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

Перекладач: Arkady Grudzinsky Утверджено: Hanna Leliv

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

Я керую групою в Ґуґлі, яка працює над машинним інтелектом;

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

іншими словами, над дисципліною, що робить комп'ютери і пристрої

able to do some of the things that brains do.

здатними робити деякі речі, які робить мозок.

And this makes us interested in real brains

Тому ми цікавимось реальним мозком

and neuroscience as well,

і неврологією також,

and especially interested in the things that our brains do

і зокрема речами, які робить наш мозок,

that are still far superior to the performance of computers.

які досі перевершують продуктивність комп'ютера.

Historically, one of those areas has been perception,

Історично, одна з таких галузей - це сприйняття,

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

процес, який дає змогу перетворити речі з реального світу --

sounds and images --

звуки й зображення --

can turn into concepts in the mind.

у концепції в свідомості.

This is essential for our own brains,

Це важливо для нашого власного мозку

and it's also pretty useful on a computer.

і це також дуже корисно для комп'ютера.

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

Алгоритми машинного сприйняття, наприклад, ті, які створює наша група, --

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

це те, що уможливлює пошук ваших світлин на Google Photos

based on what's in them.

за змістом світлин.

The flip side of perception is creativity:

Інший бік сприйняття -- це творча здатність:

turning a concept into something out there into the world.

перетворення концепції у щось реальне.

So over the past year, our work on machine perception

Отже, протягом останнього року, наша робота над машинним сприйняттям

has also unexpectedly connected with the world of machine creativity

також несподівано пов'язалася зі світом машинної творчої здібності

and machine art.

і машинного мистецтва.

I think Michelangelo had a penetrating insight

Я гадаю, Мікеланджело проник у сутність

into to this dual relationship between perception and creativity.

взаємовідносин між сприйняттям і творчою здібністю.

This is a famous quote of his:

Ось його відома цитата:

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

"У кожному куску каменя схована скульптура,

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

і завдання скульптора -- її відкрити".

So I think that what Michelangelo was getting at

Отже, я гадаю, Мікеланджело мав на увазі,

is that we create by perceiving,

що творчість здійснюється через сприйняття,

and that perception itself is an act of imagination

і що сприйняття само по собі -- це акт уяви,

and is the stuff of creativity.

що є сутністю творчості.

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

Орган, який думає, сприймає і уявляє,

of course, is the brain.

це, звичайно, мозок.

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

І я би хотів почати з короткої історії

about what we know about brains.

того, що ми знаємо про мозок.

Because unlike, say, the heart or the intestines,

Тому що на відміну від, скажімо, серця чи кишечника,

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

дуже мало можна сказати про мозок просто дивлячись на нього,

at least with the naked eye.

принаймні неозброєним оком.

The early anatomists who looked at brains

Ранні анатомісти, які дивилися на мозок,

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

давали його поверхневим структурам різні примхливі імена,

like hippocampus, meaning "little shrimp."

як-от "гіпокамп", що означає "маленька креветка".

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

Але, звичайно, ці імена нам дуже мало говорять

about what's actually going on inside.

про те, що відбувається всередині.

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

Першою людиною, яка, на мою думку, справді зазирнула у суть

into what was going on in the brain

того, що відбувається в мозку

was the great Spanish neuroanatomist, Santiago Ramón y Cajal,

був великий іспанський нейроанатом Сантьяґо Рамон-і-Кахаль

in the 19th century,

у 19-му сторіччі,

who used microscopy and special stains

який використовував мікроскопію і спеціальні забарвники,

that could selectively fill in or render in very high contrast

що могли вибірково заповнювати чи надавати дуже високого контрасту

the individual cells in the brain,

індивідуальним клітинам в мозку,

in order to start to understand their morphologies.

щоб зрозуміти їхню морфологію.

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

Ось які він зробив малюнки нейронів

in the 19th century.

у 19-му сторіччі.

This is from a bird brain.

Це зроблено з мозку пташки.

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

І ви бачите величезне розмаїття різних видів клітин,

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

навіть сама клітинна теорія була ще дуже новою.

