Como os computadores estão a aprender a ser criativos
-
0:01 - 0:04Lidero uma equipa do Google
que trabalha com inteligência artificial. -
0:04 - 0:09Por outras palavras, cria
computadores e dispositivos -
0:09 - 0:11capazes de fazer coisas que o cérebro faz.
-
0:12 - 0:15Portanto, estamos muito interessados
em cérebros de verdade -
0:15 - 0:16e também na neurociência,
-
0:16 - 0:20e especialmente interessados nas coisas
que o nosso cérebro faz -
0:20 - 0:24com um desempenho
muito superior ao dos computadores. -
0:25 - 0:29Historicamente, uma dessas áreas
tem sido a perceção, -
0:29 - 0:32o processo pelo qual as coisas
lá fora, no mundo -
0:32 - 0:33— sons e imagens —
-
0:34 - 0:36podem tornar-se conceitos
no nosso espírito. -
0:36 - 0:39Isto é essencial para
o nosso próprio cérebro -
0:39 - 0:41e também é muito útil num computador.
-
0:42 - 0:45Os algoritmos de perceção das máquinas,
como os que a nossa equipa faz, -
0:45 - 0:49são os que possibilitam encontrar
as nossas imagens no Google Photos -
0:49 - 0:51com base no que contêm.
-
0:52 - 0:55O outro lado da perceção é a criatividade
-
0:55 - 0:58que traduz um conceito
numa coisa que existe no mundo. -
0:58 - 1:02Ao longo do ano passado, o nosso trabalho
sobre a perceção das máquinas -
1:02 - 1:07também se ligou inesperadamente
ao mundo da criatividade das máquinas -
1:07 - 1:08e da arte das máquinas.
-
1:09 - 1:12Eu acho que Miguel Ângelo
teve uma visão perspicaz -
1:12 - 1:16quanto a esta dupla relação
entre perceção e criatividade. -
1:16 - 1:18Esta é uma sua famosa citação:
-
1:18 - 1:22"Cada bloco de pedra
tem uma estátua lá dentro. -
1:22 - 1:26"O papel do escultor é descobri-la."
-
1:26 - 1:29Eu acho que Miguel Ângelo
queria exprimir -
1:29 - 1:32que nós criamos através da perceção
-
1:32 - 1:35e que essa perceção em si
é um ato de imaginação -
1:36 - 1:38e é a matéria-prima da criatividade.
-
1:39 - 1:43O órgão que processa todo o pensamento,
a perceção e a imaginação, -
1:43 - 1:44claro, é o cérebro.
-
1:45 - 1:48Gostaria de começar
com um pequeno resumo da história -
1:48 - 1:50sobre o que sabemos sobre o cérebro.
-
1:50 - 1:53Porque, ao contrário
do coração ou dos intestinos, -
1:53 - 1:56não podemos dizer muito sobre o cérebro,
apenas olhando para ele -
1:56 - 1:58pelo menos, a olho nu.
-
1:58 - 2:00Os primeiros anatomistas
que olharam para o cérebro -
2:00 - 2:04deram à sua estrutura superficial
todo o tipo de nomes fantasiosos -
2:04 - 2:07como hipocampo,
que significa "cavalo-marinho." -
2:07 - 2:09Mas com certeza, esse tipo de coisas
não nos diz muito -
2:09 - 2:12sobre o que de facto acontece dentro dele.
-
2:13 - 2:16Acho que a primeira pessoa
que lançou alguma luz -
2:16 - 2:18sobre o que ocorria dentro do cérebro
-
2:18 - 2:22foi o grande neuroanatomista espanhol
Santiago Ramón y Cajal, -
2:22 - 2:24no século XIX,
-
2:24 - 2:28que usou a microscopia
e corantes especiais -
2:28 - 2:32que podiam colorir seletivamente
ou criar um alto contraste -
2:32 - 2:34as células individuais dentro do cérebro,
-
2:34 - 2:37para começar a entender a sua morfologia.
-
2:38 - 2:41Estes são os tipos
de desenhos de neurónios, -
2:41 - 2:42que ele fez no século XIX.
-
2:42 - 2:44Este é de um cérebro de pássaro.
