ABOUT THE SPEAKER
Blaise Agüera y Arcas - Software architect
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces.

Why you should listen

Blaise Agüera y Arcas is principal scientist at Google, where he leads a team working on machine intelligence for mobile devices. His group works extensively with deep neural nets for machine perception and distributed learning, and it also investigates so-called "connectomics" research, assessing maps of connections within the brain.

Agüera y Arcas' background is as multidimensional as the visions he helps create. In the 1990s, he authored patents on both video compression and 3D visualization techniques, and in 2001, he made an influential computational discovery that cast doubt on Gutenberg's role as the father of movable type.

He also created Seadragon (acquired by Microsoft in 2006), the visualization technology that gives Photosynth its amazingly smooth digital rendering and zoom capabilities. Photosynth itself is a vastly powerful piece of software capable of taking a wide variety of images, analyzing them for similarities, and grafting them together into an interactive three-dimensional space. This seamless patchwork of images can be viewed via multiple angles and magnifications, allowing us to look around corners or “fly” in for a (much) closer look. Simply put, it could utterly transform the way we experience digital images.

He joined Microsoft when Seadragon was acquired by Live Labs in 2006. Shortly after the acquisition of Seadragon, Agüera y Arcas directed his team in a collaboration with Microsoft Research and the University of Washington, leading to the first public previews of Photosynth several months later. His TED Talk on Seadragon and Photosynth in 2007 is rated one of TED's "most jaw-dropping." He returned to TED in 2010 to demo Bing’s augmented reality maps.

Fun fact: According to the author, Agüera y Arcas is the inspiration for the character Elgin in the 2012 best-selling novel Where'd You Go, Bernadette?

More profile about the speaker
Blaise Agüera y Arcas | Speaker | TED.com
TED@BCG Paris

Blaise Agüera y Arcas: How computers are learning to be creative

Balise Agüera y Arcas: In che modo i computer stanno imparando ad essere creativi

Filmed:
1,934,067 views

Siamo alle porte di una nuova frontiera per l'arte e la creatività - e non riguarda l'uomo. Blaise Agüeda y Arcas, il maggiore scienziato di Google, lavora sulle profonde reti neurali per la percezione delle macchine e l'apprendimento distribuito. In questa accattivante dimostrazione, mostra come le reti neurali preparate a riconoscere immagini possano lavorare al contrario, per generarle. I risultati: spettacolari, allucinatori collage (e poesie) che sfidano le categorizzazioni. "La percezione e la creatività sono intimamente correlate" dice Agueda y Arcas, "ogni creatura, ogni essere in grado di avere atti percettivi è anche in grado di creare".
- Software architect
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces. Full bio

