Wie Computer Kreativität lernen
-
0:01 - 0:04Ich bin Teamleiter bei Google
im Bereich Maschinenintelligenz, -
0:04 - 0:09das ist die Ingenieurdisziplin,
mit der man Computern und Geräten -
0:09 - 0:11etwas von dem beibringen kann,
was Gehirne können. -
0:11 - 0:15Deshalb interessieren wir uns
auch für echte Gehirne -
0:15 - 0:16und Neurowissenschaften,
-
0:16 - 0:20und besonders für die Dinge,
die unsere Gehirne können, -
0:20 - 0:24die noch weit über die Fähigkeiten
von Computern hinausgehen. -
0:25 - 0:29Ein Teilbereich unserer Arbeit war
schon immer die Wahrnehmung, -
0:29 - 0:32also der Vorgang, durch den
die Dinge auf der Welt -- -
0:32 - 0:33Geräusche und Bilder --
-
0:34 - 0:36in unserem Kopf zu Konzepten werden.
-
0:36 - 0:39Das ist entscheidend für unsere Gehirne
-
0:39 - 0:42und auch ziemlich nützlich für Computer.
-
0:42 - 0:45Unser Team schreibt Algorithmen
für maschinelle Wahrnehmung, -
0:45 - 0:48die etwa ermöglichen, dass
Ihre Bilder auf Google Fotos -
0:48 - 0:51basierend auf dem Bildinhalt
gesucht werden können. -
0:52 - 0:55Das Gegenstück zur Wahrnehmung
ist die Kreativität, -
0:55 - 0:58also das Schaffen einer Sache
auf Grundlage eines Konzepts. -
0:58 - 1:02Letztes Jahr kam zwischen unserer
Arbeit an maschineller Wahrnehmung, -
1:02 - 1:06dem Feld der maschinellen Kreativität
sowie der maschinellen Kunst -
1:06 - 1:08unerwartet eine Verbindung zustande.
-
1:08 - 1:12Ich glaube, Michelangelo hatte
einen scharfen Blick -
1:12 - 1:16für das duale Verhältnis zwischen
Wahrnehmung und Kreativität. -
1:16 - 1:18Ein berühmtes Zitat von ihm lautet:
-
1:18 - 1:21"Jeder rohe Stein hat eine Figur in sich,
-
1:22 - 1:25der Bildhauer muss sie nur entdecken."
-
1:26 - 1:29Ich glaube, Michelangelo wollte sagen,
-
1:29 - 1:32dass wir durch Wahrnehmung erschaffen.
-
1:32 - 1:36Die Wahrnehmung ist
ein Akt der Vorstellung, -
1:36 - 1:38die Grundlage für Kreativität.
-
1:39 - 1:43Das Organ, das all das Denken,
Wahrnehmen und Vorstellen erledigt, -
1:43 - 1:45ist natürlich das Gehirn.
-
1:45 - 1:48Jetzt möchte ich kurz
historisch betrachten, -
1:48 - 1:50was wir über Gehirne wissen.
-
1:50 - 1:53Denn anders als über
das Herz oder die Eingeweide -
1:53 - 1:56kann man nur durch Betrachten
nicht viel über Gehirne herausfinden, -
1:56 - 1:58zumindest nicht mit bloßem Auge.
-
1:58 - 2:00Die ersten Anatomen,
die sich Gehirne ansahen, -
2:00 - 2:04gaben der oberflächlichen Struktur
eine ganze Reihe fantasievoller Namen, -
2:04 - 2:07wie Hippocampus, was
"kleiner Shrimp" bedeutet. -
2:07 - 2:09Doch so etwas verrät uns
natürlich nicht viel darüber, -
2:09 - 2:12was im Inneren wirklich vor sich geht.
