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.
אני חוקר מערכות עצבים. במדעי עצב, עלינו להתמודד עם הרבה שאלות קשות בנוגע למוח. אבל ברצוני להתחיל עם השאלה הכי קלה והשאלה שכולנו היינו צריכים לשאול את עצמנו מתי שהוא, כי זו שאלת יסוד אם ברצוננו להבין את פעולת המוח. השאלה היא, מדוע לנו ולחיות יש מוחות? לא לכל המינים יש מוחות, ולכן אם ברצוננו לדעת למה צריך מוח, יש לחשוב על הסיבה להתפתחותו. אפשר לומר שהוא קיים כדי לתפוס את העולם או כדי לחשוב, וזה לגמרי לא נכון. אם חושבים על שאלה זו מספיק זמן, זה ברור מאליו מדוע יש לנו מוח. יש לנו מוח בגלל סיבה אחת ויחידה, והיא ליצור תנועות סגילות ומורכבות. אין סיבה אחרת לקיום המוח. תחשבו על זה. תנועה היא הדרך היחידה להשפיע על העולם סביבנו. זה לא לגמרי נכון. יש דרך נוספת והיא באמצעות הזעה. אבל מלבד זאת, כל דבר אחר מתבצע באמצעות תנועות שרירים.
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.
תחשבו על תקשורת -- דיבור, שפת-גוף, כתיבה, שפת סימנים -- הכל מתבצע באמצעות תנועות של שרירים. לכן זה חשוב מאוד לזכור שלמרות שתהליכים תחושתיים ותפיסתיים הם חשובים, הם חשובים רק בשביל ליצור או להפסיק תנועות עתידיות. אין שום יתרון אבולוציוני בזיכרונות ילדות או בקליטת צבע של פרח אם אין להן השפעה על הדרך בה אנו עומדים לנוע בעתיד.
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.
עבור אלה שאינם מאמינים לטיעון זה, עצים ודשא אין להם מוח, אבל ההוכחה החותכת היא היצור הזה -- רכיכת-ים. יצור לא מפותח שיש לה מערכת עצבית והיא שוחה באוקיינוס בצעירותה. בשלב כלשהו בחייה, היא נדבקת לסלע. והדבר הראשון שהיא עושה עם הידבקותה לסלע שהיא לעולם לא עוזבת, זה לעכל את המוח ואת המערכת העצבית של עצמה בתור מזון. כך, ברגע שלא זקוקים לתנועה, אין צורך בלוקסוס של המוח. ויצור זה משמש לעיתים כאנלוגיה למה שמתרחש באוניברסיטאות כאשר פרופסורים מקבלים קביעות, אבל זה נושא אחר.
(Applause)
(מחיאות כפיים)
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.
אם כך, אני קנאי לתנועה. אני מאמין שתנועה היא התיפקוד החשוב ביותר של המוח -- ואל תניחו לאף אחד לומר לכם שאין זה נכון. אבל אם תנועה היא כה חשובה, עד כמה אנו מבינים כהלכה כיצד המוח שולט בתנועה? התשובה היא שבמידה מאוד דלה; זו בעיה מאוד קשה. אבל אפשר גם להתרשם מביצועינו הטובים אם חושבים על איכות המכונות שאנו בונים אשר מבצעות מה שבני-אדם עושים.
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.
תחשבו על משחק השחמט. עד כמה טוב ונכון אנו מחליטים להזיז את הכלים ולהיכן? אם נציב את גארי קספארוב, כאשר אינו בכלא, כנגד מחשב IBM "כחול עמוק", התשובה תהיה שהמחשב ינצח לעיתים. ואם המחשב ישחק נגד כל מישהו באולם זה, המחשב ינצח תמיד. כאן התשובה ברורה. מה לגבי הבעיה של הרמת כלי-שחמט, לשלוט בו במיומנות ולהניחו בחזרה על הלוח? אם שמים את מיומנותו של ילד בן 5 כנגד הרובוטים הכי משוכללים של היום, התשובה ברורה: הילד ינצח בקלות. אין בכלל על מה לדבר.
