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.
저는 신경과학자입니다. 신경과학에서 우리는 뇌에 대해 수많은 어려운 질문들을 다루죠. 하지만 전 가장 쉬운 질문부터 시작하고자 합니다. 그 질문은 당신이 당신의 삶의 여러 부분에서 스스로에게 질문해야만 하는 것으로, 우리가 뇌의 기능을 이해하기 위해서 던져야 하는 기본적인 질문입니다. 바로 "왜 우리 인간과, 그리고 다른 동물들이 뇌를 가져야 하는가?"입니다. 우리 행성에 사는 모든 생물이 뇌를 갖는 것은 아닙니다. 뇌가 무엇을 위한 것인지 알기 위한다면, 우리가 왜 진화해왔는지 생각해봐야 합니다. 여러분은 아마도 세상을 인지하기 위해, 또는 생각하기 위해-라고 대답하시겠지만 그것은 잘못된 대답입니다. 이 질문에 대해 오랜 시간 생각해보면 우리가 왜 뇌를 가지고 있는지는 아주 명백합니다. 우리는 단 하나의 이유 때문에 뇌를 가집니다. 바로 적합하고 복잡한 행동을 만들어내기 위해서죠. 뇌에게 다른 이유는 없습니다. 생각해보세요. 움직임이란 당신이 주변 세상에 영향을 미칠 수 있는 유일한 방법입니다. 이것이 완전한 진실은 아닐 수도 있습니다. 땀을 흘리는 것과 같은 방식을 떠올리면요. 하지만 이를 제외하고 생각해보면, 모든 것은 근육의 수축으로부터 발생합니다.
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.
의사소통에 대해서 생각해보죠. 말하는 것, 제스처, 글쓰기, 언어적 표현들 그 모든 것들이 당신의 근육을 수축시킴으로써 매개됩니다. 감각, 기억과 인지적 과정들이 모두 중요하다는 점을 기억해야 하는 것도 정말 중요하지만, 그것이 미래의 행동을 만들어내거나 억제한다는 점에서만 의미를 갖습니다. 당신의 삶에 어떤 영향을 끼치는 형태가 아니라면 어린 시절의 기억을 떠올리며 누워있거나 꽃의 색깔을 인지하는 것은 진화적으로 어떤 이점도 갖지 못합니다.
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.
이러한 논쟁을 받아들이지 못하는 사람들에게, 우리는 지구에 뇌 없이, 나무와 잔디만 있는 가정을 듭니다. 결정적 증거로 이 동물을 들 수 있겠네요-- 보잘 것 없는 멍게입니다. 진화 초기의 간단한 동물로, 신경계를 갖추고 있죠. 유생 때에는 바다 안을 헤엄쳐 돌아다니다가 특정 시기에 이르면 바위에 달라붙습니다. 바위에 달라붙는 과정에서 멍게가 처음으로 하는 일은 뇌와 신경계를 먹이로써 분해, 섭취하여 제거하는 것입니다. 움직일 필요가 없게 되면, 뇌라는 사치를 부릴 필요가 없다는 거죠. 이 생물은 종종 대학교에서 교수님들이 정년을 보장받았을 때 보이는 모습을 비유하는 데 쓰이죠. 대상이 다르긴 하지만요.
(Applause)
(박수)
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.
저는 운동성에 대한 광신주의자입니다. 저는 뇌의 가장 중요한 기능은 움직임을 유도하는 것이라고 믿으며, 다른 사람들의 이의제기에 수긍하지 않습니다. 운동성이 그렇게 중요하다면, 뇌가 어떻게 운동을 조절하는지 우리가 얼마나 잘 이해하고 있을까요? 대답은 '거의 이해하지 못하고 있다.'입니다. 매우 어려운 문제죠. 하지만 우리는 우리가 사람처럼 움직이는 기계를 만들기 위해 무엇을 해야 하는지 생각하는 과정을 통해 위 질문에 접근해볼 수 있습니다.
