Cum învaţă calculatoarele să fie creative
-
0:01 - 0:04Conduc o echipă Google care
se ocupa de inteligenţa artificială; -
0:04 - 0:09adică disciplina inginerească
a creării de computere şi dispozitive -
0:09 - 0:11ce pot face câteva
din lucrurile făcute de creier. -
0:11 - 0:16Asta ne face să fim interesaţi
de creierele reale şi de neurostiinţă, -
0:16 - 0:20dar mai ales de lucrurile
pe care creierele noastre le fac -
0:20 - 0:24la niveluri mult superioare
performanţelor computerelor. -
0:25 - 0:29Cronologic, unul din aceste domenii
a fost percepţia: -
0:29 - 0:32procesul prin care
lucruri din lumea reală -
0:32 - 0:33– sunete şi imagini –
-
0:34 - 0:36se pot transforma în concepte ale minţii.
-
0:36 - 0:39Asta e esenţial pentru creierul nostru
-
0:39 - 0:41şi e destul de util şi pentru un computer.
-
0:42 - 0:45De exemplu, algoritmii
de percepţie artificială creaţi de noi, -
0:45 - 0:49sunt cei ce permit ca fotografiile voastre
din Google Photos să poată fi căutate, -
0:49 - 0:50în funcţie de ce conţin.
-
0:52 - 0:55Reversul percepţiei e creativitatea:
-
0:55 - 0:58transformarea unui concept
în ceva real, concret. -
0:58 - 1:02În ultimul an, munca noastră
în domeniul percepţiei artificiale -
1:02 - 1:07s-a conectat în mod surprinzător
şi cu lumea creativităţii artificiale -
1:07 - 1:08şi a artei artificiale.
-
1:09 - 1:12Cred că Michelangelo
a avut o intuiţie profundă -
1:12 - 1:16privind această relaţie duală
dintre percepţie şi creativitate. -
1:16 - 1:18Iată un citat faimos al lui:
-
1:18 - 1:21„Fiecare bucată de piatră
are o statuie în interiorul său, -
1:22 - 1:25iar rolul sculptorului
e să o descopere”. -
1:26 - 1:29Cred că ce intuia Michelangelo
-
1:29 - 1:32e că noi creăm prin percepţie
-
1:32 - 1:35şi că percepţia însăşi
e un act de imaginaţie -
1:36 - 1:38şi ţine de creativitate.
-
1:39 - 1:44Organul ce se ocupă de gândire, percepţie
şi imaginaţie e, desigur, creierul. -
1:45 - 1:48Aş vrea să încep cu puţină istorie
-
1:48 - 1:50despre ce ştim despre creier.
-
1:50 - 1:53Spre deosebire de inimă sau intestine
-
1:53 - 1:56nu poţi spune prea multe
despre un creier doar uitându-te la el, -
1:56 - 1:58cel puţin nu cu ochiul liber.
-
1:58 - 2:00Primii anatomişti
care se uitau la creierul uman -
2:00 - 2:04au dat structurilor superficiale
ale acestuia tot felul de nume fanteziste, -
2:04 - 2:07ca hipocamp, care înseamnă „crevete mic”.
-
2:07 - 2:09Lucruri de genul ăsta
nu ne spun mare lucru -
2:09 - 2:12despre ce se petrece de fapt în interior.
-
2:13 - 2:16Prima persoană care
cred că a înţeles oarecum -
2:16 - 2:18ce se petrece în creier,
-
2:18 - 2:23a fost marele neuroanatonomist spaniol
din secolul 19, Santiago Ramón y Cajal, -
2:24 - 2:28care a folosit microscopia
şi coloraţii speciale -
2:28 - 2:32ce puteau umple selectiv,
să redea în contrast foarte înalt -
2:32 - 2:34celulele individuale ale creierului,
-
2:34 - 2:37ca să poată începe
să le înţeleagă morfologia. -
2:38 - 2:42Iată desenele neuronilor
făcute de el în secolul 19. -
2:42 - 2:44Ăsta e de la creierul unei păsări.
