Pour l'étude, Lipson et son doctorat. L'étudiant Robert Kwiatkowski a utilisé un bras robotique articulé à quatre degrés de liberté. Initialement, le robot s'est déplacé de manière aléatoire et a collecté environ un millier de trajectoires, chacun comprenant cent points. Le robot a ensuite utilisé le deep learning, une technique d'apprentissage automatique moderne, pour créer un modèle de soi. Les premiers auto-modèles étaient assez imprécis, et le robot ne savait pas ce que c'était, ou comment ses articulations étaient connectées. Mais après moins de 35 heures de formation, l'auto-modèle est devenu cohérent avec le robot physique à environ quatre centimètres. L'auto-modèle a effectué une tâche de sélection et de placement dans un système en boucle fermée qui a permis au robot de recalibrer sa position d'origine entre chaque étape le long de la trajectoire en se basant entièrement sur l'auto-modèle interne. Avec le contrôle en boucle fermée, le robot a pu saisir des objets à des endroits spécifiques sur le sol et les déposer dans un réceptacle avec un succès à 100 %.

Même dans un système en boucle ouverte, qui consiste à effectuer une tâche entièrement basée sur l'auto-modèle interne, sans aucun retour extérieur, le robot a été en mesure d'effectuer la tâche de sélection et de placement avec un taux de réussite de 44%. "C'est comme essayer de prendre un verre d'eau les yeux fermés, un processus difficile même pour les humains, " a observé l'auteur principal de l'étude, Kwiatkowski, un doctorat étudiant dans le département d'informatique qui travaille dans le laboratoire de Lipson.

Le robot d'auto-modélisation a également été utilisé pour d'autres tâches, comme écrire du texte à l'aide d'un marqueur. Pour tester si l'auto-modèle peut détecter des dommages à lui-même, les chercheurs ont imprimé en 3D une pièce déformée pour simuler les dommages et le robot a pu détecter le changement et reformer son auto-modèle. Le nouveau modèle autonome a permis au robot de reprendre ses tâches de prélèvement et de placement avec peu de perte de performances.

Lipson, qui est également membre du Data Science Institute, note que l'auto-imagerie est essentielle pour permettre aux robots de s'éloigner des confinements de ce qu'on appelle "l'IA étroite" vers des capacités plus générales. "C'est peut-être ce que fait un nouveau-né dans son berceau, à mesure qu'il apprend ce que c'est, " dit-il. " Nous conjecturons que cet avantage peut aussi avoir été l'origine évolutive de la conscience de soi chez les humains. Alors que la capacité de notre robot à s'imaginer est encore grossière par rapport aux humains, nous pensons que cette capacité est sur la voie de la conscience de soi de la machine."

Lipson pense que la robotique et l'IA peuvent offrir une nouvelle fenêtre sur le puzzle séculaire de la conscience. " Philosophes, psychologues, et les scientifiques cognitifs réfléchissent à la conscience de soi de la nature depuis des millénaires, mais ont fait relativement peu de progrès, " observe-t-il. " Nous voilons encore notre incompréhension avec des termes subjectifs comme 'la toile de la réalité, ' but robots now force us to translate these vague notions into concrete algorithms and mechanisms."

Lipson and Kwiatkowski are aware of the ethical implications. "Self-awareness will lead to more resilient and adaptive systems, but also implies some loss of control, " they warn. "It's a powerful technology, but it should be handled with care."

The researchers are now exploring whether robots can model not just their own bodies, but also their own minds, whether robots can think about thinking.