Return to Video

ผลที่น่ามหัศจรรย์และน่าสะพรึงกลัว ของคอมพิวเตอร์ที่เรียนรู้ได้เอง

  • 0:01 - 0:05
    เคยเป็นว่าถ้าอยากได้คอมพ์ มาทำอะไรที่ใหม่ๆ
  • 0:05 - 0:06
    คุณก็ต้องโปรแกรมมัน
  • 0:06 - 0:10
    ครับ การทำโปรแกรม
    สำหรับคนที่ยังไม่เคยทำเอง
  • 0:10 - 0:13
    ก็ต้องวางแผนรายละเอียด
    อย่างเลือดตาแทบกระเด็น
  • 0:13 - 0:17
    ในทุกขั้นตอน ที่คุณต้องการให้คอมพิวเตอร์ทำ
  • 0:17 - 0:19
    เพื่อให้บรรลุเป้าหมายของคุณ
  • 0:19 - 0:23
    ถ้าต้องการทำสิ่งที่คุณเองไม่รู้วิธีทำแล้ว
  • 0:23 - 0:25
    ก็จะเป็นเรื่องท้าทายที่ยิ่งใหญ่ ที่ชายชื่อ
  • 0:25 - 0:28
    อาร์เธอร์ แซมวล ก็เผชิญมาแล้วในอดีต
  • 0:28 - 0:32
    ปี 1956 เขาอยากจะให้คอมพิวเตอร์เครื่องนี้
  • 0:32 - 0:35
    เอาชนะเขาได้ ในเกมหมากฮอส
  • 0:35 - 0:37
    จะเขียนโปรแกรมโดยวางรายละเอียด
  • 0:37 - 0:40
    อย่างเลือดตาแทบกระเด็น
    ให้เหนือกว่าคุณในเกม ได้อย่างไร
  • 0:40 - 0:42
    ดังนั้น เขาจึงเกิดความคิดใหม่ขึ้นมา
  • 0:42 - 0:46
    เขาให้คอมพ์เล่นแข่งกับตัวเอง หลายพันครั้ง
  • 0:46 - 0:48
    และให้มันเรียนรู้ ที่จะเล่นเกมหมากฮอส
  • 0:48 - 0:52
    และมันก็ได้ผลจริง ๆ และตอนปี 1962
  • 0:52 - 0:56
    คอมพ์เครื่องนี้ เล่นชนะแชมป์รัฐคอนเนตทิคัต
  • 0:56 - 0:59
    อาร์เธอร์ แซมวล ถือว่าเป็นบิดา
    ของการเรียนรู้ของเครื่อง
  • 0:59 - 1:00
    ผมเป็นหนี้เขาอย่างใหญ่หลวง เพราะ
  • 1:00 - 1:03
    ผมเป็นผู้ปฏิบัติงาน ด้านเครื่องเรียนรู้นี้
  • 1:03 - 1:04
    อดีตผมเป็นประธานกลุ่มแค็กเกิล
  • 1:04 - 1:08
    เป็นกลุ่มคนกว่า 2 แสนคนที่ทำงานด้านนี้
  • 1:08 - 1:10
    แค็กเกิลจัดการแข่งขัน เพื่อพยายามให้
  • 1:10 - 1:14
    เครื่องเหล่านั้นแก้ปัญหาที่แก้ไม่ได้มาก่อน
  • 1:14 - 1:17
    และก็ประสบผลสำเร็จมาแล้วหลายร้อยครั้ง
  • 1:17 - 1:20
    ดังนั้น จากมุมมองที่กว้างขวางนี้
    ผมจึงได้ค้นพบ
  • 1:20 - 1:24
    เรื่องการเรียนรู้ของเครื่องอีกมากมาย
    ที่พวกมันทำได้
  • 1:24 - 1:26
    ในอดีต ปัจจุบัน และอนาคต
    ส่วนความสำเร็จเชิงพาณิชย์
  • 1:26 - 1:31
    ที่ยิ่งใหญ่ครั้งแรกของเรื่องนี้ อาจคือ
  • 1:31 - 1:34
    กูเกิลที่ให้เห็นว่าเป็นไปได้ที่จะค้นข้อมูล
  • 1:34 - 1:36
    โดยใช้วิธีการทางคอมพิวเตอร์
  • 1:36 - 1:38
    ซึ่งมีพื้นฐานมาจาก การเรียนรู้ของเครื่อง
  • 1:38 - 1:42
    แต่นั้นมา มีความสำเร็จเชิงพาณิชย์อีกมาก
  • 1:42 - 1:44
    บริษัท อย่างเช่น แอมะซอน และ เน็ตฟลิกส์
  • 1:44 - 1:48
    ใช้การเรียนรู้ของเครื่อง เพื่อแนะนำสินค้า
  • 1:48 - 1:50
    ที่คุณอาจอยากซื้อ ภาพยนตร์ที่อาจอยากดู
  • 1:50 - 1:52
    บางครั้ง ก็เกือบทำให้ขนลุก
  • 1:52 - 1:54
    บริษัทอย่างเช่น ลิงด์อิน และเฟสบุก
  • 1:54 - 1:56
    บางครั้งจะบอกว่า ใครอาจเป็นเพื่อนของคุณ
  • 1:56 - 1:58
    และคุณก็คิดไม่ออกเลยว่า มันทำได้อย่างไร
  • 1:58 - 2:01
    นี่ก็เพราะ มันใช้พลังการเรียนรู้ของเครื่อง
  • 2:01 - 2:04
    เป็นวิธีการทางคอมพ์ ที่เรียนรู้วิธีทำได้
  • 2:04 - 2:07
    จากข้อมูล แทนโปรแกรม ที่ต้องใช้มือทำ
  • 2:07 - 2:10
    สิ่งนี่ยังทำให้ IBM สำเร็จในการทำให้
  • 2:10 - 2:14
    วัทสัน ชนะแชมป์โลกสองคนใน "เจเพอะดี" โชว์
  • 2:14 - 2:17
    โดยตอบคำถามที่ลึกลับซับซ้อนเหลือเชื่อ เช่น
  • 2:17 - 2:20
    ["ของโบราณ 'สิงโตแห่งนิมรัต'
    หายไปจากพิพิธภัณฑ์ในปี 2003]
  • 2:20 - 2:23
    ยังให้เราเห็นในขณะนี้ รถพวกแรกที่ขับได้เอง
  • 2:23 - 2:26
    ถ้าคุณต้องการจะบอกความแตกต่างระหว่าง เช่น
