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.
Neurológus vagyok. És az idegtudományban nagyon sokféle kérdéssel kell foglalkozunk az agyat illetően. Én azonban a legegyszerűbbel szeretném elkezdeni, mégpedig azzal, amelyet életünk valamely pontján mindannyian felteszünk magunknak, mert annyira alapvető, ha meg akarjuk érteni az agy funkcióját. A kérdés a következő: miért van az, hogy nekünk és más állatoknak is van agyunk? A földön nem minden állatfajnak van agya, úgyhogy ha meg akarjuk tudni, hogy az agy mire való, gondolkozzunk el azon, hogy miért is fejlesztettük ki! Érvelhetnek azzal, hogy azért fejlesztettük ki, hogy felfogjuk a világot, vagy, hogy gondolkozzunk, és ez teljesen téves! Akármeddig is gondolkodunk ezen a kérdésen, vakítóan szembetűnő, hogy miért is van agyunk. Egy és csakis egy ok miatt van az agyunk: hogy alkalmazkodó és összetett mozgásokat hajthassunk végre. Semmi más oka nincs annak, hogy agyunk van. Gondolják csak végig! A mozgás az egyetlen lehetséges mód arra, hogy a körülöttünk lévő világra hatással legyünk. Jó, azért ez nem teljesen igaz, mert van még egy mód: az izzadás. De ettől eltekintve minden az izmok összehúzódása által megy végbe.
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.
Gondoljanak csak a kommunikációra -- a beszédre, a gesztikulációkra, az írásra, a jelbeszédre -- ezeket mind az izmok összehúzódása viszi végbe. Ezért nagyon fontos fejben tartani azt, hogy mind az érzékszervi, mind a memória és a kognitív folyamatok nagyon fontosak ugyan, de kizárólag avégett, hogy vagy előidézzenek, vagy megszüntessenek jövőbeli mozdulatokat. Nem származhat evolúciós értelemben előny abból, hogy memórianyomokat őrizgessünk gyermekkorunkból egy rózsa színéről, amennyiben az nem befolyásolja a mozgásunkat későbbi életünk során.
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.
Nos, azok számára, akik nem bíznak az ilyesfajta érvelésben, ott vannak a földünkön élő fák és füvek agy nélkül, de az összekötőkapocsként szolgáló bizonyíték inkább ez az állat itt -- a szerény tengeri zsákállat. Kezdetleges állat, van idegrendszere, úszkál körbe az óceánban fiatalkorában. És élete egy bizonyos pontján megtelepszik egy sziklán. És az első dolog, amit ott azon a sziklán tesz, amit többé nem hagy el, hogy felemészti saját agyát és idegrendszerét - étel gyanánt. Magyarul, amint nem kell többé mozognunk, azt a luxust sem engedhetjük meg többé, hogy agyunk legyen! És ezt az állatot gyakran idézik analógiaként arra, hogy mi történik az egyetemeken, amikor a professzorokat felveszik állandóra, no de ez egy másik téma.
(Applause)
(Taps)
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.
Nos, én magam egy mozgás-soviniszta vagyok. Hiszek abban, hogy a mozgás az agy legfontosabb funkciója -- ne hagyják, hogy bárki azt hajtogassa maguknak, hogy ez nem igaz! Nos, ha a mozgás ennyire fontos, mennyire vagyunk előre abban, amit az agy mozgáskoordinációjáról tudunk? Sajnos a válasz az, hogy igencsak el vagyunk maradva; ez egy nagyon kemény dió. De megnézhetjük azt, hogy mennyire jól értjük a módját annak, hogy gépeket építsünk olyasmire, amit az emberek is meg tudnak csinálni.
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.
Gondoljunk csak a sakkjátékra. Milyen jól értünk ahhoz, hogy meghatározzuk, mit hova mozdítsunk? Ha ideültetjük Gary Kasparovot, mármint amikor épp nincs börtönben, az IBM Deep Blue gépével szembe, akkor a válasz, hogy a Deep Blue csak néha fog nyerni. Ugyanakkor szerintem, ha itt a teremből bármelyikünk ellen játszana a Deep Blue, akkor minden alkalommal nyerne. Kérdés megoldva. Mi a helyzet a sakkfigura felemelésének kérdésével, ügyesen mozgatva és visszatéve a sakktáblára? Ha egy 5 éves gyerek ügyességét állítjuk szembe a mai legjobb robottal, akkor nagyon egyszerű a válasz: a gyerek könnyedén győz. Valójában nincs is verseny.
