TED2007
Hod Lipson: Building "self-aware" robots
Robot coscienti di sé: Hod Lipson@TED
Filmed:
Readability: 3.1
1,460,460 views
Hod Lipson ci mostra alcuni dei suoi piccoli robot, in grado di apprendere, capire sé stessi e persino auto-replicarsi
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
Allora, dove sono i robot?
00:27
We've been told for 40 years already that they're coming soon.
1
2000
3000
Sono ormai 40 anni che ci annunciano il loro arrivo.
00:30
Very soon they'll be doing everything for us.
2
5000
3000
Presto faranno ogni cosa per noi, dicevano:
00:33
They'll be cooking, cleaning, buying things, shopping, building. But they aren't here.
3
8000
5000
cucinare, pulire, fare acquisti, shopping, costruire. Ma ancora non ci sono.
00:38
Meanwhile, we have illegal immigrants doing all the work,
4
13000
4000
Nel frattempo, abbiamo degli immigrati illegali che fanno tutto il lavoro, ma niente robot.
00:42
but we don't have any robots.
5
17000
2000
Nel frattempo, abbiamo degli immigrati illegali che fanno tutto il lavoro, ma niente robot.
00:44
So what can we do about that? What can we say?
6
19000
4000
Cosa possiamo farci? Cosa possiamo dire a riguardo?
00:48
So I want to give a little bit of a different perspective
7
23000
4000
Voglio darvi una prospettiva nuova, per osservare queste cose in un modo un pò diverso.
00:52
of how we can perhaps look at these things in a little bit of a different way.
8
27000
6000
Voglio darvi una prospettiva nuova, per osservare queste cose in un modo un pò diverso.
00:58
And this is an x-ray picture
9
33000
2000
Questa é l'immagine ai raggi X
01:00
of a real beetle, and a Swiss watch, back from '88. You look at that --
10
35000
5000
di uno scarafaggio, e di un orologio svizzero del 1988. Guardate-
01:05
what was true then is certainly true today.
11
40000
2000
quello che era vero allora lo é certamente anche oggi.
01:07
We can still make the pieces. We can make the right pieces.
12
42000
3000
Possiamo ancora fare i pezzi giusti,
01:10
We can make the circuitry of the right computational power,
13
45000
3000
possiamo realizzare la circuiteria della giusta potenza di calcolo,
01:13
but we can't actually put them together to make something
14
48000
3000
ma non possiamo mettere tutto insieme in un modo
01:16
that will actually work and be as adaptive as these systems.
15
51000
5000
così funzionale e capace di adattarsi come questi sistemi.
01:21
So let's try to look at it from a different perspective.
16
56000
2000
Proviamo quindi ad osservarli da una prospettiva differente.
01:23
Let's summon the best designer, the mother of all designers.
17
58000
4000
Abbiamo osservato il miglior designer, la madre di tutti i designer, l'evoluzione,
01:27
Let's see what evolution can do for us.
18
62000
3000
cercando di capire come poteva ispirarci.
01:30
So we threw in -- we created a primordial soup
19
65000
4000
Abbiamo creato un "brodo primordiale" con molti pezzi di robot: barre, motori, neuroni.
01:34
with lots of pieces of robots -- with bars, with motors, with neurons.
20
69000
4000
Abbiamo creato un "brodo primordiale" con molti pezzi di robot: barre, motori, neuroni.
01:38
Put them all together, and put all this under kind of natural selection,
21
73000
4000
L'idea era di metterli tutti insieme, in questa specie di selezione naturale,
01:42
under mutation, and rewarded things for how well they can move forward.
22
77000
4000
di mutazione, e "premiarli" in base a quanto bene riuscivano a progredire.
01:46
A very simple task, and it's interesting to see what kind of things came out of that.
23
81000
6000
Un compito molto semplice, ed é interessante vedere che genere di cose ne veniva fuori.
01:52
So if you look, you can see a lot of different machines
24
87000
3000
Potete vedere quante macchine differenti ne venivano fuori.
01:55
come out of this. They all move around.
25
90000
2000
Potete vedere quante macchine differenti ne venivano fuori.
