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.
من متخصص مغز و اعصاب هستم. و در حوزه علم مغز و اعصاب، ما باید با تعداد زیادی سوال سخت درباره مغز سر و کار داشته باشیم. ولی میخوام با ساده ترین اونها شروع کنم و سوالی که همه شما باید یه موقعی در زندگی تون از خودتون پرسیده باشید، چون اگر بخوایم کارکرد مغز رو بفهمیم، این یه سوال اساسیه. چون اگر بخوایم کارکرد مغز رو بفهمیم، این یه سوال اساسیه. و اون سوال اینه که، چرا ما و دیگر حیوانات دارای مغز هستیم؟ و اون سوال اینه که، چرا ما و دیگر حیوانات دارای مغز هستیم؟ همه موجودات روی زمین دارای مغز نیستند، بنابراین اگر بخواهیم بدونیم که مغز به چه دردی میخوره، بیاین درباره این فکر کنیم که چرا اون رو از طریق تکامل ساختیم. حالا شما ممکنه استدلالتون این باشه که ما برای درک جهان یا برای فکر کردن دارای مغز هستیم، حالا شما ممکنه استدلالتون این باشه که ما برای درک جهان یا برای فکر کردن دارای مغز هستیم، و این استدلال کاملا غلطه. هرچقدر که شما به این سوال فکر کنید، بصورت خیره کننده ای مشخصه که چرا ما دارای مغز هستیم. ما مغز داریم بخاطر یک دلیل و فقط یک دلیل، و اون بخاطر تولید کردن حرکت های وفق پذیر و پیچیده اس. هیچ دلیل دیگه ای برای داشتن مغز وجود نداره. بهش فکر کنید. تحرک تنها راه برای اثر گذاشتن بر دنیای اطرافه. تحرک تنها راه برای اثر گذاشتن بر دنیای اطرافه. حالا اون هم کاملا درست نیست. یه راه دیگه هم هست، و اونم از طریق عرق کردنه. ولی از اون گذشته، همه چیز دیگه از طریق منقبض شدن مفاصل انجام میشه.
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.
خب، ارتباط برقرار کردن رو در نظر بگیرید -- گویایی، اشارات، نوشتن، زبان ایما اشاره -- همه اونها با مداخله انقباض مفاصل شما انجام میشن. این خیلی مهمه که یادمون باشه که فرآیندهای حسی، حافظه و فرایند های شناختی مغز، همه شون مهم اند، ولی اونها فقط در پیش بری یا جلوگیری از حرکت های بعدی مهم هستند. ولی اونها فقط در پیش بری یا جلوگیری از حرکت های بعدی مهم هستند. ساختن خاطرات بچه گی و درک رنگ یک گل رز، هیچ فایده تکاملی ای برای ما نداره ساختن خاطرات بچه گی و درک رنگ یک گل رز، هیچ فایده تکاملی ای برای ما نداره ساختن خاطرات بچه گی و درک رنگ یک گل رز، هیچ فایده تکاملی ای برای ما نداره اگر نخواهد روی حرکت های بعدی ما در زندگی اثر بزاره.
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.
حالا برای اونایی که به این استدلال اعتقادی ندارن، ما درختان و سبزه ها رو روی کره زمین داریم که بدون مغز هستند، ولی این حیوان اینجا مدرک محکمیه -- آب پران کوچک دریایی. گونه اولیه اون، یه سیستم عصبی داره، در فرم اولیه زندگیش، در اقیانوس شنا میکنه. و در نقطه ای از زندگیش، روی یک سنگ جا میگیره. و در نقطه ای از زندگیش، روی یک سنگ جا میگیره. و اولین کاری که بعد از جا گیریش روی اون سنگ میکنه، سنگی که هیچوقت ترکش نمیکنه، اینه که مغز و سیستم عصبی خودش رو به عنوان غذا میخوره. اینه که مغز و سیستم عصبی خودش رو به عنوان غذا میخوره. پس همینکه دیگه لازم نیست حرکتی انجام بشه، اون مغز لوکس دیگه لازم نمیشه. و این حیوان معمولا بعنوان قیاس با اتفاقی که در دانشگاه ها میافته وقتی که اساتید کرسی ای رو در اون دانشگاه میگیرن، گرفته میشه، وقتی که اساتید کرسی ای رو در اون دانشگاه میگیرن، گرفته میشه، ولی اون یه موضوع دیگه ایه.
(Applause)
(تشویق حاضرین)
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.
بنابراین من طرفدار پر وپا قرص تحرک هستم. من معتقدم تحرک مهم ترین کارکرد مغزه، و به کسی اجازه ندید که بهتون بگه این اشتباهه. حالا اگه تحرک خیلی مهمه، ما چقدر خوب تونستیم کنترل حرکات توسط مغز رو بفهمیم؟ ما چقدر خوب تونستیم کنترل حرکات توسط مغز رو بفهمیم؟ و جواب این سوال اینه که ما خیلی داریم ضعیف عمل می کنیم، این یه مشکل خیلی دشواریه. ولی برای اینکه بفهمیم چقدر داریم کارمون رو خوب انجام میدیم مینونیم به این فکر کنیم که به چه خوبی ما ماشینهایی را میسازیم که میتونن آنچه که آدمها میکنن را انجام دهند. مینونیم به این فکر کنیم که به چه خوبی ما ماشینهایی را میسازیم که میتونن آنچه که آدمها میکنن را انجام دهند.
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.
