0:00:00.800,0:00:03.908
Coordeno uma equipe no Google[br]que lida com I.A.;

0:00:03.908,0:00:08.598
em outras palavras, a engenharia[br]de fazer computadores e aparelhos

0:00:08.602,0:00:11.299
capazes de criar coisas que o cérebro faz.

0:00:11.299,0:00:14.482
E isso faz com que nos interessemos [br]por cérebros reais

0:00:14.482,0:00:15.931
e também por neurociência,

0:00:15.931,0:00:19.991
e nos interessamos, principalmente, [br]por coisas que nosso cérebro faz

0:00:19.991,0:00:24.113
que ainda são muito superiores[br]à performance dos computadores.

0:00:25.209,0:00:28.802
Historicamente, uma das áreas[br]tem sido percepção,

0:00:28.802,0:00:31.881
o processo pelo qual as coisas abstratas,

0:00:31.885,0:00:33.473
sons e imagens,

0:00:33.473,0:00:35.691
podem se tornar conceitos na mente.

0:00:36.235,0:00:38.736
Isso é essencial para o nosso cérebro

0:00:38.736,0:00:41.240
e também muito útil em um computador.

0:00:41.636,0:00:44.970
Os algorítimos de percepção artificial, [br]criados por nós, por exemplo,

0:00:44.970,0:00:48.868
são o que permitem que suas fotos[br]do Google Fotos sejam pesquisáveis,

0:00:48.868,0:00:51.105
baseando-se no que há nelas.

0:00:51.594,0:00:55.087
O oposto da percepção é a criatividade:

0:00:55.091,0:00:58.133
transformar um conceito [br]em algo lá fora, para o mundo.

0:00:58.133,0:01:01.652
Então, ao longo do ano passado,[br]nosso trabalho de percepção artificial

0:01:01.652,0:01:06.575
também se uniu, inesperadamente, [br]ao mundo da criatividade artificial

0:01:06.575,0:01:08.055
e da arte digital.

0:01:08.556,0:01:11.840
Acho que Michelangelo[br]teve um insight profundo

0:01:11.844,0:01:15.520
a respeito da relação[br]entre percepção e criatividade.

0:01:16.023,0:01:18.069
Esta é uma famosa citação dele:

0:01:18.069,0:01:21.376
"Cada bloco de pedra [br]tem uma escultura interna,

0:01:22.036,0:01:25.038
e o trabalho do escultor é descobri-la."

0:01:26.029,0:01:29.229
Então, penso que Michelangelo[br]estava querendo dizer

0:01:29.229,0:01:32.449
que nós criamos, através da percepção,

0:01:32.453,0:01:35.480
e que a percepção por si[br]é um ato de imaginação

0:01:35.480,0:01:37.981
e é a tal da criatividade.

0:01:38.691,0:01:42.600
O órgão que cria todo pensamento,[br]percepção e imaginação,

0:01:42.600,0:01:44.228
é certamente, o cérebro.

0:01:45.089,0:01:47.618
E eu quero começar [br]com um pouquinho de história

0:01:47.618,0:01:49.960
sobre o que sabemos sobre cérebros.

0:01:50.496,0:01:52.926
Porque, diferente do coração[br]e dos intestinos,

0:01:52.926,0:01:56.094
você não consegue falar muito[br]sobre o cérebro só olhando pra ele,

0:01:56.094,0:01:57.986
pelo menos a olho nu.

0:01:57.986,0:02:00.399
Os primeiros anatomistas [br]que observaram cérebros

0:02:00.403,0:02:04.230
deram às estruturas superficiais[br]todo tipo de nomes fantásticos,[br]

0:02:04.234,0:02:06.631
como hipocampo, [br]significando "camarãozinho".

0:02:06.631,0:02:09.475
Mas claro que esse tipo de coisa[br]não nos diz muito

0:02:09.479,0:02:11.817
sobre o que acontece lá dentro.

