TEDGlobal 2011
Daniel Wolpert: The real reason for brains
Daniel Wolpert: skutečný důvod, proč máme mozek
Filmed:
Readability: 3.9
1,994,993 views
Neurovědec Daniel Wolpert vychází z překvapivého předpokladu: náš mozek se vyvinul nikoli proto, aby přemýšlel nebo cítil, ale proto, aby řídil pohyb. V této zábavné a na informace bohaté přednášce nám umožňuje nahlédnout do toho, jak náš mozek vytváří ladnost a hbitost lidského pohybu.
Daniel Wolpert - Movement expert
A neuroscientist and engineer, Daniel Wolpert studies how the brain controls the body. Full bio
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.
0
0
2000
Jsem neurovědec.
00:17
And in neuroscience,
1
2000
2000
A v neurovědě
00:19
we have to deal with many difficult questions about the brain.
2
4000
3000
čelíme mnoha složitým otázkám ohledně mozku.
00:22
But I want to start with the easiest question
3
7000
2000
Já bych ale rád začal tou nejjednoduší otázkou,
00:24
and the question you really should have all asked yourselves at some point in your life,
4
9000
3000
kterou si každý z vás už někdy v životě měl položit,
00:27
because it's a fundamental question
5
12000
2000
jelikož se jedná o zásadní otázku,
00:29
if we want to understand brain function.
6
14000
2000
pokud chceme porozumět funkci mozku.
00:31
And that is, why do we and other animals
7
16000
2000
A ta otázka zní, proč my a další živočichové
00:33
have brains?
8
18000
2000
máme mozek?
00:35
Not all species on our planet have brains,
9
20000
3000
Některé živočišné druhy naší planety mozek nemají,
00:38
so if we want to know what the brain is for,
10
23000
2000
takže chceme-li zjistit, k čemu mozek slouží,
00:40
let's think about why we evolved one.
11
25000
2000
přemýšlejme, proč se nám mozek vyvinul.
00:42
Now you may reason that we have one
12
27000
2000
Tak tedy, bylo by pochopitelné, kdybyste ho měli,
00:44
to perceive the world or to think,
13
29000
2000
abyste vnímali svět nebo abyste přemýšleli,
00:46
and that's completely wrong.
14
31000
2000
ale to je velký omyl.
00:48
If you think about this question for any length of time,
15
33000
3000
Pokud si o tom alespoň chvilku popřemýšlíte,
00:51
it's blindingly obvious why we have a brain.
16
36000
2000
bude naprosto zřejmé, proč mozek máme.
00:53
We have a brain for one reason and one reason only,
17
38000
3000
Mozek máme z jednoho jediného důvodu:
00:56
and that's to produce adaptable and complex movements.
18
41000
3000
abychom mohli vyvíjet přizpůsobivé, složité pohyby.
00:59
There is no other reason to have a brain.
19
44000
2000
Jiný důvod, proč mít mozek, neexistuje.
01:01
Think about it.
20
46000
2000
Zvažte to a dáte mi za pravdu.
01:03
Movement is the only way you have
21
48000
2000
Pohyb je jediný způsob,
01:05
of affecting the world around you.
22
50000
2000
kterým můžete ovlivnit svět kolem sebe.
01:07
Now that's not quite true. There's one other way, and that's through sweating.
23
52000
3000
Vlastně ne tak docela - je tu ještě pocení.
01:10
But apart from that,
24
55000
2000
Ale kromě této výjimky
01:12
everything else goes through contractions of muscles.
25
57000
2000
se všechno ostatní děje skrze stahování svalů.
01:14
So think about communication --
26
59000
2000
Vezměte si komunikaci -
01:16
speech, gestures, writing, sign language --
27
61000
3000
řeč, gesta, psaní, znakovou řeč --
01:19
they're all mediated through contractions of your muscles.
28
64000
3000
všechno to zprostředkovávají stahy vašich svalů.
01:22
So it's really important to remember
29
67000
2000
Takže je velmi důležité mít na paměti,
01:24
that sensory, memory and cognitive processes are all important,
30
69000
4000
že smyslové, paměťové a kognitivní procesy jsou všechny důležité,
01:28
but they're only important
31
73000
2000
nicméně důležité jsou jenom proto,
01:30
to either drive or suppress future movements.
32
75000
2000
aby buď poháněly nebo potlačovaly budoucí pohyb.
01:32
There can be no evolutionary advantage
33
77000
2000
Žádná evoluční výhoda nemůže plynout z toho,
01:34
to laying down memories of childhood
34
79000
2000
že jste si uchovali vzpomínky z dětství
01:36
or perceiving the color of a rose
35
81000
2000
nebo z vnímání barvy růže,
01:38
if it doesn't affect the way you're going to move later in life.
36
83000
3000
neovlivní-li to váš budoucí pohyb později v životě.
01:41
Now for those who don't believe this argument,
37
86000
2000
Pro ty, kteří této argumentaci nevěří:
01:43
we have trees and grass on our planet without the brain,
38
88000
2000
máme na naší planetě stromy a trávy, a ty mozek nemají,
01:45
but the clinching evidence is this animal here --
39
90000
2000
rozhodujícím důkazem je však tento živočich --
01:47
the humble sea squirt.
40
92000
2000
prostý pláštěnec.
01:49
Rudimentary animal, has a nervous system,
41
94000
3000
Primitivní živočich, má nervový systém,
01:52
swims around in the ocean in its juvenile life.
42
97000
2000
před dospělostí plave sem a tam oceánem,
01:54
And at some point of its life,
43
99000
2000
až jednou přijde chvíle,
01:56
it implants on a rock.
44
101000
2000
kdy se usadí na kameni.
01:58
And the first thing it does in implanting on that rock, which it never leaves,
45
103000
3000
A jakmile se na té skále usadí (kterou už nikdy neopustí),
02:01
is to digest its own brain and nervous system
46
106000
3000
stráví svůj vlastní mozek a nervstvo
02:04
for food.
47
109000
2000
jako potravu.
02:06
So once you don't need to move,
48
111000
2000
Takže jakmile se nepotřebujete hýbat,
02:08
you don't need the luxury of that brain.
49
113000
3000
nepotřebujete luxus, jakým je mozek.
02:11
And this animal is often taken
50
116000
2000
A tento živočich často slouží
02:13
as an analogy to what happens at universities
51
118000
2000
jako analogie k proměně univerzitních profesorů
02:15
when professors get tenure,
52
120000
2000
po získání definitivy -
02:17
but that's a different subject.
53
122000
2000
ale to bychom mluvili o něčem jiném.
02:19
(Applause)
54
124000
2000
(Potlesk)
02:21
So I am a movement chauvinist.
55
126000
3000
Jsem tedy pohybový šovinista.
02:24
I believe movement is the most important function of the brain --
56
129000
2000
Jsem přesvědčen, že pohyb je tou nejdůležitější funkcí mozku --
02:26
don't let anyone tell you that it's not true.
57
131000
2000
nevěřte nikomu, kdo vám bude tvrdit, že tomu tak není.
02:28
Now if movement is so important,
58
133000
2000
Nuže tedy, je-li pohyb tak důležitý,
02:30
how well are we doing
59
135000
2000
jak se nám daří rozumět tomu,
02:32
understanding how the brain controls movement?
60
137000
2000
jak mozek řídí pohyb?
02:34
And the answer is we're doing extremely poorly; it's a very hard problem.
61
139000
2000
Odpověd zní: mizerně; jedná se o zapeklitý problém.
