计算机如何学习具有创造力
-
0:01 - 0:04我在谷歌领导着一个
机器智能的项目组, -
0:04 - 0:09换句话说,利用工程学原理制造出
-
0:09 - 0:11能够像人脑一样
完成某些任务的电脑和设备。 -
0:11 - 0:15这也使我们对人类的
大脑以及神经科学 -
0:15 - 0:16产生了兴趣,
-
0:16 - 0:20尤其在那些大脑的表现
-
0:20 - 0:24比电脑强太多的领域。
-
0:25 - 0:29长期以来,我们研究的
其中一个领域便是感知, -
0:29 - 0:32一种将外界事物——
-
0:32 - 0:34比如图像或声音—
-
0:34 - 0:36转化为大脑内概念的过程。
-
0:36 - 0:39这对我们的大脑很重要,
-
0:39 - 0:41对计算机的作用也非同小可。
-
0:42 - 0:45例如,我们团队开发的机器感知算法
-
0:45 - 0:49会根据图片的内容
让你在谷歌相册的图片 -
0:49 - 0:50出现在搜索结果中。
-
0:52 - 0:55感知的另一方面是创意:
-
0:55 - 0:58将概念变成现实。
-
0:58 - 1:02因此,这些年我们
在机器感知能力方面的工作 -
1:02 - 1:07也意外地跟机器创意以及机器艺术
-
1:07 - 1:08联系在了一起。
-
1:09 - 1:12我觉得米开朗基罗对感知和创意
-
1:12 - 1:16之间的双重关系有着深刻的见解。
-
1:16 - 1:18他有一句名言:
-
1:18 - 1:21“每一块石头里都藏着一尊雕像,
-
1:22 - 1:25而雕塑家的工作就是去发现它。”
-
1:26 - 1:29我想米开朗基罗意思是
-
1:29 - 1:32我们通过感知来创造,
-
1:32 - 1:36而感知本身是想象力的表现,
-
1:36 - 1:38以及创意的来源。
-
1:39 - 1:43而进行思考、感知和想象的器官,
-
1:43 - 1:44毫无疑问,就是大脑。
-
1:45 - 1:48我想先简单地谈一谈
-
1:48 - 1:50我们对大脑的了解。
-
1:50 - 1:53因为不像心脏或其它内脏,
-
1:53 - 1:56你无法仅仅通过观察
就能看出点什么来, -
1:56 - 1:58至少仅凭肉眼看不出来。
-
1:58 - 2:00早期的解剖学家看着大脑,
-
2:00 - 2:04给它的表面结构
取了各种充满想象力的名字。 -
2:04 - 2:07比如说海马体,意思是“小虾子”。
-
2:07 - 2:09但这些并不能告诉我们
-
2:09 - 2:12大脑里面究竟是怎样工作的。
-
2:13 - 2:16我认为第一个真正对大脑的工作方式
-
2:16 - 2:18有所洞悉的人,
-
2:18 - 2:22是19世纪西班牙
伟大的神经解剖学家 -
2:22 - 2:24圣地亚哥 · 拉蒙 · 卡哈尔
(Santiago Ramón y Cajal), -
2:24 - 2:28他使用了显微镜以及某种特殊染色剂,
-
2:28 - 2:32有选择性地将大脑中的
单个细胞填充或者渲染上 -
2:32 - 2:34高对比度的颜色,
-
2:34 - 2:37以便了解它们的形态。
-
2:38 - 2:41这些就是他在19世纪
-
2:41 - 2:42完成的的神经元手绘图。
-
2:42 - 2:44这是一只鸟的大脑。
-
2:44 - 2:47能看到这些形态各异的细胞,
-
2:47 - 2:51甚至在当时对细胞学说
本身还是新鲜事物。 -
2:51 - 2:52而这些结构,
-
2:52 - 2:54像树枝一样分岔,
-
2:54 - 2:56能够延伸到很长的距离——
-
2:56 - 2:58这些在当时都是闻所未闻。
-
2:59 - 3:02他们让人联想到的,当然是电线。
-
3:02 - 3:05这对于很多19世纪的人
来说是显而易见的, -
3:05 - 3:10因为那时电线和电力革命刚刚兴起。
-
3:10 - 3:11但是在许多方面
-
