0:00:17.816,0:00:21.325
Nosso mundo está mudando[br]de várias formas

0:00:21.325,0:00:25.975
e uma das coisas que terá enorme[br]impacto em nosso futuro

0:00:25.975,0:00:29.363
é a inteligência artificial, IA,

0:00:29.363,0:00:32.763
que trará outra revolução industrial.

0:00:33.627,0:00:39.504
As revoluções industriais anteriores[br]expandiram o poder mecânico dos humanos.

0:00:40.014,0:00:45.002
Essa nova revolução,[br]essa segunda era das máquinas,

0:00:45.572,0:00:49.862
expandirá nossas habilidades cognitivas,

0:00:50.122,0:00:52.102
nosso poder mental.

0:00:52.782,0:00:57.177
Os computadores não irão substituir[br]apenas o trabalho manual,

0:00:57.597,0:00:59.897
mas também o trabalho mental.

0:01:00.500,0:01:03.450
Então, em que ponto estamos atualmente?

0:01:04.034,0:01:07.724
Vocês podem ter ouvido[br]sobre o que aconteceu em março de 2016,

0:01:07.724,0:01:12.186
quando um sistema de aprendizado[br]de máquina chamado AlphaGo

0:01:12.186,0:01:17.708
utilizou a aprendizagem profunda para[br]derrotar o campeão mundial do jogo Go.

0:01:18.279,0:01:20.679
O Go é um jogo chinês antigo

0:01:20.679,0:01:24.159
que apresentava maior dificuldade[br]para os computadores dominarem

0:01:24.159,0:01:25.982
do que o jogo de xadrez.

0:01:26.893,0:01:32.086
Como conseguimos isso agora,[br]após décadas de pesquisas de IA?

0:01:33.068,0:01:36.698
O AlphaGo foi treinado para jogar Go.

0:01:37.678,0:01:41.300
Primeiramente, assistindo várias vezes

0:01:41.814,0:01:46.894
a dezenas de milhões de jogadas feitas[br]por jogadores humanos muito fortes.

0:01:47.746,0:01:52.496
Depois, jogando milhões de partidas[br]contra si mesmo.

0:01:54.222,0:01:59.941
O aprendizado de máquina permite[br]que computadores aprendam pelo exemplo,

0:02:00.465,0:02:02.575
que aprendam pelos dados.

0:02:03.885,0:02:07.235
O aprendizado de máquina[br]acabou se tornando uma chave

0:02:07.235,0:02:11.635
para preencher os computadores[br]de conhecimento.

0:02:12.174,0:02:14.066
E isso é importante

0:02:14.066,0:02:18.836
porque o conhecimento[br]é o que possibilita a inteligência.

0:02:20.438,0:02:26.768
Pôr conhecimento em computadores era um[br]desafio para abordagens anteriores de IA.

0:02:27.515,0:02:28.745
Por quê?

0:02:29.059,0:02:33.859
Há muitas coisas[br]que sabemos intuitivamente,

0:02:34.601,0:02:38.081
então não conseguimos[br]comunicá-las verbalmente.

0:02:38.619,0:02:42.780
Não temos acesso consciente[br]àquele conhecimento intuitivo.

0:02:43.270,0:02:46.690
Como podemos programar[br]computadores sem conhecimento?

0:02:47.664,0:02:49.114
Qual é a solução?

0:02:49.314,0:02:55.083
A solução é que as máquinas aprendam[br]esse conhecimento sozinhas,

0:02:55.093,0:02:56.443
assim como nós fazemos.

0:02:56.443,0:03:02.764
E isso é importante porque conhecimento[br]é o que possibilita a inteligência.

0:03:03.194,0:03:06.974
Minha missão tem sido[br]contribuir para descobrir

0:03:06.974,0:03:12.676
e entender os princípios da inteligência[br]por meio do aprendizado,

0:03:13.166,0:03:18.116
seja ele animal, humano ou de máquina.

