رایانهها چطور خلاقیت را یاد میگیرند
-
0:01 - 0:04من مدیر گروهی در گوگل هستم
که در مورد هوش مصنوعی کار میکند؛ -
0:04 - 0:09به عبارت دیگر، راهکارهای مهندسی
برای اینکه رایانهها و دستگاه ها -
0:09 - 0:11بتوانند بعضی از کارهای مغز رو انجام بدهند.
-
0:11 - 0:15و این ما رو به مغز و همچنین
-
0:15 - 0:16علوم اعصاب علاقهمند میکند،
-
0:16 - 0:20و خصوصا به کارهایی که مغزمان انجام میدهد
-
0:20 - 0:24که همچنان بسیار فراتر
از کارایی رایانههاست. -
0:25 - 0:29از دیدگاه تاریخی، یکی از این حوزهها
ادراک بوده است، -
0:29 - 0:32فرایندی که درآن چیزهای دنیای بیرون --
-
0:32 - 0:33اصوات و تصاویر --
-
0:34 - 0:36میتوانند به موضوعاتی ذهنی تبدیل شوند.
-
0:36 - 0:39این برای مغز ما اساسی است،
-
0:39 - 0:41و همچنین بسیار مفید در یک رایانه.
-
0:42 - 0:45برای مثال، آلگوریتمهای ادراک ماشینی،
که گروه ما تولید میکنند، -
0:45 - 0:49چیزی است که تصاویر شما
در گوگل فوتو را قابل جستجو میکنند، -
0:49 - 0:50با توجه به چیزهایی که در آنهاست.
-
0:52 - 0:55روی دیگر ادراک خلاقیت است:
-
0:55 - 0:58تبدیل موضوع به چیزی آنجا در جهان.
-
0:58 - 1:02در سال گذشته،
کار ما در ادراک ماشین -
1:02 - 1:07به شکلی غیر منتظره با
دنیای خلاقیت ماشینی مرتبط شد -
1:07 - 1:08و هنر ماشینی.
-
1:09 - 1:12به نظر من میکلآنژ دیدگاه عمیقی
-
1:12 - 1:16در ارتباط دوگانه میان
ادراک و خلاقیت داشت. -
1:16 - 1:18این گفته مشهوری از اوست:
-
1:18 - 1:21«هر قطعه سنگی شرایط خاص خود را دارد،
-
1:22 - 1:25و وظیفه مجسمهساز کشف آن است.»
-
1:26 - 1:29به نظر من آنچه میکلآنژعنوان میکند
-
1:29 - 1:32این است که خلاقیت ما از راه ادراک است،
-
1:32 - 1:35و اینکه خود ادراک، ناشی از تصور است
-
1:36 - 1:38که ماده اولیه خلاقیت است.
-
1:39 - 1:43عضوی که تمامی تفکر و ادراک و تصور را
بر عهده دارد، -
1:43 - 1:44مسلما، مغز است.
-
1:45 - 1:48و میخواهم تا تاریخچه مختصری
-
1:48 - 1:50از آنچه در باره مغز میدانیم بگویم.
-
1:50 - 1:53چون برخلاف، مثلا،
قلب یا رودهها، -
1:53 - 1:56خیلی از اعمال مغزرا با تنها نگاه کردن
به آن نمیفهمی، -
1:56 - 1:58حداقل با چشم معمولی.
-
1:58 - 2:00اولین کالبد شناسانی
که به مغز توجه کردند -
2:00 - 2:04انواع اسمهای عجیب و غریب را
به ساختارهای سطحی آن دادند، -
2:04 - 2:07مثل هیپوکمپوس، یعنی «میگوی کوچک».
-
2:07 - 2:09ولی البته این چیزها توضیح زیادی
-
2:09 - 2:12از آنچه واقعا در درون آن
اتفاق میافتد نمی دهد. -
2:13 - 2:16اولین کسی که، به نظرم، واقعا
یک بررسی از آنچه -
2:16 - 2:18واقعا در مغز اتفاق میافتد انجام داد
-
2:18 - 2:22عصب شناس بزرگ اسپانیایی،
سانتیاگو رامون ای کاخال بود، -
2:22 - 2:24در قرن ۱۹،
-
2:24 - 2:28که از میکروسکوپ و رنگ آمیزی
خاصی استفاده کرد -
2:28 - 2:32که به انتخاب میتوانست با تضاد رنگ خوبی
-
2:32 - 2:34هر سلول مغز را پر یا روکش کند،
-
2:34 - 2:37تا بتواند شروع به درک کارایی ظاهری آن کند.
