Ich bin Neurowissenschaftler. Und in der Neurowissenschaft beschäftigen wir uns mit vielen schwierigen Fragen zum Gehirn. Aber ich beginne mit der einfachsten Frage, die Sie sich alle einmal in Ihrem Leben gestellt haben sollten, denn es ist eine fundamentale Frage, wenn wir die Funktionsweise des Gehirns verstehen wollen. Sprich, warum haben wir und andere Tiere ein Gehirn? Nicht alle Spezies auf unserem Planeten haben Gehirne, wenn wir also wissen wollen, wozu das Gehirn da ist, sollten wir überlegen, warum wir eines ausgebildet haben. Jetzt können Sie argumentieren, dass wir eines haben, um die Welt wahrzunehmen und zu denken, aber das ist komplett falsch. Wenn Sie eine zeitlang über diese Frage nachdenken, ist es offensichtlich, warum wir ein Gehirn haben. Wir haben aus einem einzigem Grund ein Gehirn, nämlich um anpassungsfähige, komplexe Bewegungen auszuführen. Es gibt keine anderen Grund, warum wir ein Gehirn haben. Denken Sie mal drüber nach. Bewegung ist Ihre einzige Möglichkeit, die Welt um Sie herum zu beeinflussen. Nun, das stimmt nicht ganz. Sie können das auch durch Schwitzen machen. Aber abgesehen davon läuft alles über Muskelkontraktionen.
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.
Denken Sie an Kommunikation – Sprache, Gesten, Schreiben, Gebärdensprache – sie werden alle über Ihre Muskelkontraktionen übertragen. Daher ist es wichtig, darauf hinzuweisen, dass Sinnes-, Gedächtnis- und Erkenntnisprozesse alle wichtig sind, aber sie sind nur wichtig, um zukünftige Bewegungen zu erzeugen oder zu unterdrücken. Es gibt keinen evolutionären Vorteil, Kindheitserinnerungen zu speichern oder die Farbe einer Rose wahrzunehmen, wenn es nicht die Art beeinflusst, wie man sich später im Leben bewegt.
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.
Für alle, die diesem Argument nicht vertrauen, es gibt Bäume und Gräser auf unserem Planeten ohne Gehirn, aber der entscheidende Beleg ist dieses Tier hier – die bescheidene Seescheide. Ein rudimentäres Tier, mit einem Nervensystem, das in seiner Jugend im Ozean umherschwimmt. Und zu einer bestimmten Zeit seines Lebens siedeln sie sich auf Felsen an. Und beim Ansiedeln auf dem Felsen, wo sie immer bleiben wird, verdaut sie als erstes ihr eigenes Gehirn und Nervensystem als Nahrung. Sobald man sich nicht mehr bewegen muss, braucht man den Luxus eines Gehirns nicht mehr. Und diese Tier wird oft als Analogie für das genommen, was an den Universitäten passiert, wenn Professoren ihre Festanstellung erhalten, aber das ist ein anderes Thema.
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.
(Applaus)
(Applause)
Ich bin also ein Bewegungs-Chauvinist. Ich bin überzeugt, dass Bewegung die wichtigste Gehirnfunktion ist – lassen Sie sich von niemandem erzählen, dass das nicht stimmt. Wenn Bewegung nun so wichtig ist, wie gut sind wir darin, zu verstehen, wie das Gehirn Bewegung kontrolliert? Und wir sind sehr schlecht darin; es ist ein sehr schwieriges Problem. Aber wir können uns ansehen, wie gut wir darin sind, indem wir darüber nachdenken, wie gut wir Maschinen bauen, die das tun können, was Menschen tun können.
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.
Denken Sie ans Schachspielen. Wie gut können wir bestimmen, welche Figur wir wohin ziehen müssen? Wenn man Gary Kasparov hier angreift, wenn er nicht im Gefängnis ist, gegen IBMs Deep Blue, dann wird IBM Deep Blue gelegentlich gewinnen. Und wenn IBMs Deep Blue gegen alle hier im Raum spielen würde, würde es jedesmal gewinnen. Das Problem ist gelöst. Aber was ist mit dem Problem, eine Schachfigur zu nehmen, sie geschickt zu manipulieren und sie wieder zurückzustellen? Wenn man die Geschicklichkeit eines 5-jährigen Kindes mit der der besten Roboter vergleicht, ist die Antwort einfach: Das Kind gewinnt mit Leichtigkeit. Es gibt überhaupt keine Konkurrenz.
