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.
Jestem neurobiologiem. W neurobiologii stajemy wobec wielu trudnych pytań nt. mózgu. Chcę zacząć od najłatwiejszego pytania, które każdy powinien sobie kiedyś zadać, ponieważ jest to pytanie fundamentalne, jeśli chcemy zrozumieć funkcję mózgu. Brzmi ono: dlaczego my i inne zwierzęta mamy mózgi? Nie wszystkie gatunki mają mózgi, więc jeśli chcemy wiedzieć po co jest mózg, pomyślmy, po co powstał w toku ewolucji. Możecie pomyśleć, że mamy go, by postrzegać świat lub myśleć, a to kompletnie nie tak. Jeśli się nad tym dłużej zastanowić, staje się oczywiste, po co nam mózg. Mamy mózg z jednego, jedynego powodu: do wykonywania przystosowawczych, złożonych ruchów. Nie ma innego powodu posiadania mózgu. Pomyślcie o tym. Ruch to jedyny sposób, w jaki możemy wpływać na świat. Może nie do końca. Można też przez pocenie się. Ale oprócz tego wszystko inne zachodzi dzięki skurczom mięśni.
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.
Pomyślcie o porozumiewaniu się, mowie, gestach, piśmie, języku migowym, wszystkie zachodzą dzięki skurczom mięśni. Musimy więc pamiętać, że zmysły, pamięć i procesy poznawcze są ważne, ale ważne tylko na tyle, na ile wywołują albo hamują przyszłe ruchy. Niewiele korzyści ewolucyjnych płynie ze wspomnień z dzieciństwa lub postrzegania koloru róży, jeśli nie wpływają na późniejszy sposób poruszania się.
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.
Dla tych, którzy nie wierzą w ten argument, drzewa i trawa na naszej planecie nie mają mózgu, ale najdobitniejszym dowodem jest to zwierzę: skromna żachwa. Prymitywne zwierzę, ma układ nerwowy, z początku pływa w oceanie. W pewnym momencie przyczepia się do skały, której już nigdy nie opuszcza. I natychmiast trawi własny mózg i układ nerwowy. I natychmiast trawi własny mózg i układ nerwowy. Kiedy nie trzeba się ruszać, mózg staje się zbyteczny. Żachwa często służy jako analogia do tego, co dzieje się na uniwersytetach, kiedy profesorowie dostają stały etat, ale to inny temat.
(Applause)
(Brawa)
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.
Jestem ruchowym szowinistą. Wierzę, że ruch jest najważniejszą funkcją mózgu i nie dajcie sobie wmówić inaczej. Skoro ruch jest tak ważny, to czy dobrze rozumiemy, jak mózg kontroluje ruchy? Odpowiedź brzmi: bardzo źle. Można ocenić naszą wiedzę na przykładzie budowania maszyn, które mogą naśladować ludzi.
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.
Pomyślcie o grze w szachy. Jak idzie nam decyzja którym pionkiem ruszyć? Jeśli Gary Kasparov nie siedzi akurat w więzieniu i gra przeciwko Deep Blue IBM, Deep Blue IBM czasami wygra. Sądzę, że Deep Blue IBM wygrałby z każdym na sali. Ten problem jest rozwiązany. A co z problemem podnoszenia pionka szachowego, manipulowania nim i odstawiania na szachownicę? Prównując zręczność 5-latka z najlepszymi robotami odpowiedź jest prosta: dziecko wygrywa z łatwością. W ogóle nie ma porównania.
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.
Dlaczego problem na górze jest taki łatwy, a ten na dole taki trudny? Otóż bardzo bystry pięciolatek mógłby podać algorytm dla problemu na górze: spójrz na wszystkie możliwe ruchy do końca gry i wybierz ten, dzięki któremu wygrasz. To bardzo prosty algorytm. Oczywiście są inne ruchy, ale z wielkimi komputerami zaokrąglamy i zbliżamy się do optymalnego rozwiązania. Jeśli chodzi o zręczność, nie wiemy nawet, jaki algorytm nią kieruje. Świat należy zarówno postrzegać jak i na niego oddziaływać. co pociąga za sobą wiele trudności.
