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

Traductor: Lidia Cámara de la Fuente Revisor: Sebastian Betti

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

Coordino un equipo de Google que trabaja en inteligencia artificial;

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

es decir, en la disciplina de ingeniería para fabricar computadoras y dispositivos

able to do some of the things that brains do.

capaces de hacer algunas cosas que hacen los cerebros.

And this makes us interested in real brains

Y esto hace que nos interese mucho el cerebro real,

and neuroscience as well,

la neurociencia

and especially interested in the things that our brains do

y, especialmente, nos interesan las cosas que hace nuestro cerebro

that are still far superior to the performance of computers.

que todavía son muy superiores al rendimiento de las computadoras.

Historically, one of those areas has been perception,

Históricamente, una de esas áreas ha sido la percepción,

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

el proceso por el cual las cosas que hay en el mundo,

sounds and images --

sonidos e imágenes,

can turn into concepts in the mind.

pueden convertirse en conceptos en la mente.

This is essential for our own brains,

Esto es esencial para nuestro propio cerebro,

and it's also pretty useful on a computer.

y también es muy útil en una máquina.

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

Nuestro equipo hace algoritmos de percepción computacional

que permiten encontrar imágenes en Google

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

based on what's in them.

en función de lo que hay en ellas.

The flip side of perception is creativity:

La otra cara de la percepción es la creatividad:

turning a concept into something out there into the world.

convertir un concepto en algo que hay en el mundo.

So over the past year, our work on machine perception

Así que en el último año, nuestro trabajo en percepción computacional

has also unexpectedly connected with the world of machine creativity

ha conectado de forma inesperada con el mundo de la creatividad

and machine art.

y el arte computacionales.

I think Michelangelo had a penetrating insight

Creo que Miguel Ángel tenía una visión aguda

into to this dual relationship between perception and creativity.

en esta doble relación entre la percepción y la creatividad.

This is a famous quote of his:

Esta es una de sus célebres citas:

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

"Cada bloque de piedra tiene una estatua en su interior,

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

y el trabajo del escultor es descubrirla".

So I think that what Michelangelo was getting at

Pienso que Miguel Ángel quería decir

is that we create by perceiving,

que creamos al percibir,

and that perception itself is an act of imagination

y que la propia percepción es un acto de imaginación

and is the stuff of creativity.

y es la materia de la creatividad.

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

El órgano que crea todo el pensamiento, la percepción y la imaginación,

of course, is the brain.

por supuesto, es el cerebro.

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

Y me gustaría empezar con un poquito de historia

about what we know about brains.

sobre lo que sabemos del cerebro.

Porque a diferencia de, por ejemplo, el corazón o los intestinos,

Because unlike, say, the heart or the intestines,

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

realmente no se puede decir mucho de un cerebro con solo mirarlo,

at least with the naked eye.

al menos a simple vista.

The early anatomists who looked at brains

Los primeros anatomistas que exploraron cerebros dieron

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

a las estructuras superficiales de esta cosa todo tipo de nombres de fantasía,

like hippocampus, meaning "little shrimp."

como hipocampo, que significa "pequeño camarón".

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

Pero, por supuesto, eso no nos dice mucho

about what's actually going on inside.

de lo que realmente sucede en el interior.

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

La primera persona que, creo, desarrolló una visión

into what was going on in the brain

de lo que ocurría en el cerebro

was the great Spanish neuroanatomist, Santiago Ramón y Cajal,

fue el gran neuroanatomista español, Santiago Ramón y Cajal,

in the 19th century,

en el siglo XIX,

who used microscopy and special stains

que usó la microscopía y tinciones especiales

that could selectively fill in or render in very high contrast

para poder marcar selectivamente en un contraste muy alto

the individual cells in the brain,

las células individuales en el cerebro,

in order to start to understand their morphologies.

para empezar a entender sus morfologías.

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

Y estos son los tipos de dibujos que hizo de las neuronas

in the 19th century.

en el siglo XIX.

This is from a bird brain.

Esto es de un cerebro de un pájaro.

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

Y ya ven esta increíble variedad de diferentes tipos de células,

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

incluso la propia teoría celular era bastante nueva en este momento.

And these structures,

Y estas estructuras,

these cells that have these arborizations,

estas células que tienen estas arborizaciones,

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

estas ramas que pueden alcanzar muy largas distancias,

this was very novel at the time.

esto era muy novedoso en esa época.