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.
אז מדוע הבעיה הראשונה כה קלה והשניה כה קשה? סיבה אחת היא שבן 5 שהוא מאוד פיקח יכול למצוא את האלגוריתם לבעיה הראשונה -- יסתכל על כל המהלכים האפשריים במשחק ויבחר את זה היכול לנצח. לכן זה אלגוריתם מאוד פשוט. ברור שיש מהלכים אחרים, אבל עם מחשבים אנו עושים קירובים וכך מתקרבים לפיתרון המיטבי. אבל כאשר זה מגיע למיומנות בתנועה, כלל לא ברור איזה אלגוריתם עלינו לפתור כדי להיות מיומנים. אנו נראה שצריך גם לתפוס את הסביבה וגם לפעול עליה, שזה יוצר המון בעיות.
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.
אראה לכם עכשיו רובוטיקה מתקדמת. בהרבה מקרים רובוטיקה זה דבר מרשים ביותר, אבל רובוטיקה תפעולית היא עדיין פרימיטיבית. זהו התוצר הסופי של עבודת דוקטורט באחד ממכוני הרובוטיקה המתקדמים ביותר. הסטודנט לימד את הרובוט לשפוך מים לתוך כוס. זו בעיה קשה כי המים משכשכים, אבל הוא מצליח. אבל הוא אינו עושה זאת באותה מיומנות של אדם. כעת אם רוצים שרובוט זה יבצע משימה אחרת, זו עבודת דוקטורט אחרת של 3 שנים. אין משהו משותף בין שתי משימות ברובוטיקה.
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.
כעת נשווה זאת לביצועי אנוש בדרגה הכי גבוהה. אתם תראו את אמילי פוקס שקבעה שיא עולם בסידור כוסות. האמריקאים בין הצופים פה יודעים הכל על סידור כוסות. זהו ספורט של תיכונים שבו צריך לסדר ולהפריד 12 כוסות כנגד זמן בסדר מסויים. כאן זו היא בזמן קביעת השיא העולמי. (צחוק) (מחיאות כפיים) היא שמחה למדי. אין לנו מושג על המתחולל במוחה כאשר היא עשתה זאת, וזה מה שהיינו רוצים לדעת.
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.
לכן בצוות שלי, מה שאנו מנסים לעשות זה לנתח הנדסית כיצד אנשים שולטים בתנועה. זה נשמע כמו בעיה פשוטה. פקודה נשלחת, היא גורמת לשרירים להתכווץ. הגוף או הזרוע נעים, מקבלים משוב חושי מהעיניים, עור, שרירים וכו'. הבעיה היא שאותות הללו אינם אותות אידאליים כפי שהיינו רוצים. אחד הדברים שהופכים את השליטה על תנועה לקשה הוא הרעש הנלווה למשוב. ברעש, איני מתכוון לצלילים. בהנדסה ומדעי העצב המשמעות היא רעש אקראי אשר הורס את האות. זה כמו פעם, לפני הרדיו הדיגיטלי כאשר היינו מכוונים לתחנה ושמענו רעשים צורמים בתחנה שרצינו להאזין לה, על רעש כזה מדובר. באופן יותר כללי, רעש כזה הורס את האות.
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.
לדוגמא, אם שמים את היד מתחת לשולחן ומנסים לאתר אותה בעזרת היד השניה, אפשר לפספס בכמה סנטימטרים בגלל הרעש במשוב מן החושים. באופן דומה, כאשר מערבבים את אותות המנוע עם אותות של תנועה, זה מאוד רועש. שלא לדבר על קליעה למטרה באמצעות זריקת חיצים, פשוט לכוון לאותה נקודה שוב ושוב. יש לנו פיזור רחב מאוד בגלל השתנות התנועה. ואפילו עוד יותר, העולם סביבנו, או המשימה, הם מעורפלים ומשתנים. קומקום התה יכול להיות מלא או ריק. הוא נתון לשינויים לאורך זמן. כך שאנו פועלים במרק של רעשים הנובעים מעבודת החושים.