-
2:13 - 2:16Die erste Person, die meiner Meinung nach
wirklich eine Art Einblick -
2:16 - 2:18in die inneren Vorgänge
des Gehirns gewann, -
2:18 - 2:22war der große spanische Neuroanatom
Santiago Ramón y Cajal -
2:22 - 2:24im 19. Jahrhundert,
-
2:24 - 2:28der mit Mikroskopie und Spezialfarbe
-
2:28 - 2:32die einzelnen Gehirnzellen
selektiv ausfüllte -
2:32 - 2:34oder kontrastreich darstellte,
-
2:34 - 2:37um die Morphologie
der Zellen zu verstehen. -
2:38 - 2:40Das sind die Zeichnungen,
-
2:40 - 2:42die er im 19. Jahrhundert
von Neuronen anfertigte. -
2:42 - 2:44Diese zeigt ein Vogelgehirn.
-
2:44 - 2:47Sie sehen eine unglaubliche
Vielfalt verschiedener Zellarten. -
2:47 - 2:51Sogar die Zelltheorie selbst
war damals ziemlich neu. -
2:51 - 2:54Diese Strukturen,
diese verzweigten Zellen, -
2:54 - 2:57diese Äste, die sehr,
sehr weit reichen können -- -
2:57 - 2:58das war damals völlig neu.
-
2:59 - 3:02Sie erinnern ganz klar an Kabel.
-
3:02 - 3:05Das mag für manch einen im 19. Jh.
offensichtlich gewesen sein, -
3:05 - 3:10als gerade die Revolution
der Elektrizität und Verkabelung begann. -
3:10 - 3:11Doch in vielerlei Hinsicht
-
3:11 - 3:14wurden Ramón y Cajals
mikroanatomische Zeichnungen -
3:14 - 3:17wie diese hier, nie wirklich übertroffen.
-
3:17 - 3:19Jetzt, mehr als hundert Jahre später,
-
3:19 - 3:22versuchen wir immer noch,
Ramón y Cajals Werk zu vollenden. -
3:22 - 3:25Das sind die Rohdaten unserer Mitarbeiter
-
3:25 - 3:28am Max-Planck-Institut für Neurobiologie.
-
3:28 - 3:30Unsere Mitarbeiter bilden also
-
3:30 - 3:34kleine Teile von Gehirngewebe ab.
-
3:34 - 3:38Diese ganze Probe hier misst
ungefähr einen Kubikmillimeter. -
3:38 - 3:40Hier zeige ich Ihnen
ein winziges Stück davon. -
3:40 - 3:43Der Strich links misst circa ein Mikron.
-
3:43 - 3:45Die Strukturen, die Sie sehen,
sind Mitochondrien, -
3:45 - 3:47die so groß wie Bakterien sind.
-
3:47 - 3:49Das sind aufeinanderfolgende Schnitte
-
3:49 - 3:52durch diesen sehr, sehr
dünnen Gewebeblock. -
3:52 - 3:55Nur zum Vergleich,
-
3:55 - 3:58der Durchmesser einer durchschnittlichen
Haarsträhne beträgt circa 100 Mikronen. -
3:58 - 4:01Wir sehen hier also etwas
noch viel kleineres -
4:01 - 4:02als eine einzelne Haarsträhne.
-
4:02 - 4:06Basierend auf den Serien aus
Elektronenmikroskopscheiben -
4:06 - 4:11kann man 3D-Nachbildungen
von Neuronen wie diese hier erstellen. -
4:11 - 4:14Diese haben in etwa den Stil
von Ramón y Cajal. -
4:14 - 4:16Nur ein paar Neutronen leuchten,
-
4:16 - 4:19weil wir hier sonst nichts sehen könnten.
-
4:19 - 4:20Es wäre so unübersichtlich,
-
4:20 - 4:22so überfüllt mit Kabelstrukturen,
-
4:22 - 4:24die die Neuronen verbinden.
