Hoe computers leren creatief te zijn
-
0:01 - 0:04Ik leid het onderzoeksteam
naar machine-intelligentie bij Google. -
0:04 - 0:09Dat is de wetenschap die computers
en andere apparaten in staat wil stellen -
0:09 - 0:11om dezelfde dingen te doen
die onze hersenen kunnen. -
0:11 - 0:15Daarom zijn we geïnteresseerd
in echte hersenen -
0:15 - 0:16en in neurowetenschappen.
-
0:16 - 0:20We zijn zeer geïnteresseerd in alles
wat onze hersenen kunnen, -
0:20 - 0:24maar wat voor computers
nog veel te ingewikkeld is. -
0:25 - 0:29Eén van deze onderzoeksgebieden
is altijd al waarneming geweest, -
0:29 - 0:32het proces waarbij dingen
in de buitenwereld, -
0:32 - 0:33zoals geluiden en beelden,
-
0:34 - 0:36in onze hersenen kunnen
veranderen in concepten. -
0:36 - 0:39Dat is een belangrijke taak
van onze hersenen. -
0:39 - 0:42Maar het is ook handig voor een computer.
-
0:42 - 0:45De perceptie-algoritmes die we
schrijven voor machines, bijvoorbeeld, -
0:45 - 0:49maken het mogelijk om foto's
op te zoeken in Google Photos, -
0:49 - 0:51volgens wat erop te zien is.
-
0:52 - 0:55De keerzijde van perceptie
is creativiteit. -
0:55 - 0:58Hierbij worden concepten omgezet
in iets in de echte wereld. -
0:58 - 1:02Het afgelopen jaar is ons werk
over machinewaarneming -
1:02 - 1:07ook onverwacht in verband geraakt
met de wereld van machine-creativiteit, -
1:07 - 1:08en machinekunst.
-
1:09 - 1:12Volgens mij had Michelangelo
een diepzinnig inzicht -
1:12 - 1:16in deze duale verhouding
tussen waarneming en creativiteit. -
1:16 - 1:18Dit is één van zijn beroemde citaten:
-
1:18 - 1:21"In iedere blok steen
zit een standbeeld verborgen... -
1:22 - 1:25De taak van de beeldhouwer is
om dat eruit te halen." -
1:26 - 1:29Ik denk dat Michelangelo bedoelde
-
1:29 - 1:32dat we door waar te nemen
zelf gaan creëren. -
1:32 - 1:35En dat waarneming zelf
een manier van inbeelding is. -
1:36 - 1:38En daar draait het om bij creativiteit.
-
1:39 - 1:43Het orgaan dat verantwoordelijk is
voor de waarneming en inbeelding -
1:43 - 1:45zijn de hersenen, natuurlijk.
-
1:45 - 1:48En ik zou willen beginnen
met een korte geschiedenis -
1:48 - 1:50van wat we weten over onze hersenen.
-
1:50 - 1:53In tegenstelling tot het hart of de darmen
-
1:53 - 1:56zijn de hersenen niet veelzeggend
als je er gewoon naar kijkt, -
1:56 - 1:58althans niet met het blote oog.
-
1:58 - 2:00De eerste anatomisten
die de hersenen bestudeerden, -
2:00 - 2:04hebben veel namen gegeven aan de
oppervlaktestructuren van de hersenen, -
2:04 - 2:07zoals de hippocampus, of 'kleine garnaal'.
-
2:07 - 2:09Maar die benamingen zeggen ons
natuurlijk niet veel -
2:09 - 2:12over wat er aan de binnenkant gebeurt.
-
2:13 - 2:16De eerste persoon die, denk ik,
een eerste inzicht bracht -
2:16 - 2:18over wat er echt gebeurt in de hersenen,
-
2:18 - 2:22was de grote Spaanse neuro-anatomist,
Santiago Ramón y Cajal, -
2:22 - 2:24in de negentiende eeuw.
-
2:24 - 2:28Hij gebruikte microscopen
en speciale beitsen -
2:28 - 2:32die individuele hersencellen
selectief konden opvullen -
2:32 - 2:34of in contrast konden weergeven,
-
2:34 - 2:37zodat hij hun morfologie kon onderzoeken.
-
2:38 - 2:41Dit zijn de soort tekeningen
die hij maakte van neuronen -
2:41 - 2:42in de negentiende eeuw.
-
2:42 - 2:44Dit komt van de hersenen van een vogel.