درباره بازی شطرنج فکر کنیم. اینکه چه مهره ای رو میخوایم به کجا حرکت بدیم رو چقدر خوب انجام میدیم؟ اگر گری کاسپاروف رو، وقتی که در زندان نبود، در مقابل کامپیوتر 'آبی تیره ی' آی.بی.ام قرار بدیم، جواب اینه که 'آبی تیره ی' آی.بی.ام بعضی وقتا میبره. و فکر کنم اگر 'آبی تیره ی' آی.بی.ام با هرکسی در این سالن بازی کنه، هر دفعه میبره. مشکل حل شد. مشکل برداشتن مهره های شطرنج چی میشه؟ مشکل برداشتن مهره های شطرنج چی میشه؟ بصورت ماهرانه برداشتن شون و دوباره روی صفحه شطرنج قراردادن شون؟ اگر شما یه بچه 5ساله رو در مقابل بهترین روبات حال حاضر قرار بدین، جواب آسونه: بچه هه به راحتی میبره. اصلا رقابتی وجود نداره.
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.
حالا چرا اون مشکل بالایی آنقدر آسونه و مشکل پایینی آنقدر سخته؟ یه دلیلش اینه که یه بچه 5ساله باهوش میتونه با در نظرگرفتن همه حرکت های امکانپذیر تا آخر بازی، الگوریتم مشکل بالاییه رو بهتون بگه میتونه با در نظرگرفتن همه حرکت های امکانپذیر تا آخر بازی، الگوریتم مشکل بالاییه رو بهتون بگه و اونی رو که باعث برنده شدن میشه رو انتخاب کنه. بنابراین یه الگوریتم خیلی ساده اس. حالا البته که حرکت های بعدی ای هم هست، ولی با کامپیوترهای بزرگ ما تقریب میزنیم و به راه حل بهینه نزدیک میشیم. ولی با کامپیوترهای بزرگ ما تقریب میزنیم و به راه حل بهینه نزدیک میشیم. ولی وقتی نوبت به ماهرانه بودن میرسه، حتی معلوم نیست که چه الگوریتمی باید حل بشه که بشه ماهرانه حرکت داد. و خواهیم دید که باید هم دنیای اطراف رو درک کرد و هم عکس العمل انجام داد، که خیلی مشکلات در خودش داره.
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.
ولی اجازه بدین بهتون روبات های پیشرفته رو نشون بدم. امروزه رباتهای زیادی بسیار چشمگیر و جذاب هستند ولی روبات هایی که با دست کارها رو انجام میدن واقعا هنوز هنوز در اوایل راه هستند. خب این نتیجه یه پروژه فوق دکترا از یکی از بهترین انیسیتو های روبوتیکه. خب این نتیجه یه پروژه فوق دکترا از یکی از بهترین انیسیتو های روبوتیکه. و این دانشجو به این روبات یاد داده که این آب رو داخل این گیلاس( لیوان) بریزه. و این دانشجو به این روبات یاد داده که این آب رو داخل این گیلاس بریزه. این یه مشکل سختیه چون آب جریان پیش بینی شده ای نداره، ولی اون میتونه انجامش بده. ولی اصلا به فرزی و تندی یه آدمیزاد انجامش نمیده. حال اگر بخواین این روبات یه کار دیگه انجام بده، یه برنامه تحقیق فوق دکترای سه ساله دیگریست. در روباتیک کلا نمیشه بین کارها و و فعالیت ها کارهای مشترکی بوجود آورد و کاری رو به کار دیگه ای تعمیم داد. در روباتیک کلا نمیشه بین کارها و و فعالیت ها کارهای مشترکی بوجود آورد و کاری رو به کار دیگه ای تعمیم داد.
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.
حالا ما میتونیم این رو با کارایی پیشرفته انسانی مقایسه کنیم. حالا ما میتونیم این رو با کارایی پیشرفته انسانی مقایسه کنیم. چیزی که میخوام نشونتون بدم امیلی فاکس که داره رکورد جهانی چیدن لیوان روی هم رو بدست میاره. حالا آمریکایی هایی که اینجا در بین حاضرین هستن راجع به اینکار همه چیز رو میدونن. یه ورزش توی دبیرستانه که باید 12 لیوان به ترتیب مشخصی و در کمترین زمان روی هم چیده بشه و بعدش جمع بشه. که باید 12 لیوان به ترتیب مشخصی و در کمترین زمان روی هم چیده بشه و بعدش جمع بشه. و ایشون داره رکورد جهانی رو بی درنگ به دست میاره. (خنده حاضرین) (تشویق حاضرین) و خیلی هم خوشحاله. ما اصلا نمیدونیم وقتی این خانم داره این کارو انجام میده، چی توی مغزش داره اتفاق میافته، و این چیزیه که دوست داریم بدونیم.
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.
بنابراین کاری که گروه من داره سعی میکنه که انجام بده اینه که نحوه کنترل حرکت انسانها رو مهندسی معکوس کنه. و به نظر میرسه که این یه مساله ساده اس. یه دستور به پایین فرستاده میشه، و اون باعث میشه مفصل ها منقبض بشن. دست یا بدن حرکت میکنه، و از بینایی، پوست، مفاصل و غیره فیدبک (بازخورد) حسی گرفته میشه. مشکل اینه که این سیگنال ها اون سیگنال های زیبایی نیستند که شما میخواید باشن. بنابراین یه چیزی که کنترل حرکت رو سخت میکنه اینه که، برای مثال، فیدبک (بازخورد) حسی بشدت همراه با نویزه. حالا منظورم از نویز، صدا و صوت نیست. ما در مهندسی و علم مغز و اعصاب از این عبارت استفاده میکنیم به معنی یک نویز تصادفی که سیگنال رو خراب میکنه. مثل دوران قدیم قبل از اومدن رادیوی دیجیتالی، که وقتی در حال تنظیم ایستگاه رادیو صدای "خر خر" رو، روی ایستگاه رادیویی ای که میخواستید بگیرید، اون نویز بود. ولی بصورت کلی تر، این نویز چیزیه که سیگنال رو خراب میکنه.