  • 2:26 - 2:28
    ต้นไม้กับคนเดินถนน ครับ นั่นมันสำคัญมาก
  • 2:28 - 2:31
    เราไม่รู้วิธีเขียนโปรแกรมเหล่านั้น ด้วยมือ
  • 2:31 - 2:34
    แต่จากการเรียนรู้ของเครื่อง มันเป็นไปได้
  • 2:34 - 2:37
    ความจริงแล้ว รถคันนี้ขับมาแล้วกว่าล้านไมล์
  • 2:37 - 2:40
    โดยไม่เกิดอุบัติเหตุ บนถนนปกติ
  • 2:40 - 2:44
    ขณะนี้เราจึงรู้ว่า เครื่องคอมพ์เรียนรู้ได้
  • 2:44 - 2:46
    คอมพิวเตอร์เรียนรู้ ที่จะทำสิ่งต่างๆที่
  • 2:46 - 2:49
    บางครั้งเราไม่รู้จริงๆ ว่าจะทำเองอย่างไร
  • 2:49 - 2:52
    หรือบางทีมันอาจจะทำได้ ดีกว่าเราเสียอีก
  • 2:52 - 2:56
    ตัวอย่างหนึ่งที่น่าทึ่งที่สุด ที่ผมเคยเห็น
  • 2:56 - 2:58
    เกิดขึ้นในโครงการที่ผมทำ ที่แคกเกิล
  • 2:58 - 3:02
    ในทีมงานที่นำโดยหนุ่มชื่อ เจฟฟรี ฮินตัน
  • 3:02 - 3:03
    จากมหาวิทยาลัยโทรอนโต
  • 3:03 - 3:06
    เขาชนะการแข่งขัน การค้นพบยาโดยอัตโนมัติ
  • 3:06 - 3:09
    ความพิเศษคือ ไม่ใช่เพียงเอาชนะวิธีทั้งหมด
  • 3:09 - 3:13
    ที่พัฒนาโดย เมอร์ค, กลุ่มวิชาการนาๆชาติ
  • 3:13 - 3:18
    แต่ไม่มีใครในทีมมีพื้นทางเคมี
    หรือชีววิทยาศาสตร์
  • 3:18 - 3:20
    และพวกเขาทำให้ชนะได้ ในสองสัปดาห์
  • 3:20 - 3:22
    พวกเขาทำได้อย่างไรหรือ
  • 3:22 - 3:25
    เขาใช้วิธีคอมพ์ที่เรียกว่า การเรียนรู้ลึก
    (deep learning)
  • 3:25 - 3:28
    เรื่องนี้สำคัญมากจนกระทั่ง
    ความสำเร็จนี้ได้พิมพ์ในหน้าหนึ่ง
  • 3:28 - 3:31
    ของนิวยอร์คไทม์ 2-3 อาทิตย์ต่อมา
  • 3:31 - 3:34
    นี่คือ เจฟฟรี่ ฮินตัน ตรงนี้ด้านซ้ายมือ
  • 3:34 - 3:38
    การเรียนรู้ลึก เป็นวิธีการทางคอมพ์ที่นำ
  • 3:38 - 3:40
    วิธีทำงานของสมองคนมา ผลคือ เป็นวิธีที่
  • 3:40 - 3:44
    ไม่มีข้อจำกัดทางทฤษฎีว่า มันทำอะไรได้บ้าง
  • 3:44 - 3:47
    ยิ่งให้ข้อมูลมัน ยิ่งให้เวลาคำนวณมากขึ้น
  • 3:47 - 3:48
    มันก็จะทำงานได้ดียิ่งขึ้น
  • 3:48 - 3:51
    นิวยอร์คไทม์ ยังแสดงให้เห็นในบทความนี้
  • 3:51 - 3:53
    ถึงผลลัพท์พิเศษอีกอย่างของ การเรียนรู้ลึก
  • 3:53 - 3:56
    ซึ่งผมจะแสดงให้คุณดู เดี๋ยวนี้
  • 3:56 - 4:01
    มันแสดงว่า คอมพ์ฟังรู้เรื่องและเข้าใจได้
  • 4:01 - 4:03
    (วิดีโอ) ริชาร์ด ราชิด: ครับ ขั้นสุดท้าย
  • 4:03 - 4:06
    ที่ผมอยากจะทำให้ได้ ในกระบวนการนี้
  • 4:06 - 4:11
    คือ พูดกับคุณจริงๆ เป็นภาษาจีน
  • 4:11 - 4:14
    ครับ สิ่งสำคัญในเรื่องนี้ก็คือ เราสามารถ
  • 4:14 - 4:19
    เอาข้อมูลจำนวนมากมาได้ จากคนพูดจีนหลายๆคน
  • 4:19 - 4:21
    และทำ "ระบบเนื้อหา-คำพูด" ออกมา, ระบบนี้จะ
  • 4:21 - 4:26
    เอาข้อความภาษาจีนมา เปลี่ยนให้เป็นภาษาจีน
  • 4:26 - 4:30
    แล้วก็เอาเสียงของผมเอง ราวหนึ่ง ช.ม
  • 4:30 - 4:32
    แล้วใช้เสียงมาปรับระบบเนื้อหา-คำพูด
  • 4:32 - 4:36
    เพื่อที่จะให้มีเสียงเหมือนผม
  • 4:36 - 4:39
    อีกนั่นแหละ ผลที่ได้ไม่ดีเลิศนัก
  • 4:39 - 4:42
    จริงๆแล้ว มีข้อผิดพลาดหลายอย่าง
  • 4:42 - 4:44
    (ภาษาจีน)
  • 4:44 - 4:47
    (เสียงปรบมือ)
  • 4:49 - 4:53
    ยังมีสิ่งที่ต้องทำอีกมาก ในเรื่องนี้
  • 4:53 - 4:57
    (ภาษาจีน)
  • 4:57 - 5:00
    (เสียงปรบมือ)
  • 5:01 - 5:05
    เจเรมี่ เฮาวาร์ด: นั่นเป็นการประชุมที่จีน
  • 5:05 - 5:07
    จริงๆ ไม่บ่อยนัก ในการประชุมทางวิชาการ
  • 5:07 - 5:09
    ที่จะได้ยินคนปรบมือเอง พร้อมเพรียงกัน
  • 5:09 - 5:13
    แต่แน่ว่า บางครั้งในการประชุม TEDx
    จงทำตามใจชอบ
  • 5:13 - 5:15
    ทุกสิ่งที่เห็นที่นั่นเกิดจากการเรียนรู้ลึก
