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

Daniel Wolpert: Der wahre Grund für Gehirne

Filmed:
1,994,993 views

Neurobiologe Daniel Wolpert geht von einer überraschenden Prämisse aus: Das Gehirn hat sich nicht entwickelt, um zu denken oder zu fühlen, sondern um Bewegung zu steuern. In seinem unterhaltsamen, faktenreichen Vortrag gibt er uns einen Einblick darin, wie das Gehirn die Anmut und die Gewandheit der menschlichen Bewegung kreiert.
- 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 neuroscientistNeurowissenschaftler.
0
0
2000
Ich bin Neurowissenschaftler.
00:17
And in neuroscienceNeurowissenschaften,
1
2000
2000
Und in der Neurowissenschaft
00:19
we have to dealDeal with manyviele difficultschwer questionsFragen about the brainGehirn.
2
4000
3000
beschäftigen wir uns mit vielen
schwierigen Fragen zum Gehirn.
00:22
But I want to startAnfang with the easiestam einfachsten questionFrage
3
7000
2000
Aber ich beginne mit der einfachsten Frage,
00:24
and the questionFrage you really should have all askedaufgefordert yourselveseuch at some pointPunkt in your life,
4
9000
3000
die Sie sich alle einmal in
Ihrem Leben gestellt haben sollten,
00:27
because it's a fundamentalgrundlegend questionFrage
5
12000
2000
denn es ist eine fundamentale Frage,
00:29
if we want to understandverstehen brainGehirn functionFunktion.
6
14000
2000
wenn wir die Funktionsweise
des Gehirns verstehen wollen.
00:31
And that is, why do we and other animalsTiere
7
16000
2000
Sprich, warum haben wir und andere Tiere
00:33
have brainsGehirne?
8
18000
2000
ein Gehirn?
00:35
Not all speciesSpezies on our planetPlanet have brainsGehirne,
9
20000
3000
Nicht alle Spezies auf
unserem Planeten haben Gehirne,
00:38
so if we want to know what the brainGehirn is for,
10
23000
2000
wenn wir also wissen wollen,
wozu das Gehirn da ist,
00:40
let's think about why we evolvedentwickelt one.
11
25000
2000
sollten wir überlegen, warum
wir eines ausgebildet haben.
00:42
Now you maykann reasonGrund that we have one
12
27000
2000
Jetzt können Sie argumentieren,
dass wir eines haben,
00:44
to perceivewahrnehmen the worldWelt or to think,
13
29000
2000
um die Welt wahrzunehmen und zu denken,
00:46
and that's completelyvollständig wrongfalsch.
14
31000
2000
aber das ist komplett falsch.
00:48
If you think about this questionFrage for any lengthLänge of time,
15
33000
3000
Wenn Sie eine zeitlang
über diese Frage nachdenken,
00:51
it's blindinglyblendend obviousoffensichtlich why we have a brainGehirn.
16
36000
2000
ist es offensichtlich, warum wir ein Gehirn haben.
00:53
We have a brainGehirn for one reasonGrund and one reasonGrund only,
17
38000
3000
Wir haben aus einem einzigem Grund ein Gehirn,
00:56
and that's to produceproduzieren adaptableanpassungsfähig and complexKomplex movementsBewegungen.
18
41000
3000
nämlich um anpassungsfähige, komplexe
Bewegungen auszuführen.
00:59
There is no other reasonGrund to have a brainGehirn.
19
44000
2000
Es gibt keine anderen Grund,
warum wir ein Gehirn haben.
01:01
Think about it.
20
46000
2000
Denken Sie mal drüber nach.
01:03
MovementBewegung is the only way you have
21
48000
2000
Bewegung ist Ihre einzige Möglichkeit,
01:05
of affectingbeeinflussen the worldWelt around you.
22
50000
2000
die Welt um Sie herum zu beeinflussen.
01:07
Now that's not quiteganz truewahr. There's one other way, and that's throughdurch sweatingSchwitzen.
23
52000
3000
Nun, das stimmt nicht ganz. Sie können
das auch durch Schwitzen machen.
01:10
But apartein Teil from that,
24
55000
2000
Aber abgesehen davon
01:12
everything elsesonst goesgeht throughdurch contractionsKontraktionen of musclesMuskeln.
25
57000
2000
läuft alles über Muskelkontraktionen.
01:14
So think about communicationKommunikation --
26
59000
2000
Denken Sie an Kommunikation –
01:16
speechRede, gesturesGesten, writingSchreiben, signSchild languageSprache --
27
61000
3000
Sprache, Gesten, Schreiben, Gebärdensprache –
01:19
they're all mediatedvermittelte throughdurch contractionsKontraktionen of your musclesMuskeln.
28
64000
3000
sie werden alle über Ihre
Muskelkontraktionen übertragen.
01:22
So it's really importantwichtig to remembermerken
29
67000
2000
Daher ist es wichtig, darauf hinzuweisen,
01:24
that sensorysensorisch, memoryErinnerung and cognitivekognitiv processesProzesse are all importantwichtig,
30
69000
4000
dass Sinnes-, Gedächtnis- und
Erkenntnisprozesse alle wichtig sind,
01:28
but they're only importantwichtig
31
73000
2000
aber sie sind nur wichtig,
01:30
to eitherentweder driveFahrt or suppressunterdrücken futureZukunft movementsBewegungen.
32
75000
2000
um zukünftige Bewegungen
zu erzeugen oder zu unterdrücken.
01:32
There can be no evolutionaryevolutionär advantageVorteil
33
77000
2000
Es gibt keinen evolutionären Vorteil,
01:34
to layingVerlegung down memoriesErinnerungen of childhoodKindheit
34
79000
2000
Kindheitserinnerungen zu speichern
01:36
or perceivingwahrzunehmen the colorFarbe of a roseRose
35
81000
2000
oder die Farbe einer Rose wahrzunehmen,
01:38
if it doesn't affectbeeinflussen the way you're going to moveBewegung laterspäter in life.
36
83000
3000
wenn es nicht die Art beeinflusst,
wie man sich später im Leben bewegt.
01:41
Now for those who don't believe this argumentStreit,
37
86000
2000
Für alle, die diesem Argument nicht vertrauen,
01:43
we have treesBäume and grassGras on our planetPlanet withoutohne the brainGehirn,
38
88000
2000
es gibt Bäume und Gräser auf
unserem Planeten ohne Gehirn,
01:45
but the clinchingClinchen evidenceBeweise is this animalTier here --
39
90000
2000
aber der entscheidende Beleg ist dieses Tier hier –
01:47
the humbledemütigen seaMeer squirtAbspritzende Frauen.
40
92000
2000
die bescheidene Seescheide.
01:49
RudimentaryRudimentäre animalTier, has a nervousnervös systemSystem,
41
94000
3000
Ein rudimentäres Tier, mit einem Nervensystem,
01:52
swimsschwimmt around in the oceanOzean in its juvenilejugendlich life.
42
97000
2000
das in seiner Jugend im Ozean umherschwimmt.
01:54
And at some pointPunkt of its life,
43
99000
2000
Und zu einer bestimmten Zeit seines Lebens
01:56
it implantsImplantate on a rockRock.
44
101000
2000
siedeln sie sich auf Felsen an.
01:58
And the first thing it does in implantingimplantieren on that rockRock, whichwelche it never leavesBlätter,
45
103000
3000
Und beim Ansiedeln auf dem Felsen,
wo sie immer bleiben wird, verdaut sie
02:01
is to digestverdauen its ownbesitzen brainGehirn and nervousnervös systemSystem
46
106000
3000
als erstes ihr eigenes Gehirn und Nervensystem
02:04
for foodLebensmittel.
47
109000
2000
als Nahrung.
02:06
So onceEinmal you don't need to moveBewegung,
48
111000
2000
Sobald man sich nicht mehr bewegen muss,
02:08
you don't need the luxuryLuxus of that brainGehirn.
49
113000
3000
braucht man den Luxus eines Gehirns nicht mehr.
02:11
And this animalTier is oftenhäufig takengenommen
50
116000
2000
Und diese Tier wird oft als
02:13
as an analogyAnalogie to what happensdas passiert at universitiesUniversitäten
51
118000
2000
Analogie für das genommen,
was an den Universitäten passiert,
02:15
when professorsProfessoren get tenureAmtszeit,
52
120000
2000
wenn Professoren ihre Festanstellung erhalten,
02:17
but that's a differentanders subjectFach.
53
122000
2000
aber das ist ein anderes Thema.
02:19
(ApplauseApplaus)
54
124000
2000
(Applaus)
02:21
So I am a movementBewegung chauvinistChauvinist.
55
126000
3000
Ich bin also ein Bewegungs-Chauvinist.
02:24
I believe movementBewegung is the mostdie meisten importantwichtig functionFunktion of the brainGehirn --
56
129000
2000
Ich bin überzeugt, dass Bewegung
die wichtigste Gehirnfunktion ist –
02:26
don't let anyonejemand tell you that it's not truewahr.
57
131000
2000
lassen Sie sich von niemandem erzählen,
dass das nicht stimmt.
02:28
Now if movementBewegung is so importantwichtig,
58
133000
2000
Wenn Bewegung nun so wichtig ist,
02:30
how well are we doing
59
135000
2000
wie gut sind wir darin,
02:32
understandingVerstehen how the brainGehirn controlsKontrollen movementBewegung?
60
137000
2000
zu verstehen, wie das Gehirn
Bewegung kontrolliert?
02:34
And the answerAntworten is we're doing extremelyäußerst poorlyschlecht; it's a very hardhart problemProblem.
61
139000
2000
Und wir sind sehr schlecht darin;
es ist ein sehr schwieriges Problem.
02:36
But we can look at how well we're doing
62
141000
2000
Aber wir können uns ansehen,
wie gut wir darin sind,
02:38
by thinkingDenken about how well we're doing buildingGebäude machinesMaschinen
63
143000
2000
indem wir darüber nachdenken,
wie gut wir Maschinen bauen,
02:40
whichwelche can do what humansMenschen can do.
64
145000
2000
die das tun können,
was Menschen tun können.
