Jsem neurovědec. A v neurovědě čelíme mnoha složitým otázkám ohledně mozku. Já bych ale rád začal tou nejjednoduší otázkou, kterou si každý z vás už někdy v životě měl položit, jelikož se jedná o zásadní otázku, pokud chceme porozumět funkci mozku. A ta otázka zní, proč my a další živočichové máme mozek? Některé živočišné druhy naší planety mozek nemají, takže chceme-li zjistit, k čemu mozek slouží, přemýšlejme, proč se nám mozek vyvinul. Tak tedy, bylo by pochopitelné, kdybyste ho měli, abyste vnímali svět nebo abyste přemýšleli, ale to je velký omyl. Pokud si o tom alespoň chvilku popřemýšlíte, bude naprosto zřejmé, proč mozek máme. Mozek máme z jednoho jediného důvodu: abychom mohli vyvíjet přizpůsobivé, složité pohyby. Jiný důvod, proč mít mozek, neexistuje. Zvažte to a dáte mi za pravdu. Pohyb je jediný způsob, kterým můžete ovlivnit svět kolem sebe. Vlastně ne tak docela - je tu ještě pocení. Ale kromě této výjimky se všechno ostatní děje skrze stahování svalů.
I'm a neuroscientist. And in neuroscience, we have to deal with many difficult questions about the brain. But I want to start with the easiest question and the question you really should have all asked yourselves at some point in your life, because it's a fundamental question if we want to understand brain function. And that is, why do we and other animals have brains? Not all species on our planet have brains, so if we want to know what the brain is for, let's think about why we evolved one. Now you may reason that we have one to perceive the world or to think, and that's completely wrong. If you think about this question for any length of time, it's blindingly obvious why we have a brain. We have a brain for one reason and one reason only, and that's to produce adaptable and complex movements. There is no other reason to have a brain. Think about it. Movement is the only way you have of affecting the world around you. Now that's not quite true. There's one other way, and that's through sweating. But apart from that, everything else goes through contractions of muscles.
Vezměte si komunikaci - řeč, gesta, psaní, znakovou řeč -- všechno to zprostředkovávají stahy vašich svalů. Takže je velmi důležité mít na paměti, že smyslové, paměťové a kognitivní procesy jsou všechny důležité, nicméně důležité jsou jenom proto, aby buď poháněly nebo potlačovaly budoucí pohyb. Žádná evoluční výhoda nemůže plynout z toho, že jste si uchovali vzpomínky z dětství nebo z vnímání barvy růže, neovlivní-li to váš budoucí pohyb později v životě.
So think about communication -- speech, gestures, writing, sign language -- they're all mediated through contractions of your muscles. So it's really important to remember that sensory, memory and cognitive processes are all important, but they're only important to either drive or suppress future movements. There can be no evolutionary advantage to laying down memories of childhood or perceiving the color of a rose if it doesn't affect the way you're going to move later in life.
Pro ty, kteří této argumentaci nevěří: máme na naší planetě stromy a trávy, a ty mozek nemají, rozhodujícím důkazem je však tento živočich -- prostý pláštěnec. Primitivní živočich, má nervový systém, před dospělostí plave sem a tam oceánem, až jednou přijde chvíle, kdy se usadí na kameni. A jakmile se na té skále usadí (kterou už nikdy neopustí), stráví svůj vlastní mozek a nervstvo jako potravu. Takže jakmile se nepotřebujete hýbat, nepotřebujete luxus, jakým je mozek. A tento živočich často slouží jako analogie k proměně univerzitních profesorů po získání definitivy - ale to bychom mluvili o něčem jiném.
Now for those who don't believe this argument, we have trees and grass on our planet without the brain, but the clinching evidence is this animal here -- the humble sea squirt. Rudimentary animal, has a nervous system, swims around in the ocean in its juvenile life. And at some point of its life, it implants on a rock. And the first thing it does in implanting on that rock, which it never leaves, is to digest its own brain and nervous system for food. So once you don't need to move, you don't need the luxury of that brain. And this animal is often taken as an analogy to what happens at universities when professors get tenure, but that's a different subject.
(Potlesk)
(Applause)
Jsem tedy pohybový šovinista. Jsem přesvědčen, že pohyb je tou nejdůležitější funkcí mozku -- nevěřte nikomu, kdo vám bude tvrdit, že tomu tak není. Nuže tedy, je-li pohyb tak důležitý, jak se nám daří rozumět tomu, jak mozek řídí pohyb? Odpověd zní: mizerně; jedná se o zapeklitý problém. Abych posoudili, jak se nám v této věci daří, zamysleme se nad tím, jak se nám daří sestavovat stroje, které umí dělat to, co umí lidé.
So I am a movement chauvinist. I believe movement is the most important function of the brain -- don't let anyone tell you that it's not true. Now if movement is so important, how well are we doing understanding how the brain controls movement? And the answer is we're doing extremely poorly; it's a very hard problem. But we can look at how well we're doing by thinking about how well we're doing building machines which can do what humans can do.
