0:00:02.366,0:00:05.864
Ik laat je wat zien.

0:00:05.864,0:00:10.000
(Video) Meisje: Oké, dat is een poes[br]die in bed zit.

0:00:10.000,0:00:14.300
De jongen verzorgt de olifant.

0:00:14.300,0:00:18.414
Dat zijn mensen[br]die met het vliegtuig gaan.

0:00:18.414,0:00:21.234
Dat is een groot vliegtuig.

0:00:21.234,0:00:23.510
Fei-Fei Li: Dit is een kind van drie

0:00:23.510,0:00:27.349
dat beschrijft wat het ziet[br]op een serie foto's.

0:00:27.349,0:00:30.194
Het moet nog veel leren over de wereld,

0:00:30.194,0:00:34.743
maar het is nu al een expert[br]in iets heel belangrijks:

0:00:34.743,0:00:37.919
iets zinnigs maken van wat het ziet.

0:00:37.919,0:00:42.185
Onze maatschappij is technologisch[br]verder dan ooit.

0:00:42.185,0:00:45.924
We sturen mensen naar de maan,[br]maken telefoons die tegen ons praten,

0:00:45.924,0:00:51.030
of stellen radiozenders samen, die alleen[br]muziek uitzenden die we mooi vinden.

0:00:51.030,0:00:57.685
Toch worstelen onze geavanceerde machines[br]en computers met deze taak.

0:00:57.688,0:01:01.327
Ik ben hier vandaag om je[br]de voortgang te laten zien

0:01:01.327,0:01:05.384
van de recentste ontwikkelingen[br]in ons onderzoek naar computervisie,

0:01:05.384,0:01:10.375
een van de meest grensverleggende[br]en mogelijk revolutionaire technologieën

0:01:10.375,0:01:12.741
in de computerwetenschap.

0:01:12.741,0:01:17.322
Ja, we hebben prototypes van auto's[br]die zelf kunnen rijden,

0:01:17.322,0:01:21.265
maar zonder slim zicht,[br]zien ze het verschil niet

0:01:21.265,0:01:25.235
tussen een verfrommelde papieren zak[br]op de weg, waar je overheen kan rijden,

0:01:25.235,0:01:29.255
en een evengrote kei,[br]waar je omheen moet rijden.

0:01:29.255,0:01:32.805
We hebben geweldige[br]megapixelcamera's gemaakt,

0:01:32.805,0:01:36.280
maar we kunnen blinden[br]nog niet laten zien.

0:01:36.280,0:01:39.525
Drones kunnen grote afstanden vliegen,

0:01:39.525,0:01:41.859
maar hun visie-technologie schiet tekort

0:01:41.859,0:01:45.320
om veranderingen te helpen opsporen[br]in het regenwoud.

0:01:45.320,0:01:48.270
Er zijn overal veiligheidscamera's,

0:01:48.270,0:01:54.057
maar die waarschuwen ons niet[br]als een kind verdrinkt in een zwembad.

0:01:54.057,0:01:59.502
Foto's en filmpjes zijn deel[br]van ons leven geworden.

0:01:59.502,0:02:03.849
Ze verschijnen sneller dan welk mens,

0:02:03.849,0:02:06.632
of welk team mensen ooit kan bekijken,

0:02:06.632,0:02:10.553
en jullie en ik dragen daaraan bij[br]op deze TED.

0:02:10.553,0:02:15.785
Onze meest geavanceerde software [br]heeft nog steeds moeite met het begrijpen

0:02:15.785,0:02:19.661
van deze enorme hoeveelheid gegevens.

0:02:19.661,0:02:26.239
Met andere woorden,[br]we zijn met z'n allen heel erg blind,

0:02:26.239,0:02:31.306
omdat onze slimste machines[br]ook nog blind zijn.

0:02:31.306,0:02:34.192
Je zal je afvragen[br]waarom het zo moeilijk is.