-
2:44 - 2:47Je ziet hier de geweldige verscheidenheid
aan soorten cellen. -
2:47 - 2:51Zelfs de cellentheorie was nogal nieuw
op dat moment. -
2:51 - 2:52Deze structuren...
-
2:52 - 2:54die cellen met hun boomstructuur,
-
2:54 - 2:57en vertakkingen
die zeer uitgestrekt kunnen zijn. -
2:57 - 2:58Dat was heel vernieuwend toen.
-
2:59 - 3:02Ze doen ons natuurlijk denken aan kabels.
-
3:02 - 3:05Misschien dachten enkele mensen
dit ook al in de negentiende eeuw. -
3:05 - 3:10De revolutie van de elektriciteit
en de bedrading waren in volle gang. -
3:10 - 3:11Maar in vele opzichten
-
3:11 - 3:14zijn de micro-analytische tekeningen
van Ramón y Calal, zoals deze, -
3:15 - 3:17in veel opzichten
nog steeds onovertroffen. -
3:17 - 3:19Meer dan een eeuw later
-
3:19 - 3:22zetten we nog steeds
het werk van Ramón y Cajal verder. -
3:22 - 3:25Dit zijn de ruwe gegevens
van onze collega's -
3:25 - 3:28in het Max Planck Institute
of Neuroscience. -
3:28 - 3:29Daar hebben onze collega's
-
3:29 - 3:34kleine deeltjes van het hersenweefsel
in beeld gebracht. -
3:34 - 3:38Het volledige monster is ongeveer
één kubieke millimeter groot. -
3:38 - 3:40En dit is een heel klein stukje daarvan.
-
3:40 - 3:43Het staafje links
is ongeveer één micron groot. -
3:43 - 3:45Deze structuren hier, zijn mitochondriën.
-
3:45 - 3:47Ze zijn zowat de grootte van een bacterie.
-
3:47 - 3:49En dit zijn de volgende plakken
-
3:49 - 3:52in dit zeer kleine blokje weefsel.
-
3:52 - 3:55Om even te vergelijken...
-
3:55 - 3:58De doorsnede van een haar is gemiddeld
zo'n honderd micron. -
3:58 - 4:00Dit is dus veel, veel kleiner
-
4:00 - 4:02dan één enkel haartje.
-
4:02 - 4:06Uit deze reeksen elektro-
microscopische beelden -
4:06 - 4:11kunnen we 3D-modellen maken van neuronen,
die er dan als volgt uitzien: -
4:11 - 4:14ze zijn gemaakt in dezelfde stijl
als Ramón y Cajals tekeningen. -
4:14 - 4:16Je ziet maar een paar neuronen,
-
4:16 - 4:19anders zou het zo druk worden
dat je niets meer ziet. -
4:19 - 4:20Het zou zo opeengepakt zijn,
-
4:20 - 4:21vol van structuren,
-
4:21 - 4:24bekabeling die de neuronen
met elkaar verbindt. -
4:25 - 4:28Ramón y Cajal was zijn tijd wat vooruit
-
4:28 - 4:31en de vooruitgang van onze kennis
van de hersenen -
4:31 - 4:33evolueerde maar traag
in de volgende decennia. -
4:33 - 4:36Maar we wisten dat neuronen
elektriciteit gebruikten. -
4:36 - 4:39Tegen WO II was onze technologie
geavanceerd genoeg -
4:39 - 4:42om met elektriciteit te experimenteren
op levende neuronen, -
4:42 - 4:44om beter te begrijpen hoe ze functioneren.
-
4:45 - 4:49In diezelfde periode werd
de computer uitgevonden. -
4:49 - 4:52Computers zijn gebaseerd op het idee
dat het brein moduleerbaar is. -
4:52 - 4:55De 'intelligente machine',
in termen van Alan Turing, -
4:55 - 4:57een grondlegger
van de computerwetenschap. -
4:58 - 5:03Warren McCulloch en Walter Pitts
bestudeerden Ramón y Cayals tekening -
5:03 - 5:04van de visuele cortex,
-
5:04 - 5:05die je hier ziet.
-
5:06 - 5:10De cortex verwerkt de beelden
die binnenkomen via het oog. -
5:10 - 5:14Het zag er volgens hen uit
als een schakelschema. -
5:14 - 5:18Het schakelschema van McCullough
en Pitt bevat veel details -
5:18 - 5:20die niet helemaal kloppen.
