0:00:00.800,0:00:04.064
Lidero uma equipa do Google[br]que trabalha com inteligência artificial.

0:00:04.064,0:00:08.598
Por outras palavras, cria[br]computadores e dispositivos

0:00:08.622,0:00:11.341
capazes de fazer coisas que o cérebro faz.

0:00:11.729,0:00:14.538
Portanto, estamos muito interessados[br]em cérebros de verdade

0:00:14.562,0:00:16.131
e também na neurociência,

0:00:16.131,0:00:20.047
e especialmente interessados nas coisas[br]que o nosso cérebro faz

0:00:20.071,0:00:24.433
com um desempenho[br]muito superior ao dos computadores.

0:00:25.209,0:00:28.818
Historicamente, uma dessas áreas[br]tem sido a perceção,

0:00:28.842,0:00:31.881
o processo pelo qual as coisas[br]lá fora, no mundo

0:00:31.905,0:00:33.489
— sons e imagens —

0:00:33.513,0:00:36.031
podem tornar-se conceitos[br]no nosso espírito.

0:00:36.235,0:00:38.752
Isto é essencial para[br]o nosso próprio cérebro

0:00:38.776,0:00:41.330
e também é muito útil num computador.

0:00:41.636,0:00:44.986
Os algoritmos de perceção das máquinas,[br]como os que a nossa equipa faz,

0:00:45.010,0:00:48.884
são os que possibilitam encontrar[br]as nossas imagens no Google Photos

0:00:48.908,0:00:51.145
com base no que contêm.

0:00:51.594,0:00:55.087
O outro lado da perceção é a criatividade

0:00:55.111,0:00:58.149
que traduz um conceito[br]numa coisa que existe no mundo.

0:00:58.173,0:01:01.728
Ao longo do ano passado, o nosso trabalho[br]sobre a perceção das máquinas

0:01:01.752,0:01:06.611
também se ligou inesperadamente[br]ao mundo da criatividade das máquinas

0:01:06.635,0:01:08.265
e da arte das máquinas.

0:01:08.556,0:01:11.840
Eu acho que Miguel Ângelo[br]teve uma visão perspicaz

0:01:11.864,0:01:15.780
quanto a esta dupla relação[br]entre perceção e criatividade.

0:01:16.023,0:01:18.399
Esta é uma sua famosa citação:

0:01:18.409,0:01:21.676
"Cada bloco de pedra[br]tem uma estátua lá dentro.

0:01:22.036,0:01:25.538
"O papel do escultor é descobri-la."

0:01:26.029,0:01:29.385
Eu acho que Miguel Ângelo[br]queria exprimir

0:01:29.385,0:01:32.449
que nós criamos através da perceção

0:01:32.473,0:01:35.496
e que essa perceção em si[br]é um ato de imaginação

0:01:35.520,0:01:38.031
e é a matéria-prima da criatividade.

0:01:38.691,0:01:42.616
O órgão que processa todo o pensamento,[br]a perceção e a imaginação,

0:01:42.640,0:01:44.228
claro, é o cérebro.

0:01:45.089,0:01:47.634
Gostaria de começar[br]com um pequeno resumo da história

0:01:47.658,0:01:50.120
sobre o que sabemos sobre o cérebro.

0:01:50.496,0:01:53.162
Porque, ao contrário[br]do coração ou dos intestinos,

0:01:53.162,0:01:56.330
não podemos dizer muito sobre o cérebro,[br]apenas olhando para ele

0:01:56.330,0:01:57.906
pelo menos, a olho nu.

0:01:57.983,0:02:00.499
Os primeiros anatomistas[br]que olharam para o cérebro

0:02:00.499,0:02:04.230
deram à sua estrutura superficial[br]todo o tipo de nomes fantasiosos

0:02:04.254,0:02:06.537
como hipocampo,[br]que significa "cavalo-marinho."

0:02:06.711,0:02:09.475
Mas com certeza, esse tipo de coisas[br]não nos diz muito

0:02:09.499,0:02:11.997
sobre o que de facto acontece dentro dele.

