Máy tính đang học cách sáng tạo như thế nào
-
0:01 - 0:04Tôi là trưởng nhóm nghiên cứu
Trí tuệ nhân tạo tại Google; -
0:04 - 0:09nói cách khác, đó là những quy tắc
công nghệ để máy tính và thiết bị -
0:09 - 0:11làm được những gì mà
não người làm được. -
0:11 - 0:15Và việc này làm chúng tôi
thấy hứng thú với não người thật -
0:15 - 0:16cũng như khoa học thần kinh,
-
0:16 - 0:20và đặc biệt là với những gì
mà não của chúng ta có thể -
0:20 - 0:24thực hiện tốt hơn nhiều so với máy tính.
-
0:25 - 0:29Về lịch sử, một trong số đó
chính là khả năng tri nhận, -
0:29 - 0:32là quá trình biến đổi những gì
ở thế giới bên ngoài -
0:32 - 0:33như âm thanh và hình ảnh
-
0:34 - 0:36thành dạng khái niệm trong tư duy.
-
0:36 - 0:39Khái niệm rất quan trọng với não,
-
0:39 - 0:41cũng khá hữu ích trên máy tính.
-
0:42 - 0:45Ví dụ, những thuật toán tri giác
cho máy mà nhóm tôi viết ra, -
0:45 - 0:49chính là thứ giúp bạn tìm
được hình ảnh trên Google Photo, -
0:49 - 0:50căn cứ vào trong hình có gì.
-
0:52 - 0:55Đối lập với tri nhận là sáng tạo:
-
0:55 - 0:58là biến khái niệm đã biết thành
sản phẩm của thế giới. -
0:58 - 1:02Trong năm qua, khả năng tri nhận
nhân tạo mà nhóm tôi nghiên cứu -
1:02 - 1:07đã bất ngờ kết nối được với
khả năng sáng tạo nhân tạo -
1:07 - 1:09và nghệ thuật nhân tạo.
-
1:09 - 1:12Tôi nghĩ Michlangelo
có một hiểu biết sâu sắc -
1:12 - 1:16về mối quan hệ song đôi giữa
tri nhận và sáng tạo. -
1:16 - 1:18Đây là câu trích dẫn ưa thích của ông:
-
1:18 - 1:21"Tảng đá nào cũng có linh hồn
là bức tượng, -
1:22 - 1:25và một thợ điêu khắc có nhiệm vụ
khám phá ra nó." -
1:26 - 1:29Nên tôi nghĩ điều Michelangelo
muốn nói đến chính là -
1:29 - 1:32chúng ta sáng tạo được nhờ tri nhận,
-
1:32 - 1:35và bản thân sự tri nhận đó
là hành động tưởng tượng -
1:36 - 1:38và là nguyên liệu cho sáng tạo.
-
1:39 - 1:43Cơ quan thực hiện mọi quá trình
tri nhận và sáng tạo diễn ra, -
1:43 - 1:44tất nhiên, là bộ não.
-
1:45 - 1:48Tôi sẽ bắt đầu bằng một chút lịch sử
-
1:48 - 1:50nói về hiểu biết của chúng ta về não.
-
1:50 - 1:53Nói thế này, khác hẳn trái tim
hay nội tạng, -
1:53 - 1:56bạn thật sự không nói được gì nhiều
chỉ bằng việc quan sát bộ não, -
1:56 - 1:58nhất là khi nhìn bằng mắt thường.
-
1:58 - 2:00Những bác sĩ phẫu thuật
đầu tiên quan sát bộ não -
2:00 - 2:04đã đặt tên cho cấu trúc bề mặt
của nó mọi cái tên thú vị, -
2:04 - 2:07chẳng hạn như thuỳ hải mã,
nghĩa là "con tôm nhỏ". -
2:07 - 2:09Nhưng tất nhiên cái tên đó
cũng không nói được gì nhiều -
2:09 - 2:12về những gì đang thực sự
diễn ra bên trong. -
2:13 - 2:16Tôi nghĩ người đầu tiên
phát triển hiểu biết thật sự -
2:16 - 2:18về những gì đang diễn ra trong não bộ
-
2:18 - 2:22là nhà giải phẫu thần kinh vĩ đại người
Tây Ban Nha, Santiago Ramón y Cajal, -
2:22 - 2:24vào thế kỷ 19,
-
2:24 - 2:28ông là người dùng kính hiển vi và
chất nhuộm màu đặc biệt -
2:28 - 2:32có thể điền vào hay minh hoạ kĩ lưỡng
từng tế bào trong não -
2:32 - 2:34với độ tương phản cao,
-
2:34 - 2:37để bắt đầu hiểu được
hình thái của chúng. -
2:38 - 2:41Và đây là kiểu bản vẽ mà ông
diễn tả các nơ-ron thần kinh -
2:41 - 2:42vào thế kỷ 19.