-
2:38 - 2:41و اینها طراحیهایی است
که او از نورونها ساخته -
2:41 - 2:42در قرن ۱۹ میلادی.
-
2:42 - 2:44این از مغز یک پرنده است.
-
2:44 - 2:47و اینجا انواع بسیار مختلفی از سلولها
را میبینید، -
2:47 - 2:51حتی خود نظریه سلولی
در این زمان بسیار جدید بود. -
2:51 - 2:52و این ساختارها،
-
2:52 - 2:54این سلولها که دارای ارایش درختی هستند،
-
2:54 - 2:57این شاخهها که میتوانند
تا فاصلههای بسیار زیاد بروند -- -
2:57 - 2:58در آن زمان بسیار جدید بودند.
-
2:59 - 3:02درست مثل سیم کشی میمانند.
-
3:02 - 3:05و برای بعضی ها در قرن ۱۹ خیلی بدیهی بود؛
-
3:05 - 3:10انقلاب الکتریسیته
و سیم کشی تازه شروع شده بود. -
3:10 - 3:11اما از خیلی جنبهها،
-
3:11 - 3:14این ریز طراحیهای تشریحی
توسط رامون ای کاخال، مثل این، -
3:15 - 3:17همچنان در نوع خود بینظیرند.
-
3:17 - 3:19هنوز بعد از یک قرن،
-
3:19 - 3:22میخواهیم کاری که رامون ای کاخال
شروع کرده را تمام کنیم. -
3:22 - 3:25این ها اطلاعات خامی هستند
که همکارانمان -
3:25 - 3:28در انستیتو عصب شناسی ماکس پلانک
تهیه کرده اند. -
3:28 - 3:29و کاری که همکارانمان انجام دادهاند
-
3:29 - 3:34تصویربرداری از بافت کوچکی از مغز است.
-
3:34 - 3:38کل نمونه در اندازه یک میلیمتر مکعب است.
-
3:38 - 3:40و من بخش خیلی خیلی کوچکی
از آن را به شما نشان میدهم. -
3:40 - 3:43آن میله در چپ اندازه یک میکرون است.
-
3:43 - 3:45ساختاری که میبینید یک میتوکندری است
-
3:45 - 3:47که به اندازه یک باکتری آست.
-
3:47 - 3:49و اینها برشهای پشت هم هستند
-
3:49 - 3:52در این بخش بسیار بسیار کوچک بافت.
-
3:52 - 3:55تنها برای مقایسه،
-
3:55 - 3:58قطر یک تار مو حدود ۱۰۰ میکرون است.
-
3:58 - 4:01پس ما به چیزهایی خیلی، خیلی کوچکتر
-
4:01 - 4:02از یک تار مو نگاه میکنیم.
-
4:02 - 4:06و با استفاده از این نوع
برشهای میکروسکوپ الکترونی، -
4:06 - 4:11میتوان نورونهای
سه بعدی مثل این را بازسازی کرد. -
4:11 - 4:14پس اینها به شکلی مشابه
کارهای رامون ای کاخال است. -
4:14 - 4:16فقط چند نورون مشخص شدهاند،
-
4:16 - 4:19چون در غیر این صورت نمیتوانستیم
چیزی را ببینیم. -
4:19 - 4:20چون آنقدر شلوغ،
-
4:20 - 4:21و پر از ساختارهای،
-
4:21 - 4:24ارتباطی از یک نورون به دیگری بود.
-
4:25 - 4:28پس رامون ای کاخال
از زمانهاش کمی جلوتر بود، -
4:28 - 4:31و پیشرفت در فهمیدن مغز
-
4:31 - 4:33در چند دهه بعد به کندی پیش میرفت.
-
4:33 - 4:36ما میدانستیم که نورونها
از الکتریسیته استفاده میکنند، -
4:36 - 4:39تا زمان جنگ جهانی دوم،
فناوری ما به اندازهای پیشرفت کرد -
4:39 - 4:42تا شروع به آزمایش های الکتریکی
روی نورونهای زنده کنیم -
4:42 - 4:44تا درک بهتری از کارکردشان داشته باشیم.
