1. Po raz pierwszy odwiedzasz EDU. LEARN

    Odwiedzasz EDU.LEARN

    Najlepszym sposobem na naukę języka jest jego używanie. W EDU.LEARN znajdziesz interesujące teksty i videa, które dadzą Ci taką właśnie możliwość. Nie przejmuj się - nasze filmiki mają napisy, dzięki którym lepiej je zrozumiesz. Dodatkowo, po kliknięciu na każde słówko, otrzymasz jego tłumaczenie oraz prawidłową wymowę.

    Nie, dziękuję
  2. Mini lekcje

    Podczas nauki języka bardzo ważny jest kontekst. Zdjęcia, przykłady użycia, dialogi, nagrania dźwiękowe - wszystko to pomaga Ci zrozumieć i zapamiętać nowe słowa i wyrażenia. Dlatego stworzyliśmy Mini lekcje. Są to krótkie lekcje, zawierające kontekstowe slajdy, które zwiększą efektywność Twojej nauki. Są cztery typy Mini lekcji - Gramatyka, Dialogi, Słówka i Obrazki.

    Dalej
  3. Wideo

    Ćwicz język obcy oglądając ciekawe filmiki. Wybierz temat, który Cię interesuje oraz poziom trudności, a następnie kliknij na filmik. Nie martw się, obok każdego z nich są napisy. A może wcale nie będą Ci one potrzebne? Spróbuj!

    Dalej
  4. Teksty

    Czytaj ciekawe artykuły, z których nauczysz się nowych słówek i dowiesz więcej o rzeczach, które Cię interesują. Podobnie jak z filmikami, możesz wybrać temat oraz poziom trudności, a następnie kliknąć na wybrany artykuł. Nasz interaktywny słownik pomoże Ci zrozumieć nawet trudne teksty, a kontekst ułatwi zapamiętanie słówek. Dodatkowo, każdy artykuł może być przeczytany na głos przez wirtualnego lektora, dzięki czemu ćwiczysz słuchanie i wymowę!

    Dalej
  5. Słowa

    Tutaj możesz znaleźć swoją listę "Moje słówka", czyli funkcję wyszukiwania słówek - a wkrótce także słownik tematyczny. Do listy "Moje słówka" możesz dodawać słowa z sekcji Videa i Teksty. Każde z słówek dodanych do listy możesz powtórzyć później w jednym z naszych ćwiczeń. Dodatkowo, zawsze możesz iść do swojej listy i sprawdzić znaczenie, wymowę oraz użycie słówka w zdaniu. Użyj naszej wyszukiwarki słówek w części "Słownictwo", aby znaleźć słowa w naszej bazie.

    Dalej
  6. Lista tekstów

    Ta lista tekstów pojawia się po kliknięciu na "Teksty". Wybierz poziom trudności oraz temat, a następnie artykuł, który Cię interesuje. Kiedy już zostaniesz do niego przekierowany, kliknij na "Play", jeśli chcesz, aby został on odczytany przez wirtualnego lektora. W ten sposób ćwiczysz umiejętność słuchania. Niektóre z tekstów są szczególnie interesujące - mają one odznakę w prawym górnym rogu. Koniecznie je przeczytaj!

    Dalej
  7. Lista Video

    Ta lista filmików pojawia się po kliknięciu na "Video". Podobnie jak w przypadku Tekstów, najpierw wybierz temat, który Cię interesuje oraz poziom trudności, a następnie kliknij na wybrane video. Te z odznaką w prawym górnym rogu są szczególnie interesujące - nie przegap ich!

    Dalej
  8. Dziękujemy za skorzystanie z przewodnika!

    Teraz już znasz wszystkie funkcje EDU.LEARN! Przygotowaliśmy do Ciebie wiele artykułów, filmików oraz mini lekcji - na pewno znajdziesz coś, co Cię zainteresuje!

    Teraz zapraszamy Cię do zarejestrowania się i odkrycia wszystkich możliwości portalu.

    Dziękuję, wrócę później
  9. Lista Pomocy

    Potrzebujesz z czymś pomocy? Sprawdź naszą listę poniżej:
    Nie, dziękuję

Już 58 370 użytkowników uczy się języków obcych z Edustation.

Możesz zarejestrować się już dziś i odebrać bonus w postaci 10 monet.

Jeżeli chcesz się dowiedzieć więcej o naszym portalu - kliknij tutaj

Jeszcze nie teraz

lub

Poziom:

Wszystkie

Nie masz konta?

Hod Lipson builds "self-aware" robots


Poziom:

Temat: Media

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.
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.
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:
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.
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.
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 -- and 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.
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's going to have a kind of evil, spidery walk,
but instead, it created this pretty lame way of moving forward.
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)
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?
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.
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.
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)
Mobile Analytics