02:36
But we can look at how well we're doing
62
141000
2000
Abych posoudili, jak se nám v této věci daří,
02:38
by thinking about how well we're doing building machines
63
143000
2000
zamysleme se nad tím, jak se nám daří sestavovat stroje,
02:40
which can do what humans can do.
64
145000
2000
které umí dělat to, co umí lidé.
02:42
Think about the game of chess.
65
147000
2000
Vezměte si třeba šachovou partii.
02:44
How well are we doing determining what piece to move where?
66
149000
3000
Jak se nám daří určovat, kam kterou figurku posunout?
02:47
If you pit Garry Kasparov here, when he's not in jail,
67
152000
3000
Postavíte-li zde Garyho Kasparova - není-li zrovna ve vězení -
02:50
against IBM's Deep Blue,
68
155000
2000
proti počítači Deep Blue od IBM,
02:52
well the answer is IBM's Deep Blue will occasionally win.
69
157000
3000
pak odpověď zní, že Deep Blue občas vyhraje.
02:55
And I think if IBM's Deep Blue played anyone in this room, it would win every time.
70
160000
3000
A pokud by Deep Blue hrál proti komukoliv v této místnosti, vyhrál by podle mne pokaždé.
02:58
That problem is solved.
71
163000
2000
Tento problém je vyřešen.
03:00
What about the problem
72
165000
2000
A co takhle problém spočívající v tom,
03:02
of picking up a chess piece,
73
167000
2000
jak zvednout šachovou figurku,
03:04
dexterously manipulating it and putting it back down on the board?
74
169000
3000
obratně s ní zacházet a položit ji zpátky na šachovnici?
03:07
If you put a five year-old child's dexterity against the best robots of today,
75
172000
3000
Srovnáte-li pětileté dítě s nejlepšími roboty dnešní doby co do zručnosti,
03:10
the answer is simple:
76
175000
2000
výsledek je jasný:
03:12
the child wins easily.
77
177000
2000
dítě s přehledem vyhraje.
03:14
There's no competition at all.
78
179000
2000
Nemá žádnou opravdovou konkurenci.
03:16
Now why is that top problem so easy
79
181000
2000
Nuže tedy, proč je ten vrchní problém tak snadný
03:18
and the bottom problem so hard?
80
183000
2000
a ten spodní problém tak složitý?
03:20
One reason is a very smart five year-old
81
185000
2000
Jedním z důvodů je, že velice chytré pětileté dítě
03:22
could tell you the algorithm for that top problem --
82
187000
2000
by přišlo na algoritmus k tomu vrchnímu problému --
03:24
look at all possible moves to the end of the game
83
189000
2000
zvažte všechny možné tahy až do konce partie
03:26
and choose the one that makes you win.
84
191000
2000
a vyberty ty, které vám umožní vyhrát.
03:28
So it's a very simple algorithm.
85
193000
2000
Jedná se tedy o velice jednoduchý algoritmus.
03:30
Now of course there are other moves,
86
195000
2000
Pravda, možných tahů je velmi mnoho,
03:32
but with vast computers we approximate
87
197000
2000
ale s pomocí ohromných počítačů můžeme aproximovat
03:34
and come close to the optimal solution.
88
199000
2000
a přiblížit se optimálnímu řešení.
03:36
When it comes to being dexterous,
89
201000
2000
Když ale přijde na zručnost,
03:38
it's not even clear what the algorithm is you have to solve to be dexterous.
90
203000
2000
není ani jasné, jaký algoritmus máte řešit, abyste zručnosti dosáhli.
03:40
And we'll see you have to both perceive and act on the world,
91
205000
2000
A jak uvidíme, musíte jak vnímat, tak působit na svět,
03:42
which has a lot of problems.
92
207000
2000
a to obnáší řadu problémů.
03:44
But let me show you cutting-edge robotics.
93
209000
2000
Nyní vám předvedu ukázku špičkové robotiky.
03:46
Now a lot of robotics is very impressive,
94
211000
2000
Velká část robotiky je velmi působivá,
03:48
but manipulation robotics is really just in the dark ages.
95
213000
3000
ale manipulační robotika je zatím v raném středověku.
03:51
So this is the end of a Ph.D. project
96
216000
2000
Tak tohle je výsledek doktorandského projektu
03:53
from one of the best robotics institutes.
97
218000
2000
z jednoho z nejlepších ústavů robotiky.
03:55
And the student has trained this robot
98
220000
2000
Student naučil robota
03:57
to pour this water into a glass.
99
222000
2000
nalít vodu do sklenice:
03:59
It's a hard problem because the water sloshes about, but it can do it.
100
224000
3000
složitý problém - voda totiž šplouchá - ale dokáže to.
04:02
But it doesn't do it with anything like the agility of a human.
101
227000
3000
Ale co do hbitosti má k člověku velice daleko.
04:05
Now if you want this robot to do a different task,
102
230000
3000
Pokud by ale ten robot měl provést jiný úkol,
04:08
that's another three-year Ph.D. program.
103
233000
3000
máte vystaráno na další tříletý doktorandský program.
04:11
There is no generalization at all
104
236000
2000
Vůbec se nám nedaří zobecňovat
04:13
from one task to another in robotics.
105
238000
2000
z jednoho robotického úkolu na druhý.
04:15
Now we can compare this
106
240000
2000
Můžeme to však porovnat
04:17
to cutting-edge human performance.
107
242000
2000
se špičkovým výkonem u lidí.
04:19
So what I'm going to show you is Emily Fox
108
244000
2000
Nyní vám ukážu Emily Foxovou,
04:21
winning the world record for cup stacking.
109
246000
3000
jak vytváří světový rekord ve vršení kelímků.
04:24
Now the Americans in the audience will know all about cup stacking.
110
249000
2000
Americké části publika bude tento sport důvěrně známý.
04:26
It's a high school sport
111
251000
2000
Jedná se o středoškolskou sportovní disciplínu,
04:28
where you have 12 cups you have to stack and unstack
112
253000
2000
v níž na sebe střídavě vršíte a odebíráte 12 kelímků,
04:30
against the clock in a prescribed order.
113
255000
2000
a to na čas a v předepsaném pořadí.
04:32
And this is her getting the world record in real time.
114
257000
3000
A zde ji vidíme na nezrychlených záběrech, jak vytváří světový rekord.
04:39
(Laughter)
115
264000
8000
(Smích)
04:47
(Applause)
116
272000
5000
(Potlesk)
04:52
And she's pretty happy.
117
277000
2000
A má z toho docela velkou radost.
04:54
We have no idea what is going on inside her brain when she does that,
118
279000
2000
Nemá ani ponětí, co probíhá uvnitř jejího mozku, když tohle dělá,
04:56
and that's what we'd like to know.
119
281000
2000
a právě to bychom rádi věděli.
04:58
So in my group, what we try to do
120
283000
2000
Takže v naší skupině se snažíme
05:00
is reverse engineer how humans control movement.
121
285000
3000
zpětným postupem zjistit, jak člověk řídí pohyb.
05:03
And it sounds like an easy problem.
122
288000
2000
Zní to jako jednoduchý úkol.
05:05
You send a command down, it causes muscles to contract.
123
290000
2000
Pošlete dolů příkaz - a svaly se stáhnou,
05:07
Your arm or body moves,
124
292000
2000
vaše ruka nebo tělo se pohne
05:09
and you get sensory feedback from vision, from skin, from muscles and so on.
125
294000
3000
a vy dostanete smyslovou zpětnou vazbu - ze zraku, kůže, svalstva a tak dále.
05:12
The trouble is
126
297000
2000
Potíž vězí v tom,
05:14
these signals are not the beautiful signals you want them to be.
