TED2007
Hod Lipson: Building "self-aware" robots
Hod Lipson: "Öntudatos" robotok építése
Filmed:
Readability: 3.1
1,460,460 views
Hod Lipson bemutat párat remek kis robotjaiból, amelyek képesek tanulni, valamint megérteni és előállítani saját magukat.
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
Szóval, hol vannak a robotok?
00:27
We've been told for 40 years already that they're coming soon.
1
2000
3000
Azt hallgattuk 40 évig folyamatosan,
hogy hamarosan itt lesznek.
hogy hamarosan itt lesznek.
00:30
Very soon they'll be doing everything for us.
2
5000
3000
Nagyon hamar mindent
ők fognak csinálni nekünk.
ők fognak csinálni nekünk.
00:33
They'll be cooking, cleaning, buying things, shopping, building. But they aren't here.
3
8000
5000
Ők fognak főzni, takarítani, vásárolni,
építeni. De még sincsenek itt.
építeni. De még sincsenek itt.
00:38
Meanwhile, we have illegal immigrants doing all the work,
4
13000
4000
Ezalatt illegális bevándorlók
végeznek el minden munkát,
végeznek el minden munkát,
00:42
but we don't have any robots.
5
17000
2000
de robotjaink nincsenek.
00:44
So what can we do about that? What can we say?
6
19000
4000
Szóval mit tehetünk ez ellen?
Mit tudunk mondani?
Mit tudunk mondani?
00:48
So I want to give a little bit of a different perspective
7
23000
4000
Egy kicsit más nézőpontot
akarok bemutatni
akarok bemutatni
00:52
of how we can perhaps look at these things in a little bit of a different way.
8
27000
6000
arról, hogy talán máshogy is
tekinthetnénk ezekre a dolgokra.
tekinthetnénk ezekre a dolgokra.
00:58
And this is an x-ray picture
9
33000
2000
Ez egy röntgenkép
01:00
of a real beetle, and a Swiss watch, back from '88. You look at that --
10
35000
5000
egy igazi bogárról, és egy svájci
óráról '88-ból. Nézzétek meg --
óráról '88-ból. Nézzétek meg --
01:05
what was true then is certainly true today.
11
40000
2000
ami akkor igaz volt, ma is igaz.
01:07
We can still make the pieces. We can make the right pieces.
12
42000
3000
A részeket azóta is tudjuk gyártani.
A jó alkatrészeket.
A jó alkatrészeket.
01:10
We can make the circuitry of the right computational power,
13
45000
3000
El tudjuk készíteni az áramkört
a helyes számítási teljesítménnyel,
a helyes számítási teljesítménnyel,
01:13
but we can't actually put them together to make something
14
48000
3000
de nem tudjuk őket úgy összerakni,
hogy valami olyat alkossanak,
hogy valami olyat alkossanak,
01:16
that will actually work and be as adaptive as these systems.
15
51000
5000
ami tényleg működni fog és úgy fog
alkalmazkodni, mint ezek a rendszerek.
alkalmazkodni, mint ezek a rendszerek.
01:21
So let's try to look at it from a different perspective.
16
56000
2000
Szóval nézzük ezt meg
egy különböző perspektívából.
egy különböző perspektívából.
01:23
Let's summon the best designer, the mother of all designers.
17
58000
4000
Szólítsuk meg tehát a legjobb tervezőt,
az összes tervező atyját.
az összes tervező atyját.
01:27
Let's see what evolution can do for us.
18
62000
3000
Nézzük meg, az evolúció mit tehet értünk.
01:30
So we threw in -- we created a primordial soup
19
65000
4000
Szóval bedobtuk -- létrehoztunk egy őslevest
01:34
with lots of pieces of robots -- with bars, with motors, with neurons.
20
69000
4000
robotok számos alkatrészével --
fémrudakkal, motorokkal, neuronokkal.
fémrudakkal, motorokkal, neuronokkal.
01:38
Put them all together, and put all this under kind of natural selection,
21
73000
4000
Rakjuk össze őket, és hagyjuk
a természetes szelekciót érvényesülni,
a természetes szelekciót érvényesülni,
01:42
under mutation, and rewarded things for how well they can move forward.
22
77000
4000
a mutációt, és jutalmazzuk a dolgokat aszerint,
hogy milyen jól tudnak előrelépni.
hogy milyen jól tudnak előrelépni.
01:46
A very simple task, and it's interesting to see what kind of things came out of that.
23
81000
6000
Ez egy nagyon egyszerű feladat, és
érdekes látni, milyen dolgok születnek ebből.
érdekes látni, milyen dolgok születnek ebből.