-
4:45 - 4:49و این همان وقتی بود
که رایانهها اختراع شدند، -
4:49 - 4:52کاملا بر مبنای ایده و الگو سازی از مغز --
-
4:52 - 4:55«ماشینهای هوشمندی»
که آلن تورینگ نام گذاری کرده بود، -
4:55 - 4:57یکی از پدران علوم رایانه.
-
4:58 - 5:03وارن مک کلوچ و والتر پیتس
به طرح های رامون ای کاخال -
5:03 - 5:04از قشر بینایی نگاه کردند،
-
5:04 - 5:05که اینجا نشان میدهم.
-
5:06 - 5:10این قشری است که تصاویری که
از چشم میآید را پردازش میکند. -
5:10 - 5:14و از نظر آنها، مثل مدارات الکتریکی بود.
-
5:14 - 5:18در نتیجه جزئیات زیادی
در مدارات مک کلوچ و پیتس وجود دارند -
5:18 - 5:20که کاملا درست نیستند.
-
5:20 - 5:21اما این ایده اولیه
-
5:21 - 5:25که قشر بینایی مانند تعدادی
مدارات رایانهای عمل میکند -
5:25 - 5:28که بصورت سری اطلاعات را
از یکی به دیگری انتقال میدهد، -
5:28 - 5:29در پایه صحیح بود.
-
5:29 - 5:32بگذارید لحظهای در مورد
-
5:32 - 5:36روشی که برای پردازش اطلاعات تصویری
نیاز داریم صحبت کنیم. -
5:36 - 5:39وظیفه اصلی ادراک
-
5:39 - 5:43دریافت تصویری مثل این و بیان،
-
5:43 - 5:44« این پرنده است،»
-
5:44 - 5:47که واقعا موضوع سادهای برای مغز ماست.
-
5:47 - 5:51اما باید بدانید که برای یک رایانه،
-
5:51 - 5:54تا چند سال پیش تقریبا غیر ممکن بود.
-
5:54 - 5:56برای روش های سنتی رایانه
-
5:56 - 5:58انجام این کار ساده نیست.
-
5:59 - 6:02اتفاقی که بین پیکسلهای تصویر،
-
6:02 - 6:06بین تصویر پرنده
و کلمه «پرنده» اتفاق میافتد، -
6:06 - 6:09اساسا دستهای از نورونهای متصل به هم است
-
6:09 - 6:10در یک شبکه عصبی،
-
6:10 - 6:11که اینجا درنمودار است.
-
6:11 - 6:15این شبکه عصبی میتواند از نوع زیستی
و درون قشر بینایی ما باشد، -
6:15 - 6:17یا، این روزها، ما شروع کردهایم تا
-
6:17 - 6:19این شبکه های عصبی را در رایانه مدل کنیم.
-
6:20 - 6:22و به شما نشان میدهم که واقعا شبیه چه است.
-
6:22 - 6:26پس پیکسل ها که میتوانند ازدید شما
اولین لایه عصبی باشند، -
6:26 - 6:28و این در واقع،
همانطوری است که چشم کار میکند -- -
6:28 - 6:30که عصبهای شبکیه هستند.
-
6:30 - 6:31و آنهایی که مستقیما
-
6:31 - 6:35از یک لایه به لایه دیگرعصبی
متصل میشوند، -
6:35 - 6:38همگی از طریق سیناپسهایی
با وزنهای مختلف متصل میشوند. -
6:38 - 6:39رفتار این شبکه
-
6:39 - 6:42از طریق قدرت همه این سیناپسها
مشخص میگردد. -
6:42 - 6:46اینها رفتار محاسباتی شبکه را معین میکنند.
-
6:46 - 6:47و در پایان،
-
6:47 - 6:50عصب، یا گروه کوچکی از اعصاب را داری
-
6:50 - 6:51که مثلا، کلمه «پرنده» را روشن میکند.
-
6:52 - 6:55حالا این سه موضوع را مدل میکنم --
-
6:55 - 7:00پیکسلهای ورودی سیناپسهای شبکه عصبی،
-
7:00 - 7:01و خروجی پرنده --
-
7:01 - 7:04با سه متغیر: X، W و Y.
