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

Traducteur: Morgane Quilfen Relecteur: Juliet Vdt

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

Chez Google, l'équipe que je dirige travaille sur l'intelligence artificielle,

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

c'est-à-dire à créer des ordinateurs et des appareils

able to do some of the things that brains do.

capables de faire une partie de ce que fait le cerveau.

And this makes us interested in real brains

Nous sommes donc très intéressés par les vrais cerveaux

and neuroscience as well,

ainsi que la neuroscience,

and especially interested in the things that our brains do

en particulier les choses que nos cerveaux font

that are still far superior to the performance of computers.

avec une performance bien supérieure à celle des ordinateurs.

Historically, one of those areas has been perception,

Historiquement, un de ces domaines est la perception,

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

le processus permettant aux choses du monde,

sounds and images --

les sons et les images,

can turn into concepts in the mind.

de devenir des concepts dans notre esprit.

This is essential for our own brains,

C'est essentiel pour nos propres cerveaux

and it's also pretty useful on a computer.

et est très utile pour un ordinateur.

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

Les algorithmes de perception des machines, comme ceux de mon équipe,

nous permettent de rechercher des images sur Google

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

based on what's in them.

selon ce qu'elles représentent.

The flip side of perception is creativity:

Le revers de la perception est la créativité :

turning a concept into something out there into the world.

transformer un concept en un objet du monde extérieur.

So over the past year, our work on machine perception

Au cours de l'année, notre travail sur la perception des machines

has also unexpectedly connected with the world of machine creativity

a été lié, de façon inattendue, au monde de la créativité des machines

and machine art.

et de l'art des machines.

I think Michelangelo had a penetrating insight

Je pense que Michel-Ange avait une vision perspicace

into to this dual relationship between perception and creativity.

de cette double relation entre la perception et la créativité.

This is a famous quote of his:

Voici une de ses citations connue :

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

« Chaque bloc de pierre renferme une statue

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

et c'est le rôle du sculpteur de la découvrir. »

So I think that what Michelangelo was getting at

Je pense que ce que Michel-Ange voulait exprimer

is that we create by perceiving,

c'est que nous créons ce que nous perçevons

and that perception itself is an act of imagination

et que cette perception est elle-même un acte d'imagination

and is the stuff of creativity.

et est le produit de la créativité.

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

L'organe qui pense et perçoit et imagine

of course, is the brain.

est, bien-sûr, le cerveau.

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

Et j'aimerais commencer avec une brève histoire

about what we know about brains.

de ce que nous savons sur le cerveau.

Because unlike, say, the heart or the intestines,

Car, contrairement au cœur ou aux intestins,

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

on ne peut pas dire grand chose sur le cerveau en le regardant,

at least with the naked eye.

tout du moins pas à l’œil nu.

The early anatomists who looked at brains

Les premiers anatomistes qui ont étudié le cerveau

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

ont donné aux structures superficielles des tas de jolis noms

like hippocampus, meaning "little shrimp."

tels que l'hippocampe, soit « petit champignon ».

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

Bien-sûr, ce genre de choses ne nous dit pas

ce qu'il se passe à l'intérieur.

about what's actually going on inside.

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

La première personne qui, à mon avis, s'est fait une idée

into what was going on in the brain

de ce qu'il se passait dans le cerveau

was the great Spanish neuroanatomist, Santiago Ramón y Cajal,

était le neuroanatomiste espagnol, Santiago Ramón y Cajal,

in the 19th century,

au 19ème siècle.

who used microscopy and special stains

Il a utilisé la microscopie et des colorants spéciaux

that could selectively fill in or render in very high contrast

qui pouvaient colorer ou créer un fort contraste

the individual cells in the brain,

dans les différentes cellules du cerveau

in order to start to understand their morphologies.

afin de commencer à comprendre leur morphologie.

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

Il a fait ce genre de dessins représentant les neurones

in the 19th century.

au 19ème siècle.

This is from a bird brain.

Ceci est un cerveau d'oiseau.

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

Vous voyez cette incroyable diversité de type de cellules,

même la théorie cellulaire était relativement nouvelle à l'époque.

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

And these structures,

Ces structures,

these cells that have these arborizations,

ces cellules avec ces arborisations,

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

ces branches parcourant de très grandes distances,

this was very novel at the time.

tout cela était nouveau à l'époque.

