Como computadores estão aprendendo a ser criativos
-
0:01 - 0:04Coordeno uma equipe no Google
que lida com I.A.; -
0:04 - 0:09em outras palavras, a engenharia
de fazer computadores e aparelhos -
0:09 - 0:11capazes de criar coisas que o cérebro faz.
-
0:11 - 0:14E isso faz com que nos interessemos
por cérebros reais -
0:14 - 0:16e também por neurociência,
-
0:16 - 0:20e nos interessamos, principalmente,
por coisas que nosso cérebro faz -
0:20 - 0:24que ainda são muito superiores
à performance dos computadores. -
0:25 - 0:29Historicamente, uma das áreas
tem sido percepção, -
0:29 - 0:32o processo pelo qual as coisas abstratas,
-
0:32 - 0:33sons e imagens,
-
0:33 - 0:36podem se tornar conceitos na mente.
-
0:36 - 0:39Isso é essencial para o nosso cérebro
-
0:39 - 0:41e também muito útil em um computador.
-
0:42 - 0:45Os algorítimos de percepção artificial,
criados por nós, por exemplo, -
0:45 - 0:49são o que permitem que suas fotos
do Google Fotos sejam pesquisáveis, -
0:49 - 0:51baseando-se no que há nelas.
-
0:52 - 0:55O oposto da percepção é a criatividade:
-
0:55 - 0:58transformar um conceito
em algo lá fora, para o mundo. -
0:58 - 1:02Então, ao longo do ano passado,
nosso trabalho de percepção artificial -
1:02 - 1:07também se uniu, inesperadamente,
ao mundo da criatividade artificial -
1:07 - 1:08e da arte digital.
-
1:09 - 1:12Acho que Michelangelo
teve um insight profundo -
1:12 - 1:16a respeito da relação
entre percepção e criatividade. -
1:16 - 1:18Esta é uma famosa citação dele:
-
1:18 - 1:21"Cada bloco de pedra
tem uma escultura interna, -
1:22 - 1:25e o trabalho do escultor é descobri-la."
-
1:26 - 1:29Então, penso que Michelangelo
estava querendo dizer -
1:29 - 1:32que nós criamos, através da percepção,
-
1:32 - 1:35e que a percepção por si
é um ato de imaginação -
1:35 - 1:38e é a tal da criatividade.
-
1:39 - 1:43O órgão que cria todo pensamento,
percepção e imaginação, -
1:43 - 1:44é certamente, o cérebro.
-
1:45 - 1:48E eu quero começar
com um pouquinho de história -
1:48 - 1:50sobre o que sabemos sobre cérebros.
-
1:50 - 1:53Porque, diferente do coração
e dos intestinos, -
1:53 - 1:56você não consegue falar muito
sobre o cérebro só olhando pra ele, -
1:56 - 1:58pelo menos a olho nu.
-
1:58 - 2:00Os primeiros anatomistas
que observaram cérebros -
2:00 - 2:04deram às estruturas superficiais
todo tipo de nomes fantásticos, -
2:04 - 2:07como hipocampo,
significando "camarãozinho". -
2:07 - 2:09Mas claro que esse tipo de coisa
não nos diz muito -
2:09 - 2:12sobre o que acontece lá dentro.
-
2:13 - 2:16A primeira pessoa que eu acho,
que, de fato, desenvolveu algum insight -
2:16 - 2:18sobre o que acontecia no cérebro
-
2:18 - 2:24foi o grande neuroanatomista espanhol,
Santiago Ramón y Cajal, no século 19, -
2:24 - 2:28usando microscópio e reagentes especiais,
-
2:28 - 2:32que puderam, seletivamente, preencher
ou converter em contraste muito elevado, -
2:32 - 2:34as células individuais do cérebro,
-
2:34 - 2:37para conseguir entender
a morfologia delas. -
2:38 - 2:42E estes são os tipos de desenhos
que ele fez dos neurônios no século 19. -
2:42 - 2:44Este é de um cérebro de pássaro.
