Είμαι επιστήμονας νευρολόγος και στη νευρολογία έχουμε να κάνουμε με πολλές διαφορετικές ερωτήσεις σχετικά με τον εγκέφαλο. Θέλω όμως να ξεκινήσω με την ευκολότερη ερώτηση την ερώτηση που όλοι σας θα έπρεπε να έχετε κάνει στους εαυτούς σας σε κάποια στιγμή της ζωής σας, διότι αποτελεί θεμελιώδης ερώτηση εάν θέλουμε να καταλάβουμε τη λειτουργία του εγκεφάλου. Αυτή είναι, γιατί εμείς και τα υπόλοιπα ζώα έχουμε εγκέφαλο; Δεν έχουν όλα τα είδη του πλανήτη μας εγκέφαλο, άρα αν θέλουμε να ξέρουμε γιατί υπάρχει ο εγκέφαλος, ας σκεφτούμε για ποιο λόγο ο δικός μας είναι εξελιγμένος. Μπορεί να θεωρείτε ότι έχουμε εγκέφαλο για να αντιλαμβανόμαστε τον κόσμο ή για να σκεφτόμαστε αλλά αυτό είναι εντελώς λάθος. Εάν αναρωτηθείτε αυτή την ερώτηση για οποιοδήποτε χρονικό διάστημα, είναι τρομερά προφανανές γιατί έχουμε εγκέφαλο. Έχουμε εγκέφαλο για έναν και μόνο λόγο, και αυτός είναι το να κάνουμε προσαρμόσιμες και πολύπλοκες κινήσεις. Δεν υπάρχει άλλος λόγος για να τον έχουμε. Σκεφτείτε το. Η κίνηση είναι ο μόνος τρόπος που έχετε για να επιδράτε στον κόσμο γύρω σας. Βέβαια αυτό δεν έναι εντελώς σωστό.Υπάρχει άλλος ένας τρόπος, ο ιδρώτας. Αλλά εκτός από αυτό, όλα τα υπόλοιπα έχουν να κάνουν με την συστολή των μυών.
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.
Σκεφτείτε την επικοινωνία -- ομιλία,χειρονομίες,γραφή,νοήματα -- όλα διαδίδονται μέσω της συστολής των μυών σας. Άρα είναι πολύ σημαντικό να θυμάστε ότι οι αισθητικές, μνημονικές και γνωστικές διεργασίες είναι όλες σημαντικές, αλλά είναι σημαντικές μόνο για να κατευθύνουμε ή να καταστείλουμε μελλοντικές κινήσεις. Δεν μπορεί να αποτελέσει εξελιγκτικό πλεονέκτημα ο καθορισμός παιδικών αναμνήσεων ή η αντίληψη του χρώματος ενός τριαντάφυλλου εάν δεν επηρεάζει τον τρόπο που θα κινηθείτε αργότερα στη ζωή.
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.
Τώρα για εκείνους που δεν υποστηρίζουν αυτή την άποψη, έχουμε δέντρα και γρασίδι στον πλανήτη μας χωρίς εγκέφαλο, αλλά η αδιάψευστη απόδειξη είναι αυτό εδώ το ζώο -- το ταπεινό θαλάσσιο ασκίδιο. Είναι στοιχειώδες ζώο, έχει νευρικό σύστημα, και νεαρό κολυμπάει στον ωκεανό. Σε κάποιο σημείο τις ζωής του κολλάει σε έναν βράχο. Και το πρώτο πράγμα που κάνει αφού κολλήσει στον βράχο, από τον οποίο δεν φεύγει ποτέ, είναι το να αφομοιώσει τον εγκέφαλο και το νευρικό του σύστημα ως τροφή. Άρα από τη στιγμή που δεν χρειάζεται να κινείσαι, δεν χρειάζεσαι την πολυτέλεια του εγκεφάλου. Και αυτό το ζώο χρησιμοποιείται συχνά σαν αναλογία με το τι συμβαίνει στα πανεπιστήμια όταν οι καθηγητές "παλιώνουν", αλλά αυτό είναι άλλο θέμα.
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.
(Χειροκρότημα)
(Applause)
Οπότε είμαι ένας σοβινιστής της κίνησης. Πιστεύω ότι η κίνηση είναι η πιο σημαντική λειτουργία του εγκεφάλου, και μην αφήσετε κανέναν να σας πει το αντίθετο. Τώρα εάν η κίνηση είναι τόσο σημαντική, πόσο καλά πάμε στο να καταλάβουμε πώς ο εγκέφαλος ελέγχει την κίνηση; Και η απάντηση είναι ότι δεν τα πάμε και τόσο καλά· είναι ένα πολύ δύσκολο πρόβλημα. Αλλά μπορούμε να δούμε πώς τα πάμε αν σκεφτούμε πόσο καλά τα πάμε στην κατασκευή μηχανών που μπορούν να κάνουν ότι και οι άνθρωποι.
