TED2007
Hod Lipson: Building "self-aware" robots
Hod Lipson staví roboty, kteří "si uvědomují sami sebe"
Filmed:
Readability: 3.1
1,460,460 views
Hod Lipson představuje pár svých úžasných malých robotů, kteří se dokáží učit, porozumět sobě samým a dokonce se i replikovat.
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
Nuže, kde jsou roboti?
00:27
We've been told for 40 years already that they're coming soon.
1
2000
3000
Už 40 let se nám tvrdí, že přijdou brzy.
00:30
Very soon they'll be doing everything for us.
2
5000
3000
Velmi brzy pro nás budou dělat vše:
00:33
They'll be cooking, cleaning, buying things, shopping, building. But they aren't here.
3
8000
5000
budou vařit, uklízet, kupovat věci, nakupovat, stavět. Ale nejsou tady.
00:38
Meanwhile, we have illegal immigrants doing all the work,
4
13000
4000
Zatím máme ilegální přistěhovalce, kteří dělají veškerou práci,
00:42
but we don't have any robots.
5
17000
2000
ale nemáme žádné roboty.
00:44
So what can we do about that? What can we say?
6
19000
4000
Takže co s tím můžeme udělat? Co můžeme říci?
00:48
So I want to give a little bit of a different perspective
7
23000
4000
Chci nabídnout trochu odlišný úhel pohledu
00:52
of how we can perhaps look at these things in a little bit of a different way.
8
27000
6000
jak se asi můžeme na tyto věci podívat.
00:58
And this is an x-ray picture
9
33000
2000
Toto je rentgenový snímek
01:00
of a real beetle, and a Swiss watch, back from '88. You look at that --
10
35000
5000
skutečného brouka a švýcarských hodinek z roku 88. Podívejte se na to --
01:05
what was true then is certainly true today.
11
40000
2000
co byla pravda tehdy, je vskutku pravda i dnes.
01:07
We can still make the pieces. We can make the right pieces.
12
42000
3000
Stále můžeme vyrobit části, můžeme vyrobit správné části,
01:10
We can make the circuitry of the right computational power,
13
45000
3000
můžeme vyrobit obvody o vhodné výpočetní síle,
01:13
but we can't actually put them together to make something
14
48000
3000
ale nemůžeme je složit dohromady, abychom vyrobili něco,
01:16
that will actually work and be as adaptive as these systems.
15
51000
5000
co bude skutečně pracovat a bude stejně přizpůsobivé jako tyto systémy.
01:21
So let's try to look at it from a different perspective.
16
56000
2000
Takže se na to pojďme podívat z odlišné perspektivy.
01:23
Let's summon the best designer, the mother of all designers.
17
58000
4000
Povolejme nejlepší návrhářku, matku všech návrhářů:
01:27
Let's see what evolution can do for us.
18
62000
3000
podívejme se, co pro nás může udělat evoluce.
01:30
So we threw in -- we created a primordial soup
19
65000
4000
Takže jsme se do toho pustili -- vytvořili jsme prvotní směs
01:34
with lots of pieces of robots -- with bars, with motors, with neurons.
20
69000
4000
z mnoha kusů robotů: z tyčí, z motorů, z neuronů.
01:38
Put them all together, and put all this under kind of natural selection,
21
73000
4000
Složme toto vše dohromady a předložme to přírodnímu výběru,
01:42
under mutation, and rewarded things for how well they can move forward.
22
77000
4000
mutaci, a odměňujme věci za to, jak dobře se mohou pohybovat vpřed.
01:46
A very simple task, and it's interesting to see what kind of things came out of that.
23
81000
6000
Velmi jednoduchý úkol a je zajímavé vidět, co z toho vzešlo.
01:52
So if you look, you can see a lot of different machines
24
87000
3000
Když se podíváte, můžete vidět mnoho různých strojů
01:55
come out of this. They all move around.
25
90000
2000
takto vzniklých. Všichni se pohybují kolem,
01:57
They all crawl in different ways, and you can see on the right,
26
92000
4000
všichni se plazí různými způsoby, a jak můžete vidět vpravo,
02:01
that we actually made a couple of these things,
27
96000
2000
vyrobili jsme pár takových věcí
02:03
and they work in reality. These are not very fantastic robots,
28
98000
3000
a ty opravdu fungují ve skutečnosti. Nejsou to příliš fantastičtí roboti,
02:06
but they evolved to do exactly what we reward them for:
29
101000
4000
ale vyvinuli se pro dělání přesně toho, za co je odměňujeme:
02:10
for moving forward. So that was all done in simulation,
30
105000
3000
pro pohyb vpřed. Tedy toto všechno bylo uděláno v simulaci,
02:13
but we can also do that on a real machine.
31
108000
2000
ale zároveň to lze dělat i se skutečným strojem.
02:15
Here's a physical robot that we actually
32
110000
5000
Zde je fyzický robot, kterého skutečně máme,
02:20
have a population of brains,
33
115000
3000
má několik mozků,
02:23
competing, or evolving on the machine.
