[Script Info]
Title: 
[Events]
Format: Layer, Start, End, Style, Name, MarginL, MarginR, MarginV, Effect, Text
Dialogue: 0,0:00:00.80,0:00:03.92,Default,,0000,0000,0000,,我在 Google 帶領\N一個團隊做機械智慧；
Dialogue: 0,0:00:03.95,0:00:08.60,Default,,0000,0000,0000,,換句話說，就是制定一些訓練方法，
Dialogue: 0,0:00:08.62,0:00:11.04,Default,,0000,0000,0000,,讓電腦和裝置能做些大腦做的事。
Dialogue: 0,0:00:11.44,0:00:14.54,Default,,0000,0000,0000,,而這也讓我們對真實的大腦
Dialogue: 0,0:00:14.56,0:00:15.85,Default,,0000,0000,0000,,以及神經科學產生了興趣，
Dialogue: 0,0:00:15.88,0:00:20.05,Default,,0000,0000,0000,,特別是一些我們大腦能做
Dialogue: 0,0:00:20.07,0:00:24.11,Default,,0000,0000,0000,,但電腦仍無法呈現出來的事。
Dialogue: 0,0:00:25.21,0:00:28.82,Default,,0000,0000,0000,,長期以來，機械智慧的\N其中一個領域談的就是機械感知，
Dialogue: 0,0:00:28.84,0:00:31.88,Default,,0000,0000,0000,,它是一種轉化的過程——
Dialogue: 0,0:00:31.90,0:00:33.49,Default,,0000,0000,0000,,像是把聲音和影像——
Dialogue: 0,0:00:33.51,0:00:35.69,Default,,0000,0000,0000,,轉化成心智上的概念。
Dialogue: 0,0:00:36.24,0:00:38.75,Default,,0000,0000,0000,,這是我們大腦必備的能力，
Dialogue: 0,0:00:38.78,0:00:41.24,Default,,0000,0000,0000,,這個能力對電腦來說也很有用。
Dialogue: 0,0:00:41.64,0:00:44.99,Default,,0000,0000,0000,,所謂的機械感知演算法，\N像是我們團隊做的，
Dialogue: 0,0:00:45.01,0:00:48.88,Default,,0000,0000,0000,,能讓你 Google 相簿裡的照片
Dialogue: 0,0:00:48.91,0:00:51.30,Default,,0000,0000,0000,,根據照片裡的東西\N把它們變成可以被搜尋的資料。
Dialogue: 0,0:00:51.59,0:00:55.09,Default,,0000,0000,0000,,感知的另一面是創意：
Dialogue: 0,0:00:55.11,0:00:58.15,Default,,0000,0000,0000,,把概念轉化成另一種東西。
Dialogue: 0,0:00:58.17,0:01:01.73,Default,,0000,0000,0000,,所以過去幾年，\N我們團隊在機器感知上的努力，
Dialogue: 0,0:01:01.75,0:01:05.00,Default,,0000,0000,0000,,已經可以把創意與
Dialogue: 0,0:01:05.00,0:01:07.80,Default,,0000,0000,0000,,機器藝術結合在一起。
Dialogue: 0,0:01:08.56,0:01:11.84,Default,,0000,0000,0000,,我覺得米開朗基羅對「感知」\N與「創意」這兩者之間的關係
Dialogue: 0,0:01:11.86,0:01:15.52,Default,,0000,0000,0000,,有一種很透析的看法。
Dialogue: 0,0:01:16.02,0:01:18.03,Default,,0000,0000,0000,,他有一句名言：
Dialogue: 0,0:01:18.05,0:01:21.38,Default,,0000,0000,0000,,「每一塊石頭裡都藏著一座雕像，
Dialogue: 0,0:01:22.04,0:01:25.04,Default,,0000,0000,0000,,等待雕刻家將它雕塑出來。」
Dialogue: 0,0:01:26.03,0:01:29.24,Default,,0000,0000,0000,,所以我覺得米開朗基羅\N當時的體悟是：
Dialogue: 0,0:01:29.27,0:01:32.45,Default,,0000,0000,0000,,我們的「創意」來自「感知」，
Dialogue: 0,0:01:32.47,0:01:35.59,Default,,0000,0000,0000,,而感知本身就是一個想像行為
Dialogue: 0,0:01:35.59,0:01:38.26,Default,,0000,0000,0000,,及創意的來源。
Dialogue: 0,0:01:38.69,0:01:42.62,Default,,0000,0000,0000,,人體中有一個器官\N能做出思考、感受和想像，
Dialogue: 0,0:01:42.64,0:01:44.23,Default,,0000,0000,0000,,當然，那就是我們的大腦。
Dialogue: 0,0:01:45.09,0:01:47.63,Default,,0000,0000,0000,,我想先簡單地來談一談
Dialogue: 0,0:01:47.66,0:01:49.96,Default,,0000,0000,0000,,我們對大腦認知的歷史。
Dialogue: 0,0:01:50.50,0:01:52.94,Default,,0000,0000,0000,,因為大腦不像我們的心臟或腸道，
Dialogue: 0,0:01:52.97,0:01:56.11,Default,,0000,0000,0000,,你不能光用看的來瞭解大腦，
Dialogue: 0,0:01:56.13,0:01:57.55,Default,,0000,0000,0000,,光靠肉眼根本看不出個所以然來。
Dialogue: 0,0:01:57.98,0:02:00.40,Default,,0000,0000,0000,,早期研究大腦的解剖學家，
Dialogue: 0,0:02:00.42,0:02:04.23,Default,,0000,0000,0000,,在大腦表皮結構上\N取了許多稀奇古怪的名字，
Dialogue: 0,0:02:04.25,0:02:06.69,Default,,0000,0000,0000,,例如海馬體，意思是「小蝦子」。
Dialogue: 0,0:02:06.71,0:02:08.12,Default,,0000,0000,0000,,當然，這樣的命名方式
Dialogue: 0,0:02:08.12,0:02:12.63,Default,,0000,0000,0000,,並沒有讓我們對\N大腦的認識有太多的幫助。
Dialogue: 0,0:02:12.78,0:02:16.39,Default,,0000,0000,0000,,我認為，第一個有真正深入了解
Dialogue: 0,0:02:16.42,0:02:18.35,Default,,0000,0000,0000,,大腦如何運作的，
Dialogue: 0,0:02:18.37,0:02:22.29,Default,,0000,0000,0000,,是偉大的西班牙神經解剖學家\N桑地牙哥·拉蒙卡哈，
