คอมพิวเตอร์เรียนรู้การมีความคิดสร้างสรรค์ได้อย่างไร
-
0:01 - 0:04ผมเป็นหัวหน้าทีมที่กูเกิล
ซึ่งทำงานเกี่ยวกับปัญญาประดิษฐ์ -
0:04 - 0:09ซึ่งก็คือ สาขาหนึ่งทางวิศวกรรม
ที่สร้างคอมพิวเตอร์ และอุปกรณ์ต่าง ๆ -
0:09 - 0:11ให้สามารถทำสิ่งที่สมองทำได้
-
0:11 - 0:15และมันจึงทำให้พวกเรา
รู้สึกสนใจสมองจริง ๆ -
0:15 - 0:16แล้วก็ประสาทวิทยาศาสตร์ด้วย
-
0:16 - 0:20และโดยเฉพาะอย่างยิ่ง
เราสนใจสิ่งที่สมองของพวกเราทำ -
0:20 - 0:24ที่ยังคงมีสมรรถนะเหนือกว่า
คอมพิวเตอร์อย่างเทียบไม่ได้ -
0:25 - 0:29ในอดีต หนึ่งในนั้นคือการรับรู้
-
0:29 - 0:32กระบวนการที่ซึ่ง
สิ่งต่าง ๆ ในโลกแห่งความเป็นจริง -
0:32 - 0:33อย่างเช่น เสียงและภาพ
-
0:34 - 0:36สามารถแปรเปลี่ยน
เป็นแนวคิดต่าง ๆ ในจิตใจ -
0:36 - 0:39นี่คือสิ่งสำคัญสำหรับสมองของพวกเรา
-
0:39 - 0:41และมันยังค่อนข้างมีประโยชน์
ต่อคอมพิวเตอร์อีกด้วย -
0:42 - 0:45อัลกอริธึมการรับรู้ของจักรกล
อย่างเช่นที่ทีมของเราสร้างนั้น -
0:45 - 0:49เป็นอะไรที่ทำให้ภาพของคุณ
สามารถถูกค้นหาได้บน Google Photos -
0:49 - 0:50ขึ้นอยู่กับว่าในภาพนั้นมีอะไรอยู่
-
0:52 - 0:55อีกแง่มุมหนึ่งของการรับรู้
ก็คือความคิดสร้างสรรค์ -
0:55 - 0:58ซึ่งเป็นการเปลี่ยนแนวคิด
ให้เป็นบางสิ่งที่เกิดขึ้นจริง -
0:58 - 1:02ช่วงปีที่ผ่านมา งานของพวกเรา
เกี่ยวกับการรับรู้ของเครื่องจักร -
1:02 - 1:07จึงมีความเชื่อมโยงอย่างไม่คาดคิด
กับโลกของความสร้างสรรค์ของเครื่องจักร -
1:07 - 1:08และศิลปะของเครื่องจักรอีกด้วย
-
1:09 - 1:12ผมคิดว่าไมเคิลเเองเจลโล
มีวิสัยทัศน์ที่เฉียบแหลม -
1:12 - 1:16ในเรื่องความสัมพันธ์ระหว่าง
การรับรู้และความคิดสร้างสรรค์ -
1:16 - 1:18นี่คือถ้อยคำที่โด่งดังของเขา
-
1:18 - 1:21"ในหินทุกก้อนมีรูปปั้นอยู่ภายใน
-
1:22 - 1:25และหน้าที่ของปฏิมากร
ก็คือการค้นหามันให้เจอ" -
1:26 - 1:29ดังนั้น ผมคิดว่า
สิ่งที่ไมเคิลเเองเจลโลหมายถึงก็คือ -
1:29 - 1:32เราสร้างสรรค์จากการรับรู้
-
1:32 - 1:35และการรับรู้นั้นเอง
ก็เป็นผลลัพธ์จากการจินตนาการ -
1:36 - 1:38และความคิดสร้างสรรค์
-
1:39 - 1:43อวัยวะที่ทำทั้ง การคิด และ การรับรู้
และการจินตนาการ -
1:43 - 1:44แน่นอน มันคือสมอง
-
1:45 - 1:48และผมอยากที่จะเริ่มต้น
ด้วยการพูดถึงประวัติศาสตร์คร่าว ๆ -
1:48 - 1:50เกี่ยวกับสิ่งที่พวกเรารู้เกี่ยวกับสมอง
-
1:50 - 1:53เนื่องมันต่างจากหัวใจหรือลำไส้
-
1:53 - 1:56เราไม่สามารถบอกอะไรได้มากนัก
เกี่ยวกับสมองโดยแค่มองดูจากภายนอก -
1:56 - 1:58อย่างน้อยก็การมองด้วยตาเปล่า
-
1:58 - 2:00นักกายวิภาคศาสตร์รุ่นบุกเบิกผู้ศึกษาสมอง
-
2:00 - 2:04ได้ตั้งชื่อประหลาด ๆ ให้กับ
เหล่าโครงสร้างภายนอก -
2:04 - 2:07เช่น ฮิปโปแคมปัส แปลว่า กุ้งจิ๋ว
-
2:07 - 2:09แต่แน่นอนว่าสิ่งเหล่านั้น
ไม่ได้บอกอะไรเรามากนัก -
2:09 - 2:12เกี่ยวกับสิ่งที่เกิดขึ้นจริง ๆ ภายในสมอง
-
2:13 - 2:16ผมคิดว่าบุคคลแรกที่ได้พัฒนา
ความเข้าใจอย่างลึกซึ้ง -
2:16 - 2:18ในสิ่งที่เกิดขึ้นจริง ๆ ในสมอง
-
2:18 - 2:22ก็คือ ซานเตียโก รามอน อี กาฮาล
