So, I lead a team at Google that works on machine intelligence; in other words, the engineering discipline of making computers and devices able to do some of the things that brains do. And this makes us interested in real brains and neuroscience as well, and especially interested in the things that our brains do that are still far superior to the performance of computers.
Chez Google, l'équipe que je dirige travaille sur l'intelligence artificielle, c'est-à-dire à créer des ordinateurs et des appareils capables de faire une partie de ce que fait le cerveau. Nous sommes donc très intéressés par les vrais cerveaux ainsi que la neuroscience, en particulier les choses que nos cerveaux font avec une performance bien supérieure à celle des ordinateurs.
Historically, one of those areas has been perception, the process by which things out there in the world -- sounds and images -- can turn into concepts in the mind. This is essential for our own brains, and it's also pretty useful on a computer. The machine perception algorithms, for example, that our team makes, are what enable your pictures on Google Photos to become searchable, based on what's in them. The flip side of perception is creativity: turning a concept into something out there into the world. So over the past year, our work on machine perception has also unexpectedly connected with the world of machine creativity and machine art.
Historiquement, un de ces domaines est la perception, le processus permettant aux choses du monde, les sons et les images, de devenir des concepts dans notre esprit. C'est essentiel pour nos propres cerveaux et est très utile pour un ordinateur. Les algorithmes de perception des machines, comme ceux de mon équipe, nous permettent de rechercher des images sur Google selon ce qu'elles représentent. Le revers de la perception est la créativité : transformer un concept en un objet du monde extérieur. Au cours de l'année, notre travail sur la perception des machines a été lié, de façon inattendue, au monde de la créativité des machines et de l'art des machines.
I think Michelangelo had a penetrating insight into to this dual relationship between perception and creativity. This is a famous quote of his: "Every block of stone has a statue inside of it, and the job of the sculptor is to discover it." So I think that what Michelangelo was getting at is that we create by perceiving, and that perception itself is an act of imagination and is the stuff of creativity.
Je pense que Michel-Ange avait une vision perspicace de cette double relation entre la perception et la créativité. Voici une de ses citations connue : « Chaque bloc de pierre renferme une statue et c'est le rôle du sculpteur de la découvrir. » Je pense que ce que Michel-Ange voulait exprimer c'est que nous créons ce que nous perçevons et que cette perception est elle-même un acte d'imagination et est le produit de la créativité.
The organ that does all the thinking and perceiving and imagining, of course, is the brain. And I'd like to begin with a brief bit of history about what we know about brains. Because unlike, say, the heart or the intestines, you really can't say very much about a brain by just looking at it, at least with the naked eye. The early anatomists who looked at brains gave the superficial structures of this thing all kinds of fanciful names, like hippocampus, meaning "little shrimp." But of course that sort of thing doesn't tell us very much about what's actually going on inside.
L'organe qui pense et perçoit et imagine est, bien-sûr, le cerveau. Et j'aimerais commencer avec une brève histoire de ce que nous savons sur le cerveau. Car, contrairement au cœur ou aux intestins, on ne peut pas dire grand chose sur le cerveau en le regardant, tout du moins pas à l’œil nu. Les premiers anatomistes qui ont étudié le cerveau ont donné aux structures superficielles des tas de jolis noms tels que l'hippocampe, soit « petit champignon ». Bien-sûr, ce genre de choses ne nous dit pas ce qu'il se passe à l'intérieur.
The first person who, I think, really developed some kind of insight into what was going on in the brain was the great Spanish neuroanatomist, Santiago Ramón y Cajal, in the 19th century, who used microscopy and special stains that could selectively fill in or render in very high contrast the individual cells in the brain, in order to start to understand their morphologies. And these are the kinds of drawings that he made of neurons in the 19th century.
La première personne qui, à mon avis, s'est fait une idée de ce qu'il se passait dans le cerveau était le neuroanatomiste espagnol, Santiago Ramón y Cajal, au 19ème siècle. Il a utilisé la microscopie et des colorants spéciaux qui pouvaient colorer ou créer un fort contraste dans les différentes cellules du cerveau afin de commencer à comprendre leur morphologie. Il a fait ce genre de dessins représentant les neurones au 19ème siècle.