Dialogue: 0,0:02:22.32,0:02:23.86,Default,,0000,0000,0000,,他在十九世紀，
Dialogue: 0,0:02:23.88,0:02:27.64,Default,,0000,0000,0000,,就已經開始用顯微鏡和特殊染劑
Dialogue: 0,0:02:27.66,0:02:31.83,Default,,0000,0000,0000,,把大腦裡的特定細胞篩選出來染色，
Dialogue: 0,0:02:31.86,0:02:33.86,Default,,0000,0000,0000,,或以強烈的對比色來觀察細胞，
Dialogue: 0,0:02:33.89,0:02:37.44,Default,,0000,0000,0000,,這樣做，是為了瞭解\N它們的形態結構。
Dialogue: 0,0:02:37.97,0:02:40.86,Default,,0000,0000,0000,,這些是他在十九世紀時
Dialogue: 0,0:02:40.89,0:02:42.10,Default,,0000,0000,0000,,畫的神經細胞圖，
Dialogue: 0,0:02:42.12,0:02:44.00,Default,,0000,0000,0000,,這一張是鳥的大腦。
Dialogue: 0,0:02:44.03,0:02:47.08,Default,,0000,0000,0000,,但當時已經可以看到\N各式各樣不同的細胞圖片，
Dialogue: 0,0:02:47.11,0:02:50.54,Default,,0000,0000,0000,,即使細胞的原理\N在當時是個相當新穎的概念。
Dialogue: 0,0:02:50.57,0:02:51.85,Default,,0000,0000,0000,,這些結構，
Dialogue: 0,0:02:51.87,0:02:54.13,Default,,0000,0000,0000,,這些樹枝狀的細胞結構，
Dialogue: 0,0:02:54.15,0:02:56.76,Default,,0000,0000,0000,,可以延伸到相當相當長──
Dialogue: 0,0:02:56.78,0:02:58.63,Default,,0000,0000,0000,,在當時來講，\N這樣的發現算是相當神奇了。
Dialogue: 0,0:02:58.78,0:03:01.68,Default,,0000,0000,0000,,當然，它們也會讓人聯想到電線，
Dialogue: 0,0:03:01.71,0:03:05.16,Default,,0000,0000,0000,,這對 19 世紀的人來說，\N這樣的比喻可能比較恰當，
Dialogue: 0,0:03:05.19,0:03:09.50,Default,,0000,0000,0000,,因為當時電線和電力的變革\N正如火如荼的進行。
Dialogue: 0,0:03:09.96,0:03:11.14,Default,,0000,0000,0000,,但就很多方面來說，
Dialogue: 0,0:03:11.17,0:03:14.48,Default,,0000,0000,0000,,像拉蒙卡哈這樣的顯微鏡解剖圖
Dialogue: 0,0:03:14.50,0:03:16.84,Default,,0000,0000,0000,,現在看來還是很厲害。
Dialogue: 0,0:03:16.86,0:03:18.71,Default,,0000,0000,0000,,但我們卻在一個世紀後，
Dialogue: 0,0:03:18.74,0:03:21.56,Default,,0000,0000,0000,,才想試著去完成\N當年拉蒙卡哈的研究。
Dialogue: 0,0:03:21.59,0:03:24.72,Default,,0000,0000,0000,,這些原始資料，來自我們
Dialogue: 0,0:03:24.74,0:03:27.62,Default,,0000,0000,0000,,馬克斯·普朗克\N神經科學機構的合作夥伴。
Dialogue: 0,0:03:27.65,0:03:29.44,Default,,0000,0000,0000,,而我們的合作夥伴的工作就是
Dialogue: 0,0:03:29.46,0:03:34.46,Default,,0000,0000,0000,,把大腦組織切成\N一小片一小片的圖像。
Dialogue: 0,0:03:34.49,0:03:37.81,Default,,0000,0000,0000,,整個樣本的大小\N大約只有 1 立方毫米，
Dialogue: 0,0:03:37.84,0:03:40.46,Default,,0000,0000,0000,,我展示給各位看的只有小小的一片。
Dialogue: 0,0:03:40.48,0:03:42.83,Default,,0000,0000,0000,,你可以看到，\N左邊的長度標誌僅有一微米。
Dialogue: 0,0:03:42.85,0:03:45.26,Default,,0000,0000,0000,,各位現在看到的結構是粒線體，
Dialogue: 0,0:03:45.29,0:03:47.33,Default,,0000,0000,0000,,大小跟細菌一樣。
Dialogue: 0,0:03:47.35,0:03:48.90,Default,,0000,0000,0000,,這些連續切片圖，
Dialogue: 0,0:03:48.93,0:03:52.08,Default,,0000,0000,0000,,是由一塊很小的組織中\N一片片切出來的。
Dialogue: 0,0:03:52.10,0:03:54.50,Default,,0000,0000,0000,,舉個例子做比較，
Dialogue: 0,0:03:54.53,0:03:58.32,Default,,0000,0000,0000,,一根頭髮的直徑\N大約有 100 微米。
Dialogue: 0,0:03:58.34,0:03:59.54,Default,,0000,0000,0000,,我們在研究的
Dialogue: 0,0:03:59.54,0:04:02.04,Default,,0000,0000,0000,,是比一根頭髮還更細更小的東西。
Dialogue: 0,0:04:02.06,0:04:06.10,Default,,0000,0000,0000,,而這一系列的電子顯微鏡切片圖像，
Dialogue: 0,0:04:06.12,0:04:11.13,Default,,0000,0000,0000,,可以組成像這樣的\N神經元 3D 立體成像。
Dialogue: 0,0:04:11.15,0:04:14.31,Default,,0000,0000,0000,,這些和拉蒙卡哈\N當年的研究相去不遠。
Dialogue: 0,0:04:14.33,0:04:15.82,Default,,0000,0000,0000,,但只有幾個神經元可以打光，
Dialogue: 0,0:04:15.85,0:04:18.63,Default,,0000,0000,0000,,否則我們會看不到東西。
Dialogue: 0,0:04:18.65,0:04:19.96,Default,,0000,0000,0000,,因為空間太壅擠、
Dialogue: 0,0:04:19.99,0:04:21.32,Default,,0000,0000,0000,,結構太複雜了，
Dialogue: 0,0:04:21.34,0:04:24.07,Default,,0000,0000,0000,,神經元蜿蜒地一個接著一個。
Dialogue: 0,0:04:25.29,0:04:28.10,Default,,0000,0000,0000,,所以，拉蒙卡哈在當時\N也算是走在時代的尖端，
Dialogue: 0,0:04:28.12,0:04:30.68,Default,,0000,0000,0000,,但在那之後的幾十年，
