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.
Sou neurocientista. E, em neurociência, temos que lidar com muitas questões difíceis sobre o cérebro. Mas quero começar com a pergunta mais fácil, sobre a qual todos vocês já se terão interrogado, porque é uma questão fundamental se queremos compreender a função cerebral. Essa pergunta é: Porque é que nós e outros animais temos cérebro? Nem todas as espécies do nosso planeta têm cérebro. Se queremos saber para que serve o cérebro, pensemos no motivo por que desenvolvemos um. Pode-se julgar que temos um cérebro para compreender o mundo ou para pensar, e isso está completamente errado. Se pensarem nesta questão durante algum tempo, é incrivelmente óbvia a razão por que temos cérebro. Temos cérebro por uma razão e por uma razão apenas, que é para produzir movimentos adaptáveis e complexos. Não há outra razão para termos um cérebro. Pensem nisto. O movimento é a única forma que temos de afetar o mundo à nossa volta. Isso não é inteiramente verdade. Há outra forma, através da transpiração. Mas, fora isso, tudo o resto passa pela contração de músculos.
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.
Pensem na comunicação — fala, gestos, escrita, linguagem gestual — tudo é mediado por contrações dos músculos. Por isso, é muito importante lembrarmo-nos de que os processos sensoriais, cognitivos e de memória são todos importantes, mas apenas são importantes para causar ou suprimir movimentos futuros. Não pode haver qualquer vantagem evolutiva em renunciar às memórias de infância, ou distinguir a cor de uma rosa, se isso não afetar o modo como nos moveremos mais tarde.
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.
Para quem não acreditar neste argumento, há árvores e relva no planeta, que não têm cérebro, mas a prova irrefutável é este animal aqui — a modesta ascídia. Um animal rudimentar, tem um sistema nervoso, nada pelo oceano na sua juventude. A dada altura da sua vida, implanta-se numa rocha. E a primeira coisa que faz quando se implanta nessa rocha, da qual nunca sai, é digerir o seu cérebro e sistema nervoso, para se alimentar. Quando não temos de nos mexer, não precisamos do luxo que é ter um cérebro. Este animal é frequentemente usado como uma analogia para o que acontece nas universidades quando os professores são promovidos na carreira, mas isso é outra história.
(Applause)
(Aplausos)
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.
Portanto, eu sou um fanático do movimento. Acredito que o movimento é a função mais importante do cérebro — não deixem que ninguém vos diga o contrário. Sendo o movimento tão importante, o que sabemos quanto à forma de como o cérebro controla o movimento? Pouco sabemos, é um problema muito difícil. Mas podemos avaliar o nosso sucesso pensando em como construímos máquinas que fazer o que as pessoas fazem.
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.
Pensem no jogo de xadrez. Como estamos a sair-nos na decisão da peça a mover para onde? Se desafiarem o Gary Kasparov, quando não está na prisão, a jogar contra o Deep Blue da IBM, a resposta é que o Deep Blue ganhará de vez em quando. Se o Deep Blue jogasse contra qualquer das pessoas aqui, ganharia sempre, problema resolvido. Que tal o problema de pegar numa peça de xadrez, manipulá-la com destreza e voltar a colocá-la no tabuleiro? Se compararem a destreza de uma criança de cinco anos com a dos melhores robôs da atualidade, a resposta é simples: a criança vence facilmente. Não há qualquer competição.
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.
Porque é que o problema de cima é tão fácil e o de baixo é tão difícil? Uma criança inteligente de cinco anos pode dizer o algoritmo para o problema de cima analisar todas as jogadas possíveis até ao fim do jogo e escolher a que fará ganhar. Portanto, é um algoritmo muito simples. Claro que há outras jogadas, mas, com grandes computadores, aproximamo-nos e quase alcançamos a melhor solução. Se a questão é a destreza, nem sequer é claro qual o algoritmo a resolver para sermos ágeis. Temos que perceber e que atuar no mundo, o que implica muitos problemas.
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.
