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

翻訳: Kaori Nozaki 校正: Yasushi Aoki

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

私はGoogleで 機械知能に取り組む 開発チームを率いています

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

機械知能とは コンピューターや いろいろな種類の端末に

人間の脳のような機能を 持たせるための技術です

able to do some of the things that brains do.

And this makes us interested in real brains

仕事上 私たちは 人間の脳の働きや

and neuroscience as well,

神経科学に関心があり

and especially interested in the things that our brains do

脳が未だコンピューターより はるかに優れている領域に

that are still far superior to the performance of computers.

特に興味を持っています

Historically, one of those areas has been perception,

そのような領域として 古くから認識されていたのは 知覚です

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

知覚とは 外界に存在するもの―

sounds and images --

つまり 音や映像のようなものを

can turn into concepts in the mind.

心の中の概念に 変えるプロセスです

This is essential for our own brains,

これは 人間の脳に 本質的に備わっている能力ですが

and it's also pretty useful on a computer.

コンピューターにも 有用なものです

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

例えば 私の部署で作っている 機械知覚アルゴリズムは

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

Googleフォトの画像を

写っているものに基づいて 検索できるようにする技術です

based on what's in them.

The flip side of perception is creativity:

一方 知覚と対照的なものに 創造性があります

創造性とは 概念を 何かの形で世に生み出すことです

turning a concept into something out there into the world.

So over the past year, our work on machine perception

この１年の我々の 機械知覚への取り組みの中で

has also unexpectedly connected with the world of machine creativity

コンピューターによる創造 「機械芸術」の世界との

and machine art.

意外な接点を見ました

I think Michelangelo had a penetrating insight

ミケランジェロには 先見の明があり

into to this dual relationship between perception and creativity.

この「知覚と創造の二重の関係」を 見ていたのだと思います

彼は 有名な言葉を残しています

This is a famous quote of his:

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

「どんな石の塊にも 彫像が隠れており

彫刻家の仕事は その像を見出すことである」

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

So I think that what Michelangelo was getting at

ミケランジェロが気づいていたのは

is that we create by perceiving,

我々は 知覚によって 創造しているということで

and that perception itself is an act of imagination

知覚自体が 想像する行為であり

and is the stuff of creativity.

創造的なものだということです

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

人体の中で 思考 知覚 想像を行う器官は

of course, is the brain.

言うまでもなく 脳です

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

そこで 脳科学の歩みについて

about what we know about brains.

簡単に振り返りましょう

Because unlike, say, the heart or the intestines,

心臓や腸などとは違い

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

脳については 外観からは 分からないことが多いからです

at least with the naked eye.

少なくとも 肉眼で見た場合には

The early anatomists who looked at brains

脳に注目した 昔の解剖学者たちは

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

脳の外部構造を見て しゃれた名前を付けました

like hippocampus, meaning "little shrimp."

例えば「海馬」 これは タツノオトシゴのことです

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

しかし そのように付けられた名前は

その働きについて ほとんど何も示していません

about what's actually going on inside.

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

脳内で起きていることについて 本当の知見を初めて得たのは

into what was going on in the brain

19世紀の 偉大な スペイン人神経解剖学者

was the great Spanish neuroanatomist, Santiago Ramón y Cajal,

サンティアゴ・ラモン・イ・カハールだと

in the 19th century,

私は思います

who used microscopy and special stains

彼は顕微鏡と 選択的に染める特殊な染料を使って

that could selectively fill in or render in very high contrast

脳内の個々の細胞を 非常にはっきりした形で

the individual cells in the brain,

見られるようにし

in order to start to understand their morphologies.

そこから 形態学的理解が 進むようになりました

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

19世紀に 彼が描いた 神経のイメージは

in the 19th century.

このようなものでした

This is from a bird brain.

これは 鳥の脳です

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

このように 驚くほど 多様な細胞があります

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

当時は 細胞説自体が ごく新しいものでした

And these structures,

この構造 この細胞には

these cells that have these arborizations,

樹状突起があります

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

この突起は 非常に長く伸びうるのですが

this was very novel at the time.

