Πώς μαθαίνουν οι υπολογιστές να είναι δημιουργικοί

Βρισκόμαστε σε ένα καινούργιο όριο για την τέχνη και τη δημιουργικότητα - και δεν είναι ανθρώπινο. Ο Μπλέιζ Αγκέρα ι Άρκας, σημαντικός επιστήμονας στη Google, εργάζεται πάνω σε εξελιγμένα νευρωνικά δίκτυα για την μηχανική αντίληψη και τη κατανομή της μάθησης. Σε αυτή την καθηλωτική παρουσίαση μας δείχνει πώς τα δίκτυα νευρώνων που έχουν εκπαιδευτεί να αναγνωρίζουν εικόνες, μπορούν να λειτουργήσουν αντίστροφα, δημιουργώντας εικόνες. Το αποτέλεσμα είναι θεαματικά κολάζ (και ποιήματα!) που μοιάζουν με παραισθήσεις και αρνούνται να μπουν σε κάποια κατηγορία. «Η αντίληψη και η δημιουργικότητα είναι πολύ στενά συνδεδεμένες» μας λέει ο Μπλέιζ Αγκέρα. «Κάθε πλάσμα που μπορεί να αντιληφθεί, επίσης μπορεί να δημιουργήσει».

Ηγούμαι μιας ομάδας στην Google
που ερευνά τη μηχανική ευφυΐα.

Με άλλα λόγια, τον κλάδο της μηχανικής
που κάνει υπολογιστές και συσκευές

να μπορούν να κάνουν
κάποια απ' όσα κάνει το μυαλό.

Γι' αυτό ενδιαφερόμαστε
για τους κανονικούς εγκεφάλους

καθώς και για τη νευροεπιστήμη,

και ειδικότερα για τα πράγματα
που κάνει το μυαλό μας

που ακόμα είναι πολύ ανώτερο
από τις επιδόσεις των υπολογιστών.

Ιστορικά, ένα από αυτά που μας ενδιέφεραν
ήταν η αντίληψη,

η διαδικασία με την οποία
τα πράγματα εκεί έξω στον κόσμο

-ήχοι και εικόνες-

μετατρέπονται σε έννοιες μέσα στο μυαλό.

Αυτό είναι ζωτικό για τον εγκέφαλό μας

και επίσης είναι πολύ χρήσιμο
για τον υπολογιστή.

Για παράδειγμα, οι αλγόριθμοι μηχανικής
αντίληψης που φτιάχνει η ομάδα μας

κάνουν δυνατή την αναζήτηση
στις φωτογραφίες του Google Photos

βάσει του τι αυτές περιέχουν.

Η άλλη πλευρά της αντίληψης
είναι η δημιουργικότητα:

το να μεταμορφώνετε μια έννοια
σε κάτι εκεί έξω στον κόσμο.

Έτσι τον τελευταίο χρόνο,
η εργασία μας πάνω στη μηχανική αντίληψη

συνδέθηκε απρόσμενα
και με τον κόσμο της δημιουργικότητας

και της τέχνης από μηχανές.

Νομίζω ότι ο Μιχαήλ Αγγελος
είδε πολύ διορατικά

αυτή τη δυαδική σχέση
μεταξύ αντίληψης και δημιουργικότητας.

Ένα φημισμένο απόφθεγμά του λέει:

«Κάθε κομμάτι πέτρας
έχει μέσα του ένα άγαλμα

και είναι δουλειά του γλύπτη
να το αποκαλύψει».

Νομίζω ότι ο Μιχαήλ Άγγελος εννοεί

ότι δημιουργούμε μέσα από την αντίληψη,

και η ίδια η αντίληψη
είναι μια πράξη φαντασίας

από την οποία είναι φτιαγμένη
η δημιουργικότητα.

Το όργανο που σκέφτεται,
αντιλαμβάνεται και φαντάζεται

είναι φυσικά ο εγκέφαλος.

Θα ήθελα να αρχίσω με λίγη ιστορία

σχετικά με το τι γνωρίζουμε
για τον εγκέφαλό μας.

Γιατί διαφορετικά, ας πούμε,
από την καρδιά ή τα έντερα

δεν μπορείς να πεις πολλά
για τον εγκέφαλο απλώς κοιτώντας τον

τουλάχιστον δια γυμνού οφθαλμού.

