In che modo i computer stanno imparando ad essere creativi
-
0:00 - 0:04Dunque, sono a capo di un team di Google
che lavora sull'intelligenza artificiale; -
0:04 - 0:09in altre parole l'ingegneria che si occupa
di creare computer ed altri dispositivi -
0:09 - 0:11in grado di fare alcune delle cose
che fa il cervello. -
0:11 - 0:15E questo ci ha fatto interessare
al cervello vero -
0:15 - 0:16e alla neuroscienza,
-
0:16 - 0:20ed in particolare a quelle cose che
fa il nostro cervello -
0:20 - 0:25che sono di gran lunga superiori
alle capacità dei computer. -
0:25 - 0:29Storicamente, una di queste aree
è stata la percezione, -
0:29 - 0:32il processo con cui le cose
nel mod, -
0:32 - 0:33suoni ed immagini,
-
0:34 - 0:36possono diventare concetti
nella nostra mente. -
0:36 - 0:39Questo è essenziale
per il nostro cervello, -
0:39 - 0:41ed è anche piuttosto utile
per un computer. -
0:41 - 0:45Gli algoritmi di percezione della macchina
per esempio, elaborati dal nostro team, -
0:45 - 0:49sono ciò che rende le vostre foto
su Google Foto cercabili, -
0:49 - 0:52in base a ciò
che c'è nelle foto. -
0:52 - 0:55L'altro lato della percezione
è la creatività: -
0:55 - 0:58trasformare un concetto in qualcosa
che esiste nel mondo reale. -
0:58 - 1:02Così l'anno scorso, il nostro lavoro
sulla percezione delle macchine, -
1:02 - 1:07ci ha inaspettatamente condotto
al mondo della creatività nelle macchine -
1:07 - 1:08e dell'arte nelle macchine.
-
1:09 - 1:12Penso che Michelangelo
ebbe una profonda intuizione -
1:12 - 1:16riguardo questa duplice relazione
tra percezione e creatività. -
1:16 - 1:18Questo è una sua famosa citazione:
-
1:18 - 1:21"Ogni blocco di pietra
ha una statua dentro di sè -
1:21 - 1:24ed è compito dello scultore scoprirla".
-
1:26 - 1:29Penso che quello che
Michelangelo intendesse dire -
1:29 - 1:32è che creiamo dalla percezione,
-
1:32 - 1:35e che la percezione stessa
è un atto dell'immaginazione -
1:36 - 1:39ed è qualcosa della creatività.
-
1:39 - 1:43L'organo che si occupa di pensare
percepire ed immaginare -
1:43 - 1:45naturalmente è il cervello.
-
1:45 - 1:48Vorrei cominciare con un breve
resoconto sulla storia -
1:48 - 1:50della nostra conoscenza del cervello.
-
1:50 - 1:53Perché a differenza, per esempio,
del cuore o dell'intestino, -
1:53 - 1:56non possiamo dire molto del cervello
solo osservandolo, -
1:56 - 1:58almeno ad occhio nudo.
-
1:58 - 2:00I primi anatomisti
che studiarono il cervello -
2:00 - 2:04diedero alle superficiali strutture
di questa cosa nomi fantasiosi, -
2:04 - 2:07come ippocampo, che significa
"gamberetto". -
2:07 - 2:09Ma naturalmente questo
non ci dice molto -
2:09 - 2:13su cosa realmente succede all'interno.
-
2:13 - 2:16Il primo che, credo, sviluppò davvero
una qualche intuizione -
2:16 - 2:18su cosa succedesse
all'interno del cervello -
2:18 - 2:22fu il grande neuroanatomista spagnolo
Santiago Ramón y Cajal, -
2:22 - 2:24nel XIX secolo,
-
2:24 - 2:28che utilizzò il microscopio
e speciali tinture -
2:28 - 2:32che potevano selettivamente riempire
o risaltare in elevato contrasto -
2:32 - 2:34le singole cellule del cervello,
-
2:34 - 2:38per iniziare a comprenderne
la morfologia. -
2:38 - 2:41E questi sono gli schizzi
che fece dei neuroni -
2:41 - 2:42nel XIX secolo.
-
2:42 - 2:44Questo è il cervello di un uccello.