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.
체스 게임에 대해 생각해보죠. 어떤 말을 어디로 움직여야 할 지 어떻게 결정하는 걸까요? 게리 카스파로프*가, 감옥에 있지 않다면(*체스 세계 챔피언으로, 정치적 사안과 관련되어 감옥에 갇혔었음) IBM의 Deep blue와 겨루게 한다고 해봅시다. IBM의 Deep Blue가 때때로 이길 겁니다. 만일 IBM의 Deep Blue가 이 방의 누군가와 겨룬다면, 매번 컴퓨터가 이길 겁니다. 문제가 해결됐군요. 체스 조각을 들어올리는 데 있어서의 문제는 정교하게 그것을 들어올려 판 위에 다시 내려놓는 것일까요? 만일 5살짜리 꼬마의 손재주를 오늘 날 가장 뛰어난 로봇과 겨루게 한다면, 그 결과는 간단합니다: 어린이가 아주 쉽게 이길 수 있죠. 경쟁이라고 할 수도 없을 겁니다.
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.
어째서 가장 위의 문제는 그토록 쉽고 두번째 문제는 그렇게 어려울까요? 한 이유는 똑똑한 5살 꼬마가 얘기해 줄 수 있습니다. 가장 위의 문제를 해결하기 위한 알고리듬-- 게임의 마지막에서 가능한 모든 움직임 중 하나를 선택해 수행할 뿐인 알고리듬은 매우 매우 간단합니다. 물론, 유능한 컴퓨터들은 우리가 내는 최적의 해결책에 가까운 다른 움직임들도 계산할 수 있습니다. 손재주가 있는 수준을 만들기 위해서는, 당신이 어떤 알고리듬을 써야 하는지가 명확하지 않습니다. 당신은 세상을 인지하는 동시에 행동해야 하는데, 여기에서 많은 문제가 발생합니다.
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.
최첨단 로봇학을 보여드리죠. 현재의 수많은 로봇학이 매우 인상깊은데, 정교한 조작을 위한 로봇학은 발전하지 못해왔습니다. 여기 최고의 로봇공학원 중 한 곳에서 진행된 Ph.D 프로젝트의 결과물을 보시죠. 로봇이 물을 컵에 붓도록 훈련시켰습니다. 이 행동은 물이 주변에 튀기 때문에 매우 어려운 일인데, 로봇이 해냈습니다. 하지만 인간의 민첩함을 보이며 해내지는 못했죠. 이제, 로봇이 다른 작업을 하기를 바라면, 또 다른 3년짜리 Ph.D. 프로그램이 됩니다. 로봇학에서 한 작업을 다른 작업으로 대치시킬 때 일반화를 사용할 수 없는 거죠.
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.
이제 이것을 최첨단의 인간 행동과 비교해봅시다. 이제 컵쌓기 대회에서 세계 기록을 기록한 Emily Fox의 영상을 보여드릴 겁니다. 여기 미국인 청중분들은 컵쌓기에 대해 잘 알고 계실 겁니다. 고등학교의 운동 종목이고 쌓고 빼기를 반복할 12개의 컵들로 시작합니다. 규정된 순서에 따라 시간을 측정하면서요. 그녀가 세계 기록을 경신하는 순간을 보시죠. (웃음) (박수) 매우 기뻐하는군요. 저 경기 중에 그녀의 뇌에서 무슨 일이 일어나고 있는지 저희는 잘 모릅니다. 저희가 알고자 하는 바로 그것이고요.
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.
