TEDxMidAtlantic
Charles Limb: Your brain on improv
Charles Limb: Az agyunk improvizálás közben
Filmed:
Readability: 4.4
1,351,678 views
A zenész és kutató Charles Limb kíváncsi volt arra, hogy mit csinál az agyunk a zenei improvizálás során -- ezért fogott néhány jazz zenészt és rappert, és bedugta őket egy fMRI készülékbe, hogy megtudja. Limb és csoportja kutatási eredményei alapvetően befolyásolják mindazt, amit a kreativitás bármely válfajáról eddig gondoltunk.
Charles Limb - Researcher
Charles Limb is a doctor and a musician who researches the way musical creativity works in the brain. Full bio
Charles Limb is a doctor and a musician who researches the way musical creativity works in the brain. Full bio
Double-click the English transcript below to play the video.
00:15
So I am a surgeon who studies creativity,
0
0
3000
Mivel én egy sebész vagyok, aki a kreativitással foglalkozik,
00:18
and I have never had a patient tell me
1
3000
3000
eddig sosem volt olyan betegem, aki azt mondta volna nekem,
00:21
that "I really want you to be creative during surgery,"
2
6000
3000
hogy "azt szeretném, hogy igazán kreatív legyen a műtét közben".
00:24
and so I guess there's a little bit of irony to it.
3
9000
3000
Szerintem ebben nem kevés az irónia.
00:27
I will say though that, after having done surgery a lot,
4
12000
3000
Mégis, így számtalan műtét után azt állítom,
00:30
it's somewhat similar to playing a musical instrument.
5
15000
2000
hogy műteni hasonló, mint játszani egy hangszeren.
00:32
And for me, this sort of deep and enduring fascination with sound
6
17000
3000
És ez a mély, és hosszantartó ámulat a hangok világa iránt
00:35
is what led me to both be a surgeon
7
20000
2000
vezetett rá engem, hogy egyszerre legyek sebészorvos,
00:37
and also to study the science of sound, particularly music.
8
22000
2000
valamint tanulmányozzam a hangok, főleg a zene tudományát.
00:39
And so I'm going to try to talk to you over the next few minutes
9
24000
2000
A következő pár percben megosztom Önökkel
00:41
about my career
10
26000
2000
az életpályám egy részét,
00:43
in terms of how I'm able to actually try to study music
11
28000
2000
amelyből kiderül, hogy miként próbálom tanulmányozni a zenét,
00:45
and really try to grapple with all these questions
12
30000
2000
és próbálom megérteni,
00:47
of how the brain is able to be creative.
13
32000
3000
milyen módon képes az agy a kreatív működésre.
00:50
I've done most of this work at Johns Hopkins University,
14
35000
2000
E munka javát a Johns Hopkins Egyetemen végeztem el,
00:52
but also at the National Institute of Health where I was previously.
15
37000
2000
de már ezzel a témával foglalkoztam korábban a Nemzeti Egészségügyi Intézetnél is.
00:54
I'm going to go over some science experiments
16
39000
2000
Bemutatok néhány tudományos kísérletet,
00:56
and try to cover three musical experiments.
17
41000
2000
valamint három zenei kísérletet.
00:58
I'm going to start off by playing a video for you.
18
43000
2000
Elsőként egy videót játszok le Önöknek.
01:00
And this video is a video of Keith Jarrett, who's a well-known jazz improviser
19
45000
3000
Ez a videó Keith Jarrettről, az ismert jazz improvizőrről szól,
01:03
and probably the most well-known, iconic example
20
48000
3000
aki valószínűleg a legismertebb, ikonikus példája
01:06
of someone who takes improvisation to a really higher level.
21
51000
2000
az improvizáció egy valóban átlag feletti szintjének.
01:08
And he'll improvise entire concerts
22
53000
2000
Jarrett egész koncerteket improvizál végig,
01:10
off the top of his head,
23
55000
2000
minden a fejéből pattan ki,
01:12
and he'll never play it exactly the same way again,
24
57000
2000
és sosem játssza ugyanazt ugyanúgy még egyszer.
01:14
and so, as a form of intense creativity,
25
59000
2000
És ez, úgy vélem, a valóban tömény kreativitás
01:16
I think this is a great example.
26
61000
2000
ékes példája.
01:18
And so why don't we go and click the video.
27
63000
2000
Nézzük tehát a videót.
01:21
(Music)
28
66000
4000
(Zene)
02:17
It's really a remarkable, awesome thing that happens there.
29
122000
3000
Egy lenyűgöző és csodálatos dolognak lehetünk szem- és fültanúi.
02:20
I've always -- just as a listener, as just a fan --
30
125000
2000
Akár hallgatóként, vagy épp rajongóként hallgatom végig,
02:22
I listen to that, and I'm just astounded.
31
127000
2000
mindig elképesztőnek találom.
02:24
I think -- how can this possibly be?
32
129000
2000
Azon töröm a fejem, miként is lehetséges ez?
02:26
How can the brain generate that much information,
33
131000
2000
Hogyan képes az agy ennyi információt,
02:28
that much music, spontaneously?
34
133000
2000
ennyi zenét spontán módon előállítani?
02:30
And so I set out with this concept, scientifically,
35
135000
3000
Így kialakítottam ezt a tudományos elméletet,
02:33
that artistic creativity, it's magical, but it's not magic,
36
138000
3000
amely megmagyarázza, hogy a művészi kreativitás valóban varázslatos, ám mégsem varázslat.
02:36
meaning that it's a product of the brain.
37
141000
2000
Ez alatt azt értem, hogy az agy teljesítménye.
02:38
There's not too many brain-dead people creating art.
38
143000
3000
Nem túl sok agyhalott ember készít művészi alkotásokat.
02:41
And so with this notion that artistic creativity
39
146000
2000
Tehát azzal a megállapítással, hogy a művészi kreativitás
02:43
is in fact a neurologic product,
40
148000
2000
valójában egy neurológiai termék,
02:45
I took this thesis that we could study it
41
150000
3000
egy olyan tézishez jutottam, amit tanulmányozhatunk,
02:48
just like we study any other complex neurologic process.
