TED2007
Hod Lipson: Building "self-aware" robots
Ο Χοντ Λίπσον κατασκευάζει ρομπότ που διαθέτουν "αυτο-επίγνωση"
Filmed:
Readability: 3.1
1,460,460 views
Ο Χοντ Λιπσον παρουσιάζει μερικά από τα μικρά φοβερά ρομπότ του, που έχουν την δυνατότητα να μάθουν, να καταλάβουν τον εαυτό τους, ακόμα και να αναπαράγονται μόνα τους.
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
Λοιπόν, πού είναι τα ρομπότ;
00:27
We've been told for 40 years already that they're coming soon.
1
2000
3000
Εδώ και 40 χρόνια μας έλεγαν ότι έρχονται σύντομα.
00:30
Very soon they'll be doing everything for us.
2
5000
3000
Πολύ σύντομα θα κάνουν τα πάντα για εμάς.
00:33
They'll be cooking, cleaning, buying things, shopping, building. But they aren't here.
3
8000
5000
Θα μαγειρεύουν, καθαρίζουν, αγοράζουν, ψωνίζουν, χτίζουν. Αλλά δεν είναι εδώ.
00:38
Meanwhile, we have illegal immigrants doing all the work,
4
13000
4000
Εν τω μεταξύ, έχουμε παράνομους μετανάστες να κάνουν όλη τη δουλειά,
00:42
but we don't have any robots.
5
17000
2000
αλλά δεν έχουμε καθόλου ρομπότ.
00:44
So what can we do about that? What can we say?
6
19000
4000
Τι μπορούμε να κάνουμε λοιπόν για αυτό; Τι μπορούμε να πούμε;
00:48
So I want to give a little bit of a different perspective
7
23000
4000
Θέλω λοιπόν να δώσω μια διαφορετική προοπτική
00:52
of how we can perhaps look at these things in a little bit of a different way.
8
27000
6000
του πώς θα μπορούσαμε να τα δούμε αυτά με λίγο διαφορετικό τρόπο.
00:58
And this is an x-ray picture
9
33000
2000
Αυτή είναι μια ακτινογραφία
01:00
of a real beetle, and a Swiss watch, back from '88. You look at that --
10
35000
5000
ενός πραγματικού σκαθαριού και ενός ελβετικού ρολογιού, από το '88. Βλέπεται πως
01:05
what was true then is certainly true today.
11
40000
2000
ό,τι ήταν τότε αληθινό είναι σίγουρα αληθινό και σήμερα.
01:07
We can still make the pieces. We can make the right pieces.
12
42000
3000
Μπορούμε ακόμα να φτιάξουμε τα κομμάτια. Μπορούμε να φτιάξουμε τα σωστά κομμάτια.
01:10
We can make the circuitry of the right computational power,
13
45000
3000
Μπορούμε να φτιάξουμε το κύκλωμα της σωστής υπολογιστικής ισχύος,
01:13
but we can't actually put them together to make something
14
48000
3000
αλλά στην πραγματικότητα δεν μπορούμε να τα συνδυάσουμε για να δημιουργήσουμε κάτι
01:16
that will actually work and be as adaptive as these systems.
15
51000
5000
που θα λειτουργήσει και θα είναι τόσο ευπροσάρμοστο όσο αυτά τα συστήματα.
01:21
So let's try to look at it from a different perspective.
16
56000
2000
Ας προσπαθήσουμε λοιπόν να το δούμε με διαφορετική προοπτική.
01:23
Let's summon the best designer, the mother of all designers.
17
58000
4000
Ας φωνάξουμε τον καλύτερο σχεδιαστή, τον καλύτερο όλων των σχεδιαστών.
01:27
Let's see what evolution can do for us.
18
62000
3000
Ας δούμε τι μπορεί να κάνει η εξέλιξη για εμάς.