Dialogue: 0,0:04:30.70,0:04:32.97,Default,,0000,0000,0000,,人類對大腦的認識卻相當緩慢。
Dialogue: 0,0:04:33.46,0:04:36.31,Default,,0000,0000,0000,,但我們已經知道\N神經元是利用電子傳遞訊號，
Dialogue: 0,0:04:36.33,0:04:39.27,Default,,0000,0000,0000,,到第二次世界大戰前，\N我們的科技已經進步到
Dialogue: 0,0:04:39.29,0:04:42.10,Default,,0000,0000,0000,,可以在活體神經元上做電子實驗，
Dialogue: 0,0:04:42.12,0:04:44.23,Default,,0000,0000,0000,,用來更好地理解它們是如何運作的。
Dialogue: 0,0:04:44.63,0:04:48.99,Default,,0000,0000,0000,,這也是電腦被發明出來的時間，
Dialogue: 0,0:04:49.01,0:04:52.11,Default,,0000,0000,0000,,當初有一個模擬人腦的基礎想法——
Dialogue: 0,0:04:52.14,0:04:55.22,Default,,0000,0000,0000,,是由艾倫·圖靈所提出，\N他稱之為「智能機械」，
Dialogue: 0,0:04:55.24,0:04:57.24,Default,,0000,0000,0000,,他是計算機科學之父之一。
Dialogue: 0,0:04:57.92,0:05:02.56,Default,,0000,0000,0000,,當時沃倫麥卡洛克和華特彼特斯\N（人工神經科學家）
Dialogue: 0,0:05:02.58,0:05:03.90,Default,,0000,0000,0000,,看到的視覺皮質圖，
Dialogue: 0,0:05:03.92,0:05:05.48,Default,,0000,0000,0000,,就是上面這張拉蒙卡哈的圖片。
Dialogue: 0,0:05:05.51,0:05:09.95,Default,,0000,0000,0000,,這個皮質層是負責把\N眼睛傳來的訊號轉換成圖像。
Dialogue: 0,0:05:10.42,0:05:13.93,Default,,0000,0000,0000,,他們當時發現，\N它看起來像是一張電路圖。
Dialogue: 0,0:05:14.35,0:05:17.36,Default,,0000,0000,0000,,雖然麥卡洛克和彼特斯
Dialogue: 0,0:05:17.36,0:05:19.56,Default,,0000,0000,0000,,在電路圖上有很多細節不太正確，
Dialogue: 0,0:05:19.59,0:05:20.82,Default,,0000,0000,0000,,但這樣的基礎概念，
Dialogue: 0,0:05:20.85,0:05:24.84,Default,,0000,0000,0000,,視覺皮層的工作原理
Dialogue: 0,0:05:24.86,0:05:27.61,Default,,0000,0000,0000,,像一系列的計算子\N在串聯的電路圖上傳遞著資訊，
Dialogue: 0,0:05:27.63,0:05:29.24,Default,,0000,0000,0000,,這樣的概念卻是相當正確的。
Dialogue: 0,0:05:29.26,0:05:31.61,Default,,0000,0000,0000,,我們稍微聊一下，
Dialogue: 0,0:05:31.63,0:05:35.66,Default,,0000,0000,0000,,產生視覺資訊的模型，\N需要做哪些事情。
Dialogue: 0,0:05:36.23,0:05:38.97,Default,,0000,0000,0000,,覺察力的基本任務就是
Dialogue: 0,0:05:38.99,0:05:42.76,Default,,0000,0000,0000,,比如說，看到這一張圖片，
Dialogue: 0,0:05:42.76,0:05:44.39,Default,,0000,0000,0000,,就要會判斷出，「這是一隻鳥」，
Dialogue: 0,0:05:44.41,0:05:47.28,Default,,0000,0000,0000,,這對我們大腦來說是很簡單的任務。
Dialogue: 0,0:05:47.31,0:05:50.73,Default,,0000,0000,0000,,但各位要知道，這對電腦來說
Dialogue: 0,0:05:50.75,0:05:53.84,Default,,0000,0000,0000,,在幾年前根本是不可能的事。
Dialogue: 0,0:05:53.86,0:05:55.78,Default,,0000,0000,0000,,傳統的計算模式
Dialogue: 0,0:05:55.80,0:05:58.31,Default,,0000,0000,0000,,根本不太容易跑出來這樣的任務。
Dialogue: 0,0:05:59.37,0:06:01.92,Default,,0000,0000,0000,,所以，像素、
Dialogue: 0,0:06:01.94,0:06:05.97,Default,,0000,0000,0000,,鳥圖與文字之間，
Dialogue: 0,0:06:05.99,0:06:08.36,Default,,0000,0000,0000,,一定要有一組彼此連結的神經元
Dialogue: 0,0:06:08.36,0:06:09.99,Default,,0000,0000,0000,,在神經網路內相互作用著，
Dialogue: 0,0:06:10.01,0:06:11.23,Default,,0000,0000,0000,,就像我這張示意圖。
Dialogue: 0,0:06:11.26,0:06:14.53,Default,,0000,0000,0000,,這張神經網路圖\N就像我們的視覺皮質運作原理。
Dialogue: 0,0:06:14.55,0:06:16.72,Default,,0000,0000,0000,,如今，我們已經有能力
Dialogue: 0,0:06:16.74,0:06:19.19,Default,,0000,0000,0000,,用電腦來模擬這樣的神經網路。
Dialogue: 0,0:06:19.83,0:06:22.19,Default,,0000,0000,0000,,接下來我向各位展示一下，\N實際的操作大概是怎樣。
Dialogue: 0,0:06:22.21,0:06:25.63,Default,,0000,0000,0000,,圖片的像素你可以把它想像成是\N第一層的神經元，
Dialogue: 0,0:06:25.65,0:06:27.89,Default,,0000,0000,0000,,實際上，就是眼睛裡面\N像素的呈現方式，
Dialogue: 0,0:06:27.91,0:06:29.58,Default,,0000,0000,0000,,像素是透過\N視網膜上的神經元做傳遞。
Dialogue: 0,0:06:29.60,0:06:31.10,Default,,0000,0000,0000,,而這些前饋資訊
Dialogue: 0,0:06:31.12,0:06:34.53,Default,,0000,0000,0000,,會一層一層地傳遞到下一層神經元，
Dialogue: 0,0:06:34.55,0:06:37.58,Default,,0000,0000,0000,,全部由不同的「突觸權重」所連結。
Dialogue: 0,0:06:37.61,0:06:38.94,Default,,0000,0000,0000,,神經網路的行為
Dialogue: 0,0:06:38.97,0:06:42.25,Default,,0000,0000,0000,,全都由這些突觸的強度所控制。
