1
00:00:03,616 --> 00:00:05,544
Dopustite da vam pokažem nešto

2
00:00:06,104 --> 00:00:09,530
[Video] Djevojka: Dobro, to je mačka 
koja sjedi na krevetu.

3
00:00:10,260 --> 00:00:12,140
Dječak mazi slona.

4
00:00:14,300 --> 00:00:17,424
Ovo su ljudi
koji idu u avion.

5
00:00:18,654 --> 00:00:20,134
To je veliki avion.

6
00:00:21,244 --> 00:00:23,670
Fei-Fei Li: Ovo je 
trogodišnje dijete

7
00:00:23,670 --> 00:00:27,349
koje opisuje što vidi
na ovim slikama.

8
00:00:27,349 --> 00:00:30,194
Iako ima još dosta toga 
što mora naučiti o svijetu

9
00:00:30,194 --> 00:00:34,743
već je ekspert 
u nečemu važnom:

10
00:00:34,743 --> 00:00:36,999
razumije što vidi.

11
00:00:38,229 --> 00:00:42,455
Naše društvo je tehnološki
naprednije no ikada.

12
00:00:42,455 --> 00:00:46,084
Šaljemo ljude na mjesec,
izrađujemo telefone koji pričaju s nama

13
00:00:46,084 --> 00:00:51,030
i prilagođene radio stanice
koje puštaju samo glazbu koju volimo.

14
00:00:51,030 --> 00:00:55,085
Ipak, naši najnapredniji
uređaj i računala

15
00:00:55,085 --> 00:00:57,988
imaju poteškoća s ovim zadatkom.

16
00:00:57,988 --> 00:01:01,447
Ovdje sam danas
kako bi vas izvijestila

17
00:01:01,447 --> 00:01:05,494
o najnovijim dostignućima
u istraživanju računalnog vida,

18
00:01:05,494 --> 00:01:09,655
jednoj od glavnih
i potencijalno revolucionarnih

19
00:01:09,655 --> 00:01:11,491
tehnologija računarstva.

20
00:01:12,861 --> 00:01:17,412
Imamo prototipe auta
koji se sami voze,

21
00:01:17,412 --> 00:01:21,265
ali bez pametnog vida,
ne mogu zapravo vidjeti razliku

22
00:01:21,265 --> 00:01:25,235
između zgužvane papirnate vrećice
na putu, koju mogu pregaziti,

23
00:01:25,235 --> 00:01:28,575
i kamena te veličine
koji treba izbjeći.

24
00:01:29,415 --> 00:01:32,805
imamo odlične megapikselne kamere,

25
00:01:32,805 --> 00:01:35,670
ali nismo dali
vid slijepima.

26
00:01:36,420 --> 00:01:39,725
Dronovi mogu letjeti vrlo daleko

27
00:01:39,725 --> 00:01:41,859
ali nemaju dovoljno tehnologije vida

28
00:01:41,859 --> 00:01:45,320
da nam pomognu pratiti
promjene u kišnim šumama

29
00:01:45,320 --> 00:01:48,270
Sigurnosne kamere su svugdje,

30
00:01:48,270 --> 00:01:53,117
ali ne upozoravaju nas kada se
dijete utaplja u bazenu.

31
00:01:54,167 --> 00:01:59,762
Slike i videi postaju
integralni dio globalnog života.

32
00:01:59,762 --> 00:02:03,849
Stvaraju se brzinom koja je 
daleko veća od od one koji bi čovjek

33
00:02:03,849 --> 00:02:06,632
ili timovi ljudi željeli vidjeti,

34
00:02:06,632 --> 00:02:09,893
a vi i ja pridonosimo tome
ovdje na TED-u.

35
00:02:10,553 --> 00:02:15,785
Ipak naš najnapredniji softver
se i dalje muči oko razumjevanja

36
00:02:15,785 --> 00:02:18,821
i upravljanja tog ogromnog sadržaja.

37
00:02:19,661 --> 00:02:23,483
Drugim riječima, 
zajedno kao društvo,

38
00:02:24,603 --> 00:02:26,459
poprilično smo slijepi,

39
00:02:26,459 --> 00:02:29,626
jer su naši najpametniji
uređaji i dalje slijepi.

40
00:02:31,526 --> 00:02:33,572
"Zašto je to tako teško?",
možda se pitate.

