TED2007
Hod Lipson: Building "self-aware" robots
هاد لیپسون (Hod Lipson) روبات های خودآگاه می سازد
Filmed:
Readability: 3.1
1,460,460 views
هاد لیپسون (Hod Lipson) چند تایی از روبات های کوچک و جالب خود را به نمایش می گذارد. این روبات ها قابلیت یادگیری، درک خود و حتی تولید هم نوع خود را دارند.
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
خب، پس روبات ها کجا هستند؟
00:27
We've been told for 40 years already that they're coming soon.
1
2000
3000
40 سال است که به ما می گویند روبات ها به زودی خواهند آمد.
00:30
Very soon they'll be doing everything for us.
2
5000
3000
خیلی زود آنها همه کار برای ما انجام خواهند داد.
00:33
They'll be cooking, cleaning, buying things, shopping, building. But they aren't here.
3
8000
5000
آنها آشپزی خواهد کرد، گردگیری، خرید، ساخت. اما آنها اینجا نیستند.
00:38
Meanwhile, we have illegal immigrants doing all the work,
4
13000
4000
در عین حال، مهاجر های غیر قانونی داریم که همه ی کار ها را انجام می دهند.
00:42
but we don't have any robots.
5
17000
2000
اما ما هیچ روباتی نداریم.
00:44
So what can we do about that? What can we say?
6
19000
4000
پس ما چه کار می توانیم بکنیم؟ چه می توانیم بگوییم؟
00:48
So I want to give a little bit of a different perspective
7
23000
4000
خب من می خواهم دیدگاه دیگری را به شما نشان بدهم
00:52
of how we can perhaps look at these things in a little bit of a different way.
8
27000
6000
از این که چگونه ما میتوانیم به این مسائل از بعد دیگری نگاه کنیم.
00:58
And this is an x-ray picture
9
33000
2000
این یک تصویر اشعه ایکس است
01:00
of a real beetle, and a Swiss watch, back from '88. You look at that --
10
35000
5000
از یک سوسک و یک ساعت سوئیسی سال 88. به آن نگاه کنید --
01:05
what was true then is certainly true today.
11
40000
2000
آن چه در آن زمان درست بود امروز مسلماً همچنان درست است.
01:07
We can still make the pieces. We can make the right pieces.
12
42000
3000
ما همچنان می توانیم قطعات را بسازیم، می توانیم قطعات درست را بسازیم،
01:10
We can make the circuitry of the right computational power,
13
45000
3000
می توانیم مداری با قدرت محاسباتی مناسب درست کنیم،
01:13
but we can't actually put them together to make something
14
48000
3000
اما در واقع نمی توانیم آنها را به هم بچسبانیم تا چیزی بسازیم به طوری که
01:16
that will actually work and be as adaptive as these systems.
15
51000
5000
واقعا مثل این سیستم ها کار کند و قابلیت انطباق داشته باشد.
01:21
So let's try to look at it from a different perspective.
16
56000
2000
پس بگذارید به آن از یک زاویه ی دیگر نگاه کنیم.
01:23
Let's summon the best designer, the mother of all designers.
17
58000
4000
بگذارید بهترین طراح را فرابخوانیم، مادر همه ی طراح ها:
01:27
Let's see what evolution can do for us.
18
62000
3000
بگذارید ببینیم تکامل برای ما چه کار می تواند بکند.
01:30
So we threw in -- we created a primordial soup
19
65000
4000
پس ما شروع کردیم -- ما سوپی از عناصر اولیه ساختیم
01:34
with lots of pieces of robots -- with bars, with motors, with neurons.
20
69000
4000
با تعداد بسیار زیادی از قطعات روبات ها: با میله ها، با موتور ها، با نورون ها.
01:38
Put them all together, and put all this under kind of natural selection,
21
73000
4000
همه ی این ها را کنار هم گذاشتیم، و همه ی این ها را تحت انتخاب طبیعی قرار دادیم.
01:42
under mutation, and rewarded things for how well they can move forward.
22
77000
4000
تحت جهش های ساختاری. و به چیز ها بر اساس این که چقدر خوب می توانند جلو بروند پاداش می دادیم.
01:46
A very simple task, and it's interesting to see what kind of things came out of that.
23
81000
6000
یک کار بسیار ساده. خیلی جالب است ببینید که چه چیز هایی از آب درآمدند!
01:52
So if you look, you can see a lot of different machines
24
87000
3000
خب اگر ملاحظه کنید، ماشین های بسیار متفاوتی را میبینید
01:55
come out of this. They all move around.