  • 5:15 - 5:17
    (เสียงปรบมือและหัวเราะ)
    ขอบคุณครับ
  • 5:17 - 5:19
    การถอดเป็นภาษาอังกฤษทำโดยการเรียนรู้ลึก
  • 5:19 - 5:23
    ซึ่งแปลเป็นภาษาจีนและข้อความด้านบนขวา
  • 5:23 - 5:26
    การสร้างเสียงก็เป็นการเรียนรู้ลีก เช่นกัน
  • 5:26 - 5:29
    การเรียนรู้ลึกจึงเป็นสิ่งพิเศษ
  • 5:29 - 5:32
    เป็นวิธีเดียวทางคอมพ์ที่ทำได้เกือบทุกอย่าง
  • 5:32 - 5:35
    ผมพบปีที่แล้วว่า มันเรียนที่จะเห็นได้ด้วย
  • 5:35 - 5:38
    ในการแข่งขันที่ไม่ค่อยรู้จัก
    ในเยอรมนี ชื่อ
  • 5:38 - 5:40
    เยอรมันแทร็ฟฟิกซายน์เรคอกนิชั่นเบนช์มาร์ก
  • 5:40 - 5:44
    การเรียนรู้ลึก เรียนรู้จำสัญญาณจราจรนี้
  • 5:44 - 5:46
    ไม่เพียงแค่ รู้จำสัญญาณจราจรได้ดีกว่า
  • 5:46 - 5:47
    วิธีการอื่นๆทางคอมพิวเตอร์ เท่านั้น
  • 5:47 - 5:50
    ป้ายคะแนนนแสดงว่า จริง ๆ แล้ว
  • 5:50 - 5:52
    มันดีกว่าคนประมาณสองเท่า
  • 5:52 - 5:54
    ดังนั้น โดยปี 2011 เราจึงมีตัวอย่างแรก
  • 5:54 - 5:57
    ของคอมพิวเตอร์ ที่สามารถมองเห็นได้ดีกว่าคน
  • 5:57 - 5:59
    ตั้งแต่นั้นมา สิ่งต่างๆมากมายได้เกิดขึ้น
  • 5:59 - 6:03
    ปี 2012 กูเกิลแจ้งว่า ได้ให้การเรียนรู้ลึก
  • 6:03 - 6:04
    ดูยูทูบวิดีโอ ขบเคี้ยวข้อมูล
  • 6:04 - 6:08
    จากคอมพิวเตอร์ 16,000 เครื่องอยู่ 1 เดือน
  • 6:08 - 6:12
    และคอมพ์ก็เรียนรู้ได้เองถึงแนวความคิด
  • 6:12 - 6:14
    เช่น คนกับแมว เพียงดูแค่วิดีโอเท่านั้น
  • 6:14 - 6:16
    สิ่งนี้เหมือนวิธีที่มนุษย์เรียนรู้อย่างมาก
  • 6:16 - 6:19
    มนุษย์ไม่ได้เรียนโดยให้คนอื่นบอกว่า
    เขาเห็นอะไร
  • 6:19 - 6:22
    แต่โดยเรียนด้วยตนเองว่า ของเหล่านี้คืออะไร
  • 6:22 - 6:26
    ปี 2012 เจฟฟรี่ ฮินตัน ที่เราเห็นตอนต้น
  • 6:26 - 6:29
    ยังชนะการแข่ง อิมเมจเน็ด ที่มีชื่อมาก ซึ่ง
  • 6:29 - 6:33
    พยายามหาวิธีคิด จากภาพล้านห้าแสนภาพ
  • 6:33 - 6:34
    ว่า ภาพเหล่านี้เป็นภาพอะไร
  • 6:34 - 6:38
    ถึงปี 2014 นี้ เราลดอัตราผิดจนเหลือ 6%
  • 6:38 - 6:39
    ในการรู้จำภาพได้
  • 6:39 - 6:41
    นี่ก็ดีกว่าคนอีกเหมือนกัน
  • 6:41 - 6:45
    เครื่องจึงทำงานได้ดีพิเศษจริง ในเรื่องนี้
  • 6:45 - 6:47
    และขณะนี้ก็กำลังมีการนำไปใช้ ในอุตสาหกรรม
  • 6:47 - 6:50
    เช่น กูเกิลประกาศเมื่อปีที่แล้ว ว่า
  • 6:50 - 6:55
    ได้ทำแผนที่ทุกๆตำแหน่งในฝรั่งเศสใน 2 ช.ม
  • 6:55 - 6:58
    และวิธีที่พวกเขาทำนั้น คือ ใส่ภาพถนนเข้าไป
  • 6:58 - 7:03
    ในการเรียนรู้ลึก เพื่อให้รู้จำและอ่านเลขถนน
  • 7:03 - 7:05
    ลองจินตนาการดู แต่ก่อนจะใช้เวลานานแค่ไหน
  • 7:05 - 7:08
    ใช้คนมากมายหลายคน หลายปี
  • 7:08 - 7:10
    เรื่องนี้ก็กำลังเกิดขึ้นในจีนด้วย
  • 7:10 - 7:14
    ไบดู เป็นเหมือนกับกูเกลของจีน และ
  • 7:14 - 7:17
    ที่คุณเห็น ตรงด้านบนซ้ายมือ คือ ตัวอย่าง
  • 7:17 - 7:20
    รูปที่ผมใส่เข้าไป ในระบบเรียนรู้ลึกของไบดู
  • 7:20 - 7:24
    ตรงข้างล่าง คุณจะเห็นได้ว่า ระบบเข้าใจได้
  • 7:24 - 7:26
    ว่าเป็นภาพอะไร และค้นพบภาพที่เหมือนกัน
  • 7:26 - 7:29
    ซึ่งจริงๆแล้ว คือมีแบ็กกราวเหมือนกัน
  • 7:29 - 7:31
    หันหน้าไปทิศทางเดียวกัน
  • 7:31 - 7:33
    แม้กระทั่ง บางรูปที่แลบลิ้นออกมา
  • 7:33 - 7:36
    นี่ไม่ใช่มองที่ เนื้อหาเว็บเพจอย่างแน่นอน
  • 7:36 - 7:37
    ผมส่งเพียงแต่รูป ๆ เดียวเท่านั้น
  • 7:37 - 7:41
    ขณะนี้มีคอมพ์ ที่เข้าใจสิ่งที่มันเห็นจริงๆ
  • 7:41 - 7:43
    จึงสามารถค้นหาฐานข้อมูลได้
  • 7:43 - 7:46
    เป็นหลายร้อยล้านภาพ ในเวลาสั้นๆ