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.
Aber warum ist die obere Frage so einfach und die untere so schwer? Ein Grund ist, dass ein sehr schlauer 5-Jähriger Ihnen den Algorithmus für das obere Problem nennen könnte – sich alle möglichen Züge bis zum Ende des Spiels anzusehen und den zu wählen, der einen gewinnen lässt. Es ist also ein sehr einfacher Algorithmus. Es gibt natürlich andere Züge, aber mit gewaltigen Computern nähern wir uns der optimalen Lösung. Wenn es um Finger Geschicklichkeit geht, ist nicht mal klar, welchen Algorithmus man lösen muss, um geschickt zu sein. Man muss die Welt also sowohl wahrnehmen als auch darauf einwirken, was viele Probleme erzeugt.
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.
Aber lassen Sie mich Ihnen die neuste Robotertechnik zeigen. Ein großer Teil der Robotertechnik ist sehr beeindruckend, aber die Manipulation durch Roboter steckt noch in den Kinderschuhen. Dies ist das Ergebnis eines Promotionsvorhabens von einem der besten Institute für Robotik. Der Student hat diesem Roboter beigebracht, Wasser in ein Glas zu füllen. Das ist schwierig, da das Wasser herumspritzt, aber er bekommt es hin. Aber es ist kaum mit der Beweglichkeit eines Menschen vergleichbar. Wenn Sie jetzt aber wollen, dass der Roboter etwas anderes macht, ist das ein weiteres 3-jähriges Doktorandenprojekt. Man kann in der Robotik überhaupt nicht von einer Aufgabe zur anderen generalisieren.
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.
Jetzt können wir das mit der Spitze des menschlichem Leistungsvermögen vergleichen. Daher zeige ich Ihnen Emily Fox, wie sie den Weltrekord für Becherstapeln aufstellt. Die Amerikaner im Publikum wissen sicher alles über das Becherstapeln. Es ist ein Highschool-Sport, bei dem man 12 Becher stapeln und entstapeln muss, gegen die Uhr und in einer bestimmten Reihenfolge. Und hier sieht man wie sie den Weltrekord in Echtzeit schafft. (Lachen) (Applaus) Und sie ist ziemlich glücklich. Wir haben keine Ahnung, was in ihrem Gehirn passiert, wenn sie das macht. Aber wir wüssten das gerne.
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.
Was wir in meiner Gruppe versuchen, ist, zu rekonstruieren, wie Menschen Bewegung kontrollieren. Es klingt wie ein einfaches Problem. Man sendet einen Befehl, der eine Muskelkontraktion auslöst. Ihr Arm oder Körper bewegt sich und man erhält eine sensorische Rückmeldung mittels Sehen, Haut, Muskeln, usw. Das Problem ist, dass es nicht die schönen Signale sind, wie man sich das vorstellt. Die Steuerung der Bewegung wird etwa dadurch erschwert, dass die sensorische Rückmeldung extrem rauscht. Mit Rauschen ist kein Laut gemeint. Wir verwenden es in der ingenieur- und neurowissenschaftlichen Bedeutung. Gemeint ist ein Zufallsrauschen, das ein Signal beschädigt. Wenn man früher, vor dem digitalen Radio, den Radiosender einstellte und "krrckkk" auf dem gewünschten Sender hörte, das war dieses Rauschen. Ganz allgemein stört so ein Rauschen das Signal.
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.
Wenn Sie etwa Ihre Hand unter den Tisch tun und versuchen, sie mit der anderen Hand zu lokalisieren, können Sie ein paar Zentimeter daneben liegen, wegen dem Rauschen der sensorischen Rückmeldung. Ungefähr so als wenn Sie Motorleistung in Bewegungsleistung geben, das ist sehr geräuschvoll. Versuchen Sie erst gar nicht mitten ins Ziel zu treffen, zielen Sie einfach immer wieder auf die gleiche Stelle. Sie verfügen über ein große Spanne infolge der Variabilität der Bewegung. Und mehr als das, die Außenwelt, oder die Aufgabe, ist mehrdeutig und variabel. Die Teekanne könnte voll oder leer sein. Das ändert sich im Lauf der Zeit. Wir arbeiten also in einer richtigen Rausch-Suppe von sensorischen Bewegungsaufgaben.