Vou mostrar-vos o estado da arte da robótica. Grande parte da robótica é impressionante, mas a robótica de manipulação ainda está na idade das trevas. Este é o resultado de um doutoramento de um dos melhores institutos de robótica. O estudante treinou este robô para deitar água num copo. É um problema difícil, porque a água salpica, mas o robô consegue resolvê-lo. Mas não o faz, minimamente, com a agilidade de uma pessoa. Se quiserem que este robô desempenhe uma tarefa diferente, é outro programa de doutoramento de três anos. (Risos) Não há qualquer generalização
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.
de uma tarefa para outra, em robótica. Podemos comparar isto com o desempenho humano mais evoluído. Vou mostrar-vos Emily Fox a bater o recorde mundial de empilhamento de copos. Os americanos, aqui, sabem tudo sobre o empilhamento de copos. É um desporto de liceu. Há 12 copos, para empilhar e desempilhar em contrarrelógio, numa determinada ordem. Aqui está ela a bater o recorde mundial, em tempo real. (Risos) (Aplausos) Ela está muito feliz. Não fazemos ideia do que se passa no cérebro dela, quando faz aquilo. É o que gostaríamos de saber.
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.
No meu grupo, tentamos fazer engenharia invertida sobre como as pessoas controlam o movimento. Isto até parece um problema simples. Enviamos um sinal de comando, ele causa a contração muscular. O braço ou o corpo move-se e recebemos uma resposta sensorial da visão, da pele, dos músculos, etc. O problema é que estes sinais não são os belos sinais que queremos que sejam. O que torna o controlo dos movimentos difícil é o facto de a resposta sensorial ser extremamente ruidosa. Por ruído, não quero dizer som. Usamos o termo no sentido da engenharia e da neurociência, ou seja, um ruído aleatório que corrompe um sinal. Antigamente, antes do rádio digital, sintonizávamos o rádio, ouvíamos um "crrcckkk", isso era o ruído. Mas, mais genericamente, este ruído é algo que corrompe um sinal.
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.
Por exemplo, se pusermos a mão debaixo da mesa e tentarmos localizá-la com a outra mão, podemos errar por vários centímetros devido ao ruído na resposta sensorial. Quando ligamos a saída de um motor à saída de um movimento, fica muito ruidosa. Esqueçam tentar acertar no centro do alvo, visem apenas o mesmo ponto, vezes sem conta. Há uma enorme dispersão devido à variabilidade do movimento. O mundo exterior, ou a tarefa, é simultaneamente ambíguo e variável. O bule pode estar cheio, ou estar vazio. Muda ao longo do tempo. Trabalhamos numa tarefa de movimento sensorial que está cheia de ruído
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.
Este ruído é tão grande que a sociedade concede uma recompensa avultada aos que conseguem reduzir as consequências do ruído. Se conseguirmos enfiar uma bolinha branca num buraco a várias centenas de metros de distância, usando um longo taco de metal a sociedade está disposta a recompensar-nos com centenas de milhões de dólares.
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.
Aquilo de que vos quero convencer é de que o cérebro também despende muito esforço a reduzir as consequências negativas deste tipo de ruído e variabilidade. Para isso, vou falar-vos de uma ferramenta popular na estatística e na aprendizagem de máquinas nos últimos 50 anos, chamada Teoria de Decisão de Bayes. É hoje uma forma unificadora de pensar em como o cérebro lida com a incerteza. A ideia fundamental é que queremos fazer inferências e depois executar ações.
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.
Pensemos na inferência. Queremos gerar crenças sobre o mundo. Mas o que são crenças? Podem ser: onde estão os meus braços no espaço? Estou a olhar para um gato ou para uma raposa? Mas vamos representar as crenças com probabilidades, representar uma crença com um número entre zero e um — zero: "não acredito de todo" e um: "estou absolutamente convencido". Os números intermédios dão os níveis cinzentos de incerteza. A ideia-chave da inferência de Bayes. é que temos duas fontes de informação a partir das quais fazemos a nossa inferência. Temos dados que, em neurociência, são as entradas sensoriais. Tenho uma entrada sensorial, para produzir crenças. Mas há uma outra fonte de informação, que é o conhecimento anterior. Acumulamos conhecimento ao longo da vida através de memórias. A vantagem da Teoria de Decisão de Bayes. é que nos fornece a parte matemática da forma de otimizar o nosso conhecimento anterior com as evidências sensoriais para a formação de novas crenças.
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.
Coloquei a fórmula ali em cima. Não vou explicar aquela fórmula, mas é muito bela. Tem uma real beleza e um real poder explicativo. O que diz e o que queremos estimar, é a probabilidade de diferentes crenças em função da entrada sensorial. Vou dar-vos um exemplo intuitivo. Imaginem que estão a aprender a jogar ténis e querem decidir onde é que a bola vai bater quando passa sobre a rede na vossa direção. Há duas fontes de informação. é o que diz a Lei de Bayes. Há a evidência sensorial — podem usar a informação visual, auditiva, e ela pode dizer-vos que a bola vai aterrar no ponto vermelho. Mas sabem que os sentidos não são perfeitos, e, assim, há variabilidade no local onde vai aterrar mostrada por aquela nuvem a vermelho, que representa números entre 0,5 e talvez 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.