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.
Pozwólcie, że pokażę przełomową robotykę. Wiele rzeczy w robotyce robi wielkie wrażenie, ale robotyka manipulacji jest bardzo zacofana. Oto koniec projektu doktorskiego z jednego z najlepszych instytutów robotyki. Student nauczył tego robota nalewania wody do szklanki. To trudne, bo woda się przelewa, ale daje radę. Jednak nie robi tego ze zręcznością człowieka. Żeby robot wykonał inne zadanie, potrzebny jest inny trzyletni program doktorski. W ogóle nie ma w robotyce uogólniania z jednego zadania do innego.
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.
Możemy to porównać do przełomowych dokonań człowieka. Chcę wam pokazać Emily Fox bijącą światowy rekord w ustawianiu kubków. Widzowie z USA wiedzą wszystko o ustawianiu kubków. To sport ze szkoły średniej, mamy 12 kubków, które trzeba poprzestawiać na czas w ustalonym porządku. Oto światowy rekord w czasie rzeczywistym. (Śmiech) (Oklaski) I jest całkiem szczęśliwa. Nie mamy pojęcia, co się wtedy dzieje w jej mózgu, a chcielibyśmy wiedzieć.
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.
Moja grupa zajmuje się wsteczną inżynierią tego, w jaki sposób ludzie kontrolują ruchy. Brzmi to jak łatwy problem. Wysyłamy polecenie, które powoduje skurcz męśni. Porusza się ramię lub ciało, dostajemy informację zwrotną od wzroku, skóry, mięśni itd. Problem polega na tym, że te sygnały nie są tak piękne, jak byśmy chcieli. Kontrola ruchu jest trudna, bo sensoryczne sprzężenie zwrotne jest bardzo głośne. Nie mam tu na myśli dźwięku. Używamy tego pojęcia w inżynierii i neurobiologii mając na myśli hałas zakłócający sygnał. W czasach przed radiem cyfrowym, włączając radio słyszało się "crrcckkk" w stacji, której chcieliśmy słuchać, to był ten hałas. Ale bardziej ogólnie: ten hałas zakłóca sygnał.
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.
Np. jeśli podłożycie rękę pod blatem i spróbujecie zlokalizować ją drugą ręką, możecie chybić o kilka centymetrów z powodu hałasu w dotykowym sprzężeniu zwrotnym. Nakładanie się motoryki na ruch jest to także bardzo głośne. Nie chodzi o trafienie w środek tarczy, celujcie tylko ciągle w to samo miejsce. Powstanie duży rozrzut z powodu zmienności ruchu. Ponadto, świat zewnętrzny, czyli zadanie, jest zarówno dwuznaczny jak i zmienny. Czajniczek może być pełny, może być pusty. Zmienia się to z czasem. Pracujemy w całej tej zupie hałasu.
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.
Hałas jest tak wielki, że społeczeństwo bardzo docenia tych, którzy umieją zmniejszyć konsekwencje hałasu. Jeśli uda ci się trafić małą białą piłeczką do odległej dziurki przy użyciu długiego metalowego kija, społeczeństwo chętnie cię wynagrodzi setkami milionów dolarów.
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.
Chcę was przekonać, że mózg także dokłada wielu starań, by zmniejszyć negatywne konsekwencje tego rodzaju hałasu i zmienności. Opowiem o schemacie, który od 50 lat jest bardzo popularny w statystyce i uczeniu maszyn. To teoria podejmowania decyzji Bayesa. Od niedawna stosuje się ją do analizy tego, jak mózg radzi sobie z niepewnością. Z zasady wolimy najpierw wnioskować, a potem działać.
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.
