Cómo las computadoras aprenden a ser creativas
-
0:00 - 0:04Coordino un equipo de Google que
trabaja en inteligencia artificial; -
0:04 - 0:08es decir, en la disciplina de ingeniería
para fabricar computadoras y dispositivos -
0:08 - 0:11capaces de hacer algunas cosas
que hacen los cerebros. -
0:11 - 0:15Y esto hace que nos interese
mucho el cerebro real, -
0:15 - 0:16la neurociencia
-
0:16 - 0:20y, especialmente, nos interesan
las cosas que hace nuestro cerebro -
0:20 - 0:24que todavía son muy superiores
al rendimiento de las computadoras. -
0:25 - 0:29Históricamente, una de esas áreas
ha sido la percepción, -
0:29 - 0:32el proceso por el cual
las cosas que hay en el mundo, -
0:32 - 0:34sonidos e imágenes,
-
0:34 - 0:36pueden convertirse
en conceptos en la mente. -
0:36 - 0:39Esto es esencial
para nuestro propio cerebro, -
0:39 - 0:41y también es muy útil en una máquina.
-
0:42 - 0:45Nuestro equipo hace algoritmos
de percepción computacional -
0:45 - 0:49que permiten encontrar imágenes en Google
-
0:49 - 0:51en función de lo que hay en ellas.
-
0:52 - 0:55La otra cara de la percepción
es la creatividad: -
0:55 - 0:58convertir un concepto
en algo que hay en el mundo. -
0:58 - 1:02Así que en el último año, nuestro
trabajo en percepción computacional -
1:02 - 1:07ha conectado de forma inesperada
con el mundo de la creatividad -
1:07 - 1:08y el arte computacionales.
-
1:09 - 1:12Creo que Miguel Ángel
tenía una visión aguda -
1:12 - 1:16en esta doble relación
entre la percepción y la creatividad. -
1:16 - 1:18Esta es una de sus célebres citas:
-
1:18 - 1:21"Cada bloque de piedra tiene
una estatua en su interior, -
1:22 - 1:25y el trabajo del escultor
es descubrirla". -
1:26 - 1:29Pienso que Miguel Ángel quería decir
-
1:29 - 1:32que creamos al percibir,
-
1:32 - 1:36y que la propia percepción
es un acto de imaginación -
1:36 - 1:38y es la materia de la creatividad.
-
1:39 - 1:43El órgano que crea todo el pensamiento,
la percepción y la imaginación, -
1:43 - 1:44por supuesto, es el cerebro.
-
1:45 - 1:48Y me gustaría empezar
con un poquito de historia -
1:48 - 1:50sobre lo que sabemos del cerebro.
-
1:50 - 1:53Porque a diferencia de, por ejemplo,
el corazón o los intestinos, -
1:53 - 1:56realmente no se puede decir mucho
de un cerebro con solo mirarlo, -
1:56 - 1:58al menos a simple vista.
-
1:58 - 2:00Los primeros anatomistas
que exploraron cerebros dieron -
2:00 - 2:04a las estructuras superficiales de esta
cosa todo tipo de nombres de fantasía, -
2:04 - 2:07como hipocampo,
que significa "pequeño camarón". -
2:07 - 2:10Pero, por supuesto,
eso no nos dice mucho -
2:10 - 2:12de lo que realmente
sucede en el interior. -
2:13 - 2:16La primera persona que, creo,
desarrolló una visión -
2:16 - 2:18de lo que ocurría en el cerebro
-
2:18 - 2:22fue el gran neuroanatomista español,
Santiago Ramón y Cajal, -
2:22 - 2:24en el siglo XIX,
-
2:24 - 2:28que usó la microscopía
y tinciones especiales -
2:28 - 2:32para poder marcar selectivamente
en un contraste muy alto -
2:32 - 2:34las células individuales en el cerebro,
-
2:34 - 2:37para empezar a entender sus morfologías.
-
2:38 - 2:41Y estos son los tipos de dibujos
que hizo de las neuronas -
2:41 - 2:42en el siglo XIX.
-
2:42 - 2:44Esto es de un cerebro de un pájaro.
