TED2007
Hod Lipson: Building "self-aware" robots
Ход Липсон создаёт осознающих себя роботов.
Filmed:
Readability: 3.1
1,460,460 views
Ход Липсон показывает несколько классных маленьких роботов, способных учиться, понимать себя и даже размножаться.
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
А где же роботы?
00:27
We've been told for 40 years already that they're coming soon.
1
2000
3000
В течении 40 лет нам твердили, что они скоро появятся.
00:30
Very soon they'll be doing everything for us.
2
5000
3000
Совсем скоро они будут делать за нас всё:
00:33
They'll be cooking, cleaning, buying things, shopping, building. But they aren't here.
3
8000
5000
готовить, убирать, делать покупки, строить. Но их здесь нет.
00:38
Meanwhile, we have illegal immigrants doing all the work,
4
13000
4000
Пока всё делают нелегальные мигранты,
00:42
but we don't have any robots.
5
17000
2000
а у нас нет никаких роботов.
00:44
So what can we do about that? What can we say?
6
19000
4000
Что же мы можем с этим сделать? Что можем сказать?
00:48
So I want to give a little bit of a different perspective
7
23000
4000
Я хочу показать,
00:52
of how we can perhaps look at these things in a little bit of a different way.
8
27000
6000
как мы можем посмотреть на эти вещи немного иначе.
00:58
And this is an x-ray picture
9
33000
2000
Это рентгеновский снимок
01:00
of a real beetle, and a Swiss watch, back from '88. You look at that --
10
35000
5000
настоящего жука и швейцарских часов 88-ого года. Посмотрите на это -
01:05
what was true then is certainly true today.
11
40000
2000
всё, что было верно тогда - верно и теперь.
01:07
We can still make the pieces. We can make the right pieces.
12
42000
3000
Мы по-прежнему можем делать части, делать правильные части,
01:10
We can make the circuitry of the right computational power,
13
45000
3000
можем сделать схему необходимой вычислительной мощности,
01:13
but we can't actually put them together to make something
14
48000
3000
но мы не может соединить их вместе, чтобы сделать что-нибудь, что
01:16
that will actually work and be as adaptive as these systems.
15
51000
5000
работало бы и адаптировалось подобно этим системам.
01:21
So let's try to look at it from a different perspective.
16
56000
2000
Поэтому давайте посмотрим на это с другой точки зрения.
01:23
Let's summon the best designer, the mother of all designers.
17
58000
4000
Давайте призовем на помощь самого лучшего дизайнера, мать всех дизайнеров:
01:27
Let's see what evolution can do for us.
18
62000
3000
Давайте посмотрим, что может сделать для нас эволюция
01:30
So we threw in -- we created a primordial soup
19
65000
4000
Итак, начали - мы создали первичный бульон
01:34
with lots of pieces of robots -- with bars, with motors, with neurons.
20
69000
4000
с множеством частей роботов: планками, моторами, нейронами.
01:38
Put them all together, and put all this under kind of natural selection,
21
73000
4000
Поместим всё это в условия естественного отбора,
01:42
under mutation, and rewarded things for how well they can move forward.
22
77000
4000
мутации и наград, в зависимости от того, как хорошо они могут двигаться вперёд.
01:46
A very simple task, and it's interesting to see what kind of things came out of that.
23
81000
6000
Очень простое задание, и интересно посмотреть, что же из этого получится.
01:52
So if you look, you can see a lot of different machines
24
87000
3000
Если вы взгляните, то увидите что получилось множество
01:55
come out of this. They all move around.
25
90000
2000
разных машин. Они двигаются,
01:57
They all crawl in different ways, and you can see on the right,
26
92000
4000
ползают в разные стороны, и справа видно,
02:01
that we actually made a couple of these things,
27
96000
2000
что мы на самом деле создали несколько из этих роботов
02:03
and they work in reality. These are not very fantastic robots,
28
98000
3000
и они на самом деле работают. Эти роботы не самые
02:06
but they evolved to do exactly what we reward them for:
29
101000
4000
но они эволюционировали таким образом, что они исполняют именно то, за что мы им даем вознаграждение:
02:10
for moving forward. So that was all done in simulation,
30
105000
3000
способность двигаться вперед. Это все было проделано в условиях симуляции,
02:13
but we can also do that on a real machine.
31
108000
2000
но мы можем проделать это и с реальным роботом.
02:15
Here's a physical robot that we actually
32
110000
5000
вот существующий робот
02:20
have a population of brains,
33
115000
3000
с несколькими мозгами,
02:23
competing, or evolving on the machine.
34
118000
2000
которые соревнуются, или эволюционируют внутри машины.