-
2:44 - 2:47Vemos esta incrível variedade
de diferentes tipos de células. -
2:47 - 2:51Até a própria teoria celular
era praticamente nova nesta altura. -
2:51 - 2:52Estas estruturas,
-
2:52 - 2:54estas células que têm estas ramificações,
-
2:54 - 2:57estes ramos que podem percorrer
grandes distâncias, -
2:57 - 2:59eram uma novidade na época.
-
2:59 - 3:02Claro que nos fazem lembrar cabos.
-
3:02 - 3:05No século XIX, isso talvez fosse óbvio
para algumas pessoas, -
3:05 - 3:10a revolução da cablagem elétrica
estava apenas a começar. -
3:10 - 3:11Mas, de várias maneiras,
-
3:11 - 3:14esses desenhos microanatómicos
de Ramón y Cajal, como este, -
3:15 - 3:17ainda são, de certa forma, insuperáveis.
-
3:17 - 3:19Mais de cem anos depois,
-
3:19 - 3:22continuamos a tentar terminar
o trabalho que Ramón y Cajal iniciou. -
3:22 - 3:25Estes são dados brutos
dos nossos colaboradores -
3:25 - 3:28do Instituto de Neurociência Max Planck.
-
3:28 - 3:30Os nossos colaboradores têm fotografado
-
3:30 - 3:34pequenos pedaços de tecido cerebral.
-
3:34 - 3:38A amostra total aqui tem cerca
de um milímetro cúbico de tamanho -
3:38 - 3:40e estou a mostrar aqui
apenas um pequeno pedaço. -
3:40 - 3:43Aquela barra à esquerda tem
mais ou menos um mícron. -
3:43 - 3:45As estruturas que vemos são mitocôndrias
-
3:45 - 3:47que têm o tamanho de uma bactéria.
-
3:47 - 3:49E estas são cortes consecutivos
-
3:49 - 3:52desse bloco de tecido
muito pequeno. -
3:52 - 3:55Só para efeitos de comparação,
-
3:55 - 3:58o diâmetro médio de um cabelo
é de cerca de 100 mícrons. -
3:58 - 4:02Portanto, estamos a olhar para uma coisa
muito menor do que um simples cabelo. -
4:02 - 4:06A partir deste tipo de cortes em série
vistos ao microscópio eletrónico, -
4:06 - 4:11podemos fazer reconstruções em 3D
de neurónios, como estes. -
4:11 - 4:14Estes são do mesmo estilo
dos de Ramón y Cajal. -
4:14 - 4:19Só se iluminam alguns neurónios,
senão, não conseguiríamos ver nada. -
4:19 - 4:20Ficaria muito sobrecarregado,
-
4:20 - 4:22cheio de estruturas de cabos,
-
4:22 - 4:25ligando os neurónios uns aos outros.
-
4:25 - 4:28Ramón y Cajal estava avançado
para a sua época -
4:28 - 4:31e o progresso na compreensão do cérebro
-
4:31 - 4:33prosseguiu devagar
durante as décadas seguintes. -
4:33 - 4:37Mas nós sabíamos que os neurónios
usavam a eletricidade. -
4:37 - 4:39Com a II Guerra Mundial,
a nossa tecnologia avançou bastante -
4:39 - 4:42para iniciar experiências elétricas
em neurónios vivos, -
4:42 - 4:44para melhor entender
como eles funcionavam. -
4:45 - 4:49Foi na mesma época em que
foram inventados os computadores, -
4:49 - 4:52com base sobretudo na ideia
de imitar o cérebro -
4:52 - 4:55— uma "máquina inteligente",
como lhe chamou Alan Turing, -
4:55 - 4:58um dos pais da informática.
-
4:58 - 5:03Warren McCulloch e Walter Pitts
olharam para o desenho de Ramón y Cajal -
5:03 - 5:04do córtex visual,
-
5:04 - 5:06que estou a mostrar aqui.
-
5:06 - 5:10Este é o córtex que processa as imagens
que provêm dos olhos. -
5:10 - 5:14Para eles, isto parecia
o diagrama de um circuito. -
5:14 - 5:18Há muitos detalhes no diagrama
no circuito de McCulloch e de Pitt -
5:18 - 5:20que não estão lá muito corretos.