25
90000
2000
که از این طرح منتج شدند. همه ی آنها حرکت می کنند،
01:57
They all crawl in different ways, and you can see on the right,
26
92000
4000
همه ی آنها به طریقی می خزند، و در سمت راست می بینید که ...
02:01
that we actually made a couple of these things,
27
96000
2000
ما درعمل بعضی از این ها را ساختیم،
02:03
and they work in reality. These are not very fantastic robots,
28
98000
3000
و آنها در عمل هم کار می کنند. اینها روبات های خیلی خارق العاده ای نیستند،
02:06
but they evolved to do exactly what we reward them for:
29
101000
4000
اما این ها رشد کرده اند تا دقیقا همان کاری را بکنند که برای آن به آنها پاداش داده بودیم:
02:10
for moving forward. So that was all done in simulation,
30
105000
3000
به سمت جلو حرکت کنند. خب همه ی آنها در شبیه سازی انجام شده بود،
02:13
but we can also do that on a real machine.
31
108000
2000
اما ما می توانیم چنین کاری را در یک ماشین واقعی هم انجام دهیم.
02:15
Here's a physical robot that we actually
32
110000
5000
این یک روبات واقعی است که
02:20
have a population of brains,
33
115000
3000
در آن ما یک تعداد مغز قرار دادیم
02:23
competing, or evolving on the machine.
34
118000
2000
که روی ماشین با هم رقابت می کنند ، و رشد می کنند.
02:25
It's like a rodeo show. They all get a ride on the machine,
35
120000
3000
آن مانند مسابقه ی گاوهای وحشی است: همه ی آنها می توانند یک بار سوار ماشین شوند،
02:28
and they get rewarded for how fast or how far
36
123000
3000
و آنها بر اساس این که چقدر سریع و چه مسافتی
02:31
they can make the machine move forward.
37
126000
2000
بتوانند باعث جلو رفتن ماشین شوند پاداش می گیرند.
02:33
And you can see these robots are not ready
38
128000
2000
و می بینید که این روبات ها آماده نیستند
02:35
to take over the world yet, but
39
130000
3000
تا کنترل جهان را به دست بگیرند، هنوز. اما!
02:38
they gradually learn how to move forward,
40
133000
2000
آنها کم کم یاد میگیرند چگونه به جلو حرکت کنند،
02:40
and they do this autonomously.
41
135000
3000
و آنها این کار را کاملا خودمختار انجام می دهند.
02:43
So in these two examples, we had basically
42
138000
4000
پس در این دو مثال، ما درواقع
02:47
machines that learned how to walk in simulation,
43
142000
3000
ماشین هایی داشتیم که در شبیه سازی یاد گرفتند که چگونه حرکت کنند،
02:50
and also machines that learned how to walk in reality.
44
145000
2000
و ماشین هایی که یاد گرفتند که چگونه در دنیای واقعی حرکت کنند.
02:52
But I want to show you a different approach,
45
147000
2000
اما من می خواهم روال دیگری را به شما نشان بدهم،
02:54
and this is this robot over here, which has four legs.
46
149000
6000
منظورم این روبات است، همین جا، که چهار تا پا دارد ...
03:00
It has eight motors, four on the knees and four on the hip.
47
155000
2000
هشت موتور دارد، چهار تا در زانو ها و چهار تا در باسن.
03:02
It has also two tilt sensors that tell the machine
48
157000
3000
دو تا هم حسگر شیب سنج هم دارد که به ماشین می گوید
03:05
which way it's tilting.
49
160000
3000
به کدام جهت کج شده است.
03:08
But this machine doesn't know what it looks like.
50
163000
2000
اما این ماشین نمی داند چه شکلی است.
03:10
You look at it and you see it has four legs,
51
165000
2000
شما به آن نگاه می کنید و می بینید که چهار تا پا دارد،
03:12
the machine doesn't know if it's a snake, if it's a tree,
52
167000
2000
ماشین نمی داند آیا یک مار است، یا یک درخت است و یا ...،
03:14
it doesn't have any idea what it looks like,
53
169000
3000
هیچ ایده ای ندارد که چه شکلی است،
03:17
but it's going to try to find that out.
54
172000
2000
اما می خواهد سعی کند تا آن را بفهمد.
03:19
Initially, it does some random motion,
55
174000
2000
در ابتدا چند حرکت تصادفی انجام می دهد،
03:21
and then it tries to figure out what it might look like.