3:11 - 3:14拉蒙 · 卡哈尔的神经解剖学
绘画,比如这一张, -
3:14 - 3:17从某些方面来说是很卓越的。
-
3:17 - 3:19一个多世纪后的我们,仍然在继续
-
3:19 - 3:22尝试完成拉蒙 · 卡哈尔开启的事业。
-
3:22 - 3:25提供这些原始数据的,是我们来自
-
3:25 - 3:28马克斯 · 普朗克
神经科学研究所的合作者。 -
3:28 - 3:29他们的工作
-
3:29 - 3:35是对那些小块的脑组织进行成像。
-
3:35 - 3:38这一整个样品的大小
是1立方毫米左右, -
3:38 - 3:41而我展示的只是它上面
很小很小的一块区域。 -
3:41 - 3:43左边那段比例尺的长度是1微米。
-
3:43 - 3:45你看到的这个结构
-
3:45 - 3:47是一个细菌大小的线粒体。
-
3:47 - 3:49这些是利用这个非常微小的组织
-
3:49 - 3:52所制作成的连续的切片。
-
3:52 - 3:55我们来做个对比。
-
3:55 - 3:58通常一根头发的直径是
100微米左右。 -
3:58 - 4:01所以我们看到的东西
-
4:01 - 4:02比一根头发丝还要细很多。
-
4:02 - 4:06通过这些连续的电子显微镜切片,
-
4:06 - 4:11人们可以重构出类似这样的
神经元三维图像。 -
4:11 - 4:14某种程度上,这跟拉蒙 · 卡哈尔
所用的方式是一样的。 -
4:14 - 4:16我们只对少量的神经元进行了突出显示,
-
4:16 - 4:19否则我们不可能看到任何东西,
-
4:19 - 4:20因为那样一来画面会很拥挤,
-
4:20 - 4:22充满了组织结构,
-
4:22 - 4:24充满了各个神经元间
纵横交错的通路。 -
4:25 - 4:28显然,拉蒙 · 卡哈尔
有一点超前于他的时代, -
4:28 - 4:31接下来的几十年间
-
4:31 - 4:33人们对大脑的理解进展非常缓慢。
-
4:33 - 4:36但是我们已经知道,
神经元通过电流传导信息, -
4:36 - 4:39而到二战时,我们的技术
已取得了长足的进步, -
4:39 - 4:42可以开始在活的
神经元细胞上做电流实验, -
4:42 - 4:44以便更好地理解它们的工作原理。
-
4:45 - 4:49而电脑也正是在
这个时候被发明了出来, -
4:49 - 4:52它的发明是基于对大脑的模拟——
-
4:52 - 4:55也就是阿兰 · 图灵
所称的“智能机器”理念, -
4:55 - 4:57图灵是计算机科学的开创者之一。
-
4:58 - 5:03沃伦 · 麦卡洛克(Warren McCulloch)和
沃尔特 · 皮兹(Walter Pitts)看到了 -
5:03 - 5:04拉蒙 · 卡哈尔所画的
大脑视觉皮层, -
5:04 - 5:06就是我给你们看的这个。
-
5:06 - 5:10这是负责处理我们视觉信息的大脑皮层。
-
5:10 - 5:14对他们来说,这看起来像一个电路图。
-
5:14 - 5:18在麦卡洛克和皮兹的电路图上,
-
5:18 - 5:20有许多细节并不是那么正确。
-
5:20 - 5:21但基本概念是对的,
-
5:21 - 5:25他们认为视觉皮层工作起来
就像一系列计算机元件 -
5:25 - 5:28在同一个层级中传递信息,
-
5:28 - 5:29这一点是对的。
-
5:29 - 5:32我们再聊一聊
-
5:32 - 5:36视觉信息处理模型需要做些什么。
-
5:36 - 5:39感知的基本任务就是
-
5:39 - 5:43抓取这样的图像并且告诉我们
-
5:43 - 5:44“这是一只鸟”,
-
5:44 - 5:47这对我们的大脑来说非常简单。
-
5:47 - 5:51但对一台电脑来说,
-
5:51 - 5:54在几年前,这还是完全不可能的事。
-
5:54 - 5:56传统的计算模式
-
5:56 - 5:58很难完成这个任务。
-
5:59 - 6:02像素、鸟的图像以及“鸟”这个词,
