有學習能力的電腦帶來的美好但駭人影響
-
0:01 - 0:05過去如果想用電腦來作點新東西,
-
0:05 - 0:06你需要設計程式。
-
0:06 - 0:10而現在,
你們可能沒做過程式設計這件事, -
0:10 - 0:13它需要規劃相當詳細的細節
-
0:13 - 0:17那些你想讓電腦執行的每一個步驟
-
0:17 - 0:19以達到你的目的。
-
0:19 - 0:23如果你沒有概念要怎麼做的話
-
0:23 - 0:25那會是個很大的挑戰。
-
0:25 - 0:28亞瑟·撒姆爾也曾面對這種挑戰。
-
0:28 - 0:32他在 1956 年便想到用這台電腦
-
0:32 - 0:35能夠在西洋跳棋棋賽打敗他。
-
0:35 - 0:37要如何設計這樣的程式?
-
0:37 - 0:40把細節通通寫出來,
如何讓電腦比你還會下棋? -
0:40 - 0:42於是他想出了一個點子:
-
0:42 - 0:46他讓電腦與電腦本身對弈數千次
-
0:46 - 0:48以學習如何玩西洋棋。
-
0:48 - 0:52然而,在 1962 年做到了,
-
0:52 - 0:56電腦打敗了康乃狄克州的冠軍。
-
0:56 - 0:59於是亞瑟·撒姆爾
成為了機器學習之父, -
0:59 - 1:00我尊敬他,
-
1:00 - 1:03因為我也是個機器學習實踐者,
-
1:03 - 1:04我曾是 Kaggle 的會長,
-
1:04 - 1:08Kaggle 是個超過 20 萬人的
機器學習實踐者的社群。 -
1:08 - 1:10Kaggle 設立了一些比賽
-
1:10 - 1:14讓他們參與解決
過去無法解決的問題, -
1:14 - 1:17而有上百的成功個案。
-
1:17 - 1:20從這有利的環境中,
我發現 -
1:20 - 1:24很多機器學習在
過去和現在可以做到的事情, -
1:24 - 1:26還有未來可以做到的事。
-
1:26 - 1:31第一個機器學習的
商業成功案例是谷歌。 -
1:31 - 1:34谷歌展示找尋資料的方法
-
1:34 - 1:36是使用計算機演算法,
-
1:36 - 1:38而這演算法是以機器學習為基礎。
-
1:38 - 1:42自此,機器學習
有很多的商業成功例子, -
1:42 - 1:44譬如亞馬遜和奈飛公司
-
1:44 - 1:48用機器學習會向你推薦
你可能想買的商品, -
1:48 - 1:50你可能想看的影片。
-
1:50 - 1:52有時,你可能會很訝異。
-
1:52 - 1:54像領英和臉書等公司
-
1:54 - 1:56有些時候會告訴你
誰會是你的朋友 -
1:56 - 1:58而你根本不知道他們是如何做到的,
-
1:58 - 2:01因為他們用了
機器學習這強大的功能。 -
2:01 - 2:04演算法從資料去學習這類事情
-
2:04 - 2:07不需要動手去編寫程式。
-
2:07 - 2:10這也是 IBM 過去能成功的原因
-
2:10 - 2:14讓超級電腦「華生」在「危機遊戲」中
打敗兩屆世界冠軍。 -
2:14 - 2:17回答一些細碎和複雜的問題,像是
-
2:17 - 2:20「2003年,古獅像在這城市的
國家博物館消失了(連同其他物品)」 -
2:20 - 2:23這也是我們現在能看到第一部
自行駕駛汽車的原因。 -
2:23 - 2:26如果你能說出不同點,像是
-
2:26 - 2:28一棵樹和一條行人道,
那顯得非常重要。 -
2:28 - 2:31我們不知道如何設計這樣的程式,
-
2:31 - 2:34不過通過機器,這就成為可能。
-
2:34 - 2:37事實上,
這部汽車已經行駛一百萬英哩 -
2:37 - 2:40在正常路面沒有發生事故。
-
2:40 - 2:44我們現在都知道電腦能夠學習,
-
2:44 - 2:46學習做一些
-
2:46 - 2:49有時我們自己也不知道怎麼做的事,
-
2:49 - 2:52還可能比我們做得更好。
-
2:52 - 2:56其中一個機器學習的經典例子
-
2:56 - 2:58是我在 Kaggle 所做的一個專案
-
2:58 - 3:02由傑佛里·辛頓帶領的團隊
-
3:02 - 3:03他是多倫多大學的教授
-
3:03 - 3:06他們贏了新藥研發的比賽。
-
3:06 - 3:09他們出色地方
不只打敗了 -
3:09 - 3:13默克藥廠或國際學術社群
所研發的演算法, -
3:13 - 3:18他們的團隊沒有化學
生物或生命科學的背景, -
3:18 - 3:20而且只花了兩個星期就完成。
-
3:20 - 3:22他們怎麼做到的?
