TED@BCG Paris
Blaise Agüera y Arcas: How computers are learning to be creative
Μπλέιζ Αγκέρα ι Άρκας: Πώς μαθαίνουν οι υπολογιστές να είναι δημιουργικοί
Filmed:
Readability: 4.4
1,934,067 views
Βρισκόμαστε σε ένα καινούργιο όριο για την τέχνη και τη δημιουργικότητα - και δεν είναι ανθρώπινο. Ο Μπλέιζ Αγκέρα ι Άρκας, σημαντικός επιστήμονας στη Google, εργάζεται πάνω σε εξελιγμένα νευρωνικά δίκτυα για την μηχανική αντίληψη και τη κατανομή της μάθησης. Σε αυτή την καθηλωτική παρουσίαση μας δείχνει πώς τα δίκτυα νευρώνων που έχουν εκπαιδευτεί να αναγνωρίζουν εικόνες, μπορούν να λειτουργήσουν αντίστροφα, δημιουργώντας εικόνες. Το αποτέλεσμα είναι θεαματικά κολάζ (και ποιήματα!) που μοιάζουν με παραισθήσεις και αρνούνται να μπουν σε κάποια κατηγορία. «Η αντίληψη και η δημιουργικότητα είναι πολύ στενά συνδεδεμένες» μας λέει ο Μπλέιζ Αγκέρα. «Κάθε πλάσμα που μπορεί να αντιληφθεί, επίσης μπορεί να δημιουργήσει».
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
Ηγούμαι μιας ομάδας στην Google
που ερευνά τη μηχανική ευφυΐα.
που ερευνά τη μηχανική ευφυΐα.
00:15
in other words, the engineering discipline
of making computers and devices
of making computers and devices
1
3948
4650
Με άλλα λόγια, τον κλάδο της μηχανικής
που κάνει υπολογιστές και συσκευές
που κάνει υπολογιστές και συσκευές
00:20
able to do some of the things
that brains do.
that brains do.
2
8622
2419
να μπορούν να κάνουν
κάποια απ' όσα κάνει το μυαλό.
κάποια απ' όσα κάνει το μυαλό.
00:23
And this makes us
interested in real brains
interested in real brains
3
11439
3099
Γι' αυτό ενδιαφερόμαστε
για τους κανονικούς εγκεφάλους
για τους κανονικούς εγκεφάλους
καθώς και για τη νευροεπιστήμη,
00:26
and neuroscience as well,
4
14562
1289
00:27
and especially interested
in the things that our brains do
in the things that our brains do
5
15875
4172
και ειδικότερα για τα πράγματα
που κάνει το μυαλό μας
που κάνει το μυαλό μας
που ακόμα είναι πολύ ανώτερο
από τις επιδόσεις των υπολογιστών.
από τις επιδόσεις των υπολογιστών.
00:32
that are still far superior
to the performance of computers.
to the performance of computers.
6
20071
4042
00:37
Historically, one of those areas
has been perception,
has been perception,
7
25209
3609
Ιστορικά, ένα από αυτά που μας ενδιέφεραν
ήταν η αντίληψη,
ήταν η αντίληψη,
00:40
the process by which things
out there in the world --
out there in the world --
8
28842
3039
η διαδικασία με την οποία
τα πράγματα εκεί έξω στον κόσμο
τα πράγματα εκεί έξω στον κόσμο
00:43
sounds and images --
9
31905
1584
-ήχοι και εικόνες-
00:45
can turn into concepts in the mind.
10
33513
2178
μετατρέπονται σε έννοιες μέσα στο μυαλό.
00:48
This is essential for our own brains,
11
36235
2517
Αυτό είναι ζωτικό για τον εγκέφαλό μας
00:50
and it's also pretty useful on a computer.
12
38776
2464
και επίσης είναι πολύ χρήσιμο
για τον υπολογιστή.
για τον υπολογιστή.
00:53
The machine perception algorithms,
for example, that our team makes,
for example, that our team makes,
13
41636
3350
Για παράδειγμα, οι αλγόριθμοι μηχανικής
αντίληψης που φτιάχνει η ομάδα μας
αντίληψης που φτιάχνει η ομάδα μας
00:57
are what enable your pictures
on Google Photos to become searchable,
on Google Photos to become searchable,
14
45010
3874
κάνουν δυνατή την αναζήτηση
στις φωτογραφίες του Google Photos
στις φωτογραφίες του Google Photos
βάσει του τι αυτές περιέχουν.
01:00
based on what's in them.
15
48908
1397
01:03
The flip side of perception is creativity:
16
51594
3493
Η άλλη πλευρά της αντίληψης
είναι η δημιουργικότητα:
είναι η δημιουργικότητα:
01:07
turning a concept into something
out there into the world.
out there into the world.
17
55111
3038
το να μεταμορφώνετε μια έννοια
σε κάτι εκεί έξω στον κόσμο.
σε κάτι εκεί έξω στον κόσμο.
01:10
So over the past year,
our work on machine perception
our work on machine perception
18
58173
3555
Έτσι τον τελευταίο χρόνο,
η εργασία μας πάνω στη μηχανική αντίληψη
η εργασία μας πάνω στη μηχανική αντίληψη
01:13
has also unexpectedly connected
with the world of machine creativity
with the world of machine creativity
19
61752
4859
συνδέθηκε απρόσμενα
και με τον κόσμο της δημιουργικότητας
και με τον κόσμο της δημιουργικότητας
και της τέχνης από μηχανές.
01:18
and machine art.
20
66635
1160
01:20
I think Michelangelo
had a penetrating insight
had a penetrating insight
21
68556
3284
Νομίζω ότι ο Μιχαήλ Αγγελος
είδε πολύ διορατικά
είδε πολύ διορατικά
01:23
into to this dual relationship
between perception and creativity.
between perception and creativity.
22
71864
3656
αυτή τη δυαδική σχέση
μεταξύ αντίληψης και δημιουργικότητας.
μεταξύ αντίληψης και δημιουργικότητας.
01:28
This is a famous quote of his:
23
76023
2006
Ένα φημισμένο απόφθεγμά του λέει:
01:30
"Every block of stone
has a statue inside of it,
has a statue inside of it,
24
78053
3323
«Κάθε κομμάτι πέτρας
έχει μέσα του ένα άγαλμα
έχει μέσα του ένα άγαλμα
και είναι δουλειά του γλύπτη
να το αποκαλύψει».
να το αποκαλύψει».
01:34
and the job of the sculptor
is to discover it."
is to discover it."
25
82036
3002
01:38
So I think that what
Michelangelo was getting at
Michelangelo was getting at
26
86029
3216
Νομίζω ότι ο Μιχαήλ Άγγελος εννοεί
01:41
is that we create by perceiving,
27
89269
3180
ότι δημιουργούμε μέσα από την αντίληψη,
01:44
and that perception itself
is an act of imagination
is an act of imagination
28
92473
3023
και η ίδια η αντίληψη
είναι μια πράξη φαντασίας
είναι μια πράξη φαντασίας
01:47
and is the stuff of creativity.
29
95520
2461
από την οποία είναι φτιαγμένη
η δημιουργικότητα.
η δημιουργικότητα.
01:50
The organ that does all the thinking
and perceiving and imagining,
and perceiving and imagining,
30
98691
3925
Το όργανο που σκέφτεται,
αντιλαμβάνεται και φαντάζεται
αντιλαμβάνεται και φαντάζεται
01:54
of course, is the brain.
31
102640
1588
είναι φυσικά ο εγκέφαλος.
01:57
And I'd like to begin
with a brief bit of history
with a brief bit of history
32
105089
2545
Θα ήθελα να αρχίσω με λίγη ιστορία
01:59
about what we know about brains.
33
107658
2302
σχετικά με το τι γνωρίζουμε
για τον εγκέφαλό μας.
για τον εγκέφαλό μας.
Γιατί διαφορετικά, ας πούμε,
από την καρδιά ή τα έντερα
από την καρδιά ή τα έντερα
02:02
Because unlike, say,
the heart or the intestines,
the heart or the intestines,
34
110496
2446
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
δεν μπορείς να πεις πολλά
για τον εγκέφαλο απλώς κοιτώντας τον
για τον εγκέφαλο απλώς κοιτώντας τον
τουλάχιστον δια γυμνού οφθαλμού.
02:08
at least with the naked eye.
