0:00:03.470,0:00:06.014
Deixem-me lhes mostrar algo.

0:00:06.014,0:00:10.260
(Vídeo) Garota: Certo, isso é um gato[br]sentado sobre a cama.

0:00:10.260,0:00:14.300
O garoto está acariciando o elefante.

0:00:14.300,0:00:18.454
Aquelas são pessoas [br]que estão entrando num avião.

0:00:18.454,0:00:21.134
É um avião grande!

0:00:21.134,0:00:23.570
Fei-Fei Li: Esta é uma criança[br]de três anos de idade

0:00:23.570,0:00:27.349
descrevendo o que vê numa série de fotos.

0:00:27.349,0:00:30.194
Ela ainda tem muito[br]o que aprender sobre este mundo,

0:00:30.194,0:00:34.743
mas já é uma especialista[br]numa importante tarefa:

0:00:34.743,0:00:37.679
dar sentido ao que vê.

0:00:37.679,0:00:42.455
Nossa sociedade está mais [br]tecnologicamente avançada do que nunca.

0:00:42.455,0:00:46.084
Mandamos pessoas para a Lua,[br]fazemos telefones que falam conosco

0:00:46.084,0:00:51.030
ou personalizamos estações de rádio[br]para tocar só as músicas de que gostamos.

0:00:51.030,0:00:55.085
No entanto, nossas máquinas[br]mais avançadas e computadores

0:00:55.085,0:00:57.988
ainda lutam para realizar esta tarefa.

0:00:57.988,0:01:01.447
Então, estou aqui hoje[br]para dar um relatório do progresso

0:01:01.447,0:01:05.494
sobre os últimos avanços[br]em nossa pesquisa em visão computacional,

0:01:05.494,0:01:10.385
uma das tecnologias mais inovadoras[br]e potencialmente revolucionárias

0:01:10.385,0:01:12.861
na ciência da computação.

0:01:12.861,0:01:17.412
Sim, temos protótipos de carros[br]que podem dirigir sozinhos,

0:01:17.412,0:01:21.265
mas sem uma visão inteligente,[br]não conseguem notar a diferença

0:01:21.265,0:01:25.235
entre um saco de papel amassado[br]na estrada, que pode ser atropelado,

0:01:25.235,0:01:28.825
e uma pedra daquele tamanho,[br]que deve ser evitada.

0:01:28.825,0:01:32.805
Fizemos câmeras incríveis de megapixel,

0:01:32.805,0:01:35.940
mas não demos visão aos cegos.

0:01:35.940,0:01:39.725
Os "drones" podem voar [br]sobre a terra firme,

0:01:39.725,0:01:41.859
mas não têm a tecnologia[br]de visão suficiente

0:01:41.859,0:01:45.320
para nos ajudar a rastrear[br]as mudanças das florestas tropicais.

0:01:45.320,0:01:48.270
As câmeras de segurança[br]estão em toda parte,

0:01:48.270,0:01:53.797
mas não nos alertam quando uma criança[br]está se afogando numa piscina.

0:01:53.797,0:01:59.762
Fotos e vídeos estão se tornando[br]partes integrais da vida global.

0:01:59.762,0:02:03.849
Estão sendo gerados a um ritmo[br]muito além do que qualquer humano,

0:02:03.849,0:02:06.632
-- ou grupos de seres humanos --[br]poderia esperar ver.

0:02:06.632,0:02:10.553
E vocês e eu estamos contribuindo [br]para isto nesta palestra TED.

0:02:10.553,0:02:16.465
No entanto, nosso software mais avançado[br]ainda tem dificuldade para compreender

0:02:16.465,0:02:19.661
e administrar este conteúdo enorme.

0:02:19.661,0:02:24.463
Então, em outras palavras,[br]coletivamente como sociedade,

0:02:24.463,0:02:26.449
somos muito cegos,

0:02:26.449,0:02:30.066
porque nossas máquinas[br]mais inteligentes ainda são cegas.

