Hod Lipson: Robots that are "self-aware"

Hod Lipson construye robots "autoconscientes"

117,286 views ・ 2007-10-13

TED


Haga doble clic en los subtítulos en inglés para reproducir el vídeo.

Traductor: Ajmme Kajros Revisor: Carlo Dezerega
00:25
So, where are the robots?
0
25000
2000
Entonces, ¿dónde están los robots?
00:27
We've been told for 40 years already that they're coming soon.
1
27000
3000
Nos han dicho por 40 años que ya vienen.
00:30
Very soon they'll be doing everything for us.
2
30000
3000
Muy pronto estarán haciendo todo por nosotros:
00:33
They'll be cooking, cleaning, buying things, shopping, building. But they aren't here.
3
33000
5000
cocinarán, limpiarán, comprarán, construirán. Pero aún no están aquí.
00:38
Meanwhile, we have illegal immigrants doing all the work,
4
38000
4000
Mientras tanto tenemos inmigrantes ilegales haciendo todo el trabajo,
00:42
but we don't have any robots.
5
42000
2000
pero no tenemos robots.
00:44
So what can we do about that? What can we say?
6
44000
4000
¿Qué podemos hacer al respecto? ¿Qué podemos decir?
00:48
So I want to give a little bit of a different perspective
7
48000
4000
Quiero compartir un poco de otra perspectiva,
00:52
of how we can perhaps look at these things in a little bit of a different way.
8
52000
6000
de cómo quizás podamos ver estas cosas de forma ligeramente distinta.
00:58
And this is an x-ray picture
9
58000
2000
Y esta es una foto de rayos X
01:00
of a real beetle, and a Swiss watch, back from '88. You look at that --
10
60000
5000
de un escarabajo y un reloj suizo, del año 1988. Viendo eso,
01:05
what was true then is certainly true today.
11
65000
2000
lo que fue cierto entonces es cierto hoy.
01:07
We can still make the pieces. We can make the right pieces.
12
67000
3000
Podemos hacer las piezas y hacerlas correctamente,
01:10
We can make the circuitry of the right computational power,
13
70000
3000
podemos hacer los circuitos para una capacidad de cómputo adecuada,
01:13
but we can't actually put them together to make something
14
73000
3000
pero en la práctica no podemos unirlos para construir algo
01:16
that will actually work and be as adaptive as these systems.
15
76000
5000
que realmente funcione y sea tan adaptable como estos sistemas.
01:21
So let's try to look at it from a different perspective.
16
81000
2000
Así que intentemos verlo desde una perspectiva diferente.
01:23
Let's summon the best designer, the mother of all designers.
17
83000
4000
Llamemos al mejor diseñador, la madre de todos los diseñadores:
01:27
Let's see what evolution can do for us.
18
87000
3000
veamos que puede hacer por nosotros la evolución.
01:30
So we threw in -- we created a primordial soup
19
90000
4000
Entonces mezclamos, creamos una sopa primordial
01:34
with lots of pieces of robots -- with bars, with motors, with neurons.
20
94000
4000
con montones de piezas de robots, con barras, motores, neuronas.
01:38
Put them all together, and put all this under kind of natural selection,
21
98000
4000
Los juntamos todos, pusimos todo eso bajo cierta clase de selección natural,
01:42
under mutation, and rewarded things for how well they can move forward.
22
102000
4000
bajo mutación, y recompensamos la capacidad de avance.
01:46
A very simple task, and it's interesting to see what kind of things came out of that.
23
106000
6000
Una tarea muy simple, y es interesante ver la clase de cosas que surgen de ahí.
01:52
So if you look, you can see a lot of different machines
24
112000
3000
Así que si observan, pueden ver un montón de máquinas diferentes
01:55
come out of this. They all move around.
25
115000
2000
saliendo de esto. Todas se mueven,
01:57
They all crawl in different ways, and you can see on the right,
26
117000
4000
todas ellas se arrastran a su manera y, pueden ver a la derecha
02:01
that we actually made a couple of these things,
27
121000
2000
que efectivamente hemos fabricado un par de estas cosas,
02:03
and they work in reality. These are not very fantastic robots,
28
123000
3000
y funcionan en el mundo real. No son robots muy fantásticos pero
02:06
but they evolved to do exactly what we reward them for:
29
126000
4000
evolucionaron para hacer exactamente aquello por lo que los recompensamos;
02:10
for moving forward. So that was all done in simulation,
30
130000
3000
para moverse hacia adelante. Así que eso fue hecho en simulación
02:13
but we can also do that on a real machine.
31
133000
2000
pero también podemos hacerlo en una máquina de verdad.
02:15
Here's a physical robot that we actually
32
135000
5000
Aquí está un robot físico que de hecho
02:20
have a population of brains,
33
140000
3000
tiene una población de cerebros,
02:23
competing, or evolving on the machine.
34
143000
2000
compitiendo o evolucionando, en la máquina.
02:25
It's like a rodeo show. They all get a ride on the machine,
35
145000
3000
Es como un espectáculo de rodeo: todos se pueden subir a la máquina
02:28