-
2:44 - 2:47E vemos esta incrível variedade
de diferentes tipos de células, -
2:47 - 2:51até mesmo a própria teoria celular
era recente nessa época. -
2:51 - 2:52E estas estruturas,
-
2:52 - 2:54estas células que têm essas ramificações,
-
2:54 - 2:57que podem percorrer
distâncias muito longas, -
2:57 - 2:59tudo era novidade na época.
-
2:59 - 3:02Elas são reminiscência de fios, claro.
-
3:02 - 3:05Isso pode ter sido óbvio
para algumas pessoas no século 19; -
3:05 - 3:10as revoluções de telefonia e eletricidade
estavam apenas começando. -
3:10 - 3:11Mas de muitas maneiras,
-
3:11 - 3:14esses desenhos microanatômicos
do Ramón y Cajal, como este, -
3:14 - 3:17ainda são, em alguns pontos, insuperáveis.
-
3:17 - 3:19Ainda, depois de um século,
-
3:19 - 3:22estamos tentando concluir aquilo
que Ramón y Cajal começou. -
3:22 - 3:25Estes são dados brutos
de nossos colaboradores -
3:25 - 3:28no Instituto de Neurociência Max Planck.
-
3:28 - 3:34E nossos colaboradores estão representando
partículas de tecido cerebral. -
3:34 - 3:38Esta amostra tem aproximadamente
um milímetro cúbico, -
3:38 - 3:40e estou mostrando uma parte
minúscula dela aqui. -
3:40 - 3:43Aquela barra da esquerda
tem em torno de um mícron. -
3:43 - 3:45As estruturas que veem são mitocôndrias,
-
3:45 - 3:47que são do tamanho de uma bactéria.
-
3:47 - 3:49E estas são fatias consecutivas
-
3:49 - 3:52através deste minúsculo bloco de tecido.
-
3:52 - 3:54Apenas para efeito de comparação,
-
3:54 - 3:58o diâmetro de um fio médio de cabelo
é de aproximadamente 100 microns. -
3:58 - 4:02Então, estamos olhando para algo
bem menor do que um simples fio de cabelo. -
4:02 - 4:06E a partir desses tipos de partículas
microscópicas de elétrons de série, -
4:06 - 4:11podemos começar a reconstruir
neurônios em 3D, como estes. -
4:11 - 4:14Estes são do mesmo estilo
do Ramón y Cajal. -
4:14 - 4:16Poucos neurônios destacaram-se,
-
4:16 - 4:19pois, caso contrário,
não conseguiríamos ver nada aqui. -
4:19 - 4:24Estaria lotado, muito cheio de estruturas,
de neurônios comunicando-se entre si. -
4:25 - 4:28Ramón y Cajal estava um pouco
à frente de seu tempo, -
4:28 - 4:31e o progresso do entendimento do cérebro
-
4:31 - 4:33seguiu lentamente
através das décadas seguintes. -
4:33 - 4:36Mas sabíamos que os neurônios
usavam eletricidade -
4:36 - 4:39e, na Segunda Guerra Mundial,
a tecnologia avançou o suficiente -
4:39 - 4:42para iniciar experimentos elétricos
reais em neurônios vivos -
4:42 - 4:45para entender melhor seu funcionamento.
-
4:45 - 4:49Isso ocorreu na mesma época
da invenção dos computadores, -
4:49 - 4:52muito baseado na ideia
da modelagem cerebral, -
4:52 - 4:55da "maquinaria inteligente",
como foi chamada por Alan Turing, -
4:55 - 4:58um dos pais da ciência da computação.
-
4:58 - 5:03Warren McCulloch e Walter Pitts
observaram o desenho do córtex visual, -
5:03 - 5:05de Ramón y Cajal,
que estou mostrando aqui. -
5:05 - 5:10Este é o córtex que processa
as imagens captadas pelo olho. -
5:10 - 5:14E, para eles, isto parecia
um diagrama de circuito. -
5:14 - 5:18Então há muitos detalhes
no diagrama de McCulloch and Pitts -
5:18 - 5:21que não estão muito certos,
mas esta ideia básica -
5:21 - 5:25de que o córtex visual trabalha
como uma série de elementos computacionais -
5:25 - 5:28que passam a informação,
um para o outro, em cascata, -
5:28 - 5:29está essencialmente correta.
