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

번역: Seon-Gyu Choi 검토: Gemma Lee

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

저는 구글에서 기계지능팀을 이끌고 있습니다.

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

다르게 표현하면, 컴퓨터와 장치를 공학적으로 훈련시켜

able to do some of the things that brains do.

뇌가 하는 일을 할 수 있게 합니다.

And this makes us interested in real brains

그리고 이 일을 하면서 저희는 실제 뇌와 신경과학에

and neuroscience as well,

관심을 두게 되었습니다.

and especially interested in the things that our brains do

특히 관심 있는 부분은 우리의 뇌가 하는 일 중에

that are still far superior to the performance of computers.

아직 컴퓨터보다 훨씬 뛰어난 부분에 대한 것입니다.

Historically, one of those areas has been perception,

역사적으로 이런 부분 중에 하나로 인식이 언급돼 왔습니다.

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

세상에 존재하는

sounds and images --

소리나 이미지를 과정을 통해

can turn into concepts in the mind.

마음속에 개념화시키는 것입니다.

This is essential for our own brains,

이것은 우리 뇌에 필수적인 기능이고

and it's also pretty useful on a computer.

컴퓨터에도 꽤 유용합니다.

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

기계 인식 알고리즘의 예로 저희 팀에서 한 일은

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

구글 포토스에 올린 사진을 뭐가 찍혔냐에 따라

based on what's in them.

검색이 가능하게 한 것이죠.

The flip side of perception is creativity:

인식의 반대말은 창의성입니다.

turning a concept into something out there into the world.

개념을 세상에 존재하는 것으로 바꾸는 것입니다.

So over the past year, our work on machine perception

지난 몇 년 동안 기계 인식에 대해 저희가 해온 일들은

has also unexpectedly connected with the world of machine creativity

뜻밖에도 기계의 창의력과 기계 예술을

and machine art.

연결했습니다.

I think Michelangelo had a penetrating insight

저는 미켈란젤로가 인식과 창의성 간의

into to this dual relationship between perception and creativity.

이중 관계를 꿰뚫어 보았다고 생각합니다.

This is a famous quote of his:

이것은 그의 유명한 인용구입니다.

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

"모든 돌덩이는 그 안에 조각상을 가지고 있고

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

그것을 발견하는 것이 조각가의 과업이다."

So I think that what Michelangelo was getting at

그래서 저는 미켈란젤로의 생각은

is that we create by perceiving,

우리는 인식하는 것으로 창조하고

and that perception itself is an act of imagination

그 인식 자체가 상상하는 행위이며

and is the stuff of creativity.

창의성이라 여깁니다.

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

생각하고 인식하고 상상하는 기관은

of course, is the brain.

물론 뇌입니다.

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

그리고 저는 간략하게 뇌에 대한 연구의

about what we know about brains.

역사에 대해서 이야기하고 싶습니다.

Because unlike, say, the heart or the intestines,

왜냐하면 심장이나 장과 달리

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

보기만 해선 뇌에 대해 이야기할 게 없기 때문입니다.

at least with the naked eye.

겉으로 보기에 말이죠.

The early anatomists who looked at brains

초기 해부학자들은 뇌를 보고

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

표면상의 구조에 온갖 기발한 이름을 붙였습니다.

like hippocampus, meaning "little shrimp."

해마같이 말이죠, 뜻은 "작은 새우"입니다.

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

하지만 물론 이런 이름들이 실제로 무슨일을 하는지

about what's actually going on inside.

말해 주지는 않습니다.

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

제 생각에 최초로 뇌에서 무슨 일이 일어나는지에 대해

into what was going on in the brain

큰 공헌을 한 사람은

was the great Spanish neuroanatomist, Santiago Ramón y Cajal,

스페인의 위대한 신경 해부학자인 산티아고 라몬 이 카할입니다.

in the 19th century,

19세기에

who used microscopy and special stains

현미경 관찰과 특수한 착색을 이용해

that could selectively fill in or render in very high contrast

선택적으로 각각의 뇌세포를 채우거나

the individual cells in the brain,

높은 대비를 만들어 내

in order to start to understand their morphologies.

