objectsشاء,
66
256955
5583
أول خطوة في سبيل تحقيق هذا الهدف
هي أن نلقن الحاسوب كيف يرى الأشياء
04:34
the buildingبناء blockمنع of the visualبصري worldالعالمية.
67
262538
3368
اللبِنة الأساسية للعالم المرئي
04:37
In its simplestأبسط termsشروط,
imagineتخيل this teachingتعليم processمعالج
68
265906
4434
بأبسط العبارات، تخيل
هذه العملية التلقينية
04:42
as showingتظهر the computersأجهزة الكمبيوتر
some trainingتدريب imagesصور
69
270340
2995
كأن نُري الحواسيب بعض
الصور التدريبية
04:45
of a particularبصفة خاصة objectموضوع, let's say catsالقطط,
70
273335
3321
لشيء معين، لنفترض قطة
04:48
and designingتصميم a modelنموذج that learnsيتعلم
from these trainingتدريب imagesصور.
71
276656
4737
ونصمم نموذجا يمكنه أن يتعلم
من هذه الصور التدريبية
04:53
How hardالصعب can this be?
72
281393
2044
ما هو مبلغ الصعوبة في ذلك؟
04:55
After all, a catقط is just
a collectionمجموعة of shapesالأشكال and colorsالألوان,
73
283437
4052
ففي النهاية، ما القطة إلا
مجموعة أشكال وألوان
04:59
and this is what we did
in the earlyمبكرا daysأيام of objectموضوع modelingتصميم.
74
287489
4086
وهذا ما فعلناه في الأيام الأولى
لعملية نَمْذجة الأشياء
05:03
We'dكنا tell the computerالحاسوب algorithmخوارزمية
in a mathematicalرياضي languageلغة
75
291575
3622
كنا نلقن خوارزمية الحاسوب
بلغة رياضية
05:07
that a catقط has a roundمستدير - كروي faceوجه,
a chubbyبدين bodyالجسم,
76
295197
3343
أن القطة لها وجه مُدوّر
وجسم مُكْتَنِز
05:10
two pointyمدبب earsآذان, and a long tailذيل,
77
298540
2299
وأذنان مدببتان
وذيل طويل
05:12
and that lookedبدا all fine.
78
300839
1410
وبدا ذلك مما لا بأس فيه
05:14
But what about this catقط?
79
302859
2113
لكن ماذا عن هذه القطة؟
05:16
(Laughterضحك)
80
304972
1091
(ضحك)
05:18
It's all curledكرة لولبية up.
81
306063
1626
أنها ملتفة حول نفسها
05:19
Now you have to addإضافة anotherآخر shapeشكل
and viewpointوجهة نظر to the objectموضوع modelنموذج.
82
307689
4719
الآن عليك أن تضيف شكلًا
ومنظورًا آخرين للنموذج
05:24
But what if catsالقطط are hiddenمخفي?
83
312408
1715
لكن ماذا لو كانت القطط مخفية؟
05:27
What about these sillyسخيف catsالقطط?
84
315143
2219
ماذا عن هذه القطط المُضحكة؟
05:31
Now you get my pointنقطة.
85
319112
2417
لقد فهمتم الآن ما أعنيه
05:33
Even something as simpleبسيط
as a householdمنزلي petحيوان اليف
86
321529
3367
حتى بالنسبة لشيء بسيط
كحيوان أليف
05:36
can presentحاضر an infiniteغير محدود numberرقم
of variationsالاختلافات to the objectموضوع modelنموذج,
87
324896
4504
يمكن أن يقدم عددا لا نهائي
من المتغيرات للنموذج
05:41
and that's just one objectموضوع.
88
329400
2233
وهذا مجرد شيء واحد فحسب
05:44
So about eightثمانية yearsسنوات agoمنذ,
89
332573
2492
لذا منذ حوالي ثمان سنوات
05:47
a very simpleبسيط and profoundعميق observationالملاحظة
changedتغير my thinkingتفكير.
90
335065
5030
ملاحظة بسيطة ومتعمقة
غيرت تفكيري
05:53
No one tellsيروي a childطفل how to see,
91
341425
2685
لا أحد يُعَلّم الطفل كيف يبصر
05:56
especiallyخصوصا in the earlyمبكرا yearsسنوات.
92
344110
2261
خصوصًا في السنوات الأولى
05:58
They learnتعلم this throughعبر
real-worldعالم حقيقي experiencesخبرة and examplesأمثلة.
93
346371
5000
هم يتعلمون من خلال التجارب
والأمثلة في العالم الحقيقي
06:03
If you considerيعتبر a child'sالطفل eyesعيون
94
351371
2740
إذا أخذت في الاعتبار عيني طفل
06:06
as a pairزوج of biologicalبيولوجي camerasكاميرات,
95
354111
2554
كزوج من الكاميرات الحيوية
06:08
they take one pictureصورة
about everyكل 200 millisecondsميلي ثانية,
96
356665
4180
فإنها تلتقط صورة واحدة
كل 200 ميللي ثانية تقريبًا
06:12
the averageمعدل time an eyeعين movementحركة is madeمصنوع.