-
5:29 - 5:32Vamos falar um pouco
-
5:32 - 5:36sobre o que um modelo para processar
informações visuais precisaria fazer. -
5:36 - 5:39A tarefa básica de percepção
-
5:39 - 5:43é levar uma imagem como esta e dizer:
-
5:43 - 5:44"É um pássaro",
-
5:44 - 5:47algo muito simples de se fazer
com nosso cérebro. -
5:47 - 5:51Mas vocês têm que entender
que, para um computador, -
5:51 - 5:54isso era praticamente impossível
há alguns anos. -
5:54 - 5:59O paradigma computacional clássico
não é uma tarefa simples de ser realizada. -
5:59 - 6:02O que está acontecendo entre os pixels,
-
6:02 - 6:06entre a imagem do pássaro
e a palavra "pássaro", -
6:06 - 6:09é sobretudo um grupo de neurônios
conectados uns aos outros, -
6:09 - 6:11em uma rede neural, conforme mostro aqui.
-
6:11 - 6:15Essa conexão neural poderia ser biológica,
em nosso córtex visual, -
6:15 - 6:17ou, atualmente, começamos
a ter a capacidade -
6:17 - 6:19de modelar tais conexões neurais
no computador. -
6:20 - 6:22Eu mostrarei com o que elas
realmente se parecem. -
6:22 - 6:26Vocês podem pensar nos pixels como
uma primeira camada de neurônios, -
6:26 - 6:30que, na verdade, é como atuam no olho,
são os neurônios na retina. -
6:30 - 6:31E eles alimentam
-
6:31 - 6:35camada por camada de neurônios,
-
6:35 - 6:38todas conectadas por sinapses
de diferentes pesos. -
6:38 - 6:39O comportamento dessa rede
-
6:39 - 6:42é caracterizado pelas forças
de todas aquelas sinapses. -
6:42 - 6:46Elas caracterizam as propriedades
computacionais dessa rede. -
6:46 - 6:47E, no final das contas,
-
6:47 - 6:50você tem um neurônio,
ou um grupo de neurônios, -
6:50 - 6:52que ativam-se, dizendo "pássaro".
-
6:52 - 6:55Agora, representarei essas três coisas:
-
6:55 - 7:00a entrada de pixels
e as sinapses na rede neural, -
7:00 - 7:04e o pássaro, a saída,
através de três variáveis: x, w e y. -
7:05 - 7:09Há um milhão ou mais de x,
um milhão de pixels nesta imagem. -
7:09 - 7:11Há bilhões ou trilhões de w,
-
7:11 - 7:15que representam o peso de todas
estas sinapses na rede neural. -
7:15 - 7:18E há um número muito pequeno de y,
de saídas que essa rede tem. -
7:18 - 7:21"Pássaro" tem sete letras, certo?
-
7:21 - 7:24Então, vamos imaginar que esta
seja apenas uma fórmula simples: -
7:24 - 7:27x "x" w = y.
-
7:27 - 7:29O sinal de multiplicação fica entre aspas,
-
7:29 - 7:31porque, na verdade,
o que está acontecendo lá -
7:31 - 7:34é uma série complicada
de operações matemáticas. -
7:35 - 7:36É uma equação.
-
7:36 - 7:38Há três variáveis,
-
7:38 - 7:41e todos nós sabemos
que se você tem uma equação, -
7:41 - 7:45pode encontrar uma variável,
se souber os outros dois termos. -
7:45 - 7:49Então, o problema de inferência,
-
7:49 - 7:51de entender que aquela figura
de um pássaro é um pássaro, -
7:51 - 7:56é este: na qual y é desconhecido,
mas w e x são conhecidos. -
7:56 - 7:59Conhecendo a rede neural,
você conhece os pixels. -
7:59 - 8:02Como podem ver, é um problema
relativamente simples. -
8:02 - 8:04Você multiplica duas vezes três e pronto.