-
2:42 - 2:44Đây là ảnh minh hoạ cho não chim.
-
2:44 - 2:47Như bạn thấy, có cực kỳ nhiều loại
tế bào khác nhau, -
2:47 - 2:51mà ngay cả thuyết tế bào cũng
còn khá lạ lẫm với chúng. -
2:51 - 2:52Và những cấu trúc này,
-
2:52 - 2:54những tế bào này có nhiều nhánh,
-
2:54 - 2:57các nhánh có thể truyền đi rất rất xa
-
2:57 - 2:59lúc bấy giờ, điều này nghe thật khó tin.
-
2:59 - 3:02Tất nhiên khi đó nhìn chúng như
những sợi dây điện. -
3:02 - 3:05Những người ở thế kỷ 19
sẽ thấy chúng y như vậy; -
3:05 - 3:10cuộc cách mạng về lưới điện và điện
khi ấy đang diễn ra. -
3:10 - 3:11Nhưng bằng nhiều cách,
-
3:11 - 3:14những bản vẽ giải phẫu kích thước µm
của Ramón y Cajal's, như ảnh này, -
3:15 - 3:17vẫn còn vài điểm chưa vượt trội.
-
3:17 - 3:19Hơn một thế kỷ sau, giờ đây chúng ta
-
3:19 - 3:22vẫn đang nỗ lực hoàn thành điều
mà Ramón y Cajal đã bắt đầu. -
3:22 - 3:25Đây là những dữ liệu thô
từ các cộng tác viên -
3:25 - 3:28làm việc tại Viện nghiên cứu
khoa học thần kinh Max Planck. -
3:28 - 3:29Cộng tác viên của chúng tôi đã vẽ
-
3:29 - 3:34từng mẩu nhỏ của mô não.
-
3:34 - 3:38Toàn bộ hình mẫu ở đây có kích thước
thật chỉ 1 mm khối, -
3:38 - 3:40và ở đây, các bạn đang xem
một mẩu rất rất nhỏ của nó. -
3:40 - 3:43Đường kẻ bên trái khoảng
1 micrômét (µm). -
3:43 - 3:45Những cấu trúc bạn đang thấy là ti tể
-
3:45 - 3:47có kích thước cấp độ vi khuẩn.
-
3:47 - 3:49Và đây là những lát cắt liên tiếp
-
3:49 - 3:52của khối mô vô cùng nhỏ này.
-
3:52 - 3:55Chỉ với mục đích đối chiếu,
-
3:55 - 3:58thì đường kính trung bình của 1 sợi tóc
khoảng 100 µm. -
3:58 - 4:01Do đó, ta đang nhìn thấy một thứ
nhỏ hơn rất rất nhiều -
4:01 - 4:02so với một sợi tóc.
-
4:02 - 4:06Và từ hàng loạt những lát cắt có
kích thước hiển vi của hạt electron, -
4:06 - 4:11ta có thể tạo ra bản vẽ 3D để
dựng lại cấu trúc nơron như thế này. -
4:11 - 4:14Vậy nên những bản vẽ này cũng
giống với bản của Ramón y Cajal. -
4:14 - 4:16Chỉ có vài nơron sáng lên thôi,
-
4:16 - 4:19vì nếu không, chúng ta sẽ không
thấy được gì hết. -
4:19 - 4:20Quá nhiều nơron chen chúc,
-
4:20 - 4:21cấu tạo vô cùng phức tạp,
-
4:21 - 4:25tất cả các sợi nơron đều nối với nhau,
tạo ra mạng lưới chằng chịt. -
4:25 - 4:28Do đó, Ramón y Cajal có hơi cấp tiến
so với thời của mình, -
4:28 - 4:31và những hiểu biết về bộ não
-
4:31 - 4:33dần phát triển trong
những thập kỷ tiếp theo. -
4:33 - 4:36Nhưng chúng ta vốn biết nơron
sử dụng điện để hoạt động, -
4:36 - 4:39và cho đến Thế chiến II, công nghệ
mới đủ tiên tiến -
4:39 - 4:42để tiến hành các thí nghiệm điện
thật sự trên nơron thật -
4:42 - 4:44để hiểu rõ hơn cách chúng vận hành.
