컴퓨터가 창의력을 배우는 방법
-
0:01 - 0:04저는 구글에서 기계지능팀을
이끌고 있습니다. -
0:04 - 0:09다르게 표현하면, 컴퓨터와 장치를
공학적으로 훈련시켜 -
0:09 - 0:11뇌가 하는 일을 할 수 있게 합니다.
-
0:11 - 0:15그리고 이 일을 하면서
저희는 실제 뇌와 신경과학에 -
0:15 - 0:16관심을 두게 되었습니다.
-
0:16 - 0:20특히 관심 있는 부분은
우리의 뇌가 하는 일 중에 -
0:20 - 0:24아직 컴퓨터보다 훨씬 뛰어난
부분에 대한 것입니다. -
0:25 - 0:29역사적으로 이런 부분 중에 하나로
인식이 언급돼 왔습니다. -
0:29 - 0:32세상에 존재하는
-
0:32 - 0:33소리나 이미지를 과정을 통해
-
0:34 - 0:36마음속에 개념화시키는 것입니다.
-
0:36 - 0:39이것은 우리 뇌에 필수적인 기능이고
-
0:39 - 0:41컴퓨터에도 꽤 유용합니다.
-
0:42 - 0:45기계 인식 알고리즘의 예로
저희 팀에서 한 일은 -
0:45 - 0:49구글 포토스에 올린 사진을
뭐가 찍혔냐에 따라 -
0:49 - 0:50검색이 가능하게 한 것이죠.
-
0:52 - 0:55인식의 반대말은 창의성입니다.
-
0:55 - 0:58개념을 세상에 존재하는 것으로
바꾸는 것입니다. -
0:58 - 1:02지난 몇 년 동안 기계 인식에 대해
저희가 해온 일들은 -
1:02 - 1:07뜻밖에도 기계의 창의력과 기계 예술을
-
1:07 - 1:08연결했습니다.
-
1:09 - 1:12저는 미켈란젤로가
인식과 창의성 간의 -
1:12 - 1:16이중 관계를 꿰뚫어
보았다고 생각합니다. -
1:16 - 1:18이것은 그의 유명한 인용구입니다.
-
1:18 - 1:21"모든 돌덩이는 그 안에
조각상을 가지고 있고 -
1:22 - 1:25그것을 발견하는 것이
조각가의 과업이다." -
1:26 - 1:29그래서 저는 미켈란젤로의 생각은
-
1:29 - 1:32우리는 인식하는 것으로 창조하고
-
1:32 - 1:35그 인식 자체가 상상하는 행위이며
-
1:36 - 1:38창의성이라 여깁니다.
-
1:39 - 1:43생각하고 인식하고 상상하는 기관은
-
1:43 - 1:44물론 뇌입니다.
-
1:45 - 1:48그리고 저는 간략하게
뇌에 대한 연구의 -
1:48 - 1:50역사에 대해서 이야기하고 싶습니다.
-
1:50 - 1:53왜냐하면 심장이나 장과 달리
-
1:53 - 1:56보기만 해선 뇌에 대해
이야기할 게 없기 때문입니다. -
1:56 - 1:58겉으로 보기에 말이죠.
-
1:58 - 2:00초기 해부학자들은 뇌를 보고
-
2:00 - 2:04표면상의 구조에 온갖 기발한
이름을 붙였습니다. -
2:04 - 2:07해마같이 말이죠,
뜻은 "작은 새우"입니다. -
2:07 - 2:09하지만 물론 이런 이름들이
실제로 무슨일을 하는지 -
2:09 - 2:12말해 주지는 않습니다.
-
2:13 - 2:16제 생각에 최초로 뇌에서
무슨 일이 일어나는지에 대해 -
2:16 - 2:18큰 공헌을 한 사람은
-
2:18 - 2:22스페인의 위대한 신경 해부학자인
산티아고 라몬 이 카할입니다. -
2:22 - 2:2419세기에
-
2:24 - 2:28현미경 관찰과 특수한 착색을 이용해
-
2:28 - 2:32선택적으로 각각의 뇌세포를 채우거나
-
2:32 - 2:34높은 대비를 만들어 내
-
2:34 - 2:37형태학적인 이해를
할 수 있게 한 사람입니다. -
2:38 - 2:41이것들은 그가 신경 세포로
만든 그림들입니다. -
2:41 - 2:4219세기에 말이죠.