They're reminiscent, of course, of wires.

Elles nous rappellent des câbles.

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

Au 19ème siècle, cela semblait peut-être évident à certains :

the revolutions of wiring and electricity were just getting underway.

la révolution du câblage électrique venait de commencer.

But in many ways,

Mais de bien des façons,

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

ces dessins micro-anatomiques de Ramón y Cajal, comme celui-ci,

they're still in some ways unsurpassed.

n'ont toujours pas été surpassés.

We're still more than a century later,

Plus d'un siècle plus tard,

trying to finish the job that Ramón y Cajal started.

nous essayons toujours de finir le travail entamé par Ramón y Cajal.

These are raw data from our collaborators

Voici des données brutes venant de nos collaborateurs

at the Max Planck Institute of Neuroscience.

à l'Institut de Neuroscience Max Planck.

And what our collaborators have done

Nos collaborateurs ont imagé

is to image little pieces of brain tissue.

de petits morceaux de tissu cérébral.

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

L'échantillon fait environ un millimètre cube

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

et je vous en montre un très petite portion.

That bar on the left is about one micron.

Le trait sur la gauche fait environ un micron.

The structures you see are mitochondria

Les structures que vous voyez sont des mitochondries

that are the size of bacteria.

faisant la taille d'une bactérie.

And these are consecutive slices

Voici des coupes consécutives

through this very, very tiny block of tissue.

de ce très petit bloc de tissu.

Just for comparison's sake,

Si vous voulez comparer,

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

le diamètre moyen d'un cheveu est d'environ 100 microns.

So we're looking at something much, much smaller

Nous regardons quelque chose de beaucoup plus petit qu'un cheveu.

than a single strand of hair.

Avec ce genre de coupes séquentielles en microscopie électronique,

And from these kinds of serial electron microscopy slices,

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

nous pouvons en faire des reconstructions en 3D des neurones comme celle-ci.

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

Cela ressemble à ce qu'a fait Ramón y Cajal.

Only a few neurons lit up,

Seuls quelques neurones s'allument, sinon nous n'y verrions rien,

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

It would be so crowded,

Cela serait trop dense,

so full of structure,

trop rempli structures,

of wiring all connecting one neuron to another.

de câbles connectant les neurones entre eux.

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

Ramón y Cajal était en avance pour son époque

and progress on understanding the brain

et les progrès faits dans la compréhension du cerveau

proceeded slowly over the next few decades.

ont avancé lentement au cours des décades suivantes.

But we knew that neurons used electricity,

Mais nous savions que les neurones utilisaient l'électricité

and by World War II, our technology was advanced enough

et, en 1945, notre technologie était assez avancée

to start doing real electrical experiments on live neurons

pour entamer de vraies expériences électrique sur des neurones

to better understand how they worked.

pour mieux comprendre leur fonctionnement.

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

C'est au même moment que les ordinateurs furent inventés,

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

dans l'idée de modéliser le cerveau ;

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

une « machine intelligente », comme disait Alan Turing,

one of the fathers of computer science.

un des pères de l'informatique.

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

Warren McCulloch et Walter Pitts ont regardé les dessins que Ramón y Cajal

of visual cortex,

avait fait du cortex visuel

which I'm showing here.

et qui sont présentés ici.

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

C'est le cortex qui traite les images venant de l’œil.

And for them, this looked like a circuit diagram.

Pour eux, cela ressemblait à un schéma électrique.

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

Il y a de nombreux détails dans leur schéma électrique

that are not quite right.

qui ne sont pas exacts.

But this basic idea

Mais l'idée de base selon laquelle le cortex visuel

that visual cortex works like a series of computational elements

fonctionne comme une série de composants électroniques

that pass information one to the next in a cascade,

relayant l'information à la cascade suivante

is essentially correct.

est globalement correcte.

Let's talk for a moment

Considérons un instant

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

ce qu'un modèle de traitement d'information visuelle ferait.

The basic task of perception

La tâche basique de perception

is to take an image like this one and say,

est de prendre une image comme celle-ci et de dire :

« c'est un oiseau »,

"That's a bird,"

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

ce qui est, pour nous, très simple à faire grâce à nos cerveaux.