Vezměte si třeba šachovou partii. Jak se nám daří určovat, kam kterou figurku posunout? Postavíte-li zde Garyho Kasparova - není-li zrovna ve vězení - proti počítači Deep Blue od IBM, pak odpověď zní, že Deep Blue občas vyhraje. A pokud by Deep Blue hrál proti komukoliv v této místnosti, vyhrál by podle mne pokaždé. Tento problém je vyřešen. A co takhle problém spočívající v tom, jak zvednout šachovou figurku, obratně s ní zacházet a položit ji zpátky na šachovnici? Srovnáte-li pětileté dítě s nejlepšími roboty dnešní doby co do zručnosti, výsledek je jasný: dítě s přehledem vyhraje. Nemá žádnou opravdovou konkurenci.
Think about the game of chess. How well are we doing determining what piece to move where? If you pit Garry Kasparov here, when he's not in jail, against IBM's Deep Blue, well the answer is IBM's Deep Blue will occasionally win. And I think if IBM's Deep Blue played anyone in this room, it would win every time. That problem is solved. What about the problem of picking up a chess piece, dexterously manipulating it and putting it back down on the board? If you put a five year-old child's dexterity against the best robots of today, the answer is simple: the child wins easily. There's no competition at all.
Nuže tedy, proč je ten vrchní problém tak snadný a ten spodní problém tak složitý? Jedním z důvodů je, že velice chytré pětileté dítě by přišlo na algoritmus k tomu vrchnímu problému -- zvažte všechny možné tahy až do konce partie a vyberty ty, které vám umožní vyhrát. Jedná se tedy o velice jednoduchý algoritmus. Pravda, možných tahů je velmi mnoho, ale s pomocí ohromných počítačů můžeme aproximovat a přiblížit se optimálnímu řešení. Když ale přijde na zručnost, není ani jasné, jaký algoritmus máte řešit, abyste zručnosti dosáhli. A jak uvidíme, musíte jak vnímat, tak působit na svět, a to obnáší řadu problémů.
Now why is that top problem so easy and the bottom problem so hard? One reason is a very smart five year-old could tell you the algorithm for that top problem -- look at all possible moves to the end of the game and choose the one that makes you win. So it's a very simple algorithm. Now of course there are other moves, but with vast computers we approximate and come close to the optimal solution. When it comes to being dexterous, it's not even clear what the algorithm is you have to solve to be dexterous. And we'll see you have to both perceive and act on the world, which has a lot of problems.
Nyní vám předvedu ukázku špičkové robotiky. Velká část robotiky je velmi působivá, ale manipulační robotika je zatím v raném středověku. Tak tohle je výsledek doktorandského projektu z jednoho z nejlepších ústavů robotiky. Student naučil robota nalít vodu do sklenice: složitý problém - voda totiž šplouchá - ale dokáže to. Ale co do hbitosti má k člověku velice daleko. Pokud by ale ten robot měl provést jiný úkol, máte vystaráno na další tříletý doktorandský program. Vůbec se nám nedaří zobecňovat z jednoho robotického úkolu na druhý.
But let me show you cutting-edge robotics. Now a lot of robotics is very impressive, but manipulation robotics is really just in the dark ages. So this is the end of a Ph.D. project from one of the best robotics institutes. And the student has trained this robot to pour this water into a glass. It's a hard problem because the water sloshes about, but it can do it. But it doesn't do it with anything like the agility of a human. Now if you want this robot to do a different task, that's another three-year Ph.D. program. There is no generalization at all from one task to another in robotics.
Můžeme to však porovnat se špičkovým výkonem u lidí. Nyní vám ukážu Emily Foxovou, jak vytváří světový rekord ve vršení kelímků. Americké části publika bude tento sport důvěrně známý. Jedná se o středoškolskou sportovní disciplínu, v níž na sebe střídavě vršíte a odebíráte 12 kelímků, a to na čas a v předepsaném pořadí. A zde ji vidíme na nezrychlených záběrech, jak vytváří světový rekord. (Smích) (Potlesk) A má z toho docela velkou radost. Nemá ani ponětí, co probíhá uvnitř jejího mozku, když tohle dělá, a právě to bychom rádi věděli.
Now we can compare this to cutting-edge human performance. So what I'm going to show you is Emily Fox winning the world record for cup stacking. Now the Americans in the audience will know all about cup stacking. It's a high school sport where you have 12 cups you have to stack and unstack against the clock in a prescribed order. And this is her getting the world record in real time. (Laughter) (Applause) And she's pretty happy. We have no idea what is going on inside her brain when she does that, and that's what we'd like to know.
Takže v naší skupině se snažíme zpětným postupem zjistit, jak člověk řídí pohyb. Zní to jako jednoduchý úkol. Pošlete dolů příkaz - a svaly se stáhnou, vaše ruka nebo tělo se pohne a vy dostanete smyslovou zpětnou vazbu - ze zraku, kůže, svalstva a tak dále. Potíž vězí v tom, že tyto signály nejsou tak krásné, jak byste si přáli. Takže jedním z důvodů, proč je řízení pohybu tak složité, je například to, že smyslovou zpětnou vazbu narušuje šum, Šumem nemám ale na mysli zvuk, nýbrž význam používaný v inženýrství a neurovědě, tedy náhodný šum narušující signál. Takže za starých časů, před digitalizací rozhlasu, když jste si ladili stanici a slyšeli jste "crrcckkk" na stanici, kterou jste chtěli poslouchat, tak to byl šum. Obecněji vzato je ale šum něco, co ruší signál.