0:03:19.450,0:03:25.066
Eu e outros acreditamos[br]que há alguns princípios-chave,

0:03:25.476,0:03:27.606
como as leis da física,

0:03:27.885,0:03:32.745
princípios simples que poderiam explicar[br]a nossa própria inteligência

0:03:32.745,0:03:36.461
e nos ajudar a construir[br]máquinas inteligentes.

0:03:37.885,0:03:41.595
Por exemplo, pensem[br]nas leis da aerodinâmica,

0:03:41.595,0:03:47.826
que são gerais o bastante para explicarem[br]o voo dos pássaros e o dos aviões.

0:03:49.146,0:03:55.221
Não seria maravilhoso descobrir[br]princípios igualmente simples e poderosos

0:03:55.551,0:03:59.186
que explicariam a própria inteligência?

0:04:00.626,0:04:03.374
Bem, fizemos algum progresso.

0:04:04.384,0:04:10.857
Meus colaboradores e eu trabalhamos[br]nos últimos anos em uma revolução da IA

0:04:11.777,0:04:16.397
com nossa pesquisa sobre as redes neurais[br]e a aprendizagem profunda,

0:04:16.397,0:04:20.946
uma abordagem do aprendizado de máquina[br]inspirada pelo cérebro.

0:04:22.041,0:04:24.843
Começou com o reconhecimento de fala

0:04:25.243,0:04:29.963
em seus celulares,[br]com redes neurais, desde 2012.

0:04:30.977,0:04:35.647
Pouco tempo depois, veio um avanço[br]na visão computacional.

0:04:36.680,0:04:42.907
Os computadores agora fazem bom trabalho[br]no reconhecimento do conteúdo de imagens.

0:04:43.674,0:04:48.031
Eles se aproximaram do desempenho [br]humano em alguns indicadores

0:04:48.031,0:04:50.071
nos últimos cinco anos.

0:04:50.711,0:04:54.481
Um computador agora pode[br]ter um entendimento intuitivo

0:04:54.481,0:04:58.191
da aparência visual de um tabuleiro de Go

0:04:58.191,0:05:01.763
comparável ao dos melhores[br]jogadores humanos.

0:05:02.053,0:05:03.454
Mais recentemente,

0:05:03.454,0:05:06.314
após algumas descobertas[br]feitas em meu laboratório,

0:05:06.584,0:05:11.408
a aprendizagem profunda foi usada[br]para traduzir de uma língua para outra

0:05:11.414,0:05:14.441
e vocês começarão a ver isso[br]no Google Tradutor.

0:05:15.191,0:05:18.192
Isso está expandindo[br]a habilidade computacional

0:05:18.192,0:05:22.242
para entender e gerar linguagem natural.

0:05:23.550,0:05:25.517
Mas não se enganem:

0:05:25.517,0:05:30.048
ainda estamos muito longe de uma máquina

0:05:30.048,0:05:34.033
que seja tão capaz quanto os humanos

0:05:34.033,0:05:37.593
de aprender a dominar[br]vários aspectos de nosso mundo.

0:05:38.541,0:05:41.237
Então, vejamos um exemplo.

0:05:41.637,0:05:46.787
Até mesmo uma criança de dois anos[br]é capaz de aprender coisas

0:05:46.787,0:05:50.467
de uma forma que os computadores[br]não conseguem atualmente.

0:05:51.767,0:05:56.169
Uma criança de dois anos,[br]na verdade, domina física intuitiva.

0:05:56.968,0:06:02.058
Ela sabe que uma bola[br]cairá ao ser largada.

0:06:02.493,0:06:06.093
Quando derrama algum líquido,[br]ela sabe que haverá sujeira.

0:06:06.586,0:06:09.516
Seus pais não precisam ensinar

0:06:09.516,0:06:12.980
as leis de Newton ou equações[br]diferenciais à criança.

0:06:13.840,0:06:20.200
Ela descobre todas essas coisas sozinha,[br]de forma não supervisionada.