42
153000
3000
épp annyira, mint bármely más komplex neurológiai folyamatot.
02:51
And I think there's some sub-questions there that I put there.
43
156000
2000
Azt hiszem, azért van még néhány al-kérdés, amit fel kell tennünk.
02:53
Is it truly possible to study creativity scientifically?
44
158000
2000
Tényleg lehetséges a kreativitást tanulmányozni?
02:55
And I think that's a good question.
45
160000
2000
Azt hiszem, ez egy jó kérdés.
02:57
And I'll tell you that most scientific studies of music,
46
162000
3000
Elárulom Önöknek, hogy a zenével kapcsolatos legtöbb tudományos kutatás
03:00
they're very dense,
47
165000
2000
meglehetősen tömény szakmailag.
03:02
and when you actually go through them, it's very hard to recognize the music in it.
48
167000
3000
És amikor elolvassuk őket, nagyon nehéz megtalálni bennük magát a zenét.
03:05
In fact, they seem to be very unmusical entirely
49
170000
2000
Sőt, kifejezetten és teljesen zenétlennek tűnnek,
03:07
and to miss the whole point of the music.
50
172000
2000
és a zene lényegét veszítik szem elől.
03:09
And so it brings the second question:
51
174000
2000
Ettől merül fel a második kérdésünk:
03:11
Why should scientists study creativity?
52
176000
2000
miért is kéne kutatnunk a kreativitást?
03:13
Maybe we're not the right people to do it.
53
178000
2000
Talán nem mi vagyunk erre a megfelelő egyének.
03:15
Well it may be,
54
180000
2000
Ez lehetséges ugyan,
03:17
but I will say that, from a scientific perspective --
55
182000
2000
ám én azt állítom, tudományos szempontból
03:19
we talked a lot about innovation today --
56
184000
2000
- ma már elég sokat beszéltünk itt az innovációról -
03:21
the science of innovation,
57
186000
2000
hogy az innováció tudománya, az,
03:23
how much we understand about how the brain is able to innovate
58
188000
2000
hogy mennyit is értünk abból, hogy miként képes az agy innoválni,
03:25
is in its infancy,
59
190000
2000
még eléggé gyermekcipőben jár.
03:27
and truly, we know very little about how we are able to be creative.
60
192000
3000
Tényleg, nagyon keveset tudunk arról, hogy miként is vagyunk képesek a kreativitásra.
03:30
And so I think that we're going to see
61
195000
2000
Épp ezért azt hiszem, hogy az elkövetkező
03:32
over the next 10, 20, 30 years
62
197000
2000
10, 20, 30 évben látni fogjuk
03:34
a real science of creativity that's burgeoning and is going to flourish.
63
199000
3000
egy valódi kreativitás-tudomány felvirágzását és elterjedését.
03:37
Because we now have new methods that can enable us
64
202000
2000
Merthogy most már vannak olyan módszereink, amelyekkel képesek vagyunk
03:39
to take this process of something like this,
65
204000
2000
fogni egy ilyen folyamatot, mint ez
03:41
complex jazz improvisation, and study it rigorously.
66
206000
2000
a bonyolult jazz improvizáció, és alaposan áttanulmányozni.
03:43
And so it gets down to the brain.
67
208000
2000
El is jutottunk az agy kérdésköréig.
03:45
And so all of us have this remarkable brain,
68
210000
2000
Mindannyiunknak itt van ez a lenyűgöző agya,
03:47
which is poorly understood to say the least.
69
212000
3000
amiről szinte semmit nem tudunk.
03:50
I think that neuroscientists
70
215000
2000
Úgy vélem, hogy a neurológusoknak ma még
03:52
have many more questions than answers,
71
217000
2000
sokkal több kérdésük van, mint ahány válaszuk.
03:54
and I myself, I'm not going to give you many answers today,
72
219000
2000
Jómagam sem túl sok választ adok meg a mai alkalommal,
03:56
just ask a lot of questions.
73
221000
2000
inkább újabb kérdéseket vetek fel.
03:58
And fundamentally that's what I do in my lab.
74
223000
2000
Alapjában véve ezt csinálom a laboromban is.
04:00
I ask questions about what is this brain doing to enable us to do this.
75
225000
2000
Rákérdezek, hogy mit is csinál az agyunk, ami miatt képesek vagyunk minderre.
04:02
This is the main method that I use. This is called functional MRI.
76
227000
3000
Ez a fő módszerem, és a fő eszköz, amit használok, a funkcionális MRI készülék.
04:05
If you've been in an MRI scanner, it's very much the same,
77
230000
3000
A fMRI nagyon hasonlít egy sima MRI szkennerre, ha már láttak esetleg olyat,
04:08
but this one is outfitted in a special way
78
233000
2000
de mégis, egy speciális dologban nagyon is különbözik,
04:10
to not just take pictures of your brain,
79
235000
2000
mert ez nem csupán fényképeket készít az agyunkról,
04:12
but to also take pictures of active areas of the brain.
80
237000
3000
hanem azt is lefényképezi, hogy melyek az agyunk aktív területei.
04:15
Now the way that's done is by the following.
81
240000
2000
Ezt a következő módon teszi,
04:17
There's something called BOLD imaging,
82
242000
2000
amit úgy hívunk, hogy BOLD leképezés,
04:19
which is Blood Oxygen Level Dependent imaging.
83
244000
2000
vagyis a vér oxigén szintjének feltérképezése.
04:21
Now when you're in an fMRI scanner,
84
246000
2000
Amikor egy fMRI szkennerben fekszenek,
04:23
you're in a big magnet
85
248000
2000
az olyan, mintha egy nagy mágnesben feküdnének,
04:25
that's aligning your molecules in certain areas.
86
250000
2000
ami vonzza a molekuláikat bizonyos területeken.