97
360845
3134
وهو متوسط الوقت الذي تستغرقه حركة العين
06:15
So by ageعمر threeثلاثة, a childطفل would have seenرأيت
hundredsالمئات of millionsملايين of picturesالصور
98
363979
5550
إذن ففي الثالثة من العمر يكون الطفل
قد رأى مئات الملايين من الصور
06:21
of the realحقيقة worldالعالمية.
99
369529
1834
للعالم الحقيقي
06:23
That's a lot of trainingتدريب examplesأمثلة.
100
371363
2280
هذا يشكل كمًا كبيرًا من الأمثلة التدريبية
06:26
So insteadفي حين أن of focusingالتركيز solelyفقط
on better and better algorithmsخوارزميات,
101
374383
5989
ولذلك فبدلا من التركيز على تحسين
الخوارزميات لوحدها
06:32
my insightتبصر was to give the algorithmsخوارزميات
the kindطيب القلب of trainingتدريب dataالبيانات
102
380372
5272
فَطِنْت لأن أعطي الخوارزميات
نفس النوع من البيانات التدريبية
06:37
that a childطفل was givenمعطى throughعبر experiencesخبرة
103
385644
3319
التي يحصل عليها الطفل من خلال التجارب
06:40
in bothكلا quantityكمية and qualityجودة.
104
388963
3878
من حيث الكمّ والنوع
06:44
Onceذات مرة we know this,
105
392841
1858
طالما أننا نعرف ذلك
06:46
we knewعرف we neededبحاجة to collectتجميع a dataالبيانات setجلس
106
394699
2971
فقد عرفنا أننا نحتاج أن نجمع مجموعة بيانات
06:49
that has farبعيدا more imagesصور
than we have ever had before,
107
397670
4459
تحتوي على صور أكثر بكثير
مما كنا قد حصلنا عليه من قبل
06:54
perhapsربما thousandsالآلاف of timesمرات more,
108
402129
2577
ربما أكثر بآلاف المرات
06:56
and togetherسويا with Professorدكتور جامعى
Kaiكاي Liلي at Princetonبرينستون Universityجامعة,
109
404706
4111
وبالتعاون مع البروفيسور كاي لي
من جامعة برينستون
07:00
we launchedأطلقت the ImageNetImageNet projectمشروع in 2007.
110
408817
4752
أطلقنا في العام 2007 مشروع ImageNet
07:05
Luckilyلحسن الحظ, we didn't have to mountتتزايد
a cameraالة تصوير on our headرئيس
111
413569
3838
لحسن الحظ، لم يتعين علينا أن
نَنْصِب كاميرا فوق رؤوسنا
07:09
and wait for manyكثير yearsسنوات.
112
417407
1764
ثم ننتظر لسنوات عديدة
07:11
We wentذهب to the Internetالإنترنت,
113
419171
1463
لقد اتجهنا للإنترنت
07:12
the biggestأكبر treasureكنز troveالدفين of picturesالصور
that humansالبشر have ever createdخلقت.
114
420634
4436
حيث يقبع أكبر كنز من الصور
أنتجته البشرية على الإطلاق
07:17
We downloadedتحميل nearlyتقريبا a billionمليار imagesصور
115
425070
3041
لقد قمنا بتحميل ما يقارب المليار صورة
07:20
and used crowdsourcingالتعهيد الجماعي technologyتقنية
like the Amazonالأمازون Mechanicalميكانيكي Turkالتركي platformبرنامج
116
428111
5880
واستخدمنا تقنية "التعهيد الجماعي" كتلك
التي توفرها منصة "أمازون ميكنيكال تورك" ـ
07:25
to help us to labelضع الكلمة المناسبة these imagesصور.
117
433991
2339
لتساعدنا في تصنيف تلك الصور
07:28
At its peakقمة, ImageNetImageNet was one of
the biggestأكبر employersأرباب العمل
118
436330
4900
كان مشروع ImageNet في ذروته
واحدًا من أكبر المُشَغّلين
07:33
of the Amazonالأمازون Mechanicalميكانيكي Turkالتركي workersعمال:
119
441230
2996
للعاملين على منصة أمازون تلك
07:36
togetherسويا, almostتقريبيا 50,000 workersعمال
120
444226
3854
معًا، كانوا 50,000 عامل تقريبًا
07:40
from 167 countriesبلدان around the worldالعالمية
121
448080
4040
من 167 دولة حول العالم
07:44
helpedساعد us to cleanنظيف, sortفرز and labelضع الكلمة المناسبة
122
452120
3947
ساعدونا في ترتيب وفرز وتصنيف
07:48
nearlyتقريبا a billionمليار candidateمرشح imagesصور.
123
456067
3575
ما يقرب من مليار صورة مُرَشّحة
07:52
That was how much effortمجهود it tookأخذ
124
460612
2653
هذا يبين مقدار الجهد المُسْتغرق
07:55
to captureأسر even a fractionجزء
of the imageryمصور
125
463265
3900
لالتقاط مجرد جزء صغير من الصور
07:59
a child'sالطفل mindعقل takes in
in the earlyمبكرا developmentalالتنموية yearsسنوات.