  • 7:46 - 7:50
    อะไรจะเกิดขึ้น เมื่อมีคอมพ์ที่มองเห็นได้
  • 7:50 - 7:52
    แต่ไม่ใช่แค่มองเห็นได้เท่านั้น
  • 7:52 - 7:54
    จริงๆแล้ว การเรียนรู้ลึก ทำได้มากกว่านั้น
  • 7:54 - 7:57
    ประโยคที่ต่างกันน้อยมาก ซับซ้อน อย่างนี้
  • 7:57 - 7:59
    ขณะนี้เข้าใจได้แล้ว ด้วยวิธีการเรียนรู้ลึก
  • 7:59 - 8:01
    อย่างที่คุณเห็นตรงนี้
  • 8:01 - 8:03
    ระบบฐานสแตนฟอร์ดนี้ แสดงจุดสีแดงด้านบนสุด
  • 8:03 - 8:07
    คิดออกว่า ประโยคนี้แสดงอารมณ์เชิงลบ
  • 8:07 - 8:11
    จริงๆการเรียนรู้ลึก ใกล้สมรรถภาพมนุษย์แล้ว
  • 8:11 - 8:16
    เข้าใจได้ว่า ประโยคบอกเรื่องอะไร
    และมีความหมายอะไร
  • 8:16 - 8:19
    การเรียนรู้ลึก ยังนำไปใช้เพื่ออ่านภาษาจีน
  • 8:19 - 8:22
    อีกนั่นแหละ ประมาณระดับคนจีนพื้นเมือง
  • 8:22 - 8:24
    วิธีการทางคอมพ์นี้ ได้พัฒนาออกมาจากสวิสฯ
  • 8:24 - 8:27
    โดยคนที่ไม่มีใครพูดหรือเข้าใจภาษาจีนเลย
  • 8:27 - 8:29
    อย่างที่ผมบอก การใช้การเรียนรู้ลึก
  • 8:29 - 8:32
    เกือบเป็นระบบที่ดีที่สุดในโลก สำหรับงานนี้
  • 8:32 - 8:37
    แม้เมื่อเปรียบกับความเข้าใจของคนพื้นบ้าน
  • 8:37 - 8:40
    นี่เป็นระบบที่เราประกอบขึ้นมา
    ที่บริษัทของผม
  • 8:40 - 8:42
    ซึ่งให้เห็นการเอาสิ่งทั้งหลายเข้ามารวมกัน
  • 8:42 - 8:44
    พวกนี้ให้เห็นภาพ ที่ไม่มีข้อความกำกับ
  • 8:44 - 8:47
    และขณะที่ผมพิมพ์ประโยคอยู่ตรงนี้
  • 8:47 - 8:50
    ในเวลาสั้นๆ มันก็เข้าใจรูปเหล่านี้
  • 8:50 - 8:51
    และคิดออกได้ว่า มันเป็นเรื่องอะไร
  • 8:51 - 8:54
    และไปหาภาพ ที่เหมือนกับข้อความที่ผมเขียน
  • 8:54 - 8:57
    จึงเห็นได้ เป็นความเข้าใจประโยคของผมจริงๆ
  • 8:57 - 8:59
    เป็นความเข้าใจภาพเหล่านี้จริง
  • 8:59 - 9:02
    ผมรู้ว่า คุณเคยเห็นแบบนี้ในกูเกิลแล้ว
  • 9:02 - 9:05
    ที่คุณพิมพ์ข้อความ แล้วมันจะแสดงภาพออกมา
  • 9:05 - 9:08
    แต่จริงๆสิ่งที่มันทำคือ หาข้อความในเว็บเพจ
  • 9:08 - 9:11
    เรื่องนี้ต่างกันมาก กับการเข้าใจภาพพวกนั้น
  • 9:11 - 9:14
    นี่เป็นสิ่งที่คอมพ์สามารถทำได้
  • 9:14 - 9:17
    เป็นครั้งแรก ในไม่กี่เดือนที่ผ่านมานี้
  • 9:17 - 9:21
    ขณะนี้จึงเห็นได้ว่า คอมพ์ไม่ได้แค่เห็น แต่
  • 9:21 - 9:25
    อ่านได้ด้วย และเราก็ให้เห็นว่า
    มันก็เข้าใจสิ่งที่มันได้ยิน
  • 9:25 - 9:28
    อาจไม่น่าแปลกใจ ถ้าจะบอกว่า มันก็เขียนได้
  • 9:28 - 9:33
    ประโยคนี้ผมสร้างเมื่อวาน ใช้การเรียนรู้ลึก
  • 9:33 - 9:37
    ข้อความนี้ สร้างโดยวิธีคอมพ์ของสแตนฟอร์ด
  • 9:37 - 9:39
    แต่ละประโยคสร้างขึ้น
  • 9:39 - 9:43
    โดยวิธีการเรียนรู้ลึก เพื่ออธิบายภาพนั้นๆ
  • 9:43 - 9:48
    แต่ก่อนวิธีการคอมพ์ ไม่เคยเห็นชายเสื้อดำ
    กำลังเล่นกีต้าร์
  • 9:48 - 9:50
    แต่มันเคยเห็นผู้ชาย เคยเห็นสีดำ
  • 9:50 - 9:51
    เคยเห็นกีต้าร์ แต่ด้วยตัวมันเอง
  • 9:51 - 9:56
    ได้สร้างการอธิบายภาพนี้ในแนวใหม่
  • 9:56 - 9:59
    ยังคงไม่เหมือนมนุษย์ทีเดียว แต่ก็ใกล้แล้ว
  • 9:59 - 10:03
    ในการทดสอบ มนุษย์ชอบคำบรรยายสร้างโดยคอมพ์
  • 10:03 - 10:05
    หนึ่งในสี่ครั้ง
  • 10:05 - 10:07
    ปัจจุบัน ระบบนี้มีอายุแค่ 2 สัปดาห์
  • 10:07 - 10:09
    ดังนั้น บางที ภายในปีหน้า
  • 10:09 - 10:12
    วิธีทางคอมพ์ อาจไปไกลเกินหน้าการปฏิบัติงาน
  • 10:12 - 10:13
    ของมนุษย์ ที่อัตราที่กำลังเป็นอยู่นี้
  • 10:13 - 10:16
    คอมพิวเตอร์ จึงสามารถเขียนได้ด้วย
  • 10:16 - 10:20
    รวมๆแล้ว ก็จะเห็นโอกาสทีน่าตื่นเต้นมาก