-
2:44 - 2:47Vedete l'incredibile varietà
di cellule differenti, -
2:47 - 2:51persino la teoria cellulare stessa
era abbastanza nuova all'epoca. -
2:51 - 2:52E queste strutture,
-
2:52 - 2:54queste cellule che hanno
queste ramificazioni, -
2:54 - 2:57questi rami che possono percorrere
distanze davvero lunghissime... -
2:57 - 2:59questa era una vera novità all'epoca.
-
2:59 - 3:02E naturalmente, ci ricordano
dei fili elettrici. -
3:02 - 3:05Questo sarebbe potuto essere ovvio
per alcuni nel XIX secolo; -
3:05 - 3:10le rivoluzioni dei circuiti,
dell'elettricità stavano cominciando. -
3:10 - 3:11Ma in molti modi,
-
3:11 - 3:14i disegni di microanatomia
di Ramón y Cajal, come questo, -
3:15 - 3:17sono ancora in qualche modo attuali.
-
3:17 - 3:18Dopo più di un secolo,
-
3:18 - 3:22stiamo ancora cercando di finire
il lavoro iniziato da Ramón y Cajal. -
3:22 - 3:25Questi sono dati grezzi
dai nostri collaboratori -
3:25 - 3:27all'Istituto Max Planck di Neuroscienze.
-
3:27 - 3:29Ciò che hanno fatto
i nostri collaboratori -
3:29 - 3:34è rappresentare frammenti
di tessuto celebrale. -
3:34 - 3:38L'intero campione qui è di circa
un millimetro cubico, -
3:38 - 3:40e ve ne sto mostrando
un pezzo piccolissimo qui. -
3:40 - 3:43Quella barra a sinistra
è di circa un micron. -
3:43 - 3:45Le strutture che vedete
sono i mitocondri -
3:45 - 3:47che sono delle dimensioni
dei batteri. -
3:47 - 3:49E queste sono sezioni consecutive
-
3:49 - 3:52di questo minuscolo
blocco di tessuto. -
3:52 - 3:55Solo per fare un confronto,
-
3:55 - 3:58il diametro medio di un capello
misura circa 100 microns. -
3:58 - 4:01Quindi stiamo osservando qualcosa
di molto, molto più piccolo -
4:01 - 4:02di un singolo capello.
-
4:02 - 4:06E da queste serie di parti
microscopiche di elettroni, -
4:06 - 4:11si possono cominciare ricostruzioni
3D dei neuroni che appaiono come questi. -
4:11 - 4:14Sono in qualche modo simili al lavoro
svolto da Ramón y Cajal. -
4:14 - 4:16Solo pochi neuroni
sono evidenziati, -
4:16 - 4:19perché altrimenti non potremmo
osservare nulla qui. -
4:19 - 4:20Sarebbe molto affollato
-
4:20 - 4:21e pieno di strutture,
-
4:21 - 4:25di fili che uniscono tutti
i neutroni tra loro. -
4:25 - 4:28Quindi, Ramón y Cajal era un po' avanti
per i suoi tempi, -
4:28 - 4:31e gli sviluppi sulla comprensione
del cervello -
4:31 - 4:33avanzarono lentamente nel corso
dei decenni successivi. -
4:33 - 4:36Ma sapevamo che i neuroni
usano l'elettricità, -
4:36 - 4:39e dalla Seconda Guerra Mondiale, la nostra
tecnologia era abbastanza avanzata -
4:39 - 4:42da iniziare a fare veri esperimenti
elettrici su neuroni vivi -
4:42 - 4:45per capire meglio il loro funzionamento.
-
4:45 - 4:49Questa fu l'epoca in cui vennero
inventati i computer, -
4:49 - 4:52basati fondamentalmente
sul modello del cervello, -
4:52 - 4:55di "macchina intelligente"
come Alan Turing lo chiamò, -
4:55 - 4:58uno dei padri della scienza del computer.
-
4:58 - 5:03Warren MacCulloch e Walter Pitts
studiarono i disegni di Ramón y Cajal -
5:03 - 5:04della corteccia visiva,
-
5:04 - 5:05che vi mostro qui.
-
5:06 - 5:10Questa è la corteccia che elabora
le immagini provenienti dall'occhio. -
5:10 - 5:14Secondo loro, ciò appariva
come un diagramma di un circuito. -
5:14 - 5:18Molti dettagli dei diagrammi
di MacCulloch e Pitts -
5:18 - 5:20non sono proprio corretti.