-
2:42 - 2:44이것은 새의 뇌 그림입니다.
-
2:44 - 2:47그리고 굉장히 다양한
세포를 볼 수 있습니다. -
2:47 - 2:51심지어 세포이론도 알려진 지
얼마 안 된 때였습니다. -
2:51 - 2:52그리고 이 구조는
-
2:52 - 2:54수지상부를 가지고 있는 세포들의
-
2:54 - 2:57가지는 아주 멀리까지
뻗을 수 있는데 -
2:57 - 2:58당시 매우 새로웠습니다.
-
2:59 - 3:02이 구조는 전선을 연상시킵니다.
-
3:02 - 3:05전선과 전기의 혁명이 일어나던
19세기 사람들은 -
3:05 - 3:10당연히 그렇게 볼 수 있었을 것입니다.
-
3:10 - 3:11하지만 여러 가지 면에서
-
3:11 - 3:14이런 라몬 이 카할의 조직학적 그림은
-
3:15 - 3:17오늘날에도 최고로 여겨집니다.
-
3:17 - 3:19우리는 지난 한 세기 동안
-
3:19 - 3:22라몬 이 카할이 시작한 일을
끝내려고 노력하고 있습니다. -
3:22 - 3:25이것들은 막스플랑크 신경과학 연구소
-
3:25 - 3:28협력자들의 기초 데이타입니다.
-
3:28 - 3:29그리고 저희 협력자들이 한 것은
-
3:29 - 3:34뇌세포의 작은 부분을
조명한 것 입니다. -
3:34 - 3:38이 샘플의 전체 크기는
대략 1 입방 밀리미터이고 -
3:38 - 3:40결과물의 아주 작은 부분을
보고 계신 것입니다. -
3:40 - 3:43왼쪽에 있는 바는 1미크론 입니다.
-
3:43 - 3:45보고 계신 구조는 미토콘드리아입니다.
-
3:45 - 3:47이는 박테리아만큼 작습니다.
-
3:47 - 3:49이것은 아주 작은 조직으로
-
3:49 - 3:52자른 연속적인 단면입니다.
-
3:52 - 3:55비교를 하자면
-
3:55 - 3:58머리카락의 평균 지름은
100 미크론입니다. -
3:58 - 4:01저희가 보고 있는 것은
머리카락 한 가닥보다 -
4:01 - 4:02훨씬 작은 것입니다.
-
4:02 - 4:06그리고 이런 전자현미경으로
나눈 일련의 조각들로 -
4:06 - 4:11신경세포를 3D로
이렇게 복원할 수 있습니다. -
4:11 - 4:14이것은 라몬 이 카할의 방식과
어느 정도 같습니다. -
4:14 - 4:16일부 신경세포만 비추었죠.
-
4:16 - 4:19그렇지 않으면 아무것도
구분할 수 없을 것입니다. -
4:19 - 4:20사진 가득히
-
4:20 - 4:21신경세포끼리 서로 연결된
-
4:21 - 4:24구조만 보일 것입니다.
-
4:25 - 4:28라몬 이 카할은 시대를 앞서나갔고
-
4:28 - 4:31그후 수십 년 동안
뇌의 이해에 대한 연구는 -
4:31 - 4:33서서히 발전했습니다.
-
4:33 - 4:36그러나 우리는 신경세포가
전기를 이용하는 것을 알아냈고 -
4:36 - 4:39제2차 세계대전 때 발전한 기술로
-
4:39 - 4:42실제로 신경세포에 전기 실험을
할 수 있게 되고 -
4:42 - 4:44신경세포를 더 이해할 수 있었습니다.