0:02:31.416,0:02:34.372
"Por que isto é tão difícil?",[br]vocês podem perguntar.

0:02:34.372,0:02:37.035
As câmeras podem tirar fotos como esta,

0:02:37.035,0:02:41.139
convertendo luzes numa matriz[br]bidimensional de números

0:02:41.139,0:02:42.789
conhecida como pixels,

0:02:42.789,0:02:45.040
mas estes são apenas números sem vida,

0:02:45.040,0:02:48.151
não carregam significado em si mesmos.

0:02:48.151,0:02:52.494
Assim como ouvir[br]não é o mesmo que escutar,

0:02:52.494,0:02:56.534
tirar fotos não é o mesmo que ver,

0:02:56.534,0:03:00.663
e por ver, queremos dizer, compreender.

0:03:00.663,0:03:07.470
Na verdade, a mãe natureza levou[br]540 milhões de anos de trabalho pesado

0:03:07.470,0:03:09.443
para realizar esta tarefa,

0:03:09.443,0:03:11.324
e muito deste esforço

0:03:11.324,0:03:16.595
foi para desenvolver o aparelho[br]de processamento visual do nosso cérebro,

0:03:16.595,0:03:19.242
não os olhos em si.

0:03:19.242,0:03:21.989
Então, a visão começa com os olhos,

0:03:21.989,0:03:25.507
mas acontece de fato no cérebro.

0:03:26.287,0:03:31.287
Então, por 15 anos, começando[br]com o meu doutorado na Caltech

0:03:31.287,0:03:34.173
e depois liderando [br]o Stanford's Vision Lab,

0:03:34.173,0:03:38.669
venho trabalhando com os meus mentores,[br]colaboradores e alunos

0:03:38.669,0:03:42.008
para ensinar os computadores a ver.

0:03:42.008,0:03:46.052
Nosso campo de pesquisa chama-se visão[br]computacional e aprendizado de máquina.

0:03:46.052,0:03:49.830
É parte do campo geral[br]da inteligência artificial.

0:03:51.000,0:03:56.493
Basicamente, queremos ensinar[br]as máquinas a ver como nós:

0:03:56.493,0:04:01.880
nomear objetos, identificar pessoas,[br]perceber a geometria 3D das coisas,

0:04:01.880,0:04:07.538
compreender relações, emoções,[br]ações e intenções.

0:04:07.538,0:04:13.721
Nós tecemos juntos histórias completas[br]das pessoas, lugares e coisas

0:04:13.721,0:04:15.885
no momento em que os vemos.

0:04:16.955,0:04:22.538
O primeiro passo rumo a este objetivo,[br]é ensinar um computador a ver objetos,

0:04:22.538,0:04:25.326
o bloco de construção do mundo visual.

0:04:25.326,0:04:30.340
De modo bem simples,[br]imaginem este processo de ensino

0:04:30.340,0:04:33.335
como mostrar aos computadores[br]algumas imagens de treinamento

0:04:33.335,0:04:36.656
de um objeto em particular, digamos gatos,

0:04:36.656,0:04:41.113
e projetar um modelo que aprenda[br]a partir destas imagens de treinamento.

0:04:41.113,0:04:43.007
Qual é a dificuldade disto?

0:04:43.007,0:04:47.489
Afinal de contas, um gato é apenas[br]uma coleção de forma e cores,

0:04:47.489,0:04:51.285
e foi o que fizemos nos primeiro dias[br]de modelagem de objetos.

0:04:51.285,0:04:55.197
Falamos ao algoritmo computacional,[br]numa linguagem matemática,

0:04:55.197,0:04:58.540
que um gato tem o rosto[br]arredondado, corpo gordinho,

0:04:58.540,0:05:00.839
duas orelhas pontudas e uma cauda longa,

0:05:00.839,0:05:02.239
e parecia tudo bem.

0:05:02.239,0:05:04.972
Mas, e este gato?

