Как компьютеры учатся творчеству
-
0:01 - 0:04Я возглавляю команду в Google,
работающую над машинным интеллектом, -
0:04 - 0:09другими словами, занимающуюся инженерией,
созданием компьютеров и устройств, -
0:09 - 0:11способных делать то, что делает наш мозг.
-
0:11 - 0:15Мы не можем не интересоваться
настоящей мозговой деятельностью, -
0:15 - 0:16а также неврологией.
-
0:16 - 0:20И особенно нас интересуют действия
нашего мозга, -
0:20 - 0:24в которых он до сих пор превосходит
возможности компьютеров. -
0:25 - 0:29Исторически одной из этих областей
было восприятие — -
0:29 - 0:32процесс, благодаря которому всё в мире,
-
0:32 - 0:33все звуки и изображения
-
0:34 - 0:36в нашем сознании превращаются в понятия.
-
0:36 - 0:39Это совершенно необходимо
для нашего разума, -
0:39 - 0:41однако полезно и для компьютера.
-
0:42 - 0:45Например, наша команда создаёт
машинные алгоритмы восприятия, -
0:45 - 0:49которые позволяют вам находить
картинки на Google Photos по тому, -
0:49 - 0:50что на них изображено.
-
0:52 - 0:55Обратная сторона восприятия — творчество:
-
0:55 - 0:58превращение задумки во что-то реальное.
-
0:58 - 1:02Таким образом, за прошедший год
наша работа над компьютерным восприятием -
1:02 - 1:07также неожиданно стала связана
с миром компьютерного творчества -
1:07 - 1:08и машинного искусства.
-
1:09 - 1:12Я считаю, что у Микеланджело
было точное понимание -
1:12 - 1:16двойственного отношения
между восприятием и творчеством. -
1:16 - 1:18Вот его известная цитата:
-
1:18 - 1:21«Внутри каждого камня скрыта статуя,
-
1:22 - 1:25задача скульптора — её обнаружить».
-
1:26 - 1:29Я думаю, что Микеланджело говорит о том,
-
1:29 - 1:32что мы создаём посредством восприятия,
-
1:32 - 1:35а само восприятие — это акт воображения
-
1:36 - 1:38и материал для творчества.
-
1:39 - 1:43Орган, который думает,
воспринимает и представляет, — -
1:43 - 1:44это, конечно же, мозг.
-
1:45 - 1:48Я хотел бы начать
с небольшого экскурса в историю -
1:48 - 1:50исследования нашего мозга.
-
1:50 - 1:53Потому что, в отличие
от сердца или кишечника, -
1:53 - 1:56нельзя много сказать о мозге,
просто посмотрев на него -
1:56 - 1:58невооружённым глазом.
-
1:58 - 2:00Первые анатомы, которые смотрели на мозги,
-
2:00 - 2:04давали поверхностной структуре
этого óргана причудливые имена, -
2:04 - 2:07например, гиппокамп,
что означает «креветка». -
2:07 - 2:09Но, конечно, такого рода наблюдения
мало говорят нам -
2:09 - 2:12о происходящем внутри мозга.
-
2:13 - 2:16Первый человек, у которого действительно
было некоторое понимание того, -
2:16 - 2:18что происходит в мозге,
-
2:18 - 2:22был великий испанский нейрофизиолог
Сантьяго Рамон-и-Кахаль, -
2:22 - 2:24живший в XIX веке.
-
2:24 - 2:28Он использовал микроскоп
и специальный краситель, -
2:28 - 2:32который мог выборочно заполнить
отдельные клетки мозга -
2:32 - 2:34или придать им контрастность,
-
2:34 - 2:37чтобы понять их морфологию.
-
2:38 - 2:41А вот изображения нейронов,
которые он нарисовал -
2:41 - 2:42в XIX веке.
-
2:42 - 2:44Это нейроны мозга птицы.