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.
Dieses Rauschen ist so stark, dass die Gesellschaft eine große Prämie ausschreibt für jene, die die Konsequenzen dieses Rauschens reduzieren können. Wenn man also in der glücklichen Lage ist, einen kleinen weißen Ball mit einem Metallstab in ein mehrere hundert Meter entferntes Loch zu schlagen, ist unsere Gesellschaft bereit, einen mit einigen hundert Millionen Dollar zu belohnen.
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.
Ich möchte Sie davon überzeugen, dass das Gehirn viele Anstrengungen unternimmt, um die negativen Konsequenzen von dieser Sorte von Rauschen und Variabilität zu reduzieren. Um das zu tun, erzähle ich Ihnen von einem System, das in der Statistik und beim maschinellen Lernen in den letzten 50 Jahren sehr beliebt ist, namens Bayesianische Entscheidungstheorie. Und in jüngster Zeit ist es ein vereinheitlichende Denkensart daüber, wie das Gehirn mit Ungewissheit umgeht. Die grundlegende Idee ist, dass man schlussfolgert und dann handelt.
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.
Lassen Sie uns über das Rückschließen nachdenken. Sie wollen Vorstellungen über die Welt hervorrufen. Was sind das für Vorstellungen? Vorstellungen könnten sein: Wo sind meine Arme im Raum? Sehe ich eine Katze oder einen Fuchs? Aber wir stellen Vorstellungen als Wahrscheinlichkeiten dar. Wir verkörpern also eine Vorstellungen durch eine Nummer zwischen Null und Eins – Null heißt, ich glaube gar nicht daran, Eins, ich bin absolut sicher. Und die Nummern dazwischen zeigen die Grauwerte der Ungewissheit. Die Grundidee der bayesianischen Inferenz ist, dass man zwei Informationsquellen hat, aus denen sich die Schlussfolgerungen speisen. Es gibt die Daten, und Daten bedeuten in der Neurowissenschaft Sinnesreize. Es gibt also Sinnesreize, aus denen sich Ansichten ergeben können. Aber es gibt noch eine andere Informationsquelle, und das sind schließlich Vorkenntnisse. Man sammelt ein Leben lang Wissen im Gedächtnis. Und der Punkt bei der bayesianischen Entscheidungstheorie ist, dass man berechnen kann, wie man auf optimale Weise Ihr Vorwissen mit Ihren Sinneseindrücken kombiniert, um neue Ansichten zu erzeugen.
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.
Ich habe die Formel hier oben aufgeführt. Ich werde die Formel nicht erklären, aber sie ist wunderschön. Sie zeigt wahre Schönheit und Erklärungskraft. Im Grunde sagt sie aus – und was man damit abschätzen will, dass die Wahrscheinlichkeit für verschiedene Überzeugungen basierend auf Ihren Sinneseindrücken. Lassen Sie mich Ihnen ein eingängiges Beispiel geben. Stellen Sie sich vor, Sie lernen Tennis spielen und Sie wollen entscheiden, wo der Ball aufschlagen wird, wenn er über das Netz auf einen zukommt. Es gibt zwei Informationsquellen, laut der Bayes-Regel. Es gibt sensorische Hinweise – man kann visuelle und auditive Information nutzen, und das kann einem sagen, dass es in dem roten Punkt landen wird. Aber Sie wissen, dass Ihre Sinne nicht perfekt sind, und daher kann man nicht genau vorhersagen, wo es landen wird, was durch diese rote Wolke gezeigt wird, die die Zahlen zwischen 0,5 und 0,1 darstellt.
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.
Diese Information ist für den aktuellen Wurf verfügbar, aber ist gibt eine weitere Informationsquelle, die nicht für den aktuellen Wurf verfügbar ist, sondern nur durch wiederholte Erfahrung beim Tennisspiel, und diese besagt, dass der Ball nicht mit gleicher Wahrscheinlichkeit während des Spiels im Spielfeld aufschlägt. Wenn Sie gegen einen sehr guten Gegner spielen, können sie sich im grünen Bereich verteilen, was der A-priori-Verteilung entspricht, dadurch haben Sie es schwer zurückzuschlagen. Beide Informationsquellen beinhalten wichtige Informationen. Und was die Bayes-Regel aussagt, ist, dass man die Anzahl im Roten mit der Anzahl im Grünen multiplizieren sollte, um die Anzahl der Gelben zu erhalten, die die Ellipsen aufweisen, und das ist meine Überzeugung. Es ist der optimale Weg, Information zu kombinieren.