0:02:34.192,0:02:36.825
Camera's kunnen dit soort foto's nemen

0:02:36.825,0:02:40.749
door licht om te zetten[br]naar een 2-dimensionale serie getallen,

0:02:40.749,0:02:42.789
bekend als pixels.

0:02:42.789,0:02:45.040
Maar dit zijn slechts levenloze getallen.

0:02:45.040,0:02:48.151
Ze hebben zelf geen betekenis.

0:02:48.151,0:02:52.174
Horen is niet hetzelfde als luisteren.

0:02:52.174,0:02:56.284
Foto's nemen is niet hetzelfde als zien.

0:02:56.284,0:03:00.973
En met zien[br]bedoelen we echt begrijpen.

0:03:00.973,0:03:07.470
Het kostte Moeder Natuur[br]540 miljoen jaar hard werken

0:03:07.470,0:03:09.443
om dit te doen.

0:03:09.443,0:03:11.204
Veel van die inspanning

0:03:11.204,0:03:16.245
ging zitten in het ontwikkelen[br]van het verwerkingsgedeelte in ons brein.

0:03:16.245,0:03:19.032
Niet de ogen zelf.

0:03:19.032,0:03:21.809
Gezichtsvermogen begint bij de ogen,

0:03:21.809,0:03:25.507
maar het gebeurt in feite[br]in de hersenen.

0:03:26.287,0:03:30.557
Al 15 jaar, vanaf mijn[br]promoveren aan Caltech,

0:03:30.557,0:03:34.173
en later, toen ik de leiding had[br]van het Stanford Vision Lab,

0:03:34.173,0:03:38.669
werk ik samen met mijn mentoren,[br]medewerkers en studenten

0:03:38.669,0:03:41.558
om computers te leren zien.

0:03:42.098,0:03:45.952
Ons onderzoeksgebied heet[br]computervisie en machine-leren.

0:03:45.952,0:03:50.840
Het is onderdeel van het algemene[br]gebied van kunstmatige intelligentie.

0:03:50.840,0:03:56.283
Uiteindelijk willen we de machines[br]aanleren wat wijzelf ook doen:

0:03:56.283,0:04:01.880
voorwerpen benoemen, mensen herkennen,[br]ruimtelijke vormen afleiden,

0:04:01.880,0:04:07.568
het begrijpen van verhoudingen,[br]emoties, acties en bedoelingen.

0:04:07.568,0:04:13.711
Jullie en ik maken complete verhalen[br]van mensen, plaatsen en dingen,

0:04:13.711,0:04:16.935
op het moment dat we ernaar kijken.

0:04:16.935,0:04:22.538
Eerst moeten we de computer leren[br]voorwerpen te zien,

0:04:22.538,0:04:25.746
de bouwsteen van de visuele wereld.

0:04:25.746,0:04:30.340
Heel simpel gezegd:[br]stel je dit leerproces voor

0:04:30.340,0:04:33.335
als het aan de computer laten zien[br]van oefenplaatjes

0:04:33.335,0:04:36.656
van bepaalde voorwerpen,[br]bijvoorbeeld katten,

0:04:36.656,0:04:41.213
en ontwerp een model dat leert[br]van deze oefenplaatjes.

0:04:41.213,0:04:43.277
Hoe moeilijk is dat?

0:04:43.277,0:04:47.489
Een kat is tenslotte alleen maar[br]een verzameling vormen en kleuren.

0:04:47.489,0:04:51.235
En dit deden we in het begintijd[br]van het modelleren van voorwerpen.

0:04:51.235,0:04:55.197
We moesten de computer[br]algoritmes leren in een wiskundige taal,

0:04:55.197,0:04:58.380
dat een kat een ronde kop heeft,[br]een mollig lijf,

0:04:58.380,0:05:00.589
twee puntoren en een lange staart.

0:05:00.589,0:05:02.679
En dat leek goed te gaan.

0:05:02.699,0:05:04.672
Maar deze kat dan?

0:05:04.672,0:05:05.753
(Gelach)

0:05:05.753,0:05:07.439
Die ligt helemaal opgekruld.

