1
00:00:02,366 --> 00:00:05,864
Ik laat je wat zien.

2
00:00:05,864 --> 00:00:10,000
(Video) Meisje: Oké, dat is een poes
die in bed zit.

3
00:00:10,000 --> 00:00:14,300
De jongen verzorgt de olifant.

4
00:00:14,300 --> 00:00:18,414
Dat zijn mensen
die met het vliegtuig gaan.

5
00:00:18,414 --> 00:00:21,234
Dat is een groot vliegtuig.

6
00:00:21,234 --> 00:00:23,510
Fei-Fei Li: Dit is een kind van drie

7
00:00:23,510 --> 00:00:27,349
dat beschrijft wat het ziet
op een serie foto's.

8
00:00:27,349 --> 00:00:30,194
Het moet nog veel leren over de wereld,

9
00:00:30,194 --> 00:00:34,743
maar het is nu al een expert
in iets heel belangrijks:

10
00:00:34,743 --> 00:00:37,919
iets zinnigs maken van wat het ziet.

11
00:00:37,919 --> 00:00:42,185
Onze maatschappij is technologisch
verder dan ooit.

12
00:00:42,185 --> 00:00:45,924
We sturen mensen naar de maan,
maken telefoons die tegen ons praten,

13
00:00:45,924 --> 00:00:51,030
of stellen radiozenders samen, die alleen
muziek uitzenden die we mooi vinden.

14
00:00:51,030 --> 00:00:57,685
Toch worstelen onze geavanceerde machines
en computers met deze taak.

15
00:00:57,688 --> 00:01:01,327
Ik ben hier vandaag om je
de voortgang te laten zien

16
00:01:01,327 --> 00:01:05,384
van de recentste ontwikkelingen
in ons onderzoek naar computervisie,

17
00:01:05,384 --> 00:01:10,375
een van de meest grensverleggende
en mogelijk revolutionaire technologieën

18
00:01:10,375 --> 00:01:12,741
in de computerwetenschap.

19
00:01:12,741 --> 00:01:17,322
Ja, we hebben prototypes van auto's
die zelf kunnen rijden,

20
00:01:17,322 --> 00:01:21,265
maar zonder slim zicht,
zien ze het verschil niet

21
00:01:21,265 --> 00:01:25,235
tussen een verfrommelde papieren zak
op de weg, waar je overheen kan rijden,

22
00:01:25,235 --> 00:01:29,255
en een evengrote kei,
waar je omheen moet rijden.

23
00:01:29,255 --> 00:01:32,805
We hebben geweldige
megapixelcamera's gemaakt,

24
00:01:32,805 --> 00:01:36,280
maar we kunnen blinden
nog niet laten zien.

25
00:01:36,280 --> 00:01:39,525
Drones kunnen grote afstanden vliegen,

26
00:01:39,525 --> 00:01:41,859
maar hun visie-technologie schiet tekort

27
00:01:41,859 --> 00:01:45,320
om veranderingen te helpen opsporen
in het regenwoud.

28
00:01:45,320 --> 00:01:48,270
Er zijn overal veiligheidscamera's,

29
00:01:48,270 --> 00:01:54,057
maar die waarschuwen ons niet
als een kind verdrinkt in een zwembad.

30
00:01:54,057 --> 00:01:59,502
Foto's en filmpjes zijn deel
van ons leven geworden.

31
00:01:59,502 --> 00:02:03,849
Ze verschijnen sneller dan welk mens,

32
00:02:03,849 --> 00:02:06,632
of welk team mensen ooit kan bekijken,

33
00:02:06,632 --> 00:02:10,553
en jullie en ik dragen daaraan bij
op deze TED.

34
00:02:10,553 --> 00:02:15,785
Onze meest geavanceerde software 
heeft nog steeds moeite met het begrijpen

35
00:02:15,785 --> 00:02:19,661
van deze enorme hoeveelheid gegevens.