02:42
Think about the gameSpiel of chessSchach.
65
147000
2000
Denken Sie ans Schachspielen.
02:44
How well are we doing determiningBestimmen what pieceStück to moveBewegung where?
66
149000
3000
Wie gut können wir bestimmen,
welche Figur wir wohin ziehen müssen?
02:47
If you pitGrube GarryGarry KasparovKasparov here, when he's not in jailGefängnis,
67
152000
3000
Wenn man Gary Kasparov hier angreift,
wenn er nicht im Gefängnis ist,
02:50
againstgegen IBM'sIBMs DeepTief BlueBlau,
68
155000
2000
gegen IBMs Deep Blue,
02:52
well the answerAntworten is IBM'sIBMs DeepTief BlueBlau will occasionallygelegentlich winSieg.
69
157000
3000
dann wird IBM Deep Blue gelegentlich gewinnen.
02:55
And I think if IBM'sIBMs DeepTief BlueBlau playedgespielt anyonejemand in this roomZimmer, it would winSieg everyjeden time.
70
160000
3000
Und wenn IBMs Deep Blue gegen alle hier im
Raum spielen würde, würde es jedesmal gewinnen.
02:58
That problemProblem is solvedgelöst.
71
163000
2000
Das Problem ist gelöst.
03:00
What about the problemProblem
72
165000
2000
Aber was ist mit dem Problem,
03:02
of pickingpflücken up a chessSchach pieceStück,
73
167000
2000
eine Schachfigur zu nehmen,
03:04
dexterouslygeschickt manipulatingmanipulierend it and puttingPutten it back down on the boardTafel?
74
169000
3000
sie geschickt zu manipulieren
und sie wieder zurückzustellen?
03:07
If you put a fivefünf year-oldj hrige child'sdes Kindes dexterityGeschicklichkeit againstgegen the bestBeste robotsRoboter of todayheute,
75
172000
3000
Wenn man die Geschicklichkeit eines 5-jährigen
Kindes mit der der besten Roboter vergleicht,
03:10
the answerAntworten is simpleeinfach:
76
175000
2000
ist die Antwort einfach:
03:12
the childKind winsGewinnt easilyleicht.
77
177000
2000
Das Kind gewinnt mit Leichtigkeit.
03:14
There's no competitionWettbewerb at all.
78
179000
2000
Es gibt überhaupt keine Konkurrenz.
03:16
Now why is that topoben problemProblem so easyeinfach
79
181000
2000
Aber warum ist die obere Frage so einfach
03:18
and the bottomBoden problemProblem so hardhart?
80
183000
2000
und die untere so schwer?
03:20
One reasonGrund is a very smartsmart fivefünf year-oldj hrige
81
185000
2000
Ein Grund ist, dass ein sehr schlauer 5-Jähriger
03:22
could tell you the algorithmAlgorithmus for that topoben problemProblem --
82
187000
2000
Ihnen den Algorithmus für das
obere Problem nennen könnte –
03:24
look at all possiblemöglich movesbewegt to the endEnde of the gameSpiel
83
189000
2000
sich alle möglichen Züge bis
zum Ende des Spiels anzusehen
03:26
and choosewählen the one that makesmacht you winSieg.
84
191000
2000
und den zu wählen, der einen gewinnen lässt.
03:28
So it's a very simpleeinfach algorithmAlgorithmus.
85
193000
2000
Es ist also ein sehr einfacher Algorithmus.
03:30
Now of courseKurs there are other movesbewegt,
86
195000
2000
Es gibt natürlich andere Züge,
03:32
but with vastriesig computersComputer we approximateungefähre
87
197000
2000
aber mit gewaltigen Computern
03:34
and come closeschließen to the optimaloptimale solutionLösung.
88
199000
2000
nähern wir uns der optimalen Lösung.
03:36
When it comeskommt to beingSein dexterousgeschickte,
89
201000
2000
Wenn es um Finger Geschicklichkeit geht,
03:38
it's not even clearklar what the algorithmAlgorithmus is you have to solvelösen to be dexterousgeschickte.
90
203000
2000
ist nicht mal klar, welchen Algorithmus
man lösen muss, um geschickt zu sein.
03:40
And we'llGut see you have to bothbeide perceivewahrnehmen and actHandlung on the worldWelt,
91
205000
2000
Man muss die Welt also sowohl
wahrnehmen als auch darauf einwirken,
03:42
whichwelche has a lot of problemsProbleme.
92
207000
2000
was viele Probleme erzeugt.
03:44
But let me showShow you cutting-edgemodernste roboticsRobotik.
93
209000
2000
Aber lassen Sie mich Ihnen
die neuste Robotertechnik zeigen.
03:46
Now a lot of roboticsRobotik is very impressivebeeindruckend,
94
211000
2000
Ein großer Teil der Robotertechnik
ist sehr beeindruckend,
03:48
but manipulationManipulation roboticsRobotik is really just in the darkdunkel agesAlter.
95
213000
3000
aber die Manipulation durch Roboter
steckt noch in den Kinderschuhen.
03:51
So this is the endEnde of a PhPH.D. projectProjekt
96
216000
2000
Dies ist das Ergebnis
eines Promotionsvorhabens
03:53
from one of the bestBeste roboticsRobotik institutesInstituten.
97
218000
2000
von einem der besten Institute für Robotik.
03:55
And the studentSchüler has trainedausgebildet this robotRoboter
98
220000
2000
Der Student hat diesem Roboter beigebracht,
03:57
to pourgießen this waterWasser into a glassGlas.
99
222000
2000
Wasser in ein Glas zu füllen.
03:59
It's a hardhart problemProblem because the waterWasser sloshesWasserkrug about, but it can do it.
100
224000
3000
Das ist schwierig, da das Wasser
herumspritzt, aber er bekommt es hin.
04:02
But it doesn't do it with anything like the agilityAgilität of a humanMensch.
101
227000
3000
Aber es ist kaum mit der Beweglichkeit
eines Menschen vergleichbar.
04:05
Now if you want this robotRoboter to do a differentanders taskAufgabe,
102
230000
3000
Wenn Sie jetzt aber wollen, dass
der Roboter etwas anderes macht,
04:08
that's anotherein anderer three-yeardrei Jahre PhPH.D. programProgramm.
103
233000
3000
ist das ein weiteres 3-jähriges
Doktorandenprojekt.
04:11
There is no generalizationGeneralisierung at all
104
236000
2000
Man kann in der Robotik
überhaupt nicht
04:13
from one taskAufgabe to anotherein anderer in roboticsRobotik.
105
238000
2000
von einer Aufgabe zur anderen generalisieren.
04:15
Now we can comparevergleichen this
106
240000
2000
Jetzt können wir das mit der Spitze des
04:17
to cutting-edgemodernste humanMensch performancePerformance.
107
242000
2000
menschlichem Leistungsvermögen vergleichen.
04:19
So what I'm going to showShow you is EmilyEmily FoxFox
108
244000
2000
Daher zeige ich Ihnen Emily Fox,
04:21
winninggewinnen the worldWelt recordAufzeichnung for cupTasse stackingStapelung.
109
246000
3000
wie sie den Weltrekord
für Becherstapeln aufstellt.
04:24
Now the AmericansAmerikaner in the audiencePublikum will know all about cupTasse stackingStapelung.
110
249000
2000
Die Amerikaner im Publikum wissen
sicher alles über das Becherstapeln.
04:26
It's a highhoch schoolSchule sportSport
111
251000
2000
Es ist ein Highschool-Sport,
04:28
where you have 12 cupsTassen you have to stackStapel and unstackUnstack
112
253000
2000
bei dem man 12 Becher
stapeln und entstapeln muss,
04:30
againstgegen the clockUhr in a prescribedvorgeschriebenen orderAuftrag.
113
255000
2000
gegen die Uhr und in einer bestimmten Reihenfolge.
04:32
And this is her gettingbekommen the worldWelt recordAufzeichnung in realecht time.
114
257000
3000
Und hier sieht man wie sie den
Weltrekord in Echtzeit schafft.
04:39
(LaughterLachen)
115
264000
8000
(Lachen)
04:47
(ApplauseApplaus)
116
272000
5000
(Applaus)
04:52
And she's prettyziemlich happyglücklich.
117
277000
2000
Und sie ist ziemlich glücklich.
04:54
We have no ideaIdee what is going on insideinnen her brainGehirn when she does that,
118
279000
2000
Wir haben keine Ahnung, was in ihrem
Gehirn passiert, wenn sie das macht.
04:56
and that's what we'dheiraten like to know.
119
281000
2000
Aber wir wüssten das gerne.
04:58
So in my groupGruppe, what we try to do
120
283000
2000
Was wir in meiner Gruppe versuchen, ist,
05:00
is reverseumkehren engineerIngenieur how humansMenschen controlsteuern movementBewegung.
121
285000
3000
zu rekonstruieren, wie Menschen
Bewegung kontrollieren.
05:03
And it soundsGeräusche like an easyeinfach problemProblem.
122
288000
2000
Es klingt wie ein einfaches Problem.
05:05
You sendsenden a commandBefehl down, it causesUrsachen musclesMuskeln to contractVertrag.
123
290000
2000
Man sendet einen Befehl,
der eine Muskelkontraktion auslöst.
05:07
Your armArm or bodyKörper movesbewegt,
124
292000
2000
Ihr Arm oder Körper bewegt sich
05:09
and you get sensorysensorisch feedbackFeedback from visionVision, from skinHaut, from musclesMuskeln and so on.
125
294000
3000
und man erhält eine sensorische Rückmeldung
mittels Sehen, Haut, Muskeln, usw.
05:12
The troubleÄrger is
126
297000
2000
Das Problem ist,
05:14
these signalsSignale are not the beautifulschön signalsSignale you want them to be.
127
299000
2000
dass es nicht die schönen Signale sind,
wie man sich das vorstellt.
05:16
So one thing that makesmacht controllingControlling movementBewegung difficultschwer
128
301000
2000
Die Steuerung der Bewegung
wird etwa dadurch erschwert,
05:18
is, for exampleBeispiel, sensorysensorisch feedbackFeedback is extremelyäußerst noisylaut.
