ABOUT THE SPEAKER
Read Montague - Behavioral Neuroscientist
What does "normal behavior" look like? To find out, Read Montague is imaging thousands of brains at work.

Why you should listen

Until recently, the world's curiosity about our brains seemed to focus on abnormal behavior. Which of course left a big question unanswered: Do we even know what "normal behavior" is? Through the landmark Roanoke Brain Study, Read Montague is hoping to find that out, exploring the everyday tasks of brains -- making decisions, understanding social context, and relating to others -- by neuroimaging some 5,000 people, ages 18-85, over a period of many years.

Montague's teams in Virginia and in London lead fascinating research in computational neuroscience (how the brain's "machinery" works), offering insight into the relationship between the social and cognitive functions. For instance, a recent study from his group found that in small social groups, some people will alter the expression of their IQ in reaction to social pressures -- revising, in almost all cases, downward.

More profile about the speaker
Read Montague | Speaker | TED.com
TEDGlobal 2012

Read Montague: What we're learning from 5,000 brains

Read Montague: Was wir von 5000 Gehirnen lernen

Filmed:
763,896 views

Mäuse, Ungeziefer und Hamster sind nicht mehr die einzige Möglichkeit, um das Gehirn zu erforschen. Funktionale MRT (fMRT) erlaubt Wissenschaftlern Gehirnaktivität an lebendigen, antmenden, entscheidungstreffenden Menschen zu messen. Read Montague gibt uns einen Überblick darüber, wie diese Technologie uns dabei hilft, die komplizierte Art und Weise, wie wir miteinander inteagieren, zu verstehen.
- Behavioral Neuroscientist
What does "normal behavior" look like? To find out, Read Montague is imaging thousands of brains at work. Full bio

