0:00:00.000,0:00:03.924
Dunque, sono a capo di un team di Google[br]che lavora sull'intelligenza artificiale;

0:00:03.948,0:00:08.598
in altre parole l'ingegneria che si occupa[br]di creare computer ed altri dispositivi

0:00:08.622,0:00:11.371
in grado di fare alcune delle cose[br]che fa il cervello.

0:00:11.439,0:00:14.538
E questo ci ha fatto interessare[br]al cervello vero

0:00:14.562,0:00:15.851
e alla neuroscienza,

0:00:15.875,0:00:20.047
ed in particolare a quelle cose che[br]fa il nostro cervello

0:00:20.071,0:00:25.113
che sono di gran lunga superiori [br]alle capacità dei computer.

0:00:25.209,0:00:28.818
Storicamente, una di queste aree[br]è stata la percezione,

0:00:28.842,0:00:31.881
il processo con cui le cose[br]nel mod,

0:00:31.905,0:00:33.489
suoni ed immagini,

0:00:33.513,0:00:36.181
possono diventare concetti[br]nella nostra mente.

0:00:36.235,0:00:38.752
Questo è essenziale[br]per il nostro cervello,

0:00:38.776,0:00:41.046
ed è anche piuttosto utile[br]per un computer.

0:00:41.046,0:00:44.986
Gli algoritmi di percezione della macchina[br]per esempio, elaborati dal nostro team,

0:00:45.010,0:00:48.884
sono ciò che rende le vostre foto[br]su Google Foto cercabili,

0:00:48.908,0:00:51.545
in base a ciò[br]che c'è nelle foto.

0:00:51.594,0:00:55.087
L'altro lato della percezione[br]è la creatività:

0:00:55.111,0:00:58.149
trasformare un concetto in qualcosa[br]che esiste nel mondo reale.

0:00:58.173,0:01:01.728
Così l'anno scorso, il nostro lavoro[br]sulla percezione delle macchine,

0:01:01.752,0:01:06.611
ci ha inaspettatamente condotto[br]al mondo della creatività nelle macchine

0:01:06.635,0:01:08.495
e dell'arte nelle macchine.

0:01:08.556,0:01:11.840
Penso che Michelangelo [br]ebbe una profonda intuizione

0:01:11.864,0:01:16.010
riguardo questa duplice relazione[br]tra percezione e creatività.

0:01:16.023,0:01:18.029
Questo è una sua famosa citazione:

0:01:18.134,0:01:21.134
"Ogni blocco di pietra[br]ha una statua dentro di sè

0:01:21.134,0:01:24.134
ed è compito dello scultore scoprirla".

0:01:26.029,0:01:29.245
Penso che quello che [br]Michelangelo intendesse dire

0:01:29.269,0:01:32.449
è che creiamo dalla percezione,

0:01:32.473,0:01:35.496
e che la percezione stessa[br]è un atto dell'immaginazione

0:01:35.520,0:01:38.621
ed è qualcosa della creatività.

0:01:38.691,0:01:42.616
L'organo che si occupa di pensare[br]percepire ed immaginare

0:01:42.640,0:01:45.038
naturalmente è il cervello.

0:01:45.089,0:01:47.634
Vorrei cominciare con un breve[br]resoconto sulla storia

0:01:47.658,0:01:49.986
della nostra conoscenza del cervello.

0:01:49.986,0:01:52.942
Perché a differenza, per esempio,[br]del cuore o dell'intestino,

0:01:52.966,0:01:56.110
non possiamo dire molto del cervello[br]solo osservandolo,

0:01:56.134,0:01:57.986
almeno ad occhio nudo.

0:01:57.986,0:02:00.399
I primi anatomisti[br]che studiarono il cervello

0:02:00.423,0:02:04.230
diedero alle superficiali strutture[br]di questa cosa nomi fantasiosi,

0:02:04.254,0:02:06.687
come ippocampo, che significa [br]"gamberetto".

0:02:06.711,0:02:09.475
Ma naturalmente questo[br]non ci dice molto

0:02:09.499,0:02:12.717
su cosa realmente succede all'interno.

