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

เบลอิเซ อะกัวรา อิ อาร์คัส (Blaise Agüera y Arcas): คอมพิวเตอร์เรียนรู้การมีความคิดสร้างสรรค์ได้อย่างไร

Filmed:
1,934,067 views

พวกเราอยู่บนขอบของพรมแดนใหม่ในศิลปะและคววามคิดสร้างสรรค์ -- และมันไม่ใช่มนุษย์ Blaise Agüera y Arcas หัวหน้านักวิทยาศาสตร์ที่กูเกิลทำงานกับโครงข่ายปนะสาทเชิงลึกสำหรับการรับรู้ของเครื่องจักรและการกระจายการเรียนรู้ ในการสาธิตที่มีเสน่ห์นี้ เขาได้แสดงวิธีการเทรนโครงข่ายประสาทให้แยกแยะรูปภาพและสามารถดำเนินงานในทางย้อนกลับเพื่อการสร้างพวกมันขึ้นมาได้ ผลลัพธ์: น่าประทับใจ, ภาพหลอนปะติดปะต่อ (และบทกวี!) ที่ไม่สามารถแยกแยะได้ Agüera y Arcas กล่าวว่า "การรับรู้และความคิดสร้างสรรค์นั้นมีความเชื่อมโยงใกล้ชิดกันมาก" "ทุกคน ทุกสิ่งมีชีวิตที่สามารถมีการรับรู้ได้ ย่อมสร้างสรรค์ได้"
- Software architect
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces. Full bio

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

00:12
So, I leadนำ a teamทีม at GoogleGoogle
that worksโรงงาน on machineเครื่อง intelligenceสติปัญญา;
0
800
3124
ผมเป็นหัวหน้าทีมที่กูเกิล
ซึ่งทำงานเกี่ยวกับปัญญาประดิษฐ์
00:15
in other wordsคำ, the engineeringวิศวกรรม disciplineวินัย
of makingการทำ computersคอมพิวเตอร์ and devicesอุปกรณ์
1
3948
4650
ซึ่งก็คือ สาขาหนึ่งทางวิศวกรรม
ที่สร้างคอมพิวเตอร์ และอุปกรณ์ต่าง ๆ
00:20
ableสามารถ to do some of the things
that brainsสมอง do.
2
8622
2419
ให้สามารถทำสิ่งที่สมองทำได้
00:23
And this makesยี่ห้อ us
interestedสนใจ in realจริง brainsสมอง
3
11439
3099
และมันจึงทำให้พวกเรา
รู้สึกสนใจสมองจริง ๆ
00:26
and neuroscienceประสาท as well,
4
14562
1289
แล้วก็ประสาทวิทยาศาสตร์ด้วย
00:27
and especiallyโดยเฉพาะอย่างยิ่ง interestedสนใจ
in the things that our brainsสมอง do
5
15875
4172
และโดยเฉพาะอย่างยิ่ง
เราสนใจสิ่งที่สมองของพวกเราทำ
00:32
that are still farห่างไกล superiorเหนือกว่า
to the performanceประสิทธิภาพ of computersคอมพิวเตอร์.
6
20071
4042
ที่ยังคงมีสมรรถนะเหนือกว่า
คอมพิวเตอร์อย่างเทียบไม่ได้
00:37
Historicallyในอดีต, one of those areasพื้นที่
has been perceptionความเข้าใจ,
7
25209
3609
ในอดีต หนึ่งในนั้นคือการรับรู้
00:40
the processกระบวนการ by whichที่ things
out there in the worldโลก --
8
28842
3039
กระบวนการที่ซึ่ง
สิ่งต่าง ๆ ในโลกแห่งความเป็นจริง
00:43
soundsเสียง and imagesภาพ --
9
31905
1584
อย่างเช่น เสียงและภาพ
00:45
can turnกลับ into conceptsแนวคิด in the mindใจ.
10
33513
2178
สามารถแปรเปลี่ยน
เป็นแนวคิดต่าง ๆ ในจิตใจ
00:48
This is essentialสำคัญ for our ownด้วยตัวเอง brainsสมอง,
11
36235
2517
นี่คือสิ่งสำคัญสำหรับสมองของพวกเรา
00:50
and it's alsoด้วย prettyน่ารัก usefulมีประโยชน์ on a computerคอมพิวเตอร์.
12
38776
2464
และมันยังค่อนข้างมีประโยชน์
ต่อคอมพิวเตอร์อีกด้วย
00:53
The machineเครื่อง perceptionความเข้าใจ algorithmsอัลกอริทึม,
for exampleตัวอย่าง, that our teamทีม makesยี่ห้อ,
13
41636
3350
อัลกอริธึมการรับรู้ของจักรกล
อย่างเช่นที่ทีมของเราสร้างนั้น
00:57
are what enableทำให้สามารถ your picturesภาพ
on GoogleGoogle Photosภาพถ่าย to becomeกลายเป็น searchableค้นหา,
14
45010
3874
เป็นอะไรที่ทำให้ภาพของคุณ
สามารถถูกค้นหาได้บน Google Photos
01:00
basedซึ่งเป็นรากฐาน on what's in them.
15
48908
1397
ขึ้นอยู่กับว่าในภาพนั้นมีอะไรอยู่
01:03
The flipดีด sideด้าน of perceptionความเข้าใจ is creativityความคิดสร้างสรรค์:
16
51594
3493
อีกแง่มุมหนึ่งของการรับรู้
ก็คือความคิดสร้างสรรค์
01:07
turningการหมุน a conceptแนวคิด into something
out there into the worldโลก.
17
55111
3038
ซึ่งเป็นการเปลี่ยนแนวคิด
ให้เป็นบางสิ่งที่เกิดขึ้นจริง
01:10
So over the pastอดีต yearปี,
our work on machineเครื่อง perceptionความเข้าใจ
18
58173
3555
ช่วงปีที่ผ่านมา งานของพวกเรา
เกี่ยวกับการรับรู้ของเครื่องจักร
01:13
has alsoด้วย unexpectedlyกะทันหัน connectedเกี่ยวข้อง
with the worldโลก of machineเครื่อง creativityความคิดสร้างสรรค์
19
61752
4859
จึงมีความเชื่อมโยงอย่างไม่คาดคิด
กับโลกของความสร้างสรรค์ของเครื่องจักร
01:18
and machineเครื่อง artศิลปะ.
20
66635
1160
และศิลปะของเครื่องจักรอีกด้วย
01:20
I think MichelangeloMichelangelo
had a penetratingแหลม insightข้อมูลเชิงลึก
21
68556
3284
ผมคิดว่าไมเคิลเเองเจลโล
มีวิสัยทัศน์ที่เฉียบแหลม
01:23
into to this dualคู่ relationshipความสัมพันธ์
betweenระหว่าง perceptionความเข้าใจ and creativityความคิดสร้างสรรค์.
22
71864
3656
ในเรื่องความสัมพันธ์ระหว่าง
การรับรู้และความคิดสร้างสรรค์
01:28
This is a famousมีชื่อเสียง quoteอ้างอิง of his:
23
76023
2006
นี่คือถ้อยคำที่โด่งดังของเขา
01:30
"Everyทุกๆ blockกลุ่ม of stoneหิน
has a statueรูปปั้น insideภายใน of it,
24
78053
3323
"ในหินทุกก้อนมีรูปปั้นอยู่ภายใน
01:34
and the jobงาน of the sculptorประติมากร
is to discoverค้นพบ it."
25
82036
3002
และหน้าที่ของปฏิมากร
ก็คือการค้นหามันให้เจอ"
01:38
So I think that what
MichelangeloMichelangelo was gettingได้รับ at
26
86029
3216
ดังนั้น ผมคิดว่า
สิ่งที่ไมเคิลเเองเจลโลหมายถึงก็คือ
01:41
is that we createสร้าง by perceivingการรับรู้,
27
89269
3180
เราสร้างสรรค์จากการรับรู้
01:44
and that perceptionความเข้าใจ itselfตัวเอง
is an actการกระทำ of imaginationจินตนาการ
28
92473
3023
และการรับรู้นั้นเอง
ก็เป็นผลลัพธ์จากการจินตนาการ
01:47
and is the stuffสิ่ง of creativityความคิดสร้างสรรค์.
29
95520
2461
และความคิดสร้างสรรค์
01:50
The organอวัยวะ that does all the thinkingคิด
and perceivingการรับรู้ and imaginingจินตนาการ,
30
98691
3925
อวัยวะที่ทำทั้ง การคิด และ การรับรู้
และการจินตนาการ
01:54
of courseหลักสูตร, is the brainสมอง.
31
102640
1588
แน่นอน มันคือสมอง
01:57
And I'd like to beginเริ่ม
with a briefสั้น bitบิต of historyประวัติศาสตร์
32
105089
2545
และผมอยากที่จะเริ่มต้น
ด้วยการพูดถึงประวัติศาสตร์คร่าว ๆ
01:59
about what we know about brainsสมอง.
33
107658
2302
เกี่ยวกับสิ่งที่พวกเรารู้เกี่ยวกับสมอง
02:02
Because unlikeแตกต่าง, say,
the heartหัวใจ or the intestinesลำไส้,
34
110496
2446
เนื่องมันต่างจากหัวใจหรือลำไส้
02:04
you really can't say very much
about a brainสมอง by just looking at it,
35
112966
3144
เราไม่สามารถบอกอะไรได้มากนัก
เกี่ยวกับสมองโดยแค่มองดูจากภายนอก
02:08
at leastน้อยที่สุด with the nakedเปลือยกาย eyeตา.
