ABOUT THE SPEAKER
Daniel Wolpert - Movement expert
A neuroscientist and engineer, Daniel Wolpert studies how the brain controls the body.

Why you should listen

Consider your hand. You use it to lift things, to balance yourself, to give and take, to sense the world. It has a range of interacting degrees of freedom, and it interacts with many different objects under a variety of environmental conditions. And for most of us, it all just works. At his lab in the Engineering department at Cambridge, Daniel Wolpert and his team are studying why, looking to understand the computations underlying the brain's sensorimotor control of the body.

As he says, "I believe that to understand movement is to understand the whole brain. And therefore it’s important to remember when you are studying memory, cognition, sensory processing, they’re there for a reason, and that reason is action.”  Movement is the only way we have of interacting with the world, whether foraging for food or attracting a waiter's attention. Indeed, all communication, including speech, sign language, gestures and writing, is mediated via the motor system. Taking this viewpoint, and using computational and robotic techniques as well as virtual reality systems, Wolpert and his team research the purpose of the human brain and the way it determines future actions.

 

 

More profile about the speaker
Daniel Wolpert | Speaker | TED.com
TEDGlobal 2011

Daniel Wolpert: The real reason for brains

丹尼尔・沃普特:拥有大脑的真正原因

Filmed:
1,994,993 views

神经学家丹尼尔・沃普特从一个出乎意料的前提谈起:大脑的进化不是思考或感觉的需要,而是为了控制身体运动。在这个有趣又不乏数据支持的演讲里,沃普特向我们简述人类大脑如何举重若轻地创造出灵活的身体运动姿态。
- Movement expert
A neuroscientist and engineer, Daniel Wolpert studies how the brain controls the body. Full bio

Double-click the English transcript below to play the video.