-
4:25 - 4:28Ramón y Cajal war seiner Zeit
also etwas voraus. -
4:28 - 4:31Die Fortschritte beim
Verstehen des Gehirns -
4:31 - 4:33geschahen in den folgenden
Jahrzehnten nur langsam. -
4:33 - 4:36Aber wir wussten,
dass Neuronen Elektrizität nutzen. -
4:36 - 4:39Im Zweiten Weltkrieg
war unsere Technologie -
4:39 - 4:42für elektronische Experimente
an lebenden Neuronen -
4:42 - 4:45zur Erforschung ihrer
Funktionsweise ausgereift genug. -
4:45 - 4:49Genau damals wurden auch
Computer erfunden, -
4:49 - 4:52hauptsächlich auf Basis von
Nachbildungen des Gehirns -- -
4:52 - 4:55"intelligente Maschinen",
wie sie Alan Turing nannte, -
4:55 - 4:57einer der Urväter der Infomatik.
-
4:58 - 5:03Warren McCulloch und Walter Pitts
betrachteten Ramón y Cajals Zeichnung -
5:03 - 5:04eines visuellen Cortex,
-
5:04 - 5:05die ich Ihnen hier zeige.
-
5:06 - 5:10Das ist der Cortex, der Bilder
verarbeitet, die das Auge sieht. -
5:10 - 5:14Sie fanden, dass es
wie ein Schaltplan aussah. -
5:14 - 5:18Im Schaltplan von McCulloch
und Pitts gibt es viele Details, -
5:18 - 5:20die nicht ganz stimmen.
-
5:20 - 5:21Doch der Grundgedanke,
-
5:21 - 5:25dass der visuelle Cortex wie eine
Reihe Computerelemente funktioniert, -
5:25 - 5:28die Informationen stufenartig
nacheinander weiterreichen, -
5:28 - 5:29stimmt im Grunde.
-
5:29 - 5:32Besprechen wir kurz,
-
5:32 - 5:36was ein Modell für die Verarbeitung
visueller Informationen machen müsste. -
5:36 - 5:39Die Grundaufgabe der Wahrnehmung ist es,
-
5:39 - 5:43bei einem solchen Bild zu sagen:
-
5:43 - 5:44"Das ist ein Vogel",
-
5:44 - 5:47für unsere Gehirne ist das sehr einfach.
-
5:47 - 5:51Sie müssen aber bedenken,
dass das für einen Computer -
5:51 - 5:54noch vor ein paar Jahren
völlig unmöglich war. -
5:54 - 5:56Für ein klassisches Rechensystem
-
5:56 - 5:58ist das nicht einfach.
-
5:59 - 6:02Was zwischen den Pixeln,
-
6:02 - 6:06dem Bild eines Vogels
und dem Wort "Vogel" passiert, -
6:06 - 6:09ist im Grunde eine Gruppe
miteinander verbundener Neuronen -
6:09 - 6:10in einem neuronalen Netzwerk,
-
6:10 - 6:11wie in meinem Diagramm.
-
6:11 - 6:15Dieses neuronale Netzwerk kann
ein natürliches in unserer Sehrinde sein. -
6:15 - 6:17Heute können wir beginnen,
-
6:17 - 6:20solche neuronalen Netzwerke
in Computern nachbauen. -
6:20 - 6:22Ich gebe Ihnen eine Vorstellung davon.
-
6:22 - 6:26Die Pixel können Sie sich als
erste Neuronenschicht vorstellen. -
6:26 - 6:28Genau so funktioniert das
im Prinzip auch im Auge -- -
6:28 - 6:30mit den Neuronen in der Netzhaut.
-
6:30 - 6:31Die Neuronen leiten weiter,
-
6:31 - 6:35Schicht für Schicht
durch die Neuronenschichten, -
6:35 - 6:38die alle über Synapsen verschiedener
Gewichtung verbunden sind. -
6:38 - 6:39Das Verhalten dieses Netzwerks
-
6:39 - 6:42wird durch die Stärke
all dieser Synapsen bestimmt. -
6:42 - 6:46Diese bestimmen die rechnerischen
Eigenschaften des Netzwerks. -
6:46 - 6:48Schlussendlich leuchtet dann ein Neuron
-
6:48 - 6:50oder eine kleine Gruppe Neuronen auf
-
6:50 - 6:51und sagt "Vogel".
