Robotique La robotique aide à comprendre l'humain

Related Vendors

ZHAW

Kubo Tech AG

Kärcher AG

SCHMIDT Technology GmbH

Notre rêve de voir des robots repasser le linge, sortir les poubelles ou vider le lave-vaisselle à la maison deviendra-t-il bientôt réalité ? Pour répondre à ces questions et à bien d'autres sur les robots humanoïdes, il faut plus que des demi-vérités populistes. Andreas Leu du magazine at – aktuelle technik s'est entretenu à ce sujet avec la Prof. Dr. Yulia Sandamirskaya, experte en robotique de l'Institut des sciences de la vie computationnelles (Computational Life Sciences) de la ZHAW (Haute école des sciences appliquées de Zurich).

Au cours de votre carrière professionnelle, vous avez accompagné et mené à bien plusieurs projets passionnants. Pourriez-vous nous donner un bref aperçu de ces travaux et de l'origine de votre attrait pour la recherche dans ces domaines ?

Mon premier travail dans le domaine de la robotique remonte à 2005. Il s'agissait d'un projet collaboratif qui a financé ma thèse de doctorat, mené avec plusieurs partenaires industriels et soutenu financièrement par le BMBF (ministère fédéral allemand de l'éducation et de la recherche, ndlr). Il y avait 17 partenaires au total, dont Schunk, Kuka, le DLR, ainsi que de grandes universités. L'objectif était de construire un robot d'assistance à domicile pour les personnes âgées. Notre vision était de créer un robot semi-humanoïde. Il se déplaçait sur des roues et possédait deux bras. Il pouvait cartographier son environnement, aller d'un point A à un point B, reconnaître et saisir des objets, et suivre une personne. En bref, accomplir de petites tâches ménagères pour aider les personnes âgées. C'était bien avant que les réseaux de neurones ne soient utilisés dans les logiciels des robots humanoïdes.

Je faisais partie de l'équipe chargée de la perception du robot. L'entreprise One Identity était également de la partie. C'est la première entreprise au monde à avoir développé et commercialisé la reconnaissance faciale. Ma tâche consistait à interpréter les gestes humains, en particulier les gestes de pointage. Il ne s'agissait pas seulement de reconnaissance et de classification, mais aussi d'estimer la direction du pointage. Un autre groupe s'occupait de la reconnaissance d'objets. Ces objets devaient être « enseignés » au système.

Galerie d'images

Galerie d'images avec 5 images

Ce premier projet m'a énormément marquée pour la suite. J'ai acquis un très grand respect pour la robotique. La fusion de différentes disciplines comme le hardware, les logiciels, la simulation, et l'interaction homme-machine me fascinait. À l'origine, j'étais physicienne, spécialisée dans la spectroscopie et la simulation de la dynamique moléculaire. Programmer des logiciels au niveau de la robotique était une nouveauté pour moi, j'ai dû m'y former.

Ma thèse de doctorat portait sur trois domaines que l'on ne réunit généralement pas. Tout d'abord, nous nous sommes penchés sur les neurosciences. Nous avons construit des modèles visant à expliquer comment les processus dans les systèmes nerveux et les cerveaux biologiques contrôlent le comportement. Nous avons fait cela dans le cadre de la « Théorie des champs dynamiques » (Dynamic Field Theory), un cadre théorique permettant de modéliser ces processus sous forme de systèmes dynamiques auto-stabilisants. Ensuite, nous avons travaillé en étroite collaboration avec des collègues des sciences cognitives. Dans leurs expériences, ils étudiaient le comportement humain, essayant par exemple de comprendre comment fonctionnent notre mémoire et notre perception. Avec une équipe, nous voulions utiliser les mêmes modèles qui expliquent les processus neuronaux pour les appliquer à ces expériences comportementales. Enfin, il s'agissait d'appliquer ces connaissances à la robotique. À l'aide de ces modèles, nous voulions découvrir comment construire des « Systèmes cognitifs incarnés » (Embodied Cognitive Systems), c'est-à-dire des systèmes intelligents robotiques où, de manière similaire aux humains et aux animaux, la dynamique neuronale pilote le comportement.

