How we teach computers to understand pictures | Fei Fei Li

Translator: Amin Rasoulof Reviewer: Leila Ataei

Let me show you something.

اجازه دهید چیزی را به شما نشان دهم.

(Video) Girl: Okay, that's a cat sitting in a bed.

(ویدیو)دختر: بسیار خوب، آن گربه روی یک تخت خواب نشسته است.

The boy is petting the elephant.

این پسر در حال نوازش فیل است.

Those are people that are going on an airplane.

آنها مردمی هستند در حال سوار شدن به هواپیما.

That's a big airplane.

این یک هواپیمای بزرگ است.

Fei-Fei Li: This is a three-year-old child

فی-فی-لی: این یک کودک سه ساله است

describing what she sees in a series of photos.

که آنچه که در مجموعه ای از عکسها می‎بیند را توصیف می‎کند.

She might still have a lot to learn about this world,

ممکن است او هنوز چیزهای زیادی برای یادگیری درباره این جهان داشته باشد.

but she's already an expert at one very important task:

اما او در یک کار خیلی مهم دیگه تخصص دارد:

to make sense of what she sees.

درک کردن آنچه که می‎بیند.

Our society is more technologically advanced than ever.

جامعه ما از لحاظ فناوری از هر زمان دیگر پیشرفته‎تر است.

We send people to the moon, we make phones that talk to us

ما آدمها را به ماه می‎فرستیم، تلفنهایی ساختیم که با ما صحبت می‎کنند

or customize radio stations that can play only music we like.

یا ایستگاههای رادیویی سفارشی طراحی کردیم که می توانند فقط موسیقی را که دوست داریم پخش کنند.

Yet, our most advanced machines and computers

با این حال پیشرفته ترین ماشینها و رایانه‎های ما

still struggle at this task.

هنوز هم در این کار (درک تصاویر) مشکل دارند.

So I'm here today to give you a progress report

بنابراین امروز من اینجا هستم که یک گزارش پیشرفت به شما بدهم

on the latest advances in our research in computer vision,

در مورد آخرین پیشرفت در تحقیق ما بر روی بینایی رایانه‎ای،

one of the most frontier and potentially revolutionary

یکی از پیشرفته‎ترین و بصورت بالقوه انقلابی‎ترین

technologies in computer science.

فن آوریها در علوم رایانه‎ای.

Yes, we have prototyped cars that can drive by themselves,

بله، ما نمونه اولیه ماشینهایی را داریم که خودشان می‎توانند رانندگی کنند،

but without smart vision, they cannot really tell the difference

اما بدون دید هوشمند (smart vision) نمی توانند فرق بگذارند

between a crumpled paper bag on the road, which can be run over,

بین پاکت کاغذی مچاله در جاده که میشه از روش با ماشین رد شد.

and a rock that size, which should be avoided.

و یک سنگ همان اندازه که نباید از روش رد شد

We have made fabulous megapixel cameras,

ما دوربینهای (با وضوح) مگاپیکسل عالی ساخته ایم،

but we have not delivered sight to the blind.

اما به نابیناها بینایی نداده‎ایم.

Drones can fly over massive land,

هواپیماهای بدون سرنشین که برفراز زمینهای وسیع پرواز کنند،

but don't have enough vision technology

ولی فناوری بینایی کافی برای کمک به ما

to help us to track the changes of the rainforests.

در رهگیری تغییرات جنگلهای بارانی نداریم.

Security cameras are everywhere,

دوربین های امنیتی همه جا هست،

but they do not alert us when a child is drowning in a swimming pool.

ولی وقتی یک کودک در استخر در حال غرق شدن است به ما هشدار نمیدهند.

Photos and videos are becoming an integral part of global life.

تصاویر و ویدیوها در حال تبدیل شدن به جز مهمی از زندگی جهانی هستند.

They're being generated at a pace that's far beyond what any human,

تصاویر با سرعتی فراتر از آنچه هر انسان یا گروهی از انسانها،

or teams of humans, could hope to view,

بتواند امیدوار به دیدن آنها باشد تولید می‎شوند،

and you and I are contributing to that at this TED.

و من و شما در این TED یعنی تولید تصاویر مشارکت می‎کنیم.

Yet our most advanced software is still struggling at understanding

با این وجود پیشرفته‎ترین نرم افزارها همچنان

and managing this enormous content.