0:02:12.780,0:02:16.393
Acho que a primeira pessoa[br]que lançou alguma luz

0:02:16.417,0:02:18.347
sobre o que ocorria dentro do cérebro

0:02:18.371,0:02:22.291
foi o grande neuroanatomista espanhol[br]Santiago Ramón y Cajal,

0:02:22.315,0:02:23.859
no século XIX,

0:02:23.883,0:02:27.638
que usou a microscopia[br]e corantes especiais

0:02:27.662,0:02:31.832
que podiam colorir seletivamente[br]ou criar um alto contraste

0:02:31.856,0:02:33.864
as células individuais dentro do cérebro,

0:02:33.888,0:02:37.042
para começar a entender a sua morfologia.

0:02:37.972,0:02:40.507
Estes são os tipos[br]de desenhos de neurónios,

0:02:40.507,0:02:42.096
que ele fez no século XIX.

0:02:42.120,0:02:44.164
Este é de um cérebro de pássaro.

0:02:44.164,0:02:47.085
Vemos esta incrível variedade[br]de diferentes tipos de células.

0:02:47.109,0:02:50.544
Até a própria teoria celular[br]era praticamente nova nesta altura.

0:02:50.568,0:02:51.976
Estas estruturas,

0:02:51.976,0:02:54.339
estas células que têm estas ramificações,

0:02:54.339,0:02:56.761
estes ramos que podem percorrer[br]grandes distâncias,

0:02:56.785,0:02:58.541
eram uma novidade na época.

0:02:58.779,0:03:01.682
Claro que nos fazem lembrar cabos.

0:03:01.706,0:03:05.333
No século XIX, isso talvez fosse óbvio[br]para algumas pessoas,

0:03:05.333,0:03:09.501
a revolução da cablagem elétrica[br]estava apenas a começar.

0:03:09.964,0:03:11.142
Mas, de várias maneiras,

0:03:11.166,0:03:14.479
esses desenhos microanatómicos[br]de Ramón y Cajal, como este,

0:03:14.503,0:03:16.975
ainda são, de certa forma, insuperáveis.

0:03:16.975,0:03:18.603
Mais de cem anos depois,

0:03:18.603,0:03:21.792
continuamos a tentar terminar[br]o trabalho que Ramón y Cajal iniciou.

0:03:21.792,0:03:24.720
Estes são dados brutos[br]dos nossos colaboradores

0:03:24.744,0:03:27.625
do Instituto de Neurociência Max Planck.

0:03:27.649,0:03:30.489
Os nossos colaboradores têm fotografado

0:03:30.489,0:03:34.464
pequenos pedaços de tecido cerebral.

0:03:34.488,0:03:37.814
A amostra total aqui tem cerca[br]de um milímetro cúbico de tamanho

0:03:37.838,0:03:40.373
e estou a mostrar aqui[br]apenas um pequeno pedaço.

0:03:40.373,0:03:42.829
Aquela barra à esquerda tem[br]mais ou menos um mícron.

0:03:42.853,0:03:45.262
As estruturas que vemos são mitocôndrias

0:03:45.286,0:03:47.330
que têm o tamanho de uma bactéria.

0:03:47.354,0:03:49.015
E estas são cortes consecutivos

0:03:49.015,0:03:52.077
desse bloco de tecido[br]muito pequeno.

0:03:52.101,0:03:54.504
Só para efeitos de comparação,

0:03:54.528,0:03:58.244
o diâmetro médio de um cabelo[br]é de cerca de 100 mícrons.

0:03:58.244,0:04:01.978
Portanto, estamos a olhar para uma coisa[br]muito menor do que um simples cabelo.

0:04:02.064,0:04:06.095
A partir deste tipo de cortes em série[br]vistos ao microscópio eletrónico,

0:04:06.119,0:04:11.127
podemos fazer reconstruções em 3D[br]de neurónios, como estes.

0:04:11.151,0:04:14.308
Estes são do mesmo estilo[br]dos de Ramón y Cajal.

0:04:14.332,0:04:18.534
Só se iluminam alguns neurónios,[br]senão, não conseguiríamos ver nada.

0:04:18.653,0:04:20.115
Ficaria muito sobrecarregado,

0:04:20.115,0:04:22.429
cheio de estruturas de cabos,

0:04:22.429,0:04:24.667
ligando os neurónios uns aos outros.