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.
Σκεφτείτε μία παρτίδα σκάκι. Πόσο καλά τα πάμε στον προσδιορισμό ποιο πιόνι θα πάει πού; Εάν βάλετε τον Γκάρυ Κασπάρωφ εδώ, όταν δεν βρίσκεται στην φυλακή, εναντίον του Ντιπ Μπλου της ΙΒΜ, η απάντηση είναι ότι ο Ντιπ Μπλου της ΙΒΜ θα κερδίσει κάποιες φορές. Και σκεφτείτε ότι εάν ο Ντιπ Μπλου της ΙΒΜ έπαιζε με κάποιον από αυτή εδώ την αίθουσα, θα κέρδιζε συνέχεια. Αυτό το πρόβλημα λύθηκε. Τι γίνεται όμως με το πρόβλημα του να παίρνεις ένα πιόνι, να το χειρίζεσαι επιδέξια και να το βάζεις πίσω στην σκακιέρα; Εάν βάλετε την επιδεξιότητα ενός πεντάχρονου παιδιού απέναντι στα καλύτερα ρομπότ του σήμερα, η απάντηση είναι απλή: το παιδί κερδίζει εύκολα. Δεν υπάρχει καθόλου ανταγωνισμός.
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.
Τώρα γιατί το πάνω πρόβλημα είναι τόσο απλό ενώ το κάτω πρόβλημα τόσο δύσκολο; Ένας λόγος είναι ότι ένας πολύ έξυπνος πεντάχρονος θα μπορούσε να σας πει τον αλγόριθμο για το πάνω πρόβλημα -- κοιτάζεις όλες τις πιθανές κινήσεις εώς το τέλος της παρτίδας και διαλέγεις εκείνη που σου δίνει την νίκη. Άρα είναι ένας πολύ απλός αλγόριθμος. Τώρα φυσικά υπάρχουν και άλλες κινήσεις, αλλά με τεράστιους υπολογιστές εκτιμούμε και πλησιάζουμε στην ιδανικότερη λύση. Σχετικά με την επιδεξιότητα, δεν είναι καν ξεκάθαρο ποιον αλγόριθμο πρέπει να λύσετε για να είστε επιδέξιοι. Και θα δούμε ότι πρέπει και να αντιληφθείτε αλλά και να πράξετε στον κόσμο, κάτι που έχει πολλά προβλήματα.
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.
Αλλά επιτρέψτε μου να σας δείξω ρομπότ τελευταίας αιχμής. Τώρα πολλά ρομπότ είναι εντυπωσιακά, αλλά η ρομποτική χειρισμών είναι ακόμα στον Μεσαίωνα. Αυτό είναι το τέλος μιας διδακτορικής διατριβής από ένα από τα καλύτερα ιδρύματα ρομποτικής. Και ο φοιτητής έχει εκπαιδεύσει αυτό το ρομπότ να βάζει νερό σε ποτήρι. Είναι ένα δύσκολο πρόβλημα διότι το νερό χύνεται, αλλά μπορεί να το κάνει. Αλλά δεν το κάνει με την ευχέρεια που το κάνει ένας άνθρωπος. Τώρα αν θέλετε να κάνει αυτό το ρομπότ κάτι άλλο, θα χρειαστεί μία ακόμη τριετής διδακτορική διατριβή. Δεν υπάρχει καμία κοινή βάση ανάμεσα στις διάφορες εφαρμογές στην ρομποτική.
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.
Τώρα μπορούμε να το συγκρίνουμε αυτό με τελευταίας αιχμής ανθρώπινη απόδοση. Αυτό που θα σας δείξω είναι την Έμιλι Φοξ να κερδίζει το παγκόσμιο ρεκόρ στο "χτίσιμο" με ποτήρια. Τώρα οι Αμερικάνοι στο κοινό θα ξέρουν τα πάντα σχετικά με το "χτίσμο" με ποτήρια. Είναι ένα άθλημα του γυμνασίου όπου έχεις 12 πλαστικά ποτήρια και πρέπει να τα "χτίσεις" και να τα "ξεχτίσεις" με χρόνο και σε συγκεκριμένη διάταξη. Και εδώ,σε πραγματικό χρόνο, κάνει το παγκόσμιο ρεκόρ. (Γέλια) (Χειροκρότημα) Και είναι αρκετά χαρούμενη. Δεν έχουμε ιδέα για το τι συμβαίνει μέσα στον εγκέφαλό της όταν το κάνει, και αυτό είναι που θα θέλαμε να μάθουμε.
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.