-
5:20 - 5:21Mas a ideia básica
-
5:21 - 5:25de que o córtex visual funciona como
uma série de elementos eletrónicos -
5:25 - 5:28que passam informações
de um para outro, em cascata, -
5:28 - 5:29está essencialmente correta.
-
5:29 - 5:32Vamos falar por momentos
-
5:32 - 5:36do que um modelo de processamento
de informações visuais precisaria de fazer. -
5:36 - 5:39A tarefa básica da perceção
-
5:39 - 5:43é pegar numa imagem como esta e dizer:
-
5:43 - 5:45"Isto é uma ave",
-
5:45 - 5:47o que é uma coisa muito simples
que fazermos com o cérebro. -
5:47 - 5:51Mas devem compreender que,
para um computador, -
5:51 - 5:54isso era praticamente impossível,
até há poucos anos. -
5:54 - 5:56O paradigma clássico da informática
-
5:56 - 5:59não permite realizar
facilmente essa tarefa. -
5:59 - 6:02Então, o que acontece entre os píxeis,
-
6:02 - 6:06entre a imagem de um pássaro
e a palavra "ave", -
6:06 - 6:09é uma série de neurónios
ligados uns aos outros -
6:09 - 6:12numa rede neural
como este diagrama aqui. -
6:12 - 6:15Esta rede neural pode ser biológica,
como no córtex visual, -
6:15 - 6:17ou, atualmente, começamos
a ter a capacidade de modelar -
6:17 - 6:19estas redes neurais no computador.
-
6:20 - 6:22Vou mostrar o aspeto que isso tem.
-
6:22 - 6:26Podemos considerar os píxeis
como uma primeira camada de neurónio -
6:26 - 6:28— e, de facto, é assim
que funciona o olho — -
6:28 - 6:30são os neurónios na retina.
-
6:30 - 6:32e eles transmitem as informações
-
6:32 - 6:35camada após camada,
após camada de neurónios, -
6:35 - 6:38todos ligados através de sinapses
de diferentes pesos. -
6:38 - 6:39O comportamento desta rede
-
6:39 - 6:42é caracterizado pelas forças
de todas estas sinapses. -
6:42 - 6:46Elas caracterizam as propriedades
informáticas dessa rede. -
6:46 - 6:47E por fim,
-
6:47 - 6:50temos um neurónio
ou um pequeno grupo de neurónios -
6:50 - 6:52que se iluminam, dizendo: "ave".
-
6:52 - 6:55Agora vou representar essas três coisas
-
6:55 - 7:00— os píxeis de entrada
e as sinapses na rede neural, -
7:00 - 7:01e a ave, o resultado —
-
7:01 - 7:05por três variáveis: x, w e y.
-
7:05 - 7:07Há talvez um milhão de x,
-
7:07 - 7:09um milhão de píxeis nesta imagem.
-
7:09 - 7:11Há milhares de milhões ou biliões de w,
-
7:11 - 7:15que representam os pesos de todas
essas sinapses na rede neural. -
7:15 - 7:16E há um pequeno número de y,
-
7:16 - 7:18de resultados que essa rede neural tem.
-
7:18 - 7:20"Ave" tem apenas três letras, não é?
-
7:21 - 7:25Então vamos supor que isso
é uma fórmula simples, -
7:25 - 7:27x "vezes" w = y.
-
7:27 - 7:29Coloco o sinal de multiplicação entre aspas
-
7:29 - 7:31porque o que realmente está
ali a acontecer, -
7:31 - 7:34é uma série muito complicada
de operações matemáticas -
7:35 - 7:36Isto é uma equação.
-
7:36 - 7:38Há três variáveis.
-
7:38 - 7:41Todos nós sabemos que,
se temos uma equação, -
7:41 - 7:45podemos encontrar uma variável
se conhecermos as outras duas. -
7:45 - 7:49Assim, o problema da inferência,
-
7:49 - 7:51ou seja, descobrir que a figura
de uma ave é uma ave, -
7:51 - 7:53é o seguinte:
-
7:53 - 7:56É onde y é a incógnita
e w e x são conhecidos. -
7:56 - 7:59Conhecemos a rede neural,
conhecemos os píxeis. -
7:59 - 8:02Como podemos ver, isto é de facto
um problema relativamente simples. -
8:02 - 8:04Multiplicamos duas vezes três
e está feito. -
8:05 - 8:07Vou mostrar uma rede neural artificial
-
8:07 - 8:10que construímos há pouco tempo,
fazendo exatamente isso. -
8:10 - 8:12Isto está a correr em tempo real
num telemóvel -
8:13 - 8:16e, claro, é incrível, só por si,
-
8:16 - 8:19que os telemóveis possam fazer
milhares de milhões ou -
8:19 - 8:21ou biliões de operações por segundo.
