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

Blaise Agüera y Arcas: Máy tính đang học cách sáng tạo như thế nào

Filmed:
1,934,067 views

Chúng ta chuẩn bị bước qua ranh giới để đến được vùng đất bên kia của nghệ thuật và sáng tạo, và đó không phải của con người. Blaise Agüera y Arcas, nhà khoa học hàng đầu tại Google, đang nghiên cứu chuyên sâu về mạng lưới thần kinh giúp máy tính có tri giác và hỗ trợ chúng học tập các ngành được phân bổ. Với bài nói đầy tính thuyết phục kèm ví dụ minh hoạ, anh đã cho chúng ta thấy làm thế nào mà những mạng lưới thần kinh nhân tạo được thiết kế để nhận diện hình ảnh lại có thể tạo ra sản phẩm mới. Kết quả thu được chính là những bức tranh huyền ảo tuyệt vời (có cả thơ) ra đời, bất kể chúng thuộc loại nào. "Sự tri nhận và sáng tạo có mối quan hệ mật thiết với nhau," Agüera y Arcas đã nói như thế. "Bất kì sinh vật nào, chỉ cần có khả năng tri nhận thì sẽ có khả năng sáng tạo."
- 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 leadchì a teamđội at GoogleGoogle
that workscông trinh on machinemáy móc intelligenceSự thông minh;
0
800
3124
Tôi là trưởng nhóm nghiên cứu
Trí tuệ nhân tạo tại Google;
00:15
in other wordstừ ngữ, the engineeringkỹ thuật disciplinekỷ luật
of makingchế tạo computersmáy vi tính and devicesthiết bị
1
3948
4650
nói cách khác, đó là những quy tắc
công nghệ để máy tính và thiết bị
00:20
ablecó thể to do some of the things
that brainsnão do.
2
8622
2419
làm được những gì mà
não người làm được.
00:23
And this makeslàm cho us
interestedquan tâm in realthực brainsnão
3
11439
3099
Và việc này làm chúng tôi
thấy hứng thú với não người thật
00:26
and neurosciencethần kinh học as well,
4
14562
1289
cũng như khoa học thần kinh,
00:27
and especiallyđặc biệt interestedquan tâm
in the things that our brainsnão do
5
15875
4172
và đặc biệt là với những gì
mà não của chúng ta có thể
00:32
that are still farxa superiorcấp trên
to the performancehiệu suất of computersmáy vi tính.
6
20071
4042
thực hiện tốt hơn nhiều so với máy tính.
00:37
HistoricallyTrong lịch sử, one of those areaskhu vực
has been perceptionnhận thức,
7
25209
3609
Về lịch sử, một trong số đó
chính là khả năng tri nhận,
00:40
the processquá trình by which things
out there in the worldthế giới --
8
28842
3039
là quá trình biến đổi những gì
ở thế giới bên ngoài
00:43
soundsâm thanh and imageshình ảnh --
9
31905
1584
như âm thanh và hình ảnh
00:45
can turnxoay into conceptscác khái niệm in the mindlí trí.
10
33513
2178
thành dạng khái niệm trong tư duy.
00:48
This is essentialCần thiết for our ownsở hữu brainsnão,
11
36235
2517
Khái niệm rất quan trọng với não,
00:50
and it's alsocũng thế prettyđẹp usefulhữu ích on a computermáy vi tính.
12
38776
2464
cũng khá hữu ích trên máy tính.
00:53
The machinemáy móc perceptionnhận thức algorithmsthuật toán,
for examplethí dụ, that our teamđội makeslàm cho,
13
41636
3350
Ví dụ, những thuật toán tri giác
cho máy mà nhóm tôi viết ra,
00:57
are what enablecho phép your picturesnhững bức ảnh
on GoogleGoogle PhotosHình ảnh to becometrở nên searchableTìm kiếm,
14
45010
3874
chính là thứ giúp bạn tìm
được hình ảnh trên Google Photo,
01:00
baseddựa trên on what's in them.
15
48908
1397
căn cứ vào trong hình có gì.
01:03
The fliplật sidebên of perceptionnhận thức is creativitysáng tạo:
16
51594
3493
Đối lập với tri nhận là sáng tạo:
01:07
turningquay a conceptkhái niệm into something
out there into the worldthế giới.
17
55111
3038
là biến khái niệm đã biết thành
sản phẩm của thế giới.
Trong năm qua, khả năng tri nhận
nhân tạo mà nhóm tôi nghiên cứu
01:10
So over the pastquá khứ yearnăm,
our work on machinemáy móc perceptionnhận thức
18
58173
3555
01:13
has alsocũng thế unexpectedlybất ngờ connectedkết nối
with the worldthế giới of machinemáy móc creativitysáng tạo
19
61752
4859
đã bất ngờ kết nối được với
khả năng sáng tạo nhân tạo
01:18
and machinemáy móc artnghệ thuật.
20
66635
1160
và nghệ thuật nhân tạo.
01:20
I think MichelangeloMichelangelo
had a penetratingthâm nhập insightcái nhìn sâu sắc
21
68556
3284
Tôi nghĩ Michlangelo
có một hiểu biết sâu sắc
01:23
into to this dualhai relationshipmối quan hệ
betweengiữa perceptionnhận thức and creativitysáng tạo.
22
71864
3656
về mối quan hệ song đôi giữa
tri nhận và sáng tạo.
01:28
This is a famousnổi danh quoteTrích dẫn of his:
23
76023
2006
Đây là câu trích dẫn ưa thích của ông:
01:30
"EveryMỗi blockkhối of stoneCục đá
has a statuebức tượng insidephía trong of it,
24
78053
3323
"Tảng đá nào cũng có linh hồn
là bức tượng,
01:34
and the jobviệc làm of the sculptornhà điêu khắc
is to discoverkhám phá it."
25
82036
3002
và một thợ điêu khắc có nhiệm vụ
khám phá ra nó."
01:38
So I think that what
MichelangeloMichelangelo was gettingnhận được at
26
86029
3216
Nên tôi nghĩ điều Michelangelo
muốn nói đến chính là
01:41
is that we createtạo nên by perceivingcảm nhận,
27
89269
3180
chúng ta sáng tạo được nhờ tri nhận,
01:44
and that perceptionnhận thức itselfchinh no
is an acthành động of imaginationtrí tưởng tượng
28
92473
3023
và bản thân sự tri nhận đó
là hành động tưởng tượng
01:47
and is the stuffđồ đạc of creativitysáng tạo.
29
95520
2461
và là nguyên liệu cho sáng tạo.
01:50
The organđàn organ that does all the thinkingSuy nghĩ
and perceivingcảm nhận and imaginingtưởng tượng,
30
98691
3925
Cơ quan thực hiện mọi quá trình
tri nhận và sáng tạo diễn ra,
01:54
of coursekhóa học, is the brainóc.
31
102640
1588
tất nhiên, là bộ não.
01:57
And I'd like to beginbắt đầu
with a briefngắn gọn bitbit of historylịch sử
32
105089
2545
Tôi sẽ bắt đầu bằng một chút lịch sử
01:59
about what we know about brainsnão.
33
107658
2302
nói về hiểu biết của chúng ta về não.
02:02
Because unlikekhông giống, say,
the hearttim or the intestinesruột,
34
110496
2446
Nói thế này, khác hẳn trái tim
hay nội tạng,
02:04
you really can't say very much
about a brainóc by just looking at it,
35
112966
3144
bạn thật sự không nói được gì nhiều
chỉ bằng việc quan sát bộ não,
02:08
at leastít nhất with the nakedtrần truồng eyemắt.
36
116134
1412
nhất là khi nhìn bằng mắt thường.
Những bác sĩ phẫu thuật
đầu tiên quan sát bộ não
02:09
The earlysớm anatomistsanatomists who lookednhìn at brainsnão
37
117983
2416
02:12
gaveđưa ra the superficialhời hợt structurescấu trúc
of this thing all kindscác loại of fancifulhuyền ảo namestên,
38
120423
3807
đã đặt tên cho cấu trúc bề mặt
của nó mọi cái tên thú vị,
02:16
like hippocampushippocampus, meaningÝ nghĩa "little shrimptôm."