0:02:12.780,0:02:16.393
A primeira pessoa que eu acho, [br]que, de fato, desenvolveu algum insight

0:02:16.397,0:02:18.427
sobre o que acontecia no cérebro

0:02:18.427,0:02:23.535
foi o grande neuroanatomista espanhol,[br]Santiago Ramón y Cajal, no século 19,

0:02:23.883,0:02:27.622
usando microscópio e reagentes especiais,

0:02:27.622,0:02:31.816
que puderam, seletivamente, preencher[br]ou converter em contraste muito elevado,

0:02:31.816,0:02:33.864
as células individuais do cérebro,

0:02:33.868,0:02:37.042
para conseguir entender[br]a morfologia delas.

0:02:37.972,0:02:41.980
E estes são os tipos de desenhos[br]que ele fez dos neurônios no século 19.

0:02:41.980,0:02:44.044
Este é de um cérebro de pássaro.

0:02:44.044,0:02:47.069
E vemos esta incrível variedade[br]de diferentes tipos de células,

0:02:47.069,0:02:50.508
até mesmo a própria teoria celular[br]era recente nessa época.

0:02:50.508,0:02:51.830
E estas estruturas,

0:02:51.830,0:02:54.169
estas células que têm essas ramificações,

0:02:54.169,0:02:56.761
que podem percorrer[br]distâncias muito longas,

0:02:56.765,0:02:58.741
tudo era novidade na época.

0:02:58.741,0:03:01.682
Elas são reminiscência de fios, claro.

0:03:01.686,0:03:05.147
Isso pode ter sido óbvio [br]para algumas pessoas no século 19;

0:03:05.147,0:03:09.501
as revoluções de telefonia e eletricidade[br]estavam apenas começando.

0:03:09.964,0:03:11.182
Mas de muitas maneiras,

0:03:11.182,0:03:14.443
esses desenhos microanatômicos[br]do Ramón y Cajal, como este,

0:03:14.443,0:03:16.875
ainda são, em alguns pontos, insuperáveis.

0:03:16.875,0:03:18.773
Ainda, depois de um século,

0:03:18.773,0:03:21.546
estamos tentando concluir aquilo[br]que Ramón y Cajal começou.

0:03:21.546,0:03:24.720
Estes são dados brutos [br]de nossos colaboradores

0:03:24.724,0:03:27.665
no Instituto de Neurociência Max Planck.

0:03:27.665,0:03:34.248
E nossos colaboradores estão representando[br]partículas de tecido cerebral.

0:03:34.248,0:03:37.798
Esta amostra tem aproximadamente[br]um milímetro cúbico,

0:03:37.798,0:03:40.443
e estou mostrando uma parte[br]minúscula dela aqui.

0:03:40.443,0:03:42.833
Aquela barra da esquerda[br]tem em torno de um mícron.

0:03:42.833,0:03:45.246
As estruturas que veem são mitocôndrias,

0:03:45.246,0:03:47.350
que são do tamanho de uma bactéria.

0:03:47.354,0:03:48.985
E estas são fatias consecutivas

0:03:48.985,0:03:52.077
através deste minúsculo bloco de tecido.

0:03:52.401,0:03:54.488
Apenas para efeito de comparação,

0:03:54.488,0:03:58.144
o diâmetro de um fio médio de cabelo [br]é de aproximadamente 100 microns.

0:03:58.144,0:04:02.108
Então, estamos olhando para algo[br]bem menor do que um simples fio de cabelo.

0:04:02.108,0:04:06.095
E a partir desses tipos de partículas [br]microscópicas de elétrons de série,

0:04:06.099,0:04:11.111
podemos começar a reconstruir[br]neurônios em 3D, como estes.

0:04:11.111,0:04:14.232
Estes são do mesmo estilo [br]do Ramón y Cajal.

0:04:14.232,0:04:15.864
Poucos neurônios destacaram-se,

0:04:15.864,0:04:18.613
pois, caso contrário, [br]não conseguiríamos ver nada aqui.

0:04:18.613,0:04:24.145
Estaria lotado, muito cheio de estruturas,[br]de neurônios comunicando-se entre si.

