
English: 
Translator: Martina Pia Ruino
Reviewer: Lisa Thompson
Good afternoon,
and thank you for inviting me.
I'd like to tell you
a simple story about robots.
So, the truly autonomous robot
has been a vision, a dream,
of scientists, engineers,
and artists for many years.
We're all fascinated by the idea
that one day, it might be possible
to construct a thinking machine
that, just as we can,
can move and act in our world.
I want you to think, to imagine 
just for a moment what it might be like
to look into the eyes of a machine 
and know that it's looking back at you,

Korean: 
번역: Eunjung Choi
검토: DK Kim
안녕하세요.
초대해주셔서 감사합니다.
저는 오늘 로봇에 대한
간단한 이야기를 하려고 합니다.
진정한 자율 로봇은
과학자와 공학자, 예술가의
오랜 비전이자 꿈이었습니다.
언젠가 세상을 돌아다니며 일을 하는
사람들처럼 생각할 수 있는
로봇을 만들 수 있을 거라는 꿈에
우리 모두 매료되었죠.
잠시 어떨지 상상해 보세요.
여러분이 로봇의 눈을 들여다보면
로봇도 여러분을 바라보는 겁니다.

English: 
that in some even limited sense it has
sentience, it has thoughts, intentions,
plans, and maybe one day, even desires.
That's a huge vision.
How can we realize it?
We're still a long way from that vision,
but the question
I have to answer for you is,
Is it destined to remain science fiction,
or is it achievable, in whole or in part?
I believe that it is achievable,
and I want to tell you how.
Now, I want to tell you a story
in terms of three parts, three waves.
You can think about robotics
and artificial intelligence technology
as coming in waves.
Now, that's an approximation to the truth;
it's a mental tool, but I think
it's a good first-order approximation.
So, let me tell you about the first wave.
It's what I call structured manipulation,
and in fact, this wave
you're all already familiar with.
It's what we call industrial robotics.
So this is a very, 
very particular technology
that's based on a very,
very particular idea,
which is what we call
precise control of positions.
So, these industrial robots, 
they move back and forth

Korean: 
제한된 의미지만 로봇에게
지각이 있고 생각을 하는 거죠.
의도를 가지고, 계획을 하고,
나중에는 욕망도 생길 테죠.
이것은 엄청난 비전인데
어떻게 이룰 수 있을까요?
아직은 갈 길이 멉니다만
그 전에 여러분이
궁금해 하는 것이 있죠.
생각하는 로봇은 과학 소설에 머물까요,
아니면 어느 정도 이룰 수 있을까요?
저는 어느 정도 이룰 수 있다고 보는데
어떻게 가능할지 알아보죠.
이를 세 가지 영역, 또는 세 흐름으로
말씀드려 보겠습니다.
여러분은 로봇과 인공지능 기술을
먼저 떠올리실 겁니다.
사실에 근접한 추정이죠.
심리적 기술이긴 한데
추정으로는 훌륭한 시도입니다.
먼저 첫 번째 흐름은
제가 정형화된 조작이라고
부르는 것인데요.
여러분도 이미 익숙한 영역입니다.
흔히 산업로봇이라고 하죠.
이것은 매우 특정한 기술로
매우 특정한 생각이 바탕에 있습니다.
즉, 정확한 자세 제어라고 하죠.

English: 
between two or three positions
very, very repetitively
and very, very beautifully
and accurately.
And this has revolutionized manufacturing.
And so, the problem, 
however, with these industrial robots,
is that they can't cope
with uncertainty or novelty.
So if, for example,
you move the cars in this car factory 
out of sync by maybe one centimeter,
everything in the factory would go wrong.
And if we want to take those robots
out of factories and into our world -
bring them into our world -
we need to be able to deal
with that uncertainty and novelty.
So what is it that we need to do that?
Well, we need some kind of intelligence,
and that's where we really come
to artificial intelligence.
Now, the thing that you need
to understand about AI
is that very early on in AI,
we had a lot of big successes.
But they're very interesting
because all the big successes
early on in AI were all things like chess,
mathematical theorem proving, 
medical diagnosis,
and all of those tasks are tasks
that when done by people,