00:15
I'm a neuroscientist神经学家.
0
0
2000
我是个神经生物学家
00:17
And in neuroscience神经科学,
1
2000
2000
在神经生物学研究里
00:19
we have to deal合同 with many许多 difficult questions问题 about the brain.
2
4000
3000
我们需要处理很多关于大脑的难题
00:22
But I want to start开始 with the easiest最简单的 question
3
7000
2000
不过我今天要从这个最简单的问题开始
00:24
and the question you really should have all asked yourselves你自己 at some point in your life,
4
9000
3000
这个问题是大家应该在以前问过自己的
00:27
because it's a fundamental基本的 question
5
12000
2000
因为如果大家想了解大脑功能的话
00:29
if we want to understand理解 brain function功能.
6
14000
2000
这个问题是很基本的
00:31
And that is, why do we and other animals动物
7
16000
2000
那就是,为什么我们和其他动物
00:33
have brains大脑?
8
18000
2000
都有大脑呢?
00:35
Not all species种类 on our planet行星 have brains大脑,
9
20000
3000
地球上不是所有物种都有大脑
00:38
so if we want to know what the brain is for,
10
23000
2000
所以要搞清大脑有什么用
00:40
let's think about why we evolved进化 one.
11
25000
2000
那我们应该先考虑为什么我们进化出了大脑
00:42
Now you may可能 reason原因 that we have one
12
27000
2000
大家也许觉得
00:44
to perceive感知 the world世界 or to think,
13
29000
2000
我们有大脑是为了感知世界或者思考
00:46
and that's completely全然 wrong错误.
14
31000
2000
其实是完全错误的
00:48
If you think about this question for any length长度 of time,
15
33000
3000
如果再好好思考一段时间的话
00:51
it's blindingly激将法 obvious明显 why we have a brain.
16
36000
2000
其实我们有大脑的原因很明显
00:53
We have a brain for one reason原因 and one reason原因 only,
17
38000
3000
大脑的存在,有且仅有一个原因
00:56
and that's to produce生产 adaptable适应性强 and complex复杂 movements运动.
18
41000
3000
就是为了生成有适应性的,复杂的动作
00:59
There is no other reason原因 to have a brain.
19
44000
2000
没有其他原因了
01:01
Think about it.
20
46000
2000
想想看
01:03
Movement运动 is the only way you have
21
48000
2000
动作是你唯一
01:05
of affecting影响 the world世界 around you.
22
50000
2000
对世界产生影响的方法
01:07
Now that's not quite相当 true真正. There's one other way, and that's through通过 sweating出汗.
23
52000
3000
当然也不尽然,另一个办法是通过排汗
01:10
But apart距离 from that,
24
55000
2000
不过除了那个以外
01:12
everything else其他 goes through通过 contractions宫缩 of muscles肌肉.
25
57000
2000
所有事情都是由肌肉的收缩来办到的
01:14
So think about communication通讯 --
26
59000
2000
想想我们的沟通方式--
01:16
speech言语, gestures手势, writing写作, sign标志 language语言 --
27
61000
3000
语言,手势,写作,手语--
01:19
they're all mediated through通过 contractions宫缩 of your muscles肌肉.
28
64000
3000
都是由肌肉的收缩来完成的
01:22
So it's really important重要 to remember记得
29
67000
2000
所以重要的一点就是
01:24
that sensory感觉的, memory记忆 and cognitive认知 processes流程 are all important重要,
30
69000
4000
感知、记忆和认知过程虽然也很关键
01:28
but they're only important重要
31
73000
2000
但是它们的重要性都只是在于
01:30
to either drive驾驶 or suppress压制 future未来 movements运动.
32
75000
2000
它们能够促使或者抑制动作的发生
01:32
There can be no evolutionary发展的 advantage优点
33
77000
2000
如果不是能够影响到大家未来生活中的动作的话
01:34
to laying铺设 down memories回忆 of childhood童年
34
79000
2000
能够记住小时候的回忆
01:36
or perceiving感知 the color颜色 of a rose玫瑰
35
81000
2000
或者感知到玫瑰花的颜色
01:38
if it doesn't affect影响 the way you're going to move移动 later后来 in life.
36
83000
3000
在进化这一点上没有任何特别的优势
01:41
Now for those who don't believe this argument论据,
37
86000
2000
如果有谁不相信这个说法
01:43
we have trees树木 and grass on our planet行星 without the brain,
38
88000
2000
我可以举例说不会运动的树和草都没有大脑
01:45
but the clinching evidence证据 is this animal动物 here --
39
90000
2000
不过有一种动物提供了确凿的证据--
01:47
the humble谦卑 sea squirt喷出.
40
92000
2000
不起眼的海鞘
01:49
Rudimentary初步 animal动物, has a nervous紧张 system系统,
41
94000
3000
海鞘是一种初等生物,有神经系统
01:52
swims游泳 around in the ocean海洋 in its juvenile少年 life.
42
97000
2000
生命初期在海中游动
01:54
And at some point of its life,
43
99000
2000
然后在某一时刻
01:56
it implants植入物 on a rock.
44
101000
2000
海鞘会把自己移植到岩石上再也不移动
01:58
And the first thing it does in implanting植入 on that rock, which哪一个 it never leaves树叶,
45
103000
3000
海鞘在岩石上固定后的第一件事
02:01
is to digest消化 its own拥有 brain and nervous紧张 system系统
46
106000
3000
就是把自己的大脑和神经系统
02:04
for food餐饮.
47
109000
2000
作为食物消化掉
02:06
So once一旦 you don't need to move移动,
48
111000
2000
也就是说,一旦不用再移动
02:08
you don't need the luxury豪华 of that brain.
49
113000
3000
也就不需要大脑这样的奢侈品了
02:11
And this animal动物 is often经常 taken采取
50
116000
2000
并且,这种动物
02:13
as an analogy比喻 to what happens发生 at universities高校
51
118000
2000
常常被类比到大学里面
02:15
when professors教授 get tenure保有,
52
120000
2000
教授获得终身职位之后的情况
02:17
but that's a different不同 subject学科.
53
122000
2000
不过那是另一个话题了
02:19
(Applause掌声)
54
124000
2000
(掌声)
02:21
So I am a movement运动 chauvinist沙文主义.
55
126000
3000
所以说,我是个运动沙文主义者
02:24
I believe movement运动 is the most important重要 function功能 of the brain --
56
129000
2000
我认为运动是大脑最重要的功能
02:26
don't let anyone任何人 tell you that it's not true真正.
57
131000
2000
不要让别人告诉你这个观点不对
02:28
Now if movement运动 is so important重要,
58
133000
2000
那么,如果运动如此重要
02:30
how well are we doing
59
135000
2000
我们已经能在多大程度上
02:32
understanding理解 how the brain controls控制 movement运动?
60
137000
2000
了解大脑如何控制动作了呢?
02:34
And the answer回答 is we're doing extremely非常 poorly不好; it's a very hard problem问题.
61
139000
2000
答案其实是非常少,因为这是相当困难的
02:36
But we can look at how well we're doing
62
141000
2000
不过我们已经制造出一些模拟人类动作的机器人
02:38
by thinking思维 about how well we're doing building建造 machines
63
143000
2000
分析这些机器的动作水平
02:40
which哪一个 can do what humans人类 can do.
64
145000
2000
就知道我们了解大脑控制动作的研究进展如何了
02:42
Think about the game游戏 of chess.
65
147000
2000
来看国际象棋这个游戏
02:44
How well are we doing determining决定 what piece to move移动 where?
66
149000
3000
我们让机器人决定如何走棋时候的表现如何呢?
02:47
If you pit Garry加里 Kasparov卡斯帕罗夫 here, when he's not in jail监狱,
67
152000
3000
如果大家趁国际象棋冠军加里·卡斯帕罗夫还没进监狱的时候
02:50
against反对 IBM'sIBM的 Deep Blue蓝色,
68
155000
2000
把他请来与IBM的深蓝对战
02:52
well the answer回答 is IBM'sIBM的 Deep Blue蓝色 will occasionally偶尔 win赢得.
69
157000
3000
深蓝有时会赢
02:55
And I think if IBM'sIBM的 Deep Blue蓝色 played发挥 anyone任何人 in this room房间, it would win赢得 every一切 time.
70
160000
3000
而且我觉得IBM的深蓝和在座的任何一位对战,应该每次都会赢
02:58
That problem问题 is solved解决了.
71
163000
2000
所以这方面完全没有问题
03:00
What about the problem问题
72
165000
2000
但是如果让机器人
03:02
of picking选择 up a chess piece,
73
167000
2000
灵巧地拿起棋子
03:04
dexterously灵巧 manipulating操纵 it and putting it back down on the board?
74
169000
3000
再放回棋盘上去呢?
03:07
If you put a five year-old child's孩子的 dexterity灵巧 against反对 the best最好 robots机器人 of today今天,
75
172000
3000
如果大家让五岁小孩子与当今最厉害的机器人对决
03:10
the answer回答 is simple简单:
76
175000
2000
结果很简单
03:12
the child儿童 wins easily容易.
77
177000
2000
小孩子会赢得轻而易举
03:14
There's no competition竞争 at all.
78
179000
2000
完全没有悬念
03:16
Now why is that top最佳 problem问题 so easy简单
79
181000
2000
那么为什么前面那个问题这么简单
03:18
and the bottom底部 problem问题 so hard?
80
183000
2000
后面这个问题就这么难呢?
03:20
One reason原因 is a very smart聪明 five year-old
81
185000
2000
一个原因是,一个聪明点的五岁小孩子
03:22
could tell you the algorithm算法 for that top最佳 problem问题 --
82
187000
2000
就已经能够告诉你上面那个问题的解决算法了--
03:24
look at all possible可能 moves移动 to the end结束 of the game游戏
83
189000
2000
找出游戏结束之前所有可能的下法
03:26
and choose选择 the one that makes品牌 you win赢得.
84
191000
2000
选择赢面最大的一步来下
03:28
So it's a very simple简单 algorithm算法.
85
193000
2000
所以其实这是个很简单的算法
03:30
Now of course课程 there are other moves移动,
86
195000
2000
当然也有其他的步法
03:32
but with vast广大 computers电脑 we approximate近似
87
197000
2000
不过用强大的计算机做近似计算
03:34
and come close to the optimal最佳 solution.
88
199000
2000
就能很容易找到近似最优解
03:36
When it comes to being存在 dexterous轻巧,
89
201000
2000
但在灵活性这个问题上
03:38
it's not even clear明确 what the algorithm算法 is you have to solve解决 to be dexterous轻巧.