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

Dunque, sono a capo di un team di Google
che lavora sull'intelligenza artificiale;
00:12
So, I leadcondurre a teamsquadra at GoogleGoogle
that workslavori on machinemacchina intelligenceintelligenza;
0
800
3124
00:15
in other wordsparole, the engineeringingegneria disciplinedisciplina
of makingfabbricazione computerscomputer and devicesdispositivi
1
3948
4650
in altre parole l'ingegneria che si occupa
di creare computer ed altri dispositivi
00:20
ablecapace to do some of the things
that brainsmente do.
2
8622
2419
in grado di fare alcune delle cose
che fa il cervello.
00:23
And this makesfa us
interestedinteressato in realvero brainsmente
3
11439
3099
E questo ci ha fatto interessare
al cervello vero
00:26
and neuroscienceneuroscienza as well,
4
14562
1289
e alla neuroscienza,
00:27
and especiallyparticolarmente interestedinteressato
in the things that our brainsmente do
5
15875
4172
ed in particolare a quelle cose che
fa il nostro cervello
00:32
that are still farlontano superiorsuperiore
to the performanceprestazione of computerscomputer.
6
20071
4042
che sono di gran lunga superiori
alle capacità dei computer.
00:37
HistoricallyStoricamente, one of those areasle zone
has been perceptionpercezione,
7
25209
3609
Storicamente, una di queste aree
è stata la percezione,
00:40
the processprocesso by whichquale things
out there in the worldmondo --
8
28842
3039
il processo con cui le cose
nel mod,
00:43
soundssuoni and imagesimmagini --
9
31905
1584
suoni ed immagini,
00:45
can turnturno into conceptsconcetti in the mindmente.
10
33513
2178
possono diventare concetti
nella nostra mente.
00:48
This is essentialessenziale for our ownproprio brainsmente,
11
36235
2517
Questo è essenziale
per il nostro cervello,
00:50
and it's alsoanche prettybella usefulutile on a computercomputer.
12
38776
2464
ed è anche piuttosto utile
per un computer.
Gli algoritmi di percezione della macchina
per esempio, elaborati dal nostro team,
00:53
The machinemacchina perceptionpercezione algorithmsalgoritmi,
for exampleesempio, that our teamsquadra makesfa,
13
41636
3350
00:57
are what enableabilitare your picturesimmagini
on GoogleGoogle PhotosFoto to becomediventare searchablericercabile,
14
45010
3874
sono ciò che rende le vostre foto
su Google Foto cercabili,
01:00
basedbasato on what's in them.
15
48908
1397
in base a ciò
che c'è nelle foto.
01:03
The flipFlip sidelato of perceptionpercezione is creativitycreatività:
16
51594
3493
L'altro lato della percezione
è la creatività:
01:07
turningsvolta a conceptconcetto into something
out there into the worldmondo.
17
55111
3038
trasformare un concetto in qualcosa
che esiste nel mondo reale.
01:10
So over the pastpassato yearanno,
our work on machinemacchina perceptionpercezione
18
58173
3555
Così l'anno scorso, il nostro lavoro
sulla percezione delle macchine,
01:13
has alsoanche unexpectedlyinaspettatamente connectedcollegato
with the worldmondo of machinemacchina creativitycreatività
19
61752
4859
ci ha inaspettatamente condotto
al mondo della creatività nelle macchine
01:18
and machinemacchina artarte.
20
66635
1160
e dell'arte nelle macchine.
01:20
I think MichelangeloMichelangelo
had a penetratingpenetrante insightintuizione
21
68556
3284
Penso che Michelangelo
ebbe una profonda intuizione
01:23
into to this dualdoppio relationshiprelazione
betweenfra perceptionpercezione and creativitycreatività.
22
71864
3656
riguardo questa duplice relazione
tra percezione e creatività.
01:28
This is a famousfamoso quotecitazione of his:
23
76023
2006
Questo è una sua famosa citazione:
01:30
"EveryOgni blockbloccare of stonepietra
has a statuestatua insidedentro of it,
24
78053
3323
"Ogni blocco di pietra
ha una statua dentro di sè
ed è compito dello scultore scoprirla".
01:34
and the joblavoro of the sculptorscultore
is to discoverscoprire it."
25
82036
3002
01:38
So I think that what
MichelangeloMichelangelo was gettingottenere at
26
86029
3216
Penso che quello che
Michelangelo intendesse dire
01:41
is that we createcreare by perceivingpercepire,
27
89269
3180
è che creiamo dalla percezione,
01:44
and that perceptionpercezione itselfsi
is an actatto of imaginationimmaginazione
28
92473
3023
e che la percezione stessa
è un atto dell'immaginazione
01:47
and is the stuffcose of creativitycreatività.
29
95520
2461
ed è qualcosa della creatività.
01:50
The organorgano that does all the thinkingpensiero
and perceivingpercepire and imaginingimmaginando,
30
98691
3925
L'organo che si occupa di pensare
percepire ed immaginare
01:54
of coursecorso, is the braincervello.
31
102640
1588
naturalmente è il cervello.
01:57
And I'd like to begininizio
with a briefbreve bitpo of historystoria
32
105089
2545
Vorrei cominciare con un breve
resoconto sulla storia
01:59
about what we know about brainsmente.
33
107658
2302
della nostra conoscenza del cervello.
Perché a differenza, per esempio,
del cuore o dell'intestino,
02:02
Because unlikea differenza di, say,
the heartcuore or the intestinesintestini,
34
110496
2446
02:04
you really can't say very much
about a braincervello by just looking at it,
35
112966
3144
non possiamo dire molto del cervello
solo osservandolo,
02:08
at leastmeno with the nakednudo eyeocchio.
36
116134
1412
almeno ad occhio nudo.
02:09
The earlypresto anatomistsanatomisti who lookedguardato at brainsmente
37
117983
2416
I primi anatomisti
che studiarono il cervello
02:12
gaveha dato the superficialsuperficiale structuresstrutture
of this thing all kindstipi of fancifulfantasiose namesnomi,
38
120423
3807
diedero alle superficiali strutture
di questa cosa nomi fantasiosi,
02:16
like hippocampusippocampo, meaningsenso "little shrimpgamberetti."
39
124254
2433
come ippocampo, che significa
"gamberetto".
02:18
But of coursecorso that sortordinare of thing
doesn't tell us very much
40
126711
2764
Ma naturalmente questo
non ci dice molto
02:21
about what's actuallyin realtà going on insidedentro.
41
129499
2318
su cosa realmente succede all'interno.
02:24
The first personpersona who, I think, really
developedsviluppato some kindgenere of insightintuizione
42
132780
3613
Il primo che, credo, sviluppò davvero
una qualche intuizione
su cosa succedesse
all'interno del cervello
02:28
into what was going on in the braincervello
43
136417
1930
02:30
was the great SpanishSpagnolo neuroanatomistanatomista,
SantiagoSantiago RamRAMón y CajalCajal,
44
138371
3920
fu il grande neuroanatomista spagnolo
Santiago Ramón y Cajal,
02:34
in the 19thesimo centurysecolo,
45
142315
1544
nel XIX secolo,
02:35
who used microscopymicroscopia and specialspeciale stainsmacchie
46
143883
3755
che utilizzò il microscopio
e speciali tinture
02:39
that could selectivelyin modo selettivo fillriempire in
or renderrendere in very highalto contrastcontrasto
47
147662
4170
che potevano selettivamente riempire
o risaltare in elevato contrasto
02:43
the individualindividuale cellscellule in the braincervello,
48
151856
2008
le singole cellule del cervello,
02:45
in orderordine to startinizio to understandcapire
theirloro morphologiesmorfologie.
49
153888
3154
per iniziare a comprenderne
la morfologia.
02:49
And these are the kindstipi of drawingsdisegni
that he madefatto of neuronsneuroni
50
157972
2891
E questi sono gli schizzi
che fece dei neuroni
02:52
in the 19thesimo centurysecolo.
51
160887
1209
nel XIX secolo.
02:54
This is from a birduccello braincervello.
52
162120
1884
Questo è il cervello di un uccello.
02:56
And you see this incredibleincredibile varietyvarietà
of differentdiverso sortstipi of cellscellule,
53
164028
3057
Vedete l'incredibile varietà
di cellule differenti,
02:59
even the cellularcellulare theoryteoria itselfsi
was quiteabbastanza newnuovo at this pointpunto.
54
167109
3435
persino la teoria cellulare stessa
era abbastanza nuova all'epoca.
03:02
And these structuresstrutture,
55
170568
1278
E queste strutture,
03:03
these cellscellule that have these arborizationsarborizations,
56
171870
2259
queste cellule che hanno
queste ramificazioni,
questi rami che possono percorrere
distanze davvero lunghissime...
03:06
these branchesrami that can go
very, very long distancesdistanze --
57
174153
2608
03:08
this was very novelromanzo at the time.
58
176785
1616
questa era una vera novità all'epoca.
03:10
They're reminiscentricorda, of coursecorso, of wiresfili.
59
178779
2903