นักประสาทกายวิภาคศาสตร์ชาวสเปน -
2:22 - 2:24ในศตวรรษที่ 19
-
2:24 - 2:28เขาได้ใช้กล้องจุลทรรศน์และสีย้อมพิเศษ
-
2:28 - 2:32ที่สามารถเลือกเติมเต็ม
หรือแสดงผลแต่ละเซลล์ภายในสมอง -
2:32 - 2:34ที่ความคมชัดสูงได้
-
2:34 - 2:37เพื่อที่จะให้เข้าใจถึงสัณฐานวิทยาของมัน
-
2:38 - 2:41และนี่คือลักษณะภาพวาดของเขา
ที่สร้างขึ้นจากเซลล์ประสาท -
2:41 - 2:42ในศตวรรษที่ 19
-
2:42 - 2:44ภาพนี้สร้างขึ้นจากสมองนก
-
2:44 - 2:47และคุณถึงเห็นความหลากหลาย
ที่น่าเหลือเชื่อ ของเซลล์ประเภทต่าง ๆ -
2:47 - 2:51แม้แต่ทฤษฏีเซลล์เอง
ก็ยังค่อนข้างใหม่ ณ จุดนี้ -
2:51 - 2:52และโครงสร้างเหล่านี้
-
2:52 - 2:54เซลล์เหล่านี้ที่มีการแตกแขนง
-
2:54 - 2:57เหล่ากิ่งก้านที่สามารถแผ่ไป
ได้ระยะไกลมาก ๆ -
2:57 - 2:58สิ่งนี้เป็นเรื่องใหม่มากในเวลานั้น
-
2:59 - 3:02แน่นอนล่ะ มันทำให้นึกถึงสายไฟ
-
3:02 - 3:05นั่นอาจจะเป็นเรื่องที่เห็นได้ชัด
สำหรับบางคนในศตวรรษที่ 19 -
3:05 - 3:10การปฏิวัติสายไฟและไฟฟ้าเพิ่งเริ่มเกิดขึ้น
-
3:10 - 3:11แต่ในอีกหลายแง่
-
3:11 - 3:14ภาพวาดจุลกายวิภาคศาสตร์เหล่านี้
ของ รามอน อี กาฮาล อย่างภาพนี้ -
3:15 - 3:17ในบางแง่มุม พวกเขาก็ยังคง
ไม่สามารถเข้าใจได้ทุกอย่าง -
3:17 - 3:19มากกว่าศตวรรษที่ผ่านมา พวกเราก็ยังคง
-
3:19 - 3:22พยายามทำงานที่ รามอน อี กาฮาล
ได้เริ่มเอาไว้ให้สำเร็จ -
3:22 - 3:25นี่เป็นข้อมูลดิบ
ที่ได้จากผู้ร่วมงานของเรา -
3:25 - 3:28ที่สถาบัน มักซ์ พลังค์
ด้านประสาทวิทยาศาสตร์ -
3:28 - 3:29และสิ่งที่ผู้ร่วมงานได้ทำ
-
3:29 - 3:34คือถ่ายภาพเนื้อเยื่อสมองชิ้นเล็ก ๆ
-
3:34 - 3:38ภาพตัวอย่างทั้งหมดที่แสดงนี้
มีขนาดหนึ่งลูกบาศก์มิลลิเมตร -
3:38 - 3:40และสิ่งที่ผมกำลังแสดงให้คุณดูนี้
คือชิ้นส่วนที่มีขนาดเล็กมาก ๆ -
3:40 - 3:43แถบทางฝั่งซ้าย
มีขนาดประมาณหนึ่งไมครอน -
3:43 - 3:45โครงสร้างที่คุณเห็นคือไมโตคอนเดรีย
-
3:45 - 3:47ที่มีขนาดเท่ากับแบคทีเรีย
-
3:47 - 3:49และนี่คือภาพสไลด์ที่ต่อเนื่องกัน
-
3:49 - 3:52ของก้อนเซลล์ที่เล็กจิ๋วนี้
-
3:52 - 3:55แค่จะลองเทียบให้เห็นภาพนะครับ
-
3:55 - 3:58เส้นผ่านศูนย์กลางเฉลี่ยของเส้นผม
มีขนาด 100 ไมครอน -
3:58 - 4:01ดังนั้น เรากำลังมองดู
-
4:01 - 4:02สิ่งที่เล็กกว่าเส้นผมมาก ๆ
-
4:02 - 4:06และจากสไลด์ตามลำดับ
กล้องจุลทรรศน์อิเล็กตรอนเหล่านี้ -
4:06 - 4:11ทำให้สามารถเริ่มสร้างเซลล์ประสาท 3 มิติ
ที่มีหน้าตาแบบนี้ -
4:11 - 4:14ดังนั้น นี่ค่อนข้างจะมีรูปแบบ
ที่เหมือนกับของ รามอน อิ กาฮาล -
4:14 - 4:16มีแค่บางเซลล์ประสาทที่ถูกทำให้สว่างขึ้น
-
4:16 - 4:19เพราะไม่เช่นนั้นแล้ว
เราอาจจะมองภาพอะไรไม่ออกเลย -
4:19 - 4:20มันคงดูหนาแน่นไปหมด
-
4:20 - 4:21เต็มไปด้วยโครงสร้าง
-
4:21 - 4:24ของเส้นสายการเชื่อมต่อกัน
ของเซลล์ประสาทหนึ่งไปยังอีกเซลล์ -
4:25 - 4:28รามอน อิ กาฮาล นั้นค่อนข้างจะ
ล้ำยุคสมัยของเขา -
4:28 - 4:31และความก้าวหน้าในการทำความเข้าใจสมอง
-
4:31 - 4:33ดำเนินไปอย่างช้า ๆ
ในช่วงหลายทศวรรษถัดมา -