04:27
When an area of the brain is active, meaning a neural area is active,
87
252000
3000
Amikor az agy egy területe aktív, azaz valamely neurális terület aktív,
04:30
it gets blood flow shunted to that area.
88
255000
3000
nagyobb mennyiségű vér áramlik arra a területre.
04:33
That blood flow causes an increase
89
258000
2000
Ez a véráram megnöveli
04:35
in local blood to that area
90
260000
2000
a terület helyi vérellátását,
04:37
with a deoxyhemoglobin change in concentration.
91
262000
3000
méghozzá a deoxyhemoglobin koncentráció változása által.
04:40
Deoxyhemoglobin can be detected by MRI,
92
265000
2000
A deoxyhemoglobint mérni tudja az MRI
04:42
whereas oxyhemoglobin can't.
93
267000
2000
szemben az oxyhemoglobinnal, amit nem tud.
04:44
So through this method of inference --
94
269000
2000
Ez tehát egy következtetéses modell --
04:46
and we're measuring blood flow, not neural activity --
95
271000
2000
mivel valójában a vérellátást mérjük, és nem az idegi aktivitást --
04:48
we say that an area of the brain that's getting more blood
96
273000
2000
azt állítjuk, hogy egy adott terület azért kap több vért,
04:50
was active during a particular task,
97
275000
2000
mert épp aktív egy adott feladat elvégzésében.
04:52
and that's the crux of how fMRI works.
98
277000
2000
Leegyszerűsítve így működik az fMRI.
04:54
And it's been used since the '90s
99
279000
2000
Ezt a módszert már a 90-es évektől használjuk
04:56
to study really complex processes.
100
281000
3000
az igazán komplex folyamatok tanulmányozására.
04:59
Now I'm going to review a study that I did,
101
284000
2000
Most arról a kutatásról számolok be Önöknek, amelyet én végeztem,
05:01
which was jazz in an fMRI scanner.
102
286000
2000
és a Jazz az fMRI szkennerben címet viselhetné.
05:03
And this was done with a colleague of mine, Alan Braun, at the NIH.
103
288000
2000
Ezt egy kollégámmal, Alan Braunnal közösen bonyolítottuk le az NIH-nál.
05:05
This is a short video of how we did this project.
104
290000
3000
Íme egy rövid videó arról, hogy miként zajlott ez a projekt.
05:08
(Video) Charles Limb: This is a plastic MIDI piano keyboard
105
293000
2000
(Videó) Charles Limb: Ez egy műanyag MIDI zongora billentyűzet
05:10
that we use for the jazz experiments.
106
295000
2000
amelyet a jazz kísérletekhez használunk.
05:12
And it's a 35-key keyboard
107
297000
2000
35 billentyűje van,
05:14
that is designed to fit both inside the scanner,
108
299000
2000
és úgy tervezték, hogy a szkennerbe is beférjen,
05:16
be magnetically safe,
109
301000
2000
magnetikusan is biztonságos legyen,
05:18
have minimal interference
110
303000
2000
minimálisan interferáljon
05:20
that would contribute to any artifact
111
305000
2000
a többi műszerrel
05:22
and have this cushion so that it can rest on the players' legs
112
307000
3000
és olyan kialakítása legyen, hogy a játékos lábaira lehessen helyezni,
05:25
while they're lying down in the scanner, playing on their back.
113
310000
3000
miközben a zenész a szkennerben, hanyatt fekve játszik rajta.
05:28
And it works like this -- this doesn't actually produce any sound.
114
313000
3000
Így működik - valójában semmilyen hangot nem bocsát ki.
05:31
It sends out what's called a MIDI signal --
115
316000
2000
Amit kibocsát, az az úgynevezett MIDI jel --
05:33
or a Musical Instrument Digital Interface --
116
318000
2000
vagyis a zenei eszköz digitális kezelőfelület jel --
05:35
through these wires into the box and then the computer,
117
320000
3000
amelyek ezeken a drótokon keresztül a dobozba, majd a számítógépbe jutva
05:38
which then trigger high-quality piano samples like this.
118
323000
3000
magas minőségű zongora hang-mintázatokat aktiválnak, mint ez is.
05:41
(Music)
119
326000
3000
(Zene)
05:47
(Music)
120
332000
20000
(Zene)
06:09
CL: Okay, so it works.
121
354000
2000
CL: Oké, tehát működik.
06:11
And so through this piano keyboard,
122
356000
2000
Tehát ezen a billentyűzeten keresztül
06:13
we now have the means to take a musical process and study it.
123
358000
2000
képesek vagyunk megragadni egy zenei folyamatot, és tanulmányozni azt.
06:15
So what do you do now that you have this cool piano keyboard?
124
360000
3000
Mit tegyünk most, hogy itt van ez a szuper zongora billentyűzet?
06:18
You can't just sort of -- "It's great we've got this keyboard."
125
363000
2000
Arra gondolhatnak most - csodálatos, itt van ez billentyűzet.
06:20
We actually have to come up with a scientific experiment.
126
365000
2000
Ki is kell találnunk valamilyen tudományos kísérletet.
06:22
And so the experiment really rests on the following:
127
367000
3000
A kísérlet igazából a következőkön alapszik:
06:26
What happens in the brain during something that's memorized and over-learned,
128
371000
3000
Mi történik az agyban, amikor olyan dolgot csinál, amit memorizált és alaposan megtanult,
06:29
and what happens in the brain during something
129
374000
2000
és mi történik akkor, ha valami olyat végez az agy,
06:31
that is spontaneously generated, or improvised,
130
376000
2000
ami spontánul lett teremtve, improvizálva,
06:33
in a way that's matched motorically
131
378000
2000
miközben mindkettő megegyezik a mozgás
06:35
and in terms of lower-level sensory motor features?
132
380000
3000
és alsóbb szintű érzékszervi motorikus funkciók szintjén?
06:38
And so, I have here what we call the "paradigms."
133
383000
3000
Van itt valami, amit úgy nevezünk, hogy paradigmák.
06:41
There's a scale paradigm, which is just playing a scale up and down, memorized.
