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.
Ben bir sinirbilimciyim. Ve sinirbiliminde, beyin hakkında birçok zor soru ile başa çıkmak zorundayız. Fakat ben en kolayı ile başlamak istiyorum. Bu soru hayatınızın bir noktasında kendinize sormak zorunda kalacağınız cinsten. Çünkü, beyin fonksiyonlarını anlamak için bu çok temel bir soru. Biz insanlar ve hayvanlar neden bir beyine sahibiz? Gezegenimizdeki her turun bir beyni yok. yani eğer beyinlerimizin ne işe yaradığını bilmek istiyorsak gelin beynin neden evrildiğini düşünelim. Şimdi şunu ileri sürebilirsiniz; dünyayı algılamak veya düşünmek için. Ve bu tamamiyle yanlış. Bu soruyu bir süre düşündüğünüzde, neden beyne sahip olduğumuz apaçık ortada. Sadece ve sadece tek bir neden için bir beynimiz var; uyumlu ve karmaşık hareketler üretmek için. Bundan başka bir sebep yok. Bir düşünsenize. Etrafınızda dönen dünyaya etki etmenin tek yolu hareket etmek. Aslında bu tam anlamıyla doğru değil. Başka bir yolu daha var, terlemek. Ama bunun dışında, diğer herşey kasların kasılmasıyla gerçekleşiyor.
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.
İletişimi bir düşünün -- konuşma, jestler, yazma, işaret dili -- bunların hepsi kasların kasılmasıyla gerçekleşiyor. Şunu hatırlamakta yarar var duyusal, bilişsel ve hafızaya dair süreçlerin hepsi önemli, ancak onlar sadece ilerki hareketleri başlatmak veya bastırmak için önemli. Daha sonra nasıl hareket edeceğinizi etkilemiyorsa çocukluk anılarını hafızanızda tutmanın ya da bir gülün rengini algılamanın evrimsel açıdan hiç bir avantajı yoktur.
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.
Bu argümana inanmayanlar için, gezegenimizde otların ve ağaçların beyinleri yok, ama burada tezimizi destekleyici kanıt şu hayvan-- denizüzümü. İlkel bir hayvan, sınır sistemi var, Yavruyken okyanusta ordan oraya yüzer. Ve hayatının bir noktasında, bir kayaya yerleşir. Ve bir daha ayrılmayacağı o kayaya yapıştığında yaptığı ilk iş, beynini ve sinir sistemini, yiyecek olarak tüketmektir. Yani hareket etmeye ihtiyacınız yoksa, bir beyne sahip olma lüksüne de ihtiyacınız yoktur. Ve bu arada birçok kişi üniversitelerde kadrosunu almış olan profesörleri bu hayvana benzetir, ama bu tabii ki başka bir konu.
(Applause)
(Alkışlar)
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.
Yani ben bir hareket şovenistiyim. Hareket etmenin beynimizin en önemli fonksiyonu olduğuna inanıyorum -- kimsenin size bunun yanlış olduğunu söylemesine izin vermeyin. Şimdi eğer hareket çok önemli ise, beynin hareketi nasıl kontrol ettiğini ne kadar iyi anlayabiliyoruz? Ve cevap şu ki bu konuda oldukça zayıfız; bu çok zor bir problem. Ama aslında bunu ne kadar anlamış olduğumuzu insanların yapabildiklerini yapabilen makineleri inşa etmekte ne kadar iyi olduğumuza bakarak görebiliriz.
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.
Satrancı bir düşünün. Hangi taş ile nereye hamle yapacağımıza karar vermekte ne kadar iyiyiz? Eğer Gary Kasparov burada olsaydı, hapiste olmadığı zaman, ve IBM Deep Blue'ya karşı oynasaydı, IBM Deep Blue zaman zaman kazanırdı. Ve bence IBM Deep Blue bu salonda kimle oynarsa oynasın her seferinde kazanırdı. O sorun çözüldü. Peki ya bir satranç taşını tutup kaldırma, ve onu ustalıkla hareket ettirip tahtaya geri koyma konusuna ne demeli? Eğer beş yaşında ki bir çocuğun el yeteneğini alıp günümüzün en iyi robotuyla karşılaştırırsak, cevabımız çok kolay olurdu: Çocuk kolayca kazanır. Bir rekabet söz konusu bile değildir.
