TEDGlobal 2011
Daniel Wolpert: The real reason for brains
Daniel Wolpert: Miért is van valójában agyunk
Filmed:
Readability: 3.9
1,994,993 views
Daniel Wolpert neurológus egy meglepő feltevéssel indít: agyunk nem azért fejlődött ki, hogy gondolkozzunk, vagy érezzünk, hanem hogy a mozgásunkat irányítsa. Ebben a szórakoztató és információban gazdag előadásban betekintést nyújt abba, hogy agyunk hogyan is hozza létre az emberi mozgás kecsességét és gyorsaságát.
Daniel Wolpert - Movement expert
A neuroscientist and engineer, Daniel Wolpert studies how the brain controls the body. Full bio
A neuroscientist and engineer, Daniel Wolpert studies how the brain controls the body. Full bio
Double-click the English transcript below to play the video.
00:15
I'm a neuroscientist.
0
0
2000
Neurológus vagyok.
00:17
And in neuroscience,
1
2000
2000
És az idegtudományban nagyon sokféle
00:19
we have to deal with many difficult questions about the brain.
2
4000
3000
kérdéssel kell foglalkozunk az agyat illetően.
00:22
But I want to start with the easiest question
3
7000
2000
Én azonban a legegyszerűbbel szeretném elkezdeni,
00:24
and the question you really should have all asked yourselves at some point in your life,
4
9000
3000
mégpedig azzal, amelyet életünk valamely pontján
00:27
because it's a fundamental question
5
12000
2000
mindannyian felteszünk magunknak,
00:29
if we want to understand brain function.
6
14000
2000
mert annyira alapvető, ha meg akarjuk érteni az agy funkcióját.
00:31
And that is, why do we and other animals
7
16000
2000
A kérdés a következő: miért van az, hogy nekünk
00:33
have brains?
8
18000
2000
és más állatoknak is van agyunk?
00:35
Not all species on our planet have brains,
9
20000
3000
A földön nem minden állatfajnak van agya,
00:38
so if we want to know what the brain is for,
10
23000
2000
úgyhogy ha meg akarjuk tudni, hogy az agy mire való,
00:40
let's think about why we evolved one.
11
25000
2000
gondolkozzunk el azon, hogy miért is fejlesztettük ki!
00:42
Now you may reason that we have one
12
27000
2000
Érvelhetnek azzal, hogy azért fejlesztettük ki,
00:44
to perceive the world or to think,
13
29000
2000
hogy felfogjuk a világot, vagy, hogy gondolkozzunk,
00:46
and that's completely wrong.
14
31000
2000
és ez teljesen téves!
00:48
If you think about this question for any length of time,
15
33000
3000
Akármeddig is gondolkodunk ezen a kérdésen,
00:51
it's blindingly obvious why we have a brain.
16
36000
2000
vakítóan szembetűnő, hogy miért is van agyunk.
00:53
We have a brain for one reason and one reason only,
17
38000
3000
Egy és csakis egy ok miatt van az agyunk:
00:56
and that's to produce adaptable and complex movements.
18
41000
3000
hogy alkalmazkodó és összetett mozgásokat hajthassunk végre.
00:59
There is no other reason to have a brain.
19
44000
2000
Semmi más oka nincs annak, hogy agyunk van.
01:01
Think about it.
20
46000
2000
Gondolják csak végig!
01:03
Movement is the only way you have
21
48000
2000
A mozgás az egyetlen lehetséges mód arra,
01:05
of affecting the world around you.
22
50000
2000
hogy a körülöttünk lévő világra hatással legyünk.
01:07
Now that's not quite true. There's one other way, and that's through sweating.
23
52000
3000
Jó, azért ez nem teljesen igaz, mert van még egy mód: az izzadás.
01:10
But apart from that,
24
55000
2000
De ettől eltekintve
01:12
everything else goes through contractions of muscles.
25
57000
2000
minden az izmok összehúzódása által megy végbe.
01:14
So think about communication --
26
59000
2000
Gondoljanak csak a kommunikációra --
01:16
speech, gestures, writing, sign language --
27
61000
3000
a beszédre, a gesztikulációkra, az írásra, a jelbeszédre --
01:19
they're all mediated through contractions of your muscles.
28
64000
3000
ezeket mind az izmok összehúzódása viszi végbe.
