How AI Will Step Off the Screen and into the Real World | Daniela Rus | TED

Fordító: Reka Lorinczy Lektor: Peter Pallos

When I was a student studying robotics,

Diákkoromban robotikát tanuló csoportunk úgy döntött,

a group of us decided to make a present for our professor's birthday.

hogy ajándékot készít professzorunk születésnapjára.

We wanted to program our robot to cut a slice of cake for him.

Arra akartuk beprogramozni a robotunkat, hogy vágjon neki egy szelet tortát.

We pulled an all-nighter writing the software,

Egész éjjel programot írtunk,

and the next day, disaster.

de másnap mégis katasztrófa történt.

We programmed this robot to cut a soft, round sponge cake,

A robotot úgy programoztuk, hogy puha, kerek piskótát vágjon,

but we didn't coordinate well.

De nem jól egyeztettünk,

And instead, we received a square hard ice cream cake.

és helyette kemény, négyzet alakú jégkrémtortát kaptunk.

The robot flailed wildly and nearly destroyed the cake.

A robot vadul csapkodott, és majdnem tönkretette a tortát.

(Laughter)

(Nevetés)

Our professor was delighted, anyway.

Professzorunk azért még el volt ragadtatva.

He calmly pushed the stop button

Nyugodtan megnyomta a stop gombot,

and declared the erratic behavior of the robot

és a robot szabálytalan viselkedését

a control singularity.

vezérlőszingularitásnak nyilvánította.

A robotics technical term.

Robotikai műszaki kifejezés.

I was disappointed, but I learned a very important lesson.

Csalódott voltam, de egy fontos leckét megtanultam.

The physical world,

A fizikai világ

with its physics laws and imprecisions,

a fizika törvényeivel és pontatlanságaival

is a far more demanding space than the digital world.

sokkal igényesebb tér, mint a digitális világ.

Today, I lead MIT's Computer Science and AI lab,

Ma az MIT Számítástechnikai és MI laboratóriumát vezetem,

the largest research unit at MIT.

az MIT legnagyobb kutatási egységét.

This is our buildingm where I work with brilliant and brave researchers

Ez az épületünk, ahol kiváló és bátor kutatókkal dolgozom,

to invent the future of computing and intelligent machines.

hogy feltaláljuk a számítástechnika és az intelligens gépek jövőjét.

Today in computing,

Ma a számítástechnikában

artificial intelligence and robotics are largely separate fields.

a mesterséges intelligencia és a robotika nagyrészt külön területek.

AI has amazed you with its decision-making and learning,

Az MI a döntéshozatalával és tanulásával lenyűgözte önöket,

but it remains confined inside computers.

de továbbra is számítógépekre korlátozódik.

Robots have a physical presence and can execute pre-programmed tasks,

A robotok fizikailag jelen vannak, előre programozott feladatokat hajtanak végre,

but they're not intelligent.

de nem intelligensek.

Well, this separation is starting to change.

De különállóságuk kezd változni.

AI is about to break free from the 2D computer screen interactions

Az MI hamarosan megszabadul a számítógép 2D-s képernyőjének működésétől,

and enter a vibrant, physical 3D world.

és élénk, fizikai 3D világba lép be.

In my lab, we're fusing the digital intelligence of AI

A laboromban összekapcsoljuk az MI digitális intelligenciáját

with the mechanical prowess of robots.

a robotok mechanikai képességével.

Moving AI from the digital world into the physical world

Az MI-nek a digitális világból a fizikai világba való áthelyezésétől

is making machines intelligent

a gépek intelligenssé válnak,

and leading to the next great breakthrough,

és ez a következő nagy áttöréshez vezet,

what I call physical intelligence.

amelyet fizikai intelligenciának nevezek.

Physical intelligence is when AI's power to understand text,

A fizikai intelligencia az, amikor az MI képességét –

szöveg, képek és egyéb online információk megértése –

images and other online information

is used to make real-world machines smarter.

használjuk fel a valós gépek okosabbá tételére.

This means AI can help pre-programmed robots do their tasks better

Az MI az adatok felhasználásával segíthet a programozott robotoknak

by using knowledge from data.

jobban elvégezni feladataikat.