-
5:20 - 5:21Ma questa idea di base
-
5:21 - 5:25che la corteccia visiva lavorasse
come una serie di elementi di calcolo -
5:25 - 5:28che trasmettono informazioni
l'un l'altra in sequenza -
5:28 - 5:29è essenzialmente corretto.
-
5:29 - 5:32Analizziamo un attimo
-
5:32 - 5:36ciò che un modello di elaborazione
di informazioni visive dovrebbe fare. -
5:36 - 5:39Il compito fondamentale
della percezione -
5:39 - 5:43è di catturare un'immagine
come questa e dire: -
5:43 - 5:44"Questo è un uccello,"
-
5:44 - 5:47che è una cosa molto semplice
per il nostro cervello. -
5:47 - 5:51Ma tutti voi dovreste capire
che per un computer, -
5:51 - 5:54ciò era praticamente impossibile
sino a qualche anno fa. -
5:54 - 5:56Il classico paradigma di calcolo
-
5:56 - 5:59in questo caso non è
così semplice da realizzare. -
5:59 - 6:02Ciò che accade
tra i pixel, -
6:02 - 6:06tra l'immagine dell'uccello e
la parola "uccello", -
6:06 - 6:09essenzialmente è un gruppo
di neuroni connessi tra loro -
6:09 - 6:10in una rete neurale,
-
6:10 - 6:11come sto schematizzando qui.
-
6:11 - 6:15Questa rete neurale può essere
biologica, nella nostra corteccia visuale, -
6:15 - 6:17oppure, oggi, possiamo
-
6:17 - 6:20modellare queste reti neuronali
su un computer. -
6:20 - 6:22E vi mostrerò come in realtà ciò appaia.
-
6:22 - 6:26Quindi i pixel potete immaginarli
come un primo strato di neuroni, -
6:26 - 6:28ed è così, infatti, che funziona l'occhio:
-
6:28 - 6:30questi sono i neuroni della retina.
-
6:30 - 6:31Ed essi trasmettono
-
6:31 - 6:35da uno strato all'altro,
-
6:35 - 6:37tutti connessi da sinapsi di
peso differente. -
6:37 - 6:39Il comportamento
di questa rete -
6:39 - 6:42è caratterizzato dalle forze
di tutte queste sinapsi. -
6:42 - 6:46Esse caratterizzano le proprietà
di calcolo di questa rete. -
6:46 - 6:47E alla fine della giornata,
-
6:47 - 6:50abbiamo un neurone o
un piccolo gruppo di neuroni -
6:50 - 6:52che si accendono e dicono "uccello".
-
6:52 - 6:55Adesso vi mostrerò
queste tre cose: -
6:55 - 7:00i pixel di input, le sinapsi
nella rete neurale, -
7:00 - 7:01e l'uccello, il risultato,
-
7:01 - 7:05attraverso tre variabili: x, w ed y.
-
7:05 - 7:07Ci sono forse un milione
di x più o meno, -
7:07 - 7:09un milione di pixel in questa immagine.
-
7:09 - 7:11Ci sono miliardi o triliardi di w,
-
7:11 - 7:15che rappresentano il peso di tutte queste
sinapsi nella rete neurale. -
7:15 - 7:16E c'è un piccolissimo numero di y,
-
7:16 - 7:18di uscite che ha quella rete.
-
7:18 - 7:21Uccello è di sole tre sillabe,
giusto? -
7:21 - 7:25Facciamo finta che sia solo
una semplice formula, -
7:25 - 7:27x "x" w = y.
-
7:27 - 7:29Sto mettendo il "per" tra virgolette
-
7:29 - 7:31perché cio che realmente accade,
ovviamente, -
7:31 - 7:35è una complicatissima serie
di operazioni matematiche. -
7:35 - 7:36Questa è un'equazione.
-
7:36 - 7:38Ci sono tre variabili.