36
116134
1412
อย่างน้อยก็การมองด้วยตาเปล่า
02:09
The earlyตอนต้น anatomistsกายวิภาคศาสตร์ who lookedมอง at brainsสมอง
37
117983
2416
นักกายวิภาคศาสตร์รุ่นบุกเบิกผู้ศึกษาสมอง
02:12
gaveให้ the superficialเพียงผิวเผิน structuresโครงสร้าง
of this thing all kindsชนิด of fancifulเพ้อฝัน namesชื่อ,
38
120423
3807
ได้ตั้งชื่อประหลาด ๆ ให้กับ
เหล่าโครงสร้างภายนอก
02:16
like hippocampusฮิบโป, meaningความหมาย "little shrimpกุ้ง."
39
124254
2433
เช่น ฮิปโปแคมปัส แปลว่า กุ้งจิ๋ว
02:18
But of courseหลักสูตร that sortประเภท of thing
doesn't tell us very much
40
126711
2764
แต่แน่นอนว่าสิ่งเหล่านั้น
ไม่ได้บอกอะไรเรามากนัก
02:21
about what's actuallyแท้จริง going on insideภายใน.
41
129499
2318
เกี่ยวกับสิ่งที่เกิดขึ้นจริง ๆ ภายในสมอง
02:24
The first personคน who, I think, really
developedพัฒนา some kindชนิด of insightข้อมูลเชิงลึก
42
132780
3613
ผมคิดว่าบุคคลแรกที่ได้พัฒนา
ความเข้าใจอย่างลึกซึ้ง
02:28
into what was going on in the brainสมอง
43
136417
1930
ในสิ่งที่เกิดขึ้นจริง ๆ ในสมอง
02:30
was the great Spanishสเปน neuroanatomistneuroanatomist,
Santiagoซันติอาโก Ramแกะón y Cajalคาอัล,
44
138371
3920
ก็คือ ซานเตียโก รามอน อี กาฮาล
นักประสาทกายวิภาคศาสตร์ชาวสเปน
02:34
in the 19thTH centuryศตวรรษ,
45
142315
1544
ในศตวรรษที่ 19
02:35
who used microscopyกล้องจุลทรรศน์ and specialพิเศษ stainsคราบ
46
143883
3755
เขาได้ใช้กล้องจุลทรรศน์และสีย้อมพิเศษ
02:39
that could selectivelyโดยการคัดเลือก fillใส่ in
or renderทำให้ in very highสูง contrastความแตกต่าง
47
147662
4170
ที่สามารถเลือกเติมเต็ม
หรือแสดงผลแต่ละเซลล์ภายในสมอง
02:43
the individualรายบุคคล cellsเซลล์ in the brainสมอง,
48
151856
2008
ที่ความคมชัดสูงได้
02:45
in orderใบสั่ง to startเริ่มต้น to understandเข้าใจ
theirของพวกเขา morphologiesรูปร่างลักษณะ.
49
153888
3154
เพื่อที่จะให้เข้าใจถึงสัณฐานวิทยาของมัน
02:49
And these are the kindsชนิด of drawingsภาพวาด
that he madeทำ of neuronsเซลล์ประสาท
50
157972
2891
และนี่คือลักษณะภาพวาดของเขา
ที่สร้างขึ้นจากเซลล์ประสาท
02:52
in the 19thTH centuryศตวรรษ.
51
160887
1209
ในศตวรรษที่ 19
02:54
This is from a birdนก brainสมอง.
52
162120
1884
ภาพนี้สร้างขึ้นจากสมองนก
02:56
And you see this incredibleเหลือเชื่อ varietyความหลากหลาย
of differentต่าง sortsทุกประเภท of cellsเซลล์,
53
164028
3057
และคุณถึงเห็นความหลากหลาย
ที่น่าเหลือเชื่อ ของเซลล์ประเภทต่าง ๆ
02:59
even the cellularโทรศัพท์มือถือ theoryทฤษฎี itselfตัวเอง
was quiteทีเดียว newใหม่ at this pointจุด.
54
167109
3435
แม้แต่ทฤษฏีเซลล์เอง
ก็ยังค่อนข้างใหม่ ณ จุดนี้
03:02
And these structuresโครงสร้าง,
55
170568
1278
และโครงสร้างเหล่านี้
03:03
these cellsเซลล์ that have these arborizationsarborizations,
56
171870
2259
เซลล์เหล่านี้ที่มีการแตกแขนง
03:06
these branchesสาขา that can go
very, very long distancesระยะทาง --
57
174153
2608
เหล่ากิ่งก้านที่สามารถแผ่ไป
ได้ระยะไกลมาก ๆ
03:08
this was very novelนวนิยาย at the time.
58
176785
1616
สิ่งนี้เป็นเรื่องใหม่มากในเวลานั้น
03:10
They're reminiscentเตือนความทรงจำ, of courseหลักสูตร, of wiresสายไฟ.
59
178779
2903
แน่นอนล่ะ มันทำให้นึกถึงสายไฟ
03:13
That mightอาจ have been obviousชัดเจน
to some people in the 19thTH centuryศตวรรษ;
60
181706
3457
นั่นอาจจะเป็นเรื่องที่เห็นได้ชัด
สำหรับบางคนในศตวรรษที่ 19
03:17
the revolutionsการปฏิวัติ of wiringการเดินสายไฟ and electricityไฟฟ้า
were just gettingได้รับ underwayความสัตย์ซื่อ.
61
185187
4314
การปฏิวัติสายไฟและไฟฟ้าเพิ่งเริ่มเกิดขึ้น
03:21
But in manyจำนวนมาก waysวิธี,
62
189964
1178
แต่ในอีกหลายแง่
03:23
these microanatomicalmicroanatomical drawingsภาพวาด
of Ramแกะón y Cajal'sคาอัลของ, like this one,
63
191166
3313
ภาพวาดจุลกายวิภาคศาสตร์เหล่านี้
ของ รามอน อี กาฮาล อย่างภาพนี้
03:26
they're still in some waysวิธี unsurpassedไม่มีที่เปรียบ.
64
194503
2332
ในบางแง่มุม พวกเขาก็ยังคง
ไม่สามารถเข้าใจได้ทุกอย่าง
03:28
We're still more than a centuryศตวรรษ laterต่อมา,
65
196859
1854
มากกว่าศตวรรษที่ผ่านมา พวกเราก็ยังคง
03:30
tryingพยายาม to finishเสร็จสิ้น the jobงาน
that Ramแกะón y Cajalคาอัล startedเริ่มต้น.
66
198737
2825
พยายามทำงานที่ รามอน อี กาฮาล
ได้เริ่มเอาไว้ให้สำเร็จ
03:33
These are rawดิบ dataข้อมูล from our collaboratorsทำงานร่วมกัน
67
201586
3134
นี่เป็นข้อมูลดิบ
ที่ได้จากผู้ร่วมงานของเรา
03:36
at the Maxแม็กซ์ Planckพลังค์ Instituteสถาบัน
of Neuroscienceประสาท.
68
204744
2881
ที่สถาบัน มักซ์ พลังค์
ด้านประสาทวิทยาศาสตร์
03:39
And what our collaboratorsทำงานร่วมกัน have doneเสร็จแล้ว
69
207649
1790
และสิ่งที่ผู้ร่วมงานได้ทำ
03:41
is to imageภาพ little piecesชิ้น of brainสมอง tissueเนื้อเยื่อ.
70
209463
5001
คือถ่ายภาพเนื้อเยื่อสมองชิ้นเล็ก ๆ
03:46
The entireทั้งหมด sampleตัวอย่าง here
is about one cubicคิว millimeterมิลลิเมตร in sizeขนาด,
71
214488
3326
ภาพตัวอย่างทั้งหมดที่แสดงนี้
มีขนาดหนึ่งลูกบาศก์มิลลิเมตร
03:49
and I'm showingการแสดง you a very,
very smallเล็ก pieceชิ้น of it here.
72
217838
2621
และสิ่งที่ผมกำลังแสดงให้คุณดูนี้
คือชิ้นส่วนที่มีขนาดเล็กมาก ๆ
03:52
That barบาร์ on the left is about one micronไมครอน.
73
220483
2346
แถบทางฝั่งซ้าย
มีขนาดประมาณหนึ่งไมครอน
03:54
The structuresโครงสร้าง you see are mitochondriamitochondria
74
222853
2409
โครงสร้างที่คุณเห็นคือไมโตคอนเดรีย
03:57
that are the sizeขนาด of bacteriaแบคทีเรีย.
75
225286
2044
ที่มีขนาดเท่ากับแบคทีเรีย
03:59
And these are consecutiveติดต่อกัน slicesชิ้น
76
227354
1551
และนี่คือภาพสไลด์ที่ต่อเนื่องกัน
04:00
throughตลอด this very, very
tinyขนาดเล็ก blockกลุ่ม of tissueเนื้อเยื่อ.
77
228929
3148
ของก้อนเซลล์ที่เล็กจิ๋วนี้
04:04
Just for comparison'sเปรียบเทียบของ sakeเหล้าสาเก,
78
232101
2403
แค่จะลองเทียบให้เห็นภาพนะครับ
04:06
the diameterเส้นผ่าศูนย์กลาง of an averageเฉลี่ย strandเส้นใย
of hairผม is about 100 micronsไมครอน.
79
234528
3792
เส้นผ่านศูนย์กลางเฉลี่ยของเส้นผม
มีขนาด 100 ไมครอน
04:10
So we're looking at something
much, much smallerที่มีขนาดเล็ก
80
238344
2274
ดังนั้น เรากำลังมองดู
04:12
than a singleเดียว strandเส้นใย of hairผม.
81
240642
1398
สิ่งที่เล็กกว่าเส้นผมมาก ๆ
04:14
And from these kindsชนิด of serialอนุกรม
electronอิเล็กตรอน microscopyกล้องจุลทรรศน์ slicesชิ้น,
82
242064
4031
และจากสไลด์ตามลำดับ
กล้องจุลทรรศน์อิเล็กตรอนเหล่านี้
04:18
one can startเริ่มต้น to make reconstructionsไทปัน
in 3D of neuronsเซลล์ประสาท that look like these.