36
00:02:19,661 --> 00:02:26,239
Met andere woorden,
we zijn met z'n allen heel erg blind,

37
00:02:26,239 --> 00:02:31,306
omdat onze slimste machines
ook nog blind zijn.

38
00:02:31,306 --> 00:02:34,192
Je zal je afvragen
waarom het zo moeilijk is.

39
00:02:34,192 --> 00:02:36,825
Camera's kunnen dit soort foto's nemen

40
00:02:36,825 --> 00:02:40,749
door licht om te zetten
naar een 2-dimensionale serie getallen,

41
00:02:40,749 --> 00:02:42,789
bekend als pixels.

42
00:02:42,789 --> 00:02:45,040
Maar dit zijn slechts levenloze getallen.

43
00:02:45,040 --> 00:02:48,151
Ze hebben zelf geen betekenis.

44
00:02:48,151 --> 00:02:52,174
Horen is niet hetzelfde als luisteren.

45
00:02:52,174 --> 00:02:56,284
Foto's nemen is niet hetzelfde als zien.

46
00:02:56,284 --> 00:03:00,973
En met zien
bedoelen we echt begrijpen.

47
00:03:00,973 --> 00:03:07,470
Het kostte Moeder Natuur
540 miljoen jaar hard werken

48
00:03:07,470 --> 00:03:09,443
om dit te doen.

49
00:03:09,443 --> 00:03:11,204
Veel van die inspanning

50
00:03:11,204 --> 00:03:16,245
ging zitten in het ontwikkelen
van het verwerkingsgedeelte in ons brein.

51
00:03:16,245 --> 00:03:19,032
Niet de ogen zelf.

52
00:03:19,032 --> 00:03:21,809
Gezichtsvermogen begint bij de ogen,

53
00:03:21,809 --> 00:03:25,507
maar het gebeurt in feite
in de hersenen.

54
00:03:26,287 --> 00:03:30,557
Al 15 jaar, vanaf mijn
promoveren aan Caltech,

55
00:03:30,557 --> 00:03:34,173
en later, toen ik de leiding had
van het Stanford Vision Lab,

56
00:03:34,173 --> 00:03:38,669
werk ik samen met mijn mentoren,
medewerkers en studenten

57
00:03:38,669 --> 00:03:41,558
om computers te leren zien.

58
00:03:42,098 --> 00:03:45,952
Ons onderzoeksgebied heet
computervisie en machine-leren.

59
00:03:45,952 --> 00:03:50,840
Het is onderdeel van het algemene
gebied van kunstmatige intelligentie.

60
00:03:50,840 --> 00:03:56,283
Uiteindelijk willen we de machines
aanleren wat wijzelf ook doen:

61
00:03:56,283 --> 00:04:01,880
voorwerpen benoemen, mensen herkennen,
ruimtelijke vormen afleiden,

62
00:04:01,880 --> 00:04:07,568
het begrijpen van verhoudingen,
emoties, acties en bedoelingen.

63
00:04:07,568 --> 00:04:13,711
Jullie en ik maken complete verhalen
van mensen, plaatsen en dingen,

64
00:04:13,711 --> 00:04:16,935
op het moment dat we ernaar kijken.

65
00:04:16,935 --> 00:04:22,538
Eerst moeten we de computer leren
voorwerpen te zien,

66
00:04:22,538 --> 00:04:25,746
de bouwsteen van de visuele wereld.

67
00:04:25,746 --> 00:04:30,340
Heel simpel gezegd:
stel je dit leerproces voor

68
00:04:30,340 --> 00:04:33,335
als het aan de computer laten zien
van oefenplaatjes

69
00:04:33,335 --> 00:04:36,656
van bepaalde voorwerpen,
bijvoorbeeld katten,

70
00:04:36,656 --> 00:04:41,213
en ontwerp een model dat leert
van deze oefenplaatjes.