127
299000
2000
že tyto signály nejsou tak krásné, jak byste si přáli.
05:16
So one thing that makes controlling movement difficult
128
301000
2000
Takže jedním z důvodů, proč je řízení pohybu tak složité,
05:18
is, for example, sensory feedback is extremely noisy.
129
303000
3000
je například to, že smyslovou zpětnou vazbu narušuje šum,
05:21
Now by noise, I do not mean sound.
130
306000
3000
Šumem nemám ale na mysli zvuk,
05:24
We use it in the engineering and neuroscience sense
131
309000
2000
nýbrž význam používaný v inženýrství a neurovědě,
05:26
meaning a random noise corrupting a signal.
132
311000
2000
tedy náhodný šum narušující signál.
05:28
So the old days before digital radio when you were tuning in your radio
133
313000
3000
Takže za starých časů, před digitalizací rozhlasu, když jste si ladili stanici
05:31
and you heard "crrcckkk" on the station you wanted to hear,
134
316000
2000
a slyšeli jste "crrcckkk" na stanici, kterou jste chtěli poslouchat,
05:33
that was the noise.
135
318000
2000
tak to byl šum.
05:35
But more generally, this noise is something that corrupts the signal.
136
320000
3000
Obecněji vzato je ale šum něco, co ruší signál.
05:38
So for example, if you put your hand under a table
137
323000
2000
Když si třeba dáte ruku pod stůl
05:40
and try to localize it with your other hand,
138
325000
2000
a snažíte se ji najít druhou rukou,
05:42
you can be off by several centimeters
139
327000
2000
stává se, že ji o několik centimetrů minete -
05:44
due to the noise in sensory feedback.
140
329000
2000
kvůli šumu rušícímu zpětnou vazbu od smyslů.
05:46
Similarly, when you put motor output on movement output,
141
331000
2000
Obdobně, když graficky znázorníte motorické nebo pohybové výstupy,
05:48
it's extremely noisy.
142
333000
2000
je tam nesmírné množství šumu.
05:50
Forget about trying to hit the bull's eye in darts,
143
335000
2000
Zapomeňte na pokusy trefit se šipkou do černého -
05:52
just aim for the same spot over and over again.
144
337000
2000
prostě miřte na stejný bod pořád dokola.
05:54
You have a huge spread due to movement variability.
145
339000
3000
Dostanete široké rozpětí výsledků kvůli variabilitě pohybu.
05:57
And more than that, the outside world, or task,
146
342000
2000
Ba co víc, vnější svět nebo dotyčný úkon
05:59
is both ambiguous and variable.
147
344000
2000
je nejasný a zároveň proměnlivý.
06:01
The teapot could be full, it could be empty.
148
346000
2000
Čajová konvice může být plná nebo prázdná;
06:03
It changes over time.
149
348000
2000
mění se v závislosti na čase.
06:05
So we work in a whole sensory movement task soup of noise.
150
350000
4000
Takže fungujeme v jakési smyslově pohybově úkonové polévce z šumu.
06:09
Now this noise is so great
151
354000
2000
Ten šum je ale tak silný,
06:11
that society places a huge premium
152
356000
2000
že společnost si cení nesmírně vysoko těch z nás,
06:13
on those of us who can reduce the consequences of noise.
153
358000
3000
kteří umí potlačovat důsledky šumu.
06:16
So if you're lucky enough to be able to knock a small white ball
154
361000
3000
Takže máte-li to štěstí, že umíte uhodit dlouhou kovovou tyčí do bílého míčku tak,
06:19
into a hole several hundred yards away using a long metal stick,
155
364000
3000
aby spadl do díry vzdálené několik set metrů,
06:22
our society will be willing to reward you
156
367000
2000
naše společnost vás ráda odmění
06:24
with hundreds of millions of dollars.
157
369000
3000
stovkami miliónů dolarů.
06:27
Now what I want to convince you of
158
372000
2000
Nuže tedy, chci vás přesvědčit,
06:29
is the brain also goes through a lot of effort
159
374000
2000
že mozek také vynakládá velkou snahu,
06:31
to reduce the negative consequences
160
376000
2000
aby potlačil záporné důsledky
06:33
of this sort of noise and variability.
161
378000
2000
takovéhoto šumu a variability.
06:35
And to do that, I'm going to tell you about a framework
162
380000
2000
K tomu používá jistou vztažnou soustavu -
06:37
which is very popular in statistics and machine learning of the last 50 years
163
382000
3000
velmi oblíbenou ve statistice a strojovém učení posledních padesáti let -
06:40
called Bayesian decision theory.
164
385000
2000
která se nazývá bayesovská teorie rozhodování.
06:42
And it's more recently a unifying way
165
387000
3000
A nedávno se stala sjednocujícím vysvětlením toho,
06:45
to think about how the brain deals with uncertainty.
166
390000
3000
jak se mozek vypořádává s neurčitostí.
06:48
And the fundamental idea is you want to make inferences and then take actions.
167
393000
3000
Její podstata tkví v tom, že činíme dedukce a pak jednáme.
06:51
So let's think about the inference.
168
396000
2000
Zamysleme se tedy nad dedukcemi.
06:53
You want to generate beliefs about the world.
169
398000
2000
Cílem je vytvářet si představy o skutečnosti.
06:55
So what are beliefs?
170
400000
2000
Jaké představy?
06:57
Beliefs could be: where are my arms in space?
171
402000
2000
Například: kde se v prostoru nacházejí mé ruce?
06:59
Am I looking at a cat or a fox?
172
404000
2000
Dívám se na kočku nebo na lišku?
07:01
But we're going to represent beliefs with probabilities.
173
406000
3000
Ale my budeme představy vyjadřovat pravděpodobnostmi.
07:04
So we're going to represent a belief
174
409000
2000
Představu tedy vyjádříme
07:06
with a number between zero and one --
175
411000
2000
číslem mezi nulou a jedničkou -
07:08
zero meaning I don't believe it at all, one means I'm absolutely certain.
176
413000
3000
nula znamená "vůbec tomu nevěřím", jednička pak "jsem si zcela jist".
07:11
And numbers in between give you the gray levels of uncertainty.
177
416000
3000
A čísla mezi vyjadřují ony šedé mezistupně nejistoty.
07:14
And the key idea to Bayesian inference
178
419000
2000
Klíčovým konceptem v bayesovské dedukci je to,
07:16
is you have two sources of information
179
421000
2000
že máte dva zdroje informací,
07:18
from which to make your inference.
180
423000
2000
na nichž stavíte svou dedukci.
07:20
You have data,
181
425000
2000
Máte údaje -
07:22
and data in neuroscience is sensory input.
182
427000
2000
a údaje v neurovědě, to jsou vstupní údaje od smyslů.
07:24
So I have sensory input, which I can take in to make beliefs.
183
429000
3000
Tyto smyslové vstupy mohu přijmout - a vytvořit představy.
07:27
But there's another source of information, and that's effectively prior knowledge.
184
432000
3000
Máme ale další zdroj informací, a tím je již získané poznání.
07:30
You accumulate knowledge throughout your life in memories.
185
435000
3000
Celý svůj život hromadíte poznání v podobě vzpomínek.
07:33
And the point about Bayesian decision theory
186
438000
2000
A podstatou bayesovské teorie rozhodování je,
07:35
is it gives you the mathematics
187
440000
2000
že vám umožňuje matematicky zpracovat
07:37
of the optimal way to combine
188
442000
2000
optimální způsob, jak spojit
07:39
your prior knowledge with your sensory evidence
189
444000
2000
již získané poznání se svědectvím smyslů
07:41
to generate new beliefs.