36
116134
1412
02:09
The early anatomists who looked at brains
37
117983
2416
Οι πρώτοι ανατόμοι
που εξέτασαν τον εγκέφαλο
που εξέτασαν τον εγκέφαλο
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
έδωσαν στις εμφανείς δομές του
κάθε είδους περίεργη ονομασία,
κάθε είδους περίεργη ονομασία,
02:16
like hippocampus, meaning "little shrimp."
39
124254
2433
όπως ιππόκαμπος, ένα είδος μικρής γαρίδας.
02:18
But of course that sort of thing
doesn't tell us very much
doesn't tell us very much
40
126711
2764
Αλλά φυσικά αυτό δεν μας λέει πάρα πολλά
σχετικά με το τι πραγματικά
συμβαίνει στο εσωτερικό.
συμβαίνει στο εσωτερικό.
02:21
about what's actually going on inside.
41
129499
2318
02:24
The first person who, I think, really
developed some kind of insight
developed some kind of insight
42
132780
3613
Ο πρώτος που πιστεύω ότι κάπως μάντεψε
02:28
into what was going on in the brain
43
136417
1930
τι περίπου συμβαίνει μέσα στον εγκέφαλο
02:30
was the great Spanish neuroanatomist,
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
44
138371
3920
ήταν ο μεγάλος Ισπανός νευροανατόμος
Σαντιάγο Ραμόν ι Καχάλ
Σαντιάγο Ραμόν ι Καχάλ
02:34
in the 19th century,
45
142315
1544
τον 19ο αιώνα,
02:35
who used microscopy and special stains
46
143883
3755
που χρησιμοποίησε μικροσκόπιο
και ειδικές χρωστικές
και ειδικές χρωστικές
02:39
that could selectively fill in
or render in very high contrast
or render in very high contrast
47
147662
4170
που μπορούσαν επιλεκτικά να εισχωρήσουν
και να χρωματίσουν με μεγάλη αντίθεση
και να χρωματίσουν με μεγάλη αντίθεση
02:43
the individual cells in the brain,
48
151856
2008
τα επιμέρους κελιά του εγκεφάλου,
02:45
in order to start to understand
their morphologies.
their morphologies.
49
153888
3154
ούτως ώστε να αρχίσουμε
να καταλαβαίνουμε τη μορφολογία τους.
να καταλαβαίνουμε τη μορφολογία τους.
02:49
And these are the kinds of drawings
that he made of neurons
that he made of neurons
50
157972
2891
Αυτά είναι τα σκίτσα νευρώνων
που έφτιαξε τον 19ο αιώνα.
που έφτιαξε τον 19ο αιώνα.
02:52
in the 19th century.
51
160887
1209
02:54
This is from a bird brain.
52
162120
1884
Αυτό είναι από εγκέφαλο πουλιού.
02:56
And you see this incredible variety
of different sorts of cells,
of different sorts of cells,
53
164028
3057
Βλέπετε αυτή την απίστευτη ποικιλία
από διάφορα είδη κελιών,
από διάφορα είδη κελιών,
02:59
even the cellular theory itself
was quite new at this point.
was quite new at this point.
54
167109
3435
ακόμα και η ίδια η κυτταρική θεωρία
ήταν αρκετά νέα εκείνον τον καιρό.
ήταν αρκετά νέα εκείνον τον καιρό.
03:02
And these structures,
55
170568
1278
Και αυτές οι δομές,
03:03
these cells that have these arborizations,
56
171870
2259
τα κελιά που έχουν αυτές τις διακλαδώσεις
που εκτείνονται σε πολύ μεγάλες αποστάσεις
03:06
these branches that can go
very, very long distances --
very, very long distances --
57
174153
2608
ήταν κάτι πολύ νέο εκείνη την εποχή.
03:08
this was very novel at the time.
58
176785
1616
03:10
They're reminiscent, of course, of wires.
59
178779
2903
Φυσικά, μας θυμίζουν καλώδια.
03:13
That might have been obvious
to some people in the 19th century;
to some people in the 19th century;
60
181706
3457
Αυτό θα καταλάβαιναν
κάποιοι άνθρωποι τον 19ο αιώνα -
κάποιοι άνθρωποι τον 19ο αιώνα -
03:17
the revolutions of wiring and electricity
were just getting underway.
were just getting underway.
61
185187
4314
η επανάσταση καλωδίων και ηλεκτρικού
ήταν μόλις στο ξεκίνημά τους.
ήταν μόλις στο ξεκίνημά τους.
Αλλά με διάφορους τρόπους,
03:21
But in many ways,
62
189964
1178
03:23
these microanatomical drawings
of Ramón y Cajal's, like this one,
of Ramón y Cajal's, like this one,
63
191166
3313
αυτά τα μικροανατομικά σκίτσα
του Ραμόν ι Καχάλ, όπως αυτό,
του Ραμόν ι Καχάλ, όπως αυτό,
03:26
they're still in some ways unsurpassed.
64
194503
2332
ακόμη παραμένουν αξεπέραστα
με κάποιους τρόπους.
με κάποιους τρόπους.
03:28
We're still more than a century later,
65
196859
1854
Πάνω από έναν αιώνα αργότερα
03:30
trying to finish the job
that Ramón y Cajal started.
that Ramón y Cajal started.
66
198737
2825
προσπαθούμε να τελείωσουμε
αυτό που άρχισε ο Ραμόν ι Καχάλ.
αυτό που άρχισε ο Ραμόν ι Καχάλ.
03:33
These are raw data from our collaborators
67
201586
3134
Αυτά είναι τα ακατέργαστα δεδομένα
από τους συνεργάτες μας στο Ινστιτούτο
Νευροεπιστήμης Μαξ Πλανκ.
Νευροεπιστήμης Μαξ Πλανκ.
03:36
at the Max Planck Institute
of Neuroscience.
of Neuroscience.
68
204744
2881
03:39
And what our collaborators have done
69
207649
1790
Οι συνεργάτες μας απεικόνισαν
μικρά κομμάτια εγκεφαλικού ιστού.
μικρά κομμάτια εγκεφαλικού ιστού.
03:41
is to image little pieces of brain tissue.
70
209463
5001
Το συνολικό δείγμα εδώ
03:46
The entire sample here
is about one cubic millimeter in size,
is about one cubic millimeter in size,
71
214488
3326
είναι περίπου
ένα κυβικό χιλιοστό σε μέγεθος,
ένα κυβικό χιλιοστό σε μέγεθος,
03:49
and I'm showing you a very,
very small piece of it here.
very small piece of it here.
72
217838
2621
κι εδώ σας δείχνω ένα πολύ μικρό κομμάτι.
03:52
That bar on the left is about one micron.
73
220483
2346
Η μπάρα αριστερά
είναι περίπου ένα μικρόμετρο.
είναι περίπου ένα μικρόμετρο.
03:54
The structures you see are mitochondria
74
222853
2409
Οι δομές που βλέπετε είναι μιτοχόνδρια
03:57
that are the size of bacteria.
75
225286
2044
που είναι στο μέγεθος βακτηρίων.
03:59
And these are consecutive slices
76
227354
1551
Και αυτές είναι συνεχείς τομές
04:00
through this very, very
tiny block of tissue.
tiny block of tissue.
77
228929
3148
αυτού του πολύ μικρού κομματιού ιστού.
04:04
Just for comparison's sake,
78
232101
2403
Απλώς για σύγκριση,
04:06
the diameter of an average strand
of hair is about 100 microns.
of hair is about 100 microns.
79
234528
3792
η διάμετρος μιας μέσης τρίχας
είναι περίπου 100 μικρόμετρα.
είναι περίπου 100 μικρόμετρα.
04:10
So we're looking at something
much, much smaller
much, much smaller
80
238344
2274
Άρα κοιτάζουμε κάτι πολύ πολύ μικρότερο
04:12
than a single strand of hair.
81
240642
1398
από μια τρίχα μαλλιών.
04:14
And from these kinds of serial
electron microscopy slices,
electron microscopy slices,
82
242064
4031
Και από αυτές τις συνεχείς τομές
από ηλεκτρονικό μικροσκόπιο
από ηλεκτρονικό μικροσκόπιο
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
κάποιος μπορεί να φτιάξει τρισδιάστατα
νευρώνες που μοιάζουν έτσι.
νευρώνες που μοιάζουν έτσι.
