TED2007
Hod Lipson: Building "self-aware" robots
Ход Липсон гради „само-свесни“ роботи
Filmed:
Readability: 3.1
1,460,460 views
Ход Липсон ни презентира неколку од неговите кул роботчиња, кои се способни да учат, да се разбираат самите себеси, па дури и да прават свои реплики.
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. Full bio
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 robots?
0
0
2000
Па, каде се роботите?
00:27
We've been told for 40 years already that they're coming soon.
1
2000
3000
Цели 40 години ни велат дека набрзо ќе дојдат.
00:30
Very soon they'll be doing everything for us.
2
5000
3000
Набрзо ќе прават сè наместо нас:
00:33
They'll be cooking, cleaning, buying things, shopping, building. But they aren't here.
3
8000
5000
ќе готват, чистат, пазаруваат, ќе градат. Но, нив ги нема.
00:38
Meanwhile, we have illegal immigrants doing all the work,
4
13000
4000
Во меѓувреме, целата таа работа ни ја завршуваат илегалните имигранти,
00:42
but we don't have any robots.
5
17000
2000
ама роботи нема.
00:44
So what can we do about that? What can we say?
6
19000
4000
Па, што може да направиме? Што да кажеме?
00:48
So I want to give a little bit of a different perspective
7
23000
4000
Сакам да ви дадам малку поинаков поглед кон тоа...
00:52
of how we can perhaps look at these things in a little bit of a different way.
8
27000
6000
како може да гледаме на ова од друга страна.
00:58
And this is an x-ray picture
9
33000
2000
Ова е рентгенска снимка од 1988 година,
01:00
of a real beetle, and a Swiss watch, back from '88. You look at that --
10
35000
5000
на која се сликани вистински тврдокрилец и швајцарски часовник.
01:05
what was true then is certainly true today.
11
40000
2000
Тоа што важеше тогаш, важи и сега.
01:07
We can still make the pieces. We can make the right pieces.
12
42000
3000
Сè уште можеме да ги направиме деловите, вистинските делови,
01:10
We can make the circuitry of the right computational power,
13
45000
3000
може да направиме електрични кола со соодветна сметачка моќ,
01:13
but we can't actually put them together to make something
14
48000
3000
но не можеме да ги споиме, за да создадеме нешто што
01:16
that will actually work and be as adaptive as these systems.
15
51000
5000
навистина би функционирало и би се адаптирало како овие системи.
01:21
So let's try to look at it from a different perspective.
16
56000
2000
Па, ајде да го погледнеме ова од друга перспектива.
01:23
Let's summon the best designer, the mother of all designers.
17
58000
4000
Да се повикаме на најдобриот дизајнер, мајката на сите дизајнери:
01:27
Let's see what evolution can do for us.
18
62000
3000
да видиме како еволуцијата може да ни помогне.
01:30
So we threw in -- we created a primordial soup
19
65000
4000
Создадовме примордијална супа
01:34
with lots of pieces of robots -- with bars, with motors, with neurons.
20
69000
4000
од многу делчиња од роботи: прачки, мотори, неврони.
01:38
Put them all together, and put all this under kind of natural selection,
21
73000
4000
Ги составивме и оставивме да настане еден вид природна селекција,
01:42
under mutation, and rewarded things for how well they can move forward.
22
77000
4000
мутација, и ги наградувавме за тоа колку добро може да се движат напред.
01:46
A very simple task, and it's interesting to see what kind of things came out of that.
23
81000
6000
Многу едноставна задача и интересно е да се види што произлезе од неа.
01:52
So if you look, you can see a lot of different machines
24
87000
3000
Ќе видите дека од ова се создаваат
01:55
come out of this. They all move around.
25
90000
2000
многу различни машини. Сите се движат наоколу,
01:57
They all crawl in different ways, and you can see on the right,
26
92000
4000
лазат во различни правци. Десно може да видите
02:01
that we actually made a couple of these things,
27
96000
2000
дека, всушност, изградивме неколку до нив
02:03
and they work in reality. These are not very fantastic robots,
28
98000
3000
и тие функционираат во реалноста. Не се некои фантастични роботи,
02:06
but they evolved to do exactly what we reward them for:
29
101000
4000
но еволуираа да го прават точно она за што ги наградувавме,
02:10
for moving forward. So that was all done in simulation,
30
105000
3000
а тоа е да се движат напред. Сето ова го направивме како симулација,
02:13
but we can also do that on a real machine.
31
108000
2000
но истото може да се направи и со реална машина.
02:15
Here's a physical robot that we actually
32
110000
5000
Еве еден вистински робот,
02:20
have a population of brains,
33
115000
3000
што има повеќе мозоци,
02:23
competing, or evolving on the machine.
