0:00:00.800,0:00:04.624
მე Google-ში ვხელმძღვანელობ ჯგუფს,[br]რომელიც მანქანურ ინტელექტზე მუშაობს.

0:00:04.624,0:00:08.598
სხვა სიტყვებით, ესაა საინჟინრო დისციპლინა,[br]რომელიც კომპიუტერებს და მოწყობილობებს

0:00:08.622,0:00:11.041
აკეთებინებს იმას, რასაც ტვინები აკეთებენ.

0:00:11.439,0:00:14.538
ამიტომ, ჩვენ ნამდვილი ტვინებითაც

0:00:14.562,0:00:17.111
და ნეირომეცნიერებითაც ვართ დაინტერესებული.

0:00:17.111,0:00:20.047
განსაკუთრებით ტვინის ისეთი ფუნქციებით,

0:00:20.071,0:00:24.113
რომლებიც ბევრად აღემატება კომპიუტერებისას.

0:00:25.209,0:00:28.818
ისტორიულად, ერთ-ერთი ასეთი ფუნქცია აღქმაა.

0:00:28.842,0:00:31.881
პროცესი, რომლის შედეგადაც[br]მსოფლიოში არსებული

0:00:31.905,0:00:33.489
ხმები და გამოსახულებები,

0:00:33.513,0:00:35.691
ტვინში წარმოდგენებად იქცევა.

0:00:36.235,0:00:38.752
ეს ჩვენი ტვინის აუცილებელი ფუნქციაა

0:00:38.776,0:00:41.240
და კომპიუტერისთვისაც საკმაოდ გამოსადეგი.

0:00:41.636,0:00:44.986
ჩვენი გუნდის მიერ შექმნილი[br]მანქანური აღქმის ალგორითმების მაგალითია,

0:00:45.010,0:00:48.884
როცა Google-ის ფოტოებში სურათების მოძებნა,

0:00:48.908,0:00:51.455
მასზე არსებული[br]გამოსახულებითაა შესაძლებელი.

0:00:51.785,0:00:55.087
აღქმის საპირისპირო მხარე შემოქმედებაა.

0:00:55.111,0:00:58.149
როცა წარმოდგენას რეალობად აქცევთ.

0:00:58.173,0:01:01.728
გასულ წელს, მანქანურ აღქმაზე მუშაობამ,

0:01:01.752,0:01:06.611
მოულოდნელად მანქანურ შემოქმედებასთან[br]

0:01:06.635,0:01:08.525
და მანქანურ ხელოვნებასთან დაგვაკავშირა.

0:01:08.556,0:01:11.840
ვფიქრობ, მიქელანჯელოს აზრი[br]ორმხრივ დამოკიდებულებაზე

0:01:11.864,0:01:15.520
აღქმასა და შემოქმედებას შორის,[br]მართლაც შორსმჭვრეტელი იყო.

0:01:16.023,0:01:18.029
მისი ეს ცნობილი ციტატა შემდეგია:

0:01:18.053,0:01:21.376
"ქვის ყოველი ბლოკის შიგნით ქანდაკებაა

0:01:22.036,0:01:25.038
და მოქანდაკის ამოცანაა ის აღმოაჩინოს"

0:01:26.029,0:01:29.245
მგონი, მიქელანჯელო იმას გულისხმობდა,

0:01:29.269,0:01:32.449
რომ ჩვენ აღქმის წყალობით ვქმნით

0:01:32.473,0:01:35.496
და აღქმა თვითონაა წარმოსახვის აქტი

0:01:35.520,0:01:37.981
და მასალა შემოქმედებისთვის.

0:01:38.691,0:01:42.616
ორგანო, რომელიც ამას ყველაფერს[br]ფიქრობს, აღიქვამს და წარმოიდგენს

0:01:42.640,0:01:44.228
რა თქმა უნდა ტვინია.

0:01:45.089,0:01:47.634
მინდა ტვინზე ჩვენი ცოდნის

0:01:47.658,0:01:49.960
მოკლე ისტორიული მიმოხილვით დავიწყო.

0:01:50.496,0:01:52.942
გულისგან და ნაწლავებისგან განსხვავებით,

0:01:52.966,0:01:56.110
ტვინს თუ შეხედავთ,[br]მასზე ბევრს ვერაფერს იტყვით,

0:01:56.134,0:01:58.116
ყოველ შემთხვევაში შეუიარაღებელი თვალით.

0:01:58.116,0:02:00.399
ადრეული ანატომები,[br]რომლებიც ტვინს აკვირდებოდნენ

0:02:00.423,0:02:04.230
მის გარე სტრუქტურას[br]სხვადასხვა უცნაურ სახელებს არქმევდნენ,

0:02:04.254,0:02:07.087
მაგალითად, როგორც ჰიპოკამპი,[br]რაც "პატარა კრევეტს" ნიშნავს

0:02:07.087,0:02:10.375
თუმცა, რა თქმა უნდა, ეს ყველაფერი,[br]ბევრს არაფერს გვეუბნება იმაზე,

0:02:10.375,0:02:12.653
თუ რა ხდება სინამდვილეში შიგნით.

0:02:12.780,0:02:16.393
ვფიქრობ, პირველი, ვინც რეალურად[br]შეიქმნა რაღაც წარმოდგენა მაინც,

0:02:16.417,0:02:18.347
თუ რა ხდებოდა ტვინში,

0:02:18.371,0:02:22.291
დიდი ესპანელი ნეიროანატომი[br]სანტიაგო რამონ ი კახალი იყო,

0:02:22.315,0:02:23.859
მე-19 საუკუნეში.

