Πώς μαθαίνουν οι υπολογιστές να είναι δημιουργικοί
-
0:01 - 0:04Ηγούμαι μιας ομάδας στην Google
που ερευνά τη μηχανική ευφυΐα. -
0:04 - 0:09Με άλλα λόγια, τον κλάδο της μηχανικής
που κάνει υπολογιστές και συσκευές -
0:09 - 0:11να μπορούν να κάνουν
κάποια απ' όσα κάνει το μυαλό. -
0:11 - 0:14Γι' αυτό ενδιαφερόμαστε
για τους κανονικούς εγκεφάλους -
0:14 - 0:16καθώς και για τη νευροεπιστήμη,
-
0:16 - 0:20και ειδικότερα για τα πράγματα
που κάνει το μυαλό μας -
0:20 - 0:24που ακόμα είναι πολύ ανώτερο
από τις επιδόσεις των υπολογιστών. -
0:25 - 0:29Ιστορικά, ένα από αυτά που μας ενδιέφεραν
ήταν η αντίληψη, -
0:29 - 0:32η διαδικασία με την οποία
τα πράγματα εκεί έξω στον κόσμο -
0:32 - 0:33-ήχοι και εικόνες-
-
0:34 - 0:36μετατρέπονται σε έννοιες μέσα στο μυαλό.
-
0:36 - 0:39Αυτό είναι ζωτικό για τον εγκέφαλό μας
-
0:39 - 0:41και επίσης είναι πολύ χρήσιμο
για τον υπολογιστή. -
0:42 - 0:45Για παράδειγμα, οι αλγόριθμοι μηχανικής
αντίληψης που φτιάχνει η ομάδα μας -
0:45 - 0:49κάνουν δυνατή την αναζήτηση
στις φωτογραφίες του Google Photos -
0:49 - 0:51βάσει του τι αυτές περιέχουν.
-
0:52 - 0:55Η άλλη πλευρά της αντίληψης
είναι η δημιουργικότητα: -
0:55 - 0:58το να μεταμορφώνετε μια έννοια
σε κάτι εκεί έξω στον κόσμο. -
0:58 - 1:02Έτσι τον τελευταίο χρόνο,
η εργασία μας πάνω στη μηχανική αντίληψη -
1:02 - 1:07συνδέθηκε απρόσμενα
και με τον κόσμο της δημιουργικότητας -
1:07 - 1:08και της τέχνης από μηχανές.
-
1:09 - 1:12Νομίζω ότι ο Μιχαήλ Αγγελος
είδε πολύ διορατικά -
1:12 - 1:16αυτή τη δυαδική σχέση
μεταξύ αντίληψης και δημιουργικότητας. -
1:16 - 1:18Ένα φημισμένο απόφθεγμά του λέει:
-
1:18 - 1:22«Κάθε κομμάτι πέτρας
έχει μέσα του ένα άγαλμα -
1:22 - 1:25και είναι δουλειά του γλύπτη
να το αποκαλύψει». -
1:26 - 1:29Νομίζω ότι ο Μιχαήλ Άγγελος εννοεί
-
1:29 - 1:32ότι δημιουργούμε μέσα από την αντίληψη,
-
1:32 - 1:35και η ίδια η αντίληψη
είναι μια πράξη φαντασίας -
1:36 - 1:38από την οποία είναι φτιαγμένη
η δημιουργικότητα. -
1:39 - 1:43Το όργανο που σκέφτεται,
αντιλαμβάνεται και φαντάζεται -
1:43 - 1:44είναι φυσικά ο εγκέφαλος.
-
1:45 - 1:48Θα ήθελα να αρχίσω με λίγη ιστορία
-
1:48 - 1:50σχετικά με το τι γνωρίζουμε
για τον εγκέφαλό μας. -
1:50 - 1:53Γιατί διαφορετικά, ας πούμε,
από την καρδιά ή τα έντερα -
1:53 - 1:56δεν μπορείς να πεις πολλά
για τον εγκέφαλο απλώς κοιτώντας τον -
1:56 - 1:58τουλάχιστον δια γυμνού οφθαλμού.
-
1:58 - 2:00Οι πρώτοι ανατόμοι
που εξέτασαν τον εγκέφαλο -
2:00 - 2:04έδωσαν στις εμφανείς δομές του
κάθε είδους περίεργη ονομασία, -
2:04 - 2:07όπως ιππόκαμπος, ένα είδος μικρής γαρίδας.
-
2:07 - 2:09Αλλά φυσικά αυτό δεν μας λέει πάρα πολλά
-
2:09 - 2:12σχετικά με το τι πραγματικά
συμβαίνει στο εσωτερικό. -
2:13 - 2:16Ο πρώτος που πιστεύω ότι κάπως μάντεψε
-
2:16 - 2:18τι περίπου συμβαίνει μέσα στον εγκέφαλο
-
2:18 - 2:22ήταν ο μεγάλος Ισπανός νευροανατόμος
Σαντιάγο Ραμόν ι Καχάλ -
2:22 - 2:24τον 19ο αιώνα,
-
2:24 - 2:28που χρησιμοποίησε μικροσκόπιο
και ειδικές χρωστικές -
2:28 - 2:32που μπορούσαν επιλεκτικά να εισχωρήσουν
και να χρωματίσουν με μεγάλη αντίθεση -
2:32 - 2:34τα επιμέρους κελιά του εγκεφάλου,
-
2:34 - 2:37ούτως ώστε να αρχίσουμε
να καταλαβαίνουμε τη μορφολογία τους. -
2:38 - 2:42Αυτά είναι τα σκίτσα νευρώνων
που έφτιαξε τον 19ο αιώνα. -
2:42 - 2:44Αυτό είναι από εγκέφαλο πουλιού.
