Video
Đăng bởi Ban biên tập OpenER ·
Tác giả giữ toàn bộ bản quyền (All Rights Reserved) — không phải giấy phép mở. Bạn vẫn xem và học miễn phí trên OpenER; muốn tái sử dụng cần xin phép tác giả.
DAN KLEIN
Hi, everyone. Welcome to the final lecture of CS 188. We have a lot to do today, and it's totally different than what's come before.
Xin chào mọi người. Chào mừng đến với bài giảng cuối cùng của CS 188. Hôm nay chúng ta có rất nhiều việc phải làm, và hoàn toàn khác với những gì đã học trước đây.
So to start with, we would like to take a look at the contest results — and not just the results for the final contest, which we're going to go through in some depth, but also the contests up to this point.
Trước tiên, chúng ta cùng xem kết quả các cuộc thi, và không chỉ kết quả của cuộc thi cuối kỳ, mà chúng ta sẽ xem khá chi tiết, mà còn cả các cuộc thi trước đó.
So hopefully everybody who won one of the mini contests or placed in one of the many contests is here right now. Ready?
Hy vọng những bạn thắng một trong các cuộc thi nhỏ hoặc đạt giải ở các cuộc thi khác đều có mặt ở đây. Sẵn sàng chưa?
PIETER ABBEEL
Ready.
Sẵn sàng.
DAN KLEIN
All right. So contest winners, get ready to come up. Everybody else, get ready clap all day. Remember back to P1.
Được rồi. Các bạn thắng cuộc chuẩn bị lên nhé. Còn mọi người, chuẩn bị vỗ tay cả ngày. Nhớ lại P1.
Remember way back, search. And we had a multi-agent formulation of Pac-Man. Eat as many dots as quickly as possible under time pressure with multiple agents. I'm going to call up the contest winners.
Nhớ lại từ rất lâu, phần tìm kiếm. Chúng ta có bài Pac-Man với nhiều tác tử. Ăn càng nhiều chấm càng nhanh càng tốt dưới áp lực thời gian với nhiều tác tử. Tôi sẽ gọi các bạn thắng cuộc lên.
We went through what they did and what their awesome entries looked like at the beginning. But now we're going to come up. And we have for you something extra special.
Lúc đầu ta đã xem họ làm gì và các bài dự thi tuyệt vời của họ trông ra sao. Giờ mời các bạn lên. Chúng tôi có thứ đặc biệt dành cho các bạn.
We have CS 188 medals.
Đó là huy chương CS 188.
PIETER ABBEEL
Woo.
Woo.
DAN KLEIN
So we said these contests would be for glory. They're actually for glory and bling. So if you are here, we'll start third place — Team Winnie the Pooh.
Chúng tôi từng nói các cuộc thi này chỉ để vinh danh. Thực ra là vinh danh và có cả đồ lấp lánh. Nếu có mặt, ta bắt đầu từ hạng ba: đội Winnie the Pooh.
Philip and Winnie, come on up. Are you here? Come on up.
Philip và Winnie, mời lên. Các bạn có ở đây không? Mời lên.
[APPLAUSE] [LAUGHTER] STUDENT: [INAUDIBLE] DAN KLEIN: In second place, Team JasonL.
[VỖ TAY] [CƯỜI] SINH VIÊN: [KHÔNG NGHE RÕ] DAN KLEIN: Hạng hai, đội JasonL.
Are you here, JasonL?
JasonL có ở đây không?
Otherwise, we're just going to put the medals on Pieter. [LAUGHTER] All right, moving on. First place, team Yushang. Are you here?
Nếu không thì ta đeo huy chương cho Pieter. [CƯỜI] Được rồi, tiếp tục. Hạng nhất, đội Yushang. Các bạn có ở đây không?
All right. Clap — clap for Pieter getting their medals. [APPLAUSE] All right. Now remember all the way back to the P2 mini contest.
Được rồi. Vỗ tay cho Pieter nhận huy chương nào. [VỖ TAY] Được rồi. Giờ nhớ lại cuộc thi nhỏ của P2.
OK, again, there was a complicated board, multiple agents, but this time you had adversaries who were trying to eat their dots as well and quickly.
Lần đó cũng có một bản đồ phức tạp, nhiều tác tử, nhưng lần này có các đối thủ cũng cố ăn chấm của họ và ăn thật nhanh.
So we had winners from this mini contest as well. Hopefully you're all here. In third place, we have DON'T FORGET — REGISTER TO VOTE. Are you here?
Cuộc thi nhỏ này cũng có người thắng. Hy vọng các bạn đều có mặt. Hạng ba là DON'T FORGET — REGISTER TO VOTE. Bạn có ở đây không?
Did you vote?
Bạn đã đi bầu chưa?
STUDENT
No, I'm not a citizen, but I wish! [LAUGHTER] DAN KLEIN: We're going to give you a medal anyway. All right. (CHUCKLING) Come on up.
Chưa, em không phải công dân, nhưng em ước được thế! [CƯỜI] DAN KLEIN: Dù sao cũng tặng bạn huy chương. Được rồi. (CƯỜI) Mời lên.
STUDENT
[INAUDIBLE] [INAUDIBLE] DAN KLEIN: All right, Sean and Ham.
[KHÔNG NGHE RÕ] [KHÔNG NGHE RÕ] DAN KLEIN: Được rồi, Sean và Ham.
STUDENT
I guess my partner isn't here.
Chắc bạn cùng nhóm em không có ở đây.
DAN KLEIN
OK. You want to take one for him too, or should we give it to Pieter?
Được. Bạn muốn nhận giúp cậu ấy luôn không, hay đưa cho Pieter?
STUDENT
We're going to work on projects tonight, so. Thank you.
Tối nay tụi em làm project nên. Em cảm ơn.
DAN KLEIN
In second place, Team [INAUDIBLE].. [? Yuchen ?] and [? Zuzushu, ?] are you here? Come on up if you are.
Hạng hai, đội [KHÔNG NGHE RÕ]. [? Yuchen ?] và [? Zuzushu, ?] các bạn có ở đây không? Nếu có thì mời lên.
And in first place, I will just make the expression. [LAUGHTER] Philip and Winnie, come on — [LAUGHTER] [APPLAUSE] --right where you are.
Còn hạng nhất, tôi chỉ làm vẻ mặt thôi. [CƯỜI] Philip và Winnie, mời — [CƯỜI] [VỖ TAY] --ngay tại chỗ các bạn.
[APPLAUSE] All right. And now Pieter is going to take over for the main event.
[VỖ TAY] Được rồi. Giờ Pieter sẽ tiếp quản phần chính.
Congratulations for all the mini contest winners. [APPLAUSE] PIETER ABBEEL: So, final contest.
Chúc mừng tất cả những người thắng các cuộc thi nhỏ. [VỖ TAY] PIETER ABBEEL: Vậy, cuộc thi cuối kỳ.
In the final contest, your agent was supposed to work together with another agent that you did not control.
Trong cuộc thi cuối kỳ, tác tử của các bạn phải phối hợp với một tác tử khác mà các bạn không điều khiển.
So the other agent would communicate their plans to your agent, and you're supposed to collaborate to eat as many food pellets as possible, as quickly as possible, while avoiding the ghost, which is the opponent.
Tác tử kia sẽ thông báo kế hoạch của nó cho tác tử của bạn, và các bạn phải hợp tác để ăn càng nhiều viên thức ăn càng nhanh càng tốt, đồng thời tránh con ma, tức là đối thủ.
We have 32 teams, thousands of matches played — great work by everyone. We have a few cool names — pacmantaughtmelife.
Có 32 đội, hàng nghìn trận đã đấu, mọi người làm rất tốt. Mọi người làm rất tốt. Có vài cái tên rất hay: pacmantaughtmelife.
[LAUGHTER] Stupid Pac-Man is not Ready, Broken Bot, Basic Bot.
[CƯỜI] Stupid Pac-Man is not Ready, Broken Bot, Basic Bot.
[LAUGHTER] Not sure how to pronounce this one. HE NEVER LISTENS, SPAM, Pac-Man is Ready, debug fixed.
[CƯỜI] Tôi không chắc đọc cái này thế nào. HE NEVER LISTENS, SPAM, Pac-Man is Ready, debug fixed.
All right, moving on to the results. In 10th place, we have Team Mark — Winnie Gau and Philip Zhau. [LAUGHS] Congratulations again.
Được rồi, sang phần kết quả. Hạng 10 là đội Mark — Winnie Gau và Philip Zhau. [CƯỜI] Chúc mừng lần nữa.
[APPLAUSE] Ninth place — First Attempt Version 4.6, Frederick Roaming. Frederick, are you here? Frederick here?
[VỖ TAY] Hạng chín: First Attempt Version 4.6, Frederick Roaming. Frederick, bạn có ở đây không? Frederick có đây không?
Anywhere? No Frederick. Eighth place — Opening Eye Five Candidate, Martin Lee. Martin, are you here?
Ở đâu đó không? Không có Frederick. Hạng tám: Opening Eye Five Candidate, Martin Lee. Martin, bạn có ở đây không?
Over there. Congratulations. [APPLAUSE] Seventh place — DieGhostDie, Xi Mao and [? Jhibo ?] [? Fan. ?] Are you here?
Ở đằng kia. Chúc mừng. [VỖ TAY] Hạng bảy: DieGhostDie, Xi Mao và [? Jhibo ?] [? Fan. ?] Các bạn có ở đây không?
Congratulations. [APPLAUSE] Sixth place — Nine 9 V3, Wilson Wu. Wilson, congratulations.
Chúc mừng các bạn. [VỖ TAY] Hạng sáu: Nine 9 V3, Wilson Wu. Wilson, chúc mừng em.
[APPLAUSE] Fifth place — debug_fixed. We did not have a name, but we have a handle of an email address.
[VỖ TAY] Hạng năm: debug_fixed. Đội này không có tên, nhưng có một biệt danh là địa chỉ email.
Mm-hmm, Sheldon Ma. That's you.
Ừm, Sheldon Ma. Là em đó.
STUDENT
That's actually one of our [INAUDIBLE] PIETER ABBEEL: (CHUCKLING) I see. You submitted twice. OK. We might have to take you out of this ranking.
Thật ra đó là một trong các bài của bọn em [KHÔNG NGHE RÕ] PIETER ABBEEL: (CƯỜI KHẼ) Tôi hiểu rồi. Em nộp hai lần. Được rồi. Có thể chúng tôi phải loại em khỏi bảng xếp hạng này.
Your debug version is outperforming your non-debugged version?
Bản debug của em đang vượt trội hơn bản không debug à?
STUDENT
[INAUDIBLE] PIETER ABBEEL: I see. [LAUGHS] Well, congratulations again.
[KHÔNG NGHE RÕ] PIETER ABBEEL: Tôi hiểu rồi. [CƯỜI] Dù sao cũng xin chúc mừng lần nữa.
[APPLAUSE] Fourth place — Watney the Fearful, Alexander [? Kazatski. ?] Alexander, are you here? Alexander?
[VỖ TAY] Hạng tư: Watney the Fearful, Alexander [? Kazatski. ?] Alexander, em có ở đây không? Alexander?
Not here. OK. Top three, which is for the medals.
Không có mặt. Được rồi. Ba hạng đầu, những đội nhận huy chương.
In third place, we have WhenMonaSmiles by Victor Cheng. Victor, are you here? Congratulations. Can you come up front?
Hạng ba là WhenMonaSmiles của Victor Cheng. Victor, em có ở đây không? Chúc mừng em. Em lên phía trước được không?
[APPLAUSE] STUDENT: All right.
[VỖ TAY] SINH VIÊN: Vâng ạ.
PIETER ABBEEL
This bot is based on the reflex capture agent, using a feature-based evaluation function. The features are teammate distance, distance to food, and ghost distance.
Bot này dựa trên reflex capture agent, dùng hàm đánh giá dựa trên đặc trưng. Các đặc trưng là khoảng cách tới đồng đội, khoảng cách tới thức ăn, và khoảng cách tới ma.
Basically, the agent aims for the furthest food when it's a certain distance close to the teammate. Otherwise it aims for the closest food.
Về cơ bản, tác tử nhắm tới thức ăn xa nhất khi nó ở gần đồng đội trong một khoảng nhất định. Nếu không, nó nhắm tới thức ăn gần nhất.
DAN KLEIN
(WHISPERING) Good job.
(THÌ THẦM) Làm tốt lắm.
PIETER ABBEEL
The agent tries to get away from the ghost when it's close to the ghost.
Tác tử cố tránh xa con ma khi ở gần nó.
The agent values food more than the danger of ghost, as getting the attention of that ghost would potentially help the teammate.
Tác tử coi trọng thức ăn hơn nguy hiểm từ con ma, vì thu hút sự chú ý của con ma đó có thể giúp ích cho đồng đội.
Thresholds of distances to the teammate and goes need to be tuned like the weights of a feature.
Các ngưỡng khoảng cách tới đồng đội và tới ma cần được tinh chỉnh như trọng số của một đặc trưng.
Optimally, they would be tuned by RL or other learning methods, but they are tuned manually this time.
Lý tưởng nhất là tinh chỉnh bằng RL hay các phương pháp học khác, nhưng lần này em chỉnh bằng tay.
OK, in second place we have — oh, actually I forgot that we have a video showcasing each of the top three. Let's see if we can play this.
Được rồi, hạng hai là — à, tôi quên là chúng ta có video giới thiệu từng đội trong ba hạng đầu. Xem thử có chạy được không.
