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.
Sono un neuroscienziato. E in neuroscienza, abbiamo a che fare con molte domande difficili sul cervello. Ma voglio cominciare con la domanda più facile e la domanda che avreste dovuto tutti chiedervi a un certo punto della vostra vita, perché è una domanda fondamentale se vogliamo capire il funzionamento del cervello. Ed è, perché noi e altri animali abbiamo un cervello? Non tutte le specie sul pianeta hanno un cervello, quindi se vogliamo capire a cosa serve il cervello, cerchiamo di pensare a perché il nostro si è evoluto. Potreste pensare che ce l'abbiamo per percepire il mondo o per pensare, ed è totalmente sbagliato. Se pensate a questa domanda per un momento è assolutamente ovvio il perché abbiamo un cervello. Abbiamo un cervello per una ragione ed una sola, ed è per produrre movimenti complessi ed adattabili. Non ci sono altri motivi per avere un cervello. Pensateci. Il movimento è l'unico modo che abbiamo di influenzare il mondo che abbiamo intorno a noi. Non è proprio vero. C'è un altro modo, ed è attraverso il sudore. Ma a parte questo, tutto il resto passa attraverso la contrazione dei muscoli.
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.
Pensate alla comunicazione - linguaggio, gesti, scrittura, linguaggio dei segni - passano tutti dalla contrazione dei muscoli. È quindi molto importante ricordare che i processi sensoriali, mnemonici e cognitivi sono tutti importanti, ma sono importanti solo per guidare o sopprimere futuri movimenti. Non ci può essere nessun vantaggio evolutivo nell'abbandonare ricordi d'infanzia o percepire il colore di una rosa se non influisce sul modo in cui ci muoveremo più avanti nella vita.
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.
Per coloro che non credono a questo ragionamento, ci sono alberi ed erba sul nostro pianeta senza cervello, ma la prova evidente è questo animale qui - l'umile ascidia. Animali primitivi, con un sistema nervoso, nuotano nell'oceano nei primi anni di vita. A un certo punto della loro vita, si impiantano su uno scoglio. E la prima cosa che fanno impiantandosi su uno scoglio, che non lasciano più, è digerire il proprio cervello e il proprio sistema nervoso per alimentarsi. Quindi una volta che non c'è più bisogno di muoversi, non c'è più necessità del lusso di un cervello. E questo animale viene spesso preso come analogia a quello che succede nelle università quando i professori ottengono la cattedra, ma questo è un altro discorso.
(Applause)
(Applausi)
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.
Sono fanatico del movimento. Credo che il movimento sia la funzione più importante del cervello, e non fatevi dire il contrario da nessuno. Se il movimento è così importante, quanto siamo bravi nel capire come il cervello controlla i movimenti? E la risposta è che siamo pessimi; è un problema molto difficile. Ma possiamo vedere quanto siamo bravi pensando a quanto siamo bravi nel costruire macchine che possono fare quello che fanno gli esseri umani.
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.
Pensate al gioco degli scacchi. Quanto siamo bravi a determinare che pezzo muovere e dove? Se fate sfidare Gary Kasparov, quando non è in galera, contro l'IBM Deep Blue, la risposta è che l'IBM Deep Blue vincerà di tanto in tanto. E credo che se l'IBM Deep Blue giocasse con chiunque in questa stanza, vincerebbe sempre. Quel problema è risolto. E che ne dite del problema di afferrare un pezzo degli scacchi, maneggiarlo abilmente e rimetterlo sulla scacchiera? Se mettete di fronte l'abilità di un bambino di cinque anni contro i migliori robot di oggi, la risposta è semplice: il bambino vince con facilità. Non c'è gara.
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.
Perché questo problema è così facile e l'altro problema è così difficile? Un motivo è che un bambino di cinque anni molto sveglio potrebbe dirvi l'algoritmo di quel problema - cercare tutte le possibili mosse fino alla fine del gioco e scegliere quella che vi fa vincere. È un algoritmo molto semplice. Ovviamente ci sono altre mosse, ma con grandi computer è approssimativo e si avvicina alla soluzione ottimale. Quando si tratta di abilità, non è chiaro quale sia l'algoritmo da seguire per essere abili. E ci accorgiamo che si deve sia percepire che agire sul mondo, cosa che comporta molti problemi.