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

00:16
Other people. EveryoneAlle is interestedinteressiert in other people.
0
474
2809
Jeder interessiert sich
für andere Menschen.
00:19
EveryoneAlle has relationshipsBeziehungen with other people,
1
3283
2123
Jeder hat Beziehungen
zu anderen Menschen
00:21
and they're interestedinteressiert in these relationshipsBeziehungen
2
5406
1592
und ist an diesen
Beziehungen interessiert
00:22
for a varietyVielfalt of reasonsGründe dafür.
3
6998
1855
aus vielerlei Gründen.
00:24
Good relationshipsBeziehungen, badschlecht relationshipsBeziehungen,
4
8853
2012
Gute Beziehungen,
schlechte Beziehungen,
00:26
annoyingnervig relationshipsBeziehungen, agnosticAgnostiker relationshipsBeziehungen,
5
10865
3146
ärgerliche Beziehungen,
skeptische Beziehungen,
00:29
and what I'm going to do is focusFokus on the centralzentral pieceStück
6
14011
3424
und ich werde mich
auf das Kernelement
00:33
of an interactionInteraktion that goesgeht on in a relationshipBeziehung.
7
17435
3303
einer Interaktion
bei einer Beziehung konzentrieren.
00:36
So I'm going to take as inspirationInspiration the factTatsache that we're all
8
20738
2336
Als Inspiration dient mir
die Tatsache, dass wir alle
00:38
interestedinteressiert in interactinginteragierend with other people,
9
23074
2425
mit anderen Menschen
interagieren wollen.
00:41
I'm going to completelyvollständig stripStreifen it of all its complicatingerschwert featuresEigenschaften,
10
25499
3832
Alle komplizierten Funktionen
werde ich dabei herauslassen
00:45
and I'm going to turnWende that objectObjekt, that simplifiedvereinfacht objectObjekt,
11
29331
3894
und werde dieses
simplifizierte Objekt,
00:49
into a scientificwissenschaftlich probeSonde, and providezu Verfügung stellen the earlyfrüh stagesStufen,
12
33225
4150
einem Test unterziehen
und die frühen Stadien
00:53
embryonicembryonale stagesStufen of newneu insightsEinblicke into what happensdas passiert
13
37375
2449
neuer Erkenntnisse zeigen,
dessen was da
00:55
in two brainsGehirne while they simultaneouslygleichzeitig interactinteragieren.
14
39824
3650
in zwei Gehirnen geschieht,
während sie gleichzeitig interagieren.
00:59
But before I do that, let me tell you a couplePaar of things
15
43474
2293
Aber bevor ich das mache,
erzähl ich Ihnen ein paar Dinge,
01:01
that madegemacht this possiblemöglich.
16
45767
1699
die dies ermöglicht haben.
01:03
The first is we can now eavesdropbelauschen safelysicher
17
47466
2781
Erstens, können wir jetzt sicher
01:06
on healthygesund brainGehirn activityAktivität.
18
50247
2711
der gesunden Hirnaktivität lauschen.
01:08
WithoutOhne needlesNadeln and radioactivityRadioaktivität,
19
52958
2577
Ohne Nadeln oder Radioaktivität.
01:11
withoutohne any kindArt of clinicalklinisch reasonGrund, we can go down the streetStraße
20
55535
2863
Ohne klinischen Grund
können wir auf die Straße gehen
01:14
and recordAufzeichnung from your friends'Freunde and neighbors'Nachbarn brainsGehirne
21
58398
3127
und die Gehirnaktivität von
Freunden und Nachbarn
01:17
while they do a varietyVielfalt of cognitivekognitiv tasksAufgaben, and we use
22
61525
2538
beim Lösen verschiedener kognitiver Aufgaben
aufnehmen und wir benutzen dazu
01:19
a methodMethode callednamens functionalfunktionell magneticmagnetisch resonanceResonanz imagingImaging.
23
64063
3734
eine Methode, die funktionelle
Magnetresonanztomographie heißt.
01:23
You've probablywahrscheinlich all readlesen about it or heardgehört about in some
24
67797
2325
Sie alle haben wahrscheinlich
schon davon gehört oder gelesen.
01:26
incarnationInkarnation. Let me give you a two-sentencezwei Sätzen versionVersion of it.
25
70122
4378
Ich gebe Ihnen jetzt eine
Zwei-Sätze-Version darüber:
01:30
So we'vewir haben all heardgehört of MRIsMRTs. MRIsMRTs use magneticmagnetisch fieldsFelder
26
74500
3484
Wir alle kennen fMRTs.
Diese benutzen Magnetfelder
01:33
and radioRadio wavesWellen and they take snapshotsSnapshots of your brainGehirn
27
77984
2029
und Radiowellen, um Schnappschüsse
des Gehirns aufzunehmen,
01:35
or your kneeKnie or your stomachBauch,
28
80013
2361
oder Ihres Knies oder Magens,
01:38
grayscaleGraustufen imagesBilder that are frozengefroren in time.
29
82374
2045
das sind in der Zeit eingefrorene
Graustufen-Bilder.
01:40
In the 1990s, it was discoveredentdeckt you could use
30
84419
2321
In den 1990ern wurde entdeckt,
01:42
the samegleich machinesMaschinen in a differentanders modeModus,
31
86740
2659
dass man dieselben Maschinen
anders einsetzen konnte,
01:45
and in that modeModus, you could make microscopicmikroskopische bloodBlut flowfließen
32
89399
2346
und genau so mikrokopische
Durchblutungs-Filme,
01:47
moviesFilme from hundredsHunderte of thousandsTausende of sitesStandorte independentlyunabhängig in the brainGehirn.
33
91745
3300
simultan von hunderttausend Seiten
der Hirnareale machen konnte.
01:50
Okay, so what? In factTatsache, the so what is, in the brainGehirn,
34
95045
3200
Okay, na und? Dieses "na, und" bewirkt
01:54
changesÄnderungen in neuralneuronale activityAktivität, the things that make your brainGehirn work,
35
98245
3832
Veränderungen neuraler Aktivitäten.
Die Dinge, die Ihr Gehirn und
01:57
the things that make your softwareSoftware work in your brainGehirn,
36
102077
2010
die Software in Ihrem Gehirn arbeiten lässt
01:59
are tightlydicht correlatedkorreliert with changesÄnderungen in bloodBlut flowfließen.
37
104087
2489
sind eng mit Durchblutungsänderungen verbunden.
02:02
You make a bloodBlut flowfließen movieFilm, you have an independentunabhängig
38
106576
1973
Wenn Sie einen Durchblutungsfilm drehen,
erhalten Sie einen unabhängigen
02:04
proxyProxy of brainGehirn activityAktivität.
39
108549
2339
Proxy der Gehirnaktivität.
02:06
This has literallybuchstäblich revolutionizedrevolutioniert cognitivekognitiv scienceWissenschaft.
40
110888
3034
Dies hat im wahrsten Sinne des Wortes
die Kognitionswissenschaft revolutioniert.
02:09
Take any cognitivekognitiv domainDomain you want, memoryErinnerung,
41
113922
1991
Nehmen Sie irgendeinen
geistigen Prozess: das Gedächtnis,
02:11
