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

Translator: Levan Lashauri Reviewer: Mate Kobalia

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

მე Google-ში ვხელმძღვანელობ ჯგუფს, რომელიც მანქანურ ინტელექტზე მუშაობს.

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

სხვა სიტყვებით, ესაა საინჟინრო დისციპლინა, რომელიც კომპიუტერებს და მოწყობილობებს

able to do some of the things that brains do.

აკეთებინებს იმას, რასაც ტვინები აკეთებენ.

And this makes us interested in real brains

ამიტომ, ჩვენ ნამდვილი ტვინებითაც

and neuroscience as well,

და ნეირომეცნიერებითაც ვართ დაინტერესებული.

and especially interested in the things that our brains do

განსაკუთრებით ტვინის ისეთი ფუნქციებით,

რომლებიც ბევრად აღემატება კომპიუტერებისას.

that are still far superior to the performance of computers.

Historically, one of those areas has been perception,

ისტორიულად, ერთ-ერთი ასეთი ფუნქცია აღქმაა.

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

პროცესი, რომლის შედეგადაც მსოფლიოში არსებული

sounds and images --

ხმები და გამოსახულებები,

can turn into concepts in the mind.

ტვინში წარმოდგენებად იქცევა.

This is essential for our own brains,

ეს ჩვენი ტვინის აუცილებელი ფუნქციაა

and it's also pretty useful on a computer.

და კომპიუტერისთვისაც საკმაოდ გამოსადეგი.

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

ჩვენი გუნდის მიერ შექმნილი მანქანური აღქმის ალგორითმების მაგალითია,

როცა Google-ის ფოტოებში სურათების მოძებნა,

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

based on what's in them.

მასზე არსებული გამოსახულებითაა შესაძლებელი.

The flip side of perception is creativity:

აღქმის საპირისპირო მხარე შემოქმედებაა.

როცა წარმოდგენას რეალობად აქცევთ.

turning a concept into something out there into the world.

გასულ წელს, მანქანურ აღქმაზე მუშაობამ,

So over the past year, our work on machine perception

has also unexpectedly connected with the world of machine creativity

მოულოდნელად მანქანურ შემოქმედებასთან

and machine art.

და მანქანურ ხელოვნებასთან დაგვაკავშირა.

I think Michelangelo had a penetrating insight

ვფიქრობ, მიქელანჯელოს აზრი ორმხრივ დამოკიდებულებაზე

into to this dual relationship between perception and creativity.

აღქმასა და შემოქმედებას შორის, მართლაც შორსმჭვრეტელი იყო.

მისი ეს ცნობილი ციტატა შემდეგია:

This is a famous quote of his:

"ქვის ყოველი ბლოკის შიგნით ქანდაკებაა

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

და მოქანდაკის ამოცანაა ის აღმოაჩინოს"

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

მგონი, მიქელანჯელო იმას გულისხმობდა,

So I think that what Michelangelo was getting at

is that we create by perceiving,

რომ ჩვენ აღქმის წყალობით ვქმნით

and that perception itself is an act of imagination

და აღქმა თვითონაა წარმოსახვის აქტი

and is the stuff of creativity.

და მასალა შემოქმედებისთვის.

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

ორგანო, რომელიც ამას ყველაფერს ფიქრობს, აღიქვამს და წარმოიდგენს

of course, is the brain.

რა თქმა უნდა ტვინია.

მინდა ტვინზე ჩვენი ცოდნის

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

about what we know about brains.

მოკლე ისტორიული მიმოხილვით დავიწყო.

Because unlike, say, the heart or the intestines,

გულისგან და ნაწლავებისგან განსხვავებით,

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

ტვინს თუ შეხედავთ, მასზე ბევრს ვერაფერს იტყვით,

ყოველ შემთხვევაში შეუიარაღებელი თვალით.

at least with the naked eye.

The early anatomists who looked at brains

ადრეული ანატომები, რომლებიც ტვინს აკვირდებოდნენ

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

მის გარე სტრუქტურას სხვადასხვა უცნაურ სახელებს არქმევდნენ,

like hippocampus, meaning "little shrimp."

მაგალითად, როგორც ჰიპოკამპი, რაც "პატარა კრევეტს" ნიშნავს

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

თუმცა, რა თქმა უნდა, ეს ყველაფერი, ბევრს არაფერს გვეუბნება იმაზე,

about what's actually going on inside.

თუ რა ხდება სინამდვილეში შიგნით.

