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.
ผมเป็นนักประสาทวิทยาศาสตร์ และในสาขาประสาทวิทยาศาสตร์ เราต้องรับมือกับคำถามยากๆ มากมาย เกี่ยวกับสมอง แต่ผมอยากเริ่มที่คำถามที่ง่ายที่สุด และเป็นคำถามที่คุณทุกคน ควรได้เคยถามตัวเอง ณ จุดใดจุดหนึ่งในชีวิต เพราะคำถามนี้เป็นรากฐาน หากเราต้องการเข้าใจการทำงานของสมอง และคำถามนั้นคือ ทำไมเราและสัตว์อื่น ๆ จึงมีสมอง? ไม่ใช่ทุกสายพันธุ์บนโลกนี้จะมีสมอง ดังนั้นถ้าเราอยากรู้ว่า สมองมีไว้ทำอะไร ลองคิดว่า เราพัฒนามันขึ้นมาทำไม คุณอาจให้เหตุผลว่า เรามีสมอง ไว้รับรู้โลก หรือไว้คิด แต่ผิดโดยสิ้นเชิง ถ้าคุณใช้เวลาคิดหาคำตอบสักพัก มันชัดเจนแจ่มแจ้งว่า เรามีสมองไว้ทำไม เรามีสมองไว้ด้วยเหตุผลเดียว เหตุผลเดียวเท่านั้น ซึ่งก็คือ เพื่อสร้างการเคลื่อนไหว ที่ปรับได้ และซับซ้อน ไม่มีเหตุผลอื่น สำหรับการมีสมอง คิดดูดี ๆ การเคลื่อนไหวเป็นวิธีเดียว ที่คุณใช้ ตอบโต้กับโลกรอบตัวคุณ ก็ไม่เชิง ยังมีอีกวิธี คือการขับเหงื่อ แต่นอกนั้นแล้ว ทุกอย่างมาจากการหดตัวของกล้ามเนื้อ
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.
ลองคิดถึง การสื่อสาร การพูด ท่าทาง การเขียน ภาษามือ ล้วนต้องอาศัยการหดตัวของกล้ามเนื้อ ดังนั้นเราพึงต้องตระหนักว่า กระบวนการรับรู้ จดจำ และความคิด ซึ่งล้วนสำคัญ แต่ก็มีความสำคัญเพียงเพื่อ สร้างความต้องการ หรือยับยั้งการเคลื่อนไหวในอนาคต ไม่มีข้อได้เปรียบเชิงวิวัฒนาการ ที่จะเก็บความทรงจำวัยเด็กไว้ หรือรับรู้สีของกุหลาบ ถ้ามันไม่มีผลต่อวิธีการเคลื่อนไหวของเรา ในภายหลัง
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.
ทีนี้ สำหรับคนที่ไม่เชื่อเรื่องนี้ เรามีต้นไม้ต้นหญ้าบนโลก ซึ่งไร้สมอง แต่หลักฐานชี้ขาดคือสัตว์ชนิดนี้ เพรียงหัวหอม แสนธรรมดา สัตว์ขั้นพื้นฐาน ที่มีระบบประสาท ซึ่งว่ายไปทั่วมหาสมุทร ตอนยังเด็ก และ ณ จุดหนึ่งของชีวิต มันจะเกาะติดอยู่กับก้อนหิน และสิ่งแรกที่มันทำ ตอนเกาะติดกับหิน และไม่ไปไหนอีก คือย่อยสมองและระบบประสาท กินเป็นอาหาร เมื่อไม่จำเป็นต้องเคลื่อนที่ ก็ไม่จำเป็นต้องมีของฟุ่มเฟือยอย่างสมอง และสัตว์ชนิดนี้ชอบถูกใช้ เทียบกับเรื่องที่เกิดตามมหาวิทยาลัย ตอนที่ศาสตราจารย์ได้ตำแหน่งถาวรแล้ว แต่นั่นเป็นคนละประเด็น
(Applause)
(เสียงปรบมือ)
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.
ผมเป็นพวกคลั่งการเคลื่อนไหว ผมเชื่อว่าการเคลื่อนไหว เป็นหน้าที่สำคัญที่สุดของสมอง อย่าให้ใครมาบอกคุณ ว่ามันไม่จริงเชียว งั้นถ้าการเคลื่อนไหวสำคัญขนาดนั้น เราเข้าใจวิธีการที่ สมองควบคุมการเคลื่อนไหวดีแค่ไหน คำตอบคือ แย่มาก ๆ นี่เป็นปัญหาที่ยากมาก ๆ เราสามารถดูว่าเราเข้าใจดีแค่ไหน โดยดูว่าเราสร้างเครื่องจักรให้ทำ สิ่งที่มนุษย์ทำได้ ได้ดีแค่ไหน
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.