-
4:45 - 4:49컴퓨터가 발명된 것도
바로 이때인데 -
4:49 - 4:52뇌를 모델로 한 아이디어였죠.
-
4:52 - 4:55앨런 튜링은 "지능형 기계"
라고 불렀습니다. -
4:55 - 4:57컴퓨터 공학의 아버지 중에 한 명이죠.
-
4:58 - 5:03워렌 맥컬로흐와 월터 피츠는
어느날 라몬 이 카할의 -
5:03 - 5:04시각 피질 그림을 보았습니다.
-
5:04 - 5:05지금 보고 계신 그림말이죠.
-
5:06 - 5:10이것은 눈을 통해 들어온 이미지를
처리하는 피질입니다. -
5:10 - 5:14그리고 그들에겐 이 그림은
마치 회로도처럼 보였습니다. -
5:14 - 5:18맥컬로흐와 피츠의 회로도에는
많은 세부사항이 있지만 -
5:18 - 5:20정확하지는 않습니다.
-
5:20 - 5:21하지만 기본 아이디어인
-
5:21 - 5:25시각 피질의 원리가
일련의 계산 요소를 -
5:25 - 5:28연속적으로 하나에서 다음으로
정보를 넘긴다는 것은 -
5:28 - 5:29근본적으로 맞습니다.
-
5:29 - 5:32조금 더 이야기해 보겠습니다.
-
5:32 - 5:36시각 정보를 처리하는 모델이
해야 하는 일에 대해서 말이죠. -
5:36 - 5:39인식이 기본적으로 하는 일은
-
5:39 - 5:43이런 이미지를 보고
이렇게 말하는 것 입니다. -
5:43 - 5:44"이것은 새입니다"
-
5:44 - 5:47우리에게는 매우 쉬운 일입니다.
-
5:47 - 5:51하지만 여러분 모두가
아셔야 하는 것이 -
5:51 - 5:54몇 년 전까지 컴퓨터로는
이런 것이 불가능했습니다. -
5:54 - 5:56고전적인 컴퓨팅 패러다임은
-
5:56 - 5:58이런 일을 쉽게 할 수
있는 것이 아닙니다. -
5:59 - 6:02그래서 픽셀들 간의 관계와
-
6:02 - 6:06만들어진 이미지와
"새"라는 단어의 관계는 -
6:06 - 6:09근본적으로 신경세포들이 서로 연결되어
-
6:09 - 6:10신경망을 구축하고 있는 것입니다.
-
6:10 - 6:11제가 그린 도표처럼요.
-
6:11 - 6:15이 신경망은 시각피질 내부의
생물학적인 것이나 -
6:15 - 6:17오늘날에는 우리의 기술로
-
6:17 - 6:19컴퓨터를 통해 신경망을
그릴 수 있습니다. -
6:20 - 6:22그리고 이것이 실제 모델입니다.
-
6:22 - 6:26픽셀이 신경세포의 첫 번째 층입니다.
-
6:26 - 6:28그리고 이것은 실제로
눈으로 보는 과정으로 보면 -
6:28 - 6:30픽셀이 망막인 것입니다.
-
6:30 - 6:31그리고 이 자극을
-
6:31 - 6:35신경세포의 한 층에서
다음 층으로 전달합니다. -
6:35 - 6:38이는 각각 다른 농도의
시냅스로 모두 연결되어있습니다. -
6:38 - 6:39이 네트워크의 동작은
-
6:39 - 6:42모든 시냅스의 강도에 의해 구분됩니다.
-
6:42 - 6:46이것으로 네트워크 내에서
계산되는 것을 특징짓습니다. -
6:46 - 6:47그리고 마지막에
-
6:47 - 6:50신경 세포 하나 또는 한 무리가
-
6:50 - 6:51반짝이며 "새"라고 말합니다.
-
6:52 - 6:55이제 제가 이 세가지를
-
6:55 - 7:00입력된 픽셀, 신경망의 시넵스
-
7:00 - 7:01그리고 결과물인 새를
-
7:01 - 7:04세 변수 x, w, y라고 하겠습니다.