39
124254
2433
chẳng hạn như thuỳ hải mã,
nghĩa là "con tôm nhỏ".
02:18
But of coursekhóa học that sortsắp xếp of thing
doesn't tell us very much
40
126711
2764
Nhưng tất nhiên cái tên đó
cũng không nói được gì nhiều
02:21
about what's actuallythực ra going on insidephía trong.
41
129499
2318
về những gì đang thực sự
diễn ra bên trong.
02:24
The first personngười who, I think, really
developedđã phát triển some kindloại of insightcái nhìn sâu sắc
42
132780
3613
Tôi nghĩ người đầu tiên
phát triển hiểu biết thật sự
02:28
into what was going on in the brainóc
43
136417
1930
về những gì đang diễn ra trong não bộ
02:30
was the great SpanishTiếng Tây Ban Nha neuroanatomistneuroanatomist,
SantiagoSantiago RamBộ nhớ RAMón y CajalCajal,
44
138371
3920
là nhà giải phẫu thần kinh vĩ đại người
Tây Ban Nha, Santiago Ramón y Cajal,
02:34
in the 19ththứ centurythế kỷ,
45
142315
1544
vào thế kỷ 19,
02:35
who used microscopykính hiển vi and specialđặc biệt stainsvết bẩn
46
143883
3755
ông là người dùng kính hiển vi và
chất nhuộm màu đặc biệt
02:39
that could selectivelychọn lọc filllấp đầy in
or renderrender in very highcao contrasttương phản
47
147662
4170
có thể điền vào hay minh hoạ kĩ lưỡng
từng tế bào trong não
02:43
the individualcá nhân cellstế bào in the brainóc,
48
151856
2008
với độ tương phản cao,
02:45
in ordergọi món to startkhởi đầu to understandhiểu không
theirhọ morphologiesmorphologies.
49
153888
3154
để bắt đầu hiểu được
hình thái của chúng.
02:49
And these are the kindscác loại of drawingsbản vẽ
that he madethực hiện of neuronstế bào thần kinh
50
157972
2891
Và đây là kiểu bản vẽ mà ông
diễn tả các nơ-ron thần kinh
02:52
in the 19ththứ centurythế kỷ.
51
160887
1209
vào thế kỷ 19.
02:54
This is from a birdchim brainóc.
52
162120
1884
Đây là ảnh minh hoạ cho não chim.
02:56
And you see this incredibleđáng kinh ngạc varietyđa dạng
of differentkhác nhau sortsloại of cellstế bào,
53
164028
3057
Như bạn thấy, có cực kỳ nhiều loại
tế bào khác nhau,
02:59
even the cellulardi động theorylý thuyết itselfchinh no
was quitekhá newMới at this pointđiểm.
54
167109
3435
mà ngay cả thuyết tế bào cũng
còn khá lạ lẫm với chúng.
03:02
And these structurescấu trúc,
55
170568
1278
Và những cấu trúc này,
03:03
these cellstế bào that have these arborizationsarborizations,
56
171870
2259
những tế bào này có nhiều nhánh,
03:06
these brancheschi nhánh that can go
very, very long distanceskhoảng cách --
57
174153
2608
các nhánh có thể truyền đi rất rất xa
03:08
this was very novelcuốn tiểu thuyết at the time.
58
176785
1616
lúc bấy giờ, điều này nghe thật khó tin.
03:10
They're reminiscentgợi nhớ, of coursekhóa học, of wiresDây điện.
59
178779
2903
Tất nhiên khi đó nhìn chúng như
những sợi dây điện.
03:13
That mightcó thể have been obvioushiển nhiên
to some people in the 19ththứ centurythế kỷ;
60
181706
3457
Những người ở thế kỷ 19
sẽ thấy chúng y như vậy;
03:17
the revolutionscuộc cách mạng of wiringHệ thống dây điện and electricityđiện
were just gettingnhận được underwayđang được tiến hành.
61
185187
4314
cuộc cách mạng về lưới điện và điện
khi ấy đang diễn ra.
03:21
But in manynhiều wayscách,
62
189964
1178
Nhưng bằng nhiều cách,
03:23
these microanatomicalmicroanatomical drawingsbản vẽ
of RamBộ nhớ RAMón y Cajal'sCủa Cajal, like this one,
63
191166
3313
những bản vẽ giải phẫu kích thước µm
của Ramón y Cajal's, như ảnh này,
03:26
they're still in some wayscách unsurpassedvượt trội.
64
194503
2332
vẫn còn vài điểm chưa vượt trội.
03:28
We're still more than a centurythế kỷ latermột lát sau,
65
196859
1854
Hơn một thế kỷ sau, giờ đây chúng ta
03:30
tryingcố gắng to finishhoàn thành the jobviệc làm
that RamBộ nhớ RAMón y CajalCajal startedbắt đầu.
66
198737
2825
vẫn đang nỗ lực hoàn thành điều
mà Ramón y Cajal đã bắt đầu.
03:33
These are rawthô datadữ liệu from our collaboratorscộng tác viên
67
201586
3134
Đây là những dữ liệu thô
từ các cộng tác viên
03:36
at the MaxMax PlanckPlanck InstituteHọc viện
of NeuroscienceKhoa học thần kinh.
68
204744
2881
làm việc tại Viện nghiên cứu
khoa học thần kinh Max Planck.
03:39
And what our collaboratorscộng tác viên have donelàm xong
69
207649
1790
Cộng tác viên của chúng tôi đã vẽ
03:41
is to imagehình ảnh little piecesmiếng of brainóc tissue.
70
209463
5001
từng mẩu nhỏ của mô não.
03:46
The entiretoàn bộ samplemẫu vật here
is about one cubickhối millimetermilimet in sizekích thước,
71
214488
3326
Toàn bộ hình mẫu ở đây có kích thước
thật chỉ 1 mm khối,
03:49
and I'm showinghiển thị you a very,
very smallnhỏ bé piececái of it here.
72
217838
2621
và ở đây, các bạn đang xem
một mẩu rất rất nhỏ của nó.
03:52
That barquán ba on the left is about one micronmicron.
73
220483
2346
Đường kẻ bên trái khoảng
1 micrômét (µm).
03:54
The structurescấu trúc you see are mitochondriaty thể
74
222853
2409
Những cấu trúc bạn đang thấy là ti tể
03:57
that are the sizekích thước of bacteriavi khuẩn.
75
225286
2044
có kích thước cấp độ vi khuẩn.
03:59
And these are consecutiveliên tiếp sliceslát
76
227354
1551
Và đây là những lát cắt liên tiếp
04:00
throughxuyên qua this very, very
tinynhỏ bé blockkhối of tissue.
77
228929
3148
của khối mô vô cùng nhỏ này.
04:04
Just for comparison'ssự so sánh sakelợi ích,
78
232101
2403
Chỉ với mục đích đối chiếu,
04:06
the diameterđường kính of an averageTrung bình cộng strandStrand
of hairtóc is about 100 micronsmicron.
79
234528
3792
thì đường kính trung bình của 1 sợi tóc
khoảng 100 µm.
Do đó, ta đang nhìn thấy một thứ
nhỏ hơn rất rất nhiều
04:10
So we're looking at something
much, much smallernhỏ hơn
80
238344
2274
04:12
than a singleĐộc thân strandStrand of hairtóc.
81
240642
1398
so với một sợi tóc.
04:14
And from these kindscác loại of serialnối tiếp
electronđiện tử microscopykính hiển vi sliceslát,
82
242064
4031
Và từ hàng loạt những lát cắt có
kích thước hiển vi của hạt electron,
04:18
one can startkhởi đầu to make reconstructionstái tạo
in 3D of neuronstế bào thần kinh that look like these.
83
246119
5008
ta có thể tạo ra bản vẽ 3D để
dựng lại cấu trúc nơron như thế này.
04:23
So these are sortsắp xếp of in the sametương tự
stylePhong cách as RamBộ nhớ RAMón y CajalCajal.