0:02:12.780,0:02:16.347
Il primo che, credo, sviluppò davvero[br]una qualche intuizione

0:02:16.347,0:02:18.347
su cosa succedesse[br]all'interno del cervello

0:02:18.371,0:02:22.291
fu il grande neuroanatomista spagnolo[br]Santiago Ramón y Cajal,

0:02:22.315,0:02:23.859
nel XIX secolo,

0:02:23.883,0:02:27.638
che utilizzò il microscopio[br]e speciali tinture

0:02:27.662,0:02:31.832
che potevano selettivamente riempire[br]o risaltare in elevato contrasto[br]

0:02:31.856,0:02:33.864
le singole cellule del cervello,

0:02:33.888,0:02:37.902
per iniziare a comprenderne[br]la morfologia.

0:02:37.972,0:02:40.863
E questi sono gli schizzi[br]che fece dei neuroni

0:02:40.887,0:02:42.096
nel XIX secolo.

0:02:42.120,0:02:44.004
Questo è il cervello di un uccello.

0:02:44.028,0:02:47.085
Vedete l'incredibile varietà[br]di cellule differenti,

0:02:47.109,0:02:50.544
persino la teoria cellulare stessa[br]era abbastanza nuova all'epoca.

0:02:50.568,0:02:51.846
E queste strutture,

0:02:51.870,0:02:54.033
queste cellule che hanno[br]queste ramificazioni,

0:02:54.033,0:02:57.201
questi rami che possono percorrere[br]distanze davvero lunghissime...

0:02:57.201,0:02:59.001
questa era una vera novità all'epoca.

0:02:59.001,0:03:01.682
E naturalmente, ci ricordano[br]dei fili elettrici.

0:03:01.706,0:03:05.163
Questo sarebbe potuto essere ovvio[br]per alcuni nel XIX secolo;

0:03:05.187,0:03:09.931
le rivoluzioni dei circuiti,[br]dell'elettricità stavano cominciando.

0:03:09.971,0:03:11.142
Ma in molti modi,

0:03:11.166,0:03:14.479
i disegni di microanatomia[br]di Ramón y Cajal, come questo,

0:03:14.503,0:03:16.835
sono ancora in qualche modo attuali.

0:03:16.859,0:03:18.257
Dopo più di un secolo,

0:03:18.257,0:03:21.562
stiamo ancora cercando di finire[br]il lavoro iniziato da Ramón y Cajal.

0:03:21.586,0:03:24.720
Questi sono dati grezzi[br]dai nostri collaboratori

0:03:24.744,0:03:27.439
all'Istituto Max Planck di Neuroscienze.

0:03:27.439,0:03:29.439
Ciò che hanno fatto[br]i nostri collaboratori

0:03:29.463,0:03:34.464
è rappresentare frammenti[br]di tessuto celebrale.

0:03:34.488,0:03:37.814
L'intero campione qui è di circa[br]un millimetro cubico,

0:03:37.838,0:03:40.459
e ve ne sto mostrando[br]un pezzo piccolissimo qui.

0:03:40.483,0:03:42.829
Quella barra a sinistra[br]è di circa un micron.

0:03:42.853,0:03:45.262
Le strutture che vedete[br]sono i mitocondri

0:03:45.286,0:03:47.330
che sono delle dimensioni[br]dei batteri.

0:03:47.354,0:03:49.275
E queste sono sezioni consecutive

0:03:49.275,0:03:52.077
di questo minuscolo[br]blocco di tessuto.

0:03:52.101,0:03:54.504
Solo per fare un confronto,

0:03:54.528,0:03:57.584
il diametro medio di un capello[br]misura circa 100 microns.

0:03:57.584,0:04:00.618
Quindi stiamo osservando qualcosa[br]di molto, molto più piccolo

0:04:00.642,0:04:02.040
di un singolo capello.

0:04:02.064,0:04:06.095
E da queste serie di parti[br]microscopiche di elettroni,

0:04:06.119,0:04:11.127
si possono cominciare ricostruzioni[br]3D dei neuroni che appaiono come questi.

0:04:11.151,0:04:14.072
Sono in qualche modo simili al lavoro[br]svolto da Ramón y Cajal.

0:04:14.072,0:04:15.824
Solo pochi neuroni[br]sono evidenziati,

0:04:15.848,0:04:18.629
perché altrimenti non potremmo[br]osservare nulla qui.

0:04:18.653,0:04:19.965
Sarebbe molto affollato

0:04:19.989,0:04:21.319
e pieno di strutture,

0:04:21.343,0:04:25.267
di fili che uniscono tutti[br]i neutroni tra loro.