0:05:04.972,0:05:06.063
(Risos)

0:05:06.063,0:05:07.689
Ele está todo torto.

0:05:07.689,0:05:12.368
Agora é preciso adicionar outra forma[br]e outro ponto de vista ao objeto modelo.

0:05:12.368,0:05:14.833
Mas, e se os gatos estiverem escondidos?

0:05:14.833,0:05:17.362
E estes gatos bobos?

0:05:19.112,0:05:21.529
Agora vocês sabem do que estou falando.

0:05:21.529,0:05:24.896
Mesmo algo simples,[br]como um animal doméstico,

0:05:24.896,0:05:29.400
pode apresentar um número infinito[br]de variações ao objeto modelo,

0:05:29.400,0:05:31.633
e isto é só um objeto.

0:05:32.573,0:05:35.065
Então, há oito anos,

0:05:35.065,0:05:40.095
uma observação bem simples[br]e profunda mudou o meu pensamento.

0:05:41.425,0:05:44.110
Ninguém diz a uma criança como ver,

0:05:44.110,0:05:46.371
especialmente nos primeiros anos.

0:05:46.371,0:05:51.371
Elas aprendem através das experiências[br]e exemplos do mundo real.

0:05:51.371,0:05:54.111
Se considerarmos os olhos de uma criança

0:05:54.111,0:05:56.665
como um par de câmeras biológicas,

0:05:56.665,0:06:00.845
eles tiram uma foto[br]a cada 200 milissegundos,

0:06:00.845,0:06:03.979
o tempo médio em que o movimento[br]do olho é feito.

0:06:03.979,0:06:09.529
Então, aos três anos, uma criança[br]terá visto centenas de milhões de fotos

0:06:09.529,0:06:11.363
do mundo real.

0:06:11.363,0:06:13.693
São muitos exemplos de treinamento.

0:06:13.693,0:06:20.372
Então, em vez de focar [br]somente algoritmos melhores,

0:06:20.372,0:06:25.644
minha ideia foi dar-lhes[br]os tipos de dados de treinamento

0:06:25.644,0:06:28.963
que uma criança obtém[br]através das experiências,

0:06:28.963,0:06:32.841
tanto em quantidade quanto em qualidade.

0:06:32.841,0:06:34.699
Uma vez compreendendo isso,

0:06:34.699,0:06:37.670
sabíamos que precisávamos[br]coletar um conjunto de dados

0:06:37.670,0:06:42.129
que tivesse mais imagens[br]do que tínhamos antes,

0:06:42.129,0:06:44.706
talvez milhares de vezes mais,

0:06:44.706,0:06:48.817
e juntamente com o professor Kai Li,[br]da Universidade de Princeton,

0:06:48.817,0:06:53.569
lançamos o projeto ImageNet em 2007.

0:06:53.569,0:06:57.407
Felizmente, não tínhamos que colocar[br]uma câmera em nossas cabeças

0:06:57.407,0:06:59.171
e esperar por vários anos.

0:06:59.171,0:07:00.634
Fomos à internet,

0:07:00.634,0:07:05.070
o maior tesouro de imagens[br]que os humanos já criaram.

0:07:05.070,0:07:08.111
Baixamos aproximadamente[br]um bilhão de imagens

0:07:08.111,0:07:13.991
e usamos tecnologia de "crowdsourcing",[br]como a plataforma Amazon Mechanical Turk,

0:07:13.991,0:07:16.330
para nos ajudar[br]a classificar essas imagens.

0:07:16.330,0:07:21.230
No seu auge, o ImageNet foi[br]um dos maiores empregadores

0:07:21.230,0:07:24.226
de trabalhadores[br]da Amazon Mechanical Turk.

0:07:24.226,0:07:28.080
Juntos, quase 50 mil trabalhadores

0:07:28.080,0:07:32.120
de 167 países do mundo,

0:07:32.120,0:07:36.067
nos ajudaram a limpar, [br]separar e classificar

0:07:36.067,0:07:39.642
aproximadamente um bilhão[br]de candidatas a imagens.

