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.
Я невролог. І в області неврології, ми маємо справу з багатьма важкими питаннями про мозок. Але я хочу почати з самого простого запитання і це питання ви всі повинні були задавали собі у якийсь момент у вашому житті, тому що це фундаментальне питання якщо ми хочемо зрозуміти роботу мозку. І ось це питання, чому ми і інші тварини маємо мозок? Не всі види на нашій планеті мають мозок, тому, якщо ми хочемо знати навіщо потрібен мозок, давайте подумаємо про те, чому ми еволюціонували. Ви можете подумати, що ми повинні були сприймати світ або думати, і це абсолютно неправильно. Якщо ви думаєте про це питання протягом певного часу, це стало очевидним, чому у нас є мозок. У нас є мозок з однієї-єдиної причини, і це виробництво гнучких і складних рухів. Не існує ніякої іншої причини мати мозок. Подумайте про це. Рух це єдиний спосіб який у вас є щоб впливати на світ навколо вас. Тепер це не зовсім так. Є інша сторона - через потовиділення. Але, крім того, все інше йде через скорочення м'язів.
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.
Так що подумайте про зв'язок - мова, жести, письмо, мова жестів - всі вони опосередковані скороченнями м'язів. Так що дійсно важливо пам'ятати, що сенсорні процеси, процеси пам'яті і когнітивні процеси є важливими, але вони тільки важливі для керування або придушення майбутнього руху. Там може і не бути ніяких еволюційних переваг для спогадів про дитинство або сприйняття кольору троянди якщо це не впливає на спосіб життя, який Ви виберете в майбутньому.
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.
Тепер для тих, хто не вірить цьому аргументу, у нас дерева і трава на нашій планеті без головного мозку, але остаточні докази це тварини - скромні асцидії. Рудиментарні тварини, мають нервову систему, плавають в океані до повнолітнього життя. І в якийсь момент свого життя, вони відкладаються на скелях. І перше, що вони роблять на скелі, яку вони ніколи не залишають, це перетворююти свій мозок і нервову систему для їжі. Тому, як тільки вам не потрібно рухатися, Вам не потрібна розкіш у вигляді головного мозку. І ця тварина часто приймається як аналогія того, що відбувається в університетах коли професори отримують посаду, але це вже інша тема.
(Applause)
(Оплески)
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.
Так що я шовініст руху. Я вважаю, рух є найбільш важливою функцією мозку - не дозволяйте нікому говорити вам, що це не так. Тепер, якщо рух це так важливо, наскільки добре ми розуміємо те як мозок контролює рухи? І відповідь - дуже погано, це дуже складна проблема. Але ми можемо подивитися, як добре ми робимо , думаючи про те, як добре ми робимо будівельні машини , які можуть робити те, що люди можуть зробити.
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.
Подумайте про гру в шахи. Наскільки добре ми робимо вибір того, де має бути фігура? Якщо ви посадите тут Гаррі Каспарова проти Deep Blue компанії IBM, то Deep Blue від компанії IBM буде час від часу перемагати. І я думаю, якби IBM Deep Blue грав із кимось у цій кімнаті, він би перемагав щоразу. Ця проблема буде вирішена. А як щодо проблеми рухів шахової фігури, спритно маніпулювати і повертати її назад на доску? Якщо ви співставите спритність п'ятирічної дитини проти кращих роботів на сьогоднішній день відповідь проста: дитина переможе легко. Там немає конкуренції взагалі.
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.
Тепер, чому перша проблема така проста та друга така складна? Однією з причин є дуже розумне п'ятирічне дитя міг би розповісти вам алгоритм для вирішення першої проблеми - подивитися на всі можливі ходи до кінця гри і вибрати той, який зробить вас переможцем. Так що це дуже простий алгоритм. Тепер, звичайно є й інші кроки, але з величезними комп'ютерами ми апроксимуємо і стаємо ближчими до оптимального рішення. Коли справа доходить до кмітливості, тоді навіть не ясно, який алгоритм ви повинні вирішити, щоб бути кмітливим. І ми побачимо, що ви повинні як сприймати так і діяти у світі, який має багато проблем.