-
4:45 - 4:49Đây cũng là thời điểm máy vi tính
được phát minh, -
4:49 - 4:52chủ yếu dựa trên ý tưởng
mô phỏng lại bộ não -
4:52 - 4:55nó là một "cái máy thông minh",
như cách mà Alan Turing gọi, -
4:55 - 4:58một trong những người tiên phong
cho khoa học máy tính. -
4:58 - 5:03Warren McCulloch và Walter Pitts
quan sát bản vẽ của Ramón y Cajal -
5:03 - 5:04mô tả vỏ não thị giác,
-
5:04 - 5:05như bạn đang thấy.
-
5:06 - 5:10Đây là phần vỏ não phụ trách xử lý
hình ảnh được mắt ghi nhận. -
5:10 - 5:14Với McCulloch và Pitts, trông nó như
một sơ đồ mạch điện. -
5:14 - 5:18Nên có rất nhiều chi tiết trong
bản vẽ của hai người -
5:18 - 5:20không chính xác cho lắm.
-
5:20 - 5:21Nhưng về ý tưởng cốt lõi
-
5:21 - 5:25xem vỏ não thị giác như vi mạch điện tử
-
5:25 - 5:28truyền thông tin từ mạch này
qua mạch khác theo tầng, -
5:28 - 5:29lại hoàn toàn chính xác.
-
5:29 - 5:32Chúng ta hãy bàn một chút
-
5:32 - 5:36sẽ cần những gì để quá trình
xử lý thông tin hình ảnh diễn ra. -
5:36 - 5:39Bước căn bản chính trong
quá trình tri nhận -
5:39 - 5:43là nhìn vào ảnh, như hình này, và nói:
-
5:43 - 5:44"Đó là một con chim"
-
5:44 - 5:47là chuyện vô cùng đơn giản mà não
ta thực hiện. -
5:47 - 5:51Nhưng bạn nên hiểu rằng để
máy tính hiểu được hình ảnh, -
5:51 - 5:54vài năm trước vẫn còn
là chuyện bất khả thi. -
5:54 - 5:56Với hệ thống máy tính thế hệ đầu
-
5:56 - 5:58thì việc này không dễ thực hiện.
-
5:59 - 6:02Vậy những gì diễn ra giữa
các điểm ảnh, -
6:02 - 6:06giữa hình vẽ một con chim,
và từ "con chim", -
6:06 - 6:09về bản chất là một tập hợp nơron
với các nơron nối với nhau -
6:09 - 6:10thành mạng lưới nơron,
-
6:10 - 6:11như sơ đồ tôi vẽ đây.
-
6:11 - 6:14Mạng lưới này có thể mang tính
sinh học, nằm trong hai vỏ não thị giác, -
6:14 - 6:17hay ngày nay, chúng ta có thể
-
6:17 - 6:19mô phỏng những mạng lưới
như vậy trên máy tính. -
6:20 - 6:22Và tôi sẽ cho bạn xem
nó trông thế nào. -
6:22 - 6:26Bạn có thể xem các điểm ảnh
là lớp nơron thứ nhất, -
6:26 - 6:28và thật ra, đó là cách mà
mắt hoạt động -
6:28 - 6:30đó là các nơron trong võng mạc.
-
6:30 - 6:31Tiếp theo chúng chạy thẳng ra trước
-
6:31 - 6:35đi lần lượt vào trong các
lớp nơron sau, từng lớp một, -
6:35 - 6:38tất cả nối lại bằng các sợi xi-náp
có khối lượng khác nhau. -
6:38 - 6:39Trạng thái của mạng lưới này
-
6:39 - 6:42đặc trưng bởi độ bền
của những sợi xi-náp. -
6:42 - 6:46Chúng khắc hoạ đặc tính giống hệ mạch
điện tử của mạng lưới này. -
6:46 - 6:47Và cuối cùng,
-
6:47 - 6:50bạn có một sợi nơron hay một bó nhỏ
gồm các sợi nơron -
6:50 - 6:51bật sáng và hô lên "con chim".
-
6:52 - 6:55Giờ tôi sẽ biểu diễn ba thành phần:
-
6:55 - 7:00điểm ảnh ở đầu vào, sợi tiếp hợp xi-náp
trong mạng lưới nơron, -
7:00 - 7:01và con chim ở đầu ra
-
7:01 - 7:04là ba biến số: X, W và Y.