-
2:44 - 2:47Vedeţi aceasta varietate incredibilă
de diverse tipuri de celule, -
2:47 - 2:51chiar şi teoria celulară era
destul de nouă la acel moment. -
2:51 - 2:52Iar aceste structuri,
-
2:52 - 2:54aceste celule ce au aceste ramificaţii,
-
2:54 - 2:57aceste ramuri ce pot ajunge
la distanţe foarte mari... -
2:57 - 2:58asta era o mare noutate atunci.
-
2:59 - 3:02Seamănă, desigur, cu firele.
-
3:02 - 3:05E posibil ca asta să fi fost evident
pentru unii din secolul 19; -
3:05 - 3:10revoluţia tehnologică a cablurilor
şi electricităţii tocmai începea. -
3:10 - 3:11Dar în multe sensuri,
-
3:11 - 3:14desenele de microanatomie ale lui
Ramón y Cajal, precum acesta, -
3:15 - 3:17sunt încă, într-un fel, inegalabile.
-
3:17 - 3:19După mai mult de un secol,
-
3:19 - 3:22încă încercăm să terminăm opera
începută de Ramón y Cajal. -
3:22 - 3:25Astea sunt datele brute
de la colaboratorii noştri -
3:25 - 3:28de la Institutul
de Neuroştiintă Max Planck. -
3:28 - 3:29Colaboratorii noştri
-
3:29 - 3:34au scanat mici părţi de ţesut cerebral.
-
3:34 - 3:38Întreaga mostră de aici
are cam un milimetru cub, -
3:38 - 3:40iar eu vă arăt aici
doar o foarte mică parte din ea. -
3:40 - 3:43Acea linie din stânga
are aproape un micron. -
3:43 - 3:45Structurile pe care le vedeţi
sunt mitocondrii, -
3:45 - 3:47ce au dimensiunile unei bacterii.
-
3:47 - 3:49Astea sunt secţiuni consecutive
-
3:49 - 3:52prin aceasta foarte mică bucată de ţesut.
-
3:52 - 3:55Doar de dragul comparaţiei,
-
3:55 - 3:58diametrul mediu al unui fir de păr
e de aproximativ 100 de microni. -
3:58 - 4:01Deci ne uităm la ceva mult, mult mai mic
-
4:01 - 4:02decât un singur fir de par.
-
4:02 - 4:06Din aceste tipuri de felii consecutive
de microscopie electronică, -
4:06 - 4:11se pot face reconstrucţii 3D
ale neuronilor care arată aşa. -
4:11 - 4:14Sunt cam în acelaşi stil ca cele
ale lui Ramón y Cajal. -
4:14 - 4:16Doar caţiva neuroni se aprind,
-
4:16 - 4:19deoarece altfel nu am putea
distinge nimic aici. -
4:19 - 4:20Ar fi atât de aglomerat,
-
4:20 - 4:21atât de plin de structuri,
-
4:21 - 4:24de fire care conectează un
neuron de celălalt. -
4:25 - 4:28Ramón y Cajal a fost
cu un pas înaintea epocii sale, -
4:28 - 4:31iar dezvoltarea înţelegerii creierului
-
4:31 - 4:33a continuat încet în următoarele decenii.
-
4:33 - 4:36Dar ştiam că neuronii
folosesc electricitate -
4:36 - 4:39şi prin 1940, tehnologia
era destul de avansată -
4:39 - 4:42ca să facem experimente
electrice pe neuroni vii -
4:42 - 4:44pentru a înţelege mai bine
cum funcţionează. -
4:45 - 4:49În exact aceeaşi perioadă
erau inventate computerele, -
4:49 - 4:52care se bazau pe ideea
modelării creierului -
4:52 - 4:55– a „maşinăriei inteligente”,
cum a numit-o Alan Turing, -
4:55 - 4:57unul dintre părinţii informaticii.
-
4:58 - 5:03Warren McCulloch şi Walter Pitts
s-au uitat la desenul lui Ramón y Cajal -
5:03 - 5:05cu cortexul vizual
– pe care îl vedeţi aici. -
5:06 - 5:10Acesta este cortexul care procesează
imaginile venite de la ochi. -
5:10 - 5:14Pentru ei, asta arată
ca diagrama unui circuit electric. -
5:14 - 5:18Sunt multe detalii din diagrama
lui McCulloch şi Pitts -
5:18 - 5:20care nu sunt tocmai corecte.