-
6:52 - 6:55Jetzt werde ich diese drei Dinge --
-
6:55 - 7:00die Pixel als Input, die Synapsen
im neuronalen Netzwerk -
7:00 - 7:01und den Vogel als Output
-
7:01 - 7:04durch drei Variablen ersetzen: x, w und y.
-
7:05 - 7:07Es kann eine Million x geben --
-
7:07 - 7:09eine Million Pixel in einem Bild.
-
7:09 - 7:11Es gibt Milliarden oder Billiarden w,
-
7:11 - 7:15die für die Gewichtung der Synapsen
im neuronalen Netzwerk stehen. -
7:15 - 7:16Es gibt nur ganz wenige y,
-
7:16 - 7:18also Outputs des Netzwerks.
-
7:18 - 7:20"Vogel" hat nur fünf Buchstaben.
-
7:21 - 7:25Dann tun wir doch einfach so,
als sei es nur eine einfache Formel: -
7:25 - 7:27x "x" w = y.
-
7:27 - 7:29Ich setze das "Mal"-Zeichen
in Anführungszeichen, -
7:29 - 7:31denn der eigentliche Vorgang hier
-
7:31 - 7:35ist eine komplizierte Abfolge
mathematischer Vorgänge. -
7:35 - 7:36Das ist eine Gleichung.
-
7:36 - 7:38Es gibt drei Variablen.
-
7:38 - 7:42Bekanntlich kann man eine Variable
einer Gleichung lösen, -
7:42 - 7:45wenn man die anderen beiden kennt.
-
7:45 - 7:48Das Problem mit der Schlussfolgerung,
-
7:48 - 7:51also das Herausfinden,
dass das Bild einen Vogel zeigt, -
7:51 - 7:53ist das folgende:
-
7:53 - 7:56Y ist unbekannt,
und w und x sind bekannt. -
7:56 - 7:59Wir kennen das neuronale
Netzwerk und die Pixel. -
7:59 - 8:02Es scheint ein recht
einfaches Problem zu sein. -
8:02 - 8:04Wir rechnen zwei mal drei und sind fertig.
-
8:05 - 8:08Ich zeige Ihnen jetzt ein neu entwickeltes
künstliches neuronales Netzwerk, -
8:08 - 8:10das genau das tut.
-
8:10 - 8:12Es läuft in Echtzeit
auf einem Mobiltelefon, -
8:13 - 8:16und das an sich ist
natürlich schon erstaunlich, -
8:16 - 8:19dass Mobiltelefone so viele
Milliarden und Billiarden Vorgänge -
8:19 - 8:21pro Sekunde verarbeiten können.
-
8:21 - 8:22Sie sehen hier ein Telefon,
-
8:22 - 8:26das Bilder von einem Vogel
nacheinander ansieht, -
8:26 - 8:29und sogar nicht nur
"Ja, es ist ein Vogel" sagt, -
8:29 - 8:32sondern mit einem solchen Netzwerk
auch die Vogelart bestimmt. -
8:33 - 8:35Bei diesem Bild
-
8:35 - 8:39kennen wir das x und das w,
und das y ist unbekannt. -
8:39 - 8:41Ich lasse hier natürlich
den schwierigen Teil aus, -
8:41 - 8:45also wie um alles in der Welt
wir das w finden können, -
8:45 - 8:47wie das Gehirn so etwas kann.
-
8:47 - 8:49Wie können wir jemals
so ein Modell erlernen? -
8:49 - 8:53Wenn wir diesen Lernvorgang,
also wie man nach w auflösen kann, -
8:53 - 8:55wenn wir das bei der
einfachen Gleichung anwenden, -
8:55 - 8:57in der wir sie uns als Zahlen vorstellen,
-
8:57 - 9:00wissen wir genau, was zu tun ist:
6 = 2 x w, -
9:00 - 9:03wir teilen durch zwei und fertig.
-
9:04 - 9:07Das Problem ist dieses Rechenzeichen.