E naturalmente, ci ricordano
dei fili elettrici.
03:13
That mightpotrebbe have been obviousevidente
to some people in the 19thesimo centurysecolo;
60
181706
3457
Questo sarebbe potuto essere ovvio
per alcuni nel XIX secolo;
03:17
the revolutionsrivoluzioni of wiringcablaggio and electricityelettricità
were just gettingottenere underwayin corso.
61
185187
4314
le rivoluzioni dei circuiti,
dell'elettricità stavano cominciando.
03:21
But in manymolti waysmodi,
62
189964
1178
Ma in molti modi,
03:23
these microanatomicalmicroanatomical drawingsdisegni
of RamRAMón y Cajal'sDi Cajal, like this one,
63
191166
3313
i disegni di microanatomia
di Ramón y Cajal, come questo,
03:26
they're still in some waysmodi unsurpassedinsuperabile.
64
194503
2332
sono ancora in qualche modo attuali.
03:28
We're still more than a centurysecolo laterdopo,
65
196859
1854
Dopo più di un secolo,
stiamo ancora cercando di finire
il lavoro iniziato da Ramón y Cajal.
03:30
tryingprovare to finishfinire the joblavoro
that RamRAMón y CajalCajal startediniziato.
66
198737
2825
03:33
These are rawcrudo datadati from our collaboratorscollaboratori
67
201586
3134
Questi sono dati grezzi
dai nostri collaboratori
03:36
at the MaxMax PlanckPlanck InstituteIstituto
of NeuroscienceNeuroscienze.
68
204744
2881
all'Istituto Max Planck di Neuroscienze.
Ciò che hanno fatto
i nostri collaboratori
03:39
And what our collaboratorscollaboratori have donefatto
69
207649
1790
03:41
is to imageImmagine little piecespezzi of braincervello tissuefazzoletto di carta.
70
209463
5001
è rappresentare frammenti
di tessuto celebrale.
03:46
The entireintero samplecampione here
is about one cubiccubi millimetermillimetro in sizedimensione,
71
214488
3326
L'intero campione qui è di circa
un millimetro cubico,
03:49
and I'm showingmostrando you a very,
very smallpiccolo piecepezzo of it here.
72
217838
2621
e ve ne sto mostrando
un pezzo piccolissimo qui.
03:52
That barbar on the left is about one micronmicron.
73
220483
2346
Quella barra a sinistra
è di circa un micron.
03:54
The structuresstrutture you see are mitochondriamitocondri
74
222853
2409
Le strutture che vedete
sono i mitocondri
03:57
that are the sizedimensione of bacteriabatteri.
75
225286
2044
che sono delle dimensioni
dei batteri.
03:59
And these are consecutiveconsecutivi slicesfette
76
227354
1551
E queste sono sezioni consecutive
04:00
throughattraverso this very, very
tinyminuscolo blockbloccare of tissuefazzoletto di carta.
77
228929
3148
di questo minuscolo
blocco di tessuto.
04:04
Just for comparison'sconfronto di sakeinteresse,
78
232101
2403
Solo per fare un confronto,
04:06
the diameterdiametro of an averagemedia strandStrand
of haircapelli is about 100 micronsmicron.
79
234528
3792
il diametro medio di un capello
misura circa 100 microns.
Quindi stiamo osservando qualcosa
di molto, molto più piccolo
04:10
So we're looking at something
much, much smallerpiù piccola
80
238344
2274
04:12
than a singlesingolo strandStrand of haircapelli.
81
240642
1398
di un singolo capello.
04:14
And from these kindstipi of serialnumero di serie
electronelettrone microscopymicroscopia slicesfette,
82
242064
4031
E da queste serie di parti
microscopiche di elettroni,
04:18
one can startinizio to make reconstructionsricostruzioni
in 3D of neuronsneuroni that look like these.
83
246119
5008
si possono cominciare ricostruzioni
3D dei neuroni che appaiono come questi.
04:23
So these are sortordinare of in the samestesso
stylestile as RamRAMón y CajalCajal.
84
251151
3157
Sono in qualche modo simili al lavoro
svolto da Ramón y Cajal.
Solo pochi neuroni
sono evidenziati,
04:26
Only a fewpochi neuronsneuroni litilluminato up,
85
254332
1492
04:27
because otherwisealtrimenti we wouldn'tno
be ablecapace to see anything here.
86
255848
2781
perché altrimenti non potremmo
osservare nulla qui.
04:30
It would be so crowdedaffollato,
87
258653
1312
Sarebbe molto affollato
04:31
so fullpieno of structurestruttura,
88
259989
1330
e pieno di strutture,
04:33
of wiringcablaggio all connectingcollegamento
one neuronneurone to anotherun altro.
89
261343
2724
di fili che uniscono tutti
i neutroni tra loro.
04:37
So RamRAMón y CajalCajal was a little bitpo
aheadavanti of his time,
90
265293
2804
Quindi, Ramón y Cajal era un po' avanti
per i suoi tempi,
04:40
and progressprogresso on understandingcomprensione the braincervello
91
268121
2555
e gli sviluppi sulla comprensione
del cervello
04:42
proceededha proceduto slowlylentamente
over the nextIl prossimo fewpochi decadesdecenni.
92
270700
2271
avanzarono lentamente nel corso
dei decenni successivi.
04:45
But we knewconosceva that neuronsneuroni used electricityelettricità,
93
273455
2853
Ma sapevamo che i neuroni
usano l'elettricità,
e dalla Seconda Guerra Mondiale, la nostra
tecnologia era abbastanza avanzata
04:48
and by WorldMondo WarGuerra IIII, our technologytecnologia
was advancedAvanzate enoughabbastanza
94
276332
2936
04:51
to startinizio doing realvero electricalelettrico
experimentsesperimenti on livevivere neuronsneuroni
95
279292
2806
da iniziare a fare veri esperimenti
elettrici su neuroni vivi
04:54
to better understandcapire how they workedlavorato.
96
282122
2106
per capire meglio il loro funzionamento.
04:56
This was the very samestesso time
when computerscomputer were beingessere inventedinventato,
97
284631
4356
Questa fu l'epoca in cui vennero
inventati i computer,
05:01
very much basedbasato on the ideaidea
of modelingmodellismo the braincervello --
98
289011
3100
basati fondamentalmente
sul modello del cervello,
05:04
of "intelligentintelligente machinerymacchinario,"
as AlanAlan TuringTuring calledchiamato it,
99
292135
3085
di "macchina intelligente"
come Alan Turing lo chiamò,
05:07
one of the fatherspadri of computercomputer sciencescienza.
100
295244
1991
uno dei padri della scienza del computer.
05:09
WarrenWarren McCullochMcCulloch and WalterWalter PittsPitts
lookedguardato at RamRAMón y Cajal'sDi Cajal drawingdisegno
101
297923
4632
Warren MacCulloch e Walter Pitts
studiarono i disegni di Ramón y Cajal
05:14
of visualvisivo cortexcorteccia,
102
302579
1317
della corteccia visiva,
05:15
whichquale I'm showingmostrando here.
103
303920
1562
che vi mostro qui.
05:17
This is the cortexcorteccia that processesprocessi
imageryimmagini that comesviene from the eyeocchio.
104
305506
4442
Questa è la corteccia che elabora
le immagini provenienti dall'occhio.
05:22
And for them, this lookedguardato
like a circuitcircuito diagramdiagramma.
105
310424
3508
Secondo loro, ciò appariva
come un diagramma di un circuito.
05:26
So there are a lot of detailsdettagli
in McCullochMcCulloch and Pitts'sDi Pitts circuitcircuito diagramdiagramma
106
314353
3835
Molti dettagli dei diagrammi
di MacCulloch e Pitts
05:30
that are not quiteabbastanza right.
107
318212
1352
non sono proprio corretti.
05:31
But this basicdi base ideaidea
108
319588
1235
Ma questa idea di base
05:32
that visualvisivo cortexcorteccia workslavori like a seriesserie
of computationalcomputazionale elementselementi
109
320847
3992
che la corteccia visiva lavorasse
come una serie di elementi di calcolo
05:36
that passpassaggio informationinformazione
one to the nextIl prossimo in a cascadecascata,
110
324863
2746
che trasmettono informazioni
l'un l'altra in sequenza
05:39
is essentiallyessenzialmente correctcorretta.
111
327633
1602
è essenzialmente corretto.
05:41
Let's talk for a momentmomento
112
329259
2350
Analizziamo un attimo
05:43
about what a modelmodello for processinglavorazione
visualvisivo informationinformazione would need to do.
113
331633
4032
ciò che un modello di elaborazione
di informazioni visive dovrebbe fare.
05:48
The basicdi base taskcompito of perceptionpercezione
114
336228
2741
Il compito fondamentale
della percezione
05:50
is to take an imageImmagine like this one and say,
115
338993
4194
è di catturare un'immagine
come questa e dire:
05:55
"That's a birduccello,"
116
343211
1176
"Questo è un uccello,"
05:56
whichquale is a very simplesemplice thing
for us to do with our brainsmente.
117
344411
2874
che è una cosa molto semplice
per il nostro cervello.
05:59
But you should all understandcapire
that for a computercomputer,
118
347309
3421
Ma tutti voi dovreste capire
che per un computer,
06:02
this was prettybella much impossibleimpossibile
just a fewpochi yearsanni agofa.
119
350754
3087