02:25
It's like a rodeo show. They all get a ride on the machine,
35
120000
3000
Похоже на родео - они все пытаются укротить робота,
02:28
and they get rewarded for how fast or how far
36
123000
3000
и они получают вознаграждение в соответствии с тем, как быстро или как далеко
02:31
they can make the machine move forward.
37
126000
2000
они способны заставить робота двигаться вперед.
02:33
And you can see these robots are not ready
38
128000
2000
И вы видите, что эти роботы
02:35
to take over the world yet, but
39
130000
3000
пока еще не готовы завладеть миром, но
02:38
they gradually learn how to move forward,
40
133000
2000
они постепенно учатся, как двигаться вперед,
02:40
and they do this autonomously.
41
135000
3000
и они это делают автономно.
02:43
So in these two examples, we had basically
42
138000
4000
Итак, эти два примера показали нам
02:47
machines that learned how to walk in simulation,
43
142000
3000
роботов, которые учатся передвигаться в условиях симуляции,
02:50
and also machines that learned how to walk in reality.
44
145000
2000
и роботов, которые учатся передвигаться в реальности.
02:52
But I want to show you a different approach,
45
147000
2000
Но я хочу вам показать другой подход.
02:54
and this is this robot over here, which has four legs.
46
149000
6000
Вот робот с четырьмя ногами
03:00
It has eight motors, four on the knees and four on the hip.
47
155000
2000
и восьмью моторчиками - четыре из которых в "коленях" и четыре на "бедрах".
03:02
It has also two tilt sensors that tell the machine
48
157000
3000
У него также есть 2 сенсорных датчика, сообщающие машине,
03:05
which way it's tilting.
49
160000
3000
куда она отклоняется.
03:08
But this machine doesn't know what it looks like.
50
163000
2000
Но эта машина понятия не имеет, как она выглядит.
03:10
You look at it and you see it has four legs,
51
165000
2000
Вы смотрите на нее и видите, что у нее есть четыре ноги,
03:12
the machine doesn't know if it's a snake, if it's a tree,
52
167000
2000
сама же машина не знает, змея она или дерево,
03:14
it doesn't have any idea what it looks like,
53
169000
3000
Она не имеет абсолютно никакого понятия о том, как она выглядит,
03:17
but it's going to try to find that out.
54
172000
2000
но она это попытается выяснить.
03:19
Initially, it does some random motion,
55
174000
2000
Вначале она делает произвольные движения,
03:21
and then it tries to figure out what it might look like.
56
176000
3000
и затем пытается выяснить, как она могла бы выглядеть.
03:24
And you're seeing a lot of things passing through its minds,
57
179000
2000
Как видно, у неё в голове рождается множество идей,
03:26
a lot of self-models that try to explain the relationship
58
181000
4000
множество моделей, которые пытаются объяснить связь
03:30
between actuation and sensing. It then tries to do
59
185000
3000
между посылаемыми сигналами и ощущениями -- а затем она пытается произвести
03:33
a second action that creates the most disagreement
60
188000
4000
следующее действие, которое создаёт наибольшее противоречие
03:37
among predictions of these alternative models,
61
192000
2000
между прогнозами этих альтернативных моделей.
03:39
like a scientist in a lab. Then it does that
62
194000
2000
Прямо как ученый в лаборатории. После этого робот
03:41
and tries to explain that, and prune out its self-models.
63
196000
4000
пытается это объяснить, и изменить модели себя.
03:45
This is the last cycle, and you can see it's pretty much
64
200000
3000
Это последний цикл, и как вы видите, роботу вполне точно
03:48
figured out what its self looks like. And once it has a self-model,
65
203000
4000
удалось выяснить, как он выглядит, и как только у него есть модель самого себя,
03:52
it can use that to derive a pattern of locomotion.
66
207000
4000
он может ее использовать для выяснения способов передвижения.
03:56
So what you're seeing here are a couple of machines --
67
211000
2000
Итак, вы видите здесь двух роботов --
03:58
a pattern of locomotion.
68
213000
2000
точнее два способа передвижения.
04:00
We were hoping that it wass going to have a kind of evil, spidery walk,
69
215000
4000
Мы надеялись, что его походка будет напоминать злобного паука,
04:04
but instead it created this pretty lame way of moving forward.
70
219000
4000
но вместо этого, он нашел достаточно хромой способ передвижения.
04:08
But when you look at that, you have to remember
71
223000
3000
Но если вы видите это, вы должны помнить, что
04:11
that this machine did not do any physical trials on how to move forward,
72
226000
6000
эта машина не делала никаких физических упражнений на движение вперёд,
04:17
nor did it have a model of itself.
73
232000
2000
и у неё не было представления о собственном устройстве.
04:19
It kind of figured out what it looks like, and how to move forward,
74
234000
3000
Она сама догадалась, как она выглядит и как двигаться вперёд,
04:22
and then actually tried that out.