0:04:25.293,0:04:28.097
Ramón y Cajal estava avançado[br]para a sua época

0:04:28.121,0:04:30.996
e o progresso na compreensão do cérebro

0:04:30.996,0:04:33.351
prosseguiu devagar[br]durante as décadas seguintes.

0:04:33.455,0:04:36.528
Mas nós sabíamos que os neurónios[br]usavam a eletricidade.

0:04:36.528,0:04:39.418
Com a II Guerra Mundial,[br]a nossa tecnologia avançou bastante

0:04:39.418,0:04:42.218
para iniciar experiências elétricas[br]em neurónios vivos,

0:04:42.218,0:04:44.458
para melhor entender[br]como eles funcionavam.

0:04:44.881,0:04:48.987
Foi na mesma época em que[br]foram inventados os computadores,

0:04:49.011,0:04:52.111
com base sobretudo na ideia[br]de imitar o cérebro

0:04:52.135,0:04:55.220
— uma "máquina inteligente", [br]como lhe chamou Alan Turing,

0:04:55.244,0:04:57.555
um dos pais da informática.

0:04:57.923,0:05:02.555
Warren McCulloch e Walter Pitts [br]olharam para o desenho de Ramón y Cajal

0:05:02.579,0:05:03.896
do córtex visual,

0:05:03.920,0:05:05.772
que estou a mostrar aqui.

0:05:06.326,0:05:10.088
Este é o córtex que processa as imagens[br]que provêm dos olhos.

0:05:10.424,0:05:14.082
Para eles, isto parecia[br]o diagrama de um circuito.

0:05:14.353,0:05:18.062
Há muitos detalhes no diagrama[br]no circuito de McCulloch e de Pitt

0:05:18.062,0:05:19.714
que não estão lá muito corretos.

0:05:19.714,0:05:21.093
Mas a ideia básica

0:05:21.093,0:05:24.839
de que o córtex visual funciona como[br]uma série de elementos eletrónicos

0:05:24.863,0:05:27.609
que passam informações[br]de um para outro, em cascata,

0:05:27.633,0:05:29.335
está essencialmente correta.

0:05:29.335,0:05:31.739
Vamos falar por momentos

0:05:31.739,0:05:35.865
do que um modelo de processamento[br]de informações visuais precisaria de fazer.

0:05:36.228,0:05:38.969
A tarefa básica da perceção

0:05:38.993,0:05:43.091
é pegar numa imagem como esta e dizer:

0:05:43.091,0:05:44.507
"Isto é uma ave",

0:05:44.507,0:05:47.475
o que é uma coisa muito simples[br]que fazermos com o cérebro.

0:05:47.475,0:05:50.730
Mas devem compreender que,[br]para um computador,

0:05:50.754,0:05:53.841
isso era praticamente impossível,[br]até há poucos anos.

0:05:53.865,0:05:56.081
O paradigma clássico da informática

0:05:56.081,0:05:58.732
não permite realizar[br]facilmente essa tarefa.

0:05:59.366,0:06:02.018
Então, o que acontece entre os píxeis,

0:06:02.018,0:06:05.970
entre a imagem de um pássaro[br]e a palavra "ave",

0:06:05.994,0:06:08.808
é uma série de neurónios[br]ligados uns aos outros

0:06:08.832,0:06:11.547
numa rede neural[br]como este diagrama aqui.

0:06:11.704,0:06:14.530
Esta rede neural pode ser biológica,[br]como no córtex visual,

0:06:14.554,0:06:17.226
ou, atualmente, começamos[br]a ter a capacidade de modelar

0:06:17.226,0:06:19.194
estas redes neurais no computador.

0:06:19.834,0:06:22.187
Vou mostrar o aspeto que isso tem.

0:06:22.211,0:06:25.627
Podemos considerar os píxeis[br]como uma primeira camada de neurónio

0:06:25.651,0:06:27.890
— e, de facto, é assim[br]que funciona o olho —

0:06:27.914,0:06:29.577
são os neurónios na retina.