0:02:23.883,0:02:27.638
მან მიკროსკოპი[br]და სპეციალური საღებავი გამოიყენა,

0:02:27.662,0:02:31.832
რომლითაც ტვინის ცალკეული უჯრედები[br]შერჩევითად შეავსო

0:02:31.856,0:02:33.864
და კონტრასტული გახადა,[br]

0:02:33.888,0:02:37.042
რითიც მათი მორფოლოგია გაიგო.

0:02:37.972,0:02:40.863
ესაა ნეირონების ის გამოსახულებები,[br]

0:02:40.887,0:02:42.896
რომლებიც მან მე-19 საუკუნეში დახატა.

0:02:42.896,0:02:44.004
ეს ჩიტის ტვინია.

0:02:44.028,0:02:47.085
აქ თქვენ უჯრედების[br]არაჩვეულებრივ მრავალფეროვნებას ხედავთ,

0:02:47.109,0:02:50.544
ამ დროს უჯრედული თეორიაც კი,[br]საკმაოდ ახალი ხილი იყო.

0:02:50.568,0:02:52.366
მითუმეტეს, უჯრედთა სტრუქტურები

0:02:52.366,0:02:54.129
უჯრედთა ეს განშტოებები

0:02:54.153,0:02:56.761
და მათი ეს განტოტვა,[br]რომელიც ძალიან შორს მიდის,

0:02:56.785,0:02:58.401
ეს ძალიან ახალი იყო.

0:02:58.779,0:03:01.682
ისინი რა თქმა უნდა სადენებს გაგონებთ,

0:03:01.706,0:03:05.163
რაც შეიძლება უკვე ნაცნობი იყო[br]ზოგისთვის მე-19 საუკუნეში.

0:03:05.187,0:03:09.501
ელექტროფიკაცია სწორედ ამ დროს იწყებოდა.

0:03:09.964,0:03:11.142
თუმცა, დიდი ანგარიშით,

0:03:11.166,0:03:14.479
რამონ ი კახალის[br]ეს მიკრონატომიური გამოსახულებები

0:03:14.503,0:03:16.835
რაღაც მხრივ დღესაც შეუდარებელია.

0:03:16.859,0:03:19.163
ერთი საუკუნის შემდეგ,[br]ჩვენ ჯერ კიდევ ვცდილობთ

0:03:19.163,0:03:21.562
რამონ ი კახალის მიერ[br]დაწყებული საქმის დასრულებას.

0:03:21.586,0:03:24.720
ეს ჩვენი კოლეგების მიერ მოპოვებული[br]დაუმუშავებელი მონაცემებია,

0:03:24.744,0:03:27.625
მაქს პლანკის[br]ნეირომეცნიერების ინსტიტუტიდან.

0:03:27.649,0:03:29.439
ჩვენმა კოლეგებმა,

0:03:29.463,0:03:34.464
ტვინის ქსოვილის პატარა ნაჭრები გამოსახეს.

0:03:34.488,0:03:37.814
ეს მთელი ნიმუში[br]დაახლოებით 1 კუბური მილიმეტრია

0:03:37.838,0:03:40.459
და მე აქ ძალიან პატარა ნაჭერს გაჩვენებთ.

0:03:40.483,0:03:42.829
მარცხნივ, ეს ფირფიტა[br]დაახლოებით 1 მიკრონია.

0:03:42.853,0:03:45.262
სტრუქტურები, რომელსაც ხედავთ

0:03:45.286,0:03:47.330
ბაქტერიის ზომის მიტოქონდრიებია.

0:03:47.354,0:03:48.905
ეს ქსოვილის ძალიან მცირე ბლოკის

0:03:48.929,0:03:52.077
მიმდევრობითი ჩამონაჭრებია.

0:03:52.101,0:03:54.504
შედარებისთვის,

0:03:54.528,0:03:58.320
თმის ერთი ღერის[br]საშუალო დიამეტრი 100 მიკრონია.

0:03:58.344,0:04:00.618
ანუ აქ ჩვენ ვუყურებთ

0:04:00.642,0:04:02.390
თმის ღერზე ბევრად პატარა რამეს.

0:04:02.390,0:04:06.095
ამ მიკროსკოპული ჩამონაჭრების სერიიდან

0:04:06.119,0:04:11.127
შეიძლება 3 განზომილებიანი[br]ნეირონის მსგავსი რეკონსტრუქციების აწყობა.

0:04:11.151,0:04:14.308
სტილით ისინი,[br]რამონ ი კახალის ნახატებს ჰგავს.

0:04:14.332,0:04:16.134
მხოლოდ ცალკეული ნეირონები ნათდება,

0:04:16.134,0:04:18.629
სხვაგვარად ვერაფერს დავინახავდით.

0:04:18.653,0:04:19.965
ისეთი გადაჭედილი იქნებოდა,

0:04:19.989,0:04:21.319
სავსე სტრუქტურებითა

0:04:21.343,0:04:25.077
და გაყვანილობებით,[br]რომლებიც ერთ ნეირონს მეორესთან აერთებს

0:04:25.317,0:04:28.097
მაშ, რამონ ი კახალი დროს ცოტათი უსწრებდა[br]

0:04:28.121,0:04:30.676
და ტვინის გაგება ნელა პროგრესირებდა

0:04:30.700,0:04:32.971
შემდეგი რამდენიმე ათწლეულის მანძილზე.

