TED2007
Hod Lipson: Building "self-aware" robots
Hod Lipson baut Roboter, die sich ihrer Selbst bewußt sind
Filmed:
Readability: 3.1
1,460,460 views
Hod Lipson zeigt ein paar seiner coolen, kleinen Roboter, die die Fähigkeit besitzen zu lernen, sich selbst zu verstehen und sogar sich selbst zu reproduzieren.
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
Also, wo sind die Roboter?
00:27
We've been told for 40 years already that they're coming soon.
1
2000
3000
Seit 40 Jahren wird uns schon gesagt, dass sie bald kommen.
00:30
Very soon they'll be doing everything for us.
2
5000
3000
Sehr bald würden sie alles für uns machen:
00:33
They'll be cooking, cleaning, buying things, shopping, building. But they aren't here.
3
8000
5000
kochen, putzen, einkaufen, bauen. Aber sie sind nicht hier.
00:38
Meanwhile, we have illegal immigrants doing all the work,
4
13000
4000
Inzwischen haben wir illegale Immigranten, die diese Arbeiten verrichten,
00:42
but we don't have any robots.
5
17000
2000
aber wir haben keine Roboter.
00:44
So what can we do about that? What can we say?
6
19000
4000
Was können wir deshalb unternehmen? Was können wir sagen?
00:48
So I want to give a little bit of a different perspective
7
23000
4000
Ich möchte eine andere Sichtweise anbieten,
00:52
of how we can perhaps look at these things in a little bit of a different way.
8
27000
6000
aus der wir diese Dinge vielleicht ein wenig anders betrachten können.
00:58
And this is an x-ray picture
9
33000
2000
Das ist ein Röntgenbild
01:00
of a real beetle, and a Swiss watch, back from '88. You look at that --
10
35000
5000
eines Käfers und einer Schweizer Uhr aus dem Jahr 1988.
01:05
what was true then is certainly true today.
11
40000
2000
Seitdem hat sich im Prinzip nichts geändert.
01:07
We can still make the pieces. We can make the right pieces.
12
42000
3000
Wir können noch immer die Einzelteile anfertigen.
01:10
We can make the circuitry of the right computational power,
13
45000
3000
Wir können die Schaltkreise für die entsprechende Rechenleistung herstellen,
01:13
but we can't actually put them together to make something
14
48000
3000
aber wir können sie nicht kombinieren, um etwas zu erschaffen,
01:16
that will actually work and be as adaptive as these systems.
15
51000
5000
das tatsächlich so funktioniert und so lernfähig ist wie diese Systeme.
01:21
So let's try to look at it from a different perspective.
16
56000
2000
Betrachten wir es aus einer anderen Perspektive.
01:23
Let's summon the best designer, the mother of all designers.
17
58000
4000
Rufen wir den besten Designer auf, die Mutter aller Designer:
01:27
Let's see what evolution can do for us.
18
62000
3000
Schauen wir, was die Evolution für uns tun kann.
01:30
So we threw in -- we created a primordial soup
19
65000
4000
Wir haben also alles hineingeworfen - sozusagen eine Ur-Suppe erschaffen
01:34
with lots of pieces of robots -- with bars, with motors, with neurons.
20
69000
4000
mit vielen Teilen von Robotern: mit Stangen, mit Motoren, mit Neuronen.
01:38
Put them all together, and put all this under kind of natural selection,
21
73000
4000
Wir haben alles vermischt und einer Art natürlichen Auslese ausgesetzt, Mutation.
01:42
under mutation, and rewarded things for how well they can move forward.
22
77000
4000
Und wir haben Dinge dafür belohnt, wie gut sie sich vorwärts bewegen können.
01:46
A very simple task, and it's interesting to see what kind of things came out of that.
23
81000
6000
Eine sehr einfache Aufgabe. Es ist interessant zu sehen, was dabei herauskam.
