So, where are the robots? We've been told for 40 years already that they're coming soon. Very soon they'll be doing everything for us. They'll be cooking, cleaning, buying things, shopping, building. But they aren't here. Meanwhile, we have illegal immigrants doing all the work, but we don't have any robots. So what can we do about that? What can we say? So I want to give a little bit of a different perspective of how we can perhaps look at these things in a little bit of a different way. And this is an x-ray picture of a real beetle, and a Swiss watch, back from '88. You look at that -- what was true then is certainly true today. We can still make the pieces. We can make the right pieces. We can make the circuitry of the right computational power, but we can't actually put them together to make something that will actually work and be as adaptive as these systems.
Peki, nerede o robotlar? 40 yılı aşkın süredir çok yakında gelecekleri söylenen robotlar. Çok yakında bizim için herşeyi yapıyor olacaklar. Yemek, temizlik, alışveriş, inşaat yapıyor olacaklar. Ama hala ortalıkta yoklar. Bu arada kaçak göçmenler tüm bu işleri yapıyorlar, ama ortada hiç robot yok. Peki bu konuda ne yapabiliriz? Ne diyebiliriz? O yüzden ben belki biraz farklı bir bakış açısıyla yaklaşarak bu duruma nasıl daha farklı bir şekilde bakabileceğimizi anlatacağım. Gördükleriniz bir böcekle, 1988'den kalma isveç yapımı bir kol saatinin röntgenleri. Bunlara şimdi baktığınızda görünen ile, o zaman bakıldıığında görünen aynı. Hala aynı parçaları üretebiliyoruz, doğru parçarları yapıyoruz, gerekli işlem gücü için devreleri üretebiliyoruz, ama aslında, hakikaten çalışacak ve bu sistemler gibi uyumlu olabilecek birşey ortaya çıkarmak için bu parçaları düzgünce birleştiremiyoruz.
So let's try to look at it from a different perspective. Let's summon the best designer, the mother of all designers. Let's see what evolution can do for us. So we threw in -- we created a primordial soup with lots of pieces of robots -- with bars, with motors, with neurons. Put them all together, and put all this under kind of natural selection, under mutation, and rewarded things for how well they can move forward. A very simple task, and it's interesting to see what kind of things came out of that.
Öyleyse bunlara başka bir yönden bakmayı deneyelim. Tüm tasarımcıların atası, en iyi tasarımcıyı çağıralım o zaman: değişimin bizim için neler yapabileceğine bir bakalım. Biz de kalıplar, motorlar ve sinir hücreleri gibi robot parçalarını birbirine karıştırdık ve ilkel bir çorba yaptık. Bunların hepsini bir araya koyduk ve bir çeşit doğal ayıklanma süreciyle mutasayona bıraktık ve ilerleme kabiliyetlerine göre onları ödüllendirdik. Çok basit bir işti ve onun sonucunda ne olacağını görmek enteresan oldu.
So if you look, you can see a lot of different machines come out of this. They all move around. They all crawl in different ways, and you can see on the right, that we actually made a couple of these things, and they work in reality. These are not very fantastic robots, but they evolved to do exactly what we reward them for:
Baktığınızda, çok farklı makinaların ortaya çıktığını görebilirsiniz. Hepsi etrafta dolaşıyor, farklı şekillerde yol alıyor, ve sağ tarafta gördüğünüz gibi, biz bunlardan bir iki tane yaptık, ve onlar gerçekte de çalışıyorlar. Onlar pek muhteşem robotlar olmasalar da, sonucunda bizim onları ödüllendirdiğimiz şeyi yapmak için geliştiler:
for moving forward. So that was all done in simulation, but we can also do that on a real machine. Here's a physical robot that we actually have a population of brains, competing, or evolving on the machine. It's like a rodeo show. They all get a ride on the machine, and they get rewarded for how fast or how far they can make the machine move forward. And you can see these robots are not ready to take over the world yet, but they gradually learn how to move forward, and they do this autonomously.
ileri gitmek için. Aslında bunların hepsi canlandırmada yapılmıştı, ama biz bunu gerçek bir makinada da yapabiliriz. İşte burada gördüğünüz fiziksel bir robot, ve o aslında bir makinanın üzerinde yarışan veya değişen bir beyine sahip. Bu bir rodeo gösterisi gibi, herkes makinayı bir defa sürüyor ve makinayı ilerletme veya hızlandırma miktarlarına göre ödüllendiriliyor. Ve görüldüğü gibi bu robotlar dünyayı ele geçirmek için henüz hazır değiller, ama düzenli olarak nasıl ileri gidebileceklerini öğreniyorlar, ve bunu kendi kendilerine yapıyorlar.