motorMotor- planningPlanung, thinkingDenken about your mother-in-lawSchwiegermutter,
42
115913
2141
motorische Planungen,
über die Schwiegermutter nachdenken
02:13
gettingbekommen angrywütend at people, emotionalemotional responseAntwort, it goesgeht on and on,
43
118054
3715
sich über Leute ärgern,
emotionale Antworten etc., etc.,
02:17
put people into functionalfunktionell MRIMRI devicesGeräte, and
44
121769
3089
stecken Sie Menschen
in funktinale MRI Geräte und
02:20
imageBild how these kindsArten of variablesVariablen mapKarte ontoauf zu brainGehirn activityAktivität.
45
124858
3383
beobachten Sie, wie diese Variablen
sich auf die Gehirnaktivität auswirken.
02:24
It's in its earlyfrüh stagesStufen, and it's crudegrobe by some measuresMaßnahmen,
46
128241
2849
Es befindet sich in seinen Anfängen,
und bestimmte Messwerte sind unausgereift,
02:26
but in factTatsache, 20 yearsJahre agovor, we were at nothing.
47
131090
2568
aber vor 20 Jahren
hatten wir noch gar nichts.
02:29
You couldn'tkonnte nicht do people like this. You couldn'tkonnte nicht do healthygesund people.
48
133658
2359
Man konnte das mit gesunden
Menschen nicht machen.
02:31
That's causedverursacht a literalLiteral revolutionRevolution, and it's openedgeöffnet us up
49
136017
2488
Daraus wurde eine Revolution
und es eröffnete uns
02:34
to a newneu experimentalExperimental- preparationVorbereitung. NeurobiologistsNeurobiologen,
50
138505
2818
neue experimentelle Verfahren.
Neurobiologen haben,
02:37
as you well know, have lots of experimentalExperimental- prepsPREPS,
51
141323
3760
wie sie wissen, viele Verusuchstiere,
02:40
wormsWürmer and rodentsNagetiere and fruitFrucht fliesfliegt and things like this.
52
145083
3141
Würmer, Nagetiere,
Fruchtfliegen und ähnliches.
02:44
And now, we have a newneu experimentalExperimental- prepPrep: humanMensch beingsWesen.
53
148224
3397
Und jetzt haben wir ein
neues Versuchsobjekt: Menschen.
02:47
We can now use humanMensch beingsWesen to studyStudie and modelModell-
54
151621
3761
Wir können jetzt Menschen einsetzen,
02:51
the softwareSoftware in humanMensch beingsWesen, and we have a fewwenige
55
155382
2950
um die Software an ihm selbst zu erforschen
und zu entwickeln und erhalten daraus
02:54
burgeoningaufkeimenden biologicalbiologisch measuresMaßnahmen.
56
158332
2835
immer mehr biologische Messungen.
02:57
Okay, let me give you one exampleBeispiel of the kindsArten of experimentsExperimente that people do,
57
161167
3887
Ok, ich gebe Ihnen ein Beispiel,
was für Experimente wir machen
03:00
and it's in the areaBereich of what you'ddu würdest call valuationBewertung.
58
165054
2677
und sie befinden sich im Wertungsareal.
03:03
ValuationBewertung is just what you think it is, you know?
59
167731
2135
Wertung ist genau das,
was Sie denken
03:05
If you wentging and you were valuingBewertung two companiesFirmen againstgegen
60
169866
2804
Wenn Sie zwei Unternehmen
miteinander vergleichen
03:08
one anotherein anderer, you'ddu würdest want to know whichwelche was more valuablewertvoll.
61
172670
2736
möchten Sie wissen,
welches mehr Wert ist.
03:11
CulturesKulturen discoveredentdeckt the keySchlüssel featureFeature of valuationBewertung thousandsTausende of yearsJahre agovor.
62
175406
3879
Die Kulturen entdeckten das Schlüsselelement
des Vergleichens vor Tausenden von Jahren:
03:15
If you want to comparevergleichen orangesOrangen to windshieldsWindschutzscheiben, what do you do?
63
179285
2690
Wenn Sie Orangen mit Windschutzscheiben
vergleichen wollen, was machen Sie da?
03:17
Well, you can't comparevergleichen orangesOrangen to windshieldsWindschutzscheiben.
64
181975
2356
Nun, man kann sie nicht
miteinander vergleichen.
03:20
They're immisciblenicht mischbar. They don't mixmischen with one anotherein anderer.
65
184331
2255
Sie sind nicht vergleichbar.
Sie haben nichts miteinander zu tun.
03:22
So insteadstattdessen, you convertkonvertieren them to a commonverbreitet currencyWährung scaleRahmen,
66
186586
2351
Deshalb drücken Sie diese Dinge
in einer gemeinsame Währungsskala aus,
03:24
put them on that scaleRahmen, and valueWert them accordinglyentsprechend.
67
188937
2706
setzen sie auf diese Skala
und werten sie entsprechend.
03:27
Well, your brainGehirn has to do something just like that as well,
68
191643
3436
Ihr Gehirn muss genau dasselbe tun,
03:30
and we're now beginningAnfang to understandverstehen and identifyidentifizieren
69
195079
2488
und wir verstehen jetzt allmählich,
03:33
brainGehirn systemsSysteme involvedbeteiligt in valuationBewertung,
70
197567
2137
wie Gehirnsysteme arbeiten,
wenn sie werten
03:35
and one of them includesbeinhaltet a neurotransmitterNeurotransmitter systemSystem
71
199704
2632
und eines von ihnen enthält ein Neurotransmittersystem,
03:38
whosederen cellsZellen are locatedgelegen in your brainstemHirnstamm
72
202336
2632
dessen Zellen in Ihrem Hirnstamm liegen
03:40
and deliverliefern the chemicalchemisch dopamineDopamin to the restsich ausruhen of your brainGehirn.
73
204968
3175
und das chemische Dopamin
im restlichen Gehirn verteilen.
03:44
I won'tGewohnheit go throughdurch the detailsDetails of it, but that's an importantwichtig
74
208143
2442
Ich gehe nicht in die Einzelheiten,
aber das ist eine wichtige
03:46
discoveryEntdeckung, and we know a good bitBit about that now,
75
210585
2157
Entdeckung, und wir wissen
jetzt schon eine Menge darüber,
03:48
and it's just a smallklein pieceStück of it, but it's importantwichtig because
76
212742
2230
nur über einen kleinen Teil davon,
aber er ist wichtig,
03:50
those are the neuronsNeuronen that you would loseverlieren if you had Parkinson'sParkinson diseaseKrankheit,
77
214972
3275
denn das sind die Neuronen,
die man z.B. bei Parkinson verliert.
03:54
and they're alsoebenfalls the neuronsNeuronen that are hijackedentführt by literallybuchstäblich
78
218247
2016
und es gibt Neuronen, die sogar regelrecht
03:56
everyjeden drugDroge of abuseMissbrauch, and that makesmacht senseSinn.
79
220263
2232
durch jeden Medikamentenmissbrauch
entführt werden, und das hat einen Sinn.
03:58
DrugsMedikamente of abuseMissbrauch would come in, and they would changeVeränderung
