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.
Я керую групою в Ґуґлі, яка працює над машинним інтелектом; іншими словами, над дисципліною, що робить комп'ютери і пристрої здатними робити деякі речі, які робить мозок. Тому ми цікавимось реальним мозком і неврологією також, і зокрема речами, які робить наш мозок, які досі перевершують продуктивність комп'ютера.
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.
Історично, одна з таких галузей - це сприйняття, процес, який дає змогу перетворити речі з реального світу -- звуки й зображення -- у концепції в свідомості. Це важливо для нашого власного мозку і це також дуже корисно для комп'ютера. Алгоритми машинного сприйняття, наприклад, ті, які створює наша група, -- це те, що уможливлює пошук ваших світлин на Google Photos за змістом світлин. Інший бік сприйняття -- це творча здатність: перетворення концепції у щось реальне. Отже, протягом останнього року, наша робота над машинним сприйняттям також несподівано пов'язалася зі світом машинної творчої здібності і машинного мистецтва.
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.
Я гадаю, Мікеланджело проник у сутність взаємовідносин між сприйняттям і творчою здібністю. Ось його відома цитата: "У кожному куску каменя схована скульптура, і завдання скульптора -- її відкрити". Отже, я гадаю, Мікеланджело мав на увазі, що творчість здійснюється через сприйняття, і що сприйняття само по собі -- це акт уяви, що є сутністю творчості.
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.
Орган, який думає, сприймає і уявляє, це, звичайно, мозок. І я би хотів почати з короткої історії того, що ми знаємо про мозок. Тому що на відміну від, скажімо, серця чи кишечника, дуже мало можна сказати про мозок просто дивлячись на нього, принаймні неозброєним оком. Ранні анатомісти, які дивилися на мозок, давали його поверхневим структурам різні примхливі імена, як-от "гіпокамп", що означає "маленька креветка". Але, звичайно, ці імена нам дуже мало говорять про те, що відбувається всередині.
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.
Першою людиною, яка, на мою думку, справді зазирнула у суть того, що відбувається в мозку був великий іспанський нейроанатом Сантьяґо Рамон-і-Кахаль у 19-му сторіччі, який використовував мікроскопію і спеціальні забарвники, що могли вибірково заповнювати чи надавати дуже високого контрасту індивідуальним клітинам в мозку, щоб зрозуміти їхню морфологію. Ось які він зробив малюнки нейронів у 19-му сторіччі.
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.
Це зроблено з мозку пташки. І ви бачите величезне розмаїття різних видів клітин, навіть сама клітинна теорія була ще дуже новою. І ці структури, ці клітини, що мають ці розгалуження, ці гілки, що можуть іти дуже, дуже далеко -- це було дуже новим у той час. Вони, звичайно, нагадують дроти. Це, можливо, було очевидним для декого у 19-му сторіччі; революція поширення дротів і електрики якраз починалася. Але у багатьох змістах, ці мікроанатомічні малюнки Рамона-і-Кахаля, як оцей, досі неперевершені у багатьох речах.
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.
Досі, більш як сторіччя пізніше, ми намагаємося завершити роботу, яку почав Рамон-і-Кахаль. Це - необроблені дані наших колег з Неврологічного інституту імені Макса Планка. Наші колеги створили зображення малих шматочків мозкової тканини. Весь зразок тут завбільшки в один кубічний міліметр, і я показую вам тут його дуже, дуже малу частину. Ця риска зліва - один мікрон. Структури, які ви бачите -- це мітохондрії завбільшки з бактерію. І це -- послідовні перерізи цього малесенького шматочка тканини. Лише для порівняння, діаметр середньої волосини -- приблизно 100 мікронів. Отже, ми дивимось на щось набагато менше ніж переріз однієї волосини.
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.
І з такого ряду електронно- мікроскопічних перерізів можна почати відтворювати трьохмірні зображення нейронів, як оці. Ці зображення дуже подібні до зображень Рамона-і-Кахаля. Лише кілька нейронів показано, тому що інкаше ми би не змогли побачити нічого. Було б перенасичення деталями структури і зв'язків між нейронами.
