[Script Info]
Title: 
[Events]
Format: Layer, Start, End, Style, Name, MarginL, MarginR, MarginV, Effect, Text
Dialogue: 0,0:00:00.88,0:00:04.89,Default,,0000,0000,0000,,在过去，如果你想让计算机做一件事
Dialogue: 0,0:00:04.89,0:00:06.45,Default,,0000,0000,0000,,你需要设计电脑程序
Dialogue: 0,0:00:06.45,0:00:09.86,Default,,0000,0000,0000,,你们可能从没做过这件事
Dialogue: 0,0:00:09.86,0:00:19.01,Default,,0000,0000,0000,,编程需要排列出你想让电脑做的\N每一个细枝末节的小步骤来达到你的目的
Dialogue: 0,0:00:19.09,0:00:22.58,Default,,0000,0000,0000,,假如你自己都不清楚完成这某件事的话
Dialogue: 0,0:00:22.58,0:00:24.65,Default,,0000,0000,0000,,要编写处电脑程序来完成那件事就会显得\N比登天还要困难
Dialogue: 0,0:00:24.65,0:00:28.13,Default,,0000,0000,0000,,这也是这个人，亚瑟 塞缪尔，所面临的挑战
Dialogue: 0,0:00:28.13,0:00:34.47,Default,,0000,0000,0000,,在1956年，他想让这台电脑和他下国际象棋
Dialogue: 0,0:00:34.55,0:00:40.35,Default,,0000,0000,0000,,你怎样才能罗列出所有的细枝末节，\N并且让电脑下象棋比你厉害？
Dialogue: 0,0:00:40.39,0:00:42.12,Default,,0000,0000,0000,,他想出一个办法
Dialogue: 0,0:00:42.12,0:00:45.84,Default,,0000,0000,0000,,它让电脑和自己对战几千次
Dialogue: 0,0:00:45.84,0:00:48.36,Default,,0000,0000,0000,,学习如何下象棋
Dialogue: 0,0:00:48.36,0:00:51.54,Default,,0000,0000,0000,,事实证明他做到了。1962年
Dialogue: 0,0:00:51.54,0:00:55.56,Default,,0000,0000,0000,,这台电脑打败了美国康涅狄克州象棋冠军
Dialogue: 0,0:00:55.56,0:00:58.53,Default,,0000,0000,0000,,亚瑟 塞缪尔是机器学习之父
Dialogue: 0,0:00:58.53,0:01:00.25,Default,,0000,0000,0000,,我非常敬畏他
Dialogue: 0,0:01:00.25,0:01:03.01,Default,,0000,0000,0000,,因为我是机器学习的实践者
Dialogue: 0,0:01:03.01,0:01:04.48,Default,,0000,0000,0000,,我曾是Kaggle的主席
Dialogue: 0,0:01:04.48,0:01:07.87,Default,,0000,0000,0000,,Kaggle是一个拥有200,000机器学习实践者地社区
Dialogue: 0,0:01:07.87,0:01:09.92,Default,,0000,0000,0000,,Kaggle会组织竞赛
Dialogue: 0,0:01:09.92,0:01:13.63,Default,,0000,0000,0000,,让人们尝试解决过去未解决的问题
Dialogue: 0,0:01:13.63,0:01:17.47,Default,,0000,0000,0000,,已成功解决问题几百次
Dialogue: 0,0:01:17.47,0:01:19.94,Default,,0000,0000,0000,,在这个有利环境中，我发现了
Dialogue: 0,0:01:19.94,0:01:26.19,Default,,0000,0000,0000,,机器学习在过去，现在，和将来可以做些什么
Dialogue: 0,0:01:26.25,0:01:30.68,Default,,0000,0000,0000,,第一个机器学习的商业成功案例应该是谷歌
Dialogue: 0,0:01:30.68,0:01:35.50,Default,,0000,0000,0000,,谷歌用计算机算法寻找信息
Dialogue: 0,0:01:35.54,0:01:38.44,Default,,0000,0000,0000,,而且这个算法以计算机学习为基础
Dialogue: 0,0:01:38.44,0:01:42.32,Default,,0000,0000,0000,,从那以后，机器学习得到了很多的商业成功
Dialogue: 0,0:01:42.32,0:01:44.16,Default,,0000,0000,0000,,像亚马逊、网飞这类公司
Dialogue: 0,0:01:44.16,0:01:47.88,Default,,0000,0000,0000,,通过机器学习向你推荐你可能想买的东西
Dialogue: 0,0:01:47.88,0:01:49.90,Default,,0000,0000,0000,,你可能想看的电影
Dialogue: 0,0:01:49.90,0:01:51.70,Default,,0000,0000,0000,,有时候你会被吓一跳
Dialogue: 0,0:01:51.70,0:01:53.66,Default,,0000,0000,0000,,像领英、脸谱这类的公司
Dialogue: 0,0:01:53.66,0:01:56.25,Default,,0000,0000,0000,,有时会告诉你谁会是你的朋友
Dialogue: 0,0:01:56.25,0:01:58.23,Default,,0000,0000,0000,,你根本不知道他们是如何做到的
Dialogue: 0,0:01:58.23,0:02:01.20,Default,,0000,0000,0000,,其实他们正是运用了机器学习的力量
Dialogue: 0,0:02:01.20,0:02:04.15,Default,,0000,0000,0000,,这种运算方法使用数据
Dialogue: 0,0:02:04.15,0:02:07.40,Default,,0000,0000,0000,,而非手动编写程序
Dialogue: 0,0:02:07.40,0:02:13.70,Default,,0000,0000,0000,,这也是IBM的Watson超级计算机\N在《危险边缘》里打败两届世界冠军的秘诀
Dialogue: 0,0:02:13.74,0:02:16.96,Default,,0000,0000,0000,,成功回答了这样一个极其模糊且复杂的问题
Dialogue: 0,0:02:16.96,0:02:19.80,Default,,0000,0000,0000,,［“古代‘尼姆鲁德狮像’于2003年在这个城市的国家博物馆消失（连同其它很多物品）”］
