How computers are learning to be creative | Blaise Agüera y Arcas

Μετάφραση: Lucas Kaimaras Επιμέλεια: Chryssa Takahashi

So, I lead a team at Google that works on machine intelligence;

Ηγούμαι μιας ομάδας στην Google που ερευνά τη μηχανική ευφυΐα.

in other words, the engineering discipline of making computers and devices

Με άλλα λόγια, τον κλάδο της μηχανικής που κάνει υπολογιστές και συσκευές

able to do some of the things that brains do.

να μπορούν να κάνουν κάποια απ' όσα κάνει το μυαλό.

And this makes us interested in real brains

Γι' αυτό ενδιαφερόμαστε για τους κανονικούς εγκεφάλους

and neuroscience as well,

καθώς και για τη νευροεπιστήμη,

and especially interested in the things that our brains do

και ειδικότερα για τα πράγματα που κάνει το μυαλό μας

that are still far superior to the performance of computers.

που ακόμα είναι πολύ ανώτερο από τις επιδόσεις των υπολογιστών.

Historically, one of those areas has been perception,

Ιστορικά, ένα από αυτά που μας ενδιέφεραν ήταν η αντίληψη,

the process by which things out there in the world --

η διαδικασία με την οποία τα πράγματα εκεί έξω στον κόσμο

sounds and images --

-ήχοι και εικόνες-

can turn into concepts in the mind.

μετατρέπονται σε έννοιες μέσα στο μυαλό.

This is essential for our own brains,

Αυτό είναι ζωτικό για τον εγκέφαλό μας

and it's also pretty useful on a computer.

και επίσης είναι πολύ χρήσιμο για τον υπολογιστή.

The machine perception algorithms, for example, that our team makes,

Για παράδειγμα, οι αλγόριθμοι μηχανικής αντίληψης που φτιάχνει η ομάδα μας

are what enable your pictures on Google Photos to become searchable,

κάνουν δυνατή την αναζήτηση στις φωτογραφίες του Google Photos

based on what's in them.

βάσει του τι αυτές περιέχουν.

The flip side of perception is creativity:

Η άλλη πλευρά της αντίληψης είναι η δημιουργικότητα:

turning a concept into something out there into the world.

το να μεταμορφώνετε μια έννοια σε κάτι εκεί έξω στον κόσμο.

So over the past year, our work on machine perception

Έτσι τον τελευταίο χρόνο, η εργασία μας πάνω στη μηχανική αντίληψη

has also unexpectedly connected with the world of machine creativity

συνδέθηκε απρόσμενα και με τον κόσμο της δημιουργικότητας

and machine art.

και της τέχνης από μηχανές.

I think Michelangelo had a penetrating insight

Νομίζω ότι ο Μιχαήλ Αγγελος είδε πολύ διορατικά

into to this dual relationship between perception and creativity.

αυτή τη δυαδική σχέση μεταξύ αντίληψης και δημιουργικότητας.

This is a famous quote of his:

Ένα φημισμένο απόφθεγμά του λέει:

"Every block of stone has a statue inside of it,

«Κάθε κομμάτι πέτρας έχει μέσα του ένα άγαλμα

και είναι δουλειά του γλύπτη να το αποκαλύψει».

and the job of the sculptor is to discover it."

So I think that what Michelangelo was getting at

Νομίζω ότι ο Μιχαήλ Άγγελος εννοεί

is that we create by perceiving,

ότι δημιουργούμε μέσα από την αντίληψη,

and that perception itself is an act of imagination

και η ίδια η αντίληψη είναι μια πράξη φαντασίας

and is the stuff of creativity.

από την οποία είναι φτιαγμένη η δημιουργικότητα.

The organ that does all the thinking and perceiving and imagining,

Το όργανο που σκέφτεται, αντιλαμβάνεται και φαντάζεται

of course, is the brain.

είναι φυσικά ο εγκέφαλος.

And I'd like to begin with a brief bit of history

Θα ήθελα να αρχίσω με λίγη ιστορία

about what we know about brains.

σχετικά με το τι γνωρίζουμε για τον εγκέφαλό μας.

Because unlike, say, the heart or the intestines,

Γιατί διαφορετικά, ας πούμε, από την καρδιά ή τα έντερα

you really can't say very much about a brain by just looking at it,

δεν μπορείς να πεις πολλά για τον εγκέφαλο απλώς κοιτώντας τον

at least with the naked eye.

τουλάχιστον δια γυμνού οφθαλμού.

The early anatomists who looked at brains

Οι πρώτοι ανατόμοι που εξέτασαν τον εγκέφαλο

gave the superficial structures of this thing all kinds of fanciful names,

έδωσαν στις εμφανείς δομές του κάθε είδους περίεργη ονομασία,

like hippocampus, meaning "little shrimp."

όπως ιππόκαμπος, ένα είδος μικρής γαρίδας.

But of course that sort of thing doesn't tell us very much

Αλλά φυσικά αυτό δεν μας λέει πάρα πολλά

about what's actually going on inside.

σχετικά με το τι πραγματικά συμβαίνει στο εσωτερικό.

