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

Çeviri: Ozay Ozaydin Gözden geçirme: Başak Gökdaş

When I was a student studying robotics,

Robotik okuyan bir öğrenciyken,

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

bir grubumuz profesörümüzün doğum günü için bir hediye yapmaya karar verdik.

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

Robotumuzu onun için bir dilim pasta kesecek şekilde programlamak istedik.

We pulled an all-nighter writing the software,

Yazılımı yazmak için bütün gece uğraştık

and the next day, disaster.

ve ertesi gün felaket oldu.

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

Robotu yumuşak, yuvarlak bir pandispanya kesmesi için programladık

but we didn't coordinate well.

ama iyi koordine edemedik.

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

Onun yerine kare şeklinde sert bir dondurmalı pasta aldık.

The robot flailed wildly and nearly destroyed the cake.

Robot çılgınca çırpındı ve neredeyse pastayı yok ediyordu.

(Laughter)

(Kahkahalar)

Our professor was delighted, anyway.

Profesörümüz yine de çok sevindi.

He calmly pushed the stop button

Sakince durdurma düğmesine bastı

ve robotun düzensiz davranışını

and declared the erratic behavior of the robot

bir kontrol tekilliği olarak ilan etti.

a control singularity.

A robotics technical term.

Bir robotik teknik terimi.

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

Hayal kırıklığına uğramıştım ama çok önemli bir ders almıştım.

The physical world,

Fiziksel dünya,

with its physics laws and imprecisions,

fizik kanunları ve kesin olmayan yönleriyle,

is a far more demanding space than the digital world.

dijital dünyadan çok daha zorlu bir alandır.

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

Bugün, MIT’nin en büyük araştırma birimi olan

Bilgisayar Bilimi ve Yapay Zeka laboratuvarını yönetiyorum.

the largest research unit at MIT.

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

Burası, bilgisayar ve akıllı makinelerin geleceğini icat etmek için

to invent the future of computing and intelligent machines.

parlak ve cesur araştırmacılarla birlikte çalıştığım binamız.

Today in computing,

Günümüzde bilişim,

artificial intelligence and robotics are largely separate fields.

yapay zeka ve robotik büyük ölçüde birbirinden ayrı alanlar.

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

Yapay zeka karar verme ve öğrenme yetisiyle sizi hayrete düşürdü,

but it remains confined inside computers.

ancak bilgisayarların içine hapsolmuş durumda.

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

Robotlar fiziksel bir varlığa sahipler

ve önceden programlanmış görevleri yerine getirebiliyorlar,

but they're not intelligent.

ancak zeki değiller.

Well, this separation is starting to change.

İşte bu ayrım değişmeye başlıyor.

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

YZ, 2D bilgisayar ekranı etkileşimlerinden kurtulmak

and enter a vibrant, physical 3D world.

ve canlı, fiziksel bir 3D dünyaya girmek üzere.

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

Laboratuvarımda, YZ’nin dijital zekasını robotların

with the mechanical prowess of robots.

mekanik becerisiyle birleştiriyoruz.

Moving AI from the digital world into the physical world

Yapay zekayı dijital dünyadan fiziksel dünyaya taşımak,

is making machines intelligent

makineleri akıllı hale getiriyor

and leading to the next great breakthrough,

ve benim fiziksel zeka olarak adlandırdığım

what I call physical intelligence.

bir sonraki büyük atılıma yol açıyor.

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

Fiziksel zeka, YZ’nin metinleri,

görüntüleri ve diğer çevrimiçi bilgileri anlama gücünün

images and other online information

gerçek dünyadaki makineleri daha akıllı hale getirmek için kullanılmasıdır.

is used to make real-world machines smarter.

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

Bu, YZ’nin önceden programlanmış robotların

verilerden elde edilen bilgileri kullanarak

görevlerini daha iyi yapmalarına yardımcı olabileceği anlamına geliyor.

by using knowledge from data.

With physical intelligence,

Fiziksel zeka ile

AI doesn't just reside in our computers,

YZ sadece bilgisayarlarımızda bulunmaz,

but walks, rolls, flies

aynı zamanda yürür, yuvarlanır, uçar

and interacts with us in surprising ways.

ve bizimle şaşırtıcı şekillerde etkileşime girer.

