TED2007
Hod Lipson: Building "self-aware" robots
Hod Lipson constrói robôs "auto-conscientes"
Filmed:
Readability: 3.1
1,460,460 views
Hod Lipson demonstra alguns de seus pequenos robôs bem legais, que têm a habilidade de aprender, de entender a si próprio e até mesmo de se auto-replicar.
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
Bem, onde estão os robôs?
00:27
We've been told for 40 years already that they're coming soon.
1
2000
3000
Há 40 anos que nos dizem que eles estão chegando.
00:30
Very soon they'll be doing everything for us.
2
5000
3000
Que em breve eles estarão fazendo tudo para nós:
00:33
They'll be cooking, cleaning, buying things, shopping, building. But they aren't here.
3
8000
5000
vão cozinhar, limpar, fazer compras, construir. Mas eles não estão aí.
00:38
Meanwhile, we have illegal immigrants doing all the work,
4
13000
4000
Por enquanto temos imigrantes ilegais fazendo todo o trabalho,
00:42
but we don't have any robots.
5
17000
2000
mas não temos nenhum robô.
00:44
So what can we do about that? What can we say?
6
19000
4000
Como podemos resolver isso então? O que temos para dizer?
00:48
So I want to give a little bit of a different perspective
7
23000
4000
Bem, eu quero mostrar de uma perspectiva diferente
00:52
of how we can perhaps look at these things in a little bit of a different way.
8
27000
6000
como podemos talvez olhar para estas coisas de um outro modo.
00:58
And this is an x-ray picture
9
33000
2000
E esta é uma foto de raio X
01:00
of a real beetle, and a Swiss watch, back from '88. You look at that --
10
35000
5000
de um besouro de verdade e de um relógio suiço de 1988. Olhando para isto
01:05
what was true then is certainly true today.
11
40000
2000
o que era verdade continua sendo verdade hoje em dia.
01:07
We can still make the pieces. We can make the right pieces.
12
42000
3000
Nós ainda somos capazes fazer as peças, podemos fazer as peças certas,
01:10
We can make the circuitry of the right computational power,
13
45000
3000
podemos fazer o circuito com o poder computacional correto,
01:13
but we can't actually put them together to make something
14
48000
3000
mas ainda não somos capazes de colocar tudo junto para fazer algo
01:16
that will actually work and be as adaptive as these systems.
15
51000
5000
que realmente funcione e seja tão adaptativo como estes sistemas.
01:21
So let's try to look at it from a different perspective.
16
56000
2000
Vamos tentar olhar para isso de um outro ângulo.
01:23
Let's summon the best designer, the mother of all designers.
17
58000
4000
Vamos convocar o melhor designer, o pai de todos os designers:
01:27
Let's see what evolution can do for us.
18
62000
3000
vamos ver o que a evolução pode fazer por nós.
01:30
So we threw in -- we created a primordial soup
19
65000
4000
Nós colocamos -- nós criamos uma sopa primordial
01:34
with lots of pieces of robots -- with bars, with motors, with neurons.
20
69000
4000
com muitas peças de robôs: barras, motores, neurônios.
01:38
Put them all together, and put all this under kind of natural selection,
21
73000
4000
Colocamos tudo junto, sob um certo tipo de seleção natural,
01:42
under mutation, and rewarded things for how well they can move forward.
22
77000
4000
sob mutação, e recompensamos as coisas por andarem bem para frente.
01:46
A very simple task, and it's interesting to see what kind of things came out of that.
23
81000
6000
Uma tarefa muito simples, e é interessante ver as coisas que saíram de lá.
01:52
So if you look, you can see a lot of different machines
24
87000
3000
E se vocês olharem, poderão ver um monte de máquinas diferentes
01:55
come out of this. They all move around.
25
90000
2000
que saíram daí. Elas se locomovem,
01:57
They all crawl in different ways, and you can see on the right,
26
92000
4000
todas elas rastejam de diversos modos, e vocês podem ver à direita,
02:01
that we actually made a couple of these things,
27
96000
2000
que nós construímos de verdade algumas dessas coisas,
02:03
and they work in reality. These are not very fantastic robots,
28
98000
3000
e elas funcionam na realidade. Não são robôs muito fantásticos,
02:06
but they evolved to do exactly what we reward them for:
29
101000
4000
mas eles evoluíram para fazer exatamente aquilo pelo qual os recompensamos:
02:10
for moving forward. So that was all done in simulation,
30
105000
3000
por andar para frente. Isso tudo foi feito em simulação,
02:13
but we can also do that on a real machine.
31
108000
2000
mas podemos fazer numa máquina real também.
02:15
Here's a physical robot that we actually
32
110000
5000
Aqui está um robô físico
02:20
have a population of brains,
33
115000
3000
com vários cérebros,
02:23
competing, or evolving on the machine.
34
118000
2000
concorrendo, ou evoluindo na máquina.