-
6:02 - 6:06这三者之间所产生的联系,
-
6:06 - 6:09本质上是在一个神经网络中各神经元
-
6:09 - 6:10相互连接的结果,
-
6:10 - 6:11正如这张图所示。
-
6:11 - 6:15这种神经网络可能是生物学上的,
存在于我们大脑视觉皮层里, -
6:15 - 6:17或者,现如今我们开始有能力
-
6:17 - 6:19在电脑上模拟这种神经网络。
-
6:20 - 6:22我们来看一下它的工作原理。
-
6:22 - 6:26可以将像素想像成第一层的神经元,
-
6:26 - 6:28这实际上就是在
眼睛内部的工作原理—— -
6:28 - 6:30是视网膜上的神经元。
-
6:30 - 6:31然后这些前馈信息
-
6:31 - 6:35通过一层层神经元往下传递,
-
6:35 - 6:38这些神经元通过突触彼此连接。
-
6:38 - 6:39这个神经网络的行为
-
6:39 - 6:42是通过所有这些突触的强度来表达的,
-
6:42 - 6:46也塑造了这个网络的计算性能。
-
6:46 - 6:47最终,
-
6:47 - 6:50一个或者一小群神经元
-
6:50 - 6:51会亮起来,说,“鸟”。
-
6:52 - 6:55接下来我会将这三部分——
-
6:55 - 7:00输入的像素,神经网络中的突触,
-
7:00 - 7:01以及“鸟”,这个输出结果——
-
7:01 - 7:04用三个变量来表示:x、w和y。
-
7:05 - 7:07在那张图片上可能会有一百万个x——
-
7:07 - 7:09代表一百万个像素点。
-
7:09 - 7:11然后有几十亿或几万亿的w,
-
7:11 - 7:15代表着神经网络中所有突触的权重。
-
7:15 - 7:17只有很少数量的y,
-
7:17 - 7:18代表整个网络的输出结果。
-
7:18 - 7:20“Bird(鸟)"这个单词
只有四个字母,对吧? -
7:21 - 7:25我们假定这只是一个很简单的公式
-
7:25 - 7:27x 乘以 w 等于 y。
-
7:27 - 7:29我把乘号打上了引号,
-
7:29 - 7:31因为实际的过程要复杂得多。
-
7:31 - 7:34牵涉到一系列非常复杂的数学运算。
-
7:35 - 7:36这是一个方程式,
-
7:36 - 7:38有三个变量。
-
7:38 - 7:41而我们知道在一个方程式中
-
7:41 - 7:45通过两个已知数
你就能算出另一个未知数。 -
7:45 - 7:49所以这道推论题,
-
7:49 - 7:51即判断出图中是一只鸟,
-
7:51 - 7:53可以这样来描述:
-
7:53 - 7:56y是未知数,w跟x都是已知数。
-
7:56 - 7:59也就是神经网络和像素是已知的。
-
7:59 - 8:02实际上这是一个相当简单的问题。
-
8:02 - 8:04你只需要用2乘以3,就完事儿了。
-
8:05 - 8:07我会给你们展示我们最近
完成的人工神经网络, -
8:07 - 8:09它的工作原理正是如此。
-
8:10 - 8:13这是在一台在手机上
实时运行的神经网络, -
8:13 - 8:16当然,令人惊叹的是它自身的运算能力,
-
8:16 - 8:19每秒钟可以进行
几十亿甚至几万亿次的 -
8:19 - 8:21运算。
-
8:21 - 8:22你所看到的是一台手机的
-
8:22 - 8:26相机对准了一张张含有鸟的图片,
-
8:26 - 8:29并且它不只能判断出,
“是的,这是一只鸟”, -
8:29 - 8:32而且还能用这种网络
来判断这些鸟的种类。 -
8:33 - 8:35因此在这张图片中,
-
8:35 - 8:39x和w是已知的,y是未知的。
-
8:39 - 8:41当然,我省略了非常复杂的那一部分,
-
8:41 - 8:45也就是我们如何判断出w?
-
8:45 - 8:47为什么大脑能做出这样的判断?
-
8:47 - 8:49我们是如何学会这种模式的?