And these structures,

І ці структури,

these cells that have these arborizations,

ці клітини, що мають ці розгалуження,

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

ці гілки, що можуть іти дуже, дуже далеко --

this was very novel at the time.

це було дуже новим у той час.

They're reminiscent, of course, of wires.

Вони, звичайно, нагадують дроти.

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

Це, можливо, було очевидним для декого у 19-му сторіччі;

the revolutions of wiring and electricity were just getting underway.

революція поширення дротів і електрики якраз починалася.

But in many ways,

Але у багатьох змістах,

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

ці мікроанатомічні малюнки Рамона-і-Кахаля, як оцей,

they're still in some ways unsurpassed.

досі неперевершені у багатьох речах.

We're still more than a century later,

Досі, більш як сторіччя пізніше,

trying to finish the job that Ramón y Cajal started.

ми намагаємося завершити роботу, яку почав Рамон-і-Кахаль.

These are raw data from our collaborators

Це - необроблені дані наших колег

at the Max Planck Institute of Neuroscience.

з Неврологічного інституту імені Макса Планка.

And what our collaborators have done

Наші колеги створили

is to image little pieces of brain tissue.

зображення малих шматочків мозкової тканини.

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

Весь зразок тут завбільшки в один кубічний міліметр,

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

і я показую вам тут його дуже, дуже малу частину.

That bar on the left is about one micron.

Ця риска зліва - один мікрон.

The structures you see are mitochondria

Структури, які ви бачите -- це мітохондрії

that are the size of bacteria.

завбільшки з бактерію.

And these are consecutive slices

І це -- послідовні перерізи

through this very, very tiny block of tissue.

цього малесенького шматочка тканини.

Just for comparison's sake,

Лише для порівняння,

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

діаметр середньої волосини -- приблизно 100 мікронів.

So we're looking at something much, much smaller

Отже, ми дивимось на щось набагато менше

than a single strand of hair.

ніж переріз однієї волосини.

And from these kinds of serial electron microscopy slices,

І з такого ряду електронно- мікроскопічних перерізів

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

можна почати відтворювати трьохмірні зображення нейронів, як оці.

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

Ці зображення дуже подібні до зображень Рамона-і-Кахаля.

Only a few neurons lit up,

Лише кілька нейронів показано,

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

тому що інкаше ми би не змогли побачити нічого.

It would be so crowded,

Було б перенасичення

so full of structure,

деталями структури

of wiring all connecting one neuron to another.

і зв'язків між нейронами.

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

Отже, Рамон-і-Кахаль дещо випереджав свій час,

and progress on understanding the brain

і прогрес розуміння мозку

proceeded slowly over the next few decades.

просувався повільно у наступні десятиліття.

But we knew that neurons used electricity,

Але ми знали, що нейрони використовують електрику,

and by World War II, our technology was advanced enough

і до Другої світової наша технологія просунулася достатньо,

to start doing real electrical experiments on live neurons

щоб робити електричні експерименти над живими нейронами

to better understand how they worked.

для кращого розуміння, як вони працюють.

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

Це був той самий час, коли було винайдено комп'ютери,

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

здебільшого, на основі ідеї моделювання мозку --

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

"інтелектуальної техніки", як назвав її Алан Тюринґ,

one of the fathers of computer science.

один із засновників комп'ютерної науки.

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

Воррен МакКалок і Волтер Пітс подивилися на зроблений Рамоном-і-Кахалєм

of visual cortex,

малюнок зорової кори,

which I'm showing here.

показаний тут.

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

Це кора, що обробляє зображення, які надходять від очей.

And for them, this looked like a circuit diagram.

І для них він виглядав як електрична схема.

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

В електричній схемі МакКалока і Пітса багато деталей,

that are not quite right.

що не є цілком правильними.

But this basic idea

Але основна ідея

that visual cortex works like a series of computational elements

що зорова кора працює як ряд обчислювальних елементів,

that pass information one to the next in a cascade,

які передають інформацію один до одного каскадом,

is essentially correct.

є, в принципі, правильною.

Let's talk for a moment

Давайте трохи поговоримо про те,

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

що повинна робити модель для обробки візуальної інформації.