01:52
So if you look, you can see a lot of different machines
24
87000
3000
Sie können viele verschiedene Maschinen sehen,
01:55
come out of this. They all move around.
25
90000
2000
die so entstanden sind. Sie bewegen sich alle,
01:57
They all crawl in different ways, and you can see on the right,
26
92000
4000
sie krabbeln auf verschiedene Arten, und Sie können hier rechts sehen,
02:01
that we actually made a couple of these things,
27
96000
2000
dass wir einige dieser Dinge hergestellt haben.
02:03
and they work in reality. These are not very fantastic robots,
28
98000
3000
Und sie funktionieren tatsächlich. Keine besonders aufregenden Roboter,
02:06
but they evolved to do exactly what we reward them for:
29
101000
4000
aber sie entwickelten sich, um genau das zu tun, wofür wir sie belohnten:
02:10
for moving forward. So that was all done in simulation,
30
105000
3000
sich vorwärts zu bewegen. Das ist nur eine Simulation,
02:13
but we can also do that on a real machine.
31
108000
2000
aber es funktioniert auch mit einer echten Maschine.
02:15
Here's a physical robot that we actually
32
110000
5000
Hier ist ein echter Roboter,
02:20
have a population of brains,
33
115000
3000
in dem eine Population von Gehirnen
02:23
competing, or evolving on the machine.
34
118000
2000
wetteifert und sich entwickelt.
02:25
It's like a rodeo show. They all get a ride on the machine,
35
120000
3000
Wie beim Rodeo: Alle bekommen einen Ritt auf der Maschine
02:28
and they get rewarded for how fast or how far
36
123000
3000
und werden dafür belohnt, wie schnell oder weit
02:31
they can make the machine move forward.
37
126000
2000
sie die Maschine vorwärts bewegen können.
02:33
And you can see these robots are not ready
38
128000
2000
Diese Roboter sind noch nicht bereit,
02:35
to take over the world yet, but
39
130000
3000
die Weltherrschaft zu übernehmen.
02:38
they gradually learn how to move forward,
40
133000
2000
Aber sie lernen allmählich, sich vorwärts zu bewegen.
02:40
and they do this autonomously.
41
135000
3000
Und sie tun das autonom.
02:43
So in these two examples, we had basically
42
138000
4000
In diesen zwei Beispielen haben wir Maschinen gesehen,
02:47
machines that learned how to walk in simulation,
43
142000
3000
die in der Simulation gelernt haben, zu gehen,
02:50
and also machines that learned how to walk in reality.
44
145000
2000
und andere, die es in der Wirklichkeit gelernt haben.
02:52
But I want to show you a different approach,
45
147000
2000
Aber ich möchte Ihnen einen anderen Ansatz zeigen.
02:54
and this is this robot over here, which has four legs.
46
149000
6000
Und das ist dieser Roboter. Er hat vier Beine und acht Motoren,
03:00
It has eight motors, four on the knees and four on the hip.
47
155000
2000
vier für die Knie und vier für die Hüften.
03:02
It has also two tilt sensors that tell the machine
48
157000
3000
Er hat auch zwei Neigungssensoren, die ihm anzeigen,
03:05
which way it's tilting.
49
160000
3000
in welche Richtung er sich neigt.
03:08
But this machine doesn't know what it looks like.
50
163000
2000
Diese Maschine weiß nicht, wie sie aussieht.
03:10
You look at it and you see it has four legs,
51
165000
2000
Sie sehen, dass sie vier Beine hat.
03:12
the machine doesn't know if it's a snake, if it's a tree,
52
167000
2000
Aber sie weiß nicht, ob sie eine Schlange oder ein Baum ist.
03:14
it doesn't have any idea what it looks like,
53
169000
3000
Sie hat keine Vorstellung von ihrem Aussehen,
03:17
but it's going to try to find that out.
54
172000
2000
aber sie wird versuchen es herauszufinden.
03:19
Initially, it does some random motion,
55
174000
2000
Anfänglich bewegt sie sich zufällig,
03:21
and then it tries to figure out what it might look like.
