How computers are learning to be creative
-
0:00 - 0:04Chez Google, l'équipe que je dirige
travaille sur l'intelligence artificielle, -
0:04 - 0:09c'est-à-dire à créer
des ordinateurs et des appareils -
0:09 - 0:12capables de faire une partie
de ce que fait le cerveau. -
0:12 - 0:14Nous sommes donc très intéressés
par les vrais cerveaux -
0:14 - 0:16ainsi que la neuroscience,
-
0:16 - 0:20en particulier les choses
que nos cerveaux font -
0:20 - 0:25avec une performance bien supérieure
à celle des ordinateurs. -
0:25 - 0:29Historiquement, un de ces domaines
est la perception, -
0:29 - 0:32le processus permettant
aux choses du monde, -
0:32 - 0:33les sons et les images,
-
0:33 - 0:36de devenir des concepts dans notre esprit.
-
0:36 - 0:39C'est essentiel pour nos propres cerveaux
-
0:39 - 0:42et est très utile pour un ordinateur.
-
0:42 - 0:45Les algorithmes de perception
des machines, comme ceux de mon équipe, -
0:45 - 0:49nous permettent de rechercher
des images sur Google -
0:49 - 0:52selon ce qu'elles représentent.
-
0:52 - 0:55Le revers de la perception
est la créativité : -
0:55 - 0:58transformer un concept
en un objet du monde extérieur. -
0:58 - 1:02Au cours de l'année, notre travail
sur la perception des machines -
1:02 - 1:07a été lié, de façon inattendue,
au monde de la créativité des machines -
1:07 - 1:09et de l'art des machines.
-
1:09 - 1:12Je pense que Michel-Ange
avait une vision perspicace -
1:12 - 1:16de cette double relation
entre la perception et la créativité. -
1:16 - 1:18Voici une de ses citations connue :
-
1:18 - 1:22« Chaque bloc de pierre
renferme une statue -
1:22 - 1:26et c'est le rôle du sculpteur
de la découvrir. » -
1:26 - 1:29Je pense que ce que Michel-Ange
voulait exprimer -
1:29 - 1:32c'est que nous créons
ce que nous perçevons -
1:32 - 1:36et que cette perception est elle-même
un acte d'imagination -
1:36 - 1:39et est le produit de la créativité.
-
1:39 - 1:43L'organe qui pense et perçoit et imagine
-
1:43 - 1:45est, bien-sûr, le cerveau.
-
1:45 - 1:48Et j'aimerais commencer
avec une brève histoire -
1:48 - 1:50de ce que nous savons sur le cerveau.
-
1:50 - 1:53Car, contrairement au cœur
ou aux intestins, -
1:53 - 1:56on ne peut pas dire grand chose
sur le cerveau en le regardant, -
1:56 - 1:58tout du moins pas à l’œil nu.
-
1:58 - 2:00Les premiers anatomistes
qui ont étudié le cerveau -
2:00 - 2:04ont donné aux structures superficielles
des tas de jolis noms -
2:04 - 2:07tels que l'hippocampe,
soit « petit champignon ». -
2:07 - 2:09Bien-sûr, ce genre de choses
ne nous dit pas -
2:09 - 2:13ce qu'il se passe à l'intérieur.
-
2:13 - 2:16La première personne qui, à mon avis,
s'est fait une idée -
2:16 - 2:18de ce qu'il se passait dans le cerveau
-
2:18 - 2:22était le neuroanatomiste espagnol,
Santiago Ramón y Cajal, -
2:22 - 2:24au 19ème siècle.
-
2:24 - 2:28Il a utilisé la microscopie
et des colorants spéciaux -
2:28 - 2:32qui pouvaient colorer
ou créer un fort contraste -
2:32 - 2:34dans les différentes cellules du cerveau
-
2:34 - 2:37afin de commencer
à comprendre leur morphologie. -
2:37 - 2:41Il a fait ce genre de dessins
représentant les neurones -
2:41 - 2:42au 19ème siècle.