-
7:05 - 7:07Biến X có thể có hàng triệu giá trị.
-
7:07 - 7:09nghĩa là hàng triệu điểm ảnh trong hình.
-
7:09 - 7:11Biến W có hàng tỉ hay cả ngàn tỉ giá trị,
-
7:11 - 7:15tương ứng với khối lượng khác nhau
của toàn bộ xi-náp trong mạng nơron. -
7:15 - 7:16Và với biến Y, chỉ có 4 giá trị,
-
7:16 - 7:18là số giá trị mà mạng nơron xuất ra.
-
7:18 - 7:20"B-i-r-d" có 4 kí tự đúng không?
-
7:21 - 7:25Giờ thì hãy giả sử ta có biểu thức
đơn giản này: -
7:25 - 7:27X "x" W =Y.
-
7:27 - 7:29Tôi đặt dấu nhân trong ngoặc kép
-
7:29 - 7:31vì đó mới là những gì
đang thực sự diễn ra, -
7:31 - 7:34tất nhiên rất phức tạp, gồm hàng loạt
các bài toán được giải. -
7:35 - 7:36Đây là một biểu thức.
-
7:36 - 7:38Gồm có 3 biến số.
-
7:38 - 7:41Và ta đều biết nếu như ta
có 1 đẳng thức, -
7:41 - 7:45bạn sẽ tìm được 1 biến khi biết
2 biến còn lại. -
7:45 - 7:49Nên vấn đề mắc phải
-
7:49 - 7:51để nhận ra đó là hình vẽ một con chim
-
7:51 - 7:53chính là đây:
-
7:53 - 7:56đây là nơi Y là biến chưa biết,
và W, X là 2 biến đã biết. -
7:56 - 7:59Bạn biết được mạng nơron,
bạn biết số điểm ảnh. -
7:59 - 8:02Như bạn thấy, chuyện này
khá dễ giải quyết. -
8:02 - 8:04Chỉ cần lấy tích của 2 x 3
là xong. -
8:05 - 8:07Tôi sẽ cho bạn xem một mạng lưới
neuron nhân tạo -
8:07 - 8:09mà nhóm tôi dựng mới đây,
dựng lại hệt như vậy. -
8:10 - 8:12Mạng lưới này đang chạy trên
một chiếc điện thoại di động, -
8:13 - 8:16và tất nhiên, khả năng tuyệt vời
vốn có của chiếc điện thoại -
8:16 - 8:19chính là nó có thể thực hiện hàng tỉ,
hàng ngàn tỉ thao tác -
8:19 - 8:21mỗi giây.
-
8:21 - 8:23Bạn đang nhìn thấy
một chiếc điện thoại -
8:23 - 8:26đang nhìn lần lượt những bức ảnh
có hình chim, -
8:26 - 8:29và nó không hô lên
"Đúng rồi, đây là chim," -
8:29 - 8:32mà lại xác định mỗi loài chim với một
mạng lưới tương tự như bộ não. -
8:33 - 8:35Nên trong bức tranh đó,
-
8:35 - 8:39X và W là hai đại lượng đã có,
và Y là ẩn. -
8:39 - 8:41Tôi đang chú thích cho một phần
rất hóc búa, dĩ nhiên rồi, -
8:41 - 8:45để hiểu làm cách nào
mà ta tìm được biến W. -
8:45 - 8:47não chúng ta thật sự
làm được chuyện này sao? -
8:47 - 8:50Nhưng chúng ta chưa học về
những mô hình thế này bao giờ mà? -
8:50 - 8:53Nên bước này chúng ta học
cách giải ra W, -
8:53 - 8:55nếu ta làm giả bài này
với cách giải của đơn thức -
8:55 - 8:57bằng cách xem chúng là các con số,
-
8:57 - 9:00chúng ta biết cách giải đúng: 6 = 2 x W,
-
9:00 - 9:03thì lấy 6 chia 2 là tiêu đời.
-
9:04 - 9:06Vấn đề chính là phép chia này đây.
-
9:07 - 9:08Vậy, phép chia này...
-
9:08 - 9:11Chúng ta sử dụng phép chia vì nó
nó nghịch đảo với phép nhân, -
9:11 - 9:13nhưng tôi đã nói vừa nãy,
-
9:13 - 9:15Phép nhân này thật ra không chỉ
là một phép nhân. -
9:15 - 9:18Đây là một phép tính cực kỳ phức tạp,
vô cùng lắt léo; -
9:18 - 9:20và không có phép tính nghịch đảo.