This is from a bird brain. And you see this incredible variety of different sorts of cells, even the cellular theory itself was quite new at this point. And these structures, these cells that have these arborizations, these branches that can go very, very long distances -- this was very novel at the time. They're reminiscent, of course, of wires. That might have been obvious to some people in the 19th century; the revolutions of wiring and electricity were just getting underway. But in many ways, these microanatomical drawings of Ramón y Cajal's, like this one, they're still in some ways unsurpassed.
Ceci est un cerveau d'oiseau. Vous voyez cette incroyable diversité de type de cellules, même la théorie cellulaire était relativement nouvelle à l'époque. Ces structures, ces cellules avec ces arborisations, ces branches parcourant de très grandes distances, tout cela était nouveau à l'époque. Elles nous rappellent des câbles. Au 19ème siècle, cela semblait peut-être évident à certains : la révolution du câblage électrique venait de commencer. Mais de bien des façons, ces dessins micro-anatomiques de Ramón y Cajal, comme celui-ci, n'ont toujours pas été surpassés.
We're still more than a century later, trying to finish the job that Ramón y Cajal started. These are raw data from our collaborators at the Max Planck Institute of Neuroscience. And what our collaborators have done is to image little pieces of brain tissue. The entire sample here is about one cubic millimeter in size, and I'm showing you a very, very small piece of it here. That bar on the left is about one micron. The structures you see are mitochondria that are the size of bacteria. And these are consecutive slices through this very, very tiny block of tissue. Just for comparison's sake, the diameter of an average strand of hair is about 100 microns. So we're looking at something much, much smaller than a single strand of hair.
Plus d'un siècle plus tard, nous essayons toujours de finir le travail entamé par Ramón y Cajal. Voici des données brutes venant de nos collaborateurs à l'Institut de Neuroscience Max Planck. Nos collaborateurs ont imagé de petits morceaux de tissu cérébral. L'échantillon fait environ un millimètre cube et je vous en montre un très petite portion. Le trait sur la gauche fait environ un micron. Les structures que vous voyez sont des mitochondries faisant la taille d'une bactérie. Voici des coupes consécutives de ce très petit bloc de tissu. Si vous voulez comparer, le diamètre moyen d'un cheveu est d'environ 100 microns. Nous regardons quelque chose de beaucoup plus petit qu'un cheveu. Avec ce genre de coupes séquentielles en microscopie électronique,
And from these kinds of serial electron microscopy slices, one can start to make reconstructions in 3D of neurons that look like these. So these are sort of in the same style as Ramón y Cajal. Only a few neurons lit up, because otherwise we wouldn't be able to see anything here. It would be so crowded, so full of structure, of wiring all connecting one neuron to another.
nous pouvons en faire des reconstructions en 3D des neurones comme celle-ci. Cela ressemble à ce qu'a fait Ramón y Cajal. Seuls quelques neurones s'allument, sinon nous n'y verrions rien, Cela serait trop dense, trop rempli structures, de câbles connectant les neurones entre eux.
So Ramón y Cajal was a little bit ahead of his time, and progress on understanding the brain proceeded slowly over the next few decades. But we knew that neurons used electricity, and by World War II, our technology was advanced enough to start doing real electrical experiments on live neurons to better understand how they worked. This was the very same time when computers were being invented, very much based on the idea of modeling the brain -- of "intelligent machinery," as Alan Turing called it, one of the fathers of computer science.
Ramón y Cajal était en avance pour son époque et les progrès faits dans la compréhension du cerveau ont avancé lentement au cours des décades suivantes. Mais nous savions que les neurones utilisaient l'électricité et, en 1945, notre technologie était assez avancée pour entamer de vraies expériences électrique sur des neurones pour mieux comprendre leur fonctionnement. C'est au même moment que les ordinateurs furent inventés, dans l'idée de modéliser le cerveau ; une « machine intelligente », comme disait Alan Turing, un des pères de l'informatique.