126
467165
4171
التي يستوعبها عقل طفل
في سنوات تطوره الأولى
08:04
In hindsightالإدراك المتأخر, this ideaفكرة of usingاستخدام bigكبير dataالبيانات
127
472148
3902
في لفتة متأخرة، فإن فكرة استخدام
الـ"بيانات كبيرة" (big data)
08:08
to trainقطار computerالحاسوب algorithmsخوارزميات
mayقد seemبدا obviousواضح now,
128
476050
4550
لتدريب خوارزميات الحواسيب
قد تبدو واضحة الآن
08:12
but back in 2007, it was not so obviousواضح.
129
480600
4110
لكنها في العام 2007، لم تكن بهذا الوضوح
08:16
We were fairlyتماما aloneوحده on this journeyرحلة
for quiteالى حد كبير a while.
130
484710
3878
لقد كنا لوحدنا تمامًا في هذه الرحلة
لوهلة من الزمن
08:20
Some very friendlyودود colleaguesالزملاء advisedنصح me
to do something more usefulمفيد for my tenureفترة,
131
488588
5003
نصحني بعض زملائي المقربين بأن أقوم
بشيء أكثر ملاءمة لمركزي
08:25
and we were constantlyباستمرار strugglingيكافح
for researchابحاث fundingالتمويل.
132
493591
4342
وحينها كنا نعني باستمرار
لتوفير التمويل لأبحاثنا
08:29
Onceذات مرة, I even jokedمزح to my graduateتخرج studentsالطلاب
133
497933
2485
مرةً، مازحت طلاب الدراسات العليا
الذين كنت أشرف عليهم
08:32
that I would just reopenإعادة فتح
my dryجاف cleaner'sعمال النظافة shopمتجر to fundالأموال ImageNetImageNet.
134
500418
4063
بأنني مستعدة لأفتتح مصبغة الملابس
التي أمتلكها من جديد لتمويل ImageNet
08:36
After all, that's how I fundedالممولة
my collegeكلية yearsسنوات.
135
504481
4761
على كلٍ، كانت هذه هي الطريقة التي
مولت بها نفسي خلال دراستي الجامعية
08:41
So we carriedحمل on.
136
509242
1856
وهكذا تابعنا عملنا
08:43
In 2009, the ImageNetImageNet projectمشروع deliveredتم التوصيل
137
511098
3715
في 2009، تم إنجاز مشروع ImageNet
08:46
a databaseقاعدة البيانات of 15 millionمليون imagesصور
138
514813
4042
قاعدة بيانات ذات 15 مليون صورة
08:50
acrossعبر 22,000 classesالطبقات
of objectsشاء and things
139
518855
4805
ونحو 22,000 رُتبة للأشياء
08:55
organizedمنظم by everydayكل يوم Englishالإنجليزية wordsكلمات.
140
523660
3320
مرتبة بكلمات اللغة
الإنجليزية المستعملة يوميًا
08:58
In bothكلا quantityكمية and qualityجودة,
141
526980
2926
حسب كل من الكمية والنوعية
09:01
this was an unprecedentedغير مسبوق scaleمقياس.
142
529906
2972
لقد كان هذا مستوًى غير مسبوق
09:04
As an exampleمثال, in the caseقضية of catsالقطط,
143
532878
3461
كمثال، في حالة القطط
09:08
we have more than 62,000 catsالقطط
144
536339
2809
لدينا أكثر من 62,000 قطة
09:11
of all kindsأنواع of looksتبدو and posesيطرح
145
539148
4110
من كل الأنواع وبكل الوضعيات
09:15
and acrossعبر all speciesمحيط
of domesticالمنزلي and wildبري catsالقطط.
146
543258
5223
ومن كل فصائل القطط
الأليفة منها والبرية
09:20
We were thrilledبسعادة غامرة
to have put togetherسويا ImageNetImageNet,
147
548481
3344
لقد كنا مغتبطين لأننا تمكنا
من جمع شتات ImageNet
09:23
and we wanted the wholeكامل researchابحاث worldالعالمية
to benefitفائدة from it,
148
551825
3738
وأردنا أن يستفيد المجتمع البحثي
بأكمله من هذا المشروع
09:27
so in the TEDTED fashionموضه,
we openedافتتح up the entireكامل dataالبيانات setجلس
149
555563
4041
فلذلك في مؤتمر TED fashion
وفرنا قاعدة البيانات كاملة
09:31
to the worldwideفي جميع أنحاء العالم
researchابحاث communityتواصل اجتماعي for freeحر.
150
559604
3592
بالمجان للمجتمع البحثي حول العالم
(تصفيق)
09:36
(Applauseتصفيق)
151
564636
4000
09:41
Now that we have the dataالبيانات
to nourishربى our computerالحاسوب brainدماغ,
152
569416
4538
والآن وقد امتلكنا البيانات
لنغذي عقل حاسوبنا
09:45
we're readyجاهز to come back
to the algorithmsخوارزميات themselvesأنفسهم.