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

ვფიქრობ, პირველი, ვინც რეალურად შეიქმნა რაღაც წარმოდგენა მაინც,

into what was going on in the brain

თუ რა ხდებოდა ტვინში,

was the great Spanish neuroanatomist, Santiago Ramón y Cajal,

დიდი ესპანელი ნეიროანატომი სანტიაგო რამონ ი კახალი იყო,

in the 19th century,

მე-19 საუკუნეში.

who used microscopy and special stains

მან მიკროსკოპი და სპეციალური საღებავი გამოიყენა,

that could selectively fill in or render in very high contrast

რომლითაც ტვინის ცალკეული უჯრედები შერჩევითად შეავსო

the individual cells in the brain,

და კონტრასტული გახადა,

in order to start to understand their morphologies.

რითიც მათი მორფოლოგია გაიგო.

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

ესაა ნეირონების ის გამოსახულებები,

in the 19th century.

რომლებიც მან მე-19 საუკუნეში დახატა.

This is from a bird brain.

ეს ჩიტის ტვინია.

აქ თქვენ უჯრედების არაჩვეულებრივ მრავალფეროვნებას ხედავთ,

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

ამ დროს უჯრედული თეორიაც კი, საკმაოდ ახალი ხილი იყო.

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

And these structures,

მითუმეტეს, უჯრედთა სტრუქტურები

these cells that have these arborizations,

უჯრედთა ეს განშტოებები

და მათი ეს განტოტვა, რომელიც ძალიან შორს მიდის,

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

this was very novel at the time.

ეს ძალიან ახალი იყო.

They're reminiscent, of course, of wires.

ისინი რა თქმა უნდა სადენებს გაგონებთ,

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

რაც შეიძლება უკვე ნაცნობი იყო ზოგისთვის მე-19 საუკუნეში.

the revolutions of wiring and electricity were just getting underway.

ელექტროფიკაცია სწორედ ამ დროს იწყებოდა.

But in many ways,

თუმცა, დიდი ანგარიშით,

რამონ ი კახალის ეს მიკრონატომიური გამოსახულებები

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

they're still in some ways unsurpassed.

რაღაც მხრივ დღესაც შეუდარებელია.

We're still more than a century later,

ერთი საუკუნის შემდეგ, ჩვენ ჯერ კიდევ ვცდილობთ

trying to finish the job that Ramón y Cajal started.

რამონ ი კახალის მიერ დაწყებული საქმის დასრულებას.

These are raw data from our collaborators

ეს ჩვენი კოლეგების მიერ მოპოვებული დაუმუშავებელი მონაცემებია,

at the Max Planck Institute of Neuroscience.

მაქს პლანკის ნეირომეცნიერების ინსტიტუტიდან.

And what our collaborators have done

ჩვენმა კოლეგებმა,

is to image little pieces of brain tissue.

ტვინის ქსოვილის პატარა ნაჭრები გამოსახეს.

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

ეს მთელი ნიმუში დაახლოებით 1 კუბური მილიმეტრია

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

და მე აქ ძალიან პატარა ნაჭერს გაჩვენებთ.

That bar on the left is about one micron.

მარცხნივ, ეს ფირფიტა დაახლოებით 1 მიკრონია.

The structures you see are mitochondria

სტრუქტურები, რომელსაც ხედავთ

that are the size of bacteria.

ბაქტერიის ზომის მიტოქონდრიებია.

And these are consecutive slices

ეს ქსოვილის ძალიან მცირე ბლოკის

through this very, very tiny block of tissue.

მიმდევრობითი ჩამონაჭრებია.

შედარებისთვის,

Just for comparison's sake,

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

თმის ერთი ღერის საშუალო დიამეტრი 100 მიკრონია.

So we're looking at something much, much smaller

ანუ აქ ჩვენ ვუყურებთ

than a single strand of hair.

თმის ღერზე ბევრად პატარა რამეს.

And from these kinds of serial electron microscopy slices,

ამ მიკროსკოპული ჩამონაჭრების სერიიდან

შეიძლება 3 განზომილებიანი ნეირონის მსგავსი რეკონსტრუქციების აწყობა.

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

სტილით ისინი, რამონ ი კახალის ნახატებს ჰგავს.

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

Only a few neurons lit up,

მხოლოდ ცალკეული ნეირონები ნათდება,

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

სხვაგვარად ვერაფერს დავინახავდით.

It would be so crowded,

ისეთი გადაჭედილი იქნებოდა,

so full of structure,

სავსე სტრუქტურებითა

of wiring all connecting one neuron to another.