-
2:44 - 2:47Вы видите здесь невероятное разнообразие
различных видов клеток, -
2:47 - 2:51даже клеточная теория сама по себе
была в то время довольно нова. -
2:51 - 2:52И эти структуры,
-
2:52 - 2:54эти клетки, которые имеют разветвления
-
2:54 - 2:57и эти очень длинные ответвления, —
-
2:57 - 2:58всё это было тогда очень ново.
-
2:59 - 3:02Они напоминают провода.
-
3:02 - 3:05Это могло быть очевидным
для некоторых людей в XIX веке: -
3:05 - 3:10как раз начиналась электрификация.
-
3:10 - 3:11Но во многом
-
3:11 - 3:14такие микроанатомические зарисовки
Рамона-и-Кахаля -
3:15 - 3:17всё ещё остаются непревзойдёнными.
-
3:17 - 3:19Мы до сих пор, более ста лет спустя,
-
3:19 - 3:22пытаемся закончить работу,
начатую Рамоном-и-Кахалем. -
3:22 - 3:25Это необработанные данные
от наших коллег -
3:25 - 3:28из Института Неврологии Макса Планка.
-
3:28 - 3:29Наши коллеги
-
3:29 - 3:34изобразили маленькие кусочки
ткани головного мозга. -
3:34 - 3:38Весь образец составляет примерно
один кубический миллиметр, -
3:38 - 3:40а я показываю вам
очень маленький его кусочек. -
3:40 - 3:43Та риска слева равна одному микрону.
-
3:43 - 3:45Структуры, которые вы видите, —
это митохондрии, -
3:45 - 3:47они размером с бактерию.
-
3:47 - 3:49А это последовательные срезы
-
3:49 - 3:52этого очень маленького кусочка ткани.
-
3:52 - 3:55Просто для сравнения:
-
3:55 - 3:58диаметр волоса в среднем составляет
около 100 микрон. -
3:58 - 4:01Мы здесь видим нечто гораздо меньшее,
-
4:01 - 4:02чем человеческий волос.
-
4:02 - 4:06Из этой серии микроскопических срезов
-
4:06 - 4:11можно начать делать 3D реконструкции
нейронов, похожие на эти. -
4:11 - 4:14По стилю они похожи
на рисунки Рамона-и-Кахаля. -
4:14 - 4:16Отдельные нейроны подсвечены,
-
4:16 - 4:19иначе мы бы здесь ничего не увидели.
-
4:19 - 4:20Тут было бы полно́ всего,
-
4:20 - 4:21сплошные структуры
-
4:21 - 4:24и провода, соединяющие
один нейрон с другим. -
4:25 - 4:28Итак, Рамон-и-Кахаль немного опережал
своё время, -
4:28 - 4:31и прогресс в понимании мозга
продвигался медленно -
4:31 - 4:33в течение следующих десятилетий.
-
4:33 - 4:36Но мы знали,
что нейроны используют электричество, -
4:36 - 4:39и ко Второй мировой войне
технологии были развиты достаточно, -
4:39 - 4:42чтобы начать электрические
эксперименты на живых нейронах, -
4:42 - 4:44чтобы лучше понимать, как они работают.
-
4:45 - 4:49Именно тогда изобрели компьютеры,
-
4:49 - 4:52во многом основанные на идее
моделирования мозга, -
4:52 - 4:55или «искусственного интеллекта»,
как называл его Алан Тьюринг, -
4:55 - 4:57один из отцов информатики.
-
4:58 - 5:03Уоррен Мак-Каллок и Уолтер Питтс
посмотрели на рисунки Рамона-и-Кахаля. -
5:03 - 5:04Сейчас я показываю вам
-
5:04 - 5:05это изображение зрительной коры.