-
9:07 - 9:08Division --
-
9:08 - 9:11wir wählen die Division, weil sie
das Gegenteil der Multiplikation ist, -
9:11 - 9:13aber wie gesagt,
-
9:13 - 9:15Mulitplikation stimmt hier nicht ganz.
-
9:15 - 9:18Es handelt sich um einen sehr
komplizierten, nichtlinearen Vorgang -
9:18 - 9:20ohne Umkehrung.
-
9:20 - 9:22Wir müssen also herausfinden,
-
9:22 - 9:25wie wir die Gleichung
ohne Divisionszeichen lösen können. -
9:25 - 9:28Eigentlich ist es ganz einfach:
-
9:28 - 9:30Wir zaubern einfach
ein wenig mit der Algebra. -
9:30 - 9:33Wir ziehen die 6 auf
die rechte Seite der Gleichung. -
9:33 - 9:35Wir multiplizieren immer noch.
-
9:36 - 9:39Diese Null -- betrachten
wir einfach als Fehler. -
9:39 - 9:42Anders gesagt, wenn wir
korrekt nach w auflösen, -
9:42 - 9:43dann ist der Fehler null.
-
9:43 - 9:45Wenn wir einen Fehler machen,
-
9:45 - 9:47ist der Fehler größer als null.
-
9:47 - 9:51Jetzt können wir einfach raten,
um den Fehler zu minimieren. -
9:51 - 9:53Computer können das ausgezeichnet.
-
9:53 - 9:55Sie raten also ins Blaue:
-
9:55 - 9:57Was, wenn w = 0?
Dann ist der Fehler 6. -
9:57 - 9:59Wenn w = 1? Dann ist der Fehler 4.
-
9:59 - 10:01Dann kann der Computer Marco Polo spielen
-
10:01 - 10:04und den Fehler gegen Null gehen lassen.
-
10:04 - 10:07Dabei nähert er sich immer mehr dem w an.
-
10:07 - 10:11Meist schafft er es nicht ganz,
aber nach ungefähr einem Dutzend Schritten -
10:11 - 10:15liegen wir bei w = 2,999,
und das ist genau genug. -
10:16 - 10:18Das ist der Lernprozess.
-
10:18 - 10:21Erinnern Sie sich daran,
-
10:21 - 10:25dass wir gerade viele bekannte x
und bekannte y genommen haben. -
10:25 - 10:29Wir lösten das w in der Mitte
durch ein Wiederholungsverfahren. -
10:29 - 10:32Genauso lernen auch wir.
-
10:32 - 10:35Als Babys sehen wir sehr viele Bilder.
-
10:35 - 10:38Jemand sagt: "Das ist ein Vogel;
das ist kein Vogel." -
10:38 - 10:40Mit der Zeit und durch Wiederholung
-
10:40 - 10:43lösen wir nach w und diesen
neuronalen Verbindungen auf. -
10:43 - 10:47Jetzt haben wir mit x und w
nach y aufgelöst. -
10:47 - 10:49Die alltägliche, schnelle Wahrnehmung.
-
10:49 - 10:52Herauszufinden, wie man
nach w auflösen kann, -
10:52 - 10:53ist Lernen und viel schwerer,
-
10:53 - 10:55weil wir die Fehler
-
10:55 - 10:57nur über viele Übungsbeispiele
minimieren können. -
10:57 - 10:58Vor ungefähr einem Jahr
-
10:58 - 11:01wollte Alex Mordvintsev
aus unserem Team herausfinden, -
11:01 - 11:04was passiert, wenn wir nach x auflösen
-
11:04 - 11:06und w und y bekannt sind.
-
11:06 - 11:07Anders ausgedrückt:
-
11:07 - 11:09Sie wissen, dass es ein Vogel ist.
-
11:09 - 11:12Ihr neuronales Netzwerk
ist schon auf Vögel trainiert, -
11:12 - 11:15doch was ist das Bild eines Vogels?
-
11:15 - 11:20Tatsächlich kann man die gleiche
Fehlerminimierungsstrategie -
11:20 - 11:24bei Netzwerken zum Erkennen
von Vögeln anwenden. -
11:24 - 11:27Das Ergebnis ist ...