The basic task of perception

Головна задача сприйняття --

is to take an image like this one and say,

це взяти зображення, як оце, і сказати:

"That's a bird,"

"Це птах",

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

що є дуже просто для нас з нашим мозком.

But you should all understand that for a computer,

Але всім варто розуміти, що для комп'ютера

this was pretty much impossible just a few years ago.

це було практично неможливо лише кілька років тому.

The classical computing paradigm

В класичній обчислювальній парадигмі

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

це завдання нелегко виконати.

So what's going on between the pixels,

Отже, що відбувається між пікселями,

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

між зображенням птаха, і словом "птах" --

is essentially a set of neurons connected to each other

це, по суті, ряд нейронів пов'язаних один з одним

in a neural network,

у нейронну мережу,

as I'm diagramming here.

як на цій діаграмі.

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

Ця нейронна мережа може бути біологічною всередині зорової кори,

or, nowadays, we start to have the capability

або ж сьогодні ми отримуємо здатність

to model such neural networks on the computer.

моделювати ці нейронні мережі на комп'ютері.

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

І я зараз покажу, як це насправді виглядає.

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

Отже, можна вважати пікселі першим шаром нейронів,

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

як це фактично і є в оці --

that's the neurons in the retina.

це нейрони сітківки.

And those feed forward

Вони передають інформацію

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

від шару до шару і до іншого шару нейронів,

all connected by synapses of different weights.

які усі пов'язані синапсами різної ваги.

The behavior of this network

Поведінка цієї мережі

is characterized by the strengths of all of those synapses.

характеризується силою усіх цих синапсів.

Those characterize the computational properties of this network.

Вони характеризують обчислювальні властивості мережі.

And at the end of the day,

Наприкінці,

you have a neuron or a small group of neurons

у вас є нейрон або мала група нейронів,

that light up, saying, "bird."

що висвітлюється словом "птах".

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

Тепер я представлю ці три речі --

the input pixels and the synapses in the neural network,

пікселі на вході, синапси в нейронній мережі,

and bird, the output --

і птаха, що на виході,

by three variables: x, w and y.

трьома змінними: x, w і y.

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

Існують, напевно, мільйони x-ів --

a million pixels in that image.

у цьому зображенні мільйон пікселів.

There are billions or trillions of w's,

Є мільярди чи трильйони w,

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

що представляють вагу усіх синапсів в нейронній мережі.

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

І є мала кількість y,

of outputs that that network has.

виходів, що має мережа.

"Bird" is only four letters, right?

"Птах" має лише чотири літери.

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

Отже, уявімо просту формулу,

x "x" w = y.

X "x" W = Y.

I'm putting the times in scare quotes

Я взяв "помножити" в лапки,

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

тому що те, що тут відбувається, звичайно,

is a very complicated series of mathematical operations.

є дуже складним рядом математичних операцій.

That's one equation.

Це одне рівняння.

There are three variables.

Є три змінні.

And we all know that if you have one equation,

Ми знаємо, що коли ми маємо одне рівняння,

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

можна знайти одну змінну, якщо знати дві інші.

So the problem of inference,

Отже, проблема висновку,

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

тобто, з'ясування, що зображення птаха - це птах,

is this one:

полягає ось у чому:

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

y є невідомим, тоді як w і x відомі.

You know the neural network, you know the pixels.

Нейронна мережа і пікселі є відомими.

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

Як бачите, проблема відносно проста.

You multiply two times three and you're done.

Ви помножуєте два на три -- і готово.

I'll show you an artificial neural network

Я покажу вам штучну нейронну мережу,

that we've built recently, doing exactly that.

яку ми нещодавно створили якраз у такий спосіб.

This is running in real time on a mobile phone,

Це працює в реальному часі на мобільному телефоні,

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

і це неймовірно само по собі,

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

що мобільні телефони можуть здійснювати мільярди і трильйони операцій

per second.

за секунду.

What you're looking at is a phone

Ви бачите телефон,

looking at one after another picture of a bird,

який дивиться на одне зображення птаха за іншим

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

і не лише говорить: "Так, це птах,"

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

а й визначає вид птаха за допомогою цієї мережі.

So in that picture,

Отже, в цьому зображенні

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

x і w відомі, а y - невідома.