Έτσι στην ομάδα μου, αυτο που προσπαθούμε να κάνουμε είναι να κατασκευάσουμε αντίστροφα το πώς οι άνθρωποι ελέγχουν την κίνηση. Και ακούγεται απλό. Στέλνεις μια εντολή, αυτή προκαλεί συστολή των μυών. Το χέρι ή το σώμα σου κινείται, και οι αισθήσεις σου ανατροφοδοτούνται από την όραση,το δέρμα,τους μύες κλπ. Το πρόβλημα είναι ότι αυτά τα σήματα δεν είναι όσο όμορφα θα ήθελες. Έτσι κάτι που κάνει τον έλεγχο της κίνησης δύσκολο είναι,για παράδειγμα, το ότι η ανατροφοδότηση έχει πολύ θόρυβο. Τώρα ως θόρυβο δεν εννοώ ήχο. Τον χρησιμοποιούμε στην μηχανική και την νευρολογία εννοώντας έναν τυχαίο θόρυβο που αλλοιώνει ένα σήμα. Έτσι παλιότερα ,πριν το ψηφιακό ραδιόφωνο, όταν έψαχνες σταθμούς και άκουγες "χρρρ" στο σταθμό που ήθελες να ακούσεις, αυτό ήταν θόρυβος. Αλλά γενικότερα, αυτός ο θόρυβος είναι κάτι που αλλοιώνει το σήμα.
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.
Για παράδειγμα, εάν βάλετε το χέρι σας κάτω από ένα τραπέζι και προσπαθήσετε να το εντοπίσετε με το άλλο σας χέρι, θα πέσετε έξω κατά μερικά εκατοστά εξαιτίας του θορύβου στην ανατροφοδότηση των αισθήσεων. Παρομοίως, όταν μπει η μηχανική εισαγωγή πάνω στην κινητήρια έχω πολύ θόρυβο. Μην προσπαθείτε να χτυπήσετε κέντρο στα βελάκια, απλά σημαδέψτε το ίδιο σημείο ξανά και ξανά. Έχετε μια τεράστια διασπορά εξαιτίας της μεταβλητότητας των κινήσεων. Επιπλέον,ο έξω κόσμος είναι διφορούμενος και μεταβλητός. Η τσιαγέρα θα μπορούσε να είναι γεμάτη, θα μπορούσε να είναι άδεια. Αλλάζει με την ώρα. Έτσι δουλεύουμε σε μία σούπα θορύβου αισθητήριων και κινήσεων.
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.
Αυτός ο θόρυβος είναι τόσο μεγάλος που η κοινωνία ξεχώρίζει εκείνους που μπορούν να μειώσουν τις συνέπειες του θορύβου. Έτσι έαν μπορείτε να βάλετε μια άσπρη μπάλα σε μια τρύπα μερικές εκατοντάδες μέτρα μακριά χρησιμοποιώντας ένα μακρύ μεταλλικό μπαστούνι, τότε η κοινωνία θα σας αναταμείψει με εκατοντάδες εκατομμύρια δολλάρια.
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.
Τώρα εγώ θέλω να σας πείσω ότι ο εγκέφαλος πρσπαθεί πάρα πολύ να μειώσει τις αρνητικές συνέπειες αυτού του θορύβου και αυτής της μεταβλητότητας. Και για να το κάνω αυτό,θα σας μιλήσω για ένα πλαίσιο που είναι πολύ δημοφιλές στην στατιστική και στην εκμάθηση μηχανών για πάνω από 50 χρόνια και ονομάζεται Μπεϋζιανή θεωρία αποφάσεων. Και είναι πιο πρόσφατα ένας ενοποιημένος τρόπος σκέψης για το πώς αντιμετωπίζει ο εγκέφαλος την αβεβαιότητα. Και η θεμελιώδης ιδέα είναι ότι θέλεις να βγάλεις συμπεράσματα προτού λάβεις μέτρα.
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.
Άρα ας σκεφτούμε το συμπέρασμα. Θέλετε να παράγετε πεποιθήσεις σχετικά με τον κόσμο. Τι είναι οι πεποιθήσεις; Θα μπορούσαν να είναι: πού βρίσκονται τα χέρια μου στον χώρο; Κοιτάω μία γάτα ή μια αλεπού; Αλλά θα αντιπροσωπεύσουμε τις πεποιθήσεις με πιθανότητες. Θα αντιπροσωπεύσουμε μία πεποίθηση με έναν αρθμό μεταξύ μηδέν και ένα -- μηδέν για όταν δεν το πιστεύω καθόλου, και ένα για όταν είμαι απόλυτα σίγουρος. Και οι αριθμοί ανάμεσα δίνουν τα "γκρίζα" επίπεδα της αβεβαιότητας. Η βασική ιδέα στο Μπεϋζιανό συμπέρασμα είναι ότι έχεις δύο πηγές πληροφορίας για να βγάλεις το συμπέρασμά σου. Έχεις δεδομένα, και τα δεδομένα στην νευρολογία είναι η αίσθηση. Έτσι έχω αίσθηση, από όπου μπορώ να φτιάξω πεποιθήσεις. Αλλά υπάρχει και μία άλλη πηγή πληροφορίας, και αυτή είναι η προγενέστερη γνώση. Συσωρεύετε γνώση από όλη σας τη ζωή σε αναμνήσεις. Και το θέμα με την Μπεϋζιανή θεωρία αποφάσεων είναι ότι σας δίνει τα μαθηματικά του βέλτιστου τρόπου συνδυασμού της προγενέστερης γνώσης σας με τα αποτελέσματα των αισθήσεών σας για την παραγωγή νέων πεποιθήσεων.