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.
بنابراین برای مثال، اگر شما دستتون رو زیر میز قرار بدین و سعی کنین که اون رو با دست دیگرتون مکان یابی کنید، ممکنه بخاطر نویز در فیدبک حسی، تا چند سانتیمتر اشتباه کنید. ممکنه بخاطر نویز در فیدبک حسی، تا چند سانتیمتر اشتباه کنید. بصورت مشابه، وقتی خروجی موتوری روی خروجی حرکتی قرار میگیره، بشدت نویز داره. در بازی با دارت سعی کردن برای اینکه بزنید وسط خال رو فراموش کنید، فقط پشت سر هم یک نقطه یکسان رو نشانه بگیرید. شما با توجه به تغییرات حرکتی یک تغییرات زیادی دارید. و از این گذشته، دنیا یا فعالیت های دنیای خارج، هم مبهم وهم متغیره. قوری چای هم میتونه پر باشه، هم میتونه خالی باشه. در طول زمان تغییر میکنه. بنابراین ما در یک بلبشوی پر از نویز فعالیت های حرکتی مراکز حساس عمل میکنیم.
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.
حالا این نویز آنقدر مهمه که جامعه پاداش خیلی بزرگی حالا این نویز آنقدر مهمه که جامعه پاداش خیلی بزرگی به اونهایی میده که میتونن عواقب نویز رو کم کنن. بنابراین اگر شما به اندازه کافی خوش شانس باشید که بتونین یه توپ سفید کوچیک رو بوسیله یه عصای بلند آهنی داخل یه سوراخ که صدها یارد اونطرف تره بندازید، جامعه ما حاضره که به شما صدها میلیون دلار پاداش بده. جامعه ما حاضره که به شما صدها میلیون دلار پاداش بده.
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.
حالا چیزی که میخوام شما رو درباره اش متقاعد کنم اینه که مغز همچنین تلاش خیلی زیادی میکنه که عواقب منفی اینجور نویز و بی ثباتی ها رو کم کنه. که عواقب منفی اینجور نویز و بی ثباتی ها رو کم کنه. و برای اینکه شما رو متقاعد کنم، میخوام درباره چهارچوبی باهاتون صحبت کنم که برای یادگرفتن آمار و فراگیری ماشین در 50 سال گذشته خیلی محبوب بوده بهش میگن تئوری 'بیژی ان'. و این تئوری تازگیها یه راه متحده برای فکر کردن به اینکه مغز چطوری با تردید و بلاتکلیفی کنار میاد. و ایده اساسی اینه که، قراره استنتاجی صورت بگیره و بعد از اون اقدام به کاری بشه.
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.
خب، بیایید راجع به استنتاج فکر کنیم. شما میخواهید راجع به جهان، باور و عقیده بسازید. خب، باورها چه چیزی هستند؟ باورها ممکنه این باشن که: بازوهای من در کجای فضا قرار دارند؟ یا اینکه آیا من دارم به یه گربه نگاه میکنم یا یه روباه؟ ولی ما عقایدمون رو با توجه به احتمالات نشون میدیم. بنابراین ما یک عقیده رو با یک عدد بین صفر و یک نشون میدیم -- بنابراین ما یک عقیده رو با یک عدد بین صفر و یک نشون میدیم -- صفر یعنی من اصلا بهش اعتقاد ندارم، یک یعنی من کاملا مطمئنم. و اعداد بین صفر و یک سطوح خاکستری شک هستند. و ایده اساسی در استنتاج 'بیژی ان' ای اینه که شما دو منبع اصلاعات دارید که ازشون استنتاجتون رو میکنید. اینه که شما دو منبع اصلاعات دارید که ازشون استنتاجتون رو میکنید. شما اطلاعات دارید، و در علم مغز و اعصاب اصلاعات، ورودی های حسی است. پس من ورودی های حسی دارم، که میتونم اون ها رو به باور تبدیل کنم. ولی یه منبع دیگه اطلاعات هم وجود داره، و اون آگاهی قبلی یه. آگاهی در طول زندگی در حافظه انباشته میشه. و نکته تئوری تصمیم گیری 'بیژی ان' اینه که به شما فرمول ریاضی و نکته تئوری تصمیم گیری 'بیژی ان' اینه که به شما فرمول ریاضی روش بهینه ترکیب کردن آگاهی قبلی با مشاهدات حسی روش بهینه ترکیب کردن آگاهی قبلی با مشاهدات حسی برای تولید باورهای جدید رو میده.
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.