در فهم و مدیریت این حجم عظیم مشکل دارند.

So in other words, collectively as a society,

به عبارت دیگر در مجموع به عنوان جامعه

we're very much blind,

ما کاملا کور هستیم،

because our smartest machines are still blind.

چون باهوشترین ماشینهای ما هنوز نابینا هستند.

"Why is this so hard?" you may ask.

شاید بپرسید "چرا انقدر سخته؟"

Cameras can take pictures like this one

دوربین‎ها می‎توانند تصاویری مثل این را بگیرند:

by converting lights into a two-dimensional array of numbers

با تبدیل نور به آرایه دو بعدی اعداد

known as pixels,

به نام "پیکسل"

but these are just lifeless numbers.

ولی اینها فقط اعداد بی روح هستند،

They do not carry meaning in themselves.

هیچ معنی به خودی خود ندارند.

Just like to hear is not the same as to listen,

مثل اینکه: شنیدن با گوش کردن یکی نیستند،

to take pictures is not the same as to see,

عکس گرفتن با دیدن یکی نیستند،

and by seeing, we really mean understanding.

یا اینکه منظور از دیدن واقعا فهمیدن نیست.

In fact, it took Mother Nature 540 million years of hard work

در حقیقت ۵۴۰ میلیون سال وقت مادر طبیعت

to do this task,

صرف انجام این کار سخت شده

and much of that effort

و بیشتر این تلاش به تکامل

went into developing the visual processing apparatus of our brains,

ابزار پردازش دید مغزمان اختصاص داده شده

not the eyes themselves.

و نه به خود چشمها.

So vision begins with the eyes,

پس، دیدن با چشم آغاز میشود،

but it truly takes place in the brain.

ولی در حقیقت در مغز شکل می‌گیرد.

So for 15 years now, starting from my Ph.D. at Caltech

برای ۱۵ سال با شروع از دکترا در کل‌تک

and then leading Stanford's Vision Lab,

و سپس رهبری آزمایشگاه بینایی در استانفورد،

I've been working with my mentors, collaborators and students

من با مربی هایم، همکارانم و شاگردانم تلاش کرده ام

to teach computers to see.

که به رایانه ها یاد بدهیم که ببینند.

Our research field is called computer vision and machine learning.

اسم زمینه تحقیقاتی ما بینایی رایانه ای و آموزش ماشین هست.

It's part of the general field of artificial intelligence.

این بخشی از زمینه عمومی تر هوش مصنوعی هست

So ultimately, we want to teach the machines to see just like we do:

در نهایت میخواهیم به ماشین ها یاد بدهیم که ببینند همانند ما:

naming objects, identifying people, inferring 3D geometry of things,

اسم گذاشتن بر روی اشیا، تشخیص افراد ، استنباط سه بعدی از اشیا

understanding relations, emotions, actions and intentions.

فهم ارتباط، احساسات، اعمال و نیت ها.

You and I weave together entire stories of people, places and things

من و شما وقتی نگاهمون به آدمها، مکانها و اشیا میافتد

the moment we lay our gaze on them.

دربارشون قصه میسازیم.

The first step towards this goal is to teach a computer to see objects,

اولین قدم در راه این هدف این هست که به رایانه‎ها یاد بدهیم تا اشیا را ببینند؛

the building block of the visual world.

سنگ بنای دنیای بصری.

In its simplest terms, imagine this teaching process

به ساده ترین حالت این فرایند آموزش را مانند نشان دادن تعدادی

as showing the computers some training images

عکس آموزشی از یک شی خاص

of a particular object, let's say cats,

مثلا گربه ها به رایانه تصور کنید.

and designing a model that learns from these training images.

و طراحی یک مدل (برای رایانه) که ازدیدن این عکسها یاد می‎گیرد.

How hard can this be?

اینکار چقدر میتونه سخت باشه؟

After all, a cat is just a collection of shapes and colors,

بالاخره یک گربه مجموعه ایست از شکل ها و رنگها،

and this is what we did in the early days of object modeling.

و این کاری هست که در روزهای ابتدایی طراحی اشیا انجام می‎دادیم.

We'd tell the computer algorithm in a mathematical language

ما به الگوریتم رایانه به زبان ریاضی می‎گوییم

that a cat has a round face, a chubby body,

که یک گربه صورت گرد دارد، بدن تپل دارد،

two pointy ears, and a long tail,

دو تا گوش تیز دارد و یک دم دراز

and that looked all fine.