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.
Και έχω βάλει τον τύπο εκεί πάνω. Δεν θα εξηγήσω τι είναι αυτός ο τύπος,αλλά είναι πολύ όμορφος. Και έχει αληθινή ομορφιά και αληθινή επεξηγηματική δύναμη. Και αυτό που λέει πραγματικά,και είναι αυτό που θέλετε να υπολογίσετε είναι την πιθανότητα διαφορετικών πεποιθήσεων δεδομένου του τι αισθανθείτε. Επιτρέψτε μου να σας δώσω ένα διαισθητικό παράδειγμα. Φανταστείτε ότι μαθαίνετε να παίζετε τέννις και θέλετε να αποφασίσετε πού θα σκάσει το μπαλάκι καθώς περνάει το δίχτυ και έρχεται προς τα εσάς. Έχουμε δύο πηγές πληροφοριών κατά τον κανόνα του Μπέυζ. Υπάρχουν αποτελέσματα αισθήσεων -- μπορείτε να χρησιμοποιήσετε οπτικοακουστικές πληροφορίες, που μπορούν να σας πουν να επιτρέψετε το κόκκινο σημείο. Αλλά ξέρετε πως οι αισθήσεις σας δεν είναι τέλειες, και για αυτό υπάρχει αβεβαιότητα για το που θα προσγειωθεί που φαίνεται από το κόκκινο σύννεφο, και αντιπροσωπεύει τους αριθμούς μεταξύ 0.5 και ίσως 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.
Αυτή η πληροφορία είναι διαθέσιμη σε αυτή την βολή, αλλά υπάρχει και κάποια άλλη πηγή πληροφορίας που δεν είναι διαθέσιμη εδώ, παρά μόνο μετά από αρκετή εμπειρία στο τέννις, και αυτή είναι ότι το μπαλάκι δεν σκάει με ίση πιθανότητα κατά τη διακεια του παιχνιδιού. Εάν παίζετε εναντίον ενός πολύ καλού αντιπάλου, μπορεί να μοιραστούν στην πράσινη περιοχή, που είναι η βασική κατανομή κάνοντας πολύ δύσκολη την απόκρουσή σας. Αυτές οι δύο πηγές μεταφέρουν σημαντικές πληροφορίες. Και σύμφωνα με τον κανόνα του Μπέυζ θα έπρεπε να πολλαπλασιάσω τους αριθμούς στο κόκκινο με τους αριθμούς στο πράσινο για να πάρω τους αριθμούς στο κίτρινο, που έχουν τις ελλείψεις, και αυτή είναι τελικά η πεποίθησή μου. Έτσι είναι ο καλύτερος τρόπος συνδυασμού πληροφορίας.
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.
Δεν θα σας τα έλεγα όλα αυτά εάν πριν από μερικά χρόνια, δεν δείχναμε τι ακριβώς κάνουν οι άνθρωποι όταν μαθαίνουν νέες κινήσεις. Τί σημαίνει ότι είμαστε Μπεϋζιανές μηχανές συμπερασμάτων. Καθώς μεγαλώνουμε, μαθαίνουμε για την στατιστική στον κόσμο, αλλά μαθαίνουμε επίσης πόσο θορυβώδεις είναι οι δικές μας αισθητήριες "συσκευές", και μετά τα συνδυάζουμε με Μπεϋζιανό τρόπο.
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.
Το σημείο κλειδί του Μπεϋζιανού τύπου είναι αυτό εδώ το μέρος. Και αυτό που λέει είναι ότι πρέπει να προβλέψω την πιθανότητα των διαφορετικών αισθητήριων ανατροφοδοτήσεων σύμφωνα με τα πιστεύω μου. Έτσι αυτό σημαίνει πραγματικά ότι πρέπει να προβλέπω το μέλλον. Και θέλω να σας πείσω ότι ο εγκέφαλος κάνει προβλέψεις των ανατροφοδοτήσεων που πρόκειται να δεχθεί. Και επιπλέον,αλλάζει ριζικά τις αντιλήψεις σας από αυτό που κάνετε. Και για να το κάνω αυτό, θα σας πω πώς ο εγκέφαλος χειρίζεται μία αίσθηση. Στέλνετε μια εντολή, παίρνετε πίσω αισθητήρια ανατροφοδότηση, και αυτή η μετατροπή διέπεται από την φυσική του σώματός σας και τις αισθητήριες συσκευές σας.