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.
Але дозвольте мені показати вам передових роботів. Зараз багато роботів дуже вражає, але роботи які можуть маніпулювати були іще в темні століття. Так що це кінець докторьского проекту від одного з кращих інститутів робототехніки. І студент тренував робота наливати воду у склянку. Це складна проблема, тому що вода хлюпає, але він може це зробити. Але він не робить це із гнучкісттю людини. Тепер, якщо ви хочете щоб робот робив інші завдання, це іще три роки докторської програми. Не існує узагальнення від одного завдання до іншого в області робототехніки.
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.
Тепер ми можемо порівняти це зі найсучасніших людських можливостей. Так що я збираюся показати Вам, Емілі Фокс переможця світового рекорду по складанню стаканів. Тепер американці в аудиторії будуть знати все про складання стаканів. Це висока спортивна школа де у вас є 12 чашок і ви повинні скласти і розкласти їх за встановлений час. І це її світовий рекорд в реальному часі. (сміх) (оплески) І вона дуже щаслива. Ми поняття не маємо, що відбувається в її мозку, коли вона робить це, і це те що ми хотіли б знати.
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.
Так у моїй групі, те, що ми намагаємося зробити є зворотне проектування, як люди управляють рухом. І це звучить як легке завдання. Ви посилаєте команду вниз, це змушує м'язи скорочуватися. Ваші руки або тіло рухається, і ви отримуєте сенсорний зворотний зв'язок від бачення, зі шкіри, з м'язів і так далі. Біда в тому, що ці сигнали не красиві сигнали якими ви хотіли щоб вони були. Так одна річ, яка робить управління рухом важким є, наприклад, сенсорний зворотній зв'язок який дуже шумний. Під шумом, я не маю на увазі звук. Ми використовуємо його в інженерному і нейронаучному сенсі мається на увазі випадковий шум що псує сигнал. В ті старі дні до цифрового радіо, коли ви налаштували руками ваше радіо а ви чули "шшшшшшш" замість станції, яку Ви хотіли б почути, це був шум. Але в цілому, цей шум є те, що псує сигнал.
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.
Так, наприклад, якщо ви кладете руку під стіл і намагаються локалізувати її з іншого боку другою рукою, Ви можете промахнутись на кілька сантиметрів через шум у відчутті зворотного зв'язку. Аналогічним чином, коли ви за допомогою моторики м"язів рухаєтесь, це дуже шумно. Забудьте про спроби вражати яблочко в дартс, ви тільки будете досягати того ж місця знову і знову. У вас є величезний діапазон варіантів через рухові мінливості. і бідьше того зовнішній світ чи задачі є одночасно двозначним і змінним. Чаша може бути повною, та може бути пустою. Це змінюється з часом. Ми працюємо в цілій каші зашумлених завдань.
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.
Тепер цей шум настільки великий, що суспільство надає величезні премії тим з нас, хто може зменшити наслідки шуму. Так, якщо ти достатньо везучий, щоб бути здатним забити маленький білий мячик в лузу за декілька сотень ярдів, використовуючи довгу металічну клюшку, наше суспільство бажатиме віддячити тобі сотнями мільйонів доларів.
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.
Так в чому я хочу переконати вас це те, що мозок також проходить через багато зусиль щоб зменшити негативні наслідки наприклад, шум та непостійність. І щоб зробити це, я збираюсь розповісти про структуру яка є дуже популярною в статистиці та штучному інтелекті протягом останніх 50 років яка називається Баєсівська теорія прийняття рішень. І це недавно стало обєднаним шляхом осмислення того, як мозок справляється з несподіваностями. І основна ідея в тому, що ви хочете спочатку зробити висновок та потім виконати певні дії.
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.