01:57
They all crawl in different ways, and you can see on the right,
26
92000
4000
Si muovono intorno, strisciano in modi diversi, e come potete vedere sulla destra,
02:01
that we actually made a couple of these things,
27
96000
2000
ne abbiamo davvero realizzate un paio, e funzionano. Non sono dei robot fantastici,
02:03
and they work in reality. These are not very fantastic robots,
28
98000
3000
ne abbiamo davvero realizzate un paio, e funzionano. Non sono dei robot fantastici,
02:06
but they evolved to do exactly what we reward them for:
29
101000
4000
ma si sono evoluti per fare esattamente quello per cui sono premiati: muoversi in avanti.
02:10
for moving forward. So that was all done in simulation,
30
105000
3000
Tutto questo simulato, ma possiamo farlo anche su una macchina vera.
02:13
but we can also do that on a real machine.
31
108000
2000
Tutto questo simulato, ma possiamo farlo anche su una macchina vera.
02:15
Here's a physical robot that we actually
32
110000
5000
Ecco un robot fisico dove più cervelli competono, o evolvono, sulla stessa macchina.
02:20
have a population of brains,
33
115000
3000
Ecco un robot fisico dove più cervelli competono, o evolvono, sulla stessa macchina.
02:23
competing, or evolving on the machine.
34
118000
2000
Ecco un robot fisico dove più cervelli competono, o evolvono, sulla stessa macchina.
02:25
It's like a rodeo show. They all get a ride on the machine,
35
120000
3000
E' come in un rodeo: tutti fanno una corsa sulla macchina,
02:28
and they get rewarded for how fast or how far
36
123000
3000
e vengono ricompensati in base a quanto in fretta, o quanto lontano, riescono a farla proseguire.
02:31
they can make the machine move forward.
37
126000
2000
e vengono ricompensati in base a quanto in fretta, o quanto lontano, riescono a farla proseguire.
02:33
And you can see these robots are not ready
38
128000
2000
Potete vedere come questi robot non siano ancora pronti a dominare il mondo, ma
02:35
to take over the world yet, but
39
130000
3000
Potete vedere come questi robot non siano ancora pronti a dominare il mondo, ma
02:38
they gradually learn how to move forward,
40
133000
2000
imparano gradualmente ad andar avanti, e lo fanno autonomamente.
02:40
and they do this autonomously.
41
135000
3000
imparano gradualmente ad andar avanti, e lo fanno autonomamente.
02:43
So in these two examples, we had basically
42
138000
4000
Ecco due esempi di macchine che imparavano a camminare, in simulazione e nella realtà.
02:47
machines that learned how to walk in simulation,
43
142000
3000
Ecco due esempi di macchine che imparavano a camminare, in simulazione e nella realtà.
02:50
and also machines that learned how to walk in reality.
44
145000
2000
Ecco due esempi di macchine che imparavano a camminare, in simulazione e nella realtà.
02:52
But I want to show you a different approach,
45
147000
2000
Ma voglio mostrarvi un approccio diverso, ed é
02:54
and this is this robot over here, which has four legs.
46
149000
6000
questo robot, con quattro gambe, otto motori, quattro sulle ginocchia e quattro sull'anca.
03:00
It has eight motors, four on the knees and four on the hip.
47
155000
2000
questo robot, con quattro gambe, otto motori, quattro sulle ginocchia e quattro sull'anca.
03:02
It has also two tilt sensors that tell the machine
48
157000
3000
Inoltre ha due sensori di rotazione che dicono alla macchina in che direzione sta ruotando.
03:05
which way it's tilting.
49
160000
3000
Inoltre ha due sensori di rotazione che dicono alla macchina in che direzione sta ruotando.
03:08
But this machine doesn't know what it looks like.
50
163000
2000
Ma questa macchina non sa a cosa assomiglia.
03:10
You look at it and you see it has four legs,
51
165000
2000
La guardi e vedi che ha quattro gambe,
03:12
the machine doesn't know if it's a snake, if it's a tree,
52
167000
2000
la macchina non sa se é un serpente, se é un albero,
03:14
it doesn't have any idea what it looks like,
53
169000
3000
non ha alcuna idea del suo aspetto, ma proverà a scoprirlo.
03:17
but it's going to try to find that out.
54
172000
2000
non ha alcuna idea del suo aspetto, ma proverà a scoprirlo.
