WEBVTT

00:00:03.476 --> 00:00:05.182
Ich möchte Ihnen etwas zeigen.

NOTE Paragraph

00:00:05.964 --> 00:00:09.585
(Video) Mädchen: Okay. Das ist
eine Katze, die auf einem Bett sitzt.

00:00:10.205 --> 00:00:12.568
Der Junge streichelt den Elefanten.

00:00:14.220 --> 00:00:17.319
Das sind Menschen,
die ein Flugzeug besteigen.

00:00:18.285 --> 00:00:20.021
Das ist ein großes Flugzeug.

NOTE Paragraph

00:00:21.173 --> 00:00:23.551
Fei-Fei Li: Das ist ein dreijähiges Kind,

00:00:23.551 --> 00:00:26.795
das beschreibt, was es
auf einigen Fotos sieht.

00:00:27.307 --> 00:00:30.585
Sie muss wahrscheinlich
noch viel über diese Welt lernen,

00:00:30.585 --> 00:00:34.743
aber sie ist bereits Expertin hinsichtlich
einer sehr wichtigen Aufgabe:

00:00:34.953 --> 00:00:37.799
Sie versteht, was sie sieht.

00:00:38.029 --> 00:00:42.455
Unsere Gesellschaft ist technologisch
fortgeschrittener als je zuvor.

00:00:42.455 --> 00:00:46.773
Wir schicken Menschen zum Mond,
stellen Telefone her, die mit uns reden

00:00:46.773 --> 00:00:51.030
oder stellen Radiosender auf unseren
individuellen Musikgeschmack ein.

00:00:51.030 --> 00:00:55.085
Dennoch haben selbst unsere
fortschrittlichsten Maschinen und Computer

00:00:55.085 --> 00:00:57.988
immer noch Probleme mit dieser Aufgabe.

00:00:57.988 --> 00:01:01.447
Ich werde Ihnen heute
von den Fortschritten erzählen,

00:01:01.447 --> 00:01:05.494
die wir in unserem Forschungsgebiet
der Computer Vision gemacht haben,

00:01:05.494 --> 00:01:09.795
einer der bahnbrechendsten und vielleicht
revolutionärsten Technologien

00:01:09.795 --> 00:01:12.861
in der Informatik.

NOTE Paragraph

00:01:12.861 --> 00:01:17.412
Wir haben Autos entwickelt,
die eigenständig fahren können,

00:01:17.412 --> 00:01:21.265
aber ohne intelligentes Sehvermögen
können sie nicht unterscheiden,

00:01:21.265 --> 00:01:25.373
ob auf der Straße eine zerknitterte
Papiertüte liegt, die man überfahren kann,

00:01:25.373 --> 00:01:28.575
oder ein Stein von gleicher Größe,
dem man ausgeweichen muss.

00:01:29.285 --> 00:01:32.735
Wir haben sagenhaft
hochauflösende Kameras entwickelt,

00:01:32.805 --> 00:01:35.940
aber wir können Blinde nicht
wieder sehen lassen.

00:01:36.420 --> 00:01:39.575
Drohnen können über riesige
Distanzen fliegen,

00:01:39.575 --> 00:01:42.302
besitzen aber nicht
die nötige Sichttechnologie,

00:01:42.302 --> 00:01:45.320
um die Veränderungen
der Regenwälder nachzuverfolgen.

00:01:45.320 --> 00:01:48.270
Überwachungskameras sind überall,

00:01:48.270 --> 00:01:53.337
aber warnen uns nicht,
wenn ein Kind im Schwimmbad ertrinkt.

00:01:54.167 --> 00:01:59.762
Bilder und Videos werden immer mehr
zu einem festen Bestandteil des Lebens.

00:01:59.762 --> 00:02:03.849
Sie werden in einer Geschwindigkeit
erzeugt, die weit jenseits dessen liegt,

00:02:03.849 --> 00:02:06.632
was Menschen sich auch nur
erhoffen könnten zu sichten.

00:02:06.632 --> 00:02:10.553
Sie und ich tragen mit diesem
TED Talk gerade dazu bei.