형태학적인 이해를 할 수 있게 한 사람입니다.

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

이것들은 그가 신경 세포로 만든 그림들입니다.

in the 19th century.

19세기에 말이죠.

This is from a bird brain.

이것은 새의 뇌 그림입니다.

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

그리고 굉장히 다양한 세포를 볼 수 있습니다.

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

심지어 세포이론도 알려진 지 얼마 안 된 때였습니다.

And these structures,

그리고 이 구조는

these cells that have these arborizations,

수지상부를 가지고 있는 세포들의

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

가지는 아주 멀리까지 뻗을 수 있는데

this was very novel at the time.

당시 매우 새로웠습니다.

They're reminiscent, of course, of wires.

이 구조는 전선을 연상시킵니다.

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

전선과 전기의 혁명이 일어나던 19세기 사람들은

the revolutions of wiring and electricity were just getting underway.

당연히 그렇게 볼 수 있었을 것입니다.

But in many ways,

하지만 여러 가지 면에서

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

이런 라몬 이 카할의 조직학적 그림은

they're still in some ways unsurpassed.

오늘날에도 최고로 여겨집니다.

We're still more than a century later,

우리는 지난 한 세기 동안

trying to finish the job that Ramón y Cajal started.

라몬 이 카할이 시작한 일을 끝내려고 노력하고 있습니다.

These are raw data from our collaborators

이것들은 막스플랑크 신경과학 연구소

at the Max Planck Institute of Neuroscience.

협력자들의 기초 데이타입니다.

And what our collaborators have done

그리고 저희 협력자들이 한 것은

is to image little pieces of brain tissue.

뇌세포의 작은 부분을 조명한 것 입니다.

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

이 샘플의 전체 크기는 대략 1 입방 밀리미터이고

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

결과물의 아주 작은 부분을 보고 계신 것입니다.

That bar on the left is about one micron.

왼쪽에 있는 바는 1미크론 입니다.

The structures you see are mitochondria

보고 계신 구조는 미토콘드리아입니다.

that are the size of bacteria.

이는 박테리아만큼 작습니다.

And these are consecutive slices

이것은 아주 작은 조직으로

through this very, very tiny block of tissue.

자른 연속적인 단면입니다.

Just for comparison's sake,

비교를 하자면

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

머리카락의 평균 지름은 100 미크론입니다.

So we're looking at something much, much smaller

저희가 보고 있는 것은 머리카락 한 가닥보다

than a single strand of hair.

훨씬 작은 것입니다.

And from these kinds of serial electron microscopy slices,

그리고 이런 전자현미경으로 나눈 일련의 조각들로

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

신경세포를 3D로 이렇게 복원할 수 있습니다.

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

이것은 라몬 이 카할의 방식과 어느 정도 같습니다.

Only a few neurons lit up,

일부 신경세포만 비추었죠.

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

그렇지 않으면 아무것도 구분할 수 없을 것입니다.

It would be so crowded,

사진 가득히

so full of structure,

신경세포끼리 서로 연결된

of wiring all connecting one neuron to another.

구조만 보일 것입니다.

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

라몬 이 카할은 시대를 앞서나갔고

and progress on understanding the brain

그후 수십 년 동안 뇌의 이해에 대한 연구는

proceeded slowly over the next few decades.

서서히 발전했습니다.

But we knew that neurons used electricity,

그러나 우리는 신경세포가 전기를 이용하는 것을 알아냈고

and by World War II, our technology was advanced enough

제2차 세계대전 때 발전한 기술로

to start doing real electrical experiments on live neurons

실제로 신경세포에 전기 실험을 할 수 있게 되고

to better understand how they worked.

신경세포를 더 이해할 수 있었습니다.

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

컴퓨터가 발명된 것도 바로 이때인데

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

뇌를 모델로 한 아이디어였죠.

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

앨런 튜링은 "지능형 기계" 라고 불렀습니다.

one of the fathers of computer science.

컴퓨터 공학의 아버지 중에 한 명이죠.

