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.
Je suis un neuroscientifique. Et en neurosciences, nous devons répondre à nombre de questions difficiles à propos du cerveau. Mais je veux commencer avec la question la plus facile et la question que vous auriez vraiment dû tous vous être posés à un moment de votre vie, parce que c'est une question fondamentale si nous voulons comprendre la fonction du cerveau. Et il s'agit de pourquoi nous, et d'autres animaux, avons des cerveaux ? Toutes les espèces sur la planète n'ont pas un cerveau, donc si nous voulons savoir à quoi sert le cerveau, réfléchissons à pourquoi nous avons évolué pour en avoir un. Vous pouvez raisonner que nous en avons un pour percevoir le monde ou pour penser, et ceci est totalement faux. Si vous pensez à cette question pendant un certain temps, ça saute aux yeux pourquoi nous avons un cerveau. Nous avons un cerveau pour une raison et une seule, et c'est dans le but de produire des mouvements adaptables et complexes. Il n'y a pas d'autre raison pour avoir un cerveau. Pensez-y. Le mouvement est la seule façon que nous avons d'avoir un effet sur le monde qui nous entoure. Maintenant, ce n'est pas tout à fait exact. Il y a un autre moyen, et c'est par la sueur. Mais à part ceci, tout le reste passe par la contraction de muscles.
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.
Pensez à la communication, le discours, les gestes, écrire, le langage des signes, ils sont tous faits par l'intermédiaire de contractions musculaires. Donc il est vraiment important de se rappeler que les processus sensoriels, mnésiques et cognitifs sont tous importants, mais ils sont importants seulement pour soit provoquer, soit supprimer de futurs mouvements. Il ne peut pas y avoir d'avantage évolutionnaire à abandonner des souvenirs d'enfance ou à percevoir la couleur d'une rose si cela n'affecte pas la façon dont nous allons nous mouvoir plus tard dans la vie.
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.
Maintenant pour ceux qui ne croient pas en cette position, sur notre planète nous avons les arbres et l'herbe qui n'ont pas de cerveau, mais la preuve décisive est cet animal ici, l'humble tunicier. Un animal rudimentaire, il a un système nerveux, nage dans l'océan dans sa jeunesse. Et à un moment de sa vie, il s'implante sur un rocher. Et la première chose qu'il fait en s'implantant sur ce rocher, qu'il ne quitte jamais, est de digérer son propre cerveau et système nerveux pour nourriture. Donc une fois que vous n'avez plus besoin de bouger, vous n'avez pas besoin du luxe qu'est ce cerveau. Et cet animal est souvent pris comme analogie de ce qui se passe dans les universités quand les professeurs sont titularisés, mais c'est un autre sujet.
(Applause)
(Applaudissements)
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.
Donc je suis un patriote du mouvement. Je crois que le mouvement est la fonction la plus importante du cerveau ; ne laissez personne vous dire que cela n'est pas vrai. Maintenant si le mouvement est si important, comment nous en sortons-nous à comprendre comment le cerveau contrôle le mouvement ? Et la réponse est très très mal ; c'est un problème très difficile. Mais nous pouvons déterminer comment nous nous en sortons en pensant à notre aptitude à construire des machines qui peuvent faire ce que les humains font.
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.
Pensez au jeu des échecs. Comment parvenons-nous à déterminer quelle pièce bouger et où ? Si vous opposez Gary Kasparov ici, quand il n'est pas en prison, à la machine Deep Blue d'IBM, eh bien, la réponse est que Deep Blue gagnera à l'occasion. Et je pense que si Deep Blue jouait contre n'importe qui dans cette pièce, il gagnerait à tous les coups. Ce problème est résolu. Qu'en est-il du problème d'attraper une pièce d'échecs, de la manipuler avec dextérité et de la reposer sur le plateau ? Si vous opposez la dextérité d'un enfant de 5 ans contre les meilleurs robots actuels, la réponse est simple : l'enfant gagne facilement. Il n'y a pas du tout de compétition.
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.
