電腦是如何學會創意的?
-
0:01 - 0:04我在 Google 帶領
一個團隊做機械智慧; -
0:04 - 0:09換句話說,就是制定一些訓練方法,
-
0:09 - 0:11讓電腦和裝置能做些大腦做的事。
-
0:11 - 0:15而這也讓我們對真實的大腦
-
0:15 - 0:16以及神經科學產生了興趣,
-
0:16 - 0:20特別是一些我們大腦能做
-
0:20 - 0:24但電腦仍無法呈現出來的事。
-
0:25 - 0:29長期以來,機械智慧的
其中一個領域談的就是機械感知, -
0:29 - 0:32它是一種轉化的過程——
-
0:32 - 0:33像是把聲音和影像——
-
0:34 - 0:36轉化成心智上的概念。
-
0:36 - 0:39這是我們大腦必備的能力,
-
0:39 - 0:41這個能力對電腦來說也很有用。
-
0:42 - 0:45所謂的機械感知演算法,
像是我們團隊做的, -
0:45 - 0:49能讓你 Google 相簿裡的照片
-
0:49 - 0:51根據照片裡的東西
把它們變成可以被搜尋的資料。 -
0:52 - 0:55感知的另一面是創意:
-
0:55 - 0:58把概念轉化成另一種東西。
-
0:58 - 1:02所以過去幾年,
我們團隊在機器感知上的努力, -
1:02 - 1:05已經可以把創意與
-
1:05 - 1:08機器藝術結合在一起。
-
1:09 - 1:12我覺得米開朗基羅對「感知」
與「創意」這兩者之間的關係 -
1:12 - 1:16有一種很透析的看法。
-
1:16 - 1:18他有一句名言:
-
1:18 - 1:21「每一塊石頭裡都藏著一座雕像,
-
1:22 - 1:25等待雕刻家將它雕塑出來。」
-
1:26 - 1:29所以我覺得米開朗基羅
當時的體悟是: -
1:29 - 1:32我們的「創意」來自「感知」,
-
1:32 - 1:36而感知本身就是一個想像行為
-
1:36 - 1:38及創意的來源。
-
1:39 - 1:43人體中有一個器官
能做出思考、感受和想像, -
1:43 - 1:44當然,那就是我們的大腦。
-
1:45 - 1:48我想先簡單地來談一談
-
1:48 - 1:50我們對大腦認知的歷史。
-
1:50 - 1:53因為大腦不像我們的心臟或腸道,
-
1:53 - 1:56你不能光用看的來瞭解大腦,
-
1:56 - 1:58光靠肉眼根本看不出個所以然來。
-
1:58 - 2:00早期研究大腦的解剖學家,
-
2:00 - 2:04在大腦表皮結構上
取了許多稀奇古怪的名字, -
2:04 - 2:07例如海馬體,意思是「小蝦子」。
-
2:07 - 2:08當然,這樣的命名方式
-
2:08 - 2:13並沒有讓我們對
大腦的認識有太多的幫助。 -
2:13 - 2:16我認為,第一個有真正深入了解
-
2:16 - 2:18大腦如何運作的,
-
2:18 - 2:22是偉大的西班牙神經解剖學家
桑地牙哥·拉蒙卡哈, -
2:22 - 2:24他在十九世紀,
-
2:24 - 2:28就已經開始用顯微鏡和特殊染劑
-
2:28 - 2:32把大腦裡的特定細胞篩選出來染色,
-
2:32 - 2:34或以強烈的對比色來觀察細胞,
-
2:34 - 2:37這樣做,是為了瞭解
它們的形態結構。 -
2:38 - 2:41這些是他在十九世紀時
-