-
5:06 - 5:10Эта кора головного мозга обрабатывает
образы, поступающие от органов зрения. -
5:10 - 5:14По их мнению это выглядело,
как замкнутая схема. -
5:14 - 5:18В схеме Мак-Каллока и Питтса
многие детали -
5:18 - 5:20не совсем точны,
-
5:20 - 5:21но основная идея,
-
5:21 - 5:25что зрительная кора работает
как серия вычислительных элементов, -
5:25 - 5:28которые каскадом передают
друг другу информацию, -
5:28 - 5:29по сути верна.
-
5:29 - 5:32Давайте немного поговорим о том,
-
5:32 - 5:36что должна делать модель обработки
визуальной информации. -
5:36 - 5:39Основная задача распознавания —
-
5:39 - 5:43это взять картинку,
такую как эта, и сказать: -
5:43 - 5:44«Это птица».
-
5:44 - 5:47Для нашего мозга это простая задача,
-
5:47 - 5:51но вы должны понимать,
что для компьютера -
5:51 - 5:54всего несколько лет назад
подобное было почти невозможно. -
5:54 - 5:56Согласно классической парадигме расчётов,
-
5:56 - 5:58это не то задание,
которое можно выполнить легко. -
5:59 - 6:02Так что же происходит между пикселями,
-
6:02 - 6:06между изображением птицы и словом «птица»?
-
6:06 - 6:09По сути, группа нейронов
связана друг с другом -
6:09 - 6:10в нейронной сети,
-
6:10 - 6:11как я показываю здесь.
-
6:11 - 6:15Эта нейронная сеть в коре головного мозга
могла быть биологической, -
6:15 - 6:17а в наше время мы можем
-
6:17 - 6:19смоделировать такую нейронную сеть
на компьютере. -
6:20 - 6:22И я вам покажу, как это выглядит.
-
6:22 - 6:26Поэтому о пикселях можно думать
как о первом слое нейронов — -
6:26 - 6:28именно так происходит в глазу —
-
6:28 - 6:30это нейроны в сетчатке.
-
6:30 - 6:31А остальные нейроны
-
6:31 - 6:35связаны по цепи слой за слоем,
-
6:35 - 6:38их соединяют между собой
синапсы различных весов. -
6:38 - 6:39Поведение этой сети
-
6:39 - 6:42характеризуется силой этих синапсов.
-
6:42 - 6:46Они характеризуют вычислительные
свойства этой сети. -
6:46 - 6:47В конце концов
-
6:47 - 6:50один или несколько нейронов
-
6:50 - 6:51загораются, говоря: «птица».
-
6:52 - 6:55Теперь я собираюсь представить
эти три вещи — -
6:55 - 7:00входные пиксели и синапсы
в нейронной сети -
7:00 - 7:01и, как результат, птицу
-
7:01 - 7:04при помощи трёх переменных: Х, W и Y.
-
7:05 - 7:07Существует миллион или около того X —
-
7:07 - 7:09миллион пикселей в изображении.
-
7:09 - 7:11Миллиарды или триллионы W —
-
7:11 - 7:15представляющих весá всех этих синапсов
в нейронной сети. -
7:15 - 7:16И очень маленькое количество Y —
-
7:16 - 7:18значений на выходе сети.
-
7:18 - 7:20«Птица» же состоит всего из 5 букв.
-
7:21 - 7:25Давайте представим,
что это простая формула: -
7:25 - 7:27X «х» W = Y.
-
7:27 - 7:29Я ставлю умножение в кавычки,
-
7:29 - 7:31потому что на самом деле
там просисходит -
7:31 - 7:34очень сложная серия
математических расчётов. -
7:35 - 7:36Это одно уравнение
-
7:36 - 7:38с тремя переменными.
-
7:38 - 7:41И всем известно,
что если у нас есть уравнение, -
7:41 - 7:45то мы можем найти одну переменную,
зная две другие. -
7:45 - 7:49Таким образом, задача
-
7:49 - 7:51по распознаванию птицы
в изображении птицы -
7:51 - 7:53заключается в следующем:
-
7:53 - 7:56Y неизвестен,
а W и X известны. -
7:56 - 7:59Вы знаете нейронную сеть,
вы знаете пиксели. -
7:59 - 8:02И как видите, это относительно
простая задача. -
8:02 - 8:04Вы умножаете два на три, и всё готово.