-
11:30 - 11:32ein Bild von Vögeln.
-
11:33 - 11:37Dieses Bild von Vögeln wurde von einem
neuronalen Netzwerk erschaffen, -
11:37 - 11:39das auf das Vogelerkennen trainiert wurde,
-
11:39 - 11:42und zwar nur durch Auflösen nach x,
nicht durch Auflösen nach y. -
11:42 - 11:44All das passiert durch Wiederholungen.
-
11:44 - 11:46Noch ein lustiges Beispiel.
-
11:46 - 11:49Dies ist die Arbeit unseres
Teammitglieds Mike Tyka, -
11:49 - 11:51der es "Animal Parade" nennt.
-
11:51 - 11:54Es erinnert mich etwas an
Kunstwerke von William Kentridge, -
11:54 - 11:57der Skizzen macht, sie dann wegradiert,
-
11:57 - 11:58Skizzen macht, sie wegradiert,
-
11:58 - 12:00und so einen Film erschafft.
-
12:00 - 12:01In diesem Fall
-
12:01 - 12:04setzt Mike für y verschiedene Tiere
in ein Netzwerk ein, -
12:04 - 12:08das verschiedene Tiere
erkennen und unterscheiden kann. -
12:08 - 12:13Heraus kommt dieser seltsame
Übergang von Tier zu Tier im Stil Eschers. -
12:14 - 12:19Hier haben Mike und Alex
gemeinsam versucht, -
12:19 - 12:22das y auf nur zwei
Dimensionen einzuschränken -
12:22 - 12:25und so eine Karte von
allen Dingen im Raum zu erstellen, -
12:25 - 12:27die dieses Netzwerk erkennt.
-
12:27 - 12:29Durch diese Darstellung
-
12:29 - 12:31oder Bildgenerierung
auf der gesamten Oberfläche, -
12:31 - 12:34wobei y auf der Oberfläche variiert,
wird eine Art Karte erstellt -- -
12:34 - 12:38eine visuelle Karte all der Dinge,
die das Netzwerk erkennen kann. -
12:38 - 12:41Alle Tiere sind da, "armadillo"
ist genau an dieser Stelle. -
12:41 - 12:43Dasselbe kann man auch
mit anderen Netzwerken machen. -
12:43 - 12:46Dieses Netzwerk erkennt Gesichter
-
12:46 - 12:48und unterscheidet sie voneinander.
-
12:48 - 12:52Hier setzten wir
ein y ein, das "ich" sagt, -
12:52 - 12:53also die Parameter meines Gesichts.
-
12:53 - 12:55Wenn das Netzwerk nach x auflöst,
-
12:55 - 12:58generiert es dieses verrückte,
-
12:58 - 13:02kubistisch angehauchte, surreale,
psychedelische Bild von mir -
13:02 - 13:04aus verschiedenen Blickwinkeln.
-
13:04 - 13:07Es wirkt wie eine Betrachtung
aus verschiedenen Blickwinkeln, -
13:07 - 13:10weil das Netzwerk so aufgebaut ist,
dass es die Vieldeutigkeit umgehen kann, -
13:10 - 13:13die durch Gesichter in verschiedenen Posen
-
13:13 - 13:16oder verschiedene Belichtungen entsteht.
-
13:16 - 13:18Wenn man bei dieser Art Rekonstruktion
-
13:18 - 13:22nun keinerlei Musterbild
oder Hilfsstatistiken verwendet, -
13:22 - 13:26vermischen sich die Ansichten
aus den verschiedenen Blickwinkeln -
13:26 - 13:27aufgrund der Vieldeutigkeit.
-
13:28 - 13:32Das passert, wenn Alex
während des Optimierungsprozesses -
13:32 - 13:36zur Rekonstruktion meines Gesichts
sein eigenes Gesicht als Muster verwendet. -
13:36 - 13:39Sie sehen also, es ist nicht perfekt.