190
446000
2000
a vytvářet tak nové představy.
07:43
And I've put the formula up there.
191
448000
2000
Ten vzorec jsem vám promítl:
07:45
I'm not going to explain what that formula is, but it's very beautiful.
192
450000
2000
nebudu jej ale vysvětlovat. Je však velice krásný.
07:47
And it has real beauty and real explanatory power.
193
452000
3000
Má v sobě opravdovou krásu a opravdovou objasňující sílu.
07:50
And what it really says, and what you want to estimate,
194
455000
2000
To, co vlastně říká, a to, co chceme odhadnout,
07:52
is the probability of different beliefs
195
457000
2000
je pravděpodobnost jednotlivých představ,
07:54
given your sensory input.
196
459000
2000
vycházíme-li ze vstupních údajů od smyslů.
07:56
So let me give you an intuitive example.
197
461000
2000
Dám vám intuitivní příklad.
07:58
Imagine you're learning to play tennis
198
463000
3000
Představte si, že se učíte hrát tenis
08:01
and you want to decide where the ball is going to bounce
199
466000
2000
a chcete vydedukovat, kde se odrazí míček
08:03
as it comes over the net towards you.
200
468000
2000
letítící k vám přes síť.
08:05
There are two sources of information
201
470000
2000
Máme dva zdroje informací,
08:07
Bayes' rule tells you.
202
472000
2000
jak nám říká Bayesovo pravidlo.
08:09
There's sensory evidence -- you can use visual information auditory information,
203
474000
3000
Máme smyslové poznatky - můžeme využít zrakových a sluchových údajů
08:12
and that might tell you it's going to land in that red spot.
204
477000
3000
a usoudit tak, že míček dopadne na to červené místo.
08:15
But you know that your senses are not perfect,
205
480000
3000
Ale jak víte, smysly nejsou dokonalé,
08:18
and therefore there's some variability of where it's going to land
206
483000
2000
takže čelíme jisté variabilitě v tom, kam míček dopadne -
08:20
shown by that cloud of red,
207
485000
2000
znázorněné onou červenou skvrnou
08:22
representing numbers between 0.5 and maybe 0.1.
208
487000
3000
představující čísla mezi 0,5 a zhruba tak 0,1.
08:26
That information is available in the current shot,
209
491000
2000
Tyto informance jsou k dispozici při této ráně,
08:28
but there's another source of information
210
493000
2000
ale existuje jiný zdroj informací,
08:30
not available on the current shot,
211
495000
2000
které při této ráně k dispozici nejsou
08:32
but only available by repeated experience in the game of tennis,
212
497000
3000
a ke kterým se dostaneme jen opakovaným prožitkem tenisového utkání:
08:35
and that's that the ball doesn't bounce
213
500000
2000
díky němu víme, že míček během utkání nedopadá
08:37
with equal probability over the court during the match.
214
502000
2000
se stejnou pravděpodobností po celém kurtu.
08:39
If you're playing against a very good opponent,
215
504000
2000
Máte-li opravdu schopného protihráče,
08:41
they may distribute it in that green area,
216
506000
2000
může míčky rozmísťovat po té zelené ploše,
08:43
which is the prior distribution,
217
508000
2000
která představuje předchozí distribuci
08:45
making it hard for you to return.
218
510000
2000
a kde je pro vás těžší je vrátit.
08:47
Now both these sources of information carry important information.
219
512000
2000
Oba tyto informační zdroje poskytují důležité údaje.
08:49
And what Bayes' rule says
220
514000
2000
A podle Bayesova pravidla
08:51
is that I should multiply the numbers on the red by the numbers on the green
221
516000
3000
máme vynásobit červená čísla zelenými čísly,
08:54
to get the numbers of the yellow, which have the ellipses,
222
519000
3000
abychom dostali čísla žlutá, k nimž patří ty elipsy,
08:57
and that's my belief.
223
522000
2000
a to je pak moje představa.
08:59
So it's the optimal way of combining information.
224
524000
3000
A to je optimální způsob, jak spojovat informace.
09:02
Now I wouldn't tell you all this if it wasn't that a few years ago,
225
527000
2000
Tohle všechno bych vám neříkal, kdybychom před několika lety
09:04
we showed this is exactly what people do
226
529000
2000
nedokázali, že přesně tohle lidé dělají,
09:06
when they learn new movement skills.
227
531000
2000
když se učí novým pohybovým dovednostem.
09:08
And what it means
228
533000
2000
A to znamená,
09:10
is we really are Bayesian inference machines.
229
535000
2000
že jsme vlastně bayesovské dedukční stroje.
09:12
As we go around, we learn about statistics of the world and lay that down,
230
537000
4000
Chodíme po světě a zaznamenáváme si statistické údaje -
09:16
but we also learn
231
541000
2000
také ale poznáváme,
09:18
about how noisy our own sensory apparatus is,
232
543000
2000
kolik je v našem smyslovém aparátu šumu -
09:20
and then combine those
233
545000
2000
a pak je spojujeme
09:22
in a real Bayesian way.
234
547000
2000
skutečně bayesovským způsobem.
09:24
Now a key part to the Bayesian is this part of the formula.
235
549000
3000
Důležitým prvkem bayesovského přístupu je tato část vzorce.
09:27
And what this part really says
236
552000
2000
A ta část ve skutečnosti znamená,
09:29
is I have to predict the probability
237
554000
2000
že musím předpovědět pravděpodobnost
09:31
of different sensory feedbacks
238
556000
2000
různých zpětnovazebných údajů od smyslů,
09:33
given my beliefs.
239
558000
2000
vycházeje ze svých představ.
09:35
So that really means I have to make predictions of the future.
240
560000
3000
Vlastně to znamená, že musím předpovídat budoucnost.
09:38
And I want to convince you the brain does make predictions
241
563000
2000
A já vás chci přesvědčit, že mozek opravdu předpovídá,
09:40
of the sensory feedback it's going to get.
242
565000
2000
jakou zpětnou vazbu od smyslů dostane.
09:42
And moreover, it profoundly changes your perceptions
243
567000
2000
Ba co víc, zásadně mění vaše vnímání
09:44
by what you do.
244
569000
2000
podle toho, co děláte.
09:46
And to do that, I'll tell you
245
571000
2000
A proto vám povím o tom,
09:48
about how the brain deals with sensory input.
246
573000
2000
jak náš mozek zachází se vstupními údaji od smyslů.
09:50
So you send a command out,
247
575000
3000
Tak tedy, když vyšlete příkaz,
09:53
you get sensory feedback back,
248
578000
2000
dostanete zpětnou vazbu od smyslů,
09:55
and that transformation is governed
249
580000
2000
a tato transformace se řídí
09:57
by the physics of your body and your sensory apparatus.
250
582000
3000
fyzikálními vlastnostmi vašeho těla a vašeho smyslového ústrojí.
10:00
But you can imagine looking inside the brain.
251
585000
2000
Můžete si ale představit, že nahlížete do mozku -
10:02
And here's inside the brain.
252
587000
2000
a tady máme vnitřek mozku znázorněn.
10:04
You might have a little predictor, a neural simulator,
253
589000
2000
Možná tam je jakýsi malý ukazatel, neurální simulátor toho,
10:06
of the physics of your body and your senses.
254
591000
2000
jak se budou podle fyzikálních zákonů chovat vaše tělo a smysly.