-
2:44 - 2:47Y ya ven esta increíble variedad
de diferentes tipos de células, -
2:47 - 2:51incluso la propia teoría celular
era bastante nueva en este momento. -
2:51 - 2:52Y estas estructuras,
-
2:52 - 2:54estas células que tienen
estas arborizaciones, -
2:54 - 2:57estas ramas que pueden alcanzar
muy largas distancias, -
2:57 - 2:59esto era muy novedoso en esa época.
-
2:59 - 3:02Nos recuerdan, por supuesto,
a los cables. -
3:02 - 3:05Eso podría haber sido obvio
para algunos en el siglo XIX; -
3:05 - 3:10las revoluciones del cableado y de
la electricidad se estaban iniciando. -
3:10 - 3:11Pero en muchos sentidos,
-
3:11 - 3:15los dibujos de microanatomía
de Ramón y Cajal, como éste, -
3:15 - 3:17todavía son,
en cierto modo, insuperables. -
3:17 - 3:19Un siglo más tarde todavía
-
3:19 - 3:22tratamos de terminar
el trabajo que empezó Ramón y Cajal. -
3:22 - 3:25Estos son los datos brutos
de nuestros colaboradores -
3:25 - 3:27del Instituto Max Planck
de Neurociencia. -
3:27 - 3:29Nuestros colaboradores
-
3:29 - 3:34han tomado imágenes de
trozos de tejido cerebral. -
3:34 - 3:38La muestra completa aquí
es de 1 mm cúbico de tamaño, -
3:38 - 3:40y les estoy mostrando
un trozo muy pequeño. -
3:40 - 3:43Esa barra de la izquierda es
de aproximadamente una micra. -
3:43 - 3:45Las estructuras visibles
son las mitocondrias -
3:45 - 3:47del tamaño de las bacterias.
-
3:47 - 3:49Y estos son cortes consecutivos
-
3:49 - 3:52de este diminuto bloque de tejido.
-
3:52 - 3:55solo a efectos de comparación,
-
3:55 - 3:58el diámetro de una hebra promedio
de pelo es de unas 100 micras. -
3:58 - 4:00Así que vemos algo mucho,
mucho más pequeño -
4:00 - 4:02que una sola hebra de cabello.
-
4:02 - 4:06Y a partir de este tipo de rebanadas
de microscopía electrónica de serie, -
4:06 - 4:11se pueden hacer reconstrucciones en 3D
de las neuronas con este aspecto. -
4:11 - 4:14Son casi del mismo estilo
que las de Ramón y Cajal. -
4:14 - 4:16Solo se iluminaron unas pocas neuronas,
-
4:16 - 4:19porque, de lo contrario,
no se podría ver nada aquí. -
4:19 - 4:20Estaría tan lleno,
-
4:20 - 4:21tan pleno de estructuras,
-
4:21 - 4:24de cableado de todas las neuronas
conectadas una a otra. -
4:25 - 4:28Así Ramón y Cajal se adelantó
un poco a su tiempo, -
4:28 - 4:30y al progreso
en la comprensión del cerebro -
4:30 - 4:33avanzando lentamente
a lo largo de las siguientes décadas. -
4:33 - 4:36Pero sabíamos que las neuronas
usan electricidad -
4:36 - 4:40y por la Segunda Guerra Mundial,
la tecnología avanzó lo suficiente -
4:40 - 4:43como para empezar a hacer experimentos
eléctricos reales con neuronas vivas -
4:43 - 4:45para comprender mejor cómo funcionaban.
-
4:45 - 4:49En ese mismo momento
se desarrollaban las computadoras -
4:49 - 4:52con la idea de modelar el cerebro,
-
4:52 - 4:55de "máquinas inteligentes",
como decía Alan Turing, -
4:55 - 4:57uno de los padres de la informática.
-
4:58 - 5:03Warren McCulloch y Walter Pitts
miraron el dibujo de Ramón y Cajal -
5:03 - 5:04de la corteza visual,
-
5:04 - 5:05que muestro aquí.
-
5:06 - 5:10Esta es la corteza que procesa
las imágenes que provienen del ojo. -
5:10 - 5:14Y para ellos, esto parecía
un diagrama de circuito. -
5:14 - 5:18Y hay gran cantidad de detalles en el
diagrama de circuito de McCulloch y Pitts -
5:18 - 5:20que no están del todo bien.