Maintenant pourquoi ce problème en haut est si facile et le problème en bas si difficile ? Une raison est qu'un très intelligent enfant de 5 ans pourrait vous dire l'algorithme pour ce problème en haut : regarder tous les mouvements possibles jusqu'à la fin du jeu et choisir celui qui permet de gagner. Donc c'est un algorithme très simple. Bien sûr il y a d'autres mouvements, mais avec de puissants ordinateurs nous effleurons et sommes proches de la solution optimale. Quand on en vient à être adroit, ce n'est même pas clair quel algorithme vous devez résoudre pour être adroit. Et nous allons voir que vous devez à la fois percevoir et agir sur le monde, ce qui pose un tas de problèmes.
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.
Mais laissez-moi vous montrer de la robotique de pointe. Une grande part de la robotique est très impressionnante, mais la manipulation d'objet en est vraiment juste au Moyen-Âge. C'est le produit d'un projet de thèse d'un des meilleurs instituts de robotique. Et l'étudiant a entraîné son robot à verser de l'eau dans un verre. C'est un problème difficile parce que l'eau se répand autour, mais il peut le faire. Mais il ne fait aucunement avec l'agilité d'un humain. Maintenant si vous voulez que ce robot fasse une autre tâche, c'est une autre de thèse de trois ans. Il n'y a pas du tout de généralisation d'une tâche à l'autre en robotique.
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.
Maintenant on peut comparer cela à la performance humaine de pointe. Ce que je vais vous montrer est Emily Fox battant le record du monde d'empilement de tasses. Les Américains dans le public sauront ce qu'est l'empilement de tasses. C'est un sport de lycée où vous avez 12 tasses à empiler et dés-empiler dans un certain ordre et contre la montre. Et ici c'est elle remportant son record mondial, en temps réel. (Rires) (Applaudissements) Et elle est plutôt contente. Nous n'avons aucune idée de ce qui se passe dans son cerveau quand elle fait ça, et c'est ce que nous aimerions savoir.
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.
Donc dans mon groupe, ce que nous essayons de faire est de recréer à l'envers comment les humains contrôlent leurs mouvements. Et cela semble un problème aisé. Vous envoyez une commande vers le bas, cela amènes les muscles à se contracter. Votre bras ou votre corps bouge, et vous recevez un feedback sensoriel par la vision, la peau, les muscles, etc. Le problème est que ces signaux ne sont pas les beaux signaux que vous voudriez qu'ils soient. Donc une chose qui rend le contrôle des mouvements difficiles est par exemple que le feedback sensoriel est extrêmement bruyant. Par bruit, je n'entends pas son. Nous l'utilisons dans son acception en ingénierie et neurosciences, au sens d'un son aléatoire qui corrompt un signal. Dans le temps avant la radio digitale, quand vous allumiez votre radio et entendiez "crrcckkk" au lieu de la station que vous vouliez écouter, c'était le bruit. Mais plus généralement, le bruit est quelque chose qui corrompt le signal.
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.
Donc par exemple, si vous mettez votre main sous la table et essayez le la localiser avec votre autre main, vous pouvez vous tromper de plusieurs centimètres à cause du bruit dans le feedback sensoriel. De même, quand vous superposez un résultat moteur et un résultat de mouvement, c'est extrêmement bruyant. Oubliez d'essayer d'atteindre le cœur de la cible aux fléchettes, visez juste le même endroit encore et encore. Vous avez une énorme écart à cause de la variabilité du mouvement. Et plus encore, le monde extérieur, ou la tâche, sont tous deux ambigus et variables. La théière pourrait être pleine, elle pourrait être vide. Cela change avec le temps. Donc nous travaillons dans une tâche sensorimotrice qui est une pleine soupe de bruit.
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.
Maintenant le bruit est si grand que la société place une énorme importance sur ceux d'entre nous qui peuvent réduire les conséquences du bruit. Donc si vous êtes assez chanceux pour pouvoir envoyer une petite balle blanche à plusieurs centaines de mètres, avec un long bâton en métal, notre société sera prête à vous récompenser avec des millions de dollars.
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.
Maintenant ce dont je veux vous convaincre est que le cerveau fait aussi beaucoup d'efforts pour réduire les conséquences négatives de ce type de bruit et de variabilité. Et pour faire cela, je vais vous parler d'un cadre théorique très populaire en statistiques et en apprentissage automatique depuis 50 ans, qu'on appelle la théorie bayésienne de la décision. Récemment c'est devenu un moyen unificateur de penser à la façon dont le cerveau gère l'incertitude. Et l'idée fondamentale est que vous voulez faire des inférences et agir.
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.
