TED2007
Hod Lipson: Building "self-aware" robots
Hod Lipson bouwt "zelfbewuste" robots
Filmed:
Readability: 3.1
1,460,460 views
Hod Lipson demonstreert een paar van zijn leuke kleine robots, die de vaardigheid hebben om te leren, zichzelf te verstaan en zelfs om zich te kopiëren.
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
Dus, waar zijn de robots?
00:27
We've been told for 40 years already that they're coming soon.
1
2000
3000
Er wordt ons al 40 jaar verteld dat ze komen.
00:30
Very soon they'll be doing everything for us.
2
5000
3000
Heel binnenkort zullen ze alles in onze plaats doen:
00:33
They'll be cooking, cleaning, buying things, shopping, building. But they aren't here.
3
8000
5000
ze zullen koken, poetsen, dingen kopen, shoppen, bouwen. Maar ze zijn er niet.
00:38
Meanwhile, we have illegal immigrants doing all the work,
4
13000
4000
Ondertussen doen illegale immigranten al het werk,
00:42
but we don't have any robots.
5
17000
2000
maar we hebben geen robots.
00:44
So what can we do about that? What can we say?
6
19000
4000
Dus wat kunnen we daaraan doen? Wat kunnen we zeggen?
00:48
So I want to give a little bit of a different perspective
7
23000
4000
Ik wil dus een beetje een ander perspectief geven
00:52
of how we can perhaps look at these things in a little bit of a different way.
8
27000
6000
over hoe we misschien op een andere manier naar deze dingen kunnen kijken.
00:58
And this is an x-ray picture
9
33000
2000
En dit is een röntgenfoto
01:00
of a real beetle, and a Swiss watch, back from '88. You look at that --
10
35000
5000
van een echte kever en een Zwitsers horloge, genomen in '88. Je kijkt er naar --
01:05
what was true then is certainly true today.
11
40000
2000
wat toen waar was is zeker waar vandaag.
01:07
We can still make the pieces. We can make the right pieces.
12
42000
3000
We kunnen nog altijd de onderdelen maken, we kunnen de juiste onderdelen maken,
01:10
We can make the circuitry of the right computational power,
13
45000
3000
we kunnen de schakelingen met de juiste rekenkracht maken,
01:13
but we can't actually put them together to make something
14
48000
3000
maar we kunnen ze niet samenbrengen om iets te maken
01:16
that will actually work and be as adaptive as these systems.
15
51000
5000
dat echt zal werken en hetzelfde aanpassingsvermogen heeft als deze systemen.
01:21
So let's try to look at it from a different perspective.
16
56000
2000
Laten we proberen om er vanuit een ander perspectief naar te kijken.
01:23
Let's summon the best designer, the mother of all designers.
17
58000
4000
Laat ons de beste designer er bijhalen, de designer der designers:
01:27
Let's see what evolution can do for us.
18
62000
3000
laten we kijken wat evolutie voor ons kan doen.
01:30
So we threw in -- we created a primordial soup
19
65000
4000
Dus we gooiden bij elkaar -- we creëerden een voorhistorische soep
01:34
with lots of pieces of robots -- with bars, with motors, with neurons.
20
69000
4000
met vele stukken van robots: met stangen, met motoren, met neuronen.
01:38
Put them all together, and put all this under kind of natural selection,
21
73000
4000
Breng ze allemaal samen, en breng ze in een soort van natuurlijke selectie,
01:42
under mutation, and rewarded things for how well they can move forward.
22
77000
4000
voeg mutatie toe, en beloon dingen voor hoe goed ze zich kunnen voortbewegen.
01:46
A very simple task, and it's interesting to see what kind of things came out of that.
23
81000
6000
Een erg simpele taak, en het is interessant om te kijken naar wat voor soort dingen daaruit voortkwamen.
01:52
So if you look, you can see a lot of different machines
24
87000
3000
Dus als je kijkt, kan je een heleboel verschillende machines zien
01:55
come out of this. They all move around.