01:30
So we threw in -- we created a primordial soup
19
65000
4000
Βάζουμε, λοιπόν -- δημιουργήσαμε μια αρχέγονη σούπα
01:34
with lots of pieces of robots -- with bars, with motors, with neurons.
20
69000
4000
με πολλά ρομποτικά μέλη -- με μπάρες, με κινητήρες, με νευρώνες.
01:38
Put them all together, and put all this under kind of natural selection,
21
73000
4000
Τα βάζουμε όλα μαζί και κάτω από μία είδους φυσική επιλογή,
01:42
under mutation, and rewarded things for how well they can move forward.
22
77000
4000
υπό μετάλαξη, και τα ανταμείβουμε ανάλογα με το πόσο καλά μπορούν να κινηθούν προς τα εμπρός.
01:46
A very simple task, and it's interesting to see what kind of things came out of that.
23
81000
6000
Μια πολύ απλή εργασία και είναι ενδιαφέρον να δούμε τα συμπεράσματα από αυτήν.
01:52
So if you look, you can see a lot of different machines
24
87000
3000
Εάν κοιτάξετε λοιπόν, μπορείτε να δείτε πολλές διαφορετικές μηχανές
01:55
come out of this. They all move around.
25
90000
2000
που προέκυψαν από αυτά. Όλες μπορούν και κινούνται.
01:57
They all crawl in different ways, and you can see on the right,
26
92000
4000
Όλες έρπονται με διαφορετικούς τρόπους και μπορείτε να δείτε στα δεξιά
02:01
that we actually made a couple of these things,
27
96000
2000
πως όντως φτιάξαμε μερικές από αυτές
02:03
and they work in reality. These are not very fantastic robots,
28
98000
3000
και λειτουργούν στην πραγματικότητα. Αυτά δεν είναι πολύ καταπληκτικά ρομπότ,
02:06
but they evolved to do exactly what we reward them for:
29
101000
4000
αλλά εξελίχτηκαν για να κάνουν αυτό για το οποίο τα επιβραβεύουμε:
02:10
for moving forward. So that was all done in simulation,
30
105000
3000
να κινηθούν εμπρός. Όλα αυτά έγιναν με προσομοίωση,
02:13
but we can also do that on a real machine.
31
108000
2000
αλλά μπορούμε να το κάνουμε και με πραγματικές μηχανές.
02:15
Here's a physical robot that we actually
32
110000
5000
Εδώ είναι ένα πραγματικό ρομπότ στο οποίο
02:20
have a population of brains,
33
115000
3000
έχουμε έναν πληθυσμό εγκεφάλων,
02:23
competing, or evolving on the machine.
34
118000
2000
που ανταγωνίζονται ή εξελίσσονται στη μηχανή.
02:25
It's like a rodeo show. They all get a ride on the machine,
35
120000
3000
Είναι όπως μια επίδειξη ροντέο. Όλοι καβαλάνε την μηχανή
02:28
and they get rewarded for how fast or how far
36
123000
3000
και ανταμείβονται για το πόσο γρήγορα ή πόσο μακρυά
02:31
they can make the machine move forward.
37
126000
2000
μπορούν να κάνουν τη μηχανή να κινηθεί προς τα εμπρός.
02:33
And you can see these robots are not ready
38
128000
2000
Και μπορείτε να δείτε ότι αυτά τα ρομπότ δεν είναι έτοιμα
02:35
to take over the world yet, but
39
130000
3000
να κατακτήσουν ακόμα τον κόσμο, αλλά
02:38
they gradually learn how to move forward,
40
133000
2000
μαθαίνουν σταδιακά πως να κινούνται εμπρός
02:40
and they do this autonomously.
41
135000
3000
και αυτό το κάνουν αυτόνομα.
02:43
So in these two examples, we had basically
42
138000
4000
Έτσι, σε αυτά τα δύο παραδείγματα, είχαμε βασικά
02:47
machines that learned how to walk in simulation,
43
142000
3000
μηχανές που μάθαιναν πως να περπατούν σε εξομοίωση
02:50
and also machines that learned how to walk in reality.