0:04:25.293,0:04:28.097
Quindi, Ramón y Cajal era un po' avanti[br]per i suoi tempi,

0:04:28.121,0:04:30.676
e gli sviluppi sulla comprensione[br]del cervello

0:04:30.700,0:04:33.431
avanzarono lentamente nel corso[br]dei decenni successivi.

0:04:33.455,0:04:35.642
Ma sapevamo che i neuroni[br]usano l'elettricità,

0:04:35.642,0:04:39.268
e dalla Seconda Guerra Mondiale, la nostra[br]tecnologia era abbastanza avanzata

0:04:39.292,0:04:42.208
da iniziare a fare veri esperimenti[br]elettrici su neuroni vivi

0:04:42.208,0:04:44.628
per capire meglio il loro funzionamento.

0:04:44.631,0:04:48.987
Questa fu l'epoca in cui vennero[br]inventati i computer,

0:04:49.011,0:04:52.111
basati fondamentalmente[br]sul modello del cervello,

0:04:52.135,0:04:55.220
di "macchina intelligente"[br]come Alan Turing lo chiamò,

0:04:55.244,0:04:57.875
uno dei padri della scienza del computer.

0:04:57.923,0:05:02.555
Warren MacCulloch e Walter Pitts [br]studiarono i disegni di Ramón y Cajal

0:05:02.579,0:05:03.896
della corteccia visiva,

0:05:03.920,0:05:05.482
che vi mostro qui.

0:05:05.506,0:05:10.378
Questa è la corteccia che elabora[br]le immagini provenienti dall'occhio.

0:05:10.424,0:05:14.332
Secondo loro, ciò appariva[br]come un diagramma di un circuito.

0:05:14.353,0:05:18.188
Molti dettagli dei diagrammi[br]di MacCulloch e Pitts

0:05:18.212,0:05:19.564
non sono proprio corretti.

0:05:19.588,0:05:20.823
Ma questa idea di base

0:05:20.847,0:05:24.839
che la corteccia visiva lavorasse[br]come una serie di elementi di calcolo

0:05:24.863,0:05:27.609
che trasmettono informazioni[br]l'un l'altra in sequenza

0:05:27.633,0:05:29.235
è essenzialmente corretto.

0:05:29.259,0:05:31.609
Analizziamo un attimo

0:05:31.633,0:05:36.185
ciò che un modello di elaborazione[br]di informazioni visive dovrebbe fare.

0:05:36.228,0:05:38.969
Il compito fondamentale[br]della percezione

0:05:38.993,0:05:43.187
è di catturare un'immagine[br]come questa e dire:

0:05:43.211,0:05:44.387
"Questo è un uccello,"

0:05:44.411,0:05:47.285
che è una cosa molto semplice[br]per il nostro cervello.

0:05:47.309,0:05:50.730
Ma tutti voi dovreste capire[br]che per un computer,

0:05:50.754,0:05:53.841
ciò era praticamente impossibile[br]sino a qualche anno fa.

0:05:53.865,0:05:55.781
Il classico paradigma di calcolo

0:05:55.805,0:05:59.302
in questo caso non è[br]così semplice da realizzare.

0:05:59.366,0:06:01.918
Ciò che accade[br]tra i pixel,

0:06:01.942,0:06:05.970
tra l'immagine dell'uccello e[br]la parola "uccello",

0:06:05.994,0:06:08.808
essenzialmente è un gruppo[br]di neuroni connessi tra loro

0:06:08.832,0:06:09.861
in una rete neurale,

0:06:09.861,0:06:11.234
come sto schematizzando qui.

0:06:11.258,0:06:15.040
Questa rete neurale può essere[br]biologica, nella nostra corteccia visuale,

0:06:15.040,0:06:16.716
oppure, oggi, possiamo

0:06:16.740,0:06:19.774
modellare queste reti neuronali[br]su un computer.

0:06:19.834,0:06:22.187
E vi mostrerò come in realtà ciò appaia.

0:06:22.211,0:06:25.627
Quindi i pixel potete immaginarli[br]come un primo strato di neuroni,

0:06:25.651,0:06:27.890
ed è così, infatti, che funziona l'occhio:

0:06:27.914,0:06:29.577
questi sono i neuroni della retina.

0:06:29.601,0:06:31.101
Ed essi trasmettono

0:06:31.125,0:06:34.528
da uno strato all'altro,

0:06:34.552,0:06:37.399
tutti connessi da sinapsi di[br]peso differente.

