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

Translator: Sharon Nguyen Reviewer: Nha Nguyen

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

Tôi là trưởng nhóm nghiên cứu Trí tuệ nhân tạo tại Google;

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

nói cách khác, đó là những quy tắc công nghệ để máy tính và thiết bị

able to do some of the things that brains do.

làm được những gì mà não người làm được.

And this makes us interested in real brains

Và việc này làm chúng tôi thấy hứng thú với não người thật

and neuroscience as well,

cũng như khoa học thần kinh,

and especially interested in the things that our brains do

và đặc biệt là với những gì mà não của chúng ta có thể

that are still far superior to the performance of computers.

thực hiện tốt hơn nhiều so với máy tính.

Historically, one of those areas has been perception,

Về lịch sử, một trong số đó chính là khả năng tri nhận,

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

là quá trình biến đổi những gì ở thế giới bên ngoài

sounds and images --

như âm thanh và hình ảnh

can turn into concepts in the mind.

thành dạng khái niệm trong tư duy.

This is essential for our own brains,

Khái niệm rất quan trọng với não,

and it's also pretty useful on a computer.

cũng khá hữu ích trên máy tính.

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

Ví dụ, những thuật toán tri giác cho máy mà nhóm tôi viết ra,

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

chính là thứ giúp bạn tìm được hình ảnh trên Google Photo,

based on what's in them.

căn cứ vào trong hình có gì.

The flip side of perception is creativity:

Đối lập với tri nhận là sáng tạo:

turning a concept into something out there into the world.

là biến khái niệm đã biết thành sản phẩm của thế giới.

So over the past year, our work on machine perception

Trong năm qua, khả năng tri nhận nhân tạo mà nhóm tôi nghiên cứu

has also unexpectedly connected with the world of machine creativity

đã bất ngờ kết nối được với khả năng sáng tạo nhân tạo

and machine art.

và nghệ thuật nhân tạo.

I think Michelangelo had a penetrating insight

Tôi nghĩ Michlangelo có một hiểu biết sâu sắc

into to this dual relationship between perception and creativity.

về mối quan hệ song đôi giữa tri nhận và sáng tạo.

This is a famous quote of his:

Đây là câu trích dẫn ưa thích của ông:

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

"Tảng đá nào cũng có linh hồn là bức tượng,

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

và một thợ điêu khắc có nhiệm vụ khám phá ra nó."

So I think that what Michelangelo was getting at

Nên tôi nghĩ điều Michelangelo muốn nói đến chính là

is that we create by perceiving,

chúng ta sáng tạo được nhờ tri nhận,

and that perception itself is an act of imagination

và bản thân sự tri nhận đó là hành động tưởng tượng

and is the stuff of creativity.

và là nguyên liệu cho sáng tạo.

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

Cơ quan thực hiện mọi quá trình tri nhận và sáng tạo diễn ra,

of course, is the brain.

tất nhiên, là bộ não.

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

Tôi sẽ bắt đầu bằng một chút lịch sử

about what we know about brains.

nói về hiểu biết của chúng ta về não.

Because unlike, say, the heart or the intestines,

Nói thế này, khác hẳn trái tim hay nội tạng,

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

bạn thật sự không nói được gì nhiều chỉ bằng việc quan sát bộ não,

at least with the naked eye.

nhất là khi nhìn bằng mắt thường.

The early anatomists who looked at brains

Những bác sĩ phẫu thuật đầu tiên quan sát bộ não

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

đã đặt tên cho cấu trúc bề mặt của nó mọi cái tên thú vị,

like hippocampus, meaning "little shrimp."

chẳng hạn như thuỳ hải mã, nghĩa là "con tôm nhỏ".

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

Nhưng tất nhiên cái tên đó cũng không nói được gì nhiều

about what's actually going on inside.

về những gì đang thực sự diễn ra bên trong.