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.
Namost akkor hogy lehet, hogy a fenti kérdés olyan egyszerű, a lenti pedig olyan nehéz? Az egyik válasz az, hogy az ötéves meg tudná mondani ennek a kérdésnek az algoritmusát -- megvizsgálva az összes lehetséges lépést a játék végéig, majd kiválasztani a nyerőt. Tehát ez egy igen egyszerű algoritmus. Nos persze vannak más mozdulatok is, de ezekkel az óriási computerekkel hozzávetőleges számításokat végzünk, és úgy kerülünk közelebb az optimális megoldáshoz. Amikor arról van szó, hogy mennyire ügyes egy mozdulat, még az sem nyilvánvaló, hogy mi az algoritmus, és akkor is meg kell oldanod az ügyességet. És látjuk, hogy ilyenkor egyszerre kell felfognunk a világot és cselekedni benne, ami egy sor kérdést vet fel.
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.
De hadd mutassam most be az élvonalbeli robotikát. Egy sor robot nagyon lenyűgöző, de a manipulációs robotika tényleg a sötét középkorban jár még. Ez tehát egy Ph.D projekt eredménye, az egyik legjobb robotika intézetből. A hallgató megtanította a robotját arra, hogy a vizet a pohárba öntse. Nagyon nehéz kérdés, mert a víz kiloccsan, de végül is sikerült. De gyorsasága egyáltalán nem hasonlítható az emberéhez. Nos, ha azt szeretnénk, hogy ez a robot egy másik feladatot hajtson végre, az egy újabb 3 éves Ph.D. programba telne! Egyáltalán nem létezik az egyik feladatról a másikra átvihető általánosítás a robotikában!
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.
Összehasonlíthatjuk ezt az élvonalbeli emberi teljesítménnyel. Bemutatom most Önöknek Emily Fox-ot, amint éppen felállítja a pohár egymásra halmozás világrekordját. Az amerikaiak a közönségben mind ismerni fogják a pohártoronyépítést. Ez egy gimnáziumi sport, ahol is 12 poharat kell egymásra halmozni, majd leszedni meghatározott sorrendben, miközben mérik az időt. Ez itt ő, amint felállítja a világrekordot valós időben. (Nevetés) (Taps) És milyen boldog! Fogalmunk sincs, mi zajlik az agyában, miközben végrehajtja, márpedig épp ezt szeretnénk megtudni!
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.
Nos a csoportomban mi próbáljuk visszafejteni azt, ahogy az ember a mozgását irányítja. Könnyű feladatnak tűnhet. Leküldünk egy parancsot, az végrehajtja az izomösszehúzódást. A karunk, vagy a testünk mozog, és érzékszervi visszajelzést kapunk a látás, a bőrünk, az izmok stb. segítségével. A baj az, hogy ezek a jelek nem olyan szépek, mint amilyennek szeretnénk őket. Az egyik, ami megnehezíti a mozgás irányítását, például az, hogy az érzékszervek visszajelzése igen "zajos". Itt "zaj" alatt nem a hangot értem. Mérnöki és neurológiai értelemben használjuk, amikor egy véletlenszerű zaj megzavarja a jelet. A digitális rádió előtti időkben, amikor rádióhangoláskor azt a "hrrrhrr"-t hallottuk az adón, amit fogni akartunk, na az a zaj. De általánosabb értelemben ez a zaj valami olyan, ami lerontja a jelet.
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.
Például, ha a kezünket az asztal alá tesszük, hogy megpróbáljuk beazonosítani a másik ujjunk helyét, akkor bizony néha több centit is tévedhetünk, az érzékszervi zajoknak köszönhetően! Ugyanígy, amikor a motorteljesítményt a mozgáshoz hasonlítjuk, az nagyon zajos. Ne is akarjunk a darts táblán telibe találni, csak célozzunk ugyanoda újra és újra. Óriási terjedelemben választhatunk a mozgásvariációkból. Sőt ennél több is van itt, a külvilág, vagy feladat is többértelmű és változó. A csésze lehet tele is, vagy üres is. Időről időre változik. Tehát a zaj egész érzékszervi mozgás feladat kavalkádjában tevékenykedünk.