80
222495
2336
Drogenmissbrauch verändert die Art,
04:00
the way you valueWert the worldWelt. They changeVeränderung the way
81
224831
1789
wie sie die Welt bewerten.
Sie ändern die Art wie Sie
04:02
you valueWert the symbolsSymbole associateddamit verbundenen with your drugDroge of choiceWahl,
82
226620
3199
die mit dem Medikament ihrer Wahl
verbundenen Symbole bewerten,
04:05
and they make you valueWert that over everything elsesonst.
83
229819
2514
und sie schätzen sie vor allen anderen Dinge.
04:08
Here'sHier ist the keySchlüssel featureFeature thoughobwohl. These neuronsNeuronen are alsoebenfalls
84
232333
3021
Hier befindet sich wiederum das Hauptmerkmal.
Diese Neuronen sind auch
04:11
involvedbeteiligt in the way you can assignzuordnen valueWert to literallybuchstäblich abstractabstrakt ideasIdeen,
85
235354
3501
daran beteiligt, wie Sie abstrakte Ideen bewerten,
04:14
and I put some symbolsSymbole up here that we assignzuordnen valueWert to
86
238855
2041
und ich zeige Ihnen hier einige Symbole,
denen wir aus vielerlei Gründen
04:16
for variousverschiedene reasonsGründe dafür.
87
240896
2720
auch einen Wert beimessen.
04:19
We have a behavioralVerhaltens- superpowerSupermacht in our brainGehirn,
88
243616
2689
Wir haben eine Verhaltens-Supermacht
in unserem Gehirn
04:22
and it at leastam wenigsten in partTeil involvesbeinhaltet dopamineDopamin.
89
246305
1753
und sie erfordert zumindest partiell Dopamin.
04:23
We can denyverweigern everyjeden instinctInstinkt we have for survivalÜberleben for an ideaIdee,
90
248058
4189
Wir können jeden Instinkt leugnen,
um eine Idee zu retten,
04:28
for a merebloß ideaIdee. No other speciesSpezies can do that.
91
252247
4005
eine simple Idee. Keine
andere Spezies kann das.
04:32
In 1997, the cultKult Heaven'sDes Himmels GateTor committedverpflichtet massMasse suicideSelbstmord
92
256252
3606
1997 beging die Sekte "Heaven's Gate"
einen kollektiven Selbstmord,
04:35
predicatedbasiert on the ideaIdee that there was a spaceshipRaumschiff
93
259858
2215
weil die Idee gepredigt wurde,
dass sich ein Raumschiff
04:37
hidingausblenden in the tailSchwanz of the then-visibledann sichtbar cometKomet Hale-BoppHale-Bopp
94
262073
3785
hinter dem damals sichtbaren
Kometen Hale-Bopp versteckte.
04:41
waitingwarten to take them to the nextNächster levelEbene. It was an incrediblyunglaublich tragictragisch eventEvent.
95
265858
4272
Es würde sie zum nächsten Level mitnehmen.
Es war ein unglaublich tragischer Vorfall.
04:46
More than two thirdsDrittel of them had collegeHochschule degreesGrad.
96
270130
3485
Mehr als 2/3 davon
hatten Hochschulabschluss.
04:49
But the pointPunkt here is they were ablefähig to denyverweigern theirihr instinctsInstinkte for survivalÜberleben
97
273615
3723
Es geht darum, dass sie ihren
Überlebensinstinkt leugnen konnten,
04:53
usingmit exactlygenau the samegleich systemsSysteme that were put there
98
277338
2866
indem sie genau das Sytem einsetzten,
welches dort eingesetzt wurde,
04:56
to make them surviveüberleben. That's a lot of controlsteuern, okay?
99
280204
4042
um sie am Leben zu erhalten.
Das nenne ich Kontrolle, oder?
05:00
One thing that I've left out of this narrativeErzählung
100
284246
2089
Ich habe eine selbstverständliche Sache
05:02
is the obviousoffensichtlich thing, whichwelche is the focusFokus of the restsich ausruhen of my
101
286335
2234
nicht erwähnt,
die den Fokus meiner
05:04
little talk, and that is other people.
102
288569
2159
weiteren Rede bilden wird,
nämlich andere Menschen.
05:06
These samegleich valuationBewertung systemsSysteme are redeployedumgeschichtet
103
290728
2996
Dasselbe Wertesystem
wird über den Haufen geworfen,
05:09
when we're valuingBewertung interactionsWechselwirkungen with other people.
104
293724
2492
wenn wir die Interaktion
mit anderen Menschen evaluieren.
05:12
So this samegleich dopamineDopamin systemSystem that getsbekommt addictedsüchtig to drugsDrogen,
105
296216
3271
Dasselbe Dopaminsystem,
das drogenabhängig wird,
05:15
that makesmacht you freezeeinfrieren when you get Parkinson'sParkinson diseaseKrankheit,
106
299487
2524
das Sie erstarren lässt,
wenn Sie Parkinson haben,
05:17
that contributesträgt bei to variousverschiedene formsFormen of psychosisPsychose,
107
302011
3077
das verschiedene Formen
von Psychosen mit sich bringt
05:20
is alsoebenfalls redeployedumgeschichtet to valueWert interactionsWechselwirkungen with other people
108
305088
3920
beteiligt sich auch daran, die Interaktionen
mit anderen Menschen zu evaluieren
05:24
and to assignzuordnen valueWert to gesturesGesten that you do
109
309008
2896
und Gestiken einzuschätzen,
05:27
when you're interactinginteragierend with somebodyjemand elsesonst.
110
311904
2574
wenn Sie mit jemand anderes interagieren.
05:30
Let me give you an exampleBeispiel of this.
111
314478
2577
Ich gebe Ihnen ein Beispiel:
05:32
You bringbringen to the tableTabelle sucheine solche enormousenorm processingwird bearbeitet powerLeistung
112
317055
2967
Sie merken gar nicht,
was für eine enorme
05:35
in this domainDomain that you hardlykaum even noticebeachten it.
113
320022
2624
Rechenleistung Sie
in diese Domäne einbringen
05:38
Let me just give you a fewwenige examplesBeispiele. So here'shier ist a babyBaby.
114
322646
1467
Einige Beispiele: Dieses 3 Monate alte Baby.
05:40
She's threedrei monthsMonate oldalt. She still poopspoops in her diapersWindeln and she can't do calculusKalkül.
115
324113
3730
Sie macht sich noch in die Windeln
und kann nicht rechnen.
05:43
She's relatedverwandte to me. SomebodyJemand will be very gladfroh that she's up here on the screenBildschirm.
116
327843
3353
Sie ist mit mir verwandt.
Da wird sich jemand freuen, sie dort zu sehen.
05:47
You can coverAbdeckung up one of her eyesAugen, and you can still readlesen
117
331196
2376
Man kann ihr ein Auge zudecken
und immer noch vom anderen Auge
05:49
something in the other eyeAuge, and I see sortSortieren of curiosityNeugierde
118
333572
2755
etwas ablesen;
ich sehe da Neugierde
05:52
in one eyeAuge, I see maybe a little bitBit of surpriseüberraschen in the other.
119
336327
3597
in einem Auge, im anderen vielleicht