-
5:20 - 5:21Dar ideea de bază,
-
5:21 - 5:25că acest cortex vizual funcţionează
ca o serie de elemente computaţionale -
5:25 - 5:28care transmit informaţia
unul către altul în cascadă, -
5:28 - 5:29e în esenţă corectă.
-
5:29 - 5:32Hai să vorbim puţin
-
5:32 - 5:36despre ce ar trebui să facă un model
al procesării informaţiei vizuale. -
5:36 - 5:39Sarcina principală a percepţiei
-
5:39 - 5:43e să ia o imagine ca aceasta şi să zică,
-
5:43 - 5:44„Aia e o pasăre”,
-
5:44 - 5:47un lucru simplu
pentru creierul nostru. -
5:47 - 5:51Trebuie să înţelegeţi
că pentru un computer, -
5:51 - 5:54asta era imposibil acum câţiva ani.
-
5:54 - 5:56Paradigma computaţională clasică,
-
5:56 - 5:58nu e una în care sarcina asta
e uşor de îndeplinit. -
5:59 - 6:02Deci ce se întâmplă între pixeli,
-
6:02 - 6:06între imaginea păsării
şi cuvântul „pasăre”, -
6:06 - 6:10e de fapt un set de neuroni interconectaţi
într-o reţea neuronală, -
6:10 - 6:11ca în această diagramă.
-
6:11 - 6:15Această reţea neuronală
poate fi biologică, în cortexul vizual, -
6:15 - 6:17sau, acum începem să avem
capacitatea să modelăm -
6:17 - 6:19astfel de reţele neuronale
pe calculator. -
6:20 - 6:22Iată cum arată asta de fapt.
-
6:22 - 6:26Vă puteţi imagina pixelii
ca primul strat de neuroni, -
6:26 - 6:28de fapt, aşa funcţionează ochiul
-
6:28 - 6:30– sunt neuronii din retină.
-
6:30 - 6:31Ei transmit semnalul
mai departe -
6:31 - 6:35prin straturi de neuroni consecutive,
-
6:35 - 6:38conectate prin sinapse
de diferite dimensiuni. -
6:38 - 6:39Comportarea acestei reţele
-
6:39 - 6:42e caracterizată de puterile
tuturor sinapselor. -
6:42 - 6:46Ele caracterizează trăsăturile
computaţionale ale acestei reţele. -
6:46 - 6:47Iar la final
-
6:47 - 6:50veţi avea un neuron
sau un grup mic de neuroni -
6:50 - 6:51care se aprind zicând „pasăre”.
-
6:52 - 6:55Voi reprezenta acum acele trei lucruri:
-
6:55 - 7:00pixelii de intrare şi sinapsele
din reţeaua neuronală, -
7:00 - 7:01şi pasărea – rezultatul –
-
7:01 - 7:04prin trei variabile: x, w, şi y.
-
7:05 - 7:07Pot fi aproximativ un milion de x,
-
7:07 - 7:09un milion de pixeli în acea imagine.
-
7:09 - 7:11Sunt miliarde sau un trilioane de w,
-
7:11 - 7:15care reprezintă puterea tuturor
sinapselor din reţeaua neuronală. -
7:15 - 7:16Mai exista un număr foarte mic de y,
-
7:16 - 7:18de rezultate ale reţelei.
-
7:18 - 7:20„Pasăre” are doar 6 litere, corect?
-
7:21 - 7:25Să spunem că asta e doar o formulă simplă
-
7:25 - 7:27x "x" w = y.
-
7:27 - 7:29Pun înmulţirea între ghilimele
-
7:29 - 7:31pentru că acolo se petrece, de fapt,
-
7:31 - 7:34o serie foarte complicată
de operaţii matematice, -
7:35 - 7:36avem o ecuaţie.
-
7:36 - 7:38Avem trei variabile.
-
7:38 - 7:41Cu toţii ştim că dacă ai o ecuaţie
-
7:41 - 7:45poţi afla o variabilă
dacă le ştii pe celelalte două. -
7:45 - 7:49Deci problema deducţiei,
-
7:49 - 7:51adică să descoperi
că imaginea unei păsări e o pasăre -
7:51 - 7:53e aceasta:
-
7:53 - 7:56y e necunoscut în timp ce
w şi x sunt cunoscute. -
7:56 - 7:59Cunoaştem reţeaua neuronală,
cunoaştem pixelii. -
7:59 - 8:02Cum puteţi vedea,
e o problemă relativ simplă. -
8:02 - 8:04Înmulţim 2 ori 3 şi am rezolvat.