4:33 - 4:36แต่เรารู้ว่าเซลล์ประสาทใช้กระแสไฟฟ้า
-
4:36 - 4:39และเมื่อถึงช่วงสงครามโลกครั้งที่ 2
เทคโนโลยีของเราก็ก้าวหน้าเพียงพอ -
4:39 - 4:42ที่จะเริ่มทำการทดลองกระแสไฟ
กับเซลล์ประสาทที่ยังมีชีวิตอยู่ -
4:42 - 4:44เพื่อทำความเข้าใจให้มากขึ้น
เกี่ยวกับการทำงานของเซลล์เหล่านั้น -
4:45 - 4:49นี่เป็นช่วงเวลาเดียว
ที่คอมพิวเตอร์ได้ถูกประดิษฐ์ขึ้น -
4:49 - 4:52บนพื้นฐานของความคิด
ที่สร้างแบบจำลองของสมอง -- -
4:52 - 4:55ของ "จักกลปัญญา"
อย่างที่ถูกเรียกโดย อลัน ทัวริง -
4:55 - 4:57หนึ่งในบิดาแห่งวิทยาการคอมพิวเตอร์
-
4:58 - 5:03วอร์เรน แมคคัลลอช์ และ วอลเธอร์ พิทซ์
ได้มองดูภาพร่างของ รามอน อิ กาฮาล -
5:03 - 5:04ของเปลือกสมองส่วนการมองเห็น
-
5:04 - 5:05ซึ่งผมได้แสดงให้ชมอยู่นี้
-
5:06 - 5:10นี่คือเปลือกสมองที่ประมวลผลภาพ
ที่ถูกส่งมาจากดวงตา -
5:10 - 5:14และสำหรับพวกเขาแล้ว
มันช่างดูเหมือนกับแผนภาพวงจร -
5:14 - 5:18มันมีรายละเอียดมากมายในแผนภาพวงจร
ของ แมคคัลลอช์ และ พิทซ์ -
5:18 - 5:20ที่ยังดูไม่ค่อยถูกต้อง
-
5:20 - 5:21แต่พื้นฐานความคิดนี้
-
5:21 - 5:25ที่ว่าเปลือกสมองส่วนการมองเห็น
ทำงานเหมือนชุดองค์ประกอบเชิงคำนวณ -
5:25 - 5:28ที่ส่งผ่านข้อมูลจากจุดหนึ่ง
ไปยังลำดับถัดไปนั้น -
5:28 - 5:29โดยพื้นฐานแล้วถูกต้อง
-
5:29 - 5:32เรามาคุยกันก่อนสักพัก
-
5:32 - 5:36เกี่ยวกับว่าโมเดลการประมวลข้อมูล
การมองเห็นอะไรที่เราจำเป็นต้องสร้าง -
5:36 - 5:39งานพื้นฐานของการรับรู้
-
5:39 - 5:43คือการรับภาพอย่างภาพนี้ และบอกว่า
-
5:43 - 5:44"นั่นคือนก"
-
5:44 - 5:47ซึ่งเป็นเรื่องที่ง่ายมาก
สำหรับพวกเราที่ทำได้ด้วยสมอง -
5:47 - 5:51แต่คุณควรเข้าใจว่าสำหรับคอมพิวเตอร์
-
5:51 - 5:54นี่เคยเป็นสิ่งที่แทบจะเป็นไปไม่ได้เลย
ในไม่กี่ปีที่ผ่านมา -
5:54 - 5:56รูปแบบการคำนวณคลาสสิค
-
5:56 - 5:58ไม่ใช่สิ่งที่จะทำงานแบบนี้ได้โดยง่าย
-
5:59 - 6:02ดังนั้นสิ่งที่เกิดขึ้นระหว่างพิกเซล
-
6:02 - 6:06ระหว่างภาพของนก กับคำว่า "นก" นั้น
-
6:06 - 6:09โดยพื้นฐานแล้วก็คือ
ชุดเซลล์ประสาทที่เชื่อมต่อระหว่างกัน -
6:09 - 6:10ในโครงข่ายประสาท
-
6:10 - 6:11อย่างที่ผมแสดงให้เห็นนี้
-
6:11 - 6:15โครงข่ายประสาทนี้อาจเป็นลักษณะทางชีวภาพ
ภายในเปลือกสมองส่วนการเห็นของเรา -
6:15 - 6:17หรือ ปัจจุบัน เราเริ่มที่จะมีความสามารถ
-
6:17 - 6:19ในการออกแบบโครงข่ายประสาท
บนคอมพิวเตอร์ -
6:20 - 6:22และผมจะแสดงให้คุณเห็น
ว่าจริง ๆ แล้วมันมีหน้าตาอย่างไร -
6:22 - 6:26คุณสามารถพิจารณาพิกเซลว่าเป็นเหมือน
ชั้นแรกของเซลล์ประสาท -
6:26 - 6:28และนั่น จริง ๆ แล้ว
คือการทำงานภายในดวงตา -- -
6:28 - 6:30นั่นคือ เซลล์ประสาทในจอตา
-
6:30 - 6:31และสิ่งที่ส่งต่อ
-
6:31 - 6:35ไปยังชั้นถัด ๆ ไป
ของแต่ละชั้นของเซลล์ประสาท -
6:35 - 6:38ทั้งหมดถูกเชื่อมโยงกันด้วยไซแนป
ที่ค่าถ่วงน้ำหนักต่าง ๆ กัน -
6:38 - 6:39พฤติกรรมของโครงข่ายนี้
-
6:39 - 6:42มีลักษณะจากความสามารถ
ของไซแนปเหล่านั้น -
6:42 - 6:46ลักษณะเหล่านั้นให้คุณสมบัติเชิงคำนวณ
ของโครงข่ายนี้ -