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.
Peki neden bu ilk problemimiz çok kolay da sonraki problemimiz çok zor? Bir sebebi, 5 yaşında çok zeki bir çocuk oyunun olası hamlelerine bakarak size ilk problemin algoritmasını söyleyebilir ve size oyunu kazandıracak hamleyi seçebilir. Yani bu çok basit bir algoritma. Şimdi tabii ki başka hamleler de var, ama gelişmiş bilgisayarlarla tahmin yürütüp optimal sonuca yaklaşıyoruz. Halbuki iş el becerisine gelince, el becerisine sahip olmak için nasıl bir algoritma çözmek gerektiği bile değil. Ve göreceğiz ki, dünyada bir çok problemi aynı anda hem algılayıp hem de harekete geçmek zorundasınız.
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.
Ama şimdi size son teknoloji robotları göstereyim. Günümüzde robotlar çok etkileyiciler, ama elini hareket ettiren robotlar hala karanlık çağlarda. İşte bu bir doktora projesinin sonucu, en iyi robot enstitülerinden birinden alınma. Ve öğrenci bu robota bardağa su doldurmayı öğretti. Bu zor bir problem çünkü su her yere dökülüyor, ama bunu yapabilir. Ama yaptığı iş hiç bir şekilde insan elinin becerikliliğini yakalayamayacak. Şimdi eğer bu robotun zor bir görev yapmasını isterseniz, bu yıllık başka bir doktora programı demektir. Robotlarda görevden göreve geçerken genelleme yapamazsınız.
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.
Şimdi bunu en üst düzeyde insanoğlunun performansıyla kıyaslayabiliriz. Size Emily Fox'u göstereceğim. Fincan istiflemede dünya rekorunun sahibi. Şimdi Amerikalı dinleyiciler fincan istifleme ile ilgili herşeyi bilecek. Bu bir lise sporudur. 12 fincanı belirlenmiş bir sırayla zamana karşı dizip sonra kaldırıyorsunuz. Ve bu Emily dünya rekorunu elde ettiği zaman. (Kahkahalar) (Alkışlar) Ve oldukça mutlu. Onun bunu yaparken beyninde neler olduğu hakkında hiçbir fikrimiz yok, keşke bilebilseydik.
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.
Bu yüzden grubumla yapmaya çalıştığımız tersine mühendislikle insanların hareket kontrolünü çözmek. Ve bu kulağa kolaymış gibi geliyor. Bir talimat gönderirsiniz, kasların kasılmasına sebep olur. Kolunuz veya vücudunuz hareket eder. ve gözleriniz, teniniz, kaslarınız vb. sayesinde duyusal geri dönüş alırsınız. Sorun şu ki; bu sinyaller istediğiniz gibi güzel değiller. Hareket kontrolünü çok zor kılan şeylerden biri de duyusal geri dönüşün çok gürültülü olması. Buradaki gürültü derken sesi kastetmiyorum. Bu deyimi mühendislik ve nöroloji alanlarında sinyali bozan rasgele bir sesten bahsederken kullanıyoruz. Dijital radyodan önce radyoda kanal ararken dinlemek istediğiniz kanalın frekansında hışırtılı sesler duyardınız, bu bahsettiğim gürültüdür. Ama genel anlamda, bu gürültü sinyali bozan bir şeydir.
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.
Örneğin, elinizi masanın altına koyduğunuz zaman ve diğer elinizle eşleştirmek istediğinizde, bir kaç santimetre ile kaçırabilirsiniz, duyusal geri dönüşteki gürültü nedeniyle. Aynı şekilde, motor çıktısını hareket çıktısının üstüne koyarsanız, çok gürültülü olacaktır. Dartlarda onikiden vurmayı unutun, sadece aynı noktayı sürekli hedefleyin Hareket çeşitliliğinizden dolayı geniş bir alan seçeneğiniz vardır. Bunun da ötesinde, gerçek dünya ya da görev hem bilinmez hem de çok çeşitlidir. Demlik dolu olabilir, boş da olabilir. Zamanla değişir. Yani bütün duyusal hareket görevlerimizi gürültü altında yapıyoruz.