و من اون فرمول رو اون بالا براتون گذاشتم. من نمیخوام براتون توضیح بدم که اون فرمول چیه، ولی خیلی زیباست. و زیبایی و قدرت روشنگری واقعی ای داره. و چیزی که میگه، و چیزی که میخواید تخمین بزنید، احتمال باورهای متفاوتیه که با توجه به اطلاعات ورودی سنسورهای حسی شما بدست میاد. احتمال باورهای متفاوتیه که با توجه به اطلاعات ورودی سنسورهای حسی شما بدست میاد. خب اجازه بدید یه مثال ملموس براتون بزنم. فرض کنید که دارید تنیس یاد میگیرید و درحالیکه توپ از روی تور رد میشه و داره به طرفتون میاد، میخواید تصمیم بگیرید که توپ کجا به زمین میخوره. و درحالیکه توپ از روی تور رد میشه و داره به طرفتون میاد، میخواید تصمیم بگیرید که توپ کجا به زمین میخوره. قانون بایز(ریاضیدان انگلیسی) میگه دوتا منبع اصلاعات وجود داره. قانون بایز(ریاضیدان انگلیسی) میگه دوتا منبع اصلاعات وجود داره. مشاهدات حسی وجود داره -- شما میتونید از اطلاعات دیداری و شنوایی استفاده کنید، و اون ممکنه به شما بگه که اون قسمت قرمز رو اجازه بدید. ولی شما میدونید که حس های شما بی نقص نیستند، و بنابراین یه مقدار تغییرات در جایی که قراره به زمین بخوره هست که بصورت ابر قرمزی نشون داده شده، که نمایان کننده اعداد بین 0.5 یا شاید 0.1 هستند.
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.
این اطلاعات در عکس حاضر موجود هستند، ولی یه منبع اطلاعات دیگه ای هم وجود داره که در عکس حاضر موجود نیست، ولی فقط در تجربه تکرار بازی تنیس وجود داره، و اینه که توپ با احتمال یکسانی در زمین در طول مسابقه به زمین نمیخوره. و اینه که توپ با احتمال یکسانی در زمین در طول مسابقه به زمین نمیخوره. اگر شما دارین در مقابل یه حریف خیلی خوب بازی میکنید، اونها ممکنه توپ رو در بخش سبز پخش کنن، که توزیع مقدمه، که کار برگردوندن توپ رو براتون سخت میکنه. حالا این دوتا منبع اطلاعات، اطلاعات مهمی رو با خودشون به همراه دارن. و چیزی که قانون بایس میگه اینکه که من باید ارقام روی قسمت های قرمز رو در ارقام روی قسمت های سبز ضرب کنم که ارقام قسمت های زرد رو به دست بیارم، که بیضی ها رو در خودشون دارن، و اون باوره منه. بنابراین این روش بهینه ترکیب کردن اطلاعاته.
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.
حالا اگر اتفاق چند سال پیش نمی افتاد من اینا رو الان به شما نمیگفتم، ما ثابت کردیم این دقیقا کاریه که آدما وقتی یه حرکت جدید یاد میگیرن، انجام میدن. ما ثابت کردیم این دقیقا کاریه که آدما وقتی یه حرکت جدید یاد میگیرن، انجام میدن. و معنی این اینه که ما واقعا ماشین های استنتاج 'بیژی ان' ای هستیم. و معنی این اینه که ما واقعا ماشین های استنتاج 'بیژی ان' ای هستیم. ما درطول زندگیمون درباره آمار دنیای اطرافمون چیز یاد میگیریم و اونها رو ذخیره میکنیم، ولی همچنین یاد میگیریم که دستگاه حسی مون چقدر خطا داره، ولی همچنین یاد میگیریم که دستگاه حسی مون چقدر خطا داره، و بعد اون ها رو به روش 'بیژی ان' با همدیگه ترکیب میکنیم. و بعد اون ها رو به روش 'بیژی ان' با همدیگه ترکیب میکنیم.
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.
حالا یه قسمت مهم از تئوری 'بیژی ان' این قسمت از فرموله. و منظور مهم این قسمت اینه که من باید احتمال وجود داشتن فیدبک های حسی متفاوت را و منظور مهم این قسمت اینه که من باید احتمال وجود داشتن فیدبک های حسی متفاوت را و منظور مهم این قسمت اینه که من باید احتمال وجود داشتن فیدبک های حسی متفاوت را با درنظر گرفتن باورهام پیش بینی کنم. بنابراین معنی واقعیش اینه که من باید درباره آینده پیش بینی کنم. و من میخوام شما رو متقاعد کنم که مغز درباره فیدبک های حسی ای که قراره دریافت کنه، پیش بینی میکنه. و من میخوام شما رو متقاعد کنم که مغز درباره فیدبک های حسی ای که قراره دریافت کنه، پیش بینی میکنه. و علاوه براین، درک شما رو بصورت خیلی عمیقی با توجه به کاری که میکنید تغییر میده. و علاوه براین، درک شما رو بصورت خیلی عمیقی با توجه به کاری که میکنید تغییر میده. و برای اینکار، به شما خواهم گفت که مغز چطوری با ورودی های حسی برخورد میکنه. و برای اینکار، به شما خواهم گفت که مغز چطوری با ورودی های حسی برخورد میکنه. خب، یه دستور فرستاده میشه، و فیدبک حسی اش برمیگرده، و این تبدیل توسط فیزیک و سیستم حسی بدن، کنترل میشه. و این تبدیل توسط فیزیک و سیستم حسی بدن، کنترل میشه.
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.
ولی میشه با نگاه کردن به داخل مغز تصور کرد. و این داخل مغزه. ممکنه یه پیش بینی کننده کوچک از فیزیک اندام و حواس اونجا باشه، یه شبیه ساز نٍرونی. ممکنه یه پیش بینی کننده کوچک از فیزیک اندام و حواس اونجا باشه، یه شبیه ساز نٍرونی. وقتی که یک فرمان فرستاده میشه یه کپی از اون فرمان به اون قسمت شبیه ساز نٍرونی میره یه کپی از اون فرمان به اون قسمت شبیه ساز نٍرونی میره برای پیش بینی کردن عواقب حسی اون عمل انجام شده. بنابراین در حین اینکه من دارم این ظرف سس رو تکون میدم، من بعنوان تابعی از زمان در سطر پایینی، فیدبک درستی از سیستم حسگرهام میگیرم. و اگر من یه پیش بینی کننده خوبی داشته باشم، اون هم همین رو پیش بینی خواهد کرد.