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.
Отже, Рамон-і-Кахаль дещо випереджав свій час, і прогрес розуміння мозку просувався повільно у наступні десятиліття. Але ми знали, що нейрони використовують електрику, і до Другої світової наша технологія просунулася достатньо, щоб робити електричні експерименти над живими нейронами для кращого розуміння, як вони працюють. Це був той самий час, коли було винайдено комп'ютери, здебільшого, на основі ідеї моделювання мозку -- "інтелектуальної техніки", як назвав її Алан Тюринґ, один із засновників комп'ютерної науки.
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.
Воррен МакКалок і Волтер Пітс подивилися на зроблений Рамоном-і-Кахалєм малюнок зорової кори, показаний тут. Це кора, що обробляє зображення, які надходять від очей. І для них він виглядав як електрична схема. В електричній схемі МакКалока і Пітса багато деталей, що не є цілком правильними. Але основна ідея що зорова кора працює як ряд обчислювальних елементів, які передають інформацію один до одного каскадом, є, в принципі, правильною.
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.
Давайте трохи поговоримо про те, що повинна робити модель для обробки візуальної інформації. Головна задача сприйняття -- це взяти зображення, як оце, і сказати: "Це птах", що є дуже просто для нас з нашим мозком. Але всім варто розуміти, що для комп'ютера це було практично неможливо лише кілька років тому. В класичній обчислювальній парадигмі це завдання нелегко виконати.
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.
Отже, що відбувається між пікселями, між зображенням птаха, і словом "птах" -- це, по суті, ряд нейронів пов'язаних один з одним у нейронну мережу, як на цій діаграмі. Ця нейронна мережа може бути біологічною всередині зорової кори, або ж сьогодні ми отримуємо здатність моделювати ці нейронні мережі на комп'ютері. І я зараз покажу, як це насправді виглядає.
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."
Отже, можна вважати пікселі першим шаром нейронів, як це фактично і є в оці -- це нейрони сітківки. Вони передають інформацію від шару до шару і до іншого шару нейронів, які усі пов'язані синапсами різної ваги. Поведінка цієї мережі характеризується силою усіх цих синапсів. Вони характеризують обчислювальні властивості мережі. Наприкінці, у вас є нейрон або мала група нейронів, що висвітлюється словом "птах".
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.
Тепер я представлю ці три речі -- пікселі на вході, синапси в нейронній мережі, і птаха, що на виході, трьома змінними: x, w і y. Існують, напевно, мільйони x-ів -- у цьому зображенні мільйон пікселів. Є мільярди чи трильйони w, що представляють вагу усіх синапсів в нейронній мережі. І є мала кількість y, виходів, що має мережа. "Птах" має лише чотири літери. Отже, уявімо просту формулу, X "x" W = Y. Я взяв "помножити" в лапки, тому що те, що тут відбувається, звичайно, є дуже складним рядом математичних операцій.
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.
Це одне рівняння. Є три змінні. Ми знаємо, що коли ми маємо одне рівняння, можна знайти одну змінну, якщо знати дві інші. Отже, проблема висновку, тобто, з'ясування, що зображення птаха - це птах, полягає ось у чому: y є невідомим, тоді як w і x відомі. Нейронна мережа і пікселі є відомими. Як бачите, проблема відносно проста. Ви помножуєте два на три -- і готово. Я покажу вам штучну нейронну мережу, яку ми нещодавно створили якраз у такий спосіб.
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?
Це працює в реальному часі на мобільному телефоні, і це неймовірно само по собі, що мобільні телефони можуть здійснювати мільярди і трильйони операцій за секунду. Ви бачите телефон, який дивиться на одне зображення птаха за іншим і не лише говорить: "Так, це птах," а й визначає вид птаха за допомогою цієї мережі. Отже, в цьому зображенні x і w відомі, а y - невідома. Звичайно, я пропускаю дуже складну частину: яким чином ми визначаємо w, тобто мозок, що це робить. Як можна навчитися такій моделі?