Οι πρώτοι ανατόμοι
που εξέτασαν τον εγκέφαλο

έδωσαν στις εμφανείς δομές του
κάθε είδους περίεργη ονομασία,

όπως ιππόκαμπος, ένα είδος μικρής γαρίδας.

Αλλά φυσικά αυτό δεν μας λέει πάρα πολλά

σχετικά με το τι πραγματικά
συμβαίνει στο εσωτερικό.

Ο πρώτος που πιστεύω ότι κάπως μάντεψε

τι περίπου συμβαίνει μέσα στον εγκέφαλο

ήταν ο μεγάλος Ισπανός νευροανατόμος
Σαντιάγο Ραμόν ι Καχάλ

τον 19ο αιώνα,

που χρησιμοποίησε μικροσκόπιο
και ειδικές χρωστικές

που μπορούσαν επιλεκτικά να εισχωρήσουν
και να χρωματίσουν με μεγάλη αντίθεση

τα επιμέρους κελιά του εγκεφάλου,

ούτως ώστε να αρχίσουμε
να καταλαβαίνουμε τη μορφολογία τους.

Αυτά είναι τα σκίτσα νευρώνων
που έφτιαξε τον 19ο αιώνα.

Αυτό είναι από εγκέφαλο πουλιού.

Βλέπετε αυτή την απίστευτη ποικιλία
από διάφορα είδη κελιών,

ακόμα και η ίδια η κυτταρική θεωρία
ήταν αρκετά νέα εκείνον τον καιρό.

Και αυτές οι δομές,

τα κελιά που έχουν αυτές τις διακλαδώσεις

που εκτείνονται σε πολύ μεγάλες αποστάσεις

ήταν κάτι πολύ νέο εκείνη την εποχή.

Φυσικά, μας θυμίζουν καλώδια.

Αυτό θα καταλάβαιναν
κάποιοι άνθρωποι τον 19ο αιώνα -

η επανάσταση καλωδίων και ηλεκτρικού
ήταν μόλις στο ξεκίνημά τους.

Αλλά με διάφορους τρόπους,

αυτά τα μικροανατομικά σκίτσα
του Ραμόν ι Καχάλ, όπως αυτό,

ακόμη παραμένουν αξεπέραστα
με κάποιους τρόπους.

Πάνω από έναν αιώνα αργότερα

προσπαθούμε να τελείωσουμε
αυτό που άρχισε ο Ραμόν ι Καχάλ.

Αυτά είναι τα ακατέργαστα δεδομένα

από τους συνεργάτες μας στο Ινστιτούτο
Νευροεπιστήμης Μαξ Πλανκ.

Οι συνεργάτες μας απεικόνισαν
μικρά κομμάτια εγκεφαλικού ιστού.

Το συνολικό δείγμα εδώ

είναι περίπου
ένα κυβικό χιλιοστό σε μέγεθος,

κι εδώ σας δείχνω ένα πολύ μικρό κομμάτι.

Η μπάρα αριστερά
είναι περίπου ένα μικρόμετρο.

Οι δομές που βλέπετε είναι μιτοχόνδρια

που είναι στο μέγεθος βακτηρίων.

Και αυτές είναι συνεχείς τομές

αυτού του πολύ μικρού κομματιού ιστού.

Απλώς για σύγκριση,

η διάμετρος μιας μέσης τρίχας
είναι περίπου 100 μικρόμετρα.

Άρα κοιτάζουμε κάτι πολύ πολύ μικρότερο

από μια τρίχα μαλλιών.

Και από αυτές τις συνεχείς τομές
από ηλεκτρονικό μικροσκόπιο

κάποιος μπορεί να φτιάξει τρισδιάστατα
νευρώνες που μοιάζουν έτσι.

Έτσι είναι κάπως το ίδιο στυλ
με αυτές του Ραμόν ι Καχάλ.

Μόνο λίγοι νευρώνες άναψαν,

γιατί αλλιώς δεν θα μπορούσαμε
να δούμε τίποτα εδώ.

Θα ήταν τόσο πυκνό,

τόσο γεμάτο με δομές,

με καλώδια που συνδέουν
τους νευρώνες μεταξύ τους.

Έτσι ο Ραμόν ι Καχάλ ήταν λίγο
μπροστά από την εποχή του

και η πρόοδος
για την κατανόηση του εγκεφάλου

προχώρησε αργά
τις επόμενες λίγες δεκαετίες.