Korean: 
이 산업로봇은 두세 개의 동작을 
반복해서 합니다.
정말 아름답고 정교하죠.
이 로봇은 제조업에
혁신을 가져다주었습니다.
그러나 문제가 있죠.
산업로봇은 불확실하거나
새로운 문제에 대처하지 못합니다.
예를 들면
자동차 공장에서 차를 조작할 때
1센티미터만 잘못 맞춰도
전체 공정이 잘못되어 버립니다.
그런데 이 로봇을 공장 밖으로
우리가 사는 세상으로
데려온다면 어떨까요?
우리는 불확실하고 새로운 것들에
대처할 수 있어야 합니다.
이 문제를 해결하려면 뭐가 필요할까요?
일종의 지능이 필요합니다.
바로 이 부분이 인공지능(AI)이죠.
AI에 대해 먼저 알아야 할 것은
AI 개발 초창기에
상당한 성과가 있었다는 점입니다.
그러나 매우 흥미로운 건
초창기 AI의 성공은
체스나 수학의 정리 증명,
의료 진단처럼
만약 사람이 한다면

Korean: 
지능이 높은 사람이 하는 일이라고
여기는 일들입니다.
여기서 모순이 발생합니다.
반대로 생각해보면
우리가 하는 일상의 일들은
굳이 생각하지 않아도
할 수 있는 일들이죠.
걷는다든지, 본다든지,
일상 대화를 한다든지
커피를 탄다든지
이 모든 일들을
우리는 무의식적으로 하지만
이걸 로봇이 할 수 있게 하려면
엄청나게 어려운 거예요.
이걸 하게 만들려면
이전 방식의 AI로는 안 됩니다.
사실, 정말 오래 걸리기는 했지만
우리는 꾸준히 연구해서
이제 다른 종류의 AI를 만드는 데
진척을 보이고 있습니다.
이 AI는 불확실한 환경에서
기계 학습과 추론을 합니다.
조금 전에 말씀드린 낮은 단계의 일들을
하는 데 필수적인 능력입니다.
화면은 이미지넷에서 가져온 것들인데요.
여러 가지 기계 학습 알고리즘이
이미지에 들어있는 사물을
알아보는 능력을 경쟁하고 있죠.
여러분에게 학습하는 기계가 있다면
대부분은 뇌의 원리를 기반으로 합니다.

English: 
we think about as being done
by people of high intelligence.
Now, there's a paradox there
because conversely, when you
think about simple, everyday tasks
that you don't even
think about as requiring thought -
so, for example, walking, seeing, 
having an everyday conversation,
making a cup of coffee -
all of those things, it turns out,
are far, far harder to automate 
than we ever anticipated.
Now, in order to be able to do these,
we can't use that kind of
old-fashioned AI,
and in fact, although
it's been going for a long time,
we've begun to make, 
over a steady period of time,
progress in a different kind of AI
which is based on machine learning 
and reasoning under uncertainty,
and this has really been critical
to being able to do
these lower level tasks, as it were.
This is a set of images
from a task called ImageNet.
This is a competition where
different machine learning algorithms
try to learn to recognize
things in images.
So, what you do is you have
a learning machine -
many of the popular ones
are based on principles of the brain -