04:23
So these are sort of in the same
style as Ramón y Cajal.
style as Ramón y Cajal.
84
251151
3157
Έτσι είναι κάπως το ίδιο στυλ
με αυτές του Ραμόν ι Καχάλ.
με αυτές του Ραμόν ι Καχάλ.
04:26
Only a few neurons lit up,
85
254332
1492
Μόνο λίγοι νευρώνες άναψαν,
04:27
because otherwise we wouldn't
be able to see anything here.
be able to see anything here.
86
255848
2781
γιατί αλλιώς δεν θα μπορούσαμε
να δούμε τίποτα εδώ.
να δούμε τίποτα εδώ.
04:30
It would be so crowded,
87
258653
1312
Θα ήταν τόσο πυκνό,
04:31
so full of structure,
88
259989
1330
τόσο γεμάτο με δομές,
04:33
of wiring all connecting
one neuron to another.
one neuron to another.
89
261343
2724
με καλώδια που συνδέουν
τους νευρώνες μεταξύ τους.
τους νευρώνες μεταξύ τους.
04:37
So Ramón y Cajal was a little bit
ahead of his time,
ahead of his time,
90
265293
2804
Έτσι ο Ραμόν ι Καχάλ ήταν λίγο
μπροστά από την εποχή του
μπροστά από την εποχή του
04:40
and progress on understanding the brain
91
268121
2555
και η πρόοδος
για την κατανόηση του εγκεφάλου
για την κατανόηση του εγκεφάλου
04:42
proceeded slowly
over the next few decades.
over the next few decades.
92
270700
2271
προχώρησε αργά
τις επόμενες λίγες δεκαετίες.
τις επόμενες λίγες δεκαετίες.
04:45
But we knew that neurons used electricity,
93
273455
2853
Γνωρίζαμε όμως ότι οι νευρώνες
χρησιμοποιούν ηλεκτρισμό
χρησιμοποιούν ηλεκτρισμό
04:48
and by World War II, our technology
was advanced enough
was advanced enough
94
276332
2936
και μέχρι τον Β΄ Παγκόσμιο Πόλεμο
είχαμε κάνει αρκετή πρόοδο
είχαμε κάνει αρκετή πρόοδο
ώστε να κάνουμε ηλεκτρικά πειράματα
σε νευρώνες υπό λειτουργία
σε νευρώνες υπό λειτουργία
04:51
to start doing real electrical
experiments on live neurons
experiments on live neurons
95
279292
2806
04:54
to better understand how they worked.
96
282122
2106
ώστε να καταλάβουμε καλύτερα
πώς δούλευαν.
πώς δούλευαν.
04:56
This was the very same time
when computers were being invented,
when computers were being invented,
97
284631
4356
Τότε ακριβώς εφευρέθηκαν οι υπολογιστές
05:01
very much based on the idea
of modeling the brain --
of modeling the brain --
98
289011
3100
και βασίστηκαν κατά πολύ
στη δομή του εγκεφάλου -
στη δομή του εγκεφάλου -
05:04
of "intelligent machinery,"
as Alan Turing called it,
as Alan Turing called it,
99
292135
3085
του «ευφυούς μηχανισμού»,
όπως τα αποκαλούσε ο Άλαν Τιούρινγκ,
όπως τα αποκαλούσε ο Άλαν Τιούρινγκ,
05:07
one of the fathers of computer science.
100
295244
1991
ο πατέρας της επιστήμης των υπολογιστών.
05:09
Warren McCulloch and Walter Pitts
looked at Ramón y Cajal's drawing
looked at Ramón y Cajal's drawing
101
297923
4632
Οι Γουόρεν ΜακΚάλοκ και Γουόλτερ Πιτς
είδαν τα σκίτσα του Ραμόν ι Καχάλ
από τον φλοιό του εγκεφάλου
από τον φλοιό του εγκεφάλου
05:14
of visual cortex,
102
302579
1317
05:15
which I'm showing here.
103
303920
1562
που σας δείχνω εδώ.
05:17
This is the cortex that processes
imagery that comes from the eye.
imagery that comes from the eye.
104
305506
4442
Αυτός είναι ο φλοιός που επεξεργάζεται
εικόνες που φτάνουν από το μάτι.
εικόνες που φτάνουν από το μάτι.
05:22
And for them, this looked
like a circuit diagram.
like a circuit diagram.
105
310424
3508
Και τους φάνηκε σαν διάγραμμα κυκλώματος.
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
Υπάρχουν πολλές λεπτομέρειες
στο διάγραμμα των ΜακΚάλοκ και Πιτς
στο διάγραμμα των ΜακΚάλοκ και Πιτς
που δεν είναι ακριβώς σωστές.
05:30
that are not quite right.
107
318212
1352
05:31
But this basic idea
108
319588
1235
Αλλά αυτή η βασική ιδέα
05:32
that visual cortex works like a series
of computational elements
of computational elements
109
320847
3992
ότι ο εγκεφαλικός ιστός λειτουργεί
σαν μια σειρά από υπολογιστικά στοιχεία
σαν μια σειρά από υπολογιστικά στοιχεία
05:36
that pass information
one to the next in a cascade,
one to the next in a cascade,
110
324863
2746
που μεταβιβάζουν πληροφορίες
συνεχώς ο ένας στον άλλον
συνεχώς ο ένας στον άλλον
05:39
is essentially correct.
111
327633
1602
είναι κατά βάσην σωστή.
05:41
Let's talk for a moment
112
329259
2350
Ας μιλήσουμε για μια στιγμή
05:43
about what a model for processing
visual information would need to do.
visual information would need to do.
113
331633
4032
τι θα πρέπει να κάνει ένα μοντέλο
επεξεργασίας οπτικών πληροφοριών.
επεξεργασίας οπτικών πληροφοριών.
05:48
The basic task of perception
114
336228
2741
Το βασικό έργο της αντίληψης
05:50
is to take an image like this one and say,
115
338993
4194
είναι να πάρει μια τέτοια φωτογραφία
και να πει,
και να πει,
05:55
"That's a bird,"
116
343211
1176
«Αυτό είναι ένα πουλί»,
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
που είναι κάτι πολύ απλό
να κάνουμε με τον εγκέφαλό μας.
να κάνουμε με τον εγκέφαλό μας.
05:59
But you should all understand
that for a computer,
that for a computer,
118
347309
3421
Αλλά πρέπει να καταλάβετε
ότι για έναν υπολογιστή,
ότι για έναν υπολογιστή,
06:02
this was pretty much impossible
just a few years ago.
just a few years ago.
119
350754
3087
αυτό ήταν μάλλον αδύνατον
πριν από λίγα χρόνια.
πριν από λίγα χρόνια.
06:05
The classical computing paradigm
120
353865
1916
Η κλασική δομή του υπολογιστή
06:07
is not one in which
this task is easy to do.
this task is easy to do.
121
355805
2507
δεν ευνοεί αυτή τη δουλειά.
06:11
So what's going on between the pixels,
122
359366
2552
Έτσι λοιπόν,
αυτό που συμβαίνει με τα πίξελ,
αυτό που συμβαίνει με τα πίξελ,
06:13
between the image of the bird
and the word "bird,"
and the word "bird,"
123
361942
4028
ανάμεσα στην εικόνα του πουλιού
και τη λέξη «πουλί»,
και τη λέξη «πουλί»,
αφορά ουσιαστικά μια ομάδα νευρώνων
06:17
is essentially a set of neurons
connected to each other
connected to each other
124
365994
2814
που αλληλοσυνδέονται
σε ένα νευρωνικό δίκτυο,
σε ένα νευρωνικό δίκτυο,
06:20
in a neural network,
125
368832
1155
όπως στο διάγραμμα.
06:22
as I'm diagramming here.
126
370011
1223
Μπορεί να είναι βιολογικό νευρωνικό δίκτυο
μέσα στον εγκεφαλικό φλοιό,
μέσα στον εγκεφαλικό φλοιό,
06:23
This neural network could be biological,
inside our visual cortices,
inside our visual cortices,
127
371258
3272
06:26
or, nowadays, we start
to have the capability
to have the capability
128
374554
2162
ή, στις μέρες μας,
αρχίζουμε να έχουμε την ικανότητα
αρχίζουμε να έχουμε την ικανότητα
06:28
to model such neural networks
on the computer.
on the computer.
129
376740
2454
να μοντελοποιήσουμε
τέτοια δίκτυα στον υπολογιστή.