Γνωρίζαμε όμως ότι οι νευρώνες
χρησιμοποιούν ηλεκτρισμό

και μέχρι τον Β΄ Παγκόσμιο Πόλεμο
είχαμε κάνει αρκετή πρόοδο

ώστε να κάνουμε ηλεκτρικά πειράματα
σε νευρώνες υπό λειτουργία

ώστε να καταλάβουμε καλύτερα
πώς δούλευαν.

Τότε ακριβώς εφευρέθηκαν οι υπολογιστές

και βασίστηκαν κατά πολύ
στη δομή του εγκεφάλου -

του «ευφυούς μηχανισμού»,
όπως τα αποκαλούσε ο Άλαν Τιούρινγκ,

ο πατέρας της επιστήμης των υπολογιστών.

Οι Γουόρεν ΜακΚάλοκ και Γουόλτερ Πιτς

είδαν τα σκίτσα του Ραμόν ι Καχάλ
από τον φλοιό του εγκεφάλου

που σας δείχνω εδώ.

Αυτός είναι ο φλοιός που επεξεργάζεται
εικόνες που φτάνουν από το μάτι.

Και τους φάνηκε σαν διάγραμμα κυκλώματος.

Υπάρχουν πολλές λεπτομέρειες
στο διάγραμμα των ΜακΚάλοκ και Πιτς

που δεν είναι ακριβώς σωστές.

Αλλά αυτή η βασική ιδέα

ότι ο εγκεφαλικός ιστός λειτουργεί
σαν μια σειρά από υπολογιστικά στοιχεία

που μεταβιβάζουν πληροφορίες
συνεχώς ο ένας στον άλλον

είναι κατά βάσην σωστή.

Ας μιλήσουμε για μια στιγμή

τι θα πρέπει να κάνει ένα μοντέλο
επεξεργασίας οπτικών πληροφοριών.

Το βασικό έργο της αντίληψης

είναι να πάρει μια τέτοια φωτογραφία
και να πει,

«Αυτό είναι ένα πουλί»,

που είναι κάτι πολύ απλό
να κάνουμε με τον εγκέφαλό μας.

Αλλά πρέπει να καταλάβετε
ότι για έναν υπολογιστή,

αυτό ήταν μάλλον αδύνατον
πριν από λίγα χρόνια.

Η κλασική δομή του υπολογιστή

δεν ευνοεί αυτή τη δουλειά.

Έτσι λοιπόν,
αυτό που συμβαίνει με τα πίξελ,

ανάμεσα στην εικόνα του πουλιού
και τη λέξη «πουλί»,

αφορά ουσιαστικά μια ομάδα νευρώνων

που αλληλοσυνδέονται
σε ένα νευρωνικό δίκτυο,

όπως στο διάγραμμα.

Μπορεί να είναι βιολογικό νευρωνικό δίκτυο
μέσα στον εγκεφαλικό φλοιό,

ή, στις μέρες μας,
αρχίζουμε να έχουμε την ικανότητα

να μοντελοποιήσουμε
τέτοια δίκτυα στον υπολογιστή.

Θα σας δείξω πώς μοιάζουν αυτά τα δίκτυα.

Μπορείτε να σκεφτείτε τα πίξελ
ως το πρώτο επίπεδο νευρώνων,

και βασικά έτσι λειτουργεί το μάτι -

είναι οι νευρώνες στον αμφιβληστροειδή.

Και αυτοί μεταδίδουν την πληροφορία

σε αλλεπάλληλα επίπεδα νευρώνων,

που όλα συνδέονται
από συνάψεις διαφορετικών βαρών.

Η συμπεριφορά αυτού του δικτύου

χαρακτηρίζεται από τις δυνάμεις
όλων αυτών των συνάψεων.

Αυτές χαρακτηρίζουν τις υπολογιστικές
ιδιότητες αυτού του δικτύου.

Και στη λήξη της διαδικασίας,

έχετε έναν νευρώνα
ή μια μικρή ομάδα νευρώνων

που θα ανάψει και θα πει «πουλί».

Τώρα θα αναπαραστήσω
αυτά τα τρία πράγματα -

τα πίξελ τροφοδοσίας
και τις συνάψεις στο νευρωνικό δίκτυο,

και το πουλί, το εξαγόμενο -

με τρεις μεταβλητές: x, w και y

Μπορεί να υπάρχουν
περίπου ένα εκατομμύριο x -

ένα εκατομμύριο πίξελ σε αυτή την εικόνα.

