TED2011
Skylar Tibbits: Can we make things that make themselves?
Skylar Tibbits: Képesek vagyunk önmagukat előállító dolgokat létrehozni?
Filmed:
Readability: 4.4
1,072,366 views
Skylar Tibbits az MIT kutatója az önszerveződéssel foglalkozik - azzal az elgondolással, hogy adott dolgok (például egy szék, egy felhőkarcoló) megépítése helyett olyan anyagokat hozhatunk létre, melyek önmagukból építkeznek, valahogy úgy, ahogyan a DNS-lánc sorba rendeződik. Ez egy nagy elmélet kezdeti szakaszban; Tibbits három laboratóriumi projektet mutat be, melyek azt hivatottak bemutatni, hogyan is nézhet ki az önszerveződő jövő.
Skylar Tibbits - Inventor
Skylar Tibbits, a TED Fellow, is an artist and computational architect working on "smart" components that can assemble themselves. Full bio
Skylar Tibbits, a TED Fellow, is an artist and computational architect working on "smart" components that can assemble themselves. Full bio
Double-click the English transcript below to play the video.
00:15
Today I'd like to show you
0
0
2000
Ma meg szeretném mutatni,
00:17
the future of the way we make things.
1
2000
2000
hogy a jövőben hogyan hozunk majd létre különböző dolgokat.
00:19
I believe that soon our buildings and machines
2
4000
2000
Azt gondolom, hogy az épületeink és a gépeink hamarosan
00:21
will be self-assembling,
3
6000
2000
önszerveződők lesznek,
00:23
replicating and repairing themselves.
4
8000
2000
megismétlik és kijavítják magukat.
00:25
So I'm going to show you
5
10000
2000
Megmutatom nektek tehát, hogy
00:27
what I believe is the current state of manufacturing,
6
12000
2000
szerintem mi is a gyártás mai helyzete,
00:29
and then compare that to some natural systems.
7
14000
3000
és összevetem néhány természetben előforduló rendszerrel.
00:32
So in the current state of manufacturing, we have skyscrapers --
8
17000
3000
A gyártás jelenlegi helyzete szerint egy felhőkarcoló
00:35
two and a half years [of assembly time],
9
20000
2000
két és fél év alatt épül fel,
00:37
500,000 to a million parts,
10
22000
2000
úgy ötszázezer-egymillió részből,
00:39
fairly complex,
11
24000
2000
meglehetősen összetett,
00:41
new, exciting technologies in steel, concrete, glass.
12
26000
3000
új és izgalmas fém-, beton- és üvegtechnológiákkal.
00:44
We have exciting machines
13
29000
2000
Vannak izgalmas gépeink,
00:46
that can take us into space --
14
31000
2000
melyek felrepítenek az űrbe,
00:48
five years [of assembly time], 2.5 million parts.
15
33000
3000
öt év alatt állnak össze két és fél millió alkatrészből.
00:51
But on the other side, if you look at the natural systems,
16
36000
3000
Másfelől viszont, ha megfigyeljük a természeti rendszereket,
00:54
we have proteins
17
39000
2000
ott vannak a proteinek
00:56
that have two million types,
18
41000
2000
a maguk kétmillió típusával,
00:58
can fold in 10,000 nanoseconds,
19
43000
2000
melyek 10 000 nanomásodperc alatt terelődnek össze,
01:00
or DNA with three billion base pairs
20
45000
2000
vagy a DNS a maga hárommilliós bázispárjával,
01:02
we can replicate in roughly an hour.
21
47000
3000
ami durván egy óra alatt megismétlődik.
01:05
So there's all of this complexity
22
50000
2000
Ez a komplexitás ott van tehát a
01:07
in our natural systems,
23
52000
2000
természeti rendszerünkben,
01:09
but they're extremely efficient,
24
54000
2000
és roppant hatékonyak,
01:11
far more efficient than anything we can build,
25
56000
2000
sokkal nagyobb mértékben, mint bármi, amit mi, emberek építünk,
01:13
far more complex than anything we can build.