90
203000
2000
我们甚至连让机器人变灵活的算法都找不到
03:40
And we'll see you have to both perceive感知 and act法案 on the world世界,
91
205000
2000
可以看到,如果既感知世界,又作用于世界的话
03:42
which哪一个 has a lot of problems问题.
92
207000
2000
其实是要面对很多问题的
03:44
But let me show显示 you cutting-edge前沿 robotics机器人.
93
209000
2000
现在我来介绍一下最高端的机器人技术
03:46
Now a lot of robotics机器人 is very impressive有声有色,
94
211000
2000
如今许多项机器人技术已经相当厉害
03:48
but manipulation操作 robotics机器人 is really just in the dark黑暗 ages年龄.
95
213000
3000
可是在机器人动作控制方面我们遇到了瓶颈,看不到曙光
03:51
So this is the end结束 of a Ph博士.D. project项目
96
216000
2000
这是在一个顶尖机器人控制学院里
03:53
from one of the best最好 robotics机器人 institutes机构.
97
218000
2000
一个博士研究项目的成果
03:55
And the student学生 has trained熟练 this robot机器人
98
220000
2000
这位博士生训练这个机器人
03:57
to pour this water into a glass玻璃.
99
222000
2000
向这个玻璃杯里面倒水
03:59
It's a hard problem问题 because the water sloshessloshes about, but it can do it.
100
224000
3000
这很难实现,因为水会洒出来;不过机器人能做到
04:02
But it doesn't do it with anything like the agility敏捷 of a human人的.
101
227000
3000
但是机器人无法达到任何接近于人类的灵活程度
04:05
Now if you want this robot机器人 to do a different不同 task任务,
102
230000
3000
并且如果想让机器人完成另一个任务的话
04:08
that's another另一个 three-year三年 Ph博士.D. program程序.
103
233000
3000
就得要另外一个历时三年的博士项目了
04:11
There is no generalization概括 at all
104
236000
2000
在机器人控制领域
04:13
from one task任务 to another另一个 in robotics机器人.
105
238000
2000
从一项任务到另一项任务,根本没有共通性可言
04:15
Now we can compare比较 this
106
240000
2000
现在我们再来与
04:17
to cutting-edge前沿 human人的 performance性能.
107
242000
2000
最尖端的人类性能做比较
04:19
So what I'm going to show显示 you is Emily艾米莉 Fox狐狸
108
244000
2000
我会播放艾米莉・福克斯叠杯子
04:21
winning胜利 the world世界 record记录 for cup杯子 stacking堆叠.
109
246000
3000
获得世界记录的场景
04:24
Now the Americans美国人 in the audience听众 will know all about cup杯子 stacking堆叠.
110
249000
2000
观众里有美国人的话一定知道叠杯子这个游戏
04:26
It's a high school学校 sport运动
111
251000
2000
这是个高中里的娱乐项目
04:28
where you have 12 cups you have to stack and unstack拆散
112
253000
2000
要求把12只杯子按照一定顺序
04:30
against反对 the clock时钟 in a prescribed规定 order订购.
113
255000
2000
以最快速度摞起来再展开回来
04:32
And this is her getting得到 the world世界 record记录 in real真实 time.
114
257000
3000
下面就是她创下世界记录的实时情况
04:39
(Laughter笑声)
115
264000
8000
(笑声)
04:47
(Applause掌声)
116
272000
5000
(掌声)
04:52
And she's pretty漂亮 happy快乐.
117
277000
2000
看她多开心
04:54
We have no idea理念 what is going on inside her brain when she does that,
118
279000
2000
我们不清楚她叠杯子的时候大脑里发生了什么
04:56
and that's what we'd星期三 like to know.
119
281000
2000
而且我们的确很想知道
04:58
So in my group, what we try to do
120
283000
2000
所以我和我的团队
05:00
is reverse相反 engineer工程师 how humans人类 control控制 movement运动.
121
285000
3000
试图去逆向实现人类如何控制动作的过程
05:03
And it sounds声音 like an easy简单 problem问题.
122
288000
2000
看起来问题很简单
05:05
You send发送 a command命令 down, it causes原因 muscles肌肉 to contract合同.
123
290000
2000
你送出一个指令,令肌肉收缩
05:07
Your arm or body身体 moves移动,
124
292000
2000
这样手臂或躯干就会运动
05:09
and you get sensory感觉的 feedback反馈 from vision视力, from skin皮肤, from muscles肌肉 and so on.
125
294000
3000
然后能够获得从视觉,皮肤和肌肉和其他地方获得感官回馈
05:12
The trouble麻烦 is
126
297000
2000
但问题是
05:14
these signals信号 are not the beautiful美丽 signals信号 you want them to be.
127
299000
2000
这些信号远没有想象中的那样完美
05:16
So one thing that makes品牌 controlling控制 movement运动 difficult
128
301000
2000
比如说,其中的难点之一
05:18
is, for example, sensory感觉的 feedback反馈 is extremely非常 noisy嘈杂.
129
303000
3000
就是感官回馈中的杂音非常大
05:21
Now by noise噪声, I do not mean sound声音.
130
306000
3000
我这里所说的“杂音”不是指声音
05:24
We use it in the engineering工程 and neuroscience神经科学 sense
131
309000
2000
在工程学和神经学里面
05:26
meaning含义 a random随机 noise噪声 corrupting腐败 a signal信号.
132
311000
2000
我们用“杂音”来表示干扰正常信号的随机杂乱信号
05:28
So the old days before digital数字 radio无线电 when you were tuning调音 in your radio无线电
133
313000
3000
所以以前还没有电子收音机的时候,如果调那种老式收音机
05:31
and you heard听说 "crrcckkkcrrcckkk" on the station you wanted to hear,
134
316000
2000
电台里面有时候有“喀喇喀喇”的声音
05:33
that was the noise噪声.
135
318000
2000
那个就是杂音
05:35
But more generally通常, this noise噪声 is something that corrupts腐败 the signal信号.
136
320000
3000
推广来说,杂音就是相对于正常信号的干扰信号
05:38
So for example, if you put your hand under a table
137
323000
2000
比如说,如果把一只手放在桌子底下
05:40
and try to localize本土化 it with your other hand,
138
325000
2000
然后在桌子上面用另一只手去对准
05:42
you can be off by several一些 centimeters公分
139
327000
2000
最后位置可能相差好几厘米
05:44
due应有 to the noise噪声 in sensory感觉的 feedback反馈.
140
329000
2000
这就是因为感官回馈里面的杂音在起作用
05:46
Similarly同样, when you put motor发动机 output产量 on movement运动 output产量,
141
331000
2000
同样,运动神经输出的肌肉动作和实际输出之间
05:48
it's extremely非常 noisy嘈杂.
142
333000
2000
也是有很多杂音的
05:50
Forget忘记 about trying to hit击中 the bull's公牛 eye in darts飞镖,
143
335000
2000
且不谈扔飞镖的时候瞄准靶心去扔
05:52
just aim目标 for the same相同 spot over and over again.
144
337000
2000
只看重复瞄准同一点的时候发生什么情况
05:54
You have a huge巨大 spread传播 due应有 to movement运动 variability变化性.
145
339000
3000
由于每次动作都有差异,最后瞄准的结果会形成一片散点
05:57
And more than that, the outside world世界, or task任务,
146
342000
2000
更何况外界环境和要执行的任务
05:59
is both ambiguous暧昧 and variable变量.
147
344000
2000
常常模糊和变化着的
06:01
The teapot茶壶 could be full充分, it could be empty.
148
346000
2000
看这个茶壶,可能是满的,也可能是空的
06:03
It changes变化 over time.
149
348000
2000
每次都不一样
06:05
So we work in a whole整个 sensory感觉的 movement运动 task任务 soup of noise噪声.
150
350000
4000
所以我们其实是随时处在一大堆感官动作杂音环绕之中做动作的
06:09
Now this noise噪声 is so great
151
354000
2000
这种杂音相当厉害
06:11
that society社会 places地方 a huge巨大 premium额外费用
152
356000
2000
以至于我们社会会给那些
06:13
on those of us who can reduce减少 the consequences后果 of noise噪声.
153
358000
3000
能有效减少杂音带来的后果的人巨额奖赏
06:16
So if you're lucky幸运 enough足够 to be able能够 to knock a small white白色 ball
154
361000
3000
所以在座哪位能做到像老虎伍兹那样,用一根长金属杆
06:19
into a hole several一些 hundred yards away using运用 a long metal金属 stick,
155
364000
3000
把一个小白球打进几百米开外的洞里
06:22
our society社会 will be willing愿意 to reward奖励 you
156
367000
2000
我们的社会愿意
06:24
with hundreds数以百计 of millions百万 of dollars美元.
157
369000
3000
奖励你百万千万的钱
06:27
Now what I want to convince说服 you of
158
372000
2000
好,我接下来想说明的是
06:29
is the brain also goes through通过 a lot of effort功夫
159
374000
2000
其实我们的大脑
06:31
to reduce减少 the negative consequences后果
160
376000
2000
为了减少噪音和变化性的负面影响
06:33
of this sort分类 of noise噪声 and variability变化性.
161
378000
2000
也做了很多工作
06:35
And to do that, I'm going to tell you about a framework骨架
162
380000
2000
为此,我来介绍一个在过去50年里
06:37
which哪一个 is very popular流行 in statistics统计 and machine learning学习 of the last 50 years年份
163
382000
3000
统计学和机器学习方面都很常用到的架构
06:40
called Bayesian贝叶斯 decision决定 theory理论.
164
385000
2000
叫做贝叶斯决策论(Bayesian decision theory)
06:42
And it's more recently最近 a unifying统一 way
165
387000
3000
近来这个理论常被用来
06:45
to think about how the brain deals交易 with uncertainty不确定.
166
390000
3000
从整体上理解大脑如何处理这种不确定性
06:48
And the fundamental基本的 idea理念 is you want to make inferences推论 and then take actions行动.
167
393000
3000
基本思路是先做推断,然后做出动作
06:51
So let's think about the inference推理.
168
396000
2000
我们先来看推断
06:53
You want to generate生成 beliefs信仰 about the world世界.
169
398000
2000
在推断中,我们要建立对于当前情景的“信念”
06:55
So what are beliefs信仰?
170
400000
2000
那么什么是信念?
06:57
Beliefs信仰 could be: where are my arms武器 in space空间?
171
402000
2000
信念可以是 “我的胳膊在空间里的什么位置”
06:59
Am I looking at a cat or a fox狐狸?
172
404000
2000
也可以是 “我在看一只猫还是一只狐狸”
07:01
But we're going to represent代表 beliefs信仰 with probabilities概率.
173
406000