25
90000
2000
die hieruit voortkomen. Ze bewegen allemaal,
01:57
They all crawl in different ways, and you can see on the right,
26
92000
4000
ze kruipen allemaal op een andere manier, en je kan rechts zien
02:01
that we actually made a couple of these things,
27
96000
2000
dat we inderdaad een paar van deze dingen hebben gemaakt,
02:03
and they work in reality. These are not very fantastic robots,
28
98000
3000
en ze werken in de realiteit. Het zijn niet erg fantastische robots,
02:06
but they evolved to do exactly what we reward them for:
29
101000
4000
maar ze evolueren om exact datgene te doen waarvoor we ze belonen:
02:10
for moving forward. So that was all done in simulation,
30
105000
3000
zich vooruitbewegen. Dus dat was allemaal gesimuleerd,
02:13
but we can also do that on a real machine.
31
108000
2000
maar we kunnen dat ook doen met een echte machine.
02:15
Here's a physical robot that we actually
32
110000
5000
Hier is een fysieke robot die we
02:20
have a population of brains,
33
115000
3000
hebben uitgerust met een bevolking hersenen,
02:23
competing, or evolving on the machine.
34
118000
2000
die de machine laten concurreren of evolueren.
02:25
It's like a rodeo show. They all get a ride on the machine,
35
120000
3000
Het is zoals een rodeoshow: ze mogen allemaal een ritje doen met de machine,
02:28
and they get rewarded for how fast or how far
36
123000
3000
en ze worden beloond voor hoe snel en hoe ver
02:31
they can make the machine move forward.
37
126000
2000
ze de machine vooruit kunnen laten bewegen.
02:33
And you can see these robots are not ready
38
128000
2000
En je kan zien dat deze robots nog niet klaar
02:35
to take over the world yet, but
39
130000
3000
zijn om de wereld te veroveren, maar
02:38
they gradually learn how to move forward,
40
133000
2000
ze leren langzamerhand om vooruit te bewegen,
02:40
and they do this autonomously.
41
135000
3000
en ze doen dit autonoom.
02:43
So in these two examples, we had basically
42
138000
4000
Dus in deze twee voorbeelden hadden we in wezen
02:47
machines that learned how to walk in simulation,
43
142000
3000
machines die leerden hoe te lopen in simulatie,
02:50
and also machines that learned how to walk in reality.
44
145000
2000
en ook machines die leerden hoe te lopen in de realiteit.
02:52
But I want to show you a different approach,
45
147000
2000
Maar ik wil jullie een andere aanpak tonen,
02:54
and this is this robot over here, which has four legs.
46
149000
6000
en dit is de robot, hier, die vier benen heeft,
03:00
It has eight motors, four on the knees and four on the hip.
47
155000
2000
hij heeft acht motoren, vier in de knieën en vier in de heup.
03:02
It has also two tilt sensors that tell the machine
48
157000
3000
Hij heeft ook twee hellingssensoren die de machine vertellen
03:05
which way it's tilting.
49
160000
3000
naar welke kant ze overhelt.
03:08
But this machine doesn't know what it looks like.
50
163000
2000
Maar deze machine weet niet hoe ze eruitziet.
03:10
You look at it and you see it has four legs,
51
165000
2000
Je kijkt ernaar en je ziet dat ze vier benen heeft,
03:12
the machine doesn't know if it's a snake, if it's a tree,
52
167000
2000
de machine weet niet of ze een slang is, of een boom,
03:14
it doesn't have any idea what it looks like,
53
169000
3000
ze heeft er geen idee van hoe ze eruitziet,
03:17
but it's going to try to find that out.
54
172000
2000
maar ze gaat proberen om dat te weten te komen.
03:19
Initially, it does some random motion,
55
174000
2000
Aanvankelijk doet ze wat willekeurige bewegingen,
03:21
and then it tries to figure out what it might look like.