Pomyślmy więc o wnioskowaniu. Chcecie tworzyć poglądy o świecie. Czym są te przekonania? Np. gdzie w przestrzeni są moje ręce? Czy patrzę na kota czy lisa? Chcemy pokazać przekonania za pomocą prawdopodobieństw. Przedstawimy przekonanie jako liczbę między 0 a 1: 0 znaczy "nie wierzę", a 1 - "jestem pewien". Liczby pośrednie dają szary obszar niepewności. Wnioskowanie Bayesa polega na tym, że masz dwa źródła informacji, z których wyciągasz wnioski. Masz dane, które w neurobiologii są czuciowymi danymi wejściowymi. Przetwarzam dane sensoryczne na przekonania. Jest jeszcze jedno źródło informacji: wcześniejsza wiedza. Akumulujemy wiedzę przez całe życie we wspomnieniach. Teoria decyzji Bayesa daje podstawę matematyczną dla optymalnego sposobu połączenia wcześniejszej wiedzy z doznaniami zmysłowymi by tworzyć nowe przekonania.
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.
Zamieściłem tutaj wzór. Nie będę go tłumaczył, ale jest bardzo piękny. Ma prawdziwe piękno i prawdziwą moc wyjaśniającą. Mówi o tym, co chcemy określić, czyli o prawdopodobieństwie różnych przekonań, w zależności od odczuć zmysłowych. Podam intuicyjny przykład. Wyobraź sobie, że uczysz się gry w tenisa i chcesz zdecydować, gdzie odbije się piłka lecąca nad siatką w twoją stronę. Są dwa źródła informacji, mówi reguła Bayesa. Są dane czuciowe: informacje wzrokowe, słuchowe co może pozwolić na trafienie w czerwone pole. Jednak wiadomo, że zmysły nie są idealne, i mamy pewną zmienność co do miejsca lądowania piłki, pokazane przez tę czerwoną chmurę, reprezentująca liczby między 0,5 i 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.
Ta informacja jest dostępna w bieżącym serwie, ale jest jeszcze inne źródło informacji, niedostępne w bieżącym serwie, ale dostępne przez wielokrotne doświadczenie gry w tenisa, mianowicie, że piłka nie odbija się od kortu z jednakowym prawdopodobieństwem. Bardzo dobry przeciwnik może ją odbić na to zielone pole, które oznacza uprzenie rozmieszczenie sprawiając, że piłkę trudno odbić. Oba źródła informacji niosą ważne dane. Wg. reguły Bayesa powinienem pomnożyć liczby na czerwonym przez numery na zielonym, by otrzymać liczby na żółtym, które mają elipsy, czyli moje przekonanie. Jest to optymalny sposób łączenia informacji.
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.
Nie mówiłbym o tym, gdybyśmy kilka lat temu nie wykazali, że właśnie tak robią ludzie podczas nauki nowych umiejętności ruchowych. I oznacza to, że naprawdę wnioskujemy zgodnie z reguła Bayesa. Uczymy się statystyki świata i zapamiętujemy to, ale uczymy się także, jak hałaśliwe są nasze narządy czuciowe, co łączymy potem w naprawdę bayesowski sposób.
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.
Sednem reguły Bayesa jest ta część wzoru. która mówi, że muszę przewidzieć prawdopodobieństwo która mówi, że muszę przewidzieć prawdopodobieństwo różnych czuciowych informacji zwrotnych wziąwszy pod uwagę moje przekonania. W zasadzie: muszę przewidywać przyszłość. Chcę was przekonać, że mózg przewiduje, jaka czuciową informację zwrotną otrzyma. Ponadto głęboko zmienia postrzeganie przez to, co robisz. W tym celu opowiem o tym, jak mózg radzi sobie z wejściem czuciowym. Wysyłacie polecenie, otrzymujecie czuciową informację zwrotną, To przekształcenie podlega fizyce ciała i mechanizmowi czuciowemu.
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.
Wyobraźmy sobie, że zaglądamy do mózgu. A to wnętrze mózgu. Możecie mieć mały predyktor, neuronalny symulator, fizyki naszego ciała i zmysłów. Wysyłając polecenie ruchu, kopiujecie je i zamieniacie w neuronalny symulator, by przewidzieć czuciowe konsekwencje czynów. Kiedy potrząsam butelką keczupu, odbieram czuciową informację zwrotną jako funkcję czasu w dolnej linijce. Dobry predyktor przewidzi to samo.
