Historique de l’intelligence artificielle Tutoriels

Parcourons ensemble l'évolution captivante de l'IA générative. De ses humbles débuts dans les années 1950, en passant par l'ère des réseaux neuronaux des années 1980, l'explosion du Big Data au tournant du millénaire, jusqu'à l'ascension des GANs et les avancées majeures des années 2020. Accompagnez-nous pour une exploration chronologique de cette technologie révolutionnaire.

6:26
2476 vues

00:00:04

Pour comprendre l'IA générative,

00:00:06

plongeons-nous dans son histoire.

00:00:08

Les premiers chercheurs en

00:00:10

intelligence artificielle étaient

00:00:11

animés par une vision audacieuse,

00:00:13

celle de construire des machines capables

00:00:15

de simuler les processus de pensée humaine.

00:00:18

Ils ne se contentaient pas de

00:00:20

créer des programmes pour

00:00:21

exécuter des tâches spécifiques.

00:00:22

Ils voulaient que ces machines réfléchissent,

00:00:25

apprennent et évoluent.

00:00:27

Cette ambition, bien que complexe,

00:00:30

a été le moteur de nombreuses innovations.

00:00:32

Les premiers modèles d'IA

00:00:34

étaient rudimentaires,

00:00:35

mais ils ont posé les

00:00:37

questions fondamentales.

00:00:38

Une machine peut-elle penser ?

00:00:40

peut-elle apprendre comme un enfant ?

00:00:44

Ces questions ont guidé la recherche

00:00:45

en IA pendant des décennies.

00:00:47

Les années 1980 ont été marquées

00:00:50

par un renouveau dans le domaine

00:00:51

de l'intelligence artificielle,

00:00:53

l'ère des réseaux neuronaux.

00:00:54

Inspirés par la biologie et le

00:00:57

fonctionnement du cerveau humain,

00:00:59

ces réseaux ont tenté de reproduire

00:01:01

la manière dont nos neurones traitent

00:01:03

et transmettent l'information.

00:01:05

Malgré des ressources limitées et

00:01:07

des ordinateurs moins puissants,

00:01:08

les chercheurs ont persévéré,

00:01:10

convaincus que cette approche pourrait

00:01:13

mener à une IA plus avancée et adaptable.

00:01:16

C'était le début d'une révolution où l'IA

00:01:18

ne se contentait plus de

00:01:20

suivre des règles rigides,

00:01:21

mais apprenait à partir des données,

00:01:23

tout comme un cerveau qui apprend

00:01:25

à partir de ses expériences.

00:01:27

Les réseaux neuronaux sont au cœur

00:01:30

de nombreuses avancées en IA.

00:01:32

Imaginez-les comme une imitation

00:01:34

numérique du cerveau humain,

00:01:36

chaque neurone artificiel ou nœud

00:01:38

reçoit des informations, les traite,

00:01:41

puis les transmet à d'autres

00:01:43

neurones via des connexions,

00:01:44

tout comme nos neurones biologiques

00:01:46

le font avec les synapses.

00:01:48

Au début,

00:01:49

ces réseaux étaient simples,

00:01:51

avec peu de couches de neurones,

00:01:53

mais l'idée était révolutionnaire. Plutôt

00:01:55

que de programmer explicitement une

00:01:57

machine pour qu'elle accomplisse une tâche,

00:01:59

pourquoi ne pas la former en

00:02:01

lui fournissant des exemples,

00:02:03

tout comme on enseigne à un enfant ?

00:02:06

Cette approche d'apprentissage,

00:02:07

bien que gourmande en données

00:02:09

et en puissance de calcul,

00:02:11

a ouvert la voie à des machines

00:02:13

capables d'apprendre par elles-mêmes.

00:02:14

Les années 2000 ont marqué un tournant

00:02:18

pour l'intelligence artificielle.

00:02:19

Avec l'explosion d'Internet,

00:02:21

une quantité phénoménale de

00:02:23

données est devenue accessible.

00:02:26

Ces données,

00:02:26

couplées à des avancées

00:02:28

significatives en puissance de calcul,

00:02:30

ont offert un terrain fertile pour l'IA.

00:02:32

Les algorithmes ont évolué,

00:02:35

devenant plus sophistiqués et

00:02:36

capables de traiter des ensembles de

00:02:39

données de plus en plus volumineux.

00:02:41

C'était l'ère de l'apprentissage

00:02:42

profond où les réseaux neuronaux

00:02:44

sont devenus profonds,

00:02:46

avec de nombreuses couches permettant

00:02:48

des prouesses inimaginables

00:02:50

une décennie auparavant.

00:02:52

Le Big data est devenu le carburant de l'IA.

00:02:54

Les entreprises et les chercheurs

00:02:57

ont rapidement compris le potentiel

00:02:59

des données pour entraîner des

00:03:01

modèles d'IA plus performants.

00:03:02

Des applications comme la

00:03:04

reconnaissance vocale,

00:03:05

la traduction automatique et la

00:03:08

détection d'images sont devenues

00:03:10

possibles et efficaces.

00:03:11

L'IA n'était plus un simple outil de recherche,

00:03:14

elle commençait à transformer

00:03:16

notre quotidien,

00:03:17

rendant les technologies plus

00:03:19

intuitives et adaptées à nos besoins.

00:03:21

Les années 2010 ont vu l'émergence des

00:03:24

Gans ou réseaux antagonistes génératifs.

00:03:28

Ces algorithmes ont permis à l'IA

00:03:29

de générer des contenus

00:03:31

créatifs, des images aux sons

00:03:33

en passant par des textes.

00:03:34

Les Gans fonctionnent en mettant

00:03:37

en compétition deux réseaux.

00:03:38

L'un génère du contenu tandis

00:03:40

que l'autre évalue sa qualité.

00:03:42

Ce processus itératif a permis de

00:03:44

créer des œuvres de grande qualité,

00:03:46

parfois indiscernables de

00:03:48

celles créées par des humains.

00:03:50

Le docteur Ian Goodfellow est largement

00:03:53

reconnu comme le pionnier des Gans,

00:03:56

réseaux antagonistes génératifs.

00:03:58

En 2014, alors qu'il était doctorant,

00:04:00

Goodfellow a introduit le concept des

00:04:03

Gans dans un article et depuis lors,

00:04:05

cette approche a révolutionné le domaine

00:04:07

de l'apprentissage profond et de l'IA

00:04:09

générative.

00:04:10

Depuis l'introduction des Gans,

00:04:12

de nombreux chercheurs et

00:04:14

institutions ont contribué à leur

00:04:16

développement et à leur raffinement.

00:04:18

Mais Goodfellow est souvent cité

00:04:20

comme le père des Gans en raison de

00:04:23

son rôle crucial dans leur création

00:04:25

et leur popularisation initiale.

00:04:27

Les créations générées par les Gans

00:04:30

ont fasciné le monde. Des visages de

00:04:32

personnes qui n'ont jamais existé,

00:04:34

des paysages imaginaires,

00:04:35

des œuvres d'art uniques et

00:04:37

même de la musique.

00:04:40

Ces avancées ont soulevé des

00:04:43

questions éthiques et philosophiques.

00:04:45

Qu'est-ce que la créativité ? Une

00:04:47

machine peut-elle être

00:04:49

considérée comme créative ?

00:04:51

Alors que l'IA continue d'évoluer,

00:04:53

elle remet en question notre compréhension

00:04:55

de la création de l'art et de l'innovation.

00:04:58

Les années 2020 ont consolidé l'ère

00:05:00

de l'IA générative. Avec des avancées

00:05:03

en matière de puissance de calcul,

00:05:05

notamment grâce aux unités de traitement

00:05:07

graphique (GPU) et aux infrastructures cloud,

00:05:10

les modèles d'IA sont devenus

00:05:12

plus grands et plus complexes.

00:05:14

C'était l'époque où des modèles

00:05:16

comme GPT-3 et GPT-4 ont vu le

00:05:19

jour, capables de générer du texte,

00:05:21

de la musique,

00:05:22

des designs et bien plus encore avec

00:05:24

une précision et une nuance étonnante.

00:05:29

Ces nouveaux modèles d'IA ont démontré

00:05:32

une polyvalence sans précédent,

00:05:33

que ce soit pour rédiger des articles,

00:05:36

concevoir des objets ou même

00:05:38

programmer leur capacité à

00:05:40

comprendre et à générer du contenu,

00:05:42

a repoussé les limites de ce

00:05:43

que nous pensions possible.

00:05:47

L'IA est devenu un outil précieux

00:05:50

pour les créateurs, les ingénieurs

00:05:51

et les chercheurs du monde entier.

00:05:54

En l'espace de quelques décennies, l'IA

00:05:56

générative est passée de

00:05:58

simples expérimentations dans des

00:05:59

laboratoires à une force qui façonne

00:06:01

notre monde de manière profonde.

00:06:03

Elle a transformé la manière dont nous

00:06:06

interagissons avec la technologie,

00:06:07

comment nous créons et comment

00:06:09

nous percevons la frontière

00:06:11

entre l'homme et la machine.

00:06:13

Alors que nous nous tournons vers l'avenir,

00:06:15

une chose est certaine, l'IA

00:06:16

générative continuera à évoluer, à

00:06:20

surprendre et à redéfinir nos limites.

00:06:22

Restez avec nous pour explorer

00:06:24

davantage ce monde fascinant.

00:00:04

Um generative KI zu verstehen,

00:00:06

Lassen Sie uns in seine Geschichte eintauchen.

00:00:08

Die ersten Forscher in

00:00:10

Künstliche Intelligenz wurden

00:00:11

angetrieben von einer kühnen Vision,

00:00:13

Maschinen zu bauen, die in der Lage sind,

00:00:15

Simulieren Sie menschliche Denkprozesse.

00:00:18

Sie haben nicht nur

00:00:20

Erstellen Sie Programme für

00:00:21

Führen Sie bestimmte Aufgaben aus.

00:00:22

Sie wollten, dass diese Maschinen denken,

00:00:25

Lerne und entwickle dich weiter.

00:00:27

Dieser Ehrgeiz, so komplex er auch sein mag,

00:00:30

war die treibende Kraft hinter vielen Innovationen.

00:00:32

Die ersten KI-Modelle

00:00:34

rudimentär waren,

00:00:35

Aber sie legten den Grundstein

00:00:37

Grundsätzliche Fragen.

00:00:38

Kann eine Maschine denken?

00:00:40

Kann sie lernen wie ein Kind?

00:00:44

Diese Fragen leiteten die Forschung

00:00:45

in der KI seit Jahrzehnten.

00:00:47

Die 1980er Jahre waren geprägt von

00:00:50

durch eine Wiederbelebung auf dem Gebiet

00:00:51

künstliche Intelligenz

00:00:53

Die Ära der neuronalen Netze.

00:00:54

Inspiriert von der Biologie und

00:00:57

Funktionsweise des menschlichen Gehirns,

00:00:59

Diese Netzwerke haben versucht,

00:01:01

die Art und Weise, wie unsere Neuronen verarbeiten

00:01:03

und vermitteln Informationen.

00:01:05

Trotz begrenzter Ressourcen und

00:01:07

weniger leistungsfähige Rechner,

00:01:08

Die Forscher hielten durch,

00:01:10

überzeugt davon, dass dieser Ansatz

00:01:13

zu einer fortschrittlicheren und anpassungsfähigeren KI führen.