134
386000
3000
Ez a skála paradigma, amin fel és le egy megjegyzett skálát játszunk.
06:44
And then there's improvising on a scale --
135
389000
2000
És itt láthatjuk, amikor a skálán belül improvizálunk:
06:46
quarter notes, metronome, right hand --
136
391000
2000
- negyedhangok, metronóm, jobb kéz -
06:48
scientifically very safe,
137
393000
2000
tudományosan nagyon biztonságos,
06:50
but musically really boring.
138
395000
2000
zeneileg azonban nagyon unalmas.
06:52
And then there's the bottom one, which is called the jazz paradigm.
139
397000
2000
És ez az alsó itt, amit jazz paradigmának hívunk.
06:54
And so what we did was we brought professional jazz players to the NIH,
140
399000
2000
Hivatásos jazz zenészeket hívtunk az NIH-ba, és azt kértük tőlük,
06:56
and we had them memorize this piece of music on the left, the lower-left --
141
401000
3000
hogy tanulják meg ezt a baloldalon, itt lent található zenét,
06:59
which is what you heard me playing --
142
404000
2000
amit én is játszottam az előbb,
07:01
and then we had them improvise to the same exact chord changes.
143
406000
3000
és azután arra kértük őket, hogy improvizáljanak az azonos akkord-váltások mentén.
07:04
And if you can hit that lower-right sound icon,
144
409000
2000
És ha megnyomjuk a lejátszó ikont,
07:06
that's an example of what was recorded in the scanner.
145
411000
2000
akkor hallhatjuk, hogy mit is vettünk fel a szkennerben.
07:08
(Music)
146
413000
5000
(Zene)
07:36
So in the end, it's not the most natural environment,
147
441000
2000
Végső soron ez nem egy igazán természetes környezet,
07:38
but they're able to play real music.
148
443000
2000
de mégis valódi zenét voltak képesek játszani.
07:40
And I've listened to that solo 200 times,
149
445000
2000
Kétszáz alkalommal hallottam ezt a szólót,
07:42
and I still like it.
150
447000
2000
ám nekem még mindig tetszik.
07:44
And the musicians, they were comfortable in the end.
151
449000
2000
A zenészek is mind jól érezték magukat végül.
07:46
And so we first measured the number of notes.
152
451000
2000
Elsőként a hangjegyeket számoltuk meg:
07:48
Were they in fact just playing a lot more notes when they were improvising?
153
453000
2000
vajon sokkal több hangot játszottak le, amikor improvizáltak?
07:50
That was not what was going on.
154
455000
2000
Hát nem, nem ez történt.
07:52
And then we looked at the brain activity.
155
457000
2000
Ezután megvizsgáltuk az agy aktivitását.
07:54
I'm going to try to condense this for you.
156
459000
2000
Megpróbálom összefoglalni ezt Önöknek.
07:56
These are contrast maps that are showing subtractions
157
461000
3000
Ezek azok a kontraszt térképek, amelyek a különbségeket mutatják
07:59
between what changes when you're improvising
158
464000
2000
aközött, hogy mely területek aktivitása változik, amikor improvizálunk,
08:01
versus when you're doing something memorized.
159
466000
2000
szemben azzal, amikor valamit a memóriából játszunk.
08:03
In red is an area that active in the prefrontal cortex,
160
468000
2000
A vörössel jelzett terület, amely aktív a prefrontális agykéregben,
08:05
the frontal lobe of the brain,
161
470000
2000
ami az agy elülső lebenye.
08:07
and in blue is this area that was deactivated.
162
472000
2000
Kékkel jeleztük azt a területet, ahol megszűnt az aktivitás.
08:09
And so we had this focal area called the medial prefrontal cortex
163
474000
2000
Tehát itt ez a fokális terület, amit mediális prefrontális kéregnek nevezünk,
08:11
that went way up in activity.
164
476000
2000
amelyben az aktivitás megnőtt.
08:13
We had this broad patch of area called the lateral prefrontal cortex
165
478000
3000
Ez a széles folt pedig a laterális prefrontális kéreg,
08:16
that went way down in activity, and I'll summarize that for you here.
166
481000
3000
ahol pedig csökkent az aktivitás, és ezt foglalom össze itt.
08:19
Now these are multifunctional areas of the brain.
167
484000
2000
Ezek a területek tehát az agy multifunkcionális részei.
08:21
As I like to say, these are not the "jazz areas" of the brain.
168
486000
3000
Szeretném leszögezni, hogy ezek nem az agy jazz területei.
08:24
They do a whole host of things
169
489000
2000
Egy csomó más dolghoz is van közük,
08:26
that have to do with self-reflection,
170
491000
2000
például az önreflexióhoz,
08:28
introspection, working memory and so forth.
171
493000
2000
introspekcióhoz, munkamemóriához, stb.
08:30
Really, consciousness is seated in the frontal lobe.
172
495000
3000
Valójában a tudat maga a frontális lebenyben lakozik.
08:33
But we have this combination
173
498000
2000
Itt amit látunk, az a kombinációja
08:35
of an area that's thought to be involved in self-monitoring, turning off,
174
500000
3000
egy olyan terület kikapcsolásának, amiről úgy véljük, hogy az önirányításért felelős,
08:38
and this area that's thought to be autobiographical,
175
503000
2000
és ennek a területnek, amit önéletrajzinak,
08:40
or self-expressive, turning on.
176
505000
2000
vagy önkifejezőnek gondolunk, növekszik az aktivitása.
08:42
And we think, at least in this preliminary --
177
507000
2000
És azt gondoljuk, legalábbis így előzetesen --
08:44
it's one study; it's probably wrong,
178
509000
2000
De ez csak egy kutatás. Lehetséges, hogy tévedünk.
08:46
but it's one study --
179
511000
2000
Ez csak egy kutatás.
08:48
we think that at least a reasonable hypothesis
180
513000
3000
Úgy véljük, hogy legalábbis egy hihető feltételezés,
08:51
is that, to be creative,
181
516000
2000
hogy kreatívnak lenni azt jelenti,
08:53
you have to have this weird dissociation in your frontal lobe.
