Today I'd like to show you the future of the way we make things. I believe that soon our buildings and machines will be self-assembling, replicating and repairing themselves. So I'm going to show you what I believe is the current state of manufacturing, and then compare that to some natural systems.
امروز دوست دارم که به شما آينده روشی که ما چيزها را می سازیم نشان دهم. معتقدم که خیلی زود ساختمانها و ماشینهاي ما خودشان را گردآوري میكنند، خودشان را تقليد و تعمیر می کنند. خوب قصد دارم به شما چیزی را که باور دارم جریان حاضر تولید است ، را نشان دهم، و سپس آن را با سیستم های طبیعی مقایسه کنم.
So in the current state of manufacturing, we have skyscrapers -- two and a half years [of assembly time], 500,000 to a million parts, fairly complex, new, exciting technologies in steel, concrete, glass. We have exciting machines that can take us into space -- five years [of assembly time], 2.5 million parts.
در وضعیت فعلی تولید، ما آسمانخراش داریم-- که ساخت آن حدود دو سال و نیم طول میکشد، 500,000 تا یک میلیون قطعه دارد، كه از فن آوریهای نسبتا پيچيده جالب و جدید با موادي از فولاد، بتن و شیشه هستند. ما ماشینهای مهيجي داريم که میتوانند ما را به فضا ببرند-- كه ساخت آنها پنج سال وقت و دو نیم میلیون قطعه نياز دارد.
But on the other side, if you look at the natural systems, we have proteins that have two million types, can fold in 10,000 nanoseconds, or DNA with three billion base pairs we can replicate in roughly an hour. So there's all of this complexity in our natural systems, but they're extremely efficient, far more efficient than anything we can build, far more complex than anything we can build. They're far more efficient in terms of energy. They hardly ever make mistakes. And they can repair themselves for longevity.
اما از طرف دیگر، اگر به سیستمهای طبیعی نگاه کنید، ما پروتئینها را داریم که دو میلیون نوع هستند که می توانند در 10,000 نانو ثانیه به هم بياميزند، یا دی ان ای(DNA ) را داريم كه سه ملیون جفت دارد و تقریبا" در هر يك ساعت می توان آنها را بازتوليد كرد. خب، همه این پیچیدگی در سیتمهای طبیعی ما هست، اما آنها خیلی کارآمدتر از هر آنچه که ما می توانیم بسازیم هستند، خیلی پیچیدهتر از هر آنچه که ما می توانیم بسازیم. آنها از نظر مصرف انرژی بهرهوري زيادي دارند. آنها به ندرت اشتباه می کنند. آنها می توانند خودشان را بازسازي كنند تا عمر بيشتري داشته باشند.
So there's something super interesting about natural systems. And if we can translate that into our built environment, then there's some exciting potential for the way that we build things. And I think the key to that is self-assembly.
خب ، چبز بسیار جالبی درباره سیستمهای طبیعی وجود دارد. و اگر ما بتوانیم این را در محیط ساخت و ساز خودمان ايجاد كنيم، آنوقت امکانهاي بالقوه مهیجي برای شيوه ساخت اشیاء داریم. و فکر کنم کلید این کار خود- گردآوری است.
So if we want to utilize self-assembly in our physical environment, I think there's four key factors. The first is that we need to decode all of the complexity of what we want to build -- so our buildings and machines. And we need to decode that into simple sequences -- basically the DNA of how our buildings work. Then we need programmable parts that can take that sequence and use that to fold up, or reconfigure. We need some energy that's going to allow that to activate, allow our parts to be able to fold up from the program. And we need some type of error correction redundancy to guarantee that we have successfully built what we want.
خب، اگر ما می خواهیم از خود- گردآوری در محیط زیستمان بهرهمند شویم، گمان کنم که چهارعامل کلیدی برای آن باشد. اولی این است که ما باید كدبرداري کنیم از همه پیچیدگیهای چيزي که می خواهیم بسازیم-- يعني، ساختمانها و ماشینهای ما. ما بايد از آنها كدبرداري كنيم و آنهارا به مراحل ساده در بياوريم-- يعني دی ان ای(DNA) اين را دربياوريم كه ساختمانهای ما چگونه کار می کنند. بعد بايد قطعات قابل برنامهریزی داشته باشيم که بتوانند مرحله را به اجرا در بياورند و از اين قابليت برای سر هم شدن یا برای پيكربندی جدید استفاده كنيم. ما به مقداری انرژی نیاز داریم که به آن امكان فعالیت بدهد، امكان اين را فراهم كند که قطعه بر اساس برنامه سر هم شود. ما نیاز به تعدادی رزونانس تصحیح خطا داریم تا موفقیت آنچه که می خواهیم بسازیم را تضمين كند.