Le problème avec ces modèles de réseaux de neurones était qu'ils n'étaient pas bien adaptés aux processeurs graphiques (GPU), qui étaient alors adoptés avec enthousiasme par d'autres collègues. Nous avons trouvé l'espoir d'une alternative dans un domaine de recherche appelé informatique neuromorphique (Neuromorphic Computing). Dès les années 80, on avait essayé de construire des systèmes matériels inspirés de la structure de notre cerveau. Cette technologie semblait convenir à nos applications. En 2007, j'ai participé à un atelier aux États-Unis, le « Telluride Workshop for Neuromorphic Engineering ». J'y ai rencontré la communauté qui explorait cette technologie. En 2015, j'ai déménagé à Zurich en tant que chercheuse postdoctorale, puis cheffe de groupe à l'Institut de neuro-informatique. Là-bas, du matériel pour l'informatique neuromorphique était développé depuis des années. J'ai remporté plusieurs projets de recherche et formé un groupe appelé « Neuromorphic Cognitive Robots ». Nous avons implémenté nos modèles cognitifs sur des puces neuromorphiques, puis nous avons intégré ces systèmes dans des robots. À l'époque, il s'agissait de toutes petites puces analogiques comprenant à peine 256 neurones. Grâce à des exemples de preuve de concept relativement simples, nous avons pu démontrer comment contrôler un robot avec une telle puce. Nous avons construit de petits véhicules capables d'éviter les obstacles et d'atteindre des cibles, semblables à un aspirateur autonome domestique.

Quelques années plus tard, j'ai rencontré une équipe du Neuromorphic Computing Lab d'Intel. Ils disposaient déjà d'un processeur neuromorphique très facile à utiliser et pourtant beaucoup plus puissant que celui avec lequel nous travaillions à l'université. J'étais fascinée et j'ai rejoint l'équipe. Nous avons démontré à quel point l'utilisation de ces puces permettait de contrôler les robots de manière bien plus économe en énergie et, dans de nombreux cas, plus rapidement. J'étais convaincue que ces processeurs convenaient parfaitement à la robotique. Malheureusement, à l'époque, Intel ne croyait pas vraiment en la robotique. Je suis donc retournée à la recherche, à la ZHAW.

À la ZHAW, nous abordons les choses sous deux angles. D'une part, nous développons des technologies pour la robotique inspirées des systèmes nerveux biologiques. D'autre part, nous essayons de mieux comprendre les applications de la robotique, notamment dans les soins. Dans des environnements où l'humain est au centre et ne peut pas être « supprimé par souci d'optimisation ». Dans un hôpital ou un établissement médico-social, il y a toujours beaucoup de tâches logistiques et de service lourdes et répétitives, comme des courses internes. Ces petits services prennent du temps sur les tâches de soin proprement dites. Ce type de tâches répétitives peut être automatisé, mais si l'humain doit rester à proximité du robot, celui-ci doit agir différemment que dans un atelier entièrement automatisé. Dans de telles applications, la sécurité revêt une importance massivement supérieure. L'agilité, la flexibilité et la perception du robot diffèrent également fortement des projets industriels.

Lors de votre conférence au International Humanoid Forum à Bienne, vous avez présenté différentes possibilités permettant aux robots humanoïdes d'apprendre mieux et plus efficacement grâce à l'IA. Actuellement, les robots humanoïdes sont formés pratiquement d'humain à robot. À quel stade de développement en sommes-nous pour que les robots apprennent de manière autonome ?

Le statu quo est le suivant : l'IA actuelle est conçue de telle sorte qu'elle nécessite une grande quantité de données pour entraîner les réseaux de neurones. Cet entraînement fonctionne de manière totalement différente des systèmes nerveux biologiques des humains ou des animaux, qui sont structurés différemment. Nous n'apprenons pas très souvent en grande quantité, mais nous pouvons apprendre très rapidement. Si je montre à un enfant l'image d'un chat, il comprend rapidement de quoi il s'agit. Avec le mot « apprendre », nous utilisons un terme qui a plusieurs significations pour nous. Ce que font les réseaux de neurones n'est pas un « apprentissage » au sens propre, mais un entraînement ou une optimisation de l'approximation de fonctions. Il s'agit d'un processus très lent, lors duquel un nombre énorme de données spécialement préparées sont introduites dans le système.