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.
Şimdi, bu gürültü öylesine büyük ki toplum bu gürültünün sonuçlarını en aza düşüren kişileri ödüllendirmektedir. Yani eğer küçük beyaz bir topu uzun bir metal sopayla metrelerce uzaklıktaki bir deliğe sokacak kadar şanslıysanız toplumumuz sizi yüzlerce milyon dolarla ödüllendirmeye hazırdır.
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.
Şimdi sizi ikna etmek istediğim nokta şu: Beyin bu gürültü ve çeşitliliğin olumsuz sonuçlarını azaltmak için çok fazla çaba sarfetmektedir. Bunu yapmak için, son elli yılın istatistik ve mekanik öğretilerinde çok popüler olan, Bayes karar teorisi adı verilen bir karar verme sistemini anlatacağım. Ve bu son zamanlarda beynin belirsizliklerle nasıl başettiğini anlamada birleştirici bir yol. Temelde yatan fikir şu, önce çıkarımlar yapıyor ve sonra harekete geçiyorsunuz.
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.
O zaman çıkarımları düşünelim. Dünyaya dair bazı inançlar geliştirmek istersiniz. Bu inançlar nelerdir? İnançlar şu şekilde olabilir: boşlukta kollarım nerede? Bir kediye mi yoksa bir tilkiye mi bakıyorum? Ama şimdi inançları olasılık ile sunacağız. Yani inancı 0 ile 1 arasında bir numarayla temsil edelim -- 0 hiç inanmıyorum, 1 kesinlikle inanıyorum demek olsun. Ve aradaki numaralar size olasılığın gri seviyelerini verecektir. Bayes çıkarımının temel fikri ise iki bilgi kaynağına sahip olduğumuzdur ve bunlardan çıkarımınızı yaparsınız. Veriniz var, ve nörolojide veri duyusal girdidir. Yani, inanca dönüştürebileceğim duyusal girdilerim var. Ancak diğer bir bilgi kaynağı daha var, daha etkili ve öncelikli bir bilgi. Hayatınızda anılarla birlikte bilgiyi de biriktirirsiniz. Ve Bayes karar teorisinin altında yatan budur; duyusal verilerinizi önceki bilgilerinizle harmanlayarak yeni inançlar üretmenizi sağlayacak ideal yöntemin matematiğini verir.
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.
Ve formülü bir kenara bıraktım. Formülün ne olduğunu açıklamayacağım, ama çok güzel bir şey. Gerçek bir güzelliği ve açıklayıcı bir gücü var. Aslında söylediği ve sizin hesaplamak istediğiniz şey, duyusal girdileriniz doğrultusunda farklı inançların oluşma olasılığıdır. Durun size sezgiyle ilgili bir örnek vereyim. Tenis oynamayı öğrendiğinizi düşünün top filenin üstünden size doğru geldiği zaman topun nerede sekeceğine karar vermek istiyorsunuz. Burada 2 farklı bilgi kaynağı var. Bayes'in kuralı size şunu söyler. Duyusal veri var -- görsel ve işitsel bilginizi kullanabilirsiniz. ve bunlar size topun kırmızı noktaya düşeceğini söyleyebilir. Ama biliyorsunuz ki hisleriniz kusursuz değil, bu yüzden topun yere düşeceği çeşitli noktalar mevcut, kırmızı bulut bunları göstermekte, 0.5 veya 0.1 arası sayılarla ifade edebiliriz.
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.
Bu bilgi o anki vuruş için geçerli, ancak o anki vuruş için geçerli olmayan başka bir bilgi kaynağı daha var. ancak bu yalnızca sürekli tenis oynayanlar için geçerli bir kaynak, Ve bu da topun maç esnasında kortta eşit olasılıklarla sekmediğidir. Eğer çok iyi bir rakibe karşı oynuyorsanız, topu o yeşil alana gönderebilir , ki bu sizin topu karşılamızı zorlaştıracaktır öncelikli alandır. Şimdi iki bilgi kaynağı da önemli veriler içeriyor. Ve Bayes'in kuralına göre kırmızıdaki sayılarla yeşildekileri çarpmam gerekir, bu şekilde sarı rengin üzerindeki, elipsleri içeren sayıları elde ederim bu da benim inancımı oluşturur. İşte bu bilgileri birleştirmenin en ideal yöntemidir.