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.
Ma lasciate che vi mostri una robotica d'avanguardia. Molta robotica è assai impressionante, ma la robotica di manipolazione è ancora in un periodo buio. Questa è la conclusione del progetto di un dottorato che viene da uno dei migliori istituti di robotica. Lo studente ha formato questo robot per versare l'acqua in un bicchiere. È un problema difficile perché l'acqua fuoriesce, ma riesce a farlo. Ma non lo fa neanche lontanamente con l'agilità di un essere umano. Se volete che questo robot faccia un lavoro diverso ci vuole un altro programma di dottorato di tre anni. In robotica, da un compito ad un altro non è possibile generalizzare.
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.
Possiamo confrontare questo con l'esecuzione all'avanguardia di un essere umano. Vi mostrerò Emily Fox che realizza il record del mondo di impilamento dei bicchierini. Gli americani tra il pubblico sapranno tutto di impilamento dei bicchierini. È uno sport che si pratica al liceo dove ci sono 12 bicchierini da impilare e disimpilare in ordine preciso e contro il tempo. E questa è lei mentre realizza il record del mondo in tempo reale. (Risate) (Applausi) Ed è abbastanza contenta. Non abbiamo nessuna idea di quello che succede nel suo cervello mentre lo fa, ed è quello che vorremmo sapere.
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.
Quindi nel mio gruppo, quello che cerchiamo di fare è l'ingegneria inversa di come gli esseri umani controllano il movimento. E sembra un problema facile. Si manda giù un comando, che causa contrazione muscolare. Il braccio o il corpo si muovono, e si ottiene una reazione sensoriale dalla vista, dalla pelle, dai muscoli e così via. Il problema è che questi segnali non sono i bei segnali che vorreste. Quindi una cosa che rende difficile il controllo del movimento è, per esempio, che il riscontro sensoriale è estremamente rumoroso. Con rumoroso non intendo sonoro. Usiamo il termine in ingegneria e neuroscieza con il significato di rumore casuale che altera il segnale. Ai vecchi tempi prima della radio digitale quando sintonizzavate la radio e sentivate "crrrrckkk" sulla frequenza che volevate sentire, quello era il rumore. Ma in linea generale, questo rumore è qualcosa che altera il segnale.
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.
Quindi per esempio, se mettete le mani sotto un tavolo e cercate di localizzarla con l'altra mano, potete discostarvi di parecchi centimetri a causa del rumore del riscontro sensoriale. Allo stesso modo, quando gli effettori vengono stimolati, è estremamente rumoroso. Dimenticatevi di colpire il bersaglio con le freccette, puntando allo stesso punto più e più volte. C'è una grossa differenza dovuta alla variabilità del movimento. E non solo, il mondo esterno, o il compito, sono entrambi ambigui e variabili. Il bicchiere può essere pieno, può essere vuoto. Cambia col tempo. Lavoriamo quindi in un calderone di rumore da movimento sensoriale.
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.
Questo rumore è così fantastico che la società offre una grossa ricompensa a coloro che riescono a ridurre le conseguenze del rumore. Se siete abbastanza fortunati da riuscire a infilare una pallina bianca in un buco a centinaia di metri di distanza utilizzando una stecca di metallo, la nostra società è disposta a ricompensarvi con centinaia di milioni di dollari.
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.
Ciò di cui voglio convincervi è che il cervello fa molti sforzi per ridurre le conseguenze negative di questo rumore e variabilità. E per fare questo, vi racconterò di una struttura molto popolare in statistica e nell'apprendimento automatico degli ultimi 50 anni che si chiama Teoria Decisionale Bayesiana. E oggi è un sistema unificante per pensare a come il cervello tratta l'incertezza. E l'idea fondamentale è che si vogliono fare deduzioni e poi intraprendere azioni.
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.