84
251151
3157
Vậy nên những bản vẽ này cũng
giống với bản của Ramón y Cajal.
04:26
Only a fewvài neuronstế bào thần kinh litthắp sáng up,
85
254332
1492
Chỉ có vài nơron sáng lên thôi,
04:27
because otherwisenếu không thì we wouldn'tsẽ không
be ablecó thể to see anything here.
86
255848
2781
vì nếu không, chúng ta sẽ không
thấy được gì hết.
04:30
It would be so crowdedĐông người,
87
258653
1312
Quá nhiều nơron chen chúc,
04:31
so fullđầy of structurekết cấu,
88
259989
1330
cấu tạo vô cùng phức tạp,
04:33
of wiringHệ thống dây điện all connectingkết nối
one neuronneuron to anotherkhác.
89
261343
2724
tất cả các sợi nơron đều nối với nhau,
tạo ra mạng lưới chằng chịt.
04:37
So RamBộ nhớ RAMón y CajalCajal was a little bitbit
aheadphía trước of his time,
90
265293
2804
Do đó, Ramón y Cajal có hơi cấp tiến
so với thời của mình,
04:40
and progresstiến độ on understandinghiểu biết the brainóc
91
268121
2555
và những hiểu biết về bộ não
04:42
proceededtiến hành slowlychậm rãi
over the nextkế tiếp fewvài decadesthập kỷ.
92
270700
2271
dần phát triển trong
những thập kỷ tiếp theo.
04:45
But we knewbiết that neuronstế bào thần kinh used electricityđiện,
93
273455
2853
Nhưng chúng ta vốn biết nơron
sử dụng điện để hoạt động,
04:48
and by WorldTrên thế giới WarChiến tranh IIII, our technologyCông nghệ
was advancednâng cao enoughđủ
94
276332
2936
và cho đến Thế chiến II, công nghệ
mới đủ tiên tiến
04:51
to startkhởi đầu doing realthực electricalđiện
experimentsthí nghiệm on livetrực tiếp neuronstế bào thần kinh
95
279292
2806
để tiến hành các thí nghiệm điện
thật sự trên nơron thật
04:54
to better understandhiểu không how they workedđã làm việc.
96
282122
2106
để hiểu rõ hơn cách chúng vận hành.
04:56
This was the very sametương tự time
when computersmáy vi tính were beingđang inventedphát minh,
97
284631
4356
Đây cũng là thời điểm máy vi tính
được phát minh,
05:01
very much baseddựa trên on the ideaý kiến
of modelingmô hình hóa the brainóc --
98
289011
3100
chủ yếu dựa trên ý tưởng
mô phỏng lại bộ não
05:04
of "intelligentthông minh machinerymáy móc,"
as AlanAlan TuringTuring calledgọi là it,
99
292135
3085
nó là một "cái máy thông minh",
như cách mà Alan Turing gọi,
một trong những người tiên phong
cho khoa học máy tính.
05:07
one of the fatherscha of computermáy vi tính sciencekhoa học.
100
295244
1991
05:09
WarrenWarren McCullochMcCulloch and WalterWalter PittsPitts
lookednhìn at RamBộ nhớ RAMón y Cajal'sCủa Cajal drawingvẽ
101
297923
4632
Warren McCulloch và Walter Pitts
quan sát bản vẽ của Ramón y Cajal
05:14
of visualtrực quan cortexvỏ não,
102
302579
1317
mô tả vỏ não thị giác,
05:15
which I'm showinghiển thị here.
103
303920
1562
như bạn đang thấy.
05:17
This is the cortexvỏ não that processesquy trình
imageryhình ảnh that comesđến from the eyemắt.
104
305506
4442
Đây là phần vỏ não phụ trách xử lý
hình ảnh được mắt ghi nhận.
05:22
And for them, this lookednhìn
like a circuitmạch diagrambiểu đồ.
105
310424
3508
Với McCulloch và Pitts, trông nó như
một sơ đồ mạch điện.
05:26
So there are a lot of detailschi tiết
in McCullochMcCulloch and Pitts'sCủa Pitts circuitmạch diagrambiểu đồ
106
314353
3835
Nên có rất nhiều chi tiết trong
bản vẽ của hai người
05:30
that are not quitekhá right.
107
318212
1352
không chính xác cho lắm.
05:31
But this basiccăn bản ideaý kiến
108
319588
1235
Nhưng về ý tưởng cốt lõi
xem vỏ não thị giác như vi mạch điện tử
05:32
that visualtrực quan cortexvỏ não workscông trinh like a seriesloạt
of computationaltính toán elementscác yếu tố
109
320847
3992
05:36
that passvượt qua informationthông tin
one to the nextkế tiếp in a cascadeCascade,
110
324863
2746
truyền thông tin từ mạch này
qua mạch khác theo tầng,
05:39
is essentiallybản chất correctchính xác.
111
327633
1602
lại hoàn toàn chính xác.
05:41
Let's talk for a momentchốc lát
112
329259
2350
Chúng ta hãy bàn một chút
05:43
about what a modelmô hình for processingChế biến
visualtrực quan informationthông tin would need to do.
113
331633
4032
sẽ cần những gì để quá trình
xử lý thông tin hình ảnh diễn ra.
05:48
The basiccăn bản taskbài tập of perceptionnhận thức
114
336228
2741
Bước căn bản chính trong
quá trình tri nhận
05:50
is to take an imagehình ảnh like this one and say,
115
338993
4194
là nhìn vào ảnh, như hình này, và nói:
05:55
"That's a birdchim,"
116
343211
1176
"Đó là một con chim"
05:56
which is a very simpleđơn giản thing
for us to do with our brainsnão.
117
344411
2874
là chuyện vô cùng đơn giản mà não
ta thực hiện.
05:59
But you should all understandhiểu không
that for a computermáy vi tính,
118
347309
3421
Nhưng bạn nên hiểu rằng để
máy tính hiểu được hình ảnh,
06:02
this was prettyđẹp much impossibleKhông thể nào
just a fewvài yearsnăm agotrước.
119
350754
3087
vài năm trước vẫn còn
là chuyện bất khả thi.
06:05
The classicalcổ điển computingtính toán paradigmmô hình
120
353865
1916
Với hệ thống máy tính thế hệ đầu
06:07
is not one in which
this taskbài tập is easydễ dàng to do.
121
355805
2507
thì việc này không dễ thực hiện.
06:11
So what's going on betweengiữa the pixelsđiểm ảnh,
122
359366
2552
Vậy những gì diễn ra giữa
các điểm ảnh,
06:13
betweengiữa the imagehình ảnh of the birdchim
and the wordtừ "birdchim,"
123
361942
4028
giữa hình vẽ một con chim,
và từ "con chim",
06:17
is essentiallybản chất a setbộ of neuronstế bào thần kinh
connectedkết nối to eachmỗi other
124
365994
2814
về bản chất là một tập hợp nơron
với các nơron nối với nhau
06:20
in a neuralthần kinh networkmạng,
125
368832
1155
thành mạng lưới nơron,
06:22
as I'm diagrammingSơ đồ here.
126
370011
1223
như sơ đồ tôi vẽ đây.
Mạng lưới này có thể mang tính
sinh học, nằm trong hai vỏ não thị giác,
06:23
This neuralthần kinh networkmạng could be biologicalsinh học,
insidephía trong our visualtrực quan corticesngữ,
127
371258
3272
hay ngày nay, chúng ta có thể
06:26
or, nowadaysngày nay, we startkhởi đầu
to have the capabilitykhả năng
128
374554
2162
06:28
to modelmô hình suchnhư là neuralthần kinh networksmạng lưới
on the computermáy vi tính.
129
376740
2454
mô phỏng những mạng lưới
như vậy trên máy tính.
06:31
And I'll showchỉ you what
that actuallythực ra looksnhìn like.
130
379834
2353
Và tôi sẽ cho bạn xem
nó trông thế nào.