153
573954
3737
أصبحنا جاهزين لنعود
للخوارزميات ذاتها
09:49
As it turnedتحول out, the wealthثروة
of informationمعلومات providedقدمت by ImageNetImageNet
154
577691
5178
وكما تبين لاحقًا، فإن ثراء
المعلومات التي وفرها ImageNet
09:54
was a perfectفي احسن الاحوال matchمباراة to a particularبصفة خاصة classصف دراسي
of machineآلة learningتعلم algorithmsخوارزميات
155
582869
4806
كان متناغمًا بشكل كامل مع طراز معين
من خوارزميات تعليم الحواسيب
09:59
calledمسمي convolutionalتلفيفي neuralعصبي networkشبكة الاتصال,
156
587675
2415
يُسمى الشبكة العصبية الملتفّة
10:02
pioneeredرائدة by Kunihikoكونيهيكو Fukushimaفوكوشيما,
Geoffجيف Hintonهينتون, and Yannيان LeCunLeCun
157
590090
5248
أسسها كونيهيكو فوكوشيما
وجيف هينتون ويان لي كًن
10:07
back in the 1970s and '80s.
158
595338
3645
وذلك في السبعينات والثمانينات
من القرن الماضي
10:10
Just like the brainدماغ consistsيتكون
of billionsالمليارات of highlyجدا connectedمتصل neuronsالخلايا العصبية,
159
598983
5619
تمامًا كما أن الدماغ يتكون من
مليارات الأعصاب المتصلة بقوة
10:16
a basicالأساسية operatingالتشغيل unitوحدة in a neuralعصبي networkشبكة الاتصال
160
604602
3854
فإن الوحدة التشغيلية الأساسية
في الشبكة العصبية
10:20
is a neuron-likeالخلايا العصبية التي تشبه nodeالعقدة.
161
608456
2415
هي العقدة العصبية
10:22
It takes inputإدخال from other nodesالعقد
162
610871
2554
هذه العقدة تأخذ مدخلاتها من عُقَد أخرى
10:25
and sendsيرسل outputانتاج to othersالآخرين.
163
613425
2718
وترسل مخرجاتها لعُقَد أخرى
10:28
Moreoverعلاوة على ذلك, these hundredsالمئات of thousandsالآلاف
or even millionsملايين of nodesالعقد
164
616143
4713
أيضًا، فإن مئات الآلاف
أو حتى الملايين من هذه العُقَد
10:32
are organizedمنظم in hierarchicalالهرمية layersطبقات,
165
620856
3227
مرتبة في طبقات هرمية
10:36
alsoأيضا similarمماثل to the brainدماغ.
166
624083
2554
شبيهة جدا بالدماغ
10:38
In a typicalنموذجي neuralعصبي networkشبكة الاتصال we use
to trainقطار our objectموضوع recognitionالتعرف على modelنموذج,
167
626637
4783
في الشبكة العصبية النمطية، اعتدنا أن
ندرب نموذج التعرف على الأشياء الخاص بنا
10:43
it has 24 millionمليون nodesالعقد,
168
631420
3181
والذي لديه 24 مليون عقدة
10:46
140 millionمليون parametersالمعلمات,
169
634601
3297
و140 مليون متغير
10:49
and 15 billionمليار connectionsروابط.
170
637898
2763
و15 مليار وصلة
10:52
That's an enormousضخم modelنموذج.
171
640661
2415
هذا نموذج ضخم
10:55
Poweredتعمل بالطاقة by the massiveكبير dataالبيانات from ImageNetImageNet
172
643076
3901
مدعوم بكم هائل من البيانات من ImageNet
10:58
and the modernحديث CPUsوحدات المعالجة المركزية and GPUsوحدات معالجة الرسومات
to trainقطار suchهذه a humongousالعملاقة modelنموذج,
173
646977
5433
ووحدات مركزية حديثة لمعالجة البيانات
والصور لتدريب نموذج ضخم كهذا
11:04
the convolutionalتلفيفي neuralعصبي networkشبكة الاتصال
174
652410
2369
الشبكة العصبية الملتفّة
11:06
blossomedازدهرت in a way that no one expectedمتوقع.
175
654779
3436
تطورت بشكل لم يتوقعه أحد
11:10
It becameأصبح the winningفوز architectureهندسة معمارية
176
658215
2508
وأصبحت هي المعمار الحاسوبي المتألق
11:12
to generateتوفير excitingمثير newالجديد resultsالنتائج
in objectموضوع recognitionالتعرف على.
177
660723
5340
في إنتاج نتائج جديدة ومثيرة
في مجال التعرف على الأشياء
11:18
This is a computerالحاسوب tellingتقول us
178
666063
2810
هذا حاسوب يخبرنا
11:20
this pictureصورة containsيحتوي على a catقط
179
668873
2300
بأن هذه الصورة تتضمن قطة
11:23
and where the catقط is.
