Як комп'ютери вчаться творчості
-
0:01 - 0:04Я керую групою в Ґуґлі,
яка працює над машинним інтелектом; -
0:04 - 0:09іншими словами, над дисципліною,
що робить комп'ютери і пристрої -
0:09 - 0:11здатними робити деякі речі,
які робить мозок. -
0:11 - 0:15Тому ми цікавимось реальним мозком
-
0:15 - 0:16і неврологією також,
-
0:16 - 0:20і зокрема речами, які робить наш мозок,
-
0:20 - 0:24які досі перевершують
продуктивність комп'ютера. -
0:25 - 0:29Історично, одна з таких галузей -
це сприйняття, -
0:29 - 0:32процес, який дає змогу перетворити
речі з реального світу -- -
0:32 - 0:33звуки й зображення --
-
0:34 - 0:36у концепції в свідомості.
-
0:36 - 0:39Це важливо для нашого власного мозку
-
0:39 - 0:41і це також дуже корисно для комп'ютера.
-
0:42 - 0:45Алгоритми машинного сприйняття,
наприклад, ті, які створює наша група, -- -
0:45 - 0:49це те, що уможливлює пошук ваших
світлин на Google Photos -
0:49 - 0:50за змістом світлин.
-
0:52 - 0:55Інший бік сприйняття --
це творча здатність: -
0:55 - 0:58перетворення концепції у
щось реальне. -
0:58 - 1:02Отже, протягом останнього року,
наша робота над машинним сприйняттям -
1:02 - 1:07також несподівано пов'язалася
зі світом машинної творчої здібності -
1:07 - 1:08і машинного мистецтва.
-
1:09 - 1:12Я гадаю, Мікеланджело
проник у сутність -
1:12 - 1:16взаємовідносин між
сприйняттям і творчою здібністю. -
1:16 - 1:18Ось його відома цитата:
-
1:18 - 1:21"У кожному куску каменя
схована скульптура, -
1:22 - 1:25і завдання скульптора --
її відкрити". -
1:26 - 1:29Отже, я гадаю,
Мікеланджело мав на увазі, -
1:29 - 1:32що творчість здійснюється
через сприйняття, -
1:32 - 1:35і що сприйняття само по собі --
це акт уяви, -
1:36 - 1:38що є сутністю творчості.
-
1:39 - 1:43Орган, який думає,
сприймає і уявляє, -
1:43 - 1:44це, звичайно, мозок.
-
1:45 - 1:48І я би хотів почати з короткої історії
-
1:48 - 1:50того, що ми знаємо про мозок.
-
1:50 - 1:53Тому що на відміну від,
скажімо, серця чи кишечника, -
1:53 - 1:56дуже мало можна сказати про мозок
просто дивлячись на нього, -
1:56 - 1:58принаймні неозброєним оком.
-
1:58 - 2:00Ранні анатомісти, які дивилися на мозок,
-
2:00 - 2:04давали його поверхневим структурам
різні примхливі імена, -
2:04 - 2:07як-от "гіпокамп", що означає
"маленька креветка". -
2:07 - 2:09Але, звичайно, ці імена нам
дуже мало говорять -
2:09 - 2:12про те, що відбувається всередині.
-
2:13 - 2:16Першою людиною, яка, на мою думку,
справді зазирнула у суть -
2:16 - 2:18того, що відбувається в мозку
-
2:18 - 2:22був великий іспанський нейроанатом
Сантьяґо Рамон-і-Кахаль -
2:22 - 2:24у 19-му сторіччі,
-
2:24 - 2:28який використовував мікроскопію
і спеціальні забарвники, -
2:28 - 2:32що могли вибірково заповнювати
чи надавати дуже високого контрасту -
2:32 - 2:34індивідуальним клітинам в мозку,
-
2:34 - 2:37щоб зрозуміти їхню морфологію.
-
2:38 - 2:41Ось які він зробив малюнки нейронів
-
2:41 - 2:42у 19-му сторіччі.
-
2:42 - 2:44Це зроблено з мозку пташки.
