TED2007
Hod Lipson: Building "self-aware" robots
הוד ליפסון בונה רובוטים " מודעים"
Filmed:
Readability: 3.1
1,460,460 views
הוד ליפסון מדגים כמה מהרובוטים הקוליים שלו, שיש להם את היכולת ללמוד, להבין את עצמם ואפילו להשתכפל.
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
אז, איפה הרובוטים?
00:27
We've been told for 40 years already that they're coming soon.
1
2000
3000
סיפרו לנו במשך 40 שנה כבר שהם כבר מגיעים.
00:30
Very soon they'll be doing everything for us.
2
5000
3000
בקרוב הם יעשו הכל בשבילנו:
00:33
They'll be cooking, cleaning, buying things, shopping, building. But they aren't here.
3
8000
5000
הם יבשלו, ינקו, יקנו דברים, יעשו שופינג, יבנו. אבל הם לא פה.
00:38
Meanwhile, we have illegal immigrants doing all the work,
4
13000
4000
בינתיים, יש לנו מהגרים בלתי חוקיים שעושים את העבודה,
00:42
but we don't have any robots.
5
17000
2000
אבל אין לנו רובוטים.
00:44
So what can we do about that? What can we say?
6
19000
4000
אז מה אנחנו יכולים לעשות בקשר לזה? מה אנחנו יכולים להגיד?
00:48
So I want to give a little bit of a different perspective
7
23000
4000
אז אני רוצה לתת לכם פרספקטיבה שונה
00:52
of how we can perhaps look at these things in a little bit of a different way.
8
27000
6000
על איך אנחנו יכולים להסתכל על הדברים האלה בדרך אחרת.
00:58
And this is an x-ray picture
9
33000
2000
וזו תמונת רנטגן
01:00
of a real beetle, and a Swiss watch, back from '88. You look at that --
10
35000
5000
של חיפושית אמיתית, ושעון שווצרי, משנת 88. אתם מסתכלים על זה --
01:05
what was true then is certainly true today.
11
40000
2000
מה שהיה נכון אז בטוח שנכון היום.
01:07
We can still make the pieces. We can make the right pieces.
12
42000
3000
אנחנו עדיין יכולים לייצר את החלקים, אנחנו יכולים לייצר את החלקים הנכונים,
01:10
We can make the circuitry of the right computational power,
13
45000
3000
אנחנו יכולים לייצר את המעגלים של כוח החישוב המתאים,
01:13
but we can't actually put them together to make something
14
48000
3000
אבל אנחנו לא ממש יכולים לחבר אותם כדי ליצור
01:16
that will actually work and be as adaptive as these systems.
15
51000
5000
משהו שממש יעבוד ויהיה מסתגל כמו המערכות האלה.
01:21
So let's try to look at it from a different perspective.
16
56000
2000
אז בואו נסתכל על זה מפרספקטיבה שונה.
01:23
Let's summon the best designer, the mother of all designers.
17
58000
4000
בואו נקרא למעצבים הטובים ביותר, האמא של כל המעצבים:
01:27
Let's see what evolution can do for us.
18
62000
3000
בואו נראה מה האבולוציה יכולה לעשות בשבילנו.
01:30
So we threw in -- we created a primordial soup
19
65000
4000
אז זרקנו פנימה -- יצרנו מרק קדמוני
01:34
with lots of pieces of robots -- with bars, with motors, with neurons.
20
69000
4000
עם הרבה חלקים של רובוטים: עם מוטות, עם מנועים, עם נוירונים.
01:38
Put them all together, and put all this under kind of natural selection,
21
73000
4000
שמנו את כולם ביחד, ושמנו את כל זה תחת סוג של ברירה טבעית,
01:42
under mutation, and rewarded things for how well they can move forward.
22
77000
4000
תחת מוטציה, ותגמלנו דברים לפי כמה טוב הם יכולים להתקדם.
01:46
A very simple task, and it's interesting to see what kind of things came out of that.
23
81000
6000
משימה פשוטה מאוד, וזה מעניין לראות איזה דברים יצאו מזה.
