ABOUT THE SPEAKER
Hod Lipson - Roboticist
Hod Lipson works at the intersection of engineering and biology, studying robots and the way they "behave" and evolve. His work has exciting implications for design and manufacturing -- and serves as a window to understand our own behavior and evolution.

Why you should listen

To say that Hod Lipson and his team at Cornell build robots is not completely accurate: They may simply set out a pile of virtual robot parts, devise some rules for assembly, and see what the parts build themselves into. They've created robots that decide for themselves how they want to walk; robots that develop a sense of what they look like; even robots that can, through trial and error, construct other robots just like themselves.

Working across disciplines -- physics, computer science, math, biology and several flavors of engineer -- the team studies techniques for self-assembly and evolution that have great implications for fields such as micro-manufacturing -- allowing tiny pieces to assemble themselves at scales heretofore impossible -- and extreme custom manufacturing (in other words, 3-D printers for the home).

His lab's Outreach page is a funhouse of tools and instructions, including the amazing Golem@Home -- a self-assembling virtual robot who lives in your screensaver.

More profile about the speaker
Hod Lipson | Speaker | TED.com
TED2007

Hod Lipson: Building "self-aware" robots

Hod Lipson: "Öntudatos" robotok építése

Filmed:
1,460,460 views

Hod Lipson bemutat párat remek kis robotjaiból, amelyek képesek tanulni, valamint megérteni és előállítani saját magukat.
- Roboticist
Hod Lipson works at the intersection of engineering and biology, studying robots and the way they "behave" and evolve. His work has exciting implications for design and manufacturing -- and serves as a window to understand our own behavior and evolution. Full bio

Double-click the English transcript below to play the video.