-
8:05 - 8:07Я покажу вам искусственную нейронную сеть,
-
8:07 - 8:09которую мы построили недавно,
делая то же самое. -
8:10 - 8:12Она работает в реальном времени
на мобильном телефоне. -
8:13 - 8:16Удивительно уже само по себе то,
-
8:16 - 8:19что мобильные телефоны могут выполнять
миллиарды и триллионы операций -
8:19 - 8:21в секунду.
-
8:21 - 8:22Мы видим телефон,
-
8:22 - 8:26который смотрит на изображение птиц
одно за другим -
8:26 - 8:29и не только говорит: «Да, это птица»,
-
8:29 - 8:32но также через такую же сеть
определяет вид этой птицы. -
8:33 - 8:35На этой картинке
-
8:35 - 8:39X и W известны,
а Y неизвестен. -
8:39 - 8:41Я, конечно, пропускаю
самую сложную часть — -
8:41 - 8:45то, каким непостижимым образом
мы находим W — -
8:45 - 8:47мозг, который может это сделать.
-
8:47 - 8:49Сможем ли мы сделать такую модель?
-
8:49 - 8:53Этот процесс нахождения W,
-
8:53 - 8:55будь это простым уравнением,
-
8:55 - 8:57где мы думаем о неизвестных,
как о числах, -
8:57 - 9:00мы бы знали, как именно это сделать:
6 = 2 * W, -
9:00 - 9:03делим на 2, и готово.
-
9:04 - 9:06Но проблема именно в этом преобразовании,
-
9:07 - 9:08в делении.
-
9:08 - 9:11Мы использовали его здесь,
так как оно обратно умножению, -
9:11 - 9:13но, как я сказал,
-
9:13 - 9:15умножение здесь — это фикция.
-
9:15 - 9:18Это чрезвычайно сложная
нелинейная операция, -
9:18 - 9:20она не имеет обратного действия.
-
9:20 - 9:23Мы должны найти способ
решить это уравнение -
9:23 - 9:25без деления.
-
9:25 - 9:28И способ довольно простой.
-
9:28 - 9:30Давайте проделаем маленький
математический трюк -
9:30 - 9:33и перенесём 6 в правую часть уравнения.
-
9:33 - 9:35Сейчас мы используем умножение.
-
9:36 - 9:39И этот ноль,
давайте примем его за отклонение. -
9:39 - 9:42Другими словами,
если мы посчитаем W правильно, -
9:42 - 9:43то отклонение будет равно нулю.
-
9:43 - 9:45А если мы посчитали неверно,
-
9:45 - 9:47то отклонение будет больше нуля.
-
9:47 - 9:51Теперь мы можем подбирать числа,
чтобы минимизировать отклонение, -
9:51 - 9:53а это как раз то,
в чём компьютеры очень хороши. -
9:53 - 9:55Сначала мы предположили:
-
9:55 - 9:56что если W = 0?
-
9:56 - 9:57Тогда отклонение равно 6.
-
9:57 - 9:59Если W = 1, то отклонение — 4.
-
9:59 - 10:01И потом компьютер начинает играть
в «угадайку» -
10:01 - 10:04и приближает отклонение к нулю.
-
10:04 - 10:07Так он приближается к верному значению W.
-
10:07 - 10:11Обычно он не находит точного решения,
но сделав с десяток шагов, -
10:11 - 10:15мы приближаемся к W = 2,999,
что достаточно близко к истине. -
10:16 - 10:18Это и есть процесс обучения.