But you should all understand that for a computer,

Mais vous devriez tous comprendre que pour un ordinateur

this was pretty much impossible just a few years ago.

c'était quelque chose d'impossible il y a quelques années.

The classical computing paradigm

Le paradigme classique de l'informatique

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

ne permet pas d'accomplir cette tâche simplement.

So what's going on between the pixels,

Ce qu'il se passe entre les pixels,

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

entre l'image de l'oiseau et le mot « oiseau »,

is essentially a set of neurons connected to each other

c'est un ensemble de neurones connectés entre eux

in a neural network,

à travers un réseau neuronal, comme représenté ici.

as I'm diagramming here.

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

Ce réseau neuronal peut être biologique, comme dans nos cortex visuels

or, nowadays, we start to have the capability

ou, de nos jours, nous avons la capacité

to model such neural networks on the computer.

de modéliser des réseaux neuronaux en informatique.

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

Je vais vous montrer ce à quoi cela ressemble.

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

Vous pouvez voir les pixels comme la première couche de neurones,

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

c'est ainsi que l’œil fonctionne :

that's the neurons in the retina.

ce sont les neurones dans la rétine.

And those feed forward

Ils transmettent l'information

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

couche après couche de neurones,

all connected by synapses of different weights.

tous connectés par des synapses de différents poids.

The behavior of this network

Le comportement de ce réseau

is characterized by the strengths of all of those synapses.

est caractérisé par les forces de toutes ces synapses.

Those characterize the computational properties of this network.

Elles caractérisent les propriétés informatiques de ce réseau.

And at the end of the day,

Finalement,

vous avez un neurone ou un petit groupe de neurones

you have a neuron or a small group of neurons

that light up, saying, "bird."

qui s'allument et disent « oiseau ».

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

Je vais représenter ces trois choses :

the input pixels and the synapses in the neural network,

les pixels en entrée et les synapses du réseau neuronal,

and bird, the output --

et l'oiseau, la sortie,

by three variables: x, w and y.

avec trois variables : x, w et y.

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

Il y a peut-être un million de x :

a million pixels in that image.

un million de pixels par image.

There are billions or trillions of w's,

Il y a des milliards ou des billions de w

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

qui représentent le poids de toutes ces synapses du réseau neuronal.

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

Et il y a très peu de y,

of outputs that that network has.

de sorties présentes dans le réseau.

"Bird" is only four letters, right?

« Oiseau » n'a que six lettres.

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

Prétendons que la formule est simple :

x "x" w = y.

x « fois » w = y.

I'm putting the times in scare quotes

Je mets fois entre guillements

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

car ce qu'il se passe vraiment est bien-sûr

une série complexe d'opérations mathématiques.

is a very complicated series of mathematical operations.

That's one equation.

C'est une équation.

There are three variables.

Il y a trois variables.

And we all know that if you have one equation,

Nous savons tous qu'avec une équation,

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

vous pouvez trouver une variable si vous connaissez les deux autres.

So the problem of inference,

Le problème de l'inférence,

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

c'est-à-dire trouver que la photo de l'oiseau est un oiseau,

is this one:

est le suivant :

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

y est l'inconnue et w et x sont connus.

You know the neural network, you know the pixels.

Vous connaissez le réseau neuronal et les pixels.

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

Comme vous le voyez, c'est un problème plutôt simple à résoudre.

Vous multipliez deux par trois et vous avez fini.

You multiply two times three and you're done.

I'll show you an artificial neural network

Je vais vous montrer un réseau neuronal

that we've built recently, doing exactly that.

que nous avons créé récemment et qui fait cela.

This is running in real time on a mobile phone,

Il tourne en temps réel sur un téléphone portable,

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

bien-sur, c'est génial en soi

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

que les portables puissent faire

des milliards et billions d'opérations par seconde.

per second.

What you're looking at is a phone

Vous regardez un téléphone

looking at one after another picture of a bird,

considérant à la suite plusieurs images d'oiseaux

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

et ne disant pas seulement que c'est un oiseau

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

mais identifiant l'espèce d'oiseau avec un réseau de ce genre.

So in that picture,

Dans cette image,

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

le x et le w sont connus et le y est l'inconnue.