0:04:25.293,0:04:28.081
Ramón y Cajal estava um pouco[br]à frente de seu tempo,

0:04:28.081,0:04:30.640
e o progresso do entendimento do cérebro

0:04:30.640,0:04:32.971
seguiu lentamente[br]através das décadas seguintes.

0:04:33.455,0:04:36.292
Mas sabíamos que os neurônios[br]usavam eletricidade

0:04:36.292,0:04:39.292
e, na Segunda Guerra Mundial, [br]a tecnologia avançou o suficiente

0:04:39.292,0:04:42.122
para iniciar experimentos elétricos[br]reais em neurônios vivos

0:04:42.122,0:04:44.648
para entender melhor seu funcionamento.

0:04:44.648,0:04:48.987
Isso ocorreu na mesma época[br]da invenção dos computadores,[br]

0:04:48.991,0:04:52.095
muito baseado na ideia[br]da modelagem cerebral,

0:04:52.095,0:04:55.204
da "maquinaria inteligente",[br]como foi chamada por Alan Turing,

0:04:55.204,0:04:57.843
um dos pais da ciência da computação.

0:04:57.843,0:05:02.519
Warren McCulloch e Walter Pitts [br]observaram o desenho do córtex visual,

0:05:02.519,0:05:05.462
de Ramón y Cajal,[br]que estou mostrando aqui.

0:05:05.462,0:05:09.948
Este é o córtex que processa[br]as imagens captadas pelo olho.

0:05:10.424,0:05:13.932
E, para eles, isto parecia[br]um diagrama de circuito.

0:05:14.353,0:05:18.132
Então há muitos detalhes [br]no diagrama de McCulloch and Pitts

0:05:18.132,0:05:20.864
que não estão muito certos,[br]mas esta ideia básica

0:05:20.864,0:05:24.823
de que o córtex visual trabalha [br]como uma série de elementos computacionais

0:05:24.823,0:05:27.553
que passam a informação, [br]um para o outro, em cascata,

0:05:27.553,0:05:29.295
está essencialmente correta.

0:05:29.295,0:05:31.593
Vamos falar um pouco

0:05:31.593,0:05:35.665
sobre o que um modelo para processar[br]informações visuais precisaria fazer.

0:05:36.228,0:05:38.969
A tarefa básica de percepção

0:05:38.973,0:05:43.091
é levar uma imagem como esta e dizer:

0:05:43.091,0:05:44.467
"É um pássaro",

0:05:44.467,0:05:47.269
algo muito simples de se fazer[br]com nosso cérebro.

0:05:47.269,0:05:50.730
Mas vocês têm que entender[br]que, para um computador,

0:05:50.754,0:05:53.805
isso era praticamente impossível[br]há alguns anos.

0:05:53.805,0:05:58.641
O paradigma computacional clássico[br]não é uma tarefa simples de ser realizada.

0:05:59.366,0:06:01.918
O que está acontecendo entre os pixels,

0:06:01.942,0:06:05.954
entre a imagem do pássaro[br]e a palavra "pássaro",

0:06:05.954,0:06:08.772
é sobretudo um grupo de neurônios[br]conectados uns aos outros,

0:06:08.772,0:06:11.247
em uma rede neural, conforme mostro aqui.

0:06:11.258,0:06:14.530
Essa conexão neural poderia ser biológica,[br]em nosso córtex visual,

0:06:14.554,0:06:16.680
ou, atualmente, começamos[br]a ter a capacidade

0:06:16.680,0:06:19.194
de modelar tais conexões neurais[br]no computador.

0:06:19.834,0:06:22.171
Eu mostrarei com o que elas [br]realmente se parecem.

0:06:22.171,0:06:25.611
Vocês podem pensar nos pixels como[br]uma primeira camada de neurônios,

0:06:25.611,0:06:29.514
que, na verdade, é como atuam no olho,[br]são os neurônios na retina.

