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 baut Roboter, die sich ihrer Selbst bewußt sind

Filmed:
1,460,460 views

Hod Lipson zeigt ein paar seiner coolen, kleinen Roboter, die die Fähigkeit besitzen zu lernen, sich selbst zu verstehen und sogar sich selbst zu reproduzieren.
- 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 robotsRoboter?
0
0
2000
Also, wo sind die Roboter?
00:27
We'veWir haben been told for 40 yearsJahre alreadybereits that they're comingKommen soonbald.
1
2000
3000
Seit 40 Jahren wird uns schon gesagt, dass sie bald kommen.
00:30
Very soonbald they'llsie werden be doing everything for us.
2
5000
3000
Sehr bald würden sie alles für uns machen:
00:33
They'llSie werden be cookingKochen, cleaningReinigung, buyingKauf things, shoppingEinkaufen, buildingGebäude. But they aren'tsind nicht here.
3
8000
5000
kochen, putzen, einkaufen, bauen. Aber sie sind nicht hier.
00:38
MeanwhileIn der Zwischenzeit, we have illegalillegal immigrantsEinwanderer doing all the work,
4
13000
4000
Inzwischen haben wir illegale Immigranten, die diese Arbeiten verrichten,
00:42
but we don't have any robotsRoboter.
5
17000
2000
aber wir haben keine Roboter.
00:44
So what can we do about that? What can we say?
6
19000
4000
Was können wir deshalb unternehmen? Was können wir sagen?
00:48
So I want to give a little bitBit of a differentanders perspectivePerspektive
7
23000
4000
Ich möchte eine andere Sichtweise anbieten,
00:52
of how we can perhapsvielleicht look at these things in a little bitBit of a differentanders way.
8
27000
6000
aus der wir diese Dinge vielleicht ein wenig anders betrachten können.
00:58
And this is an x-rayRöntgen pictureBild
9
33000
2000
Das ist ein Röntgenbild
01:00
of a realecht beetleKäfer, and a SwissSchweizer watch, back from '88. You look at that --
10
35000
5000
eines Käfers und einer Schweizer Uhr aus dem Jahr 1988.
01:05
what was truewahr then is certainlybestimmt truewahr todayheute.
11
40000
2000
Seitdem hat sich im Prinzip nichts geändert.
01:07
We can still make the piecesStücke. We can make the right piecesStücke.
12
42000
3000
Wir können noch immer die Einzelteile anfertigen.
01:10
We can make the circuitrySchaltung of the right computationalrechnerisch powerLeistung,
13
45000
3000
Wir können die Schaltkreise für die entsprechende Rechenleistung herstellen,
01:13
but we can't actuallytatsächlich put them togetherzusammen to make something
14
48000
3000
aber wir können sie nicht kombinieren, um etwas zu erschaffen,
01:16
that will actuallytatsächlich work and be as adaptiveadaptiv as these systemsSysteme.
15
51000
5000
das tatsächlich so funktioniert und so lernfähig ist wie diese Systeme.
01:21
So let's try to look at it from a differentanders perspectivePerspektive.
16
56000
2000
Betrachten wir es aus einer anderen Perspektive.
01:23
Let's summonherbeirufen the bestBeste designerDesigner, the motherMutter of all designersDesigner.
17
58000
4000
Rufen wir den besten Designer auf, die Mutter aller Designer:
01:27
Let's see what evolutionEvolution can do for us.
18
62000
3000
Schauen wir, was die Evolution für uns tun kann.
01:30
So we threwwarf in -- we createderstellt a primordialprimordial soupSuppe
19
65000
4000
Wir haben also alles hineingeworfen - sozusagen eine Ur-Suppe erschaffen
01:34
with lots of piecesStücke of robotsRoboter -- with barsRiegel, with motorsMotoren, with neuronsNeuronen.
20
69000
4000
mit vielen Teilen von Robotern: mit Stangen, mit Motoren, mit Neuronen.