0:04:33.455,0:04:36.308
თუმცა, ჩვენ ვიცოდით,[br]რომ ნეირონები ელექტრობას იყენებდნენ

0:04:36.356,0:04:40.272
და მეორე მსოფლიო ომისთვის, ტექნოლოგია[br]საკმარისად განვითარებული იყო იმისთვის,

0:04:40.272,0:04:43.528
რომ ცოცხალ ნეირონებზე ნამდვილი[br]ელექტრო ექსპერიმენტები ჩატარებულიყო

0:04:43.528,0:04:46.168
იმისთვის რომ უკეთ შეგვესწავლა,[br]როგორ მუშაობენ ისინი.

0:04:46.168,0:04:48.987
ეს ზუსტად ის დროა,[br]როცა კომპიუტერები გამოიგონეს,

0:04:49.011,0:04:52.111
სწორედ ტვინის მოდელირებაზე,[br]ე.წ. "გონიერ მანქანაზე" დაფუძნებით,

0:04:52.135,0:04:55.220
როგორც მას კომპიუტერული მეცნიერების[br]ერთ-ერთმა მამამ,

0:04:55.244,0:04:57.235
ალან ტიურინგმა უწოდა.

0:04:57.923,0:05:02.555
უორენ მაკკალოკმა და უოლტერ პიტსმა[br]შეხედეს რამონ ი კახალის ნახატებს,

0:05:02.579,0:05:04.246
რომელზეც მხედველობის ქერქი იყო

0:05:04.246,0:05:05.482
ახლა სწორედ ამას ხედავთ.

0:05:05.506,0:05:09.838
ტვინის ეს ქერქი თვალებიდან შემოსულ[br]გამოსახულებებს ამუშავებს

0:05:10.428,0:05:13.932
მათთვის ეს შეკრული წრედის[br]დიაგრამასავით იყო.

0:05:14.353,0:05:18.188
მაკკალოკმა და პიტსის წრედის დიაგრამაში

0:05:18.212,0:05:20.004
ბევრი დეტალი მთლად ზუსტი არ არის,

0:05:20.004,0:05:21.303
თუმცა ძირითადი იდეა,

0:05:21.303,0:05:24.839
რომ მხედველობის ქერქი მუშაობს,[br]როგორც გამოთვლითი ელემენტების სერია,

0:05:24.863,0:05:27.609
რომლებიც ერთმანეთს[br]კასკადურად გადასცემენ ინფორმაციას,

0:05:27.633,0:05:29.235
არსებითად სწორია.

0:05:29.259,0:05:31.609
მოდი, ერთი წუთით ვთქვათ

0:05:31.633,0:05:35.665
რა უნდა გააკეთოს ვიზუალური ინფორმაციის[br]დამუშავების მოდელმა

0:05:36.228,0:05:38.969
აღქმის ძირითადი ამოცანაა,

0:05:38.993,0:05:43.187
აიღოს მსგავსი გამოსახულება და თქვას

0:05:43.211,0:05:44.387
"ეს ჩიტია"

0:05:44.411,0:05:47.285
რაც ჩვენთვის ძალიან ადვილია[br]ტვინის გამოყენებით.

0:05:47.309,0:05:50.730
თუმცა, ყველას უნდა გესმოდეთ,[br]რომ კომპიუტერისთვის

0:05:50.754,0:05:53.841
სულ რაღაც რამდენიმე წლის წინ[br]ეს პრაქტიკულად შეუძლებელი იყო.

0:05:53.865,0:05:55.781
კომპიუტერის კლასიკურ პარადიგმაში

0:05:55.805,0:05:58.702
მსგავსი რამის გაკეთება მარტივი არ არის.

0:05:59.366,0:06:01.918
მაშ, რაც ხდება პიქსელებს,

0:06:01.942,0:06:05.970
ჩიტის გამოსახულებასა[br]და სიტყვა "ჩიტს" შორის,

0:06:05.994,0:06:08.808
არსებითად ნეირონების სიმრავლეა,[br]რომლებიც ერთმანეთს

0:06:08.832,0:06:10.287
ნეირონულ ქსელში უკავშირდება,

0:06:10.287,0:06:11.694
როგორც დიაგრამაზე ხედავთ.

0:06:11.694,0:06:15.120
ეს ნეირონული ქსელი შეიძლება იყოს[br]ბიოლოგიური, ჩვენ მხედველობის ქერქში,

0:06:15.120,0:06:17.166
ან დღესდღეობით, ჩვენ გვაქვს საშუალება

0:06:17.166,0:06:19.824
ასეთი ნეირონული ქსელების მოდელი[br]კომპიუტერში შევქმნათ.

0:06:19.834,0:06:22.187
გაჩვენებთ სინამდვილეში[br]ეს როგორ გამოიყურება.

0:06:22.211,0:06:25.627
პიქსელები ნეირონების პირველ შრედ[br]შეიძლება წარმოვიდგინოთ

0:06:25.651,0:06:27.890
ფაქტიურად ასე მუშაობს თვალიც...

0:06:27.914,0:06:29.577
ეს არის ნეირონები რეტინაში.

0:06:29.601,0:06:31.101
ისინი აწვდიან ინფორმაციას

0:06:31.125,0:06:34.528
ნეირონების ზედა შრეს[br]და შემდეგ შრეებს, ერთი მეორის მიყოლებით,

0:06:34.552,0:06:37.585
ისინი ყველა ერთმანეთს[br]სხვადასხვა წონის სინაფსებით უკავშირდება.