41
00:02:34,452 --> 00:02:36,815
Kamere mogu fotografirati slike poput ove

42
00:02:36,815 --> 00:02:40,839
pretvarajući svjetlost u
dvodimenzionalne redove brojeva

43
00:02:40,839 --> 00:02:42,789
poznate kao pikseli,

44
00:02:42,789 --> 00:02:45,040
ali to su samo beživotni brojevi.

45
00:02:45,040 --> 00:02:47,331
Ne nose smisao u sebi.

46
00:02:48,151 --> 00:02:51,824
Jednako kao što slušati
ne znači isto što i čuti,

47
00:02:52,494 --> 00:02:56,534
fotografirati sliku nije isto 
što i vidjeti,

48
00:02:56,534 --> 00:02:59,923
a pod vidjeti
mislimo na razumijevanje.

49
00:03:01,293 --> 00:03:07,470
Zapravo, prirodi je bilo potrebno
540 milijuna godina teškog posla

50
00:03:07,470 --> 00:03:09,443
da to uspije,

51
00:03:09,443 --> 00:03:11,324
a većina tog posla

52
00:03:11,324 --> 00:03:16,475
otišla je u razvijanje uređaja
za obradu vida u našem mozgu,

53
00:03:16,475 --> 00:03:17,882
ne u samim očima.

54
00:03:19,242 --> 00:03:21,989
Vid započinje s očima,

55
00:03:21,989 --> 00:03:24,757
ali zapravo se sve događa u mozgu.

56
00:03:26,287 --> 00:03:31,347
Već 15 godina, započevši od
mog doktorata u Caltech-u

57
00:03:31,347 --> 00:03:34,273
i zatim vodeći Stanfordov
laboratorij za vid,

58
00:03:34,273 --> 00:03:38,669
radila sam s mentorima,
suradnicima i studentima

59
00:03:38,669 --> 00:03:41,018
kako bi naučili računala da vide.

60
00:03:42,658 --> 00:03:45,952
Naše polje se zove
računarni vid i strojno učenje.

61
00:03:45,952 --> 00:03:49,280
Dio je većeg polja 
umjetne inteligencije.

62
00:03:51,000 --> 00:03:56,493
Naposljetku, želimo naučiti
uređaje da vide kao što mi vidimo:

63
00:03:56,493 --> 00:04:01,880
imenovanje objekata, prepoznavanje ljudi,
razumjevanje trodimenzionalnosti objekata,

64
00:04:01,880 --> 00:04:07,568
razumjevanje odnosa, emocija
akcija i namjera.

65
00:04:07,568 --> 00:04:13,721
Vi i ja vidimo cijele priče
ljudi, mjesta i stvari

66
00:04:13,721 --> 00:04:15,885
u trenutku kada ih pogledamo.

67
00:04:17,355 --> 00:04:22,538
Prvi korak do ovog cilja je
naučiti računala da vide objekte,

68
00:04:22,538 --> 00:04:25,906
građevne jedinice vizualnog svijeta.

69
00:04:25,906 --> 00:04:30,340
U svom najjednostavnijem obliku,
zamislite ovaj proces učenja

70
00:04:30,340 --> 00:04:33,335
kao pokazivanje računalu
raznih prizora za trening

71
00:04:33,335 --> 00:04:36,656
određenog objekta, recimo mačaka,

72
00:04:36,656 --> 00:04:41,393
i dizajniranje modela koji uči
iz ovih prikaza za .

73
00:04:41,393 --> 00:04:43,437
Koliko teško to može biti?

74
00:04:43,437 --> 00:04:47,489
Nakon svega, mačka je samo
skup oblika i boja,

75
00:04:47,489 --> 00:04:51,575
i ovo je ono što smo radili
u početcima modeliranja objekta.

76
00:04:51,575 --> 00:04:55,197
Napisali bi računalu algoritme
u matematičkom jeziku

77
00:04:55,197 --> 00:04:58,540
da mačka ima okruglo lice,
debeljuškasto tijelo,

78
00:04:58,540 --> 00:05:00,839
dva šiljata uha i dugačak rep,

79
00:05:00,839 --> 00:05:02,249
i da izgleda lijepo.

80
00:05:02,859 --> 00:05:04,972
ali što je s ovom mačkom?

81
00:05:04,972 --> 00:05:06,063
(Smijeh)

82
00:05:06,063 --> 00:05:07,689
Sva je izvijena.