129
303000
3000
dass die sensorische Rückmeldung extrem rauscht.
05:21
Now by noiseLärm, I do not mean soundklingen.
130
306000
3000
Mit Rauschen ist kein Laut gemeint.
05:24
We use it in the engineeringIngenieurwesen and neuroscienceNeurowissenschaften senseSinn
131
309000
2000
Wir verwenden es in der ingenieur- und neurowissenschaftlichen Bedeutung.
05:26
meaningBedeutung a randomzufällig noiseLärm corruptingkorrumpieren a signalSignal.
132
311000
2000
Gemeint ist ein Zufallsrauschen,
das ein Signal beschädigt.
05:28
So the oldalt daysTage before digitaldigital radioRadio when you were tuningTuning in your radioRadio
133
313000
3000
Wenn man früher, vor dem digitalen Radio,
den Radiosender einstellte
05:31
and you heardgehört "crrcckkkcrrcckkk" on the stationBahnhof you wanted to hearhören,
134
316000
2000
und "krrckkk" auf dem gewünschten Sender hörte,
05:33
that was the noiseLärm.
135
318000
2000
das war dieses Rauschen.
05:35
But more generallyallgemein, this noiseLärm is something that corruptsverdirbt the signalSignal.
136
320000
3000
Ganz allgemein stört
so ein Rauschen das Signal.
05:38
So for exampleBeispiel, if you put your handHand underunter a tableTabelle
137
323000
2000
Wenn Sie etwa Ihre Hand unter den Tisch tun
05:40
and try to localizelokalisieren it with your other handHand,
138
325000
2000
und versuchen, sie mit der
anderen Hand zu lokalisieren,
05:42
you can be off by severalmehrere centimetersZentimeter
139
327000
2000
können Sie ein paar Zentimeter daneben liegen,
05:44
duefällig to the noiseLärm in sensorysensorisch feedbackFeedback.
140
329000
2000
wegen dem Rauschen der
sensorischen Rückmeldung.
05:46
SimilarlyIn ähnlicher Weise, when you put motorMotor- outputAusgabe on movementBewegung outputAusgabe,
141
331000
2000
Ungefähr so als wenn Sie Motorleistung
in Bewegungsleistung geben,
05:48
it's extremelyäußerst noisylaut.
142
333000
2000
das ist sehr geräuschvoll.
05:50
ForgetVergessen about tryingversuchen to hitschlagen the bull'sBull's eyeAuge in dartsDarts,
143
335000
2000
Versuchen Sie erst gar nicht
mitten ins Ziel zu treffen,
05:52
just aimZiel for the samegleich spotStelle over and over again.
144
337000
2000
zielen Sie einfach immer
wieder auf die gleiche Stelle.
05:54
You have a hugeenorm spreadVerbreitung duefällig to movementBewegung variabilityVariabilität.
145
339000
3000
Sie verfügen über ein große Spanne
infolge der Variabilität der Bewegung.
05:57
And more than that, the outsidedraußen worldWelt, or taskAufgabe,
146
342000
2000
Und mehr als das,
die Außenwelt, oder die Aufgabe,
05:59
is bothbeide ambiguousnicht eindeutig and variableVariable.
147
344000
2000
ist mehrdeutig und variabel.
06:01
The teapotTeekanne could be fullvoll, it could be emptyleer.
148
346000
2000
Die Teekanne könnte voll oder leer sein.
06:03
It changesÄnderungen over time.
149
348000
2000
Das ändert sich im Lauf der Zeit.
06:05
So we work in a wholeganze sensorysensorisch movementBewegung taskAufgabe soupSuppe of noiseLärm.
150
350000
4000
Wir arbeiten also in einer richtigen Rausch-Suppe
von sensorischen Bewegungsaufgaben.
06:09
Now this noiseLärm is so great
151
354000
2000
Dieses Rauschen ist so stark,
06:11
that societyGesellschaft placessetzt a hugeenorm premiumPrämie
152
356000
2000
dass die Gesellschaft eine
große Prämie ausschreibt
06:13
on those of us who can reducereduzieren the consequencesFolgen of noiseLärm.
153
358000
3000
für jene, die die Konsequenzen
dieses Rauschens reduzieren können.
06:16
So if you're luckyglücklich enoughgenug to be ablefähig to knockKnock a smallklein whiteWeiß ballBall
154
361000
3000
Wenn man also in der glücklichen
Lage ist, einen kleinen weißen Ball
06:19
into a holeLoch severalmehrere hundredhundert yardsWerften away usingmit a long metalMetall stickStock,
155
364000
3000
mit einem Metallstab in ein mehrere
hundert Meter entferntes Loch zu schlagen,
06:22
our societyGesellschaft will be willingbereit to rewardBelohnung you
156
367000
2000
ist unsere Gesellschaft bereit, einen mit
06:24
with hundredsHunderte of millionsMillionen of dollarsDollar.
157
369000
3000
einigen hundert Millionen Dollar zu belohnen.
06:27
Now what I want to convinceüberzeugen you of
158
372000
2000
Ich möchte Sie davon überzeugen,
06:29
is the brainGehirn alsoebenfalls goesgeht throughdurch a lot of effortAnstrengung
159
374000
2000
dass das Gehirn viele Anstrengungen unternimmt,
06:31
to reducereduzieren the negativeNegativ consequencesFolgen
160
376000
2000
um die negativen Konsequenzen von
06:33
of this sortSortieren of noiseLärm and variabilityVariabilität.
161
378000
2000
dieser Sorte von Rauschen
und Variabilität zu reduzieren.
06:35
And to do that, I'm going to tell you about a frameworkRahmen
162
380000
2000
Um das zu tun, erzähle ich
Ihnen von einem System,
06:37
whichwelche is very popularBeliebt in statisticsStatistiken and machineMaschine learningLernen of the last 50 yearsJahre
163
382000
3000
das in der Statistik und beim maschinellen Lernen
in den letzten 50 Jahren sehr beliebt ist,
06:40
callednamens BayesianBayes decisionEntscheidung theoryTheorie.
164
385000
2000
namens Bayesianische Entscheidungstheorie.
06:42
And it's more recentlyvor kurzem a unifyingverbindende way
165
387000
3000
Und in jüngster Zeit ist es
ein vereinheitlichende
06:45
to think about how the brainGehirn dealsAngebote with uncertaintyUnsicherheit.
166
390000
3000
Denkensart daüber, wie das
Gehirn mit Ungewissheit umgeht.
06:48
And the fundamentalgrundlegend ideaIdee is you want to make inferencesRückschlüsse and then take actionsAktionen.
167
393000
3000
Die grundlegende Idee ist, dass man
schlussfolgert und dann handelt.
06:51
So let's think about the inferenceInferenz.
168
396000
2000
Lassen Sie uns über
das Rückschließen nachdenken.
06:53
You want to generategenerieren beliefsÜberzeugungen about the worldWelt.
169
398000
2000
Sie wollen Vorstellungen
über die Welt hervorrufen.
06:55
So what are beliefsÜberzeugungen?
170
400000
2000
Was sind das für Vorstellungen?
06:57
BeliefsÜberzeugungen could be: where are my armsArme in spacePlatz?
171
402000
2000
Vorstellungen könnten sein:
Wo sind meine Arme im Raum?
06:59
Am I looking at a catKatze or a foxFuchs?
172
404000
2000
Sehe ich eine Katze oder einen Fuchs?
07:01
But we're going to representvertreten beliefsÜberzeugungen with probabilitiesWahrscheinlichkeiten.
173
406000
3000
Aber wir stellen Vorstellungen
als Wahrscheinlichkeiten dar.
07:04
So we're going to representvertreten a beliefGlauben
174
409000
2000
Wir verkörpern also eine Vorstellungen
07:06
with a numberNummer betweenzwischen zeroNull and one --
175
411000
2000
durch eine Nummer zwischen Null und Eins –
07:08
zeroNull meaningBedeutung I don't believe it at all, one meansmeint I'm absolutelyunbedingt certainsicher.
176
413000
3000
Null heißt, ich glaube gar nicht daran,
Eins, ich bin absolut sicher.
07:11
And numbersNummern in betweenzwischen give you the graygrau levelsEbenen of uncertaintyUnsicherheit.
177
416000
3000
Und die Nummern dazwischen zeigen
die Grauwerte der Ungewissheit.
07:14
And the keySchlüssel ideaIdee to BayesianBayes inferenceInferenz
178
419000
2000
Die Grundidee der bayesianischen Inferenz
07:16
is you have two sourcesQuellen of informationInformation
179
421000
2000
ist, dass man zwei Informationsquellen hat,
07:18
from whichwelche to make your inferenceInferenz.
180
423000
2000
aus denen sich die Schlussfolgerungen speisen.
07:20
You have dataDaten,
181
425000
2000
Es gibt die Daten,
07:22
and dataDaten in neuroscienceNeurowissenschaften is sensorysensorisch inputEingang.
182
427000
2000
und Daten bedeuten in der
Neurowissenschaft Sinnesreize.
07:24
So I have sensorysensorisch inputEingang, whichwelche I can take in to make beliefsÜberzeugungen.
183
429000
3000
Es gibt also Sinnesreize, aus
denen sich Ansichten ergeben können.
07:27
But there's anotherein anderer sourceQuelle of informationInformation, and that's effectivelyeffektiv priorvorher knowledgeWissen.
184
432000
3000
Aber es gibt noch eine andere Informationsquelle,
und das sind schließlich Vorkenntnisse.
07:30
You accumulateakkumulieren knowledgeWissen throughoutwährend your life in memoriesErinnerungen.
185
435000
3000
Man sammelt ein Leben lang
Wissen im Gedächtnis.
07:33
And the pointPunkt about BayesianBayes decisionEntscheidung theoryTheorie
186
438000
2000
Und der Punkt bei der bayesianischen
Entscheidungstheorie ist,
07:35
is it givesgibt you the mathematicsMathematik
187
440000
2000
dass man berechnen kann,
07:37
of the optimaloptimale way to combinekombinieren
188
442000
2000
wie man auf optimale Weise
07:39
your priorvorher knowledgeWissen with your sensorysensorisch evidenceBeweise
189
444000
2000
Ihr Vorwissen mit Ihren
Sinneseindrücken kombiniert,
07:41
to generategenerieren newneu beliefsÜberzeugungen.