So in these two examples, we had basically machines that learned how to walk in simulation, and also machines that learned how to walk in reality. But I want to show you a different approach, and this is this robot over here, which has four legs. It has eight motors, four on the knees and four on the hip. It has also two tilt sensors that tell the machine which way it's tilting.
Bu iki örnekte de gördüğünüz gibi, temel olarak sanal ortamda yürümeyi öğrenen makinalarımız ve aynı zamanda gerçek hayatta yürümeyi öğrenen makinalarımız var. Ama ben size farklı bir yaklaşım göstermek istiyorum, işte burada gördüğünüz 4 bacağı olan robotumuzun, 8 motoru var, 4 adet dizlerde ve 4 adet kalçada. Bunun yanında makinanın hangi yöne eğildiğini gösteren eğim algılayıcıları var.
But this machine doesn't know what it looks like. You look at it and you see it has four legs, the machine doesn't know if it's a snake, if it's a tree, it doesn't have any idea what it looks like, but it's going to try to find that out. Initially, it does some random motion, and then it tries to figure out what it might look like. And you're seeing a lot of things passing through its minds, a lot of self-models that try to explain the relationship between actuation and sensing. It then tries to do a second action that creates the most disagreement among predictions of these alternative models, like a scientist in a lab. Then it does that and tries to explain that, and prune out its self-models.
Ama bu makina kendisinin neye benzediğini bilmiyor. Siz ona bakıyor ve görüyorsunuz ki 4 bacağı var, ama makina kendisinin bir yılan mı yoksa bir ağaç mı olduğunu bilmiyor, bu konuda hiç bir fikri yok, ama bunu öğrenmek için uğraşacak. İlk başlarda rastgele hareket ediyor ve sonrasında nasıl göründüğünü anlamaya çabalıyor. Ve görüyorsunuz aklından bir sürü şey geçiyor, kendi kişisel modelini açıklamak için hareketleriyle algılaması arasındaki bağlantıyı çözmeye çalışıyor. Sanki bir bilim adamı gibi ikinci bir adım atarak bu tahmini modeller arasında kendisine en büyük kararsızlığı oluşturmaya devam ediyor. Daha sonra bunları yaparak kendisini açıklamaya çalışıyor ve çıkardığı modelleri sadeleştiriyor.
This is the last cycle, and you can see it's pretty much figured out what its self looks like. And once it has a self-model, it can use that to derive a pattern of locomotion. So what you're seeing here are a couple of machines -- a pattern of locomotion. We were hoping that it wass going to have a kind of evil, spidery walk, but instead it created this pretty lame way of moving forward.
Burada gördüğünüz ise son aşama ve görüyorsunuz ki nasıl göründüğünü bir hayli anlamış durumda. Kendi modelini bir kere oluşturduktan sonra, bu modeli bir hareket dizisi oluşturmak için kullanabilir. Burada görmekte olduğunuz birkaç makine, birbirini takip eden bir dizi hareket yapıyor. Umuyorduk ki bir çeşit şeytani, örümceksi yürüyüş yöntemi olacak ama görüyoruz ki, ilerlemek için çok aksak bir yol geliştirdi.