و این کافی بود.

But what about this cat?

ولی این یکی گربه چطور؟

(Laughter)

(خنده حضار)

It's all curled up.

این یکی کاملا خم شده

Now you have to add another shape and viewpoint to the object model.

حالا شما باید یک شکل و زاویه دید دیگه به مدل شی اضافه کنید

But what if cats are hidden?

ولی اگه گربه‎ها قایم شده باشند چی؟

What about these silly cats?

این گربه های بامزه چطور؟

Now you get my point.

جالا متوجه منظور من می‎شوید.

Even something as simple as a household pet

حتی یک چیز ساده مثل حیوان خانگی

can present an infinite number of variations to the object model,

میتونه مدلهای بینهایت گونه گون از مدل شی را ارائه کند،

and that's just one object.

و این تازه فقط یک شی هست.

So about eight years ago,

تقریبا هشت سال پیش

a very simple and profound observation changed my thinking.

یک مشاهده ساده و عمیق طرز فکر من را تغییر داد.

No one tells a child how to see,

کسی به یک کودک نمی‎گه چطور ببیند،

especially in the early years.

به ویژه در سالهای ابتدایی.

They learn this through real-world experiences and examples.

اونها این کار را از طریق تجربیات و مثالهای دنیای واقعی یاد می‎گیرند.

If you consider a child's eyes

اگر چشمهای یک کودک را مثل

as a pair of biological cameras,

یک جفت دوربین بیولوژیک در نظر بگیرید،

they take one picture about every 200 milliseconds,

آنها هر ۲۰۰ میلی ثانیه یک تصویر می‎گیرند،

the average time an eye movement is made.

مدت زمان متوسطی که حرکت چشم صورت می‎گیرد.

So by age three, a child would have seen hundreds of millions of pictures

پس تا سه سالگی یک کودک صدها میلیون تصویر

of the real world.

از دنیای واقعی دیده

That's a lot of training examples.

این تعداد زیادی از مثال‎های آموزشی هست.

So instead of focusing solely on better and better algorithms,

پس بجای تمرکزصرف بر الگوریتمهای بهتر و بهتر

my insight was to give the algorithms the kind of training data

نگرش من این بود که به الگوریتمها ـآن دسته از داده‎های آموزشی

that a child was given through experiences

که به یک کودک از طریق تجربه داده می‎شود

in both quantity and quality.

را در همان حجم و کیفیت بدهیم.

Once we know this,

وقتی این را فهمیدیم متوجه شدیم که

we knew we needed to collect a data set

به جمع آوری مجموعه اطلاعات نیاز داریم

that has far more images than we have ever had before,

که خیلی بیشتر از آنچه تاکنون داشته ایم عکس داشته باشد،

perhaps thousands of times more,

احتمالا هزاران بار بیشتر،

and together with Professor Kai Li at Princeton University,

و با همکاری پرفسور کای لی در دانشگاه پرینستون

we launched the ImageNet project in 2007.

ما پروژه ImageNet را در سال ۲۰۰۷ راه اندازی کردیم.

Luckily, we didn't have to mount a camera on our head

خوشبختانه احتیاج نداشتیم که یک دوربین روی سرمان نصب کنیم

and wait for many years.

و سالها منتظر بمانیم.

We went to the Internet,

رفتیم سراغ اینترنت

the biggest treasure trove of pictures that humans have ever created.

بزرگترین گنجینه عکسها که انسانها تاکنون آفریده اند.

We downloaded nearly a billion images

نزدیک به یک میلیارد عکس دانلود کردیم

and used crowdsourcing technology like the Amazon Mechanical Turk platform

و از فناوری CrowdSourcing همانند Amazon Mechanical Turk platform

to help us to label these images.

استفاده کردیم تا برای برچسب زدن این عکسها به ما کمک کند.

At its peak, ImageNet was one of the biggest employers

در اوج خودش، ImageNet از بزرگترین کارفرماهای

of the Amazon Mechanical Turk workers:

Amazon Mechanical Turk بود

together, almost 50,000 workers

در مجموع تقریبا ۵۰٫۰۰۰ کارمند

from 167 countries around the world

از ۱۶۷ کشور جهان

helped us to clean, sort and label

به ما کمک کردند تا نزدیک به یک میلیارد عکس منتخب را

nearly a billion candidate images.