DAN KLEIN
[INAUDIBLE].
[KHÔNG NGHE RÕ].
PIETER ABBEEL
This thing? So yellow is the team bot. Orange is the collaborator bot that you're supposed to work together with.
Cái này à? Màu vàng là bot của đội. Màu cam là bot cộng tác mà các em phải phối hợp cùng.
Supposed to clear the board up to the last two pellets while avoiding the ghost. And the score is based on how little time you manage to spend in getting this done.
Nhiệm vụ là dọn sạch bàn chơi trừ hai viên cuối trong khi tránh con ma. Điểm số dựa trên việc các em tốn ít thời gian đến mức nào để hoàn thành.
Cool. Next one, second place — Yihe Huang. Yihe, are you here? Over there.
Hay quá. Tiếp theo, hạng hai: Yihe Huang. Yihe, em có ở đây không? Ở đằng kia.
Can you come up front? Congratulations. [APPLAUSE] Strategy here is based on Approximate Q-Learning. Features include three distances and two scores.
Em lên phía trước được không? Chúc mừng em. [VỖ TAY] Chiến lược ở đây dựa trên Approximate Q-Learning. Các đặc trưng gồm ba khoảng cách và hai điểm số.
Distances include the maze distance between ghost team and nearest food and their own bot. Scores include a successor score and a score for exploring and exploiting to avoid deadlock.
Các khoảng cách gồm khoảng cách mê cung giữa đội ma và thức ăn gần nhất, cùng bot của mình. Các điểm số gồm điểm trạng thái kế tiếp và điểm cho khám phá và khai thác để tránh bế tắc.
DAN KLEIN
Here you go.
Của em đây.
PIETER ABBEEL
Also, very impressively, I believe this is the first time a reinforcement-learning bot is near the top of the rankings in one of the final contests. So, very cool.
Ngoài ra, rất ấn tượng, tôi tin đây là lần đầu tiên một bot học tăng cường đứng gần đầu bảng xếp hạng ở một cuộc thi cuối kỳ. Thật tuyệt.
Congratulations, [INAUDIBLE]. Let's see. [APPLAUSE] So let's watch this bot in action.
Chúc mừng em, [KHÔNG NGHE RÕ]. Để xem nào. [VỖ TAY] Cùng xem bot này hoạt động nhé.
What you'll notice here is a really nice divide-and-conquer approach, splitting up the work while avoiding the ghost at all times.
Các em sẽ thấy một cách tiếp cận chia để trị rất hay, chia nhau công việc mà luôn tránh được con ma.
[CHUCKLES] And in first place, we have Rudy Zhang and Feng Xu. Rudy and Feng, are you here? Over there. Congratulations.
[CƯỜI KHẼ] Và hạng nhất là Rudy Zhang và Feng Xu. Rudy và Feng, các em có ở đây không? Ở đằng kia. Chúc mừng các em.
[APPLAUSE] This bot strategy is based on a map named a reward density map.
[VỖ TAY] Chiến lược của bot này dựa trên một bản đồ gọi là reward density map.
It's calculated in the following steps. First, calculate food density, like minesweepers. Lower the reward of the area if the teammate might approach the area using particle filtering to update teammate position beliefs.
Nó được tính qua các bước sau. Đầu tiên, tính mật độ thức ăn, giống trò dò mìn. Giảm phần thưởng của khu vực nếu đồng đội có thể tiến vào khu đó, dùng lọc hạt để cập nhật niềm tin về vị trí đồng đội.
Adjust the reward of a position according to the Pac-Man's distance to it. And lower the reward of a position if a ghost is near it.
Điều chỉnh phần thưởng của một vị trí theo khoảng cách từ Pac-Man tới đó. Và giảm phần thưởng của vị trí nếu có ma ở gần.
Using the computed reward density map, here is the strategy if the ghost is not nearby.
Với reward density map đã tính, đây là chiến lược khi ma không ở gần.
DAN KLEIN
And it's ready.
Và đã sẵn sàng.
PIETER ABBEEL
Go to the position with maximum reward density. Then collect the food local optimally, using A* search. Else, if the ghost is close, use a min-and-max strategy to avoid the ghost.
Đi tới vị trí có mật độ phần thưởng lớn nhất. Rồi thu thức ăn tối ưu cục bộ, dùng tìm kiếm A*. Ngược lại, nếu ma ở gần, dùng chiến lược min-max để tránh ma.
Award the Pac-Man for approaching the max reward density position. Some special calculations — cached actions from the start position to the first position with length of legal actions bigger than one.
Thưởng cho Pac-Man khi tiến gần vị trí có mật độ phần thưởng lớn nhất. Một số tính toán đặc biệt: lưu sẵn các hành động từ vị trí xuất phát tới vị trí đầu tiên có số hành động hợp lệ lớn hơn một.
OK. Let's watch this one in action.
Được rồi. Hãy xem cái này chạy thực tế.
[CHUCKLES] So we see here is one of the Pac-Man.
[CƯỜI KHẺ] Ở đây chúng ta thấy một trong các Pac-Man.
DAN KLEIN
I like the one that's kiting the ghost.
Tôi thích con đang nhử con ma.
PIETER ABBEEL
Distracting the ghost.
Đánh lạc hướng con ma.
There we go. Congratulations.
Được rồi. Xin chúc mừng.
[APPLAUSE] DAN KLEIN: And also, in addition to a first of getting reinforcement learning to work on this final contest, I believe this is the first time that we have a winner wearing their own team shirts.
[VỖ TAY] DAN KLEIN: Ngoài ra, bên cạnh việc lần đầu tiên áp dụng được học tăng cường cho cuộc thi cuối kỳ này, tôi tin rằng đây là lần đầu có đội thắng cuộc mặc áo riêng của đội.
So check it out.
Mọi người xem thử nhé.
PIETER ABBEEL
[LAUGHS] DAN KLEIN: Good job. Good job, everyone. [APPLAUSE] PIETER ABBEEL: OK, go back.
[CƯỜI] DAN KLEIN: Làm tốt lắm. Cả lớp làm tốt lắm. [VỖ TAY] PIETER ABBEEL: OK, quay lại.
This is the full top 10. We will release the full ranking on the website with all teams that participated, but we thought in lecture, we highlight the top 10.
Đây là top 10 đầy đủ. Chúng tôi sẽ đăng bảng xếp hạng đầy đủ trên trang web gồm tất cả các đội đã tham gia, nhưng trên lớp chúng tôi muốn nêu bật top 10.
Dan?
Dan?
DAN KLEIN
All right.
Được rồi.
So another thing we wanted to do today is acknowledge what we think is one of the stars of CS 188, which is — how many of you have noticed the artwork throughout the semester?
Hôm nay chúng tôi còn muốn ghi nhận một trong những ngôi sao của CS 188, đó là... bao nhiêu bạn đã để ý các tác phẩm minh họa suốt học kỳ?
Raise your hand. Yeah, pretty amazing. So here's the story behind this.
Giơ tay nào. Vâng, thật tuyệt vời. Đây là câu chuyện phía sau.
This artwork first appeared actually quite a while ago when the artist was in CS 188 and would leave behind these beautiful, beautiful drawings that were like these amazing, inspired drawings on the chalkboard.
Những hình vẽ này xuất hiện lần đầu cách đây khá lâu, khi họa sĩ còn học CS 188 và để lại những bức vẽ rất đẹp đầy cảm hứng, tuyệt vời như thế trên bảng phấn.
There was chalk. It's like a whiteboard, but different. And there were these beautiful drawings, and they'd be gone the next time.
Hồi đó dùng phấn. Giống bảng trắng, nhưng khác. Có những bức vẽ rất đẹp, và lần sau thì chúng đã bị xóa mất.
And so when we decided to do an online version of this course, we reached out to her. Her name is Ketrina Yim. She is an amazing artist.
Nên khi quyết định làm phiên bản trực tuyến của môn này, chúng tôi đã liên hệ với cô ấy. Cô ấy tên là Ketrina Yim. Cô ấy là một họa sĩ tuyệt vời.
And she was kind enough to help us put together all of this artwork.
Và cô ấy đã vui lòng giúp chúng tôi hoàn thiện toàn bộ các minh họa này.
So that's why it seems so connected to the material, is she worked really closely with us to come up with some amazing stuff.
Vì thế chúng gắn kết với nội dung môn học đến vậy, là do cô ấy làm việc rất sát với chúng tôi để tạo ra những thứ tuyệt vời.
And I think it really makes a great difference to the course. So I'd like you to join me in thanking her remotely, because I think it's amazing stuff.
Tôi nghĩ nó làm môn học hay hơn hẳn. Mời các bạn cùng tôi cảm ơn cô ấy từ xa, vì tôi thấy chúng thật tuyệt.
Thank you, Ketrina. [APPLAUSE] All right.
Cảm ơn Ketrina. [VỖ TAY] Được rồi.
So now the moment that you have not been waiting for, because you were not aware of. Are we good? All right.
Giờ là khoảnh khắc mà các bạn chưa hề mong đợi, vì các bạn chưa biết. Ổn chưa? Được rồi.
PIETER ABBEEL
I think we're good.
Tôi nghĩ là ổn.
DAN KLEIN
OK.
OK.
PIETER ABBEEL
I was just going to coordinate [INAUDIBLE] DAN KLEIN: I was going to vamp otherwise. OK. All right. So we have for you some more Pac-Man stuff.
Tôi chỉ định phối hợp [KHÔNG NGHE RÕ] DAN KLEIN: Không thì tôi định nói câu giờ. OK. Được rồi. Chúng tôi có thêm vài thứ về Pac-Man cho các bạn.
In this case, it looks a little different from what you're used to seeing on the screen. It looks a little bit like this. It's Pac-Man, the cookie.
Lần này trông hơi khác so với những gì các bạn quen thấy trên màn hình. Trông hơi giống thế này. Là Pac-Man bánh quy.
So we're going to take a little break. And as we take the break, we would like all of you to come up over there. Get your copy of Pac-Man the cookie.
Chúng ta sẽ nghỉ giải lao một chút. Trong lúc nghỉ, mời các bạn lên chỗ đằng kia. Lấy bánh quy Pac-Man của bạn.
How many? Do we have a count?
Mỗi người mấy cái? Có đếm được không?
PIETER ABBEEL
Up to three.
Tối đa ba cái.
DAN KLEIN
Up to three. [MURMURING] You could take Pac-Man, ghosts.
Tối đa ba cái. [XÔN XAO] Bạn có thể lấy Pac-Man, những con ma.
PIETER ABBEEL
Can you [INAUDIBLE] DAN KLEIN: And also, there is CS 188 the laptop sticker. [MURMURING] [APPLAUSE] PIETER ABBEEL: Can you set them up here?
Bạn có thể [KHÔNG NGHE RÕ] DAN KLEIN: Ngoài ra còn có hình dán laptop CS 188. [XÔN XAO] [VỖ TAY] PIETER ABBEEL: Bạn xếp chúng ở đây được không?
Can you set them up over here?
Xếp ở bên này được không?
DAN KLEIN
We're going to take a couple minute break. Come up. Get cookies. There are plenty.
Chúng ta nghỉ vài phút. Lên đây. Lấy bánh quy. Còn nhiều lắm.
So take your time. Eat the cookies. Don't eat the laptop sticker.
Cứ thong thả. Ăn bánh quy. Đừng ăn hình dán laptop.
PIETER ABBEEL
Somewhere on the floor is fine. Oh, stickers — maybe stickers here.
Để đâu đó dưới sàn cũng được. À, hình dán thì để ở đây.
STUDENT
Stickers! I'll take one. Thank you.
Hình dán! Em lấy một cái. Cảm ơn thầy.
DAN KLEIN
Stickers are on the podium.
Hình dán ở trên bục.
STUDENT
You got more stickers?
Còn hình dán nữa không ạ?
DAN KLEIN
Yeah. [INAUDIBLE] PIETER ABBEEL: Maybe you can help [INAUDIBLE] If you can do that, and you want to help distribute.
Còn. [KHÔNG NGHE RÕ] PIETER ABBEEL: Có lẽ bạn giúp được [KHÔNG NGHE RÕ] Nếu làm được và bạn muốn giúp phát.
DAN KLEIN
Yeah. Can you just [INAUDIBLE].
Ừ. Bạn có thể [KHÔNG NGHE RÕ].
PIETER ABBEEL
[INAUDIBLE] DAN KLEIN: Sure.
[KHÔNG NGHE RÕ] DAN KLEIN: Được.
All right. While you work your way through Pac-Man the cookie, we could do a little bit of more special topics.
Được rồi. Trong lúc các bạn thưởng thức Pac-Man bánh quy, chúng ta có thể nói thêm một chút về các chủ đề đặc biệt.
So last time, Pieter gave a little bit of a flavor for some special topics on the robotic side. I'm going to talk a little bit about one particular area of natural language processing.
Lần trước, Pieter đã giới thiệu sơ qua vài chủ đề đặc biệt về robot. Tôi sẽ nói một chút về một mảng cụ thể của xử lý ngôn ngữ tự nhiên.
And then we've got some other Pac-Man stories to share for you. So here we go.
Rồi chúng tôi còn vài câu chuyện Pac-Man khác để chia sẻ với các bạn. Bắt đầu nào.
Let's take a step back. There are a lot of areas of AI. One area is natural language — understanding language and building technologies that handle natural language in various ways.