-
3:22 - 3:25他們用了一個很出色的演算法
叫做「深度學習」。 -
3:25 - 3:28這是重要且成功的事情
-
3:28 - 3:31在數星期後
被刊登在紐約時報頭版。 -
3:31 - 3:34左手邊那位是傑佛里·辛頓。
-
3:34 - 3:38深度學習是一種
受到人類大腦啟發的演算法, -
3:38 - 3:40它是一種演算法
-
3:40 - 3:44做法不受理論限制的演算法。
-
3:44 - 3:47你給它越多的資料和
運算時間, -
3:47 - 3:48會得到更好的結果。
-
3:48 - 3:51紐約時報的文章裡
-
3:51 - 3:53也介紹到深度學習的非凡成就
-
3:53 - 3:56我現在要展示給你們看。
-
3:56 - 4:01它顯示電腦能聽懂和理解資料的能力。
-
4:01 - 4:03(影片)理察·拉希德:
現在,最後一步是 -
4:03 - 4:06我能夠理解這個程序
-
4:06 - 4:11我能夠跟你說中文。
-
4:11 - 4:14現在關鍵的是,
-
4:14 - 4:19我們從很多講中文的人士中
收集大量的資訊 -
4:19 - 4:21然後產生文字轉化語言的系統
-
4:21 - 4:26將中文文字轉化成中文語言,
-
4:26 - 4:30然後錄一個小時我自己的聲音
-
4:30 - 4:32我們使用它去調變
-
4:32 - 4:36使標準文字轉化語音系統的聲音
聽起來像我的聲音。 -
4:36 - 4:39再一次,雖然結果沒有很完美,
-
4:39 - 4:42裡面還有一些錯誤。
-
4:42 - 4:44(中文)
-
4:44 - 4:47(掌聲)
-
4:49 - 4:53在這個領域還有很多工作要做。
-
4:53 - 4:57(中文)
-
4:57 - 5:00(掌聲)
-
5:01 - 5:05傑里米·霍華德:那是在中國舉行的
機器學習研討會。 -
5:05 - 5:07那不常有,事實上,
在學術會議上 -
5:07 - 5:09聽到熱烈的掌聲,
-
5:09 - 5:13雖然有些時候
TEDx 講座不拘泥形式。 -
5:13 - 5:15你所看到的都是出於深度學習
-
5:15 - 5:17(掌聲)謝謝。
-
5:17 - 5:19英文文字翻譯由深度學習完成的。
-
5:19 - 5:23翻譯成中文和右上角的文稿
也是出於深度學習, -
5:23 - 5:26連創建聲音也都是深度學習。
-
5:26 - 5:29深度學習是如此的神奇。
-
5:29 - 5:32它是個單一的演算法
似乎可以完成任何事情, -
5:32 - 5:35我一年前還發現它可以學會看
-
5:35 - 5:38這個德國遊戲的比賽
-
5:38 - 5:40叫德國交通標誌確認基準,
-
5:40 - 5:44深度學習能認出這個交通標誌。
-
5:44 - 5:46它不只確認交通標誌的能力
-
5:46 - 5:47比其他的演算法好,
-
5:47 - 5:50在排行榜上更顯示它做得比人類好,
-
5:50 - 5:52正確性是人類的兩倍。
-
5:52 - 5:542011 以前,我們有了第一個例子
-
5:54 - 5:57視力高於人類的電腦。
-
5:57 - 5:59從那時開始,許多電腦也可以做到。
-
5:59 - 6:032012 年谷歌宣佈
使用深度學習演算法 -
6:03 - 6:04來監看 Youtube 影片
-
6:04 - 6:08收集一個月 1,600 台電電腦的資料,
-
6:08 - 6:12電腦獨立識別
人或貓的概念 -
6:12 - 6:14僅透過觀看影片。
-
6:14 - 6:16這樣更像人類的學習方式。
-
6:16 - 6:19人類並非通過別人的指示來學習,
-
6:19 - 6:22而是從自己搞懂事情來學習。
-
6:22 - 6:26在 2012 年傑佛里·辛頓
我們之前看到的人, -
6:26 - 6:29贏了很有名的映像網路比賽,