0:06:29.601,0:06:31.631
e eles transmitem as informações

0:06:31.631,0:06:34.528
camada após camada,[br]após camada de neurónios,

0:06:34.552,0:06:37.585
todos ligados através de sinapses[br]de diferentes pesos.

0:06:37.609,0:06:39.114
O comportamento desta rede

0:06:39.114,0:06:42.352
é caracterizado pelas forças[br]de todas estas sinapses.

0:06:42.352,0:06:45.564
Elas caracterizam as propriedades[br]informáticas dessa rede.

0:06:45.588,0:06:47.058
E por fim,

0:06:47.082,0:06:49.619
temos um neurónio[br]ou um pequeno grupo de neurónios

0:06:49.619,0:06:51.570
que se iluminam, dizendo: "ave".

0:06:51.824,0:06:54.956
Agora vou representar essas três coisas

0:06:54.980,0:06:59.676
— os píxeis de entrada[br]e as sinapses na rede neural,

0:06:59.700,0:07:01.285
e a ave, o resultado —

0:07:01.309,0:07:04.576
por três variáveis: x, w e y.

0:07:04.853,0:07:06.754
Há talvez um milhão de x,

0:07:06.754,0:07:08.641
um milhão de píxeis nesta imagem.

0:07:08.665,0:07:11.111
Há milhares de milhões ou biliões de w,

0:07:11.135,0:07:14.556
que representam os pesos de todas[br]essas sinapses na rede neural.

0:07:14.580,0:07:16.455
E há um pequeno número de y,

0:07:16.479,0:07:18.337
de resultados que essa rede neural tem.

0:07:18.361,0:07:20.430
"Ave" tem apenas três letras, não é?

0:07:21.088,0:07:24.514
Então vamos supor que isso[br]é uma fórmula simples,

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

0:07:26.725,0:07:28.891
Coloco o sinal de multiplicação entre aspas

0:07:28.891,0:07:31.065
porque o que realmente está [br]ali a acontecer,

0:07:31.089,0:07:34.285
é uma série muito complicada[br]de operações matemáticas

0:07:35.172,0:07:36.393
Isto é uma equação.

0:07:36.417,0:07:38.089
Há três variáveis.

0:07:38.113,0:07:41.079
Todos nós sabemos que,[br]se temos uma equação,

0:07:41.079,0:07:44.505
podemos encontrar uma variável[br]se conhecermos as outras duas.

0:07:45.158,0:07:48.538
Assim, o problema da inferência,

0:07:48.562,0:07:51.435
ou seja, descobrir que a figura[br]de uma ave é uma ave,

0:07:51.459,0:07:52.893
é o seguinte:

0:07:52.913,0:07:56.216
É onde y é a incógnita[br]e w e x são conhecidos.

0:07:56.240,0:07:58.699
Conhecemos a rede neural,[br]conhecemos os píxeis.

0:07:58.723,0:08:02.050
Como podemos ver, isto é de facto[br]um problema relativamente simples.

0:08:02.074,0:08:04.260
Multiplicamos duas vezes três[br]e está feito.

0:08:04.862,0:08:06.985
Vou mostrar uma rede neural artificial

0:08:07.009,0:08:09.715
que construímos há pouco tempo,[br]fazendo exatamente isso.

0:08:09.715,0:08:12.494
Isto está a correr em tempo real[br]num telemóvel

0:08:12.518,0:08:15.831
e, claro, é incrível, só por si,

0:08:15.855,0:08:18.627
que os telemóveis possam fazer[br]milhares de milhões ou

0:08:18.647,0:08:20.595
ou biliões de operações por segundo.

0:08:20.619,0:08:22.374
O que estamos a ver é um telemóvel

0:08:22.374,0:08:25.805
a olhar para figuras de aves,[br]umas atrás das outras,

0:08:25.829,0:08:28.544
a dizer: "Sim, isto é uma ave",

0:08:28.568,0:08:31.979
e também a identificar as espécies de aves[br]com uma rede deste tipo.

0:08:32.890,0:08:34.716
Assim, nesta imagem,

0:08:34.740,0:08:38.542
o x e o w são conhecidos,[br]e o y é a incógnita.