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.
Nos ez a zaj akkora, hogy a társadalom óriási jutalmat tűz ki nekünk, ha a zaj következményeit le tudjuk csökkenteni. Tehát, ha vagyunk oly szerencsések, hogy képesek vagyunk egy kis fehér labdával betalálni egy több száz méterre lévő lyukba egy hosszú fém bot segítségével, akkor a társadalmunk ezért hajlandó többszáz millió dollár jutalmat fizetni!
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.
Nos, én arról akarom Önöket meggyőzni, hogy az agynak is nagyon sok erőfeszítésébe kerül, hogy lecsökkentse az ilyesfajta zajok és szórások negatív következményeit. És ehhez megismertetek Önökkel egy összefüggést, ami a statisztikában és gépi tanulásban nagyon népszerű lett az elmúlt 50 évben: ez a Bayes-féle „okok valószínűségének" tétele. Ez újabban egy egységesítő módszer arra, amikor azon elmélkedünk, hogy az agy hogyan kezeli a bizonytalanságot. Az alapelmélet az, hogy következtetéseket akarunk levonni, és aztán cselekedni.
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.
Vegyük akkor a következtetéseket. Hiedelmeket akarsz alkotni a világgal kapcsolatban. Mik is a hiedelmek? Ilyenek lehetnek: hol is helyezkednek el a karjaim a térben? Macska, vagy kutya ez, amit látok? Mi azonban valószínűségekkel fogjuk a hiteinket ábrázolni. Tehát a hiedelmeket egy 0 és 1 közti számmal fogjuk ábrázolni -- ahol a 0 azt jelenti, hogy egyáltalán nem hiszek benne, az egy azt jelenti, hogy teljesen bizonyos vagyok. A köztes számok pedig a bizonytalanság szürkeárnyalatait mutatják. A Bayes-féle dedukció alapötlete az, hogy 2 információforrással rendelkezünk, amiből levonhatjuk a következtetést. Van adatunk, és az idegtudományban az adat az érzékszervi észlelés. Tehát érzékelek valamit az érzékszerveimmel, amit felhasználhatok hiedelemalkotásra. De van más információforrásom is, ami egyértelműen előrébb van a tudásnál. Ugyanis a tudást az emlékek segítségével halmozzuk fel életünk során. És a Bayes-féle döntéselmélet lényege az, hogy megadja az optimális mód matekját, amit ötvözni lehet az azt megelőző érzéki észlelés által szerzett tapasztalatainkkal új hitek kifejlesztése érdekében.
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.
Felírtam ide a képletet. Nem fogom elmagyarázni, mi ez a képlet, de nagyon szép. Valódi szépség és valódi magyarázat rejlik benne. És ami a lényege, s amit meg is tippelhetünk, az az érzéki észlelésünk következtében keletkező különböző hiedelmek valószínűsége. Hadd hozzak fel egy intuitív példát. Képzeljük el, hogy teniszezni tanulunk, és azt szeretnénk kiszámítani, hogy a labda hol fog lepattanni, amint közeledik felénk a háló felett. Két információforrásunk van ehhez, a Bayes-féle törvény szerint. Van az érzékszervi észlelés -- használhatjuk a vizuális és a hallott információkat és ezek szerint arra juthatunk, hogy azon a piros folton fog földet érni. Tudjuk azonban, hogy az érzékszerveink nem tökéletesek, ezért némileg tágabb eshetőséget adunk a földet érésre, amit ez a piros felhő mutat, és a 0,5 és 0,1 közti számokat jelzi.
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.
Ez az információ ezen a képen jelenik meg, van azonban még egy információforrás, ami nem látható ezen a képen, hanem csak a teniszezés ismételt megtapasztalása által ismerhető fel, hogy a labda egyáltalán nem egyenlő valószínűséggel pattan a térfelekre a szett során. Ha nagyon jó ellenféllel játszunk, akkor ütheti a zöld területre is, ami a fő szerva célpont, mert azt nehéz visszaadni. Szóval mindkét információforrás hordoz fontos információkat. És a Bayes-féle szabály azt sugallja, hogy meg kéne szoroznom a piroson lévő számokat a zöldön lévő számokkal, hogy megkapjuk a sárgán lévőket, ahol az ellipszisek vannak, és az lesz a hiedelmem. Tehát ez az információk optimális összegzése.