-
6:29 - 6:33嘗試從 150 萬的圖像中找出
-
6:33 - 6:34想要的圖像。
-
6:34 - 6:382014 年, 我們現在
圖像辨識的錯誤率 -
6:38 - 6:39降到 6% 以下。
-
6:39 - 6:41這再次證明它比人類優秀。
-
6:41 - 6:45可見機器
真可以做到如此非凡的成就, -
6:45 - 6:47它現在已經用在產業上了。
-
6:47 - 6:50比如說,谷歌去年宣佈
-
6:50 - 6:55他們可以在兩小時内把
法國每一個位置繪成地圖, -
6:55 - 6:58他們用的方式是
把街景圖像 -
6:58 - 7:03輸入深度學習演算法
來辨認和讀取街道號碼。 -
7:03 - 7:05想想我們以前需要花多少時間?
-
7:05 - 7:08至少好幾十人加上好幾年呢。
-
7:08 - 7:10同樣的情況也發生在中國。
-
7:10 - 7:14我想「百度」類似中國的谷歌,
-
7:14 - 7:17在左上角你會看見
-
7:17 - 7:20一張我上傳到
百度深度學習系統的圖片, -
7:20 - 7:24下方你可以看到
系統可以理解這張圖片 -
7:24 - 7:26而且能找到相似的圖像。
-
7:26 - 7:29類似的圖像
也就是有相似的背景, -
7:29 - 7:31相似面孔的角度,
-
7:31 - 7:33有的圖像甚至有伸出舌頭。
-
7:33 - 7:36這個網頁的文字看不大清楚,
-
7:36 - 7:37因為我上傳的都是圖像。
-
7:37 - 7:41這顯示了電腦能明白他們所看到的
-
7:41 - 7:43電腦能夠搜尋資料庫
-
7:43 - 7:46以即時的方式從億萬張圖片中搜尋。
-
7:46 - 7:50現在的電腦能夠去看
是表示什麼意思呢? -
7:50 - 7:52其實電腦不只能看見。
-
7:52 - 7:54事實上深度學習可以做得更多。
-
7:54 - 7:57像這個樣複雜,僅有小小差別的句子
-
7:57 - 7:59現在的深度學習演算法能夠理解。
-
7:59 - 8:01你可以看到,
-
8:01 - 8:03這以史丹福為基礎的系統
顯示上面的紅點 -
8:03 - 8:07指這句子是在表達負面的情緒。
-
8:07 - 8:11深度學習現在已經接近人類的行為
-
8:11 - 8:16能理解句子是要表達什麼。
-
8:16 - 8:19同時,深度學習也能用以閱讀中文,
-
8:19 - 8:22程度相當於以中文為母語的水平。
-
8:22 - 8:24這演算法發展於瑞士
-
8:24 - 8:27沒有一個會說中文的團隊。
-
8:27 - 8:29像我說的,深度學習
-
8:29 - 8:32是一個最好的系統
對完成這任務來說, -
8:32 - 8:37甚至比人類還要好。
-
8:37 - 8:40這個系統是我公司建立的
-
8:40 - 8:42要把這些東西都集中在一起。
-
8:42 - 8:44這是一些沒有文字描述的圖片,
-
8:44 - 8:47我在這裡輸入句子,
-
8:47 - 8:50它在同步理解這些照片
-
8:50 - 8:51找出它們是有關什麼的照片
-
8:51 - 8:54也找出跟我句子相關類似的圖片。
-
8:54 - 8:57所以你看,
它真的能理解我的句子。 -
8:57 - 8:59也完全的理解這些圖片。
-
8:59 - 9:02你在谷歌上也看過類似的,
-
9:02 - 9:05你可以輸入文字
而它會顯示圖片, -
9:05 - 9:08但事實上,它在尋索網頁上的文字。
-
9:08 - 9:11這跟理解圖片有很大的不同。
-
9:11 - 9:14理解圖片只有電腦可以做
-
9:14 - 9:17電腦在過去幾個月才會做的事。
-
9:17 - 9:21電腦不單能看見
也能閱讀, -
9:21 - 9:25而且我們顯示了電腦能理解所聽到的。