71
00:04:41,213 --> 00:04:43,277
Hoe moeilijk is dat?

72
00:04:43,277 --> 00:04:47,489
Een kat is tenslotte alleen maar
een verzameling vormen en kleuren.

73
00:04:47,489 --> 00:04:51,235
En dit deden we in het begintijd
van het modelleren van voorwerpen.

74
00:04:51,235 --> 00:04:55,197
We moesten de computer
algoritmes leren in een wiskundige taal,

75
00:04:55,197 --> 00:04:58,380
dat een kat een ronde kop heeft,
een mollig lijf,

76
00:04:58,380 --> 00:05:00,589
twee puntoren en een lange staart.

77
00:05:00,589 --> 00:05:02,679
En dat leek goed te gaan.

78
00:05:02,699 --> 00:05:04,672
Maar deze kat dan?

79
00:05:04,672 --> 00:05:05,753
(Gelach)

80
00:05:05,753 --> 00:05:07,439
Die ligt helemaal opgekruld.

81
00:05:07,439 --> 00:05:12,408
Nu moet je nog een vorm en gezichtspunt
toevoegen aan je model.

82
00:05:12,408 --> 00:05:15,033
Maar als katten zijn verstopt?

83
00:05:15,033 --> 00:05:17,838
Deze grappige katten bijvoorbeeld.

84
00:05:17,838 --> 00:05:19,363
(Gelach)

85
00:05:19,363 --> 00:05:21,529
Nu ga je het snappen.

86
00:05:21,529 --> 00:05:24,896
Zelf iets simpels als een huisdier

87
00:05:24,896 --> 00:05:29,000
kan zorgen voor ontelbaar veel
variaties van het model.

88
00:05:29,000 --> 00:05:32,333
Dat is nog maar één voorwerp.

89
00:05:32,573 --> 00:05:35,065
Acht jaar geleden

90
00:05:35,065 --> 00:05:41,185
veranderde een simpele
en grondige observatie mijn denken.

91
00:05:41,185 --> 00:05:43,900
Niemand vertelt aan een kind
hoe het moet kijken.

92
00:05:43,900 --> 00:05:46,131
Zeker niet in de eerste jaren.

93
00:05:46,131 --> 00:05:51,371
Ze leren het via ervaringen en voorbeelden
uit het echte leven.

94
00:05:51,371 --> 00:05:53,711
Bekijk de ogen van kinderen eens

95
00:05:53,711 --> 00:05:56,445
als een paar biologische camera's.

96
00:05:56,445 --> 00:06:00,555
Ze nemen elke 200 milliseconden een foto,

97
00:06:00,555 --> 00:06:03,679
de gemiddelde tijd van een oogbeweging.

98
00:06:03,679 --> 00:06:09,529
Als het drie is, heeft een kind
honderden miljoenen beelden gezien

99
00:06:09,529 --> 00:06:11,043
van de echte wereld.

100
00:06:11,043 --> 00:06:14,193
Dat zijn heel wat oefenvoorbeelden.

101
00:06:14,193 --> 00:06:20,082
In plaats van je alleen te richten op
steeds betere algoritmes,

102
00:06:20,082 --> 00:06:25,644
zag ik in dat je de algoritmes
de oefengegevens moest geven

103
00:06:25,644 --> 00:06:28,673
dat een kind ook krijgt door ervaring.

104
00:06:28,673 --> 00:06:32,841
Zowel qua kwantiteit als kwaliteit.

105
00:06:32,841 --> 00:06:34,439
Toen we dat wisten,

106
00:06:34,439 --> 00:06:37,670
wisten we dat we een verzameling 
gegevens moesten maken

107
00:06:37,670 --> 00:06:41,619
die veel meer plaatjes bevat
dan wij ooit hebben gehad.

108
00:06:41,619 --> 00:06:44,706
Misschien wel duizenden keren meer.