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

Tôi nghĩ người đầu tiên phát triển hiểu biết thật sự

into what was going on in the brain

về những gì đang diễn ra trong não bộ

was the great Spanish neuroanatomist, Santiago Ramón y Cajal,

là nhà giải phẫu thần kinh vĩ đại người Tây Ban Nha, Santiago Ramón y Cajal,

in the 19th century,

vào thế kỷ 19,

who used microscopy and special stains

ông là người dùng kính hiển vi và chất nhuộm màu đặc biệt

that could selectively fill in or render in very high contrast

có thể điền vào hay minh hoạ kĩ lưỡng từng tế bào trong não

the individual cells in the brain,

với độ tương phản cao,

in order to start to understand their morphologies.

để bắt đầu hiểu được hình thái của chúng.

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

Và đây là kiểu bản vẽ mà ông diễn tả các nơ-ron thần kinh

in the 19th century.

vào thế kỷ 19.

This is from a bird brain.

Đây là ảnh minh hoạ cho não chim.

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

Như bạn thấy, có cực kỳ nhiều loại tế bào khác nhau,

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

mà ngay cả thuyết tế bào cũng còn khá lạ lẫm với chúng.

And these structures,

Và những cấu trúc này,

these cells that have these arborizations,

những tế bào này có nhiều nhánh,

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

các nhánh có thể truyền đi rất rất xa

this was very novel at the time.

lúc bấy giờ, điều này nghe thật khó tin.

They're reminiscent, of course, of wires.

Tất nhiên khi đó nhìn chúng như những sợi dây điện.

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

Những người ở thế kỷ 19 sẽ thấy chúng y như vậy;

the revolutions of wiring and electricity were just getting underway.

cuộc cách mạng về lưới điện và điện khi ấy đang diễn ra.

But in many ways,

Nhưng bằng nhiều cách,

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

những bản vẽ giải phẫu kích thước µm của Ramón y Cajal's, như ảnh này,

they're still in some ways unsurpassed.

vẫn còn vài điểm chưa vượt trội.

We're still more than a century later,

Hơn một thế kỷ sau, giờ đây chúng ta

trying to finish the job that Ramón y Cajal started.

vẫn đang nỗ lực hoàn thành điều mà Ramón y Cajal đã bắt đầu.

These are raw data from our collaborators

Đây là những dữ liệu thô từ các cộng tác viên

at the Max Planck Institute of Neuroscience.

làm việc tại Viện nghiên cứu khoa học thần kinh Max Planck.

And what our collaborators have done

Cộng tác viên của chúng tôi đã vẽ

is to image little pieces of brain tissue.

từng mẩu nhỏ của mô não.

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

Toàn bộ hình mẫu ở đây có kích thước thật chỉ 1 mm khối,

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

và ở đây, các bạn đang xem một mẩu rất rất nhỏ của nó.

That bar on the left is about one micron.

Đường kẻ bên trái khoảng 1 micrômét (µm).

The structures you see are mitochondria

Những cấu trúc bạn đang thấy là ti tể

that are the size of bacteria.

có kích thước cấp độ vi khuẩn.

And these are consecutive slices

Và đây là những lát cắt liên tiếp

through this very, very tiny block of tissue.

của khối mô vô cùng nhỏ này.

Just for comparison's sake,

Chỉ với mục đích đối chiếu,

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

thì đường kính trung bình của 1 sợi tóc khoảng 100 µm.

So we're looking at something much, much smaller

Do đó, ta đang nhìn thấy một thứ nhỏ hơn rất rất nhiều

than a single strand of hair.

so với một sợi tóc.

And from these kinds of serial electron microscopy slices,

Và từ hàng loạt những lát cắt có kích thước hiển vi của hạt electron,

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

ta có thể tạo ra bản vẽ 3D để dựng lại cấu trúc nơron như thế này.

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

Vậy nên những bản vẽ này cũng giống với bản của Ramón y Cajal.

Only a few neurons lit up,

Chỉ có vài nơron sáng lên thôi,

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

vì nếu không, chúng ta sẽ không thấy được gì hết.