-
2:44 - 2:47І ви бачите величезне розмаїття
різних видів клітин, -
2:47 - 2:51навіть сама клітинна теорія
була ще дуже новою. -
2:51 - 2:52І ці структури,
-
2:52 - 2:54ці клітини, що мають ці розгалуження,
-
2:54 - 2:57ці гілки, що можуть іти
дуже, дуже далеко -- -
2:57 - 2:58це було дуже новим у той час.
-
2:59 - 3:02Вони, звичайно, нагадують дроти.
-
3:02 - 3:05Це, можливо, було очевидним
для декого у 19-му сторіччі; -
3:05 - 3:10революція поширення дротів і електрики
якраз починалася. -
3:10 - 3:11Але у багатьох змістах,
-
3:11 - 3:14ці мікроанатомічні малюнки
Рамона-і-Кахаля, як оцей, -
3:15 - 3:17досі неперевершені у багатьох речах.
-
3:17 - 3:19Досі, більш як сторіччя пізніше,
-
3:19 - 3:22ми намагаємося завершити роботу,
яку почав Рамон-і-Кахаль. -
3:22 - 3:25Це - необроблені дані наших колег
-
3:25 - 3:28з Неврологічного інституту
імені Макса Планка. -
3:28 - 3:29Наші колеги створили
-
3:29 - 3:34зображення малих шматочків
мозкової тканини. -
3:34 - 3:38Весь зразок тут завбільшки
в один кубічний міліметр, -
3:38 - 3:40і я показую вам тут його
дуже, дуже малу частину. -
3:40 - 3:43Ця риска зліва - один мікрон.
-
3:43 - 3:45Структури, які ви бачите --
це мітохондрії -
3:45 - 3:47завбільшки з бактерію.
-
3:47 - 3:49І це -- послідовні перерізи
-
3:49 - 3:52цього малесенького
шматочка тканини. -
3:52 - 3:55Лише для порівняння,
-
3:55 - 3:58діаметр середньої волосини --
приблизно 100 мікронів. -
3:58 - 4:01Отже, ми дивимось на щось
набагато менше -
4:01 - 4:02ніж переріз однієї волосини.
-
4:02 - 4:06І з такого ряду електронно-
мікроскопічних перерізів -
4:06 - 4:11можна почати відтворювати
трьохмірні зображення нейронів, як оці. -
4:11 - 4:14Ці зображення дуже подібні до
зображень Рамона-і-Кахаля. -
4:14 - 4:16Лише кілька нейронів показано,
-
4:16 - 4:19тому що інкаше ми би
не змогли побачити нічого. -
4:19 - 4:20Було б перенасичення
-
4:20 - 4:21деталями структури
-
4:21 - 4:24і зв'язків між нейронами.
-
4:25 - 4:28Отже, Рамон-і-Кахаль
дещо випереджав свій час, -
4:28 - 4:31і прогрес розуміння мозку
-
4:31 - 4:33просувався повільно
у наступні десятиліття. -
4:33 - 4:36Але ми знали, що нейрони
використовують електрику, -
4:36 - 4:39і до Другої світової наша технологія
просунулася достатньо, -
4:39 - 4:42щоб робити електричні
експерименти над живими нейронами -
4:42 - 4:44для кращого розуміння, як вони працюють.
-
4:45 - 4:49Це був той самий час, коли було
винайдено комп'ютери, -
4:49 - 4:52здебільшого, на основі ідеї
моделювання мозку -- -
4:52 - 4:55"інтелектуальної техніки",
як назвав її Алан Тюринґ, -
4:55 - 4:57один із засновників комп'ютерної науки.
-
4:58 - 5:03Воррен МакКалок і Волтер Пітс
подивилися на зроблений Рамоном-і-Кахалєм -
5:03 - 5:04малюнок зорової кори,
-
5:04 - 5:05показаний тут.
-
5:06 - 5:10Це кора, що обробляє зображення,
які надходять від очей. -
5:10 - 5:14І для них він виглядав як
електрична схема. -
5:14 - 5:18В електричній схемі МакКалока і Пітса
багато деталей, -
5:18 - 5:20що не є цілком правильними.