10:08
So as you send a movement command down,
255
593000
2000
Takže když vyšlete dolů příkaz k pohybu,
10:10
you tap a copy of that off
256
595000
2000
odeberete také jeho kopii
10:12
and run it into your neural simulator
257
597000
2000
necháte ji projet vaším neurálním simulátorem,
10:14
to anticipate the sensory consequences of your actions.
258
599000
4000
abyste tak předpověděli smyslové důsledky svého jednání.
10:18
So as I shake this ketchup bottle,
259
603000
2000
Takže zatímco třepu touto lahví s kečupem,
10:20
I get some true sensory feedback as the function of time in the bottom row.
260
605000
3000
dostávám pravou zpětnou vazbu od smyslů jako funkci času ve spodní řadě.
10:23
And if I've got a good predictor, it predicts the same thing.
261
608000
3000
A mám-li dobrý simulátor, bude jeho přepověď totožná.
10:26
Well why would I bother doing that?
262
611000
2000
Tak proč to tedy vůbec dělám?
10:28
I'm going to get the same feedback anyway.
263
613000
2000
Stejně dostanu zpětnou vazbu, která je totožná.
10:30
Well there's good reasons.
264
615000
2000
Tak tedy - existují dobré důvody.
10:32
Imagine, as I shake the ketchup bottle,
265
617000
2000
Představte si, že jak tak třepu onou lahví s kečupem,
10:34
someone very kindly comes up to me and taps it on the back for me.
266
619000
3000
tak někdo ochotně přistoupí a poklepe mi na dno lahve.
10:37
Now I get an extra source of sensory information
267
622000
2000
Teď mám další zdroj smyslových informací
10:39
due to that external act.
268
624000
2000
kvůli tomuto vnějšímu působení.
10:41
So I get two sources.
269
626000
2000
Mám tedy dva zdroje:
10:43
I get you tapping on it, and I get me shaking it,
270
628000
3000
vás, který na to klepete, a mě, který tím třepu.
10:46
but from my senses' point of view,
271
631000
2000
ale z pohledu mých smyslů
10:48
that is combined together into one source of information.
272
633000
3000
je to sloučeno do jediného informačního zdroje.
10:51
Now there's good reason to believe
273
636000
2000
Máme pádný důvod k tomu se domnívat,
10:53
that you would want to be able to distinguish external events from internal events.
274
638000
3000
že byste chtěli být schopni rozeznat vnější události od vnitřních.
10:56
Because external events are actually much more behaviorally relevant
275
641000
3000
To proto, že vnější události mají větší dopad na chování,
10:59
than feeling everything that's going on inside my body.
276
644000
3000
než schopnost rozeznat vše, co se děje v mém těle.
11:02
So one way to reconstruct that
277
647000
2000
Jedním způsobem, jak to rekonstruovat,
11:04
is to compare the prediction --
278
649000
2000
je porovnat předpověď --
11:06
which is only based on your movement commands --
279
651000
2000
která vychází pouze z vašich pohybových příkazů --
11:08
with the reality.
280
653000
2000
s tím, co se ve skutečnosti stane.
11:10
Any discrepancy should hopefully be external.
281
655000
3000
Případná nesrovnalost by měla být dána - doufejme - vnějším vlivem.
11:13
So as I go around the world,
282
658000
2000
Takže jak tak chodím po světě,
11:15
I'm making predictions of what I should get, subtracting them off.
283
660000
3000
předpovídám, co by se mělo stát - a odečítám to.
11:18
Everything left over is external to me.
284
663000
2000
A to, co zbude, to je vůči mně vnější.
11:20
What evidence is there for this?
285
665000
2000
Jaké jsou pro to důkazy?
11:22
Well there's one very clear example
286
667000
2000
Tak tedy, existuje jeden velmi jednoznačný příklad toho,
11:24
where a sensation generated by myself feels very different
287
669000
2000
kde můj pocit, který vyvolám já,
11:26
then if generated by another person.
288
671000
2000
se velice liší od pocitu vyvolaného někým jiným.
11:28
And so we decided the most obvious place to start
289
673000
2000
Usoudili jsme, že nejvhodnější by bylo začít
11:30
was with tickling.
290
675000
2000
lechtáním.
11:32
It's been known for a long time, you can't tickle yourself
291
677000
2000
Jak je už dlouho známo, člověk sám sebe nemůže lechtat
11:34
as well as other people can.
292
679000
2000
tak dobře, jak to dokáže někdo jiný.
11:36
But it hasn't really been shown, it's because you have a neural simulator,
293
681000
3000
Nebylo ale ještě dokázáno, že za tím stojí neurální simulátor,
11:39
simulating your own body
294
684000
2000
simulující činnost našeho těla
11:41
and subtracting off that sense.
295
686000
2000
a odečítající příslušné pocity.
11:43
So we can bring the experiments of the 21st century
296
688000
3000
My ale můžeme tyto pokusy přivést do 21. století
11:46
by applying robotic technologies to this problem.
297
691000
3000
a při řešení využít robotických technologií.
11:49
And in effect, what we have is some sort of stick in one hand attached to a robot,
298
694000
3000
To v praxi znamená, že někdo jednou rukou drží tyčku připojenou k robotu -
11:52
and they're going to move that back and forward.
299
697000
2000
a tou tyčkou hýbe sem a tam.
11:54
And then we're going to track that with a computer
300
699000
2000
Tento pohyb sledujeme v počítači
11:56
and use it to control another robot,
301
701000
2000
a pomocí něho řídíme druhého robota,
11:58
which is going to tickle their palm with another stick.
302
703000
2000
který toho člověka lechtá na dlani jinou tyčkou.
12:00
And then we're going to ask them to rate a bunch of things
303
705000
2000
A po tom člověku pak chceme, aby vyhodnotil řadu věcí,
12:02
including ticklishness.
304
707000
2000
mezi nimiž je lechtivost.
12:04
I'll show you just one part of our study.
305
709000
2000
Ukážu vám jen část naší studie.
12:06
And here I've taken away the robots,
306
711000
2000
Tady už nevidíte roboty, v podstatě ale nejde o nic jiného,
12:08
but basically people move with their right arm sinusoidally back and forward.
307
713000
3000
než že ten člověk hýbe pravou rukou sem a tam po jakési sinusoidě.
12:11
And we replay that to the other hand with a time delay.
308
716000
3000
A tento pohyb převádíme na druhou ruku, ale s prodlevou.
12:14
Either no time delay,
309
719000
2000
Buď s nulovou prodlevou,
12:16
in which case light would just tickle your palm,
310
721000
2000
v kterémžto případě pravá ruka lechtá dlaň přímo,
12:18
or with a time delay of two-tenths of three-tenths of a second.
311
723000
4000
nebo s prodlevou 1/10, 2/10 nebo 3/10 vteřiny.
12:22
So the important point here
312
727000
2000
Zde je důležité připomenout,
12:24
is the right hand always does the same things -- sinusoidal movement.
313
729000
3000
že pravá ruka vykonává pořád totéž - sinusoidní pohyb.
12:27
The left hand always is the same and puts sinusoidal tickle.
314
732000
3000
Levá ruka také pořád dělá totéž a vyvolává sinusoidní lechtivost.
12:30
All we're playing with is a tempo causality.
315
735000
2000
Hrajeme si pouze a jenom s časovou kauzalitou.
12:32
And as we go from naught to 0.1 second,
316
737000
2000
A jak prodlevu zvyšujeme z nuly na 0,1 vteřiny,
12:34
it becomes more ticklish.
317
739000
2000
lechtivost roste.