ciò era praticamente impossibile
sino a qualche anno fa.
06:05
The classicalclassica computinginformatica paradigmparadigma
120
353865
1916
Il classico paradigma di calcolo
06:07
is not one in whichquale
this taskcompito is easyfacile to do.
121
355805
2507
in questo caso non è
così semplice da realizzare.
06:11
So what's going on betweenfra the pixelspixel,
122
359366
2552
Ciò che accade
tra i pixel,
06:13
betweenfra the imageImmagine of the birduccello
and the wordparola "birduccello,"
123
361942
4028
tra l'immagine dell'uccello e
la parola "uccello",
06:17
is essentiallyessenzialmente a setimpostato of neuronsneuroni
connectedcollegato to eachogni other
124
365994
2814
essenzialmente è un gruppo
di neuroni connessi tra loro
06:20
in a neuralneurale networkRete,
125
368832
1155
in una rete neurale,
come sto schematizzando qui.
06:22
as I'm diagrammingcreazione di diagrammi here.
126
370011
1223
06:23
This neuralneurale networkRete could be biologicalbiologico,
insidedentro our visualvisivo corticescortecce,
127
371258
3272
Questa rete neurale può essere
biologica, nella nostra corteccia visuale,
06:26
or, nowadaysal giorno d'oggi, we startinizio
to have the capabilitycapacità
128
374554
2162
oppure, oggi, possiamo
06:28
to modelmodello suchcome neuralneurale networksreti
on the computercomputer.
129
376740
2454
modellare queste reti neuronali
su un computer.
06:31
And I'll showmostrare you what
that actuallyin realtà lookssembra like.
130
379834
2353
E vi mostrerò come in realtà ciò appaia.
06:34
So the pixelspixel you can think
about as a first layerstrato of neuronsneuroni,
131
382211
3416
Quindi i pixel potete immaginarli
come un primo strato di neuroni,
06:37
and that's, in factfatto,
how it workslavori in the eyeocchio --
132
385651
2239
ed è così, infatti, che funziona l'occhio:
06:39
that's the neuronsneuroni in the retinaretina.
133
387914
1663
questi sono i neuroni della retina.
06:41
And those feedalimentazione forwardinoltrare
134
389601
1500
Ed essi trasmettono
06:43
into one layerstrato after anotherun altro layerstrato,
after anotherun altro layerstrato of neuronsneuroni,
135
391125
3403
da uno strato all'altro,
06:46
all connectedcollegato by synapsessinapsi
of differentdiverso weightspesi.
136
394552
3033
tutti connessi da sinapsi di
peso differente.
Il comportamento
di questa rete
06:49
The behaviorcomportamento of this networkRete
137
397609
1335
06:50
is characterizedcaratterizzato by the strengthspunti di forza
of all of those synapsessinapsi.
138
398968
3284
è caratterizzato dalle forze
di tutte queste sinapsi.
06:54
Those characterizecaratterizzano the computationalcomputazionale
propertiesproprietà of this networkRete.
139
402276
3288
Esse caratterizzano le proprietà
di calcolo di questa rete.
06:57
And at the endfine of the day,
140
405588
1470
E alla fine della giornata,
06:59
you have a neuronneurone
or a smallpiccolo groupgruppo of neuronsneuroni
141
407082
2447
abbiamo un neurone o
un piccolo gruppo di neuroni
07:01
that lightleggero up, sayingdetto, "birduccello."
142
409553
1647
che si accendono e dicono "uccello".
Adesso vi mostrerò
queste tre cose:
07:03
Now I'm going to representrappresentare
those threetre things --
143
411824
3132
07:06
the inputingresso pixelspixel and the synapsessinapsi
in the neuralneurale networkRete,
144
414980
4696
i pixel di input, le sinapsi
nella rete neurale,
07:11
and birduccello, the outputproduzione --
145
419700
1585
e l'uccello, il risultato,
07:13
by threetre variablesvariabili: x, w and y.
146
421309
3057
attraverso tre variabili: x, w ed y.
Ci sono forse un milione
di x più o meno,
07:16
There are maybe a millionmilione or so x'sxD --
147
424853
1811
07:18
a millionmilione pixelspixel in that imageImmagine.
148
426688
1953
un milione di pixel in questa immagine.
07:20
There are billionsmiliardi or trillionsmigliaia di miliardi of w'sw,
149
428665
2446
Ci sono miliardi o triliardi di w,
07:23
whichquale representrappresentare the weightspesi of all
these synapsessinapsi in the neuralneurale networkRete.
150
431135
3421
che rappresentano il peso di tutte queste
sinapsi nella rete neurale.
07:26
And there's a very smallpiccolo numbernumero of y'sy's,
151
434580
1875
E c'è un piccolissimo numero di y,
07:28
of outputsuscite that that networkRete has.
152
436479
1858
di uscite che ha quella rete.
07:30
"BirdUccello" is only fourquattro letterslettere, right?
153
438361
1749
Uccello è di sole tre sillabe,
giusto?
07:33
So let's pretendfar finta that this
is just a simplesemplice formulaformula,
154
441088
3426
Facciamo finta che sia solo
una semplice formula,
07:36
x "x" w = y.
155
444538
2163
x "x" w = y.
07:38
I'm puttingmettendo the timesvolte in scarespavento quotescitazioni
156
446725
2036
Sto mettendo il "per" tra virgolette
07:40
because what's really
going on there, of coursecorso,
157
448785
2280
perché cio che realmente accade,
ovviamente,
07:43
is a very complicatedcomplicato seriesserie
of mathematicalmatematico operationsoperazioni.
158
451089
3046
è una complicatissima serie
di operazioni matematiche.
07:47
That's one equationequazione.
159
455172
1221
Questa è un'equazione.
07:48
There are threetre variablesvariabili.
160
456417
1672
Ci sono tre variabili.
07:50
And we all know
that if you have one equationequazione,
161
458113
2726
E sappiamo tutti che se hai un'equazione,
07:52
you can solverisolvere one variablevariabile
by knowingsapendo the other two things.
162
460863
3642
puoi risolvere una variabile
conoscendo le altre due.
07:57
So the problemproblema of inferenceinferenza,
163
465158
3380
Quindi il problema
di arrivare alla soluzione,
08:00
that is, figuringcapire out
that the pictureimmagine of a birduccello is a birduccello,
164
468562
2873
vale a dire, capire che l'immagine
dell'uccello è un uccello,
08:03
is this one:
165
471459
1274
è questo:
08:04
it's where y is the unknownsconosciuto
and w and x are knownconosciuto.
166
472757
3459
è che y è l'incognita
e w ed x i termini noti.
08:08
You know the neuralneurale networkRete,
you know the pixelspixel.
167
476240
2459
Conoscete la rete neurale
e conoscete i pixel.
Come potete vedere questo in realtà
è un problema relativamente semplice.
08:10
As you can see, that's actuallyin realtà
a relativelyrelativamente straightforwardschietto problemproblema.
168
478723
3327
08:14
You multiplymoltiplicare two timesvolte threetre
and you're donefatto.
169
482074
2186
Moltiplicate per due volte tre
ed è fatta.
08:16
I'll showmostrare you an artificialartificiale neuralneurale networkRete
170
484862
2123
Vi mostro una rete
neurale artificiale
che abbiamo recentemente realizzato
facendo esattamente questo.
08:19
that we'venoi abbiamo builtcostruito recentlyrecentemente,
doing exactlydi preciso that.
171
487009
2296
08:21
This is runningin esecuzione in realvero time
on a mobilemobile phoneTelefono,
172
489634
2860
Funziona in tempo reale
su un cellulare,
08:24
and that's, of coursecorso,
amazingStupefacente in its ownproprio right,
173
492518
3313
e questo è di certo
sorprendente di per sè,
08:27
that mobilemobile phonestelefoni can do so manymolti
billionsmiliardi and trillionsmigliaia di miliardi of operationsoperazioni
174
495855
3468
che i cellulari possono fare
miliardi e triliardi di operazioni
08:31
perper secondsecondo.
175
499347
1248
al secondo.
Quello che state guardando
è un cellulare
08:32
What you're looking at is a phoneTelefono
176
500619
1615
08:34
looking at one after anotherun altro
pictureimmagine of a birduccello,
177
502258
3547
che guarda un'immagine
di un uccello dopo l'altra
08:37
and actuallyin realtà not only sayingdetto,
"Yes, it's a birduccello,"
178
505829
2715
ed in realtà non dice solo:
"Sì, è un uccello",
08:40
but identifyingidentificazione the speciesspecie of birduccello
with a networkRete of this sortordinare.
179
508568
3411
ma identifica le specie di uccello
con una rete di questo tipo.
08:44
So in that pictureimmagine,
180
512890
1826
Quindi in questa foto,
08:46
the x and the w are knownconosciuto,
and the y is the unknownsconosciuto.
181
514740
3802
la x e la w sono note,
e la y è l'incognita.
08:50
I'm glossinglucidando over the very
difficultdifficile partparte, of coursecorso,
182
518566
2508
Sto tralasciando la parte più
difficile ovviamente,
08:53
whichquale is how on earthterra
do we figurefigura out the w,
183
521098
3861
che è come diamine