0:06:37.399,0:06:38.944
Il comportamento[br]di questa rete

0:06:38.968,0:06:42.252
è caratterizzato dalle forze[br]di tutte queste sinapsi.

0:06:42.276,0:06:45.564
Esse caratterizzano le proprietà[br]di calcolo di questa rete.

0:06:45.588,0:06:47.058
E alla fine della giornata,

0:06:47.082,0:06:49.529
abbiamo un neurone o [br]un piccolo gruppo di neuroni

0:06:49.553,0:06:51.790
che si accendono e dicono "uccello".

0:06:51.820,0:06:54.956
Adesso vi mostrerò[br]queste tre cose:

0:06:54.980,0:06:59.676
i pixel di input, le sinapsi[br]nella rete neurale,

0:06:59.700,0:07:01.285
e l'uccello, il risultato,

0:07:01.309,0:07:04.663
attraverso tre variabili: x, w ed y.

0:07:04.663,0:07:06.664
Ci sono forse un milione[br]di x più o meno,

0:07:06.688,0:07:08.641
un milione di pixel in questa immagine.

0:07:08.665,0:07:11.111
Ci sono miliardi o triliardi di w,

0:07:11.135,0:07:14.556
che rappresentano il peso di tutte queste[br]sinapsi nella rete neurale.

0:07:14.580,0:07:16.455
E c'è un piccolissimo numero di y,

0:07:16.479,0:07:18.337
di uscite che ha quella rete.

0:07:18.361,0:07:21.040
Uccello è di sole tre sillabe,[br]giusto?

0:07:21.088,0:07:24.514
Facciamo finta che sia solo[br]una semplice formula,

0:07:24.538,0:07:26.701
x "x" w = y.

0:07:26.725,0:07:28.761
Sto mettendo il "per" tra virgolette

0:07:28.785,0:07:31.065
perché cio che realmente accade,[br]ovviamente,

0:07:31.089,0:07:35.115
è una complicatissima serie[br]di operazioni matematiche.

0:07:35.172,0:07:36.393
Questa è un'equazione.

0:07:36.417,0:07:38.089
Ci sono tre variabili.

0:07:38.113,0:07:40.839
E sappiamo tutti che se hai un'equazione,

0:07:40.863,0:07:45.105
puoi risolvere una variabile[br]conoscendo le altre due.

0:07:45.158,0:07:48.538
Quindi il problema[br]di arrivare alla soluzione,

0:07:48.562,0:07:51.435
vale a dire, capire che l'immagine[br]dell'uccello è un uccello,

0:07:51.459,0:07:52.733
è questo:

0:07:52.757,0:07:56.216
è che y è l'incognita[br]e w ed x i termini noti.

0:07:56.240,0:07:58.543
Conoscete la rete neurale[br]e conoscete i pixel.

0:07:58.543,0:08:02.050
Come potete vedere questo in realtà[br]è un problema relativamente semplice.

0:08:02.074,0:08:04.790
Moltiplicate per due volte tre[br]ed è fatta.

0:08:04.862,0:08:06.669
Vi mostro una rete[br]neurale artificiale

0:08:06.669,0:08:09.705
che abbiamo recentemente realizzato [br]facendo esattamente questo.

0:08:09.705,0:08:12.494
Funziona in tempo reale[br]su un cellulare,

0:08:12.518,0:08:15.831
e questo è di certo[br]sorprendente di per sè,

0:08:15.855,0:08:19.323
che i cellulari possono fare[br]miliardi e triliardi di operazioni[br]

0:08:19.347,0:08:20.259
al secondo.

0:08:20.259,0:08:22.234
Quello che state guardando[br]è un cellulare

0:08:22.258,0:08:25.805
che guarda un'immagine[br]di un uccello dopo l'altra

0:08:25.829,0:08:28.544
ed in realtà non dice solo:[br]"Sì, è un uccello",

0:08:28.568,0:08:32.829
ma identifica le specie di uccello[br]con una rete di questo tipo.

0:08:32.890,0:08:34.716
Quindi in questa foto,

0:08:34.740,0:08:38.542
la x e la w sono note,[br]e la y è l'incognita.

0:08:38.566,0:08:41.074
Sto tralasciando la parte più[br]difficile ovviamente,

0:08:41.098,0:08:44.959
che è come diamine[br]ci immaginiamo la w,

0:08:44.983,0:08:47.170
il cervello che può fare una cosa simile ?