-
10:18 - 10:21Напомню, что именно мы делаем:
-
10:21 - 10:25мы берём много известных X и Y
-
10:25 - 10:29и посредством процесса повторения
находим W. -
10:29 - 10:32Мы сами учимся точно так же.
-
10:32 - 10:35В детстве мы встречаем множество образов,
-
10:35 - 10:37и нам говорят:
«Это птица, а это не птица». -
10:38 - 10:40Со временем через повторение
-
10:40 - 10:43мы находим W, то есть нейронные связи.
-
10:43 - 10:48Теперь у нас есть готовые X и W
для нахождения Y -
10:48 - 10:49и быстрого повседневного восприятия.
-
10:49 - 10:51Мы узнаём, как найти W, —
-
10:51 - 10:53это обучение, и оно сложно,
-
10:53 - 10:55так как надо минимизировать погрешности
-
10:55 - 10:57методом проб и ошибок.
-
10:57 - 11:00Около года назад Алекс Мордвинцев
из нашей команды -
11:00 - 11:04решил попробовать, что будет,
если попытаться найти X, -
11:04 - 11:06зная W и Y.
-
11:06 - 11:07Другими словами,
-
11:07 - 11:09вы знаете, что это птица,
-
11:09 - 11:12и вашей нейронной сети тоже это известно.
-
11:12 - 11:14Но как же выглядит птица?
-
11:15 - 11:20Оказывается, что используя ту же самую
процедуру минимизации погрешностей, -
11:20 - 11:24можно проделать это c нейронной сетью,
обученной распознавать птиц, -
11:24 - 11:27и в результате получается
-
11:30 - 11:32изображение птицы.
-
11:33 - 11:37Это изображение птиц
создано нейронной сетью, -
11:37 - 11:38обученной распознавать птиц,
-
11:38 - 11:42просто находя X, а не Y,
-
11:42 - 11:43через множество повторений.
-
11:44 - 11:46Вот другой интересный пример.
-
11:46 - 11:49Это работа, сделанная Майком Тайком
из нашей команды. -
11:49 - 11:51Он назвал её «Парад зверей».
-
11:51 - 11:54Она немного напоминает мне работы
Уильяма Кентриджа, -
11:54 - 11:57в которых он делает эскизы,
потом их стирает, -
11:57 - 11:58снова рисует и стирает,
-
11:58 - 12:00и так создаёт фильм.
-
12:00 - 12:01В данном случае
-
12:01 - 12:04Майк меняет Y различных видов животных
-
12:04 - 12:07в сети, созданной для распознавания
-
12:07 - 12:08разных видов животных.
-
12:08 - 12:12Получается парадоксальное, в стиле Эшера,
изображение животных. -
12:14 - 12:19Здесь он и Алекс попытались упростить Y
-
12:19 - 12:22до двухмерного пространства,
-
12:22 - 12:25тем самым создавая карту
из пространства всех объектов, -
12:25 - 12:27распознаваемых данной сетью.
-
12:27 - 12:29Выполняя такого рода синтез
-
12:29 - 12:31или создавая изображения
на всей поверхности, -
12:31 - 12:34изменяя в ней Y,
вы делаете подобие карты — -
12:34 - 12:37визуальную карту всех вещей,
которые может распознать сеть. -
12:37 - 12:40Здесь есть все животные.
Вот «броненосец». -
12:41 - 12:43То же можно проделать с другими
типами сетей. -
12:43 - 12:46Эта сеть создана, чтобы распознавать лица
-
12:46 - 12:48и отличать одно лицо от другого.
-
12:48 - 12:52Здесь мы добавляем Y,
который значит «я», -
12:52 - 12:53мои параметры лица.
-
12:53 - 12:55И когда эта сеть находит X,
-
12:55 - 12:58то создаёт это довольно сумасшедшее,
-
12:58 - 13:02кубическое, сюрреалистическое,
психоделическое изображение меня -
13:02 - 13:04с разных сторон одновременно.