-
2:44 - 2:47Βλέπετε αυτή την απίστευτη ποικιλία
από διάφορα είδη κελιών, -
2:47 - 2:51ακόμα και η ίδια η κυτταρική θεωρία
ήταν αρκετά νέα εκείνον τον καιρό. -
2:51 - 2:52Και αυτές οι δομές,
-
2:52 - 2:54τα κελιά που έχουν αυτές τις διακλαδώσεις
-
2:54 - 2:57που εκτείνονται σε πολύ μεγάλες αποστάσεις
-
2:57 - 2:59ήταν κάτι πολύ νέο εκείνη την εποχή.
-
2:59 - 3:02Φυσικά, μας θυμίζουν καλώδια.
-
3:02 - 3:05Αυτό θα καταλάβαιναν
κάποιοι άνθρωποι τον 19ο αιώνα - -
3:05 - 3:10η επανάσταση καλωδίων και ηλεκτρικού
ήταν μόλις στο ξεκίνημά τους. -
3:10 - 3:11Αλλά με διάφορους τρόπους,
-
3:11 - 3:14αυτά τα μικροανατομικά σκίτσα
του Ραμόν ι Καχάλ, όπως αυτό, -
3:15 - 3:17ακόμη παραμένουν αξεπέραστα
με κάποιους τρόπους. -
3:17 - 3:19Πάνω από έναν αιώνα αργότερα
-
3:19 - 3:22προσπαθούμε να τελείωσουμε
αυτό που άρχισε ο Ραμόν ι Καχάλ. -
3:22 - 3:24Αυτά είναι τα ακατέργαστα δεδομένα
-
3:24 - 3:28από τους συνεργάτες μας στο Ινστιτούτο
Νευροεπιστήμης Μαξ Πλανκ. -
3:28 - 3:34Οι συνεργάτες μας απεικόνισαν
μικρά κομμάτια εγκεφαλικού ιστού. -
3:34 - 3:36Το συνολικό δείγμα εδώ
-
3:36 - 3:38είναι περίπου
ένα κυβικό χιλιοστό σε μέγεθος, -
3:38 - 3:40κι εδώ σας δείχνω ένα πολύ μικρό κομμάτι.
-
3:40 - 3:43Η μπάρα αριστερά
είναι περίπου ένα μικρόμετρο. -
3:43 - 3:45Οι δομές που βλέπετε είναι μιτοχόνδρια
-
3:45 - 3:47που είναι στο μέγεθος βακτηρίων.
-
3:47 - 3:49Και αυτές είναι συνεχείς τομές
-
3:49 - 3:52αυτού του πολύ μικρού κομματιού ιστού.
-
3:52 - 3:55Απλώς για σύγκριση,
-
3:55 - 3:58η διάμετρος μιας μέσης τρίχας
είναι περίπου 100 μικρόμετρα. -
3:58 - 4:01Άρα κοιτάζουμε κάτι πολύ πολύ μικρότερο
-
4:01 - 4:02από μια τρίχα μαλλιών.
-
4:02 - 4:06Και από αυτές τις συνεχείς τομές
από ηλεκτρονικό μικροσκόπιο -
4:06 - 4:11κάποιος μπορεί να φτιάξει τρισδιάστατα
νευρώνες που μοιάζουν έτσι. -
4:11 - 4:14Έτσι είναι κάπως το ίδιο στυλ
με αυτές του Ραμόν ι Καχάλ. -
4:14 - 4:16Μόνο λίγοι νευρώνες άναψαν,
-
4:16 - 4:19γιατί αλλιώς δεν θα μπορούσαμε
να δούμε τίποτα εδώ. -
4:19 - 4:20Θα ήταν τόσο πυκνό,
-
4:20 - 4:21τόσο γεμάτο με δομές,
-
4:21 - 4:24με καλώδια που συνδέουν
τους νευρώνες μεταξύ τους. -
4:25 - 4:28Έτσι ο Ραμόν ι Καχάλ ήταν λίγο
μπροστά από την εποχή του -
4:28 - 4:31και η πρόοδος
για την κατανόηση του εγκεφάλου -
4:31 - 4:33προχώρησε αργά
τις επόμενες λίγες δεκαετίες. -
4:33 - 4:36Γνωρίζαμε όμως ότι οι νευρώνες
χρησιμοποιούν ηλεκτρισμό -
4:36 - 4:39και μέχρι τον Β΄ Παγκόσμιο Πόλεμο
είχαμε κάνει αρκετή πρόοδο -
4:39 - 4:42ώστε να κάνουμε ηλεκτρικά πειράματα
σε νευρώνες υπό λειτουργία -
4:42 - 4:44ώστε να καταλάβουμε καλύτερα
πώς δούλευαν. -
4:45 - 4:49Τότε ακριβώς εφευρέθηκαν οι υπολογιστές
-
4:49 - 4:52και βασίστηκαν κατά πολύ
στη δομή του εγκεφάλου - -
4:52 - 4:55του «ευφυούς μηχανισμού»,
όπως τα αποκαλούσε ο Άλαν Τιούρινγκ, -
4:55 - 4:57ο πατέρας της επιστήμης των υπολογιστών.