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.
Αλλά μπορείτε να φανταστείτε κοιτάζοντας μέσα στον εγκέφαλο. Και εδώ είναι το εσωτερικό του εγκεφάλου. Μπορεί να έχετε ένα μικρό παράγοντα πρόβλεψης, ένα νευρωνικό προσομοιωτή, της φυσικής του σώματός σας και των αισθήσεων σας. Έτσι καθώς στέλνετε μία εντολή για κίνηση, κάνετε ένα αντίγραφό της και το περνάτε από τον νευρωνικό προσομοιωτή σας για να δείτε τις αισθητήριες συνέπειες της κίνησής σας. Έτσι ενώ κουνάω ένα μπουκάλι κέτσαπ, παίρνω κάποια πραγματική αισθητηριακή ανατροφοδότηση σαν τη συνάρτηση του χρόνου στην κάτω σειρά. Και εάν έχω καλό παράγοντα πρόβλεψης, προβλέπει ακριβώς το ίδιο.
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.
Αλλά γιατί να το κάνω αυτό; Θα πάρω την ιδια ανατροφοδότηση ούτως ή άλλως. Υπάρχουν καλοί λόγοι. Φανταστείτε, ενώ κουνάω την κέτσαπ, κάποιος πολύ ευγενικά έρχεται και χτυπάει τον πάτο του μπουκαλιού. Τώρα έχω έξτρα αισθητήρια πληροφορία λόγω αυτής της παρέμβασης. Έτσι έχω δύο πηγές. εσάς που χτυπατε τον πάτο και εμένα που κουνάω το μπουκάλι. αλλά για τις αισθήσεις μου, αυτά συνδυάζονται σε μία πληροφορία.
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.
Είναι λογικό να θέλετε να έχετε την ικανότητα να ξεχωρίζετε εξωτερικά από εσωτερικά συμβάντα. Διότι τα εξωτερικά συμβάντα είναι πιο σχετικά με τη συμπεριφορά από το να αισθάνομαι ό,τι συμβαίνει μέσα μου. Ένας τρόπος να το αναδομήσω είναι να συγκρίνω την πρόβλεψη -- που βασίζεται μόνο στις κινητήριες εντολές -- με την πραγματικότητα. Οποιαδήποτε απόκλιση θα προέρχεται από έξω. Έτσι καθώς περιφέρομαι, κάνω προβλέψεις για το τι θα πάρω και μετά τις αφαιρώ. Ό,τι μένει είναι για μένα εξωτερικό.
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.
Τι απόδειξη έχω για αυτό; Υπάρχει ένα ξεκάθαρο παράδειγμα όπου κάτι που νιώθω εγώ είναι πολύ διαφορετικό όταν το νιώθει κάποιος άλλος. Έτσι αποφασίσαμε πως το πιο πρφανές για να ξεκινήσουμε ήταν το γαργαλητό. Είναι γνωστό από παλιά πως δεν μπορείς να γαργαλήσεις τον εαυτό σου όπως σε γαργαλούν οι άλλοι. Άλλα αν και δεν έχει αποδειχθεί πραγματικά,είναι επειδή έχετε έναν νευρικό προσομοιωτή, που προσομοιώνει το ίδιο σας το σώμα και αφαιρεί αυτή την αίσθηση. Έτσι μπορούμε να φέρουμε τα πειράματα στον 21ου αιώνα εφαρμόζοντας ρομποτική τεχνολογία σε αυτό το πρόβλημα. Και στην πραγματικότητα, αυτό που έχουμε είναι ένα είδος ραβδιού στο ένα χέρι που συνδέεται με ένα ρομπότ, και θα το κουνήσουν μπρος πίσω. Στη συνέχεια θα το καταγράψουμε σε έναν υπολογιστή και θα το χρησιμοποιήσουμε σε ένα άλλο ρομπότ, που θα γαργαλήσει την παλάμη τους με ένα άλλο ραβδί. Μέτα θα τους ρωτήσουμε να βαθμολογήσουν διάφορα πράγματα συμπεραλαμβανομένου και του γαργαλητού.
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.
