0:00:00.800,0:00:03.924
Ηγούμαι μιας ομάδας στην Google[br]που ερευνά τη μηχανική ευφυΐα.

0:00:03.948,0:00:08.598
Με άλλα λόγια, τον κλάδο της μηχανικής[br]που κάνει υπολογιστές και συσκευές

0:00:08.622,0:00:11.041
να μπορούν να κάνουν[br]κάποια απ' όσα κάνει το μυαλό.

0:00:11.439,0:00:14.262
Γι' αυτό ενδιαφερόμαστε[br]για τους κανονικούς εγκεφάλους

0:00:14.262,0:00:16.101
καθώς και για τη νευροεπιστήμη,

0:00:16.101,0:00:20.047
και ειδικότερα για τα πράγματα [br]που κάνει το μυαλό μας

0:00:20.047,0:00:24.089
που ακόμα είναι πολύ ανώτερο[br]από τις επιδόσεις των υπολογιστών.

0:00:25.209,0:00:28.818
Ιστορικά, ένα από αυτά που μας ενδιέφεραν[br]ήταν η αντίληψη,

0:00:28.842,0:00:31.881
η διαδικασία με την οποία[br]τα πράγματα εκεί έξω στον κόσμο

0:00:31.905,0:00:33.489
-ήχοι και εικόνες-

0:00:33.513,0:00:35.691
μετατρέπονται σε έννοιες μέσα στο μυαλό.

0:00:36.235,0:00:38.752
Αυτό είναι ζωτικό για τον εγκέφαλό μας

0:00:38.776,0:00:41.240
και επίσης είναι πολύ χρήσιμο [br]για τον υπολογιστή.

0:00:41.636,0:00:45.286
Για παράδειγμα, οι αλγόριθμοι μηχανικής[br]αντίληψης που φτιάχνει η ομάδα μας

0:00:45.286,0:00:48.884
κάνουν δυνατή την αναζήτηση[br]στις φωτογραφίες του Google Photos

0:00:48.884,0:00:50.911
βάσει του τι αυτές περιέχουν.

0:00:51.594,0:00:55.087
Η άλλη πλευρά της αντίληψης [br]είναι η δημιουργικότητα:

0:00:55.111,0:00:58.149
το να μεταμορφώνετε μια έννοια[br]σε κάτι εκεί έξω στον κόσμο.

0:00:58.173,0:01:01.728
Έτσι τον τελευταίο χρόνο,[br]η εργασία μας πάνω στη μηχανική αντίληψη

0:01:01.752,0:01:06.515
συνδέθηκε απρόσμενα [br]και με τον κόσμο της δημιουργικότητας

0:01:06.515,0:01:07.965
και της τέχνης από μηχανές.

0:01:08.556,0:01:11.930
Νομίζω ότι ο Μιχαήλ Αγγελος[br]είδε πολύ διορατικά

0:01:11.930,0:01:15.520
αυτή τη δυαδική σχέση[br]μεταξύ αντίληψης και δημιουργικότητας.

0:01:16.023,0:01:18.029
Ένα φημισμένο απόφθεγμά του λέει:

0:01:18.053,0:01:21.756
«Κάθε κομμάτι πέτρας [br]έχει μέσα του ένα άγαλμα

0:01:21.756,0:01:25.178
και είναι δουλειά του γλύπτη[br]να το αποκαλύψει».

0:01:26.029,0:01:29.245
Νομίζω ότι ο Μιχαήλ Άγγελος εννοεί

0:01:29.269,0:01:32.449
ότι δημιουργούμε μέσα από την αντίληψη,

0:01:32.473,0:01:35.496
και η ίδια η αντίληψη [br]είναι μια πράξη φαντασίας

0:01:35.520,0:01:38.081
από την οποία είναι φτιαγμένη[br]η δημιουργικότητα.

0:01:38.691,0:01:42.616
Το όργανο που σκέφτεται, [br]αντιλαμβάνεται και φαντάζεται

0:01:42.640,0:01:44.228
είναι φυσικά ο εγκέφαλος.

0:01:45.089,0:01:47.634
Θα ήθελα να αρχίσω με λίγη ιστορία

0:01:47.658,0:01:49.960
σχετικά με το τι γνωρίζουμε[br]για τον εγκέφαλό μας.

0:01:50.406,0:01:53.026
Γιατί διαφορετικά, ας πούμε,[br]από την καρδιά ή τα έντερα

0:01:53.026,0:01:56.064
δεν μπορείς να πεις πολλά [br]για τον εγκέφαλο απλώς κοιτώντας τον

0:01:56.064,0:01:57.676
τουλάχιστον δια γυμνού οφθαλμού.

0:01:57.983,0:02:00.399
Οι πρώτοι ανατόμοι [br]που εξέτασαν τον εγκέφαλο

0:02:00.423,0:02:04.230
έδωσαν στις εμφανείς δομές του[br]κάθε είδους περίεργη ονομασία,

0:02:04.254,0:02:06.687
όπως ιππόκαμπος, ένα είδος μικρής γαρίδας.

0:02:06.711,0:02:09.459
Αλλά φυσικά αυτό δεν μας λέει πάρα πολλά

0:02:09.459,0:02:12.057
σχετικά με το τι πραγματικά[br]συμβαίνει στο εσωτερικό.

