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

תרגום: zeeva livshitz עריכה: aknv tso

When I was a student studying robotics,

כשהייתי סטודנטית לרובוטיקה,

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

חבורה מאיתנו החליטה להכין מתנה ליום ההולדת של המרצה שלנו.

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

רצינו לתכנת את הרובוט שלנו לחתוך עבורו פרוסת עוגה.

We pulled an all-nighter writing the software,

בילינו לילה שלם בכתיבת התוכנה,

and the next day, disaster.

ולמחרת - אסון.

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

תכנתנו את הרובוט הזה לחתוך עוגת ספוג רכה ועגולה,

but we didn't coordinate well.

אבל היתה טעות במשלוח,

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

ובמקומה קיבלנו עוגת גלידה קשה מרובעת.

The robot flailed wildly and nearly destroyed the cake.

הרובוט נופף בפראות בזרועותיו וכמעט הרס את העוגה.

(Laughter)

(צחוק)

Our professor was delighted, anyway.

המרצה שלנו היה בכל זאת מרוצה.

He calmly pushed the stop button

הוא לחץ בשלווה על כפתור העצירה

והכריז שהתנהגותו הלא-יציבה של הרובוט

and declared the erratic behavior of the robot

a control singularity.

היא “סינגולריות של שליטה“, מונח טכני ברובוטיקה.

A robotics technical term.

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

התאכזבתי, אבל למדתי לקח חשוב מאוד.

The physical world,

העולם האמיתי,

with its physics laws and imprecisions,

עם חוקי הפיזיקה וחוסר הדיוק שלו,

is a far more demanding space than the digital world.

הוא מרחב תובעני בהרבה מהעולם הדיגיטלי.

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

היום אני עומדת בראש מעבדת מדעי המחשב והבינה המלאכותית של אם-איי-טי

the largest research unit at MIT.

יחידת המחקר הגדולה ביותר באם-איי-טי.

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

זה הבניין שלנו,

ובו אני עובדת לצד חוקרים מבריקים ואמיצים

to invent the future of computing and intelligent machines.

על המצאת עתיד המחשוב והמכונות הנבונות.

Today in computing,

כיום, בתחום המחשוב,

artificial intelligence and robotics are largely separate fields.

הבינה המלאכותית והרובוטיקה הם במידה רבה תחומים נפרדים.

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

הבינה המלאכותית הדהימה אתכם בקבלת ההחלטות ובלמידה שלה,

but it remains confined inside computers.

אך היא נשארה בתוך המחשב.

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

לרובוטים יש נוכחות פיזית והם יודעים לבצע מטלות מתוכנתות מראש,

but they're not intelligent.

אך הם אינם נבונים.

Well, this separation is starting to change.

ובכן, ההפרדה הזו מתחילה להשתנות.

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

הבינה המלאכותית עומדת להשתחרר מהאינטראקציה הדו-מימדית של מסך המחשב

ולהיכנס לעולם תלת-מימדי תוסס וממשי.

and enter a vibrant, physical 3D world.

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

במעבדה שלי, אנו ממזגים את הבינה הדיגיטלית של הבינה המלאכותית

with the mechanical prowess of robots.

עם הכוח המכני של הרובוט.

Moving AI from the digital world into the physical world

העברת הבינה המלאכותית מהעולם הדיגיטלי לעולם הממשי

is making machines intelligent

הופכת את המכונות לנבונות

and leading to the next great breakthrough,

ומובילה לפריצת-הדרך הגדולה הבאה,

what I call physical intelligence.

מה שאני מכנה “בינה פיזית“.

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

בינה פיזית היא כשכושרה של הבינה המלאכותית

להבין טקסט, תמונות ומידע מקוון אחר

images and other online information

is used to make real-world machines smarter.

משמש להפיכת המכונות בעולם האמיתי לחכמות יותר.

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

זה אומר שהבינה המלאכותית

יכולה לעזור לרובוטים מתוכנתים-מראש לבצע טוב יותר את מטלותיהם

by using knowledge from data.

באמצעות שימוש בידע השאוב מנתונים.

With physical intelligence,

עם הבינה הפיזית,

AI doesn't just reside in our computers,

הבינה המלאכותית לא רק ספונה במחשבים שלנו,

but walks, rolls, flies

אלא הולכת, מתגלגלת, טסה

and interacts with us in surprising ways.