  • 10:20 - 10:21
    ตัวอย่างเช่น ในทางการแพทย์
  • 10:21 - 10:24
    ทีมงานในบอสตัน ประกาศว่าพวกเขาได้ค้นพบ
  • 10:24 - 10:27
    ลักษณะต่าง ๆ มากมาย
    ที่เกี่ยวข้องกับการรักษา
  • 10:27 - 10:31
    เนื้องอก ที่ช่วยแพทย์ทายอาการมะเร็ง
  • 10:32 - 10:35
    และที่เหมือนกันอย่างมาก ที่สแตนฟอร์ด
  • 10:35 - 10:38
    กลุ่มที่นั่นประกาศว่า
    โดยดูเนื้อเยื่อขยายแล้ว
  • 10:38 - 10:41
    ได้พัฒนาระบบจากการเรียนรู้ของเครื่องขึ้นมา
  • 10:41 - 10:43
    ซึ่งจริงๆ ดีกว่าแพทย์พยาธิวิทยา
    ในการทำนาย
  • 10:43 - 10:48
    อัตราการรอดชีวิต ของคนไข้โรคมะเร็ง
  • 10:48 - 10:51
    ทั้งสองกรณี ไม่เพียงการคาดเดาถูกต้องกว่า
  • 10:51 - 10:53
    แต่ยังทำให้เกิดความเข้าใจใหม่
    ทางวิทยาศาสตร์
  • 10:53 - 10:55
    คือทางรังสีวิทยา มีการพบ
  • 10:55 - 10:58
    ตัวบ่งชี้ทางการรักษาแบบใหม่ ที่คนเข้าใจได้
  • 10:58 - 11:00
    ส่วนทางพยาธิวิทยานี้ จริงๆแล้ว
  • 11:00 - 11:04
    ระบบคอมพ์ได้ค้นพบว่า เซลล์รอบๆมะเร็ง
  • 11:04 - 11:08
    สำคัญเท่าๆกับเซลล์มะเร็งเอง
  • 11:08 - 11:09
    ในการวินิจฉัย นี้ตรงข้ามกับ
  • 11:09 - 11:15
    สิ่งที่พยาธิแพทย์ ได้รับสอนมาหลายทศวรรษ
  • 11:15 - 11:18
    ในทั้งสองกรณี ระบบพัฒนาขึ้นโดย
  • 11:18 - 11:22
    ผู้เชี่ยวชาญทางแพทย์ร่วมกับ
    ผู้เชี่ยวชาญการเรียนรู้ของเครื่อง
  • 11:22 - 11:24
    แต่เริ่มแต่ปีที่แล้ว เราได้ไปไกลกว่านั้น
  • 11:24 - 11:28
    นี่เป็นตัวอย่าง ของการระบุพื้นที่ของมะเร็ง
  • 11:28 - 11:30
    ในเนื้อเยื่อมนุษย์ จากกล้องจุลทรรศน์
  • 11:30 - 11:35
    ระบบที่แสดงอยู่นี้
    ระบุพื้นที่ได้แม่นยำกว่า
  • 11:35 - 11:38
    หรือเกือบจะเท่ากับพยาธิแพทย์ แต่ทั้งหมดนี้
  • 11:38 - 11:41
    สร้างด้วยการเรียนรู้ลึก
    โดยคนที่ไม่มีความเชี่ยวชาญ
  • 11:41 - 11:44
    หรือพื้นเพทางการแพทย์เลย
  • 11:45 - 11:47
    นี่ก็เหมือนกัน การแบ่งส่วนประสาท, ขณะนี้
  • 11:47 - 11:51
    เราแยกเซลล์ประสาทได้ แม่นยำเทียมเท่ามนุษย์
  • 11:51 - 11:54
    แต่ระบบนี้พัฒนาขึ้น ด้วยการเรียนรู้ลึก
  • 11:54 - 11:57
    โดยคนที่ไม่มีพื้นฐานด้านการแพทย์
  • 11:57 - 12:00
    ดังนั้นผมเอง ผู้ไม่มีพื้นฐานด้านการแพทย์
  • 12:00 - 12:04
    ก็เหมือนมีคุณสมบัติพร้อม ที่จะเริ่มบริษัท
  • 12:04 - 12:06
    ทางการแพทย์ใหม่ขึ้นมา ซึ่งผมก็ได้ทำแล้ว
  • 12:06 - 12:08
    ผมรู้สึกหวาดหวั่นบ้างที่จะทำ
  • 12:08 - 12:11
    แต่ตามทฤษฎีแล้ว ดูจะแนะว่า น่าจะเป็นไปได้
  • 12:11 - 12:16
    ที่จะทำการแพทย์ที่มีประโยชน์มาก โดยใช้แค่
    เทคนิควิเคราะห์ข้อมูลนี้
  • 12:16 - 12:19

    และผมโชคดี ที่ได้การตอบรับที่ดีเยี่ยม
  • 12:19 - 12:21
    จากทั้งสื่อและกลุ่มทางการแพทย์
  • 12:21 - 12:23
    ที่ให้การสนับสนุนมาอย่างมาก
  • 12:23 - 12:27
    ทฤษฎีคือ เราสามารถเอาส่วนกลาง
    ของกระบวนการทางแพทย์
  • 12:27 - 12:30
    กลับมันเป็นวิเคราะห์ข้อมูล มากเท่าที่ทำได้
  • 12:30 - 12:33
    ทิ้งให้แพทย์ทำ ในสิ่งที่เขาทำได้ดีที่สุด
  • 12:33 - 12:35
    ผมอยากจะยกตัวอย่างหนึ่ง ปัจจุบัน
  • 12:35 - 12:40
    เราใช้เพียง 15 นาที เพื่อ
    สร้างการทดสอบวินิจฉัยโรคขึ้นมาใหม่
  • 12:40 - 12:42
    ผมจะแสดงให้ดูตามเวลาจริง แต่ผม
  • 12:42 - 12:45
    บีบมันลงเหลือสามนาที โดยตัดบางชิ้นออกไป
  • 12:45 - 12:48
    แทนที่จะแสดง การสร้างการทดสอบวินิจฉัยโรค
  • 12:48 - 12:52
    ผมจะแสดง การทดสอบการวินิจฉัยภาพรถแทน
  • 12:52 - 12:54
    เพราะว่า มันเป็นสิ่งที่เราทุกคนเข้าใจได้