-
4:58 - 5:00Οι Γουόρεν ΜακΚάλοκ και Γουόλτερ Πιτς
-
5:00 - 5:04είδαν τα σκίτσα του Ραμόν ι Καχάλ
από τον φλοιό του εγκεφάλου -
5:04 - 5:05που σας δείχνω εδώ.
-
5:06 - 5:10Αυτός είναι ο φλοιός που επεξεργάζεται
εικόνες που φτάνουν από το μάτι. -
5:10 - 5:14Και τους φάνηκε σαν διάγραμμα κυκλώματος.
-
5:14 - 5:18Υπάρχουν πολλές λεπτομέρειες
στο διάγραμμα των ΜακΚάλοκ και Πιτς -
5:18 - 5:20που δεν είναι ακριβώς σωστές.
-
5:20 - 5:21Αλλά αυτή η βασική ιδέα
-
5:21 - 5:25ότι ο εγκεφαλικός ιστός λειτουργεί
σαν μια σειρά από υπολογιστικά στοιχεία -
5:25 - 5:28που μεταβιβάζουν πληροφορίες
συνεχώς ο ένας στον άλλον -
5:28 - 5:29είναι κατά βάσην σωστή.
-
5:29 - 5:32Ας μιλήσουμε για μια στιγμή
-
5:32 - 5:36τι θα πρέπει να κάνει ένα μοντέλο
επεξεργασίας οπτικών πληροφοριών. -
5:36 - 5:39Το βασικό έργο της αντίληψης
-
5:39 - 5:43είναι να πάρει μια τέτοια φωτογραφία
και να πει, -
5:43 - 5:44«Αυτό είναι ένα πουλί»,
-
5:44 - 5:47που είναι κάτι πολύ απλό
να κάνουμε με τον εγκέφαλό μας. -
5:47 - 5:51Αλλά πρέπει να καταλάβετε
ότι για έναν υπολογιστή, -
5:51 - 5:54αυτό ήταν μάλλον αδύνατον
πριν από λίγα χρόνια. -
5:54 - 5:56Η κλασική δομή του υπολογιστή
-
5:56 - 5:59δεν ευνοεί αυτή τη δουλειά.
-
5:59 - 6:02Έτσι λοιπόν,
αυτό που συμβαίνει με τα πίξελ, -
6:02 - 6:06ανάμεσα στην εικόνα του πουλιού
και τη λέξη «πουλί», -
6:06 - 6:08αφορά ουσιαστικά μια ομάδα νευρώνων
-
6:08 - 6:10που αλληλοσυνδέονται
σε ένα νευρωνικό δίκτυο, -
6:10 - 6:11όπως στο διάγραμμα.
-
6:11 - 6:15Μπορεί να είναι βιολογικό νευρωνικό δίκτυο
μέσα στον εγκεφαλικό φλοιό, -
6:15 - 6:17ή, στις μέρες μας,
αρχίζουμε να έχουμε την ικανότητα -
6:17 - 6:20να μοντελοποιήσουμε
τέτοια δίκτυα στον υπολογιστή. -
6:20 - 6:22Θα σας δείξω πώς μοιάζουν αυτά τα δίκτυα.
-
6:22 - 6:26Μπορείτε να σκεφτείτε τα πίξελ
ως το πρώτο επίπεδο νευρώνων, -
6:26 - 6:28και βασικά έτσι λειτουργεί το μάτι -
-
6:28 - 6:30είναι οι νευρώνες στον αμφιβληστροειδή.
-
6:30 - 6:32Και αυτοί μεταδίδουν την πληροφορία
-
6:32 - 6:35σε αλλεπάλληλα επίπεδα νευρώνων,
-
6:35 - 6:37που όλα συνδέονται
από συνάψεις διαφορετικών βαρών. -
6:38 - 6:39Η συμπεριφορά αυτού του δικτύου
-
6:39 - 6:42χαρακτηρίζεται από τις δυνάμεις
όλων αυτών των συνάψεων. -
6:42 - 6:46Αυτές χαρακτηρίζουν τις υπολογιστικές
ιδιότητες αυτού του δικτύου. -
6:46 - 6:47Και στη λήξη της διαδικασίας,
-
6:47 - 6:50έχετε έναν νευρώνα
ή μια μικρή ομάδα νευρώνων -
6:50 - 6:51που θα ανάψει και θα πει «πουλί».