2:41 - 2:42畫的神經細胞圖,
-
2:42 - 2:44這一張是鳥的大腦。
-
2:44 - 2:47但當時已經可以看到
各式各樣不同的細胞圖片, -
2:47 - 2:51即使細胞的原理
在當時是個相當新穎的概念。 -
2:51 - 2:52這些結構,
-
2:52 - 2:54這些樹枝狀的細胞結構,
-
2:54 - 2:57可以延伸到相當相當長──
-
2:57 - 2:59在當時來講,
這樣的發現算是相當神奇了。 -
2:59 - 3:02當然,它們也會讓人聯想到電線,
-
3:02 - 3:05這對 19 世紀的人來說,
這樣的比喻可能比較恰當, -
3:05 - 3:10因為當時電線和電力的變革
正如火如荼的進行。 -
3:10 - 3:11但就很多方面來說,
-
3:11 - 3:14像拉蒙卡哈這樣的顯微鏡解剖圖
-
3:15 - 3:17現在看來還是很厲害。
-
3:17 - 3:19但我們卻在一個世紀後,
-
3:19 - 3:22才想試著去完成
當年拉蒙卡哈的研究。 -
3:22 - 3:25這些原始資料,來自我們
-
3:25 - 3:28馬克斯·普朗克
神經科學機構的合作夥伴。 -
3:28 - 3:29而我們的合作夥伴的工作就是
-
3:29 - 3:34把大腦組織切成
一小片一小片的圖像。 -
3:34 - 3:38整個樣本的大小
大約只有 1 立方毫米, -
3:38 - 3:40我展示給各位看的只有小小的一片。
-
3:40 - 3:43你可以看到,
左邊的長度標誌僅有一微米。 -
3:43 - 3:45各位現在看到的結構是粒線體,
-
3:45 - 3:47大小跟細菌一樣。
-
3:47 - 3:49這些連續切片圖,
-
3:49 - 3:52是由一塊很小的組織中
一片片切出來的。 -
3:52 - 3:55舉個例子做比較,
-
3:55 - 3:58一根頭髮的直徑
大約有 100 微米。 -
3:58 - 4:00我們在研究的
-
4:00 - 4:02是比一根頭髮還更細更小的東西。
-
4:02 - 4:06而這一系列的電子顯微鏡切片圖像,
-
4:06 - 4:11可以組成像這樣的
神經元 3D 立體成像。 -
4:11 - 4:14這些和拉蒙卡哈
當年的研究相去不遠。 -
4:14 - 4:16但只有幾個神經元可以打光,
-
4:16 - 4:19否則我們會看不到東西。
-
4:19 - 4:20因為空間太壅擠、
-
4:20 - 4:21結構太複雜了,
-
4:21 - 4:24神經元蜿蜒地一個接著一個。
-
4:25 - 4:28所以,拉蒙卡哈在當時
也算是走在時代的尖端, -
4:28 - 4:31但在那之後的幾十年,
-
4:31 - 4:33人類對大腦的認識卻相當緩慢。
-
4:33 - 4:36但我們已經知道
神經元是利用電子傳遞訊號, -
4:36 - 4:39到第二次世界大戰前,
我們的科技已經進步到 -
4:39 - 4:42可以在活體神經元上做電子實驗,
-
4:42 - 4:44用來更好地理解它們是如何運作的。
-
4:45 - 4:49這也是電腦被發明出來的時間,
-
4:49 - 4:52當初有一個模擬人腦的基礎想法——
-
4:52 - 4:55是由艾倫·圖靈所提出,
他稱之為「智能機械」, -
4:55 - 4:57他是計算機科學之父之一。
-
4:58 - 5:03當時沃倫麥卡洛克和華特彼特斯
(人工神經科學家) -