ומנהלת איתנו יחסי-גומלין בדרכים מפתיעות.

Imagine being surrounded by helpful robots at the supermarket.

דמיינו את עצמכם מוקפים במרכול ברובוטים ששים לעזור.

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

זה שמשמאל יכול לעזור לכם לשאת תיבה כבדה.

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

כדי שזה יקרה, עלינו לעשות מספר דברים.

We need to rethink how machines think.

עלינו לחשוב מחדש על דרך חשיבתן של המכונות.

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

עלינו לארגן מחדש את העיצוב והלמידה שלהן.

So for physical intelligence,

אז לצרכי הבינה הפיזית,

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

הבינה המלאכותית צריכה לרוץ על מחשבים שיתלבשו על גוף הרובוט.

For example, our soft robot fish.

לדוגמה, דג הרובוט הרך שלנו.

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

הבינה המלאכותית של ימינו משתמשת בחוות שרתים שאי-אפשר להתאים כך.

Today's AI also makes mistakes.

הבינה המלאכותית של ימינו עושה גם טעויות.

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

מערכת בינה מלאכותית זו ברכב רובוטי אינה מזהה הולכי-רגל.

For physical intelligence,

לצורך הבינה הפיזית

we need small brains that do not make mistakes.

אנו זקוקים למוחות קטנים שאינם טועים.

We're tackling these challenges using inspiration

כדי להתמודד עם אתגרים אלה אנו שואבים השראה

from a worm called C. elegans

מתולעת בשם “סי אלגנס” (קיינורהבדיטיס אלגנס).

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

בניגוד חד למיליארדי הנוירונים שבמוח האנושי,

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

הסי אלגנס חיה חיים מאושרים על 302 נוירונים בלבד,

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

והביולוגים מבינים את המתמטיקה של מה שכל אחד מהנוירונים האלה עושה.

So here's the idea.

אז הנה הרעיון.

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

האם נוכל לבנות בינה מלאכותית בהשראת המתמטיקה של הנוירונים האלה?

We have developed, together with my collaborators and students,

פיתחנו, עוזרַי, תלמידַי ואני,

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

גישה חדשה לבינה מלאכותית שאנו מכנים “רשתות נוזליות“.

And liquid networks results in much more compact

רשתות נוזליות מאפשרות פתרונות הרבה יותר קומפקטיים וקלים להבנה

and explainable solutions than today's traditional AI solutions.

מאשר פתרונות הבינה המלאכותית המסורתיים של ימינו.

Let me show you.

הרשו לי להראות לכם.

This is our self-driving car.

זו המכונית האוטונומית שלנו.

It's trained using a traditional AI solution,

האימון שלה נעשה באמצעות פתרון בינה מלאכותית מסורתי,

the kind you find in many applications today.

כזה שמוצאים ביישומים רבים כיום.

This is the dashboard of the car.

זהו לוח המחוונים של המכונית.

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

בפינה הימנית התחתונה רואים את המפה,

In the upper left corner, the camera input stream.

בפינה השמאלית העליונה - קלט רציף מן המצלמה,

And the big box in the middle with the blinking lights

והקופסה הגדולה באמצע עם האורות המהבהבים

is the decision-making engine.

היא מנוע קבלת ההחלטות.

It consists of tens of thousands of artificial neurons,

הוא מורכב מעשרות אלפי נוירונים מלאכותיים,

and it decides how the car should steer.

והוא מחליט כיצד המכונית צריכה לנהוג.

It is impossible to correlate the activity of these neurons

אי-אפשר לקשר בין פעילותם של הנוירונים האלה

with the behavior of the car.

לבין התנהגות המכונית.

Moreover, if you look at the lower left side,

יתר על כן, אם תביטו בצד שמאל למטה,

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

תראו לאן בתמונה מביט מנוע קבלת ההחלטות הזה

to tell the car what to do.

כדי לומר למכונית מה לעשות.

And you see how noisy it is.

אתם רואים כמה הרבה רעש יש שם?

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

והמכונית הזאת נוסעת על פי צפיה בשיחים ובעצים שלצד הדרך.

on the side of the road.

That's not how we drive.

אנו לא נוהגים ככה. אנשים מסתכלים על הכביש.

People look at the road.