-
5:20 - 5:21Maar het basisidee
-
5:21 - 5:25dat de visuele cortex werkt
als een reeks computeronderdelen -
5:25 - 5:28die informatie doorgeven
van één niveau naar het andere -
5:28 - 5:29is in essentie correct.
-
5:29 - 5:32Laat me het even hebben
-
5:32 - 5:36over wat een model dat visuele info
wil verwerken moet kunnen doen. -
5:36 - 5:39De kerntaak van perceptie
-
5:39 - 5:43is om naar een afbeelding
te kijken en te zeggen: -
5:43 - 5:44"Dat is een vogel."
-
5:44 - 5:47Dat is zeer eenvoudig voor onze hersenen,
-
5:47 - 5:51maar je moet begrijpen
dat tot voor enkele jaren geleden, -
5:51 - 5:54dit vrijwel onmogelijk was
voor een computer. -
5:54 - 5:56Binnen het klassieke computermodel
-
5:56 - 5:58is dat geen eenvoudige taak.
-
5:59 - 6:02Wat gebeurt er nu tussen de pixels,
-
6:02 - 6:06de afbeelding van een vogel,
en het woord 'vogel'? -
6:06 - 6:09Een reeks neuronen zijn
met elkaar verbonden -
6:09 - 6:10in een neuraal netwerk,
-
6:10 - 6:11zoals op deze schets hier.
-
6:11 - 6:15Dit neuraal netwerk kan biologisch zijn,
binnen onze visuele cortex, -
6:15 - 6:17maar tegenwoordig zijn we in staat
-
6:17 - 6:19om neurale netwerken
na te maken op de computer. -
6:20 - 6:22Ik zal jullie laten zien
hoe dat eruitziet. -
6:22 - 6:26De pixels kan je zien
als de eerste laag neuronen. -
6:26 - 6:28Hier zie je in feite
de werking van het oog. -
6:28 - 6:30Dat zijn de neuronen
in het netvlies. -
6:30 - 6:31Deze geven hun informatie door
-
6:31 - 6:35naar de volgende lagen neuronen.
-
6:35 - 6:38Ze zijn verbonden met zenuwknopen
van verschillende groottes. -
6:38 - 6:39Het gedrag van dit netwerk
-
6:39 - 6:42wordt gekenmerkt door de kracht
van al deze zenuwknopen. -
6:42 - 6:46Zij bepalen de computationele
eigenschappen van dat netwerk. -
6:46 - 6:47Op het einde van de rit
-
6:47 - 6:50is er een neuron,
of een kleine groep neuronen -
6:50 - 6:52die oplichten en zeggen: "Vogel."
-
6:52 - 6:55Ik wil nu deze drie dingen,
-
6:55 - 7:00de pixels en de synaps
van het neuronennetwerk, of de input, -
7:00 - 7:01en de vogel, of de output,
-
7:01 - 7:04voorstellen door de variabelen x, w en y.
-
7:05 - 7:07Er zit misschien wel een miljoen x'en,
-
7:07 - 7:09of pixels, in deze afbeelding.
-
7:09 - 7:11En een miljard, of triljard w's.
-
7:11 - 7:15Ze vertegenwoordigen al de zenuwknopen
in het neurale netwerk. -
7:15 - 7:16En er zijn maar een klein aantal y's,
-
7:16 - 7:18of output van het netwerk.
-
7:18 - 7:21Het woord 'vogel' telt
slechts vijf letters, niet? -
7:21 - 7:25Laten we het even voorstellen
als een simpele formule: -
7:25 - 7:27x 'maal' w is gelijk aan y.
-
7:27 - 7:29'Maal' staat tussen aanhalingstekens,
-
7:29 - 7:31want in werkelijkheid
gebeurt er natuurlijk -
7:31 - 7:34een hele reeks ingewikkelde
wiskundige berekeningen. -
7:35 - 7:36Dat is één vergelijking,
-
7:36 - 7:38met drie variabelen.
-
7:38 - 7:41We weten allemaal dat als je
over twee variabelen beschikt -
7:41 - 7:45je de derde variabele kan achterhalen.
-
7:45 - 7:49Dus het proces van gevolgtrekking,
-
7:49 - 7:51het uit de afbeelding
afleiden dat dit een vogel is, -
7:51 - 7:53is als volgt:
-
7:53 - 7:56wanneer de y de onbekende is
en de w en x allebei gekend. -
7:56 - 7:59Je hebt de neuronennetwerken en de pixels.