0:06:29.521,0:06:31.085
E eles alimentam

0:06:31.085,0:06:34.528
camada por camada de neurônios,

0:06:34.532,0:06:37.509
todas conectadas por sinapses[br]de diferentes pesos.

0:06:37.509,0:06:39.004
O comportamento dessa rede

0:06:39.004,0:06:42.312
é caracterizado pelas forças[br]de todas aquelas sinapses.

0:06:42.312,0:06:45.564
Elas caracterizam as propriedades [br]computacionais dessa rede.

0:06:45.568,0:06:47.098
E, no final das contas,

0:06:47.098,0:06:49.569
você tem um neurônio,[br]ou um grupo de neurônios,

0:06:49.569,0:06:51.860
que ativam-se, dizendo "pássaro".

0:06:51.860,0:06:54.940
Agora, representarei essas três coisas:

0:06:54.940,0:06:59.560
a entrada de pixels [br]e as sinapses na rede neural,

0:06:59.560,0:07:04.465
e o pássaro, a saída,[br]através de três variáveis: x, w e y.

0:07:04.853,0:07:08.605
Há um milhão ou mais de x,[br]um milhão de pixels nesta imagem.

0:07:08.605,0:07:11.095
Há bilhões ou trilhões de w,

0:07:11.095,0:07:14.556
que representam o peso de todas [br]estas sinapses na rede neural.

0:07:14.560,0:07:18.095
E há um número muito pequeno de y,[br]de saídas que essa rede tem.

0:07:18.095,0:07:20.770
"Pássaro" tem sete letras, certo?

0:07:21.088,0:07:24.498
Então, vamos imaginar que esta[br]seja apenas uma fórmula simples:

0:07:24.498,0:07:26.645
x "x" w = y.

0:07:26.645,0:07:28.801
O sinal de multiplicação fica entre aspas,

0:07:28.801,0:07:31.105
porque, na verdade, [br]o que está acontecendo lá

0:07:31.105,0:07:34.135
é uma série complicada[br]de operações matemáticas.

0:07:35.172,0:07:36.393
É uma equação.

0:07:36.397,0:07:38.053
Há três variáveis,

0:07:38.053,0:07:40.803
e todos nós sabemos[br]que se você tem uma equação,

0:07:40.803,0:07:44.505
pode encontrar uma variável, [br]se souber os outros dois termos.

0:07:45.158,0:07:48.538
Então, o problema de inferência,

0:07:48.542,0:07:51.435
de entender que aquela figura[br]de um pássaro é um pássaro,

0:07:51.439,0:07:56.160
é este: na qual y é desconhecido,[br]mas w e x são conhecidos.

0:07:56.160,0:07:58.663
Conhecendo a rede neural,[br]você conhece os pixels.

0:07:58.663,0:08:02.034
Como podem ver, é um problema[br]relativamente simples.

0:08:02.034,0:08:04.480
Você multiplica duas vezes três e pronto.

0:08:04.862,0:08:07.065
Mostrarei uma rede artificial de neurônios

0:08:07.065,0:08:09.635
que criamos recentemente[br]fazendo exatamente isso.

0:08:09.635,0:08:12.458
Isto está passando [br]em tempo real em um celular,

0:08:12.458,0:08:15.831
e é, claro, surpreendente por si só,

0:08:15.835,0:08:20.587
que celulares possam fazer bilhões [br]e trilhões de operações por segundo.

0:08:20.587,0:08:22.314
Vocês estão olhando para um celular

0:08:22.314,0:08:25.769
vendo uma imagem de pássaro após a outra,[br]

0:08:25.769,0:08:28.488
e, na verdade, não só dizendo:[br]"Sim, é um pássaro",

0:08:28.488,0:08:31.979
mas identificando a espécie do pássaro[br]com uma rede deste tipo.

0:08:32.890,0:08:34.736
Nesta imagem,

0:08:34.740,0:08:38.526
o x e o w são conhecidos[br]e o y é desconhecido.