etwas mehr Überraschung.
05:55
Here'sHier ist a couplePaar. They're sharingTeilen a momentMoment togetherzusammen,
120
339924
3179
Dieses Pärchen: Sie teilen
einen Augenblick miteinander –
05:59
and we'vewir haben even doneerledigt an experimentExperiment where you can cutschneiden out
121
343103
1318
bei einem Experiment haben wir
06:00
differentanders piecesStücke of this frameRahmen and you can still see
122
344421
3007
verschiedene Teile dieses Bildes
ausgeschnitten und doch
06:03
that they're sharingTeilen it. They're sharingTeilen it sortSortieren of in parallelparallel.
123
347428
2504
kann man erkennen,
dass sie ihn quasi parallel teilen.
06:05
Now, the elementsElemente of the sceneSzene alsoebenfalls communicatekommunizieren this
124
349932
2463
Elemente dieser Szene
vermitteln uns das auch direkt,
06:08
to us, but you can readlesen it straightGerade off theirihr facesGesichter,
125
352395
2235
aber man kann es
in ihren Gesichtern lesen,
06:10
and if you comparevergleichen theirihr facesGesichter to normalnormal facesGesichter, it would be a very subtlesubtil cueStichwort.
126
354630
3503
wenn man ihre Gesichter mit normalen vergleicht,
gäbe es da ganz subtile Signale.
06:14
Here'sHier ist anotherein anderer couplePaar. He's projectingprojizierend out at us,
127
358133
3347
Hier ein anderes Pärchen. Er zeigt sich uns
06:17
and she's clearlydeutlich projectingprojizierend, you know,
128
361480
2888
und sie drückt ihm sehr klar
06:20
love and admirationBewunderung at him.
129
364368
2263
Liebe und Bewunderung aus.
06:22
Here'sHier ist anotherein anderer couplePaar. (LaughterLachen)
130
366631
3635
Und noch ein Paar. (Lachen)
06:26
And I'm thinkingDenken I'm not seeingSehen love and admirationBewunderung on the left. (LaughterLachen)
131
370266
5150
Ich glaube, ich sehe hier links
keine Liebe und Bewunderung. (Lachen)
06:31
In factTatsache, I know this is his sisterSchwester, and you can just see
132
375416
2560
Ich weiß sogar, dass das seine Schwester ist
und Sie können fast hören
06:33
him sayingSprichwort, "Okay, we're doing this for the cameraKamera,
133
377976
2513
wie er sagt: "Ok, wir machen das fürs Foto
06:36
and then afterwardsdanach you stealstehlen my candySüßigkeiten and you punchPunsch me in the faceGesicht." (LaughterLachen)
134
380489
5702
und danach nimmst Du mir das Bonbon weg
und knallst mir eine." (Lachen)
06:42
He'llEr werde killtöten me for showingzeigt that.
135
386191
2106
Er bringt mich um,
weil ich das gezeigt habe.
06:44
All right, so what does this mean?
136
388297
2797
Was bedeutet dies eigentlich?
06:46
It meansmeint we bringbringen an enormousenorm amountMenge of processingwird bearbeitet powerLeistung to the problemProblem.
137
391094
3350
Es bedeutet, wir bringen eine
enorme Einschätzungskapazität mit.
06:50
It engagesengagiert sich deeptief systemsSysteme in our brainGehirn, in dopaminergicdopaminergen
138
394444
3648
Es aktiviert tiefe Gehirnareale,
06:53
systemsSysteme that are there to make you chaseChase sexSex, foodLebensmittel and saltSalz-.
139
398092
2818
die dafür da sind, Sex,
Essen, Salz erbeuten zu wollen.
06:56
They keep you aliveam Leben. It givesgibt them the piePie, it givesgibt
140
400910
2894
Sie halten Sie am Leben und geben ihnen den Zucker,
06:59
that kindArt of a behavioralVerhaltens- punchPunsch whichwelche we'vewir haben callednamens a superpowerSupermacht.
141
403804
2904
so eine Art Verhaltensimpuls,
den wir Supermacht nennen.
07:02
So how can we take that and arrangevereinbaren a kindArt of stagedin Szene gesetzt
142
406708
3654
Wie können wir dies also verwenden
und eine inszenierte, gesellschaftliche
07:06
socialSozial interactionInteraktion and turnWende that into a scientificwissenschaftlich probeSonde?
143
410362
2698
Interaktion in einen wissenschaftlichen Test verwandeln?
07:08
And the shortkurz answerAntworten is gamesSpiele.
144
413060
2691
Die kurze Antwort darauf heißt: Spiele.
07:11
EconomicWirtschaftlichen gamesSpiele. So what we do is we go into two areasBereiche.
145
415751
4404
Wirtschaftsspiele. Wir begeben uns in zwei Bereiche.
07:16
One areaBereich is callednamens experimentalExperimental- economicsWirtschaft. The other areaBereich is callednamens behavioralVerhaltens- economicsWirtschaft.
146
420155
3336
Ein Bereich heißt: experimentelle Ökonomie
Der andere: Verhaltensökonomie.
07:19
And we stealstehlen theirihr gamesSpiele. And we contriveersinnen them to our ownbesitzen purposesZwecke.
147
423491
4078
Dann berauben wir sie ihrer Spiele.
Und benutzen sie für unsere Absichten.
07:23
So this showszeigt an you one particularinsbesondere gameSpiel callednamens an ultimatumUltimatum gameSpiel.
148
427569
2967
Dies zeigt ein bestimmtes Spiel,
das "Ultimatum-Spiel" heißt.
07:26
RedRot personPerson is givengegeben a hundredhundert dollarsDollar and can offerAngebot
149
430536
1845
Die rote Person erhält 100 $
und sie darf der blauen
07:28
a splitTeilt to blueblau. Let's say redrot wants to keep 70,
150
432381
3723
einen Anteil anbieten.
Angenommen Rot will 70 behalten,
07:32
and offersbietet an blueblau 30. So he offersbietet an a 70-30 splitTeilt with blueblau.
151
436104
4086
und bietet Blau 30 an.
Er bietet also ein 70/30-Verteilung an
07:36
ControlKontrolle passesgeht vorbei to blueblau, and blueblau sayssagt, "I acceptakzeptieren it,"
152
440190
2851
Blau übernimmt die Kontrolle und sagt:
"Ja, ich nehme an"
07:38
in whichwelche caseFall he'der würde get the moneyGeld, or blueblau sayssagt,
153
443041
1956
in dem Falle erhält er das Geld,
oder Blau sagt:
07:40
"I rejectablehnen it," in whichwelche caseFall no one getsbekommt anything. Okay?
154
444997
4307
"Ich lehne ab," dann keiner erhält etwas.
Ok?
07:45
So a rationalrational choiceWahl economistÖkonom would say, well,
155
449304
3392
Ein rational wählender Ökonom würde sagen:
07:48
you should take all non-zeronicht Null offersbietet an.
156
452696
2056
Gut, nimm alle Ungleich-Null-Angebote.
07:50
What do people do? People are indifferentgleichgültig at an 80-20 splitTeilt.
157
454752
3762
Was machen die Menschen?
Bei einem 80/20 Anteil ist es ihnen gleich.
07:54