0:02:12.780,0:02:16.393
Ο πρώτος που πιστεύω ότι κάπως μάντεψε

0:02:16.417,0:02:18.347
τι περίπου συμβαίνει μέσα στον εγκέφαλο

0:02:18.371,0:02:22.291
ήταν ο μεγάλος Ισπανός νευροανατόμος [br]Σαντιάγο Ραμόν ι Καχάλ

0:02:22.315,0:02:23.859
τον 19ο αιώνα,

0:02:23.883,0:02:27.638
που χρησιμοποίησε μικροσκόπιο [br]και ειδικές χρωστικές

0:02:27.662,0:02:31.832
που μπορούσαν επιλεκτικά να εισχωρήσουν[br]και να χρωματίσουν με μεγάλη αντίθεση

0:02:31.856,0:02:33.864
τα επιμέρους κελιά του εγκεφάλου,

0:02:33.888,0:02:37.042
ούτως ώστε να αρχίσουμε[br]να καταλαβαίνουμε τη μορφολογία τους.

0:02:37.972,0:02:42.023
Αυτά είναι τα σκίτσα νευρώνων[br]που έφτιαξε τον 19ο αιώνα.

0:02:42.120,0:02:44.004
Αυτό είναι από εγκέφαλο πουλιού.

0:02:44.028,0:02:47.085
Βλέπετε αυτή την απίστευτη ποικιλία[br]από διάφορα είδη κελιών,

0:02:47.109,0:02:50.544
ακόμα και η ίδια η κυτταρική θεωρία[br]ήταν αρκετά νέα εκείνον τον καιρό.

0:02:50.568,0:02:51.846
Και αυτές οι δομές,

0:02:51.870,0:02:54.129
τα κελιά που έχουν αυτές τις διακλαδώσεις

0:02:54.129,0:02:56.737
που εκτείνονται σε πολύ μεγάλες αποστάσεις

0:02:56.737,0:02:58.543
ήταν κάτι πολύ νέο εκείνη την εποχή.

0:02:58.779,0:03:01.682
Φυσικά, μας θυμίζουν καλώδια.

0:03:01.706,0:03:05.163
Αυτό θα καταλάβαιναν [br]κάποιοι άνθρωποι τον 19ο αιώνα -

0:03:05.187,0:03:09.501
η επανάσταση καλωδίων και ηλεκτρικού[br]ήταν μόλις στο ξεκίνημά τους.

0:03:09.878,0:03:11.166
Αλλά με διάφορους τρόπους,

0:03:11.166,0:03:14.479
αυτά τα μικροανατομικά σκίτσα [br]του Ραμόν ι Καχάλ, όπως αυτό,

0:03:14.503,0:03:16.835
ακόμη παραμένουν αξεπέραστα[br]με κάποιους τρόπους.

0:03:16.859,0:03:18.713
Πάνω από έναν αιώνα αργότερα

0:03:18.737,0:03:21.562
προσπαθούμε να τελείωσουμε [br]αυτό που άρχισε ο Ραμόν ι Καχάλ.

0:03:21.586,0:03:23.854
Αυτά είναι τα ακατέργαστα δεδομένα

0:03:23.854,0:03:27.625
από τους συνεργάτες μας στο Ινστιτούτο[br]Νευροεπιστήμης Μαξ Πλανκ.

0:03:27.649,0:03:34.099
Οι συνεργάτες μας απεικόνισαν[br]μικρά κομμάτια εγκεφαλικού ιστού.

0:03:34.099,0:03:35.904
Το συνολικό δείγμα εδώ

0:03:35.904,0:03:38.164
είναι περίπου[br]ένα κυβικό χιλιοστό σε μέγεθος,

0:03:38.164,0:03:40.459
κι εδώ σας δείχνω ένα πολύ μικρό κομμάτι.

0:03:40.483,0:03:42.829
Η μπάρα αριστερά [br]είναι περίπου ένα μικρόμετρο.

0:03:42.853,0:03:45.262
Οι δομές που βλέπετε είναι μιτοχόνδρια

0:03:45.286,0:03:47.330
που είναι στο μέγεθος βακτηρίων.

0:03:47.354,0:03:48.905
Και αυτές είναι συνεχείς τομές

0:03:48.929,0:03:52.077
αυτού του πολύ μικρού κομματιού ιστού.

0:03:52.101,0:03:54.504
Απλώς για σύγκριση,

0:03:54.528,0:03:58.320
η διάμετρος μιας μέσης τρίχας [br]είναι περίπου 100 μικρόμετρα.

0:03:58.344,0:04:00.618
Άρα κοιτάζουμε κάτι πολύ πολύ μικρότερο

0:04:00.642,0:04:02.040
από μια τρίχα μαλλιών.

0:04:02.064,0:04:06.095
Και από αυτές τις συνεχείς τομές[br]από ηλεκτρονικό μικροσκόπιο

0:04:06.119,0:04:11.127
κάποιος μπορεί να φτιάξει τρισδιάστατα[br]νευρώνες που μοιάζουν έτσι.

0:04:11.151,0:04:14.308
Έτσι είναι κάπως το ίδιο στυλ[br]με αυτές του Ραμόν ι Καχάλ.

0:04:14.332,0:04:15.824
Μόνο λίγοι νευρώνες άναψαν,

0:04:15.848,0:04:18.629
γιατί αλλιώς δεν θα μπορούσαμε [br]να δούμε τίποτα εδώ.

0:04:18.653,0:04:19.965
Θα ήταν τόσο πυκνό,

0:04:19.989,0:04:21.319
τόσο γεμάτο με δομές,

0:04:21.343,0:04:24.387
με καλώδια που συνδέουν [br]τους νευρώνες μεταξύ τους.

0:04:25.293,0:04:28.097
Έτσι ο Ραμόν ι Καχάλ ήταν λίγο [br]μπροστά από την εποχή του

0:04:28.121,0:04:30.676
και η πρόοδος [br]για την κατανόηση του εγκεφάλου

0:04:30.700,0:04:32.971
προχώρησε αργά [br]τις επόμενες λίγες δεκαετίες.