-
7:05 - 7:07حدود یک میلیون X داریم --
-
7:07 - 7:09یک میلیون پیکسل در تصویر.
-
7:09 - 7:11میلیاردها یا تریلیاردها W داریم،
-
7:11 - 7:15که نشان دهنده وزن این سیناپسها
در شبکه عصبیاند. -
7:15 - 7:16و تعداد بسیار کمی Y وجود دارد،
-
7:16 - 7:18که خروجیهای آن شبکهاند.
-
7:18 - 7:20کلمه «پرنده» چهار حرف دارد، درسته؟
-
7:21 - 7:25حالا بگذارید فرض کنیم این
فقط یک معادله ساده است، -
7:25 - 7:27X ضربدر W میشود Y.
-
7:27 - 7:29من ضربدر را در گیومه گذاشتهام
-
7:29 - 7:31چون اتفاقی که واقعا میافته،
-
7:31 - 7:34مجموعه واقعا پیچیدهای از عملیات ریاضیه.
-
7:35 - 7:36این یک معادله است،
-
7:36 - 7:38که سه متغیر داره.
-
7:38 - 7:41و همه ما میدانیم که
اگه یک معادله داشته باشیم، -
7:41 - 7:45میتوانیم یک متغیر را با دانستن
دو متغیر دیگه بدست آوریم. -
7:45 - 7:49پس در نتیجه،
-
7:49 - 7:51به این شکل، مشخص میشود که
تصویر یک پرنده، پرنده است، -
7:51 - 7:53این یکی:
-
7:53 - 7:56اینجاست که Y مجهوله
و X و W معلوم. -
7:56 - 7:59شبکه عصبی معلومه،
پیکسلها معلومند. -
7:59 - 8:02همونطور که میبینید، نسبتا یک
مسئله سر راسته. -
8:02 - 8:04دو رو ضربدر سه میکنی و تمومه.
-
8:05 - 8:07من یک شبکه عصبی مصنوعی رو نشونتون میدهم
-
8:07 - 8:09که اخیرا ساختیم
که دقیقا همین کار رو میکنه. -
8:10 - 8:12این بصورت زنده کار میکنه
روی یک گوشی موبایل، -
8:13 - 8:16و البته این،
خودش واقعا عالیه، -
8:16 - 8:19اون تلفن همراه میتونه میلیونها و
میلیاردها عملیات رو -
8:19 - 8:21در ثانیه انجام بده.
-
8:21 - 8:22چیزی که میبینید تلفن هست
-
8:22 - 8:26به عکسهای پرندههای مختلف نگاه میکنه،
-
8:26 - 8:29و نه تنها میگه که
« آره، این یک پرنده است»، -
8:29 - 8:32بلکه نوع پرنده رو هم
با شبکهای از این نوع تعیین میکنه. -
8:33 - 8:35پس در این تصویر،
-
8:35 - 8:39X و W معلومند،
و Y مجهول. -
8:39 - 8:41معلومه که، من قسمت خیلی سخت رو مخفی کردم،
-
8:41 - 8:45که ما چطور W رو پیدا میکنیم،
-
8:45 - 8:47مغزی که این کارها رو میکنه؟
-
8:47 - 8:49ما واقعا چطور این مدل رو پیدا میکنیم؟
-
8:49 - 8:53پس این مدل یادگیری برای W حل شده،
-
8:53 - 8:55اگه به شکل یک معادله ساده نگاهش کنیم
-
8:55 - 8:57که به اونها به شکل عدد نگاه میکنیم،
-
8:57 - 9:00معلومه که چکار میکنیم: ۶=۲xW ،
-
9:00 - 9:03خوب، به دو تقسیمش میکنیم و تمومه.
-
9:04 - 9:06مشکل این ضریبه،
-
9:07 - 9:08خوب، تقسیم --
-
9:08 - 9:11ما از تقسیم استفاده میکنیم چون
معکوس ضربه، -
9:11 - 9:13اما همونطور که گفتم،
-
9:13 - 9:15ضرب واقعا حرف درستی نیست.
