TED2007
Hod Lipson: Building "self-aware" robots
Год Ліпсон: Конструювання "самосвідомих" роботів
Filmed:
Readability: 3.1
1,460,460 views
Год Ліпсон демонструє кілька своїх крутих маленьких роботів, здатних навчатися, усвідомлювати себе та навіть самовідтворюватися.
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
І де ж ці роботи?
00:27
We've been told for 40 years already that they're coming soon.
1
2000
3000
Нам 40 років кажуть,
що вони незабаром з'являться.
що вони незабаром з'являться.
00:30
Very soon they'll be doing everything for us.
2
5000
3000
Дуже швидко вони почнуть
робити усе замість нас.
робити усе замість нас.
00:33
They'll be cooking, cleaning, buying things, shopping, building. But they aren't here.
3
8000
5000
Вони будуть куховарити, прибирати, робити покупки,
будувати. Але їх нема.
будувати. Але їх нема.
00:38
Meanwhile, we have illegal immigrants doing all the work,
4
13000
4000
Тим часом, цю роботу виконують
нелегальні імігранти зі всього світу,
нелегальні імігранти зі всього світу,
00:42
but we don't have any robots.
5
17000
2000
а роботів ми так і не маємо.
00:44
So what can we do about that? What can we say?
6
19000
4000
Що ж ми можемо тут зробити?
Що можемо сказати?
Що можемо сказати?
00:48
So I want to give a little bit of a different perspective
7
23000
4000
Хочу показати дещо іншу перспективу того,
00:52
of how we can perhaps look at these things in a little bit of a different way.
8
27000
6000
як ми могли б дивитись на речі
по-іншому.
по-іншому.
00:58
And this is an x-ray picture
9
33000
2000
Це рентген-знімок
01:00
of a real beetle, and a Swiss watch, back from '88. You look at that --
10
35000
5000
справжнього жука і швейцарського годинника
88-го року. Ви дивитесь на це -
88-го року. Ви дивитесь на це -
01:05
what was true then is certainly true today.
11
40000
2000
що було справжнім тоді, безсумнівно,
є справжнім і зараз.
є справжнім і зараз.
01:07
We can still make the pieces. We can make the right pieces.
12
42000
3000
Ми досі можемо виготовляти такі предмети.
Можемо робити потрібні предмети.
Можемо робити потрібні предмети.
01:10
We can make the circuitry of the right computational power,
13
45000
3000
Можемо зробити схему
з потрібною потужністю,
з потрібною потужністю,
01:13
but we can't actually put them together to make something
14
48000
3000
але ми, власне, не можемо поєднати їх,
щоб зробити щось,
щоб зробити щось,
01:16
that will actually work and be as adaptive as these systems.
15
51000
5000
що працюватиме та буде адаптовуватись,
як ці системи.
як ці системи.
01:21
So let's try to look at it from a different perspective.
16
56000
2000
Спробуємо глянути з іншої перспективи.
01:23
Let's summon the best designer, the mother of all designers.
17
58000
4000
Звернемося до найкращого дизайнера,
матері усіх дизайнерів.
матері усіх дизайнерів.
01:27
Let's see what evolution can do for us.
18
62000
3000
Подивимося, що може для нас
зробити еволюція.
зробити еволюція.
01:30
So we threw in -- we created a primordial soup
19
65000
4000
Включаємось - ми створили
"первинний бульйон"
"первинний бульйон"
01:34
with lots of pieces of robots -- with bars, with motors, with neurons.
20
69000
4000
з великою кількістю деталей роботів -
з планками, двигунами, нейронами.
з планками, двигунами, нейронами.
01:38
Put them all together, and put all this under kind of natural selection,
21
73000
4000
Зібрали це все докупи і провели щось
на зразок природного добору,
на зразок природного добору,
01:42
under mutation, and rewarded things for how well they can move forward.
22
77000
4000
піддали мутаціям і винагородили їх за те,
як швидко вони можуть рухатись уперед.
як швидко вони можуть рухатись уперед.
01:46
A very simple task, and it's interesting to see what kind of things came out of that.
23
81000
6000
Дуже просте завдання, і цікаво побачити,
що з цього вийшло.
що з цього вийшло.