ลองคิดถึง การแข่งหมากรุก เราตัดสินใจว่าจะเคลื่อนหมากอย่างไร ได้ดีแค่ไหน? ถ้าเราให้ แกรรี คาสปารอฟ ตอนเขาไม่ติดคุก มาแข่งกับ ดีปบลู (Deep Blue) ของไอบีเอ็ม คำตอบคือ ดีปบลู ของไอบีเอ็ม จะชนะเป็นบางครั้ง และถ้าเอา ดีปบลู ของไอบีเอ็ม มาแข่งกับคนในห้องนี้ มันจะชนะทุกครั้ง ปัญหานี้ได้คำตอบแล้ว แล้วอีกปัญหานึงละ การหยิบตัวหมากขึ้นมา เคลื่อนย้ายอย่างคล่องแคล่ว และวางกลับลงกระดาน ถ้าเอาความคล่องแคล่วของเด็กห้าขวบ เทียบกับหุ่นยนต์ที่ดีที่สุดตอนนี้ ตอบได้ง่าย ๆ เลยว่า เด็กชนะสบาย ๆ ไม่มีความสูสีเลย
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.
ทำไมปัญหาบนถึงง่ายดาย และปัญหาล่างถึงยากนัก เหตุผลนึงคือ เด็กห้าขวบที่ฉลาดมาก ๆ ก็สามารถบอกขั้นตอนวิธีแก้ปัญหาบนได้ คือดูที่วิธีเดินหมากที่เป็นไปได้ทั้งหมด ไปจนจบกระดาน แล้วเลือกวิธีที่จะทำให้ชนะ มันเป็นขั้นตอนวิธีที่เรียบง่ายมาก ๆ แน่นอน มีวิธีเดินแบบอื่นอีก แต่เราใช้คอมพิวเตอร์มหึมาประมาณค่า และเข้าใกล้คำตอบที่ดีที่สุดได้ แต่พอเป็นความคล่องแคล่ว ขั้นตอนวิธีสร้างความคล่องแคล่วเป็นอย่างไรก็ไม่ทราบ และเราทั้งต้องรับรู้ข้อมูล และลงมือกระทำไปด้วยอีก มันมีปัญหามากมาย
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.
ลองมาดูหุ่นยนต์ล้ำสมัยกัน เดี๋ยวนี้มีหุ่นยนต์มากมายที่น่าทึ่ง แต่มือหุ่นยนต์สำหรับหยิบจับของ ยังตกอยู่ในยุคมืด นี่เป็นผลจากงานระดับปริญญาเอก จากสถาบันหุ่นยนต์ที่ดีที่สุดแห่งหนึ่ง นักศึกษาได้ฝึกให้หุ่น เทน้ำใส่แก้ว มันเป็นโจทย์ที่ยาก เพราะน้ำกระฉอกได้ แต่มือหุ่นนี้ก็เทน้ำได้ แต่ไม่ได้ทำได้ด้วยความคล่องตัวแบบมนุษย์ ทีนี้ ถ้าอยากให้หุ่นทำภารกิจอื่น นั่นก็จะเป็นงานปริญญาเอกสามปี อีกชิ้น เราสรุปเป็นรูปแบบทั่วไปไม่ได้เลย จากงานชิ้นต่าง ๆ ที่เราให้หุ่นทำ
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.
เราสามารถเทียบกับ สมรรถนะระดับสุดยอดของมนุษย์ ผมจะให้คุณชม เอมิลี ฟอกซ์ ทำสถิติโลกในการเรียงแก้ว ผู้ฟังชาวอเมริกันในที่นี้ คงรู้จักการเรียงแก้วดี มันเป็นกีฬาระดับม.ปลาย มีแก้วให้ 12 ใบ ให้เรียงและรื้อ แข่งกับเวลา ตามลำดับที่กำหนด และนี่คือการสร้างสถิติโลก ตามเวลาจริง (เสียงหัวเราะ) (เสียงปรบมือ) เธอมีความสุขมาก เราไม่รู้ว่ามีอะไรเกิดขึ้นในสมองเธอบ้าง ตอนเธอเรียงแก้ว และนั่นคือสิ่งที่เราอยากรู้
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.
กลุ่มของผมจึงพยายาม ทำวิศวกรรมย้อนกลับ หาว่ามนุษย์ควบคุม การเคลื่อนไหวอย่างไร อาจฟังดูเป็นโจทย์ง่าย ๆ คุณส่งคำสั่งลงมา ทำให้กล้ามเนื้อหดตัว แขนหรือร่างกายคุณขยับ แล้วคุณได้ข้อมูลย้อนกลับจากประสาทสัมผัส จากตา จากผิวหนัง จากกล้ามเนื้อ และอื่น ๆ ปัญหาคือ สัญญาณเหล่านี้ไม่สวยงามอย่างที่เราต้องการ สิ่งที่ทำให้การควบคุมการเคลื่อนไหวเป็นเรื่องยาก ก็เช่น การที่ข้อมูลย้อนกลับจากประสาทสัมผัส มีสัญญาณรบกวนมหาศาล สัญญาณรบกวนนี้ ผมไม่ได้หมายถึงเสียง ในทางวิศวกรรมและประสาทวิทยาศาสตร์ หมายถึงสัญญาณรบกวนอย่างสุ่ม ซึ่งทำให้สัญญาณหลักผิดเพี้ยนไป สมัยก่อนจะมีวิทยุดิจิตอล ตอนเราหาสถานีวิทยุ ที่เราอยากฟัง จะได้เสียง แคร่ก ๆ นั่นคือสัญญาณรบกวน แต่กล่าวแบบกว้าง ๆ สัญญาณรบกวนคือสิ่งที่ทำให้ สัญญาณหลักผิดเพี้ยนไป
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.