190
446000
2000
um neue Ansichten zu erzeugen.
07:43
And I've put the formulaFormel up there.
191
448000
2000
Ich habe die Formel hier oben aufgeführt.
07:45
I'm not going to explainerklären what that formulaFormel is, but it's very beautifulschön.
192
450000
2000
Ich werde die Formel nicht erklären,
aber sie ist wunderschön.
07:47
And it has realecht beautySchönheit and realecht explanatoryerläuternd powerLeistung.
193
452000
3000
Sie zeigt wahre Schönheit und Erklärungskraft.
07:50
And what it really sayssagt, and what you want to estimateschätzen,
194
455000
2000
Im Grunde sagt sie aus –
und was man damit abschätzen will,
07:52
is the probabilityWahrscheinlichkeit of differentanders beliefsÜberzeugungen
195
457000
2000
dass die Wahrscheinlichkeit für
verschiedene Überzeugungen
07:54
givengegeben your sensorysensorisch inputEingang.
196
459000
2000
basierend auf Ihren Sinneseindrücken.
07:56
So let me give you an intuitiveintuitiv exampleBeispiel.
197
461000
2000
Lassen Sie mich Ihnen ein
eingängiges Beispiel geben.
07:58
ImagineStellen Sie sich vor you're learningLernen to playspielen tennisTennis
198
463000
3000
Stellen Sie sich vor,
Sie lernen Tennis spielen
08:01
and you want to decideentscheiden where the ballBall is going to bounceBounce
199
466000
2000
und Sie wollen entscheiden,
wo der Ball aufschlagen wird,
08:03
as it comeskommt over the netNetz towardsin Richtung you.
200
468000
2000
wenn er über das Netz auf einen zukommt.
08:05
There are two sourcesQuellen of informationInformation
201
470000
2000
Es gibt zwei Informationsquellen,
08:07
Bayes'Bayes ruleRegel tellserzählt you.
202
472000
2000
laut der Bayes-Regel.
08:09
There's sensorysensorisch evidenceBeweise -- you can use visualvisuell informationInformation auditoryakustisch informationInformation,
203
474000
3000
Es gibt sensorische Hinweise – man kann
visuelle und auditive Information nutzen,
08:12
and that mightMacht tell you it's going to landLand in that redrot spotStelle.
204
477000
3000
und das kann einem sagen, dass
es in dem roten Punkt landen wird.
08:15
But you know that your sensesSinne are not perfectperfekt,
205
480000
3000
Aber Sie wissen, dass Ihre Sinne nicht perfekt sind,
08:18
and thereforedeswegen there's some variabilityVariabilität of where it's going to landLand
206
483000
2000
und daher kann man nicht genau
vorhersagen, wo es landen wird,
08:20
showngezeigt by that cloudWolke of redrot,
207
485000
2000
was durch diese rote Wolke gezeigt wird,
08:22
representingDarstellen numbersNummern betweenzwischen 0.5 and maybe 0.1.
208
487000
3000
die die Zahlen zwischen
0,5 und 0,1 darstellt.
08:26
That informationInformation is availableverfügbar in the currentStrom shotSchuss,
209
491000
2000
Diese Information ist für
den aktuellen Wurf verfügbar,
08:28
but there's anotherein anderer sourceQuelle of informationInformation
210
493000
2000
aber ist gibt eine weitere Informationsquelle,
08:30
not availableverfügbar on the currentStrom shotSchuss,
211
495000
2000
die nicht für den aktuellen Wurf verfügbar ist,
08:32
but only availableverfügbar by repeatedwiederholt experienceErfahrung in the gameSpiel of tennisTennis,
212
497000
3000
sondern nur durch wiederholte
Erfahrung beim Tennisspiel,
08:35
and that's that the ballBall doesn't bounceBounce
213
500000
2000
und diese besagt, dass
der Ball nicht mit gleicher
08:37
with equalgleich probabilityWahrscheinlichkeit over the courtGericht duringwährend the matchSpiel.
214
502000
2000
Wahrscheinlichkeit während
des Spiels im Spielfeld aufschlägt.
08:39
If you're playingspielen againstgegen a very good opponentGegner,
215
504000
2000
Wenn Sie gegen einen sehr guten Gegner spielen,
08:41
they maykann distributeverteilen it in that greenGrün areaBereich,
216
506000
2000
können sie sich im grünen Bereich verteilen,
08:43
whichwelche is the priorvorher distributionVerteilung,
217
508000
2000
was der A-priori-Verteilung entspricht,
08:45
makingHerstellung it hardhart for you to returnRückkehr.
218
510000
2000
dadurch haben Sie es
schwer zurückzuschlagen.
08:47
Now bothbeide these sourcesQuellen of informationInformation carrytragen importantwichtig informationInformation.
219
512000
2000
Beide Informationsquellen
beinhalten wichtige Informationen.
08:49
And what Bayes'Bayes ruleRegel sayssagt
220
514000
2000
Und was die Bayes-Regel aussagt, ist,
08:51
is that I should multiplymultiplizieren the numbersNummern on the redrot by the numbersNummern on the greenGrün
221
516000
3000
dass man die Anzahl im Roten mit der
Anzahl im Grünen multiplizieren sollte,
08:54
to get the numbersNummern of the yellowGelb, whichwelche have the ellipsesEllipsen,
222
519000
3000
um die Anzahl der Gelben zu erhalten,
die die Ellipsen aufweisen,
08:57
and that's my beliefGlauben.
223
522000
2000
und das ist meine Überzeugung.
08:59
So it's the optimaloptimale way of combiningKombination informationInformation.
224
524000
3000
Es ist der optimale Weg,
Information zu kombinieren.
09:02
Now I wouldn'twürde nicht tell you all this if it wasn'twar nicht that a fewwenige yearsJahre agovor,
225
527000
2000
Ich würde Ihnen das alles nicht erzählen,
wenn wir nicht vor einigen Jahren
09:04
we showedzeigte this is exactlygenau what people do
226
529000
2000
gezeigt hätten, dass Menschen genau das tun,
09:06
when they learnlernen newneu movementBewegung skillsFähigkeiten.
227
531000
2000
wenn sie neue Bewegungsabläufe lernen.
09:08
And what it meansmeint
228
533000
2000
Und das bedeutet, dass wir
09:10
is we really are BayesianBayes inferenceInferenz machinesMaschinen.
229
535000
2000
wirklich bayesianische Inferenz-Maschinen sind.
09:12
As we go around, we learnlernen about statisticsStatistiken of the worldWelt and laylegen that down,
230
537000
4000
Im Leben lernen wir etwas über die
Statistiken der Welt und speichern das,
09:16
but we alsoebenfalls learnlernen
231
541000
2000
aber wir lernen auch,
09:18
about how noisylaut our ownbesitzen sensorysensorisch apparatusApparat is,
232
543000
2000
wie unruhig unser Sinnesapparat ist,
09:20
and then combinekombinieren those
233
545000
2000
und dann kombinieren wir diese
09:22
in a realecht BayesianBayes way.
234
547000
2000
in echter bayesianischer Manier.
09:24
Now a keySchlüssel partTeil to the BayesianBayes is this partTeil of the formulaFormel.
235
549000
3000
Ein Schlüssel für das Bayesianische
ist dieser Teil der Formel.
09:27
And what this partTeil really sayssagt
236
552000
2000
Dieser Teil besagt im Grunde,
09:29
is I have to predictvorhersagen the probabilityWahrscheinlichkeit
237
554000
2000
dass ich die Wahrscheinlichkeit
vorhersagen muss
09:31
of differentanders sensorysensorisch feedbacksRückmeldungen
238
556000
2000
für verschiedene sensorische Rückmeldungen,
09:33
givengegeben my beliefsÜberzeugungen.
239
558000
2000
angesichts meiner Überzeugungen.
09:35
So that really meansmeint I have to make predictionsVorhersagen of the futureZukunft.
240
560000
3000
Das bedeutet, dass ich Vorhersagen
über die Zukunft machen muss.
09:38
And I want to convinceüberzeugen you the brainGehirn does make predictionsVorhersagen
241
563000
2000
Und ich möchte Sie davon überzeugen,
dass das Gehirn Vorhersagen über
09:40
of the sensorysensorisch feedbackFeedback it's going to get.
242
565000
2000
die zukünftige sensorische Rückmeldung macht.
09:42
And moreoverAußerdem, it profoundlyzutiefst changesÄnderungen your perceptionsWahrnehmungen
243
567000
2000
Und außerdem ändert es
grundlegend Ihre Wahrnehmung
09:44
by what you do.
244
569000
2000
durch das, was Sie tun.
09:46
And to do that, I'll tell you
245
571000
2000
Um das zu tun, erzähle ich Ihnen,
09:48
about how the brainGehirn dealsAngebote with sensorysensorisch inputEingang.
246
573000
2000
wie das Gehirn mit Sinnesreizen umgeht.
09:50
So you sendsenden a commandBefehl out,
247
575000
3000
Sie schicken einen Befehl raus
09:53
you get sensorysensorisch feedbackFeedback back,
248
578000
2000
und Sie erhalten eine sensorische Rückmeldung,
09:55
and that transformationTransformation is governedregiert
249
580000
2000
und diese Information wird von
09:57
by the physicsPhysik of your bodyKörper and your sensorysensorisch apparatusApparat.
250
582000
3000
der Physik Ihres Körpers und
Ihres Sinnesapparates beeinflusst.
10:00
But you can imaginevorstellen looking insideinnen the brainGehirn.
251
585000
2000
Aber stellen Sie sich vor,
Sie schauen in das Gehirn.
10:02
And here'shier ist insideinnen the brainGehirn.
252
587000
2000
Und hier sind wir im Gehirn.
10:04
You mightMacht have a little predictorPrädiktor, a neuralneuronale simulatorSimulator,
253
589000
2000
Sie haben vielleicht einen kleinen
Prädiktor, einen neuralen Simulator,
10:06
of the physicsPhysik of your bodyKörper and your sensesSinne.