Dialogue: 0,0:06:42.28,0:06:45.56,Default,,0000,0000,0000,,它們決定了神經網路的計算模式。
Dialogue: 0,0:06:45.59,0:06:47.06,Default,,0000,0000,0000,,最後，
Dialogue: 0,0:06:47.08,0:06:49.53,Default,,0000,0000,0000,,會有一個或一小群的\N神經元發出訊號，
Dialogue: 0,0:06:49.55,0:06:51.65,Default,,0000,0000,0000,,辨識出該圖片就是，「鳥」。
Dialogue: 0,0:06:51.82,0:06:54.96,Default,,0000,0000,0000,,我現在要來解釋一下這三個元素——
Dialogue: 0,0:06:54.98,0:06:59.68,Default,,0000,0000,0000,,輸入的「像素」、\N神經網路裡的「突觸」、
Dialogue: 0,0:06:59.70,0:07:01.28,Default,,0000,0000,0000,,還有「鳥」這個輸出的字元——\N它們是如何運作的。
Dialogue: 0,0:07:01.31,0:07:04.37,Default,,0000,0000,0000,,它們是由三種變數所組成，\Nx、w 和 y。
Dialogue: 0,0:07:04.85,0:07:06.66,Default,,0000,0000,0000,,圖片中可能有一百多萬個 x ——
Dialogue: 0,0:07:06.69,0:07:08.64,Default,,0000,0000,0000,,100 多萬個像素。
Dialogue: 0,0:07:08.66,0:07:11.11,Default,,0000,0000,0000,,而 w 可能有數十億或好幾兆個，
Dialogue: 0,0:07:11.14,0:07:14.56,Default,,0000,0000,0000,,它們代表著神經網路中\N各個突觸的權重。
Dialogue: 0,0:07:14.58,0:07:16.46,Default,,0000,0000,0000,,而這個網路能輸出的 y
Dialogue: 0,0:07:16.48,0:07:18.34,Default,,0000,0000,0000,,只有少數幾個。
Dialogue: 0,0:07:18.36,0:07:20.11,Default,,0000,0000,0000,,「bird」只有四個字母，對吧?
Dialogue: 0,0:07:21.09,0:07:24.51,Default,,0000,0000,0000,,我們假設它的原理是\N一個簡單的公式，
Dialogue: 0,0:07:24.54,0:07:26.70,Default,,0000,0000,0000,,x 「乘以」 w = y
Dialogue: 0,0:07:26.72,0:07:28.76,Default,,0000,0000,0000,,我把乘法符號用引號標示起來
Dialogue: 0,0:07:28.78,0:07:31.06,Default,,0000,0000,0000,,因為它其實是一個
Dialogue: 0,0:07:31.09,0:07:34.14,Default,,0000,0000,0000,,非常複雜的數學運算概念。
Dialogue: 0,0:07:35.17,0:07:36.39,Default,,0000,0000,0000,,這個方程式
Dialogue: 0,0:07:36.42,0:07:38.09,Default,,0000,0000,0000,,有三個變數，
Dialogue: 0,0:07:38.11,0:07:40.84,Default,,0000,0000,0000,,我們都知道，如果你想要\N解開這個方程式，
Dialogue: 0,0:07:40.86,0:07:44.50,Default,,0000,0000,0000,,可以從兩個已知數\N交叉算出未知的數。
Dialogue: 0,0:07:45.16,0:07:48.54,Default,,0000,0000,0000,,所以要推斷出
Dialogue: 0,0:07:48.56,0:07:51.44,Default,,0000,0000,0000,,圖片中的影像是一隻鳥，
Dialogue: 0,0:07:51.46,0:07:52.73,Default,,0000,0000,0000,,可以用這種方式得知：
Dialogue: 0,0:07:52.76,0:07:56.22,Default,,0000,0000,0000,,y 是未知數，而 w 和 x 是已知數。
Dialogue: 0,0:07:56.24,0:07:58.70,Default,,0000,0000,0000,,已知神經網路和圖片像素，
Dialogue: 0,0:07:58.72,0:08:02.05,Default,,0000,0000,0000,,其實可以很直接的就得到答案，
Dialogue: 0,0:08:02.07,0:08:04.26,Default,,0000,0000,0000,,2x3=6，就做完了。
Dialogue: 0,0:08:04.86,0:08:06.98,Default,,0000,0000,0000,,我向各位展示一個
Dialogue: 0,0:08:07.01,0:08:09.30,Default,,0000,0000,0000,,我們最近做的人工神經網路，
Dialogue: 0,0:08:09.63,0:08:12.49,Default,,0000,0000,0000,,它可以在手機上做及時的操作，
Dialogue: 0,0:08:12.52,0:08:15.83,Default,,0000,0000,0000,,當然，手機的運算能力相當驚人，
Dialogue: 0,0:08:15.86,0:08:17.65,Default,,0000,0000,0000,,手機每秒
Dialogue: 0,0:08:17.65,0:08:20.60,Default,,0000,0000,0000,,可以做出數十億至上兆次的運算。
Dialogue: 0,0:08:20.62,0:08:22.51,Default,,0000,0000,0000,,你現在看到的是一隻手機
Dialogue: 0,0:08:22.51,0:08:25.80,Default,,0000,0000,0000,,正對著一張張的鳥圖拍照，
Dialogue: 0,0:08:25.83,0:08:28.54,Default,,0000,0000,0000,,手機不但可以正確的說出，\N「是的，這是一隻鳥。」
Dialogue: 0,0:08:28.57,0:08:31.98,Default,,0000,0000,0000,,還能透過神經網路分類\N分辨出這是哪一種鳥。
Dialogue: 0,0:08:32.89,0:08:34.72,Default,,0000,0000,0000,,所以，在這些圖片上，
Dialogue: 0,0:08:34.74,0:08:38.54,Default,,0000,0000,0000,,x 和 w 是已知，而 y 是未知。
Dialogue: 0,0:08:38.57,0:08:41.07,Default,,0000,0000,0000,,我現在來解釋一下這個\N最困難的 「w」，
Dialogue: 0,0:08:41.10,0:08:44.96,Default,,0000,0000,0000,,我們到底是如何算出來的？
Dialogue: 0,0:08:44.98,0:08:47.17,Default,,0000,0000,0000,,為什麼大腦可以做出這樣的判斷？
Dialogue: 0,0:08:47.19,0:08:49.24,Default,,0000,0000,0000,,我們到底是如何學到\N這樣的認知模式的？