Essa informação está disponível nesta jogada, mas existe outra fonte de informação não disponível nesta jogada, mas apenas disponível pela experiência repetida no jogo do ténis. É que a bola não bate com igual probabilidade em todo o campo durante o jogo. Se estão a jogar contra um adversário muito bom, ele pode distribuí-la naquela área verde, que é a distribuição anterior, tornando-a difícil de devolver. Ambas as fontes de informação trazem informação importante. A Lei de Bayes diz que devemos multiplicar os números a vermelho pelos números a verde para obter os números a amarelo, que têm as elipses, e essa é a minha crença. Portanto, é a maneira perfeita de combinar as informações.
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.
Não vos contaria tudo isto, se não fosse que, há uns anos, mostrámos que isto é o que as pessoas fazem quando aprendem novas capacidades motoras. Isto significa que somos máquinas de inferência bayesianas. Quando andamos por aí, conhecemos as estatísticas mundiais e guardamo-las, mas também aprendemos como o nosso sistema sensorial é ruidoso, e depois combinamos isso de uma forma verdadeiramente 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.
A chave para a Teoria de Bayes é esta parte da fórmula. O que esta parte nos diz é que temos de prever a probabilidade de diferentes respostas sensoriais dadas as nossas crenças. Isso significa que tenho de fazer previsões sobre o futuro. E quero convencer-vos de que o cérebro faz previsões da resposta sensorial que vai obter. E, além disso, ele altera profundamente as perceções, através daquilo que fazemos. Para isso, vou contar-vos como o cérebro lida com a entrada de informação sensorial. Enviamos um sinal de comando, obtemos uma resposta sensorial, e essa transformação é gerida pela física do corpo e pelo sistema sensorial.
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.
Mas podemos imaginar, olhando para dentro do cérebro... — e aqui está o interior do cérebro. Podemos ter um pequeno preditor, um simulador neuronal da física do nosso corpo e dos nossos sentidos. Quando enviamos um sinal de comando de movimento fazemos uma cópia. e corremos a cópia no nosso simulador neuronal para prevermos as consequências sensoriais das nossas ações. Quando agito este frasco de ketchup, recebo uma real resposta sensorial em função de tempo, na linha de baixo. Se tiver um bom preditor, ele prevê a mesma coisa.
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.
Por que razão me hei de incomodar a fazer isso? Vou obter a mesma resposta de qualquer maneira. Mas há boas razões. Imaginem que, enquanto agito o frasco de ketchup, alguém se aproxima de mim e lhe dá umas pancadas na base. Agora tenho uma fonte de informação sensorial adicional devido a esse ato externo. Portanto, tenho duas fontes. Alguém a bater no frasco, e eu a agitá-lo, mas, do ponto de vista dos meus sentidos, isso combina-se numa única fonte de informação.
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.
Há uma boa razão para acreditar que gostaríamos de poder distinguir os acontecimentos externos dos internos. Porque os acontecimentos externos são muito mais relevantes a nível comportamental do que sentirmos tudo o que se passa dentro do corpo. Para reconstruirmos isso, comparamos a previsão — que se baseia apenas nos nossos comandos de movimento com a realidade. Qualquer discrepância deverá, esperamos, ser externa. Portanto, enquanto ando pelo mundo, estou a fazer predições sobre o que devo obter, subtraindo-as. Tudo o que resta é-me externo.
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.
Que provas existem disto? Há um exemplo muito claro em que a sensação gerada por mim é sentida de uma maneira muito diferente daquela que seria, se fosse gerada por outra pessoa. O sítio mais óbvio para começar eram as cócegas. Sabe-se que não conseguimos fazer cócegas a nós mesmos. Mas nunca foi demonstrado que isso acontece porque temos um simulador neuronal, a simular o nosso corpo e a subtrair essa sensação. Podemos ir buscar as experiências do séc. XXI aplicando as tecnologias da robótica a este problema. Com efeito, temos uma espécie de pau numa mão ligada a um robô que vai ser movimentado para trás e para a frente. Depois vamos segui-lo com um computador e usar o computador para controlar outro robô, que vai fazer cócegas na mão com outro pau. Depois pedimos-lhes para avaliarem uma série de coisas, incluindo as cócegas
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.