Υπάρχουν δισεκατομμύρια
ή τρισεκατομμύρια w,

που αντιπροσωπεύουν τα βάρη
όλων των συνάψεων του νευρωνικού δικτύου.

Και μπορεί να υπάρχει
ένα μικρός αριθμός από y,

από εξαγόμενα του δικτύου.

Το «πουλί» είναι
μόνο πέντε γράμματα, σωστά;

Ας υποθέσουμε ότι αυτός είναι
ένας πολύ απλός μαθηματικός τύπος,

x "x" w = y.

Βάζω τις φορές σε εισαγωγικά

επειδή αυτό που φυσικά συμβαίνει εκεί μέσα

είναι μια σειρά από πολύπλοκες
μαθηματικές λειτουργίες.

Αυτή είναι μια εξίσωση.

Υπάρχουν τρεις μεταβλητές.

Και όλοι γνωρίζουμε ότι σε μια εξίσωση

μπορείς να λύσεις ως προς τον έναν άγνωστο
εάν γνωρίζεις τους άλλους δύο.

Έτσι το πρόβλημα της συνεπαγωγής,

δηλαδή του να συμπεράνουμε
ότι πρόκειται για φωτογραφία πουλιού,

είναι το εξής:

είναι που ο άγνωστος είναι ο y
και οι w και x είναι γνωστοί.

Γνωρίζετε τα νευρωνικά δίκτυα,
γνωρίζετε και τα πίξελ.

Όπως βλέπετε είναι
ένα σχετικά ξεκάθαρο πρόβλημα.

Πολλαπλασιάζετε το 2 επί 3 και τελειώσατε.

Θα σας δείξω ένα τεχνητό νευρωνικό δίκτυο

που φτιάξαμε πρόσφατα,
να κάνει ακριβώς αυτό.

Δουλεύει σε πραγματικό χρόνο
σε κινητό τηλέφωνο,

και αυτό από μόνο του
είναι αξιοθαύμαστο γεγονός,

τα κινητά μπορούν να κάνουν δισεκατομμύρια
και τρισεκατομμύρια λειτουργίες

ανά δευτερόλεπτο.

Αυτό που βλέπετε είναι ένα κινητό

που κοιτάζει αλλεπάλληλες
φωτογραφίες από πουλιά,

και όχι μόνο λέει, «Ναι, είναι πουλί»

αλλά αναγνωρίζει το είδος του πουλιού
με ένα τέτοιο νευρωνικό δίκτυο.

Έτσι σε αυτή την φωτογραφία,

οι x και w είναι γνωστοί
και ο y είναι ο άγνωστος.

Φυσικά δεν μπαίνω σε λεπτομέρειες
για το πολύ δύσκολο μέρος,

το πώς στο καλό υπολογίσαμε το w,

τον εγκέφαλο που μπορεί
να κάνει κάτι τέτοιο;

Πώς μπορεί να μάθαμε ένα τέτοιο μοντέλο;

Αυτή λοιπόν η διαδικασία μάθησης,
να λύνουμε ως προς w,

αν το κάναμε με την απλή εξίσωση

στην οποία τα βλέπουμε αυτά ως αριθμούς,

ξέρουμε πώς ακριβώς να το κάνουμε:
6 = 2 x w,

βασικά διαιρούμε διά 2 και τελειώσαμε.

Το πρόβλημα είναι αυτή η πράξη.

Διαίρεση λοιπόν -

χρησιμοποιήσαμε τη διαίρεση
ως το αντίθετο του πολλαπλασιασμού,

αλλά όπως είπα μόλις,

ο πολλαπλασιασμός είναι λίγο ψεύτικος.

Αυτή είναι μια πολύ περίπλοκη,
μια εντελώς μη γραμμική λειτουργία,

δεν έχει αντίθετο.

Έτσι πρέπει να βρούμε τρόπο
να λύσουμε την εξίσωση

χωρίς το σύμβολο της διαίρεσης.

Και ο τρόπος να το κάνουμε
είναι αρκετά ξεκάθαρος.

Απλώς λέτε, ας κάνουμε
ένα κόλπο της άλγεβρας

και να μετακινήσουμε το 6
στη δεξιά πλευρά της εξίσωσης.

Τώρα ακόμα έχουμε τον πολλαπλασιασμό.