და გაყვანილობებით, რომლებიც ერთ ნეირონს მეორესთან აერთებს

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

მაშ, რამონ ი კახალი დროს ცოტათი უსწრებდა

და ტვინის გაგება ნელა პროგრესირებდა

and progress on understanding the brain

proceeded slowly over the next few decades.

შემდეგი რამდენიმე ათწლეულის მანძილზე.

But we knew that neurons used electricity,

თუმცა, ჩვენ ვიცოდით, რომ ნეირონები ელექტრობას იყენებდნენ

and by World War II, our technology was advanced enough

და მეორე მსოფლიო ომისთვის, ტექნოლოგია საკმარისად განვითარებული იყო იმისთვის,

to start doing real electrical experiments on live neurons

რომ ცოცხალ ნეირონებზე ნამდვილი ელექტრო ექსპერიმენტები ჩატარებულიყო

to better understand how they worked.

იმისთვის რომ უკეთ შეგვესწავლა, როგორ მუშაობენ ისინი.

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

ეს ზუსტად ის დროა, როცა კომპიუტერები გამოიგონეს,

სწორედ ტვინის მოდელირებაზე, ე.წ. "გონიერ მანქანაზე" დაფუძნებით,

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

როგორც მას კომპიუტერული მეცნიერების ერთ-ერთმა მამამ,

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

one of the fathers of computer science.

ალან ტიურინგმა უწოდა.

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

უორენ მაკკალოკმა და უოლტერ პიტსმა შეხედეს რამონ ი კახალის ნახატებს,

of visual cortex,

რომელზეც მხედველობის ქერქი იყო

which I'm showing here.

ახლა სწორედ ამას ხედავთ.

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

ტვინის ეს ქერქი თვალებიდან შემოსულ გამოსახულებებს ამუშავებს

And for them, this looked like a circuit diagram.

მათთვის ეს შეკრული წრედის დიაგრამასავით იყო.

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

მაკკალოკმა და პიტსის წრედის დიაგრამაში

that are not quite right.

ბევრი დეტალი მთლად ზუსტი არ არის,

But this basic idea

თუმცა ძირითადი იდეა,

that visual cortex works like a series of computational elements

რომ მხედველობის ქერქი მუშაობს, როგორც გამოთვლითი ელემენტების სერია,

that pass information one to the next in a cascade,

რომლებიც ერთმანეთს კასკადურად გადასცემენ ინფორმაციას,

is essentially correct.

არსებითად სწორია.

Let's talk for a moment

მოდი, ერთი წუთით ვთქვათ

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

რა უნდა გააკეთოს ვიზუალური ინფორმაციის დამუშავების მოდელმა

The basic task of perception

აღქმის ძირითადი ამოცანაა,

is to take an image like this one and say,

აიღოს მსგავსი გამოსახულება და თქვას

"That's a bird,"

"ეს ჩიტია"

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

რაც ჩვენთვის ძალიან ადვილია ტვინის გამოყენებით.

But you should all understand that for a computer,

თუმცა, ყველას უნდა გესმოდეთ, რომ კომპიუტერისთვის

this was pretty much impossible just a few years ago.

სულ რაღაც რამდენიმე წლის წინ ეს პრაქტიკულად შეუძლებელი იყო.

The classical computing paradigm

კომპიუტერის კლასიკურ პარადიგმაში

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

მსგავსი რამის გაკეთება მარტივი არ არის.

So what's going on between the pixels,

მაშ, რაც ხდება პიქსელებს,

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

ჩიტის გამოსახულებასა და სიტყვა "ჩიტს" შორის,

is essentially a set of neurons connected to each other

არსებითად ნეირონების სიმრავლეა, რომლებიც ერთმანეთს

in a neural network,

ნეირონულ ქსელში უკავშირდება,

as I'm diagramming here.

როგორც დიაგრამაზე ხედავთ.

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

ეს ნეირონული ქსელი შეიძლება იყოს ბიოლოგიური, ჩვენ მხედველობის ქერქში,

or, nowadays, we start to have the capability

ან დღესდღეობით, ჩვენ გვაქვს საშუალება

to model such neural networks on the computer.

ასეთი ნეირონული ქსელების მოდელი კომპიუტერში შევქმნათ.

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

გაჩვენებთ სინამდვილეში ეს როგორ გამოიყურება.

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

პიქსელები ნეირონების პირველ შრედ შეიძლება წარმოვიდგინოთ

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

ფაქტიურად ასე მუშაობს თვალიც...

that's the neurons in the retina.

ეს არის ნეირონები რეტინაში.

And those feed forward

ისინი აწვდიან ინფორმაციას

ნეირონების ზედა შრეს და შემდეგ შრეებს, ერთი მეორის მიყოლებით,

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

all connected by synapses of different weights.

