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

Переводчик: Leonid Starikov Редактор: Natalia Ost

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

Я возглавляю команду в Google, работающую над машинным интеллектом,

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

другими словами, занимающуюся инженерией, созданием компьютеров и устройств,

able to do some of the things that brains do.

способных делать то, что делает наш мозг.

And this makes us interested in real brains

Мы не можем не интересоваться настоящей мозговой деятельностью,

and neuroscience as well,

а также неврологией.

and especially interested in the things that our brains do

И особенно нас интересуют действия нашего мозга,

that are still far superior to the performance of computers.

в которых он до сих пор превосходит возможности компьютеров.

Historically, one of those areas has been perception,

Исторически одной из этих областей было восприятие —

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

процесс, благодаря которому всё в мире,

sounds and images --

все звуки и изображения

can turn into concepts in the mind.

в нашем сознании превращаются в понятия.

This is essential for our own brains,

Это совершенно необходимо для нашего разума,

and it's also pretty useful on a computer.

однако полезно и для компьютера.

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

Например, наша команда создаёт машинные алгоритмы восприятия,

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

которые позволяют вам находить картинки на Google Photos по тому,

based on what's in them.

что на них изображено.

The flip side of perception is creativity:

Обратная сторона восприятия — творчество:

turning a concept into something out there into the world.

превращение задумки во что-то реальное.

So over the past year, our work on machine perception

Таким образом, за прошедший год наша работа над компьютерным восприятием

has also unexpectedly connected with the world of machine creativity

также неожиданно стала связана с миром компьютерного творчества

and machine art.

и машинного искусства.

I think Michelangelo had a penetrating insight

Я считаю, что у Микеланджело было точное понимание

into to this dual relationship between perception and creativity.

двойственного отношения между восприятием и творчеством.

This is a famous quote of his:

Вот его известная цитата:

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

«Внутри каждого камня скрыта статуя,

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

задача скульптора — её обнаружить».

So I think that what Michelangelo was getting at

Я думаю, что Микеланджело говорит о том,

is that we create by perceiving,

что мы создаём посредством восприятия,

and that perception itself is an act of imagination

а само восприятие — это акт воображения

and is the stuff of creativity.

и материал для творчества.

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

Орган, который думает, воспринимает и представляет, —

of course, is the brain.

это, конечно же, мозг.

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

Я хотел бы начать с небольшого экскурса в историю

about what we know about brains.

исследования нашего мозга.

Because unlike, say, the heart or the intestines,

Потому что, в отличие от сердца или кишечника,

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

нельзя много сказать о мозге, просто посмотрев на него

at least with the naked eye.

невооружённым глазом.

The early anatomists who looked at brains

Первые анатомы, которые смотрели на мозги,

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

давали поверхностной структуре этого óргана причудливые имена,

like hippocampus, meaning "little shrimp."

например, гиппокамп, что означает «креветка».

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

Но, конечно, такого рода наблюдения мало говорят нам

about what's actually going on inside.

о происходящем внутри мозга.

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

Первый человек, у которого действительно было некоторое понимание того,

into what was going on in the brain

что происходит в мозге,

was the great Spanish neuroanatomist, Santiago Ramón y Cajal,

был великий испанский нейрофизиолог Сантьяго Рамон-и-Кахаль,

in the 19th century,

живший в XIX веке.

who used microscopy and special stains

Он использовал микроскоп и специальный краситель,

that could selectively fill in or render in very high contrast

который мог выборочно заполнить отдельные клетки мозга

the individual cells in the brain,

или придать им контрастность,

in order to start to understand their morphologies.

чтобы понять их морфологию.

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

А вот изображения нейронов, которые он нарисовал

in the 19th century.

в XIX веке.

This is from a bird brain.

Это нейроны мозга птицы.

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

Вы видите здесь невероятное разнообразие различных видов клеток,

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

даже клеточная теория сама по себе была в то время довольно нова.