저희 그룹에서는 그래서, 인간이 어떻게 움직임을 조종하는지를 역으로 연구하고자 합니다. 굉장히 쉬운 문제로 들리실 겁니다. 당신이 명령을 전달하면 근육이 수축하고 팔과 몸이 움직이면서 시각, 피부, 근육과 기타 등등의 감각으로부터 피드백을 받습니다. 문제는, 이러한 신호들이 당신이 원하는 것처럼 아름답지는 못하다는 겁니다. 움직임 조절을 어렵게 하는 이유 중 하나는, 감각적 피드백에 잡음이 심하다는 점입니다. 잡음이 소리를 의미하는 것은 아닙니다. 엔지니어링과 신경학적 감지에 있어서 잡음이란 신호 감지를 어렵게 하는 임의의 방해물들을 의미합니다. 디지털 라디오가 보급되지 않았을 때, 라디오 주파수를 돌려 원하는 채널에 맞췄는데 "치지지직" 소리가 난 적이 있을 겁니다. 그것이 잡음입니다. 일반적으로, 잡음은 신호 감지를 방해합니다.
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.
예를 들어보죠. 당신이 테이블 아래 손을 두고 있고, 다른 손을 그 손 위에 위치시키려고 하면 당신은 감각 피드백 상의 잡음으로 인해 몇 센티미터의 간격을 두게 될 겁니다. 비슷하게, 당신이 움직임을 위해 근육에 명령을 내릴 때도 잡음이 아주 심합니다. 다트에서 정중앙을 맞추려는 건 차치하고, 같은 위치를 반복해서 겨냥한다고 해 봅시다. 움직임의 가변성이 아주 넓다는 걸 알게 될겁니다. 나아가, 바깥 세상이나 작업에 있어서 모호성과 변이성이 항상 존재합니다. 주전자는 가득 차 있을 수도, 비어 있을 수도 있죠. 시간에 따라 달라집니다. 우리는 감각과 움직임 모두를 잡음 속에서 수행해야 합니다.
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.
잡음은 아주 거대해서 우리 사회는 잡음의 영향을 줄인 사람들에게 큰 이익을 부여합니다. 당신이 긴 금속 막대기를 이용해 작고 하얀 공을 몇 백 야드 떨어져 있는 구멍 안에 넣는다면 사회가 당신에게 수억 달러의 상금으로 보상해줄 겁니다.
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.
이제 저는, 우리의 뇌가 이러한 잡음과 가변성에 의한 부정적 결과들을 줄이기 위해 엄청나 노력을 한다는 점을 여러분에게 확신시켜 드리려고 합니다. 이를 위해서 통계와 기계 부문에서 아주 유명한, 지난 50년에 걸쳐 베이시안 결정 이론이라고 불려온 이론적 틀에 대해 말씀드리고자 합니다. 두뇌가 불확실성을 어떻게 다루는지를 이해하는, 보다 최근의 합일화된 방식입니다. 기본적인 생각은 당신이 추론을 만들길 바랄 때 행동을 취한다는 겁니다.
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.
추론에 대해 생각해보죠. 세계에 대한 믿음들을 만들려고 합니다. 믿음들이란 뭘까요? 이런 겁니다. '내 팔이 어디에 있지?' '내가 보고 있는 게 고양이야, 여우야?' 믿음들을 우선 가능성으로 다루죠. 이제 이 믿음을 0과 1사이의 숫자들로 표현해봅시다. 0은 전혀 믿지 않는다, 1은 확실하게 믿는다는 것을 의미합니다. 이 사이의 숫자들은 당신의 확신성에 대한 *그레이레벨입니다. (*색깔 대신 흑백의 명암을 지정하여 화상을 형성하는 것) 베이시안 추론의 핵심 아이디어는 당신이 추론을 만들 수 있는 것으로부터 얻을 정보의 근원을 두 가지 갖는다는 것입니다. 자료와, 감각을 통해 유입되는 신경 속의 자료입니다. 감각적 유입에서 저는 믿음들을 만들어낼 수 있죠. 하지만 효과적인 사전 지식이라는 정보의 다른 근원도 존재합니다. 여러분은 삶 속에서 기억을 통해 지식을 축적합니다. 베이시안 결정 이론에 대한 요점은 새로운 믿음을 만들기 위해 당신이 감각적 정보와 기존 지식을 병합하는 최적의 방법을 찾는 데 수학을 이용한다는 겁니다.