01:52
So if you look, you can see a lot of different machines
24
87000
3000
אז אם תביטו, תוכלו לראות הרבה מכונות קטנות
01:55
come out of this. They all move around.
25
90000
2000
יוצאות מזה. כולן זו מסביב,
01:57
They all crawl in different ways, and you can see on the right,
26
92000
4000
כולן זוחלות בדרכים שונות, ותראו מימין,
02:01
that we actually made a couple of these things,
27
96000
2000
שממש יצרנו כמה כאלה,
02:03
and they work in reality. These are not very fantastic robots,
28
98000
3000
והם עובדים במציאות. אלה לא רובוטים פנטסטיים,
02:06
but they evolved to do exactly what we reward them for:
29
101000
4000
אבל הם מתפתחים לעשות בדיוק מה שמתגמלים אותם לעשות:
02:10
for moving forward. So that was all done in simulation,
30
105000
3000
לתזוזה קדימה. אז כל זה נעשה בסימולציה,
02:13
but we can also do that on a real machine.
31
108000
2000
אבל אנחנו יכולים לעשות את זה גם במכונות אמיתיות.
02:15
Here's a physical robot that we actually
32
110000
5000
הנה רובוט פיסי שיש לנו
02:20
have a population of brains,
33
115000
3000
ממש אוכלוסיה של מוחות,
02:23
competing, or evolving on the machine.
34
118000
2000
מתחרים, או מתפתחים, על המכונה.
02:25
It's like a rodeo show. They all get a ride on the machine,
35
120000
3000
זה כמו תחרות רודיאו: כולם זוכים לרכב על המכונה,
02:28
and they get rewarded for how fast or how far
36
123000
3000
והם מתוגמלים על כמה מהר או כמה רחוק
02:31
they can make the machine move forward.
37
126000
2000
הם יכולים לגרום למכונה לזוז קדימה.
02:33
And you can see these robots are not ready
38
128000
2000
ואתם יכולים לראות שהרובוטים האלה לא מוכנים
02:35
to take over the world yet, but
39
130000
3000
להשתלט על העולם עדיין, אבל
02:38
they gradually learn how to move forward,
40
133000
2000
הם לומדים בהדרגה איך לזוז קדימה,
02:40
and they do this autonomously.
41
135000
3000
והם עושים את זה לבד.
02:43
So in these two examples, we had basically
42
138000
4000
אז בשתי הדוגמאות האלה, היו לנו
02:47
machines that learned how to walk in simulation,
43
142000
3000
מכונות שלמדו איך ללכת בסימולציה,
02:50
and also machines that learned how to walk in reality.
44
145000
2000
וגם מכונות שלמדו איך ללכת במציאות.
02:52
But I want to show you a different approach,
45
147000
2000
אבל אני רוצה להראות לכם גישה שונה,
02:54
and this is this robot over here, which has four legs.
46
149000
6000
וזה רובוט, כאן, שיש לו ארבע רגליים,
03:00
It has eight motors, four on the knees and four on the hip.
47
155000
2000
יש לו שמונה מנועים, ארבעה בברכיים וארבעה בירכיים.
03:02
It has also two tilt sensors that tell the machine
48
157000
3000
יש לו גם שני חיישני הטייה שאומרים למכונה
03:05
which way it's tilting.
49
160000
3000
לאיזה כיוון היא נוטה.
03:08
But this machine doesn't know what it looks like.
50
163000
2000
אבל המכונה הזו לא יודעת איך היא נראית.
03:10
You look at it and you see it has four legs,
51
165000
2000
אתם מסתכלים עליה ורואים ארבע רגליים,
03:12
the machine doesn't know if it's a snake, if it's a tree,
52
167000
2000
המכונה לא יודעת אם היא נחש, אם היא עץ,
03:14
it doesn't have any idea what it looks like,
53
169000
3000
אין לה שום מושג איך היא נראית,
03:17
but it's going to try to find that out.
54
172000
2000
אבל היא עומדת לנסות להבין.