ისინი ყველა ერთმანეთს სხვადასხვა წონის სინაფსებით უკავშირდება.

The behavior of this network

ამ ქსელის ქცევა,

is characterized by the strengths of all of those synapses.

სინაფსების ძალებით ხასიათდება.

Those characterize the computational properties of this network.

ისინი ქსელის გამოთვლით თვისებებს ახასიათებენ.

And at the end of the day,

და საბოლოოდ ვიღებთ

ნეირონს ან ნეირონების მცირე ჯგუფს,

you have a neuron or a small group of neurons

that light up, saying, "bird."

რომლებიც ნათდებიან და ამბობენ "ჩიტი"

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

ვაპრებ შემდეგი სამი რამ:

the input pixels and the synapses in the neural network,

შემავალი პიქსელები, სინაფსები ნეირონული ქსელში

and bird, the output --

და შედეგი - ჩიტი,

by three variables: x, w and y.

სამ ცვლადად წარმოგიდგინოთ: x, w და y.

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

გვაქვს სადღაც ალბათ მილიონი x.

a million pixels in that image.

მილიონი პიქსელი ამ გამოსახულებაში.

There are billions or trillions of w's,

არსებობს მილიარდობით, ან ტრილიონობით w,

რაც ნეირონულ ქსელში თითოეული სინაფსის წონას წარმოადგენს.

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

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

და y-ები ძალიან მცირე რაოდენობით.

of outputs that that network has.

რაც ქსელიდან გამომავალი შედეგებია.

"Bird" is only four letters, right?

"ჩიტი" მხოლოდ ოთხი ასოსგან შედგება.

წარმოვიდგინოთ შემდეგი მარტივი ფორმულა:

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

x "x" w = y.

x "x" w = y.

I'm putting the times in scare quotes

გამრავლების ნიშანი ბრჭყალებში ჩავსვი,

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

რადგან, რა თქმა უნდა, სინამდვილეში ამ ადგილას,

ძალიან რთული მათემატიკური ოპერაციების წყებაა.

is a very complicated series of mathematical operations.

ეს ერთი განტოლებაა

That's one equation.

There are three variables.

და სამი ცვლადი.

ჩვენ ვიცით, რომ თუ გვაქვს ერთი განტოლება,

And we all know that if you have one equation,

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

შეგვძილია ის ერთი ცვლადის მიმართ ამოვხსნათ თუ დანარჩენი ორი ცნობილია.

მაშ, ამოცნობის პრობლემა,

So the problem of inference,

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

ანუ, იმის დადგენა, რომ ჩიტის სურათზე ჩიტია გამოსახული

is this one:

შემდეგზე დადის:

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

y უცნობია და w და x კი - ცნობილი.

You know the neural network, you know the pixels.

ვიცით ნეირონული ქსელი და ვიცით პიქსელები.

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

როგორც ხედავთ, ეს შედარებით სწორხაზოვანი ამოცანაა.

ორს სამზე გაამრავლებთ და მორჩა.

You multiply two times three and you're done.

I'll show you an artificial neural network

მე გაჩვენებთ ხელოვნურ ნეირონულ ქსელს,

რომელიც ცოტა ხნის წინ, ზუსტად ასე ავაგეთ.

that we've built recently, doing exactly that.

This is running in real time on a mobile phone,

ის მობილურ ტელეფონზე მუშა რეჟიმშია

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

და რა თქმა უნდა, თავისთავად საოცრებაა,

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

რომ მობილურ ტელეფონებს ამდენი მილიარდობით და ტრილიონობით ოპერაციების

per second.

შესრულება შეუძლიათ წამში.

What you're looking at is a phone

ჩვენ ვხედავთ ტელეფონს,

looking at one after another picture of a bird,

რომელიც უყურებს ჩიტის სურათებს ერთი მეორის მიყოლებით

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

და არა მხოლოდ ამბობს: "დიახ, ეს ჩიტია",

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

არამედ ამგვარი ქსელის გამოყენებით, ადგენს მის სახეობას.

So in that picture,

მაშ, ამ სურათში,

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

x და w ცნობილია, y - უცნობი.

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

მე, რა თქმა უნდა, ვტოვებ იმ ურთულეს ნაწილს,

თუ როგორ ვახერხებთ w-ს გაგებას,

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

the brain that can do such a thing?

ტვინისას, რომელსაც ამის გაკეთება შეუძლია?

How would we ever learn such a model?

როგორ დავადგინოთ ეს მოდელი?