109
00:06:44,706 --> 00:06:48,817
Samen met professor Kai Li
aan de Princeton Universiteit,

110
00:06:48,817 --> 00:06:53,569
lanceerden we in 2007
het ImageNet-project.

111
00:06:53,569 --> 00:06:57,267
Gelukkig hoefden we geen camera
op ons hoofd te zetten

112
00:06:57,267 --> 00:06:58,991
en jaren te wachten.

113
00:06:58,991 --> 00:07:00,634
We gingen het internet op,

114
00:07:00,634 --> 00:07:05,070
de grootste schat aan plaatjes
die de mens ooit heeft gemaakt.

115
00:07:05,070 --> 00:07:08,111
We downloadden
meer dan een miljard plaatjes

116
00:07:08,111 --> 00:07:13,761
en gebruikten crowdsourcing,
zoals met de Amazon Mechanische Turk

117
00:07:13,761 --> 00:07:16,330
om ons de plaatjes te helpen kenmerken.

118
00:07:16,330 --> 00:07:21,230
Op zijn hoogtepunt was ImageNet
een van de grootste werkgevers

119
00:07:21,230 --> 00:07:24,226
voor de Amazon 
Mechanische Turk-werknemers:

120
00:07:24,226 --> 00:07:28,080
In totaal bijna 50.000 mensen

121
00:07:28,080 --> 00:07:32,020
uit 167 landen van de wereld

122
00:07:32,020 --> 00:07:36,067
hielpen ons met het opschonen,
sorteren en markeren

123
00:07:36,067 --> 00:07:40,232
van bijna een miljard
mogelijk bruikbare plaatjes.

124
00:07:40,232 --> 00:07:43,265
Zoveel moeite kostte het

125
00:07:43,265 --> 00:07:46,815
om slechts een fractie
van de beelden te verwerken

126
00:07:46,815 --> 00:07:51,778
dat een kind opneemt
in zijn eerste jaren.

127
00:07:51,778 --> 00:07:56,050
Achteraf gezien lijkt dit idee
om big data te gebruiken

128
00:07:56,050 --> 00:08:00,330
om computeralgoritmes te trainen,
nogal logisch,

129
00:08:00,330 --> 00:08:04,540
maar in 2007 was dat niet zo.

130
00:08:04,540 --> 00:08:08,308
We stonden best lang alleen
op deze weg.

131
00:08:08,308 --> 00:08:13,591
Een paar vriendelijke collega's
raadden me aan wat nuttigers te gaan doen,

132
00:08:13,591 --> 00:08:17,703
en we hadden veel moeite
om onderzoeksgeld bij elkaar te krijgen.

133
00:08:17,703 --> 00:08:20,418
Ik grapte een keer naar mijn studenten

134
00:08:20,418 --> 00:08:24,301
dat ik mijn stomerij zou heropenen
om ImageNet te sponsoren.

135
00:08:24,301 --> 00:08:28,962
Zo bekostigde ik immers ook mijn studie.

136
00:08:28,962 --> 00:08:30,898
We gingen dus door.

137
00:08:30,898 --> 00:08:35,702
In 2009 leverde het ImageNet-project
een database op

138
00:08:35,702 --> 00:08:38,556
met 15 miljoen plaatjes

139
00:08:38,556 --> 00:08:43,660
in 22.000 categorieën
van voorwerpen en dingen

140
00:08:43,660 --> 00:08:46,690
ingedeeld met alledaagse Engelse woorden.

141
00:08:46,690 --> 00:08:49,786
Zowel qua kwantiteit als kwaliteit,

142
00:08:49,786 --> 00:08:52,878
was dit een ongekende schaal.

143
00:08:52,878 --> 00:08:56,339
We hebben bijvoorbeeld
in het geval van de katten,

144
00:08:56,339 --> 00:08:59,148
meer dan 62.000 katten

145
00:08:59,148 --> 00:09:03,088
in allerlei posities en houdingen


146
00:09:03,088 --> 00:09:08,331
en allerlei soorten wilde en huiskatten.