-
13:39 - 13:40Wir müssen noch hart arbeiten,
-
13:40 - 13:43um diesen Optimierungsprozess
optimieren zu können. -
13:43 - 13:46Aber langsam entstehen
stimmigere Gesichter, -
13:46 - 13:48da mein Gesicht als Muster diente.
-
13:49 - 13:51Man muss nicht bei Null
-
13:51 - 13:53oder weißem Rauschen beginnen.
-
13:53 - 13:54Wenn man nach x auflöst,
-
13:54 - 13:58kann man mit einem x anfangen,
das selbst schon ein anderes Bild ist. -
13:58 - 14:00Das soll diese Vorführung zeigen.
-
14:00 - 14:04Das ist ein Netzwerk,
das verschiedenste Objekte -- -
14:04 - 14:08menschgemachte Strukturen, Tiere usw. --
kategorisieren können soll. -
14:08 - 14:10Wir beginnen nur mit einem Wolkenbild,
-
14:10 - 14:12und während der Optimierung
-
14:12 - 14:17findet das Netzwerk quasi heraus,
was es in den Wolken sieht. -
14:17 - 14:19Je länger man zusieht,
-
14:19 - 14:23desto mehr sieht man in den Wolken.
-
14:23 - 14:26Man kann mit dem Gesichtsnetzwerk
Halluzinationen einfügen, -
14:26 - 14:29und ganz schön verrücktes Zeug machen.
-
14:29 - 14:30(Lachen)
-
14:30 - 14:33Mike hat noch mehr Experimente gemacht,
-
14:33 - 14:37bei denen er ein Wolkenbild nimmt,
-
14:37 - 14:41halluziniert, heranzoomt, halluziniert,
heranzoomt, halluziniert und zoomt. -
14:41 - 14:42Auf diese Weise kann man vielleicht
-
14:42 - 14:45eine Art Fluchtzustand des Netzwerks
-
14:46 - 14:49oder eine Art freie Assoziation erzeugen,
-
14:49 - 14:51bei der sich das Netzwerk selbst
in den Schwanz beißt. -
14:51 - 14:55Jedes Bild ist nun die Grundlage für:
-
14:55 - 14:57"Was glaube ich, als nächstes zu sehen?
-
14:57 - 15:00Was erwarte ich als nächstes,
und danach und danach?" -
15:00 - 15:02Öffentlich habe ich dies das erste Mal
-
15:02 - 15:08einer Vorlesungsgruppe namens
"Higher Education" in Seattle gezeigt, -
15:08 - 15:11kurz nachdem Marihuana legalisiert wurde.
-
15:11 - 15:13(Lachen)
-
15:15 - 15:17Ich möchte nun zum Ende kommen
-
15:17 - 15:21und festhalten, dass dieser Technologie
keine Grenzen gesetzt sind. -
15:21 - 15:25Ich habe Ihnen nur visuelle Beispiele
gezeigt, einfach, weil es Spaß macht. -
15:25 - 15:27Aber es ist keine
rein visuelle Technologie. -
15:27 - 15:29Ross Goodwin, künstlerischer Mitarbeiter,
-
15:29 - 15:33hat Experimente gemacht, bei denen
eine Kamera ein Bild schießt -
15:33 - 15:37und ein Comuter in seinem Rucksack
ein Gedicht mit einem neuronalen Netzwerk -
15:37 - 15:39basierend auf dem Bildinhalt schreibt.
-
15:39 - 15:43Trainiert wurde das neuronale
Gedichtenetzwerk mit den Werken -
15:43 - 15:44der Dichtungen des 20. Jahrhunderts.
-
15:44 - 15:46Die Gedichte sind, naja,
-
15:46 - 15:48also ich finde sie gar nicht so schlecht.