The first person who, I think, really developed some kind of insight

Ο πρώτος που πιστεύω ότι κάπως μάντεψε

into what was going on in the brain

τι περίπου συμβαίνει μέσα στον εγκέφαλο

was the great Spanish neuroanatomist, Santiago Ramón y Cajal,

ήταν ο μεγάλος Ισπανός νευροανατόμος Σαντιάγο Ραμόν ι Καχάλ

in the 19th century,

τον 19ο αιώνα,

who used microscopy and special stains

που χρησιμοποίησε μικροσκόπιο και ειδικές χρωστικές

that could selectively fill in or render in very high contrast

που μπορούσαν επιλεκτικά να εισχωρήσουν και να χρωματίσουν με μεγάλη αντίθεση

the individual cells in the brain,

τα επιμέρους κελιά του εγκεφάλου,

in order to start to understand their morphologies.

ούτως ώστε να αρχίσουμε να καταλαβαίνουμε τη μορφολογία τους.

And these are the kinds of drawings that he made of neurons

Αυτά είναι τα σκίτσα νευρώνων που έφτιαξε τον 19ο αιώνα.

in the 19th century.

This is from a bird brain.

Αυτό είναι από εγκέφαλο πουλιού.

And you see this incredible variety of different sorts of cells,

Βλέπετε αυτή την απίστευτη ποικιλία από διάφορα είδη κελιών,

even the cellular theory itself was quite new at this point.

ακόμα και η ίδια η κυτταρική θεωρία ήταν αρκετά νέα εκείνον τον καιρό.

And these structures,

Και αυτές οι δομές,

these cells that have these arborizations,

τα κελιά που έχουν αυτές τις διακλαδώσεις

these branches that can go very, very long distances --

που εκτείνονται σε πολύ μεγάλες αποστάσεις

this was very novel at the time.

ήταν κάτι πολύ νέο εκείνη την εποχή.

They're reminiscent, of course, of wires.

Φυσικά, μας θυμίζουν καλώδια.

That might have been obvious to some people in the 19th century;

Αυτό θα καταλάβαιναν κάποιοι άνθρωποι τον 19ο αιώνα -

the revolutions of wiring and electricity were just getting underway.

η επανάσταση καλωδίων και ηλεκτρικού ήταν μόλις στο ξεκίνημά τους.

But in many ways,

Αλλά με διάφορους τρόπους,

these microanatomical drawings of Ramón y Cajal's, like this one,

αυτά τα μικροανατομικά σκίτσα του Ραμόν ι Καχάλ, όπως αυτό,

they're still in some ways unsurpassed.

ακόμη παραμένουν αξεπέραστα με κάποιους τρόπους.

We're still more than a century later,

Πάνω από έναν αιώνα αργότερα

trying to finish the job that Ramón y Cajal started.

προσπαθούμε να τελείωσουμε αυτό που άρχισε ο Ραμόν ι Καχάλ.

These are raw data from our collaborators

Αυτά είναι τα ακατέργαστα δεδομένα

από τους συνεργάτες μας στο Ινστιτούτο Νευροεπιστήμης Μαξ Πλανκ.

at the Max Planck Institute of Neuroscience.

And what our collaborators have done

Οι συνεργάτες μας απεικόνισαν μικρά κομμάτια εγκεφαλικού ιστού.

is to image little pieces of brain tissue.

The entire sample here is about one cubic millimeter in size,

Το συνολικό δείγμα εδώ

είναι περίπου ένα κυβικό χιλιοστό σε μέγεθος,

and I'm showing you a very, very small piece of it here.

κι εδώ σας δείχνω ένα πολύ μικρό κομμάτι.

That bar on the left is about one micron.

Η μπάρα αριστερά είναι περίπου ένα μικρόμετρο.

The structures you see are mitochondria

Οι δομές που βλέπετε είναι μιτοχόνδρια

that are the size of bacteria.

που είναι στο μέγεθος βακτηρίων.

And these are consecutive slices

Και αυτές είναι συνεχείς τομές

through this very, very tiny block of tissue.

αυτού του πολύ μικρού κομματιού ιστού.

Just for comparison's sake,

Απλώς για σύγκριση,

the diameter of an average strand of hair is about 100 microns.

η διάμετρος μιας μέσης τρίχας είναι περίπου 100 μικρόμετρα.

So we're looking at something much, much smaller

Άρα κοιτάζουμε κάτι πολύ πολύ μικρότερο

than a single strand of hair.

από μια τρίχα μαλλιών.

And from these kinds of serial electron microscopy slices,

Και από αυτές τις συνεχείς τομές από ηλεκτρονικό μικροσκόπιο

one can start to make reconstructions in 3D of neurons that look like these.

κάποιος μπορεί να φτιάξει τρισδιάστατα νευρώνες που μοιάζουν έτσι.

So these are sort of in the same style as Ramón y Cajal.

Έτσι είναι κάπως το ίδιο στυλ με αυτές του Ραμόν ι Καχάλ.

Only a few neurons lit up,

Μόνο λίγοι νευρώνες άναψαν,

because otherwise we wouldn't be able to see anything here.

γιατί αλλιώς δεν θα μπορούσαμε να δούμε τίποτα εδώ.

It would be so crowded,

Θα ήταν τόσο πυκνό,

so full of structure,

τόσο γεμάτο με δομές,

of wiring all connecting one neuron to another.

με καλώδια που συνδέουν τους νευρώνες μεταξύ τους.