Imagine being surrounded by helpful robots at the supermarket.

Süpermarkette yardımsever robotlarla çevrili olduğunuzu hayal edin.

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

Soldaki ağır bir kutuyu taşımanıza yardımcı olabilir.

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

Bunu gerçekleştirmek için birkaç şey yapmamız gerekiyor.

We need to rethink how machines think.

Makinelerin nasıl düşündüğünü yeniden düşünmeliyiz.

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

Nasıl tasarlandıklarını

ve nasıl öğrendiklerini yeniden düzenlememiz gerekiyor.

So for physical intelligence,

Fiziksel zeka için

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

yapay zekanın robotun vücuduna sığan bilgisayarlarda çalışması gerekiyor.

For example, our soft robot fish.

Örneğin, yumuşak robot balığımız.

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

Günümüzün YZ’si sığmayan sunucu çiftlikleri kullanıyor.

Today's AI also makes mistakes.

Günümüzün yapay zekası da hatalar yapıyor.

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

Bir robot arabadaki bu YZ sistemi yayaları algılamıyor.

For physical intelligence,

Fiziksel zeka için

we need small brains that do not make mistakes.

hata yapmayan küçük beyinlere ihtiyacımız var.

We're tackling these challenges using inspiration

Bu zorlukların üstesinden C. elegans adlı

from a worm called C. elegans

bir solucandan ilham alarak geliyoruz.

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

İnsan beynindeki milyarlarca nöronun aksine,

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

C. elegans sadece 302 nöronla mutlu bir yaşam sürüyor

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

ve biyologlar bu nöronların her birinin ne yaptığının matematiğini anlıyor.

So here's the idea.

Şimdi fikir şu.

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

Bu nöronların matematiğinden ilham alarak yapay zeka oluşturabilir miyiz?

We have developed, together with my collaborators and students,

İş arkadaşlarım ve öğrencilerimle birlikte yapay zekaya

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

“sıvı ağlar” adını verdiğimiz yeni bir yaklaşım geliştirdik.

And liquid networks results in much more compact

Sıvı ağlar, günümüzün geleneksel yapay zeka çözümlerinden

and explainable solutions than today's traditional AI solutions.

çok daha kompakt ve açıklanabilir çözümlerle sonuçlanıyor.

Let me show you.

Size göstermeme izin verin.

This is our self-driving car.

Bu bizim sürücüsüz arabamız.

It's trained using a traditional AI solution,

Geleneksel bir yapay zeka çözümü kullanılarak eğitildi,

the kind you find in many applications today.

bugün birçok uygulamada bulabileceğiniz türden.

This is the dashboard of the car.

Bu arabanın gösterge paneli.

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

Sağ alt köşede haritayı göreceksiniz.

In the upper left corner, the camera input stream.

Sol üst köşede, kamera giriş akışı.

And the big box in the middle with the blinking lights

Ortada yanıp sönen ışıkların olduğu

is the decision-making engine.

büyük kutu ise karar verme motoru.

It consists of tens of thousands of artificial neurons,

On binlerce yapay nörondan oluşuyor

ve arabanın nasıl yönlendirilmesi gerektiğine karar veriyor.

and it decides how the car should steer.

It is impossible to correlate the activity of these neurons

Bu nöronların aktivitesini arabanın davranışıyla

with the behavior of the car.

ilişkilendirmek mümkün değil.

Moreover, if you look at the lower left side,

Dahası, sol alt tarafa bakarsanız,

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

bu karar verme motorunun arabaya ne yapması gerektiğini söylemek için

to tell the car what to do.

görüntünün neresine baktığını görürsünüz.

And you see how noisy it is.

Ne kadar gürültülü olduğunu görüyorsunuz.

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

Bu araba yolun kenarındaki çalılara

on the side of the road.

ve ağaçlara bakarak sürüyor.

That's not how we drive.

Biz böyle araba kullanmıyoruz.

People look at the road.

İnsanlar yola bakar.

Now contrast this with our liquid network solution,

Şimdi bunu on binlerce nöron yerine

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

sadece 19 nörondan oluşan sıvı ağ çözümümüzle karşılaştırın.