So in my group, what we try to do is reverse engineer how humans control movement. And it sounds like an easy problem. You send a command down, it causes muscles to contract. Your arm or body moves, and you get sensory feedback from vision, from skin, from muscles and so on. The trouble is these signals are not the beautiful signals you want them to be. So one thing that makes controlling movement difficult is, for example, sensory feedback is extremely noisy. Now by noise, I do not mean sound. We use it in the engineering and neuroscience sense meaning a random noise corrupting a signal. So the old days before digital radio when you were tuning in your radio and you heard "crrcckkk" on the station you wanted to hear, that was the noise. But more generally, this noise is something that corrupts the signal.
Když si třeba dáte ruku pod stůl a snažíte se ji najít druhou rukou, stává se, že ji o několik centimetrů minete - kvůli šumu rušícímu zpětnou vazbu od smyslů. Obdobně, když graficky znázorníte motorické nebo pohybové výstupy, je tam nesmírné množství šumu. Zapomeňte na pokusy trefit se šipkou do černého - prostě miřte na stejný bod pořád dokola. Dostanete široké rozpětí výsledků kvůli variabilitě pohybu. Ba co víc, vnější svět nebo dotyčný úkon je nejasný a zároveň proměnlivý. Čajová konvice může být plná nebo prázdná; mění se v závislosti na čase. Takže fungujeme v jakési smyslově pohybově úkonové polévce z šumu.
So for example, if you put your hand under a table and try to localize it with your other hand, you can be off by several centimeters due to the noise in sensory feedback. Similarly, when you put motor output on movement output, it's extremely noisy. Forget about trying to hit the bull's eye in darts, just aim for the same spot over and over again. You have a huge spread due to movement variability. And more than that, the outside world, or task, is both ambiguous and variable. The teapot could be full, it could be empty. It changes over time. So we work in a whole sensory movement task soup of noise.
Ten šum je ale tak silný, že společnost si cení nesmírně vysoko těch z nás, kteří umí potlačovat důsledky šumu. Takže máte-li to štěstí, že umíte uhodit dlouhou kovovou tyčí do bílého míčku tak, aby spadl do díry vzdálené několik set metrů, naše společnost vás ráda odmění stovkami miliónů dolarů.
Now this noise is so great that society places a huge premium on those of us who can reduce the consequences of noise. So if you're lucky enough to be able to knock a small white ball into a hole several hundred yards away using a long metal stick, our society will be willing to reward you with hundreds of millions of dollars.
Nuže tedy, chci vás přesvědčit, že mozek také vynakládá velkou snahu, aby potlačil záporné důsledky takovéhoto šumu a variability. K tomu používá jistou vztažnou soustavu - velmi oblíbenou ve statistice a strojovém učení posledních padesáti let - která se nazývá bayesovská teorie rozhodování. A nedávno se stala sjednocujícím vysvětlením toho, jak se mozek vypořádává s neurčitostí. Její podstata tkví v tom, že činíme dedukce a pak jednáme.
Now what I want to convince you of is the brain also goes through a lot of effort to reduce the negative consequences of this sort of noise and variability. And to do that, I'm going to tell you about a framework which is very popular in statistics and machine learning of the last 50 years called Bayesian decision theory. And it's more recently a unifying way to think about how the brain deals with uncertainty. And the fundamental idea is you want to make inferences and then take actions.
Zamysleme se tedy nad dedukcemi. Cílem je vytvářet si představy o skutečnosti. Jaké představy? Například: kde se v prostoru nacházejí mé ruce? Dívám se na kočku nebo na lišku? Ale my budeme představy vyjadřovat pravděpodobnostmi. Představu tedy vyjádříme číslem mezi nulou a jedničkou - nula znamená "vůbec tomu nevěřím", jednička pak "jsem si zcela jist". A čísla mezi vyjadřují ony šedé mezistupně nejistoty. Klíčovým konceptem v bayesovské dedukci je to, že máte dva zdroje informací, na nichž stavíte svou dedukci. Máte údaje - a údaje v neurovědě, to jsou vstupní údaje od smyslů. Tyto smyslové vstupy mohu přijmout - a vytvořit představy. Máme ale další zdroj informací, a tím je již získané poznání. Celý svůj život hromadíte poznání v podobě vzpomínek. A podstatou bayesovské teorie rozhodování je, že vám umožňuje matematicky zpracovat optimální způsob, jak spojit již získané poznání se svědectvím smyslů a vytvářet tak nové představy.
So let's think about the inference. You want to generate beliefs about the world. So what are beliefs? Beliefs could be: where are my arms in space? Am I looking at a cat or a fox? But we're going to represent beliefs with probabilities. So we're going to represent a belief with a number between zero and one -- zero meaning I don't believe it at all, one means I'm absolutely certain. And numbers in between give you the gray levels of uncertainty. And the key idea to Bayesian inference is you have two sources of information from which to make your inference. You have data, and data in neuroscience is sensory input. So I have sensory input, which I can take in to make beliefs. But there's another source of information, and that's effectively prior knowledge. You accumulate knowledge throughout your life in memories. And the point about Bayesian decision theory is it gives you the mathematics of the optimal way to combine your prior knowledge with your sensory evidence to generate new beliefs.