Pensiamo alla deduzione. Si vuole generare una convinzione sul mondo. Quali sono le vostre convinzioni? Le convinzioni possono essere: dove sono le mie braccia nello spazio? Assomiglio a un gatto o a una volpe? Ma rappresenteremo le convinzioni con le probabilità. Rappresenteremo una convinzione con un numero tra zero e uno - zero significa che non ci credo per niente, uno significa che sono assolutamente certo. E i numeri in mezzo vi danno i livelli di incertezza. E l'idea chiave della deduzione bayesiana è avere due fonti di informazioni da cui fare la vostra deduzione. Avete i dati, e i dati in neuroscienza è uno stimolo sensoriale. Quindi ho uno stimolo sensoriale da cui partire per creare le mie convinzioni. Ma c'è un'altra fonte di informazione, e sono in realtà le conoscenze precedenti. Accumulate conoscenza in memoria durante la vita. E il punto della Teoria Decisionale Bayesiana è che vi dà la matematica della maniera ottimale per combinare le vostre conoscenze precedenti con le vostre prove sensoriali per generare nuove convinzioni.
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.
E ho messo qui la formula. Non starò qui a spiegarvi cos'è questa formula, ma è molto bella. Ed è veramente bella e ha un reale potere esplicativo. Quello che dice veramente, e quello che volete stimare, è la probabilità di diverse convinzioni dati i vostri stimoli sensoriali. Lasciatemi fare un esempio intuitivo. Immaginate di imparare a giocare a tennis e volete decidere dove rimbalzerà la palla mentre si avvicina dalla rete verso di voi. Ci sono due fonti di informazioni. La regola di Baye ve lo dice. Ci sono prove sensoriali - potete usare l'informazione visiva, l'informazione uditiva, e potrebbe darvi quell'area rossa. Ma sapete che i vostri sensi non sono perfetti, e quindi c'è una certa dose di variabilità sul punto in cui atterrerà evidenziata da quell'area rossa, che rappresenta numeri tra 0,5 e forse 0,1.
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.
Quell'informazione è disponibile per il colpo in corso, ma c'è un'altra fonte di informazione non disponibile nel colpo in corso, ma solo disponibile da esperienze ripetute nel tennis, ed è che la pallina non rimbalza con la stessa probabilità sul campo durante la partita. Se giocate contro un avversario molto bravo, potrebbe distribuirsi su quest'area verde, che è la distribuzione precedente, mettendovi in difficoltà nel rispondere. Entrambe le fonti di informazioni contengono informazioni importanti. E quello che dice la regola di Bayes è che dovreste moltiplicare i numeri sull'area rossa per i numeri sull'area verde per ottenere i numeri del giallo, che hanno le ellissi, e questa è la mia convinzione. È la maniera ottimale di combinare l'informazione.
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.
Non vi direi tutto questo se non fosse che qualche anno fa, abbiamo mostrato che questo è esattamente quello fa la gente quando impara nuovi movimenti. E ciò che significa è che siamo veramente delle macchine di deduzione bayesiana. Mentre andiamo in giro, impariamo le statistiche del mondo e le mettiamo giù, ma impariamo anche quanto sia rumoroso il nostro apparato sensoriale, e combiniamo le due cose in maniera bayesiana.
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.
Un elemento chiave della deduzione bayesiana è questa parte della formula. E quello che dice questa parte è che devo prevedere la probabilità dei diversi riscontri sensoriali date le mie convinzioni. Questo significa quindi che devo fare delle previsioni sul futuro. E voglio convincerci che il cervello fa veramente delle previsioni dai riscontri sensoriali che recepirà. Inoltre, cambia profondamente le vostre percezioni a seconda di quello che fate. E per fare questo, vi spiegherò come il cervello si interfaccia con gli stimoli sensoriali. Allora, inviate un comando, e avete in cambio un riscontro sensoriale, e quella trasformazione viene gestita dalla fisica del vostro corpo e dal vostro apparato sensoriale.
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.