اصلاح، منظم و برچسب گذاری کنند.

That was how much effort it took

این میزانی بود که زحمت برد

to capture even a fraction of the imagery

برای ثبت کسری از تصویرگری که

a child's mind takes in in the early developmental years.

ذهن یک کودک در سالهای اولیه تکامل خود انجام می‎دهد.

In hindsight, this idea of using big data

پس از گذشت زمان و کسب تجربه ایده استفاده از حجم عظیم داده‎ها

to train computer algorithms may seem obvious now,

برای آموزش الگوریتم رایانه‎ها، شاید الان بدیهی بنظر برسد،

but back in 2007, it was not so obvious.

ولی قبلا در سال ۲۰۰۷ انقدر واضح نبود.

We were fairly alone on this journey for quite a while.

ما توی این سفر برای مدتی کاملا تنها بودیم.

Some very friendly colleagues advised me to do something more useful for my tenure,

بعضی از همکاران نزدیکم به من توصیه کردند که برای استخدام قطعی من کار مفیدتری بکنم

and we were constantly struggling for research funding.

و مدام برای بودجه تحقیقاتی مشکل داشتیم.

Once, I even joked to my graduate students

یکبار با دانشجوهای تحصیلات تکمیلی‎ام شوخی کردم که

that I would just reopen my dry cleaner's shop to fund ImageNet.

برای تامین بودجه ImageNet حشکشویی‎ام را دوباره باز کنم.

After all, that's how I funded my college years.

بهر حال این راهی بود که من پول تحصیل‎ام را در آورده بودم.

So we carried on.

پس ادامه دادیم.

In 2009, the ImageNet project delivered

در سال ۲۰۰۹ پروژه ImageNet

a database of 15 million images

یک پایگاه داده از ۱۵ میلیون عکس

across 22,000 classes of objects and things

در وسعت ۲۲٫۰۰۰ کلاس از شی ها

organized by everyday English words.

که با کلمات انگلیسی روزمره منظم شده بودند تحویل داد.

In both quantity and quality,

از لحاظ کیفیت و کمیت

this was an unprecedented scale.

این مقیاس بی‎سابقه بود.

As an example, in the case of cats,

بعنوان مثال در مورد گربه‎ها

we have more than 62,000 cats

بیش از ۶۲٫۰۰۰ (تصویر) گربه

of all kinds of looks and poses

در انواع شکل ها و فرم بدن

and across all species of domestic and wild cats.

و در تمام گونه‌های اهلی و وحشی داشتیم.

We were thrilled to have put together ImageNet,

ما از اینکه ImageNet را ساخته بودیم هیجان زده بودیم و

and we wanted the whole research world to benefit from it,

و می‎خواستیم که تمام دنیای تحقیقات از آن بهره ببرند

so in the TED fashion, we opened up the entire data set

پس به شیوه TED تمام مجموعه داده را

to the worldwide research community for free.

برای دنیای تحقیقات بصورت رایگان باز کردیم.

(Applause)

(تشویق حضار)

Now that we have the data to nourish our computer brain,

حالا که داده‎ها را برای تغذیه مغز رایانه هایمان داریم،

we're ready to come back to the algorithms themselves.

آماده ایم که برگردیم سراغ خود الگوریتم ها.

As it turned out, the wealth of information provided by ImageNet

اینطور شد که وفور اطلاعات تهیه شده توسط ImageNet

was a perfect match to a particular class of machine learning algorithms

خیلی خوب به کلاس خاصی از الگوریتمهای یادگیری ماشینی

called convolutional neural network,

به نام "شبکه های عصبی در هم تنیده" تطابق داشت،

pioneered by Kunihiko Fukushima, Geoff Hinton, and Yann LeCun

که پیشگامانش کونیهیکو فوکوشیما و جف هینتون و یان لیکان

back in the 1970s and '80s.

در دهه‎های ۱۹۷۰ و ۱۹۸۰ بودند.

Just like the brain consists of billions of highly connected neurons,

درست مثل مغز که از میلیاردها نورون پیوسته تشکیل شده

a basic operating unit in a neural network

یک واحد عملیاتی بنیادی در یک شبکه عصبی

is a neuron-like node.

یک گره نورون-مانند است.