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.
רעש זה הוא כה מהותי שהחברה מעניקה תגמול ענק למי מאיתנו המסוגל לצמצם את השפעות הרעש. כך שאם התמזל למישהו המזל והוא מסוגל להכות בכדור לבן קטן לתוך גומחה במרחק כמה מאות מטרים בעזרת מקל מתכת ארוך, החברה שלנו תרצה לגמול לו במאות מיליוני דולרים.
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.
כעת מה שברצוני לשכנע אתכם בו הוא שהמוח עושה הרבה מאמצים כדי לצמצם את ההשלכות השליליות של רעשים ושינויים כאלה. כדי לעשות זאת, אספר לכם על מערכת שהיא מאוד נפוצה בסטטיסטיקה ובלימודי מכונה ב-50 השנים האחרונות והנקראת תיאוריה בייסיאנית להחלטות. זו דרך כוללנית לחשיבה על כיצד המוח מתמודד עם חוסר וודאות. הרעיון המרכזי הוא שאדם רוצה להסיק מסקנות ולנקוט בפעולות.
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.
אז בואו נחשוב על הסקת מסקנות. אנו רוצים לייצר אמונות לגבי העולם. אז מהן אמונות? אמונות יכולות להיות: היכן נמצאות זרועותיי בחלל? האם אני מביט בחתול או בשועל? אבל אנו נציג אמונות בצורת הסתברויות. נציג אמונה באמצעות מספר בין 0 ל-1 -- 0 משמעותו שאיני מאמין כלל ו-1 משמעותו שאני בטוח לגמרי. ומספרים ביניהם נותנים דרגות שונות של חוסר וודאות. הרעיון המרכזי של הסקה בייסיאנית הוא שיש שני מקורות מידע שמהם מסיקים את המסקנה. יש נתונים, ונתונים במדעי-עצב זה קלט של חושים. יש לנו קלט חושים שאני יכול לנצל כדי ליצור אמונות. אבל יש מקור נוסף של מידע והוא הידע המוקדם שיש לנו. אנו צוברים ידע לאורך חיינו בצורת זיכרונות. והעיקר בתיאוריה בייסיאנית להחלטות הוא שהיא נותנת לנו את המתמטיקה של הדרך המיטבית לשילוב בין הידע המוקדם והנתונים החושיים כדי לייצר אמונות חדשות.
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.
רשמתי את הנוסחה כאן. לא אסביר את הנוסחה, אבל היא מאוד יפה. יש בה יופי אמיתי ויכולת אמיתית להבהיר דברים. היא אומרת שמה שאנו רוצים לאמוד, היא ההסתברות של האמונות השונות בקלט חושים נתון. אתן לכם דוגמא אינטואיטיבית. תחשבו שאתם לומדים לשחק טניס ועליכם להחליט היכן הכדור עומד ליפול כאשר הוא עובר את הרשת בדרכו אליכם. יש שני מקורות מידע, כך אומר הכלל הבייסיאני. יש נתונים מהחושים -- ניתן להשתמש במידע חזותי או שמיעתי, וזה יכול לומר לך להתרכז בנקודה האדומה ההיא. אבל אתה יודע שחושיך אינם מושלמים, ולכן קיימת אי-וודאות מסויימת לגבי היכן הכדור יפול והיא מתוארת באמצעות הכתם האדום, המייצג מספרים בין 0.5 ל-0.1 בערך.
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.
מידע זה זמין בחבטה הנוכחית, אבל ישנו מקור מידע נוסף שאינו זמין בחבטה הנוכחית, אלא הוא זמין רק באמצעות ניסיונות חוזרים במשחק הטניס, והוא שהכדור אינו נופל בהסתברות שווה בכל המגרש בזמן המשחק. אם אתה משחק נגד שחקן ברמה גבוהה, הם יכולים ליפול באזור הירוק ההוא, שזה פיזור תאורטי הקיים מראש, המקשה עליך להחזיר. שני מקורות המידע נושאים עימם מידע חשוב. מה שחוק בייסיאני אומר הוא שעליי להכפיל את המספרים שבאדום במספרים שבירוק כדי לקבל את המספרים בצהוב, שיש שם את האליפסות, וזו האמונה שלי. זוהי הדרך המיטבית לשילוב בין מקורות מידע.