Ma potete immaginarlo guardando all'interno del cervello. Ecco l'interno del cervello. Potreste avere un piccolo indovino, un simulatore neurale, della fisica del vostro corpo e dei vostri sensi. Quindi mentre inviate un comando di movimento, ne registrate una copia e la fate girare nel vostro simulatore neurale per anticipare le conseguenze sensoriali delle vostre azioni. Quindi, mentre agito questa bottiglia di ketchup, ne ricavo dei riscontri sensoriali in funzione del tempo del risultato. E se il mio sistema prevede bene, prevede la stessa cosa.
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.
Perché dovrei disturbarmi a fare tutto ciò? Otterrò comunque lo stesso riscontro. Ci sono buone ragioni. Immaginate, mentre agito la bottiglia di ketchup, appare qualcuno che gentilmente dà qualche colpetto per me. Ricevo una fonte extra di informazioni sensoriali dovute ad un atto esterno. Ho quindi due fonti. Ci siete voi che date colpetti e io che agito, entrambi dal punto di vista dei miei sensi, che si combinano in un'unica fonte di informazione.
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.
Ci sono buone ragioni per credere che vorreste essere in grado di distinguere eventi esterni da eventi interni. Perché gli eventi esterni sono molto più rilevanti dal punto di vista comportamentale del sentire tutto ciò che accade all'interno del mio corpo. Un modo per ricostruirlo è confrontare la previsione - che è basato solo sui vostri comandi di movimento - con la realtà. Qualunque discrepanza dovrebbe, se tutto va bene, essere esterna. Mentre me ne vado in giro, faccio previsioni di quello che dovrebbe succedere e le sottraggo. Tutto ciò che rimane mi è esterno.
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.
Quali prove ci sono di tutto ciò? C'è un esempio molto chiaro dove una sensazione generata da me stesso sembra molto diversa da quella generata da un'altra persona. Abbiamo quindi deciso il punto più ovvio da cui cominciare ossia il solletico. È noto da tempo che non si può solleticare sé stessi così come riescono a fare gli altri. Ma non è stato veramente dimostrato, è perché avete un simulatore neurale, che simula il vostro corpo e sottrae quel senso. Possiamo allora avviare l'esperimento del 21° secolo applicando la robotica a questo problema. E in effetti, abbiamo questo bastoncino attaccato alla mano di un robot, che lo muoverà avanti e indietro. E lo tracceremo con un computer e lo useremo per controllare un altro robot, che gli farà il solletico sul palmo della mano con un altro bastoncino. E poi si chiederà loro di valutare tutta una serie di cose incluso il solletico.
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.
Vi mostrerò solo una parte dello studio. E qui ho tolto i robot, ma sostanzialmente le persone muovono il braccio destro avanti e indietro. E lo replichiamo dall'altra parte con un certo ritardo. O senza ritardo, nel qual caso la luce semplicemente vi solletica il palmo, o con un certo ritardo di 2 decimi o 3 decimi di secondo. Il punto importante qui è che la mano destra fa sempre le stesse cose - lo stesso movimento ondeggiante. La mano sinistra è sempre la stessa e fa un solletico ondeggiante. Tutto quello con cui stiamo giocando è la causalità temporale. E mentre passiamo da niente a 0,1 secondo, comincia a soffrire il solletico. Mentre passiamo da 0,1 a 0,2, soffre ancora di più il solletico. E a 0,2 secondi, soffre il solletico come quando il robot faceva il solletico e lui non faceva niente. Qualunque cosa sia responsabile di questa cancellazione è estremamente legato alla casualità temporale. E basandoci su questa illustrazione, ci siamo veramente convinti in questo campo che il cervello fa previsioni precise e le sottrae dalle sensazioni.
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.
Devo ammettere, questi sono gli studi peggiori che il mio laboratorio abbia mai fatto. Perché la sensazione di solletico sul palmo va e viene, bisogna avere un numero più ampio di soggetti con queste stelle che li rendono più significativi. Stiamo quindi cercando un modo più obiettivo di valutare il fenomeno. E nel frattempo ho avuto due bambine. E una cosa che si nota nei bambini nei sedili posteriori delle macchine nei viaggi lunghi, litigano - cominciano con uno che fa qualcosa all'altro, l'altro che si vendica. Si intensifica rapidamente. E i bambini tendono a innescare litigi che si intensificano. Quando urlo alle mie figlie di smettere, qualche volta mi dicono entrambe che l'altra l'ha colpita più forte.