-
9:25 - 9:28或許不意外地,
我要告訴你們電腦也能書寫。 -
9:28 - 9:33這是我昨天用深度學習演算法
所產生的文字。 -
9:33 - 9:37這裡有一些非史丹佛演算法
所產生的文字。 -
9:37 - 9:39這些句子的產生
-
9:39 - 9:43是透過深度學習演算法
對圖片進行描述。 -
9:43 - 9:48這演算法是電腦從來沒有看見過
一個穿黑襯衫的男子彈吉他。 -
9:48 - 9:50電腦見過男人,
看過黑色, -
9:50 - 9:51見過吉他,
-
9:51 - 9:56它自己便對圖片做出描述。
-
9:56 - 9:59雖然還沒有超越人類,
不過很接近了。 -
9:59 - 10:03依據統計,人們較喜歡
電腦的圖片說明 -
10:03 - 10:05有四分之一的人會做這樣的選擇。
-
10:05 - 10:07這系統在兩個星期前開發完成,
-
10:07 - 10:09估計在明年,
-
10:09 - 10:12電腦演算法將會超越人類
-
10:12 - 10:13如果依照這樣的速度發展下的話。
-
10:13 - 10:16到時候電腦也會書寫了。
-
10:16 - 10:20我們把這些都放在一起,
讓它來引導到一個令人振奮的時機。 -
10:20 - 10:21像在藥物方面,
-
10:21 - 10:24一個波士頓的團隊
宣佈他們發現了 -
10:24 - 10:27數十種腫瘤的臨床特徵
-
10:27 - 10:31幫助醫生預測癌症。
-
10:32 - 10:35同樣的,在史丹佛,
-
10:35 - 10:38一個組織宣佈
在放大鏡下觀察組織, -
10:38 - 10:41他們開發
一個以機器學習為基礎的系統 -
10:41 - 10:43比人類病理學家更有效地
-
10:43 - 10:48預測癌症病患的生存率。
-
10:48 - 10:51這些例子,
不但能更準確地預測, -
10:51 - 10:53而且也能帶來更多科技上的洞見。
-
10:53 - 10:55在放射學的個案中,
-
10:55 - 10:58他們是人類所能理解的新臨床指標。
-
10:58 - 11:00在這病理學個案,
-
11:00 - 11:04電腦系統發現癌症周圍的細胞
-
11:04 - 11:08在診斷的時候
-
11:08 - 11:09是跟癌細胞一樣重要。
-
11:09 - 11:15這跟病理學家
10 年來的說法相反。 -
11:15 - 11:18在這兩個個案,
系統的開發人員 -
11:18 - 11:22是由醫學專家
和機器學習專家所組成, -
11:22 - 11:24但自去年開始,
我們也超越了這些。 -
11:24 - 11:28這是確認癌症範圍的例子
-
11:28 - 11:30是在顯微鏡下的人類組織。
-
11:30 - 11:35系統顯示可以更準確地確認範圍,
-
11:35 - 11:38如病理學家般準確,
-
11:38 - 11:41不過沒有藥物專家
來建構整套深度學習系統 -
11:41 - 11:44系統是由一些
沒有專業背景的人完成。 -
11:45 - 11:47同樣地,從是細胞分裂。
-
11:47 - 11:51我們的系統可以像人類般
精確地分裂神經細胞, -
11:51 - 11:54不過開發這套深度學習系統
-
11:54 - 11:57沒有一個人來自醫學背景。
-
11:57 - 12:00就是我和一些沒有醫學背景的人,
-
12:00 - 12:04看來我頗有資格開一家醫藥公司。
-
12:04 - 12:06我確實這麼做了。
-
12:06 - 12:08我是以戒慎恐懼的心情開始做,
-
12:08 - 12:11不過理論顯示
這是可行的 -
12:11 - 12:16用這些資料分析技術來
製作有效的藥物。 -
12:16 - 12:19感恩的是
回應也挺不錯, -
12:19 - 12:21這回應不只是來自媒體,