-
9:15 - 9:18این یک عملیات خیلی، خیلی پیچیده غیر خطیه؛
-
9:18 - 9:20که معکوس نداره.
-
9:20 - 9:23پس باید راهی پیدا کنیم تا
معادله رو حل کنیم -
9:23 - 9:25بدون استفاده از تقسیم.
-
9:25 - 9:28و راه اون نسبتا سادهاست.
-
9:28 - 9:30کافیه فقط، از یک کلک جبر استفاده کنیم،
-
9:30 - 9:33و شش رو به سمت راست معادله ببریم.
-
9:33 - 9:35حالا، هنوز از ضرب استفاده میکنیم.
-
9:36 - 9:39و اون صفر --رو بگذارید
به عنوان خطا در نظر بگیریم. -
9:39 - 9:42به عبارت دیگر، اگر معادله
را برای W به شکل صحیح حل کنیم، -
9:42 - 9:43مقدار خطا صفر میشود.
-
9:43 - 9:45و اگر درست عمل نکنیم،
-
9:45 - 9:47مقدار خطا صفر نمیشود.
-
9:47 - 9:51پس میتونیم حدس بزنیم
تا مقدار خطا رو حداقل کنیم، -
9:51 - 9:53و اینها کارهایی است که رایانهها
در اون استادند. -
9:53 - 9:55پس یه فرض اولیه میکنی:
-
9:55 - 9:56فرض کنیم W=0 ؟
-
9:56 - 9:57پس خطا معادل ۶ است.
-
9:57 - 9:59پس اگه W=۱ بود چی؟ خطا ۴ میشود.
-
9:59 - 10:01و رایانه به شکلی مارکوپولو بازی میکنه،
-
10:01 - 10:04و مقدار خطا رو نزدیک به صفر کاهش میده.
-
10:04 - 10:07و به این شکل مقدار تقریبی W بدست میآید
-
10:07 - 10:11معمولا، هیچوقت دقیقا به آن نمی رسد،
ولی بعد از نزدیک ده مرحله، -
10:11 - 10:15ما به W=۲.۹۹ میرسیم،
که به اندازه کافی مناسبه، -
10:16 - 10:18و این مرحله یادگیریه.
-
10:18 - 10:21خوب حالا اتفاقی که اینجا میافته
-
10:21 - 10:25اینه که تعداد زیادی X های معلوم
و Yهای معلوم رو استفاده میکنیم -
10:25 - 10:29و از روش تکرار W رو
محاسبه میکنیم. -
10:29 - 10:32این دقیقا همون روشیه
که ما یادگیری رو انجام میدهیم. -
10:32 - 10:35مثل نوزادان ، تعداد خیلی، خیلی زیادی
تصویر میبینیم -
10:35 - 10:37و بهشون میگیم، « این پرنده است؛
و این پرنده نیست.» -
10:38 - 10:40و در طول زمان، از طریق تکرار،
-
10:40 - 10:43W را برای آن اتصالات عصبی بدست میاوریم.
-
10:43 - 10:48پس حالا، ما برای بدست آوردن
Y مقدارهای X و W رو ثابت نگاه داشتیم؛ -
10:48 - 10:49و این ادراک سریع روزانهاست.
-
10:49 - 10:51فهمیدیم، که چطور W را محاسبه کنیم،
-
10:51 - 10:53این یادگیری، خیلی سخت تره،
-
10:53 - 10:55چون باید خطا رو حداقل کنیم،
-
10:55 - 10:57با استفاده از کلی نمونه برای یادگیری.
-
10:57 - 11:00و حدود یک سال قبل،
آلکس موردیوینسف، در تیم ما، -
11:00 - 11:04تصمیم گرفت تا بررسی کنه چه اتفاقی میافته
اگر اون رو برای X حل کنیم، -
11:04 - 11:06اگه مقدار مشخصی برای W و Y داشته باشیم.
-
11:06 - 11:07به عبارت دیگر،
-
11:07 - 11:09میدونید که این یک پرنده است،
-
11:09 - 11:12شبکه عصبی که
روی پرنده آموزش دیده رو دارید، -
11:12 - 11:14چه تصویری از پرنده بدست میاد؟
-
11:15 - 11:20معلوم شده که با استفاده از
همون شیوه کمینه کردن خطا، -
11:20 - 11:24میتونه با شبکهای که
برای تشخیص پرنده آموزش دیده، -
11:24 - 11:27و نتیجه اون معلوم شد که ...