00:02:10.553 --> 00:02:15.785
Unsere fortschrittlichste Software
hat noch immer Probleme

00:02:15.785 --> 00:02:19.661
beim Verstehen und Verwalten
dieser enormen Masse an Inhalten.

00:02:19.661 --> 00:02:24.008
Man kann soweit gehen und sagen,
dass wir als Gesellschaft

00:02:24.008 --> 00:02:26.298
nahezu blind sind,

00:02:26.423 --> 00:02:29.806
weil unsere klügsten Maschinen
immer noch blind sind.

NOTE Paragraph

00:02:31.356 --> 00:02:34.302
"Warum ist das so schwierig?",
fragen Sie sich vielleicht.

00:02:34.302 --> 00:02:37.145
Kameras können solche Bilder schießen,

00:02:37.145 --> 00:02:41.139
indem sie Licht in eine zweidimensionale
Matrix aus Zahlen umwandeln,

00:02:41.139 --> 00:02:42.789
besser bekannt als Pixel.

00:02:42.789 --> 00:02:45.040
Aber das sind nur leblose Zahlen.

00:02:45.040 --> 00:02:47.961
Sie sind an sich bedeutungslos.

00:02:48.061 --> 00:02:52.494
Hören ist nicht dasselbe wie Verstehen.

00:02:52.494 --> 00:02:56.344
Ebenso ist Fotografieren
nicht dasselbe wie Sehen.

00:02:56.344 --> 00:03:00.363
Mit Sehen meinen wir
genauer gesagt Verstehen.

00:03:01.293 --> 00:03:06.870
Tatsächlich hat Mutter Natur
540 Millionen Jahre gebraucht,

00:03:06.890 --> 00:03:09.443
um diese Aufgabe zu lösen.

00:03:09.443 --> 00:03:11.324
Ein Großteil des Aufwands

00:03:11.324 --> 00:03:16.595
war die Entwicklung der visuellen
Verarbeitungskapazität unseres Gehirns,

00:03:16.595 --> 00:03:19.242
gar nicht der Augen an sich.

00:03:19.242 --> 00:03:21.989
Das Sehen beginnt mit den Augen,

00:03:21.989 --> 00:03:25.507
geschieht aber eigentlich im Gehirn.

NOTE Paragraph

00:03:26.287 --> 00:03:31.347
Vor 15 Jahren begann ich
meine Doktorarbeit am Caltech,

00:03:31.347 --> 00:03:34.273
danach leitete ich
das Vision Lab in Stanford.

00:03:34.273 --> 00:03:38.669
Die ganze Zeit arbeitete ich mit Mentoren,
Mitarbeitern und Studenten daran,

00:03:38.669 --> 00:03:41.558
Computern das Sehen beizubringen.

00:03:42.258 --> 00:03:45.952
Unser Forschungsgebiet nennt sich
Computer Vision und Maschinelles Lernen.

00:03:45.952 --> 00:03:49.830
Es gehört zum allgemeinen Gebiet
der Künstlichen Intelligenz.

00:03:51.000 --> 00:03:56.493
Schlussendlich wollen wir Geräten
beibringen, so wie wir zu sehen:

00:03:56.493 --> 00:04:01.880
Objekte benennen, Menschen erkennen,
Dreidimensionalität von Objekten erfassen,

00:04:01.880 --> 00:04:07.568
Beziehungen, Emotionen, Handlungen
und Absichten verstehen.

00:04:07.568 --> 00:04:13.631
Sie und ich begreifen ganze Geschichten
zwischen Menschen, Orten und Dingen

00:04:13.631 --> 00:04:16.603
in Sekundenschnelle, wenn wir
einen Blick darauf werfen.

NOTE Paragraph

00:04:16.954 --> 00:04:22.538
Der erste Schritt ist es, Computern
die Objekterkennung beizubringen,

00:04:22.538 --> 00:04:25.906
einzelne Bausteine der visuellen Welt.

00:04:25.906 --> 00:04:30.340
Grundsätzlich können Sie sich
diesen Lehrprozess so vorstellen,

00:04:30.340 --> 00:04:34.005
dass wir den Computern
einige Trainingsbilder

00:04:34.005 --> 00:04:37.341
von bestimmten Objekten zeigen,
zum Beispiel von Katzen,

00:04:37.341 --> 00:04:41.163
und ein Modell entwerfen,
das von diesen Trainingsbildern lernt.