而且還有醫藥社群, -
12:21 - 12:23他們都很支持。
-
12:23 - 12:27理論上我們能在醫務過程中
-
12:27 - 12:30盡量轉換成資料分析,
-
12:30 - 12:33讓醫生去做他們擅長的。
-
12:33 - 12:35我舉一個例子。
-
12:35 - 12:40我們現在花 15 分鐘
來創造一項新的醫學診斷測試 -
12:40 - 12:42我會讓你同步看到過程,
-
12:42 - 12:45不過我已刪除部分資料
壓縮成三分鐘。 -
12:45 - 12:48我不會向你們展示
創造出來的醫學診斷測試, -
12:48 - 12:52我要向你們展示
一項汽車圖片的診斷測試, -
12:52 - 12:54因為這個我們都能理解。
-
12:54 - 12:57我們從 150 萬張
的汽車圖片開始, -
12:57 - 13:00我希望創造一些東西
把圖片分類 -
13:00 - 13:03而且依圖片拍攝的角度來分類。
-
13:03 - 13:07這些圖片完全沒有標題,
我必需從零開始。 -
13:07 - 13:08深度學習演算法,
-
13:08 - 13:12它能自動確認
這些圖片的結構。 -
13:12 - 13:16美好的是
人和電腦可以合作 -
13:16 - 13:18看看這裡,這個人,
-
13:18 - 13:21正在告訴電腦
關於感興趣的範圍 -
13:21 - 13:25而電腦會嘗試用它
來改善電腦的演算法。 -
13:25 - 13:30這些深度學習系統
有 16,000 個立體空間, -
13:30 - 13:33你可以看見電腦
讓他們在這空間旋轉, -
13:33 - 13:35嘗試找出新的區域結構。
-
13:35 - 13:37當它成功時,
-
13:37 - 13:41在開車的人能夠
指出有興趣的地方。 -
13:41 - 13:43這裡,電腦成功的找到了那地區,
-
13:43 - 13:46再舉例,角度,
-
13:46 - 13:47通過這個過程,
-
13:47 - 13:50我們漸漸地告訴電腦更多
-
13:50 - 13:52關於我們在找的結構類型。
-
13:52 - 13:54你可以想像一個診斷測試
-
13:54 - 13:57像是一個病理學家辨認
病症的範圍, -
13:57 - 14:02或是放射治療師界定
潛在的腫瘤。 -
14:02 - 14:05有些時候對演算法來說
是有些困難。 -
14:05 - 14:07在我們這個例子,它會出現混亂。
-
14:07 - 14:09汽車的正面和背面
都混淆不清了。 -
14:09 - 14:11我們需要更小心,
-
14:11 - 14:15手動選出正面
跟背面有相反效果的文字, -
14:15 - 14:20然後告知電腦
這是一種 -
14:20 - 14:22我們有興趣的一類。
-
14:22 - 14:24這要花了一些時間來做,
所以我們跳過, -
14:24 - 14:26然後我們訓練
機器學習演算法 -
14:26 - 14:28以好幾百張圖片去訓練它,
-
14:28 - 14:30我們希望它會做得更好。
-
14:30 - 14:34你可以看見,它開始
刪除一些圖片, -
14:34 - 14:38顯示它已經知道
可以自己理解這些圖片。 -
14:38 - 14:41我們運用相似圖片的概念,
-
14:41 - 14:43用類似的圖片,你可以看到,
-
14:43 - 14:47電腦現在可以
完全找到正面的汽車。 -
14:47 - 14:50這時,
人類可以告訴電腦, -
14:50 - 14:52對,你做的很好。
-
14:54 - 14:56當然,有些時候,即使在這個階段
-
14:56 - 15:00分組仍然是困難的。
-
15:00 - 15:03在這情況,儘管我們讓
電腦嘗試旋轉圖片一陣子, -
15:03 - 15:07我們還是發現左邊