00:01:16

Es war der Beginn einer Revolution, bei der KI

00:01:18

nicht mehr zufrieden war mit

00:01:20

starren Regeln folgen,

00:01:21

sondern aus den Daten lernte,

00:01:23

Genau wie ein Gehirn, das lernt

00:01:25

aus seinen Erfahrungen.

00:01:27

Neuronale Netze sind das Herzstück

00:01:30

viele Fortschritte in der KI.

00:01:32

Betrachten Sie sie als eine Imitation

00:01:34

des menschlichen Gehirns,

00:01:36

jedes künstliche Neuron oder jeder künstliche Knoten

00:01:38

Informationen erhält, verarbeitet,

00:01:41

und geben sie dann an andere weiter

00:01:43

Neuronen über Verbindungen,

00:01:44

Genau wie unsere biologischen Neuronen

00:01:46

Tun Sie dies mit Synapsen.

00:01:48

Zuerst

00:01:49

Diese Netzwerke waren einfach,

00:01:51

mit wenigen Schichten von Neuronen,

00:01:53

Aber die Idee war revolutionär. Eher

00:01:55

als explizit eine

00:01:57

Maschine, um eine Aufgabe auszuführen,

00:01:59

Warum trainierst du sie nicht in

00:02:01

ihnen Beispiele zu geben,

00:02:03

So wie man es einem Kind beibringt?

00:02:06

Dieser Lernansatz,

00:02:07

Obwohl datenintensiv

00:02:09

und Rechenleistung,

00:02:11

ebnete den Weg für Maschinen

00:02:13

in der Lage, selbstständig zu lernen.

00:02:14

Die 2000er Jahre markierten einen Wendepunkt

00:02:18

für künstliche Intelligenz.

00:02:19

Mit der Explosion des Internets

00:02:21

eine phänomenale Menge an

00:02:23

Daten sind zugänglich geworden.

00:02:26

Diese Daten,

00:02:26

gepaart mit Fortschritten

00:02:28

signifikant in Bezug auf die Rechenleistung,

00:02:30

haben einen fruchtbaren Boden für KI bereitet.

00:02:32

Algorithmen haben sich weiterentwickelt,

00:02:35

immer ausgefeilter zu werden, und

00:02:36

in der Lage, Sätze von

00:02:39

Daten, die immer größer werden.

00:02:41

Es war das Zeitalter des Lernens

00:02:42

wobei neuronale Netze

00:02:44

tiefgründig geworden sind,

00:02:46

mit vielen Schichten, die

00:02:48

Unvorstellbare Leistungen

00:02:50

vor einem Jahrzehnt.

00:02:52

Big Data ist zum Treibstoff für KI geworden.

00:02:54

Unternehmen und Forscher

00:02:57

schnell erkannte das Potenzial

00:02:59

Zu steuernde Daten

00:03:01

leistungsfähigere KI-Modelle.

00:03:02

Anwendungen wie die

00:03:04

Spracherkennung

00:03:05

maschinelle Übersetzung und

00:03:08

Bilddetektion sind zu einem

00:03:10

möglich und wirksam.

00:03:11

KI war nicht mehr nur ein Forschungsinstrument,

00:03:14

Sie fing an, sich zu verwandeln

00:03:16

unser tägliches Leben,

00:03:17

Technologien besser zu machen

00:03:19

intuitiv und an unsere Bedürfnisse angepasst.

00:03:21

In den 2010er Jahren entstanden

00:03:24

GANs oder Generative Adversarial Networks.

00:03:28

Diese Algorithmen haben es der KI ermöglicht,

00:03:29

Generieren von Inhalten

00:03:31

Von Bildern zu Tönen

00:03:33

durch Texte.

00:03:34

GANs funktionieren, indem sie

00:03:37

Zwei Netzwerke konkurrieren miteinander.

00:03:38

Man generiert Inhalte, während

00:03:40

dass der andere seine Qualität bewertet.

00:03:42

Dieser iterative Prozess hat es möglich gemacht,

00:03:44

qualitativ hochwertige Werke zu schaffen,

00:03:46

manchmal nicht zu unterscheiden von

00:03:48

die von Menschen geschaffen wurden.

00:03:50

Dr. Ian Goodfellow leistet einen wichtigen Beitrag zur

00:03:53

anerkannt als Pionier der GANs,

00:03:56

Generative Adversarial Networks.

00:03:58

Im Jahr 2014, als er Doktorand war,

00:04:00

Goodfellow führte das Konzept der

00:04:03

GANs in einem Artikel und seitdem

00:04:05

Dieser Ansatz hat das Feld revolutioniert

00:04:07

Deep Learning und KI

00:04:09

Generativ.

00:04:10

Seit der Einführung von GANs

00:04:12

viele Forscher und

00:04:14

Institutionen haben zu ihrer

00:04:16

Entwicklung und Verfeinerung.

00:04:18

Aber Goodfellow wird oft zitiert

00:04:20

als Vater der GANs aufgrund der

00:04:23

ihre entscheidende Rolle bei ihrer Entstehung

00:04:25

und ihre anfängliche Popularisierung.

00:04:27

Creatives, die von GANs generiert wurden

00:04:30

faszinierte die Welt. Gesichter von

00:04:32

Menschen, die es nie gegeben hat,

00:04:34

imaginäre Landschaften,

00:04:35

einzigartige Kunstwerke und

00:04:37

sogar Musik.

00:04:40

Diese Fortschritte haben die Frage aufgeworfen, ob

00:04:43

ethischen und philosophischen Fragen.

00:04:45

Was ist Kreativität? Eins

00:04:47

Kann die Maschine

00:04:49

Gelten Sie als kreativ?

00:04:51

Während sich die KI ständig weiterentwickelt,

00:04:53

Es fordert unser Verständnis heraus

00:04:55

das Schaffen von Kunst und Innovation.

00:04:58

Die 2020er Jahre zementierten die Ära

00:05:00

generative KI. Mit Vorschüssen

00:05:03

in Bezug auf die Rechenleistung,

00:05:05

Insbesondere dank der Verarbeitungseinheiten

00:05:07

Grafik- (GPU) und Cloud-Infrastrukturen,

00:05:10

KI-Modelle sind zu einem

00:05:12

größer und komplexer.

00:05:14

Es war eine Zeit, in der Models

00:05:16

wie GPT-3 und GPT-4 die

00:05:19

Tag, der in der Lage ist, Text zu generieren,

00:05:21

Musik

00:05:22

Designs und mehr mit

00:05:24

Erstaunliche Präzision und Nuancen.

00:05:29

Diese neuen KI-Modelle haben gezeigt, dass

00:05:32

beispiellose Vielseitigkeit,

00:05:33

ob es darum geht, Artikel zu schreiben,

00:05:36

Designobjekte oder auch

00:05:38

ihre Fähigkeit zu programmieren,

00:05:40

Inhalte verstehen und generieren,

00:05:42

hat die Grenzen dieser

00:05:43

die wir für möglich hielten.

00:05:47

KI ist zu einem wertvollen Werkzeug geworden

00:05:50

Für Kreative, Ingenieure

00:05:51

und Forscher auf der ganzen Welt.

00:05:54

Innerhalb weniger Jahrzehnte hat KI

00:05:56

generativ ist von

00:05:58

einfache Experimente in

00:05:59

Laboratorien zu einer Kraft, die

00:06:01

unsere Welt auf eine tiefgreifende Art und Weise.

00:06:03

Es hat die Art und Weise verändert, wie wir

00:06:06

mit der Technologie interagieren,

00:06:07

Wie wir kreieren und wie

00:06:09

Wir nehmen die Grenze wahr

00:06:11

zwischen Mensch und Maschine.

00:06:13

Wenn wir in die Zukunft blicken,

00:06:15

Eines ist sicher, KI

00:06:16

wird sich weiterentwickeln,

00:06:20

um unsere Grenzen zu überraschen und neu zu definieren.

00:06:22

Bleiben Sie bei uns, um zu erkunden

00:06:24

mehr diese faszinierende Welt.

00:00:04

Para entender la IA generativa,

00:00:06

Vamos a sumergirnos en su historia.

00:00:08

Los primeros investigadores en

00:00:10

La inteligencia artificial fue

00:00:11

impulsados por una visión audaz,

00:00:13

la de construir máquinas que puedan

00:00:15

Simular los procesos de pensamiento humano.

00:00:18

No solo lo hicieron

00:00:20

Crear programas para

00:00:21

Realizar tareas específicas.

00:00:22

Querían que estas máquinas pensaran,

00:00:25

Aprende y evoluciona.

00:00:27

Esta ambición, aunque compleja,

00:00:30

ha sido la fuerza impulsora detrás de muchas innovaciones.

00:00:32

Los primeros modelos de IA

00:00:34

eran rudimentarios,

00:00:35

Pero sentaron las bases

00:00:37

cuestiones fundamentales.

00:00:38

¿Puede pensar una máquina?

00:00:40

¿Puede aprender como un niño?

00:00:44

Estas preguntas guiaron la investigación

00:00:45

en IA durante décadas.

00:00:47

La década de 1980 estuvo marcada por

00:00:50

por un avivamiento en el campo

00:00:51

inteligencia artificial

00:00:53

La era de las redes neuronales.

00:00:54

Inspirado en la biología y

00:00:57

funcionamiento del cerebro humano,

00:00:59

Estas redes han intentado replicar

00:01:01

La forma en que procesan nuestras neuronas

00:01:03

y transmitir información.

00:01:05

A pesar de los recursos limitados y

00:01:07

ordenadores menos potentes,

00:01:08

Los investigadores perseveraron,

00:01:10

convencidos de que este enfoque podría

00:01:13

conducen a una IA más avanzada y adaptable.

00:01:16

Fue el comienzo de una revolución en la que la IA

00:01:18

ya no estaba satisfecho con

00:01:20

seguir reglas rígidas,

00:01:21

pero estaba aprendiendo de los datos,

00:01:23

Al igual que un cerebro que aprende

00:01:25

de sus experiencias.

00:01:27

Las redes neuronales están en el corazón

00:01:30

muchos avances en IA.

00:01:32

Piensa en ellos como una imitación

00:01:34

del cerebro humano,

00:01:36

cada neurona o nodo artificial

00:01:38

recibe información, la procesa,

00:01:41

y luego pasarlos a otros

00:01:43

neuronas a través de conexiones,

00:01:44

Al igual que nuestras neuronas biológicas

00:01:46

Haz esto con las sinapsis.

00:01:48

Al principio

00:01:49

Estas redes eran simples,

00:01:51

con pocas capas de neuronas,

00:01:53

Pero la idea era revolucionaria. Bastante

00:01:55

que programar explícitamente un

00:01:57

máquina para realizar una tarea,

00:01:59

¿Por qué no entrenarla en

00:02:01

dándoles ejemplos,

00:02:03

¿Como le enseñas a un niño?

00:02:06

Este enfoque de aprendizaje,

00:02:07

A pesar de que el uso intensivo de datos

00:02:09

y potencia de cómputo,

00:02:11

allanó el camino para las máquinas

00:02:13

capaces de aprender por sí mismos.

00:02:14

La década de 2000 marcó un punto de inflexión

00:02:18

para la inteligencia artificial.

00:02:19

Con la explosión de Internet,

00:02:21

una cantidad fenomenal de

00:02:23

Los datos se han vuelto accesibles.

00:02:26

Estos datos,

00:02:26

junto con los avances

00:02:28

significativas en términos de potencia de cálculo,

00:02:30

han proporcionado un terreno fértil para la IA.