Dialogue: 0,0:08:49.42,0:08:52.65,Default,,0000,0000,0000,,這個學習的過程，\N是一個求解 w 的過程，
Dialogue: 0,0:08:52.68,0:08:55.32,Default,,0000,0000,0000,,如果我們要解這個一次方程式，
Dialogue: 0,0:08:55.35,0:08:57.35,Default,,0000,0000,0000,,當它們都是數字時，
Dialogue: 0,0:08:57.37,0:09:00.06,Default,,0000,0000,0000,,我們都知道如何解 6=2 x w，
Dialogue: 0,0:09:00.08,0:09:03.39,Default,,0000,0000,0000,,我們只要把 6 除以 2 \N就可以得到答案。
Dialogue: 0,0:09:04.00,0:09:06.22,Default,,0000,0000,0000,,問題在於這個運算符號，
Dialogue: 0,0:09:06.82,0:09:07.97,Default,,0000,0000,0000,,除法這個符號——
Dialogue: 0,0:09:07.100,0:09:11.12,Default,,0000,0000,0000,,我們會用除法的方式求解，\N是因為它跟乘法相反，
Dialogue: 0,0:09:11.14,0:09:12.58,Default,,0000,0000,0000,,但就如同我剛剛提到的，
Dialogue: 0,0:09:12.61,0:09:15.06,Default,,0000,0000,0000,,乘法在這裡有點像是個幌子。
Dialogue: 0,0:09:15.08,0:09:18.41,Default,,0000,0000,0000,,這是非常非常複雜的概念，\N它們是「非線性運算」的概念；
Dialogue: 0,0:09:18.43,0:09:20.13,Default,,0000,0000,0000,,無法直接用除的求解。
Dialogue: 0,0:09:20.16,0:09:23.31,Default,,0000,0000,0000,,所以，我們要另外\N找個方法來解方程式，
Dialogue: 0,0:09:23.33,0:09:25.36,Default,,0000,0000,0000,,而不能直接用除的。
Dialogue: 0,0:09:25.38,0:09:27.72,Default,,0000,0000,0000,,方法相當簡單，
Dialogue: 0,0:09:27.75,0:09:30.42,Default,,0000,0000,0000,,可以說，我們只用了點\N代數的小技巧，
Dialogue: 0,0:09:30.44,0:09:33.35,Default,,0000,0000,0000,,將 6 移動到等號的右邊。
Dialogue: 0,0:09:33.37,0:09:35.20,Default,,0000,0000,0000,,如此我們就可以繼續用乘法來運算。
Dialogue: 0,0:09:35.68,0:09:39.26,Default,,0000,0000,0000,,而等號左邊的零——\N我們把它想像成是誤差。
Dialogue: 0,0:09:39.28,0:09:41.79,Default,,0000,0000,0000,,換言之，如果要解出 w，
Dialogue: 0,0:09:41.82,0:09:43.47,Default,,0000,0000,0000,,誤差就要變成 0。
Dialogue: 0,0:09:43.50,0:09:45.44,Default,,0000,0000,0000,,如果我們沒找到答案
Dialogue: 0,0:09:45.46,0:09:47.21,Default,,0000,0000,0000,,誤差會永遠大於 0。
Dialogue: 0,0:09:47.23,0:09:50.60,Default,,0000,0000,0000,,所以，我們現在\N只能用猜的來縮小誤差，
Dialogue: 0,0:09:50.62,0:09:53.31,Default,,0000,0000,0000,,而這就是電腦非常擅長的地方。
Dialogue: 0,0:09:53.33,0:09:54.93,Default,,0000,0000,0000,,所以，你會從頭開始猜：
Dialogue: 0,0:09:54.95,0:09:56.11,Default,,0000,0000,0000,,假設 w=0
Dialogue: 0,0:09:56.13,0:09:57.37,Default,,0000,0000,0000,,那誤差會等於6
Dialogue: 0,0:09:57.40,0:09:58.84,Default,,0000,0000,0000,,但假如 w=1 呢？誤差等於 4。
Dialogue: 0,0:09:58.86,0:10:01.23,Default,,0000,0000,0000,,接下來電腦有點像是在玩\N馬可波羅探索遊戲，
Dialogue: 0,0:10:01.26,0:10:03.62,Default,,0000,0000,0000,,探索到誤差接近零為止。
Dialogue: 0,0:10:03.65,0:10:07.02,Default,,0000,0000,0000,,當它一直探索到零，\N那麼 w 就解出來了。
Dialogue: 0,0:10:07.04,0:10:10.70,Default,,0000,0000,0000,,原則上，它會不停探索直到接近零，\N但大約經過多次步驟後，
Dialogue: 0,0:10:10.72,0:10:15.35,Default,,0000,0000,0000,,我們就能得出 w=2.999，\N相當接近了。
Dialogue: 0,0:10:16.30,0:10:18.12,Default,,0000,0000,0000,,這就是電腦學習的過程。
Dialogue: 0,0:10:18.14,0:10:20.87,Default,,0000,0000,0000,,回想一下剛剛發生了什麼事情，
Dialogue: 0,0:10:20.89,0:10:25.27,Default,,0000,0000,0000,,我們有很多已知的 x 和 y，
Dialogue: 0,0:10:25.30,0:10:28.75,Default,,0000,0000,0000,,透過重複迭代的過程解出了 w。
Dialogue: 0,0:10:28.77,0:10:32.33,Default,,0000,0000,0000,,而這就是我們人類學習的過程，
Dialogue: 0,0:10:32.35,0:10:34.58,Default,,0000,0000,0000,,我們從小看了很多圖片
Dialogue: 0,0:10:34.61,0:10:37.24,Default,,0000,0000,0000,,被告知「這是鳥」，「這不是鳥」；
Dialogue: 0,0:10:37.71,0:10:39.81,Default,,0000,0000,0000,,經過了一段時間，不停地重複，
Dialogue: 0,0:10:39.84,0:10:43.29,Default,,0000,0000,0000,,我們解出了 w，\N產生了神經元的連結關係。
Dialogue: 0,0:10:43.46,0:10:47.55,Default,,0000,0000,0000,,所以現在，我們的 x 和 w \N是固定數，可以解出 y；
Dialogue: 0,0:10:47.57,0:10:49.42,Default,,0000,0000,0000,,這就是我們人類每天\N經常性的快速直覺判斷。
Dialogue: 0,0:10:49.44,0:10:51.20,Default,,0000,0000,0000,,我們搞懂了如何解出 w，