83
00:05:07,689 --> 00:05:12,408
Sad morate dodati drugi oblik
i pogled modelnom objektu.

84
00:05:12,408 --> 00:05:14,123
Što ako su mačke skrivene?

85
00:05:15,143 --> 00:05:17,362
Što je sa smiješnim mačkama?

86
00:05:19,112 --> 00:05:21,529
Sad vidite što želim reći.

87
00:05:21,529 --> 00:05:24,896
Čak i nešto jednostavno
poput kućnog ljubimca

88
00:05:24,896 --> 00:05:29,400
može imati beskonačan broj
varijacija modelnog objekta,

89
00:05:29,400 --> 00:05:31,633
i to je samo jedan objekt.

90
00:05:32,573 --> 00:05:35,065
Prije osam godina,

91
00:05:35,065 --> 00:05:40,095
vrlo jednostavno i duboko zapažanje
promjenilo mi je razmišljanje.

92
00:05:41,425 --> 00:05:44,110
Nitko ne govori djetetu kako da vidi,

93
00:05:44,110 --> 00:05:46,371
posebno u ranijim godinama.

94
00:05:46,371 --> 00:05:51,371
Oni to uče kroz
iskustvo i primjere iz stvarnog svijeta.

95
00:05:51,371 --> 00:05:54,111
Ako smatrate dječje oči

96
00:05:54,111 --> 00:05:56,665
parom bioloških kamera,

97
00:05:56,665 --> 00:06:00,845
one fotografiraju
svakih 200 milisekundi,

98
00:06:00,845 --> 00:06:03,979
prosječno vrijeme koliko je potrebno
za pokret oka.

99
00:06:03,979 --> 00:06:09,529
Do svoje treće godine, dijete bi vidjelo
stotine milijuna slika

100
00:06:09,529 --> 00:06:11,363
stvarnog svijeta.

101
00:06:11,363 --> 00:06:13,423
To je puno primjera za vježbu.

102
00:06:14,383 --> 00:06:20,372
Umjesto fokusiranja samo na
sve bolje i bolje algoritme,

103
00:06:20,372 --> 00:06:25,644
mislila sam dati algoritmima
nekakakve podatke za vježbu

104
00:06:25,644 --> 00:06:28,963
koje je dijete dobijalo kroz iskustva

105
00:06:28,963 --> 00:06:32,841
i to kvantitativno i kvalitativno.

106
00:06:32,841 --> 00:06:34,699
Jednom kada znamo ovo,

107
00:06:34,699 --> 00:06:37,670
znali smo da moramo skupiti skup podataka

108
00:06:37,670 --> 00:06:42,129
koji ima puno više prikaza 
no što smo mi imali ikad prije,

109
00:06:42,129 --> 00:06:43,896
možda i tisuću puta više,

110
00:06:44,706 --> 00:06:48,817
i zajedno s profesorom
Kai Li na sveučilištu Princeton,

111
00:06:48,817 --> 00:06:52,399
2007. lansirali smo ImageNet projekt.

112
00:06:53,929 --> 00:06:57,407
Sva sreća nismo morali montirati
kamere na naše glave

113
00:06:57,407 --> 00:06:59,051
i čekati godinama.

114
00:06:59,051 --> 00:07:00,634
Otišli smo na Internet,

115
00:07:00,634 --> 00:07:05,070
najveću riznicu slika koju je
čovječanstvo stvorilo.

116
00:07:05,070 --> 00:07:08,111
skinuli smo skoro
milijardu slika i

117
00:07:08,111 --> 00:07:13,991
koristili crowdsourcing tehnologiju
poput platforme Amazon Mechanical Turk

118
00:07:13,991 --> 00:07:16,330
da označimo te prikaze.

119
00:07:16,330 --> 00:07:21,230
Kako je raslo, ImageNet je bio jedan od
najvećih poslodavaca

120
00:07:21,230 --> 00:07:24,226
radnika Amazon Mechanical Turk-a:

121
00:07:24,226 --> 00:07:28,080
zajedno, skoro 50.000 radnika

122
00:07:28,080 --> 00:07:32,120
iz 167 država svijeta

123
00:07:32,120 --> 00:07:36,067
pomoglo nam je da očistimo, 
sortiramo i označimo

124
00:07:36,067 --> 00:07:38,812
skoro milijardu korisnih prikaza.