With physical intelligence,

A fizikai intelligenciával

AI doesn't just reside in our computers,

az MI nemcsak a számítógépeinkben található,

but walks, rolls, flies

hanem jár, gördül, repül,

and interacts with us in surprising ways.

és meglepő módon kölcsönhatásokba is lép velünk.

Imagine being surrounded by helpful robots at the supermarket.

Képzeljék el, hogy segítőkész robotok veszik körül önöket a szupermarketben.

The one on the left can help you carry a heavy box.

A bal oldali segíthet nehéz doboz szállításában.

To make it happen, we need to do a few things.

Még dolgoznunk kell rajta, hogy működjön.

We need to rethink how machines think.

Újra kell gondolnunk a gépek működését.

We need to reorganize how they are designed and how they learn.

Át kell szerveznünk beállításaikat és tanulási módjukat.

So for physical intelligence,

A fizikai intelligenciához

AI has to run on computers that fit on the body of the robot.

a robotban elférő számítógépeken kell fusson az MI,

For example, our soft robot fish.

pl. a puha robothalunkban.

Today's AI uses server farms that do not fit.

A mai MI túlméretes szerverfarmokat használ.

Today's AI also makes mistakes.

A mai MI hibákat is követ el.

This AI system on a robot car does not detect pedestrians.

Ennek a robotautónak az MI rendszere nem érzékeli a gyalogosokat.

For physical intelligence,

A fizikai intelligenciához

we need small brains that do not make mistakes.

olyan kis agyra van szükségünk, amely nem követ el hibákat.

We're tackling these challenges using inspiration

A feladat megoldásához

from a worm called C. elegans

egy C. elegans nevű féregből indultunk ki.

In sharp contrast to the billions of neurons in the human brain,

Éles ellentétben az emberi agy milliárd idegsejtjével,

C. elegans has a happy life on only 302 neurons,

a C. elegans csak 302 idegsejttel él boldog életet,

and biologists understand the math of what each of these neurons do.

és a biológusok megértik ezen idegsejtek matekját.

So here's the idea.

Innen jött az ötlet.

Can we build AI using inspiration from the math of these neurons?

Építhetünk-e MI-t ezen idegsejtek matekjától megihletve?

We have developed, together with my collaborators and students,

Munkatársaimmal és hallgatóimmal együtt kifejlesztettük

a new approach to AI we call “liquid networks.”

az MI új megoldását, amelyet folyékony hálózatoknak nevezünk.

And liquid networks results in much more compact

A folyékony hálózatok pedig sokkal kompaktabb

and explainable solutions than today's traditional AI solutions.

és magyarázhatóbb megoldásokat kínálnak, mint a mai hagyományos MI-k.

Let me show you.

Hadd mutassam meg!

This is our self-driving car.

Ez az önvezető autónk.

It's trained using a traditional AI solution,

Hagyományos MI megoldással képezték,

the kind you find in many applications today.

jellemzően ez található az alkalmazásokban.

This is the dashboard of the car.

Ez az autó műszerfala.

In the lower right corner, you'll see the map.

A jobb alsó sarokban látják a térképet.

In the upper left corner, the camera input stream.

A bal felső sarokban a kamera bemeneti adatfolyama,

And the big box in the middle with the blinking lights

és a közepén lévő képernyőn villogó lámpák

is the decision-making engine.

a döntéshozó motor működését mutatják.

It consists of tens of thousands of artificial neurons,

Több tízezer mesterséges idegsejtből áll,

and it decides how the car should steer.

és eldönti, hogyan kell irányítani az autót.

It is impossible to correlate the activity of these neurons

Az idegsejtek működését lehetetlen összekapcsolni

with the behavior of the car.

az autó viselkedésével.

Moreover, if you look at the lower left side,

Sőt, ha megnézzük a bal alsó képernyőt,

you see where in the image this decision-making engine looks

láthatják, hová néz a döntéshozó motor,

to tell the car what to do.

hogy irányítsa az autó működését.

And you see how noisy it is.

Elég zavaros képet kap.

And this car drives by looking at the bushes and the trees

Ez az autó úgy vezet, hogy a bokrokat

és az út szélén lévő fákat érzékeli.

on the side of the road.

That's not how we drive.

Mi nem így vezetünk.