Και αυτό το μηδέν -
ας το σκεφτούμε σαν ένα σφάλμα.

Με άλλα λόγια,
αν λύναμε σωστά ως προς w,

τότε το σφάλμα θα ήταν μηδέν.

Και αν δεν το κάναμε αρκετά σωστά,

το σφάλμα θα είναι μεγαλύτερο από μηδέν.

Έτσι μπορούμε απλώς να μαντέψουμε
για να ελαχιστοποιήσουμε το σφάλμα,

και αυτό το κάνουν καλά οι υπολογιστές.

Ας κάνουμε μια πρώτη μαντεψιά:

Τι θα γινόταν αν w = 0;

Τότε το σφάλμα είναι 6.

Εάν το w = 1; Το σφάλμα είναι 4.

Ο υπολογιστής μπορεί
δίνοντας διάφορες τιμές

να περιορίσει το σφάλμα κοντά στο μηδέν.

Κάνοντάς το αυτό,
λαμβάνει διαδοχικές τιμές κοντά στο w.

Πρακτικά ποτέ δεν το φτάνει
αλλά μετά από καμιά δεκαριά δοκιμές

φτάνουμε στο w = 2.999
που είναι αρκετά κοντά.

Και αυτή είναι η διαδικασία μάθησης.

Θυμηθείτε λοιπόν

ότι εδώ παίρνουμε πολλούς γνωστούς x
και γνωστούς y

και λύνουμε ως προς w
μέσω μιας επαναληπτικής μεθόδου.

Με τον ίδιο ακριβώς τρόπο
μαθαίνουμε κι εμείς.

Ως μωρά έχουμε πάρα πολλές εικόνες

και μας λένε, «Αυτό είναι πουλί,
αυτό δεν είναι πουλί».

Και με τον καιρό και την επανάληψη

λύνουμε ως προς w,
λύνουμε αυτές τις νευρωνικές συνδέσεις.

Έτσι τώρα κρατήσαμε τα x και w σταθερά
για να λύσουμε ως προς y,

αυτό είναι καθημερινή, γρήγορη αντίληψη.

Βρίσκουμε πώς λύνουμε ως προς w,

είναι μάθηση που είναι πολύ δυσκολότερη,

ώστε να ελαχιστοποιήσουμε το σφάλμα,

μέσα από πολλά δοκιμαστικά παραδείγματα.

Πριν περίπου από έναν χρόνο,
ο Άλεξ Μόρντβιντσεφ της ομάδας μας

αποφάσισε να πειραματιστεί
με το τι θα γίνει αν λύσουμε ως προς x,

με δεδομένους γνωστούς τους w και y.

Με άλλα λόγια,

γνωρίζετε ότι είναι ένα πουλί

και ήδη έχετε ένα νευρωνικό δίκτυο
που του έχετε μάθει τα πουλιά,

αλλά τι είναι η εικόνα ενός πουλιού;

Αποδεικνύεται τελικά ότι με την ίδια
διαδικασία ελαχιστοποίησης σφάλματος

μπορούμε να το κάνουμε με το δίκτυο
που έχει μάθει να αναγνωρίζει τα πουλιά,

και το αποτέλεσμα φαίνεται να είναι...

μια εικόνα από πουλιά.

Αυτή λοιπόν είναι μια εικόνα με πουλιά
που φτιάχτηκε εξολοκλήρου

από νευρωνικό δίκτυο
που έμαθε να αναγνωρίζει πουλιά,

απλώς λύνοντας ως προς x
αντί ως προς y,

και κάνοντάς το επαναληπτικά.

Να άλλο ένα διασκεδαστικό παράδειγμα.

Είναι μια δουλειά του Μάικ Τάικα
από την ομάδα μας.

που το λέει «Παρέλαση ζώων».

Μου θυμίζει λίγο την τεχνοτροπία
του Γουίλιαμ Κέντριτζ,

όπου φτιάχνει σκίτσα, τα σβήνει,

φτιάχνει σκίτσα, τα σβήνει,

και έτσι φτιάχνει μια ταινία.

Σε αυτή την περίπτωση,

ο Μάικ αντιστοιχεί το y
με διάφορα ζώα από μια ομάδα,

σε ένα δίκτυο που έχει σχεδιαστεί
να αναγνωρίζει και να διακρίνει

διάφορα ζώα μεταξύ τους.