Dialogue: 0,0:02:19.80,0:02:23.03,Default,,0000,0000,0000,,这也是为什么我们现在有了第一台自驾车
Dialogue: 0,0:02:23.03,0:02:25.86,Default,,0000,0000,0000,,如果你想区分一棵树和一个行人
Dialogue: 0,0:02:25.86,0:02:28.49,Default,,0000,0000,0000,,显然这很重要
Dialogue: 0,0:02:28.49,0:02:31.08,Default,,0000,0000,0000,,但是我们不知道如何写这样一个程序
Dialogue: 0,0:02:31.08,0:02:34.07,Default,,0000,0000,0000,,有了机器学习，这就成为了可能
Dialogue: 0,0:02:34.07,0:02:36.68,Default,,0000,0000,0000,,这台自驾车已经行驶了十万英里
Dialogue: 0,0:02:36.68,0:02:40.19,Default,,0000,0000,0000,,在正常路面上零事故
Dialogue: 0,0:02:40.20,0:02:44.11,Default,,0000,0000,0000,,我们知道电脑能够学习
Dialogue: 0,0:02:44.11,0:02:48.81,Default,,0000,0000,0000,,学习做一件有时我们自己都不知道怎么做的事情
Dialogue: 0,0:02:48.85,0:02:51.73,Default,,0000,0000,0000,,有时甚至比我们做得更好
Dialogue: 0,0:02:51.73,0:02:58.29,Default,,0000,0000,0000,,我见过机器学习最惊人的例子\N是我在Kaggle做的一个项目
Dialogue: 0,0:02:58.32,0:03:03.43,Default,,0000,0000,0000,,一个叫杰弗里 辛顿的人毕业于多伦多大学，\N带领一个团队
Dialogue: 0,0:03:03.46,0:03:06.14,Default,,0000,0000,0000,,赢得了一个自动查毒的竞赛
Dialogue: 0,0:03:06.14,0:03:12.97,Default,,0000,0000,0000,,然而真正精彩的不是他们打败了所有默克公司\N或者国际学术团体设计的运算
Dialogue: 0,0:03:13.00,0:03:18.06,Default,,0000,0000,0000,,而是他们团队里没有一个人有化学、生物\N或者生命科学的背景
Dialogue: 0,0:03:18.06,0:03:20.23,Default,,0000,0000,0000,,却在两个星期内赢得了比赛
Dialogue: 0,0:03:20.23,0:03:22.42,Default,,0000,0000,0000,,他们是如何做到的？
Dialogue: 0,0:03:22.42,0:03:25.34,Default,,0000,0000,0000,,他们应用了一种超凡的算法叫做深度学习
Dialogue: 0,0:03:25.34,0:03:31.40,Default,,0000,0000,0000,,几个星期后纽约时报在其首页\N报道了此次的重要成功
Dialogue: 0,0:03:31.41,0:03:34.15,Default,,0000,0000,0000,,在左手边就是杰弗里 辛顿
Dialogue: 0,0:03:34.15,0:03:38.49,Default,,0000,0000,0000,,深度学习是受到人类大脑的启发
Dialogue: 0,0:03:38.49,0:03:44.12,Default,,0000,0000,0000,,也因此这种算法的能力不受任何理论限制
Dialogue: 0,0:03:44.14,0:03:46.96,Default,,0000,0000,0000,,你给它越多的数据和运算时间
Dialogue: 0,0:03:46.96,0:03:48.28,Default,,0000,0000,0000,,它会工作的越好
Dialogue: 0,0:03:48.28,0:03:52.86,Default,,0000,0000,0000,,纽约时报在其文章中\N还说明了深度学习的另一非凡之处
Dialogue: 0,0:03:52.86,0:03:55.57,Default,,0000,0000,0000,,现在我要展示给你们看
Dialogue: 0,0:03:55.57,0:04:00.51,Default,,0000,0000,0000,,它表明电脑能够听懂信息
Dialogue: 0,0:04:00.51,0:04:06.22,Default,,0000,0000,0000,,（视频）理查德 拉希德：现在，\N我要做的最后一步是
Dialogue: 0,0:04:06.25,0:04:10.96,Default,,0000,0000,0000,,用汉语和大家说话
Dialogue: 0,0:04:10.99,0:04:18.60,Default,,0000,0000,0000,,在这之前，我们已经通过很多说汉语的人\N收集了大量信息
Dialogue: 0,0:04:18.60,0:04:21.13,Default,,0000,0000,0000,,然后形成一个语音合成系统
Dialogue: 0,0:04:21.13,0:04:25.80,Default,,0000,0000,0000,,把汉字转换成汉语言
Dialogue: 0,0:04:25.80,0:04:29.93,Default,,0000,0000,0000,,之后我们收录了一个小时我的声音
Dialogue: 0,0:04:29.93,0:04:36.33,Default,,0000,0000,0000,,使声音合成系统的声音听起来像我
Dialogue: 0,0:04:36.36,0:04:38.90,Default,,0000,0000,0000,,再次，结果并不完美
Dialogue: 0,0:04:38.90,0:04:41.55,Default,,0000,0000,0000,,他们会有不少错误
Dialogue: 0,0:04:41.55,0:04:44.04,Default,,0000,0000,0000,,（中文）
Dialogue: 0,0:04:44.04,0:04:49.44,Default,,0000,0000,0000,,（掌声）
Dialogue: 0,0:04:49.45,0:04:53.02,Default,,0000,0000,0000,,在这个领域还有很多工作要做
Dialogue: 0,0:04:53.02,0:04:56.67,Default,,0000,0000,0000,,（中文）
Dialogue: 0,0:04:56.67,0:05:01.34,Default,,0000,0000,0000,,（掌声）
Dialogue: 0,0:05:01.34,0:05:04.74,Default,,0000,0000,0000,,杰里米 霍华德：这是在一个中国的机器学习会议上
Dialogue: 0,0:05:04.74,0:05:08.99,Default,,0000,0000,0000,,事实上，一般来说，你不会在学术会议上\N听到如此热烈的掌声