06:34
So the pixelsđiểm ảnh you can think
about as a first layerlớp of neuronstế bào thần kinh,
131
382211
3416
Bạn có thể xem các điểm ảnh
là lớp nơron thứ nhất,
06:37
and that's, in factthực tế,
how it workscông trinh in the eyemắt --
132
385651
2239
và thật ra, đó là cách mà
mắt hoạt động
06:39
that's the neuronstế bào thần kinh in the retinavõng mạc.
133
387914
1663
đó là các nơron trong võng mạc.
06:41
And those feednuôi forwardphía trước
134
389601
1500
Tiếp theo chúng chạy thẳng ra trước
06:43
into one layerlớp after anotherkhác layerlớp,
after anotherkhác layerlớp of neuronstế bào thần kinh,
135
391125
3403
đi lần lượt vào trong các
lớp nơron sau, từng lớp một,
06:46
all connectedkết nối by synapsessynapse
of differentkhác nhau weightstrọng lượng.
136
394552
3033
tất cả nối lại bằng các sợi xi-náp
có khối lượng khác nhau.
06:49
The behaviorhành vi of this networkmạng
137
397609
1335
Trạng thái của mạng lưới này
06:50
is characterizedđặc trưng by the strengthsthế mạnh
of all of those synapsessynapse.
138
398968
3284
đặc trưng bởi độ bền
của những sợi xi-náp.
06:54
Those characterizeđặc trưng the computationaltính toán
propertiestính chất of this networkmạng.
139
402276
3288
Chúng khắc hoạ đặc tính giống hệ mạch
điện tử của mạng lưới này.
06:57
And at the endkết thúc of the day,
140
405588
1470
Và cuối cùng,
06:59
you have a neuronneuron
or a smallnhỏ bé groupnhóm of neuronstế bào thần kinh
141
407082
2447
bạn có một sợi nơron hay một bó nhỏ
gồm các sợi nơron
07:01
that lightánh sáng up, sayingnói, "birdchim."
142
409553
1647
bật sáng và hô lên "con chim".
07:03
Now I'm going to representđại diện
those threesố ba things --
143
411824
3132
Giờ tôi sẽ biểu diễn ba thành phần:
07:06
the inputđầu vào pixelsđiểm ảnh and the synapsessynapse
in the neuralthần kinh networkmạng,
144
414980
4696
điểm ảnh ở đầu vào, sợi tiếp hợp xi-náp
trong mạng lưới nơron,
07:11
and birdchim, the outputđầu ra --
145
419700
1585
và con chim ở đầu ra
07:13
by threesố ba variablesbiến: x, w and y.
146
421309
3057
là ba biến số: X, W và Y.
07:16
There are maybe a milliontriệu or so x'sx --
147
424853
1811
Biến X có thể có hàng triệu giá trị.
07:18
a milliontriệu pixelsđiểm ảnh in that imagehình ảnh.
148
426688
1953
nghĩa là hàng triệu điểm ảnh trong hình.
07:20
There are billionshàng tỷ or trillionshàng nghìn tỷ of w'sw's,
149
428665
2446
Biến W có hàng tỉ hay cả ngàn tỉ giá trị,
07:23
which representđại diện the weightstrọng lượng of all
these synapsessynapse in the neuralthần kinh networkmạng.
150
431135
3421
tương ứng với khối lượng khác nhau
của toàn bộ xi-náp trong mạng nơron.
07:26
And there's a very smallnhỏ bé numbercon số of y'sabnj,
151
434580
1875
Và với biến Y, chỉ có 4 giá trị,
07:28
of outputskết quả đầu ra that that networkmạng has.
152
436479
1858
là số giá trị mà mạng nơron xuất ra.
07:30
"BirdCon chim" is only fourbốn lettersbức thư, right?
153
438361
1749
"B-i-r-d" có 4 kí tự đúng không?
07:33
So let's pretendgiả vờ that this
is just a simpleđơn giản formulacông thức,
154
441088
3426
Giờ thì hãy giả sử ta có biểu thức
đơn giản này:
07:36
x "x" w = y.
155
444538
2163
X "x" W =Y.
07:38
I'm puttingđặt the timeslần in scaresợ hãi quotestrích dẫn
156
446725
2036
Tôi đặt dấu nhân trong ngoặc kép
07:40
because what's really
going on there, of coursekhóa học,
157
448785
2280
vì đó mới là những gì
đang thực sự diễn ra,
07:43
is a very complicatedphức tạp seriesloạt
of mathematicaltoán học operationshoạt động.
158
451089
3046
tất nhiên rất phức tạp, gồm hàng loạt
các bài toán được giải.
07:47
That's one equationphương trình.
159
455172
1221
Đây là một biểu thức.
07:48
There are threesố ba variablesbiến.
160
456417
1672
Gồm có 3 biến số.
07:50
And we all know
that if you have one equationphương trình,
161
458113
2726
Và ta đều biết nếu như ta
có 1 đẳng thức,
07:52
you can solvegiải quyết one variablebiến
by knowingbiết the other two things.
162
460863
3642
bạn sẽ tìm được 1 biến khi biết
2 biến còn lại.
07:57
So the problemvấn đề of inferencesuy luận,
163
465158
3380
Nên vấn đề mắc phải
08:00
that is, figuringtìm kiếm out
that the picturehình ảnh of a birdchim is a birdchim,
164
468562
2873
để nhận ra đó là hình vẽ một con chim
08:03
is this one:
165
471459
1274
chính là đây:
08:04
it's where y is the unknownkhông rõ
and w and x are knownnổi tiếng.
166
472757
3459
đây là nơi Y là biến chưa biết,
và W, X là 2 biến đã biết.
08:08
You know the neuralthần kinh networkmạng,
you know the pixelsđiểm ảnh.
167
476240
2459
Bạn biết được mạng nơron,
bạn biết số điểm ảnh.
08:10
As you can see, that's actuallythực ra
a relativelytương đối straightforwardđơn giản problemvấn đề.
168
478723
3327
Như bạn thấy, chuyện này
khá dễ giải quyết.
08:14
You multiplynhân two timeslần threesố ba
and you're donelàm xong.
169
482074
2186
Chỉ cần lấy tích của 2 x 3
là xong.
08:16
I'll showchỉ you an artificialnhân tạo neuralthần kinh networkmạng
170
484862
2123
Tôi sẽ cho bạn xem một mạng lưới
neuron nhân tạo
08:19
that we'vechúng tôi đã builtđược xây dựng recentlygần đây,
doing exactlychính xác that.
171
487009
2296
mà nhóm tôi dựng mới đây,
dựng lại hệt như vậy.
08:21
This is runningđang chạy in realthực time
on a mobiledi động phoneđiện thoại,
172
489634
2860
Mạng lưới này đang chạy trên
một chiếc điện thoại di động,
08:24
and that's, of coursekhóa học,
amazingkinh ngạc in its ownsở hữu right,
173
492518
3313
và tất nhiên, khả năng tuyệt vời
vốn có của chiếc điện thoại
08:27
that mobiledi động phonesđiện thoại can do so manynhiều
billionshàng tỷ and trillionshàng nghìn tỷ of operationshoạt động
174
495855
3468
chính là nó có thể thực hiện hàng tỉ,
hàng ngàn tỉ thao tác
08:31
permỗi secondthứ hai.
175
499347
1248
mỗi giây.
08:32
What you're looking at is a phoneđiện thoại
176
500619
1615
Bạn đang nhìn thấy
một chiếc điện thoại
08:34
looking at one after anotherkhác
picturehình ảnh of a birdchim,
177
502258
3547
đang nhìn lần lượt những bức ảnh
có hình chim,
08:37
and actuallythực ra not only sayingnói,
"Yes, it's a birdchim,"
178
505829
2715
và nó không hô lên
"Đúng rồi, đây là chim,"
08:40
but identifyingxác định the speciesloài of birdchim
with a networkmạng of this sortsắp xếp.
179
508568
3411
mà lại xác định mỗi loài chim với một
mạng lưới tương tự như bộ não.
08:44
So in that picturehình ảnh,
180
512890
1826
Nên trong bức tranh đó,
08:46
the x and the w are knownnổi tiếng,
and the y is the unknownkhông rõ.
181
514740
3802
X và W là hai đại lượng đã có,
và Y là ẩn.