-
8:21 - 8:22O que estamos a ver é um telemóvel
-
8:22 - 8:26a olhar para figuras de aves,
umas atrás das outras, -
8:26 - 8:29a dizer: "Sim, isto é uma ave",
-
8:29 - 8:32e também a identificar as espécies de aves
com uma rede deste tipo. -
8:33 - 8:35Assim, nesta imagem,
-
8:35 - 8:39o x e o w são conhecidos,
e o y é a incógnita. -
8:39 - 8:41Claro, estou a encobrir
a parte mais difícil, -
8:41 - 8:45que é como podemos
descobrir o valor de w, -
8:45 - 8:47como é que o cérebro
pode fazer tal coisa? -
8:47 - 8:49Como poderemos
aprender esse modelo? -
8:49 - 8:53Este processo de aprendizagem,
de encontrar o w, -
8:53 - 8:55se estivéssemos a fazer isso
com uma simples equação -
8:55 - 8:57em que utilizamos números,
-
8:57 - 9:00sabemos exatamente como fazer isso:
6 = 2 x w. -
9:00 - 9:04Dividimos por dois e está feito.
-
9:04 - 9:06O problema é com este operador.
-
9:07 - 9:08a divisão.
-
9:08 - 9:11Usamos a divisão porque
é o inverso da multiplicação -
9:11 - 9:13mas, como acabei de dizer,
-
9:13 - 9:15a multiplicação aqui
é uma pequena mentira. -
9:15 - 9:18Esta é uma operação muito complicada,
não é linear, -
9:18 - 9:20não tem forma inversa.
-
9:20 - 9:23Então temos de descobrir
uma forma de resolver a equação -
9:23 - 9:25sem um operador de divisão.
-
9:25 - 9:28A forma de fazer isso é bem simples.
-
9:28 - 9:30Basta dizer: "Vamos brincar
com os truques da álgebra" -
9:30 - 9:33e movemos o seis
para o lado direito da equação. -
9:33 - 9:36Continuamos a usar a multiplicação.
-
9:36 - 9:39E vamos pensar naquele zero
como um erro. -
9:39 - 9:42Por outras palavras,
se resolvermos da forma correta, -
9:42 - 9:43o erro será zero.
-
9:43 - 9:47E se não resolvemos corretamente,
o erro será maior do que zero. -
9:47 - 9:50Então podemos apenas dar palpites
para minimizar o erro. -
9:50 - 9:53Esse é o tipo de coisas em que
os computadores são muito bons. -
9:53 - 9:55Assim, temos um palpite inicial:
-
9:55 - 9:57E se w = 0?
Então o erro é seis. -
9:57 - 9:59E se w = 1?
Então o erro é 4. -
9:59 - 10:01Então o computador
pode fazer de Marco Polo, -
10:01 - 10:04e diminuir o erro
para mais próximo de zero. -
10:04 - 10:07Fazendo isso, vamos ter sucessivas
aproximações até ao w. -
10:07 - 10:11Normalmente, nunca lá chega,
mas após uma dúzia de passos, -
10:11 - 10:16temos w = 2,999,
o que é suficientemente próximo. -
10:16 - 10:18É este o processo de aprendizagem.
-
10:18 - 10:21Por isso, lembrem-se
que o que está a acontecer aqui -
10:21 - 10:25é que estamos a pegar num monte
de x e y conhecidos -
10:25 - 10:29e a procurar o w
através de um processo repetitivo. -
10:29 - 10:32Isto é a mesma coisa que fazemos
com a nossa aprendizagem. -
10:32 - 10:35Temos muitas imagens,
enquanto bebés, e dizem-nos: -
10:35 - 10:38"Isto é uma ave,
isto não é uma ave". -
10:38 - 10:40Ao longo do tempo, através da repetição,
-
10:40 - 10:43encontramos o w,
aquelas ligações neurais. -
10:43 - 10:48Então agora, temos o x e o w fixos,
para resolvermos o y. -
10:48 - 10:49É a perceção rápida, de todos os dias.