So this process of learning, of solving for w,

w-ს გაგების ეს პროცესი

if we were doing this with the simple equation

თუ ამას მარტივი განტოლებიდან ვაკეთებთ,

in which we think about these as numbers,

რომელშიც ცვლადებს რიცხვებად წარმოვიდგენთ,

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

ზუსტად ვიცით ეს როგორ გავაკეთოთ: 6 = 2 x w,

ვყოფთ 2-ზე და დამთავრდა.

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

პრობლემა სწორედ ამ ოპერაციაშია,

The problem is with this operator.

So, division --

გაყოფაში...

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

ჩვენ ვიყენებთ გაყოფას, რადგან ის გამრავლების საპირისპიროა,

მაგრამ როგორც გითხარით,

but as I've just said,

the multiplication is a bit of a lie here.

ეს მთლად გამრავლება არ არის.

ეს ურთულესი, ძალიან არაწრფივი ოპერაციაა,

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

it has no inverse.

რომელსაც საპირისპირო არ გააჩნია.

ამიტომ, ამ განტოლების ამოხსნა

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

without a division operator.

გაყოფის ოპერაციის გარეშე უნდა მოვახერხოთ.

And the way to do that is fairly straightforward.

ამის გაკეთება კი, საკმაოდ მარტივად შეიძლება.

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

უბრალოდ, პატარა ალგებრული ხრიკი ვიხმაროთ

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

და 6-იანი განტოლების მარჯვენა მხარეს გადავიტანოთ.

Now, we're still using multiplication.

ახლა, ისევ გამრავლება გვაქვს

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

და ეს ნული.... მოდი ის "ცდომილებად" წარმოვიდგინოთ.

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

სხვა სიტყვებით, w-ის მიმართ სწორად თუ ამოვხსნით,

then the error will be zero.

მაშინ ცდომილება 0 იქნება.

And if we haven't gotten it quite right,

ხოლო, თუ შევცდებით,

the error will be greater than zero.

ცდომილება 0-ზე მეტი უნდა იყოს.

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

მაშ, ახლა უკვე ვარაუდით, შეგვიძლია ცდომილება მინიმუმზე დავიყვანოთ.

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

სწორედ ამაში არიან კომპიუტერები ძალიან ძლიერები.

So you've taken an initial guess:

მაშ, პირველადი ვარაუდი:

what if w = 0?

იქნებ w = 0?

მაშინ ცდომილება იქნება 6.

Well, then the error is 6.

What if w = 1? The error is 4.

ახლა ვცადოთ w = 1? ცდომილებაა 4.

And then the computer can sort of play Marco Polo,

შემდეგ კომპიუტერს შეუძლია "გამოცნობა" ითამაშოს

and drive down the error close to zero.

და ცდომილება 0-ს მიუახლოვოს.

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

ამით ის w-ს მიმდევრობით მიახლოებებს იგებს.

როგორც წესი, ზუსტად ვერასდროს გაიგებს, მაგრამ ათეული ბიჯის შემდეგ,

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

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

ჩვენ ვიღებთ w = 2.999, რაც საკმარისი მიახლოებაა.

And this is the learning process.

ესაა შესწავლის პროცესი.

გაგახსენებთ რას ვაკეთებთ.

So remember that what's been going on here

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

ვიღებთ უამრავ ცნობილ x-ს და y-ს

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

და იტერაციული პროცესის გამოყენებით ვიგებთ w-ს.

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

ზუსტად ასე ვსწავლობთ ჩვენც.

We have many, many images as babies

ბავშვობაში უამრავ გამოსახულებას ვხედავთ

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

და გვეუბნებიან: "ესაა ჩიტი, ეს არაა ჩიტი"

And over time, through iteration,

და დროთა განმავლობაში, იტერაციით,

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

ჩვენ ვიგებთ w-ს და ვაგებთ ნეიონულ კავშირებს.

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

მაშ, ახლა ვიცით x და w და შეგვიძლია y-სთვის ამოვხსნათ;

that's everyday, fast perception.

ეს ყოველდღიური სწრაფი აღქმაა.

We figure out how we can solve for w,

ჩვენ ვარკვევთ როგორ გავიგოთ w,

that's learning, which is a lot harder,

ეს შესწავლაა, რაც ბევრად უფრო რთულია,

რადგან უამრავ მაგალითზე წვრთნის გამოყენებით,

because we need to do error minimization,

using a lot of training examples.

ცდომილების მინიმიზაცია გვიწევს.