0:08:38.566,0:08:41.074
Claro, estou a encobrir[br]a parte mais difícil,

0:08:41.098,0:08:44.959
que é como podemos[br]descobrir o valor de w,

0:08:44.983,0:08:47.170
como é que o cérebro[br]pode fazer tal coisa?

0:08:47.194,0:08:49.258
Como poderemos[br]aprender esse modelo?

0:08:49.418,0:08:52.651
Este processo de aprendizagem,[br]de encontrar o w,

0:08:52.675,0:08:55.322
se estivéssemos a fazer isso[br]com uma simples equação

0:08:55.346,0:08:57.346
em que utilizamos números,

0:08:57.370,0:09:00.417
sabemos exatamente como fazer isso:[br]6 = 2 x w.

0:09:00.417,0:09:03.573
Dividimos por dois e está feito.

0:09:04.001,0:09:06.361
O problema é com este operador.

0:09:06.823,0:09:07.974
a divisão.

0:09:08.158,0:09:11.119
Usamos a divisão porque [br]é o inverso da multiplicação

0:09:11.143,0:09:12.583
mas, como acabei de dizer,

0:09:12.607,0:09:15.056
a multiplicação aqui[br]é uma pequena mentira.

0:09:15.080,0:09:18.406
Esta é uma operação muito complicada,[br]não é linear,

0:09:18.430,0:09:20.134
não tem forma inversa.

0:09:20.158,0:09:23.308
Então temos de descobrir[br]uma forma de resolver a equação

0:09:23.332,0:09:25.356
sem um operador de divisão.

0:09:25.380,0:09:27.723
A forma de fazer isso é bem simples.

0:09:27.747,0:09:30.418
Basta dizer: "Vamos brincar[br]com os truques da álgebra"

0:09:30.442,0:09:33.348
e movemos o seis[br]para o lado direito da equação.

0:09:33.372,0:09:35.558
Continuamos a usar a multiplicação.

0:09:35.675,0:09:39.255
E vamos pensar naquele zero[br]como um erro.

0:09:39.279,0:09:41.794
Por outras palavras,[br]se resolvermos da forma correta,

0:09:41.818,0:09:43.474
o erro será zero.

0:09:43.498,0:09:46.976
E se não resolvemos corretamente,[br]o erro será maior do que zero.

0:09:47.233,0:09:50.343
Então podemos apenas dar palpites[br]para minimizar o erro.

0:09:50.343,0:09:53.310
Esse é o tipo de coisas em que[br]os computadores são muito bons.

0:09:53.334,0:09:54.927
Assim, temos um palpite inicial:

0:09:54.951,0:09:56.545
E se w = 0? [br]Então o erro é seis.

0:09:56.545,0:09:58.841
E se w = 1? [br]Então o erro é 4.

0:09:58.865,0:10:01.232
Então o computador[br]pode fazer de Marco Polo,

0:10:01.256,0:10:03.623
e diminuir o erro[br]para mais próximo de zero.

0:10:03.647,0:10:07.021
Fazendo isso, vamos ter sucessivas[br]aproximações até ao w.

0:10:07.045,0:10:10.701
Normalmente, nunca lá chega,[br]mas após uma dúzia de passos,

0:10:10.725,0:10:15.729
temos w = 2,999,[br]o que é suficientemente próximo.

0:10:16.302,0:10:18.116
É este o processo de aprendizagem.

0:10:18.140,0:10:20.870
Por isso, lembrem-se[br]que o que está a acontecer aqui

0:10:20.894,0:10:25.272
é que estamos a pegar num monte[br]de x e y conhecidos

0:10:25.296,0:10:28.750
e a procurar o w[br]através de um processo repetitivo.

0:10:28.774,0:10:32.330
Isto é a mesma coisa que fazemos[br]com a nossa aprendizagem.

0:10:32.354,0:10:35.464
Temos muitas imagens,[br]enquanto bebés, e dizem-nos:

0:10:35.464,0:10:37.541
"Isto é uma ave,[br]isto não é uma ave".

0:10:37.714,0:10:40.192
Ao longo do tempo, através da repetição,

0:10:40.192,0:10:43.214
encontramos o w,[br]aquelas ligações neurais.

0:10:43.460,0:10:47.546
Então agora, temos o x e o w fixos,[br]para resolvermos o y.