0:08:47.194,0:08:49.388
Come potremmo mai conoscere[br]un simile modello?

0:08:49.418,0:08:52.651
Così questo processo di apprendimento[br]di risolvere tramite la w,

0:08:52.675,0:08:55.322
se stavamo facendo questo[br]con una semplice equazione

0:08:55.346,0:08:57.346
nella quale pensiamo a questi come numeri,

0:08:57.370,0:09:00.057
sappiamo esattamente come fare:[br]6 = 2 x w,

0:09:00.081,0:09:03.963
bene, dividiamo per due ed è fatta.

0:09:04.001,0:09:06.761
Il problema sta in questa operazione.

0:09:06.823,0:09:07.808
La divisione...

0:09:07.808,0:09:11.119
abbiamo usato la divisione perché [br]è l'inverso della moltiplicazione,

0:09:11.143,0:09:12.583
ma come abbiamo appena detto,

0:09:12.607,0:09:15.056
la moltiplicazione è un bugia qui.

0:09:15.080,0:09:18.406
Questa è un'operazione complicatissima,[br]davvero non semplice;

0:09:18.430,0:09:20.134
non ha l'inverso.

0:09:20.158,0:09:23.308
Cosi dobbiamo cercare[br]di risolvere l'equazione

0:09:23.332,0:09:25.356
senza un'operazione di divisione.

0:09:25.380,0:09:27.723
E fare ciò[br]è abbastanza semplice.

0:09:27.747,0:09:30.418
Diciamo solo che facciamo un[br]trucchetto algebrico,

0:09:30.442,0:09:33.348
e spostiamo il sei nella parte[br]a destra dell'equazione.

0:09:33.372,0:09:35.638
Ora, stiamo ancora usando[br]la moltiplicazione.

0:09:35.675,0:09:38.989
E quello zero, pensiamolo come un errore.

0:09:38.989,0:09:41.794
In altre parole, se abbiamo risolto[br]la w in modo corretto,

0:09:41.818,0:09:43.474
allora l'errore sarà lo zero.

0:09:43.498,0:09:45.436
E se non l'abbiamo fatto giusto,

0:09:45.460,0:09:47.209
l'errore sarà maggiore di zero.

0:09:47.233,0:09:50.263
Cosi ora possiamo fare delle prove[br]per minimizzare l'errore

0:09:50.263,0:09:53.310
e questo è il genere di cose[br]in cui i computer sono molto bravi.

0:09:53.334,0:09:55.387
Quindi abbiamo[br]un valore fittizio iniziale:

0:09:55.387,0:09:56.107
se w = 0?

0:09:56.131,0:09:57.371
Beh, allora l'errore è 6.

0:09:57.395,0:09:58.505
Se w = 1? L'errore è 4.

0:09:58.505,0:10:01.232
E così il computer può giocare[br]ad una sorta di Marco Polo,

0:10:01.256,0:10:03.623
e abbassare il margine[br]di errore vicino allo zero.

0:10:03.647,0:10:07.021
E così facendo, sta ottenendo[br]continue approssimazioni per w.

0:10:07.045,0:10:10.701
Generalmente, non ci si avvicina mai,[br]ma dopo una dozzina di passaggi

0:10:10.725,0:10:16.182
arriviamo a w = 2,999,[br]che è abbastanza vicino.

0:10:16.182,0:10:18.116
E questo è il processo[br]di apprendimento.

0:10:18.140,0:10:20.870
Quindi, ricordate che quello[br]che succede qui

0:10:20.894,0:10:25.272
è che abbiamo preso un mucchio [br]di x note ed y note

0:10:25.296,0:10:28.750
e abbiamo risolto la w nel mezzo[br]attraverso un processo iterativo.

0:10:28.774,0:10:32.330
È esattamente lo stesso processo[br]che utilizziamo per apprendere.

0:10:32.354,0:10:34.584
Riceviamo moltissime[br]immagini da bambini

0:10:34.608,0:10:37.641
che ci dicono: "questo è un uccello;[br]questo non è un uccello."

0:10:37.714,0:10:39.812
E con il tempo, attraverso l'iterazione,

0:10:39.836,0:10:43.444
risolviamo la w, risolviamo[br]quei collegamenti neurali.