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.
Ich würde Ihnen das alles nicht erzählen, wenn wir nicht vor einigen Jahren gezeigt hätten, dass Menschen genau das tun, wenn sie neue Bewegungsabläufe lernen. Und das bedeutet, dass wir wirklich bayesianische Inferenz-Maschinen sind. Im Leben lernen wir etwas über die Statistiken der Welt und speichern das, aber wir lernen auch, wie unruhig unser Sinnesapparat ist, und dann kombinieren wir diese in echter bayesianischer Manier.
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.
Ein Schlüssel für das Bayesianische ist dieser Teil der Formel. Dieser Teil besagt im Grunde, dass ich die Wahrscheinlichkeit vorhersagen muss für verschiedene sensorische Rückmeldungen, angesichts meiner Überzeugungen. Das bedeutet, dass ich Vorhersagen über die Zukunft machen muss. Und ich möchte Sie davon überzeugen, dass das Gehirn Vorhersagen über die zukünftige sensorische Rückmeldung macht. Und außerdem ändert es grundlegend Ihre Wahrnehmung durch das, was Sie tun. Um das zu tun, erzähle ich Ihnen, wie das Gehirn mit Sinnesreizen umgeht. Sie schicken einen Befehl raus und Sie erhalten eine sensorische Rückmeldung, und diese Information wird von der Physik Ihres Körpers und Ihres Sinnesapparates beeinflusst.
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.
Aber stellen Sie sich vor, Sie schauen in das Gehirn. Und hier sind wir im Gehirn. Sie haben vielleicht einen kleinen Prädiktor, einen neuralen Simulator, von der Physik Ihres Körpers und Ihrer Sinne. Wenn Sie also einen Bewegungsbefehl senden, zapfen Sie eine Kopie davon ab und lassen sie in Ihrem neuralen Simulator laufen, um die sensorischen Folgen Ihrer Handlungen vorherzusehen. Wenn ich also die Ketchup-Flasche schüttle, erhalte ich ein echte sensorische Rückmeldung als Zeitfunktion Und wenn ich einen guten Prädiktor habe, sagt er genau das voraus.
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.
Warum ich mir diese Mühe mache? Ich erhalte doch sowieso diese Rückmeldung. Es gibt gute Gründe dafür. Angenommen ich schüttle gerade die Ketchup-Flasche und jemand kommt auf mich zu und klopft für mich auf die Unterseite. Nun erhalte ich eine zusätzliche Quelle von Sinnesinformationen durch diese äußere Einwirkung. Also habe ich zwei Quellen. Sie klopfen darauf und ich schüttle sie, aber aus Sicht meiner Sinne wird beides in einer Informationsquelle zusammengefasst.
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.
Nun gibt es einen guten Grund dafür zu glauben, dass Sie in der Lage sein wollen externe von internen Vorgängen zu unterscheiden. Denn externe Ereignisse sind viel verhaltensrelevanter als alles zu fühlen, was in meinem Körper passiert. Ein Weg das nachzuvollziehen ist, die Vorhersage zu vergleichen – die auf den Bewegungsbefehlen basiert – mit der Wirklichkeit. Und die Abweichung sollte hoffentlich extern sein. Wenn ich also durch die Welt gehe, treffe ich Vorhersagen darüber, was eintreffen sollte, abzüglich der Abweichungen. Alles Übrige ist für mich extern.
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.