-
7:05 - 7:07픽셀이 백만 개는 있을테니 x는
-
7:07 - 7:09이미지의 백만 개의 픽셀입니다.
-
7:09 - 7:11그리고 w는 수십억
혹은 수조 개가 있습니다. -
7:11 - 7:15이는 신경망의 모든 시냅스의
농도를 말합니다. -
7:15 - 7:16그리고 적은 수의 y가 있습니다.
-
7:16 - 7:18신경망의 결과물로써 말이죠.
-
7:18 - 7:20"Bird"는 네 글자뿐이잖아요.
-
7:21 - 7:25그러면 이것을 간단한
공식이라고 해봅시다. -
7:25 - 7:27x "x" w = y.
-
7:27 - 7:29저는 곱하기를 큰따옴표
안에 넣었습니다. -
7:29 - 7:31실제로 저기서 일어나는 일은
-
7:31 - 7:34매우 복잡한 일련의
수학적인 과정이기 때문입니다. -
7:35 - 7:36이것은 한 공식입니다.
-
7:36 - 7:38세 개의 변수가 있습니다.
-
7:38 - 7:41그리고 우리가 알고 있는 것이
한 공식에서 -
7:41 - 7:45두 개의 변수를 알면 남은 한 개를
알 수 있다는 것입니다. -
7:45 - 7:49그래서 추론해야 하는
-
7:49 - 7:51새의 사진을 보고
새를 구분하는 공식은 -
7:51 - 7:53바로 이것입니다.
-
7:53 - 7:56이 경우는 y는 알려지지 않고
w와 x는 알려진 경우이죠 -
7:56 - 7:59신경망과 픽셀이
무엇인지는 알고 있습니다. -
7:59 - 8:02보시다시피 사실 상대적으로
간단한 문제입니다 -
8:02 - 8:042 곱하기 3을 하면 끝나는 거죠
-
8:05 - 8:07여러분께 최근에 만든 인공 신경망이
-
8:07 - 8:09정확히 이것을 하는 것을
보여드리겠습니다 -
8:10 - 8:12이것은 휴대전화에서
실시간으로 돌아가는 것입니다. -
8:13 - 8:16그리고 물론 휴대전화에서
-
8:16 - 8:19초당 수십억 수조 개의 동작을
한다는 것 자체만으로도 -
8:19 - 8:21놀라운 일입니다
-
8:21 - 8:22여러분이 보고 있는 것은
-
8:22 - 8:26휴대전화가 다른 새 사진을 보고
-
8:26 - 8:29“네, 이것은 새입니다.” 하고
끝나는 것이 아니라 -
8:29 - 8:32네트워크 정보로
종까지 분류하는 모습입니다. -
8:33 - 8:35사진을 보면
-
8:35 - 8:39x와 w는 밝혀져 있고
y는 밝혀지지 않았습니다. -
8:39 - 8:41지금 몹시 어려운 부분을
얼버무리고 지나가고 있는데 -
8:41 - 8:45그것은 우리가 어떻게 w를 밝혀냈으며
-
8:45 - 8:47뇌가 어떻게 그런 일을 하며
-
8:47 - 8:49어떻게 이런 모델을 배울까입니다.
-
8:49 - 8:53w를 배우고 해결하는 과정을
-
8:53 - 8:55간단한 공식으로 만들어
-
8:55 - 8:57숫자를 대입해보면
-
8:57 - 9:00정확히 알 수 있습니다.
6=2 x w라고 하면 -
9:00 - 9:03양변을 2로 나누면 끝납니다.
-
9:04 - 9:06문제점은 이 연산에서
-
9:07 - 9:08나눗셈을
-
9:08 - 9:11우리가 나눗셈을 썼는데
곱셈을 역으로 계산한 것입니다. -
9:11 - 9:13하지만 방금 말한 대로
-
9:13 - 9:15실제 연산은 곱하기가 아닙니다.