0:07:40.612,0:07:43.265
Esse foi o tamanho do empenho

0:07:43.265,0:07:47.165
para capturar até mesmo[br]uma fração das imagens

0:07:47.165,0:07:51.298
que a mente de uma criança capta[br]nos primeiros anos de desenvolvimento.

0:07:51.298,0:07:56.050
Em retrospecto, [br]esta ideia de usar dados extensos

0:07:56.050,0:08:00.600
para treinar os algoritmos[br]computacionais pode parecer óbvia agora,

0:08:00.600,0:08:04.710
mas em 2007, não era tão óbvia assim.

0:08:04.710,0:08:08.588
Estivemos praticamente sós[br]nessa jornada por um bom tempo.

0:08:08.588,0:08:13.591
Alguns colegas próximos me aconselharam[br]a fazer algo mais útil pelo meu mandato,

0:08:13.591,0:08:17.933
e lutávamos constantemente para conseguir[br]financiamento para a pesquisa.

0:08:17.933,0:08:20.418
Uma vez, eu brinquei[br]com os meus alunos de graduação

0:08:20.418,0:08:24.481
que iria reabrir minha loja de lavagem[br]a seco para financiar o ImageNet.

0:08:24.481,0:08:28.812
Afinal de contas, foi assim[br]que financiei minha faculdade.

0:08:28.812,0:08:31.098
Então seguimos em frente.

0:08:31.098,0:08:34.813
Em 2009, o projeto ImageNet entregou

0:08:34.813,0:08:38.855
um banco de dados[br]de 15 milhões de imagens,

0:08:38.855,0:08:43.660
entre 22 mil classes de objetos e coisas,

0:08:43.660,0:08:46.980
organizadas pelas palavras[br]cotidianas em inglês.

0:08:46.980,0:08:49.906
Tanto em quantidade quanto em qualidade,

0:08:49.906,0:08:53.038
isso foi uma escala sem precedentes.

0:08:53.038,0:08:56.339
Como exemplo, no caso dos gatos,

0:08:56.339,0:08:59.148
temos mais de 62 mil gatos

0:08:59.148,0:09:03.258
de todos os aspectos e poses;

0:09:03.258,0:09:07.991
e todas as espécies[br]de gatos domésticos e selvagens.

0:09:07.991,0:09:11.825
Ficamos muito felizes em criar o ImageNet

0:09:11.825,0:09:15.383
e queríamos que todo o mundo das pesquisas[br]se beneficiasse com ele.

0:09:15.383,0:09:19.604
Assim, à moda TED, abrimos[br]todo o conjunto de dados

0:09:19.604,0:09:23.276
para a comunidade mundial [br]de pesquisa gratuitamente.

0:09:23.276,0:09:26.696
(Aplausos)

0:09:29.416,0:09:33.954
Agora que temos os dados para alimentar[br]o cérebro do nosso computador,

0:09:33.954,0:09:37.691
estamos prontos para retornar[br]aos algoritmos em si.

0:09:37.691,0:09:42.869
Como se viu, a riqueza de informações[br]fornecidas pelo ImageNet

0:09:42.869,0:09:47.675
foi um ajuste perfeito para uma classe[br]de algoritmos de aprendizado de máquina

0:09:47.675,0:09:50.090
chamada "rede neural convolucional",

0:09:50.090,0:09:55.338
iniciada por Kunihiko Fukushima,[br]Geoff Hinton e Yann LeCun

0:09:55.338,0:09:57.863
nos anos 1970 e 1980.

0:09:58.993,0:10:04.602
Assim como o cérebro é composto de bilhões[br]de neurônios altamente conectados,

0:10:04.602,0:10:08.456
uma unidade operacional básica[br]numa rede neural

0:10:08.456,0:10:10.871
é como um nó neuronal.

0:10:10.871,0:10:13.425
Ela obtém informações de outros nós

0:10:13.425,0:10:16.143
e envia dados para outros.

