TED2007
Hod Lipson: Building "self-aware" robots
Hod Lipson construit des robots "conscients"
Filmed:
Readability: 3.1
1,460,460 views
Hod Lipson montre quelques-uns de ses petits robots, qui ont la capacité d'apprendre, de se comprendre les uns les autres, et même de se copier.
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
Où sont les robots?
00:27
We've been told for 40 years already that they're coming soon.
1
2000
3000
On nous dit depuis 40 ans qu'ils arrivent bientôt.
00:30
Very soon they'll be doing everything for us.
2
5000
3000
Que bientôt ils feront tout pour nous:
00:33
They'll be cooking, cleaning, buying things, shopping, building. But they aren't here.
3
8000
5000
la cuisine, le nettoyage, les achats, les courses, la construction. Mais ils ne sont pas là.
00:38
Meanwhile, we have illegal immigrants doing all the work,
4
13000
4000
A la place, nos avons des immigrés qui font toutes ces tâches,
00:42
but we don't have any robots.
5
17000
2000
mais pas de robots.
00:44
So what can we do about that? What can we say?
6
19000
4000
Que pouvons-nous y faire? Que pouvons-nous dire?
00:48
So I want to give a little bit of a different perspective
7
23000
4000
Je veux vous laisser entrevoir une perspective différente,
00:52
of how we can perhaps look at these things in a little bit of a different way.
8
27000
6000
un point de vue différent sur ces choses.
00:58
And this is an x-ray picture
9
33000
2000
Voici une radio
01:00
of a real beetle, and a Swiss watch, back from '88. You look at that --
10
35000
5000
d'un vrai scarabée, et d'une montre suisse, qui date de 1988. Regardez --
01:05
what was true then is certainly true today.
11
40000
2000
ce qui était vrai alors l'est toujours aujourd'hui.
01:07
We can still make the pieces. We can make the right pieces.
12
42000
3000
Nous savons toujours créer les pièces, les bonnes pièces,
01:10
We can make the circuitry of the right computational power,
13
45000
3000
le circuit pour obtenir la puissance de calcul nécessaire,
01:13
but we can't actually put them together to make something
14
48000
3000
mais nous ne savons pas les combiner pour créer quelque chose
01:16
that will actually work and be as adaptive as these systems.
15
51000
5000
qui fonctionnera réellement et sera aussi adaptif que ces systèmes.
01:21
So let's try to look at it from a different perspective.
16
56000
2000
Essayons donc d'observer sous une autre perspective.
01:23
Let's summon the best designer, the mother of all designers.
17
58000
4000
Appelons le meilleur architecte, le plus grand architecte de tous les temps :
01:27
Let's see what evolution can do for us.
18
62000
3000
regardons ce que l'évolution peut faire pour nous.
01:30
So we threw in -- we created a primordial soup
19
65000
4000
Donc nous nous sommes lancés, nous avons créé une soupe primaire
01:34
with lots of pieces of robots -- with bars, with motors, with neurons.
20
69000
4000
avec beaucoup de morceaux de robots : des barres, des moteurs, des neurones.
01:38
Put them all together, and put all this under kind of natural selection,
21
73000
4000
on les a assemblés, et soumis à une sorte de sélection naturelle,
01:42
under mutation, and rewarded things for how well they can move forward.
22
77000
4000
à une mutation, et récompensé les choses selon leur capacité à avancer.
01:46
A very simple task, and it's interesting to see what kind of things came out of that.
23
81000
6000
Un travail très simple, mais il est intéressant de voir ce qui en est sorti.
01:52
So if you look, you can see a lot of different machines
24
87000
3000
Observez : vous pouvez voir plein de machines différentes
01:55
come out of this. They all move around.
25
90000
2000
émerger. Elles se déplacent toutes,
01:57
They all crawl in different ways, and you can see on the right,
26
92000
4000
elles bougent de plein de façons, et vous pouvez voir à droite,
02:01
that we actually made a couple of these things,
27
96000
2000
que nous en avons créé un certain nombre,
02:03
and they work in reality. These are not very fantastic robots,
28
98000
3000
qui fonctionnent vraiment. Ce ne sont pas des robots extraordinaires,
02:06
but they evolved to do exactly what we reward them for:
29
101000
4000
mais ils évoluent pour faire ce pour quoi nous les récompensons :
02:10
for moving forward. So that was all done in simulation,
30
105000
3000
pour avancer. Tout cela a été fait sur ordinateur,
02:13
but we can also do that on a real machine.
31
108000
2000
mais on peut aussi le faire dans le monde réel.
02:15
Here's a physical robot that we actually
32
110000
5000
Voici un vrai robot à qui nous avons en fait
02:20
have a population of brains,
33
115000
3000
donné un ensemble de cerveaux,
02:23
competing, or evolving on the machine.
34
118000
2000
qui s'affrontent, ou évoluent, sur la machine.