Dialogue: 0,0:10:51.23,0:10:53.13,Default,,0000,0000,0000,,而學習本身是一條相當艱辛的路程，
Dialogue: 0,0:10:53.16,0:10:55.14,Default,,0000,0000,0000,,因為為了讓誤差最小化，
Dialogue: 0,0:10:55.16,0:10:56.85,Default,,0000,0000,0000,,我們必須使用很多的訓練樣本。
Dialogue: 0,0:10:56.88,0:11:00.06,Default,,0000,0000,0000,,約一年前，我們團隊的\N艾力克斯摩文斯夫
Dialogue: 0,0:11:00.09,0:11:02.36,Default,,0000,0000,0000,,決定做個實驗，
Dialogue: 0,0:11:02.36,0:11:05.70,Default,,0000,0000,0000,,看看如果我們試著給出了 w 和 y，\N解出來的 x 會變什麼樣。
Dialogue: 0,0:11:06.12,0:11:07.28,Default,,0000,0000,0000,,換句話說，
Dialogue: 0,0:11:07.30,0:11:08.65,Default,,0000,0000,0000,,電腦知道它是一隻鳥，
Dialogue: 0,0:11:08.68,0:11:11.98,Default,,0000,0000,0000,,電腦有你給它訓練出來\N辨識鳥圖片的神經網路，
Dialogue: 0,0:11:12.00,0:11:14.35,Default,,0000,0000,0000,,但對電腦而言，鳥是怎樣的圖像？
Dialogue: 0,0:11:15.03,0:11:20.06,Default,,0000,0000,0000,,原來，使用一模一樣的\N「誤差最小化」程序
Dialogue: 0,0:11:20.08,0:11:23.51,Default,,0000,0000,0000,,以及訓練出來\N用來辨識鳥的神經網路，
Dialogue: 0,0:11:23.54,0:11:26.92,Default,,0000,0000,0000,,你就能辨識出……
Dialogue: 0,0:11:30.40,0:11:32.48,Default,,0000,0000,0000,,這是一張鳥圖，
Dialogue: 0,0:11:32.81,0:11:35.76,Default,,0000,0000,0000,,所以，這是一張完全由
Dialogue: 0,0:11:35.76,0:11:38.40,Default,,0000,0000,0000,,訓練辨認鳥的神經網路\N自行創造出來的鳥圖，
Dialogue: 0,0:11:38.42,0:11:41.48,Default,,0000,0000,0000,,只要透過不斷地重複解出 x，
Dialogue: 0,0:11:41.48,0:11:43.58,Default,,0000,0000,0000,,而不是解 y 就可以了。
Dialogue: 0,0:11:43.73,0:11:45.58,Default,,0000,0000,0000,,這裡有另一個有趣的範例。
Dialogue: 0,0:11:45.60,0:11:49.04,Default,,0000,0000,0000,,我們團隊裡的\N另外一位組員麥克泰卡，
Dialogue: 0,0:11:49.06,0:11:51.37,Default,,0000,0000,0000,,他稱這些畫為《動物大遊行》。
Dialogue: 0,0:11:51.40,0:11:54.27,Default,,0000,0000,0000,,這讓我有點回想起了\N威廉肯特基的作品，
Dialogue: 0,0:11:54.30,0:11:56.78,Default,,0000,0000,0000,,他畫好素描後，擦掉它，
Dialogue: 0,0:11:56.81,0:11:58.27,Default,,0000,0000,0000,,然後反覆地畫、反覆地擦
Dialogue: 0,0:11:58.29,0:11:59.69,Default,,0000,0000,0000,,透過這樣的方式，\N創造出了一部影片。
Dialogue: 0,0:11:59.72,0:12:00.87,Default,,0000,0000,0000,,在這個展示裡，
Dialogue: 0,0:12:00.89,0:12:04.17,Default,,0000,0000,0000,,麥可做的就是把不同動物的 y ，
Dialogue: 0,0:12:04.19,0:12:06.57,Default,,0000,0000,0000,,透過設計好的神經網路，
Dialogue: 0,0:12:06.60,0:12:08.41,Default,,0000,0000,0000,,彼此辨認並分別出不一樣的動物。
Dialogue: 0,0:12:08.43,0:12:12.18,Default,,0000,0000,0000,,如此，你就能得到一張像艾雪一樣的\N不同動物的變體圖像。
Dialogue: 0,0:12:14.22,0:12:18.84,Default,,0000,0000,0000,,這一張是他和艾力克斯一起完成的，
Dialogue: 0,0:12:18.86,0:12:21.62,Default,,0000,0000,0000,,他們試著減少 y 的數量，\N將這些圖案丟到一個 2D 平面上，
Dialogue: 0,0:12:21.64,0:12:25.08,Default,,0000,0000,0000,,透過這個網路的辨識，
Dialogue: 0,0:12:25.10,0:12:26.82,Default,,0000,0000,0000,,創造出了這一張有各種動物的地圖。
Dialogue: 0,0:12:26.85,0:12:28.87,Default,,0000,0000,0000,,要做出這樣的綜合體，
Dialogue: 0,0:12:28.89,0:12:31.28,Default,,0000,0000,0000,,或透過整張圖面產出圖像，
Dialogue: 0,0:12:31.30,0:12:34.15,Default,,0000,0000,0000,,你只要在圖面上給出各式各樣的 y ，\N你就能做出一張地圖來——
Dialogue: 0,0:12:34.17,0:12:37.31,Default,,0000,0000,0000,,一張由神經網路辨識出的視覺地圖。
Dialogue: 0,0:12:37.34,0:12:40.20,Default,,0000,0000,0000,,所有動物都會在這上面，\N犰狳就在圖上這個點。
Dialogue: 0,0:12:40.92,0:12:43.40,Default,,0000,0000,0000,,你也可以透過不同的神經網路，\N做出類似這樣的作品，
Dialogue: 0,0:12:43.42,0:12:46.30,Default,,0000,0000,0000,,這一張由辨識臉的神經網路
Dialogue: 0,0:12:46.32,0:12:48.32,Default,,0000,0000,0000,,所做出來的作品，
Dialogue: 0,0:12:48.34,0:12:51.59,Default,,0000,0000,0000,,這一張是用「我」當作 y ，\N所做出來的圖畫，
Dialogue: 0,0:12:51.62,0:12:53.19,Default,,0000,0000,0000,,用我的臉當參數。
Dialogue: 0,0:12:53.22,0:12:54.92,Default,,0000,0000,0000,,當電腦解出 x 後，
Dialogue: 0,0:12:54.95,0:12:57.56,Default,,0000,0000,0000,,它就畫出了這一張相當瘋狂、