-
9:15 - 9:18이것은 매우 매우 복잡한
비선형 연산이고 -
9:18 - 9:20역으로 계산할 수 없습니다.
-
9:20 - 9:23그래서 우리는 이 공식을
나누지 않고 해결할 방법을 -
9:23 - 9:25찾아야 합니다.
-
9:25 - 9:28그리고 그 방법은 매우 간단합니다.
-
9:28 - 9:30대수학을 조금 이용해
-
9:30 - 9:336을 공식의 우변으로 옮기겠습니다.
-
9:33 - 9:35이러면 곱하기만 사용할 수 있습니다.
-
9:36 - 9:39그리고 0은 오류라고 생각합시다.
-
9:39 - 9:42다시 말해, 우리가 w를 해결해서
정답이 나오면 -
9:42 - 9:43오류가 0이 될 것이고
-
9:43 - 9:45우리가 잘못된 값을 구했다면
-
9:45 - 9:47오류가 0보다 커질 것입니다.
-
9:47 - 9:51이제 우리가 추측해서
오류를 최소화할 수 있습니다. -
9:51 - 9:53그리고 이런 것은
컴퓨터가 아주 잘하는 일이죠. -
9:53 - 9:55그래서 최초의 추측으로
-
9:55 - 9:56w가 0이라면
-
9:56 - 9:57오류는 6입니다.
-
9:57 - 9:59w가 1이면 오류는 4입니다.
-
9:59 - 10:01컴퓨터가 계속
마르코 폴로같이 여행하면 -
10:01 - 10:04오류가 0에 가까워질 것입니다.
-
10:04 - 10:07그러면서 컴퓨터가 성공적으로 w 값의
근사치를 얻어가는 것입니다. -
10:07 - 10:11전형적으로 정확한 값을 얻진 못하지만
수십 단계가 지나면 -
10:11 - 10:15w는 2.999를 얻게 되고
이는 충분히 근접한 값입니다. -
10:16 - 10:18그리고 이것이 학습 과정입니다.
-
10:18 - 10:21지금까지 이야기한 것은
-
10:21 - 10:25수많은 x와 y 값을 알고 있고
-
10:25 - 10:29가운데 w 값을 추론 과정에서
알아내고 있습니다. -
10:29 - 10:32이는 우리의 뇌가 학습하는
과정과 같습니다. -
10:32 - 10:35우리는 어릴 적 수많은 이미지를 접하고
-
10:35 - 10:37"이것은 새다, 이것은 새가 아니다"
라고 듣습니다. -
10:38 - 10:40그리고 시간이 흘러 반복하면서
-
10:40 - 10:43w를 알아내죠.
신경 연결을 해결하는 것입니다. -
10:43 - 10:48이제 우리는 고정된 x와 w값으로
y를 구합니다. -
10:48 - 10:49이것은 매일 우리가 하는 인식입니다.
-
10:49 - 10:51w 값을 구하는 과정은
-
10:51 - 10:53학습이고 더 어렵습니다.
-
10:53 - 10:55왜냐면 많은 훈련 예시를 통해
-
10:55 - 10:57오류를 최소화 해야 하기 때문이죠.
-
10:57 - 11:00약 1년 전에 저희 팀의
알렉스 모드빈츠세프는 -
11:00 - 11:04우리가 x를 구하면 어떻게 되는지
실험하기로 했습니다. -
11:04 - 11:06w와 y 값을 알고 있다는
조건에서 말이죠. -
11:06 - 11:07다시 말하자면
-
11:07 - 11:09새라는 것을 알고
-
11:09 - 11:12새라는 것을 인식할 수 있는
신경망이 구축된 상태에서 -
11:12 - 11:14새의 모습을 알아내는 것입니다.
-
11:15 - 11:20똑같은 오류 최소화 과정을 거쳐
-
11:20 - 11:24컴퓨터가 새를 인식할 수 있는
네트워크를 통해 -
11:24 - 11:27만들어낸 결과는
-
11:30 - 11:32새의 그림입니다.