Donc pensons aux inférences. Vous voulez générer des croyances sur le monde. Que sont les croyances ? Les croyances pourraient concerner la place de mes bras dans l'espace. Si je regarde un chat ou un renard. Mais nous allons représenter les croyances par des probabilités. Donc on va représenter une croyance avec un nombre compris entre 0 et 1 — 0 signifiant que je ne crois pas du tout, 1 signifiant que je suis absolument certain. Et les nombres entre deux vous donnent les niveaux gris d'incertitude. Et l'idée-clé de l'inférence bayésienne est que vous avez deux sources d'information à partir de laquelle faire votre inférence. Vous avez les données, et en neuroscience les données sont les informations sensorielles. Donc vous avez les informations sensorielles, que je peux intégrer pour élaborer des croyances. Mais il y a une autre source d'information, et il s'agit en réalité du savoir préalable. Vous amassez du savoir au cours de votre existence, sous forme de souvenirs. Et le concept de la théorie bayésienne de la décision est qu'elle vous fournit les mathématiques supportant le moyen optimal de combiner votre savoir préalable avec vos preuves sensorielles pour générer de nouvelles croyances.
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.
J'ai mis la formule ici. Je ne vais pas vous expliquer ce qu'est la formule, mais elle est très belle. Elle a une réelle beauté et un réel pouvoir d'explication. Et ce qu'elle dit vraiment, ce que vous voulez estimer, c'est la probabilité des différentes croyances étant donné les informations sensorielles que vous avez. Laissez-moi vous donner un exemple intuitif. imaginez que vous jouez au tennis et vous voulez décider où la balle va rebondir alors qu'elle passe le filet dans votre direction. Il y a deux sources d'information d'après la loi de Bayes. Il y a les preuves sensorielles : vous pouvez utiliser les informations visuelles et auditives, et elles pourraient vous indiquer qu'elle va atterir sur ce point rouge. Mais vous savez que vos sens ne sont pas parfaits, et qu'en conséquence là où la balle va atterrir est variable, comme indiqué par ce nuage de rouge, qui représente les nombres entre 0.5 et peut-être 1.
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.
Cette information est fournie par le coup actuel, mais il y a une autre source d'information qui n'est pas fournie par le coup actuel, mais seulement par une expérience répétée du jeu de tennis, et c'est que durant le match la balle ne rebondit pas avec la même probabilité à travers le court. Si vous jouez contre de très bons adversaires, il se peut qu'ils envoient dans cette zone verte, qui est la distribution préalable, rendant difficile pour vous de renvoyer. Maintenant ces deux sources d'information fournissent d'importantes données. Et ce que la loi de Bayes dit est que je devrais multiplier les nombres de la zone rouge par les nombres de la zone verte pour obtenir les nombres de la zone jaune, qui a les ellipses, et qui représentent ma croyance. Donc c'est le moyen optimal de combiner les informations.
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.
Maintenant je ne vous dirais pas tout ça si ce n'était qu'il y a quelques années, nous avons montré que c'est exactement ce que les gens font quand ils acquièrent de nouvelles habiletés motrices. Et ce que cela signifie est que nous sommes réellement des machines à inférences bayésiennes. En circulant, nous apprenons à propos des statistiques du monde et en retenons les règles, mais nous apprenons aussi à quel point notre propre système sensoriel est bruyant, et combinons alors les deux dans un mode réellement bayésien.
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.
Maintenant une partie-clé du concept bayésien est cette partie de la formule. Ce que cette partie dit vraiment est que je dois prédire la probabilité de différents feedbacks sensoriels étant donné mes croyances. Donc cela signifie vraiment que je dois faire des prédictions à propos du futur. E je veux vous convaincre que le cerveau fait ces prédictions à propos du feedback sensoriel qu'il va recevoir. De plus, il change profondément vos perceptions par ce que vous faites. Et pour faire cela, je vais vous dire comment le cerveau gère l'information sensorielle. Donc vous envoyez une commande, vous recevez du feedback en retour, et cette transformation est gouvernée par la physique de votre corps et votre système sensoriel.
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.