01:52
So if you look, you can see a lot of different machines
24
87000
3000
Якщо ви подивитеся, можна побачити
багато різних машин,
багато різних машин,
01:55
come out of this. They all move around.
25
90000
2000
отриманих таким чином.
Вони всі рухаються довкола.
Вони всі рухаються довкола.
01:57
They all crawl in different ways, and you can see on the right,
26
92000
4000
Вони всі розповзаються врізнобіч,
можна побачити праворуч,
можна побачити праворуч,
02:01
that we actually made a couple of these things,
27
96000
2000
що ми зробили декілька
таких штук,
таких штук,
02:03
and they work in reality. These are not very fantastic robots,
28
98000
3000
і вони справді працюють. Це не
фантастичні роботи,
фантастичні роботи,
02:06
but they evolved to do exactly what we reward them for:
29
101000
4000
але вони еволюціонували так,
щоб робити саме те, за що ми їх заохочуємо:
щоб робити саме те, за що ми їх заохочуємо:
02:10
for moving forward. So that was all done in simulation,
30
105000
3000
рух уперед. Це все було
зроблено у симуляції,
зроблено у симуляції,
02:13
but we can also do that on a real machine.
31
108000
2000
але ми можемо це зробити
і зі справжньою машиною.
і зі справжньою машиною.
02:15
Here's a physical robot that we actually
32
110000
5000
Це фізичний робот,
02:20
have a population of brains,
33
115000
3000
ми маємо цілу популяцію їх
з інтелектом,
з інтелектом,
02:23
competing, or evolving on the machine.
34
118000
2000
вони змагаються, еволюціонують.
02:25
It's like a rodeo show. They all get a ride on the machine,
35
120000
3000
Це як родео. Вони всі катаються
на машині
на машині
02:28
and they get rewarded for how fast or how far
36
123000
3000
і отримують заохочення за те,
як швидко вони рухались,
як швидко вони рухались,
02:31
they can make the machine move forward.
37
126000
2000
і як далеко змогли просунути
машину вперед.
машину вперед.
02:33
And you can see these robots are not ready
38
128000
2000
Бачте, ці роботи ще не готові
02:35
to take over the world yet, but
39
130000
3000
панувати над світом,
02:38
they gradually learn how to move forward,
40
133000
2000
але вони поступово вчаться
рухатись уперед,
рухатись уперед,
02:40
and they do this autonomously.
41
135000
3000
і роблять це автономно.
02:43
So in these two examples, we had basically
42
138000
4000
У цих двох прикладах
ми маємо
ми маємо
02:47
machines that learned how to walk in simulation,
43
142000
3000
машини, що навчилися,
як ходити у симуляції,
як ходити у симуляції,
02:50
and also machines that learned how to walk in reality.
44
145000
2000
а також машини, які навчились ходити
в реальності.
в реальності.
02:52
But I want to show you a different approach,
45
147000
2000
Та хочу показати вам
інший підхід,
інший підхід,
02:54
and this is this robot over here, which has four legs.
46
149000
6000
цей робот ось там
має чотири ноги.
має чотири ноги.
03:00
It has eight motors, four on the knees and four on the hip.
47
155000
2000
У нього вісім двигунів, чотири
на колінах, чотири на бедрах.
на колінах, чотири на бедрах.
03:02
It has also two tilt sensors that tell the machine
48
157000
3000
Він також має два кутових сенсори,
які вказують машині,
які вказують машині,
03:05
which way it's tilting.
49
160000
3000
у який бік вона нахиляється.
03:08
But this machine doesn't know what it looks like.
50
163000
2000
Але ця машина не знає,
як вона виглядає.
як вона виглядає.
03:10
You look at it and you see it has four legs,
51
165000
2000
Ви дивитесь на неї
і бачите, що в неї чотири ноги,
і бачите, що в неї чотири ноги,
03:12
the machine doesn't know if it's a snake, if it's a tree,
52
167000
2000
машина не знає, чи вона є змією,
чи деревом,
чи деревом,
03:14
it doesn't have any idea what it looks like,
53
169000
3000
вона не має жодного уявлення
про свій вигляд,
про свій вигляд,
03:17
but it's going to try to find that out.
54
172000
2000
але вона буде намагатись
це дізнатися.
це дізнатися.