-
11:33 - 11:37이 그림은 전적으로
새를 인식할 수 있는 -
11:37 - 11:38신경 네트워크를 통해
-
11:38 - 11:42y 값을 구하는 대신 x 값을
-
11:42 - 11:43추론하여 구현됬습니다.
-
11:44 - 11:46다른 재미있는 예를 보여드리면
-
11:46 - 11:49이것은 저희 그룹의
마이크 티카의 작품입니다. -
11:49 - 11:51이 작품의 제목은
"동물 행진"입니다. -
11:51 - 11:54이것을 보고 윌리엄 켄트리지의
작품이 떠올랐습니다. -
11:54 - 11:57그는 스케치를 그렸다가 지우고
-
11:57 - 11:58그렸다가 지워가며
-
11:58 - 12:00이런 식으로 영상을 만들죠.
-
12:00 - 12:01이 경우에는
-
12:01 - 12:04마이크가 한 것은 변수 y를
다양한 동물들로 설정했습니다. -
12:04 - 12:07서로 다른 동물들을 구분할 수 있도록
-
12:07 - 12:08설계된 네트워크 안에서 말이죠.
-
12:08 - 12:12그렇게 이런 희안한 에셔 풍의
동물들이 변하는 그림이 나옵니다. -
12:14 - 12:19여기서 마이크와 알렉스는
-
12:19 - 12:22y 값을 줄여 2차원 평면에
표현했습니다. -
12:22 - 12:25그렇게 이 네트워크가 인식할 수 있는
-
12:25 - 12:27모든 종류를 나타내는
지도를 만들었습니다. -
12:27 - 12:29이런 종류의 이미지 통합
-
12:29 - 12:31혹은 생성은 표면 전반에 걸쳐
-
12:31 - 12:34y를 다르게 해서
이런 지도를 만듭니다. -
12:34 - 12:37네트워크가 인식하는
모든 것의 시각적 지도입니다. -
12:37 - 12:40모든 동물이 있습니다.
저기 "아르마딜로"가 있습니다. -
12:41 - 12:43이것을 다른 네트워크로
할 수 있습니다. -
12:43 - 12:46이 네트워크는 얼굴을
인식하도록 설계됬습니다. -
12:46 - 12:48서로 다른 얼굴을 구분하도록 말이죠.
-
12:48 - 12:52여기서 저희가 y에
"저"를 넣었습니다. -
12:52 - 12:53제 얼굴을 변수로 말이죠.
-
12:53 - 12:55그리고 이것이 x를 구하면
-
12:55 - 12:58이런 상당히 정신없고
-
12:58 - 13:02약간은 입체파, 초현실주의,
사이키델릭한 제 사진을 만듭니다. -
13:02 - 13:04여러 모습을 한 번에 보여주면서요.
-
13:04 - 13:07여러 모습을 한 번에 보여주는 이유는
-
13:07 - 13:10네트워크의 설계에서 얼굴의
한 모습에서 다른 모습으로 -
13:10 - 13:13넘어가는 모호한 과정이
제거되었기 때문입니다. -
13:13 - 13:16특정 각도의 얼굴을 보는 것입니다.
-
13:16 - 13:18그래서 이것을 재구성할 때
-
13:18 - 13:21가이드 이미지나 통계를
-
13:21 - 13:22사용하지 않으면
-
13:22 - 13:26이런 혼란스러운 시점들이 나옵니다.
-
13:26 - 13:27모호하기 떄문이죠.
-
13:28 - 13:32이것은 알렉스가 본인 얼굴을
가이드로 이용해 -
13:32 - 13:35최적화 과정을 거쳐
제 얼굴을 만든 것입니다. -
13:36 - 13:39보시다시피 완벽하진 않습니다.
-
13:39 - 13:41어떻게 최적화를 해야 할지
-
13:41 - 13:43아직도 갈 길이 멉니다.