-
10:49 - 10:51Descobrimos como encontrar o w,
-
10:51 - 10:53isso é aprendizagem,
o que é um muito mais difícil -
10:53 - 10:57porque precisamos de minimizar o erro,
praticando muitos exemplos. -
10:57 - 11:00Há uns anos, Alex Mordvintsev,
da nossa equipa, -
11:00 - 11:04decidiu experimentar o que acontece
se tentarmos encontrar o x, -
11:04 - 11:06em que o w e o y são conhecidos.
-
11:06 - 11:09Por outras palavras,
sabemos que é uma ave, -
11:09 - 11:12já treinámos a rede neural com as aves,
-
11:12 - 11:15mas o que é a imagem de uma ave?
-
11:15 - 11:20Acontece que, usando exatamente o mesmo
procedimento de minimização de erros, -
11:20 - 11:24podemos fazer isso com a rede
treinada para reconhecer aves -
11:24 - 11:27e o resultado será...
-
11:30 - 11:32uma imagem de aves.
-
11:33 - 11:37É uma imagem de aves
gerada totalmente por uma rede neural, -
11:37 - 11:39treinada para reconhecer aves,
-
11:39 - 11:42simplesmente procurando x,
em vez de procurar o y, -
11:42 - 11:44e fazendo-o por repetição.
-
11:44 - 11:46Eis outro exemplo engraçado.
-
11:46 - 11:49Este foi um trabalho feito
por Mike Tyka no nosso grupo -
11:49 - 11:51a que ele chama "Desfile de Animais".
-
11:51 - 11:54Recorda-me um pouco as obras
de William Kentridge, -
11:54 - 11:57em que ele faz esboços e depois os apaga,
-
11:57 - 12:00faz esboços e os apaga
e cria um filme dessa forma -
12:00 - 12:04Neste caso, Mike vai variando y
no espaço de diferentes animais -
12:04 - 12:07numa rede concebida
para reconhecer e distinguir -
12:07 - 12:09animais diferentes uns dos outros.
-
12:09 - 12:12Podemos achar estranho, é como ter
uma metamorfose de um animal para outro. -
12:14 - 12:19Aqui ele e Alex, em conjunto,
tentaram reduzir os y -
12:19 - 12:22num espaço de apenas duas dimensões,
-
12:22 - 12:25criando um mapa fora do espaço
de todas as coisas -
12:25 - 12:27reconhecidas por essa rede.
-
12:27 - 12:29Fazendo esse tipo de síntese
-
12:29 - 12:31ou geração de imagens
sobre toda a superfície, -
12:31 - 12:34variando y na superfície,
fazemos uma espécie de mapa, -
12:34 - 12:37um mapa visual de todas as coisas
que a rede sabe reconhecer. -
12:37 - 12:40Os animais estão todos aqui:
o tatu está naquele local. -
12:41 - 12:43Também podemos fazer isso
com outras redes. -
12:43 - 12:46Esta é uma rede desenhada
para reconhecer rostos, -
12:46 - 12:49para distinguir um rosto de outro.
-
12:49 - 12:52Aqui, estamos a colocar um Y
que diz "eu", -
12:52 - 12:53os parâmetros do meu rosto.
-
12:53 - 12:55Quando isso é resolvido para x,
-
12:55 - 12:58gera a minha imagem, bastante louca,
-
12:58 - 13:02tipo cubista, surrealista, psicadélica,
-
13:02 - 13:04de vários pontos de vista ao mesmo tempo.
-
13:04 - 13:07A razão de se parecer com vários
pontos de vista ao mesmo tempo, -
13:07 - 13:10é porque esta rede está concebida
para se livrar da ambiguidade -
13:10 - 13:13de um rosto estar numa pose qualquer,
-
13:13 - 13:16de ser visto com um tipo de luz,
com outro tipo de luz. -
13:16 - 13:18Quando fazemos este tipo de reconstrução,
-
13:18 - 13:22se não usarmos qualquer tipo
de guia de imagem ou de estatística, -
13:22 - 13:26obtemos uma certa confusão
de diferentes pontos de vista, -
13:26 - 13:27porque isso é ambíguo.