-
7:38 - 7:41E sappiamo tutti che se hai un'equazione,
-
7:41 - 7:45puoi risolvere una variabile
conoscendo le altre due. -
7:45 - 7:49Quindi il problema
di arrivare alla soluzione, -
7:49 - 7:51vale a dire, capire che l'immagine
dell'uccello è un uccello, -
7:51 - 7:53è questo:
-
7:53 - 7:56è che y è l'incognita
e w ed x i termini noti. -
7:56 - 7:59Conoscete la rete neurale
e conoscete i pixel. -
7:59 - 8:02Come potete vedere questo in realtà
è un problema relativamente semplice. -
8:02 - 8:05Moltiplicate per due volte tre
ed è fatta. -
8:05 - 8:07Vi mostro una rete
neurale artificiale -
8:07 - 8:10che abbiamo recentemente realizzato
facendo esattamente questo. -
8:10 - 8:12Funziona in tempo reale
su un cellulare, -
8:13 - 8:16e questo è di certo
sorprendente di per sè, -
8:16 - 8:19che i cellulari possono fare
miliardi e triliardi di operazioni -
8:19 - 8:20al secondo.
-
8:20 - 8:22Quello che state guardando
è un cellulare -
8:22 - 8:26che guarda un'immagine
di un uccello dopo l'altra -
8:26 - 8:29ed in realtà non dice solo:
"Sì, è un uccello", -
8:29 - 8:33ma identifica le specie di uccello
con una rete di questo tipo. -
8:33 - 8:35Quindi in questa foto,
-
8:35 - 8:39la x e la w sono note,
e la y è l'incognita. -
8:39 - 8:41Sto tralasciando la parte più
difficile ovviamente, -
8:41 - 8:45che è come diamine
ci immaginiamo la w, -
8:45 - 8:47il cervello che può fare una cosa simile ?
-
8:47 - 8:49Come potremmo mai conoscere
un simile modello? -
8:49 - 8:53Così questo processo di apprendimento
di risolvere tramite la w, -
8:53 - 8:55se stavamo facendo questo
con una semplice equazione -
8:55 - 8:57nella quale pensiamo a questi come numeri,
-
8:57 - 9:00sappiamo esattamente come fare:
6 = 2 x w, -
9:00 - 9:04bene, dividiamo per due ed è fatta.
-
9:04 - 9:07Il problema sta in questa operazione.
-
9:07 - 9:08La divisione...
-
9:08 - 9:11abbiamo usato la divisione perché
è l'inverso della moltiplicazione, -
9:11 - 9:13ma come abbiamo appena detto,
-
9:13 - 9:15la moltiplicazione è un bugia qui.
-
9:15 - 9:18Questa è un'operazione complicatissima,
davvero non semplice; -
9:18 - 9:20non ha l'inverso.
-
9:20 - 9:23Cosi dobbiamo cercare
di risolvere l'equazione -
9:23 - 9:25senza un'operazione di divisione.
-
9:25 - 9:28E fare ciò
è abbastanza semplice. -
9:28 - 9:30Diciamo solo che facciamo un
trucchetto algebrico, -
9:30 - 9:33e spostiamo il sei nella parte
a destra dell'equazione. -
9:33 - 9:36Ora, stiamo ancora usando
la moltiplicazione. -
9:36 - 9:39E quello zero, pensiamolo come un errore.
-
9:39 - 9:42In altre parole, se abbiamo risolto
la w in modo corretto, -
9:42 - 9:43allora l'errore sarà lo zero.
-
9:43 - 9:45E se non l'abbiamo fatto giusto,
-
9:45 - 9:47l'errore sarà maggiore di zero.
-
9:47 - 9:50Cosi ora possiamo fare delle prove
per minimizzare l'errore -
9:50 - 9:53e questo è il genere di cose
in cui i computer sono molto bravi. -
9:53 - 9:55Quindi abbiamo
un valore fittizio iniziale: -
9:55 - 9:56se w = 0?
-
9:56 - 9:57Beh, allora l'errore è 6.
-
9:57 - 9:59Se w = 1? L'errore è 4.