-
8:05 - 8:07Mostrarei uma rede artificial de neurônios
-
8:07 - 8:10que criamos recentemente
fazendo exatamente isso. -
8:10 - 8:12Isto está passando
em tempo real em um celular, -
8:12 - 8:16e é, claro, surpreendente por si só,
-
8:16 - 8:21que celulares possam fazer bilhões
e trilhões de operações por segundo. -
8:21 - 8:22Vocês estão olhando para um celular
-
8:22 - 8:26vendo uma imagem de pássaro após a outra,
-
8:26 - 8:28e, na verdade, não só dizendo:
"Sim, é um pássaro", -
8:28 - 8:32mas identificando a espécie do pássaro
com uma rede deste tipo. -
8:33 - 8:35Nesta imagem,
-
8:35 - 8:39o x e o w são conhecidos
e o y é desconhecido. -
8:39 - 8:41Estou encobrindo a parte mais difícil,
-
8:41 - 8:45que é como descobrimos o w,
-
8:45 - 8:47o cérebro que pode fazer tal coisa?
-
8:47 - 8:49Como aprenderíamos tal modelo?
-
8:49 - 8:53Este processo de aprendizagem,
de descobrir o w, -
8:53 - 8:55se o resolvermos com a equação simples,
-
8:55 - 8:58na qual pensamos
nestas variáveis como números, -
8:58 - 9:00saberemos, exatamente,
como resolvê-la: 6 = 2 x w, -
9:00 - 9:03dividimos por dois e pronto.
-
9:04 - 9:06O problema é com este sinal.
-
9:07 - 9:11Usamos a divisão porque
é o inverso da multiplicação, -
9:11 - 9:13mas, como acabei de dizer,
-
9:13 - 9:15a multiplicação não deixa
de ser uma mentira aqui. -
9:15 - 9:18Esta é uma operação não-linear
muito complicada; -
9:18 - 9:20não existe o inverso.
-
9:20 - 9:23Então devemos encontrar
uma forma de resolver a equação -
9:23 - 9:25sem um sinal de divisão.
-
9:25 - 9:28E a forma de se fazer isso
é razoavelmente fácil. -
9:28 - 9:30Você diz: vamos fazer um truque de álgebra
-
9:30 - 9:33e mover o seis para a direita da equação.
-
9:33 - 9:36Agora, ainda temos uma multiplicação
-
9:36 - 9:39e aquele zero, vamos pensar
nele como um erro. -
9:39 - 9:42Em outras palavras,
se acharmos o w da forma certa -
9:42 - 9:43então o erro será zero.
-
9:43 - 9:47Se não conseguirmos isso da forma certa,
o erro será maior do que zero. -
9:47 - 9:51Agora podemos criar suposições
para diminuir os erros, -
9:51 - 9:53e é o tipo de coisa que
computadores fazem muito bem. -
9:53 - 9:56Na primeira suposição: e se w = 0?
Bem, o erro será 6. -
9:56 - 9:59E se w = 1? O erro será 4.
-
9:59 - 10:04E, então, o computador tentará adivinhar
e diminuir o erro para próximo de zero. -
10:04 - 10:07Enquanto isso ocorre, ele está obtendo
sucessivas aproximações de w. -
10:07 - 10:11Tipicamente, nunca se chega lá,
mas depois de várias etapas, -
10:11 - 10:15estamos próximos de w = 2,999,
o que é bem próximo. -
10:16 - 10:18E esse é o processo de aprendizagem.