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.
여기 공식을 보여드리죠. 공식에 대해 설명하지는 않겠지만, 정말 아름다운 공식입니다. 정말 아름답고, 실제로 현상을 설명하는 힘을 가집니다. 이것이 이야기하는 바는, 당신이 평가하고자 하는 것은, 당신의 감각적 유입으로부터 주어진 다양한 믿음들의 가능성입니다. 직관적 예를 하나 들어보죠. 당신이 테니스를 배우고 있는데 네트 너머에서 당신을 향해 날라오는 공이 바닥을 튀기고 어디로 날아올 지 판단하고 싶습니다. 베이시안 룰이 당신에게 말했듯, 두 가지 정보가 있죠. 감각적 정보를 보면 - 당신은 시청각적 정보를 이용해 레드스팟을 유추할 겁니다. 하지만 당신은 당신의 감각이 완벽하지 않다는 걸 알고 있고, 공이 바닥에 닿는 지점들이 다양할 수 있다는 것을 인지하고, 0.5에서 0.1 정도의 숫자로 표현되는 붉은 점들의 구름을 보게 될 겁니다.
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.
이 정보는 현재의 슛에서 가능한 것들이고, 현재의 슛을 통해서는 얻을 수 있는 정보를 얻을 다른 자료가 있지만, 테니스 게임을 반복해 경험함으로써만 얻을 수 있죠. 경기가 진행되는 동안 코트 전역에서 똑같은 가능성으로 공이 튀기지는 않는단 정보입니다. 당신이 매우 좋은 상대 선수와 경기를 한다면 공은 이전에 그래왔듯이 당신을 되돌아가기 어렵게 만드는 녹색 영역에 튀길 겁니다. 이 두 종류의 정보처는 모두 중요한 정보를 줍니다. 베이시안 룰이 이야기하는 바는 붉은 영역에 해당하는 숫자와 녹색 영역에 해당하는 숫자를 곱해 타원 모양의, 노란 영역의 숫자를 얻는단 것입니다. 제가 믿는 바죠. 정보를 종합하는 최적의 방법입니다.
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.
몇 년 전이었다면 이 모든 얘기들을 하지는 않았을 겁니다. 우리가 사람들이 새로운 운동 기술을 배울 때 정확히 이러한 일들을 한다는 걸 증명했죠. 이것은 우리가 정말로 베이시안 추론 기계들이라는 것을 의미합니다. 주변을 거닐 때, 우리는 세계의 통계들을 배우고, 그것들을 따르지만, 동시에 감각 기관의 잡음들이 얼마나 많은지를 배우고, 이를 바탕으로 베이시안 방법으로 정보들을 통합합니다.
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.
베이시안 공식의 가장 중요한 부분은 이 부분입니다. 이 부분은 내 믿음들로부터 얻어지는 다양한 감각적 피드백들의 가능성을 예측해야만 함을 의미합니다. 이것은 제가 미래를 예측해야 함을 의미하죠. 이제 두뇌가 감각적 피드백을 통해 예측을 만든다는 것을 여러분에게 확신시켜 드리겠습니다. 심지어 뇌는 당신이 무엇을 하느냐에 따라 당신의 인식을 크게 바꾸기도 합니다. 이 이야기에 앞서, 뇌가 감각을 어떻게 다루는지에 대해 먼저 말씀드리겠습니다. 당신이 명령을 내보내면, 감각적 피드백이 돌아오고, 이 변형이 당신 몸과 당신 감각 기관들의 물리적 관계에 의해 지배됩니다.
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.
뇌 안을 바라본다고 상상해봅시다. 이 곳이 뇌의 안쪽입니다. 당신의 몸과 감각들의 물리적 관계에 대해 예측자 역할을 하는 작은 신경 시뮬레이터가 있습니다. 당신이 움직임을 위한 명령을 내리면 동시에 그 명령의 복사본이 신경 시뮬레이터로 전달됩니다. 행동의 감각적 결과를 예측하기 위해서죠. 제가 케첩 병을 흔들면, 시간에 따라 바닥에서부터 실제의 감각적 피드백을 얻게 되죠. 제가 좋은 예측자를 가지고 있다면, 같은 피드백이 예측됩니다.