-
9:59 - 10:01E così il computer può giocare
ad una sorta di Marco Polo, -
10:01 - 10:04e abbassare il margine
di errore vicino allo zero. -
10:04 - 10:07E così facendo, sta ottenendo
continue approssimazioni per w. -
10:07 - 10:11Generalmente, non ci si avvicina mai,
ma dopo una dozzina di passaggi -
10:11 - 10:16arriviamo a w = 2,999,
che è abbastanza vicino. -
10:16 - 10:18E questo è il processo
di apprendimento. -
10:18 - 10:21Quindi, ricordate che quello
che succede qui -
10:21 - 10:25è che abbiamo preso un mucchio
di x note ed y note -
10:25 - 10:29e abbiamo risolto la w nel mezzo
attraverso un processo iterativo. -
10:29 - 10:32È esattamente lo stesso processo
che utilizziamo per apprendere. -
10:32 - 10:35Riceviamo moltissime
immagini da bambini -
10:35 - 10:38che ci dicono: "questo è un uccello;
questo non è un uccello." -
10:38 - 10:40E con il tempo, attraverso l'iterazione,
-
10:40 - 10:43risolviamo la w, risolviamo
quei collegamenti neurali. -
10:43 - 10:47Quindi adesso abbiamo mantenuto
fisse x ed w per risolvere y; -
10:47 - 10:49questa è la rapida percezione quotidiana.
-
10:49 - 10:51Abbiamo capito
come risolvere la w, -
10:51 - 10:53che è apprendere,
che è molto più difficile, -
10:53 - 10:55perché abbiamo bisogno
di minimizzare l'errore, -
10:55 - 10:57usando molti esempi
come allenamento. -
10:57 - 11:00E circa un anno fa,
Alex Mordvintsev, nel nostro team, -
11:00 - 11:04decise di sperimentare cosa
accade se cerchiamo di risolvere x, -
11:04 - 11:06conoscendo w e y.
-
11:06 - 11:07In altre parole,
-
11:07 - 11:09sapete che è un uccello,
-
11:09 - 11:12e avete già la rete neurale
che avete allenato sugli uccelli, -
11:12 - 11:15ma cos'è l'immagine di un uccello?
-
11:15 - 11:20È venuto fuori che utilizzando la stessa
procedura di minimizzazione dell'errore, -
11:20 - 11:24si può fare con la rete allenata
a riconoscere gli uccelli, -
11:24 - 11:30ed il risultato è...
-
11:30 - 11:33un'immagine di uccelli.
-
11:33 - 11:37Quindi questa è un'immagine di uccelli
interamente generata dalla rete neurale -
11:37 - 11:38allenata a riconoscere gli uccelli,
-
11:38 - 11:42risolvendo solo x
piuttosto che risolvere y, -
11:42 - 11:44e facendolo in modo iterativo.
-
11:44 - 11:46Ho qui un altro esempio divertente.
-
11:46 - 11:49Questo era un lavoro fatto
da Mike Tyra nel nostro gruppo -
11:49 - 11:51che lui chiama "Parata degli animali".
-
11:51 - 11:54Mi ricorda un po' le opere d'arte
di William Kentridge, -
11:54 - 11:57in cui fa schizzi, li cancella,
-
11:57 - 11:58fa schizzi, li cancella,
-
11:58 - 12:00ed in questa maniera
crea un film. -
12:00 - 12:01In questo caso,
-
12:01 - 12:04quello che Mike fa è variare
la y tra diversi animali, -
12:04 - 12:07in una rete disegnata per riconoscere
e distinguere -
12:07 - 12:08diversi animali l'uno dall''altro.
-
12:08 - 12:14E si ottiene questa strana trasformazione
stile Escher da un animale all'altro. -
12:14 - 12:19Qui lui ed Alex insieme
hanno cercato di ridurre -
12:19 - 12:22la y ad uno spazio di sole due dimensioni,
-
12:22 - 12:25in modo tale da creare una mappa
a aprtire dallo spazio delle cose -
12:25 - 12:27riconosciute da questa rete.
-
12:27 - 12:29Facendo questo tipo di sintesi
-
12:29 - 12:31o generazione di immagini
su tutta quella superficie, -
12:31 - 12:34variando y sulla superficie,
si può creare una sorta di mappa, -
12:34 - 12:37una mappa visuale di tutte le cose
che la rete sa come riconoscere. -
12:37 - 12:41Gli animali sono tutti qui;
"armadillo" è in quel posto. -
12:41 - 12:43Potete fare questo anche
con altri generi di reti. -
12:43 - 12:46Questa è una rete disegnata
per riconoscere i visi, -
12:46 - 12:48per distinguere una faccia da un'altra.
-
12:48 - 12:51E qui, stiamo inserendo
una y che dice "me", -
12:51 - 12:53i miei parametri facciali.
