ABOUT THE SPEAKER
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.

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.

More profile about the speaker
Hod Lipson | Speaker | TED.com
TED2007

Hod Lipson: Building "self-aware" robots

Hod Lipson tworzy 'samoświadome' roboty

Filmed:
1,460,460 views

Hod Lipson demonstruje kilka egzemplarzy swoich malutkich wspaniałych robotów posiadających zdolność uczenia się, rozumienia samych siebie, a nawet samo-replikowania się.
- 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

Double-click the English transcript below to play the video.

00:25
So, where are the robotsroboty?
0
0
2000
Gdzie są te roboty?
00:27
We'veMamy been told for 40 yearslat alreadyjuż that they're comingprzyjście soonwkrótce.
1
2000
3000
Od 40 lat wmawia się nam, że ich nadejście jest blisko.
00:30
Very soonwkrótce they'lloni to zrobią be doing everything for us.
2
5000
3000
Niebawem będą one wykonywać wszystko za nas:
00:33
They'llBędą be cookinggotowanie, cleaningczyszczenie, buyingkupowanie things, shoppingzakupy, buildingbudynek. But they aren'tnie są here.
3
8000
5000
gotować, sprzątać, robić zakupy, budować. Ale przecież ich nie ma.
00:38
MeanwhileTymczasem, we have illegalnielegalny immigrantsimigrantów doing all the work,
4
13000
4000
W międzyczasie prace te wykonują nielegalni imigranci,
00:42
but we don't have any robotsroboty.
5
17000
2000
a robotów jak nie było tak nie ma.
00:44
So what can we do about that? What can we say?
6
19000
4000
Cóż można z tym począć? Co powiedzieć na ten temat?
00:48
So I want to give a little bitkawałek of a differentróżne perspectiveperspektywiczny
7
23000
4000
Chciałbym nakreślić nieco odmienną perspektywę,
00:52
of how we can perhapsmoże look at these things in a little bitkawałek of a differentróżne way.
8
27000
6000
spojrzeć na tę kwestię pod trochę innym kątem.
00:58
And this is an x-rayprześwietlenie pictureobrazek
9
33000
2000
Oto zdjęcie rentgenowskie z '88 roku
01:00
of a realreal beetlechrząszcz, and a SwissSzwajcarski watch, back from '88. You look at that --
10
35000
5000
przedstawiające żuka i szwajcarski zegarek.
01:05
what was trueprawdziwe then is certainlyna pewno trueprawdziwe todaydzisiaj.
11
40000
2000
Co było wówczas prawdą jest nią i dziś.
01:07
We can still make the piecessztuk. We can make the right piecessztuk.
12
42000
3000
Potrafimy wytworzyć właściwe części,
01:10
We can make the circuitryzespół obwodów elektrycznych of the right computationalobliczeniowy powermoc,
13
45000
3000
potrafimy stworzyć obwody o odpowiednich mocach obliczeniowych,
01:13
but we can't actuallytak właściwie put them togetherRazem to make something
14
48000
3000
ale nie możemy jeszcze połączyć ich w funkcjonującą całość,
01:16
that will actuallytak właściwie work and be as adaptiveadaptacyjny as these systemssystemy.
15
51000
5000
posiadającą aż tak rozwinięte zdolności adaptacyjne jak te systemy ze zdjęcia.
01:21
So let's try to look at it from a differentróżne perspectiveperspektywiczny.
16
56000
2000
Więc poruszmy tą kwestię z innej perspektywy.
01:23
Let's summonwezwać the bestNajlepiej designerprojektant, the mothermama of all designersprojektanci.
17
58000
4000
Wezwijmy w tym celu najlepszego projektanta, ojca wszystkich projektantów -
01:27
Let's see what evolutionewolucja can do for us.
18
62000
3000
zastanówmy się co ewolucja może nam zaproponować.
01:30
So we threwrzucił in -- we createdstworzony a primordialpierwotny soupzupa
19
65000
4000