125
00:07:40,612 --> 00:07:43,265
Toliko truda je trebalo

126
00:07:43,265 --> 00:07:47,165
da se uhvati dio prikaza

127
00:07:47,165 --> 00:07:50,666
koje djetetov um uhvati
u ranim godinama razvoja.

128
00:07:52,148 --> 00:07:56,050
Na očigled, ova ideja 
korištenja mnogo podataka

129
00:07:56,050 --> 00:08:00,600
da se istreniraju računalni algoritmi
se možda sada čini očiglednim,

130
00:08:00,600 --> 00:08:04,710
ali 2007., nije bilo tako očigledno.

131
00:08:04,710 --> 00:08:08,588
Prilično dugo bili smo 
poprilično sami na tom putu.

132
00:08:08,588 --> 00:08:13,591
Neke prijateljski nastrojene kolege su
me savjetovale da radim nešto korisnije,

133
00:08:13,591 --> 00:08:17,933
i cijelo vrijeme smo se borili
za financiranje istraživanja.

134
00:08:17,933 --> 00:08:20,418
Jednom, sam se čak našalila sa studentima

135
00:08:20,418 --> 00:08:24,481
da ću ponovno otvoriti kemijsku čistionicu
kako bih mogla financirati ImageNet.

136
00:08:24,481 --> 00:08:27,452
Naposljetku, tako sam financirala
svoj studij.

137
00:08:29,242 --> 00:08:31,098
Nastavili smo dalje.

138
00:08:31,098 --> 00:08:34,813
2009. ImageNet je dosegao

139
00:08:34,813 --> 00:08:38,855
bazu podataka od 15 milijuna prikaza

140
00:08:38,855 --> 00:08:43,660
preko 22.000 klasa
objekata i stvari

141
00:08:43,660 --> 00:08:46,980
organiziranih u svakodnevne 
engleske riječi.

142
00:08:46,980 --> 00:08:49,906
I po kvantiteti i po kvaliteti

143
00:08:49,906 --> 00:08:52,108
ovo je dosad nedostignuta skala.

144
00:08:53,688 --> 00:08:56,339
Kao primjer, u slučaju mačaka,

145
00:08:56,339 --> 00:08:59,148
imamo više od 62.000 mačaka

146
00:08:59,148 --> 00:09:03,258
u svim oblicima i pozama,

147
00:09:03,258 --> 00:09:08,481
i različitih vrsta
domaćih i divljih mačaka.

148
00:09:08,481 --> 00:09:11,825
Bili smo oduševljeni 
što smo sastavili ImageNet,

149
00:09:11,825 --> 00:09:15,563
i htjeli smo da cijeli znanstveni svijet
ima koristi od njega,

150
00:09:15,563 --> 00:09:19,604
tako da smo po modi TED-a
otvorili cijeli skup podataka

151
00:09:19,604 --> 00:09:23,196
svim istraživačkim zajednicama, besplatno.

152
00:09:23,456 --> 00:09:28,636
(Pljesak)

153
00:09:29,416 --> 00:09:33,954
Sad kad imamo podatke
da opskrbimo mozgove naših računala,

154
00:09:33,954 --> 00:09:37,691
spremni smo vratiti se na
same algoritme.

155
00:09:37,691 --> 00:09:42,869
Ispalo je kako je bogatstvo informacija 
s ImageNet-a

156
00:09:42,869 --> 00:09:47,675
savršeno za određene vrste
algoritama za strojno učenje

157
00:09:47,675 --> 00:09:50,090
koji se zovu konvolucijske neuronske mreže

158
00:09:50,090 --> 00:09:55,338
osmišljene od strane Kunihiko Fukushime,
Geoff Hintona i Yann LeCuna

159
00:09:55,338 --> 00:09:58,983
davnih 1970-ih i 1980-ih.

160
00:09:58,983 --> 00:10:04,602
Upravo kako se mozak sastoji
od milijardu vrlo povezanih neurona,

161
00:10:04,602 --> 00:10:08,456
osnovna operacijska jedinica
neuronskih mreža

162
00:10:08,456 --> 00:10:10,871
jest čvor sličan neuronu.

163
00:10:10,871 --> 00:10:13,425
Prima podatke od drugih čvorova

164
00:10:13,425 --> 00:10:16,053
i šalje ih drugima.