τέτοια δίκτυα στον υπολογιστή.
06:31
And I'll show you what
that actually looks like.
that actually looks like.
130
379834
2353
Θα σας δείξω πώς μοιάζουν αυτά τα δίκτυα.
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
Μπορείτε να σκεφτείτε τα πίξελ
ως το πρώτο επίπεδο νευρώνων,
ως το πρώτο επίπεδο νευρώνων,
06:37
and that's, in fact,
how it works in the eye --
how it works in the eye --
132
385651
2239
και βασικά έτσι λειτουργεί το μάτι -
είναι οι νευρώνες στον αμφιβληστροειδή.
06:39
that's the neurons in the retina.
133
387914
1663
06:41
And those feed forward
134
389601
1500
Και αυτοί μεταδίδουν την πληροφορία
06:43
into one layer after another layer,
after another layer of neurons,
after another layer of neurons,
135
391125
3403
σε αλλεπάλληλα επίπεδα νευρώνων,
06:46
all connected by synapses
of different weights.
of different weights.
136
394552
3033
που όλα συνδέονται
από συνάψεις διαφορετικών βαρών.
από συνάψεις διαφορετικών βαρών.
06:49
The behavior of this network
137
397609
1335
Η συμπεριφορά αυτού του δικτύου
06:50
is characterized by the strengths
of all of those synapses.
of all of those synapses.
138
398968
3284
χαρακτηρίζεται από τις δυνάμεις
όλων αυτών των συνάψεων.
όλων αυτών των συνάψεων.
Αυτές χαρακτηρίζουν τις υπολογιστικές
ιδιότητες αυτού του δικτύου.
ιδιότητες αυτού του δικτύου.
06:54
Those characterize the computational
properties of this network.
properties of this network.
139
402276
3288
06:57
And at the end of the day,
140
405588
1470
Και στη λήξη της διαδικασίας,
06:59
you have a neuron
or a small group of neurons
or a small group of neurons
141
407082
2447
έχετε έναν νευρώνα
ή μια μικρή ομάδα νευρώνων
ή μια μικρή ομάδα νευρώνων
07:01
that light up, saying, "bird."
142
409553
1647
που θα ανάψει και θα πει «πουλί».
07:03
Now I'm going to represent
those three things --
those three things --
143
411824
3132
Τώρα θα αναπαραστήσω
αυτά τα τρία πράγματα -
αυτά τα τρία πράγματα -
07:06
the input pixels and the synapses
in the neural network,
in the neural network,
144
414980
4696
τα πίξελ τροφοδοσίας
και τις συνάψεις στο νευρωνικό δίκτυο,
και τις συνάψεις στο νευρωνικό δίκτυο,
07:11
and bird, the output --
145
419700
1585
και το πουλί, το εξαγόμενο -
07:13
by three variables: x, w and y.
146
421309
3057
με τρεις μεταβλητές: x, w και y
Μπορεί να υπάρχουν
περίπου ένα εκατομμύριο x -
περίπου ένα εκατομμύριο x -
07:16
There are maybe a million or so x's --
147
424853
1811
07:18
a million pixels in that image.
148
426688
1953
ένα εκατομμύριο πίξελ σε αυτή την εικόνα.
07:20
There are billions or trillions of w's,
149
428665
2446
Υπάρχουν δισεκατομμύρια
ή τρισεκατομμύρια w,
ή τρισεκατομμύρια w,
07:23
which represent the weights of all
these synapses in the neural network.
these synapses in the neural network.
150
431135
3421
που αντιπροσωπεύουν τα βάρη
όλων των συνάψεων του νευρωνικού δικτύου.
όλων των συνάψεων του νευρωνικού δικτύου.
Και μπορεί να υπάρχει
ένα μικρός αριθμός από y,
ένα μικρός αριθμός από y,
07:26
And there's a very small number of y's,
151
434580
1875
07:28
of outputs that that network has.
152
436479
1858
από εξαγόμενα του δικτύου.
07:30
"Bird" is only four letters, right?
153
438361
1749
Το «πουλί» είναι
μόνο πέντε γράμματα, σωστά;
μόνο πέντε γράμματα, σωστά;
07:33
So let's pretend that this
is just a simple formula,
is just a simple formula,
154
441088
3426
Ας υποθέσουμε ότι αυτός είναι
ένας πολύ απλός μαθηματικός τύπος,
ένας πολύ απλός μαθηματικός τύπος,
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
Βάζω τις φορές σε εισαγωγικά
07:40
because what's really
going on there, of course,
going on there, of course,
157
448785
2280
επειδή αυτό που φυσικά συμβαίνει εκεί μέσα
07:43
is a very complicated series
of mathematical operations.
of mathematical operations.
158
451089
3046
είναι μια σειρά από πολύπλοκες
μαθηματικές λειτουργίες.
μαθηματικές λειτουργίες.
07:47
That's one equation.
159
455172
1221
Αυτή είναι μια εξίσωση.
07:48
There are three variables.
160
456417
1672
Υπάρχουν τρεις μεταβλητές.
07:50
And we all know
that if you have one equation,
that if you have one equation,
161
458113
2726
Και όλοι γνωρίζουμε ότι σε μια εξίσωση
07:52
you can solve one variable
by knowing the other two things.
by knowing the other two things.
162
460863
3642
μπορείς να λύσεις ως προς τον έναν άγνωστο
εάν γνωρίζεις τους άλλους δύο.
εάν γνωρίζεις τους άλλους δύο.
07:57
So the problem of inference,
163
465158
3380
Έτσι το πρόβλημα της συνεπαγωγής,
δηλαδή του να συμπεράνουμε
ότι πρόκειται για φωτογραφία πουλιού,
ότι πρόκειται για φωτογραφία πουλιού,
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
08:03
is this one:
165
471459
1274
είναι το εξής:
08:04
it's where y is the unknown
and w and x are known.
and w and x are known.
166
472757
3459
είναι που ο άγνωστος είναι ο y
και οι w και x είναι γνωστοί.
και οι w και x είναι γνωστοί.
Γνωρίζετε τα νευρωνικά δίκτυα,
γνωρίζετε και τα πίξελ.
γνωρίζετε και τα πίξελ.
08:08
You know the neural network,
you know the pixels.
you know the pixels.
167
476240
2459
08:10
As you can see, that's actually
a relatively straightforward problem.
a relatively straightforward problem.
168
478723
3327
Όπως βλέπετε είναι
ένα σχετικά ξεκάθαρο πρόβλημα.
ένα σχετικά ξεκάθαρο πρόβλημα.
08:14
You multiply two times three
and you're done.
and you're done.
169
482074
2186
Πολλαπλασιάζετε το 2 επί 3 και τελειώσατε.
08:16
I'll show you an artificial neural network
170
484862
2123
Θα σας δείξω ένα τεχνητό νευρωνικό δίκτυο
08:19
that we've built recently,
doing exactly that.
doing exactly that.
171
487009
2296
που φτιάξαμε πρόσφατα,
να κάνει ακριβώς αυτό.
να κάνει ακριβώς αυτό.
08:21
This is running in real time
on a mobile phone,
on a mobile phone,
172
489634
2860
Δουλεύει σε πραγματικό χρόνο
σε κινητό τηλέφωνο,
σε κινητό τηλέφωνο,
08:24
and that's, of course,
amazing in its own right,
amazing in its own right,
173
492518
3313
και αυτό από μόνο του
είναι αξιοθαύμαστο γεγονός,
είναι αξιοθαύμαστο γεγονός,
08:27
that mobile phones can do so many
billions and trillions of operations
billions and trillions of operations
174
495855
3468
τα κινητά μπορούν να κάνουν δισεκατομμύρια
και τρισεκατομμύρια λειτουργίες
και τρισεκατομμύρια λειτουργίες
08:31
per second.
175
499347
1248
ανά δευτερόλεπτο.
08:32
What you're looking at is a phone
176
500619
1615
Αυτό που βλέπετε είναι ένα κινητό
08:34
looking at one after another
picture of a bird,
picture of a bird,
177
502258
3547
που κοιτάζει αλλεπάλληλες
φωτογραφίες από πουλιά,
φωτογραφίες από πουλιά,
08:37
and actually not only saying,
"Yes, it's a bird,"
"Yes, it's a bird,"
178
505829
2715
και όχι μόνο λέει, «Ναι, είναι πουλί»
08:40
but identifying the species of bird
with a network of this sort.
with a network of this sort.
