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.
Eu sou um neurocientista. E em neurociências, temos de lidar com questões muito difíceis sobre o cérebro. Mas eu quero começar com a questão mais fácil e que vocês devem ter se perguntado em algum ponto de sua vida, pois é uma questão fundamental para entendermos a função do cérebro. E ela é: por que nós e outros animais temos cérebros? Nem todas as espécies em nosso planeta têm cérebro, então se queremos saber para que o cérebro serve, vamos pensar sobre por que um evoluiu em nós. Vocês podem argumentar que temos um para perceber o mundo ou pensar, e isso está completamente errado. Se você pensar nessa questão por algum tempo, é extremamente óbvio por que temos um cérebro. Nós temos um cérebro por uma razão e apenas uma, que é produzir movimentos complexos e adaptáveis. Não há qualquer outra razão para ter um cérebro. Pensem sobre isso. O movimento é o único modo que vocês têm de afetar o mundo à sua volta. Agora isso não é bem verdade. Tem outro modo, e é por meio do suor. Mas além disso, tudo mais acontece por meio da 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.
Então pensar sobre comunicação -- fala, gestos, escrita, língua de sinais -- eles são todos mediados por meio de contração de seus músculos. Então é muito importante lembrar que processos sensoriais, mnemônicos e cognitivos são importantes, mas só são importantes para dirigir ou suprimir futuros movimentos. Não pode haver vantagem adaptativa em esquecer memórias da infância ou perceber a cor de uma rosa se isso não afeta o modo como você se move na vida.
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.
Agora para aqueles que não acreditam nesse argumento, nós temos árvores e grama sem cérebro em nosso planeta, mas a evidência mais forte é esse animal aqui -- o pequeno tunicado. Um animal rudimentar, que tem um sistema nervoso, nada pelo oceano em sua fase juvenil. E em certo ponto de sua vida, ele se ancora numa pedra. E a primeira coisa que faz ao se ancorar nessa pedra, que nunca mais deixa, é digerir seu próprio cérebro e sistema nervoso como comida. Então uma vez que não é preciso se mexer, não há necessidade de ter um cérebro. E esse animal é tomado com frequência como uma analogia ao que acontece nas universidades quando o professor alcança estabilidade, mas esse é outro assunto.
(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.
Eu sou um chauvinista do movimento. Eu acredito que o movimeto é a função mais importante do cérebro, a não permito a ninguém dizer que isso não é verdade. Agora se o movimeno é tão importante, como estamos indo na compreensão de como o cérebro controla o movimento? E a resposta é que estamos indo mal. É um problema muito difícil. Mas podemos verificar como estamos indo ao pensar sobre quão bem estamos indo ao construir máquinas que podem fazer o que os humanos 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 sobre o jogo de xadrez. Estamos indo bem ao determinar qual peça deve se mover para onde? Se você confrontar o Gary Kasparov, quando ele não está na prisão, contra o Deep Blue da IBM, então a resposta é que o Deep Blue vai ganhar às vezes. E eu acho que se o Deep Blue jogasse contra qualquer um nessa sala, iria ganhar todas. Esse problema está resolvido. Quanto ao problema de pegar uma peça de xadrez, manipulá-la com destreza e colocá-la de volta no tabuleiro? Se confrontar a destreza de uma criança de 5 anos contra o melhor robô atual, a resposta é simples: a criança vence facilmente. Não há competição alguma.
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.
Agora por que o problema acima é tão fácil e o problema abaixo é tão difícil? Uma resposta é que uma criança de 5 anos muito esperta poderia dizer o algoritmo para o problema acima -- verificar todos os movimentos possíveis para o fim do jogo e escolher aquele que traz a vitória. Então é um algoritmo muito simples. Agora é claro que há outros movimentos, mas com computadores potentes nós nos aproximamos da melhor solução. Quando o problema é ter destreza, não é muito claro qual o algoritmo que é preciso para ter isso. E constatamos que é preciso tanto perceber quanto agir no mundo, o que traz um monte de 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.
Mas deixem-me mostrar a robótica de ponta. Vários robôs são bem impressionantes, mas robôs de manipulação estão na idade das trevas. Então isso é o fim de um projeto de doutorado de um dos melhores institutos de robótica. E o estudante treinou esse robô a colocar água num copo. É um problema difícil pois a água escorre, mas ele pode fazer isso. Mas ele não está no mesmo nível de agilidade de um humano. Agora se você quer que esse robô faça uma tarefa diferente, isso é outro projeto de doutorado. Não há generalização nenhuma de uma tarefa para outra em robótica.
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.