Θα σας δείξω ένα μέρος της μελέτης μας. Εδώ έχω απομακρύνει τα ρομπότ, αλλά οι άνθρωποι κουνούν το δεξί τους χέρι ημιτονοειδώς μπρος πίσω. Επαναλαμβάνουμε στο άλλο χέρι με λίγη καθυστέρηση. Είτε χωρίς καθυστέρηση, οπότε απλά γαργαλιέται η παλάμη σας, ή με καθυστέρηση ενός,δύο και τριών δεκάτων του δευτερολέπτου. Έτσι το σημαντικό εδώ είναι ότι το δεξί χέρι κάνει πάντα τα ίδια -- ημιτονοειδή κίνηση. Το αριστερό πάντα τα ίδια και γαργαλιέται ημιτονοειδώς. Αυτό που μεταβάλλουμε είναι η συχνότητα του αιτίου. Καθώς πάμε από το μηδέν στο ένα δέκατο του δευτερολέπτου, το γαργαλητό γίνεται εντονότερο. Από το ένα στα δύο δέκατα του δευτερολέπτου, γίνεται πάλι πιο έντονο. Στα 2 δέκατα του δευτερολέπτου, γίνεται το ίδιο έντονο με όταν σας γαργάλησε το ρομπότ χωρίς να κάνετε τίποτα. Έτσι σε ό,τι και αν οφείλεται αυτή η ακύρωση είναι αυστηρά συνδεδεμένο με την συχνότητα του αιτίου. Βασιζόμενοι σε αυτή την παρουσίαση, πειστήκαμε ότι ο εγκέφαλος κάνει ακριβείς προβλέψεις και τις σβήνει από τις αισθήσεις.
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.
Πρέπει να παραδεχτώ, αυτή είναι η χειρότερη μελέτη που έχει κάνει ποτέ το εργαστήριό μου. Επειδή η αίσθηση του γαργαλητού φεύγει και επανέρχεται, χρειάζονται πάρα πολλά υποκείμενα με αστεράκια που τους κάνουν σημαντικούς. Έτσι ψάχνουμε έναν πιο αντικειμενικό τρόπο να αξιολογήσουμε αυτό το φαινόμενο. Στα χρόνια που μεσολάβησαν απέκτησα δύο κόρες. Αυτό που παρατηρεί κανείς στα παιδιά στο πίσω κάθισμα σε ένα μεγάλο ταξίδι, είναι οτι τσακώνονται -- το ένα ξεκινάει να ενοχλεί το άλλο,το άλλο αντιδράει. Κλιμακώνεται γρήγορα. Και τα παιδιά συνηθίζουν να μπλέκουν σε καυγάδες όπου η δύναμη κλιμακώνεται. Όταν φώναζα στα παιδιά μου να σταματήσουν, μου έλεγαν μερικές φορές ότι ο άλλος χτύπησε πιο δυνατά.
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.
Τυχαίνει να ξέρω ότι τα παιδιά μου δεν λένε ψέματα, και έτσι σκέφτηκα,σαν νευρολόγος, θα ήταν σημαντικό να εξηγήσω πώς λένε μη συνεπείς αλήθειες. Υποθέτουμε σύμφωνα με την μελέτη για το γαργαλητό ότι όταν το ένα παιδί χτυπά το άλλο παράγει την κινητήρια εντολή. Προβλέπει τις αισθητήριες συνέπειες και μετά την αφαιρεί. Έτσι πιστεύουν ότι χτύπησαν τον άλλον λιγότερο δυνατά -- κάπως σαν το γαργαλητό. Όπου ο αποδέκτης δεν κάνει την πρόβλεψη, και αισθάνεται όλο το πλήγμα. Έτσι αν ανταποδόσουν με την ίδια δύναμη ο πρώτος θα πιστέψει πως υπάρχει κλιμάκωση.
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.
Έτσι αποφασίσαμε να το δοκιμάσουμε στο εργαστήριο. (Γέλια) Δεν δουλεύουμε με παιδιά ούτε με χτυπήματα, αλλα η ιδέα είναι η ίδια. Παίρνουμε δύο ενήλικες.Τους λέμε ότι θα παίξουν ένα παιχνίδι. Και εδώ ο ένας παίκτης κάθεται απέναντι στον άλλον. Το παιχνίδι είναι πολύ απλό. Ξεκινήσαμε με μία μηχανή με έναν μικρό μοχλό, εναν μικρό μεταδότη κίνησης. Χρησιμοποιούμε αυτή την μηχανή για να ασκήσουμε δύναμη στα δάχτυλα του πρώτου παίκτη για τρία δευτερόλεπτα. Λέμε στον παίκτη να θυμηθεί πώς ένιωσε την δύναμη και με το άλλο δάχτυλο να ασκήσει την ίδια δύναμη στο δάχτυλο του άλλου παίκτη μέσω ενός μεταδότη δύναμης -- και το κάνουν. Λέμε στον δεύτερο παίχτη να θυμηθεί την δύναμη. Και με το άλλο χέρι να την εφαρμόσει πίσω. Και έτσι ο καθένας εφαρμόζει τη δύναμη που μόλις δέχτηκε.
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.