Welche Beweise gibt es dafür? Nun, es gibt ein sehr deutliches Beispiel, wo sich ein von mir erzeugter Sinneseindruck ganz anders anfühlt, als wenn er von einer anderen Person erzeugt worden wäre. Also entschieden wir, dass der naheliegendste Untersuchungsbereich das Kitzeln war. Es ist seit langem bekannt, dass man sich nicht selbst kitzeln kann, so wie andere das können. Aber man hat nicht nachgewiesen, dass das an dem neuralen Simulator liegt, der Ihren eigenen Körper simuliert und diesen Sinn abzieht. Wir nutzen Experimente des 21. Jahrhunderts, indem wir bei diesem Problem Robotertechnologien anwenden. Wir haben in einer Hand einen Stab, der mit einem Roboter verbunden ist, und sie werden ihn vor und zurück bewegen. Und dann verfolgen wir das mit dem Computer und nutzen das, um einen anderen Roboter zu steuern, der die Handfläche mit einem anderen Stab kitzelt. Und dann werden wir sie bitten, eine Reihe von Dinge zu bewerten, inklusive der Kitzelhaftigkeit.
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.
Ich zeige Ihnen einen Teil unserer Studie. Und hier habe ich die Roboter entfernt, aber grundsätzlich bewegen die Leute ihren rechten Arm sinusförmig vor und zurück. Und wir übertragen das mit Zeitverzug auf die andere Hand. Sowohl ohne Zeitverzögerung, wo Licht nur Ihre Handfläche kitzelt, oder mit Zeitverzug von 2/10 oder 3/10 Sekunden. Der wichtigste Aspekt hierbei ist, dass die rechte Hand immer das Gleiche tut – in sinusförmiger Bewegung. Die linke Hand ist immer gleich und liefert ein sinusförmiges Kitzeln. Wir spielen nur mit einer Zeitkausalität. Und während wir von nichts zu 0,1 Sekunden kommen, wird es immer kitzliger. Wenn man von 0,1 auf 0,2 geht, wird es zum Ende immer kitzliger Und bei 0,2 Sekunden ist es genauso kitzlig, für den Roboter, der sie gerade gekitzelt hat, ohne irgendwas zu tun. Was immer daher für die Unterdrückung verantwortlich ist, ist sehr eng mit der Zeitkausalität verbunden. Und basierend auf dieser Veranschaulichung überzeugten wir uns selbst in diesem Bereich, dass das Gehirn präzise Vorhersagen macht und diese von den Sinneseindrücken abzieht.
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.
Zugegeben sind das die schlechtesten Studien, die mein Labor je gemacht hat. Denn das Kitzelgefühl auf der Handfläche kommt und geht, man braucht ein große Anzahl von Versuchspersonen mit diesen Sternen, die sie bedeutsam machen. Daher suchten wir nach einem viel objektiveren Weg, um dieses Phänomen zu bewerten. Und in der Zwischenzeit bekam ich zwei Töchter. Und bei Kindern in Autorücksitzen fällt einem bei langen Reisen auf, dass sie Streit anfangen – das beginnt damit, dass einer dem anderen etwas antut und sich der andere rächt. Es eskaliert schnell. Und Kinder neigen dazu, in Streit zu geraten, der in Gewalt eskaliert. Wenn ich meine Kinder anschrie, dass sie aufhören sollten, sagten sie manchmal beide zu mir, dass der andere sie härter geschlagen hätte.
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.
Nun weiß ich, dass meine Kinder nicht lügen, deshalb dachte ich als Neurowissenschaftler, dass es wichtig wäre ihnen zu erklären, dass sie widersprüchliche Wahrheiten erzählten. Und wir stellten auf Basis der Kitzel-Studie Hypothesen auf, dass wenn ein Kind ein anderes schlägt, sie einen Bewegungsbefehl erzeugen. Sie sagen die sensorischen Folgen voraus und zogen es ab. Also dachten sie tatsächlich, dass sie die Person weniger hart schlugen, als das der Fall war – so ähnlich wie beim Kitzeln. Während der passive Empfänger die Vorhersage nicht macht, und die volle Stärke fühlt. Wenn sie also mit gleicher Kraft Vergeltung üben, denkt die erste Person, dass es eskaliert ist.
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.