It takes input from other nodes

از گره‎های دیگر ورودی می‎گیرد و

and sends output to others.

و خروجی را به دیگر گره‎ها می‎فرستند.

Moreover, these hundreds of thousands or even millions of nodes

به علاوه، این صدها یا هزاران یا حتی میلیونها گره

are organized in hierarchical layers,

در لایه‎هایی با سلسله مراتب منظم شده‎اند،

also similar to the brain.

مانند مغز.

In a typical neural network we use to train our object recognition model,

در یک شبکه عصبی نوعی، برای آموزش مدل تشخیص اشیا،

it has 24 million nodes,

۲۴ میلیون گره،

140 million parameters,

۱۴۰ میلیون پارامتر،

and 15 billion connections.

و ۱۵ میلیارد اتصال وجود دارد.

That's an enormous model.

این یک مدل عظیم است.

Powered by the massive data from ImageNet

با استفاده از نیروی عظیم داده ها از ImageNet

and the modern CPUs and GPUs to train such a humongous model,

و CPU و GPU های مدرن برای آموزش چنین مدل یکدستی،

the convolutional neural network

"شبکه عصبی در هم تنیده"...

blossomed in a way that no one expected.

به شکلی که کسی انتظار نداشت شکوفا شد.

It became the winning architecture

تبدیل شد به معماری برتر

to generate exciting new results in object recognition.

برای تولید نتایج تازه و هیجان انگیز در تشخیص اشیا.

This is a computer telling us

این یک کامپیوتر هست که به ما میگه

this picture contains a cat

این تصویر شامل یک گربه است

and where the cat is.

و اینکه گربه کجاست.

Of course there are more things than cats,

البته چیزهای بیشتری از گربه وجود دارد،

so here's a computer algorithm telling us

پس این یک الگوریتم رایانه‎ای هست که به ما می‎گوید

the picture contains a boy and a teddy bear;

تصویر شامل یک پسر هست و یک عروسک خرس؛

a dog, a person, and a small kite in the background;

یک سگ، یک آدم، و بادبادک کوچک در پس زمینه؛

or a picture of very busy things

یا تصویر چیزهای شلوغ‎تر

like a man, a skateboard, railings, a lampost, and so on.

مثل یک مرد، تخته اسکیت، نرده‎ها، تیر چراغ برق و چیزهای دیگر.

Sometimes, when the computer is not so confident about what it sees,

بعضی وقتها که رایانه مطمئن نیست از چیزی که به آن نگاه می‎کند،

we have taught it to be smart enough

بهش یاد دادیم که به اندازه کافی باهوش باشد

to give us a safe answer instead of committing too much,

تا به جای کار زیادی یک جواب مطمئن به ما بدهد،

just like we would do,

درست مثل کاری که ما انجام می‎دهیم،

but other times our computer algorithm is remarkable at telling us

ولی در موارد دیگر الگوریتم رایانه ای ما در گفتن اینکه

what exactly the objects are,

اشیا چه هستند فوق العاده است

like the make, model, year of the cars.

مثل نوع ، مدل و سال ساخت ماشین.

We applied this algorithm to millions of Google Street View images

ما این الگوریتم را به میلیونها عکس

across hundreds of American cities,

"منظره خیابان گوگل" در صدها شهر آمریکا اعمال کردیم

and we have learned something really interesting:

و چیز جالبی را متوجه شدیم:

first, it confirmed our common wisdom

اول اینکه عقل سلیم ما را تایید کرد

that car prices correlate very well

که قیمت خودرو وابستگی زیادی به

with household incomes.

درآمد خانوارها دارد.

But surprisingly, car prices also correlate well

اما تعجب اینکه، قیمت خودرو بستگی زیادی هم به

with crime rates in cities,

نرخ جرایم در شهرها،

or voting patterns by zip codes.

یا الگوی رای دادن در شهرها بر اساس کدپستی دارد.

So wait a minute. Is that it?

صبر کن ببینم! همین؟!

Has the computer already matched or even surpassed human capabilities?

آیا دیگر توانایی رایانه با توانایی انسان مطابقت دارد یا از آن پیشی گرفته؟

Not so fast.

نه به این زودی.

So far, we have just taught the computer to see objects.

تا حالا به رایانه یاد دادیم که اشیا را ببیند.

This is like a small child learning to utter a few nouns.