-
13:28 - 13:32É o que acontece se o Alex usar
o seu rosto como guia de imagem -
13:32 - 13:35durante o processo de otimização
para reconstruir o meu rosto. -
13:36 - 13:39Vemos que isto não é perfeito.
-
13:39 - 13:41Ainda há muito trabalho a fazer
-
13:41 - 13:43sobre como melhorar
a otimização do processo. -
13:43 - 13:46Mas começamos a ver alguma coisa
como um rosto coerente, -
13:46 - 13:48usando o meu rosto como guia.
-
13:49 - 13:51Não precisamos de começar
com uma tela em branco -
13:51 - 13:53ou com interferências,
-
13:53 - 13:54quando estamos a procurar x.
-
13:54 - 13:58Podemos começar com um x
que, em si mesmo, já é uma outra imagem. -
13:58 - 14:01É isso que é esta pequena demonstração.
-
14:01 - 14:05Esta é uma rede desenhada
para categorizar -
14:05 - 14:08todo o tipo de objetos — estruturas
feitas pelo homem, animais. -
14:08 - 14:10Aqui estamos a começar
apenas com uma imagem de nuvens. -
14:10 - 14:12Quando otimizamos,
-
14:12 - 14:17essa rede está a descobrir
o que vê nas nuvens. -
14:17 - 14:19Quanto mais tempo gastarmos
a olhar para isto, -
14:19 - 14:22mais coisas veremos nas nuvens.
-
14:23 - 14:26Também podemos usar a rede de rostos
para enlouquecer isto -
14:26 - 14:28e obtemos coisas muito loucas.
-
14:28 - 14:30(Risos)
-
14:30 - 14:33Mike tem feito outras experiências
-
14:33 - 14:37em que agarra nessa imagem de nuvens,
-
14:37 - 14:41enlouquece, aproxima, enlouquece,
aproxima, enlouquece, aproxima. -
14:41 - 14:42Dessa forma,
-
14:42 - 14:45suponho que podemos obter
uma espécie de estado de fuga da rede, -
14:46 - 14:49ou um tipo de associação livre
-
14:49 - 14:51em que a rede está a comer a sua cauda.
-
14:51 - 14:55Assim cada imagem é agora a base para:
-
14:55 - 14:56"O que é que espero ver a seguir?"
-
14:56 - 15:00"O que é que espero ver a seguir?
O que é que espero ver a seguir?" -
15:00 - 15:02Mostrei isto em público
pela primeira vez -
15:02 - 15:08a um grupo numa palestra em Seattle
chamada "A mais alta educação" -
15:08 - 15:10— logo depois de ter sido
legalizada a marijuana. -
15:11 - 15:13(Risos)
-
15:15 - 15:17Gostaria de terminar rapidamente
-
15:17 - 15:21notando que esta tecnologia
não está limitada. -
15:21 - 15:25Mostrei-vos apenas exemplos visuais
porque eles são divertidos de ver. -
15:25 - 15:27Não é apenas uma tecnologia
puramente visual. -
15:27 - 15:29O nosso artista colaborador, Ross Goodwin,
-
15:29 - 15:33tem feito experiências que envolvem
uma câmara que tira fotos -
15:33 - 15:37e depois um computador na sua mochila
escreve um poema, usando redes neurais, -
15:37 - 15:39com base no conteúdo da imagem.
-
15:39 - 15:42Essa poesia de rede neural
foi treinada -
15:42 - 15:44num grande corpo de poesia do século XX.
-
15:44 - 15:48Sabem uma coisa, acho que essa poesia
não é lá muito má. -
15:48 - 15:49(Risos)
-
15:49 - 15:51Para terminar,
-
15:51 - 15:54acho que Miguel Ângelo tinha razão.