Korean: 
이 기계에 수천 가지 이미지를 주고
그러면 기계 학습기는 예를 들면
이동식 주택과 일반 차량, 또는
오토바이와 자전거, 기린 등을
구별하는 법을 배우죠.
2010-2014년에 이 분야에서
갑자기 큰 발전을 이뤘습니다.
기계 학습 분야에 이런 능력을
가능하게 하는 돌파구가 생겼죠.
이런 기계학습과 밀접한 분야를
확률적 AI라고 하는데요.
이것은 제임스 베르누이와
제 뒤로 보이는 영국의
토마스 베이즈에서 시작했습니다.
이들이 첫 번째 확률이론을 발견했죠.
이 확률이론이 AI를 만드는 데
매우 중요한 역할을 했습니다.
특히 베이즈가 이 이론을 생각해냈는데
여러분에게는 세계에 대한 사전 지식과
신뢰할 수 없는 자료나 감지에서 나온
증거를 결합하는 능력이 있습니다.
이 능력이 로봇에게도 필요한데
그로부터 300년이 더 걸려서야
로봇에게도 충분히 효과적인
알고리즘을 개발할 수 있었습니다.
기계학습과 AI를 염두에 두고
로봇 공학 분야의 두 번째 흐름인

English: 
and you it feed hundreds
of thousands of images,
and then it learns to distinguish
between, for example, a caravan and a car,
between a motorcycle and a bicycle 
and a giraffe and so on.
In 2010 to 2014, we suddenly
got much better at these kinds of tasks.
There was a breakthrough
in machine learning that enabled this.
But hand in hand with machine learning
is something we call probabilistic AI,
and it started with, for example,
your own James Bernoulli,
but also Thomas Bayes in England -
that's the man sitting behind me now -
and they used probability; they came up
with the first laws of probability theory,
and this has turned out
to be really important for AI.
Bayes, in particular, 
he came up with this idea
that you could combine
your prior beliefs about the world
with evidence from unreliable data,
unreliable sensing,
and that's perfect for our robots,
but it took us another 300 years
to get the algorithms efficient enough
to be able to use them in our robots.
Now, with this machine learning and AI,

English: 
we're now able to get the second wave,
of unstructured mobility.
So this is things like self-driving cars.
Here, in the picture behind me,
you see a self-driving car
with a laser on top.
Now, with that kind of
laser-based navigation,
you can localize and build
maps in the world,
but the problem is that the laser sitting
on top of the car is very expensive;
it generates a lot of data,
but it's worth more than the car itself.
So that's not a practical technology.
Instead, it's now the case
that machine learning
has advanced to the point
where now we can actually
just take a regular camera,
stick it on the top of your dashboard,
and it will recognize where it is.
So, this is work done
at the University of Oxford,
where the car is able to recognize
where it is in the street
based on its previous memories.
And this is a real achievement.
What it's doing is spotting patches
between the images that are similar
and are robust to changes in weather
or daytime, lighting illumination,
and it learns many
specific models like this.
It’s very, very powerful stuff.
However, this kind
of revolution in perception

Korean: 
정형화되지 않은 이동성으로
넘어가보겠습니다.
자율주행 자동차 같은 것을 말하는데요.
화면에 보시면
자율주행자동차가 있고
위에 레이저가 달렸죠.
이 레이저 기반의 내비게이션으로
세계 곳곳의 위치를 알아내고
지도로 만들 수 있습니다.
그런데 문제는 저 레이저가
너무 비싸다는 점입니다.
많은 데이터를 만들어내지만
자동차보다 비싸죠.
실용적이지 않습니다.
대신 이렇게 기계 학습을 발전시켰는데
이제 우리는 일반 카메라를
자동차의 계기판 위쪽에 부착해
현재 위치를 파악할 수 있습니다.
옥스포드 대학에서 해냈는데
이 차는 이전의 기록을 바탕으로
현재 위치를 파악할 수 있습니다.
엄청난 성과입니다.
비슷한 이미지들 사이에서
다른 부분을 찾아내고
햇빛이 있는 낮과 조명이 들어오는 밤,
날씨 변화에도 능력을 발휘합니다.
또한 이와 같은 특정 모델을 학습하죠.
매우 대단한 장치입니다.
이와 같은 인지 분야의 성과가