And look at its attention map.

Dikkat haritasına bakın.

It's so clean and focused on the road horizon

Çok temiz ve yol ufkuna

and the side of the road.

ve yolun kenarına odaklanmış.

Because these models are so much smaller,

Bu modeller çok daha küçük olduğu için

we actually understand how they make decisions.

aslında nasıl karar verdiklerini anlayabiliyoruz.

So how did we get this performance?

Peki bu performansı nasıl elde ettik?

Well, in a traditional AI system,

Geleneksel bir yapay zeka sisteminde,

the computational neuron is the artificial neuron,

hesaplama nöronu yapay nörondur

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

ve yapay nöron esasen bir açma/kapama hesaplama birimidir.

It takes in some numbers, adds them up,

Bazı sayıları alır, toplar,

applies some basic math

bazı temel matematiği uygular

and passes along the result.

ve sonucu iletir.

And this is complex

Bu karmaşıktır

because it happens across thousands of computational units.

çünkü binlerce hesaplama biriminde gerçekleşir.

In liquid networks,

Sıvı ağlarda,

we have fewer neurons,

daha az nöronumuz vardır,

but each one does more complex math.

ancak her biri daha karmaşık matematik yapar.

Here's what happens inside our liquid neuron.

İşte sıvı nöronumuzun içinde olanlar.

We use differential equations to model the neural computation

Nöral hesaplamayı ve yapay sinapsı modellemek için

and the artificial synapse.

diferansiyel denklemler kullanıyoruz.

And these differential equations

Bu diferansiyel denklemler,

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

biyologların solucanların nöral yapısı için haritalandırdıkları şeydir.

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

Ayrıca bilgi akışını arttırmak için nöronları farklı şekilde bağladık.

Well, these changes yield phenomenal results.

Bu değişiklikler olağanüstü sonuçlar veriyor.

Traditional AI systems are frozen after training.

Geleneksel yapay zeka sistemleri eğitimden sonra dondurulur.

That means they cannot continue to improve

Bu da onları vahşi doğada fiziksel bir dünyaya yerleştirdiğimizde

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

gelişmeye devam edemeyecekleri anlamına geliyor.

We just wait for the next release.

Sadece bir sonraki sürümü bekleriz.

Because of what's happening inside the liquid neuron,

Sıvı nöronun içinde olup bitenler nedeniyle,

liquid networks continue to adapt after training

sıvı ağlar eğitimden sonra gördükleri girdilere göre

based on the inputs that they see.

uyum sağlamaya devam eder.

Let me show you.

Size göstermeme izin verin.

We trained traditional AI and liquid networks

Geleneksel yapay zeka ve sıvı ağları

using summertime videos like these ones,

bu videolar gibi yaz videolarını kullanarak eğittik

and the task was to find things in the woods.

ve görevimiz ormanda bir şeyler bulmaktı.

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

Tüm modeller yaz aylarında bu görevi nasıl yapacaklarını öğrendi.

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

Daha sonra modelleri sonbaharda drone’larda kullanmaya çalıştık.

The traditional AI solution gets confused by the background.

Geleneksel yapay zeka çözümünün arka plan yüzünden kafası karışıyor.

Look at the attention map, cannot do the task.

Dikkat haritasına bakıyor, görevi yapamıyor.

Liquid networks do not get confused by the background

Sıvı ağların arka planla kafası karışmıyor

and very successfully execute the task.

ve görevi çok başarılı bir şekilde yerine getiriyor.

So this is it.

İşte bu kadar.

This is the step forward:

Bu ileri bir adım:

AI that adapts after training.

Eğitimden sonra adapte olan yapay zeka.

Liquid networks are important

Sıvı ağlar önemli

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

çünkü bize makinelerin düşünmesini sağlamanın

fizik modellerine dayanan yeni bir yolunu,

that is rooted into physics models,

yapay zeka için yeni bir teknolojiyi sunuyorlar.

a new technology for AI.

We can run them on smartphones, on robots,

Bunları akıllı telefonlarda, robotlarda,

kurumsal bilgisayarlarda

on enterprise computers,

ve hatta artık hayal etmeye

and even on new types of machines

ve tasarlamaya başlayabileceğimiz yeni makine türlerinde çalıştırabiliriz.

that we can now begin to imagine and design.