-
8:49 - 8:53在学习以及解出w的过程中,
-
8:53 - 8:55如果我们使用简单的等式
-
8:55 - 8:57将这些都想象成数字,
-
8:57 - 9:00那这道题就简单了: 6 = 2 x W,
-
9:00 - 9:03那么,用6除以2就可以得出答案。
-
9:04 - 9:06现在的问题就是这个运算符号。
-
9:07 - 9:08除法——
-
9:08 - 9:11我们用除法是因为它是乘法的逆运算。
-
9:11 - 9:13但就像我刚才说的,
-
9:13 - 9:15乘法表述在这里其实不太准确。
-
9:15 - 9:18这是一个非常非常
复杂的非线性运算, -
9:18 - 9:20它没有逆运算。
-
9:20 - 9:23所以我们要找出一个不使用除号
-
9:23 - 9:25就能解出这个方程式的方法。
-
9:25 - 9:28其实非常简单。
-
9:28 - 9:30只需要使用一点代数上的小技巧,
-
9:30 - 9:33将6移到等式的右边。
-
9:33 - 9:35现在我们仍然使用乘法。
-
9:36 - 9:39而这个0——我们就当它是一个误差。
-
9:39 - 9:42换句话说,如果我们
能用正确的方法解出w, -
9:42 - 9:44那么这个误差就为0。
-
9:44 - 9:45如果我们没有找到正确的答案,
-
9:45 - 9:47那么这个误差就会大于0。
-
9:47 - 9:51所以现在我们可以通过
假设去缩小这个误差, -
9:51 - 9:53而这正是电脑所擅长的。
-
9:53 - 9:54比如你最开始假设:
-
9:54 - 9:55如果w = 0呢?
-
9:55 - 9:56那么误差就为6。
-
9:56 - 9:59如果w = 1呢?误差就变成了4。
-
9:59 - 10:01然后电脑就像玩游戏一样不断测试,
-
10:01 - 10:04将误差降低到接近于0。
-
10:04 - 10:07这样就逐步逼近了w的值。
-
10:07 - 10:11通常来说,它不可能获得完全精确的值,
但是经过很多步运算以后, -
10:11 - 10:15我们得到了 w = 2.999,
已经足够精确了。 -
10:16 - 10:18以上就是这个学习过程。
-
10:18 - 10:21大家回想一下刚刚我们所做的,
-
10:21 - 10:25我们用了很多已知的x和y的值,
-
10:25 - 10:29通过迭代法去解出中间的w,
-
10:29 - 10:32这也正是我们自己
在学习时所使用的方法。 -
10:32 - 10:35在我们很小的时候,
会看到很多很多图像, -
10:35 - 10:37然后有人告诉我们:
“这个是鸟,这个不是鸟。” -
10:38 - 10:40经过一段时间的重复,
-
10:40 - 10:43我们解出了w,建立起了
神经元之间的连接。 -
10:43 - 10:48那么现在,我们有了确定的
x和w。再要去解出Y -
10:48 - 10:49就会非常快了。
-
10:49 - 10:51我们找到解出w的方法,
-
10:51 - 10:53这是一种学习,要困难得多,
-
10:53 - 10:55因为我们要用很多的训练样本,
-
10:55 - 10:57去将误差最小化。
-
10:57 - 11:00一年前,我们团队的
亚历克斯 · 莫尔德温采夫 -
11:00 - 11:04决定做一个实验,
看如果给定已知的w和y, -
11:04 - 11:06去解出x,会发生什么。
-
11:06 - 11:07换句话说,
-
11:07 - 11:09你已经知道那是一只鸟
-
11:09 - 11:12并且也有一个接受过
鸟类识别训练的神经网络, -
11:12 - 11:14那么一只鸟的图像是怎样的呢?
-
11:15 - 11:20我们发现,通过运用相同的
将误差最小化的步骤, -
11:20 - 11:24加上一个受过鸟类识别
训练的神经网络, -
11:24 - 11:27我们就可以得到
-
11:30 - 11:32一张含有鸟的图片。
-
11:33 - 11:37这是一张由一个进行过
鸟类识别训练的 -
11:37 - 11:38神经网络所生成的鸟的图片,
-
11:38 - 11:42仅仅是通过解出x,而不是y,
-
11:42 - 11:43并且重复不断的运行。
-
11:44 - 11:46这是另外一个有趣的例子
-
11:46 - 11:49是我们团队的迈克 · 泰卡制作的 ,
-
11:49 - 11:51他称之为“动物大游行”。
-
11:51 - 11:54这让我想起了威廉 ·肯特里奇的作品,
-
11:54 - 11:57他先画一些素描,然后擦掉,