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

Je fais abstraction de la partie complexe, bien-sûr,

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

qui est : comment trouver le w,

the brain that can do such a thing?

le cerveau est-il capable d'une telle chose ?

How would we ever learn such a model?

Comment apprendre un tel modèle ?

So this process of learning, of solving for w,

Ce processus d'apprentissage, de recherche du w,

if we were doing this with the simple equation

si nous le faisons avec la simple équation

in which we think about these as numbers,

dans laquelle nous utilisons des nombres,

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

nous savons comment procéder : 6 = 2 x w,

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

il suffit de diviser par 2 et c'est fini.

Le problème est l'opérateur :

The problem is with this operator.

So, division --

la division.

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

Nous utilisons la division qui est l'inverse de la multiplication

but as I've just said,

mais, comme je l'ai dit,

the multiplication is a bit of a lie here.

nous ne faisons pas vraiment une multiplication.

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

C'est une opération très, très compliquée et non-linéaire ;

it has no inverse.

elle n'a pas d'inverse.

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

Nous devons donc trouver un moyen de résoudre l'équation

without a division operator.

sans opérateur de division.

And the way to do that is fairly straightforward.

La méthode pour cela est assez simple :

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

nous utilisons une ruse algébrique

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

et déplaçons le six de l'autre côté de l'équation.

Now, we're still using multiplication.

Il y a toujours une multiplication.

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

Et ce zéro, voyons-le comme une erreur.

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

En d'autres mots, si nous résolvons bien w,

then the error will be zero.

l'erreur sera nulle.

And if we haven't gotten it quite right,

Si nous n'avons pas totalement raison, l'erreur sera plus grande que zéro.

the error will be greater than zero.

Nous pouvons maintenant faire des suppositions et minimiser l'erreur,

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

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

ce que les ordinateurs savent très bien faire.

On fait une supposition :

So you've taken an initial guess:

what if w = 0?

et si w = 0 ? Alors, l'erreur est de 6.

Well, then the error is 6.

Si w = 1 ? L'erreur est de 4.

What if w = 1? The error is 4.

And then the computer can sort of play Marco Polo,

L'ordinateur peut alors joueur à Marco Polo

et atteindre une erreur proche de zéro.

and drive down the error close to zero.

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

Il fait cela par des approximations successives de w.

Typiquement, il ne l'atteint jamais, mais après une douzaine d'étapes,

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

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

nous avons w = 2,999, ce qui est assez proche.

And this is the learning process.

Voilà le processus d'apprentissage.

So remember that what's been going on here

Souvenez-vous que ce que nous avons fait

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

c'est de prendre beaucoup de x et de y connus

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

et de cherche le w au milieu via un procédé itératif.

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

C'est exactement la même méthode que celle par laquelle nous apprenons.

We have many, many images as babies

Bébés, nous voyons de nombreuses images

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

et on nous dit : « C'est un oiseau ; ce n'en est pas un ».

And over time, through iteration,

Avec le temps, grâce aux itérations,

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

nous trouvons w, nous résolvons ces connexions neuronales.

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

Nous avons fixés x et w et recherché y ;

that's everyday, fast perception.

c'est de la perception rapide, normale.

We figure out how we can solve for w,

Nous avons réussi à trouver w :

that's learning, which is a lot harder,

c'est de l'apprentissage, plus complexe

because we need to do error minimization,

car nous devons minimiser l'erreur en pratiquant beaucoup d'exemple.

using a lot of training examples.

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

Il y a environ un an, Alex Mordvintsev, de notre équipe,

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

a décidé d'essayer de voir ce qu'il se passe si nous cherchons x

given a known w and a known y.

avec pour données un w et un y connus.

In other words,

En d'autres mots, vous savez que c'est un oiseau

you know that it's a bird,

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

et avez entraîné votre réseau neuronal sur les oiseaux,

but what is the picture of a bird?

mais qu'est-ce qu'une image d'oiseau ?

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

Il s'avère qu'en utilisant la même procédure de minimisation de l'erreur,

cela est possible avec le réseau entraîné à reconnaître les oiseaux

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

and the result turns out to be ...

et le résultat s'avère être :

a picture of birds.

une image d'oiseaux.

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

C'est une image d'oiseaux entièrement générée par un réseau neuronal

that was trained to recognize birds,

entraîné à reconnaître les oiseaux,

just by solving for x rather than solving for y,

simplement en cherchant x plutôt que y

and doing that iteratively.

et ce par itérations.

