Στη δουλειά μου βοηθάω τους υπολογιστές να επικοινωνήσουν για τον κόσμο γύρω μας. Υπάρχουν πολλοί τρόποι να γίνει αυτό, και εμένα μου αρέσει να βοηθάω τους υπολογιστές ώστε να μιλούν για το τι βλέπουν και καταλαβαίνουν. Αν δοθεί μια εικόνα σαν αυτή, ένας αλγόριθμος μηχανικής όρασης μπορεί να καταλάβει ότι υπάρχει μια γυναίκα και ένας σκύλος. Μπορεί να καταλάβει πως η γυναίκα χαμογελά. Ίσως να μπορεί να πει ακόμα πως ο σκύλος είναι απίστευτα χαριτωμένος. Πάνω σε αυτό εργάζομαι ενώ σκέφτομαι πώς αντιλαμβάνονται και επεξεργάζονται τον κόσμο οι άνθρωποι. Τις σκέψεις, αναμνήσεις και ιστορίες που μια εικόνα σαν κι αυτή μπορεί να φέρει στον νου. Όλες τις πιθανές διασυνδέσεις σχετικών καταστάσεων. Ίσως να έχετε ξαναδεί ένα σκύλο σαν και αυτόν ή έχετε τρέξει σε μια παρόμοια παραλία και σας προκαλεί να ανακαλέσετε σκέψεις και αναμνήσεις από τις διακοπές σας ή από τότε που πήγατε στη θάλασσα ή από εκείνη τη φορά που τρέχατε μαζί με άλλα σκυλιά. Μία από τις βασικές αρχές μου είναι πως βοηθώντας τους υπολογιστές να καταλάβουν πώς είναι να έχεις ζήσει αυτές τις εμπειρίες, να καταλάβουν τι μοιραζόμαστε, τι πιστεύουμε και αισθανόμαστε τότε θα είμαστε στη θέση να βοηθήσουμε την εξέλιξη της τεχνολογίας υπολογιστών με τρόπο που θα είναι συμπληρωματικός με τις δικές μας εμπειρίες.
I work on helping computers communicate about the world around us. There are a lot of ways to do this, and I like to focus on helping computers to talk about what they see and understand. Given a scene like this, a modern computer-vision algorithm can tell you that there's a woman and there's a dog. It can tell you that the woman is smiling. It might even be able to tell you that the dog is incredibly cute. I work on this problem thinking about how humans understand and process the world. The thoughts, memories and stories that a scene like this might evoke for humans. All the interconnections of related situations. Maybe you've seen a dog like this one before, or you've spent time running on a beach like this one, and that further evokes thoughts and memories of a past vacation, past times to the beach, times spent running around with other dogs. One of my guiding principles is that by helping computers to understand what it's like to have these experiences, to understand what we share and believe and feel, then we're in a great position to start evolving computer technology in a way that's complementary with our own experiences.
Θα ήθελα σας δώσω ένα πιο απτό παράδειγμα, πριν μερικά χρόνια βοηθούσα υπολογιστές στο να δημιουργήσουν ανθρώπινες ιστορίες από μια ακολουθία εικόνων. Μία μέρα λοιπόν ρώτησα τον υπολογιστή μου τι γνώμη έχει για ένα ταξίδι στην Αυστραλία. Κοίταξε τις φωτογραφίες και είδε ένα κοάλα. Δεν ήξερε τι είναι, αλλά είπε πως ήταν ένα πλάσμα με ενδιαφέρουσα εμφάνιση. Μετά του έδειξα μια ακολουθία εικόνων ενός σπιτιού που καιγόταν. Τις κοίταξε και είπε, «Η θέα είναι καταπληκτική! Είναι πολύ εντυπωσιακό!» Με έκανε να ανατριχιάσω. Είδε ένα φρικτό θέαμα, που κατέστρεψε τη ζωή ενός ανθρώπου και νόμιζε πως ήταν κάτι θετικό. Συνειδητοποίησα πως αναγνώρισε την αντίθεση των χρωμάτων το κόκκινο, το κίτρινο και νόμιζε πως ήταν κάτι θετικό. Αυτό το έκανε γιατί οι εικόνες που του είχα δώσει ήταν όλες θετικές. Και αυτό γιατί οι άνθρωποι επιλέγουν να μοιράζονται τις καλές εικόνες τους όταν μιλούν για τις εμπειρίες τους. Ποια ήταν η τελευταία φορά που είδατε σέλφι σε κηδεία;
So, digging more deeply into this, a few years ago I began working on helping computers to generate human-like stories from sequences of images. So, one day, I was working with my computer to ask it what it thought about a trip to Australia. It took a look at the pictures, and it saw a koala. It didn't know what the koala was, but it said it thought it was an interesting-looking creature. Then I shared with it a sequence of images about a house burning down. It took a look at the images and it said, "This is an amazing view! This is spectacular!" It sent chills down my spine. It saw a horrible, life-changing and life-destroying event and thought it was something positive. I realized that it recognized the contrast, the reds, the yellows, and thought it was something worth remarking on positively. And part of why it was doing this was because most of the images I had given it were positive images. That's because people tend to share positive images when they talk about their experiences. When was the last time you saw a selfie at a funeral?