0:08:38.526,0:08:41.058
Estou encobrindo a parte mais difícil,

0:08:41.058,0:08:44.943
que é como descobrimos o w,

0:08:44.943,0:08:47.134
o cérebro que pode fazer tal coisa?

0:08:47.134,0:08:49.448
Como aprenderíamos tal modelo?

0:08:49.448,0:08:52.651
Este processo de aprendizagem,[br]de descobrir o w,

0:08:52.655,0:08:55.306
se o resolvermos com a equação simples,

0:08:55.306,0:08:57.536
na qual pensamos[br]nestas variáveis como números,

0:08:57.536,0:09:00.057
saberemos, exatamente,[br]como resolvê-la: 6 = 2 x w,

0:09:00.061,0:09:03.393
dividimos por dois e pronto.

0:09:04.001,0:09:06.221
O problema é com este sinal.

0:09:07.238,0:09:11.083
Usamos a divisão porque[br]é o inverso da multiplicação,

0:09:11.083,0:09:12.643
mas, como acabei de dizer,

0:09:12.643,0:09:15.136
a multiplicação não deixa [br]de ser uma mentira aqui.

0:09:15.136,0:09:18.390
Esta é uma operação não-linear [br]muito complicada;

0:09:18.390,0:09:20.118
não existe o inverso.

0:09:20.118,0:09:23.292
Então devemos encontrar[br]uma forma de resolver a equação

0:09:23.292,0:09:25.356
sem um sinal de divisão.

0:09:25.360,0:09:27.707
E a forma de se fazer isso [br]é razoavelmente fácil.

0:09:27.707,0:09:30.418
Você diz: vamos fazer um truque de álgebra

0:09:30.422,0:09:33.332
e mover o seis para a direita da equação.

0:09:33.332,0:09:35.678
Agora, ainda temos uma multiplicação

0:09:35.678,0:09:39.239
e aquele zero, vamos pensar[br]nele como um erro.

0:09:39.239,0:09:41.778
Em outras palavras, [br]se acharmos o w da forma certa

0:09:41.778,0:09:43.418
então o erro será zero.

0:09:43.418,0:09:47.113
Se não conseguirmos isso da forma certa,[br]o erro será maior do que zero.

0:09:47.113,0:09:50.583
Agora podemos criar suposições[br]para diminuir os erros,

0:09:50.583,0:09:53.274
e é o tipo de coisa que[br]computadores fazem muito bem.

0:09:53.274,0:09:56.251
Na primeira suposição: e se w = 0?[br]Bem, o erro será 6.

0:09:56.251,0:09:58.911
E se w = 1? O erro será 4.

0:09:58.911,0:10:03.532
E, então, o computador tentará adivinhar[br]e diminuir o erro para próximo de zero.

0:10:03.532,0:10:06.985
Enquanto isso ocorre, ele está obtendo[br]sucessivas aproximações de w.

0:10:06.985,0:10:10.741
Tipicamente, nunca se chega lá,[br]mas depois de várias etapas,

0:10:10.741,0:10:15.349
estamos próximos de w = 2,999,[br]o que é bem próximo.

0:10:16.302,0:10:18.156
E esse é o processo de aprendizagem.

0:10:18.156,0:10:22.176
Lembrem-se de que estamos pegando

0:10:22.176,0:10:25.176
muitos x e y conhecidos

0:10:25.176,0:10:28.734
e resolvendo o w no meio disso,[br]através de um processo interativo.

0:10:28.734,0:10:32.330
É exatamente assim que construímos[br]nossa própria aprendizagem.

0:10:32.334,0:10:34.644
Quando somos bebês nos mostram imagens

0:10:34.644,0:10:37.331
e nos dizem: "Isso é um pássaro;[br]isso não é um pássaro".

0:10:37.714,0:10:39.876
Com o passar do tempo, [br]através da interação,

0:10:39.876,0:10:42.764
nós encontramos o w, [br]encontramos essas conexões neurais.

0:10:43.460,0:10:47.510
Agora mantemos o valor de x e w [br]para resolver y;

0:10:47.510,0:10:49.557
isso acontece todo dia, percepção rápida.

