TED2007
Hod Lipson: Building "self-aware" robots
Hod Lipson tworzy 'samoświadome' roboty
Filmed:
Readability: 3.1
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.
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
Gdzie są te roboty?
00:27
We've been told for 40 years already that they're coming soon.
1
2000
3000
Od 40 lat wmawia się nam, że ich nadejście jest blisko.
00:30
Very soon they'll be doing everything for us.
2
5000
3000
Niebawem będą one wykonywać wszystko za nas:
00:33
They'll be cooking, cleaning, buying things, shopping, building. But they aren't here.
3
8000
5000
gotować, sprzątać, robić zakupy, budować. Ale przecież ich nie ma.
00:38
Meanwhile, we have illegal immigrants doing all the work,
4
13000
4000
W międzyczasie prace te wykonują nielegalni imigranci,
00:42
but we don't have any robots.
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 bit of a different perspective
7
23000
4000
Chciałbym nakreślić nieco odmienną perspektywę,
00:52
of how we can perhaps look at these things in a little bit of a different way.
8
27000
6000
spojrzeć na tę kwestię pod trochę innym kątem.
00:58
And this is an x-ray picture
9
33000
2000
Oto zdjęcie rentgenowskie z '88 roku
01:00
of a real beetle, and a Swiss watch, back from '88. You look at that --
10
35000
5000
przedstawiające żuka i szwajcarski zegarek.
01:05
what was true then is certainly true today.
11
40000
2000
Co było wówczas prawdą jest nią i dziś.
01:07
We can still make the pieces. We can make the right pieces.
12
42000
3000
Potrafimy wytworzyć właściwe części,
01:10
We can make the circuitry of the right computational power,
13
45000
3000
potrafimy stworzyć obwody o odpowiednich mocach obliczeniowych,
01:13
but we can't actually put them together to make something
14
48000
3000
ale nie możemy jeszcze połączyć ich w funkcjonującą całość,
01:16
that will actually work and be as adaptive as these systems.
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 different perspective.
16
56000
2000
Więc poruszmy tą kwestię z innej perspektywy.
01:23
Let's summon the best designer, the mother of all designers.
17
58000
4000
Wezwijmy w tym celu najlepszego projektanta, ojca wszystkich projektantów -
01:27
Let's see what evolution can do for us.
18
62000
3000
zastanówmy się co ewolucja może nam zaproponować.
01:30
So we threw in -- we created a primordial soup
19
65000
4000
Tak więc zmieszaliśmy ze sobą - tworząc pierwotną zupę -
01:34
with lots of pieces of robots -- with bars, with motors, with neurons.
20
69000
4000
wiele podzespołów robota: szkielety, napędy, neurony.
01:38
Put them all together, and put all this under kind of natural selection,
21
73000
4000
Połączyliśmy je i poddaliśmy całość procesowi naturalnej selekcji,
01:42
under mutation, and rewarded things for how well they can move forward.
22
77000
4000
nagradzając je w zależności od wykształcenia umiejętności posuwania się do przodu.
01:46
A very simple task, and it's interesting to see what kind of things came 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 different machines
24
87000
3000
Widać wiele różnych urządzeń, które powstały wskutek
01:55
come out of this. They all move around.
25
90000
2000
tego doświadczenia. Wszystkie poruszają się wkoło,
01:57
They all crawl in different ways, and you can see on the right,
26
92000
4000
pełzają w różny sposób. Po prawej stronie można zobaczyć,
02:01
that we actually made a couple of these things,
27
96000
2000
że kilka z nich skonstruowaliśmy i działają one w świecie rzeczywistym.
02:03
and they work in reality. These are not very fantastic robots,
28
98000
3000
Nie są to może fantastyczne roboty,
02:06
but they evolved to do exactly what we reward them for:
29
101000
4000
ale wyewoluowały one, by robić dokładnie to, za co były nagradzane -
02:10
for moving forward. So that was all done in simulation,
30
105000
3000
poruszać się do przodu. Była to symulacja, ale podobne
02:13
but we can also do that on a real machine.
31
108000
2000
doświadczenia można przeprowadzać z prawdziwymi urządzeniami.
02:15
Here's a physical robot that we actually
32
110000
5000
Oto konkretny robot
02:20
have a population of brains,
33
115000
3000
posiadający zbiór mózgów,
02:23
competing, or evolving on the machine.
34
118000
2000
które rywalizują czy też ewoluują.
02:25
It's like a rodeo show. They all get a ride on the machine,
35
120000
3000
To coś w rodzaju rodea - każdy z mózgów dostaje maszynę do "pojeżdżenia"
02:28
and they get rewarded for how fast or how far
36
123000
3000
i jest wynagradzany za przebyty dystans lub za szybkość,
02:31
they can make the machine move forward.