Тож давайте подумаємо про висновки. Ви хочете зробити певні висновки про світ. Так що ж таке віра? Віра може бути у усвідомленні того де мої руки у просторі? Я дивлюсь на кота чи на лисицю? Але ми збираємось співставити віру з ймовірністю. Тож ми представимо віру як число між нулем і одиницею-- нуль значить, що я абсолютно не вірю, один значить, що я абсолютно переконаний. І числа в проміжку дають вам рівні невпевненості. І основна ідея Баєсівських висновків це те, що ви маєте два джереле інформації з яких ви можете зробити висновки. Ви маєте дані, і дані в області неврології подаються сенсорними шляхами. Так що я маю сенсорні сигнали, які я можу приняти, щоб переконатися. Але є й інше джерело інформації, і воно ефективніше-це попередній досвід. Ви накопичуєте досвід протягом усього життя у спогадах. І суть Байєсівської теорії прийняття рішень у тому, що вона дає вам математичний оптимальних спосіб об'єднати ваш попередній досвід з сенсорними показниками для створення нових вражень.
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.
І я задав формулу. Я не збираюся пояснювати, що це за формула, але вона дуже красива. Вона має справжню красу і пояснювальну силу. І те, що вона дійсно говорить, і те, що ви хочете оцінити, є ймовірність різних відчуттів які подаються сенсорною системою. Отже, дозвольте мені дати вам наочний приклад. Уявіть, що ви вчитеся грати в теніс і ви хочете вирішити де м'яч буде відскакувати коли він летить до вас. Є два джерела інформації каже правило Баєсса. Із сенсорних даних ви можете використовувати візуальну інформацію та слухову інформацію, і що може сказати вам, що він збирається приземлитися там де червона пляма. Але ви знаєте, що ваші відчуття не досконалі, і, тому, є деяка похибка визанчення місця падіння його на землю показано червоною хмарою, представлено числами від 0,5 і можливо до 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.
Ця інформація доступна на поточному слайді, але є ще одне джерело інформації не доступне на поточному слайді, але тільки шляхом досвіду в грі в теніс, і ось чому м'яч не стрибає з рівною імовірністю на корт під час матчу. Якщо ви граєте проти дуже хорошого суперника, вони можуть поширювати його там де зелена зона, який до розподілу, робить його важким для вас, щоб повернутися. Зараз обидва ці джерела інформації несуть важливу інформацію. І що правило Байеса говорить чи це те, що я повинен помножити імовірність червоного на зелений , щоб отримати імовірність жовтого і це є мій погляд. Так що це оптимальний спосіб об'єднання інформації.
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.
Тепер я не сказав би Вам все це, якщо це не було б ще кілька років тому, ми показали, це саме те, що роблять люди коли вони пізнають нові навички руху. І що це означає що ми є насправді Байєсовською машиною виведення? Рухаючись, ми дізнаємося про статистику в світі і накопичуємо її, але ми також дізнаємося про шуми у сенсорних апаратах, , а потім об'єднуємо їх в реальний Байєсовський спосіб.
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.
Тепер ключову роль байєсівської теорії є ця частина формули. І те, що ця частина дійсно говорить так це що у мене є, щоб передбачити ймовірність різних сенсорних зворотних зв'язків отриманих моїми відчуттями. Так що це насправді означає, що я повинен робити прогнози на майбутнє. І я хочу переконати вас у тому, що мозок робить прогнози сенсорної сиситеми, а саме того, що вона збирається отримати. І більше того, це глибоко змінює ваше сприйняття того, що ви робите. А для цього, я вам розповім про те, як мозок контактує із сенсорною системою. Таким чином, ви відправляєте команду, та отримуєте відповіть від сенсорної системи, і це перетворення регулюється фізичноми можливостями вашого тіла і вашим сенсорним апаратом.
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.
Але ви можете собі уявити, заглянувши всередину мозку. А ось всередині мозку. Можливо, вам доведеться трохи розповісти про нейронний симулятор, фізики вашого тіла і ваших відчуттів. Отже, якщо ви відправили команду переміщення вниз, як ви натиснете на копію, що поза і запустити його в своєму нейронному симуляторі для передбачення сенсорних наслідків ваших дій. Як тільки я потрушу цю пляшку кетчупу, я отримую віддачу сенсорної системи, як функцію часу в нижньому ряду. І якщо у мене є хороший провісник, вона пророкує те ж саме.