0:06:21.352,0:06:27.712
A aprendizagem não supervisionada ainda é[br]um dos principais desafios para a IA

0:06:28.184,0:06:33.014
e pode levar várias décadas[br]de pesquisas básicas a mais

0:06:33.014,0:06:34.874
para desfazer esse nó.

0:06:34.874,0:06:38.809
Aprendizagem não supervisionada[br]está tentando descobrir

0:06:38.809,0:06:41.069
representações dos dados.

0:06:41.729,0:06:43.779
Deixem-me mostrar-lhes um exemplo.

0:06:44.364,0:06:49.346
Considerem uma página na tela[br]que veem com seus olhos

0:06:49.346,0:06:54.196
ou que o computador vê como[br]uma imagem, um monte de pixels.

0:06:54.993,0:06:59.753
Para responder uma pergunta[br]sobre o conteúdo da imagem,

0:07:00.863,0:07:05.211
é necessário entender[br]seu significado de alto nível,

0:07:05.674,0:07:11.801
que corresponde ao nível mais elevado[br]de representação em seu cérebro.

0:07:12.911,0:07:18.308
Abaixo dele, temos o significado[br]individual das palavras

0:07:19.188,0:07:23.798
e, ainda mais abaixo, temos caracteres[br]que compõem as palavras.

0:07:24.810,0:07:27.677
Esses caracteres podem ser renderizados[br]de formas diferentes,

0:07:27.677,0:07:30.639
feitos de traços diferentes.

0:07:31.559,0:07:34.839
E esses traços são feitos de arestas,

0:07:34.839,0:07:37.284
que são feitas de pixels.

0:07:37.284,0:07:40.454
Então são níveis diferentes[br]de representação.

0:07:41.079,0:07:44.616
Mas os pixels não são[br]suficientes por si sós

0:07:44.616,0:07:46.584
para que a imagem faça sentido,

0:07:46.584,0:07:51.584
para responder uma questão de alto nível[br]sobre o conteúdo da página.

0:07:52.932,0:07:57.594
Nosso cérebro tem esses níveis[br]diferentes de representação,

0:07:57.594,0:08:02.291
começando pelos neurônios[br]na primeira área visual do córtex, V1,

0:08:02.291,0:08:04.916
que reconhece os contornos.

0:08:04.916,0:08:09.334
Depois, os neurônios[br]na segunda área visual do córtex, V2,

0:08:09.334,0:08:12.800
que reconhece traços e formas pequenas.

0:08:12.800,0:08:17.060
Mais acima, temos os neurônios[br]que detectam partes de objetos

0:08:17.060,0:08:19.792
e depois objetos e cenas completas.

0:08:21.182,0:08:24.757
As redes neurais,[br]quando treinadas com imagens,

0:08:24.757,0:08:29.440
podem de fato descobrir esses tipos[br]de níveis de representação

0:08:29.440,0:08:32.778
que correspondem muito bem[br]ao que observamos no cérebro.

0:08:33.638,0:08:39.088
Tanto as redes neurais biológicas,[br]que são as que existem no cérebro,

0:08:39.088,0:08:42.828
como as redes neurais profundas[br]que treinamos em nossas máquinas

0:08:42.845,0:08:48.545
podem aprender a transformar[br]de um nível de representação ao seguinte,

0:08:48.545,0:08:53.299
com os altos níveis correspondendo[br]a noções mais abstratas.

0:08:53.299,0:08:57.562
Por exemplo, a noção[br]abstrata do caractere A

0:08:57.562,0:09:00.891
pode ser renderizada de muitas formas[br]diferentes nos níveis mais baixos

0:09:00.891,0:09:03.887
como muitas configurações[br]diferentes de pixels

0:09:03.887,0:09:08.637
dependendo da posição, rotação,[br]fonte, e assim por diante.

0:09:10.445,0:09:15.255
Então, como aprendemos[br]esses altos níveis de representações?

0:09:17.492,0:09:20.681
Até agora uma coisa[br]que foi muito bem-sucedida

0:09:20.681,0:09:23.223
nas aplicações da aprendizagem profunda

0:09:23.223,0:09:25.985
é o que chamamos de[br]aprendizagem supervisionada.