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.
לא הייתי מספר את כל זה אם לפני כמה שנים לא היינו מוכיחים שזה בדיוק מה שאנשים עושים כאשר הם לומדים מיומנויות תנועה חדשות. ומה שזה אומר הוא שאנחנו באמת מכונות בייסיאניות להסקת מסקנות. בעודנו מתנהלים בעולם, אנו לומדים עליו סטטיסטיקות וזוכרים אותן, אבל אנו גם לומדים עד כמה סואנת היא המערכת החושית שלנו, ואז משלבים ביניהן ממש בדרך בייסיאנית.
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.
המפתח עבור הבייסיאנית זהו החלק הזה בנוסחה. ומה שחלק זה אומר הוא שעליי לחזות את ההסתברות של משובים חושיים שונים בהתאם לאמונות שלי. זה אומר שעליי ממש לחזות את העתיד. וברצוני לשכנע אתכם שהמוח שלנו אכן עושה תחזיות על המשוב החושי שהוא עומד לקבל. בנוסף, הוא משנה מהותית את התפיסות שלנו לפי מה שאנו עושים בפועל. כדי לעשות זאת, אספר לכם כיצד המוח מתמודד עם קלט חושי. אנו שולחים פקודה החוצה, מקבלים בחזרה קלט חושי, ותהליך זה נשלט על-ידי הפיזיולוגיה של גופנו והמערכת החושית.
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.
אבל נדמיין שניתן להתבונן לתוך המוח. זה פנים המוח. יכול להיות שיש אצלנו חזאי קטן, סימולטור עצבי, לפיזיולוגיה של גופנו וחושינו. כאשר שולחים פקודת תנועה לגוף, לוקחים העתק שלה ומריצים אותה בסימולטור העצבי שלנו כדי להקדים ולחזות את התוצאות החושיות של פעולתנו. כך שכאשר אני מנער בקבוק קטשופ, אני מקבל משוב חושי אמיתי כפונקציה של זמן בציר האופקי. אם יש אצלי חזאי טוב, הוא חוזה את אותו הדבר.
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.
מדוע שאטרח לעשות את כל זה? בכל מקרה אני הולך לקבל אותו משוב. יש לזה סיבות טובות. נדמיין שבעודי מנער את בקבוק הקטשופ, מישהו בא וטופח עליו מאחור כדי לעזור לי. כעת יש לי מקור נוסף של מידע חושי בגלל הפעולה החיצונית הזו. לכן יש לי שני מקורות. אני מקבל מהטפיחה ואני מקבל מהניעור, אבל מבחינת החושים שלי, זה משתלב ביחד למקור מידע אחד.
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.
יש סיבה טובה להאמין שהיינו רוצים להיות מסוגלים להבחין בין אירועים חיצוניים לאירועים פנימיים. כי אירועים חיצוניים נוגעים הרבה יותר להתנהגות לעומת התחושה של כל מה שקורה בגוף שלנו. לכן דרך חדשה לסדר את זה היא להשוות את התחזית -- המתבססת רק על פקודות התנועה שלנו -- עם המציאות. רצוי שכל אי-התאמה תהיה חיצונית. כך שבעודי מתהלך בעולם, אני עושה תחזיות של מה שאני אמור להיתקל בו ומחסיר אותן. כל מה שנותר הוא חיצוני עבורי.
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.