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.
Ну чому я повинен турбуватися роблячи це? Я збираюся отримати ту ж віддачу у будь-якому випадку. Що ж, є вагомі причини. Уявіть собі, як я трясу пляшку кетчупу, хтось дуже по-доброму до мене підходить і стукає мене в спину. Тепер я отримую додаткове джерело сенсорної інформації завдяки зовнішньому акту. Так я отримую два джерела. Ваш стук передався на неї, і я потрусив її, але з точки зору моїх відчуттів, це є об'єднання інформації в одне джерело.
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.
Тепер є всі підстави вважати, що ви хотіли б мати можливість розрізняти зовнішні події від внутрішніх подій. Тому що зовнішні події набагато більше відповідають за поведінку а потім відчувати все, що відбувається всередині мого тіла. Так один із способів для відновлення цього це порівняти пророкування - яке базується тільки на основі вашої взаємодії - з реальністю. Будь-яка невідповідність, повина бути зовнішня. Так, як я йду по всьому світу, Я роблю прогнози про те, що я повинен отримати, віднімаючи їх. Все, що залишилося є зовнішнім для мене.
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.
Які є докази цього? Є один дуже яскравий приклад де власні відчуття дуже різні аніж у іншої людини. І тому ми вирішили що набільш очевидне місце для початку був лоскіт. Це було відомо протягом довгого часу, ви не можете полоскотати себе так як інші люди. Але це насправді не було показано, тому що у вас є нейроний симулятор, симулюючий власне тіло і віднімає те відчуття. Так що ми можемо провести експерименти 21-го століття із застосуванням робо-технологій до цієї проблеми. І по суті, те, що у нас є, якісь палиці з однієї сторони додається до робота, і вони будуть рухатися вперед і назад. І тоді ми будемо відстежувати, що з комп'ютером і використовувати його для керування іншим роботом, , яка збирається лоскотати свої долоні іншого палицею. І тоді ми будемо просити їх оцінити купу речей в тому числі делікатність.
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.
Я покажу вам, тільки одну частину нашого дослідження. І ось я взяв від роботів, але люди рухають їх правою рукою синусоидально назад і вперед. І ми повторим для іншої сторони, з тимчасовою затримкою. Або немає часу затримки, У цьому випадку світло буде просто лоскотати ваші долоні, або затримка в дві десятих три десятих секунди. Тому важливим моментом тут є права рука що завжди робить одне і те ж - синусоїдальний рух. Лівою рукою завжди є теж саме і синусоїдально лоскоче. Все, із чим ми граємо з причиною темпу. І, як ми переходимо від нуля до 0,1 секунди, це стає все більш делікатним. Як ви йдете від 0,1 до 0,2, це стає все більш делікатні в кінці. І на 0,2 секунді, це саме делікатне для робота, який щойно вас лоскотав без вашого втручання. Не важливо що відповідає за скасування але це надзвичайно щільно поєднано з причиною темпу. І на основі цього прикладу, ми дійсно переконалися в області що мозок приймає точні прогнози і віднімає їх з відчуттів.
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.
Тепер я повинен зізнатися, це найгірше дослідженнях в моїй лабораторії. Бо відчуття лоскоту на долоні приходить і йде, вам потрібна велика кількість предметів з цих зірок робить їх значущими. Так що ми шукали більш об'єктивно Для оцінки цього явища. І за минулі роки в мене було дві дочки. І ще одне, що ви помітите про дітей в задніх сидіннях автомобілів в далеких поїздках, вони потрапляють в бої - , який почався з того що хтось робить щось для інших, а інші відповідають. Це швидко зростає. І діти, як правило, потрапляють в бої в яких ескалються з точки зору сили. Тепер, коли я кричав на своїх дітей, щоб зупинити, Іноді вони обидві говорять мені: інша особа, вдарила їх важче.