01:38
Put them all togetherzusammen, and put all this underunter kindArt of naturalnatürlich selectionAuswahl,
21
73000
4000
Wir haben alles vermischt und einer Art natürlichen Auslese ausgesetzt, Mutation.
01:42
underunter mutationMutation, and rewardedbelohnt things for how well they can moveBewegung forwardVorwärts-.
22
77000
4000
Und wir haben Dinge dafür belohnt, wie gut sie sich vorwärts bewegen können.
01:46
A very simpleeinfach taskAufgabe, and it's interestinginteressant to see what kindArt of things camekam out of that.
23
81000
6000
Eine sehr einfache Aufgabe. Es ist interessant zu sehen, was dabei herauskam.
01:52
So if you look, you can see a lot of differentanders machinesMaschinen
24
87000
3000
Sie können viele verschiedene Maschinen sehen,
01:55
come out of this. They all moveBewegung around.
25
90000
2000
die so entstanden sind. Sie bewegen sich alle,
01:57
They all crawlkriechen in differentanders waysWege, and you can see on the right,
26
92000
4000
sie krabbeln auf verschiedene Arten, und Sie können hier rechts sehen,
02:01
that we actuallytatsächlich madegemacht a couplePaar of these things,
27
96000
2000
dass wir einige dieser Dinge hergestellt haben.
02:03
and they work in realityWirklichkeit. These are not very fantasticfantastisch robotsRoboter,
28
98000
3000
Und sie funktionieren tatsächlich. Keine besonders aufregenden Roboter,
02:06
but they evolvedentwickelt to do exactlygenau what we rewardBelohnung them for:
29
101000
4000
aber sie entwickelten sich, um genau das zu tun, wofür wir sie belohnten:
02:10
for movingbewegend forwardVorwärts-. So that was all doneerledigt in simulationSimulation,
30
105000
3000
sich vorwärts zu bewegen. Das ist nur eine Simulation,
02:13
but we can alsoebenfalls do that on a realecht machineMaschine.
31
108000
2000
aber es funktioniert auch mit einer echten Maschine.
02:15
Here'sHier ist a physicalphysisch robotRoboter that we actuallytatsächlich
32
110000
5000
Hier ist ein echter Roboter,
02:20
have a populationBevölkerung of brainsGehirne,
33
115000
3000
in dem eine Population von Gehirnen
02:23
competingim Wettbewerb, or evolvingsich entwickelnd on the machineMaschine.
34
118000
2000
wetteifert und sich entwickelt.
02:25
It's like a rodeoRodeo showShow. They all get a rideReiten on the machineMaschine,
35
120000
3000
Wie beim Rodeo: Alle bekommen einen Ritt auf der Maschine
02:28
and they get rewardedbelohnt for how fastschnell or how farweit
36
123000
3000
und werden dafür belohnt, wie schnell oder weit
02:31
they can make the machineMaschine moveBewegung forwardVorwärts-.
37
126000
2000
sie die Maschine vorwärts bewegen können.
02:33
And you can see these robotsRoboter are not readybereit
38
128000
2000
Diese Roboter sind noch nicht bereit,
02:35
to take over the worldWelt yetnoch, but
39
130000
3000
die Weltherrschaft zu übernehmen.
02:38
they graduallyallmählich learnlernen how to moveBewegung forwardVorwärts-,
40
133000
2000
Aber sie lernen allmählich, sich vorwärts zu bewegen.
02:40
and they do this autonomouslyautonom.
41
135000
3000
Und sie tun das autonom.
02:43
So in these two examplesBeispiele, we had basicallyGrundsätzlich gilt
42
138000
4000
In diesen zwei Beispielen haben wir Maschinen gesehen,
02:47
machinesMaschinen that learnedgelernt how to walkgehen in simulationSimulation,
43
142000
3000
die in der Simulation gelernt haben, zu gehen,
02:50
and alsoebenfalls machinesMaschinen that learnedgelernt how to walkgehen in realityWirklichkeit.
