TED2007
Hod Lipson: Building "self-aware" robots
Hod Lipson construye robots "autoconscientes"
Filmed:
Readability: 3.1
1,460,460 views
Hod Lipson muestra unos cuantos de sus pequeños y geniales robots, los cuales tienen la capacidad de aprender, comprenderse a sí mismos e incluso autorreplicarse.
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
Entonces, ¿dónde están los robots?
00:27
We've been told for 40 years already that they're coming soon.
1
2000
3000
Nos han dicho por 40 años que ya vienen.
00:30
Very soon they'll be doing everything for us.
2
5000
3000
Muy pronto estarán haciendo todo por nosotros:
00:33
They'll be cooking, cleaning, buying things, shopping, building. But they aren't here.
3
8000
5000
cocinarán, limpiarán, comprarán, construirán. Pero aún no están aquí.
00:38
Meanwhile, we have illegal immigrants doing all the work,
4
13000
4000
Mientras tanto tenemos inmigrantes ilegales haciendo todo el trabajo,
00:42
but we don't have any robots.
5
17000
2000
pero no tenemos robots.
00:44
So what can we do about that? What can we say?
6
19000
4000
¿Qué podemos hacer al respecto? ¿Qué podemos decir?
00:48
So I want to give a little bit of a different perspective
7
23000
4000
Quiero compartir un poco de otra perspectiva,
00:52
of how we can perhaps look at these things in a little bit of a different way.
8
27000
6000
de cómo quizás podamos ver estas cosas de forma ligeramente distinta.
00:58
And this is an x-ray picture
9
33000
2000
Y esta es una foto de rayos X
01:00
of a real beetle, and a Swiss watch, back from '88. You look at that --
10
35000
5000
de un escarabajo y un reloj suizo, del año 1988. Viendo eso,
01:05
what was true then is certainly true today.
11
40000
2000
lo que fue cierto entonces es cierto hoy.
01:07
We can still make the pieces. We can make the right pieces.
12
42000
3000
Podemos hacer las piezas y hacerlas correctamente,
01:10
We can make the circuitry of the right computational power,
13
45000
3000
podemos hacer los circuitos para una capacidad de cómputo adecuada,
01:13
but we can't actually put them together to make something
14
48000
3000
pero en la práctica no podemos unirlos para construir algo
01:16
that will actually work and be as adaptive as these systems.
15
51000
5000
que realmente funcione y sea tan adaptable como estos sistemas.
01:21
So let's try to look at it from a different perspective.
16
56000
2000
Así que intentemos verlo desde una perspectiva diferente.
01:23
Let's summon the best designer, the mother of all designers.
17
58000
4000
Llamemos al mejor diseñador, la madre de todos los diseñadores:
01:27
Let's see what evolution can do for us.
18
62000
3000
veamos que puede hacer por nosotros la evolución.
01:30
So we threw in -- we created a primordial soup
19
65000
4000
Entonces mezclamos, creamos una sopa primordial
01:34
with lots of pieces of robots -- with bars, with motors, with neurons.
20
69000
4000
con montones de piezas de robots, con barras, motores, neuronas.
01:38
Put them all together, and put all this under kind of natural selection,
21
73000
4000
Los juntamos todos, pusimos todo eso bajo cierta clase de selección natural,
01:42
under mutation, and rewarded things for how well they can move forward.
22
77000
4000
bajo mutación, y recompensamos la capacidad de avance.
01:46
A very simple task, and it's interesting to see what kind of things came out of that.
23
81000
6000
Una tarea muy simple, y es interesante ver la clase de cosas que surgen de ahí.
01:52
So if you look, you can see a lot of different machines
24
87000
3000
Así que si observan, pueden ver un montón de máquinas diferentes
01:55
come out of this. They all move around.
25
90000
2000
saliendo de esto. Todas se mueven,
01:57
They all crawl in different ways, and you can see on the right,
26
92000
4000
todas ellas se arrastran a su manera y, pueden ver a la derecha
02:01
that we actually made a couple of these things,
27
96000
2000
que efectivamente hemos fabricado un par de estas cosas,
02:03
and they work in reality. These are not very fantastic robots,
28
98000
3000
y funcionan en el mundo real. No son robots muy fantásticos pero
02:06
but they evolved to do exactly what we reward them for:
29
101000
4000
evolucionaron para hacer exactamente aquello por lo que los recompensamos;
02:10
for moving forward. So that was all done in simulation,
30
105000
3000
para moverse hacia adelante. Así que eso fue hecho en simulación
02:13
but we can also do that on a real machine.
31
108000
2000
pero también podemos hacerlo en una máquina de verdad.
02:15
Here's a physical robot that we actually
32
110000
5000
Aquí está un robot físico que de hecho
02:20
have a population of brains,
33
115000
3000
tiene una población de cerebros,
02:23
competing, or evolving on the machine.