Dialogue: 0,0:12:57.59,0:13:02.02,Default,,0000,0000,0000,,有點像立體派藝術、\N超現實、迷幻效果的我，
Dialogue: 0,0:13:02.04,0:13:03.85,Default,,0000,0000,0000,,同一張圖卻有不同的視角。
Dialogue: 0,0:13:03.87,0:13:06.60,Default,,0000,0000,0000,,而會有這種「同一張圖\N不同視角」的感覺，
Dialogue: 0,0:13:06.63,0:13:10.32,Default,,0000,0000,0000,,是因為這個神經網路的設計，
Dialogue: 0,0:13:10.34,0:13:13.28,Default,,0000,0000,0000,,可以將不同姿勢臉之間的\N模糊地帶移除掉，
Dialogue: 0,0:13:13.28,0:13:16.22,Default,,0000,0000,0000,,透過觀察不同的光源就可以做到。
Dialogue: 0,0:13:16.24,0:13:18.32,Default,,0000,0000,0000,,所以，當你重新製作圖像時，
Dialogue: 0,0:13:18.35,0:13:20.65,Default,,0000,0000,0000,,如果你沒有使用指導圖，
Dialogue: 0,0:13:20.68,0:13:21.89,Default,,0000,0000,0000,,或特定的統計資料，
Dialogue: 0,0:13:21.91,0:13:25.68,Default,,0000,0000,0000,,那你就能得到來自\N不同角度的混合體圖像，
Dialogue: 0,0:13:25.70,0:13:27.55,Default,,0000,0000,0000,,因為它是模糊的。
Dialogue: 0,0:13:27.79,0:13:32.01,Default,,0000,0000,0000,,所以如果艾力克斯\N用他自己的臉當作指導圖
Dialogue: 0,0:13:32.03,0:13:35.35,Default,,0000,0000,0000,,在優化過程中重新建造我的臉，\N就會產生這樣的圖像。
Dialogue: 0,0:13:36.28,0:13:38.61,Default,,0000,0000,0000,,各位可以看到，\N這作品還不是很完美，
Dialogue: 0,0:13:38.64,0:13:40.51,Default,,0000,0000,0000,,在圖像優化的過程方面，
Dialogue: 0,0:13:40.53,0:13:42.99,Default,,0000,0000,0000,,還有很多工作要做。
Dialogue: 0,0:13:43.01,0:13:45.84,Default,,0000,0000,0000,,但如果用我的臉當指導圖，
Dialogue: 0,0:13:45.86,0:13:48.74,Default,,0000,0000,0000,,就能漸漸地顯現出比較\N條理分明的臉。
Dialogue: 0,0:13:48.89,0:13:51.39,Default,,0000,0000,0000,,你不需要從一張空白的畫布
Dialogue: 0,0:13:51.42,0:13:52.57,Default,,0000,0000,0000,,或用白雜訊畫起。
Dialogue: 0,0:13:52.60,0:13:53.90,Default,,0000,0000,0000,,當你解出 x 後，
Dialogue: 0,0:13:53.92,0:13:57.81,Default,,0000,0000,0000,,你就可以從 x 開始畫起，\N因為它本身就有一些圖像。
Dialogue: 0,0:13:57.84,0:14:00.39,Default,,0000,0000,0000,,這個小小的展示\N說明了它的運作原理。
Dialogue: 0,0:14:00.42,0:14:04.54,Default,,0000,0000,0000,,這個網路是設計用來\N分辨各種不同的物體，
Dialogue: 0,0:14:04.56,0:14:07.68,Default,,0000,0000,0000,,像是人造結構、動物……等。
Dialogue: 0,0:14:07.71,0:14:10.30,Default,,0000,0000,0000,,這一張畫我們是從\N雲朵的圖像開始畫起的，
Dialogue: 0,0:14:10.32,0:14:11.100,Default,,0000,0000,0000,,當我們把它優化後，
Dialogue: 0,0:14:12.02,0:14:16.50,Default,,0000,0000,0000,,基本上，這個神經網路\N正在搞懂它在雲朵中看見了什麼。
Dialogue: 0,0:14:16.93,0:14:19.25,Default,,0000,0000,0000,,當你看得越久，
Dialogue: 0,0:14:19.28,0:14:22.03,Default,,0000,0000,0000,,你就能在雲層中看得越多。
Dialogue: 0,0:14:23.00,0:14:26.38,Default,,0000,0000,0000,,你也可以運用人臉網路\N讓它產生幻覺，
Dialogue: 0,0:14:26.40,0:14:28.22,Default,,0000,0000,0000,,然後就會跑出相當瘋狂的畫作。
Dialogue: 0,0:14:28.24,0:14:29.39,Default,,0000,0000,0000,,（笑聲）
Dialogue: 0,0:14:30.40,0:14:33.14,Default,,0000,0000,0000,,或者，麥可已經有作出\N一些其它的實驗，
Dialogue: 0,0:14:33.17,0:14:37.07,Default,,0000,0000,0000,,他用那張雲朵的圖像，
Dialogue: 0,0:14:37.10,0:14:40.60,Default,,0000,0000,0000,,使電腦產生幻覺、然後放大、\N產生幻覺、再放大。
Dialogue: 0,0:14:40.63,0:14:41.78,Default,,0000,0000,0000,,用這樣的方式，
Dialogue: 0,0:14:41.80,0:14:45.48,Default,,0000,0000,0000,,我在想，你就能得到一種\N像是在神遊狀態的網路，
Dialogue: 0,0:14:45.50,0:14:49.18,Default,,0000,0000,0000,,或者像是一種無拘束的聯想，
Dialogue: 0,0:14:49.21,0:14:51.43,Default,,0000,0000,0000,,彷彿神經網路正在吃著自己的尾巴。
Dialogue: 0,0:14:51.46,0:14:54.88,Default,,0000,0000,0000,,所以每一張圖像基本上像是正在想：
Dialogue: 0,0:14:54.90,0:14:56.32,Default,,0000,0000,0000,,「我接下來會看到什麼？
Dialogue: 0,0:14:56.35,0:14:59.15,Default,,0000,0000,0000,,接下來會看到什麼？\N接下來會看到什麼？」
Dialogue: 0,0:14:59.49,0:15:02.42,Default,,0000,0000,0000,,我第一次在一個\N公眾場合上展示這個影片，
Dialogue: 0,0:15:02.45,0:15:07.88,Default,,0000,0000,0000,,是在西雅圖的「高等教育」\N機構做演說時展示的，
Dialogue: 0,0:15:07.91,0:15:10.34,Default,,0000,0000,0000,,當時剛好是大麻剛合法化的時候。