-
5:20 - 5:21Але основна ідея
-
5:21 - 5:25що зорова кора працює як ряд
обчислювальних елементів, -
5:25 - 5:28які передають інформацію
один до одного каскадом, -
5:28 - 5:29є, в принципі, правильною.
-
5:29 - 5:32Давайте трохи поговоримо про те,
-
5:32 - 5:36що повинна робити модель для обробки
візуальної інформації. -
5:36 - 5:39Головна задача сприйняття --
-
5:39 - 5:43це взяти зображення, як оце, і сказати:
-
5:43 - 5:44"Це птах",
-
5:44 - 5:47що є дуже просто для нас
з нашим мозком. -
5:47 - 5:51Але всім варто розуміти,
що для комп'ютера -
5:51 - 5:54це було практично неможливо
лише кілька років тому. -
5:54 - 5:56В класичній обчислювальній парадигмі
-
5:56 - 5:58це завдання нелегко виконати.
-
5:59 - 6:02Отже, що відбувається між пікселями,
-
6:02 - 6:06між зображенням птаха,
і словом "птах" -- -
6:06 - 6:09це, по суті, ряд нейронів пов'язаних
один з одним -
6:09 - 6:10у нейронну мережу,
-
6:10 - 6:11як на цій діаграмі.
-
6:11 - 6:15Ця нейронна мережа може бути
біологічною всередині зорової кори, -
6:15 - 6:17або ж сьогодні ми
отримуємо здатність -
6:17 - 6:19моделювати ці нейронні мережі
на комп'ютері. -
6:20 - 6:22І я зараз покажу, як це
насправді виглядає. -
6:22 - 6:26Отже, можна вважати пікселі
першим шаром нейронів, -
6:26 - 6:28як це фактично і є в оці --
-
6:28 - 6:30це нейрони сітківки.
-
6:30 - 6:31Вони передають інформацію
-
6:31 - 6:35від шару до шару
і до іншого шару нейронів, -
6:35 - 6:38які усі пов'язані синапсами
різної ваги. -
6:38 - 6:39Поведінка цієї мережі
-
6:39 - 6:42характеризується силою усіх цих синапсів.
-
6:42 - 6:46Вони характеризують обчислювальні
властивості мережі. -
6:46 - 6:47Наприкінці,
-
6:47 - 6:50у вас є нейрон
або мала група нейронів, -
6:50 - 6:51що висвітлюється словом "птах".
-
6:52 - 6:55Тепер я представлю ці три речі --
-
6:55 - 7:00пікселі на вході, синапси
в нейронній мережі, -
7:00 - 7:01і птаха, що на виході,
-
7:01 - 7:04трьома змінними: x, w і y.
-
7:05 - 7:07Існують, напевно, мільйони x-ів --
-
7:07 - 7:09у цьому зображенні мільйон пікселів.
-
7:09 - 7:11Є мільярди чи трильйони w,
-
7:11 - 7:15що представляють вагу усіх синапсів
в нейронній мережі. -
7:15 - 7:16І є мала кількість y,
-
7:16 - 7:18виходів, що має мережа.
-
7:18 - 7:20"Птах" має лише чотири літери.
-
7:21 - 7:25Отже, уявімо просту формулу,
-
7:25 - 7:27X "x" W = Y.
-
7:27 - 7:29Я взяв "помножити" в лапки,
-
7:29 - 7:31тому що те, що тут відбувається,
звичайно, -
7:31 - 7:34є дуже складним рядом
математичних операцій. -
7:35 - 7:36Це одне рівняння.
-
7:36 - 7:38Є три змінні.
-
7:38 - 7:41Ми знаємо, що коли ми
маємо одне рівняння, -
7:41 - 7:45можна знайти одну змінну,
якщо знати дві інші. -
7:45 - 7:49Отже, проблема висновку,
-
7:49 - 7:51тобто, з'ясування, що
зображення птаха - це птах, -
7:51 - 7:53полягає ось у чому:
-
7:53 - 7:56y є невідомим, тоді як
w і x відомі. -
7:56 - 7:59Нейронна мережа і пікселі є відомими.