6:46 - 6:47ท้ายที่สุดแล้ว
-
6:47 - 6:50คุณจะได้เซลล์ประสาท
หรือกลุ่มเซลล์ประสาทเล็ก ๆ -
6:50 - 6:51ที่สว่างขึ้น เพื่อบอกว่า "นก"
-
6:52 - 6:55ผมจะแทนค่า 3 สิ่งเหล่านั้น --
-
6:55 - 7:00ค่าอินพุตพิกเซล
และไซแนปในโครงข่ายประสาท -
7:00 - 7:01และนก ซึ่งคือค่าเอาต์พุต --
-
7:01 - 7:04ด้วยสามตัวแปร: x, w และ y
-
7:05 - 7:07อาจมีค่า x กว่าล้านค่า
-
7:07 - 7:09หลายล้านพิกเซลในภาพนั้น
-
7:09 - 7:11หลายพันล้าน หรือล้านล้าน ค่า w
-
7:11 - 7:15ที่เป็นตัวแทนของค่าถ่วงน้ำหนัก
ของไซแนปทั้งหมดในเซลล์ประสาท -
7:15 - 7:16และยังมีค่าจำนวนไม่มากของ y
-
7:16 - 7:18ที่เป็นเอาต์พุตของโครงข่ายนั้น
-
7:18 - 7:20"นก" มีแค่สี่ตัวอักษร [ในภาษาอังกฤษ]
ใช่ไหมครับ -
7:21 - 7:25ดังนั้น ลองสมมติว่านี่เป็นแค่สูตรพื้นฐาน
-
7:25 - 7:27x "x" w = y
-
7:27 - 7:29ผมจะใส่ตัวคูณเข้าไปในเครื่องหมายคำพูด
-
7:29 - 7:31เพราะว่าสิ่งที่เกิดขึ้นจริง ๆ แน่นอนว่า
-
7:31 - 7:34มันเป็นชุดที่ซับซ้อน
ของการปฏิบัติการทางคณิตศาสตร์ -
7:35 - 7:36หนึ่งสมการนั้น
-
7:36 - 7:38มีสามตัวแปร
-
7:38 - 7:41และพวกเรารู้กันอยู่แล้วว่า ถ้ามีหนึ่งสมการ
-
7:41 - 7:45คุณสามารถหาค่าตัวแปรหนึ่งได้
หากรู้อีกสองตัว -
7:45 - 7:49ดังนั้น ปัญหาของการอนุมาน
-
7:49 - 7:51ของการหาคำตอบว่าภาพนกนั้นคือนก
-
7:51 - 7:53คือสิ่งนี้
-
7:53 - 7:56มีจุดที่ไม่รู้ค่า y แต่รู้ค่า w และ x
-
7:56 - 7:59คุณรู้โครงข่ายประสาท
คุณรู้พิกเซล -
7:59 - 8:02อย่างที่คุณเห็น อันที่จริงแล้ว
นั่นค่อนข้างเป็นปัญหาที่ตรงไปตรงมา -
8:02 - 8:04คุณเอาสองคูณสามก็จบ
-
8:05 - 8:07ผมจะแสดงโครงข่ายประสาทประดิษฐ์
-
8:07 - 8:09ที่พวกเราสร้างขึ้นให้คุณดู
มันทำงานอย่างที่บอกไป -
8:10 - 8:12สิ่งนี้ทำงานแบบเรียลไทม์บนมือถือ
-
8:13 - 8:16และนั่นก็เป็นสิ่งมหัศจรรย์ในตัวมันเอง
-
8:16 - 8:19ที่มือถือสามารถทำงานได้
หลายพันล้านล้านล้านปฏิบัติการ -
8:19 - 8:21ในหนึ่งวินาที
-
8:21 - 8:22สิ่งที่คุณกำลังมองดูอยู่คือโทรศัพท์
-
8:22 - 8:26ที่กำลังดูรูปนกตัวแล้วตัวเล่า
-
8:26 - 8:29และไม่ใช่แค่กำลังบอกว่า
"ใช่แล้ว นี่คือนก" -
8:29 - 8:32แต่มันยังแยกแยะสายพันธุ์ของนก
ด้วยโครงข่ายลักษณะนี้ -
8:33 - 8:35ดังนั้น ที่เห็นในรูปนั้น
-
8:35 - 8:39เรารู้ค่า x และ w แต่ไม่รู้ค่า y
-
8:39 - 8:41แน่นอนว่า ผมกำลังพูดผ่านส่วนที่ยากไป
-
8:41 - 8:45ซึ่งก็คือ เรารู้ค่า w ได้อย่างไร
-
8:45 - 8:47สมองสามารถทำแบบนั้นได้อย่างไร
-
8:47 - 8:49เราถึงเรียนรู้โมเดลนั้นได้อย่างไร
-
8:49 - 8:53นี่คือกระบวนการเรียนรู้ ในการหาค่า w
-
8:53 - 8:55ถ้าเราเริ่มด้วยสมการพื้นฐาน
-
8:55 - 8:57ที่เราพิจารณาสิ่งเหล่านี้ในรูปของตัวเลข
-
8:57 - 9:00เรารู้อย่างแน่นอนว่าจะทำอย่างไร
: 6 = 2 x w -
9:00 - 9:03เอาละ เราหารด้วยสองก็จบ
-
9:04 - 9:06ปัญหาคือการปฏิบัติการนี้
-
9:07 - 9:08ดังนั้น การหาร --
-
9:08 - 9:11เราได้ใช้การหารเพราะว่า
มันเป็นตัวผกผันกับการคูณ -
9:11 - 9:13แต่อย่างที่ผมเพิ่งจะพูดไป
-