Warren McCulloch and Walter Pitts looked at Ramón y Cajal's drawing of visual cortex, which I'm showing here. This is the cortex that processes imagery that comes from the eye. And for them, this looked like a circuit diagram. So there are a lot of details in McCulloch and Pitts's circuit diagram that are not quite right. But this basic idea that visual cortex works like a series of computational elements that pass information one to the next in a cascade, is essentially correct.
Warren McCulloch et Walter Pitts ont regardé les dessins que Ramón y Cajal avait fait du cortex visuel et qui sont présentés ici. C'est le cortex qui traite les images venant de l’œil. Pour eux, cela ressemblait à un schéma électrique. Il y a de nombreux détails dans leur schéma électrique qui ne sont pas exacts. Mais l'idée de base selon laquelle le cortex visuel fonctionne comme une série de composants électroniques relayant l'information à la cascade suivante est globalement correcte.
Let's talk for a moment about what a model for processing visual information would need to do. The basic task of perception is to take an image like this one and say, "That's a bird," which is a very simple thing for us to do with our brains. But you should all understand that for a computer, this was pretty much impossible just a few years ago. The classical computing paradigm is not one in which this task is easy to do.
Considérons un instant ce qu'un modèle de traitement d'information visuelle ferait. La tâche basique de perception est de prendre une image comme celle-ci et de dire : « c'est un oiseau », ce qui est, pour nous, très simple à faire grâce à nos cerveaux. Mais vous devriez tous comprendre que pour un ordinateur c'était quelque chose d'impossible il y a quelques années. Le paradigme classique de l'informatique ne permet pas d'accomplir cette tâche simplement.
So what's going on between the pixels, between the image of the bird and the word "bird," is essentially a set of neurons connected to each other in a neural network, as I'm diagramming here. This neural network could be biological, inside our visual cortices, or, nowadays, we start to have the capability to model such neural networks on the computer. And I'll show you what that actually looks like.
Ce qu'il se passe entre les pixels, entre l'image de l'oiseau et le mot « oiseau », c'est un ensemble de neurones connectés entre eux à travers un réseau neuronal, comme représenté ici. Ce réseau neuronal peut être biologique, comme dans nos cortex visuels ou, de nos jours, nous avons la capacité de modéliser des réseaux neuronaux en informatique. Je vais vous montrer ce à quoi cela ressemble.
So the pixels you can think about as a first layer of neurons, and that's, in fact, how it works in the eye -- that's the neurons in the retina. And those feed forward into one layer after another layer, after another layer of neurons, all connected by synapses of different weights. The behavior of this network is characterized by the strengths of all of those synapses. Those characterize the computational properties of this network. And at the end of the day, you have a neuron or a small group of neurons that light up, saying, "bird."
Vous pouvez voir les pixels comme la première couche de neurones, c'est ainsi que l’œil fonctionne : ce sont les neurones dans la rétine. Ils transmettent l'information couche après couche de neurones, tous connectés par des synapses de différents poids. Le comportement de ce réseau est caractérisé par les forces de toutes ces synapses. Elles caractérisent les propriétés informatiques de ce réseau. Finalement, vous avez un neurone ou un petit groupe de neurones qui s'allument et disent « oiseau ».
Now I'm going to represent those three things -- the input pixels and the synapses in the neural network, and bird, the output -- by three variables: x, w and y. There are maybe a million or so x's -- a million pixels in that image. There are billions or trillions of w's, which represent the weights of all these synapses in the neural network. And there's a very small number of y's, of outputs that that network has. "Bird" is only four letters, right? So let's pretend that this is just a simple formula, x "x" w = y. I'm putting the times in scare quotes because what's really going on there, of course, is a very complicated series of mathematical operations.
Je vais représenter ces trois choses : les pixels en entrée et les synapses du réseau neuronal, et l'oiseau, la sortie, avec trois variables : x, w et y. Il y a peut-être un million de x : un million de pixels par image. Il y a des milliards ou des billions de w qui représentent le poids de toutes ces synapses du réseau neuronal. Et il y a très peu de y, de sorties présentes dans le réseau. « Oiseau » n'a que six lettres. Prétendons que la formule est simple : x « fois » w = y. Je mets fois entre guillements car ce qu'il se passe vraiment est bien-sûr une série complexe d'opérations mathématiques.