-
2:42 - 2:44Ceci est un cerveau d'oiseau.
-
2:44 - 2:47Vous voyez cette incroyable diversité
de type de cellules, -
2:47 - 2:51même la théorie cellulaire
était relativement nouvelle à l'époque. -
2:51 - 2:52Ces structures,
-
2:52 - 2:54ces cellules avec ces arborisations,
-
2:54 - 2:57ces branches parcourant
de très grandes distances, -
2:57 - 2:59tout cela était nouveau à l'époque.
-
2:59 - 3:02Elles nous rappellent des câbles.
-
3:02 - 3:05Au 19ème siècle, cela semblait
peut-être évident à certains : -
3:06 - 3:10la révolution du câblage électrique
venait de commencer. -
3:10 - 3:11Mais de bien des façons,
-
3:11 - 3:15ces dessins micro-anatomiques
de Ramón y Cajal, comme celui-ci, -
3:15 - 3:17n'ont toujours pas été surpassés.
-
3:17 - 3:18Plus d'un siècle plus tard,
-
3:18 - 3:22nous essayons toujours de finir
le travail entamé par Ramón y Cajal. -
3:22 - 3:24Voici des données brutes
venant de nos collaborateurs -
3:24 - 3:28à l'Institut de Neuroscience Max Planck.
-
3:28 - 3:32Nos collaborateurs ont imagé
-
3:32 - 3:35de petits morceaux de tissu cérébral.
-
3:35 - 3:38L'échantillon fait environ
un millimètre cube -
3:38 - 3:40et je vous en montre
un très petite portion. -
3:41 - 3:43Le trait sur la gauche
fait environ un micron. -
3:43 - 3:45Les structures que vous voyez
sont des mitochondries -
3:45 - 3:47faisant la taille d'une bactérie.
-
3:47 - 3:49Voici des coupes consécutives
-
3:49 - 3:52de ce très petit bloc de tissu.
-
3:53 - 3:55Si vous voulez comparer,
-
3:55 - 3:59le diamètre moyen d'un cheveu
est d'environ 100 microns. -
3:59 - 4:02Nous regardons quelque chose
de beaucoup plus petit qu'un cheveu. -
4:02 - 4:06Avec ce genre de coupes séquentielles
en microscopie électronique, -
4:06 - 4:11nous pouvons en faire des reconstructions
en 3D des neurones comme celle-ci. -
4:11 - 4:14Cela ressemble à ce qu'a fait
Ramón y Cajal. -
4:14 - 4:19Seuls quelques neurones s'allument,
sinon nous n'y verrions rien, -
4:19 - 4:20Cela serait trop dense,
-
4:20 - 4:22trop rempli structures,
-
4:22 - 4:25de câbles connectant
les neurones entre eux. -
4:25 - 4:28Ramón y Cajal était en avance
pour son époque -
4:28 - 4:31et les progrès faits
dans la compréhension du cerveau -
4:31 - 4:33ont avancé lentement
au cours des décades suivantes. -
4:33 - 4:36Mais nous savions que les neurones
utilisaient l'électricité -
4:36 - 4:39et, en 1945,
notre technologie était assez avancée -
4:39 - 4:42pour entamer de vraies
expériences électrique sur des neurones -
4:42 - 4:45pour mieux comprendre leur fonctionnement.
-
4:45 - 4:49C'est au même moment
que les ordinateurs furent inventés, -
4:49 - 4:52dans l'idée de modéliser le cerveau ;
-
4:52 - 4:55une « machine intelligente »,
comme disait Alan Turing, -
4:55 - 4:58un des pères de l'informatique.
-
4:58 - 5:03Warren McCulloch et Walter Pitts
ont regardé les dessins que Ramón y Cajal -
5:03 - 5:04avait fait du cortex visuel
-
5:04 - 5:06et qui sont présentés ici.
-
5:06 - 5:10C'est le cortex qui traite
les images venant de l’œil. -
5:10 - 5:15Pour eux, cela ressemblait
à un schéma électrique. -
5:15 - 5:18Il y a de nombreux détails
dans leur schéma électrique -
5:18 - 5:20qui ne sont pas exacts.