03:19
Initially, it does some random motion,
55
174000
2000
Inizialmente, fa qualche movimento casuale,
03:21
and then it tries to figure out what it might look like.
56
176000
3000
e poi cerca di capire che aspetto potrebbe avere
03:24
And you're seeing a lot of things passing through its minds,
57
179000
2000
--e vedete che le passano molti "pensieri per la testa",
03:26
a lot of self-models that try to explain the relationship
58
181000
4000
molti auto-modelli che cercano di spiegare le relazioni
03:30
between actuation and sensing. It then tries to do
59
185000
3000
tra l'agire ed il sentire-- e poi prova a fare una seconda azione il più lontano possibile
03:33
a second action that creates the most disagreement
60
188000
4000
tra l'agire ed il sentire-- e poi prova a fare una seconda azione il più lontano possibile
03:37
among predictions of these alternative models,
61
192000
2000
tra le previsioni di questi modelli alternativi,
03:39
like a scientist in a lab. Then it does that
62
194000
2000
come gli scienziati in laboratorio. Poi fa quell'azione,
03:41
and tries to explain that, and prune out its self-models.
63
196000
4000
cerca di spiegarla, e scarta i modelli di sé non validi.
03:45
This is the last cycle, and you can see it's pretty much
64
200000
3000
Questo é l'ultimo ciclo, e vedete come abbia capito
03:48
figured out what its self looks like. And once it has a self-model,
65
203000
4000
piuttosto bene a che cosa assomiglia, ed una volta che ha un modello di sé,
03:52
it can use that to derive a pattern of locomotion.
66
207000
4000
può usarlo per dedurne un modo di muoversi.
03:56
So what you're seeing here are a couple of machines --
67
211000
2000
State quindi vedendo un paio di macchine --un pattern di locomozione.
03:58
a pattern of locomotion.
68
213000
2000
State quindi vedendo un paio di macchine --un pattern di locomozione.
04:00
We were hoping that it wass going to have a kind of evil, spidery walk,
69
215000
4000
Speravamo che assumesse una camminata aggressiva, da ragno,
04:04
but instead it created this pretty lame way of moving forward.
70
219000
4000
ma invece ha creato questo modo piuttosto noioso di muoversi.
04:08
But when you look at that, you have to remember
71
223000
3000
Ma quando la osservate dovete ricordare
04:11
that this machine did not do any physical trials on how to move forward,
72
226000
6000
che questa macchina non ha fatto alcun test su come muoversi in avanti,
04:17
nor did it have a model of itself.
73
232000
2000
né aveva un modello di sé.
04:19
It kind of figured out what it looks like, and how to move forward,
74
234000
3000
Ha cercato di capire a cosa assomigliasse, come muoversi in avanti, e poi in effetti lo ha fatto.
04:22
and then actually tried that out.
75
237000
4000
Ha cercato di capire a cosa assomigliasse, come muoversi in avanti, e poi in effetti lo ha fatto.
04:26
(Applause)
76
241000
5000
(Applausi)
04:31
So, we'll move forward to a different idea.
77
246000
4000
Ora passiamo ad un'altra idea.
04:35
So that was what happened when we had a couple of --
78
250000
5000
Ecco cosa avvenne quando avemmo un paio di --OK,OK
04:40
that's what happened when you had a couple of -- OK, OK, OK --
79
255000
4000
Ecco cosa avvenne quando avemmo un paio di --OK,OK
04:44
(Laughter)
80
259000
2000
(Risate)
04:46
-- they don't like each other. So
81
261000
2000
-- non si piacciono.
04:48
there's a different robot.
82
263000
3000
C'é un robot differente.
04:51
That's what happened when the robots actually
83
266000
2000
Quando i robot sono ricompensati per fare qualcosa, avviene tutto questo.
04:53
are rewarded for doing something.
84
268000
2000
Quando i robot sono ricompensati per fare qualcosa, avviene tutto questo.
04:55
What happens if you don't reward them for anything, you just throw them in?
85
270000
3000
Ma cosa succede se invece non li premi per niente, e li getti solo nella mischia?
04:58
So we have these cubes, like the diagram showed here.