And these structures,

И эти структуры,

these cells that have these arborizations,

эти клетки, которые имеют разветвления

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

и эти очень длинные ответвления, —

this was very novel at the time.

всё это было тогда очень ново.

They're reminiscent, of course, of wires.

Они напоминают провода.

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

Это могло быть очевидным для некоторых людей в XIX веке:

the revolutions of wiring and electricity were just getting underway.

как раз начиналась электрификация.

But in many ways,

Но во многом

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

такие микроанатомические зарисовки Рамона-и-Кахаля

they're still in some ways unsurpassed.

всё ещё остаются непревзойдёнными.

We're still more than a century later,

Мы до сих пор, более ста лет спустя,

trying to finish the job that Ramón y Cajal started.

пытаемся закончить работу, начатую Рамоном-и-Кахалем.

These are raw data from our collaborators

Это необработанные данные от наших коллег

at the Max Planck Institute of Neuroscience.

из Института Неврологии Макса Планка.

And what our collaborators have done

Наши коллеги

is to image little pieces of brain tissue.

изобразили маленькие кусочки ткани головного мозга.

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

Весь образец составляет примерно один кубический миллиметр,

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

а я показываю вам очень маленький его кусочек.

That bar on the left is about one micron.

Та риска слева равна одному микрону.

The structures you see are mitochondria

Структуры, которые вы видите, — это митохондрии,

that are the size of bacteria.

они размером с бактерию.

And these are consecutive slices

А это последовательные срезы

through this very, very tiny block of tissue.

этого очень маленького кусочка ткани.

Just for comparison's sake,

Просто для сравнения:

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

диаметр волоса в среднем составляет около 100 микрон.

So we're looking at something much, much smaller

Мы здесь видим нечто гораздо меньшее,

than a single strand of hair.

чем человеческий волос.

And from these kinds of serial electron microscopy slices,

Из этой серии микроскопических срезов

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

можно начать делать 3D реконструкции нейронов, похожие на эти.

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

По стилю они похожи на рисунки Рамона-и-Кахаля.

Only a few neurons lit up,

Отдельные нейроны подсвечены,

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

иначе мы бы здесь ничего не увидели.

It would be so crowded,

Тут было бы полно́ всего,

so full of structure,

сплошные структуры

of wiring all connecting one neuron to another.

и провода, соединяющие один нейрон с другим.

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

Итак, Рамон-и-Кахаль немного опережал своё время,

and progress on understanding the brain

и прогресс в понимании мозга продвигался медленно

proceeded slowly over the next few decades.

в течение следующих десятилетий.

But we knew that neurons used electricity,

Но мы знали, что нейроны используют электричество,

and by World War II, our technology was advanced enough

и ко Второй мировой войне технологии были развиты достаточно,

to start doing real electrical experiments on live neurons

чтобы начать электрические эксперименты на живых нейронах,

to better understand how they worked.

чтобы лучше понимать, как они работают.

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

Именно тогда изобрели компьютеры,

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

во многом основанные на идее моделирования мозга,

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

или «искусственного интеллекта», как называл его Алан Тьюринг,

one of the fathers of computer science.

один из отцов информатики.

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

Уоррен Мак-Каллок и Уолтер Питтс посмотрели на рисунки Рамона-и-Кахаля.

of visual cortex,

Сейчас я показываю вам

which I'm showing here.

это изображение зрительной коры.

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

Эта кора головного мозга обрабатывает образы, поступающие от органов зрения.

And for them, this looked like a circuit diagram.

По их мнению это выглядело, как замкнутая схема.

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

В схеме Мак-Каллока и Питтса многие детали

that are not quite right.

не совсем точны,

But this basic idea

но основная идея,

that visual cortex works like a series of computational elements

что зрительная кора работает как серия вычислительных элементов,

that pass information one to the next in a cascade,

которые каскадом передают друг другу информацию,

is essentially correct.

по сути верна.

Let's talk for a moment

Давайте немного поговорим о том,

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

что должна делать модель обработки визуальной информации.