-
5:20 - 5:21Pero esta idea básica de que
-
5:21 - 5:25la corteza visual funciona como
una serie de elementos computacionales -
5:25 - 5:28que pasan una información de uno
al siguiente en cascada, -
5:28 - 5:29es esencialmente correcta.
-
5:29 - 5:32Hablemos por un momento
-
5:32 - 5:36de lo que tendría que hacer un modelo
para procesar la información visual. -
5:36 - 5:39La tarea básica de la percepción
-
5:39 - 5:43es tomar una imagen como esta y decir:
-
5:43 - 5:44"Eso es un pájaro"
-
5:44 - 5:47que es algo muy simple
de ver con nuestro cerebro. -
5:47 - 5:51Pero todos Uds. deben entender
que para una computadora -
5:51 - 5:54esto era prácticamente imposible
hace pocos años. -
5:54 - 5:56Con el paradigma
de la computación clásica -
5:56 - 5:58esta tarea no es fácil de hacer.
-
5:59 - 6:02Entonces lo que pasa
entre los píxeles, -
6:02 - 6:06entre la imagen del ave
y la palabra "pájaro" -
6:06 - 6:09es esencialmente un conjunto
de neuronas conectadas entre sí -
6:09 - 6:10en una red neuronal,
-
6:10 - 6:11como la que diagramo aquí.
-
6:11 - 6:15Esta red neuronal podría ser biológica,
en nuestras cortezas visuales, -
6:15 - 6:17o, en la actualidad, podemos
-
6:17 - 6:19modelar este tipo de redes neuronales
en la computadora. -
6:20 - 6:22Y mostraré qué aspecto tienen.
-
6:22 - 6:26Así que los píxeles se puede pensar
como una primera capa de neuronas, -
6:26 - 6:28y así es, de hecho,
como funciona el ojo, -
6:28 - 6:30eso son las neuronas de la retina.
-
6:30 - 6:31Y después avanzan
-
6:31 - 6:35de una capa a la otra,
y luego a otra capa de neuronas, -
6:35 - 6:37todas conectadas
por sinapsis de diferentes pesos. -
6:37 - 6:39El comportamiento de esta red
-
6:39 - 6:42se caracteriza por las fortalezas
de todas esas sinapsis. -
6:42 - 6:46Estas caracterizan las propiedades
computacionales de esta red. -
6:46 - 6:47Y al final
-
6:47 - 6:50una neurona o un pequeño grupo de neuronas
-
6:50 - 6:51da la luz, diciendo, "pájaro".
-
6:52 - 6:55Ahora voy a representar esas tres cosas:
-
6:55 - 7:00los píxeles de entrada,
las sinapsis en la red neuronal, -
7:00 - 7:01y el pájaro, la salida,
-
7:01 - 7:04con tres variables: X, W e Y.
-
7:05 - 7:07Hay tal vez un millón o más de X,
-
7:07 - 7:09un millón de píxeles en la imagen.
-
7:09 - 7:11Hay miles de millones o billones de W,
-
7:11 - 7:15que representan los pesos de todas
estas sinapsis en la red neuronal. -
7:15 - 7:16Y hay un número muy pequeño de Y,
-
7:16 - 7:18de salidas que tiene esa red.
-
7:18 - 7:20"Pájaro" son solo seis letras, ¿verdad?
-
7:21 - 7:24Así que vamos a suponer
que esto es solo una fórmula simple, -
7:24 - 7:27X "x" W = Y.
-
7:27 - 7:29Pongo la multiplicación entre comillas
-
7:29 - 7:31porque lo que realmente pasa allí,
por supuesto, -
7:31 - 7:34es una serie muy complicada
de operaciones matemáticas. -
7:35 - 7:36Esa es una ecuación.
-
7:36 - 7:38Hay tres variables.
-
7:38 - 7:41Y todos sabemos que
si uno tiene una ecuación, -
7:41 - 7:45puede resolver una variable
conociendo las otras dos. -
7:45 - 7:49Así que el problema de la inferencia,
-
7:49 - 7:51es decir, averiguar que la imagen
de un pájaro es un pájaro, -
7:51 - 7:53es este:
-
7:53 - 7:56Y es la desconocida
y W y X las conocidas. -
7:56 - 7:59Se conoce la red neuronal,
y también los píxeles. -
7:59 - 8:02Como se puede ver, en realidad, es
un problema relativamente sencillo. -
8:02 - 8:04Se multiplica dos veces tres y ya está.