00:04:41.193 --> 00:04:43.317
Wie schwer kann das schon sein?

00:04:43.347 --> 00:04:47.489
Im Grunde besteht eine Katze aus einer
Reihe verschiedener Formen und Farben.

00:04:47.489 --> 00:04:51.575
Genau das waren unsere ersten Schritte
in der Objektmodellierung.

00:04:51.575 --> 00:04:55.197
Wir sagten dem Computeralgorithmus
in einer mathematischen Sprache,

00:04:55.197 --> 00:04:58.540
dass eine Katze ein rundes Gesicht,
einen pummeligen Körper,

00:04:58.540 --> 00:05:00.839
zwei spitze Ohren
und einen langen Schwanz hat.

00:05:00.839 --> 00:05:02.249
Das sah ganz gut aus.

00:05:02.859 --> 00:05:04.972
Aber wie ist es mit dieser Katze?

00:05:04.972 --> 00:05:06.063
(Lachen)

00:05:06.063 --> 00:05:07.689
Sie ist ganz zusammengekuschelt.

00:05:07.689 --> 00:05:12.408
Jetzt muss man eine andere Form und eine
Perspektive zum Objektmodell hinzufügen.

00:05:12.408 --> 00:05:14.570
Wie sieht es mit versteckten Katzen aus?

00:05:15.143 --> 00:05:17.362
Was ist mit diesen albernen Katzen?

00:05:19.112 --> 00:05:21.529
Jetzt verstehen Sie mich sicherlich.

00:05:21.529 --> 00:05:24.896
Sogar etwas so Einfaches wie ein Haustier

00:05:24.896 --> 00:05:29.150
kann für das Objektmodell
unendlich viele Variationen annehmen.

00:05:29.150 --> 00:05:31.633
Und das ist nur ein Objekt.

NOTE Paragraph

00:05:32.573 --> 00:05:35.065
Vor etwa acht Jahren

00:05:35.065 --> 00:05:40.095
veränderte eine sehr einfache
und grundlegende Beobachtung mein Denken.

00:05:41.425 --> 00:05:44.110
Niemand sagt einem Kind,
wie es zu sehen hat,

00:05:44.110 --> 00:05:46.371
erst recht nicht am Anfang.

00:05:46.371 --> 00:05:51.371
Sie lernen durch eigene
Erfahrungen und Beispiele.

00:05:51.371 --> 00:05:54.111
Wenn man sich die Augen eines Kindes

00:05:54.111 --> 00:05:56.665
als ein Paar biologischer
Kameras vorstellt,

00:05:56.665 --> 00:06:00.685
schießen diese alle 200
Millisekunden ein Bild.

00:06:00.725 --> 00:06:03.799
Das ist die durchschnittliche
Dauer einer Augenbewegung.

00:06:03.979 --> 00:06:09.529
Mit drei Jahren hat ein Kind also
mehrere hundert Millionen Bilder

00:06:09.529 --> 00:06:11.363
der realen Welt gesehen.

00:06:11.363 --> 00:06:13.643
Das sind sehr viel Übungsbeispiele.

00:06:14.383 --> 00:06:20.372
Ich erkannte, dass der Fokus nicht auf
immer besseren Algorithmen liegen muss,

00:06:20.372 --> 00:06:25.644
sondern dass wir den Algorithmen
die Art von Übungsdaten geben müssen,

00:06:25.644 --> 00:06:28.843
die ein Kind durch seine
Erfahrungen sammelt,

00:06:28.843 --> 00:06:32.841
sowohl quantitativ und qualitativ.

NOTE Paragraph

00:06:32.841 --> 00:06:34.699
Mit dieser Erkenntnis

00:06:34.699 --> 00:06:38.255
war es unsere Aufgabe,
einen Datensatz zusammenzustellen,

00:06:38.255 --> 00:06:42.129
der weit mehr Bilder beinhaltete,
als alles bisher Dagewesene.