3000
不过我们要把信念用概率来表示
07:04
So we're going to represent代表 a belief信仰
174
409000
2000
所以在这里我们把所谓的信念
07:06
with a number between之间 zero and one --
175
411000
2000
表示成0到1之间的一个数--称之为置信值
07:08
zero meaning含义 I don't believe it at all, one means手段 I'm absolutely绝对 certain某些.
176
413000
3000
0表示完全不相信,1表示完全确信
07:11
And numbers数字 in between之间 give you the gray灰色 levels水平 of uncertainty不确定.
177
416000
3000
0到1之间就表示不同灰度的不确定程度
07:14
And the key idea理念 to Bayesian贝叶斯 inference推理
178
419000
2000
然后注意,贝叶斯推断的重点是
07:16
is you have two sources来源 of information信息
179
421000
2000
我们靠两个信息源
07:18
from which哪一个 to make your inference推理.
180
423000
2000
来做出推断
07:20
You have data数据,
181
425000
2000
第一我们有数据--
07:22
and data数据 in neuroscience神经科学 is sensory感觉的 input输入.
182
427000
2000
在神经科学里这个数据就是感官输入进来的内容
07:24
So I have sensory感觉的 input输入, which哪一个 I can take in to make beliefs信仰.
183
429000
3000
所以感官输入是其中一个信息源,用于生成我刚才说的”置信值“
07:27
But there's another另一个 source资源 of information信息, and that's effectively有效 prior knowledge知识.
184
432000
3000
不过还有第二个信息源,事实上也就是先前的知识
07:30
You accumulate积累 knowledge知识 throughout始终 your life in memories回忆.
185
435000
3000
因为我们在一生中在过去的记忆中积累知识
07:33
And the point about Bayesian贝叶斯 decision决定 theory理论
186
438000
2000
好了,贝叶斯决策论的重点就在于
07:35
is it gives you the mathematics数学
187
440000
2000
这个理论提供了一种计算方法
07:37
of the optimal最佳 way to combine结合
188
442000
2000
能找到最优的办法来整合
07:39
your prior knowledge知识 with your sensory感觉的 evidence证据
189
444000
2000
知识积累和感官输入这两种信息源
07:41
to generate生成 new beliefs信仰.
190
446000
2000
以生成新的置信值
07:43
And I've put the formula up there.
191
448000
2000
我现在把公式放在这里
07:45
I'm not going to explain说明 what that formula is, but it's very beautiful美丽.
192
450000
2000
我不详细解释这个公式了,但是这个公式非常漂亮
07:47
And it has real真实 beauty美女 and real真实 explanatory解释性 power功率.
193
452000
3000
不仅有和谐的内在美,还有实实在在的说服力
07:50
And what it really says, and what you want to estimate估计,
194
455000
2000
这个公式真正的用途,也就是我们要估测的结果
07:52
is the probability可能性 of different不同 beliefs信仰
195
457000
2000
是给出我们感官输入的情况下
07:54
given特定 your sensory感觉的 input输入.
196
459000
2000
不同置信值出现的概率
07:56
So let me give you an intuitive直观的 example.
197
461000
2000
现在我举一个直观的例子
07:58
Imagine想像 you're learning学习 to play tennis网球
198
463000
3000
想象你现在在网球场练网球
08:01
and you want to decide决定 where the ball is going to bounce弹跳
199
466000
2000
当这个网球越过球网飞过来的时候
08:03
as it comes over the net towards you.
200
468000
2000
你要决定这个球落在哪里
08:05
There are two sources来源 of information信息
201
470000
2000
根据贝叶斯的理论
08:07
Bayes'贝叶斯 rule规则 tells告诉 you.
202
472000
2000
你现在有两个信息源
08:09
There's sensory感觉的 evidence证据 -- you can use visual视觉 information信息 auditory听觉 information信息,
203
474000
3000
一个是感官输入--你的视觉和听觉收到的信息
08:12
and that might威力 tell you it's going to land土地 in that red spot.
204
477000
3000
告诉你球应该会落在图上的红点处
08:15
But you know that your senses感官 are not perfect完善,
205
480000
3000
但是,你也知道自己的感官并不完美
08:18
and therefore因此 there's some variability变化性 of where it's going to land土地
206
483000
2000
所以球的落地点可能会有误差--
08:20
shown显示 by that cloud of red,
207
485000
2000
在图上用这块红色区域来表示
08:22
representing代表 numbers数字 between之间 0.5 and maybe 0.1.
208
487000
3000
这个区域的概率在0.5和大概0.1附近浮动
08:26
That information信息 is available可得到 in the current当前 shot射击,
209
491000
2000
以上这些信息是实时获得的
08:28
but there's another另一个 source资源 of information信息
210
493000
2000
但是另一个获得信息的渠道
08:30
not available可得到 on the current当前 shot射击,
211
495000
2000
不是实时获得的
08:32
but only available可得到 by repeated重复 experience经验 in the game游戏 of tennis网球,
212
497000
3000
而是来自只有通过反复练习网球才得来的经验
08:35
and that's that the ball doesn't bounce弹跳
213
500000
2000
经验告诉你,这个网球在比赛过程中
08:37
with equal等于 probability可能性 over the court法庭 during the match比赛.
214
502000
2000
不会以均等的概率落在球场里
08:39
If you're playing播放 against反对 a very good opponent对手,
215
504000
2000
如果你的对手水平很高
08:41
they may可能 distribute分发 it in that green绿色 area,
216
506000
2000
可能会让球的落点分布在图上的绿色区域
08:43
which哪一个 is the prior distribution分配,
217
508000
2000
也就是所谓的”先验分布“
08:45
making制造 it hard for you to return返回.
218
510000
2000
这些位置很难接到球
08:47
Now both these sources来源 of information信息 carry携带 important重要 information信息.
219
512000
2000
那么现在,两个信息源都包含重要的信息
08:49
And what Bayes'贝叶斯 rule规则 says
220
514000
2000
根据贝叶斯的理论
08:51
is that I should multiply the numbers数字 on the red by the numbers数字 on the green绿色
221
516000
3000
我们应该把红色区域和绿色区域的数据相乘
08:54
to get the numbers数字 of the yellow黄色, which哪一个 have the ellipses省略号,
222
519000
3000
得到椭圆形的黄色区域
08:57
and that's my belief信仰.
223
522000
2000
这就是我们的置信值
08:59
So it's the optimal最佳 way of combining结合 information信息.
224
524000
3000
并且这是整合信息的最佳方案
09:02
Now I wouldn't不会 tell you all this if it wasn't that a few少数 years年份 ago,
225
527000
2000
几年前我们考察过,人们学习新动作新技巧的时候
09:04
we showed显示 this is exactly究竟 what people do
226
529000
2000
真的在遵循这样的模式
09:06
when they learn学习 new movement运动 skills技能.
227
531000
2000
所以我刚才才举了这个例子
09:08
And what it means手段
228
533000
2000
这说明
09:10
is we really are Bayesian贝叶斯 inference推理 machines.
229
535000
2000
我们实际上都是天生的贝叶斯推断器
09:12
As we go around, we learn学习 about statistics统计 of the world世界 and lay铺设 that down,
230
537000
4000
在成长的过程中,我们不但学会了并记下了生活中的统计数据
09:16
but we also learn学习
231
541000
2000
也掌握了
09:18
about how noisy嘈杂 our own拥有 sensory感觉的 apparatus仪器 is,
232
543000
2000
我们自己感官的杂音可能有多大
09:20
and then combine结合 those
233
545000
2000
然后我们用贝叶斯法
09:22
in a real真实 Bayesian贝叶斯 way.
234
547000
2000
来整合处理这些数据
09:24
Now a key part部分 to the Bayesian贝叶斯 is this part部分 of the formula.
235
549000
3000
那么贝叶斯公式里很关键的是这一项--预测
09:27
And what this part部分 really says
236
552000
2000
这一项的意思是
09:29
is I have to predict预测 the probability可能性
237
554000
2000
我们需要预测
09:31
of different不同 sensory感觉的 feedbacks反馈
238
556000
2000
在原有置信值条件下
09:33
given特定 my beliefs信仰.
239
558000
2000
不同感官回馈的概率
09:35
So that really means手段 I have to make predictions预测 of the future未来.
240
560000
3000
也就是说我们要对未来的可能做出预测
09:38
And I want to convince说服 you the brain does make predictions预测
241
563000
2000
我现在要说服各位相信一点,那就是
09:40
of the sensory感觉的 feedback反馈 it's going to get.
242
565000
2000
大脑的确在对未来可能的感官回馈做出预测
09:42
And moreover此外, it profoundly深深 changes变化 your perceptions看法
243
567000
2000
并且你本身做了什么动作
09:44
by what you do.
244
569000
2000
在很大程度上影响了你感知到的东西
09:46
And to do that, I'll tell you
245
571000
2000
为了说明这点,我来解释
09:48
about how the brain deals交易 with sensory感觉的 input输入.
246
573000
2000
我们的大脑如何处理感官输入
09:50
So you send发送 a command命令 out,
247
575000
3000
我们先送出一个指令
09:53
you get sensory感觉的 feedback反馈 back,
248
578000
2000
然后得到一个感官回馈输入回来
09:55
and that transformation转型 is governed治理
249
580000
2000
之间的转换过程是由
09:57
by the physics物理 of your body身体 and your sensory感觉的 apparatus仪器.
250
582000
3000
身体和感觉器官的物理过程完成的
10:00
But you can imagine想像 looking inside the brain.
251
585000
2000
不过我们能想象大脑内部发生了什么
10:02
And here's这里的 inside the brain.
252
587000
2000
图上就是大脑内部
10:04
You might威力 have a little predictor预报器, a neural神经 simulator模拟器,
253
589000
2000
里面可能有一个预测结构,也就是神经组成的模拟器
10:06
of the physics物理 of your body身体 and your senses感官.
254
591000
2000
来模拟身体和感觉器官的物理过程
10:08
So as you send发送 a movement运动 command命令 down,
255
593000
2000
当一个动作指令发出来的时候
10:10
you tap龙头 a copy复制 of that off
256
595000
2000
大脑复制一份这个指令
10:12
and run it into your neural神经 simulator模拟器
257
597000
2000
然后在这个神经模拟器上运行
10:14
to anticipate预料 the sensory感觉的 consequences后果 of your actions行动.
258