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.
Тепер я знаю, мої діти не брешуть, таким чином я думав, як невролог, важливо, як я міг пояснити, як вони говорили мені несумісну правду. І ми припускаємо, базуючись на дослідженні лоскоту , що, коли одна дитина ударяє іншу, вони виробляють команду руху. Вони передбачають, сенсорні наслідки і віднімають їх. Так що вони насправді думають, що вони ударили людину менш жорстко, ніж отримали - як лоскіт. У той час як пасивний отримувач не робить передбачення і відчуває повний удар. Так, якщо вони у відповідь ударять з тією ж силою, Перша людина буде думати, що бійка загострилася.
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.
Тому ми вирішили перевірити це в лабораторії. (Сміх у залі) Тепер ми не працюємо з дітьми, ми не працюємо з ударами, але суть залишається однаковим. Ми беремо двох дорослих. Ми говоримо їм, що вони збираються грати в ігри. Так ось вони сидять один навпроти одного. І гра дуже проста. Ми почали з двигуна з невеликим важілем, трохи передававшим силу. І ми використовуємо цей двигун для застосування сили до пальців гравця протягом трьох секунд, а потім зупиняємся. І гравця було сказано, пам'ятайте досвід сили і використовуйте інший палець для застосовування тієї ж сили до пальців через датчик сили - і вони це роблять. І для другого гравця було сказано, пам'ятайте про досвід сили. Використовуйте іншу руку для застосування сили вниз. І вони по черзі застосовували силу.
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.
Але важливо, що вони ознайомлені з правилами гри в окремих кімнатах. Так що вони не знають правил інших людей. І те, що ми вимірювали це сила, в залежності від умов. І якщо ми подивимося на те з чого ми починаємо, четверть Ньютон там, кількість витків, ідеально було б, що червоною лінією. А що ми бачимо у всіх парах суб'єктів це - 70 відсотків ескалації в силу на кожному ходу. Так що насправді передбачає, коли ви робите це - на основі цього дослідження та інших, що ми зробили - що мозок зводить нанівець сенсорні наслідки та недооцінка сили це виробляє. Так він ще раз показує, мозок робить передбачення і принципово змінює заповіді. Таким чином, ми зробили висновки, що ми зробили прогнози, Тепер ми повинні генерувати дії. І що правила Байеса говорить, це, враховуючи мої переконання, дії повинні в деякому сенсі бути оптимальним.
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.
Але у нас є проблеми. Завдання є символічними - Я хочу пити, я хочу танцювати - але рухова система повинна задіяти 600 м'язів в певній послідовності. Є велика різниця між завданням і руховою системою. Так що можуть бути подолані нескінченно багатьма різними способами. Так що думайте про лише точки до точки руху. Я можу вибрати ці два шляхи з нескінченної кількості шляхів. Вибравши особливий шлях, я можу тримати руку на пульсі цього шляху як нескінченно багато різних спільних конфігурацій. І я можу тримати руку на пульсі виключної спільної конфігурації або дуже жорстко або дуже розслаблено. Так що в мене величезний вибір. Тепер виявляється, що ми дуже стереотипні. Ми всі рухаємося так само, досить багато.
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.
І так виходить, що ми такі стереотипні, наш мозок отримав виділену нервову систему для декодування цих стереотипів. Так що, якщо я візьму деякі точки і поставлю їх в рух з біологічними рухом, Схема вашого мозку зрозуміє миттєво, що відбувається. Тепер це купа точок рухається. Ви будете знати, що ця людина робить, чи щаслива, сумна, стара, молода - величезна кількість інформації. Якби ці точки були автомобілями, що рухаються на гоночній трасі, Ви абсолютно не знали б, що відбувається.
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.