165
00:10:16,053 --> 00:10:20,856
Ove stotine tisuća ili
čak milijuni čvorova

166
00:10:20,856 --> 00:10:24,083
su organizirani po
hijerarhijskim slojevima

167
00:10:24,083 --> 00:10:26,637
sličnim onima u mozgu.

168
00:10:26,637 --> 00:10:31,420
U tipičnoj neuralnoj mreži koju koristimo
u učenju prepoznavanja modela,

169
00:10:31,420 --> 00:10:34,601
ima 24 milijuna čvorova,

170
00:10:34,601 --> 00:10:37,898
140 milijuna parametara,

171
00:10:37,898 --> 00:10:40,661
i 15 milijardi veza.

172
00:10:40,661 --> 00:10:43,076
To je ogroman model.

173
00:10:43,076 --> 00:10:46,977
Upogonjen je s 
mnoštvom podataka s ImageNet-a

174
00:10:46,977 --> 00:10:52,410
te modernih CPJ-a i GPJ-a 
kako bi istrenirao ove ogrome modele,

175
00:10:52,410 --> 00:10:54,779
skupna neuronska mreža

176
00:10:54,779 --> 00:10:57,565
je procvala na način 
koji nitko nije očekivao.

177
00:10:58,215 --> 00:11:00,723
Postala je ključna struktura

178
00:11:00,723 --> 00:11:04,733
koja je dovodila do novih uzbudljivih 
rezultata u prepoznavanju objekata.

179
00:11:06,063 --> 00:11:08,873
Ovo je računalo koje nam govori

180
00:11:08,873 --> 00:11:11,173
da je na slici mačka

181
00:11:11,173 --> 00:11:13,076
i gdje je mačka.

182
00:11:13,076 --> 00:11:15,188
Naravno ne radi se samo o mački,

183
00:11:15,188 --> 00:11:17,626
ovdje nam računalni algoritam govori

184
00:11:17,626 --> 00:11:20,000
da slika sadrži
dječaka i medvjedića;

185
00:11:20,900 --> 00:11:24,276
psa, osobu i malog zmaja
u pozadini;

186
00:11:25,266 --> 00:11:28,401
ili slika vrlo zbrkanih stvari

187
00:11:28,401 --> 00:11:32,185
poput čovjeka, skateboarda,
ograde, lampe itd.

188
00:11:33,045 --> 00:11:38,338
Ponekad kada računalo 
nije sigurno što vidi,

189
00:11:39,498 --> 00:11:41,774
moramo ga naučiti da bude dovoljno pametno

190
00:11:41,774 --> 00:11:45,652
da nam pruži siguran odgovor,

191
00:11:45,652 --> 00:11:47,563
kao što bismo mi odgovorili,

192
00:11:48,463 --> 00:11:53,129
ali u drugim slučajevima računalni 
alogoritam nam besprijekorno kaže

193
00:11:53,129 --> 00:11:55,382
što su točno ti objekti,

194
00:11:55,382 --> 00:11:58,818
poput materijala, modela, godine auta.

195
00:11:58,818 --> 00:12:04,204
Primjenili smo ovaj algoritam na milijune
Google Street View prikaza

196
00:12:04,204 --> 00:12:07,339
u stotinama američkih gradova,

197
00:12:07,339 --> 00:12:10,265
i spoznali smo nešto vrlo zanimljivo:

198
00:12:10,265 --> 00:12:13,585
prvo, potvrdilo se staro pravilo

199
00:12:13,585 --> 00:12:16,875
da cijene auta dobro koreliraju

200
00:12:16,875 --> 00:12:18,560
s kućnim primanjima.

201
00:12:19,220 --> 00:12:23,747
Ali isto tako cijene auta
koreliraju također sa

202
00:12:23,747 --> 00:12:25,827
stopom kriminala u gradovima,

203
00:12:27,007 --> 00:12:30,100
ili načina glasanja po poštanskom broju.

204
00:12:32,060 --> 00:12:34,266
Čekajte. 
Je li to, to?

205
00:12:34,266 --> 00:12:38,469
Je li nas računalo već sustigao
ili čak prestiglo u našim sposobnostima?

206
00:12:39,419 --> 00:12:40,757
Ne tako brzo.

207
00:12:41,557 --> 00:12:46,480
Zasad smo samo naučili
računalo da vidi objekte.