English: 
isn't just going to work for cars;
it also works for domestic robots,
like this vacuum cleaner,
and what this vacuum cleaner does -
this is work that was done
at Imperial College in London,
where it picks out visual landmarks
that it uses to track its way
around the house.
So what it's doing is -
it never gets lost,
and this means it can plan
where it should go to clean,
so it will always go and clean
in the places that are going to be
dirtiest or it's cleaned least.
So that's a technology that's really
going to revolutionize our lives.
However, there's something missing,
which is these robots
have a breakthrough in perception,
but they don't have
what we would call cognition;
they can't think ahead in complex ways.
And in fact, that is
what we've been looking at.
So, let's imagine that you took your robot
out of the box the day that you bought it,
your domestic assistance robot,
and you asked it to get you
something for breakfast
and perhaps to get you
something to read while you're eating.
But the problem is 
because you've switched your robot on
and it doesn't know the house,
it doesn't know where the kitchen is,
so it can't find 
the objects that you want.
And in order to address this,

Korean: 
자동차에만 적용되는 것은 아니죠.
진공 청소기와 같은
가정용 로봇에도 적용됩니다.
화면에 보이는 진공청소기는
런던의 임페리얼 칼리지에서
개발한 것인데요.
눈에 띄는 사물을 골라서
그걸 기준으로 집안을 돌아다닙니다.
말하자면 길을 잃지 않죠.
어딜 청소해야 하는지 알아낸다는 거죠.
가장 더럽거나 덜 청소된 곳을
찾아 가서 청소합니다.
우리 삶을 혁신적으로 바꿀 기술입니다.
그러나 빠진 부분이 있죠.
이 로봇의 지각 분야에서는
돌파구를 마련했지만
인지 분야에서는 아직이죠.
아직 로봇은 복잡한 방식으로는
미리 사고하지 못합니다.
우리는 바로 이 분야를
연구하고 있습니다.
여러분이 가사 도우미 로봇을
샀다고 상상해 보세요.
바로 그날 로봇을 꺼내
아침을 준비하라거나
식사하는 동안 읽을 거리를 갖다 달라는
명령을 내린다고 상상해 보세요.
먼저 발생하는 문제는
로봇 스위치를 켜도
로봇은 아직 여러분의 집을 모르고
부엌이 어디인지 모른다는 점이죠.
그러니까 여러분이 원하는 물건을
찾을 수도 없죠.

English: 
we have to have
two very special properties:
first of all, we have to have 
what we call common sense,
and second, we have to have imagination.
So in my laboratory,
what we've been doing
is building robot planning systems
that are capable
of reasoning in novel worlds.
So you drop the robot into the office,
and it's able to reason
very, very efficiently
about not only how what it does
changes the world,
but about how what it does changes
what it knows about the world.
And it actually imagines the existence
of the things that it has to find
and the kinds of places
that it's going to find them,
and it uses this combination
of Bayesian reasoning, this probability,
together with artificial
intelligence planning techniques
and also common sense.
So it has common sense and imagination.
However, this is still not enough.
This wave of unstructured mobile robots
is already revolutionizing our world.
You see it every day
when you switch on the TV
and you hear a new story, 
a new application.
But actually, what we really need

Korean: 
이걸 해결하기 위해서는
두 가지 특별한 특성이 있어야 합니다.
먼저, 상식이란 것이 있어야 하고요.
둘째로 상상력이 있어야 합니다.
제 연구실에서는
로봇 계획 시스템을 만들고 있는데요.
이 시스템은 낯선 환경에 대한
추론 능력을 가집니다.
사무실에 이 로봇을 내려 놓으면
무슨 일을 할지뿐만 아니라
그 일이 미칠 영향까지를
매우 효과적으로 추론해냅니다.
찾아야 하는 것들과
있을 만한 장소를 추론하죠.
또한 이 로봇은
베이즈 추론 즉, 확률 법칙을
인공지능 계획 기술과 결합하고
또한 상식과도 연결시킵니다.
상식과 상상력이 있는 거죠.
그러나 아직 충분하지 않습니다.
정형화되지 않은 로봇은
이미 우리 세계를 혁신하고 있습니다.
TV를 켜면 매일같이 보이고
새로운 이야기, 새 제품이 나옵니다.
그러나 실제로 우리가 필요한 것은