56
176000
3000
en dan probeert ze er achter te komen hoe ze er misschien kan uitzien --
03:24
And you're seeing a lot of things passing through its minds,
57
179000
2000
en je ziet vele dingen door hun hoofden gaan,
03:26
a lot of self-models that try to explain the relationship
58
181000
4000
een hoop zelf-beelden die proberen om de relatie te verklaren
03:30
between actuation and sensing. It then tries to do
59
185000
3000
tussen bediening en gevoel -- en dan proberen om
03:33
a second action that creates the most disagreement
60
188000
4000
een tweede actie te doen die de meeste onenigheid
03:37
among predictions of these alternative models,
61
192000
2000
tussen voorspellingen van deze alternatieve modellen creëert,
03:39
like a scientist in a lab. Then it does that
62
194000
2000
zoals een wetenschapper in een lab. Dan doet ze dat
03:41
and tries to explain that, and prune out its self-models.
63
196000
4000
en ze probeert om dat uit te leggen, en zelf-beelden te elimineren.
03:45
This is the last cycle, and you can see it's pretty much
64
200000
3000
Dit is de laatste cyclus, en je kan zien dat ze ongeveer
03:48
figured out what its self looks like. And once it has a self-model,
65
203000
4000
uitgedokterd heeft hoe ze er zelf uitziet, en eenmaal ze een zelf-beeld heeft,
03:52
it can use that to derive a pattern of locomotion.
66
207000
4000
kan ze daaruit een voortbewegingspatroon afleiden.
03:56
So what you're seeing here are a couple of machines --
67
211000
2000
Dus wat jullie hier zien zijn een paar machines --
03:58
a pattern of locomotion.
68
213000
2000
een voortbeweginspatroon.
04:00
We were hoping that it wass going to have a kind of evil, spidery walk,
69
215000
4000
We hoopten dat het een soort griezelig, spinachtig patroon zou hebben,
04:04
but instead it created this pretty lame way of moving forward.
70
219000
4000
maar in de plaats daarvan creëerde het deze vrij kreupele manier van voortbewegen.
04:08
But when you look at that, you have to remember
71
223000
3000
Maar wanneer je daar naar kijkt, moet je bedenken
04:11
that this machine did not do any physical trials on how to move forward,
72
226000
6000
dat deze machine geen fysieke tests doet over hoe zich vooruit te bewegen,
04:17
nor did it have a model of itself.
73
232000
2000
evenmin had ze een model van zichzelf.
04:19
It kind of figured out what it looks like, and how to move forward,
74
234000
3000
Ze heeft ongeveer uitgezocht hoe ze eruitziet, en hoe ze zich kan voortbewegen,
04:22
and then actually tried that out.
75
237000
4000
en dan heeft ze dat in de praktijk uitgeprobeerd.
04:26
(Applause)
76
241000
5000
(Applaus)
04:31
So, we'll move forward to a different idea.
77
246000
4000
Dus, we zullen voortgaan met een ander idee.
04:35
So that was what happened when we had a couple of --
78
250000
5000
Dus dat is wat er gebeurde wanneer we een paar --
04:40
that's what happened when you had a couple of -- OK, OK, OK --
79
255000
4000
dat is wat er gebeurde wanneer je een paar -- OK, OK, OK --
04:44
(Laughter)
80
259000
2000
(Gelach)
04:46
-- they don't like each other. So
81
261000
2000
-- ze kunnen het niet zo met elkaar vinden. Dus
04:48
there's a different robot.
82
263000
3000
dat is een andere robot.
04:51
That's what happened when the robots actually
83
266000
2000
Dat is wat er gebeurt wanneer robots
04:53
are rewarded for doing something.
84
268000
2000
beloond worden om iets te doen.
04:55
What happens if you don't reward them for anything, you just throw them in?