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.
Nem mesélném el mindezt, ha nem néhány éve történt volna, hogy megmutattuk, hogy éppen ezt teszik az emberek, amikor új mozgáskoordinációt tanulnak. Ez pedig azt jelenti, hogy tényleg Bayes-féle következtető gépezetek vagyunk! Ahogy körbenézünk, megfigyeljük a világ statisztikáit, és megfogalmazzuk őket, de tudomást szerzünk közben saját érzékszervi aparátusunk zajosságáról is, majd összevetjük azokat valódi Bayes-féle módon.
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.
Nos a képletnek ez a része a Bayes-féle elmélet kulcsgondolatául szolgál. És valójában arról szól, hogy meg kell jósolnom a különböző érzékszervi jelzések valószínűségét a hiedelmeim alapján. Ez ténylegesen azt jelenti, hogy jósolnom kell a jövőre vonatkozólag. És szeretném Önöket arról meggyőzni, hogy az agy bizony végez jóslatokat az érzékszervi jelzésekre vonatkozólag, amik be fognak érkezni. Sőt, alapvetően megváltoztatja az észlelésünket azáltal, amit teszünk. És hogy ez bekövetkezzen, elmondom most Önöknek, hogyan kezeli az agy az érzékszervi észleléseket. Kiküldünk egy parancsot, kapunk egy érzékszervi észlelést visszafele, és ezt az átalakulást a testünk fizikája valamint az érzékszervi berendezésünk irányítja.
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.
De elképzelhetjük azt is, hogy bekukkantunk az agyba. Itt van az agy belülről. Lehet, hogy van egy kis jelzőkénk, egy idegi szimulátorunk, amely a testünk fizikai állapotáról és az érzékszervekről ad jelzést. Tehát amint kiküldünk egy mozgásparancsot lefelé, annak egy másolatát kijelöljük, és bevezetjük az idegi szimulátorunkba, hogy felfogja a tetteink érzékszervi következményeit. Tehát ahogy ezt a kecsapos üveget rázom, Kapok némi valódi érzékszervi visszajelzést az alsó sor időbeli függvényeként. És ha jó jelzőkém van, az ugyanazt jósolja meg előre.
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.
Nos, hogy minek törődöm ilyesmivel? Megkapom ugyanazt a visszajelzést úgyis! Nos, vannak jó okok erre. Képzeljék csak el, hogy rázom a kecsapos üveget, és valaki nagyon gyengéden megközelít és megérinti hátulról nekem. Akkor egy plussz érzékszervi információt szereztem be a külső történés következtében. Így 2 forrásom volt. Veled is megfogattam, és én magam is ráztam, de a saját érzékszerveim szemszögéből nézve ez összefolyik egy információforrássá.
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.
Namost jó okom van azt hinni, hogy valószínűleg meg akarják majd különböztetni a külső eseményeket és a belsőket. Mivel a külső események sokkal valószínűben függenek a viselkedéstől, mint amit belül érzünk, hogy történik a testünkben. Tehát az egyik mód ennek létrehozására az, hogy összehasonlítjuk a kizárólag az Önök mozgásparancsaira épülő előrejelzéseket a valósággal. És akkor minden eltérés remélhetőleg kívülről fog érkezni. Tehát miközben megyek körben a világban, jóslásokat végzek arról, amit valószínűleg tapasztalok majd, levonva őket, minden, ami megmarad, az számomra külsődleges.
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.
Mi a bizonyíték erre? Nos, van egy nagyon világos példa ahol az általam generált érzékelés nagyon más érzés, mint ha azt egy másik ember váltotta volna ki. Így a legnyilvánvalóbb helyet választottuk kezdésképpen, mégpedig a csiklandozást. Nagyon régóta ismeretes, hogy magunkat nem tudjuk megcsikizni, míg mások viszont meg tudnak. De azt nem igazán mutatta ki senki, hogy ez amiatt van, hogy létezik egy idegi szimulátor, ami az egész testünket szimulálja, és levonja ezeket az érzékeléseket! Így aztán vehetjük a 21. századi kísérleteket, alkalmazva a robottechnológiát erre a kérdésre. És láthatjuk, hogy az egyik kezünkben egy botféleség van, ami egy robothoz kapcsolódik, és ezek fogják mozgatni a botot előre és hátra. Ezt pedig lekövetjük számítógéppel, és arra használjuk, hogy egy másik robotot irányítsunk vele, ami egy másik bottal fogja csikizni a kezünket. Aztán egy csomó kérdést fogunk feltenni nekik, köztük a csikisségre vonatkozót.