0:05:07.439,0:05:12.408
Nu moet je nog een vorm en gezichtspunt[br]toevoegen aan je model.

0:05:12.408,0:05:15.033
Maar als katten zijn verstopt?

0:05:15.033,0:05:17.838
Deze grappige katten bijvoorbeeld.

0:05:17.838,0:05:19.363
(Gelach)

0:05:19.363,0:05:21.529
Nu ga je het snappen.

0:05:21.529,0:05:24.896
Zelf iets simpels als een huisdier

0:05:24.896,0:05:29.000
kan zorgen voor ontelbaar veel[br]variaties van het model.

0:05:29.000,0:05:32.333
Dat is nog maar één voorwerp.

0:05:32.573,0:05:35.065
Acht jaar geleden

0:05:35.065,0:05:41.185
veranderde een simpele[br]en grondige observatie mijn denken.

0:05:41.185,0:05:43.900
Niemand vertelt aan een kind[br]hoe het moet kijken.

0:05:43.900,0:05:46.131
Zeker niet in de eerste jaren.

0:05:46.131,0:05:51.371
Ze leren het via ervaringen en voorbeelden[br]uit het echte leven.

0:05:51.371,0:05:53.711
Bekijk de ogen van kinderen eens

0:05:53.711,0:05:56.445
als een paar biologische camera's.

0:05:56.445,0:06:00.555
Ze nemen elke 200 milliseconden een foto,

0:06:00.555,0:06:03.679
de gemiddelde tijd van een oogbeweging.

0:06:03.679,0:06:09.529
Als het drie is, heeft een kind[br]honderden miljoenen beelden gezien

0:06:09.529,0:06:11.043
van de echte wereld.

0:06:11.043,0:06:14.193
Dat zijn heel wat oefenvoorbeelden.

0:06:14.193,0:06:20.082
In plaats van je alleen te richten op[br]steeds betere algoritmes,

0:06:20.082,0:06:25.644
zag ik in dat je de algoritmes[br]de oefengegevens moest geven

0:06:25.644,0:06:28.673
dat een kind ook krijgt door ervaring.

0:06:28.673,0:06:32.841
Zowel qua kwantiteit als kwaliteit.

0:06:32.841,0:06:34.439
Toen we dat wisten,

0:06:34.439,0:06:37.670
wisten we dat we een verzameling [br]gegevens moesten maken

0:06:37.670,0:06:41.619
die veel meer plaatjes bevat[br]dan wij ooit hebben gehad.

0:06:41.619,0:06:44.706
Misschien wel duizenden keren meer.

0:06:44.706,0:06:48.817
Samen met professor Kai Li[br]aan de Princeton Universiteit,

0:06:48.817,0:06:53.569
lanceerden we in 2007[br]het ImageNet-project.

0:06:53.569,0:06:57.267
Gelukkig hoefden we geen camera[br]op ons hoofd te zetten

0:06:57.267,0:06:58.991
en jaren te wachten.

0:06:58.991,0:07:00.634
We gingen het internet op,

0:07:00.634,0:07:05.070
de grootste schat aan plaatjes[br]die de mens ooit heeft gemaakt.

0:07:05.070,0:07:08.111
We downloadden[br]meer dan een miljard plaatjes

0:07:08.111,0:07:13.761
en gebruikten crowdsourcing,[br]zoals met de Amazon Mechanische Turk

0:07:13.761,0:07:16.330
om ons de plaatjes te helpen kenmerken.

0:07:16.330,0:07:21.230
Op zijn hoogtepunt was ImageNet[br]een van de grootste werkgevers

0:07:21.230,0:07:24.226
voor de Amazon [br]Mechanische Turk-werknemers:

0:07:24.226,0:07:28.080
In totaal bijna 50.000 mensen

0:07:28.080,0:07:32.020
uit 167 landen van de wereld

0:07:32.020,0:07:36.067
hielpen ons met het opschonen,[br]sorteren en markeren

0:07:36.067,0:07:40.232
van bijna een miljard[br]mogelijk bruikbare plaatjes.