-
11:30 - 11:32تصویر پرنده است.
-
11:33 - 11:37این تصویر پرندههاست که کاملا توسط
یک شبکه عصبی ایجاد شده -
11:37 - 11:38که برای تضخیص پرنده آموزش دیده،
-
11:38 - 11:42تنها با حل کردن آن برای X بجای Y،
-
11:42 - 11:43و تکرار اون.
-
11:44 - 11:46این یک مثال سرگرم کننده دیگه است.
-
11:46 - 11:49این کاری است که توسط مایک تایکا
در گروه ما انجام شده، -
11:49 - 11:51که «رژه حیوانات» نامیده میشود.
-
11:51 - 11:54که من رو بیاد کارهای هنری
ویلیام کنتریج میاندازه، -
11:54 - 11:57که طراحی های دستی انجام میداده،
-
11:57 - 11:59طرح میکرده، و اونها رو محو میکرده،
-
11:59 - 12:00و با اون فیلم میساخته.
-
12:00 - 12:01در این حالت،
-
12:01 - 12:04کاری که مایک انجام میده
تغییر Y در فضای حیوانات مختلف است، -
12:04 - 12:07در شبکهای که برای تشخیص و تعیین
-
12:07 - 12:08حیولنات مختلف از همدیگر طراحی شده.
-
12:08 - 12:12و شما این تصاویر گرافیکی اشتر گونه که از
حیوانی به دیگری تبدیل میشه رو میبینید. -
12:14 - 12:19اینجا او و الکس با هم سعی کردهاند
-
12:19 - 12:22تا Y ها رو به فضای دو بعدی تبدیل کنند،
-
12:22 - 12:25و اینطوری نقشهای از فضای
همه چیزهایی بسازند -
12:25 - 12:27که توسط این شبکه شناخته میشود.
-
12:27 - 12:29با انجام این تحلیل ها
-
12:29 - 12:31یا تولید تصویر در کل سطح،
-
12:31 - 12:34با تغییر Y روی سطح،
یه نوع نقشه تولید میکنی -- -
12:34 - 12:37یک نقشه تصویری از همه چیزهایی
که شبکه میتونه تشخیص بده. -
12:37 - 12:40همه حیوانات اینجا هستند؛
«گورکن» درست اونجاست. -
12:41 - 12:43اینکار رو میتونی
با انواع دیگر شبکه انجام بدی. -
12:43 - 12:46این شبکهای است که برای تشخیص
چهره طراحی شده، -
12:46 - 12:48برای تشخیص یک صورت از صورت دیگر.
-
12:48 - 12:52و اینجا، در Y، ما مقداری رو میگذاریم
که بیانگر «من» هست، -
12:52 - 12:53مقادیر صورت خودم.
-
12:53 - 12:55و اگه معادله رو برای X حل کنیم،
-
12:55 - 12:58این چیز عجیب،
-
12:58 - 13:02تصویر روانپریشی از من،
شبیه سبک کوبیسم، سور رئال -
13:02 - 13:04از چند زاویه دید همزمان.
-
13:04 - 13:07دلیل اینکه تصویر از چند زاویه دید همزمان
تولید شده -
13:07 - 13:10اینه که شبکه برای این طراحی شده
-
13:10 - 13:13تا تغییر وضعیت صورت مبهم نباشه،
-
13:13 - 13:16یا اگر به اون با نورهای مختلف نگاه بشه.
-
13:16 - 13:18پس وقتی این بازسازی ها رو انجام بدهی،
-
13:18 - 13:21اگر یک تصویر راهنما نداشته باشی،
-
13:21 - 13:22یا اطلاعات اولیه،
-
13:22 - 13:26ترکیبی از زوایای دید مختلف بدست میآوری،
-
13:26 - 13:27چون مبهمه.
-
13:28 - 13:32این نتیجهای است که آلکس وقتی از تصویر
صورت خودش به عنوان راهنما -
13:32 - 13:35در فرایند بهینه سازی
برای ایجاد صورت من استفاده کرده. -
13:36 - 13:39به نظر عالی نیست.