این مثل این هست که کودک یاد بگیرد چند اسم بگوید.

It's an incredible accomplishment,

این یک موفقیت باورنکردنی است،

but it's only the first step.

اما فقط اولین قدم است.

Soon, another developmental milestone will be hit,

بزودی یک مرحله مهم طی خواهد شد

and children begin to communicate in sentences.

و کودکان یاد می‎گیرند تا بصورت گفتن جمله ارتباط برقرار کنند.

So instead of saying this is a cat in the picture,

پس به جای اینکه بگوید این یک گربه در این عکس است که قبلا شنیدید

you already heard the little girl telling us this is a cat lying on a bed.

دختر کوچولو به ما گفت این یک گربه خوابیده روی تخت است.

So to teach a computer to see a picture and generate sentences,

برای یاد دادن به رایانه که تصویری را ببیند و جملاتی تولید کند،

the marriage between big data and machine learning algorithm

پیوند بین داده‎های عظیم و الگوریتم آموزش ماشین

has to take another step.

باید گام دیگری بردارد.

Now, the computer has to learn from both pictures

حالا رایانه باید هم از تصاویر یاد بگیرد

as well as natural language sentences

هم از جملات زبان طبیعی

generated by humans.

که توسط انسان تولید می‎شوند.

Just like the brain integrates vision and language,

درست مثل مغز که بینایی و زبان را به هم می‎آمیزد

we developed a model that connects parts of visual things

ما هم مدلی ایجاد کردیم که قسمت های اجسام بصری

like visual snippets

مانند خرده تصاویر

with words and phrases in sentences.

را به کلمات و عبارات در جملات پیوند میزند.

About four months ago,

حدود چهار ماه پیش،

we finally tied all this together

بالاخره همه اینها را به هم پیوند زدیم

and produced one of the first computer vision models

و یکی از اولین مدلهای دید رایانه‎ای را

that is capable of generating a human-like sentence

که وقتی یک تصویر را برای اولین بار می‎بیند

when it sees a picture for the first time.

قادر به تولید جملات همانند انسانها هست تولید کردیم.

Now, I'm ready to show you what the computer says

حالا آماده هستم که بهتون نشان دهم که یک رایانه وقتی تصویری که

when it sees the picture

وقتی تصویری را می‎بیند که

that the little girl saw at the beginning of this talk.

اون دختر کوچولوی اول سخنرانی آن را دید.

(Video) Computer: A man is standing next to an elephant.

(صدای رایانه): یک مرد کنار یک فیل ایستاده است.

A large airplane sitting on top of an airport runway.

یک هواپیمای بزرگ روی باند پروازفرودگاه نشسته.

FFL: Of course, we're still working hard to improve our algorithms,

(سخنران): البته ما هنوز داریم سخت تلاش می‎کنیم که الگوریتم‎مان را بهتر کنیم،

and it still has a lot to learn.

و هنوز چیزهای زیادی هست که باید یاد بگیرد.

(Applause)

(تشویق حضار)

And the computer still makes mistakes.

و رایانه هنوز اشتباه می‎کند.

(Video) Computer: A cat lying on a bed in a blanket.

(صدای رایانه): یک گربه زیر لحاف دراز کشیده روی تخت.

FFL: So of course, when it sees too many cats,

(سخنران): قطعا وقتی تعداد زیادی گربه می‎بیند

it thinks everything might look like a cat.

ممکن است فکر کند که همه چیز شبیه گربه است.

(Video) Computer: A young boy is holding a baseball bat.

(صدای رایانه): یک پسربچه یک چوب بیسبال در دست دارد.

(Laughter)

(خنده حضار)

FFL: Or, if it hasn't seen a toothbrush, it confuses it with a baseball bat.

(سخنران): و اگر مسواک ندیده باشد آن را با چوب بیسبال اشتباه می‎گیرد.

(Video) Computer: A man riding a horse down a street next to a building.

(صدای رایانه): مردی که در خیابان کنار یک ساختمان اسب سواری می‎کند.

(Laughter)

(خنده حضار)

FFL: We haven't taught Art 101 to the computers.

(سخنران): ما به رایانه‎ها کلاس هنر پایه تدریس نکردیم.

(Video) Computer: A zebra standing in a field of grass.

(صدای رایانه): یک گورخر ایستاده در زمینی پوشیده از علف.