Agora podemos comparar isso com o desempenho de ponta humano. Então o que vou mostrar a você é Emily Fox batendo o recorde mundial de empilhamento de copos. Os americanos na audiência já conhecem tudo sobre isso. É um esporte escolar no qual é preciso empilhar e desempilhar 12 copos contra o relógio, numa ordem pré-definida. E isso é ela batendo o recorde em tempo real. (Risos) (Aplausos) E ela está muito feliz. Nós não temos ideia do que passava em seu cérebro quando ela fazia isso, e é isso que queremos 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.
Então na minha equipe, o que tentamos é fazer engenharia reversa de como os humanos controlam o movimento. E isso parece um problema simples. Você envia um comando, isso faz os músculos contraírem. Seu braço ou corpo se move, e você recebe um retorno sensorial da visão, da pele, dos músculos e assim por diante. O problema é que esses sinais não são tão belos quanto você gostaria. Então uma coisa que torna o controle de movimento difícil é o retorno sensorial ser muito ruidoso. Por ruído, não quero dizer barulho. Nós o usamos no sentido da engenharia e neurociência para remeter um ruído geral corrompendo um sinal. Antigamente, quando você sintonizava seu rádio e ouvia um "crrrrrkkk' na estação que queria ouvir, isso era o ruído. Mas de forma geral, esse ruído é algo que corrompe o 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 você colocar sua mão sob a mesa e tentar localizá-la com sua outra mão, você pode errar por vários centímetros devido ao ruído do retorno sensorial. De maneira similar, quando você insere motricidade na eferência do movimento, é extremamente ruidoso. Desista de tentar acertar o alvo no jogo de dardos, apenas mire o mesmo ponto de novo e de novo. Você tem uma grande margem devido à variabilidade do movimento. E mais do que isso, o mundo exterior, ou a tarefa, são tanto ambíguos quanto variáveis. O bule pode estar cheio, ou pode estar vazio. Isso muda com o tempo. Então trabalhamos numa sopa de ruídos de tarefas sensório-motoras.
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.
O ruído é tão grande que a sociedade oferece um grande prêmio para aqueles que podem reduzir as consequências do ruído. Então se você tiver sorte o bastante para conseguir rebater uma bola num buraco a centenas de metros de distância usando um taco de metal, nossa sociedade irá recompensá-lo 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.
Agora quero convencê-los de que o cérebro também faz um grande esforço para reduzir as consequências negativas desse tipo de ruído e variabilidade. E para convencê-los, eu vou falar sobre um paradigma que é muito popular em estatística e aprendizagem de máquina há 50 anos, chamada teoria bayesiana de decisão. E mais recentemente uma forma unificadora de pensar sobre como o cérebro lida com a incerteza. E a ideia fundamental é 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.
Então vamos pensar sobre a inferência. Queremos gerar crenças sobre o mundo. Então quais são as crenças? As crenças podem ser: onde estão meus braços no espaço? Estou procurando um gato ou uma raposa? Mas vamos representar crenças com probabilidades. Então vamos representar uma crença com um número entre zero e um -- zero significa que não acredito nisso, um significa que tenho certeza disso. E os números entre eles dão os níveis cinza de incerteza. E a ideia central da inferência bayesiana é que há duas fontes de informação das quais é feita nossa inferência. Há os dados, e dados em neurociência são a aferência sensorial. Então eu tenho aferência sensorial, que eu uso para fazer crenças. Mas há outra fonte de informação, e que é efetivamente conhecimento prévio. Você acumula conhecimento ao longo da vida em memórias. E o argumento da teoria bayesiana de decisão é que ela dá a matemática da melhor maneira de combinar seu conhecimento prévio com sua evidência sensorial para gerar 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.
E eu coloquei a fórmula lá em cima. Eu não vou explicar como é a fórmula, mas é muito bonita. E tem uma beleza e poder explicativo verdadeiros. E o que ela explica, e o que você quer estimar, é a probabilidade de crenças diferentes em função de sua aferência sensorial. Então deixem-me dar um exemplo intuitivo. Imagine que você está aprendendo a jogar tênis e você quer decidir onde a bola vai quicar enquanto ela passa sobre a rede. Há duas fontes de informação segundo a regra de Bayes. Há a evidência sensorial -- você pode usar a informação visual, informação auditiva, e isso pode dizer qual é o ponto vermelho. Mas você sabe que seus sentidos não são perfeitos, e assim há alguma variabilidade sobre onde a bola vai cair mostrada pela nuvem vermelha, representando 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.