So Ramón y Cajal was a little bit ahead of his time,

Έτσι ο Ραμόν ι Καχάλ ήταν λίγο μπροστά από την εποχή του

and progress on understanding the brain

και η πρόοδος για την κατανόηση του εγκεφάλου

proceeded slowly over the next few decades.

προχώρησε αργά τις επόμενες λίγες δεκαετίες.

But we knew that neurons used electricity,

Γνωρίζαμε όμως ότι οι νευρώνες χρησιμοποιούν ηλεκτρισμό

and by World War II, our technology was advanced enough

και μέχρι τον Β΄ Παγκόσμιο Πόλεμο είχαμε κάνει αρκετή πρόοδο

to start doing real electrical experiments on live neurons

ώστε να κάνουμε ηλεκτρικά πειράματα σε νευρώνες υπό λειτουργία

to better understand how they worked.

ώστε να καταλάβουμε καλύτερα πώς δούλευαν.

This was the very same time when computers were being invented,

Τότε ακριβώς εφευρέθηκαν οι υπολογιστές

very much based on the idea of modeling the brain --

και βασίστηκαν κατά πολύ στη δομή του εγκεφάλου -

of "intelligent machinery," as Alan Turing called it,

του «ευφυούς μηχανισμού», όπως τα αποκαλούσε ο Άλαν Τιούρινγκ,

one of the fathers of computer science.

ο πατέρας της επιστήμης των υπολογιστών.

Warren McCulloch and Walter Pitts looked at Ramón y Cajal's drawing

Οι Γουόρεν ΜακΚάλοκ και Γουόλτερ Πιτς

είδαν τα σκίτσα του Ραμόν ι Καχάλ από τον φλοιό του εγκεφάλου

of visual cortex,

which I'm showing here.

που σας δείχνω εδώ.

This is the cortex that processes imagery that comes from the eye.

Αυτός είναι ο φλοιός που επεξεργάζεται εικόνες που φτάνουν από το μάτι.

And for them, this looked like a circuit diagram.

Και τους φάνηκε σαν διάγραμμα κυκλώματος.

So there are a lot of details in McCulloch and Pitts's circuit diagram

Υπάρχουν πολλές λεπτομέρειες στο διάγραμμα των ΜακΚάλοκ και Πιτς

that are not quite right.

που δεν είναι ακριβώς σωστές.

But this basic idea

Αλλά αυτή η βασική ιδέα

that visual cortex works like a series of computational elements

ότι ο εγκεφαλικός ιστός λειτουργεί σαν μια σειρά από υπολογιστικά στοιχεία

that pass information one to the next in a cascade,

που μεταβιβάζουν πληροφορίες συνεχώς ο ένας στον άλλον

is essentially correct.

είναι κατά βάσην σωστή.

Let's talk for a moment

Ας μιλήσουμε για μια στιγμή

about what a model for processing visual information would need to do.

τι θα πρέπει να κάνει ένα μοντέλο επεξεργασίας οπτικών πληροφοριών.

The basic task of perception

Το βασικό έργο της αντίληψης

is to take an image like this one and say,

είναι να πάρει μια τέτοια φωτογραφία και να πει,

"That's a bird,"

«Αυτό είναι ένα πουλί»,

which is a very simple thing for us to do with our brains.

που είναι κάτι πολύ απλό να κάνουμε με τον εγκέφαλό μας.

But you should all understand that for a computer,

Αλλά πρέπει να καταλάβετε ότι για έναν υπολογιστή,

this was pretty much impossible just a few years ago.

αυτό ήταν μάλλον αδύνατον πριν από λίγα χρόνια.

The classical computing paradigm

Η κλασική δομή του υπολογιστή

is not one in which this task is easy to do.

δεν ευνοεί αυτή τη δουλειά.

So what's going on between the pixels,

Έτσι λοιπόν, αυτό που συμβαίνει με τα πίξελ,

between the image of the bird and the word "bird,"

ανάμεσα στην εικόνα του πουλιού και τη λέξη «πουλί»,

is essentially a set of neurons connected to each other

αφορά ουσιαστικά μια ομάδα νευρώνων

που αλληλοσυνδέονται σε ένα νευρωνικό δίκτυο,

in a neural network,

όπως στο διάγραμμα.

as I'm diagramming here.

This neural network could be biological, inside our visual cortices,

Μπορεί να είναι βιολογικό νευρωνικό δίκτυο μέσα στον εγκεφαλικό φλοιό,

or, nowadays, we start to have the capability

ή, στις μέρες μας, αρχίζουμε να έχουμε την ικανότητα

to model such neural networks on the computer.

να μοντελοποιήσουμε τέτοια δίκτυα στον υπολογιστή.

And I'll show you what that actually looks like.

Θα σας δείξω πώς μοιάζουν αυτά τα δίκτυα.

So the pixels you can think about as a first layer of neurons,

Μπορείτε να σκεφτείτε τα πίξελ ως το πρώτο επίπεδο νευρώνων,

and that's, in fact, how it works in the eye --

και βασικά έτσι λειτουργεί το μάτι -

that's the neurons in the retina.

είναι οι νευρώνες στον αμφιβληστροειδή.