01:22
So it's really important to remember
29
67000
2000
Ezért nagyon fontos fejben tartani azt,
01:24
that sensory, memory and cognitive processes are all important,
30
69000
4000
hogy mind az érzékszervi, mind a memória és a kognitív folyamatok nagyon fontosak ugyan,
01:28
but they're only important
31
73000
2000
de kizárólag avégett, hogy vagy előidézzenek,
01:30
to either drive or suppress future movements.
32
75000
2000
vagy megszüntessenek jövőbeli mozdulatokat.
01:32
There can be no evolutionary advantage
33
77000
2000
Nem származhat evolúciós értelemben előny abból,
01:34
to laying down memories of childhood
34
79000
2000
hogy memórianyomokat őrizgessünk gyermekkorunkból
01:36
or perceiving the color of a rose
35
81000
2000
egy rózsa színéről, amennyiben az nem befolyásolja
01:38
if it doesn't affect the way you're going to move later in life.
36
83000
3000
a mozgásunkat későbbi életünk során.
01:41
Now for those who don't believe this argument,
37
86000
2000
Nos, azok számára, akik nem bíznak az ilyesfajta érvelésben,
01:43
we have trees and grass on our planet without the brain,
38
88000
2000
ott vannak a földünkön élő fák és füvek agy nélkül,
01:45
but the clinching evidence is this animal here --
39
90000
2000
de az összekötőkapocsként szolgáló bizonyíték inkább ez az állat itt --
01:47
the humble sea squirt.
40
92000
2000
a szerény tengeri zsákállat.
01:49
Rudimentary animal, has a nervous system,
41
94000
3000
Kezdetleges állat, van idegrendszere,
01:52
swims around in the ocean in its juvenile life.
42
97000
2000
úszkál körbe az óceánban fiatalkorában.
01:54
And at some point of its life,
43
99000
2000
És élete egy bizonyos pontján
01:56
it implants on a rock.
44
101000
2000
megtelepszik egy sziklán.
01:58
And the first thing it does in implanting on that rock, which it never leaves,
45
103000
3000
És az első dolog, amit ott azon a sziklán tesz,
02:01
is to digest its own brain and nervous system
46
106000
3000
amit többé nem hagy el, hogy felemészti
02:04
for food.
47
109000
2000
saját agyát és idegrendszerét - étel gyanánt.
02:06
So once you don't need to move,
48
111000
2000
Magyarul, amint nem kell többé mozognunk,
02:08
you don't need the luxury of that brain.
49
113000
3000
azt a luxust sem engedhetjük meg többé, hogy agyunk legyen!
02:11
And this animal is often taken
50
116000
2000
És ezt az állatot gyakran idézik analógiaként
02:13
as an analogy to what happens at universities
51
118000
2000
arra, hogy mi történik az egyetemeken,
02:15
when professors get tenure,
52
120000
2000
amikor a professzorokat felveszik állandóra,
02:17
but that's a different subject.
53
122000
2000
no de ez egy másik téma.
02:19
(Applause)
54
124000
2000
(Taps)
02:21
So I am a movement chauvinist.
55
126000
3000
Nos, én magam egy mozgás-soviniszta vagyok.
02:24
I believe movement is the most important function of the brain --
56
129000
2000
Hiszek abban, hogy a mozgás az agy legfontosabb funkciója --
02:26
don't let anyone tell you that it's not true.
57
131000
2000
ne hagyják, hogy bárki azt hajtogassa maguknak, hogy ez nem igaz!
02:28
Now if movement is so important,
58
133000
2000
Nos, ha a mozgás ennyire fontos,
02:30
how well are we doing
59
135000
2000
mennyire vagyunk előre abban,
02:32
understanding how the brain controls movement?
60
137000
2000
amit az agy mozgáskoordinációjáról tudunk?
02:34
And the answer is we're doing extremely poorly; it's a very hard problem.
61
139000
2000
Sajnos a válasz az, hogy igencsak el vagyunk maradva; ez egy nagyon kemény dió.
02:36
But we can look at how well we're doing
62
141000
2000
De megnézhetjük azt, hogy mennyire jól értjük
02:38
by thinking about how well we're doing building machines
63
143000
2000
a módját annak, hogy gépeket építsünk olyasmire,
02:40
which can do what humans can do.
64
145000
2000
amit az emberek is meg tudnak csinálni.
02:42
Think about the game of chess.