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.
Şimdi birkaç yıl önce insanların yeni hareketler öğrendiklerinde ne yaptıklarını göstermiş olmasaydık bugün size bunları söylemezdim. Bu şu demek, Biz gerçekten Bayes çıkarım makineleriyiz. Yaşadıkça, dünyanın istatistiğini öğrenip değerlendirmeye alıyoruz, kendi duyu organlarımızın ne kadar gürültülü olduğunu da öğreniyoruz, sonra bunları gerçek bir Bayes tekniğiyle birleştiriyoruz.
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.
Bayes'in önemli bir kısmı formülün bu bölümünde gizli. Ve bu bölümün dediği şey inançlarım doğrultusunda geri dönüşlerin farklı olasılıklarını tahmin etmem gerektiği. Bu gerçekten gelecek ile ilgili tahminler yapmamı zorunlu kılıyor. Ve sizi beynin tahmin yaptığına ikna etmek istiyorum, alacağı duyusal geri dönüşün önceden tahmini. Dahası, algılarınızı yaptıklarınızla derinlemesine değiştiriyor. Bunu yapabilmek için beynin duyusal girdilerle nasıl başettiğini anlatacağım. Bir talimat gönderiyorsunuz duyusal geri dönüş alıyorsunuz, ve bu dönüşüm vücut fiziği ve duyu araçlarınız tarafından yönetiliyor.
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.
Ama beynin içine baktığınızı düşünün. İşte beynin içi. Ufak bir tahmin ediciye, vücut fiziği ve duyuların sinirsel bir simülatörüne sahip olabilirsiniz. Hareket emrini aşağıya gönderdiğiniz zaman bu emrin bir kopyasını çıkarıyorsunuz, ve bunu, hareketlerinizin duyusal sonuçlarını tahmin edebilmek için sinirsel simülatöre gönderiyorsunuz. Yani bu ketçap şişesini salladığımda en alt sıradaki zamanın fonksiyonu olarak doğru bir duyusal dönüş alırım. Eğer tahmin edicim iyiyse, aynı şeyi öngörecektir.
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.
Peki ne diye bu zahmete katlanıyorum? Zaten aynı geri dönüşümü alacağım. Aslında geçerli sebepleri var. Düşünün ki bu ketçap şişesini sallarken, biri yanıma gelip kibarca şişenin arkasına vuruyor. Şimdi bu dış hareketten dolayı ekstra bir duyusal bilgi kaynağım oluverdi. Yani iki kaynağım var. Sen şişenin altına vuruyosun ben de sallıyorum, ama benim duyularıma göre tüm bunlar tek bir bilgi kaynağında toplanıyor.
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.
Dış olaylarla iç hareketleri birbirinden ayırabilmeyi istemek için çok iyi bir nedeniniz var Çünkü dış kaynaklı olaylar, kendi vücudumda olup bitenleri hissedebilmekten öte daha çok davranışsallıkla alakalıdır. Bunu yeniden kurabilmemizin bir yolu öngörü ve tahminleri -- ki bu hareket emirlerinize dayanmaktadır -- gerçekle kıyaslamaktır. Herhangi bir uyuşmazlığın dış kaynaklı olması gerekir. Dünyada geçirdiğim süre boyunca, edinmem gerekenleri tahmin ediyor ve onları listeden siliyorum. Geri kalan herşey benim için dış kaynaklıdır.
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.
Bunun kanıtları ne? Aslında çok net bir örnek var, bu örnekte, kendi kendime ürettiğim bir his başka biri tarafından üretilenden daha farklı hissettiriyor. Size en kesin örneği vererek başlayacağım: gıdıklanmak. Uzun zamandır biliniyor ki, başkaları sizi gıdıklayabilirken siz kendi kendinizi gıdıklayamazsınız Ama bunun sizde varolan sinirsel simülatörde denenmiş ve listeden silinmiş olduğu söylenmez. Bu probleme robot teknolojisini uygulayarak 21. yüzyılın deneylerine ulaşabiliriz. Elimizde bir robota bağlı olan bir çubuk var ve bu çubuklar ileri-geri hareket ettirilecekler. Sonra biz bunu bilgisayar yoluyla takip edip başka bir robotu kontrol etmek için kullanacağız, ve bu son robot başka bir çubukla avcun içini gıdıklayacak. Ve sonra deneklerimiz gıdıklanmakla alakalı bir kaç değerlendirme yapacaklar.