Dialogue: 0,0:15:10.37,0:15:12.78,Default,,0000,0000,0000,,（笑聲）
Dialogue: 0,0:15:14.63,0:15:16.73,Default,,0000,0000,0000,,所以，我快速總結一下，
Dialogue: 0,0:15:16.76,0:15:21.01,Default,,0000,0000,0000,,這項技術並不會受到約束。
Dialogue: 0,0:15:21.03,0:15:24.70,Default,,0000,0000,0000,,我剛剛展示的是純粹的視覺範例，\N因為觀察它的變化，真的很好玩。
Dialogue: 0,0:15:24.72,0:15:27.17,Default,,0000,0000,0000,,它不單只有視覺科技。
Dialogue: 0,0:15:27.20,0:15:29.19,Default,,0000,0000,0000,,我們的藝術合作者，羅斯谷穎\N已經做了一些實驗，
Dialogue: 0,0:15:29.22,0:15:32.89,Default,,0000,0000,0000,,他用相機拍了一張照片，
Dialogue: 0,0:15:32.91,0:15:37.14,Default,,0000,0000,0000,,然後他背包裡的電腦\N會根據圖片上的內容，
Dialogue: 0,0:15:37.17,0:15:39.11,Default,,0000,0000,0000,,透過神經網路，創作出一首詩。
Dialogue: 0,0:15:39.14,0:15:42.08,Default,,0000,0000,0000,,這個會作詩的神經網路
Dialogue: 0,0:15:42.11,0:15:44.34,Default,,0000,0000,0000,,是透過大量 20 世紀的詩集\N所訓練出來的，
Dialogue: 0,0:15:44.36,0:15:45.86,Default,,0000,0000,0000,,而做出來的詩，
Dialogue: 0,0:15:45.89,0:15:47.80,Default,,0000,0000,0000,,實際上，我覺得還得不錯。
Dialogue: 0,0:15:47.83,0:15:49.21,Default,,0000,0000,0000,,（笑聲）
Dialogue: 0,0:15:49.23,0:15:50.39,Default,,0000,0000,0000,,整體而言，
Dialogue: 0,0:15:50.42,0:15:52.55,Default,,0000,0000,0000,,我在想，米開朗基羅，
Dialogue: 0,0:15:52.57,0:15:53.81,Default,,0000,0000,0000,,他是對的；
Dialogue: 0,0:15:53.83,0:15:57.27,Default,,0000,0000,0000,,感知和創意的關係是相當緊密的。
Dialogue: 0,0:15:57.61,0:16:00.24,Default,,0000,0000,0000,,我們剛剛看的神經網路，
Dialogue: 0,0:16:00.27,0:16:02.57,Default,,0000,0000,0000,,它們是被訓練出來分辯
Dialogue: 0,0:16:02.60,0:16:04.84,Default,,0000,0000,0000,,或辨認世界上不同的東西，
Dialogue: 0,0:16:04.86,0:16:08.02,Default,,0000,0000,0000,,也可以反過來，自行創作出東西來。
Dialogue: 0,0:16:08.05,0:16:09.83,Default,,0000,0000,0000,,而我從中所得到的
Dialogue: 0,0:16:09.85,0:16:12.25,Default,,0000,0000,0000,,不僅有米開朗基羅的啟發：
Dialogue: 0,0:16:12.28,0:16:14.73,Default,,0000,0000,0000,,「看見石頭裡的雕像」，
Dialogue: 0,0:16:14.75,0:16:18.39,Default,,0000,0000,0000,,還有任何能做出感知活動的\N生物、生命、外來物種
Dialogue: 0,0:16:18.41,0:16:22.07,Default,,0000,0000,0000,,都能透過這樣的方式
Dialogue: 0,0:16:22.10,0:16:23.47,Default,,0000,0000,0000,,被呈現並創造出來，
Dialogue: 0,0:16:23.49,0:16:26.72,Default,,0000,0000,0000,,因為這兩者與剛才舉的例子\N都有著相同的機制。
Dialogue: 0,0:16:26.74,0:16:30.67,Default,,0000,0000,0000,,我也認為，感知及創意
Dialogue: 0,0:16:30.67,0:16:32.51,Default,,0000,0000,0000,,不是只有我們人類獨有。
Dialogue: 0,0:16:32.53,0:16:36.24,Default,,0000,0000,0000,,我們已經有電腦模式\N可以做出相當類似的事。
Dialogue: 0,0:16:36.26,0:16:39.59,Default,,0000,0000,0000,,所以不需要感到驚訝；\N因為大腦是會運算的。
Dialogue: 0,0:16:39.62,0:16:41.27,Default,,0000,0000,0000,,最後，我要說的是，
Dialogue: 0,0:16:41.30,0:16:45.96,Default,,0000,0000,0000,,設計智能機器已經開始成為\N電腦界的活動。
Dialogue: 0,0:16:45.99,0:16:48.45,Default,,0000,0000,0000,,在如何讓機器更智能的領域方面，
Dialogue: 0,0:16:48.48,0:16:51.49,Default,,0000,0000,0000,,已經有很多的模式產生。
Dialogue: 0,0:16:51.51,0:16:53.67,Default,,0000,0000,0000,,我們終於開始
Dialogue: 0,0:16:53.70,0:16:56.10,Default,,0000,0000,0000,,完成一些早期前輩們
Dialogue: 0,0:16:56.13,0:16:57.84,Default,,0000,0000,0000,,像是圖靈、馮諾伊曼、
Dialogue: 0,0:16:57.86,0:17:00.13,Default,,0000,0000,0000,,馬庫洛奇和皮斯的期望。
Dialogue: 0,0:17:00.15,0:17:04.25,Default,,0000,0000,0000,,而我也認為電腦不是只有拿來計算
Dialogue: 0,0:17:04.28,0:17:06.42,Default,,0000,0000,0000,,或玩玩 Candy Crush 而已，
Dialogue: 0,0:17:06.45,0:17:09.02,Default,,0000,0000,0000,,回到初衷，我們想要的\N是讓電腦能仿效人腦。
Dialogue: 0,0:17:09.05,0:17:11.84,Default,,0000,0000,0000,,它不僅讓我們更了解了人類的心智，
Dialogue: 0,0:17:11.84,0:17:14.58,Default,,0000,0000,0000,,並讓我們獲得延伸發展心智的能力。
Dialogue: 0,0:17:14.63,0:17:15.79,Default,,0000,0000,0000,,非常感謝大家。
Dialogue: 0,0:17:15.82,0:17:21.76,Default,,0000,0000,0000,,（掌聲）