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.
A kutatásunk egyik részét mutatom most csak be. Itt elvettem a robotokat, de alapvetően az ember mozgatja itt a jobb kezét szinuszosan oda és vissza. Megismételjük ezt a másik kézzel is egy kis időbeli eltéréssel. Vagy egyáltalán nincs időbeli elcsúszás, amikor csak kissé lesz csiklandós a kezünk, vagy pedig 2-3 tized másodperc eltéréssel. A fontos itt az lesz, hogy a jobb kéz mindig ugyanazt csinálja -- a szinuszos mozgást. A bal kéz pedig szintén mindig ugyanazt teszi, szinuszos csiklandozást végez. Mindössze az időbeli elcsúszással játszunk. És ahogy haladunk a zérótól az 1 tized másodperc felé, egyre csiklandósabbá válik. Ahogy haladunk az 1 tizedtől a 2 tized felé, egyre csiklandósabbá válik. És mire elérjük a mp 2 tizedét, ugyanannyira lesz csiklandós a robot csikizésére, anélkül, hogy mi bármit tettünk volna. Tehát legyen bármi is felelős ezért a "törlésért", nagyon szoros összefüggésben van az időbeliséggel. És ezen illusztráció alapján, tényleg komoly meggyőződésünkké vált az, hogy az agy nagyon precíz előrejelzéseket végez és levonja azokat az érzékelésekből.
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.
Be kell azonban vallanom, hogy ezek a legszörnyebb kísérletek, amiket a laboromban valaha is végeztünk. Mert a tenyér csiklandóssága jön és megy, egy csomó tárgy kell ahhoz, hogy ezekkel a csillagokkal érzékelhetővé tegyük őket. Ezért aztán egy jóval objektívabb módot kutattunk, ennek a jelenségnek a megközelítésére. Az évek során közben született két lányom. És az egyik, amit megfigyelhetünk a kocsi hátsó ülésén ülő gyerekeknél a hosszú utak során, hogy összevesznek -- ami rendszerint azzal kezdődik, hogy az egyik bosszantja a másikat, a másik pedig visszavág. Gyorsan felpörög ez. És a gyerekek gyakran bonyolódnak olyan vitákba, ami egyre csak erősödik. Namost, amikor rákiáltok a gyerekeimre, hogy hagyják már abba, néha egyszerre mondták nekem azt, hogy a másik erősebben ütött.
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.
Történetesen tudom, hogy a gyerekeim nem hazudnak, ezért idegtudósként arra gondoltam, hogy fontos lehet, hogy meg tudjam magyarázni, hogy lehet az, hogy egymásnak ellentmondó igazságokat állítanak. Ezért a csikis kutatásunkat alapul véve feltettük, hogy amikor egy gyerek megüt egy másikat, azzal mozgásparancsot váltanak ki. Előrejelzik az érzékszervi következményt és levonják. Emiatt aztán úgy érzik, hogy kevésbé erősen ütötték meg a másikat, mint a másik őket -- épp ahogy a csikizésnél. Ahol a passzív 'befogadó' viszont nem végzi el az előrejelzést, így teljességgel érzékeli a csapást. Amikor egyforma erővel vágnak vissza, az első azt érzékeli, hogy erősödött az ütés.
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.