The basic task of perception

Основная задача распознавания —

is to take an image like this one and say,

это взять картинку, такую как эта, и сказать:

"That's a bird,"

«Это птица».

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

Для нашего мозга это простая задача,

But you should all understand that for a computer,

но вы должны понимать, что для компьютера

this was pretty much impossible just a few years ago.

всего несколько лет назад подобное было почти невозможно.

The classical computing paradigm

Согласно классической парадигме расчётов,

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

это не то задание, которое можно выполнить легко.

So what's going on between the pixels,

Так что же происходит между пикселями,

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

между изображением птицы и словом «птица»?

is essentially a set of neurons connected to each other

По сути, группа нейронов связана друг с другом

in a neural network,

в нейронной сети,

as I'm diagramming here.

как я показываю здесь.

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

Эта нейронная сеть в коре головного мозга могла быть биологической,

or, nowadays, we start to have the capability

а в наше время мы можем

to model such neural networks on the computer.

смоделировать такую нейронную сеть на компьютере.

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

И я вам покажу, как это выглядит.

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

Поэтому о пикселях можно думать как о первом слое нейронов —

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

именно так происходит в глазу —

that's the neurons in the retina.

это нейроны в сетчатке.

And those feed forward

А остальные нейроны

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

связаны по цепи слой за слоем,

all connected by synapses of different weights.

их соединяют между собой синапсы различных весов.

The behavior of this network

Поведение этой сети

is characterized by the strengths of all of those synapses.

характеризуется силой этих синапсов.

Those characterize the computational properties of this network.

Они характеризуют вычислительные свойства этой сети.

And at the end of the day,

В конце концов

you have a neuron or a small group of neurons

один или несколько нейронов

that light up, saying, "bird."

загораются, говоря: «птица».

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

Теперь я собираюсь представить эти три вещи —

the input pixels and the synapses in the neural network,

входные пиксели и синапсы в нейронной сети

and bird, the output --

и, как результат, птицу

by three variables: x, w and y.

при помощи трёх переменных: Х, W и Y.

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

Существует миллион или около того X —

a million pixels in that image.

миллион пикселей в изображении.

There are billions or trillions of w's,

Миллиарды или триллионы W —

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

представляющих весá всех этих синапсов в нейронной сети.

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

И очень маленькое количество Y —

of outputs that that network has.

значений на выходе сети.

"Bird" is only four letters, right?

«Птица» же состоит всего из 5 букв.

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

Давайте представим, что это простая формула:

x "x" w = y.

X «х» W = Y.

I'm putting the times in scare quotes

Я ставлю умножение в кавычки,

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

потому что на самом деле там просисходит

is a very complicated series of mathematical operations.

очень сложная серия математических расчётов.

That's one equation.

Это одно уравнение

There are three variables.

с тремя переменными.

And we all know that if you have one equation,

И всем известно, что если у нас есть уравнение,

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

то мы можем найти одну переменную, зная две другие.

So the problem of inference,

Таким образом, задача

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

по распознаванию птицы в изображении птицы

is this one:

заключается в следующем:

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

Y неизвестен, а W и X известны.

You know the neural network, you know the pixels.

Вы знаете нейронную сеть, вы знаете пиксели.

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

И как видите, это относительно простая задача.

You multiply two times three and you're done.

Вы умножаете два на три, и всё готово.

I'll show you an artificial neural network

Я покажу вам искусственную нейронную сеть,

that we've built recently, doing exactly that.

которую мы построили недавно, делая то же самое.

This is running in real time on a mobile phone,

Она работает в реальном времени на мобильном телефоне.

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

Удивительно уже само по себе то,

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

что мобильные телефоны могут выполнять миллиарды и триллионы операций

per second.

в секунду.

What you're looking at is a phone

Мы видим телефон,

looking at one after another picture of a bird,

который смотрит на изображение птиц одно за другим

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

и не только говорит: «Да, это птица»,

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

но также через такую же сеть определяет вид этой птицы.

So in that picture,

На этой картинке

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

X и W известны, а Y неизвестен.