9:13 - 9:15การคูณค่อนข้างเป็นการหลอกลวง
-
9:15 - 9:18สิ่งนี้ซับซ้อนมาก ๆ
เป็นปฏิบัติการที่ไม่ใช่เชิงเส้น -
9:18 - 9:20มันไม่มีตัวผกผัน
-
9:20 - 9:23ดังนั้นเราต้องหาทางคิดวิธีแก้สมการนี้
-
9:23 - 9:25โดยไม่ใช้การหาร
-
9:25 - 9:28และวิธีที่การนั้น
ก็ค่อนข้างที่จะตรงไปตรงมา -
9:28 - 9:30ลองมาเล่นกับพีชคณิตกันสักเล็กน้อย
-
9:30 - 9:33และย้ายเลขหกไปด้านซ้ายของสมการ
-
9:33 - 9:35ตอนนี้เรายังคงใช้การคูณ
-
9:36 - 9:39และเลขศูนย์นั้น --
ลองคิดว่ามันเป็นเหมือนค่าผิดพลาด -
9:39 - 9:42อีกนัยหนึ่ง
ถ้าเราแก้หาค่า w อย่างถูกต้อง -
9:42 - 9:43ค่าผิดพลาดก็จะเป็นศูนย์
-
9:43 - 9:45และถ้าเราไม่ได้ทำอย่างถูกต้อง
-
9:45 - 9:47ค่าผิดพลาดก็จะมากกว่าศูนย์
-
9:47 - 9:51ดังนั้นในตอนนี้เราสามารถคาดเดา
เพื่อลดค่าผิดพลาดลงให้น้อยที่สุด -
9:51 - 9:53และนั่นก็เป็นสิ่งที่คอมพิวเตอร์ถนัด
-
9:53 - 9:55ดังนั้น คุณลองทายค่าเริ่มต้นดู
-
9:55 - 9:56สมมติว่า w = 0?
-
9:56 - 9:57ค่าผิดพลาดก็จะเป็น 6
-
9:57 - 9:59แล้วถ้า w = 1 ล่ะ
ค่าผิดพลาดก็จะเป็น 4 -
9:59 - 10:01และถัดไปคอมพิวเตอร์
ก็จะทำการเล่นมาร์โค โปโล -
10:01 - 10:04และลดค่าผิดพลาดให้เข้าใกล้ศูนย์
-
10:04 - 10:07ขณะที่มันทำอย่างนั้น
มันก็จะเข้าใกล้ค่าประมาณของ w -
10:07 - 10:11โดยพื้นฐาน มันหาค่านั้นไม่ได้หรอก
แต่หลังจากหลายสิบขั้นตอน -
10:11 - 10:15เราก็จะได้ค่า w=2.999
ซึ่งใกล้เคียงมากพอ -
10:16 - 10:18และนี่คือกระบวนการเรียนรู้
-
10:18 - 10:21ดังนั้น จำไว้นะครับ
ว่าสิ่งที่กำลังเกิดขึ้นอยู่นี้ -
10:21 - 10:25เป็นการที่เรากำลังใช้
ตัวแปร x และ y ที่รู้แล้วจำนวนมาก -
10:25 - 10:29และแก้หาค่า w ผ่านกระบวนการที่ทำซ้ำ ๆ
-
10:29 - 10:32มันเป็นแนวทางเดียวกัน
กับวิธีการที่เราทำการเรียนรู้ -
10:32 - 10:35เรามีภาพเด็กทารกหลาย ๆ ภาพ
-
10:35 - 10:37เราถูกสอนว่า"นี่คือนก นี่ไม่ใช่นก"
-
10:38 - 10:40เมื่อเวลาผ่านไป ด้วยการทำซ้ำ ๆ
-
10:40 - 10:43เราแก้หาค่า w
เราแก้หาความสัมพันธ์ตามธรรมชาติของสิ่งนั้น -
10:43 - 10:48ดังนั้นตอนนี้ เรากำหนดค่า
x และ w เอาไว้ เพื่อค้นหาค่า y -
10:48 - 10:49นั่นคือการเรียนรู้อย่างรวดเร็ว
ในชีวิตประจำวัน -
10:49 - 10:51เรารู้ว่าจะหาค่า w ได้อย่างไร
-
10:51 - 10:53นั่นคือการเรียนรู้ ซึ่งยากกว่ามาก
-
10:53 - 10:55เพราะเราต้องการลดค่าผิดพลาดให้น้อยที่สุด
-
10:55 - 10:57โดยการใช้ตัวอย่างในการฝึกเป็นจำนวนมาก
-
10:57 - 11:00และประมาณปีที่แล้ว
อเล็กซ์ มอร์ดวินเสฟ สมาชิกในทีมของเรา -
11:00 - 11:04ตัดสินใจทดลองว่าจะเกิดอะไรขึ้น
ถ้าเราพยายามแก้หาค่า x -
11:04 - 11:06โดยให้ค่า w และ y ที่รู้แล้วมา
-
11:06 - 11:07อีกแง่หนึ่งคือ
-
11:07 - 11:09คุณรู้ว่ามันเป็นนก
-
11:09 - 11:12และคุณมีโครงข่ายประสาท
ที่คุณได้ฝึกฝนเกี่ยวกับเรื่องนกมาแล้ว -
11:12 - 11:14แต่อะไรคือรูปของนก
-
11:15 - 11:20มันกลายเป็นว่า
ด้วยกระบวนการลดค่าผิดพลาดเดียวกัน -
11:20 - 11:24เราจะสามารถใช้โครงข่าย
ที่ถูกฝึกฝนเพื่อจำแนกภาพนก -
11:24 - 11:27และผลลัพธ์ก็ออกมาเป็น...