Úgy döntöttünk, hogy leteszteljük ezt laborban is. (Nevetés) Nem dolgozunk gyerekekkel, és ütlegeléssel sem, de a koncepció ugyanez. Két felnőttet vettünk. Azt mondtuk nekik, hogy egy játékban vesznek részt. Itt ül egymással szemben az egyes és a kettes számú játékos. A játék nagyon egyszerű. Egy motorral kezdtünk, egy kis erőátvivő fogantyúval. Arra használjuk ezt a motort, hogy az egyes számú játékos ujjaira fejtsen ki nyomást, 3 mp-ig, aztán abbahagyja. Annak a játékosnak azt mondtuk, hogy jegyezze meg azt a nyomás-élményt, és használja a másik ujját arra, hogy ugyanakkora nyomást fejtsen ki a másik alany ujjára egy erőátvivő karon keresztül -- és így is tettek. A kettes számú játékosnak azt mondtuk, hogy jegyezze meg azt az erőt. A másik kezével pedig fejtsen ki ugyanakkora nyomást a másikra. Így váltogatják egymást egymás kezére gyakorolva a nyomást, oda-vissza.
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.
A fontos itt az, hogy különböző szobában kaptak instrukciókat a szabályokra vonatkozóan. Nem ismerték tehát a szabályokat, ami szerint a társuk játszott. Az lett a mérés eredménye, hogy az erőkifejtés az egymásután következéstől függött. Ha megnézzük, hogy mivel indultunk, egy negyed Newtonnal, akkor egy jópár forduló után, az a piros vonal lenne a megfelelő. Ám a következő történt minden vizsgált párnál: minden fordulónál 70 %-kal nőtt az erőkifejtés. Ebből tényleg az látszik következni, hogy ha ilyet csinálunk, -- ennek, és más ilyen kísérleteknek az alapján -- hogy az agy kitörli az érzékszervi következtetéseket, és alábecsüli az általa kifejtendő erőt. Ez megint csak azt mutatja, hogy az agy végez jóslásokat, és alapjában megváltoztatja az érzékelést. Vontunk le következtetéseket, végeztünk előrejelzéseket, most akkor cselekvést kell kiváltanunk. És a Bayes feltevés szerint, hitem szerint, a cselekedet valahogyan optimális lesz végül.
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.
De van ám egy kis bökkenő. A feladatok szimbolikusak -- inni szeretnék, táncolni szeretnék -- a mozgásrendszernek azonban 600 izmot kell mozgatnia egy bizonyos sorrendben! És bizony nagy hézag van a feladat és a mozgásrendszer közt! Magyarul végtelenül sokféleképpen lehetnének összeköttetésben. Gondoljanak csak egy egyik ponttól a másikig végrehajtott mozgásra. Választhatom ezt a két utat, a végtelenül sok rendelkezésre álló közül. Ha kiválasztottam egy utat, akkor rajta tarthatom a kezemet azon az úton, a végtelenül sok ízületi konfiguráció szerint. És tarthatom a kezemet egy bizonyos ízületi tartással, ami lehet nagyon merev, vagy akár nagyon ellazult. Tehát egy rakás döntéshelyzetem van. Az derült ki, hogy végletesen sablonosak vagyunk. Mindannyian eléggé hasonlóan mozgunk.
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.
Sőt, az derült ki, hogy annyira sablonosak vagyunk, hogy az agyunknak rá kellett állni arra, hogy dekódolja ezeket a sablonokat! Ha veszek tehát néhány pontot, és biológiai mozgás segítségével megmozgatom őket, az agyunk áramkörei azonnal felfogják, hogy mi történik. Itt egy csomó pont mozog. Mi tudjuk, hogy ez a személy mit csinál, akár vidám, szomorú, idős, vagy fiatal -- ami rengeteg információ. Ha ezek a pontok kocsik lennének egy versenypályán, akkor viszont fogalmunk sem lenne, hogy mi zajlik!
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.
Akkor miért van tehát, hogy bizonyos módon mozgunk? Gondoljuk csak végig, mi is történik valójában. Lehet, hogy nem mind mozgunk teljesen egyformán. Lehet, hogy vannak variációk a népességben. És lehet, hogy azoknak, akik a többieknél jobban mozognak, nagyobb az esélyük arra, hogy a gyerekeik bekerüljenek a következő generációba. Tehát evolúciós léptékkel nézve, a mozgások egyre jobbak lesznek. És lehet, hogy az életben a mozgások tanulással fejlődnek.
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.