0:09:26.297,0:09:31.588
Na aprendizagem supervisionada,[br]o computador deve ser "levado pela mão"

0:09:31.594,0:09:35.467
e humanos precisam dizer ao computador[br]a resposta para várias perguntas.

0:09:35.467,0:09:41.020
Por exemplo, em milhões de imagens,[br]humanos têm que dizer à máquina:

0:09:41.770,0:09:44.271
"Bem... nessa imagem, isso é um gato.

0:09:44.273,0:09:47.095
Nessa imagem, isso é um cachorro".

0:09:47.095,0:09:49.585
"Nessa imagem, isso é um laptop.

0:09:49.605,0:09:54.955
Nessa imagem, isso é um teclado",[br]e assim por diante, milhões de vezes.

0:09:56.066,0:10:01.346
O que é muito penoso e usamos[br]o crowdsourcing para conseguir fazer isso.

0:10:01.461,0:10:03.396
Embora seja muito poderoso

0:10:03.416,0:10:06.269
e possamos resolver[br]vários problemas interessantes,

0:10:06.269,0:10:08.313
humanos são muito mais fortes

0:10:08.313,0:10:12.076
e podem aprender sobre muitos aspectos[br]diferentes a mais do mundo

0:10:12.076,0:10:13.809
de uma forma muito mais autônoma,

0:10:13.809,0:10:17.609
como vimos com a criança aprendendo[br]sobre física intuitiva.

0:10:17.945,0:10:23.979
A aprendizagem não supervisionada poderia[br]nos ajudar com os carros sem condutor.

0:10:24.567,0:10:26.097
Deixem-me explicar:

0:10:26.097,0:10:31.835
a aprendizagem não supervisionada permite[br]que computadores se projetem ao futuro

0:10:31.835,0:10:37.205
para gerarem futuros plausíveis[br]condicionados à situação atual.

0:10:38.369,0:10:42.899
E isso permite que os computadores[br]raciocinem e planejem adiante,

0:10:43.450,0:10:47.985
até para circunstâncias para as quais[br]não tenham sido treinados.

0:10:49.181,0:10:50.441
Isso é importante

0:10:50.441,0:10:53.951
porque se usássemos a aprendizagem[br]supervisionada, teríamos que dizer

0:10:53.951,0:10:57.775
aos computadores todas as circunstâncias[br]onde o carro poderia estar

0:10:57.855,0:11:01.835
e como os humanos[br]reagiriam àquela situação.

0:11:02.451,0:11:06.191
Como eu aprendi a evitar[br]comportamentos perigosos dirigindo?

0:11:07.276,0:11:10.791
Eu precisei morrer mil vezes em acidentes?

0:11:10.793,0:11:12.106
(Risos)

0:11:12.106,0:11:14.606
Bem, é assim que treinamos[br]as máquinas agora.

0:11:15.175,0:11:18.340
Então não vai decolar,[br]ou pelo menos não vai dirigir.

0:11:18.340,0:11:19.928
(Risos)

0:11:22.508,0:11:25.657
Precisamos treinar nossos modelos

0:11:25.657,0:11:31.724
para serem capazes de gerar imagens[br]ou futuros plausíveis, de serem criativos,

0:11:31.724,0:11:33.934
e estamos progredindo com isso.

0:11:33.934,0:11:37.457
Então, estamos treinando[br]essas redes neurais profundas

0:11:37.463,0:11:40.818
para irem do significado[br]de alto nível aos pixels

0:11:40.818,0:11:43.298
e não dos pixels[br]aos significados de alto nível,

0:11:43.307,0:11:46.787
indo na outra direção por meio[br]dos níveis de representação.

0:11:46.787,0:11:50.461
E, desse jeito, o computador[br]pode gerar imagens

0:11:51.191,0:11:55.072
que sejam novas e diferentes[br]daquelas que o computador viu

0:11:55.072,0:11:56.828
enquanto era treinado,

0:11:57.018,0:12:00.369
mas que sejam plausíveis[br]e pareçam imagens naturais.