A informação é disponível no lance atual, mas há outra fonte de informação não disponível no lance atual, mas apenas disponível por experiências repetidas no jogo de tênis, e que é que a bola não quica com a mesma probabilidade na quadra durante a partida. Se você está jogando contra um rival muito bom, elas podem se distribuir na área verde, que é a distribuição prévia, tornando a devolução difícil. Agora essas duas fontes trazem informações importantes. E o que a regra de Bayes diz é que eu devo multiplicar os números no vermelho pelos números no verde para chegar aos números no amarelo, que mostra a elipse, e essa é a minha crença. Então essa é a melhor forma de combinar informação.
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.
Eu não diria tudo isso a vocês se não fosse por estudo que fizemos, onde mostramos que é exatamente o que as pessoas fazem quando aprendem novas habilidades de movimento. E o que isso significa é que nós somos máquinas de inferência bayesiana. Enquanto nos movemos, aprendemos sobre as estatísticas do mundo e suas regras, mas também aprendemos sobre o quão ruidoso é nosso aparelho sensorial, e daí combinamos os dois numa forma 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.
Uma peça chave dessa teoria bayesiana é essa parte da fórmula. E o que essa parte diz é que preciso prever a probabilidade de diferentes retornos sensoriais dadas as minhas crenças. Então isso significa que preciso fazer previsões do futuro. E quero convencê-los de que o cérebro faz essas previsões sobre o que o retorno sensorial vai receber. Além disso, ele muda profundamente suas percepções pelo que você faz. E para fazer isso, eu direi a vocês sobre como o cérebro lida com a aferência sensorial. Então você envia um comando, você recebe retorno sensorial, e essa transformação é chefiada pela física do seu corpo e seu aparelho 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 você pode se imaginar olhando para dentro do cérebro. E eis aqui o interior do cérebro. Você pode ter um pequeno preditor, um simulador neural, da física do seu corpo e sentidos. Então enquanto você envia um comando para baixo, você faz uma cópia disso e a executa no seu simulador neural para antecipar as consequências sensorias de suas ações. Enquanto agito essa bisnaga de ketchup, eu recebo retorno sensorial como a função do tempo na linha de baixo. E se eu 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 eu me importaria com isso? Eu vou receber o mesmo retorno de qualquer jeito. Bem, há boas razões. Imaginem que, enquanto agito a bisnaga, alguém muito gentil chega e dá um tapinha no fundo da bisnaga para mim. Agora eu recebo uma fonte extra de informação sensorial devido a esse ato externo. Então eu tenho duas fontes. Eu tenho alguém dando tapinhas, e eu agitando isso, mas pelo ponto de vista de meus sentidos, eles são combinados em uma 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.
Agora há boas razões para acreditar que você gostaria de saber distinguir eventos externos dos eventos internos. Pois eventos externos são muito mais relevantes para o comportamento que sentir tudo o que acontece dentro do meu corpo. Então uma forma de reconstruir isso é comparar a previsão -- que é apenas baseada em seus comandos de movimento -- com a realidade. Qualquer discrepância deve ser externa. Então enquanto ando pelo mundo, eu faço previsões do que devo receber, e as subtraio. Tudo o que sobrar é externo a mim.
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.
Qual é a evidência para isso? Bem, há um exemplo muito claro em que uma sensação gerada por mim mesmo é sentida de forma diferente de uma gerada por outra pessoa. Então decidimos que o melhor lugar para começar era com cócegas. É sabido há muito tempo que não se pode fazer cócegas em si mesmo da mesma forma como outras pessoas fazem. Mas não foi demonstrado que é por causa de seu simulador neural, simulando seu próprio corpo e subtraindo esse sentido. Então podemos fazer experimentos do século 21 aplicando tecnologias robóticas nesse problema. E com efeito, o que temos é um tipo de vareta em uma mão acoplada a um robô, e ele vai movê-la para frente e para trás. E depois vamos rastrear isso com um computador e usá-lo para controlar outro robô, que vai cocegar sua palma com outra vareta. E depois vamos pedir a eles que avaliem um bocado de coisas incluindo 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.
Eu vou mostrar a vocês só uma parte de nosso estudo. E aqui eu excluí os robôs, mas basicamente as pessoas movem seu braço direito de forma sinusoidal para frente e para trás. E nós repetimos isso com a outra mão com um intervalo temporal. Ou sem intervalo nenhum, caso em que a luz apenas cocega sua palma, ou com um intervalo de dois ou três décimos de segundo. Então o ponto importante aqui é que a mão direita sempre faz as mesmas coisas -- movimento sinusoidal. A mão esquerda é sempre a mesma e sente uma cócega sinusoidal. E estamos brincando com uma causalidade de ritmo. E se partimos de zero para 0,1 segundo, ela se torna mais coceguenta. Se vamos de 0,1 para 0,2, ela se torna mais coceguenta no fim. E a partir de 0,2, é tão coceguento quanto o robô que o tocava sem você fazer nada. Então o que quer que seja responsável por esse cancelamento é extremamente acoplado com causalidade de ritmo. E baseado nessa ilustração, nós realmente nos convencemos de que o cérebro faz previsões precisas e as subtrai das 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.