00:06:42.129 --> 00:06:44.706
Vielleicht tausendfach mehr Bilder.

00:06:44.706 --> 00:06:48.817
Zusammen mit Professor Kai Li
von der Princeton University

00:06:48.817 --> 00:06:53.569
starteten wir 2007 das ImageNet Projekt.

00:06:53.569 --> 00:06:57.407
Zum Glück mussten wir keine Kameras
an unseren Köpfen anbringen

00:06:57.407 --> 00:06:59.171
und viele Jahre warten.

00:06:59.171 --> 00:07:00.634
Wir nutzten das Internet,

00:07:00.634 --> 00:07:05.070
die größte Fundgrube für Bilder,
die die Menschheit erschaffen hat.

00:07:05.070 --> 00:07:08.111
Wir haben fast eine Milliarde
Bilder heruntergeladen

00:07:08.111 --> 00:07:13.751
und mithilfe von Crowdsourcing
wie der Amazon Mechanical Turk Plattform

00:07:13.751 --> 00:07:16.330
all diese Bilder kategorisiert.

00:07:16.330 --> 00:07:21.230
Zu Spitzenzeiten war ImageNet
einer der größten Arbeitgeber

00:07:21.230 --> 00:07:24.226
für Amazon Mechanical Turk Mitarbeiter:

00:07:24.226 --> 00:07:28.080
Insgesamt bekamen wir Hilfe
von fast 50.000 Arbeitern

00:07:28.080 --> 00:07:32.120
aus 167 Ländern weltweit

00:07:32.120 --> 00:07:36.067
beim Bereinigen, Sortieren und Benennen

00:07:36.067 --> 00:07:39.642
von fast einer Milliarde Bildern.

00:07:40.612 --> 00:07:43.265
Das zeigt, wieviel Aufwand nötig war,

00:07:43.265 --> 00:07:47.165
um auch nur einen Bruchteil
der Bilder zu erfassen,

00:07:47.165 --> 00:07:51.336
die ein Kind in den frühen Jahren
seiner Entwicklung verarbeitet.

NOTE Paragraph

00:07:51.908 --> 00:07:56.050
Rückblickend wirkt die Idee,
riesengroße Datensätze zu nutzen,

00:07:56.050 --> 00:08:00.420
um Computeralgorithmen zu trainieren,
absolut naheliegend.

00:08:00.420 --> 00:08:04.500
Doch 2007 war das nicht so offensichtlich.

00:08:04.570 --> 00:08:08.588
Wir waren auf dieser Reise
lange Zeit ziemlich allein.

00:08:08.588 --> 00:08:13.591
Einige Kollegen rieten mir, mit meiner
Anstellung etwas Sinnvolleres zu tun

00:08:13.591 --> 00:08:17.933
und wir kämpften ständig
um die Finanzierung der Forschung.

00:08:17.933 --> 00:08:20.574
Einmal scherzte ich
mit meinen Studenten darüber,

00:08:20.574 --> 00:08:24.481
meine alte Textilreinigung wieder
zu öffnen, um ImageNet zu finanzieren.

00:08:24.481 --> 00:08:29.242
Immerhin hatte ich so auch
mein Studium finanziert.

NOTE Paragraph

00:08:29.242 --> 00:08:31.098
Also machten wir weiter.

00:08:31.098 --> 00:08:34.813
2009 lieferte das ImageNet-Projekt

00:08:34.813 --> 00:08:38.855
eine Datenbank mit
über 15 Millionen Bildern,

00:08:38.855 --> 00:08:43.659
die 22.000 Objektkategorien umfassten

00:08:43.659 --> 00:08:46.980
und nach englischen
Alltagsbegriffen geordnet waren.

00:08:46.980 --> 00:08:49.906
Sowohl quantitativ, als auch qualitativ

00:08:49.906 --> 00:08:52.878
war das ein noch nie dagewesener Umfang.

00:08:52.878 --> 00:08:56.339
Zurück zum Katzenbeispiel:

00:08:56.339 --> 00:08:59.148
Wir haben mehr als 62.000 Katzen

00:08:59.148 --> 00:09:03.258
mit verschiedenstem Aussehen
und in allerlei Posen

00:09:03.258 --> 00:09:08.481
über alle Rassen von
Haus- und Wildkatzen hinweg.