The second aspect of physical intelligence.

Fiziksel zekanın ikinci yönü.

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

Şimdiye kadar muhtemelen metinden görüntüye sistemleri kullanarak

görüntüler oluşturmuşsunuzdur.

We can also do text-to-robot,

Metinden robota da yapabiliriz,

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

ancak günümüzün yapay zeka çözümlerini kullanamayız

çünkü bunlar istatistikler üzerinde çalışıyor

and do not understand physics.

ve fiziği anlamıyor.

In my lab,

Laboratuvarımda,

we developed an approach that guides the design process

makine için fiziksel kısıtlamaları kontrol ederek

by checking and simulating the physical constraints for the machine.

ve simüle ederek tasarım sürecine rehberlik eden bir yaklaşım geliştirdik.

We start with a language prompt,

Bana ileriye doğru yürüyebilen bir robot yap

"Make me a robot that can walk forward,"

şeklinde bir dil komutuyla başlıyoruz

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

ve sistemimiz şekil, malzemeler, aktüatörler,

sensörler, onu kontrol edecek program

sensors, the program to control it

ve onu yapmak için gerekli üretim dosyalarını içeren tasarımları üretiyor.

and the fabrication files to make it.

And then the designs get refined in simulation

Daha sonra tasarımlar, spesifikasyonları karşılayana kadar

until they meet the specifications.

simülasyonda rafine ediliyor.

So in a few hours we can go from idea

Böylece birkaç saat içinde fikirden

kontrol edilebilir fiziksel makineye geçebiliyoruz.

to controllable physical machine.

We can also do image-to-robot.

Ayrıca görüntüden robota da geçebiliyoruz.

This photo can be transformed into a cuddly robotic bunny.

Bu fotoğraf sevimli bir robotik tavşana dönüştürülebilir.

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

Bunu yapmak için algoritmamız fotoğrafın 3 boyutlu bir temsilini hesaplıyor

that gets sliced and folded, printed.

ve bu temsil dilimlenip katlanarak basılıyor.

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

Sonra basılı katmanları katlıyoruz, bazı motorları ve sensörleri diziyoruz.

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

Biraz kod yazıyoruz ve bu videoda gördüğünüz tavşanı elde ediyoruz.

We can use this approach to make anything almost,

Bu yaklaşımı bir görüntüden, bir fotoğraftan

neredeyse her şeyi yapmak için kullanabiliriz.

from an image, from a photo.

So the ability to transform text into images

Dolayısıyla metni görüntüye, görüntüyü de robota dönüştürebilmek

çok önemli çünkü yeni ürünleri prototip haline getirmek

and to transform images into robots is important,

because we are drastically reducing the amount of time

ve test etmek için gereken süreyi

and the resources needed to prototype and test new products,

ve kaynakları büyük ölçüde azaltıyoruz

and this is allowing for a much faster innovation cycle.

ve bu da çok daha hızlı bir inovasyon döngüsü sağlıyor.

And now we are ready to even make the leap

Şimdi bu makinelerin öğrenmesini sağlamak için

to get these machines to learn.

sıçrama yapmaya bile hazırız.

The third aspect of physical intelligence.

Fiziksel zekanın üçüncü yönü.

These machines can learn from humans how to do tasks.

Bu makineler görevlerin nasıl yapılacağını insanlardan öğrenebilir.

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

Bunu insandan robota olarak düşünebilirsiniz.

In my lab, we created a kitchen environment

Laboratuvarımda, insanlara sensörler yerleştirdiğimiz

where we instrument people with sensors,

bir mutfak ortamı yarattık

ve insanların mutfak işlerini nasıl yaptıklarına dair

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

çok sayıda veri topladık.

We need physical data

Fiziksel verilere ihtiyacımız var

because videos do not capture the dynamics of the task.

çünkü videolar görevin dinamiklerini yakalayamıyor.

So we collect muscle, pose, even gaze information

Bu yüzden insanların görevleri nasıl yaptıklarına dair kas, poz

about how people do tasks.

ve hatta bakış bilgilerini topluyoruz.