00:25
So, where are the robotsrobotok?
0
0
2000
Szóval, hol vannak a robotok?
00:27
We'veMost már been told for 40 yearsévek alreadymár that they're comingeljövetel soonhamar.
1
2000
3000
Azt hallgattuk 40 évig folyamatosan,
hogy hamarosan itt lesznek.
00:30
Very soonhamar they'llfognak be doing everything for us.
2
5000
3000
Nagyon hamar mindent
ők fognak csinálni nekünk.
00:33
They'llThey'll be cookingfőzés, cleaningtisztítás, buyingvásárlás things, shoppingbevásárlás, buildingépület. But they aren'tnem here.
3
8000
5000
Ők fognak főzni, takarítani, vásárolni,
építeni. De még sincsenek itt.
00:38
MeanwhileKözben, we have illegalillegális immigrantsbevándorlók doing all the work,
4
13000
4000
Ezalatt illegális bevándorlók
végeznek el minden munkát,
00:42
but we don't have any robotsrobotok.
5
17000
2000
de robotjaink nincsenek.
00:44
So what can we do about that? What can we say?
6
19000
4000
Szóval mit tehetünk ez ellen?
Mit tudunk mondani?
00:48
So I want to give a little bitbit of a differentkülönböző perspectivetávlati
7
23000
4000
Egy kicsit más nézőpontot
akarok bemutatni
00:52
of how we can perhapstalán look at these things in a little bitbit of a differentkülönböző way.
8
27000
6000
arról, hogy talán máshogy is
tekinthetnénk ezekre a dolgokra.
00:58
And this is an x-rayröntgen picturekép
9
33000
2000
Ez egy röntgenkép
01:00
of a realigazi beetlebogár, and a SwissSvájci watch, back from '88. You look at that --
10
35000
5000
egy igazi bogárról, és egy svájci
óráról '88-ból. Nézzétek meg --
01:05
what was trueigaz then is certainlybiztosan trueigaz todayMa.
11
40000
2000
ami akkor igaz volt, ma is igaz.
01:07
We can still make the piecesdarabok. We can make the right piecesdarabok.
12
42000
3000
A részeket azóta is tudjuk gyártani.
A jó alkatrészeket.
01:10
We can make the circuitryáramkör of the right computationalszámítási powererő,
13
45000
3000
El tudjuk készíteni az áramkört
a helyes számítási teljesítménnyel,
01:13
but we can't actuallytulajdonképpen put them togetheregyütt to make something
14
48000
3000
de nem tudjuk őket úgy összerakni,
hogy valami olyat alkossanak,
01:16
that will actuallytulajdonképpen work and be as adaptiveadaptív as these systemsrendszerek.
15
51000
5000
ami tényleg működni fog és úgy fog
alkalmazkodni, mint ezek a rendszerek.
01:21
So let's try to look at it from a differentkülönböző perspectivetávlati.
16
56000
2000
Szóval nézzük ezt meg
egy különböző perspektívából.
01:23
Let's summonmegidéz the bestlegjobb designertervező, the motheranya of all designerstervezők.
17
58000
4000
Szólítsuk meg tehát a legjobb tervezőt,
az összes tervező atyját.
01:27
Let's see what evolutionevolúció can do for us.
18
62000
3000
Nézzük meg, az evolúció mit tehet értünk.
01:30
So we threwdobta in -- we createdkészítette a primordialősi soupleves
19
65000
4000
Szóval bedobtuk -- létrehoztunk egy őslevest
01:34
with lots of piecesdarabok of robotsrobotok -- with barsbárok, with motorsmotorok, with neuronsneuronok.
20
69000
4000
robotok számos alkatrészével --
fémrudakkal, motorokkal, neuronokkal.
01:38
Put them all togetheregyütt, and put all this underalatt kindkedves of naturaltermészetes selectionkiválasztás,
21
73000
4000
Rakjuk össze őket, és hagyjuk
a természetes szelekciót érvényesülni,
01:42
underalatt mutationmutáció, and rewardedjutalmazzák things for how well they can movemozog forwardelőre.
22
77000
4000
a mutációt, és jutalmazzuk a dolgokat aszerint,
hogy milyen jól tudnak előrelépni.
01:46
A very simpleegyszerű taskfeladat, and it's interestingérdekes to see what kindkedves of things camejött out of that.
23
81000
6000
Ez egy nagyon egyszerű feladat, és
érdekes látni, milyen dolgok születnek ebből.
01:52
So if you look, you can see a lot of differentkülönböző machinesgépek
24
87000
3000
Ha megnézitek, láthatjátok,
hogy egy csomó különböző gép
01:55
come out of this. They all movemozog around.
25
90000
2000
jött ki ebből. Ezek mind
össze-vissza mocorognak.
01:57
They all crawlcsúszik in differentkülönböző waysmódokon, and you can see on the right,
26
92000
4000
Mind más módon mászkálnak,
és látható jobb oldalt,
02:01
that we actuallytulajdonképpen madekészült a couplepárosít of these things,
27
96000
2000
hogy valójában már
megcsináltunk párat ezekből,
02:03
and they work in realityvalóság. These are not very fantasticfantasztikus robotsrobotok,
28
98000
3000
és tényleg működnek is.
Ezek nem annyira fantasztikus robotok,
02:06