เช่น ถ้าคุณเอามือไว้ใต้โต๊ะ แล้วพยายามใช้มืออีกข้างชี้ตำแหน่งดู คุณอาจพลาดไปหลายเซนติเมตร ก็เพราะสัญญาณรบกวนใน ข้อมูลย้อนกลับจากประสาทสัมผัส ทำนองเดียวกัน เมื่อคุณเอาข้อมูลสั่งการ รวมกับข้อมูลการเคลื่อนไหว จะมีสัญญาณรบกวนมหาศาล ไม่ต้องคิดจะปาลูกดอก เข้ากลางเป้าเลย แค่เล็งให้ตรงจุดเดิมได้เรื่อย ๆ การเคลื่อนไหวก็แปรผัน แตกต่างกันไปได้มหาศาล และยิ่งกว่านั้น โลกภายนอก หรือภารกิจ ก็ทั้งไม่ชัดเจน และแปรผันได้ กาน้ำชาอาจจะเต็ม อาจจะว่างเปล่า แต่ละครั้งไม่เหมือนกัน เราจึงต้องเคลื่อนไหว ภายใต้สัญญาณรบกวนการรับรู้ เต็มไปหมด
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.
สัญญาณรบกวนมีมาก จนสังคมถึงกับตั้งรางวัล ให้กับคนที่สามารถลดผลกระทบ จากสัญญาณรบกวนได้ ถ้าคุณโชคดี ตีลูกบอลเล็ก ๆ ขาว ๆ ลงหลุม ที่ห่างไปหลายร้อยหลา ด้วยแท่งเหล็กยาว ๆ ได้ สังคมของเราก็เต็มใจมอบรางวัลให้คุณ หลายร้อยล้านดอลลาร์
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.
ทีนี้ สิ่งที่ผมอยากให้คุณเชื่อตาม คือสมองใช้ความพยายามมหาศาล ที่จะลดผลกระทบเชิงลบ ของสัญญาณรบกวน และการผันแปรเหล่านี้ และเพื่อการนั้น ผมจะเล่าให้คุณฟัง ถึงกรอบแนวคิด ที่เป็นที่นิยมมาก ในสาขาสถิติ และการเรียนรู้ของเครื่องจักร ในช่วง 50 ปีหลังนี้ เรียกว่า ทฤษฎีการตัดสินใจเบเชียน ซึ่งถัดมาเมื่อไม่นานมานี้ ได้เป็นวิธีรวม เวลาพิจารณาว่า สมองจัดการกับความไม่แน่นอนอย่างไร แนวคิดพื้นฐานคือ ทำการอนุมานก่อน แล้วค่อยกระทำจริง
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.
ลองมาดูที่ การอนุมาน คุณต้องการสร้างความเชื่อเกี่ยวกับโลก ความเชื่อหมายถึงอะไร? ความเชื่ออาจเช่น แขนของคุณอยู่ตรงไหน? ฉันกำลังจ้องดูแมว หรือจิ้งจอก? แต่เราจะอธิบายความเชื่อ ด้วยความน่าจะเป็น เราจะอธิบายความเชื่อแต่ละเรื่อง ด้วยตัวเลขระหว่าง ศูนย์ ถึง หนึ่ง ศูนย์ หมายถึง เราไม่เชื่อเลย หนึ่ง แปลว่า เรามั่นใจเต็มที่ และตัวเลขที่อยู่ระหว่างนั้น บอกระดับความไม่มั่นใจ และแนวคิดหลักสำหรับ การอนุมานเบเชียน คือ คุณมีแหล่งข้อมูลสองแหล่ง เพื่อใช้อนุมาน คุณมีข้อมูล และข้อมูลในทางประสาทวิทยาศาสตร์ หมายถึง ข้อมูลเข้าจากประสาทสัมผัส เรามีข้อมูลเข้าจากประสาทสัมผัส ซึ่งเอามาสร้างความเชื่อ แต่ยังมีอีกแหล่งข้อมูล ซึ่งก็คือความรู้ที่เรามีอยู่ก่อนแล้ว เราสะสมความรู้ ตลอดทั้งชีวิต ไว้ในความทรงจำ และประเด็นของทฤษฎีการตัดสินใจเบเชียน คือทฤษฎีบอกวิธีที่ดีที่สุด ทางคณิตศาสตร์ที่จะผสาน ความรู้เดิม กับหลักฐานจากประสาทสัมผัส เพื่อผลิตความเชื่อใหม่
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.