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.
어째서 제가 그걸 방해하겠어요? 저도 예측과 감각적 피드백을 동일하게 얻으려 하죠. 여기엔 좋은 이유들이 있죠. 제가 케첩 병을 흔들고 있는데 어떤 사람이 제 등 뒤로 다가와 저를 친다고 상상해봅시다. 저는 이제 외부 행동에서 기인한 감각적 정보의 외부 정보처를 갖게 됩니다. 이제 두 가지 정보처가 생겼죠. 제가 절 두드린 사람을 보고, 악수를 하지만 제 감각의 관점에서 보자면, 정보가 한 근원으로 병합됐다고 볼 수 있습니다.
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.
당신이 외부에서 발생한 사건을 내부에서 발생한 사건과 구별하고자 한다는 증거들이 있습니다. 외부 사건은 내 몸 안에서 모든 것이 일어났다고 믿는 것보다 훨씬 행동적으로 적절하기 때문입니다. 적절한 재구성을 위한 한 방법은 당신이 실제로 발생한 감각과 움직임 명령으로부터만 유래한 예측을 비교하는 겁니다. 불일치들은 거의 모두 외부로부터 발생합니다. 제가 전 세계를 돌아다니며, 제가 얻어야만 하는 것들을 제외한 예측을 만들어 보았습니다. 제 외적인 것들만 남았죠.
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.
이에 대한 증거가 무엇일까요? 여기 한 가지 매우 명백한 예가 있습니다. 제 자신으로부터 유래된 감각은 다른 사람으로부터 유래된 감각과 매우 다르게 느껴집니다. 우리는 이 명백한 것으로 연구를 시작하기로 했죠. 간지럼입니다. 다른 사람들이 나를 간지럽히는 것만큼 스스로를 간지럽힐 수 없다는 것은 오래 전부터 알려져 있었습니다. 하지만 그것이 당신 몸을 시뮬레이션 하고 관련 감각들을 제거하는 당신의 신경 시뮬레이터 때문이라는 점은, 증명된 적이 없었죠. 우리는 이 문제를, 로봇 공학을 적용함으로써 21세기의 실험으로 가져왔습니다. 사실상, 우리가 가지고 있는 것은 로봇에 부착된 한 손이 쥐고 있는 막대기로, 앞 뒤로 움직일 수 있는 것이었습니다. 우리는 컴퓨터로 이 움직임을 추적하고 다른 로봇을 조절하는 데 이용해, 다른 막대로 그들의 손바닥을 간지럽히게 했죠. 그리고 그들에게 간지러움을 포함한 감각들에 대해 점수를 매기게 했습니다.
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.
연구 중 한 부분을 보여드리죠. 여기서 저는 로봇을 떼어냈지만 기본적으로 사람들은 그들의 오른팔을 앞 뒤로 사인 운동을 계속했습니다. 그리고 이것을 시간적 격차를 두고 다른 손으로 반복했죠. 시간 격차가 없거나 아주 작을 때 당신은 간지러움을 느끼지만, 2/10초나 3/10초의 시간 격차에서는 그렇지 않습니다. 중요한 점은 이것입니다. 오른쪽 손은 항상 같은 일 - 사인 운동을 계속했죠. 왼쪽 손은 항상 같은 일, 사인 운동으로 간지럽히는 것을 계속했습니다. 우리가 조절한 것은 속도 일치성이었죠. 우리가 지연을 0초에서 0.1초로 늘림에 따라, 사람들은 더 간지럽다고 느꼈습니다. 당신이 0.1초에서 0.2초로 지연을 늘린다면 지연이 클 수록 더 간지러울 겁니다. 0.2초의 지연에서, 당신의 행동과는 상관 없이 로봇이 간지럽히는 만큼 간지럽다고 느낄 겁니다. 이러한 상쇄 효과를 일으키는 것은 시간 일치성과 깊은 관련이 있습니다. 이러한 착각을 기반으로, 우리는 뇌가 정확한 예측을 만들고 이 예측을 실제의 감각들로부터 구별해낸다는 점을 우리 분야에서 공고히 할 수 있었습니다.