65
147000
2000
Gondoljunk csak a sakkjátékra.
02:44
How well are we doing determining what piece to move where?
66
149000
3000
Milyen jól értünk ahhoz, hogy meghatározzuk, mit hova mozdítsunk?
02:47
If you pit Garry Kasparov here, when he's not in jail,
67
152000
3000
Ha ideültetjük Gary Kasparovot, mármint amikor épp nincs börtönben,
02:50
against IBM's Deep Blue,
68
155000
2000
az IBM Deep Blue gépével szembe,
02:52
well the answer is IBM's Deep Blue will occasionally win.
69
157000
3000
akkor a válasz, hogy a Deep Blue csak néha fog nyerni.
02:55
And I think if IBM's Deep Blue played anyone in this room, it would win every time.
70
160000
3000
Ugyanakkor szerintem, ha itt a teremből bármelyikünk ellen játszana a Deep Blue,
02:58
That problem is solved.
71
163000
2000
akkor minden alkalommal nyerne. Kérdés megoldva.
03:00
What about the problem
72
165000
2000
Mi a helyzet a sakkfigura
03:02
of picking up a chess piece,
73
167000
2000
felemelésének kérdésével,
03:04
dexterously manipulating it and putting it back down on the board?
74
169000
3000
ügyesen mozgatva és visszatéve a sakktáblára?
03:07
If you put a five year-old child's dexterity against the best robots of today,
75
172000
3000
Ha egy 5 éves gyerek ügyességét állítjuk szembe a mai legjobb robottal,
03:10
the answer is simple:
76
175000
2000
akkor nagyon egyszerű a válasz:
03:12
the child wins easily.
77
177000
2000
a gyerek könnyedén győz.
03:14
There's no competition at all.
78
179000
2000
Valójában nincs is verseny.
03:16
Now why is that top problem so easy
79
181000
2000
Namost akkor hogy lehet, hogy a fenti kérdés olyan egyszerű,
03:18
and the bottom problem so hard?
80
183000
2000
a lenti pedig olyan nehéz?
03:20
One reason is a very smart five year-old
81
185000
2000
Az egyik válasz az, hogy az ötéves
03:22
could tell you the algorithm for that top problem --
82
187000
2000
meg tudná mondani ennek a kérdésnek az algoritmusát --
03:24
look at all possible moves to the end of the game
83
189000
2000
megvizsgálva az összes lehetséges lépést
03:26
and choose the one that makes you win.
84
191000
2000
a játék végéig, majd kiválasztani a nyerőt.
03:28
So it's a very simple algorithm.
85
193000
2000
Tehát ez egy igen egyszerű algoritmus.
03:30
Now of course there are other moves,
86
195000
2000
Nos persze vannak más mozdulatok is,
03:32
but with vast computers we approximate
87
197000
2000
de ezekkel az óriási computerekkel hozzávetőleges számításokat végzünk,
03:34
and come close to the optimal solution.
88
199000
2000
és úgy kerülünk közelebb az optimális megoldáshoz.
03:36
When it comes to being dexterous,
89
201000
2000
Amikor arról van szó, hogy mennyire ügyes egy mozdulat,
03:38
it's not even clear what the algorithm is you have to solve to be dexterous.
90
203000
2000
még az sem nyilvánvaló, hogy mi az algoritmus, és akkor is
03:40
And we'll see you have to both perceive and act on the world,
91
205000
2000
meg kell oldanod az ügyességet. És látjuk, hogy ilyenkor egyszerre kell
03:42
which has a lot of problems.
92
207000
2000
felfognunk a világot és cselekedni benne, ami egy sor kérdést vet fel.
03:44
But let me show you cutting-edge robotics.
93
209000
2000
De hadd mutassam most be az élvonalbeli robotikát.
03:46
Now a lot of robotics is very impressive,
94
211000
2000
Egy sor robot nagyon lenyűgöző,
03:48
but manipulation robotics is really just in the dark ages.
95
213000
3000
de a manipulációs robotika tényleg a sötét középkorban jár még.
03:51
So this is the end of a Ph.D. project
96
216000
2000
Ez tehát egy Ph.D projekt eredménye,
03:53
from one of the best robotics institutes.
97
218000
2000
az egyik legjobb robotika intézetből.
03:55
And the student has trained this robot
98
220000
2000
A hallgató megtanította a robotját arra,
03:57
to pour this water into a glass.