254
591000
2000
von der Physik Ihres Körpers und Ihrer Sinne.
10:08
So as you sendsenden a movementBewegung commandBefehl down,
255
593000
2000
Wenn Sie also einen Bewegungsbefehl senden,
10:10
you taptippen a copyKopieren of that off
256
595000
2000
zapfen Sie eine Kopie davon ab
10:12
and runLauf it into your neuralneuronale simulatorSimulator
257
597000
2000
und lassen sie in Ihrem neuralen Simulator laufen,
10:14
to anticipateerwarten the sensorysensorisch consequencesFolgen of your actionsAktionen.
258
599000
4000
um die sensorischen Folgen
Ihrer Handlungen vorherzusehen.
10:18
So as I shakeShake this ketchupKetchup bottleFlasche,
259
603000
2000
Wenn ich also die Ketchup-Flasche schüttle,
10:20
I get some truewahr sensorysensorisch feedbackFeedback as the functionFunktion of time in the bottomBoden rowReihe.
260
605000
3000
erhalte ich ein echte sensorische
Rückmeldung als Zeitfunktion
10:23
And if I've got a good predictorPrädiktor, it predictsprognostiziert the samegleich thing.
261
608000
3000
Und wenn ich einen guten Prädiktor habe,
sagt er genau das voraus.
10:26
Well why would I botherdie Mühe doing that?
262
611000
2000
Warum ich mir diese Mühe mache?
10:28
I'm going to get the samegleich feedbackFeedback anywaysowieso.
263
613000
2000
Ich erhalte doch sowieso diese Rückmeldung.
10:30
Well there's good reasonsGründe dafür.
264
615000
2000
Es gibt gute Gründe dafür.
10:32
ImagineStellen Sie sich vor, as I shakeShake the ketchupKetchup bottleFlasche,
265
617000
2000
Angenommen ich schüttle
gerade die Ketchup-Flasche
10:34
someonejemand very kindlyBitte comeskommt up to me and tapsArmaturen it on the back for me.
266
619000
3000
und jemand kommt auf mich zu und
klopft für mich auf die Unterseite.
10:37
Now I get an extraextra sourceQuelle of sensorysensorisch informationInformation
267
622000
2000
Nun erhalte ich eine zusätzliche
Quelle von Sinnesinformationen
10:39
duefällig to that externalextern actHandlung.
268
624000
2000
durch diese äußere Einwirkung.
10:41
So I get two sourcesQuellen.
269
626000
2000
Also habe ich zwei Quellen.
10:43
I get you tappingklopfen on it, and I get me shakingSchütteln it,
270
628000
3000
Sie klopfen darauf und ich schüttle sie,
10:46
but from my senses'Sinne pointPunkt of viewAussicht,
271
631000
2000
aber aus Sicht meiner Sinne
10:48
that is combinedkombiniert togetherzusammen into one sourceQuelle of informationInformation.
272
633000
3000
wird beides in einer Informationsquelle
zusammengefasst.
10:51
Now there's good reasonGrund to believe
273
636000
2000
Nun gibt es einen guten Grund dafür zu glauben,
10:53
that you would want to be ablefähig to distinguishunterscheiden externalextern eventsVeranstaltungen from internalintern eventsVeranstaltungen.
274
638000
3000
dass Sie in der Lage sein wollen externe
von internen Vorgängen zu unterscheiden.
10:56
Because externalextern eventsVeranstaltungen are actuallytatsächlich much more behaviorallyverhaltensorientierte relevantrelevant
275
641000
3000
Denn externe Ereignisse sind
viel verhaltensrelevanter
10:59
than feelingGefühl everything that's going on insideinnen my bodyKörper.
276
644000
3000
als alles zu fühlen, was in meinem Körper passiert.
11:02
So one way to reconstructrekonstruieren that
277
647000
2000
Ein Weg das nachzuvollziehen ist,
11:04
is to comparevergleichen the predictionPrognose --
278
649000
2000
die Vorhersage zu vergleichen –
11:06
whichwelche is only basedbasierend on your movementBewegung commandsBefehle --
279
651000
2000
die auf den Bewegungsbefehlen basiert –
11:08
with the realityWirklichkeit.
280
653000
2000
mit der Wirklichkeit.
11:10
Any discrepancyDiskrepanz should hopefullyhoffentlich be externalextern.
281
655000
3000
Und die Abweichung sollte hoffentlich extern sein.
11:13
So as I go around the worldWelt,
282
658000
2000
Wenn ich also durch die Welt gehe,
11:15
I'm makingHerstellung predictionsVorhersagen of what I should get, subtractingSubtrahieren them off.
283
660000
3000
treffe ich Vorhersagen darüber, was
eintreffen sollte, abzüglich der Abweichungen.
11:18
Everything left over is externalextern to me.
284
663000
2000
Alles Übrige ist für mich extern.
11:20
What evidenceBeweise is there for this?
285
665000
2000
Welche Beweise gibt es dafür?
11:22
Well there's one very clearklar exampleBeispiel
286
667000
2000
Nun, es gibt ein sehr deutliches Beispiel,
11:24
where a sensationSensation generatedgeneriert by myselfmich selber feelsfühlt sich very differentanders
287
669000
2000
wo sich ein von mir erzeugter
Sinneseindruck ganz anders anfühlt,
11:26
then if generatedgeneriert by anotherein anderer personPerson.
288
671000
2000
als wenn er von einer anderen
Person erzeugt worden wäre.
11:28
And so we decidedbeschlossen the mostdie meisten obviousoffensichtlich placeOrt to startAnfang
289
673000
2000
Also entschieden wir, dass der
naheliegendste Untersuchungsbereich
11:30
was with ticklingkitzeln.
290
675000
2000
das Kitzeln war.
11:32
It's been knownbekannt for a long time, you can't ticklekitzeln yourselfdich selber
291
677000
2000
Es ist seit langem bekannt,
dass man sich nicht selbst kitzeln kann,
11:34
as well as other people can.
292
679000
2000
so wie andere das können.
11:36
But it hasn'that nicht really been showngezeigt, it's because you have a neuralneuronale simulatorSimulator,
293
681000
3000
Aber man hat nicht nachgewiesen,
dass das an dem neuralen Simulator liegt,
11:39
simulatingSimulation von your ownbesitzen bodyKörper
294
684000
2000
der Ihren eigenen Körper simuliert
11:41
and subtractingSubtrahieren off that senseSinn.
295
686000
2000
und diesen Sinn abzieht.
11:43
So we can bringbringen the experimentsExperimente of the 21stst centuryJahrhundert
296
688000
3000
Wir nutzen Experimente des 21. Jahrhunderts,
11:46
by applyingbewirbt sich roboticRoboter technologiesTechnologien to this problemProblem.
297
691000
3000
indem wir bei diesem Problem
Robotertechnologien anwenden.
11:49
And in effectbewirken, what we have is some sortSortieren of stickStock in one handHand attachedangebracht to a robotRoboter,
298
694000
3000
Wir haben in einer Hand einen Stab,
der mit einem Roboter verbunden ist,
11:52
and they're going to moveBewegung that back and forwardVorwärts-.
299
697000
2000
und sie werden ihn vor und zurück bewegen.
11:54
And then we're going to trackSpur that with a computerComputer
300
699000
2000
Und dann verfolgen wir das mit dem Computer
11:56
and use it to controlsteuern anotherein anderer robotRoboter,
301
701000
2000
und nutzen das, um einen
anderen Roboter zu steuern,
11:58
whichwelche is going to ticklekitzeln theirihr palmPalme with anotherein anderer stickStock.
302
703000
2000
der die Handfläche mit
einem anderen Stab kitzelt.
12:00
And then we're going to askFragen them to ratePreis a bunchBündel of things
303
705000
2000
Und dann werden wir sie bitten,
eine Reihe von Dinge zu bewerten,
12:02
includingeinschließlich ticklishnessticklishness.
304
707000
2000
inklusive der Kitzelhaftigkeit.
12:04
I'll showShow you just one partTeil of our studyStudie.
305
709000
2000
Ich zeige Ihnen einen Teil unserer Studie.
12:06
And here I've takengenommen away the robotsRoboter,
306
711000
2000
Und hier habe ich die Roboter entfernt,
12:08
but basicallyGrundsätzlich gilt people moveBewegung with theirihr right armArm sinusoidallysinusähnlich back and forwardVorwärts-.
307
713000
3000
aber grundsätzlich bewegen die Leute
ihren rechten Arm sinusförmig vor und zurück.
12:11
And we replayReplay that to the other handHand with a time delayverzögern.
308
716000
3000
Und wir übertragen das mit
Zeitverzug auf die andere Hand.
12:14
EitherEntweder no time delayverzögern,
309
719000
2000
Sowohl ohne Zeitverzögerung,
12:16
in whichwelche caseFall lightLicht would just ticklekitzeln your palmPalme,
310
721000
2000
wo Licht nur Ihre Handfläche kitzelt,
12:18
or with a time delayverzögern of two-tenthszwei Zehntel of three-tenthsdrei Zehntel of a secondzweite.
311
723000
4000
oder mit Zeitverzug von
2/10 oder 3/10 Sekunden.
12:22
So the importantwichtig pointPunkt here
312
727000
2000
Der wichtigste Aspekt hierbei ist,
12:24
is the right handHand always does the samegleich things -- sinusoidalsinusförmige movementBewegung.
313
729000
3000
dass die rechte Hand immer das Gleiche
tut – in sinusförmiger Bewegung.
12:27
The left handHand always is the samegleich and putslegt sinusoidalsinusförmige ticklekitzeln.
314
732000
3000
Die linke Hand ist immer gleich und
liefert ein sinusförmiges Kitzeln.
12:30
All we're playingspielen with is a tempoTempo causalityKausalität.
315
735000
2000
Wir spielen nur mit einer Zeitkausalität.
12:32
And as we go from naughtnichts to 0.1 secondzweite,
316
737000
2000
Und während wir von nichts
zu 0,1 Sekunden kommen,
12:34
it becomeswird more ticklishkitzlig.