but they evolvedfejlődött to do exactlypontosan what we rewardjutalom them for:
29
101000
4000
de elérték pontosan azt a szintet,
ami miatt díjazzuk őket:
02:10
for movingmozgó forwardelőre. So that was all doneKész in simulationtettetés,
30
105000
3000
hogy fejlődnek.
Ez mind szimuláció keretén belül történt,
02:13
but we can alsois do that on a realigazi machinegép.
31
108000
2000
de megcsinálhatjuk ezt
egy igazi gépen is.
02:15
Here'sItt van a physicalfizikai robotrobot that we actuallytulajdonképpen
32
110000
5000
Itt egy már létező robot,
02:20
have a populationnépesség of brainsagyvelő,
33
115000
3000
ami rendelkezik agytömeggel,
02:23
competingversengő, or evolvingfejlődik on the machinegép.
34
118000
2000
ami verseng önmagával,
és fejlődik a gépben.
02:25
It's like a rodeorodeó showelőadás. They all get a ridelovagol on the machinegép,
35
120000
3000
Ez olyan, mint egy rodeóshow.
Mindenki lovagolhat a gépen,
02:28
and they get rewardedjutalmazzák for how fastgyors or how farmessze
36
123000
3000
és jutalmat kapnak annak függvényében,
hogy milyen gyorsan vagy milyen távolra
02:31
they can make the machinegép movemozog forwardelőre.
37
126000
2000
tudják a gépet mozgatni.
02:33
And you can see these robotsrobotok are not readykész
38
128000
2000
És láthatjátok, hogy ezek
a robotok nem készek arra,
02:35
to take over the worldvilág yetmég, but
39
130000
3000
hogy átvegyék a hatalmat a világ felett,
02:38
they graduallyfokozatosan learntanul how to movemozog forwardelőre,
40
133000
2000
de fokozatosan megtanulják,
hogyan haladjanak előre,
02:40
and they do this autonomouslyautonóm.
41
135000
3000
és ezt önállóan teszik.
02:43
So in these two examplespéldák, we had basicallyalapvetően
42
138000
4000
Szóval ebben a két példában gyakorlatilag
02:47
machinesgépek that learnedtanult how to walkséta in simulationtettetés,
43
142000
3000
olyan gépeink voltak, amik
megtanultak járni a szimulációban,
02:50
and alsois machinesgépek that learnedtanult how to walkséta in realityvalóság.
44
145000
2000
továbbá gépek, amik
megtanultak járni a valóságban.
02:52
But I want to showelőadás you a differentkülönböző approachmegközelítés,
45
147000
2000
De meg akarok mutatni
egy más megközelítést,
02:54
and this is this robotrobot over here, whichmelyik has fournégy legslábak.
46
149000
6000
és az pedig ez a robot,
aminek négy lába van.
03:00
It has eightnyolc motorsmotorok, fournégy on the kneestérd and fournégy on the hipcsípő.
47
155000
2000
Nyolc motorja van,
négy a térdein és négy a csípőjén.
03:02
It has alsois two tiltbillenés sensorsérzékelők that tell the machinegép
48
157000
3000
Két billenésérzékelője is van,
ami elmondja a gépnek
03:05
whichmelyik way it's tiltingBillenő.
49
160000
3000
melyik irányba billen.
03:08
But this machinegép doesn't know what it looksúgy néz ki, like.
50
163000
2000
De ez a gép nem tudja, hogy néz ki.
03:10
You look at it and you see it has fournégy legslábak,
51
165000
2000
Ti ránéztek és látjátok a négy lábát,
03:12
the machinegép doesn't know if it's a snakekígyó, if it's a treefa,
52
167000
2000
de a gép nem tudja, hogy
ő egy kígyó, vagy egy fa,
03:14
it doesn't have any ideaötlet what it looksúgy néz ki, like,
53
169000
3000
ötlete sincs, hogyan néz ki,
03:17
but it's going to try to find that out.
54
172000
2000
de meg fog próbálkozni azzal, hogy rájöjjön.
03:19
InitiallyKezdetben, it does some randomvéletlen motionmozgás,
55
174000
2000
Kezdetben véletlenszerűen mozog,
03:21
and then it triespróbálkozás to figureábra out what it mightesetleg look like.
56
176000
3000
utána pedig megpróbál rájönni, hogy néz ki.
03:24
And you're seeinglátás a lot of things passingelhaladó throughkeresztül its mindselmék,
57
179000
2000
Láthatóan rengeteg dolog átsuhan az agyán,
03:26
a lot of self-modelsönálló modellek that try to explainmegmagyarázni the relationshipkapcsolat
58
181000
4000
számos modellezés, ami megpróbálja
megmagyarázni a kapcsolatot
03:30
betweenközött actuationműködtetés and sensingérzékelés. It then triespróbálkozás to do
59
185000
3000
a vezérlés és az érzékelés között.
Ezután pedig megkísérel
03:33
a secondmásodik actionakció that createsteremt the mosta legtöbb disagreementnézeteltérés
60
188000
4000
egy második akciót, ami
a legnagyobb ellentmondást teremti
03:37
amongközött predictionselőrejelzések of these alternativealternatív modelsmodellek,
61
192000
2000
az alternatív modelljeinek jóslataival szemben,
03:39
like a scientisttudós in a lablabor. Then it does that
62