0:06:37.609,0:06:38.944
ამ ქსელის ქცევა,

0:06:38.968,0:06:42.252
სინაფსების ძალებით ხასიათდება.

0:06:42.276,0:06:45.564
ისინი ქსელის გამოთვლით[br]თვისებებს ახასიათებენ.

0:06:45.588,0:06:47.058
და საბოლოოდ ვიღებთ

0:06:47.082,0:06:49.529
ნეირონს ან ნეირონების მცირე ჯგუფს,

0:06:49.553,0:06:51.670
რომლებიც ნათდებიან და ამბობენ "ჩიტი"

0:06:51.824,0:06:54.956
ვაპრებ შემდეგი სამი რამ:

0:06:54.980,0:06:59.676
შემავალი პიქსელები,[br]სინაფსები ნეირონული ქსელში

0:06:59.700,0:07:01.285
და შედეგი - ჩიტი,

0:07:01.309,0:07:04.636
სამ ცვლადად წარმოგიდგინოთ:[br]x, w და y.

0:07:04.853,0:07:06.664
გვაქვს სადღაც ალბათ მილიონი x.

0:07:06.688,0:07:08.641
მილიონი პიქსელი ამ გამოსახულებაში.

0:07:08.665,0:07:11.111
არსებობს მილიარდობით, ან ტრილიონობით w,

0:07:11.135,0:07:14.556
რაც ნეირონულ ქსელში[br]თითოეული სინაფსის წონას წარმოადგენს.

0:07:14.580,0:07:16.455
და y-ები ძალიან მცირე რაოდენობით.

0:07:16.479,0:07:18.337
რაც ქსელიდან გამომავალი შედეგებია.

0:07:18.361,0:07:20.500
"ჩიტი" მხოლოდ ოთხი ასოსგან შედგება.

0:07:21.088,0:07:24.514
წარმოვიდგინოთ შემდეგი მარტივი ფორმულა:

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

0:07:26.725,0:07:28.761
გამრავლების ნიშანი ბრჭყალებში ჩავსვი,

0:07:28.785,0:07:31.065
რადგან, რა თქმა უნდა,[br]სინამდვილეში ამ ადგილას,

0:07:31.089,0:07:34.135
ძალიან რთული[br]მათემატიკური ოპერაციების წყებაა.

0:07:35.172,0:07:36.393
ეს ერთი განტოლებაა

0:07:36.417,0:07:38.089
და სამი ცვლადი.

0:07:38.113,0:07:40.839
ჩვენ ვიცით,[br]რომ თუ გვაქვს ერთი განტოლება,

0:07:40.863,0:07:44.505
შეგვძილია ის ერთი ცვლადის მიმართ ამოვხსნათ[br]თუ დანარჩენი ორი ცნობილია.

0:07:45.158,0:07:48.538
მაშ, ამოცნობის პრობლემა,

0:07:48.562,0:07:51.435
ანუ, იმის დადგენა, რომ ჩიტის სურათზე[br]ჩიტია გამოსახული

0:07:51.459,0:07:52.733
შემდეგზე დადის:

0:07:52.757,0:07:56.216
y უცნობია და w და x კი - ცნობილი.

0:07:56.240,0:07:58.699
ვიცით ნეირონული ქსელი[br]და ვიცით პიქსელები.

0:07:58.723,0:08:02.050
როგორც ხედავთ,[br]ეს შედარებით სწორხაზოვანი ამოცანაა.

0:08:02.074,0:08:04.260
ორს სამზე გაამრავლებთ და მორჩა.

0:08:04.862,0:08:06.985
მე გაჩვენებთ ხელოვნურ ნეირონულ ქსელს,

0:08:07.009,0:08:09.395
რომელიც ცოტა ხნის წინ, ზუსტად ასე ავაგეთ.

0:08:09.634,0:08:12.494
ის მობილურ ტელეფონზე მუშა რეჟიმშია

0:08:12.518,0:08:15.831
და რა თქმა უნდა, თავისთავად საოცრებაა,

0:08:15.855,0:08:19.323
რომ მობილურ ტელეფონებს ამდენი[br]მილიარდობით და ტრილიონობით ოპერაციების

0:08:19.347,0:08:20.595
შესრულება შეუძლიათ წამში.

0:08:20.619,0:08:22.234
ჩვენ ვხედავთ ტელეფონს,

0:08:22.258,0:08:25.805
რომელიც უყურებს ჩიტის სურათებს[br]ერთი მეორის მიყოლებით

0:08:25.829,0:08:28.544
და არა მხოლოდ ამბობს: "დიახ, ეს ჩიტია",

0:08:28.568,0:08:32.589
არამედ ამგვარი ქსელის გამოყენებით,[br]ადგენს მის სახეობას.

0:08:32.890,0:08:34.716
მაშ, ამ სურათში,

0:08:34.740,0:08:38.542
x და w ცნობილია, y - უცნობი.

0:08:38.566,0:08:41.074
მე, რა თქმა უნდა,[br]ვტოვებ იმ ურთულეს ნაწილს,

0:08:41.098,0:08:44.959
თუ როგორ ვახერხებთ w-ს გაგებას,

0:08:44.983,0:08:47.170
ტვინისას, რომელსაც ამის გაკეთება შეუძლია?

0:08:47.194,0:08:49.028
როგორ დავადგინოთ ეს მოდელი?