People look at the road.

Az utat szoktuk figyelni.

Now contrast this with our liquid network solution,

Hasonlítsák ezt össze a folyékony hálózati megoldásunkkal,

which consists of only 19 neurons rather than tens of thousands.

amely csak 19 neuronból áll, nem pedig tízezrekből!

And look at its attention map.

Nézzék meg az irányítótérképét!

It's so clean and focused on the road horizon

Egyértelmű a kép: a látótérre

and the side of the road.

és az út szélére összpontosít.

Because these models are so much smaller,

Mivel a modellek sokkal kisebbek,

we actually understand how they make decisions.

megértjük, hogyan hoznak döntéseket.

So how did we get this performance?

Hogy sikerült ezt az eredményt elérnünk?

Well, in a traditional AI system,

Hagyományos MI rendszerben

the computational neuron is the artificial neuron,

a számítási idegsejt a mesterséges idegsejt,

and the artificial neuron is essentially an on/off computational unit.

az pedig lényegében egy be- és kikapcsoló számítási egység.

It takes in some numbers, adds them up,

Van pár bemeneti adat, összeadja őket,

applies some basic math

alkalmaz matematikai műveleteket,

and passes along the result.

és továbbítja az eredményt.

And this is complex

Összetett,

because it happens across thousands of computational units.

mert több ezer számítási egységben történik.

In liquid networks,

A folyékony hálózatokban

we have fewer neurons,

kevesebb idegsejtünk van,

but each one does more complex math.

de mindegyik bonyolultabb számítást végez.

Here's what happens inside our liquid neuron.

Íme, mi történik a folyékony idegsejtünkben.

We use differential equations to model the neural computation

Differenciálegyenletekkel modellezzük

az idegi számítást és a mesterséges szinapszist.

and the artificial synapse.

And these differential equations

E differenciálegyenleteket

are what biologists have mapped for the neural structure of the worms.

térképezték fel a biológusok a férgek idegrendszerére.

We also wire the neurons differently to increase the information flow.

Az információáramlás növelésére az idegsejteket másképp kötjük be.

Well, these changes yield phenomenal results.

Ezek a változások elképesztő eredményeket hoznak.

Traditional AI systems are frozen after training.

A hagyományos MI rendszerek tanulás után lefagynak.

That means they cannot continue to improve

Ez azt jelenti, hogy nem tudnak tovább javulni,

when we deploy them in a physical world in the wild.

ha nekik idegen világba telepítjük őket.

We just wait for the next release.

Csak várjuk a következő frissített változatot.

Because of what's happening inside the liquid neuron,

A folyékony idegsejtben zajló események miatt

liquid networks continue to adapt after training

a folyékony hálózatok betanítás után is

alkalmazkodnak az észlelt bejövő adatok alapján.

based on the inputs that they see.

Let me show you.

Hadd mutassam meg!

We trained traditional AI and liquid networks

A hagyományos MI-t és a folyékony hálózatokat

using summertime videos like these ones,

ilyen nyári videókkal képeztük ki,

and the task was to find things in the woods.

és a feladatuk az volt, hogy ezt-azt találjanak meg az erdőben.

All the models learned how to do the task in the summer.

Minden modell megtanulta nyáron elvégezni a feladatot.

Then we tried to use the models on drones in the fall.

Aztán ősszel megpróbáltuk a modelleket drónokon használni.

The traditional AI solution gets confused by the background.

A hagyományos MI-t megtéveszti a háttér.

Nézzék meg a figyelemtérképet: nem tudja elvégezni a feladatot.

Look at the attention map, cannot do the task.

Liquid networks do not get confused by the background

A folyékony hálózatokat nem zavarja össze a háttér,

and very successfully execute the task.

és sikeresen hajtják végre a feladatot.

So this is it.

Így állunk!

This is the step forward:

Ez az előrelépés:

AI that adapts after training.

a tanulás után alkalmazkodó MI.

Liquid networks are important

A folyékony hálózatok azért fontosak,

because they give us a new way of getting machines to think

mert újszerűen gondolkodtathatjuk velük a gépeket,

that is rooted into physics models,

ami fizikai modelleken,

a new technology for AI.

az MI új technológiáján alapszik.