Now contrast this with our liquid network solution,

כעת השוו זאת לפתרון הרשת הנוזלית שלנו,

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

המורכבת מ-19 נוירונים בלבד ולא מעשרות אלפים.

And look at its attention map.

וראו את מפת תשומת הלב שלה.

It's so clean and focused on the road horizon

זה כל-כך נקי וממוקד באופק הכביש ובשולי הדרך.

and the side of the road.

Because these models are so much smaller,

הודות לכך שהמודלים האלה קטנים הרבה יותר,

we actually understand how they make decisions.

אנו יכולים להבין איך הם מקבלים החלטות.

So how did we get this performance?

אז איך הגענו לביצועים האלה?

Well, in a traditional AI system,

ובכן, במערכת בינה מלאכותית מסורתית,

the computational neuron is the artificial neuron,

הנוירון החישובי הוא הנוירון המלאכותי,

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

והנוירון המלאכותי הוא בעצם יחידת חישוב של גע/תוק.

It takes in some numbers, adds them up,

הוא לוקח כמה מספרים, מחבר אותם,

applies some basic math

עושה חשבון בסיסי ומעביר הלאה את התוצאה.

and passes along the result.

And this is complex

וזה מורכב, כי זה קורה בין אלפי יחידות חישוביות.

because it happens across thousands of computational units.

In liquid networks,

ברשתות נוזליות, יש לנו פחות נוירונים,

we have fewer neurons,

but each one does more complex math.

אבל כל אחד מהם עוסק במתמטיקה מורכבת יותר.

Here's what happens inside our liquid neuron.

הנה מה שקורה בתוך הנוירון הנוזלי שלנו.

We use differential equations to model the neural computation

אנו משתמשים במשוואות דיפרנציאליות

כדי למדל את החישוב העצבי ואת הסינפסה המלאכותית.

and the artificial synapse.

And these differential equations

והמשוואות הדיפרנציאליות הללו

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

הן מה שהביולוגים מיפו במבנה העצבי של התולעים.

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

אנו גם מחווטים אחרת את הנוירונים כדי להגביר את זרימת המידע.

Well, these changes yield phenomenal results.

שינויים אלה מניבים תוצאות פנומנליות.

Traditional AI systems are frozen after training.

מערכות בינה מלאכותית מסורתיות קופאות לאחר האימון,

That means they cannot continue to improve

כלומר, הן לא יכולות להמשיך להשתפר

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

כשמשחררים אותן לטבע בעולם הממשי.

We just wait for the next release.

אנו פשוט מחכים למהדורה הבאה.

Because of what's happening inside the liquid neuron,

הודות למה שקורה בתוך הנוירון הנוזלי,

liquid networks continue to adapt after training

הרשתות הנוזליות ממשיכות להסתגל לאחר האימון,

based on the inputs that they see.

על סמך הקלט שהן רואות.

Let me show you.

הרשו לי להראות לכם.

We trained traditional AI and liquid networks

הכשרנו בינה מלאכותית מסורתית ורשתות נוזליות

using summertime videos like these ones,

באמצעות סרטוני קיץ כמו אלה,

and the task was to find things in the woods.

כשהמטלה היתה למצוא עצמים בין העצים.

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

כל המודלים למדו לבצע את המטלה בקיץ.

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

ואז ניסינו להשתמש במודלים על רחפנים, בסתיו.

The traditional AI solution gets confused by the background.

פתרון הבינה המלאכותית המסורתי מתבלבל בגלל הרקע.

Look at the attention map, cannot do the task.

הסתכלו על מפת הקשב, הוא לא מצליח לבצע את המטלה.

Liquid networks do not get confused by the background

רשתות נוזליות אינן מתבלבלות בגלל הרקע

and very successfully execute the task.

ומשלימות את המטלה בהצלחה רבה.

So this is it.

אז זהו זה. זהו הצעד הבא:

This is the step forward:

AI that adapts after training.

בינה מלאכותית שממשיכה להסתגל לאחר האימון.

Liquid networks are important

רשתות נוזליות הן חשובות

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

כי הן נותנות לנו דרך חדשה לגרום למכונות לחשוב

that is rooted into physics models,

דרך שמושרשת במודלים של פיזיקה.

a new technology for AI.

זו טכנולוגיה חדשה של בינה מלאכותית.