179
508568
3411
αλλά αναγνωρίζει το είδος του πουλιού
με ένα τέτοιο νευρωνικό δίκτυο.
με ένα τέτοιο νευρωνικό δίκτυο.
08:44
So in that picture,
180
512890
1826
Έτσι σε αυτή την φωτογραφία,
08:46
the x and the w are known,
and the y is the unknown.
and the y is the unknown.
181
514740
3802
οι x και w είναι γνωστοί
και ο y είναι ο άγνωστος.
και ο y είναι ο άγνωστος.
08:50
I'm glossing over the very
difficult part, of course,
difficult part, of course,
182
518566
2508
Φυσικά δεν μπαίνω σε λεπτομέρειες
για το πολύ δύσκολο μέρος,
για το πολύ δύσκολο μέρος,
08:53
which is how on earth
do we figure out the w,
do we figure out the w,
183
521098
3861
το πώς στο καλό υπολογίσαμε το w,
08:56
the brain that can do such a thing?
184
524983
2187
τον εγκέφαλο που μπορεί
να κάνει κάτι τέτοιο;
να κάνει κάτι τέτοιο;
Πώς μπορεί να μάθαμε ένα τέτοιο μοντέλο;
08:59
How would we ever learn such a model?
185
527194
1834
09:01
So this process of learning,
of solving for w,
of solving for w,
186
529418
3233
Αυτή λοιπόν η διαδικασία μάθησης,
να λύνουμε ως προς w,
να λύνουμε ως προς w,
09:04
if we were doing this
with the simple equation
with the simple equation
187
532675
2647
αν το κάναμε με την απλή εξίσωση
09:07
in which we think about these as numbers,
188
535346
2000
στην οποία τα βλέπουμε αυτά ως αριθμούς,
09:09
we know exactly how to do that: 6 = 2 x w,
189
537370
2687
ξέρουμε πώς ακριβώς να το κάνουμε:
6 = 2 x w,
6 = 2 x w,
09:12
well, we divide by two and we're done.
190
540081
3312
βασικά διαιρούμε διά 2 και τελειώσαμε.
09:16
The problem is with this operator.
191
544001
2220
Το πρόβλημα είναι αυτή η πράξη.
09:18
So, division --
192
546823
1151
Διαίρεση λοιπόν -
09:19
we've used division because
it's the inverse to multiplication,
it's the inverse to multiplication,
193
547998
3121
χρησιμοποιήσαμε τη διαίρεση
ως το αντίθετο του πολλαπλασιασμού,
ως το αντίθετο του πολλαπλασιασμού,
09:23
but as I've just said,
194
551143
1440
αλλά όπως είπα μόλις,
09:24
the multiplication is a bit of a lie here.
195
552607
2449
ο πολλαπλασιασμός είναι λίγο ψεύτικος.
09:27
This is a very, very complicated,
very non-linear operation;
very non-linear operation;
196
555080
3326
Αυτή είναι μια πολύ περίπλοκη,
μια εντελώς μη γραμμική λειτουργία,
μια εντελώς μη γραμμική λειτουργία,
09:30
it has no inverse.
197
558430
1704
δεν έχει αντίθετο.
09:32
So we have to figure out a way
to solve the equation
to solve the equation
198
560158
3150
Έτσι πρέπει να βρούμε τρόπο
να λύσουμε την εξίσωση
να λύσουμε την εξίσωση
09:35
without a division operator.
199
563332
2024
χωρίς το σύμβολο της διαίρεσης.
09:37
And the way to do that
is fairly straightforward.
is fairly straightforward.
200
565380
2343
Και ο τρόπος να το κάνουμε
είναι αρκετά ξεκάθαρος.
είναι αρκετά ξεκάθαρος.
09:39
You just say, let's play
a little algebra trick,
a little algebra trick,
201
567747
2671
Απλώς λέτε, ας κάνουμε
ένα κόλπο της άλγεβρας
ένα κόλπο της άλγεβρας
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
και να μετακινήσουμε το 6
στη δεξιά πλευρά της εξίσωσης.
στη δεξιά πλευρά της εξίσωσης.
09:45
Now, we're still using multiplication.
203
573372
1826
Τώρα ακόμα έχουμε τον πολλαπλασιασμό.
09:47
And that zero -- let's think
about it as an error.
about it as an error.
204
575675
3580
Και αυτό το μηδέν -
ας το σκεφτούμε σαν ένα σφάλμα.
ας το σκεφτούμε σαν ένα σφάλμα.
09:51
In other words, if we've solved
for w the right way,
for w the right way,
205
579279
2515
Με άλλα λόγια,
αν λύναμε σωστά ως προς w,
αν λύναμε σωστά ως προς w,
09:53
then the error will be zero.
206
581818
1656
τότε το σφάλμα θα ήταν μηδέν.
09:55
And if we haven't gotten it quite right,
207
583498
1938
Και αν δεν το κάναμε αρκετά σωστά,
το σφάλμα θα είναι μεγαλύτερο από μηδέν.
09:57
the error will be greater than zero.
208
585460
1749
09:59
So now we can just take guesses
to minimize the error,
to minimize the error,
209
587233
3366
Έτσι μπορούμε απλώς να μαντέψουμε
για να ελαχιστοποιήσουμε το σφάλμα,
για να ελαχιστοποιήσουμε το σφάλμα,
10:02
and that's the sort of thing
computers are very good at.
computers are very good at.
210
590623
2687
και αυτό το κάνουν καλά οι υπολογιστές.
Ας κάνουμε μια πρώτη μαντεψιά:
10:05
So you've taken an initial guess:
211
593334
1593
Τι θα γινόταν αν w = 0;
10:06
what if w = 0?
212
594951
1156
Τότε το σφάλμα είναι 6.
10:08
Well, then the error is 6.
213
596131
1240
Εάν το w = 1; Το σφάλμα είναι 4.
10:09
What if w = 1? The error is 4.
214
597395
1446
10:10
And then the computer can
sort of play Marco Polo,
sort of play Marco Polo,
215
598865
2367
Ο υπολογιστής μπορεί
δίνοντας διάφορες τιμές
δίνοντας διάφορες τιμές
10:13
and drive down the error close to zero.
216
601256
2367
να περιορίσει το σφάλμα κοντά στο μηδέν.
10:15
As it does that, it's getting
successive approximations to w.
successive approximations to w.
217
603647
3374
Κάνοντάς το αυτό,
λαμβάνει διαδοχικές τιμές κοντά στο w.
λαμβάνει διαδοχικές τιμές κοντά στο w.
10:19
Typically, it never quite gets there,
but after about a dozen steps,
but after about a dozen steps,
218
607045
3656
Πρακτικά ποτέ δεν το φτάνει
αλλά μετά από καμιά δεκαριά δοκιμές
αλλά μετά από καμιά δεκαριά δοκιμές
10:22
we're up to w = 2.999,
which is close enough.
which is close enough.
219
610725
4624
φτάνουμε στο w = 2.999
που είναι αρκετά κοντά.
που είναι αρκετά κοντά.
10:28
And this is the learning process.
220
616302
1814
Και αυτή είναι η διαδικασία μάθησης.
10:30
So remember that what's been going on here
221
618140
2730
Θυμηθείτε λοιπόν
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
ότι εδώ παίρνουμε πολλούς γνωστούς x
και γνωστούς y
και γνωστούς y
10:37
and solving for the w in the middle
through an iterative process.
through an iterative process.
223
625296
3454
και λύνουμε ως προς w
μέσω μιας επαναληπτικής μεθόδου.
μέσω μιας επαναληπτικής μεθόδου.
10:40
It's exactly the same way
that we do our own learning.
that we do our own learning.
224
628774
3556
Με τον ίδιο ακριβώς τρόπο
μαθαίνουμε κι εμείς.
μαθαίνουμε κι εμείς.
10:44
We have many, many images as babies
225
632354
2230
Ως μωρά έχουμε πάρα πολλές εικόνες
10:46
and we get told, "This is a bird;
this is not a bird."
this is not a bird."
226
634608
2633
και μας λένε, «Αυτό είναι πουλί,
αυτό δεν είναι πουλί».
αυτό δεν είναι πουλί».