And then we train AI using this data

Sonra da robotlara aynı görevleri nasıl yapacaklarını öğretmek için

to teach robots how to do the same tasks.

bu verileri kullanarak yapay zekayı eğitiyoruz.

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

Sonuçta zarafet ve çeviklikle hareket eden, uyum sağlayan

as well as adapt and learn.

ve öğrenen makineler ortaya çıkıyor.

Physical intelligence.

Fiziksel zeka.

We can use this approach to teach robots

Bu yaklaşımı robotlara çok çeşitli görevleri

nasıl yapacaklarını öğretmek için kullanabiliriz:

how to do a wide range of tasks:

food preparation, cleaning and so much more.

yemek hazırlama, temizlik ve çok daha fazlası.

The ability to turn images and text into functional machines,

Görüntüleri ve metinleri işlevsel makinelere

dönüştürme becerisi ve bu makineler için

coupled with using liquid networks

insanlardan öğrenebilen güçlü beyinler oluşturmak üzere

to create powerful brains for these machines

that can learn from humans, is incredibly exciting.

sıvı ağları kullanmak inanılmaz derecede heyecan verici.

Because this means we can make almost anything we imagine.

Çünkü bu, hayal ettiğimiz neredeyse her şeyi yapabileceğimiz anlamına geliyor.

Today's AI has a ceiling.

Günümüzün yapay zekasının bir tavanı var.

It requires server farms.

Sunucu çiftlikleri gerektiriyor.

It's not sustainable.

Sürdürülebilir değil.

It makes inexplicable mistakes.

Açıklanamaz hatalar yapıyor.

Let's not settle for the current offering.

Mevcut teklifle yetinmeyelim.

When AI moves into the physical world,

Yapay zeka fiziksel dünyaya girdiğinde,

the opportunities for benefits and for breakthroughs is extraordinary.

faydalar ve atılımlar için fırsatlar olağanüstüdür.

You can get personal assistants that optimize your routines

Rutinlerinizi optimize eden ve ihtiyaçlarınızı öngören

and anticipate your needs,

kişisel asistanlar,

bespoke machines that help you at work

işte size yardımcı olan ısmarlama makineler

and robots that delight you in your spare time.

ve boş zamanlarınızda sizi memnun eden robotlar edinebilirsiniz.

The promise of physical intelligence is to transcend our human limitations

Fiziksel zekanın vaadi, erişim alanımızı genişleten,

gücümüzü artıran

ve hassasiyetimizi geliştiren yeteneklerle

with capabilities that extend our reach,

insani sınırlarımızı aşmak

amplify our strengths

ve bize sadece hayalini kurduğumuz

and refine our precision

and grant us ways to interact with the world

dünyayla etkileşim kurma yolları sunmaktır.

we've only dreamed of.

We are the only species so advanced, so aware,

Bu kadar gelişmiş, bu kadar bilinçli

so capable of building these extraordinary tools.

ve bu olağanüstü araçları inşa edebilen tek tür biziz.

Yet, developing physical intelligence

Yine de, gelişen fiziksel zeka bize teknoloji

is teaching us that we have so much more to learn

ve kendimiz hakkında öğrenecek

about technology and about ourselves.

daha çok şeyimiz olduğunu öğretiyor.

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

Yapay zeka üzerinde insan rehberliğine çok geç olmadan ihtiyacımız var.

After all, we remain responsible for this planet

Ne de olsa bu gezegenden ve üzerinde yaşayan

and everything living on it.

her şeyden biz sorumluyuz.

I remain convinced that we have the power

İnsanlık ve gezegen için daha iyi bir gelecek sağlamak üzere

to use physical intelligence to ensure a better future for humanity

fiziksel zekayı kullanma gücüne sahip olduğumuza olan inancımı koruyorum.

and for the planet.

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

Sizi bu arayışta bize yardımcı olmaya davet ediyorum.

Some of you will help develop physical intelligence.

Bazılarınız fiziksel zekânın geliştirilmesine yardımcı olacak.

Some of you will use it.

Bazılarınız onu kullanacak.

And some of you will invent the future.

Bazılarınız da geleceği icat edecek.

Thank you.

Teşekkür ederim.

(Applause)

(Alkışlar)