12:36
As you go from 0.1 to 0.2,
318
741000
2000
A když pak prodlevu zvyšujeme z 0,1 na 0,2 vteřiny,
12:38
it becomes more ticklish at the end.
319
743000
2000
lechtivost stále roste.
12:40
And by 0.2 of a second,
320
745000
2000
A než prodleva dosáhne 0,2 vteřiny,
12:42
it's equivalently ticklish
321
747000
2000
lechtivost je stejná,
12:44
to the robot that just tickled you without you doing anything.
322
749000
2000
jako když vás robot lechtá sám, aniž vy byste cokoliv dělal.
12:46
So whatever is responsible for this cancellation
323
751000
2000
Cokoliv tedy zapříčiňuje ono rušení
12:48
is extremely tightly coupled with tempo causality.
324
753000
3000
musí být nesmírně pevně spojeno s časovou kauzalitou.
12:51
And based on this illustration, we really convinced ourselves in the field
325
756000
3000
Tato a další studie nás badatele z tohoto oboru přesvědčily,
12:54
that the brain's making precise predictions
326
759000
2000
že mozek činí přesné předpovědi
12:56
and subtracting them off from the sensations.
327
761000
3000
a odečítá je od vjemů.
12:59
Now I have to admit, these are the worst studies my lab has ever run.
328
764000
3000
Musím přiznat, že to byly ty nejobtížnější studie v historii naší laboratoře.
13:02
Because the tickle sensation on the palm comes and goes,
329
767000
2000
Protože lechtivost dlaně kolísá,
13:04
you need large numbers of subjects
330
769000
2000
potřebujete značný počet subjektů,
13:06
with these stars making them significant.
331
771000
2000
abyste získali statisticky signifikantní výsledky.
13:08
So we were looking for a much more objective way
332
773000
2000
Takže jsme hledali daleko objektivnější způsob,
13:10
to assess this phenomena.
333
775000
2000
jak tento jev vyhodnotit.
13:12
And in the intervening years I had two daughters.
334
777000
2000
No a mezitím se mi narodily dvě dcery.
13:14
And one thing you notice about children in backseats of cars on long journeys,
335
779000
3000
Děti, když sedí na zadních sedadlech auta při dlouhých jízdách,
13:17
they get into fights --
336
782000
2000
se začnou prát, jak si všimnete --
13:19
which started with one of them doing something to the other, the other retaliating.
337
784000
3000
začne to tím, že jeden něco druhému provede, a ten mu to oplatí.
13:22
It quickly escalates.
338
787000
2000
A situace se kvapem hrotí.
13:24
And children tend to get into fights which escalate in terms of force.
339
789000
3000
A dětské rvačky se často stupňují co do použité síly.
13:27
Now when I screamed at my children to stop,
340
792000
2000
Když na své děti zařvu, aby toho nechaly,
13:29
sometimes they would both say to me
341
794000
2000
tak mi někdy obě řekly,
13:31
the other person hit them harder.
342
796000
3000
že ta druhá ji praštila silněji.
13:34
Now I happen to know my children don't lie,
343
799000
2000
No a já náhodou vím, že moje děti nelžou,
13:36
so I thought, as a neuroscientist,
344
801000
2000
takže jsem si řekl - jako neurovědec -
13:38
it was important how I could explain
345
803000
2000
že by mělo význam vysvětlit,
13:40
how they were telling inconsistent truths.
346
805000
2000
jak je možné, že si jejich pravdivá sdělení navzájem odporují.
13:42
And we hypothesize based on the tickling study
347
807000
2000
Vycházejíce ze studie o lechtání jsme přišli s hypotézou,
13:44
that when one child hits another,
348
809000
2000
že když jedno dítě uhodí druhé,
13:46
they generate the movement command.
349
811000
2000
zadá pohybový příkaz.
13:48
They predict the sensory consequences and subtract it off.
350
813000
3000
Předpoví smyslové následky a odečtou je.
13:51
So they actually think they've hit the person less hard than they have --
351
816000
2000
Takže si vlastně myslí, že druhého uděřil slaběji, než tomu skutečně bylo,
13:53
rather like the tickling.
352
818000
2000
poněkud jako u příkladu s lechtáním.
13:55
Whereas the passive recipient
353
820000
2000
Kdežto pasivní příjemce rány
13:57
doesn't make the prediction, feels the full blow.
354
822000
2000
žádnou předpověď nečiní - a cítí náraz v plném rozsahu.
13:59
So if they retaliate with the same force,
355
824000
2000
Pokud mu ji oplatí stejnou silou,
14:01
the first person will think it's been escalated.
356
826000
2000
bude si ten první myslet, že došlo k eskalaci.
14:03
So we decided to test this in the lab.
357
828000
2000
No a tak jsme se rozhodli vyzkoušet to v laboratoři.
14:05
(Laughter)
358
830000
3000
(Smích)
14:08
Now we don't work with children, we don't work with hitting,
359
833000
2000
S dětmi nepracujeme, s údery také ne -
14:10
but the concept is identical.
360
835000
2000
ale koncept je stejný.
14:12
We bring in two adults. We tell them they're going to play a game.
361
837000
3000
Přivedeme dva dospělé a řekneme jim, že si zahrají hru.
14:15
And so here's player one and player two sitting opposite to each other.
362
840000
2000
Tady je hráč jedna a hráč dvě - sedí proti sobě.
14:17
And the game is very simple.
363
842000
2000
Hra je to velice prostá.
14:19
We started with a motor
364
844000
2000
Začali jsme s motorem,
14:21
with a little lever, a little force transfuser.
365
846000
2000
s malou páčkou - malým zesilovačem.
14:23
And we use this motor to apply force down to player one's fingers
366
848000
2000
Pomocí toho motorku vyvíjíme tlak na hráčovy prsty -
14:25
for three seconds and then it stops.
367
850000
3000
tři vteřiny a dost.
14:28
And that player's been told, remember the experience of that force
368
853000
3000
Tomu hráči jsme řekli, aby si zapamatoval pocit z toho tlaku
14:31
and use your other finger
369
856000
2000
a pak druhým prstem
14:33
to apply the same force
370
858000
2000
vyvinul tentýž tlak
14:35
down to the other subject's finger through a force transfuser -- and they do that.
371
860000
3000
na prst svého protihráče pomocí zesilovače - což učiní.
14:38
And player two's been told, remember the experience of that force.
372
863000
3000
A hráči dvě jsme řekli, aby si zapamatoval pocit z onoho tlaku
14:41
Use your other hand to apply the force back down.
373
866000
3000
a druhou rukou ten tlak zopakoval.
14:44
And so they take it in turns
374
869000
2000
Takto se tedy střídají
14:46
to apply the force they've just experienced back and forward.
375
871000
2000
ve vyvíjení tlaku, který právě pocítili - tam a zpátky.
14:48
But critically,
376
873000
2000
Klíčové je ale to,
14:50
they're briefed about the rules of the game in separate rooms.
377
875000
3000
že jsme je poučili o pravidlech hry v oddělených místnostech.
14:53
So they don't know the rules the other person's playing by.
378
878000
2000
Takže neví, jakými pravidly se řídí protihráč.
14:55
And what we've measured
379
880000
2000
Při tomto pokusu jsme měřili
14:57
is the force as a function of terms.
380
882000
2000
sílu jako funkci počtu střídání.
14:59
And if we look at what we start with,
381
884000
2000
A podíváme-li se na první naměřenou hodnotu -
15:01
a quarter of a Newton there, a number of turns,
382
886000
2000
čtvrt Newtonu... a počet střídání...
15:03
perfect would be that red line.