They're reminiscent, of course, of wires.

Nos recuerdan, por supuesto, a los cables.

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

Eso podría haber sido obvio para algunos en el siglo XIX;

the revolutions of wiring and electricity were just getting underway.

las revoluciones del cableado y de la electricidad se estaban iniciando.

But in many ways,

Pero en muchos sentidos,

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

los dibujos de microanatomía de Ramón y Cajal, como éste,

they're still in some ways unsurpassed.

todavía son, en cierto modo, insuperables.

We're still more than a century later,

Un siglo más tarde todavía

trying to finish the job that Ramón y Cajal started.

tratamos de terminar el trabajo que empezó Ramón y Cajal.

These are raw data from our collaborators

Estos son los datos brutos de nuestros colaboradores

at the Max Planck Institute of Neuroscience.

del Instituto Max Planck de Neurociencia.

And what our collaborators have done

Nuestros colaboradores

is to image little pieces of brain tissue.

han tomado imágenes de trozos de tejido cerebral.

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

La muestra completa aquí es de 1 mm cúbico de tamaño,

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

y les estoy mostrando un trozo muy pequeño.

That bar on the left is about one micron.

Esa barra de la izquierda es de aproximadamente una micra.

The structures you see are mitochondria

Las estructuras visibles son las mitocondrias

that are the size of bacteria.

del tamaño de las bacterias.

And these are consecutive slices

Y estos son cortes consecutivos

through this very, very tiny block of tissue.

de este diminuto bloque de tejido.

Just for comparison's sake,

solo a efectos de comparación,

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

el diámetro de una hebra promedio de pelo es de unas 100 micras.

So we're looking at something much, much smaller

Así que vemos algo mucho, mucho más pequeño

than a single strand of hair.

que una sola hebra de cabello.

And from these kinds of serial electron microscopy slices,

Y a partir de este tipo de rebanadas de microscopía electrónica de serie,

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

se pueden hacer reconstrucciones en 3D de las neuronas con este aspecto.

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

Son casi del mismo estilo que las de Ramón y Cajal.

Solo se iluminaron unas pocas neuronas,

Only a few neurons lit up,

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

porque, de lo contrario, no se podría ver nada aquí.

It would be so crowded,

Estaría tan lleno,

so full of structure,

tan pleno de estructuras,

of wiring all connecting one neuron to another.

de cableado de todas las neuronas conectadas una a otra.

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

Así Ramón y Cajal se adelantó un poco a su tiempo,

and progress on understanding the brain

y al progreso en la comprensión del cerebro

proceeded slowly over the next few decades.

avanzando lentamente a lo largo de las siguientes décadas.

But we knew that neurons used electricity,

Pero sabíamos que las neuronas usan electricidad

y por la Segunda Guerra Mundial, la tecnología avanzó lo suficiente

and by World War II, our technology was advanced enough

to start doing real electrical experiments on live neurons

como para empezar a hacer experimentos eléctricos reales con neuronas vivas

to better understand how they worked.

para comprender mejor cómo funcionaban.

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

En ese mismo momento se desarrollaban las computadoras

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

con la idea de modelar el cerebro,

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

de "máquinas inteligentes", como decía Alan Turing,

one of the fathers of computer science.

uno de los padres de la informática.

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

Warren McCulloch y Walter Pitts miraron el dibujo de Ramón y Cajal

of visual cortex,

de la corteza visual,

which I'm showing here.

que muestro aquí.

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

Esta es la corteza que procesa las imágenes que provienen del ojo.

And for them, this looked like a circuit diagram.

Y para ellos, esto parecía un diagrama de circuito.

Y hay gran cantidad de detalles en el diagrama de circuito de McCulloch y Pitts

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

that are not quite right.

que no están del todo bien.

But this basic idea

Pero esta idea básica de que

that visual cortex works like a series of computational elements

la corteza visual funciona como una serie de elementos computacionales

that pass information one to the next in a cascade,

que pasan una información de uno al siguiente en cascada,

is essentially correct.

es esencialmente correcta.

Let's talk for a moment

Hablemos por un momento

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

de lo que tendría que hacer un modelo para procesar la información visual.

The basic task of perception

La tarea básica de la percepción

is to take an image like this one and say,

es tomar una imagen como esta y decir:

"That's a bird,"

"Eso es un pájaro"

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

que es algo muy simple de ver con nuestro cerebro.