182
518000
2000
hogy ezt a furcsa disszociációt produkáljuk a frontális lebenyben.
08:55
One area turns on, and a big area shuts off,
183
520000
2000
Az egyik terület aktivizálódik, és egy nagy terület pedig lekapcsol,
08:57
so that you're not inhibited, so that you're willing to make mistakes,
184
522000
3000
ami miatt nem gátoljuk önmagunknak, hajlandóak vagyunk akár hibázni is,
09:00
so that you're not constantly shutting down
185
525000
2000
és nem próbálunk folyamatosan megszabadulni
09:02
all of these new generative impulses.
186
527000
3000
ezektől a teremtő impulzusoktól.
09:05
Now a lot of people know that music is not always a solo activity --
187
530000
3000
Sokan tudják, hogy a zene nem mindig egyéni teljesítmény -
09:08
sometimes it's done communicatively.
188
533000
2000
előfordul, hogy kommunikáció során hozzuk létre.
09:10
And so the next question was:
189
535000
2000
Ezért a következő kérdésünk az volt, hogy
09:12
What happens when musicians are trading back and forth,
190
537000
2000
mi történik, amikor a zenészek egymásnak "dobálják a labdát",
09:14
something called "trading fours,"
191
539000
2000
valami amit "trading fours"-nak hívnak,
09:16
which is something they do normally in a jazz experiment?
192
541000
2000
és amelyet a jazz kísérletekben a zenészek rendszeresen produkálnak?
09:18
So this is a twelve-bar blues.
193
543000
2000
Ez itt egy tizenkét ütemes blues.
09:20
And I've broken it down into four-bar groups here,
194
545000
2000
Négyütemes csoportokra osztom,
09:22
so you would know how you would trade.
195
547000
2000
hogy tudható legyen, hogyan kell átadni a kezdeményezést.
09:24
Now what we did was we brought a musician into the scanner -- same way --
196
549000
2000
Tehát egy zenészt betoltuk a szkennerbe -- azonos módon, mint a legutóbb --
09:26
had them memorize this melody
197
551000
2000
megtanultattuk vele ezt a dallamot,
09:28
and then had another musician out in the control room
198
553000
2000
majd egy másik zenészt is leültettünk az ellenőrző helyiségben,
09:30
trading back and forth interactively.
199
555000
3000
és ők ketten egymásnak adogatták a kezdeményezést improvizálás közben.
09:33
So this is a musician, Mike Pope,
200
558000
2000
Ez a zenész, Mike Pope,
09:35
one of the world's best bassists and a fantastic piano player.
201
560000
3000
a világ egyik legjobb basszusgitárosa és egy fantasztikus zongoraművész.
09:43
So he's now playing the piece
202
568000
2000
Éppen most azt a darabot játssza,
09:45
that we just saw
203
570000
2000
amit az előbb mutattam,
09:47
just a little better than I wrote it.
204
572000
2000
csak egy kicsit jobban, mint ahogy én megírtam.
09:49
(Video) CL: Mike, come on in. Mike Pope: May the force be with you.
205
574000
2000
(Videó) CL: Mike, jöjjön be (Háttérből: az erő legyen veled.)
09:51
Nurse: Nothing's in your pockets, right Mike?
206
576000
2000
Nővér: Ugye nincs semmi a zsebében, Mike?
09:53
MP: Nope. Nothing's in my pockets. Nurse: Okay.
207
578000
3000
Mike Pope: Nem. Nincs semmi a zsebemben. (Nővér: jól van)
10:05
CL: You have to have the right attitude to agree to it.
208
590000
2000
CL: Jó hozzáállással kell bírnia, hogy beleegyezett ebbe.
10:07
(Laughter)
209
592000
2000
(Nevetés)
10:09
It's kind of fun actually.
210
594000
2000
Igazából elég mulatságos a helyzet.
10:11
And so now we're playing back and forth.
211
596000
3000
És most közösen improvizálunk, "vitatkozunk"
10:14
He's in there. You can see his legs up there.
212
599000
3000
Ő bent van (a gépben). Látom a lábait.
10:18
And then I'm in the control room here, playing back and forth.
213
603000
3000
Én pedig az ellenőrző szobában vagyok, és zeneileg vitatkozunk.
10:21
(Music)
214
606000
3000
(Zene)
10:33
(Video) Mike Pope: This is a pretty good representation
215
618000
3000
(Videó) Mike Pope: Jól bemutattuk,
10:36
of what it's like.
216
621000
2000
hogyan is működik a dolog.
10:38
And it's good that it's not too quick.
217
623000
2000
Az is jó, hogy nem túl gyors.
10:40
The fact that we do it over and over again
218
625000
2000
Mivel újra és újra kell próbálkoznunk,
10:42
lets you acclimate to your surroundings.
219
627000
3000
van időnk a környezethez alkalmazkodni.
10:46
So the hardest thing for me was the kinesthetic thing,
220
631000
3000
A legnehezebb az egészben a kinesztetikus része volt:
10:49
of looking at my hands
221
634000
2000
a kezeimet
10:51
through two mirrors,
222
636000
2000
két tükrön keresztül láttam csak,
10:53
laying on my back
223
638000
2000
miközben a hátamon feküdtem,
10:55
and not able to move at all except for my hand.
224
640000
2000
és csak a kezemet tudtam mozgatni.
10:57
That was challenging.
225
642000
2000
Igazi kihívás volt.
10:59
But again,
226
644000
2000
De ennek ellenére,
11:01
there were moments, for sure,
227
646000
3000
voltak olyan pillanatok, tényleg,
11:04
there were moments
228
649000
2000
voltak olyan pillanatok,
11:06
of real, honest-to-God musical interplay, for sure.
229
651000
4000
amikor valóban igazi zenét tudtunk játszani.
11:10
CL: At this point, I'll take a few moments.