85
270000
3000
Wat gebeurt er als je ze voor niets beloont, als je ze gewoon laat doen?
04:58
So we have these cubes, like the diagram showed here.
86
273000
3000
We hebben dus deze blokken, zoals het diagram hier laat zien.
05:01
The cube can swivel, or flip on its side,
87
276000
2000
Het blok kan wentelen, of zichzelf op zijn kant draaien,
05:04
and we just throw 1,000 of these cubes into a soup --
88
279000
4000
en we gooien gewoon 1000 van deze blokken in een soep --
05:08
this is in simulation --and don't reward them for anything,
89
283000
2000
dit is in simulatie -- en we belonen ze niet,
05:10
we just let them flip. We pump energy into this
90
285000
3000
we laten ze gewoon draaien. We steken hier energie in
05:13
and see what happens in a couple of mutations.
91
288000
3000
en kijken wat er gebeurt na een paar mutaties.
05:16
So, initially nothing happens, they're just flipping around there.
92
291000
3000
Eerst gebeurt er niets, ze zijn zich gewoon aan het omdraaien daar.
05:19
But after a very short while, you can see these blue things
93
294000
4000
Maar na een erg korte periode kan je zien dat deze blauwe dingen
05:23
on the right there begin to take over.
94
298000
2000
langs rechts beginnen over te nemen.
05:25
They begin to self-replicate. So in absence of any reward,
95
300000
4000
Ze beginnen zichzelf te kopiëren. Dus zonder enige beloning,
05:29
the intrinsic reward is self-replication.
96
304000
3000
is de intrinsieke beloning zelf-replicatie.
05:32
And we've actually built a couple of these,
97
307000
1000
En we hebben er een paar gebouwd,
05:33
and this is part of a larger robot made out of these cubes.
98
308000
4000
en dit maakt deel uit van een grotere robot gemaakt uit deze blokken,
05:37
It's an accelerated view, where you can see the robot actually
99
312000
3000
het is een versnelde weergave, waarop je kan zien dat de robot
05:40
carrying out some of its replication process.
100
315000
2000
bezig is een deel van zijn kopieerproces uit te voeren.
05:42
So you're feeding it with more material -- cubes in this case --
101
317000
4000
Dus je voedt het met meer materiaal -- blokken in dit geval --
05:46
and more energy, and it can make another robot.
102
321000
3000
en meer energie, en het kan een andere robot maken.
05:49
So of course, this is a very crude machine,
103
324000
3000
Dit is natuurlijk een erg ruwe machine,
05:52
but we're working on a micro-scale version of these,
104
327000
2000
maar we werken aan een versie op microscopische schaal,
05:54
and hopefully the cubes will be like a powder that you pour in.
105
329000
3000
en hopelijk zullen de blokken als poeder zijn dat je ingiet.
05:57
OK, so what can we learn? These robots are of course
106
332000
5000
OK, dus wat kunnen we leren? Deze robots zijn natuurlijk
06:02
not very useful in themselves, but they might teach us something
107
337000
3000
niet erg handig op zich, maar ze zouden ons iets kunnen leren
06:05
about how we can build better robots,
108
340000
3000
over hoe we betere robots kunnen bouwen,
06:08
and perhaps how humans, animals, create self-models and learn.
109
343000
5000
en misschien tonen hoe mensen, dieren, zelf-beelden creëren en leren.
06:13
And one of the things that I think is important
110
348000
2000
En één van de dingen die ik belangrijk vind,
06:15
is that we have to get away from this idea
111
350000
2000
is dat we moeten afstappen van dit idee
06:17
of designing the machines manually,
112
352000
2000
van het manueel ontwerpen van machines,
06:19
but actually let them evolve and learn, like children,
113
354000
3000
maar dat we ze moeten laten evolueren en leren, zoals kinderen,
06:22
and perhaps that's the way we'll get there. Thank you.
114
357000
2000
en misschien is dat de manier om er te komen. Dankuwel.
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