It would be so crowded,

Quá nhiều nơron chen chúc,

so full of structure,

cấu tạo vô cùng phức tạp,

of wiring all connecting one neuron to another.

tất cả các sợi nơron đều nối với nhau, tạo ra mạng lưới chằng chịt.

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

Do đó, Ramón y Cajal có hơi cấp tiến so với thời của mình,

and progress on understanding the brain

và những hiểu biết về bộ não

proceeded slowly over the next few decades.

dần phát triển trong những thập kỷ tiếp theo.

But we knew that neurons used electricity,

Nhưng chúng ta vốn biết nơron sử dụng điện để hoạt động,

and by World War II, our technology was advanced enough

và cho đến Thế chiến II, công nghệ mới đủ tiên tiến

to start doing real electrical experiments on live neurons

để tiến hành các thí nghiệm điện thật sự trên nơron thật

to better understand how they worked.

để hiểu rõ hơn cách chúng vận hành.

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

Đây cũng là thời điểm máy vi tính được phát minh,

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

chủ yếu dựa trên ý tưởng mô phỏng lại bộ não

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

nó là một "cái máy thông minh", như cách mà Alan Turing gọi,

one of the fathers of computer science.

một trong những người tiên phong cho khoa học máy tính.

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

Warren McCulloch và Walter Pitts quan sát bản vẽ của Ramón y Cajal

of visual cortex,

mô tả vỏ não thị giác,

which I'm showing here.

như bạn đang thấy.

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

Đây là phần vỏ não phụ trách xử lý hình ảnh được mắt ghi nhận.

And for them, this looked like a circuit diagram.

Với McCulloch và Pitts, trông nó như một sơ đồ mạch điện.

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

Nên có rất nhiều chi tiết trong bản vẽ của hai người

that are not quite right.

không chính xác cho lắm.

But this basic idea

Nhưng về ý tưởng cốt lõi

that visual cortex works like a series of computational elements

xem vỏ não thị giác như vi mạch điện tử

that pass information one to the next in a cascade,

truyền thông tin từ mạch này qua mạch khác theo tầng,

is essentially correct.

lại hoàn toàn chính xác.

Let's talk for a moment

Chúng ta hãy bàn một chút

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

sẽ cần những gì để quá trình xử lý thông tin hình ảnh diễn ra.

The basic task of perception

Bước căn bản chính trong quá trình tri nhận

is to take an image like this one and say,

là nhìn vào ảnh, như hình này, và nói:

"That's a bird,"

"Đó là một con chim"

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

là chuyện vô cùng đơn giản mà não ta thực hiện.

But you should all understand that for a computer,

Nhưng bạn nên hiểu rằng để máy tính hiểu được hình ảnh,

this was pretty much impossible just a few years ago.

vài năm trước vẫn còn là chuyện bất khả thi.

The classical computing paradigm

Với hệ thống máy tính thế hệ đầu

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

thì việc này không dễ thực hiện.

So what's going on between the pixels,

Vậy những gì diễn ra giữa các điểm ảnh,

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

giữa hình vẽ một con chim, và từ "con chim",

is essentially a set of neurons connected to each other

về bản chất là một tập hợp nơron với các nơron nối với nhau

in a neural network,

thành mạng lưới nơron,

as I'm diagramming here.

như sơ đồ tôi vẽ đây.

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

Mạng lưới này có thể mang tính sinh học, nằm trong hai vỏ não thị giác,

or, nowadays, we start to have the capability

hay ngày nay, chúng ta có thể

to model such neural networks on the computer.

mô phỏng những mạng lưới như vậy trên máy tính.

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

Và tôi sẽ cho bạn xem nó trông thế nào.

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

Bạn có thể xem các điểm ảnh là lớp nơron thứ nhất,

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

và thật ra, đó là cách mà mắt hoạt động

that's the neurons in the retina.

đó là các nơron trong võng mạc.

And those feed forward

Tiếp theo chúng chạy thẳng ra trước

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

đi lần lượt vào trong các lớp nơron sau, từng lớp một,

all connected by synapses of different weights.

tất cả nối lại bằng các sợi xi-náp có khối lượng khác nhau.