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.
이제, 저희 랩에서 진행된 가장 안 좋은 연구에 대해 보여드리죠. 손바닥에 간지럽히는 느낌이 생겼다 없어졌다 했기 때문에, 이 차이들을 보다 명백히 만들기 위한 실험 수를 충분히 늘려야 했습니다. 이 현상에 접근하기 위해 보다 객관적인 방식을 찾기 위해 노력했죠. 그 사이에, 저는 두 딸을 얻었습니다. 여러분이 알아야 할 것이 있습니다. 긴 여행 도중 차의 뒷좌석에 있는 아이들은 싸우게 된다는 점입니다. 한 명이 다른 한 명에게 무언가를 하면 그 아이가 보복을 하면서 싸움이 시작됩니다. 그리고 싸움이 확대되죠. 아이들은 힘이라는 요소가 점차 확대되는 싸움을 합니다. 제가 아이들에게 멈추라고 소리를 지르면, 가끔 그들은 둘이 동시에 상대방이 더 세게 때렸다고 말하곤 합니다.
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.
이제 저는 제 아이들이 거짓말을 하는 게 아니란 걸 알고, 신경과학자로서 생각합니다. 어째서 그들이 서로 일치하지 않는 진실을 말하는지 설명해내는 게 중요하다고요. 간지럼 실험을 바탕으로 우리는 한 아이가 다른 아이를 때릴 때 운동 명령을 내린다고 가정했습니다. 그리고 감각적 결과가 이것을 상쇄한다고 예상했죠. 따라서 그들은 그들이 상대방에 비해 더 약하게 때렸다고 생각하게 됩니다. 간지럼 때처럼요. 수동적인 수령인이 예측을 만들지 않는데 비해, 느낌은 충분히 거셉니다. 따라서 그들이 서로를 같은 힘으로 앙갚음한다면, 처음의 상대는 힘이 강해졌다고 생각할겁니다.
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.
이것을 실험실에서 실험해보기로 했죠. (웃음) 이제 우리는 아이들, 때리는 것에서 벗어났지만 개념은 동일합니다. 두 명의 성인을 모시고, 게임을 할 거라고 얘기했죠. 플레이어 1은 여기 있고, 2는 반대쪽에 앉습니다. 게임은 아주 간단합니다. 작은 레버와 작은 힘 생성기가 달린 모터를 준비했습니다. 그리고 이 모터로 플레이어 1의 손가락에 힘을 가했죠. 3초간 힘을 가하고 멈췄습니다. 그리고 플레이어에게 그 힘의 정도를 기억하라고 얘기한 후 다른 손가락을 이용해 힘 생성기를 통해 상대방 플레이어의 손가락에 같은 힘을 가하도록 했습니다. 플레이어 2에게도 그 힘의 세기를 기억하도록 요청했습니다. 그리고 다른 손을 이용해 힘을 되돌려주도록 했죠. 결국 서로 주고 받은 경험들을 바탕으로 같은 정도의 강도를 돌려주도록 한 거죠.
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.