-
7:59 - 8:01Je kunt zien dat dit probleem
relatief eenvoudig is. -
8:01 - 8:04Je vermenigvuldigt twee met drie en klaar.
-
8:05 - 8:08Ik toon jullie nu een netwerk neuronen
dat we gebouwd hebben -
8:08 - 8:10om dit op te lossen.
-
8:10 - 8:12Dit werkt realtime
op een mobiele telefoon. -
8:13 - 8:16Dat is op zich natuurlijk
al verbazingwekkend, -
8:16 - 8:19dat een telefoon zoveel miljarden
en biljarden bewerkingen kan uitvoeren -
8:19 - 8:21per seconde.
-
8:21 - 8:22Jullie zien hier een telefoon
-
8:22 - 8:26waarop een reeks afbeeldingen
verschijnen van vogels. -
8:26 - 8:29Hij herkent ze niet alleen als vogels,
-
8:29 - 8:32maar hij kan ook de soort identificeren
met dit type netwerk. -
8:33 - 8:35In die afbeelding
-
8:35 - 8:39waren de x en de w gekend
en was de y de onbekende. -
8:39 - 8:41Ik sla het ingewikkeldste
deel over, natuurlijk, -
8:41 - 8:45namelijk, hoe achterhalen we de w,
-
8:45 - 8:47de hersenen die tot dit alles
in staat zijn? -
8:47 - 8:49Hoe hebben we ooit zo'n model aangeleerd?
-
8:49 - 8:53Dit leerproces,
waarbij we de w willen oplossen, -
8:53 - 8:55als we dit in een eenvoudige
vergelijking gieten, -
8:55 - 8:57waarbij we getallen gebruiken,
-
8:57 - 9:00weten we wat we moeten doen:
6 is gelijk aan 2 maal w. -
9:00 - 9:03We delen 6 door 2 en het zit erop.
-
9:04 - 9:06Het probleem zit 'm bij deze bewerking.
-
9:07 - 9:08Deling...
-
9:08 - 9:11We gebruiken deling, want dat is
het omgekeerde van vermenigvuldiging. -
9:11 - 9:13Maar zoals ik zopas zei,
-
9:13 - 9:15klopt de vermenigvuldiging hier niet echt.
-
9:15 - 9:18Dit is een zeer gecompliceerde,
zeer non-lineaire bewerking, -
9:18 - 9:20die niet omgekeerd kan worden.
-
9:20 - 9:23We moeten een manier vinden
om die vergelijking op te lossen, -
9:23 - 9:25zonder te moeten delen.
-
9:25 - 9:28We doen dit op een zeer eenvoudige manier.
-
9:28 - 9:30We spelen wat met de algebra
-
9:30 - 9:33en verplaatsen de 6
naar de rechterkant van de vergelijking. -
9:33 - 9:35We vermenigvuldigen nog steeds.
-
9:36 - 9:39Maar laten we die nul de foutmarge noemen.
-
9:39 - 9:42Met andere woorden,
als we de w juist oplossen, -
9:42 - 9:43dan zal die marge nul bedragen.
-
9:43 - 9:45En als de oplossing niet klopt,
-
9:45 - 9:47dan zal de marge groter zijn dan nul.
-
9:47 - 9:51Nu kunnen we beginnen te gokken en
de foutmarge zo klein mogelijk maken, -
9:51 - 9:53daar zijn computers zeer goed in.
-
9:53 - 9:54Laten we eens gokken:
-
9:54 - 9:55w = 0 misschien?
-
9:55 - 9:56Dan zou de marge 6 bedragen.
-
9:56 - 9:59En als w gelijk zou zijn aan 1,
dan zou de marge 4 zijn. -
9:59 - 10:01De computer kan blijven raden
-
10:01 - 10:04en de foutmarge tot bijna nul reduceren.
-
10:04 - 10:07En ondertussen komt hij
steeds dichter bij w. -
10:07 - 10:11Hij raakt nooit helemaal tot bij w,
maar na zo'n twaalf stappen -
10:11 - 10:15zien we dat w gelijk is aan 2,999
en dat is precies genoeg. -
10:16 - 10:18Dat is het leerproces.
-
10:18 - 10:21Vergeet niet wat we hier
aan het doen zijn. -
10:21 - 10:25We hebben zeer veel
van die gekende x'en en y's genomen -
10:25 - 10:29en daar de w in het midden
mee achterhaald door een iteratief proces. -
10:29 - 10:32Wij leren op precies dezelfde manier.
