Để tôi cho bạn xem cái này. (Video) Bé gái: Okay, đó là một con mèo ngồi trên giường Đứa trẻ đang vuốt ve con voi Những người này đang chuẩn bị lên máy bay. Đó là một cái máy bay lớn. Fei Fei Li: Đây là một bé gái ba tuổi đang miêu tả những gì mà em nhìn thấy trong loạt hình. Em vẫn còn nhiều điều để khám phá về thế giới này, nhưng em hoàn toàn đã trở thành chuyên gia trong một nhiệm vụ rất quan trọng: hiểu được những thứ mà em thấy. Xã hội của chúng ta đã trở nên tiến bộ về mặt công nghệ hơn bao giờ hết. Chúng ta gửi con người lên mặt trăng, chúng ta chế tạo ra điện thoại hoăc điều chỉnh những đài phát thanh chỉ chơi loại nhạc chúng ta yêu thích. Nhưng mà, những thiết bị và máy vi tính tối tân nhất vẫn còn đang xoay xở trong nhiệm vụ này Vì thế mà tôi ở đây để báo cáo với bạn về quá trình của cải tiến mới nhất trong thí nghiệm đối với thị giác máy tính một trong những công nghệ dẫn đầu và có tiềm năng cách mạng trong khoa học máy tính. Vâng, chúng ta đã có nguyên mẫu những chiếc xe lái tự động, nhưng lại thiếu đi thị giác thông minh, chúng không phân biệt được sự khác nhau giữa một cái túi giấy rách trên đường, cái có thể cán qua, và một tảng đá với cùng kích thước, mà nên tránh sang một bên. Chúng ta đã tạo nên những máy ảnh đắt đỏ hàng triệu điểm ảnh nhưng chúng ta chưa đưa ánh sáng đến cho người mù. máy bay không người lái có thể bay qua vùng đất rộng lớn, nhưng không có đủ thị giác công nghệ để giúp chúng ta theo dõi sự thay đổi của những rừng mưa nhiệt đới. Máy quay an ninh ở khắp mọi nơi, nhưng không thể báo động cho chúng ta khi một đứa trẻ đang bị chìm trong hồ bơi. Hình ảnh và những thước phim trở thành một phần thiết yếu của đời sống toàn cầu. Chúng đang được điều khiển với tốc độ vượt lên trên bất kỳ con người nào, hay nhóm người, có thể hy vọng thấy được, và bạn và tôi đang cống hiến cho điều đó ở TED này. Nhưng phần mềm tân tiến vẫn đang phải khó khăn xoay trở trong việc hiểu và quản lý nội dung khổng lồ này. Vì vậy nói cách khác, tụ chung lại như là một xã hội, chúng ta giống như bị mù, bởi vì chiếc máy thông minh nhất của chúng ta vẫn bị mù "Tại sao lại khó đến vậy" bạn sẽ hỏi. Máy ảnh có thể chụp được những bức thế này bằng cách chuyển đổi ánh sáng thành dãy 2 chiều những con số, được biết đến như điểm ảnh, nhưng chúng giống như những con số chết. Chúng không mang bất kỳ ý nghĩa nào cả. Giống như nghe thì không phải là thưởng thức, chụp ảnh không giống như nhìn thấy và với việc nhìn thấy, chúng tôi thực sự muốn nói là hiểu được. Trong thực tế, mẹ thiên nhiên phải mất 540 triệu năm cật lực mới làm được điều này, và hầu hết nỗ lực đó để đi đến việc phát triển quá trình của não bộ chúng ta, không chỉ mỗi đôi mắt. Vì thế mà cái nhìn bắt đầu với đôi mắt, nhưng thật sự diễn ra trong não bộ. Vì thế mà 15 năm qua, bắt đầu với luận án tiến sĩ của tôi tại Caltech và sau đó là hướng dẫn phòng thí nghiệm Thị giác ở Stanford, tôi đã làm việc với cố vấn, đối tác và sinh viên để dạy cho máy tính cách nhìn. Lĩnh vực nghiên cứu của chúng tôi gọi là thị giác máy tính và máy móc học hỏi. Nó là một phần của lĩnh vực chung - trí thông minh nhân tạo. Nên một cách tối ưu nhất, chúng tôi muốn dạy cho máy móc thấy được như chúng ta: kể tên đồ vật, nhận diện con người, những đồ vật 3D tương tự, hiểu được những mối quan hệ, tình cảm, hành động và cả dự định. Bạn và tôi cùng nhau dệt nên toàn bộ câu chuyện về con người -nơi chốn -đồ vật. giây phút mà chúng ta nhìn thấy chúng. Bước đầu tiên đạt được mục tiêu này là dạy cho máy tính nhìn những đồ vật, những block nhà của thế