-
13:39 - 13:41هنوز باید کارهای زیادی
-
13:41 - 13:43در بهینه سازی و روشهای آن
انجام شود. -
13:43 - 13:46اما شروع کردهایم تا چیزی
شبیه به صورتی منسجم بدست آوریم ، -
13:46 - 13:48که از صورت من به عنوان مبنا استفاده کرده.
-
13:49 - 13:51نیاز نیست تا از یک صفحه خالی شروع کنی
-
13:51 - 13:53یا از نویز سفید.
-
13:53 - 13:54اگر معادله را برای X حل کنی،
-
13:54 - 13:58می تونی با یک X شروع کنی،
که خودش تصویر دیگری است. -
13:58 - 14:00که همین نمونهایست که میبینید.
-
14:00 - 14:05این شبکهای است که طراحی شده
-
14:05 - 14:08تا تمامی انواع اشیاء را طبقه بندی کند --
ساختههای انسان، حیوانات ... -
14:08 - 14:10اینجا با تصویری از ابر شروع میکنیم،
-
14:10 - 14:12و همونطور که بهنینه سازی میکنیم.
-
14:12 - 14:17اساسا، این شبکه چیزی را
که در ابرها میبیند را پیدا میکند. -
14:17 - 14:19و هرچه بیشتر روی آن وقت بگذاری،
-
14:19 - 14:22چیزهای بیشتری در آن میبینی.
-
14:23 - 14:26میتوان از شبکه عصبی تشخیص صورت
برای خبال پردازی در آن استفاده کرد، -
14:26 - 14:28و چیزهای عجیب و غریب زیادی میبینی.
-
14:28 - 14:29( خنده حضار )
-
14:30 - 14:33یا، مایک آزمایشهای دیگری انجام داده
-
14:33 - 14:37که در آن عکسهای ابر را گرفته،
-
14:37 - 14:41خیال پردازی، بزرگ نمایی، خیال پردازی،
بزرک نمایی. -
14:41 - 14:42و به این شکل،
-
14:42 - 14:45به نظرم، به شکلی
در یک وضعیت گیجی شبکه قرار میگیری ، -
14:46 - 14:49یا نوعی از ترکیبهای آزاد،
-
14:49 - 14:51که در آن شبکه دم خودش را میخورد.
-
14:51 - 14:55پس هر تصویر حالا پایهای برای،
-
14:55 - 14:56« فکر میکنم بعدی چیه؟
-
14:56 - 14:59فکر میکنم بعدی چیه؟
فکر میکنم بعدی چیه؟» خواهد بود -
14:59 - 15:02اولین باری که برای عموم
-
15:02 - 15:08و گروهی به نام «تحصیلات عالی»
در سیاتل این را نشان دادم -- -
15:08 - 15:10درست وقتی بود که ماریجوانا قانونی شد.
-
15:10 - 15:13( خنده حضار )
-
15:15 - 15:17خوب باید زودتر جمع بندی کنم
-
15:17 - 15:21با اشاره به اینکه
این فناوری هنوز محدود نشده. -
15:21 - 15:25من تنها مثالهای کاملا تصویری
آن را نشان دادم چون دیدنشان لذت بخش است. -
15:25 - 15:27ولی این تنها یک فناوری تصویری نیست.
-
15:27 - 15:29همکار هنری ما، راس گودوین،
-
15:29 - 15:33آزمایشهایی انجام داده که در آن
دوربینی عکس می گیرد، -
15:33 - 15:37و رایانهای که در کوله پشتیاش است
در موردش با شبکه عصبی شعری میگوید، -
15:37 - 15:39با توجه به محتویات تصویر.
-
15:39 - 15:42و این شبکه عصبی شاعر روی
-
15:42 - 15:44مجموعه بزرگی
از اشعار قرن بیستم آموزش دیده. -
15:44 - 15:46و به نظر من اشعارش،
-
15:46 - 15:48واقعا، خیلی هم بد نیست.