-
5:20 - 5:22Mais l'idée de base
selon laquelle le cortex visuel -
5:22 - 5:25fonctionne comme une série
de composants électroniques -
5:25 - 5:27relayant l'information
à la cascade suivante -
5:27 - 5:30est globalement correcte.
-
5:30 - 5:32Considérons un instant
-
5:32 - 5:36ce qu'un modèle de traitement
d'information visuelle ferait. -
5:36 - 5:39La tâche basique de perception
-
5:39 - 5:43est de prendre une image
comme celle-ci et de dire : -
5:43 - 5:44« c'est un oiseau »,
-
5:44 - 5:48ce qui est, pour nous, très simple à faire
grâce à nos cerveaux. -
5:48 - 5:51Mais vous devriez tous comprendre
que pour un ordinateur -
5:51 - 5:54c'était quelque chose d'impossible
il y a quelques années. -
5:54 - 5:56Le paradigme classique de l'informatique
-
5:56 - 5:59ne permet pas d'accomplir
cette tâche simplement. -
5:59 - 6:02Ce qu'il se passe entre les pixels,
-
6:02 - 6:06entre l'image de l'oiseau
et le mot « oiseau », -
6:06 - 6:09c'est un ensemble
de neurones connectés entre eux -
6:09 - 6:11à travers un réseau neuronal,
comme représenté ici. -
6:11 - 6:14Ce réseau neuronal peut être biologique,
comme dans nos cortex visuels -
6:15 - 6:17ou, de nos jours, nous avons la capacité
-
6:17 - 6:20de modéliser des réseaux neuronaux
en informatique. -
6:20 - 6:22Je vais vous montrer
ce à quoi cela ressemble. -
6:22 - 6:26Vous pouvez voir les pixels
comme la première couche de neurones, -
6:26 - 6:28c'est ainsi que l’œil fonctionne :
-
6:28 - 6:30ce sont les neurones dans la rétine.
-
6:30 - 6:32Ils transmettent l'information
-
6:32 - 6:35couche après couche de neurones,
-
6:35 - 6:38tous connectés par des synapses
de différents poids. -
6:38 - 6:39Le comportement de ce réseau
-
6:39 - 6:42est caractérisé par les forces
de toutes ces synapses. -
6:42 - 6:45Elles caractérisent les propriétés
informatiques de ce réseau. -
6:45 - 6:47Finalement,
-
6:47 - 6:50vous avez un neurone
ou un petit groupe de neurones -
6:50 - 6:52qui s'allument et disent « oiseau ».
-
6:52 - 6:55Je vais représenter ces trois choses :
-
6:55 - 6:59les pixels en entrée et les synapses
du réseau neuronal, -
7:00 - 7:01et l'oiseau, la sortie,
-
7:01 - 7:05avec trois variables : x, w et y.
-
7:05 - 7:07Il y a peut-être un million de x :
-
7:07 - 7:09un million de pixels par image.
-
7:09 - 7:11Il y a des milliards ou des billions de w
-
7:11 - 7:14qui représentent le poids de toutes
ces synapses du réseau neuronal. -
7:14 - 7:16Et il y a très peu de y,
-
7:16 - 7:18de sorties présentes dans le réseau.
-
7:18 - 7:21« Oiseau » n'a que six lettres.
-
7:21 - 7:24Prétendons que la formule est simple :
-
7:25 - 7:27x « fois » w = y.
-
7:27 - 7:29Je mets fois entre guillements
-
7:29 - 7:31car ce qu'il se passe vraiment
est bien-sûr -
7:31 - 7:35une série complexe
d'opérations mathématiques. -
7:35 - 7:36C'est une équation.
-
7:36 - 7:38Il y a trois variables.