giới thị giác. Nói một cách đơn giản nhất, tưởng tượng quá trình dạy học này bằng cách chỉ cho máy tính một vài bức ảnh rèn luyện của những vậy cụ thể, ở đây là con mèo. và thiết kế một hình mẫu học được từ những bức ảnh rèn luyện này. Khó như thế nào nhỉ? Nói cho cùng, một con mèo là tổ hợp của hình dạng và màu sắc, và đây là cái mà chúng tôi đã làm ở thời kỳ đầu của việc tạo lập vật thể. Chúng tôi nói cho máy vi tính thuật toán dưới dạng ngôn ngữ toán học rằng con mèo có mặt tròn, một thân hình mũm mĩm, 2 tai nhọn, và một cái đuôi dài, và cái đó nhìn có vẻ ổn. Nhưng với con mèo này thì sao? (Tiếng cười) toàn là những đường cong lên. Bây giờ bạn lại có một hình dạng và góc nhìn khác đến vật thể khác. Nhưng nếu như con mèo bị ẩn đi thì sao? Thế còn những con mèo ngố này ? Bây giờ bạn đã hiểu ý của tôi rồi đó. Thậm chí thứ đơn giản như một vật nuôi trong nhà cũng có thể mang một con số vô tận những thay đổi đối với một vật thể mẫu, và nó mới chỉ là một vật thể mà thôi. Vì vậy mà khoảng 8 năm trước, một sự quan sát đơn giản và sâu sắc đã thay đổi suy nghĩ của tôi. Không ai nói cho một đứa trẻ biết chúng phải nhìn như thế nào, đặc biệt là trong những năm đầu đời. Chúng học hỏi qua những trãi nghiệm thế giới thực và qua những ví dụ. Nếu như bạn xem xét đôi mắt của một đứa trẻ như một cặp máy quay phim sinh học chúng chụp một ảnh trong mỗi 200 mili giây khoảng thời gian trung bình một cử động mắt được thực hiện. Vì vậy mà đến ba tuổi, một đứa trẻ có thể đã nhìn hàng triệu những bức ảnh của thế giới thực. Đó là rất nhiều những ví dụ rèn luyện. Nên thay vì chú trọng vào mỗi việc làm cho thuật toán ngày một tốt hơn ý định của tôi là cho những thuật toán một dạng rèn luyện dữ liệu mà một đứa trẻ có được nhờ kinh nghiệm về cả lượng cả chất. Một khi chúng tôi nhận ra điều này, chúng tôi biết mình cần phải thu thập một cơ sở dữ liệu có nhiều hình ảnh hơn những gì mà chúng tôi đã từng có trước đây, thậm chí là gấp hàng ngàn lần nữa, và cùng với giáo sư Kai Li ở đại học Princeton, chúng tôi triển khai dự án ImageNet vào năm 2007. May mắn thay, chúng tôi không cần phải gắn camera trên đâu và đợi chờ nhiều năm nữa. Chúng tôi lên mạng, nguồn tài nguyên ảnh lớn nhất mà con người đã từng tạo ra. Chúng tôi tải xuống gần một triệu bức và sử dụng công nghệ nguồn đám đông như nền tảng Amazon Mechanical Tuck để giúp chúng tôi phân loại những hình ảnh này. Vào đỉnh điểm, ImageNet là một trong số những ông chủ lớn nhất của những nhân viên Amazon Mechanical Turk cùng nhau, gần 50000 nhân viên từ 167 quốc gia trên thế giới giúp chúng tôi dọn dẹp, sắp xếp và phân loại gần một triệu tấm ảnh ứng viên. Đó mới thấy phải mất rất nhiều nổ lực để nắm bắt được thậm chí chỉ là một mảnh hình ảnh của trí óc trẻ con trong những năm tháng phát triển đầu đời Trong nhận thức muộn màng, ý tưởng sử dụng dữ liệu lớn để hướng dẫn một thuật toán vi tính có thể hiển nhiên vào lúc này, nhưng trở lại năm 2007, nó không hiển nhiên như vậy. Chúng tôi gần như là đơn độc trên hành trình này trong một thời gian dài. Một vài đồng nghiệp thân thiện khuyên tôi làm cái gì khác có lợi hơn cho chức vụ, và chúng tôi liên tục phải xoay xở tìm nguồn tài trợ cho dự án. Một lần, tôi đùa với những học viên cao học của mình tôi sẽ mở lại shop giặt là để tài trợ cho ImageNet Dù gì, thì đó là cách mà tôi trang trải cho những năm tháng đại học của mình. Vì thế mà chúng tôi tiếp tục. Năm 2009, dự án ImageNet chuyển tải một cơ sở dữ liệu của 15 triệu tấm ảnh trong 22000 lớp đối tượng và đồ vật được tổ chức theo từng từ tiếng Anh thông