Hãy lùi lại một bước. AI có rất nhiều lĩnh vực. Một lĩnh vực là ngôn ngữ tự nhiên: hiểu ngôn ngữ và xây dựng các công nghệ xử lý ngôn ngữ tự nhiên theo nhiều cách khác nhau.
So you use a bunch of these, right. How many people here use speech recognition? At least on your phone? OK, how many people use some kind of machine translation?
Các bạn dùng khá nhiều trong số này rồi. Có bao nhiêu bạn dùng nhận dạng giọng nói? Ít nhất là trên điện thoại? Được rồi, bao nhiêu bạn dùng dịch máy?
OK. How many people here interact with some kind of dialogue system or smart speaker or something like that? OK. So these are all examples.
Được. Bao nhiêu bạn có tương tác với một loại hệ thống đối thoại hay loa thông minh gì đó? Được rồi. Đây đều là các ví dụ.
To a certain extent, search is also an example of a natural language technology. So these are all examples of things we have today, which are technologies enabled by processing or interacting with human language.
Ở một mức độ nào đó, tìm kiếm cũng là một ví dụ của công nghệ ngôn ngữ tự nhiên. Vậy đây là những ví dụ về các thứ ta có ngày nay, những công nghệ được tạo ra nhờ xử lý hoặc tương tác với ngôn ngữ của con người.
And when we think about the things we're trying to build, I like to characterize it by the following Far Side cartoon.
Và khi nghĩ về những thứ ta đang cố xây dựng, tôi thích mô tả nó bằng bức tranh biếm họa Far Side sau.
Some of you may have seen this. So this is what we say to dogs. OK. You say to the dog, OK, Ginger, I've had it.
Có thể một số bạn đã thấy. Đây là những gì ta nói với chó. Được rồi. Bạn nói với con chó: Này Ginger, đủ rồi đấy.
You stay out of the garbage. Understand, Ginger? Stay out of the garbage, or else. This is the NLP system we would like to have.
Đừng có bới thùng rác nữa. Hiểu chưa, Ginger? Tránh xa thùng rác ra, nếu không thì biết tay. Đây là hệ thống NLP mà ta muốn có.
Here's what they hear. Blah, blah, blah, blah, blah, Ginger, blah, blah, blah, blah, blah, blah, Ginger, Ginger, Ginger. OK. So if you have dogs, you know what I mean.
Còn đây là những gì chúng nghe được. Bla bla bla bla bla, Ginger, bla bla bla bla, bla bla, Ginger, Ginger, Ginger. Được rồi. Nếu bạn có nuôi chó thì hiểu ý tôi.
This year is sort of our ideal of an NLP technology.
Đây là hình mẫu lý tưởng của một công nghệ NLP.
I mean, not necessarily that we want our NLP technology going into our trash, but we want it to understand in context, with nuance what we say. This dog on the left is running NLP.
Ý tôi không hẳn là muốn công nghệ NLP đi bới thùng rác, mà là muốn nó hiểu theo ngữ cảnh, với sắc thái, những gì ta nói. Con chó bên trái đang chạy NLP.
This dog on the right, what's it running? This dog here — this dog is running grep. OK, it is grepping for its name.
Còn con chó bên phải thì đang chạy gì? Con chó này đang chạy grep. Đúng rồi, nó đang grep tên của nó.
And at the lowest level, that's sort of an NLP technology too. You're looking for words and patterns that you've seen before.
Và ở mức thấp nhất, đó cũng là một dạng công nghệ NLP. Bạn tìm các từ và mẫu mà bạn đã từng thấy.
So the goal of NLP is to have deep understanding and to do sophisticated modeling. This requires context, understanding things about linguistic structure, what things mean, what things mean in context, the pragmatics of it.
Vậy mục tiêu của NLP là hiểu sâu và mô hình hóa tinh vi. Điều này đòi hỏi ngữ cảnh, hiểu về cấu trúc ngôn ngữ, ý nghĩa của mọi thứ, ý nghĩa trong ngữ cảnh, tức là ngữ dụng học.
But there's a lot of technologies out there that are still useful that fall short of this, but are getting better all the time, where, in reality, we do a lot of shallow matching.
Nhưng có nhiều công nghệ hiện nay vẫn hữu ích dù chưa đạt tới mức đó, và đang tốt lên từng ngày, trong đó thực tế ta làm rất nhiều so khớp nông.
And this really is sometimes a game of robustness in scale. But there have been some amazing successes and also some fundamental limitations.
Đôi khi đây thực sự là cuộc chơi về độ bền vững ở quy mô lớn. Đã có những thành công đáng kinh ngạc, nhưng cũng có những hạn chế cơ bản.
What I'm going to talk about today, in particular, of all of the neat language technologies we talk about, we're going to do a little bit of a dive into speech recognition.
Hôm nay, tôi sẽ nói cụ thể về một trong những công nghệ ngôn ngữ hay ho đó, ta sẽ đi sâu một chút vào nhận dạng giọng nói.
So whole courses are taught on speech recognition. I have a one-hour lecture of speech recognition. We're going to do it in 15 minutes.
Có cả những khóa học riêng về nhận dạng giọng nói. Tôi có một bài giảng một tiếng về chủ đề này. Ta sẽ làm trong 15 phút.
So I'm going to talk really fast, which would not be nice to the speech recognizer. So how does speech recognition work? And most of you raised your hands that you interact with speech recognizers.
Nên tôi sẽ nói rất nhanh, điều này sẽ không tốt cho bộ nhận dạng giọng nói. Vậy nhận dạng giọng nói hoạt động thế nào? Hầu hết các bạn đã giơ tay là có dùng bộ nhận dạng giọng nói.
How many people think speech recognition is pretty good, pretty useful? How many people think it's sort of terrible? How many people think it's somewhere in between? OK.
Bao nhiêu bạn thấy nhận dạng giọng nói khá tốt, khá hữu ích? Bao nhiêu bạn thấy nó khá tệ? Bao nhiêu bạn thấy nó ở mức giữa hai thái cực? Được rồi.
I would say that makes it a pretty successful technology. Why is speech recognition hard?
Tôi cho rằng vậy là một công nghệ khá thành công. Tại sao nhận dạng giọng nói khó?
We're going to talk a little bit about how speech recognition works, how it's formulated, and how it connects to the ideas, really, at the core that we've seen in this class.
Ta sẽ nói một chút về cách nhận dạng giọng nói hoạt động, được phát biểu ra sao, và nó liên hệ thế nào với những ý tưởng cốt lõi mà ta đã thấy trong môn này.
So I'm going to show you this clip. Many of you may have seen this clip before.
Tôi sẽ cho các bạn xem đoạn clip này. Nhiều bạn có thể đã xem clip này rồi.
This is a real-time speech recognition running on broadcast news, which is a very difficult audio source, partly because of background noise, partly because it's all sort of done in kind of low-quality mics and things like that, speaker independent.
Đây là nhận dạng giọng nói thời gian thực chạy trên bản tin phát sóng, một nguồn âm thanh rất khó, một phần do tiếng ồn nền, một phần do tất cả được thu bằng micro chất lượng thấp, và không phụ thuộc người nói.
So we're going to run it. This is a story. And I'll pause it in the middle of the transcript.
Ta sẽ chạy thử. Đây là một bản tin. Tôi sẽ tạm dừng ở giữa bản ghi.
[VIDEO PLAYBACK] - Friends, family, and classmates said their final goodbyes yesterday at her funeral in East Falls.
[PHÁT VIDEO] - Bạn bè, gia đình và bạn học đã nói lời tạm biệt cuối cùng hôm qua tại tang lễ của cô ở East Falls.
[END PLAYBACK] DAN KLEIN: OK, so friends, family, classmates said their final goodbyes yesterday at her funeral in East Falls. OK, pretty close, except for what? The "good buys," kind of like Best Buy, right?
[KẾT THÚC VIDEO] DAN KLEIN: Được rồi, bạn bè, gia đình, bạn học đã nói lời tạm biệt cuối cùng hôm qua tại tang lễ của cô ở East Falls. Khá gần đúng, trừ chỗ nào nhỉ? "Good buys", giống như Best Buy ấy, đúng không?
And what this shows is one of the reasons why speech recognition is hard, is because the sounds are challenging to process, but even once you figure out what those sounds are, there are multiple sequences of words that are compatible with those sounds.
Điều này cho thấy một lý do khiến nhận dạng giọng nói khó: âm thanh rất khó xử lý, và ngay cả khi đã xác định được các âm đó là gì, vẫn có nhiều chuỗi từ khớp với những âm đó.
And deciding between those options is not just a function of processing the sound.
Và việc chọn giữa các phương án đó không chỉ là xử lý âm thanh.
It's also a process of contextually deciding what language is most appropriate of the things that sound basically the same to the model. And in this case, the model didn't have a good enough context.
Nó còn là quá trình quyết định theo ngữ cảnh cách diễn đạt nào phù hợp nhất trong những thứ nghe gần như giống nhau với mô hình. Và trong trường hợp này, mô hình không có đủ ngữ cảnh tốt.
You say "goodbye," but you shop at "Best Buy," OK.
Bạn nói "goodbye", nhưng bạn mua sắm ở "Best Buy".
And so let's get a little bit into what is the system underneath it that's able to do this transcription largely accurately, but maybe with some gaps where the language model isn't that strong and why that might be the case.
Giờ ta hãy tìm hiểu một chút hệ thống bên dưới là gì mà có thể chép lời phần lớn chính xác, nhưng có thể còn những lỗ hổng ở chỗ mô hình ngôn ngữ không đủ mạnh, và vì sao lại như vậy.
OK, so I'm going to take you on a quick journey about how speech works. And that's going to tell us basically how to model it using techniques we've seen in this course.
Được rồi, tôi sẽ đưa các bạn đi nhanh qua cách giọng nói hoạt động. Và điều đó về cơ bản sẽ cho ta biết cách mô hình hóa nó bằng các kỹ thuật đã học trong môn này.
How does speech work? Speech begins from the standpoint of somebody understanding speech. There's this whole other conversation of how you would generate it. That's speech synthesis.
Giọng nói hoạt động thế nào? Ta bắt đầu từ góc nhìn của người đang nghe hiểu giọng nói. Còn một chủ đề hoàn toàn khác là cách tạo ra giọng nói. Đó là tổng hợp giọng nói.
That's fascinating. It's a whole other topic. How do you understand speech? Well, the speech is in the air, right.
Rất thú vị. Nhưng đó là một chủ đề khác. Vậy làm sao để hiểu giọng nói? Giọng nói tồn tại trong không khí, đúng không?
Speech is in pressure waves in the air. And so those pressure waves need to be put into a form that a computer can handle. That's done through a microphone.
Giọng nói là các sóng áp suất trong không khí. Những sóng áp suất đó cần được chuyển sang dạng mà máy tính xử lý được. Việc đó được thực hiện nhờ micro.
So the pressure in the air moves the pressure on the microphone, which causes a transduction. And you get this electrical signal that zigs up and down. And that's the raw input.
Áp suất không khí tác động lên áp suất ở micro, và gây ra sự chuyển đổi năng lượng. Ta nhận được tín hiệu điện lên xuống ngoằn ngoèo. Đó chính là đầu vào thô.
So does that look like? Speech input — how many people have seen a WAV file that looks something like this? It zigzags up and down, looks a little bit like an EKG.
Vậy nó trông như thế nào? Đầu vào giọng nói: bao nhiêu bạn đã thấy một tệp WAV trông như thế này? Nó ngoằn ngoèo lên xuống, hơi giống điện tâm đồ.
OK, looking at this WAV file, it is nearly impossible to tell anything about what's going on. It is very hard to understand speech in the time domain. So here is the word "speech lab."
Nhìn tệp WAV này, gần như không thể biết được chuyện gì đang diễn ra. Rất khó hiểu giọng nói trong miền thời gian. Đây là cụm từ "speech lab".
There is the WAV file. And what's interesting is, what does an S look like? It looks like a bunch of zigs and zags.
Đây là tệp WAV của nó. Điều thú vị là âm S trông như thế nào? Nó trông như một đống đường ngoằn ngoèo.
Interestingly, E looks like a bunch of zigs and zags, as does every other sound. You can tell visually there's some qualitative changes in there. One of the most interesting things is right here.
Âm E cũng trông như một đống đường ngoằn ngoèo, mọi âm khác cũng vậy. Nhìn bằng mắt, ta thấy có những thay đổi về chất trong đó. Một điều thú vị nhất là ngay chỗ này.
What does a P look like when you say "speech lab." It looks like silence. There is no energy at all at that point because your mouth is closed because you've put your lips together.
Âm P trông như thế nào khi bạn nói "speech lab"? Nó trông như sự im lặng. Tại điểm đó hoàn toàn không có năng lượng vì miệng bạn đang đóng, hai môi khép lại.
So interestingly, in continuous speech, the gaps aren't actually between words. They're just sounds that sound very real. It sounds very P-like to you, but in fact it's silence.
Thú vị là trong lời nói liên tục, các khoảng lặng không thực sự nằm giữa các từ. Chúng chỉ là những âm nghe rất thật. Bạn nghe như có âm P, nhưng thực ra là im lặng.
And so this is a hard domain to do modeling in. Because if look, if you zoom in, all you really see is stuff is going up and down rapidly.
Vì vậy đây là miền khó để mô hình hóa. Vì nếu phóng to lên, bạn chỉ thấy mọi thứ dao động lên xuống rất nhanh.
OK. So people don't do speech recognition in the time domain. You don't take that sort of amplitude as your observation.