0:12:01.888,0:12:06.332
Também podemos usar esses modelos[br]para conceber imagens estranhas,

0:12:06.342,0:12:09.492
por vezes assustadoras,

0:12:09.492,0:12:11.795
como os nossos sonhos e pesadelos.

0:12:12.682,0:12:16.847
Aqui estão algumas imagens[br]que foram sintetizadas pelo computador

0:12:16.847,0:12:19.826
utilizando esses modelos[br]de mapeamento profundo.

0:12:19.826,0:12:21.651
Elas parecem imagens naturais,

0:12:21.651,0:12:24.551
mas, se observarem com atenção,[br]perceberão que são diferentes

0:12:25.458,0:12:28.697
e que lhes faltam alguns[br]dos detalhes importantes

0:12:28.697,0:12:31.293
que nós reconheceríamos como naturais.

0:12:31.995,0:12:33.951
Dez anos atrás,

0:12:33.951,0:12:38.921
a aprendizagem não supervisionada[br]era a chave para a inovação

0:12:38.921,0:12:42.443
que conquistamos ao descobrirmos[br]a aprendizagem profunda.

0:12:44.710,0:12:48.055
Isso acontecia só em alguns laboratórios,[br]incluindo o meu na época,

0:12:48.055,0:12:51.745
em um momento em que as redes neurais[br]não eram populares.

0:12:52.205,0:12:55.247
Elas quase foram abandonadas[br]pela comunidade científica.

0:12:56.394,0:12:58.935
Agora, as coisas mudaram bastante.

0:12:58.935,0:13:01.375
Esse campo se tornou muito difícil.

0:13:01.784,0:13:05.834
Agora há, todos os anos, centenas[br]de estudantes se candidatando

0:13:05.894,0:13:09.314
para a graduação no meu laboratório,[br]com meus colaboradores.

0:13:11.010,0:13:16.630
Montreal se tornou[br]a maior concentração acadêmica

0:13:16.637,0:13:19.387
de pesquisadores da aprendizagem[br]profunda no mundo.

0:13:20.182,0:13:26.455
Acabamos de receber uma enorme bolsa[br]de pesquisa de 94 milhões de dólares

0:13:26.505,0:13:29.797
para ultrapassar os limites[br]da IA e da ciência dos dados

0:13:29.797,0:13:35.887
e também para transferir a tecnologia[br]da aprendizagem profunda à indústria.

0:13:37.249,0:13:42.731
Pessoas de negócios estimuladas [br]por tudo isso estão criando start-ups

0:13:42.731,0:13:46.614
e laboratórios industriais,[br]muitos deles perto das universidades.

0:13:48.543,0:13:49.625
Por exemplo,

0:13:49.625,0:13:54.733
algumas semanas atrás, anunciamos[br]o lançamento de uma fábrica de start-ups

0:13:54.733,0:13:56.507
chamada "Element AI"

0:13:56.507,0:13:59.605
que focará as aplicações[br]da aprendizagem profunda.

0:14:02.195,0:14:06.355
Simplesmente não há especialistas[br]suficientes em aprendizagem profunda,

0:14:06.355,0:14:10.677
então eles ganham salários absurdos

0:14:11.027,0:14:17.212
e muitos dos meus antigos colegas[br]acadêmicos aceitaram ofertas generosas

0:14:17.228,0:14:20.518
de empresas para trabalharem[br]em laboratórios industriais.

0:14:21.351,0:14:27.036
Eu escolhi permanecer na universidade,[br]para trabalhar pelo bem comum,

0:14:27.736,0:14:30.646
para trabalhar com os estudantes[br]e permanecer independente.

0:14:30.646,0:14:35.086
Para guiar a próxima geração[br]de especialistas em aprendizagem profunda.

0:14:35.294,0:14:41.024
Uma coisa que estamos fazendo[br]que ultrapassa o valor comercial

0:14:41.024,0:14:44.444
é pensar sobre[br]as implicações sociais da IA.