ci immaginiamo la w,
08:56
the braincervello that can do suchcome a thing?
184
524983
2187
il cervello che può fare una cosa simile ?
08:59
How would we ever learnimparare suchcome a modelmodello?
185
527194
1834
Come potremmo mai conoscere
un simile modello?
09:01
So this processprocesso of learningapprendimento,
of solvingsoluzione for w,
186
529418
3233
Così questo processo di apprendimento
di risolvere tramite la w,
09:04
if we were doing this
with the simplesemplice equationequazione
187
532675
2647
se stavamo facendo questo
con una semplice equazione
09:07
in whichquale we think about these as numbersnumeri,
188
535346
2000
nella quale pensiamo a questi come numeri,
09:09
we know exactlydi preciso how to do that: 6 = 2 x w,
189
537370
2687
sappiamo esattamente come fare:
6 = 2 x w,
09:12
well, we dividedividere by two and we're donefatto.
190
540081
3312
bene, dividiamo per due ed è fatta.
09:16
The problemproblema is with this operatoroperatore.
191
544001
2220
Il problema sta in questa operazione.
09:18
So, divisiondivisione --
192
546823
1151
La divisione...
abbiamo usato la divisione perché
è l'inverso della moltiplicazione,
09:19
we'venoi abbiamo used divisiondivisione because
it's the inverseinverso to multiplicationmoltiplicazione,
193
547998
3121
09:23
but as I've just said,
194
551143
1440
ma come abbiamo appena detto,
09:24
the multiplicationmoltiplicazione is a bitpo of a liemenzogna here.
195
552607
2449
la moltiplicazione è un bugia qui.
09:27
This is a very, very complicatedcomplicato,
very non-linearnon-lineare operationoperazione;
196
555080
3326
Questa è un'operazione complicatissima,
davvero non semplice;
09:30
it has no inverseinverso.
197
558430
1704
non ha l'inverso.
09:32
So we have to figurefigura out a way
to solverisolvere the equationequazione
198
560158
3150
Cosi dobbiamo cercare
di risolvere l'equazione
09:35
withoutsenza a divisiondivisione operatoroperatore.
199
563332
2024
senza un'operazione di divisione.
09:37
And the way to do that
is fairlyabbastanza straightforwardschietto.
200
565380
2343
E fare ciò
è abbastanza semplice.
09:39
You just say, let's playgiocare
a little algebraalgebra tricktrucco,
201
567747
2671
Diciamo solo che facciamo un
trucchetto algebrico,
09:42
and movemossa the sixsei over
to the right-handmano destra sidelato of the equationequazione.
202
570442
2906
e spostiamo il sei nella parte
a destra dell'equazione.
09:45
Now, we're still usingutilizzando multiplicationmoltiplicazione.
203
573372
1826
Ora, stiamo ancora usando
la moltiplicazione.
09:47
And that zerozero -- let's think
about it as an errorerrore.
204
575675
3580
E quello zero, pensiamolo come un errore.
In altre parole, se abbiamo risolto
la w in modo corretto,
09:51
In other wordsparole, if we'venoi abbiamo solvedrisolto
for w the right way,
205
579279
2515
09:53
then the errorerrore will be zerozero.
206
581818
1656
allora l'errore sarà lo zero.
09:55
And if we haven'tnon hanno gottenottenuto it quiteabbastanza right,
207
583498
1938
E se non l'abbiamo fatto giusto,
09:57
the errorerrore will be greatermaggiore than zerozero.
208
585460
1749
l'errore sarà maggiore di zero.
09:59
So now we can just take guessesIndovina
to minimizeminimizzare the errorerrore,
209
587233
3366
Cosi ora possiamo fare delle prove
per minimizzare l'errore
e questo è il genere di cose
in cui i computer sono molto bravi.
10:02
and that's the sortordinare of thing
computerscomputer are very good at.
210
590623
2687
10:05
So you've takenprese an initialiniziale guessindovina:
211
593334
1593
Quindi abbiamo
un valore fittizio iniziale:
10:06
what if w = 0?
212
594951
1156
se w = 0?
10:08
Well, then the errorerrore is 6.
213
596131
1240
Beh, allora l'errore è 6.
10:09
What if w = 1? The errorerrore is 4.
214
597395
1446
Se w = 1? L'errore è 4.
E così il computer può giocare
ad una sorta di Marco Polo,
10:10
And then the computercomputer can
sortordinare of playgiocare MarcoMarco PoloPolo,
215
598865
2367
10:13
and driveguidare down the errorerrore closevicino to zerozero.
216
601256
2367
e abbassare il margine
di errore vicino allo zero.
10:15
As it does that, it's gettingottenere
successivesuccessivo approximationsapprossimazioni to w.
217
603647
3374
E così facendo, sta ottenendo
continue approssimazioni per w.
10:19
TypicallyIn genere, it never quiteabbastanza getsprende there,
but after about a dozendozzina stepspassaggi,
218
607045
3656
Generalmente, non ci si avvicina mai,
ma dopo una dozzina di passaggi
10:22
we're up to w = 2.999,
whichquale is closevicino enoughabbastanza.
219
610725
4624
arriviamo a w = 2,999,
che è abbastanza vicino.
E questo è il processo
di apprendimento.
10:28
And this is the learningapprendimento processprocesso.
220
616302
1814
10:30
So rememberricorda that what's been going on here
221
618140
2730
Quindi, ricordate che quello
che succede qui
10:32
is that we'venoi abbiamo been takingpresa
a lot of knownconosciuto x'sxD and knownconosciuto y'sy's
222
620894
4378
è che abbiamo preso un mucchio
di x note ed y note
10:37
and solvingsoluzione for the w in the middlein mezzo
throughattraverso an iterativeiterativo processprocesso.
223
625296
3454
e abbiamo risolto la w nel mezzo
attraverso un processo iterativo.
10:40
It's exactlydi preciso the samestesso way
that we do our ownproprio learningapprendimento.
224
628774
3556
È esattamente lo stesso processo
che utilizziamo per apprendere.
10:44
We have manymolti, manymolti imagesimmagini as babiesbambini
225
632354
2230
Riceviamo moltissime
immagini da bambini
10:46
and we get told, "This is a birduccello;
this is not a birduccello."
226
634608
2633
che ci dicono: "questo è un uccello;
questo non è un uccello."
10:49
And over time, throughattraverso iterationiterazione,
227
637714
2098
E con il tempo, attraverso l'iterazione,
10:51
we solverisolvere for w, we solverisolvere
for those neuralneurale connectionsconnessioni.
228
639836
2928
risolviamo la w, risolviamo
quei collegamenti neurali.
10:55
So now, we'venoi abbiamo heldheld
x and w fixedfisso to solverisolvere for y;
229
643460
4086
Quindi adesso abbiamo mantenuto
fisse x ed w per risolvere y;
questa è la rapida percezione quotidiana.
10:59
that's everydayogni giorno, fastveloce perceptionpercezione.
230
647570
1847
Abbiamo capito
come risolvere la w,
11:01
We figurefigura out how we can solverisolvere for w,
231
649441
1763
che è apprendere,
che è molto più difficile,
11:03
that's learningapprendimento, whichquale is a lot harderPiù forte,
232
651228
1903
perché abbiamo bisogno
di minimizzare l'errore,
11:05
because we need to do errorerrore minimizationminimizzazione,
233
653155
1985
11:07
usingutilizzando a lot of trainingformazione examplesesempi.
234
655164
1687
usando molti esempi
come allenamento.
11:08
And about a yearanno agofa,
AlexAlex MordvintsevMordvintsev, on our teamsquadra,
235
656875
3187
E circa un anno fa,
Alex Mordvintsev, nel nostro team,
11:12
decideddeciso to experimentsperimentare
with what happensaccade if we try solvingsoluzione for x,
236
660086
3550
decise di sperimentare cosa
accade se cerchiamo di risolvere x,
11:15
givendato a knownconosciuto w and a knownconosciuto y.
237
663660
2037
conoscendo w e y.
11:18
In other wordsparole,
238
666124
1151
In altre parole,
11:19
you know that it's a birduccello,
239
667299
1352
sapete che è un uccello,
11:20
and you alreadygià have your neuralneurale networkRete
that you've trainedallenato on birdsuccelli,
240
668675
3303
e avete già la rete neurale
che avete allenato sugli uccelli,
11:24
but what is the pictureimmagine of a birduccello?
241
672002
2344
ma cos'è l'immagine di un uccello?
11:27
It turnsgiri out that by usingutilizzando exactlydi preciso
the samestesso error-minimizationerrore-minimizzazione procedureprocedura,
242
675034
5024
È venuto fuori che utilizzando la stessa
procedura di minimizzazione dell'errore,
11:32
one can do that with the networkRete
trainedallenato to recognizericonoscere birdsuccelli,
243
680082
3430
si può fare con la rete allenata
a riconoscere gli uccelli,
11:35
and the resultrisultato turnsgiri out to be ...
244
683536
3388
ed il risultato è...
11:42
a pictureimmagine of birdsuccelli.
245
690400
1305
un'immagine di uccelli.
11:44
So this is a pictureimmagine of birdsuccelli
generatedgenerato entirelyinteramente by a neuralneurale networkRete
246
692814
3737
Quindi questa è un'immagine di uccelli