0:07:40.232,0:07:43.265
Zoveel moeite kostte het

0:07:43.265,0:07:46.815
om slechts een fractie[br]van de beelden te verwerken

0:07:46.815,0:07:51.778
dat een kind opneemt[br]in zijn eerste jaren.

0:07:51.778,0:07:56.050
Achteraf gezien lijkt dit idee[br]om big data te gebruiken

0:07:56.050,0:08:00.330
om computeralgoritmes te trainen,[br]nogal logisch,

0:08:00.330,0:08:04.540
maar in 2007 was dat niet zo.

0:08:04.540,0:08:08.308
We stonden best lang alleen[br]op deze weg.

0:08:08.308,0:08:13.591
Een paar vriendelijke collega's[br]raadden me aan wat nuttigers te gaan doen,

0:08:13.591,0:08:17.703
en we hadden veel moeite[br]om onderzoeksgeld bij elkaar te krijgen.

0:08:17.703,0:08:20.418
Ik grapte een keer naar mijn studenten

0:08:20.418,0:08:24.301
dat ik mijn stomerij zou heropenen[br]om ImageNet te sponsoren.

0:08:24.301,0:08:28.962
Zo bekostigde ik immers ook mijn studie.

0:08:28.962,0:08:30.898
We gingen dus door.

0:08:30.898,0:08:35.702
In 2009 leverde het ImageNet-project[br]een database op

0:08:35.702,0:08:38.556
met 15 miljoen plaatjes

0:08:38.556,0:08:43.660
in 22.000 categorieën[br]van voorwerpen en dingen

0:08:43.660,0:08:46.690
ingedeeld met alledaagse Engelse woorden.

0:08:46.690,0:08:49.786
Zowel qua kwantiteit als kwaliteit,

0:08:49.786,0:08:52.878
was dit een ongekende schaal.

0:08:52.878,0:08:56.339
We hebben bijvoorbeeld[br]in het geval van de katten,

0:08:56.339,0:08:59.148
meer dan 62.000 katten

0:08:59.148,0:09:03.088
in allerlei posities en houdingen[br]

0:09:03.088,0:09:08.331
en allerlei soorten wilde en huiskatten.

0:09:08.331,0:09:11.825
We waren enthousiast[br]toen we ImageNet in elkaar hadden gezet

0:09:11.825,0:09:15.303
en we wilden dat de hele onderzoekswereld[br]er plezier van had.

0:09:15.303,0:09:19.444
Dus volgens de TED-methode stelden we[br]gratis de hele verzameling beschikbaar

0:09:19.444,0:09:24.276
aan de wereldwijde onderzoeksgemeenschap.

0:09:24.276,0:09:28.636
(Applaus)

0:09:29.106,0:09:33.774
Nu we de gegevens hebben[br]om het computerbrein te voeden,

0:09:33.774,0:09:37.491
kunnen we terugkomen[br]op de algoritmes zelf.

0:09:37.491,0:09:42.549
Het bleek dat de overdadige informatie[br]die ImageNet gaf,

0:09:42.549,0:09:47.675
precies paste bij een speciaal soort[br]algoritme voor machineleren.

0:09:47.675,0:09:50.090
die convolutioneel neuraal netwerk heet,

0:09:50.090,0:09:55.338
het eerst aangepakt door Kunihiko[br]Fukushima, Geoff Hinton en Yann LeCun,

0:09:55.338,0:09:58.853
in de jaren zeventig en tachtig.

0:09:58.853,0:10:00.384
Net als in de hersenen,

0:10:00.384,0:10:04.235
die bestaan uit miljarden [br]goedverbonden neuronen,

0:10:04.235,0:10:08.065
is de basiseenheid [br]van een neuraal netwerk

0:10:08.065,0:10:10.495
een neuronenachtig knooppunt.

0:10:10.495,0:10:13.115
Het ontvangt input[br]van andere knooppunten

0:10:13.115,0:10:15.993
en stuurt output naar andere.

