Hod Lipson: Robots that are "self-aware"

هاد لیپسون (Hod Lipson) روبات های خودآگاه می سازد

Translator: Morteza Shahriari Nia Reviewer: Amin Gheibi

So, where are the robots?

خب، پس روبات ها کجا هستند؟

We've been told for 40 years already that they're coming soon.

40 سال است که به ما می گویند روبات ها به زودی خواهند آمد.

Very soon they'll be doing everything for us.

خیلی زود آنها همه کار برای ما انجام خواهند داد.

They'll be cooking, cleaning, buying things, shopping, building. But they aren't here.

آنها آشپزی خواهد کرد، گردگیری، خرید، ساخت. اما آنها اینجا نیستند.

Meanwhile, we have illegal immigrants doing all the work,

در عین حال، مهاجر های غیر قانونی داریم که همه ی کار ها را انجام می دهند.

but we don't have any robots.

اما ما هیچ روباتی نداریم.

So what can we do about that? What can we say?

پس ما چه کار می توانیم بکنیم؟ چه می توانیم بگوییم؟

So I want to give a little bit of a different perspective

خب من می خواهم دیدگاه دیگری را به شما نشان بدهم

of how we can perhaps look at these things in a little bit of a different way.

از این که چگونه ما میتوانیم به این مسائل از بعد دیگری نگاه کنیم.

And this is an x-ray picture

این یک تصویر اشعه ایکس است

of a real beetle, and a Swiss watch, back from '88. You look at that --

از یک سوسک و یک ساعت سوئیسی سال 88. به آن نگاه کنید --

what was true then is certainly true today.

آن چه در آن زمان درست بود امروز مسلماً همچنان درست است.

We can still make the pieces. We can make the right pieces.

ما همچنان می توانیم قطعات را بسازیم، می توانیم قطعات درست را بسازیم،

We can make the circuitry of the right computational power,

می توانیم مداری با قدرت محاسباتی مناسب درست کنیم،

but we can't actually put them together to make something

اما در واقع نمی توانیم آنها را به هم بچسبانیم تا چیزی بسازیم به طوری که

that will actually work and be as adaptive as these systems.

واقعا مثل این سیستم ها کار کند و قابلیت انطباق داشته باشد.

So let's try to look at it from a different perspective.

پس بگذارید به آن از یک زاویه ی دیگر نگاه کنیم.

Let's summon the best designer, the mother of all designers.

بگذارید بهترین طراح را فرابخوانیم، مادر همه ی طراح ها:

Let's see what evolution can do for us.

بگذارید ببینیم تکامل برای ما چه کار می تواند بکند.

So we threw in -- we created a primordial soup

پس ما شروع کردیم -- ما سوپی از عناصر اولیه ساختیم

with lots of pieces of robots -- with bars, with motors, with neurons.

با تعداد بسیار زیادی از قطعات روبات ها: با میله ها، با موتور ها، با نورون ها.

Put them all together, and put all this under kind of natural selection,

همه ی این ها را کنار هم گذاشتیم، و همه ی این ها را تحت انتخاب طبیعی قرار دادیم.

under mutation, and rewarded things for how well they can move forward.

تحت جهش های ساختاری. و به چیز ها بر اساس این که چقدر خوب می توانند جلو بروند پاداش می دادیم.

A very simple task, and it's interesting to see what kind of things came out of that.

یک کار بسیار ساده. خیلی جالب است ببینید که چه چیز هایی از آب درآمدند!

So if you look, you can see a lot of different machines

خب اگر ملاحظه کنید، ماشین های بسیار متفاوتی را میبینید

come out of this. They all move around.

که از این طرح منتج شدند. همه ی آنها حرکت می کنند،

They all crawl in different ways, and you can see on the right,

همه ی آنها به طریقی می خزند، و در سمت راست می بینید که ...

that we actually made a couple of these things,

ما درعمل بعضی از این ها را ساختیم،

and they work in reality. These are not very fantastic robots,

و آنها در عمل هم کار می کنند. اینها روبات های خیلی خارق العاده ای نیستند،

but they evolved to do exactly what we reward them for:

اما این ها رشد کرده اند تا دقیقا همان کاری را بکنند که برای آن به آنها پاداش داده بودیم:

for moving forward. So that was all done in simulation,

به سمت جلو حرکت کنند. خب همه ی آنها در شبیه سازی انجام شده بود،

but we can also do that on a real machine.

اما ما می توانیم چنین کاری را در یک ماشین واقعی هم انجام دهیم.

Here's a physical robot that we actually

این یک روبات واقعی است که

have a population of brains,

در آن ما یک تعداد مغز قرار دادیم

competing, or evolving on the machine.