0:10:49.557,0:10:51.198
Compreendemos como achar w,

0:10:51.198,0:10:53.481
isso é aprendizagem, [br]o que é muito mais difícil,

0:10:53.481,0:10:57.180
pois precisamos minimizar os erros,[br]usando vários exemplos de treinamento.

0:10:57.180,0:11:00.046
Há aproximadamente um ano,[br]Alex Mordvintsev, da nossa equipe,

0:11:00.046,0:11:03.636
decidiu experimentar o que aconteceria[br]se tentássemos encontrar x,

0:11:03.640,0:11:05.964
conhecendo os valores de w e y.

0:11:05.964,0:11:07.069
Em outras palavras,

0:11:07.069,0:11:08.731
você sabe que isto é um pássaro,

0:11:08.731,0:11:11.978
e já tem sua rede neural[br]que treinou com pássaros,

0:11:11.982,0:11:14.346
mas o que é a figura de um pássaro?

0:11:15.034,0:11:20.022
Ocorre que, usando o mesmo[br]procedimento de minimização de erros,

0:11:20.022,0:11:23.512
pode-se fazer isso com a rede treinada[br]para reconhecer pássaros

0:11:23.516,0:11:26.924
e o resultado será...

0:11:30.400,0:11:32.185
uma imagem de pássaros.

0:11:32.814,0:11:36.375
Essa é uma imagem de pássaros[br]totalmente gerada por uma rede neural,

0:11:36.375,0:11:38.571
a qual foi treinada [br]para reconhecer pássaros,

0:11:38.571,0:11:43.545
apenas resolvendo x em vez de y,[br]fazendo isso de forma interativa.

0:11:43.545,0:11:45.799
Aqui tem um outro exemplo divertido.

0:11:45.799,0:11:49.024
Esse foi um trabalho [br]de Mike Tyka, em nosso grupo,

0:11:49.024,0:11:51.336
que ele chamou de "Desfile Animal".

0:11:51.336,0:11:54.256
Faz lembrar um pouco obras de arte [br]de William Kentridge,

0:11:54.256,0:11:59.019
na qual ele faz desenhos e os apaga,[br]sucessivamente, e cria um filme assim.

0:11:59.019,0:12:04.120
Neste caso, Mike varia o y[br]no espaço de diferentes animais,

0:12:04.120,0:12:07.607
numa rede desenvolvida para reconhecer[br]e distinguir diferentes animais.

0:12:07.607,0:12:12.582
E você consegue essa estranha mudança[br]de um animal para outro, estilo Escher.

0:12:14.221,0:12:18.819
Aqui, Alex e ele, juntos, tentaram reduzir

0:12:18.819,0:12:21.602
o y a um espaço de duas dimensões,

0:12:21.602,0:12:25.044
fazendo assim um mapa fora [br]do espaço de todas as coisas

0:12:25.044,0:12:26.863
reconhecidas por essa rede.

0:12:26.863,0:12:28.834
Fazendo esse tipo de síntese

0:12:28.834,0:12:31.276
ou geração de imagem[br]sobre essa superfície inteira,

0:12:31.280,0:12:34.226
variando y sobre a superfície,[br]você cria um mapa visual

0:12:34.226,0:12:37.275
de todas as coisas[br]que a rede consegue reconhecer.

0:12:37.275,0:12:40.200
Todos os animas estão aqui;[br]o tatu está bem naquele canto.

0:12:40.919,0:12:43.352
Você também pode fazer isso [br]com outras redes.

0:12:43.352,0:12:46.280
Essa é uma rede criada [br]para reconhecer faces,

0:12:46.280,0:12:48.320
distinguir uma face de outra.

0:12:48.324,0:12:53.016
E, aqui, colocamos um y que seria "eu",[br]parâmetros da minha própria face.