147
00:09:08,331 --> 00:09:11,825
We waren enthousiast
toen we ImageNet in elkaar hadden gezet

148
00:09:11,825 --> 00:09:15,303
en we wilden dat de hele onderzoekswereld
er plezier van had.

149
00:09:15,303 --> 00:09:19,444
Dus volgens de TED-methode stelden we
gratis de hele verzameling beschikbaar

150
00:09:19,444 --> 00:09:24,276
aan de wereldwijde onderzoeksgemeenschap.

151
00:09:24,276 --> 00:09:28,636
(Applaus)

152
00:09:29,106 --> 00:09:33,774
Nu we de gegevens hebben
om het computerbrein te voeden,

153
00:09:33,774 --> 00:09:37,491
kunnen we terugkomen
op de algoritmes zelf.

154
00:09:37,491 --> 00:09:42,549
Het bleek dat de overdadige informatie
die ImageNet gaf,

155
00:09:42,549 --> 00:09:47,675
precies paste bij een speciaal soort
algoritme voor machineleren.

156
00:09:47,675 --> 00:09:50,090
die convolutioneel neuraal netwerk heet,

157
00:09:50,090 --> 00:09:55,338
het eerst aangepakt door Kunihiko
Fukushima, Geoff Hinton en Yann LeCun,

158
00:09:55,338 --> 00:09:58,853
in de jaren zeventig en tachtig.

159
00:09:58,853 --> 00:10:00,384
Net als in de hersenen,

160
00:10:00,384 --> 00:10:04,235
die bestaan uit miljarden 
goedverbonden neuronen,

161
00:10:04,235 --> 00:10:08,065
is de basiseenheid 
van een neuraal netwerk

162
00:10:08,065 --> 00:10:10,495
een neuronenachtig knooppunt.

163
00:10:10,495 --> 00:10:13,115
Het ontvangt input
van andere knooppunten

164
00:10:13,115 --> 00:10:15,993
en stuurt output naar andere.

165
00:10:15,993 --> 00:10:20,856
Deze honderdduizenden, 
of zelfs miljoenen knooppunten

166
00:10:20,856 --> 00:10:23,923
zijn bovendien
in hiërarchische lagen georganiseerd.

167
00:10:23,923 --> 00:10:26,357
Ook weer net als in de hersenen.

168
00:10:26,357 --> 00:10:31,420
In een neuraal netwerk dat we gebruiken
om voorwerpherkenning te trainen,

169
00:10:31,420 --> 00:10:34,601
zitten 24 miljoen knooppunten,

170
00:10:34,601 --> 00:10:37,228
140 miljoen parameters,

171
00:10:37,228 --> 00:10:40,371
en 15 miljard verbindingen.

172
00:10:40,371 --> 00:10:43,076
Dat is een gigantisch model.

173
00:10:43,076 --> 00:10:46,977
Mogelijk gemaakt door de enorme
hoeveelheid gegevens van IMageNet

174
00:10:46,977 --> 00:10:51,860
en moderne processoren
om zo'n gigantisch model te trainen,

175
00:10:51,860 --> 00:10:54,849
kwam het convolutioneel
neuraal netwerk tot bloei,

176
00:10:54,849 --> 00:10:58,035
op een manier die niemand had verwacht.

177
00:10:58,035 --> 00:10:59,883
Het werd de architectuur

178
00:10:59,883 --> 00:11:04,093
die de meeste opwindende 
nieuwe resultaten leverde

179
00:11:04,093 --> 00:11:05,993
op het gebied van voorwerpherkenning.

180
00:11:05,993 --> 00:11:08,793
Dit is een computer die ons vertelt

181
00:11:08,793 --> 00:11:11,173
dat op deze foto een kat staat

182
00:11:11,173 --> 00:11:12,776
en waar de kat is.