-
7:38 - 7:41Nous savons tous qu'avec une équation,
-
7:41 - 7:45vous pouvez trouver une variable
si vous connaissez les deux autres. -
7:45 - 7:48Le problème de l'inférence,
-
7:48 - 7:51c'est-à-dire trouver
que la photo de l'oiseau est un oiseau, -
7:51 - 7:53est le suivant :
-
7:53 - 7:56y est l'inconnue et w et x sont connus.
-
7:56 - 7:58Vous connaissez
le réseau neuronal et les pixels. -
7:58 - 8:02Comme vous le voyez, c'est un problème
plutôt simple à résoudre. -
8:02 - 8:05Vous multipliez deux par trois
et vous avez fini. -
8:05 - 8:07Je vais vous montrer un réseau neuronal
-
8:07 - 8:10que nous avons créé récemment
et qui fait cela. -
8:10 - 8:13Il tourne en temps réel
sur un téléphone portable, -
8:13 - 8:16bien-sur, c'est génial en soi
-
8:16 - 8:18que les portables puissent faire
-
8:18 - 8:21des milliards et billions d'opérations
par seconde. -
8:21 - 8:22Vous regardez un téléphone
-
8:22 - 8:26considérant à la suite
plusieurs images d'oiseaux -
8:26 - 8:29et ne disant pas seulement
que c'est un oiseau -
8:29 - 8:33mais identifiant l'espèce d'oiseau
avec un réseau de ce genre. -
8:33 - 8:35Dans cette image,
-
8:35 - 8:39le x et le w sont connus
et le y est l'inconnue. -
8:39 - 8:41Je fais abstraction
de la partie complexe, bien-sûr, -
8:41 - 8:45qui est : comment trouver le w,
-
8:45 - 8:47le cerveau est-il capable
d'une telle chose ? -
8:47 - 8:50Comment apprendre un tel modèle ?
-
8:50 - 8:52Ce processus d'apprentissage,
de recherche du w, -
8:52 - 8:55si nous le faisons avec la simple équation
-
8:55 - 8:57dans laquelle nous utilisons des nombres,
-
8:57 - 9:00nous savons comment procéder : 6 = 2 x w,
-
9:00 - 9:04il suffit de diviser par 2 et c'est fini.
-
9:04 - 9:07Le problème est l'opérateur :
-
9:07 - 9:08la division.
-
9:08 - 9:11Nous utilisons la division
qui est l'inverse de la multiplication -
9:11 - 9:12mais, comme je l'ai dit,
-
9:12 - 9:15nous ne faisons pas vraiment
une multiplication. -
9:15 - 9:18C'est une opération très, très compliquée
et non-linéaire ; -
9:18 - 9:20elle n'a pas d'inverse.
-
9:20 - 9:23Nous devons donc trouver un moyen
de résoudre l'équation -
9:23 - 9:25sans opérateur de division.
-
9:25 - 9:27La méthode pour cela est assez simple :
-
9:27 - 9:30nous utilisons une ruse algébrique
-
9:30 - 9:33et déplaçons le six
de l'autre côté de l'équation. -
9:33 - 9:36Il y a toujours une multiplication.
-
9:36 - 9:39Et ce zéro, voyons-le comme une erreur.
-
9:39 - 9:42En d'autres mots,
si nous résolvons bien w, -
9:42 - 9:43l'erreur sera nulle.
-
9:43 - 9:47Si nous n'avons pas totalement raison,
l'erreur sera plus grande que zéro. -
9:47 - 9:50Nous pouvons maintenant faire
des suppositions et minimiser l'erreur, -
9:50 - 9:53ce que les ordinateurs
savent très bien faire. -
9:53 - 9:54On fait une supposition :
-
9:54 - 9:56et si w = 0 ? Alors, l'erreur est de 6.
-
9:56 - 9:59Si w = 1 ? L'erreur est de 4.
-
9:59 - 10:01L'ordinateur peut alors
joueur à Marco Polo -
10:01 - 10:04et atteindre une erreur proche de zéro.