5:03 - 5:04看到的視覺皮質圖,
-
5:04 - 5:05就是上面這張拉蒙卡哈的圖片。
-
5:06 - 5:10這個皮質層是負責把
眼睛傳來的訊號轉換成圖像。 -
5:10 - 5:14他們當時發現,
它看起來像是一張電路圖。 -
5:14 - 5:17雖然麥卡洛克和彼特斯
-
5:17 - 5:20在電路圖上有很多細節不太正確,
-
5:20 - 5:21但這樣的基礎概念,
-
5:21 - 5:25視覺皮層的工作原理
-
5:25 - 5:28像一系列的計算子
在串聯的電路圖上傳遞著資訊, -
5:28 - 5:29這樣的概念卻是相當正確的。
-
5:29 - 5:32我們稍微聊一下,
-
5:32 - 5:36產生視覺資訊的模型,
需要做哪些事情。 -
5:36 - 5:39覺察力的基本任務就是
-
5:39 - 5:43比如說,看到這一張圖片,
-
5:43 - 5:44就要會判斷出,「這是一隻鳥」,
-
5:44 - 5:47這對我們大腦來說是很簡單的任務。
-
5:47 - 5:51但各位要知道,這對電腦來說
-
5:51 - 5:54在幾年前根本是不可能的事。
-
5:54 - 5:56傳統的計算模式
-
5:56 - 5:58根本不太容易跑出來這樣的任務。
-
5:59 - 6:02所以,像素、
-
6:02 - 6:06鳥圖與文字之間,
-
6:06 - 6:08一定要有一組彼此連結的神經元
-
6:08 - 6:10在神經網路內相互作用著,
-
6:10 - 6:11就像我這張示意圖。
-
6:11 - 6:15這張神經網路圖
就像我們的視覺皮質運作原理。 -
6:15 - 6:17如今,我們已經有能力
-
6:17 - 6:19用電腦來模擬這樣的神經網路。
-
6:20 - 6:22接下來我向各位展示一下,
實際的操作大概是怎樣。 -
6:22 - 6:26圖片的像素你可以把它想像成是
第一層的神經元, -
6:26 - 6:28實際上,就是眼睛裡面
像素的呈現方式, -
6:28 - 6:30像素是透過
視網膜上的神經元做傳遞。 -
6:30 - 6:31而這些前饋資訊
-
6:31 - 6:35會一層一層地傳遞到下一層神經元,
-
6:35 - 6:38全部由不同的「突觸權重」所連結。
-
6:38 - 6:39神經網路的行為
-
6:39 - 6:42全都由這些突觸的強度所控制。
-
6:42 - 6:46它們決定了神經網路的計算模式。
-
6:46 - 6:47最後,
-
6:47 - 6:50會有一個或一小群的
神經元發出訊號, -
6:50 - 6:52辨識出該圖片就是,「鳥」。
-
6:52 - 6:55我現在要來解釋一下這三個元素——
-
6:55 - 7:00輸入的「像素」、
神經網路裡的「突觸」、 -
7:00 - 7:01還有「鳥」這個輸出的字元——
它們是如何運作的。 -
7:01 - 7:04它們是由三種變數所組成,
x、w 和 y。 -
7:05 - 7:07圖片中可能有一百多萬個 x ——
-
7:07 - 7:09100 多萬個像素。
-
7:09 - 7:11而 w 可能有數十億或好幾兆個,
-
7:11 - 7:15它們代表著神經網路中
各個突觸的權重。 -
7:15 - 7:16而這個網路能輸出的 y
-
7:16 - 7:18只有少數幾個。
-
7:18 - 7:20「bird」只有四個字母,對吧?