-
8:05 - 8:07Vă voi arăta o reţea
neuronală artificială -
8:07 - 8:09pe care am creat-o recent.
-
8:10 - 8:12Aceasta rulează în timp real
pe un telefon mobil, -
8:13 - 8:16şi deja acest lucru e uimitor,
-
8:16 - 8:21că telefoanele pot face aşa multe
miliarde şi trilioane de operaţii/secundă. -
8:21 - 8:22Acesta e un telefon
-
8:22 - 8:26care se uită la o serie de imagini
ale unei păsări, -
8:26 - 8:29şi nu zice doar „da, e o pasăre”,
-
8:29 - 8:32dar identifică şi specia păsării,
folosind o reţea de acest tip. -
8:33 - 8:35Deci în acea poză,
-
8:35 - 8:39x şi w sunt cunoscute
iar y e necunoscut. -
8:39 - 8:41Sar peste partea foarte dificilă,
-
8:41 - 8:45anume, cum reuşim să-l descoperim w,
-
8:45 - 8:47care e creierul care poate face asta?
-
8:47 - 8:49Cum am putea găsi un astfel de model?
-
8:49 - 8:53Acest proces al învăţării,
al aflării lui w, -
8:53 - 8:55dacă am face asta cu ecuaţia simplă
-
8:55 - 8:57în care gândim variabilele ca numere,
-
8:57 - 9:00ştim exact cum s-o rezolvăm: 6 = 2 x w,
-
9:00 - 9:03împărţim la 2 şi am terminat.
-
9:04 - 9:06Problema e cu acest operator.
-
9:07 - 9:08Împărţirea
-
9:08 - 9:11– folosim împărţirea deoarece
e inversul înmulţirii, -
9:11 - 9:13dar, aşa cum am spus,
-
9:13 - 9:15înmulţirea e o mică minciună aici –
-
9:15 - 9:18e o operaţie foarte complicată,
foarte non-lineară, -
9:18 - 9:20nu are un invers.
-
9:20 - 9:23Deci trebuie să găsim un mod
de a rezolva ecuaţia -
9:23 - 9:25fără a folosi împărţirea.
-
9:25 - 9:28Iar soluţia e destul de simplă.
-
9:28 - 9:30Să zicem că facem un truc aritmetic
-
9:30 - 9:33şi mutăm cifra 6
în partea dreapta a ecuaţiei. -
9:33 - 9:35Astfel încă folosim înmulţirea.
-
9:36 - 9:39Iar acel zero, să-l privim
ca pe o eroare. -
9:39 - 9:42Altfel spus, dacă am aflat w
în modul corect, -
9:42 - 9:43atunci eroarea va fi zero.
-
9:43 - 9:45Dacă am greşit,
-
9:45 - 9:47eroarea va fi mai mare decât zero.
-
9:47 - 9:51Acum putem încerca să ghicim,
pentru a reduce eroarea. -
9:51 - 9:53Ăsta e unul din lucrurile
la care computerele excelează. -
9:53 - 9:55Deci iniţial am presupus:
-
9:55 - 9:57dacă w = 0? Eroarea ar fi 6.
-
9:57 - 9:59Dacă w = 1? Eroarea e 4.
-
9:59 - 10:01Atunci computerul
ar putea să o ia pe bâjbâite, -
10:01 - 10:04şi ar reduce eroarea până aproape de zero.
-
10:04 - 10:07Pe măsură ce face asta,
obţine aproximări succesive ale lui w. -
10:07 - 10:11Normal, nu ajunge la rezultatul exact,
dar cam după o duzină de paşi, -
10:11 - 10:15ajungem la w = 2,999,
ceea ce e destul de aproape. -
10:16 - 10:18Acesta e procesul de învăţare.
-
10:18 - 10:21Recapitulând, ce facem aici
-
10:21 - 10:25e să luăm o groază
de x şi y cunoscuţi -
10:25 - 10:29ca să-l descoperim w
printr-un proces iterativ. -
10:29 - 10:32E exact aşa cum facem noi când învăţăm.