-
9:20 - 9:23Nên chúng ta phải tìm cách khác
để giải biểu thức này -
9:23 - 9:25mà không được dùng phép chia.
-
9:25 - 9:29Trong khi cách giải lại không rối rắm.
-
9:29 - 9:31Đừng sợ, hãy dùng một mẹo nhỏ trong
môn đại số, -
9:31 - 9:33hãy chuyển 6 qua vế bên phải.
-
9:33 - 9:35Giờ thì chúng ta vẫn
đang dùng phép nhân. -
9:36 - 9:39Và số 0 đó, hãy coi nó là lỗi đi.
-
9:39 - 9:42Có nghĩa là, nếu ta giải đúng được W,
-
9:42 - 9:43thì lỗi sẽ bằng 0.
-
9:43 - 9:45Và nếu ta chưa giải đúng được,
-
9:45 - 9:47thì lỗi đó sẽ lớn hơn 0 nhiều.
-
9:47 - 9:51Nên giờ ta chỉ có thể đoán sao để
lỗi có giá trị nhỏ nhất, -
9:51 - 9:53và đó là chuyện mà máy vi tính
rất thành thạo. -
9:53 - 9:55Vậy bạn vừa mới đoán:
-
9:55 - 9:56giả sử W = 0 ?
-
9:56 - 9:57Vậy thì số lỗi = 6.
-
9:57 - 9:59W = 4 thì sao? Vậy lỗi = 4.
-
9:59 - 10:01Rồi sau đó máy tính sẽ như
chơi trò bịt mắt bắt dê, -
10:01 - 10:04và đuổi theo lỗi cho đến khi nó
gần chạm tới 0. -
10:04 - 10:06Nó sẽ tiến dần về giá trị đúng của W.
-
10:06 - 10:11Thật ra sẽ không có giá trị hoàn toàn
chính xác, nhưng sau mười mấy lần, -
10:11 - 10:15chúng ta có được W = 2.999,
là giá trị gần đúng nhất. -
10:16 - 10:18Và đây chính là quá trình học tập.
-
10:18 - 10:21Hãy nhớ điều đang diễn ra
từ nãy đến giờ -
10:21 - 10:25là cách thức chúng ta sử dụng rất nhiều
giá trị đã biết của X và Y -
10:25 - 10:29để tìm ra mối quan tâm của ta là W,
thông qua quá trình lặp đi lặp lại. -
10:29 - 10:32Đó cũng chính là phương pháp
học tập của chúng ta. -
10:32 - 10:36Khi còn nhỏ người lớn cho ta
xem rất nhiều hình ảnh và nói -
10:36 - 10:38"đây là con chim", "còn đây không phải".
-
10:38 - 10:40Qua thời gian, và qua việc học đi học lại,
-
10:40 - 10:43chúng ta giải được W, là
giải được các kết nối nơron. -
10:43 - 10:48Nên giờ đây chúng ta đem X và W đã
cố định để tìm Y; -
10:48 - 10:49đó là sự tri nhận nhanh hằng ngày.
-
10:49 - 10:51Chúng ta hiểu rằng mình có thể giải W,
-
10:51 - 10:53đó là học tập, khó hơn nhiều,
-
10:53 - 10:55vì chúng ta phải giảm thiểu lỗi sai,
-
10:55 - 10:57bằng cách sử dụng
phương pháp luyện tập. -
10:57 - 11:00Khoảng 1 năm trước,thành viên
Alex Mordvinstev của nhóm tôi, -
11:00 - 11:04quyết định làm thí nghiệm xem
chuyện gì xảy ra nếu ta cố tìm X, -
11:04 - 11:06khi đã biết 1 giá trị W và 1 giá trị Y.
-
11:06 - 11:07Nói cách khác,
-
11:07 - 11:09bạn biết đó là con chim,
-
11:09 - 11:12và bạn cũng biết là hệ thần kinh
của mình được dạy, đó là chim -
11:12 - 11:14vậy thì bức hình một con chim là gì?
-
11:15 - 11:20Hoá ra khi sử dụng 1 quá trình giống
như quá trình giảm thiểu lỗi, -
11:20 - 11:23có thể giảm thiểu sai sót của mạng lưới
-
11:23 - 11:26được dạy để nhận ra chim, và kết quả...