Αλλά οι κανόνες τους έχουν δωθεί σε διαφορετικά δωμάτια. Έτσι ο ένας δεν ξέρει με ποιούς κανόνες παίζει ο άλλος. Μετρήσαμε τη δύναμη ως συνάρτηση των εκτελέσεων. Αν δούμε με τι αρχίζουμε, ένα τέταρτο του Νιούτον με τον αριθμό των εκτελέσεων, το τέλειο θα ήταν η κόκκινη γραμμή. Αυτό που βλέπουμε σε όλα τα ζεύγη συμμετεχόντων είναι αυτό -- μία κλιμάκωση της δύναμης κατά 70% σε κάθε εκτέλεση. Έτσι το συμπέρασμα είναι -- βάσει και άλλων μελετών μας -- ότι ο εγκέφαλος ακυρώνει τις συνέπειες όσων αισθανόμαστε και υποτιμά τη δύναμη που παράγει. Άρα μας ξαναδείχνει ότι ο εγκέφαλος κάνει προβλέψεις και αλλάζει ριζικά τους ηθικούς κανόνες. Οπότε είδαμε τα συμπεράσματα,είδαμε τις προβλέψεις, τώρα πρέπει να δούμε την ανάπτυξη ενεργειών. Αυτό που θεωρώ ότι λέει ο κανόνας του Μπέυζ είναι πως κάθε ενέργεια θα πρέπει να είναι η καλύτερη κατά κάποιο τρόπο.
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.
Άλλα έχουμε ένα πρόβλημα. Οι εργασίες είναι συμβολικές -- θέλω να πιω, θέλω να χορέψω -- αλλά το σύστημά μου πρέπει να κινήσει 600 μύες με συγκεκριμένη σειρά. Υπάρχει ένα μεγάλο κενό ανάμεσα στην εργασία και το σύστημά μου. Θα μπορούσε να γεφυρωθεί με άπειρους τρόπους. Σκεφτείτε μία απλή κίνηση από ένα σημείο σε ένα άλλο. Θα μπορούσα να διαλέξω αυτούς τους δύο δρόμους από ένα σύνολο άπειρων δρόμων. Αφού διαλέξω έναν δρόμο, μπορώ να κρατήσω το χέρι μου εκεί ενώ κάνω άπειρους συνδυασμούς με τις αρθρώσεις μου. Επίσης μπορώ να κρατήσω το χέρι με έναν συγκεκριμένο συνδυασμό και να το σφίξω ή να το χαλαρώσω. Έτσι έχουμε έναν τεράστιο αριθμό επιλογών. Αποδεικνύεται όμως ότι μας αρέσουν τα στερεότυπα. Όλοι κινούμαστε σχεδόν με τον ίδιο τρόπο.
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.
Μάλιστα είμαστε τόσο στερεοτυπικοί, που οι εγκέφαλοί μας έχουν νευρικό κύκλωμα για να αποκοδικωποιούν αυτον τον στερεοτυπισμό. Αν πάρω μερικές τελείες και τις βάλω να κινούνται με ανθρώπινες κινήσεις, το κύκλωμα του εγκεφάλου σας θα καταλάβει αμέσως τι συμβαίνει. Αυτό είναι ένα μάτσο τελείες που κουνιούνται. Θα ξέρετε τι κάνει αυτός εδώ, εάν είναι χαρούμενος,λυπημένος,ηλικιωμένος,νέος -- πάρα πολλές πληροφορίες. Έαν οι τελείες ήταν αυτοκίνητα σε πίστα, δεν θα είχατε ιδέα περί τίνος πρόκειται.
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.
Γιατί λοιπόν κινούμαστε όπως κινούμαστε; Ας σκεφτούμε τι συμβαίνει πραγματικά. Ίσως δεν κινούμαστε όλοι το ίδιο. Ίσως υπάρχουν διαφορές μέσα στον πληθυσμό. Και ίσως εκείνοι που κινούνται καλύτερα από τους άλλους να έχουν περισσότερες πιθανότητες να κάνουν παιδιά. Έτσι εξελιγκτικώς, οι κινήσεις μας γίνονται καλύτερες. Και ίσως στη ζωή, οι κινήσεις βελτιώνονται μέσω της μάθησης.
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.
Τι κάνει όμως μία κίνηση καλή ή κακή; Φανταστείτε ότι θέλω να πιάσω αυτή την μπάλα. Εδώ έχω δύο πιθανούς τρόπους. Εάν διαλέξω τον αριστερό τρόπο, Μπορώ να υπολογίσω τις δυνάμεις που χρειάζονται σε ένα από τους μύες μου συναρτήσει του χρόνου. Αλλά υπάρχει θόρυβος. Έτσι τελικά με αυτή την ωραία,απαλή δύναμη, παίρνω έναν τρόπο με πολύ θόρυβο. Αν διαλέξω το ίδιο πολλές φορές, θα πάρω διαφορετικούς θορυβώδεις τρόπους, επειδή ο θόρυβος αλλάζει κάθε φορά. Αυτό που μπορώ να σας δείξω εδώ είναι πώς θα εξελειχθεί η μεταβλητότητα της κίνησης αν διαλέξω αυτόν τον τρόπο. Εάν διαλέξω άλλο τρόπο -- τον δεξί για παράδειγμα -- θα έχω διαφορετική εντολή, διαφορετικό θόρυβο, να παίζουν μέσα σε ένα μη γραμμικό σύστημα, πολύ πολύπλοκα. Για το μόνο που είμαστε σίγουροι είναι ότι η μεταβλητότητα θα είναι διαφορετική. Έαν κινηθώ έτσι, καταλήγω με μικρότερη μεταβλητότητα. Εάν λοιπόν έπρεπε να διαλέξω, θα διάλεγα τον δεξί επειδή έχει μικρότερη μεταβλητότητα.