00:02:32

Los algoritmos han evolucionado,

00:02:35

cada vez más sofisticado, y

00:02:36

capaz de procesar conjuntos de

00:02:39

datos que son cada vez más grandes.

00:02:41

Era la era del aprendizaje

00:02:42

donde las redes neuronales

00:02:44

se han hecho profundas,

00:02:46

con muchas capas que permiten

00:02:48

Hazañas inimaginables

00:02:50

hace una década.

00:02:52

El big data se ha convertido en el combustible de la IA.

00:02:54

Empresas e investigadores

00:02:57

rápidamente comprendió el potencial

00:02:59

Datos para conducir

00:03:01

modelos de IA de mejor rendimiento.

00:03:02

Aplicaciones como la

00:03:04

Reconocimiento de voz

00:03:05

traducción automática y

00:03:08

La detección de imágenes se ha convertido en

00:03:10

posible y eficaz.

00:03:11

La IA ya no era solo una herramienta de investigación,

00:03:14

Empezaba a transformarse

00:03:16

nuestra vida cotidiana,

00:03:17

Hacer que las tecnologías sean más

00:03:19

Intuitivo y adaptado a nuestras necesidades.

00:03:21

La década de 2010 vio el surgimiento de

00:03:24

GAN o redes generativas adversarias.

00:03:28

Estos algoritmos han permitido a la IA

00:03:29

Generar contenido

00:03:31

De las imágenes a los sonidos

00:03:33

a través de textos.

00:03:34

Las GAN funcionan colocando

00:03:37

Dos redes están compitiendo.

00:03:38

Uno genera contenido mientras

00:03:40

que el otro evalúe su calidad.

00:03:42

Este proceso iterativo ha permitido

00:03:44

crear obras de alta calidad,

00:03:46

a veces indistinguible de

00:03:48

los creados por los humanos.

00:03:50

El Dr. Ian Goodfellow es uno de los principales colaboradores de la

00:03:53

reconocido como el pionero de las GAN,

00:03:56

redes generativas adversarias.

00:03:58

En 2014, cuando era estudiante de doctorado,

00:04:00

Goodfellow introdujo el concepto de

00:04:03

GAN en un artículo y desde entonces,

00:04:05

Este enfoque ha revolucionado el campo

00:04:07

aprendizaje profundo e IA

00:04:09

Generativo.

00:04:10

Desde la introducción de las GAN,

00:04:12

muchos investigadores y

00:04:14

instituciones han contribuido a su

00:04:16

desarrollo y refinamiento.

00:04:18

Pero a menudo se cita a Goodfellow

00:04:20

como el padre de las GAN debido a

00:04:23

su papel crucial en su creación

00:04:25

y su popularización inicial.

00:04:27

Creatividades generadas por GAN

00:04:30

fascinó al mundo. Rostros de

00:04:32

personas que nunca existieron,

00:04:34

paisajes imaginarios,

00:04:35

obras de arte únicas y

00:04:37

incluso la música.

00:04:40

Estos avances han planteado interrogantes sobre

00:04:43

cuestiones éticas y filosóficas.

00:04:45

¿Qué es la creatividad? Uno

00:04:47

¿Se puede la máquina ser

00:04:49

¿Considerado creativo?

00:04:51

A medida que la IA continúa evolucionando,

00:04:53

Desafía nuestra comprensión

00:04:55

la creación de arte y la innovación.

00:04:58

La década de 2020 cimentó la era

00:05:00

IA generativa. Con avances

00:05:03

en términos de potencia de cómputo,

00:05:05

En particular, gracias a las unidades de procesamiento

00:05:07

gráficos (GPU) e infraestructuras en la nube,

00:05:10

Los modelos de IA se han convertido en

00:05:12

más grande y más complejo.

00:05:14

Era una época en la que las modelos

00:05:16

como GPT-3 y GPT-4 han visto el

00:05:19

día, capaz de generar texto,

00:05:21

música

00:05:22

Diseños y más con

00:05:24

Precisión y matices asombrosos.

00:05:29

Estos nuevos modelos de IA han demostrado

00:05:32

versatilidad sin precedentes,

00:05:33

ya sea para escribir artículos,

00:05:36

objetos de diseño o incluso

00:05:38

programar su capacidad para

00:05:40

comprender y generar contenidos,

00:05:42

ha empujado los límites de esta

00:05:43

que creíamos posible.

00:05:47

La IA se ha convertido en una herramienta valiosa

00:05:50

Para creadores, ingenieros

00:05:51

e investigadores de todo el mundo.

00:05:54

En el espacio de unas pocas décadas, la IA

00:05:56

generativa ha pasado de ser generativa

00:05:58

Experimentos sencillos en

00:05:59

laboratorios a una fuerza que da forma a

00:06:01

nuestro mundo de una manera profunda.

00:06:03

Ha transformado la forma en que

00:06:06

interactuar con la tecnología,

00:06:07

Cómo creamos y cómo

00:06:09

Percibimos la frontera

00:06:11

entre el hombre y la máquina.

00:06:13

Al mirar hacia el futuro,

00:06:15

una cosa es cierta, la IA

00:06:16

seguirá evolucionando,

00:06:20

para sorprender y redefinir nuestros límites.

00:06:22

Quédate con nosotros para explorar

00:06:24

más este fascinante mundo.

00:00:04

Untuk memahami AI generatif,

00:00:06

Mari selami sejarahnya.

00:00:08

Para peneliti pertama di

00:00:10

Kecerdasan buatan adalah

00:00:11

didorong oleh visi yang berani,

00:00:13

bahwa membangun mesin yang dapat

00:00:15

mensimulasikan proses berpikir manusia.

00:00:18

Mereka tidak hanya

00:00:20

Buat program untuk

00:00:21

Lakukan tugas tertentu.

00:00:22

Mereka ingin mesin-mesin ini berpikir,

00:00:25

belajar dan berkembang.

00:00:27

Ambisi ini, meskipun rumit,

00:00:30

telah menjadi kekuatan pendorong di balik banyak inovasi.

00:00:32

Model AI pertama

00:00:34

belum sempurna,

00:00:35

Tapi mereka meletakkan dasar

00:00:37

pertanyaan mendasar.

00:00:38

Bisakah mesin berpikir?

00:00:40

Bisakah dia belajar seperti anak kecil?

00:00:44

Pertanyaan-pertanyaan ini memandu penelitian

00:00:45

dalam AI selama beberapa dekade.

00:00:47

Tahun 1980-an ditandai oleh

00:00:50

dengan kebangunan rohani di lapangan

00:00:51

kecerdasan buatan,

00:00:53

era jaringan saraf.

00:00:54

Terinspirasi oleh biologi dan

00:00:57

fungsi otak manusia,

00:00:59

Jaringan ini telah berusaha untuk mereplikasi

00:01:01

Cara neuron kita memproses

00:01:03

dan menyampaikan informasi.

00:01:05

Meskipun sumber daya terbatas dan

00:01:07

komputer yang kurang kuat,

00:01:08

Para peneliti bertahan,

00:01:10

yakin bahwa pendekatan ini bisa

00:01:13

mengarah ke AI yang lebih maju dan mudah beradaptasi.

00:01:16

Itu adalah awal dari revolusi di mana AI

00:01:18

tidak lagi puas dengan

00:01:20

ikuti aturan yang kaku,

00:01:21

tetapi belajar dari data,

00:01:23

Sama seperti otak yang belajar

00:01:25

dari pengalamannya.

00:01:27

Jaringan saraf berada di jantung

00:01:30

banyak kemajuan dalam AI.

00:01:32

Anggap mereka sebagai tiruan

00:01:34

otak manusia,

00:01:36

setiap neuron atau node buatan

00:01:38

menerima informasi, memprosesnya,

00:01:41

dan kemudian menyebarkannya kepada orang lain

00:01:43

neuron melalui koneksi,

00:01:44

Sama seperti neuron biologis kita

00:01:46

Lakukan ini dengan sinapsis.

00:01:48

Pada awalnya

00:01:49

Jaringan ini sederhana,

00:01:51

dengan beberapa lapisan neuron,

00:01:53

Tetapi gagasan itu revolusioner. Agak

00:01:55

daripada secara eksplisit memprogram a

00:01:57

mesin untuk melakukan tugas,

00:01:59

Mengapa tidak melatihnya

00:02:01

memberi mereka contoh,

00:02:03

Sama seperti Anda mengajar seorang anak?

00:02:06

Pendekatan pembelajaran ini,

00:02:07

Meskipun intensif data

00:02:09

dan daya komputasi,

00:02:11

Membuka jalan bagi mesin

00:02:13

mampu belajar sendiri.

00:02:14

Tahun 2000-an menandai titik balik

00:02:18

untuk kecerdasan buatan.

00:02:19

Dengan ledakan Internet,

00:02:21

jumlah yang fenomenal

00:02:23

Data telah dapat diakses.

00:02:26

Data ini,

00:02:26

ditambah dengan kemajuan

00:02:28

signifikan dalam hal daya komputasi,

00:02:30

telah menyediakan lahan subur bagi AI.

00:02:32

Algoritma telah berevolusi,

00:02:35

menjadi lebih canggih, dan

00:02:36

mampu memproses set

00:02:39

data yang semakin besar dan besar.

00:02:41

Itu adalah usia belajar

00:02:42

dimana jaringan saraf

00:02:44

telah menjadi mendalam,

00:02:46

dengan banyak lapisan memungkinkan

00:02:48

Prestasi yang tak terbayangkan

00:02:50

satu dekade yang lalu.

00:02:52

Big data telah menjadi bahan bakar untuk AI.

00:02:54

Bisnis dan peneliti

00:02:57

cepat memahami potensi

00:02:59

Data untuk Drive

00:03:01

model AI berkinerja lebih baik.

00:03:02

Aplikasi seperti

00:03:04

Pengenalan suara

00:03:05

terjemahan mesin dan

00:03:08

deteksi gambar telah menjadi

00:03:10

mungkin dan efektif.

00:03:11

AI tidak lagi hanya alat penelitian,

00:03:14

Dia mulai berubah

00:03:16

kehidupan kita sehari-hari,

00:03:17

Membuat teknologi lebih banyak

00:03:19

intuitif dan disesuaikan dengan kebutuhan kita.

00:03:21

Tahun 2010-an melihat munculnya

00:03:24

GAN atau jaringan permusuhan generatif.

00:03:28

Algoritma ini telah memungkinkan AI untuk

00:03:29

Buat konten

00:03:31

Dari gambar ke suara

00:03:33

melalui teks.

00:03:34

GAN bekerja dengan menempatkan

00:03:37

Dua jaringan bersaing.

00:03:38

Satu menghasilkan konten sementara

00:03:40

bahwa yang lain mengevaluasi kualitasnya.

00:03:42

Proses berulang ini telah memungkinkan untuk

00:03:44

menciptakan karya berkualitas tinggi,

00:03:46

terkadang tidak bisa dibedakan dari

00:03:48

yang diciptakan oleh manusia.

00:03:50

Dr. Ian Goodfellow adalah kontributor utama

00:03:53

diakui sebagai pelopor GAN,

00:03:56

jaringan permusuhan generatif.

00:03:58

Pada tahun 2014, ketika ia masih menjadi mahasiswa PhD,

00:04:00

Goodfellow memperkenalkan konsep

00:04:03

GAN dalam sebuah artikel dan sejak itu,

00:04:05

Pendekatan ini telah merevolusi lapangan

00:04:07

pembelajaran mendalam dan AI

00:04:09

Generatif.