00:09:08.481 --> 00:09:11.825
Wir waren begeistert,
ImageNet aufgebaut zu haben,

00:09:11.825 --> 00:09:15.563
und wollten, dass die ganze
Forschungswelt davon profitiert.

00:09:15.563 --> 00:09:19.604
Ganz nach TED-Art machten wir daher
unseren kompletten Datensatz

00:09:19.604 --> 00:09:23.196
für Wissenschaftler aus aller Welt
kostenlos verfügbar.

00:09:23.526 --> 00:09:26.496
(Applaus)

NOTE Paragraph

00:09:29.416 --> 00:09:33.954
Da wir nun die Daten haben,
um unser Computerhirn zu füttern,

00:09:33.954 --> 00:09:37.691
können wir jetzt
zu den Algorithmen zurückkommen.

00:09:37.691 --> 00:09:42.869
Es stellte sich heraus,
dass die Informationsfülle auf ImageNet

00:09:42.869 --> 00:09:47.535
perfekt zu einer bestimmten Art
von Machine Learning-Algorithmen passte,

00:09:47.575 --> 00:09:50.090
sogenannte "faltende neuronale Netzwerke",

00:09:50.090 --> 00:09:55.338
entwickelt von Kunihiko Fukushima,
Geoff Hinton und Yann LeCun

00:09:55.338 --> 00:09:58.983
und das schon in den 70er und 80er Jahren.

00:09:58.983 --> 00:10:04.602
So wie unser Gehirn aus Milliarden von
stark vernetzten Neuronen besteht,

00:10:04.602 --> 00:10:08.456
ist die einfachste Betriebseinheit
eines neuronalen Netzwerks

00:10:08.456 --> 00:10:10.871
ein neuronenähnlicher Knotenpunkt.

00:10:10.871 --> 00:10:13.425
Er erhält Input von anderen Knotenpunkten

00:10:13.425 --> 00:10:16.143
und sendet Output an andere.

00:10:16.143 --> 00:10:20.856
Zusätzlich sind diese hunderttausende
oder sogar Millionen von Knotenpunkten

00:10:20.856 --> 00:10:24.083
in hierarchischen Schichten organisiert,

00:10:24.083 --> 00:10:26.637
auch das ähnlich wie im Gehirn.

00:10:26.637 --> 00:10:31.420
Ein typisches Neuronales Netz, das
unser Objekterkennungsmodell trainiert,

00:10:31.420 --> 00:10:34.601
besitzt 24 Millionen Knotenpunkte,

00:10:34.601 --> 00:10:37.668
140 Millionen Parameter

00:10:37.668 --> 00:10:40.371
und 15 Milliarden Verbindungen.

00:10:40.371 --> 00:10:43.076
Das ist ein riesiges Modell.

00:10:43.076 --> 00:10:46.977
Dank der immensen Datenmenge von ImageNet

00:10:46.977 --> 00:10:52.410
und der modernen CPUs und GPUs, auf denen
wir dieses gigantische Modell trainieren,

00:10:52.410 --> 00:10:54.779
blühte das faltende neuronale Netzwerk

00:10:54.779 --> 00:10:58.215
auf eine Weise auf,
die niemand erwartet hatte.

00:10:58.215 --> 00:11:00.723
Es wurde die erfolgreichste Struktur,

00:11:00.723 --> 00:11:06.063
um spannende neue Ergebnisse
in der Objekterkennung zu generieren.

00:11:06.063 --> 00:11:08.873
Das ist ein Computer, der uns sagt,

00:11:08.873 --> 00:11:11.173
dass auf diesem Bild
eine Katze zu sehen ist

00:11:11.173 --> 00:11:13.076
und wo sich diese Katze befindet.

00:11:13.076 --> 00:11:15.188
Natürlich gibt es noch mehr
als nur Katzen.