44
145000
2000
και επίσης μηχανές που μάθαιναν πως να περπατούν στην πραγματικότητα.
02:52
But I want to show you a different approach,
45
147000
2000
Αλλά θέλω να σας παρουσιάσω μια διαφορετική προσέγγιση,
02:54
and this is this robot over here, which has four legs.
46
149000
6000
και αυτό εδώ είναι το ρομπότ, που έχει τέσσερα πόδια.
03:00
It has eight motors, four on the knees and four on the hip.
47
155000
2000
Έχει οκτώ κινητήρες, τέσσερις στα γόνατα και τέσσερις στους γοφούς.
03:02
It has also two tilt sensors that tell the machine
48
157000
3000
Έχει επίσης δύο αισθητήρες κλίσης που ενημερώνουν τη μηχανή
03:05
which way it's tilting.
49
160000
3000
προς τα που γέρνει.
03:08
But this machine doesn't know what it looks like.
50
163000
2000
Αλλά αυτή η μηχανή δεν γνωρίζει με τι μοιάζει.
03:10
You look at it and you see it has four legs,
51
165000
2000
Κοιτάζοντάς την βλέπετε ότι έχει τέσσερα πόδια,
03:12
the machine doesn't know if it's a snake, if it's a tree,
52
167000
2000
η μηχανή δεν ξέρει εάν είναι φίδι, εάν είναι δέντρο,
03:14
it doesn't have any idea what it looks like,
53
169000
3000
δεν έχει ιδέα με τι μοιάζει,
03:17
but it's going to try to find that out.
54
172000
2000
αλλά θα προσπαθήσει να το ανακαλύψει.
03:19
Initially, it does some random motion,
55
174000
2000
Αρχικά, κάνει κάποιες τυχαίες κινήσεις
03:21
and then it tries to figure out what it might look like.
56
176000
3000
και μετά προσπαθεί να καταλάβει με τι μπορεί να μοιάζει.
03:24
And you're seeing a lot of things passing through its minds,
57
179000
2000
Και βλέπετε να περνάνε πολλά πράγματα από το νου της,
03:26
a lot of self-models that try to explain the relationship
58
181000
4000
πολλά μοντέλα του εαυτού της που προσπαθούν να εξηγήσουν τη σχέση
03:30
between actuation and sensing. It then tries to do
59
185000
3000
μεταξύ χειρισμού και αίσθησης. Μετά προσπαθεί να κάνει
03:33
a second action that creates the most disagreement
60
188000
4000
μια δεύτερη ενέργεια που δημιουργεί την μεγαλύτερη διαφωνία
03:37
among predictions of these alternative models,
61
192000
2000
ανάμεσα στις προβλέψεις αυτών των εναλλακτικών μοντέλων,
03:39
like a scientist in a lab. Then it does that
62
194000
2000
όπως ένας επιστήμονας στο εργαστήριο. Τότε το κάνει αυτό
03:41
and tries to explain that, and prune out its self-models.
63
196000
4000
και προσπαθεί να το εξηγήσει και να περιορίζει τα μοντέλα του εαυτού της.
03:45
This is the last cycle, and you can see it's pretty much
64
200000
3000
Αυτός είναι ο τελευταίος κύκλος και μπορείτε να διαπιστώσετε πως σχεδόν
03:48
figured out what its self looks like. And once it has a self-model,
65
203000
4000
έχει καταλάβει με τι μοιάζει. Και μόλις έχει ένα μοντέλο του εαυτού της,
03:52
it can use that to derive a pattern of locomotion.
66
207000
4000
μπορεί να το χρησιμοποιήσει για να εξάγει ένα πρότυπο μετακίνησης.
03:56
So what you're seeing here are a couple of machines --
67
211000
2000
Αυτό λοιπόν που βλέπετε εδώ είναι μερικές μηχανές
03:58
a pattern of locomotion.