-
10:04 - 10:07Il fait cela par des approximations
successives de w. -
10:07 - 10:11Typiquement, il ne l'atteint jamais,
mais après une douzaine d'étapes, -
10:11 - 10:16nous avons w = 2,999,
ce qui est assez proche. -
10:16 - 10:18Voilà le processus d'apprentissage.
-
10:18 - 10:21Souvenez-vous que ce que nous avons fait
-
10:21 - 10:25c'est de prendre beaucoup
de x et de y connus -
10:25 - 10:29et de cherche le w au milieu
via un procédé itératif. -
10:29 - 10:32C'est exactement la même méthode que celle
par laquelle nous apprenons. -
10:32 - 10:35Bébés, nous voyons de nombreuses images
-
10:35 - 10:38et on nous dit : « C'est un oiseau ;
ce n'en est pas un ». -
10:38 - 10:40Avec le temps, grâce aux itérations,
-
10:40 - 10:45nous trouvons w,
nous résolvons ces connexions neuronales. -
10:45 - 10:47Nous avons fixés x et w et recherché y ;
-
10:47 - 10:49c'est de la perception rapide, normale.
-
10:49 - 10:51Nous avons réussi à trouver w :
-
10:51 - 10:53c'est de l'apprentissage, plus complexe
-
10:53 - 10:57car nous devons minimiser l'erreur
en pratiquant beaucoup d'exemple. -
10:57 - 11:00Il y a environ un an,
Alex Mordvintsev, de notre équipe, -
11:00 - 11:04a décidé d'essayer de voir
ce qu'il se passe si nous cherchons x -
11:04 - 11:06avec pour données un w et un y connus.
-
11:06 - 11:09En d'autres mots,
vous savez que c'est un oiseau -
11:09 - 11:12et avez entraîné votre réseau neuronal
sur les oiseaux, -
11:12 - 11:15mais qu'est-ce qu'une image d'oiseau ?
-
11:15 - 11:20Il s'avère qu'en utilisant la même
procédure de minimisation de l'erreur, -
11:20 - 11:23cela est possible avec le réseau
entraîné à reconnaître les oiseaux -
11:23 - 11:27et le résultat s'avère être :
-
11:30 - 11:33une image d'oiseaux.
-
11:33 - 11:36C'est une image d'oiseaux
entièrement générée par un réseau neuronal -
11:36 - 11:38entraîné à reconnaître les oiseaux,
-
11:38 - 11:42simplement en cherchant x plutôt que y
-
11:42 - 11:44et ce par itérations.
-
11:44 - 11:46Un autre exemple amusant :
-
11:46 - 11:49ce travail a été fait
par Mike Tyka, de notre groupe, -
11:49 - 11:51et il l'a appelé « Parade Animale ».
-
11:51 - 11:54Cela me rappelle un peu
les œuvres de William Kentridge -
11:54 - 11:57où il fait des croquis, les efface,
-
11:57 - 11:59fait des croquis, les efface
et crée un film ainsi. -
11:59 - 12:05Dans ce cas, Mike fait varier y
sur différents animaux dans un réseau créé -
12:05 - 12:07pour reconnaître et distinguer
divers animaux entre eux. -
12:07 - 12:12Vous obtenez cette métamorphose étrange,
à la Escher, d'un animal à un autre. -
12:14 - 12:19Ici, lui et Alex ont essayé de réduire
-
12:19 - 12:22l'espace des y à seulement
deux dimensions, -
12:22 - 12:25créant ainsi une carte
de l'espace de toutes les choses -
12:25 - 12:27reconnues par le réseau.
-
12:27 - 12:30En faisant ce genre de synthèse
ou génération d'images -
12:30 - 12:31sur toute cette surface,
-
12:31 - 12:34en faisant varier y sur la surface,
vous créez une carte, -
12:34 - 12:37une carte visuelle de toutes les choses
que le réseau reconnaît. -
12:37 - 12:41Les animaux sont tous là :
le tatou est juste là. -
12:41 - 12:43Vous pouvez aussi le faire
avec d'autres réseaux. -
12:43 - 12:46Voici un réseau créé
pour reconnaître les visages, -
12:46 - 12:48pour distinguer différents visages.