Je vais vous donner un exemple pour illustrer le côté problématique de cette approche : cela s'appelle « l'oubli catastrophique » (Catastrophic Forgetting). Si je veux apprendre au système à reconnaître quelques objets, par exemple une pomme, une prune, et une voiture, je ne peux pas lui montrer d'abord 10 000 images de pommes, puis 10 000 de prunes, et enfin 10 000 de voitures. Car le système aura déjà oublié les pommes en apprenant les prunes. Les images doivent être mélangées. Le système apprend de manière itérative par petites étapes du processus d'optimisation. À partir d'un certain point, le système peut différencier les objets. Ce processus est très différent de celui des humains, même si, pour d'autres raisons, nous souffrons parfois aussi d'oubli catastrophique.

Nous, les humains, apprenons manifestement différemment : d'abord les différents fruits, puis les différentes marques de voitures. Nous essayons de construire des systèmes neuronaux de manière à ce qu'ils puissent apprendre rapidement et continuellement. Pour que cela fonctionne, nous ne pouvons pas simplement commencer avec un réseau neuronal vide, configuré de manière aléatoire. Nous essayons d'intégrer dans les systèmes d'IA les structures d'apprentissage que l'évolution nous a données. Ce n'est qu'à cette condition qu'un robot pourra apprendre assez vite pour que je puisse simplement lui montrer comment remplir et vider un lave-vaisselle.

Si je comprends bien, l'objectif de vos recherches est qu'à l'avenir, un robot puisse apprendre par lui-même de son environnement ?

Laissez-moi l'expliquer ainsi : si j'achète un robot pour chez moi, il n'a pas besoin de connaître le monde entier. Il doit apprendre à quoi ressemble ma maison, et non pas une maison en Afrique ou en Asie, ni même celle de mon voisin. Au final, le robot doit savoir exactement quels objets sont importants chez moi, quelles sont mes routines, et il ne doit pas non plus aller les raconter aux autres ! À l'inverse, il n'a pas besoin de savoir comment ça se passe chez mon voisin. Il doit savoir comment charger et vider le lave-vaisselle, et non comment faire du vélo. Il doit savoir que ce vase est un héritage de ma grand-mère et qu'il ne doit sous aucun prétexte le casser. Pour cela, il n'a pas besoin de connaître tous les vases du monde, mais seulement ceux qui se trouvent dans mon appartement. Il y a une grande différence entre un robot qui sait tout et un robot précisément adapté à mon environnement.

Adapter un robot à mon environnement est un processus totalement différent. Dans ce cas, il s'agit plutôt de former sa mémoire. Il doit mémoriser quels objets traînent chez moi, à quoi ils ressemblent et comment il doit les manipuler. Cependant, ce n'est pas un problème de classification. L'IA telle que nous la connaissons classifie. Le robot, grâce à des capteurs 3D intelligents, doit pouvoir mémoriser les caractéristiques de l'objet, lui donner un nom, et savoir comment s'en servir. Il est impossible d'enseigner à un tel robot l'intégralité de notre monde physique. À cet égard, il y a une certaine divergence par rapport aux réseaux de neurones classiques.

Revenons sur l'entraînement des réseaux de neurones. Dans votre équipe de recherche, vous savez comment entraîner ces systèmes. Mais qu'en est-il lorsque c'est un utilisateur lambda qui le fait ? N'y a-t-il pas un risque qu'une action moins adaptée entraîne moins bien ou différemment le système ?

Ma réponse sera peut-être un peu provocante. Certains estiment que l'apprentissage, même dans les systèmes biologiques, est surestimé. Nous disons « apprentissage », mais nous entendons souvent par là soit le développement, soit l'adaptation sans modification des structures cérébrales. De nombreuses structures dans le système nerveux et le cerveau ne sont pas formées par l'interaction avec l'environnement ; il s'agit plutôt du déploiement de programmes génétiques préexistants. Chez un nouveau-né, beaucoup de choses sont déjà en place. La structure complexe d'une main ou du cerveau est déjà donnée. Certaines espèces animales peuvent courir immédiatement après la naissance. Elles n'ont pas besoin de l'apprendre. L'apprentissage de quelque chose de vraiment nouveau est plutôt exceptionnel. Cela existe, mais surtout dans des cas particuliers, après une grande révélation ou une surprise. Souvent, nous parlons d'apprentissage alors qu'il s'agit du renforcement ou de l'affinement de structures existantes.

Avec les robots, il faut être très prudent avec la notion d'apprentissage. Surtout pour les robots qui travaillent avec des humains, car ils doivent être sûrs, testés, et certifiés. L'apprentissage, comme l'assimilation des objets de ma maison, ne peut se faire que dans le cadre de structures prédéfinies qui répondent à certaines exigences fonctionnelles et qui ne sont re-paramétrées que de manière limitée par cet apprentissage.