  • 12:54 - 12:57
    ตรงนี้ เราจึงจะเริ่มด้วยภาพรถ 1.5 ล้านคัน
  • 12:57 - 13:00
    และผมอยากจะสร้างอะไรบางอย่าง
    ที่จะแยกมันออก
  • 13:00 - 13:03
    เป็นมุมมองของภาพที่ถ่าย ภาพพวกนี้
  • 13:03 - 13:07
    ไม่ได้มีป้ายบอกเลย
    ผมจึงต้องเริ่มจากไม่มีอะไร
  • 13:07 - 13:08
    แต่ด้วยวิธีการคอมพ์การเรียนรู้ลึกของเรา
  • 13:08 - 13:12
    มันจะระบุพื้นที่โครงสร้างในภาพได้อัตโนมัติ
  • 13:12 - 13:16
    ส่วนดีคือ คนและคอมพ์ทำงานด้วยกันได้
  • 13:16 - 13:18
    มนุษย์ อย่างที่เห็นตรงนี้ จะบอกคอมพ์ถึง
  • 13:18 - 13:21
    พื้นที่ที่น่าสนใจ ที่ต้องการให้คอมพ์
  • 13:21 - 13:25
    พยายามใช้ เพื่อจะได้ปรับปรุงวิธีการของมัน
  • 13:25 - 13:30
    ระบบการเรียนรู้ลึกนี้ แท้จริงอยู่ในปริภูมิ
  • 13:30 - 13:33
    16000 มิติ จึงเห็นคอมพ์หมุนไปตาม
  • 13:33 - 13:35
    ปริภูมินั้น พยายามหาพื้นที่โครงสร้างใหม่
  • 13:35 - 13:37
    เมื่อมันทำได้สำเร็จตามนั้น แล้วคนที่
  • 13:37 - 13:41
    ขับมันอยู่ ก็จะชี้พื้นที่ที่น่าสนใจ
  • 13:41 - 13:43
    ตรงนี้ คอมพ์พบพื้นที่ได้สำเร็จ
  • 13:43 - 13:46
    ตัวอย่างเช่น มุมมองต่าง ๆ
  • 13:46 - 13:47
    ดังนั้น ขณะที่เราผ่านกระบวนการนี้
  • 13:47 - 13:50
    เราก็ค่อยๆบอกคอมพ์เพิ่มขึ้นเรื่อยๆ
  • 13:50 - 13:52
    เกี่ยวกับแบบโครงสร้าง ที่เราต้องการค้นหา
  • 13:52 - 13:54
    คุณคงจินตนาการได้ เช่น การทดสอบวินิจฉัย
  • 13:54 - 13:57
    ก็จะเป็นพยาธิแพทย์ ที่จะระบุบริเวณผิดปกติ
  • 13:57 - 14:02
    หรือรังสีแพทย์ ชี้บอกตุ่มที่น่าจะเป็นปัญหา
  • 14:02 - 14:05
    บางที ก็ยากเหมือนกันสำหรับวิธีทางคอมพ์นี้
  • 14:05 - 14:07
    ในกรณีนี้ มันคล้ายกับจะสับสน
  • 14:07 - 14:09
    ด้านหน้าและด้านหลังของรถนั้น ปนเปกันไปหมด
  • 14:09 - 14:11
    ตรงนี้ เราจึงต้องระวังมากขึ้นอีกหน่อย
  • 14:11 - 14:15
    ใช้มือเลือก ส่วนใดเป็นหน้า ส่วนใดเป็นหลัง
  • 14:15 - 14:20
    แล้วบอกคอมพ์นั้นว่า นี่เป็นแบบของกลุ่ม
  • 14:20 - 14:22
    ที่เราสนใจอยู่
  • 14:22 - 14:24
    เราต้องทำอย่างนี้ไปเรื่อย ๆ แต่เราจะข้ามไป
  • 14:24 - 14:26
    แล้วเราก็จะฝึกเครื่องเรียนรู้
  • 14:26 - 14:28
    อาศัยสิ่งของจำนวนมากมายเหล่านี้
  • 14:28 - 14:30
    เราหวังว่า มันดีขึ้นมากแล้ว คุณจะเห็นได้
  • 14:30 - 14:34
    ตอนนี้ มันได้เริ่มทำให้บางภาพค่อยๆหายไป
  • 14:34 - 14:38
    มันรู้จำวิธีเข้าใจเรื่องนี้ด้วยตัวเองบ้างแล้ว
  • 14:38 - 14:41
    แล้วเราจึงใช้ความรู้เรื่องภาพเหมือนนี้
  • 14:41 - 14:43
    และการใช้ภาพเหมือนนั้น ตอนนี้จะเห็นได้
  • 14:43 - 14:47
    ณ.จุดนี้คอมพ์ สามารถหารถส่วนหน้าทั้งหมด
  • 14:47 - 14:50
    ดังนั้น ที่จุดนี้ คนจะบอกคอมพ์นั้นได้ว่า
  • 14:50 - 14:52
    ตกลง ใช่แล้ว เธอทำงานเรื่องนี้ได้ดีแล้ว
  • 14:54 - 14:56
    บางครั้ง แน่นอนครับ แม้กระทั่ง ที่จุดนี้
  • 14:56 - 15:00
    ก็ยังคงยาก ที่จะแยกออกมาเป็นกลุ่มๆ
  • 15:00 - 15:03
    กรณีนี้ แม้หลังจากให้คอมพ์หมุนไปสักครู่
  • 15:03 - 15:07
    เราก็ยังคงพบว่า ด้านซ้ายและขวาของภาพ
  • 15:07 - 15:08
    ก็ปนเปกันไปหมด
  • 15:08 - 15:10
    ดังนั้นเราจึงให้คำแนะนำแก่คอมพ์อีก
  • 15:10 - 15:13
    เราบอกว่า ใช่ พยายามหาการฉายภาพ ที่จะแยก
  • 15:13 - 15:16
    ด้านซ้าย/ขวาออกจากกัน ให้มากเท่าที่จะทำได้
  • 15:16 - 15:18
    โดยใช้วิธีการเรียนรู้ลึกทางคอมพ์
  • 15:18 - 15:21
    เมื่อให้คำแนะนำนั้นแล้ว ก็ประสบความสำเร็จ
  • 15:21 - 15:24