-
8:05 - 8:07Les voy a mostrar
una red neuronal artificial -
8:07 - 8:10que hemos construido recientemente,
haciendo exactamente eso. -
8:10 - 8:12Esto se ejecuta en tiempo real
en un teléfono móvil, -
8:13 - 8:16y eso es, por supuesto,
sorprendente en sí mismo, -
8:16 - 8:18que los teléfonos móviles puedan hacer
-
8:18 - 8:21tantos millones y billones
de operaciones por segundo. -
8:21 - 8:22Lo que ven es un teléfono
-
8:22 - 8:26que analiza imágenes
de un pájaro una tras otra. -
8:26 - 8:29Y, de hecho, no solo dice:
"Sí, es un pájaro" -
8:29 - 8:32sino que identifica las especies
de pájaros con una red de este tipo. -
8:33 - 8:35Así que en ese cuadro,
-
8:35 - 8:38la X y la W son conocidas,
y la Y es la desconocida. -
8:38 - 8:41Estoy pasando por alto
la parte más difícil, por supuesto, -
8:41 - 8:45que es cómo demonios
podemos averiguar la W, -
8:45 - 8:47cómo puede el cerebro hacerlo.
-
8:47 - 8:50¿Cómo podríamos llegar a aprender
un modelo de este tipo? -
8:50 - 8:53Este proceso de aprendizaje
de despejar W, -
8:53 - 8:55si lo hacemos con una simple ecuación
-
8:55 - 8:57en la que pensamos en ellos como números,
-
8:57 - 9:00sabemos exactamente
cómo hacer eso: 6 = 2 x W, -
9:00 - 9:03así, se divide por dos y ya está.
-
9:04 - 9:06El problema estriba en este operador.
-
9:06 - 9:08Por lo tanto, la división,
-
9:08 - 9:11hemos usado la división
por ser la inversa de la multiplicación, -
9:11 - 9:13pero, como acabo de decir,
-
9:13 - 9:15la multiplicación tiene
algo de mentira aquí. -
9:15 - 9:18Esta es una operación muy complicada,
nada lineal; -
9:18 - 9:20que no tiene inversa.
-
9:20 - 9:23Así que tenemos que encontrar
una manera de resolver la ecuación -
9:23 - 9:25sin un operador de división.
-
9:25 - 9:28Y la manera de hacerlo
es bastante sencilla. -
9:28 - 9:30Vamos a aplicar
un pequeño truco de álgebra, -
9:30 - 9:33y a mover el 6 hacia
el lado derecho de la ecuación. -
9:33 - 9:36Ahora, todavía usamos la multiplicación.
-
9:36 - 9:39Y el cero... pensémoslo como un error.
-
9:39 - 9:42Es decir, si hemos resuelto la W
de la manera correcta, -
9:42 - 9:44luego el error será el cero.
-
9:44 - 9:46Y si no lo hacemos del todo bien,
-
9:46 - 9:47el error será mayor que cero.
-
9:47 - 9:50Así que ahora solo podemos hacer
conjeturas para minimizar el error, -
9:50 - 9:53y en eso las computadoras son muy buenas.
-
9:53 - 9:55Así que ya hemos hecho
una aproximación inicial: -
9:55 - 9:56¿Y si W = 0?
-
9:56 - 9:57Entonces el error es 6.
-
9:57 - 9:59¿Qué pasa si W = 1?
El error es 4. -
9:59 - 10:02Y luego, la computadora puede correr
una especie de Marco Polo, -
10:02 - 10:04y reducir el error cercano a cero.
-
10:04 - 10:07A medida que lo hace, se logra
aproximaciones sucesivas a W. -
10:07 - 10:11Por lo general, nunca llega allí,
pero tras una docena de pasos, -
10:11 - 10:15estamos en W = 2.999,
que es lo suficientemente aproximado. -
10:16 - 10:18Y este es el proceso de aprendizaje.