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

Я, конечно, пропускаю самую сложную часть —

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

то, каким непостижимым образом мы находим W —

the brain that can do such a thing?

мозг, который может это сделать.

How would we ever learn such a model?

Сможем ли мы сделать такую модель?

So this process of learning, of solving for w,

Этот процесс нахождения W,

if we were doing this with the simple equation

будь это простым уравнением,

in which we think about these as numbers,

где мы думаем о неизвестных, как о числах,

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

мы бы знали, как именно это сделать: 6 = 2 * W,

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

делим на 2, и готово.

The problem is with this operator.

Но проблема именно в этом преобразовании,

So, division --

в делении.

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

Мы использовали его здесь, так как оно обратно умножению,

but as I've just said,

но, как я сказал,

the multiplication is a bit of a lie here.

умножение здесь — это фикция.

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

Это чрезвычайно сложная нелинейная операция,

it has no inverse.

она не имеет обратного действия.

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

Мы должны найти способ решить это уравнение

without a division operator.

без деления.

And the way to do that is fairly straightforward.

И способ довольно простой.

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

Давайте проделаем маленький математический трюк

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

и перенесём 6 в правую часть уравнения.

Now, we're still using multiplication.

Сейчас мы используем умножение.

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

И этот ноль, давайте примем его за отклонение.

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

Другими словами, если мы посчитаем W правильно,

then the error will be zero.

то отклонение будет равно нулю.

And if we haven't gotten it quite right,

А если мы посчитали неверно,

the error will be greater than zero.

то отклонение будет больше нуля.

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

Теперь мы можем подбирать числа, чтобы минимизировать отклонение,

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

а это как раз то, в чём компьютеры очень хороши.

So you've taken an initial guess:

Сначала мы предположили:

what if w = 0?

что если W = 0?

Well, then the error is 6.

Тогда отклонение равно 6.

What if w = 1? The error is 4.

Если W = 1, то отклонение — 4.

And then the computer can sort of play Marco Polo,

И потом компьютер начинает играть в «угадайку»

and drive down the error close to zero.

и приближает отклонение к нулю.

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

Так он приближается к верному значению W.

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

Обычно он не находит точного решения, но сделав с десяток шагов,

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

мы приближаемся к W = 2,999, что достаточно близко к истине.

And this is the learning process.

Это и есть процесс обучения.

So remember that what's been going on here

Напомню, что именно мы делаем:

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

мы берём много известных X и Y

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

и посредством процесса повторения находим W.

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

Мы сами учимся точно так же.

We have many, many images as babies

В детстве мы встречаем множество образов,

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

и нам говорят: «Это птица, а это не птица».

And over time, through iteration,

Со временем через повторение

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

мы находим W, то есть нейронные связи.

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

Теперь у нас есть готовые X и W для нахождения Y

that's everyday, fast perception.

и быстрого повседневного восприятия.

We figure out how we can solve for w,

Мы узнаём, как найти W, —

that's learning, which is a lot harder,

это обучение, и оно сложно,

because we need to do error minimization,

так как надо минимизировать погрешности

using a lot of training examples.

методом проб и ошибок.

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

Около года назад Алекс Мордвинцев из нашей команды

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

решил попробовать, что будет, если попытаться найти X,

given a known w and a known y.

зная W и Y.

In other words,

Другими словами,

you know that it's a bird,

вы знаете, что это птица,

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

и вашей нейронной сети тоже это известно.

but what is the picture of a bird?

Но как же выглядит птица?

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

Оказывается, что используя ту же самую процедуру минимизации погрешностей,

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

можно проделать это c нейронной сетью, обученной распознавать птиц,

and the result turns out to be ...

и в результате получается

a picture of birds.

изображение птицы.

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

Это изображение птиц создано нейронной сетью,

that was trained to recognize birds,

обученной распознавать птиц,

just by solving for x rather than solving for y,

просто находя X, а не Y,

and doing that iteratively.

через множество повторений.

Here's another fun example.

Вот другой интересный пример.