Συνειδητοποίησα πως όσο δούλευα στη βελτίωση του αλγορίθμου, με κάθε καινούρια προσπάθεια και με κάθε σετ δεδομένων δημιουργούσα τεράστια κενά, τρύπες και τυφλά σημεία στην κατανόησή του. Και με αυτό τον τρόπο πρόσθετα στον κώδικα ένα σωρό προκαταλήψεις. Προκαταλήψεις που αντικατοπτρίζουν μια περιορισμένη οπτική, περιορισμένη σε ένα μόνο σετ δεδομένων -- προκαταλήψεις που αντανακλούν ανθρώπινες προδιαθέσεις που βρέθηκαν στα δεδομένα όπως η προώθηση στερεοτύπων. Προσπάθησα να σκεφτώ την εξέλιξη της τεχνολογίας που με οδήγησε σε αυτό το σημείο εκείνη τη μέρα -- πώς οι πρώτες εικόνες με χρώμα είχαν ρυθμιστεί πάνω στο δέρμα μιας άσπρης γυναίκας που σημαίνει ότι οι έγχρωμες φωτογραφίες μεροληπτούσαν ενάντια σε μαύρα πρόσωπα. Η ίδια προκατάληψη, το ίδιο τυφλό σημείο συνέχισε και τη δεκαετία του '90. Και συνεχίζει ακόμα και σήμερα στο πώς αναγνωρίζουμε τα πρόσωπα διαφορετικών ανθρώπων στην τεχνολογία αναγνώρισης προσώπου. Σκέφτηκα τη σύγχρονη τεχνολογία στην έρευνα που περιορίζουμε τη σκέψη μας σε ένα σετ δεδομένων και ένα μόνο πρόβλημα. Δημιουργώντας έτσι ακόμα περισσότερα τυφλά σημεία και προκαταλήψεις που η τεχνητή νοημοσύνη θα ενισχύσει περισσότερο.
I realized that, as I worked on improving AI task by task, dataset by dataset, that I was creating massive gaps, holes and blind spots in what it could understand. And while doing so, I was encoding all kinds of biases. Biases that reflect a limited viewpoint, limited to a single dataset -- biases that can reflect human biases found in the data, such as prejudice and stereotyping. I thought back to the evolution of the technology that brought me to where I was that day -- how the first color images were calibrated against a white woman's skin, meaning that color photography was biased against black faces. And that same bias, that same blind spot continued well into the '90s. And the same blind spot continues even today in how well we can recognize different people's faces in facial recognition technology. I though about the state of the art in research today, where we tend to limit our thinking to one dataset and one problem. And that in doing so, we were creating more blind spots and biases that the AI could further amplify.
Κατάλαβα πως πρέπει να σκεφτούμε βαθύτερα το πώς η τεχνολογία που αναπτύσσουμε σήμερα θα μοιάζει σε πέντε ή 10 χρόνια. Οι άνθρωποι εξελίσσονται αργά, με αρκετό χρόνο για να διορθωθούν τυχών προβλήματα στην αλληλεπίδρασή τους με το περιβάλλον. Αντίθετα, η τεχνητή νοημοσύνη αναπτύσσεται με πολύ γρήγορους ρυθμούς. Πράγμα που σημαίνει ότι έχει σημασία να το σκεφτούμε προσεκτικά τώρα -- να βρούμε τα δικά μας τυφλά σημεία τις δικές μας προκαταλήψεις, να σκεφτούμε τι πληροφορίες δίνουν αυτά στην τεχνολογία που δημιουργούμε και να συζητήσουμε τι θα σημαίνει στο μέλλον η τεχνολογία του σήμερα.
I realized then that we had to think deeply about how the technology we work on today looks in five years, in 10 years. Humans evolve slowly, with time to correct for issues in the interaction of humans and their environment. In contrast, artificial intelligence is evolving at an incredibly fast rate. And that means that it really matters that we think about this carefully right now -- that we reflect on our own blind spots, our own biases, and think about how that's informing the technology we're creating and discuss what the technology of today will mean for tomorrow.