83
246119
5008
ทำให้สามารถเริ่มสร้างเซลล์ประสาท 3 มิติ
ที่มีหน้าตาแบบนี้
04:23
So these are sortประเภท of in the sameเหมือนกัน
styleสไตล์ as Ramแกะón y Cajalคาอัล.
84
251151
3157
ดังนั้น นี่ค่อนข้างจะมีรูปแบบ
ที่เหมือนกับของ รามอน อิ กาฮาล
04:26
Only a fewน้อย neuronsเซลล์ประสาท litไฟ up,
85
254332
1492
มีแค่บางเซลล์ประสาทที่ถูกทำให้สว่างขึ้น
04:27
because otherwiseมิฉะนั้น we wouldn'tจะไม่
be ableสามารถ to see anything here.
86
255848
2781
เพราะไม่เช่นนั้นแล้ว
เราอาจจะมองภาพอะไรไม่ออกเลย
04:30
It would be so crowdedแออัด,
87
258653
1312
มันคงดูหนาแน่นไปหมด
04:31
so fullเต็ม of structureโครงสร้าง,
88
259989
1330
เต็มไปด้วยโครงสร้าง
04:33
of wiringการเดินสายไฟ all connectingการเชื่อมต่อ
one neuronเซลล์ประสาท to anotherอื่น.
89
261343
2724
ของเส้นสายการเชื่อมต่อกัน
ของเซลล์ประสาทหนึ่งไปยังอีกเซลล์
04:37
So Ramแกะón y Cajalคาอัล was a little bitบิต
aheadล่วงหน้า of his time,
90
265293
2804
รามอน อิ กาฮาล นั้นค่อนข้างจะ
ล้ำยุคสมัยของเขา
04:40
and progressความคืบหน้า on understandingความเข้าใจ the brainสมอง
91
268121
2555
และความก้าวหน้าในการทำความเข้าใจสมอง
04:42
proceededดำเนินการต่อ slowlyช้า
over the nextต่อไป fewน้อย decadesทศวรรษที่ผ่านมา.
92
270700
2271
ดำเนินไปอย่างช้า ๆ
ในช่วงหลายทศวรรษถัดมา
04:45
But we knewรู้ว่า that neuronsเซลล์ประสาท used electricityไฟฟ้า,
93
273455
2853
แต่เรารู้ว่าเซลล์ประสาทใช้กระแสไฟฟ้า
04:48
and by Worldโลก Warสงคราม IIครั้งที่สอง, our technologyเทคโนโลยี
was advancedสูง enoughพอ
94
276332
2936
และเมื่อถึงช่วงสงครามโลกครั้งที่ 2
เทคโนโลยีของเราก็ก้าวหน้าเพียงพอ
04:51
to startเริ่มต้น doing realจริง electricalไฟฟ้า
experimentsการทดลอง on liveมีชีวิต neuronsเซลล์ประสาท
95
279292
2806
ที่จะเริ่มทำการทดลองกระแสไฟ
กับเซลล์ประสาทที่ยังมีชีวิตอยู่
04:54
to better understandเข้าใจ how they workedทำงาน.
96
282122
2106
เพื่อทำความเข้าใจให้มากขึ้น
เกี่ยวกับการทำงานของเซลล์เหล่านั้น
04:56
This was the very sameเหมือนกัน time
when computersคอมพิวเตอร์ were beingกำลัง inventedคิดค้น,
97
284631
4356
นี่เป็นช่วงเวลาเดียว
ที่คอมพิวเตอร์ได้ถูกประดิษฐ์ขึ้น
05:01
very much basedซึ่งเป็นรากฐาน on the ideaความคิด
of modelingการสร้างแบบจำลอง the brainสมอง --
98
289011
3100
บนพื้นฐานของความคิด
ที่สร้างแบบจำลองของสมอง --
05:04
of "intelligentฉลาด machineryเครื่องจักรกล,"
as Alanอลัน Turingทัวริง calledเรียกว่า it,
99
292135
3085
ของ "จักกลปัญญา"
อย่างที่ถูกเรียกโดย อลัน ทัวริง
05:07
one of the fathersบรรพบุรุษ of computerคอมพิวเตอร์ scienceวิทยาศาสตร์.
100
295244
1991
หนึ่งในบิดาแห่งวิทยาการคอมพิวเตอร์
05:09
Warrenชุมชนแออัด McCullochMcCulloch and Walterวอลเตอร์ Pittsพิตส์
lookedมอง at Ramแกะón y Cajal'sคาอัลของ drawingการวาดภาพ
101
297923
4632
วอร์เรน แมคคัลลอช์ และ วอลเธอร์ พิทซ์
ได้มองดูภาพร่างของ รามอน อิ กาฮาล
05:14
of visualภาพ cortexเยื่อหุ้มสมอง,
102
302579
1317
ของเปลือกสมองส่วนการมองเห็น
05:15
whichที่ I'm showingการแสดง here.
103
303920
1562
ซึ่งผมได้แสดงให้ชมอยู่นี้
05:17
This is the cortexเยื่อหุ้มสมอง that processesกระบวนการ
imageryภาพ that comesมา from the eyeตา.
104
305506
4442
นี่คือเปลือกสมองที่ประมวลผลภาพ
ที่ถูกส่งมาจากดวงตา
05:22
And for them, this lookedมอง
like a circuitวงจรไฟฟ้า diagramแผนภาพ.
105
310424
3508
และสำหรับพวกเขาแล้ว
มันช่างดูเหมือนกับแผนภาพวงจร
05:26
So there are a lot of detailsรายละเอียด
in McCullochMcCulloch and Pitts'sพิตส์ของ circuitวงจรไฟฟ้า diagramแผนภาพ
106
314353
3835
มันมีรายละเอียดมากมายในแผนภาพวงจร
ของ แมคคัลลอช์ และ พิทซ์
05:30
that are not quiteทีเดียว right.
107
318212
1352
ที่ยังดูไม่ค่อยถูกต้อง
05:31
But this basicขั้นพื้นฐาน ideaความคิด
108
319588
1235
แต่พื้นฐานความคิดนี้
05:32
that visualภาพ cortexเยื่อหุ้มสมอง worksโรงงาน like a seriesชุด
of computationalการคำนวณ elementsองค์ประกอบ
109
320847
3992
ที่ว่าเปลือกสมองส่วนการมองเห็น
ทำงานเหมือนชุดองค์ประกอบเชิงคำนวณ
05:36
that passผ่านไป informationข้อมูล
one to the nextต่อไป in a cascadeน้ำตก,
110
324863
2746
ที่ส่งผ่านข้อมูลจากจุดหนึ่ง
ไปยังลำดับถัดไปนั้น
05:39
is essentiallyเป็นหลัก correctแก้ไข.
111
327633
1602
โดยพื้นฐานแล้วถูกต้อง
05:41
Let's talk for a momentขณะ
112
329259
2350
เรามาคุยกันก่อนสักพัก
05:43
about what a modelแบบ for processingการประมวลผล
visualภาพ informationข้อมูล would need to do.
113
331633
4032
เกี่ยวกับว่าโมเดลการประมวลข้อมูล
การมองเห็นอะไรที่เราจำเป็นต้องสร้าง
05:48
The basicขั้นพื้นฐาน taskงาน of perceptionความเข้าใจ
114
336228
2741
งานพื้นฐานของการรับรู้
05:50
is to take an imageภาพ like this one and say,
115
338993
4194
คือการรับภาพอย่างภาพนี้ และบอกว่า
05:55
"That's a birdนก,"
116
343211
1176
"นั่นคือนก"
05:56
whichที่ is a very simpleง่าย thing
for us to do with our brainsสมอง.
117
344411
2874
ซึ่งเป็นเรื่องที่ง่ายมาก
สำหรับพวกเราที่ทำได้ด้วยสมอง
05:59
But you should all understandเข้าใจ
that for a computerคอมพิวเตอร์,
118
347309
3421
แต่คุณควรเข้าใจว่าสำหรับคอมพิวเตอร์
06:02
this was prettyน่ารัก much impossibleเป็นไปไม่ได้
just a fewน้อย yearsปี agoมาแล้ว.
119
350754
3087
นี่เคยเป็นสิ่งที่แทบจะเป็นไปไม่ได้เลย
ในไม่กี่ปีที่ผ่านมา
06:05
The classicalคลาสสิก computingการคำนวณ paradigmตัวอย่าง
120
353865
1916
รูปแบบการคำนวณคลาสสิค
06:07
is not one in whichที่
this taskงาน is easyง่าย to do.
121
355805
2507
ไม่ใช่สิ่งที่จะทำงานแบบนี้ได้โดยง่าย
06:11
So what's going on betweenระหว่าง the pixelsพิกเซล,
122
359366
2552
ดังนั้นสิ่งที่เกิดขึ้นระหว่างพิกเซล
06:13
betweenระหว่าง the imageภาพ of the birdนก
and the wordคำ "birdนก,"
123
361942
4028
ระหว่างภาพของนก กับคำว่า "นก" นั้น
06:17
is essentiallyเป็นหลัก a setชุด of neuronsเซลล์ประสาท
connectedเกี่ยวข้อง to eachแต่ละ other
124
365994
2814
โดยพื้นฐานแล้วก็คือ
ชุดเซลล์ประสาทที่เชื่อมต่อระหว่างกัน
06:20
in a neuralประสาท networkเครือข่าย,
125
368832
1155
ในโครงข่ายประสาท
06:22
as I'm diagrammingไดอะแกรม here.
126
370011
1223
อย่างที่ผมแสดงให้เห็นนี้
06:23
This neuralประสาท networkเครือข่าย could be biologicalชีวภาพ,
insideภายใน our visualภาพ corticescortices,
127
371258
3272
โครงข่ายประสาทนี้อาจเป็นลักษณะทางชีวภาพ
ภายในเปลือกสมองส่วนการเห็นของเรา
06:26
or, nowadaysในปัจจุบันนี้, we startเริ่มต้น
to have the capabilityความสามารถ
128
374554
2162
หรือ ปัจจุบัน เราเริ่มที่จะมีความสามารถ
06:28
to modelแบบ suchอย่างเช่น neuralประสาท networksเครือข่าย
on the computerคอมพิวเตอร์.