56
176000
3000
und dann versucht sie herauszufinden, wie sie aussehen könnte.
03:24
And you're seeing a lot of things passing through its minds,
57
179000
2000
Es gehen ihr viele Dinge durch den Kopf,
03:26
a lot of self-models that try to explain the relationship
58
181000
4000
viele Modelle ihrer Selbst, die die Beziehung zwischen
03:30
between actuation and sensing. It then tries to do
59
185000
3000
Handeln und Wahrnehmen erklären sollen.
03:33
a second action that creates the most disagreement
60
188000
4000
Eine zweite Aktion versucht dann, den größtmöglichen Widerspruch zwischen
03:37
among predictions of these alternative models,
61
192000
2000
den so gewonnenen Vorhersagen zu erzeugen,
03:39
like a scientist in a lab. Then it does that
62
194000
2000
wie ein Wissenschaftler im Labor.
03:41
and tries to explain that, and prune out its self-models.
63
196000
4000
Dann versucht sie, sich das alles zu erklären und die Modelle ihrer Selbst auszulichten.
03:45
This is the last cycle, and you can see it's pretty much
64
200000
3000
Das ist der letzte Zyklus, und Sie sehen,
03:48
figured out what its self looks like. And once it has a self-model,
65
203000
4000
dass sie herausgefunden hat, wie sie aussieht, und sobald sie ein Modell ihrer Selbst hat,
03:52
it can use that to derive a pattern of locomotion.
66
207000
4000
kann sie es verwenden, um davon ein Bewegungsmuster abzuleiten.
03:56
So what you're seeing here are a couple of machines --
67
211000
2000
Hier sehen Sie das Bewegungsmuster
03:58
a pattern of locomotion.
68
213000
2000
einer Maschine.
04:00
We were hoping that it wass going to have a kind of evil, spidery walk,
69
215000
4000
Wir hofften, dass sie eine Art bösen, spinnenartigen Gang haben würde,
04:04
but instead it created this pretty lame way of moving forward.
70
219000
4000
aber stattdessen entwickelte sie diese ziemlich lahme Art der Vorwärtsbewegung.
04:08
But when you look at that, you have to remember
71
223000
3000
Aber Sie müssen bedenken,
04:11
that this machine did not do any physical trials on how to move forward,
72
226000
6000
dass diese Maschine nie real ausprobiert hat, wie sie sich vorwärts bewegen kann,
04:17
nor did it have a model of itself.
73
232000
2000
noch hatte sie ein Modell ihrer selbst.
04:19
It kind of figured out what it looks like, and how to move forward,
74
234000
3000
Sie hat irgendwie ausgerechnet, wie sie aussieht und sich vorwärts bewegen kann
04:22
and then actually tried that out.
75
237000
4000
und hat es dann tatsächlich ausprobiert.
04:26
(Applause)
76
241000
5000
(Applaus)
04:31
So, we'll move forward to a different idea.
77
246000
4000
Schauen wir uns eine andere Sache an.
04:35
So that was what happened when we had a couple of --
78
250000
5000
Das geschah also, als wir einige --
04:40
that's what happened when you had a couple of -- OK, OK, OK --
79
255000
4000
das geschah, als wir einige --
04:44
(Laughter)
80
259000
2000
(Lachen)
04:46
-- they don't like each other. So
81
261000
2000
-- sie mögen einander nicht.
04:48
there's a different robot.
82
263000
3000
Das ist ein anderer Roboter.
04:51
That's what happened when the robots actually
83
266000
2000
Das geschieht, wenn die Roboter für etwas,
04:53
are rewarded for doing something.
84
268000
2000
das sie tun, belohnt werden.
04:55
What happens if you don't reward them for anything, you just throw them in?
85
270000
3000
Was geschieht, wenn man sie für gar nichts belohnt?
04:58
So we have these cubes, like the diagram showed here.