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.
Per fortuna so che le mie bambine non mentono. quindi ho pensato, in quanto neuroscienziato, che fosse importante cercare di spiegare come potessero raccontare verità incoerenti. E ipotizziamo, basandoci sugli studi sul solletico, che quando un bambino ne colpisce un altro, generano un comando di movimento. Prevedono le conseguenze sensoriali e le sottraggono. Quindi in realtà pensano di avere colpito la persona meno forte di loro - un po' come nel solletico. Mentre il destinatario passivo non fa previsioni, sente tutta l'intensità della botta. Quindi se reagiscono con la stessa forza, la prima persona penserà che è stata intensificata.
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.
Allora abbiamo deciso di testarlo in laboratorio. (Risate) Non lavoriamo con i bambini, non lavoriamo con la forza, ma il concetto è identico. Portiamo due adulti. Diciamo loro che giocheranno a un gioco. E quindi ecco il giocatore uno e il giocatore due seduti l'uno di fronte all'altro. E il gioco è molto semplice. Abbiamo cominciato con un motore con una piccola leva, che trasmetta forza. E usiamo questo motore per imprimere la forza sulle dita del giocatore uno per tre secondi e poi si ferma. E a quel giocatore viene detto, ricordati l'esperienza di quella forza e usa l'altro dito per imprimere la stessa forza sulle dita dell'altro soggetto con una trasmissione della forza - e lo fanno. E al giocatore due viene detto, ricordati l'esperienza di quella forza. Usa l'altra mano per restituire la stessa forza. E quindi a turno applicano la stessa forza che hanno risentito avanti e indietro.
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.
Importante però, è che vengono istruiti sulle regole del gioco in stanze separate. Quindi non sanno le regole con cui sta giocando l'altra persona. E quello che abbiamo misurato è la forza in funzione delle regole. E se guardiamo quello con cui abbiamo iniziato, lì un quarto di Newton, un numero di giri, l'ideale sarebbe quella linea rossa. E quello che vediamo in ogni coppia è questo - un aumento del 70% della forza ad ogni passaggio. Suggerisce quindi, quando lo facciamo - basandoci su questi studi e altri che abbiamo fatto - che il cervello cancella le conseguenze sensoriali e sottovaluta la forza che produce. Quindi mostra di nuovo che il cervello fa previsioni e in sostanza cambia le regole. Quindi abbiamo fatto delle deduzioni, abbiamo fatto delle previsioni, ora dobbiamo generare delle azioni. E quello che dice la regola di Baye è, date le mie convinzioni, l'azione dovrebbe in qualche modo essere ottimale.
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.
Ma c'è un problema. I compiti sono simbolici - voglio bere, voglio ballare - ma il sistema motorio deve contrarre 600 muscoli in una particolare sequenza. E c'è una grossa differenza tra il compito e il sistema motorio. Potrebbe quindi essere colmato in infiniti modi diversi. Pensate a un solo punto a cui indirizzare il movimento. Potrei scegliere questi due percorsi da un infinito numero di percorsi. Avendo scelto un particolare tracciato, posso tenere la mano su quel tracciato con infinite differenti configurazioni dell'articolazione. E posso tenere il mio braccio in una particolare configurazione congiunta molto rigida o molto rilassata. Ho una grande quantità di scelte da fare. Scopriamo che siamo estremamente stereotipati. Ci muoviamo più o meno tutti nello stesso modo.
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.
Si scopre che siamo così stereotipati, che i nostri cervelli hanno un circuito neurale dedicato per decodificare questi stereotipi. Con qualche puntino che metto in movimento con un movimento biologico, i circuiti del vostro cervello capiscono istantaneamente cosa sta succedendo. Questa è una serie di puntini in movimento. Sapete cosa sta facendo questa persona, se è felice, triste, vecchia, giovane - tantissime informazioni. Se questi puntini fossero auto in un circuito di gara, non avreste assolutamente idea di quello che sta succedendo.