03:19
Initially, it does some random motion,
55
174000
2000
Спочатку вона робить
якісь випадкові рухи,
якісь випадкові рухи,
03:21
and then it tries to figure out what it might look like.
56
176000
3000
а тоді пробує прикинути,
як може виглядати.
як може виглядати.
03:24
And you're seeing a lot of things passing through its minds,
57
179000
2000
Ви бачите, що у її мозку
відбувається багато речей,
відбувається багато речей,
03:26
a lot of self-models that try to explain the relationship
58
181000
4000
безліч змодельованих нею речей,
щоб пояснити відношення
щоб пояснити відношення
03:30
between actuation and sensing. It then tries to do
59
185000
3000
між приведенням в дію та визначенням
напряму. Далі вона пробує
напряму. Далі вона пробує
03:33
a second action that creates the most disagreement
60
188000
4000
зробити другу дію, яка створює
найбільше суперечок
найбільше суперечок
03:37
among predictions of these alternative models,
61
192000
2000
у прогнозах щодо цих
альтернативних моделей,
альтернативних моделей,
03:39
like a scientist in a lab. Then it does that
62
194000
2000
як у науковців з лабораторії.
Далі вона робить це
Далі вона робить це
03:41
and tries to explain that, and prune out its self-models.
63
196000
4000
і намагається це пояснити,
і спрощує свої моделі.
і спрощує свої моделі.
03:45
This is the last cycle, and you can see it's pretty much
64
200000
3000
Це останній цикл,
як бачите, тут доволі
як бачите, тут доволі
03:48
figured out what its self looks like. And once it has a self-model,
65
203000
4000
передбачено, як це виглядатиме.
Як тільки воно змоделювало свій вигляд,
Як тільки воно змоделювало свій вигляд,
03:52
it can use that to derive a pattern of locomotion.
66
207000
4000
воно може використати його,
щоб виробити схему переміщення.
щоб виробити схему переміщення.
03:56
So what you're seeing here are a couple of machines --
67
211000
2000
Те, що ви бачите - це декілька машин -
03:58
a pattern of locomotion.
68
213000
2000
схема переміщення.
04:00
We were hoping that it wass going to have a kind of evil, spidery walk,
69
215000
4000
Ми сподіваємося, що вона матиме
таку собі бридку, павучу ходу,
таку собі бридку, павучу ходу,
04:04
but instead it created this pretty lame way of moving forward.
70
219000
4000
натомість, вона створила цю досить
поганеньку ходу.
поганеньку ходу.
04:08
But when you look at that, you have to remember
71
223000
3000
Та, коли ви дивитесь на це,
слід пам'ятати,
слід пам'ятати,
04:11
that this machine did not do any physical trials on how to move forward,
72
226000
6000
що ця машина не була запрограмована
рухатись уперед,
рухатись уперед,
04:17
nor did it have a model of itself.
73
232000
2000
ані містила даних
про свій вигляд.
про свій вигляд.
04:19
It kind of figured out what it looks like, and how to move forward,
74
234000
3000
Вона сама зрозуміла, як виглядає,
і як їй рухатись уперед,
і як їй рухатись уперед,
04:22
and then actually tried that out.
75
237000
4000
а тоді спробувала це робити.
04:26
(Applause)
76
241000
5000
(Оплески)
04:31
So, we'll move forward to a different idea.
77
246000
4000
Рухаємось далі до іншої ідеї.
04:35
So that was what happened when we had a couple of --
78
250000
5000
Ось що сталося, коли в нас було декілька -
04:40
that's what happened when you had a couple of -- OK, OK, OK --
79
255000
4000
те, що сталося, коли було декілька - Ок, Ок, Ок -
04:44
(Laughter)
80
259000
2000
(Сміх)
04:46
-- they don't like each other. So
81
261000
2000
- вони не симпатизують один одному.
04:48
there's a different robot.
82
263000
3000
Це інший робот.
04:51
That's what happened when the robots actually
83
266000
2000
Ось, що сталося, коли роботи
04:53
are rewarded for doing something.
84
268000
2000
отримують винагороду за те, що зробили.
04:55
What happens if you don't reward them for anything, you just throw them in?
85
270000
3000
А що буде, якщо не нагороджувати їх
ні за що, просто викидати їх?
ні за що, просто викидати їх?
04:58
So we have these cubes, like the diagram showed here.