-
7:21 - 7:25我們假設它的原理是
一個簡單的公式, -
7:25 - 7:27x 「乘以」 w = y
-
7:27 - 7:29我把乘法符號用引號標示起來
-
7:29 - 7:31因為它其實是一個
-
7:31 - 7:34非常複雜的數學運算概念。
-
7:35 - 7:36這個方程式
-
7:36 - 7:38有三個變數,
-
7:38 - 7:41我們都知道,如果你想要
解開這個方程式, -
7:41 - 7:45可以從兩個已知數
交叉算出未知的數。 -
7:45 - 7:49所以要推斷出
-
7:49 - 7:51圖片中的影像是一隻鳥,
-
7:51 - 7:53可以用這種方式得知:
-
7:53 - 7:56y 是未知數,而 w 和 x 是已知數。
-
7:56 - 7:59已知神經網路和圖片像素,
-
7:59 - 8:02其實可以很直接的就得到答案,
-
8:02 - 8:042x3=6,就做完了。
-
8:05 - 8:07我向各位展示一個
-
8:07 - 8:09我們最近做的人工神經網路,
-
8:10 - 8:12它可以在手機上做及時的操作,
-
8:13 - 8:16當然,手機的運算能力相當驚人,
-
8:16 - 8:18手機每秒
-
8:18 - 8:21可以做出數十億至上兆次的運算。
-
8:21 - 8:23你現在看到的是一隻手機
-
8:23 - 8:26正對著一張張的鳥圖拍照,
-
8:26 - 8:29手機不但可以正確的說出,
「是的,這是一隻鳥。」 -
8:29 - 8:32還能透過神經網路分類
分辨出這是哪一種鳥。 -
8:33 - 8:35所以,在這些圖片上,
-
8:35 - 8:39x 和 w 是已知,而 y 是未知。
-
8:39 - 8:41我現在來解釋一下這個
最困難的 「w」, -
8:41 - 8:45我們到底是如何算出來的?
-
8:45 - 8:47為什麼大腦可以做出這樣的判斷?
-
8:47 - 8:49我們到底是如何學到
這樣的認知模式的? -
8:49 - 8:53這個學習的過程,
是一個求解 w 的過程, -
8:53 - 8:55如果我們要解這個一次方程式,
-
8:55 - 8:57當它們都是數字時,
-
8:57 - 9:00我們都知道如何解 6=2 x w,
-
9:00 - 9:03我們只要把 6 除以 2
就可以得到答案。 -
9:04 - 9:06問題在於這個運算符號,
-
9:07 - 9:08除法這個符號——
-
9:08 - 9:11我們會用除法的方式求解,
是因為它跟乘法相反, -
9:11 - 9:13但就如同我剛剛提到的,
-
9:13 - 9:15乘法在這裡有點像是個幌子。
-
9:15 - 9:18這是非常非常複雜的概念,
它們是「非線性運算」的概念; -
9:18 - 9:20無法直接用除的求解。
-
9:20 - 9:23所以,我們要另外
找個方法來解方程式, -
9:23 - 9:25而不能直接用除的。
-
9:25 - 9:28方法相當簡單,
-
9:28 - 9:30可以說,我們只用了點
代數的小技巧, -
9:30 - 9:33將 6 移動到等號的右邊。
-
9:33 - 9:35如此我們就可以繼續用乘法來運算。
-
9:36 - 9:39而等號左邊的零——
我們把它想像成是誤差。 -
9:39 - 9:42換言之,如果要解出 w,
-
9:42 - 9:43誤差就要變成 0。
-
9:43 - 9:45如果我們沒找到答案
-
9:45 - 9:47誤差會永遠大於 0。
-
9:47 - 9:51所以,我們現在
只能用猜的來縮小誤差, -
9:51 - 9:53而這就是電腦非常擅長的地方。
-
9:53 - 9:55所以,你會從頭開始猜:
-
9:55 - 9:56假設 w=0
-
9:56 - 9:57那誤差會等於6
-
9:57 - 9:59但假如 w=1 呢?誤差等於 4。