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

დაახლოებით 1 წლის წინ, ჩვენი გუნდის წევრმა, ალექს მორდვინცევმა,

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

გადაწყვიტა ჩაეტარებინა განტოლების x-ის მიმართ ამოხსნის ექსპერიმენტი,

given a known w and a known y.

მაშინ როცა w და y ცნობილია.

სხვა სიტყვებით,

In other words,

you know that it's a bird,

ვიცით, რომ ეს ჩიტია

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

და გვაქვს ნეირონული ქსელი, რომელსაც ჩიტების ამოცნობა შეუძლია,

მაგრამ როგორი იქნება ჩიტის გამოსახულება?

but what is the picture of a bird?

აღმოჩნდა, რომ ზუსტად ისეთივე ცდომილების შემამცირებელი პროცედურის გამოყენებით

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

შეგვიძლია ეს ჩიტების ამოცნობაზე გაწვრთნილ ნეირონულ ქსელს გავუკეთოთ

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

and the result turns out to be ...

და შედეგი...

a picture of birds.

ჩიტების გამოსახულებაა.

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

მაშ, ჩიტების ეს გამოსახულება, მთლიანად ისეთი ნეირონული ქსელის მიერაა შექმნილი,

that was trained to recognize birds,

რომლებიც ჩიტების ამოცნობაზეა გაწვრთნილი.

just by solving for x rather than solving for y,

ეს შესაძლებელი გახდა მხოლოდ y-ის ნაცვლად x მიმართ

and doing that iteratively.

იტერაციული ამოხსნით.

Here's another fun example.

აი, კიდევ ერთი სახალისო მაგალითი.

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

ეს ჩვენი ჯგუფის წევრის, მაიკ ტაიკას გაკეთებულია.

მან ამას "ცხოველების აღლუმი" დაარქვა.

which he calls "Animal Parade."

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

ეს ცოტათი უილიამ კენტრიჯის შემოქმედებას მაგონებს,

in which he makes sketches, rubs them out,

სადაც ის ესკიზებს აკეთებს, შემდეგ შლის,

makes sketches, rubs them out,

შემდეგ ისევ ხატავს, შემდეგ შლის

and creates a movie this way.

და ასე ქმნის ფილმს.

In this case,

ამ შემთხვევაში

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

მაიკი ცვლის y-ს სხვადასხვა ცხოველების სივრცეზე

in a network designed to recognize and distinguish

ქსელში, რომელიც სხვადასხვა ცხოველების

different animals from each other.

ამოსაცნობად და გასარჩევადაა შექმნილი.

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

შედეგად იღებთ, რაღაც ეშერის სტილში, მორფულ გადასვლებს ცხოველებს შორის.

Here he and Alex together have tried reducing

აქ, მან და ალექსმა ერთად სცადეს შეემცირებინათ

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

y-ების სიმრავლე მხოლოდ ორგანზომილებიან სივრცეზე

thereby making a map out of the space of all things

რითიც მიიღეს, ამ ქსელის მიერ ყველა ამოცნობადი ობიექტისგან

შემდგარი სივრცის რუკა.

recognized by this network.

Doing this kind of synthesis

მსგავსი სინთეზის გაკეთებისას,

or generation of imagery over that entire surface,

ან გამოსახულებების გენერირებით მთელ ზედაპირზე,

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

y-ის ცვლილებით ზედაპირზე, თქვენ ქმნით გარკვეულ რუკას.

იმ ყველაფრის ვიზუალურ რუკას, რისი ამოცნობაც ქსელს შეუძლია.

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

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

ყველა ცხოველი აქაა; "ჯავშნოსანი" ზუსტად ამ წერტილშია.

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

ამის გაკეთება, სხვა სახის ქსელებშიც შეგიძლიათ.

This is a network designed to recognize faces,

ეს სახეების ამოსაცნობად შექმნილი ქსელია,

to distinguish one face from another.

რომელიც ერთ სახეს მეორისგან ასხვავებს.

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

და აქ ვამატებთ y, რომელიც არის "მე",

my own face parameters.

ჩემი სახის პარამეტრები.

And when this thing solves for x,

როცა ამას x მიმართ ვხსნით,

it generates this rather crazy,

ვიღებთ ჩემს საკმაოდ გიჟურ,

kind of cubist, surreal, psychedelic picture of me

კუბისტურ, სურეალისტურ, ფსიქოდელიურ სურათს,

სხვადასხვა კუთხიდან ერთდროულად.

from multiple points of view at once.