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

Звичайно, я пропускаю дуже складну частину:

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

яким чином ми визначаємо w,

the brain that can do such a thing?

тобто мозок, що це робить.

How would we ever learn such a model?

Як можна навчитися такій моделі?

So this process of learning, of solving for w,

Цей процес навчання, тобто розв'язку по w,

if we were doing this with the simple equation

якщо робити це з простим рівнянням,

in which we think about these as numbers,

в якому ми вважаємо ці змінні числами,

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

ми точно знаємо, як це зробити: 6 = 2 x w,

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

отже ми ділимо на два -- і все.

The problem is with this operator.

Проблема -- з цим оператором.

So, division --

Отже, ділення --

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

ми використали ділення, бо ділення є зворотнім до множення,

but as I've just said,

але, як я щойно сказав,

the multiplication is a bit of a lie here.

"множення" тут трохи брехлива назва.

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

Це дуже, дуже складна нелінійна операція;

it has no inverse.

у неї нема зворотньої операції.

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

Отже, нам треба з'ясувати, як розв'язати це рівняння

without a division operator.

без оператора ділення.

And the way to do that is fairly straightforward.

І це можна зробити досить просто.

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

Можна сказати: "давайте зробимо алгебраїчний фокус

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

і перенесемо шість у правий бік рівняння".

Now, we're still using multiplication.

Ми все ще використовуємо множення.

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

А цей нуль -- вважаймо його помилкою.

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

Іншими словами, якщо ми знайдемо w правильно,

then the error will be zero.

помилка буде нульовою.

And if we haven't gotten it quite right,

А якщо не зовсім правильно,

the error will be greater than zero.

помилка буде ненульовою.

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

Отже тепер ми можемо просто вгадувати, намагаючись зменшити помилку,

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

і комп'ютери роблять це чудово.

So you've taken an initial guess:

Ви робите початкову спробу:

what if w = 0?

що як w = 0?

Well, then the error is 6.

Тоді помилка - 6.

What if w = 1? The error is 4.

Що як w = 1? Тоді помилка - 4.

And then the computer can sort of play Marco Polo,

Тоді комп'ютер грає в Марко Поло,

and drive down the error close to zero.

наближуючи помилку до нуля.

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

Роблячи це, комп'ютер послідовно наближається до w.

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

Зазвичай, він ніколи не доходить до нього, але після десятка спроб,

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

ми отримуємо w = 2,999, що достатньо близько.

And this is the learning process.

Це і є процесом навчання.

So remember that what's been going on here

Отже, запам'ятайте, що ми тут робили.

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

Ми брали багато відомих x і відомих y

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

і розв'язували рівняння по w за допомогою ітерацій.

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

Точно так само ми самі навчаємося.

We have many, many images as babies

В дитинстві ми переглядаємо багато картинок,

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

і нам говорять: "Це - птах; це - не птах".

And over time, through iteration,

З часом, через ітерації,

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

ми розв'язуємо w, ми отримуємо ці нейронні зв'язки.

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

Отже, тепер ми маємо відомі x і w, щоб розв'язати y;

that's everyday, fast perception.

це -- щоденне, швидке сприйняття.

We figure out how we can solve for w,

Ми знаємо, як визначити w,

that's learning, which is a lot harder,

тобто навчання, що є набагато складніше,

because we need to do error minimization,

оскільки ми повинні зменшувати помилку

using a lot of training examples.

багатьма навчальними прикладами.

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

Приблизно рік тому Алекс Мордвінцев з нашої групи

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

вирішив подивитися, що станеться, якщо спробувати розв'язати по x,

given a known w and a known y.

знаючи w і y.

In other words,

Іншими словами,

you know that it's a bird,

ви знаєте, що таке птах,

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

і у вас уже є нейронна мережа, натренована на птахів,

but what is the picture of a bird?

але що є зображенням птаха?

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

Виявляється, за допомогою цієї процедури зменшення помилки

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

можна це зробити з мережею, натренованою на розпізнавання птахів,

and the result turns out to be ...

і результатом буде...

a picture of birds.

зображення птахів.