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.
Size çalışmanın bir parçasını göstereyim. Burada robotları aldık, ama temel olarak denekler sağ kollarını ileri-geri hareket ettiriyorlar. Bir zaman aralığından sonra bunu diğer kolla da yaptırdık. Hiçbir zaman aralığı olmadan, ya da saniyenin onda ikisi-onda üçü gibi zaman aralıklarında sadece ışık avcunuzu gıdıklayabilir, Buradaki önemli nokta sağ kol her zaman aynı şeyi yapıyor -- sinüsoidal hareketini. Sol el hep aynı ve sinüsoidal gıdıklamayı gerçekleştiriyor. Oynadığımız şey tamamiyle bir tempo nedensellik ilişkisi. Ve sıfırdan 0.1 saniyeye geçtiğimizde daha gıdıklayıcı oluyor. 0.1'den 0.2'ye gittiğinizde sonunda daha da gıdıklayıcı oluyor Ve bir saniyenin 0.2'sinde siz hiçbir şey yapmadan sizi gıdıklayan robot için eşit gıdıklayıcılıkta oluyor. Yani bu iptalden ne sorumluysa tempo nedenselliği ile sıkı bir ilişki içerisinde. Bu örneğe dayalı olarak, kendimizi şuna inandırdık ki beyin kesin tahminler yapıyor ve bunları hislerden siliyor
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.
Şimdi itiraf etmem gerekir ki bunlar labratuvarımın en kötü çalışmaları. Çünkü avuçtaki gıdıklanma hissi gelir ve gider, çok sayıda deneğe ihtiyacınız vardır ve bu yıldızlar onları önemli kılar. Bu nedenle çok daha nesnel bir yöntem arıyoruz ki bu durumu değerlendirebilelim. Ve bu zaman zarfında iki tane kızım oldu. Çocuklarınız arka koltukta iken uzun yolculuklara çıktığınızda şunu farkedersiniz, kavga ederler -- bu kavgalar birinin ötekine bir şey yapması ve diğerinin karşılık vermesi ile başlar, ve hemen kızışır. Ve çocuklar güç gösterimi ile kızışan kavgalara girmeye eğilimlidirler. Çocuklarıma durmaları için bağırdığımda, bazen bana her ikisi de der ki o bana daha sert vurdu.
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.
Şunu biliyorum ki benim çocuklarım yalan söylemez, bu yüzden bir sinir bilimcisi olarak düşündüm ki, şunu açıklayabiliyor olmam önemliydi; nasıl birbiri ile tutarsız gerçekler söyleyebiliyorlar. Ve gıdıklama çalışmasına dayanarak bir tez öne sürdük, buna göre bir çocuk diğerine vurduğunda, hareket emrini üretiyorlar. Duyusal sonuçlarını tahmin ediyorlar ve çıkarıyorlar. Bu yüzden de vurdukları kişiye daha az sert vurduklarını zannediyorlar -- tıpkı gıdıklamada olduğu gibi. Ancak vuruşu hisseden pasif kişi böyle bir tahmin yapmıyor ve vuruşu tamamiyle hissediyor. Yani eğer onlar hissettikleri güç ile karşılık verirlerse, ilk kişi vuruş gücünün arttığını sanıyor.
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.
Ve bunu labratuvarda test etmeye karar verdik (Gülüşmeler) Tabii ki çocuklarla ya da birbirine vurmayı esas alarak çalışmıyoruz. ama kavram benzer. İki yetişkin alıyoruz. Onlara bir oyun oynayacaklarını söylüyoruz. Ve işte burda karşılıklı oturan birinci ve ikinci oyuncular. Ve oyun çok basit. Bir motor, ufak bir kaldıraç ve güç nakledici ile başladık. Bu motoru birinci oyuncunun parmaklarına güç vermek için kullanıyoruz, üç saniye sürüyor ve duruyor. Ve bu oyuncuya deniyor ki bu gücün şiddetini hatırlayın ve diğer parmağınızı kullanarak aynı gücü diğer oyuncunun parmağına bir güç nakledici aracılığıyla uygulayın -- ve yapıyorlar. Ve ikinci oyuncuya bu gücü hatırlaması, diğer elini aynı gücü geri uygulamak için kullanması söyleniyor. Ve bu şekilde hissettikleri gücü sırayla tekrar geri uyguluyorlar.