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.
خب حالا چرا باید به خودم زحمت بدم که اون کار رو بکنم؟ من که بهرحال فیدبک یکسانی میگیرم. خب دلایل خوبی وجود داره. تصور کنید، در حین اینکه دارم ظرف سس رو تکون میدم، یه نفر میاد و خیلی دوستانه میزنه پشت من. حالا من بخاطر اون عمل خارجی، اطلاعات حسی بیشتری دریافت میکنم. حالا من بخاطر اون عمل خارجی، اطلاعات حسی بیشتری دریافت میکنم. بنابراین من دو منبع اطلاعات دارم. شما که ضربه ای روش زدید، و من که تکونش دادم، ولی از نقطه نظر حواس من، اونها با همدیگه ترکیب شدن ویک منبع اطلاعات واحد رو ساختن.
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.
حالا یه دلیل خوب وجود داره که باور کنیم که میخواهیم توانایی تمیز دادن بین وقایع داخلی و خارجی رو داشته باشیم. چون وقایع خارجی در واقع بیشتر مربوط به رفتار هستند تا احساس که داره داخل بدن من اتفاق میافته. چون وقایع خارجی در واقع بیشتر مربوط به رفتار هستند تا احساس که داره داخل بدن من اتفاق میافته. بنابراین یه راه برای دوباره ساختن اون اینه که پیش بینی هایی -- بنابراین یه راه برای دوباره ساختن اون اینه که پیش بینی هایی -- که فقط بر اساس فرمان های حرکتی هستند -- با واقعیت مقایسه بشن. و امیدوار باشیم که اختلاف اونها خارجی باشه. خب، در حالیکه روی زمین حرکت میکنم، دارم درباره چیزایی که برام پیش میاد پیش بینی میکنم، و اونها رو از همدیگه کم میکنم. باقیمانده این تفریق برای من واقعه ای خارجیه.
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.
چه شواهدی برای این وجود داره؟ خب، یه مثال خیلی شفاف وجود داره یعنی حسی که توسط خودم تولید شده از اونی که بوسیله یه نفر دیگه تولید شده خیلی حس متفاوتی برای من داره. یعنی حسی که توسط خودم تولید شده از اونی که بوسیله یه نفر دیگه تولید شده خیلی حس متفاوتی برای من داره. و بنابراین ما از واضح ترین چیزی که به نظر میرسید شروع کردیم با قلقلک دادن. خیلی وقته که همه میدونن کسی نمیتونه خودش رو به خوبی طوری که دیگران قلقلک میدن، قلقلک بده. خیلی وقته که همه میدونن کسی نمیتونه خودش رو به خوبی طوری که دیگران قلقلک میدن، قلقلک بده. ولی نشون داده نشده بود، بخاطر اینه که یه شبیه ساز نٍرونی هست که بدن خود فرد رو شبیه سازی میکنه ولی نشون داده نشده بود، بخاطر اینه که یه شبیه ساز نٍرونی هست که بدن خود فرد رو شبیه سازی میکنه و اون حس رو ازش کم میکنه. خب، ما میتونیم از تجربه های قرن 21ام با استفاده کردن از تکنولوژی روباتیک برای حل این مساله استفاده کنیم. خب، ما میتونیم از تجربه های قرن 21ام با استفاده کردن از تکنولوژی روباتیک برای حل این مساله استفاده کنیم. و در اثر این، چیزی که ما بدست آوردیم یه جورایی یه چوب کوچک در یک دست بود که به یه روبات متصل بود، و روبات ها میخواستند که اون چوب ها رو به عقب و جلو حرکت بدن. و بعد ما اون حرکات رو با یک کامپیوتر پیگیری می کنیم و ازش برای کنترل کردن یه روبات دیگه استفاده میکنیم، که کف دستشون رو با یه چوب دیگه قلقلک میده. بعدش ما ازشون میخوایم که یه سری چیزها، از جمله حس قلقلک رو برای ما درجه بندی کنن. بعدش ما ازشون میخوایم که یه سری چیزها، از جمله حس قلقلک رو برای ما درجه بندی کنن.
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.
من فقط یه قسمت از تحقیقمون رو به شما نشون خواهم داد. و اینجا من روبات ها رو کنار بردم، ولی اساسا افراد با دست راستشون به جلو و عقب حرکت سینوسی شکل میدن. و ما اون حرکت رو با کمی تاخیر به دست دیگه شون منتقل میکنیم. یا بدون تاخیر، در هر صورت کف دستشون قلقلک داده میشه، یا با تاخیر زمانی دو-دهم یا سه-دهم ثانیه ای. بنابراین نکته مهم اینجا اینه که دست راست همیشه یه کار انجام میده - حرکت سینوسی. دست چپ همیشه یکسانه و حرکت قلقلک سینوسی رو دریافت میکنه. و چیزی که ما تغییر میدیم، گام رابطه علت و معلولیه. و همینطور که ما از بدون تاخیر به سمت 0.1 ثانیه میریم، اون خیلی قلقلک آمیزتر میشه. و وقتی از 0.1 به 0.2 میریم، در نهایت قلقلک آمیزتر میشه. و در 0.2 ثانیه، قلقلک آمیزیش معادل اینه که روبات شما رو قلقلک بده، بدون اینکه شما کاری کنید. و در 0.2 ثانیه، قلقلک آمیزیش معادل اینه که روبات شما رو قلقلک بده، بدون اینکه شما کاری کنید. و در 0.2 ثانیه، قلقلک آمیزیش معادل اینه که روبات شما رو قلقلک بده، بدون اینکه شما کاری کنید. حالا هرچیزی که مسئول اینه، چیزیه که بشدت به علیت گام تاخیر مربوطه. حالا هرچیزی که مسئول اینه، چیزیه که بشدت به علیت گام تاخیر مربوطه. و بر اساس این تصویر، ما در این زمینه واقعا قانع شدیم که مغز پیش بینی های دقیقی میکنه و اونها رو از دریافت های حسی تفریق میکنه.