-
12:53 - 12:54E quando questa cosa risolve la x,
-
12:54 - 12:58genera questa specie di pazza,
-
12:58 - 13:02cubista, surreale, psichedelica
immagine di me stesso -
13:02 - 13:04da molteplici punti di vista insieme.
-
13:04 - 13:07La ragione per cui sembrano
più punti di vista insieme -
13:07 - 13:10è che la rete è costruita per
scartare le ambiguità -
13:10 - 13:13di un volto che sia in una posa
o in un'altra -
13:13 - 13:16guardato con un tipo di luce,
poi con un altro. -
13:16 - 13:18Così quando si fa questo tipo
di ricostruzione, -
13:18 - 13:21se non si usa una qualche sorta
di immagine guida, -
13:21 - 13:22o statistica guida,
-
13:22 - 13:26otterrete una sorta di confusione
di differenti punti di vista, -
13:26 - 13:28perchè è ambiguo.
-
13:28 - 13:32Questo è quello che succede se Alex
usa la sua faccia come immagine campione -
13:32 - 13:36durante il processo di ottimizzazione
per ricostruire il mio viso. -
13:36 - 13:39Come potete vedere non è perfetto.
-
13:39 - 13:41C'è ancora un bel po' di lavoro da fare
-
13:41 - 13:43su come migliorare
il processo di ottimizzazione. -
13:43 - 13:46Ma si è cominciato ad ottenere
qualcosa di più simile a un viso, -
13:46 - 13:49usando la mia faccia come modello.
-
13:49 - 13:51Non è necessario iniziare
con una tela bianca -
13:51 - 13:53o con un rumore bianco.
-
13:53 - 13:54Quando risolvete la x,
-
13:54 - 13:58potete iniziare con una x, che di per sè
è già una qualche altra immagine. -
13:58 - 14:00Questa ne è
una piccola dimostrazione. -
14:00 - 14:04Questa è una reta
disegnata per categorizzare -
14:04 - 14:08ogni genere di oggetti diversi:
strutture create dall'uomo, animali... -
14:08 - 14:10Qui cominciamo semplicemente
con una foto di nubi, -
14:10 - 14:12e appena ottimizziamo,
-
14:12 - 14:17sostanzialmente, questa rete cerca
di capire ciò che vede nelle nubi. -
14:17 - 14:19E più tempo state a guardarla,
-
14:19 - 14:23più cose riuscirete
a vedere nelle nubi. -
14:23 - 14:26Si potrebbe anche utilizzare
la rete dei visi per allucinarla -
14:26 - 14:28ed ottenere cose piuttosto folli.
-
14:28 - 14:30(Risate)
-
14:30 - 14:33Oppure, Mike ha fatto
qualche altro esperimento -
14:33 - 14:37in cui prende questa immagine
di nuvole -
14:37 - 14:41allucinata, zoomata, allucinata
zoomata, allucinata, zoomata. -
14:41 - 14:42Ed in questo modo,
-
14:42 - 14:46è possibile ottenere una sorta di stato
di fuga dalla rete, suppongo, -
14:46 - 14:49o una sorta di libera associazione,
-
14:49 - 14:51nella quale la rete
si morde la coda. -
14:51 - 14:55Così ogni immagine è adesso la base per:
-
14:55 - 14:56"Cosa penso di vedere dopo?
-
14:56 - 14:59Cosa penso di vedere dopo?
Cosa penso di vedere dopo?" -
14:59 - 15:02Ho mostrato questa cosa
per la prima volta in pubblico -
15:02 - 15:08a un gruppo in una conferenza a Seattle
chiamato "Istruzione superiore", -
15:08 - 15:10subito dopo che
la marijuana fu legalizzata. -
15:10 - 15:15(Risate)
-
15:15 - 15:17Così mi piacerebbe
concludere velocemente -
15:17 - 15:21semplicemente facendovi notare
che questa tecnologia non è vincolata. -
15:21 - 15:25Vi ho mostrato esempi puramente visuali
perché sono divertenti da vedere. -
15:25 - 15:27Ma non è una tecnologia puramente visiva.
-
15:27 - 15:29Il nostro collaboratore artistico,
Ross Goodwin, -
15:29 - 15:33ha fatto esperimenti con una fotocamera
che cattura un'immagine, -
15:33 - 15:37e con un computer nel suo zaino
che scrive una poesia usando reti neurali, -
15:37 - 15:39basata sui contenuti dell'immagine.