26
58000
2000
sokkal összetettebb mindennél, amit felépíthetünk.
01:15
They're far more efficient in terms of energy.
27
60000
2000
Sokkal hatékonyabb energiafogyasztás szempontjából.
01:17
They hardly ever make mistakes.
28
62000
3000
Aligha fordul elő, hogy hibáznak.
01:20
And they can repair themselves for longevity.
29
65000
2000
Meg tudják hosszabbítani saját élettartamukat.
01:22
So there's something super interesting about natural systems.
30
67000
3000
A természeti rendszerek tehát felettébb érdekesek.
01:25
And if we can translate that
31
70000
2000
Ha le tudjuk ezt fordítani
01:27
into our built environment,
32
72000
2000
a megépített környezetünkre,
01:29
then there's some exciting potential for the way that we build things.
33
74000
2000
akkor izgalmas lehetőség rejlik az építkezési módozatokban.
01:31
And I think the key to that is self-assembly.
34
76000
3000
Azt hiszem, ehhez az önszerveződés a kulcs.
01:34
So if we want to utilize self-assembly in our physical environment,
35
79000
3000
Ha tehát valamilyen önszerveződést akarunk érvényesíteni a fizikai környezetünkben,
01:37
I think there's four key factors.
36
82000
2000
négy kulcstényezővel kell számolnunk:
01:39
The first is that we need to decode
37
84000
2000
Az első az, hogy dekódolnunk kell
01:41
all of the complexity of what we want to build --
38
86000
2000
mindazt az összetettséget, amiből építkezni akarunk,
01:43
so our buildings and machines.
39
88000
2000
vagyis az épületeinket és a gépeinket.
01:45
And we need to decode that into simple sequences --
40
90000
2000
Egyszerű sorozatokká kell dekódolnunk őket,
01:47
basically the DNA of how our buildings work.
41
92000
2000
ami alapjában véve az épületeink működésének DNS-e.
01:49
Then we need programmable parts
42
94000
2000
Programozható részekre van szükségünk,
01:51
that can take that sequence
43
96000
2000
amelyek elvihetik ezt a sorozatot
01:53
and use that to fold up, or reconfigure.
44
98000
3000
és felhasználhatják az összehajtására és az újrakonfigurálására.
01:56
We need some energy that's going to allow that to activate,
45
101000
3000
Ennek aktiválásához és a részeknek a programhoz igazodásához
01:59
allow our parts to be able to fold up from the program.
46
104000
3000
szükség van némi energiára.
02:02
And we need some type of error correction redundancy
47
107000
2000
Továbbá szükségünk van valamiféle hibajavítási redundanciára
02:04
to guarantee that we have successfully built what we want.
48
109000
3000
ahhoz, hogy biztosítsuk azt, hogy sikeresen felépítsük, amit akarunk.
02:07
So I'm going to show you a number of projects
49
112000
2000
Mutatni fogok tehát néhány olyan projektet, amin
02:09
that my colleagues and I at MIT are working on
50
114000
2000
a kollégáimmal az MIT-n dolgozunk az
02:11
to achieve this self-assembling future.
51
116000
2000
önszerveződő jövőért.
02:13
The first two are the MacroBot and DeciBot.
52
118000
3000
Az első kettő a MacroBot és a DeciBot.
02:16
So these projects are large-scale reconfigurable robots --
53
121000
4000
Ezek a projektek tehát széles skálájú újrakonfigurálható robotok,
02:20
8 ft., 12 ft. long proteins.
54
125000
3000
2,5, valamint 3,6 méter hosszú proteinek.
02:23
They're embedded with mechanical electrical devices, sensors.
55
128000
3000
Mechanikus elektromos készülékekkel, szenzorokkal vannak ellátva.