So I'm going to show you a number of projects that my colleagues and I at MIT are working on to achieve this self-assembling future. The first two are the MacroBot and DeciBot. So these projects are large-scale reconfigurable robots -- 8 ft., 12 ft. long proteins. They're embedded with mechanical electrical devices, sensors. You decode what you want to fold up into, into a sequence of angles -- so negative 120, negative 120, 0, 0, 120, negative 120 -- something like that; so a sequence of angles, or turns, and you send that sequence through the string. Each unit takes its message -- so negative 120 -- it rotates to that, checks if it got there and then passes it to its neighbor.
بنابراين ميخواهم به شما تعدادی از پروژههايي را نشان دهم که من و همکارانم در MIT برای رسیدن به خود- گردآوری در آینده روی آنها کار کردهايم. دو پروژه اول "ماکروبوت " و " دسي بوت" هستند. خب ، این پروژهها، رباتهايی هستند كه قابلیت پيكربندي دوباره در مقياس بزرگ را دارند--- هشت تا ده فوت طول دارند، مثل پروتئينهاي طويل. در آنها قطعات الکتریکی مكانيكي يعني سنسورها تعبیه شدهاند. شما چیزی را که می خواهید كه در آن قرار داده بشه را رمزنويسي ميكنيد در ترتيبي از زوایا--- خب ، منفی 120 درجه، منفی 120، صفر، صفر، 120 درجه- منفی 120 درجه-- چیزی مثل این؛ خب ، ترتيب زاویهها یا چرخشها، و شما این ترتيب را از طریق این رشته می فرستید. هر واحد پیام خود را می گیرد-- بنابراين منفی 120 درجه. آن به دور این میچرخد، این را کنترل میکند كه آيا جاش رو پيدا كرده و بعد آن را به كناريش تحويل ميدهد.
So these are the brilliant scientists, engineers, designers that worked on this project. And I think it really brings to light: Is this really scalable? I mean, thousands of dollars, lots of man hours made to make this eight-foot robot. Can we really scale this up? Can we really embed robotics into every part? The next one questions that and looks at passive nature, or passively trying to have reconfiguration programmability. But it goes a step further, and it tries to have actual computation. It basically embeds the most fundamental building block of computing, the digital logic gate, directly into your parts.
خب، اينها دانشمندان، مهندسان و طراحان برجستهای هستند كه روی این پروژه کار میکنند. و گمان کنم واقعا" این سوال رو ايجاد خواهد كرد كه: آیا این واقعا" پيش خواهد رفت؟ منظورم این است که هزاران دلار و ساعتهاي بسيار تلاش نيروي انساني صرف ساخت این ربات هشت فوتی شده است. آیا واقعا" ما می توانیم این را به تعداد زياد تولید کنیم؟ آیا واقعا" در هر قطعه ميتوانيم یک هوش ماشيني تعبیه کنیم؟ و بعدی این را به چالش كشيده و به دنبال سرشت مطيع، يا تلاش انفعالي براي برنامهپذيري جهت پيكربندي دوباره است. اما یک گام به جلوتر ميرود، و تلاش ميكند كه محاسبات عملي داشته باشد. اساسا" بنیادیترین بلوکهای ساختي محاسباتي، يعني گیت منطقی دیجیتالی، مستقیما" در قطعات تعبیه شده است.
So this is a NAND gate. You have one tetrahedron which is the gate that's going to do your computing, and you have two input tetrahedrons. One of them is the input from the user, as you're building your bricks. The other one is from the previous brick that was placed. And then it gives you an output in 3D space. So what this means is that the user can start plugging in what they want the bricks to do. It computes on what it was doing before and what you said you wanted it to do. And now it starts moving in three-dimensional space -- so up or down. So on the left-hand side, [1,1] input equals 0 output, which goes down. On the right-hand side, [0,0] input is a 1 output, which goes up. And so what that really means is that our structures now contain the blueprints of what we want to build.
خب؛ این یک گیت انایاندي(NAND) است. شما یک چهارضلعي دارید كه گيتي است كه محاسبات شما را انجام خواهد داد، و شما دو عدد چهارضلعي ورودي دارید. یکی از آنها ورودی از طرف کاربر است در زماني كه شما در حال ساخت قطعهتان هستيد. آن يكي مال قطعه قبلی است که در جاي خود قرار گرفته است. و آنوقت شما یک خروجی سهبعدی داريد. این بدان معنی است که کاربر می تواند شروع به متصل کردن هرآنچه که می خواهد قطعات انجام دهند، کند. این کاری را كه قبلا در حال انجامش بود و چیزی را که بهش گفتید که انجام دهد را محاسبه می کند. و حالا این شروع کرده به حرکت سه بعدی-- بالا و پائین به سمت چپ، ورودي [یک، یک] برابر صفر است، که باعث ميشه به طرف پائین برود. در سمت راست، ورودي [صفر، صفر] خروجي یک است که باعث ميشود به طرف بالا برود. واقعا بدین معنا است که ساختارهاي ما در حال حاضر نقشههايی از چيزهايي است که می خواهیم بسازیم.