Wir beschlossen also, das im Labor zu testen. (Lachen) Wir arbeiten aber nicht mit Kindern, wir arbeiten auch nicht mit Schlägen, aber das Konzept ist identisch. Wir nehmen zwei Erwachsene. Wir erzählen ihnen, dass sie ein Spiel spielen werden. Hier sitzen sich also Spieler Eins und Spieler Zwei einander gegenüber. Und das Spiel ist sehr einfach. Wir begannen mit einem Motor mit einem kleinen Hebel, und kleiner Kraftübertragung. Und wir nutzten diesen Motor, um Kraft auf die Finger des ersten Spielers zu leiten, 3 Sekunden lang und dann stoppt es. Und diesem Spieler wird gesagt, dass er die Erfahrung dieser Kraft abspeichern soll und seinen anderen Finger benutzen soll, um dieselbe Kraft mittels Kraftübertragung auf den Finger der anderen Versuchsperson anzuwenden – und sie tun das. Und dem zweiten Spieler wird gesagt, dass er sich an diese Erfahrung erinnern soll. Nutze die andere Hand und gib die Kraft nach unten zurück. Und sie wenden abwechselnd die Kraft, die sie gerade erlebten, hin und her an.
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.
Aber entscheidend ist, sie wurden in getrennten Räumen über die Spielregeln informiert. Sie kannten also die Regeln nicht, nach denen die andere Person spielt. Und was wir gemessen haben, ist die Kraft als Begriffsfunktion. Und wenn wir uns anschauen, womit wir beginnen, ein Viertel Newton hier, eine Anzahl von Runden, wäre diese rote Linie perfekt. Und was wir bei all den Versuchspaaren sehen ist – eine 70%-Eskalation in der Kraft bei jedem Mal. Das weist wirklich darauf hin, dass wenn man das macht – basierend auf dieser und anderer von uns durchgeführten Studien – dass das Gehirn die sensorischen Folgen löscht und die Kraft unterschätzt, die es produziert. Das zeigt erneut, dass das Gehirn Vorhersagen macht und Regeln fundamental ändert. Wir haben also Schlussfolgerungen gezogen und Vorhersagen gemacht, jetzt müssen wir handeln. Und die Bayes-Regel besagt, bei gegebenen Vorstellungen, dass die Handlung in gewisser Hinsicht optimal sein sollte.
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.
Aber wir haben ein Problem. Aufgaben sind symbolisch, – ich will trinken, ich will tanzen – aber das Bewegungssystem muss 600 Muskeln in einer bestimmten Abfolge kontrahieren. Und es gibt eine große Diskrepanz zwischen der Aufgabe und dem Bewegungssystem. Das könnte auf verschiedenste Weise überbrückt werden. Ich denke nur an eine Punkt-zu-Punkt-Bewegung. Ich könnte diese beiden Nervenbahnen aus einer unendlichen Zahl von Nervenbahnen wählen. Durch die Auswahl einer bestimmten Nervenbahn, kann ich meine Hand auf diese Nervenbahn legen, wie unendlich viele verschiedene Gelenkformationen. Und ich kann meinen Arm einer bestimmten Gelenkformation halten, entweder sehr steif oder sehr entspannt. Also muss ich jede Menge Entscheidungen treffen. Nun zeigt sich, dass wir extrem stereotypisch sind. Wir bewegen uns alle ziemlich gleich.
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.
Und es zeigt sich, dass wir so stereotypisch sind, dass sich unsere Gehirne ganz der neuronalen Verschaltung widmen, um dieses Stereotypische zu dekodieren. Wenn ich nun ein paar Punkte nehme und sie in biologische Bewegung umsetze, wüssten Ihre Gehirnschaltkreise sofort, was abläuft. Dies ist ein Haufen sich bewegender Punkte. Sie wüssten, was diese Person macht, ob sie glücklich, traurig, alt, jung ist – riesige Informationsmengen. Wenn diese Punkte Autos auf einem Rennparcours wären, hätten Sie keine Ahnung was los ist.
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.
Warum bewegen wir uns auf diese bestimmten Weisen? Lassen Sie uns überlegen, was wirklich passiert. Vielleicht bewegen wir uns nicht alle gleich. Es gibt vielleicht eine Variation in der Bevölkerung. Vielleicht haben die, die sich besser bewegen, eine größere Chance ihre Kinder in die nächste Generation zu bekommen. Auf evolutionären Maßstab wird Bewegung besser. Im Leben verbessert sich Bewegung vielleicht durch Übung.
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.