02:26
You decode what you want to fold up into,
56
131000
2000
Dekódolod, hogy ez mit ölel fel,
02:28
into a sequence of angles --
57
133000
2000
szögek szakasza
02:30
so negative 120, negative 120, 0, 0,
58
135000
2000
tehát negatív 120, negatív 120, 0, 0,
02:32
120, negative 120 -- something like that;
59
137000
3000
120, negatív 120 -- valami ilyesmi;
02:35
so a sequence of angles, or turns,
60
140000
2000
szögek vagy kanyarok szakasza,
02:37
and you send that sequence through the string.
61
142000
3000
amit a húron át küldesz el.
02:40
Each unit takes its message -- so negative 120 --
62
145000
3000
Minden egységnek megkapja a maga üzenetét - negatív 120.
02:43
it rotates to that, checks if it got there
63
148000
2000
Ott forog egy sort, leellenőrzi, hogy odaért-e,
02:45
and then passes it to its neighbor.
64
150000
3000
majd átadja a szomszédjának.
02:48
So these are the brilliant scientists,
65
153000
2000
Ezek tehát a nagyszerű tudósok,
02:50
engineers, designers that worked on this project.
66
155000
2000
mérnökök, tervezők, akik ezen a projekten dolgoztak.
02:52
And I think it really brings to light:
67
157000
2000
És azt hiszem, mostanra már a napnál is világosabb:
02:54
Is this really scalable?
68
159000
2000
Tényleg mérhető ez?
02:56
I mean, thousands of dollars, lots of man hours
69
161000
2000
Úgy értem, dollárok ezreibe, emberek tömkelegének
02:58
made to make this eight-foot robot.
70
163000
3000
munkaidejébe tellett, hogy megépítsék ezt a két és fél méteres robotot.
03:01
Can we really scale this up? Can we really embed robotics into every part?
71
166000
3000
Valóban megmérhető ez? Tényleg mindenhova beépíthető robotika?
03:04
The next one questions that
72
169000
2000
A következő kérdés
03:06
and looks at passive nature,
73
171000
2000
passzív természetűnek tűnik
03:08
or passively trying to have reconfiguration programmability.
74
173000
3000
vagy passzívan próbálja meg újrakonfigurálni a beprogramozhatóságot.
03:11
But it goes a step further,
75
176000
2000
Egy lépéssel azonban tovább megy,
03:13
and it tries to have actual computation.
76
178000
2000
és pontos számításokba bocsátkozik.
03:15
It basically embeds the most fundamental building block of computing,
77
180000
2000
Tulajdonképpen a számítástechnika legalapvetőbb építőelemeit foglalja magába,
03:17
the digital logic gate,
78
182000
2000
a digitális logikai kaput,
03:19
directly into your parts.
79
184000
2000
egyenesen a részeidbe.
03:21
So this is a NAND gate.
80
186000
2000
Így ez egy NAND kapu.
03:23
You have one tetrahedron which is the gate
81
188000
2000
Egy tetrahedronod van, ami a kapud,
03:25
that's going to do your computing,
82
190000
2000
és a számításaidat végzi majd,
03:27
and you have two input tetrahedrons.
83
192000
2000
és van két bemeneti tetrahedronod.
03:29
One of them is the input from the user, as you're building your bricks.
84
194000
3000
Egyik a felhasználótól származó bemenet, ebből építkezel.
03:32
The other one is from the previous brick that was placed.
85
197000
3000
A másik pedig az előző építőkocka.
03:35
And then it gives you an output in 3D space.
86
200000
3000
Ekkor pedig egy 3D-s kimenetet kapsz.
03:38
So what this means
87
203000
2000
Ez tehát azt jelenti,
03:40
is that the user can start plugging in what they want the bricks to do.
88
205000
3000
hogy a felhasználó elkezdheti betáplálni azt, hogy mit csináljanak az építőelemek.
03:43
It computes on what it was doing before
89
208000
2000
A számítások abból adódnak, amit előzőleg csinált
03:45
and what you said you wanted it to do.
90
210000
2000
és amire te utasítottad.
03:47
And now it starts moving in three-dimensional space --
91
212000
2000
Most pedig elkezd három dimenziós térben mozogni,
03:49
so up or down.