-
10:18 - 10:22Lembrem-se de que estamos pegando
-
10:22 - 10:25muitos x e y conhecidos
-
10:25 - 10:29e resolvendo o w no meio disso,
através de um processo interativo. -
10:29 - 10:32É exatamente assim que construímos
nossa própria aprendizagem. -
10:32 - 10:35Quando somos bebês nos mostram imagens
-
10:35 - 10:37e nos dizem: "Isso é um pássaro;
isso não é um pássaro". -
10:38 - 10:40Com o passar do tempo,
através da interação, -
10:40 - 10:43nós encontramos o w,
encontramos essas conexões neurais. -
10:43 - 10:48Agora mantemos o valor de x e w
para resolver y; -
10:48 - 10:50isso acontece todo dia, percepção rápida.
-
10:50 - 10:51Compreendemos como achar w,
-
10:51 - 10:53isso é aprendizagem,
o que é muito mais difícil, -
10:53 - 10:57pois precisamos minimizar os erros,
usando vários exemplos de treinamento. -
10:57 - 11:00Há aproximadamente um ano,
Alex Mordvintsev, da nossa equipe, -
11:00 - 11:04decidiu experimentar o que aconteceria
se tentássemos encontrar x, -
11:04 - 11:06conhecendo os valores de w e y.
-
11:06 - 11:07Em outras palavras,
-
11:07 - 11:09você sabe que isto é um pássaro,
-
11:09 - 11:12e já tem sua rede neural
que treinou com pássaros, -
11:12 - 11:14mas o que é a figura de um pássaro?
-
11:15 - 11:20Ocorre que, usando o mesmo
procedimento de minimização de erros, -
11:20 - 11:24pode-se fazer isso com a rede treinada
para reconhecer pássaros -
11:24 - 11:27e o resultado será...
-
11:30 - 11:32uma imagem de pássaros.
-
11:33 - 11:36Essa é uma imagem de pássaros
totalmente gerada por uma rede neural, -
11:36 - 11:39a qual foi treinada
para reconhecer pássaros, -
11:39 - 11:44apenas resolvendo x em vez de y,
fazendo isso de forma interativa. -
11:44 - 11:46Aqui tem um outro exemplo divertido.
-
11:46 - 11:49Esse foi um trabalho
de Mike Tyka, em nosso grupo, -
11:49 - 11:51que ele chamou de "Desfile Animal".
-
11:51 - 11:54Faz lembrar um pouco obras de arte
de William Kentridge, -
11:54 - 11:59na qual ele faz desenhos e os apaga,
sucessivamente, e cria um filme assim. -
11:59 - 12:04Neste caso, Mike varia o y
no espaço de diferentes animais, -
12:04 - 12:08numa rede desenvolvida para reconhecer
e distinguir diferentes animais. -
12:08 - 12:13E você consegue essa estranha mudança
de um animal para outro, estilo Escher. -
12:14 - 12:19Aqui, Alex e ele, juntos, tentaram reduzir
-
12:19 - 12:22o y a um espaço de duas dimensões,
-
12:22 - 12:25fazendo assim um mapa fora
do espaço de todas as coisas -
12:25 - 12:27reconhecidas por essa rede.
-
12:27 - 12:29Fazendo esse tipo de síntese
-
12:29 - 12:31ou geração de imagem
sobre essa superfície inteira, -
12:31 - 12:34variando y sobre a superfície,
você cria um mapa visual -
12:34 - 12:37de todas as coisas
que a rede consegue reconhecer. -
12:37 - 12:40Todos os animas estão aqui;
o tatu está bem naquele canto. -
12:41 - 12:43Você também pode fazer isso
com outras redes. -
12:43 - 12:46Essa é uma rede criada
para reconhecer faces, -
12:46 - 12:48distinguir uma face de outra.
-
12:48 - 12:53E, aqui, colocamos um y que seria "eu",
parâmetros da minha própria face. -
12:53 - 12:58E quando essa rede encontra x,
ela gera essa imagem doida, -
12:58 - 13:02um estilo cubismo, surreal,
uma figura psicodélica de mim -
13:02 - 13:04a partir de múltiplos pontos de vista.