And those feed forward

Και αυτοί μεταδίδουν την πληροφορία

into one layer after another layer, after another layer of neurons,

σε αλλεπάλληλα επίπεδα νευρώνων,

all connected by synapses of different weights.

που όλα συνδέονται από συνάψεις διαφορετικών βαρών.

The behavior of this network

Η συμπεριφορά αυτού του δικτύου

is characterized by the strengths of all of those synapses.

χαρακτηρίζεται από τις δυνάμεις όλων αυτών των συνάψεων.

Those characterize the computational properties of this network.

Αυτές χαρακτηρίζουν τις υπολογιστικές ιδιότητες αυτού του δικτύου.

And at the end of the day,

Και στη λήξη της διαδικασίας,

you have a neuron or a small group of neurons

έχετε έναν νευρώνα ή μια μικρή ομάδα νευρώνων

that light up, saying, "bird."

που θα ανάψει και θα πει «πουλί».

Now I'm going to represent those three things --

Τώρα θα αναπαραστήσω αυτά τα τρία πράγματα -

the input pixels and the synapses in the neural network,

τα πίξελ τροφοδοσίας και τις συνάψεις στο νευρωνικό δίκτυο,

and bird, the output --

και το πουλί, το εξαγόμενο -

by three variables: x, w and y.

με τρεις μεταβλητές: x, w και y

There are maybe a million or so x's --

Μπορεί να υπάρχουν περίπου ένα εκατομμύριο x -

a million pixels in that image.

ένα εκατομμύριο πίξελ σε αυτή την εικόνα.

There are billions or trillions of w's,

Υπάρχουν δισεκατομμύρια ή τρισεκατομμύρια w,

which represent the weights of all these synapses in the neural network.

που αντιπροσωπεύουν τα βάρη όλων των συνάψεων του νευρωνικού δικτύου.

And there's a very small number of y's,

Και μπορεί να υπάρχει ένα μικρός αριθμός από y,

of outputs that that network has.

από εξαγόμενα του δικτύου.

"Bird" is only four letters, right?

Το «πουλί» είναι μόνο πέντε γράμματα, σωστά;

So let's pretend that this is just a simple formula,

Ας υποθέσουμε ότι αυτός είναι ένας πολύ απλός μαθηματικός τύπος,

x "x" w = y.

x "x" w = y.

I'm putting the times in scare quotes

Βάζω τις φορές σε εισαγωγικά

because what's really going on there, of course,

επειδή αυτό που φυσικά συμβαίνει εκεί μέσα

is a very complicated series of mathematical operations.

είναι μια σειρά από πολύπλοκες μαθηματικές λειτουργίες.

That's one equation.

Αυτή είναι μια εξίσωση.

There are three variables.

Υπάρχουν τρεις μεταβλητές.

And we all know that if you have one equation,

Και όλοι γνωρίζουμε ότι σε μια εξίσωση

you can solve one variable by knowing the other two things.

μπορείς να λύσεις ως προς τον έναν άγνωστο εάν γνωρίζεις τους άλλους δύο.

So the problem of inference,

Έτσι το πρόβλημα της συνεπαγωγής,

that is, figuring out that the picture of a bird is a bird,

δηλαδή του να συμπεράνουμε ότι πρόκειται για φωτογραφία πουλιού,

is this one:

είναι το εξής:

it's where y is the unknown and w and x are known.

είναι που ο άγνωστος είναι ο y και οι w και x είναι γνωστοί.

You know the neural network, you know the pixels.

Γνωρίζετε τα νευρωνικά δίκτυα, γνωρίζετε και τα πίξελ.

As you can see, that's actually a relatively straightforward problem.

Όπως βλέπετε είναι ένα σχετικά ξεκάθαρο πρόβλημα.

You multiply two times three and you're done.

Πολλαπλασιάζετε το 2 επί 3 και τελειώσατε.

I'll show you an artificial neural network

Θα σας δείξω ένα τεχνητό νευρωνικό δίκτυο

that we've built recently, doing exactly that.

που φτιάξαμε πρόσφατα, να κάνει ακριβώς αυτό.

This is running in real time on a mobile phone,

Δουλεύει σε πραγματικό χρόνο σε κινητό τηλέφωνο,

and that's, of course, amazing in its own right,

και αυτό από μόνο του είναι αξιοθαύμαστο γεγονός,

that mobile phones can do so many billions and trillions of operations

τα κινητά μπορούν να κάνουν δισεκατομμύρια και τρισεκατομμύρια λειτουργίες

per second.

ανά δευτερόλεπτο.

What you're looking at is a phone

Αυτό που βλέπετε είναι ένα κινητό

looking at one after another picture of a bird,

που κοιτάζει αλλεπάλληλες φωτογραφίες από πουλιά,

and actually not only saying, "Yes, it's a bird,"

και όχι μόνο λέει, «Ναι, είναι πουλί»

but identifying the species of bird with a network of this sort.

αλλά αναγνωρίζει το είδος του πουλιού με ένα τέτοιο νευρωνικό δίκτυο.

So in that picture,

Έτσι σε αυτή την φωτογραφία,

the x and the w are known, and the y is the unknown.

οι x και w είναι γνωστοί και ο y είναι ο άγνωστος.