-
11:57 - 11:58再画一些素描,再擦掉,
-
11:58 - 11:59用这种方法创作了一部影片。
-
11:59 - 12:01在我们这个案例中,
-
12:01 - 12:04迈克在一个旨在识别和辨认
-
12:04 - 12:06不同种类动物的神经网络中
-
12:06 - 12:07将y变换成各种不同的动物。
-
12:07 - 12:12这样你就得到了这个奇特的
动物图像的埃舍尔式变换效果。 -
12:14 - 12:19他和亚历克斯还一起尝试了
-
12:19 - 12:22将这些y降低到一个二维空间内,
-
12:22 - 12:25从而将被该神经网络识别出来的
-
12:25 - 12:27所有对象放到一张图上来。
-
12:27 - 12:29通过这样的合成
-
12:29 - 12:31或者在整个表面上生成图像,
-
12:31 - 12:34在表面上不断的变换y,
你就创造出了一种图像—— -
12:34 - 12:37一个包含该神经网络能够
分辨出来的所有对象的视觉图像。 -
12:37 - 12:40所有的动物都在这儿,
犰狳在那个点上。 -
12:41 - 12:43你也可以用其它的神经网络
实现类似的目的。 -
12:43 - 12:46这是一个为识别和分辨出不同面孔
-
12:46 - 12:48而设计的神经网络。
-
12:48 - 12:52这里,我们输入一个y值,代表“我”,
-
12:52 - 12:53我自己的面部参数。
-
12:53 - 12:55当它在解出x的时候,
-
12:55 - 12:58就生成了这张集不同视角
于一体,相当不可思议的, -
12:58 - 13:02立体的、超现实的、迷幻版本的
-
13:02 - 13:04我的面部图像。
-
13:04 - 13:06它之所以看起来像是集不同视角于一体,
-
13:06 - 13:10是因为这个神经网络被设计成将一张脸
-
13:10 - 13:13在不同姿势、不同光线之间产生的
-
13:13 - 13:16模棱两可的地方抹掉了。
-
13:16 - 13:18因此当你开始这项复原工作时,
-
13:18 - 13:21如果不利用某种影像引导,
-
13:21 - 13:22或者统计引导,
-
13:22 - 13:26那么你就会得到一种
令人困惑的多视角的图像, -
13:26 - 13:27因为它是模棱两可的。
-
13:28 - 13:32这就是亚历克斯在复原
我的面部的优化流程中, -
13:32 - 13:35用他自己的脸作为
影像引导时所得到的图像。 -
13:36 - 13:39你可以看到它还不是十分完美。
-
13:39 - 13:40我们在完善这个优化流程方面
-
13:40 - 13:43还有许多的工作要做。
-
13:43 - 13:46但是通过将我自己的脸
作为渲染过程中的引导, -
13:46 - 13:48你已经可以得到一个
更清晰的面孔了。 -
13:49 - 13:51你不需要完全从一块空白的画布
-
13:51 - 13:52或白噪音开始。
-
13:52 - 13:54当你在解出x时,
-
13:54 - 13:58你可以从一个本身已经是
别的图像的x开始。 -
13:58 - 14:00正如这个小小的展示那样。
-
14:00 - 14:05这是一个设计为用来将所有物品——
-
14:05 - 14:08人造结构、动物等进行分类的神经网络。
-
14:08 - 14:10我们从一张云图开始,
-
14:10 - 14:12在优化过程中,
-
14:12 - 14:17这个神经网络正在不停地计算
它在云中看到了什么。 -
14:17 - 14:19你花越多的时间盯着这张图,
-
14:19 - 14:22你就会在云中看到越多的东西。
-
14:23 - 14:26你也可以使用面部识别
神经网络去产生迷幻效果, -
14:26 - 14:28然后就可以得到这种不可思议的东西。
-
14:28 - 14:29(观众笑声)
-
14:30 - 14:33或者可以像迈克做的另外一个实验那样,
-
14:33 - 14:37他还是利用那张云图,
-
14:37 - 14:41使它幻化、再放大,
幻化再放大,幻化再放大. -
14:41 - 14:42这样一来,
-
14:42 - 14:45我想你就可以得到
这个网络的神游状态, -
14:45 - 14:49或者某种自由联想,
-
14:49 - 14:51仿佛这个网络正在吞噬自己的尾巴。
-
14:51 - 14:55因此每一张图都是
下一张图的基础,决定了 -
14:55 - 14:56“我觉得接下来会看到什么?
-
14:56 - 14:59接下来又会看到什么?