-
10:32 - 10:35Als baby hebben we zeer veel afbeeldingen.
-
10:35 - 10:37Ze vertellen ons: "Dit is een vogel.
Dat is geen vogel." -
10:38 - 10:40Wanneer we de bewerking
eindeloos herhalen -
10:40 - 10:43kunnen we de w achterhalen
voor deze zenuwverbindingen. -
10:43 - 10:48Nu hebben we naar de x en w
gekeken om de y te achterhalen. -
10:48 - 10:49Dat is alledaagse, snelle waarneming.
-
10:49 - 10:51Nu willen we weten hoeveel w is.
-
10:51 - 10:53Da's veel moeilijker,
want dat is leren. -
10:53 - 10:56Om de foutenmarge te beperken,
hebben we veel voorbeelden nodig. -
10:56 - 11:00Zo'n jaar geleden besloot iemand
van ons team, Alex Mordvintsev, -
11:00 - 11:04om eens te kijken wat er zou gebeuren
als we de x probeerden op te lossen -
11:04 - 11:06als we de w en de y zouden kennen.
-
11:06 - 11:07Met andere woorden,
-
11:07 - 11:09je weet dat het een vogel is
-
11:09 - 11:12en je netwerk zenuwcellen
kunnen al vogels herkennen. -
11:12 - 11:14Maar wat is nu
een afbeelding van een vogel? -
11:15 - 11:20Blijkbaar kan je met dezelfde
foutenminimalisatie-procedure, -
11:20 - 11:24gebruik makend van het netwerk
dat vogels kan herkennen, -
11:24 - 11:27het volgende resultaat krijgen ...
-
11:30 - 11:32een afbeelding van vogels.
-
11:33 - 11:37Deze afbeelding van vogels is volledig
gegenereerd door een neuraal netwerk -
11:37 - 11:38dat vogels kon herkennen,
-
11:38 - 11:42door simpelweg naar de x te zoeken
in plaats van naar de y -
11:42 - 11:44en dat dan eindeloos te herhalen.
-
11:44 - 11:46Dit is nog een leuk voorbeeld.
-
11:46 - 11:49Dit is het werk
van Mike Tyka in onze groep. -
11:49 - 11:51Hij noemt het 'Animal Parade'.
-
11:51 - 11:54Het doet me wat denken
aan William Kentridges' schilderijen. -
11:54 - 11:57Hij maakt schetsen en veegt ze uit,
-
11:57 - 11:59altijd maar opnieuw,
en zo creëert hij een film. -
11:59 - 12:01In dit geval probeert Mike
-
12:01 - 12:04de y te laten variëren over de ruimte
van de verschillende dieren -
12:04 - 12:07in een netwerk dat dieren
van elkaar kan onderscheiden. -
12:07 - 12:11En dan krijg je zo'n Escher-achtige
overgang van het ene dier in het andere. -
12:14 - 12:19Hier hebben hij en Alex geprobeerd
om de y's terug te brengen -
12:19 - 12:22tot een tweedimensionale ruimte.
-
12:22 - 12:25De uitkomst daarvan was een kaart
met daarop de ruimte van alle dingen -
12:25 - 12:27die dit netwerk kon herkennen.
-
12:27 - 12:29Bij dit soort synthese
-
12:29 - 12:31of beeldweergave
over die hele oppervlakte, -
12:31 - 12:33waarbij de y varieert
over het oppervlak, -
12:33 - 12:37creëer je een visuele kaart
van alles wat het netwerk herkent. -
12:37 - 12:40Alle dieren staan hierop aangeduid.
Dat daar is een gordeldier. -
12:41 - 12:43Dit werkt ook met andere netwerken.
-
12:43 - 12:46Dit netwerk is ontwikkeld
om gezichten te herkennen, -
12:46 - 12:48om gezichten van elkaar te onderscheiden.
-
12:48 - 12:52Hier hebben we de y ingevoerd
die mij vertegenwoordigt. -
12:52 - 12:53Het zijn mijn gezichtsparameters.
-
12:53 - 12:55Als dit systeem naar x gaat zoeken,
-
12:55 - 12:58genereert het een absurd,
-
12:58 - 13:02nogal kubistisch, surreëel
en psychedelisch beeld van mij, -
13:02 - 13:04vanuit verschillende perspectieven.