180
671173
1903
وأين هي القطة تحديدًا
11:25
Of courseدورة there are more things than catsالقطط,
181
673076
2112
طبعًا فإن هناك أشياء أخرى عدا القطط
11:27
so here'sمن هنا a computerالحاسوب algorithmخوارزمية tellingتقول us
182
675188
2438
فهذه خوارزمية حاسوب تخبرنا
11:29
the pictureصورة containsيحتوي على
a boyصبي and a teddyدمية bearيتحمل;
183
677626
3274
بأن هذه الصورة تحتوي على ولد ودبدوب
11:32
a dogالكلب, a personشخص, and a smallصغير kiteطائرة ورقية
in the backgroundخلفية;
184
680900
4366
كلب وشخص وطائرة ورقية
صغيرة في الخلفية
11:37
or a pictureصورة of very busyمشغول things
185
685266
3135
أو صورة مليئة جدًا بالأشياء
11:40
like a man, a skateboardلوح تزلج,
railingsالسور, a lampostlampost, and so on.
186
688401
4644
مثل رَجُل ولوح تزلج ودرابزين
وعمود إنارة وهلم جرًا
11:45
Sometimesبعض الأحيان, when the computerالحاسوب
is not so confidentواثق about what it seesيرى,
187
693045
5293
أحيانًا، عندما لا يكون الحاسوب
متأكدًا جدًا حيال ما يراه
11:51
we have taughtيعلم it to be smartذكي enoughكافية
188
699498
2276
علمناه أن يكون ذكيًا بقدرٍ كافٍ
11:53
to give us a safeآمنة answerإجابة
insteadفي حين أن of committingيرتكب جريمة too much,
189
701774
3878
ليعطي إجابة آمنة بدلًا من أن
يرهق نفسه زيادة عن اللزوم
11:57
just like we would do,
190
705652
2811
تماما كما قد نفعل نحن
12:00
but other timesمرات our computerالحاسوب algorithmخوارزمية
is remarkableلافت للنظر at tellingتقول us
191
708463
4666
لكن في أحيان أخرى تكون
خوارزميتنا مميزة في إخبارنا
12:05
what exactlyبالضبط the objectsشاء are,
192
713129
2253
عن ماهية الأشياء بدقة
12:07
like the make, modelنموذج, yearعام of the carsالسيارات.
193
715382
3436
كالشركة المصنعة لسيارة
وطرازها وسنة صنعها
12:10
We appliedمستعمل this algorithmخوارزمية to millionsملايين
of Googleجوجل Streetشارع Viewرأي imagesصور
194
718818
5386
لقد طبقنا هذه الخوارزمية على ملايين
الصور في Google Street View
12:16
acrossعبر hundredsالمئات of Americanأمريكي citiesمدن,
195
724204
3135
عبر مئات المدن الأمريكية
12:19
and we have learnedتعلم something
really interestingمثير للإعجاب:
196
727339
2926
وتعلمنا شيئًا مثيرًا للاهتمام حقًا
12:22
first, it confirmedتم تأكيد our commonمشترك wisdomحكمة
197
730265
3320
أولًا، لقد أكدت لنا حِسّنا السليم
12:25
that carسيارة pricesأسعار correlateربط بين very well
198
733585
3290
حيث كان هناك علاقة وثيقة
بين أسعار السيارات
12:28
with householdمنزلي incomesالدخل.
199
736875
2345
ومستويات الدّخل
12:31
But surprisinglyبشكل مفاجئ, carسيارة pricesأسعار
alsoأيضا correlateربط بين well
200
739220
4527
لكن المفاجأة كانت أن أسعار
السيارات ترتبط أيضًا بعلاقة وثيقة
12:35
with crimeجريمة ratesمعدلات in citiesمدن,
201
743747
2300
مع معدلات الجريمة في المدن
12:39
or votingتصويت patternsأنماط - رسم by zipالرمز البريدي codesرموز.
202
747007
3963
أو مع أنماط التصويت
حسب الأحياء والضواحي
12:44
So wait a minuteاللحظة. Is that it?
203
752060
2206
فلتنتظروا لحظة. هل هذا كل ما في الأمر؟
12:46
Has the computerالحاسوب alreadyسابقا matchedيقابل
or even surpassedتجاوز humanبشري capabilitiesقدرات?
204
754266
5153
هل وصلت قدرات الحواسيب لقدرات
البشر أو تجاوزتها حتى؟
12:51
Not so fastبسرعة.
205
759419
2138
ليس بهذه السرعة
12:53
So farبعيدا, we have just taughtيعلم
the computerالحاسوب to see objectsشاء.
206
761557
4923
حتى الآن، فقط علمنا الحاسوب
كيف يرى الأشياء
12:58
This is like a smallصغير childطفل
learningتعلم to utterنفث a fewقليل nounsالأسماء.
207
766480
4644
وهو في ذلك يشبه طفلًا صغيرا
يتعلم كيف ينطق بعض الكلمات
13:03
It's an incredibleلا يصدق accomplishmentإنجاز,
208
771124
2670
إنه إنجاز لا يصدَّق
13:05
but it's only the first stepخطوة.