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

워렌 맥컬로흐와 월터 피츠는 어느날 라몬 이 카할의

of visual cortex,

시각 피질 그림을 보았습니다.

which I'm showing here.

지금 보고 계신 그림말이죠.

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

이것은 눈을 통해 들어온 이미지를 처리하는 피질입니다.

And for them, this looked like a circuit diagram.

그리고 그들에겐 이 그림은 마치 회로도처럼 보였습니다.

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

맥컬로흐와 피츠의 회로도에는 많은 세부사항이 있지만

that are not quite right.

정확하지는 않습니다.

But this basic idea

하지만 기본 아이디어인

that visual cortex works like a series of computational elements

시각 피질의 원리가 일련의 계산 요소를

that pass information one to the next in a cascade,

연속적으로 하나에서 다음으로 정보를 넘긴다는 것은

is essentially correct.

근본적으로 맞습니다.

Let's talk for a moment

조금 더 이야기해 보겠습니다.

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

시각 정보를 처리하는 모델이 해야 하는 일에 대해서 말이죠.

The basic task of perception

인식이 기본적으로 하는 일은

is to take an image like this one and say,

이런 이미지를 보고 이렇게 말하는 것 입니다.

"That's a bird,"

"이것은 새입니다"

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

우리에게는 매우 쉬운 일입니다.

But you should all understand that for a computer,

하지만 여러분 모두가 아셔야 하는 것이

this was pretty much impossible just a few years ago.

몇 년 전까지 컴퓨터로는 이런 것이 불가능했습니다.

The classical computing paradigm

고전적인 컴퓨팅 패러다임은

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

이런 일을 쉽게 할 수 있는 것이 아닙니다.

So what's going on between the pixels,

그래서 픽셀들 간의 관계와

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

만들어진 이미지와 "새"라는 단어의 관계는

is essentially a set of neurons connected to each other

근본적으로 신경세포들이 서로 연결되어

in a neural network,

신경망을 구축하고 있는 것입니다.

as I'm diagramming here.

제가 그린 도표처럼요.

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

이 신경망은 시각피질 내부의 생물학적인 것이나

or, nowadays, we start to have the capability

오늘날에는 우리의 기술로

to model such neural networks on the computer.

컴퓨터를 통해 신경망을 그릴 수 있습니다.

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

그리고 이것이 실제 모델입니다.

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

픽셀이 신경세포의 첫 번째 층입니다.

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

그리고 이것은 실제로 눈으로 보는 과정으로 보면

that's the neurons in the retina.

픽셀이 망막인 것입니다.

And those feed forward

그리고 이 자극을

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

신경세포의 한 층에서 다음 층으로 전달합니다.

all connected by synapses of different weights.

이는 각각 다른 농도의 시냅스로 모두 연결되어있습니다.

The behavior of this network

이 네트워크의 동작은

is characterized by the strengths of all of those synapses.

모든 시냅스의 강도에 의해 구분됩니다.

Those characterize the computational properties of this network.

이것으로 네트워크 내에서 계산되는 것을 특징짓습니다.

And at the end of the day,

그리고 마지막에

you have a neuron or a small group of neurons

신경 세포 하나 또는 한 무리가

that light up, saying, "bird."

반짝이며 "새"라고 말합니다.

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

이제 제가 이 세가지를

the input pixels and the synapses in the neural network,

입력된 픽셀, 신경망의 시넵스

and bird, the output --

그리고 결과물인 새를

by three variables: x, w and y.

세 변수 x, w, y라고 하겠습니다.

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

픽셀이 백만 개는 있을테니 x는

a million pixels in that image.

이미지의 백만 개의 픽셀입니다.

There are billions or trillions of w's,

그리고 w는 수십억 혹은 수조 개가 있습니다.

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

이는 신경망의 모든 시냅스의 농도를 말합니다.

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

그리고 적은 수의 y가 있습니다.

of outputs that that network has.

신경망의 결과물로써 말이죠.

"Bird" is only four letters, right?

"Bird"는 네 글자뿐이잖아요.

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

그러면 이것을 간단한 공식이라고 해봅시다.

x "x" w = y.

x "x" w = y.