599000
4000
来预测出这个动作带来的感官回馈结果
10:18
So as I shake this ketchup番茄酱 bottle瓶子,
259
603000
2000
所以我往下磕这个番茄酱瓶子的时候
10:20
I get some true真正 sensory感觉的 feedback反馈 as the function功能 of time in the bottom底部 row.
260
605000
3000
在下面那行里我得到真实的感官回馈,是个关于时间的函数
10:23
And if I've got a good predictor预报器, it predicts预测 the same相同 thing.
261
608000
3000
同时大脑里的预测结构如果准确的话,也预测出了同样的结果
10:26
Well why would I bother doing that?
262
611000
2000
好了,那我为什么非要多此一举来预测呢?
10:28
I'm going to get the same相同 feedback反馈 anyway无论如何.
263
613000
2000
毕竟最终我总能得到同样的回馈
10:30
Well there's good reasons原因.
264
615000
2000
不过这样确实是有原因的
10:32
Imagine想像, as I shake the ketchup番茄酱 bottle瓶子,
265
617000
2000
想象我磕这个番茄酱瓶子的时候
10:34
someone有人 very kindly和蔼 comes up to me and taps水龙头 it on the back for me.
266
619000
3000
台下有位热心观众过来帮我拍了下瓶底
10:37
Now I get an extra额外 source资源 of sensory感觉的 information信息
267
622000
2000
于是我多了一个感官信息的来源
10:39
due应有 to that external外部 act法案.
268
624000
2000
因为我多接受了这个外在的动作
10:41
So I get two sources来源.
269
626000
2000
所以感官回馈现在有两个来源
10:43
I get you tapping窃听 on it, and I get me shaking发抖 it,
270
628000
3000
一个是你拍瓶底的动作,另一个是我磕瓶子的动作
10:46
but from my senses'感知 point of view视图,
271
631000
2000
但是从我的感觉来讲
10:48
that is combined结合 together一起 into one source资源 of information信息.
272
633000
3000
这两个是合起来作为一个信息源的
10:51
Now there's good reason原因 to believe
273
636000
2000
可是我们有理由相信
10:53
that you would want to be able能够 to distinguish区分 external外部 events事件 from internal内部 events事件.
274
638000
3000
我们希望能够把外来事件和内在的事件区分开
10:56
Because external外部 events事件 are actually其实 much more behaviorally行为上 relevant相应
275
641000
3000
因为实际上相对于我身体上发生的内在事件
10:59
than feeling感觉 everything that's going on inside my body身体.
276
644000
3000
外来事件在行为上才更有分析价值
11:02
So one way to reconstruct重建 that
277
647000
2000
所以区分开来的一种办法
11:04
is to compare比较 the prediction预测 --
278
649000
2000
就是把我的预测结果--
11:06
which哪一个 is only based基于 on your movement运动 commands命令 --
279
651000
2000
因为这个结果只基于我的动作指令--
11:08
with the reality现实.
280
653000
2000
和真实的感官反馈做比较
11:10
Any discrepancy差异 should hopefully希望 be external外部.
281
655000
3000
希望两者的差值应该就是外力的结果
11:13
So as I go around the world世界,
282
658000
2000
所以我和外界接触的时候
11:15
I'm making制造 predictions预测 of what I should get, subtracting减法 them off.
283
660000
3000
我预测出我自己的动作可能得到什么回馈,减掉这些
11:18
Everything left over is external外部 to me.
284
663000
2000
剩下的其他部分就是外界对我的产生的作用
11:20
What evidence证据 is there for this?
285
665000
2000
那有什么证据支持这点吗?
11:22
Well there's one very clear明确 example
286
667000
2000
我们认为其中一个非常明了的例子就是
11:24
where a sensation感觉 generated产生 by myself feels感觉 very different不同
287
669000
2000
自身产生的动作带来的感觉
11:26
then if generated产生 by another另一个 person.
288
671000
2000
与他人做同样动作带来的感觉是十分不同的
11:28
And so we decided决定 the most obvious明显 place地点 to start开始
289
673000
2000
我们认为最直接的着手点
11:30
was with tickling发痒.
290
675000
2000
就是挠痒痒这件事
11:32
It's been known已知 for a long time, you can't tickle痒痒 yourself你自己
291
677000
2000
众所周知,人们挠自己的时候
11:34
as well as other people can.
292
679000
2000
总是不如别人挠自己的时候痒
11:36
But it hasn't有没有 really been shown显示, it's because you have a neural神经 simulator模拟器,
293
681000
3000
但是没有被证明为什么。其实是因为每个人自己有一个神经模拟器
11:39
simulating模拟 your own拥有 body身体
294
684000
2000
模拟出自己动作带来的效果
11:41
and subtracting减法 off that sense.
295
686000
2000
然后在感觉里自动减去这个效果
11:43
So we can bring带来 the experiments实验 of the 21stST century世纪
296
688000
3000
所以我们可以用21世纪的实验条件
11:46
by applying应用 robotic机器人 technologies技术 to this problem问题.
297
691000
3000
把机器人技术应用到这个问题上
11:49
And in effect影响, what we have is some sort分类 of stick in one hand attached to a robot机器人,
298
694000
3000
具体办法是,我们让试验者一只手握着一根连接在机器人上的小棍
11:52
and they're going to move移动 that back and forward前锋.
299
697000
2000
由手带动一起前后移动
11:54
And then we're going to track跟踪 that with a computer电脑
300
699000
2000
这时候我们用计算机追踪这个移动模式
11:56
and use it to control控制 another另一个 robot机器人,
301
701000
2000
然后用同样的模式带动另一个机器人
11:58
which哪一个 is going to tickle痒痒 their palm棕榈 with another另一个 stick.
302
703000
2000
去用另一根小棍挠试验者的另一只手的手心
12:00
And then we're going to ask them to rate a bunch of things
303
705000
2000
之后,我们会让试验者给一系列指标打分
12:02
including包含 ticklishness怕痒.
304
707000
2000
也包括痒痒的程度
12:04
I'll show显示 you just one part部分 of our study研究.
305
709000
2000
在这里我展示我们实验的其中一部分
12:06
And here I've taken采取 away the robots机器人,
306
711000
2000
图上没有画那两个机器人
12:08
but basically基本上 people move移动 with their right arm sinusoidally正弦 back and forward前锋.
307
713000
3000
基本上人们的右臂是以类正弦的方式前后移动的
12:11
And we replay重播 that to the other hand with a time delay延迟.
308
716000
3000
这时候我们把这个移动加上某个时间延迟,在另一只手上重放
12:14
Either no time delay延迟,
309
719000
2000
延迟可以是0
12:16
in which哪一个 case案件 light would just tickle痒痒 your palm棕榈,
310
721000
2000
就像直接挠手心一样
12:18
or with a time delay延迟 of two-tenths十分之二 of three-tenths十分之三 of a second第二.
311
723000
4000
也可以是0.1秒,0.2秒,0.3秒这样的延迟
12:22
So the important重要 point here
312
727000
2000
这里的重点是
12:24
is the right hand always does the same相同 things -- sinusoidal正弦 movement运动.
313
729000
3000
试验者的右手一直做同样的类正弦动作
12:27
The left hand always is the same相同 and puts看跌期权 sinusoidal正弦 tickle痒痒.
314
732000
3000
左手一直在被同样的类正弦动作挠着
12:30
All we're playing播放 with is a tempo速度 causality因果关系.
315
735000
2000
唯一我们改变的就是因与果之间的步调
12:32
And as we go from naught to 0.1 second第二,
316
737000
2000
当我们把延迟从0加到0.1秒的时候
12:34
it becomes more ticklish怕痒的.
317
739000
2000
感觉上越来越痒
12:36
As you go from 0.1 to 0.2,
318
741000
2000
再从0.1到0.2秒
12:38
it becomes more ticklish怕痒的 at the end结束.
319
743000
2000
越到后来越痒
12:40
And by 0.2 of a second第二,
320
745000
2000
到了0.2秒的时候
12:42
it's equivalently等效 ticklish怕痒的
321
747000
2000
发痒的程度已经等同于
12:44
to the robot机器人 that just tickled胳肢 you without you doing anything.
322
749000
2000
自己什么也不做,机器人直接来挠的效果了
12:46
So whatever随你 is responsible主管 for this cancellation消除
323
751000
2000
因此不管是什么造成了自身动作的抵消
12:48
is extremely非常 tightly紧紧 coupled耦合 with tempo速度 causality因果关系.
324
753000
3000
一定与因果之间的步调大有联系
12:51
And based基于 on this illustration插图, we really convinced相信 ourselves我们自己 in the field领域
325
756000
3000
受这个实验的启发,我们终于相信了那个论点
12:54
that the brain's大脑的 making制造 precise精确 predictions预测
326
759000
2000
也就是大脑能够做出准确预测
12:56
and subtracting减法 them off from the sensations感觉.
327
761000
3000
并将预测结果从实体感觉里减去
12:59
Now I have to admit承认, these are the worst最差 studies学习 my lab实验室 has ever run.
328
764000
3000
现在我要承认,这个是我实验室里进行过的最糟糕的实验
13:02
Because the tickle痒痒 sensation感觉 on the palm棕榈 comes and goes,
329
767000
2000
因为痒痒的感觉就像昙花一现
13:04
you need large numbers数字 of subjects主题
330
769000
2000
所以需要大量的试验者
13:06
with these stars明星 making制造 them significant重大.
331
771000
2000
还只能靠星级来给痒痒的程度打分
13:08
So we were looking for a much more objective目的 way
332
773000
2000
所以我们需要一个更客观的办法
13:10
to assess评估 this phenomena现象.
333
775000
2000
来评估这个现象
13:12
And in the intervening介入 years年份 I had two daughters女儿.
334
777000
2000
其间几年中,我有了两个女儿
13:14
And one thing you notice注意 about children孩子 in backseats后排座位上的 of cars汽车 on long journeys旅程,
335
779000
3000
于是关于长途旅行里小孩子坐在后座上,你注意到一件事
13:17
they get into fights打架 --
336
782000
2000
那就是他们会互相掐架--
13:19
which哪一个 started开始 with one of them doing something to the other, the other retaliating报复.
337
784000
3000
开始于其中一个对另一个动了什么手脚,另一个就要还手
13:22
It quickly很快 escalates升级.
338
787000
2000
然后冲突很快就会升级
13:24
And children孩子 tend趋向 to get into fights打架 which哪一个 escalate升级 in terms条款 of force.
339