และผมได้ให้สูตรไว้บนนั้น ผมจะขอไม่อธิบายสูตร แต่มันสวยงามมาก มีทั้งความงามที่แท้จริง และพลังในการอธิบายที่แท้จริง สิ่งที่สูตรบอกเรา และสิ่งที่คุณอยากประมาณ คือความน่าจะเป็นของความเชื่อต่าง ๆ เมื่อทราบข้อมูลเข้าจากประสาทสัมผัส ลองดูตัวอย่างสัญชาตญาณกัน จินตนาการว่าคุณกำลังฝึกเล่นเทนนิส คุณต้องตัดสินใจว่าลูกเทนนิสเด้งไปตรงไหน ขณะมันลอยข้ามเน็ตมาหาคุณ มีแหล่งข้อมูลสองแหล่ง ตามกฎของเบส์ หลักฐานจากประสาทสัมผัส คุณอาจใช้ข้อมูลภาพ ข้อมูลเสียง ซึ่งอาจทำให้คุณคาดได้ว่า ลูกเทนนิสจะตกตรงจุดแดง แต่คุณก็รู้ว่าประสาทรับรู้ของคุณไม่สมบูรณ์แบบ ดังนั้นจุดที่ลูกเทนนิสจะตก จึงมีความผันแปรได้บ้าง ในบริเวณพื้นที่สีแดง แทนด้วยตัวเลข 0.5 ถึงประมาณ 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.
ข้อมูลนี้ใช้ได้เฉพาะกับการหวดลูกนี้ แต่มีอีกแหล่งข้อมูล ที่ไม่ได้เฉพาะกับการหวดลูกนี้ แต่มาจากประสบการณ์ที่เจอซ้ำ ๆ ในการเล่นเทนนิส ที่ลูกเทนนิสไม่ได้กระดอน ด้วยความน่าจะเป็นเท่ากัน ทั้งสนาม ตลอดการแข่งขัน ถ้าคุณกำลังแข่งกับคู่ต่อสู้ที่เก่งมาก เขาอาจตีไปตกในบริเวณสีเขียว ซึ่งเป็นการกระจายตัวหลัก ทำให้คุณตีโต้กลับได้ยาก ตอนนี้คุณได้ข้อมูลสำคัญจากแหล่งข้อมูลทั้งสอง และกฎของเบส์บอกให้ คูณตัวเลขในบริเวณสีแดง กับบริเวณสีเขียว จะได้ตัวเลขในบริเวณสีเหลือง ที่มีวงรีอยู่ และนั่นคือความเชื่อ นั่นคือวิธีที่ดีที่สุดในการผสานข้อมูล
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.
ผมคงไม่เอาเรื่องทั้งหมดนี้มาเล่า หากไม่ใช่เพราะ เมื่อไม่กี่ปีก่อน เราได้แสดงให้เห็นว่า นี่เป็นสิ่งที่คนเราทำจริง ๆ เวลาเราเรียนรู้ทักษะการเคลื่อนที่ใหม่ ซึ่งหมายความว่า แท้จริงแล้ว เราเป็นเครื่องอนุมานเบเชียน ขณะดำรงชีวิต เราเรียนรู้สถิติของโลก และบันทึกจดจำไว้ แต่เรายังได้เรียนรู้ ว่าอวัยวะรับสัมผัสของเรา มีสัญญาณรบกวนมากแค่ไหน แล้วเราก็ผสานข้อมูลทั้งสอง ด้วยวิธีแบบเบเชียน
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.
ส่วนสำคัญในสูตรเบเชียนคือส่วนนี้ ซึ่งส่วนนี้บอกว่า ผมต้องทำนายความน่าจะเป็น ของข้อมูลย้อนกลับจากประสาทสัมผัสต่าง ๆ ตามความเชื่อที่เรามี ซึ่งแปลว่า เราต้องทำนายอนาคต และผมอยากให้คุณเชื่อว่า สมองทำการทำนายจริง ๆ ว่าจะได้ข้อมูลย้อนกลับจากประสาทสัมผัสแบบไหน และยิ่งไปกว่านั้น มันยังไปเปลี่ยนแปลง การรับรู้ของคุณอย่างลึกซึ้ง ด้วยสิ่งที่คุณทำ เพื่อการนั้น ผมจะเล่าให้คุณฟังว่า สมองจัดการกับข้อมูลเข้าจากประสาทรับรู้อย่างไร คุณส่งคำสั่งออกไป คุณได้ข้อมูลตอบกลับจากประสาทรับรู้ และการแปลงสภาพนั้นขึ้นกับ กายภาพของร่างกายคุณ กับอวัยวะรับสัมผัสของคุณ
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.
แต่เราสามารถจินตนาการภาพภายในสมอง และนี่คือภายในสมอง คุณอาจมีตัวทำนาย ตัวจำลองเชิงประสาท ของกายภาพของร่างกาย และประสาทสัมผัสของคุณ เมื่อคุณส่งคำสั่งเคลื่อนไหวลงมา ทำสำเนาแยกออกมา และส่งเข้าตัวจำลองเชิงประสาท ให้คาดการณ์ผลเชิงประสาทรับรู้ ที่จะตามมาจากการกระทำ ขณะที่ผมเขย่าขวดซอสมะเขือเทศ ผมได้รับข้อมูลย้อนกลับจริงจากประสาทสัมผัสมาส่วนหนึ่ง เทียบกับเวลา ในแถวล่าง และถ้าตัวทำนายของคุณดี มันก็จะทายได้ตรง
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.