34
118000
2000
které soutěží a vyvíjejí se.
02:25
It's like a rodeo show. They all get a ride on the machine,
35
120000
3000
Je to jako rodeo: střídají se na stroji
02:28
and they get rewarded for how fast or how far
36
123000
3000
a jsou odměňováni za to, jak rychle či jak daleko
02:31
they can make the machine move forward.
37
126000
2000
dokáží se strojem pohnout vpřed.
02:33
And you can see these robots are not ready
38
128000
2000
A můžete vidět, že tito roboti nejsou připraveni
02:35
to take over the world yet, but
39
130000
3000
ovládnout svět, ale
02:38
they gradually learn how to move forward,
40
133000
2000
postupně se učí, jak se pohybovat dopředu,
02:40
and they do this autonomously.
41
135000
3000
a dělají to samostatně.
02:43
So in these two examples, we had basically
42
138000
4000
Takže v těchto dvou příkladech jsme měli v základě
02:47
machines that learned how to walk in simulation,
43
142000
3000
stroje, které se učily chodit v simulaci,
02:50
and also machines that learned how to walk in reality.
44
145000
2000
a také stroje, které se učily chodit ve skutečnosti.
02:52
But I want to show you a different approach,
45
147000
2000
Ale chci vám ukázat odlišný přístup
02:54
and this is this robot over here, which has four legs.
46
149000
6000
a to tohoto robota, právě zde, který má čtyři nohy,
03:00
It has eight motors, four on the knees and four on the hip.
47
155000
2000
osm motorů, čtyři na kolenou a čtyři na boku.
03:02
It has also two tilt sensors that tell the machine
48
157000
3000
Má také dva senzory náklonu, které stroji říkají,
03:05
which way it's tilting.
49
160000
3000
jakým směrem je nakloněný.
03:08
But this machine doesn't know what it looks like.
50
163000
2000
Ale tento stroj neví, jak vypadá.
03:10
You look at it and you see it has four legs,
51
165000
2000
Vy se na něj podíváte a vidíte, že má čtyři nohy,
03:12
the machine doesn't know if it's a snake, if it's a tree,
52
167000
2000
stroj neví, zda je had, strom,
03:14
it doesn't have any idea what it looks like,
53
169000
3000
nemá žádnou představu jak vypadá,
03:17
but it's going to try to find that out.
54
172000
2000
ale hodlá to zkusit zjistit.
03:19
Initially, it does some random motion,
55
174000
2000
Nejprve dělá nějaké náhodné pohyby
03:21
and then it tries to figure out what it might look like.
56
176000
3000
a posléze se snaží zjistit, jak může vypadat --
03:24
And you're seeing a lot of things passing through its minds,
57
179000
2000
a vy vidíte, že jeho myslí prochází mnoho věcí,
03:26
a lot of self-models that try to explain the relationship
58
181000
4000
mnoho modelů sebe sama, které se snaží vysvětlit vztah
03:30
between actuation and sensing. It then tries to do
59
185000
3000
mezi podněty a vnímáním -- a poté se snaží udělat
03:33
a second action that creates the most disagreement
60
188000
4000
druhý krok, a to, že vytváří největší neshody
03:37
among predictions of these alternative models,
61
192000
2000
mezi predikcemi těchto alternativních modelů,
03:39
like a scientist in a lab. Then it does that
62
194000
2000
jako vědec v laboratoři. Pak to provede
03:41
and tries to explain that, and prune out its self-models.
63
196000
4000
a snaží se je vysvětlit, přičemž postupně vyřazuje modely.
03:45
This is the last cycle, and you can see it's pretty much
64
200000
3000
Toto je poslední cyklus a jak můžete vidět, pěkně
03:48
figured out what its self looks like. And once it has a self-model,
65
203000
4000
přišel na to, jak vypadá. A jakmile má model sebe sama,
03:52
it can use that to derive a pattern of locomotion.
66
207000
4000
může jej použít pro odvození vzorce pro pohyb.
03:56
So what you're seeing here are a couple of machines --
67
211000
2000
Tedy co zde sledujete, je pár strojů --
03:58
a pattern of locomotion.
68
213000
2000
vzory pohybu.
04:00
We were hoping that it wass going to have a kind of evil, spidery walk,
69
215000
4000
Doufali jsme, že bude mít typ ďábelské pavoučí chůze,
04:04
but instead it created this pretty lame way of moving forward.
70
219000
4000
ale místo toho si vytvořil tento pěkně chromý způsob pohybu vpřed.
04:08
But when you look at that, you have to remember
71
223000
3000
Ale když se na toto podíváte, musíte mít na paměti,
04:11
that this machine did not do any physical trials on how to move forward,
72
226000
6000
že tento stroj nikdy nezkoušel jak se pohybovat vpřed
04:17
nor did it have a model of itself.
73
232000
2000
ani neměl model sám sebe.