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.
Po co sobie tym zawracać głowę? Przecież dostanę tą samą informację zwrotną. Jest na to dobry powód. Powiedzmy, że gdy trzęsę butelką keczupu, ktoś uprzejmie podchodzi i puka ją w denko. Mam dodatkowe źródło informacji sensorycznych z powodu tego zewnętrznego wydarzenia. Więc mam dwa źródła. Mam czyjeś pukanie i swoje potrząsanie, ale z punktu widzenia moich zmysłów, jest to połączone w jedno źródło informacji.
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.
Przypuszczam, że chcielibyście odróżniać wydarzenia zewnętrzne od wewnętrznych. Wydarzenia zewnętrzne mają większy wpływ na zachowanie, niż odczuwanie wszystkich procesów wewnątrz ciała. Można to np. odtworzyć przez porównanie przewidywania opartego tylko na poleceniach ruchu z rzeczywistością. Wszelka rozbieżność powinna pochodzić z zewnątrz. Kiedy chodzę po świecie, przewiduję wyniki odejmując rozbieżności. To co zostaje uznaję za zewnętrzne.
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.
Jakie są na to dowody? Jest przykład wielkiej różnicy między odczuciem spowodowanym przeze mnie a odczuciem spowodowanym przez kogoś innego. Uznaliśmy, że najlepiej będzie zacząć od łaskotania. Uznaliśmy, że najlepiej będzie zacząć od łaskotania. Wiadomo, że nie można się samemu połaskotać tak, jak łaskoczą nas inni ludzie. Jednak nie pokazano, że powodem jest neuronalny symulator, symulujący nasze własne ciało i odejmujący to odczucie. Możemy prowadzić eksperymenty XXI wieku dzięki użyciu technologii robotycznych. Badany trzyma rodzaj patyka podłączonego do robota i porusza nim w przód i w tył. Śledzimy to drugim komputerem kontrolującym kolejny komputer, który będzie łaskotał drugą dłoń innym patykiem. A potem poprosimy ich o ocenę kilku rzeczy, łącznie z łaskotkami.
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.
Pokażę tylko jedną część naszego badania. Zabrałem roboty. Badani poruszają prawą ręką sinusoidalne w przód i tył. Odtwarzamy to drugiej ręce z opóźnieniem czasowym. Jeśli nie ma opóźnienia, światło tylko połaskocze dłoń, albo z opóźnieniem 0,2 lub 0,3 sekundy. Prawa ręka zawsze robi to samo: ruch sinusoidalny. Prawa ręka zawsze robi to samo: ruch sinusoidalny. Lewa ręka jest zawsze łaskotana sinusoidalnie. Manipulujemy tylko z zależnością czasową. Kiedy przyspieszamy od 0 do 0,1 sekundy łaskocze bardziej. Między 0,1 a 0,2 sekundy łaskocze tym bardziej, im większe opóźnienie. Powyżej 0,2 sekundy łaskotliwość jest taka sama jak wtedy, gdy robot zrobił to bez aktywności badanego. Cokolwiek odpowiada za to anulowanie, jest ściśle związane z przyczynowością czasową. Dzięki temu przekonaliśmy się w praktyce, że mózg tworzy precyzyjne przewidywania i odejmuje je od odczuć.
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.
To najgorsze z moich badań. Ponieważ swędzenie dłoni pojawia się i znika, trzeba dużej ilości badanych z tymi gwiazdkami oznaczającymi istotność statystyczną. Szukaliśmy obiektywniejszej drogi do oceny tych zjawisk. W międzyczasie urodziły mi się dwie córki. Podczas długich podróży na tylnym siedzeniu dzieci zaczynają się kłócić. Jedna robi coś drugiej, druga się mści. Szybko się to zaostrza. Kłótnie dzieci zaostrzają się pod względem siły. Kiedy krzyczałem, by przestały, czasem obie mówiły mi, że ta druga uderzyła mocniej.