0:04:33.455,0:04:36.308
Γνωρίζαμε όμως ότι οι νευρώνες [br]χρησιμοποιούν ηλεκτρισμό

0:04:36.332,0:04:39.232
και μέχρι τον Β΄ Παγκόσμιο Πόλεμο[br]είχαμε κάνει αρκετή πρόοδο

0:04:39.232,0:04:42.218
ώστε να κάνουμε ηλεκτρικά πειράματα[br]σε νευρώνες υπό λειτουργία

0:04:42.218,0:04:44.348
ώστε να καταλάβουμε καλύτερα[br]πώς δούλευαν.

0:04:44.631,0:04:48.987
Τότε ακριβώς εφευρέθηκαν οι υπολογιστές

0:04:49.011,0:04:52.111
και βασίστηκαν κατά πολύ [br]στη δομή του εγκεφάλου -

0:04:52.135,0:04:55.220
του «ευφυούς μηχανισμού»,[br]όπως τα αποκαλούσε ο Άλαν Τιούρινγκ,

0:04:55.244,0:04:57.235
ο πατέρας της επιστήμης των υπολογιστών.

0:04:57.923,0:05:00.259
Οι Γουόρεν ΜακΚάλοκ και Γουόλτερ Πιτς

0:05:00.259,0:05:03.896
είδαν τα σκίτσα του Ραμόν ι Καχάλ[br]από τον φλοιό του εγκεφάλου

0:05:03.920,0:05:05.482
που σας δείχνω εδώ.

0:05:05.506,0:05:09.948
Αυτός είναι ο φλοιός που επεξεργάζεται[br]εικόνες που φτάνουν από το μάτι.

0:05:10.424,0:05:13.932
Και τους φάνηκε σαν διάγραμμα κυκλώματος.

0:05:14.353,0:05:18.102
Υπάρχουν πολλές λεπτομέρειες[br]στο διάγραμμα των ΜακΚάλοκ και Πιτς

0:05:18.102,0:05:19.564
που δεν είναι ακριβώς σωστές.

0:05:19.588,0:05:20.823
Αλλά αυτή η βασική ιδέα

0:05:20.847,0:05:24.839
ότι ο εγκεφαλικός ιστός λειτουργεί[br]σαν μια σειρά από υπολογιστικά στοιχεία

0:05:24.863,0:05:27.609
που μεταβιβάζουν πληροφορίες[br]συνεχώς ο ένας στον άλλον

0:05:27.633,0:05:29.235
είναι κατά βάσην σωστή.

0:05:29.259,0:05:31.609
Ας μιλήσουμε για μια στιγμή

0:05:31.633,0:05:35.665
τι θα πρέπει να κάνει ένα μοντέλο[br]επεξεργασίας οπτικών πληροφοριών.

0:05:36.228,0:05:38.969
Το βασικό έργο της αντίληψης

0:05:38.993,0:05:43.187
είναι να πάρει μια τέτοια φωτογραφία[br]και να πει,

0:05:43.211,0:05:44.387
«Αυτό είναι ένα πουλί»,

0:05:44.411,0:05:47.285
που είναι κάτι πολύ απλό [br]να κάνουμε με τον εγκέφαλό μας.

0:05:47.309,0:05:50.730
Αλλά πρέπει να καταλάβετε[br]ότι για έναν υπολογιστή,

0:05:50.754,0:05:53.841
αυτό ήταν μάλλον αδύνατον[br]πριν από λίγα χρόνια.

0:05:53.865,0:05:55.781
Η κλασική δομή του υπολογιστή

0:05:55.805,0:05:58.582
δεν ευνοεί αυτή τη δουλειά.

0:05:59.366,0:06:01.918
Έτσι λοιπόν, [br]αυτό που συμβαίνει με τα πίξελ,

0:06:01.942,0:06:05.924
ανάμεσα στην εικόνα του πουλιού[br]και τη λέξη «πουλί»,

0:06:05.924,0:06:07.822
αφορά ουσιαστικά μια ομάδα νευρώνων

0:06:07.822,0:06:09.987
που αλληλοσυνδέονται[br]σε ένα νευρωνικό δίκτυο,

0:06:09.987,0:06:11.198
όπως στο διάγραμμα.

0:06:11.198,0:06:14.580
Μπορεί να είναι βιολογικό νευρωνικό δίκτυο[br]μέσα στον εγκεφαλικό φλοιό,

0:06:14.580,0:06:17.046
ή, στις μέρες μας,[br]αρχίζουμε να έχουμε την ικανότητα

0:06:17.046,0:06:19.544
να μοντελοποιήσουμε[br]τέτοια δίκτυα στον υπολογιστή.

0:06:19.834,0:06:22.187
Θα σας δείξω πώς μοιάζουν αυτά τα δίκτυα.

0:06:22.211,0:06:25.627
Μπορείτε να σκεφτείτε τα πίξελ[br]ως το πρώτο επίπεδο νευρώνων,

0:06:25.651,0:06:27.754
και βασικά έτσι λειτουργεί το μάτι -

0:06:27.754,0:06:29.727
είναι οι νευρώνες στον αμφιβληστροειδή.

0:06:29.727,0:06:31.801
Και αυτοί μεταδίδουν την πληροφορία

0:06:31.801,0:06:34.528
σε αλλεπάλληλα επίπεδα νευρώνων,

0:06:34.552,0:06:37.265
που όλα συνδέονται [br]από συνάψεις διαφορετικών βαρών.