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

Это работа, сделанная Майком Тайком из нашей команды.

which he calls "Animal Parade."

Он назвал её «Парад зверей».

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

Она немного напоминает мне работы Уильяма Кентриджа,

in which he makes sketches, rubs them out,

в которых он делает эскизы, потом их стирает,

makes sketches, rubs them out,

снова рисует и стирает,

and creates a movie this way.

и так создаёт фильм.

In this case,

В данном случае

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

Майк меняет Y различных видов животных

in a network designed to recognize and distinguish

в сети, созданной для распознавания

different animals from each other.

разных видов животных.

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

Получается парадоксальное, в стиле Эшера, изображение животных.

Here he and Alex together have tried reducing

Здесь он и Алекс попытались упростить Y

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

до двухмерного пространства,

thereby making a map out of the space of all things

тем самым создавая карту из пространства всех объектов,

recognized by this network.

распознаваемых данной сетью.

Doing this kind of synthesis

Выполняя такого рода синтез

or generation of imagery over that entire surface,

или создавая изображения на всей поверхности,

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

изменяя в ней Y, вы делаете подобие карты —

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

визуальную карту всех вещей, которые может распознать сеть.

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

Здесь есть все животные. Вот «броненосец».

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

То же можно проделать с другими типами сетей.

This is a network designed to recognize faces,

Эта сеть создана, чтобы распознавать лица

to distinguish one face from another.

и отличать одно лицо от другого.

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

Здесь мы добавляем Y, который значит «я»,

my own face parameters.

мои параметры лица.

And when this thing solves for x,

И когда эта сеть находит X,

it generates this rather crazy,

то создаёт это довольно сумасшедшее,

kind of cubist, surreal, psychedelic picture of me

кубическое, сюрреалистическое, психоделическое изображение меня

from multiple points of view at once.

с разных сторон одновременно.

The reason it looks like multiple points of view at once

И причина, по которой изображение так выглядит,

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

в том, что сеть стремится избавиться от неопределённости,

of a face being in one pose or another pose,

возникающей из-за разных положений головы

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

или разных углов освещения.

So when you do this sort of reconstruction,

При такого рода преобразованиях,

if you don't use some sort of guide image

если нет опорного изображения

or guide statistics,

или опорных данных,

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

то вы получите мешанину изображений, сделанных с разных сторон,

because it's ambiguous.

из-за неопределённости.

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

Вот что происходит, если Алекс использует своё лицо как опорное изображение

during that optimization process to reconstruct my own face.

во время оптимизации программы по воссозданию моего лица.

So you can see it's not perfect.

Как видите, не всё идеально.

There's still quite a lot of work to do

Нам предстоит ещё много работы

on how we optimize that optimization process.

по оптимизации процесса оптимизации.

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

Но полученное лицо становится чётче,

rendered using my own face as a guide.

при его создании опорным было моё лицо.

You don't have to start with a blank canvas

Вам не нужно начинать с чистого листа

or with white noise.

или белого шума.

When you're solving for x,

Когда вы ищете X,

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

вы можете начать с X, который сам по себе является другим изображением.

That's what this little demonstration is.

Вот о чём эта маленькая демонстрация.

This is a network that is designed to categorize

Эта сеть которая разработана, чтобы категоризировать

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

самые различные объекты — искусственные сооружения, животных...

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

Здесь мы начинаем с простого изображения облаков,

and as we optimize,

и по мере оптимизации

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

эта сеть определяет, что именно она видит в облаках.

And the more time you spend looking at this,

И чем дольше вы смотрите,

the more things you also will see in the clouds.

тем больше сможете увидеть в облаках.

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

Можно использовать сеть распознавания лиц, чтобы вызвать галюцинации

and you get some pretty crazy stuff.

и получить довольно сумасшедшие вещи.

(Laughter)

(Смех)

Or, Mike has done some other experiments

Майк провёл и другой эксперимент,

in which he takes that cloud image,

в котором он берёт изображение óблака,

hallucinates, zooms, hallucinates, zooms hallucinates, zooms.