That's one equation. There are three variables. And we all know that if you have one equation, you can solve one variable by knowing the other two things. So the problem of inference, that is, figuring out that the picture of a bird is a bird, is this one: it's where y is the unknown and w and x are known. You know the neural network, you know the pixels. As you can see, that's actually a relatively straightforward problem. You multiply two times three and you're done. I'll show you an artificial neural network that we've built recently, doing exactly that.
C'est une équation. Il y a trois variables. Nous savons tous qu'avec une équation, vous pouvez trouver une variable si vous connaissez les deux autres. Le problème de l'inférence, c'est-à-dire trouver que la photo de l'oiseau est un oiseau, est le suivant : y est l'inconnue et w et x sont connus. Vous connaissez le réseau neuronal et les pixels. Comme vous le voyez, c'est un problème plutôt simple à résoudre. Vous multipliez deux par trois et vous avez fini. Je vais vous montrer un réseau neuronal que nous avons créé récemment et qui fait cela.
This is running in real time on a mobile phone, and that's, of course, amazing in its own right, that mobile phones can do so many billions and trillions of operations per second. What you're looking at is a phone looking at one after another picture of a bird, and actually not only saying, "Yes, it's a bird," but identifying the species of bird with a network of this sort. So in that picture, the x and the w are known, and the y is the unknown. I'm glossing over the very difficult part, of course, which is how on earth do we figure out the w, the brain that can do such a thing? How would we ever learn such a model?
Il tourne en temps réel sur un téléphone portable, bien-sur, c'est génial en soi que les portables puissent faire des milliards et billions d'opérations par seconde. Vous regardez un téléphone considérant à la suite plusieurs images d'oiseaux et ne disant pas seulement que c'est un oiseau mais identifiant l'espèce d'oiseau avec un réseau de ce genre. Dans cette image, le x et le w sont connus et le y est l'inconnue. Je fais abstraction de la partie complexe, bien-sûr, qui est : comment trouver le w, le cerveau est-il capable d'une telle chose ? Comment apprendre un tel modèle ?
So this process of learning, of solving for w, if we were doing this with the simple equation in which we think about these as numbers, we know exactly how to do that: 6 = 2 x w, well, we divide by two and we're done. The problem is with this operator. So, division -- we've used division because it's the inverse to multiplication, but as I've just said, the multiplication is a bit of a lie here. This is a very, very complicated, very non-linear operation; it has no inverse. So we have to figure out a way to solve the equation without a division operator. And the way to do that is fairly straightforward. You just say, let's play a little algebra trick, and move the six over to the right-hand side of the equation. Now, we're still using multiplication. And that zero -- let's think about it as an error. In other words, if we've solved for w the right way, then the error will be zero. And if we haven't gotten it quite right, the error will be greater than zero.
Ce processus d'apprentissage, de recherche du w, si nous le faisons avec la simple équation dans laquelle nous utilisons des nombres, nous savons comment procéder : 6 = 2 x w, il suffit de diviser par 2 et c'est fini. Le problème est l'opérateur : la division. Nous utilisons la division qui est l'inverse de la multiplication mais, comme je l'ai dit, nous ne faisons pas vraiment une multiplication. C'est une opération très, très compliquée et non-linéaire ; elle n'a pas d'inverse. Nous devons donc trouver un moyen de résoudre l'équation sans opérateur de division. La méthode pour cela est assez simple : nous utilisons une ruse algébrique et déplaçons le six de l'autre côté de l'équation. Il y a toujours une multiplication. Et ce zéro, voyons-le comme une erreur. En d'autres mots, si nous résolvons bien w, l'erreur sera nulle. Si nous n'avons pas totalement raison, l'erreur sera plus grande que zéro. Nous pouvons maintenant faire des suppositions et minimiser l'erreur,
So now we can just take guesses to minimize the error, and that's the sort of thing computers are very good at. So you've taken an initial guess: what if w = 0? Well, then the error is 6. What if w = 1? The error is 4. And then the computer can sort of play Marco Polo, and drive down the error close to zero. As it does that, it's getting successive approximations to w. Typically, it never quite gets there, but after about a dozen steps, we're up to w = 2.999, which is close enough. And this is the learning process.