I'm glossing over the very difficult part, of course,

Φυσικά δεν μπαίνω σε λεπτομέρειες για το πολύ δύσκολο μέρος,

which is how on earth do we figure out the w,

το πώς στο καλό υπολογίσαμε το w,

the brain that can do such a thing?

τον εγκέφαλο που μπορεί να κάνει κάτι τέτοιο;

How would we ever learn such a model?

Πώς μπορεί να μάθαμε ένα τέτοιο μοντέλο;

So this process of learning, of solving for w,

Αυτή λοιπόν η διαδικασία μάθησης, να λύνουμε ως προς w,

if we were doing this with the simple equation

αν το κάναμε με την απλή εξίσωση

in which we think about these as numbers,

στην οποία τα βλέπουμε αυτά ως αριθμούς,

we know exactly how to do that: 6 = 2 x w,

ξέρουμε πώς ακριβώς να το κάνουμε: 6 = 2 x w,

well, we divide by two and we're done.

βασικά διαιρούμε διά 2 και τελειώσαμε.

The problem is with this operator.

Το πρόβλημα είναι αυτή η πράξη.

So, division --

Διαίρεση λοιπόν -

we've used division because it's the inverse to multiplication,

χρησιμοποιήσαμε τη διαίρεση ως το αντίθετο του πολλαπλασιασμού,

but as I've just said,

αλλά όπως είπα μόλις,

the multiplication is a bit of a lie here.

ο πολλαπλασιασμός είναι λίγο ψεύτικος.

This is a very, very complicated, very non-linear operation;

Αυτή είναι μια πολύ περίπλοκη, μια εντελώς μη γραμμική λειτουργία,

it has no inverse.

δεν έχει αντίθετο.

So we have to figure out a way to solve the equation

Έτσι πρέπει να βρούμε τρόπο να λύσουμε την εξίσωση

without a division operator.

χωρίς το σύμβολο της διαίρεσης.

And the way to do that is fairly straightforward.

Και ο τρόπος να το κάνουμε είναι αρκετά ξεκάθαρος.

You just say, let's play a little algebra trick,

Απλώς λέτε, ας κάνουμε ένα κόλπο της άλγεβρας

and move the six over to the right-hand side of the equation.

και να μετακινήσουμε το 6 στη δεξιά πλευρά της εξίσωσης.

Now, we're still using multiplication.

Τώρα ακόμα έχουμε τον πολλαπλασιασμό.

And that zero -- let's think about it as an error.

Και αυτό το μηδέν - ας το σκεφτούμε σαν ένα σφάλμα.

In other words, if we've solved for w the right way,

Με άλλα λόγια, αν λύναμε σωστά ως προς w,

then the error will be zero.

τότε το σφάλμα θα ήταν μηδέν.

And if we haven't gotten it quite right,

Και αν δεν το κάναμε αρκετά σωστά,

the error will be greater than zero.

το σφάλμα θα είναι μεγαλύτερο από μηδέν.

So now we can just take guesses to minimize the error,

Έτσι μπορούμε απλώς να μαντέψουμε για να ελαχιστοποιήσουμε το σφάλμα,

and that's the sort of thing computers are very good at.

και αυτό το κάνουν καλά οι υπολογιστές.

So you've taken an initial guess:

Ας κάνουμε μια πρώτη μαντεψιά:

what if w = 0?

Τι θα γινόταν αν w = 0;

Well, then the error is 6.

Τότε το σφάλμα είναι 6.

What if w = 1? The error is 4.

Εάν το w = 1; Το σφάλμα είναι 4.

And then the computer can sort of play Marco Polo,

Ο υπολογιστής μπορεί δίνοντας διάφορες τιμές

and drive down the error close to zero.

να περιορίσει το σφάλμα κοντά στο μηδέν.

As it does that, it's getting successive approximations to w.

Κάνοντάς το αυτό, λαμβάνει διαδοχικές τιμές κοντά στο w.

Typically, it never quite gets there, but after about a dozen steps,

Πρακτικά ποτέ δεν το φτάνει αλλά μετά από καμιά δεκαριά δοκιμές

we're up to w = 2.999, which is close enough.

φτάνουμε στο w = 2.999 που είναι αρκετά κοντά.

And this is the learning process.

Και αυτή είναι η διαδικασία μάθησης.

So remember that what's been going on here

Θυμηθείτε λοιπόν

is that we've been taking a lot of known x's and known y's

ότι εδώ παίρνουμε πολλούς γνωστούς x και γνωστούς y

and solving for the w in the middle through an iterative process.

και λύνουμε ως προς w μέσω μιας επαναληπτικής μεθόδου.

It's exactly the same way that we do our own learning.

Με τον ίδιο ακριβώς τρόπο μαθαίνουμε κι εμείς.

We have many, many images as babies

Ως μωρά έχουμε πάρα πολλές εικόνες

and we get told, "This is a bird; this is not a bird."

και μας λένε, «Αυτό είναι πουλί, αυτό δεν είναι πουλί».

And over time, through iteration,

Και με τον καιρό και την επανάληψη

we solve for w, we solve for those neural connections.

λύνουμε ως προς w, λύνουμε αυτές τις νευρωνικές συνδέσεις.

So now, we've held x and w fixed to solve for y;

Έτσι τώρα κρατήσαμε τα x και w σταθερά για να λύσουμε ως προς y,

that's everyday, fast perception.