44
145000
2000
und andere, die es in der Wirklichkeit gelernt haben.
02:52
But I want to showShow you a differentanders approachAnsatz,
45
147000
2000
Aber ich möchte Ihnen einen anderen Ansatz zeigen.
02:54
and this is this robotRoboter over here, whichwelche has fourvier legsBeine.
46
149000
6000
Und das ist dieser Roboter. Er hat vier Beine und acht Motoren,
03:00
It has eightacht motorsMotoren, fourvier on the kneesKnie and fourvier on the hipHüfte.
47
155000
2000
vier für die Knie und vier für die Hüften.
03:02
It has alsoebenfalls two tiltNeigung sensorsSensoren that tell the machineMaschine
48
157000
3000
Er hat auch zwei Neigungssensoren, die ihm anzeigen,
03:05
whichwelche way it's tiltingKippen.
49
160000
3000
in welche Richtung er sich neigt.
03:08
But this machineMaschine doesn't know what it lookssieht aus like.
50
163000
2000
Diese Maschine weiß nicht, wie sie aussieht.
03:10
You look at it and you see it has fourvier legsBeine,
51
165000
2000
Sie sehen, dass sie vier Beine hat.
03:12
the machineMaschine doesn't know if it's a snakeSchlange, if it's a treeBaum,
52
167000
2000
Aber sie weiß nicht, ob sie eine Schlange oder ein Baum ist.
03:14
it doesn't have any ideaIdee what it lookssieht aus like,
53
169000
3000
Sie hat keine Vorstellung von ihrem Aussehen,
03:17
but it's going to try to find that out.
54
172000
2000
aber sie wird versuchen es herauszufinden.
03:19
InitiallyZunächst, it does some randomzufällig motionBewegung,
55
174000
2000
Anfänglich bewegt sie sich zufällig,
03:21
and then it triesversucht to figureZahl out what it mightMacht look like.
56
176000
3000
und dann versucht sie herauszufinden, wie sie aussehen könnte.
03:24
And you're seeingSehen a lot of things passingVorbeigehen throughdurch its mindsKöpfe,
57
179000
2000
Es gehen ihr viele Dinge durch den Kopf,
03:26
a lot of self-modelsselbst Modelle that try to explainerklären the relationshipBeziehung
58
181000
4000
viele Modelle ihrer Selbst, die die Beziehung zwischen
03:30
betweenzwischen actuationBetätigung and sensingWahrnehmung. It then triesversucht to do
59
185000
3000
Handeln und Wahrnehmen erklären sollen.
03:33
a secondzweite actionAktion that createserstellt the mostdie meisten disagreementMeinungsverschiedenheit
60
188000
4000
Eine zweite Aktion versucht dann, den größtmöglichen Widerspruch zwischen
03:37
amongunter predictionsVorhersagen of these alternativeAlternative modelsModelle,
61
192000
2000
den so gewonnenen Vorhersagen zu erzeugen,
03:39
like a scientistWissenschaftler in a labLabor. Then it does that
62
194000
2000
wie ein Wissenschaftler im Labor.
03:41
and triesversucht to explainerklären that, and prunePflaume out its self-modelsselbst Modelle.
63
196000
4000
Dann versucht sie, sich das alles zu erklären und die Modelle ihrer Selbst auszulichten.
03:45
This is the last cycleZyklus, and you can see it's prettyziemlich much
64
200000
3000
Das ist der letzte Zyklus, und Sie sehen,
03:48
figuredabgebildet out what its selfselbst lookssieht aus like. And onceEinmal it has a self-modelselbst-Modell,
65
203000
4000
dass sie herausgefunden hat, wie sie aussieht, und sobald sie ein Modell ihrer Selbst hat,
03:52
it can use that to deriveableiten a patternMuster of locomotionFortbewegung.
66
207000
4000
kann sie es verwenden, um davon ein Bewegungsmuster abzuleiten.