Tak więc zmieszaliśmy ze sobą - tworząc pierwotną zupę -
01:34
with lots of piecessztuk of robotsroboty -- with barsbary, with motorssilniki, with neuronsneurony.
20
69000
4000
wiele podzespołów robota: szkielety, napędy, neurony.
01:38
Put them all togetherRazem, and put all this underpod kinduprzejmy of naturalnaturalny selectionwybór,
21
73000
4000
Połączyliśmy je i poddaliśmy całość procesowi naturalnej selekcji,
01:42
underpod mutationMutacja, and rewardednagrodzone things for how well they can moveruszaj się forwardNaprzód.
22
77000
4000
nagradzając je w zależności od wykształcenia umiejętności posuwania się do przodu.
01:46
A very simpleprosty taskzadanie, and it's interestingciekawy to see what kinduprzejmy of things cameoprawa ołowiana witrażu out of that.
23
81000
6000
Pomimo prostoty tego zadania, interesującym było zapoznanie się z jego wynikami.
01:52
So if you look, you can see a lot of differentróżne machinesmaszyny
24
87000
3000
Widać wiele różnych urządzeń, które powstały wskutek
01:55
come out of this. They all moveruszaj się around.
25
90000
2000
tego doświadczenia. Wszystkie poruszają się wkoło,
01:57
They all crawlczołgać się in differentróżne wayssposoby, and you can see on the right,
26
92000
4000
pełzają w różny sposób. Po prawej stronie można zobaczyć,
02:01
that we actuallytak właściwie madezrobiony a couplepara of these things,
27
96000
2000
że kilka z nich skonstruowaliśmy i działają one w świecie rzeczywistym.
02:03
and they work in realityrzeczywistość. These are not very fantasticfantastyczny robotsroboty,
28
98000
3000
Nie są to może fantastyczne roboty,
02:06
but they evolvedewoluował to do exactlydokładnie what we rewardnagroda them for:
29
101000
4000
ale wyewoluowały one, by robić dokładnie to, za co były nagradzane -
02:10
for movingw ruchu forwardNaprzód. So that was all doneGotowe in simulationsymulacja,
30
105000
3000
poruszać się do przodu. Była to symulacja, ale podobne
02:13
but we can alsorównież do that on a realreal machinemaszyna.
31
108000
2000
doświadczenia można przeprowadzać z prawdziwymi urządzeniami.
02:15
Here'sTutaj jest a physicalfizyczny robotrobot that we actuallytak właściwie
32
110000
5000
Oto konkretny robot
02:20
have a populationpopulacja of brainsmózg,
33
115000
3000
posiadający zbiór mózgów,
02:23
competingkonkurowanie, or evolvingewoluować on the machinemaszyna.
34
118000
2000
które rywalizują czy też ewoluują.
02:25
It's like a rodeorodeo showpokazać. They all get a ridejazda on the machinemaszyna,
35
120000
3000
To coś w rodzaju rodea - każdy z mózgów dostaje maszynę do "pojeżdżenia"
02:28
and they get rewardednagrodzone for how fastszybki or how fardaleko
36
123000
3000
i jest wynagradzany za przebyty dystans lub za szybkość,
02:31
they can make the machinemaszyna moveruszaj się forwardNaprzód.
37
126000
2000
z jaką potrafi posuwać maszynę do przodu.
02:33
And you can see these robotsroboty are not readygotowy
38
128000
2000
Jak widzimy, te roboty nie są jeszcze gotowe,
02:35
to take over the worldświat yetjeszcze, but
39
130000
3000
by zapanować nad światem,
02:38
they graduallystopniowo learnuczyć się how to moveruszaj się forwardNaprzód,
40
133000
2000
ale stopniowo uczą poruszać się do przodu
02:40
and they do this autonomouslyautonomicznie.
41
135000
3000
i czynią to samodzielnie.
02:43
So in these two examplesprzykłady, we had basicallygruntownie
42
138000
4000
W tych dwóch przykładach mieliśmy w zasadzie do czynienia
02:47
machinesmaszyny that learnednauczyli how to walkspacerować in simulationsymulacja,