-
11:30 - 11:32là một bức hình gồm nhiều loài chim.
-
11:33 - 11:37Đây là bức hình có nhiều loài chim
được tạo ra hoàn toàn từ 1 hệ thần kinh -
11:37 - 11:38đã được dạy để nhận ra các loài chim,
-
11:38 - 11:42chỉ bằng việc tìm X thay vì tìm Y,
-
11:42 - 11:44và làm đi làm lại quá trình đó.
-
11:44 - 11:46Đây là một ví dụ khác.
-
11:46 - 11:49Đây là tác phẩm của thành viên
Mike Tyka của nhóm tôi, -
11:49 - 11:51cậu ấy gọi nó là "Đoàn thú tuần hành".
-
11:51 - 11:54Nó làm tôi nhớ tới các tác phẩm
của William Kentridge, -
11:54 - 11:57khi ông cứ phác ra các hình vẽ, rồi bôi,
-
11:57 - 11:58rồi vẽ phác lại, rồi lại bôi,
-
11:58 - 12:00và tạo ra một kiểu phim theo cách này.
-
12:00 - 12:01Trong tranh này,
-
12:01 - 12:04Mike đã đa dạng hoá biến Y
thành nhiều loài thú khác nhau, -
12:04 - 12:07trong một mạng lưới được thiết kế
để nhận biết và phân biệt -
12:07 - 12:09mỗi loài có nhiều loài khác nữa.
-
12:09 - 12:12Và giờ bạn có được một bức như tranh
biến hình động vật của hoạ sĩ Escher. -
12:14 - 12:19Ở đây cậu ấy và Alex cùng thử
-
12:19 - 12:22giảm không gian của biến Y còn 2 chiều,
-
12:22 - 12:25để tạo ra một bản đồ có mặt
mọi thứ khác nhau -
12:25 - 12:27mà mạng lưới này nhận ra.
-
12:27 - 12:29Khi thực hiện tổng hợp như vậy
-
12:29 - 12:31hay tạo ra hình ảnh trên toàn bộ bề mặt,
-
12:31 - 12:34đa dạng giá trị Y trên mặt phẳng,
bạn có thể tạo ra -
12:34 - 12:37một loại bản đồ có tất cả những thứ
mà mạng lưới nhận biết được. -
12:37 - 12:41Tất cả các loài thú đều ở ngay đây;
"armadillo" ngay vị trí trung tâm. -
12:41 - 12:43Bạn có thể tạo bản đồ cho những mạng
lưới khác nữa. -
12:43 - 12:46Đây là mạng lưới được thiết kế
để nhận diện các khuôn mặt, -
12:46 - 12:48để phân biệt mặt người này, người kia.
-
12:48 - 12:52Còn đây, chúng ta đang chọn Y
có giá trị là "tôi", -
12:52 - 12:54là thông số giúp nhận ra gương mặt tôi.
-
12:54 - 12:55Và khi dùng Y để tìm X,
-
12:55 - 12:58nó cho ra một thứ rất điên,
-
12:58 - 13:02đại loại như tranh lập thể, siêu thực
vẽ tôi đang phê thuốc -
13:02 - 13:04từ nhiều góc nhìn khác nhau cùng lúc.
-
13:04 - 13:07Sở dĩ nó như nhiều góc nhìn khác nhau
cùng một lúc là vì -
13:07 - 13:10mạng lưới được thiết kế
để tránh sự mơ hồ khi nhận diện -
13:10 - 13:13một gương mặt khi nhìn ở góc này
so với khi nhìn ở góc khác, -
13:13 - 13:16hay trong điều kiện chiếu sáng
khác nhau. -
13:16 - 13:18Nên khi bạn thực hiện việc tái cấu tạo,
-
13:18 - 13:21nếu không sử dụng kiểu hình ảnh hướng dẫn
-
13:21 - 13:22hay thông số hướng dẫn để làm mẫu,
-
13:22 - 13:26thì bạn sản phẩm nhận được
là một bức hình rối mắt ở mọi góc nhìn, -
13:26 - 13:27vì mọi thứ trông rất mờ ảo.
-
13:28 - 13:32Đây là kết quả khi Ales sử dụng
mặt mình làm hình ảnh mẫu -
13:32 - 13:35trong quá trình tối ưu hoá mạng lưới
để tái hiện gương mặt tôi. -
13:36 - 13:39Nên có thể bạn thấy nó không hoàn hảo.
