TED2007
Hod Lipson: Building "self-aware" robots
Ход Липсън създава "съзнаващи себе си" роботи
Filmed:
Readability: 3.1
1,460,460 views
Ход Липсън демонстрира някои от своите страхотни малки роботи, които имат способността да се учат, да разбират себе си и дори да се самокопират.
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
И така, къде са роботите?
00:27
We've been told for 40 years already that they're coming soon.
1
2000
3000
Казват ни вече от 40 години, че те идват скоро.
00:30
Very soon they'll be doing everything for us.
2
5000
3000
Много скоро ще правят всичко вместо нас:
00:33
They'll be cooking, cleaning, buying things, shopping, building. But they aren't here.
3
8000
5000
ще готвят, ще чистят, ще купуват неща, ще пазаруват, ще строят. Но не са тук.
00:38
Meanwhile, we have illegal immigrants doing all the work,
4
13000
4000
Междувременно, нелегални имигранти вършат цялата работа,
00:42
but we don't have any robots.
5
17000
2000
но нямаме никакви роботи.
00:44
So what can we do about that? What can we say?
6
19000
4000
Какво можем да направим по въпроса? Какво можем да кажем?
00:48
So I want to give a little bit of a different perspective
7
23000
4000
Искам да дам една малко по-различна перспектива,
00:52
of how we can perhaps look at these things in a little bit of a different way.
8
27000
6000
за това как бихме могли да погледнем на тези неща по малко по-различен начин.
00:58
And this is an x-ray picture
9
33000
2000
Това е рентгенова снимка
01:00
of a real beetle, and a Swiss watch, back from '88. You look at that --
10
35000
5000
на истински бръмбар, и швейцарски часовник от 1988 г. Погледнете това...
01:05
what was true then is certainly true today.
11
40000
2000
което е било вярно тогава, със сигурност е вярно и днес.
01:07
We can still make the pieces. We can make the right pieces.
12
42000
3000
Можем още да правим парчетата, можем да правим правилните парчета,
01:10
We can make the circuitry of the right computational power,
13
45000
3000
можем да правим окабеляването на правилната изчислителна мощност,
01:13
but we can't actually put them together to make something
14
48000
3000
но всъщност не можем да ги свържем заедно, за да направим нещо,
01:16
that will actually work and be as adaptive as these systems.
15
51000
5000
което наистина ще работи и ще бъде адаптивно като тези системи.
01:21
So let's try to look at it from a different perspective.
16
56000
2000
Да се опитаме да погледнем това от различна перспектива.
01:23
Let's summon the best designer, the mother of all designers.
17
58000
4000
Да призовем най-добрия дизайнер, майката на всички дизайнери:
01:27
Let's see what evolution can do for us.
18
62000
3000
да видим какво може да направи еволюцията за нас.
01:30
So we threw in -- we created a primordial soup
19
65000
4000
Хвърлихме се в това - създадохме първична супа
01:34
with lots of pieces of robots -- with bars, with motors, with neurons.
20
69000
4000
с множество парчета от роботи: с лостове, с мотори, с неврони.
01:38
Put them all together, and put all this under kind of natural selection,
21
73000
4000
Съберете ги всички заедно и ги подложете на един вид естествен подбор,
01:42
under mutation, and rewarded things for how well they can move forward.
22
77000
4000
под мутация, и награждавайте нещата за умението им да се движат напред.
01:46
A very simple task, and it's interesting to see what kind of things came out of that.
23
81000
6000
Много проста задача, и е интересно да се види какви неща излязоха от това.
01:52
So if you look, you can see a lot of different machines
24
87000
3000
Ако погледнете, може да видите много различни машини
01:55
come out of this. They all move around.
25
90000
2000
да излизат от това. Всички те се движат наоколо,
01:57
They all crawl in different ways, and you can see on the right,
26
92000
4000
всички пълзят в различни посоки, и виждате вдясно,
02:01
that we actually made a couple of these things,
27
96000
2000
че всъщност сме направили едно-две от тези неща
02:03
and they work in reality. These are not very fantastic robots,
28
98000
3000
и те работят в реалността. Това не са много фантастични роботи,
02:06
but they evolved to do exactly what we reward them for:
29
101000
4000
но те са еволюирали да вършат точно онова, за което ги възнаграждаваме:
02:10
for moving forward. So that was all done in simulation,
30
105000
3000
да се движат напред. Всичко това бе направено като симулация,
02:13
but we can also do that on a real machine.
31
108000
2000
но можем също да го правим и на истинска машина.
02:15
Here's a physical robot that we actually
32
110000
5000
Ето един физически робот, където всъщност
02:20
have a population of brains,
33
115000
3000
имаме мозъчна популация,
02:23
competing, or evolving on the machine.