789000
3000
而小孩子们之间的冲突升级一般都体现在用力大小上
13:27
Now when I screamed尖叫 at my children孩子 to stop,
340
792000
2000
于是我嚷嚷着叫我的孩子们住手的时候
13:29
sometimes有时 they would both say to me
341
794000
2000
有的时候她们俩都会告诉我
13:31
the other person hit击中 them harder更难.
342
796000
3000
对方下手比自己更重
13:34
Now I happen发生 to know my children孩子 don't lie谎言,
343
799000
2000
我恰好知道我的孩子们不会说假话
13:36
so I thought, as a neuroscientist神经学家,
344
801000
2000
所以作为一个神经学家
13:38
it was important重要 how I could explain说明
345
803000
2000
我想我如何解释两人自相矛盾的真话
13:40
how they were telling告诉 inconsistent不符 truths真理.
346
805000
2000
应该是很重要的吧
13:42
And we hypothesize或推测 based基于 on the tickling发痒 study研究
347
807000
2000
于是我们根据挠痒痒的实验做出了假设
13:44
that when one child儿童 hits点击 another另一个,
348
809000
2000
就是当一个孩子打另一个的时候
13:46
they generate生成 the movement运动 command命令.
349
811000
2000
会生成动作命令
13:48
They predict预测 the sensory感觉的 consequences后果 and subtract减去 it off.
350
813000
3000
他们预测出了感知到的结果,然后减掉了
13:51
So they actually其实 think they've他们已经 hit击中 the person less hard than they have --
351
816000
2000
实际上他们以为他们下手比真正要轻
13:53
rather like the tickling发痒.
352
818000
2000
和挠痒的道理类似
13:55
Whereas the passive被动 recipient接受者
353
820000
2000
然而那个被打的孩子
13:57
doesn't make the prediction预测, feels感觉 the full充分 blow打击.
354
822000
2000
没有做预测,感觉到了全部的打击
13:59
So if they retaliate报复 with the same相同 force,
355
824000
2000
所以他们用同样这个打击的力气还手的话
14:01
the first person will think it's been escalated升级.
356
826000
2000
第一个人会觉得力气变大,冲突升级了
14:03
So we decided决定 to test测试 this in the lab实验室.
357
828000
2000
所以我们决定在实验室里做这个测试,好了
14:05
(Laughter笑声)
358
830000
3000
(笑声)
14:08
Now we don't work with children孩子, we don't work with hitting,
359
833000
2000
我们不用小孩子,也不用打的
14:10
but the concept概念 is identical相同.
360
835000
2000
不过概念是相同的
14:12
We bring带来 in two adults成年人. We tell them they're going to play a game游戏.
361
837000
3000
我们找来两个成人,告诉他们来做个小游戏
14:15
And so here's这里的 player播放机 one and player播放机 two sitting坐在 opposite对面 to each other.
362
840000
2000
这里显示了玩家一和玩家二面对面坐着
14:17
And the game游戏 is very simple简单.
363
842000
2000
游戏很简单
14:19
We started开始 with a motor发动机
364
844000
2000
开始的时候这里有个电机
14:21
with a little lever杠杆, a little force transfuser的Transfuser.
365
846000
2000
连着小杠杆,作为传力器
14:23
And we use this motor发动机 to apply应用 force down to player播放机 one's那些 fingers手指
366
848000
2000
小电机向下对玩家一的手指施力
14:25
for three seconds and then it stops停止.
367
850000
3000
持续3秒钟后停止
14:28
And that player's玩家 been told, remember记得 the experience经验 of that force
368
853000
3000
我们告诉这名玩家一,记住这个力的感觉
14:31
and use your other finger手指
369
856000
2000
再用另一个手指
14:33
to apply应用 the same相同 force
370
858000
2000
以同样的力,通过传力器
14:35
down to the other subject's受试者 finger手指 through通过 a force transfuser的Transfuser -- and they do that.
371
860000
3000
下压玩家二的手指--玩家一这么做了
14:38
And player播放机 two's二的 been told, remember记得 the experience经验 of that force.
372
863000
3000
然后玩家二被告知记住这个力的感觉
14:41
Use your other hand to apply应用 the force back down.
373
866000
3000
用另一只手把同样的力施加回来
14:44
And so they take it in turns
374
869000
2000
这两个玩家轮流来回
14:46
to apply应用 the force they've他们已经 just experienced有经验的 back and forward前锋.
375
871000
2000
施加方才所受的力
14:48
But critically危重,
376
873000
2000
不过关键的一点是
14:50
they're briefed介绍 about the rules规则 of the game游戏 in separate分离 rooms客房.
377
875000
3000
这两个玩家是在不同房间里被介绍游戏规则的
14:53
So they don't know the rules规则 the other person's人的 playing播放 by.
378
878000
2000
所以他们互相不知道对方遵循的规则
14:55
And what we've我们已经 measured测量
379
880000
2000
而我们测量的
14:57
is the force as a function功能 of terms条款.
380
882000
2000
是力的大小关于回合次数的函数
14:59
And if we look at what we start开始 with,
381
884000
2000
我们来看图,开始的时候
15:01
a quarter25美分硬币 of a Newton牛顿 there, a number of turns,
382
886000
2000
力是四分之一牛顿,横轴是回合的次数
15:03
perfect完善 would be that red line线.
383
888000
2000
完美的结果应该是这条红线
15:05
And what we see in all pairs of subjects主题 is this --
384
890000
3000
但是我们在所有实验配对中看到的都是这个--
15:08
a 70 percent百分 escalation升级 in force
385
893000
2000
每一次施力中
15:10
on each go.
386
895000
2000
大小上扬70%
15:12
So it really suggests提示, when you're doing this --
387
897000
2000
所以确实表明,我们在运动的时候--
15:14
based基于 on this study研究 and others其他 we've我们已经 doneDONE --
388
899000
2000
根据这个实验和我们所做的其他实验--
15:16
that the brain is canceling取消 the sensory感觉的 consequences后果
389
901000
2000
大脑一直在抵消感官带来的结果
15:18
and underestimating低估 the force it's producing生产.
390
903000
2000
而低估自己产生的力
15:20
So it re-shows重新显示 the brain makes品牌 predictions预测
391
905000
2000
所以再次说明大脑会做出预测
15:22
and fundamentally从根本上 changes变化 the precepts戒律.
392
907000
3000
并且在根本上改变感知到的内容
15:25
So we've我们已经 made制作 inferences推论, we've我们已经 doneDONE predictions预测,
393
910000
3000
到现在为止,我们做了推断,也做了预测
15:28
now we have to generate生成 actions行动.
394
913000
2000
现在我们要生成动作了
15:30
And what Bayes'贝叶斯 rule规则 says is, given特定 my beliefs信仰,
395
915000
2000
贝叶斯法则说的是,基于置信值
15:32
the action行动 should in some sense be optimal最佳.
396
917000
2000
动作应该在某种意义上是最优的
15:34
But we've我们已经 got a problem问题.
397
919000
2000
但在这里出现问题了
15:36
Tasks任务 are symbolic象征 -- I want to drink, I want to dance舞蹈 --
398
921000
3000
动作任务是符号性质的--我要喝水,我要跳舞--
15:39
but the movement运动 system系统 has to contract合同 600 muscles肌肉
399
924000
2000
但是运动系统需要按特定顺序
15:41
in a particular特定 sequence序列.
400
926000
2000
收缩600块肌肉
15:43
And there's a big gap间隙
401
928000
2000
况且有一个巨大的鸿沟
15:45
between之间 the task任务 and the movement运动 system系统.
402
930000
2000
横在动作任务和运动系统之间
15:47
So it could be bridged桥接 in infinitely无限地 many许多 different不同 ways方法.
403
932000
2000
意思是我们有无穷多种方式越过这个鸿沟
15:49
So think about just a point to point movement运动.
404
934000
2000
来考虑仅仅是点到点的移动
15:51
I could choose选择 these two paths路径
405
936000
2000
我可以在无穷条可能的路径中
15:53
out of an infinite无穷 number of paths路径.
406
938000
2000
选出这两条
15:55
Having chosen选择 a particular特定 path路径,
407
940000
2000
选定一条特定路径之后
15:57
I can hold保持 my hand on that path路径
408
942000
2000
我可以把手放在这条路径上
15:59
as infinitely无限地 many许多 different不同 joint联合 configurations配置.
409
944000
2000
但是又有无穷多种关节构型
16:01
And I can hold保持 my arm in a particular特定 joint联合 configuration组态
410
946000
2000
另外我把的胳膊固定在某一种构型之后
16:03
either very stiff僵硬 or very relaxed轻松.
411
948000
2000
我可以紧张,也可以松弛
16:05
So I have a huge巨大 amount of choice选择 to make.
412
950000
3000
所以我有非常多的选择余地
16:08
Now it turns out, we are extremely非常 stereotypical定型.
413
953000
3000
不过结果是,我们都特别典型
16:11
We all move移动 the same相同 way pretty漂亮 much.
414
956000
3000
都基本上用同一种方式移动
16:14
And so it turns out we're so stereotypical定型,
415
959000
2000
我们典型到
16:16
our brains大脑 have got dedicated专用 neural神经 circuitry电路
416
961000
2000
我们的大脑已经开辟出特定的神经回路
16:18
to decode解码 this stereotyping定型.
417
963000
2000
来解码这类典型
16:20
So if I take some dots
418
965000
2000
因此如果我拿一些点
16:22
and set them in motion运动 with biological生物 motion运动,
419
967000
3000
然后让它们按生物动作形式来运动
16:25
your brain's大脑的 circuitry电路 would understand理解 instantly即刻 what's going on.
420
970000
3000
大家的大脑回路会立即知道怎么回事
16:28
Now this is a bunch of dots moving移动.
421
973000
2000
好了,这仅仅是一堆点在动
16:30
You will know what this person is doing,
422
975000
3000
我们就知道这个人在做什么
16:33
whether是否 happy快乐, sad伤心, old, young年轻 -- a huge巨大 amount of information信息.
423
978000
3000
是喜还是悲,是老还是少--很大量的信息
16:36
If these dots were cars汽车 going on a racing赛跑 circuit电路,
424
981000
2000
如果这些点是赛车在赛道上绕圈
16:38
you would have absolutely绝对 no idea理念 what's going on.
425
983000
3000
我们对发生了什么就完全没有概念了