86
273000
3000
Abbiamo questi cubi, come nel grafico che vi ho mostrato qui. Il cubo può ruotare su sé stesso,
05:01
The cube can swivel, or flip on its side,
87
276000
2000
Abbiamo questi cubi, come nel grafico che vi ho mostrato qui. Il cubo può ruotare su sé stesso,
05:04
and we just throw 1,000 of these cubes into a soup --
88
279000
4000
noi mettiamo 1000 di questi cubi in una zuppa
05:08
this is in simulation --and don't reward them for anything,
89
283000
2000
--nella simulazione-- e non li ricompensiamo per nulla,
05:10
we just let them flip. We pump energy into this
90
285000
3000
li lasciamo solo ruotare. Pompiamo dentro energia e vediamo cosa succede in un paio di mutazioni.
05:13
and see what happens in a couple of mutations.
91
288000
3000
li lasciamo solo ruotare. Pompiamo dentro energia e vediamo cosa succede in un paio di mutazioni.
05:16
So, initially nothing happens, they're just flipping around there.
92
291000
3000
Inizialmente, dunque, non avviene nulla, stanno lì e girano.
05:19
But after a very short while, you can see these blue things
93
294000
4000
Ma in breve tempo, potete vedere queste cose blu sulla destra che iniziano ad agire.
05:23
on the right there begin to take over.
94
298000
2000
Ma in breve tempo, potete vedere queste cose blu sulla destra che iniziano ad agire.
05:25
They begin to self-replicate. So in absence of any reward,
95
300000
4000
Iniziano ad autoreplicarsi. Quindi, in mancanza di ogni altra ricompensa,
05:29
the intrinsic reward is self-replication.
96
304000
3000
la ricompensa intrinseca é l'auto-replicazione.
05:32
And we've actually built a couple of these,
97
307000
1000
Ne abbiamo ricostruiti un paio di questi, in effetti,
05:33
and this is part of a larger robot made out of these cubes.
98
308000
4000
e sono parte di un robot più largo fatto di questi cubi,
05:37
It's an accelerated view, where you can see the robot actually
99
312000
3000
é una vista accelerata, potete vedere il robot
05:40
carrying out some of its replication process.
100
315000
2000
che esegue alcuni dei suoi processi di replicazione.
05:42
So you're feeding it with more material -- cubes in this case --
101
317000
4000
Quindi lo nutri con altro materiale --cubi, in questo caso-- e più energia,
05:46
and more energy, and it can make another robot.
102
321000
3000
e può realizzare un altro robot.
05:49
So of course, this is a very crude machine,
103
324000
3000
Quindi certo, é una macchina molto rozza, ma stiamo lavorando su una sua microversione,
05:52
but we're working on a micro-scale version of these,
104
327000
2000
Quindi certo, é una macchina molto rozza, ma stiamo lavorando su una sua microversione,
05:54
and hopefully the cubes will be like a powder that you pour in.
105
329000
3000
e si spera che questi microcubi si riducano ad una polvere da mescolare.
05:57
OK, so what can we learn? These robots are of course
106
332000
5000
OK, allora cosa possiamo imparare? Questi robot sono certamente
06:02
not very useful in themselves, but they might teach us something
107
337000
3000
non molto utili, in sé, ma potrebbero insegnarci qualcosa
06:05
about how we can build better robots,
108
340000
3000
su come possiamo costruire dei robot migliori,
06:08
and perhaps how humans, animals, create self-models and learn.
109
343000
5000
e magari come gli umani, e gli animali, creano modelli di sé ed imparano.
06:13
And one of the things that I think is important
110
348000
2000
E trovo importante dire che dobbiamo allontanarci dall'idea di progettare le macchine manualmente,
06:15
is that we have to get away from this idea
111
350000
2000
E trovo importante dire che dobbiamo allontanarci dall'idea di progettare le macchine manualmente,
06:17
of designing the machines manually,
112
352000
2000
E trovo importante dire che dobbiamo allontanarci dall'idea di progettare le macchine manualmente,
06:19
but actually let them evolve and learn, like children,
113
354000
3000
cominciando a lasciare proprio che evolvano ed imparino, come i bambini,
06:22
and perhaps that's the way we'll get there. Thank you.
114
357000
2000
Forse sarà così che ci arriveremo. Grazie.
06:24
(Applause)
115
359000
2000
(Applausi)
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