317
739000
2000
wird es immer kitzliger.
12:36
As you go from 0.1 to 0.2,
318
741000
2000
Wenn man von 0,1 auf 0,2 geht,
12:38
it becomeswird more ticklishkitzlig at the endEnde.
319
743000
2000
wird es zum Ende immer kitzliger
12:40
And by 0.2 of a secondzweite,
320
745000
2000
Und bei 0,2 Sekunden
12:42
it's equivalentlygleichwertig ticklishkitzlig
321
747000
2000
ist es genauso kitzlig,
12:44
to the robotRoboter that just tickledgekitzelt you withoutohne you doing anything.
322
749000
2000
für den Roboter, der sie gerade gekitzelt hat,
ohne irgendwas zu tun.
12:46
So whateverwas auch immer is responsibleverantwortlich for this cancellationStornierung
323
751000
2000
Was immer daher für die
Unterdrückung verantwortlich ist,
12:48
is extremelyäußerst tightlydicht coupledgekoppelt with tempoTempo causalityKausalität.
324
753000
3000
ist sehr eng mit der Zeitkausalität verbunden.
12:51
And basedbasierend on this illustrationIllustration, we really convincedüberzeugt ourselvesuns selbst in the fieldFeld
325
756000
3000
Und basierend auf dieser Veranschaulichung
überzeugten wir uns selbst in diesem Bereich,
12:54
that the brain'sGehirn makingHerstellung precisepräzise predictionsVorhersagen
326
759000
2000
dass das Gehirn präzise Vorhersagen macht
12:56
and subtractingSubtrahieren them off from the sensationsEmpfindungen.
327
761000
3000
und diese von den Sinneseindrücken abzieht.
12:59
Now I have to admiteingestehen, these are the worstam schlimmsten studiesStudien my labLabor has ever runLauf.
328
764000
3000
Zugegeben sind das die schlechtesten Studien,
die mein Labor je gemacht hat.
13:02
Because the ticklekitzeln sensationSensation on the palmPalme comeskommt and goesgeht,
329
767000
2000
Denn das Kitzelgefühl auf der
Handfläche kommt und geht,
13:04
you need largegroß numbersNummern of subjectsFächer
330
769000
2000
man braucht ein große
Anzahl von Versuchspersonen
13:06
with these starsSterne makingHerstellung them significantsignifikant.
331
771000
2000
mit diesen Sternen,
die sie bedeutsam machen.
13:08
So we were looking for a much more objectiveZielsetzung way
332
773000
2000
Daher suchten wir nach
einem viel objektiveren Weg,
13:10
to assessbeurteilen this phenomenaPhänomene.
333
775000
2000
um dieses Phänomen zu bewerten.
13:12
And in the interveningintervenieren yearsJahre I had two daughtersTöchter.
334
777000
2000
Und in der Zwischenzeit
bekam ich zwei Töchter.
13:14
And one thing you noticebeachten about childrenKinder in backseatsFond of carsAutos on long journeysReisen,
335
779000
3000
Und bei Kindern in Autorücksitzen
fällt einem bei langen Reisen auf,
13:17
they get into fightsKämpfe --
336
782000
2000
dass sie Streit anfangen –
13:19
whichwelche startedhat angefangen with one of them doing something to the other, the other retaliatingVergeltung.
337
784000
3000
das beginnt damit, dass einer dem anderen
etwas antut und sich der andere rächt.
13:22
It quicklyschnell escalateseskaliert.
338
787000
2000
Es eskaliert schnell.
13:24
And childrenKinder tendneigen to get into fightsKämpfe whichwelche escalateeskalieren in termsBegriffe of forceKraft.
339
789000
3000
Und Kinder neigen dazu, in Streit
zu geraten, der in Gewalt eskaliert.
13:27
Now when I screamedschrie at my childrenKinder to stop,
340
792000
2000
Wenn ich meine Kinder anschrie,
dass sie aufhören sollten,
13:29
sometimesmanchmal they would bothbeide say to me
341
794000
2000
sagten sie manchmal beide zu mir,
13:31
the other personPerson hitschlagen them harderSchwerer.
342
796000
3000
dass der andere sie härter geschlagen hätte.
13:34
Now I happengeschehen to know my childrenKinder don't lieLüge,
343
799000
2000
Nun weiß ich, dass meine Kinder nicht lügen,
13:36
so I thought, as a neuroscientistNeurowissenschaftler,
344
801000
2000
deshalb dachte ich als Neurowissenschaftler,
13:38
it was importantwichtig how I could explainerklären
345
803000
2000
dass es wichtig wäre ihnen zu erklären,
13:40
how they were tellingErzählen inconsistentinkonsistent truthsWahrheiten.
346
805000
2000
dass sie widersprüchliche Wahrheiten erzählten.
13:42
And we hypothesizedie Hypothese auf basedbasierend on the ticklingkitzeln studyStudie
347
807000
2000
Und wir stellten auf Basis der
Kitzel-Studie Hypothesen auf,
13:44
that when one childKind hitsHits anotherein anderer,
348
809000
2000
dass wenn ein Kind ein anderes schlägt,
13:46
they generategenerieren the movementBewegung commandBefehl.
349
811000
2000
sie einen Bewegungsbefehl erzeugen.
13:48
They predictvorhersagen the sensorysensorisch consequencesFolgen and subtractSubtrahieren it off.
350
813000
3000
Sie sagen die sensorischen
Folgen voraus und zogen es ab.
13:51
So they actuallytatsächlich think they'veSie haben hitschlagen the personPerson lessWeniger hardhart than they have --
351
816000
2000
Also dachten sie tatsächlich, dass sie die Person
weniger hart schlugen, als das der Fall war –
13:53
ratherlieber like the ticklingkitzeln.
352
818000
2000
so ähnlich wie beim Kitzeln.
13:55
WhereasWährend the passivepassiv recipientEmpfänger
353
820000
2000
Während der passive Empfänger
13:57
doesn't make the predictionPrognose, feelsfühlt sich the fullvoll blowSchlag.
354
822000
2000
die Vorhersage nicht macht,
und die volle Stärke fühlt.
13:59
So if they retaliateVergeltung with the samegleich forceKraft,
355
824000
2000
Wenn sie also mit gleicher Kraft Vergeltung üben,
14:01
the first personPerson will think it's been escalatedeskalierte.
356
826000
2000
denkt die erste Person, dass es eskaliert ist.
14:03
So we decidedbeschlossen to testTest this in the labLabor.
357
828000
2000
Wir beschlossen also, das im Labor zu testen.
14:05
(LaughterLachen)
358
830000
3000
(Lachen)
14:08
Now we don't work with childrenKinder, we don't work with hittingschlagen,
359
833000
2000
Wir arbeiten aber nicht mit Kindern,
wir arbeiten auch nicht mit Schlägen,
14:10
but the conceptKonzept is identicalidentisch.
360
835000
2000
aber das Konzept ist identisch.
14:12
We bringbringen in two adultsErwachsene. We tell them they're going to playspielen a gameSpiel.
361
837000
3000
Wir nehmen zwei Erwachsene. Wir erzählen
ihnen, dass sie ein Spiel spielen werden.
14:15
And so here'shier ist playerSpieler one and playerSpieler two sittingSitzung oppositeGegenteil to eachjede einzelne other.
362
840000
2000
Hier sitzen sich also Spieler Eins und
Spieler Zwei einander gegenüber.
14:17
And the gameSpiel is very simpleeinfach.
363
842000
2000
Und das Spiel ist sehr einfach.
14:19
We startedhat angefangen with a motorMotor-
364
844000
2000
Wir begannen mit einem Motor
14:21
with a little leverHebel, a little forceKraft transfuserTransfuser.
365
846000
2000
mit einem kleinen Hebel,
und kleiner Kraftübertragung.
14:23
And we use this motorMotor- to applysich bewerben forceKraft down to playerSpieler one'sEinsen fingersFinger
366
848000
2000
Und wir nutzten diesen Motor, um Kraft
auf die Finger des ersten Spielers zu leiten,
14:25
for threedrei secondsSekunden and then it stopsstoppt.
367
850000
3000
3 Sekunden lang und dann stoppt es.
14:28
And that player'sdes Spielers been told, remembermerken the experienceErfahrung of that forceKraft
368
853000
3000
Und diesem Spieler wird gesagt, dass er
die Erfahrung dieser Kraft abspeichern soll
14:31
and use your other fingerFinger
369
856000
2000
und seinen anderen Finger benutzen soll,
14:33
to applysich bewerben the samegleich forceKraft
370
858000
2000
um dieselbe Kraft mittels
14:35
down to the other subject'sdes Antragstellers fingerFinger throughdurch a forceKraft transfuserTransfuser -- and they do that.
371
860000
3000
Kraftübertragung auf den Finger der anderen Versuchsperson anzuwenden – und sie tun das.
14:38
And playerSpieler two'szwei der been told, remembermerken the experienceErfahrung of that forceKraft.
372
863000
3000
Und dem zweiten Spieler wird gesagt,
dass er sich an diese Erfahrung erinnern soll.
14:41
Use your other handHand to applysich bewerben the forceKraft back down.
373
866000
3000
Nutze die andere Hand und
gib die Kraft nach unten zurück.
14:44
And so they take it in turnswendet sich
374
869000
2000
Und sie wenden abwechselnd
14:46
to applysich bewerben the forceKraft they'veSie haben just experiencederfahren back and forwardVorwärts-.
375
871000
2000
die Kraft, die sie gerade erlebten, hin und her an.
14:48
But criticallykritisch,
376
873000
2000
Aber entscheidend ist,
14:50
they're briefedinformiert about the rulesRegeln of the gameSpiel in separategetrennte roomsRäume.
377
875000
3000
sie wurden in getrennten Räumen
über die Spielregeln informiert.
14:53
So they don't know the rulesRegeln the other person'sPerson playingspielen by.
378
878000
2000
Sie kannten also die Regeln nicht,
nach denen die andere Person spielt.
14:55
And what we'vewir haben measuredgemessen
379
880000
2000
Und was wir gemessen haben,
14:57
is the forceKraft as a functionFunktion of termsBegriffe.