Και μας βγαίνει μια περίεργη μεταμόρφωση
από ένα ζώο σε άλλο.

Εδώ, αυτός και ο Άλεξ μαζί,
προσπάθησαν να μειώσουν τα y

σε χώρο μόνο δύο διαστάσεων,

φτιάχνοντας έτσι έναν χάρτη
από τον χώρο όλων των πραγμάτων

που αναγνωρίζονται από αυτό το δίκτυο.

Φτιάχνοντας αυτό το είδος σύνθεσης

ή δημιουργία εικόνων
σε ολόκληρη αυτή την επιφάνεια,

αναπτύσσοντας τις τιμές του y,
φτιάχνετε ένα είδος χάρτη -

έναν οπτικό χάρτη όλων των πραγμάτων
που το δίκτυο ξέρει να αναγνωρίζει.

Όλα τα ζώα είναι εδώ -
το αρμαντίλο είναι σε αυτή τη θέση.

Μπορείτε να το κάνετε
και με άλλα είδη δικτύων.

Αυτό είναι ένα δίκτυο
σχεδιασμένο να αναγνωρίζει πρόσωπα,

να διακρίνει πρόσωπα μεταξύ τους.

Και εδώ βάζουμε ένα y που λέει «εγώ»,

τις παραμέτρους του δικού μου προσώπου.

Και όταν λύσει ως προς x,

παράγει αυτή την αλλόκοτη,

λίγο κυβιστική, σουρεαλιστική,
ψυχεδελική εικόνα μου

από πολλαπλές απόψεις ταυτόχρονα.

Ο λόγος που μοιάζει σαν να είναι
πολλαπλές απόψεις ταυτόχρονα

είναι επειδή το δίκτυο σχεδιάστηκε
να απορρίπτει την αμφισημία

ενός προσώπου σε μια ή σε άλλη πόζα,

ή όταν το βλέπουμε κάθε φορά
σε διαφορετικό φωτισμό.

Όταν λοιπόν κάνετε
μια τέτοια ανακατασκευή,

αν δεν χρησιμοποιήσετε ως οδηγό

μια βασική εικόνα ή στατιστικές,

τότε θα υπάρξει μια σύγχυση
από διαφορετικές απόψεις

λόγω αμφισημίας.

Αυτό συμβαίνει αν ο Άλεξ βάλει
το δικό του πρόσωπο ως εικόνα-οδηγό

κατά τη διαδικασία βελτιστοποίησης
στην ανακατασκευή του προσώπου μου.

Βλέπετε λοιπόν ότι δεν είναι τέλειο.

Χρειάζεται αρκετή δουλειά ακόμη

στη βελτιστοποίηση
της διαδικασίας βελτιστοποίησης.

Αλλά αρχίζουμε να παίρνουμε κάτι
πολύ πιο συναφές ως πρόσωπο,

που φτιάχνεται με οδηγό
το δικό μου πρόσωπο.

Δεν χρειάζεται να ξεκινήσετε από το μηδέν

ή από μια αοριστία.

Όταν λύνετε ως προς x,

μπορείτε να ξεκινήσετε με ένα x,
που είναι ήδη μια άλλη εικόνα το ίδιο.

Όπως σε αυτή η επίδειξη.

Αυτό είναι ένα δίκτυο
σχεδιασμένο να ταξινομεί

κάθε είδους διαφορετικά αντικείμενα -
ανθρώπινες κατασκευές, ζώα...

Εδώ αρχίζουμε μόνο
με μια εικόνα από σύννεφα,

και καθώς βελτιστοποιούμε,

βασικά, αυτό το δίκτυο βρίσκει
τι βλέπει μέσα στα σύννεφα.

Και όσο περισσότερο το κοιτάζετε,

τόσο περισσότερα πράγματα
βρίσκετε κι εσείς μέσα στα σύννεφα.

Μπορείτε επίσης να βάλετε το δίκτυο
με τα πρόσωπα να οραματιστεί εδώ,

και θα έχετε πολύ τρελά αποτελέσματα.

(Γέλια)

Ή ακόμη, ο Μάικ έκανε και άλλα πειράματα

όπου παίρνει την εικόνα με τα σύννεφα,

οραματίζεται μορφές, ζουμάρει,
οραματίζεται, ζουμάρει.