08:50
I'm glossingglossing over the very
difficultkhó khăn partphần, of coursekhóa học,
182
518566
2508
Tôi đang chú thích cho một phần
rất hóc búa, dĩ nhiên rồi,
08:53
which is how on earthtrái đất
do we figurenhân vật out the w,
183
521098
3861
để hiểu làm cách nào
mà ta tìm được biến W.
não chúng ta thật sự
làm được chuyện này sao?
08:56
the brainóc that can do suchnhư là a thing?
184
524983
2187
Nhưng chúng ta chưa học về
những mô hình thế này bao giờ mà?
08:59
How would we ever learnhọc hỏi suchnhư là a modelmô hình?
185
527194
1834
09:01
So this processquá trình of learninghọc tập,
of solvinggiải quyết for w,
186
529418
3233
Nên bước này chúng ta học
cách giải ra W,
09:04
if we were doing this
with the simpleđơn giản equationphương trình
187
532675
2647
nếu ta làm giả bài này
với cách giải của đơn thức
09:07
in which we think about these as numberssố,
188
535346
2000
bằng cách xem chúng là các con số,
09:09
we know exactlychính xác how to do that: 6 = 2 x w,
189
537370
2687
chúng ta biết cách giải đúng: 6 = 2 x W,
thì lấy 6 chia 2 là tiêu đời.
09:12
well, we dividechia by two and we're donelàm xong.
190
540081
3312
09:16
The problemvấn đề is with this operatornhà điều hành.
191
544001
2220
Vấn đề chính là phép chia này đây.
09:18
So, divisionphân chia --
192
546823
1151
Vậy, phép chia này...
09:19
we'vechúng tôi đã used divisionphân chia because
it's the inversengược lại to multiplicationphép nhân,
193
547998
3121
Chúng ta sử dụng phép chia vì nó
nó nghịch đảo với phép nhân,
09:23
but as I've just said,
194
551143
1440
nhưng tôi đã nói vừa nãy,
09:24
the multiplicationphép nhân is a bitbit of a lienói dối here.
195
552607
2449
Phép nhân này thật ra không chỉ
là một phép nhân.
09:27
This is a very, very complicatedphức tạp,
very non-linearphi tuyến tính operationhoạt động;
196
555080
3326
Đây là một phép tính cực kỳ phức tạp,
vô cùng lắt léo;
09:30
it has no inversengược lại.
197
558430
1704
và không có phép tính nghịch đảo.
09:32
So we have to figurenhân vật out a way
to solvegiải quyết the equationphương trình
198
560158
3150
Nên chúng ta phải tìm cách khác
để giải biểu thức này
09:35
withoutkhông có a divisionphân chia operatornhà điều hành.
199
563332
2024
mà không được dùng phép chia.
09:37
And the way to do that
is fairlycông bằng straightforwardđơn giản.
200
565380
2343
Trong khi cách giải lại không rối rắm.
09:39
You just say, let's playchơi
a little algebrađại số học tricklừa,
201
567747
2671
Đừng sợ, hãy dùng một mẹo nhỏ trong
môn đại số,
09:42
and movedi chuyển the sixsáu over
to the right-handtay phải sidebên of the equationphương trình.
202
570442
2906
hãy chuyển 6 qua vế bên phải.
09:45
Now, we're still usingsử dụng multiplicationphép nhân.
203
573372
1826
Giờ thì chúng ta vẫn
đang dùng phép nhân.
09:47
And that zerokhông -- let's think
about it as an errorlỗi.
204
575675
3580
Và số 0 đó, hãy coi nó là lỗi đi.
09:51
In other wordstừ ngữ, if we'vechúng tôi đã solvedđã được giải quyết
for w the right way,
205
579279
2515
Có nghĩa là, nếu ta giải đúng được W,
09:53
then the errorlỗi will be zerokhông.
206
581818
1656
thì lỗi sẽ bằng 0.
09:55
And if we haven'tđã không gottennhận it quitekhá right,
207
583498
1938
Và nếu ta chưa giải đúng được,
09:57
the errorlỗi will be greaterlớn hơn than zerokhông.
208
585460
1749
thì lỗi đó sẽ lớn hơn 0 nhiều.
09:59
So now we can just take guessesdự đoán
to minimizegiảm thiểu the errorlỗi,
209
587233
3366
Nên giờ ta chỉ có thể đoán sao để
lỗi có giá trị nhỏ nhất,
10:02
and that's the sortsắp xếp of thing
computersmáy vi tính are very good at.
210
590623
2687
và đó là chuyện mà máy vi tính
rất thành thạo.
10:05
So you've takenLấy an initialban đầu guessphỏng đoán:
211
593334
1593
Vậy bạn vừa mới đoán:
10:06
what if w = 0?
212
594951
1156
giả sử W = 0 ?
10:08
Well, then the errorlỗi is 6.
213
596131
1240
Vậy thì số lỗi = 6.
10:09
What if w = 1? The errorlỗi is 4.
214
597395
1446
W = 4 thì sao? Vậy lỗi = 4.
Rồi sau đó máy tính sẽ như
chơi trò bịt mắt bắt dê,
10:10
And then the computermáy vi tính can
sortsắp xếp of playchơi MarcoMarco PoloPolo,
215
598865
2367
10:13
and drivelái xe down the errorlỗi closegần to zerokhông.
216
601256
2367
và đuổi theo lỗi cho đến khi nó
gần chạm tới 0.
10:15
As it does that, it's gettingnhận được
successivekế tiếp approximationsxấp xỉ to w.
217
603647
3374
Nó sẽ tiến dần về giá trị đúng của W.
Thật ra sẽ không có giá trị hoàn toàn
chính xác, nhưng sau mười mấy lần,
10:19
TypicallyThông thường, it never quitekhá getsđược there,
but after about a dozen stepscác bước,
218
607045
3656
10:22
we're up to w = 2.999,
which is closegần enoughđủ.
219
610725
4624
chúng ta có được W = 2.999,
là giá trị gần đúng nhất.
10:28
And this is the learninghọc tập processquá trình.
220
616302
1814
Và đây chính là quá trình học tập.
10:30
So remembernhớ lại that what's been going on here
221
618140
2730
Hãy nhớ điều đang diễn ra
từ nãy đến giờ
10:32
is that we'vechúng tôi đã been takinglấy
a lot of knownnổi tiếng x'sx and knownnổi tiếng y'sabnj
222
620894
4378
là cách thức chúng ta sử dụng rất nhiều
giá trị đã biết của X và Y
10:37
and solvinggiải quyết for the w in the middleở giữa
throughxuyên qua an iterativelặp đi lặp lại processquá trình.
223
625296
3454
để tìm ra mối quan tâm của ta là W,
thông qua quá trình lặp đi lặp lại.
10:40
It's exactlychính xác the sametương tự way
that we do our ownsở hữu learninghọc tập.
224
628774
3556
Đó cũng chính là phương pháp
học tập của chúng ta.
10:44
We have manynhiều, manynhiều imageshình ảnh as babiesđứa trẻ
225
632354
2230
Khi còn nhỏ người lớn cho ta
xem rất nhiều hình ảnh và nói
10:46
and we get told, "This is a birdchim;
this is not a birdchim."
226
634608
2633
"đây là con chim", "còn đây không phải".
10:49
And over time, throughxuyên qua iterationlặp đi lặp lại,
227
637714
2098
Qua thời gian, và qua việc học đi học lại,
10:51
we solvegiải quyết for w, we solvegiải quyết
for those neuralthần kinh connectionskết nối.
228
639836
2928
chúng ta giải được W, là
giải được các kết nối nơron.
10:55
So now, we'vechúng tôi đã heldđược tổ chức
x and w fixedđã sửa to solvegiải quyết for y;
229
643460
4086
Nên giờ đây chúng ta đem X và W đã
cố định để tìm Y;
10:59
that's everydaymỗi ngày, fastNhanh perceptionnhận thức.
230
647570
1847
đó là sự tri nhận nhanh hằng ngày.