    มันก็หาวิธีคิด เกี่ยวกับวัตถุพวกนี้ได้
  • 15:24 - 15:26
    นั่นคือ วิธีแยกสิ่งเหล่านี้
  • 15:26 - 15:29
    คุณคงจะพอเข้าใจเรื่องนี้
  • 15:29 - 15:37
    เรื่องนี้ ไม่ใช่มนุษย์ถูกแทนที่ด้วยคอมพ์
  • 15:37 - 15:40
    แต่เป็นเรื่องที่ พวกเขาทำงานอยู่ด้วยกัน
  • 15:40 - 15:43
    สิ่งที่เราทำจะใช้แทนสิ่งที่เคยใช้ทีมงาน
  • 15:43 - 15:45
    ห้าหรือหกคน นานประมาณเจ็ดปี
  • 15:45 - 15:48
    แล้วเอาสิ่งที่ทำได้ใน 15 นาที มาแทน
  • 15:48 - 15:50
    โดยมีคนหนึ่งคน ปฏิบัติงานคนเดียว
  • 15:50 - 15:54
    กระบวนการนี้ ใช้การวนซํ้าราว 4 - 5 ครั้ง
  • 15:54 - 15:56
    คุณเห็นได้ว่า ตอนนี้เราได้ 62% ของภาพ
  • 15:56 - 15:59
    1.5 ล้านภาพ แยกประเภทแล้วอย่างถูกต้อง
  • 15:59 - 16:01
    ณ. จุดนี้ เราเริ่มจะคว้ามาได้อย่างรวดเร็ว
  • 16:01 - 16:03
    ที่เป็นส่วนใหญ่ๆทั้งหมด
  • 16:03 - 16:06
    ตรวจเช็คตลอด เพื่อให้แน่ใจว่าไม่มีอะไรผิด
  • 16:06 - 16:10
    หากมี เราก็ให้คอมพ์รู้ข้อผิดพลาดเหล่านั้น
  • 16:10 - 16:13
    การใช้กระบวนการนี้ ในแต่ละกลุ่มที่ต่างกัน
  • 16:13 - 16:15
    ปัจจุบันนี้ เรามีอัตราความสำเร็จ ถึง 80%
  • 16:15 - 16:18
    ในการแยกประเภทภาพ 1.5 ล้านภาพนั้น
  • 16:18 - 16:20
    ณ. จุดนี้ เหลือแต่งานที่ต้องหา
  • 16:20 - 16:23
    ภาพจำนวนเล็กน้อย ที่ถูกแบ่งประเภทผิด
  • 16:23 - 16:26
    และต้องพยายามเข้าใจว่า เป็นเพราะเหตุใด
  • 16:26 - 16:28
    และการใช้วิธีดังกล่าวนั้น
  • 16:28 - 16:32
    เพียง 15 นาที เราก็ได้อัตราการแบ่งถึง 97%
    ถูกต้อง
  • 16:32 - 16:37
    เทคนิคแบบนี้ จะช่วยแก้ไขปัญหาสำคัญ
  • 16:37 - 16:40
    คือ การขาดผู้เชี่ยวชาญทางการแพทย์ในโลก
  • 16:40 - 16:43
    การประชุมเศรษฐกิจโลก บอกว่า มีการขาดแพทย์
  • 16:43 - 16:46
    อยู่ระหว่าง 10 และ 20 เท่า ในโลกกำลังพัฒนา
  • 16:46 - 16:48
    และจะใช้เวลาราว 300 ปี
  • 16:48 - 16:51
    เพื่อฝึกคนให้ได้พอ ที่จะแก้ปัญหานั้น
  • 16:51 - 16:54
    คิดดู ถ้าเราช่วยเพิ่มประสิทธิภาพพวกเขาได้
  • 16:54 - 16:56
    โดยใช้วิธีการเรียนรู้ลึกเหล่านี้
  • 16:56 - 16:59
    ผมจึงตื่นเต้นมาก เกี่ยวกับโอกาสเหล่านี้
  • 16:59 - 17:01
    แต่ผมก็ยังห่วงใยในปัญหาที่จะตามมาด้วย
  • 17:01 - 17:04
    ปัญหาตรงนี้คือ ทุกบริเวณสีนํ้าเงินบนแผนที่
  • 17:04 - 17:08
    เป็นการจ้างงานแบบบริการถึง 80%
  • 17:08 - 17:10
    แล้วยอาชีพบริการคืออะไร
  • 17:10 - 17:11
    เหล่านี้คืองานบริการ เป็นสิ่งที่
  • 17:11 - 17:16
    ตรงเผงกับสิ่งที่คอมพ์เพิ่งจะเรียนรู้วิธีทำ
  • 17:16 - 17:19
    ดังนั้น 80% ของการจ้างงานในโลกที่พัฒนาแล้ว
  • 17:19 - 17:22
    จึงเป็นสิ่งที่คอมพ์ เพิ่งจะเรียนรู้วิธีทำ
  • 17:22 - 17:23
    อะไรจะเกิดขึ้น
  • 17:23 - 17:26
    ผลจะโอเค คือจะมีงานอื่น ๆ เกิดขึ้นมาแทน
  • 17:26 - 17:29
    จะมีงานสำหรับนักวิทยาศาสตร์ข้อมูลเพิ่มขึ้น
  • 17:29 - 17:30
    แต่...ก็ไม่เชิง
  • 17:30 - 17:33
    พวกเขาไม่ต้องใช้เวลานานนัก ทำงานเหล่านี้
  • 17:33 - 17:36
    เช่น วิธีคอมพ์ 4 วิธีนี้
    สร้างได้โดยคนๆเดียว
  • 17:36 - 17:38
    แต่ถ้าคิดว่า ทั้งหมดก็เคยเกิดขึ้นมาก่อนนี่
  • 17:38 - 17:42
    เราได้เห็นผลจากอดีต เมื่อเกิดสิ่งใหม่ๆมา
  • 17:42 - 17:44
    คือเกิดงานใหม่ๆ มาแทนงานเก่า
  • 17:44 - 17:46
    แล้วงานใหม่ๆเหล่านี้ จะเป็นงานอะไร
  • 17:46 - 17:48
    มันยากมากที่เราจะประมาณการณ์เรื่องนี้ได้
  • 17:48 - 17:51
    เพราะการทำงานของคน โตได้ในอัตราทีละน้อยนี้
  • 17:51 - 17:54