129
376740
2454
ในการออกแบบโครงข่ายประสาท
บนคอมพิวเตอร์
06:31
And I'll showแสดง you what
that actuallyแท้จริง looksรูปลักษณ์ like.
130
379834
2353
และผมจะแสดงให้คุณเห็น
ว่าจริง ๆ แล้วมันมีหน้าตาอย่างไร
06:34
So the pixelsพิกเซล you can think
about as a first layerชั้น of neuronsเซลล์ประสาท,
131
382211
3416
คุณสามารถพิจารณาพิกเซลว่าเป็นเหมือน
ชั้นแรกของเซลล์ประสาท
06:37
and that's, in factความจริง,
how it worksโรงงาน in the eyeตา --
132
385651
2239
และนั่น จริง ๆ แล้ว
คือการทำงานภายในดวงตา --
06:39
that's the neuronsเซลล์ประสาท in the retinaจอตา.
133
387914
1663
นั่นคือ เซลล์ประสาทในจอตา
06:41
And those feedอาหาร forwardข้างหน้า
134
389601
1500
และสิ่งที่ส่งต่อ
06:43
into one layerชั้น after anotherอื่น layerชั้น,
after anotherอื่น layerชั้น of neuronsเซลล์ประสาท,
135
391125
3403
ไปยังชั้นถัด ๆ ไป
ของแต่ละชั้นของเซลล์ประสาท
06:46
all connectedเกี่ยวข้อง by synapsesประสาท
of differentต่าง weightsน้ำหนัก.
136
394552
3033
ทั้งหมดถูกเชื่อมโยงกันด้วยไซแนป
ที่ค่าถ่วงน้ำหนักต่าง ๆ กัน
06:49
The behaviorพฤติกรรม of this networkเครือข่าย
137
397609
1335
พฤติกรรมของโครงข่ายนี้
06:50
is characterizedลักษณะ by the strengthsจุดแข็ง
of all of those synapsesประสาท.
138
398968
3284
มีลักษณะจากความสามารถ
ของไซแนปเหล่านั้น
06:54
Those characterizeอธิบายลักษณะ the computationalการคำนวณ
propertiesคุณสมบัติ of this networkเครือข่าย.
139
402276
3288
ลักษณะเหล่านั้นให้คุณสมบัติเชิงคำนวณ
ของโครงข่ายนี้
06:57
And at the endปลาย of the day,
140
405588
1470
ท้ายที่สุดแล้ว
06:59
you have a neuronเซลล์ประสาท
or a smallเล็ก groupกลุ่ม of neuronsเซลล์ประสาท
141
407082
2447
คุณจะได้เซลล์ประสาท
หรือกลุ่มเซลล์ประสาทเล็ก ๆ
07:01
that lightเบา up, sayingคำพูด, "birdนก."
142
409553
1647
ที่สว่างขึ้น เพื่อบอกว่า "นก"
07:03
Now I'm going to representแทน
those threeสาม things --
143
411824
3132
ผมจะแทนค่า 3 สิ่งเหล่านั้น --
07:06
the inputอินพุต pixelsพิกเซล and the synapsesประสาท
in the neuralประสาท networkเครือข่าย,
144
414980
4696
ค่าอินพุตพิกเซล
และไซแนปในโครงข่ายประสาท
07:11
and birdนก, the outputเอาท์พุต --
145
419700
1585
และนก ซึ่งคือค่าเอาต์พุต --
07:13
by threeสาม variablesตัวแปร: x, w and y.
146
421309
3057
ด้วยสามตัวแปร: x, w และ y
07:16
There are maybe a millionล้าน or so x'sx ของ --
147
424853
1811
อาจมีค่า x กว่าล้านค่า
07:18
a millionล้าน pixelsพิกเซล in that imageภาพ.
148
426688
1953
หลายล้านพิกเซลในภาพนั้น
07:20
There are billionsพันล้าน or trillionsล้านล้าน of w'sของ W,
149
428665
2446
หลายพันล้าน หรือล้านล้าน ค่า w
07:23
whichที่ representแทน the weightsน้ำหนัก of all
these synapsesประสาท in the neuralประสาท networkเครือข่าย.
150
431135
3421
ที่เป็นตัวแทนของค่าถ่วงน้ำหนัก
ของไซแนปทั้งหมดในเซลล์ประสาท
07:26
And there's a very smallเล็ก numberจำนวน of y'sY ของ,
151
434580
1875
และยังมีค่าจำนวนไม่มากของ y
07:28
of outputsเอาท์พุท that that networkเครือข่าย has.
152
436479
1858
ที่เป็นเอาต์พุตของโครงข่ายนั้น
07:30
"Birdนก" is only fourสี่ lettersตัวอักษร, right?
153
438361
1749
"นก" มีแค่สี่ตัวอักษร [ในภาษาอังกฤษ]
ใช่ไหมครับ
07:33
So let's pretendแกล้งทำ that this
is just a simpleง่าย formulaสูตร,
154
441088
3426
ดังนั้น ลองสมมติว่านี่เป็นแค่สูตรพื้นฐาน
07:36
x "x" w = y.
155
444538
2163
x "x" w = y
07:38
I'm puttingวาง the timesครั้ง in scareทำให้ตกใจ quotesคำพูด
156
446725
2036
ผมจะใส่ตัวคูณเข้าไปในเครื่องหมายคำพูด
07:40
because what's really
going on there, of courseหลักสูตร,
157
448785
2280
เพราะว่าสิ่งที่เกิดขึ้นจริง ๆ แน่นอนว่า
07:43
is a very complicatedซับซ้อน seriesชุด
of mathematicalคณิตศาสตร์ operationsการดำเนินงาน.
158
451089
3046
มันเป็นชุดที่ซับซ้อน
ของการปฏิบัติการทางคณิตศาสตร์
07:47
That's one equationสมการ.
159
455172
1221
หนึ่งสมการนั้น
07:48
There are threeสาม variablesตัวแปร.
160
456417
1672
มีสามตัวแปร
07:50
And we all know
that if you have one equationสมการ,
161
458113
2726
และพวกเรารู้กันอยู่แล้วว่า ถ้ามีหนึ่งสมการ
07:52
you can solveแก้ one variableตัวแปร
by knowingรู้ดี the other two things.
162
460863
3642
คุณสามารถหาค่าตัวแปรหนึ่งได้
หากรู้อีกสองตัว
07:57
So the problemปัญหา of inferenceการอนุมาน,
163
465158
3380
ดังนั้น ปัญหาของการอนุมาน
08:00
that is, figuringการหา out
that the pictureภาพ of a birdนก is a birdนก,
164
468562
2873
ของการหาคำตอบว่าภาพนกนั้นคือนก
08:03
is this one:
165
471459
1274
คือสิ่งนี้
08:04
it's where y is the unknownไม่ทราบ
and w and x are knownที่รู้จักกัน.
166
472757
3459
มีจุดที่ไม่รู้ค่า y แต่รู้ค่า w และ x
08:08
You know the neuralประสาท networkเครือข่าย,
you know the pixelsพิกเซล.
167
476240
2459
คุณรู้โครงข่ายประสาท
คุณรู้พิกเซล
08:10
As you can see, that's actuallyแท้จริง
a relativelyสัมพัทธ์ straightforwardซื่อตรง problemปัญหา.
168
478723
3327
อย่างที่คุณเห็น อันที่จริงแล้ว
นั่นค่อนข้างเป็นปัญหาที่ตรงไปตรงมา
08:14
You multiplyคูณ two timesครั้ง threeสาม
and you're doneเสร็จแล้ว.
169
482074
2186
คุณเอาสองคูณสามก็จบ
08:16
I'll showแสดง you an artificialเทียม neuralประสาท networkเครือข่าย
170
484862
2123
ผมจะแสดงโครงข่ายประสาทประดิษฐ์
08:19
that we'veเราได้ builtสร้างขึ้น recentlyเมื่อเร็ว ๆ นี้,
doing exactlyอย่างแน่นอน that.
171
487009
2296
ที่พวกเราสร้างขึ้นให้คุณดู
มันทำงานอย่างที่บอกไป
08:21
This is runningวิ่ง in realจริง time
on a mobileโทรศัพท์มือถือ phoneโทรศัพท์,
172
489634
2860
สิ่งนี้ทำงานแบบเรียลไทม์บนมือถือ
08:24
and that's, of courseหลักสูตร,
amazingน่าอัศจรรย์ in its ownด้วยตัวเอง right,
173
492518
3313
และนั่นก็เป็นสิ่งมหัศจรรย์ในตัวมันเอง
08:27
that mobileโทรศัพท์มือถือ phonesโทรศัพท์ can do so manyจำนวนมาก
billionsพันล้าน and trillionsล้านล้าน of operationsการดำเนินงาน
174
495855
3468
ที่มือถือสามารถทำงานได้
หลายพันล้านล้านล้านปฏิบัติการ
08:31
perต่อ secondที่สอง.
175
499347
1248
ในหนึ่งวินาที
08:32
What you're looking at is a phoneโทรศัพท์
176
500619
1615
สิ่งที่คุณกำลังมองดูอยู่คือโทรศัพท์
08:34
looking at one after anotherอื่น
pictureภาพ of a birdนก,
177
502258
3547
ที่กำลังดูรูปนกตัวแล้วตัวเล่า
08:37
and actuallyแท้จริง not only sayingคำพูด,
"Yes, it's a birdนก,"
178
505829
2715
และไม่ใช่แค่กำลังบอกว่า
"ใช่แล้ว นี่คือนก"
08:40
but identifyingระบุ the speciesสายพันธุ์ of birdนก
with a networkเครือข่าย of this sortประเภท.