0:10:47.570,0:10:49.417
É a perceção rápida, de todos os dias.

0:10:49.441,0:10:51.048
Descobrimos como encontrar o w,

0:10:51.048,0:10:53.461
isso é aprendizagem,[br]o que é um muito mais difícil

0:10:53.461,0:10:56.770
porque precisamos de minimizar o erro,[br]praticando muitos exemplos.

0:10:56.875,0:11:00.062
Há uns anos, Alex Mordvintsev,[br]da nossa equipa,

0:11:00.086,0:11:03.636
decidiu experimentar o que acontece[br]se tentarmos encontrar o x,

0:11:03.660,0:11:05.837
em que o w e o y são conhecidos.

0:11:06.124,0:11:08.515
Por outras palavras,[br]sabemos que é uma ave,

0:11:08.675,0:11:11.978
já treinámos a rede neural com as aves,

0:11:12.002,0:11:14.586
mas o que é a imagem de uma ave?

0:11:15.034,0:11:20.058
Acontece que, usando exatamente o mesmo[br]procedimento de minimização de erros,

0:11:20.082,0:11:23.512
podemos fazer isso com a rede[br]treinada para reconhecer aves

0:11:23.536,0:11:26.924
e o resultado será...

0:11:30.400,0:11:31.975
uma imagem de aves.

0:11:32.814,0:11:36.551
É uma imagem de aves[br]gerada totalmente por uma rede neural,

0:11:36.575,0:11:38.691
treinada para reconhecer aves,

0:11:38.691,0:11:41.963
simplesmente procurando x,[br]em vez de procurar o y,

0:11:41.987,0:11:43.655
e fazendo-o por repetição.

0:11:43.882,0:11:45.719
Eis outro exemplo engraçado.

0:11:45.719,0:11:49.040
Este foi um trabalho feito[br]por Mike Tyka no nosso grupo

0:11:49.064,0:11:51.372
a que ele chama "Desfile de Animais".

0:11:51.396,0:11:54.272
Recorda-me um pouco as obras[br]de William Kentridge,

0:11:54.296,0:11:56.785
em que ele faz esboços e depois os apaga,

0:11:56.809,0:11:59.629
faz esboços e os apaga[br]e cria um filme dessa forma

0:11:59.715,0:12:04.016
Neste caso, Mike vai variando y[br]no espaço de diferentes animais

0:12:04.191,0:12:06.573
numa rede concebida[br]para reconhecer e distinguir

0:12:06.597,0:12:08.517
animais diferentes uns dos outros.

0:12:08.517,0:12:12.182
Podemos achar estranho, é como ter[br]uma metamorfose de um animal para outro.

0:12:14.221,0:12:18.835
Aqui ele e Alex, em conjunto,[br]tentaram reduzir os y

0:12:18.859,0:12:21.618
num espaço de apenas duas dimensões,

0:12:21.642,0:12:25.080
criando um mapa fora do espaço[br]de todas as coisas

0:12:25.104,0:12:26.823
reconhecidas por essa rede.

0:12:26.847,0:12:28.970
Fazendo esse tipo de síntese

0:12:28.970,0:12:31.276
ou geração de imagens[br]sobre toda a superfície,

0:12:31.300,0:12:34.146
variando y na superfície,[br]fazemos uma espécie de mapa,

0:12:34.170,0:12:37.311
um mapa visual de todas as coisas[br]que a rede sabe reconhecer.

0:12:37.335,0:12:40.200
Os animais estão todos aqui:[br]o tatu está naquele local.

0:12:40.919,0:12:43.398
Também podemos fazer isso[br]com outras redes.

0:12:43.422,0:12:46.296
Esta é uma rede desenhada[br]para reconhecer rostos,

0:12:46.320,0:12:48.650
para distinguir um rosto de outro.

0:12:48.650,0:12:51.593
Aqui, estamos a colocar um Y[br]que diz "eu",

0:12:51.617,0:12:53.192
os parâmetros do meu rosto.

0:12:53.216,0:12:55.072
Quando isso é resolvido para x,

0:12:55.072,0:12:58.454
gera a minha imagem, bastante louca,

0:12:58.454,0:13:01.740
tipo cubista, surrealista, psicadélica,

0:13:01.740,0:13:03.966
de vários pontos de vista ao mesmo tempo.