αυτό είναι καθημερινή, γρήγορη αντίληψη.

We figure out how we can solve for w,

Βρίσκουμε πώς λύνουμε ως προς w,

that's learning, which is a lot harder,

είναι μάθηση που είναι πολύ δυσκολότερη,

because we need to do error minimization,

ώστε να ελαχιστοποιήσουμε το σφάλμα,

using a lot of training examples.

μέσα από πολλά δοκιμαστικά παραδείγματα.

And about a year ago, Alex Mordvintsev, on our team,

Πριν περίπου από έναν χρόνο, ο Άλεξ Μόρντβιντσεφ της ομάδας μας

decided to experiment with what happens if we try solving for x,

αποφάσισε να πειραματιστεί με το τι θα γίνει αν λύσουμε ως προς x,

given a known w and a known y.

με δεδομένους γνωστούς τους w και y.

In other words,

Με άλλα λόγια,

you know that it's a bird,

γνωρίζετε ότι είναι ένα πουλί

and you already have your neural network that you've trained on birds,

και ήδη έχετε ένα νευρωνικό δίκτυο που του έχετε μάθει τα πουλιά,

αλλά τι είναι η εικόνα ενός πουλιού;

but what is the picture of a bird?

It turns out that by using exactly the same error-minimization procedure,

Αποδεικνύεται τελικά ότι με την ίδια διαδικασία ελαχιστοποίησης σφάλματος

μπορούμε να το κάνουμε με το δίκτυο που έχει μάθει να αναγνωρίζει τα πουλιά,

one can do that with the network trained to recognize birds,

and the result turns out to be ...

και το αποτέλεσμα φαίνεται να είναι...

a picture of birds.

μια εικόνα από πουλιά.

So this is a picture of birds generated entirely by a neural network

Αυτή λοιπόν είναι μια εικόνα με πουλιά που φτιάχτηκε εξολοκλήρου

that was trained to recognize birds,

από νευρωνικό δίκτυο που έμαθε να αναγνωρίζει πουλιά,

just by solving for x rather than solving for y,

απλώς λύνοντας ως προς x αντί ως προς y,

and doing that iteratively.

και κάνοντάς το επαναληπτικά.

Here's another fun example.

Να άλλο ένα διασκεδαστικό παράδειγμα.

This was a work made by Mike Tyka in our group,

Είναι μια δουλειά του Μάικ Τάικα από την ομάδα μας.

which he calls "Animal Parade."

που το λέει «Παρέλαση ζώων».

It reminds me a little bit of William Kentridge's artworks,

Μου θυμίζει λίγο την τεχνοτροπία του Γουίλιαμ Κέντριτζ,

in which he makes sketches, rubs them out,

όπου φτιάχνει σκίτσα, τα σβήνει,

makes sketches, rubs them out,

φτιάχνει σκίτσα, τα σβήνει,

and creates a movie this way.

και έτσι φτιάχνει μια ταινία.

In this case,

Σε αυτή την περίπτωση,

what Mike is doing is varying y over the space of different animals,

ο Μάικ αντιστοιχεί το y με διάφορα ζώα από μια ομάδα,

σε ένα δίκτυο που έχει σχεδιαστεί να αναγνωρίζει και να διακρίνει

in a network designed to recognize and distinguish

different animals from each other.

διάφορα ζώα μεταξύ τους.

And you get this strange, Escher-like morph from one animal to another.

Και μας βγαίνει μια περίεργη μεταμόρφωση από ένα ζώο σε άλλο.

Here he and Alex together have tried reducing

Εδώ, αυτός και ο Άλεξ μαζί, προσπάθησαν να μειώσουν τα y

the y's to a space of only two dimensions,

σε χώρο μόνο δύο διαστάσεων,

thereby making a map out of the space of all things

φτιάχνοντας έτσι έναν χάρτη από τον χώρο όλων των πραγμάτων

που αναγνωρίζονται από αυτό το δίκτυο.

recognized by this network.

Doing this kind of synthesis

Φτιάχνοντας αυτό το είδος σύνθεσης

or generation of imagery over that entire surface,

ή δημιουργία εικόνων σε ολόκληρη αυτή την επιφάνεια,

varying y over the surface, you make a kind of map --

αναπτύσσοντας τις τιμές του y, φτιάχνετε ένα είδος χάρτη -

a visual map of all the things the network knows how to recognize.

έναν οπτικό χάρτη όλων των πραγμάτων που το δίκτυο ξέρει να αναγνωρίζει.

The animals are all here; "armadillo" is right in that spot.

Όλα τα ζώα είναι εδώ - το αρμαντίλο είναι σε αυτή τη θέση.

You can do this with other kinds of networks as well.

Μπορείτε να το κάνετε και με άλλα είδη δικτύων.

This is a network designed to recognize faces,

Αυτό είναι ένα δίκτυο σχεδιασμένο να αναγνωρίζει πρόσωπα,

to distinguish one face from another.

να διακρίνει πρόσωπα μεταξύ τους.

And here, we're putting in a y that says, "me,"

Και εδώ βάζουμε ένα y που λέει «εγώ»,

my own face parameters.

τις παραμέτρους του δικού μου προσώπου.