0:06:37.609,0:06:39.144
Η συμπεριφορά αυτού του δικτύου

0:06:39.144,0:06:42.226
χαρακτηρίζεται από τις δυνάμεις [br]όλων αυτών των συνάψεων.

0:06:42.226,0:06:45.564
Αυτές χαρακτηρίζουν τις υπολογιστικές[br]ιδιότητες αυτού του δικτύου.

0:06:45.588,0:06:47.058
Και στη λήξη της διαδικασίας,

0:06:47.082,0:06:49.529
έχετε έναν νευρώνα [br]ή μια μικρή ομάδα νευρώνων

0:06:49.553,0:06:51.280
που θα ανάψει και θα πει «πουλί».

0:06:51.824,0:06:54.956
Τώρα θα αναπαραστήσω [br]αυτά τα τρία πράγματα -

0:06:54.980,0:06:59.676
τα πίξελ τροφοδοσίας [br]και τις συνάψεις στο νευρωνικό δίκτυο,

0:06:59.700,0:07:01.285
και το πουλί, το εξαγόμενο -

0:07:01.309,0:07:04.366
με τρεις μεταβλητές: x, w και y

0:07:04.523,0:07:06.664
Μπορεί να υπάρχουν[br]περίπου ένα εκατομμύριο x -

0:07:06.688,0:07:08.641
ένα εκατομμύριο πίξελ σε αυτή την εικόνα.

0:07:08.665,0:07:11.111
Υπάρχουν δισεκατομμύρια [br]ή τρισεκατομμύρια w,

0:07:11.135,0:07:14.520
που αντιπροσωπεύουν τα βάρη[br]όλων των συνάψεων του νευρωνικού δικτύου.

0:07:14.520,0:07:16.805
Και μπορεί να υπάρχει [br]ένα μικρός αριθμός από y,

0:07:16.805,0:07:18.337
από εξαγόμενα του δικτύου.

0:07:18.361,0:07:20.470
Το «πουλί» είναι[br]μόνο πέντε γράμματα, σωστά;

0:07:21.088,0:07:24.514
Ας υποθέσουμε ότι αυτός είναι [br]ένας πολύ απλός μαθηματικός τύπος,

0:07:24.538,0:07:26.701
x "x" w = y.

0:07:26.725,0:07:28.761
Βάζω τις φορές σε εισαγωγικά

0:07:28.785,0:07:31.065
επειδή αυτό που φυσικά συμβαίνει εκεί μέσα

0:07:31.089,0:07:34.305
είναι μια σειρά από πολύπλοκες [br]μαθηματικές λειτουργίες.

0:07:35.172,0:07:36.393
Αυτή είναι μια εξίσωση.

0:07:36.417,0:07:38.089
Υπάρχουν τρεις μεταβλητές.

0:07:38.113,0:07:40.839
Και όλοι γνωρίζουμε ότι σε μια εξίσωση

0:07:40.863,0:07:44.505
μπορείς να λύσεις ως προς τον έναν άγνωστο[br]εάν γνωρίζεις τους άλλους δύο.

0:07:45.158,0:07:48.122
Έτσι το πρόβλημα της συνεπαγωγής,

0:07:48.122,0:07:51.435
δηλαδή του να συμπεράνουμε [br]ότι πρόκειται για φωτογραφία πουλιού,

0:07:51.459,0:07:52.733
είναι το εξής:

0:07:52.757,0:07:56.150
είναι που ο άγνωστος είναι ο y[br]και οι w και x είναι γνωστοί.

0:07:56.150,0:07:58.769
Γνωρίζετε τα νευρωνικά δίκτυα,[br]γνωρίζετε και τα πίξελ.

0:07:58.769,0:08:02.050
Όπως βλέπετε είναι [br]ένα σχετικά ξεκάθαρο πρόβλημα.

0:08:02.074,0:08:04.260
Πολλαπλασιάζετε το 2 επί 3 και τελειώσατε.

0:08:04.862,0:08:06.985
Θα σας δείξω ένα τεχνητό νευρωνικό δίκτυο

0:08:07.009,0:08:09.305
που φτιάξαμε πρόσφατα, [br]να κάνει ακριβώς αυτό.

0:08:09.634,0:08:12.494
Δουλεύει σε πραγματικό χρόνο [br]σε κινητό τηλέφωνο,

0:08:12.518,0:08:15.831
και αυτό από μόνο του[br]είναι αξιοθαύμαστο γεγονός,

0:08:15.855,0:08:19.323
τα κινητά μπορούν να κάνουν δισεκατομμύρια[br]και τρισεκατομμύρια λειτουργίες

0:08:19.347,0:08:20.595
ανά δευτερόλεπτο.

0:08:20.619,0:08:22.234
Αυτό που βλέπετε είναι ένα κινητό

0:08:22.258,0:08:25.805
που κοιτάζει αλλεπάλληλες [br]φωτογραφίες από πουλιά,

0:08:25.829,0:08:28.544
και όχι μόνο λέει, «Ναι, είναι πουλί»

0:08:28.568,0:08:31.979
αλλά αναγνωρίζει το είδος του πουλιού[br]με ένα τέτοιο νευρωνικό δίκτυο.

0:08:32.890,0:08:34.716
Έτσι σε αυτή την φωτογραφία,

0:08:34.740,0:08:38.542
οι x και w είναι γνωστοί[br]και ο y είναι ο άγνωστος.