0:12:53.016,0:12:57.908
E quando essa rede encontra x,[br]ela gera essa imagem doida,

0:12:57.908,0:13:02.016
um estilo cubismo, surreal,[br]uma figura psicodélica de mim

0:13:02.016,0:13:03.826
a partir de múltiplos pontos de vista.

0:13:03.826,0:13:06.734
A razão de parecer com múltiplos pontos[br]de vista de uma só vez

0:13:06.734,0:13:10.179
é porque a rede é criada[br]para conseguir se livrar da ambiguidade

0:13:10.179,0:13:12.779
de uma face em uma pose ou outra,

0:13:12.779,0:13:16.209
sendo olhada com um tipo ou outro de luz.

0:13:16.209,0:13:18.258
Então, quando faz[br]esse tipo de reconstrução,

0:13:18.258,0:13:21.887
se você não usar algum [br]guia de imagem ou de estatística,

0:13:21.887,0:13:25.640
pode ficar confuso,[br]devido a diferentes pontos de vista,

0:13:25.640,0:13:27.368
porque isso é ambíguo.

0:13:27.786,0:13:31.993
Isto é o que acontece se Alex usar[br]sua própria face como guia de imagem

0:13:31.993,0:13:35.354
durante o processo de otimização[br]para reconstruir minha face.

0:13:36.284,0:13:38.576
Então, podem ver que não é perfeito.

0:13:38.576,0:13:40.334
Ainda há muito trabalho a fazer

0:13:40.334,0:13:42.971
sobre como otimizar[br]aquele processo de otimização.

0:13:42.971,0:13:45.822
Mas começa a ter algo[br]como uma face coerente,

0:13:45.822,0:13:48.106
acabando por usar [br]minha própria face como guia.

0:13:48.892,0:13:52.437
Não é preciso começar com uma[br]tela em branco ou com ruído branco.

0:13:52.437,0:13:53.981
Quando se está resolvendo x,

0:13:53.981,0:13:57.778
pode-se começar com um x,[br]que, por si só, já é outra imagem.

0:13:57.778,0:14:00.378
Isto é o que representa[br]esta pequena demonstração.

0:14:00.378,0:14:04.540
Isto é uma rede desenhada para categorizar

0:14:04.564,0:14:07.647
todo tipo de diferentes objetos,[br]criações humanas, animais...

0:14:07.647,0:14:10.284
Aqui começamos apenas[br]com uma figura de nuvens,

0:14:10.284,0:14:11.979
e enquanto otimizamos,

0:14:11.979,0:14:16.505
basicamente, esta rede está descobrindo[br]o que se vê nas nuvens.

0:14:16.931,0:14:19.251
E quanto mais você olha pra isso,

0:14:19.275,0:14:22.028
mais coisas também verá nas nuvens.

0:14:23.004,0:14:26.343
Poderia também usar a rede da face[br]para ficar alucinado,

0:14:26.343,0:14:28.535
então verá umas coisas muito loucas.

0:14:28.535,0:14:29.869
(Risos)

0:14:30.401,0:14:33.129
Mike fez algumas outras experiências,

0:14:33.129,0:14:37.058
nas quais leva a imagem da nuvem,

0:14:37.058,0:14:40.569
e ele alucina e aproxima, sucessivamente,

0:14:40.569,0:14:41.800
e dessa forma,

0:14:41.804,0:14:45.443
pode ter uma espécie [br]de estado de fuga da rede, suponho,

0:14:45.443,0:14:49.167
ou um tipo de associação livre,

0:14:49.167,0:14:51.494
em que a rede morde sua própria cauda.

0:14:51.494,0:14:56.148
Assim, toda imagem é base para a pergunta:[br]"O que acho que verei agora?

0:14:56.148,0:14:59.151
O que acho que verei agora?[br]O que acho que verei agora?"

0:14:59.487,0:15:02.423
Mostrei isso pela primeira vez em público,

0:15:02.427,0:15:05.868
a um grupo, numa palestra em Seattle,[br]

0:15:05.868,0:15:07.848
chamado "Educação Maior";

0:15:07.848,0:15:10.385
isso aconteceu assim[br]que a maconha foi legalizada.