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.
Цей процес навчання, тобто розв'язку по w, якщо робити це з простим рівнянням, в якому ми вважаємо ці змінні числами, ми точно знаємо, як це зробити: 6 = 2 x w, отже ми ділимо на два -- і все. Проблема -- з цим оператором. Отже, ділення -- ми використали ділення, бо ділення є зворотнім до множення, але, як я щойно сказав, "множення" тут трохи брехлива назва. Це дуже, дуже складна нелінійна операція; у неї нема зворотньої операції. Отже, нам треба з'ясувати, як розв'язати це рівняння без оператора ділення. І це можна зробити досить просто. Можна сказати: "давайте зробимо алгебраїчний фокус і перенесемо шість у правий бік рівняння". Ми все ще використовуємо множення. А цей нуль -- вважаймо його помилкою. Іншими словами, якщо ми знайдемо w правильно, помилка буде нульовою. А якщо не зовсім правильно, помилка буде ненульовою.
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.
Отже тепер ми можемо просто вгадувати, намагаючись зменшити помилку, і комп'ютери роблять це чудово. Ви робите початкову спробу: що як w = 0? Тоді помилка - 6. Що як w = 1? Тоді помилка - 4. Тоді комп'ютер грає в Марко Поло, наближуючи помилку до нуля. Роблячи це, комп'ютер послідовно наближається до w. Зазвичай, він ніколи не доходить до нього, але після десятка спроб, ми отримуємо w = 2,999, що достатньо близько. Це і є процесом навчання.
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.
Отже, запам'ятайте, що ми тут робили. Ми брали багато відомих x і відомих y і розв'язували рівняння по w за допомогою ітерацій. Точно так само ми самі навчаємося. В дитинстві ми переглядаємо багато картинок, і нам говорять: "Це - птах; це - не птах". З часом, через ітерації, ми розв'язуємо w, ми отримуємо ці нейронні зв'язки.
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.
Отже, тепер ми маємо відомі x і w, щоб розв'язати y; це -- щоденне, швидке сприйняття. Ми знаємо, як визначити w, тобто навчання, що є набагато складніше, оскільки ми повинні зменшувати помилку багатьма навчальними прикладами.
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.
Приблизно рік тому Алекс Мордвінцев з нашої групи вирішив подивитися, що станеться, якщо спробувати розв'язати по x, знаючи w і y. Іншими словами, ви знаєте, що таке птах, і у вас уже є нейронна мережа, натренована на птахів, але що є зображенням птаха? Виявляється, за допомогою цієї процедури зменшення помилки можна це зробити з мережею, натренованою на розпізнавання птахів, і результатом буде... зображення птахів. Отже, це -- зображення птахів, цілком створене нейронною мережею, натренованою на розпізнавання птахів, просто розв'язанням рівняння по x замість розв'язання по y, за допомогою ітерацій.
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.
Ось ще один приклад. Це робота Майка Тайки з нашої групи, яку він називає "парадом тварин". Це трохи нагадує мені мистецтво Вільяма Кентріджа, де він робить нариси, витирає їх, робить нариси, витирає їх, і таким чином створює фільм. У цьому випадку Майк змінює значення y у просторі різних тварин у мережі, натренованій впізнавати і відрізняти різних тварин одна від одної. Виходить таке дивовижне перетворення однієї тварини в іншу, в стилі Ешера.
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.
Тут він і Алекс разом спробували обмежити y до лише двохмірного простору, таким чином створивши карту простору всіх речей, які може розпізнавати мережа. За допомогою такого синтезу або створення зображень на всій площині, змінюючи y по площині, створюється своєрідна карта -- візуальна карта усіх речей, які може розпізнавати мережа. Тут є всі тварини; ось тут -- броненосець.
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.