0:10:16.143,0:10:20.856
Além disso, essas centenas de milhares,[br]ou mesmo milhões de nós,

0:10:20.856,0:10:24.083
são organizadas em camadas hierárquicas,

0:10:24.083,0:10:26.587
parecidas com o cérebro.

0:10:26.587,0:10:31.420
Numa rede neural que usamos para treinar[br]nosso modelo de reconhecimento de objetos

0:10:31.420,0:10:34.601
há 24 milhões de nós,

0:10:34.601,0:10:37.468
140 milhões de parâmetros

0:10:37.468,0:10:40.481
e 15 bilhões de conexões.

0:10:40.481,0:10:43.076
É um modelo enorme.

0:10:43.076,0:10:46.977
Alimentada pelos dados[br]consideráveis do ImageNet

0:10:46.977,0:10:52.320
e os modernos CPUs e GPUs[br]para treinar um modelo colossal,

0:10:52.320,0:10:54.389
a rede neural convolucional

0:10:54.389,0:10:58.215
floresceu de um modo que ninguém esperava.

0:10:58.215,0:11:00.723
Tornou-se a arquitetura vencedora

0:11:00.723,0:11:06.063
para gerar novos resultados animadores[br]em reconhecimento de objetos.

0:11:06.063,0:11:08.873
Isto é um computador nos dizendo

0:11:08.873,0:11:11.173
que esta foto contém um gato

0:11:11.173,0:11:12.886
e onde ele está.

0:11:12.886,0:11:15.188
É claro que há mais coisas além de gatos.

0:11:15.188,0:11:17.626
Aqui está um algoritmo [br]computacional nos dizendo

0:11:17.626,0:11:20.610
que a foto contém um garoto[br]e um urso de pelúcia;

0:11:20.610,0:11:24.926
um cão, uma pessoa[br]e uma pequena pipa ao fundo;

0:11:24.926,0:11:28.401
ou uma foto com muitas informações

0:11:28.401,0:11:33.045
como um homem, um skate, corrimãos,[br]um poste de luz, e assim por diante.

0:11:33.045,0:11:34.397
Às vezes,

0:11:34.397,0:11:37.439
quando o computador[br]não tem certeza do que vê,

0:11:37.439,0:11:38.663
(Risos)

0:11:38.663,0:11:41.774
nós o ensinamos [br]a ser inteligente o bastante

0:11:41.774,0:11:45.652
para nos dar uma resposta segura[br]em vez de ficar deduzindo muito,

0:11:45.652,0:11:48.463
como nós faríamos.

0:11:48.463,0:11:53.129
Mas outras vezes, nosso algoritmo[br]computacional é notável aos nos dizer

0:11:53.129,0:11:55.382
exatamente o que são os objetos,

0:11:55.382,0:11:58.818
como a marca, o modelo e o ano dos carros.

0:11:58.818,0:12:04.204
Nós cruzamos esse algoritmo com milhões[br]de imagens do Google Street View

0:12:04.204,0:12:07.339
em centenas de cidades americanas

0:12:07.339,0:12:10.265
e descobrimos algo muito interessante:

0:12:10.265,0:12:13.585
primeiro, confirmou-se[br]a nossa sabedoria popular

0:12:13.585,0:12:16.875
de que preços de carros estão relacionados

0:12:16.875,0:12:19.220
ao rendimento das famílias.

0:12:19.220,0:12:23.747
Mas surpreendentemente,[br]o preço dos carros também se relaciona

0:12:23.747,0:12:26.117
com as taxas de crimes nas cidades,

0:12:26.127,0:12:30.070
ou padrões de votos pelo CEPs.

0:12:31.550,0:12:34.266
Espere um pouco. É isso mesmo?

0:12:34.266,0:12:39.419
Os computadores já igualaram ou mesmo[br]superaram as capacidades humanas?

0:12:39.419,0:12:41.557
Não tão rápido.