34
118000
2000
конкурираща се, или еволюираща, на машината.
02:25
It's like a rodeo show. They all get a ride on the machine,
35
120000
3000
Това е като на родео: всички се качват да пояздят машината
02:28
and they get rewarded for how fast or how far
36
123000
3000
и са възнаграждавани за това колко бързо или колко далеч
02:31
they can make the machine move forward.
37
126000
2000
могат да накарат машината да се движи напред.
02:33
And you can see these robots are not ready
38
128000
2000
Виждате, че тези роботи не са готови
02:35
to take over the world yet, but
39
130000
3000
още да покорят света, но
02:38
they gradually learn how to move forward,
40
133000
2000
постепенно се учат как да се движат напред,
02:40
and they do this autonomously.
41
135000
3000
и правят това автономно.
02:43
So in these two examples, we had basically
42
138000
4000
При тези два примера по същество
02:47
machines that learned how to walk in simulation,
43
142000
3000
имахме машини, които се учеха как да вървят при симулация,
02:50
and also machines that learned how to walk in reality.
44
145000
2000
а също и машини, които се учеха как да вървят в реалността.
02:52
But I want to show you a different approach,
45
147000
2000
Но искам да ви покажа един различен подход,
02:54
and this is this robot over here, which has four legs.
46
149000
6000
и това е този робот там, който има четири крака,
03:00
It has eight motors, four on the knees and four on the hip.
47
155000
2000
има четири мотора - четири на коленете и четири на бедрото.
03:02
It has also two tilt sensors that tell the machine
48
157000
3000
Има също два сензора за наклон, които казват на машината
03:05
which way it's tilting.
49
160000
3000
в коя посока се накланя.
03:08
But this machine doesn't know what it looks like.
50
163000
2000
Но тази машина не знае как изглежда.
03:10
You look at it and you see it has four legs,
51
165000
2000
Гледате я и виждате, че има четири крака,
03:12
the machine doesn't know if it's a snake, if it's a tree,
52
167000
2000
машината не знае дали е змия, дали е дърво,
03:14
it doesn't have any idea what it looks like,
53
169000
3000
няма никаква представа как изглежда,
03:17
but it's going to try to find that out.
54
172000
2000
но ще се опита да разбере това.
03:19
Initially, it does some random motion,
55
174000
2000
Първоначално прави някакво произволно движение,
03:21
and then it tries to figure out what it might look like.
56
176000
3000
а после се опитва да установи как би могло да изглежда то -
03:24
And you're seeing a lot of things passing through its minds,
57
179000
2000
виждате как много неща минават през умовете й,
03:26
a lot of self-models that try to explain the relationship
58
181000
4000
много само-модели, които се опитват да обяснят връзката
03:30
between actuation and sensing. It then tries to do
59
185000
3000
между придвижване и усещане - а после се опитва да извърши
03:33
a second action that creates the most disagreement
60
188000
4000
второ действие, което създава най-голямото несъгласие
03:37
among predictions of these alternative models,
61
192000
2000
сред предсказанията на тези алтернативни модели,
03:39
like a scientist in a lab. Then it does that
62
194000
2000
като учен в лаборатория. После прави това
03:41
and tries to explain that, and prune out its self-models.
63
196000
4000
и се опитва да го обясни и да оформи само-моделите си.
03:45
This is the last cycle, and you can see it's pretty much
64
200000
3000
Това е последният цикъл, и виждате, че до голяма степен
03:48
figured out what its self looks like. And once it has a self-model,
65
203000
4000
е разбрал как изглежда неговата личност, а щом има само-модел,
03:52
it can use that to derive a pattern of locomotion.
66
207000
4000
може да го използва, за да извлече образец за придвижване.
03:56
So what you're seeing here are a couple of machines --
67
211000
2000
Това, което виждате тук, са двойка машини -
03:58
a pattern of locomotion.
68
213000
2000
образец за придвижване.
04:00
We were hoping that it wass going to have a kind of evil, spidery walk,
69
215000
4000
Надявахме се, че ще има нещо като зла, паякоподобна походка,
04:04
but instead it created this pretty lame way of moving forward.
70
219000
4000
но вместо това то създаде този доста куц начин за придвижване напред.
04:08
But when you look at that, you have to remember
71
223000
3000
Но когато гледате това, трябва да помните,
04:11
that this machine did not do any physical trials on how to move forward,
72
226000
6000
че тази машина не е правила никакви физически изпитания за това как да се движи напред,
04:17
nor did it have a model of itself.
73
232000
2000
нито пък има модел за самата себе си.
04:19
It kind of figured out what it looks like, and how to move forward,
74
234000
3000
Тя някак разбра как изглежда и как да се движи напред,
04:22
and then actually tried that out.
75
237000
4000
а после го изпита на на практика.