-
7:59 - 8:02Як бачите, проблема
відносно проста. -
8:02 - 8:04Ви помножуєте два на три -- і готово.
-
8:05 - 8:07Я покажу вам штучну нейронну мережу,
-
8:07 - 8:09яку ми нещодавно створили
якраз у такий спосіб. -
8:10 - 8:12Це працює в реальному часі
на мобільному телефоні, -
8:13 - 8:16і це неймовірно само по собі,
-
8:16 - 8:19що мобільні телефони можуть
здійснювати мільярди і трильйони операцій -
8:19 - 8:21за секунду.
-
8:21 - 8:22Ви бачите телефон,
-
8:22 - 8:26який дивиться на одне зображення
птаха за іншим -
8:26 - 8:29і не лише говорить:
"Так, це птах," -
8:29 - 8:32а й визначає вид птаха
за допомогою цієї мережі. -
8:33 - 8:35Отже, в цьому зображенні
-
8:35 - 8:39x і w відомі,
а y - невідома. -
8:39 - 8:41Звичайно, я пропускаю
дуже складну частину: -
8:41 - 8:45яким чином ми визначаємо w,
-
8:45 - 8:47тобто мозок, що це робить.
-
8:47 - 8:49Як можна навчитися такій моделі?
-
8:49 - 8:53Цей процес навчання,
тобто розв'язку по w, -
8:53 - 8:55якщо робити це з простим рівнянням,
-
8:55 - 8:57в якому ми вважаємо ці змінні числами,
-
8:57 - 9:00ми точно знаємо, як це зробити: 6 = 2 x w,
-
9:00 - 9:03отже ми ділимо на два -- і все.
-
9:04 - 9:06Проблема -- з цим оператором.
-
9:07 - 9:08Отже, ділення --
-
9:08 - 9:11ми використали ділення,
бо ділення є зворотнім до множення, -
9:11 - 9:13але, як я щойно сказав,
-
9:13 - 9:15"множення" тут трохи брехлива назва.
-
9:15 - 9:18Це дуже, дуже складна нелінійна операція;
-
9:18 - 9:20у неї нема зворотньої операції.
-
9:20 - 9:23Отже, нам треба з'ясувати, як
розв'язати це рівняння -
9:23 - 9:25без оператора ділення.
-
9:25 - 9:28І це можна зробити досить просто.
-
9:28 - 9:30Можна сказати:
"давайте зробимо алгебраїчний фокус -
9:30 - 9:33і перенесемо шість у правий
бік рівняння". -
9:33 - 9:35Ми все ще використовуємо множення.
-
9:36 - 9:39А цей нуль -- вважаймо його помилкою.
-
9:39 - 9:42Іншими словами, якщо ми знайдемо
w правильно, -
9:42 - 9:43помилка буде нульовою.
-
9:43 - 9:45А якщо не зовсім правильно,
-
9:45 - 9:47помилка буде ненульовою.
-
9:47 - 9:51Отже тепер ми можемо просто
вгадувати, намагаючись зменшити помилку, -
9:51 - 9:53і комп'ютери роблять це чудово.
-
9:53 - 9:55Ви робите початкову спробу:
-
9:55 - 9:56що як w = 0?
-
9:56 - 9:57Тоді помилка - 6.
-
9:57 - 9:59Що як w = 1?
Тоді помилка - 4. -
9:59 - 10:01Тоді комп'ютер грає в Марко Поло,
-
10:01 - 10:04наближуючи помилку до нуля.
-
10:04 - 10:07Роблячи це, комп'ютер послідовно
наближається до w. -
10:07 - 10:11Зазвичай, він ніколи не доходить до нього,
але після десятка спроб, -
10:11 - 10:15ми отримуємо w = 2,999,
що достатньо близько. -
10:16 - 10:18Це і є процесом навчання.
-
10:18 - 10:21Отже, запам'ятайте, що ми тут робили.