0:10:43.460,0:10:47.400
Quindi adesso abbiamo mantenuto [br]fisse x ed w per risolvere y;

0:10:47.400,0:10:49.351
questa è la rapida percezione quotidiana.

0:10:49.351,0:10:50.968
Abbiamo capito[br]come risolvere la w,

0:10:50.968,0:10:53.015
che è apprendere,[br]che è molto più difficile,

0:10:53.015,0:10:55.210
perché abbiamo bisogno[br]di minimizzare l'errore,

0:10:55.210,0:10:56.951
usando molti esempi[br]come allenamento.

0:10:56.951,0:11:00.062
E circa un anno fa, [br]Alex Mordvintsev, nel nostro team,

0:11:00.086,0:11:03.636
decise di sperimentare cosa[br]accade se cerchiamo di risolvere x,

0:11:03.660,0:11:06.097
conoscendo w e y.

0:11:06.124,0:11:07.275
In altre parole,

0:11:07.299,0:11:08.651
sapete che è un uccello,

0:11:08.675,0:11:11.978
e avete già la rete neurale[br]che avete allenato sugli uccelli,

0:11:12.002,0:11:14.976
ma cos'è l'immagine di un uccello?

0:11:15.034,0:11:20.058
È venuto fuori che utilizzando la stessa [br]procedura di minimizzazione dell'errore,

0:11:20.082,0:11:23.512
si può fare con la rete allenata[br]a riconoscere gli uccelli,

0:11:23.536,0:11:30.374
ed il risultato è...

0:11:30.400,0:11:32.765
un'immagine di uccelli.

0:11:32.814,0:11:36.551
Quindi questa è un'immagine di uccelli[br]interamente generata dalla rete neurale

0:11:36.575,0:11:38.401
allenata a riconoscere gli uccelli,

0:11:38.425,0:11:41.963
risolvendo solo x[br]piuttosto che risolvere y,

0:11:41.987,0:11:43.695
e facendolo in modo iterativo.

0:11:43.732,0:11:45.579
Ho qui un altro esempio divertente.

0:11:45.603,0:11:49.040
Questo era un lavoro fatto[br]da Mike Tyra nel nostro gruppo

0:11:49.064,0:11:51.372
che lui chiama "Parata degli animali".

0:11:51.396,0:11:54.272
Mi ricorda un po' le opere d'arte[br]di William Kentridge,

0:11:54.296,0:11:56.785
in cui fa schizzi, li cancella,

0:11:56.809,0:11:58.083
fa schizzi, li cancella,

0:11:58.083,0:11:59.691
ed in questa maniera[br]crea un film.

0:11:59.715,0:12:00.866
In questo caso,

0:12:00.890,0:12:04.167
quello che Mike fa è variare[br]la y tra diversi animali,

0:12:04.191,0:12:06.573
in una rete disegnata per riconoscere[br]e distinguere

0:12:06.597,0:12:08.407
diversi animali l'uno dall''altro.

0:12:08.431,0:12:14.202
E si ottiene questa strana trasformazione[br]stile Escher da un animale all'altro.

0:12:14.221,0:12:18.835
Qui lui ed Alex insieme[br]hanno cercato di ridurre

0:12:18.859,0:12:21.618
la y ad uno spazio di sole due dimensioni,

0:12:21.642,0:12:25.080
in modo tale da creare una mappa[br]a aprtire dallo spazio delle cose

0:12:25.104,0:12:26.823
riconosciute da questa rete.

0:12:26.847,0:12:28.754
Facendo questo tipo di sintesi

0:12:28.754,0:12:31.240
o generazione di immagini[br]su tutta quella superficie,

0:12:31.240,0:12:34.146
variando y sulla superficie,[br]si può creare una sorta di mappa,

0:12:34.170,0:12:37.311
una mappa visuale di tutte le cose[br]che la rete sa come riconoscere.

0:12:37.335,0:12:40.880
Gli animali sono tutti qui;[br]"armadillo" è in quel posto.

0:12:40.919,0:12:43.398
Potete fare questo anche[br]con altri generi di reti.

0:12:43.422,0:12:46.296
Questa è una rete disegnata[br]per riconoscere i visi,

0:12:46.320,0:12:48.340
per distinguere una faccia da un'altra.

0:12:48.340,0:12:50.814
E qui, stiamo inserendo[br]una y che dice "me",

0:12:50.833,0:12:52.623
i miei parametri facciali.