interamente generata dalla rete neurale
11:48
that was trainedallenato to recognizericonoscere birdsuccelli,
247
696575
1826
allenata a riconoscere gli uccelli,
11:50
just by solvingsoluzione for x
ratherpiuttosto than solvingsoluzione for y,
248
698425
3538
risolvendo solo x
piuttosto che risolvere y,
11:53
and doing that iterativelyin modo iterativo.
249
701987
1288
e facendolo in modo iterativo.
11:55
Here'sQui è anotherun altro fundivertimento exampleesempio.
250
703732
1847
Ho qui un altro esempio divertente.
11:57
This was a work madefatto
by MikeMike TykaTyka in our groupgruppo,
251
705603
3437
Questo era un lavoro fatto
da Mike Tyra nel nostro gruppo
12:01
whichquale he callschiamate "AnimalAnimale ParadeParata."
252
709064
2308
che lui chiama "Parata degli animali".
12:03
It remindsricorda me a little bitpo
of WilliamWilliam Kentridge'sDi Kentridge artworksopere d'arte,
253
711396
2876
Mi ricorda un po' le opere d'arte
di William Kentridge,
12:06
in whichquale he makesfa sketchesschizzi, rubssi strofina them out,
254
714296
2489
in cui fa schizzi, li cancella,
12:08
makesfa sketchesschizzi, rubssi strofina them out,
255
716809
1460
fa schizzi, li cancella,
ed in questa maniera
crea un film.
12:10
and createscrea a moviefilm this way.
256
718293
1398
12:11
In this casecaso,
257
719715
1151
In questo caso,
12:12
what MikeMike is doing is varyingvariando y
over the spacespazio of differentdiverso animalsanimali,
258
720890
3277
quello che Mike fa è variare
la y tra diversi animali,
12:16
in a networkRete designedprogettato
to recognizericonoscere and distinguishdistinguere
259
724191
2382
in una rete disegnata per riconoscere
e distinguere
12:18
differentdiverso animalsanimali from eachogni other.
260
726597
1810
diversi animali l'uno dall''altro.
12:20
And you get this strangestrano, Escher-likeEscher-come
morphMorph from one animalanimale to anotherun altro.
261
728431
3751
E si ottiene questa strana trasformazione
stile Escher da un animale all'altro.
12:26
Here he and AlexAlex togetherinsieme
have triedprovato reducingriducendo
262
734221
4614
Qui lui ed Alex insieme
hanno cercato di ridurre
12:30
the y'sy's to a spacespazio of only two dimensionsdimensioni,
263
738859
2759
la y ad uno spazio di sole due dimensioni,
12:33
therebyin tal modo makingfabbricazione a mapcarta geografica
out of the spacespazio of all things
264
741642
3438
in modo tale da creare una mappa
a aprtire dallo spazio delle cose
12:37
recognizedriconosciuto by this networkRete.
265
745104
1719
riconosciute da questa rete.
12:38
Doing this kindgenere of synthesissintesi
266
746847
2023
Facendo questo tipo di sintesi
o generazione di immagini
su tutta quella superficie,
12:40
or generationgenerazione of imageryimmagini
over that entireintero surfacesuperficie,
267
748894
2382
variando y sulla superficie,
si può creare una sorta di mappa,
12:43
varyingvariando y over the surfacesuperficie,
you make a kindgenere of mapcarta geografica --
268
751300
2846
12:46
a visualvisivo mapcarta geografica of all the things
the networkRete knowsconosce how to recognizericonoscere.
269
754170
3141
una mappa visuale di tutte le cose
che la rete sa come riconoscere.
12:49
The animalsanimali are all here;
"armadilloArmadillo" is right in that spotindividuare.
270
757335
2865
Gli animali sono tutti qui;
"armadillo" è in quel posto.
12:52
You can do this with other kindstipi
of networksreti as well.
271
760919
2479
Potete fare questo anche
con altri generi di reti.
12:55
This is a networkRete designedprogettato
to recognizericonoscere facesfacce,
272
763422
2874
Questa è una rete disegnata
per riconoscere i visi,
12:58
to distinguishdistinguere one faceviso from anotherun altro.
273
766320
2000
per distinguere una faccia da un'altra.
E qui, stiamo inserendo
una y che dice "me",
13:00
And here, we're puttingmettendo
in a y that saysdice, "me,"
274
768344
3249
i miei parametri facciali.
13:03
my ownproprio faceviso parametersparametri.
275
771617
1575
E quando questa cosa risolve la x,
13:05
And when this thing solvesrisolve for x,
276
773216
1706
genera questa specie di pazza,
13:06
it generatesgenera this ratherpiuttosto crazypazzo,
277
774946
2618
13:09
kindgenere of cubistcubista, surrealsurreale,
psychedelicpsichedelico pictureimmagine of me
278
777588
4428
cubista, surreale, psichedelica
immagine di me stesso
13:14
from multiplemultiplo pointspunti of viewvista at onceuna volta.
279
782040
1806
da molteplici punti di vista insieme.
13:15
The reasonragionare it lookssembra like
multiplemultiplo pointspunti of viewvista at onceuna volta
280
783870
2734
La ragione per cui sembrano
più punti di vista insieme
è che la rete è costruita per
scartare le ambiguità
13:18
is because that networkRete is designedprogettato
to get ridliberare of the ambiguityambiguità
281
786628
3687
13:22
of a faceviso beingessere in one poseposa
or anotherun altro poseposa,
282
790339
2476
di un volto che sia in una posa
o in un'altra
guardato con un tipo di luce,
poi con un altro.
13:24
beingessere lookedguardato at with one kindgenere of lightingilluminazione,
anotherun altro kindgenere of lightingilluminazione.
283
792839
3376
Così quando si fa questo tipo
di ricostruzione,
13:28
So when you do
this sortordinare of reconstructionricostruzione,
284
796239
2085
se non si usa una qualche sorta
di immagine guida,
13:30
if you don't use some sortordinare of guideguida imageImmagine
285
798348
2304
13:32
or guideguida statisticsstatistica,
286
800676
1211
o statistica guida,
13:33
then you'llpotrai get a sortordinare of confusionconfusione
of differentdiverso pointspunti of viewvista,
287
801911
3765
otterrete una sorta di confusione
di differenti punti di vista,
perchè è ambiguo.
13:37
because it's ambiguousambiguo.
288
805700
1368
13:39
This is what happensaccade if AlexAlex usesusi
his ownproprio faceviso as a guideguida imageImmagine
289
807786
4223
Questo è quello che succede se Alex
usa la sua faccia come immagine campione
durante il processo di ottimizzazione
per ricostruire il mio viso.
13:44
duringdurante that optimizationottimizzazione processprocesso
to reconstructricostruire my ownproprio faceviso.
290
812033
3321
Come potete vedere non è perfetto.
13:48
So you can see it's not perfectperfezionare.
291
816284
2328
13:50
There's still quiteabbastanza a lot of work to do
292
818636
1874
C'è ancora un bel po' di lavoro da fare
13:52
on how we optimizeottimizzare
that optimizationottimizzazione processprocesso.
293
820534
2453
su come migliorare
il processo di ottimizzazione.
Ma si è cominciato ad ottenere
qualcosa di più simile a un viso,
13:55
But you startinizio to get something
more like a coherentcoerente faceviso,
294
823011
2827
13:57
renderedil rendering usingutilizzando my ownproprio faceviso as a guideguida.
295
825862
2014
usando la mia faccia come modello.
Non è necessario iniziare
con una tela bianca
14:00
You don't have to startinizio
with a blankvuoto canvastela
296
828892
2501
o con un rumore bianco.
14:03
or with whitebianca noiserumore.
297
831417
1156
14:04
When you're solvingsoluzione for x,
298
832597
1304
Quando risolvete la x,
14:05
you can begininizio with an x,
that is itselfsi alreadygià some other imageImmagine.
299
833925
3889
potete iniziare con una x, che di per sè
è già una qualche altra immagine.
14:09
That's what this little demonstrationdimostrazione is.
300
837838
2556
Questa ne è
una piccola dimostrazione.
14:12
This is a networkRete
that is designedprogettato to categorizecategorizzare
301
840418
4122
Questa è una reta
disegnata per categorizzare
ogni genere di oggetti diversi:
strutture create dall'uomo, animali...
14:16
all sortstipi of differentdiverso objectsoggetti --
man-madeartificiali structuresstrutture, animalsanimali ...
302
844564
3119
14:19
Here we're startingdi partenza
with just a pictureimmagine of cloudsnuvole,
303
847707
2593
Qui cominciamo semplicemente
con una foto di nubi,
e appena ottimizziamo,
14:22
and as we optimizeottimizzare,
304
850324
1671
14:24
basicallyfondamentalmente, this networkRete is figuringcapire out
what it seesvede in the cloudsnuvole.
305
852019
4486
sostanzialmente, questa rete cerca
di capire ciò che vede nelle nubi.
E più tempo state a guardarla,
14:28
And the more time
you spendtrascorrere looking at this,
306
856931
2320
14:31
the more things you alsoanche
will see in the cloudsnuvole.
307
859275