Mi a helyzet tehát egy mozgással, ami jó vagy rossz? Képzeljük el, hogy el akarjuk kapni ezt a labdát. Itt van két lehetséges út a labdához. Nos, ha a baloldali utat választom, kitalálhatom, mekkora erőbefektetést igényel ez az idő függvényében az egyik izmom számára. Hozzáadódik azonban 'zaj' is! Ami tehát kapok végül ezen szép, sima, megfelelő erő alapján, bizony egy nagyon 'zajos' verzió lesz. Ha veszem ugyanazt a parancsot sok alkalommal, minden alkalommal különböző zajos verziókat fogok kapni, mivel a zaj mindig változik. Itt azt tudom bemutatni Önöknek, hogyan fejlődik a mozgás variálhatósága, amennyiben ezt az utat választom. Ha egy másik utat választok a végrehajtáshoz -- jobbra pl. -- akkor más lesz a parancs, mások a zajok, egy zajos rendszeren keresztül játszani nagyon bonyolult. Amiben biztosak lehetünk, az az, hogy a variálhatóság különbözni fog. Ha így mozgok, végül is egy kisebb variációval jövök ki belőle, a sok mozdulat következtében. Ha tehét e kettő közt kell választanom, a jobboldalit választanám, mert ott kevesebb a variáció.
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.
Az alapelv itt az, hogy úgy akarjuk megtervezni a mozgásunkat, hogy minimalizáljuk a zaj negatív következményét. És az egyik, amit itt megsejtünk az, valójában a zaj mennyisége, vagy variálhatóság, amit itt mutatok, egyre erősödik a nyomás erősödésével. tehát az egyik alapelv az, hogy el akarjuk kerülni a nagy erőkifejtéseket. Megmutattuk, hogy ennek felhasználásával rengeteg adatot meg tudunk magyarázni -- ahogyan az emberek egész pontosan haladnak az életükben, megtervezve a mozgásukat, hogy minimalizálják általa a zajok negatív következményeit.
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.
Remélem, sikerült Önöket mgegyőznöm arról, hogy az agyunk azért van és felődött ilyenre, hogy a mozgásokat koordinálja. Komoly intellektuális kihívás megérteni, hogyan visszük ezt végbe. Lényeges ez azonban a betegségek és a rehabilitáció miatt is. Rengeteg betegség van hatással a mozgásra. És ha megértjük, hogyan végezzük a mozgást, akkor remélhetőleg alkalmazhatjuk majd a robottechnológiában is. Végezetül szeretném Önöket arra emlékeztetni, hogy amikor állatokat látunk, amint nagyon egyszerűnek tűnő feladatokat hajtanak végre, az agyukban ténylegesen végbemenő komplexitás valójában igen drámai!
Thank you very much.
Nagyon köszönöm.
(Applause)
(Taps)
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: Egy gyors kérdés, Dan. Szóval mozgás soviniszta vagy. Ez azt jelenti, hogy szerinted a többi dolog, amiről azt hisszük, hogy az agyunk arra való, -- mint pl. az álmodozás, vágyakozás, szerelembe esés, meg ilyesmik -- valamiféle melléktermékek, véletlen velejárók?
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: Nem, nem, szerintem is nagyon fontos mindez ahhoz, hogy vezérelje a megfelelő mozgást a viselkedés érdekében, hogy végül bekövetkezzen a reprodukció. Szerintem az érzékelést és a memóriát úgy tanulmányozzák, hogy nem számítják be közben, hogy mi végett is gyűjtjük a gyermekkori emlékeket. Pl. az a tény, hogy gyermekkorunk agy része kiesik a fejünkből, valószínűleg azért nem gond, mivel nem befolyásolja későbbi életünk mozgásait! Csak olyan dolgokat kell elraktározni, amelyek tényleg befolyásolni fogják a mozgást!
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: Akkor tehát úgy gondolja, hogy azok, akik az agyról és tudatról általában elmélkednek, akkor jutnak valódi felismerésekhez amikor rájönnek, hogy hol játszik szerepet ebben a játékban a mozgás?
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: Pl. rájöttek az emberek arra, hogy a látás tanulmányozása anélkül, hogy figyelembe vennék, mire is való - hiba. A látást annak a felismerésnek a beszámításával együtt kell tanulmányozni, hogy a mozgásrendszer hogyan fogja felhasználni a látást. És bizony nagyon másra használja, ha egyszer így is végiggondljuk!
CA: Well that was quite fascinating. Thank you very much indeed.
CA: Hát ez mondhatom, nagyon érdekes. Tényleg nagyon köszönjük.
(Applause)
(Taps)