Vou mostrar só uma parte do nosso estudo. Aqui retirei os robôs. As pessoas movem o braço direito para a frente e para trás sinusoidalmente. Repetimos isso com a outra mão com um certo atraso. Quer sem atraso, caso em que a luz apenas faria cócegas na palma da mão, quer com um atraso de 2 ou 3 décimos de segundo. O importante aqui é que a mão direita faz sempre a mesma coisa — movimento sinusoidal. A mão esquerda, a mesma coisa, faz cócegas sinusoidais Estamos só a jogar com uma causalidade temporal. Quando passamos de 0 para 0,1 segundos, provoca mais cócegas. Quando passamos de 0,1 para 0,2, provoca mais cócegas no final. E pelos 2 décimos de segundo, faz cócegas equivalentes às provocadas pelo robô que apenas nos fez cócegas sem fazermos nada. Seja o que for responsável por esta anulação está estreitamente ligado à causalidade temporal. Com base nesta ilustração, convencemo-nos de que o cérebro faz predições precisas e subtrai-as às sensações.
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.
Reconheço que estes são os piores estudos que o meu laboratório já realizou. Como a sensação de cócegas na palma da mão vem e vai, precisamos de muitos sujeitos para torná-los significativos. Andámos à procura de uma maneira mais objetiva de avaliar este fenómeno. Durante esses anos tive duas filhas. Sabemos que as crianças, durante viagens longas, põem-se a lutar — começa com uma a implicar e a outra a retaliar Rapidamente toma outras proporções. As crianças tendem a meter-se em lutas que acabam numa escalada de força. Quando eu gritava às minhas filhas para pararem, ambas me diziam que a outra lhe tinha batido com mais força.
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.
Eu sei que as minhas filhas não mentem, pelo que pensei, como neurocientista, que era importante poder explicar porque é que elas diziam verdades inconsistentes. Pusemos a hipótese, baseados no estudo das cócegas, de que, quando uma criança bate na outra, estão a gerar o comando de movimento. Preveem as consequências sensoriais e subtraem-nas. Por isso, acreditam que bateram com menos força do que fizeram — tal como as cócegas. Ao passo que o recetor passivo, sente a pancada com toda a força. Se retaliarem com a mesma força, a primeira achará que houve uma intensificação.
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.
Decidimos testar isto no laboratório. (Risos) Não trabalhamos com crianças, não trabalhamos com pancada, mas o conceito é idêntico. Arranjamos dois adultos. Dizemos-lhes que vão jogar um jogo. Temos aqui o jogador 1 e o jogador 2 em frente um do outro. O jogo é muito simples. Começámos com um motor com uma pequena alavanca, transmissora de força. Usamos este motor para exercer força sobre os dedos do jogador 1 durante 3 segundos, e depois paramos. Dizemos a esse jogador: "Recorde a experiência daquela força "e use outro dedo para exercer a mesma força "no dedo do outro através do transmissor de força". E ele faz isso. Dizemos ao segundo jogador: "Recorde a experiência daquela força. Use a outra mão para exercer a força para baixo. Fazem isto, alternadamente, para exercer a força que acabaram de sentir para trás e para a frente.
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.
Mas, e é fundamental, as regras do jogo são-lhes transmitidas em salas separadas. Não conhecem as regras com que a outra pessoa está a jogar. Medimos a força como uma função de termos. Se observarmos aquilo com que começamos, um quarto de um Newton, uma série de turnos, a perfeição seria aquela linha vermelha. Mas observamos isto em todos os pares de pessoas: um aumento de força de 70% em cada turno. Portanto, quando fazem isto, há a sugestão — com base neste estudo e noutros — de que o cérebro está a anular as consequências sensoriais e a menosprezar a força que produz. Isto mostra mais uma vez que o cérebro faz previsões e altera as perceções. Portanto, fizemos inferências, fizemos predições, agora temos que gerar ações. A Lei de Bayes diz que, dadas as minhas crenças, a ação deve, de algum modo, ser ótima.
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.
Mas temos um problema. As tarefas são simbólicas — quero beber, quero dançar — mas o sistema de movimento tem de contrair 600 músculos numa determinada sequência. E há um fosso enorme entre a tarefa e o sistema de movimento, que pode ser ultrapassado de imensas maneiras diferentes. Pensem num movimento ponto-a-ponto. Eu podia escolher estes dois caminhos entre um número infinito de caminhos. Tendo escolhido um caminho em particular, podia segurar a minha mão num número infinito de configurações conjuntas, segurar o meu braço numa dada configuração conjunta ou muito tensa, ou muito relaxada. Portanto, tenho uma enorme quantidade de escolhas a fazer. Acontece que nós somos extremamente estereotipados. Todos nos movemos praticamente da mesma maneira.