179
508568
3411
แต่มันยังแยกแยะสายพันธุ์ของนก
ด้วยโครงข่ายลักษณะนี้
08:44
So in that pictureภาพ,
180
512890
1826
ดังนั้น ที่เห็นในรูปนั้น
08:46
the x and the w are knownที่รู้จักกัน,
and the y is the unknownไม่ทราบ.
181
514740
3802
เรารู้ค่า x และ w แต่ไม่รู้ค่า y
08:50
I'm glossingglossing over the very
difficultยาก partส่วนหนึ่ง, of courseหลักสูตร,
182
518566
2508
แน่นอนว่า ผมกำลังพูดผ่านส่วนที่ยากไป
08:53
whichที่ is how on earthโลก
do we figureรูป out the w,
183
521098
3861
ซึ่งก็คือ เรารู้ค่า w ได้อย่างไร
08:56
the brainสมอง that can do suchอย่างเช่น a thing?
184
524983
2187
สมองสามารถทำแบบนั้นได้อย่างไร
08:59
How would we ever learnเรียน suchอย่างเช่น a modelแบบ?
185
527194
1834
เราถึงเรียนรู้โมเดลนั้นได้อย่างไร
09:01
So this processกระบวนการ of learningการเรียนรู้,
of solvingการแก้ for w,
186
529418
3233
นี่คือกระบวนการเรียนรู้ ในการหาค่า w
09:04
if we were doing this
with the simpleง่าย equationสมการ
187
532675
2647
ถ้าเราเริ่มด้วยสมการพื้นฐาน
09:07
in whichที่ we think about these as numbersหมายเลข,
188
535346
2000
ที่เราพิจารณาสิ่งเหล่านี้ในรูปของตัวเลข
09:09
we know exactlyอย่างแน่นอน how to do that: 6 = 2 x w,
189
537370
2687
เรารู้อย่างแน่นอนว่าจะทำอย่างไร
: 6 = 2 x w
09:12
well, we divideการแบ่ง by two and we're doneเสร็จแล้ว.
190
540081
3312
เอาละ เราหารด้วยสองก็จบ
09:16
The problemปัญหา is with this operatorผู้ประกอบการ.
191
544001
2220
ปัญหาคือการปฏิบัติการนี้
09:18
So, divisionแผนก --
192
546823
1151
ดังนั้น การหาร --
09:19
we'veเราได้ used divisionแผนก because
it's the inverseผกผัน to multiplicationการคูณ,
193
547998
3121
เราได้ใช้การหารเพราะว่า
มันเป็นตัวผกผันกับการคูณ
09:23
but as I've just said,
194
551143
1440
แต่อย่างที่ผมเพิ่งจะพูดไป
09:24
the multiplicationการคูณ is a bitบิต of a lieโกหก here.
195
552607
2449
การคูณค่อนข้างเป็นการหลอกลวง
09:27
This is a very, very complicatedซับซ้อน,
very non-linearที่ไม่ใช่เชิงเส้น operationการทำงาน;
196
555080
3326
สิ่งนี้ซับซ้อนมาก ๆ
เป็นปฏิบัติการที่ไม่ใช่เชิงเส้น
09:30
it has no inverseผกผัน.
197
558430
1704
มันไม่มีตัวผกผัน
09:32
So we have to figureรูป out a way
to solveแก้ the equationสมการ
198
560158
3150
ดังนั้นเราต้องหาทางคิดวิธีแก้สมการนี้
09:35
withoutไม่มี a divisionแผนก operatorผู้ประกอบการ.
199
563332
2024
โดยไม่ใช้การหาร
09:37
And the way to do that
is fairlyอย่างเป็นธรรม straightforwardซื่อตรง.
200
565380
2343
และวิธีที่การนั้น
ก็ค่อนข้างที่จะตรงไปตรงมา
09:39
You just say, let's playเล่น
a little algebraพีชคณิต trickเคล็ดลับ,
201
567747
2671
ลองมาเล่นกับพีชคณิตกันสักเล็กน้อย
09:42
and moveย้าย the sixหก over
to the right-handมือขวา sideด้าน of the equationสมการ.
202
570442
2906
และย้ายเลขหกไปด้านซ้ายของสมการ
09:45
Now, we're still usingการใช้ multiplicationการคูณ.
203
573372
1826
ตอนนี้เรายังคงใช้การคูณ
09:47
And that zeroศูนย์ -- let's think
about it as an errorความผิดพลาด.
204
575675
3580
และเลขศูนย์นั้น --
ลองคิดว่ามันเป็นเหมือนค่าผิดพลาด
09:51
In other wordsคำ, if we'veเราได้ solvedแก้ไข
for w the right way,
205
579279
2515
อีกนัยหนึ่ง
ถ้าเราแก้หาค่า w อย่างถูกต้อง
09:53
then the errorความผิดพลาด will be zeroศูนย์.
206
581818
1656
ค่าผิดพลาดก็จะเป็นศูนย์
09:55
And if we haven'tยังไม่ได้ gottenอากาศ it quiteทีเดียว right,
207
583498
1938
และถ้าเราไม่ได้ทำอย่างถูกต้อง
09:57
the errorความผิดพลาด will be greaterมากขึ้น than zeroศูนย์.
208
585460
1749
ค่าผิดพลาดก็จะมากกว่าศูนย์
09:59
So now we can just take guessesคาดเดา
to minimizeลด the errorความผิดพลาด,
209
587233
3366
ดังนั้นในตอนนี้เราสามารถคาดเดา
เพื่อลดค่าผิดพลาดลงให้น้อยที่สุด
10:02
and that's the sortประเภท of thing
computersคอมพิวเตอร์ are very good at.
210
590623
2687
และนั่นก็เป็นสิ่งที่คอมพิวเตอร์ถนัด
10:05
So you've takenยึด an initialแรกเริ่ม guessเดา:
211
593334
1593
ดังนั้น คุณลองทายค่าเริ่มต้นดู
10:06
what if w = 0?
212
594951
1156
สมมติว่า w = 0?
10:08
Well, then the errorความผิดพลาด is 6.
213
596131
1240
ค่าผิดพลาดก็จะเป็น 6
10:09
What if w = 1? The errorความผิดพลาด is 4.
214
597395
1446
แล้วถ้า w = 1 ล่ะ
ค่าผิดพลาดก็จะเป็น 4
10:10
And then the computerคอมพิวเตอร์ can
sortประเภท of playเล่น Marcoมาร์โก Poloโปโล,
215
598865
2367
และถัดไปคอมพิวเตอร์
ก็จะทำการเล่นมาร์โค ​โปโล
10:13
and driveขับรถ down the errorความผิดพลาด closeปิด to zeroศูนย์.
216
601256
2367
และลดค่าผิดพลาดให้เข้าใกล้ศูนย์
10:15
As it does that, it's gettingได้รับ
successiveต่อเนื่อง approximationsใกล้เคียง to w.
217
603647
3374
ขณะที่มันทำอย่างนั้น
มันก็จะเข้าใกล้ค่าประมาณของ w
10:19
Typicallyเป็นปกติ, it never quiteทีเดียว getsได้รับ there,
but after about a dozenโหล stepsขั้นตอน,
218
607045
3656
โดยพื้นฐาน มันหาค่านั้นไม่ได้หรอก
แต่หลังจากหลายสิบขั้นตอน
10:22
we're up to w = 2.999,
whichที่ is closeปิด enoughพอ.
219
610725
4624
เราก็จะได้ค่า w=2.999
ซึ่งใกล้เคียงมากพอ
10:28
And this is the learningการเรียนรู้ processกระบวนการ.
220
616302
1814
และนี่คือกระบวนการเรียนรู้
10:30
So rememberจำ that what's been going on here
221
618140
2730
ดังนั้น จำไว้นะครับ
ว่าสิ่งที่กำลังเกิดขึ้นอยู่นี้
10:32
is that we'veเราได้ been takingการ
a lot of knownที่รู้จักกัน x'sx ของ and knownที่รู้จักกัน y'sY ของ
222
620894
4378
เป็นการที่เรากำลังใช้
ตัวแปร x และ y ที่รู้แล้วจำนวนมาก
10:37
and solvingการแก้ for the w in the middleกลาง
throughตลอด an iterativeที่กล่าวย้ำ processกระบวนการ.
223
625296
3454
และแก้หาค่า w ผ่านกระบวนการที่ทำซ้ำ ๆ
10:40
It's exactlyอย่างแน่นอน the sameเหมือนกัน way
that we do our ownด้วยตัวเอง learningการเรียนรู้.
224
628774
3556
มันเป็นแนวทางเดียวกัน
กับวิธีการที่เราทำการเรียนรู้
10:44
We have manyจำนวนมาก, manyจำนวนมาก imagesภาพ as babiesทารก
225
632354
2230
เรามีภาพเด็กทารกหลาย ๆ ภาพ
10:46
and we get told, "This is a birdนก;
this is not a birdนก."
226
634608
2633
เราถูกสอนว่า"นี่คือนก นี่ไม่ใช่นก"
10:49
And over time, throughตลอด iterationการย้ำ,
227
637714
2098
เมื่อเวลาผ่านไป ด้วยการทำซ้ำ ๆ
10:51
we solveแก้ for w, we solveแก้
for those neuralประสาท connectionsสัมพันธ์.
228
639836
2928
เราแก้หาค่า w
เราแก้หาความสัมพันธ์ตามธรรมชาติของสิ่งนั้น
10:55
So now, we'veเราได้ heldที่จัดขึ้น
x and w fixedคงที่ to solveแก้ for y;
229
643460
4086
ดังนั้นตอนนี้ เรากำหนดค่า
x และ w เอาไว้ เพื่อค้นหาค่า y
10:59
that's everydayทุกวัน, fastรวดเร็ว perceptionความเข้าใจ.