Dialogue: 0,0:05:09.01,0:05:12.69,Default,,0000,0000,0000,,当然除了TEDx演讲可以随意鼓掌
Dialogue: 0,0:05:12.69,0:05:15.48,Default,,0000,0000,0000,,你所看到的一切都伴随着深入学习
Dialogue: 0,0:05:15.48,0:05:17.01,Default,,0000,0000,0000,,（掌声）谢谢
Dialogue: 0,0:05:17.01,0:05:19.29,Default,,0000,0000,0000,,对英文的转录是深入学习
Dialogue: 0,0:05:19.29,0:05:22.70,Default,,0000,0000,0000,,翻译成汉语以及屏幕右上方的文字是深入学习
Dialogue: 0,0:05:22.70,0:05:26.01,Default,,0000,0000,0000,,声音的合成也是深入学习
Dialogue: 0,0:05:26.01,0:05:29.24,Default,,0000,0000,0000,,深入学习就是这样神奇的事情
Dialogue: 0,0:05:29.24,0:05:32.34,Default,,0000,0000,0000,,这个单一的算法似乎可以做任何事情
Dialogue: 0,0:05:32.34,0:05:35.45,Default,,0000,0000,0000,,而且一年前我发现他甚至有视觉
Dialogue: 0,0:05:35.45,0:05:37.63,Default,,0000,0000,0000,,这个名不见经传的德国竞赛
Dialogue: 0,0:05:37.63,0:05:40.22,Default,,0000,0000,0000,,叫做德国交通标志识别基准
Dialogue: 0,0:05:40.22,0:05:43.62,Default,,0000,0000,0000,,深度学习已学得识别这些交通标识
Dialogue: 0,0:05:43.62,0:05:47.47,Default,,0000,0000,0000,,它不仅能够做的比其它算法好
Dialogue: 0,0:05:47.47,0:05:50.19,Default,,0000,0000,0000,,排行榜显示它比人更厉害
Dialogue: 0,0:05:50.19,0:05:52.04,Default,,0000,0000,0000,,是人的准确率的两倍
Dialogue: 0,0:05:52.04,0:05:57.42,Default,,0000,0000,0000,,到2011年，我们有了第一台视力高于人类的电脑
Dialogue: 0,0:05:57.44,0:05:59.49,Default,,0000,0000,0000,,从此更多的电脑也可以做到
Dialogue: 0,0:05:59.49,0:06:04.38,Default,,0000,0000,0000,,在2012年，谷歌宣布让一个深度学习的算法看YouTube视频
Dialogue: 0,0:06:04.42,0:06:07.86,Default,,0000,0000,0000,,收集16，000台电脑上的数据，为期一个月
Dialogue: 0,0:06:07.86,0:06:13.100,Default,,0000,0000,0000,,之后电脑便能仅通过看视频独立识别人和猫
Dialogue: 0,0:06:14.03,0:06:16.38,Default,,0000,0000,0000,,这近似于人类学习的过程
Dialogue: 0,0:06:16.38,0:06:19.12,Default,,0000,0000,0000,,人类不需要被告诉他们看到了什么
Dialogue: 0,0:06:19.12,0:06:22.45,Default,,0000,0000,0000,,而是在自己认知事物的过程中学习
Dialogue: 0,0:06:22.45,0:06:25.82,Default,,0000,0000,0000,,同样在2012年，杰弗里 辛顿，我们之前看到的人
Dialogue: 0,0:06:25.82,0:06:28.68,Default,,0000,0000,0000,,赢了很火的ImageNet比赛
Dialogue: 0,0:06:28.68,0:06:34.22,Default,,0000,0000,0000,,分辨出150万张图片的内容
Dialogue: 0,0:06:34.26,0:06:39.21,Default,,0000,0000,0000,,到2014年，我们已经将图像识别的误差\N降低到百分之六
Dialogue: 0,0:06:39.24,0:06:41.27,Default,,0000,0000,0000,,低于人类误差率
Dialogue: 0,0:06:41.27,0:06:47.28,Default,,0000,0000,0000,,这项非凡的工作现在已经用于工业
Dialogue: 0,0:06:47.31,0:06:50.35,Default,,0000,0000,0000,,比如说，去年谷歌声明
Dialogue: 0,0:06:50.35,0:06:54.93,Default,,0000,0000,0000,,他们在两小时内把法国的每一个地点汇成地图
Dialogue: 0,0:06:54.93,0:07:02.66,Default,,0000,0000,0000,,他们是将街景填入深度学习算法以辨认街道号
Dialogue: 0,0:07:02.70,0:07:08.26,Default,,0000,0000,0000,,可以想象从前这件事要花费多少时间和精力
Dialogue: 0,0:07:08.27,0:07:10.18,Default,,0000,0000,0000,,同样的事情也发生在中国
Dialogue: 0,0:07:10.18,0:07:14.22,Default,,0000,0000,0000,,百度大概类似于中国的谷歌
Dialogue: 0,0:07:14.22,0:07:16.50,Default,,0000,0000,0000,,我们看到左上角
Dialogue: 0,0:07:16.50,0:07:20.48,Default,,0000,0000,0000,,是一张我上传到百度的深度学习系统的图片
Dialogue: 0,0:07:20.48,0:07:24.25,Default,,0000,0000,0000,,下面你可以看到系统理解了这张照片
Dialogue: 0,0:07:24.25,0:07:26.48,Default,,0000,0000,0000,,并且找到了类似的图片
Dialogue: 0,0:07:26.48,0:07:29.22,Default,,0000,0000,0000,,同样的背景
Dialogue: 0,0:07:29.22,0:07:30.88,Default,,0000,0000,0000,,同样的角度
Dialogue: 0,0:07:30.88,0:07:32.66,Default,,0000,0000,0000,,有的甚至也有伸出来的舌头
Dialogue: 0,0:07:32.66,0:07:35.70,Default,,0000,0000,0000,,网页上没有准确的文字