34
118000
2000
compitiendo o evolucionando, en la máquina.
02:25
It's like a rodeo show. They all get a ride on the machine,
35
120000
3000
Es como un espectáculo de rodeo: todos se pueden subir a la máquina
02:28
and they get rewarded for how fast or how far
36
123000
3000
y son recompensados por qué tan rápido o qué tan lejos
02:31
they can make the machine move forward.
37
126000
2000
pueden hacer que la máquina avance.
02:33
And you can see these robots are not ready
38
128000
2000
Y pueden ver que esos robots no están listos
02:35
to take over the world yet, but
39
130000
3000
aún para dominar al mundo, pero
02:38
they gradually learn how to move forward,
40
133000
2000
aprenden gradualmente a avanzar
02:40
and they do this autonomously.
41
135000
3000
y hacen esto de forma autónoma.
02:43
So in these two examples, we had basically
42
138000
4000
Así que en esos dos ejemplos, básicamente tenemos
02:47
machines that learned how to walk in simulation,
43
142000
3000
máquinas que aprendieron cómo caminar en una simulación
02:50
and also machines that learned how to walk in reality.
44
145000
2000
y también máquinas que aprendieron cómo caminar en la realidad.
02:52
But I want to show you a different approach,
45
147000
2000
Pero quiero mostrarles un enfoque distinto
02:54
and this is this robot over here, which has four legs.
46
149000
6000
y es este robot de aquí, el cual tiene cuatro patas,
03:00
It has eight motors, four on the knees and four on the hip.
47
155000
2000
tiene ocho motores, cuatro en las rodillas y cuatro en las caderas.
03:02
It has also two tilt sensors that tell the machine
48
157000
3000
Tiene también 2 sensores de inclinación que le dicen a la máquina
03:05
which way it's tilting.
49
160000
3000
por cuál lado se está inclinando.
03:08
But this machine doesn't know what it looks like.
50
163000
2000
Pero esta máquina no sabe cómo es ella misma.
03:10
You look at it and you see it has four legs,
51
165000
2000
Mirándola sabes que tiene cuatro patas
03:12
the machine doesn't know if it's a snake, if it's a tree,
52
167000
2000
pero la máquina no sabe si es una serpiente, un árbol,
03:14
it doesn't have any idea what it looks like,
53
169000
3000
no tiene ni idea de cómo es
03:17
but it's going to try to find that out.
54
172000
2000
pero va a tratar de descubrirlo.
03:19
Initially, it does some random motion,
55
174000
2000
Al principio, hace algunos movimientos al azar
03:21
and then it tries to figure out what it might look like.
56
176000
3000
y entonces intenta descubrir cómo puede ser
03:24
And you're seeing a lot of things passing through its minds,
57
179000
2000
y se ven un montón de cosas pasar por "sus mentes",
03:26
a lot of self-models that try to explain the relationship
58
181000
4000
un montón de modelos de sí misma que tratan de explicar la relación
03:30
between actuation and sensing. It then tries to do
59
185000
3000
entre su actuación y su percepción y entonces intenta ejecutar
03:33
a second action that creates the most disagreement
60
188000
4000
una segunda acción que genere la mayor discrepancia
03:37
among predictions of these alternative models,
61
192000
2000
entre las predicciones de esos modelos alternativos,
03:39
like a scientist in a lab. Then it does that
62
194000
2000
como un científico en un laboratorio. Entonces hace eso
03:41
and tries to explain that, and prune out its self-models.
63
196000
4000
e intenta explicarlo y depura sus modelos de sí misma.
03:45
This is the last cycle, and you can see it's pretty much
64
200000
3000
Este es el último ciclo y pueden ver que prácticamente
03:48
figured out what its self looks like. And once it has a self-model,
65
203000
4000
ha descubierto cómo es y una vez que tiene un modelo de sí misma,
03:52
it can use that to derive a pattern of locomotion.
66
207000
4000
puede usarlo para derivar un patrón de locomoción.
03:56
So what you're seeing here are a couple of machines --
67
211000
2000
Así que lo que ven aquí son un par de máquinas,
03:58
a pattern of locomotion.
68
213000
2000
un patrón de locomoción.
04:00
We were hoping that it wass going to have a kind of evil, spidery walk,
69
215000
4000
Esperábamos que fuera a tener un tipo de andar maligno, arácnido,
04:04
but instead it created this pretty lame way of moving forward.
70
219000
4000
pero en cambio creó esta forma de avanzar bastante patética.
04:08
But when you look at that, you have to remember
71
223000
3000
Pero cuando miran eso tienen que recordar
04:11
that this machine did not do any physical trials on how to move forward,
72
226000
6000
que esta máquina no hizo ningún ensayo físico sobre cómo avanzar,
04:17
nor did it have a model of itself.
73
232000
2000
ni tenía un modelo de sí misma.