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.
Önemli bir detay, oyuncular oyunun kuralları hakkında ayrı odalarda bilgilendiriliyorlar. Yani dğer oyuncunun hangi kurallarla oynadığını bilmiyorlar. Ölçtüğümüz şu; her bir kadamedeki gücün şiddeti. Ve başladığımız noktaya bakacak olursak, bir Newton'ın çeyreği şiddetinde başlıyor, birkaç aşama sonra, şu kırmızı noktaya ulaşıyor. Ve bütün çiftlerde şunu gördük ki -- her oyuncu her seferinde gücü %70 oranında arttırıyor. Yani bu demek oluyor ki bunu yaparken -- bu ve yaptığımız diğer çalışmalara dayanarak -- beyin duyusal sonuçları iptal ediyor ve ürettiği gücün şiddetini hafife alıyor. Bu tekrar gösteriyor ki beyin tahminler yapar ve temel hükümleri değiştiriyor. Yani çıkarımlar yaptık, tahminler yaptık, ve şimdi hareket üretmeliyiz. Ve Bayes'in kuralı der ki, inançlarım doğrultusunda, hareket bir anlamda optimal olmalı.
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.
Ancak bir sorunumuz var. Görevler semboliktir -- içmek istiyorum, dansetmek istiyorum -- ama hareket sistemi 600 kası belli aralıklarla kasmak zorundadır. Ve görev ile hareket sistemi arasında büyük bir boşluk bulunmaktadır. Yani bu sonsuz sayıda farklı şekilde birleştirilebilir. Yalnız bir noktadan diğer bir noktaya olan bir hareketi düşünün. Bu iki yolu sınırsız sayıda yol arasından seçebilirim. Belirli bir yol seçtikten sonra, Elimi o yol üzerinde sonsuz sayıda farklı eklem düzenlemeleri ile tutabilirim. Ve kolumu belirli bir eklem düzenlemesi ile ya çok katı ya da gevşek tutabilirim. Yani inanılmaz derecede fazla seçeneğim var. Şimdi ortaya çıkıyor ki, bizler aşırı derecede stereotipik varlıklarız. Genelde aynı yolu takip ederek hareket ediyoruz.
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.
Sonuçta ne kadar standart olduğumuz ortaya çıkar, beynimiz standart hareketi deşifre etmek için kendini sinirsel devreye adamıştır. Yani birkaç nokta alır ve onları biyolojik hareketle ilişkilendirirsem, beyninizin devresi hemen ne olduğunu algılayacaktır. Şimd burada hareket eden bir sürü nokta var. Ama bu insanın ne yaptığını anlarsınız. mutlu mu, mutsuz mu, yaşlı mı, genç mi -- çok fazla bilgi. Eğer bu noktalar bir yarış devresindeki arabalar olsaydı, ne olduğu hakkında hiçbir fikriniz olmazdı.
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.
O zaman neden belli şekillerde hareket ediyoruz? Şimdi aslında ne olduğu hakkında düşünelim. Belki de tam olarak aynı şekilde hareket etmiyoruz. Belki de popülasyon içinde çeşitlilik var. Ve belki diğerlerinden daha iyi hareket edenler çocuklarını sonraki nesillere taşımakta daha şanslı olacaklar. Yani evrimsel boyutta, hareketler daha iyiye gider. Ve belki hayatta hareketler öğrenme aracılığıyla gelişir.
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.