But you should all understand that for a computer,

Pero todos Uds. deben entender que para una computadora

this was pretty much impossible just a few years ago.

esto era prácticamente imposible hace pocos años.

The classical computing paradigm

Con el paradigma de la computación clásica

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

esta tarea no es fácil de hacer.

So what's going on between the pixels,

Entonces lo que pasa entre los píxeles,

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

entre la imagen del ave y la palabra "pájaro"

is essentially a set of neurons connected to each other

es esencialmente un conjunto de neuronas conectadas entre sí

in a neural network,

en una red neuronal,

as I'm diagramming here.

como la que diagramo aquí.

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

Esta red neuronal podría ser biológica, en nuestras cortezas visuales,

or, nowadays, we start to have the capability

o, en la actualidad, podemos

to model such neural networks on the computer.

modelar este tipo de redes neuronales en la computadora.

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

Y mostraré qué aspecto tienen.

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

Así que los píxeles se puede pensar como una primera capa de neuronas,

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

y así es, de hecho, como funciona el ojo,

that's the neurons in the retina.

eso son las neuronas de la retina.

And those feed forward

Y después avanzan

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

de una capa a la otra, y luego a otra capa de neuronas,

all connected by synapses of different weights.

todas conectadas por sinapsis de diferentes pesos.

The behavior of this network

El comportamiento de esta red

is characterized by the strengths of all of those synapses.

se caracteriza por las fortalezas de todas esas sinapsis.

Those characterize the computational properties of this network.

Estas caracterizan las propiedades computacionales de esta red.

And at the end of the day,

Y al final

you have a neuron or a small group of neurons

una neurona o un pequeño grupo de neuronas

that light up, saying, "bird."

da la luz, diciendo, "pájaro".

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

Ahora voy a representar esas tres cosas:

the input pixels and the synapses in the neural network,

los píxeles de entrada, las sinapsis en la red neuronal,

and bird, the output --

y el pájaro, la salida,

by three variables: x, w and y.

con tres variables: X, W e Y.

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

Hay tal vez un millón o más de X,

a million pixels in that image.

un millón de píxeles en la imagen.

There are billions or trillions of w's,

Hay miles de millones o billones de W,

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

que representan los pesos de todas estas sinapsis en la red neuronal.

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

Y hay un número muy pequeño de Y,

of outputs that that network has.

de salidas que tiene esa red.

"Bird" is only four letters, right?

"Pájaro" son solo seis letras, ¿verdad?

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

Así que vamos a suponer que esto es solo una fórmula simple,

x "x" w = y.

X "x" W = Y.

I'm putting the times in scare quotes

Pongo la multiplicación entre comillas

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

porque lo que realmente pasa allí, por supuesto,

is a very complicated series of mathematical operations.

es una serie muy complicada de operaciones matemáticas.

That's one equation.

Esa es una ecuación.

There are three variables.

Hay tres variables.

And we all know that if you have one equation,

Y todos sabemos que si uno tiene una ecuación,

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

puede resolver una variable conociendo las otras dos.

So the problem of inference,

Así que el problema de la inferencia,

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

es decir, averiguar que la imagen de un pájaro es un pájaro,

is this one:

es este:

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

Y es la desconocida y W y X las conocidas.

You know the neural network, you know the pixels.

Se conoce la red neuronal, y también los píxeles.

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

Como se puede ver, en realidad, es un problema relativamente sencillo.

You multiply two times three and you're done.

Se multiplica dos veces tres y ya está.

I'll show you an artificial neural network

Les voy a mostrar una red neuronal artificial

que hemos construido recientemente, haciendo exactamente eso.

that we've built recently, doing exactly that.

This is running in real time on a mobile phone,

Esto se ejecuta en tiempo real en un teléfono móvil,

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

y eso es, por supuesto, sorprendente en sí mismo,

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

que los teléfonos móviles puedan hacer

tantos millones y billones de operaciones por segundo.

per second.

What you're looking at is a phone

Lo que ven es un teléfono

looking at one after another picture of a bird,

que analiza imágenes de un pájaro una tras otra.

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

Y, de hecho, no solo dice: "Sí, es un pájaro"

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

sino que identifica las especies de pájaros con una red de este tipo.