230
655000
2000
CL: Most magamhoz ragadnám a szót pár percre.
11:12
And so what you're seeing here --
231
657000
2000
Tehát amit itt láttak --
11:14
and I'm doing a cardinal sin in science,
232
659000
2000
éppen tudományos főbűnt követek el azzal,
11:16
which is to show you preliminary data.
233
661000
2000
hogy ezeket az előzetes eredményeket megmutatom.
11:18
This is one subject's data.
234
663000
2000
Szóval amit itt látnak, az egy alany adata.
11:20
This is, in fact, Mike Pope's data.
235
665000
2000
Ez, valójában csak Mike Poperól szóló adat.
11:22
So what am I showing you here?
236
667000
2000
Mit is láthatunk itt?
11:24
When he was trading fours with me, improvising versus memorized,
237
669000
3000
Amikor zenei adogatóst játszottunk, tehát improvizáltunk, nem pedig a tanult dalt játszottuk,
11:27
his language areas lit up, his Broca's area,
238
672000
3000
a nyelvi területek villantak fel az agyában, a Broca-terület,
11:30
which is inferior frontal gyrus on the left.
239
675000
2000
amelyik a frontális lebeny bal alsó részén található.
11:32
He actually had it also homologous on the right.
240
677000
2000
A zenésznek a jobb oldalon is aktivizálódott ez az agyi terület.
11:34
This is an area thought to be involved in expressive communication.
241
679000
3000
Azt a területet pedig a kifejező kommunikációért felelős régiónak gondoljuk.
11:37
This whole notion that music is a language --
242
682000
2000
Ez is mutatja, hogy a zene is nyelv,
11:39
well maybe there's a neurologic basis to it in fact after all,
243
684000
3000
legalábbis neurológiai alapja van annak, hogy ezt állítjuk,
11:42
and we can see it when two musicians are having a musical conversation.
244
687000
3000
hiszen ezek a területek aktivizálódtak, amikor a két zenész zenei párbeszédet művelt.
11:45
And so we've done this actually on eight subjects now,
245
690000
2000
Ezt a kísérletet végül nyolc alanyon végeztük el,
11:47
and we're just getting all the data together,
246
692000
2000
és most elemezzük az adatokat.
11:49
so hopefully we'll have something to say about it meaningfully.
247
694000
2000
Remélhetőleg tudunk hasznos információkat szerezni.
11:51
Now when I think about improvisation and the language, well what's next?
248
696000
3000
Mi már jut eszünkbe még, ha az improvizálásra és a nyelvre gondolunk?
11:54
Rap, of course, rap --
249
699000
2000
A rap, természetesen, a rap,
11:56
free-style.
250
701000
2000
a szabad stílus.
11:58
And so I've always been fascinated by free-style.
251
703000
2000
Engem mindig magával ragadott a szabad stílusú zene.
12:00
And let's go ahead and play this video here.
252
705000
2000
Játszuk le a következő videót!
12:02
(Video) Mos Def: ♫ ... brown skin I be, standing five-ten I be ♫
253
707000
2000
(Videó) Mos Def: ♫ ... barna bőrű vagyok, 177 centi vagyok ♫
12:04
♫ Rockin' it when I be, in your vicinity ♫
254
709000
3000
♫ Menő vagyok a közeledben ♫
12:07
♫ Whole-style synergy, recognize symmetry ♫
255
712000
2000
♫ Teljes szintű szinergia, vedd észre a szimmetriát ♫
12:09
♫ Go and try to injure me, broke 'em down chemically ♫
256
714000
3000
♫ Gyere és próbálj megsérteni, törd meg őket vegyileg ♫
12:12
♫ Ain't the number 10 MC, talk about how been I be ♫
257
717000
2000
♫ A 10. M.C. ne mondja, hogy lejártam ♫
12:14
♫ Styled it like Kennedy, late like a 10 to three ♫
258
719000
3000
♫ Stílusom mint Kennedyé, elkésve, mint a 10 perccel 3 előtt ♫
12:17
♫ When I say when I be, girls say bend that key cut ♫
259
722000
3000
♫ Amikor azt mondom, mikor leszek, a lányok kérik, hogy hajlítsam meg a kulcsot ♫
12:20
CL: And so there's a lot of analogy
260
725000
2000
CL: Tehát sok az analógia
12:22
between what takes place in free-style rap and jazz.
261
727000
2000
a szabad stílusú rap és a jazz között
12:24
There are, in fact, a lot of correlations between the two forms of music
262
729000
2000
Ténylegesen sok összefüggést találhatunk a két zenei forma között.
12:26
I think in different time periods.
263
731000
2000
Különböző időoperiódusokat tekintve.
12:28
In a lot a ways, rap serves the same social function
264
733000
2000
Sok szempontból a rap ugyanazt a társadalmi funkciót tölti be,
12:30
that jazz used to serve.
265
735000
2000
amelyet azelőtt a jazz.
12:32
So how do you study rap scientifically?
266
737000
2000
Na de miként tanulmányozzunk tudományosan a rapet?
12:34
And my colleagues kind of think I'm crazy,
267
739000
2000
A kollégáim úgy vélik, őrült vagyok,
12:36
but I think it's very viable.
268
741000
2000
ám szerintem mégis lehetséges.
12:38
And so this is what you do: you have a free-style artist
269
743000
2000
Tehát a feladat a következő: fogjunk egy szabadstílusú zenészt,
12:40
come in and memorize a rap that you write for them,
270
745000
2000
vegyük rá, hogy magolja be a rap szöveget, amit számára írtunk,
12:42
that they've never heard before,
271
747000
2000
és amelyet még sosem hallottak,
12:44
and then you have them free-style.
272
749000
2000
majd engedjük neki, hogy szabad stílusban improvizáljanak.
12:46
So I told my lab members that I would rap for TED,
273
751000
2000
Amikor azt mondtam a kollégáimnak, hogy rappelni fogok a TED-en,
12:48
and they said, "No, you won't."
274
753000
2000
azt mondták "Nem, nem fogsz."