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.
Η ριζική ιδέα είναι ότι θέλετε να σχεδιάσετε τις κινήσεις σας ώστε να ελαχιστοποιηθούν οι επιπτώσεις του θορύβου. Μία διαίσθηση που καταλήγουμε είναι ότι το μέγεθος του θορύβου ή η μεταβλητότητα που έδειξα μεγαλώνει καθώς αυξάνεται η δύναμη. Έτσι θέλετε να αποφύγετε μεγάλες δυνάμεις ώς αρχή. Δείξαμε ότι με αυτό εδώ, μπορούμε να εξηγήσουμε έναν τεράστιο αριθμό δεδομένων -- ότι ακριβώς οι άνθρωποι στη ζωή τους σχεδιάζουν κινήσεις με σκοπό την ελαχιστοποίηση των επιπτώσεων του θορύβου.
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.
Έστι ελπίζω να σας έπεισα ότι ο εγκέφαλος υπάρχει και εξελίχθηκε για να ελέγχει τις κινήσεις. Είναι μία πνευματική πρόκληση να καταλάβουμε πώς γίνεται. Αλλά είναι το ίδιο σχετικό με τις αρρώστιες και την αποκατάσταση. Υπάρχουν πολλές αρρώστιες που επηρεάζουν την κίνηση. Και ελπίζουμε πως αν καταλάβουμε το πως ελέγχεται η κίνηση, θα μπορούμε να το εφαρμόσουμε στην ρομποτική. Και τελικώς,θέλω να σας υπενθυμίσω ότι όταν βλέπετε ζώα να κάνουν κάτι που φαίνεται απλό, η πραγματική πολυπλοκότητα του τι συμβαίνει μέσα στον εγκέφαλό τους είναι αρκετά δραματική.
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.
Σας ευχαριστώ πολύ.
Thank you very much.
(Χειροκρότημα)
(Applause)
Κρις Άντερσον: Σου έχω μία γρήγορη ερώτηση, Νταν Είσαι λοιπόν ένας σωβινιστής της κίνησης. Αυτό σημαίνει ότι τα υπόλοιπα που πιστεύουμε ότι κάνει ο εγκέφαλός μας -- τα όνειρα,το χασμουρητό,τον έρωτα, όλα αυτα -- είναι κάτι παράπλευρο, ένα ατύχημα;
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?
Όχι,όχι πιστεύω ότι όλα είναι σημαντικά στο να οδηγήσουν στις σωστες κινήσεις και τελικώς σε κάτι παραγωγικό. Έτσι πιστεύω πως οι άνθρωποι μελετούν τις αισθήσεις ή την μνήμη χωρίς να συνειδητοποιούν για ποιο λόγο έχουμε μνήμες από τα παιδικά μας χρόνια. Το γεγονός ότι ξεχνάμε το μεγαλύτερο μέρος της παιδικής μας ηλικίας, για παράδειγμα, είναι μάλλον καλό, επειδή δεν επηρεάζει τις κινήσεις μας αργότερα στη ζωή. Χρειάζεται να αποθηκεύουμε μόνο εκείνα που θα επηρεάσουν τον τρόπο που κινούμαστε.
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.
Άρα πιστεύετε ότι όσοι ασχολούνται με τον εγκέφαλο, και τη συνείδηση γενικότερα, μπορούν να γίνουν πιο διορατικοί αν αναρωτηθούν τον ρόλο της κίνησης;
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?
Οι άνθρωποι έχουν ανακαλύψει για παράδειγμα ότι το να μελετούν την όραση χωρίς να έχουν καταλάβει γιατί την έχουμε είναι λάθος. Πρέπει να μελετήσεις την όραση με την αντίληψη του πώς το σύστημα κίνησης θα την χρησιμοποιήσει. Και την χρησιμοποιεί πολύ διαφορετικά εάν το δεις από αυτή τη σκοπιά.
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.
Λοιπόν ήταν συναρπαστικό.Σας ευχαριστούμε πάρα πολύ.
CA: Well that was quite fascinating. Thank you very much indeed.
(Χειροκροτήματα)
(Applause)