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.
Allora perché ci muoviamo in quel modo particolare? Pensiamo a quello che succede veramente. Magari non ci muoviamo tutti nello stesso modo. Magari c'è qualche differenza tra la popolazione. E forse coloro che si muovono meglio di altri hanno più possibilità di mandare avanti la propria prole nella generazione successiva. Quindi sulla scala dell'evoluzione, i movimenti migliorano. E forse nella vita, i movimenti migliorano imparando.
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.
Allora com'è un buon movimento e uno cattivo? Immaginate che voglia intercettare questa palla. Ci sono due possibili percorsi per prendere la palla. Se scelgo la mano sinista, posso tirare fuori la forza richiesta in uno dei miei muscoli in funzione del tempo. Ma a questo si aggiunge rumore. Quello che si ottiene, basandoci su questa splendida e regolare forza desiderata, è una versione molto rumorosa. Se do lo stesso comando molte volte, otterrò una versione rumorosa ogni volta, perché il rumore cambia ogni volta. Quello che posso mostrarvi è come la variabilità del movimento si evolve se scelgo quella strada. Se scelgo un diverso modo di muovermi - quello a destra per esempio - avrò un comando diverso, un rumore diverso, giocando in un sistema molto rumoroso, molto complicato. E quello di cui possiamo essere certi è che la variabilità sarà diversa. Se mi muovo in questo particolare modo, finisco con una variabilità più piccola tra tanti movimenti. Quindi se scelgo tra questi due, sceglierei quello di destra perché è meno variabile.
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.
E l'idea fondamentale è che volete pianificare i vostri movimenti allo scopo di minimizzare le conseguenze negative del rumore. E un'intuizione da recepire in realtà è che la quantità di rumore o di variabilità che vi mostro qui diventa sempre più grande al crescere della forza. Quindi per principio volete evitare le grandi forze. Abbiamo mostrato che usando questo, possiamo spiegare molti dati - che la gente gestisce la vita pianficando i movimenti in modo da minimizzare le conseguenze del rumore.
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.
Spero di avervi convinto che il cervello esiste e si è evoluto per controllare il movimento. Ed è una sfida intellettuale capire come farlo. Ma è anche rilevante per le malattie e la riabilitazione. Ci sono molte malattie che compromettono il movimento. E se tutto va bene se capiamo come controllare il movimento, possiamo applicarlo alla robotica. E infine, voglio ricordarvi, quando vedete animali fare compiti che sembrano molto facili, la reale complessità di quello che succede nel loro cervello in realtà è impressionante.
Thank you very much.
Grazie infinite.
(Applause)
(Applausi)
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: Una domanda veloce, Dan. Quindi lei è un fanatico - DW: fanatico del movimento Questo significa che pensa che le altre cose che pensiamo sia il cervello - sognare, desiderare, innamorarsi e tutte quelle cose - sono solo un effetto collaterale, un incidente?
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: No, no, in realtà credo che siano tutte importanti per guidare il comportamento giusto per portare a termine la riproduzione. Credo quindi che la gente che studia le sensazioni o la memoria senza rendersi conto perché consolidiamo le memorie dell'infanzia. Il fatto che dimentichiamo molto della nostra infanzia, per esempio, probabilmente va bene, perché non influisce sui nostri movimenti più avanti nella vita. Dobbiamo solo memorizzare le cose che influiranno veramente sul movimento.
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: Crede quindi che la gente che pensa al cervello e alla consapevolezza in generale, potrebbe avere veri indizi dicendo, che ruolo ha il movimento in questo gioco?
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: Si è scoperto per esempio che studiare la vista senza rendersi conto del perché abbiamo la vista è un errore. Bisogna studiare la vista avendo presente come il sistema motorio utilizzerà la vista. E la usa in modi diversi una volta che la pensate in quel modo.
CA: Well that was quite fascinating. Thank you very much indeed.
CA: È stato appassionante. Grazie molte.
(Applause)
(Applausi)