03:56
So what you're seeingSehen here are a couplePaar of machinesMaschinen --
67
211000
2000
Hier sehen Sie das Bewegungsmuster
03:58
a patternMuster of locomotionFortbewegung.
68
213000
2000
einer Maschine.
04:00
We were hopinghoffend that it wassWass going to have a kindArt of evilböse, spideryspinnenartigen walkgehen,
69
215000
4000
Wir hofften, dass sie eine Art bösen, spinnenartigen Gang haben würde,
04:04
but insteadstattdessen it createderstellt this prettyziemlich lameLame way of movingbewegend forwardVorwärts-.
70
219000
4000
aber stattdessen entwickelte sie diese ziemlich lahme Art der Vorwärtsbewegung.
04:08
But when you look at that, you have to remembermerken
71
223000
3000
Aber Sie müssen bedenken,
04:11
that this machineMaschine did not do any physicalphysisch trialsVersuche on how to moveBewegung forwardVorwärts-,
72
226000
6000
dass diese Maschine nie real ausprobiert hat, wie sie sich vorwärts bewegen kann,
04:17
nornoch did it have a modelModell- of itselfselbst.
73
232000
2000
noch hatte sie ein Modell ihrer selbst.
04:19
It kindArt of figuredabgebildet out what it lookssieht aus like, and how to moveBewegung forwardVorwärts-,
74
234000
3000
Sie hat irgendwie ausgerechnet, wie sie aussieht und sich vorwärts bewegen kann
04:22
and then actuallytatsächlich triedversucht that out.
75
237000
4000
und hat es dann tatsächlich ausprobiert.
04:26
(ApplauseApplaus)
76
241000
5000
(Applaus)
04:31
So, we'llGut moveBewegung forwardVorwärts- to a differentanders ideaIdee.
77
246000
4000
Schauen wir uns eine andere Sache an.
04:35
So that was what happenedpassiert when we had a couplePaar of --
78
250000
5000
Das geschah also, als wir einige --
04:40
that's what happenedpassiert when you had a couplePaar of -- OK, OK, OK --
79
255000
4000
das geschah, als wir einige --
04:44
(LaughterLachen)
80
259000
2000
(Lachen)
04:46
-- they don't like eachjede einzelne other. So
81
261000
2000
-- sie mögen einander nicht.
04:48
there's a differentanders robotRoboter.
82
263000
3000
Das ist ein anderer Roboter.
04:51
That's what happenedpassiert when the robotsRoboter actuallytatsächlich
83
266000
2000
Das geschieht, wenn die Roboter für etwas,
04:53
are rewardedbelohnt for doing something.
84
268000
2000
das sie tun, belohnt werden.
04:55
What happensdas passiert if you don't rewardBelohnung them for anything, you just throwwerfen them in?
85
270000
3000
Was geschieht, wenn man sie für gar nichts belohnt?
04:58
So we have these cubesWürfel, like the diagramDiagramm showedzeigte here.
86
273000
3000
Wir benutzten diese Würfel.
05:01
The cubeWürfel can swivelschwenkbar, or flipflip on its sideSeite,
87
276000
2000
Sie können sich drehen oder auf die Seite kippen.
05:04
and we just throwwerfen 1,000 of these cubesWürfel into a soupSuppe --
88
279000
4000
Wir werden einfach 1.000 dieser Würfel in einen Topf werfen und nicht belohnen.
05:08
this is in simulationSimulation --and-- und don't rewardBelohnung them for anything,
89
283000
2000
Das hier ist eine Simulation.
05:10
we just let them flipflip. We pumpPumpe energyEnergie into this
90
285000
3000
Wir lassen sie sich nur bewegen. Wir pumpen Energie hinein
05:13
and see what happensdas passiert in a couplePaar of mutationsMutationen.
91
288000
3000
und beobachten, was in ein paar Mutationen geschieht.
05:16
So, initiallyanfänglich nothing happensdas passiert, they're just flippingspiegeln around there.
92
291000
3000
Anfänglich geschieht überhaupt nichts, sie zappeln nur herum.