OK. Nên người ta không nhận dạng giọng nói trong miền thời gian. Ta không lấy biên độ làm quan sát.
Instead, what we do, is we look at it really closely, and we realize that all the interesting action is happening in the frequency domain.
Thay vào đó, ta quan sát thật kỹ, và nhận ra mọi điều thú vị đều diễn ra trong miền tần số.
So if I zoom in on that "ae" from "lab," what I can see is a bunch of zigs and zags, but they happen in a certain sort of almost periodic way.
Nếu phóng to âm "ae" trong "lab", ta thấy một loạt đường ngoằn ngoèo, nhưng chúng lặp lại gần như tuần hoàn.
So there's this complex wave here that repeats nine times and a smaller wave on top of the bit that repeats about four times as fast. And that gives a certain frequencies that are present.
Có một sóng phức tạp ở đây lặp lại chín lần, và một sóng nhỏ hơn chồng lên, lặp nhanh gấp khoảng bốn lần. Điều đó cho ta biết những tần số có mặt.
Now, those frequencies are characteristics of the sounds that are being produced. And so the frequency domain is much, much more interesting.
Những tần số này là đặc trưng của các âm đang được phát ra. Vì vậy miền tần số thú vị hơn nhiều.
So what people do, if you want to recognize speech, is you don't operate on the WAV form, where amplitude would just give you sort of an instantaneous pressure reading.
Nên nếu muốn nhận dạng giọng nói, ta không làm việc trên dạng sóng WAV, nơi biên độ chỉ cho ta số đo áp suất tức thời.
Instead, you transform this frequency. You take a Fourier transform. You take little windows. And in each small window, you do a Fourier transform to a first approximation and detect what frequencies are present.
Thay vào đó, ta biến đổi sang tần số. Ta dùng biến đổi Fourier. Ta lấy các cửa sổ nhỏ. Trong mỗi cửa sổ nhỏ, ta thực hiện biến đổi Fourier ở mức xấp xỉ bậc nhất và phát hiện những tần số nào có mặt.
Now, in the frequency domain, things look pretty different. So this "ss" from the speech, from S, is high-energy frication. It's turbulence that's in high frequency. But "ch" from "speech lab," that's also frication.
Trong miền tần số, mọi thứ trông khác hẳn. Âm "ss" trong speech, từ chữ S, là ma sát có năng lượng cao. Đó là nhiễu loạn ở tần số cao. Còn âm "ch" trong "speech lab" cũng là ma sát.
That's turbulence. But it's a lower energy. And when you get vowels like E, they have these characteristic frequencies that tell you what you're hearing.
Cũng là nhiễu loạn. Nhưng năng lượng thấp hơn. Còn các nguyên âm như E thì có những tần số đặc trưng cho ta biết bạn đang nghe âm gì.
And so what we're going to do, is we're going to operate on a representation much like this, where we'll be able to map from the frequencies present at each time slice to the underlying, unknown words which are being spoken.
Và những gì ta sẽ làm là xử lý trên một biểu diễn giống như thế này, để ánh xạ từ các tần số có mặt ở mỗi lát thời gian sang các từ ẩn chưa biết đang được nói.
That's the job of the speech recognizer. So a couple of things to talk about, about what's going on here in the signal.
Đó là nhiệm vụ của bộ nhận dạng giọng nói. Vậy có vài điều cần nói về những gì đang diễn ra trong tín hiệu này.
And then we'll talk about how this is modeled using CS 188 techniques at the core.
Rồi ta sẽ nói cách mô hình hóa nó với các kỹ thuật cốt lõi của CS 188. trong CS 188.
So why do you get these shapes where, for example, in this time slice, there are certain frequencies that are present, certain frequencies that are absent? And why are those characteristic of what you're saying?
Vì sao ta thấy những hình dạng này, ví dụ ở lát thời gian này, có những tần số xuất hiện, và có những tần số vắng mặt? Và vì sao chúng đặc trưng cho điều bạn nói?
Well, what you're saying, the sounds you're making really have to do with the position of your articulators, which is basically, where is your mouth? How open is it?
Những âm bạn phát ra thực sự liên quan đến vị trí của các cơ quan cấu âm, tức là miệng bạn đang ở đâu? Miệng mở rộng đến mức nào?
Where is your tongue? Where is that in your mouth? And kind of position of lips and things like that. And here's basically the process of how speech came into being.
Lưỡi ở đâu? Nó nằm ở chỗ nào trong miệng? Và cả vị trí của môi và những thứ tương tự. Và đây là quá trình tạo ra giọng nói.
You have lungs. They're really there for breathing. But they also push air out past your vocal folds. And when that happens, it's a little bit like blowing on a kazoo.
Bạn có phổi. Chúng thực sự dùng để thở. Nhưng chúng cũng đẩy không khí qua dây thanh. Khi đó, nó hơi giống việc thổi vào kèn kazoo.
The vocal folds, which are muscles in your neck, shut, and then they're forced open, and they shut, and they're forced to open. And that creates basically a resonance.
Dây thanh, là các cơ ở cổ, khép lại, rồi bị đẩy mở ra, rồi lại khép, lại bị đẩy mở. Điều đó tạo ra một cộng hưởng.
A hammer lands every time. And that hammer is the fundamental frequency. Think about it. It sounds a lot like a kazoo vibrating.
Mỗi lần như có một cú búa giáng xuống. Và cú búa đó chính là tần số cơ bản. Hãy nghĩ thử xem. Nghe rất giống tiếng kèn kazoo rung.
That creates not only that frequency, but also all of its harmonics. So here's frequency here. Here's amplitude. And then these are all the harmonics.
Nó tạo ra không chỉ tần số đó, mà cả tất cả các họa âm của nó. Đây là tần số. Đây là biên độ. Và đây là tất cả các họa âm.
And there's lower energy as you go to higher harmonics, right. The fundamental frequency of the vibration of the vocal folds is right there. So that's what happens.
Càng lên họa âm cao thì năng lượng càng thấp, đúng không. Tần số cơ bản của sự rung của dây thanh nằm ngay chỗ này. Đó là những gì xảy ra.
And if somebody kind of like, split you in two at the head and you tried to talk, it would just be buzzing at the fundamental frequency.
Và nếu ai đó chẻ đôi đầu bạn ra rồi bạn thử nói, thì bạn chỉ phát ra tiếng vo vo ở tần số cơ bản.
But luckily, you've got your whole head there to shape those frequencies into a filter function here, which lets some frequencies through and some frequencies die.
Nhưng may là bạn có cả cái đầu ở đó để định hình các tần số thành một hàm lọc như ở đây, cho một số tần số đi qua còn một số tần số thì tắt đi.
The frequencies that come through are received, and the frequencies that are attenuated are gone. And you get an output spectrum that looks like this. It has a shape.
Những tần số đi qua thì được tiếp nhận, còn những tần số bị suy giảm thì mất đi. Và bạn có phổ đầu ra trông như thế này. Nó có một hình dạng.
And then it's got these striations, which have to do with the fundamental frequency. What's important here is the shape.
Và có những vạch sọc này, liên quan đến tần số cơ bản. Điều quan trọng ở đây là hình dạng.
So speech recognizers concentrate on this outline, this envelope, rather than the actual striation here, which is just a predictable pattern coming from the pitch.
Vì vậy các bộ nhận dạng giọng nói tập trung vào đường viền này, đường bao này, thay vì các vạch sọc kia, vốn chỉ là một mẫu dự đoán được đến từ cao độ.
That would be important for things like prosody, but not for what words you're saying. Why does it look like this?
Nó sẽ quan trọng với những thứ như ngữ điệu, nhưng không quan trọng với việc bạn nói từ gì. Tại sao nó trông như thế này?
If you take a big step back, the human body is a very complicated thing. But fundamentally, your vocal apparatus is an accordion attached to a tube.
Nếu lùi lại nhìn tổng thể, cơ thể người là một thứ rất phức tạp. Nhưng về cơ bản, bộ máy phát âm của bạn là một chiếc accordion gắn với một cái ống.
And that tube is up — this is your throat — and to your mouth, is basically a tube. It's about 17 centimeters long.
Và cái ống đó đi lên — đây là cổ họng — rồi tới miệng, về cơ bản là một cái ống. Nó dài khoảng 17 centimet.
And from that, you can do some physics and compute what frequencies should resonate in an open tube.
Từ đó, bạn có thể dùng vật lý để tính các tần số sẽ cộng hưởng trong một ống hở.
And if you did that, you would get very close to the frequencies, which when produced sound like "uh," which is basically what language sounds like, right? "Uh?" Yeah.
Và nếu làm vậy, bạn sẽ ra rất gần các tần số mà khi phát ra nghe như "ơ", về cơ bản là âm thanh của ngôn ngữ, đúng không? "Ơ?" Vâng.
OK. So now of course, we don't walk around just going, "uh," and that's because we can shape that tube. So we can close it off with our tongue.
OK. Dĩ nhiên, ta không đi loanh quanh chỉ nói "ơ", vì ta có thể định hình cái ống đó. Ta có thể chặn nó lại bằng lưỡi.
And then you have a tube and then a little narrow constriction and then a tube in front of a different size and shape. And that causes this to reshape.
Khi đó có một cái ống, rồi một chỗ thắt hẹp, rồi một chỗ thắt hẹp nhỏ và một cái ống phía trước có kích thước và hình dạng khác. Và điều đó làm nó thay đổi hình dạng.
So let me show you how that all works. And then we'll see what the implications of that are for speech recognition. So what are we going to look at right now?
Để tôi cho các bạn xem nó hoạt động ra sao. Rồi ta sẽ xem hệ quả của điều đó đối với nhận dạng giọng nói. Vậy bây giờ ta sẽ xem gì?
What I'm going to show you now, this is a simpler story. This only holds for vowels. Consonants work in a different way.
Điều tôi sắp cho xem là một bức tranh đơn giản hơn. Nó chỉ đúng với nguyên âm. Phụ âm hoạt động theo cách khác.
If you're interested, take a phonetics course or a natural language processing course. This is the space of vowels.
Nếu quan tâm, hãy học môn ngữ âm học hoặc môn xử lý ngôn ngữ tự nhiên. Đây là không gian của các nguyên âm.
Vowels to a first approximation can be characterized by two frequencies called formants, which are sort of the peaks in the envelope of the frequencies that are allowed through.
Xấp xỉ bậc nhất, nguyên âm có thể được đặc trưng bởi hai tần số gọi là formant, tức là các đỉnh trong đường bao của các tần số được cho đi qua.
And by default, the middle is "uh." [TONE PLAYS] [TONE PLAYS] "Uh." Yeah, "uh." OK, so how do you get the other vowels?
Và mặc định, ở giữa là "ơ". [PHÁT ÂM THANH] [PHÁT ÂM THANH] "Ơ". Vâng, "ơ". Vậy làm sao có các nguyên âm khác?
Well, you basically move those frequencies around. So just by building signals, which are sort of dominated by these two frequencies and putting them through an activation, I can make a lot of sounds.
Đơn giản là bạn dịch chuyển các tần số đó. Chỉ bằng cách tạo các tín hiệu bị chi phối bởi hai tần số này và cho qua một bộ kích hoạt, tôi có thể tạo ra nhiều âm.
Now, they're not going to sound super human-like, and I can't make every sound with such a simple description. But you can start to see how this captures language.
Chúng sẽ không nghe giống người lắm, và tôi không thể tạo mọi âm với mô tả đơn giản vậy. Nhưng bạn bắt đầu thấy cách nó nắm bắt ngôn ngữ.
So here are some vowels, like "ee." [TONE PLAYS] "Ah." [TONE PLAYS] "Ooh." [TONE PLAYS] Now, if you only have "ee," "ah," and "ooh," you can't really say much, right?
Đây là vài nguyên âm, như "i". [PHÁT ÂM THANH] "A". [PHÁT ÂM THANH] "U". [PHÁT ÂM THANH] Nếu chỉ có "i", "a" và "u" thì bạn không nói được nhiều, đúng không?
I guess you can say I — [TONE PLAYS] — owe — [TONE PLAYS] — you — [TONE PLAYS] — a — [TONE PLAYS] --yo-yo.
Tôi đoán bạn có thể nói: I — [PHÁT ÂM THANH] — owe — [PHÁT ÂM THANH] — you — [PHÁT ÂM THANH] — a — [PHÁT ÂM THANH] --yo-yo.
[TONE PLAYS] [LAUGHTER] You can't say a lot other than "I owe you a yo-yo," but you can see this is basically what's going on in the speech signal.
[PHÁT ÂM THANH] [CƯỜI] Bạn không nói được gì nhiều ngoài "I owe you a yo-yo" (tôi nợ bạn một cái yo-yo), nhưng bạn thấy đây về cơ bản là những gì đang diễn ra trong tín hiệu giọng nói.
And it really is the envelope that's important. This is somebody singing the vowel E at lots of different pitches, from here where there's a low frequency. And those multiples are very closely packed.
Và thực sự đường bao mới là cái quan trọng. Đây là một người hát nguyên âm E ở rất nhiều cao độ khác nhau, từ đây nơi có tần số thấp. Và các bội số đó nằm rất sát nhau.
You can see as the frequencies go up, the shape of the envelope sort of stays about the same. But the actual, specific frequencies that are present change.
Bạn thấy khi tần số tăng lên, hình dạng đường bao vẫn gần như giữ nguyên. Nhưng các tần số cụ thể thực sự có mặt thì thay đổi.