Οι γενικοί διευθυντές και οι επιστήμονες έχουν πει τη γνώμη τους για το πώς θα είναι η τεχνητή νοημοσύνη του μέλλοντος. Ο Στίβεν Χόκινγκ προειδοποιεί πως «Η τεχνητή νοημοσύνη μπορεί να είναι το τέλος της ανθρωπότητας». O Έλον Μασκ προειδοποιεί πως είναι ένα υπαρξιακό ρίσκο και ένα από τα μεγαλύτερα ρίσκα που αντιμετωπίζουμε ως πολιτισμός. Ο Μπιλ Γκέιτς σχολίασε; «Δεν καταλαβαίνω γιατί ο κόσμος δεν είναι περισσότερο ανήσυχος». Αυτές οι απόψεις όμως -- είναι ένα μέρος του θέματος. Τα μαθηματικά, τα μοντέλα, τα βασικά δομικά στοιχεία της τεχνητής νοημοσύνης είναι πράγματα στα οποία έχουμε όλοι πρόσβαση. Υπάρχουν εργαλεία ανοικτού κώδικα για τη μηχανική μάθηση στα οποία μπορούμε να συνεισφέρουμε. Και πέρα από αυτό, μπορούμε να μοιραστούμε τις εμπειρίες μας. Να τις μοιραστούμε με την τεχνολογία, για τους λόγους που μας ανησυχεί αλλά και μας ενθουσιάζει. Μπορούμε να μιλήσουμε για το τι αγαπάμε. Να επικοινωνήσουμε με προνοητικότητα για τις πλευρές τις τεχνολογίας που μπορεί να είναι πιο επωφελείς ή και προβληματικές στο πέρασμα του χρόνου.
CEOs and scientists have weighed in on what they think the artificial intelligence technology of the future will be. Stephen Hawking warns that "Artificial intelligence could end mankind." Elon Musk warns that it's an existential risk and one of the greatest risks that we face as a civilization. Bill Gates has made the point, "I don't understand why people aren't more concerned." But these views -- they're part of the story. The math, the models, the basic building blocks of artificial intelligence are something that we call access and all work with. We have open-source tools for machine learning and intelligence that we can contribute to. And beyond that, we can share our experience. We can share our experiences with technology and how it concerns us and how it excites us. We can discuss what we love. We can communicate with foresight about the aspects of technology that could be more beneficial or could be more problematic over time.
Αν επικεντρωθούμε στο να αρχίσουμε τη συζήτηση για την τεχνητή νοημοσύνη με προοπτική προς το μέλλον θα βοηθήσει στη δημιουργία μιας γενικότερης συζήτησης και επίγνωσης για το τι είναι η τεχνητή νοημοσύνη τώρα, τι μπορεί να γίνει και τι χρειάζεται να κάνουμε προκειμένου να επιτευχθεί το αποτέλεσμα που προτιμούμε. Ήδη το βλέπουμε στη σημερινή τεχνολογία. Χρησιμοποιούμε έξυπνα κινητά και ψηφιακούς βοηθούς. Είναι κακόβουλα; Ίσως κάποιες φορές. Είναι ωφέλιμα; Ναι είναι. Δεν είναι όλα το ίδιο. Και εκεί βλέπουμε πώς θα μπορούσε να είναι το μέλλον. Το μέλλον βασίζεται πάνω σε ό,τι δημιουργούμε τώρα. Δημιουργούμε αλυσιδωτές αντιδράσεις που θα χαράξουν την πορεία της τεχνητής νοημοσύνης.
If we all focus on opening up the discussion on AI with foresight towards the future, this will help create a general conversation and awareness about what AI is now, what it can become and all the things that we need to do in order to enable that outcome that best suits us. We already see and know this in the technology that we use today. We use smart phones and digital assistants and Roombas. Are they evil? Maybe sometimes. Are they beneficial? Yes, they're that, too. And they're not all the same. And there you already see a light shining on what the future holds. The future continues on from what we build and create right now. We set into motion that domino effect that carves out AI's evolutionary path.