00:04:10

Sejak diperkenalkannya GAN,

00:04:12

banyak peneliti dan

00:04:14

institusi telah berkontribusi pada

00:04:16

pengembangan dan penyempurnaan.

00:04:18

Tapi Goodfellow sering dikutip

00:04:20

sebagai bapak GAN karena

00:04:23

peran pentingnya dalam penciptaan mereka

00:04:25

dan mempopulerkan awal mereka.

00:04:27

Materi iklan yang dihasilkan oleh GAN

00:04:30

Terpesona dunia. Wajah

00:04:32

orang yang tidak pernah ada,

00:04:34

lanskap imajiner,

00:04:35

karya seni yang unik dan

00:04:37

bahkan musik.

00:04:40

Kemajuan ini telah menimbulkan pertanyaan tentang

00:04:43

masalah etika dan filosofis.

00:04:45

Apa itu kreativitas? Satu

00:04:47

Bisakah mesinnya

00:04:49

Dianggap kreatif?

00:04:51

Seiring AI terus berkembang,

00:04:53

Ini menantang pemahaman kita

00:04:55

penciptaan seni dan inovasi.

00:04:58

Tahun 2020-an memperkuat era

00:05:00

AI generatif. Dengan kemajuan

00:05:03

dalam hal daya komputasi,

00:05:05

Secara khusus, berkat unit pemrosesan

00:05:07

grafis (GPU) dan infrastruktur cloud,

00:05:10

Model AI telah menjadi

00:05:12

lebih besar dan lebih kompleks.

00:05:14

Itu adalah masa ketika model

00:05:16

seperti GPT-3 dan GPT-4 telah melihat

00:05:19

hari, mampu menghasilkan teks,

00:05:21

musik

00:05:22

Desain dan lainnya dengan

00:05:24

Presisi dan nuansa yang menakjubkan.

00:05:29

Model AI baru ini telah menunjukkan

00:05:32

fleksibilitas yang belum pernah terjadi sebelumnya,

00:05:33

Entah itu untuk menulis artikel,

00:05:36

mendesain objek atau bahkan

00:05:38

memprogram kemampuan mereka untuk

00:05:40

memahami dan menghasilkan konten,

00:05:42

telah mendorong batas-batas ini

00:05:43

yang kami pikir mungkin.

00:05:47

AI telah menjadi alat yang berharga

00:05:50

Untuk kreator, teknisi

00:05:51

dan peneliti di seluruh dunia.

00:05:54

Dalam waktu beberapa dekade, AI

00:05:56

generatif telah berubah dari

00:05:58

Eksperimen sederhana di

00:05:59

laboratorium untuk kekuatan yang membentuk

00:06:01

dunia kita dengan cara yang mendalam.

00:06:03

Itu telah mengubah cara kita

00:06:06

berinteraksi dengan teknologi,

00:06:07

Bagaimana kami membuat dan bagaimana

00:06:09

Kami melihat perbatasan

00:06:11

antara manusia dan mesin.

00:06:13

Saat kita melihat ke masa depan,

00:06:15

satu hal yang pasti, AI

00:06:16

akan terus berkembang,

00:06:20

untuk mengejutkan dan mendefinisikan kembali batas kita.

00:06:22

Tetap bersama kami untuk menjelajah

00:06:24

lebih dunia yang menarik ini.

00:00:04

Per comprendere l'IA generativa,

00:00:06

Immergiamoci nella sua storia.

00:00:08

I primi ricercatori in

00:00:10

l'intelligenza artificiale sono stati

00:00:11

guidati da una visione audace,

00:00:13

quello di costruire macchine in grado di

00:00:15

simulare i processi di pensiero umani.

00:00:18

Non si sono limitati a

00:00:20

Creare programmi per

00:00:21

Eseguire attività specifiche.

00:00:22

Volevano che queste macchine pensassero,

00:00:25

Impara ed evolvi.

00:00:27

Questa ambizione, per quanto complessa,

00:00:30

è stata la forza trainante di molte innovazioni.

00:00:32

I primi modelli di intelligenza artificiale

00:00:34

erano rudimentali,

00:00:35

Ma hanno gettato le basi

00:00:37

questioni fondamentali.

00:00:38

Può una macchina pensare?

00:00:40

Può imparare come un bambino?

00:00:44

Queste domande hanno guidato la ricerca

00:00:45

nell'IA da decenni.

00:00:47

Gli anni '80 sono stati segnati da

00:00:50

da un risveglio nel campo

00:00:51

intelligenza artificiale

00:00:53

L'era delle reti neurali.

00:00:54

Ispirato alla biologia e

00:00:57

funzionamento del cervello umano,

00:00:59

Queste reti hanno tentato di replicare

00:01:01

il modo in cui i nostri neuroni elaborano

00:01:03

e trasmettere informazioni.

00:01:05

Nonostante le risorse limitate e

00:01:07

computer meno potenti,

00:01:08

I ricercatori hanno perseverato,

00:01:10

convinti che tale approccio potrebbe

00:01:13

portare a un'IA più avanzata e adattabile.

00:01:16

È stato l'inizio di una rivoluzione in cui l'IA

00:01:18

non era più soddisfatto di

00:01:20

seguire regole rigide,

00:01:21

ma stava imparando dai dati,

00:01:23

Proprio come un cervello che impara

00:01:25

dalle sue esperienze.

00:01:27

Le reti neurali sono al centro

00:01:30

molti progressi nell'IA.

00:01:32

Pensa a loro come a un'imitazione

00:01:34

del cervello umano,

00:01:36

ogni neurone o nodo artificiale

00:01:38

riceve informazioni, le elabora,

00:01:41

e poi passarli ad altri

00:01:43

neuroni tramite connessioni,

00:01:44

Proprio come i nostri neuroni biologici

00:01:46

Fallo con le sinapsi.

00:01:48

Dapprima

00:01:49

Queste reti erano semplici,

00:01:51

con pochi strati di neuroni,

00:01:53

Ma l'idea era rivoluzionaria. Piuttosto

00:01:55

rispetto alla programmazione esplicita di un

00:01:57

macchina per eseguire un compito,

00:01:59

Perché non addestrarla a

00:02:01

fornendo loro esempi,

00:02:03

Proprio come si insegna a un bambino?

00:02:06

Questo approccio all'apprendimento,

00:02:07

Anche se ad alta intensità di dati

00:02:09

e potenza di calcolo,

00:02:11

ha spianato la strada alle macchine

00:02:13

in grado di imparare da soli.

00:02:14

Gli anni 2000 segnano un punto di svolta

00:02:18

per l'intelligenza artificiale.

00:02:19

Con l'esplosione di Internet,

00:02:21

una quantità fenomenale di

00:02:23

i dati sono diventati accessibili.

00:02:26

Questi dati,

00:02:26

accoppiato con gli anticipi

00:02:28

significativo in termini di potenza di calcolo,

00:02:30

hanno fornito un terreno fertile per l'IA.

00:02:32

Gli algoritmi si sono evoluti,

00:02:35

diventare più sofisticata, e

00:02:36

in grado di elaborare insiemi di

00:02:39

dati che stanno diventando sempre più grandi.

00:02:41

Era l'età dell'apprendimento

00:02:42

dove le reti neurali

00:02:44

sono diventati profondi,

00:02:46

con molti strati che consentono

00:02:48

Imprese inimmaginabili

00:02:50

una decina di anni fa.

00:02:52

I big data sono diventati il carburante per l'intelligenza artificiale.

00:02:54

Imprese e ricercatori

00:02:57

ha capito subito il potenziale

00:02:59

Dati da gestire

00:03:01

modelli di intelligenza artificiale più performanti.

00:03:02

Applicazioni come il

00:03:04

riconoscimento vocale

00:03:05

traduzione automatica e

00:03:08

rilevamento delle immagini sono diventati

00:03:10

possibile ed efficace.

00:03:11

L'IA non era più solo uno strumento di ricerca,

00:03:14

Stava cominciando a trasformarsi

00:03:16

la nostra vita quotidiana,

00:03:17

Rendere le tecnologie più

00:03:19

intuitivo e adattato alle nostre esigenze.

00:03:21

Gli anni 2010 hanno visto l'emergere di

00:03:24

GAN o reti generative antagoniste.

00:03:28

Questi algoritmi hanno permesso all'IA di

00:03:29

Genera contenuti

00:03:31

Dalle immagini ai suoni

00:03:33

attraverso i testi.

00:03:34

Le GAN funzionano mettendo

00:03:37

Due reti sono in competizione.

00:03:38

Uno genera contenuti mentre

00:03:40

che l'altro ne valuti la qualità.

00:03:42

Questo processo iterativo ha permesso di

00:03:44

creare opere di alta qualità,

00:03:46

a volte indistinguibile da

00:03:48

quelli creati dall'uomo.

00:03:50

Il Dr. Ian Goodfellow è uno dei principali contributori al

00:03:53

riconosciuto come il pioniere delle GAN,

00:03:56

reti antagoniste generative.

00:03:58

Nel 2014, quando era uno studente di dottorato,

00:04:00

Goodfellow introdusse il concetto di

00:04:03

GAN in un articolo e da allora,

00:04:05

Questo approccio ha rivoluzionato il settore

00:04:07

deep learning e intelligenza artificiale

00:04:09

Generativo.

00:04:10

Dall'introduzione delle GAN,

00:04:12

molti ricercatori e

00:04:14

istituzioni hanno contribuito alla loro

00:04:16

sviluppo e perfezionamento.

00:04:18

Ma Goodfellow è spesso citato

00:04:20

come il padre delle GAN a causa di

00:04:23

il suo ruolo cruciale nella loro creazione

00:04:25

e la loro iniziale divulgazione.

00:04:27

Creatività generate dalle GAN

00:04:30

affascinato il mondo. Volti di

00:04:32

persone che non sono mai esistite,

00:04:34

paesaggi immaginari,

00:04:35

opere d'arte uniche e

00:04:37

anche la musica.

00:04:40

Questi progressi hanno sollevato interrogativi in merito a

00:04:43

questioni etiche e filosofiche.

00:04:45

Che cos'è la creatività? Uno

00:04:47

La macchina può essere

00:04:49

Considerato creativo?

00:04:51

Mentre l'IA continua ad evolversi,

00:04:53

Sfida la nostra comprensione

00:04:55

la creazione di arte e innovazione.

00:04:58

Gli anni 2020 hanno cementato l'era

00:05:00

IA generativa. Con anticipi

00:05:03

in termini di potenza di calcolo,

00:05:05

In particolare, grazie alle unità di elaborazione

00:05:07

infrastrutture grafiche (GPU) e cloud,

00:05:10

I modelli di IA sono diventati

00:05:12

più grande e più complesso.

00:05:14

Era un'epoca in cui le modelle

00:05:16

poiché GPT-3 e GPT-4 hanno visto il

00:05:19

giorno, in grado di generare testo,

00:05:21

musica

00:05:22

Design e altro ancora con

00:05:24

Precisione e sfumature sorprendenti.

00:05:29

Questi nuovi modelli di IA hanno dimostrato

00:05:32

versatilità senza precedenti,

00:05:33

che si tratti di scrivere articoli,

00:05:36

oggetti di design o anche

00:05:38

programmare la loro capacità di

00:05:40

comprendere e generare contenuti,

00:05:42

ha spinto i confini di questo

00:05:43

che pensavamo fosse possibile.