-
9:59 - 10:01接下來電腦有點像是在玩
馬可波羅探索遊戲, -
10:01 - 10:04探索到誤差接近零為止。
-
10:04 - 10:07當它一直探索到零,
那麼 w 就解出來了。 -
10:07 - 10:11原則上,它會不停探索直到接近零,
但大約經過多次步驟後, -
10:11 - 10:15我們就能得出 w=2.999,
相當接近了。 -
10:16 - 10:18這就是電腦學習的過程。
-
10:18 - 10:21回想一下剛剛發生了什麼事情,
-
10:21 - 10:25我們有很多已知的 x 和 y,
-
10:25 - 10:29透過重複迭代的過程解出了 w。
-
10:29 - 10:32而這就是我們人類學習的過程,
-
10:32 - 10:35我們從小看了很多圖片
-
10:35 - 10:37被告知「這是鳥」,「這不是鳥」;
-
10:38 - 10:40經過了一段時間,不停地重複,
-
10:40 - 10:43我們解出了 w,
產生了神經元的連結關係。 -
10:43 - 10:48所以現在,我們的 x 和 w
是固定數,可以解出 y; -
10:48 - 10:49這就是我們人類每天
經常性的快速直覺判斷。 -
10:49 - 10:51我們搞懂了如何解出 w,
-
10:51 - 10:53而學習本身是一條相當艱辛的路程,
-
10:53 - 10:55因為為了讓誤差最小化,
-
10:55 - 10:57我們必須使用很多的訓練樣本。
-
10:57 - 11:00約一年前,我們團隊的
艾力克斯摩文斯夫 -
11:00 - 11:02決定做個實驗,
-
11:02 - 11:06看看如果我們試著給出了 w 和 y,
解出來的 x 會變什麼樣。 -
11:06 - 11:07換句話說,
-
11:07 - 11:09電腦知道它是一隻鳥,
-
11:09 - 11:12電腦有你給它訓練出來
辨識鳥圖片的神經網路, -
11:12 - 11:14但對電腦而言,鳥是怎樣的圖像?
-
11:15 - 11:20原來,使用一模一樣的
「誤差最小化」程序 -
11:20 - 11:24以及訓練出來
用來辨識鳥的神經網路, -
11:24 - 11:27你就能辨識出……
-
11:30 - 11:32這是一張鳥圖,
-
11:33 - 11:36所以,這是一張完全由
-
11:36 - 11:38訓練辨認鳥的神經網路
自行創造出來的鳥圖, -
11:38 - 11:41只要透過不斷地重複解出 x,
-
11:41 - 11:44而不是解 y 就可以了。
-
11:44 - 11:46這裡有另一個有趣的範例。
-
11:46 - 11:49我們團隊裡的
另外一位組員麥克泰卡, -
11:49 - 11:51他稱這些畫為《動物大遊行》。
-
11:51 - 11:54這讓我有點回想起了
威廉肯特基的作品, -
11:54 - 11:57他畫好素描後,擦掉它,
-
11:57 - 11:58然後反覆地畫、反覆地擦
-
11:58 - 12:00透過這樣的方式,
創造出了一部影片。 -
12:00 - 12:01在這個展示裡,
-
12:01 - 12:04麥可做的就是把不同動物的 y ,
-
12:04 - 12:07透過設計好的神經網路,
-
12:07 - 12:08彼此辨認並分別出不一樣的動物。
-
12:08 - 12:12如此,你就能得到一張像艾雪一樣的
不同動物的變體圖像。 -
12:14 - 12:19這一張是他和艾力克斯一起完成的,
-
12:19 - 12:22他們試著減少 y 的數量,
將這些圖案丟到一個 2D 平面上, -
12:22 - 12:25透過這個網路的辨識,
-
12:25 - 12:27創造出了這一張有各種動物的地圖。
-
12:27 - 12:29要做出這樣的綜合體,
-