04:19
It kind of figured out what it looks like, and how to move forward,
74
234000
3000
Sám zjistil jak vypadá a jak se pohybovat vpřed
04:22
and then actually tried that out.
75
237000
4000
a teprve až potom to skutečně zkusil.
04:26
(Applause)
76
241000
5000
(Potlesk)
04:31
So, we'll move forward to a different idea.
77
246000
4000
Nuže, přesuňme se k jiné myšlence.
04:35
So that was what happened when we had a couple of --
78
250000
5000
Takže toto se stalo, když jsme měli pár --
04:40
that's what happened when you had a couple of -- OK, OK, OK --
79
255000
4000
toto se stalo, když máte pár -- OK, OK, OK --
04:44
(Laughter)
80
259000
2000
(Smích)
04:46
-- they don't like each other. So
81
261000
2000
-- nemají se rádi.Takže
04:48
there's a different robot.
82
263000
3000
zde je jiný robot.
04:51
That's what happened when the robots actually
83
266000
2000
Toto se stalo, když jsou roboti
04:53
are rewarded for doing something.
84
268000
2000
odměňováni za dělání něčeho.
04:55
What happens if you don't reward them for anything, you just throw them in?
85
270000
3000
Co se stane, když je nebudete odměňovat za nic, jen je tak ponecháte?
04:58
So we have these cubes, like the diagram showed here.
86
273000
3000
Takže máme tyto kostky, jak ukazuje diagram tady.
05:01
The cube can swivel, or flip on its side,
87
276000
2000
Kostka se může otáčet nebo překlápět na stranu.
05:04
and we just throw 1,000 of these cubes into a soup --
88
279000
4000
Dali jsme 1000 těchto kostek na hromadu --
05:08
this is in simulation --and don't reward them for anything,
89
283000
2000
toto je v simulaci -- a za nic jsme je neodměňovali,
05:10
we just let them flip. We pump energy into this
90
285000
3000
jen jsme je nechali převracet. Dodáváme energii
05:13
and see what happens in a couple of mutations.
91
288000
3000
a sledujeme, co se děje po pár mutacích.
05:16
So, initially nothing happens, they're just flipping around there.
92
291000
3000
Zprvu se neděje nic, jen se tak převracejí dokola.
05:19
But after a very short while, you can see these blue things
93
294000
4000
Ale po velmi krátké době můžete vidět, že tyto modré věci
05:23
on the right there begin to take over.
94
298000
2000
na pravé straně začínají převládat.
05:25
They begin to self-replicate. So in absence of any reward,
95
300000
4000
Začínají se replikovat. Tedy při absenci jakékoli odměny
05:29
the intrinsic reward is self-replication.
96
304000
3000
je vlastní odměnou replikování.
05:32
And we've actually built a couple of these,
97
307000
1000
Skutečně jsme pár takových vyrobili
05:33
and this is part of a larger robot made out of these cubes.
98
308000
4000
a toto je část většího robota vytvořeného z těchto kostek.
05:37
It's an accelerated view, where you can see the robot actually
99
312000
3000
Ve zrychleném záznamu můžete vidět robota, který skutečně
05:40
carrying out some of its replication process.
100
315000
2000
provádí replikační proces.
05:42
So you're feeding it with more material -- cubes in this case --
101
317000
4000
Tedy dodáváte mu materiál -- v tomto případě kostky --
05:46
and more energy, and it can make another robot.
102
321000
3000
a energii, a on může vyrobit dalšího robota.
05:49
So of course, this is a very crude machine,
103
324000
3000
Toto je samozřejmě velice nezralý stroj,
05:52
but we're working on a micro-scale version of these,
104
327000
2000
ale pracujeme na jeho mikroverzi,
05:54
and hopefully the cubes will be like a powder that you pour in.
105
329000
3000
snad budou kostky ve formě prášku, který tam nasypete.
05:57
OK, so what can we learn? These robots are of course
106
332000
5000
OK, takže co se můžeme naučit? Tito roboti samozřejmě
06:02
not very useful in themselves, but they might teach us something
107
337000
3000
nejsou sami o sobě příliš užiteční, ale můžou nás naučit něco
06:05
about how we can build better robots,
108
340000
3000
o stavění lepších robotů
06:08
and perhaps how humans, animals, create self-models and learn.
109
343000
5000
a, možná, jak lidé či zvířata vytvářejí modely sebe sama a jak se učí.
06:13
And one of the things that I think is important
110
348000
2000
A jedna z věcí, která je, myslím, důležitá,
06:15
is that we have to get away from this idea
111
350000
2000
je, že musíme upustit od myšlenky
06:17
of designing the machines manually,
112
352000
2000
konstruovat stroje ručně,
06:19
but actually let them evolve and learn, like children,
113
354000
3000
ale raději je nechat vyvíjet a učit, jako děti.
06:22
and perhaps that's the way we'll get there. Thank you.
114
357000
2000
A možná toto je cesta jak toho dosáhnout. Děkuji.
06:24
(Applause)
115
359000
2000
(Potlesk)
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