194000
2000
úgy, mint egy tudós a laboratóriumban.
Aztán megcsinálja
03:41
and triespróbálkozás to explainmegmagyarázni that, and pruneaszalt szilva out its self-modelsönálló modellek.
63
196000
4000
és megpróbálja megmagyarázni,
és megritkítja a saját modelljeit.
03:45
This is the last cycleciklus, and you can see it's prettyszép much
64
200000
3000
Ez az utolsó ciklus, és láthatjátok,
hogy már nagyjából
03:48
figuredmintás out what its selfmaga looksúgy néz ki, like. And onceegyszer it has a self-modelsaját modell,
65
203000
4000
kisilabizálta, hogyan is néz ki.
És amint rendelkezik egy önképpel,
03:52
it can use that to deriveszármazik a patternminta of locomotionmozgásszervi.
66
207000
4000
felhasználhatja arra, hogy
kiszámolja a mozgási mintáit.
03:56
So what you're seeinglátás here are a couplepárosít of machinesgépek --
67
211000
2000
Amit most láttok itt, az egy pár gép
03:58
a patternminta of locomotionmozgásszervi.
68
213000
2000
-- egy mozgási minta.
04:00
We were hopingremélve that it wassWass going to have a kindkedves of evilgonosz, spiderypókhálószerű walkséta,
69
215000
4000
Reméltük, hogy valamiféle gonosz,
pókszerű járása lesz,
04:04
but insteadhelyette it createdkészítette this prettyszép lamebéna way of movingmozgó forwardelőre.
70
219000
4000
de ehelyett ezt az elég béna
előrehaladó mozgást produkálta.
04:08
But when you look at that, you have to rememberemlékezik
71
223000
3000
De ha ránéztek, eszetekbe kell jusson az,
04:11
that this machinegép did not do any physicalfizikai trialskísérletek on how to movemozog forwardelőre,
72
226000
6000
hogy ez a gép nem állt fizikai próbák elé,
hogy hogyan mozogjon előre,
04:17
norsem did it have a modelmodell of itselfmaga.
73
232000
2000
és önképe sem volt.
04:19
It kindkedves of figuredmintás out what it looksúgy néz ki, like, and how to movemozog forwardelőre,
74
234000
3000
Tulajdonképpen rájött arra,
hogyan néz ki, és hogy mozogjon,
04:22
and then actuallytulajdonképpen triedmegpróbálta that out.
75
237000
4000
aztán ki is próbálta.
04:26
(ApplauseTaps)
76
241000
5000
(Taps)
04:31
So, we'lljól movemozog forwardelőre to a differentkülönböző ideaötlet.
77
246000
4000
Lépjünk tovább egy másik ötletre.
04:35
So that was what happenedtörtént when we had a couplepárosít of --
78
250000
5000
Szóval ez történt, amikor volt egy pár...
04:40
that's what happenedtörtént when you had a couplepárosít of -- OK, OK, OK --
79
255000
4000
ez történt amikor volt egy pár --
oké, oké, oké...
04:44
(LaughterNevetés)
80
259000
2000
(Nevetés)
04:46
-- they don't like eachminden egyes other. So
81
261000
2000
-- nem szeretik egymást. Szóval
04:48
there's a differentkülönböző robotrobot.
82
263000
3000
itt egy másik robot.
04:51
That's what happenedtörtént when the robotsrobotok actuallytulajdonképpen
83
266000
2000
Ez történt amikor a robotok tényleg
04:53
are rewardedjutalmazzák for doing something.
84
268000
2000
jutalmat kapnak valamiért.
04:55
What happensmegtörténik if you don't rewardjutalom them for anything, you just throwdobás them in?
85
270000
3000
Mi történik, ha nem jutalmazod meg
őket semmiért, csak bedobod őket?
04:58
So we have these cubeskocka, like the diagramdiagram showedkimutatta, here.
86
273000
3000
Szóval vannak ezek a kockáink,
ahogy a diagram mutatja.
05:01
The cubekocka can swivelforgatható, or flipmegfricskáz on its sideoldal,
87
276000
2000
A kocka el tud forogni, vagy oldalára dőlni,
05:04
and we just throwdobás 1,000 of these cubeskocka into a soupleves --
88
279000
4000
és bedobunk ezret ezekből
a kockákból egy levesbe --
05:08
this is in simulationtettetés --and--és don't rewardjutalom them for anything,
89
283000
2000
szimulációban -- és nem
jutalmazzuk meg őket semmiért,
05:10
we just let them flipmegfricskáz. We pumpszivattyú energyenergia into this
90
285000
3000
csak hagyjuk őket forogni.
Energiát pumpálunk ebbe,
05:13
and see what happensmegtörténik in a couplepárosít of mutationsmutációk.
91
288000
3000
és megnézzük, hogy mi
történik egy pár mutáció után.
05:16
So, initiallyalapvetően nothing happensmegtörténik, they're just flippingessek around there.
92
291000
3000
Tehát először nem történik semmi,
csak repkednek össze-vissza.
05:19
But after a very shortrövid while, you can see these bluekék things
93
294000
4000
De egy rövid idő után látható,
hogy ezek a kék micsodák
05:23
on the right there beginkezdődik to take over.
94
298000
2000
a jobb oldalon előtérbe lépnek.
05:25