-
13:39 - 13:41Vẫn còn khá nhiều chuyện để làm
-
13:41 - 13:43để cải thiện tối đa
quá trình tái cấu trúc. -
13:43 - 13:46Nhưng giờ thì có được
bức tranh một gương mặt liền mạch -
13:46 - 13:48sử dụng mặt tôi làm hình hướng dẫn.
-
13:49 - 13:51Bạn không cần phải bắt đầu
vẽ với tờ giấy trắng -
13:51 - 13:53hay tiếng ồn trắng.
-
13:53 - 13:54Khi tìm X,
-
13:54 - 13:58bạn có thể bắt đầu với X,
bản thân nó đã là một hình. -
13:58 - 14:00Đó là điều mà tôi minh hoạ hôm nay.
-
14:00 - 14:05Hệ thần kinh nhân tạo này được
thiết kế để phân loại -
14:05 - 14:08tất cả vật thể khác nhau,
như công trình nhân tạo, động vật... -
14:08 - 14:10Ở đây, đầu tiên ta có bức tranh với
những đám mây, -
14:10 - 14:12và khi ta tối ưu hoá hình này,
-
14:12 - 14:17về căn bản, hệ thần kinh nhân tạo
đang xác định mấy đám mây có hình gì. -
14:17 - 14:19Và khi nhìn bức hình này càng lâu,
-
14:19 - 14:22bạn càng thấy được nhiều thứ
tạo ra từ những đám mây đó. -
14:23 - 14:26Bạn cũng có thể dùng hệ nhận diện
khuôn mặt để tạo ảo giác cho nền này, -
14:26 - 14:28và sẽ có được một sản phẩm điên khùng.
-
14:28 - 14:29(Cười)
-
14:30 - 14:33Hay như vầy, Mike
có vài thí nghiệm nữa -
14:33 - 14:37cậu ấy lấy hình đám mây,
-
14:37 - 14:41tạo hiệu ứng ảo, phóng đại, rồi chỉnh ảo,
phóng, rồi chỉnh, rồi lại phóng. -
14:41 - 14:42Và bằng cách này,
-
14:42 - 14:45tôi nghĩ bạn sẽ nhận được một
hệ thần kinh đang thấy lâng lâng, -
14:46 - 14:49hay là sự kết hợp tự do,
-
14:49 - 14:52trong đó bạn sẽ thấy mạng lưới ấy
đang ăn cái đuôi của mình. -
14:52 - 14:55Nên mỗi hình đều là ảnh nền cho
-
14:55 - 14:56hình "tôi sẽ thấy gì kế tiếp?
-
14:56 - 14:59tôi sẽ nhìn thấy gì kế tiếp?
tôi sẽ nhìn thấy gì kế tiếp?" -
14:59 - 15:02Tôi đã đem trưng bày bức tranh
-
15:02 - 15:08cho nhóm dự thính bài giảng
"Giáo dục Cấp cao" ở Seattle xem -
15:08 - 15:11ngay sau khi ma tuý
được hợp thức hoá. -
15:11 - 15:13(Cười)
-
15:15 - 15:17Tôi sẽ kết thúc nhanh thôi
-
15:17 - 15:21bằng việc nhấn mạnh rằng công nghệ
không có giới hạn. -
15:21 - 15:25Tôi chỉ mới cho bạn xem những ví dụ
thị giác vì chúng nhìn vui mắt. -
15:25 - 15:27Chứ công nghệ
không chỉ thuần về thị giác. -
15:27 - 15:29Cộng tác viên của chúng tôi, hoạ sĩ
Ross Goodwin, -
15:29 - 15:33đã có nhiều thí nghiệm có cả
một camera chụp hình, -
15:33 - 15:37và sau đó 1 cái máy tính trong balô của
cậu ấy viết 1 bài thơ bằng mạng nơron, -
15:37 - 15:39dựa vào nội dung của
hình ảnh ghi nhận. -
15:39 - 15:42Hệ thần kinh nhân tạo viết ra bài thơ đó
đã được học -
15:42 - 15:44một kho ngữ liệu lớn
về thơ ca thế kỷ 20. -
15:44 - 15:46Và bài thơ đó, bạn biết không,
-
15:46 - 15:48thật ra cũng không dở lắm đâu.