We can run them on smartphones, on robots,

אנו יכולים להריץ אותה על טלפונים חכמים, על רובוטים,

on enterprise computers,

במחשבים ארגוניים,

and even on new types of machines

ואפילו על סוגים חדשים של מכונות

that we can now begin to imagine and design.

שאנו יכולים כעת להתחיל לדמיין ולעצב -

The second aspect of physical intelligence.

ההיבט השני של האינטליגנציה הפיזית.

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

יש להניח שכבר יצרתם תמונות באמצעות מערכות טקסט-לתמונה.

We can also do text-to-robot,

אנו יכולים גם לעשות טקסט-לרובוט,

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

אך לא בעזרת פתרונות בינה מלאכותית קיימים כי הם עובדים על סטטיסטיקה

and do not understand physics.

ואינם מבינים פיזיקה.

In my lab,

במעבדה שלי פיתחנו גישה המנחה את תהליך התכנון

we developed an approach that guides the design process

by checking and simulating the physical constraints for the machine.

על ידי בדיקה והדמיה של האילוצים הפיזיים של המכונה.

We start with a language prompt,

אנו מתחילים בבקשה לשונית,

"Make me a robot that can walk forward,"

“בנה לי רובוט שיכול לצעוד קדימה“,

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

והמערכת שלנו מפיקה את העיצובים, כולל צורה, חומרים, מנועים,

sensors, the program to control it

חיישנים, תוכנית השליטה בו וקבצי הייצור לצורך בנייתו.

and the fabrication files to make it.

And then the designs get refined in simulation

בהמשך, העיצובים משתכללים בעזרת הדמיה,

until they meet the specifications.

עד שהם עומדים במפרט.

So in a few hours we can go from idea

וכך, בתוך שעות סופורת ביכולתנו לעבור מרעיון

to controllable physical machine.

למכונה פיזית נשלטת.

We can also do image-to-robot.

אנו יכולים גם לעשות תמונה-לרובוט.

This photo can be transformed into a cuddly robotic bunny.

את התמונה זו ניתן להפוך לארנב רובוטי נעים לליטוף.

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

לשם כך, האלגוריתם שלנו מחשב ייצוג תלת-מימדי של התמונה

that gets sliced and folded, printed.

וזו נחתכת, מקופלת, מודפסת.

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

אח“כ מכן אנו מקפלים את השכבות המודפסות, מחברים כמה מנועים וחיישנים,

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

כותבים קוד, ומקבלים את הארנב שאתם רואים בסרטון הזה.

We can use this approach to make anything almost,

אנו יכולים להשתמש בגישה זו כדי ליצור כל דבר כמעט,

from an image, from a photo.

מדימוי, מתמונה.

So the ability to transform text into images

כך שיש חשיבות ליכולת להפוך טקסט לתמונות

and to transform images into robots is important,

ותמונות לרובוטים,

because we are drastically reducing the amount of time

כי אנו מצמצמים באופן דרסטי את משך הזמן

and the resources needed to prototype and test new products,

ואת המשאבים הדרושים לבניית אבטיפוס של מוצרים חדשים ובדיקתם,

and this is allowing for a much faster innovation cycle.

וזה מאפשר מחזור חדשנות מהיר בהרבה.

And now we are ready to even make the leap

וכעת אנו מוכנים אפילו לזינוק הבא:

to get these machines to learn.

לגרום למכונות האלה ללמוד,

The third aspect of physical intelligence.

ההיבט השלישי של הבינה הפיזית.

These machines can learn from humans how to do tasks.

מכונות אלה יכולות ללמוד מבני-אדם לבצע מטלות.

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

תוכלו לחשוב על זה כאדם-לרובוט.

In my lab, we created a kitchen environment

במעבדה שלי הקמנו סביבת מטבח

where we instrument people with sensors,

שבה אנו מחברים חיישנים לאנשים,

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

ואוספים הרבה נתונים על הדרכים בהן אנשים מבצעים מטלות במטבח.

We need physical data

אנו זקוקים לנתונים פיזיים

because videos do not capture the dynamics of the task.

כי הסרטונים אינם לוכדים את הדינמיקה של המטלה.

So we collect muscle, pose, even gaze information

אז אנחנו אוספים מידע על שרירים, תנוחות ואפילו מבט,

about how people do tasks.