So they have all of the information embedded in them of what was constructed. So that means that we can have some form of self-replication. In this case I call it self-guided replication, because your structure contains the exact blueprints. If you have errors, you can replace a part. All the local information is embedded to tell you how to fix it. So you could have something that climbs along and reads it and can output at one to one. It's directly embedded; there's no external instructions.
از این رو همه اطلاعاتی که توسط آنها ساخته شدهاند درشان تعبیه شده است. بدان معنی که ما می توانیم به نوعی خود - تکراری را داشته باشیم. در این مورد من این را تکرار خودرهنمون می نامم، زیرا ساختار شما محتوي نقشههای دقیق هستند. اگر شما اشتباهی داشته باشید، می توانید آن قطعه را عوض کنید. همه اطلاعات محلي در آن قطعه تعبیه شده است تا به شما بگوید که چگونه آن ( اشتباه) را بر طرف کنید. شما می توانید چیزی را داشته باشید که پيشميرود و آن را ميخواند و می تواند یک به یک خروجی داشته باشد. این مستقیما در آن تعبیه شده؛ هیچ دستورالعمل خارجی وجود ندارد.
So the last project I'll show is called Biased Chains, and it's probably the most exciting example that we have right now of passive self-assembly systems. So it takes the reconfigurability and programmability and makes it a completely passive system. So basically you have a chain of elements. Each element is completely identical, and they're biased. So each chain, or each element, wants to turn right or left. So as you assemble the chain, you're basically programming it. You're telling each unit if it should turn right or left. So when you shake the chain, it then folds up into any configuration that you've programmed in -- so in this case, a spiral, or in this case, two cubes next to each other. So you can basically program any three-dimensional shape -- or one-dimensional, two-dimensional -- up into this chain completely passively.
این آخرین پروژه ای است که به شما نشان میدهم به نام زنجیرههای مورب، و این احتمالا هیجان انگیز ترین مثالی است که ما از سيستمهاي خودگردآور منفعل داریم. خوب ، این قابلیت پيكربندي مجدد و برنامهپذيري را دارد. كه از آن یک سیستم کاملا" مطيع می سازد. بنابر این، اساسا" شما زنجیرهاي از اجزاء را دارید. هر جزء کاملا" مانند ديگري است و آنها مورب هستند. خب ، هر زنجیره، یا هر جزء، می خواهد به سمت راست یا چپ بچرخد. بنابراين وقتي شما زنجیره را مونتاژ می کنید، شما اساسا" آن را برنامهریزی می کنید. شما به هر واحد می گوئید به چپ یا راست بچرخد. بنابراين هنگامی که زنجیره را تکان می دهید، آن پيش ميرود به هر شکلی که شما برنامه ریزی کرده باشید--- در این مورد، یک مارپیچ، یا در این مورد، دو تا مکعب در مقابل هم. شما اساسا" می توانید هر شکل سه بعدی را برنامه ریزی کنید -- یا هر شكل یک بعدی، دو بعدی-- را تا اين زنچیره کاملا" به صورت انفعالي.
So what does this tell us about the future? I think that it's telling us that there's new possibilities for self-assembly, replication, repair in our physical structures, our buildings, machines. There's new programmability in these parts. And from that you have new possibilities for computing. We'll have spatial computing. Imagine if our buildings, our bridges, machines, all of our bricks could actually compute. That's amazing parallel and distributed computing power, new design possibilities. So it's exciting potential for this. So I think these projects I've showed here are just a tiny step towards this future, if we implement these new technologies for a new self-assembling world.
خب، این در مورد آینده چه چیزی به ما می گوید؟ گمان کنم این به ما می گوید که امکان جدیدی برای خود - گردآوری، بازتوليد و خودتعمیری ساختارهاي فیزیکی ما، ساختمانها و ماشینهای ما وجود دارد. در این قطعات قابلیت برنامهپذيري جدیدی وجود دارد. و از اینرو شما امکانات جدیدی برای محاسبات دارید. ما در آینده محاسبات سهبعدي خواهیم داشت. تصور کنیداگر ساختمانها، پل ها و ماشینهای ما همه قطعات ما، در واقع بتوانند محاسبه و کامپیوتری شوند. این انشعاب شگفتانگیز و قدرت محاسباتی پراكنده و امکانات طراحی جدیدی است. بنابراين آن پتانسیل هیجانانگیزی برای این كار دارد. گمان می کنم پروژههایی که به شما نشان دادم تنها گام کوچکی به سوی آیندهاي هستند، كه در آن این فنآوریهاي جدید برای يك جهان خودگردآور جديد تكميل خواهد شد.
Thank you.
از شما سپاسگزارم.
(Applause)
(تشویق تماشاگران)