-
6:52 - 6:55Τώρα θα αναπαραστήσω
αυτά τα τρία πράγματα - -
6:55 - 7:00τα πίξελ τροφοδοσίας
και τις συνάψεις στο νευρωνικό δίκτυο, -
7:00 - 7:01και το πουλί, το εξαγόμενο -
-
7:01 - 7:04με τρεις μεταβλητές: x, w και y
-
7:05 - 7:07Μπορεί να υπάρχουν
περίπου ένα εκατομμύριο x - -
7:07 - 7:09ένα εκατομμύριο πίξελ σε αυτή την εικόνα.
-
7:09 - 7:11Υπάρχουν δισεκατομμύρια
ή τρισεκατομμύρια w, -
7:11 - 7:15που αντιπροσωπεύουν τα βάρη
όλων των συνάψεων του νευρωνικού δικτύου. -
7:15 - 7:17Και μπορεί να υπάρχει
ένα μικρός αριθμός από y, -
7:17 - 7:18από εξαγόμενα του δικτύου.
-
7:18 - 7:20Το «πουλί» είναι
μόνο πέντε γράμματα, σωστά; -
7:21 - 7:25Ας υποθέσουμε ότι αυτός είναι
ένας πολύ απλός μαθηματικός τύπος, -
7:25 - 7:27x "x" w = y.
-
7:27 - 7:29Βάζω τις φορές σε εισαγωγικά
-
7:29 - 7:31επειδή αυτό που φυσικά συμβαίνει εκεί μέσα
-
7:31 - 7:34είναι μια σειρά από πολύπλοκες
μαθηματικές λειτουργίες. -
7:35 - 7:36Αυτή είναι μια εξίσωση.
-
7:36 - 7:38Υπάρχουν τρεις μεταβλητές.
-
7:38 - 7:41Και όλοι γνωρίζουμε ότι σε μια εξίσωση
-
7:41 - 7:45μπορείς να λύσεις ως προς τον έναν άγνωστο
εάν γνωρίζεις τους άλλους δύο. -
7:45 - 7:48Έτσι το πρόβλημα της συνεπαγωγής,
-
7:48 - 7:51δηλαδή του να συμπεράνουμε
ότι πρόκειται για φωτογραφία πουλιού, -
7:51 - 7:53είναι το εξής:
-
7:53 - 7:56είναι που ο άγνωστος είναι ο y
και οι w και x είναι γνωστοί. -
7:56 - 7:59Γνωρίζετε τα νευρωνικά δίκτυα,
γνωρίζετε και τα πίξελ. -
7:59 - 8:02Όπως βλέπετε είναι
ένα σχετικά ξεκάθαρο πρόβλημα. -
8:02 - 8:04Πολλαπλασιάζετε το 2 επί 3 και τελειώσατε.
-
8:05 - 8:07Θα σας δείξω ένα τεχνητό νευρωνικό δίκτυο
-
8:07 - 8:09που φτιάξαμε πρόσφατα,
να κάνει ακριβώς αυτό. -
8:10 - 8:12Δουλεύει σε πραγματικό χρόνο
σε κινητό τηλέφωνο, -
8:13 - 8:16και αυτό από μόνο του
είναι αξιοθαύμαστο γεγονός, -
8:16 - 8:19τα κινητά μπορούν να κάνουν δισεκατομμύρια
και τρισεκατομμύρια λειτουργίες -
8:19 - 8:21ανά δευτερόλεπτο.
-
8:21 - 8:22Αυτό που βλέπετε είναι ένα κινητό
-
8:22 - 8:26που κοιτάζει αλλεπάλληλες
φωτογραφίες από πουλιά, -
8:26 - 8:29και όχι μόνο λέει, «Ναι, είναι πουλί»
-
8:29 - 8:32αλλά αναγνωρίζει το είδος του πουλιού
με ένα τέτοιο νευρωνικό δίκτυο. -
8:33 - 8:35Έτσι σε αυτή την φωτογραφία,
-
8:35 - 8:39οι x και w είναι γνωστοί
και ο y είναι ο άγνωστος. -
8:39 - 8:41Φυσικά δεν μπαίνω σε λεπτομέρειες
για το πολύ δύσκολο μέρος, -
8:41 - 8:45το πώς στο καλό υπολογίσαμε το w,
-
8:45 - 8:47τον εγκέφαλο που μπορεί
να κάνει κάτι τέτοιο; -
8:47 - 8:49Πώς μπορεί να μάθαμε ένα τέτοιο μοντέλο;
-
8:49 - 8:53Αυτή λοιπόν η διαδικασία μάθησης,
να λύνουμε ως προς w, -
8:53 - 8:55αν το κάναμε με την απλή εξίσωση
-
8:55 - 8:57στην οποία τα βλέπουμε αυτά ως αριθμούς,
-
8:57 - 9:00ξέρουμε πώς ακριβώς να το κάνουμε:
6 = 2 x w, -
9:00 - 9:03βασικά διαιρούμε διά 2 και τελειώσαμε.
-
9:04 - 9:06Το πρόβλημα είναι αυτή η πράξη.
-
9:07 - 9:08Διαίρεση λοιπόν -
-
9:08 - 9:11χρησιμοποιήσαμε τη διαίρεση
ως το αντίθετο του πολλαπλασιασμού, -
9:11 - 9:13αλλά όπως είπα μόλις,
-
9:13 - 9:15ο πολλαπλασιασμός είναι λίγο ψεύτικος.