0:10:15.993,0:10:20.856
Deze honderdduizenden, [br]of zelfs miljoenen knooppunten

0:10:20.856,0:10:23.923
zijn bovendien[br]in hiërarchische lagen georganiseerd.

0:10:23.923,0:10:26.357
Ook weer net als in de hersenen.

0:10:26.357,0:10:31.420
In een neuraal netwerk dat we gebruiken[br]om voorwerpherkenning te trainen,

0:10:31.420,0:10:34.601
zitten 24 miljoen knooppunten,

0:10:34.601,0:10:37.228
140 miljoen parameters,

0:10:37.228,0:10:40.371
en 15 miljard verbindingen.

0:10:40.371,0:10:43.076
Dat is een gigantisch model.

0:10:43.076,0:10:46.977
Mogelijk gemaakt door de enorme[br]hoeveelheid gegevens van IMageNet

0:10:46.977,0:10:51.860
en moderne processoren[br]om zo'n gigantisch model te trainen,

0:10:51.860,0:10:54.849
kwam het convolutioneel[br]neuraal netwerk tot bloei,

0:10:54.849,0:10:58.035
op een manier die niemand had verwacht.

0:10:58.035,0:10:59.883
Het werd de architectuur

0:10:59.883,0:11:04.093
die de meeste opwindende [br]nieuwe resultaten leverde

0:11:04.093,0:11:05.993
op het gebied van voorwerpherkenning.

0:11:05.993,0:11:08.793
Dit is een computer die ons vertelt

0:11:08.793,0:11:11.173
dat op deze foto een kat staat

0:11:11.173,0:11:12.776
en waar de kat is.

0:11:12.776,0:11:15.188
Er zijn natuurlijk meer dingen dan katten.

0:11:15.188,0:11:17.626
Hier is een computeralgoritme dat zegt

0:11:17.626,0:11:20.900
dat op deze foto[br]een jongen met teddybeer staat,

0:11:20.900,0:11:25.266
een hond, een persoon[br]en een vliegertje op de achtergrond,

0:11:25.266,0:11:28.401
of een foto met veel dingen,

0:11:28.401,0:11:33.045
zoals een man, een skateboard,[br]een hek, een lantaarnpaal, enzovoort.

0:11:33.045,0:11:39.298
Soms, als de computer het[br]niet helemaal zeker weet,

0:11:39.298,0:11:41.774
hebben we hem geleerd[br]slim genoeg te zijn

0:11:41.774,0:11:45.462
om een veilig antwoord te geven[br]in plaats van te veel prijs te geven,

0:11:45.462,0:11:48.133
wat wij ook zouden doen.

0:11:48.133,0:11:53.129
Op andere momenten is het opmerkelijk[br]wat het computeralgoritme ons vertelt

0:11:53.129,0:11:55.242
welke voorwerpen het precies zijn,

0:11:55.242,0:11:58.818
zoals merk, model[br]en bouwjaar van de auto.

0:11:58.818,0:12:04.084
We pasten dit algoritme toe op miljoenen[br]Google Street View-beelden

0:12:04.084,0:12:07.059
dwars door honderden Amerikaanse steden,

0:12:07.059,0:12:10.265
en we bemerkten iets interessants:

0:12:10.265,0:12:13.765
ten eerste bevestigde het ons vermoeden

0:12:13.765,0:12:16.875
dat autoprijzen gelijk op gaan

0:12:16.875,0:12:19.030
met gezinsinkomens.

0:12:19.030,0:12:23.747
Verrassend is echter, [br]dat autoprijzen ook gelijk op gaan

0:12:23.747,0:12:26.577
met de misdaadcijfers in de steden,

0:12:26.577,0:12:30.970
of het stemgedrag met de postcode.

0:12:31.640,0:12:34.266
Wacht even, is dat het?

0:12:34.266,0:12:39.419
Is de computer al net zo goed als de mens[br]of zelfs al beter?

0:12:39.419,0:12:41.557
Niet zo snel.

0:12:41.557,0:12:46.340
Tot nu toe hebben we de computer[br]alleen geleerd voorwerpen te bekijken.