Ten vzorec jsem vám promítl: nebudu jej ale vysvětlovat. Je však velice krásný. Má v sobě opravdovou krásu a opravdovou objasňující sílu. To, co vlastně říká, a to, co chceme odhadnout, je pravděpodobnost jednotlivých představ, vycházíme-li ze vstupních údajů od smyslů. Dám vám intuitivní příklad. Představte si, že se učíte hrát tenis a chcete vydedukovat, kde se odrazí míček letítící k vám přes síť. Máme dva zdroje informací, jak nám říká Bayesovo pravidlo. Máme smyslové poznatky - můžeme využít zrakových a sluchových údajů a usoudit tak, že míček dopadne na to červené místo. Ale jak víte, smysly nejsou dokonalé, takže čelíme jisté variabilitě v tom, kam míček dopadne - znázorněné onou červenou skvrnou představující čísla mezi 0,5 a zhruba tak 0,1.
And I've put the formula up there. I'm not going to explain what that formula is, but it's very beautiful. And it has real beauty and real explanatory power. And what it really says, and what you want to estimate, is the probability of different beliefs given your sensory input. So let me give you an intuitive example. Imagine you're learning to play tennis and you want to decide where the ball is going to bounce as it comes over the net towards you. There are two sources of information Bayes' rule tells you. There's sensory evidence -- you can use visual information auditory information, and that might tell you it's going to land in that red spot. But you know that your senses are not perfect, and therefore there's some variability of where it's going to land shown by that cloud of red, representing numbers between 0.5 and maybe 0.1.
Tyto informance jsou k dispozici při této ráně, ale existuje jiný zdroj informací, které při této ráně k dispozici nejsou a ke kterým se dostaneme jen opakovaným prožitkem tenisového utkání: díky němu víme, že míček během utkání nedopadá se stejnou pravděpodobností po celém kurtu. Máte-li opravdu schopného protihráče, může míčky rozmísťovat po té zelené ploše, která představuje předchozí distribuci a kde je pro vás těžší je vrátit. Oba tyto informační zdroje poskytují důležité údaje. A podle Bayesova pravidla máme vynásobit červená čísla zelenými čísly, abychom dostali čísla žlutá, k nimž patří ty elipsy, a to je pak moje představa. A to je optimální způsob, jak spojovat informace.
That information is available in the current shot, but there's another source of information not available on the current shot, but only available by repeated experience in the game of tennis, and that's that the ball doesn't bounce with equal probability over the court during the match. If you're playing against a very good opponent, they may distribute it in that green area, which is the prior distribution, making it hard for you to return. Now both these sources of information carry important information. And what Bayes' rule says is that I should multiply the numbers on the red by the numbers on the green to get the numbers of the yellow, which have the ellipses, and that's my belief. So it's the optimal way of combining information.
Tohle všechno bych vám neříkal, kdybychom před několika lety nedokázali, že přesně tohle lidé dělají, když se učí novým pohybovým dovednostem. A to znamená, že jsme vlastně bayesovské dedukční stroje. Chodíme po světě a zaznamenáváme si statistické údaje - také ale poznáváme, kolik je v našem smyslovém aparátu šumu - a pak je spojujeme skutečně bayesovským způsobem.
Now I wouldn't tell you all this if it wasn't that a few years ago, we showed this is exactly what people do when they learn new movement skills. And what it means is we really are Bayesian inference machines. As we go around, we learn about statistics of the world and lay that down, but we also learn about how noisy our own sensory apparatus is, and then combine those in a real Bayesian way.
Důležitým prvkem bayesovského přístupu je tato část vzorce. A ta část ve skutečnosti znamená, že musím předpovědět pravděpodobnost různých zpětnovazebných údajů od smyslů, vycházeje ze svých představ. Vlastně to znamená, že musím předpovídat budoucnost. A já vás chci přesvědčit, že mozek opravdu předpovídá, jakou zpětnou vazbu od smyslů dostane. Ba co víc, zásadně mění vaše vnímání podle toho, co děláte. A proto vám povím o tom, jak náš mozek zachází se vstupními údaji od smyslů. Tak tedy, když vyšlete příkaz, dostanete zpětnou vazbu od smyslů, a tato transformace se řídí fyzikálními vlastnostmi vašeho těla a vašeho smyslového ústrojí.
Now a key part to the Bayesian is this part of the formula. And what this part really says is I have to predict the probability of different sensory feedbacks given my beliefs. So that really means I have to make predictions of the future. And I want to convince you the brain does make predictions of the sensory feedback it's going to get. And moreover, it profoundly changes your perceptions by what you do. And to do that, I'll tell you about how the brain deals with sensory input. So you send a command out, you get sensory feedback back, and that transformation is governed by the physics of your body and your sensory apparatus.
Můžete si ale představit, že nahlížete do mozku - a tady máme vnitřek mozku znázorněn. Možná tam je jakýsi malý ukazatel, neurální simulátor toho, jak se budou podle fyzikálních zákonů chovat vaše tělo a smysly. Takže když vyšlete dolů příkaz k pohybu, odeberete také jeho kopii necháte ji projet vaším neurálním simulátorem, abyste tak předpověděli smyslové důsledky svého jednání. Takže zatímco třepu touto lahví s kečupem, dostávám pravou zpětnou vazbu od smyslů jako funkci času ve spodní řadě. A mám-li dobrý simulátor, bude jeho přepověď totožná.