Dialogue: 0,0:07:35.70,0:07:37.11,Default,,0000,0000,0000,,我只是上传了图片
Dialogue: 0,0:07:37.11,0:07:41.13,Default,,0000,0000,0000,,所以说电脑能够真正理解它所看到的事物
Dialogue: 0,0:07:41.13,0:07:46.29,Default,,0000,0000,0000,,进而在数据库的几百万张图片中进行实时搜索
Dialogue: 0,0:07:46.31,0:07:49.54,Default,,0000,0000,0000,,就现在而言，电脑的视力意味着什么呢？
Dialogue: 0,0:07:49.54,0:07:51.55,Default,,0000,0000,0000,,事实上不仅仅是电脑能够看见
Dialogue: 0,0:07:51.55,0:07:53.62,Default,,0000,0000,0000,,深度学习其实可以做得更多
Dialogue: 0,0:07:53.62,0:07:56.57,Default,,0000,0000,0000,,像这样一个细小复杂的语句
Dialogue: 0,0:07:56.57,0:07:59.39,Default,,0000,0000,0000,,对深度学习来说是相对易于理解的
Dialogue: 0,0:07:59.39,0:08:00.70,Default,,0000,0000,0000,,你可以看到
Dialogue: 0,0:08:00.70,0:08:07.34,Default,,0000,0000,0000,,斯坦福基础系统显示上面的红点指出\N这个语句表达的是否定语气
Dialogue: 0,0:08:07.38,0:08:15.90,Default,,0000,0000,0000,,深度学习在理解语句内容方面已经接近人类水平
Dialogue: 0,0:08:15.92,0:08:21.78,Default,,0000,0000,0000,,同样，深度学习在用于阅读汉语上已经相当于中国本土人水平
Dialogue: 0,0:08:21.81,0:08:23.98,Default,,0000,0000,0000,,这个算法开发于瑞士
Dialogue: 0,0:08:23.98,0:08:27.33,Default,,0000,0000,0000,,没有一个人懂汉语
Dialogue: 0,0:08:27.33,0:08:36.68,Default,,0000,0000,0000,,要我说，深度学习是比较于人类\N做这件事最好的系统
Dialogue: 0,0:08:36.72,0:08:39.68,Default,,0000,0000,0000,,这个系统是在我们公司建立的
Dialogue: 0,0:08:39.68,0:08:41.73,Default,,0000,0000,0000,,它要把这些东西集合起来
Dialogue: 0,0:08:41.73,0:08:44.19,Default,,0000,0000,0000,,这些图片没有文字描述
Dialogue: 0,0:08:44.19,0:08:46.54,Default,,0000,0000,0000,,随着我在这输入文字
Dialogue: 0,0:08:46.54,0:08:49.51,Default,,0000,0000,0000,,同时它会了解这些图片
Dialogue: 0,0:08:49.51,0:08:51.19,Default,,0000,0000,0000,,理解它们是关于什么的
Dialogue: 0,0:08:51.19,0:08:54.35,Default,,0000,0000,0000,,然后找出和这些相似的图片
Dialogue: 0,0:08:54.35,0:08:57.11,Default,,0000,0000,0000,,所以你看，他真正在理解我的文字
Dialogue: 0,0:08:57.11,0:08:59.33,Default,,0000,0000,0000,,理解这些图片
Dialogue: 0,0:08:59.33,0:09:01.89,Default,,0000,0000,0000,,我知道你在谷歌上看到过类似的
Dialogue: 0,0:09:01.89,0:09:04.67,Default,,0000,0000,0000,,你可以输入文字，它会提供给你图片
Dialogue: 0,0:09:04.67,0:09:08.09,Default,,0000,0000,0000,,但实际上它是在网页上搜索文字
Dialogue: 0,0:09:08.09,0:09:11.09,Default,,0000,0000,0000,,这和理解图片是有很大不同的
Dialogue: 0,0:09:11.09,0:09:17.05,Default,,0000,0000,0000,,理解图片是电脑在过去几个月里才刚刚会做的事情
Dialogue: 0,0:09:17.09,0:09:21.18,Default,,0000,0000,0000,,电脑不仅有视力，而且能够阅读
Dialogue: 0,0:09:21.18,0:09:24.95,Default,,0000,0000,0000,,而且当然，电脑也能理解所听到的
Dialogue: 0,0:09:24.95,0:09:28.39,Default,,0000,0000,0000,,也许并不意外，我现在要告诉你们，电脑也可以写
Dialogue: 0,0:09:28.39,0:09:33.17,Default,,0000,0000,0000,,这是我昨天用深度学习算法写的文字
Dialogue: 0,0:09:33.17,0:09:37.10,Default,,0000,0000,0000,,这些是斯坦福的算法做的
Dialogue: 0,0:09:37.10,0:09:43.11,Default,,0000,0000,0000,,每一句话都是深度学习算法对图片进行的描述
Dialogue: 0,0:09:43.11,0:09:47.58,Default,,0000,0000,0000,,算法没见过一个穿黑衣服的男人弹吉他
Dialogue: 0,0:09:47.58,0:09:49.80,Default,,0000,0000,0000,,它见过男人，见过黑色
Dialogue: 0,0:09:49.80,0:09:51.40,Default,,0000,0000,0000,,见过吉他
Dialogue: 0,0:09:51.40,0:09:55.69,Default,,0000,0000,0000,,它便自己对这个图片作出了这样的描述
Dialogue: 0,0:09:55.69,0:09:59.20,Default,,0000,0000,0000,,我们还做不到完全和人类同等水平，\N但我们已经很接近了
Dialogue: 0,0:09:59.20,0:10:04.77,Default,,0000,0000,0000,,统计表明，四分之一的人更喜欢电脑做的图片说明
Dialogue: 0,0:10:04.79,0:10:06.86,Default,,0000,0000,0000,,目前这个系统刚被开发两周之久
Dialogue: 0,0:10:06.86,0:10:08.70,Default,,0000,0000,0000,,所以按这个速度，估计明年