-
10:32 - 10:35Ca bebeluşi vedem multe, multe imagini
-
10:35 - 10:37şi ni se spune „asta e o pasăre,
asta nu e o pasăre”. -
10:38 - 10:40Cu timpul, prin repetiţie,
-
10:40 - 10:43îl aflăm pe w, descoperim
conexiunile neuronale. -
10:43 - 10:48Acum am păstrat constante x şi w
pentru a-l afla pe y; -
10:48 - 10:49asta e percepţia rapidă, de zi cu zi.
-
10:49 - 10:51Ne dăm seama cum putem descoperi w,
-
10:51 - 10:53asta e învăţarea, care e mult mai grea,
-
10:53 - 10:57deoarece trebuie să minimizăm eroarea
prin multe încercări de învăţare. -
10:57 - 11:00Cam acum un an, Alex Mordvintsev
din echipa noastră, -
11:00 - 11:04a hotărât să vadă ce se întâmplă
dacă încercăm să descoperim x, -
11:04 - 11:06când sunt date w şi y.
-
11:06 - 11:07Cu alte cuvinte,
-
11:07 - 11:09ştiţi că e o pasăre
-
11:09 - 11:12şi aveţi deja reţeaua neuronală
care a fost pregătită pe păsări, -
11:12 - 11:14dar ce este imaginea unei păsări?
-
11:15 - 11:20Folosind aceeaşi procedură
de minimizare a erorii, -
11:20 - 11:24se poate face asta cu reţeaua pregătită
să recunoască păsări, -
11:24 - 11:27iar rezultatul va fi...
-
11:30 - 11:32o imagine cu păsări.
-
11:33 - 11:37Asta e o imagine cu păsări
generată integral de o reţea neuronală -
11:37 - 11:38pregătită să recunoască păsări,
-
11:38 - 11:42doar cerându-i să-l afle pe x
în loc să-l afle pe y -
11:42 - 11:43şi făcând asta iterativ.
-
11:44 - 11:46Iată un alt exemplu distractiv.
-
11:46 - 11:49E o lucrare făcută de Mike Tyka
în grupul nostru, -
11:49 - 11:51intitulată „Parada animalelor”.
-
11:51 - 11:54Seamănă puţin cu operele de artă
ale lui William Kentridge, -
11:54 - 11:57în care face schiţe, le şterge,
-
11:57 - 11:58face schiţe, le sterge,
-
11:58 - 12:00şi aşa face un film.
-
12:00 - 12:01În acest caz,
-
12:01 - 12:04Mike îl modifică pe y
în funcţie de diferite animale, -
12:04 - 12:08într-o reţea creată să recunoască
şi să distingă diferite animale, -
12:08 - 12:12iar rezultatul e o metamorfoză ciudată
de tip Escher, de la un animal la altul. -
12:14 - 12:20Aici el şi Alex
au încercat să-l reducă pe y -
12:20 - 12:22la un spaţiu cu două dimensiuni,
-
12:22 - 12:25făcând astfel o hartă
din spaţiul tuturor lucrurilor -
12:25 - 12:27recunoscute de această reţea..
-
12:27 - 12:29Făcând acest tip de sinteză
-
12:29 - 12:31sau generare a imaginilor
pe întreaga suprafaţă, -
12:31 - 12:34schimbându-l pe y pe suprafaţă,
faci un fel de hartă, -
12:34 - 12:37o hartă vizuală a tuturor lucrurilor
pe care reţeaua le recunoaşte. -
12:37 - 12:40Animalele sunt aici;
Tatuul (armadillo) e în punctul ăla. -
12:41 - 12:43Se poate face asta
şi cu alte tipuri de reţele. -
12:43 - 12:46Asta e o reţea creată să recunoască feţe,
-
12:46 - 12:48sa distingă un chip de altul.
-
12:48 - 12:52Aici introducem un y numit „eu”,
-
12:52 - 12:53parametrii chipului meu.
-
12:53 - 12:55Iar când îl află pe x,
-
12:55 - 12:58generează această imagine a mea
-
12:58 - 13:02nebuneasca, cubista,
suprarealista, psihedelică -
13:02 - 13:04combinând mai multe puncte de vedere.