0:12:41.557,0:12:46.480
Até agora, apenas ensinamos[br]os computadores a ver objetos.

0:12:46.480,0:12:51.124
É como uma criancinha aprendendo[br]a pronunciar algumas palavras.

0:12:51.124,0:12:53.794
É um feito incrível,

0:12:53.794,0:12:56.254
mas é apenas o primeiro passo.

0:12:56.254,0:13:00.016
Em breve, outro marco[br]de desenvolvimento será atingido,

0:13:00.016,0:13:03.627
e as crianças começam[br]a se comunicar por meio de frases.

0:13:03.627,0:13:07.701
Então, em vez de dizer [br]que isto é um gato na foto,

0:13:07.701,0:13:12.903
vocês ouviram a garotinha nos dizendo[br]que isto é um gato deitado na cama.

0:13:12.903,0:13:18.498
Então, para ensinar um computador[br]a ver uma foto e criar frases,

0:13:18.498,0:13:22.446
o casamento entre os dados[br]e o algoritmo de aprendizado de máquina

0:13:22.446,0:13:24.721
deve dar outro passo.

0:13:24.721,0:13:28.877
Agora, o computador tem que aprender[br]tanto com as fotos

0:13:28.877,0:13:31.880
quanto com as frases em linguagem natural

0:13:31.880,0:13:34.903
geradas por humanos.

0:13:34.903,0:13:38.908
Assim como o cérebro integra[br]visão e linguagem,

0:13:38.908,0:13:44.109
nós desenvolvemos um modelo[br]que conecta partes de coisas visuais,

0:13:44.109,0:13:46.013
como fragmentos visuais,

0:13:46.013,0:13:50.216
com palavras e ideias em frases.

0:13:50.886,0:13:52.869
Há uns quatro meses,

0:13:52.869,0:13:55.626
finalmente juntamos tudo isso,

0:13:55.626,0:13:59.410
e produzimos um dos primeiros[br]modelos de visão computacional[br]

0:13:59.410,0:14:03.404
capaz de gerar frases do jeito humano

0:14:03.404,0:14:06.730
quando vê uma foto pela primeira vez.

0:14:06.730,0:14:11.554
Agora, vou mostrar o que o computador diz

0:14:11.554,0:14:13.529
quando vê a foto

0:14:13.529,0:14:16.999
que a garotinha viu,[br]no início desta palestra.

0:14:18.529,0:14:22.313
(Vídeo) Computador: Um homem está[br]em pé, próximo a um elefante.

0:14:24.053,0:14:28.027
Um grande avião sentado em cima[br]de uma pista de aeroporto.

0:14:28.657,0:14:33.269
FFL: Claro, estamos trabalhando com afinco[br]para melhorar nossos algoritmos,

0:14:33.269,0:14:35.765
e ele ainda tem muito o que aprender.

0:14:35.765,0:14:37.746
(Aplausos)

0:14:39.206,0:14:42.467
E o computador ainda comete erros.

0:14:42.467,0:14:46.238
(Vídeo) Computador: Um gato deitado[br]numa cama com um cobertor. (Risos)

0:14:46.238,0:14:48.561
FFL: É claro, quando ele vê muitos gatos,

0:14:48.561,0:14:51.747
ele acha que tudo se parece com um gato.

0:14:52.837,0:14:55.881
(Vídeo) Computador: Um garoto[br]está segurando um taco de beisebol.

0:14:55.881,0:14:57.576
(Risos)

0:14:57.576,0:15:02.309
FFL: Se nunca viu uma escova de dentes,[br]ele a confunde com um taco de beisebol.

0:15:02.799,0:15:06.743
(Vídeo) Computador: Um homem monta[br]um cavalo na rua, próximo a um edifício.

0:15:06.743,0:15:08.596
(Risos)

0:15:08.596,0:15:12.318
FFL: Não ensinamos Arte 101[br]aos computadores.

0:15:13.768,0:15:16.652
(Vídeo) Computador: Uma zebra[br]num campo gramado.