The reason it looks like multiple points of view at once

ის ერთდროულად სხვადასხვა კუთხიდან დანახულს იმიტომ ჰგავს,

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

რომ ეს ქსელი ცდილობს გათავისუფლდეს იმ გაურკვევლობისგან,

of a face being in one pose or another pose,

რომელიც სახის სხვადასხვა მდგომარეობაში,

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

ან სხვადასხვა განათების პირობებში ყოფნას ახლავს.

So when you do this sort of reconstruction,

ამიტომ, როცა მსგავს რეკონსტრუქციას აკეთებთ,

if you don't use some sort of guide image

თუ საფუძვლად არ გამოიყენებთ რაღაც ტიპის სურათს,

or guide statistics,

ან სტატისტიკას,

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

მიიღებთ სხვადასხვა თვალთახედვის აღრევას,

because it's ambiguous.

რადგან ადგილი აქვს გაურკვევლობას.

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

აი, რა მოხდება თუ ალექსი ჩემი სახის რეკონსტრუქციისთვის,

ოპტიმიზაციის პროცესში საფუძვლად საკუთარ სახეს გამოიყენებს.

during that optimization process to reconstruct my own face.

So you can see it's not perfect.

როგორც ხედავთ იდეალური არაა.

There's still quite a lot of work to do

კიდევ ბევრი სამუშაოა ჩასატარებელი

on how we optimize that optimization process.

თუ როგორ მოვახდინოთ ოპტიმიზაციის პროცესის ოპტიმიზება.

თუმცა, უკვე ვიღებთ, რაღაც უფრო გამოკვეთილი სახის მსგავსს,

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

rendered using my own face as a guide.

როცა საფუძვლად ჩემს სახეს ვიყენებთ.

You don't have to start with a blank canvas

არ არის აუცილებელი სუფთა ფურცლიდან,

or with white noise.

ან თეთრი ხმაურიდან დაიწყოთ,

When you're solving for x,

როცა x-ის მიმართ ხსნით.

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

შეგიძლიათ დაიწყოთ x-ით, რომელიც თავისთავად რაღაც გამოსახულებაა.

That's what this little demonstration is.

ეს არის ამის პატარა დემონსტრირება.

This is a network that is designed to categorize

ეს არის ქსელი, რომელიც შექმნილია

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

სხვადასხვა ობიექტების, ხელოვნური სტრუქტურების, ცხოველების კატეგორიზებისთვის

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

ვიწყებთ მხოლოდ ღრუბლების გამოსახულებით

and as we optimize,

და ოპტიმიზაციასთან ერთად,

ქსელი არკვევს, თუ რას ხედავს ის ღრუბლებში.

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

And the more time you spend looking at this,

რაც უფრო დიდხანს უყურებთ,

the more things you also will see in the clouds.

თქვენც მით უფრო მეტ რამეს დაინახავთ ღრუბლებში.

თქვენ ასევე შეგიძლიათ ჰალუცინაციებისთვის, სახის ამომცნობი ქსელი გამოიყენოთ

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

and you get some pretty crazy stuff.

და საკმაოდ გიჟურ რამეებს მიიღებთ.

(Laughter)

(სიცილი)

Or, Mike has done some other experiments

მაიკმა კიდევ სხვა ექსპერიმენტებიც ჩაატარა,

რომლებშიც ის იღებს ღრუბლების გამოსახულებას,

in which he takes that cloud image,

ჰალუცინირებს, აახლოვებს, ჰალუცინირებს, აახლოვებსს, ჰალუცინირებს, აახლოვებს.

hallucinates, zooms, hallucinates, zooms hallucinates, zooms.

And in this way,

და ამგვარად, შეგიძლიათ მიიღოთ

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

ქსელის დისოციაციური მდგომარეობის მაგვარი,

or a sort of free association,

ან რაღაც თავისუფალი ასოციაციების მაგვარი,

in which the network is eating its own tail.

რომელშიც ქსელი საკუთარ კუდს ჭამს.

So every image is now the basis for,

ანუ, ყოველი გამოსახულება საფუძვლად უდევს:

"What do I think I see next?

"რას დავინახავ შემდეგ?

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

რას დავინახავ შემდეგ? რას დავინახავ შემდეგ?"

I showed this for the first time in public

პირველად ეს საჯაროდ

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

სიეტლში ვაჩვენე, ლექციაზე სახელად "უმაღლესი განათლება"...

this was right after marijuana was legalized.

სწორედ მარიხუანას ლეგაიზაციის შემდეგ.

(Laughter)

(სიცილი)

So I'd like to finish up quickly

მინდა სწრაფათ დავასრულო იმით,

by just noting that this technology is not constrained.

რომ ეს ტექნოლოგია შეუზღუდავია.