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.
Wiem, że moje dzieci nie kłamią, więc jako neurobiolog pomyślałem, że muszę wyjaśnić, dlaczego ich prawdy nie przystają do siebie. Wysnuliśmy hipotezę z badań o łaskotaniu, że kiedy jedno dziecko bije drugie, generuje polecenie ruchu. Dzieci przewidują czuciowe konsekwencje i odejmują je. Czyli wydaje im się, że uderzają słabiej niż w rzeczywistości, tak jak przy łaskotaniu. Bierny odbiorca tego nie przewiduje i odczuwa pełny cios. Jeśli oddaje z tą samą siłą, pierwsza osoba pomyśli, że dostała mocniej.
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.
Postanowiliśmy to sprawdzić w laboratorium. (Śmiech) Nie pracujemy z dziećmi, nie stosujemy bicia, ale koncepcja jest identyczna. Wprowadzamy dwóch dorosłych. Mówimy im, że zagrają w grę. Gracz nr 1 i nr 2 siedzą naprzeciwko siebie. A gra jest bardzo prosta. Zaczęliśmy od silniczka z małą dźwignią, małym przekaźnikiem siły. Silniczek pomaga naciskać palce gracza nr 1 na trzy sekundy, a potem się zatrzymuje. Gracz miał zapamiętać odczucie tej siły i użyć drugiego palca by przyłożyć tą samą siłę do palca gracza nr 2 przez przekaźnik siły. Graczowi nr 2 kazano zapamiętać odczucie tej siły. Ma użyć drugiej ręki by znów przyłożyć siłę. Na zmianę przykładają siłę której właśnie doświadczyli.
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.
Co bardzo ważne, zasady gry dostają w osobnych pokojach. Nie znają reguł, wg których gra druga osoba. Mierzyliśmy siłę jako funkcję rund. Mierzyliśmy siłę jako funkcję rund. I jeśli spojrzymy na początek, ćwierć niutona tutaj, kilka rund, ideałem byłaby ta czerwona linia. U wszystkich par badanych widać zwiększenie siły o 70% w każdej rundzie. Takie wyniki sugerują, na podstawie tego i innych naszych badań, że mózg wyklucza czuciowe konsekwencje i nie docenia siły, którą wytwarza. Więc znów pokazuje to, że mózg robi przewidywania i znacznie zmienia polecenia. Wywoływalismy zakłócenia, przewidywaliśmy, teraz musimy stworzyć działanie. Reguła Bayesa mówi, na podstawie moich przekoanń, działanie w pewnym sensie powinno być optymalne.
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.
Ale mamy problem. Zadania są symboliczne: chcę pić, chcę tańczyć, ale układ ruchowy musi kurczyć 600 mieśni w określonej kolejności. I jest duża rozbieżność między zadaniem i układem ruchowy. Można to połączyć na nieskończenie wiele sposobów. Pomyślcie tylko o ruchu z punktu do punktu. Mógłbym wybrać te dwie ścieżki z nieskończonej liczby ścieżek. Po wybraniu danej ścieżki, mogę trzymać rękę na tej ścieżce jako nieskończenie wielu różnych konfiguracjach ustawienia stawów. I mogę trzymać rękę w szczególnym układzie stawów albo bardzo sztywno albo luźno. Muszę dokonać wielu wyborów. Okazuje się, że jesteśmy bardzo stereotypowi. Wszyscy ruszamy się właściwie tak samo.
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.
Jesteśmy tak stereotypowi, że nasze mózgi mają specjalny obwód nerwowy który dekoduje tworzenie stereotypów. Jeśli wezmę parę kropek i wprawię je w ruch na podobieństwo organizmów, wasze obwody mózgowe natychmiast to zrozumieją. To tylko poruszające się kropki. Będziecie wiedzieli, co robi ta osoba, czy jest szczęśliwa, smutna, stara, młoda - masa informacji. Gdyby te kropki były samochodami na wyścigach, nie mielibyście pojęcia, co się dzieje.