-
13:04 - 13:07A razão de parecer com múltiplos pontos
de vista de uma só vez -
13:07 - 13:10é porque a rede é criada
para conseguir se livrar da ambiguidade -
13:10 - 13:13de uma face em uma pose ou outra,
-
13:13 - 13:16sendo olhada com um tipo ou outro de luz.
-
13:16 - 13:18Então, quando faz
esse tipo de reconstrução, -
13:18 - 13:22se você não usar algum
guia de imagem ou de estatística, -
13:22 - 13:26pode ficar confuso,
devido a diferentes pontos de vista, -
13:26 - 13:27porque isso é ambíguo.
-
13:28 - 13:32Isto é o que acontece se Alex usar
sua própria face como guia de imagem -
13:32 - 13:35durante o processo de otimização
para reconstruir minha face. -
13:36 - 13:39Então, podem ver que não é perfeito.
-
13:39 - 13:40Ainda há muito trabalho a fazer
-
13:40 - 13:43sobre como otimizar
aquele processo de otimização. -
13:43 - 13:46Mas começa a ter algo
como uma face coerente, -
13:46 - 13:48acabando por usar
minha própria face como guia. -
13:49 - 13:52Não é preciso começar com uma
tela em branco ou com ruído branco. -
13:52 - 13:54Quando se está resolvendo x,
-
13:54 - 13:58pode-se começar com um x,
que, por si só, já é outra imagem. -
13:58 - 14:00Isto é o que representa
esta pequena demonstração. -
14:00 - 14:05Isto é uma rede desenhada para categorizar
-
14:05 - 14:08todo tipo de diferentes objetos,
criações humanas, animais... -
14:08 - 14:10Aqui começamos apenas
com uma figura de nuvens, -
14:10 - 14:12e enquanto otimizamos,
-
14:12 - 14:17basicamente, esta rede está descobrindo
o que se vê nas nuvens. -
14:17 - 14:19E quanto mais você olha pra isso,
-
14:19 - 14:22mais coisas também verá nas nuvens.
-
14:23 - 14:26Poderia também usar a rede da face
para ficar alucinado, -
14:26 - 14:29então verá umas coisas muito loucas.
-
14:29 - 14:30(Risos)
-
14:30 - 14:33Mike fez algumas outras experiências,
-
14:33 - 14:37nas quais leva a imagem da nuvem,
-
14:37 - 14:41e ele alucina e aproxima, sucessivamente,
-
14:41 - 14:42e dessa forma,
-
14:42 - 14:45pode ter uma espécie
de estado de fuga da rede, suponho, -
14:45 - 14:49ou um tipo de associação livre,
-
14:49 - 14:51em que a rede morde sua própria cauda.
-
14:51 - 14:56Assim, toda imagem é base para a pergunta:
"O que acho que verei agora? -
14:56 - 14:59O que acho que verei agora?
O que acho que verei agora?" -
14:59 - 15:02Mostrei isso pela primeira vez em público,
-
15:02 - 15:06a um grupo, numa palestra em Seattle,
-
15:06 - 15:08chamado "Educação Maior";
-
15:08 - 15:10isso aconteceu assim
que a maconha foi legalizada. -
15:10 - 15:12(Risos)
-
15:15 - 15:17Então, quero terminar logo,
-
15:17 - 15:21mencionando que esta tecnologia
não está restrita. -
15:21 - 15:25Mostrei a vocês exemplos puramente visuais
porque são divertidos de se ver. -
15:25 - 15:27Esta não é uma tecnologia
exclusivamente visual. -
15:27 - 15:29Nosso colaborador, Ross Goodwin,
-
15:29 - 15:33fez experiências envolvendo
uma câmera que tira a foto, -
15:33 - 15:37e aí, um computador na sua mochila,
escreve um poema usando redes neurais, -
15:37 - 15:39baseados nos conteúdos da imagem.
-
15:39 - 15:42E aquela poesia de rede neural
tem sido treinada -
15:42 - 15:44num grande corpus de poesia do século 20.