12:29 - 12:31或透過整張圖面產出圖像,
-
12:31 - 12:34你只要在圖面上給出各式各樣的 y ,
你就能做出一張地圖來—— -
12:34 - 12:37一張由神經網路辨識出的視覺地圖。
-
12:37 - 12:40所有動物都會在這上面,
犰狳就在圖上這個點。 -
12:41 - 12:43你也可以透過不同的神經網路,
做出類似這樣的作品, -
12:43 - 12:46這一張由辨識臉的神經網路
-
12:46 - 12:48所做出來的作品,
-
12:48 - 12:52這一張是用「我」當作 y ,
所做出來的圖畫, -
12:52 - 12:53用我的臉當參數。
-
12:53 - 12:55當電腦解出 x 後,
-
12:55 - 12:58它就畫出了這一張相當瘋狂、
-
12:58 - 13:02有點像立體派藝術、
超現實、迷幻效果的我, -
13:02 - 13:04同一張圖卻有不同的視角。
-
13:04 - 13:07而會有這種「同一張圖
不同視角」的感覺, -
13:07 - 13:10是因為這個神經網路的設計,
-
13:10 - 13:13可以將不同姿勢臉之間的
模糊地帶移除掉, -
13:13 - 13:16透過觀察不同的光源就可以做到。
-
13:16 - 13:18所以,當你重新製作圖像時,
-
13:18 - 13:21如果你沒有使用指導圖,
-
13:21 - 13:22或特定的統計資料,
-
13:22 - 13:26那你就能得到來自
不同角度的混合體圖像, -
13:26 - 13:28因為它是模糊的。
-
13:28 - 13:32所以如果艾力克斯
用他自己的臉當作指導圖 -
13:32 - 13:35在優化過程中重新建造我的臉,
就會產生這樣的圖像。 -
13:36 - 13:39各位可以看到,
這作品還不是很完美, -
13:39 - 13:41在圖像優化的過程方面,
-
13:41 - 13:43還有很多工作要做。
-
13:43 - 13:46但如果用我的臉當指導圖,
-
13:46 - 13:49就能漸漸地顯現出比較
條理分明的臉。 -
13:49 - 13:51你不需要從一張空白的畫布
-
13:51 - 13:53或用白雜訊畫起。
-
13:53 - 13:54當你解出 x 後,
-
13:54 - 13:58你就可以從 x 開始畫起,
因為它本身就有一些圖像。 -
13:58 - 14:00這個小小的展示
說明了它的運作原理。 -
14:00 - 14:05這個網路是設計用來
分辨各種不同的物體, -
14:05 - 14:08像是人造結構、動物……等。
-
14:08 - 14:10這一張畫我們是從
雲朵的圖像開始畫起的, -
14:10 - 14:12當我們把它優化後,
-
14:12 - 14:17基本上,這個神經網路
正在搞懂它在雲朵中看見了什麼。 -
14:17 - 14:19當你看得越久,
-
14:19 - 14:22你就能在雲層中看得越多。
-
14:23 - 14:26你也可以運用人臉網路
讓它產生幻覺, -
14:26 - 14:28然後就會跑出相當瘋狂的畫作。
-
14:28 - 14:29(笑聲)
-
14:30 - 14:33或者,麥可已經有作出
一些其它的實驗, -
14:33 - 14:37他用那張雲朵的圖像,
-
14:37 - 14:41使電腦產生幻覺、然後放大、
產生幻覺、再放大。 -
14:41 - 14:42用這樣的方式,
-
14:42 - 14:45我在想,你就能得到一種
像是在神遊狀態的網路, -
14:46 - 14:49或者像是一種無拘束的聯想,
-
14:49 - 14:51彷彿神經網路正在吃著自己的尾巴。
-
14:51 - 14:55所以每一張圖像基本上像是正在想:
-
14:55 - 14:56「我接下來會看到什麼?
-
14:56 - 14:59接下來會看到什麼?