We can run them on smartphones, on robots,

Futtathatjuk őket okostelefonokon, robotokon,

on enterprise computers,

vállalati számítógépeken,

and even on new types of machines

sőt, új típusú gépeken is,

that we can now begin to imagine and design.

amelyeket most találunk ki és tervezünk.

The second aspect of physical intelligence.

A fizikai intelligencia másik tényezője.

So by now you've probably generated images using text-to-image systems.

Eddig már alkalmazták a szövegről képre átalakítást.

We can also do text-to-robot,

Szövegből robotra is áttehetjük az információt,

but not using today's AI solutions because they work on statistics

de a mai MI megoldások nem használhatók, mert statisztikákon alapulnak,

and do not understand physics.

és nem értik a fizikát.

In my lab,

Laboromban olyan megközelítést fejlesztettünk ki,

we developed an approach that guides the design process

amely a gép fizikai korlátainak ellenőrzésével és szimulálásával

by checking and simulating the physical constraints for the machine.

irányítja a tervezési folyamatot.

We start with a language prompt,

Kezdjük egy nyelvi felszólítással:

"Make me a robot that can walk forward,"

„Készíts nekem robotot, amely képes előre menni”,

and our system generates the designs including shape, materials, actuators,

és rendszerünk elkészíti a terveket,

beleértve az alakot, az anyagokat, a működtetőket,

sensors, the program to control it

az érzékelőket, a vezérlőprogramot

and the fabrication files to make it.

és a gyártási fájlokat.

And then the designs get refined in simulation

Ezután a terveket szimulációban finomítják,

until they meet the specifications.

amíg meg nem felelnek az előírásoknak.

So in a few hours we can go from idea

Néhány óra múlva áttérhetünk az ötletről

to controllable physical machine.

a vezérelhető fizikai gépre.

We can also do image-to-robot.

Képről robotra is átalakít.

This photo can be transformed into a cuddly robotic bunny.

Ez a fotó bájos robotnyuszivá alakítható.

To do so, our algorithm computes a 3D representation of the photo

Ehhez algoritmusunk kiszámítja a fénykép 3D-s ábrázolását,

that gets sliced and folded, printed.

amelyet felszeletelünk, összehajtunk és kinyomtatunk.

Then we fold the printed layers, we string some motors and sensors.

Ezután összehajtjuk a nyomtatott rétegeket,

bekötünk néhány motort és érzékelőt.

We write some code, and we get the bunny you see in this video.

Írunk néhány kódot, és megkapjuk a videóban látható nyuszit.

We can use this approach to make anything almost,

Ezzel a megközelítéssel egyetlen képből vagy fényképből

from an image, from a photo.

szinte bármit készíthetünk.

So the ability to transform text into images

Fontos, hogy a szöveget képekké alakítsuk,

and to transform images into robots is important,

és a képeket robotokká alakítsuk,

because we are drastically reducing the amount of time

mert így erősen csökkentjük az új termékek prototípusához

and the resources needed to prototype and test new products,

és teszteléséhez kellő időt és erőforrásokat,

and this is allowing for a much faster innovation cycle.

és ez jóval felgyorsítja az innovációs ciklust.

And now we are ready to even make the leap

Készen állunk arra is, hogy még azt az ugrást is megtegyük,

to get these machines to learn.

hogy ezek a gépek tanuljanak.

The third aspect of physical intelligence.

A fizikai intelligencia harmadik tényezője.

These machines can learn from humans how to do tasks.

A gépek megtanulhatják az emberektől, hogyan kell elvégezni a feladatokat.

You can think of it as human-to-robot.

Emberről robotra átadás.

In my lab, we created a kitchen environment

A laboromban konyhai környezetet hoztunk létre,

where we instrument people with sensors,

melyben érzékelőkkel mérjük az embereket,

and we collect a lot of data about how people do kitchen tasks.

és rengeteg adatot gyűjtünk arról, hogyan végzik konyhai teendőiket.

We need physical data

Fizikai adatokra van szükségünk,

because videos do not capture the dynamics of the task.

mert feladat dinamikáját a videók nem rögzítik.

So we collect muscle, pose, even gaze information

Izomról, helyzetről és még tekintetről is gyűjtünk adatokat,

about how people do tasks.

hogy az emberek hogyan dolgoznak.

