Hod Lipson: Robots that are "self-aware"

Fordító: Bálint Ármai Lektor: Judit Szabo

So, where are the robots?

Szóval, hol vannak a robotok?

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

Azt hallgattuk 40 évig folyamatosan, hogy hamarosan itt lesznek.

Very soon they'll be doing everything for us.

Nagyon hamar mindent ők fognak csinálni nekünk.

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

Ők fognak főzni, takarítani, vásárolni, építeni. De még sincsenek itt.

Meanwhile, we have illegal immigrants doing all the work,

Ezalatt illegális bevándorlók végeznek el minden munkát,

but we don't have any robots.

de robotjaink nincsenek.

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

Szóval mit tehetünk ez ellen? Mit tudunk mondani?

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

Egy kicsit más nézőpontot akarok bemutatni

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

arról, hogy talán máshogy is tekinthetnénk ezekre a dolgokra.

And this is an x-ray picture

Ez egy röntgenkép

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

egy igazi bogárról, és egy svájci óráról '88-ból. Nézzétek meg --

what was true then is certainly true today.

ami akkor igaz volt, ma is igaz.

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

A részeket azóta is tudjuk gyártani. A jó alkatrészeket.

We can make the circuitry of the right computational power,

El tudjuk készíteni az áramkört a helyes számítási teljesítménnyel,

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

de nem tudjuk őket úgy összerakni, hogy valami olyat alkossanak,

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

ami tényleg működni fog és úgy fog alkalmazkodni, mint ezek a rendszerek.

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

Szóval nézzük ezt meg egy különböző perspektívából.

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

Szólítsuk meg tehát a legjobb tervezőt, az összes tervező atyját.

Let's see what evolution can do for us.

Nézzük meg, az evolúció mit tehet értünk.

So we threw in -- we created a primordial soup

Szóval bedobtuk -- létrehoztunk egy őslevest

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

robotok számos alkatrészével -- fémrudakkal, motorokkal, neuronokkal.

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

Rakjuk össze őket, és hagyjuk a természetes szelekciót érvényesülni,

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

a mutációt, és jutalmazzuk a dolgokat aszerint, hogy milyen jól tudnak előrelépni.

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

Ez egy nagyon egyszerű feladat, és érdekes látni, milyen dolgok születnek ebből.

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

Ha megnézitek, láthatjátok, hogy egy csomó különböző gép

come out of this. They all move around.

jött ki ebből. Ezek mind össze-vissza mocorognak.

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

Mind más módon mászkálnak, és látható jobb oldalt,

that we actually made a couple of these things,

hogy valójában már megcsináltunk párat ezekből,

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

és tényleg működnek is. Ezek nem annyira fantasztikus robotok,

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

de elérték pontosan azt a szintet, ami miatt díjazzuk őket:

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

hogy fejlődnek. Ez mind szimuláció keretén belül történt,

but we can also do that on a real machine.

de megcsinálhatjuk ezt egy igazi gépen is.

Here's a physical robot that we actually

Itt egy már létező robot,

have a population of brains,

ami rendelkezik agytömeggel,

competing, or evolving on the machine.

ami verseng önmagával, és fejlődik a gépben.

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

Ez olyan, mint egy rodeóshow. Mindenki lovagolhat a gépen,

and they get rewarded for how fast or how far

és jutalmat kapnak annak függvényében, hogy milyen gyorsan vagy milyen távolra

they can make the machine move forward.

tudják a gépet mozgatni.

And you can see these robots are not ready

És láthatjátok, hogy ezek a robotok nem készek arra,

to take over the world yet, but

hogy átvegyék a hatalmat a világ felett,

they gradually learn how to move forward,

de fokozatosan megtanulják, hogyan haladjanak előre,

and they do this autonomously.

és ezt önállóan teszik.

So in these two examples, we had basically

Szóval ebben a két példában gyakorlatilag

machines that learned how to walk in simulation,

olyan gépeink voltak, amik megtanultak járni a szimulációban,

and also machines that learned how to walk in reality.

továbbá gépek, amik megtanultak járni a valóságban.

But I want to show you a different approach,

De meg akarok mutatni egy más megközelítést,

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

és az pedig ez a robot, aminek négy lába van.

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

Nyolc motorja van, négy a térdein és négy a csípőjén.

It has also two tilt sensors that tell the machine

Két billenésérzékelője is van, ami elmondja a gépnek

which way it's tilting.

melyik irányba billen.

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

De ez a gép nem tudja, hogy néz ki.

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

Ti ránéztek és látjátok a négy lábát,

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

de a gép nem tudja, hogy ő egy kígyó, vagy egy fa,

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

ötlete sincs, hogyan néz ki,

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

de meg fog próbálkozni azzal, hogy rájöjjön.