接下來會看到什麼?」 -
14:59 - 15:02我第一次在一個
公眾場合上展示這個影片, -
15:02 - 15:08是在西雅圖的「高等教育」
機構做演說時展示的, -
15:08 - 15:10當時剛好是大麻剛合法化的時候。
-
15:10 - 15:13(笑聲)
-
15:15 - 15:17所以,我快速總結一下,
-
15:17 - 15:21這項技術並不會受到約束。
-
15:21 - 15:25我剛剛展示的是純粹的視覺範例,
因為觀察它的變化,真的很好玩。 -
15:25 - 15:27它不單只有視覺科技。
-
15:27 - 15:29我們的藝術合作者,羅斯谷穎
已經做了一些實驗, -
15:29 - 15:33他用相機拍了一張照片,
-
15:33 - 15:37然後他背包裡的電腦
會根據圖片上的內容, -
15:37 - 15:39透過神經網路,創作出一首詩。
-
15:39 - 15:42這個會作詩的神經網路
-
15:42 - 15:44是透過大量 20 世紀的詩集
所訓練出來的, -
15:44 - 15:46而做出來的詩,
-
15:46 - 15:48實際上,我覺得還得不錯。
-
15:48 - 15:49(笑聲)
-
15:49 - 15:50整體而言,
-
15:50 - 15:53我在想,米開朗基羅,
-
15:53 - 15:54他是對的;
-
15:54 - 15:57感知和創意的關係是相當緊密的。
-
15:58 - 16:00我們剛剛看的神經網路,
-
16:00 - 16:03它們是被訓練出來分辯
-
16:03 - 16:05或辨認世界上不同的東西,
-
16:05 - 16:08也可以反過來,自行創作出東西來。
-
16:08 - 16:10而我從中所得到的
-
16:10 - 16:12不僅有米開朗基羅的啟發:
-
16:12 - 16:15「看見石頭裡的雕像」,
-
16:15 - 16:18還有任何能做出感知活動的
生物、生命、外來物種 -
16:18 - 16:22都能透過這樣的方式
-
16:22 - 16:23被呈現並創造出來,
-
16:23 - 16:27因為這兩者與剛才舉的例子
都有著相同的機制。 -
16:27 - 16:31我也認為,感知及創意
-
16:31 - 16:33不是只有我們人類獨有。
-
16:33 - 16:36我們已經有電腦模式
可以做出相當類似的事。 -
16:36 - 16:40所以不需要感到驚訝;
因為大腦是會運算的。 -
16:40 - 16:41最後,我要說的是,
-
16:41 - 16:46設計智能機器已經開始成為
電腦界的活動。 -
16:46 - 16:48在如何讓機器更智能的領域方面,
-
16:48 - 16:51已經有很多的模式產生。
-
16:52 - 16:54我們終於開始
-
16:54 - 16:56完成一些早期前輩們
-
16:56 - 16:58像是圖靈、馮諾伊曼、
-
16:58 - 17:00馬庫洛奇和皮斯的期望。
-
17:00 - 17:04而我也認為電腦不是只有拿來計算
-
17:04 - 17:06或玩玩 Candy Crush 而已,
-
17:06 - 17:09回到初衷,我們想要的
是讓電腦能仿效人腦。 -
17:09 - 17:12它不僅讓我們更了解了人類的心智,
-
17:12 - 17:15並讓我們獲得延伸發展心智的能力。
-
17:15 - 17:16非常感謝大家。
-
17:16 - 17:22(掌聲)
- Title:
- 電腦是如何學會創意的?
- Speaker:
- 布雷斯.阿規耶拉.雅克斯
- Description:
-
我們正站在藝術與創意時代的尖端——但不是人類做的。Google的首席科學家,布雷斯.阿規耶拉.雅克斯(Blaise Agüera y Arcas)運用深度神經網路,讓機械感知並呈現學習的成果。在這場迷人的演示中,他向我們展示如何訓練神經網路辨識圖片,以及如何反向操作讓電腦自行創造出畫作來。成果是:透過定義分類的方式,呈現出完美、迷幻的拼貼畫(及詩詞!)「感知與創造力是緊密相連的」。他說,「任何可以做出感知活動的生物、生命都能被創作出來」。
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 17:34
Regina Chu approved Chinese, Traditional subtitles for How we're teaching computers to be creative | ||
Regina Chu edited Chinese, Traditional subtitles for How we're teaching computers to be creative | ||
易帆 余 accepted Chinese, Traditional subtitles for How we're teaching computers to be creative | ||
易帆 余 edited Chinese, Traditional subtitles for How we're teaching computers to be creative | ||
易帆 余 edited Chinese, Traditional subtitles for How we're teaching computers to be creative | ||
易帆 余 edited Chinese, Traditional subtitles for How we're teaching computers to be creative | ||
Retired user edited Chinese, Traditional subtitles for How we're teaching computers to be creative | ||
易帆 余 edited Chinese, Traditional subtitles for How we're teaching computers to be creative |