0:12:52.623,0:12:54.316
E quando questa cosa risolve la x,

0:12:54.322,0:12:57.572
genera questa specie di pazza,

0:12:57.592,0:13:02.030
cubista, surreale, psichedelica[br]immagine di me stesso

0:13:02.040,0:13:03.860
da molteplici punti di vista insieme.

0:13:03.870,0:13:06.616
La ragione per cui sembrano[br]più punti di vista insieme

0:13:06.626,0:13:10.344
è che la rete è costruita per[br]scartare le ambiguità

0:13:10.344,0:13:12.835
di un volto che sia in una posa[br]o in un'altra

0:13:12.835,0:13:16.135
guardato con un tipo di luce,[br]poi con un altro.

0:13:16.135,0:13:18.345
Così quando si fa questo tipo[br]di ricostruzione,

0:13:18.345,0:13:20.682
se non si usa una qualche sorta[br]di immagine guida,

0:13:20.682,0:13:21.912
o statistica guida,

0:13:21.912,0:13:25.697
otterrete una sorta di confusione[br]di differenti punti di vista,

0:13:25.697,0:13:27.786
perchè è ambiguo.

0:13:27.786,0:13:31.998
Questo è quello che succede se Alex[br]usa la sua faccia come immagine campione

0:13:32.028,0:13:36.269
durante il processo di ottimizzazione[br]per ricostruire il mio viso.

0:13:36.279,0:13:38.644
Come potete vedere non è perfetto.

0:13:38.644,0:13:40.532
C'è ancora un bel po' di lavoro da fare

0:13:40.542,0:13:42.830
su come migliorare[br]il processo di ottimizzazione.

0:13:42.830,0:13:45.887
Ma si è cominciato ad ottenere [br]qualcosa di più simile a un viso,

0:13:45.887,0:13:48.888
usando la mia faccia come modello.

0:13:48.888,0:13:51.416
Non è necessario iniziare[br]con una tela bianca

0:13:51.416,0:13:52.603
o con un rumore bianco.

0:13:52.603,0:13:53.933
Quando risolvete la x,

0:13:53.933,0:13:57.841
potete iniziare con una x, che di per sè[br]è già una qualche altra immagine.

0:13:57.841,0:14:00.424
Questa ne è[br]una piccola dimostrazione.

0:14:00.424,0:14:04.374
Questa è una reta[br]disegnata per categorizzare

0:14:04.374,0:14:07.710
ogni genere di oggetti diversi:[br]strutture create dall'uomo, animali...

0:14:07.710,0:14:10.323
Qui cominciamo semplicemente[br]con una foto di nubi,

0:14:10.323,0:14:12.020
e appena ottimizziamo,

0:14:12.020,0:14:16.925
sostanzialmente, questa rete cerca[br]di capire ciò che vede nelle nubi.

0:14:16.925,0:14:19.275
E più tempo state a guardarla,

0:14:19.275,0:14:23.001
più cose riuscirete[br]a vedere nelle nubi.

0:14:23.001,0:14:26.398
Si potrebbe anche utilizzare[br]la rete dei visi per allucinarla

0:14:26.398,0:14:28.239
ed ottenere cose piuttosto folli.

0:14:28.239,0:14:30.399
(Risate)

0:14:30.399,0:14:33.169
Oppure, Mike ha fatto[br]qualche altro esperimento

0:14:33.169,0:14:37.095
in cui prende questa immagine[br]di nuvole

0:14:37.095,0:14:40.634
allucinata, zoomata, allucinata[br]zoomata, allucinata, zoomata.

0:14:40.634,0:14:41.799
Ed in questo modo,

0:14:41.799,0:14:45.500
è possibile ottenere una sorta di stato[br]di fuga dalla rete, suppongo,

0:14:45.500,0:14:49.209
o una sorta di libera associazione,

0:14:49.209,0:14:51.463
nella quale la rete[br]si morde la coda.

0:14:51.463,0:14:54.904
Così ogni immagine è adesso la base per:

0:14:54.904,0:14:56.349
"Cosa penso di vedere dopo?

0:14:56.349,0:14:59.494
Cosa penso di vedere dopo?[br]Cosa penso di vedere dopo?"

0:14:59.494,0:15:02.451
Ho mostrato questa cosa[br]per la prima volta in pubblico

0:15:02.451,0:15:07.913
a un gruppo in una conferenza a Seattle[br]chiamato "Istruzione superiore",

0:15:07.913,0:15:10.374
subito dopo che [br]la marijuana fu legalizzata.