02:25
It's like a rodeo show. They all get a ride on the machine,
35
120000
3000
É como uma festa de rodeio: todos eles têm direito à uma volta na máquina,
02:28
and they get rewarded for how fast or how far
36
123000
3000
e são recompensados por quão rápido, ou quão longe
02:31
they can make the machine move forward.
37
126000
2000
eles podem fazer a máquina andar para frente.
02:33
And you can see these robots are not ready
38
128000
2000
E como vocês podem ver, estes robôs não estão prontos
02:35
to take over the world yet, but
39
130000
3000
para dominar o mundo ainda,
02:38
they gradually learn how to move forward,
40
133000
2000
mas eles aprendem pouco a pouco como andar para frente,
02:40
and they do this autonomously.
41
135000
3000
e o fazem com autonomia.
02:43
So in these two examples, we had basically
42
138000
4000
Bem, nestes dois exemplos basicamente temos
02:47
machines that learned how to walk in simulation,
43
142000
3000
máquinas que aprenderam a caminhar em simulação,
02:50
and also machines that learned how to walk in reality.
44
145000
2000
e também máquinas que aprenderam a caminhar na realidade.
02:52
But I want to show you a different approach,
45
147000
2000
Mas eu quero mostrar a vocês uma abordagem diferente,
02:54
and this is this robot over here, which has four legs.
46
149000
6000
e este aqui é um robô que tem quatro pernas,
03:00
It has eight motors, four on the knees and four on the hip.
47
155000
2000
ele tem oito motores, quatro nos joelhos e quatro no quadril.
03:02
It has also two tilt sensors that tell the machine
48
157000
3000
Ele também tem dois sensores de inclinação que dizem à máquina
03:05
which way it's tilting.
49
160000
3000
em qual direção ela está se inclinando.
03:08
But this machine doesn't know what it looks like.
50
163000
2000
Mas esta máquina não sabe como ela é.
03:10
You look at it and you see it has four legs,
51
165000
2000
Vocês olham e veem que ela tem quatro pernas.
03:12
the machine doesn't know if it's a snake, if it's a tree,
52
167000
2000
O robô não sabe se ele é uma cobra, ou uma árvore,
03:14
it doesn't have any idea what it looks like,
53
169000
3000
ele não tem a menor ideia de como se parece,
03:17
but it's going to try to find that out.
54
172000
2000
mas ele vai tentar descobrir.
03:19
Initially, it does some random motion,
55
174000
2000
Inicialmente, ele faz alguns movimentos aleatórios,
03:21
and then it tries to figure out what it might look like.
56
176000
3000
e então tenta imaginar como ele seria --
03:24
And you're seeing a lot of things passing through its minds,
57
179000
2000
vocês veem um monte de coisas passando pela sua cabeça,
03:26
a lot of self-models that try to explain the relationship
58
181000
4000
um monte de modelos de si mesmo que tentam explicar a relação
03:30
between actuation and sensing. It then tries to do
59
185000
3000
entre impulso e sentidos -- e então
03:33
a second action that creates the most disagreement
60
188000
4000
tenta uma segunda ação que contradiz
03:37
among predictions of these alternative models,
61
192000
2000
os prognósticos destes modelos alternativos,
03:39
like a scientist in a lab. Then it does that
62
194000
2000
como um cientista num laboratório. Então ele faz isto,
03:41
and tries to explain that, and prune out its self-models.
63
196000
4000
tenta achar explicações, e descarta os modelos de si mesmo que não servem.
03:45
This is the last cycle, and you can see it's pretty much
64
200000
3000
Este é o último ciclo, e vocês podem ver que ele fez
03:48
figured out what its self looks like. And once it has a self-model,
65
203000
4000
um bom trabalho descobrindo como se parece, e uma vez tendo um modelo de si próprio,
03:52
it can use that to derive a pattern of locomotion.
66
207000
4000
pode usá-lo para desenvolver um padrão de locomoção.
03:56
So what you're seeing here are a couple of machines --
67
211000
2000
O que vocês veem aqui são algumas máquinas --
03:58
a pattern of locomotion.
68
213000
2000
um padrão de locomoção.
04:00
We were hoping that it wass going to have a kind of evil, spidery walk,
69
215000
4000
Nós esperávamos que ela tivesse um andar meio maléfico, como uma aranha,
04:04
but instead it created this pretty lame way of moving forward.
70
219000
4000
mas ao invés disso, ela criou este jeito bem manco de andar para frente.
04:08
But when you look at that, you have to remember
71
223000
3000
Mas ao olhar para isso, lembrem-se
04:11
that this machine did not do any physical trials on how to move forward,
72
226000
6000
que esta máquina não fez nenhum teste físico de como mover-se para frente,
04:17
nor did it have a model of itself.
73
232000
2000
nem tinha um modelo de si mesma.
04:19
It kind of figured out what it looks like, and how to move forward,
74
234000
3000
Ela meio que tentou descobrir como se parecia, e como se mover para frente,
04:22
and then actually tried that out.