56
176000
3000
و بعد سعی می کند بفهمد چه شکلی ممکن است باشد --
03:24
And you're seeing a lot of things passing through its minds,
57
179000
2000
و می بینید که چیز های زیادی از ذهنش عبور می کند،
03:26
a lot of self-models that try to explain the relationship
58
181000
4000
تعداد زیادی مدل هایی از خودش که سعی می کنند ارتباط ها را توضیح دهند
03:30
between actuation and sensing. It then tries to do
59
185000
3000
ارتباط های میان حرکت ها و چیز های حس شده -- و بعد سعی می کند
03:33
a second action that creates the most disagreement
60
188000
4000
حرکتی را انجام دهد که بیشترین تضاد را
03:37
among predictions of these alternative models,
61
192000
2000
با پیش بینی های مدل های موجود داشته باشد.
03:39
like a scientist in a lab. Then it does that
62
194000
2000
مانند یک دانشمند در یک آزمایشگاه. بعد آن حرکت را انجام می دهد
03:41
and tries to explain that, and prune out its self-models.
63
196000
4000
سعی می کند توضیحی برای آن بیابد، و برخی از مدل های خودش را حذف کند.
03:45
This is the last cycle, and you can see it's pretty much
64
200000
3000
این آخرین چرخه است، و می بینید که آن بسیار خوب
03:48
figured out what its self looks like. And once it has a self-model,
65
203000
4000
توانشته تشخیص بدهد چه شکلی است و رمانی که ان بداند چه شکلی دارد
03:52
it can use that to derive a pattern of locomotion.
66
207000
4000
می تواند از ان استفاده کند و الگویی از حرکت ها را ایجاد کند.
03:56
So what you're seeing here are a couple of machines --
67
211000
2000
خب، این چیزی که اینجا می بینید چند ماشین است --
03:58
a pattern of locomotion.
68
213000
2000
و یک الگوی حرکت.
04:00
We were hoping that it wass going to have a kind of evil, spidery walk,
69
215000
4000
ما امیدوار بودیم که آن نوعی حرکت خبیثانه شبیه راه رفتن عنکبوت داشته باشد،
04:04
but instead it created this pretty lame way of moving forward.
70
219000
4000
اما به جای آن ، او این روش حرکت لنگ لنگ را تولید کرده است تا به جلو برود.
04:08
But when you look at that, you have to remember
71
223000
3000
اما وقتی به آن نگاه می کنید، باید به خاطر داشته باشید که
04:11
that this machine did not do any physical trials on how to move forward,
72
226000
6000
این ماشین هیچ تمرین فیزیکی نکرد که ببیند چگونه به جلو می رود،
04:17
nor did it have a model of itself.
73
232000
2000
و حتی این که او هیچ مدلی از خودش را در اختیار نداشته است.
04:19
It kind of figured out what it looks like, and how to move forward,
74
234000
3000
تقریبا می شود گفت او خودش فهمیده است چه شکلی است، و چگونه می تواند به جلو برود،
04:22
and then actually tried that out.
75
237000
4000
ودر نهایت آن را امتحان کرده است.
04:26
(Applause)
76
241000
5000
(تشویق)
04:31
So, we'll move forward to a different idea.
77
246000
4000
ما به سوی ایده ی متفاوتی جلو می رویم.
04:35
So that was what happened when we had a couple of --
78
250000
5000
آن همان چیزی است که اتفاق افتاده است وقتی ما چند تا --
04:40
that's what happened when you had a couple of -- OK, OK, OK --
79
255000
4000
آن چیزی است که اتفاق افتاده است وقتی شما چند تا -- خب، خب، خب --
04:44
(Laughter)
80
259000
2000
(خنده)
04:46
-- they don't like each other. So
81
261000
2000
-- آنها همدیگر رو دوست ندارند.
04:48
there's a different robot.
82
263000
3000
یک روبات متفاوت دیگر هم هست.
04:51
That's what happened when the robots actually
83
266000
2000
این اتفاقی است که وقتی روبات ها در واقع
04:53
are rewarded for doing something.
84
268000
2000
برای کاری که می کنند پاداش می گیرند.
04:55
What happens if you don't reward them for anything, you just throw them in?
85
270000
3000
اما اگر برای هیچ چیزی به آنها پاداش ندهید چه اتفاقی می افتد؟
04:58
So we have these cubes, like the diagram showed here.