-
13:04 - 13:07Pare că sunt mai multe
puncte de vedere simultan -
13:07 - 13:10pentru că reţeaua e creată
ca să elimine ambiguitatea -
13:10 - 13:13unui chip pus într-o postură sau alta,
-
13:13 - 13:16văzut într-o lumină sau alta.
-
13:16 - 13:18Când faci acest tip de reconstrucţie,
-
13:18 - 13:21dacă nu foloseşti o imagine de control
-
13:21 - 13:22sau statistici de control,
-
13:22 - 13:26atunci vei avea un fel de confuzie
a mai multor puncte de vedere -
13:26 - 13:27deoarece e ambiguu.
-
13:28 - 13:32Asta se întâmplă dacă Alex foloseşte
chipul său ca imagine de control -
13:32 - 13:35în timpul procesului de optimizare
pentru reconstrucţia feţei mele. -
13:36 - 13:39Puteţi vedea că nu e perfect.
-
13:39 - 13:41E încă destul de multă muncă
-
13:41 - 13:43pentru optimizarea
acestui proces de optimizare, -
13:43 - 13:46dar începem să obţinem
ceva ce aduce mai mult cu o faţă, -
13:46 - 13:48Când folosim ca referinţă chipul meu.
-
13:49 - 13:51Nu trebuie început cu o pânză goală
-
13:51 - 13:53sau cu zgomot alb.
-
13:53 - 13:54Când vrei să-l afli pe x,
-
13:54 - 13:58poţi începe cu un x care deja
e el însuşi o altă imagine. -
13:58 - 14:00Asta reprezintă aceasta mică demonstraţie.
-
14:00 - 14:05Asta e o reţea creată să clasifice
-
14:05 - 14:08tot felul de obiecte diferite –
structuri create de om, animale... -
14:08 - 14:10Aici începem cu imaginea unor nori,
-
14:10 - 14:12şi pe măsură ce optimizăm,
-
14:12 - 14:17această reţea îşi imaginează
ce vede în nori. -
14:17 - 14:19Cu cât priviţi asta mai mult,
-
14:19 - 14:22cu atât mai multe lucruri
veţi vedea şi voi în nori. -
14:23 - 14:26Am putea folosi şi reţeaua chipurilor
pentru a halucina astfel, -
14:26 - 14:28şi obţii lucruri destul de nebuneşti.
-
14:28 - 14:29(Râsete)
-
14:30 - 14:33Mike a făcut şi alte experimente
-
14:33 - 14:37în care ia acea imagine a norilor,
-
14:37 - 14:41halucinează, măreşte, halucinează,
măreşte, halucinează, măreşte. -
14:41 - 14:42Şi în felul ăsta,
-
14:42 - 14:45poţi obţine un fel de fugă disociativă
a reţelei, presupun, -
14:46 - 14:49sau un fel de asociere liberă,
-
14:49 - 14:51în care reţeaua îşi mănâncă propria coada.
-
14:51 - 14:55Deci acum fiecare imagine e baza pentru:
-
14:55 - 14:56„Ce cred că văd acum?
-
14:56 - 14:59Ce cred că văd acum?
Ce cred că văd acum?” -
14:59 - 15:02Prima dată, am prezentat
asta în public -
15:02 - 15:08unui grup la un curs din Seattle,
intitulat „Educaţia Superioară”. -
15:08 - 15:10Asta se petrecea chiar
după legalizarea marijuanei. -
15:10 - 15:13(Râsete)
-
15:15 - 15:17Vreau să închei repede
-
15:17 - 15:21menţionând că această tehnologie
nu e restricţionată. -
15:21 - 15:25V-am arătat doar exemple vizuale
deoarece sunt distractive. -
15:25 - 15:27Nu e doar tehnologie vizuală.
-
15:27 - 15:29Colaboratorul nostru,
artistul Ross Godwin, -
15:29 - 15:33a făcut experimente cu o cameră
care face o fotografie -
15:33 - 15:37şi apoi un computer din rucsacul lui scrie
o poezie folosind reţelele neuronale, -
15:37 - 15:39pornind de la conţinutul imaginii.