ทำไมเราต้องมานั่งทำอะไรพวกนี้ด้วย? ยังไงก็ได้ข้อมูลย้อนกลับเดียวกันนี้อยู่ดี มันมีเหตุผลดี ๆ อยู่ ลองจินตนาการ ขณะผมกำลังเขย่าขวดซอสมะเขือเทศ มีคนใจดีมาช่วยผมเคาะก้นขวดให้อีก ตอนนี้ เรามีข้อมูลจากประสาทสัมผัสเพิ่มขึ้นมา จากการกระทำภายนอก เรามีข้อมูลจากสองแหล่ง ผมมีคุณมาช่วยเคาะ และผมก็กำลังเขย่าขวดด้วย แต่จากมุมมองของประสาทสัมผัสของผม ทั้งสองส่วนจะถูกรวมเป็นแหล่งข้อมูลเดียว
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.
มีเหตุผลที่ดีให้เราเชื่อ ว่าทำไมเราถึงอยากจะแยกแยะเหตุการณ์ภายนอก จากเหตุการณ์ภายในให้ได้ เพราะเหตุการณ์ภายนอกจริง ๆ แล้วเกี่ยวข้องในเชิง พฤติกรรมมากกว่า การรู้สึกถึงสิ่งต่าง ๆ ที่เกิดขึ้นภายในร่างกายอย่างมาก วิธีหนึ่งที่ทำได้คือ เปรียบเทียบตัวทำนาย ซึ่งอิงจากคำสั่งเคลื่อนไหว กับความเป็นจริง ส่วนที่ต่างกันควรจะต้องมาจากภายนอก ขณะที่ผมท่องไปทั่วโลก ผมก็ทำนายไปด้วย ว่าผมควรรู้สึกอย่างไร แล้วลบมันออก ส่วนที่เหลือทั้งหมด คือสิ่งที่มาจากภายนอกตัวผม
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.
มีหลักฐานอะไรมาสนับสนุนเรื่องนี้บ้าง มีตัวอย่างที่ชัดเจนอันหนึ่ง ที่ความรู้สึกที่เราสร้างต่างไปจาก ความรู้สึกที่คนอื่นสร้าง เราจึงตัดสินใจว่าควรต้องเริ่มต้นที่ การจั๊กจี้ เรารู้กันมานมนานแล้วว่า เราจั๊กจี้ตัวเองไม่ได้ ต้องเป็นคนอื่นทำ แต่ยังไม่เคยมีใครแสดงได้ว่า มันเป็นเพราะเรามี ตัวจำลองเชิงประสาท จำลองร่างกายขึ้นมา แล้วหักลบความรู้สึกนั้นออก เราสามารถนำการทดลองยุคศตวรรษที่ 21 ซึ่งใช้เทคโนโลยีหุ่นยนต์ มาตอบปัญหานี้ ในมือข้างหนึ่งให้ถือแท่ง ซึ่งเชื่อมกับหุ่นยนต์ และให้พวกเขาแกว่งไปมา และเราใช้คอมพิวเตอร์ติดตาม และใช้ข้อมูลเอาไปควบคุมหุ่นอีกตัว ให้จั๊กจี้ฝ่ามือของพวกเขาด้วยแท่งอีกแท่ง แล้วเราก็ให้พวกเขาประเมินค่าระดับต่าง ๆ รวมถึงความจั๊กจี้
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.
ผมจะให้คุณชมเพียงส่วนหนึ่ง ของการวิจัยของพวกเรา ตรงนี้ผมเอารูปหุ่นยนต์ออกไป คนขยับแขนขวาไปมาเป็นคลื่น แล้วเราขยับแท่งตามนั้น บนมืออีกข้าง โดยมีการหน่วงเวลา อาจไม่หน่วงเวลาเลย ซึ่งก็เหมือนคุณจั๊กจี้มือตัวเอง หรือมีการหน่วงเวลาไป 0.1, 0.2, หรือ 0.3 วินาที ประเด็นสำคัญคือ มือขวาเคลื่อนเหมือนเดิมตลอด เป็นคลื่น มือซ้ายก็ทำเหมือนเดิมตลอด คือถูกจั๊กจี้เป็นคลื่น สิ่งที่เราเล่นอยู่คือแค่ ลำดับจังหวะเหตุ-ผล ถ้าเราปรับจากศูนย์ไปเป็น 0.1 วินาที จะทำให้รู้สึกจั๊กจี้มากขึ้น จาก 0.1 ไป 0.2 ก็ยิ่งจั๊กจี้มากขึ้นไปเรื่อย ๆ และที่ 0.2 วินาที จะจั๊กจี้เท่ากับ ที่หุ่นยนต์จั๊กจี้ โดยที่คุณไม่ได้ทำอะไร ดังนั้นอะไรก็ตามที่ทำให้เกิดการหักล้างนี้ขึ้น ต้องสัมพันธ์แนบแน่นกับ ลำดับจังหวะเหตุ-ผล และจากตัวอย่างนี้ ทำให้พวกเราในสาขานี้เชื่อว่า สมองทำการทำนายที่แม่นยำ และเอาไปหักลบจากความรู้สึก
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.