383
888000
2000
ideálním výsledkem by byla ta červená čára.
15:05
And what we see in all pairs of subjects is this --
384
890000
3000
Co ale vidíme u každého páru subjektů je toto:
15:08
a 70 percent escalation in force
385
893000
2000
70 procentní stupňování síly
15:10
on each go.
386
895000
2000
při každém střídání.
15:12
So it really suggests, when you're doing this --
387
897000
2000
To opravdu svědčí o tom, že při této hře --
15:14
based on this study and others we've done --
388
899000
2000
vycházíme zde z této a jiných studií, které jsme uskutečnili --
15:16
that the brain is canceling the sensory consequences
389
901000
2000
mozek odečítá smyslové následky
15:18
and underestimating the force it's producing.
390
903000
2000
a podhodnocuje sílu, kterou vyvíjí.
15:20
So it re-shows the brain makes predictions
391
905000
2000
Takže to skutečně dokazuje, že mozek činí předpovědi,
15:22
and fundamentally changes the precepts.
392
907000
3000
a mění samu podstatu vnímání.
15:25
So we've made inferences, we've done predictions,
393
910000
3000
Po dedukcích a předpovědích
15:28
now we have to generate actions.
394
913000
2000
musí přijít samotné jednání.
15:30
And what Bayes' rule says is, given my beliefs,
395
915000
2000
A tady bayesovo pravidlo říká, že vycházím-li ze svých představ,
15:32
the action should in some sense be optimal.
396
917000
2000
tak by jednání mělo být v jistém smyslu optimální.
15:34
But we've got a problem.
397
919000
2000
Narážíme ale na překážku.
15:36
Tasks are symbolic -- I want to drink, I want to dance --
398
921000
3000
Úkony jsou symbolické - chcí se napít, chci tancovat -
15:39
but the movement system has to contract 600 muscles
399
924000
2000
ale pohybové ústrojí musí stáhnout 600 různých svalů
15:41
in a particular sequence.
400
926000
2000
v určitém sledu.
15:43
And there's a big gap
401
928000
2000
Zeje tedy velký rozdíl
15:45
between the task and the movement system.
402
930000
2000
mezi úkonem a pohybovým ústrojím.
15:47
So it could be bridged in infinitely many different ways.
403
932000
2000
Způsobů, jak tento rozdíl překonat, je nekonečně mnoho.
15:49
So think about just a point to point movement.
404
934000
2000
Vezměme si třeba obyčejný pohyb z bodu do bodu.
15:51
I could choose these two paths
405
936000
2000
Mohu zvolit tyto dvě dráhy -
15:53
out of an infinite number of paths.
406
938000
2000
z nekonečného počtu možných drah.
15:55
Having chosen a particular path,
407
940000
2000
Jakmile jsem si zvolil konkrétní dráhu,
15:57
I can hold my hand on that path
408
942000
2000
mohu svou ruku na ní držet
15:59
as infinitely many different joint configurations.
409
944000
2000
v nekonečném počtu různých kloubních konfigurací.
16:01
And I can hold my arm in a particular joint configuration
410
946000
2000
A když si vyberu konkrétní kloubní konfiguraci,
16:03
either very stiff or very relaxed.
411
948000
2000
můžu v ní ruku držet velmi zaťatou nebo velmi uvolněnou.
16:05
So I have a huge amount of choice to make.
412
950000
3000
Takže si musím vybrat z ohromného množství možností.
16:08
Now it turns out, we are extremely stereotypical.
413
953000
3000
A jak se ukázalo, jsme velice stereotypní.
16:11
We all move the same way pretty much.
414
956000
3000
Všichni děláme téměr totožné pohyby.
16:14
And so it turns out we're so stereotypical,
415
959000
2000
A jelikož jsme se ukázali býti tak stereotypními,
16:16
our brains have got dedicated neural circuitry
416
961000
2000
naše mozky mají specializovaný neurální systém
16:18
to decode this stereotyping.
417
963000
2000
na dešifrování těchto stereotypů.
16:20
So if I take some dots
418
965000
2000
Takže když vezmu pár teček
16:22
and set them in motion with biological motion,
419
967000
3000
a rozpohybuji je biologickým pohybem,
16:25
your brain's circuitry would understand instantly what's going on.
420
970000
3000
tento neurální systém ve vašem mozku by okamžitě pochopil, o co se jedná.
16:28
Now this is a bunch of dots moving.
421
973000
2000
Tohle je shluk pohybujících se teček,
16:30
You will know what this person is doing,
422
975000
3000
ale vy poznáte, co ten člověk dělá,
16:33
whether happy, sad, old, young -- a huge amount of information.
423
978000
3000
zda je spokojený, smutný, starý, mladý - ohromné množství informací.
16:36
If these dots were cars going on a racing circuit,
424
981000
2000
Ale kdyby tyto tečky představovaly auta na závodní dráze,
16:38
you would have absolutely no idea what's going on.
425
983000
3000
neměli byste nejmenší tušení, co se děje.
16:41
So why is it
426
986000
2000
Proč se tedy pohybujeme
16:43
that we move the particular ways we do?
427
988000
2000
pouze určitými způsoby?
16:45
Well let's think about what really happens.
428
990000
2000
Tak tedy, zamysleme se nad tím, co se skutečně děje.
16:47
Maybe we don't all quite move the same way.
429
992000
3000
Možná se všichni nepohybujeme úplně stejně.
16:50
Maybe there's variation in the population.
430
995000
2000
Možná je v populaci rozmanitost.
16:52
And maybe those who move better than others
431
997000
2000
A možná ti, kdo se dovedou pohybovat lépe než ostatní,
16:54
have got more chance of getting their children into the next generation.
432
999000
2000
mají větší šanci dostat své potomky do dalšího pokolení.
16:56
So in evolutionary scales, movements get better.
433
1001000
3000
Takže na evoluční stupnici se pohybové schopnosti zlepšují.
16:59
And perhaps in life, movements get better through learning.
434
1004000
3000
A možná že se naše pohyby během života učením zlepšují.
17:02
So what is it about a movement which is good or bad?
435
1007000
2000
Čím to tedy je, že nějaký pohyb je dobrý a jiný špatný?
17:04
Imagine I want to intercept this ball.
436
1009000
2000
Představte si, že chci chytit tento míček.
17:06
Here are two possible paths to that ball.
437
1011000
3000
Tady vidíte dvě možné dráhy k tomu míčku.
17:09
Well if I choose the left-hand path,
438
1014000
2000
Zvolím-li tu nalevo,
17:11
I can work out the forces required
439
1016000
2000
mohu přijít na to, jaké síly je třeba
17:13
in one of my muscles as a function of time.
440
1018000
2000
v tom kterém svalu v závislosti na čase.
17:15
But there's noise added to this.
441
1020000
2000
Nicméně do toho vstupuje také šum.
17:17
So what I actually get, based on this lovely, smooth, desired force,
442
1022000
3000
Takže nakonec skončím, místo té krásné, hladké, kýžené síly,
17:20
is a very noisy version.
443
1025000
2000
je tato šumem zamořená verze.
17:22
So if I pick the same command through many times,
444
1027000
3000
Takže zvolím-li opakovaně tentýž příkaz,
17:25
I will get a different noisy version each time, because noise changes each time.
445
1030000
3000
dostanu díky šumu pokaždé jinou verzi, jelikož šum je pokaždé jiný.
17:28
So what I can show you here
446
1033000
2000
Takže tady vám mohu ukázat,
17:30
is how the variability of the movement will evolve
447
1035000
2000
jak se ta variabilita pohybu bude vyvíjet,
17:32
if I choose that way.