0:08:38.566,0:08:41.404
Φυσικά δεν μπαίνω σε λεπτομέρειες[br]για το πολύ δύσκολο μέρος,

0:08:41.404,0:08:44.959
το πώς στο καλό υπολογίσαμε το w,

0:08:44.983,0:08:47.154
τον εγκέφαλο που μπορεί [br]να κάνει κάτι τέτοιο;

0:08:47.154,0:08:49.238
Πώς μπορεί να μάθαμε ένα τέτοιο μοντέλο;

0:08:49.418,0:08:52.651
Αυτή λοιπόν η διαδικασία μάθησης,[br]να λύνουμε ως προς w,

0:08:52.675,0:08:55.322
αν το κάναμε με την απλή εξίσωση

0:08:55.346,0:08:57.346
στην οποία τα βλέπουμε αυτά ως αριθμούς,

0:08:57.370,0:09:00.057
ξέρουμε πώς ακριβώς να το κάνουμε:[br]6 = 2 x w,

0:09:00.081,0:09:03.393
βασικά διαιρούμε διά 2 και τελειώσαμε.

0:09:04.001,0:09:06.221
Το πρόβλημα είναι αυτή η πράξη.

0:09:06.823,0:09:07.974
Διαίρεση λοιπόν -

0:09:07.998,0:09:11.119
χρησιμοποιήσαμε τη διαίρεση[br]ως το αντίθετο του πολλαπλασιασμού,

0:09:11.143,0:09:12.583
αλλά όπως είπα μόλις,

0:09:12.607,0:09:15.056
ο πολλαπλασιασμός είναι λίγο ψεύτικος.

0:09:15.080,0:09:18.406
Αυτή είναι μια πολύ περίπλοκη,[br]μια εντελώς μη γραμμική λειτουργία,

0:09:18.430,0:09:20.134
δεν έχει αντίθετο.

0:09:20.158,0:09:23.308
Έτσι πρέπει να βρούμε τρόπο[br]να λύσουμε την εξίσωση

0:09:23.332,0:09:25.356
χωρίς το σύμβολο της διαίρεσης.

0:09:25.380,0:09:27.723
Και ο τρόπος να το κάνουμε[br]είναι αρκετά ξεκάθαρος.

0:09:27.747,0:09:30.418
Απλώς λέτε, ας κάνουμε [br]ένα κόλπο της άλγεβρας

0:09:30.442,0:09:33.348
και να μετακινήσουμε το 6[br]στη δεξιά πλευρά της εξίσωσης.

0:09:33.372,0:09:35.198
Τώρα ακόμα έχουμε τον πολλαπλασιασμό.

0:09:35.675,0:09:39.255
Και αυτό το μηδέν -[br]ας το σκεφτούμε σαν ένα σφάλμα.

0:09:39.279,0:09:41.794
Με άλλα λόγια, [br]αν λύναμε σωστά ως προς w,

0:09:41.818,0:09:43.474
τότε το σφάλμα θα ήταν μηδέν.

0:09:43.498,0:09:45.290
Και αν δεν το κάναμε αρκετά σωστά,

0:09:45.290,0:09:47.249
το σφάλμα θα είναι μεγαλύτερο από μηδέν.

0:09:47.249,0:09:50.599
Έτσι μπορούμε απλώς να μαντέψουμε[br]για να ελαχιστοποιήσουμε το σφάλμα,

0:09:50.623,0:09:53.310
και αυτό το κάνουν καλά οι υπολογιστές.

0:09:53.310,0:09:54.853
Ας κάνουμε μια πρώτη μαντεψιά:

0:09:54.853,0:09:56.009
Τι θα γινόταν αν w = 0;

0:09:56.009,0:09:57.249
Τότε το σφάλμα είναι 6.

0:09:57.249,0:09:58.885
Εάν το w = 1; Το σφάλμα είναι 4.

0:09:58.885,0:10:01.232
Ο υπολογιστής μπορεί[br]δίνοντας διάφορες τιμές

0:10:01.256,0:10:03.623
να περιορίσει το σφάλμα κοντά στο μηδέν.

0:10:03.647,0:10:07.021
Κάνοντάς το αυτό, [br]λαμβάνει διαδοχικές τιμές κοντά στο w.

0:10:07.045,0:10:10.701
Πρακτικά ποτέ δεν το φτάνει[br]αλλά μετά από καμιά δεκαριά δοκιμές

0:10:10.725,0:10:15.569
φτάνουμε στο w = 2.999 [br]που είναι αρκετά κοντά.

0:10:16.302,0:10:18.116
Και αυτή είναι η διαδικασία μάθησης.

0:10:18.140,0:10:20.870
Θυμηθείτε λοιπόν

0:10:20.894,0:10:25.272
ότι εδώ παίρνουμε πολλούς γνωστούς x[br]και γνωστούς y

0:10:25.296,0:10:28.750
και λύνουμε ως προς w [br]μέσω μιας επαναληπτικής μεθόδου.

0:10:28.774,0:10:32.330
Με τον ίδιο ακριβώς τρόπο [br]μαθαίνουμε κι εμείς.

0:10:32.354,0:10:34.584
Ως μωρά έχουμε πάρα πολλές εικόνες

0:10:34.608,0:10:37.241
και μας λένε, «Αυτό είναι πουλί,[br]αυτό δεν είναι πουλί».

0:10:37.714,0:10:39.812
Και με τον καιρό και την επανάληψη

0:10:39.836,0:10:42.764
λύνουμε ως προς w, [br]λύνουμε αυτές τις νευρωνικές συνδέσεις.

0:10:43.460,0:10:47.460
Έτσι τώρα κρατήσαμε τα x και w σταθερά[br]για να λύσουμε ως προς y,

0:10:47.460,0:10:49.457
αυτό είναι καθημερινή, γρήγορη αντίληψη.