But when you look at that, you have to remember that this machine did not do any physical trials on how to move forward, nor did it have a model of itself. It kind of figured out what it looks like, and how to move forward, and then actually tried that out. (Applause)
Ama bu robota bakarken ileri gitmek için hiç bir fiziksel denemede bulunmadığını ve kendi fiziksel yapısını bilmediğini aklınızdan çıkarmamanız gerekiyor. Bir şekilde kendi şeklini ve nasıl ilerleyebileceğini anlamaya çalıştı ve çıkardığı yöntemle ilerlemeyi denedi. (Alkışlar)
So, we'll move forward to a different idea. So that was what happened when we had a couple of -- that's what happened when you had a couple of -- OK, OK, OK -- (Laughter) -- they don't like each other. So there's a different robot. That's what happened when the robots actually are rewarded for doing something. What happens if you don't reward them for anything, you just throw them in?
Şimdi başka bir fikre doğru ilerleyelim. Bu gördükleriniz, birkaç şeyde olanlar -- Bu, birkaç şeyde olanlar -- Tamam,Tamam,Tamam -- Gülüşmeler -- birbirlerini pek sevmiyorlar. Peki, bu da başka bir robot. Burada da robotları yaptıkları şeye göre ödüllendirildikten sonra olanlar. Onları yaptıklarından dolayı ödüllendirmeyip sadece çorbaya dahil ederseniz ne olur?
So we have these cubes, like the diagram showed here. The cube can swivel, or flip on its side, and we just throw 1,000 of these cubes into a soup -- this is in simulation --and don't reward them for anything, we just let them flip. We pump energy into this and see what happens in a couple of mutations. So, initially nothing happens, they're just flipping around there. But after a very short while, you can see these blue things on the right there begin to take over.
Bu şekilde gördüğünüz gibi, küplerimiz var. Bu küpler dönebiliyor veya olduğu yerde yere değen kenarını değiştirebiliyor, ve biz bu küplerden 1000 tanesini bir çorbaya attık -- canlandırma amacıyla -- ve onları ödüllendirmedik, sadece takla atmalarına izin verdik. Enerji pompalayarak bir iki değişimden sonra neler olduğunu görmek istedik. İlk başta hiç birşey olmadı, sadece takla atıp durdular. Ama çok kısa süre sonra şu küçük mavi şeyler sağ tarafa doğru kaymaya başladılar.
They begin to self-replicate. So in absence of any reward, the intrinsic reward is self-replication. And we've actually built a couple of these, and this is part of a larger robot made out of these cubes. It's an accelerated view, where you can see the robot actually carrying out some of its replication process. So you're feeding it with more material -- cubes in this case -- and more energy, and it can make another robot. So of course, this is a very crude machine, but we're working on a micro-scale version of these, and hopefully the cubes will be like a powder that you pour in.
Kendilerini kopyalamaya başladılar. Görüğünüz gibi, Ödül verilmezken asıl ödül kendini kopyalamak oluyor. Ardından bunlardan birkaç tane yaptık, ve bunlar daha büyük olan diğer bir robotun parçalarıydı. Bu bir hızlandırılmış gösterim ve robotu kendini kopyalama işlemini sürdürürken görüyorsunuz. Daha çok malzemeyle -- burada küpler ile mesela -- ve enerjiyle besliyorsunuz, sonra başka bir robot oluşturuyor. Tabi ki burada gördüğünüz çok kaba bir makina ama biz mikro boyutlarda olanları üzerinde çalışıyoruz, ve umudumuz toz gibi robotlar üretebiliyor olmak.
OK, so what can we learn? These robots are of course not very useful in themselves, but they might teach us something about how we can build better robots, and perhaps how humans, animals, create self-models and learn. And one of the things that I think is important is that we have to get away from this idea of designing the machines manually, but actually let them evolve and learn, like children, and perhaps that's the way we'll get there. Thank you. (Applause)
Peki, ne öğrenebiliriz? Bu robotlar tabi ki tek başlarına pek yararlı değiller ama belki bize nasıl daha iyi robotlar yapabileceğimiz konusunda ve belki insanoğlunun ve hayvanların nasıl kendi kopyalarını yapabilecekleri konusunda birşeyler öğretebilirler. Ve bence önemli olan şeylerden bir tanesi de elle makinalar tasarlama fikrinden uzaklaşmalıyız, ve onların çocukmuş gibi kendilerini geliştirip öğrenmelerini sağlamalıyız, Belki bu şekilde başarıya ulaşabiliriz. Teşekkürler. (Alkışlar)