10:49
And over time, through iteration,
227
637714
2098
Και με τον καιρό και την επανάληψη
10:51
we solve for w, we solve
for those neural connections.
for those neural connections.
228
639836
2928
λύνουμε ως προς w,
λύνουμε αυτές τις νευρωνικές συνδέσεις.
λύνουμε αυτές τις νευρωνικές συνδέσεις.
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
Έτσι τώρα κρατήσαμε τα x και w σταθερά
για να λύσουμε ως προς y,
για να λύσουμε ως προς y,
αυτό είναι καθημερινή, γρήγορη αντίληψη.
10:59
that's everyday, fast perception.
230
647570
1847
11:01
We figure out how we can solve for w,
231
649441
1763
Βρίσκουμε πώς λύνουμε ως προς w,
είναι μάθηση που είναι πολύ δυσκολότερη,
11:03
that's learning, which is a lot harder,
232
651228
1903
ώστε να ελαχιστοποιήσουμε το σφάλμα,
11:05
because we need to do error minimization,
233
653155
1985
μέσα από πολλά δοκιμαστικά παραδείγματα.
11:07
using a lot of training examples.
234
655164
1687
11:08
And about a year ago,
Alex Mordvintsev, on our team,
Alex Mordvintsev, on our team,
235
656875
3187
Πριν περίπου από έναν χρόνο,
ο Άλεξ Μόρντβιντσεφ της ομάδας μας
ο Άλεξ Μόρντβιντσεφ της ομάδας μας
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
αποφάσισε να πειραματιστεί
με το τι θα γίνει αν λύσουμε ως προς x,
με το τι θα γίνει αν λύσουμε ως προς x,
11:15
given a known w and a known y.
237
663660
2037
με δεδομένους γνωστούς τους w και y.
11:18
In other words,
238
666124
1151
Με άλλα λόγια,
γνωρίζετε ότι είναι ένα πουλί
11:19
you know that it's a bird,
239
667299
1352
και ήδη έχετε ένα νευρωνικό δίκτυο
που του έχετε μάθει τα πουλιά,
που του έχετε μάθει τα πουλιά,
11:20
and you already have your neural network
that you've trained on birds,
that you've trained on birds,
240
668675
3303
αλλά τι είναι η εικόνα ενός πουλιού;
11:24
but what is the picture of a bird?
241
672002
2344
11:27
It turns out that by using exactly
the same error-minimization procedure,
the same error-minimization procedure,
242
675034
5024
Αποδεικνύεται τελικά ότι με την ίδια
διαδικασία ελαχιστοποίησης σφάλματος
διαδικασία ελαχιστοποίησης σφάλματος
μπορούμε να το κάνουμε με το δίκτυο
που έχει μάθει να αναγνωρίζει τα πουλιά,
που έχει μάθει να αναγνωρίζει τα πουλιά,
11:32
one can do that with the network
trained to recognize birds,
trained to recognize birds,
243
680082
3430
11:35
and the result turns out to be ...
244
683536
3388
και το αποτέλεσμα φαίνεται να είναι...
11:42
a picture of birds.
245
690400
1305
μια εικόνα από πουλιά.
11:44
So this is a picture of birds
generated entirely by a neural network
generated entirely by a neural network
246
692814
3737
Αυτή λοιπόν είναι μια εικόνα με πουλιά
που φτιάχτηκε εξολοκλήρου
που φτιάχτηκε εξολοκλήρου
από νευρωνικό δίκτυο
που έμαθε να αναγνωρίζει πουλιά,
που έμαθε να αναγνωρίζει πουλιά,
11:48
that was trained to recognize birds,
247
696575
1826
11:50
just by solving for x
rather than solving for y,
rather than solving for y,
248
698425
3538
απλώς λύνοντας ως προς x
αντί ως προς y,
αντί ως προς y,
και κάνοντάς το επαναληπτικά.
11:53
and doing that iteratively.
249
701987
1288
11:55
Here's another fun example.
250
703732
1847
Να άλλο ένα διασκεδαστικό παράδειγμα.
11:57
This was a work made
by Mike Tyka in our group,
by Mike Tyka in our group,
251
705603
3437
Είναι μια δουλειά του Μάικ Τάικα
από την ομάδα μας.
από την ομάδα μας.
12:01
which he calls "Animal Parade."
252
709064
2308
που το λέει «Παρέλαση ζώων».
12:03
It reminds me a little bit
of William Kentridge's artworks,
of William Kentridge's artworks,
253
711396
2876
Μου θυμίζει λίγο την τεχνοτροπία
του Γουίλιαμ Κέντριτζ,
του Γουίλιαμ Κέντριτζ,
12:06
in which he makes sketches, rubs them out,
254
714296
2489
όπου φτιάχνει σκίτσα, τα σβήνει,
12:08
makes sketches, rubs them out,
255
716809
1460
φτιάχνει σκίτσα, τα σβήνει,
12:10
and creates a movie this way.
256
718293
1398
και έτσι φτιάχνει μια ταινία.
12:11
In this case,
257
719715
1151
Σε αυτή την περίπτωση,
ο Μάικ αντιστοιχεί το y
με διάφορα ζώα από μια ομάδα,
με διάφορα ζώα από μια ομάδα,
12:12
what Mike is doing is varying y
over the space of different animals,
over the space of different animals,
258
720890
3277
σε ένα δίκτυο που έχει σχεδιαστεί
να αναγνωρίζει και να διακρίνει
να αναγνωρίζει και να διακρίνει
12:16
in a network designed
to recognize and distinguish
to recognize and distinguish
259
724191
2382
12:18
different animals from each other.
260
726597
1810
διάφορα ζώα μεταξύ τους.
12:20
And you get this strange, Escher-like
morph from one animal to another.
morph from one animal to another.
261
728431
3751
Και μας βγαίνει μια περίεργη μεταμόρφωση
από ένα ζώο σε άλλο.
από ένα ζώο σε άλλο.
12:26
Here he and Alex together
have tried reducing
have tried reducing
262
734221
4614
Εδώ, αυτός και ο Άλεξ μαζί,
προσπάθησαν να μειώσουν τα y
προσπάθησαν να μειώσουν τα y
12:30
the y's to a space of only two dimensions,
263
738859
2759
σε χώρο μόνο δύο διαστάσεων,
φτιάχνοντας έτσι έναν χάρτη
από τον χώρο όλων των πραγμάτων
από τον χώρο όλων των πραγμάτων
12:33
thereby making a map
out of the space of all things
out of the space of all things
264
741642
3438
που αναγνωρίζονται από αυτό το δίκτυο.
12:37
recognized by this network.
265
745104
1719
12:38
Doing this kind of synthesis
266
746847
2023
Φτιάχνοντας αυτό το είδος σύνθεσης
ή δημιουργία εικόνων
σε ολόκληρη αυτή την επιφάνεια,
σε ολόκληρη αυτή την επιφάνεια,
12:40
or generation of imagery
over that entire surface,
over that entire surface,
267
748894
2382
12:43
varying y over the surface,
you make a kind of map --
you make a kind of map --
268
751300
2846
αναπτύσσοντας τις τιμές του y,
φτιάχνετε ένα είδος χάρτη -
φτιάχνετε ένα είδος χάρτη -
έναν οπτικό χάρτη όλων των πραγμάτων
που το δίκτυο ξέρει να αναγνωρίζει.
που το δίκτυο ξέρει να αναγνωρίζει.
12:46
a visual map of all the things
the network knows how to recognize.
the network knows how to recognize.
269
754170
3141
12:49
The animals are all here;
"armadillo" is right in that spot.
"armadillo" is right in that spot.
270
757335
2865
Όλα τα ζώα είναι εδώ -
το αρμαντίλο είναι σε αυτή τη θέση.
το αρμαντίλο είναι σε αυτή τη θέση.
12:52
You can do this with other kinds
of networks as well.
of networks as well.
271
760919
2479
Μπορείτε να το κάνετε
και με άλλα είδη δικτύων.
και με άλλα είδη δικτύων.
12:55
This is a network designed
to recognize faces,
to recognize faces,
272
763422
2874
Αυτό είναι ένα δίκτυο
σχεδιασμένο να αναγνωρίζει πρόσωπα,
σχεδιασμένο να αναγνωρίζει πρόσωπα,
12:58
to distinguish one face from another.
273
766320
2000
να διακρίνει πρόσωπα μεταξύ τους.