Dialogue: 0,0:10:08.70,0:10:13.35,Default,,0000,0000,0000,,电脑算法会超过人类水平
Dialogue: 0,0:10:13.36,0:10:16.41,Default,,0000,0000,0000,,电脑会写
Dialogue: 0,0:10:16.41,0:10:19.89,Default,,0000,0000,0000,,我们把这些都放在一起，会发现一个令人兴奋的机遇
Dialogue: 0,0:10:19.89,0:10:21.38,Default,,0000,0000,0000,,比如说，在医药业
Dialogue: 0,0:10:21.38,0:10:23.90,Default,,0000,0000,0000,,一个波士顿团队宣布
Dialogue: 0,0:10:23.90,0:10:26.85,Default,,0000,0000,0000,,他们发现了肿瘤的几十种临床表现
Dialogue: 0,0:10:26.85,0:10:31.12,Default,,0000,0000,0000,,帮助医生预测癌症
Dialogue: 0,0:10:32.22,0:10:34.52,Default,,0000,0000,0000,,同样的，在斯坦福
Dialogue: 0,0:10:34.52,0:10:38.18,Default,,0000,0000,0000,,一个团队宣布通过用放大镜观察组织
Dialogue: 0,0:10:38.18,0:10:40.56,Default,,0000,0000,0000,,开发了一个基于机器学习的系统
Dialogue: 0,0:10:40.56,0:10:47.50,Default,,0000,0000,0000,,可以比病理学家更有效地预测癌症患者的幸存率
Dialogue: 0,0:10:47.52,0:10:50.76,Default,,0000,0000,0000,,在这两个例子中，不仅预测更加准确
Dialogue: 0,0:10:50.76,0:10:53.27,Default,,0000,0000,0000,,而且他们创造了新的科学视角
Dialogue: 0,0:10:53.28,0:10:54.78,Default,,0000,0000,0000,,在放射学中
Dialogue: 0,0:10:54.78,0:10:57.88,Default,,0000,0000,0000,,新视角是人类可以明白的新临床表现
Dialogue: 0,0:10:57.88,0:10:59.67,Default,,0000,0000,0000,,在病理学中
Dialogue: 0,0:10:59.67,0:11:04.17,Default,,0000,0000,0000,,电脑发现癌细胞周围的细胞
Dialogue: 0,0:11:04.17,0:11:09.24,Default,,0000,0000,0000,,在诊断中同癌细胞一样重要
Dialogue: 0,0:11:09.26,0:11:14.62,Default,,0000,0000,0000,,这和病理学家几十年来的教学是相反的
Dialogue: 0,0:11:14.62,0:11:17.91,Default,,0000,0000,0000,,这两个案例中的系统都是由
Dialogue: 0,0:11:17.91,0:11:21.53,Default,,0000,0000,0000,,医学专家和机器学习专家共同开发的
Dialogue: 0,0:11:21.53,0:11:24.28,Default,,0000,0000,0000,,去年我们就已经超过了这个水平
Dialogue: 0,0:11:24.28,0:11:30.33,Default,,0000,0000,0000,,这个是用显微镜识别组织癌变区的例子
Dialogue: 0,0:11:30.35,0:11:34.97,Default,,0000,0000,0000,,所显示的这个系统能够与病理学专家同样准确地识别癌变区
Dialogue: 0,0:11:34.97,0:11:37.74,Default,,0000,0000,0000,,甚至比病理专家更准确
Dialogue: 0,0:11:37.74,0:11:41.13,Default,,0000,0000,0000,,但是建立系统的都是深度学习的专家
Dialogue: 0,0:11:41.13,0:11:43.66,Default,,0000,0000,0000,,没有一个医学专家
Dialogue: 0,0:11:44.73,0:11:47.28,Default,,0000,0000,0000,,类似的，这是神经细胞分裂
Dialogue: 0,0:11:47.28,0:11:50.95,Default,,0000,0000,0000,,我们已经可以和人类一样准确地分裂细胞
Dialogue: 0,0:11:50.95,0:11:53.67,Default,,0000,0000,0000,,但这是个深度学习系统
Dialogue: 0,0:11:53.67,0:11:56.92,Default,,0000,0000,0000,,没有一个开发者拥有医学背景
Dialogue: 0,0:11:56.92,0:12:00.15,Default,,0000,0000,0000,,对于我这个完全没有医学背景的人来说
Dialogue: 0,0:12:00.15,0:12:03.88,Default,,0000,0000,0000,,看起来我也完全可以开一个医药公司
Dialogue: 0,0:12:03.88,0:12:06.02,Default,,0000,0000,0000,,我确实这么做了
Dialogue: 0,0:12:06.02,0:12:07.76,Default,,0000,0000,0000,,我开始有点不知所措
Dialogue: 0,0:12:07.76,0:12:10.65,Default,,0000,0000,0000,,但理论上说这件事是可行的
Dialogue: 0,0:12:10.65,0:12:16.14,Default,,0000,0000,0000,,用这些数据分析技术制作医药
Dialogue: 0,0:12:16.14,0:12:18.62,Default,,0000,0000,0000,,所幸的是，反响非常好
Dialogue: 0,0:12:18.62,0:12:20.98,Default,,0000,0000,0000,,不仅是媒体的，包括医药行业
Dialogue: 0,0:12:20.98,0:12:23.32,Default,,0000,0000,0000,,都很支持
Dialogue: 0,0:12:23.32,0:12:27.47,Default,,0000,0000,0000,,理论表明我们可以将制药的中间过程
Dialogue: 0,0:12:27.47,0:12:30.36,Default,,0000,0000,0000,,充分转换成数据分析
Dialogue: 0,0:12:30.36,0:12:33.43,Default,,0000,0000,0000,,让医生去做他们最擅长的
Dialogue: 0,0:12:33.43,0:12:35.03,Default,,0000,0000,0000,,我有一个例子