Mais vous pouvez imaginer regarder à l'intérieur du cerveau. Voici l'intérieur du cerveau. Vous pourriez avoir un petit prédicteur, un simulateur neuronal, de la physique de votre corps et de vos sens. Donc en envoyant une commande de mouvement vers le bas, vous en tapez une copie et la rentrez dans votre simulateur neuronal pour anticiper les conséquences sensorielles de vos actions. Donc alors que je secoue cette bouteille de ketchup, je reçois de réels feedbacks sensoriels en fonction du temps dans la ligne du bas. Et si j'ai un bon simulateur, il prédit la même chose.
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.
Bien, pourquoi je m'embêterai à faire ça ? Je vais recevoir le même feedback de toutes les façons. Eh bien, il y a de bonnes raisons. Imaginez, alors que je secoue la bouteille de ketchup, quelqu'un vient très gentiment à moi et tape le dessous de la bouteille pour moi. Maintenant j'ai une source supplémentaire d'information à cause de cette action externe ; Donc j'ai deux sources. J'ai vous, qui tapez la bouteille, et moi, qui la secoue, mais du point de vue de mes sens, c'est combiné en une seule source d'information.
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.
Maintenant il y a de bonnes raisons de croire que vous voudriez pouvoir distinguer les évènements externes des évènements internes. Parce que les évènements externes sont en réalité bien plus pertinents du point de vue comportemental que de sentir tout ce qui se passe à l'extérieur de mon corps. Donc une façon de reconstruire cela est de comparer la prédiction — seulement basée sur les commandes motrices — avec la réalité. Toute divergence devrait être externe, espérons. Donc alors que je circule dans le monde, je fais des prédictions de ce que devrais obtenir, et je les soustrais. Tout ce qui reste est externe pour moi.
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.
Quelle preuve j'ai de ça ? Eh bien, il y a un exemple très clair où une sensation générée par moi-même semble très différente d'une générée par une autre personne. Donc nous avons décidé que le plus évident point de départ était le chatouillement. Il est connu depuis longtemps que vous ne pouvez pas vous chatouiller aussi bien que les autres le peuvent. Mais ça n'a pas vraiment été montré, c'est parce que vous avez un simulateur neuronal qui simule votre propre corps et soustrait cette sensation. Donc nous pouvons apporter les expériences du 21ème siècle en appliquant la technologie robotique à ce problème. Et en effet, nous avons une sorte de bâton dans une main attachée à un robot, et ils vont bouger ça d'avant en arrière. Ensuite nous allons relever cela avec un ordinateur et l'utiliser pour contrôler un autre robot, qui va chatouiller leur paume avec un autre bâton. Ensuite on va leur demander d'évaluer un tas de chose, inclus le chatouillement.
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.
Je vais vous montrer juste une partie de notre étude. Ici j'ai enlevé les robots, mais en gros les gens bougent leur bras droit dans un mouvement sinusoïdal d'avant en arrière. Nous refaisons ça sur l'autre main avec un délai temporel. Soit pas de délai, auquel cas la lumière chatouillerait votre paume, soit avec un délai de deux ou trois dixièmes de seconde. ce qui est important ici est que la main droite fait toujours la même chose, un mouvement sinusoïdal. La main gauche fait toujours pareille et donne des chatouillements sinusoïdaux. La seule chose que nous manipulons est la causalité rythmique. Et en passant de 0 à 0.1 seconde, ça chatouille plus. En passant de 0.1 à 0.2 secondes, ça chatouille plus à la fin. Et une fois à 0.2 seconde, ça chatouille autant le robot qui vient de vous chatouiller, sans que vous n'ayez rien fait. Donc quoi que ce soit responsable de cette annulation est extrêmement lié à la causalité rythmique. Et à partir de cette illustration, nous nous sommes réellement convaincus dans le champ que le cerveau fait des prédictions précises et les soustrait des sensations.
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.
Maintenant je dois admettre, ce sont les pires études que mon laboratoire n’ait jamais faites. Parce que la sensation de chatouillement dur la paume vient et repart, vous avez besoin d'un grand nombre de sujets avec ces étoiles qui les indiquent comme significatifs. Donc on cherchait un moyen bien plus objectif d'évaluer ce phénomène. Et pendant ces années-là, j'ai eu deux filles. Et pendant de longs voyages, vous observez que les enfants dans les sièges-auto se battent ; ça commence avec l'un d'eux qui fait quelque chose à l'autre, et l'autre se venge. Ça escalade rapidement. Et les enfants tendent à commencer des batailles qui montent en termes de force. Quand je criais à mes enfants d'arrêter, parfois toutes deux me disaient que l'autre les avait frappées plus fort.