05:19
But after a very shortkurz while, you can see these blueblau things
93
294000
4000
Aber nach kurzer Zeit können Sie sehen, wie die blauen Dinger
05:23
on the right there beginStart to take over.
94
298000
2000
auf der rechten Seite die Oberhand gewinnen.
05:25
They beginStart to self-replicateselbst replizieren. So in absenceAbwesenheit of any rewardBelohnung,
95
300000
4000
Sie beginnen sich selbst zu reproduzieren. Ohne jede Belohnung
05:29
the intrinsicintrinsische rewardBelohnung is self-replicationSelbstreplikation.
96
304000
3000
wird die Selbst-Reproduktion zur intrinsischen Belohnung.
05:32
And we'vewir haben actuallytatsächlich builtgebaut a couplePaar of these,
97
307000
1000
Wir haben einige gebaut.
05:33
and this is partTeil of a largergrößer robotRoboter madegemacht out of these cubesWürfel.
98
308000
4000
Das hier ist ein Teil eines größeren Roboters, der aus diesen Würfeln besteht.
05:37
It's an acceleratedbeschleunigt viewAussicht, where you can see the robotRoboter actuallytatsächlich
99
312000
3000
Es ist eine beschleunigte Ansicht, in der man sieht,
05:40
carryingTragen out some of its replicationReplikation processverarbeiten.
100
315000
2000
wie sich der Roboter selbst repliziert.
05:42
So you're feedingFütterung it with more materialMaterial -- cubesWürfel in this caseFall --
101
317000
4000
Wenn man ihn mit mehr Material füttert, in diesem Fall mit Würfeln,
05:46
and more energyEnergie, and it can make anotherein anderer robotRoboter.
102
321000
3000
und mit mehr Energie, kann er einen weiteren Roboter bauen.
05:49
So of courseKurs, this is a very crudegrobe machineMaschine,
103
324000
3000
Das ist natürlich eine sehr primitive Maschine,
05:52
but we're workingArbeiten on a micro-scaleMikromaßstab versionVersion of these,
104
327000
2000
aber wir arbeiten auch an Mikro-Versionen.
05:54
and hopefullyhoffentlich the cubesWürfel will be like a powderPulver that you pourgießen in.
105
329000
3000
Hoffentlich werden die Würfel wie Puder, das man wo hinzugibt.
05:57
OK, so what can we learnlernen? These robotsRoboter are of courseKurs
106
332000
5000
OK, was können wir daraus lernen? Diese Roboter sind natürlich
06:02
not very usefulsinnvoll in themselvessich, but they mightMacht teachlehren us something
107
337000
3000
an sich nicht sehr nützlich, aber sie könnten uns beibringen,
06:05
about how we can buildbauen better robotsRoboter,
108
340000
3000
wie man bessere Roboter baut
06:08
and perhapsvielleicht how humansMenschen, animalsTiere, createerstellen self-modelsselbst Modelle and learnlernen.
109
343000
5000
und vielleicht wie Menschen und Tiere lernen und Modelle ihrer Selbst erzeugen.
06:13
And one of the things that I think is importantwichtig
110
348000
2000
Ich denke, es ist wichtig,
06:15
is that we have to get away from this ideaIdee
111
350000
2000
dass wir uns von der Idee lösen,
06:17
of designingEntwerfen the machinesMaschinen manuallymanuell,
112
352000
2000
Maschinen selbst zu entwerfen.
06:19
but actuallytatsächlich let them evolveentwickeln and learnlernen, like childrenKinder,
113
354000
3000
Wir sollten sie sich entwickeln und lernen lassen wie Kinder.
06:22
and perhapsvielleicht that's the way we'llGut get there. Thank you.
114
357000
2000
Vielleicht ist das der richtige Weg. Vielen Dank.
06:24
(ApplauseApplaus)
115
359000
2000
(Applaus)
Translated by Sabrina Gründlinger
Reviewed by Manuel Tanner

▲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