これも 当時は目新しいことでした

They're reminiscent, of course, of wires.

樹状突起は 配線のようにも見えます

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

このことは 19世紀の一部の人には 一目瞭然だったかもしれません

the revolutions of wiring and electricity were just getting underway.

電気による革命が進み 配線が普及し始めた時代だったからです

But in many ways,

しかし いろいろな面で

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

ラモン・イ・カハールが提示した 微細解剖学的な図は

they're still in some ways unsurpassed.

ある意味 今なお越えられていません

We're still more than a century later,

１世紀を経た今も 我々は

trying to finish the job that Ramón y Cajal started.

ラモン・イ・カハールが始めた仕事を 完成させようと試み続けています

These are raw data from our collaborators

これは 我々が提携している

マックス・プランク神経科学研究所による 生のデータです

at the Max Planck Institute of Neuroscience.

And what our collaborators have done

彼らが行ったのは

is to image little pieces of brain tissue.

脳の組織の小さな断片を 可視化するということです

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

この試料全体の大きさは １立方ミリメートルで

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

今 お見せしているのは そのごく一部です

That bar on the left is about one micron.

左の棒の長さが １ミクロンです

The structures you see are mitochondria

ご覧の構造は ミトコンドリアで

that are the size of bacteria.

大きさとしては バクテリアと同程度です

And these are consecutive slices

ごく小さな組織片の

through this very, very tiny block of tissue.

連続的断面を映しています

Just for comparison's sake,

比較のために言うと

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

髪の毛の直径は 平均約100ミクロンです

So we're looking at something much, much smaller

ご覧のものは 髪の毛の直径よりも

than a single strand of hair.

はるかに小さいんです

And from these kinds of serial electron microscopy slices,

このような 電子顕微鏡による 連続断面像から

ニューロンの３次元像を 再構成できます

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

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

ここでは ラモン・イ・カハールが したのと同じように

ごく一部のニューロンだけを示しています

Only a few neurons lit up,

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

そうしなければ あまりに密集していて

It would be so crowded,

わけが分からなくなってしまいます

so full of structure,

ニューロンは 互いに結合し合った —

of wiring all connecting one neuron to another.

非常に複雑な構造をしているためです

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

ラモン・イ・カハールは 時代の先を行っていて

脳に対する理解は

and progress on understanding the brain

proceeded slowly over the next few decades.

その後の数十年で ゆっくりと進んでいきました

But we knew that neurons used electricity,

やがて ニューロンは 電気を使っていることが発見され

and by World War II, our technology was advanced enough

第二次世界大戦の頃には

仕組みの解明のため 生きたニューロンを使って

to start doing real electrical experiments on live neurons

電気的な実験ができるくらいに 技術が進歩しました

to better understand how they worked.

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

ほぼ同時期に コンピューターも発明されましたが

これは 人間の脳をモデル化するという アイデアに基づいていました

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

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

コンピュータ科学の父の１人である アラン・チューリングは

one of the fathers of computer science.

これを「知的機械」と呼びました

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

そしてウォーレン・マカロックと ウォルター・ピッツが

ラモン・イ・カハールの 視覚野の図に 目を向けました

of visual cortex,

which I'm showing here.

今 ここでお見せしているものです

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

これは 目から受け取ったイメージを 処理する皮質です

And for them, this looked like a circuit diagram.

２人には これが 回路図のように見えました

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

マカロックとピッツの回路図の 細かい部分には

that are not quite right.

間違いが たくさんありますが

But this basic idea

その基本的な概念

that visual cortex works like a series of computational elements

つまり 視覚野は一連の 計算要素のように働き

that pass information one to the next in a cascade,

段階的に情報を 受け渡していくという概念は

is essentially correct.

本質的に正しいものでした

Let's talk for a moment

ここで 少し時間を取って

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

視覚情報処理が どんなことをするのか 説明しようと思います

The basic task of perception

知覚の基本的な仕事は

is to take an image like this one and say,

このような画像を見て 識別をすることです

"That's a bird,"

「あれは鳥だ」と

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

人間の脳は この処理を簡単にやってのけますが

But you should all understand that for a computer,

コンピューターにとっては難問で

this was pretty much impossible just a few years ago.