ce que les ordinateurs savent très bien faire. On fait une supposition : et si w = 0 ? Alors, l'erreur est de 6. Si w = 1 ? L'erreur est de 4. L'ordinateur peut alors joueur à Marco Polo et atteindre une erreur proche de zéro. Il fait cela par des approximations successives de w. Typiquement, il ne l'atteint jamais, mais après une douzaine d'étapes, nous avons w = 2,999, ce qui est assez proche. Voilà le processus d'apprentissage.
So remember that what's been going on here is that we've been taking a lot of known x's and known y's and solving for the w in the middle through an iterative process. It's exactly the same way that we do our own learning. We have many, many images as babies and we get told, "This is a bird; this is not a bird." And over time, through iteration, we solve for w, we solve for those neural connections.
Souvenez-vous que ce que nous avons fait c'est de prendre beaucoup de x et de y connus et de cherche le w au milieu via un procédé itératif. C'est exactement la même méthode que celle par laquelle nous apprenons. Bébés, nous voyons de nombreuses images et on nous dit : « C'est un oiseau ; ce n'en est pas un ». Avec le temps, grâce aux itérations, nous trouvons w, nous résolvons ces connexions neuronales.
So now, we've held x and w fixed to solve for y; that's everyday, fast perception. We figure out how we can solve for w, that's learning, which is a lot harder, because we need to do error minimization, using a lot of training examples.
Nous avons fixés x et w et recherché y ; c'est de la perception rapide, normale. Nous avons réussi à trouver w : c'est de l'apprentissage, plus complexe car nous devons minimiser l'erreur en pratiquant beaucoup d'exemple. Il y a environ un an, Alex Mordvintsev, de notre équipe,
And about a year ago, Alex Mordvintsev, on our team, decided to experiment with what happens if we try solving for x, given a known w and a known y. In other words, you know that it's a bird, and you already have your neural network that you've trained on birds, but what is the picture of a bird? It turns out that by using exactly the same error-minimization procedure, one can do that with the network trained to recognize birds, and the result turns out to be ... a picture of birds. So this is a picture of birds generated entirely by a neural network that was trained to recognize birds, just by solving for x rather than solving for y, and doing that iteratively.
a décidé d'essayer de voir ce qu'il se passe si nous cherchons x avec pour données un w et un y connus. En d'autres mots, vous savez que c'est un oiseau et avez entraîné votre réseau neuronal sur les oiseaux, mais qu'est-ce qu'une image d'oiseau ? Il s'avère qu'en utilisant la même procédure de minimisation de l'erreur, cela est possible avec le réseau entraîné à reconnaître les oiseaux et le résultat s'avère être : une image d'oiseaux. C'est une image d'oiseaux entièrement générée par un réseau neuronal entraîné à reconnaître les oiseaux, simplement en cherchant x plutôt que y et ce par itérations.
Here's another fun example. This was a work made by Mike Tyka in our group, which he calls "Animal Parade." It reminds me a little bit of William Kentridge's artworks, in which he makes sketches, rubs them out, makes sketches, rubs them out, and creates a movie this way. In this case, what Mike is doing is varying y over the space of different animals, in a network designed to recognize and distinguish different animals from each other. And you get this strange, Escher-like morph from one animal to another.
Un autre exemple amusant : ce travail a été fait par Mike Tyka, de notre groupe, et il l'a appelé « Parade Animale ». Cela me rappelle un peu les œuvres de William Kentridge où il fait des croquis, les efface, fait des croquis, les efface et crée un film ainsi. Dans ce cas, Mike fait varier y sur différents animaux dans un réseau créé pour reconnaître et distinguer divers animaux entre eux. Vous obtenez cette métamorphose étrange, à la Escher, d'un animal à un autre.