02:25
It's like a rodeo show. They all get a ride on the machine,
35
120000
3000
C'est comme un rodéo, ils sont tous sur la machine,
02:28
and they get rewarded for how fast or how far
36
123000
3000
et ils sont récompensés selon leur vitesse ou leur capacité
02:31
they can make the machine move forward.
37
126000
2000
à faire évoluer la machine.
02:33
And you can see these robots are not ready
38
128000
2000
Vous voyez que ces robots ne sont pas prêts
02:35
to take over the world yet, but
39
130000
3000
à dominer le monde, mais
02:38
they gradually learn how to move forward,
40
133000
2000
ils apprennent peu à peu comment évoluer,
02:40
and they do this autonomously.
41
135000
3000
et ce, de manière autonome.
02:43
So in these two examples, we had basically
42
138000
4000
Dans ces deux exemples, nous avons simplement
02:47
machines that learned how to walk in simulation,
43
142000
3000
des machines qui ont appris à marcher en laboratoire,
02:50
and also machines that learned how to walk in reality.
44
145000
2000
mais aussi des machines qui ont appris à marcher dans le monde réel.
02:52
But I want to show you a different approach,
45
147000
2000
Je veux vous montrer une autre approche,
02:54
and this is this robot over here, which has four legs.
46
149000
6000
ce robot, là-bas, qui a quatre jambes,
03:00
It has eight motors, four on the knees and four on the hip.
47
155000
2000
huit moteurs, quatre sur les genoux et quatre sur les hanches.
03:02
It has also two tilt sensors that tell the machine
48
157000
3000
Il a aussi deux capteurs de verticalité qui lui disent
03:05
which way it's tilting.
49
160000
3000
comment il est incliné.
03:08
But this machine doesn't know what it looks like.
50
163000
2000
Mais cette machine ne sait pas à quoi elle ressemble.
03:10
You look at it and you see it has four legs,
51
165000
2000
Vous la regardez et vous voyez ses quatre jambes,
03:12
the machine doesn't know if it's a snake, if it's a tree,
52
167000
2000
la machine ne sait pas si c'est un serpent, un arbre,
03:14
it doesn't have any idea what it looks like,
53
169000
3000
elle n'a aucune idée de ce à quoi elle ressemble,
03:17
but it's going to try to find that out.
54
172000
2000
mais elle va essayer de le deviner.
03:19
Initially, it does some random motion,
55
174000
2000
Au début, elle fait des mouvements au hasard,
03:21
and then it tries to figure out what it might look like.
56
176000
3000
et elle essaye de deviner à quoi elle peut ressembler --
03:24
And you're seeing a lot of things passing through its minds,
57
179000
2000
vous voyez un tas de choses lui traverser l'esprit,
03:26
a lot of self-models that try to explain the relationship
58
181000
4000
un tas de modèles qui essayent d'expliquer le lien
03:30
between actuation and sensing. It then tries to do
59
185000
3000
entre la mise en action et la perception -- et puis elle essaie de
03:33
a second action that creates the most disagreement
60
188000
4000
faire un second mouvement qui crée le plus grand contraste
03:37
among predictions of these alternative models,
61
192000
2000
parmi les prédictions de ces modèles alternatifs,
03:39
like a scientist in a lab. Then it does that
62
194000
2000
tel un scientifique dans un labo. Elle le fait
03:41
and tries to explain that, and prune out its self-models.
63
196000
4000
et essaye de l'expliquer, et d'éliminer ses propres modèles.
03:45
This is the last cycle, and you can see it's pretty much
64
200000
3000
Ceci est le dernier cycle, et vous voyez qu'elle a plutôt
03:48
figured out what its self looks like. And once it has a self-model,
65
203000
4000
deviné à quoi elle ressemble, et une fois qu'elle sait quel est son modèle,
03:52
it can use that to derive a pattern of locomotion.
66
207000
4000
elle s'en sert pour déterminer son mode de déplacement.
03:56
So what you're seeing here are a couple of machines --
67
211000
2000
Vous voyez ici des machines --
03:58
a pattern of locomotion.
68
213000
2000
un modèle de déplacement.
04:00
We were hoping that it wass going to have a kind of evil, spidery walk,
69
215000
4000
Nous espérions qu'il acquerrait une sorte de démarche d'araignée,
04:04
but instead it created this pretty lame way of moving forward.
70
219000
4000
mais au contraire, elle a créé cette manière plutôt boiteuse d'avancer.
04:08
But when you look at that, you have to remember
71
223000
3000
En voyant cela, vous devez toutefois vous rappeler
04:11
that this machine did not do any physical trials on how to move forward,
72
226000
6000
que cette machine n'a pas pu tester physiquement comment avancer,
04:17
nor did it have a model of itself.
73
232000
2000
et n'avait pas modèle d'elle-même.
04:19
It kind of figured out what it looks like, and how to move forward,
74
234000
3000
En gros, elle a deviné à quoi elle ressemble, et comment avancer,
04:22
and then actually tried that out.