dụng. Về cả số lượng và chất lượng, đây là một quy mô chưa từng có Lấy ví dụ, trong trường hợp của mèo, chúng tôi có hơn 62000 con mèo đủ mọi loại hình dạng và kiểu dáng và trong tất cả những loài mèo nhà hay mèo hoang. Chúng tôi hứng khởi để cùng nhau xây dựng nên ImageNet, và chúng tôi muốn cả thế giới nghiên cứu được hưởng lợi từ nó, vì vậy mà ở TED, chúng tôi mở toàn bộ hệ thống dữ liệu cho cộng đồng nghiên cứu quốc tế miễn phí (vỗ tay) Bây giờ chúng ta đã có dữ liệu để nuôi sống não bộ máy tính của chúng ta, chúng ta đã sẵn sàng quay trở lại với những thuật toán . Vì hóa ra là, sự dồi dào của những nguồn thông tin bởi ImageNet là một sự kết hợp hoàn hảo cho việc học những thuật toán của máy tính gọi là mạng lưới nơ ron đan chéo, tiên phong bởi Kunihiko Fukushima, Geoff Hinton, và Yann LeCun từ những năm 1970 và 1980 Giống như não bộ, nó bao gồm hàng triệu những nơ ron kết nối chặt chẽ với nhau, một đơn vị cơ bản trong mạng lưới neron là những nút giống như neron Cần phải có dữ liệu đầu vào từ nút này và gửi dữ liệu đầu ra cho nút khác. Hơn nữa, hàng trăm ngàn hoặc thậm chí hàng triệu nút được sắp xếp trong những lớp trật tự, cũng gần giống như não bộ. Trong mạng lưới điển hình chúng tôi dùng để huấn luyện những mẫu nhận diện vật thể có 24 triệu nút, 140 triệu thông số, và 15 tỉ liên kết. Đó là một mẫu cực kỳ lớn. Hỗ trợ bởi dữ liệu khổng lồ từ ImageNet và những CPUs và GPUs hiện đại để huấn luyện cho một mẫu cực lớn. mạng lưới những nơ ron đan chéo phát triển đến mức không ai có thể dự đoán được. Nó trở thành kiến trúc được dùng để điều hành những kết quả mới xuất hiện trong nhận diện vật thể. Đây là một chiếc máy tính nói với chúng ta rằng bức hình này bao gồm một con mèo và nơi mà con mèo đang ở. Dĩ nhiên là còn nhiều thứ hơn là con mèo, nên đây là một thuật toán nói với chúng ta rằng bức hình này bao gồm một đứa trẻ và một con gấu teddy; một con chó, một người, và một con diều nhỏ ở phía sau; hay một bức tranh của những thứ lộn xộn như một người, một tấm ván trượt, tay vịn, một cái đèn đường, vân vân. Đôi lúc, khi chiếc máy vi tính không chắc về những gì mà nó thấy, chúng tôi đã dạy nó trở nên thông minh đủ để cho chúng ta một câu trả lời an toàn thay vì phụ thuộc quá nhiều, giống như cách mà chúng ta sẽ làm, nhưng những lần khác những thuật toán thật sự ấn tượng với chúng tôi khi nói ra chính xác những đặc tính của đối tượng, như là xuất xứ, hiệu, năm sản xuất của những chiếc xe. Chúng tôi ứng dụng thuật toán này cho hàng triệu ảnh chụp đường phố trên Google qua hàng trăm thành phố của Mỹ, và chúng tôi đã nhận ra nhiều thứ rất thú vị: đầu tiên, nó xác nhận sự hiểu biết chung của chúng ta giá cả của những chiếc xe rất liên quan với thu nhập của hộ gia đình. Nhưng bất ngờ là, giá của xe cũng tương ứng với mức độ tội phạm trong những thành phố , hoặc tỉ lệ bầu phiếu theo mã vùng. Đợi một chút, có phải là vậy không? Phải chăng máy vi tính thực sự đã đạt được hay thậm chí vượt qua khả năng con người? Không nhanh vậy đâu. Cho tới nay, chúng ta mới chỉ dạy cho máy vi tính nhìn thấy những vật thể. Cái này giống như một đứa trẻ học cách bật ra một vài danh từ. Đó là một thành tựu đáng kinh ngạc, nhưng nó mới chỉ là bước đầu tiên. Nhanh thôi, những cột mốc phát triển khác sẽ đạt được, và trẻ em bắt đầu giao tiếp bằng những câu. Vì vậy thay vì nói đây là một con mèo trong bức tranh, bạn thật sự đã nghe đứa trẻ nhỏ nói rằng đây là một con mèo nằm trên một cái giường Vì thế mà dạy một chiếc máy tính nhìn một ảnh và cấu thành những câu nói, sự liên kết giữa những