-
11:30 - 11:32ภาพของนก
-
11:33 - 11:37นี่คือภาพนกที่ถูกสร้างขึ้น
โดยโครงข่ายประสาททั้งหมด -
11:37 - 11:38ที่ถูกฝึกฝนเพื่อจำแนกภาพนก
-
11:38 - 11:42แค่เพียงแก้หาค่า x แทนที่จะทำการหา y
-
11:42 - 11:43และทำแบบนั้นซ้ำไปเรื่อย ๆ
-
11:44 - 11:46นี่เป็นอีกตัวอย่างสนุก ๆ
-
11:46 - 11:49นี่เป็นงานที่ถูกสร้าง
โดยไมค์ ไทกา สมาชิกในกลุ่มของเรา -
11:49 - 11:51งานนี้ถูกเรียกว่า "ขบวนแห่สรรพสัตว์"
-
11:51 - 11:54มันทำให้ผมนึกถึงงานศิลปะ
ของ วิลเลียม เคนทริดจ์ -
11:54 - 11:57ที่เขาร่างภาพ แล้วลบออก
-
11:57 - 11:58ร่างภาพขึ้นมา แล้วลบออก
-
11:58 - 12:00และสร้างสรรค์ภาพยนตร์ด้วยวิธีนี้
-
12:00 - 12:01ในกรณีนี้
-
12:01 - 12:04สิ่งที่ไมค์ทำก็คือเปลี่ยนค่า y เรื่อย ๆ
บนพื้นที่ของสัตว์หลายชนิด -
12:04 - 12:07ในโครงข่ายที่ถูกออกแบบ
ให้จดจำ และ แยกแยะ -
12:07 - 12:08สัตว์ที่แตกต่างกันออกจากกัน
-
12:08 - 12:12และคุณจะได้รูปร่างประหลาด
คล้ายภาพลวงตาของสัตว์ที่เปลี่ยนร่างได้ -
12:14 - 12:19เขาและอเล็กซ์ได้พยายามลด
-
12:19 - 12:22ค่า y ให้อยู่บนพื้นที่ของสองมิติ
-
12:22 - 12:25ด้วยวิธีการสร้างแผนที่ขึ้นมา
จากพื้นที่ของทุก ๆ สิ่ง -
12:25 - 12:27ที่ถูกจดจำด้วยโครงข่ายนี้
-
12:27 - 12:29การทำการวิเคราะห์ประเภทนี้
-
12:29 - 12:31หรือการสร้างภาพบนทั้งพื้นผิวนั้น
-
12:31 - 12:34เปลี่ยนแปลงค่า y เหนือพื้นผิว
คุณได้สร้างแผนที่ -- -
12:34 - 12:37แผนที่ภาพของทุก ๆ สิ่ง ที่โครงข่ายประสาท
รู้ว่าจะแยกแยะอย่างไร -
12:37 - 12:40สัตว์ทั้งหมดอยู่ที่นี่
"ตัวนิ่ม" อยู่ตรงจุดนั้น -
12:41 - 12:43คุณสามารถทำอย่างนี้
กับโครงข่ายประเภทอื่นได้ด้วย -
12:43 - 12:46นี่คือโครงข่ายที่ถูกออกแบบ
ให้จดจำใบหน้า -
12:46 - 12:48เพื่อแยกแยะใบหน้าต่าง ๆ ออกจากกัน
-
12:48 - 12:52และในที่นี้ เราได้ใส่ค่า y ที่บอกว่า "ฉัน"
-
12:52 - 12:53พารามิเตอร์หน้าของผม
-
12:53 - 12:55และเมื่อสิ่งนี้ค้นหาค่า x
-
12:55 - 12:58มันสร้างสิ่งที่ค่อนข้างประหลาด
-
12:58 - 13:02เหมือนกับภาพหลอน ๆ ของผม
แนวศิลปะภาพแบบเหลี่ยม เหนือจริง -
13:02 - 13:04จากหลายมุมมองในครั้งเดียว
-
13:04 - 13:07เหตุผลที่มันดูเหมือนการมองหลายมุม
ในครั้งเดียวนั้น -
13:07 - 13:10เพราะว่าโครงข่ายนี้ถูกออกแบบ
เพื่อกำจัดความคลุมเครือ -
13:10 - 13:13ของหน้าที่อยู่ในท่าการจัดวางที่แตกต่างกัน
-
13:13 - 13:16ถูกมองด้วยการจัดแสงที่แตกต่างกัน
-
13:16 - 13:18ดังนั้นเมื่อคุณทำการประกอบภาพใหม่
-
13:18 - 13:21ถ้าคุณไม่ได้ใช้ภาพชี้แนะ
-
13:21 - 13:22หรือการชี้แนะด้วยสถิติ
-
13:22 - 13:26คุณก็จะได้ภาพที่ดูสับสนจากหลายมุมมอง
-
13:26 - 13:27เนื่องจากมันมีความคลุมเครือ
-
13:28 - 13:32นี่คือสิ่งที่เกิดขึ้น
ถ้าอเล็กซ์ใช้ใบหน้าเขาเองเป็นภาพตัวชี้แนะ -
13:32 - 13:35ระหว่างกระบวนการหาผลลัพธ์ที่ดีที่สุด
เพื่อประกอบภาพใบหน้าของผมขึ้นใหม่ -
13:36 - 13:39คุณจะเห็นว่าว่ามันไม่สมบูรณ์แบบ
-
13:39 - 13:41ยังคงมีงานอีกมากที่ต้องทำ
-
13:41 - 13:43ในการทำอย่างไร
เพื่อให้ได้ผลลัพธ์ที่ดีที่สุด -
13:43 - 13:46แต่คุณเริ่มได้รับบางอย่าง
ที่เหมือนใบหน้าที่สอดคล้องกันมากขึ้น -
13:46 - 13:48ที่ถูกแสดงผลโดยใช้ใบหน้าของผม
ในการชี้แนะ -
13:49 - 13:51คุณไม่จำเป็นต้องเริ่มต้นจากผ้าใบว่างเปล่า
-