Here's another fun example.

Un autre exemple amusant :

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

ce travail a été fait par Mike Tyka, de notre groupe,

which he calls "Animal Parade."

et il l'a appelé « Parade Animale ».

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

Cela me rappelle un peu les œuvres de William Kentridge

in which he makes sketches, rubs them out,

où il fait des croquis, les efface,

makes sketches, rubs them out,

fait des croquis, les efface et crée un film ainsi.

and creates a movie this way.

In this case,

Dans ce cas, Mike fait varier y sur différents animaux dans un réseau créé

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

in a network designed to recognize and distinguish

pour reconnaître et distinguer divers animaux entre eux.

different animals from each other.

Vous obtenez cette métamorphose étrange, à la Escher, d'un animal à un autre.

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

Here he and Alex together have tried reducing

Ici, lui et Alex ont essayé de réduire

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

l'espace des y à seulement deux dimensions,

thereby making a map out of the space of all things

créant ainsi une carte de l'espace de toutes les choses

recognized by this network.

reconnues par le réseau.

Doing this kind of synthesis

En faisant ce genre de synthèse ou génération d'images

or generation of imagery over that entire surface,

sur toute cette surface,

en faisant varier y sur la surface, vous créez une carte,

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

une carte visuelle de toutes les choses que le réseau reconnaît.

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

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

Les animaux sont tous là : le tatou est juste là.

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

Vous pouvez aussi le faire avec d'autres réseaux.

This is a network designed to recognize faces,

Voici un réseau créé pour reconnaître les visages,

to distinguish one face from another.

pour distinguer différents visages.

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

Nous lui donnons un y : moi,

my own face parameters.

les paramètres de mon visage.

And when this thing solves for x,

Quand il cherche x,

it generates this rather crazy,

il génère cette image de moi

assez folle, cubiste, surréelle et psychédélique

kind of cubist, surreal, psychedelic picture of me

avec plusieurs points de vue.

from multiple points of view at once.

The reason it looks like multiple points of view at once

La raison pour laquelle il y a plusieurs points de vue

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

est que le réseau est conçu pour se débarrasser de l'ambiguïté

of a face being in one pose or another pose,

d'un visage pris de tel ou tel point de vue,

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

regardé avec tel ou tel éclairage.

So when you do this sort of reconstruction,

En faisant cette reconstruction,

if you don't use some sort of guide image

si vous n'utilisez pas d'image ou de statistiques directrices,

or guide statistics,

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

vous obtenez une confusion de plusieurs points de vue

because it's ambiguous.

car c'est ambiguë.

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

Voici ce qu'il se passe si Alex utilise son visage comme ligne directrice

during that optimization process to reconstruct my own face.

durant le processus d'optimisation de la reconstruction de mon visage.

So you can see it's not perfect.

Vous voyez que ce n'est pas parfait.

There's still quite a lot of work to do

Il y a encore beaucoup de travail

on how we optimize that optimization process.

pour optimiser ce processus d'optimisation.

Mais vous obtenez un visage plus cohérent

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

rendered using my own face as a guide.

en utilisant mon propre visage comme guide.

You don't have to start with a blank canvas

Pas besoin de commencer avec une toile vierge

or with white noise.

ou avec du bruit blanc.

When you're solving for x,

Quand vous cherchez x,

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

vous pouvez commencer avec un x qui est lui-même une autre image.

That's what this little demonstration is.

C'est le cas dans cette démonstration.

This is a network that is designed to categorize

C'est un réseau conçu pour catégoriser

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

toutes sortes d'objets : structures artificielles, animaux...

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

Nous commençons avec une image de nuages

and as we optimize,

et, en optimisant,

ce réseau détermine ce qu'il voit dans les nuages.

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

And the more time you spend looking at this,

Et plus vous y passez de temps,

the more things you also will see in the clouds.

plus vous verrez de choses dans les nuages.

Vous pouvez utiliser le réseau entraîné aux visages pour halluciner dessus

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

and you get some pretty crazy stuff.

et obtenir un truc assez fou.