-
10:21 - 10:25Ми брали багато відомих x і відомих y
-
10:25 - 10:29і розв'язували рівняння по w
за допомогою ітерацій. -
10:29 - 10:32Точно так само ми самі навчаємося.
-
10:32 - 10:35В дитинстві ми переглядаємо
багато картинок, -
10:35 - 10:37і нам говорять: "Це - птах; це - не птах".
-
10:38 - 10:40З часом, через ітерації,
-
10:40 - 10:43ми розв'язуємо w, ми отримуємо
ці нейронні зв'язки. -
10:43 - 10:48Отже, тепер ми маємо
відомі x і w, щоб розв'язати y; -
10:48 - 10:49це -- щоденне, швидке сприйняття.
-
10:49 - 10:51Ми знаємо, як визначити w,
-
10:51 - 10:53тобто навчання, що є набагато складніше,
-
10:53 - 10:55оскільки ми повинні зменшувати помилку
-
10:55 - 10:57багатьма навчальними прикладами.
-
10:57 - 11:00Приблизно рік тому
Алекс Мордвінцев з нашої групи -
11:00 - 11:04вирішив подивитися, що станеться,
якщо спробувати розв'язати по x, -
11:04 - 11:06знаючи w і y.
-
11:06 - 11:07Іншими словами,
-
11:07 - 11:09ви знаєте, що таке птах,
-
11:09 - 11:12і у вас уже є нейронна мережа,
натренована на птахів, -
11:12 - 11:14але що є зображенням птаха?
-
11:15 - 11:20Виявляється, за допомогою
цієї процедури зменшення помилки -
11:20 - 11:24можна це зробити з мережею,
натренованою на розпізнавання птахів, -
11:24 - 11:27і результатом буде...
-
11:30 - 11:32зображення птахів.
-
11:33 - 11:37Отже, це -- зображення птахів,
цілком створене нейронною мережею, -
11:37 - 11:38натренованою на розпізнавання птахів,
-
11:38 - 11:42просто розв'язанням рівняння по x
замість розв'язання по y, -
11:42 - 11:43за допомогою ітерацій.
-
11:44 - 11:46Ось ще один приклад.
-
11:46 - 11:49Це робота Майка Тайки з нашої групи,
-
11:49 - 11:51яку він називає "парадом тварин".
-
11:51 - 11:54Це трохи нагадує мені мистецтво
Вільяма Кентріджа, -
11:54 - 11:57де він робить нариси, витирає їх,
-
11:57 - 11:58робить нариси, витирає їх,
-
11:58 - 12:00і таким чином створює фільм.
-
12:00 - 12:01У цьому випадку
-
12:01 - 12:04Майк змінює значення y
у просторі різних тварин -
12:04 - 12:07у мережі, натренованій
впізнавати і відрізняти -
12:07 - 12:08різних тварин одна від одної.
-
12:08 - 12:12Виходить таке дивовижне перетворення
однієї тварини в іншу, в стилі Ешера. -
12:14 - 12:19Тут він і Алекс разом
спробували обмежити -
12:19 - 12:22y до лише двохмірного простору,
-
12:22 - 12:25таким чином створивши карту
простору всіх речей, -
12:25 - 12:27які може розпізнавати мережа.
-
12:27 - 12:29За допомогою такого синтезу
-
12:29 - 12:31або створення зображень
на всій площині, -
12:31 - 12:34змінюючи y по площині,
створюється своєрідна карта -- -
12:34 - 12:37візуальна карта усіх речей,
які може розпізнавати мережа. -
12:37 - 12:40Тут є всі тварини;
ось тут -- броненосець. -
12:41 - 12:43Це можна зробити
з іншими типами мереж також. -
12:43 - 12:46Ось мережа, натренована
розпізнавати обличчя, -
12:46 - 12:48розрізняти одне обличчя від іншого.
-
12:48 - 12:52А тут, ми задаємо y
значення "я", -
12:52 - 12:53параметри мого власного обличчя.
-
12:53 - 12:55І коли мережа розв'язує x,
-
12:55 - 12:58створюється трохи божевільне,
-
12:58 - 13:02кубічне, сюрреалістичне, психоделічне
зображення мене -
13:02 - 13:04з багатьох точок зору відразу.