数年前までは ほとんど不可能でした

The classical computing paradigm

従来の コンピューターの構造は

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

こういうタスクには不向きなんです

So what's going on between the pixels,

鳥のピクセル画像と

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

「鳥」という言葉の間にあるのは

is essentially a set of neurons connected to each other

ニューラルネットワークの中の

結合しあった 一連のニューロンです

in a neural network,

図示すると こうなります

as I'm diagramming here.

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

このニューラルネットワークは 視覚野内に生物学的なものとして存在し

or, nowadays, we start to have the capability

また最近では コンピューター上に

to model such neural networks on the computer.

モデル化できるようになりました

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

どのように動作するか お見せしましょう

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

画像は ニューロンの 第１層を示しています

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

これは目で言うと

that's the neurons in the retina.

網膜内のニューロンに相当します

And those feed forward

情報は

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

ニューロンの１つの層から別の層へと 次々と受け渡され

all connected by synapses of different weights.

ニューロン同士は 重みの異なる シナプスでつながれています

The behavior of this network

このネットワークの動作は

is characterized by the strengths of all of those synapses.

シナプス結合の 強さによって変わり

Those characterize the computational properties of this network.

それが ネットワークの 計算的特徴を決めます

And at the end of the day,

そうして最終的には

you have a neuron or a small group of neurons

少数のニューロン群が反応し

that light up, saying, "bird."

「鳥」だと認識されます

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

ここで３つの対象物 ―

the input pixels and the synapses in the neural network,

入力されたピクセル ニューラルネットワーク内のシナプス

and bird, the output --

出力である「鳥」

by three variables: x, w and y.

この３つを 「ｘ」「ｗ」「ｙ」と置きましょう

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

ｘは 画像中のピクセルなので

a million pixels in that image.

100万個くらいあり

There are billions or trillions of w's,

ｗは数十億から数兆個

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

ニューラルネット内の全シナプスの 結合強度を表します

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

このネットワークからの 出力である

of outputs that that network has.

ｙの個数はごくわずかです

"Bird" is only four letters, right?

「bird」は たった４文字ですよね？

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

ここで 次の簡単な式が 成立すると仮定します

x "x" w = y.

ｘ “×” ｗ ＝ｙ

I'm putting the times in scare quotes

「かける」に引用符を付けたのは

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

この場面で実行される演算は

is a very complicated series of mathematical operations.

実際には 非常に複雑な 数学的な計算だからです

That's one equation.

１つの方程式があって

There are three variables.

３個の変数があります

And we all know that if you have one equation,

ご存じのように ３つの変数のうち ２つの値が分かれば

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

残りの変数の値も求められます

So the problem of inference,

ここでの問題は

鳥の画像から

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

それが鳥だと推論する ということでした

is this one:

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

つまり y が未知で ｘとｗが分かっています

You know the neural network, you know the pixels.

画像 x と ネットワーク w は 与えられています

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

ご覧のように 比較的単純な問題です

２と３を掛け合わせれば 答えは出ます

You multiply two times three and you're done.

I'll show you an artificial neural network

我々が最近構築した ニューラルネットワークでは

that we've built recently, doing exactly that.

まさに これを実行しています

This is running in real time on a mobile phone,

携帯電話上で リアルタイムで処理をしています

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

こんなに すごいことができるのも

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

現在の携帯電話では １秒当たり 数十億～数兆の命令を

per second.

実行できるからです

What you're looking at is a phone

ご覧いただいているのは

looking at one after another picture of a bird,

携帯電話で次々に出す 鳥の画像に対し

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

ニューラルネットが 「これは鳥だ」と言うだけでなく

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

鳥の種類まで 特定しているところです

So in that picture,

この式で言うと

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

ｘとｗが既知で ｙが未知の場合です

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

ここで 難しい部分を はしょっていました

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

ｗは そもそも どうやって求めたらいいのか

the brain that can do such a thing?