Dialogue: 0,0:12:35.03,0:12:39.98,Default,,0000,0000,0000,,制作一个医学诊断测试需要十五分钟
Dialogue: 0,0:12:39.98,0:12:41.93,Default,,0000,0000,0000,,我会给你们实际展示
Dialogue: 0,0:12:41.93,0:12:45.42,Default,,0000,0000,0000,,但是我去掉了一部分，把它压缩到了三分钟
Dialogue: 0,0:12:45.42,0:12:48.48,Default,,0000,0000,0000,,不要医学诊断试验
Dialogue: 0,0:12:48.48,0:12:51.85,Default,,0000,0000,0000,,我要给你们展示制作一个汽车图片的诊断测试
Dialogue: 0,0:12:51.85,0:12:54.07,Default,,0000,0000,0000,,因为这个我们都能懂
Dialogue: 0,0:12:54.07,0:12:57.27,Default,,0000,0000,0000,,现在我们有150万张汽车图片
Dialogue: 0,0:12:57.27,0:13:02.70,Default,,0000,0000,0000,,我想要根据拍照的角度对他们进行分类
Dialogue: 0,0:13:02.70,0:13:06.59,Default,,0000,0000,0000,,这些图片完全没有标签，所以我要先对他们进行简单描述
Dialogue: 0,0:13:06.59,0:13:08.45,Default,,0000,0000,0000,,有深度学习算法
Dialogue: 0,0:13:08.45,0:13:12.16,Default,,0000,0000,0000,,它可以自动识别图片的结构要素
Dialogue: 0,0:13:12.16,0:13:15.78,Default,,0000,0000,0000,,令人高兴的是人和电脑可以合作
Dialogue: 0,0:13:15.78,0:13:17.96,Default,,0000,0000,0000,,你可以看到，这个人
Dialogue: 0,0:13:17.96,0:13:20.63,Default,,0000,0000,0000,,正在告诉电脑什么是感兴趣的要素
Dialogue: 0,0:13:20.63,0:13:25.28,Default,,0000,0000,0000,,为之后电脑用来完善算法
Dialogue: 0,0:13:25.28,0:13:29.58,Default,,0000,0000,0000,,现在，这些深度学习算法处在16，000维空间中
Dialogue: 0,0:13:29.58,0:13:33.01,Default,,0000,0000,0000,,所以你看到电脑让他们在这个空间中旋转
Dialogue: 0,0:13:33.01,0:13:35.00,Default,,0000,0000,0000,,尝试找到新的结构要素
Dialogue: 0,0:13:35.00,0:13:36.78,Default,,0000,0000,0000,,当他成功时
Dialogue: 0,0:13:36.78,0:13:40.79,Default,,0000,0000,0000,,开车的人就可以指出感兴趣的要素
Dialogue: 0,0:13:40.79,0:13:43.21,Default,,0000,0000,0000,,现在电脑成功找出这些要素
Dialogue: 0,0:13:43.21,0:13:45.77,Default,,0000,0000,0000,,比如，角度
Dialogue: 0,0:13:45.77,0:13:47.38,Default,,0000,0000,0000,,我们在这个过程中
Dialogue: 0,0:13:47.38,0:13:49.72,Default,,0000,0000,0000,,逐渐的告诉电脑更多
Dialogue: 0,0:13:49.72,0:13:52.14,Default,,0000,0000,0000,,我们想寻找的结构
Dialogue: 0,0:13:52.14,0:13:53.92,Default,,0000,0000,0000,,你可以想象一个诊断测试
Dialogue: 0,0:13:53.92,0:13:57.27,Default,,0000,0000,0000,,这就像是病理学家识别病态区域
Dialogue: 0,0:13:57.27,0:14:02.29,Default,,0000,0000,0000,,或者放射学专家找出潜在的问题囊肿
Dialogue: 0,0:14:02.29,0:14:04.85,Default,,0000,0000,0000,,有时候这对算法来说有些难度
Dialogue: 0,0:14:04.85,0:14:06.82,Default,,0000,0000,0000,,我们的例子就比较麻烦
Dialogue: 0,0:14:06.82,0:14:09.36,Default,,0000,0000,0000,,车的正面和背面全部混淆了
Dialogue: 0,0:14:09.36,0:14:11.44,Default,,0000,0000,0000,,所以我们要仔细一些
Dialogue: 0,0:14:11.44,0:14:14.67,Default,,0000,0000,0000,,人工地选出正面和背面
Dialogue: 0,0:14:14.67,0:14:21.50,Default,,0000,0000,0000,,人后告诉电脑这是我们所感兴趣的一类
Dialogue: 0,0:14:21.52,0:14:24.20,Default,,0000,0000,0000,,做这件事花了一些时间，所以我们跳过
Dialogue: 0,0:14:24.20,0:14:28.41,Default,,0000,0000,0000,,之后我们用这几百个东西训练机器学习算法
Dialogue: 0,0:14:28.42,0:14:30.44,Default,,0000,0000,0000,,希望他会有很大进步
Dialogue: 0,0:14:30.44,0:14:33.52,Default,,0000,0000,0000,,你能看到，它正在消退一些图片
Dialogue: 0,0:14:33.52,0:14:38.23,Default,,0000,0000,0000,,说明他已经开始可以自己理解这些图片了
Dialogue: 0,0:14:38.23,0:14:41.13,Default,,0000,0000,0000,,我们可以用相似图片的概念
Dialogue: 0,0:14:41.13,0:14:43.22,Default,,0000,0000,0000,,用相似的图片，你可以看到
Dialogue: 0,0:14:43.22,0:14:47.24,Default,,0000,0000,0000,,电脑现在能够只找出正面的车
Dialogue: 0,0:14:47.24,0:14:50.19,Default,,0000,0000,0000,,在这个时候，人可以告诉电脑
Dialogue: 0,0:14:50.19,0:14:52.48,Default,,0000,0000,0000,,对的，没错，你做的很好
Dialogue: 0,0:14:53.65,0:14:55.84,Default,,0000,0000,0000,,当然，有时，即使在这个阶段