Was ist an einer Bewegung gut oder schlecht? Angenommen ich will diesen Ball abfangen. Hier sind zwei mögliche Bahnen für den Ball. Wenn ich nun die Bahn linkerhand wähle, kann ich die nötigen Kräfte in einem meiner Muskel als Zeitfunktion berechnen. Aber hinzu kommt das Rauschen. Was ich also bezogen auf diese hübsche, sanfte, erwünschte Kraft tatsächlich erhalte, ist eine sehr geräuschvolle Version. Wenn man denselben Befehl mehrmals auswählt, erhält man jedes Mal ein andere Geräuschversion, denn das Rauschen ändert sich jedes Mal. Hier kann ich Ihnen zeigen, wie sich die Variabilität der Bewegung entwickelt, wenn ich diesen Weg wähle. Wenn ich mich anders bewege – rechts zum Beispiel – dann gibt es einen anderen Befehl, ein anderes Rauschen, das durch unser Lärmsystem läuft – ziemlich kompliziert. Wir wissen nur, dass die Variabilität unterschiedlich sein wird. Wenn ich mich auf diese Art bewege, erhalte ich eine geringere Variabilität über viele Bewegungen hinweg. Wenn ich mich zwischen diesen beiden entscheiden muss, würde ich das Rechte wählen, weil es weniger variabel ist.
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.
Und der Grundgedanke ist, dass man seine Bewegungen so plant, dass die negativen Konsequenzen des Rauschens verringert werden. Und eine Intuition, um das zu erreichen, ist, dass die Menge an Rauschen oder Variabilität, größer wird, je größer die Kraft wird. Ein Prinzip ist es also große Kräfte zu vermeiden. Wir haben gezeigt, dass wir damit einen großen Teil der Daten erklären können – Menschen planen tatsächlich ihre Bewegungen ganz genau, um die negativen Folgen des Rauschens zu mindern.
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.
Ich konnte Sie hoffentlich überzeugen, dass das Gehirn da ist und sich entwickelt hat, um Bewegung zu steuern. Es ist eine intellektuelle Herausforderung zu verstehen, wie wir das machen. Aber es ist auch relevant bei Krankheit und Rehabilitation. Es gibt viele Krankheiten, die Bewegung beeinflussen. Und wenn wir verstehen, wie wir Bewegung kontrollieren, können wir das hoffentlich auf Robotertechnik anwenden. Und abschließend will ich Sie daran erinnern, dass wenn Sie sehen, wie Tiere anscheinend einfache Aufgaben ausführen, die wahre Komplexität der Vorgänge in deren Gehirn wirklich ziemlich dramatisch ist.
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.
Vielen Dank.
Thank you very much.
(Applaus)
(Applause)
Chris Anderson: Eine schnelle Frage für Sie, Dan. Sie sind also ein Bewegungs- – (DW: Chauvinist.) – chauvinist. Bedeutet dass, das Sie glauben, die anderen Dinge, zu denen Gehirne für uns dienen – Träumen, Sehnsucht, sich Verlieben und alle diese Sachen – sind nur ein Nebenschauplatz, ein Unfall?
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: Nein, ich denke, dass sie alle wichtig sind, um das richtige Bewegungsverhalten zu steuern, um sich letztendlich fortzupflanzen. Menschen, die die Wahrnehmung oder Erinnerung untersuchen, ohne festzustellen, warum Erinnerungen an die Kindheit aufgezeichnet werden. Die Tatsache, dass wir etwa unsere Kindheit großteils vergessen, ist wohl ok, weil es unsere Bewegungen im späteren Leben nicht herbeiführt. Man muss nur Dinge speichern, die wirklich die Bewegung beeinflussen.
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: Sie glauben also, dass Menschen, die über das Gehirn und das Bewusstsein allgemein nachdenken, einen echten Einblick erhalten, wenn sie sich fragen, wo Bewegung mitspielt?
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: Die Leute haben etwa festgestellt, dass es ein Fehler ist, die Sehkraft zu untersuchen, ohne zu beachten, wofür sie da ist. Man muss das Sehvermögen mit der Erkenntnis untersuchen, wie das Bewegungssystem das Sehen nutzt. Und es gebraucht es ziemlich anders, sobald man einmal so darüber denkt.
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: Das war ziemlich faszinierend. Vielen Dank.
CA: Well that was quite fascinating. Thank you very much indeed.
(Applaus)
(Applause)