-
15:48 - 15:49(Cười)
-
15:49 - 15:50Tóm lại,
-
15:50 - 15:53Tôi nghĩ người tên Michelangelo đó,
-
15:53 - 15:54Ông ấy đã đúng;
-
15:54 - 15:57Sự tri nhận và sáng tạo
có liên quan mật thiết với nhau. -
15:58 - 16:00Những hệ thần kinh nhân tạo
mà ta vừa thấy -
16:00 - 16:02vốn chỉ được thiết kế
để tiếp nhận, phân biệt, -
16:02 - 16:06để nhận biết những sự vật
khác nhau của thế giới, -
16:06 - 16:08giờ có thể làm ngược lại, tạo ra cái mới.
-
16:08 - 16:10Một trong những điều tôi cảm giác được
-
16:10 - 16:12không chỉ là Michelangelo
thật sự nhìn ra -
16:12 - 16:15bức điêu khắc bên trong tảng đá,
-
16:15 - 16:18mà ông thấy bất kì sinh vật nào,
thực thể nào, trong hay ngoài hành tinh -
16:18 - 16:22chỉ cần biết tri nhận,
-
16:22 - 16:23sẽ có thể sáng tạo
-
16:23 - 16:27vì có cơ chế chung dùng cho cả
hai quá trình ấy. -
16:27 - 16:31Tôi cũng nghĩ rằng sự tri nhận
và sáng tạo không thể nào -
16:31 - 16:33chỉ con người mới có.
-
16:33 - 16:36Chúng ta bắt đầu có những
mẫu máy tính làm được những thứ này. -
16:36 - 16:40Và điều đó không có gì lạ;
bộ não chính là bộ máy. -
16:40 - 16:41Và sau cùng,
-
16:41 - 16:46máy tính bắt đầu trở thành công cụ
thiết kế trí tuệ nhân tạo. -
16:46 - 16:48Điện tử đã trở thành bằng chứng
-
16:48 - 16:51chứng minh rằng ta
có thể làm ra trì tuệ nhân tạo. -
16:52 - 16:54Và cuối cùng chúng ta
đã có thể hoàn thành -
16:54 - 16:56những hoài bão mà các tiền nhân để lại,
-
16:56 - 16:58chính là Turing, Von Neumann
-
16:58 - 17:00McCulloch và Pitts.
-
17:00 - 17:04Và tôi nghĩ điện toán không chỉ
tập trung cho việc tính toán, -
17:04 - 17:06để chơi Candy Crush
hoặc những trò khác. -
17:06 - 17:09Từ đầu, máy tính được tạo ra
theo hình mẫu là não người. -
17:09 - 17:12Và nhờ máy tính, chúng ta hiểu
về bộ não mình rõ hơn -
17:12 - 17:14để có thể cải tiến chúng.
-
17:15 - 17:16Cám ơn rất nhiều.
-
17:16 - 17:22(Vỗ tay)
- Title:
- Máy tính đang học cách sáng tạo như thế nào
- Speaker:
- Blaise Agüera y Arcas
- Description:
-
Chúng ta chuẩn bị bước qua ranh giới để đến được vùng đất bên kia của nghệ thuật và sáng tạo, và đó không phải của con người. Blaise Agüera y Arcas, nhà khoa học hàng đầu tại Google, đang nghiên cứu chuyên sâu về mạng lưới thần kinh giúp máy tính có tri giác và hỗ trợ chúng học tập các ngành được phân bổ. Với bài nói đầy tính thuyết phục kèm ví dụ minh hoạ, anh đã cho chúng ta thấy làm thế nào mà những mạng lưới thần kinh nhân tạo được thiết kế để nhận diện hình ảnh lại có thể tạo ra sản phẩm mới. Kết quả thu được chính là những bức tranh huyền ảo tuyệt vời (có cả thơ) ra đời, bất kể chúng thuộc loại nào. "Sự tri nhận và sáng tạo có mối quan hệ mật thiết với nhau," Agüera y Arcas đã nói như thế. "Bất kì sinh vật nào, chỉ cần có khả năng tri nhận thì sẽ có khả năng sáng tạo."
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 17:34
TED Translators admin approved Vietnamese subtitles for How we're teaching computers to be creative | ||
Nha Nguyen accepted Vietnamese subtitles for How we're teaching computers to be creative | ||
Nha Nguyen edited Vietnamese subtitles for How we're teaching computers to be creative | ||
Sharon Nguyen edited Vietnamese subtitles for How we're teaching computers to be creative | ||
Sharon Nguyen edited Vietnamese subtitles for How we're teaching computers to be creative | ||
Sharon Nguyen edited Vietnamese subtitles for How we're teaching computers to be creative |