-
13:43 - 13:46하지만 제 얼굴을 가이드로 쓰면
-
13:46 - 13:48더 일관된 얼굴을 구할 수 있습니다.
-
13:49 - 13:51굳이 빈 캔버스로
시작하지 않아도 됩니다. -
13:51 - 13:53혹은 백색 잡음으로요.
-
13:53 - 13:54x를 구할 때
-
13:54 - 13:58이미 그려진 그림 위에
x를 구해도 됩니다. -
13:58 - 14:00이것이 바로 그 예입니다.
-
14:00 - 14:05이 네트워크는 온갖 물체를 구분하도록
-
14:05 - 14:08설계되었습니다.
인조물이나 동물 등을 말이죠. -
14:08 - 14:10여기서 저희는
구름 사진을 이용했습니다. -
14:10 - 14:12그리고 저희가 최적화를 하면
-
14:12 - 14:17기본적으로 이 네트워크는 구름에서
무엇이 보이는지 구분합니다. -
14:17 - 14:19그리고 이것을 더 자세히 보시면
-
14:19 - 14:22구름에서 더 다양한 것을
볼 수 있습니다. -
14:23 - 14:26여기서 얼굴을 인식하는
네트워크로 환각을 만들면 -
14:26 - 14:28꽤나 정신없는 그림이 나옵니다.
-
14:28 - 14:29(웃음)
-
14:30 - 14:33혹은 마이크가 다른 시도를 했습니다.
-
14:33 - 14:37바로 구름 그림을 이용해
-
14:37 - 14:41환각을 만들고 확대하고
환각을 만들고 확대했습니다. -
14:41 - 14:42그리고 이렇게
-
14:42 - 14:45방황하는 것처럼 보이는 네트워크나
-
14:46 - 14:49자유 연상의 일종으로
-
14:49 - 14:51네트워크가 스스로 꼬리를 물게 됩니다.
-
14:51 - 14:55그래서 모든 이미지의
기본은 이렇습니다. -
14:55 - 14:56"다음에는 무엇이 보이지?
-
14:56 - 14:59다음에는 무엇이 보이지?
다음에는 무엇이 보이지?" -
14:59 - 15:02이것을 최초로 공개한 곳은
-
15:02 - 15:08시애틀의 "고등 교육"그룹의
강연에서였습니다. -
15:08 - 15:10마리화나가 합법화 된 직후에 말이죠.
-
15:10 - 15:13(웃음)
-
15:15 - 15:17그래서 정리를 짧게 하겠습니다.
-
15:17 - 15:21이 기술에 제약이 없다는 것을
말하면서 말이죠. -
15:21 - 15:25순전히 시각자료를 보여드린 이유는
흥미를 유발하기 위해서 입니다. -
15:25 - 15:27이것은 순전히 시각 기술만은 아닙니다.
-
15:27 - 15:29저희와 함께 일하는
아티스트 로스 굿윈은 -
15:29 - 15:33실험을 했습니다.
사진을 찍는 사진기와 -
15:33 - 15:37등에 매고 있는 컴퓨터로
신경 네트워크를 이용해 시를 썼습니다. -
15:37 - 15:39사진에 찍힌 내용을 보고 말이죠.
-
15:39 - 15:42그리고 시인 신경 네트워크는
-
15:42 - 15:4420세기 시의 집대성으로 훈련됬습니다.
-
15:44 - 15:46그리고 결과로 나온 시는 말이죠
-
15:46 - 15:48사실 제 생각엔 나쁘지 않아 보입니다.
-
15:48 - 15:49(웃음)
-
15:49 - 15:50마지막으로
-
15:50 - 15:53저는 미켈란젤로의 생각이
-
15:53 - 15:54옳았다고 생각합니다.