C'est pourquoi l'utilisateur ne peut « apprendre » au robot que des tâches spécifiques. Je peux apprendre au robot à saisir un objet et à le transporter. Cependant, le développeur du robot doit garantir que l'objet ne sera en aucun cas relâché accidentellement, car il pourrait alors représenter un danger. La préhension doit posséder certaines qualités qui doivent être assurées (comme ne pas lâcher l'objet). Pour cela, on crée des profils de force. On ne peut pas confier cette responsabilité à l'utilisateur. L'utilisateur peut indiquer au robot où il doit déposer un objet. Mais selon la pièce, cette possibilité devra peut-être même être restreinte.

Quelles difficultés pose une interaction physique éventuelle entre un robot et une personne ?

Le contact physique avec des robots est en effet un sujet délicat. Dans nos recherches, nous nous concentrons sur des applications de service où il ne doit y avoir aucun contact physique avec le robot. Bien qu'il serait tout à fait possible de contrôler avec précision la force du bras robotique. En tant que développeurs, nous devons garantir que, même dans le pire scénario de défaillance de tous les systèmes de contrôle, aucun dommage ne sera causé à l'utilisateur.

Contrairement à certains robots d'Hollywood à l'air plutôt menaçants comme vous l'avez montré dans votre présentation, les robots humanoïdes sont en général présentés avec un visage humain amical. Pensez-vous que cette apparence sympathique joue un rôle pour la psyché et l'acceptation sociale des robots humanoïdes ?

Je me demande si une apparence amicale signifie forcément que le robot doit ressembler à un humain. Les gens réagissent différemment aux robots humanoïdes ; certains se sentent même menacés. Un robot aspirateur n'a pas besoin de ressembler à un humain. Il doit juste faire son travail. La forme humanoïde d'un robot crée une certaine hype parce que c'est « cool », mais elle est aussi souvent déconcertante (phénomène de la vallée de l'étrange). Je pense que la peur joue un rôle important. Les robots hollywoodiens que j'ai montrés dans ma présentation suscitent précisément ces peurs. Mais ces peurs sont plutôt contre-productives, car elles risquent de retarder des développements qui sont vraiment nécessaires.

Il y a des travaux physiques que les jeunes d'aujourd'hui, ou même les personnes en situation précaire, ne veulent plus faire. Automatiser ces tâches n'est pas si simple. Aujourd'hui, il y a pas mal d'entreprises qui construisent des robots humanoïdes et gaspillent d'énormes ressources uniquement pour impressionner les investisseurs. Malheureusement, elles se concentrent souvent trop peu sur le problème à résoudre ou sur le client. Fondamentalement, la question devrait être : cette application nécessite-t-elle vraiment un robot humanoïde, ou une solution plus simple serait-elle plus appropriée ? Si une entreprise construit des robots humanoïdes uniquement pour obtenir l'argent des investisseurs, elle fait fausse route.

Lors de votre présentation, vous avez également parlé du choix des processeurs, et plus particulièrement du type de processeurs qui conviendra le mieux aux robots humanoïdes à l'avenir. Qu'en est-il ?

Dans ce contexte, je trouve intéressant de revenir brièvement sur l'évolution historique des processeurs. L'architecture de la plupart des processeurs que nous utilisons aujourd'hui, dans nos smartphones par exemple, date des années 1940. Ils disposent d'une unité de calcul, d'une mémoire pour les données et d'un programme. Ce type de processeur exécute le programme de manière séquentielle. Avec les processeurs actuels, cela se fait très rapidement, car la fréquence d'horloge n'a cessé d'augmenter au fil du temps.

À un moment donné, on s'est rendu compte que ce type de traitement n'était plus adapté, principalement pour les graphismes dans les jeux vidéo. Il fallait une architecture nouvelle et différente : les processeurs graphiques (GPU). Ceux-ci sont conçus pour contrôler les pixels à l'écran en traitant les données en parallèle. Les données sont réparties, calculées et traitées simultanément sur les processeurs.