-
15:44 - 15:48E a poesia, na verdade,
não é tão ruim, eu acho. -
15:48 - 15:49(Risos)
-
15:49 - 15:50Para fechar,
-
15:50 - 15:54acho que Michelangelo estava certo:
-
15:54 - 15:57percepção e criatividade
estão intimamente ligadas. -
15:58 - 16:00O que vimos são apenas redes neurais,
-
16:00 - 16:03que estão totalmente
treinadas para discriminar -
16:03 - 16:05ou reconhecer coisas diferentes no mundo,
-
16:05 - 16:08capazes de trabalhar
em sentido contrário para produzir. -
16:08 - 16:10Uma das coisas que me vem à cabeça
-
16:10 - 16:15é que não só Michelangelo viu
a escultura nos blocos de pedra, -
16:15 - 16:18mas qualquer criatura,
qualquer ser, alienígena, -
16:18 - 16:22que é capaz de fazer
atos de percepção desse tipo, -
16:22 - 16:24também é capaz de criar,
-
16:24 - 16:27porque é exatamente a mesma máquina
usada nos dois casos. -
16:27 - 16:32Também penso que percepção e criatividade
não são exclusivamente humanas. -
16:33 - 16:36Temos modelos de computadores capazes
de fazer justamente esse tipo de coisa, -
16:36 - 16:40e não deveria ser surpreendente,
pois o cérebro é computacional. -
16:40 - 16:41E finalmente,
-
16:41 - 16:46a computação começou como um exercício
de planejar maquinaria inteligente. -
16:46 - 16:48Foi muito pensado na ideia
-
16:48 - 16:51de como faríamos as máquinas
ficarem inteligentes. -
16:51 - 16:54E agora, estamos finalmente
começando a cumprir -
16:54 - 16:56algumas das promessas daqueles pioneiros,
-
16:56 - 17:00de Turing e Von Neumann,
e McCulloch e Pitts. -
17:00 - 17:04E acho que computação
não é apenas números -
17:04 - 17:06ou jogar Candy Crush ou algo assim.
-
17:06 - 17:09No começo, modelamos as máquinas
segundo as nossas mentes. -
17:09 - 17:12E elas nos dão tanto a habilidade
de entender melhor nossa mente -
17:12 - 17:14como de expandi-la.
-
17:15 - 17:16Muito obrigado.
-
17:16 - 17:18(Aplausos)
- Title:
- Como computadores estão aprendendo a ser criativos
- Speaker:
- Blaise Agüera y Arcas
- Description:
-
Estamos à beira de uma nova fronteira na arte e na criatividade e, não é humana. Blaise Agüera y Arcas, principal cientista do Google, trabalha com complexas redes neurais para a percepção da máquina e aprendizagem distribuída. Nesta apresentação fascinante, ele mostra como redes neurais treinadas para reconhecer imagens podem ser executadas em sentido inverso, para gerá-las. Resultado: colagens alucinatórias (e poemas!) espetaculares que desafiam a categorização. "Percepção e criatividade estão intimamente ligadas", diz Agüera y Arcas. "Qualquer criatura, qualquer ser que é capaz de fazer atos de percepção, também é capaz de criar."
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 17:34
Maricene Crus approved Portuguese, Brazilian subtitles for How we're teaching computers to be creative | ||
Maricene Crus edited Portuguese, Brazilian subtitles for How we're teaching computers to be creative | ||
Maricene Crus edited Portuguese, Brazilian subtitles for How we're teaching computers to be creative | ||
Maricene Crus edited Portuguese, Brazilian subtitles for How we're teaching computers to be creative | ||
Maricene Crus accepted Portuguese, Brazilian subtitles for How we're teaching computers to be creative | ||
Maricene Crus edited Portuguese, Brazilian subtitles for How we're teaching computers to be creative | ||
Maricene Crus edited Portuguese, Brazilian subtitles for How we're teaching computers to be creative | ||
Maricene Crus edited Portuguese, Brazilian subtitles for How we're teaching computers to be creative |