-
15:39 - 15:42E quella rete neurale di poesia
è stata allenata -
15:42 - 15:44su un vasto materiale di poesie
del XX secolo. -
15:44 - 15:46E, sapete, la poesia,
-
15:46 - 15:48secondo me, in realtà non è male.
-
15:48 - 15:49(Risate)
-
15:49 - 15:50Per finire,
-
15:50 - 15:53penso che Michelangelo
-
15:53 - 15:54avesse ragione;
-
15:54 - 15:58percezione e creatività
sono strettamente correlate. -
15:58 - 16:00Quello che abbiamo appena visto
sono reti neurali -
16:00 - 16:03che sono completamente
allenate a distinguere -
16:03 - 16:05o a riconoscere differenti cose
nel mondo, -
16:05 - 16:08e se attivate al contrario, per creare.
-
16:08 - 16:10Una delle cose che mi suggerisce
-
16:10 - 16:12è che non solo Michelangelo
potesse davvero vedere -
16:12 - 16:15la scultura all'interno
del blocco di pietra, -
16:15 - 16:18ma che ogni creatura,
ogni essere, ogni alieno -
16:18 - 16:22che è in grado di eseguire
atti percettivi di questo genere -
16:22 - 16:23è anche in grado di creare
-
16:23 - 16:27perché è esattamente la stessa macchina
che viene usata in entrambi i casi. -
16:27 - 16:31Inoltre penso che la percezione
e la creazione non siano -
16:31 - 16:33mezzi unicamente umani.
-
16:33 - 16:36Iniziamo ad avere modelli di computer
che fanno proprio questo genere di cose. -
16:36 - 16:40E questo non dovrebbe sorprendere;
il cervello è computazionale. -
16:40 - 16:41Ed infine,
-
16:41 - 16:46il calcolo iniziò come un esercizio per
creare macchine intelligenti. -
16:46 - 16:48È iniziato dall'idea
-
16:48 - 16:51che potessimo creare
macchine intelligenti. -
16:51 - 16:54E finalmente stiamo iniziando
ad adempiere adesso -
16:54 - 16:56ad alcune delle promesse
di quei primi pionieri, -
16:56 - 16:58di Turing e von Neumann,
-
16:58 - 17:00di MacCulloch e Pitts.
-
17:00 - 17:04E pens che l'informatica
non sia solo calcolare -
17:04 - 17:06o giocare a Candy Crush o altro.
-
17:06 - 17:09Fin dal principio, l'abbiamo
modellata sulle nostre menti. -
17:09 - 17:13Ed essa ci hanno fornito sia la capacità
di capire meglio la nostra mente -
17:13 - 17:15sia di ampliarla.
-
17:15 - 17:16Grazie mille.
-
17:16 - 17:18(ApplausiI)
- Title:
- In che modo i computer stanno imparando ad essere creativi
- Speaker:
- Balise Agüera y Arcas
- Description:
-
Siamo alle porte di una nuova frontiera per l'arte e la creatività - e non riguarda l'uomo. Blaise Agüeda y Arcas, il maggiore scienziato di Google, lavora sulle profonde reti neurali per la percezione delle macchine e l'apprendimento distribuito. In questa accattivante dimostrazione, mostra come le reti neurali preparate a riconoscere immagini possano lavorare al contrario, per generarle. I risultati: spettacolari, allucinatori collage (e poesie) che sfidano le categorizzazioni. "La percezione e la creatività sono intimamente correlate" dice Agueda y Arcas, "ogni creatura, ogni essere in grado di avere atti percettivi è anche in grado di creare".
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 17:34
TED Translators admin approved Italian subtitles for How we're teaching computers to be creative | ||
Beatrice Chiamenti accepted Italian subtitles for How we're teaching computers to be creative | ||
Beatrice Chiamenti edited Italian subtitles for How we're teaching computers to be creative | ||
Valentina Maugeri edited Italian subtitles for How we're teaching computers to be creative | ||
Valentina Maugeri edited Italian subtitles for How we're teaching computers to be creative | ||
Valentina Maugeri edited Italian subtitles for How we're teaching computers to be creative | ||
Valentina Maugeri edited Italian subtitles for How we're teaching computers to be creative | ||
Valentina Maugeri edited Italian subtitles for How we're teaching computers to be creative |