איזה ראיות יש לנו על זה? יש דוגמא אחת מאוד ברורה בה תחושה שאני בעצמי יוצר, גורמת הרגשה מאוד שונה מאשר אותה תחושה הנוצרת על-ידי אדם אחר. לכן החלטנו שהדבר המובן מאליו להתחיל בו הוא דיגדוג. ידוע כבר זמן רב שלא ניתן לדגדג את עצמך באותה מידה שבה אחרים יכולים. אבל זה אף פעם לא ממש הודגם כי יש אצלנו סימולטור טבעי, המדמה את הגוף שלנו עצמנו והמחסיר את החוש הזה. כעת אנו מביאים את הניסויים למאה ה-21 באמצעות יישום טכנולוגיות רובוטיות לבעיה זו. למעשה, יש לנו מין מקל ביד אחת המחוברת לרובוט, והם הולכים להזיז אותה קדימה ואחורה. אנו הולכים לעקוב אחרי זה בעזרת מחשב ולהשתמש בו כדי לשלוט על רובוט אחר, אשר עומד לדגדג את כף-ידם עם מקל אחר. אנו נבקשם לדרג מספר דברים כולל הרגישות לדיגדוג.
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.
אציג לכם רק חלק אחד של המחקר. כאן הרחקנו את הרובוטים, אבל עדיין אנשים מזיזים את זרועם קדימה ואחורה ואנו משחזרים את התנועה על גבי היד השניה באיחור של זמן. או ללא איחור זמן, שבמקרה כזה כאילו האור מדגדג את כף-היד, או באיחור זמן של שתיים או שלוש עשיריות שניה. הנקודה החשובה כאן היא שיד ימין עושה תמיד אותו הדבר -- תנועה גלית. יד שמאל היא באותו מצב ורושמת את הדיגדוג הגלי. כל מה שאנו משנים זה התיזמון. כאשר עוברים מאפס ל-0.1 שניה, הרגישות לדיגדוג עולה. כאשר עוברים מ-0.1 ל-0.2, הרגישות עולה עוד. ב-0.2 שניות, זה מדגדג באותה מידה כמו הרובוט שדיגדג מבלי שהמשתתף עשה משהו. לא משנה מה אחראי לביטול זה, זה קשור באופן הדוק לתיזמון. בהתבסס על המחשה זו, הגענו למסקנה שהמוח עושה חיזויים מדוייקים ומחסיר אותם מהתחושות.
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.
אבל עליי להודות שאלה המחקרים הכי גרועים שבוצעו במעבדה שלי. כי בגלל שתחושת הדיגדוג על כף-היד באה והולכת, יש צורך במספר גדול של משתתפים כדי שזה יהיה משמעותי. לכן אנו מחפשים דרך הרבה יותר אובייקטיבית כדי לאמוד את התופעה. בינתיים נולדו לי שתי בנות. ואחד הדברים שמבחינים בהם בנוגע לילדים במושבים אחוריים של מכונית הוא שהם מתחילים לריב -- זה מתחיל עם אחד שעושה משהו לאחר וזה מגיב. וזה מסלים במהירות. ילדים נוטים להתחיל מריבות המסלימות במונחים של כוח. כאשר צרחתי על ילדותיי להפסיק, לפעמים שתיהן היו אומרות לי שהשניה הרביצה יותר חזק.
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.
אני יודע שילדותיי לא משקרות, לכן חשבתי, בתור חוקר מערכות עצב, שזה חשוב יהיה להסביר כיצד הן סיפרו אמיתות לא קוהרנטיות. הנחנו בהתבסס על מחקר הדיגדוג שכאשר ילד אחד מכה את השני, הוא מייצר פקודת תנועה. הוא חוזה את התוצאות החושיות ומחסיר אותן. לכן הוא למעשה חושב שהוא היכה פחות חזק מאשר בפועל -- בערך כמו הדיגדוג. בעוד שהסופג הפסיבי אינו עושה חיזוי ולכן מרגיש את מלוא העוצמה. אם הוא מחזיר באותה עוצמה, הראשון יחשוב שהמצב הסלים.
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.