-
13:04 - 13:07И причина, по которой изображение
так выглядит, -
13:07 - 13:10в том, что сеть стремится избавиться
от неопределённости, -
13:10 - 13:13возникающей из-за разных положений головы
-
13:13 - 13:16или разных углов освещения.
-
13:16 - 13:18При такого рода преобразованиях,
-
13:18 - 13:21если нет опорного изображения
-
13:21 - 13:22или опорных данных,
-
13:22 - 13:26то вы получите мешанину изображений,
сделанных с разных сторон, -
13:26 - 13:27из-за неопределённости.
-
13:28 - 13:32Вот что происходит, если Алекс использует
своё лицо как опорное изображение -
13:32 - 13:35во время оптимизации программы
по воссозданию моего лица. -
13:36 - 13:39Как видите, не всё идеально.
-
13:39 - 13:41Нам предстоит ещё много работы
-
13:41 - 13:43по оптимизации процесса оптимизации.
-
13:43 - 13:46Но полученное лицо становится чётче,
-
13:46 - 13:48при его создании опорным было моё лицо.
-
13:49 - 13:51Вам не нужно начинать с чистого листа
-
13:51 - 13:53или белого шума.
-
13:53 - 13:54Когда вы ищете X,
-
13:54 - 13:58вы можете начать с X, который сам по себе
является другим изображением. -
13:58 - 14:00Вот о чём эта маленькая демонстрация.
-
14:00 - 14:05Эта сеть которая разработана,
чтобы категоризировать -
14:05 - 14:08самые различные объекты —
искусственные сооружения, животных... -
14:08 - 14:10Здесь мы начинаем
с простого изображения облаков, -
14:10 - 14:12и по мере оптимизации
-
14:12 - 14:17эта сеть определяет,
что именно она видит в облаках. -
14:17 - 14:19И чем дольше вы смотрите,
-
14:19 - 14:22тем больше сможете увидеть в облаках.
-
14:23 - 14:26Можно использовать сеть распознавания лиц,
чтобы вызвать галюцинации -
14:26 - 14:28и получить довольно сумасшедшие вещи.
-
14:28 - 14:29(Смех)
-
14:30 - 14:33Майк провёл и другой эксперимент,
-
14:33 - 14:37в котором он берёт изображение óблака,
-
14:37 - 14:41галлюцинирует, приближает,
галлюцинирует, приближает. -
14:41 - 14:42И таким образом
-
14:42 - 14:45получается что-то типа состояния
диссоциативной фуги сети -
14:46 - 14:49или подобие свободных ассоциаций,
-
14:49 - 14:51в которых сеть ловит свой хвост.
-
14:51 - 14:55Каждое изображение становится основой
для ответа на вопрос: -
14:55 - 14:56«Что же я увижу дальше?
-
14:56 - 14:59Что же я увижу дальше?
Что же я увижу дальше?» -
14:59 - 15:02Первый раз я показал это группе
-
15:02 - 15:08в Сиэттле на лекции «Высшее образование».
-
15:08 - 15:10Это было как раз после
легализации марихуаны. -
15:10 - 15:13(Смех)
-
15:15 - 15:17Я хотел бы быстро подвести итог
-
15:17 - 15:21и отметить, что возможности
этой технологии безграничны. -
15:21 - 15:25Я показал вам лишь визуальные примеры,
потому что на них интересно смотреть. -
15:25 - 15:27Но это не только визуальная технология.
-
15:27 - 15:29Наш сотрудник, художник Росс Гудвин,
-
15:29 - 15:33провёл эксперимент с камерой,
на которую делал снимок, -
15:33 - 15:37а в рюкзаке у него был компьютер,
пишущий стихи посредством нейронных сетей, -
15:37 - 15:39которые брали за основу фотографию.
-
15:39 - 15:42И эта поэтическая нейронная сеть
была «натренирована» -
15:42 - 15:44на обширном корпусе поэзии XX века.