But you can imagine looking inside the brain. And here's inside the brain. You might have a little predictor, a neural simulator, of the physics of your body and your senses. So as you send a movement command down, you tap a copy of that off and run it into your neural simulator to anticipate the sensory consequences of your actions. So as I shake this ketchup bottle, I get some true sensory feedback as the function of time in the bottom row. And if I've got a good predictor, it predicts the same thing.
Tak proč to tedy vůbec dělám? Stejně dostanu zpětnou vazbu, která je totožná. Tak tedy - existují dobré důvody. Představte si, že jak tak třepu onou lahví s kečupem, tak někdo ochotně přistoupí a poklepe mi na dno lahve. Teď mám další zdroj smyslových informací kvůli tomuto vnějšímu působení. Mám tedy dva zdroje: vás, který na to klepete, a mě, který tím třepu. ale z pohledu mých smyslů je to sloučeno do jediného informačního zdroje.
Well why would I bother doing that? I'm going to get the same feedback anyway. Well there's good reasons. Imagine, as I shake the ketchup bottle, someone very kindly comes up to me and taps it on the back for me. Now I get an extra source of sensory information due to that external act. So I get two sources. I get you tapping on it, and I get me shaking it, but from my senses' point of view, that is combined together into one source of information.
Máme pádný důvod k tomu se domnívat, že byste chtěli být schopni rozeznat vnější události od vnitřních. To proto, že vnější události mají větší dopad na chování, než schopnost rozeznat vše, co se děje v mém těle. Jedním způsobem, jak to rekonstruovat, je porovnat předpověď -- která vychází pouze z vašich pohybových příkazů -- s tím, co se ve skutečnosti stane. Případná nesrovnalost by měla být dána - doufejme - vnějším vlivem. Takže jak tak chodím po světě, předpovídám, co by se mělo stát - a odečítám to. A to, co zbude, to je vůči mně vnější.
Now there's good reason to believe that you would want to be able to distinguish external events from internal events. Because external events are actually much more behaviorally relevant than feeling everything that's going on inside my body. So one way to reconstruct that is to compare the prediction -- which is only based on your movement commands -- with the reality. Any discrepancy should hopefully be external. So as I go around the world, I'm making predictions of what I should get, subtracting them off. Everything left over is external to me.
Jaké jsou pro to důkazy? Tak tedy, existuje jeden velmi jednoznačný příklad toho, kde můj pocit, který vyvolám já, se velice liší od pocitu vyvolaného někým jiným. Usoudili jsme, že nejvhodnější by bylo začít lechtáním. Jak je už dlouho známo, člověk sám sebe nemůže lechtat tak dobře, jak to dokáže někdo jiný. Nebylo ale ještě dokázáno, že za tím stojí neurální simulátor, simulující činnost našeho těla a odečítající příslušné pocity. My ale můžeme tyto pokusy přivést do 21. století a při řešení využít robotických technologií. To v praxi znamená, že někdo jednou rukou drží tyčku připojenou k robotu - a tou tyčkou hýbe sem a tam. Tento pohyb sledujeme v počítači a pomocí něho řídíme druhého robota, který toho člověka lechtá na dlani jinou tyčkou. A po tom člověku pak chceme, aby vyhodnotil řadu věcí, mezi nimiž je lechtivost.
What evidence is there for this? Well there's one very clear example where a sensation generated by myself feels very different then if generated by another person. And so we decided the most obvious place to start was with tickling. It's been known for a long time, you can't tickle yourself as well as other people can. But it hasn't really been shown, it's because you have a neural simulator, simulating your own body and subtracting off that sense. So we can bring the experiments of the 21st century by applying robotic technologies to this problem. And in effect, what we have is some sort of stick in one hand attached to a robot, and they're going to move that back and forward. And then we're going to track that with a computer and use it to control another robot, which is going to tickle their palm with another stick. And then we're going to ask them to rate a bunch of things including ticklishness.
Ukážu vám jen část naší studie. Tady už nevidíte roboty, v podstatě ale nejde o nic jiného, než že ten člověk hýbe pravou rukou sem a tam po jakési sinusoidě. A tento pohyb převádíme na druhou ruku, ale s prodlevou. Buď s nulovou prodlevou, v kterémžto případě pravá ruka lechtá dlaň přímo, nebo s prodlevou 1/10, 2/10 nebo 3/10 vteřiny. Zde je důležité připomenout, že pravá ruka vykonává pořád totéž - sinusoidní pohyb. Levá ruka také pořád dělá totéž a vyvolává sinusoidní lechtivost. Hrajeme si pouze a jenom s časovou kauzalitou. A jak prodlevu zvyšujeme z nuly na 0,1 vteřiny, lechtivost roste. A když pak prodlevu zvyšujeme z 0,1 na 0,2 vteřiny, lechtivost stále roste. A než prodleva dosáhne 0,2 vteřiny, lechtivost je stejná, jako když vás robot lechtá sám, aniž vy byste cokoliv dělal. Cokoliv tedy zapříčiňuje ono rušení musí být nesmírně pevně spojeno s časovou kauzalitou. Tato a další studie nás badatele z tohoto oboru přesvědčily, že mozek činí přesné předpovědi a odečítá je od vjemů.