43
142000
3000
z urządzeniami, które nauczyły się przemieszczać się
02:50
and alsorównież machinesmaszyny that learnednauczyli how to walkspacerować in realityrzeczywistość.
44
145000
2000
w rzeczywistości wirtualnej i w świecie rzeczywistym.
02:52
But I want to showpokazać you a differentróżne approachpodejście,
45
147000
2000
Ale chciałbym również przedstawić inne podejście -
02:54
and this is this robotrobot over here, whichktóry has fourcztery legsnogi.
46
149000
6000
oto robot posiadający cztery nogi, osiem napędów:
03:00
It has eightosiem motorssilniki, fourcztery on the kneeskolana and fourcztery on the hipcześć p.
47
155000
2000
cztery w kolanach i cztery w biodrach.
03:02
It has alsorównież two tiltprzechylenie sensorsczujniki that tell the machinemaszyna
48
157000
3000
Posiada on również dwa czujniki, informujące o stopniu
03:05
whichktóry way it's tiltingPrzechylanie.
49
160000
3000
i kierunku nachylenia.
03:08
But this machinemaszyna doesn't know what it lookswygląda like.
50
163000
2000
Ale to urządzenie jest nieświadome swojej budowy.
03:10
You look at it and you see it has fourcztery legsnogi,
51
165000
2000
Przyjrzawszy mu się, widzimy, że urządzenie to ma cztery nogi, lecz samo
03:12
the machinemaszyna doesn't know if it's a snakewąż, if it's a treedrzewo,
52
167000
2000
nie wie czy jest wężem, czy może drzewem, nie ma zielonego
03:14
it doesn't have any ideapomysł what it lookswygląda like,
53
169000
3000
pojęcia na temat swojej budowy, ale
03:17
but it's going to try to find that out.
54
172000
2000
zamierza spróbować to rozpracować.
03:19
InitiallyPoczątkowo, it does some randomlosowy motionruch,
55
174000
2000
Początkowo wykonuje przypadkowe ruchy,
03:21
and then it triespróbuje to figurepostać out what it mightmoc look like.
56
176000
3000
by następnie spróbować pojąć jaka może być jego budowa -
03:24
And you're seeingwidzenie a lot of things passingprzechodzący throughprzez its mindsumysły,
57
179000
2000
wiele myśli przebiega wówczas przez jego umysł,
03:26
a lot of self-modelswłasny modele that try to explainwyjaśniać the relationshipzwiązek
58
181000
4000
wiele modeli 'ja' próbuje wyjaśnić związek
03:30
betweenpomiędzy actuationuruchomienie and sensingwyczuwając. It then triespróbuje to do
59
185000
3000
pomiędzy działaniem a odczuwaniem. Następnym krokiem
03:33
a seconddruga actionczynność that createstworzy the mostwiększość disagreementnieporozumienia
60
188000
4000
jest odrzucenie - jakby to uczynił naukowiec - modeli
03:37
amongpośród predictionsprognozy of these alternativealternatywny modelsmodele,
61
192000
2000
których przewidywania najbardziej odbiegają od rzeczywistości.
03:39
like a scientistnaukowiec in a lablaboratorium. Then it does that
62
194000
2000
W ten sposób pozostają jedynie
03:41
and triespróbuje to explainwyjaśniać that, and pruneśliw out its self-modelswłasny modele.
63
196000
4000
najbardziej trafne modele.
03:45
This is the last cyclecykl, and you can see it's prettyładny much
64
200000
3000
To jest ostatni etap i jak widać, robot mniej więcej
03:48
figuredwzorzysty out what its selfsamego siebie lookswygląda like. And oncepewnego razu it has a self-modelwłasny model,
65
203000
4000
rozpracował, jaka jest jego budowa i gdy posiada już model 'ja', jest w stanie
03:52
it can use that to deriveczerpać a patternwzór of locomotionporuszanie się.
66
207000
4000
wykorzystać go do stworzenia schematu poruszania się.
03:56