-
10:18 - 10:21Así que recuerden que
-
10:21 - 10:25hemos tomado muchas X e Y conocidas
-
10:25 - 10:29para resolver la W por medio
de un proceso iterativo. -
10:29 - 10:32De la misma manera como
lo hacemos en nuestro propio aprendizaje. -
10:32 - 10:35Tenemos muchas, muchas imágenes de bebés
-
10:35 - 10:37y nos dicen: "Esto es un pájaro,
esto no es un pájaro". -
10:38 - 10:40Y con el tiempo, a través de iteración,
-
10:40 - 10:43resolvemos W, lo resolvemos
para esas conexiones neuronales. -
10:43 - 10:48Así que ahora ya tenemos despejada la X,
y la W para resolver Y; -
10:48 - 10:49eso todos los días, percepción rápida.
-
10:49 - 10:51Entendemos cómo podemos resolver W,
-
10:51 - 10:53esto es aprendizaje,
que es mucho más difícil, -
10:53 - 10:55porque tenemos que minimizar errores,
-
10:55 - 10:57usando mucho ejemplos
para el entrenamiento. -
10:57 - 11:00Y hace un año, Alex Mordvintsev,
de nuestro equipo, -
11:00 - 11:04decidió experimentar
qué sucede si intentamos resolver X, -
11:04 - 11:06con una W e Y conocidas.
-
11:06 - 11:07En otras palabras,
-
11:07 - 11:09se sabe que es un pájaro,
-
11:09 - 11:12y se cuenta con una red neuronal
entrenada en aves, -
11:12 - 11:14pero ¿y la imagen de un pájaro?
-
11:15 - 11:20Usando el mismo procedimiento
de minimización de errores, -
11:20 - 11:24uno puede hacer eso con la red entrenada
para reconocer aves, -
11:24 - 11:27y el resultado es...
-
11:30 - 11:32una imagen de aves.
-
11:33 - 11:37Esta es una imagen de aves generada
en su totalidad por una red neuronal -
11:37 - 11:38entrenada para reconocer aves,
-
11:38 - 11:42simplemente resolviendo X,
en lugar de resolver Y, -
11:42 - 11:43haciéndolo de forma iterativa.
-
11:44 - 11:46He aquí otro ejemplo divertido.
-
11:46 - 11:49Este fue un trabajo realizado
por Mike Tyka en nuestro grupo, -
11:49 - 11:51llamado "animal del desfile".
-
11:51 - 11:54Me recuerda algo a las obras
de arte de William Kentridge, -
11:54 - 11:57donde él hace bocetos, los borra,
-
11:57 - 11:58hace bocetos, los borra
-
11:58 - 12:00y crea una película de esta manera.
-
12:00 - 12:01En este caso, Mike
-
12:01 - 12:04varía Y sobre el espacio
de diferentes animales, -
12:04 - 12:07en una red diseñada
para reconocer y distinguir -
12:07 - 12:08animales diferentes unos de otros.
-
12:08 - 12:12Y se obtiene esta extraña metamorfosis
de un animal a la Escher. -
12:14 - 12:19Aquí él y Alex han intentado reducir
-
12:19 - 12:22las Y a un espacio
de solo dos dimensiones, -
12:22 - 12:25logrando un mapa
fuera del espacio de todas las cosas -
12:25 - 12:27reconocido por esta red.
-
12:27 - 12:29Realizar este tipo de síntesis
-
12:29 - 12:31o la generación de las imágenes
sobre toda la superficie, -
12:31 - 12:34variando Y sobre la superficie,
se hace una especie de mapa, -
12:34 - 12:37un mapa visual de todas las cosas
que la red sabe reconocer. -
12:37 - 12:40Los animales están todos aquí;
el armadillo está justo aquí. -
12:41 - 12:43Se puede hacer esto
con otros tipos de redes. -
12:43 - 12:46Esta es una red diseñada
para reconocer caras, -
12:46 - 12:48para distinguir una cara de otra.
-
12:48 - 12:52Y aquí ponemos en Y una que dice "yo",
-
12:52 - 12:53mis propios parámetros cara.