230
647570
1847
นั่นคือการเรียนรู้อย่างรวดเร็ว
ในชีวิตประจำวัน
11:01
We figureรูป out how we can solveแก้ for w,
231
649441
1763
เรารู้ว่าจะหาค่า w ได้อย่างไร
11:03
that's learningการเรียนรู้, whichที่ is a lot harderยาก,
232
651228
1903
นั่นคือการเรียนรู้ ซึ่งยากกว่ามาก
11:05
because we need to do errorความผิดพลาด minimizationลด,
233
653155
1985
เพราะเราต้องการลดค่าผิดพลาดให้น้อยที่สุด
11:07
usingการใช้ a lot of trainingการอบรม examplesตัวอย่าง.
234
655164
1687
โดยการใช้ตัวอย่างในการฝึกเป็นจำนวนมาก
11:08
And about a yearปี agoมาแล้ว,
Alexอเล็กซ์ MordvintsevMordvintsev, on our teamทีม,
235
656875
3187
และประมาณปีที่แล้ว
อเล็กซ์ มอร์ดวินเสฟ สมาชิกในทีมของเรา
11:12
decidedตัดสินใจ to experimentการทดลอง
with what happensที่เกิดขึ้น if we try solvingการแก้ for x,
236
660086
3550
ตัดสินใจทดลองว่าจะเกิดอะไรขึ้น
ถ้าเราพยายามแก้หาค่า x
11:15
givenรับ a knownที่รู้จักกัน w and a knownที่รู้จักกัน y.
237
663660
2037
โดยให้ค่า w และ y ที่รู้แล้วมา
11:18
In other wordsคำ,
238
666124
1151
อีกแง่หนึ่งคือ
11:19
you know that it's a birdนก,
239
667299
1352
คุณรู้ว่ามันเป็นนก
11:20
and you alreadyแล้ว have your neuralประสาท networkเครือข่าย
that you've trainedผ่านการฝึกอบรม on birdsนก,
240
668675
3303
และคุณมีโครงข่ายประสาท
ที่คุณได้ฝึกฝนเกี่ยวกับเรื่องนกมาแล้ว
11:24
but what is the pictureภาพ of a birdนก?
241
672002
2344
แต่อะไรคือรูปของนก
11:27
It turnsผลัดกัน out that by usingการใช้ exactlyอย่างแน่นอน
the sameเหมือนกัน error-minimizationข้อผิดพลาดลด procedureขั้นตอน,
242
675034
5024
มันกลายเป็นว่า
ด้วยกระบวนการลดค่าผิดพลาดเดียวกัน
11:32
one can do that with the networkเครือข่าย
trainedผ่านการฝึกอบรม to recognizeรับรู้ birdsนก,
243
680082
3430
เราจะสามารถใช้โครงข่าย
ที่ถูกฝึกฝนเพื่อจำแนกภาพนก
11:35
and the resultผล turnsผลัดกัน out to be ...
244
683536
3388
และผลลัพธ์ก็ออกมาเป็น...
11:42
a pictureภาพ of birdsนก.
245
690400
1305
ภาพของนก
11:44
So this is a pictureภาพ of birdsนก
generatedสร้าง entirelyอย่างสิ้นเชิง by a neuralประสาท networkเครือข่าย
246
692814
3737
นี่คือภาพนกที่ถูกสร้างขึ้น
โดยโครงข่ายประสาททั้งหมด
11:48
that was trainedผ่านการฝึกอบรม to recognizeรับรู้ birdsนก,
247
696575
1826
ที่ถูกฝึกฝนเพื่อจำแนกภาพนก
11:50
just by solvingการแก้ for x
ratherค่อนข้าง than solvingการแก้ for y,
248
698425
3538
แค่เพียงแก้หาค่า x แทนที่จะทำการหา y
11:53
and doing that iterativelyซ้ำ.
249
701987
1288
และทำแบบนั้นซ้ำไปเรื่อย ๆ
11:55
Here'sต่อไปนี้คือ anotherอื่น funสนุก exampleตัวอย่าง.
250
703732
1847
นี่เป็นอีกตัวอย่างสนุก ๆ
11:57
This was a work madeทำ
by Mikeไมค์ TykaTyka in our groupกลุ่ม,
251
705603
3437
นี่เป็นงานที่ถูกสร้าง
โดยไมค์ ไทกา สมาชิกในกลุ่มของเรา
12:01
whichที่ he callsโทร "Animalสัตว์ Paradeขบวนแห่."
252
709064
2308
งานนี้ถูกเรียกว่า "ขบวนแห่สรรพสัตว์"
12:03
It remindsแจ้งเตือน me a little bitบิต
of Williamวิลเลียม Kentridge'sKentridge ของ artworksงานศิลปะ,
253
711396
2876
มันทำให้ผมนึกถึงงานศิลปะ
ของ วิลเลียม เคนทริดจ์
12:06
in whichที่ he makesยี่ห้อ sketchesสเก็ตช์, rubsrubs them out,
254
714296
2489
ที่เขาร่างภาพ แล้วลบออก
12:08
makesยี่ห้อ sketchesสเก็ตช์, rubsrubs them out,
255
716809
1460
ร่างภาพขึ้นมา แล้วลบออก
12:10
and createsสร้าง a movieหนัง this way.
256
718293
1398
และสร้างสรรค์ภาพยนตร์ด้วยวิธีนี้
12:11
In this caseกรณี,
257
719715
1151
ในกรณีนี้
12:12
what Mikeไมค์ is doing is varyingที่แตกต่าง y
over the spaceช่องว่าง of differentต่าง animalsสัตว์,
258
720890
3277
สิ่งที่ไมค์ทำก็คือเปลี่ยนค่า y เรื่อย ๆ
บนพื้นที่ของสัตว์หลายชนิด
12:16
in a networkเครือข่าย designedได้รับการออกแบบ
to recognizeรับรู้ and distinguishเห็นความแตกต่าง
259
724191
2382
ในโครงข่ายที่ถูกออกแบบ
ให้จดจำ และ แยกแยะ
12:18
differentต่าง animalsสัตว์ from eachแต่ละ other.
260
726597
1810
สัตว์ที่แตกต่างกันออกจากกัน
12:20
And you get this strangeแปลก, Escher-likeEscher เหมือน
morphแปรเปลี่ยน from one animalสัตว์ to anotherอื่น.
261
728431
3751
และคุณจะได้รูปร่างประหลาด
คล้ายภาพลวงตาของสัตว์ที่เปลี่ยนร่างได้
12:26
Here he and Alexอเล็กซ์ togetherด้วยกัน
have triedพยายาม reducingลด
262
734221
4614
เขาและอเล็กซ์ได้พยายามลด
12:30
the y'sY ของ to a spaceช่องว่าง of only two dimensionsมิติ,
263
738859
2759
ค่า y ให้อยู่บนพื้นที่ของสองมิติ
12:33
therebyดังนั้น makingการทำ a mapแผนที่
out of the spaceช่องว่าง of all things
264
741642
3438
ด้วยวิธีการสร้างแผนที่ขึ้นมา
จากพื้นที่ของทุก ๆ สิ่ง
12:37
recognizedได้รับการยอมรับ by this networkเครือข่าย.
265
745104
1719
ที่ถูกจดจำด้วยโครงข่ายนี้
12:38
Doing this kindชนิด of synthesisสังเคราะห์
266
746847
2023
การทำการวิเคราะห์ประเภทนี้
12:40
or generationรุ่น of imageryภาพ
over that entireทั้งหมด surfaceพื้นผิว,
267
748894
2382
หรือการสร้างภาพบนทั้งพื้นผิวนั้น
12:43
varyingที่แตกต่าง y over the surfaceพื้นผิว,
you make a kindชนิด of mapแผนที่ --
268
751300
2846
เปลี่ยนแปลงค่า y เหนือพื้นผิว
คุณได้สร้างแผนที่ --
12:46
a visualภาพ mapแผนที่ of all the things
the networkเครือข่าย knowsรู้ how to recognizeรับรู้.
269
754170
3141
แผนที่ภาพของทุก ๆ สิ่ง ที่โครงข่ายประสาท
รู้ว่าจะแยกแยะอย่างไร
12:49
The animalsสัตว์ are all here;
"armadilloตัวนิ่ม" is right in that spotจุด.
270
757335
2865
สัตว์ทั้งหมดอยู่ที่นี่
"ตัวนิ่ม" อยู่ตรงจุดนั้น
12:52
You can do this with other kindsชนิด
of networksเครือข่าย as well.
271
760919
2479
คุณสามารถทำอย่างนี้
กับโครงข่ายประเภทอื่นได้ด้วย
12:55
This is a networkเครือข่าย designedได้รับการออกแบบ
to recognizeรับรู้ facesใบหน้า,
272
763422
2874
นี่คือโครงข่ายที่ถูกออกแบบ
ให้จดจำใบหน้า
12:58
to distinguishเห็นความแตกต่าง one faceใบหน้า from anotherอื่น.
273
766320
2000
เพื่อแยกแยะใบหน้าต่าง ๆ ออกจากกัน
13:00
And here, we're puttingวาง
in a y that saysกล่าวว่า, "me,"
274
768344
3249
และในที่นี้ เราได้ใส่ค่า y ที่บอกว่า "ฉัน"
13:03
my ownด้วยตัวเอง faceใบหน้า parametersพารามิเตอร์.
275
771617
1575
พารามิเตอร์หน้าของผม
13:05
And when this thing solvesแก้ for x,
276
773216
1706
และเมื่อสิ่งนี้ค้นหาค่า x
13:06
it generatesสร้าง this ratherค่อนข้าง crazyบ้า,
277
774946
2618
มันสร้างสิ่งที่ค่อนข้างประหลาด
13:09
kindชนิด of cubistนักเขียนภาพแบบเหลี่ยม, surrealเซอร์เรียล,
psychedelicซึ่งทำให้เคลิบเคลิ้ม pictureภาพ of me
278
777588
4428
เหมือนกับภาพหลอน ๆ ของผม
แนวศิลปะภาพแบบเหลี่ยม เหนือจริง
13:14
from multipleหลายอย่าง pointsจุด of viewดู at onceครั้งหนึ่ง.