Korean: 
첫 번째 흐름인 산업로봇의 조작능력과
두 번째 흐름인 정형화되지 않은
데이타를 다루는 능력을 조화시켜
'정형화되지 않은 조작능력'을
가진 로봇을 만드는 일입니다.
그러면 콘플레이크통을 가져와서
맞게 만들라고 명령을 할 수 있죠.
이런 로봇을 만드는 것이
왜 어려운지 아직 이해하지 못합니다.
당분간은 알기 어려울 거라고 봐요.
지금 보시는 로봇은 이름이 저스틴이고,
독일 항공우주 연구소에서 만들었습니다.
제가 약간 도움을 준 프로젝트인데요.
저스틴은 조작을 수행합니다.
음료수를 만들기 위해
이것들을 다루어야 하죠.
그런데 물건을 옮기는 것은 잘합니다만
물건 중 하나를 바꾸면
다른 컵을 가져다 놓는다든지요.
완전히 재프로그래밍해야 합니다.
현재 제 연구실에서는
낯선 물건을 잡기 위해 필요한
기계 학습 기술을 계획하는 로봇을
연구하고 있습니다.
얘가 바로 제가 만든 보리스인데요.
여러분이 보리스에게
항아리 주전자 같은 물건을
어떻게 잡는지와,
인간의 손을 닮은 장치로
집어 올리는 방법을 알려주면

English: 
is the ability to bring together
the manipulation from the first wave,
together with the ability to deal with
unstructured data from the second wave.
And that will give us what we call
unstructured manipulation
so that you can go and pick up
that cornflakes box and manipulate it.
To see why that's really hard 
is still beyond us;
it's not hitting us yet
and it might not for some time.
This is a robot called Justin, from
the German Aerospace Research Institute.
It was a project that I helped
work on a little bit.
And Justin is performing a manipulation.
Here he's making a drink,
and he has to manipulate these objects,
but it's the case that
if you move the objects, it's fine,
but if you changed one of the objects -
so you put a different
glass, for example -
Justin would have to be
completely reprogrammed.
So, in my laboratory,
what we've been doing
is we've been working on planning
for machine learning techniques
for grasping novel objects.
So this is Boris; 
this is one of my robots.
And Boris is able -
you are able to show him
how to pick up, for example, a jug,
and to pick it up with a human-type hand,

Korean: 
보리스는 전에 보지 못한
많은 물건들을 보더라도
집어 올릴 수 있습니다.
현재 보리스는
가능한 수많은 물체를 집는 장면을
상상할 수 있습니다.
수 초 내에 수백 번 집어 올리는
장면을 상상하죠.
여기 몇 가지
집어 올리는 것이 보이시죠.
잠깐 보셨지만 눈치채셨을 거예요.
보리스는 매우 영국적인 로봇이거든요.
찻잔을 집어 드는 방식을 보세요.
(웃음)
매우 예의바르죠.
또 여기 빨간 작은 점들이
로봇 센서가 감지하는 부분입니다.
즉 로봇에게 낯선 물건일 뿐 아니라
전체를 다 볼 수도 없다는 겁니다.
한 가지 다른 문제점은
우리가 이런 종류의
기계 학습 기술을 이용해서
위치 불확실성과 모양 불확실성을
다룬다는 점입니다.
사실 아직까지는 작동 장치가
잘 기능하지 않습니다.
보리스와 저스틴 같은 로봇은

English: 
and then he can see many, many
more objects that he's never seen before,
but yet he's able to pick them up.
And he's able, in fact, also,
to imagine lots and lots
of possible grasps for these objects,
so hundreds and hundreds
of grasps within seconds.
And here we play a few of them for you,
and then you can see him executing them.
We'll also be able to show,
as you'll be able to see in a moment -
is that he's a very British robot
because of the the way
that he picks up his teacup.
(Laughter)
Very polite.
And also, the nice thing here is
if you look at the little red dots,
that's all that the robot sensor can see,
so not only is the object novel,
but the robot can't actually see very much
of the object that it has to manipulate.
However, there's another problem,
which is that here we're using
this kind of machine learning technique
in order to be able
to deal with positional uncertainty
and shape uncertainty,
but we still, in fact, 
have the wrong kinds of actuators.
Robots like Boris and Justin