99
222000
2000
hogy a vizet a pohárba öntse.
03:59
It's a hard problem because the water sloshes about, but it can do it.
100
224000
3000
Nagyon nehéz kérdés, mert a víz kiloccsan, de végül is sikerült.
04:02
But it doesn't do it with anything like the agility of a human.
101
227000
3000
De gyorsasága egyáltalán nem hasonlítható az emberéhez.
04:05
Now if you want this robot to do a different task,
102
230000
3000
Nos, ha azt szeretnénk, hogy ez a robot egy másik feladatot hajtson végre,
04:08
that's another three-year Ph.D. program.
103
233000
3000
az egy újabb 3 éves Ph.D. programba telne!
04:11
There is no generalization at all
104
236000
2000
Egyáltalán nem létezik az egyik feladatról
04:13
from one task to another in robotics.
105
238000
2000
a másikra átvihető általánosítás a robotikában!
04:15
Now we can compare this
106
240000
2000
Összehasonlíthatjuk ezt
04:17
to cutting-edge human performance.
107
242000
2000
az élvonalbeli emberi teljesítménnyel.
04:19
So what I'm going to show you is Emily Fox
108
244000
2000
Bemutatom most Önöknek Emily Fox-ot,
04:21
winning the world record for cup stacking.
109
246000
3000
amint éppen felállítja a pohár egymásra halmozás világrekordját.
04:24
Now the Americans in the audience will know all about cup stacking.
110
249000
2000
Az amerikaiak a közönségben mind ismerni fogják
04:26
It's a high school sport
111
251000
2000
a pohártoronyépítést. Ez egy gimnáziumi sport,
04:28
where you have 12 cups you have to stack and unstack
112
253000
2000
ahol is 12 poharat kell egymásra halmozni, majd leszedni
04:30
against the clock in a prescribed order.
113
255000
2000
meghatározott sorrendben, miközben mérik az időt.
04:32
And this is her getting the world record in real time.
114
257000
3000
Ez itt ő, amint felállítja a világrekordot valós időben.
04:39
(Laughter)
115
264000
8000
(Nevetés)
04:47
(Applause)
116
272000
5000
(Taps)
04:52
And she's pretty happy.
117
277000
2000
És milyen boldog!
04:54
We have no idea what is going on inside her brain when she does that,
118
279000
2000
Fogalmunk sincs, mi zajlik az agyában,
04:56
and that's what we'd like to know.
119
281000
2000
miközben végrehajtja, márpedig épp ezt szeretnénk megtudni!
04:58
So in my group, what we try to do
120
283000
2000
Nos a csoportomban mi próbáljuk visszafejteni
05:00
is reverse engineer how humans control movement.
121
285000
3000
azt, ahogy az ember a mozgását irányítja.
05:03
And it sounds like an easy problem.
122
288000
2000
Könnyű feladatnak tűnhet.
05:05
You send a command down, it causes muscles to contract.
123
290000
2000
Leküldünk egy parancsot, az végrehajtja az izomösszehúzódást.
05:07
Your arm or body moves,
124
292000
2000
A karunk, vagy a testünk mozog,
05:09
and you get sensory feedback from vision, from skin, from muscles and so on.
125
294000
3000
és érzékszervi visszajelzést kapunk a látás, a bőrünk, az izmok stb. segítségével.
05:12
The trouble is
126
297000
2000
A baj az, hogy ezek a jelek nem olyan szépek,
05:14
these signals are not the beautiful signals you want them to be.
127
299000
2000
mint amilyennek szeretnénk őket.
05:16
So one thing that makes controlling movement difficult
128
301000
2000
Az egyik, ami megnehezíti a mozgás irányítását,
05:18
is, for example, sensory feedback is extremely noisy.
129
303000
3000
például az, hogy az érzékszervek visszajelzése
05:21
Now by noise, I do not mean sound.
130
306000
3000
igen "zajos". Itt "zaj" alatt nem a hangot értem.
05:24
We use it in the engineering and neuroscience sense
131
309000
2000
Mérnöki és neurológiai értelemben használjuk,
05:26
meaning a random noise corrupting a signal.
132
311000
2000
amikor egy véletlenszerű zaj megzavarja a jelet.