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

Отже, це -- зображення птахів, цілком створене нейронною мережею,

that was trained to recognize birds,

натренованою на розпізнавання птахів,

just by solving for x rather than solving for y,

просто розв'язанням рівняння по x замість розв'язання по y,

and doing that iteratively.

за допомогою ітерацій.

Here's another fun example.

Ось ще один приклад.

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

Це робота Майка Тайки з нашої групи,

which he calls "Animal Parade."

яку він називає "парадом тварин".

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

Це трохи нагадує мені мистецтво Вільяма Кентріджа,

in which he makes sketches, rubs them out,

де він робить нариси, витирає їх,

makes sketches, rubs them out,

робить нариси, витирає їх,

and creates a movie this way.

і таким чином створює фільм.

In this case,

У цьому випадку

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

Майк змінює значення y у просторі різних тварин

in a network designed to recognize and distinguish

у мережі, натренованій впізнавати і відрізняти

different animals from each other.

різних тварин одна від одної.

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

Виходить таке дивовижне перетворення однієї тварини в іншу, в стилі Ешера.

Here he and Alex together have tried reducing

Тут він і Алекс разом спробували обмежити

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

y до лише двохмірного простору,

thereby making a map out of the space of all things

таким чином створивши карту простору всіх речей,

recognized by this network.

які може розпізнавати мережа.

Doing this kind of synthesis

За допомогою такого синтезу

or generation of imagery over that entire surface,

або створення зображень на всій площині,

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

змінюючи y по площині, створюється своєрідна карта --

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

візуальна карта усіх речей, які може розпізнавати мережа.

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

Тут є всі тварини; ось тут -- броненосець.

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

Це можна зробити з іншими типами мереж також.

This is a network designed to recognize faces,

Ось мережа, натренована розпізнавати обличчя,

to distinguish one face from another.

розрізняти одне обличчя від іншого.

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

А тут, ми задаємо y значення "я",

my own face parameters.

параметри мого власного обличчя.

And when this thing solves for x,

І коли мережа розв'язує x,

it generates this rather crazy,

створюється трохи божевільне,

kind of cubist, surreal, psychedelic picture of me

кубічне, сюрреалістичне, психоделічне зображення мене

from multiple points of view at once.

з багатьох точок зору відразу.

The reason it looks like multiple points of view at once

З багатьох точок зору відразу,

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

тому що ця мережа натренована уникати неоднозначності,

of a face being in one pose or another pose,

коли обличчя є в одному чи іншому ракурсі,

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

в одному чи іншому освітленні.

So when you do this sort of reconstruction,

Коли ви робите таку реконструкцію,

if you don't use some sort of guide image

якщо не мати якогось орієнтовного зображення

or guide statistics,

або статистики,

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

то ви отримаєте суміш різних точок зору,

because it's ambiguous.

через невизначеність.

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

Ось що відбувається, коли Алекс використовує власне обличчя як орієнтир

during that optimization process to reconstruct my own face.

під час процесу оптимізації для відтворення мого обличчя.

So you can see it's not perfect.

Ви бачите, процес недосконалий.

There's still quite a lot of work to do

Ще є багато роботи

on how we optimize that optimization process.

з оптимізації цього процесу оптимізації.

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

Але ми починаємо отримувати щось подібне на чітке обличчя,

rendered using my own face as a guide.

створене з мого обличчя в якості орієнтира.

You don't have to start with a blank canvas

Не обов'язково починати з чистого полотна

or with white noise.

чи з білого шуму.

When you're solving for x,

Коли ви розв'язуєте по x,

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

можна починати з x, що вже має якесь зображення.

That's what this little demonstration is.

Це і робиться в наступній демонстрації.

This is a network that is designed to categorize

Це мережа, що класифікує

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

усілякі предмети -- споруди, тварин ...

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

Тут ми починаємо з зображення хмар,

and as we optimize,

і в міру оптимізації,

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

по суті, мережа, з'ясовує, що вона бачить у цих хмарах.

And the more time you spend looking at this,

Що більше часу дивитись на це,

the more things you also will see in the clouds.

то більше речей ви помічаєте в цих хмарах.

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

Можна також використовувати мережу для обличь для цих галюцинацій,

and you get some pretty crazy stuff.

виходять досить навіжені речі.