I'll show you just one part of our study. And here I've taken away the robots, but basically people move with their right arm sinusoidally back and forward. And we replay that to the other hand with a time delay. Either no time delay, in which case light would just tickle your palm, or with a time delay of two-tenths of three-tenths of a second. So the important point here is the right hand always does the same things -- sinusoidal movement. The left hand always is the same and puts sinusoidal tickle. All we're playing with is a tempo causality. And as we go from naught to 0.1 second, it becomes more ticklish. As you go from 0.1 to 0.2, it becomes more ticklish at the end. And by 0.2 of a second, it's equivalently ticklish to the robot that just tickled you without you doing anything. So whatever is responsible for this cancellation is extremely tightly coupled with tempo causality. And based on this illustration, we really convinced ourselves in the field that the brain's making precise predictions and subtracting them off from the sensations.
Musím přiznat, že to byly ty nejobtížnější studie v historii naší laboratoře. Protože lechtivost dlaně kolísá, potřebujete značný počet subjektů, abyste získali statisticky signifikantní výsledky. Takže jsme hledali daleko objektivnější způsob, jak tento jev vyhodnotit. No a mezitím se mi narodily dvě dcery. Děti, když sedí na zadních sedadlech auta při dlouhých jízdách, se začnou prát, jak si všimnete -- začne to tím, že jeden něco druhému provede, a ten mu to oplatí. A situace se kvapem hrotí. A dětské rvačky se často stupňují co do použité síly. Když na své děti zařvu, aby toho nechaly, tak mi někdy obě řekly, že ta druhá ji praštila silněji.
Now I have to admit, these are the worst studies my lab has ever run. Because the tickle sensation on the palm comes and goes, you need large numbers of subjects with these stars making them significant. So we were looking for a much more objective way to assess this phenomena. And in the intervening years I had two daughters. And one thing you notice about children in backseats of cars on long journeys, they get into fights -- which started with one of them doing something to the other, the other retaliating. It quickly escalates. And children tend to get into fights which escalate in terms of force. Now when I screamed at my children to stop, sometimes they would both say to me the other person hit them harder.
No a já náhodou vím, že moje děti nelžou, takže jsem si řekl - jako neurovědec - že by mělo význam vysvětlit, jak je možné, že si jejich pravdivá sdělení navzájem odporují. Vycházejíce ze studie o lechtání jsme přišli s hypotézou, že když jedno dítě uhodí druhé, zadá pohybový příkaz. Předpoví smyslové následky a odečtou je. Takže si vlastně myslí, že druhého uděřil slaběji, než tomu skutečně bylo, poněkud jako u příkladu s lechtáním. Kdežto pasivní příjemce rány žádnou předpověď nečiní - a cítí náraz v plném rozsahu. Pokud mu ji oplatí stejnou silou, bude si ten první myslet, že došlo k eskalaci.
Now I happen to know my children don't lie, so I thought, as a neuroscientist, it was important how I could explain how they were telling inconsistent truths. And we hypothesize based on the tickling study that when one child hits another, they generate the movement command. They predict the sensory consequences and subtract it off. So they actually think they've hit the person less hard than they have -- rather like the tickling. Whereas the passive recipient doesn't make the prediction, feels the full blow. So if they retaliate with the same force, the first person will think it's been escalated.
No a tak jsme se rozhodli vyzkoušet to v laboratoři. (Smích) S dětmi nepracujeme, s údery také ne - ale koncept je stejný. Přivedeme dva dospělé a řekneme jim, že si zahrají hru. Tady je hráč jedna a hráč dvě - sedí proti sobě. Hra je to velice prostá. Začali jsme s motorem, s malou páčkou - malým zesilovačem. Pomocí toho motorku vyvíjíme tlak na hráčovy prsty - tři vteřiny a dost. Tomu hráči jsme řekli, aby si zapamatoval pocit z toho tlaku a pak druhým prstem vyvinul tentýž tlak na prst svého protihráče pomocí zesilovače - což učiní. A hráči dvě jsme řekli, aby si zapamatoval pocit z onoho tlaku a druhou rukou ten tlak zopakoval. Takto se tedy střídají ve vyvíjení tlaku, který právě pocítili - tam a zpátky.
So we decided to test this in the lab. (Laughter) Now we don't work with children, we don't work with hitting, but the concept is identical. We bring in two adults. We tell them they're going to play a game. And so here's player one and player two sitting opposite to each other. And the game is very simple. We started with a motor with a little lever, a little force transfuser. And we use this motor to apply force down to player one's fingers for three seconds and then it stops. And that player's been told, remember the experience of that force and use your other finger to apply the same force down to the other subject's finger through a force transfuser -- and they do that. And player two's been told, remember the experience of that force. Use your other hand to apply the force back down. And so they take it in turns to apply the force they've just experienced back and forward.
Klíčové je ale to, že jsme je poučili o pravidlech hry v oddělených místnostech. Takže neví, jakými pravidly se řídí protihráč. Při tomto pokusu jsme měřili sílu jako funkci počtu střídání. A podíváme-li se na první naměřenou hodnotu - čtvrt Newtonu... a počet střídání... ideálním výsledkem by byla ta červená čára. Co ale vidíme u každého páru subjektů je toto: 70 procentní stupňování síly při každém střídání. To opravdu svědčí o tom, že při této hře -- vycházíme zde z této a jiných studií, které jsme uskutečnili -- mozek odečítá smyslové následky a podhodnocuje sílu, kterou vyvíjí. Takže to skutečně dokazuje, že mozek činí předpovědi, a mění samu podstatu vnímání. Po dedukcích a předpovědích musí přijít samotné jednání. A tady bayesovo pravidlo říká, že vycházím-li ze svých představ, tak by jednání mělo být v jistém smyslu optimální.