I'm putting the times in scare quotes

저는 곱하기를 큰따옴표 안에 넣었습니다.

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

실제로 저기서 일어나는 일은

is a very complicated series of mathematical operations.

매우 복잡한 일련의 수학적인 과정이기 때문입니다.

That's one equation.

이것은 한 공식입니다.

There are three variables.

세 개의 변수가 있습니다.

And we all know that if you have one equation,

그리고 우리가 알고 있는 것이 한 공식에서

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

두 개의 변수를 알면 남은 한 개를 알 수 있다는 것입니다.

So the problem of inference,

그래서 추론해야 하는

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

새의 사진을 보고 새를 구분하는 공식은

is this one:

바로 이것입니다.

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

이 경우는 y는 알려지지 않고 w와 x는 알려진 경우이죠

You know the neural network, you know the pixels.

신경망과 픽셀이 무엇인지는 알고 있습니다.

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

보시다시피 사실 상대적으로 간단한 문제입니다

You multiply two times three and you're done.

2 곱하기 3을 하면 끝나는 거죠

I'll show you an artificial neural network

여러분께 최근에 만든 인공 신경망이

that we've built recently, doing exactly that.

정확히 이것을 하는 것을 보여드리겠습니다

This is running in real time on a mobile phone,

이것은 휴대전화에서 실시간으로 돌아가는 것입니다.

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

그리고 물론 휴대전화에서

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

초당 수십억 수조 개의 동작을 한다는 것 자체만으로도

per second.

놀라운 일입니다

What you're looking at is a phone

여러분이 보고 있는 것은

looking at one after another picture of a bird,

휴대전화가 다른 새 사진을 보고

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

“네, 이것은 새입니다.” 하고 끝나는 것이 아니라

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

네트워크 정보로 종까지 분류하는 모습입니다.

So in that picture,

사진을 보면

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

x와 w는 밝혀져 있고 y는 밝혀지지 않았습니다.

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

지금 몹시 어려운 부분을 얼버무리고 지나가고 있는데

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

그것은 우리가 어떻게 w를 밝혀냈으며

the brain that can do such a thing?

뇌가 어떻게 그런 일을 하며

How would we ever learn such a model?

어떻게 이런 모델을 배울까입니다.

So this process of learning, of solving for w,

w를 배우고 해결하는 과정을

if we were doing this with the simple equation

간단한 공식으로 만들어

in which we think about these as numbers,

숫자를 대입해보면

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

정확히 알 수 있습니다. 6=2 x w라고 하면

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

양변을 2로 나누면 끝납니다.

The problem is with this operator.

문제점은 이 연산에서

So, division --

나눗셈을

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

우리가 나눗셈을 썼는데 곱셈을 역으로 계산한 것입니다.

but as I've just said,

하지만 방금 말한 대로

the multiplication is a bit of a lie here.

실제 연산은 곱하기가 아닙니다.

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

이것은 매우 매우 복잡한 비선형 연산이고

it has no inverse.

역으로 계산할 수 없습니다.

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

그래서 우리는 이 공식을 나누지 않고 해결할 방법을

without a division operator.

찾아야 합니다.

And the way to do that is fairly straightforward.

그리고 그 방법은 매우 간단합니다.

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

대수학을 조금 이용해

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

6을 공식의 우변으로 옮기겠습니다.

Now, we're still using multiplication.

이러면 곱하기만 사용할 수 있습니다.

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

그리고 0은 오류라고 생각합시다.

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

다시 말해, 우리가 w를 해결해서 정답이 나오면

then the error will be zero.

오류가 0이 될 것이고

And if we haven't gotten it quite right,

우리가 잘못된 값을 구했다면

the error will be greater than zero.

오류가 0보다 커질 것입니다.

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

이제 우리가 추측해서 오류를 최소화할 수 있습니다.

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

그리고 이런 것은 컴퓨터가 아주 잘하는 일이죠.

So you've taken an initial guess:

그래서 최초의 추측으로

what if w = 0?

w가 0이라면

Well, then the error is 6.