和右邊的圖片 -
15:07 - 15:08是混淆在一起的。
-
15:08 - 15:10於是我們再次
給電腦一些提示, -
15:10 - 15:13像是嘗試去發現一個計畫可以
-
15:13 - 15:16儘量區分出左邊和右邊的圖片
-
15:16 - 15:18是透過使用深度學習演算法。
-
15:18 - 15:21給予提示後,
好,它已經完成了。 -
15:21 - 15:24它找到一個方法
想像這些目標 -
15:24 - 15:26來分別這些分類。
-
15:26 - 15:29你現在知道了。
-
15:29 - 15:37這並不是電腦取代人類,
-
15:37 - 15:40而是兩者一起合作。
-
15:40 - 15:43我們在做的事情是
在過去需要 -
15:43 - 15:455 或 6 個人
花 7 年時間完成的事情 -
15:45 - 15:48現在只需一個人
-
15:48 - 15:5015 分鐘來完成。
-
15:50 - 15:54這個過程需要重覆 4 或 5 次。
-
15:54 - 15:56你現在可以看到
-
15:56 - 15:59我們在 150 萬的圖片中
有 62% 是正確分類。 -
15:59 - 16:01現在,可見我們可以迅速地
-
16:01 - 16:03掌握整個大部分資料,
-
16:03 - 16:06再檢查以確定沒有錯誤。
-
16:06 - 16:10有錯誤,我們可以
讓電腦知道錯誤的地方。 -
16:10 - 16:13每一個不同的分類
我們都使用這種程序來做, -
16:13 - 16:15我們現在
在分辨 150 萬張的圖片時 -
16:15 - 16:18有超過 80% 的成功率,
-
16:18 - 16:20現在,在這個案例
-
16:20 - 16:23找到少數幾個不正確的分類,
-
16:23 - 16:26讓電腦了解原因。
-
16:26 - 16:28用這種方法,
-
16:28 - 16:3215 分鐘就有 97% 的分辨率。
-
16:32 - 16:37這種技術可以幫助
解決一個重要的問題, -
16:37 - 16:40醫療專家不足的問題。
-
16:40 - 16:43世界經濟論壇表示
-
16:43 - 16:46在發展中國家,內科醫生
有 10 倍到 20 倍的短缺。 -
16:46 - 16:48這要三百年的時間
-
16:48 - 16:51才能訓練足夠的人
來處理這個問題。 -
16:51 - 16:54想像一下,
我們是否可以幫助提高效率 -
16:54 - 16:56是使用深度學習這個方法來提升?
-
16:56 - 16:59我對這個機會感到很興奮。
-
16:59 - 17:01我也關注這些問題。
-
17:01 - 17:04問題是在這地圖上每個藍色的地方
-
17:04 - 17:08那裡都有 80% 的服務人員。
-
17:08 - 17:10什麼是服務?
-
17:10 - 17:11這些就是服務。
-
17:11 - 17:16電腦剛學會如何去做是確實的事。
-
17:16 - 17:19發展中國家 80% 的僱員工作
-
17:19 - 17:22電腦已開始學習如何做。
-
17:22 - 17:23這意味什麼?
-
17:23 - 17:26那可好。
他們將會被其他的職業取代。 -
17:26 - 17:29舉例:需要更多科學家來工作。
-
17:29 - 17:30不過,這不完全正確。
-
17:30 - 17:33數據科學家
不需要花很久的時間去做這些事情。 -
17:33 - 17:36例如,這四個演算法是同一個人設計的。
-
17:36 - 17:38若你認為這些
以前都發生過, -
17:38 - 17:42過去我們看過
新事物出現的結果 -
17:42 - 17:44他們被新的職務所取替,
-
17:44 - 17:46那些新的職業會是什麼呢?