183
00:11:12,776 --> 00:11:15,188
Er zijn natuurlijk meer dingen dan katten.

184
00:11:15,188 --> 00:11:17,626
Hier is een computeralgoritme dat zegt

185
00:11:17,626 --> 00:11:20,900
dat op deze foto
een jongen met teddybeer staat,

186
00:11:20,900 --> 00:11:25,266
een hond, een persoon
en een vliegertje op de achtergrond,

187
00:11:25,266 --> 00:11:28,401
of een foto met veel dingen,

188
00:11:28,401 --> 00:11:33,045
zoals een man, een skateboard,
een hek, een lantaarnpaal, enzovoort.

189
00:11:33,045 --> 00:11:39,298
Soms, als de computer het
niet helemaal zeker weet,

190
00:11:39,298 --> 00:11:41,774
hebben we hem geleerd
slim genoeg te zijn

191
00:11:41,774 --> 00:11:45,462
om een veilig antwoord te geven
in plaats van te veel prijs te geven,

192
00:11:45,462 --> 00:11:48,133
wat wij ook zouden doen.

193
00:11:48,133 --> 00:11:53,129
Op andere momenten is het opmerkelijk
wat het computeralgoritme ons vertelt

194
00:11:53,129 --> 00:11:55,242
welke voorwerpen het precies zijn,

195
00:11:55,242 --> 00:11:58,818
zoals merk, model
en bouwjaar van de auto.

196
00:11:58,818 --> 00:12:04,084
We pasten dit algoritme toe op miljoenen
Google Street View-beelden

197
00:12:04,084 --> 00:12:07,059
dwars door honderden Amerikaanse steden,

198
00:12:07,059 --> 00:12:10,265
en we bemerkten iets interessants:

199
00:12:10,265 --> 00:12:13,765
ten eerste bevestigde het ons vermoeden

200
00:12:13,765 --> 00:12:16,875
dat autoprijzen gelijk op gaan

201
00:12:16,875 --> 00:12:19,030
met gezinsinkomens.

202
00:12:19,030 --> 00:12:23,747
Verrassend is echter, 
dat autoprijzen ook gelijk op gaan

203
00:12:23,747 --> 00:12:26,577
met de misdaadcijfers in de steden,

204
00:12:26,577 --> 00:12:30,970
of het stemgedrag met de postcode.

205
00:12:31,640 --> 00:12:34,266
Wacht even, is dat het?

206
00:12:34,266 --> 00:12:39,419
Is de computer al net zo goed als de mens
of zelfs al beter?

207
00:12:39,419 --> 00:12:41,557
Niet zo snel.

208
00:12:41,557 --> 00:12:46,340
Tot nu toe hebben we de computer
alleen geleerd voorwerpen te bekijken.

209
00:12:46,340 --> 00:12:50,954
Net als een kind leren een paar
zelfstandige naamwoorden te zeggen.

210
00:12:50,954 --> 00:12:53,554
Een ongelooflijke prestatie,

211
00:12:53,554 --> 00:12:56,254
maar pas de eerste stap.

212
00:12:56,254 --> 00:12:59,936
Er zal vlot een volgende mijlpaal
gehaald worden:

213
00:12:59,936 --> 00:13:03,477
het kind zal beginnen
te communiceren in zinnen.

214
00:13:03,477 --> 00:13:07,701
In plaats van te zeggen dat het een kat is
op het plaatje,

215
00:13:07,701 --> 00:13:12,903
heb je het meisje al horen zeggen
dat de kat op een bed ligt.

216
00:13:12,903 --> 00:13:18,498
Om een computer dus te leren
om een plaatje te zien en zinnen te maken,

217
00:13:18,498 --> 00:13:22,166
moet het huwelijk tussen big data
en machineleren

218
00:13:22,166 --> 00:13:24,721
de volgende stap nemen.