The behavior of this network

Trạng thái của mạng lưới này

is characterized by the strengths of all of those synapses.

đặc trưng bởi độ bền của những sợi xi-náp.

Those characterize the computational properties of this network.

Chúng khắc hoạ đặc tính giống hệ mạch điện tử của mạng lưới này.

And at the end of the day,

Và cuối cùng,

you have a neuron or a small group of neurons

bạn có một sợi nơron hay một bó nhỏ gồm các sợi nơron

that light up, saying, "bird."

bật sáng và hô lên "con chim".

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

Giờ tôi sẽ biểu diễn ba thành phần:

the input pixels and the synapses in the neural network,

điểm ảnh ở đầu vào, sợi tiếp hợp xi-náp trong mạng lưới nơron,

and bird, the output --

và con chim ở đầu ra

by three variables: x, w and y.

là ba biến số: X, W và Y.

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

Biến X có thể có hàng triệu giá trị.

a million pixels in that image.

nghĩa là hàng triệu điểm ảnh trong hình.

There are billions or trillions of w's,

Biến W có hàng tỉ hay cả ngàn tỉ giá trị,

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

tương ứng với khối lượng khác nhau của toàn bộ xi-náp trong mạng nơron.

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

Và với biến Y, chỉ có 4 giá trị,

of outputs that that network has.

là số giá trị mà mạng nơron xuất ra.

"Bird" is only four letters, right?

"B-i-r-d" có 4 kí tự đúng không?

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

Giờ thì hãy giả sử ta có biểu thức đơn giản này:

x "x" w = y.

X "x" W =Y.

I'm putting the times in scare quotes

Tôi đặt dấu nhân trong ngoặc kép

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

vì đó mới là những gì đang thực sự diễn ra,

is a very complicated series of mathematical operations.

tất nhiên rất phức tạp, gồm hàng loạt các bài toán được giải.

That's one equation.

Đây là một biểu thức.

There are three variables.

Gồm có 3 biến số.

And we all know that if you have one equation,

Và ta đều biết nếu như ta có 1 đẳng thức,

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

bạn sẽ tìm được 1 biến khi biết 2 biến còn lại.

So the problem of inference,

Nên vấn đề mắc phải

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

để nhận ra đó là hình vẽ một con chim

is this one:

chính là đây:

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

đây là nơi Y là biến chưa biết, và W, X là 2 biến đã biết.

You know the neural network, you know the pixels.

Bạn biết được mạng nơron, bạn biết số điểm ảnh.

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

Như bạn thấy, chuyện này khá dễ giải quyết.

You multiply two times three and you're done.

Chỉ cần lấy tích của 2 x 3 là xong.

I'll show you an artificial neural network

Tôi sẽ cho bạn xem một mạng lưới neuron nhân tạo

that we've built recently, doing exactly that.

mà nhóm tôi dựng mới đây, dựng lại hệt như vậy.

This is running in real time on a mobile phone,

Mạng lưới này đang chạy trên một chiếc điện thoại di động,

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

và tất nhiên, khả năng tuyệt vời vốn có của chiếc điện thoại

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

chính là nó có thể thực hiện hàng tỉ, hàng ngàn tỉ thao tác

per second.

mỗi giây.

What you're looking at is a phone

Bạn đang nhìn thấy một chiếc điện thoại

looking at one after another picture of a bird,

đang nhìn lần lượt những bức ảnh có hình chim,

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

và nó không hô lên "Đúng rồi, đây là chim,"

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

mà lại xác định mỗi loài chim với một mạng lưới tương tự như bộ não.

So in that picture,

Nên trong bức tranh đó,

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

X và W là hai đại lượng đã có, và Y là ẩn.

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

Tôi đang chú thích cho một phần rất hóc búa, dĩ nhiên rồi,

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

để hiểu làm cách nào mà ta tìm được biến W.

the brain that can do such a thing?

não chúng ta thật sự làm được chuyện này sao?