68
213000
2000
-- ένα μοτίβο μετακίνησης.
04:00
We were hoping that it wass going to have a kind of evil, spidery walk,
69
215000
4000
Ελπίζαμε ότι αυτό θα είχε κάποιου είδους κακό, αραχνοειδές βάδισμα,
04:04
but instead it created this pretty lame way of moving forward.
70
219000
4000
αλλά αντί αυτού δημιούργησε αυτόν τον κουτσό τρόπο κίνησης προς τα εμπρός.
04:08
But when you look at that, you have to remember
71
223000
3000
Αλλά κοιτώντας το, μην ξεχνάτε
04:11
that this machine did not do any physical trials on how to move forward,
72
226000
6000
ότι αυτή η μηχανή δεν έκανε καμία φυσική δοκιμαστική προσπάθεια για να κινηθεί εμπρός,
04:17
nor did it have a model of itself.
73
232000
2000
ούτε είχε κάποιο μοντέλο για τον εαυτό της.
04:19
It kind of figured out what it looks like, and how to move forward,
74
234000
3000
Κάπως κατάλαβε με τι μοιάζει και πως μπορεί να κινηθεί εμπρός
04:22
and then actually tried that out.
75
237000
4000
και μετά όντως το προσπάθησε.
04:26
(Applause)
76
241000
5000
(Χειροκρότημα)
04:31
So, we'll move forward to a different idea.
77
246000
4000
Ας προχωρήσουμε, λοιπόν, σε μια διαφορετική ιδέα.
04:35
So that was what happened when we had a couple of --
78
250000
5000
Αυτά λοιπόν, συνέβησαν όταν είχαμε μερικές --
04:40
that's what happened when you had a couple of -- OK, OK, OK --
79
255000
4000
αυτό λοιπόν, συνέβη όταν είχαμε μερικές -- Εντάξει, εντάξει, εντάξει --
04:44
(Laughter)
80
259000
2000
(Γέλια)
04:46
-- they don't like each other. So
81
261000
2000
-- δεν συμπαθεί το ένα το άλλο. Λοιπόν
04:48
there's a different robot.
82
263000
3000
υπάρχει ένα διαφορετικό ρομπότ.
04:51
That's what happened when the robots actually
83
266000
2000
Αυτό συνέβη όταν τα ρομπότ πραγματικά
04:53
are rewarded for doing something.
84
268000
2000
ανταμείβονται επειδή έκαναν κάτι.
04:55
What happens if you don't reward them for anything, you just throw them in?
85
270000
3000
Τι συμβαίνει όταν δεν τα ανταμείβεις για κάτι, απλά τα αφήνουμε έτσι;
04:58
So we have these cubes, like the diagram showed here.
86
273000
3000
Έχουμε λοιπόν αυτούς τους κύβους, όπως δείχνει εδώ το διάγραμμα.
05:01
The cube can swivel, or flip on its side,
87
276000
2000
Ο κύβος μπορεί να περιστραφεί, ή να αναστρέψει την πλευρά του,
05:04
and we just throw 1,000 of these cubes into a soup --
88
279000
4000
και απλά βάλαμε χίλιους από αυτούς τους κύβους σε έναν χώρο
05:08
this is in simulation --and don't reward them for anything,
89
283000
2000
-- αυτή είναι μια εξομοίωση -- και δεν τα ανταμείψαμε για τίποτα,
05:10
we just let them flip. We pump energy into this
90
285000
3000
απλά τα αφήσαμε να γυρνούν πλευρές. Αντλούμε ενέργεια σε αυτό
05:13
and see what happens in a couple of mutations.
91
288000
3000
και ας δούμε τι θα συμβεί σε μερικές μεταλλάξεις.
05:16
So, initially nothing happens, they're just flipping around there.