Initially, it does some random motion,

Kezdetben véletlenszerűen mozog,

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

utána pedig megpróbál rájönni, hogy néz ki.

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

Láthatóan rengeteg dolog átsuhan az agyán,

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

számos modellezés, ami megpróbálja megmagyarázni a kapcsolatot

between actuation and sensing. It then tries to do

a vezérlés és az érzékelés között. Ezután pedig megkísérel

a second action that creates the most disagreement

egy második akciót, ami a legnagyobb ellentmondást teremti

among predictions of these alternative models,

az alternatív modelljeinek jóslataival szemben,

like a scientist in a lab. Then it does that

úgy, mint egy tudós a laboratóriumban. Aztán megcsinálja

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

és megpróbálja megmagyarázni, és megritkítja a saját modelljeit.

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

Ez az utolsó ciklus, és láthatjátok, hogy már nagyjából

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

kisilabizálta, hogyan is néz ki. És amint rendelkezik egy önképpel,

it can use that to derive a pattern of locomotion.

felhasználhatja arra, hogy kiszámolja a mozgási mintáit.

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

Amit most láttok itt, az egy pár gép

a pattern of locomotion.

-- egy mozgási minta.

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

Reméltük, hogy valamiféle gonosz, pókszerű járása lesz,

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

de ehelyett ezt az elég béna előrehaladó mozgást produkálta.

But when you look at that, you have to remember

De ha ránéztek, eszetekbe kell jusson az,

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

hogy ez a gép nem állt fizikai próbák elé, hogy hogyan mozogjon előre,

nor did it have a model of itself.

és önképe sem volt.

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

Tulajdonképpen rájött arra, hogyan néz ki, és hogy mozogjon,

and then actually tried that out.

aztán ki is próbálta.

(Applause)

(Taps)

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

Lépjünk tovább egy másik ötletre.

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

Szóval ez történt, amikor volt egy pár...

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

ez történt amikor volt egy pár -- oké, oké, oké...

(Laughter)

(Nevetés)

-- they don't like each other. So

-- nem szeretik egymást. Szóval

there's a different robot.

itt egy másik robot.

That's what happened when the robots actually

Ez történt amikor a robotok tényleg

are rewarded for doing something.

jutalmat kapnak valamiért.

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

Mi történik, ha nem jutalmazod meg őket semmiért, csak bedobod őket?

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

Szóval vannak ezek a kockáink, ahogy a diagram mutatja.

The cube can swivel, or flip on its side,

A kocka el tud forogni, vagy oldalára dőlni,

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

és bedobunk ezret ezekből a kockákból egy levesbe --

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

szimulációban -- és nem jutalmazzuk meg őket semmiért,

we just let them flip. We pump energy into this

csak hagyjuk őket forogni. Energiát pumpálunk ebbe,

and see what happens in a couple of mutations.

és megnézzük, hogy mi történik egy pár mutáció után.

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

Tehát először nem történik semmi, csak repkednek össze-vissza.

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

De egy rövid idő után látható, hogy ezek a kék micsodák

on the right there begin to take over.

a jobb oldalon előtérbe lépnek.

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

Elkezdenek sokszorozódni. Így jutalom hiányában,

the intrinsic reward is self-replication.

a belső jutalom a sokszorozódás.

And we've actually built a couple of these,

Valójában többet is építettünk ezekből,

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

és ez része egy nagyobb robotnak, ami ilyen kockákból áll.

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

Ez egy gyorsított nézet, ahol a robot

carrying out some of its replication process.

replikációs folyamatát láthatjátok.

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

Szóval még több anyaggal -- ebben az esetben kockákkal --

and more energy, and it can make another robot.

és még több energiával etetjük, így létre tud hozni egy másik robotot.

So of course, this is a very crude machine,

Persze ez egy nagyon éretlen gép,

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

de már dolgozunk ezek mikroméretű változatain,

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

és remélhetőleg a kockák olyanok lesznek, mint egy por, amit beöntesz.

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

Oké, szóval mit tudunk ebből tanulni? Ezek a robotok persze

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

nem túl hasznosak önmagukban, de megtaníthatnak nekünk valamit

about how we can build better robots,

arról, hogy hogyan tudnánk jobb robotokat építeni,

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

és talán azt, hogy az emberek és állatok hogy építik ki önképüket, és hogy tanulnak.

And one of the things that I think is important

Az egyik dolog, ami szerintem fontos, az az,

is that we have to get away from this idea

hogy el kell rugaszkodnunk attól az ötlettől,

of designing the machines manually,

hogy kézzel tervezzük meg a gépeket,

but actually let them evolve and learn, like children,

helyette hagynunk kell őket fejlődni és tanulni, mint a gyerekeket,

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

és talán ez lesz az az út, amin végül célba érünk. Köszönöm.

(Applause)

(Taps)