0:10:49.457,0:10:51.188
Βρίσκουμε πώς λύνουμε ως προς w,

0:10:51.188,0:10:53.131
είναι μάθηση που είναι πολύ δυσκολότερη,

0:10:53.131,0:10:55.084
ώστε να ελαχιστοποιήσουμε το σφάλμα,

0:10:55.084,0:10:57.031
μέσα από πολλά δοκιμαστικά παραδείγματα.

0:10:57.031,0:11:00.062
Πριν περίπου από έναν χρόνο,[br]ο Άλεξ Μόρντβιντσεφ της ομάδας μας

0:11:00.086,0:11:03.636
αποφάσισε να πειραματιστεί[br]με το τι θα γίνει αν λύσουμε ως προς x,

0:11:03.660,0:11:05.697
με δεδομένους γνωστούς τους w και y.

0:11:06.124,0:11:07.115
Με άλλα λόγια,

0:11:07.115,0:11:08.627
γνωρίζετε ότι είναι ένα πουλί

0:11:08.627,0:11:11.930
και ήδη έχετε ένα νευρωνικό δίκτυο [br]που του έχετε μάθει τα πουλιά,

0:11:11.930,0:11:14.434
αλλά τι είναι η εικόνα ενός πουλιού;

0:11:15.034,0:11:19.842
Αποδεικνύεται τελικά ότι με την ίδια[br]διαδικασία ελαχιστοποίησης σφάλματος

0:11:19.842,0:11:23.562
μπορούμε να το κάνουμε με το δίκτυο [br]που έχει μάθει να αναγνωρίζει τα πουλιά,

0:11:23.562,0:11:26.924
και το αποτέλεσμα φαίνεται να είναι...

0:11:30.400,0:11:32.065
μια εικόνα από πουλιά.

0:11:32.814,0:11:36.145
Αυτή λοιπόν είναι μια εικόνα με πουλιά[br]που φτιάχτηκε εξολοκλήρου

0:11:36.145,0:11:39.051
από νευρωνικό δίκτυο [br]που έμαθε να αναγνωρίζει πουλιά,

0:11:39.051,0:11:41.707
απλώς λύνοντας ως προς x[br]αντί ως προς y,

0:11:41.707,0:11:43.395
και κάνοντάς το επαναληπτικά.

0:11:43.732,0:11:45.579
Να άλλο ένα διασκεδαστικό παράδειγμα.

0:11:45.603,0:11:49.040
Είναι μια δουλειά του Μάικ Τάικα [br]από την ομάδα μας.

0:11:49.064,0:11:51.372
που το λέει «Παρέλαση ζώων».

0:11:51.396,0:11:54.272
Μου θυμίζει λίγο την τεχνοτροπία[br]του Γουίλιαμ Κέντριτζ,

0:11:54.296,0:11:56.785
όπου φτιάχνει σκίτσα, τα σβήνει,

0:11:56.809,0:11:58.269
φτιάχνει σκίτσα, τα σβήνει,

0:11:58.293,0:11:59.691
και έτσι φτιάχνει μια ταινία.

0:11:59.715,0:12:00.866
Σε αυτή την περίπτωση,

0:12:00.866,0:12:03.611
ο Μάικ αντιστοιχεί το y[br]με διάφορα ζώα από μια ομάδα,

0:12:03.611,0:12:06.863
σε ένα δίκτυο που έχει σχεδιαστεί[br]να αναγνωρίζει και να διακρίνει

0:12:06.863,0:12:08.407
διάφορα ζώα μεταξύ τους.

0:12:08.431,0:12:12.182
Και μας βγαίνει μια περίεργη μεταμόρφωση [br]από ένα ζώο σε άλλο.

0:12:14.221,0:12:18.835
Εδώ, αυτός και ο Άλεξ μαζί, [br]προσπάθησαν να μειώσουν τα y

0:12:18.859,0:12:21.612
σε χώρο μόνο δύο διαστάσεων,

0:12:21.612,0:12:24.924
φτιάχνοντας έτσι έναν χάρτη [br]από τον χώρο όλων των πραγμάτων

0:12:24.924,0:12:26.863
που αναγνωρίζονται από αυτό το δίκτυο.

0:12:26.863,0:12:28.794
Φτιάχνοντας αυτό το είδος σύνθεσης

0:12:28.794,0:12:31.276
ή δημιουργία εικόνων[br]σε ολόκληρη αυτή την επιφάνεια,

0:12:31.300,0:12:34.110
αναπτύσσοντας τις τιμές του y,[br]φτιάχνετε ένα είδος χάρτη -

0:12:34.110,0:12:37.621
έναν οπτικό χάρτη όλων των πραγμάτων [br]που το δίκτυο ξέρει να αναγνωρίζει.

0:12:37.621,0:12:40.540
Όλα τα ζώα είναι εδώ -[br]το αρμαντίλο είναι σε αυτή τη θέση.

0:12:40.919,0:12:43.398
Μπορείτε να το κάνετε [br]και με άλλα είδη δικτύων.

0:12:43.422,0:12:46.296
Αυτό είναι ένα δίκτυο [br]σχεδιασμένο να αναγνωρίζει πρόσωπα,

0:12:46.320,0:12:48.320
να διακρίνει πρόσωπα μεταξύ τους.

0:12:48.344,0:12:51.267
Και εδώ βάζουμε ένα y που λέει «εγώ»,

0:12:51.267,0:12:53.192
τις παραμέτρους του δικού μου προσώπου.

0:12:53.216,0:12:54.922
Και όταν λύσει ως προς x,

0:12:54.946,0:12:57.564
παράγει αυτή την αλλόκοτη,

0:12:57.588,0:13:02.016
λίγο κυβιστική, σουρεαλιστική,[br]ψυχεδελική εικόνα μου

0:13:02.016,0:13:03.810
από πολλαπλές απόψεις ταυτόχρονα.