-
13:04 - 13:07Je ziet hier verschillende
perspectieven tegelijkertijd, -
13:07 - 13:10omdat ons netwerk zo ontworpen is
dat het de dubbelzinnigheid tegengaat -
13:10 - 13:13van de verschillende mogelijke poses
-
13:13 - 13:16of de verschillende
mogelijke belichtingen. -
13:16 - 13:18Als je zo'n reconstructie uitvoert
-
13:18 - 13:21en je geen afbeelding of statistieken
-
13:21 - 13:22als richtlijnen gebruikt,
-
13:22 - 13:26dan krijg je een samenraapsel
van 'n heleboel perspectieven, -
13:26 - 13:27want het is ambigue.
-
13:28 - 13:32Dit is het resultaat wanneer Alex
zijn eigen gezicht gebruikt als richtlijn -
13:32 - 13:35tijdens het optimalisatieproces
om mijn gezicht te reconstrueren. -
13:36 - 13:39Je ziet dat het niet perfect is.
-
13:39 - 13:40We hebben nog wat werk voor de boeg
-
13:40 - 13:43om het optimalisatieproces
te optimaliseren. -
13:43 - 13:46Maar je krijgt toch iets
wat meer lijkt op een gezicht, -
13:46 - 13:48met mijn gezicht als richtlijn.
-
13:49 - 13:51Je hoeft niet meer te beginnen
met een wit doek, -
13:51 - 13:53of met 'witte ruis'.
-
13:53 - 13:54Wanneer je naar x zoekt,
-
13:54 - 13:58kan je beginnen met een x
die op zich al een afbeelding is. -
13:58 - 14:00Dat toont de volgende demo.
-
14:00 - 14:03Dit is een netwerk dat ontworpen is
-
14:03 - 14:06om allerlei verschillende
voorwerpen te categoriseren, -
14:06 - 14:08zoals kunstmatige structuren, dieren...
-
14:08 - 14:10We vertrokken hier gewoon
van een afbeelding van wolken. -
14:10 - 14:13Terwijl we het beeld optimaliseren,
-
14:13 - 14:17probeert het netwerk te bepalen
wat het kan zien in de wolken. -
14:17 - 14:19Hoe langer je hier naar kijkt,
-
14:19 - 14:22hoe meer je ook gaat zien in deze wolken.
-
14:23 - 14:26Je kunt er ook hallucinaties
van het gezichtsnetwerk in verwerken. -
14:26 - 14:28Dat levert ook gekke beelden op.
-
14:28 - 14:29(Gelach)
-
14:30 - 14:33Mike heeft nog enkele
andere experimenten uitgevoerd, -
14:33 - 14:37waarbij hij de afbeelding
van de wolken neemt, -
14:37 - 14:41een hallucinatie toevoegt, inzoomt,
weer 'n hallucinatie toevoegt, inzoomt. -
14:41 - 14:42Op deze manier
-
14:42 - 14:45krijg je een soort
dissociatieve vlucht, denk ik, -
14:46 - 14:49of een soort vrije associatie,
-
14:49 - 14:51waarin het netwerk
haar eigen staart opeet. -
14:51 - 14:55Iedere afbeelding is de basis voor...
-
14:55 - 14:56"Wat zie ik hierna?"
-
14:56 - 15:00"En wat daarna? En wat daarna?"
-
15:00 - 15:02Ik heb dit voor het eerst getoond
-
15:02 - 15:08aan een groep in Seattle
bij een lezing, genaamd 'Hoger Onderwijs'. -
15:08 - 15:10Marihuana was toen
nog maar net gelegaliseerd. -
15:10 - 15:13(Gelach)
-
15:15 - 15:17Ik zou snel willen afsluiten
-
15:17 - 15:21door te zeggen dat deze technologie
geen grenzen kent. -
15:21 - 15:25Ik heb enkel visuele voorbeelden getoond,
omdat die leuk zijn om naar te kijken. -
15:25 - 15:27Maar de technologie is niet enkel visueel.
-
15:27 - 15:29Ross Goodwin, een medewerker van ons,
-
15:29 - 15:33heeft enkele experimenten gedaan
waarbij hij foto's nam met een camera -
15:33 - 15:37en die dan gebruikte om een gedicht
mee te schrijven, met z'n computer, -
15:37 - 15:39op basis van de inhoud van de afbeelding.