380
882000
2000
ist die Kraft als Begriffsfunktion.
14:59
And if we look at what we startAnfang with,
381
884000
2000
Und wenn wir uns anschauen, womit wir beginnen,
15:01
a quarterQuartal of a NewtonNewton there, a numberNummer of turnswendet sich,
382
886000
2000
ein Viertel Newton hier, eine Anzahl von Runden,
15:03
perfectperfekt would be that redrot lineLinie.
383
888000
2000
wäre diese rote Linie perfekt.
15:05
And what we see in all pairsPaare of subjectsFächer is this --
384
890000
3000
Und was wir bei
all den Versuchspaaren sehen ist –
15:08
a 70 percentProzent escalationEskalation in forceKraft
385
893000
2000
eine 70%-Eskalation in der Kraft
15:10
on eachjede einzelne go.
386
895000
2000
bei jedem Mal.
15:12
So it really suggestsschlägt vor, when you're doing this --
387
897000
2000
Das weist wirklich darauf hin,
dass wenn man das macht –
15:14
basedbasierend on this studyStudie and othersAndere we'vewir haben doneerledigt --
388
899000
2000
basierend auf dieser und anderer
von uns durchgeführten Studien –
15:16
that the brainGehirn is cancelingAbbrechen the sensorysensorisch consequencesFolgen
389
901000
2000
dass das Gehirn die sensorischen Folgen löscht
15:18
and underestimatingzu unterschätzen the forceKraft it's producingproduzierend.
390
903000
2000
und die Kraft unterschätzt, die es produziert.
15:20
So it re-showserneut zeigt the brainGehirn makesmacht predictionsVorhersagen
391
905000
2000
Das zeigt erneut, dass das
Gehirn Vorhersagen macht
15:22
and fundamentallygrundlegend changesÄnderungen the preceptsGebote.
392
907000
3000
und Regeln fundamental ändert.
15:25
So we'vewir haben madegemacht inferencesRückschlüsse, we'vewir haben doneerledigt predictionsVorhersagen,
393
910000
3000
Wir haben also Schlussfolgerungen
gezogen und Vorhersagen gemacht,
15:28
now we have to generategenerieren actionsAktionen.
394
913000
2000
jetzt müssen wir handeln.
15:30
And what Bayes'Bayes ruleRegel sayssagt is, givengegeben my beliefsÜberzeugungen,
395
915000
2000
Und die Bayes-Regel besagt,
bei gegebenen Vorstellungen,
15:32
the actionAktion should in some senseSinn be optimaloptimale.
396
917000
2000
dass die Handlung in gewisser
Hinsicht optimal sein sollte.
15:34
But we'vewir haben got a problemProblem.
397
919000
2000
Aber wir haben ein Problem.
15:36
TasksAufgaben are symbolicsymbolische -- I want to drinkGetränk, I want to dancetanzen --
398
921000
3000
Aufgaben sind symbolisch,
– ich will trinken, ich will tanzen –
15:39
but the movementBewegung systemSystem has to contractVertrag 600 musclesMuskeln
399
924000
2000
aber das Bewegungssystem
muss 600 Muskeln
15:41
in a particularinsbesondere sequenceSequenz.
400
926000
2000
in einer bestimmten Abfolge kontrahieren.
15:43
And there's a biggroß gapSpalt
401
928000
2000
Und es gibt eine große Diskrepanz
15:45
betweenzwischen the taskAufgabe and the movementBewegung systemSystem.
402
930000
2000
zwischen der Aufgabe
und dem Bewegungssystem.
15:47
So it could be bridgedüberbrückt in infinitelyunendlich manyviele differentanders waysWege.
403
932000
2000
Das könnte auf verschiedenste
Weise überbrückt werden.
15:49
So think about just a pointPunkt to pointPunkt movementBewegung.
404
934000
2000
Ich denke nur an eine Punkt-zu-Punkt-Bewegung.
15:51
I could choosewählen these two pathsWege
405
936000
2000
Ich könnte diese beiden Nervenbahnen
15:53
out of an infiniteunendlich numberNummer of pathsWege.
406
938000
2000
aus einer unendlichen Zahl
von Nervenbahnen wählen.
15:55
HavingHaben chosengewählt a particularinsbesondere pathPfad,
407
940000
2000
Durch die Auswahl einer bestimmten Nervenbahn,
15:57
I can holdhalt my handHand on that pathPfad
408
942000
2000
kann ich meine Hand auf diese Nervenbahn legen,
15:59
as infinitelyunendlich manyviele differentanders jointJoint configurationsKonfigurationen.
409
944000
2000
wie unendlich viele verschiedene Gelenkformationen.
16:01
And I can holdhalt my armArm in a particularinsbesondere jointJoint configurationKonfiguration
410
946000
2000
Und ich kann meinen Arm einer
bestimmten Gelenkformation halten,
16:03
eitherentweder very stiffsteif or very relaxedentspannt.
411
948000
2000
entweder sehr steif oder sehr entspannt.
16:05
So I have a hugeenorm amountMenge of choiceWahl to make.
412
950000
3000
Also muss ich jede Menge Entscheidungen treffen.
16:08
Now it turnswendet sich out, we are extremelyäußerst stereotypicalStereotype.
413
953000
3000
Nun zeigt sich, dass wir extrem stereotypisch sind.
16:11
We all moveBewegung the samegleich way prettyziemlich much.
414
956000
3000
Wir bewegen uns alle ziemlich gleich.
16:14
And so it turnswendet sich out we're so stereotypicalStereotype,
415
959000
2000
Und es zeigt sich, dass wir so stereotypisch sind,
16:16
our brainsGehirne have got dedicatedgewidmet neuralneuronale circuitrySchaltung
416
961000
2000
dass sich unsere Gehirne ganz
der neuronalen Verschaltung widmen,
16:18
to decodeDecodieren this stereotypingStereotypisierung.
417
963000
2000
um dieses Stereotypische zu dekodieren.
16:20
So if I take some dotsPunkte
418
965000
2000
Wenn ich nun ein paar Punkte nehme
16:22
and setSet them in motionBewegung with biologicalbiologisch motionBewegung,
419
967000
3000
und sie in biologische Bewegung umsetze,
16:25
your brain'sGehirn circuitrySchaltung would understandverstehen instantlysofort what's going on.
420
970000
3000
wüssten Ihre Gehirnschaltkreise sofort, was abläuft.
16:28
Now this is a bunchBündel of dotsPunkte movingbewegend.
421
973000
2000
Dies ist ein Haufen sich bewegender Punkte.
16:30
You will know what this personPerson is doing,
422
975000
3000
Sie wüssten, was diese Person macht,
16:33
whetherob happyglücklich, sadtraurig, oldalt, youngjung -- a hugeenorm amountMenge of informationInformation.
423
978000
3000
ob sie glücklich, traurig, alt, jung ist –
riesige Informationsmengen.
16:36
If these dotsPunkte were carsAutos going on a racingRennen circuitSchaltung,
424
981000
2000
Wenn diese Punkte Autos
auf einem Rennparcours wären,
16:38
you would have absolutelyunbedingt no ideaIdee what's going on.
425
983000
3000
hätten Sie keine Ahnung was los ist.
16:41
So why is it
426
986000
2000
Warum bewegen wir uns
16:43
that we moveBewegung the particularinsbesondere waysWege we do?
427
988000
2000
auf diese bestimmten Weisen?
16:45
Well let's think about what really happensdas passiert.
428
990000
2000
Lassen Sie uns überlegen,
was wirklich passiert.
16:47
Maybe we don't all quiteganz moveBewegung the samegleich way.
429
992000
3000
Vielleicht bewegen wir uns nicht alle gleich.
16:50
Maybe there's variationVariation in the populationBevölkerung.
430
995000
2000
Es gibt vielleicht eine Variation in der Bevölkerung.
16:52
And maybe those who moveBewegung better than othersAndere
431
997000
2000
Vielleicht haben die, die sich besser bewegen,
16:54
have got more chanceChance of gettingbekommen theirihr childrenKinder into the nextNächster generationGeneration.
432
999000
2000
eine größere Chance ihre Kinder in
die nächste Generation zu bekommen.
16:56
So in evolutionaryevolutionär scalesWaage, movementsBewegungen get better.
433
1001000
3000
Auf evolutionären Maßstab wird Bewegung besser.
16:59
And perhapsvielleicht in life, movementsBewegungen get better throughdurch learningLernen.
434
1004000
3000
Im Leben verbessert sich
Bewegung vielleicht durch Übung.
17:02
So what is it about a movementBewegung whichwelche is good or badschlecht?
435
1007000
2000
Was ist an einer Bewegung gut oder schlecht?
17:04
ImagineStellen Sie sich vor I want to interceptAchsenabschnitt this ballBall.
436
1009000
2000
Angenommen ich will diesen Ball abfangen.
17:06
Here are two possiblemöglich pathsWege to that ballBall.
437
1011000
3000
Hier sind zwei mögliche Bahnen für den Ball.
17:09
Well if I choosewählen the left-handlinke Hand pathPfad,
438
1014000
2000
Wenn ich nun die Bahn linkerhand wähle,
17:11
I can work out the forcesKräfte requirederforderlich
439
1016000
2000
kann ich die nötigen Kräfte
17:13
in one of my musclesMuskeln as a functionFunktion of time.
440
1018000
2000
in einem meiner Muskel als Zeitfunktion berechnen.
17:15
But there's noiseLärm addedhinzugefügt to this.
441
1020000
2000
Aber hinzu kommt das Rauschen.
17:17
So what I actuallytatsächlich get, basedbasierend on this lovelyschön, smoothglatt, desiredauf Wunsch forceKraft,
442
1022000
3000
Was ich also bezogen auf diese hübsche,
sanfte, erwünschte Kraft tatsächlich erhalte,
17:20
is a very noisylaut versionVersion.
443
1025000
2000
ist eine sehr geräuschvolle Version.
17:22
So if I pickwähle the samegleich commandBefehl throughdurch manyviele timesmal,
444
1027000
3000
Wenn man denselben Befehl mehrmals auswählt,
17:25
I will get a differentanders noisylaut versionVersion eachjede einzelne time, because noiseLärm changesÄnderungen eachjede einzelne time.