-
17:46 - 17:48我們很難去判斷,
-
17:48 - 17:51因為人類的能力
以這個速度逐漸成長, -
17:51 - 17:54我們現在有了深度學習系統,
-
17:54 - 17:57我們知道
以指數的方式增長。 -
17:57 - 17:58我們在這裡。
-
17:58 - 18:01最近,我們看周圍的事物
-
18:01 - 18:03會說:電腦還是很笨,不是嗎?
-
18:03 - 18:07但是在五年內,
電腦將會超越這張圖表。 -
18:07 - 18:11我們需要開始思考這個能力。
-
18:11 - 18:13當然,我們曾經看過這個。
-
18:13 - 18:14在工業革命時期,
-
18:14 - 18:17發動機讓生產力往前跨一大步。
-
18:18 - 18:21雖然,一段時間之後,
事情轉為平靜。 -
18:21 - 18:23那時社會混亂,
-
18:23 - 18:26發動機被普遍使用
產生動力, -
18:26 - 18:28事情就能真正得到解決。
-
18:28 - 18:30機器學習革命
-
18:30 - 18:33與工業革命大不相同,
-
18:33 - 18:36因為機器學習革命,
永遠不會停下來。 -
18:36 - 18:39電腦更具智力活動,
-
18:39 - 18:43他們能製造更好的電腦
去運作更好的智能活動, -
18:43 - 18:45這是一種改變
-
18:45 - 18:47從未經歷過的改變,
-
18:47 - 18:51你之前的理解的可能性是不同的。
-
18:51 - 18:53這已經影響我們。
-
18:53 - 18:56過去 25 年,
資本生產力一直在增長, -
18:56 - 19:01勞動生產力已經放緩,
事實上已有一點點下降。 -
19:01 - 19:04我想我們開始討論這個議題。
-
19:04 - 19:07我知道當我告訴別人這種情況時,
-
19:07 - 19:09人們可以不以為然。
-
19:09 - 19:10電腦不會思考,
-
19:10 - 19:13它們沒有感情,
也不了解詩, -
19:13 - 19:16我們不真正理解它們怎麼運作。
-
19:16 - 19:17可是,哪又如何?
-
19:17 - 19:19電腦現在可以作
-
19:19 - 19:22人們花大部分時間
得到報酬所做的事情, -
19:22 - 19:24所以我們該是思考的時候
-
19:24 - 19:28我們如何調整我們的社會和經濟結構
-
19:28 - 19:30請關注這些新的改變。
-
19:30 - 19:31謝謝
-
19:31 - 19:32(掌聲)
- Title:
- 有學習能力的電腦帶來的美好但駭人影響
- Speaker:
- 傑瑞米.霍華德
- Description:
-
當我們知道電腦如何學習會發生什麼事情?科學技術家傑瑞米.霍華德分享了一些深度學習驚人的迅速發展情況,那是一種科技可以讓電腦學中文和確認圖片和思考一些醫學診斷。(一項深度學習儀器看了數小時 Youtube 之後,學會了貓這個概念)。你身邊的電腦獲得某一領域專業知識的方法將改變,改變的速度比想像的還要快。
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 19:45
Geoff Chen approved Chinese, Traditional subtitles for The wonderful and terrifying implications of computers that can learn | ||
Geoff Chen edited Chinese, Traditional subtitles for The wonderful and terrifying implications of computers that can learn | ||
Geoff Chen edited Chinese, Traditional subtitles for The wonderful and terrifying implications of computers that can learn | ||
Geoff Chen edited Chinese, Traditional subtitles for The wonderful and terrifying implications of computers that can learn | ||
Yamei Huang accepted Chinese, Traditional subtitles for The wonderful and terrifying implications of computers that can learn | ||
Yamei Huang edited Chinese, Traditional subtitles for The wonderful and terrifying implications of computers that can learn | ||
Yamei Huang edited Chinese, Traditional subtitles for The wonderful and terrifying implications of computers that can learn | ||
Yamei Huang edited Chinese, Traditional subtitles for The wonderful and terrifying implications of computers that can learn |