לכן החלטנו לבדוק זאת במעבדה. (צחוק) אנו לא עובדים עם ילדים ולא עם מכות, אבל הרעיון נשאר. מביאים שני בוגרים. מספרים להם שהם הולכים לשחק משחק. הנה שני השחקנים היושבים זה מול זה. המשחק מאוד פשוט. התחלנו עם מנוע שיש לו ידית המעבירה כוח. משתמשים במנוע להפעיל כוח כלפי מטה על אצבע של שחקן 1 במשך 3 שניות ואז להפסיק. מבקשים מאותו שחקן שיזכור את תחושת הכוח ושישתמש באצבעו האחרת להפעיל את אותו הכוח על אצבע השחקן האחר באמצעות הידית, וכך הם עשו. לשחקן 2 אומרים שיזכור את תחושת הכוח. שישתמש בידו השניה להפעיל כוח בחזרה. וכך זה קורה במחזוריות בה הם מפעילים כוח שהם חוו זה עתה.
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.
אבל יש דבר אחד חשוב, הם מתודרכים בנפרד זה מזה על חוקי המשחק. לכן הם אינם מכירים את החוקים לפיהם האחר משחק. ומה שמדדנו זה את הכוח כפונקציה של מחזורים. אם מסתכלים עם מה התחלנו, רבע ניוטון שם, מס' מחזורים, הדבר המושלם זה הקו האדום שם. ומה שרואים בכל הזוגות שהשתתפו זה -- עליה של 70 אחוז בכוח בכל מחזור. זה מרמז שכאשר עושים את זה -- לפי מחקר זה ומחקרים אחרים שעשינו -- המוח מבטל את התחושות החושיות וממעיט בערך של הכוח שהוא מייצר. זה מוכיח מחדש שהמוח עושה תחזיות ומיסודו משנה את הפקודות. אם כך, הסקנו מסקנות, עשינו תחזיות, כעת עלינו לייצר פעולות. ומה שחוק בייסיאני אומר הוא שבאמונותיי הנתונות, הפעולה במובן מסויים צריכה להיות המיטבית.
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.
אבל יש כאן בעיה. משימות הן סימבוליות -- אני רוצה לשתות, רוצה לרקוד -- אבל מערכת התנועה צריכה לכווץ 600 שרירים בסדר מאוד מסויים. וזה הפער הגדול בין המשימה ומערכת התנועה. ניתן לגשר על זה בהמון דרכים שונות. תחשבו רק על תנועה מנקודה אחת לשניה. ניתן לבחור בשני מסלולים הללו מתוך מספר אין-סופי של מסלולים. בהיבחר מסלול מסויים, אפשר להחזיק את היד מעל אותו מסלול באופנים שונים כמספר מצבי המפרק השונים. וניתן להחזיק את היד בתנוחת מפרק מסויימת, או במצב קשיח או במצב נרפה. כך שיש מספר עצום של בחירות לעשות. כעת מתברר שאנו מאוד צפויים. כולנו נעים בקירוב באותו אופן.
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.
מסתבר שאנו כה צפויים שבמוחנו קיים מעגל עצבי ייעודי כדי לפענח את צופן ההתנהגות הצפויה הזו. כך שאם לוקחים כמה נקודות ומניעים אותן בתנועה ביולוגית, המעגל במוחנו יתפוס מייד מה קורה כאן. זו קבוצת נקודות נעה. ישר יודעים מה הדמות הזו עושה, אם שמחה, עצובה, קשישה, צעירה -- כמות מידע אדירה. אם נקודות הללו היו מכוניות במסלול מרוצים, לא היה לכם מושג מה קורה כאן.
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.
אז מדוע אנו נעים במסלולים מסויימים? הבה נחשוב מה באמת מתרחש כאן. אולי אנו לא לגמרי נעים באותו מסלול. אולי יש שוני באוכלוסיה. ואולי כאלה הנעים יותר טוב מאחרים הם בעלי סיכויים יותר טובים להוליד צאצאים. לכן בקנה-מידה אבולוציוני, התנועות משתפרות. ואולי בחיים, התנועות משתפרות דרך למידה.
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.