And when this thing solves for x,

Και όταν λύσει ως προς x,

it generates this rather crazy,

παράγει αυτή την αλλόκοτη,

kind of cubist, surreal, psychedelic picture of me

λίγο κυβιστική, σουρεαλιστική, ψυχεδελική εικόνα μου

from multiple points of view at once.

από πολλαπλές απόψεις ταυτόχρονα.

The reason it looks like multiple points of view at once

Ο λόγος που μοιάζει σαν να είναι πολλαπλές απόψεις ταυτόχρονα

is because that network is designed to get rid of the ambiguity

είναι επειδή το δίκτυο σχεδιάστηκε να απορρίπτει την αμφισημία

of a face being in one pose or another pose,

ενός προσώπου σε μια ή σε άλλη πόζα,

being looked at with one kind of lighting, another kind of lighting.

ή όταν το βλέπουμε κάθε φορά σε διαφορετικό φωτισμό.

So when you do this sort of reconstruction,

Όταν λοιπόν κάνετε μια τέτοια ανακατασκευή,

if you don't use some sort of guide image

αν δεν χρησιμοποιήσετε ως οδηγό

or guide statistics,

μια βασική εικόνα ή στατιστικές,

then you'll get a sort of confusion of different points of view,

τότε θα υπάρξει μια σύγχυση από διαφορετικές απόψεις

because it's ambiguous.

λόγω αμφισημίας.

This is what happens if Alex uses his own face as a guide image

Αυτό συμβαίνει αν ο Άλεξ βάλει το δικό του πρόσωπο ως εικόνα-οδηγό

during that optimization process to reconstruct my own face.

κατά τη διαδικασία βελτιστοποίησης στην ανακατασκευή του προσώπου μου.

So you can see it's not perfect.

Βλέπετε λοιπόν ότι δεν είναι τέλειο.

There's still quite a lot of work to do

Χρειάζεται αρκετή δουλειά ακόμη

on how we optimize that optimization process.

στη βελτιστοποίηση της διαδικασίας βελτιστοποίησης.

Αλλά αρχίζουμε να παίρνουμε κάτι πολύ πιο συναφές ως πρόσωπο,

But you start to get something more like a coherent face,

rendered using my own face as a guide.

που φτιάχνεται με οδηγό το δικό μου πρόσωπο.

You don't have to start with a blank canvas

Δεν χρειάζεται να ξεκινήσετε από το μηδέν

or with white noise.

ή από μια αοριστία.

When you're solving for x,

Όταν λύνετε ως προς x,

you can begin with an x, that is itself already some other image.

μπορείτε να ξεκινήσετε με ένα x, που είναι ήδη μια άλλη εικόνα το ίδιο.

That's what this little demonstration is.

Όπως σε αυτή η επίδειξη.

This is a network that is designed to categorize

Αυτό είναι ένα δίκτυο σχεδιασμένο να ταξινομεί

all sorts of different objects -- man-made structures, animals ...

κάθε είδους διαφορετικά αντικείμενα - ανθρώπινες κατασκευές, ζώα...

Here we're starting with just a picture of clouds,

Εδώ αρχίζουμε μόνο με μια εικόνα από σύννεφα,

and as we optimize,

και καθώς βελτιστοποιούμε,

basically, this network is figuring out what it sees in the clouds.

βασικά, αυτό το δίκτυο βρίσκει τι βλέπει μέσα στα σύννεφα.

And the more time you spend looking at this,

Και όσο περισσότερο το κοιτάζετε,

the more things you also will see in the clouds.

τόσο περισσότερα πράγματα βρίσκετε κι εσείς μέσα στα σύννεφα.

You could also use the face network to hallucinate into this,

Μπορείτε επίσης να βάλετε το δίκτυο με τα πρόσωπα να οραματιστεί εδώ,

and you get some pretty crazy stuff.

και θα έχετε πολύ τρελά αποτελέσματα.

(Laughter)

(Γέλια)

Or, Mike has done some other experiments

Ή ακόμη, ο Μάικ έκανε και άλλα πειράματα

in which he takes that cloud image,

όπου παίρνει την εικόνα με τα σύννεφα,

hallucinates, zooms, hallucinates, zooms hallucinates, zooms.

οραματίζεται μορφές, ζουμάρει, οραματίζεται, ζουμάρει.

And in this way,

Και με αυτό τον τρόπο

you can get a sort of fugue state of the network, I suppose,

βάζετε το δίκτυο σε μια κατάσταση, θα έλεγα σαν ένα είδος αντίστιξης,

or a sort of free association,

ένα είδος ελεύθερου συσχετισμού,

in which the network is eating its own tail.

όπου το δίκτυο τρώει την ίδια του την ουρά.

So every image is now the basis for,

Έτσι πλέον κάθε εικόνα μας κάνει να σκεφτόμαστε,

"What do I think I see next?

«Τι νομίζω ότι βλέπω μετά;

What do I think I see next? What do I think I see next?"

Τι νομίζω ότι βλέπω μετά; Τι νομίζω ότι βλέπω μετά;»

I showed this for the first time in public

Το παρουσίασα πρώτη φορά δημόσια σε μια ομάδα

to a group at a lecture in Seattle called "Higher Education" --

σε ομιλία στο Σιάτλ που λεγόταν «Ανώτερη Εκπαίδευση» -

this was right after marijuana was legalized.