-
15:54 - 15:57"A perceção e a criatividades
estão intimamente ligadas". -
15:58 - 16:00O que acabamos de ver
são redes neurais -
16:00 - 16:03que estão totalmente treinadas
para discriminar ou reconhecer -
16:03 - 16:05diferentes coisas no mundo,
-
16:05 - 16:08capazes de funcionar
de trás para frente, de criar. -
16:08 - 16:10Uma das coisas que me sugere
-
16:10 - 16:12que não é apenas o que Miguel Ângelo viu,
-
16:12 - 16:15a escultura nos blocos de pedra.
-
16:15 - 16:18Mas que qualquer criatura,
qualquer ser, qualquer alienígena, -
16:18 - 16:22que seja capaz de fazer
ações percetivas deste tipo, -
16:22 - 16:24também é capaz de criar,
-
16:24 - 16:27porque é exatamente o mesmo mecanismo
usado nos dois casos. -
16:27 - 16:31Também acho que essa perceção e
criatividade não são de modo algum -
16:31 - 16:33unicamente humanas.
-
16:33 - 16:36Começámos com modelos de computadores
capazes de fazer este tipo de coisas. -
16:36 - 16:40Isso não devia ser surpreendente:
o cérebro é um modelo informático. -
16:40 - 16:41E finalmente,
-
16:41 - 16:46a informática começou como um exercício
para a conceção de máquinas inteligentes. -
16:46 - 16:48Foi modelado segundo a ideia
-
16:48 - 16:51de que podemos fazer
máquinas inteligentes. -
16:52 - 16:54E finalmente estamos agora
a começar a atingir -
16:54 - 16:56algumas das promessas dos pioneiros,
-
16:56 - 16:58de Turing e von Neumannn,
-
16:58 - 17:00de McCulloch e Pitts.
-
17:01 - 17:04Acho que a informática
não é apenas fazer contas -
17:04 - 17:06ou jogar Candy Crush
ou qualquer outra coisa. -
17:06 - 17:09Desde o começo,
modelámo-los segundo as nossas mentes. -
17:09 - 17:12Eles deram-nos a capacidade
para compreender as nossas mentes -
17:12 - 17:14e para os aperfeiçoar.
-
17:15 - 17:16Muito obrigado.
-
17:16 - 17:19(Aplausos)
- Title:
- Como os computadores estão a aprender a ser criativos
- Speaker:
- Blaise Agüera y Arcas
- Description:
-
Estamos a chegar a uma nova fronteira na arte e na criatividade — e não é uma coisa humana. Blaise Agüera y Arcas, principal cientista do Google, trabalha com profundas redes neurais para perceção das máquinas e aprendizagem distribuída. Nesta cativante demonstração, mostra como as redes neurais treinadas para reconhecer imagens podem funcionar ao contrário, para as gerar. Os resultados: colagens espetaculares e alucinantes (e poemas!) que desafiam a categorização. "A perceção e a criatividade estão intimamente ligadas", diz Agüera y Arcas. "Qualquer criatura, qualquer ser que seja capaz de atos de perceção, também é capaz de criar".
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 17:34
Margarida Ferreira approved Portuguese subtitles for How we're teaching computers to be creative | ||
Margarida Ferreira accepted Portuguese subtitles for How we're teaching computers to be creative | ||
Margarida Ferreira edited Portuguese subtitles for How we're teaching computers to be creative | ||
Margarida Ferreira edited Portuguese subtitles for How we're teaching computers to be creative | ||
Margarida Ferreira edited Portuguese subtitles for How we're teaching computers to be creative | ||
Valmir Araujo commented on Portuguese subtitles for How we're teaching computers to be creative | ||
Isabel Vaz Belchior commented on Portuguese subtitles for How we're teaching computers to be creative | ||
Valmir Araujo edited Portuguese subtitles for How we're teaching computers to be creative |
Isabel Vaz Belchior
Quando se seleciona o idioma para realizar uma tarefa de tradução, revisão ou transcrição, existem duas possibilidades: português (de Portugal) e português do Brasil. Esta é uma tarefa em português (de Portugal) mas foi feita em português do Brasil.
Atenção que a revisão deve passar a oralidade brasileira para a oralidade portuguesa, caso contrário, poderá ser anulada.
Valmir Araujo
Agradeço imensamente suas críticas e comentários. Vou usá-los como referência nos meus próximos trabalhos.