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.
Więc dlaczego poruszamy się w ten, a nie inny sposób? Pomyślmy, co naprawdę się dzieje. Może nie wszyscy poruszamy się tak samo. Może jest zróżnicowanie populacji. Może ci, którzy poruszają się lepiej niż inni, mają większe szanse na następne pokolenia dzieci. W skali ewolucyjnej, ruchy się polepszają. W życiu ruchy usprawniają się przez naukę.
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.
Co w ruchu jest dobre lub złe? Powiedzmy, że chcę przechwycić tę piłkę. Tu są dwa możliwe tory. Jeśli wybiorę tor po lewej, mogę określić potrzebne siły mięśni jako funkcję czasu. Ale do tego dochodzi hałas. Zamiast pięknej, płynnej, oczekiwanej siły, dostaję bardzo hałaśliwą wersję. Jeśli wydam to samo polecenie wiele razy, dostanę wiele hałaśliwych wersji, bo hałas ciągle się zmienia. Tutaj mogę wam pokazać, jak rozwinie się zmienność ruchu, jeśli wybiorę tą drogę. Jeśli wybiorę inny sposób, np. ten po prawej, będę miał inne polecenie, inny hałas, w hałaśliwym systemie; to bardzo skomplikowane. Wiemy na pewno, że zmienność będzie inna. Jeśli poruszam się dany sposób, napotkam mniejszą zmienność w wielu ruchach. Jeśli muszę wybrać między tymi dwoma, wybiorę prawy, ponieważ jest mniej zmienny.
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.
Fundamentalną zasadą jest planowanie swoich ruchów tak, by zminimalizować negatywne konsekwencje hałasu. Intuicyjnie zrozumiałe jest, że w rzeczywistości pokazywana zmienność hałasu zwiększa się wraz ze wzrostem siły. Chcemy unikać dużej siły dla zasady. Wykazaliśmy, że tą metodą możemy wytłumaczyć bardzo wiele danych; że ludzie całe życie planują swoje ruchy tak, by zminimalizować negatywne konsekwencje hałasu.
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.
Mam nadzieję, że przekonałem was, że mózg wyewoluował po to, by kontrolować ruch. Zrozumienie jak to robimy, stanowi intelektualne wyzwanie. Jest to także ważne dla schorzeń i rehabilitacji. Jest wiele chorób, które wpływają na ruch. Mam nadzieję, że jeśli zrozumiemy kontrolę ruchu, da się ją zastosować do robotyki. Na koniec chcę przypomnieć, że u zwierząt, robiących coś z pozoru prostego, rzeczywista złożoność pracy mózgu jest naprawdę dramatyczna.
Thank you very much.
Dziękuję bardzo.
(Applause)
(Brawa)
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: Krótkie pytanie. Jesteś ruchowym szowinistą. Czyli sprawy, którymi, zdawałoby się, zajmuje się mózg: marzenia, tęsknota, miłość itp są skutkiem ubocznym, przypadkiem?
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: Nie. Wszystko to jest ważne, by odpowiednimi ruchami doprowadzić do reprodukcji. Sądzę, że badacze odczuć lub pamięci nie wiedzą, czemu przechowujemy wspomnienia z dzieciństwa. Zapominamy większość naszego dzieciństwa ale nie wpływa to na nasze ruchy w późniejszym życiu. Trzeba przechowywać tylko to, co naprawdę wpłynie na ruch.
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: Czyli ludzie mogliby zgłębić mózg i ogólnie świadomość określając, jaką rolę odgrywa ruch?
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: Ludzie odkryli np., że badanie wzroku bez świadomości, po co nam wzrok jest pomyłką. Trzeba badać wzrok pamiętając o tym, jak układ ruchowy skorzysta z tego zmysłu. Używa na wiele sposobów, jeśli tak na to spojrzeć.
CA: Well that was quite fascinating. Thank you very much indeed.
CA: To było fascynujące. Naprawdę bardzo dziękuję.
(Applause)
(Brawa)