16:41
So why is it
426
986000
2000
那我们为什么
16:43
that we move移动 the particular特定 ways方法 we do?
427
988000
2000
用这种特定的模式移动呢?
16:45
Well let's think about what really happens发生.
428
990000
2000
来想想真实情况可能是什么
16:47
Maybe we don't all quite相当 move移动 the same相同 way.
429
992000
3000
假如我们并不都用同一种模式移动
16:50
Maybe there's variation变异 in the population人口.
430
995000
2000
假如人群中有差异
16:52
And maybe those who move移动 better than others其他
431
997000
2000
而且假如那些比其他人移动得更好的个体
16:54
have got more chance机会 of getting得到 their children孩子 into the next下一个 generation.
432
999000
2000
有更多机会让他们的子代进入下一代的群体里面
16:56
So in evolutionary发展的 scales, movements运动 get better.
433
1001000
3000
那么在进化级别上,动作越来越优化
16:59
And perhaps也许 in life, movements运动 get better through通过 learning学习.
434
1004000
3000
另外,也许在一生当中,学习会让动作更优化
17:02
So what is it about a movement运动 which哪一个 is good or bad?
435
1007000
2000
那么,是什么决定了动作的好与坏呢?
17:04
Imagine想像 I want to intercept截距 this ball.
436
1009000
2000
来想象我要截下这个球
17:06
Here are two possible可能 paths路径 to that ball.
437
1011000
3000
这里有两种路径来做到
17:09
Well if I choose选择 the left-hand左手 path路径,
438
1014000
2000
假如我选了左手边这条路径
17:11
I can work out the forces军队 required需要
439
1016000
2000
我可以算出某一块肌肉需要施多大力
17:13
in one of my muscles肌肉 as a function功能 of time.
440
1018000
2000
用关于时间的函数表示
17:15
But there's noise噪声 added添加 to this.
441
1020000
2000
但是还有杂音附加在上面
17:17
So what I actually其实 get, based基于 on this lovely可爱, smooth光滑, desired期望 force,
442
1022000
3000
所以根据这条美好、光滑、期望中的曲线
17:20
is a very noisy嘈杂 version.
443
1025000
2000
我事实上得到的是个杂音很大的版本
17:22
So if I pick the same相同 command命令 through通过 many许多 times,
444
1027000
3000
那如果我多次发布同样的动作指令
17:25
I will get a different不同 noisy嘈杂 version each time, because noise噪声 changes变化 each time.
445
1030000
3000
每次会得到不同的含杂音的版本,因为每次杂音不一样
17:28
So what I can show显示 you here
446
1033000
2000
所以我现在在这儿展示的
17:30
is how the variability变化性 of the movement运动 will evolve发展
447
1035000
2000
只是这个动作的可变性有多大
17:32
if I choose选择 that way.
448
1037000
2000
前提是如果我选这种方式的话
17:34
If I choose选择 a different不同 way of moving移动 -- on the right for example --
449
1039000
3000
如果我选另一种方式--比如右边这个--
17:37
then I'll have a different不同 command命令, different不同 noise噪声,
450
1042000
2000
那我就会有不同的指令,不同的杂音
17:39
playing播放 through通过 a noisy嘈杂 system系统, very complicated复杂.
451
1044000
3000
还要透过杂音系统,总之非常复杂
17:42
All we can be sure of is the variability变化性 will be different不同.
452
1047000
3000
我们唯一能确定的是,两个方式的可变性会不同
17:45
If I move移动 in this particular特定 way,
453
1050000
2000
要是我用这种方式运动的话
17:47
I end结束 up with a smaller variability变化性 across横过 many许多 movements运动.
454
1052000
3000
最后得到的可变性在很多种动作里面是最小的
17:50
So if I have to choose选择 between之间 those two,
455
1055000
2000
所以要是我在这两者里面选其一
17:52
I would choose选择 the right one because it's less variable变量.
456
1057000
2000
我就会选右边那个,因为可变性更小
17:54
And the fundamental基本的 idea理念
457
1059000
2000
话说回来,我们的基本思路
17:56
is you want to plan计划 your movements运动
458
1061000
2000
是要找到一种动作方式
17:58
so as to minimize最小化 the negative consequence后果 of the noise噪声.
459
1063000
3000
能够把杂音带来的负面影响降到最低
18:01
And one intuition直觉 to get
460
1066000
2000
并且我们凭直觉就知道
18:03
is actually其实 the amount of noise噪声 or variability变化性 I show显示 here
461
1068000
2000
我在这里展示的杂音,或者说可变性
18:05
gets得到 bigger as the force gets得到 bigger.
462
1070000
2000
随力的大小的增加而增加
18:07
So you want to avoid避免 big forces军队 as one principle原理.
463
1072000
3000
所以我们的原则之一就是避免施加太大的力
18:10
So we've我们已经 shown显示 that using运用 this,
464
1075000
2000
用这个原则
18:12
we can explain说明 a huge巨大 amount of data数据 --
465
1077000
2000
我们就能解释很多得到的数据--
18:14
that exactly究竟 people are going about their lives生活 planning规划 movements运动
466
1079000
3000
那就是人们在生活中有意安排动作方式
18:17
so as to minimize最小化 negative consequences后果 of noise噪声.
467
1082000
3000
来把杂音带来的负面影响降到最低
18:20
So I hope希望 I've convinced相信 you the brain is there
468
1085000
2000
现在,我想我已经让大家相信大脑之所以存在
18:22
and evolved进化 to control控制 movement运动.
469
1087000
2000
是为了控制动作
18:24
And it's an intellectual知识分子 challenge挑战 to understand理解 how we do that.
470
1089000
3000
而且了解怎样做到这点是需要费一番脑筋的
18:27
But it's also relevant相应
471
1092000
2000
不过同样具有相关价值的
18:29
for disease疾病 and rehabilitation复原.
472
1094000
2000
是在疾病和康复方面
18:31
There are many许多 diseases疾病 which哪一个 effect影响 movement运动.
473
1096000
3000
有很多病症有对动作产生影响
18:34
And hopefully希望 if we understand理解 how we control控制 movement运动,
474
1099000
2000
所以如果有朝一日掌握了人类控制动作的机制
18:36
we can apply应用 that to robotic机器人 technology技术.
475
1101000
2000
我们就可以用到机器人技术中去
18:38
And finally最后, I want to remind提醒 you,
476
1103000
2000
最后我要提醒大家
18:40
when you see animals动物 do what look like very simple简单 tasks任务,
477
1105000
2000
当你们看见动物做些看似非常简单的动作的时候
18:42
the actual实际 complexity复杂 of what is going on inside their brain
478
1107000
2000
它们运行在大脑内部的真正复杂度
18:44
is really quite相当 dramatic戏剧性.
479
1109000
2000
其实是相当令人叹为观止的
18:46
Thank you very much.
480
1111000
2000
谢谢大家
18:48
(Applause掌声)
481
1113000
8000
(掌声)
18:56
Chris克里斯 Anderson安德森: Quick question for you, Dan.
482
1121000
2000
克里斯・安德森(以下简称“安”):丹尼尔(简称‘沃“),我问一个简短的问题
18:58
So you're a movement运动 -- (DWDW: Chauvinist沙文主义.) -- chauvinist沙文主义.
483
1123000
4000
所以你是一个运动--(沃:沙文主义者。)--沙文主义者
19:02
Does that mean that you think that the other things we think our brains大脑 are about --
484
1127000
3000
是不是意味着你认为我们觉得让大脑有存在意义的其他事情
19:05
the dreaming做梦, the yearning怀念, the falling落下 in love and all these things --
485
1130000
3000
那些梦想,渴望,恋爱等等一切东西
19:08
are a kind of side show显示, an accident事故?
486
1133000
3000
都是些余兴节目或者意外收获呢?
19:11
DWDW: No, no, actually其实 I think they're all important重要
487
1136000
2000
沃:不不不,其实我认为这些也很重要
19:13
to drive驾驶 the right movement运动 behavior行为 to get reproduction再生产 in the end结束.
488
1138000
3000
它们能促使合适的动作行为,以达到繁殖的最终目的
19:16
So I think people who study研究 sensation感觉 or memory记忆
489
1141000
3000
所以我觉得有些人在研究感觉或者记忆
19:19
without realizing实现 why you're laying铺设 down memories回忆 of childhood童年.
490
1144000
2000
却没意识到为什么我们要记下童年的回忆
19:21
The fact事实 that we forget忘记 most of our childhood童年, for example,
491
1146000
3000
我们会忘记大部分幼年的记忆这个事实,比如说
19:24
is probably大概 fine, because it doesn't effect影响 our movements运动 later后来 in life.
492
1149000
3000
其实应该无关紧要,因为那些不会影响我们长大以后的动作
19:27
You only need to store商店 things which哪一个 are really going to effect影响 movement运动.
493
1152000
3000
我们只需要存储能对动作产生真正影响的事情就行了
19:30
CACA: So you think that people thinking思维 about the brain, and consciousness意识 generally通常,
494
1155000
3000
安:那你是否认为人们研究大脑,以及更笼统的意识
19:33
could get real真实 insight眼光
495
1158000
2000
如果要获得真正的领悟,就要问
19:35
by saying, where does movement运动 play in this game游戏?
496
1160000
2000
动作在这里起了什么作用?
19:37
DWDW: So people have found发现 out for example
497
1162000
2000
沃:对。人们已经发现,比如说
19:39
that studying研究 vision视力 in the absence缺席 of realizing实现 why you have vision视力
498
1164000
2000
在不明确视觉何以存在的时候,就去研究视觉
19:41
is a mistake错误.
499
1166000
2000
是个失误
19:43
You have to study研究 vision视力 with the realization实现
500
1168000
2000
研究视觉的时候
19:45
of how the movement运动 system系统 is going to use vision视力.
501
1170000
2000
我们必须先意识到运动系统要怎样用这个视觉
19:47
And it uses使用 it very differently不同 once一旦 you think about it that way.
502
1172000
2000
这样想的时候用法就不一样了
19:49
CACA: Well that was quite相当 fascinating迷人. Thank you very much indeed确实.
503
1174000
3000
安:噢的确很有趣。非常感谢你。
19:52
(Applause掌声)
504
1177000
2000
(掌声)
Translated by Yina Jin
Reviewed by Alison Xiaoqiao Xie