FFL: And it hasn't learned to appreciate the stunning beauty of nature

(سخنران): و یاد نگرفته که قدر زیبایی مسحور کننده طبیعت

like you and I do.

را مثل من و شما بداند.

So it has been a long journey.

بله، سفر درازی بوده

To get from age zero to three was hard.

تا از سن صفر به سه سالگی برسیم دشوار بود.

The real challenge is to go from three to 13 and far beyond.

سختی واقعی رفتن از سه سالگی به ۱۳ سالگی و فراتر هست.

Let me remind you with this picture of the boy and the cake again.

اجازه بدهید به شما با این تصویر پسر و کیک یادآوری کنم.

So far, we have taught the computer to see objects

تا الان به رایانه یاد دادیم که اجسام را ببیند

or even tell us a simple story when seeing a picture.

یا حتی وقتی یک تصویر را می‎بیند یک داستان ساده به ما بگوید.

(Video) Computer: A person sitting at a table with a cake.

(صدای رایانه): یک شخص نشسته سر یک میز با یک کیک.

FFL: But there's so much more to this picture

(سخنران): اما در این عکس خیلی چیزهای دیگر غیر از یک

than just a person and a cake.

آدم و کیک هست.

What the computer doesn't see is that this is a special Italian cake

چیزی که رایانه نمی‎بیند این است که این یک کیک مخصوص ایتالیایی

that's only served during Easter time.

که فقط در زمان عید پاک پخته می‎شود هست.

The boy is wearing his favorite t-shirt

پسر تی‎شرت مورد علاقه‎اش را پوشیده

given to him as a gift by his father after a trip to Sydney,

که توسط پدرش بعنوان هدیه بعد از سفر به سیدنی به او داده شده.

and you and I can all tell how happy he is

و من و شما همه می‎توانیم بگویم که چقدر خوشحال هست

and what's exactly on his mind at that moment.

و دقیقا در آن لحظه در ذهنش چه می‎گذرد.

This is my son Leo.

این پسر من "لیو" هست.

On my quest for visual intelligence,

در جستجوی من برای هوش بصری

I think of Leo constantly

مدام به "لیو" فکر می‎کنم

and the future world he will live in.

و آینده‎ای که او زندگی خواهد کرد.

When machines can see,

زمانی که ماشینها می‎توانند ببینند،

doctors and nurses will have extra pairs of tireless eyes

پزشکان و پرستاران یک جفت چشم خستگی ناپذیراضافه خواهند داشت

to help them to diagnose and take care of patients.

که به آنها کمک خواهد کرد برای تشخیص و مراقبت از بیماران.

Cars will run smarter and safer on the road.

خودروها هوشمندانه‎تر و ایمن‎تر در جاده‎ها حرکت خواهند کرد.

Robots, not just humans,

ربات‎ها، نه فقط انسانها

will help us to brave the disaster zones to save the trapped and wounded.

به ما در خطرکردن در مناطق فاجعه‎زده برای نجات مصدومان و زخمی‎ها کمک خواهند کرد.

We will discover new species, better materials,

گونه‎های جدید خواهیم یافت، مواد بهتر،

and explore unseen frontiers with the help of the machines.

و مرزهای نادیده را با کمک ماشینها اکتشاف خواهیم کرد.

Little by little, we're giving sight to the machines.

کم کم داریم به ماشینها بینایی می‎بخشیم.

First, we teach them to see.

ابتدا ما به آنها دیدن را می‎آموزیم.

Then, they help us to see better.

سپس آنها به ما کمک می‎کنند تا بهتر ببینیم.

For the first time, human eyes won't be the only ones

برای اولین بار چشمان انسان تنها چشمانی نخواهند بود

pondering and exploring our world.

که تفکر می‎کنند و جهان ما را کاوش می‎کنند.

We will not only use the machines for their intelligence,

ما نه تنها از ماشینها برای هوش آنها استفاده می‎کنیم،

we will also collaborate with them in ways that we cannot even imagine.

بلکه با آنها به روش هایی که نمی‎توانیم تصور کنیم همکاری خواهیم کرد.

This is my quest:

این جستجوی من است:

to give computers visual intelligence

تا به رایانه ها هوش بصری بدهم

and to create a better future for Leo and for the world.

و آینده بهتری برای "لیو" و جهان خلق کنم.

Thank you.

متشکرم.

(Applause)

(تشویق حضار)