αμέσως αφού νομιμοποιήθηκε η μαριχουάνα.

(Laughter)

(Γέλια)

So I'd like to finish up quickly

Θα ήθελα να κλείσω γρήγορα

by just noting that this technology is not constrained.

με την απλή παρατήρηση ότι αυτή η τεχνολογία δεν περιορίζεται.

I've shown you purely visual examples because they're really fun to look at.

Σας έδειξα μόνο οπτικά παραδείγματα επειδή είναι πιο ευχάριστα.

It's not a purely visual technology.

Δεν είναι αποκλειστικά οπτική τεχνολογία.

Ο καλλιτεχνικός συνεργάτης μας, Ρος Γκούντγουιν,

Our artist collaborator, Ross Goodwin,

has done experiments involving a camera that takes a picture,

έχει κάνει πειράματα με μια κάμερα που παίρνει φωτογραφίες,

and then a computer in his backpack writes a poem using neural networks,

και μετά ένας υπολογιστής στο σακίδιό του γράφει ποιήματα μέσα από νευρωνικά δίκτυα,

based on the contents of the image.

με βάση τα περιεχόμενα της εικόνας.

And that poetry neural network has been trained

Αυτό το ποιητικό νευρωνικό δίκτυο έχει εκπαιδευτεί

on a large corpus of 20th-century poetry.

με ένα μεγάλο όγκο ποίησης του 20ου αιώνα.

And the poetry is, you know,

Και η ποίηση είναι, ξέρετε,

I think, kind of not bad, actually.

νομίζω, όχι και τόσο άσχημη, τελικά.

(Laughter)

(Γέλια)

In closing,

Κλείνοντας,

I think that per Michelangelo,

σχετικά με τον Μιχαήλ Άγγελο,

I think he was right;

νομίζω ότι είχε δίκιο.

perception and creativity are very intimately connected.

Η αντίληψη και η δημιουργικότητα είναι πολύ στενά συνδεδεμένες.

What we've just seen are neural networks

Μόλις είδαμε νευρωνικά δίκτυα

that are entirely trained to discriminate,

που έχουν εκπαιδευτεί εξολοκλήρου να διακρίνουν,

or to recognize different things in the world,

ή να αναγνωρίζουν διαφορετικά πράγματα στον κόσμο,

able to be run in reverse, to generate.

και μπορούν να λειτουργούν αντίστροφα, να δημιουργούν.

One of the things that suggests to me

Ένα από τα πράγματα που συμπεραίνω από αυτό

is not only that Michelangelo really did see

είναι ότι δεν είδε μόνο ο Μιχαήλ Άγγελος

the sculpture in the blocks of stone,

το γλυπτό μέσα στον όγκο της πέτρας,

but that any creature, any being, any alien

αλλά ότι κάθε πλάσμα, κάθε ον, κάθε εξωγήινος,

that is able to do perceptual acts of that sort

που μπορεί να επιτελέσει τέτοιου είδους πράξεις αντίληψης,

μπορεί επίσης να δημιουργήσει

is also able to create

because it's exactly the same machinery that's used in both cases.

επειδή ακριβώς ο ίδιος μηχανισμός χρησιμοποιείται και στις δύο περιπτώσεις.

Also, I think that perception and creativity are by no means

Επίσης πιστεύω ότι η αντίληψη και η δημιουργικότητα

επ' ουδενί είναι αποκλειστικά κάτι ανθρώπινο.

uniquely human.

We start to have computer models that can do exactly these sorts of things.

Έχουμε υπολογιστικά μοντέλα που μπορούν να κάνουν ακριβώς το ίδιο.

And that ought to be unsurprising; the brain is computational.

Και αυτό δεν πρέπει να μας εκπλήσσει, το μυαλό κάνει υπολογισμούς.

And finally,

Και τέλος,

computing began as an exercise in designing intelligent machinery.

οι υπολογιστές ξεκίνησαν ως άσκηση στο σχεδιασμό ευφυών μηχανημάτων.

It was very much modeled after the idea

Σχεδιάστηκε βασικά με την ιδέα

of how could we make machines intelligent.

του πώς μπορούμε να κάνουμε τις μηχανές ευφυείς.

And we finally are starting to fulfill now

Και τελικά αρχίζουμε να εκπληρώνουμε

some of the promises of those early pioneers,

μερικές από τις υποσχέσεις εκείνων των πρωτοπόρων,

of Turing and von Neumann

του Τούρινγκ και του Φον Νόιμαν,

and McCulloch and Pitts.

του ΜακΚάλοκ και του Πιτς.

And I think that computing is not just about accounting

Και νομίζω ότι οι υπολογιστές δεν αφορούν μόνο τα λογιστικά,

or playing Candy Crush or something.

ή να παίζουμε Καντι Κρας ή κάτι τέτοιο.

From the beginning, we modeled them after our minds.

Εξαρχής τα σχεδιάσαμε κατ' εικόναν του μυαλού μας.

And they give us both the ability to understand our own minds better

Και μας δίνουν την ικανότητα να καταλάβουμε το μυαλό μας καλύτερα

and to extend them.

και να τα επεκτείνουμε.

Thank you very much.

Σας ευχαριστώ πολύ.

(Applause)

(Χειροκρότημα)