But critically, they're briefed about the rules of the game in separate rooms. So they don't know the rules the other person's playing by. And what we've measured is the force as a function of terms. And if we look at what we start with, a quarter of a Newton there, a number of turns, perfect would be that red line. And what we see in all pairs of subjects is this -- a 70 percent escalation in force on each go. So it really suggests, when you're doing this -- based on this study and others we've done -- that the brain is canceling the sensory consequences and underestimating the force it's producing. So it re-shows the brain makes predictions and fundamentally changes the precepts. So we've made inferences, we've done predictions, now we have to generate actions. And what Bayes' rule says is, given my beliefs, the action should in some sense be optimal.
Narážíme ale na překážku. Úkony jsou symbolické - chcí se napít, chci tancovat - ale pohybové ústrojí musí stáhnout 600 různých svalů v určitém sledu. Zeje tedy velký rozdíl mezi úkonem a pohybovým ústrojím. Způsobů, jak tento rozdíl překonat, je nekonečně mnoho. Vezměme si třeba obyčejný pohyb z bodu do bodu. Mohu zvolit tyto dvě dráhy - z nekonečného počtu možných drah. Jakmile jsem si zvolil konkrétní dráhu, mohu svou ruku na ní držet v nekonečném počtu různých kloubních konfigurací. A když si vyberu konkrétní kloubní konfiguraci, můžu v ní ruku držet velmi zaťatou nebo velmi uvolněnou. Takže si musím vybrat z ohromného množství možností. A jak se ukázalo, jsme velice stereotypní. Všichni děláme téměr totožné pohyby.
But we've got a problem. Tasks are symbolic -- I want to drink, I want to dance -- but the movement system has to contract 600 muscles in a particular sequence. And there's a big gap between the task and the movement system. So it could be bridged in infinitely many different ways. So think about just a point to point movement. I could choose these two paths out of an infinite number of paths. Having chosen a particular path, I can hold my hand on that path as infinitely many different joint configurations. And I can hold my arm in a particular joint configuration either very stiff or very relaxed. So I have a huge amount of choice to make. Now it turns out, we are extremely stereotypical. We all move the same way pretty much.
A jelikož jsme se ukázali býti tak stereotypními, naše mozky mají specializovaný neurální systém na dešifrování těchto stereotypů. Takže když vezmu pár teček a rozpohybuji je biologickým pohybem, tento neurální systém ve vašem mozku by okamžitě pochopil, o co se jedná. Tohle je shluk pohybujících se teček, ale vy poznáte, co ten člověk dělá, zda je spokojený, smutný, starý, mladý - ohromné množství informací. Ale kdyby tyto tečky představovaly auta na závodní dráze, neměli byste nejmenší tušení, co se děje.
And so it turns out we're so stereotypical, our brains have got dedicated neural circuitry to decode this stereotyping. So if I take some dots and set them in motion with biological motion, your brain's circuitry would understand instantly what's going on. Now this is a bunch of dots moving. You will know what this person is doing, whether happy, sad, old, young -- a huge amount of information. If these dots were cars going on a racing circuit, you would have absolutely no idea what's going on.
Proč se tedy pohybujeme pouze určitými způsoby? Tak tedy, zamysleme se nad tím, co se skutečně děje. Možná se všichni nepohybujeme úplně stejně. Možná je v populaci rozmanitost. A možná ti, kdo se dovedou pohybovat lépe než ostatní, mají větší šanci dostat své potomky do dalšího pokolení. Takže na evoluční stupnici se pohybové schopnosti zlepšují. A možná že se naše pohyby během života učením zlepšují.
So why is it that we move the particular ways we do? Well let's think about what really happens. Maybe we don't all quite move the same way. Maybe there's variation in the population. And maybe those who move better than others have got more chance of getting their children into the next generation. So in evolutionary scales, movements get better. And perhaps in life, movements get better through learning.
Čím to tedy je, že nějaký pohyb je dobrý a jiný špatný? Představte si, že chci chytit tento míček. Tady vidíte dvě možné dráhy k tomu míčku. Zvolím-li tu nalevo, mohu přijít na to, jaké síly je třeba v tom kterém svalu v závislosti na čase. Nicméně do toho vstupuje také šum. Takže nakonec skončím, místo té krásné, hladké, kýžené síly, je tato šumem zamořená verze. Takže zvolím-li opakovaně tentýž příkaz, dostanu díky šumu pokaždé jinou verzi, jelikož šum je pokaždé jiný. Takže tady vám mohu ukázat, jak se ta variabilita pohybu bude vyvíjet, když si zvolím tuhle dráhu. Když si zvolím jinou dráhu - třeba tu napravo - tak to bude obnášet jiné příkazy, jiný šum, a jelikož se to vše odehrává v nelineárním systému, je to velice složité. Můžeme být jisti jedině tím, že ona variabilita bude odlišná. Zvolím-li tuto konkrétní dráhu, dostanu, napříč celou řadou jednotlivých pohybů, menší variabilitu. Takže pokud si musím vybrat mezi těmito dvěma, vybral bych si tu napravo, protože obnáší menší variabilitu.