209
773794
2460
لكنها مجرد خطوة أولى
13:08
Soonهكذا, anotherآخر developmentalالتنموية
milestoneمعلما will be hitنجاح,
210
776254
3762
قريبا سننجز مرحلة تطورية أخرى
13:12
and childrenالأطفال beginابدأ
to communicateنقل in sentencesجمل.
211
780016
3461
والأطفال سيبدؤون بالتواصل عن طريق جُمَل
13:15
So insteadفي حين أن of sayingقول
this is a catقط in the pictureصورة,
212
783477
4224
وهكذا فبدلًا من القول
بأن ما في الصورة هو قطة
13:19
you alreadyسابقا heardسمعت the little girlفتاة
tellingتقول us this is a catقط lyingيكذب أو ملقاه on a bedالسرير.
213
787701
5202
لقد سمعتم بالفعل تلك الفتاة الصغيرة وهي
تخبرنا أن تلك هي قطة تستلقي على السرير
13:24
So to teachعلم a computerالحاسوب
to see a pictureصورة and generateتوفير sentencesجمل,
214
792903
5595
فإذن لنعلم حاسوبًا ليرى صورة
ويولّد منها جملة
13:30
the marriageزواج betweenما بين bigكبير dataالبيانات
and machineآلة learningتعلم algorithmخوارزمية
215
798498
3948
فإن الزواج بين "البيانات الكبيرة"
وخوارزميات تعليم الحواسيب
13:34
has to take anotherآخر stepخطوة.
216
802446
2275
يجب أن يخطو خطوة أخرى
13:36
Now, the computerالحاسوب has to learnتعلم
from bothكلا picturesالصور
217
804721
4156
الآن، على الحاسوب أن يتعلم من الصور
13:40
as well as naturalطبيعي >> صفة languageلغة sentencesجمل
218
808877
2856
وكذلك جُمَل اللّغة الطبيعية
13:43
generatedولدت by humansالبشر.
219
811733
3322
التي أحدثها البشر
13:47
Just like the brainدماغ integratesيدمج
visionرؤية and languageلغة,
220
815055
3853
تمامًا كما يُكامل الدماغ
بين الرؤية واللغة
13:50
we developedالمتقدمة a modelنموذج
that connectsيربط partsأجزاء of visualبصري things
221
818908
5201
طورنا نموذجًا يربط
أجزاءً من الأشياء المرئيَة
13:56
like visualبصري snippetsقصاصات
222
824109
1904
كالقصاصات المرئية مثلًا
13:58
with wordsكلمات and phrasesالعبارات in sentencesجمل.
223
826013
4203
مع كلمات وعبارات في جُمل
14:02
About fourأربعة monthsالشهور agoمنذ,
224
830216
2763
منذ حوالي أربعة أشهر
14:04
we finallyأخيرا tiedربط all this togetherسويا
225
832979
2647
ربطنا أخيرًا بين كل هذه الأجزاء
14:07
and producedأنتجت one of the first
computerالحاسوب visionرؤية modelsعارضات ازياء
226
835626
3784
وأنتجنا واحدًا من أوائل
نماذج الإبصار الحاسوبية
14:11
that is capableقادر على of generatingتوليد
a human-likeالإنسان مثل sentenceجملة او حكم على
227
839410
3994
القادرة على توليد جُمل
مقاربة للغة البشر
14:15
when it seesيرى a pictureصورة for the first time.
228
843404
3506
عندما ترى صورة للمرة الأولى
14:18
Now, I'm readyجاهز to showتبين you
what the computerالحاسوب saysيقول
229
846910
4644
الآن، أنا مستعدة لأريك
ما يقول الحاسوب
14:23
when it seesيرى the pictureصورة
230
851554
1975
عندما يرى الصورة
14:25
that the little girlفتاة saw
at the beginningالبداية of this talk.
231
853529
3830
التي رأتها تلك الفتاة الصغيرة
في أول هذه المحادثة
(فيديو) الحاسوب: رجلٌ يقف إلى جانب فيل
14:31
(Videoفيديو) Computerالحاسوب: A man is standingمكانة
nextالتالى to an elephantفيل.
232
859519
3344
14:36
A largeكبير airplaneمطار sittingجلسة on topأعلى
of an airportمطار runwayمدرج المطار.
233
864393
3634
طائرة كبيرة تقبع على رأس مَدْرج مطار
14:41
FFLFFL: Of courseدورة, we're still workingعامل hardالصعب
to improveتحسن our algorithmsخوارزميات,
234
869057
4212
فاي-فاي لي: طبعًا، لا نزال نعمل
باجتهاد لنطور خوارزميتنا
14:45
and it still has a lot to learnتعلم.
235
873269
2596
ولا يزال أمامها الكثير لتتعلمه
14:47
(Applauseتصفيق)
236
875865
2291
(تصفيق)
14:51
And the computerالحاسوب still makesيصنع mistakesالأخطاء.