Here he and Alex together have tried reducing the y's to a space of only two dimensions, thereby making a map out of the space of all things recognized by this network. Doing this kind of synthesis or generation of imagery over that entire surface, varying y over the surface, you make a kind of map -- a visual map of all the things the network knows how to recognize. The animals are all here; "armadillo" is right in that spot.
Ici, lui et Alex ont essayé de réduire l'espace des y à seulement deux dimensions, créant ainsi une carte de l'espace de toutes les choses reconnues par le réseau. En faisant ce genre de synthèse ou génération d'images sur toute cette surface, en faisant varier y sur la surface, vous créez une carte, une carte visuelle de toutes les choses que le réseau reconnaît. Les animaux sont tous là : le tatou est juste là.
You can do this with other kinds of networks as well. This is a network designed to recognize faces, to distinguish one face from another. And here, we're putting in a y that says, "me," my own face parameters. And when this thing solves for x, it generates this rather crazy, kind of cubist, surreal, psychedelic picture of me from multiple points of view at once. The reason it looks like multiple points of view at once is because that network is designed to get rid of the ambiguity of a face being in one pose or another pose, being looked at with one kind of lighting, another kind of lighting. So when you do this sort of reconstruction, if you don't use some sort of guide image or guide statistics, then you'll get a sort of confusion of different points of view, because it's ambiguous. This is what happens if Alex uses his own face as a guide image during that optimization process to reconstruct my own face. So you can see it's not perfect. There's still quite a lot of work to do on how we optimize that optimization process. But you start to get something more like a coherent face, rendered using my own face as a guide.
Vous pouvez aussi le faire avec d'autres réseaux. Voici un réseau créé pour reconnaître les visages, pour distinguer différents visages. Nous lui donnons un y : moi, les paramètres de mon visage. Quand il cherche x, il génère cette image de moi assez folle, cubiste, surréelle et psychédélique avec plusieurs points de vue. La raison pour laquelle il y a plusieurs points de vue est que le réseau est conçu pour se débarrasser de l'ambiguïté d'un visage pris de tel ou tel point de vue, regardé avec tel ou tel éclairage. En faisant cette reconstruction, si vous n'utilisez pas d'image ou de statistiques directrices, vous obtenez une confusion de plusieurs points de vue car c'est ambiguë. Voici ce qu'il se passe si Alex utilise son visage comme ligne directrice durant le processus d'optimisation de la reconstruction de mon visage. Vous voyez que ce n'est pas parfait. Il y a encore beaucoup de travail pour optimiser ce processus d'optimisation. Mais vous obtenez un visage plus cohérent en utilisant mon propre visage comme guide.
You don't have to start with a blank canvas or with white noise. When you're solving for x, you can begin with an x, that is itself already some other image. That's what this little demonstration is. This is a network that is designed to categorize all sorts of different objects -- man-made structures, animals ... Here we're starting with just a picture of clouds, and as we optimize, basically, this network is figuring out what it sees in the clouds. And the more time you spend looking at this, the more things you also will see in the clouds. You could also use the face network to hallucinate into this, and you get some pretty crazy stuff.
Pas besoin de commencer avec une toile vierge ou avec du bruit blanc. Quand vous cherchez x, vous pouvez commencer avec un x qui est lui-même une autre image. C'est le cas dans cette démonstration. C'est un réseau conçu pour catégoriser toutes sortes d'objets : structures artificielles, animaux... Nous commençons avec une image de nuages et, en optimisant, ce réseau détermine ce qu'il voit dans les nuages. Et plus vous y passez de temps, plus vous verrez de choses dans les nuages. Vous pouvez utiliser le réseau entraîné aux visages pour halluciner dessus et obtenir un truc assez fou.
(Laughter)
(Rires)
Or, Mike has done some other experiments in which he takes that cloud image, hallucinates, zooms, hallucinates, zooms hallucinates, zooms. And in this way, you can get a sort of fugue state of the network, I suppose, or a sort of free association, in which the network is eating its own tail. So every image is now the basis for, "What do I think I see next? What do I think I see next? What do I think I see next?"