00:11:15.188 --> 00:11:18.182
Hier sehen Sie einen
Computeralgorithmus, der uns sagt,

00:11:18.182 --> 00:11:20.900
dass auf dem Bild ein Junge
und ein Teddybär sind;

00:11:20.900 --> 00:11:25.266
hier ein Hund, eine Person
und ein kleiner Drachen im Hintergrund;

00:11:25.266 --> 00:11:28.401
oder dieses sehr überladene Bild:

00:11:28.401 --> 00:11:33.045
ein Mann, ein Skateboard,
Geländer, eine Laterne und so weiter.

00:11:33.045 --> 00:11:39.398
Manchmal weiß der Computer
nicht genau, was er sieht,

00:11:39.408 --> 00:11:42.153
und wir haben ihm beigebracht,
schlau genug zu sein,

00:11:42.153 --> 00:11:45.652
uns eine sichere Antwort zu geben,
statt sich zu sehr festzulegen,

00:11:45.652 --> 00:11:48.203
genau so wie wir es auch machen würden.

00:11:48.463 --> 00:11:53.129
Manchmal ist der Algorithmus dagegen
bemerkenswert gut darin, uns zu sagen,

00:11:53.129 --> 00:11:55.382
was genau die Objekte sind,

00:11:55.382 --> 00:11:58.818
wie die Marke, das Modell
und das Baujahr eines Autos.

NOTE Paragraph

00:11:58.818 --> 00:12:04.204
Wir haben diesen Algorithmus auf Millionen
von Google Street View Bilder angewendet

00:12:04.204 --> 00:12:07.339
in hunderten amerikanischen Städten

00:12:07.339 --> 00:12:10.265
und fanden dabei etwas
sehr Interessantes heraus:

00:12:10.265 --> 00:12:13.585
Zunächst bestätigte sich unsere Vermutung,

00:12:13.585 --> 00:12:16.875
dass Fahrzeugpreise in direktem Bezug

00:12:16.875 --> 00:12:19.070
zu Haushaltseinkommen stehen.

00:12:19.070 --> 00:12:23.747
Überraschenderweise korrelieren
die Fahrzeugpreise auch stark

00:12:23.747 --> 00:12:26.047
mit den Kriminalitätsraten einer Stadt

00:12:27.007 --> 00:12:30.970
oder den Wahlergebnissen
nach Postleitzahlen.

NOTE Paragraph

00:12:31.620 --> 00:12:34.266
Aber Moment mal. War es das schon?

00:12:34.266 --> 00:12:39.419
Sind Computer mit dem Menschen gleich
gezogen oder haben ihn sogar übertroffen?

00:12:39.419 --> 00:12:41.557
Nicht so schnell.

00:12:41.557 --> 00:12:46.480
Bisher haben wir dem Computer
lediglich beigebracht, Objekte zu sehen.

00:12:46.480 --> 00:12:51.124
Das ist wie ein kleines Kind, das gerade
seine ersten Substantive zu sagen lernt.

00:12:51.124 --> 00:12:53.794
Das ist eine beachtliche Leistung,

00:12:53.794 --> 00:12:56.254
aber doch nur der erste Schritt.

00:12:56.254 --> 00:13:00.016
Bald wird das nächste
Entwicklungsziel erreicht

00:13:00.016 --> 00:13:03.477
und Kinder fangen an,
in ganzen Sätzen zu kommunizieren.

00:13:03.477 --> 00:13:07.701
Anstatt zu sagen,
dass auf dem Bild eine Katze ist,

00:13:07.701 --> 00:13:12.903
sagte uns das kleine Mädchen schon,
dass die Katze auf einem Bett liegt.

NOTE Paragraph

00:13:12.903 --> 00:13:18.498
Um einem Computer beizubringen,
ein Bild zu sehen und Sätze zu bilden,

00:13:18.498 --> 00:13:22.446
muss die Ehe zwischen Big Data
und dem Machine Learning-Algorithmus

00:13:22.446 --> 00:13:24.491
den nächsten Schritt gehen.

00:13:24.491 --> 00:13:28.877
Nun muss der Computer sowohl von Bildern

00:13:28.877 --> 00:13:31.733
als auch von natürlichsprachlichen
Sätzen lernen,

00:13:31.733 --> 00:13:34.885
die Menschen erzeugen.