86
273000
3000
خب ما این مکعب ها را داریم، مانند تصویر اینجا.
05:01
The cube can swivel, or flip on its side,
87
276000
2000
مکعب می تواند روی محور بچرخد و یا این که روی ضلعش جا به جا شود،
05:04
and we just throw 1,000 of these cubes into a soup --
88
279000
4000
ما 1000 تا از این مکعب ها را در یک معجون می ریزیم --
05:08
this is in simulation --and don't reward them for anything,
89
283000
2000
این شبیه سازی است -- و برای هیچ چیزی به آنها پاداش نمی دهیم،
05:10
we just let them flip. We pump energy into this
90
285000
3000
فقط به آنها اجازه می دهیم بچرخند. به این معجون انرژی وارد می کنیم
05:13
and see what happens in a couple of mutations.
91
288000
3000
و می بینیم که بعد از چند جهش چه اتفاقی می افتد.
05:16
So, initially nothing happens, they're just flipping around there.
92
291000
3000
در ابتدا، هیچ اتفاقی نمی افتد، آنها فقط در حال چرخیدن حول و حوش خودشان هستند.
05:19
But after a very short while, you can see these blue things
93
294000
4000
اما پس از زمان کوتاهی، این آبی ها را مشاهده می کنید
05:23
on the right there begin to take over.
94
298000
2000
در سمت راست آنها شروع به رشد قلمرو خود می کنند.
05:25
They begin to self-replicate. So in absence of any reward,
95
300000
4000
آنها شروع به تولید نوع خود می کنند. پس در شرایط نبود پاداش،
05:29
the intrinsic reward is self-replication.
96
304000
3000
پاداش ذاتی تولید هم نوع خود است.
05:32
And we've actually built a couple of these,
97
307000
1000
و ما در واقع چند تا از این ها را ساخته ایم،
05:33
and this is part of a larger robot made out of these cubes.
98
308000
4000
و این بخشی از یک روبات بزرگ تر است که از این مکعب ها ساخته شده است،
05:37
It's an accelerated view, where you can see the robot actually
99
312000
3000
این یک نمای سریع شده است، که در آن می بینید که روبات در واقع
05:40
carrying out some of its replication process.
100
315000
2000
در حال طی مرحله ای از تولید نوع خود است.
05:42
So you're feeding it with more material -- cubes in this case --
101
317000
4000
پس شما به آن مواد اولیه ی بیشتری می دهید -- مکعب در این نمونه --
05:46
and more energy, and it can make another robot.
102
321000
3000
و انرژی بیشتر، و او می تواند روبات دیگری مانند خود را بسازد.
05:49
So of course, this is a very crude machine,
103
324000
3000
البته این ماشین بسیار ساده و ابتدایی است،
05:52
but we're working on a micro-scale version of these,
104
327000
2000
اما ما در حال کار بر روی نمونه ی بسیار ریز این ها هستیم،
05:54
and hopefully the cubes will be like a powder that you pour in.
105
329000
3000
و امیدواریم که این مکعب ها مانند پودری باشند که بتوان آنها را در همه جا ریخت.
05:57
OK, so what can we learn? These robots are of course
106
332000
5000
خب، پس ما چی می توانیم یاد بگیریم؟ این روبات ها مسلما
06:02
not very useful in themselves, but they might teach us something
107
337000
3000
خودشان خیلی مفید نیستند، اما می توانند چیزی را به ما بیاموزند
06:05
about how we can build better robots,
108
340000
3000
این که چگونه می توانیم روبات های بهتری بسازیم،
06:08
and perhaps how humans, animals, create self-models and learn.
109
343000
5000
و شاید این که چطور انسان ها، حیوانات، مدل خود را می سازند و یاد میگیرند.
06:13
And one of the things that I think is important
110
348000
2000
و یکی از چیز هایی که من فکر می کنم مهم است
06:15
is that we have to get away from this idea
111
350000
2000
این است که ما باید از از این ایده جدا شویم
06:17
of designing the machines manually,
112
352000
2000
این که ماشین ها را دستی طراحی کنیم،
06:19
but actually let them evolve and learn, like children,
113
354000
3000
به جای آن باید به آنها اجازه داد تا رشد کنند و یاد بگیرند، مانند بچه ها،
06:22
and perhaps that's the way we'll get there. Thank you.
114
357000
2000
و احتمالا این همان راهی است که ما را به آن هدف می رساند. متشکرم.
06:24
(Applause)
115
359000
2000
(تشویق)
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