237
879556
3321
ولا يزال الحاسوب يقع في أخطاء
14:54
(Videoفيديو) Computerالحاسوب: A catقط lyingيكذب أو ملقاه
on a bedالسرير in a blanketبطانية.
238
882877
3391
(فيديو) الحاسوب: قطة تستلقي
في بطانية على سرير
14:58
FFLFFL: So of courseدورة, when it seesيرى
too manyكثير catsالقطط,
239
886268
2553
فاي-فاي لي: وهكذا بالطبع، فعندما يرى
الكثير من القطط
15:00
it thinksيعتقد everything
mightربما look like a catقط.
240
888821
2926
يظن أن كل شيء قد يبدو مثل قطة
15:05
(Videoفيديو) Computerالحاسوب: A youngشاب boyصبي
is holdingتحتجز a baseballالبيسبول batمضرب.
241
893317
2864
(فيديو) الحاسوب: طفل صغير يحمل مضرب بيسبول
15:08
(Laughterضحك)
242
896181
1765
(ضحك)
15:09
FFLFFL: Or, if it hasn'tلم seenرأيت a toothbrushفرشاة الأسنان,
it confusesيشوش it with a baseballالبيسبول batمضرب.
243
897946
4583
فاي-فاي لي: أو إن لم يكن رأى فرشاة أسنان
من قبل فقد يخلط بينها وبين مضرب بيسبول
15:15
(Videoفيديو) Computerالحاسوب: A man ridingيركب a horseحصان
down a streetشارع nextالتالى to a buildingبناء.
244
903309
3434
(فيديو) الحاسوب: رَجل يمتطي حصانًا
في آخر الشارع بجانب مبنًى
15:18
(Laughterضحك)
245
906743
2023
(ضحك)
15:20
FFLFFL: We haven'tلم taughtيعلم Artفن 101
to the computersأجهزة الكمبيوتر.
246
908766
3552
فاي-فاي لي: لم نشرح للحواسيب
درس مبادئ الفن
15:25
(Videoفيديو) Computerالحاسوب: A zebraالحمار الوحشي standingمكانة
in a fieldحقل of grassنجيل.
247
913768
2884
(فيديو) الحاسوب: حمار وحشي يقف
في حقل من العشب
15:28
FFLFFL: And it hasn'tلم learnedتعلم to appreciateنقدر
the stunningمذهل beautyجمال of natureطبيعة
248
916652
3367
فاي-فاي لي: ولم يتعلم كذلك كيف
يُقَدّر جمال الطبيعة الساحر
15:32
like you and I do.
249
920019
2438
كما تُقَدّره أنت وأنا
15:34
So it has been a long journeyرحلة.
250
922457
2832
إذن فقد كانت رحلة طويلة
15:37
To get from ageعمر zeroصفر to threeثلاثة was hardالصعب.
251
925289
4226
الانتقال من عمر صفر إلى عمر
ثلاث سنوات هو عمل شاق
15:41
The realحقيقة challengeالتحدي is to go
from threeثلاثة to 13 and farبعيدا beyondوراء.
252
929515
5596
التحدي الحقيقي هو أن تنتقل من 3 سنوات
إلى 13 سنة وأبعد من ذلك
15:47
Let me remindتذكير you with this pictureصورة
of the boyصبي and the cakeكيكة again.
253
935111
4365
دعوني أذكركم بهذه الصورة
للطفل والكعكة مرة أخرى
15:51
So farبعيدا, we have taughtيعلم
the computerالحاسوب to see objectsشاء
254
939476
4064
حتى الآن، علمنا الحاسوب أن يبصر الأشياء
15:55
or even tell us a simpleبسيط storyقصة
when seeingرؤية a pictureصورة.
255
943540
4458
أو أن يحكي لنا قصة بسيطة عندما يرى صورة
15:59
(Videoفيديو) Computerالحاسوب: A personشخص sittingجلسة
at a tableالطاولة with a cakeكيكة.
256
947998
3576
(فيديو) الحاسوب: شخص يجلس
إلى مائدة مع كعكة
16:03
FFLFFL: But there's so much more
to this pictureصورة
257
951574
2630
فاي-فاي لي: لكن هناك المزيد
والمزيد في هذه الصورة
16:06
than just a personشخص and a cakeكيكة.
258
954204
2270
أكثر من مجرد شخص وكعكة
16:08
What the computerالحاسوب doesn't see
is that this is a specialخاص Italianالإيطالي cakeكيكة
259
956474
4467
ما لا يراه الحاسوب أن تلك
هي كعكة إيطالية مميزة
16:12
that's only servedخدم duringأثناء Easterعيد الفصح time.
260
960941
3217
تُقَدّم فقط بمناسبة عيد الفِصْح
16:16
The boyصبي is wearingيلبس his favoriteالمفضل t-shirtتي شيرت
261
964158
3205
الولد يرتدي قميصه المفضّل
16:19
givenمعطى to him as a giftهدية مجانية by his fatherالآب
after a tripرحلة قصيرة to Sydneyسيدني,
262
967363
3970
الذي أعطاه إياه والده كهدية
بعد رحلة إلى سيدني
16:23
and you and I can all tell how happyالسعيدة he is
263
971333
3808
وجميعنا نرى كم هو سعيد
16:27
and what's exactlyبالضبط on his mindعقل
at that momentلحظة.