که روی ماشین با هم رقابت می کنند ، و رشد می کنند.

It's like a rodeo show. They all get a ride on the machine,

آن مانند مسابقه ی گاوهای وحشی است: همه ی آنها می توانند یک بار سوار ماشین شوند،

and they get rewarded for how fast or how far

و آنها بر اساس این که چقدر سریع و چه مسافتی

they can make the machine move forward.

بتوانند باعث جلو رفتن ماشین شوند پاداش می گیرند.

And you can see these robots are not ready

و می بینید که این روبات ها آماده نیستند

to take over the world yet, but

تا کنترل جهان را به دست بگیرند، هنوز. اما!

they gradually learn how to move forward,

آنها کم کم یاد میگیرند چگونه به جلو حرکت کنند،

and they do this autonomously.

و آنها این کار را کاملا خودمختار انجام می دهند.

So in these two examples, we had basically

پس در این دو مثال، ما درواقع

machines that learned how to walk in simulation,

ماشین هایی داشتیم که در شبیه سازی یاد گرفتند که چگونه حرکت کنند،

and also machines that learned how to walk in reality.

و ماشین هایی که یاد گرفتند که چگونه در دنیای واقعی حرکت کنند.

But I want to show you a different approach,

اما من می خواهم روال دیگری را به شما نشان بدهم،

and this is this robot over here, which has four legs.

منظورم این روبات است، همین جا، که چهار تا پا دارد ...

It has eight motors, four on the knees and four on the hip.

هشت موتور دارد، چهار تا در زانو ها و چهار تا در باسن.

It has also two tilt sensors that tell the machine

دو تا هم حسگر شیب سنج هم دارد که به ماشین می گوید

which way it's tilting.

به کدام جهت کج شده است.

But this machine doesn't know what it looks like.

اما این ماشین نمی داند چه شکلی است.

You look at it and you see it has four legs,

شما به آن نگاه می کنید و می بینید که چهار تا پا دارد،

the machine doesn't know if it's a snake, if it's a tree,

ماشین نمی داند آیا یک مار است، یا یک درخت است و یا ...،

it doesn't have any idea what it looks like,

هیچ ایده ای ندارد که چه شکلی است،

but it's going to try to find that out.

اما می خواهد سعی کند تا آن را بفهمد.

Initially, it does some random motion,

در ابتدا چند حرکت تصادفی انجام می دهد،

and then it tries to figure out what it might look like.

و بعد سعی می کند بفهمد چه شکلی ممکن است باشد --

And you're seeing a lot of things passing through its minds,

و می بینید که چیز های زیادی از ذهنش عبور می کند،

a lot of self-models that try to explain the relationship

تعداد زیادی مدل هایی از خودش که سعی می کنند ارتباط ها را توضیح دهند

between actuation and sensing. It then tries to do

ارتباط های میان حرکت ها و چیز های حس شده -- و بعد سعی می کند

a second action that creates the most disagreement

حرکتی را انجام دهد که بیشترین تضاد را

among predictions of these alternative models,

با پیش بینی های مدل های موجود داشته باشد.

like a scientist in a lab. Then it does that

مانند یک دانشمند در یک آزمایشگاه. بعد آن حرکت را انجام می دهد

and tries to explain that, and prune out its self-models.

سعی می کند توضیحی برای آن بیابد، و برخی از مدل های خودش را حذف کند.

This is the last cycle, and you can see it's pretty much

این آخرین چرخه است، و می بینید که آن بسیار خوب

figured out what its self looks like. And once it has a self-model,

توانشته تشخیص بدهد چه شکلی است و رمانی که ان بداند چه شکلی دارد

it can use that to derive a pattern of locomotion.

می تواند از ان استفاده کند و الگویی از حرکت ها را ایجاد کند.

So what you're seeing here are a couple of machines --

خب، این چیزی که اینجا می بینید چند ماشین است --

a pattern of locomotion.

و یک الگوی حرکت.

We were hoping that it wass going to have a kind of evil, spidery walk,

ما امیدوار بودیم که آن نوعی حرکت خبیثانه شبیه راه رفتن عنکبوت داشته باشد،

but instead it created this pretty lame way of moving forward.

اما به جای آن ، او این روش حرکت لنگ لنگ را تولید کرده است تا به جلو برود.

But when you look at that, you have to remember

اما وقتی به آن نگاه می کنید، باید به خاطر داشته باشید که

that this machine did not do any physical trials on how to move forward,

این ماشین هیچ تمرین فیزیکی نکرد که ببیند چگونه به جلو می رود،

nor did it have a model of itself.

و حتی این که او هیچ مدلی از خودش را در اختیار نداشته است.