12:50
And then I thought --
275
755000
2000
És akkor arra gondoltam -
12:52
(Applause)
276
757000
6000
(Taps)
12:58
But here's the thing.
277
763000
2000
Hát itt vagyunk.
13:00
With this big screen, you can all rap with me. Okay?
278
765000
3000
Ennek az óriási képernyőnek a segítségével Önök is rappelhetnek velem. Oké?
13:03
So what we had them do
279
768000
2000
Tehát rá kellett venni a zenészeket,
13:05
was memorize this lower-left sound icon, please.
280
770000
2000
hogy megjegyezzék - a bal alsó hang ikont itt, kérem.
13:07
This is the control condition. This is what they memorized.
281
772000
3000
Ez az ellenőrző szöveg. Ezt kellett megjegyezniük.
13:10
Computer: ♫ Memory, thump. ♫
282
775000
2000
Számítógép: ♫ Memória, dübörgés ♫
13:12
CL: ♫ Thump of the beat in a known repeat ♫
283
777000
3000
♫ A ritmus dübörgése a tudott ismétlődésekben♫
13:15
♫ Rhythm and rhyme, they make me complete ♫
284
780000
3000
♫ Ritmus és ütem, teljessé tesznek engem ♫
13:18
♫ The climb is sublime when I'm on the mic ♫
285
783000
2000
♫ Az ív fenséges, ha megy az adás ♫
13:20
♫ Spittin' rhymes that hit you like a lightning strike ♫
286
785000
3000
♫ Rímeim ütnek, mint a villámcsapás ♫
13:23
♫ I search for the truth in this eternal quest ♫
287
788000
2000
♫ Az igazságot kutatom örök utamon ♫
13:25
♫ My passion's not fashion, you can see how I'm dressed ♫
288
790000
3000
♫ Szenvedélyem nem a divat, láthatod a ruháimat ♫
13:28
♫ Psychopathic words in my head appear ♫
289
793000
3000
♫ Pszichopata szavak elmémben áramlanak ♫
13:31
♫ Whisper these lyrics only I can hear ♫
290
796000
3000
♫ A szöveget halkan súgom, mivel úgyis csak én hallom ♫
13:34
♫ The art of discovering and that which is hovering ♫
291
799000
2000
♫ A felfedezés művészete elmekábító ♫
13:36
♫ Inside the mind of those unconfined ♫
292
801000
3000
♫ a határtalanság elménkben vadító ♫
13:39
♫ All of these words keep pouring out like rain ♫
293
804000
3000
♫ Folynak számból a szavak, mint az eső ♫
13:42
♫ I need a mad scientist to check my brain ♫
294
807000
3000
♫ Míg agyamat kutatja egy tudós, haszonleső ♫
13:45
(Applause)
295
810000
9000
(Taps)
13:54
I guarantee you that will never happen again.
296
819000
3000
Ígérem, sosem teszek többet ilyet.
13:57
(Laughter)
297
822000
2000
(Nevetés)
13:59
So now, what's great about these free-stylers,
298
824000
2000
Szóval az a fantasztikus ezekben a szabadstílusosokban,
14:01
they will get cued different words.
299
826000
2000
hogy beadnak nekik bizonyos szavakat
14:03
They don't know what's coming, but they'll hear something off the cuff.
300
828000
2000
Még nem tudják, hogy mi várható, de hallani fognak valami spontán dolgot.
14:05
Go ahead and hit that right sound icon.
301
830000
2000
Nyomjuk meg a lejátszó gombot.
14:07
They are going to be cued these three square words: "like," "not" and "head."
302
832000
3000
Három szót fognak neki beadni: szeretni, nem, fej.
14:10
He doesn't know what's coming.
303
835000
2000
Még nem is tudja, mi jön.
14:12
Free-styler: ♫ I'm like some kind of [unclear] ♫
304
837000
2000
Szabadstílusú: ♫ Olyan vagyok, mint egy (érthetetlen) ♫
14:14
♫ [unclear] extraterrestrial, celestial scene ♫
305
839000
3000
♫ [érthetetlen] földönkívüli, mennyei színtér ♫
14:17
♫ Back in the days, I used to sit in pyramids and meditate ♫
306
842000
3000
♫ A múltban a piramisokon ültem, és meditáltam ♫
14:20
♫ With two microphones hovering over my head ♫
307
845000
3000
♫ Két mikrofon lógott a fejem fölött ♫
14:23
♫ See if I could still listen, spittin' off the sound ♫
308
848000
3000
♫ Látod, ha figyelni tudnék, köpném a hangot ♫
14:26
♫ See what you grinning ♫
309
851000
2000
♫ Látnám, hogy vigyorogtok ♫
14:28
♫ I teach the children in the back of the classroom ♫
310
853000
2000
♫ Az osztály hátsó részében tanítom a gyerekeket ♫
14:30
♫ About the message of apocalyptical ♫
311
855000
3000
♫ A végső ítélet üzenetéről ♫
14:33
♫ Not really though, 'cause I've got to keep it simple ♫
312
858000
3000
♫ Nem bonyolítom, egyszerűen érthetőbb ♫
14:36
♫ [unclear] instrumental ♫
313
861000
2000
♫ [érthetetlen] hangszeres ♫
14:38
♫ Detrimental playing Super Mario ♫
314
863000
3000
♫ Idegölő Super Mario-t játszani ♫
14:41
♫ [unclear] boxes [unclear] hip hop ♫
315
866000
4000
♫ [érthetetlen] dobozok [érthetetlen] hip hop ♫
14:45
CL: So again, it's an incredible thing that's taking place.
316
870000
2000
CL: Ismét, valami hihetetlen dolog játszódik itt el előttünk.
14:47
It's doing something that, neurologically, is remarkable.
317
872000
2000
Olyasvalami, ami neurológiailag lenyűgöző.
14:49
Whether or not you like the music is irrelevant.
318
874000
2000
Az, hogy tetszik-e nekünk a zene, vagy sem, nem számít.