0:15:10.374,0:15:14.625
(Risate)

0:15:14.625,0:15:16.764
Così mi piacerebbe[br]concludere velocemente

0:15:16.764,0:15:21.031
semplicemente facendovi notare[br]che questa tecnologia non è vincolata.

0:15:21.031,0:15:24.720
Vi ho mostrato esempi puramente visuali[br]perché sono divertenti da vedere.

0:15:24.720,0:15:26.949
Ma non è una tecnologia puramente visiva.

0:15:26.949,0:15:29.204
Il nostro collaboratore artistico,[br]Ross Goodwin,

0:15:29.224,0:15:32.911
ha fatto esperimenti con una fotocamera[br]che cattura un'immagine,

0:15:32.911,0:15:37.166
e con un computer nel suo zaino[br]che scrive una poesia usando reti neurali,

0:15:37.166,0:15:39.144
basata sui contenuti dell'immagine.

0:15:39.144,0:15:42.112
E quella rete neurale di poesia[br]è stata allenata

0:15:42.112,0:15:44.373
su un vasto materiale di poesie[br]del XX secolo.

0:15:44.373,0:15:45.891
E, sapete, la poesia,

0:15:45.891,0:15:47.834
secondo me, in realtà non è male.

0:15:47.834,0:15:49.232
(Risate)

0:15:49.232,0:15:50.420
Per finire,

0:15:50.420,0:15:52.573
penso che Michelangelo

0:15:52.573,0:15:53.829
avesse ragione;

0:15:53.829,0:15:57.607
percezione e creatività [br]sono strettamente correlate.

0:15:57.607,0:16:00.267
Quello che abbiamo appena visto[br]sono reti neurali

0:16:00.267,0:16:02.595
che sono completamente[br]allenate a distinguere

0:16:02.595,0:16:04.862
o a riconoscere differenti cose[br]nel mondo,

0:16:04.862,0:16:08.048
e se attivate al contrario, per creare.

0:16:08.048,0:16:09.853
Una delle cose che mi suggerisce

0:16:09.853,0:16:12.280
è che non solo Michelangelo[br]potesse davvero vedere

0:16:12.280,0:16:14.752
la scultura all'interno[br]del blocco di pietra,

0:16:14.752,0:16:18.408
ma che ogni creatura,[br]ogni essere, ogni alieno

0:16:18.408,0:16:21.910
che è in grado di eseguire[br]atti percettivi di questo genere

0:16:21.910,0:16:23.181
è anche in grado di creare

0:16:23.181,0:16:26.740
perché è esattamente la stessa macchina[br]che viene usata in entrambi i casi.

0:16:26.740,0:16:31.298
Inoltre penso che la percezione[br]e la creazione non siano

0:16:31.298,0:16:32.534
mezzi unicamente umani.

0:16:32.534,0:16:36.258
Iniziamo ad avere modelli di computer[br]che fanno proprio questo genere di cose.

0:16:36.258,0:16:39.620
E questo non dovrebbe sorprendere;[br]il cervello è computazionale.

0:16:39.620,0:16:41.302
Ed infine,

0:16:41.302,0:16:45.993
il calcolo iniziò come un esercizio per[br]creare macchine intelligenti.

0:16:45.993,0:16:48.475
È iniziato dall'idea

0:16:48.475,0:16:51.341
che potessimo creare[br]macchine intelligenti.

0:16:51.341,0:16:53.698
E finalmente stiamo iniziando[br]ad adempiere adesso

0:16:53.698,0:16:56.134
ad alcune delle promesse[br]di quei primi pionieri,

0:16:56.134,0:16:57.874
di Turing e von Neumann,

0:16:57.874,0:17:00.151
di MacCulloch e Pitts.

0:17:00.151,0:17:04.280
E pens che l'informatica[br]non sia solo calcolare

0:17:04.280,0:17:06.322
o giocare a Candy Crush o altro.

0:17:06.322,0:17:09.063
Fin dal principio, l'abbiamo[br]modellata sulle nostre menti.

0:17:09.063,0:17:12.515
Ed essa ci hanno fornito sia la capacità[br]di capire meglio la nostra mente

0:17:12.515,0:17:14.618
sia di ampliarla.

0:17:14.618,0:17:15.824
Grazie mille.

0:17:15.824,0:17:18.144
(ApplausiI)