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.
حالا من باید اعتراف کنم، اینها بدترین مطالعاتی بودند که آزمایشگاه من توی عمر خودش انجام داده. چون قلقلک روی کف دست میاد و میره، احتیاج به تعداد زیادی شخص هست که این ستاره ها اونها رو با اهمیت کنه. احتیاج به تعداد زیادی شخص هست که این ستاره ها اونها رو با اهمیت کنه. بنابراین ما برای بررسی این پدیده، دنبال یه راه خیلی علمی تر بودیم. بنابراین ما برای بررسی این پدیده، دنبال یه راه خیلی علمی تر بودیم. و در خلال این سالها من دوتا دختربچه داشتم. و یه چیزی که درباره بچه ها در صندلی های پشتی ماشین، در سفرهای طولانی متوجه میشیم، اینه که اونها با هم دعوا میکنن -- که با یکیشون که یه کاری با اون یکی کرده شروع میشه، اون یکی تلافی میکنه. به زودی دعوا بالا میگیره. و بچه ها درگیر دعواهایی میشن که از نظر شدت گرفتن، به بالا گرفتن گرایش داره. حالا وقتی من سرشون داد زدم که تمومش کنن، بعضی وقتا جفتشون بهم میگن، اون یکی محکم تر زده. بعضی وقتا جفتشون بهم میگن، اون یکی محکم تر زده.
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.
حالا من میدونم که بچه هام دروغگو نیستن، بنابراین فکر کردم، به عنوان یه متخصص مغز و اعصاب، مهم بود که چطوری بتونم توضیح بدم اونها چطوری دارن واقعیتی رو میگن که باهم ناسازگاره. و ما براساس مطالعه ای که روی قلقلک داشتیم فرض کردیم که وقتی یکی از بچه ها اون یکی رو میزنه، اونها فرمان حرکتی رو تولید میکنن. اونها عواقب حسی رو پیش بینی میکنن و اون رو ازش تفریق میکنن. بنابراین اونها درواقع فکر میکنن که طرف مقابل رو آروم تر زدن -- بیشتر شبیه قلقلک دادن. درحالیکه اونکه مورد اصابت ضربه قرار گرفته اون پیش بینی رو نمیکنه، و کل ضربه رو حس میکنه. بنابراین اگر به همون قدرت تلافی کنه، شخص اول فکر خواهد کرد که ضربه، محکم تر شده.
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.
بنابراین ما تصمیم گرفتیم این رو در آزمایشگاه امتحان کنیم. (خنده حاضرین) حالا ما با بچه ها و ضربه زدن کاری نداریم. ولی مفهوم قضیه کاملا یکسانه. ما دو نفر آدم بالغ رو به داخل میاریم. بهشون میگیم اونها قراره یه بازی کنن. خب این بازیکن شماره یک و شماره دو هستند که مقابل همدیگه نشسته اند. و بازی خیلی آسونه. ما به یک موتور شروع کردیم با یک اهرم کوچک، یه منتقل کننده نیرو. و از این موتور برای وارد کردن فشار روی انگشتان یکی از افراد استفاده میکنیم برای سه ثانیه و بعدش متوقف میشه. و به اون فرد میگیم، که تجربه اون نیروی وارد شده رو به خاطر بسپاره و از انگشت دیگه اش استفاده کنه و به اون فرد میگیم، که تجربه اون نیروی وارد شده رو به خاطر بسپاره و از انگشت دیگه اش استفاده کنه برای وارد کردن نیرویی دقیقا یکسان به انگشتان شخص دیگری از طریق منتقل کننده نیرو -- و اونها اینکار رو میکنن. و به شخص دوم گفته شده، تجربه نیروی وارد شده رو به خاطر بسپاره. از انگشت دیگه ات برای وارد کردن همون مقدار نیرو استفاده کن. و بنابراین اونها نوبتی نیرویی که دفعه قبل به انگشتشون وارد شده رو به نفر بعدی اعمال میکنن.
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.
ولی این نکته مهمه که، اونها در اتاق های جداگونه ای در جریان قوانین بازی قرار گرفتند. بنابراین اونها قوانینی که نفر مقابلشون داره باهاش بازی میکنه رو نمیدونن. و چیزی رو که ما اندازه گرفتیم نیرو به عنوان تابعی از شرایطه. و اگر به چیزی که باهاش شروع کردیم نگاهی بندازیم، یک چهارم نیوتن، چند دور تکرار بازی، اون خط قرمز میتونست عالی باشه. و چیزی که ما در همه گروه های دو نفره میبینیم اینه -- بالارفتن 70 درصدی نیرو در هر بار. بالارفتن 70 درصدی نیرو در هر بار. پس این واقعا اشاره میکنه، وقتی اینکار داره انجام میشه -- بر اساس این تحقیق و دیگر تحقیق هایی که ما انجام داده ایم -- که مغز عواقب حسی رو فسخ میکنه و نیرویی رو که داره تولید میکنه رو کمتر تخمین میزنه. بنابراین این دوباره به ما نشون میده که مغز پیش بینی هایی میکنه و فرمان ها رو بصورت اساسی تغییر میده. بنابراین ما استنتاج کردیم، ما پیش بینی کردیم، حالا ما باید حرکتی کنیم. و چیزی که قانون 'بیژی ان' با توجه به باور من میگه، اینه که این عمل و حرکت باید از جهاتی بهینه باشه.