0:08:49.418,0:08:52.651
w-ს გაგების ეს პროცესი

0:08:52.675,0:08:55.322
თუ ამას მარტივი განტოლებიდან ვაკეთებთ,

0:08:55.346,0:08:57.346
რომელშიც ცვლადებს რიცხვებად წარმოვიდგენთ,

0:08:57.370,0:09:00.057
ზუსტად ვიცით ეს როგორ გავაკეთოთ:[br]6 = 2 x w,

0:09:00.081,0:09:03.393
ვყოფთ 2-ზე და დამთავრდა.

0:09:04.001,0:09:06.221
პრობლემა სწორედ ამ ოპერაციაშია,

0:09:06.823,0:09:07.974
გაყოფაში...

0:09:07.998,0:09:11.119
ჩვენ ვიყენებთ გაყოფას,[br]რადგან ის გამრავლების საპირისპიროა,

0:09:11.143,0:09:12.583
მაგრამ როგორც გითხარით,

0:09:12.607,0:09:15.056
ეს მთლად გამრავლება არ არის.

0:09:15.080,0:09:18.406
ეს ურთულესი, ძალიან არაწრფივი ოპერაციაა,

0:09:18.430,0:09:20.134
რომელსაც საპირისპირო არ გააჩნია.

0:09:20.158,0:09:23.308
ამიტომ, ამ განტოლების ამოხსნა

0:09:23.332,0:09:25.356
გაყოფის ოპერაციის გარეშე უნდა მოვახერხოთ.

0:09:25.380,0:09:27.723
ამის გაკეთება კი,[br]საკმაოდ მარტივად შეიძლება.

0:09:27.747,0:09:30.418
უბრალოდ, პატარა ალგებრული ხრიკი ვიხმაროთ

0:09:30.442,0:09:33.348
და 6-იანი განტოლების[br]მარჯვენა მხარეს გადავიტანოთ.

0:09:33.372,0:09:35.198
ახლა, ისევ გამრავლება გვაქვს

0:09:35.675,0:09:38.805
და ეს ნული....[br]მოდი ის "ცდომილებად" წარმოვიდგინოთ.

0:09:39.279,0:09:41.794
სხვა სიტყვებით,[br]w-ის მიმართ სწორად თუ ამოვხსნით,

0:09:41.818,0:09:43.474
მაშინ ცდომილება 0 იქნება.

0:09:43.498,0:09:45.436
ხოლო, თუ შევცდებით,

0:09:45.460,0:09:47.209
ცდომილება 0-ზე მეტი უნდა იყოს.

0:09:47.233,0:09:50.599
მაშ, ახლა უკვე ვარაუდით,[br]შეგვიძლია ცდომილება მინიმუმზე დავიყვანოთ.

0:09:50.623,0:09:53.310
სწორედ ამაში არიან კომპიუტერები[br]ძალიან ძლიერები.

0:09:53.334,0:09:54.927
მაშ, პირველადი ვარაუდი:

0:09:54.951,0:09:56.107
იქნებ w = 0?

0:09:56.131,0:09:57.371
მაშინ ცდომილება იქნება 6.

0:09:57.395,0:09:59.111
ახლა ვცადოთ w = 1? ცდომილებაა 4.[br]

0:09:59.111,0:10:01.522
შემდეგ კომპიუტერს შეუძლია[br]"გამოცნობა" ითამაშოს

0:10:01.522,0:10:03.623
და ცდომილება 0-ს მიუახლოვოს.

0:10:03.647,0:10:07.021
ამით ის w-ს მიმდევრობით მიახლოებებს იგებს.

0:10:07.045,0:10:10.701
როგორც წესი, ზუსტად ვერასდროს გაიგებს,[br]მაგრამ ათეული ბიჯის შემდეგ,

0:10:10.725,0:10:15.349
ჩვენ ვიღებთ w = 2.999,[br]რაც საკმარისი მიახლოებაა.

0:10:16.302,0:10:18.116
ესაა შესწავლის პროცესი.

0:10:18.140,0:10:20.870
გაგახსენებთ რას ვაკეთებთ.

0:10:20.894,0:10:25.272
ვიღებთ უამრავ ცნობილ x-ს და y-ს

0:10:25.296,0:10:28.750
და იტერაციული პროცესის გამოყენებით[br]ვიგებთ w-ს.

0:10:28.774,0:10:32.330
ზუსტად ასე ვსწავლობთ ჩვენც.

0:10:32.354,0:10:34.584
ბავშვობაში უამრავ გამოსახულებას ვხედავთ

0:10:34.608,0:10:37.241
და გვეუბნებიან: "ესაა ჩიტი, ეს არაა ჩიტი"

0:10:37.714,0:10:39.812
და დროთა განმავლობაში, იტერაციით,

0:10:39.836,0:10:42.764
ჩვენ ვიგებთ w-ს[br]და ვაგებთ ნეიონულ კავშირებს.

0:10:43.460,0:10:47.546
მაშ, ახლა ვიცით x და w[br]და შეგვიძლია y-სთვის ამოვხსნათ;

0:10:47.570,0:10:49.417
ეს ყოველდღიური სწრაფი აღქმაა.

0:10:49.441,0:10:51.204
ჩვენ ვარკვევთ როგორ გავიგოთ w,

0:10:51.228,0:10:53.131
ეს შესწავლაა, რაც ბევრად უფრო რთულია,

0:10:53.155,0:10:55.460
რადგან უამრავ მაგალითზე[br]წვრთნის გამოყენებით,

0:10:55.460,0:10:57.211
ცდომილების მინიმიზაცია გვიწევს.