0:15:16.652,0:15:20.019
FFL: E ele não aprendeu a apreciar[br]a deslumbrante beleza da natureza

0:15:20.019,0:15:22.067
como nós apreciamos.

0:15:22.067,0:15:25.289
Tem sido uma longa jornada.

0:15:25.289,0:15:28.855
Ir da idade zero a três foi difícil.

0:15:28.855,0:15:35.111
O verdadeiro desafio é ir[br]dos 3 aos 13 e além disso.

0:15:35.111,0:15:39.476
Vejam esta foto do garoto[br]com o bolo novamente.

0:15:39.476,0:15:43.540
Até então, ensinamos[br]o computador a ver objetos

0:15:43.540,0:15:47.198
ou mesmo contar-nos uma simples [br]história quando vê uma foto.

0:15:47.198,0:15:51.554
(Vídeo) Computador: Uma pessoa[br]sentada à mesa com um bolo.

0:15:51.554,0:15:53.994
FFL: Mas há muito mais nesta foto

0:15:53.994,0:15:56.384
do que apenas uma pessoa e um bolo.

0:15:56.384,0:16:00.941
O que o computador não vê[br]é que esta é uma colomba

0:16:00.941,0:16:04.158
que é servida apenas durante a Páscoa.

0:16:04.158,0:16:07.363
O garoto está vestindo[br]a sua camiseta preferida,

0:16:07.363,0:16:11.333
que lhe foi dada de presente[br]pelo pai após uma viagem a Sydney.

0:16:11.333,0:16:15.141
E nós podemos ver a felicidade dele,

0:16:15.141,0:16:18.344
e o que está se passando em sua mente[br]exatamente naquele momento.

0:16:18.784,0:16:21.899
Este é o meu filho Leo.

0:16:21.899,0:16:24.383
Em minha busca pela inteligência visual,

0:16:24.383,0:16:26.644
penso nele constantemente

0:16:26.644,0:16:30.257
e no mundo futuro em que ele viverá.

0:16:30.257,0:16:32.278
Quando as máquinas puderem ver,

0:16:32.278,0:16:36.990
médicos e enfermeiros terão[br]pares extras de olhos incansáveis

0:16:36.990,0:16:41.082
para ajudá-los a diagnosticar[br]e cuidar de pacientes.

0:16:41.082,0:16:45.465
Os carros funcionarão de forma[br]mais inteligente e segura nas estradas.

0:16:45.465,0:16:47.969
Robôs, não apenas seres humanos,

0:16:47.969,0:16:50.744
nos ajudarão a realizar buscas[br]em áreas de desastres

0:16:50.744,0:16:53.359
e a salvar pessoas soterradas e feridas.

0:16:53.359,0:16:57.594
Descobriremos novas espécies,[br]materiais melhores

0:16:57.594,0:17:02.103
e exploraremos lugares que não podemos ver[br]com a ajuda das máquinas.

0:17:02.983,0:17:07.280
Pouco a pouco, estamos dando[br]visão às máquinas.

0:17:07.280,0:17:09.888
Primeiro, as ensinamos a ver,

0:17:09.888,0:17:12.841
então elas nos ajudam a ver melhor.

0:17:12.841,0:17:14.166
Pela primeira vez,

0:17:14.166,0:17:19.690
os olhos humanos não serão os únicos [br]ponderando e explorando nosso mundo.

0:17:19.690,0:17:23.400
Não usaremos as máquinas[br]apenas pela sua inteligência;

0:17:23.400,0:17:29.219
colaboraremos também com elas[br]de uma maneira que nem sequer imaginamos.

0:17:29.219,0:17:31.740
Esta é a minha busca:

0:17:31.740,0:17:34.452
dar aos computadores inteligência visual

0:17:34.452,0:17:39.283
e criar um futuro melhor[br]para o Leo e para o mundo.

0:17:39.283,0:17:40.424
Obrigada.

0:17:40.424,0:17:43.039
(Aplausos)