Dialogue: 0,0:14:55.84,0:14:59.51,Default,,0000,0000,0000,,分组仍然是很困难的
Dialogue: 0,0:14:59.51,0:15:03.40,Default,,0000,0000,0000,,像我们这里，让电脑在这里旋转了一段时间了
Dialogue: 0,0:15:03.40,0:15:08.20,Default,,0000,0000,0000,,我们还是看到左面的和右面的图片有混淆
Dialogue: 0,0:15:08.22,0:15:10.36,Default,,0000,0000,0000,,所以我们可以再一次给电脑一些提示
Dialogue: 0,0:15:10.36,0:15:18.05,Default,,0000,0000,0000,,我们让它通过深度学习算法尽可能分离出左面和右面的图片
Dialogue: 0,0:15:18.07,0:15:21.01,Default,,0000,0000,0000,,有了这个指示——好的，它已经完成了
Dialogue: 0,0:15:21.01,0:15:26.26,Default,,0000,0000,0000,,它要想办法分开这一部分
Dialogue: 0,0:15:26.27,0:15:28.71,Default,,0000,0000,0000,,你现在知道了
Dialogue: 0,0:15:28.71,0:15:36.91,Default,,0000,0000,0000,,这不是电脑取代人类
Dialogue: 0,0:15:36.91,0:15:39.55,Default,,0000,0000,0000,,而是一起合作
Dialogue: 0,0:15:39.55,0:15:45.08,Default,,0000,0000,0000,,我们在做的是将过去需要五六人的团队\N用七年时间做的事情
Dialogue: 0,0:15:45.10,0:15:50.20,Default,,0000,0000,0000,,变成只需一个人花十五分钟就能完成
Dialogue: 0,0:15:50.21,0:15:54.16,Default,,0000,0000,0000,,这个过程需要四到五次反复
Dialogue: 0,0:15:54.16,0:15:58.97,Default,,0000,0000,0000,,你可以看到我们已经将150万张图片的62%正确分类
Dialogue: 0,0:15:58.98,0:16:02.73,Default,,0000,0000,0000,,现在我们就可以快速地检查整个分组
Dialogue: 0,0:16:02.74,0:16:05.66,Default,,0000,0000,0000,,确保没有错误
Dialogue: 0,0:16:05.66,0:16:09.62,Default,,0000,0000,0000,,如果哪里有错误，我们可以告诉电脑
Dialogue: 0,0:16:09.62,0:16:12.66,Default,,0000,0000,0000,,每个分组我们都这样做
Dialogue: 0,0:16:12.66,0:16:17.54,Default,,0000,0000,0000,,现在这150万张图片已经达到80%的成功率
Dialogue: 0,0:16:17.56,0:16:19.64,Default,,0000,0000,0000,,现在这个阶段
Dialogue: 0,0:16:19.64,0:16:23.22,Default,,0000,0000,0000,,只需要找出几个不正确的分类
Dialogue: 0,0:16:23.22,0:16:26.11,Default,,0000,0000,0000,,并让电脑明白为什么
Dialogue: 0,0:16:26.11,0:16:27.85,Default,,0000,0000,0000,,到了这个步骤
Dialogue: 0,0:16:27.85,0:16:31.97,Default,,0000,0000,0000,,十五分钟后我们达到了97%的正确率
Dialogue: 0,0:16:31.97,0:16:36.57,Default,,0000,0000,0000,,这种技术能帮助我们解决一个问题
Dialogue: 0,0:16:36.58,0:16:39.61,Default,,0000,0000,0000,,医疗专家不足的问题
Dialogue: 0,0:16:39.61,0:16:45.71,Default,,0000,0000,0000,,世界经济论坛表明，在发展中国家，\N内科医生有十倍到二十倍的短缺
Dialogue: 0,0:16:45.73,0:16:50.72,Default,,0000,0000,0000,,而弥补这一短缺需要300年的时间
Dialogue: 0,0:16:50.73,0:16:56.44,Default,,0000,0000,0000,,所以想象一下，是否我们能够用深度学习的方法\N帮助他们提高效率？
Dialogue: 0,0:16:56.46,0:16:58.69,Default,,0000,0000,0000,,我对这个机会表示很激动
Dialogue: 0,0:16:58.69,0:17:01.28,Default,,0000,0000,0000,,我同样的担心一些问题
Dialogue: 0,0:17:01.28,0:17:04.40,Default,,0000,0000,0000,,问题是在这张地图上的蓝色区域内
Dialogue: 0,0:17:04.40,0:17:08.17,Default,,0000,0000,0000,,服务占就业的80%以上
Dialogue: 0,0:17:08.17,0:17:09.96,Default,,0000,0000,0000,,什么是服务？
Dialogue: 0,0:17:09.96,0:17:11.47,Default,,0000,0000,0000,,这些是服务
Dialogue: 0,0:17:11.47,0:17:15.63,Default,,0000,0000,0000,,这些也是电脑才刚刚开始学习的事情
Dialogue: 0,0:17:15.63,0:17:19.43,Default,,0000,0000,0000,,也就是说世界上发达国家的80%的就业
Dialogue: 0,0:17:19.43,0:17:21.96,Default,,0000,0000,0000,,是电脑刚开始学习的
Dialogue: 0,0:17:21.96,0:17:23.40,Default,,0000,0000,0000,,这是什么意思？
Dialogue: 0,0:17:23.40,0:17:25.99,Default,,0000,0000,0000,,其实也没什么大不了的，他们会被其他职业替代
Dialogue: 0,0:17:25.99,0:17:28.69,Default,,0000,0000,0000,,比如说会有更多的数据学家
Dialogue: 0,0:17:28.69,0:17:29.51,Default,,0000,0000,0000,,也不尽然
Dialogue: 0,0:17:29.51,0:17:32.63,Default,,0000,0000,0000,,数据学家不需要太久的时间做这些事