208
00:12:46,480 --> 00:12:51,124
To je kao da malo dijete
učite reći nekoliko imenica.

209
00:12:51,124 --> 00:12:53,674
To je ogromno postignuće,

210
00:12:53,674 --> 00:12:56,254
ali je to tek prvi korak.

211
00:12:56,254 --> 00:13:00,016
Uskoro će drugo razvojno postignuće
biti dosegnuto,

212
00:13:00,016 --> 00:13:03,477
i djeca počinju komunicirati u rečenicama.

213
00:13:03,477 --> 00:13:07,701
Stoga umjesto govorenja 
kako je mačka na slici,

214
00:13:07,701 --> 00:13:11,903
već ste čuli malu djevojčicu
koja govori da mačka leži na krevetu.

215
00:13:12,903 --> 00:13:18,498
Kako bi naučili računalo
da vidi sliku i stvori rečenice,

216
00:13:18,498 --> 00:13:22,446
brak između velikih podataka
i algoritama strojnog učenja

217
00:13:22,446 --> 00:13:24,051
mora ići korak dalje.

218
00:13:24,721 --> 00:13:28,877
Računalo mora naučiti
učiti i iz slika

219
00:13:28,877 --> 00:13:31,733
i iz prirodnih jezičnih rečenica

220
00:13:31,733 --> 00:13:33,585
stvorenih od strane ljudi.

221
00:13:35,055 --> 00:13:38,908
Upravo kako mozak integrira
vid i jezik,

222
00:13:38,908 --> 00:13:44,109
razvili smo model 
koji spaja vidljive dijelove

223
00:13:44,109 --> 00:13:46,013
poput vidnih komada

224
00:13:46,013 --> 00:13:49,556
s riječima i frazama u rečenicama.

225
00:13:51,026 --> 00:13:52,979
Otprilike prije četiri mjeseca,

226
00:13:52,979 --> 00:13:55,626
konačno smo uspjelo sve povezati

227
00:13:55,626 --> 00:13:59,410
i proizveli smo jedan od prvih
modela računalnog vida

228
00:13:59,410 --> 00:14:03,404
koji je sposoban stvoriti
rečenicu sličnu ljudskoj

229
00:14:03,404 --> 00:14:06,050
kada vidi sliku po prvi puta.

230
00:14:06,910 --> 00:14:11,554
Pokazat ću vam
što računalo kaže

231
00:14:11,554 --> 00:14:13,529
kada vidi slike

232
00:14:13,529 --> 00:14:16,789
koje je mala djevojčica vidjela
na početku govora.

233
00:14:19,519 --> 00:14:22,063
(Video) Računalo: Čovjek stoji 
pored slona.

234
00:14:24,393 --> 00:14:28,027
Veliki avion sjedi na vrhu
avionske piste.

235
00:14:29,057 --> 00:14:33,269
FFL: Naravno, i dalje se trudimo
unaprijediti naše algoritme,

236
00:14:33,269 --> 00:14:35,455
i još puno toga mora naučiti.

237
00:14:35,455 --> 00:14:39,556
(Pljesak)

238
00:14:39,556 --> 00:14:41,657
I računalo i dalje pravi greške.

239
00:14:42,797 --> 00:14:44,998
(Video) Računalo: Mačka leži
na krevetu u deci.

240
00:14:45,898 --> 00:14:48,821
FFL: Naravno, kada vidi 
previše mačaka,

241
00:14:48,821 --> 00:14:51,167
misli da bi sve moglo
izgledati kao mačka.

242
00:14:53,317 --> 00:14:56,181
(Video) Računalo: Dječak
drži bejzbolsku palicu.

243
00:14:56,181 --> 00:14:57,946
(Smijeh)

244
00:14:57,946 --> 00:15:02,529
FFL: Ili, ako nije vidio četkicu za zube,
pomiješat će je s bejzbolskom palicom.

245
00:15:03,309 --> 00:15:06,743
(Video) Računalo: Čovjek jaše konja
niz ulicu pored zgrade.

246
00:15:06,743 --> 00:15:08,766
(Smijeh)

247
00:15:08,766 --> 00:15:12,318
FFL: Nismo računalo naučili 
neke osnove umjetnosti.

248
00:15:13,768 --> 00:15:16,652
(Video) Računalo: Zebra stoji
u polju trave.