Και με αυτό τον τρόπο

βάζετε το δίκτυο σε μια κατάσταση,
θα έλεγα σαν ένα είδος αντίστιξης,

ένα είδος ελεύθερου συσχετισμού,

όπου το δίκτυο
τρώει την ίδια του την ουρά.

Έτσι πλέον κάθε εικόνα
μας κάνει να σκεφτόμαστε,

«Τι νομίζω ότι βλέπω μετά;

Τι νομίζω ότι βλέπω μετά;
Τι νομίζω ότι βλέπω μετά;»

Το παρουσίασα πρώτη φορά
δημόσια σε μια ομάδα

σε ομιλία στο Σιάτλ
που λεγόταν «Ανώτερη Εκπαίδευση» -

αμέσως αφού νομιμοποιήθηκε η μαριχουάνα.

(Γέλια)

Θα ήθελα να κλείσω γρήγορα

με την απλή παρατήρηση
ότι αυτή η τεχνολογία δεν περιορίζεται.

Σας έδειξα μόνο οπτικά παραδείγματα
επειδή είναι πιο ευχάριστα.

Δεν είναι αποκλειστικά οπτική τεχνολογία.

Ο καλλιτεχνικός συνεργάτης μας,
Ρος Γκούντγουιν,

έχει κάνει πειράματα
με μια κάμερα που παίρνει φωτογραφίες,

και μετά ένας υπολογιστής στο σακίδιό του
γράφει ποιήματα μέσα από νευρωνικά δίκτυα,

με βάση τα περιεχόμενα της εικόνας.

Αυτό το ποιητικό νευρωνικό δίκτυο
έχει εκπαιδευτεί

με ένα μεγάλο όγκο ποίησης του 20ου αιώνα.

Και η ποίηση είναι, ξέρετε,

νομίζω, όχι και τόσο άσχημη, τελικά.

(Γέλια)

Κλείνοντας,

σχετικά με τον Μιχαήλ Άγγελο,

νομίζω ότι είχε δίκιο.

Η αντίληψη και η δημιουργικότητα
είναι πολύ στενά συνδεδεμένες.

Μόλις είδαμε νευρωνικά δίκτυα

που έχουν εκπαιδευτεί εξολοκλήρου
να διακρίνουν,

ή να αναγνωρίζουν
διαφορετικά πράγματα στον κόσμο,

και μπορούν να λειτουργούν αντίστροφα,
να δημιουργούν.

Ένα από τα πράγματα
που συμπεραίνω από αυτό

είναι ότι δεν είδε μόνο ο Μιχαήλ Άγγελος

το γλυπτό μέσα στον όγκο της πέτρας,

αλλά ότι κάθε πλάσμα, κάθε ον,
κάθε εξωγήινος,

που μπορεί να επιτελέσει
τέτοιου είδους πράξεις αντίληψης,

μπορεί επίσης να δημιουργήσει

επειδή ακριβώς ο ίδιος μηχανισμός
χρησιμοποιείται και στις δύο περιπτώσεις.

Επίσης πιστεύω ότι η αντίληψη
και η δημιουργικότητα

επ' ουδενί είναι
αποκλειστικά κάτι ανθρώπινο.

Έχουμε υπολογιστικά μοντέλα
που μπορούν να κάνουν ακριβώς το ίδιο.

Και αυτό δεν πρέπει να μας εκπλήσσει,
το μυαλό κάνει υπολογισμούς.

Και τέλος,

οι υπολογιστές ξεκίνησαν ως άσκηση
στο σχεδιασμό ευφυών μηχανημάτων.

Σχεδιάστηκε βασικά με την ιδέα

του πώς μπορούμε
να κάνουμε τις μηχανές ευφυείς.

Και τελικά αρχίζουμε να εκπληρώνουμε

μερικές από τις υποσχέσεις
εκείνων των πρωτοπόρων,

του Τούρινγκ και του Φον Νόιμαν,

του ΜακΚάλοκ και του Πιτς.

Και νομίζω ότι οι υπολογιστές
δεν αφορούν μόνο τα λογιστικά,

ή να παίζουμε Καντι Κρας ή κάτι τέτοιο.

Εξαρχής τα σχεδιάσαμε
κατ' εικόναν του μυαλού μας.

Και μας δίνουν την ικανότητα
να καταλάβουμε το μυαλό μας καλύτερα

και να τα επεκτείνουμε.

Σας ευχαριστώ πολύ.

(Χειροκρότημα)