接下来还会看到什么?” -
14:59 - 15:02我第一次公开展示这些是在西雅图,
-
15:02 - 15:08为一个团队做的一次名为
“高等教育”的讲座上—— -
15:08 - 15:10刚好就在大麻合法化之后。
-
15:10 - 15:13(观众笑声)
-
15:15 - 15:17在结束我的演讲前,
-
15:17 - 15:21我想再提醒各位,
这种技术是不受限的。 -
15:21 - 15:25我给你们看了一些纯粹的视觉实例,
因为它们看起来真的很有趣。 -
15:25 - 15:27它不是一种纯粹的视觉技术。
-
15:27 - 15:29我们的合作者,艺术家罗斯 · 古德温
-
15:29 - 15:33做了一个实验,他用相机拍了一张照片,
-
15:33 - 15:37然后他背包里的电脑
基于这张照片的内容, -
15:37 - 15:40用神经网络作了一首诗。
-
15:40 - 15:42这个作诗的神经网络已经接受过
-
15:42 - 15:45大量的20世纪诗歌的训练。
-
15:45 - 15:46其实我觉得
-
15:46 - 15:48那首诗还不赖。
-
15:48 - 15:49(观众笑声)
-
15:49 - 15:50下面,
-
15:50 - 15:52再回到米开朗基罗那句名言,
-
15:52 - 15:54我想他是对的,
-
15:54 - 15:57感知和创意是密不可分的。
-
15:58 - 16:00我们刚刚所看到的是一些
-
16:00 - 16:03完全被训练成去区分,
-
16:03 - 16:05或辨别世上的不同物品,
-
16:05 - 16:08能够逆向运行、成生图像的神经网络。
-
16:08 - 16:10我从中受到的启发之一就是,
-
16:10 - 16:12不仅米开朗基罗真的看到了
-
16:12 - 16:15石头中的雕像,
-
16:15 - 16:18而且任何的生物、任何人、任何外星人,
-
16:18 - 16:22只要能够有这样的感知,
-
16:22 - 16:24也就能够创造,
-
16:24 - 16:27因为它们都运用了截然相同的机制。
-
16:27 - 16:31另外,我想感知和创意决不是
-
16:31 - 16:33人类所特有的。
-
16:33 - 16:36我们开始有了可以
完成这些事的电脑模型。 -
16:36 - 16:40这应当不足为奇,因为大脑会运算。
-
16:40 - 16:41最后,
-
16:41 - 16:46电脑运算最开始是作为
设计智能机器的一种练习。 -
16:46 - 16:49它在很大程度上仿照了我们如何
-
16:49 - 16:52让机器变得智能这一理念。
-
16:52 - 16:53而我们也终于开始能够实现
-
16:53 - 16:56图灵、冯 · 诺依曼、
-
16:56 - 16:58麦卡洛克和皮兹
-
16:58 - 17:00这些先驱的一些期望了。
-
17:00 - 17:04我觉得电脑不仅仅是拿来计算,
-
17:04 - 17:06或者玩游戏的。
-
17:06 - 17:09从一开始,我们就是
仿照大脑来制造它们的。 -
17:09 - 17:12而它们也赋予了我们能够
更好的理解我们的大脑, -
17:12 - 17:14并且拓展其潜力的能力。
-
17:15 - 17:16非常感谢。
-
17:16 - 17:21(观众掌声)
- Title:
- 计算机如何学习具有创造力
- Speaker:
- 布莱斯 · 阿尔卡斯
- Description:
-
我们站在了艺术和创造力的前沿——而做到这一点的并不是人类。谷歌首席科学家,布莱斯 · 阿尔卡斯,致力于研究机器的感知和分布式学习的深度神经网络。在这个视屏中,他将会展示可以识别图片的神经网络如何反向运行。结果显示:壮观,梦幻的拼贴画(还有诗歌!)很难被归类。布莱斯 · 阿尔卡斯说:“感知和创造力联系的特别紧密。任何生物,任何可以感知行动的事物,都可以进行创造。”
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 17:34
Yolanda Zhang approved Chinese, Simplified subtitles for How we're teaching computers to be creative | ||
Yolanda Zhang edited Chinese, Simplified subtitles for How we're teaching computers to be creative | ||
Yolanda Zhang edited Chinese, Simplified subtitles for How we're teaching computers to be creative | ||
Yolanda Zhang edited Chinese, Simplified subtitles for How we're teaching computers to be creative | ||
Yolanda Zhang edited Chinese, Simplified subtitles for How we're teaching computers to be creative | ||
Yolanda Zhang edited Chinese, Simplified subtitles for How we're teaching computers to be creative | ||
Yolanda Zhang edited Chinese, Simplified subtitles for How we're teaching computers to be creative | ||
Yolanda Zhang edited Chinese, Simplified subtitles for How we're teaching computers to be creative |