Au début des années 2000, NVIDIA a pris une initiative très intelligente. Ils possédaient un excellent environnement logiciel qui permettait aux ingénieurs d'expérimenter avec ce type de processus. On a alors découvert qu'un certain type de réseaux de neurones était très bien adapté à ces processeurs. Ces réseaux provenaient du traitement de l'image, pour la reconnaissance faciale ou de caractères par exemple. Il existait une architecture de réseau adaptée à cela : les réseaux de neurones convolutifs (Convolutional Neural Networks) de Yann LeCun. Cette architecture s'adaptait parfaitement aux GPU et est donc devenue de plus en plus utilisée.

Tous les autres types de réseaux de neurones, qui s'adaptaient moins bien aux GPU, ont perdu en importance. On les trouve encore de temps en temps dans la recherche. Non pas parce qu'ils sont moins bons, mais parce que les réseaux de neurones à propagation avant (Feedforward Neural Networks FNN) étaient ceux qui s'adaptaient le mieux à l'architecture matérielle et à l'écosystème logiciel qui s'est rapidement imposé. Ils permettaient de présenter de meilleurs résultats lors de conférences et sur des benchmarks reconnus, même s'il ne s'agissait souvent que d'une fraction de pour cent d'amélioration par rapport à la version précédente.

Personnellement, je pense que de nouvelles architectures matérielles devraient arriver sur le marché pour supporter également d'autres algorithmes de réseaux de neurones. Il n'est cependant pas facile de lancer un nouveau produit matériel sur un marché déjà très saturé et consolidé. D'autant plus que les développeurs se sont habitués à l'architecture existante et hésitent à en changer. Il existe déjà de très nombreux compilateurs, niveaux logiciels, ainsi que des usines qui fabriquent ces puces. Il ne faut pas non plus sous-estimer les coûts que cela implique. Pour utiliser d'autres réseaux de neurones, nous avons tout simplement besoin de nouvelles structures matérielles. Une nouvelle architecture de processeur aiderait considérablement à réduire la consommation d'énergie des systèmes d'IA ainsi que les temps de latence. L'apprentissage continu pourrait également en être grandement amélioré.

Dans votre dernière recherche sur la technologie neuromorphique pour l'IA incarnée, vous étudiez avec une équipe les possibilités des systèmes modernes de traitement de l'image couplés à des capteurs de vision 3D en temps réel pour les robots. Quel est l'objectif exact de ces recherches et quel est l'état actuel de vos découvertes ?

L'objectif de cette recherche est de permettre aux robots de se déplacer de manière agile et autonome, même à proximité d'humains. Pour cela, ces robots doivent voir et comprendre leur environnement en temps réel. Comment un robot actuel doté de l'IA standard perçoit-il son environnement ? Il capture une image, ce qui prend environ 30 ms. Ensuite, les données sont transmises à un ordinateur, ce qui nécessite aussi quelques millisecondes. L'analyse de l'image prend encore environ 100 ms, puis le résultat est renvoyé. C'est sur la base de ces informations que le robot se déplace. Cependant, il peut se passer beaucoup de choses pendant ce temps de calcul. De plus, comme la caméra bouge avec le robot, l'image peut être floue, ce qui diminue la qualité de l'analyse visuelle.

À mon avis, avec l'IA actuelle, nous faisons fausse route si un robot doit évoluer très près des humains. Nous avons besoin de systèmes de perception visuelle réactifs et efficaces, de sorte que les calculs puissent être effectués sur le robot lui-même et non sur un serveur. Pour y parvenir, nous combinons différents types de capteurs avec des réseaux de neurones efficaces, inspirés des systèmes biologiques. Notre œil humain accomplit des choses étonnantes. Aucun capteur ne peut l'imiter parfaitement, mais on peut en déduire les principes essentiels et les reproduire.

Notre solution ressemble à peu près à ceci : un capteur peut nous donner la distance, un autre fournit la sémantique (ce dernier donne un nom aux objets : c'est une main, un visage, une télévision, une table). Un troisième capteur suit les objets en mouvement (tracking) et permet de mettre à jour la scène perçue en temps réel, même si la caméra ou l'objet bouge rapidement. Les deux premiers capteurs perçoivent l'environnement de manière plutôt lente, tandis que le suivi doit être très rapide. De cette façon, nous créons une sorte de carte de l'environnement. Cette carte est mise à jour extrêmement rapidement et peut communiquer directement avec le système de contrôle du robot.

Le capteur priorise-t-il cette information en interne, ou cela doit-il être programmé sur le processeur ?