脳がやっているようなことですが

How would we ever learn such a model?

人間は どうやって学ぶのでしょう？

So this process of learning, of solving for w,

この学習プロセス ｗを解くという問題は

if we were doing this with the simple equation

変数が数値の 簡単な式であれば

in which we think about these as numbers,

どうすればよいか分かります

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

６＝２×ｗ を解くには

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

両辺を２で割れば済みます

The problem is with this operator.

ここで問題になるのは この演算子です

So, division --

今 割り算をしましたが

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

それは割り算が 掛け算の逆演算だからです

but as I've just said,

しかし 先ほど言ったとおり

the multiplication is a bit of a lie here.

掛け算と見るのには ウソがあり

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

実際には とても複雑な非線形演算で

it has no inverse.

逆演算が存在しません

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

だから 除算演算子を使わずに

without a division operator.

これを解かなければなりません

And the way to do that is fairly straightforward.

でも そのやり方はそう難しくありません

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

代数学的な ちょっとしたワザを使うんです

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

まず「６」を式の右辺に移します

Now, we're still using multiplication.

依然として乗算を使っています

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

そして 左辺の「０」を誤差と考えます

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

つまり ｗを正しく求められれば

then the error will be zero.

誤差の値は０になります

And if we haven't gotten it quite right,

ｗの値が 正しくない場合

the error will be greater than zero.

誤差は０より大きくなります

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

誤差の値が最小になるよう 推量をします

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

こういう処理なら コンピューターは大得意です

最初の推測値として

So you've taken an initial guess:

what if w = 0?

ｗ＝０では どうでしょう？

誤差は６です

Well, then the error is 6.

ｗ＝１の場合 誤差は４

What if w = 1? The error is 4.

And then the computer can sort of play Marco Polo,

マルコ・ポーロ式鬼ごっこのような調子で

and drive down the error close to zero.

誤差を０に近づけていき

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

そうやってｗの近似値を求めます

通常 正解そのものにたどり着くことは ありませんが

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

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

数十回繰り返すと ｗ＝2.999のような 十分近い値が求まります

And this is the learning process.

これが 学習プロセスです

So remember that what's been going on here

ここで改めて 思い出してください

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

私たちがやっていたのは 既知の ｘとｙに対し

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

反復的プロセスによって 真ん中の ｗの値を求めるということです

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

これは人間がものごとを学習するのと 同じやり方です

We have many, many images as babies

赤ちゃんのとき たくさんの絵を見せられ

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

「これは鳥 これは鳥じゃない」と 教わります

And over time, through iteration,

この学習を反復することで

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

ｗを解いて 神経結合を作り出すんです

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

ｘと w に対して y を求めるというのは

that's everyday, fast perception.

高速な日常的「知覚」です

We figure out how we can solve for w,

w を求める方法を 先ほど考えましたが

that's learning, which is a lot harder,

これは「学習」であり ずっと難しいことです

because we need to do error minimization,

なぜなら 多くの訓練例を使って

using a lot of training examples.

誤差を最小化する必要が あるからです

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

１年ほど前 私のチームの アレックス・モードヴィンツェフは

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

既知の w と y に対して x の値を求めるとどうなるか

given a known w and a known y.

実験してみることにしました

In other words,

言い換えると

you know that it's a bird,

鳥に対してトレーニングされた ニューラルネットが

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

鳥だと答えを出す

but what is the picture of a bird?

「鳥の絵」はどんなものか ということです

鳥を認識するネットワークを訓練するのと 同じ誤差最小化の手順が

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

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

この場合も使えることが 分かりました

and the result turns out to be ...

結果として出てきたのは —

a picture of birds.

一種の鳥の絵です

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

これは「鳥」を認識するように訓練した ニューラルネットワークによって

that was trained to recognize birds,

生成された鳥のイメージです

just by solving for x rather than solving for y,

ｙの値を求めるかわりに

反復によって ｘを求めたんです

and doing that iteratively.