00:05:47

L'intelligenza artificiale è diventata uno strumento prezioso

00:05:50

Per creatori, ingegneri

00:05:51

e ricercatori di tutto il mondo.

00:05:54

Nell'arco di pochi decenni, l'IA

00:05:56

generativo è passato da

00:05:58

semplici esperimenti in

00:05:59

laboratori a una forza che modella

00:06:01

il nostro mondo in modo profondo.

00:06:03

Ha trasformato il modo in cui

00:06:06

interagire con la tecnologia,

00:06:07

Come creiamo e come

00:06:09

Percepiamo il confine

00:06:11

tra l'uomo e la macchina.

00:06:13

Guardando al futuro,

00:06:15

una cosa è certa, l'IA

00:06:16

continuerà ad evolversi,

00:06:20

per sorprendere e ridefinire i nostri limiti.

00:06:22

Resta con noi per esplorare

00:06:24

più questo affascinante mondo.

00:00:04

ジェネレーティブAIを理解するには、

00:00:06

その歴史を掘り下げてみましょう。

00:00:08

最初の研究者

00:00:10

人工知能は

00:00:11

大胆なビジョンに突き動かされ、

00:00:13

できる機械を造ること

00:00:15

人間の思考プロセスをシミュレートします。

00:00:18

彼らはただ

00:00:20

プログラムの作成

00:00:21

特定のタスクを実行します。

00:00:22

彼らはこれらの機械に考えてもらいたかったのです。

00:00:25

学び、進化する。

00:00:27

この野望は、複雑ではあるが、

00:00:30

多くのイノベーションの原動力となっています。

00:00:32

最初のAIモデル

00:00:34

初歩的なものでしたが、

00:00:35

しかし、彼らは基礎を築いた

00:00:37

根本的な質問。

00:00:38

機械は考えることができるのか?

00:00:40

彼女は子供のように学ぶことができますか?

00:00:44

これらの疑問が研究の指針となりました

00:00:45

何十年にもわたってAIに。

00:00:47

1980年代は、

00:00:50

現場でのリバイバルによって

00:00:51

人工知能

00:00:53

ニューラルネットワークの時代。

00:00:54

生物学に触発され、

00:00:57

人間の脳の機能、

00:00:59

これらのネットワークは複製を試みました

00:01:01

私たちのニューロンが処理する方法

00:01:03

情報を伝える。

00:01:05

限られたリソースにもかかわらず、

00:01:07

それほど強力ではないコンピューター、

00:01:08

研究者たちは粘り強く、

00:01:10

このアプローチは、

00:01:13

より高度で適応性の高いAIにつながります。

00:01:16

それはAIが

00:01:18

満足しなくなった

00:01:20

厳格なルールに従い、

00:01:21

しかし、データから学んでいましたが、

00:01:23

学習する脳のように

00:01:25

彼の経験から。

00:01:27

ニューラルネットワークが中心

00:01:30

AIの多くの進歩。

00:01:32

それらを模倣と考えてください

00:01:34

人間の脳の、

00:01:36

各人工ニューロンまたはノード

00:01:38

情報を受け取り、処理し、

00:01:41

そして、それらを他の人に伝えます

00:01:43

接続を介したニューロン、

00:01:44

私たちの生物学的ニューロンのように

00:01:46

これをシナプスで行います。

00:01:48

最初に

00:01:49

これらのネットワークは単純で、

00:01:51

ニューロンの層が少ない場合、

00:01:53

しかし、このアイデアは革命的でした。むしろ

00:01:55

明示的に

00:01:57

タスクを実行するマシン、

00:01:59

なぜ彼女を訓練しないのですか

00:02:01

彼らに例を示し、

00:02:03

子供に教えるのと同じですか?

00:02:06

この学習アプローチは、

00:02:07

データ集約型ですが、

00:02:09

そして計算能力、

00:02:11

機械への道を切り拓いた

00:02:13

自分で学ぶことができる。

00:02:14

2000年代はターニングポイント

00:02:18

人工知能のために。

00:02:19

インターネットの爆発的な普及に伴い、

00:02:21

驚異的な量の

00:02:23

データにアクセスできるようになりました。

00:02:26

このデータは、

00:02:26

進歩と相まって

00:02:28

計算能力の点で重要です。

00:02:30

AIに肥沃な土壌を提供しました。

00:02:32

アルゴリズムは進化し、

00:02:35

より洗練され、

00:02:36

のセットを処理できます。

00:02:39

どんどん大きくなるデータ。

00:02:41

学問の時代でした

00:02:42

ここで、ニューラルネットワーク

00:02:44

奥が深くなってきて、

00:02:46

多くのレイヤーで許可されています

00:02:48

想像を絶する偉業

00:02:50

10年前の話です。

00:02:52

ビッグデータはAIの燃料となっています。

00:02:54

企業・研究者

00:02:57

すぐにその可能性を理解

00:02:59

データからドライブへ

00:03:01

より優れた AI モデル。

00:03:02

などのアプリケーション

00:03:04

音声認識

00:03:05

機械翻訳と

00:03:08

画像検出は、

00:03:10

可能かつ効果的です。

00:03:11

AIはもはや単なる研究ツールではなく、

00:03:14

彼女は変貌し始めていた

00:03:16

私たちの日常生活、

00:03:17

テクノロジーをもっと

00:03:19

直感的で、私たちのニーズに適応しています。

00:03:21

2010年代には、

00:03:24

GAN(敵対的生成ネットワーク)。

00:03:28

これらのアルゴリズムにより、AIは

00:03:29

コンテンツの生成

00:03:31

映像から音へ

00:03:33

テキストを通して。

00:03:34

GANは、

00:03:37

2つのネットワークが競合しています。

00:03:38

1つは、

00:03:40

相手がその品質を評価すること。

00:03:42

この反復プロセスにより、

00:03:44

質の高い作品を制作し、

00:03:46

時々見分けがつかない

00:03:48

人間が作ったもの。

00:03:50

イアン・グッドフェロー博士は、

00:03:53

GANのパイオニアとして認められ、

00:03:56

敵対的生成ネットワーク。

00:03:58

博士課程に在籍していた2014年、

00:04:00

Goodfellowは、

00:04:03

GANを記事に載せて、それ以来、

00:04:05

このアプローチは、この分野に革命をもたらしました

00:04:07

ディープラーニングとAI

00:04:09

生成。

00:04:10

GAN導入以来、

00:04:12

多くの研究者と

00:04:14

機関は、

00:04:16

開発と改良。

00:04:18

しかし、グッドフェローはしばしば引用されます

00:04:20

GANの父として、

00:04:23

その創造における重要な役割

00:04:25

そしてそれらの最初の普及。

00:04:27

GAN によって生成されたクリエイティブ

00:04:30

世界を魅了しました。の面

00:04:32

存在しなかった人々、

00:04:34

想像上の風景、

00:04:35

ユニークな芸術作品と

00:04:37

音楽でさえも。

00:04:40

これらの進歩は、次の点について疑問を投げかけています。

00:04:43

倫理的および哲学的な問題。

00:04:45

クリエイティビティとは?1

00:04:47

機械は

00:04:49

クリエイティブだと思われますか?

00:04:51

AIが進化し続ける中、

00:04:53

それは私たちの理解に挑戦します

00:04:55

芸術と革新の創造。

00:04:58

2020年代は時代を確固たるものにしました

00:05:00

ジェネレーティブAI。進歩によって

00:05:03

計算能力の面では、

00:05:05

特に、処理ユニットのおかげで

00:05:07

グラフィックス(GPU)とクラウドインフラストラクチャ、

00:05:10

AIモデルは、

00:05:12

より大きく、より複雑に。

00:05:14

それはモデルが

00:05:16

GPT-3 と GPT-4 が見てきたように、

00:05:19

日、テキストを生成できる、

00:05:21

音楽

00:05:22

デザインなど

00:05:24

驚異的な精度とニュアンス。

00:05:29

これらの新しい AI モデルは、

00:05:32

前例のない汎用性、

00:05:33

記事を書くためであろうと、

00:05:36

デザインオブジェクトや、

00:05:38

彼らの能力をプログラムする

00:05:40

コンテンツを理解して生成し、

00:05:42

この限界を押し広げました

00:05:43

それは可能だと考えました。

00:05:47

AIは貴重なツールになりました

00:05:50

クリエイター、エンジニア向け

00:05:51

そして世界中の研究者。

00:05:54

数十年のうちに、AI

00:05:56

ジェネレーティブは

00:05:58

簡単な実験

00:05:59

ラボラトリーズを形作る力に

00:06:01

私たちの世界は深遠な方法で。

00:06:03

それは私たちのやり方を変えました

00:06:06

テクノロジーと対話し、

00:06:07

どのように、どのように創造するか

00:06:09

私たちは境界を知覚します

00:06:11

人間と機械の間。

00:06:13

未来を見据えて、

00:06:15

1つ確かなことは、AIです

00:06:16

これからも進化し続け、

00:06:20

私たちの限界を驚かせ、再定義するために。

00:06:22

私たちと一緒に探索してください

00:06:24

もっとこの魅惑的な世界。

00:00:04

Om generatieve AI te begrijpen,

00:00:06

Laten we een duik nemen in de geschiedenis ervan.

00:00:08

De eerste onderzoekers in

00:00:10

kunstmatige intelligentie waren

00:00:11

gedreven door een gedurfde visie,

00:00:13

die van het bouwen van machines die

00:00:15

menselijke denkprocessen simuleren.

00:00:18

Dat deden ze niet alleen

00:00:20

Programma's maken voor

00:00:21

Voer specifieke taken uit.

00:00:22

Ze wilden dat deze machines zouden denken,

00:00:25

Leren en evolueren.

00:00:27

Deze ambitie, hoewel complex,

00:00:30

is de drijvende kracht geweest achter vele innovaties.

00:00:32

De eerste AI-modellen

00:00:34

waren rudimentair,

00:00:35

Maar zij legden de basis

00:00:37

fundamentele vragen.

00:00:38

Kan een machine denken?

00:00:40

Kan ze leren als een kind?

00:00:44

Deze vragen vormden de leidraad voor het onderzoek

00:00:45

in AI voor decennia.

00:00:47

De jaren 1980 werden gekenmerkt door

00:00:50

door een opwekking in het veld

00:00:51

kunstmatige intelligentie

00:00:53

Het tijdperk van neurale netwerken.

00:00:54

Geïnspireerd door biologie en

00:00:57

werking van het menselijk brein,

00:00:59

Deze netwerken hebben geprobeerd zich te repliceren

00:01:01

De manier waarop onze neuronen verwerken

00:01:03

en informatie over te brengen.

00:01:05

Ondanks beperkte middelen en

00:01:07

minder krachtige computers,

00:01:08

De onderzoekers zetten door,

00:01:10

ervan overtuigd dat deze aanpak

00:01:13

leiden tot meer geavanceerde en aanpasbare AI.

00:01:16

Het was het begin van een revolutie waarbij AI

00:01:18

was niet langer tevreden met

00:01:20

strikte regels volgen,

00:01:21

maar leerde van de gegevens,

00:01:23

Net als een brein dat leert

00:01:25

van zijn ervaringen.

00:01:27

Neurale netwerken vormen de kern

00:01:30

veel vooruitgang op het gebied van AI.