How would we ever learn such a model?

Nhưng chúng ta chưa học về những mô hình thế này bao giờ mà?

So this process of learning, of solving for w,

Nên bước này chúng ta học cách giải ra W,

if we were doing this with the simple equation

nếu ta làm giả bài này với cách giải của đơn thức

in which we think about these as numbers,

bằng cách xem chúng là các con số,

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

chúng ta biết cách giải đúng: 6 = 2 x W,

thì lấy 6 chia 2 là tiêu đời.

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

The problem is with this operator.

Vấn đề chính là phép chia này đây.

So, division --

Vậy, phép chia này...

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

Chúng ta sử dụng phép chia vì nó nó nghịch đảo với phép nhân,

but as I've just said,

nhưng tôi đã nói vừa nãy,

the multiplication is a bit of a lie here.

Phép nhân này thật ra không chỉ là một phép nhân.

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

Đây là một phép tính cực kỳ phức tạp, vô cùng lắt léo;

it has no inverse.

và không có phép tính nghịch đảo.

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

Nên chúng ta phải tìm cách khác để giải biểu thức này

without a division operator.

mà không được dùng phép chia.

And the way to do that is fairly straightforward.

Trong khi cách giải lại không rối rắm.

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

Đừng sợ, hãy dùng một mẹo nhỏ trong môn đại số,

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

hãy chuyển 6 qua vế bên phải.

Now, we're still using multiplication.

Giờ thì chúng ta vẫn đang dùng phép nhân.

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

Và số 0 đó, hãy coi nó là lỗi đi.

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

Có nghĩa là, nếu ta giải đúng được W,

then the error will be zero.

thì lỗi sẽ bằng 0.

And if we haven't gotten it quite right,

Và nếu ta chưa giải đúng được,

the error will be greater than zero.

thì lỗi đó sẽ lớn hơn 0 nhiều.

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

Nên giờ ta chỉ có thể đoán sao để lỗi có giá trị nhỏ nhất,

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

và đó là chuyện mà máy vi tính rất thành thạo.

So you've taken an initial guess:

Vậy bạn vừa mới đoán:

what if w = 0?

giả sử W = 0 ?

Well, then the error is 6.

Vậy thì số lỗi = 6.

What if w = 1? The error is 4.

W = 4 thì sao? Vậy lỗi = 4.

And then the computer can sort of play Marco Polo,

Rồi sau đó máy tính sẽ như chơi trò bịt mắt bắt dê,

and drive down the error close to zero.

và đuổi theo lỗi cho đến khi nó gần chạm tới 0.

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

Nó sẽ tiến dần về giá trị đúng của W.

Thật ra sẽ không có giá trị hoàn toàn chính xác, nhưng sau mười mấy lần,

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

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

chúng ta có được W = 2.999, là giá trị gần đúng nhất.

And this is the learning process.

Và đây chính là quá trình học tập.

So remember that what's been going on here

Hãy nhớ điều đang diễn ra từ nãy đến giờ

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

là cách thức chúng ta sử dụng rất nhiều giá trị đã biết của X và Y

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

để tìm ra mối quan tâm của ta là W, thông qua quá trình lặp đi lặp lại.

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

Đó cũng chính là phương pháp học tập của chúng ta.

We have many, many images as babies

Khi còn nhỏ người lớn cho ta xem rất nhiều hình ảnh và nói

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

"đây là con chim", "còn đây không phải".

And over time, through iteration,

Qua thời gian, và qua việc học đi học lại,

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

chúng ta giải được W, là giải được các kết nối nơron.

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

Nên giờ đây chúng ta đem X và W đã cố định để tìm Y;

that's everyday, fast perception.

đó là sự tri nhận nhanh hằng ngày.

We figure out how we can solve for w,

Chúng ta hiểu rằng mình có thể giải W,

that's learning, which is a lot harder,

đó là học tập, khó hơn nhiều,

because we need to do error minimization,

vì chúng ta phải giảm thiểu lỗi sai,

using a lot of training examples.

bằng cách sử dụng phương pháp luyện tập.