So what is it about a movement which is good or bad? Imagine I want to intercept this ball. Here are two possible paths to that ball. Well if I choose the left-hand path, I can work out the forces required in one of my muscles as a function of time. But there's noise added to this. So what I actually get, based on this lovely, smooth, desired force, is a very noisy version. So if I pick the same command through many times, I will get a different noisy version each time, because noise changes each time. So what I can show you here is how the variability of the movement will evolve if I choose that way. If I choose a different way of moving -- on the right for example -- then I'll have a different command, different noise, playing through a noisy system, very complicated. All we can be sure of is the variability will be different. If I move in this particular way, I end up with a smaller variability across many movements. So if I have to choose between those two, I would choose the right one because it's less variable.
Klíčovou myšlenkou je tedy to, že chcete rozvrhnout své pohyby tak, aby ony nepříznivé důsledky šumu byly co nejmenší. A jeden intuitivní vhled, který je třeba pochopit, je to, že množství šumu či variability, které zde ukazuji, je tím větší, čím větší je síla. Takže jednou zásadou je vyhnout se velkým silám. Takže jsme ukázali, že takto můžeme vysvětlit ohromné množství dat -- že, přesně takto, lidé ve svém praktickém životě plánují své pohyby tak, aby snížili na nejmenší míru nepříznivé důsledky šumu.
And the fundamental idea is you want to plan your movements so as to minimize the negative consequence of the noise. And one intuition to get is actually the amount of noise or variability I show here gets bigger as the force gets bigger. So you want to avoid big forces as one principle. So we've shown that using this, we can explain a huge amount of data -- that exactly people are going about their lives planning movements so as to minimize negative consequences of noise.
Doufám, že jsem vás přesvědčil, že mozek je důležitý a že se vyvinul proto, aby řídil pohyb. A porozumět tomu, jak to děláme, je intelektuální výzvou. Má to ale také význam u nemocí a rehabilitace. Mnohé nemoci ovlivňují pohyb. A doufejme, že když porozumíme tomu, jak řídíme pohyb, tak to budeme moci využít v robotické technologii. A závěrem bych vám chtěl připomenout, že když vidíte zvířata dělat něco, co vypadá velice jednoduše, tak ty složité procesy, které ve skutečnosti probíhají v jejich mozku, jsou opravdu naprosto úžasné.
So I hope I've convinced you the brain is there and evolved to control movement. And it's an intellectual challenge to understand how we do that. But it's also relevant for disease and rehabilitation. There are many diseases which effect movement. And hopefully if we understand how we control movement, we can apply that to robotic technology. And finally, I want to remind you, when you see animals do what look like very simple tasks, the actual complexity of what is going on inside their brain is really quite dramatic.
Velice vám děkuji.
Thank you very much.
(Potlesk)
(Applause)
Chris Anderson: Měl bych pro tebe jeden rychlý dotaz, Dane. Takže ty jsi pohybový -- (DW: Šovinista) -- šovinista. Znamená to, že podle tebe ty další věci, které našim mozkům připisujeme - snění, toužení, zamilovávání se a všechny takovéto věci -- odvádějí pozornost od podstaty a jsou jen nahodilostmi?
Chris Anderson: Quick question for you, Dan. So you're a movement -- (DW: Chauvinist.) -- chauvinist. Does that mean that you think that the other things we think our brains are about -- the dreaming, the yearning, the falling in love and all these things -- are a kind of side show, an accident?
DW: Ne, ne, naopak, myslím si, že jsou všechny důležité jako hnací síla správného pohybového chování vedoucího nakonec k rozmnožení. Takže podle mne lidé, kteří zkoumají smyslové vnímání nebo paměť, si neuvědomují, proč si uchováváme vzpomínky z dětství. Například to, že většinu svého dětství zapomeneme, je nejspíše v pořádku, protože to neovlivňuje naše pohyby později v životě. Potřebujete uchovávat jenom věci, které budou mít skutečný vliv na pohyb.
DW: No, no, actually I think they're all important to drive the right movement behavior to get reproduction in the end. So I think people who study sensation or memory without realizing why you're laying down memories of childhood. The fact that we forget most of our childhood, for example, is probably fine, because it doesn't effect our movements later in life. You only need to store things which are really going to effect movement.
CA: Takže podle tebe lidé, kteří přemítají o mozku nebo obecně o vědomí, by mohli dosáhnout důležitých vhledů, pokud by si řekli, "jakou roli zde hraje pohyb?"
CA: So you think that people thinking about the brain, and consciousness generally, could get real insight by saying, where does movement play in this game?
DW: Takhle lidé přišli například na to, že zkoumání zraku, aniž bychom si uvědomovali, k čemu zrak máme, je mylné. Při zkoumání zraku si musíte uvědomovat, jak pohybové ústrojí bude zrak využívat. A využívá ho docela jinak - jakmile o tom budete takto uvažovat.
DW: So people have found out for example that studying vision in the absence of realizing why you have vision is a mistake. You have to study vision with the realization of how the movement system is going to use vision. And it uses it very differently once you think about it that way.
CA: Tak tedy, tohle bylo zcela strhující. Opravdu ti velice děkuji.
CA: Well that was quite fascinating. Thank you very much indeed.
(Potlesk)
(Applause)