219
00:13:24,721 --> 00:13:28,877
De computer moet zowel leren
van plaatjes

220
00:13:28,877 --> 00:13:31,733
als van zinnen in natuurlijke taal,

221
00:13:31,733 --> 00:13:35,055
voortgebracht door mensen.

222
00:13:35,055 --> 00:13:38,908
Net zoals de hersenen
die beeld en taal integreren,

223
00:13:38,908 --> 00:13:44,109
hebben we een model ontwikkeld
dat delen van zichtbare dingen,

224
00:13:44,109 --> 00:13:46,013
visuele fragmenten,

225
00:13:46,013 --> 00:13:50,216
verbindt met woorden en zinsdelen.

226
00:13:50,216 --> 00:13:52,799
Ongeveer vier maanden geleden

227
00:13:52,799 --> 00:13:55,456
voegden we dit allemaal samen

228
00:13:55,456 --> 00:13:59,250
en maakten een van de eerste 
computervisie-modellen

229
00:13:59,250 --> 00:14:03,404
dat in staat is mensentaalachtige
zinnen te maken

230
00:14:03,404 --> 00:14:06,910
als het voor de eerste keer
een plaatje ziet.

231
00:14:06,910 --> 00:14:11,554
Ik ben zover dat ik wil laten zien
wat de computer zegt

232
00:14:11,554 --> 00:14:13,529
als die het plaatje ziet

233
00:14:13,529 --> 00:14:19,019
van het meisje dat je aan het begin 
van de talk hebt gezien.

234
00:14:19,019 --> 00:14:22,863
(Video) Computer: Een man staat
naast de olifant.

235
00:14:24,083 --> 00:14:28,027
Een groot vliegtuig staat
op een startbaan.

236
00:14:29,057 --> 00:14:33,269
FFL: Natuurlijk werken we hard
aan het verbeteren van de algoritmes

237
00:14:33,269 --> 00:14:35,865
en er moet nog veel geleerd worden.

238
00:14:35,865 --> 00:14:39,186
(Applaus)

239
00:14:39,196 --> 00:14:42,877
De computer maakt nog steeds fouten.

240
00:14:42,877 --> 00:14:46,008
(Video) Computer: Een kat 
ligt op een bed in een laken.

241
00:14:46,008 --> 00:14:48,571
FFL: Als hij te veel katten ziet,

242
00:14:48,571 --> 00:14:51,747
kan hij gaan denken dat alles een kat is.

243
00:14:53,317 --> 00:14:56,181
(Video) Computer: Een jongetje
heeft een honkbalknuppel vast.

244
00:14:56,181 --> 00:14:57,566
(Gelach)

245
00:14:57,566 --> 00:15:02,529
FFL: Als hij nog nooit een tandenborstel
heeft gezien, raakt hij in de war.

246
00:15:03,019 --> 00:15:06,483
(Video) Computer: Een man rijdt paard
door een straat langs een gebouw.

247
00:15:06,483 --> 00:15:08,546
(Gelach)

248
00:15:08,546 --> 00:15:13,448
FFL: We hebben Art 101 nog niet
aan de computer geleerd.

249
00:15:13,448 --> 00:15:16,252
(Video) Computer: Een zebra
staat in een grasveld.

250
00:15:16,252 --> 00:15:20,019
FFL: Het heeft nog niet geleerd 
de prachtige natuur te waarderen,

251
00:15:20,019 --> 00:15:22,267
zoals jullie en ik doen.

252
00:15:22,267 --> 00:15:25,109
De weg is dus lang.

253
00:15:25,109 --> 00:15:29,315
Het viel niet mee
om van nul naar drie jaar te komen

254
00:15:29,315 --> 00:15:35,111
Van drie tot 13 jaar of verder,
is helemaal een grote uitdaging.

255
00:15:35,111 --> 00:15:39,286
Denk nog even aan dit plaatje
van de jongen en de taart.