0:13:03.966,0:13:06.984
A razão de se parecer com vários[br]pontos de vista ao mesmo tempo,

0:13:06.984,0:13:10.315
é porque esta rede está concebida[br]para se livrar da ambiguidade

0:13:10.339,0:13:12.815
de um rosto estar numa pose qualquer,

0:13:12.839,0:13:16.215
de ser visto com um tipo de luz,[br]com outro tipo de luz.

0:13:16.239,0:13:18.324
Quando fazemos este tipo de reconstrução,

0:13:18.348,0:13:21.812
se não usarmos qualquer tipo[br]de guia de imagem ou de estatística,

0:13:21.911,0:13:25.676
obtemos uma certa confusão[br]de diferentes pontos de vista,

0:13:25.700,0:13:27.468
porque isso é ambíguo.

0:13:27.786,0:13:32.009
É o que acontece se o Alex usar[br]o seu rosto como guia de imagem

0:13:32.033,0:13:35.464
durante o processo de otimização[br]para reconstruir o meu rosto.

0:13:36.284,0:13:38.612
Vemos que isto não é perfeito.

0:13:38.636,0:13:40.510
Ainda há muito trabalho a fazer

0:13:40.534,0:13:42.987
sobre como melhorar[br]a otimização do processo.

0:13:43.011,0:13:45.838
Mas começamos a ver alguma coisa[br]como um rosto coerente,

0:13:45.862,0:13:48.436
usando o meu rosto como guia.

0:13:48.892,0:13:51.393
Não precisamos de começar[br]com uma tela em branco

0:13:51.417,0:13:52.573
ou com interferências,

0:13:52.597,0:13:54.251
quando estamos a procurar x.

0:13:54.251,0:13:57.814
Podemos começar com um x[br]que, em si mesmo, já é uma outra imagem.

0:13:57.838,0:14:00.644
É isso que é esta pequena demonstração.

0:14:00.644,0:14:04.540
Esta é uma rede desenhada[br]para categorizar

0:14:04.564,0:14:07.683
todo o tipo de objetos — estruturas[br]feitas pelo homem, animais.

0:14:07.707,0:14:10.300
Aqui estamos a começar[br]apenas com uma imagem de nuvens.

0:14:10.324,0:14:11.995
Quando otimizamos,

0:14:12.019,0:14:16.505
essa rede está a descobrir[br]o que vê nas nuvens.

0:14:16.931,0:14:19.251
Quanto mais tempo gastarmos[br]a olhar para isto,

0:14:19.275,0:14:22.168
mais coisas veremos nas nuvens.

0:14:23.004,0:14:26.379
Também podemos usar a rede de rostos[br]para enlouquecer isto

0:14:26.403,0:14:28.215
e obtemos coisas muito loucas.

0:14:28.239,0:14:29.569
(Risos)

0:14:30.401,0:14:33.145
Mike tem feito outras experiências

0:14:33.169,0:14:37.074
em que agarra nessa imagem de nuvens,

0:14:37.098,0:14:40.605
enlouquece, aproxima, enlouquece,[br]aproxima, enlouquece, aproxima.

0:14:40.629,0:14:42.070
Dessa forma,

0:14:42.070,0:14:45.479
suponho que podemos obter[br]uma espécie de estado de fuga da rede,

0:14:45.503,0:14:49.183
ou um tipo de associação livre

0:14:49.207,0:14:51.434
em que a rede está a comer a sua cauda.

0:14:51.458,0:14:54.683
Assim cada imagem é agora a base para:

0:14:54.683,0:14:56.414
"O que é que espero ver a seguir?"

0:14:56.414,0:14:59.581
"O que é que espero ver a seguir?[br]O que é que espero ver a seguir?"

0:14:59.581,0:15:02.423
Mostrei isto em público[br]pela primeira vez

0:15:02.447,0:15:07.884
a um grupo numa palestra em Seattle[br]chamada "A mais alta educação"

0:15:07.908,0:15:10.445
— logo depois de ter sido[br]legalizada a marijuana.