오류는 6입니다.

What if w = 1? The error is 4.

w가 1이면 오류는 4입니다.

And then the computer can sort of play Marco Polo,

컴퓨터가 계속 마르코 폴로같이 여행하면

and drive down the error close to zero.

오류가 0에 가까워질 것입니다.

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

그러면서 컴퓨터가 성공적으로 w 값의 근사치를 얻어가는 것입니다.

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

전형적으로 정확한 값을 얻진 못하지만 수십 단계가 지나면

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

w는 2.999를 얻게 되고 이는 충분히 근접한 값입니다.

And this is the learning process.

그리고 이것이 학습 과정입니다.

So remember that what's been going on here

지금까지 이야기한 것은

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

수많은 x와 y 값을 알고 있고

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

가운데 w 값을 추론 과정에서 알아내고 있습니다.

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

이는 우리의 뇌가 학습하는 과정과 같습니다.

We have many, many images as babies

우리는 어릴 적 수많은 이미지를 접하고

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

"이것은 새다, 이것은 새가 아니다" 라고 듣습니다.

And over time, through iteration,

그리고 시간이 흘러 반복하면서

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

w를 알아내죠. 신경 연결을 해결하는 것입니다.

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

이제 우리는 고정된 x와 w값으로 y를 구합니다.

that's everyday, fast perception.

이것은 매일 우리가 하는 인식입니다.

We figure out how we can solve for w,

w 값을 구하는 과정은

that's learning, which is a lot harder,

학습이고 더 어렵습니다.

because we need to do error minimization,

왜냐면 많은 훈련 예시를 통해

using a lot of training examples.

오류를 최소화 해야 하기 때문이죠.

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

약 1년 전에 저희 팀의 알렉스 모드빈츠세프는

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

우리가 x를 구하면 어떻게 되는지 실험하기로 했습니다.

given a known w and a known y.

w와 y 값을 알고 있다는 조건에서 말이죠.

In other words,

다시 말하자면

you know that it's a bird,

새라는 것을 알고

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

새라는 것을 인식할 수 있는 신경망이 구축된 상태에서

but what is the picture of a bird?

새의 모습을 알아내는 것입니다.

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

똑같은 오류 최소화 과정을 거쳐

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

컴퓨터가 새를 인식할 수 있는 네트워크를 통해

and the result turns out to be ...

만들어낸 결과는

a picture of birds.

새의 그림입니다.

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

이 그림은 전적으로 새를 인식할 수 있는

that was trained to recognize birds,

신경 네트워크를 통해

just by solving for x rather than solving for y,

y 값을 구하는 대신 x 값을

and doing that iteratively.

추론하여 구현됬습니다.

Here's another fun example.

다른 재미있는 예를 보여드리면

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

이것은 저희 그룹의 마이크 티카의 작품입니다.

which he calls "Animal Parade."

이 작품의 제목은 "동물 행진"입니다.

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

이것을 보고 윌리엄 켄트리지의 작품이 떠올랐습니다.

in which he makes sketches, rubs them out,

그는 스케치를 그렸다가 지우고

makes sketches, rubs them out,

그렸다가 지워가며

and creates a movie this way.

이런 식으로 영상을 만들죠.

In this case,

이 경우에는

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

마이크가 한 것은 변수 y를 다양한 동물들로 설정했습니다.

in a network designed to recognize and distinguish

서로 다른 동물들을 구분할 수 있도록

different animals from each other.

설계된 네트워크 안에서 말이죠.

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

그렇게 이런 희안한 에셔 풍의 동물들이 변하는 그림이 나옵니다.

Here he and Alex together have tried reducing

여기서 마이크와 알렉스는

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

y 값을 줄여 2차원 평면에 표현했습니다.

thereby making a map out of the space of all things

그렇게 이 네트워크가 인식할 수 있는

recognized by this network.

모든 종류를 나타내는 지도를 만들었습니다.

Doing this kind of synthesis

이런 종류의 이미지 통합

or generation of imagery over that entire surface,

혹은 생성은 표면 전반에 걸쳐

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

y를 다르게 해서 이런 지도를 만듭니다.