Це можна зробити з іншими типами мереж також. Ось мережа, натренована розпізнавати обличчя, розрізняти одне обличчя від іншого. А тут, ми задаємо y значення "я", параметри мого власного обличчя. І коли мережа розв'язує x, створюється трохи божевільне, кубічне, сюрреалістичне, психоделічне зображення мене з багатьох точок зору відразу. З багатьох точок зору відразу, тому що ця мережа натренована уникати неоднозначності, коли обличчя є в одному чи іншому ракурсі, в одному чи іншому освітленні. Коли ви робите таку реконструкцію, якщо не мати якогось орієнтовного зображення або статистики, то ви отримаєте суміш різних точок зору, через невизначеність. Ось що відбувається, коли Алекс використовує власне обличчя як орієнтир під час процесу оптимізації для відтворення мого обличчя. Ви бачите, процес недосконалий. Ще є багато роботи з оптимізації цього процесу оптимізації. Але ми починаємо отримувати щось подібне на чітке обличчя, створене з мого обличчя в якості орієнтира.
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.
Не обов'язково починати з чистого полотна чи з білого шуму. Коли ви розв'язуєте по x, можна починати з x, що вже має якесь зображення. Це і робиться в наступній демонстрації. Це мережа, що класифікує усілякі предмети -- споруди, тварин ... Тут ми починаємо з зображення хмар, і в міру оптимізації, по суті, мережа, з'ясовує, що вона бачить у цих хмарах. Що більше часу дивитись на це, то більше речей ви помічаєте в цих хмарах. Можна також використовувати мережу для обличь для цих галюцинацій, виходять досить навіжені речі.
(Laughter)
(Сміх)
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?"
Або ж Майк робив інші експерименти, в яких він брав це зображення хмар, галюцинував, збільшував, галюцинував, збільшував. І таким чином виходить мережева маячня, я б сказав, або такі собі вільні асоціації, в яких мережа доганяє власний хвіст. Кожне зображення є основою для "Що ж я бачу тепер?" "Що ж я бачу тепер?" "Що ж я бачу тепер?"
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.
Вперше публічно я це показав групі на лекції в Сіетлі під назвою "Вища освіта" -- це було якраз після легалізації маріхуани.
(Laughter)
(Сміх)
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.
Хочу швидко закінчити зауваженням, що ця технологія необмежена. Я показав вам чисто візуальні приклади, тому що на них цікаво дивитися. Це не лише візуальна технологія. Наш колега-художник, Рос Ґудвін, експериментував із камерою, що знімала зображення, а потім комп'ютер в його рюкзаку писав вірш за допомогою нейронних мереж, на основі змісту зображень. І ця поетична нейронна мережа була натренована на величезній базі поезії 20-го сторіччя. І поезія, знаєте, гадаю, вийшла непогана.
(Laughter)
(Сміх)
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.
І на закінчення. Думаю, Мікеланджело мав рацію; сприйняття і творчість дуже тісно пов'язані. Ми щойно бачили, як нейронні мережі, натреновані відрізняти або впізнавати різні речі, можуть працювати в зворотньому напрямку і творити. Мені видається, що не лише Мікеланджело справді бачив скульптуру в уламку каменя, але що будь-яка істота, будь-який інопланетянин, здатний до сприйняття, також здатний до творчості, тому що в обидвох випадках використовується один механізм.
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.
Я також думаю, що сприйняття і творча здатність не є лише людськими якостями. У нас з'являються комп'ютерні моделі, які роблять якраз ці речі. І це не має бути несподіваним; мозок є обчислювальним органом.
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.
І, нарешті, машинне обчислення почалося як спроба створити розумні машини. Воно було здебільшого побудоване на ідеї як зробити машини розумними. І ми нарешті зараз починаємо виконувати деякі обіцянки ранніх застрільників, Тюринґа і фон Неймана, МакКалока й Піттса. Я думаю, машинне обчислення -- це не лише бухгалтерія чи гра у Кенді Краш. Від початку комп'ютери моделювалися за нашим розумом. І вони дають нам змогу краще зрозуміти можливості нашого розуму і розширити їх одночасно.
Thank you very much.
Щиро дякую.
(Applause)
(Оплески)