0:10:57.211,0:11:00.322
დაახლოებით 1 წლის წინ,[br]ჩვენი გუნდის წევრმა, ალექს მორდვინცევმა,

0:11:00.322,0:11:03.636
გადაწყვიტა ჩაეტარებინა განტოლების[br]x-ის მიმართ ამოხსნის ექსპერიმენტი,

0:11:03.660,0:11:05.697
მაშინ როცა w და y ცნობილია.

0:11:06.124,0:11:07.275
სხვა სიტყვებით,

0:11:07.299,0:11:08.651
ვიცით, რომ ეს ჩიტია

0:11:08.675,0:11:11.978
და გვაქვს ნეირონული ქსელი,[br]რომელსაც ჩიტების ამოცნობა შეუძლია,

0:11:12.002,0:11:14.346
მაგრამ როგორი იქნება ჩიტის გამოსახულება?

0:11:15.034,0:11:20.058
აღმოჩნდა, რომ ზუსტად ისეთივე ცდომილების[br]შემამცირებელი პროცედურის გამოყენებით

0:11:20.082,0:11:23.512
შეგვიძლია ეს ჩიტების ამოცნობაზე გაწვრთნილ[br]ნეირონულ ქსელს გავუკეთოთ

0:11:23.536,0:11:26.924
და შედეგი...

0:11:30.400,0:11:31.705
ჩიტების გამოსახულებაა.

0:11:32.814,0:11:36.551
მაშ, ჩიტების ეს გამოსახულება, მთლიანად[br]ისეთი ნეირონული ქსელის მიერაა შექმნილი,

0:11:36.575,0:11:38.751
რომლებიც ჩიტების ამოცნობაზეა გაწვრთნილი.

0:11:38.751,0:11:41.963
ეს შესაძლებელი გახდა[br]მხოლოდ y-ის ნაცვლად x მიმართ

0:11:41.987,0:11:43.275
იტერაციული ამოხსნით.

0:11:43.732,0:11:45.579
აი, კიდევ ერთი სახალისო მაგალითი.

0:11:45.603,0:11:49.040
ეს ჩვენი ჯგუფის წევრის,[br]მაიკ ტაიკას გაკეთებულია.

0:11:49.064,0:11:51.372
მან ამას "ცხოველების აღლუმი" დაარქვა.

0:11:51.396,0:11:54.272
ეს ცოტათი უილიამ კენტრიჯის[br]შემოქმედებას მაგონებს,

0:11:54.296,0:11:56.785
სადაც ის ესკიზებს აკეთებს,[br]შემდეგ შლის,

0:11:56.809,0:11:58.519
შემდეგ ისევ ხატავს, შემდეგ შლის

0:11:58.519,0:11:59.691
და ასე ქმნის ფილმს.

0:11:59.715,0:12:00.866
ამ შემთხვევაში

0:12:00.890,0:12:04.167
მაიკი ცვლის y-ს[br]სხვადასხვა ცხოველების სივრცეზე

0:12:04.191,0:12:06.573
ქსელში, რომელიც სხვადასხვა ცხოველების

0:12:06.597,0:12:08.407
ამოსაცნობად და გასარჩევადაა შექმნილი.

0:12:08.431,0:12:12.822
შედეგად იღებთ, რაღაც ეშერის სტილში,[br]მორფულ გადასვლებს ცხოველებს შორის.

0:12:14.221,0:12:18.835
აქ, მან და ალექსმა[br]ერთად სცადეს შეემცირებინათ

0:12:18.859,0:12:21.618
y-ების სიმრავლე[br]მხოლოდ ორგანზომილებიან სივრცეზე

0:12:21.642,0:12:25.080
რითიც მიიღეს, ამ ქსელის მიერ[br]ყველა ამოცნობადი ობიექტისგან

0:12:25.104,0:12:26.823
შემდგარი სივრცის რუკა.

0:12:26.847,0:12:28.870
მსგავსი სინთეზის გაკეთებისას,

0:12:28.894,0:12:31.276
ან გამოსახულებების გენერირებით[br]მთელ ზედაპირზე,

0:12:31.300,0:12:34.146
y-ის ცვლილებით ზედაპირზე,[br]თქვენ ქმნით გარკვეულ რუკას.

0:12:34.170,0:12:37.311
იმ ყველაფრის ვიზუალურ რუკას,[br]რისი ამოცნობაც ქსელს შეუძლია.

0:12:37.335,0:12:40.560
ყველა ცხოველი აქაა;[br]"ჯავშნოსანი" ზუსტად ამ წერტილშია.

0:12:40.919,0:12:43.398
ამის გაკეთება,[br]სხვა სახის ქსელებშიც შეგიძლიათ.

0:12:43.422,0:12:46.296
ეს სახეების ამოსაცნობად შექმნილი ქსელია,

0:12:46.320,0:12:48.320
რომელიც ერთ სახეს მეორისგან ასხვავებს.

0:12:48.344,0:12:51.593
და აქ ვამატებთ y, რომელიც არის "მე",

0:12:51.617,0:12:53.192
ჩემი სახის პარამეტრები.

0:12:53.216,0:12:54.922
როცა ამას x მიმართ ვხსნით,

0:12:54.946,0:12:57.564
ვიღებთ ჩემს საკმაოდ გიჟურ,

0:12:57.588,0:13:02.016
კუბისტურ, სურეალისტურ,[br]ფსიქოდელიურ სურათს,

0:13:02.040,0:13:03.846
სხვადასხვა კუთხიდან ერთდროულად.