שכרוכים בביצוע אנושי של מטלות.

And then we train AI using this data

ואז אנו מאמנים בינה מלאכותית באמצעות הנתונים האלה

to teach robots how to do the same tasks.

כדי ללמד רובוטים לבצע את אותן מטלות.

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

והתוצאה הסופית היא מכונות שנעות בחן וזריזות,

as well as adapt and learn.

וגם מסתגלות ולומדות.

Physical intelligence.

בינה פיזית.

We can use this approach to teach robots

אנו יכולים להשתמש בגישה זו כדי ללמד רובוטים

how to do a wide range of tasks:

לבצע מגוון רחב של מטלות:

food preparation, cleaning and so much more.

הכנת מזון, ניקוי ועוד הרבה יותר.

The ability to turn images and text into functional machines,

היכולת להפוך תמונות וטקסט למכונות פונקציונליות,

coupled with using liquid networks

לצד שימוש ברשתות נוזליות

to create powerful brains for these machines

לצורך יצירת מוחות חזקים עבור המכונות האלה,

that can learn from humans, is incredibly exciting.

שיכולות ללמוד מבני אדם - זה מלהיב ביותר,

Because this means we can make almost anything we imagine.

כי זה אומר שאנו יכולים לעשות כמעט כל מה שעולה על הדעת.

Today's AI has a ceiling.

לבינה המלאכותית של היום יש תקרה.

It requires server farms.

היא דורשת חוות שרתים.

It's not sustainable.

היא לא בת-קיימא.

It makes inexplicable mistakes.

היא עושה טעויות בלתי-מוסברות.

Let's not settle for the current offering.

בואו לא נסתפק בהיצע הנוכחי.

When AI moves into the physical world,

כשהבינה המלאכותית עוברת לעולם הממשי,

the opportunities for benefits and for breakthroughs is extraordinary.

ההזדמנויות לתועלת ולפריצות-דרך הן מדהימות.

You can get personal assistants that optimize your routines

תוכלו לקבל עוזרים אישיים

שימטבו את השגרות שלכם ויחזו את הצרכים שלכם,

and anticipate your needs,

bespoke machines that help you at work

מכונות בהתאמה אישית שתעזורנה לכם בעבודה

and robots that delight you in your spare time.

ורובוטים שיבדרו אתכם בזמנכם הפנוי.

The promise of physical intelligence is to transcend our human limitations

ההבטחה הגלומה בבינה הפיזית היא להתעלות מעל המגבלות האנושיות שלנו

with capabilities that extend our reach,

עם יכולות שירחיבו את הישג ידנו,

amplify our strengths

יגבירו את נקודות החוזק שלנו,

and refine our precision

יחדדו את הדיוק שלנו

and grant us ways to interact with the world

ויעניקו לנו דרכים ליחסי-גומלין עם העולם

we've only dreamed of.

שרק חלמנו עליהן.

We are the only species so advanced, so aware,

אנו המין היחיד שמתקדם, מודע,

so capable of building these extraordinary tools.

ומסוגל כל-כך לבנות כלים מדהימים אלה.

Yet, developing physical intelligence

אבל פיתוחה של בינה פיזית

is teaching us that we have so much more to learn

מלמד אותנו שיש לנו כל-כך הרבה מה ללמוד

about technology and about ourselves.

על הטכנולוגיה ועל עצמנו.

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

הכרחי שהידיים האנושיות ינחו את הבינה המלאכותית מהר ככל האפשר.

After all, we remain responsible for this planet

הרי כוכב הלכת הזה וכל מה שחי עליו עודם באחריותנו.

and everything living on it.

I remain convinced that we have the power

אני עדיין משוכנעת שיש לנו הכוח

to use physical intelligence to ensure a better future for humanity

להשתמש בבינה הפיזית כדי להבטיח עתיד טוב יותר לאנושות

and for the planet.

וגם לכוכב הלכת.

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

ואני רוצה להזמין אתכם לעזור לנו במסע הזה.

Some of you will help develop physical intelligence.

חלקכם יעזרו לפתח את הבינה הפיזית.

Some of you will use it.

חלקכם ישתמשו בה,

And some of you will invent the future.

ואחדים מכם ימציאו את העתיד.

Thank you.

תודה לכם.

(Applause)

(מחיאות כפיים)