So what you're seeingwidzenie here are a couplepara of machinesmaszyny --
67
211000
2000
Widzimy tu zatem kilka maszyn tworzących
03:58
a patternwzór of locomotionporuszanie się.
68
213000
2000
schemat poruszania się.
04:00
We were hopingmieć nadzieję that it wassWass going to have a kinduprzejmy of evilzło, spiderypajęczych walkspacerować,
69
215000
4000
Mieliśmy nadzieję, że będzie to złowrogi, pajęczy chód,
04:04
but insteadzamiast it createdstworzony this prettyładny lamekulawy way of movingw ruchu forwardNaprzód.
70
219000
4000
jednakże powstał ten nieco koślawy sposób przemieszczania się do przodu.
04:08
But when you look at that, you have to rememberZapamiętaj
71
223000
3000
Ale trzeba przy tym pamiętać,
04:11
that this machinemaszyna did not do any physicalfizyczny trialspróby on how to moveruszaj się forwardNaprzód,
72
226000
6000
że to urządzenie nie przeprowadzało żadnych prób poruszania się,
04:17
norani did it have a modelModel of itselfsamo.
73
232000
2000
ani nie miało pojęcia o swojej budowie.
04:19
It kinduprzejmy of figuredwzorzysty out what it lookswygląda like, and how to moveruszaj się forwardNaprzód,
74
234000
3000
Samo wywnioskowało, jak jest zbudowane i jak ma się poruszać do przodu,
04:22
and then actuallytak właściwie triedwypróbowany that out.
75
237000
4000
by następnie to wypróbować.
04:26
(ApplauseAplauz)
76
241000
5000
(oklaski)
04:31
So, we'lldobrze moveruszaj się forwardNaprzód to a differentróżne ideapomysł.
77
246000
4000
Tak więc przejdźmy do innej koncepcji.
04:35
So that was what happenedstało się when we had a couplepara of --
78
250000
5000
Wcześniejszy przykład...
04:40
that's what happenedstało się when you had a couplepara of -- OK, OK, OK --
79
255000
4000
Wcześniejszy przykład... Spokojnie, spokojnie...
04:44
(LaughterŚmiech)
80
259000
2000
(śmiech)
04:46
-- they don't like eachkażdy other. So
81
261000
2000
Nie przepadają za sobą.
04:48
there's a differentróżne robotrobot.
82
263000
3000
Oto inny robot.
04:51
That's what happenedstało się when the robotsroboty actuallytak właściwie
83
266000
2000
Wcześniejszy przykład ilustrował zachowanie robotów,
04:53
are rewardednagrodzone for doing something.
84
268000
2000
które były nagradzane za robienie czegoś.
04:55
What happensdzieje się if you don't rewardnagroda them for anything, you just throwrzucać them in?
85
270000
3000
Co dzieje się zatem, jeżeli nie otrzymują one żadnej nagrody?
04:58
So we have these cubeskostki, like the diagramdiagram showedpokazał here.
86
273000
3000
Diagram przedstawia sześciany,
05:01
The cubesześcian can swivelobrotowe, or fliptrzepnięcie on its sidebok,
87
276000
2000
które potrafią się obracać i przekręcać.
05:04
and we just throwrzucać 1,000 of these cubeskostki into a soupzupa --
88
279000
4000
Przeprowadziliśmy symulację: z tysiąca takich sześcianów
05:08
this is in simulationsymulacja --and--i don't rewardnagroda them for anything,
89
283000
2000
stworzyliśmy zupę, nie nagradzając ich za nic,po prostu
05:10
we just let them fliptrzepnięcie. We pumppompa energyenergia into this
90
285000
3000
pozwoliliśmy im się obracać. Wpomowaliśmy w to energię, by
05:13
and see what happensdzieje się in a couplepara of mutationsmutacje.
91
288000
3000
zaobserwować, co stanie się po kilku mutacjach.
05:16
So, initiallypoczątkowo nothing happensdzieje się, they're just flippingrzut around there.
92
291000
3000
Początkowo nic się nie dzieje, sześciany po prostu się obracają,
05:19
But after a very shortkrótki while, you can see these blueniebieski things