37
126000
2000
z jaką potrafi posuwać maszynę do przodu.
02:33
And you can see these robots are not ready
38
128000
2000
Jak widzimy, te roboty nie są jeszcze gotowe,
02:35
to take over the world yet, but
39
130000
3000
by zapanować nad światem,
02:38
they gradually learn how to move forward,
40
133000
2000
ale stopniowo uczą poruszać się do przodu
02:40
and they do this autonomously.
41
135000
3000
i czynią to samodzielnie.
02:43
So in these two examples, we had basically
42
138000
4000
W tych dwóch przykładach mieliśmy w zasadzie do czynienia
02:47
machines that learned how to walk in simulation,
43
142000
3000
z urządzeniami, które nauczyły się przemieszczać się
02:50
and also machines that learned how to walk in reality.
44
145000
2000
w rzeczywistości wirtualnej i w świecie rzeczywistym.
02:52
But I want to show you a different approach,
45
147000
2000
Ale chciałbym również przedstawić inne podejście -
02:54
and this is this robot over here, which has four legs.
46
149000
6000
oto robot posiadający cztery nogi, osiem napędów:
03:00
It has eight motors, four on the knees and four on the hip.
47
155000
2000
cztery w kolanach i cztery w biodrach.
03:02
It has also two tilt sensors that tell the machine
48
157000
3000
Posiada on również dwa czujniki, informujące o stopniu
03:05
which way it's tilting.
49
160000
3000
i kierunku nachylenia.
03:08
But this machine doesn't know what it looks like.
50
163000
2000
Ale to urządzenie jest nieświadome swojej budowy.
03:10
You look at it and you see it has four legs,
51
165000
2000
Przyjrzawszy mu się, widzimy, że urządzenie to ma cztery nogi, lecz samo
03:12
the machine doesn't know if it's a snake, if it's a tree,
52
167000
2000
nie wie czy jest wężem, czy może drzewem, nie ma zielonego
03:14
it doesn't have any idea what it looks 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
Initially, it does some random motion,
55
174000
2000
Początkowo wykonuje przypadkowe ruchy,
03:21
and then it tries to figure out what it might look like.
56
176000
3000
by następnie spróbować pojąć jaka może być jego budowa -
03:24
And you're seeing a lot of things passing through its minds,
57
179000
2000
wiele myśli przebiega wówczas przez jego umysł,
03:26
a lot of self-models that try to explain the relationship
58
181000
4000
wiele modeli 'ja' próbuje wyjaśnić związek
03:30
between actuation and sensing. It then tries to do
59
185000
3000
pomiędzy działaniem a odczuwaniem. Następnym krokiem
03:33
a second action that creates the most disagreement
60
188000
4000
jest odrzucenie - jakby to uczynił naukowiec - modeli
03:37
among predictions of these alternative models,
61
192000
2000
których przewidywania najbardziej odbiegają od rzeczywistości.
03:39
like a scientist in a lab. Then it does that
62
194000
2000
W ten sposób pozostają jedynie
03:41
and tries to explain that, and prune out its self-models.
63
196000
4000
najbardziej trafne modele.
03:45
This is the last cycle, and you can see it's pretty much
64
200000
3000
To jest ostatni etap i jak widać, robot mniej więcej
03:48
figured out what its self looks like. And once it has a self-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 derive a pattern of locomotion.
66
207000
4000
wykorzystać go do stworzenia schematu poruszania się.
03:56
So what you're seeing here are a couple of machines --
67
211000
2000
Widzimy tu zatem kilka maszyn tworzących
03:58
a pattern of locomotion.
68
213000
2000
schemat poruszania się.
04:00
We were hoping that it wass going to have a kind of evil, spidery walk,
69
215000
4000
Mieliśmy nadzieję, że będzie to złowrogi, pajęczy chód,
04:04
but instead it created this pretty lame way of moving forward.
70
219000
4000
jednakże powstał ten nieco koślawy sposób przemieszczania się do przodu.
04:08
But when you look at that, you have to remember
71
223000
3000
Ale trzeba przy tym pamiętać,
04:11
that this machine did not do any physical trials on how to move forward,
72
226000
6000
że to urządzenie nie przeprowadzało żadnych prób poruszania się,
04:17
nor did it have a model of itself.
73
232000
2000
ani nie miało pojęcia o swojej budowie.
04:19
It kind of figured out what it looks like, and how to move forward,
74
234000
3000
Samo wywnioskowało, jak jest zbudowane i jak ma się poruszać do przodu,
04:22
and then actually tried that out.
75
237000
4000
by następnie to wypróbować.
04:26
(Applause)
76
241000
5000
(oklaski)
04:31
So, we'll move forward to a different idea.
77
246000
4000
Tak więc przejdźmy do innej koncepcji.
04:35
So that was what happened when we had a couple of --
78
250000
5000
Wcześniejszy przykład...