0:15:10.689,0:15:12.784
(Risos)

0:15:14.627,0:15:16.731
Gostaria de terminar rapidamente

0:15:16.755,0:15:21.230
notando que esta tecnologia[br]não está limitada.

0:15:21.314,0:15:24.699
Mostrei-vos apenas exemplos visuais[br]porque eles são divertidos de ver.

0:15:24.723,0:15:27.174
Não é apenas uma tecnologia[br]puramente visual.

0:15:27.198,0:15:29.361
O nosso artista colaborador, Ross Goodwin,

0:15:29.361,0:15:32.886
tem feito experiências que envolvem[br]uma câmara que tira fotos

0:15:32.910,0:15:37.144
e depois um computador na sua mochila[br]escreve um poema, usando redes neurais,

0:15:37.168,0:15:39.112
com base no conteúdo da imagem.

0:15:39.136,0:15:42.083
Essa poesia de rede neural[br]foi treinada

0:15:42.107,0:15:44.341
num grande corpo de poesia do século XX.

0:15:44.365,0:15:47.624
Sabem uma coisa, acho que essa poesia[br]não é lá muito má.

0:15:47.826,0:15:49.210
(Risos)

0:15:49.234,0:15:50.703
Para terminar,

0:15:50.703,0:15:53.619
acho que Miguel Ângelo tinha razão.

0:15:53.831,0:15:57.267
"A perceção e a criatividades[br]estão intimamente ligadas".

0:15:57.611,0:16:00.245
O que acabamos de ver[br]são redes neurais

0:16:00.269,0:16:03.192
que estão totalmente treinadas[br]para discriminar ou reconhecer

0:16:03.192,0:16:05.058
diferentes coisas no mundo,

0:16:05.058,0:16:08.023
capazes de funcionar[br]de trás para frente, de criar.

0:16:08.047,0:16:09.830
Uma das coisas que me sugere

0:16:09.854,0:16:12.432
que não é apenas o que Miguel Ângelo viu,

0:16:12.432,0:16:14.728
a escultura nos blocos de pedra.

0:16:14.752,0:16:18.390
Mas que qualquer criatura,[br]qualquer ser, qualquer alienígena,

0:16:18.414,0:16:22.071
que seja capaz de fazer [br]ações percetivas deste tipo,

0:16:22.095,0:16:23.620
também é capaz de criar,

0:16:23.620,0:16:26.718
porque é exatamente o mesmo mecanismo[br]usado nos dois casos.

0:16:26.742,0:16:31.274
Também acho que essa perceção e[br]criatividade não são de modo algum

0:16:31.298,0:16:32.708
unicamente humanas.

0:16:32.708,0:16:36.240
Começámos com modelos de computadores[br]capazes de fazer este tipo de coisas.

0:16:36.264,0:16:39.592
Isso não devia ser surpreendente:[br]o cérebro é um modelo informático.

0:16:39.616,0:16:41.273
E finalmente,

0:16:41.297,0:16:45.965
a informática começou como um exercício[br]para a conceção de máquinas inteligentes.

0:16:45.989,0:16:48.451
Foi modelado segundo a ideia

0:16:48.475,0:16:51.488
de que podemos fazer[br]máquinas inteligentes.

0:16:51.512,0:16:53.674
E finalmente estamos agora[br]a começar a atingir

0:16:53.698,0:16:56.104
algumas das promessas dos pioneiros,

0:16:56.128,0:16:57.841
de Turing e von Neumannn,

0:16:57.865,0:17:00.130
de McCulloch e Pitts.

0:17:00.914,0:17:04.252
Acho que a informática[br]não é apenas fazer contas

0:17:04.276,0:17:06.483
ou jogar Candy Crush[br]ou qualquer outra coisa.

0:17:06.483,0:17:09.225
Desde o começo, [br]modelámo-los segundo as nossas mentes.

0:17:09.225,0:17:12.318
Eles deram-nos a capacidade[br]para compreender as nossas mentes

0:17:12.342,0:17:13.871
e para os aperfeiçoar.

0:17:14.627,0:17:16.074
Muito obrigado.

0:17:16.174,0:17:19.457
(Aplausos)