75
237000
4000
e só então tentou na realidade.
04:26
(Applause)
76
241000
5000
(Aplausos)
04:31
So, we'll move forward to a different idea.
77
246000
4000
Bom, vamos prosseguir para uma ideia diferente.
04:35
So that was what happened when we had a couple of --
78
250000
5000
Isso é o que aconteceu, quando tínhamos alguns --
04:40
that's what happened when you had a couple of -- OK, OK, OK --
79
255000
4000
isso é o que aconteceu quando haviam alguns -- OK, OK, OK --
04:44
(Laughter)
80
259000
2000
(Risos)
04:46
-- they don't like each other. So
81
261000
2000
-- eles não se dão muito bem. Então
04:48
there's a different robot.
82
263000
3000
aqui está um robô diferente.
04:51
That's what happened when the robots actually
83
266000
2000
Isto é o que aconteceu quando os robôs
04:53
are rewarded for doing something.
84
268000
2000
são recompensados por fazer alguma coisa.
04:55
What happens if you don't reward them for anything, you just throw them in?
85
270000
3000
O que acontece se você não os recompensa por nada, somente os larga lá?
04:58
So we have these cubes, like the diagram showed here.
86
273000
3000
Temos estes cubos, como mostrado no diagrama aqui.
05:01
The cube can swivel, or flip on its side,
87
276000
2000
O cubo pode girar, ou virar para o lado,
05:04
and we just throw 1,000 of these cubes into a soup --
88
279000
4000
e nós simplesmente jogamos 1.000 destes cubos em uma sopa --
05:08
this is in simulation --and don't reward them for anything,
89
283000
2000
isso é uma simulação -- e não os recompensamos por nada,
05:10
we just let them flip. We pump energy into this
90
285000
3000
apenas deixamos eles se virarem. Nós bombeamos energia nisso
05:13
and see what happens in a couple of mutations.
91
288000
3000
e observamos o que acontece depois de algumas mutações.
05:16
So, initially nothing happens, they're just flipping around there.
92
291000
3000
Inicialmente nada acontece, eles estão apenas virando pra lá e pra cá.
05:19
But after a very short while, you can see these blue things
93
294000
4000
Mas não demora muito e vocês podem ver que estes azulzinhos
05:23
on the right there begin to take over.
94
298000
2000
na direita começam a dominar.
05:25
They begin to self-replicate. So in absence of any reward,
95
300000
4000
Eles começam a se autorreplicar. Na ausência de qualquer recompensa,
05:29
the intrinsic reward is self-replication.
96
304000
3000
a recompensa intrínseca é a autorreplicação.
05:32
And we've actually built a couple of these,
97
307000
1000
E nós construímos alguns destes de verdade,
05:33
and this is part of a larger robot made out of these cubes.
98
308000
4000
e isso é parte de um robô maior feito destes cubos,
05:37
It's an accelerated view, where you can see the robot actually
99
312000
3000
é um vídeo acelerado, onde vocês podem ver o robô
05:40
carrying out some of its replication process.
100
315000
2000
realizando algumas de suas replicações.
05:42
So you're feeding it with more material -- cubes in this case --
101
317000
4000
Ele está sendo alimentado com mais material -- cubos, no caso --
05:46
and more energy, and it can make another robot.
102
321000
3000
e mais energia, e ele pode fazer outro robô.
05:49
So of course, this is a very crude machine,
103
324000
3000
Claro que esta é uma máquina muito simples,
05:52
but we're working on a micro-scale version of these,
104
327000
2000
mas estamos trabalhando em uma versão em micro escala,
05:54
and hopefully the cubes will be like a powder that you pour in.
105
329000
3000
e esperamos que os cubos sejam como um pó a ser despejado.
05:57
OK, so what can we learn? These robots are of course
106
332000
5000
O que podemos aprender? Claro que estes robôs
06:02
not very useful in themselves, but they might teach us something
107
337000
3000
não são muito úteis em si, mas eles podem nos ensinar algo
06:05
about how we can build better robots,
108
340000
3000
sobre como construir robôs melhores,
06:08
and perhaps how humans, animals, create self-models and learn.
109
343000
5000
e, talvez, como humanos, animais, criam modelos de si próprio e aprendem.
06:13
And one of the things that I think is important
110
348000
2000
E uma das coisas que julgo importante
06:15
is that we have to get away from this idea
111
350000
2000
é que temos que fugir desta ideia
06:17
of designing the machines manually,
112
352000
2000
de desenhar as máquinas manualmente,
06:19
but actually let them evolve and learn, like children,
113
354000
3000
mas sim deixá-las se desenvolver e aprender, como crianças,
06:22
and perhaps that's the way we'll get there. Thank you.
114
357000
2000
e talvez este seja o jeito que chegaremos lá. Obrigado.
06:24
(Applause)
115
359000
2000
(Aplausos)
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