0:13:03.810,0:13:06.794
Ο λόγος που μοιάζει σαν να είναι[br]πολλαπλές απόψεις ταυτόχρονα

0:13:06.794,0:13:10.315
είναι επειδή το δίκτυο σχεδιάστηκε [br]να απορρίπτει την αμφισημία

0:13:10.339,0:13:12.815
ενός προσώπου σε μια ή σε άλλη πόζα,

0:13:12.839,0:13:16.215
ή όταν το βλέπουμε κάθε φορά[br]σε διαφορετικό φωτισμό.[br]

0:13:16.239,0:13:18.324
Όταν λοιπόν κάνετε[br]μια τέτοια ανακατασκευή,

0:13:18.348,0:13:20.436
αν δεν χρησιμοποιήσετε ως οδηγό

0:13:20.436,0:13:22.087
μια βασική εικόνα ή στατιστικές,

0:13:22.087,0:13:25.676
τότε θα υπάρξει μια σύγχυση [br]από διαφορετικές απόψεις

0:13:25.700,0:13:27.068
λόγω αμφισημίας.

0:13:27.786,0:13:32.009
Αυτό συμβαίνει αν ο Άλεξ βάλει [br]το δικό του πρόσωπο ως εικόνα-οδηγό

0:13:32.033,0:13:35.354
κατά τη διαδικασία βελτιστοποίησης[br]στην ανακατασκευή του προσώπου μου.

0:13:36.284,0:13:38.612
Βλέπετε λοιπόν ότι δεν είναι τέλειο.

0:13:38.612,0:13:40.486
Χρειάζεται αρκετή δουλειά ακόμη

0:13:40.486,0:13:42.939
στη βελτιστοποίηση[br]της διαδικασίας βελτιστοποίησης.

0:13:42.939,0:13:45.906
Αλλά αρχίζουμε να παίρνουμε κάτι[br]πολύ πιο συναφές ως πρόσωπο,

0:13:45.906,0:13:48.076
που φτιάχνεται με οδηγό [br]το δικό μου πρόσωπο.

0:13:48.892,0:13:51.393
Δεν χρειάζεται να ξεκινήσετε από το μηδέν

0:13:51.417,0:13:52.573
ή από μια αοριστία.

0:13:52.597,0:13:53.901
Όταν λύνετε ως προς x,

0:13:53.925,0:13:57.814
μπορείτε να ξεκινήσετε με ένα x,[br]που είναι ήδη μια άλλη εικόνα το ίδιο.

0:13:57.838,0:14:00.394
Όπως σε αυτή η επίδειξη.

0:14:00.418,0:14:04.364
Αυτό είναι ένα δίκτυο[br]σχεδιασμένο να ταξινομεί

0:14:04.364,0:14:07.683
κάθε είδους διαφορετικά αντικείμενα -[br]ανθρώπινες κατασκευές, ζώα...

0:14:07.707,0:14:10.300
Εδώ αρχίζουμε μόνο [br]με μια εικόνα από σύννεφα,

0:14:10.324,0:14:11.995
και καθώς βελτιστοποιούμε,

0:14:12.019,0:14:16.505
βασικά, αυτό το δίκτυο βρίσκει [br]τι βλέπει μέσα στα σύννεφα.

0:14:16.931,0:14:19.245
Και όσο περισσότερο το κοιτάζετε,

0:14:19.245,0:14:22.178
τόσο περισσότερα πράγματα [br]βρίσκετε κι εσείς μέσα στα σύννεφα.

0:14:23.004,0:14:26.379
Μπορείτε επίσης να βάλετε το δίκτυο [br]με τα πρόσωπα να οραματιστεί εδώ,

0:14:26.403,0:14:28.215
και θα έχετε πολύ τρελά αποτελέσματα.

0:14:28.239,0:14:29.389
(Γέλια)

0:14:30.401,0:14:33.145
Ή ακόμη, ο Μάικ έκανε και άλλα πειράματα

0:14:33.169,0:14:37.074
όπου παίρνει την εικόνα με τα σύννεφα,

0:14:37.098,0:14:40.605
οραματίζεται μορφές, ζουμάρει,[br]οραματίζεται, ζουμάρει.

0:14:40.629,0:14:41.780
Και με αυτό τον τρόπο

0:14:41.804,0:14:45.479
βάζετε το δίκτυο σε μια κατάσταση,[br]θα έλεγα σαν ένα είδος αντίστιξης,

0:14:45.503,0:14:49.183
ένα είδος ελεύθερου συσχετισμού,

0:14:49.207,0:14:51.434
όπου το δίκτυο[br]τρώει την ίδια του την ουρά.

0:14:51.458,0:14:54.879
Έτσι πλέον κάθε εικόνα[br]μας κάνει να σκεφτόμαστε,

0:14:54.903,0:14:56.324
«Τι νομίζω ότι βλέπω μετά;

0:14:56.348,0:14:59.151
Τι νομίζω ότι βλέπω μετά;[br]Τι νομίζω ότι βλέπω μετά;»

0:14:59.487,0:15:02.423
Το παρουσίασα πρώτη φορά [br]δημόσια σε μια ομάδα

0:15:02.447,0:15:07.884
σε ομιλία στο Σιάτλ[br]που λεγόταν «Ανώτερη Εκπαίδευση» -

0:15:07.908,0:15:10.345
αμέσως αφού νομιμοποιήθηκε η μαριχουάνα.