So you can't just look at what frequencies are present. You've got a sort of extract the shape of the envelope of the frequencies.
Nên bạn không thể chỉ nhìn xem tần số nào có mặt. Bạn phải trích xuất hình dạng đường bao của các tần số.
Now it's what's getting interesting over here, because it starts to get hard to see that shape, right. This is pretty high frequencies. For example, you might encounter these frequencies at the opera.
Giờ chỗ này bắt đầu thú vị, vì bắt đầu khó thấy hình dạng đó, đúng không. Đây là các tần số khá cao. Ví dụ, bạn có thể gặp những tần số này ở nhà hát opera.
How many of you go to the opera? OK. How many of you understand what they say at the opera? All right.
Có bao nhiêu bạn hay đi xem opera? Được rồi. Có bao nhiêu bạn hiểu họ hát gì ở nhà hát opera? Được rồi.
So why is the opera hard to understand? OK, it's in Italian. Good point.
Vậy tại sao opera khó hiểu? À, vì nó bằng tiếng Ý. Ý hay đấy.
[LAUGHTER] But setting that aside, once you get to high enough frequencies, these points of energy are so spread out that you can't tell what the heck the envelope is.
[CƯỜI] Nhưng bỏ chuyện đó qua một bên, khi tần số đủ cao, các điểm năng lượng này trải ra quá thưa đến mức bạn không thể biết đường bao là gì.
And in fact, people singing at those frequencies will, consciously or not, shape the envelope to enhance the frequencies they're actually trying to sing at power. So things get hard to understand there.
Và thực tế, những người hát ở các tần số đó dù có ý thức hay không, sẽ tạo hình đường bao để làm nổi bật các tần số mà họ thực sự đang cố hát với công suất lớn. Nên ở đó rất khó hiểu.
But the point is, it is the envelope you care about. So what are we going to have in a speech recognizer?
Nhưng điều quan trọng là đường bao mới là thứ bạn quan tâm. Vậy bộ nhận dạng giọng nói sẽ có gì?
Every time slice, say every 15 milliseconds or so, we're going to have a signature of that envelope. Over time, it's varied what that means.
Mỗi lát thời gian, chẳng hạn khoảng 15 mili giây một lần, ta sẽ có một dấu hiệu đặc trưng của đường bao đó. Qua thời gian, cách làm này đã thay đổi.
But think of it like something having to do with a Fourier transform. So you're going to vector at each time slice — every 20 milliseconds, something like that.
Nhưng hãy hình dung nó có liên quan đến biến đổi Fourier. Vậy bạn có một vectơ ở mỗi lát thời gian, khoảng mỗi 20 mili giây.
And that's your evidence. So this is going to be a big HMM. And what's the hidden state going to be? The hidden state has to be something like which words were spoken.
Và đó là bằng chứng của bạn. Đây sẽ là một HMM lớn. Vậy trạng thái ẩn sẽ là gì? Trạng thái ẩn phải là những từ nào đã được nói.
But that's not really going to work, because the evidence changes every 15 milliseconds. But words last for a lot longer than 15 milliseconds. We're going to go last over 100 milliseconds.
Nhưng cách đó thực ra không ổn, vì bằng chứng thay đổi mỗi 15 mili giây. Còn một từ kéo dài lâu hơn 15 mili giây nhiều. Nó kéo dài hơn 100 mili giây.
So these are going to last for a while. So we need to figure out what the state space is. But once we do that, we'll have a hidden Markov model.
Nên chúng kéo dài khá lâu. Vậy ta cần xác định không gian trạng thái là gì. Nhưng khi làm xong, ta sẽ có một mô hình Markov ẩn.
And therefore, we can build a speech recognizer. All right. So let's talk about what the HMM for speech might look like. Well, what do we need for HMMs?
Và nhờ đó ta có thể xây dựng bộ nhận dạng giọng nói. Được rồi. Hãy xem HMM cho giọng nói trông như thế nào. Ta cần gì cho HMM?
We know that from this class. You need a transition model. And you need an emission model. What's the emission model going to be?
Các bạn biết từ lớp này rồi. Cần một mô hình chuyển. Và một mô hình phát xạ. Mô hình phát xạ sẽ là gì?
It's going to be some probability distribution which says, given the underlying state — like, I'm saying this — what sounds are more or less typical?
Đó là một phân phối xác suất cho biết, với trạng thái bên dưới, ví dụ tôi đang nói thế này, âm thanh nào là điển hình hơn hay kém hơn?
So what spectral envelopes are appropriate or anomalous for that sound? You could train that from data. Then there's the transition functions. When I'm in the middle of this word, what comes next?
Tức là đường bao phổ nào phù hợp hay bất thường với âm đó? Bạn có thể huấn luyện nó từ dữ liệu. Rồi đến các hàm chuyển. Khi tôi đang ở giữa từ này, tiếp theo là gì?
So we've got to figure that out. So what's the state space? This is the tricky part. The states aren't actually words, because the words only change very infrequently at this resolution.
Ta phải xác định điều đó. Vậy không gian trạng thái là gì? Đây là phần khó. Các trạng thái thực ra không phải là từ, vì ở độ phân giải này, từ chỉ thay đổi rất hiếm.
What you have instead is you have a state not for each word, but more like each sound in a word.
Thay vào đó, bạn có trạng thái không phải cho mỗi từ, mà đúng hơn là cho mỗi âm trong một từ.
So imagine the state is like, you have a dictionary and you're pointing to this word and you have a cursor into it that says, I'm in the middle of saying artificial in — --telligence.
Hãy hình dung trạng thái như thế này: bạn có một từ điển và bạn trỏ vào một từ, và bạn có một con trỏ trong đó cho biết, tôi đang nói giữa chừng từ artificial in — --telligence.
And I'm right on that T right there. What's typical in the acoustics? What does a T sound like? I'll make one.
Và tôi đang ngay chữ T đó. Âm học điển hình ở đây là gì? Âm T nghe như thế nào? Tôi sẽ phát âm thử.
It sounds like silence. So there'll be a density there. You say, but T doesn't sound like silence to me.
Nó nghe như sự im lặng. Nên sẽ có một mật độ ở đó. Bạn nói, nhưng T đâu nghe như im lặng.
All that stuff that sounds like "tuh" is either going into the T or coming out of the T. The T itself sounds like silence. OK.
Tất cả phần nghe như "tờ" là phần đi vào T hoặc đi ra khỏi T. Bản thân T nghe như im lặng. Được rồi.
So we have a state, which are basically pronunciation cursors. What do the states do? Most of the time, you advance through the word doing the next sound you're supposed to do.
Vậy ta có các trạng thái, về cơ bản là các con trỏ phát âm. Các trạng thái làm gì? Phần lớn thời gian, bạn tiến dần qua từ bằng cách phát âm tiếp theo mà bạn phải phát.
And if the acoustics don't match the next sound, it's probably not the right word. And the probability mass and the posterior will shift somewhere else. So we're going to build a little state graph.
Và nếu âm học không khớp với âm tiếp theo, thì có lẽ đó không phải từ đúng. Và khối xác suất cùng xác suất hậu nghiệm sẽ dịch chuyển sang chỗ khác. Vậy ta sẽ xây một đồ thị trạng thái nhỏ.
Remember, we talked about there was the Bayes net, where the circles were random variables.
Nhớ rằng ta đã nói về mạng Bayes, nơi các hình tròn là biến ngẫu nhiên.
But there are also finite automata that we drew that represented each state pointing to the states where it had legal transitions with weights that indicated the probabilities.
Nhưng ta cũng đã vẽ các automat hữu hạn biểu diễn mỗi trạng thái trỏ tới các trạng thái có chuyển hợp lệ, với trọng số cho biết xác suất.
We're going to have to build one of those. So in our Pac-Man tracking, we might have had a state space the size of the board.
Ta sẽ phải xây một cái như vậy. Trong bài theo dõi Pac-Man, ta có thể có không gian trạng thái cỡ bằng bàn chơi.
It's much bigger for speech recognition because you have one state at least for every position and every word in your vocabulary.
Với nhận dạng giọng nói thì lớn hơn nhiều vì bạn có ít nhất một trạng thái cho mỗi vị trí và mỗi từ trong từ vựng.
So inside a word — this is the word "need" — you sort of walk through the word from left to right. And maybe you can skip over some sounds.
Vậy bên trong một từ, ví dụ từ "need", bạn đi qua từ đó từ trái sang phải. Có thể bạn bỏ qua vài âm.
And maybe you can linger on a sound for a while. And then you get to the end of the word.
Và có thể bạn kéo dài một âm một lúc. Rồi bạn đến cuối từ.
So you have a big part of the HMM's hidden state is the structure of all the words and the sound sequences that correspond to them.
Vậy một phần lớn trạng thái ẩn của HMM là cấu trúc của tất cả các từ và các chuỗi âm tương ứng với chúng.
But what happens when you get to the end of the word "need"? Well, what do you need? Whatever you need, you're going to say next.
Nhưng chuyện gì xảy ra khi đến cuối từ "need"? Bạn cần gì? Bạn cần gì thì sẽ nói cái đó tiếp theo.
And you're going to move in from the end of the word "need" to the beginning of the next word.
Và bạn chuyển từ cuối từ "need" sang đầu từ kế tiếp.
So you can imagine this giant automata where you walk through the word, more or less from left to right. And then at the end, you have this big choice point.
Vậy bạn có thể hình dung một automat khổng lồ nơi bạn đi qua từ, đại khái từ trái sang phải. Rồi ở cuối, bạn có một điểm lựa chọn lớn.
What word comes next? And that probability of word given various next words is where most of the action is. That's the language model.
Từ nào sẽ đến tiếp theo? Và xác suất của từ cho trước các từ kế tiếp khác nhau là nơi diễn ra phần lớn vấn đề. Đó chính là mô hình ngôn ngữ.
And that's the part that determines not what words sound like, but what sequences of words — "goodbyes" versus "Best Buys" — make sense. Where do these come from?
Và đây là phần quyết định không phải các từ nghe như thế nào, mà là chuỗi từ nào — "goodbyes" hay "Best Buys" — mới có nghĩa. Những thứ này đến từ đâu?
This doesn't come from acoustic data. This comes from data. For example, I can go to the web. And I can say what follows the word "the"?
Nó không đến từ dữ liệu âm thanh. Nó đến từ dữ liệu. Ví dụ, tôi có thể lên web. Và hỏi từ nào đứng sau từ "the"?
Well, I look it up. Apparently, the most common thing is "the first," but also "the same," "the following," "the world," blah, blah, blah, blah. There's some probability that I will say "the door."
Thì tôi tra thử. Rõ ràng, phổ biến nhất là "the first", nhưng cũng có "the same", "the following", "the world", v.v. và v.v. Có một xác suất nào đó là tôi sẽ nói "the door".
One way I can get this language model, is I can add up all of those numbers, compute the score, and I could say 0.06% of the time, the word "the" is followed by the word "door."
Một cách để có mô hình ngôn ngữ này là cộng hết các con số đó lại, tính điểm, rồi nói rằng 0,06% số lần, từ "the" được theo sau bởi từ "door".
There is my weights in my automaton. There are other ways to build these models. But that would be the easiest. Now, this is actually really important.
Đó là trọng số trong automaton của tôi. Còn có những cách khác để xây dựng các mô hình này. Nhưng đây là cách dễ nhất. Điều này thực sự rất quan trọng.
Because that mistake we saw had to do with a language model that didn't have enough context. Because the word "buy" — B-U-Y — might well be more common than the word B-Y-E.
Vì lỗi mà ta thấy lúc nãy là do mô hình ngôn ngữ không đủ ngữ cảnh. Vì từ "buy" — B-U-Y — có thể phổ biến hơn từ B-Y-E.
So for example, when I say "the" and I say, what follows "the"? You probably wouldn't be like, oh, I know — "the door." Who knows what you would come up with?
Ví dụ, khi tôi nói "the" và hỏi từ nào theo sau "the"? Có lẽ bạn sẽ không nghĩ ngay: à, tôi biết — "the door". Ai biết bạn sẽ nghĩ ra gì?
There's all kinds of things that can follow "the." But when I say what follows "close the," suddenly "door" is seeming like a pretty good choice. And you can see that in the data.
Có đủ thứ có thể theo sau "the". Nhưng khi tôi hỏi từ nào theo sau "close the", đột nhiên "door" có vẻ là một lựa chọn khá tốt. Và bạn thấy điều đó trong dữ liệu.
So "door" only follows "the" 0.06% of the time. But after "close the," 1 in 20 times, it is a door that you're closing.
"door" chỉ theo sau "the" 0,06% số lần. Nhưng sau "close the", cứ 20 lần thì có 1 lần thứ bạn đóng là một cái cửa.
And so the more context you have, the more history, the more correlations you capture, and the better your language model can be.
Vì vậy ngữ cảnh càng nhiều, lịch sử càng dài, bạn nắm được càng nhiều tương quan, và mô hình ngôn ngữ càng tốt.
But of course, you can see these counts are getting smaller and smaller, and this drops exponentially.
Nhưng tất nhiên, bạn thấy các số đếm này ngày càng nhỏ đi, và giảm theo hàm mũ.
And so one of the challenges in language modeling has been in dealing with having more context — more distant context, but still being able to make good predictions.
Vì vậy một trong những thách thức của mô hình hóa ngôn ngữ là xử lý việc có nhiều ngữ cảnh hơn — ngữ cảnh xa hơn, nhưng vẫn đưa ra được dự đoán tốt.