264
975141
3203
ونستطيع أن نخمن ما يدور في خَلَده
في تلك اللحظة
16:31
This is my sonابن Leoالأسد.
265
979214
3125
هذا هو ابني ليو
16:34
On my questبحث for visualبصري intelligenceالمخابرات,
266
982339
2624
أثناء بحثي عن الذكاء البصري
16:36
I think of Leoالأسد constantlyباستمرار
267
984963
2391
كنت أفكر في ليو باستمرار
16:39
and the futureمستقبل worldالعالمية he will liveحي in.
268
987354
2903
وعن عالم المستقبل الذي سيعيش فيه
16:42
When machinesآلات can see,
269
990257
2021
عندما ستتمكن الحواسيب من الإبصار
16:44
doctorsالأطباء and nursesالممرضات will have
extraإضافي pairsأزواج of tirelessلا يكل eyesعيون
270
992278
4712
الأطباء والممرضات سيحظون بأزواج
إضافية من العيون التي لا تَكِلّ
16:48
to help them to diagnoseشخص
and take careرعاية of patientsالمرضى.
271
996990
4092
لتعينهم على تشخيص المرضى والعناية بهم
16:53
Carsسيارات will runيركض smarterأكثر ذكاء
and saferأكثر أمانا on the roadطريق.
272
1001082
4383
ستسير السيارات على الطرقات
بشكل أذكى وأكثر أمانًا
16:57
Robotsالروبوتات, not just humansالبشر,
273
1005465
2694
الرجال الآليون
وليس البشر فحسب
17:00
will help us to braveشجاع the disasterكارثة zonesمناطق
to saveحفظ the trappedالمحاصرين and woundedجريح.
274
1008159
4849
سيساعدوننا في مواجهة نطاقات الكوارث
لينقذوا المحتجزين والجرحى
17:05
We will discoverاكتشف newالجديد speciesمحيط,
better materialsالمواد,
275
1013798
3796
سنكتشف أنواع مخلوقات جديدة
ومواد أفضل
17:09
and exploreإستكشاف unseenغير مرئي frontiersالحدود
with the help of the machinesآلات.
276
1017594
4509
وسنستكشف الأبعاد غير المرئية
بمساعدة الحواسيب
17:15
Little by little, we're givingإعطاء sightمشهد
to the machinesآلات.
277
1023113
4167
شيئًا فشيئًا، نحن نمنح
حاسة البصر للحواسيب
17:19
First, we teachعلم them to see.
278
1027280
2798
في البداية نعلمها كيف ترى
17:22
Then, they help us to see better.
279
1030078
2763
ثم ستساعدنا لنرى بشكل أفضل
17:24
For the first time, humanبشري eyesعيون
won'tمتعود be the only onesمنها
280
1032841
4165
لأول مرة، لن تكون عيون البشر هي الوحيدة
17:29
ponderingالتأمل and exploringاستكشاف our worldالعالمية.
281
1037006
2934
التي تتأمل وتستكشف عالمنا
17:31
We will not only use the machinesآلات
for theirهم intelligenceالمخابرات,
282
1039940
3460
لن يقتصر استخدامنا للحواسيب لأجل ذكائها
17:35
we will alsoأيضا collaborateتعاون with them
in waysطرق that we cannotلا تستطيع even imagineتخيل.
283
1043400
6179
بل سوف نتعاون معها
بطرق لا يمكننا حتى تخيلها
17:41
This is my questبحث:
284
1049579
2161
هذا هو أملي
17:43
to give computersأجهزة الكمبيوتر visualبصري intelligenceالمخابرات
285
1051740
2712
أن أعطي الحواسيب ذكاءً بصريًا
17:46
and to createخلق a better futureمستقبل
for Leoالأسد and for the worldالعالمية.
286
1054452
5131
وأن أخلق مستقبلًا أفضل
من أجل ليو ومن أجل العالم
17:51
Thank you.
287
1059583
1811
شكرًا
17:53
(Applauseتصفيق)
288
1061394
3785
(تصفيق)
Translated by Ibrahim Alsaafin
Reviewed by Tamer Mekhimar

▲Back to top

ABOUT THE SPEAKER
Fei-Fei Li - Computer scientist
As Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing.

Why you should listen

Using algorithms built on machine learning methods such as neural network models, the Stanford Artificial Intelligence Lab led by Fei-Fei Li has created software capable of recognizing scenes in still photographs -- and accurately describe them using natural language.

Li’s work with neural networks and computer vision (with Stanford’s Vision Lab) marks a significant step forward for AI research, and could lead to applications ranging from more intuitive image searches to robots able to make autonomous decisions in unfamiliar situations.

Fei-Fei was honored as one of Foreign Policy's 2015 Global Thinkers

More profile about the speaker
Fei-Fei Li | Speaker | TED.com