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.
ولی ما یه مشکل داریم. کارها و حرکت ها نمادین هستند -- من میخوام بنوشم، من میخوام برقصم -- ولی سیستم حرکتی باید 600 مفصل رو به ترتیب مشخصی منقبض کنه. ولی سیستم حرکتی باید 600 مفصل رو به ترتیب مشخصی منقبض کنه. و یه شکاف بزرگی بین حرکت و سیستم حرکتی وجود داره. و یه شکاف بزرگی بین حرکت و سیستم حرکتی وجود داره. پس این شکاف میتونه از طریق بی نهایت مسیر متفاوت پر بشه. فقط یک حرکت از نقطه ای به نقطه دیگه رو در نظر بگیرید. من میتونستم این دو مسیر رو از میان بینهایت مسیر دیگه انتخاب کنم. من میتونستم این دو مسیر رو از میان بینهایت مسیر دیگه انتخاب کنم. وقتی اون مسیر مخصوص رو انتخاب کردم میتونم وضعیت قرار گرفتن مفصل های دستم رو در طول اون مسیر، بی نهایت مختلف انتخاب کنم. میتونم وضعیت قرار گرفتن مفصل های دستم رو در طول اون مسیر، بی نهایت مختلف انتخاب کنم. و میتونم مفاصل بازوم رو بصورت بخصوصی بگیرم یا سفت و شق و رق یا خیلی سست و راحت. بنابراین من انتخاب های بسیار زیادی دارم. حالا معلوم شده، ما بشدت کلیشه ای هستیم. ما همه مون تقریبا بصورت یکسان حرکت میکنیم.
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.
بنابراین معلوم شده که ما خیلی کلیشه ای هستیم، مغزهای ما برای رمزگشایی این کلیشه، مدار نٍرونی مخصوصی دارن. مغزهای ما برای رمزگشایی این کلیشه، مدار نٍرونی مخصوصی دارن. بنابراین اگر من چند نقطه رو بصورت حرکت بیولوژیکی (مثل حرکت انسان) به حرکت دربیارم. بنابراین اگر من چند نقطه رو بصورت حرکت بیولوژیکی (مثل حرکت انسان) به حرکت دربیارم. مدار مغز به سرعت میفهمه جریان چیه. حالا این یه سری نقطه متحرکه. شما خواهید فهمید که این فرد داره چیکار میکنه، خوشحاله، ناراحته، پیره، جوونه -- مقدار زیادی اطلاعات. اگر این نقطه ها ماشین هایی بودند که در مسیر مسابقه در حال حرکت بودند، شما مطمئنا اصلا نمیدونستید جریان از قراره.
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.
خب چرا اینطوریه که ما بصورت مخصوصی حرکت میکنیم؟ خب بیاید راجع به اتفاقی که میافته فکر کنیم. شاید ما همه مون بصورت یکسان حرکت نمیکنیم. شاید یه سری تفاوت ها در جمیع افراد وجود داره. و شاید اونهایی که از دیگران بهتر حرکت میکنن شانس بیشتری برای بچه دار شدن و ادامه نسل دارن. پس در مقیاس تکامل، حرکت ها بهتر و بهتر میشن. و شاید در زندگی، حرکت ها از راه یادگیری بهتر میشن.
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.
حالا راجع به حرکت چه چیزی خوبه یا بده؟ فرض کنید من میخوام جلوی این توپ رو بگیرم. این دو مسیر ممکن برای این توپه. خب اگر من مسیر سمت چپ رو انتخاب کنم، من میتونم نیروهای موردنیاز رو در یکی از مفصل هام به ازای تابعی از زمان تولید کنم. من میتونم نیروهای موردنیاز رو در یکی از مفصل هام به ازای تابعی از زمان تولید کنم. ولی نویز هم به این اضافه شده. بر پایه نیروی مورد نظر، روان و خواستنی ، چیزی که واقعا بدست میاید یه نسخه پر از نویزه. بر پایه نیروی مورد نظر، روان و خواستنی ، چیزی که واقعا بدست میاید یه نسخه پر از نویزه. بنابراین اگر من یک فرمان یکسان رو در طول زمانهای زیادی انتخاب کنم، من هر دفعه یه نسخه نویز دار بدست میارم، چون نویز هر دفعه تغییر میکنه. بنابراین اون چیزی که اینجا میتونم بهتون نشون بدم اینه که اگر اون راه رو انتخاب میکردم تغییرات حرکتی چطوری تکامل پیدا میکرد. اینه که اگر اون راه رو انتخاب میکردم تغییرات حرکتی چطوری تکامل پیدا میکرد. اگر من یه راه دیگه رو برای حرکت کردن انتخاب کنم -- مثلا اون راستیه رو -- پس من یه فرمان متفاوت خواهم داشت، و نویز متفاوت، با یه سیستمی که نویز داره کار کردن خیلی سخته. چیزی که همه مون میتونیم درباره اش مطمئن باشیم اینه که تغییرات متفاوت خواهد بود. اگر من در این راه مشخص حرکت کنم، من به تنوع کمتری درطول حرکات زیادی خواهم رسید بنابراین اگر من مجبور باشم بین اون دو یکی رو انتخاب کنم، من سمت راستی رو انتخاب میکنم چون تغییراتش کمتره.