0:15:10.385,0:15:12.004
(Risos)

0:15:14.627,0:15:16.731
Então, quero terminar logo,

0:15:16.735,0:15:20.994
mencionando que esta tecnologia[br]não está restrita.

0:15:20.994,0:15:24.683
Mostrei a vocês exemplos puramente visuais[br]porque são divertidos de se ver.

0:15:24.683,0:15:27.158
Esta não é uma tecnologia [br]exclusivamente visual.

0:15:27.158,0:15:29.231
Nosso colaborador, Ross Goodwin,

0:15:29.231,0:15:32.850
fez experiências envolvendo [br]uma câmera que tira a foto,

0:15:32.850,0:15:37.028
e aí, um computador na sua mochila,[br]escreve um poema usando redes neurais,

0:15:37.028,0:15:39.112
baseados nos conteúdos da imagem.

0:15:39.116,0:15:42.047
E aquela poesia de rede neural [br]tem sido treinada

0:15:42.047,0:15:44.305
num grande corpus de poesia do século 20.

0:15:44.305,0:15:47.746
E a poesia, na verdade,[br]não é tão ruim, eu acho.

0:15:47.746,0:15:49.154
(Risos)

0:15:49.154,0:15:50.453
Para fechar,

0:15:50.453,0:15:53.757
acho que Michelangelo estava certo:

0:15:53.757,0:15:57.267
percepção e criatividade[br]estão intimamente ligadas.

0:15:57.611,0:16:00.245
O que vimos são apenas redes neurais,

0:16:00.249,0:16:02.556
que estão totalmente[br]treinadas para discriminar

0:16:02.556,0:16:04.898
ou reconhecer coisas diferentes no mundo,

0:16:04.898,0:16:08.007
capazes de trabalhar [br]em sentido contrário para produzir.

0:16:08.007,0:16:09.870
Uma das coisas que me vem à cabeça

0:16:09.870,0:16:14.632
é que não só Michelangelo viu[br]a escultura nos blocos de pedra,

0:16:14.632,0:16:18.374
mas qualquer criatura, [br]qualquer ser, alienígena,

0:16:18.374,0:16:21.975
que é capaz de fazer [br]atos de percepção desse tipo,

0:16:21.975,0:16:23.570
também é capaz de criar,

0:16:23.570,0:16:26.702
porque é exatamente a mesma máquina[br]usada nos dois casos.

0:16:26.702,0:16:32.194
Também penso que percepção e criatividade [br]não são exclusivamente humanas.

0:16:32.532,0:16:36.224
Temos modelos de computadores capazes[br]de fazer justamente esse tipo de coisa,

0:16:36.224,0:16:39.576
e não deveria ser surpreendente,[br]pois o cérebro é computacional.

0:16:39.576,0:16:41.273
E finalmente,

0:16:41.277,0:16:45.929
a computação começou como um exercício [br]de planejar maquinaria inteligente.

0:16:45.929,0:16:48.435
Foi muito pensado na ideia

0:16:48.435,0:16:51.472
de como faríamos as máquinas[br]ficarem inteligentes.

0:16:51.472,0:16:53.704
E agora, estamos finalmente[br]começando a cumprir

0:16:53.704,0:16:56.144
algumas das promessas daqueles pioneiros,

0:16:56.144,0:17:00.074
de Turing e Von Neumann,[br]e McCulloch e Pitts.

0:17:00.074,0:17:04.236
E acho que computação[br]não é apenas números

0:17:04.236,0:17:06.407
ou jogar Candy Crush ou algo assim.

0:17:06.407,0:17:09.229
No começo, modelamos as máquinas [br]segundo as nossas mentes.

0:17:09.229,0:17:12.318
E elas nos dão tanto a habilidade [br]de entender melhor nossa mente

0:17:12.322,0:17:14.191
como de expandi-la.

0:17:14.627,0:17:15.854
Muito obrigado.

0:17:15.854,0:17:17.577
(Aplausos)