-
12:48 - 12:52Nous lui donnons un y : moi,
-
12:52 - 12:53les paramètres de mon visage.
-
12:53 - 12:55Quand il cherche x,
-
12:55 - 12:57il génère cette image de moi
-
12:57 - 13:02assez folle, cubiste,
surréelle et psychédélique -
13:02 - 13:04avec plusieurs points de vue.
-
13:04 - 13:06La raison pour laquelle
il y a plusieurs points de vue -
13:06 - 13:10est que le réseau est conçu
pour se débarrasser de l'ambiguïté -
13:10 - 13:13d'un visage pris
de tel ou tel point de vue, -
13:13 - 13:16regardé avec tel ou tel éclairage.
-
13:16 - 13:18En faisant cette reconstruction,
-
13:18 - 13:22si vous n'utilisez pas d'image
ou de statistiques directrices, -
13:22 - 13:26vous obtenez une confusion
de plusieurs points de vue -
13:26 - 13:28car c'est ambiguë.
-
13:28 - 13:32Voici ce qu'il se passe si Alex
utilise son visage comme ligne directrice -
13:32 - 13:36durant le processus d'optimisation
de la reconstruction de mon visage. -
13:37 - 13:38Vous voyez que ce n'est pas parfait.
-
13:39 - 13:40Il y a encore beaucoup de travail
-
13:40 - 13:43pour optimiser
ce processus d'optimisation. -
13:43 - 13:46Mais vous obtenez un visage plus cohérent
-
13:46 - 13:49en utilisant mon propre visage
comme guide. -
13:49 - 13:51Pas besoin de commencer
avec une toile vierge -
13:51 - 13:52ou avec du bruit blanc.
-
13:52 - 13:54Quand vous cherchez x,
-
13:54 - 13:58vous pouvez commencer avec un x
qui est lui-même une autre image. -
13:58 - 14:00C'est le cas dans cette démonstration.
-
14:00 - 14:05C'est un réseau conçu pour catégoriser
-
14:05 - 14:07toutes sortes d'objets : structures
artificielles, animaux... -
14:07 - 14:10Nous commençons avec une image de nuages
-
14:10 - 14:12et, en optimisant,
-
14:12 - 14:17ce réseau détermine
ce qu'il voit dans les nuages. -
14:17 - 14:19Et plus vous y passez de temps,
-
14:19 - 14:23plus vous verrez de choses
dans les nuages. -
14:23 - 14:27Vous pouvez utiliser le réseau entraîné
aux visages pour halluciner dessus -
14:27 - 14:28et obtenir un truc assez fou.
-
14:28 - 14:31(Rires)
-
14:31 - 14:33Sinon, Mike a fait des expériences
-
14:33 - 14:37où il prend cette image de nuage,
-
14:37 - 14:40hallucine, zoome, hallucine,
zoome, hallucine, zoome. -
14:40 - 14:42De cette façon,
-
14:42 - 14:46vous obtenez une fugue dissociative
du réseau, je suppose, -
14:46 - 14:49ou une sorte d'association libre,
-
14:49 - 14:52dans laquelle le réseau se mord la queue.
-
14:52 - 14:55Chaque image est à la base de :
-
14:55 - 14:56« Que vois-je ensuite ?
-
14:56 - 14:59Que vois-je ensuite ?
Que vois-je ensuite ? » -
14:59 - 15:02J'ai présenté cette image
pour la première fois -
15:02 - 15:08à un groupe lors d'une conférence
à Seattle : « Enseignement Supérieur », -
15:08 - 15:11juste après la légalisation
de la marijuana. -
15:11 - 15:15(Rires)
-
15:15 - 15:18J'aimerais finir en faisant remarquer
-
15:18 - 15:21que cette technologie n'est pas limitée.