01:52
So if you look, you can see a lot of different machines
24
87000
3000
Ha megnézitek, láthatjátok,
hogy egy csomó különböző gép
hogy egy csomó különböző gép
01:55
come out of this. They all move around.
25
90000
2000
jött ki ebből. Ezek mind
össze-vissza mocorognak.
össze-vissza mocorognak.
01:57
They all crawl in different ways, and you can see on the right,
26
92000
4000
Mind más módon mászkálnak,
és látható jobb oldalt,
és látható jobb oldalt,
02:01
that we actually made a couple of these things,
27
96000
2000
hogy valójában már
megcsináltunk párat ezekből,
megcsináltunk párat ezekből,
02:03
and they work in reality. These are not very fantastic robots,
28
98000
3000
és tényleg működnek is.
Ezek nem annyira fantasztikus robotok,
Ezek nem annyira fantasztikus robotok,
02:06
but they evolved to do exactly what we reward them for:
29
101000
4000
de elérték pontosan azt a szintet,
ami miatt díjazzuk őket:
ami miatt díjazzuk őket:
02:10
for moving forward. So that was all done in simulation,
30
105000
3000
hogy fejlődnek.
Ez mind szimuláció keretén belül történt,
Ez mind szimuláció keretén belül történt,
02:13
but we can also do that on a real machine.
31
108000
2000
de megcsinálhatjuk ezt
egy igazi gépen is.
egy igazi gépen is.
02:15
Here's a physical robot that we actually
32
110000
5000
Itt egy már létező robot,
02:20
have a population of brains,
33
115000
3000
ami rendelkezik agytömeggel,
02:23
competing, or evolving on the machine.
34
118000
2000
ami verseng önmagával,
és fejlődik a gépben.
és fejlődik a gépben.
02:25
It's like a rodeo show. They all get a ride on the machine,
35
120000
3000
Ez olyan, mint egy rodeóshow.
Mindenki lovagolhat a gépen,
Mindenki lovagolhat a gépen,
02:28
and they get rewarded for how fast or how far
36
123000
3000
és jutalmat kapnak annak függvényében,
hogy milyen gyorsan vagy milyen távolra
hogy milyen gyorsan vagy milyen távolra
02:31
they can make the machine move forward.
37
126000
2000
tudják a gépet mozgatni.
02:33
And you can see these robots are not ready
38
128000
2000
És láthatjátok, hogy ezek
a robotok nem készek arra,
a robotok nem készek arra,
02:35
to take over the world yet, but
39
130000
3000
hogy átvegyék a hatalmat a világ felett,
02:38
they gradually learn how to move forward,
40
133000
2000
de fokozatosan megtanulják,
hogyan haladjanak előre,
hogyan haladjanak előre,
02:40
and they do this autonomously.
41
135000
3000
és ezt önállóan teszik.
02:43
So in these two examples, we had basically
42
138000
4000
Szóval ebben a két példában gyakorlatilag
02:47
machines that learned how to walk in simulation,
43
142000
3000
olyan gépeink voltak, amik
megtanultak járni a szimulációban,
megtanultak járni a szimulációban,
02:50
and also machines that learned how to walk in reality.
44
145000
2000
továbbá gépek, amik
megtanultak járni a valóságban.
megtanultak járni a valóságban.
02:52
But I want to show you a different approach,
45
147000
2000
De meg akarok mutatni
egy más megközelítést,
egy más megközelítést,
02:54
and this is this robot over here, which has four legs.
46
149000
6000
és az pedig ez a robot,
aminek négy lába van.
aminek négy lába van.
03:00
It has eight motors, four on the knees and four on the hip.
47
155000
2000
Nyolc motorja van,
négy a térdein és négy a csípőjén.
négy a térdein és négy a csípőjén.
03:02
It has also two tilt sensors that tell the machine
48
157000
3000
Két billenésérzékelője is van,
ami elmondja a gépnek
ami elmondja a gépnek
03:05
which way it's tilting.
49
160000
3000
melyik irányba billen.
03:08
But this machine doesn't know what it looks like.
50
163000
2000
De ez a gép nem tudja, hogy néz ki.
03:10
You look at it and you see it has four legs,
51
165000
2000
Ti ránéztek és látjátok a négy lábát,
03:12
the machine doesn't know if it's a snake, if it's a tree,
52
167000
2000
de a gép nem tudja, hogy
ő egy kígyó, vagy egy fa,
ő egy kígyó, vagy egy fa,
03:14
it doesn't have any idea what it looks like,
53
169000
3000
ötlete sincs, hogyan néz ki,
03:17
but it's going to try to find that out.