00:13:35.055 --> 00:13:38.908
Wie auch das Gehirn das Sehen
mit der Sprache verbindet,

00:13:38.908 --> 00:13:44.109
entwickelten wir ein Modell,
das einen Teil der visuellen Dinge

00:13:44.109 --> 00:13:46.013
wie visuelle Ausschnitte

00:13:46.013 --> 00:13:50.216
mit Wörtern und Ausdrücken
in Sätzen vereint.

NOTE Paragraph

00:13:50.216 --> 00:13:52.979
Vor etwa vier Monaten

00:13:52.979 --> 00:13:55.626
haben wir das alles endlich
miteinander verbunden

00:13:55.626 --> 00:13:59.410
und eines der ersten
Computer Vision-Modelle erzeugt,

00:13:59.410 --> 00:14:03.404
das in der Lage ist, einen
menschenähnlichen Satz zu generieren,

00:14:03.404 --> 00:14:06.910
wenn es ein Bild zum ersten Mal sieht.

00:14:06.910 --> 00:14:11.554
Jetzt kann ich Ihnen zeigen,
was der Computer sagt,

00:14:11.554 --> 00:14:13.529
wenn er die Bilder sieht,

00:14:13.529 --> 00:14:17.359
die das kleine Mädchen am Anfang
dieser Präsentation sah.

NOTE Paragraph

00:14:19.099 --> 00:14:22.443
(Video) Computer: Ein Mann steht
neben einem Elefanten.

00:14:24.393 --> 00:14:28.027
Ein großes Flugzeug steht auf
einer Landebahn.

NOTE Paragraph

00:14:29.057 --> 00:14:33.269
FFL: Natürlich arbeiten wir noch eifrig
daran, diese Algorithmen zu verbessern

00:14:33.269 --> 00:14:35.685
und sie müssen noch immer viel lernen.

00:14:35.685 --> 00:14:38.156
(Applaus)

NOTE Paragraph

00:14:39.536 --> 00:14:42.857
Der Computer macht immer noch Fehler.

NOTE Paragraph

00:14:42.877 --> 00:14:46.268
(Video) Computer: Eine Katze liegt
unter einer Decke auf dem Bett.

NOTE Paragraph

00:14:46.268 --> 00:14:48.821
FFL: Wenn er zu viele Katzen sieht,

00:14:48.821 --> 00:14:51.747
denkt er, alles könnte eine Katze sein.

NOTE Paragraph

00:14:53.317 --> 00:14:56.431
(Video) Computer: Ein kleiner Junge
hält einen Baseballschläger.

00:14:56.431 --> 00:14:57.946
(Lachen)

NOTE Paragraph

00:14:57.946 --> 00:15:02.529
Wenn er noch nie eine Zahnbürste gesehen
hat, ist es für ihn ein Baseballschläger.

NOTE Paragraph

00:15:03.169 --> 00:15:07.163
(Video) Computer: Ein Mann reitet
auf einem Pferd die Straße hinunter.

00:15:07.163 --> 00:15:08.766
(Lachen)

NOTE Paragraph

00:15:08.766 --> 00:15:12.711
FFL: Wir haben den Computern das
Konzept der Kunst noch nicht beigebracht.

NOTE Paragraph

00:15:13.768 --> 00:15:16.652
(Video) Computer: Ein Zebra
steht auf einer Wiese.

NOTE Paragraph

00:15:16.652 --> 00:15:20.991
FFL: Er hat die phantastische Schönheit
der Natur noch nicht schätzen gelernt,

00:15:20.991 --> 00:15:22.457
so wie Sie und ich es tun.

NOTE Paragraph

00:15:22.637 --> 00:15:25.289
Wir haben einen langen Weg hinter uns.

00:15:25.289 --> 00:15:29.515
Es war schwer von null bis zu unserem
dritten Lebensjahr zu kommen.

00:15:29.515 --> 00:15:35.111
Die echte Herausforderung ist es aber,
von 3 bis 13 und noch weiter zu kommen.