At 80-20, it's a coinMünze flipflip whetherob you acceptakzeptieren that or not.
158
458514
3524
Bei 80/20 ist es wie beim Münzenwerfen,
ob man annimmt oder nicht.
07:57
Why is that? You know, because you're pissedbesoffen off.
159
462038
2891
Warum ist das so?
Weil man verärgert ist.
08:00
You're madwütend. That's an unfairunfair offerAngebot, and you know what an unfairunfair offerAngebot is.
160
464929
3609
Man ist sauer. Es ist unfaires Angebot
und damit kennt man sich aus.
08:04
This is the kindArt of gameSpiel doneerledigt by my labLabor and manyviele around the worldWelt.
161
468538
2704
So ein Spiel wurde in meinem Labor und
in vielen anderen in der Welt durchgeführt.
08:07
That just givesgibt you an exampleBeispiel of the kindArt of thing that
162
471242
2544
Dies gibt Ihnen eine kleine
Vorstellung von den Dingen,
08:09
these gamesSpiele probeSonde. The interestinginteressant thing is, these gamesSpiele
163
473786
3738
die diese Spiele testen.
Das Interessante dabei ist,
08:13
requireerfordern that you have a lot of cognitivekognitiv apparatusApparat on lineLinie.
164
477524
3707
dass diese Spiele einen großen, kognitiven
Verarbeitungsapparat voraussetzen.
08:17
You have to be ablefähig to come to the tableTabelle with a properordnungsgemäße modelModell- of anotherein anderer personPerson.
165
481231
2928
Sie müssen sich mit der richtigen Vorstellung
von einer anderen Person an den Tische setzen.
08:20
You have to be ablefähig to remembermerken what you've doneerledigt.
166
484159
3213
Sie müssen in der Lage sein,
sich zu erinnern, was Sie getan haben.
08:23
You have to standStand up in the momentMoment to do that.
167
487372
1420
Sie müssen im richtigen Moment dafür eintreten.
08:24
Then you have to updateaktualisieren your modelModell- basedbasierend on the signalsSignale comingKommen back,
168
488792
3350
Dann müssen Sie, den zurückkommenden
Signalen entsprechend, ihr Modell erneuern,
08:28
and you have to do something that is interestinginteressant,
169
492142
2972
und etwas Interessantes tun.
08:31
whichwelche is you have to do a kindArt of depthTiefe of thought assayAssay.
170
495114
2597
Man muss eine Art Tiefenanalyse
der Gedanken betreiben.
08:33
That is, you have to decideentscheiden what that other personPerson expectserwartet, dass of you.
171
497711
3333
Man muss nämlich entscheiden,
was der andere von einem erwartet.
08:36
You have to sendsenden signalsSignale to manageverwalten your imageBild in theirihr mindVerstand.
172
501044
2954
Sie müssen Signale senden, um die Vorstellung
von Ihnen in deren Gehirn zu steuern.
08:39
Like a jobJob interviewInterview. You sitsitzen acrossüber the deskSchreibtisch from somebodyjemand,
173
503998
2853
Wie bei einem Vorstellungsgespräch.
Sie sitzen jemandem gegenüber,
08:42
they have some priorvorher imageBild of you,
174
506851
1369
der von Ihnen ein vorgefasstes Bild hat,
08:44
you sendsenden signalsSignale acrossüber the deskSchreibtisch to moveBewegung theirihr imageBild
175
508220
2751
Sie senden Signale über den Tisch,
um dieses Bild von Ihnen
08:46
of you from one placeOrt to a placeOrt where you want it to be.
176
510971
3920
dorthin zu bewegen,
wo Sie es hinhaben wollen.
08:50
We're so good at this we don't really even noticebeachten it.
177
514891
3385
Wir sind darin so gut,
wir merken das noch nicht einmal.
08:54
These kindsArten of probesSonden exploitausnutzen it. Okay?
178
518276
3767
Diese Art Tests machen sich dies zunutze, ok?
08:57
In doing this, what we'vewir haben discoveredentdeckt is that humansMenschen
179
522043
1807
Und dabei haben wir herausgefunden,
dass Menschen sich eigentlich
08:59
are literalLiteral canariesKanaren in socialSozial exchangesAustausch.
180
523850
2331
beim gesellschaftlichen Austausch
wie Kanarienvögel verhalten.
09:02
CanariesKanaren used to be used as kindArt of biosensorsBiosensoren in minesMinen.
181
526181
3397
Kanarienvögel wurden in Minen
als Biosensoren benutzt.
09:05
When methaneMethan builtgebaut up, or carbonKohlenstoff dioxideDioxid builtgebaut up,
182
529578
3560
Wenn sich Methan bildete,
oder Kohledioxide
09:09
or oxygenSauerstoff was diminishedabgebaut, the birdsVögel would swoonOhnmacht
183
533138
4186
oder wenn Sauerstoff ausgestoßen wurde,
fielen die Vögel in Ohnmacht
09:13
before people would -- so it actedgehandelt as an earlyfrüh warningWarnung systemSystem:
184
537324
2326
bevor es den Menschen passierte –
sie fungierten also als Frühwarnsystem:
09:15
Hey, get out of the mineBergwerk. Things aren'tsind nicht going so well.
185
539650
2980
"Kommt aus der Mine heraus.
Es sieht nicht gut aus."
09:18
People come to the tableTabelle, and even these very bluntstumpf,
186
542630
2954
Menschen kommen an den Tisch
– und sogar für diese stumpfe,
09:21
stagedin Szene gesetzt socialSozial interactionsWechselwirkungen, and they, and there's just
187
545584
2990
inszenierte soziale Interaktion, bei der bloß
09:24
numbersNummern going back and forthher betweenzwischen the people,
188
548574
3016
Zahlen zwischen den Leuten hin- und hergehen,
09:27
and they bringbringen enormousenorm sensitivitiesEmpfindlichkeiten to it.
189
551590
2199
bringen sie viel Feingefühl auf.
09:29
So we realizedrealisiert we could exploitausnutzen this, and in factTatsache,
190
553789
2689
Wir wussten, das konnten wir
uns zu Nutze machen und tatsächlich
09:32
as we'vewir haben doneerledigt that, and we'vewir haben doneerledigt this now in
191
556478
2556
jetzt, wo wir es gemacht haben
und wir haben es
09:34
manyviele thousandsTausende of people, I think on the orderAuftrag of
192
559034
2694
bei einigen tausend Menschen getestet,
ich glaube so an die
09:37
fivefünf or sixsechs thousandtausend. We actuallytatsächlich, to make this
193
561728
2165
fünf oder sechstausend waren es. Wir brauchen
09:39
a biologicalbiologisch probeSonde, need biggergrößer numbersNummern than that,
194
563893
2224
aber für einen biologischen Test
eine viel größere Anzahl als diese
09:42
remarkablybemerkenswert so. But anywaysowieso,
195
566117
3674
aber sie ist auch so bemerkenswert.
09:45
patternsMuster have emergedaufgetaucht, and we'vewir haben been ablefähig to take
196