Let's say you build all of that. Let's say you build the HMM and there's this big state space that has to do with how words in the dictionary are connected.
Giả sử bạn xây dựng tất cả những thứ đó. Giả sử bạn xây dựng HMM với không gian trạng thái lớn liên quan đến cách các từ trong từ điển được kết nối.
And there's acoustic models that tell you which frequencies are appropriate for different sounds in the language. Then, in comes the input. And you do the processing. And you run posterior inference.
Và có các mô hình âm thanh cho biết tần số nào phù hợp với các âm khác nhau trong ngôn ngữ. Rồi đầu vào đến. Bạn xử lý nó. Và chạy suy luận hậu nghiệm.
What do you do? You basically run the forward algorithm. It's sort of a beam search, which looks a little more like particle filtering. The difference is, you're not trying to track it.
Bạn làm gì? Về cơ bản bạn chạy thuật toán forward. Nó giống một kiểu beam search, trông giống lọc hạt hơn một chút. Khác biệt là bạn không cố theo dõi.
You're not trying to be like, hey, everyone, we're in the middle of an "oh" right now. That's not interesting. You want to know the whole trajectory.
Bạn không cố nói kiểu: này, mọi người, ta đang ở giữa âm "oh" đấy. Điều đó không thú vị. Bạn muốn biết toàn bộ quỹ đạo.
You want to know what sequence of words did I go through?
Bạn muốn biết tôi đã đi qua chuỗi từ nào?
And so you're not looking for tracking, which is what we did mostly in this course, where you're looking for the kind of marginal distribution over a variable given preceding evidence.
Vì vậy bạn không tìm kiếm việc theo dõi, điều mà phần lớn ta đã làm trong khóa này, khi bạn tìm phân phối biên của một biến dựa trên bằng chứng trước đó.
Instead, you're looking for the most likely single trajectory or kind of sum of trajectories through words. And that's an arg max problem now.
Thay vào đó, bạn tìm quỹ đạo đơn có khả năng nhất hoặc tổng các quỹ đạo qua các từ. Và giờ đó là bài toán arg max.
You want to find the best path, given your evidence, that's a very similar algorithm, but with maxes instead of sums.
Bạn muốn tìm đường đi tốt nhất, dựa trên bằng chứng, là một thuật toán rất giống, nhưng dùng max thay vì tổng.
Once you get that sequence, you say, oh, I was saying "artificial" for a while, and then I was saying "intelligence," and then I was saying "is," and then I was saying "fun."
Khi có chuỗi đó, bạn nói, à, một lúc tôi nói "artificial", rồi tôi nói "intelligence", rồi tôi nói "is", rồi tôi nói "fun".
I must have said, "artificial intelligence is fun." And that's how you do the decoding. So that's it. You're all set to build speech recognizers.
Chắc tôi đã nói "artificial intelligence is fun". Và đó là cách bạn giải mã. Vậy là xong. Bạn đã sẵn sàng xây dựng bộ nhận dạng giọng nói.
Except maybe you might remember — how many of you remember, maybe like 8 to 10 years ago, speech recognition was [INAUDIBLE]?? How many do you remember 8 to 10 years ago at all?
Trừ việc có thể bạn còn nhớ — có bao nhiêu bạn nhớ, khoảng 8 đến 10 năm trước, nhận dạng giọng nói thì [KHÔNG NGHE RÕ]? Có bao nhiêu bạn nhớ 8 đến 10 năm trước không?
That's a long time. All right, but speech recognizers were not great 8 to 10 years ago. And they got a lot better.
Lâu rồi nhỉ. Được rồi, bộ nhận dạng giọng nói không tốt lắm cách đây 8 đến 10 năm. Và chúng đã tốt hơn nhiều.
Part of what made them get a lot better was a ton of data. We got a lot more data. Data is a big part of it.
Một phần nhờ rất nhiều dữ liệu. Ta có nhiều dữ liệu hơn hẳn. Dữ liệu là một phần lớn.
A lot of what made them get a lot better was actually a ton of compute. We have a lot more compute.
Một phần lớn khiến chúng tốt hơn nhiều thực ra là sức tính toán khổng lồ. Ta có nhiều sức tính toán hơn hẳn.
And a big part of what made them get better it was neural methods. So where are those neural methods? And what does that to do with HMMs, right?
Và một phần lớn khiến chúng tốt hơn là các phương pháp nơ-ron. Vậy các phương pháp nơ-ron nằm ở đâu? Và nó liên quan gì đến HMM, đúng không?
Well, we talked about neural nets as well in this course. Major advances in ASR, automatic speech recognition, especially in the last five years have been partly due to neural nets.
Ta cũng đã nói về mạng nơ-ron trong khóa này. Những tiến bộ lớn trong ASR, nhận dạng giọng nói tự động, đặc biệt trong năm năm qua, một phần là nhờ mạng nơ-ron.
How does that interact with the HMM? They were separate topics for us.
Nó tương tác với HMM như thế nào? Với ta chúng là các chủ đề riêng.
Well, remember, one part of the HMM is an emission model, where we say, given some phone that is this sound in this context, here are the frequencies which are appropriate.
Hãy nhớ, một phần của HMM là mô hình phát xạ, trong đó, với một âm vị nào đó là âm này trong ngữ cảnh này, đây là các tần số phù hợp.
Well, that's a big distribution over kind of high-dimensional, real, valued things. This is estimated now using neural nets. So these density functions are estimated using neural nets.
Đó là một phân phối lớn trên các đại lượng số thực nhiều chiều. Giờ nó được ước lượng bằng mạng nơ-ron. Tức là các hàm mật độ này được ước lượng bằng mạng nơ-ron.
And the other thing that's done using neural nets is that, given a word history, we predict the next word, not by just taking the longest history that we've seen often enough to collect word counts, but rather we take the words, we project them into some continuous space.
Và việc khác được làm bằng mạng nơ-ron là, với lịch sử từ, ta dự đoán từ tiếp theo, không bằng cách lấy lịch sử dài nhất mà ta thấy đủ thường để thu thập số đếm từ, mà là ta lấy các từ, chiếu chúng vào một không gian liên tục.
And then we have a neural net that, on the basis of a long history, makes a generalized prediction of what comes next.
Và rồi ta có một mạng nơ-ron mà, dựa trên một lịch sử dài, và đưa ra dự đoán tổng quát hóa về những gì sẽ đến tiếp theo.
So these two things have kept the structure of the HMM, what are called hybrid systems. They're still HMMs, but a lot of the big, heavy lifting pieces in between are neural nets.
Vậy hai thứ này vẫn giữ cấu trúc của HMM, cái mà người ta gọi là hệ thống lai (hybrid). Chúng vẫn là HMM, nhưng nhiều phần nặng nhọc, quan trọng ở giữa là mạng nơ-ron.
That's it. That's it for speech. Go build your speech recognizers. And we're going to switch topics here and talk a little bit more about Pac-Man.
Vậy thôi. Phần nhận dạng giọng nói đến đây là hết. Hãy đi xây bộ nhận dạng giọng nói của các bạn đi. Giờ ta sẽ chuyển chủ đề và nói thêm một chút về Pac-Man.
If you're excited about learning these kinds of things, we'll talk a little bit more at the end about what you can do next in terms of follow-on courses.
Nếu các bạn hứng thú với những thứ này, cuối buổi ta sẽ nói thêm một chút về những môn học tiếp theo bạn có thể học.
But for now, I'm going to give it back to Pieter.
Còn bây giờ, tôi xin trả lại micro cho Pieter.
PIETER ABBEEL
So we've seen a lot of Pac-Man in this course. It's mostly been living in a game. It's been living in a cookie also, today.
Chúng ta đã thấy rất nhiều Pac-Man trong môn này. Hầu như nó chỉ sống trong trò chơi. Hôm nay nó còn sống trong một chiếc bánh quy nữa.
But have you ever thought about where Pac-Man might be in your actual lives? Well, if you look carefully around yourself, there are some Pac-Men around you.
Nhưng các bạn đã bao giờ nghĩ Pac-Man có thể ở đâu trong đời sống thật chưa? Nếu nhìn kỹ xung quanh, có một số Pac-Man quanh bạn đấy.
Pac-Man is essentially a Roomba. What does it do? It moves around, picks up things from the floor, and that's its job. Roomba doesn't have ghosts, typically.
Pac-Man về cơ bản chính là một chiếc Roomba. Nó làm gì? Nó di chuyển, nhặt đồ trên sàn, và đó là việc của nó. Thường thì Roomba không có ma.
But other than that, we've got pretty much a match here.
Nhưng ngoài ra thì khá giống nhau.
And so there are some projects out there — Roomba Pac-Man — where they setup Roombas, paint them as Pac-Men and ghosts, and play Pac-Man in real life.
Và có một số dự án — Roomba Pac-Man — , họ bố trí các Roomba, sơn chúng thành Pac-Man và ma, rồi chơi Pac-Man ngoài đời thật.
So let's take a look at that. So this is from Colorado. [VIDEO PLAYBACK] [BEEP] [WHOOSHING] PIETER ABBEEL: Oh, the sound works.
Ta cùng xem thử nhé. Đây là từ Colorado. [PHÁT VIDEO] [BÍP] [VÙ VÙ] PIETER ABBEEL: Ồ, có tiếng.
[WHOOSHING] [WHOOSH] [WHOOSH] [MUSIC PLAYING] [END PLAYBACK] PIETER ABBEEL: So what are we watching here?
[VÙ VÙ] [VÙ] [VÙ] [NHẠC] [KẾT THÚC VIDEO] PIETER ABBEEL: Vậy ta vừa xem gì?
This is a game of Pac-Man where there's cameras on top, tracking each of these Roomba, Pac-Man, and ghost. The tracking leads to a game state.
Đây là ván Pac-Man có camera phía trên, theo dõi từng Roomba, Pac-Man và ma. Việc theo dõi cho ra trạng thái trò chơi.
The game state, then they have strategies for the ghost.
Từ trạng thái đó, họ có các chiến lược cho ma.
And Pac-Man runs min and max to try to collect food pellets or eat ghosts, whenever Pac-Man has eaten a power pellet.
Còn Pac-Man chạy min và max để ăn các viên thức ăn hoặc ăn ma, mỗi khi Pac-Man đã ăn viên sức mạnh.
And whenever Pac-Man gets eaten, all the Roombas get sent back to their starting positions, and the game restarts.
Và mỗi khi Pac-Man bị ăn, tất cả các Roomba bị đưa về vị trí xuất phát, và trò chơi bắt đầu lại.
I think you're up next with the other.
Tôi nghĩ đến lượt thầy với phần còn lại rồi.
DAN KLEIN
All right. I think Roomba Pac-Man is extremely cool.
Được rồi. Tôi thấy Roomba Pac-Man cực kỳ hay.
But I want to tell you about — I'm not sure — either the coolest or the second coolest Pac-Man thing I have ever seen in my life. It's called Bugman.
Nhưng tôi muốn kể các bạn nghe về — tôi không chắc — thứ về Pac-Man hay nhất hoặc hay nhì mà tôi từng thấy trong đời. Nó tên là Bugman.
I love Bugman. All right. So what is Bugman? This is a different kind of AI.
Tôi yêu Bugman. Được rồi. Vậy Bugman là gì? Đây là một loại AI khác.
This is Pac-Man driven by animal intelligence. This was done by Wim van Eck at Leiden University. And Pac-Man is controlled by a human. Or I guess it could be an AI.
Đây là Pac-Man điều khiển bằng trí thông minh của động vật. Do Wim van Eck ở Đại học Leiden thực hiện. Pac-Man do người điều khiển. Hoặc cũng có thể là một AI.
So everything that you expect — there's sort of a joystick, you move Pac-Man around, Pac-Man goes around the digital environment. But underneath this digital environment is actually a real environment.
Mọi thứ đều như bạn mong đợi: có cần điều khiển, bạn di chuyển Pac-Man, Pac-Man đi quanh môi trường số. Nhưng bên dưới môi trường số này thực ra là một môi trường thật.
It's just like the matrix. OK, there's a real environment that looks like this. The ghosts are controlled not by AI, but by crickets — obviously, right.
Giống hệt Ma trận. Đúng, có một môi trường thật trông như thế này. Những con ma được điều khiển không phải bởi AI, mà bởi dế — tất nhiên rồi.
So what does it mean for ghosts to be controlled by crickets? Because mostly crickets just sort of do their thing. How are they going to go after Pac-Man?
Vậy ma do dế điều khiển nghĩa là sao? Vì dế thường chỉ làm việc của chúng. Làm sao chúng đuổi theo Pac-Man?
Or how are they supposed to know to be scared and run away? This is where the genius comes in.
Hay làm sao chúng biết sợ và chạy trốn? Chỗ thiên tài nằm ở đây.
These crickets are in a phone version of the maze with a camera above running computer vision that tracks the crickets. So wherever the crickets go, that's where the ghosts go in the digital environment.
Những con dế này nằm trong một phiên bản mê cung thật, với camera phía trên chạy thị giác máy tính để theo dõi chúng. Dế đi đâu, ma đi đến đó trong môi trường số.
Vibrations underneath this maze cause the crickets to do things, because crickets basically run away from vibrations.
Rung động bên dưới mê cung khiến những con dế hành động, vì về cơ bản dế chạy trốn khỏi rung động.