34
118000
2000
кои се натпреваруваат, т.е. еволуираат во самата машина.
02:25
It's like a rodeo show. They all get a ride on the machine,
35
120000
3000
Како на родео: сите се возат на машината
02:28
and they get rewarded for how fast or how far
36
123000
3000
и добиваат награда за далечината или брзината
02:31
they can make the machine move forward.
37
126000
2000
со која ја движат машината напред.
02:33
And you can see these robots are not ready
38
128000
2000
Како што гледате, овие роботи сè уште не се подготвени
02:35
to take over the world yet, but
39
130000
3000
да го освојат светот,
02:38
they gradually learn how to move forward,
40
133000
2000
но постепено учат како да одат напред,
02:40
and they do this autonomously.
41
135000
3000
и тоа го учат автономно.
02:43
So in these two examples, we had basically
42
138000
4000
Преку овие два примери, во основа, видовме
02:47
machines that learned how to walk in simulation,
43
142000
3000
машини кои научиле како да одат преку симулација
02:50
and also machines that learned how to walk in reality.
44
145000
2000
и машини кои научиле како да одат во реалноста.
02:52
But I want to show you a different approach,
45
147000
2000
Но, сакам да ви покажам друг пристап,
02:54
and this is this robot over here, which has four legs.
46
149000
6000
а тоа е овој робот, кој има четири нозе
03:00
It has eight motors, four on the knees and four on the hip.
47
155000
2000
и осум мотори - четири на колената и четири на колковите.
03:02
It has also two tilt sensors that tell the machine
48
157000
3000
Има и два сензори за наклон преку кои
03:05
which way it's tilting.
49
160000
3000
машината знае на која страна е наклонета.
03:08
But this machine doesn't know what it looks like.
50
163000
2000
Машинава не знае како изгледа.
03:10
You look at it and you see it has four legs,
51
165000
2000
Вие ја гледате и гледате дека има четири нозе,
03:12
the machine doesn't know if it's a snake, if it's a tree,
52
167000
2000
но машината не знае дали е змија или е дрво.
03:14
it doesn't have any idea what it looks like,
53
169000
3000
Нема поим како изгледа,
03:17
but it's going to try to find that out.
54
172000
2000
но ќе се обиде да го дознае тоа.
03:19
Initially, it does some random motion,
55
174000
2000
На почетокот, прави случајни движења,
03:21
and then it tries to figure out what it might look like.
56
176000
3000
а потоа се обидува да открие како изгледа -
03:24
And you're seeing a lot of things passing through its minds,
57
179000
2000
гледате како многу работи минуваат низ главата на машината,
03:26
a lot of self-models that try to explain the relationship
58
181000
4000
многу модели со кои се обидува да ја објасни врската
03:30
between actuation and sensing. It then tries to do
59
185000
3000
помеѓу делувањето и чувствувањето - потоа се обидува да направи
03:33
a second action that creates the most disagreement
60
188000
4000
второ дејство, кое создава најголем број несогласувања
03:37
among predictions of these alternative models,
61
192000
2000
кај предвидувањата на овие алтернативни модели.
03:39
like a scientist in a lab. Then it does that
62
194000
2000
Како научник во лабораторија. Откако ќе го направи тоа,
03:41
and tries to explain that, and prune out its self-models.
63
196000
4000
се обидува да го објасни и да ги прочисти моделите.
03:45
This is the last cycle, and you can see it's pretty much
64
200000
3000
Ова е последниот циклус и, како што гледате, горе-долу веќе
03:48
figured out what its self looks like. And once it has a self-model,
65
203000
4000
сфатила како изгледа, и штом има модел за себе,
03:52
it can use that to derive a pattern of locomotion.
66
207000
4000
може да го искористи за да изведе шема за движење.
03:56
So what you're seeing here are a couple of machines --
67
211000
2000
Ова што го гледате е
03:58
a pattern of locomotion.
68
213000
2000
шема на движење.
04:00
We were hoping that it wass going to have a kind of evil, spidery walk,
69
215000
4000
Се надевавме дека ќе развие еден вид злобен од, како кај пајак,
04:04
but instead it created this pretty lame way of moving forward.
70
219000
4000
но наместо тоа го разви овој бизарен начин на движење.
04:08
But when you look at that, you have to remember
71
223000
3000
Кога го гледате ова, треба да имате на ум дека машинава
04:11
that this machine did not do any physical trials on how to move forward,
72
226000
6000
не учела преку никакви физички тренинзи како да се движи напред,
04:17
nor did it have a model of itself.
73
232000
2000
ниту пак имала модел за самата себе.
04:19
It kind of figured out what it looks like, and how to move forward,
74
234000
3000
Некако самата сфатила како изгледа и како да се движи,
04:22
and then actually tried that out.
75
237000
4000
и потоа се обиде да го изведе тоа.