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

Khoảng 1 năm trước,thành viên Alex Mordvinstev của nhóm tôi,

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

quyết định làm thí nghiệm xem chuyện gì xảy ra nếu ta cố tìm X,

given a known w and a known y.

khi đã biết 1 giá trị W và 1 giá trị Y.

In other words,

Nói cách khác,

you know that it's a bird,

bạn biết đó là con chim,

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

và bạn cũng biết là hệ thần kinh của mình được dạy, đó là chim

but what is the picture of a bird?

vậy thì bức hình một con chim là gì?

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

Hoá ra khi sử dụng 1 quá trình giống như quá trình giảm thiểu lỗi,

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

có thể giảm thiểu sai sót của mạng lưới

and the result turns out to be ...

được dạy để nhận ra chim, và kết quả...

a picture of birds.

là một bức hình gồm nhiều loài chim.

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

Đây là bức hình có nhiều loài chim được tạo ra hoàn toàn từ 1 hệ thần kinh

that was trained to recognize birds,

đã được dạy để nhận ra các loài chim,

just by solving for x rather than solving for y,

chỉ bằng việc tìm X thay vì tìm Y,

and doing that iteratively.

và làm đi làm lại quá trình đó.

Here's another fun example.

Đây là một ví dụ khác.

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

Đây là tác phẩm của thành viên Mike Tyka của nhóm tôi,

which he calls "Animal Parade."

cậu ấy gọi nó là "Đoàn thú tuần hành".

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

Nó làm tôi nhớ tới các tác phẩm của William Kentridge,

in which he makes sketches, rubs them out,

khi ông cứ phác ra các hình vẽ, rồi bôi,

makes sketches, rubs them out,

rồi vẽ phác lại, rồi lại bôi,

and creates a movie this way.

và tạo ra một kiểu phim theo cách này.

In this case,

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

Trong tranh này,

Mike đã đa dạng hoá biến Y thành nhiều loài thú khác nhau,

in a network designed to recognize and distinguish

trong một mạng lưới được thiết kế để nhận biết và phân biệt

different animals from each other.

mỗi loài có nhiều loài khác nữa.

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

Và giờ bạn có được một bức như tranh biến hình động vật của hoạ sĩ Escher.

Here he and Alex together have tried reducing

Ở đây cậu ấy và Alex cùng thử

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

giảm không gian của biến Y còn 2 chiều,

thereby making a map out of the space of all things

để tạo ra một bản đồ có mặt mọi thứ khác nhau

recognized by this network.

mà mạng lưới này nhận ra.

Doing this kind of synthesis

Khi thực hiện tổng hợp như vậy

or generation of imagery over that entire surface,

hay tạo ra hình ảnh trên toàn bộ bề mặt,

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

đa dạng giá trị Y trên mặt phẳng, bạn có thể tạo ra

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

một loại bản đồ có tất cả những thứ mà mạng lưới nhận biết được.

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

Tất cả các loài thú đều ở ngay đây; "armadillo" ngay vị trí trung tâm.

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

Bạn có thể tạo bản đồ cho những mạng lưới khác nữa.

This is a network designed to recognize faces,

Đây là mạng lưới được thiết kế để nhận diện các khuôn mặt,

to distinguish one face from another.

để phân biệt mặt người này, người kia.

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

Còn đây, chúng ta đang chọn Y có giá trị là "tôi",

my own face parameters.

là thông số giúp nhận ra gương mặt tôi.

And when this thing solves for x,

Và khi dùng Y để tìm X,

it generates this rather crazy,

nó cho ra một thứ rất điên,

kind of cubist, surreal, psychedelic picture of me

đại loại như tranh lập thể, siêu thực vẽ tôi đang phê thuốc

from multiple points of view at once.

từ nhiều góc nhìn khác nhau cùng lúc.