-
9:15 - 9:18Αυτή είναι μια πολύ περίπλοκη,
μια εντελώς μη γραμμική λειτουργία, -
9:18 - 9:20δεν έχει αντίθετο.
-
9:20 - 9:23Έτσι πρέπει να βρούμε τρόπο
να λύσουμε την εξίσωση -
9:23 - 9:25χωρίς το σύμβολο της διαίρεσης.
-
9:25 - 9:28Και ο τρόπος να το κάνουμε
είναι αρκετά ξεκάθαρος. -
9:28 - 9:30Απλώς λέτε, ας κάνουμε
ένα κόλπο της άλγεβρας -
9:30 - 9:33και να μετακινήσουμε το 6
στη δεξιά πλευρά της εξίσωσης. -
9:33 - 9:35Τώρα ακόμα έχουμε τον πολλαπλασιασμό.
-
9:36 - 9:39Και αυτό το μηδέν -
ας το σκεφτούμε σαν ένα σφάλμα. -
9:39 - 9:42Με άλλα λόγια,
αν λύναμε σωστά ως προς w, -
9:42 - 9:43τότε το σφάλμα θα ήταν μηδέν.
-
9:43 - 9:45Και αν δεν το κάναμε αρκετά σωστά,
-
9:45 - 9:47το σφάλμα θα είναι μεγαλύτερο από μηδέν.
-
9:47 - 9:51Έτσι μπορούμε απλώς να μαντέψουμε
για να ελαχιστοποιήσουμε το σφάλμα, -
9:51 - 9:53και αυτό το κάνουν καλά οι υπολογιστές.
-
9:53 - 9:55Ας κάνουμε μια πρώτη μαντεψιά:
-
9:55 - 9:56Τι θα γινόταν αν w = 0;
-
9:56 - 9:57Τότε το σφάλμα είναι 6.
-
9:57 - 9:59Εάν το w = 1; Το σφάλμα είναι 4.
-
9:59 - 10:01Ο υπολογιστής μπορεί
δίνοντας διάφορες τιμές -
10:01 - 10:04να περιορίσει το σφάλμα κοντά στο μηδέν.
-
10:04 - 10:07Κάνοντάς το αυτό,
λαμβάνει διαδοχικές τιμές κοντά στο w. -
10:07 - 10:11Πρακτικά ποτέ δεν το φτάνει
αλλά μετά από καμιά δεκαριά δοκιμές -
10:11 - 10:16φτάνουμε στο w = 2.999
που είναι αρκετά κοντά. -
10:16 - 10:18Και αυτή είναι η διαδικασία μάθησης.
-
10:18 - 10:21Θυμηθείτε λοιπόν
-
10:21 - 10:25ότι εδώ παίρνουμε πολλούς γνωστούς x
και γνωστούς y -
10:25 - 10:29και λύνουμε ως προς w
μέσω μιας επαναληπτικής μεθόδου. -
10:29 - 10:32Με τον ίδιο ακριβώς τρόπο
μαθαίνουμε κι εμείς. -
10:32 - 10:35Ως μωρά έχουμε πάρα πολλές εικόνες
-
10:35 - 10:37και μας λένε, «Αυτό είναι πουλί,
αυτό δεν είναι πουλί». -
10:38 - 10:40Και με τον καιρό και την επανάληψη
-
10:40 - 10:43λύνουμε ως προς w,
λύνουμε αυτές τις νευρωνικές συνδέσεις. -
10:43 - 10:47Έτσι τώρα κρατήσαμε τα x και w σταθερά
για να λύσουμε ως προς y, -
10:47 - 10:49αυτό είναι καθημερινή, γρήγορη αντίληψη.
-
10:49 - 10:51Βρίσκουμε πώς λύνουμε ως προς w,
-
10:51 - 10:53είναι μάθηση που είναι πολύ δυσκολότερη,
-
10:53 - 10:55ώστε να ελαχιστοποιήσουμε το σφάλμα,
-
10:55 - 10:57μέσα από πολλά δοκιμαστικά παραδείγματα.
-
10:57 - 11:00Πριν περίπου από έναν χρόνο,
ο Άλεξ Μόρντβιντσεφ της ομάδας μας -
11:00 - 11:04αποφάσισε να πειραματιστεί
με το τι θα γίνει αν λύσουμε ως προς x, -
11:04 - 11:06με δεδομένους γνωστούς τους w και y.
-
11:06 - 11:07Με άλλα λόγια,
-
11:07 - 11:09γνωρίζετε ότι είναι ένα πουλί
-
11:09 - 11:12και ήδη έχετε ένα νευρωνικό δίκτυο
που του έχετε μάθει τα πουλιά, -
11:12 - 11:14αλλά τι είναι η εικόνα ενός πουλιού;
-
11:15 - 11:20Αποδεικνύεται τελικά ότι με την ίδια
διαδικασία ελαχιστοποίησης σφάλματος -
11:20 - 11:24μπορούμε να το κάνουμε με το δίκτυο
που έχει μάθει να αναγνωρίζει τα πουλιά, -
11:24 - 11:27και το αποτέλεσμα φαίνεται να είναι...