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.
Il s'avère que je sais que mes enfants ne mentent pas, donc j'ai pensé, comme neuroscientifique, qu'il était important de pouvoir expliquer comment elles pouvaient dire des vérités inconsistantes. Nous avons suggéré, en nous basant sur l'étude du chatouillement, que quand un enfant en frappe un autre, ils génèrent une commande de mouvement. Ils prédisent les conséquences sensorielles et les soustraient. Donc ils pensent qu'ils ont en fait frappé l'autre moins fort qu'en réalité, assez similaire au cas du chatouillement. Alors que le récipient passif, ne faisant pas de prédiction, ressent la pleine force. Donc s'ils répondent avec la même force, le première personne pensera qu'ils ont escaladé.
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.
Nous avons donc décidé de tester ça en laboratoire. (Rires) Maintenant on ne travaille pas les enfants, on ne travaille pas avec les coups, mais le concept est identique. On fait venir deux adultes. On leur dit qu'ils vont jouer à un jeu. Donc voici le joueur 1 et le joueur 2 assis l'une en face de l'autre. Le jeu est très simple. On a commencé avec un moteur avec un petit levier, un petit diffuseur de force. Et on utilise le moteur pour appliquer la force sur le doigt du joueur 1 pendant 3 secondes, avant d'arrêter. Et on dit au joueur de se rappeler de l'expérience de cette force et d'utiliser son autre doigt pour appliquer la même force sur le doigt de l'autre joueur, avec un diffuseur de force — et ils le font. Et on dit au joueur 2 de se rappeler l'expérience de cette force, et d'utiliser son autre main pour appliquer cette force. Donc ils prennent des tours pour appliquer la force qu'ils viennent d'expérimenter.
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.
Mais de façon importante, on leur explique les règles du jeu dans des pièces séparées. Donc ils ne savent pas quelles sont les règles que l'autre joueur applique. Ce que nous avons mesuré est la force comme une fonction de termes. Si on regarde ce avec quoi nous commençons — un quart de Newton ici, un nombre de tours — cette ligne rouge serait parfaite. Mais ce qu'on observe dans toutes les paires de sujets est ceci : une escalade de la force de 70% à chaque tour. Cela suggère vraiment, quand vous faites cela — basé sur cette étude et d'autres que nous avons faites — que le cerveau annule les conséquences sensorielles et sous-estime la force qu'il produit. Donc ça montre encore que le cerveau fait des prédictions et change fondamentalement les préceptes. Donc nous avons fait des inférences, nous avons fait des prédictions, maintenant nous devons générer des actions. Et la loi de Bayes dit que, en fonction de mes croyances, l'action devrait dans un sens être optimale.
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.
Mais nous avons un problème. Les tâches sont symboliques — je veux boire, je veux danser — mais le système moteur doit contracter 600 muscles dans une séquence particulière. Et il y a un grand écart entre la tâche et le système moteur. Donc il pourrait être comblé de façons infiniment différentes. Pensez juste à un mouvement d'un point à un autre. Je pourrais choisir ces deux chemins parmi une quantité infinie de chemins. Après avoir choisi un chemin particulier, je peux tenir ma main sur ce chemin dans une infinité de configurations articulaires. Et je peux tenir mon bras dans un configuration articulaire spécifique, soit très raide, soit très détendu. Donc j'ai une énorme quantité de choix à faire. Maintenant il s'avère que nous sommes très stéréotypiques. Nous bougeons tous pour ainsi dire de la même façon.
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.
Et il s'avère que nous sommes si stéréotypiques que nos cerveaux ont un circuit neuronal dédié au décodage de ces stéréotypes. Donc si je prends des points et je les fais bouger avec un mouvement biologique, votre circuit cérébral comprendra immédiatement ce qui se passe. Voici un tas de points qui bougent. Vous saurez ce que cette personne fait, si elle est heureuse, triste, vieille, jeune — une énorme quantité d'information. Si ces points étaient des voitures sur un circuit automobile, vous n'auriez absolument aucune idée de ce qui se passe.
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.