2753
più cose riuscirete
a vedere nelle nubi.
Si potrebbe anche utilizzare
la rete dei visi per allucinarla
14:35
You could alsoanche use the faceviso networkRete
to hallucinateallucinazioni into this,
308
863004
3375
ed ottenere cose piuttosto folli.
14:38
and you get some prettybella crazypazzo stuffcose.
309
866403
1812
14:40
(LaughterRisate)
310
868239
1150
(Risate)
Oppure, Mike ha fatto
qualche altro esperimento
14:42
Or, MikeMike has donefatto some other experimentsesperimenti
311
870401
2744
14:45
in whichquale he takes that cloudnube imageImmagine,
312
873169
3905
in cui prende questa immagine
di nuvole
allucinata, zoomata, allucinata
zoomata, allucinata, zoomata.
14:49
hallucinatesallucinazioni, zoomszoom, hallucinatesallucinazioni,
zoomszoom hallucinatesallucinazioni, zoomszoom.
313
877098
3507
14:52
And in this way,
314
880629
1151
Ed in questo modo,
è possibile ottenere una sorta di stato
di fuga dalla rete, suppongo,
14:53
you can get a sortordinare of fugueFugue statestato
of the networkRete, I supposesupporre,
315
881804
3675
o una sorta di libera associazione,
14:57
or a sortordinare of freegratuito associationassociazione,
316
885503
3680
15:01
in whichquale the networkRete
is eatingmangiare its ownproprio tailcoda.
317
889207
2227
nella quale la rete
si morde la coda.
15:03
So everyogni imageImmagine is now the basisbase for,
318
891458
3421
Così ogni immagine è adesso la base per:
15:06
"What do I think I see nextIl prossimo?
319
894903
1421
"Cosa penso di vedere dopo?
15:08
What do I think I see nextIl prossimo?
What do I think I see nextIl prossimo?"
320
896348
2803
Cosa penso di vedere dopo?
Cosa penso di vedere dopo?"
15:11
I showedha mostrato this for the first time in publicpubblico
321
899487
2936
Ho mostrato questa cosa
per la prima volta in pubblico
15:14
to a groupgruppo at a lectureconferenza in SeattleSeattle
calledchiamato "HigherSuperiore EducationFormazione" --
322
902447
5437
a un gruppo in una conferenza a Seattle
chiamato "Istruzione superiore",
15:19
this was right after
marijuanamarijuana was legalizedlegalizzato.
323
907908
2437
subito dopo che
la marijuana fu legalizzata.
15:22
(LaughterRisate)
324
910369
2415
(Risate)
Così mi piacerebbe
concludere velocemente
15:26
So I'd like to finishfinire up quicklyvelocemente
325
914627
2104
15:28
by just notingrilevando that this technologytecnologia
is not constrainedcostretto.
326
916755
4255
semplicemente facendovi notare
che questa tecnologia non è vincolata.
Vi ho mostrato esempi puramente visuali
perché sono divertenti da vedere.
15:33
I've shownmostrato you purelypuramente visualvisivo examplesesempi
because they're really fundivertimento to look at.
327
921034
3665
Ma non è una tecnologia puramente visiva.
15:36
It's not a purelypuramente visualvisivo technologytecnologia.
328
924723
2451
Il nostro collaboratore artistico,
Ross Goodwin,
15:39
Our artistartista collaboratorcollaboratore, RossRoss GoodwinGoodwin,
329
927198
1993
15:41
has donefatto experimentsesperimenti involvingcoinvolgendo
a cameramacchina fotografica that takes a pictureimmagine,
330
929215
3671
ha fatto esperimenti con una fotocamera
che cattura un'immagine,
15:44
and then a computercomputer in his backpackzaino
writesscrive a poempoesia usingutilizzando neuralneurale networksreti,
331
932910
4234
e con un computer nel suo zaino
che scrive una poesia usando reti neurali,
basata sui contenuti dell'immagine.
15:49
basedbasato on the contentscontenuto of the imageImmagine.
332
937168
1944
15:51
And that poetrypoesia neuralneurale networkRete
has been trainedallenato
333
939136
2947
E quella rete neurale di poesia
è stata allenata
15:54
on a largegrande corpuscorpo of 20th-centuryesimo secolo poetrypoesia.
334
942107
2234
su un vasto materiale di poesie
del XX secolo.
15:56
And the poetrypoesia is, you know,
335
944365
1499
E, sapete, la poesia,
15:57
I think, kindgenere of not badcattivo, actuallyin realtà.
336
945888
1914
secondo me, in realtà non è male.
15:59
(LaughterRisate)
337
947826
1384
(Risate)
Per finire,
16:01
In closingchiusura,
338
949234
1159
16:02
I think that perper MichelangeloMichelangelo,
339
950417
2132
penso che Michelangelo
16:04
I think he was right;
340
952573
1234
avesse ragione;
percezione e creatività
sono strettamente correlate.
16:05
perceptionpercezione and creativitycreatività
are very intimatelyintimamente connectedcollegato.
341
953831
3436
Quello che abbiamo appena visto
sono reti neurali
16:09
What we'venoi abbiamo just seenvisto are neuralneurale networksreti
342
957611
2634
che sono completamente
allenate a distinguere
16:12
that are entirelyinteramente trainedallenato to discriminatediscriminare,
343
960269
2303
o a riconoscere differenti cose
nel mondo,
16:14
or to recognizericonoscere differentdiverso
things in the worldmondo,
344
962596
2242
16:16
ablecapace to be runcorrere in reverseinverso, to generatecreare.
345
964862
3161
e se attivate al contrario, per creare.
16:20
One of the things that suggestssuggerisce to me
346
968047
1783
Una delle cose che mi suggerisce
è che non solo Michelangelo
potesse davvero vedere
16:21
is not only that
MichelangeloMichelangelo really did see
347
969854
2398
16:24
the sculpturescultura in the blocksblocchi of stonepietra,
348
972276
2452
la scultura all'interno
del blocco di pietra,
16:26
but that any creaturecreatura,
any beingessere, any alienalieno
349
974752
3638
ma che ogni creatura,
ogni essere, ogni alieno
che è in grado di eseguire
atti percettivi di questo genere
16:30
that is ablecapace to do
perceptualpercettivo actsatti of that sortordinare
350
978414
3657
è anche in grado di creare
16:34
is alsoanche ablecapace to createcreare
351
982095
1375
perché è esattamente la stessa macchina
che viene usata in entrambi i casi.
16:35
because it's exactlydi preciso the samestesso
machinerymacchinario that's used in bothentrambi casescasi.
352
983494
3224
Inoltre penso che la percezione
e la creazione non siano
16:38
AlsoAnche, I think that perceptionpercezione
and creativitycreatività are by no meanssi intende
353
986742
4532
16:43
uniquelyunivocamente humanumano.
354
991298
1210
mezzi unicamente umani.
16:44
We startinizio to have computercomputer modelsModelli
that can do exactlydi preciso these sortstipi of things.
355
992532
3708
Iniziamo ad avere modelli di computer
che fanno proprio questo genere di cose.
E questo non dovrebbe sorprendere;
il cervello è computazionale.
16:48
And that oughtdovere to be unsurprisingnon sorprende;
the braincervello is computationalcomputazionale.
356
996264
3328
16:51
And finallyfinalmente,
357
999616
1657
Ed infine,
16:53
computinginformatica beganiniziato as an exerciseesercizio
in designingprogettazione intelligentintelligente machinerymacchinario.
358
1001297
4668
il calcolo iniziò come un esercizio per
creare macchine intelligenti.
16:57
It was very much modeledmodellata after the ideaidea
359
1005989
2462
È iniziato dall'idea
17:00
of how could we make machinesmacchine intelligentintelligente.
360
1008475
3013
che potessimo creare
macchine intelligenti.
E finalmente stiamo iniziando
ad adempiere adesso
17:03
And we finallyfinalmente are startingdi partenza to fulfilladempiere now
361
1011512
2162
17:05
some of the promisespromesse
of those earlypresto pioneerspionieri,
362
1013698
2406
ad alcune delle promesse
di quei primi pionieri,
17:08
of TuringTuring and vonvon NeumannNeumann
363
1016128
1713
di Turing e von Neumann,
17:09
and McCullochMcCulloch and PittsPitts.
364
1017865
2265
di MacCulloch e Pitts.
E pens che l'informatica
non sia solo calcolare
17:12
And I think that computinginformatica
is not just about accountingcontabilità
365
1020154
4098
17:16
or playinggiocando CandyCandy CrushCrush or something.
366
1024276
2147
o giocare a Candy Crush o altro.
Fin dal principio, l'abbiamo
modellata sulle nostre menti.
17:18
From the beginninginizio,
we modeledmodellata them after our mindsmenti.
367
1026447
2578
17:21
And they give us bothentrambi the abilitycapacità
to understandcapire our ownproprio mindsmenti better
368
1029049
3269
Ed essa ci hanno fornito sia la capacità
di capire meglio la nostra mente
17:24
and to extendestendere them.
369
1032342
1529
sia di ampliarla.
Grazie mille.
17:26
Thank you very much.
370
1034627
1167
17:27
(ApplauseApplausi)
371
1035818
5939
(ApplausiI)
Translated by Stefano Carpi
Reviewed by Beatrice Chiamenti