-
15:48 - 15:49(Lachen)
-
15:49 - 15:51Zurück zu
-
15:51 - 15:52Michelangelo,
-
15:52 - 15:54ich denke, der lag richtig:
-
15:54 - 15:58Wahrnehmung und Kreativität
sind sehr eng miteinander verbunden. -
15:58 - 16:00Gerade haben wir
neuronale Netzwerke gesehen, -
16:00 - 16:02die nur darauf trainiert sind,
-
16:02 - 16:05verschiedene Dinge
zu unterscheiden oder zu erkennen, -
16:05 - 16:08und umgekehrt werden können,
um etwas zu erschaffen. -
16:08 - 16:10Daraus schließe ich nicht nur,
-
16:10 - 16:15dass Michelangelo die Skulptur
im Stein wirklich sehen konnte, -
16:15 - 16:18sondern auch, dass jedes Wesen,
jedes Geschöpf, jedes Alien, -
16:18 - 16:22das zu solchen Wahrnehmungen fähig ist,
-
16:22 - 16:23auch Dinge erschaffen kann,
-
16:23 - 16:27denn in beiden Fällen kommt die
gleiche Maschinerie zum Einsatz. -
16:27 - 16:31Ich denke auch,
dass keinesfalls nur Menschen -
16:31 - 16:33wahrnehmen und kreativ sein können.
-
16:33 - 16:36Langsam gibt es Computermodelle,
die genau das Gleiche können. -
16:36 - 16:40Das sollte keine Überraschung sein,
denn das Gehirn basiert auf Rechnen. -
16:40 - 16:41Schließlich entstanden Computer
-
16:41 - 16:46aus den Versuchen,
intelligente Maschinen zu bauen. -
16:46 - 16:48Sie sind Modelle unserer
Vorstellung dessen, -
16:48 - 16:51wie wir Maschinen
intelligent machen können. -
16:52 - 16:54Jetzt erfüllen wir langsam
-
16:54 - 16:56ein paar der Versprechen
der ersten Vorreiter, -
16:56 - 16:58von Turing und von Neumann
-
16:58 - 17:00und McCulloch und Pitts.
-
17:00 - 17:04Ich denke, beim Rechnen
geht es nicht nur um Buchhaltung -
17:04 - 17:06oder Candy Crush oder so etwas.
-
17:06 - 17:10Von Anfang an haben wir sie als
Abbild unseres Verstands gebaut. -
17:10 - 17:12Mit ihnen können wir unseren
eigenen Verstand besser verstehen -
17:12 - 17:15und unsere Fähigkeiten erweitern.
-
17:15 - 17:16Vielen Dank.
-
17:16 - 17:20(Applaus)
- Title:
- Wie Computer Kreativität lernen
- Speaker:
- Blaise Agüera y Arcas
- Description:
-
Im Bereich der Kunst und der Kreativität steht uns etwas Bahnbrechendes bevor – und es stammt nicht von Menschen. Blaise Agüera y Arcas, leitender Wissenschaftler bei Google, arbeitet mit sogenannten "Deep Neural Networks" für Maschinenwahrnehmung und dezentrales Lernen. In dieser fesselnden Vorführung zeigt er, wie man neuronale Netzwerke, die Bilder erkennen können, so umkehrt, dass sie Bilder erzeugen. Das Ergebnis: Spektakuläre, sinnestäuschende Collagen (und Gedichte!), die kaum einer Kategorie zugeordnet werden können. "Wahrnehmung und Kreativität sind sehr eng miteinander verbunden", sagt Agüera y Arcas. "Jedes Wesen, jedes Geschöpf, das der Wahrnehmung fähig ist, kann auch Dinge erschaffen."
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 17:34
Retired user approved German subtitles for How we're teaching computers to be creative | ||
Retired user accepted German subtitles for How we're teaching computers to be creative | ||
Retired user edited German subtitles for How we're teaching computers to be creative | ||
Wolfgang Schuster edited German subtitles for How we're teaching computers to be creative | ||
Wolfgang Schuster edited German subtitles for How we're teaching computers to be creative | ||
Retired user declined German subtitles for How we're teaching computers to be creative | ||
Retired user edited German subtitles for How we're teaching computers to be creative | ||
Retired user edited German subtitles for How we're teaching computers to be creative |