(Laughter)

(Сміх)

Or, Mike has done some other experiments

Або ж Майк робив інші експерименти,

in which he takes that cloud image,

в яких він брав це зображення хмар,

hallucinates, zooms, hallucinates, zooms hallucinates, zooms.

галюцинував, збільшував, галюцинував, збільшував.

And in this way,

І таким чином

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

виходить мережева маячня, я б сказав,

or a sort of free association,

або такі собі вільні асоціації,

in which the network is eating its own tail.

в яких мережа доганяє власний хвіст.

So every image is now the basis for,

Кожне зображення є основою для

"What do I think I see next?

"Що ж я бачу тепер?"

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

"Що ж я бачу тепер?" "Що ж я бачу тепер?"

I showed this for the first time in public

Вперше публічно я це показав

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

групі на лекції в Сіетлі під назвою "Вища освіта" --

this was right after marijuana was legalized.

це було якраз після легалізації маріхуани.

(Laughter)

(Сміх)

So I'd like to finish up quickly

Хочу швидко закінчити

by just noting that this technology is not constrained.

зауваженням, що ця технологія необмежена.

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

Я показав вам чисто візуальні приклади, тому що на них цікаво дивитися.

It's not a purely visual technology.

Це не лише візуальна технологія.

Our artist collaborator, Ross Goodwin,

Наш колега-художник, Рос Ґудвін,

has done experiments involving a camera that takes a picture,

експериментував із камерою, що знімала зображення,

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

а потім комп'ютер в його рюкзаку писав вірш за допомогою нейронних мереж,

based on the contents of the image.

на основі змісту зображень.

And that poetry neural network has been trained

І ця поетична нейронна мережа була натренована

on a large corpus of 20th-century poetry.

на величезній базі поезії 20-го сторіччя.

And the poetry is, you know,

І поезія, знаєте,

I think, kind of not bad, actually.

гадаю, вийшла непогана.

(Laughter)

(Сміх)

In closing,

І на закінчення.

I think that per Michelangelo,

Думаю, Мікеланджело

I think he was right;

мав рацію;

perception and creativity are very intimately connected.

сприйняття і творчість дуже тісно пов'язані.

What we've just seen are neural networks

Ми щойно бачили, як нейронні мережі,

that are entirely trained to discriminate,

натреновані відрізняти

or to recognize different things in the world,

або впізнавати різні речі,

able to be run in reverse, to generate.

можуть працювати в зворотньому напрямку і творити.

One of the things that suggests to me

Мені видається,

is not only that Michelangelo really did see

що не лише Мікеланджело справді бачив

the sculpture in the blocks of stone,

скульптуру в уламку каменя,

but that any creature, any being, any alien

але що будь-яка істота, будь-який інопланетянин,

that is able to do perceptual acts of that sort

здатний до сприйняття,

is also able to create

також здатний до творчості,

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

тому що в обидвох випадках використовується один механізм.

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

Я також думаю, що сприйняття і творча здатність не є

uniquely human.

лише людськими якостями.

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

У нас з'являються комп'ютерні моделі, які роблять якраз ці речі.

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

І це не має бути несподіваним; мозок є обчислювальним органом.

And finally,

І, нарешті,

computing began as an exercise in designing intelligent machinery.

машинне обчислення почалося як спроба створити розумні машини.

It was very much modeled after the idea

Воно було здебільшого побудоване на ідеї

of how could we make machines intelligent.

як зробити машини розумними.

And we finally are starting to fulfill now

І ми нарешті зараз починаємо виконувати

some of the promises of those early pioneers,

деякі обіцянки ранніх застрільників,

of Turing and von Neumann

Тюринґа і фон Неймана,

and McCulloch and Pitts.

МакКалока й Піттса.

And I think that computing is not just about accounting

Я думаю, машинне обчислення -- це не лише бухгалтерія

or playing Candy Crush or something.

чи гра у Кенді Краш.

From the beginning, we modeled them after our minds.

Від початку комп'ютери моделювалися за нашим розумом.

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

І вони дають нам змогу краще зрозуміти можливості нашого розуму

and to extend them.

і розширити їх одночасно.

Thank you very much.

Щиро дякую.

(Applause)

(Оплески)