04:26
(Applause)
76
241000
5000
(Аплауз)
04:31
So, we'll move forward to a different idea.
77
246000
4000
Ќе се префрлиме на друга идеја.
04:35
So that was what happened when we had a couple of --
78
250000
5000
Ова се случи кога имавме...
04:40
that's what happened when you had a couple of -- OK, OK, OK --
79
255000
4000
кога имавме... чекај, чекај...
04:44
(Laughter)
80
259000
2000
(Смеа)
04:46
-- they don't like each other. So
81
261000
2000
Не се сакаат баш.
04:48
there's a different robot.
82
263000
3000
Ова е друг робот.
04:51
That's what happened when the robots actually
83
266000
2000
Ова се случува кога на роботите им се дава
04:53
are rewarded for doing something.
84
268000
2000
награда за нешто што ќе го сторат.
04:55
What happens if you don't reward them for anything, you just throw them in?
85
270000
3000
Но, што ќе се случи ако не им се дава награда, туку само ги нафрламе заедно?
04:58
So we have these cubes, like the diagram showed here.
86
273000
3000
Ги имаме овие коцки, како што се гледа на дијаграмот.
05:01
The cube can swivel, or flip on its side,
87
276000
2000
Коцката може да ротира околу оска или да се превртува на страна.
05:04
and we just throw 1,000 of these cubes into a soup --
88
279000
4000
Ставивме 1.000 вакви коцки на куп -
05:08
this is in simulation --and don't reward them for anything,
89
283000
2000
ова е симулација - и не им дававме никаква награда,
05:10
we just let them flip. We pump energy into this
90
285000
3000
само ги оставивме да се превртуваат. Им додававме енергија
05:13
and see what happens in a couple of mutations.
91
288000
3000
и гледаме што се случува после неколку мутации.
05:16
So, initially nothing happens, they're just flipping around there.
92
291000
3000
На почетокот, не се случува ништо. Тие само се превртуваат.
05:19
But after a very short while, you can see these blue things
93
294000
4000
Но, набрзо гледате како овие сини нешта
05:23
on the right there begin to take over.
94
298000
2000
на десната страна ја земаат работата во свои раце.
05:25
They begin to self-replicate. So in absence of any reward,
95
300000
4000
Почнуваат да прават свои копии. Па, така, во отсуство на награда,
05:29
the intrinsic reward is self-replication.
96
304000
3000
природната награда е само-реплицирањето.
05:32
And we've actually built a couple of these,
97
307000
1000
Всушност, направивме неколку вакви коцки,
05:33
and this is part of a larger robot made out of these cubes.
98
308000
4000
кои се делови од поголем робот.
05:37
It's an accelerated view, where you can see the robot actually
99
312000
3000
Ова е забрзана снимка, на која можете да видите како роботот
05:40
carrying out some of its replication process.
100
315000
2000
го изведува процесот на реплицирање.
05:42
So you're feeding it with more material -- cubes in this case --
101
317000
4000
Го храните со повеќе материјал - во овој случај, коцки -
05:46
and more energy, and it can make another robot.
102
321000
3000
и повеќе енергија, и тој може да направи друг робот.
05:49
So of course, this is a very crude machine,
103
324000
3000
Секако, ова е многу груба машина,
05:52
but we're working on a micro-scale version of these,
104
327000
2000
но работиме и на микро верзија од коцкиве,
05:54
and hopefully the cubes will be like a powder that you pour in.
105
329000
3000
па се надеваме дека тие би изгледале како прав, кој се истура.
05:57
OK, so what can we learn? These robots are of course
106
332000
5000
Значи, што може да научиме? Роботиве не се многу
06:02
not very useful in themselves, but they might teach us something
107
337000
3000
корисни сами по себе, но може да нè научат
06:05
about how we can build better robots,
108
340000
3000
како да градиме подобри роботи
06:08
and perhaps how humans, animals, create self-models and learn.
109
343000
5000
или можеби како луѓето и животните создаваат сопствени модели и како учат.
06:13
And one of the things that I think is important
110
348000
2000
Мислам дека е важно
06:15
is that we have to get away from this idea
111
350000
2000
да се оддалечиме од идејата
06:17
of designing the machines manually,
112
352000
2000
дека рачно треба да ги дизајнираме машините,
06:19
but actually let them evolve and learn, like children,
113
354000
3000
туку, всушност, да ги оставиме да еволуираат и да учат, како деца,
06:22
and perhaps that's the way we'll get there. Thank you.
114
357000
2000
и можеби така ќе успееме. Благодарам.
06:24
(Applause)
115
359000
2000
(Аплауз)
ABOUT THE SPEAKER
Hod Lipson - RoboticistHod 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.
Hod Lipson | Speaker | TED.com