92
214000
2000
így felfele és lefele.
03:51
So on the left-hand side, [1,1] input equals 0 output, which goes down.
93
216000
3000
A bal oldalon tehát [1,1] a bemenet megegyezik a 0 kimenettel, ami lefele megy.
03:54
On the right-hand side,
94
219000
2000
A jobb oldalon
03:56
[0,0] input is a 1 output, which goes up.
95
221000
3000
[0,0] bemenet megegyezik 1 kimenettel, ami felfele megy.
03:59
And so what that really means
96
224000
2000
Ez pedig nem jelent mást,
04:01
is that our structures now contain the blueprints
97
226000
2000
mint hogy a szerkezeteink most tartalmazzák
04:03
of what we want to build.
98
228000
2000
a tervezett építményünk tervrajzát.
04:05
So they have all of the information embedded in them of what was constructed.
99
230000
3000
Magukban foglalják tehát az összes lehetséges megszerkesztett információt.
04:08
So that means that we can have some form of self-replication.
100
233000
3000
Ez pedig azt jelenti, hogy lehetséges valamiféle önreplikáció.
04:11
In this case I call it self-guided replication,
101
236000
3000
Ebben az esetben saját vezérlésű replikációnak nevezem,
04:14
because your structure contains the exact blueprints.
102
239000
2000
mert a szerkezeted tartalmazza a pontos tervrajzokat.
04:16
If you have errors, you can replace a part.
103
241000
2000
Ha hibáid vannak, ki lehet cserélni az adott részt.
04:18
All the local information is embedded to tell you how to fix it.
104
243000
3000
Az összes helyi információ bele van építve, hogy elmondja, hogy hogy kell megszerelni.
04:21
So you could have something that climbs along and reads it
105
246000
2000
Van tehát valamid, ami felmászik és elolvassa
04:23
and can output at one to one.
106
248000
2000
és egyenként kimenetet tud produkálni.
04:25
It's directly embedded; there's no external instructions.
107
250000
2000
Egyenesen van beépítve; nincsenek külső instrukciók.
04:27
So the last project I'll show is called Biased Chains,
108
252000
3000
Az utolsó projektnek, amit most bemutatok, az a neve, hogy Biased Chains,
04:30
and it's probably the most exciting example that we have right now
109
255000
3000
és valószínűleg a jelenlegi legizgalmasabb példánk
04:33
of passive self-assembly systems.
110
258000
2000
a passzív önszerveződési rendszerekre.
04:35
So it takes the reconfigurability
111
260000
2000
Újrakonfigurálható
04:37
and programmability
112
262000
2000
és programozható
04:39
and makes it a completely passive system.
113
264000
3000
és ezáltal teljesen passzív rendszerré teszi.
04:43
So basically you have a chain of elements.
114
268000
2000
Ily módon elemek láncai állnak rendelkezésedre.
04:45
Each element is completely identical,
115
270000
2000
Minden elem teljesen egyforma
04:47
and they're biased.
116
272000
2000
és ferde.
04:49
So each chain, or each element, wants to turn right or left.
117
274000
3000
Minden lánc, vagy minden elem jobbra vagy balra akar elmozdulni.
04:52
So as you assemble the chain, you're basically programming it.
118
277000
3000
A láncot összeszerelve tehát tulajdonképpen programozol.
04:55
You're telling each unit if it should turn right or left.
119
280000
3000
Meghatározod, hogy az egyes egységek jobbra vagy balra kanyarodjanak.
04:58
So when you shake the chain,
120
283000
3000
Amikor pedig megrázod a láncot,
05:01
it then folds up
121
286000
2000
bármelyik beprogramozott konfiguráció
05:03
into any configuration that you've programmed in --
122
288000
3000
szerint összetekeredhet,
05:06
so in this case, a spiral,
123
291000
2000
ebben az esetben például spirállá,
05:08
or in this case,
124
293000
3000
ebben az esetben
05:11
two cubes next to each other.