04:19
It kind of figured out what it looks like, and how to move forward,
74
234000
3000
Más o menos descubrió cómo era, y cómo podía avanzar,
04:22
and then actually tried that out.
75
237000
4000
y entonces lo intentó en realidad.
04:26
(Applause)
76
241000
5000
(Aplausos)
04:31
So, we'll move forward to a different idea.
77
246000
4000
Entonces, probemos una idea diferente.
04:35
So that was what happened when we had a couple of --
78
250000
5000
Eso fue lo que ocurrió cuando teníamos un par de...
04:40
that's what happened when you had a couple of -- OK, OK, OK --
79
255000
4000
fue lo que ocurrió cuando tienes un par... OK, OK, OK,
04:44
(Laughter)
80
259000
2000
(Risas)
04:46
-- they don't like each other. So
81
261000
2000
no se caen bien. Entonces
04:48
there's a different robot.
82
263000
3000
hay un robot diferente.
04:51
That's what happened when the robots actually
83
266000
2000
Eso fue lo que ocurrió cuando los robots fueron
04:53
are rewarded for doing something.
84
268000
2000
recompensados por hacer algo.
04:55
What happens if you don't reward them for anything, you just throw them in?
85
270000
3000
¿Qué ocurre si no los recompensas en lo absoluto, si sólo los pones ahí?
04:58
So we have these cubes, like the diagram showed here.
86
273000
3000
Tenemos estos cubos, como el diagrama muestra aquí.
05:01
The cube can swivel, or flip on its side,
87
276000
2000
El cubo puede girar, o ponerse de lado,
05:04
and we just throw 1,000 of these cubes into a soup --
88
279000
4000
y dejamos mil de esos cubos en una sopa,
05:08
this is in simulation --and don't reward them for anything,
89
283000
2000
esto es en simulación, y no los recompensamos por nada,
05:10
we just let them flip. We pump energy into this
90
285000
3000
sólo los dejamos dar vueltas. Le insertamos energía a esto
05:13
and see what happens in a couple of mutations.
91
288000
3000
y vemos que ocurre en un par de mutaciones.
05:16
So, initially nothing happens, they're just flipping around there.
92
291000
3000
Al principio no pasa nada, sólo están dando de vueltas por ahí.
05:19
But after a very short while, you can see these blue things
93
294000
4000
Pero muy poco después puedes ver esas cosas azules
05:23
on the right there begin to take over.
94
298000
2000
a la derecha que empiezan a prevalecer.
05:25
They begin to self-replicate. So in absence of any reward,
95
300000
4000
Empiezan a autorreplicarse. Así que en ausencia de toda recompensa
05:29
the intrinsic reward is self-replication.
96
304000
3000
la recompensa intrínseca es autorreplicación.
05:32
And we've actually built a couple of these,
97
307000
1000
Y de hecho hemos construido un par de éstos
05:33
and this is part of a larger robot made out of these cubes.
98
308000
4000
y esto es parte de un robot más grande hecho con estos cubos,
05:37
It's an accelerated view, where you can see the robot actually
99
312000
3000
es una vista acelerada donde puedes ver al robot
05:40
carrying out some of its replication process.
100
315000
2000
ejecutando parte de su proceso de replicación.
05:42
So you're feeding it with more material -- cubes in this case --
101
317000
4000
Así que si estás dándole más material, cubos en este caso,
05:46
and more energy, and it can make another robot.
102
321000
3000
y más energía y puede hacer otro robot.
05:49
So of course, this is a very crude machine,
103
324000
3000
Por supuesto, es una máquina muy rudimentaria
05:52
but we're working on a micro-scale version of these,
104
327000
2000
pero estamos trabajando en una versión a microescala,
05:54
and hopefully the cubes will be like a powder that you pour in.
105
329000
3000
esperando que algún día los cubos sean como un polvo que puedas echar.
05:57
OK, so what can we learn? These robots are of course
106
332000
5000
¿Qué podemos aprender? Estos robots, por supuesto,
06:02
not very useful in themselves, but they might teach us something
107
337000
3000
no son muy útiles por sí mismos pero podrían enseñarnos algo
06:05
about how we can build better robots,
108
340000
3000
sobre cómo podemos construir mejores robots
06:08
and perhaps how humans, animals, create self-models and learn.
109
343000
5000
y quizás cómo los humanos y animales crean modelos de sí mismos y aprenden.
06:13
And one of the things that I think is important
110
348000
2000
Y una de las cosas que creo es importante
06:15
is that we have to get away from this idea
111
350000
2000
es que tenemos que abandonar esta idea
06:17
of designing the machines manually,
112
352000
2000
de diseñar máquinas manualmente
06:19
but actually let them evolve and learn, like children,
113
354000
3000
sino más bien dejarlas evolucionar y aprender, como niños,
06:22
and perhaps that's the way we'll get there. Thank you.
114
357000
2000
y quizás esa es la forma en que lo consigamos. Gracias.
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