13:51 - 13:53หรือด้วยสัญญาณรบกวนสีขาว ๆ
-
13:53 - 13:54เมื่อคุณแก้เพื่อหาค่า x
-
13:54 - 13:58คุณสามารถเริ่มต้นด้วย x
ซึ่งตัวมันเองก็เป็นภาพอื่นอยู่แล้ว -
13:58 - 14:00นั่นคือสิ่งที่การสาธิตเล็ก ๆ นี้บอกคุณ
-
14:00 - 14:05นี่คือโครงข่ายที่ถูกออกแบบจัดจำแนก
-
14:05 - 14:08วัตถุจำพวกต่าง ๆ --
โครงสร้างที่มนุษย์ทำขึ้น, สัตว์... -
14:08 - 14:10เรามาเริ่มต้นด้วย
ภาพของกลุ่มก้อนเมฆ -
14:10 - 14:12และเมื่อเราหาผลลัพธ์ที่ดีที่สุด
-
14:12 - 14:17โดยพื้นฐาน โครงข่ายนี้กำลังหาว่า
มันเห็นอะไรในกลุ่มเมฆ -
14:17 - 14:19และยิ่งคุณใช้เวลาในการมองภาพนี้
มากขึ้นเท่าไร -
14:19 - 14:22คุณก็ยิ่งเห็นสิ่งต่างในกลุ่มเมฆ
มากขึ้นเท่านั้น -
14:23 - 14:26คุณยังสามารถใช้โครงข่ายใบหน้า
เพื่อให้เห็นภาพหลอนแบบนี้ -
14:26 - 14:28และคุณได้อะไรประหลาด ๆ ออกมา
-
14:28 - 14:29(เสียงหัวเราะ)
-
14:30 - 14:33หรือ ไมค์ได้ทำการทดลองอื่น
-
14:33 - 14:37ซึ่งเขานำภาพกลุ่มเมฆนั้น
-
14:37 - 14:41เห็นภาพหลอน ขยาย เห็นภาพหลอน
ขยาย เห็นภาพหลอน ขยาย -
14:41 - 14:42อย่างที่เห็น
-
14:42 - 14:45คุณสามารถได้สภาวะขาดความควบคุม
ของโครงข่ายผมว่านะ -
14:46 - 14:49หรือประมาณว่าความเกี่ยวข้องอิสระ
-
14:49 - 14:51ซึ่งโครงข่ายกำลังกินหางของมันเอง
-
14:51 - 14:55ดังนั้น รูปภาพทุกรูป
ตอนนี้เป็นพื้นฐานสำหรับ -
14:55 - 14:56"ต่อไปผมจะเห็นอะไรนะ
-
14:56 - 14:59ต่อไปผมจะเห็นอะไรนะ
ต่อไปผมจะเห็นอะไรนะ" -
14:59 - 15:02ผมแสดงสิ่งนี้เป็นครั้งแรกในที่สาธารณะ
-
15:02 - 15:08ให้กับกลุ่มที่ฟังบรรยายในซีแอตเทิล
ที่เรียกว่า "การศึกษาระดับอุดมศึกษา" -- -
15:08 - 15:10นี้เป็นตอนหลังจากที่กัญชา
ถูกทำให้ถูกต้องตามกฎหมายแล้ว -
15:10 - 15:13(เสียงหัวเราะ)
-
15:15 - 15:17ผมอยากจะสรุปแบบรวดเร็ว
-
15:17 - 15:21ด้วยการเน้นว่าเทคโนโลยีนี้ไม่ได้ถูกจำกัด
-
15:21 - 15:25ผมได้แสดงให้คุณเห็นตัวอย่างที่เห็นได้
เพราะมันสนุกที่จะได้เห็น -
15:25 - 15:27มันไม่ได้เป็นเทคโนโลยีที่มองเห็นได้เท่านั้น
-
15:27 - 15:29ศิลปินผู้ประสานงานของเรา รอสส์ กู๊ดวิน
-
15:29 - 15:33ได้ทำการทดลองที่เกี่ยวข้องกับ
กล้องที่ถ่ายภาพ -
15:33 - 15:37และจากนั้นคอมพิวเตอร์ในกระเป๋าของเขา
ได้เขียนบทกวีด้วยโครงข่ายประสาท -
15:37 - 15:39จากเนื้อหาของรูปภาพ
-
15:39 - 15:42และโครงข่ายประสาทบทกวีนั้นก็ถูกฝึกฝน
-
15:42 - 15:44จากส่วนสำคัญของบทกวีศตวรรษที่ 20
-
15:44 - 15:46และอย่างที่เห็นบทกวีมันก็
-
15:46 - 15:48ผมว่า ที่จริงก็ไม่ได้แย่สักเท่าไหร่
-
15:48 - 15:49(เสียงหัวเราะ)
-
15:49 - 15:50ก่อนจากลาจากกัน
-
15:50 - 15:53ผมคิดว่าตามที่ไมเคิลแองเจลโลกล่าว
-
15:53 - 15:54ผมว่าเขาพูดถูกต้อง
-
15:54 - 15:57การรับรู้และความคิดสร้างสรรค์
มีความเชื่อมโยงกันอย่างใกล้ชิดมาก -
15:58 - 16:00สิ่งที่พวกเราเพิ่งได้เห็นไป
คือโครงข่ายประสาท -
16:00 - 16:03ที่ทั้งหมดถูกฝึกฝนโดยเพื่อแยกแยะ
-
16:03 - 16:05หรือเพื่อจดจำสิ่งต่าง ๆ ในโลกนี้
-
16:05 - 16:08ซึ่งสามารถที่จะทำงานย้อนกลับ
เพื่อทำการสร้างสรรค์ได้ -
16:08 - 16:10สิ่งหนึ่งที่มันบอกกับผมก็คือ
-
16:10 - 16:12ไม่ใช่แค่ไมเคิลแองเจลโลเห็นจริง ๆ
-
16:12 - 16:15ว่าประติมากรรมอยู่ในก้อนหิน
-
16:15 - 16:18แต่ทุกคน ทุกสิ่งมีชีวิต
ทั้งในโลกหรือนอกโลก -