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

네트워크가 인식하는 모든 것의 시각적 지도입니다.

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

모든 동물이 있습니다. 저기 "아르마딜로"가 있습니다.

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

이것을 다른 네트워크로 할 수 있습니다.

This is a network designed to recognize faces,

이 네트워크는 얼굴을 인식하도록 설계됬습니다.

to distinguish one face from another.

서로 다른 얼굴을 구분하도록 말이죠.

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

여기서 저희가 y에 "저"를 넣었습니다.

my own face parameters.

제 얼굴을 변수로 말이죠.

And when this thing solves for x,

그리고 이것이 x를 구하면

it generates this rather crazy,

이런 상당히 정신없고

kind of cubist, surreal, psychedelic picture of me

약간은 입체파, 초현실주의, 사이키델릭한 제 사진을 만듭니다.

from multiple points of view at once.

여러 모습을 한 번에 보여주면서요.

The reason it looks like multiple points of view at once

여러 모습을 한 번에 보여주는 이유는

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

네트워크의 설계에서 얼굴의 한 모습에서 다른 모습으로

of a face being in one pose or another pose,

넘어가는 모호한 과정이 제거되었기 때문입니다.

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

특정 각도의 얼굴을 보는 것입니다.

So when you do this sort of reconstruction,

그래서 이것을 재구성할 때

if you don't use some sort of guide image

가이드 이미지나 통계를

or guide statistics,

사용하지 않으면

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

이런 혼란스러운 시점들이 나옵니다.

because it's ambiguous.

모호하기 떄문이죠.

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

이것은 알렉스가 본인 얼굴을 가이드로 이용해

during that optimization process to reconstruct my own face.

최적화 과정을 거쳐 제 얼굴을 만든 것입니다.

So you can see it's not perfect.

보시다시피 완벽하진 않습니다.

There's still quite a lot of work to do

어떻게 최적화를 해야 할지

on how we optimize that optimization process.

아직도 갈 길이 멉니다.

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

하지만 제 얼굴을 가이드로 쓰면

rendered using my own face as a guide.

더 일관된 얼굴을 구할 수 있습니다.

You don't have to start with a blank canvas

굳이 빈 캔버스로 시작하지 않아도 됩니다.

or with white noise.

혹은 백색 잡음으로요.

When you're solving for x,

x를 구할 때

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

이미 그려진 그림 위에 x를 구해도 됩니다.

That's what this little demonstration is.

이것이 바로 그 예입니다.

This is a network that is designed to categorize

이 네트워크는 온갖 물체를 구분하도록

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

설계되었습니다. 인조물이나 동물 등을 말이죠.

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

여기서 저희는 구름 사진을 이용했습니다.

and as we optimize,

그리고 저희가 최적화를 하면

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

기본적으로 이 네트워크는 구름에서 무엇이 보이는지 구분합니다.

And the more time you spend looking at this,

그리고 이것을 더 자세히 보시면

the more things you also will see in the clouds.

구름에서 더 다양한 것을 볼 수 있습니다.

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

여기서 얼굴을 인식하는 네트워크로 환각을 만들면

and you get some pretty crazy stuff.

꽤나 정신없는 그림이 나옵니다.

(Laughter)

(웃음)

Or, Mike has done some other experiments

혹은 마이크가 다른 시도를 했습니다.

in which he takes that cloud image,

바로 구름 그림을 이용해

hallucinates, zooms, hallucinates, zooms hallucinates, zooms.

환각을 만들고 확대하고 환각을 만들고 확대했습니다.

And in this way,

그리고 이렇게

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

방황하는 것처럼 보이는 네트워크나

or a sort of free association,

자유 연상의 일종으로

in which the network is eating its own tail.

네트워크가 스스로 꼬리를 물게 됩니다.

So every image is now the basis for,

그래서 모든 이미지의 기본은 이렇습니다.

"What do I think I see next?

"다음에는 무엇이 보이지?

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

다음에는 무엇이 보이지? 다음에는 무엇이 보이지?"