중요한 점은, 각 플레이어에게 분리된 방에서 따로 규칙을 설명했다는 점입니다. 따라서 상대방이 어떤 규칙으로 플레이하는지 알 수 없었죠. 우리는 용어 그대로의 힘을 측정했습니다. 어떻게 시작했는지 보면, 1/4 뉴턴의 힘으로 시작했고, 주고 받으면서 빨간 선으로 진행됐습니다. 모든 참가자들 결과에서 우리가 발견한 것은 각 턴마다 70%의 힘 강화가 일어났다는 점입니다. 따라서, 이 실험 결과와 다른 근거들을 바탕으로 우리가 판단내릴 수 있는 점은 뇌가 감각 결과를 상쇄시키기 때문에 자신이 실제 생성되는 힘을 과소평가한다는 것입니다. 이것은 다시, 뇌가 기본적으로 인지를 변화시킴으로써 예상을 만든다는 것을 의미합니다. 우리는 추론을 만들고, 예측을 수행하며, 행동을 발생시킵니다. 제가 믿는 바로는, Bayes' 규칙은 행동은 감각적으로 최적화 되어 발생한다는 것입니다.
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.
여기서 문제가 생기죠. 작업은 상징적인 것으로 --마시고 싶고, 춤추고 싶은-- 실제 운동 체계는 특정 결과에 있어서는, 600여개의 근육을 수축시켜야 합니다. 여기서 작업과 운동체계 사이에 괴리가 발생합니다. 따라서 굉장히 많은 방법을 통한 연결들이 생성되죠. 움직임을 만드는 연결 부분 부분들을 생각해봅시다. 저는 여기 이 무한한 경로들 중 이 두 경로를 선택할 수 있었습니다. 특정한 한 경로를 선택한 경우에, 무한히 많은 관절들을 제 손이 그 경로로 가도록 배치시키겠죠. 저는 제 팔의 특정 관절들을 조종해서 긴장시키거나 이완시킬 수도 있습니다. 제가 만들어낼 수 있는 선택이 정말 많은거죠. 이제, 우리가 극단적으로 전형적이라는 점을 알 수 있습니다. 우리는 거의 똑같은 방식으로 움직입니다.
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.
이것이 우리가 많이 전형적이라는 것을 의미하며, 우리의 뇌가 이러한 전형성을 내포하는 신경망을 형성하는 데 쓰이죠. 그리고 그 덕에 제가 점 몇 개를 특정 형태로 맞추고자 움직일 때, 여러분의 뇌에 있는 회로가 무슨 일이 일어날 지 즉각 이해합니다. 여러 점들의 움직임 집합이죠. 이 사람이 무슨 일을 하는지, 기쁜지 슬픈지, 나이 들었는지, 젊은지 등의 수많은 정보를 쉽게 알 수 있습니다. 만일 이 점들이 경기장을 도는 자동차들이었다면, 당신은 무슨 일이 일어날 지 절대로 알 수 없을 겁니다.
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.
그렇다면 어째서 우리는 이런 특정한 방식으로 움직이는 걸까요? 실제로 어떤 일이 일어나는지 생각해봅시다. 우리가 정확히 같은 방식으로 움직이는 것은 아닐겁니다. 사람들 간에 다양성이 존재하겠죠. 다른 사람들보다 움직임을 더 잘 제어하는 사람이 후에 후손을 얻을 확률이 높습니다. 진화적으로, 움직임이 점점 나아집니다. 살아가면서 배움을 통해서도 움직임이 더 나아지고요.
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.
그렇다면 좋은 움직임과 나쁜 움직임이란 뭘까요? 제가 이 공을 가로채려고 한다고 상상해보세요. 이 공은 두 가지 경로가 가능합니다. 제가 왼쪽 손 경로를 선택한다면, 적시에 원하는 기능을 수행할 근육에 힘을 가해 작동시켜야 합니다. 하지만 여기에 교란이 일어나죠. 이 사랑스럽고 부드러운, 원하는 힘을 바탕으로 제가 실제로 얻는 것은 잡음이 매우 심한 정보입니다. 제가 여러 번에 걸쳐 같은 명령을 내릴 때, 잡음이 매번 달라질 것이기 때문에 저는 다양하게 잡음이 들어간 정보를 얻게 됩니다. 여기서 제가 보여드리고자 하는 것은 이 다양한 잡음들이 제가 이 경로를 선택했을 때 어떻게 발달되어 가는가 하는 점입니다. 다른 방식으로 움직이길 선택한다면 -- 예를 들어 오른쪽으로 -- 저는 다른 명령을 내릴테고 잡음이 심하고 복잡한 체계에서 또 다시 다양한 잡음들을 바탕으로 움직이겠죠. 이 잡음들의 양상이 다양할 것이라는 점은 자명합니다. 제가 이런 특정한 경로로 움직이면, 수많은 움직임들에 걸쳐 매우 적은 다양성을 보이며 행동을 끝내겠죠. 만일 제가 둘 중 하나를 선택해야 했다면, 저는 다양성이 적은 오른쪽 경로를 선택했을 겁니다.