So in that picture,

Así que en ese cuadro,

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

la X y la W son conocidas, y la Y es la desconocida.

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

Estoy pasando por alto la parte más difícil, por supuesto,

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

que es cómo demonios podemos averiguar la W,

the brain that can do such a thing?

cómo puede el cerebro hacerlo.

How would we ever learn such a model?

¿Cómo podríamos llegar a aprender un modelo de este tipo?

So this process of learning, of solving for w,

Este proceso de aprendizaje de despejar W,

if we were doing this with the simple equation

si lo hacemos con una simple ecuación

in which we think about these as numbers,

en la que pensamos en ellos como números,

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

sabemos exactamente cómo hacer eso: 6 = 2 x W,

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

así, se divide por dos y ya está.

The problem is with this operator.

El problema estriba en este operador.

So, division --

Por lo tanto, la división,

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

hemos usado la división por ser la inversa de la multiplicación,

but as I've just said,

pero, como acabo de decir,

the multiplication is a bit of a lie here.

la multiplicación tiene algo de mentira aquí.

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

Esta es una operación muy complicada, nada lineal;

it has no inverse.

que no tiene inversa.

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

Así que tenemos que encontrar una manera de resolver la ecuación

without a division operator.

sin un operador de división.

And the way to do that is fairly straightforward.

Y la manera de hacerlo es bastante sencilla.

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

Vamos a aplicar un pequeño truco de álgebra,

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

y a mover el 6 hacia el lado derecho de la ecuación.

Now, we're still using multiplication.

Ahora, todavía usamos la multiplicación.

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

Y el cero... pensémoslo como un error.

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

Es decir, si hemos resuelto la W de la manera correcta,

then the error will be zero.

luego el error será el cero.

And if we haven't gotten it quite right,

Y si no lo hacemos del todo bien,

the error will be greater than zero.

el error será mayor que cero.

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

Así que ahora solo podemos hacer conjeturas para minimizar el error,

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

y en eso las computadoras son muy buenas.

So you've taken an initial guess:

Así que ya hemos hecho una aproximación inicial:

what if w = 0?

¿Y si W = 0?

Well, then the error is 6.

Entonces el error es 6.

What if w = 1? The error is 4.

¿Qué pasa si W = 1? El error es 4.

And then the computer can sort of play Marco Polo,

Y luego, la computadora puede correr una especie de Marco Polo,

and drive down the error close to zero.

y reducir el error cercano a cero.

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

A medida que lo hace, se logra aproximaciones sucesivas a W.

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

Por lo general, nunca llega allí, pero tras una docena de pasos,

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

estamos en W = 2.999, que es lo suficientemente aproximado.

And this is the learning process.

Y este es el proceso de aprendizaje.

So remember that what's been going on here

Así que recuerden que

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

hemos tomado muchas X e Y conocidas

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

para resolver la W por medio de un proceso iterativo.

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

De la misma manera como lo hacemos en nuestro propio aprendizaje.

We have many, many images as babies

Tenemos muchas, muchas imágenes de bebés

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

y nos dicen: "Esto es un pájaro, esto no es un pájaro".

And over time, through iteration,

Y con el tiempo, a través de iteración,

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

resolvemos W, lo resolvemos para esas conexiones neuronales.

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

Así que ahora ya tenemos despejada la X, y la W para resolver Y;

that's everyday, fast perception.

eso todos los días, percepción rápida.

We figure out how we can solve for w,

Entendemos cómo podemos resolver W,

that's learning, which is a lot harder,

esto es aprendizaje, que es mucho más difícil,

because we need to do error minimization,

porque tenemos que minimizar errores,

using a lot of training examples.

usando mucho ejemplos para el entrenamiento.

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

Y hace un año, Alex Mordvintsev, de nuestro equipo,

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

decidió experimentar qué sucede si intentamos resolver X,

given a known w and a known y.

con una W e Y conocidas.

In other words,

En otras palabras,

you know that it's a bird,

se sabe que es un pájaro,

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

y se cuenta con una red neuronal entrenada en aves,

but what is the picture of a bird?

pero ¿y la imagen de un pájaro?

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

Usando el mismo procedimiento de minimización de errores,

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

uno puede hacer eso con la red entrenada para reconocer aves,

and the result turns out to be ...

y el resultado es...

a picture of birds.

una imagen de aves.