04:26
(Applause)
76
241000
5000
(Аплодисменти)
04:31
So, we'll move forward to a different idea.
77
246000
4000
Продължаваме нататък към една различна идея.
04:35
So that was what happened when we had a couple of --
78
250000
5000
Това се случи, когато имахме двойка...
04:40
that's what happened when you had a couple of -- OK, OK, OK --
79
255000
4000
това се случи, когато имахте двойка... OK, OK, OK -
04:44
(Laughter)
80
259000
2000
(Смях)
04:46
-- they don't like each other. So
81
261000
2000
...не се харесват взаимно.
04:48
there's a different robot.
82
263000
3000
Ето един различен робот.
04:51
That's what happened when the robots actually
83
266000
2000
Ето какво се случи, когато роботите всъщност
04:53
are rewarded for doing something.
84
268000
2000
са награждавани за това, че правят нещо.
04:55
What happens if you don't reward them for anything, you just throw them in?
85
270000
3000
Какво се случва, ако не ги награждавате за нищо - просто ги хвърляте в дълбокото?
04:58
So we have these cubes, like the diagram showed here.
86
273000
3000
Значи, имаме тези кубове, както показва диаграмата тук.
05:01
The cube can swivel, or flip on its side,
87
276000
2000
Кубът може да се завърта, или да се претъркулва настрани,
05:04
and we just throw 1,000 of these cubes into a soup --
88
279000
4000
а ние просто хвърляме 1000 от тези кубове в една супа -
05:08
this is in simulation --and don't reward them for anything,
89
283000
2000
това е симулация - и не ги награждаваме за нищо,
05:10
we just let them flip. We pump energy into this
90
285000
3000
просто ги оставяме да се търкалят. Напомпваме енергия в това
05:13
and see what happens in a couple of mutations.
91
288000
3000
и виждаме какво се случва при една-две мутации.
05:16
So, initially nothing happens, they're just flipping around there.
92
291000
3000
Отначало не се случва нищо - просто се търкалат там наоколо.
05:19
But after a very short while, you can see these blue things
93
294000
4000
Но след много кратко време виждате как тези сини неща
05:23
on the right there begin to take over.
94
298000
2000
отдясно започват да вземат превес.
05:25
They begin to self-replicate. So in absence of any reward,
95
300000
4000
Те започват да се самокопират. И така, в отсъствие на каквато и да било награда,
05:29
the intrinsic reward is self-replication.
96
304000
3000
вътрешната награда е самокопиране.£
05:32
And we've actually built a couple of these,
97
307000
1000
Всъщност построихме едно-две от тях
05:33
and this is part of a larger robot made out of these cubes.
98
308000
4000
и тоа е част от по-голям робот, направен от тези кубове,
05:37
It's an accelerated view, where you can see the robot actually
99
312000
3000
това е ускорен изглед, където виждате как роботът всъщност
05:40
carrying out some of its replication process.
100
315000
2000
провежда част от своя процес на самокопиране.
05:42
So you're feeding it with more material -- cubes in this case --
101
317000
4000
Вие го захранвате с повече материал - кубове в този случай -
05:46
and more energy, and it can make another robot.
102
321000
3000
и повече енергия, и той може да направи друг робот.
05:49
So of course, this is a very crude machine,
103
324000
3000
Това, разбира се, е много груба машина,
05:52
but we're working on a micro-scale version of these,
104
327000
2000
но работим върху версия на тези в микро-мащаб,
05:54
and hopefully the cubes will be like a powder that you pour in.
105
329000
3000
и се надяваме, че кубовете ще бъдат като прах, който изсипваш вътре.
05:57
OK, so what can we learn? These robots are of course
106
332000
5000
Значи, каква е поуката? Тези роботи, разбира се,
06:02
not very useful in themselves, but they might teach us something
107
337000
3000
не са много полезни сами по себе си, но те могат да ни научат нещо
06:05
about how we can build better robots,
108
340000
3000
за това как да строим по-добри роботи,
06:08
and perhaps how humans, animals, create self-models and learn.
109
343000
5000
и вероятно как хората и животните създават самомодели и се учат.
06:13
And one of the things that I think is important
110
348000
2000
Едно от важните неща според мен
06:15
is that we have to get away from this idea
111
350000
2000
е, че трябва да се отдалечим от тази идея
06:17
of designing the machines manually,
112
352000
2000
за ръчен дизайн на машини,
06:19
but actually let them evolve and learn, like children,
113
354000
3000
а всъщност да ги оставим да еволюират и да се учат като деца
06:22
and perhaps that's the way we'll get there. Thank you.
114
357000
2000
и може би това е начинът да стигнем там. Благодаря ви.
06:24
(Applause)
115
359000
2000
(Аплодисменти)
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