448
1037000
2000
když si zvolím tuhle dráhu.
17:34
If I choose a different way of moving -- on the right for example --
449
1039000
3000
Když si zvolím jinou dráhu - třeba tu napravo -
17:37
then I'll have a different command, different noise,
450
1042000
2000
tak to bude obnášet jiné příkazy, jiný šum,
17:39
playing through a noisy system, very complicated.
451
1044000
3000
a jelikož se to vše odehrává v nelineárním systému, je to velice složité.
17:42
All we can be sure of is the variability will be different.
452
1047000
3000
Můžeme být jisti jedině tím, že ona variabilita bude odlišná.
17:45
If I move in this particular way,
453
1050000
2000
Zvolím-li tuto konkrétní dráhu,
17:47
I end up with a smaller variability across many movements.
454
1052000
3000
dostanu, napříč celou řadou jednotlivých pohybů, menší variabilitu.
17:50
So if I have to choose between those two,
455
1055000
2000
Takže pokud si musím vybrat mezi těmito dvěma,
17:52
I would choose the right one because it's less variable.
456
1057000
2000
vybral bych si tu napravo, protože obnáší menší variabilitu.
17:54
And the fundamental idea
457
1059000
2000
Klíčovou myšlenkou je tedy to,
17:56
is you want to plan your movements
458
1061000
2000
že chcete rozvrhnout své pohyby tak,
17:58
so as to minimize the negative consequence of the noise.
459
1063000
3000
aby ony nepříznivé důsledky šumu byly co nejmenší.
18:01
And one intuition to get
460
1066000
2000
A jeden intuitivní vhled, který je třeba pochopit,
18:03
is actually the amount of noise or variability I show here
461
1068000
2000
je to, že množství šumu či variability, které zde ukazuji,
18:05
gets bigger as the force gets bigger.
462
1070000
2000
je tím větší, čím větší je síla.
18:07
So you want to avoid big forces as one principle.
463
1072000
3000
Takže jednou zásadou je vyhnout se velkým silám.
18:10
So we've shown that using this,
464
1075000
2000
Takže jsme ukázali,
18:12
we can explain a huge amount of data --
465
1077000
2000
že takto můžeme vysvětlit ohromné množství dat --
18:14
that exactly people are going about their lives planning movements
466
1079000
3000
že, přesně takto, lidé ve svém praktickém životě plánují své pohyby tak,
18:17
so as to minimize negative consequences of noise.
467
1082000
3000
aby snížili na nejmenší míru nepříznivé důsledky šumu.
18:20
So I hope I've convinced you the brain is there
468
1085000
2000
Doufám, že jsem vás přesvědčil, že mozek je důležitý
18:22
and evolved to control movement.
469
1087000
2000
a že se vyvinul proto, aby řídil pohyb.
18:24
And it's an intellectual challenge to understand how we do that.
470
1089000
3000
A porozumět tomu, jak to děláme, je intelektuální výzvou.
18:27
But it's also relevant
471
1092000
2000
Má to ale také význam
18:29
for disease and rehabilitation.
472
1094000
2000
u nemocí a rehabilitace.
18:31
There are many diseases which effect movement.
473
1096000
3000
Mnohé nemoci ovlivňují pohyb.
18:34
And hopefully if we understand how we control movement,
474
1099000
2000
A doufejme, že když porozumíme tomu, jak řídíme pohyb,
18:36
we can apply that to robotic technology.
475
1101000
2000
tak to budeme moci využít v robotické technologii.
18:38
And finally, I want to remind you,
476
1103000
2000
A závěrem bych vám chtěl připomenout,
18:40
when you see animals do what look like very simple tasks,
477
1105000
2000
že když vidíte zvířata dělat něco, co vypadá velice jednoduše,
18:42
the actual complexity of what is going on inside their brain
478
1107000
2000
tak ty složité procesy, které ve skutečnosti probíhají v jejich mozku,
18:44
is really quite dramatic.
479
1109000
2000
jsou opravdu naprosto úžasné.
18:46
Thank you very much.
480
1111000
2000
Velice vám děkuji.
18:48
(Applause)
481
1113000
8000
(Potlesk)
18:56
Chris Anderson: Quick question for you, Dan.
482
1121000
2000
Chris Anderson: Měl bych pro tebe jeden rychlý dotaz, Dane.
18:58
So you're a movement -- (DW: Chauvinist.) -- chauvinist.
483
1123000
4000
Takže ty jsi pohybový -- (DW: Šovinista) -- šovinista.
19:02
Does that mean that you think that the other things we think our brains are about --
484
1127000
3000
Znamená to, že podle tebe ty další věci, které našim mozkům připisujeme -
19:05
the dreaming, the yearning, the falling in love and all these things --
485
1130000
3000
snění, toužení, zamilovávání se a všechny takovéto věci --
19:08
are a kind of side show, an accident?
486
1133000
3000
odvádějí pozornost od podstaty a jsou jen nahodilostmi?
19:11
DW: No, no, actually I think they're all important
487
1136000
2000
DW: Ne, ne, naopak, myslím si, že jsou všechny důležité
19:13
to drive the right movement behavior to get reproduction in the end.
488
1138000
3000
jako hnací síla správného pohybového chování vedoucího nakonec k rozmnožení.
19:16
So I think people who study sensation or memory
489
1141000
3000
Takže podle mne lidé, kteří zkoumají smyslové vnímání nebo paměť,
19:19
without realizing why you're laying down memories of childhood.
490
1144000
2000
si neuvědomují, proč si uchováváme vzpomínky z dětství.
19:21
The fact that we forget most of our childhood, for example,
491
1146000
3000
Například to, že většinu svého dětství zapomeneme,
19:24
is probably fine, because it doesn't effect our movements later in life.
492
1149000
3000
je nejspíše v pořádku, protože to neovlivňuje naše pohyby později v životě.
19:27
You only need to store things which are really going to effect movement.
493
1152000
3000
Potřebujete uchovávat jenom věci, které budou mít skutečný vliv na pohyb.
19:30
CA: So you think that people thinking about the brain, and consciousness generally,
494
1155000
3000
CA: Takže podle tebe lidé, kteří přemítají o mozku nebo obecně o vědomí,
19:33
could get real insight
495
1158000
2000
by mohli dosáhnout důležitých vhledů,
19:35
by saying, where does movement play in this game?
496
1160000
2000
pokud by si řekli, "jakou roli zde hraje pohyb?"
19:37
DW: So people have found out for example
497
1162000
2000
DW: Takhle lidé přišli například na to,
19:39
that studying vision in the absence of realizing why you have vision
498
1164000
2000
že zkoumání zraku, aniž bychom si uvědomovali, k čemu zrak máme,
19:41
is a mistake.
499
1166000
2000
je mylné.
19:43
You have to study vision with the realization
500
1168000
2000
Při zkoumání zraku si musíte uvědomovat,
19:45
of how the movement system is going to use vision.
501
1170000
2000
jak pohybové ústrojí bude zrak využívat.
19:47
And it uses it very differently once you think about it that way.
502
1172000
2000
A využívá ho docela jinak - jakmile o tom budete takto uvažovat.
19:49
CA: Well that was quite fascinating. Thank you very much indeed.
503
1174000
3000
CA: Tak tedy, tohle bylo zcela strhující. Opravdu ti velice děkuji.
19:52
(Applause)
504
1177000
2000
(Potlesk)
ABOUT THE SPEAKER
Daniel Wolpert - Movement expertA 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.
Daniel Wolpert | Speaker | TED.com