-
15:21 - 15:25Je vous ai montré des exemples purement
visuels car ils sont amusants à voir. -
15:25 - 15:27Cette technologie n'est pas
purement visuelle. -
15:27 - 15:29Notre collaborateur artistique,
Ross Goodwin, -
15:29 - 15:33a fait des expériences incluant
un appareil photo prenant une photo, -
15:33 - 15:35puis un ordinateur dans son sac à dos
-
15:35 - 15:37écrit un poème
grâce aux réseaux de neurones, -
15:37 - 15:40en se basant sur le contenu de l'image.
-
15:40 - 15:42Ce réseau neuronal poétique a été entraîné
-
15:42 - 15:44sur un large corpus
de poésie du 20ème siècle. -
15:44 - 15:48Et la poésie est,
je crois, pas trop mauvaise. -
15:48 - 15:49(Rires)
-
15:49 - 15:50Pour finir,
-
15:50 - 15:54je pense que Michel-Ange avait raison :
-
15:54 - 15:57la perception et la créativité
sont intimement liées. -
15:57 - 16:00Nous avons vu des réseaux neuronaux
-
16:00 - 16:03entraînés à discriminer ou à reconnaître
-
16:03 - 16:05différentes choses du monde
-
16:05 - 16:08et capable de fonctionner à l'envers,
de générer. -
16:08 - 16:10Une des choses qui me laissent penser
-
16:10 - 16:12que Michel-Ange n'a pas seulement vu
-
16:12 - 16:15la sculpture dans le bloc de pierre
-
16:15 - 16:18mais aussi que toute créature,
tout être, tout extraterreste -
16:18 - 16:22qui est capable de faire
de telles actions perceptives -
16:22 - 16:24est aussi capable de créer
-
16:24 - 16:27puisque c'est le même mécanisme
qui est utilisé dans les deux cas. -
16:27 - 16:31Je pense aussi que la perception
et la créativité ne sont aucunement -
16:31 - 16:33propres à l'humain.
-
16:33 - 16:36Des modèles informatiques
capables de ces mêmes choses apparaissent. -
16:36 - 16:39Et cela ne sera pas une surprise :
le cerveau est un modèle informatique. -
16:39 - 16:41Et finalement,
-
16:41 - 16:44l'informatique a commencé
comme un exercice -
16:44 - 16:46pour créer une machine intelligente.
-
16:46 - 16:48Elle a été modélisée selon l'idée
-
16:48 - 16:52que nous pouvions rendre
des machines intelligentes. -
16:52 - 16:54Aujourd'hui, nous commençons
enfin à accomplir -
16:54 - 16:56certaines des promesses de ces pionniers :
-
16:56 - 16:59de Turing à von Neumann
-
16:59 - 17:00et McCulloch et Pitts.
-
17:00 - 17:04Et je crois que l'informatique
n'est pas simplement compter -
17:04 - 17:06ou jouer à Candy Crush et autres.
-
17:06 - 17:09Dès le début, nous l'avons modélisée
selon nos cerveaux. -
17:09 - 17:12Et elle nous donne la capacité
de mieux comprendre nos cerveaux -
17:12 - 17:15et de les étendre.
-
17:15 - 17:16Merci beaucoup.
-
17:16 - 17:21(Applaudissements)
- Title:
- How computers are learning to be creative
- Speaker:
- Blaise Agüera y Arcas
- Description:
-
We're on the edge of a new frontier in art and creativity -- and it's not human. Blaise Agüera y Arcas, principal scientist at Google, works with deep neural networks for machine perception and distributed learning. In this captivating demo, he shows how neural nets trained to recognize images can be run in reverse, to generate them. The results: spectacular, hallucinatory collages (and poems!) that defy categorization. "Perception and creativity are very intimately connected," Agüera y Arcas says. "Any creature, any being that is able to do perceptual acts is also able to create."
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 17:34
Helene Batt approved French subtitles for How we're teaching computers to be creative | ||
Helene Batt accepted French subtitles for How we're teaching computers to be creative | ||
Helene Batt edited French subtitles for How we're teaching computers to be creative |