They beginkezdődik to self-replicateönálló replikálása. So in absencetávollét of any rewardjutalom,
95
300000
4000
Elkezdenek sokszorozódni.
Így jutalom hiányában,
05:29
the intrinsicbelső rewardjutalom is self-replicationself-replikáció.
96
304000
3000
a belső jutalom a sokszorozódás.
05:32
And we'vevoltunk actuallytulajdonképpen builtépült a couplepárosít of these,
97
307000
1000
Valójában többet is építettünk ezekből,
05:33
and this is partrész of a largernagyobb robotrobot madekészült out of these cubeskocka.
98
308000
4000
és ez része egy nagyobb robotnak,
ami ilyen kockákból áll.
05:37
It's an acceleratedfelgyorsult viewKilátás, where you can see the robotrobot actuallytulajdonképpen
99
312000
3000
Ez egy gyorsított nézet, ahol a robot
05:40
carryingszállítás out some of its replicationreplikáció processfolyamat.
100
315000
2000
replikációs folyamatát láthatjátok.
05:42
So you're feedingetetés it with more materialanyag -- cubeskocka in this caseügy --
101
317000
4000
Szóval még több anyaggal
-- ebben az esetben kockákkal --
05:46
and more energyenergia, and it can make anotheregy másik robotrobot.
102
321000
3000
és még több energiával etetjük,
így létre tud hozni egy másik robotot.
05:49
So of coursetanfolyam, this is a very crudenyers machinegép,
103
324000
3000
Persze ez egy nagyon éretlen gép,
05:52
but we're workingdolgozó on a micro-scalemikro-skála versionváltozat of these,
104
327000
2000
de már dolgozunk ezek mikroméretű változatain,
05:54
and hopefullyremélhetőleg the cubeskocka will be like a powderpor that you pourönt in.
105
329000
3000
és remélhetőleg a kockák olyanok lesznek,
mint egy por, amit beöntesz.
05:57
OK, so what can we learntanul? These robotsrobotok are of coursetanfolyam
106
332000
5000
Oké, szóval mit tudunk ebből tanulni?
Ezek a robotok persze
06:02
not very usefulhasznos in themselvesmaguk, but they mightesetleg teachtanít us something
107
337000
3000
nem túl hasznosak önmagukban,
de megtaníthatnak nekünk valamit
06:05
about how we can buildépít better robotsrobotok,
108
340000
3000
arról, hogy hogyan tudnánk
jobb robotokat építeni,
06:08
and perhapstalán how humansemberek, animalsállatok, createteremt self-modelsönálló modellek and learntanul.
109
343000
5000
és talán azt, hogy az emberek és állatok
hogy építik ki önképüket, és hogy tanulnak.
06:13
And one of the things that I think is importantfontos
110
348000
2000
Az egyik dolog, ami szerintem fontos, az az,
06:15
is that we have to get away from this ideaötlet
111
350000
2000
hogy el kell rugaszkodnunk attól az ötlettől,
06:17
of designingtervezés the machinesgépek manuallymanuálisan,
112
352000
2000
hogy kézzel tervezzük meg a gépeket,
06:19
but actuallytulajdonképpen let them evolvefejlődik and learntanul, like childrengyermekek,
113
354000
3000
helyette hagynunk kell őket fejlődni és tanulni,
mint a gyerekeket,
06:22
and perhapstalán that's the way we'lljól get there. Thank you.
114
357000
2000
és talán ez lesz az az út, amin végül célba érünk. Köszönöm.
06:24
(ApplauseTaps)
115
359000
2000
(Taps)
Translated by Bálint Ármai
Reviewed by Judit Szabo

▲Back to top

ABOUT THE SPEAKER
Hod Lipson - Roboticist
Hod Lipson works at the intersection of engineering and biology, studying robots and the way they "behave" and evolve. His work has exciting implications for design and manufacturing -- and serves as a window to understand our own behavior and evolution.

Why you should listen

To say that Hod Lipson and his team at Cornell build robots is not completely accurate: They may simply set out a pile of virtual robot parts, devise some rules for assembly, and see what the parts build themselves into. They've created robots that decide for themselves how they want to walk; robots that develop a sense of what they look like; even robots that can, through trial and error, construct other robots just like themselves.

Working across disciplines -- physics, computer science, math, biology and several flavors of engineer -- the team studies techniques for self-assembly and evolution that have great implications for fields such as micro-manufacturing -- allowing tiny pieces to assemble themselves at scales heretofore impossible -- and extreme custom manufacturing (in other words, 3-D printers for the home).

His lab's Outreach page is a funhouse of tools and instructions, including the amazing Golem@Home -- a self-assembling virtual robot who lives in your screensaver.

More profile about the speaker
Hod Lipson | Speaker | TED.com