0:12:46.340,0:12:50.954
Net als een kind leren een paar[br]zelfstandige naamwoorden te zeggen.

0:12:50.954,0:12:53.554
Een ongelooflijke prestatie,

0:12:53.554,0:12:56.254
maar pas de eerste stap.

0:12:56.254,0:12:59.936
Er zal vlot een volgende mijlpaal[br]gehaald worden:

0:12:59.936,0:13:03.477
het kind zal beginnen[br]te communiceren in zinnen.

0:13:03.477,0:13:07.701
In plaats van te zeggen dat het een kat is[br]op het plaatje,

0:13:07.701,0:13:12.903
heb je het meisje al horen zeggen[br]dat de kat op een bed ligt.

0:13:12.903,0:13:18.498
Om een computer dus te leren[br]om een plaatje te zien en zinnen te maken,

0:13:18.498,0:13:22.166
moet het huwelijk tussen big data[br]en machineleren

0:13:22.166,0:13:24.721
de volgende stap nemen.

0:13:24.721,0:13:28.877
De computer moet zowel leren[br]van plaatjes

0:13:28.877,0:13:31.733
als van zinnen in natuurlijke taal,

0:13:31.733,0:13:35.055
voortgebracht door mensen.

0:13:35.055,0:13:38.908
Net zoals de hersenen[br]die beeld en taal integreren,

0:13:38.908,0:13:44.109
hebben we een model ontwikkeld[br]dat delen van zichtbare dingen,

0:13:44.109,0:13:46.013
visuele fragmenten,

0:13:46.013,0:13:50.216
verbindt met woorden en zinsdelen.

0:13:50.216,0:13:52.799
Ongeveer vier maanden geleden

0:13:52.799,0:13:55.456
voegden we dit allemaal samen

0:13:55.456,0:13:59.250
en maakten een van de eerste [br]computervisie-modellen

0:13:59.250,0:14:03.404
dat in staat is mensentaalachtige[br]zinnen te maken

0:14:03.404,0:14:06.910
als het voor de eerste keer[br]een plaatje ziet.

0:14:06.910,0:14:11.554
Ik ben zover dat ik wil laten zien[br]wat de computer zegt

0:14:11.554,0:14:13.529
als die het plaatje ziet

0:14:13.529,0:14:19.019
van het meisje dat je aan het begin [br]van de talk hebt gezien.

0:14:19.019,0:14:22.863
(Video) Computer: Een man staat[br]naast de olifant.

0:14:24.083,0:14:28.027
Een groot vliegtuig staat[br]op een startbaan.

0:14:29.057,0:14:33.269
FFL: Natuurlijk werken we hard[br]aan het verbeteren van de algoritmes

0:14:33.269,0:14:35.865
en er moet nog veel geleerd worden.

0:14:35.865,0:14:39.186
(Applaus)

0:14:39.196,0:14:42.877
De computer maakt nog steeds fouten.

0:14:42.877,0:14:46.008
(Video) Computer: Een kat [br]ligt op een bed in een laken.

0:14:46.008,0:14:48.571
FFL: Als hij te veel katten ziet,

0:14:48.571,0:14:51.747
kan hij gaan denken dat alles een kat is.

0:14:53.317,0:14:56.181
(Video) Computer: Een jongetje[br]heeft een honkbalknuppel vast.

0:14:56.181,0:14:57.566
(Gelach)

0:14:57.566,0:15:02.529
FFL: Als hij nog nooit een tandenborstel[br]heeft gezien, raakt hij in de war.

0:15:03.019,0:15:06.483
(Video) Computer: Een man rijdt paard[br]door een straat langs een gebouw.

0:15:06.483,0:15:08.546
(Gelach)

0:15:08.546,0:15:13.448
FFL: We hebben Art 101 nog niet[br]aan de computer geleerd.

0:15:13.448,0:15:16.252
(Video) Computer: Een zebra[br]staat in een grasveld.