-
13:04 - 13:07З багатьох точок зору відразу,
-
13:07 - 13:10тому що ця мережа натренована
уникати неоднозначності, -
13:10 - 13:13коли обличчя є в одному
чи іншому ракурсі, -
13:13 - 13:16в одному чи іншому освітленні.
-
13:16 - 13:18Коли ви робите таку реконструкцію,
-
13:18 - 13:21якщо не мати якогось
орієнтовного зображення -
13:21 - 13:22або статистики,
-
13:22 - 13:26то ви отримаєте суміш
різних точок зору, -
13:26 - 13:27через невизначеність.
-
13:28 - 13:32Ось що відбувається, коли Алекс
використовує власне обличчя як орієнтир -
13:32 - 13:35під час процесу оптимізації
для відтворення мого обличчя. -
13:36 - 13:39Ви бачите, процес недосконалий.
-
13:39 - 13:41Ще є багато роботи
-
13:41 - 13:43з оптимізації цього процесу оптимізації.
-
13:43 - 13:46Але ми починаємо отримувати
щось подібне на чітке обличчя, -
13:46 - 13:48створене з мого обличчя в якості орієнтира.
-
13:49 - 13:51Не обов'язково починати з чистого полотна
-
13:51 - 13:53чи з білого шуму.
-
13:53 - 13:54Коли ви розв'язуєте по x,
-
13:54 - 13:58можна починати з x,
що вже має якесь зображення. -
13:58 - 14:00Це і робиться в наступній демонстрації.
-
14:00 - 14:05Це мережа, що класифікує
-
14:05 - 14:08усілякі предмети --
споруди, тварин ... -
14:08 - 14:10Тут ми починаємо
з зображення хмар, -
14:10 - 14:12і в міру оптимізації,
-
14:12 - 14:17по суті, мережа, з'ясовує,
що вона бачить у цих хмарах. -
14:17 - 14:19Що більше часу дивитись на це,
-
14:19 - 14:22то більше речей ви помічаєте
в цих хмарах. -
14:23 - 14:26Можна також використовувати мережу
для обличь для цих галюцинацій, -
14:26 - 14:28виходять досить навіжені речі.
-
14:28 - 14:29(Сміх)
-
14:30 - 14:33Або ж Майк робив інші експерименти,
-
14:33 - 14:37в яких він брав це зображення хмар,
-
14:37 - 14:41галюцинував, збільшував,
галюцинував, збільшував. -
14:41 - 14:42І таким чином
-
14:42 - 14:45виходить мережева маячня, я б сказав,
-
14:46 - 14:49або такі собі вільні асоціації,
-
14:49 - 14:51в яких мережа доганяє власний хвіст.
-
14:51 - 14:55Кожне зображення є основою для
-
14:55 - 14:56"Що ж я бачу тепер?"
-
14:56 - 14:59"Що ж я бачу тепер?"
"Що ж я бачу тепер?" -
14:59 - 15:02Вперше публічно я це показав
-
15:02 - 15:08групі на лекції в Сіетлі під назвою
"Вища освіта" -- -
15:08 - 15:10це було якраз після легалізації маріхуани.
-
15:10 - 15:13(Сміх)
-
15:15 - 15:17Хочу швидко закінчити
-
15:17 - 15:21зауваженням, що ця технологія
необмежена. -
15:21 - 15:25Я показав вам чисто візуальні приклади,
тому що на них цікаво дивитися. -
15:25 - 15:27Це не лише візуальна технологія.
-
15:27 - 15:29Наш колега-художник, Рос Ґудвін,
-
15:29 - 15:33експериментував із камерою,
що знімала зображення, -
15:33 - 15:37а потім комп'ютер в його рюкзаку
писав вірш за допомогою нейронних мереж, -
15:37 - 15:39на основі змісту зображень.
-
15:39 - 15:42І ця поетична нейронна мережа
була натренована -
15:42 - 15:44на величезній базі поезії 20-го сторіччя.