86
273000
3000
У нас є куби,
як на цій діаграмі.
як на цій діаграмі.
05:01
The cube can swivel, or flip on its side,
87
276000
2000
Куб може обертатись
або перевертатись на бік,
або перевертатись на бік,
05:04
and we just throw 1,000 of these cubes into a soup --
88
279000
4000
ми просто кидаємо 1000 таких кубів
у "бульйон"-
у "бульйон"-
05:08
this is in simulation --and don't reward them for anything,
89
283000
2000
це симуляція - і не даємо їм винагороди.
05:10
we just let them flip. We pump energy into this
90
285000
3000
Просто даємо їм перевертатись.
Постачаємо енергію,
Постачаємо енергію,
05:13
and see what happens in a couple of mutations.
91
288000
3000
дивимось, що станеться
після кількох мутацій.
після кількох мутацій.
05:16
So, initially nothing happens, they're just flipping around there.
92
291000
3000
На початку нічого не відбувається,
вони просто перевертаються довкола.
вони просто перевертаються довкола.
05:19
But after a very short while, you can see these blue things
93
294000
4000
Та через короткий проміжок часу
можна побачити ці сині штуки
можна побачити ці сині штуки
05:23
on the right there begin to take over.
94
298000
2000
праворуч, які починають переважати.
05:25
They begin to self-replicate. So in absence of any reward,
95
300000
4000
Вони починають самовідтворюватись.
Без будь-якої винагороди,
Без будь-якої винагороди,
05:29
the intrinsic reward is self-replication.
96
304000
3000
внутрішнім мотиватором
є самовідтворення.
є самовідтворення.
05:32
And we've actually built a couple of these,
97
307000
1000
Ми вже збудували декілька таких.
05:33
and this is part of a larger robot made out of these cubes.
98
308000
4000
А це частина більшого робота,
зробленого з цих кубів.
зробленого з цих кубів.
05:37
It's an accelerated view, where you can see the robot actually
99
312000
3000
Це пришвидшений перегляд,
де видно робота
де видно робота
05:40
carrying out some of its replication process.
100
315000
2000
у процесі самовідтворення.
05:42
So you're feeding it with more material -- cubes in this case --
101
317000
4000
Ви постачаєте йому більше матеріалу -
у цьому випадку - куби -
у цьому випадку - куби -
05:46
and more energy, and it can make another robot.
102
321000
3000
і більше енергії, і він може зробити
іншого робота.
іншого робота.
05:49
So of course, this is a very crude machine,
103
324000
3000
Звісно, це дуже сира машина,
05:52
but we're working on a micro-scale version of these,
104
327000
2000
але ми працюємо над її мікроверсією
05:54
and hopefully the cubes will be like a powder that you pour in.
105
329000
3000
і надіємось отримати куби
у вигляді порошку, що засипатиметься всередину.
у вигляді порошку, що засипатиметься всередину.
05:57
OK, so what can we learn? These robots are of course
106
332000
5000
Гаразд, чого ж ми можемо навчитися?
Ці роботи, звичайно,
Ці роботи, звичайно,
06:02
not very useful in themselves, but they might teach us something
107
337000
3000
самі по собі не дуже корисні,
але можуть нас чомусь навчити
але можуть нас чомусь навчити
06:05
about how we can build better robots,
108
340000
3000
про те, як можна сконструювати кращих
роботів,
роботів,
06:08
and perhaps how humans, animals, create self-models and learn.
109
343000
5000
і, можливо, про те, як люди, тварини
створюють моделі себе та вчаться.
створюють моделі себе та вчаться.
06:13
And one of the things that I think is important
110
348000
2000
Одна з важливих, на мою думку, речей,
це те,
це те,
06:15
is that we have to get away from this idea
111
350000
2000
що нам треба відходити від ідеї
06:17
of designing the machines manually,
112
352000
2000
розробки машин вручну,
06:19
but actually let them evolve and learn, like children,
113
354000
3000
а дати їм можливість розвиватися
та вчитися, як дітям,
та вчитися, як дітям,
06:22
and perhaps that's the way we'll get there. Thank you.
114
357000
2000
і, можливо, так ми цього досягнемо.
Дякую.
Дякую.
06:24
(Applause)
115
359000
2000
(Оплески)
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