569791
2004
Dennoch haben sich Muster ergeben,
und wir konnten
09:47
those patternsMuster, convertkonvertieren them into mathematicalmathematisch modelsModelle,
197
571795
3836
sie in mathematische Modelle umwandeln,
09:51
and use those mathematicalmathematisch modelsModelle to gaingewinnen newneu insightsEinblicke
198
575631
2689
und diese mathematischen Modelle
für neue Erkenntnisse nutzen,
09:54
into these exchangesAustausch. Okay, so what?
199
578320
2131
die diese Interaktionen betreffen. Und nun?
09:56
Well, the so what is, that's a really nicenett behavioralVerhaltens- measuremessen,
200
580451
3313
Dieses "und nun" ist eine richtig
gutes Maß für unser Verhalten,
09:59
the economicWirtschaftlich gamesSpiele bringbringen to us notionsVorstellungen of optimaloptimale playspielen.
201
583764
3319
die Wirtschaftsspiele bringen uns dazu,
optimal zu spielen
10:02
We can computeberechnen that duringwährend the gameSpiel.
202
587083
2484
Wir können das während des Spiels berechnen.
10:05
And we can use that to sortSortieren of carveschnitzen up the behaviorVerhalten.
203
589567
2953
Und wir können das Verhalten sozusagen zerlegen.
10:08
Here'sHier ist the coolcool thing. SixSechs or sevenSieben yearsJahre agovor,
204
592520
4330
Das Coole ist, dass wir vor
sechs oder sieben Jahren
10:12
we developedentwickelt a teamMannschaft. It was at the time in HoustonHouston, TexasTexas.
205
596850
2550
ein Team zusammenstellten.
Das war damals in Houston, Texas.
10:15
It's now in VirginiaVirginia and LondonLondon. And we builtgebaut softwareSoftware
206
599400
3394
Heute befindet es sich in Virginia und London.
Wir entwickelten eine Software,
10:18
that'lldas werde linkVerknüpfung functionalfunktionell magneticmagnetisch resonanceResonanz imagingImaging devicesGeräte
207
602794
3207
die mit Hilfe funktioneller Magnetresonanztomographie.
10:21
up over the InternetInternet. I guessvermuten we'vewir haben doneerledigt up to sixsechs machinesMaschinen
208
606001
4035
über das Internet verlinkt wird.
Wir haben bis zu sechs Maschinen gebaut,
10:25
at a time, but let's just focusFokus on two.
209
610036
1981
aber schauen wir uns mal zwei genauer an.
10:27
So it synchronizessynchronisiert machinesMaschinen anywhereirgendwo in the worldWelt.
210
612017
3058
Es synchronisiert also Maschinen überall auf der Welt.
10:30
We synchronizesynchronisieren the machinesMaschinen, setSet them into these
211
615075
3169
Wir synchronisieren die Maschinen,
setzen sie in diese
10:34
stagedin Szene gesetzt socialSozial interactionsWechselwirkungen, and we eavesdropbelauschen on bothbeide
212
618244
1983
sozialen Interaktionen und belauschen beide
10:36
of the interactinginteragierend brainsGehirne. So for the first time,
213
620227
1666
interagierenden Gehirne.
Es ist das erste Mal,
10:37
we don't have to look at just averagesDurchschnittswerte over singleSingle individualsIndividuen,
214
621893
3607
das wir nicht auf Durschschnittsmenschen,
sondern auf Individuen schauen,
10:41
or have individualsIndividuen playingspielen computersComputer, or try to make
215
625500
2897
oder Individuen Computerspiele spielen lassen
10:44
inferencesRückschlüsse that way. We can studyStudie individualPerson dyadsDyaden.
216
628397
2763
und daraus Schlüsse ziehen.
Wir können individuelle Dyaden erforschen.
10:47
We can studyStudie the way that one personPerson interactsinteragiert with anotherein anderer personPerson,
217
631160
2785
Wir können die Art, wie ein Mensch
mit einem anderen interagiert erforschen,
10:49
turnWende the numbersNummern up, and startAnfang to gaingewinnen newneu insightsEinblicke
218
633945
2564
die Zahlen erhöhen
und neue Einblicke
10:52
into the boundariesGrenzen of normalnormal cognitionErkenntnis,
219
636509
2515
in die Grenzen
der normalen Kognition erlangen.
10:54
but more importantlywichtig, we can put people with
220
639024
2732
Aber noch wichtiger ist, dass wir Menschen,
10:57
classicallyklassisch defineddefiniert mentalgeistig illnessesKrankheiten, or brainGehirn damageBeschädigung,
221
641756
3337
die klassisch als verrückt galten,
oder einen Hirnschaden haben,
11:00
into these socialSozial interactionsWechselwirkungen, and use these as probesSonden of that.
222
645093
3551
in sozialen Interaktionen eintreten lassen und
diese dann zur Untersuchung nutzen können.
11:04
So we'vewir haben startedhat angefangen this effortAnstrengung. We'veWir haben madegemacht a fewwenige hitsHits,
223
648644
2350
Wir haben also diesen Aufwand unternommen.
Wir haben ein paar Erfolge erzielt,
11:06
a fewwenige, I think, embryonicembryonale discoveriesEntdeckungen.
224
650994
2449
ein paar unausgereifte
Entdeckungen gemacht.
11:09
We think there's a futureZukunft to this. But it's our way
225
653443
2812
Wir glauben, dass das Zukunft hat.
Aber es ist an uns
11:12
of going in and redefiningneu definieren, with a newneu lexiconLexikon,
226
656255
2560
hineinzugehen und das zu redefinieren,
mit einem neuen Lexikon
11:14
a mathematicalmathematisch one actuallytatsächlich, as opposedentgegengesetzt to the standardStandard
227
658815
4022
ein mathematisches,
das sich von denen
11:18
waysWege that we think about mentalgeistig illnessKrankheit,
228
662837
2578
wie wir über Geisteskrankheiten dachten,
abgrenzt.
11:21
characterizingCharakterisierung von these diseasesKrankheiten, by usingmit the people
229
665415
2067
Die Geisteskrankheiten sollen
so charakterisiert werden,
11:23
as birdsVögel in the exchangesAustausch. That is, we exploitausnutzen the factTatsache
230
667482
3007
wie die Vögel bei ihrem Austausch.
Wir nutzen also aus,
11:26
that the healthygesund partnerPartner, playingspielen somebodyjemand with majorHaupt depressionDepression,
231
670489
4244
dass der gesunde Partner,
einen hochgradig Depressiven
11:30
or playingspielen somebodyjemand with autismAutismus spectrumSpektrum disorderStörung,
232
674733
2910
oder einen Autisten spielt,
11:33
or playingspielen somebodyjemand with attentionAufmerksamkeit deficitDefizit hyperactivityHyperaktivität disorderStörung,
233
677643
3850
oder einen Menschen mit ADHS,
11:37
we use that as a kindArt of biosensorBiosensor, and then we use