The reason it looks like multiple points of view at once

Sở dĩ nó như nhiều góc nhìn khác nhau cùng một lúc là vì

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

mạng lưới được thiết kế để tránh sự mơ hồ khi nhận diện

of a face being in one pose or another pose,

một gương mặt khi nhìn ở góc này so với khi nhìn ở góc khác,

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

hay trong điều kiện chiếu sáng khác nhau.

So when you do this sort of reconstruction,

Nên khi bạn thực hiện việc tái cấu tạo,

if you don't use some sort of guide image

nếu không sử dụng kiểu hình ảnh hướng dẫn

or guide statistics,

hay thông số hướng dẫn để làm mẫu,

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

thì bạn sản phẩm nhận được là một bức hình rối mắt ở mọi góc nhìn,

because it's ambiguous.

vì mọi thứ trông rất mờ ảo.

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

Đây là kết quả khi Ales sử dụng mặt mình làm hình ảnh mẫu

during that optimization process to reconstruct my own face.

trong quá trình tối ưu hoá mạng lưới để tái hiện gương mặt tôi.

So you can see it's not perfect.

Nên có thể bạn thấy nó không hoàn hảo.

There's still quite a lot of work to do

Vẫn còn khá nhiều chuyện để làm

on how we optimize that optimization process.

để cải thiện tối đa quá trình tái cấu trúc.

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

Nhưng giờ thì có được bức tranh một gương mặt liền mạch

rendered using my own face as a guide.

sử dụng mặt tôi làm hình hướng dẫn.

You don't have to start with a blank canvas

Bạn không cần phải bắt đầu vẽ với tờ giấy trắng

or with white noise.

hay tiếng ồn trắng.

When you're solving for x,

Khi tìm X,

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

bạn có thể bắt đầu với X, bản thân nó đã là một hình.

That's what this little demonstration is.

Đó là điều mà tôi minh hoạ hôm nay.

This is a network that is designed to categorize

Hệ thần kinh nhân tạo này được thiết kế để phân loại

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

tất cả vật thể khác nhau, như công trình nhân tạo, động vật...

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

Ở đây, đầu tiên ta có bức tranh với những đám mây,

and as we optimize,

và khi ta tối ưu hoá hình này,

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

về căn bản, hệ thần kinh nhân tạo đang xác định mấy đám mây có hình gì.

And the more time you spend looking at this,

Và khi nhìn bức hình này càng lâu,

the more things you also will see in the clouds.

bạn càng thấy được nhiều thứ tạo ra từ những đám mây đó.

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

Bạn cũng có thể dùng hệ nhận diện khuôn mặt để tạo ảo giác cho nền này,

and you get some pretty crazy stuff.

và sẽ có được một sản phẩm điên khùng.

(Laughter)

(Cười)

Or, Mike has done some other experiments

Hay như vầy, Mike có vài thí nghiệm nữa

in which he takes that cloud image,

cậu ấy lấy hình đám mây,

hallucinates, zooms, hallucinates, zooms hallucinates, zooms.

tạo hiệu ứng ảo, phóng đại, rồi chỉnh ảo, phóng, rồi chỉnh, rồi lại phóng.

And in this way,

Và bằng cách này,

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

tôi nghĩ bạn sẽ nhận được một hệ thần kinh đang thấy lâng lâng,

or a sort of free association,

hay là sự kết hợp tự do,

in which the network is eating its own tail.

trong đó bạn sẽ thấy mạng lưới ấy đang ăn cái đuôi của mình.

So every image is now the basis for,

Nên mỗi hình đều là ảnh nền cho

"What do I think I see next?

hình "tôi sẽ thấy gì kế tiếp?

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

tôi sẽ nhìn thấy gì kế tiếp? tôi sẽ nhìn thấy gì kế tiếp?"

I showed this for the first time in public

Tôi đã đem trưng bày bức tranh

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

cho nhóm dự thính bài giảng "Giáo dục Cấp cao" ở Seattle xem

this was right after marijuana was legalized.

ngay sau khi ma tuý được hợp thức hoá.