54
172000
2000
de meg fog próbálkozni azzal, hogy rájöjjön.
03:19
Initially, it does some random motion,
55
174000
2000
Kezdetben véletlenszerűen mozog,
03:21
and then it tries to figure out what it might look like.
56
176000
3000
utána pedig megpróbál rájönni, hogy néz ki.
03:24
And you're seeing a lot of things passing through its minds,
57
179000
2000
Láthatóan rengeteg dolog átsuhan az agyán,
03:26
a lot of self-models that try to explain the relationship
58
181000
4000
számos modellezés, ami megpróbálja
megmagyarázni a kapcsolatot
megmagyarázni a kapcsolatot
03:30
between actuation and sensing. It then tries to do
59
185000
3000
a vezérlés és az érzékelés között.
Ezután pedig megkísérel
Ezután pedig megkísérel
03:33
a second action that creates the most disagreement
60
188000
4000
egy második akciót, ami
a legnagyobb ellentmondást teremti
a legnagyobb ellentmondást teremti
03:37
among predictions of these alternative models,
61
192000
2000
az alternatív modelljeinek jóslataival szemben,
03:39
like a scientist in a lab. Then it does that
62
194000
2000
úgy, mint egy tudós a laboratóriumban.
Aztán megcsinálja
Aztán megcsinálja
03:41
and tries to explain that, and prune out its self-models.
63
196000
4000
és megpróbálja megmagyarázni,
és megritkítja a saját modelljeit.
és megritkítja a saját modelljeit.
03:45
This is the last cycle, and you can see it's pretty much
64
200000
3000
Ez az utolsó ciklus, és láthatjátok,
hogy már nagyjából
hogy már nagyjából
03:48
figured out what its self looks like. And once it has a self-model,
65
203000
4000
kisilabizálta, hogyan is néz ki.
És amint rendelkezik egy önképpel,
És amint rendelkezik egy önképpel,
03:52
it can use that to derive a pattern of locomotion.
66
207000
4000
felhasználhatja arra, hogy
kiszámolja a mozgási mintáit.
kiszámolja a mozgási mintáit.
03:56
So what you're seeing here are a couple of machines --
67
211000
2000
Amit most láttok itt, az egy pár gép
03:58
a pattern of locomotion.
68
213000
2000
-- egy mozgási minta.
04:00
We were hoping that it wass going to have a kind of evil, spidery walk,
69
215000
4000
Reméltük, hogy valamiféle gonosz,
pókszerű járása lesz,
pókszerű járása lesz,
04:04
but instead it created this pretty lame way of moving forward.
70
219000
4000
de ehelyett ezt az elég béna
előrehaladó mozgást produkálta.
előrehaladó mozgást produkálta.
04:08
But when you look at that, you have to remember
71
223000
3000
De ha ránéztek, eszetekbe kell jusson az,
04:11
that this machine did not do any physical trials on how to move forward,
72
226000
6000
hogy ez a gép nem állt fizikai próbák elé,
hogy hogyan mozogjon előre,
hogy hogyan mozogjon előre,
04:17
nor did it have a model of itself.
73
232000
2000
és önképe sem volt.
04:19
It kind of figured out what it looks like, and how to move forward,
74
234000
3000
Tulajdonképpen rájött arra,
hogyan néz ki, és hogy mozogjon,
hogyan néz ki, és hogy mozogjon,
04:22
and then actually tried that out.
75
237000
4000
aztán ki is próbálta.
04:26
(Applause)
76
241000
5000
(Taps)
04:31
So, we'll move forward to a different idea.
77
246000
4000
Lépjünk tovább egy másik ötletre.
04:35
So that was what happened when we had a couple of --
78
250000
5000
Szóval ez történt, amikor volt egy pár...
04:40
that's what happened when you had a couple of -- OK, OK, OK --
79
255000
4000
ez történt amikor volt egy pár --
oké, oké, oké...
oké, oké, oké...
04:44
(Laughter)
80
259000
2000
(Nevetés)
04:46
-- they don't like each other. So
81
261000
2000
-- nem szeretik egymást. Szóval
04:48
there's a different robot.
82
263000
3000
itt egy másik robot.
04:51
That's what happened when the robots actually
83
266000
2000
Ez történt amikor a robotok tényleg
04:53
are rewarded for doing something.
84
268000
2000
jutalmat kapnak valamiért.
04:55
What happens if you don't reward them for anything, you just throw them in?
85
270000
3000
Mi történik, ha nem jutalmazod meg
őket semmiért, csak bedobod őket?
őket semmiért, csak bedobod őket?
04:58
So we have these cubes, like the diagram showed here.