13:00
And here, we're putting
in a y that says, "me,"
in a y that says, "me,"
274
768344
3249
Και εδώ βάζουμε ένα y που λέει «εγώ»,
τις παραμέτρους του δικού μου προσώπου.
13:03
my own face parameters.
275
771617
1575
13:05
And when this thing solves for x,
276
773216
1706
Και όταν λύσει ως προς x,
13:06
it generates this rather crazy,
277
774946
2618
παράγει αυτή την αλλόκοτη,
13:09
kind of cubist, surreal,
psychedelic picture of me
psychedelic picture of me
278
777588
4428
λίγο κυβιστική, σουρεαλιστική,
ψυχεδελική εικόνα μου
ψυχεδελική εικόνα μου
από πολλαπλές απόψεις ταυτόχρονα.
13:14
from multiple points of view at once.
279
782040
1806
Ο λόγος που μοιάζει σαν να είναι
πολλαπλές απόψεις ταυτόχρονα
πολλαπλές απόψεις ταυτόχρονα
13:15
The reason it looks like
multiple points of view at once
multiple points of view at once
280
783870
2734
13:18
is because that network is designed
to get rid of the ambiguity
to get rid of the ambiguity
281
786628
3687
είναι επειδή το δίκτυο σχεδιάστηκε
να απορρίπτει την αμφισημία
να απορρίπτει την αμφισημία
13:22
of a face being in one pose
or another pose,
or another pose,
282
790339
2476
ενός προσώπου σε μια ή σε άλλη πόζα,
13:24
being looked at with one kind of lighting,
another kind of lighting.
another kind of lighting.
283
792839
3376
ή όταν το βλέπουμε κάθε φορά
σε διαφορετικό φωτισμό.
σε διαφορετικό φωτισμό.
13:28
So when you do
this sort of reconstruction,
this sort of reconstruction,
284
796239
2085
Όταν λοιπόν κάνετε
μια τέτοια ανακατασκευή,
μια τέτοια ανακατασκευή,
13:30
if you don't use some sort of guide image
285
798348
2304
αν δεν χρησιμοποιήσετε ως οδηγό
μια βασική εικόνα ή στατιστικές,
13:32
or guide statistics,
286
800676
1211
13:33
then you'll get a sort of confusion
of different points of view,
of different points of view,
287
801911
3765
τότε θα υπάρξει μια σύγχυση
από διαφορετικές απόψεις
από διαφορετικές απόψεις
13:37
because it's ambiguous.
288
805700
1368
λόγω αμφισημίας.
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
Αυτό συμβαίνει αν ο Άλεξ βάλει
το δικό του πρόσωπο ως εικόνα-οδηγό
το δικό του πρόσωπο ως εικόνα-οδηγό
13:44
during that optimization process
to reconstruct my own face.
to reconstruct my own face.
290
812033
3321
κατά τη διαδικασία βελτιστοποίησης
στην ανακατασκευή του προσώπου μου.
στην ανακατασκευή του προσώπου μου.
13:48
So you can see it's not perfect.
291
816284
2328
Βλέπετε λοιπόν ότι δεν είναι τέλειο.
Χρειάζεται αρκετή δουλειά ακόμη
13:50
There's still quite a lot of work to do
292
818636
1874
στη βελτιστοποίηση
της διαδικασίας βελτιστοποίησης.
της διαδικασίας βελτιστοποίησης.
13:52
on how we optimize
that optimization process.
that optimization process.
293
820534
2453
Αλλά αρχίζουμε να παίρνουμε κάτι
πολύ πιο συναφές ως πρόσωπο,
πολύ πιο συναφές ως πρόσωπο,
13:55
But you start to get something
more like a coherent face,
more like a coherent face,
294
823011
2827
13:57
rendered using my own face as a guide.
295
825862
2014
που φτιάχνεται με οδηγό
το δικό μου πρόσωπο.
το δικό μου πρόσωπο.
14:00
You don't have to start
with a blank canvas
with a blank canvas
296
828892
2501
Δεν χρειάζεται να ξεκινήσετε από το μηδέν
14:03
or with white noise.
297
831417
1156
ή από μια αοριστία.
14:04
When you're solving for x,
298
832597
1304
Όταν λύνετε ως προς 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
μπορείτε να ξεκινήσετε με ένα x,
που είναι ήδη μια άλλη εικόνα το ίδιο.
που είναι ήδη μια άλλη εικόνα το ίδιο.
14:09
That's what this little demonstration is.
300
837838
2556
Όπως σε αυτή η επίδειξη.
14:12
This is a network
that is designed to categorize
that is designed to categorize
301
840418
4122
Αυτό είναι ένα δίκτυο
σχεδιασμένο να ταξινομεί
σχεδιασμένο να ταξινομεί
κάθε είδους διαφορετικά αντικείμενα -
ανθρώπινες κατασκευές, ζώα...
ανθρώπινες κατασκευές, ζώα...
14:16
all sorts of different objects --
man-made structures, animals ...
man-made structures, animals ...
302
844564
3119
14:19
Here we're starting
with just a picture of clouds,
with just a picture of clouds,
303
847707
2593
Εδώ αρχίζουμε μόνο
με μια εικόνα από σύννεφα,
με μια εικόνα από σύννεφα,
14:22
and as we optimize,
304
850324
1671
και καθώς βελτιστοποιούμε,
14:24
basically, this network is figuring out
what it sees in the clouds.
what it sees in the clouds.
305
852019
4486
βασικά, αυτό το δίκτυο βρίσκει
τι βλέπει μέσα στα σύννεφα.
τι βλέπει μέσα στα σύννεφα.
14:28
And the more time
you spend looking at this,
you spend looking at this,
306
856931
2320
Και όσο περισσότερο το κοιτάζετε,
τόσο περισσότερα πράγματα
βρίσκετε κι εσείς μέσα στα σύννεφα.
βρίσκετε κι εσείς μέσα στα σύννεφα.
14:31
the more things you also
will see in the clouds.
will see in the clouds.
307
859275
2753
14:35
You could also use the face network
to hallucinate into this,
to hallucinate into this,
308
863004
3375
Μπορείτε επίσης να βάλετε το δίκτυο
με τα πρόσωπα να οραματιστεί εδώ,
με τα πρόσωπα να οραματιστεί εδώ,
14:38
and you get some pretty crazy stuff.
309
866403
1812
και θα έχετε πολύ τρελά αποτελέσματα.
14:40
(Laughter)
310
868239
1150
(Γέλια)
14:42
Or, Mike has done some other experiments
311
870401
2744
Ή ακόμη, ο Μάικ έκανε και άλλα πειράματα
14:45
in which he takes that cloud image,
312
873169
3905
όπου παίρνει την εικόνα με τα σύννεφα,
14:49
hallucinates, zooms, hallucinates,
zooms hallucinates, zooms.
zooms hallucinates, zooms.
313
877098
3507
οραματίζεται μορφές, ζουμάρει,
οραματίζεται, ζουμάρει.
οραματίζεται, ζουμάρει.
14:52
And in this way,
314
880629
1151
Και με αυτό τον τρόπο
14:53
you can get a sort of fugue state
of the network, I suppose,
of the network, I suppose,
315
881804
3675
βάζετε το δίκτυο σε μια κατάσταση,
θα έλεγα σαν ένα είδος αντίστιξης,
θα έλεγα σαν ένα είδος αντίστιξης,
14:57
or a sort of free association,
316
885503
3680
ένα είδος ελεύθερου συσχετισμού,
15:01
in which the network
is eating its own tail.
is eating its own tail.
317
889207
2227
όπου το δίκτυο
τρώει την ίδια του την ουρά.
τρώει την ίδια του την ουρά.
15:03
So every image is now the basis for,
318
891458
3421
Έτσι πλέον κάθε εικόνα
μας κάνει να σκεφτόμαστε,
μας κάνει να σκεφτόμαστε,
15:06
"What do I think I see next?
319
894903
1421
«Τι νομίζω ότι βλέπω μετά;
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
Τι νομίζω ότι βλέπω μετά;
Τι νομίζω ότι βλέπω μετά;»
Τι νομίζω ότι βλέπω μετά;»
15:11
I showed this for the first time in public
321
899487
2936
Το παρουσίασα πρώτη φορά
δημόσια σε μια ομάδα
δημόσια σε μια ομάδα
15:14
to a group at a lecture in Seattle
called "Higher Education" --
called "Higher Education" --
322
902447
5437
σε ομιλία στο Σιάτλ
που λεγόταν «Ανώτερη Εκπαίδευση» -
που λεγόταν «Ανώτερη Εκπαίδευση» -
15:19
this was right after
marijuana was legalized.
marijuana was legalized.