11:01
We figurenhân vật out how we can solvegiải quyết for w,
231
649441
1763
Chúng ta hiểu rằng mình có thể giải W,
11:03
that's learninghọc tập, which is a lot harderkhó hơn,
232
651228
1903
đó là học tập, khó hơn nhiều,
11:05
because we need to do errorlỗi minimizationgiảm thiểu,
233
653155
1985
vì chúng ta phải giảm thiểu lỗi sai,
11:07
usingsử dụng a lot of trainingđào tạo examplesví dụ.
234
655164
1687
bằng cách sử dụng
phương pháp luyện tập.
11:08
And about a yearnăm agotrước,
AlexAlex MordvintsevMordvintsev, on our teamđội,
235
656875
3187
Khoảng 1 năm trước,thành viên
Alex Mordvinstev của nhóm tôi,
11:12
decidedquyết định to experimentthí nghiệm
with what happensxảy ra if we try solvinggiải quyết for x,
236
660086
3550
quyết định làm thí nghiệm xem
chuyện gì xảy ra nếu ta cố tìm X,
11:15
givenđược a knownnổi tiếng w and a knownnổi tiếng y.
237
663660
2037
khi đã biết 1 giá trị W và 1 giá trị Y.
11:18
In other wordstừ ngữ,
238
666124
1151
Nói cách khác,
11:19
you know that it's a birdchim,
239
667299
1352
bạn biết đó là con chim,
11:20
and you alreadyđã have your neuralthần kinh networkmạng
that you've trainedđào tạo on birdschim,
240
668675
3303
và bạn cũng biết là hệ thần kinh
của mình được dạy, đó là chim
11:24
but what is the picturehình ảnh of a birdchim?
241
672002
2344
vậy thì bức hình một con chim là gì?
11:27
It turnslượt out that by usingsử dụng exactlychính xác
the sametương tự error-minimizationgiảm thiểu lỗi procedurethủ tục,
242
675034
5024
Hoá ra khi sử dụng 1 quá trình giống
như quá trình giảm thiểu lỗi,
11:32
one can do that with the networkmạng
trainedđào tạo to recognizenhìn nhận birdschim,
243
680082
3430
có thể giảm thiểu sai sót của mạng lưới
được dạy để nhận ra chim, và kết quả...
11:35
and the resultkết quả turnslượt out to be ...
244
683536
3388
11:42
a picturehình ảnh of birdschim.
245
690400
1305
là một bức hình gồm nhiều loài chim.
11:44
So this is a picturehình ảnh of birdschim
generatedtạo ra entirelyhoàn toàn by a neuralthần kinh networkmạng
246
692814
3737
Đây là bức hình có nhiều loài chim
được tạo ra hoàn toàn từ 1 hệ thần kinh
11:48
that was trainedđào tạo to recognizenhìn nhận birdschim,
247
696575
1826
đã được dạy để nhận ra các loài chim,
11:50
just by solvinggiải quyết for x
ratherhơn than solvinggiải quyết for y,
248
698425
3538
chỉ bằng việc tìm X thay vì tìm Y,
11:53
and doing that iterativelylặp đi lặp lại.
249
701987
1288
và làm đi làm lại quá trình đó.
11:55
Here'sĐây là anotherkhác funvui vẻ examplethí dụ.
250
703732
1847
Đây là một ví dụ khác.
11:57
This was a work madethực hiện
by MikeMike TykaTyka in our groupnhóm,
251
705603
3437
Đây là tác phẩm của thành viên
Mike Tyka của nhóm tôi,
12:01
which he callscuộc gọi "AnimalĐộng vật ParadeCuộc diễu hành."
252
709064
2308
cậu ấy gọi nó là "Đoàn thú tuần hành".
12:03
It remindsnhắc nhở me a little bitbit
of WilliamWilliam Kentridge'sCủa Kentridge artworkstác phẩm nghệ thuật,
253
711396
2876
Nó làm tôi nhớ tới các tác phẩm
của William Kentridge,
12:06
in which he makeslàm cho sketchesphác thảo, rubschà tay trên ngọn them out,
254
714296
2489
khi ông cứ phác ra các hình vẽ, rồi bôi,
12:08
makeslàm cho sketchesphác thảo, rubschà tay trên ngọn them out,
255
716809
1460
rồi vẽ phác lại, rồi lại bôi,
12:10
and createstạo ra a moviebộ phim this way.
256
718293
1398
và tạo ra một kiểu phim theo cách này.
12:11
In this casetrường hợp,
257
719715
1151
Trong tranh này,
12:12
what MikeMike is doing is varyingkhác nhau y
over the spacekhông gian of differentkhác nhau animalsđộng vật,
258
720890
3277
Mike đã đa dạng hoá biến Y
thành nhiều loài thú khác nhau,
trong một mạng lưới được thiết kế
để nhận biết và phân biệt
12:16
in a networkmạng designedthiết kế
to recognizenhìn nhận and distinguishphân biệt
259
724191
2382
12:18
differentkhác nhau animalsđộng vật from eachmỗi other.
260
726597
1810
mỗi loài có nhiều loài khác nữa.
12:20
And you get this strangekỳ lạ, Escher-likeEscher giống như
morphMorph from one animalthú vật to anotherkhác.
261
728431
3751
Và giờ bạn có được một bức như tranh
biến hình động vật của hoạ sĩ Escher.
12:26
Here he and AlexAlex togethercùng với nhau
have triedđã thử reducinggiảm
262
734221
4614
Ở đây cậu ấy và Alex cùng thử
12:30
the y'sabnj to a spacekhông gian of only two dimensionskích thước,
263
738859
2759
giảm không gian của biến Y còn 2 chiều,
12:33
therebybằng cách ấy makingchế tạo a mapbản đồ
out of the spacekhông gian of all things
264
741642
3438
để tạo ra một bản đồ có mặt
mọi thứ khác nhau
12:37
recognizedđược công nhận by this networkmạng.
265
745104
1719
mà mạng lưới này nhận ra.
12:38
Doing this kindloại of synthesistổng hợp
266
746847
2023
Khi thực hiện tổng hợp như vậy
12:40
or generationthế hệ of imageryhình ảnh
over that entiretoàn bộ surfacebề mặt,
267
748894
2382
hay tạo ra hình ảnh trên toàn bộ bề mặt,
12:43
varyingkhác nhau y over the surfacebề mặt,
you make a kindloại of mapbản đồ --
268
751300
2846
đa dạng giá trị Y trên mặt phẳng,
bạn có thể tạo ra
12:46
a visualtrực quan mapbản đồ of all the things
the networkmạng knowsbiết how to recognizenhìn nhận.
269
754170
3141
một loại bản đồ có tất cả những thứ
mà mạng lưới nhận biết được.
12:49
The animalsđộng vật are all here;
"armadilloCingulata" is right in that spotnơi.
270
757335
2865
Tất cả các loài thú đều ở ngay đây;
"armadillo" ngay vị trí trung tâm.
12:52
You can do this with other kindscác loại
of networksmạng lưới as well.
271
760919
2479
Bạn có thể tạo bản đồ cho những mạng
lưới khác nữa.
12:55
This is a networkmạng designedthiết kế
to recognizenhìn nhận faceskhuôn mặt,
272
763422
2874
Đây là mạng lưới được thiết kế
để nhận diện các khuôn mặt,
12:58
to distinguishphân biệt one faceđối mặt from anotherkhác.
273
766320
2000
để phân biệt mặt người này, người kia.
13:00
And here, we're puttingđặt
in a y that saysnói, "me,"
274
768344
3249
Còn đây, chúng ta đang chọn Y
có giá trị là "tôi",
13:03
my ownsở hữu faceđối mặt parametersthông số.
275
771617
1575
là thông số giúp nhận ra gương mặt tôi.
13:05
And when this thing solvesgiải quyết for x,
276
773216
1706
Và khi dùng Y để tìm X,
13:06
it generatestạo ra this ratherhơn crazykhùng,
277
774946
2618
nó cho ra một thứ rất điên,
13:09
kindloại of cubistcubist, surrealsiêu thực,
psychedelicảo giác picturehình ảnh of me
278
777588
4428
đại loại như tranh lập thể, siêu thực
vẽ tôi đang phê thuốc
13:14
from multiplenhiều pointsđiểm of viewlượt xem at onceMột lần.