93
294000
4000
lecz po krótkiej chwili można zaobserwować, że sześciany
05:23
on the right there beginzaczynać to take over.
94
298000
2000
koloru niebieskiego zaczynają dominować.
05:25
They beginzaczynać to self-replicatewłasny replikacji. So in absencebrak of any rewardnagroda,
95
300000
4000
Zaczynają się samo-replikować. Zatem, gdy nie ma żadnej nagrody
05:29
the intrinsicwewnętrzne rewardnagroda is self-replicationautoreplikacja.
96
304000
3000
wewnętrzną nagrodą jest samo-replikacja.
05:32
And we'vemamy actuallytak właściwie builtwybudowany a couplepara of these,
97
307000
1000
Stworzyliśmy kilka egzemplarzy tego sześcianu,
05:33
and this is partczęść of a largerwiększy robotrobot madezrobiony out of these cubeskostki.
98
308000
4000
a to jest jedynie fragment robota z nich złożonego.
05:37
It's an acceleratedprzyśpieszony viewwidok, where you can see the robotrobot actuallytak właściwie
99
312000
3000
Na przyśpieszonym filmiku można zobaczyć, że robot
05:40
carryingNiosąc out some of its replicationreplikacja processproces.
100
315000
2000
faktycznie przeprowadza w pewnym zakresie proces swojej replikacji.
05:42
So you're feedingkarmienie it with more materialmateriał -- cubeskostki in this casewalizka --
101
317000
4000
Gdy dostarczymy mu więcej budulca - w tym przypadku sześcianów -
05:46
and more energyenergia, and it can make anotherinne robotrobot.
102
321000
3000
i więcej energii, będzie on mógł stworzyć innego robota.
05:49
So of coursekurs, this is a very crudesurowy machinemaszyna,
103
324000
3000
To jest bardzo prymitywne urządzenie,
05:52
but we're workingpracujący on a micro-scaleskali mikro versionwersja of these,
104
327000
2000
ale obecnie toczą się prace nad wersją w skali mikro
05:54
and hopefullyufnie the cubeskostki will be like a powderproszek that you pourwlać in.
105
329000
3000
i mamy nadzieję, że sześciany będą jak sypki proszek.
05:57
OK, so what can we learnuczyć się? These robotsroboty are of coursekurs
106
332000
5000
Czego nas to uczy? Te roboty, same w sobie, z pewnością
06:02
not very usefulprzydatny in themselvessami, but they mightmoc teachnauczać us something
107
337000
3000
nie są zbyt użyteczne, ale mogą nas nauczyć, jak budować ich lepsze
06:05
about how we can buildbudować better robotsroboty,
108
340000
3000
wersje, a może nawet, jak ludzie i zwierzęta
06:08
and perhapsmoże how humansludzie, animalszwierzęta, createStwórz self-modelswłasny modele and learnuczyć się.
109
343000
5000
tworzą modele 'ja' i się uczą.
06:13
And one of the things that I think is importantważny
110
348000
2000
Jedną z rzeczy, którą uważam za istotną,
06:15
is that we have to get away from this ideapomysł
111
350000
2000
jest kwestia porzucenia koncepcji
06:17
of designingprojektowanie the machinesmaszyny manuallyręcznie,
112
352000
2000
manualnego projektowania tych maszyn
06:19
but actuallytak właściwie let them evolveewoluować and learnuczyć się, like childrendzieci,
113
354000
3000
na rzecz umożliwienia im ewoluowania i uczenia się jak dzieci.
06:22
and perhapsmoże that's the way we'lldobrze get there. Thank you.
114
357000
2000
Być może w ten sposób uda się nam to osiągnąć. Dziękuję.
06:24
(ApplauseAplauz)
115
359000
2000
(oklaski)
Translated by Artur Grzesiak
Reviewed by Jacek Malewski

▲Back to top

ABOUT THE SPEAKER
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.

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.

More profile about the speaker
Hod Lipson | Speaker | TED.com