234
681493
3219
wir nutzen dies wie einen Biosensor, und danach
11:40
computerComputer programsProgramme to modelModell- that personPerson, and it givesgibt us
235
684712
2644
nehmen wir die Computerprogramme,
um so einen Menschen zu kreieren
11:43
a kindArt of assayAssay of this.
236
687356
2470
eine Art Prüfer des Ganzen.
11:45
EarlySchon früh daysTage, and we're just beginningAnfang, we're settingRahmen up sitesStandorte
237
689826
2131
Es ist noch zu früh,
aber wir beginnen Webseiten
11:47
around the worldWelt. Here are a fewwenige of our collaboratingZusammenarbeit sitesStandorte.
238
691957
3410
auf der ganzen Welt einzurichten.
Hier nenne ich ein paar:
11:51
The hubNabe, ironicallyironisch enoughgenug,
239
695367
2309
"Die Nabe", ironisch genug,
11:53
is centeredzentriert in little RoanokeRoanoke, VirginiaVirginia.
240
697676
2889
befindet sich im kleinen Roanoke, Virginia.
11:56
There's anotherein anderer hubNabe in LondonLondon, now, and the restsich ausruhen
241
700565
2269
In London gibt es eine weitere, und andere
11:58
are gettingbekommen setSet up. We hopeHoffnung to give the dataDaten away
242
702834
4009
werden gerade fertiggestellt.
Wir hoffen, diese Daten freigeben zu können.
12:02
at some stageStufe. That's a complicatedkompliziert issueProblem
243
706843
3673
Es ist eine komplizierte Sache,
12:06
about makingHerstellung it availableverfügbar to the restsich ausruhen of the worldWelt.
244
710516
2994
das dem ganzen Rest der Welt
zur Verfügung zu stellen.
12:09
But we're alsoebenfalls studyingstudieren just a smallklein partTeil
245
713510
1847
Aber wir machen auch Studien
über einen kleinen Teil,
12:11
of what makesmacht us interestinginteressant as humanMensch beingsWesen, and so
246
715357
2267
der uns als Menschen interessant macht
12:13
I would inviteeinladen other people who are interestedinteressiert in this
247
717624
2041
und deshalb möchte ich andere Leute,
die daran interessiert sind dazu einladen
12:15
to askFragen us for the softwareSoftware, or even for guidanceAnleitung
248
719665
2569
uns nach der Software oder
sogar nach Beratung zu fragen,
12:18
on how to moveBewegung forwardVorwärts- with that.
249
722234
2219
wie sie weiter vorgehen können.
12:20
Let me leaveverlassen you with one thought in closingSchließen.
250
724453
2341
Ich möchte Sie mit einem Gedanken verabschieden.
12:22
The interestinginteressant thing about studyingstudieren cognitionErkenntnis
251
726794
1942
Das Interessante an der Erforschung der Kognition
12:24
has been that we'vewir haben been limitedbegrenzt, in a way.
252
728736
3732
war, dass wir irgendwie eingeschränkt waren.
12:28
We just haven'thabe nicht had the toolsWerkzeuge to look at interactinginteragierend brainsGehirne
253
732468
2943
Wir hatten nicht die Hilfsmittel,
um interagierende Gehirne zu beobachten,
12:31
simultaneouslygleichzeitig.
254
735411
1200
gleichzeitig.
12:32
The factTatsache is, thoughobwohl, that even when we're aloneallein,
255
736611
2470
Fakt ist aber, dass sogar,
wenn wir alleine sind
12:34
we're a profoundlyzutiefst socialSozial creatureKreatur. We're not a solitaryeinsame mindVerstand
256
739081
4111
wir tief in uns soziale Kreaturen sind.
Wir sind keine Einzelgehirne,
12:39
builtgebaut out of propertiesEigenschaften that keptgehalten it aliveam Leben in the worldWelt
257
743192
4373
die sich aus Eigenschaften gebildet haben,
die sie am Leben erhalten,
12:43
independentunabhängig of other people. In factTatsache, our mindsKöpfe
258
747565
3948
unabhängig von anderen.
Unsere Gehirne sind
12:47
dependabhängen on other people. They dependabhängen on other people,
259
751513
2870
von anderen Menschen abhängig.
Sie hängen von ihnen ab.
12:50
and they're expressedausgedrückt in other people,
260
754383
1541
und erhalten durch andere Menschen Ausdruck.
12:51
so the notionBegriff of who you are, you oftenhäufig don't know
261
755924
3652
Wer man ist, weiß man also ganz oft nicht
12:55
who you are untilbis you see yourselfdich selber in interactionInteraktion with people
262
759576
2688
bis man mit anderen Menschen interagiert,
12:58
that are closeschließen to you, people that are enemiesFeinde of you,
263
762264
2406
die einem nahe stehen,
oder Feinde sind
13:00
people that are agnosticAgnostiker to you.
264
764670
2545
Menschen, die dich anzweifeln.
13:03
So this is the first sortSortieren of stepSchritt into usingmit that insightEinblick
265
767215
3776
Dies ist der erste Schritt,
um diesen Einblick
13:06
into what makesmacht us humanMensch beingsWesen, turningDrehen it into a toolWerkzeug,
266
770991
3295
in das, was Menschen machen,
in ein Instrument zu verwandeln
13:10
and tryingversuchen to gaingewinnen newneu insightsEinblicke into mentalgeistig illnessKrankheit.
267
774286
1978
und neue Erkenntnisse über
Geisteskrankheiten zu erlangen
13:12
ThanksVielen Dank for havingmit me. (ApplauseApplaus)
268
776264
3121
Danke für die Einladung. (Applaus)
13:15
(ApplauseApplaus)
269
779385
3089
(Applaus)

▲Back to top

ABOUT THE SPEAKER
Read Montague - Behavioral Neuroscientist
What does "normal behavior" look like? To find out, Read Montague is imaging thousands of brains at work.

Why you should listen

Until recently, the world's curiosity about our brains seemed to focus on abnormal behavior. Which of course left a big question unanswered: Do we even know what "normal behavior" is? Through the landmark Roanoke Brain Study, Read Montague is hoping to find that out, exploring the everyday tasks of brains -- making decisions, understanding social context, and relating to others -- by neuroimaging some 5,000 people, ages 18-85, over a period of many years.

Montague's teams in Virginia and in London lead fascinating research in computational neuroscience (how the brain's "machinery" works), offering insight into the relationship between the social and cognitive functions. For instance, a recent study from his group found that in small social groups, some people will alter the expression of their IQ in reaction to social pressures -- revising, in almost all cases, downward.

More profile about the speaker
Read Montague | Speaker | TED.com