-
15:39 - 15:42Dat poëzienetwerk werd getraind
-
15:42 - 15:44op een groot corpus gedichten
uit de 20e eeuw. -
15:44 - 15:46En de gedichten zijn, weet je,
-
15:46 - 15:48al bij al niet slecht, denk ik.
-
15:48 - 15:49(Gelach)
-
15:49 - 15:50Om af te sluiten...
-
15:50 - 15:53Ik denk dat Michelangelo
-
15:53 - 15:54het bij het rechte eind had.
-
15:54 - 15:57Waarneming en creativiteit zijn
zeer nauw met elkaar verbonden. -
15:58 - 16:00We hebben zopas gezien
dat neurale netwerken -
16:00 - 16:03die getraind zijn om keuzes te maken
-
16:03 - 16:05of om dingen in de wereld te herkennen,
-
16:05 - 16:08ook andersom kunnen werken
en kunst voortbrengen. -
16:08 - 16:10Dit doet mij afleiden
-
16:10 - 16:11dat Michelangelo
-
16:11 - 16:15de kunstwerken kon zien
uit massieve blokken steen, -
16:15 - 16:18maar ook dat eender welk wezen,
van eender welke planeet -
16:18 - 16:22die in staat is om waar te nemen
-
16:22 - 16:24ook in staat is om te creëren.
-
16:24 - 16:27Want in beide gevallen wordt exact
hetzelfde mechanisme gebruikt. -
16:27 - 16:30Ik ben er ook van overtuigd
dat waarneming en creativiteit -
16:30 - 16:33helemaal niet uniek zijn aan mensen.
-
16:33 - 16:36Onze computermodellen
kunnen deze dingen ook al. -
16:36 - 16:40En dat zou niet mogen verrassen,
ons brein is immers computationeel. -
16:40 - 16:41En ten slotte...
-
16:41 - 16:46Computertechnologie begon als een manier
om intelligente machines te ontwikkelen. -
16:46 - 16:48Het was gebaseerd op het idee
-
16:48 - 16:51dat machines intelligent
gemaakt konden worden. -
16:52 - 16:55We beginnen nu eindelijk
enkele van de beloftes waar te maken -
16:55 - 16:56van vroege pioniers,
-
16:56 - 16:58zoals Turing en von Neuman,
-
16:58 - 17:00en McCulloch en Pitts.
-
17:00 - 17:04Ik denk dat het bij computers
niet enkel draait om berekeningen, -
17:04 - 17:06of 'Candy Crush' of andere spelletjes.
-
17:06 - 17:09We hebben ze steeds vormgegeven
volgens onze hersenen. -
17:09 - 17:12Ze geven ons de mogelijkheid
om onze hersenen beter te begrijpen -
17:12 - 17:15en om onze capaciteiten uit te breiden.
-
17:15 - 17:16Dankjewel.
-
17:16 - 17:22(Applaus)
- Title:
- Hoe computers leren creatief te zijn
- Speaker:
- Blaise Agüera y Arcas
- Description:
-
We staan voor een nieuwe ontwikkeling in de kunst en creativiteit en het is niet menselijk. Blaise Agüera y Arcas, staat aan het hoofd van een team wetenschappers bij Google. Hij werkt met diepliggende neurale netwerken voor machineperceptie en gedistribueerd leren. In deze fascinerende demonstratie toont hij hoe neuronennetwerken geoefend kunnen worden om afbeeldingen te herkennen, en andersom ook afbeeldingen kunnen genereren. De resultaten zijn spectaculaire en hallucinogene collages (en gedichten!) die niet onder één vakje onder te brengen zijn. "Waarneming en creativiteit zijn zeer nauw met elkaar verbonden", zegt Agüera y Arcas. "Alle wezens die in staat zijn waar te nemen, zijn ook in staat om te creëren".
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 17:34
Peter van de Ven approved Dutch subtitles for How we're teaching computers to be creative | ||
Peter van de Ven accepted Dutch subtitles for How we're teaching computers to be creative | ||
Peter van de Ven edited Dutch subtitles for How we're teaching computers to be creative | ||
Peter van de Ven edited Dutch subtitles for How we're teaching computers to be creative | ||
Retired user edited Dutch subtitles for How we're teaching computers to be creative | ||
Retired user edited Dutch subtitles for How we're teaching computers to be creative | ||
Retired user edited Dutch subtitles for How we're teaching computers to be creative | ||
Retired user edited Dutch subtitles for How we're teaching computers to be creative |