05:28
So the old days before digital radio when you were tuning in your radio
133
313000
3000
A digitális rádió előtti időkben, amikor rádióhangoláskor
05:31
and you heard "crrcckkk" on the station you wanted to hear,
134
316000
2000
azt a "hrrrhrr"-t hallottuk az adón,
05:33
that was the noise.
135
318000
2000
amit fogni akartunk, na az a zaj.
05:35
But more generally, this noise is something that corrupts the signal.
136
320000
3000
De általánosabb értelemben ez a zaj valami olyan, ami lerontja a jelet.
05:38
So for example, if you put your hand under a table
137
323000
2000
Például, ha a kezünket az asztal alá tesszük,
05:40
and try to localize it with your other hand,
138
325000
2000
hogy megpróbáljuk beazonosítani a másik ujjunk helyét,
05:42
you can be off by several centimeters
139
327000
2000
akkor bizony néha több centit is tévedhetünk,
05:44
due to the noise in sensory feedback.
140
329000
2000
az érzékszervi zajoknak köszönhetően!
05:46
Similarly, when you put motor output on movement output,
141
331000
2000
Ugyanígy, amikor a motorteljesítményt
05:48
it's extremely noisy.
142
333000
2000
a mozgáshoz hasonlítjuk, az nagyon zajos.
05:50
Forget about trying to hit the bull's eye in darts,
143
335000
2000
Ne is akarjunk a darts táblán telibe találni,
05:52
just aim for the same spot over and over again.
144
337000
2000
csak célozzunk ugyanoda újra és újra.
05:54
You have a huge spread due to movement variability.
145
339000
3000
Óriási terjedelemben választhatunk a mozgásvariációkból.
05:57
And more than that, the outside world, or task,
146
342000
2000
Sőt ennél több is van itt, a külvilág,
05:59
is both ambiguous and variable.
147
344000
2000
vagy feladat is többértelmű és változó.
06:01
The teapot could be full, it could be empty.
148
346000
2000
A csésze lehet tele is, vagy üres is.
06:03
It changes over time.
149
348000
2000
Időről időre változik.
06:05
So we work in a whole sensory movement task soup of noise.
150
350000
4000
Tehát a zaj egész érzékszervi mozgás feladat kavalkádjában tevékenykedünk.
06:09
Now this noise is so great
151
354000
2000
Nos ez a zaj akkora,
06:11
that society places a huge premium
152
356000
2000
hogy a társadalom óriási jutalmat tűz ki nekünk,
06:13
on those of us who can reduce the consequences of noise.
153
358000
3000
ha a zaj következményeit le tudjuk csökkenteni.
06:16
So if you're lucky enough to be able to knock a small white ball
154
361000
3000
Tehát, ha vagyunk oly szerencsések, hogy képesek vagyunk egy kis fehér labdával
06:19
into a hole several hundred yards away using a long metal stick,
155
364000
3000
betalálni egy több száz méterre lévő lyukba egy hosszú fém bot segítségével,
06:22
our society will be willing to reward you
156
367000
2000
akkor a társadalmunk ezért hajlandó
06:24
with hundreds of millions of dollars.
157
369000
3000
többszáz millió dollár jutalmat fizetni!
06:27
Now what I want to convince you of
158
372000
2000
Nos, én arról akarom Önöket meggyőzni,
06:29
is the brain also goes through a lot of effort
159
374000
2000
hogy az agynak is nagyon sok erőfeszítésébe kerül,
06:31
to reduce the negative consequences
160
376000
2000
hogy lecsökkentse az ilyesfajta zajok
06:33
of this sort of noise and variability.
161
378000
2000
és szórások negatív következményeit.
06:35
And to do that, I'm going to tell you about a framework
162
380000
2000
És ehhez megismertetek Önökkel egy összefüggést,
06:37
which is very popular in statistics and machine learning of the last 50 years
163
382000
3000
ami a statisztikában és gépi tanulásban nagyon népszerű lett az elmúlt 50 évben:
06:40
called Bayesian decision theory.
164
385000
2000
ez a Bayes-féle „okok valószínűségének" tétele.
06:42
And it's more recently a unifying way
165
387000
3000
Ez újabban egy egységesítő módszer arra,
06:45
to think about how the brain deals with uncertainty.
166
390000
3000
amikor azon elmélkedünk, hogy az agy hogyan kezeli a bizonytalanságot.
06:48
And the fundamental idea is you want to make inferences and then take actions.