I showed this for the first time in public

이것을 최초로 공개한 곳은

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

시애틀의 "고등 교육"그룹의 강연에서였습니다.

this was right after marijuana was legalized.

마리화나가 합법화 된 직후에 말이죠.

(Laughter)

(웃음)

So I'd like to finish up quickly

그래서 정리를 짧게 하겠습니다.

by just noting that this technology is not constrained.

이 기술에 제약이 없다는 것을 말하면서 말이죠.

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

순전히 시각자료를 보여드린 이유는 흥미를 유발하기 위해서 입니다.

It's not a purely visual technology.

이것은 순전히 시각 기술만은 아닙니다.

Our artist collaborator, Ross Goodwin,

저희와 함께 일하는 아티스트 로스 굿윈은

has done experiments involving a camera that takes a picture,

실험을 했습니다. 사진을 찍는 사진기와

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

등에 매고 있는 컴퓨터로 신경 네트워크를 이용해 시를 썼습니다.

based on the contents of the image.

사진에 찍힌 내용을 보고 말이죠.

And that poetry neural network has been trained

그리고 시인 신경 네트워크는

on a large corpus of 20th-century poetry.

20세기 시의 집대성으로 훈련됬습니다.

And the poetry is, you know,

그리고 결과로 나온 시는 말이죠

I think, kind of not bad, actually.

사실 제 생각엔 나쁘지 않아 보입니다.

(Laughter)

(웃음)

In closing,

마지막으로

I think that per Michelangelo,

저는 미켈란젤로의 생각이

I think he was right;

옳았다고 생각합니다.

perception and creativity are very intimately connected.

인식과 창의성은 매우 밀접하게 연결되어 있습니다.

What we've just seen are neural networks

지금까지 보신 것은 신경 네트워크 입니다.

that are entirely trained to discriminate,

전적으로 훈련이 되어 구분하거나

or to recognize different things in the world,

혹은 다른 것들을 인식하거나

able to be run in reverse, to generate.

반대로 적용하여 만들어 낼 수 있습니다.

One of the things that suggests to me

이것을 보고 느낀 점 중에 하나는

is not only that Michelangelo really did see

미켈란젤로가 정말로 본 것은

the sculpture in the blocks of stone,

돌덩이 안에 있는 조각상뿐만 아니라

but that any creature, any being, any alien

어떤 생물, 생명 심지어 외계인도

that is able to do perceptual acts of that sort

인식행위를 할 수 있으면

is also able to create

창조할 수 있다는 것 입니다.

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

두 경우 모두 같은 조작과정을 사용하기 때문이죠.

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

또한 저는 인식과 창의성은 결코 인간에 국한되지 않는다고

uniquely human.

생각합니다.

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

저희는 똑같은 일을 할 수 있는 컴퓨터 모델을 만들었고

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

그리고 그 뇌가 컴퓨터로 만들어 졌다는 것은 놀랄 일도 아닙니다.

And finally,

그리고 마지막으로

computing began as an exercise in designing intelligent machinery.

컴퓨터는 지능적 기계를 설계하면서 시작되었습니다.

It was very much modeled after the idea

이것은 이런 생각을 따라 만들어졌습니다.

of how could we make machines intelligent.

어떻게 하면 우리가 기계를 똑똑하게 만들지 말이죠.

And we finally are starting to fulfill now

그리고 이제 선구자들과 한

some of the promises of those early pioneers,

약속 중에 일부를 이뤄가고 있습니다.

of Turing and von Neumann

튜링, 폰 노이만

and McCulloch and Pitts.

매컬로크 그리고 피트에게 말이죠.

And I think that computing is not just about accounting

그리고 저는 컴퓨터는 회계나 게임 할 때만 쓰는 것이

or playing Candy Crush or something.

아니라고 생각합니다.

From the beginning, we modeled them after our minds.

시작부터 인간을 본따 컴퓨터를 만들었고

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

그리고 그 과정에서 인간의 마음을 더 잘 이해하고

and to extend them.

더 넓히게 되었습니다.

Thank you very much.

감사합니다.

(Applause)

(박수)