256
00:15:39,286 --> 00:15:43,540
Tot nu toe hebben we de computer geleerd
om voorwerpen te zien

257
00:15:43,540 --> 00:15:47,768
of zelfs een simpel verhaaltje
te vertellen bij het zien van een plaatje.

258
00:15:47,768 --> 00:15:51,574
(Video) Computer: Een persoon
zit aan tafel met een taart.

259
00:15:51,574 --> 00:15:53,744
FFL: Maar er zit meer aan vast

260
00:15:53,744 --> 00:15:56,094
dan alleen een persoon en een taart.

261
00:15:56,094 --> 00:16:00,941
De computer ziet niet dat dit
een speciale Italiaanse taart is

262
00:16:00,941 --> 00:16:03,928
die alleen met Pasen wordt gegeten.

263
00:16:03,928 --> 00:16:07,223
De jongen draagt zijn lievelingsshirt

264
00:16:07,223 --> 00:16:11,333
die hij heeft gekregen van zijn vader
na een reis naar Sydney,

265
00:16:11,333 --> 00:16:15,141
en iedereen ziet hoe blij hij is

266
00:16:15,141 --> 00:16:18,844
en waar hij precies aan denkt
op dat moment.

267
00:16:18,844 --> 00:16:22,079
Dit is mijn zoon Leo.

268
00:16:22,079 --> 00:16:24,783
Bij mijn zoektocht
naar visuele intelligentie

269
00:16:24,783 --> 00:16:27,204
denk ik steeds aan Leo

270
00:16:27,204 --> 00:16:30,107
en aan zijn toekomstige wereld.

271
00:16:30,107 --> 00:16:32,278
Als machines kunnen zien,

272
00:16:32,278 --> 00:16:36,990
zullen doktoren en verpleegsters
een extra paar onvermoeibare ogen hebben

273
00:16:36,990 --> 00:16:41,082
om te helpen bij de diagnose
en om voor de patiënten te zorgen.

274
00:16:41,082 --> 00:16:45,465
Auto's zullen slimmer 
en veiliger over de weg rijden..

275
00:16:45,465 --> 00:16:47,949
Robots, niet alleen mensen,

276
00:16:47,949 --> 00:16:53,288
zullen ons helpen rampplekken te betreden
om ingeslotenen en gewonden te redden.

277
00:16:53,288 --> 00:16:57,594
We zullen nieuwe soorten ontdekken
en betere materialen,

278
00:16:57,594 --> 00:17:02,713
en ongeziene gebieden verkennen
met behulp van machines.

279
00:17:02,713 --> 00:17:07,280
Beetje bij beetje geven we machines
gezichtsvermogen.

280
00:17:07,280 --> 00:17:09,798
Eerst leren we ze te kijken.

281
00:17:09,798 --> 00:17:12,841
Daarna helpen ze ons bij het kijken.

282
00:17:12,841 --> 00:17:17,006
Voor het eerst zijn menselijke ogen
niet de enige

283
00:17:17,006 --> 00:17:19,530
die over de wereld nadenken
en haar verkennen.

284
00:17:19,530 --> 00:17:23,400
We gaan de machines niet alleen
vanwege hun intelligentie gebruiken,

285
00:17:23,400 --> 00:17:25,580
en gaan met ze samenwerken

286
00:17:25,580 --> 00:17:28,960
op manieren die we ons 
niet kunnen voorstellen.

287
00:17:28,960 --> 00:17:31,740
Dit is mijn zoektocht:

288
00:17:31,740 --> 00:17:34,452
computers visuele intelligentie geven

289
00:17:34,452 --> 00:17:39,353
en een betere toekomst geven
aan Leo en aan de wereld.

290
00:17:39,353 --> 00:17:41,074
Dank je wel.

291
00:17:41,074 --> 00:17:43,389
(Applaus)