-
12:53 - 12:55Y cuando esto resuelve X,
-
12:55 - 12:58genera esta imagen de mí,
-
12:58 - 13:02alocada, tipo cubista, psicodélica,
como un cuadro surrealista, -
13:02 - 13:04desde múltiples puntos de vista a la vez.
-
13:04 - 13:07Aparecen múltiples puntos
de vista a la vez -
13:07 - 13:10porque la red está diseñada
para descartar la ambigüedad -
13:10 - 13:13de una cara en una postura u otra,
-
13:13 - 13:16con un tipo de luz, u otro.
-
13:16 - 13:18Al hacer este tipo de reconstrucción,
-
13:18 - 13:21si no se usa alguna imagen de guía
-
13:21 - 13:22o estadísticas de guía,
-
13:22 - 13:26entonces se obtiene una confusión
de diferentes puntos de vista, -
13:26 - 13:27porque es ambigua.
-
13:28 - 13:32Esto es lo que sucede si Alex usa
su propia cara imagen como guía -
13:32 - 13:35durante ese proceso de optimización
para reconstruir mi propia cara. -
13:36 - 13:39Así se puede ver que no es perfecto.
-
13:39 - 13:41Todavía hay mucho trabajo por hacer
-
13:41 - 13:43sobre cómo mejorar
el proceso de optimización. -
13:43 - 13:46Pero ya se empieza a ver algo
más parecido a una cara coherente, -
13:46 - 13:48usando mi propia cara como guía.
-
13:49 - 13:51No tiene que comenzar
con un lienzo en blanco -
13:51 - 13:53o con ruido blanco.
-
13:53 - 13:54Cuando se está resolviendo X,
-
13:54 - 13:58se puede comenzar con una X,
que en sí es ya una imagen. -
13:58 - 14:00En eso consiste
esta pequeña demostración. -
14:00 - 14:05Esta es una red diseñada para categorizar
-
14:05 - 14:08todo objeto, estructuras
hechas por humanos, animales... -
14:08 - 14:10Aquí empezamos
con una imagen de las nubes, -
14:10 - 14:12y la optimizamos,
-
14:12 - 14:17básicamente, esta red averigua
qué se ve en las nubes. -
14:17 - 14:19Y cuanto más tiempo uno pasa mirando,
-
14:19 - 14:22más cosas también se verán
en las nubes. -
14:23 - 14:26También es posible usar la red
para alucinar, -
14:26 - 14:28obteniendo cosas bastante locas.
-
14:28 - 14:29(Risas)
-
14:30 - 14:33O, Mike ha hecho otros experimentos
-
14:33 - 14:37donde se detiene la imagen de la nube,
-
14:37 - 14:41la alucina, la amplía,
la alucina, la amplía... -
14:41 - 14:42Y de esta manera,
-
14:42 - 14:45se obtiene una especie
de estado de fuga de la red, supongo, -
14:46 - 14:49o una especie de asociación libre,
-
14:49 - 14:51en el que la red se come su propia cola.
-
14:51 - 14:55Así que cada imagen es ahora la base para
-
14:55 - 14:56"¿Qué pienso que veré ahora?
-
14:56 - 14:59¿Qué pienso que veré ahora?
¿Qué pienso que veré ahora?" -
14:59 - 15:02Mostré esto por primera vez en público
-
15:02 - 15:08a un grupo en una conferencia en
Seattle llamada "Educación Superior", -
15:08 - 15:10esto fue justo después de que
la marihuana fuera legalizada. -
15:10 - 15:13(Risas)
-
15:15 - 15:17Así que me gustaría
terminar rápidamente -
15:17 - 15:21con solo señalar
que esta tecnología no está limitada. -
15:21 - 15:25He mostrado ejemplos puramente visuales
porque son muy divertidos. -
15:25 - 15:27Pero no es una tecnología
puramente visual. -
15:27 - 15:29Nuestro artista colaborador,
Ross Goodwin, -
15:29 - 15:33tiene experimentos que implican
a una cámara tomando una foto, -
15:33 - 15:37y luego una computadora en su mochila,
escribe un poema usando redes neuronales, -
15:37 - 15:39basado en el contenido de la imagen.
-
15:39 - 15:42Y que la red neuronal de poesía
ha sido entrenada -
15:42 - 15:44en un gran corpus de poesía del siglo XX.