Here's another fun example.

別の面白い例を 紹介しましょう

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

私のグループのマイク・タイカが 作ってくれたものです

which he calls "Animal Parade."

マイクは「動物のパレード」と呼んでました

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

ウィリアム・ケントリッジの作品を 思わせます

in which he makes sketches, rubs them out,

ケントリッジは スケッチを描いては消し

makes sketches, rubs them out,

また 描いては消しして

and creates a movie this way.

アニメーションを作り出します

In this case,

この場合

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

マイクは 動物種の集合の中で ｙの値を変えていて

in a network designed to recognize and distinguish

動物の種類を識別するよう 設計された

different animals from each other.

ネットワークを使っています

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

エッシャーのだまし絵のように 動物が別の動物へと変形していきます

Here he and Alex together have tried reducing

次は マイクとアレックスが 協力して作ったもので

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

y を二次元空間に 収めようと試みていて

thereby making a map out of the space of all things

ネットワークが認識するもの 全てを含む空間の

recognized by this network.

地図を作っています

Doing this kind of synthesis

この画像合成・画像生成を

or generation of imagery over that entire surface,

ｙの値を変化させながら 画面全体にわたって行うことで

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

このような地図が できあがります

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

ネットワークが認識するものすべての 視覚地図です

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

いろんな動物が現れます あそこにアルマジロがいますね

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

他のネットワークでも 同様の処理が実行できます

This is a network designed to recognize faces,

これは 人物の顔を見分ける―

顔認識のために設計された ネットワークです

to distinguish one face from another.

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

ここで ｙは「私」です

my own face parameters.

私の顔をパラメータにして

And when this thing solves for x,

このネットワークを使い ｘの値を求めると

it generates this rather crazy,

かなり ぶっ飛んだ 画像が作られます

kind of cubist, surreal, psychedelic picture of me

キュービズムというか シュールというか サイケな感じの 私の絵です

複数の視点を １つにまとめています

from multiple points of view at once.

The reason it looks like multiple points of view at once

このように 複数の視点が １つになっている理由は

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

このネットワークが あいまいさを除去する 設計になっているためです

of a face being in one pose or another pose,

人の顔の見え方は 見る角度によって変わり

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

光の当たり方によっても 変わります

So when you do this sort of reconstruction,

だから このような再構成を行う場合

if you don't use some sort of guide image

ガイドとなる画像や 統計値がないと

or guide statistics,

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

視点に関して

混乱が生じるんです

because it's ambiguous.

あいまいさがあるためです

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

ここでは 私の顔を再構成する 最適化プロセスで

during that optimization process to reconstruct my own face.

アレックスの顔の映像を ガイドとして使っています

So you can see it's not perfect.

完璧とは言えず

There's still quite a lot of work to do

この最適化プロセスを 改善するために

on how we optimize that optimization process.

やることは まだまだありますが

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

とりあえず 顔をガイドとして使うことで

rendered using my own face as a guide.

統一感のあるイメージが できるようになります

You don't have to start with a blank canvas

別に 真っ白なキャンバスや

ホワイトノイズから 始める必要はありません

or with white noise.

When you're solving for x,

ｘを求めるという場合

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

ｘとして 何か別の画像から 出発してもいいんです

That's what this little demonstration is.

それを説明するデモを お見せしましょう

This is a network that is designed to categorize

これは 人工物であれ 動物であれ

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

あらゆるものを分類するよう 設計されたネットワークです

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

この雲の写真からスタートします

and as we optimize,

これを最適化すると

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

このネットワークは 「雲の中に何が見えるか」を探します

And the more time you spend looking at this,

画面をじっと見ているうちに

the more things you also will see in the clouds.

雲の中に いろんなものが 見えてきます

これに顔認識ネットワークを使うと 幻覚っぽい映像になります

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

and you get some pretty crazy stuff.

ちょっと頭がおかしくなりそうな

(Laughter)

（笑）

Or, Mike has done some other experiments

マイクはまた

in which he takes that cloud image,

この雲の画像で 別の実験もしています

hallucinates, zooms, hallucinates, zooms hallucinates, zooms.