Korean: 
이전의 산업로봇에서 진일보한 것으로
꽤 서툴긴 하지만
힘을 감지할 수 있습니다.
아직은 기본적으로
자세 통제 장치에 불과하죠.
우리는 지금과는 매우 다른
로봇 하드웨어가 필요합니다.
인간에 더 많이 닮아야
정형화되지 않은 환경에서
조작이 가능해지겠죠.
마지막으로 필요한 것은
새로운 종류의 기계 학습과
최적화 기술인데요.
예를 들면 보시는 것은
걸어다니는 로봇인데
이걸 만드는 사람들은
로봇에게 추론능력을 주려고
노력하고 있죠.
로봇은 다리를
어디에 내려놓을지뿐만 아니라
내려놓을 때 적용해야 할
힘에 대해서도 추론합니다.
이 로봇은 놀라운 일을 하는데요.
서던 캘리포니아 대학에서 만들었습니다.
지금은 버밍엄에 있는
제 동료가 참여했죠.
연구를 하면서 보니
적당한 하드웨어와
적절한 뇌가 있어야 하고
아직 해결할 문제들이 많이 있습니다.
이제 정리해서 말씀드리면
우리에게는 이미 지능 로봇이 있습니다.
첫 번째 단계는 지나왔고
두 번째 단계를 지나고 있습니다.

English: 
are a little step on
from the industrial robots of the past
in the sense that they can feel forces,
but only fairly crudely;
they're still basically
position control devices.
And we need very, very different
kinds of robot hardware
which is much more like our hardware
to be able to manipulate
in unstructured environments.
The other thing is we also need
new kinds of machine learning
and optimization techniques.
So, for example, here, this is -
techniques people in walking robots
have really begun to crack the problem
of how to reason with the robot.
The robot reasons not just about
where to put its legs,
but the forces that it needs to apply,
and with this, you can do amazing things.
So this was work done
at the University of Southern California,
which involved a colleague of mine
who’s now in Birmingham.
So it turns out,
you need the right kind of hardware
and also the right kind of brain,
and we still have
many problems left to go.
So, in summary, 
we already have intelligent robots.
Wave one has come;
wave two is hitting us now.

English: 
That's mobility
in unstructured environments.
And wave three will be
this unstructured manipulation.
And I want you to imagine
how revolutionary that will be
because when we have
unstructured manipulating robots,
we will be able to automate
any task that humans can do
that involves manipulation,
which is essentially everything 
except walking.
And is that a good thing?
I believe yes.
If you want to think about the impact
of this kind of automation,
go back and imagine
what it must have been like
living in the pre-industrial age,
because all of the benefits in our society
have all arisen from automation.
So the possibilities at that point
really will become almost endless.
Thank you very much.
(Applause)

Korean: 
정형화되지 않은 환경에서
움직이는 로봇이요.
세 번째 단계는 정형화되지 않은
조작능력 단계입니다.
이 작업이 얼마나 혁명적일지
여러분이 상상해 보시면 좋겠습니다.
정형화되지 않은 조작능력을 가진
로봇이 있으면
우리는 인간이 하는 모든 일들을
자동화할 수 있으니까요.
걷는 것을 제외하고
본질적으로 모든 것,
모든 조작을 할 수 있게 됩니다.
좋은 일이지 않습니까?
저는 그렇다고 믿습니다.
여러분이 이런 자동로봇이 가져올
영향에 대해 생각해 보고 싶다면
산업시대 이전에는 어땠는지
돌이켜 생각해보세요.
우리 사회의 모든 편리한 것들은
자동화의 결과로 생겼으니까요.
마찬가지로 이 자동화가 가져올 영역은
무궁무진할 것입니다.
감사합니다.
(박수)