(Laughter)

(Cười)

So I'd like to finish up quickly

Tôi sẽ kết thúc nhanh thôi

by just noting that this technology is not constrained.

bằng việc nhấn mạnh rằng công nghệ không có giới hạn.

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

Tôi chỉ mới cho bạn xem những ví dụ thị giác vì chúng nhìn vui mắt.

It's not a purely visual technology.

Chứ công nghệ không chỉ thuần về thị giác.

Our artist collaborator, Ross Goodwin,

Cộng tác viên của chúng tôi, hoạ sĩ Ross Goodwin,

has done experiments involving a camera that takes a picture,

đã có nhiều thí nghiệm có cả một camera chụp hình,

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

và sau đó 1 cái máy tính trong balô của cậu ấy viết 1 bài thơ bằng mạng nơron,

based on the contents of the image.

dựa vào nội dung của hình ảnh ghi nhận.

And that poetry neural network has been trained

Hệ thần kinh nhân tạo viết ra bài thơ đó đã được học

on a large corpus of 20th-century poetry.

một kho ngữ liệu lớn về thơ ca thế kỷ 20.

And the poetry is, you know,

Và bài thơ đó, bạn biết không,

I think, kind of not bad, actually.

thật ra cũng không dở lắm đâu.

(Laughter)

(Cười)

In closing,

Tóm lại,

I think that per Michelangelo,

Tôi nghĩ người tên Michelangelo đó,

I think he was right;

Ông ấy đã đúng;

perception and creativity are very intimately connected.

Sự tri nhận và sáng tạo có liên quan mật thiết với nhau.

What we've just seen are neural networks

Những hệ thần kinh nhân tạo mà ta vừa thấy

that are entirely trained to discriminate,

vốn chỉ được thiết kế để tiếp nhận, phân biệt,

or to recognize different things in the world,

để nhận biết những sự vật khác nhau của thế giới,

able to be run in reverse, to generate.

giờ có thể làm ngược lại, tạo ra cái mới.

One of the things that suggests to me

Một trong những điều tôi cảm giác được

is not only that Michelangelo really did see

không chỉ là Michelangelo thật sự nhìn ra

the sculpture in the blocks of stone,

bức điêu khắc bên trong tảng đá,

but that any creature, any being, any alien

mà ông thấy bất kì sinh vật nào, thực thể nào, trong hay ngoài hành tinh

that is able to do perceptual acts of that sort

chỉ cần biết tri nhận,

is also able to create

sẽ có thể sáng tạo

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

vì có cơ chế chung dùng cho cả hai quá trình ấy.

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

Tôi cũng nghĩ rằng sự tri nhận và sáng tạo không thể nào

uniquely human.

chỉ con người mới có.

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

Chúng ta bắt đầu có những mẫu máy tính làm được những thứ này.

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

Và điều đó không có gì lạ; bộ não chính là bộ máy.

And finally,

Và sau cùng,

computing began as an exercise in designing intelligent machinery.

máy tính bắt đầu trở thành công cụ thiết kế trí tuệ nhân tạo.

It was very much modeled after the idea

Điện tử đã trở thành bằng chứng

of how could we make machines intelligent.

chứng minh rằng ta có thể làm ra trì tuệ nhân tạo.

And we finally are starting to fulfill now

Và cuối cùng chúng ta đã có thể hoàn thành

some of the promises of those early pioneers,

những hoài bão mà các tiền nhân để lại,

of Turing and von Neumann

chính là Turing, Von Neumann

and McCulloch and Pitts.

McCulloch và Pitts.

And I think that computing is not just about accounting

Và tôi nghĩ điện toán không chỉ tập trung cho việc tính toán,

or playing Candy Crush or something.

để chơi Candy Crush hoặc những trò khác.

From the beginning, we modeled them after our minds.

Từ đầu, máy tính được tạo ra theo hình mẫu là não người.

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

Và nhờ máy tính, chúng ta hiểu về bộ não mình rõ hơn

and to extend them.

để có thể cải tiến chúng.

Thank you very much.

Cám ơn rất nhiều.

(Applause)

(Vỗ tay)