ผมต้องยอมรับว่า นี่เป็นงานวิจัยที่แย่ทีสุดที่แล็บผมเคยทำมา เพราะว่าความรู้สึกจั๊กจี้ที่มือ มาแล้วก็ไป ต้องใช้ผู้ทดลองจำนวนมาก กับดอกจันเหล่านี้ เพื่อทำให้ค่ามีนัยสำคัญ เราจึงมองหาวิธีที่เป็นวัตถุวิสัยมากกว่านี้ ที่จะเข้าถึงปรากฏการณ์นี้ ในระหว่างช่วงนั้น ผมมีลูกสาวสองคน สิ่งหนึ่งที่สังเกตได้ ขณะเด็ก ๆ นั่งเบาะหลังรถ เวลาเดินทางไกล ๆ เด็ก ๆ จะทะเลาะกัน คนหนึ่งจะทำอะไรสักอย่างกับอีกคน แล้วอีกคนก็เอาคืน ทำกันแรงขึ้นอย่างรวดเร็ว เด็ก ๆ มักจะทะเลาะกัน และใช้กำลังกันแรงขึ้น พอผมร้องบอกให้เด็ก ๆ หยุด บางทีเด็ก ๆ ก็ต่างบอกว่า อีกฝ่ายตีแรงกว่าก่อน
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.
เผอิญผมทราบว่าลูกไม่โกหก ผมจึงคิด ในฐานะนักประสาทวิทยาศาสตร์ เป็นเรื่องสำคัญที่จะอธิบายว่า ความจริงจากทั้งสองคนทำไมจึงขัดกัน เราตั้งสมมติฐานโดยอิงจากงานวิจัยจั๊กจี้ ว่าเมื่อเด็กไปตีอีกคน เขาสร้างคำสั่งเคลื่อนที่ คนตีจะทำนายผลการรับรู้ที่จะตามมา และหักลบส่วนนั้นออก ดังนั้น เด็กที่ตีจึงคิดว่าตัวเองตีเบากว่าที่ได้ตีไปจริง ๆ คล้าย ๆ กับการจั๊กจี้ ในขณะที่คนถูกตี ไม่ได้สร้างคำทำนายไว้ จึงรู้สึกถูกตีเต็ม ๆ ถ้าเขาตีคืน ด้วยแรงที่เท่ากัน คนแรกจะคิดว่าถูกตีแรงขึ้น
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.
เราจึงตัดสินใจจะทดลองเรื่องนี้ในแล็บ (เสียงหัวเราะ) เราไม่ได้ทดลองกับเด็ก เราไม่ได้ใช้การตี แต่หลักคิดก็เหมือนกัน เราเอาผู้ใหญ่มาสองคน บอกว่าจะให้เล่นเกม มีผู้เล่นหนึ่ง และผู้เล่นสอง นั่งประจันหน้ากัน เกมก็เรียบง่ายมาก เราเริ่มจากมอเตอร์ ที่มีคานงัดอันเล็ก ๆ เป็นตัวส่งแรง เราใช้มอเตอร์นี้ ออกแรงกดนิ้วผู้เล่น นานสามวินาที แล้วหยุด เราบอกให้ผู้เล่นจำความรู้สึกที่ถูกแรงกด แล้วใช้อีกนิ้ว ออกแรงเท่ากัน กดนิ้วผู้เล่นอีกคน ผ่านเครื่องส่งแรง และพวกเขาทำตามนั้น และเราบอกผู้เล่นสองให้จดจำความรู้สึกของแรงกด ใช้มืออีกข้างออกแรงกดกลับไป ให้สองคนสลับกัน ออกแรงตามที่รู้สึก กลับไปกลับมา
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.
ที่สำคัญคือ สองคนนี้ฟังกฎของเกมตอนอยู่คนละห้องกัน พวกเขาไม่รู้กฎที่อีกฝ่ายต้องทำตาม และสิ่งที่เราวัดคือ แรงกดในแต่ละรอบ และถ้าเราดูที่แรงตอนเริ่ม หนึ่งในสี่นิวตันตรงนี้ จำนวนรอบ อุดมคติคือเส้นสีแดง สิ่งที่เราเห็นจากผู้ทดลองทุกคู่คือ แรงกดเพิ่มขึ้น 70% ในแต่ละรอบ มันจึงชี้ว่า เมื่อเรากำลังกด โดยอิงจากงานวิจัยนี้ และชิ้นอื่น ๆ ที่เราได้ทำ สมองจะหักล้างผลการรับรู้ที่ตามมา และประมาณแรงที่ออกต่ำกว่าค่าจริง งานวิจัยนี้จึงแสดงให้เห็นอีกครั้งว่า สมองทำการทำนาย และปรับเปลี่ยนกฎไปถึงรากฐาน เราทำการอนุมาน ทำการทำนาย ตอนนี้เราต้องลงมือกระทำ และสิ่งที่กฎของเบส์กล่าวไว้คือ อิงจากความเชื่อ การกระทำควรเหมาะสมที่สุดในบางแง่
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.