92
291000
3000
Έτσι, αρχικά τίποτα δεν συμβαίνει, απλά γυρνούσαν εδώ και εκεί.
05:19
But after a very short while, you can see these blue things
93
294000
4000
Αλλά μετά από λίγο, μπορείτε να δείτε αυτά τα μπλε αντικείμενα
05:23
on the right there begin to take over.
94
298000
2000
στα δεξιά να ξεκινούν να κυριαρχούν.
05:25
They begin to self-replicate. So in absence of any reward,
95
300000
4000
Ξεκινούν να αυτοαναπαράγονται. Σε απουσία, λοιπόν, ανταμοιβής,
05:29
the intrinsic reward is self-replication.
96
304000
3000
η εσωτερική ανταμοιβή είναι η αυτοαναπαραγωγή.
05:32
And we've actually built a couple of these,
97
307000
1000
Και στην πραγματικότητα έχουμε φτιάξει μερικές από αυτές
05:33
and this is part of a larger robot made out of these cubes.
98
308000
4000
και αυτό είναι μέρος ενός μεγαλύτερου ρομπότ που έχει φτιαχτεί από αυτούς τους κύβους.
05:37
It's an accelerated view, where you can see the robot actually
99
312000
3000
Είναι σε γρήγορη κίνηση, όπου μπορείτε να δείτε το ρομπότ πράγματι
05:40
carrying out some of its replication process.
100
315000
2000
να υλοποιεί μερικώς τη διαδικασία αντιγραφής του.
05:42
So you're feeding it with more material -- cubes in this case --
101
317000
4000
Το προμηθεύεις λοιπόν με περισσότερα υλικά -- κύβους στην περίπτωσή μας --
05:46
and more energy, and it can make another robot.
102
321000
3000
και περισσότερη ενέργεια και μπορεί να φτιάξει ένα άλλο ρομπότ.
05:49
So of course, this is a very crude machine,
103
324000
3000
Φυσικά, αυτή είναι μια πολύ αργή μηχανή,
05:52
but we're working on a micro-scale version of these,
104
327000
2000
αλλά δουλεύουμε σε μικρότερη κλίμακα από αυτή
05:54
and hopefully the cubes will be like a powder that you pour in.
105
329000
3000
και ελπίζουμε ότι οι κύβοι θα είναι σκόνη που απλά την προσθέτουμε.
05:57
OK, so what can we learn? These robots are of course
106
332000
5000
Εντάξει, λοιπόν, τι μπορούμε να μάθουμε; Αυτά τα ρομπότ φυσικά
06:02
not very useful in themselves, but they might teach us something
107
337000
3000
δεν είναι και πολύ χρήσιμα, αλλά μπορούν να μας διδάξουν κάτι
06:05
about how we can build better robots,
108
340000
3000
σχετικά με το πώς μπορούμε να φτιάξουμε καλύτερα ρομπότ,
06:08
and perhaps how humans, animals, create self-models and learn.
109
343000
5000
και ίσως πώς οι άνθρωποι, τα ζώα, δημιουργούν μοντέλα του εαυτού τους και μαθαίνουν.
06:13
And one of the things that I think is important
110
348000
2000
Και ένα από τα πράγματα που πιστεύω ότι είναι σημαντικό
06:15
is that we have to get away from this idea
111
350000
2000
είναι πως πρέπει να ξεφύγουμε από την ιδέα
06:17
of designing the machines manually,
112
352000
2000
του σχεδιασμού των μηχανών με το χέρι,
06:19
but actually let them evolve and learn, like children,
113
354000
3000
αλλά στην ουσία να τα αφήσουμε να εξελιχθούν και να μάθουν, όπως τα παιδιά,
06:22
and perhaps that's the way we'll get there. Thank you.
114
357000
2000
και ίσως αυτός είναι ο τρόπος για να φτάσουμε εκεί. Σας ευχαριστώ.
06:24
(Applause)
115
359000
2000
(Χειροκρότημα)
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