279
782040
1806
จากหลายมุมมองในครั้งเดียว
13:15
The reasonเหตุผล it looksรูปลักษณ์ like
multipleหลายอย่าง pointsจุด of viewดู at onceครั้งหนึ่ง
280
783870
2734
เหตุผลที่มันดูเหมือนการมองหลายมุม
ในครั้งเดียวนั้น
13:18
is because that networkเครือข่าย is designedได้รับการออกแบบ
to get ridกำจัด of the ambiguityความคลุมเครือ
281
786628
3687
เพราะว่าโครงข่ายนี้ถูกออกแบบ
เพื่อกำจัดความคลุมเครือ
13:22
of a faceใบหน้า beingกำลัง in one poseท่าทาง
or anotherอื่น poseท่าทาง,
282
790339
2476
ของหน้าที่อยู่ในท่าการจัดวางที่แตกต่างกัน
13:24
beingกำลัง lookedมอง at with one kindชนิด of lightingแสง,
anotherอื่น kindชนิด of lightingแสง.
283
792839
3376
ถูกมองด้วยการจัดแสงที่แตกต่างกัน
13:28
So when you do
this sortประเภท of reconstructionการก่อสร้างใหม่,
284
796239
2085
ดังนั้นเมื่อคุณทำการประกอบภาพใหม่
13:30
if you don't use some sortประเภท of guideแนะนำ imageภาพ
285
798348
2304
ถ้าคุณไม่ได้ใช้ภาพชี้แนะ
13:32
or guideแนะนำ statisticsสถิติ,
286
800676
1211
หรือการชี้แนะด้วยสถิติ
13:33
then you'llคุณจะ get a sortประเภท of confusionความสับสน
of differentต่าง pointsจุด of viewดู,
287
801911
3765
คุณก็จะได้ภาพที่ดูสับสนจากหลายมุมมอง
13:37
because it's ambiguousคลุมเครือ.
288
805700
1368
เนื่องจากมันมีความคลุมเครือ
13:39
This is what happensที่เกิดขึ้น if Alexอเล็กซ์ usesการใช้งาน
his ownด้วยตัวเอง faceใบหน้า as a guideแนะนำ imageภาพ
289
807786
4223
นี่คือสิ่งที่เกิดขึ้น
ถ้าอเล็กซ์ใช้ใบหน้าเขาเองเป็นภาพตัวชี้แนะ
13:44
duringในระหว่าง that optimizationการเพิ่มประสิทธิภาพ processกระบวนการ
to reconstructบูรณะ my ownด้วยตัวเอง faceใบหน้า.
290
812033
3321
ระหว่างกระบวนการหาผลลัพธ์ที่ดีที่สุด
เพื่อประกอบภาพใบหน้าของผมขึ้นใหม่
13:48
So you can see it's not perfectสมบูรณ์.
291
816284
2328
คุณจะเห็นว่าว่ามันไม่สมบูรณ์แบบ
13:50
There's still quiteทีเดียว a lot of work to do
292
818636
1874
ยังคงมีงานอีกมากที่ต้องทำ
13:52
on how we optimizeเพิ่มประสิทธิภาพ
that optimizationการเพิ่มประสิทธิภาพ processกระบวนการ.
293
820534
2453
ในการทำอย่างไร
เพื่อให้ได้ผลลัพธ์ที่ดีที่สุด
13:55
But you startเริ่มต้น to get something
more like a coherentเชื่อมโยงกัน faceใบหน้า,
294
823011
2827
แต่คุณเริ่มได้รับบางอย่าง
ที่เหมือนใบหน้าที่สอดคล้องกันมากขึ้น
13:57
renderedการแสดงผล usingการใช้ my ownด้วยตัวเอง faceใบหน้า as a guideแนะนำ.
295
825862
2014
ที่ถูกแสดงผลโดยใช้ใบหน้าของผม
ในการชี้แนะ
14:00
You don't have to startเริ่มต้น
with a blankว่างเปล่า canvasผ้าใบ
296
828892
2501
คุณไม่จำเป็นต้องเริ่มต้นจากผ้าใบว่างเปล่า
14:03
or with whiteขาว noiseสัญญาณรบกวน.
297
831417
1156
หรือด้วยสัญญาณรบกวนสีขาว ๆ
14:04
When you're solvingการแก้ for x,
298
832597
1304
เมื่อคุณแก้เพื่อหาค่า x
14:05
you can beginเริ่ม with an x,
that is itselfตัวเอง alreadyแล้ว some other imageภาพ.
299
833925
3889
คุณสามารถเริ่มต้นด้วย x
ซึ่งตัวมันเองก็เป็นภาพอื่นอยู่แล้ว
14:09
That's what this little demonstrationสาธิต is.
300
837838
2556
นั่นคือสิ่งที่การสาธิตเล็ก ๆ นี้บอกคุณ
14:12
This is a networkเครือข่าย
that is designedได้รับการออกแบบ to categorizeจำแนกประเภท
301
840418
4122
นี่คือโครงข่ายที่ถูกออกแบบจัดจำแนก
14:16
all sortsทุกประเภท of differentต่าง objectsวัตถุ --
man-madeที่มนุษย์สร้างขึ้น structuresโครงสร้าง, animalsสัตว์ ...
302
844564
3119
วัตถุจำพวกต่าง ๆ --
โครงสร้างที่มนุษย์ทำขึ้น, สัตว์...
14:19
Here we're startingที่เริ่มต้น
with just a pictureภาพ of cloudsเมฆ,
303
847707
2593
เรามาเริ่มต้นด้วย
ภาพของกลุ่มก้อนเมฆ
14:22
and as we optimizeเพิ่มประสิทธิภาพ,
304
850324
1671
และเมื่อเราหาผลลัพธ์ที่ดีที่สุด
14:24
basicallyเป็นพื้น, this networkเครือข่าย is figuringการหา out
what it seesเห็น in the cloudsเมฆ.
305
852019
4486
โดยพื้นฐาน โครงข่ายนี้กำลังหาว่า
มันเห็นอะไรในกลุ่มเมฆ
14:28
And the more time
you spendใช้จ่าย looking at this,
306
856931
2320
และยิ่งคุณใช้เวลาในการมองภาพนี้
มากขึ้นเท่าไร
14:31
the more things you alsoด้วย
will see in the cloudsเมฆ.
307
859275
2753
คุณก็ยิ่งเห็นสิ่งต่างในกลุ่มเมฆ
มากขึ้นเท่านั้น
14:35
You could alsoด้วย use the faceใบหน้า networkเครือข่าย
to hallucinateทำให้เกิดภาพหลอนประสาท into this,
308
863004
3375
คุณยังสามารถใช้โครงข่ายใบหน้า
เพื่อให้เห็นภาพหลอนแบบนี้
14:38
and you get some prettyน่ารัก crazyบ้า stuffสิ่ง.
309
866403
1812
และคุณได้อะไรประหลาด ๆ ออกมา
14:40
(Laughterเสียงหัวเราะ)
310
868239
1150
(เสียงหัวเราะ)
14:42
Or, Mikeไมค์ has doneเสร็จแล้ว some other experimentsการทดลอง
311
870401
2744
หรือ ไมค์ได้ทำการทดลองอื่น
14:45
in whichที่ he takes that cloudเมฆ imageภาพ,
312
873169
3905
ซึ่งเขานำภาพกลุ่มเมฆนั้น
14:49
hallucinateshallucinates, zoomsซูม, hallucinateshallucinates,
zoomsซูม hallucinateshallucinates, zoomsซูม.
313
877098
3507
เห็นภาพหลอน ขยาย เห็นภาพหลอน
ขยาย เห็นภาพหลอน ขยาย
14:52
And in this way,
314
880629
1151
อย่างที่เห็น
14:53
you can get a sortประเภท of fugueเครื่องแฅ่ละชนิด stateสถานะ
of the networkเครือข่าย, I supposeสมมติ,
315
881804
3675
คุณสามารถได้สภาวะขาดความควบคุม
ของโครงข่ายผมว่านะ
14:57
or a sortประเภท of freeฟรี associationสมาคม,
316
885503
3680
หรือประมาณว่าความเกี่ยวข้องอิสระ
15:01
in whichที่ the networkเครือข่าย
is eatingการรับประทานอาหาร its ownด้วยตัวเอง tailหาง.
317
889207
2227
ซึ่งโครงข่ายกำลังกินหางของมันเอง
15:03
So everyทุกๆ imageภาพ is now the basisรากฐาน for,
318
891458
3421
ดังนั้น รูปภาพทุกรูป
ตอนนี้เป็นพื้นฐานสำหรับ
15:06
"What do I think I see nextต่อไป?
319
894903
1421
"ต่อไปผมจะเห็นอะไรนะ
15:08
What do I think I see nextต่อไป?
What do I think I see nextต่อไป?"
320
896348
2803
ต่อไปผมจะเห็นอะไรนะ
ต่อไปผมจะเห็นอะไรนะ"
15:11
I showedแสดงให้เห็นว่า this for the first time in publicสาธารณะ
321
899487
2936
ผมแสดงสิ่งนี้เป็นครั้งแรกในที่สาธารณะ
15:14
to a groupกลุ่ม at a lectureคำบรรยาย in Seattleซีแอตเติ
calledเรียกว่า "Higherสูงกว่า Educationการศึกษา" --
322
902447
5437
ให้กับกลุ่มที่ฟังบรรยายในซีแอตเทิล
ที่เรียกว่า "การศึกษาระดับอุดมศึกษา" --
15:19
this was right after
marijuanaกัญชา was legalizedทำให้การค้า.