0:15:10.369,0:15:12.784
(Γέλια)

0:15:14.627,0:15:16.731
Θα ήθελα να κλείσω γρήγορα

0:15:16.755,0:15:21.010
με την απλή παρατήρηση [br]ότι αυτή η τεχνολογία δεν περιορίζεται.

0:15:21.034,0:15:24.699
Σας έδειξα μόνο οπτικά παραδείγματα[br]επειδή είναι πιο ευχάριστα.

0:15:24.723,0:15:26.918
Δεν είναι αποκλειστικά οπτική τεχνολογία.

0:15:26.918,0:15:29.281
Ο καλλιτεχνικός συνεργάτης μας, [br]Ρος Γκούντγουιν,

0:15:29.281,0:15:32.886
έχει κάνει πειράματα [br]με μια κάμερα που παίρνει φωτογραφίες,

0:15:32.910,0:15:37.144
και μετά ένας υπολογιστής στο σακίδιό του[br]γράφει ποιήματα μέσα από νευρωνικά δίκτυα,

0:15:37.168,0:15:39.112
με βάση τα περιεχόμενα της εικόνας.

0:15:39.136,0:15:42.083
Αυτό το ποιητικό νευρωνικό δίκτυο [br]έχει εκπαιδευτεί

0:15:42.107,0:15:44.341
με ένα μεγάλο όγκο ποίησης του 20ου αιώνα.

0:15:44.365,0:15:45.864
Και η ποίηση είναι, ξέρετε,

0:15:45.888,0:15:47.802
νομίζω, όχι και τόσο άσχημη, τελικά.

0:15:47.826,0:15:49.210
(Γέλια)

0:15:49.234,0:15:50.393
Κλείνοντας,

0:15:50.417,0:15:52.549
σχετικά με τον Μιχαήλ Άγγελο,

0:15:52.573,0:15:53.807
νομίζω ότι είχε δίκιο.

0:15:53.831,0:15:57.267
Η αντίληψη και η δημιουργικότητα [br]είναι πολύ στενά συνδεδεμένες.

0:15:57.611,0:16:00.245
Μόλις είδαμε νευρωνικά δίκτυα

0:16:00.269,0:16:02.572
που έχουν εκπαιδευτεί εξολοκλήρου[br]να διακρίνουν,

0:16:02.596,0:16:04.978
ή να αναγνωρίζουν [br]διαφορετικά πράγματα στον κόσμο,

0:16:04.978,0:16:08.023
και μπορούν να λειτουργούν αντίστροφα,[br]να δημιουργούν.

0:16:08.047,0:16:10.170
Ένα από τα πράγματα[br]που συμπεραίνω από αυτό

0:16:10.170,0:16:12.252
είναι ότι δεν είδε μόνο ο Μιχαήλ Άγγελος

0:16:12.276,0:16:14.728
το γλυπτό μέσα στον όγκο της πέτρας,

0:16:14.752,0:16:18.390
αλλά ότι κάθε πλάσμα, κάθε ον,[br]κάθε εξωγήινος,

0:16:18.414,0:16:21.895
που μπορεί να επιτελέσει[br]τέτοιου είδους πράξεις αντίληψης,

0:16:21.895,0:16:23.510
μπορεί επίσης να δημιουργήσει

0:16:23.510,0:16:27.038
επειδή ακριβώς ο ίδιος μηχανισμός[br]χρησιμοποιείται και στις δύο περιπτώσεις.

0:16:27.038,0:16:30.368
Επίσης πιστεύω ότι η αντίληψη [br]και η δημιουργικότητα

0:16:30.368,0:16:32.578
επ' ουδενί είναι[br]αποκλειστικά κάτι ανθρώπινο.

0:16:32.578,0:16:36.240
Έχουμε υπολογιστικά μοντέλα [br]που μπορούν να κάνουν ακριβώς το ίδιο.

0:16:36.264,0:16:39.592
Και αυτό δεν πρέπει να μας εκπλήσσει,[br]το μυαλό κάνει υπολογισμούς.

0:16:39.616,0:16:41.273
Και τέλος,

0:16:41.297,0:16:45.965
οι υπολογιστές ξεκίνησαν ως άσκηση[br]στο σχεδιασμό ευφυών μηχανημάτων.

0:16:45.989,0:16:48.451
Σχεδιάστηκε βασικά με την ιδέα

0:16:48.475,0:16:51.488
του πώς μπορούμε [br]να κάνουμε τις μηχανές ευφυείς.

0:16:51.512,0:16:53.674
Και τελικά αρχίζουμε να εκπληρώνουμε

0:16:53.698,0:16:56.104
μερικές από τις υποσχέσεις[br]εκείνων των πρωτοπόρων,

0:16:56.128,0:16:57.841
του Τούρινγκ και του Φον Νόιμαν,

0:16:57.865,0:17:00.130
του ΜακΚάλοκ και του Πιτς.

0:17:00.154,0:17:04.252
Και νομίζω ότι οι υπολογιστές[br]δεν αφορούν μόνο τα λογιστικά,

0:17:04.276,0:17:06.423
ή να παίζουμε Καντι Κρας ή κάτι τέτοιο.

0:17:06.447,0:17:09.025
Εξαρχής τα σχεδιάσαμε [br]κατ' εικόναν του μυαλού μας.

0:17:09.049,0:17:12.318
Και μας δίνουν την ικανότητα[br]να καταλάβουμε το μυαλό μας καλύτερα

0:17:12.342,0:17:13.871
και να τα επεκτείνουμε.

0:17:14.627,0:17:15.794
Σας ευχαριστώ πολύ.

0:17:15.818,0:17:17.467
(Χειροκρότημα)