0:15:16.252,0:15:20.019
FFL: Het heeft nog niet geleerd [br]de prachtige natuur te waarderen,

0:15:20.019,0:15:22.267
zoals jullie en ik doen.

0:15:22.267,0:15:25.109
De weg is dus lang.

0:15:25.109,0:15:29.315
Het viel niet mee[br]om van nul naar drie jaar te komen

0:15:29.315,0:15:35.111
Van drie tot 13 jaar of verder,[br]is helemaal een grote uitdaging.

0:15:35.111,0:15:39.286
Denk nog even aan dit plaatje[br]van de jongen en de taart.

0:15:39.286,0:15:43.540
Tot nu toe hebben we de computer geleerd[br]om voorwerpen te zien

0:15:43.540,0:15:47.768
of zelfs een simpel verhaaltje[br]te vertellen bij het zien van een plaatje.

0:15:47.768,0:15:51.574
(Video) Computer: Een persoon[br]zit aan tafel met een taart.

0:15:51.574,0:15:53.744
FFL: Maar er zit meer aan vast

0:15:53.744,0:15:56.094
dan alleen een persoon en een taart.

0:15:56.094,0:16:00.941
De computer ziet niet dat dit[br]een speciale Italiaanse taart is

0:16:00.941,0:16:03.928
die alleen met Pasen wordt gegeten.

0:16:03.928,0:16:07.223
De jongen draagt zijn lievelingsshirt

0:16:07.223,0:16:11.333
die hij heeft gekregen van zijn vader[br]na een reis naar Sydney,

0:16:11.333,0:16:15.141
en iedereen ziet hoe blij hij is

0:16:15.141,0:16:18.844
en waar hij precies aan denkt[br]op dat moment.

0:16:18.844,0:16:22.079
Dit is mijn zoon Leo.

0:16:22.079,0:16:24.783
Bij mijn zoektocht[br]naar visuele intelligentie

0:16:24.783,0:16:27.204
denk ik steeds aan Leo

0:16:27.204,0:16:30.107
en aan zijn toekomstige wereld.

0:16:30.107,0:16:32.278
Als machines kunnen zien,

0:16:32.278,0:16:36.990
zullen doktoren en verpleegsters[br]een extra paar onvermoeibare ogen hebben

0:16:36.990,0:16:41.082
om te helpen bij de diagnose[br]en om voor de patiënten te zorgen.

0:16:41.082,0:16:45.465
Auto's zullen slimmer [br]en veiliger over de weg rijden..

0:16:45.465,0:16:47.949
Robots, niet alleen mensen,

0:16:47.949,0:16:53.288
zullen ons helpen rampplekken te betreden[br]om ingeslotenen en gewonden te redden.

0:16:53.288,0:16:57.594
We zullen nieuwe soorten ontdekken[br]en betere materialen,

0:16:57.594,0:17:02.713
en ongeziene gebieden verkennen[br]met behulp van machines.

0:17:02.713,0:17:07.280
Beetje bij beetje geven we machines[br]gezichtsvermogen.

0:17:07.280,0:17:09.798
Eerst leren we ze te kijken.

0:17:09.798,0:17:12.841
Daarna helpen ze ons bij het kijken.

0:17:12.841,0:17:17.006
Voor het eerst zijn menselijke ogen[br]niet de enige

0:17:17.006,0:17:19.530
die over de wereld nadenken[br]en haar verkennen.

0:17:19.530,0:17:23.400
We gaan de machines niet alleen[br]vanwege hun intelligentie gebruiken,

0:17:23.400,0:17:25.580
en gaan met ze samenwerken

0:17:25.580,0:17:28.960
op manieren die we ons [br]niet kunnen voorstellen.

0:17:28.960,0:17:31.740
Dit is mijn zoektocht:

0:17:31.740,0:17:34.452
computers visuele intelligentie geven

0:17:34.452,0:17:39.353
en een betere toekomst geven[br]aan Leo en aan de wereld.

0:17:39.353,0:17:41.074
Dank je wel.

0:17:41.074,0:17:43.389
(Applaus)