-
15:54 - 15:57인식과 창의성은 매우 밀접하게
연결되어 있습니다. -
15:58 - 16:00지금까지 보신 것은
신경 네트워크 입니다. -
16:00 - 16:03전적으로 훈련이 되어 구분하거나
-
16:03 - 16:05혹은 다른 것들을 인식하거나
-
16:05 - 16:08반대로 적용하여
만들어 낼 수 있습니다. -
16:08 - 16:10이것을 보고 느낀 점 중에 하나는
-
16:10 - 16:12미켈란젤로가 정말로 본 것은
-
16:12 - 16:15돌덩이 안에 있는 조각상뿐만 아니라
-
16:15 - 16:18어떤 생물, 생명 심지어 외계인도
-
16:18 - 16:22인식행위를 할 수 있으면
-
16:22 - 16:23창조할 수 있다는 것 입니다.
-
16:23 - 16:27두 경우 모두 같은 조작과정을
사용하기 때문이죠. -
16:27 - 16:31또한 저는 인식과 창의성은
결코 인간에 국한되지 않는다고 -
16:31 - 16:33생각합니다.
-
16:33 - 16:36저희는 똑같은 일을 할 수 있는
컴퓨터 모델을 만들었고 -
16:36 - 16:40그리고 그 뇌가 컴퓨터로 만들어
졌다는 것은 놀랄 일도 아닙니다. -
16:40 - 16:41그리고 마지막으로
-
16:41 - 16:46컴퓨터는 지능적 기계를
설계하면서 시작되었습니다. -
16:46 - 16:48이것은 이런 생각을 따라 만들어졌습니다.
-
16:48 - 16:51어떻게 하면 우리가 기계를
똑똑하게 만들지 말이죠. -
16:52 - 16:54그리고 이제 선구자들과 한
-
16:54 - 16:56약속 중에 일부를 이뤄가고 있습니다.
-
16:56 - 16:58튜링, 폰 노이만
-
16:58 - 17:00매컬로크 그리고 피트에게 말이죠.
-
17:00 - 17:04그리고 저는 컴퓨터는 회계나
게임 할 때만 쓰는 것이 -
17:04 - 17:06아니라고 생각합니다.
-
17:06 - 17:09시작부터 인간을 본따 컴퓨터를 만들었고
-
17:09 - 17:12그리고 그 과정에서
인간의 마음을 더 잘 이해하고 -
17:12 - 17:14더 넓히게 되었습니다.
-
17:15 - 17:16감사합니다.
-
17:16 - 17:22(박수)
- Title:
- 컴퓨터가 창의력을 배우는 방법
- Speaker:
- 블레즈 아구에라 이 아카스 (Blaise Agüera y Arcas)
- Description:
-
우리는 예술과 창의력의 새로운 국면을 맞이하고 있습니다. 그리고 이것은 인간에 의한 것이 아닙니다. 블레즈 아구에라 이 아카스는 구글의 수석 과학자로 스스로 학습하는 인공 지능을 위해 기계 인식과 분산 학습을 연구하고 있습니다. 이 매혹적인 데모에서 그는 이미지를 인식하기 위해 훈련된 신경 회로망이 어떻게 반대로 이미지를 만들어 내는지를 보여줍니다. 그 결과 장관을 이루는 범주를 규정할 수 없는 환각적 도취상태 같은 콜라주 작품을(그리고 시를) 만들어 냈습니다. "인식과 창의성은 매우 밀접한 관계가 있다"고 아구에라 이 아카스는 말합니다. "인식 할 수 있는 모든 것들은 창조할 수 있습니다."
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 17:34
Gemma Lee approved Korean subtitles for How we're teaching computers to be creative | ||
Gemma Lee accepted Korean subtitles for How we're teaching computers to be creative | ||
Gemma Lee edited Korean subtitles for How we're teaching computers to be creative | ||
Seon-Gyu Choi edited Korean subtitles for How we're teaching computers to be creative | ||
Seon-Gyu Choi edited Korean subtitles for How we're teaching computers to be creative | ||
Seon-Gyu Choi edited Korean subtitles for How we're teaching computers to be creative | ||
Seon-Gyu Choi edited Korean subtitles for How we're teaching computers to be creative | ||
Seon-Gyu Choi edited Korean subtitles for How we're teaching computers to be creative |