00:15:35.111 --> 00:15:39.476
Erinnern Sie sich an das Bild
mit dem Jungen und dem Kuchen.

00:15:39.476 --> 00:15:43.540
Bisher haben wir dem Computer
beigebracht, Objekte zu sehen

00:15:43.540 --> 00:15:47.998
oder uns eine einfache Geschichte
zu den Bildern zu erzählen.

NOTE Paragraph

00:15:47.998 --> 00:15:51.574
(Video) Computer: Eine Person sitzt
an einem Tisch mit einem Kuchen.

NOTE Paragraph

00:15:51.574 --> 00:15:54.204
FFL: Aber es steckt
viel mehr in diesem Bild

00:15:54.204 --> 00:15:56.474
als nur eine Person und ein Kuchen.

00:15:56.474 --> 00:16:00.791
Der Computer erkennt nicht, dass es
ein spezieller italienischer Kuchen ist,

00:16:00.791 --> 00:16:04.058
der nur zu Ostern gebacken wird.

00:16:04.158 --> 00:16:07.363
Der Junge trägt sein Lieblingsshirt,

00:16:07.363 --> 00:16:11.333
das ihm sein Vater von einer Reise
nach Sydney mitgebracht hat.

00:16:11.333 --> 00:16:15.141
Sie und ich können sehen,
wie glücklich er ist

00:16:15.141 --> 00:16:18.344
und was genau in diesem Moment
in seinem Kopf vor sich geht.

NOTE Paragraph

00:16:19.134 --> 00:16:22.199
Das ist mein Sohn Leo.

00:16:22.269 --> 00:16:24.963
Auf meiner Suche nach
visueller Intelligenz

00:16:24.963 --> 00:16:27.354
denke ich ständig an Leo

00:16:27.354 --> 00:16:30.077
und an die Welt der Zukunft,
in der er leben wird.

00:16:30.077 --> 00:16:34.088
Wenn Maschinen sehen können,
werden Ärzte und Krankenschwestern

00:16:34.088 --> 00:16:36.990
ein zusätzliches Paar
unermüdlicher Augen haben,

00:16:36.990 --> 00:16:41.082
um ihnen bei der Diagnose
und Behandlung von Patienten zu helfen.

00:16:41.082 --> 00:16:45.325
Autos werden klüger und sicherer
durch die Straßen fahren.

00:16:45.465 --> 00:16:48.679
Roboter, nicht nur Menschen,
werden uns dabei helfen,

00:16:48.679 --> 00:16:53.008
in Katastrophengebiete vorzudringen,
um Verschüttete und Verwundete zu retten.

00:16:53.538 --> 00:16:57.594
Wir werden neue Arten
und bessere Materialien entdecken

00:16:57.594 --> 00:17:02.103
und ungesehene Grenzen erkunden,
mit Hilfe von Maschinen.

NOTE Paragraph

00:17:03.113 --> 00:17:07.280
Schritt für Schritt bringen wir
Maschinen das Sehen bei.

00:17:07.280 --> 00:17:10.078
Erst bringen wir es ihnen bei.

00:17:10.078 --> 00:17:12.840
Später helfen sie uns dabei,
besser zu sehen.

00:17:12.840 --> 00:17:16.886
Zum ersten Mal werden unsere Augen
nicht die einzigen sein,

00:17:16.886 --> 00:17:19.940
die unsere Welt studieren und erkunden.

00:17:19.940 --> 00:17:23.540
Wir werden Maschinen nicht nur
wegen ihrer Intelligenz nutzen,

00:17:23.540 --> 00:17:29.579
wir werden mit ihnen zusammenarbeiten,
wie es jetzt noch unvorstellbar scheint.

NOTE Paragraph

00:17:29.579 --> 00:17:31.740
Das ist mein Ziel:

00:17:31.740 --> 00:17:34.452
Ich möchte Computern
visuelle Intelligenz geben

00:17:34.452 --> 00:17:39.583
und damit eine bessere Zukunft für Leo
und die ganze Welt gestalten.

NOTE Paragraph

00:17:39.583 --> 00:17:41.394
Danke.

NOTE Paragraph

00:17:41.394 --> 00:17:44.379
(Applaus)