Δίνουμε μορφή στην τεχνητή νοημοσύνη του αύριο. Τεχνολογία που μας εισάγει σε επαυξημένες πραγματικότητες φέρνοντας στη ζωή προηγούμενους κόσμους. Τεχνολογία που βοηθά τον κόσμο να μοιραστεί της εμπειρίες του όταν αντιμετωπίζουν δυσκολίες στην επικοινωνία. Τεχνολογία βασισμένη στην κατανόηση της μετάδοσης οπτικών κόσμων για την ανάπτυξη αυτο-οδηγούμενων αυτοκινήτων. Τεχνολογία βασισμένη στην κατανόηση εικόνων και παραγωγής λόγου που θα αναπτυχθεί για να βοηθήσει τους ανθρώπους με προβλήματα όρασης να έχουν καλύτερη πρόσβαση στον οπτικό κόσμο. Επίσης βλέπουμε πώς η τεχνολογία μπορεί να οδηγήσει σε προβλήματα. Υπάρχουν λογισμικά σήμερα που αναλύουν σωματικά χαρακτηριστικά τα οποία έχουμε από γεννησιμιού μας όπως το χρώμα του δέρματος ή το βλέμμα του προσώπου μας -- προκειμένου να προσδιορίσουν αν είμαστε εγκληματίες ή τρομοκράτες. Άλλα λογισμικά τα οποία αναλύουν τα στοιχεία μας ή δεδομένα σε σχέση με το φύλο ή τη φυλή που ανήκουμε ώστε να προσδιορίσουν αν θα μας δοθεί ή όχι ένα δάνειο. Αυτό που βλέπουμε τώρα είναι απλά ένα στιγμιότυπο της εξέλιξης της τεχνητής νοημοσύνης. Διότι το σημείο που βρισκόμαστε τώρα είναι μία στιγμή αυτής της εξέλιξης. Που σημαίνει πως ότι κάνουμε σήμερα θα επηρεάσει τη ροή των πραγμάτων και το μέλλον.
In our time right now, we shape the AI of tomorrow. Technology that immerses us in augmented realities bringing to life past worlds. Technology that helps people to share their experiences when they have difficulty communicating. Technology built on understanding the streaming visual worlds used as technology for self-driving cars. Technology built on understanding images and generating language, evolving into technology that helps people who are visually impaired be better able to access the visual world. And we also see how technology can lead to problems. We have technology today that analyzes physical characteristics we're born with -- such as the color of our skin or the look of our face -- in order to determine whether or not we might be criminals or terrorists. We have technology that crunches through our data, even data relating to our gender or our race, in order to determine whether or not we might get a loan. All that we see now is a snapshot in the evolution of artificial intelligence. Because where we are right now, is within a moment of that evolution. That means that what we do now will affect what happens down the line and in the future.
Αν θέλουμε η τεχνητή νοημοσύνη να εξελιχθεί με τρόπο που βοηθάει τους ανθρώπους τότε πρέπει να προσδιορίσουμε τη στρατηγική και τους τρόπους που θα επιτρέψουν αυτή τη δυνατότητα. Αυτό που θα ήθελα να δω είναι κάτι που θα ταιριάζει με μας, την κουλτούρα μας αλλά και το περιβάλλον. Τεχνολογία που θα παρέχει βοήθεια σε όσους έχουν νευρολογικές παθήσεις ή άλλες αναπηρίες έτσι ώστε η ζωή να γίνει εξίσου εύκολη για όλους. Τεχνολογία που δουλεύει σωστά ανεξάρτητα από τα δημογραφικά στοιχεία ή το χρώμα του δέρματος. Γι' αυτό σήμερα εστιάζω στην τεχνολογία του αύριο και 10 χρόνια από τώρα.
If we want AI to evolve in a way that helps humans, then we need to define the goals and strategies that enable that path now. What I'd like to see is something that fits well with humans, with our culture and with the environment. Technology that aids and assists those of us with neurological conditions or other disabilities in order to make life equally challenging for everyone. Technology that works regardless of your demographics or the color of your skin. And so today, what I focus on is the technology for tomorrow and for 10 years from now.
Η πιθανές αποφάνσεις της τεχνητής νοημοσύνης είναι πολλές. Σε αυτή την περίπτωση όμως, δεν είναι ένα αυτο-οδηγούμενο αυτοκίνητο χωρίς προορισμό. Αυτό το αυτοκίνητο το οδηγούμε εμείς. Εμείς επιλέγουμε πότε θα επιταχύνουμε ή θα επιβραδύνουμε. Πότε θα κάνουμε στροφή. Εμείς επιλέγουμε πώς θα είναι η τεχνητή νοημοσύνη του μέλλοντος. Το εύρος δυνατοτήτων των πιθανών εξελίξεων της τεχνητής νοημοσύνης είναι τεράστιο. Πολλές από αυτές θα πραγματοποιηθούν. Έχουμε όμως την ευθύνη τώρα να αποφασίσουμε τι χρειάζεται να κάνουμε για να εξασφαλίσουμε ότι το αποτέλεσμα της τεχνητής νοημοσύνης θα είναι το καλύτερο για όλους μας.
AI can turn out in many different ways. But in this case, it isn't a self-driving car without any destination. This is the car that we are driving. We choose when to speed up and when to slow down. We choose if we need to make a turn. We choose what the AI of the future will be. There's a vast playing field of all the things that artificial intelligence can become. It will become many things. And it's up to us now, in order to figure out what we need to put in place to make sure the outcomes of artificial intelligence are the ones that will be better for all of us.
Ευχαριστώ.
Thank you.
(Χειροκρότημα)
(Applause)