მე მხოლოდ ვიზუალური მაგალითები გაჩვენეთ, იმიტომ რომ ისინი სახალისო სანახავია.

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

It's not a purely visual technology.

ეს არაა მხოლოდ ვიზუალური ტექნოლოგია.

Our artist collaborator, Ross Goodwin,

ჩვენმა თანამშრომელმა, მხატვარმა, როს გუდუინმა,

has done experiments involving a camera that takes a picture,

ექსპერიმენტები კამერის გამოყენებით ჩაატარა

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

და მის ზურჩანთაში მყოფი კომპიუტერი ნეირონული ქსელის გამოყენებით ლექსებს წერს,

მის მიერ გადაღებული სურათების შითავისის საფუძველზე.

based on the contents of the image.

And that poetry neural network has been trained

ეს პოეტური ნეირონული ქსელი

მე-20 საუკუნის პოეზიის დიდ კრებულზეა გაწვრთნილი.

on a large corpus of 20th-century poetry.

And the poetry is, you know,

და ეს პოეზია, ვფიქრობ,

I think, kind of not bad, actually.

არც ისე ცუდია, პრინციპში.

(Laughter)

(სიცილი)

In closing,

და ბოლოს,

I think that per Michelangelo,

ვფიქრობ მიქელანჯელო

I think he was right;

მართალი იყო;

perception and creativity are very intimately connected.

აღქმა და შემოქმედება, ძალიან მჭიდროდაა დაკავშირებული.

What we've just seen are neural networks

ახლა ჩვენ ვნახეთ ნეირონული ქსელები,

that are entirely trained to discriminate,

რომლებიც გაწვრთნილები არიან გაარჩიონ

or to recognize different things in the world,

და ამოიცნონ სხვადასხვა ობიექტები მსოფლიოში.

able to be run in reverse, to generate.

მათ შეუძლიათ უკუღმა გაეშვან და შექმნან.

ერთ-ერთი რასაც ეს მაჩვენებს

One of the things that suggests to me

is not only that Michelangelo really did see

არა მხოლოდ ისაა, რომ მიქელანჯელო მართლაც ხედავდა

the sculpture in the blocks of stone,

ქანდაკებას ქვის ბლოკებში,

but that any creature, any being, any alien

არამედ, რომ ნებისმიერი ქმნილება, ნებისმიერი არსება, უცხოპლანეტელი,

that is able to do perceptual acts of that sort

რომელსაც მსგავსი აღქმის უნარი აქვს,

შეუძლია შექმნას კიდეც,

is also able to create

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

რადგან ორივე შემთხვევაში ზუსტად ერთნაირი მექანიზმი გამოიყენება.

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

ასევე ვფიქრობ, რომ აღქმა და შემოქმედება სულაც არ არის

uniquely human.

უნიკალურად ადამიანური.

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

ჩვენ უკვე გვაქვს კოპიუტერული მოდელები, რომლებსაც მსგავსი რამეების კეთება შეუძლიათ

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

და გასაკვირი არც უნდა იყოს; ტვინიც ხომ ერთგვარი კომპიუტერია

And finally,

და ბოლოს,

computing began as an exercise in designing intelligent machinery.

კომპიუტერების შექმნა გონიერი მანქანების შექმნის მცდელობად დაიწყო.

It was very much modeled after the idea

მისი შემუშავება დიდწილად განსაზღვრა იდეამ,

of how could we make machines intelligent.

თუ როგორ შეგვიძლია მანქანები გახვადოთ გონიერი.

And we finally are starting to fulfill now

და ახლა საბოლოოდ, ვიწყებთ

some of the promises of those early pioneers,

ამ საქმის პიონერების, ტიურინგის და ვონ ნოიმანის,

მაკკალოკის და პიტსის

of Turing and von Neumann

and McCulloch and Pitts.

ზოგიერთი დანაპირების შესრულებას.

ვფიქრობ კომპიუტერები არა მხოლოდ გამოთვლაა,

And I think that computing is not just about accounting

or playing Candy Crush or something.

ან Candy Crush-ის, ან რამე მსგავსის თამაში.

From the beginning, we modeled them after our minds.

ჩვენ ისინი თავიდანვე ჩვენი ტვინის მიხედვით დავაპროექტეთ.

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

ისინი საშუალებას გვაძლევს როგორც ჩვენი ტვინი გავიგოთ უკეთ,

and to extend them.

ასევე გავაუმჯობესოთ ის.

Thank you very much.

დიდი მადლობა.

(Applause)

(აპლოდისმენტები)