So if you want crickets to be scared of Pac-Man, you vibrate where Pac-Man allegedly is in the virtual environment.
Nếu muốn dế sợ Pac-Man, bạn tạo rung ở chỗ Pac-Man được cho là đang ở trong môi trường ảo.
And if you want them to go towards Pac-Man, you kind of herd them with vibrations. So you'll be able to see the video I'm going to show where the vibrations are.
Còn nếu muốn chúng tiến về phía Pac-Man, bạn dùng rung động để lùa chúng đi. Trong video tôi sắp chiếu, các bạn sẽ thấy chỗ nào có rung động.
And the crickets — well, they mostly do what they're going to do. But they sort of listen to the vibrations. So here it is. Let's watch Bugman.
Còn dế thì hầu như cứ làm điều chúng muốn. Nhưng chúng có phần nghe theo rung động. Đây rồi. Hãy xem Bugman.
So what you're going to see here, it's synchronized. On the left is the digital environment. A human is controlling Pac-Man. There's dots.
Những gì các bạn thấy ở đây được đồng bộ. Bên trái là môi trường số. Một người đang điều khiển Pac-Man. Có các chấm.
There's pellets. There's walls. And on the right is the vision of what the crickets are doing. And this allows for some extremely surprising interactions with the ghosts.
Có các viên sức mạnh. Có tường. Và bên phải là hình ảnh những gì đàn dế đang làm. Điều này tạo ra những tương tác cực kỳ bất ngờ với lũ ma.
So I'm going to run it. So you can see the vibration — the Pac-Man's right there. And the ghosts are mostly just sitting there. But they're on the move.
Tôi sẽ chạy nó. Bạn thấy rung động đó — Pac-Man ở ngay đó. Còn lũ ma hầu như chỉ ngồi yên ở đó. Nhưng chúng đang di chuyển.
They're on the move. And they're more or less running away. See, that one doesn't like that vibration.
Chúng đang di chuyển. Và ít nhiều đang chạy trốn. Thấy không, con đó không thích rung động kia.
Pac-Man's doing his thing. And if you will watch the ghosts, they are very hard to predict. But now the ghosts are scared. So the vibration reverses.
Pac-Man đang làm việc của nó. Và nếu các em để ý những con ma, chúng rất khó đoán. Nhưng giờ những con ma đang sợ. Nên rung động bị đảo ngược.
And in fact, they actually don't like that there. They're out of here. OK. There.
Và thực ra chúng không thích chỗ đó chút nào. Chúng rời khỏi đó. OK. Đó.
There, he's gone. They can move fast when they want to. Now, they don't actually eat the Pac-Man. They just disable them virtually.
Đó, nó đi mất rồi. Chúng có thể di chuyển nhanh khi muốn. Thực ra chúng không ăn Pac-Man. Chúng chỉ vô hiệu hóa Pac-Man một cách ảo.
But they do not like that vibration. And I want to point out right up here — here, this Pac-Man is so unhappy here, it's going over the wall, right.
Nhưng chúng không thích sự rung động đó. Và tôi muốn chỉ ra ngay trên này, ở đây, con Pac-Man này khó chịu đến mức nó đang trèo qua tường, đúng không.
These crickets play seriously — they they're basically in a relaxation of the state space, if you remember your A* days.
Mấy con dế này chơi rất nghiêm túc, về cơ bản chúng đang ở trong một bản nới lỏng của không gian trạng thái, nếu các em còn nhớ thời học A*.
The walls are there, but with enough effort they can just sort of climb over them. All kinds of cool stuff happens in Bugman. The crickets go over the walls.
Tường thì vẫn có đó, nhưng chỉ cần đủ cố gắng chúng có thể trèo qua. Đủ thứ chuyện thú vị xảy ra trong Bugman. Những con dế trèo qua tường.
They decide to just like tune out. One day, they turned this thing on, and instead of four ghosts from the crickets, there were five.
Chúng quyết định cứ thế bỏ ngoài tai. Một hôm họ bật hệ thống lên, và thay vì bốn con ma từ những con dế, lại có năm con.
One of them had molted, and apparently the skin looks just like an actual cricket. It just doesn't move. So ghosts accumulate over time. I think it's brilliant.
Một con đã lột xác, và cái xác trông y như một con dế thật. Chỉ là nó không cử động. Vậy là ma tích lũy dần theo thời gian. Tôi thấy thật tuyệt vời.
But there's one thing that might be more brilliant. And Pieter is going to tell you about it.
Nhưng còn một thứ có thể tuyệt vời hơn. Và Pieter sẽ kể cho các em.
PIETER ABBEEL
So a couple of years ago, there was a student who watched our lectures online and saw our crawler bot, and was very excited about the project 3, reinforcement learning, getting this crawler to do things.
Vài năm trước, có một sinh viên xem các bài giảng của chúng tôi trực tuyến và thấy crawler bot của chúng tôi, và rất hào hứng với project 3, học tăng cường, cho con crawler này làm các việc.
And they decided that simulation is not sufficient. They build a physical crawler bot that matches up with our simulated crawler. So what's in here?
Và bạn ấy quyết định rằng mô phỏng thôi là chưa đủ. Bạn ấy chế tạo một crawler bot thật khớp với crawler mô phỏng của chúng ta. Vậy bên trong có gì?
We have a motor in the elbow. We have a motor over here in the shoulder. Those are the two actions available to crawler bot.
Có một động cơ ở khuỷu tay. Có một động cơ ở đây, ở vai. Đó là hai hành động mà crawler bot có thể thực hiện.
Then, to know whether it's making progress or not, because it needs to be rewarded for making progress, a computer mouse is attached to the back of the bot.
Rồi, để biết nó có tiến bộ hay không, vì nó cần được thưởng khi tiến bộ, một con chuột máy tính được gắn vào phía sau con bot.
And that mouse is measuring the progress made by this bot so it can get rewarded. Now, does this work? Does it not work? Reinforced learning can require a lot of samples.
Và con chuột đó đo quãng đường con bot đi được để nó nhận được phần thưởng. Vậy cách này có hiệu quả không? Hay không hiệu quả? Học tăng cường có thể cần rất nhiều mẫu.
[? Ashley ?] [? Yang ?] [? Bolivski ?] was just a remote student — got this to work.
[? Ashley ?] [? Yang ?] [? Bolivski ?] chỉ là một sinh viên từ xa, vậy mà làm cho nó chạy được.
So here we have Q-learning in action on a physical crawler bot, using a lot of the 188 interface here. We see some Q functions in the top.
Đây là Q-learning đang chạy trên một crawler bot thật, dùng nhiều phần giao diện của 188 ở đây. Ở phía trên ta thấy một số hàm Q.
Initially, doesn't really know what to do. As you remember, initially, there's exploration. You don't know how to maximize reward. It's gotten zero reward so far.
Ban đầu nó chẳng biết phải làm gì. Như các em nhớ, ban đầu là khám phá. Bạn chưa biết cách tối đa hóa phần thưởng. Cho đến giờ nó nhận phần thưởng bằng không.
But now, the mouse moved, gives it non-zero reward. It can start populating non-zero values into that Q table. And sure enough, it finds its way across this table.
Nhưng giờ con chuột đã di chuyển, cho nó phần thưởng khác không. Nó có thể bắt đầu điền các giá trị khác không vào bảng Q đó. Và quả nhiên, nó tìm được đường đi qua chiếc bàn này.
So you see here is the first and only — we know of — physical version of a 188 bot.
Đây là phiên bản vật lý đầu tiên và duy nhất, theo chúng tôi biết, của một con bot 188.
Here is the learned Q values after a good amount of exploration. And then here is the bot in action in exploitation mode.
Đây là các giá trị Q đã học được sau một lượng khám phá kha khá. Và đây là con bot hoạt động ở chế độ khai thác.
[CHUCKLES] So we covered a lot of materials here.
[CƯỜI KHẼ] Vậy là chúng ta đã học rất nhiều nội dung.
And maybe some of you are kind of sad that there's no more material coming.
Và có lẽ một số em hơi buồn vì không còn nội dung mới nữa.
So we want to give you some suggestions on where you can go next if you want to learn more about artificial intelligence.
Nên chúng tôi muốn gợi ý vài hướng để các em đi tiếp nếu muốn học thêm về trí tuệ nhân tạo.
And specifically, I'll tell you a little bit about all the opportunities at Berkeley here. So we've covered the basics of modern AI. You've done amazing work. This project's gotten you very far.
Cụ thể, tôi sẽ nói sơ qua về các cơ hội ở Berkeley. Chúng ta đã học những điều cơ bản của AI hiện đại. Các em đã làm rất xuất sắc. Project này đã đưa các em đi rất xa.
But there is a lot more. How can you continue? Here's a list of classes that you might want to consider in future semesters if you want to learn more.
Nhưng còn rất nhiều thứ nữa. Làm sao để tiếp tục? Đây là danh sách các lớp mà các em có thể cân nhắc trong các học kỳ tới nếu muốn học thêm.
In machine learning, there is CS 189, which is general machine learning. There is CS 182, which is specifically deep learning, and Stat 154, which is also general machine learning.
Về machine learning, có CS 189, là machine learning tổng quát. Có CS 182, chuyên về deep learning, và Stat 154, cũng là machine learning tổng quát.
There's an entry to data science course, which is pretty new — Data 100.
Có một môn nhập môn khoa học dữ liệu khá mới, Data 100.
There are probability courses — E 126 and Stat 134, which teach you more about the foundations that you might need for some of the more advanced work in AI.
Có các môn về xác suất, E 126 và Stat 134, dạy thêm về những nền tảng mà các em có thể cần cho những mảng AI nâng cao hơn.
Optimization — we've seen in the last few lectures that optimization is at the core of a lot of machine learning, where you need to find a good parameter setting by gradient descent, for example.
Tối ưu hóa: qua vài bài giảng gần đây ta thấy tối ưu hóa là cốt lõi của rất nhiều machine learning, nơi cần tìm bộ tham số tốt bằng gradient descent chẳng hạn.
Learning more about the theory behind it and practical approaches — E 127 is the class to go take. A lot of the work we did was very mathematically focused and algorithmically focused.
Để học thêm về lý thuyết đằng sau nó và các cách tiếp cận thực tế, E 127 là lớp nên học. Phần lớn những gì ta làm thiên về toán học và thuật toán.
But there's actually a whole other branch of work in AI that look at, how do humans think? It's called cognitive science.
Nhưng thực ra còn một nhánh hoàn toàn khác của AI nghiên cứu xem con người suy nghĩ như thế nào. Đó là khoa học nhận thức.
And Berkeley has a cognitive science department and probably the right starter course there after 188 would be Cog Sci 131.
Berkeley có một khoa khoa học nhận thức và môn khởi đầu phù hợp ở đó sau 188 có lẽ là Cog Sci 131.
If you want to go more theoretically machine learning, you've worked through, let's say a bunch of these, CS 281A and 281B are graduate-level courses that dig into learning theory.
Nếu muốn đi theo hướng machine learning lý thuyết hơn, sau khi học qua một số môn này, CS 281A và 281B là các môn bậc sau đại học đi sâu vào lý thuyết học.
Looking at the different application domains — computer vision is a big one. There's an entire course on computer vision — CS 280. There's an entire course on robotics, CS 287.
Xét các lĩnh vực ứng dụng khác nhau, thị giác máy tính là một lĩnh vực lớn. Có hẳn một môn về thị giác máy tính, CS 280. Có hẳn một môn về robotics, CS 287.
That one happens to be taught by me. There is a course on algorithmic human-robot interaction — 294-115.
Môn đó tình cờ do tôi dạy. Có một môn về tương tác người-robot theo hướng thuật toán — 294-115.
This course studies, how can you make AI think about the humans that are around the AI and think about, what might this person be trying to achieve? Where might they be headed?
Môn này nghiên cứu: làm sao để AI biết suy nghĩ về những con người xung quanh nó và nghĩ xem: người này có thể đang muốn đạt được điều gì? Họ có thể đang đi về đâu?
How do I do the right thing accounting for this person's preferences? Reinforcement learning is a pretty new course that was started just three years ago.
Làm sao để tôi làm điều đúng đắn, có tính đến sở thích của người này? Học tăng cường là một môn khá mới mới bắt đầu cách đây ba năm.
Instead of four lectures on MDPs and RL, it's 28 lectures on MDPs and RL. NLP — Dan's graduate course, natural language processing.
Thay vì bốn bài giảng về MDP và RL, môn này có 28 bài giảng về MDP và RL. NLP, môn sau đại học của Dan, xử lý ngôn ngữ tự nhiên.
Instead of 15 minutes, [CHUCKLES] 28 lectures.
Thay vì 15 phút, [CƯỜI KHẨY] là 28 bài giảng.
And many more.
Và còn nhiều môn nữa.
So if you have specific interests that you might not see covered here, feel free to send us a note and we can give you more suggestions on other things you could study.
Nếu các em có mối quan tâm riêng mà chưa thấy ở đây, cứ gửi thư cho chúng tôi và chúng tôi sẽ gợi ý thêm những thứ khác mà các em có thể học.
Berkeley has really good coverage. You're in the right place to learn a lot about AI. Now, several of you have also wondered, aside from classes, can you get involved in research?
Berkeley có phạm vi môn học rất tốt. Các em đang ở đúng nơi để học nhiều về AI. Bây giờ, nhiều em cũng thắc mắc, ngoài các môn học, liệu có thể tham gia nghiên cứu không?