00:01:32

Beschouw ze als een imitatie

00:01:34

van het menselijk brein,

00:01:36

elk kunstmatig neuron of knooppunt

00:01:38

informatie ontvangt, verwerkt,

00:01:41

en geef ze vervolgens door aan anderen

00:01:43

neuronen via verbindingen,

00:01:44

Net als onze biologische neuronen

00:01:46

Doe dit met synapsen.

00:01:48

Eerst

00:01:49

Deze netwerken waren eenvoudig,

00:01:51

met weinig lagen neuronen,

00:01:53

Maar het idee was revolutionair. Veeleer

00:01:55

dan het expliciet programmeren van een

00:01:57

machine om een taak uit te voeren,

00:01:59

Waarom train je haar niet in

00:02:01

hun voorbeelden te geven,

00:02:03

Net zoals je een kind lesgeeft?

00:02:06

Deze leeraanpak,

00:02:07

Hoewel data-intensief

00:02:09

en rekenkracht,

00:02:11

De weg vrijgemaakt voor machines

00:02:13

in staat om zelfstandig te leren.

00:02:14

De jaren 2000 markeerden een keerpunt

00:02:18

voor kunstmatige intelligentie.

00:02:19

Met de explosie van het internet,

00:02:21

een fenomenale hoeveelheid

00:02:23

Gegevens zijn toegankelijk geworden.

00:02:26

Deze gegevens,

00:02:26

in combinatie met voorschotten

00:02:28

rekenkracht aanzienlijk is,

00:02:30

hebben een vruchtbare voedingsbodem voor AI verschaft.

00:02:32

Algoritmen zijn geëvolueerd,

00:02:35

steeds geavanceerder worden, en

00:02:36

in staat om sets van

00:02:39

Data die steeds groter wordt.

00:02:41

Het was het tijdperk van leren

00:02:42

waar neurale netwerken

00:02:44

diepgaand zijn geworden,

00:02:46

met veel lagen waardoor

00:02:48

Onvoorstelbare prestaties

00:02:50

tien jaar geleden.

00:02:52

Big data is de brandstof geworden voor AI.

00:02:54

Bedrijven en onderzoekers

00:02:57

begreep snel het potentieel

00:02:59

Gegevens om te rijden

00:03:01

beter presterende AI-modellen.

00:03:02

Toepassingen zoals de

00:03:04

spraakherkenning

00:03:05

machinevertaling en

00:03:08

beelddetectie zijn geworden

00:03:10

mogelijk en effectief.

00:03:11

AI was niet langer alleen een onderzoeksinstrument,

00:03:14

Ze begon te transformeren

00:03:16

ons dagelijks leven,

00:03:17

Technologieën meer maken

00:03:19

intuïtief en aangepast aan onze behoeften.

00:03:21

In de jaren 2010 ontstond de

00:03:24

GAN's of generatieve vijandige netwerken.

00:03:28

Deze algoritmen hebben AI in staat gesteld om

00:03:29

Genereer inhoud

00:03:31

Van beeld naar geluid

00:03:33

door middel van teksten.

00:03:34

GAN's werken door

00:03:37

Twee netwerken concurreren met elkaar.

00:03:38

Men genereert inhoud terwijl

00:03:40

dat de ander de kwaliteit ervan evalueert.

00:03:42

Dit iteratieve proces heeft het mogelijk gemaakt om

00:03:44

werken van hoge kwaliteit maken,

00:03:46

soms niet te onderscheiden van

00:03:48

die door mensen zijn gemaakt.

00:03:50

Dr. Ian Goodfellow levert een belangrijke bijdrage aan de

00:03:53

erkend als de pionier van GAN's,

00:03:56

generatieve vijandige netwerken.

00:03:58

In 2014, toen hij promovendus was,

00:04:00

Goodfellow introduceerde het concept van

00:04:03

GAN's in een artikel en sindsdien,

00:04:05

Deze aanpak heeft een revolutie teweeggebracht in het vakgebied

00:04:07

deep learning en AI

00:04:09

Geslachtelijk.

00:04:10

Sinds de invoering van GAN's

00:04:12

veel onderzoekers en

00:04:14

instellingen hebben bijgedragen aan hun

00:04:16

ontwikkeling en verfijning.

00:04:18

Maar Goodfellow wordt vaak geciteerd

00:04:20

als de vader van GAN's als gevolg van

00:04:23

de cruciale rol ervan bij de totstandkoming ervan

00:04:25

en hun aanvankelijke popularisering.

00:04:27

Advertentiemateriaal gegenereerd door GAN's

00:04:30

fascineerde de wereld. Gezichten van

00:04:32

mensen die nooit hebben bestaan,

00:04:34

denkbeeldige landschappen,

00:04:35

unieke kunstwerken en

00:04:37

zelfs muziek.

00:04:40

Deze vooruitgang heeft vragen doen rijzen over

00:04:43

ethische en filosofische kwesties.

00:04:45

Wat is creativiteit? Een

00:04:47

Kan de machine worden

00:04:49

Wordt u als creatief beschouwd?

00:04:51

Terwijl AI zich blijft ontwikkelen,

00:04:53

Het daagt ons begrip uit

00:04:55

het creëren van kunst en innovatie.

00:04:58

De jaren 2020 hebben het tijdperk gecementeerd

00:05:00

generatieve AI. Met voorschotten

00:05:03

in termen van rekenkracht,

00:05:05

Met name dankzij de verwerkingseenheden

00:05:07

grafische (GPU) en cloudinfrastructuren,

00:05:10

AI-modellen zijn

00:05:12

groter en complexer.

00:05:14

Het was een tijd waarin modellen

00:05:16

aangezien GPT-3 en GPT-4 de

00:05:19

dag, in staat om tekst te genereren,

00:05:21

muziek

00:05:22

Ontwerpen en meer met

00:05:24

Verbazingwekkende precisie en nuance.

00:05:29

Deze nieuwe AI-modellen hebben aangetoond dat

00:05:32

ongekende veelzijdigheid,

00:05:33

of het nu gaat om het schrijven van artikelen,

00:05:36

ontwerpobjecten of zelfs

00:05:38

programmeren van hun vermogen om

00:05:40

inhoud begrijpen en genereren,

00:05:42

heeft de grenzen van deze

00:05:43

waarvan we dachten dat het mogelijk was.

00:05:47

AI is een waardevol hulpmiddel geworden

00:05:50

Voor makers, ingenieurs

00:05:51

en onderzoekers over de hele wereld.

00:05:54

In een tijdsbestek van enkele decennia is AI

00:05:56

generatief is gegaan van

00:05:58

eenvoudige experimenten in

00:05:59

laboratoria tot een kracht die vorm geeft aan

00:06:01

onze wereld op een diepgaande manier.

00:06:03

Het heeft de manier waarop we

00:06:06

interactie met technologie,

00:06:07

Hoe we creëren en hoe

00:06:09

We zien de grens

00:06:11

tussen mens en machine.

00:06:13

Als we naar de toekomst kijken,

00:06:15

één ding is zeker, AI

00:06:16

zal blijven evolueren,

00:06:20

om te verrassen en onze grenzen te herdefiniëren.

00:06:22

Blijf bij ons om te ontdekken

00:06:24

meer deze fascinerende wereld.

00:00:04

Para entender a IA generativa,

00:00:06

Vamos mergulhar na sua história.

00:00:08

Os primeiros investigadores em

00:00:10

a inteligência artificial foi

00:00:11

impulsionados por uma visão arrojada,

00:00:13

a de construir máquinas que possam

00:00:15

simular processos de pensamento humano.

00:00:18

Não se limitaram a

00:00:20

Criar programas para

00:00:21

Executar tarefas específicas.

00:00:22

Eles queriam que essas máquinas pensassem,

00:00:25

aprender e evoluir.

00:00:27

Esta ambição, embora complexa,

00:00:30

tem sido a força motriz por trás de muitas inovações.

00:00:32

Os primeiros modelos de IA

00:00:34

eram rudimentares,

00:00:35

Mas lançaram as bases

00:00:37

questões fundamentais.

00:00:38

Uma máquina pode pensar?

00:00:40

Ela pode aprender como uma criança?

00:00:44

Essas questões nortearam a pesquisa

00:00:45

na IA há décadas.

00:00:47

A década de 1980 foi marcada por

00:00:50

por um renascimento no campo

00:00:51

inteligência artificial,

00:00:53

A era das redes neurais.

00:00:54

Inspirado na biologia e

00:00:57

funcionamento do cérebro humano,

00:00:59

Estas redes tentaram replicar

00:01:01

a forma como os nossos neurónios processam

00:01:03

e transmitir informações.

00:01:05

Apesar dos recursos limitados e

00:01:07

computadores menos potentes,

00:01:08

Os pesquisadores perseveraram,

00:01:10

convictos de que esta abordagem poderia

00:01:13

levam a uma IA mais avançada e adaptável.

00:01:16

Foi o início de uma revolução onde a IA

00:01:18

já não estava satisfeito com

00:01:20

seguir regras rígidas,

00:01:21

mas foi aprendendo com os dados,

00:01:23

Tal como um cérebro que aprende

00:01:25

das suas experiências.

00:01:27

As redes neurais estão no coração

00:01:30

muitos avanços na IA.

00:01:32

Pense neles como uma imitação

00:01:34

do cérebro humano,

00:01:36

cada neurônio ou nó artificial

00:01:38

recebe informação, processa-a,

00:01:41

e depois transmiti-los a outros

00:01:43

neurónios através de ligações,

00:01:44

Tal como os nossos neurónios biológicos

00:01:46

Faça isso com sinapses.

00:01:48

No início

00:01:49

Estas redes eram simples,

00:01:51

com poucas camadas de neurónios,

00:01:53

Mas a ideia era revolucionária. Pelo contrário;

00:01:55

do que programar explicitamente um

00:01:57

máquina para executar uma tarefa,

00:01:59

Por que não treiná-la em

00:02:01

dando-lhes exemplos,

00:02:03

Assim como você ensina uma criança?

00:02:06

Esta abordagem de aprendizagem,

00:02:07

Embora com uso intensivo de dados

00:02:09

e poder de computação,

00:02:11

abriu caminho para as máquinas

00:02:13

capazes de aprender por conta própria.

00:02:14

Os anos 2000 marcaram um ponto de viragem

00:02:18

para a inteligência artificial.

00:02:19

Com a explosão da Internet,

00:02:21

uma quantidade fenomenal de

00:02:23

os dados tornaram-se acessíveis.

00:02:26

Estes dados,

00:02:26

juntamente com avanços

00:02:28

significativa em termos de poder de computação,

00:02:30

proporcionaram um terreno fértil para a IA.

00:02:32

Os algoritmos evoluíram,

00:02:35

tornar-se mais sofisticado, e

00:02:36

capazes de processar conjuntos de

00:02:39

dados que estão ficando cada vez maiores.

00:02:41

Era a era da aprendizagem

00:02:42

onde redes neurais

00:02:44

tornaram-se profundas,

00:02:46

com muitas camadas permitindo

00:02:48

Feitos inimagináveis

00:02:50

há uma década.

00:02:52

O Big Data tornou-se o combustível para a IA.

00:02:54

Empresas e investigadores

00:02:57

compreendeu rapidamente o potencial

00:02:59

dados para conduzir

00:03:01

modelos de IA com melhor desempenho.

00:03:02

Aplicações como a

00:03:04

reconhecimento de fala

00:03:05

tradução automática e

00:03:08

a deteção de imagem tornou-se

00:03:10

possível e eficaz.