03:19
Initially, it does some random motion,
55
174000
2000
בהתחלה, היא עושה תנועות אקראיות,
03:21
and then it tries to figure out what it might look like.
56
176000
3000
ואז היא מנסה להבין איך היא נראית --
03:24
And you're seeing a lot of things passing through its minds,
57
179000
2000
ואתם רואים הרבה דברים עוברים לה בראש,
03:26
a lot of self-models that try to explain the relationship
58
181000
4000
הרבה מודלים עצמיים שמנסים להסביר את היחס
03:30
between actuation and sensing. It then tries to do
59
185000
3000
בין תזוזה לחישה -- ואז מנסה לעשות
03:33
a second action that creates the most disagreement
60
188000
4000
תנועה שניה שיוצרת את חוסר ההסכמה המירבי
03:37
among predictions of these alternative models,
61
192000
2000
בין התחזיות של המודלים האלטרנטיביים,
03:39
like a scientist in a lab. Then it does that
62
194000
2000
כמו מדען במעבדה. אז הוא עושה את זה
03:41
and tries to explain that, and prune out its self-models.
63
196000
4000
ומנסה להסביר את זה, ומוחק את המודלים העצמיים.
03:45
This is the last cycle, and you can see it's pretty much
64
200000
3000
זה המחזור האחרון, ואתם יכולים לראות שהוא די
03:48
figured out what its self looks like. And once it has a self-model,
65
203000
4000
הצליח להבין את המראה העצמי שלו, וברגע שיש לו מודל עצמי,
03:52
it can use that to derive a pattern of locomotion.
66
207000
4000
הוא יכול להשתמש בו כדי ליצר דפוסי תנועה.
03:56
So what you're seeing here are a couple of machines --
67
211000
2000
אז מה שאתם רואים פה הן כמה מכונות --
03:58
a pattern of locomotion.
68
213000
2000
דפוס של תנועה.
04:00
We were hoping that it wass going to have a kind of evil, spidery walk,
69
215000
4000
קיווינו שתהיה לו מין תנועה מרושעת, עכבישית,
04:04
but instead it created this pretty lame way of moving forward.
70
219000
4000
אבל במקום, הוא יצר דרך די עלובה לתזוזה קדימה.
04:08
But when you look at that, you have to remember
71
223000
3000
אבל כשמסתכלים על זה, צריך לזכור
04:11
that this machine did not do any physical trials on how to move forward,
72
226000
6000
לא עשתה שום ניסויים פיסיים על איך לזוז קדימה,
04:17
nor did it have a model of itself.
73
232000
2000
ולא היה לה מודל של עצמה.
04:19
It kind of figured out what it looks like, and how to move forward,
74
234000
3000
היא בערך הבינה בעצמה איך היא נראית, ואיך לזוז קדימה,
04:22
and then actually tried that out.
75
237000
4000
ואז ממש ניסתה את זה.
04:26
(Applause)
76
241000
5000
(מחיאות כפיים)
04:31
So, we'll move forward to a different idea.
77
246000
4000
אז, נמשיך לרעיון אחר.
04:35
So that was what happened when we had a couple of --
78
250000
5000
אז זה מה שקרה כשהיו לה כמה --
04:40
that's what happened when you had a couple of -- OK, OK, OK --
79
255000
4000
זה מה שקרה כשהיו לה כמה -- אוקי, אוקי, אוקי --
04:44
(Laughter)
80
259000
2000
(צחוק)
04:46
-- they don't like each other. So
81
261000
2000
-- הם לא אוהבים אחד את השני. אז
04:48
there's a different robot.
82
263000
3000
יש רובוט אחר.
04:51
That's what happened when the robots actually
83
266000
2000
זה מה שקרה כשהרובוטים ממש
04:53
are rewarded for doing something.
84
268000
2000
מתוגמלים על עשיית משהו.
04:55
What happens if you don't reward them for anything, you just throw them in?
85
270000
3000
מה שקורה אם לא תגמלתם אותם על שום דבר, פשוט זורקים אותם פנימה?
04:58
So we have these cubes, like the diagram showed here.
86
273000
3000
אז יש להם את הקוביות האלה, כמו שהתרשים מראה פה.