Well, there's a lot of AI research happening at Berkeley. Here's a list of faculty who work in artificial intelligence. You might first of all wonder, well, why should you do research?
Ở Berkeley có rất nhiều nghiên cứu AI. Đây là danh sách các giảng viên làm việc trong lĩnh vực trí tuệ nhân tạo. Trước hết các em có thể tự hỏi, tại sao nên làm nghiên cứu?
There's a few reasons you might want to do research. One reason is, you just really like a topic. And so you just want to learn more about it and make progress in that field.
Có vài lý do để các em muốn làm nghiên cứu. Một lý do là các em thật sự thích một chủ đề. Nên các em muốn tìm hiểu thêm về nó và tạo ra tiến bộ trong lĩnh vực đó.
Another reason could be that you have some long-term goals that, just with current technology cannot be achieved, and you think certain research directions could get you closer to it.
Lý do khác là các em có những mục tiêu dài hạn mà với công nghệ hiện nay thì chưa đạt được, và các em nghĩ một số hướng nghiên cứu có thể đưa mình đến gần hơn với mục tiêu đó.
And ideally, you have both motivations about some direction, and that will make you maximally motivated for your research.
Lý tưởng nhất là các em có cả hai động lực về một hướng nào đó, và điều đó sẽ khiến các em có động lực tối đa cho nghiên cứu.
In practice, research is a lot about solving problems that haven't been solved before, which is very different from solving homework.
Trên thực tế, nghiên cứu chủ yếu là giải những bài toán chưa ai giải trước đây, điều đó rất khác với làm bài tập về nhà.
So it teaches you a lot of skills in terms of how to understand whether you might have a bad idea or you might just have a bug in your code or you might be testing your great idea in the wrong environment where it doesn't shine and you need to go test it somewhere else.
Nên nó dạy các em rất nhiều kỹ năng để hiểu xem mình đang có một ý tưởng tồi, hay chỉ là có lỗi trong code, hay đang thử ý tưởng hay của mình trong môi trường sai nơi nó không phát huy và cần thử ở nơi khác.
And that kind of interplay between all these is actually pretty tricky.
Sự tương tác giữa tất cả những điều này thực sự khá khó.
It's one of the key skills you'll pick up that generalizes pretty well to many other activities you might have in the future where you do open-ended work. How do you get involved?
Đó là một trong những kỹ năng chính các em sẽ có được, và nó áp dụng rất tốt cho nhiều hoạt động khác trong tương lai khi các em làm những công việc mở. Làm sao để tham gia?
Every professor has their own way of getting students involved. And you can never know ahead of time how they do it.
Mỗi giáo sư có cách riêng để đưa sinh viên vào làm cùng. Và các em không bao giờ biết trước họ làm thế nào.
So you should just try every possible way with every professor that you're interested in working with. What would be those ways? One is go to office hours. Another one is emailing them.
Nên cứ thử mọi cách có thể với mỗi giáo sư mà các em muốn làm việc cùng. Những cách đó là gì? Một là đến giờ tiếp sinh viên. Hai là gửi email cho họ.
Another one is maybe talking to their graduate students and see if any one of those paths might work out. You might have to try multiple times.
Ba là nói chuyện với nghiên cứu sinh của họ và xem con đường nào có thể thành công. Các em có thể phải thử nhiều lần.
If you email a professor, that might not read it the first time around. Maybe send another email, then go to office hours, talk to some students. And at some point, something might stick.
Nếu gửi email cho một giáo sư, có thể họ không đọc ngay lần đầu. Có thể gửi thêm một email, rồi đến giờ tiếp sinh viên, nói chuyện với vài sinh viên. Và đến một lúc nào đó, sẽ có kết quả.
Research is not necessarily for everyone. Research is about building tools, whereas engineering is about using tools. And some people prefer to be closer to putting things into practice — the engineering side of things.
Nghiên cứu không nhất thiết hợp với mọi người. Nghiên cứu là xây dựng công cụ, còn kỹ thuật là sử dụng công cụ. Có người thích gần hơn với việc đưa mọi thứ vào thực tế, tức là phía kỹ thuật. .
Some people like to build the tools that the engineers then can go use to put things into practice. So different people, different preferences. Any questions about this or about the classes?
Có người thích xây dựng công cụ để các kỹ sư sau đó dùng chúng đưa mọi thứ vào thực tế. Mỗi người một sở thích khác nhau. Có câu hỏi nào về phần này hoặc về các môn học không?
Then maybe one thing we want to do right now is bring all the TAs up front. Can you guys come up front for a moment?
Rồi, có một việc chúng tôi muốn làm ngay bây giờ là mời tất cả các trợ giảng lên phía trước. Các bạn lên phía trước một chút nhé?
Want to take it from here?
Thầy nói tiếp nhé?
DAN KLEIN
[INAUDIBLE] Well, it's your plan.
[KHÔNG NGHE RÕ] Thì đây là kế hoạch của thầy mà.
PIETER ABBEEL
Yeah. So if you want to do it, there is a good number of projects, homeworks, a slightly lower number of exams than expected.
Ừ. Vậy nếu nhìn lại, có khá nhiều project, bài tập về nhà, và số kỳ thi thì ít hơn một chút so với dự kiến.
[LAUGHS] A lot of office hours, a lot of discussion sections, and an enormous amount of work goes into all of that by our TA team.
[CƯỜI] Rất nhiều giờ tiếp sinh viên, nhiều buổi thảo luận, và một khối lượng công việc khổng lồ cho tất cả những việc đó là của đội trợ giảng.
And we just want to highlight them and thank them together with you.
Chúng tôi muốn nêu bật họ và cùng các em cảm ơn họ. .
[APPLAUSE] DAN KLEIN: Thank you.
[VỖ TAY] DAN KLEIN: Cảm ơn các bạn.
OK. So that's mostly it. There's only a couple of things left. One is, we would appreciate your help with some course evaluations.
Được rồi. Vậy là gần xong. Chỉ còn vài việc nữa. Một là, chúng tôi mong các em giúp đỡ về phần đánh giá môn học.
Are the HKN folks here? So we're going to clear out fairly soon. And then they will take over and help you guys get connected to course evals. These are really important.
Các bạn HKN có ở đây không? Chúng tôi sắp rời đi sớm thôi. Sau đó các bạn ấy sẽ tiếp quản và giúp các em vào phần đánh giá môn học. Việc này rất quan trọng.
Please do take the time to fill them out. They're super important.
Xin hãy dành thời gian điền vào. Chúng cực kỳ quan trọng.
They're kind of how the university and the department evaluate courses, how they evaluate us, how they evaluate plans for kind of what courses to offer and when to offer them.
Đó là cách trường và khoa đánh giá môn học, đánh giá chúng tôi, đánh giá kế hoạch về nên mở những môn nào và mở khi nào.
And that's how we kind of make courses better. So your feedback is really, really valued. So please take the time to do that.
Và đó là cách chúng tôi làm các môn học tốt hơn. Nên phản hồi của các em thực sự rất được trân trọng. Vì vậy xin hãy dành thời gian làm việc đó.
The HKN people will tell you in a couple minutes how to get going with that.
Các bạn HKN sẽ hướng dẫn các em trong vài phút nữa cách bắt đầu.
STUDENT
Have a nice summer.
Chúc thầy một mùa hè vui vẻ.
PIETER ABBEEL
[LAUGHING] DAN KLEIN: We actually do want you to have a good summer. [LAUGHTER] But between now and then, you should totally feel free to have an exceptional break and a great spring as well.
[CƯỜI] DAN KLEIN: Thật ra tụi thầy muốn các em có một mùa hè vui vẻ. [CƯỜI] Nhưng từ giờ đến lúc đó, các em cứ thoải mái nghỉ ngơi thật tuyệt và có một mùa xuân thật vui nữa.
And I guess from us to all of you, please always maximize your expected utilities. If this is the only thing you take away from CS 188, please take away that.
Và thay mặt tụi thầy, xin nhắn với tất cả các em: hãy luôn tối đa hóa độ hữu dụng kỳ vọng của mình. Nếu chỉ mang theo được một điều từ CS 188, thì hãy mang theo điều đó.
Go off and maximize your expected utilities.
Hãy ra đời và tối đa hóa độ hữu dụng kỳ vọng của các em.
PIETER ABBEEL
Anything you want to — PIETER ABBEEL: Thank you. DAN KLEIN: — add? Thank you, all.
Thầy có muốn... Cảm ơn các em. DAN KLEIN: ...bổ sung gì không? Cảm ơn tất cả các em.
[CHEERS AND APPLAUSE] Oh, do we?
[HOAN HÔ VÀ VỖ TAY] À, mình còn không?
PIETER ABBEEL
Do we have cookies leftover?
Còn bánh quy thừa không?
MAN
Maybe a couple.
Chắc còn vài cái.
DAN KLEIN
OK. So we're going to go. HKN people are going to come up. The cookies are going to stay.
Được rồi. Tụi thầy sẽ đi đây. Các bạn HKN sẽ lên. Bánh quy thì ở lại.
So another way you can help us out is by eating just a few more cookies. Otherwise, we have to eat a lot — a lot of cookies.
Một cách khác để giúp tụi thầy là ăn thêm vài cái bánh quy nữa. Không thì tụi thầy phải ăn rất nhiều bánh quy.
Hold on, think I'm being — what am I doing?
Khoan, hình như mình đang bị... mình đang làm gì thế này?
MAN
You're being photographed.
Thầy đang bị chụp ảnh.
DAN KLEIN
Photographed.
Bị chụp ảnh.
HKN MEMBER
Hey, everyone. I'm [INAUDIBLE] from HKN. We'd really appreciate it if you stayed back and filled out the course evaluations for this class if you haven't done so already.
Chào các bạn. Mình là [KHÔNG NGHE RÕ] từ HKN. Mong các bạn ở lại và điền phiếu đánh giá môn học này nếu chưa làm.
We have about 15 minutes or so. So I'll project the link on the screen in a second. But you should have all received an email with the course evaluation's link.
Mình có khoảng 15 phút. Lát nữa mình sẽ chiếu đường link lên màn hình. Nhưng các bạn đều đã nhận được email có đường link đánh giá môn học rồi.
So if you could take a couple of minutes now and fill that out, the department would really appreciate it.
Nên các bạn dành vài phút điền ngay bây giờ nhé, khoa sẽ rất trân trọng.
PIETER ABBEEL
Dan, I'm going to go hang out outside. And then, after people are done with the course evals, we're going to ask questions there?
Dan, em ra ngoài đứng chờ nhé. Sau khi mọi người điền xong phiếu đánh giá, mình sẽ hỏi đáp ngoài đó nhé?
DAN KLEIN
Yeah. So we need to clear out while the course eval stuff happens. So in a minute here, Pieter and I are going to go out there. But we're not going to go far.
Ừ. Tụi thầy cần ra ngoài để mọi người điền phiếu. Một lát nữa thầy và Pieter sẽ ra ngoài. Nhưng tụi thầy không đi xa đâu.
So when you're done with the course evals, if you have questions, you can catch us out there. That way we don't sort of like keep the HKN folks from doing their thing.
Nên khi điền xong phiếu, có câu hỏi gì thì các em ra gặp tụi thầy ngoài đó. Như vậy tụi thầy không làm phiền các bạn HKN làm việc.
HKN MEMBER
Cool.
Tuyệt.
DAN KLEIN
All right.
Được rồi.
PIETER ABBEEL
We'll be right outside.
Tụi thầy ở ngay bên ngoài.
DAN KLEIN
We're going to be right outside.
Tụi thầy ở ngay ngoài đó.
PIETER ABBEEL
We're going to be there.
Tụi thầy sẽ ở đó.
DAN KLEIN
We're not going far.
Tụi thầy không đi xa.
PIETER ABBEEL
We're not running away.
Tụi thầy không chạy trốn đâu.
STUDENT
[INAUDIBLE] DAN KLEIN: Yes. That's what we said.
[KHÔNG NGHE RÕ] DAN KLEIN: Đúng vậy. Đúng như tụi thầy nói.
PIETER ABBEEL
The next 20 minutes or so — so you can finish your evals. And then, we can talk once you're done.
Khoảng 20 phút tới đây, các em cứ điền xong phiếu đánh giá. Rồi mình nói chuyện sau khi các em xong.
DAN KLEIN
I'm going to head out [INAUDIBLE].. Come out, and I'll try to give you a good answer. Thank you, HKN.
Thầy ra ngoài đây [KHÔNG NGHE RÕ]. Các em ra đi, thầy sẽ cố trả lời cho tốt. Cảm ơn HKN.
HKN MEMBER
All right.
Được rồi.
So I've projected the course staff on the screen here. This isn't all the names. But for example, if you don't know the name of your TA, this would be a great place to look.
Mình đã chiếu danh sách đội ngũ giảng dạy lên màn hình. Đây chưa phải tất cả tên. Nhưng ví dụ nếu bạn chưa biết tên TA của mình, đây là nơi rất tiện để xem.
I'll scroll down in a bit through all the names.
Lát nữa mình sẽ cuộn xuống qua tất cả các tên.
So if you have any questions or if your TA is not listed in the form, please let me know. And we'll get that taken care of.
Nếu bạn có thắc mắc hoặc TA của bạn không có trong biểu mẫu, hãy báo cho mình. Mình sẽ xử lý việc đó.
Đăng nhập để đánh giá học liệu này.
Đăng nhập để bình luận — chưa ai bình luận về học liệu này.
Không có khóa học liên quan.