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

Esta es una imagen de aves generada en su totalidad por una red neuronal

that was trained to recognize birds,

entrenada para reconocer aves,

just by solving for x rather than solving for y,

simplemente resolviendo X, en lugar de resolver Y,

and doing that iteratively.

haciéndolo de forma iterativa.

Here's another fun example.

He aquí otro ejemplo divertido.

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

Este fue un trabajo realizado por Mike Tyka en nuestro grupo,

which he calls "Animal Parade."

llamado "animal del desfile".

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

Me recuerda algo a las obras de arte de William Kentridge,

in which he makes sketches, rubs them out,

donde él hace bocetos, los borra,

makes sketches, rubs them out,

hace bocetos, los borra

and creates a movie this way.

y crea una película de esta manera.

In this case,

En este caso, Mike

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

varía Y sobre el espacio de diferentes animales,

in a network designed to recognize and distinguish

en una red diseñada para reconocer y distinguir

different animals from each other.

animales diferentes unos de otros.

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

Y se obtiene esta extraña metamorfosis de un animal a la Escher.

Here he and Alex together have tried reducing

Aquí él y Alex han intentado reducir

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

las Y a un espacio de solo dos dimensiones,

thereby making a map out of the space of all things

logrando un mapa fuera del espacio de todas las cosas

recognized by this network.

reconocido por esta red.

Doing this kind of synthesis

Realizar este tipo de síntesis

or generation of imagery over that entire surface,

o la generación de las imágenes sobre toda la superficie,

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

variando Y sobre la superficie, se hace una especie de mapa,

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

un mapa visual de todas las cosas que la red sabe reconocer.

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

Los animales están todos aquí; el armadillo está justo aquí.

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

Se puede hacer esto con otros tipos de redes.

This is a network designed to recognize faces,

Esta es una red diseñada para reconocer caras,

to distinguish one face from another.

para distinguir una cara de otra.

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

Y aquí ponemos en Y una que dice "yo",

my own face parameters.

mis propios parámetros cara.

And when this thing solves for x,

Y cuando esto resuelve X,

it generates this rather crazy,

genera esta imagen de mí,

kind of cubist, surreal, psychedelic picture of me

alocada, tipo cubista, psicodélica, como un cuadro surrealista,

from multiple points of view at once.

desde múltiples puntos de vista a la vez.

The reason it looks like multiple points of view at once

Aparecen múltiples puntos de vista a la vez

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

porque la red está diseñada para descartar la ambigüedad

of a face being in one pose or another pose,

de una cara en una postura u otra,

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

con un tipo de luz, u otro.

So when you do this sort of reconstruction,

Al hacer este tipo de reconstrucción,

if you don't use some sort of guide image

si no se usa alguna imagen de guía

or guide statistics,

o estadísticas de guía,

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

entonces se obtiene una confusión de diferentes puntos de vista,

because it's ambiguous.

porque es ambigua.

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

Esto es lo que sucede si Alex usa su propia cara imagen como guía

during that optimization process to reconstruct my own face.

durante ese proceso de optimización para reconstruir mi propia cara.

So you can see it's not perfect.

Así se puede ver que no es perfecto.

There's still quite a lot of work to do

Todavía hay mucho trabajo por hacer

on how we optimize that optimization process.

sobre cómo mejorar el proceso de optimización.

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

Pero ya se empieza a ver algo más parecido a una cara coherente,

rendered using my own face as a guide.

usando mi propia cara como guía.

You don't have to start with a blank canvas

No tiene que comenzar con un lienzo en blanco

or with white noise.

o con ruido blanco.

When you're solving for x,

Cuando se está resolviendo X,

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

se puede comenzar con una X, que en sí es ya una imagen.

That's what this little demonstration is.

En eso consiste esta pequeña demostración.

This is a network that is designed to categorize

Esta es una red diseñada para categorizar

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

todo objeto, estructuras hechas por humanos, animales...

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

Aquí empezamos con una imagen de las nubes,

and as we optimize,

y la optimizamos,

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

básicamente, esta red averigua qué se ve en las nubes.

And the more time you spend looking at this,

Y cuanto más tiempo uno pasa mirando,

the more things you also will see in the clouds.

más cosas también se verán en las nubes.

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

También es posible usar la red para alucinar,

and you get some pretty crazy stuff.

obteniendo cosas bastante locas.