Dialogue: 0,0:17:32.63,0:17:35.88,Default,,0000,0000,0000,,比如这四个算法都是同时一个人开发的
Dialogue: 0,0:17:35.88,0:17:38.32,Default,,0000,0000,0000,,如果你认为这些曾经都发生过
Dialogue: 0,0:17:38.32,0:17:42.13,Default,,0000,0000,0000,,我们看到过新的事物出现
Dialogue: 0,0:17:42.13,0:17:44.38,Default,,0000,0000,0000,,然后被新的职业所取代
Dialogue: 0,0:17:44.38,0:17:46.49,Default,,0000,0000,0000,,那这些新的职业又会是什么？
Dialogue: 0,0:17:46.49,0:17:48.36,Default,,0000,0000,0000,,很难做出估计
Dialogue: 0,0:17:48.36,0:17:51.10,Default,,0000,0000,0000,,因为人的能力以这个均匀的速度增长
Dialogue: 0,0:17:51.10,0:17:53.67,Default,,0000,0000,0000,,但是现在我们有了深度学习系统
Dialogue: 0,0:17:53.67,0:17:56.89,Default,,0000,0000,0000,,它的能力以指数方式增长
Dialogue: 0,0:17:56.89,0:17:58.50,Default,,0000,0000,0000,,我们现在在这
Dialogue: 0,0:17:58.50,0:18:00.56,Default,,0000,0000,0000,,目前，我们看周围的事物
Dialogue: 0,0:18:00.56,0:18:03.24,Default,,0000,0000,0000,,会说：“电脑还是很笨。”对吧？
Dialogue: 0,0:18:03.24,0:18:06.66,Default,,0000,0000,0000,,但是在五年内，电脑会超出这张图
Dialogue: 0,0:18:06.66,0:18:10.53,Default,,0000,0000,0000,,所以我们现在要开始考虑这样的能力了
Dialogue: 0,0:18:10.53,0:18:12.58,Default,,0000,0000,0000,,当然，我们曾经见过这个
Dialogue: 0,0:18:12.58,0:18:13.97,Default,,0000,0000,0000,,在工业革命时期
Dialogue: 0,0:18:13.97,0:18:16.82,Default,,0000,0000,0000,,发动机让生产力迈进一大步
Dialogue: 0,0:18:17.67,0:18:20.80,Default,,0000,0000,0000,,然而问题是，一段时间之后，形势转平了
Dialogue: 0,0:18:20.80,0:18:22.51,Default,,0000,0000,0000,,是由于社会的破坏
Dialogue: 0,0:18:22.51,0:18:25.95,Default,,0000,0000,0000,,但当发动机被普遍应用时
Dialogue: 0,0:18:25.95,0:18:28.30,Default,,0000,0000,0000,,一切都稳定下来了
Dialogue: 0,0:18:28.30,0:18:29.77,Default,,0000,0000,0000,,机器学习革命
Dialogue: 0,0:18:29.77,0:18:32.68,Default,,0000,0000,0000,,将和工业革命有很大不同
Dialogue: 0,0:18:32.68,0:18:35.63,Default,,0000,0000,0000,,因为机器学习革命不会停止
Dialogue: 0,0:18:35.63,0:18:38.61,Default,,0000,0000,0000,,电脑越擅长智能活动
Dialogue: 0,0:18:38.61,0:18:42.86,Default,,0000,0000,0000,,它们越能制造出更加擅长智能活动的电脑
Dialogue: 0,0:18:42.86,0:18:47.25,Default,,0000,0000,0000,,这将会是世界从未经历过的改变
Dialogue: 0,0:18:47.25,0:18:50.55,Default,,0000,0000,0000,,所以你之前理解的可能性是不一样的
Dialogue: 0,0:18:50.97,0:18:52.75,Default,,0000,0000,0000,,这正在影响我们的生活
Dialogue: 0,0:18:52.75,0:18:56.38,Default,,0000,0000,0000,,在过去的25年里，随着资本生产力的增加
Dialogue: 0,0:18:56.40,0:19:00.59,Default,,0000,0000,0000,,劳动生产力在变缓，甚至下降
Dialogue: 0,0:19:01.41,0:19:04.15,Default,,0000,0000,0000,,所以我希望可以发起大家的讨论
Dialogue: 0,0:19:04.15,0:19:07.18,Default,,0000,0000,0000,,我知道当我和人们讲述这样的处境时
Dialogue: 0,0:19:07.18,0:19:08.67,Default,,0000,0000,0000,,人们往往表现出不以为然
Dialogue: 0,0:19:08.67,0:19:10.34,Default,,0000,0000,0000,,电脑不会思考
Dialogue: 0,0:19:10.34,0:19:13.37,Default,,0000,0000,0000,,它们没有情感，也不懂诗
Dialogue: 0,0:19:13.37,0:19:15.89,Default,,0000,0000,0000,,它们甚至都不知道自己是如何运作的
Dialogue: 0,0:19:15.89,0:19:17.37,Default,,0000,0000,0000,,那又怎样？
Dialogue: 0,0:19:17.37,0:19:19.18,Default,,0000,0000,0000,,电脑现在可以做
Dialogue: 0,0:19:19.18,0:19:21.90,Default,,0000,0000,0000,,人类用大部分有偿的劳动时间做的事情
Dialogue: 0,0:19:21.90,0:19:23.63,Default,,0000,0000,0000,,所以现在该到我们思考
Dialogue: 0,0:19:23.63,0:19:28.02,Default,,0000,0000,0000,,我们将如何调整我们的社会结构和经济结构
Dialogue: 0,0:19:28.02,0:19:29.86,Default,,0000,0000,0000,,来应对新形势
Dialogue: 0,0:19:29.86,0:19:31.39,Default,,0000,0000,0000,,谢谢
Dialogue: 0,0:19:31.39,0:19:32.19,Default,,0000,0000,0000,,（鼓掌）