-
15:44 - 15:46Y la poesía es, ya saben,
-
15:46 - 15:48creo que no está tan mal, en realidad.
-
15:48 - 15:49(Risas)
-
15:49 - 15:50Para concluir,
-
15:50 - 15:53creo que Miguel Ángel
-
15:53 - 15:54tenía razón;
-
15:54 - 15:57la percepción y la creatividad
están conectadas muy íntimamente. -
15:58 - 16:00Acabamos de ver redes neuronales
-
16:00 - 16:03totalmente capacitadas para discriminar,
-
16:03 - 16:05o para reconocer
cosas diferentes en el mundo, -
16:05 - 16:08que pueden ejecutarse a la inversa,
para generar nuevas cosas. -
16:08 - 16:10Algo que me sugiere esto
-
16:10 - 16:12no es solo que Miguel Ángel
realmente vio -
16:12 - 16:15la escultura en los bloques de piedra,
-
16:15 - 16:18sino que cualquier criatura,
cualquier ser, cualquier alienígena -
16:18 - 16:22que es capaz de percibir
actos de ese tipo -
16:22 - 16:23también es capaz de crear
-
16:23 - 16:27porque en ambos casos
se usa la misma maquinaria. -
16:27 - 16:31Además, creo que la percepción
y la creatividad no son absolutamente -
16:31 - 16:33únicamente humanas.
-
16:33 - 16:36Ya tenemos modelos computacionales
que pueden hacer exactamente estas cosas. -
16:36 - 16:40Y que no debería ser sorprendente;
el cerebro es computacional. -
16:40 - 16:41Y, finalmente,
-
16:41 - 16:46la computación empezó como un ejercicio
de diseño de máquinas inteligentes. -
16:46 - 16:48Fue modelada siguiendo la idea
-
16:48 - 16:51de cómo podríamos hacer
máquinas inteligentes. -
16:52 - 16:54Y, finalmente, se están
empezando a cumplir -
16:54 - 16:56algunas de las promesas
de aquellos pioneros, -
16:56 - 16:58como Turing, von Neumann
-
16:58 - 17:00McCulloch y Pitts.
-
17:00 - 17:04Y creo que la informática
no es solo contabilidad -
17:04 - 17:06o jugar al Candy Crush y esas cosas.
-
17:06 - 17:09Desde el principio, se diseñó
siguiendo el modelo de nuestra mente. -
17:09 - 17:12Y eso nos da la capacidad de comprender
mejor nuestra propia mente -
17:12 - 17:14y de ampliarla.
-
17:15 - 17:16Muchas gracias.
-
17:16 - 17:22(Aplausos)
- Title:
- Cómo las computadoras aprenden a ser creativas
- Speaker:
- Blaise Agüera y Arcas
- Description:
-
Estamos en el límite de una nueva frontera en el arte y la creatividad y que no es humana. Blaise Agüera y Arcas, científico principal en Google, trabaja con redes neuronales para el desarrollo de la percepción computacional y el aprendizaje distribuido. En esta demo cautivadora muestra cómo las redes neuronales entrenadas para reconocer imágenes se pueden ejecutar a la inversa, para generarlas. Los resultados, espectaculares collages (¡y poemas!) alucinantes que desafían la categorización. "La percepción y la creatividad están conectados muy íntimamente", dice Agüera y Arcas. "Cualquier criatura, cualquier ser capaz de percibir es también capaz de crear".
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 17:34
Sebastian Betti approved Spanish subtitles for How we're teaching computers to be creative | ||
Sebastian Betti edited Spanish subtitles for How we're teaching computers to be creative | ||
Sebastian Betti accepted Spanish subtitles for How we're teaching computers to be creative | ||
Sebastian Betti edited Spanish subtitles for How we're teaching computers to be creative | ||
Lidia Cámara de la Fuente edited Spanish subtitles for How we're teaching computers to be creative | ||
Lidia Cámara de la Fuente edited Spanish subtitles for How we're teaching computers to be creative | ||
Lidia Cámara de la Fuente edited Spanish subtitles for How we're teaching computers to be creative | ||
Lidia Cámara de la Fuente edited Spanish subtitles for How we're teaching computers to be creative |