75
237000
4000
et a ensuite essayé de le faire.
04:26
(Applause)
76
241000
5000
(Applaudissements)
04:31
So, we'll move forward to a different idea.
77
246000
4000
Passons maintenant à une autre idée.
04:35
So that was what happened when we had a couple of --
78
250000
5000
Que se passerait-il si nous avions un couple --
04:40
that's what happened when you had a couple of -- OK, OK, OK --
79
255000
4000
ce qui arrive quand vous avez un couple -- OK, OK, OK --
04:44
(Laughter)
80
259000
2000
(Rires)
04:46
-- they don't like each other. So
81
261000
2000
-- ils ne s'aiment pas.
04:48
there's a different robot.
82
263000
3000
Voici un autre robot.
04:51
That's what happened when the robots actually
83
266000
2000
Voici ce qui arrive quand les robots sont effectivement
04:53
are rewarded for doing something.
84
268000
2000
récompensés pour avoir fait quelque chose.
04:55
What happens if you don't reward them for anything, you just throw them in?
85
270000
3000
Que se passe-t-il si vous ne les récompensez jamais, vous les laissez seuls?
04:58
So we have these cubes, like the diagram showed here.
86
273000
3000
Nous avons ces cubes, comme montrés sur le diagramme.
05:01
The cube can swivel, or flip on its side,
87
276000
2000
Le cube peut pivoter, tourner sur le côté,
05:04
and we just throw 1,000 of these cubes into a soup --
88
279000
4000
nous lançons 1000 cubes dans une soupe --
05:08
this is in simulation --and don't reward them for anything,
89
283000
2000
en simulation du moins -- et nous ne les récompensons pas,
05:10
we just let them flip. We pump energy into this
90
285000
3000
nous les laissons se retourner. Nous envoyons de l'énergie
05:13
and see what happens in a couple of mutations.
91
288000
3000
et regardons les mutations qui peuvent arriver.
05:16
So, initially nothing happens, they're just flipping around there.
92
291000
3000
Au départ, rien ne se passe, ils se contentent de pivoter.
05:19
But after a very short while, you can see these blue things
93
294000
4000
Mais peu après, vous pouvez voir ces choses bleues
05:23
on the right there begin to take over.
94
298000
2000
sur la droite commencer à dominer.
05:25
They begin to self-replicate. So in absence of any reward,
95
300000
4000
Elles commencent à s'auto-répliquer. En l'absence de récompense,
05:29
the intrinsic reward is self-replication.
96
304000
3000
la récompense intrinsèque est l'auto-réplication.
05:32
And we've actually built a couple of these,
97
307000
1000
Nous en avons donc construit des comme cela,
05:33
and this is part of a larger robot made out of these cubes.
98
308000
4000
qui sont un morceau d'un plus grand robot créé à partir de ces cubes,
05:37
It's an accelerated view, where you can see the robot actually
99
312000
3000
voici en vue accélérée, le robot effectivement
05:40
carrying out some of its replication process.
100
315000
2000
en train de s'auto-répliquer.
05:42
So you're feeding it with more material -- cubes in this case --
101
317000
4000
Vous leur donnez plus de matériaux -- des cubes en l'occurrence --
05:46
and more energy, and it can make another robot.
102
321000
3000
et plus d'énergie, et cela crée un autre robot.
05:49
So of course, this is a very crude machine,
103
324000
3000
Bien sûr, c'est un robot très grossier,
05:52
but we're working on a micro-scale version of these,
104
327000
2000
mais nous travaillons à une version microscopique,
05:54
and hopefully the cubes will be like a powder that you pour in.
105
329000
3000
et nous espérons que les cubes seront comme une poudre à répandre.
05:57
OK, so what can we learn? These robots are of course
106
332000
5000
Qu'apprenons-nous? Ces robots ne sont bien sûr
06:02
not very useful in themselves, but they might teach us something
107
337000
3000
pas très utiles en eux-mêmes, mais ils pourraient nous apprendre
06:05
about how we can build better robots,
108
340000
3000
comment construire de meilleurs robots,
06:08
and perhaps how humans, animals, create self-models and learn.
109
343000
5000
et peut-être comment les humains et les animaux créent leurs modèles et apprennent.
06:13
And one of the things that I think is important
110
348000
2000
La chose la plus importante, est, je pense
06:15
is that we have to get away from this idea
111
350000
2000
que si nous devons sortir de cette idée
06:17
of designing the machines manually,
112
352000
2000
de concevoir des machines "à la main"
06:19
but actually let them evolve and learn, like children,
113
354000
3000
mais au contraire de les laisser évoluer et apprendre, comme des enfants,
06:22
and perhaps that's the way we'll get there. Thank you.
114
357000
2000
peut-être nous y arriverons ainsi. Merci.
06:24
(Applause)
115
359000
2000
(Applaudissements)
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