16:18 - 16:22ที่สามารถรับรู้หรือการทำงาน
อะไรทำนองนั้นได้ -
16:22 - 16:23ก็ย่อมสามารถที่จะสร้างสรรค์ได้
-
16:23 - 16:27เพราะมันเป็นกลไกเดียวกัน
ที่ถูกใช้ในทั้งสองกรณี -
16:27 - 16:31นอกจากนี้ ไม่ว่าจะอย่างไรก็ตาม
ผมคิดว่าการรับรู้และความคิดสร้างสรรค์ -
16:31 - 16:33ไม่ได้เป็นเอกลักษณ์
ที่มีแต่เฉพาะในมนุษย์เท่านั้น -
16:33 - 16:36พวกเราเริ่มมีโมเดลคอมพิวเตอร์
ที่สามารถทำสิ่งเดียวกันนี้ได้ -
16:36 - 16:40และนั่นไม่ควรที่จะเป็นเรื่องน่าประหลาดใจ;
สมองมีการคำนวณแบบคอมพิวเตอร์ -
16:40 - 16:41และท้ายที่สุด
-
16:41 - 16:46คอมพิวเตอร์เริ่มต้นจากความพยายาม
ในการออกแบบเครื่องจักรที่มีความฉลาด -
16:46 - 16:48มันถูกสร้างขึ้นจากความคิดที่ว่า
-
16:48 - 16:51เราจะสร้างเครื่องจักร
ให้เฉลียวฉลาดได้อย่างไร -
16:52 - 16:54และท้ายที่สุด
เราเริ่มที่จะเติมเต็มความคิดนั้น -
16:54 - 16:56คำสัญญาบางอย่างของผู้ริเริ่มยุคแรก
-
16:56 - 16:58ของทัวริง และ ฟอน นอยมันน์
-
16:58 - 17:00และ แมคคัลลอช์ และ พิทซ์
-
17:00 - 17:04และผมคิดว่าคอมพิวเตอร์
ไม่ใช่แค่สำหรับการทำบัญชี -
17:04 - 17:06หรือการเล่นแคนดี้ครัช หรืออะไร
-
17:06 - 17:09ตั้งแต่แรกเริ่ม พวกเราสร้างมันขึ้นมา
ตามแบบสมองของเรา -
17:09 - 17:12แล้วพวกมันก็ทำให้เราสามารถเข้าใจ
จิตใจของเราเองดีขึ้น -
17:12 - 17:14ทั้งยังทำให้เราเข้าใจพวกมันดีขึ้นด้วย
-
17:15 - 17:16ขอบคุณมากครับ
-
17:16 - 17:22(เสียงปรบมือ)
- Title:
- คอมพิวเตอร์เรียนรู้การมีความคิดสร้างสรรค์ได้อย่างไร
- Speaker:
- เบลอิเซ อะกัวรา อิ อาร์คัส (Blaise Agüera y Arcas)
- Description:
-
พวกเราอยู่บนขอบของพรมแดนใหม่ในศิลปะและคววามคิดสร้างสรรค์ -- และมันไม่ใช่มนุษย์ Blaise Agüera y Arcas หัวหน้านักวิทยาศาสตร์ที่กูเกิลทำงานกับโครงข่ายปนะสาทเชิงลึกสำหรับการรับรู้ของเครื่องจักรและการกระจายการเรียนรู้ ในการสาธิตที่มีเสน่ห์นี้ เขาได้แสดงวิธีการเทรนโครงข่ายประสาทให้แยกแยะรูปภาพและสามารถดำเนินงานในทางย้อนกลับเพื่อการสร้างพวกมันขึ้นมาได้ ผลลัพธ์: น่าประทับใจ, ภาพหลอนปะติดปะต่อ (และบทกวี!) ที่ไม่สามารถแยกแยะได้ Agüera y Arcas กล่าวว่า "การรับรู้และความคิดสร้างสรรค์นั้นมีความเชื่อมโยงใกล้ชิดกันมาก" "ทุกคน ทุกสิ่งมีชีวิตที่สามารถมีการรับรู้ได้ ย่อมสร้างสรรค์ได้"
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 17:34
Kelwalin Dhanasarnsombut approved Thai subtitles for How we're teaching computers to be creative | ||
Kelwalin Dhanasarnsombut accepted Thai subtitles for How we're teaching computers to be creative | ||
Pitchaya Phookpun edited Thai subtitles for How we're teaching computers to be creative | ||
Kelwalin Dhanasarnsombut declined Thai subtitles for How we're teaching computers to be creative | ||
Kelwalin Dhanasarnsombut edited Thai subtitles for How we're teaching computers to be creative | ||
Kelwalin Dhanasarnsombut edited Thai subtitles for How we're teaching computers to be creative | ||
Kelwalin Dhanasarnsombut edited Thai subtitles for How we're teaching computers to be creative | ||
Kelwalin Dhanasarnsombut edited Thai subtitles for How we're teaching computers to be creative |