-
15:44 - 15:46И знаете, получившиеся стихи,
-
15:46 - 15:48по-моему, не не так уж и плохи.
-
15:48 - 15:49(Смех)
-
15:49 - 15:50В завершение скажу,
-
15:50 - 15:53что считаю,
-
15:53 - 15:54Микаленджело был прав:
-
15:54 - 15:57восприятие и творчество
очень тесно связаны между собой. -
15:58 - 16:00Мы только что увидели нейронные сети,
-
16:00 - 16:03полностью обученные различать
-
16:03 - 16:05и распознавать разные физические объекты,
-
16:05 - 16:08а также работать в обратном направлении,
воспроизводя их. -
16:08 - 16:10На эту мысль меня наводит не то,
-
16:10 - 16:12что Микеланджело действительно видел
-
16:12 - 16:15скульптуру в глыбе камня,
-
16:15 - 16:18а то, что любое существо,
даже инопланетное, -
16:18 - 16:22способное к такому восприятию,
-
16:22 - 16:23также способно творить,
-
16:23 - 16:27потому что действия в обоих случаях
одинаковые. -
16:27 - 16:31Кроме того, я думаю,
что восприятие и творчество присущи -
16:31 - 16:33не только человеку.
-
16:33 - 16:36У нас начинают появляться компьютеры,
которые могут делать то же самое. -
16:36 - 16:40И это неудивительно,
ведь мозг — своего рода компьютер. -
16:40 - 16:41И наконец,
-
16:41 - 16:46информатика зарождалась в попытках
создания искусственного интеллекта. -
16:46 - 16:48Её во многом сформировала концепция о том,
-
16:48 - 16:51как можно сделать машины умнее.
-
16:52 - 16:54И сейчас мы начинаем выполнять
-
16:54 - 16:56некоторые обещания тех первопроходцев,
-
16:56 - 16:58Тьюринга и фон Неймана,
-
16:58 - 17:00Мак-Каллока и Питтса.
-
17:00 - 17:04Я считаю, что компьютеры —
это не только расчёты, -
17:04 - 17:06пасьянс «Косынка» или что-то подобное.
-
17:06 - 17:09Мы изначально делали компьютеры
похожими на свой мозг. -
17:09 - 17:12И они дали нам возможность
лучше понять собственный мозг -
17:12 - 17:14и развивать его.
-
17:15 - 17:16Большое спасибо.
-
17:16 - 17:22(Аплодисменты)
- Title:
- Как компьютеры учатся творчеству
- Speaker:
- Блез Агюера и Аркас
- Description:
-
Мы находимся на пороге новых открытий в искусстве и творчестве — но не благодаря человеку. Блез Агюера и Аркас, главный научный сотрудник Google, работает с нейронными сетями, служащими для машинного восприятия и распределённого обучения. В этой интересной демонстрации, он показывает, как нейронные сети, обученные распознавать изображения, могут быть запущены в обратном направлении, чтобы создавать их. Результатами являются впечатляющие, галлюцинаторные изображения (и стихи!), которые бросают вызов любой классификации. «Восприятие и творчество очень тесно связаны», — говорит Блез Агюера и Аркас. «Любое существо или создание, способное воспринимать, также способно и создавать».
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 17:34
Retired user edited Russian subtitles for How we're teaching computers to be creative | ||
Retired user approved Russian subtitles for How we're teaching computers to be creative | ||
Retired user edited Russian subtitles for How we're teaching computers to be creative | ||
Retired user edited Russian subtitles for How we're teaching computers to be creative | ||
Natalia Ost accepted Russian subtitles for How we're teaching computers to be creative | ||
Natalia Ost edited Russian subtitles for How we're teaching computers to be creative | ||
Natalia Ost edited Russian subtitles for How we're teaching computers to be creative | ||
Natalia Ost edited Russian subtitles for How we're teaching computers to be creative |