445
1030000
3000
erhält man jedes Mal ein andere Geräuschversion,
denn das Rauschen ändert sich jedes Mal.
17:28
So what I can showShow you here
446
1033000
2000
Hier kann ich Ihnen zeigen,
17:30
is how the variabilityVariabilität of the movementBewegung will evolveentwickeln
447
1035000
2000
wie sich die Variabilität der Bewegung entwickelt,
17:32
if I choosewählen that way.
448
1037000
2000
wenn ich diesen Weg wähle.
17:34
If I choosewählen a differentanders way of movingbewegend -- on the right for exampleBeispiel --
449
1039000
3000
Wenn ich mich anders bewege
– rechts zum Beispiel –
17:37
then I'll have a differentanders commandBefehl, differentanders noiseLärm,
450
1042000
2000
dann gibt es einen anderen Befehl,
ein anderes Rauschen,
17:39
playingspielen throughdurch a noisylaut systemSystem, very complicatedkompliziert.
451
1044000
3000
das durch unser Lärmsystem läuft
– ziemlich kompliziert.
17:42
All we can be sure of is the variabilityVariabilität will be differentanders.
452
1047000
3000
Wir wissen nur, dass die Variabilität
unterschiedlich sein wird.
17:45
If I moveBewegung in this particularinsbesondere way,
453
1050000
2000
Wenn ich mich auf diese Art bewege,
17:47
I endEnde up with a smallerkleiner variabilityVariabilität acrossüber manyviele movementsBewegungen.
454
1052000
3000
erhalte ich eine geringere Variabilität
über viele Bewegungen hinweg.
17:50
So if I have to choosewählen betweenzwischen those two,
455
1055000
2000
Wenn ich mich zwischen
diesen beiden entscheiden muss,
17:52
I would choosewählen the right one because it's lessWeniger variableVariable.
456
1057000
2000
würde ich das Rechte wählen,
weil es weniger variabel ist.
17:54
And the fundamentalgrundlegend ideaIdee
457
1059000
2000
Und der Grundgedanke ist,
17:56
is you want to planplanen your movementsBewegungen
458
1061000
2000
dass man seine Bewegungen so plant,
17:58
so as to minimizeminimieren the negativeNegativ consequenceFolge of the noiseLärm.
459
1063000
3000
dass die negativen Konsequenzen
des Rauschens verringert werden.
18:01
And one intuitionIntuition to get
460
1066000
2000
Und eine Intuition, um das zu erreichen,
18:03
is actuallytatsächlich the amountMenge of noiseLärm or variabilityVariabilität I showShow here
461
1068000
2000
ist, dass die Menge an Rauschen oder Variabilität,
18:05
getsbekommt biggergrößer as the forceKraft getsbekommt biggergrößer.
462
1070000
2000
größer wird, je größer die Kraft wird.
18:07
So you want to avoidvermeiden biggroß forcesKräfte as one principlePrinzip.
463
1072000
3000
Ein Prinzip ist es also große Kräfte zu vermeiden.
18:10
So we'vewir haben showngezeigt that usingmit this,
464
1075000
2000
Wir haben gezeigt, dass wir damit
18:12
we can explainerklären a hugeenorm amountMenge of dataDaten --
465
1077000
2000
einen großen Teil der Daten erklären können –
18:14
that exactlygenau people are going about theirihr livesLeben planningPlanung movementsBewegungen
466
1079000
3000
Menschen planen tatsächlich
ihre Bewegungen ganz genau,
18:17
so as to minimizeminimieren negativeNegativ consequencesFolgen of noiseLärm.
467
1082000
3000
um die negativen Folgen
des Rauschens zu mindern.
18:20
So I hopeHoffnung I've convincedüberzeugt you the brainGehirn is there
468
1085000
2000
Ich konnte Sie hoffentlich überzeugen,
dass das Gehirn da ist
18:22
and evolvedentwickelt to controlsteuern movementBewegung.
469
1087000
2000
und sich entwickelt hat,
um Bewegung zu steuern.
18:24
And it's an intellectualgeistig challengeHerausforderung to understandverstehen how we do that.
470
1089000
3000
Es ist eine intellektuelle Herausforderung
zu verstehen, wie wir das machen.
18:27
But it's alsoebenfalls relevantrelevant
471
1092000
2000
Aber es ist auch relevant
18:29
for diseaseKrankheit and rehabilitationSanierung.
472
1094000
2000
bei Krankheit und Rehabilitation.
18:31
There are manyviele diseasesKrankheiten whichwelche effectbewirken movementBewegung.
473
1096000
3000
Es gibt viele Krankheiten,
die Bewegung beeinflussen.
18:34
And hopefullyhoffentlich if we understandverstehen how we controlsteuern movementBewegung,
474
1099000
2000
Und wenn wir verstehen,
wie wir Bewegung kontrollieren,
18:36
we can applysich bewerben that to roboticRoboter technologyTechnologie.
475
1101000
2000
können wir das hoffentlich
auf Robotertechnik anwenden.
18:38
And finallyendlich, I want to reminderinnern you,
476
1103000
2000
Und abschließend will ich
Sie daran erinnern,
18:40
when you see animalsTiere do what look like very simpleeinfach tasksAufgaben,
477
1105000
2000
dass wenn Sie sehen, wie Tiere
anscheinend einfache Aufgaben ausführen,
18:42
the actualtatsächlich complexityKomplexität of what is going on insideinnen theirihr brainGehirn
478
1107000
2000
die wahre Komplexität
der Vorgänge in deren Gehirn
18:44
is really quiteganz dramaticdramatisch.
479
1109000
2000
wirklich ziemlich dramatisch ist.
18:46
Thank you very much.
480
1111000
2000
Vielen Dank.
18:48
(ApplauseApplaus)
481
1113000
8000
(Applaus)
18:56
ChrisChris AndersonAnderson: QuickSchnell questionFrage for you, DanDan.
482
1121000
2000
Chris Anderson: Eine schnelle Frage für Sie, Dan.
18:58
So you're a movementBewegung -- (DWDW: ChauvinistChauvinist.) -- chauvinistChauvinist.
483
1123000
4000
Sie sind also ein Bewegungs- –
(DW: Chauvinist.) – chauvinist.
19:02
Does that mean that you think that the other things we think our brainsGehirne are about --
484
1127000
3000
Bedeutet dass, das Sie glauben, die anderen
Dinge, zu denen Gehirne für uns dienen –
19:05
the dreamingträumen, the yearningSehnsucht, the fallingfallend in love and all these things --
485
1130000
3000
Träumen, Sehnsucht, sich Verlieben
und alle diese Sachen –
19:08
are a kindArt of sideSeite showShow, an accidentUnfall?
486
1133000
3000
sind nur ein Nebenschauplatz, ein Unfall?
19:11
DWDW: No, no, actuallytatsächlich I think they're all importantwichtig
487
1136000
2000
DW: Nein, ich denke, dass sie alle wichtig sind,
19:13
to driveFahrt the right movementBewegung behaviorVerhalten to get reproductionReproduktion in the endEnde.
488
1138000
3000
um das richtige Bewegungsverhalten zu steuern,
um sich letztendlich fortzupflanzen.
19:16
So I think people who studyStudie sensationSensation or memoryErinnerung
489
1141000
3000
Menschen, die die Wahrnehmung
oder Erinnerung untersuchen,
19:19
withoutohne realizingverwirklichen why you're layingVerlegung down memoriesErinnerungen of childhoodKindheit.
490
1144000
2000
ohne festzustellen, warum Erinnerungen
an die Kindheit aufgezeichnet werden.
19:21
The factTatsache that we forgetvergessen mostdie meisten of our childhoodKindheit, for exampleBeispiel,
491
1146000
3000
Die Tatsache, dass wir etwa
unsere Kindheit großteils vergessen,
19:24
is probablywahrscheinlich fine, because it doesn't effectbewirken our movementsBewegungen laterspäter in life.
492
1149000
3000
ist wohl ok, weil es unsere Bewegungen
im späteren Leben nicht herbeiführt.
19:27
You only need to storeGeschäft things whichwelche are really going to effectbewirken movementBewegung.
493
1152000
3000
Man muss nur Dinge speichern,
die wirklich die Bewegung beeinflussen.
19:30
CACA: So you think that people thinkingDenken about the brainGehirn, and consciousnessBewusstsein generallyallgemein,
494
1155000
3000
CA: Sie glauben also, dass Menschen, die über das Gehirn und das Bewusstsein allgemein nachdenken,
19:33
could get realecht insightEinblick
495
1158000
2000
einen echten Einblick erhalten,
19:35
by sayingSprichwort, where does movementBewegung playspielen in this gameSpiel?
496
1160000
2000
wenn sie sich fragen, wo Bewegung mitspielt?
19:37
DWDW: So people have foundgefunden out for exampleBeispiel
497
1162000
2000
DW: Die Leute haben etwa festgestellt,
19:39
that studyingstudieren visionVision in the absenceAbwesenheit of realizingverwirklichen why you have visionVision
498
1164000
2000
dass es ein Fehler ist, die Sehkraft zu untersuchen,
19:41
is a mistakeFehler.
499
1166000
2000
ohne zu beachten, wofür sie da ist.
19:43
You have to studyStudie visionVision with the realizationRealisierung
500
1168000
2000
Man muss das Sehvermögen
mit der Erkenntnis untersuchen,
19:45
of how the movementBewegung systemSystem is going to use visionVision.
501
1170000
2000
wie das Bewegungssystem das Sehen nutzt.
19:47
And it usesVerwendungen it very differentlyanders onceEinmal you think about it that way.
502
1172000
2000
Und es gebraucht es ziemlich anders,
sobald man einmal so darüber denkt.
19:49
CACA: Well that was quiteganz fascinatingfaszinierend. Thank you very much indeedtatsächlich.
503
1174000
3000
CA: Das war ziemlich faszinierend. Vielen Dank.
19:52
(ApplauseApplaus)
504
1177000
2000
(Applaus)

▲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