Peki bir harekete iyi ya da kötü derken neyi kastediyoruz? Düşünün ki ben bu topu durdurmak istiyorum. Topa giden iki olası yol var. Eğer sol elin yolunu seçersem, gerekli olan gücü zamanın bir fonksiyonu olarak kaslarımdan birinde uygulayabilirim. Ama buna eklenen bir gürültü var. Yani aslında bu istediğim güzel ve akıcı hareketle elime geçen çok gürültülü bir versiyon. Aynı emri bir çok defa verirsem, Her seferinde farklı bir gürültülü versiyona ulaşırım, çünkü gürültüler değişir. Yani size burada şunu gösterebilirim, o yolu seçtiğimde hareketin çeşitliliği nasıl evrilir. Eğer hareket etmek için farklı bir yol seçersem -- örneğin sağ tarafta -- o zaman farklı emir, farklı gürültüler oluşacaktır, gürültülü bir sistemde oynamak oldukça karışıktır. Emin olabileceğimiz tek şey çeşitlilik farklı olacaktır. Eğer şu şekilde hareket edersem, farklı hareket seçeneklerine kıyasla daha az bir çeşitliliğe ulaşırım. Yabi bu ikisi arasında karar vermem gerekirse, sağ tarafı tercih ederim çünkü orası daha az değişkendir.
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.
Ve temel fikir şu ki hareketlerinizi planlamak istersiniz, bu şekilde gürültünün olumsuz sonuçlarını azaltmaya çalışırsınız. Ve elde edilen bir sezgi şudur, burada gösterdiğim gürültünün miktarı ve çeşitliliği aslında güç büyüdükçe artar. Yani kural olarak büyük güçlerden kaçınmaya çalışırsınız. Bunu kullanarak şunu göstermiş oluyoruz ki çok sayıda veriyi açıklayabiliriz -- insanlar hayatları boyunca hareketlerini planlamaktadırlar, böylelikle gürültünün olumsuz sonuçlarını azaltmayı amaçlarlar.
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.
Umarım beynin orda olduğuna sizi ikna etmişimdir, ve hareketlerimizi kontrol etmek için evrildiğine. Ve bunu nasıl yaptığımız entellektüel bir meydan okumadır. Ama aynı zamanda hastalıklar ve rehabilatasyonla alakalıdır. Hareketi etkileyen çok sayıda hastalık vardır. Umut ediyorum ki eğer hareketi nasıl kontrol ettiğimizi anlarsak, bunu robot teknolojisine yansıtabiliriz. Ve son olarak size hatırlatmak istiyorum ki, hayvanların çok basitmiş gibi gözüken görevleri yaparken gördüğünüzde, beyinlerinin içinde olanların karmaşıklığı oldukça çarpıcıdır.
Thank you very much.
Çok teşekkür ederim.
(Applause)
(Alkışlar)
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: Dan, sana hızlı bir soru. Yani sen bir hareket şovenistisin. Bu şu mu demek oluyor, beynimizle ilgili olduğunu sandığımız diğer şeyler -- rüya görmek, bir şeyi arzulamak, aşık olmak ve bunun gibi birçok şey -- asında bir yan ürün, birer kaza mı?
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: Hayır, hayır, aslında bence onların tümü önemli, bizi aynı hareketi yeniden üretebilmeye yönelik doğru davranışa yöneltirler. Yani inanıyorum ki his ve hafıza üzerine çalışan insanlar bazen çocukluk anılarını neden sakladığımızı farketmezler. Mesela çocukluğumuzun büyük bir kısmını unutmamız olağandır, çünkü hayatımızın geri kalanındaki hareketlerimizi etkilemez Sadece hareketlerinizi gerçekten etkileyecek şeyleri saklama ihtiyacı duyarsınız.
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: Yani diyorsun ki beyin ve genel anlamda bilinç üzerinde düşünen insanlar hareket bu oyunun neresinde diye düşünerek derinleşebilirler?
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: Yani insanlar örneğin şunu bulmuştur neden görme duyumuz olduğunu farketmeden görme duyusu üzerine çalışmak bir hatadır. Görme duyusunu hareket sistemimizin onu nasıl kullanacağını düşünerek çalışmalısınız. Ve bu şekilde düşündüğünde onu çok farklı kullandığını görebilirsiniz
CA: Well that was quite fascinating. Thank you very much indeed.
CA: Evet, bu gerçekten etkileyiciydi. Çok teşekkür ederiz.
(Applause)
(Alkış)