And then we train AI using this data

Aztán ezekkel az adatokkal kiképezzük az MI-t,

to teach robots how to do the same tasks.

megtanítjuk a robotokat, hogyan kell ugyanazokat a feladatokat elvégezni.

And the end result is machines that move with grace and agility,

Végül a gépeink kecsesen és fürgén mozognak,

as well as adapt and learn.

alkalmazkodnak és tanulnak.

Physical intelligence.

Ez a fizikai intelligencia.

We can use this approach to teach robots

Ezzel a megközelítéssel megtaníthatjuk a robotokat

how to do a wide range of tasks:

széles körű feladatok elvégzésére:

food preparation, cleaning and so much more.

ételkészítésre, takarításra és még sok másra.

The ability to turn images and text into functional machines,

Képeket és szöveget tud folyékony hálózatokkal

coupled with using liquid networks

funkcionális gépekké alakítani.

to create powerful brains for these machines

Hihetetlenül izgalmas, hogy erős agyat hozzunk létre,

that can learn from humans, is incredibly exciting.

amellyel a gépek emberektől tanulhatnak.

Because this means we can make almost anything we imagine.

Mert ez azt jelenti, hogy szinte bármit elkészíthetünk, amit elképzelünk.

Today's AI has a ceiling.

A mai MI véges képességű.

It requires server farms.

Szerverfarmokat igényel.

It's not sustainable.

Ez fenntarthatatlan.

It makes inexplicable mistakes.

Érthetetlen hibákat követ el.

Let's not settle for the current offering.

Ne érjük be a mostani kínálattal!

When AI moves into the physical world,

Amikor az MI a fizikai világba lép,

the opportunities for benefits and for breakthroughs is extraordinary.

rendkívüli előnyök és az áttörések lehetősége tárul fel.

You can get personal assistants that optimize your routines

Személyes asszisztenseket kaphatunk, amelyek optimalizálják rutinfeladatainkat,

and anticipate your needs,

és előrejelzik igényeinket.

bespoke machines that help you at work

Munkánkat segítő személyre szabott gépeket

and robots that delight you in your spare time.

és szabadidőnkben szórakoztató robotokat.

The promise of physical intelligence is to transcend our human limitations

A fizikai intelligencia ígérete az, hogy túllépjük emberi korlátainkat:

with capabilities that extend our reach,

kiterjeszti hatókörünket,

amplify our strengths

megsokszorozza erősségeinket,

and refine our precision

finomítja pontosságunkat,

and grant us ways to interact with the world

és megadja, hogy kölcsönhatásba lépjünk azzal a világgal,

we've only dreamed of.

amelyről csak álmodtunk.

We are the only species so advanced, so aware,

Mi vagyunk az egyetlen faj, amely ilyen fejlett, annyira tudatos,

so capable of building these extraordinary tools.

hogy képes megépíteni e rendkívüli eszközöket.

Yet, developing physical intelligence

Mégis, a fizikai intelligencia fejlesztése arra figyelmeztet,

is teaching us that we have so much more to learn

hogy még sok a tanulnivalónk

about technology and about ourselves.

a technológiáról és önmagunkról.

We need human guiding hands over AI sooner rather than later.

Egyre sürgősebben szükségünk van MI-t irányító emberekre.

After all, we remain responsible for this planet

Végtére továbbra is felelősek vagyunk a bolygónkért

and everything living on it.

és mindenért, ami rajta él.

I remain convinced that we have the power

Meggyőződésem, hogy képesek vagyunk

to use physical intelligence to ensure a better future for humanity

a fizikai intelligenciát felhasználni, hogy jobb jövőt biztosítsunk

and for the planet.

az emberiségnek és a bolygónak.

And I'd like to invite you to help us in this quest.

Kérem önöket, hogy segítsenek nekünk ebben a küldetésben.

Some of you will help develop physical intelligence.

Néhányan segítenek a fizikai intelligencia fejlesztésében.

Some of you will use it.

Néhányan önök közül használni fogják.

And some of you will invent the future.

Néhányan megtervezik a jövőt.

Thank you.

Köszönöm.

(Applause)

(Taps)