(Laughter)

(Rires)

Or, Mike has done some other experiments

Sinon, Mike a fait des expériences

in which he takes that cloud image,

où il prend cette image de nuage,

hallucinates, zooms, hallucinates, zooms hallucinates, zooms.

hallucine, zoome, hallucine, zoome, hallucine, zoome.

And in this way,

De cette façon,

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

vous obtenez une fugue dissociative du réseau, je suppose,

or a sort of free association,

ou une sorte d'association libre,

in which the network is eating its own tail.

dans laquelle le réseau se mord la queue.

So every image is now the basis for,

Chaque image est à la base de :

"What do I think I see next?

« Que vois-je ensuite ?

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

Que vois-je ensuite ? Que vois-je ensuite ? »

I showed this for the first time in public

J'ai présenté cette image pour la première fois

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

à un groupe lors d'une conférence à Seattle : « Enseignement Supérieur »,

this was right after marijuana was legalized.

juste après la légalisation de la marijuana.

(Laughter)

(Rires)

So I'd like to finish up quickly

J'aimerais finir en faisant remarquer

by just noting that this technology is not constrained.

que cette technologie n'est pas limitée.

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

Je vous ai montré des exemples purement visuels car ils sont amusants à voir.

It's not a purely visual technology.

Cette technologie n'est pas purement visuelle.

Notre collaborateur artistique, Ross Goodwin,

Our artist collaborator, Ross Goodwin,

has done experiments involving a camera that takes a picture,

a fait des expériences incluant un appareil photo prenant une photo,

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

puis un ordinateur dans son sac à dos

écrit un poème grâce aux réseaux de neurones,

based on the contents of the image.

en se basant sur le contenu de l'image.

And that poetry neural network has been trained

Ce réseau neuronal poétique a été entraîné

sur un large corpus de poésie du 20ème siècle.

on a large corpus of 20th-century poetry.

And the poetry is, you know,

Et la poésie est, je crois, pas trop mauvaise.

I think, kind of not bad, actually.

(Laughter)

(Rires)

In closing,

Pour finir,

I think that per Michelangelo,

je pense que Michel-Ange avait raison :

I think he was right;

perception and creativity are very intimately connected.

la perception et la créativité sont intimement liées.

What we've just seen are neural networks

Nous avons vu des réseaux neuronaux

that are entirely trained to discriminate,

entraînés à discriminer ou à reconnaître

or to recognize different things in the world,

différentes choses du monde

able to be run in reverse, to generate.

et capable de fonctionner à l'envers, de générer.

Une des choses qui me laissent penser

One of the things that suggests to me

is not only that Michelangelo really did see

que Michel-Ange n'a pas seulement vu

the sculpture in the blocks of stone,

la sculpture dans le bloc de pierre

but that any creature, any being, any alien

mais aussi que toute créature, tout être, tout extraterreste

that is able to do perceptual acts of that sort

qui est capable de faire de telles actions perceptives

is also able to create

est aussi capable de créer

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

puisque c'est le même mécanisme qui est utilisé dans les deux cas.

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

Je pense aussi que la perception et la créativité ne sont aucunement

uniquely human.

propres à l'humain.

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

Des modèles informatiques capables de ces mêmes choses apparaissent.

Et cela ne sera pas une surprise : le cerveau est un modèle informatique.

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

And finally,

Et finalement,

computing began as an exercise in designing intelligent machinery.

l'informatique a commencé comme un exercice

pour créer une machine intelligente.

It was very much modeled after the idea

Elle a été modélisée selon l'idée

of how could we make machines intelligent.

que nous pouvions rendre des machines intelligentes.

And we finally are starting to fulfill now

Aujourd'hui, nous commençons enfin à accomplir

some of the promises of those early pioneers,

certaines des promesses de ces pionniers :

of Turing and von Neumann

de Turing à von Neumann

and McCulloch and Pitts.

et McCulloch et Pitts.

And I think that computing is not just about accounting

Et je crois que l'informatique n'est pas simplement compter

or playing Candy Crush or something.

ou jouer à Candy Crush et autres.

From the beginning, we modeled them after our minds.

Dès le début, nous l'avons modélisée selon nos cerveaux.

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

Et elle nous donne la capacité de mieux comprendre nos cerveaux

and to extend them.

et de les étendre.

Thank you very much.

Merci beaucoup.

(Applause)

(Applaudissements)