0:13:03.870,0:13:06.604
ის ერთდროულად სხვადასხვა კუთხიდან[br]დანახულს იმიტომ ჰგავს,

0:13:06.628,0:13:10.315
რომ ეს ქსელი ცდილობს[br]გათავისუფლდეს იმ გაურკვევლობისგან,

0:13:10.339,0:13:12.815
რომელიც სახის სხვადასხვა მდგომარეობაში,

0:13:12.839,0:13:16.215
ან სხვადასხვა განათების პირობებში[br]ყოფნას ახლავს.

0:13:16.239,0:13:18.324
ამიტომ, როცა მსგავს[br]რეკონსტრუქციას აკეთებთ,

0:13:18.348,0:13:20.652
თუ საფუძვლად არ გამოიყენებთ[br]რაღაც ტიპის სურათს,

0:13:20.676,0:13:21.887
ან სტატისტიკას,

0:13:21.911,0:13:25.676
მიიღებთ სხვადასხვა თვალთახედვის აღრევას,

0:13:25.700,0:13:27.788
რადგან ადგილი აქვს გაურკვევლობას.

0:13:27.788,0:13:32.009
აი, რა მოხდება თუ ალექსი[br]ჩემი სახის რეკონსტრუქციისთვის,

0:13:32.033,0:13:35.354
ოპტიმიზაციის პროცესში საფუძვლად[br]საკუთარ სახეს გამოიყენებს.

0:13:36.284,0:13:38.612
როგორც ხედავთ იდეალური არაა.

0:13:38.636,0:13:40.510
კიდევ ბევრი სამუშაოა ჩასატარებელი

0:13:40.534,0:13:42.987
თუ როგორ მოვახდინოთ[br]ოპტიმიზაციის პროცესის ოპტიმიზება.

0:13:43.011,0:13:45.838
თუმცა, უკვე ვიღებთ,[br]რაღაც უფრო გამოკვეთილი სახის მსგავსს,

0:13:45.862,0:13:48.496
როცა საფუძვლად ჩემს სახეს ვიყენებთ.

0:13:48.892,0:13:51.393
არ არის აუცილებელი სუფთა ფურცლიდან,

0:13:51.417,0:13:52.873
ან თეთრი ხმაურიდან დაიწყოთ,

0:13:52.873,0:13:54.061
როცა x-ის მიმართ ხსნით.

0:13:54.061,0:13:57.814
შეგიძლიათ დაიწყოთ x-ით,[br]რომელიც თავისთავად რაღაც გამოსახულებაა.

0:13:57.838,0:14:00.394
ეს არის ამის პატარა დემონსტრირება.

0:14:00.418,0:14:04.540
ეს არის ქსელი, რომელიც შექმნილია

0:14:04.564,0:14:08.193
სხვადასხვა ობიექტების, ხელოვნური[br]სტრუქტურების, ცხოველების კატეგორიზებისთვის

0:14:08.193,0:14:10.300
ვიწყებთ მხოლოდ ღრუბლების გამოსახულებით

0:14:10.324,0:14:11.995
და ოპტიმიზაციასთან ერთად,

0:14:12.019,0:14:16.505
ქსელი არკვევს, თუ რას ხედავს ის ღრუბლებში.

0:14:16.931,0:14:19.251
რაც უფრო დიდხანს უყურებთ,

0:14:19.275,0:14:22.028
თქვენც მით უფრო მეტ რამეს[br]დაინახავთ ღრუბლებში.

0:14:22.824,0:14:26.419
თქვენ ასევე შეგიძლიათ ჰალუცინაციებისთვის,[br]სახის ამომცნობი ქსელი გამოიყენოთ

0:14:26.419,0:14:28.215
და საკმაოდ გიჟურ რამეებს მიიღებთ.

0:14:28.239,0:14:29.389
(სიცილი)

0:14:30.401,0:14:33.145
მაიკმა კიდევ სხვა ექსპერიმენტებიც ჩაატარა,

0:14:33.169,0:14:37.074
რომლებშიც ის იღებს[br]ღრუბლების გამოსახულებას,

0:14:37.098,0:14:40.765
ჰალუცინირებს, აახლოვებს, ჰალუცინირებს,[br]აახლოვებსს, ჰალუცინირებს, აახლოვებს.

0:14:40.765,0:14:42.380
და ამგვარად, შეგიძლიათ მიიღოთ

0:14:42.380,0:14:45.479
ქსელის დისოციაციური მდგომარეობის მაგვარი,

0:14:45.503,0:14:49.183
ან რაღაც თავისუფალი ასოციაციების მაგვარი,

0:14:49.207,0:14:51.434
რომელშიც ქსელი საკუთარ კუდს ჭამს.

0:14:51.458,0:14:54.879
ანუ, ყოველი გამოსახულება საფუძვლად უდევს:

0:14:54.903,0:14:56.324
"რას დავინახავ შემდეგ?

0:14:56.348,0:14:59.151
რას დავინახავ შემდეგ?[br]რას დავინახავ შემდეგ?"

0:14:59.487,0:15:02.423
პირველად ეს საჯაროდ

0:15:02.447,0:15:07.884
სიეტლში ვაჩვენე, ლექციაზე სახელად[br]"უმაღლესი განათლება"...

0:15:07.908,0:15:10.345
სწორედ მარიხუანას ლეგაიზაციის შემდეგ.