▲Back to top

ABOUT THE SPEAKER
Blaise Agüera y Arcas - Software architect
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces.

Why you should listen

Blaise Agüera y Arcas is principal scientist at Google, where he leads a team working on machine intelligence for mobile devices. His group works extensively with deep neural nets for machine perception and distributed learning, and it also investigates so-called "connectomics" research, assessing maps of connections within the brain.

Agüera y Arcas' background is as multidimensional as the visions he helps create. In the 1990s, he authored patents on both video compression and 3D visualization techniques, and in 2001, he made an influential computational discovery that cast doubt on Gutenberg's role as the father of movable type.

He also created Seadragon (acquired by Microsoft in 2006), the visualization technology that gives Photosynth its amazingly smooth digital rendering and zoom capabilities. Photosynth itself is a vastly powerful piece of software capable of taking a wide variety of images, analyzing them for similarities, and grafting them together into an interactive three-dimensional space. This seamless patchwork of images can be viewed via multiple angles and magnifications, allowing us to look around corners or “fly” in for a (much) closer look. Simply put, it could utterly transform the way we experience digital images.

He joined Microsoft when Seadragon was acquired by Live Labs in 2006. Shortly after the acquisition of Seadragon, Agüera y Arcas directed his team in a collaboration with Microsoft Research and the University of Washington, leading to the first public previews of Photosynth several months later. His TED Talk on Seadragon and Photosynth in 2007 is rated one of TED's "most jaw-dropping." He returned to TED in 2010 to demo Bing’s augmented reality maps.

Fun fact: According to the author, Agüera y Arcas is the inspiration for the character Elgin in the 2012 best-selling novel Where'd You Go, Bernadette?

More profile about the speaker
Blaise Agüera y Arcas | Speaker | TED.com