323
907908
2437
αμέσως αφού νομιμοποιήθηκε η μαριχουάνα.
15:22
(Laughter)
324
910369
2415
(Γέλια)
15:26
So I'd like to finish up quickly
325
914627
2104
Θα ήθελα να κλείσω γρήγορα
15:28
by just noting that this technology
is not constrained.
is not constrained.
326
916755
4255
με την απλή παρατήρηση
ότι αυτή η τεχνολογία δεν περιορίζεται.
ότι αυτή η τεχνολογία δεν περιορίζεται.
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
Σας έδειξα μόνο οπτικά παραδείγματα
επειδή είναι πιο ευχάριστα.
επειδή είναι πιο ευχάριστα.
15:36
It's not a purely visual technology.
328
924723
2451
Δεν είναι αποκλειστικά οπτική τεχνολογία.
Ο καλλιτεχνικός συνεργάτης μας,
Ρος Γκούντγουιν,
Ρος Γκούντγουιν,
15:39
Our artist collaborator, Ross Goodwin,
329
927198
1993
15:41
has done experiments involving
a camera that takes a picture,
a camera that takes a picture,
330
929215
3671
έχει κάνει πειράματα
με μια κάμερα που παίρνει φωτογραφίες,
με μια κάμερα που παίρνει φωτογραφίες,
15:44
and then a computer in his backpack
writes a poem using neural networks,
writes a poem using neural networks,
331
932910
4234
και μετά ένας υπολογιστής στο σακίδιό του
γράφει ποιήματα μέσα από νευρωνικά δίκτυα,
γράφει ποιήματα μέσα από νευρωνικά δίκτυα,
15:49
based on the contents of the image.
332
937168
1944
με βάση τα περιεχόμενα της εικόνας.
15:51
And that poetry neural network
has been trained
has been trained
333
939136
2947
Αυτό το ποιητικό νευρωνικό δίκτυο
έχει εκπαιδευτεί
έχει εκπαιδευτεί
15:54
on a large corpus of 20th-century poetry.
334
942107
2234
με ένα μεγάλο όγκο ποίησης του 20ου αιώνα.
15:56
And the poetry is, you know,
335
944365
1499
Και η ποίηση είναι, ξέρετε,
15:57
I think, kind of not bad, actually.
336
945888
1914
νομίζω, όχι και τόσο άσχημη, τελικά.
15:59
(Laughter)
337
947826
1384
(Γέλια)
16:01
In closing,
338
949234
1159
Κλείνοντας,
16:02
I think that per Michelangelo,
339
950417
2132
σχετικά με τον Μιχαήλ Άγγελο,
16:04
I think he was right;
340
952573
1234
νομίζω ότι είχε δίκιο.
16:05
perception and creativity
are very intimately connected.
are very intimately connected.
341
953831
3436
Η αντίληψη και η δημιουργικότητα
είναι πολύ στενά συνδεδεμένες.
είναι πολύ στενά συνδεδεμένες.
16:09
What we've just seen are neural networks
342
957611
2634
Μόλις είδαμε νευρωνικά δίκτυα
16:12
that are entirely trained to discriminate,
343
960269
2303
που έχουν εκπαιδευτεί εξολοκλήρου
να διακρίνουν,
να διακρίνουν,
16:14
or to recognize different
things in the world,
things in the world,
344
962596
2242
ή να αναγνωρίζουν
διαφορετικά πράγματα στον κόσμο,
διαφορετικά πράγματα στον κόσμο,
16:16
able to be run in reverse, to generate.
345
964862
3161
και μπορούν να λειτουργούν αντίστροφα,
να δημιουργούν.
να δημιουργούν.
16:20
One of the things that suggests to me
346
968047
1783
Ένα από τα πράγματα
που συμπεραίνω από αυτό
που συμπεραίνω από αυτό
16:21
is not only that
Michelangelo really did see
Michelangelo really did see
347
969854
2398
είναι ότι δεν είδε μόνο ο Μιχαήλ Άγγελος
16:24
the sculpture in the blocks of stone,
348
972276
2452
το γλυπτό μέσα στον όγκο της πέτρας,
16:26
but that any creature,
any being, any alien
any being, any alien
349
974752
3638
αλλά ότι κάθε πλάσμα, κάθε ον,
κάθε εξωγήινος,
κάθε εξωγήινος,
16:30
that is able to do
perceptual acts of that sort
perceptual acts of that sort
350
978414
3657
που μπορεί να επιτελέσει
τέτοιου είδους πράξεις αντίληψης,
τέτοιου είδους πράξεις αντίληψης,
μπορεί επίσης να δημιουργήσει
16:34
is also able to create
351
982095
1375
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
επειδή ακριβώς ο ίδιος μηχανισμός
χρησιμοποιείται και στις δύο περιπτώσεις.
χρησιμοποιείται και στις δύο περιπτώσεις.
16:38
Also, I think that perception
and creativity are by no means
and creativity are by no means
353
986742
4532
Επίσης πιστεύω ότι η αντίληψη
και η δημιουργικότητα
και η δημιουργικότητα
επ' ουδενί είναι
αποκλειστικά κάτι ανθρώπινο.
αποκλειστικά κάτι ανθρώπινο.
16:43
uniquely human.
354
991298
1210
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
Έχουμε υπολογιστικά μοντέλα
που μπορούν να κάνουν ακριβώς το ίδιο.
που μπορούν να κάνουν ακριβώς το ίδιο.
16:48
And that ought to be unsurprising;
the brain is computational.
the brain is computational.
356
996264
3328
Και αυτό δεν πρέπει να μας εκπλήσσει,
το μυαλό κάνει υπολογισμούς.
το μυαλό κάνει υπολογισμούς.
16:51
And finally,
357
999616
1657
Και τέλος,
16:53
computing began as an exercise
in designing intelligent machinery.
in designing intelligent machinery.
358
1001297
4668
οι υπολογιστές ξεκίνησαν ως άσκηση
στο σχεδιασμό ευφυών μηχανημάτων.
στο σχεδιασμό ευφυών μηχανημάτων.
16:57
It was very much modeled after the idea
359
1005989
2462
Σχεδιάστηκε βασικά με την ιδέα
17:00
of how could we make machines intelligent.
360
1008475
3013
του πώς μπορούμε
να κάνουμε τις μηχανές ευφυείς.
να κάνουμε τις μηχανές ευφυείς.
17:03
And we finally are starting to fulfill now
361
1011512
2162
Και τελικά αρχίζουμε να εκπληρώνουμε
17:05
some of the promises
of those early pioneers,
of those early pioneers,
362
1013698
2406
μερικές από τις υποσχέσεις
εκείνων των πρωτοπόρων,
εκείνων των πρωτοπόρων,
17:08
of Turing and von Neumann
363
1016128
1713
του Τούρινγκ και του Φον Νόιμαν,
17:09
and McCulloch and Pitts.
364
1017865
2265
του ΜακΚάλοκ και του Πιτς.
17:12
And I think that computing
is not just about accounting
is not just about accounting
365
1020154
4098
Και νομίζω ότι οι υπολογιστές
δεν αφορούν μόνο τα λογιστικά,
δεν αφορούν μόνο τα λογιστικά,
17:16
or playing Candy Crush or something.
366
1024276
2147
ή να παίζουμε Καντι Κρας ή κάτι τέτοιο.
17:18
From the beginning,
we modeled them after our minds.
we modeled them after our minds.
367
1026447
2578
Εξαρχής τα σχεδιάσαμε
κατ' εικόναν του μυαλού μας.
κατ' εικόναν του μυαλού μας.
17:21
And they give us both the ability
to understand our own minds better
to understand our own minds better
368
1029049
3269
Και μας δίνουν την ικανότητα
να καταλάβουμε το μυαλό μας καλύτερα
να καταλάβουμε το μυαλό μας καλύτερα
17:24
and to extend them.
369
1032342
1529
και να τα επεκτείνουμε.
17:26
Thank you very much.
370
1034627
1167
Σας ευχαριστώ πολύ.
17:27
(Applause)
371
1035818
5939
(Χειροκρότημα)
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