-
11:30 - 11:32μια εικόνα από πουλιά.
-
11:33 - 11:36Αυτή λοιπόν είναι μια εικόνα με πουλιά
που φτιάχτηκε εξολοκλήρου -
11:36 - 11:39από νευρωνικό δίκτυο
που έμαθε να αναγνωρίζει πουλιά, -
11:39 - 11:42απλώς λύνοντας ως προς x
αντί ως προς y, -
11:42 - 11:43και κάνοντάς το επαναληπτικά.
-
11:44 - 11:46Να άλλο ένα διασκεδαστικό παράδειγμα.
-
11:46 - 11:49Είναι μια δουλειά του Μάικ Τάικα
από την ομάδα μας. -
11:49 - 11:51που το λέει «Παρέλαση ζώων».
-
11:51 - 11:54Μου θυμίζει λίγο την τεχνοτροπία
του Γουίλιαμ Κέντριτζ, -
11:54 - 11:57όπου φτιάχνει σκίτσα, τα σβήνει,
-
11:57 - 11:58φτιάχνει σκίτσα, τα σβήνει,
-
11:58 - 12:00και έτσι φτιάχνει μια ταινία.
-
12:00 - 12:01Σε αυτή την περίπτωση,
-
12:01 - 12:04ο Μάικ αντιστοιχεί το y
με διάφορα ζώα από μια ομάδα, -
12:04 - 12:07σε ένα δίκτυο που έχει σχεδιαστεί
να αναγνωρίζει και να διακρίνει -
12:07 - 12:08διάφορα ζώα μεταξύ τους.
-
12:08 - 12:12Και μας βγαίνει μια περίεργη μεταμόρφωση
από ένα ζώο σε άλλο. -
12:14 - 12:19Εδώ, αυτός και ο Άλεξ μαζί,
προσπάθησαν να μειώσουν τα y -
12:19 - 12:22σε χώρο μόνο δύο διαστάσεων,
-
12:22 - 12:25φτιάχνοντας έτσι έναν χάρτη
από τον χώρο όλων των πραγμάτων -
12:25 - 12:27που αναγνωρίζονται από αυτό το δίκτυο.
-
12:27 - 12:29Φτιάχνοντας αυτό το είδος σύνθεσης
-
12:29 - 12:31ή δημιουργία εικόνων
σε ολόκληρη αυτή την επιφάνεια, -
12:31 - 12:34αναπτύσσοντας τις τιμές του y,
φτιάχνετε ένα είδος χάρτη - -
12:34 - 12:38έναν οπτικό χάρτη όλων των πραγμάτων
που το δίκτυο ξέρει να αναγνωρίζει. -
12:38 - 12:41Όλα τα ζώα είναι εδώ -
το αρμαντίλο είναι σε αυτή τη θέση. -
12:41 - 12:43Μπορείτε να το κάνετε
και με άλλα είδη δικτύων. -
12:43 - 12:46Αυτό είναι ένα δίκτυο
σχεδιασμένο να αναγνωρίζει πρόσωπα, -
12:46 - 12:48να διακρίνει πρόσωπα μεταξύ τους.
-
12:48 - 12:51Και εδώ βάζουμε ένα y που λέει «εγώ»,
-
12:51 - 12:53τις παραμέτρους του δικού μου προσώπου.
-
12:53 - 12:55Και όταν λύσει ως προς x,
-
12:55 - 12:58παράγει αυτή την αλλόκοτη,
-
12:58 - 13:02λίγο κυβιστική, σουρεαλιστική,
ψυχεδελική εικόνα μου -
13:02 - 13:04από πολλαπλές απόψεις ταυτόχρονα.
-
13:04 - 13:07Ο λόγος που μοιάζει σαν να είναι
πολλαπλές απόψεις ταυτόχρονα -
13:07 - 13:10είναι επειδή το δίκτυο σχεδιάστηκε
να απορρίπτει την αμφισημία -
13:10 - 13:13ενός προσώπου σε μια ή σε άλλη πόζα,
-
13:13 - 13:16ή όταν το βλέπουμε κάθε φορά
σε διαφορετικό φωτισμό. -
13:16 - 13:18Όταν λοιπόν κάνετε
μια τέτοια ανακατασκευή, -
13:18 - 13:20αν δεν χρησιμοποιήσετε ως οδηγό
-
13:20 - 13:22μια βασική εικόνα ή στατιστικές,
-
13:22 - 13:26τότε θα υπάρξει μια σύγχυση
από διαφορετικές απόψεις -
13:26 - 13:27λόγω αμφισημίας.
-
13:28 - 13:32Αυτό συμβαίνει αν ο Άλεξ βάλει
το δικό του πρόσωπο ως εικόνα-οδηγό -
13:32 - 13:35κατά τη διαδικασία βελτιστοποίησης
στην ανακατασκευή του προσώπου μου. -
13:36 - 13:39Βλέπετε λοιπόν ότι δεν είναι τέλειο.