00:03:11

A IA deixou de ser apenas uma ferramenta de investigação,

00:03:14

Ela estava começando a se transformar

00:03:16

o nosso dia-a-dia,

00:03:17

tornar as tecnologias mais importantes

00:03:19

intuitivo e adaptado às nossas necessidades.

00:03:21

A década de 2010 assistiu ao surgimento de

00:03:24

GANs ou redes adversárias generativas.

00:03:28

Esses algoritmos permitiram que a IA

00:03:29

Gerar conteúdo

00:03:31

Das imagens aos sons

00:03:33

através de textos.

00:03:34

As GANs funcionam colocando

00:03:37

duas redes estão competindo.

00:03:38

Um gera conteúdo enquanto

00:03:40

que o outro avalia a sua qualidade.

00:03:42

Este processo iterativo tornou possível

00:03:44

criar obras de alta qualidade,

00:03:46

por vezes indistinguível de

00:03:48

aqueles criados por seres humanos.

00:03:50

O Dr. Ian Goodfellow é um dos principais contribuintes para o

00:03:53

reconhecido como o pioneiro das GAN,

00:03:56

redes generativas adversariais.

00:03:58

Em 2014, quando era aluno de doutoramento,

00:04:00

Goodfellow introduziu o conceito de

00:04:03

GANs em um artigo e, desde então,

00:04:05

Esta abordagem revolucionou o campo

00:04:07

aprendizagem profunda e IA

00:04:09

Generativo.

00:04:10

Desde a introdução das GAN,

00:04:12

muitos investigadores e

00:04:14

as instituições contribuíram para a sua

00:04:16

desenvolvimento e aperfeiçoamento.

00:04:18

Mas Goodfellow é frequentemente citado

00:04:20

como o pai das GANs devido a

00:04:23

o seu papel crucial na sua criação

00:04:25

e sua popularização inicial.

00:04:27

Criativos gerados por GANs

00:04:30

fascinou o mundo. Rostos de

00:04:32

pessoas que nunca existiram,

00:04:34

paisagens imaginárias,

00:04:35

obras de arte únicas e

00:04:37

até mesmo música.

00:04:40

Estes avanços levantaram questões sobre

00:04:43

questões éticas e filosóficas.

00:04:45

O que é criatividade? Um

00:04:47

A máquina pode ser

00:04:49

Considerado criativo?

00:04:51

À medida que a IA continua a evoluir,

00:04:53

Desafia a nossa compreensão

00:04:55

a criação de arte e inovação.

00:04:58

A década de 2020 cimentou a era

00:05:00

IA generativa. Com avanços

00:05:03

em termos de poder de computação,

00:05:05

Em particular, graças às unidades de processamento

00:05:07

gráficos (GPU) e infraestruturas na nuvem,

00:05:10

Os modelos de IA tornaram-se

00:05:12

maior e mais complexo.

00:05:14

Era uma época em que os modelos

00:05:16

como GPT-3 e GPT-4 viram o

00:05:19

dia, capaz de gerar texto,

00:05:21

música,

00:05:22

Designs e muito mais com

00:05:24

Precisão e nuances surpreendentes.

00:05:29

Estes novos modelos de IA demonstraram

00:05:32

versatilidade sem precedentes,

00:05:33

seja para escrever artigos,

00:05:36

objetos de design ou mesmo

00:05:38

programar a sua capacidade de

00:05:40

compreender e gerar conteúdos,

00:05:42

ultrapassou os limites desta

00:05:43

que pensávamos ser possível.

00:05:47

A IA tornou-se uma ferramenta valiosa

00:05:50

Para criadores, engenheiros

00:05:51

e investigadores de todo o mundo.

00:05:54

No espaço de algumas décadas, a IA

00:05:56

generativo passou de

00:05:58

experiências simples em

00:05:59

laboratórios para uma força que molda

00:06:01

o nosso mundo de uma forma profunda.

00:06:03

Transformou a forma como

00:06:06

interagir com a tecnologia,

00:06:07

Como criamos e como

00:06:09

Percebemos a fronteira

00:06:11

entre o homem e a máquina.

00:06:13

Ao olharmos para o futuro,

00:06:15

uma coisa é certa, IA

00:06:16

continuará a evoluir,

00:06:20

surpreender e redefinir os nossos limites.

00:06:22

Fique connosco para explorar

00:06:24

mais este mundo fascinante.

00:00:04

Để hiểu về AI tạo ra,

00:00:06

Hãy đi sâu vào lịch sử của nó.

00:00:08

Các nhà nghiên cứu đầu tiên trong

00:00:10

Trí tuệ nhân tạo là

00:00:11

được thúc đẩy bởi một tầm nhìn táo bạo,

00:00:13

đó là chế tạo máy móc có thể

00:00:15

Mô phỏng quá trình suy nghĩ của con người.

00:00:18

Họ không chỉ

00:00:20

Tạo chương trình cho

00:00:21

Thực hiện các nhiệm vụ cụ thể.

00:00:22

Họ muốn những cỗ máy này suy nghĩ,

00:00:25

Học hỏi và phát triển.

00:00:27

Tham vọng này, mặc dù phức tạp,

00:00:30

đã là động lực thúc đẩy nhiều đổi mới.

00:00:32

Các mô hình AI đầu tiên

00:00:34

còn thô sơ,

00:00:35

Nhưng họ đã đặt nền móng

00:00:37

câu hỏi cơ bản.

00:00:38

Một cỗ máy có thể suy nghĩ?

00:00:40

Cô ấy có thể học như một đứa trẻ không?

00:00:44

Những câu hỏi này đã hướng dẫn nghiên cứu

00:00:45

trong AI trong nhiều thập kỷ.

00:00:47

Những năm 1980 được đánh dấu bằng

00:00:50

bởi một sự hồi sinh trong lĩnh vực này

00:00:51

trí tuệ nhân tạo,

00:00:53

Thời đại của mạng lưới thần kinh.

00:00:54

Lấy cảm hứng từ sinh học và

00:00:57

hoạt động của bộ não con người,

00:00:59

Các mạng này đã cố gắng sao chép

00:01:01

Cách tế bào thần kinh của chúng ta xử lý

00:01:03

và truyền đạt thông tin.

00:01:05

Mặc dù nguồn lực hạn chế và

00:01:07

máy tính kém mạnh hơn,

00:01:08

Các nhà nghiên cứu đã kiên trì,

00:01:10

tin rằng cách tiếp cận này có thể

00:01:13

dẫn đến AI tiên tiến và thích ứng hơn.

00:01:16

Đó là sự khởi đầu của một cuộc cách mạng nơi AI

00:01:18

không còn hài lòng với

00:01:20

tuân theo các quy tắc cứng nhắc,

00:01:21

nhưng đã học hỏi từ dữ liệu,

00:01:23

Giống như một bộ não học hỏi

00:01:25

từ kinh nghiệm của mình.

00:01:27

Mạng lưới thần kinh là trung tâm

00:01:30

nhiều tiến bộ trong AI.

00:01:32

Hãy nghĩ về chúng như một sự bắt chước

00:01:34

của bộ não con người,

00:01:36

mỗi tế bào thần kinh nhân tạo hoặc nút

00:01:38

nhận thông tin, xử lý nó,

00:01:41

và sau đó chuyển chúng cho người khác

00:01:43

tế bào thần kinh thông qua các kết nối,

00:01:44

Cũng giống như tế bào thần kinh sinh học của chúng ta

00:01:46

Làm điều này với các khớp thần kinh.

00:01:48

Lúc đầu

00:01:49

Những mạng này rất đơn giản,

00:01:51

với vài lớp tế bào thần kinh,

00:01:53

Nhưng ý tưởng này mang tính cách mạng. Khá

00:01:55

hơn là lập trình rõ ràng một

00:01:57

máy để thực hiện một nhiệm vụ,

00:01:59

Tại sao không đào tạo cô ấy

00:02:01

cung cấp cho họ các ví dụ,

00:02:03

Giống như bạn dạy một đứa trẻ?

00:02:06

Phương pháp học tập này,

00:02:07

Mặc dù sử dụng nhiều dữ liệu

00:02:09

và sức mạnh tính toán,

00:02:11

Mở đường cho máy móc

00:02:13

có thể tự học.

00:02:14

Những năm 2000 đánh dấu một bước ngoặt

00:02:18

cho trí tuệ nhân tạo.

00:02:19

Với sự bùng nổ của Internet,

00:02:21

một số lượng phi thường của

00:02:23

Dữ liệu đã trở nên có thể truy cập được.

00:02:26

Dữ liệu này,

00:02:26

cùng với những tiến bộ

00:02:28

đáng kể về sức mạnh tính toán,

00:02:30

đã tạo ra mảnh đất màu mỡ cho AI.

00:02:32

Các thuật toán đã phát triển,

00:02:35

trở nên tinh vi hơn, và

00:02:36

Có khả năng xử lý các bộ

00:02:39

dữ liệu ngày càng lớn hơn.

00:02:41

Đó là thời đại học tập

00:02:42

nơi mạng nơ-ron

00:02:44

đã trở nên sâu sắc,

00:02:46

với nhiều lớp cho phép

00:02:48

Những chiến công không thể tưởng tượng được

00:02:50

một thập kỷ trước.

00:02:52

Dữ liệu lớn đã trở thành nhiên liệu cho AI.

00:02:54

Doanh nghiệp và nhà nghiên cứu

00:02:57

Nhanh chóng hiểu được tiềm năng

00:02:59

Dữ liệu để lái xe

00:03:01

các mô hình AI hoạt động tốt hơn.

00:03:02

Các ứng dụng như

00:03:04

Nhận dạng giọng nói

00:03:05

dịch máy và

00:03:08

Phát hiện hình ảnh đã trở thành

00:03:10

có thể và hiệu quả.

00:03:11

AI không còn chỉ là một công cụ nghiên cứu,

00:03:14

Cô ấy đã bắt đầu biến đổi

00:03:16

cuộc sống hàng ngày của chúng ta,

00:03:17

Làm cho công nghệ trở nên tốt hơn

00:03:19

trực quan và thích nghi với nhu cầu của chúng tôi.

00:03:21

Những năm 2010 chứng kiến sự xuất hiện của

00:03:24

GAN hoặc mạng đối nghịch phát sinh.

00:03:28

Các thuật toán này đã cho phép AI

00:03:29

Tạo nội dung

00:03:31

Từ hình ảnh đến âm thanh

00:03:33

thông qua các văn bản.

00:03:34

GAN hoạt động bằng cách đặt

00:03:37

Hai mạng đang cạnh tranh.

00:03:38

Một người tạo ra nội dung trong khi

00:03:40

mà người kia đánh giá chất lượng của nó.

00:03:42

Quá trình lặp đi lặp lại này đã làm cho nó có thể

00:03:44

tạo ra các tác phẩm chất lượng cao,

00:03:46

đôi khi không thể phân biệt được với

00:03:48

những thứ do con người tạo ra.

00:03:50

Tiến sĩ Ian Goodfellow là người đóng góp chính cho

00:03:53

được công nhận là người tiên phong của GAN,

00:03:56

mạng lưới đối thủ phát sinh.

00:03:58

Năm 2014, khi còn là nghiên cứu sinh,

00:04:00

Goodfellow giới thiệu khái niệm

00:04:03

GAN trong một bài báo và kể từ đó,

00:04:05

Cách tiếp cận này đã cách mạng hóa lĩnh vực này

00:04:07

học sâu và AI

00:04:09

Phát sinh.