Так чому це ж так що ми рухаємося по окремому шляху? Ну давайте подумаємо про те, що відбувається насправді. Може бути, ми не всі спокійно рухаємось таким же чином. Може бути, є відмінності у складі населення. А може бути, є ті, хто рухаються краще, ніж інші отримали більше шансів мати своїх дітей в наступному поколінні. Таким чином, в еволюційному масштабі, рух стає краще. І, можливо, в житті, рух стає кращим через навчання.
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.
Так що ж про рух, що добре це чи погано? Уявіть собі, я хочу перехопити цей м'яч. Тут можливі два шляхи до цього м'ячу. Ну, якщо я візьму шлях лівої руки, я можу працювати з необхідною силою в одному з моїх м'язів, як функція часу. Але є шум доданий до цього. Так що я насправді отримав, засноване на цій прекрасній, гладкоій, бажаній силі, є дуже гучна версія. Так що, якщо я обиру ту ж команду за багато разів, Я отримаю різні гучні версії кожен раз, тому що шум щоразу змінюється. Так що я хочу показати вам це те, як різноманіття рухів еволюціонуватиме, якщо я виберу той шлях. Якщо я виберу інший шлях руху - на право наприклад - тоді у мене буде інша команда, інший звук, що звучатиме через звукову систему, дуже складно. Все, в чому ми можемо бути впевнені, це різноманітність є різною. Якщо я рухатимусь в цьому певному русі, Я в результаті менше мінливості в багатьох рухах. Так що, якщо мені доведеться вибирати між цими двома, Я б вибрав правий, тому що він менш мінливий.
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.
І основна ідея що ви хочете планувати ваші рухи так, щоб мінімізувати негативні наслідки шуму. І інтуїція, щоб отримати насправді кількість шуму або мінливості, що я показую тут стає все більше, як сила стає більше. Отже, ви хочете уникнути великих сил, як одного принципу. Отже, ми показали, що використовуючи це можна пояснити величезну кількість даних - що саме люди збираються протягом їхнього життя, планування руху таким чином, щоб мінімізувати негативні наслідки шуму.
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.
Тому я сподіваюся, мені вдалося переконати вас, що мозок є і еволюціонував, щоб контролювати рух. І це інтелектуальний виклик, щоб зрозуміти, як ми робимо це. Але це також має відношення до хвороби і реабілітації. Є багато захворювань, які впливають на рух. І, сподіваюся, якщо ми розуміємо, як ми контролюємо рух, ми можемо застосувати це до робототехніки. І, нарешті, я хочу нагадати вам, коли ви бачите тварин, які роблять те, що виглядає дуже простими задачами, фактична складність того, що відбувається всередині їхнього мозку дійсно досить драматична.
Thank you very much.
Велике спасибі.
(Applause)
(Оплески)
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?
Кріс Андерсон: Швидке питання до Вас, Дан. Значить, ви рух -: шовініст - (DW шовініст.). Чи означає це, що ви думаєте, що інші речі, про які думає наш мозок є про - мріяти, скучання, закоханість і всі ці речі - є свого роду сторонні випадки, випадковості?
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: Ні, ні, насправді я думаю, що вони всі важливі щоб рухатись вірно, щоб отримати відтворення в кінці. Так що я думаю, що люди, які вивчають відчуття або пам'ять не розуміючи, чому ви викликаєте спогади про дитинство. Те, що ми забуваємо більшу частину нашого дитинства, наприклад, напевно це здорово, тому що це не впливає на наші рухи в подальшому житті. Вам потрібно тільки памятати ті речі, які дійсно впливатимуть на рухи.
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: Тобто ви думаєте, що люди, які думають про мозок, і свідомість у цілому, могли б отримати реальну картину говорячи: Де ж рухи грають в цю гру?
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: Таким чином, люди виявили, наприклад, що вивчення зору за відсутності розуміння, що у вас є бачення є помилкою. Ви повинні вивчити зір з розумінням того, як рухова система буде використовувати зір. І вона використовує його дуже по-різному, коли ви думаєте про це таким чином.
CA: Well that was quite fascinating. Thank you very much indeed.
CA: Ну, що було дуже захоплююче. Спасибі велике.
(Applause)
(Оплески)