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.
Portanto, sendo nós tão estereotipados, os nossos cérebros têm um circuito neuronal dedicado à descodificação deste estereótipo. Se eu pegasse nalguns pontos e lhes conferisse movimento, movimento biológico, o circuito cerebral compreenderia imediatamente o que se estava a passar. Isto é um monte de pontos em movimento. Saberão o que esta pessoa está a fazer, se é feliz ou triste, se é velha ou jovem — uma enorme quantidade de informação. Se estes pontos fossem carros a correr numa pista, não teríamos ideia do que estava a acontecer.
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.
Porque é que nos movemos da forma como nos movemos? Pensemos no que realmente acontece. Talvez não nos movamos todos exatamente da mesma maneira. Talvez haja uma variação dentro da população. Talvez os que se movem melhor que os outros tenham mais hipóteses de passar os filhos à geração seguinte. À escala evolutiva, os movimentos melhoram. Talvez, na vida, os movimentos melhorem através da aprendizagem.
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.
O que é isto de um movimento ser bom ou mau? Imaginem que quero intercetar esta bola. Aqui há dois caminhos possíveis para aquela bola. Se eu escolher o caminho da esquerda, posso organizar as forças requeridas num dos meus músculos como uma função do tempo. Mas há ruído associado. Por isso, o que consigo, com base nesta força desejada, suave e encantadora, é uma versão muito ruidosa. Se eu escolher muitas vezes o mesmo sinal de comando, obterei sempre uma versão diferente do ruído, porque o ruído está sempre a mudar. Posso mostrar-vos aqui como a variabilidade do movimento vai evoluir, se eu escolher aquela maneira. Se escolher uma forma diferente de movimento — à direita, por exemplo — terei um sinal de comando diferente, ruído diferente, jogando num sistema ruidoso, muito complicado. Só podemos ter a certeza de que a variabilidade será diferente. Se eu me mover desta forma particular, acabo com uma menor variabilidade ao longo de muitos movimentos. Se tivesse que escolher entre aqueles dois,
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.
escolheria o da direita porque é menos variável. A ideia fundamental é que queremos planear os nossos movimentos de forma a minimizar a consequência negativa do ruído. Temos a intuição que a quantidade de ruído ou variabilidade que aqui mostro aumenta à medida que a força aumenta. Por isso, por princípio, queremos evitar grandes forças. Portanto, mostrámos que, usando isto, podemos explicar uma grande quantidade de dados, que as pessoas vivem a sua vida planeiam os movimentos de forma a minimizar as consequências negativas do ruído.
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.
Espero ter-vos convencido de que o cérebro existe e evoluiu para controlar o movimento. É um desafio intelectual compreender como fazemos isso. Mas também é relevante para a doença e para a reabilitação. Há muitas doenças que afetam o movimento. Se compreendermos como controlamos o movimento, podemos aplicar isso à tecnologia robótica. Por fim, quero recordar-vos de que, quando veem os animais fazer tarefas muito simples, a real complexidade do que acontece dentro do cérebro é, de facto, bastante dramática.
Thank you very much.
Muito obrigado.
(Applause)
(Aplausos)
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: Uma pergunta rápida, Dan. Quanto ao movimento, és um... DW: ... fanático. CA: Significará isso que pensas que as outras coisas que julgamos dependentes do cérebro o sonho, a saudade, a paixão e todas essas coisas —
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.
são uma espécie de atividade secundária, de um acidente? DW: Não. Penso que todas elas são importantes para conduzir ao correto comportamento dos movimentos. Penso que as pessoas que estudam as sensações ou a memória sem se aperceberem da razão por que esquecemos memórias da infância, por exemplo provavelmente está correto, porque isso não afeta os nossos movimentos mais tarde. Só precisamos de armazenar coisas que vão afetar os movimentos.
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: Achas que as pessoas que estudam o cérebro e a consciência, podiam compreender melhor, dizendo: "Onde é que entra o movimento, neste jogo?"
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: As pessoas descobriram que é um erro estudar a visão ignorando o motivo por que temos visão. Temos que estudar a visão com a perceção de como o sistema motor vai usar a visão. Usa-a de uma forma muito diferente quando pensamos nele dessa forma.
CA: Well that was quite fascinating. Thank you very much indeed.
CA: Foi realmente fascinante. Muito obrigado.
(Applause)
(Aplausos)