125
296000
3000
két egymás melletti kockává.
05:14
So you can basically program
126
299000
2000
Tulajdonképpen programozhatsz bármilyen
05:16
any three-dimensional shape --
127
301000
2000
háromdimenziós,
05:18
or one-dimensional, two-dimensional -- up into this chain completely passively.
128
303000
3000
egydimenziós illetve kétdimenziós formát ebbe a láncba, teljesen passzívan.
05:21
So what does this tell us about the future?
129
306000
2000
Miről árulkodik ez a jövőt illetően?
05:23
I think that it's telling us
130
308000
2000
Szerintem arról,
05:25
that there's new possibilities for self-assembly, replication, repair
131
310000
3000
hogy vannak új lehetőségek a fizikai szervezeteink, épületeink és
05:28
in our physical structures, our buildings, machines.
132
313000
3000
gépeink önszerveződésére, replikációjára és reparációjára.
05:31
There's new programmability in these parts.
133
316000
2000
Új programozási lehetőségek vannak ezeken a területeken.
05:33
And from that you have new possibilities for computing.
134
318000
2000
Innentől kezdve pedig új lehetőségek nyílnak a számítástechnikában.
05:35
We'll have spatial computing.
135
320000
2000
Lesz térbeli számítástechnikánk.
05:37
Imagine if our buildings, our bridges, machines,
136
322000
2000
Képzeljük el azt, hogy az épületeink, a hídjaink, a gépeink
05:39
all of our bricks could actually compute.
137
324000
2000
és az összes téglánk képes lesz a számítástechnikára.
05:41
That's amazing parallel and distributed computing power,
138
326000
2000
Ez egy lenyűgöző párhuzamos és megosztott számítástechnikai erő,
05:43
new design possibilities.
139
328000
2000
újfajta tervezésre nyílik lehetőség.
05:45
So it's exciting potential for this.
140
330000
2000
Izgalmas kiaknázatlan területről van tehát szó.
05:47
So I think these projects I've showed here
141
332000
2000
Azt gondolom, hogy a projektek, amiket most bemutattam,
05:49
are just a tiny step towards this future,
142
334000
2000
csupán apró lépések a jövő felé,
05:51
if we implement these new technologies
143
336000
2000
lépések, melyeket ezeknek az új technológiáknak
05:53
for a new self-assembling world.
144
338000
2000
a bevetésével teszünk meg egy új önszerveződő világ felé.
05:55
Thank you.
145
340000
2000
Köszönöm.
05:57
(Applause)
146
342000
2000
(Taps)
ABOUT THE SPEAKER
Skylar Tibbits - InventorSkylar Tibbits, a TED Fellow, is an artist and computational architect working on "smart" components that can assemble themselves.
Why you should listen
Can we create objects that assemble themselves -- that zip together like a strand of DNA or that have the ability for transformation embedded into them? These are the questions that Skylar Tibbits investigates in his Self-Assembly Lab at MIT, a cross-disciplinary research space where designers, scientists and engineers come together to find ways for disordered parts to become ordered structures.
A trained architect, designer and computer scientist, Tibbits teaches design studios at MIT’s Department of Architecture and co-teaches the seminar “How to Make (Almost) Anything” at MIT’s Media Lab. Before that, he worked at a number of design offices including Zaha Hadid Architects, Asymptote Architecture, SKIII Space Variations and Point b Design. His work has been shown at the Guggenheim Museum and the Beijing Biennale.
Tibbits has collaborated with a number of influential people over the years, including Neil Gershenfeld and The Center for Bits and Atoms, Erik and Marty Demaine at MIT, Adam Bly at SEED Media Group and Marc Fornes of THEVERYMANY. In 2007, he and Marc Fornes co-curated Scriptedbypurpose, the first exhibition focused exclusively on scripted processes within design. Also in 2007, he founded SJET, a multifaceted practice and research platform for experimental computation and design. SJET crosses disciplines from architecture and design, fabrication, computer science and robotics.
Skylar Tibbits | Speaker | TED.com