-
13:39 - 13:40Χρειάζεται αρκετή δουλειά ακόμη
-
13:40 - 13:43στη βελτιστοποίηση
της διαδικασίας βελτιστοποίησης. -
13:43 - 13:46Αλλά αρχίζουμε να παίρνουμε κάτι
πολύ πιο συναφές ως πρόσωπο, -
13:46 - 13:48που φτιάχνεται με οδηγό
το δικό μου πρόσωπο. -
13:49 - 13:51Δεν χρειάζεται να ξεκινήσετε από το μηδέν
-
13:51 - 13:53ή από μια αοριστία.
-
13:53 - 13:54Όταν λύνετε ως προς x,
-
13:54 - 13:58μπορείτε να ξεκινήσετε με ένα x,
που είναι ήδη μια άλλη εικόνα το ίδιο. -
13:58 - 14:00Όπως σε αυτή η επίδειξη.
-
14:00 - 14:04Αυτό είναι ένα δίκτυο
σχεδιασμένο να ταξινομεί -
14:04 - 14:08κάθε είδους διαφορετικά αντικείμενα -
ανθρώπινες κατασκευές, ζώα... -
14:08 - 14:10Εδώ αρχίζουμε μόνο
με μια εικόνα από σύννεφα, -
14:10 - 14:12και καθώς βελτιστοποιούμε,
-
14:12 - 14:17βασικά, αυτό το δίκτυο βρίσκει
τι βλέπει μέσα στα σύννεφα. -
14:17 - 14:19Και όσο περισσότερο το κοιτάζετε,
-
14:19 - 14:22τόσο περισσότερα πράγματα
βρίσκετε κι εσείς μέσα στα σύννεφα. -
14:23 - 14:26Μπορείτε επίσης να βάλετε το δίκτυο
με τα πρόσωπα να οραματιστεί εδώ, -
14:26 - 14:28και θα έχετε πολύ τρελά αποτελέσματα.
-
14:28 - 14:29(Γέλια)
-
14:30 - 14:33Ή ακόμη, ο Μάικ έκανε και άλλα πειράματα
-
14:33 - 14:37όπου παίρνει την εικόνα με τα σύννεφα,
-
14:37 - 14:41οραματίζεται μορφές, ζουμάρει,
οραματίζεται, ζουμάρει. -
14:41 - 14:42Και με αυτό τον τρόπο
-
14:42 - 14:45βάζετε το δίκτυο σε μια κατάσταση,
θα έλεγα σαν ένα είδος αντίστιξης, -
14:46 - 14:49ένα είδος ελεύθερου συσχετισμού,
-
14:49 - 14:51όπου το δίκτυο
τρώει την ίδια του την ουρά. -
14:51 - 14:55Έτσι πλέον κάθε εικόνα
μας κάνει να σκεφτόμαστε, -
14:55 - 14:56«Τι νομίζω ότι βλέπω μετά;
-
14:56 - 14:59Τι νομίζω ότι βλέπω μετά;
Τι νομίζω ότι βλέπω μετά;» -
14:59 - 15:02Το παρουσίασα πρώτη φορά
δημόσια σε μια ομάδα -
15:02 - 15:08σε ομιλία στο Σιάτλ
που λεγόταν «Ανώτερη Εκπαίδευση» - -
15:08 - 15:10αμέσως αφού νομιμοποιήθηκε η μαριχουάνα.
-
15:10 - 15:13(Γέλια)
-
15:15 - 15:17Θα ήθελα να κλείσω γρήγορα
-
15:17 - 15:21με την απλή παρατήρηση
ότι αυτή η τεχνολογία δεν περιορίζεται. -
15:21 - 15:25Σας έδειξα μόνο οπτικά παραδείγματα
επειδή είναι πιο ευχάριστα. -
15:25 - 15:27Δεν είναι αποκλειστικά οπτική τεχνολογία.
-
15:27 - 15:29Ο καλλιτεχνικός συνεργάτης μας,
Ρος Γκούντγουιν, -
15:29 - 15:33έχει κάνει πειράματα
με μια κάμερα που παίρνει φωτογραφίες, -
15:33 - 15:37και μετά ένας υπολογιστής στο σακίδιό του
γράφει ποιήματα μέσα από νευρωνικά δίκτυα, -
15:37 - 15:39με βάση τα περιεχόμενα της εικόνας.
-
15:39 - 15:42Αυτό το ποιητικό νευρωνικό δίκτυο
έχει εκπαιδευτεί -
15:42 - 15:44με ένα μεγάλο όγκο ποίησης του 20ου αιώνα.
-
15:44 - 15:46Και η ποίηση είναι, ξέρετε,
-
15:46 - 15:48νομίζω, όχι και τόσο άσχημη, τελικά.
-
15:48 - 15:49(Γέλια)
-
15:49 - 15:50Κλείνοντας,
-
15:50 - 15:53σχετικά με τον Μιχαήλ Άγγελο,
-
15:53 - 15:54νομίζω ότι είχε δίκιο.