Donc pourquoi est-ce que nous bougeons de la façon particulière qu'est la nôtre ? Eh bien, pensons à ce qui se passe vraiment. Peut-être que nous ne bougeons pas vraiment tous de la même façon. Peut-être qu'il y a de la variation dans la population. Et peut-être que ceux qui bougent mieux que les autres ont plus de chances d'amener leurs enfants jusqu'à la prochaine génération. Donc à l'échelle de l'évolution, les mouvements s'améliorent. Et peut-être que dans la vie, les mouvements s'améliorent par l'apprentissage.
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.
Donc qu'est-ce qui fait qu'un mouvement est bon ou mauvais ? Imaginez que je veux intercepter cette balle. Voici deux chemins possibles pour cette balle. Si je choisis le chemin de gauche, je peux calculer les forces requises dans un de mes muscles en fonction du temps. Mais il y a le bruit ajouté à cela. Donc ce que j'ai vraiment, basé sur cette adorable, douce force voulue, est une version très bruyante. Donc si je choisis la même commande de nombreuses fois, j'obtiendrai une version bruyante différente à chaque fois, parce que le bruit change à chaque fois. Ce que je peux vous montrer ici est comment la variabilité du mouvement évolue si je choisis ce chemin. Si je choisis une façon différente de bouger, sur la droite par exemple, alors j'aurai une commande différente, un bruit différent, jouant via un système bruyant, très compliqué. Tout ce dont nous pouvons être sûrs est que la variabilité sera différente. Si je bouge de cette façon particulière, je finis avec une variabilité réduite à travers de nombreux mouvements. Donc si je dois choisir entre les deux, je prendrais celui de droite parce qu'il est moins variable.
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.
L'idée fondamentale est que vous voulez planifier vos mouvements pour minimiser les conséquences négatives du bruit. Et une intuition à avoir est qu'en réalité la quantité de bruit ou de variabilité que je montre ici devient plus grande quand la force devient plus grande. Donc vous voulez éviter les grandes forces en tant que principe. Nous avons donc montré qu'en utilisant cela, on peut expliquer une énorme quantité de données, que les gens vivent exactement leurs vies en planifiant des mouvements pour minimiser les conséquences négatives du bruit.
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.
J'espère que je vous ai convaincus que le cerveau est là et a évolué pour contrôler le mouvement. C'est un défi intellectuel de comprendre comment nous faisons cela. Mais c'est également pertinent pour les maladies et la rééducation. Il y a de nombreuses maladies qui touchent le mouvement. Et j'espère que si nous comprenons comment nous contrôlons le mouvement, nous pourrons appliquer cela à la technologie robotique. Finalement, je voulais vous rappeler que quand vous voyez des animaux faire ce qui semble de très simples tâches, la complexité réelle de ce qui se passe dans leurs cerveaux est en fait assez spectaculaire.
Thank you very much.
Merci beaucoup.
(Applause)
(Applaudissements)
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?
Chris Anderson : "Rapide question pour vous, Dan. Donc vous êtes un" - DW : "patriote" - patriote du mouvement. Cela veut-il dire que vous pensez que les autres choses que nous pensons être des fonctions de nos cerveaux, rêver, les aspirations, tomber amoureux et toutes ces choses, sont une sorte de spectacle annexe, un accident ?"
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.
DW : "Non, non, en fait je pense qu'elles sont toutes très importantes pour orienter le bon comportement moteur pour se reproduire au final. Donc je pense que les gens étudient les sensations ou la mémoire sans réaliser pourquoi nous abandonnons des souvenirs d'enfance. Le fait que nous oublions la plupart de notre enfance, par exemple, n'est probablement pas un problème, parce que cela n'affecte pas nos mouvements plus tard dans la vie. Vous avez seulement besoin de stocker des choses qui vont vraiment affecter le mouvement."
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?
CA : "Donc vous pensez que les gens qui réfléchissent au cerveau, et à la conscience en général, pourrait bénéficier d'un réel apport en se demandant ce que le mouvement a à voir dans ce jeu ?"
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.
DW : "On a découvert par exemple qu'étudier la vision sans réaliser pourquoi nous avons la vision est une erreur. Nous devons étudier la vision en considérant comment le système moteur va utiliser la vision. Et il l'utilise très différemment une fois que vous y pensez comme cela."
CA: Well that was quite fascinating. Thank you very much indeed.
CA :"C'était vraiment fascinant. Merci beaucoup en effet."
(Applause)
(Applaudissements)