04:40
that's what happened when you had a couple of -- OK, OK, OK --
79
255000
4000
Wcześniejszy przykład... Spokojnie, spokojnie...
04:44
(Laughter)
80
259000
2000
(śmiech)
04:46
-- they don't like each other. So
81
261000
2000
Nie przepadają za sobą.
04:48
there's a different robot.
82
263000
3000
Oto inny robot.
04:51
That's what happened when the robots actually
83
266000
2000
Wcześniejszy przykład ilustrował zachowanie robotów,
04:53
are rewarded for doing something.
84
268000
2000
które były nagradzane za robienie czegoś.
04:55
What happens if you don't reward them for anything, you just throw them in?
85
270000
3000
Co dzieje się zatem, jeżeli nie otrzymują one żadnej nagrody?
04:58
So we have these cubes, like the diagram showed here.
86
273000
3000
Diagram przedstawia sześciany,
05:01
The cube can swivel, or flip on its side,
87
276000
2000
które potrafią się obracać i przekręcać.
05:04
and we just throw 1,000 of these cubes into a soup --
88
279000
4000
Przeprowadziliśmy symulację: z tysiąca takich sześcianów
05:08
this is in simulation --and don't reward them for anything,
89
283000
2000
stworzyliśmy zupę, nie nagradzając ich za nic,po prostu
05:10
we just let them flip. We pump energy into this
90
285000
3000
pozwoliliśmy im się obracać. Wpomowaliśmy w to energię, by
05:13
and see what happens in a couple of mutations.
91
288000
3000
zaobserwować, co stanie się po kilku mutacjach.
05:16
So, initially nothing happens, they're just flipping around there.
92
291000
3000
Początkowo nic się nie dzieje, sześciany po prostu się obracają,
05:19
But after a very short while, you can see these blue things
93
294000
4000
lecz po krótkiej chwili można zaobserwować, że sześciany
05:23
on the right there begin to take over.
94
298000
2000
koloru niebieskiego zaczynają dominować.
05:25
They begin to self-replicate. So in absence of any reward,
95
300000
4000
Zaczynają się samo-replikować. Zatem, gdy nie ma żadnej nagrody
05:29
the intrinsic reward is self-replication.
96
304000
3000
wewnętrzną nagrodą jest samo-replikacja.
05:32
And we've actually built a couple of these,
97
307000
1000
Stworzyliśmy kilka egzemplarzy tego sześcianu,
05:33
and this is part of a larger robot made out of these cubes.
98
308000
4000
a to jest jedynie fragment robota z nich złożonego.
05:37
It's an accelerated view, where you can see the robot actually
99
312000
3000
Na przyśpieszonym filmiku można zobaczyć, że robot
05:40
carrying out some of its replication process.
100
315000
2000
faktycznie przeprowadza w pewnym zakresie proces swojej replikacji.
05:42
So you're feeding it with more material -- cubes in this case --
101
317000
4000
Gdy dostarczymy mu więcej budulca - w tym przypadku sześcianów -
05:46
and more energy, and it can make another robot.
102
321000
3000
i więcej energii, będzie on mógł stworzyć innego robota.
05:49
So of course, this is a very crude machine,
103
324000
3000
To jest bardzo prymitywne urządzenie,
05:52
but we're working on a micro-scale version of these,
104
327000
2000
ale obecnie toczą się prace nad wersją w skali mikro
05:54
and hopefully the cubes will be like a powder that you pour in.
105
329000
3000
i mamy nadzieję, że sześciany będą jak sypki proszek.
05:57
OK, so what can we learn? These robots are of course
106
332000
5000
Czego nas to uczy? Te roboty, same w sobie, z pewnością
06:02
not very useful in themselves, but they might teach us something
107
337000
3000
nie są zbyt użyteczne, ale mogą nas nauczyć, jak budować ich lepsze
06:05
about how we can build better robots,
108
340000
3000
wersje, a może nawet, jak ludzie i zwierzęta
06:08
and perhaps how humans, animals, create self-models and learn.
109
343000
5000
tworzą modele 'ja' i się uczą.
06:13
And one of the things that I think is important
110
348000
2000
Jedną z rzeczy, którą uważam za istotną,
06:15
is that we have to get away from this idea
111
350000
2000
jest kwestia porzucenia koncepcji
06:17
of designing the machines manually,
112
352000
2000
manualnego projektowania tych maszyn
06:19
but actually let them evolve and learn, like children,
113
354000
3000
na rzecz umożliwienia im ewoluowania i uczenia się jak dzieci.
06:22
and perhaps that's the way we'll get there. Thank you.
114
357000
2000
Być może w ten sposób uda się nam to osiągnąć. Dziękuję.
06:24
(Applause)
115
359000
2000
(oklaski)
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