0:14:46.611,0:14:50.026
Muitos de nós começamos agora[br]a voltar nossa atenção

0:14:50.026,0:14:55.986
a programas que possuem[br]valor social, como a saúde.

0:14:56.457,0:14:58.956
Achamos que podemos usar[br]a aprendizagem profunda

0:14:58.956,0:15:02.696
para melhorar tratamentos[br]com uma medicina personalizada.

0:15:03.956,0:15:05.671
Acredito que, no futuro,

0:15:05.671,0:15:10.361
conforme coletamos mais dados[br]de bilhões de pessoas ao redor da Terra,

0:15:10.361,0:15:13.856
conseguiremos fornecer[br]aconselhamento médico

0:15:13.856,0:15:17.246
a bilhões de pessoas que não têm[br]acesso a isso atualmente.

0:15:17.601,0:15:22.724
E podemos imaginar muitos outros usos[br]para o valor social da IA.

0:15:23.140,0:15:26.238
Por exemplo, algo que resultará[br]de nossa pesquisa

0:15:26.238,0:15:28.902
sobre o entendimento da linguagem natural

0:15:29.328,0:15:31.199
é o fornecimento de vários serviços,

0:15:31.199,0:15:34.059
como os serviços legais[br]para quem não puder pagar por eles.

0:15:34.512,0:15:37.342
Agora também estamos virando nossa atenção

0:15:37.342,0:15:41.132
para as implicações sociais[br]da IA na minha comunidade.

0:15:41.690,0:15:45.361
Mas não são só os especialistas[br]que devem pensar sobre isso.

0:15:46.026,0:15:50.236
Acredito que, para além[br]da matemática e do jargão,

0:15:50.596,0:15:56.432
as pessoas comuns podem ter uma noção[br]do que ocorre sob a superfície

0:15:56.871,0:16:01.191
o bastante para participarem[br]nas decisões importantes

0:16:01.191,0:16:06.547
que ocorrerão nos próximos[br]anos e décadas sobre a IA.

0:16:07.580,0:16:09.280
Então, por favor,

0:16:09.930,0:16:16.230
deixem seu medo de lado e deem-se[br]o espaço para aprender sobre isso.

0:16:17.842,0:16:22.532
Meus colaboradores e eu escrevemos[br]vários artigos introdutórios

0:16:22.542,0:16:25.376
e um livro chamado "Aprendizagem Profunda"

0:16:25.376,0:16:29.779
para ajudar estudantes e engenheiros[br]a entrarem nesse estimulante campo.

0:16:30.659,0:16:35.974
Também há muitos recursos on-line:[br]softwares, tutoriais, vídeos, etc.

0:16:36.310,0:16:41.210
e muitos estudantes universitários estão[br]aprendendo sozinhos vários desses tópicos

0:16:41.210,0:16:44.548
sobre pesquisas na aprendizagem profunda,

0:16:44.548,0:16:48.225
para depois se juntarem[br]a laboratórios como o meu.

0:16:49.370,0:16:54.780
A IA terá um impacto significativo[br]na nossa sociedade.

0:16:56.652,0:17:01.672
Então, é importante perguntar:[br]como iremos usá-la?

0:17:03.878,0:17:07.716
Benefícios imensos poderão ser[br]acompanhados por um lado negativo,

0:17:08.236,0:17:10.506
como o uso militar,

0:17:10.797,0:17:15.357
ou mudanças rápidas e turbulentas[br]no mercado de trabalho.

0:17:15.948,0:17:21.629
Para garantir que as escolhas coletivas[br]que serão feitas sobre a IA

0:17:21.629,0:17:23.074
nos próximos anos

0:17:23.074,0:17:25.144
sejam para o benefício de todos,

0:17:25.144,0:17:29.097
todo cidadão deveria[br]assumir um papel ativo

0:17:29.097,0:17:32.911
na definição de como a IA[br]moldará nosso futuro.

0:17:33.741,0:17:34.891
Obrigado.

0:17:35.065,0:17:37.055
(Aplausos)