แต่เรามีปัญหา ภารกิจเป็นเชิงสัญลักษณ์ เราอยากดื่ม เราอยากเต้น แต่ระบบการเคลื่อนไหวต้องหดกล้ามเนื้อ 600 มัด ตามลำดับที่ถูกต้อง และยังมีช่องว่างเบ้อเร่อ ระหว่างภารกิจ กับระบบการเคลื่อนไหว ซึ่งอาจเชื่อมกันได้โดยวิธีที่แตกต่างกัน มากมายนับไม่ถ้วน ลองคิดถึงแค่การเคลื่อนที่จากจุดหนึ่งไปอีกจุด ผมสามารถเลือกสองเส้นทางนี้ จากจำนวนเส้นทางเป็นอนันต์ ถึงได้เลือกมาแล้วหนึ่งเส้นทาง ผมก็สามารถเคลื่อนมือไปตามทาง ด้วยรูปแบบข้อต่อที่แตกต่างกันเป็นอนันต์ และผมยังสามารถจัดแขน ด้วยรูปแบบข้อต่อหนึ่ง ได้ทั้งแบบเกร็งมาก ๆ หรือปล่อยสบาย ๆ ดังนั้นผมจึงมีสิ่งที่ต้องเลือกมหาศาล ปรากฏว่าพวกเราเหมือนกันมาก เราทุกคนขยับเคลื่อนไหวด้วยรูปแบบเดียวกัน
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.
และพวกเราเหมือนกันมาก สมองมีวงจรประสาทเฉพาะกิจ เพื่อถอดรหัสความเหมือนนี้ ถ้าเรามีจุดอยู่จำนวนหนึ่ง แล้วเราทำให้จุดพวกนี้ขยับ คล้ายกับสิ่งมีชีวิต วงจรในสมองจะเข้าใจทันทีว่ากำลังเกิดอะไรขึ้น แค่จุดกลุ่มหนึ่งเคลื่อนที่ คุณรู้ได้ว่าคนคนนี้กำลังทำอะไร ดีใจ เสียใจ แก่ เด็ก ข้อมูลมหาศาล ถ้าจุดพวกนี้เป็นรถที่กำลังวิ่งในสนามแข่ง คุณไม่มีทางดูออกเลยว่ากำลังมีอะไรเกิดขึ้น
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.
แล้วทำไม เราจึงเคลื่อนไหวในรูปแบบเฉพาะที่เราทำอยู่ ลองคิดดูว่าจริง ๆ มีอะไรเกิดขึ้น บางทีเราอาจจะไม่ได้เคลื่อนไหวเหมือนกันขนาดนั้น บางทีอาจจะมีความแปรผันในหมู่ประชากร และบางทีคนที่เคลื่อนไหวได้ดีกว่าคนอื่น ๆ อาจจะมีโอกาสมีลูกหลานเป็นรุ่นต่อ ๆ ไปสูงกว่า ในระดับวิวัฒนาการ การเคลื่อนไหวดีขึ้นขึ้นเรื่อย ๆ และอาจจะในช่วงชีวิต เราเคลื่อนไหวได้ดีขึ้น ผ่านการเรียนรู้
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.
แล้วการเคลื่อนไหวที่ดีกับไม่ดีมันเป็นอย่างไร ลองจินตนาการว่า คุณต้องการคว้าจับลูกบอลนี้ มีสองเส้นทางไปถึงลูกบอล ถ้าผมเลือกเส้นทางซ้ายมือ ผมสามารถคำนวณหาแรงที่ต้องใช้ ในกล้ามเนื้อมัดหนึ่ง เทียบกับเวลา แต่มันมีสัญญาณรบกวนแทรกเข้ามา ดังนั้นสิ่งที่ผมได้มาจริง ๆ โดยอิงจากแรงที่สวยงาม เป็นระเบียบ พึงปรารถนานี้ คือชุดข้อมูลที่มีสัญญาณรบกวนสูงมาก ถ้าผมเลือกใช้คำสั่งเดิมหลาย ๆ ครั้ง ผมจะได้ชุดข้อมูล ที่มีสัญญาณรบกวนต่างกันไป ในแต่ละครั้ง เพราะมันเปลี่ยนไปทุกครั้ง ผมแสดงให้คุณเห็นได้ว่า ความแปรผันของการเคลื่อนไหวจะแปรเปลี่ยนไปอย่างไร ถ้าผมเลือกวิธีนี้ ถ้าผมเลือกวีธีเคลื่อนไหวอีกวิธี เช่นที่อยู่ทางขวา ผมจะมีคำสั่งที่ต่างไป สัญญาณรบกวนที่ต่างไป เล่นผ่านระบบสัญญาณรบกวน ยุ่งยากมาก เรามั่นใจได้แค่ว่า การแปรผันจะต่างไป ถ้าผมเคลื่อนไหวแบบนี้ แล้วได้การแปรผันต่ำกว่า เมื่อเคลื่อนไหวไปหลาย ๆ ครั้ง ถ้าผมต้องเลือกระหว่างสองวิธีนี้ ผมก็จะเลือกแบบขวา เพราะการแปรผันมันต่ำกว่า
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.