Notre caméra combine ces différents capteurs et utilise des algorithmes pour fusionner ces informations et calculer les commandes de contrôle du robot en temps réel. Le système de contrôle du robot reçoit l'information comme si elle provenait d'un seul capteur et peut l'utiliser pour générer des commandes de mouvement. L'objectif est d'empêcher le robot de s'approcher trop près des personnes lorsque ce n'est pas souhaité. Nous considérons cette perception visuelle comme essentielle et voulons l'intégrer dans les parties liées à la sécurité des systèmes de contrôle.

Nos réseaux de neurones actuels sont conçus pour le traitement d'images. Ce traitement est cognitif et nomme les objets. Or, notre système visuel humain est utilisé pendant le mouvement sans que nous ayons besoin de nommer les objets. Par exemple, si je descends un escalier, je n'aime pas le faire les yeux fermés, même si j'ai déjà vu cet escalier de nombreuses fois. Notre œil détecte très rapidement et automatiquement les contours ou les bords, par exemple. Notre capteur modélise précisément ce type de système visuel.

Quelles tâches les robots humanoïdes accompliront-ils pour nous dans 10 ans ? Cette question concerne aussi bien le monde du travail que la sphère privée.

C'est une question cruciale pour moi, et c'est exactement la raison pour laquelle nous avons lancé ce projet avec notre groupe de recherche. Nous avons fondé une entreprise qui mettra cette technologie sur le marché. Nous pensons qu'elle sera disponible relativement bientôt. Grâce à cela, nous aurons dans un avenir prévisible des robots qui pourront être utiles pour certaines tâches, par exemple à la maison.

Cependant, ma prédiction est que ce ne seront pas nécessairement des robots humanoïdes. Ils ressembleront peut-être plutôt à R2-D2 de Star Wars : comme un grand aspirateur muni de quelques bras, capable d'effectuer des tâches routinières à la maison, comme jeter les poubelles, s'occuper du linge, cuisiner, etc. Ces tâches prennent du temps, mais elles doivent être faites.

Il y a aussi beaucoup de tâches dans la société que nous ne remarquons pas forcément, mais qui doivent être accomplies. Il y a énormément de travaux physiquement éprouvants ou qui doivent être faits en horaires décalés (travail posté). Cela concerne de nombreuses branches de l'artisanat et de l'industrie.

Si l'on prend l'exemple du domaine industriel qu'est la logistique, ne serait-il pas logique d'y apporter un soutien ? Il existe déjà des aides à la manutention, comme des exosquelettes mais selon vous, l'objectif final est-il de se passer complètement de l'humain ?

Cela dépend. Il y a des tâches qu'il est difficile d'accomplir avec des robots autonomes. Dans ces cas, il serait effectivement utile d'assister les travailleurs pour rendre le travail plus facile et plus supportable. Pour d'autres tâches, il serait intelligent de les automatiser. Une nouvelle génération grandit et ne veut plus faire ce genre de tâches. Ils ne veulent plus travailler huit heures par jour dans une pièce sans lumière naturelle. Ils envisagent la vie différemment et je suis d'avis que les gens peuvent s'occuper autrement.

Nous avons énormément de pain sur la planche, notamment en matière de recherche et développement. Beaucoup de choses doivent encore être améliorées pour l'avenir. Cela concerne par exemple la production d'énergie et les batteries. Ou de meilleures connexions, plus rapides, de meilleurs capteurs et une IA plus efficace. En tant que société, nous avons encore beaucoup à faire. Il serait bien que davantage de personnes puissent être productives dans ces métiers créatifs. Le travail intellectuel sera décisif pour nous créer un avenir meilleur. Voilà pour ma vision optimiste.

Dans nos cursus de Bachelor et de Master en « Computational Life Sciences » (Sciences de la vie computationnelles), nous construisons en quelque sorte un pont entre la biologie, l'environnement, la santé, la technologie et l'IA. Les études incluent la modélisation mathématique, la programmation et la robotique. D'une part, il s'agit de savoir comment appliquer nos connaissances technologiques aux sciences biologiques. Par exemple, pour mieux observer et préserver l'environnement, ou pour des applications dans la santé ou la biotechnologie. D'autre part, il s'agit de voir quelles leçons les systèmes biologiques peuvent nous enseigner pour l'avenir de la technologie. En résumé, on y unit la technologie et les connaissances biologiques.

(ID:50890420)