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.
여기서, 당신이 잡음에 의한 부정적인 결과들을 최소화하기 위해 움직임을 계획한다는 것이 기본적인 생각입니다. 그리고 이를 바탕으로 움직이려는 힘이 강해질수록 잡음이나 그 다양성의 양이 점점 커진다는 점을 알 수 있습니다. 거대한 힘을 피하고자 한다는 것을 원리로 볼 수 있죠. 이 방대한 자료가 그 원리를 보여줍니다. 사람들이 잡음에 의한 부정적인 결과를 최소화하기 위한 방향으로 움직임을 계획함으로써 살아간다는 원리요.
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.
제가 당신의 뇌가 움직임을 조절하기 위해 진화해왔다는 확신을 당신에게 주었길 바랍니다. 우리거 어떻게 그 일을 하는지 이해하는 것은 지적인 도전입니다. 병과 사회복귀에 이를 적용해봅시다. 움직임에 영향을 주는 많은 병들이 있습니다. 우리가 움직임을 어떻게 제어하는지 이해한다면, 로봇 공학에 이를 적용할 수 있을 겁니다. 궁극적으로 저는 당신에게, 당신이 간단한 작업을 수행하는 동물을 바라볼 때 당신의 뇌에서 일어나는 일의 복잡성이 얼마나 극적인지를 상기시켜드리고 싶습니다.
Thank you very much.
감사합니다.
(Applause)
(박수)
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?
크리스 앤더슨: 댄, 질문 하나 할게요. 움직임 신봉자로서 당신은 우리가 뇌에 대해 생각하는 다른 것들 - 꿈꾸는 것, 동경하는 것, 사랑에 빠지거나 다른 다양한 것들을 하는 것이 그저 우연에 의해 만들어진 부가적 현상에 불과하다고 생각하는 건가요?
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.
댄: 아뇨, 아닙니다. 저는 그 모든 것이 결국에는 생식 활동에 이르는 올바른 움직임들을 이끌어내는 데 중요하다고 생각합니다. 왜 어린시절의 기억들을 회고하는지를 깨닫지 못한 채 감각이나 기억을 연기하는 사람들에 있어서요. 예를 들어 우리가 어린 시절의 대부분을 잊어버리는 것은 우리 생애 후반의 움직임들에 그것이 거의 영향을 주지 못하기 때문일 겁니다. 움직임에 진정으로 영향을 주는 것들만을 기억해두면 된다는 거죠.
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?
크리스: 그렇다면 뇌와 일반적인 무의식에 대해 생각하는 사람들이 실제 움직임이 어디에서 발생하는지를 봄으로써 통찰을 얻을 수 있다고 생각하시는 건가요?
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.
댄: 예를 들어 당신이 왜 시각을 가지고 있는지에 대한 깨달음 없이 시각을 연구하는 것은 실수라는 거죠. 움직임을 위한 체계가 어떻게 시각을 이용하는지에 대한 깨달음 위에서 시각을 연구해야 합니다. 그 방식에 대해 생각하고 나면 매우 다른 접근을 할 수 있을 겁니다.
CA: Well that was quite fascinating. Thank you very much indeed.
크리스: 정말 흥미로운 강연이었습니다. 감사합니다.
(Applause)
(박수)