-
15:48 - 15:49( خنده حضار )
-
15:49 - 15:50در خاتمه،
-
15:50 - 15:53فکر کنم میکل آنژ،
-
15:53 - 15:54درست میگفت که؛
-
15:54 - 15:57ادراک و خلاقیت
ذاتا بسیار به هم نزدیکند. -
15:58 - 16:00چیزهایی که دیدیم شبکه های عصبیاند
-
16:00 - 16:03که تنها آموزش دیدهاند تا تشخیص دهند،
-
16:03 - 16:05یا چیزهای متفاوتی را در دنیا بشناسند،
-
16:05 - 16:08و میتوانند معکوس عمل کنند و تولید کنند.
-
16:08 - 16:10یکی از چیزهایی که به نظرم میرسد
-
16:10 - 16:12این است که تنها میکل آنژ نیست
-
16:12 - 16:15که مجسمهای در قطعهای سنگ میبیند،
-
16:15 - 16:18بلکه هر مخلوقی، هر موجودی،
هر موجود فرازمینی -
16:18 - 16:22که بتواند گونه ای از
فعالیتی ادراکی داشته باشد -
16:22 - 16:23هم میتواند خلاقیت داشته باشد
-
16:24 - 16:27چون واقعا یک دستگاه
هر دو کار را انجام میدهد. -
16:27 - 16:31همچنین، به نظر من
ادراک و خلاقیت به هیچ وجه -
16:31 - 16:33تنها مختص انسان نیستند.
-
16:33 - 16:36مدلهای رایانهای را میبینیم
که دقیقا اینگونه کارها را انجام میدهند. -
16:36 - 16:40و نباید تعجب کرد؛
چون مغز هم محاسباتی است. -
16:40 - 16:41و در پایان،
-
16:41 - 16:46برنامه ریزی رایانه شروع به
طراحی دستگاههای هوشمند کرده است. -
16:46 - 16:48وساخت آن قطعا پس از این نظر
-
16:48 - 16:51که چطور میتوانیم
دستگاهها را هوشمند کنیم انجام شده. -
16:52 - 16:54و نهایتا حالا شروع به انجام آن کردهایم
-
16:54 - 16:56بعضی از وعدههای
این پیشگامان، -
16:56 - 16:58تورینگ و فون نومان
-
16:58 - 17:00و مک کولچ و پیت.
-
17:00 - 17:04و از دید من رایانه تنها برای حسابداری
-
17:04 - 17:06یا بازی کندیکراش و این چیزها نیست.
-
17:06 - 17:09از آغاز آنها را
بر مبنای ذهنمان ساخته ایم. -
17:09 - 17:12و به ما این امکان را دادند
تا ذهنمان را بهتربشناسیم -
17:12 - 17:14و توسعه دهیم.
-
17:15 - 17:16خیلی از شما متشکرم.
-
17:16 - 17:22( تشویق حضار )
- Title:
- رایانهها چطور خلاقیت را یاد میگیرند
- Speaker:
- بلیس آگورا ای آرکاس
- Description:
-
ما در آستانه مرزهای جدیدی در هنر و خلاقیتیم-- که انسانی نیستند. بلیس آگورا ای آرکاس، محقق ارشد در شرکت گوگل هست که با شبکه های عصبی عمیق، برای درک ماشینی و آموزش گسترده کار میکند. دراین نمایش جذاب، او نشان میدهد که شبکههای عصبی آموزش دیده برای تشخیص تصویر را میتوان معکوس کرد تا تصاویر را تولید کنند. و نتیجهاش: تصاویر کلاژ تماشایی، وهم انگیز ( و شاعرانه!) که قابل دسته بندی نیستند. آگورا ای آرکاس میگوید « ادراک و خلاقیت به شکلی نزدیک مرتبطند،» « هر موجودی که توانایی درک دارد میتواند خلاق هم باشد.»
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 17:34
soheila Jafari approved Persian subtitles for How we're teaching computers to be creative | ||
soheila Jafari accepted Persian subtitles for How we're teaching computers to be creative | ||
soheila Jafari edited Persian subtitles for How we're teaching computers to be creative | ||
Behdad Khazaeli edited Persian subtitles for How we're teaching computers to be creative | ||
Behdad Khazaeli edited Persian subtitles for How we're teaching computers to be creative | ||
Behdad Khazaeli edited Persian subtitles for How we're teaching computers to be creative | ||
Behdad Khazaeli edited Persian subtitles for How we're teaching computers to be creative | ||
Behdad Khazaeli edited Persian subtitles for How we're teaching computers to be creative |