279
782040
1806
từ nhiều góc nhìn khác nhau cùng lúc.
13:15
The reasonlý do it looksnhìn like
multiplenhiều pointsđiểm of viewlượt xem at onceMột lần
280
783870
2734
Sở dĩ nó như nhiều góc nhìn khác nhau
cùng một lúc là vì
13:18
is because that networkmạng is designedthiết kế
to get ridthoát khỏi of the ambiguitysự mơ hồ
281
786628
3687
mạng lưới được thiết kế
để tránh sự mơ hồ khi nhận diện
một gương mặt khi nhìn ở góc này
so với khi nhìn ở góc khác,
13:22
of a faceđối mặt beingđang in one poseđặt ra
or anotherkhác poseđặt ra,
282
790339
2476
13:24
beingđang lookednhìn at with one kindloại of lightingthắp sáng,
anotherkhác kindloại of lightingthắp sáng.
283
792839
3376
hay trong điều kiện chiếu sáng
khác nhau.
13:28
So when you do
this sortsắp xếp of reconstructionxây dựng lại,
284
796239
2085
Nên khi bạn thực hiện việc tái cấu tạo,
13:30
if you don't use some sortsắp xếp of guidehướng dẫn imagehình ảnh
285
798348
2304
nếu không sử dụng kiểu hình ảnh hướng dẫn
13:32
or guidehướng dẫn statisticssố liệu thống kê,
286
800676
1211
hay thông số hướng dẫn để làm mẫu,
13:33
then you'llbạn sẽ get a sortsắp xếp of confusionsự nhầm lẫn
of differentkhác nhau pointsđiểm of viewlượt xem,
287
801911
3765
thì bạn sản phẩm nhận được
là một bức hình rối mắt ở mọi góc nhìn,
13:37
because it's ambiguousmơ hồ.
288
805700
1368
vì mọi thứ trông rất mờ ảo.
13:39
This is what happensxảy ra if AlexAlex usessử dụng
his ownsở hữu faceđối mặt as a guidehướng dẫn imagehình ảnh
289
807786
4223
Đây là kết quả khi Ales sử dụng
mặt mình làm hình ảnh mẫu
13:44
duringsuốt trong that optimizationtối ưu hóa processquá trình
to reconstructtái tạo lại my ownsở hữu faceđối mặt.
290
812033
3321
trong quá trình tối ưu hoá mạng lưới
để tái hiện gương mặt tôi.
13:48
So you can see it's not perfecthoàn hảo.
291
816284
2328
Nên có thể bạn thấy nó không hoàn hảo.
13:50
There's still quitekhá a lot of work to do
292
818636
1874
Vẫn còn khá nhiều chuyện để làm
13:52
on how we optimizetối ưu hóa
that optimizationtối ưu hóa processquá trình.
293
820534
2453
để cải thiện tối đa
quá trình tái cấu trúc.
Nhưng giờ thì có được
bức tranh một gương mặt liền mạch
13:55
But you startkhởi đầu to get something
more like a coherentmạch lạc faceđối mặt,
294
823011
2827
13:57
renderedkết xuất usingsử dụng my ownsở hữu faceđối mặt as a guidehướng dẫn.
295
825862
2014
sử dụng mặt tôi làm hình hướng dẫn.
14:00
You don't have to startkhởi đầu
with a blankchỗ trống canvasTranh sơn dầu
296
828892
2501
Bạn không cần phải bắt đầu
vẽ với tờ giấy trắng
14:03
or with whitetrắng noisetiếng ồn.
297
831417
1156
hay tiếng ồn trắng.
14:04
When you're solvinggiải quyết for x,
298
832597
1304
Khi tìm X,
14:05
you can beginbắt đầu with an x,
that is itselfchinh no alreadyđã some other imagehình ảnh.
299
833925
3889
bạn có thể bắt đầu với X,
bản thân nó đã là một hình.
14:09
That's what this little demonstrationtrình diễn is.
300
837838
2556
Đó là điều mà tôi minh hoạ hôm nay.
14:12
This is a networkmạng
that is designedthiết kế to categorizephân loại
301
840418
4122
Hệ thần kinh nhân tạo này được
thiết kế để phân loại
14:16
all sortsloại of differentkhác nhau objectscác đối tượng --
man-madenhân tạo structurescấu trúc, animalsđộng vật ...
302
844564
3119
tất cả vật thể khác nhau,
như công trình nhân tạo, động vật...
14:19
Here we're startingbắt đầu
with just a picturehình ảnh of cloudsđám mây,
303
847707
2593
Ở đây, đầu tiên ta có bức tranh với
những đám mây,
14:22
and as we optimizetối ưu hóa,
304
850324
1671
và khi ta tối ưu hoá hình này,
14:24
basicallyvề cơ bản, this networkmạng is figuringtìm kiếm out
what it seesnhìn in the cloudsđám mây.
305
852019
4486
về căn bản, hệ thần kinh nhân tạo
đang xác định mấy đám mây có hình gì.
14:28
And the more time
you spendtiêu looking at this,
306
856931
2320
Và khi nhìn bức hình này càng lâu,
14:31
the more things you alsocũng thế
will see in the cloudsđám mây.
307
859275
2753
bạn càng thấy được nhiều thứ
tạo ra từ những đám mây đó.
14:35
You could alsocũng thế use the faceđối mặt networkmạng
to hallucinatehallucinate into this,
308
863004
3375
Bạn cũng có thể dùng hệ nhận diện
khuôn mặt để tạo ảo giác cho nền này,
14:38
and you get some prettyđẹp crazykhùng stuffđồ đạc.
309
866403
1812
và sẽ có được một sản phẩm điên khùng.
14:40
(LaughterTiếng cười)
310
868239
1150
(Cười)
14:42
Or, MikeMike has donelàm xong some other experimentsthí nghiệm
311
870401
2744
Hay như vầy, Mike
có vài thí nghiệm nữa
14:45
in which he takes that cloudđám mây imagehình ảnh,
312
873169
3905
cậu ấy lấy hình đám mây,
14:49
hallucinateshallucinates, zoomsphóng to, hallucinateshallucinates,
zoomsphóng to hallucinateshallucinates, zoomsphóng to.
313
877098
3507
tạo hiệu ứng ảo, phóng đại, rồi chỉnh ảo,
phóng, rồi chỉnh, rồi lại phóng.
14:52
And in this way,
314
880629
1151
Và bằng cách này,
14:53
you can get a sortsắp xếp of fugueFuga statetiểu bang
of the networkmạng, I supposegiả sử,
315
881804
3675
tôi nghĩ bạn sẽ nhận được một
hệ thần kinh đang thấy lâng lâng,
14:57
or a sortsắp xếp of freemiễn phí associationhiệp hội,
316
885503
3680
hay là sự kết hợp tự do,
15:01
in which the networkmạng
is eatingĂn its ownsở hữu tailđuôi.
317
889207
2227
trong đó bạn sẽ thấy mạng lưới ấy
đang ăn cái đuôi của mình.
15:03
So everymỗi imagehình ảnh is now the basisnền tảng for,
318
891458
3421
Nên mỗi hình đều là ảnh nền cho
15:06
"What do I think I see nextkế tiếp?
319
894903
1421
hình "tôi sẽ thấy gì kế tiếp?
15:08
What do I think I see nextkế tiếp?
What do I think I see nextkế tiếp?"
320
896348
2803
tôi sẽ nhìn thấy gì kế tiếp?
tôi sẽ nhìn thấy gì kế tiếp?"
15:11
I showedcho thấy this for the first time in publiccông cộng
321
899487
2936
Tôi đã đem trưng bày bức tranh
15:14
to a groupnhóm at a lecturebài học in SeattleSeattle
calledgọi là "HigherCao hơn EducationGiáo dục" --
322
902447
5437
cho nhóm dự thính bài giảng
"Giáo dục Cấp cao" ở Seattle xem
15:19
this was right after
marijuanamarijuana was legalizedhợp pháp hoá.