галлюцинирует, приближает, галлюцинирует, приближает.

And in this way,

И таким образом

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

получается что-то типа состояния диссоциативной фуги сети

or a sort of free association,

или подобие свободных ассоциаций,

in which the network is eating its own tail.

в которых сеть ловит свой хвост.

So every image is now the basis for,

Каждое изображение становится основой для ответа на вопрос:

"What do I think I see next?

«Что же я увижу дальше?

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

Что же я увижу дальше? Что же я увижу дальше?»

I showed this for the first time in public

Первый раз я показал это группе

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

в Сиэттле на лекции «Высшее образование».

this was right after marijuana was legalized.

Это было как раз после легализации марихуаны.

(Laughter)

(Смех)

So I'd like to finish up quickly

Я хотел бы быстро подвести итог

by just noting that this technology is not constrained.

и отметить, что возможности этой технологии безграничны.

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

Я показал вам лишь визуальные примеры, потому что на них интересно смотреть.

It's not a purely visual technology.

Но это не только визуальная технология.

Our artist collaborator, Ross Goodwin,

Наш сотрудник, художник Росс Гудвин,

has done experiments involving a camera that takes a picture,

провёл эксперимент с камерой, на которую делал снимок,

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

а в рюкзаке у него был компьютер, пишущий стихи посредством нейронных сетей,

based on the contents of the image.

которые брали за основу фотографию.

And that poetry neural network has been trained

И эта поэтическая нейронная сеть была «натренирована»

on a large corpus of 20th-century poetry.

на обширном корпусе поэзии XX века.

And the poetry is, you know,

И знаете, получившиеся стихи,

I think, kind of not bad, actually.

по-моему, не не так уж и плохи.

(Laughter)

(Смех)

In closing,

В завершение скажу,

I think that per Michelangelo,

что считаю,

I think he was right;

Микаленджело был прав:

perception and creativity are very intimately connected.

восприятие и творчество очень тесно связаны между собой.

What we've just seen are neural networks

Мы только что увидели нейронные сети,

that are entirely trained to discriminate,

полностью обученные различать

or to recognize different things in the world,

и распознавать разные физические объекты,

able to be run in reverse, to generate.

а также работать в обратном направлении, воспроизводя их.

One of the things that suggests to me

На эту мысль меня наводит не то,

is not only that Michelangelo really did see

что Микеланджело действительно видел

the sculpture in the blocks of stone,

скульптуру в глыбе камня,

but that any creature, any being, any alien

а то, что любое существо, даже инопланетное,

that is able to do perceptual acts of that sort

способное к такому восприятию,

is also able to create

также способно творить,

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

потому что действия в обоих случаях одинаковые.

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

Кроме того, я думаю, что восприятие и творчество присущи

uniquely human.

не только человеку.

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

У нас начинают появляться компьютеры, которые могут делать то же самое.

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

И это неудивительно, ведь мозг — своего рода компьютер.

And finally,

И наконец,

computing began as an exercise in designing intelligent machinery.

информатика зарождалась в попытках создания искусственного интеллекта.

It was very much modeled after the idea

Её во многом сформировала концепция о том,

of how could we make machines intelligent.

как можно сделать машины умнее.

And we finally are starting to fulfill now

И сейчас мы начинаем выполнять

some of the promises of those early pioneers,

некоторые обещания тех первопроходцев,

of Turing and von Neumann

Тьюринга и фон Неймана,

and McCulloch and Pitts.

Мак-Каллока и Питтса.

And I think that computing is not just about accounting

Я считаю, что компьютеры — это не только расчёты,

or playing Candy Crush or something.

пасьянс «Косынка» или что-то подобное.

From the beginning, we modeled them after our minds.

Мы изначально делали компьютеры похожими на свой мозг.

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

И они дали нам возможность лучше понять собственный мозг

and to extend them.

и развивать его.

Thank you very much.

Большое спасибо.

(Applause)

(Аплодисменты)