▲Back to top

ABOUT THE SPEAKER
Daniel Wolpert - Movement expert
A neuroscientist and engineer, Daniel Wolpert studies how the brain controls the body.

Why you should listen

Consider your hand. You use it to lift things, to balance yourself, to give and take, to sense the world. It has a range of interacting degrees of freedom, and it interacts with many different objects under a variety of environmental conditions. And for most of us, it all just works. At his lab in the Engineering department at Cambridge, Daniel Wolpert and his team are studying why, looking to understand the computations underlying the brain's sensorimotor control of the body.

As he says, "I believe that to understand movement is to understand the whole brain. And therefore it’s important to remember when you are studying memory, cognition, sensory processing, they’re there for a reason, and that reason is action.”  Movement is the only way we have of interacting with the world, whether foraging for food or attracting a waiter's attention. Indeed, all communication, including speech, sign language, gestures and writing, is mediated via the motor system. Taking this viewpoint, and using computational and robotic techniques as well as virtual reality systems, Wolpert and his team research the purpose of the human brain and the way it determines future actions.

 

 

More profile about the speaker
Daniel Wolpert | Speaker | TED.com

Data provided by TED.

This site was created in May 2015 and the last update was on January 12, 2020. It will no longer be updated.

We are currently creating a new site called "eng.lish.video" and would be grateful if you could access it.

If you have any questions or suggestions, please feel free to write comments in your language on the contact form.

Privacy Policy

Developer's Blog

Buy Me A Coffee