00:04:10

Kể từ khi giới thiệu GAN,

00:04:12

nhiều nhà nghiên cứu và

00:04:14

Các tổ chức đã đóng góp cho họ

00:04:16

phát triển và sàng lọc.

00:04:18

Nhưng Goodfellow thường được trích dẫn

00:04:20

là cha đẻ của GAN do:

00:04:23

vai trò quan trọng của nó trong việc tạo ra chúng

00:04:25

và phổ biến ban đầu của họ.

00:04:27

Tệp sáng tạo do GAN tạo

00:04:30

mê hoặc thế giới. Khuôn mặt của

00:04:32

những người chưa bao giờ tồn tại,

00:04:34

phong cảnh tưởng tượng,

00:04:35

tác phẩm nghệ thuật độc đáo và

00:04:37

thậm chí cả âm nhạc.

00:04:40

Những tiến bộ này đã đặt ra câu hỏi về

00:04:43

vấn đề đạo đức và triết học.

00:04:45

Sáng tạo là gì? Một

00:04:47

Máy có thể được

00:04:49

Được coi là sáng tạo?

00:04:51

Khi AI tiếp tục phát triển,

00:04:53

Nó thách thức sự hiểu biết của chúng ta

00:04:55

sự sáng tạo của nghệ thuật và đổi mới.

00:04:58

Những năm 2020 đã củng cố kỷ nguyên

00:05:00

AI tạo ra. Với những tiến bộ

00:05:03

Về sức mạnh tính toán,

00:05:05

Đặc biệt, nhờ các đơn vị xử lý

00:05:07

đồ họa (GPU) và cơ sở hạ tầng đám mây,

00:05:10

Các mô hình AI đã trở thành

00:05:12

lớn hơn và phức tạp hơn.

00:05:14

Đó là thời điểm mà các người mẫu

00:05:16

như GPT-3 và GPT-4 đã thấy

00:05:19

ngày, có thể tạo văn bản,

00:05:21

âm nhạc

00:05:22

Thiết kế và hơn thế nữa với

00:05:24

Độ chính xác và sắc thái đáng kinh ngạc.

00:05:29

Những mô hình AI mới này đã chứng minh

00:05:32

tính linh hoạt chưa từng có,

00:05:33

cho dù đó là để viết bài,

00:05:36

Thiết kế đối tượng hoặc thậm chí

00:05:38

Lập trình khả năng của họ để

00:05:40

hiểu và tạo nội dung,

00:05:42

đã đẩy ranh giới của điều này

00:05:43

mà chúng tôi nghĩ là có thể.

00:05:47

AI đã trở thành một công cụ có giá trị

00:05:50

Dành cho người sáng tạo, kỹ sư

00:05:51

và các nhà nghiên cứu trên khắp thế giới.

00:05:54

Trong vòng vài thập kỷ, AI

00:05:56

Generative đã đi từ

00:05:58

Các thí nghiệm đơn giản trong

00:05:59

phòng thí nghiệm thành một lực lượng định hình

00:06:01

Thế giới của chúng ta một cách sâu sắc.

00:06:03

Nó đã thay đổi cách chúng ta

00:06:06

tương tác với công nghệ,

00:06:07

Cách chúng tôi tạo ra và làm thế nào

00:06:09

Chúng tôi nhận thức biên giới

00:06:11

giữa con người và máy móc.

00:06:13

Khi chúng ta nhìn về tương lai,

00:06:15

một điều chắc chắn, AI

00:06:16

sẽ tiếp tục phát triển,

00:06:20

để gây bất ngờ và xác định lại giới hạn của chúng ta.

00:06:22

Ở lại với chúng tôi để khám phá

00:06:24

nhiều hơn thế giới hấp dẫn này.

00:00:04

要瞭解生成式 AI，

00:00:06

讓我們深入瞭解它的歷史。

00:00:08

第一批研究人員

00:00:10

人工智慧是

00:00:11

在大膽願景的驅使下，

00:00:13

建造可以

00:00:15

類比人類的思維過程。

00:00:18

他們不僅

00:00:20

創建程式

00:00:21

執行特定任務。

00:00:22

他們希望這些機器能夠思考，

00:00:25

學習和發展。

00:00:27

這個雄心壯志雖然複雜，

00:00:30

一直是許多創新背後的驅動力。

00:00:32

第一個 AI 模型

00:00:34

是初級的，

00:00:35

但他們奠定了基礎

00:00:37

基本問題。

00:00:38

機器能思考嗎？

00:00:40

她能像孩子一樣學習嗎？

00:00:44

這些問題指導了研究

00:00:45

幾十年來，人工智慧領域。

00:00:47

1980 年代的特點是

00:00:50

通過實地的復興

00:00:51

人工智慧

00:00:53

神經網路時代。

00:00:54

受生物學和

00:00:57

人腦功能，

00:00:59

這些網路試圖複製

00:01:01

我們的神經元處理方式

00:01:03

並傳達資訊。

00:01:05

儘管資源有限，但

00:01:07

功能較弱的計算機，

00:01:08

研究人員堅持了下來，

00:01:10

深信這種方法可以

00:01:13

導致更先進和適應性更強的人工智慧。

00:01:16

這是一場革命的開始，人工智慧

00:01:18

不再滿足於

00:01:20

遵循嚴格的規則，

00:01:21

但正在從數據中學習，

00:01:23

就像一個會學習的大腦

00:01:25

從他的經歷。

00:01:27

神經網路是核心

00:01:30

人工智慧的許多進步。

00:01:32

把它們看作是模仿品

00:01:34

人腦，

00:01:36

每個人工神經元或節點

00:01:38

接收資訊，處理資訊，

00:01:41

然後將它們傳遞給其他人

00:01:43

通過連接的神經元，

00:01:44

就像我們的生物神經元一樣

00:01:46

用突觸來做到這一點。

00:01:48

起先

00:01:49

這些網路很簡單，

00:01:51

神經元層數少，

00:01:53

但這個想法是革命性的。而

00:01:55

而不是顯式程式設計

00:01:57

機器來執行任務，

00:01:59

為什麼不訓練她

00:02:01

向他們提供範例，

00:02:03

就像你教孩子一樣？

00:02:06

這種學習方法，

00:02:07

雖然數據密集型

00:02:09

和計算能力，

00:02:11

為機器鋪平了道路

00:02:13

能夠自學。

00:02:14

2000年代是一個轉捩點

00:02:18

用於人工智慧。

00:02:19

隨著互聯網的爆炸式增長，

00:02:21

數量驚人的

00:02:23

數據已經變得可訪問。

00:02:26

這些數據，

00:02:26

加上進步

00:02:28

在計算能力方面具有重要意義，

00:02:30

為人工智慧提供了肥沃的土壤。

00:02:32

演算法已經發展，

00:02:35

變得越來越複雜，並且

00:02:36

能夠處理

00:02:39

數據越來越大。

00:02:41

那是學習的時代

00:02:42

其中神經網路

00:02:44

變得深刻，

00:02:46

多層允許

00:02:48

難以想像的壯舉

00:02:50

十年前。

00:02:52

大數據已成為人工智慧的燃料。

00:02:54

企業和研究人員

00:02:57

快速了解潛力

00:02:59

要驅動器的數據

00:03:01

性能更好的 AI 模型。

00:03:02

應用程式，例如

00:03:04

語音辨識

00:03:05

機器翻譯和

00:03:08

圖像檢測已成為

00:03:10

可能且有效。

00:03:11

人工智慧不再只是一種研究工具，

00:03:14

她開始轉變

00:03:16

我們的日常生活，

00:03:17

讓技術更偉大

00:03:19

直觀，適應我們的需求。

00:03:21

2010 年代見證了

00:03:24

GAN 或生成對抗網路。

00:03:28

這些演算法使 AI 能夠

00:03:29

生成內容

00:03:31

從圖像到聲音

00:03:33

通過文本。

00:03:34

GAN的工作原理是把

00:03:37

兩個網路正在競爭。

00:03:38

一個生成內容，而

00:03:40

另一個評估其品質。

00:03:42

這個反覆運算過程使得

00:03:44

創作優質作品，

00:03:46

有時無法區分

00:03:48

那些由人類創造的。

00:03:50

伊恩·古德費羅（Ian Goodfellow）博士是

00:03:53

被公認為GAN的先驅，

00:03:56

生成對抗網路。

00:03:58

2014年，當他還是一名博士生時，

00:04:00

Goodfellow介紹了

00:04:03

GANs在一篇文章中，從那時起，

00:04:05

這種方法徹底改變了該領域

00:04:07

深度學習和人工智慧

00:04:09

生成。

00:04:10

自從 GAN 推出以來，

00:04:12

許多研究人員和

00:04:14

機構為他們的

00:04:16

發展和完善。

00:04:18

但古德費羅經常被引用

00:04:20

作為 GAN 之父，由於

00:04:23

它在他們的創造中起著至關重要的作用

00:04:25

以及它們的最初普及。

00:04:27

GAN 生成的廣告素材

00:04:30

讓世界著迷。面孔

00:04:32

從未存在過的人，

00:04:34

想像景觀，

00:04:35

獨特的藝術作品和

00:04:37

甚至音樂。

00:04:40

這些進展引發了以下問題：

00:04:43

倫理和哲學問題。

00:04:45

什麼是創造力？一

00:04:47

機器可以

00:04:49

被認為是有創意的？

00:04:51

隨著人工智慧的不斷發展，

00:04:53

它挑戰了我們的理解

00:04:55

藝術的創造和創新。

00:04:58

2020 年代鞏固了這個時代

00:05:00

生成式 AI。隨著進步

00:05:03

在計算能力方面，

00:05:05

特別是，由於處理單元

00:05:07

圖形（GPU）和雲基礎設施，

00:05:10

AI 模型已成為

00:05:12

更大、更複雜。

00:05:14

那是一個模型的時代

00:05:16

正如 GPT-3 和 GPT-4 所看到的

00:05:19

天，能夠生成文本，

00:05:21

音樂

00:05:22

設計及更多

00:05:24

驚人的精確度和細微差別。

00:05:29

這些新的人工智慧模型已經證明

00:05:32

前所未有的多功能性，

00:05:33

不管是寫文章，

00:05:36

設計物件甚至

00:05:38

對他們的能力進行程式設計

00:05:40

理解並生成內容，

00:05:42

已經突破了這個界限

00:05:43

我們認為這是可能的。

00:05:47

人工智慧已成為一種有價值的工具

00:05:50

對於創作者、工程師

00:05:51

以及世界各地的研究人員。

00:05:54

在幾十年的時間里，人工智慧

00:05:56

生成式已經從

00:05:58

簡單的實驗

00:05:59

實驗室形成一種力量

00:06:01

我們的世界以一種深刻的方式。

00:06:03

它改變了我們的方式

00:06:06

與技術互動，

00:06:07

我們如何創造以及如何創造

00:06:09

我們感知邊界

00:06:11

人與機器之間。

00:06:13

展望未來，

00:06:15

有一件事是肯定的，人工智慧

00:06:16

將繼續發展，

00:06:20

讓我們感到驚訝並重新定義我們的極限。

00:06:22

和我們一起探索

00:06:24

更多這個迷人的世界。

Mandarine AI: CE QUI POURRAIT VOUS INTÉRESSER