Agora preciso admitir, esses são os piores estudos que meu laboratório fez. Pois a sensação de cócega na palma vai e vem, é necessário um grande número de indivíduos com essas estrelas mostrando ser significantes. Então estamos buscando por uma maneira mais objetiva de acessar esse fenômeno. E ao longo dos anos eu tive duas filhas. E uma coisa que se percebe em crianças no banco de trás de carros em longas viagens é que elas brigam -- que começa com uma fazendo alguma coisa para a outra, a outra devolvendo. Isso aumenta com rapidez. E as crianças tendem a ter brigas que aumentam em termos de força. Agora quando eu grito para minhas crianças pararem, algumas vezes ambas me dizem que a outra bateu mais forte.
Now I happen to know my children don't lie, so I thought, as a neuroscientist, it was important how I could explain how they were telling inconsistent truths. And we hypothesize based on the tickling study that when one child hits another, they generate the movement command. They predict the sensory consequences and subtract it off. So they actually think they've hit the person less hard than they have -- rather like the tickling. Whereas the passive recipient doesn't make the prediction, feels the full blow. So if they retaliate with the same force, the first person will think it's been escalated.
Eu sei que minhas crianças não mentem, então pensei, como neurocientista, que era importante que pudesse explicar como elas diziam verdades inconsistentes. E testamos isso, baseado no estudo das cócegas, que, quando uma criança bate na outra, elas geram o comando de movimento. Elas predizem as consequências sensoriais e as subtraem. Então elas pensam que acertam a outra com menos força do que fizeram -- assim como as cócegas. Visto que o recipiente passivo não faz as previsões, sente a carga total. Então se elas retaliam com a mesma força, a primeira pessoa vai achar que foi superada.
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.
Então decidimos testar isso no laboratório. (Risos) Não trabalhamos com crianças, não trabalhamos com brigas, mas o conceito é idêntico. Nós trazemos dois adultos. Nós dissemos a eles para jogar um jogo. E aqui há o jogador um e o jogador dois sentados de frente um para o outro. E o jogo é muito simples; Nós começamos com um motor com uma pequena alavanca, um transferidor de força. E usamos esse motor para aplicar força sobre os dedos do jogador um por três segundos e depois ele para. E dissemos para esse jogador lembrar da experiência da força e usar o outro dedo para aplicar a mesma força sobre o dedo do outro sujeito através de um transferidor de força -- e assim fizeram. E dissemos para o jogador dois lembrar da experiência daquela força e usar sua outra mão para aplicar a força para baixo. E eles fizeram isso em rodadas para aplicar a força que experimentaram para 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 mais importante, eles foram ensinados sobre as regras do jogo em salas separadas. Então um não sabe as regras com que o outro está jogando. E o que medimos é a força como função de termos. E se observarmos com o que começamos, um quarto de Newton, após algumas rodadas, o perfeito seria a linha vermelha. E o que vimos em todos os pares de indivíduos foi isso: um aumento de 70 por cento da força em cada rodada. Então isso sugere, quando você faz isso -- baseado nesse estudo e em outros que fizemos -- que o cérebro está cancelando as consequências sensoriais e subestimando a força que está produzindo. Então isso reapresenta o cérebro fazendo previsões e mudando fundamentalmente os preceitos. Então fizemos inferências, fizemos previsões, agora temos de gerar ações. E o que a regra de Bayes diz é, dadas minhas crenças, a ação deve ser ótima em algum nível.
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 -- eu quero beber, quero dançar -- mas o sistema de movimento precisa contrair 600 músculos numa sequência específica. E há um grande intervalo entre a tarefa e o sistema de movimento. Então eles podem estar conectados por infinitas formas. Então pensem sobre um movimento ponto a ponto. Eu poderia escolher essas duas vias entre um número infinito de vias. Após escolher uma via específica, eu posso segurar minha mão nessa via assim como em muitas configurações de articulação. E posso segurar meu braço numa configuração de articulação específica de forma muito rígida ou muito relaxada. Então tenho um monte de escolhas a fazer. Acontece que somos extremamente estereotipados. Nós nos movemos da mesma forma com frequência.
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.