14:51
Creatively speaking, it's just a phenomenal thing.
319
876000
2000
Kreatitás szempontjából ez egy lenyűgöző dolog.
14:53
This is a short video of how we actually do this in a scanner.
320
878000
3000
Ez a rövid videó csak azt mutatja, miként is rappelünk egy szkennerben.
14:56
(Laughter)
321
881000
3000
(Nevetés)
14:59
(Video) CL: We're here with Emmanuel.
322
884000
2000
(Videó): CL: Emmanuellel vagyunk itt.
15:01
CL: That was recorded in the scanner, by the way.
323
886000
2000
CL: Ezt egyébként a szkennerben vettük fel.
15:03
(Video) CL: That's Emmanuel in the scanner.
324
888000
2000
(Videó) CL: Az ott a szkennerben Emmanuel.
15:06
He's just memorized a rhyme for us.
325
891000
3000
Megjegyezte a kedvünkért a rigmust.
15:12
Emmanuel: ♫ Top of the beat with no repeat ♫
326
897000
3000
Emmanuel: ♫ A ritmus tetején az ismert ismétlődésekben ♫
15:15
♫ Rhythm and rhyme make me complete ♫
327
900000
3000
♫ Ritmus és ütem, teljessé tesznek engem ♫
15:18
♫ Climb is sublime when I'm on the mic ♫
328
903000
3000
♫ Az ív fenséges, ha megy az adás ♫
15:21
♫ Spittin' rhymes that'll hit you like a lightning strike ♫
329
906000
2000
♫ Rímeim ütnek, mint a villámcsapás ♫
15:23
♫ I search for the truth in this eternal quest ♫
330
908000
3000
♫ Az igazságot kutatom örök utamon ♫
15:26
♫ I'm passing on fashion; you can see how I'm dressed ♫
331
911000
3000
♫ Szenvedélyem nem a divat, láthatod a ruháimat ♫
15:29
CL: Okay. So I'm going to stop that there. So what do we see in his brain?
332
914000
3000
CL: Oké, leállítom most már. Mit is láthatunk Emmanuel agyában?
15:32
Well, this is actually four rappers' brains.
333
917000
2000
Na jó, igazából ez négy rapper agya.
15:34
And what we see, we do see language areas lighting up,
334
919000
2000
Azt láthatjuk, hogy a nyelvi területek aktivizálódnak,
15:36
but then -- eyes closed --
335
921000
2000
majd - csukott szemekkel -
15:38
when you are free-styling versus memorizing,
336
923000
3000
a szabad stílusú improvizálás idején a memorizált szöveggel szemben
15:41
you've got major visual areas lighting up.
337
926000
2000
a fő vizuális területek aktivizálódtak még.
15:43
You've got major cerebellar activity, which is involved in motor coordination.
338
928000
3000
Emellett kisagyi aktivitást tapasztalunk, amelynek a mozgáskoordinációban van szerepe.
15:46
You have heightened brain activity when you're doing a comparable task,
339
931000
3000
Tehát az agyi aktivitás erősebb két összehasonlítható feladat végzése közben,
15:49
when that one task is creative and the other task is memorized.
340
934000
3000
ahol az egyik feladat kreatív, míg a másik memorizált.
15:53
It's very preliminary, but I think it's kind of cool.
341
938000
2000
Ez még csak előzetes adat, de én azt gondolom, amit látunk, fantasztikus.
15:55
So just to conclude, we've got a lot of questions to ask,
342
940000
3000
Összefoglalásul kijelenthetjük, hogy még rengeteg kérdést kell tisztáznunk.
15:58
and like I said, we'll ask questions here, not answer them.
343
943000
3000
Mint már mondtam, a mi szakmánkban inkább kérdéseket teszünk fel, mint válaszokat találunk.
16:01
But we want to get at the root of what is creative genius, neurologically,
344
946000
3000
Ám meg szeretnénk érteni, hogy mi a kreatív zsenialitás neurológiai gyökere.
16:04
and I think, with these methods, we're getting close to being there.
345
949000
3000
És úgy vélem, ezekkel a módszerekkel közelebb kerülünk a válaszokhoz.
16:07
And I think hopefully in the next 10, 20 years
346
952000
2000
Remélhetőleg a következő tíz-húsz évben
16:09
you'll actually see real, meaningful studies
347
954000
2000
valós, értelmes kutatásokat láthatnak,
16:11
that say science has to catch up to art,
348
956000
4000
amelyek megmutatják, hogy a tudomány is felzárkózik a művészet mellé.
16:15
and maybe we're starting now to get there.
349
960000
2000
És talán éppen most kezdünk ideérni.
16:17
And so I want to thank you for your time. I appreciate it.
350
962000
2000
Végül szeretném megköszönni a figyelmüket. Igazán értékelem.
16:19
(Applause)
351
964000
5000
(Taps)
ABOUT THE SPEAKER
Charles Limb - ResearcherCharles Limb is a doctor and a musician who researches the way musical creativity works in the brain.
Why you should listen
Charles Limb is the Francis A. Sooy, MD Professor and Chief of Otology/Neurotology and Skull Base Surgery at the University of California, San Francisco, and he's a Faculty Member at the Peabody Conservatory of Music. He combines his two passions to study the way the brain creates and perceives music. He's a hearing specialist and surgeon at Johns Hopkins who performs cochlear implantations on patients who have lost their hearing. And he plays sax, piano and bass.
In search of a better understanding of how the mind perceives complex auditory stimuli such as music, he's been working with Allen Braun to look at the brains of improvising musicians and study what parts of the brain are involved in the kind of deep creativity that happens when a musician is really in the groove.
Read our Q&A about hip-hop studies with Charles Limb on the TED Blog >>
Plus our quick catchup Q&A at TEDMED 2011 -- including his top 5 songs of all time >>
Read the 2014 paper "Neural Substrates of Interactive Musical Improvisation: An fMRI Study of ‘Trading Fours’ in Jazz" >>
Charles Limb | Speaker | TED.com