Sinon, Mike a fait des expériences où il prend cette image de nuage, hallucine, zoome, hallucine, zoome, hallucine, zoome. De cette façon, vous obtenez une fugue dissociative du réseau, je suppose, ou une sorte d'association libre, dans laquelle le réseau se mord la queue. Chaque image est à la base de : « Que vois-je ensuite ? Que vois-je ensuite ? Que vois-je ensuite ? »
I showed this for the first time in public to a group at a lecture in Seattle called "Higher Education" -- this was right after marijuana was legalized.
J'ai présenté cette image pour la première fois à un groupe lors d'une conférence à Seattle : « Enseignement Supérieur », juste après la légalisation de la marijuana.
(Laughter)
(Rires)
So I'd like to finish up quickly by just noting that this technology is not constrained. I've shown you purely visual examples because they're really fun to look at. It's not a purely visual technology. Our artist collaborator, Ross Goodwin, has done experiments involving a camera that takes a picture, and then a computer in his backpack writes a poem using neural networks, based on the contents of the image. And that poetry neural network has been trained on a large corpus of 20th-century poetry. And the poetry is, you know, I think, kind of not bad, actually.
J'aimerais finir en faisant remarquer que cette technologie n'est pas limitée. Je vous ai montré des exemples purement visuels car ils sont amusants à voir. Cette technologie n'est pas purement visuelle. Notre collaborateur artistique, Ross Goodwin, a fait des expériences incluant un appareil photo prenant une photo, puis un ordinateur dans son sac à dos écrit un poème grâce aux réseaux de neurones, en se basant sur le contenu de l'image. Ce réseau neuronal poétique a été entraîné sur un large corpus de poésie du 20ème siècle. Et la poésie est, je crois, pas trop mauvaise. (Rires)
(Laughter)
In closing, I think that per Michelangelo, I think he was right; perception and creativity are very intimately connected. What we've just seen are neural networks that are entirely trained to discriminate, or to recognize different things in the world, able to be run in reverse, to generate. One of the things that suggests to me is not only that Michelangelo really did see the sculpture in the blocks of stone, but that any creature, any being, any alien that is able to do perceptual acts of that sort is also able to create because it's exactly the same machinery that's used in both cases.
Pour finir, je pense que Michel-Ange avait raison : la perception et la créativité sont intimement liées. Nous avons vu des réseaux neuronaux entraînés à discriminer ou à reconnaître différentes choses du monde et capable de fonctionner à l'envers, de générer. Une des choses qui me laissent penser que Michel-Ange n'a pas seulement vu la sculpture dans le bloc de pierre mais aussi que toute créature, tout être, tout extraterreste qui est capable de faire de telles actions perceptives est aussi capable de créer puisque c'est le même mécanisme qui est utilisé dans les deux cas.
Also, I think that perception and creativity are by no means uniquely human. We start to have computer models that can do exactly these sorts of things. And that ought to be unsurprising; the brain is computational.
Je pense aussi que la perception et la créativité ne sont aucunement propres à l'humain. Des modèles informatiques capables de ces mêmes choses apparaissent. Et cela ne sera pas une surprise : le cerveau est un modèle informatique.
And finally, computing began as an exercise in designing intelligent machinery. It was very much modeled after the idea of how could we make machines intelligent. And we finally are starting to fulfill now some of the promises of those early pioneers, of Turing and von Neumann and McCulloch and Pitts. And I think that computing is not just about accounting or playing Candy Crush or something. From the beginning, we modeled them after our minds. And they give us both the ability to understand our own minds better and to extend them.
Et finalement, l'informatique a commencé comme un exercice pour créer une machine intelligente. Elle a été modélisée selon l'idée que nous pouvions rendre des machines intelligentes. Aujourd'hui, nous commençons enfin à accomplir certaines des promesses de ces pionniers : de Turing à von Neumann et McCulloch et Pitts. Et je crois que l'informatique n'est pas simplement compter ou jouer à Candy Crush et autres. Dès le début, nous l'avons modélisée selon nos cerveaux. Et elle nous donne la capacité de mieux comprendre nos cerveaux et de les étendre.
Thank you very much.
Merci beaucoup.
(Applause)
(Applaudissements)