    แต่ปัจจุบันเรามีระบบ คือการเรียนรู้ลึก
  • 17:54 - 17:57
    ซึ่งจริง ๆ สมรรถภาพโตได้อย่างมากและรวดเร็ว
  • 17:57 - 17:58
    และตอนนี้เราอยู่ที่จุดนั้นแล้ว
  • 17:58 - 18:01
    ดังนั้น ปัจจุบัน เราจึงเห็นสิ่งรอบๆตัวเรา
  • 18:01 - 18:03
    และก็บอกว่า "คอมพ์ยังคงทึ่ม" ใช่มั๊ยครับ
  • 18:03 - 18:07
    แต่ในเวลา 5 ปี คอมพ์จะออกนอกแผนภูมินี้ไป
  • 18:07 - 18:11
    เราจึงจำเป็นต้องเริ่มคิดถึงสมรรถภาพ
    ของคอมพ์ เสียแต่เดี๋ยวนี้
  • 18:11 - 18:13
    เราได้เห็นมาก่อนครั้งหนึ่งแล้ว
  • 18:13 - 18:14
    ในการปฏิวัติอุตสาหกรรม
  • 18:14 - 18:17
    เห็นการเปลี่ยนไปขั้นหนึ่ง ในเรื่องสมรรถภาพ
  • 18:18 - 18:21
    เครื่องยนต์ แต่ไม่นานก็รักษาระดับได้
  • 18:21 - 18:23
    ถึงมีการแตกแยกทางสังคม
  • 18:23 - 18:26
    แต่เมื่อใช้เครื่องยนต์เพื่อสร้างพลังงาน
  • 18:26 - 18:28
    ในทุกสถานการณ์ ความยุ่งยากก็สงบลง
  • 18:28 - 18:30
    ส่วนการปฏิวัติเพราะการเรียนรู้ของเครื่อง
  • 18:30 - 18:33
    จะต่างไปจาก การปฏิวัติอุตสาหกรรมอย่างมาก
  • 18:33 - 18:36
    เพราะปฏิวัติการเรียนรู้ของเครื่อง จะไม่
  • 18:36 - 18:39
    ปักหลักกับที่ ยิ่งคอมพ์ทำงานชาญฉลาดขึ้น
  • 18:39 - 18:43
    มันก็ยิ่งสร้างคอมพ์ที่สมรรภภาพฉลาดยิ่งขึ้น
  • 18:43 - 18:45
    เรื่องนี้ จึงจะเป็นการเปลี่ยนแปลงชนิดที่
  • 18:45 - 18:47
    แท้จริงแล้ว โลกไม่เคยประสบมาก่อน ดังนั้น
  • 18:47 - 18:51
    ความเข้าใจก่อนๆในเรื่องที่เป็นไปได้
    จึงต่างไป
  • 18:51 - 18:53
    เรื่องนี้กำลังส่งผลกระทบกับเราแล้ว
  • 18:53 - 18:56
    25 ปีที่ผ่านมา ขณะที่ประสิทธิภาพการลงทุน
    ได้เพิ่มขึ้น
  • 18:56 - 19:01
    ประสิทธิภาพทางแรงงานกลับราบเรียบ
    กระทั่งตํ่าลงเล็กน้อย
  • 19:01 - 19:04
    ผมจึงอยากให้เรา มาเริ่มอภิปรายเรื่องนี้กัน
  • 19:04 - 19:07
    ผมรู้ เมื่อผมบอกคนบ่อยๆ เรื่องสถานการณ์นี้
  • 19:07 - 19:09
    ผู้คนก็จะไม่ค่อยยอมรับฟัง
  • 19:09 - 19:10
    จริงอยู่ คอมพ์คิดไม่เป็น
  • 19:10 - 19:13
    คอมพ์ไม่แสดงอารมณ์ มันไม่เข้าใจกวีนิพนธ์
  • 19:13 - 19:16
    จริงๆแล้ว เราไม่เข้าใจว่า มันทำงานอย่างไร
  • 19:16 - 19:17
    แล้วยังไงครับ?
  • 19:17 - 19:19
    คอมพ์ปัจจุบันนี้ สามารถทำสิ่งที่
  • 19:19 - 19:22
    มีการจ้างมนุษย์ให้ใช้เวลาส่วนมากทำ
  • 19:22 - 19:24
    ขณะนี้ จึงถึงเวลาแล้ว ที่จะเริ่มคิด
  • 19:24 - 19:28
    วิธีที่เราจะปรับโครงสร้างสังคมและเศรษฐกิจ
  • 19:28 - 19:30
    โดยคำนึงถึง ความเป็นจริงใหม่นี้
  • 19:30 - 19:31
    ขอบคุณครับ
  • 19:31 - 19:32
    (เสียงปรบมือ)
Title:
ผลที่น่ามหัศจรรย์และน่าสะพรึงกลัว ของคอมพิวเตอร์ที่เรียนรู้ได้เอง
Speaker:
เจเรมี่ เฮาวาร์ด
Description:

อะไรจะเกิดขึ้นเมื่อเราสอนให้คอมพิวเตอร์เรียนรู้ นักเทคโนโลยี เจเรมี่ เฮาวาร์ด นำมาบอกเล่าเรื่องการพัฒนาใหม่ที่น่าประหลาดใจ ในสาขาวิชา "การเรียนรู้ลึก" ที่มีการขับเคลื่อนอย่างรวดเร็ว เป็นเทคนิคที่ทำให้คอมพิวเตอร์สามารถเรียนภาษาจีนได้ หรือ ให้มันรู้จำวัตถุที่อยู่ในรูปภาพได้ หรือ ให้มันช่วยทำวินิจฉัยทางการแพทย์ (มีเครื่องมือการเรียนรู้ลึกชนิดหนึ่ง ที่หลังจากดูยูทูบไปหลายชั่วโมง สามารถสอนตัวเองให้ได้ความรู้ในเรื่อง "แมว") เรามาตามประเด็นในสาขาวิชาที่เปลี่ยนวิธีที่คอมพิวเตอร์รอบๆคุณจะปฏิบัติงาน...เร็วเกินกว่าที่คุณอาจจะคาดคิด
more » « less
Video Language:
English
Team:
closed TED
Project:
TEDTalks
Duration:
19:45

Thai subtitles

Revisions

Our website uses cookies for analysis purposes.