E somos tão estereotipados, que nossos cérebros dedicam uma circuitaria neural para decodificar essa estereotipagem. Então se eu pegar alguns pontos e colocá-los em movimento com movimento biológico, sua circuitaria cerebral entende na hora o que está acontecendo. Agora isso é um monte de pontos se movendo. Você sabe o que esta pessoa está fazendo, se está feliz, triste, velha, jovem -- um monte de informações. Se esses pontos fossem carros numa pista de corrida, você não saberia o que está acontecendo.
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.
Então por que nos movemos de formas específicas? Bem, vamos pensar sobre o que realmente acontece. Talvez não nos movamos da mesma forma. Talvez haja variações na população. E talvez aqueles que se movem melhor que os outros tenham mais chances de ter filhos para a próxima geração. Então em escalas evolucionárias, os movimentos melhoram. E talvez na vida, os movimentos melhoram com 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.
Então o que define se um movimento é bom ou ruim? Imaginem que eu quero rebater essa bola. Há duas vias possíveis para essa bola. Se eu escolho a via da esquerda, eu posso trabalhar as forças necessárias em um de meus músculos em função do tempo. Mas há ruído somado a isso. Então o que eu recebo, baseado nessa força suave e desejada, é uma versão muito ruidosa. Se eu escolho o mesmo comando por várias vezes, eu recebo um ruído diferente cada vez, pois o ruído muda com o tempo. Então o que posso mostrar a vocês é como a variabilidade do movimento evolui se escolho esse caminho. Se eu escolho um caminho diferente para me mover -- pela direita por exemplo -- então eu tenho um comando diferente, ruído diferente, ativando um sistema ruidoso, muito complicado. Só podemos estar certos de que a variabilidade será diferente. Se eu me movo nessa forma particular, eu termino com uma variabilidade menor depois de muitos movimentos. Então se eu preciso escolher entre essas duas, eu escolheria a da direita pois é a menos variável.
And the fundamental idea is you want to plan your movements so as to minimize the negative consequence of the noise. And one intuition to get is actually the amount of noise or variability I show here gets bigger as the force gets bigger. So you want to avoid big forces as one principle. So we've shown that using this, we can explain a huge amount of data -- that exactly people are going about their lives planning movements so as to minimize negative consequences of noise.
E a ideia central é que você quer planejar seus movimentos de forma a minimizar as consequências negativas desse ruído. E uma intuição a ter é que a quantidade de ruído ou variabilidade que mostro aqui se torna maior conforme a força aumenta. Então é preciso evitar forças excessivas a princípio. Então mostramos que ao usar isso, podemos explicar uma grande quantidade de dados -- que as pessoas passam suas vidas planejando movimentos para minimizar 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.
Então espero que tenha convencido vocês de que o cérebro existe e evoluiu para controlar movimentos. E é um desafio intelectual compreender como fazemos isso. Mas também é relevante para doenças e reabilitação. Há muitas doenças que afetam movimentos. E esperamos que ao compreendermos como controlamos movimentos, possamos aplicar isso para tecnologia robótica. E finalmente, eu quero lembrar a vocês, quando vemos animais fazer o que parecem ser tarefas muito simples, a complexidade real do que está acontecendo dentro do cérebro é realmente 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 a você, Dan. Então você é um -- (DW: Chauvinista) -- chauvinista do movimento. Isso quer dizer que você acha que as outras coisas que pensamos sobre nosso cérebro -- os sonhos, desejos, se apaixonar e todas essas coisas -- são como um efeito colateral, um acidente?
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: Não, na verdade eu acho que elas são todas importantes para dirigir o comportamento de movimento correto para chegar à reprodução no fim. Eu penso assim sobre as pessoas que estudam sensação ou memória sem perceber por que você esquece as memórias da infância. O fato de esquecermos a maior parte de nossa infância, por exemplo, provavelmente é normal, pois isso não afeta nossos movimentos mais tarde. Você só precisa guardar coisas que vão realmente afetar o movimento.
CA: So you think that people thinking about the brain, and consciousness generally, could get real insight by saying, where does movement play in this game?
CA: Então você acha que as pessoas que estudam o cérebro, e a consciência de forma geral, poderiam ter uma reflexão verdadeira ao perguntar onde o movimento se envolve nesse 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, por exemplo, que estudar a visão sem a noção de por que você tem visão é um erro. Você precisa estudar a visão tendo em vista como o sistema de movimento vai usar a visão. E ele o usa de forma muito diferente depois que você pensa sobre isso.
CA: Well that was quite fascinating. Thank you very much indeed.
CA: Bem, isso foi realmente fascinante. Muito obrigado.
(Applause)
(Aplausos)