and they get rewarded for how fast or how far
36
148000
3000
y son recompensados por qué tan rápido o qué tan lejos
02:31
they can make the machine move forward.
37
151000
2000
pueden hacer que la máquina avance.
02:33
And you can see these robots are not ready
38
153000
2000
Y pueden ver que esos robots no están listos
02:35
to take over the world yet, but
39
155000
3000
aún para dominar al mundo, pero
02:38
they gradually learn how to move forward,
40
158000
2000
aprenden gradualmente a avanzar
02:40
and they do this autonomously.
41
160000
3000
y hacen esto de forma autónoma.
02:43
So in these two examples, we had basically
42
163000
4000
Así que en esos dos ejemplos, básicamente tenemos
02:47
machines that learned how to walk in simulation,
43
167000
3000
máquinas que aprendieron cómo caminar en una simulación
02:50
and also machines that learned how to walk in reality.
44
170000
2000
y también máquinas que aprendieron cómo caminar en la realidad.
02:52
But I want to show you a different approach,
45
172000
2000
Pero quiero mostrarles un enfoque distinto
02:54
and this is this robot over here, which has four legs.
46
174000
6000
y es este robot de aquí, el cual tiene cuatro patas,
03:00
It has eight motors, four on the knees and four on the hip.
47
180000
2000
tiene ocho motores, cuatro en las rodillas y cuatro en las caderas.
03:02
It has also two tilt sensors that tell the machine
48
182000
3000
Tiene también 2 sensores de inclinación que le dicen a la máquina
03:05
which way it's tilting.
49
185000
3000
por cuál lado se está inclinando.
03:08
But this machine doesn't know what it looks like.
50
188000
2000
Pero esta máquina no sabe cómo es ella misma.
03:10
You look at it and you see it has four legs,
51
190000
2000
Mirándola sabes que tiene cuatro patas
03:12
the machine doesn't know if it's a snake, if it's a tree,
52
192000
2000
pero la máquina no sabe si es una serpiente, un árbol,
03:14
it doesn't have any idea what it looks like,
53
194000
3000
no tiene ni idea de cómo es
03:17
but it's going to try to find that out.
54
197000
2000
pero va a tratar de descubrirlo.
03:19
Initially, it does some random motion,
55
199000
2000
Al principio, hace algunos movimientos al azar
03:21
and then it tries to figure out what it might look like.
56
201000
3000
y entonces intenta descubrir cómo puede ser
03:24
And you're seeing a lot of things passing through its minds,
57
204000
2000
y se ven un montón de cosas pasar por "sus mentes",
03:26
a lot of self-models that try to explain the relationship
58
206000
4000
un montón de modelos de sí misma que tratan de explicar la relación
03:30
between actuation and sensing. It then tries to do
59
210000
3000
entre su actuación y su percepción y entonces intenta ejecutar
03:33
a second action that creates the most disagreement
60
213000
4000
una segunda acción que genere la mayor discrepancia
03:37
among predictions of these alternative models,
61
217000
2000
entre las predicciones de esos modelos alternativos,
03:39
like a scientist in a lab. Then it does that
62
219000
2000
como un científico en un laboratorio. Entonces hace eso
03:41
and tries to explain that, and prune out its self-models.
63
221000
4000
e intenta explicarlo y depura sus modelos de sí misma.
03:45
This is the last cycle, and you can see it's pretty much
64
225000
3000
Este es el último ciclo y pueden ver que prácticamente
03:48
figured out what its self looks like. And once it has a self-model,
65
228000
4000
ha descubierto cómo es y una vez que tiene un modelo de sí misma,
03:52
it can use that to derive a pattern of locomotion.
66
232000
4000
puede usarlo para derivar un patrón de locomoción.
03:56
So what you're seeing here are a couple of machines --
67
236000
2000
Así que lo que ven aquí son un par de máquinas,
03:58
a pattern of locomotion.
68
238000
2000
un patrón de locomoción.
04:00
We were hoping that it wass going to have a kind of evil, spidery walk,
69
240000
4000
Esperábamos que fuera a tener un tipo de andar maligno, arácnido,
04:04
but instead it created this pretty lame way of moving forward.
70
244000
4000
pero en cambio creó esta forma de avanzar bastante patética.
04:08
But when you look at that, you have to remember
71
248000
3000
Pero cuando miran eso tienen que recordar
04:11
that this machine did not do any physical trials on how to move forward,
72
251000
6000
que esta máquina no hizo ningún ensayo físico sobre cómo avanzar,
04:17
nor did it have a model of itself.
73
257000
2000
ni tenía un modelo de sí misma.
04:19
It kind of figured out what it looks like, and how to move forward,
74
259000
3000
Más o menos descubrió cómo era, y cómo podía avanzar,
04:22
and then actually tried that out.
75
262000
4000
y entonces lo intentó en realidad.
04:26
(Applause)
76
266000
5000
(Aplausos)
04:31
So, we'll move forward to a different idea.
77
271000
4000
Entonces, probemos una idea diferente.
04:35
So that was what happened when we had a couple of --
78
275000