05:01
The cube can swivel, or flip on its side,
87
276000
2000
הקוביות יכולות להתפתל, או להתהפך על הצד,
05:04
and we just throw 1,000 of these cubes into a soup --
88
279000
4000
ואנחנו פשוט זורקים 1000 כאלה לתוך מרק --
05:08
this is in simulation --and don't reward them for anything,
89
283000
2000
זו הדמיה -- ולא מתגמלים אותם על כלום,
05:10
we just let them flip. We pump energy into this
90
285000
3000
פשוט נתנו להם להתהפך. הזרמנו אנרגיה לתוך זה
05:13
and see what happens in a couple of mutations.
91
288000
3000
וראינו מה קורה אחרי כמה מוטציות.
05:16
So, initially nothing happens, they're just flipping around there.
92
291000
3000
אז בהתחלה, כלום לא קורה, הם פשוט מתהפכים שם.
05:19
But after a very short while, you can see these blue things
93
294000
4000
אבל אחרי זמן קצר, אתם יכולים לראות את הדברים הכחולים האלה
05:23
on the right there begin to take over.
94
298000
2000
בצד ימין שם מתחילים להשתלט.
05:25
They begin to self-replicate. So in absence of any reward,
95
300000
4000
הם מתחילים להשתכפל. אז בהעדר תגמול,
05:29
the intrinsic reward is self-replication.
96
304000
3000
התגמול העצמי הוא שיכפול עצמי.
05:32
And we've actually built a couple of these,
97
307000
1000
ובעצם בנינו כמה כאלה,
05:33
and this is part of a larger robot made out of these cubes.
98
308000
4000
וזה חלק מרובוט גדול יותר שבנוי מהקוביות האלה,
05:37
It's an accelerated view, where you can see the robot actually
99
312000
3000
זה מבט מואץ, כשאתם יכולים לראות את הרובוט ממש
05:40
carrying out some of its replication process.
100
315000
2000
מבצע חלק מתהליך השכפול.
05:42
So you're feeding it with more material -- cubes in this case --
101
317000
4000
אז מזינים לו עוד חומרים -- קוביות במקרה הזה --
05:46
and more energy, and it can make another robot.
102
321000
3000
ועוד אנרגיה, והוא יכול ליצור רובוט נוסף.
05:49
So of course, this is a very crude machine,
103
324000
3000
אז כמובן, זו שיטה מאוד גסה,
05:52
but we're working on a micro-scale version of these,
104
327000
2000
אבל אנחנו עובדים על שיטה מוקטנת של זה,
05:54
and hopefully the cubes will be like a powder that you pour in.
105
329000
3000
ובתקוה הקוביות יהיו כמו אבקה שאתם שופכים פנימה.
05:57
OK, so what can we learn? These robots are of course
106
332000
5000
אוקיי, אז מה אנחנו יכולים ללמוד? הרובוטים האלה כמובן
06:02
not very useful in themselves, but they might teach us something
107
337000
3000
לא ממש יעילים בעצמם, אבל הם אולי ילמדו אותנו משהו
06:05
about how we can build better robots,
108
340000
3000
על איך לבנות רובוטים טובים יותר,
06:08
and perhaps how humans, animals, create self-models and learn.
109
343000
5000
ואולי איך אנשים, חיות, יוצרים מודלים עצמיים ולומדים.
06:13
And one of the things that I think is important
110
348000
2000
ואחד הדברים שאני חושב שהם חשובים
06:15
is that we have to get away from this idea
111
350000
2000
זה שאנחנו צריכים לוותר על הרעיון
06:17
of designing the machines manually,
112
352000
2000
של תכנון המכונות באופן ידני,
06:19
but actually let them evolve and learn, like children,
113
354000
3000
אלא בעצם לתת להם להתפתח וללמוד, כמו ילדים,
06:22
and perhaps that's the way we'll get there. Thank you.
114
357000
2000
ואולי ככה נגיע לשם. תודה רבה.
06:24
(Applause)
115
359000
2000
(מחיאות כפיים)
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