75
237000
4000
а затем на самом деле попробовала это сделать.
04:26
(Applause)
76
241000
5000
(Аплодисменты)
04:31
So, we'll move forward to a different idea.
77
246000
4000
Давайте перейдём к следующей идее.
04:35
So that was what happened when we had a couple of --
78
250000
5000
Вот что происходит, когда у вас есть два --
04:40
that's what happened when you had a couple of -- OK, OK, OK --
79
255000
4000
вот что происходит, когда у вас есть два -- Ok, Ok, Ok --
04:44
(Laughter)
80
259000
2000
(Смех)
04:46
-- they don't like each other. So
81
261000
2000
-- они друг друг не нравятся. Итак,
04:48
there's a different robot.
82
263000
3000
Вот другой робот.
04:51
That's what happened when the robots actually
83
266000
2000
Вот что происходит, когда роботы
04:53
are rewarded for doing something.
84
268000
2000
награждаются за выполнение каких-то действий.
04:55
What happens if you don't reward them for anything, you just throw them in?
85
270000
3000
А что случается, если вы никак их не стимулируете их, а просто оставляете их самим себе?
04:58
So we have these cubes, like the diagram showed here.
86
273000
3000
Изначально у нас есть кубики, как на этой диаграмме.
05:01
The cube can swivel, or flip on its side,
87
276000
2000
Кубик может скручиваться, поворачиваться на одной из сторон,
05:04
and we just throw 1,000 of these cubes into a soup --
88
279000
4000
и мы просто смешали 1000 таких кубиков "в суп" --
05:08
this is in simulation --and don't reward them for anything,
89
283000
2000
Это симуляция -- и мы никак их не стимулировали,
05:10
we just let them flip. We pump energy into this
90
285000
3000
просто оставили их сгибаться. Мы подключили энергию
05:13
and see what happens in a couple of mutations.
91
288000
3000
и начали смотреть, что произойдёт через пару мутаций.
05:16
So, initially nothing happens, they're just flipping around there.
92
291000
3000
Вначале, ничего не происходило, они просто сгибались где-то здесь.
05:19
But after a very short while, you can see these blue things
93
294000
4000
Но вскоре, как видите, эти синие штуки
05:23
on the right there begin to take over.
94
298000
2000
справа стали доминировать.
05:25
They begin to self-replicate. So in absence of any reward,
95
300000
4000
Они стали размножаться. Т.е. в отсутствии каких-либо стимулов,
05:29
the intrinsic reward is self-replication.
96
304000
3000
внутренней мотивацией является размножение.
05:32
And we've actually built a couple of these,
97
307000
1000
Мы сделали пару таких роботов,
05:33
and this is part of a larger robot made out of these cubes.
98
308000
4000
и это часть большого робота, сделанного из таких кубиков,
05:37
It's an accelerated view, where you can see the robot actually
99
312000
3000
в ускоренной съёмке, где вы можете наблюдать
05:40
carrying out some of its replication process.
100
315000
2000
робота, занятого процессом размножения.
05:42
So you're feeding it with more material -- cubes in this case --
101
317000
4000
Вы скармливаете ему больше материала -- кубиков в данном случае --
05:46
and more energy, and it can make another robot.
102
321000
3000
и больше энергии, и он делает другого робота.
05:49
So of course, this is a very crude machine,
103
324000
3000
Конечно, это очень грубая машина,
05:52
but we're working on a micro-scale version of these,
104
327000
2000
но мы работаем надо более миниатюрными версиями
05:54
and hopefully the cubes will be like a powder that you pour in.
105
329000
3000
и, надеюсь, кубики засыпаться, как порошок.
05:57
OK, so what can we learn? These robots are of course
106
332000
5000
Итак, что мы узнали? Эти роботы, естественно,
06:02
not very useful in themselves, but they might teach us something
107
337000
3000
не очень полезны сами по себе, но они могут научить нас кое-чему о том,
06:05
about how we can build better robots,
108
340000
3000
как мы можем делать лучших роботов,
06:08
and perhaps how humans, animals, create self-models and learn.
109
343000
5000
и, возможно, как люди и животные создают модели себя и учатся.
06:13
And one of the things that I think is important
110
348000
2000
Во всём этом, как мне кажется, важно то,
06:15
is that we have to get away from this idea
111
350000
2000
что нам надо отвлечься от идеи
06:17
of designing the machines manually,
112
352000
2000
конструирования роботов вручную
06:19
but actually let them evolve and learn, like children,
113
354000
3000
а наоборот, дать им возможность развиваться и учиться, как детям;
06:22
and perhaps that's the way we'll get there. Thank you.
114
357000
2000
и пожалуй, именно таким путем мы этого добьёмся. Спасибо.
06:24
(Applause)
115
359000
2000
(Аплодисменты)
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