323
907908
2437
ngay sau khi ma tuý
được hợp thức hoá.
15:22
(LaughterTiếng cười)
324
910369
2415
(Cười)
15:26
So I'd like to finishhoàn thành up quicklyMau
325
914627
2104
Tôi sẽ kết thúc nhanh thôi
15:28
by just notinglưu ý that this technologyCông nghệ
is not constrainedbị hạn chế.
326
916755
4255
bằng việc nhấn mạnh rằng công nghệ
không có giới hạn.
15:33
I've shownđược hiển thị you purelyhoàn toàn visualtrực quan examplesví dụ
because they're really funvui vẻ to look at.
327
921034
3665
Tôi chỉ mới cho bạn xem những ví dụ
thị giác vì chúng nhìn vui mắt.
15:36
It's not a purelyhoàn toàn visualtrực quan technologyCông nghệ.
328
924723
2451
Chứ công nghệ
không chỉ thuần về thị giác.
Cộng tác viên của chúng tôi, hoạ sĩ
Ross Goodwin,
15:39
Our artisthọa sĩ collaboratorcộng tác viên, RossRoss GoodwinGoodwin,
329
927198
1993
15:41
has donelàm xong experimentsthí nghiệm involvingliên quan
a cameraMáy ảnh that takes a picturehình ảnh,
330
929215
3671
đã có nhiều thí nghiệm có cả
một camera chụp hình,
15:44
and then a computermáy vi tính in his backpackba lô
writesviết a poembài thơ usingsử dụng neuralthần kinh networksmạng lưới,
331
932910
4234
và sau đó 1 cái máy tính trong balô của
cậu ấy viết 1 bài thơ bằng mạng nơron,
15:49
baseddựa trên on the contentsnội dung of the imagehình ảnh.
332
937168
1944
dựa vào nội dung của
hình ảnh ghi nhận.
15:51
And that poetrythơ phú neuralthần kinh networkmạng
has been trainedđào tạo
333
939136
2947
Hệ thần kinh nhân tạo viết ra bài thơ đó
đã được học
một kho ngữ liệu lớn
về thơ ca thế kỷ 20.
15:54
on a largelớn corpuscorpus of 20th-centuryth thế kỷ poetrythơ phú.
334
942107
2234
15:56
And the poetrythơ phú is, you know,
335
944365
1499
Và bài thơ đó, bạn biết không,
15:57
I think, kindloại of not badxấu, actuallythực ra.
336
945888
1914
thật ra cũng không dở lắm đâu.
15:59
(LaughterTiếng cười)
337
947826
1384
(Cười)
16:01
In closingđóng cửa,
338
949234
1159
Tóm lại,
16:02
I think that permỗi MichelangeloMichelangelo,
339
950417
2132
Tôi nghĩ người tên Michelangelo đó,
16:04
I think he was right;
340
952573
1234
Ông ấy đã đúng;
16:05
perceptionnhận thức and creativitysáng tạo
are very intimatelymật thiết connectedkết nối.
341
953831
3436
Sự tri nhận và sáng tạo
có liên quan mật thiết với nhau.
16:09
What we'vechúng tôi đã just seenđã xem are neuralthần kinh networksmạng lưới
342
957611
2634
Những hệ thần kinh nhân tạo
mà ta vừa thấy
16:12
that are entirelyhoàn toàn trainedđào tạo to discriminatephân biệt đối xử,
343
960269
2303
vốn chỉ được thiết kế
để tiếp nhận, phân biệt,
để nhận biết những sự vật
khác nhau của thế giới,
16:14
or to recognizenhìn nhận differentkhác nhau
things in the worldthế giới,
344
962596
2242
16:16
ablecó thể to be runchạy in reverseđảo ngược, to generatetạo ra.
345
964862
3161
giờ có thể làm ngược lại, tạo ra cái mới.
16:20
One of the things that suggestsgợi ý to me
346
968047
1783
Một trong những điều tôi cảm giác được
16:21
is not only that
MichelangeloMichelangelo really did see
347
969854
2398
không chỉ là Michelangelo
thật sự nhìn ra
16:24
the sculptuređiêu khắc in the blockskhối of stoneCục đá,
348
972276
2452
bức điêu khắc bên trong tảng đá,
16:26
but that any creaturesinh vật,
any beingđang, any alienngười ngoài hành tinh
349
974752
3638
mà ông thấy bất kì sinh vật nào,
thực thể nào, trong hay ngoài hành tinh
16:30
that is ablecó thể to do
perceptualnhận thức actshành vi of that sortsắp xếp
350
978414
3657
chỉ cần biết tri nhận,
16:34
is alsocũng thế ablecó thể to createtạo nên
351
982095
1375
sẽ có thể sáng tạo
16:35
because it's exactlychính xác the sametương tự
machinerymáy móc that's used in bothcả hai casescác trường hợp.
352
983494
3224
vì có cơ chế chung dùng cho cả
hai quá trình ấy.
16:38
AlsoCũng, I think that perceptionnhận thức
and creativitysáng tạo are by no meanscó nghĩa
353
986742
4532
Tôi cũng nghĩ rằng sự tri nhận
và sáng tạo không thể nào
16:43
uniquelyđộc nhất humanNhân loại.
354
991298
1210
chỉ con người mới có.
16:44
We startkhởi đầu to have computermáy vi tính modelsmô hình
that can do exactlychính xác these sortsloại of things.
355
992532
3708
Chúng ta bắt đầu có những
mẫu máy tính làm được những thứ này.
16:48
And that oughtnên to be unsurprisingunsurprising;
the brainóc is computationaltính toán.
356
996264
3328
Và điều đó không có gì lạ;
bộ não chính là bộ máy.
16:51
And finallycuối cùng,
357
999616
1657
Và sau cùng,
16:53
computingtính toán beganbắt đầu as an exercisetập thể dục
in designingthiết kế intelligentthông minh machinerymáy móc.
358
1001297
4668
máy tính bắt đầu trở thành công cụ
thiết kế trí tuệ nhân tạo.
16:57
It was very much modeledcó mô hình hóa after the ideaý kiến
359
1005989
2462
Điện tử đã trở thành bằng chứng
17:00
of how could we make machinesmáy móc intelligentthông minh.
360
1008475
3013
chứng minh rằng ta
có thể làm ra trì tuệ nhân tạo.
17:03
And we finallycuối cùng are startingbắt đầu to fulfillhoàn thành now
361
1011512
2162
Và cuối cùng chúng ta
đã có thể hoàn thành
17:05
some of the promiseslời hứa
of those earlysớm pioneersnhững người tiên phong,
362
1013698
2406
những hoài bão mà các tiền nhân để lại,
17:08
of TuringTuring and vonvon NeumannNeumann
363
1016128
1713
chính là Turing, Von Neumann
17:09
and McCullochMcCulloch and PittsPitts.
364
1017865
2265
McCulloch và Pitts.
17:12
And I think that computingtính toán
is not just about accountingkế toán
365
1020154
4098
Và tôi nghĩ điện toán không chỉ
tập trung cho việc tính toán,
17:16
or playingđang chơi CandyBánh kẹo CrushĐè bẹp or something.
366
1024276
2147
để chơi Candy Crush
hoặc những trò khác.
17:18
From the beginningbắt đầu,
we modeledcó mô hình hóa them after our mindstâm trí.
367
1026447
2578
Từ đầu, máy tính được tạo ra
theo hình mẫu là não người.
17:21
And they give us bothcả hai the abilitycó khả năng
to understandhiểu không our ownsở hữu mindstâm trí better
368
1029049
3269
Và nhờ máy tính, chúng ta hiểu
về bộ não mình rõ hơn
17:24
and to extendmở rộng them.
369
1032342
1529
để có thể cải tiến chúng.
17:26
Thank you very much.
370
1034627
1167
Cám ơn rất nhiều.
17:27
(ApplauseVỗ tay)
371
1035818
5939
(Vỗ tay)
Translated by Sharon Nguyen
Reviewed by Ybabykcul Nguyễn

▲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