249
00:15:16,652 --> 00:15:20,019
FFL: I nije naučio diviti se
prekrasnoj ljepoti prirode

250
00:15:20,019 --> 00:15:21,317
kao vi i ja.

251
00:15:22,457 --> 00:15:25,289
Bilo je to dugo putovanje.

252
00:15:25,289 --> 00:15:29,515
Od rođenja do treće godine je bilo teško.

253
00:15:29,515 --> 00:15:35,111
Pravi izazov je doći 
od treće do trinaeste godine, i dalje.

254
00:15:35,111 --> 00:15:39,476
Podsjetit ću vas s opet s ovom 
slikom dječaka i kolača.

255
00:15:39,476 --> 00:15:43,540
Dosad smo naučili računalo 
da vidi objekte

256
00:15:43,540 --> 00:15:47,258
ili čak nam kaže jednostavnu priču
onoga što je na slici.

257
00:15:47,998 --> 00:15:50,704
(Video) Računalo: Osoba sjedi
za stolom s kolačem.

258
00:15:51,484 --> 00:15:53,764
FFL: Ali postoji puno više
na ovoj slici

259
00:15:53,764 --> 00:15:56,234
nego samo osoba i kolač.

260
00:15:56,234 --> 00:16:00,941
Što računalo ne vidi jest
da je to poseban talijanski kolač

261
00:16:00,941 --> 00:16:04,158
koji se jedino servira za vrijeme Uskrsa.

262
00:16:04,158 --> 00:16:07,073
Dječak nosi svoju omiljenu majicu

263
00:16:07,073 --> 00:16:11,333
koju je dobio od oca
nakon putovanja u Sidney,

264
00:16:11,333 --> 00:16:15,141
i vi i ja možemo reći da je jako stretan

265
00:16:15,141 --> 00:16:17,764
i što je na njegovom umu 
u ovom trenu.

266
00:16:19,214 --> 00:16:21,419
To je moj sin Leo.

267
00:16:22,339 --> 00:16:24,763
Na mom pohodu na vidnu inteligenciju,

268
00:16:24,763 --> 00:16:27,354
razmišljam o Leu konstantno

269
00:16:27,354 --> 00:16:29,577
i budućnosti u kojoj će živjeti.

270
00:16:30,257 --> 00:16:32,278
Kada uređaji vide,

271
00:16:32,278 --> 00:16:36,990
doktori i sestre će imati
dodatan par neumornih očiju

272
00:16:36,990 --> 00:16:41,082
koje im pomažu dijagnosticirati
i pobrinuti se za pacijenta.

273
00:16:41,082 --> 00:16:45,465
Auti će voziti pametnije
i sigurnije na putu.

274
00:16:45,465 --> 00:16:48,159
Roboti, ne samo ljudi,

275
00:16:48,159 --> 00:16:53,008
će pomoći u opasnim situacijama
kako bi spasili zatočene i ozljeđene.

276
00:16:53,488 --> 00:16:57,594
Otkrit ćemo nove vrste,
bolje materijale,

277
00:16:57,594 --> 00:17:01,493
i istražiti neviđene granice
uz pomoć uređaja.

278
00:17:03,113 --> 00:17:07,280
Malo po malo, dajemo 
vid uređajima.

279
00:17:07,280 --> 00:17:10,078
Prvo, smo ih naučili da vide.

280
00:17:10,078 --> 00:17:12,841
Onda nam oni pomažu vidjeti bolje.

281
00:17:12,841 --> 00:17:17,006
Po prvi put, ljudsko oko 
neće biti jedino

282
00:17:17,006 --> 00:17:19,360
koje gleda i istražuje svijet.

283
00:17:19,940 --> 00:17:23,400
Nećemo koristiti uređaje
zbog njihove inteligencije,

284
00:17:23,400 --> 00:17:28,159
surađivat ćemo s njima
na načine koje ne možemo zamisliti.

285
00:17:29,579 --> 00:17:31,740
Ovo je moj pothvat:

286
00:17:31,740 --> 00:17:34,452
dati računalima vidnu inteligenciju

287
00:17:34,452 --> 00:17:38,803
i stvoriti bolje sutra
za Lea i za svijet.

288
00:17:39,583 --> 00:17:40,694
Hvala vam.

289
00:17:40,694 --> 00:17:45,179
(Pljesak)