5000
Eso fue lo que ocurrió cuando teníamos un par de...
04:40
that's what happened when you had a couple of -- OK, OK, OK --
79
280000
4000
fue lo que ocurrió cuando tienes un par... OK, OK, OK,
04:44
(Laughter)
80
284000
2000
(Risas)
04:46
-- they don't like each other. So
81
286000
2000
no se caen bien. Entonces
04:48
there's a different robot.
82
288000
3000
hay un robot diferente.
04:51
That's what happened when the robots actually
83
291000
2000
Eso fue lo que ocurrió cuando los robots fueron
04:53
are rewarded for doing something.
84
293000
2000
recompensados por hacer algo.
04:55
What happens if you don't reward them for anything, you just throw them in?
85
295000
3000
¿Qué ocurre si no los recompensas en lo absoluto, si sólo los pones ahí?
04:58
So we have these cubes, like the diagram showed here.
86
298000
3000
Tenemos estos cubos, como el diagrama muestra aquí.
05:01
The cube can swivel, or flip on its side,
87
301000
2000
El cubo puede girar, o ponerse de lado,
05:04
and we just throw 1,000 of these cubes into a soup --
88
304000
4000
y dejamos mil de esos cubos en una sopa,
05:08
this is in simulation --and don't reward them for anything,
89
308000
2000
esto es en simulación, y no los recompensamos por nada,
05:10
we just let them flip. We pump energy into this
90
310000
3000
sólo los dejamos dar vueltas. Le insertamos energía a esto
05:13
and see what happens in a couple of mutations.
91
313000
3000
y vemos que ocurre en un par de mutaciones.
05:16
So, initially nothing happens, they're just flipping around there.
92
316000
3000
Al principio no pasa nada, sólo están dando de vueltas por ahí.
05:19
But after a very short while, you can see these blue things
93
319000
4000
Pero muy poco después puedes ver esas cosas azules
05:23
on the right there begin to take over.
94
323000
2000
a la derecha que empiezan a prevalecer.
05:25
They begin to self-replicate. So in absence of any reward,
95
325000
4000
Empiezan a autorreplicarse. Así que en ausencia de toda recompensa
05:29
the intrinsic reward is self-replication.
96
329000
3000
la recompensa intrínseca es autorreplicación.
05:32
And we've actually built a couple of these,
97
332000
1000
Y de hecho hemos construido un par de éstos
05:33
and this is part of a larger robot made out of these cubes.
98
333000
4000
y esto es parte de un robot más grande hecho con estos cubos,
05:37
It's an accelerated view, where you can see the robot actually
99
337000
3000
es una vista acelerada donde puedes ver al robot
05:40
carrying out some of its replication process.
100
340000
2000
ejecutando parte de su proceso de replicación.
05:42
So you're feeding it with more material -- cubes in this case --
101
342000
4000
Así que si estás dándole más material, cubos en este caso,
05:46
and more energy, and it can make another robot.
102
346000
3000
y más energía y puede hacer otro robot.
05:49
So of course, this is a very crude machine,
103
349000
3000
Por supuesto, es una máquina muy rudimentaria
05:52
but we're working on a micro-scale version of these,
104
352000
2000
pero estamos trabajando en una versión a microescala,
05:54
and hopefully the cubes will be like a powder that you pour in.
105
354000
3000
esperando que algún día los cubos sean como un polvo que puedas echar.
05:57
OK, so what can we learn? These robots are of course
106
357000
5000
¿Qué podemos aprender? Estos robots, por supuesto,
06:02
not very useful in themselves, but they might teach us something
107
362000
3000
no son muy útiles por sí mismos pero podrían enseñarnos algo
06:05
about how we can build better robots,
108
365000
3000
sobre cómo podemos construir mejores robots
06:08
and perhaps how humans, animals, create self-models and learn.
109
368000
5000
y quizás cómo los humanos y animales crean modelos de sí mismos y aprenden.
06:13
And one of the things that I think is important
110
373000
2000
Y una de las cosas que creo es importante
06:15
is that we have to get away from this idea
111
375000
2000
es que tenemos que abandonar esta idea
06:17
of designing the machines manually,
112
377000
2000
de diseñar máquinas manualmente
06:19
but actually let them evolve and learn, like children,
113
379000
3000
sino más bien dejarlas evolucionar y aprender, como niños,
06:22
and perhaps that's the way we'll get there. Thank you.
114
382000
2000
y quizás esa es la forma en que lo consigamos. Gracias.
06:24
(Applause)
115
384000
2000
(Aplausos)
Acerca de este sitio web

Este sitio le presentará vídeos de YouTube útiles para aprender inglés. Verá lecciones de inglés impartidas por profesores de primera categoría de todo el mundo. Haz doble clic en los subtítulos en inglés que aparecen en cada página de vídeo para reproducir el vídeo desde allí. Los subtítulos se desplazan en sincronía con la reproducción del vídeo. Si tiene algún comentario o petición, póngase en contacto con nosotros mediante este formulario de contacto.

https://forms.gle/WvT1wiN1qDtmnspy7