-
15:39 - 15:42Acea reţea neuronală de poezie
a fost antrenată -
15:42 - 15:44cu o colecţie mare
de poezii al secolului 20. -
15:44 - 15:47Iar poezia nu e deloc rea
după părerea mea. -
15:48 - 15:49(Râsete).
-
15:49 - 15:50În încheiere,
-
15:50 - 15:53în privinţa lui Michelangelo
-
15:53 - 15:54cred că avea dreptate;
-
15:54 - 15:57percepţia şi creativitatea
sunt puternic conectate. -
15:58 - 16:02Tocmai am văzut reţele neuronale
pregătite să distingă -
16:03 - 16:05sau să recunoască
diferite lucruri din lume, -
16:05 - 16:08ce pot fi rulate în sens invers,
ca să genereze. -
16:08 - 16:10Unul din lucrurile sugerate de asta
-
16:10 - 16:12e nu numai că Michelangelo chiar a văzut
-
16:12 - 16:15sculptura din interiorul
blocului de piatră, -
16:15 - 16:18dar că orice creatură, orice fiinţă,
orice extraterestru -
16:18 - 16:22care e capabil
de acte perceptive de acel gen -
16:22 - 16:23e capabil şi să creeze
-
16:23 - 16:27deoarece acelaşi mecanism
e folosit în ambele cazuri. -
16:27 - 16:32Cred de asemenea că percepţia şi
creativitatea nu sunt exclusiv umane. -
16:33 - 16:36Începem să avem modele informatice
care fac exact genul ăsta de lucruri. -
16:36 - 16:40Asta nu ar trebui să ne surprindă:
creierul e computaţional. -
16:40 - 16:41Şi în sfârşit,
-
16:41 - 16:46informatica început ca un exerciţiu
de creare a inteligenţei artificiale. -
16:46 - 16:48A fost modelată după ideea
-
16:48 - 16:51„cum putem face maşinăriile inteligente”.
-
16:52 - 16:54Acum începem să împlinim
-
16:54 - 16:56câteva dintre promisiunile
primilor pioneri, -
16:56 - 16:58ale lui Turing şi von Neumann
-
16:58 - 17:00şi McCulloch şi Pitts.
-
17:00 - 17:04Cred că informatica
nu mai însemnă doar contabilitate, -
17:04 - 17:06sau să joci Candy Crush sau altceva.
-
17:06 - 17:09Încă de la început, le-am creat
după minţile noastre. -
17:09 - 17:12Şi ne-au dat capacitatea să ne înţelegem
mai bine propriile minţi -
17:12 - 17:14şi să le extindem.
-
17:15 - 17:16Vă mulţumesc foarte mult.
-
17:16 - 17:22(Aplauze)
- Title:
- Cum învaţă calculatoarele să fie creative
- Speaker:
- Blaise Agüera y Arcas
- Description:
-
Suntem în faţa unei noi frontiere în arta şi creativitate, care nu este umană. Blaise Agüera y Arcas, cercetător principal la Google, lucrează cu reţele neuronale profunde pentru percepţie artificială şi învăţare distribuitivă. În această demonstraţie captivantă, el arată cum reţelele neuronale programate să recunoască imagini pot fi acţionate în sens invers, pentru a le crea. Rezultatele sunt nişte colaje (şi poeme!) spectaculoase, halucinante care sfidează catalogarea. „Percepţia şi creativitatea sunt conectate foarte profund'' susţine Agüera y Arcas. „Orice creatură, orice fiinţă care este capabilă de acte de percepţie, este de asemenea capabilă să creeze.”
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 17:34
Delia Bogdan approved Romanian subtitles for How we're teaching computers to be creative | ||
Delia Bogdan edited Romanian subtitles for How we're teaching computers to be creative | ||
Delia Bogdan edited Romanian subtitles for How we're teaching computers to be creative | ||
Razvan Cristian Duia accepted Romanian subtitles for How we're teaching computers to be creative | ||
Razvan Cristian Duia edited Romanian subtitles for How we're teaching computers to be creative | ||
Razvan Cristian Duia edited Romanian subtitles for How we're teaching computers to be creative | ||
Razvan Cristian Duia edited Romanian subtitles for How we're teaching computers to be creative | ||
Razvan Cristian Duia edited Romanian subtitles for How we're teaching computers to be creative |