אז מה טוב ומה רע בתנועה? תחשבו שברצוני לתפוס כדור זה. הנה שני מסלולים אפשריים אל אותו כדור. אם אני בוחר את המסלול השמאלי, אוכל לחשב את הכוחות הדרושים באחד משריריי כפונקציה של זמן. אבל נוסף לזה רעש. לכן מה שאקבל, בהתבסס על הכוח החמוד, החלק והרצוי, זו גירסה מאוד רועשת. לכן אם אבחר באותה פקודה הרבה פעמים, אקבל כל פעם גירסה רועשת אחרת, כי הרעש משתנה בכל פעם. לכן מה שאוכל להראות לכם כאן זה כיצד תתפתח ההשתנות של התנועה אם אני בוחר בדרך ההיא. אם אבחר בדרך אחרת של תנועה -- הימנית לדוגמא -- תהיה לי פקודה אחרת, רעש אחר. מאוד מסובך לתפקד במערכת רועשת. ניתן רק להיות בטוח שההשתנות תהיה שונה. אם אנוע במסלול מסויים זה, אסיים בהשתנות יותר נמוכה לאחר תנועות רבות. לכן אם עליי לבחור בין שתי אלו, אבחר את הימנית כי היא פחות משתנה.
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.
הרעיון הבסיסי הוא שרוצים לתכנן את התנועות כך שההשפעה השלילית של הרעש תהיה מינימלית. תובנה אחת שמתקבלת היא שכמות הרעש או ההשתנות שאני מראה כאן עולה ככל שהכוח מתגבר. לכן כדאי להימנע מכוחות גדולים בתור עיקרון ראשון. הראנו שבאמצעות זה, ניתן להסביר כמות אדירה של נתונים -- שאנשים מתנהלים בחייהם ומתכננים תנועות כך שההשפעות השליליות של רעש יהיו מינימליות.
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.
אני מקוה ששיכנעתי אתכם שהמוח קיים והתפתח כדי לשלוט בתנועה. וזה אתגר מחשבתי להבין כיצד אנו משיגים זאת. אבל זה גם נוגע למחלות ושיקום. ישנן הרבה מחלות המשפיעות על תנועה. כולי תקוה שאם נבין כיצד שולטים בתנועה, נוכל ליישם זאת על טכנולוגיה רובוטית. לבסוף, ברצוני להזכירכם, שכאשר אתם רואים חיות העושות מה שנראה כמשימה פשוטה, המורכבות בפועל של מה שמתרחש במוחן היא באמת מדהימה.
Thank you very much.
תודה רבה לכם.
(Applause)
(מחיאות כפיים)
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?
כריס אנדרסון: שאלה קצרה דן. ובכן אתה קנאי לתנועה -- (ד.ו.: קנאי) . האם זה אומר שלפי דעתך הדברים האחרים שאנו סבורים שהמוח קיים עבורם -- החלומות, הגעגוע, ההתאהבות ודברים כאלה -- הם מין מופע צדדי, מקריות?
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.
ד.ו.: לא, לא, למעשה אני סבור שהם כולם חשובים כדי לכוון להתנהגות תנועתית נכונה למען הרבייה בסוף. לכן אני חושב שאנשים החוקרים תחושות או זיכרון מבלי לגלות מדוע אנו שוכחים זיכרונות ילדות. העובדה שאנו שוכחים את רוב ילדותינו, לדוגמא, זה כנראה בסדר גמור, כי זה לא משפיע על תנועותינו בשלב יותר מאוחר בחיים. אנו רק זקוקים לאיחסון של מה שבאמת הולך להשפיע על תנועה.
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?
כ.א.: אז אתה סבור שאנשים החושבים על המוח ותודעה, יכולים להגיע לתובנות ממשיות אם יחשבו איך התנועה ממלאת כאן תפקיד?
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.
ד.ו.: כך אנשים גילו לדוגמא שחקר הראיה ללא הבנת הסיבה לקיום הראיה הוא שגיאה. צריך לחקור ראיה בהקשר של כיצד מערכת התנועה משתמשת בראיה. והיא משתמשת בה באופן מאוד שונה כאשר חושבים עליה בהקשר זה.
CA: Well that was quite fascinating. Thank you very much indeed.
כ.א.: זה מרתק. תודה רבה לך.
(Applause)
(מחיאות כפיים)