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.
و ایده اساسی اینه که شما حرکاتتان را برنامه ریزی کنید بطوری که نتیجه منفی نویز را به حداقل برسانید. و ایده اساسی اینه که شما حرکاتتان را برنامه ریزی کنید بطوری که نتیجه منفی نویز را به حداقل برسانید. عواقب منفی نویز رو بشه کاهش داد. یک شهود برای بدست آوردن میزان واقعی نویز یا تغییر پذیری که اینجا نشون دادم اینه که هر چقدر نیرو بیشتر باشه اون هم بیشتره. یک شهود برای بدست آوردن میزان واقعی نویز یا تغییر پذیری که اینجا نشون دادم اینه که هر چقدر نیرو بیشتر باشه اون هم بیشتره. یک شهود برای بدست آوردن میزان واقعی نویز یا تغییر پذیری که اینجا نشون دادم اینه که هر چقدر نیرو بیشتر باشه اون هم بیشتره. بنابراین به عنوان یک قانون ، باید از نیروهای بزرگ خودداری کرد. بنابراین با استفاده از این ما نشون دادیم، ما میتونیم مقدار بسیار بزرگی از اطلاعات رو تفسیر کنیم -- که واقعا آدم ها حرکاتشون در زندگی رو طوری طراحی میکنن که عواقب منفی نویز رو در اونها کاهش بدن. که واقعا آدم ها حرکاتشون در زندگی رو طوری طراحی میکنن که عواقب منفی نویز رو در اونها کاهش بدن.
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.
بنابراین امیدوارم من شما رو قانع کرده باشم که مغز اونجاست و برای کنترل کردن حرکات تکامل پیدا کرده. و فهمیدن اینکه ما چطوری اون رو انجام میدیم، یه چالش فکریه. ولی این موضوع همچنین به بیماری ها و توانبخشی دوباره مربوطه. ولی این موضوع همچنین به بیماری ها و توانبخشی دوباره مربوطه. بیماری های زیادی وجود دارند که حرکت رو تحت تاثیر قرار میدن. و خوشبختانه اگر ما بفهمیم که چطور حرکت کردن رو کنترل میکنیم، میتونیم اون رو در تکنولوژی روبات ها به کار بگیریم. و در آخر، میخوام به شما یادآوری کنم، وقتی شما کارهایی که حیوانات انجام میدن و به نظر کارهای راحتی میاد رو میبینید، پیچیدگی واقعی اتفاقی که داره داخل مغزشون میافته کاملا و واقعا اثرگذاره.
Thank you very much.
از شما خیلی متشکرم.
(Applause)
(تشویق حاضرین)
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?
کریس اندرسون: یه سوال سریع دارم، دن. خب تو یه طرفدار پر و پا قرص تحرک هستی. این به این معنیه که تو فکر میکنی کارهای دیگری که ما فکر میکنیم مغزمون انجام میده -- رویا پردازی، تمایل، عاشق شدن و همه این چیزا -- یه جورایی کارهای جنبی هستن، یه اتفاق هستند؟
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.
د.و: نه، نه، در واقع من فکر میکنم اونها همشون برای به حرکت درآوردن رفتار حرکتی درست، در نهایت برای بدست آوردن بازتولید مهم هستند. خُب من معتقدم اونهایی که درباره احساسات یا حافظه مطالعه میکنن بدون اینکه درک کنن چرا خاطراتی از کودکی ساخته میشه. واقعیت اینه که ما برای مثال بیشتر کودکی مون رو فراموش میکنیم، این مشکلی نداره، چون این قضیه، حرکت کردن ما رو در زندگی تحت تاثیر قرار نمیده. چیزهایی که واقعا حرکات رو تحت تاثیر قرار میدن لازمه که به حافظه سپرده بشن.
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?
ک.ا: پس تو فکر میکنی که کسانی که راجع به مغز، با بطور کلی هوش و حواس، تحقیق و فکر میکنن، میتونن با پرسیدن این سوال که، حرکت کردن توی این قضیه کجا نقش بازی میکنه، به فهم درست و واقعی برسند؟ میتونن با پرسیدن این سوال که، حرکت کردن توی این قضیه کجا نقش بازی میکنه، به فهم درست و واقعی برسند؟
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.
د.و: خب کسانی برای مثال متوجه شدن که مطالعه و بررسی بینایی بدون درک اینکه چرا اصلا ما بینایی داریم، اشتباهه. که مطالعه و بررسی بینایی بدون درک اینکه چرا اصلا ما بینایی داریم، اشتباهه. باید بینایی با درک به اینکه چطوری سیستم حرکتی میخواد از بینایی استفاده کنه مطالعه بشه. باید بینایی با درک به اینکه چطوری سیستم حرکتی میخواد از بینایی استفاده کنه مطالعه بشه. و بعد از اینکه اینطوری راجع بهش فکر بشه، استفاده خیلی متفاوتی ازش میشه کرد.
CA: Well that was quite fascinating. Thank you very much indeed.
ک.ا: خب این واقعا جذاب بود. واقعا ازت تشکر میکنم.
(Applause)
(تشویق حاضرین)