(Laughter)

(Risas)

Or, Mike has done some other experiments

O, Mike ha hecho otros experimentos

in which he takes that cloud image,

donde se detiene la imagen de la nube,

hallucinates, zooms, hallucinates, zooms hallucinates, zooms.

la alucina, la amplía, la alucina, la amplía...

And in this way,

Y de esta manera,

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

se obtiene una especie de estado de fuga de la red, supongo,

or a sort of free association,

o una especie de asociación libre,

in which the network is eating its own tail.

en el que la red se come su propia cola.

So every image is now the basis for,

Así que cada imagen es ahora la base para

"What do I think I see next?

"¿Qué pienso que veré ahora?

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

¿Qué pienso que veré ahora? ¿Qué pienso que veré ahora?"

I showed this for the first time in public

Mostré esto por primera vez en público

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

a un grupo en una conferencia en Seattle llamada "Educación Superior",

this was right after marijuana was legalized.

esto fue justo después de que la marihuana fuera legalizada.

(Laughter)

(Risas)

So I'd like to finish up quickly

Así que me gustaría terminar rápidamente

by just noting that this technology is not constrained.

con solo señalar que esta tecnología no está limitada.

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

He mostrado ejemplos puramente visuales porque son muy divertidos.

It's not a purely visual technology.

Pero no es una tecnología puramente visual.

Our artist collaborator, Ross Goodwin,

Nuestro artista colaborador, Ross Goodwin,

has done experiments involving a camera that takes a picture,

tiene experimentos que implican a una cámara tomando una foto,

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

y luego una computadora en su mochila, escribe un poema usando redes neuronales,

based on the contents of the image.

basado en el contenido de la imagen.

And that poetry neural network has been trained

Y que la red neuronal de poesía ha sido entrenada

on a large corpus of 20th-century poetry.

en un gran corpus de poesía del siglo XX.

And the poetry is, you know,

Y la poesía es, ya saben,

I think, kind of not bad, actually.

creo que no está tan mal, en realidad.

(Laughter)

(Risas)

In closing,

Para concluir,

I think that per Michelangelo,

creo que Miguel Ángel

I think he was right;

tenía razón;

perception and creativity are very intimately connected.

la percepción y la creatividad están conectadas muy íntimamente.

What we've just seen are neural networks

Acabamos de ver redes neuronales

that are entirely trained to discriminate,

totalmente capacitadas para discriminar,

or to recognize different things in the world,

o para reconocer cosas diferentes en el mundo,

able to be run in reverse, to generate.

que pueden ejecutarse a la inversa, para generar nuevas cosas.

One of the things that suggests to me

Algo que me sugiere esto

is not only that Michelangelo really did see

no es solo que Miguel Ángel realmente vio

the sculpture in the blocks of stone,

la escultura en los bloques de piedra,

but that any creature, any being, any alien

sino que cualquier criatura, cualquier ser, cualquier alienígena

that is able to do perceptual acts of that sort

que es capaz de percibir actos de ese tipo

is also able to create

también es capaz de crear

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

porque en ambos casos se usa la misma maquinaria.

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

Además, creo que la percepción y la creatividad no son absolutamente

uniquely human.

únicamente humanas.

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

Ya tenemos modelos computacionales que pueden hacer exactamente estas cosas.

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

Y que no debería ser sorprendente; el cerebro es computacional.

And finally,

Y, finalmente,

computing began as an exercise in designing intelligent machinery.

la computación empezó como un ejercicio de diseño de máquinas inteligentes.

It was very much modeled after the idea

Fue modelada siguiendo la idea

of how could we make machines intelligent.

de cómo podríamos hacer máquinas inteligentes.

And we finally are starting to fulfill now

Y, finalmente, se están empezando a cumplir

some of the promises of those early pioneers,

algunas de las promesas de aquellos pioneros,

of Turing and von Neumann

como Turing, von Neumann

and McCulloch and Pitts.

McCulloch y Pitts.

And I think that computing is not just about accounting

Y creo que la informática no es solo contabilidad

or playing Candy Crush or something.

o jugar al Candy Crush y esas cosas.

From the beginning, we modeled them after our minds.

Desde el principio, se diseñó siguiendo el modelo de nuestra mente.

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

Y eso nos da la capacidad de comprender mejor nuestra propia mente

and to extend them.

y de ampliarla.

Thank you very much.

Muchas gracias.

(Applause)

(Aplausos)