0:15:10.369,0:15:12.784
(სიცილი)

0:15:14.627,0:15:16.731
მინდა სწრაფათ დავასრულო იმით,

0:15:16.755,0:15:21.010
რომ ეს ტექნოლოგია შეუზღუდავია.

0:15:21.034,0:15:24.699
მე მხოლოდ ვიზუალური მაგალითები გაჩვენეთ,[br]იმიტომ რომ ისინი სახალისო სანახავია.

0:15:24.723,0:15:27.174
ეს არაა მხოლოდ ვიზუალური ტექნოლოგია.

0:15:27.198,0:15:29.561
ჩვენმა თანამშრომელმა,[br]მხატვარმა, როს გუდუინმა,

0:15:29.561,0:15:32.886
ექსპერიმენტები კამერის გამოყენებით ჩაატარა

0:15:32.910,0:15:37.144
და მის ზურჩანთაში მყოფი კომპიუტერი[br]ნეირონული ქსელის გამოყენებით ლექსებს წერს,

0:15:37.168,0:15:39.672
მის მიერ გადაღებული სურათების[br]შითავისის საფუძველზე.

0:15:39.672,0:15:42.083
ეს პოეტური ნეირონული ქსელი

0:15:42.107,0:15:44.671
მე-20 საუკუნის პოეზიის[br]დიდ კრებულზეა გაწვრთნილი.

0:15:44.671,0:15:45.864
და ეს პოეზია, ვფიქრობ,

0:15:45.888,0:15:47.802
არც ისე ცუდია, პრინციპში.

0:15:47.826,0:15:49.210
(სიცილი)

0:15:49.234,0:15:50.393
და ბოლოს,

0:15:50.417,0:15:52.549
ვფიქრობ მიქელანჯელო

0:15:52.573,0:15:53.807
მართალი იყო;

0:15:53.831,0:15:57.267
აღქმა და შემოქმედება,[br]ძალიან მჭიდროდაა დაკავშირებული.

0:15:57.611,0:16:00.245
ახლა ჩვენ ვნახეთ ნეირონული ქსელები,

0:16:00.269,0:16:02.572
რომლებიც გაწვრთნილები არიან გაარჩიონ

0:16:02.596,0:16:04.838
და ამოიცნონ[br]სხვადასხვა ობიექტები მსოფლიოში.

0:16:04.862,0:16:08.023
მათ შეუძლიათ უკუღმა გაეშვან[br]და შექმნან.

0:16:08.047,0:16:09.830
ერთ-ერთი რასაც ეს მაჩვენებს

0:16:09.854,0:16:12.252
არა მხოლოდ ისაა,[br]რომ მიქელანჯელო მართლაც ხედავდა

0:16:12.276,0:16:14.728
ქანდაკებას ქვის ბლოკებში,

0:16:14.752,0:16:18.390
არამედ, რომ ნებისმიერი ქმნილება,[br]ნებისმიერი არსება, უცხოპლანეტელი,

0:16:18.414,0:16:22.071
რომელსაც მსგავსი აღქმის უნარი აქვს,

0:16:22.095,0:16:23.470
შეუძლია შექმნას კიდეც,

0:16:23.494,0:16:26.718
რადგან ორივე შემთხვევაში[br]ზუსტად ერთნაირი მექანიზმი გამოიყენება.

0:16:26.742,0:16:31.274
ასევე ვფიქრობ, რომ აღქმა და შემოქმედება[br]სულაც არ არის

0:16:31.298,0:16:32.508
უნიკალურად ადამიანური.

0:16:32.532,0:16:36.420
ჩვენ უკვე გვაქვს კოპიუტერული მოდელები,[br]რომლებსაც მსგავსი რამეების კეთება შეუძლიათ

0:16:36.420,0:16:39.592
და გასაკვირი არც უნდა იყოს;[br]ტვინიც ხომ ერთგვარი კომპიუტერია

0:16:39.616,0:16:41.273
და ბოლოს,

0:16:41.297,0:16:45.965
კომპიუტერების შექმნა გონიერი მანქანების[br]შექმნის მცდელობად დაიწყო.

0:16:45.989,0:16:48.451
მისი შემუშავება[br]დიდწილად განსაზღვრა იდეამ,

0:16:48.475,0:16:51.488
თუ როგორ შეგვიძლია[br]მანქანები გახვადოთ გონიერი.

0:16:51.512,0:16:53.674
და ახლა საბოლოოდ, ვიწყებთ

0:16:53.698,0:16:56.104
ამ საქმის პიონერების,[br]ტიურინგის და ვონ ნოიმანის,

0:16:56.128,0:16:57.841
მაკკალოკის და პიტსის

0:16:57.865,0:17:00.130
ზოგიერთი დანაპირების შესრულებას.

0:17:00.154,0:17:04.252
ვფიქრობ კომპიუტერები[br]არა მხოლოდ გამოთვლაა,

0:17:04.276,0:17:06.423
ან Candy Crush-ის,[br]ან რამე მსგავსის თამაში.

0:17:06.447,0:17:09.265
ჩვენ ისინი თავიდანვე[br]ჩვენი ტვინის მიხედვით დავაპროექტეთ.

0:17:09.265,0:17:12.318
ისინი საშუალებას გვაძლევს[br]როგორც ჩვენი ტვინი გავიგოთ უკეთ,

0:17:12.342,0:17:13.871
ასევე გავაუმჯობესოთ ის.

0:17:14.627,0:17:15.794
დიდი მადლობა.

0:17:15.818,0:17:21.757
(აპლოდისმენტები)