-
15:44 - 15:46І поезія, знаєте,
-
15:46 - 15:48гадаю, вийшла непогана.
-
15:48 - 15:49(Сміх)
-
15:49 - 15:50І на закінчення.
-
15:50 - 15:53Думаю, Мікеланджело
-
15:53 - 15:54мав рацію;
-
15:54 - 15:57сприйняття і творчість
дуже тісно пов'язані. -
15:58 - 16:00Ми щойно бачили, як нейронні мережі,
-
16:00 - 16:03натреновані відрізняти
-
16:03 - 16:05або впізнавати різні речі,
-
16:05 - 16:08можуть працювати в зворотньому напрямку
і творити. -
16:08 - 16:10Мені видається,
-
16:10 - 16:12що не лише Мікеланджело
справді бачив -
16:12 - 16:15скульптуру в уламку каменя,
-
16:15 - 16:18але що будь-яка істота,
будь-який інопланетянин, -
16:18 - 16:22здатний до сприйняття,
-
16:22 - 16:23також здатний до творчості,
-
16:23 - 16:27тому що в обидвох випадках
використовується один механізм. -
16:27 - 16:31Я також думаю, що сприйняття
і творча здатність не є -
16:31 - 16:33лише людськими якостями.
-
16:33 - 16:36У нас з'являються комп'ютерні моделі,
які роблять якраз ці речі. -
16:36 - 16:40І це не має бути несподіваним;
мозок є обчислювальним органом. -
16:40 - 16:41І, нарешті,
-
16:41 - 16:46машинне обчислення почалося як спроба
створити розумні машини. -
16:46 - 16:48Воно було здебільшого побудоване на ідеї
-
16:48 - 16:51як зробити машини розумними.
-
16:52 - 16:54І ми нарешті зараз починаємо виконувати
-
16:54 - 16:56деякі обіцянки ранніх застрільників,
-
16:56 - 16:58Тюринґа і фон Неймана,
-
16:58 - 17:00МакКалока й Піттса.
-
17:00 - 17:04Я думаю, машинне обчислення --
це не лише бухгалтерія -
17:04 - 17:06чи гра у Кенді Краш.
-
17:06 - 17:09Від початку комп'ютери
моделювалися за нашим розумом. -
17:09 - 17:12І вони дають нам змогу
краще зрозуміти можливості нашого розуму -
17:12 - 17:14і розширити їх одночасно.
-
17:15 - 17:16Щиро дякую.
-
17:16 - 17:22(Оплески)
- Title:
- Як комп'ютери вчаться творчості
- Speaker:
- Блейз Аґуера-і-Аркас
- Description:
-
Ми підійшли до нових меж мистецтва і творчих здібностей -- і вони не людські. Блейз Аґуера-і-Аркас, головний науковець компанії Ґугл, працює з глибокими нейронними мережами для машинного сприйняття та розподіленого навчання. В захоплюючій демонстрації він показує як нейронні мережі, треновані впізнавати зображення, можуть працювати в зворотньому напрямку і створювати їх. Результат -- видовищні колажі, схожі на галюцинації (і вірші!), що не піддаються класифікації. "Сприйняття і творчість тісно пов'язані, -- стверджує Аґуера-і-Аркас. -- Будь-яка істота, здатна до сприйняття, також здатна до творчості".
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 17:34
Hanna Leliv approved Ukrainian subtitles for How we're teaching computers to be creative | ||
Hanna Leliv accepted Ukrainian subtitles for How we're teaching computers to be creative | ||
Hanna Leliv edited Ukrainian subtitles for How we're teaching computers to be creative | ||
Arkady Grudzinsky edited Ukrainian subtitles for How we're teaching computers to be creative | ||
Arkady Grudzinsky edited Ukrainian subtitles for How we're teaching computers to be creative | ||
Arkady Grudzinsky edited Ukrainian subtitles for How we're teaching computers to be creative | ||
Arkady Grudzinsky edited Ukrainian subtitles for How we're teaching computers to be creative | ||
Arkady Grudzinsky edited Ukrainian subtitles for How we're teaching computers to be creative |