dữ liệu lớn và thuật toán phải tiếp tục những bước tiếp theo. Bây giờ, chiếc máy tính phải học cả những hình ảnh lẫn ngôn ngữ câu tự nhiên được tạo lập bởi con người. Giống như não bộ kết hợp giữa cái nhìn và ngôn ngữ, chúng tôi phát triển một hình mẫu liên kết những phần của những vật thể giống như những mẩu thông tin có thể trông thấy được với những từ ngữ và cụm từ trong câu. Khoảng 4 tháng trước, chúng tôi cuối cùng cũng liên kết chúng lại với nhau và tạo ra một trong những hình mẫu máy tính có thị giác đầu tiên có khả năng tạo ra một câu giống như con người khi nó thấy một bức ảnh lần đầu tiên. Bây giờ, tôi sẵn sàng cho bạn thấy điều mà máy vi tính nói khi nó trông thấy bức ảnh mà cô gái nhỏ đã thấy ở phần mở đầu của bài nói này. (Video) Máy vi tính: Một người đàn ông đang đứng cạnh một con voi. Một máy bay lớn đậu phía trên một đường băng sân bay. FFL: Dĩ nhiên, chúng tôi vẫn đang làm việc chăm chỉ để phát triển những thuật toán, và vẫn còn rất nhiều thứ để học (vỗ tay) Và máy tính vẫn còn mắc nhiều lỗi. (Video) Máy tinh: một con mèo đang nằm trong chăn trên một cái giường FFL: Nên đương nhiên, khi nó nhìn thấy quá nhiều mèo nó sẽ nghĩ mọi thứ có thể nhìn giống như một con mèo. Máy tính: Một chàng trai trẻ đang cầm một cái vợt bóng chày (cười lớn) FFL: Nếu nó chưa bao giờ thấy bàn chải, nó sẽ nhầm lẫn với một cái vợt bóng chày Máy tính: Người đàn ông đang cưỡi ngựa xuống một con đường gần một tòa nhà. (cười lớn) FFL: Chúng tôi chưa dạy môn nghệ thuật cơ bản cho máy tính Máy tính: Một con ngựa vằn đang đứng trên một bãi cỏ. FFL: Và nó chưa được học để trân trọng vẻ đẹp tuyệt mỹ của thiên nhiên như tôi và bạn. Vì thế nó là một hành trình dài. Để đi từ 0 tuổi đến 3 tuổi là đã khó. Thử thách thực sự là đi từ 3 đến 13 tuổi và còn xa hơn nữa. Để tôi nhắc cho bạn bức ảnh này về một bé trai và chiếc bánh một lần nữa. Trước đó, chúng ta đã dạy máy tính nhìn thấy những vật thể hoặc kể một câu chuyện đơn giản khi nhìn thấy một bức ảnh. Máy tính: Một người ngồi trên một cái bàn với một cái bánh. FFL: Nhưng còn rất nhiều thứ về bức ảnh này hơn là chỉ một người và một cái bánh. Điều mà máy tính không thấy được đây là một chiếc bánh kiếu Ý rất đặc biệt chỉ ăn vào dịp Phục Sinh. Thằng bé đang mặc chiếc áo thun yêu thích của nó trao cho cậu như một món quà của bố cậu sau một chuyến đi đến Sydney. và bạn và tôi có thể thấy được cậu bé trông vui đến thế nào và điều thực sự trong tâm trí của nó vào lúc đó. Đây là con trai tôi Leo. Trong khi nghiên cứu về trí thông minh hình ảnh, tôi không ngừng nghĩ về Leo và tương lai mà nó sẽ sống. Khi những chiếc máy có thể nhìn, bác sĩ và y tá sẽ có thêm những đôi mắt không mệt mỏi để giúp họ chẩn đoán và chăm sóc bệnh nhân. Những chiếc xe sẽ chạy nhanh hơn và an toàn hơn trên đường. Robots, không chỉ con người, giúp chúng ta đến với khu vực bị thiên tai để cứu những người mắc kẹt và thương vong. Và chúng ta sẽ khám phá ra những loài mới, vật liệu tốt hơn, và khám phá những biên giới chưa tưng thấy với sự giúp đỡ của máy móc. Từng chút từng chút một, chúng ta cho máy móc thị giác. Đầu tiên, chúng ta dạy chúng cách nhìn. Sau đó, chúng sẽ giúp chúng ta nhìn rõ hơn. Lần đầu tiên, đôi mắt của con người không còn là thứ duy nhất nghĩ ngợi và khám phá thế giới này. Chúng ta sẽ không chỉ sử dụng máy móc nhờ sự thông minh của chúng, chúng ta còn có thể hợp tác với chúng theo những cách không thể tưởng tượng nỗi. Đây là mong muốn của tôi: cho máy tính sự thông minh thị giác và tạo ra một tương lai tốt hơn cho Leo và cho thế giới. Cám ơn. (vỗ tay)