323
907908
2437
นี้เป็นตอนหลังจากที่กัญชา
ถูกทำให้ถูกต้องตามกฎหมายแล้ว
15:22
(Laughterเสียงหัวเราะ)
324
910369
2415
(เสียงหัวเราะ)
15:26
So I'd like to finishเสร็จสิ้น up quicklyอย่างรวดเร็ว
325
914627
2104
ผมอยากจะสรุปแบบรวดเร็ว
15:28
by just notingสังเกต that this technologyเทคโนโลยี
is not constrainedถูก จำกัด.
326
916755
4255
ด้วยการเน้นว่าเทคโนโลยีนี้ไม่ได้ถูกจำกัด
15:33
I've shownแสดงให้เห็นว่า you purelyหมดจด visualภาพ examplesตัวอย่าง
because they're really funสนุก to look at.
327
921034
3665
ผมได้แสดงให้คุณเห็นตัวอย่างที่เห็นได้
เพราะมันสนุกที่จะได้เห็น
15:36
It's not a purelyหมดจด visualภาพ technologyเทคโนโลยี.
328
924723
2451
มันไม่ได้เป็นเทคโนโลยีที่มองเห็นได้เท่านั้น
15:39
Our artistศิลปิน collaboratorผู้ประสานงาน, Rossรอสส์ Goodwinกูดวิน,
329
927198
1993
ศิลปินผู้ประสานงานของเรา รอสส์ กู๊ดวิน
15:41
has doneเสร็จแล้ว experimentsการทดลอง involvingที่เกี่ยวข้องกับ
a cameraกล้อง that takes a pictureภาพ,
330
929215
3671
ได้ทำการทดลองที่เกี่ยวข้องกับ
กล้องที่ถ่ายภาพ
15:44
and then a computerคอมพิวเตอร์ in his backpackกระเป๋าเป้สะพายหลัง
writesเขียน a poemบทกวี usingการใช้ neuralประสาท networksเครือข่าย,
331
932910
4234
และจากนั้นคอมพิวเตอร์ในกระเป๋าของเขา
ได้เขียนบทกวีด้วยโครงข่ายประสาท
15:49
basedซึ่งเป็นรากฐาน on the contentsเนื้อหา of the imageภาพ.
332
937168
1944
จากเนื้อหาของรูปภาพ
15:51
And that poetryบทกวี neuralประสาท networkเครือข่าย
has been trainedผ่านการฝึกอบรม
333
939136
2947
และโครงข่ายประสาทบทกวีนั้นก็ถูกฝึกฝน
15:54
on a largeใหญ่ corpusคลัง of 20th-centuryศตวรรษ TH poetryบทกวี.
334
942107
2234
จากส่วนสำคัญของบทกวีศตวรรษที่ 20
15:56
And the poetryบทกวี is, you know,
335
944365
1499
และอย่างที่เห็นบทกวีมันก็
15:57
I think, kindชนิด of not badไม่ดี, actuallyแท้จริง.
336
945888
1914
ผมว่า ที่จริงก็ไม่ได้แย่สักเท่าไหร่
15:59
(Laughterเสียงหัวเราะ)
337
947826
1384
(เสียงหัวเราะ)
16:01
In closingปิด,
338
949234
1159
ก่อนจากลาจากกัน
16:02
I think that perต่อ MichelangeloMichelangelo,
339
950417
2132
ผมคิดว่าตามที่ไมเคิลแองเจลโลกล่าว
16:04
I think he was right;
340
952573
1234
ผมว่าเขาพูดถูกต้อง
16:05
perceptionความเข้าใจ and creativityความคิดสร้างสรรค์
are very intimatelyอย่างใกล้ชิด connectedเกี่ยวข้อง.
341
953831
3436
การรับรู้และความคิดสร้างสรรค์
มีความเชื่อมโยงกันอย่างใกล้ชิดมาก
16:09
What we'veเราได้ just seenเห็น are neuralประสาท networksเครือข่าย
342
957611
2634
สิ่งที่พวกเราเพิ่งได้เห็นไป
คือโครงข่ายประสาท
16:12
that are entirelyอย่างสิ้นเชิง trainedผ่านการฝึกอบรม to discriminateเห็นความแตกต่าง,
343
960269
2303
ที่ทั้งหมดถูกฝึกฝนโดยเพื่อแยกแยะ
16:14
or to recognizeรับรู้ differentต่าง
things in the worldโลก,
344
962596
2242
หรือเพื่อจดจำสิ่งต่าง ๆ ในโลกนี้
16:16
ableสามารถ to be runวิ่ง in reverseถอยหลัง, to generateผลิต.
345
964862
3161
ซึ่งสามารถที่จะทำงานย้อนกลับ
เพื่อทำการสร้างสรรค์ได้
16:20
One of the things that suggestsแสดงให้เห็น to me
346
968047
1783
สิ่งหนึ่งที่มันบอกกับผมก็คือ
16:21
is not only that
MichelangeloMichelangelo really did see
347
969854
2398
ไม่ใช่แค่ไมเคิลแองเจลโลเห็นจริง ๆ
16:24
the sculptureประติมากรรม in the blocksบล็อก of stoneหิน,
348
972276
2452
ว่าประติมากรรมอยู่ในก้อนหิน
16:26
but that any creatureสัตว์,
any beingกำลัง, any alienมนุษย์ต่างดาว
349
974752
3638
แต่ทุกคน ทุกสิ่งมีชีวิต
ทั้งในโลกหรือนอกโลก
16:30
that is ableสามารถ to do
perceptualการรับรู้ actsการกระทำ of that sortประเภท
350
978414
3657
ที่สามารถรับรู้หรือการทำงาน
อะไรทำนองนั้นได้
16:34
is alsoด้วย ableสามารถ to createสร้าง
351
982095
1375
ก็ย่อมสามารถที่จะสร้างสรรค์ได้
16:35
because it's exactlyอย่างแน่นอน the sameเหมือนกัน
machineryเครื่องจักรกล that's used in bothทั้งสอง casesกรณี.
352
983494
3224
เพราะมันเป็นกลไกเดียวกัน
ที่ถูกใช้ในทั้งสองกรณี
16:38
Alsoด้วย, I think that perceptionความเข้าใจ
and creativityความคิดสร้างสรรค์ are by no meansวิธี
353
986742
4532
นอกจากนี้ ไม่ว่าจะอย่างไรก็ตาม
ผมคิดว่าการรับรู้และความคิดสร้างสรรค์
16:43
uniquelyที่ไม่ซ้ำกัน humanเป็นมนุษย์.
354
991298
1210
ไม่ได้เป็นเอกลักษณ์
ที่มีแต่เฉพาะในมนุษย์เท่านั้น
16:44
We startเริ่มต้น to have computerคอมพิวเตอร์ modelsรุ่น
that can do exactlyอย่างแน่นอน these sortsทุกประเภท of things.
355
992532
3708
พวกเราเริ่มมีโมเดลคอมพิวเตอร์
ที่สามารถทำสิ่งเดียวกันนี้ได้
16:48
And that oughtควร to be unsurprisingแปลกใจเลย;
the brainสมอง is computationalการคำนวณ.
356
996264
3328
และนั่นไม่ควรที่จะเป็นเรื่องน่าประหลาดใจ;
สมองมีการคำนวณแบบคอมพิวเตอร์
16:51
And finallyในที่สุด,
357
999616
1657
และท้ายที่สุด
16:53
computingการคำนวณ beganเริ่ม as an exerciseการออกกำลังกาย
in designingการออกแบบ intelligentฉลาด machineryเครื่องจักรกล.
358
1001297
4668
คอมพิวเตอร์เริ่มต้นจากความพยายาม
ในการออกแบบเครื่องจักรที่มีความฉลาด
16:57
It was very much modeledถ่ายแบบ after the ideaความคิด
359
1005989
2462
มันถูกสร้างขึ้นจากความคิดที่ว่า
17:00
of how could we make machinesเครื่อง intelligentฉลาด.
360
1008475
3013
เราจะสร้างเครื่องจักร
ให้เฉลียวฉลาดได้อย่างไร
17:03
And we finallyในที่สุด are startingที่เริ่มต้น to fulfillเติมเต็ม now
361
1011512
2162
และท้ายที่สุด
เราเริ่มที่จะเติมเต็มความคิดนั้น
17:05
some of the promisesสัญญา
of those earlyตอนต้น pioneersผู้บุกเบิก,
362
1013698
2406
คำสัญญาบางอย่างของผู้ริเริ่มยุคแรก
17:08
of Turingทัวริง and vonฟอน Neumannนอยมันน์
363
1016128
1713
ของทัวริง และ ฟอน นอยมันน์
17:09
and McCullochMcCulloch and Pittsพิตส์.
364
1017865
2265
และ แมคคัลลอช์ และ พิทซ์
17:12
And I think that computingการคำนวณ
is not just about accountingการบัญชี
365
1020154
4098
และผมคิดว่าคอมพิวเตอร์
ไม่ใช่แค่สำหรับการทำบัญชี
17:16
or playingเล่น Candyลูกอม Crushบด or something.
366
1024276
2147
หรือการเล่นแคนดี้ครัช หรืออะไร
17:18
From the beginningการเริ่มต้น,
we modeledถ่ายแบบ them after our mindsจิตใจ.
367
1026447
2578
ตั้งแต่แรกเริ่ม พวกเราสร้างมันขึ้นมา
ตามแบบสมองของเรา
17:21
And they give us bothทั้งสอง the abilityความสามารถ
to understandเข้าใจ our ownด้วยตัวเอง mindsจิตใจ better
368
1029049
3269
แล้วพวกมันก็ทำให้เราสามารถเข้าใจ
จิตใจของเราเองดีขึ้น
17:24
and to extendต่ออายุ them.
369
1032342
1529
ทั้งยังทำให้เราเข้าใจพวกมันดีขึ้นด้วย
17:26
Thank you very much.
370
1034627
1167
ขอบคุณมากครับ
17:27
(Applauseการปรบมือ)
371
1035818
5939
(เสียงปรบมือ)

▲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