86
273000
3000
Szóval vannak ezek a kockáink,
ahogy a diagram mutatja.
ahogy a diagram mutatja.
05:01
The cube can swivel, or flip on its side,
87
276000
2000
A kocka el tud forogni, vagy oldalára dőlni,
05:04
and we just throw 1,000 of these cubes into a soup --
88
279000
4000
és bedobunk ezret ezekből
a kockákból egy levesbe --
a kockákból egy levesbe --
05:08
this is in simulation --and don't reward them for anything,
89
283000
2000
szimulációban -- és nem
jutalmazzuk meg őket semmiért,
jutalmazzuk meg őket semmiért,
05:10
we just let them flip. We pump energy into this
90
285000
3000
csak hagyjuk őket forogni.
Energiát pumpálunk ebbe,
Energiát pumpálunk ebbe,
05:13
and see what happens in a couple of mutations.
91
288000
3000
és megnézzük, hogy mi
történik egy pár mutáció után.
történik egy pár mutáció után.
05:16
So, initially nothing happens, they're just flipping around there.
92
291000
3000
Tehát először nem történik semmi,
csak repkednek össze-vissza.
csak repkednek össze-vissza.
05:19
But after a very short while, you can see these blue things
93
294000
4000
De egy rövid idő után látható,
hogy ezek a kék micsodák
hogy ezek a kék micsodák
05:23
on the right there begin to take over.
94
298000
2000
a jobb oldalon előtérbe lépnek.
05:25
They begin to self-replicate. So in absence of any reward,
95
300000
4000
Elkezdenek sokszorozódni.
Így jutalom hiányában,
Így jutalom hiányában,
05:29
the intrinsic reward is self-replication.
96
304000
3000
a belső jutalom a sokszorozódás.
05:32
And we've actually built a couple of these,
97
307000
1000
Valójában többet is építettünk ezekből,
05:33
and this is part of a larger robot made out of these cubes.
98
308000
4000
és ez része egy nagyobb robotnak,
ami ilyen kockákból áll.
ami ilyen kockákból áll.
05:37
It's an accelerated view, where you can see the robot actually
99
312000
3000
Ez egy gyorsított nézet, ahol a robot
05:40
carrying out some of its replication process.
100
315000
2000
replikációs folyamatát láthatjátok.
05:42
So you're feeding it with more material -- cubes in this case --
101
317000
4000
Szóval még több anyaggal
-- ebben az esetben kockákkal --
-- ebben az esetben kockákkal --
05:46
and more energy, and it can make another robot.
102
321000
3000
és még több energiával etetjük,
így létre tud hozni egy másik robotot.
így létre tud hozni egy másik robotot.
05:49
So of course, this is a very crude machine,
103
324000
3000
Persze ez egy nagyon éretlen gép,
05:52
but we're working on a micro-scale version of these,
104
327000
2000
de már dolgozunk ezek mikroméretű változatain,
05:54
and hopefully the cubes will be like a powder that you pour in.
105
329000
3000
és remélhetőleg a kockák olyanok lesznek,
mint egy por, amit beöntesz.
mint egy por, amit beöntesz.
05:57
OK, so what can we learn? These robots are of course
106
332000
5000
Oké, szóval mit tudunk ebből tanulni?
Ezek a robotok persze
Ezek a robotok persze
06:02
not very useful in themselves, but they might teach us something
107
337000
3000
nem túl hasznosak önmagukban,
de megtaníthatnak nekünk valamit
de megtaníthatnak nekünk valamit
06:05
about how we can build better robots,
108
340000
3000
arról, hogy hogyan tudnánk
jobb robotokat építeni,
jobb robotokat építeni,
06:08
and perhaps how humans, animals, create self-models and learn.
109
343000
5000
és talán azt, hogy az emberek és állatok
hogy építik ki önképüket, és hogy tanulnak.
hogy építik ki önképüket, és hogy tanulnak.
06:13
And one of the things that I think is important
110
348000
2000
Az egyik dolog, ami szerintem fontos, az az,
06:15
is that we have to get away from this idea
111
350000
2000
hogy el kell rugaszkodnunk attól az ötlettől,
06:17
of designing the machines manually,
112
352000
2000
hogy kézzel tervezzük meg a gépeket,
06:19
but actually let them evolve and learn, like children,
113
354000
3000
helyette hagynunk kell őket fejlődni és tanulni,
mint a gyerekeket,
mint a gyerekeket,
06:22
and perhaps that's the way we'll get there. Thank you.
114
357000
2000
és talán ez lesz az az út, amin végül célba érünk. Köszönöm.
06:24
(Applause)
115
359000
2000
(Taps)
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