It kind of figured out what it looks like, and how to move forward,

تقریبا می شود گفت او خودش فهمیده است چه شکلی است، و چگونه می تواند به جلو برود،

and then actually tried that out.

ودر نهایت آن را امتحان کرده است.

(Applause)

(تشویق)

So, we'll move forward to a different idea.

ما به سوی ایده ی متفاوتی جلو می رویم.

So that was what happened when we had a couple of --

آن همان چیزی است که اتفاق افتاده است وقتی ما چند تا --

that's what happened when you had a couple of -- OK, OK, OK --

آن چیزی است که اتفاق افتاده است وقتی شما چند تا -- خب، خب، خب --

(Laughter)

(خنده)

-- they don't like each other. So

-- آنها همدیگر رو دوست ندارند.

there's a different robot.

یک روبات متفاوت دیگر هم هست.

That's what happened when the robots actually

این اتفاقی است که وقتی روبات ها در واقع

are rewarded for doing something.

برای کاری که می کنند پاداش می گیرند.

What happens if you don't reward them for anything, you just throw them in?

اما اگر برای هیچ چیزی به آنها پاداش ندهید چه اتفاقی می افتد؟

So we have these cubes, like the diagram showed here.

خب ما این مکعب ها را داریم، مانند تصویر اینجا.

The cube can swivel, or flip on its side,

مکعب می تواند روی محور بچرخد و یا این که روی ضلعش جا به جا شود،

and we just throw 1,000 of these cubes into a soup --

ما 1000 تا از این مکعب ها را در یک معجون می ریزیم --

this is in simulation --and don't reward them for anything,

این شبیه سازی است -- و برای هیچ چیزی به آنها پاداش نمی دهیم،

we just let them flip. We pump energy into this

فقط به آنها اجازه می دهیم بچرخند. به این معجون انرژی وارد می کنیم

and see what happens in a couple of mutations.

و می بینیم که بعد از چند جهش چه اتفاقی می افتد.

So, initially nothing happens, they're just flipping around there.

در ابتدا، هیچ اتفاقی نمی افتد، آنها فقط در حال چرخیدن حول و حوش خودشان هستند.

But after a very short while, you can see these blue things

اما پس از زمان کوتاهی، این آبی ها را مشاهده می کنید

on the right there begin to take over.

در سمت راست آنها شروع به رشد قلمرو خود می کنند.

They begin to self-replicate. So in absence of any reward,

آنها شروع به تولید نوع خود می کنند. پس در شرایط نبود پاداش،

the intrinsic reward is self-replication.

پاداش ذاتی تولید هم نوع خود است.

And we've actually built a couple of these,

و ما در واقع چند تا از این ها را ساخته ایم،

and this is part of a larger robot made out of these cubes.

و این بخشی از یک روبات بزرگ تر است که از این مکعب ها ساخته شده است،

It's an accelerated view, where you can see the robot actually

این یک نمای سریع شده است، که در آن می بینید که روبات در واقع

carrying out some of its replication process.

در حال طی مرحله ای از تولید نوع خود است.

So you're feeding it with more material -- cubes in this case --

پس شما به آن مواد اولیه ی بیشتری می دهید -- مکعب در این نمونه --

and more energy, and it can make another robot.

و انرژی بیشتر، و او می تواند روبات دیگری مانند خود را بسازد.

So of course, this is a very crude machine,

البته این ماشین بسیار ساده و ابتدایی است،

but we're working on a micro-scale version of these,

اما ما در حال کار بر روی نمونه ی بسیار ریز این ها هستیم،

and hopefully the cubes will be like a powder that you pour in.

و امیدواریم که این مکعب ها مانند پودری باشند که بتوان آنها را در همه جا ریخت.

OK, so what can we learn? These robots are of course

خب، پس ما چی می توانیم یاد بگیریم؟ این روبات ها مسلما

not very useful in themselves, but they might teach us something

خودشان خیلی مفید نیستند، اما می توانند چیزی را به ما بیاموزند

about how we can build better robots,

این که چگونه می توانیم روبات های بهتری بسازیم،

and perhaps how humans, animals, create self-models and learn.

و شاید این که چطور انسان ها، حیوانات، مدل خود را می سازند و یاد میگیرند.

And one of the things that I think is important

و یکی از چیز هایی که من فکر می کنم مهم است

is that we have to get away from this idea

این است که ما باید از از این ایده جدا شویم

of designing the machines manually,

این که ماشین ها را دستی طراحی کنیم،

but actually let them evolve and learn, like children,

به جای آن باید به آنها اجازه داد تا رشد کنند و یاد بگیرند، مانند بچه ها،

and perhaps that's the way we'll get there. Thank you.

و احتمالا این همان راهی است که ما را به آن هدف می رساند. متشکرم.

(Applause)

(تشویق)