-
15:54 - 15:57Η αντίληψη και η δημιουργικότητα
είναι πολύ στενά συνδεδεμένες. -
15:58 - 16:00Μόλις είδαμε νευρωνικά δίκτυα
-
16:00 - 16:03που έχουν εκπαιδευτεί εξολοκλήρου
να διακρίνουν, -
16:03 - 16:05ή να αναγνωρίζουν
διαφορετικά πράγματα στον κόσμο, -
16:05 - 16:08και μπορούν να λειτουργούν αντίστροφα,
να δημιουργούν. -
16:08 - 16:10Ένα από τα πράγματα
που συμπεραίνω από αυτό -
16:10 - 16:12είναι ότι δεν είδε μόνο ο Μιχαήλ Άγγελος
-
16:12 - 16:15το γλυπτό μέσα στον όγκο της πέτρας,
-
16:15 - 16:18αλλά ότι κάθε πλάσμα, κάθε ον,
κάθε εξωγήινος, -
16:18 - 16:22που μπορεί να επιτελέσει
τέτοιου είδους πράξεις αντίληψης, -
16:22 - 16:24μπορεί επίσης να δημιουργήσει
-
16:24 - 16:27επειδή ακριβώς ο ίδιος μηχανισμός
χρησιμοποιείται και στις δύο περιπτώσεις. -
16:27 - 16:30Επίσης πιστεύω ότι η αντίληψη
και η δημιουργικότητα -
16:30 - 16:33επ' ουδενί είναι
αποκλειστικά κάτι ανθρώπινο. -
16:33 - 16:36Έχουμε υπολογιστικά μοντέλα
που μπορούν να κάνουν ακριβώς το ίδιο. -
16:36 - 16:40Και αυτό δεν πρέπει να μας εκπλήσσει,
το μυαλό κάνει υπολογισμούς. -
16:40 - 16:41Και τέλος,
-
16:41 - 16:46οι υπολογιστές ξεκίνησαν ως άσκηση
στο σχεδιασμό ευφυών μηχανημάτων. -
16:46 - 16:48Σχεδιάστηκε βασικά με την ιδέα
-
16:48 - 16:51του πώς μπορούμε
να κάνουμε τις μηχανές ευφυείς. -
16:52 - 16:54Και τελικά αρχίζουμε να εκπληρώνουμε
-
16:54 - 16:56μερικές από τις υποσχέσεις
εκείνων των πρωτοπόρων, -
16:56 - 16:58του Τούρινγκ και του Φον Νόιμαν,
-
16:58 - 17:00του ΜακΚάλοκ και του Πιτς.
-
17:00 - 17:04Και νομίζω ότι οι υπολογιστές
δεν αφορούν μόνο τα λογιστικά, -
17:04 - 17:06ή να παίζουμε Καντι Κρας ή κάτι τέτοιο.
-
17:06 - 17:09Εξαρχής τα σχεδιάσαμε
κατ' εικόναν του μυαλού μας. -
17:09 - 17:12Και μας δίνουν την ικανότητα
να καταλάβουμε το μυαλό μας καλύτερα -
17:12 - 17:14και να τα επεκτείνουμε.
-
17:15 - 17:16Σας ευχαριστώ πολύ.
-
17:16 - 17:17(Χειροκρότημα)
- Title:
- Πώς μαθαίνουν οι υπολογιστές να είναι δημιουργικοί
- Speaker:
- Μπλέιζ Αγκέρα ι Άρκας
- Description:
-
Βρισκόμαστε σε ένα καινούργιο όριο για την τέχνη και τη δημιουργικότητα - και δεν είναι ανθρώπινο. Ο Μπλέιζ Αγκέρα ι Άρκας, σημαντικός επιστήμονας στη Google, εργάζεται πάνω σε εξελιγμένα νευρωνικά δίκτυα για την μηχανική αντίληψη και τη κατανομή της μάθησης. Σε αυτή την καθηλωτική παρουσίαση μας δείχνει πώς τα δίκτυα νευρώνων που έχουν εκπαιδευτεί να αναγνωρίζουν εικόνες, μπορούν να λειτουργήσουν αντίστροφα, δημιουργώντας εικόνες. Το αποτέλεσμα είναι θεαματικά κολάζ (και ποιήματα!) που μοιάζουν με παραισθήσεις και αρνούνται να μπουν σε κάποια κατηγορία. «Η αντίληψη και η δημιουργικότητα είναι πολύ στενά συνδεδεμένες» μας λέει ο Μπλέιζ Αγκέρα. «Κάθε πλάσμα που μπορεί να αντιληφθεί, επίσης μπορεί να δημιουργήσει».
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 17:34
Lucas Kaimaras approved Greek subtitles for How we're teaching computers to be creative | ||
Lucas Kaimaras edited Greek subtitles for How we're teaching computers to be creative | ||
Chryssa R. Takahashi accepted Greek subtitles for How we're teaching computers to be creative | ||
Chryssa R. Takahashi edited Greek subtitles for How we're teaching computers to be creative | ||
Lucas Kaimaras edited Greek subtitles for How we're teaching computers to be creative | ||
Lucas Kaimaras edited Greek subtitles for How we're teaching computers to be creative | ||
Lucas Kaimaras edited Greek subtitles for How we're teaching computers to be creative | ||
Lucas Kaimaras edited Greek subtitles for How we're teaching computers to be creative |