86
273000
3000
Wir benutzten diese Würfel.
05:01
The cube can swivel, or flip on its side,
87
276000
2000
Sie können sich drehen oder auf die Seite kippen.
05:04
and we just throw 1,000 of these cubes into a soup --
88
279000
4000
Wir werden einfach 1.000 dieser Würfel in einen Topf werfen und nicht belohnen.
05:08
this is in simulation --and don't reward them for anything,
89
283000
2000
Das hier ist eine Simulation.
05:10
we just let them flip. We pump energy into this
90
285000
3000
Wir lassen sie sich nur bewegen. Wir pumpen Energie hinein
05:13
and see what happens in a couple of mutations.
91
288000
3000
und beobachten, was in ein paar Mutationen geschieht.
05:16
So, initially nothing happens, they're just flipping around there.
92
291000
3000
Anfänglich geschieht überhaupt nichts, sie zappeln nur herum.
05:19
But after a very short while, you can see these blue things
93
294000
4000
Aber nach kurzer Zeit können Sie sehen, wie die blauen Dinger
05:23
on the right there begin to take over.
94
298000
2000
auf der rechten Seite die Oberhand gewinnen.
05:25
They begin to self-replicate. So in absence of any reward,
95
300000
4000
Sie beginnen sich selbst zu reproduzieren. Ohne jede Belohnung
05:29
the intrinsic reward is self-replication.
96
304000
3000
wird die Selbst-Reproduktion zur intrinsischen Belohnung.
05:32
And we've actually built a couple of these,
97
307000
1000
Wir haben einige gebaut.
05:33
and this is part of a larger robot made out of these cubes.
98
308000
4000
Das hier ist ein Teil eines größeren Roboters, der aus diesen Würfeln besteht.
05:37
It's an accelerated view, where you can see the robot actually
99
312000
3000
Es ist eine beschleunigte Ansicht, in der man sieht,
05:40
carrying out some of its replication process.
100
315000
2000
wie sich der Roboter selbst repliziert.
05:42
So you're feeding it with more material -- cubes in this case --
101
317000
4000
Wenn man ihn mit mehr Material füttert, in diesem Fall mit Würfeln,
05:46
and more energy, and it can make another robot.
102
321000
3000
und mit mehr Energie, kann er einen weiteren Roboter bauen.
05:49
So of course, this is a very crude machine,
103
324000
3000
Das ist natürlich eine sehr primitive Maschine,
05:52
but we're working on a micro-scale version of these,
104
327000
2000
aber wir arbeiten auch an Mikro-Versionen.
05:54
and hopefully the cubes will be like a powder that you pour in.
105
329000
3000
Hoffentlich werden die Würfel wie Puder, das man wo hinzugibt.
05:57
OK, so what can we learn? These robots are of course
106
332000
5000
OK, was können wir daraus lernen? Diese Roboter sind natürlich
06:02
not very useful in themselves, but they might teach us something
107
337000
3000
an sich nicht sehr nützlich, aber sie könnten uns beibringen,
06:05
about how we can build better robots,
108
340000
3000
wie man bessere Roboter baut
06:08
and perhaps how humans, animals, create self-models and learn.
109
343000
5000
und vielleicht wie Menschen und Tiere lernen und Modelle ihrer Selbst erzeugen.
06:13
And one of the things that I think is important
110
348000
2000
Ich denke, es ist wichtig,
06:15
is that we have to get away from this idea
111
350000
2000
dass wir uns von der Idee lösen,
06:17
of designing the machines manually,
112
352000
2000
Maschinen selbst zu entwerfen.
06:19
but actually let them evolve and learn, like children,
113
354000
3000
Wir sollten sie sich entwickeln und lernen lassen wie Kinder.
06:22
and perhaps that's the way we'll get there. Thank you.
114
357000
2000
Vielleicht ist das der richtige Weg. Vielen Dank.
06:24
(Applause)
115
359000
2000
(Applaus)
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