幻視とズームを繰り返していくと

And in this way,

こんな感じに

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

フーガのような 自由連想のような映像を

or a sort of free association,

このネットワークから 作り出せます

ネットワークが 自分の尻尾を食べています

in which the network is eating its own tail.

So every image is now the basis for,

それそれのイメージが 次のイメージのベースになっています

"What do I think I see next?

「次に 何が見える？

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

次に 何が見える？ 次に 何が見える？」という風に

I showed this for the first time in public

ちなみに このデモを 最初に披露したのは

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

シアトルで開かれた 「高等教育」と題した講演会で

this was right after marijuana was legalized.

マリファナが合法化された 直後のことでした

(Laughter)

（笑）

So I'd like to finish up quickly

最後にまとめとして

by just noting that this technology is not constrained.

この技術は お見せしたようなものに 限定されないことを指摘しておきます

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

今回は視覚的にちょっと面白い例を 紹介しましたが

It's not a purely visual technology.

別に 視覚のテクノロジー というわけではないんです

Our artist collaborator, Ross Goodwin,

我々の協力者でアーティストの ロス・グッドウィンによる実験ですが

has done experiments involving a camera that takes a picture,

彼がカメラで写真を撮ると

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

その写真の中身を元に 背負っているコンピューターが

ニューラルネットワークで 詩を書きます

based on the contents of the image.

And that poetry neural network has been trained

詩のニューラルネットワークは

20世紀の詩の 膨大なコーパスで トレーニングされています

on a large corpus of 20th-century poetry.

And the poetry is, you know,

そうやって書かれた詩は

I think, kind of not bad, actually.

どうして そう悪くないと思います

(Laughter)

（笑）

In closing,

まとめになりますが

I think that per Michelangelo,

ミケランジェロは正しかったと

I think he was right;

つくづく思います

perception and creativity are very intimately connected.

知覚と創造性とは 密接に結びついているんです

What we've just seen are neural networks

先ほどお見せした ニューラルネットワークは

that are entirely trained to discriminate,

世の中の さまざまなものを区別するよう

or to recognize different things in the world,

学習させたものですが

able to be run in reverse, to generate.

処理を逆転させて 新しいものを作り出すこともできます

One of the things that suggests to me

そこで気づかされるのは

is not only that Michelangelo really did see

石の塊の中に 彫刻を見ることができるのは

the sculpture in the blocks of stone,

ミケランジェロだけではないということ

but that any creature, any being, any alien

どんな生物であれ どんな存在 地球外生命体だろうと

that is able to do perceptual acts of that sort

知覚を行う能力のあるものは

創造もできるということです

is also able to create

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

どちらも同じメカニズムで できることだからです

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

そして 知覚と創造は

決して 人間に限られたものではありません

uniquely human.

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

私たちは そのようなことができる コンピューターモデルを作り始めています

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

驚くことではありません 脳もまた計算機械だからです

And finally,

最後に

computing began as an exercise in designing intelligent machinery.

コンピューティングは 知的機械の設計から始まり

It was very much modeled after the idea

機械はいかに知的になれるか という発想から

of how could we make machines intelligent.

モデル化されましたが

And we finally are starting to fulfill now

今や我々は 昔の先駆者が 夢見た世界を

some of the promises of those early pioneers,

ようやく実現させつつあります

of Turing and von Neumann

チューリングやフォン・ノイマンの夢

and McCulloch and Pitts.

マカロックやピッツの夢を

And I think that computing is not just about accounting

コンピューティングは 会計処理だとか

キャンディークラッシュで 遊ぶだけのものではありません

or playing Candy Crush or something.

From the beginning, we modeled them after our minds.

コンピューターはそもそも 人間の脳をモデルとしたものでしたが

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

それは 人間の知性を よりよく理解するためにも

and to extend them.

人間の知性を拡張するためにも 使えるのです

Thank you very much.

ありがとうございました

(Applause)

（拍手）