และแนวคิดพื้นฐานก็คือ คุณต้องการวางแผนให้การเคลื่อนไหว มีผลกระทบเชิงลบจากสัญญาณรบกวนต่ำที่สุด และสามัญสำนึกหนึ่งที่ต้องเข้าใจคือ จริง ๆ แล้วขนาดของสัญญาณรบกวน หรือการแปรผัน ที่ผมแสดงตรงนี้ เพิ่มขึ้นตามแรงที่ใช้ ดังนั้นคุณควรเลี่ยงอย่าใช้แรงมาก ๆ ถือเป็นหลักข้อหนึ่ง เราได้แสดงให้เห็นแล้วว่า โดยใช้เรื่องนี้ เราสามารถอธิบายปริมาณข้อมูลมหาศาล ว่าแท้จริงแล้ว คนเราดำเนินชีวิต โดยวางแผนการเคลื่อนไหว เพื่อให้มีผลกระทบเชิงลบจากสัญญาณรบกวนต่ำที่สุด
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.
ดังนั้น ผมหวังว่าผมได้ทำให้คุณเชื่อว่า สมองมีอยู่ และถูกวิวัฒนาการมาให้ควบคุมการเคลื่อนไหว และเป็นเรื่องท้าทายสติปัญญา ที่จะทำความเข้าใจว่า เราทำมันได้อย่างไร แต่มันก็เกี่ยวข้องกับ การเจ็บป่วยและการฟื้นตัวด้วย มีหลายโรคที่ส่งผลต่อการเคลื่อนไหว และหวังว่าถ้าเราเข้าใจว่าเราควบคุมการเคลื่อนไหวอย่างไร เราจะสามารถประยุกต์ใช้ความรู้นี้กับเทคโนโลยีหุ่นยนต์ และสุดท้ายนี้ ผมอยากให้คุณตระหนักว่า เมื่อคุณเห็นสัตว์ทำสิ่งที่ดูเป็นเรื่องง่ายดาย กระบวนการที่กำลังเกิดขึ้นในสมองนั้น สุดแสนที่จะสลับซับซ้อน
Thank you very much.
ขอบคุณมากครับ
(Applause)
(เสียงปรบมือ)
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?
คริส แอนเดอร์สัน (CS): คำถามสั้น ๆ สำหรับคุณ แดน คุณบอกว่าคุณเป็นพวก... (DW: พวกคลั่ง) พวกคลั่งการเคลื่อนไหว หมายความว่าคุณเชื่อว่าสิ่งอื่น ๆ ที่เราคิดว่าเกี่ยวข้องกับสมอง การฝัน ความปรารถนา การตกหลุมรัก และเรื่องทำนองนี้ทั้งหมด เป็นแค่การแสดงประกอบ แค่อุบัติเหตุ?
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: เปล่า ไม่ใช่ครับ จริง ๆ แล้วผมคิดว่าทั้งหมดนี้สำคัญ สำหรับการขับเคลื่อนพฤติกรรมการเคลื่อนไหวที่ถูกต้อง เพื่อนำไปสู่การสืบพันธุ์ในที่สุด ผมคิดว่าเราศึกษาเรื่องความรู้สึกหรือความจำ โดยไม่ตระหนักว่า ทำไมเราถึงต้องบันทึก ความทรงจำวัยเด็กไว้ ตัวอย่างเช่น ข้อเท็จจริงที่ว่าเราลืมเรื่องวัยเด็กส่วนใหญ่ ก็น่าจะไม่แปลกอะไร เพราะมันไม่ส่งผลอะไรถึงการเคลื่อน ในชีวิตช่วงถัด ๆ มา คุณจำเป็นต้องเก็บเฉพาะสิ่งที่จะมีผลจริง ๆ ต่อการเคลื่อนไหวเท่านั้น
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: คุณคิดว่าคนที่ศึกษาเรื่องสมอง และสติสัมปชัญญะ โดยทั่วไป สามารถเกิดความเข้าใจลึกซึ้งได้ โดยถามว่า การเคลื่อนไหวมีบทบาทสำคัญในจุดไหน?
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: เราได้พบว่า อย่างเช่น การศึกษาการมองเห็น โดยไม่ตระหนักว่า การมองเห็นมีไว้ทำไม เป็นเรื่องผิดพลาด คุณต้องศึกษาการมองเห็น พร้อมตระหนักว่า ระบบการเคลื่อนไหวจะเอาการมองเห็นไปใช้อย่างไร และความเข้าใจจะต่างไปอย่างมาก เมื่อเราศึกษาเรื่องนี้จากมุมมองนี้
CA: Well that was quite fascinating. Thank you very much indeed.
CA: น่าสนใจมากทีเดียว ขอบคุณอย่างยิ่งครับ
(Applause)
(เสียงปรบมือ)