167
393000
3000
Az alapelmélet az, hogy következtetéseket akarunk levonni, és aztán cselekedni.
06:51
So let's think about the inference.
168
396000
2000
Vegyük akkor a következtetéseket.
06:53
You want to generate beliefs about the world.
169
398000
2000
Hiedelmeket akarsz alkotni a világgal kapcsolatban.
06:55
So what are beliefs?
170
400000
2000
Mik is a hiedelmek?
06:57
Beliefs could be: where are my arms in space?
171
402000
2000
Ilyenek lehetnek: hol is helyezkednek el a karjaim a térben?
06:59
Am I looking at a cat or a fox?
172
404000
2000
Macska, vagy kutya ez, amit látok?
07:01
But we're going to represent beliefs with probabilities.
173
406000
3000
Mi azonban valószínűségekkel fogjuk a hiteinket ábrázolni.
07:04
So we're going to represent a belief
174
409000
2000
Tehát a hiedelmeket egy 0 és 1 közti számmal
07:06
with a number between zero and one --
175
411000
2000
fogjuk ábrázolni -- ahol a 0 azt jelenti, hogy egyáltalán nem
07:08
zero meaning I don't believe it at all, one means I'm absolutely certain.
176
413000
3000
hiszek benne, az egy azt jelenti, hogy teljesen bizonyos vagyok.
07:11
And numbers in between give you the gray levels of uncertainty.
177
416000
3000
A köztes számok pedig a bizonytalanság szürkeárnyalatait mutatják.
07:14
And the key idea to Bayesian inference
178
419000
2000
A Bayes-féle dedukció alapötlete az,
07:16
is you have two sources of information
179
421000
2000
hogy 2 információforrással rendelkezünk,
07:18
from which to make your inference.
180
423000
2000
amiből levonhatjuk a következtetést.
07:20
You have data,
181
425000
2000
Van adatunk, és az idegtudományban
07:22
and data in neuroscience is sensory input.
182
427000
2000
az adat az érzékszervi észlelés.
07:24
So I have sensory input, which I can take in to make beliefs.
183
429000
3000
Tehát érzékelek valamit az érzékszerveimmel, amit felhasználhatok hiedelemalkotásra.
07:27
But there's another source of information, and that's effectively prior knowledge.
184
432000
3000
De van más információforrásom is, ami egyértelműen
07:30
You accumulate knowledge throughout your life in memories.
185
435000
3000
előrébb van a tudásnál. Ugyanis a tudást az emlékek segítségével
07:33
And the point about Bayesian decision theory
186
438000
2000
halmozzuk fel életünk során. És a Bayes-féle döntéselmélet lényege az,
07:35
is it gives you the mathematics
187
440000
2000
hogy megadja az optimális mód matekját,
07:37
of the optimal way to combine
188
442000
2000
amit ötvözni lehet az azt megelőző
07:39
your prior knowledge with your sensory evidence
189
444000
2000
érzéki észlelés által szerzett tapasztalatainkkal
07:41
to generate new beliefs.
190
446000
2000
új hitek kifejlesztése érdekében.
07:43
And I've put the formula up there.
191
448000
2000
Felírtam ide a képletet.
07:45
I'm not going to explain what that formula is, but it's very beautiful.
192
450000
2000
Nem fogom elmagyarázni, mi ez a képlet, de nagyon szép.
07:47
And it has real beauty and real explanatory power.
193
452000
3000
Valódi szépség és valódi magyarázat rejlik benne.
07:50
And what it really says, and what you want to estimate,
194
455000
2000
És ami a lényege, s amit meg is tippelhetünk,
07:52
is the probability of different beliefs
195
457000
2000
az az érzéki észlelésünk következtében
07:54
given your sensory input.
196
459000
2000
keletkező különböző hiedelmek valószínűsége.
07:56
So let me give you an intuitive example.
197
461000
2000
Hadd hozzak fel egy intuitív példát.
07:58
Imagine you're learning to play tennis
198
463000
3000
Képzeljük el, hogy teniszezni tanulunk,
08:01
and you want to decide where the ball is going to bounce
199
466000
2000
és azt szeretnénk kiszámítani, hogy a labda hol fog lepattanni,
08:03
as it comes over the net towards you.
200
468000
2000
amint közeledik felénk a háló felett.
08:05
There are two sources of information
201
470000
2000
Két információforrásunk van ehhez,
08:07
Bayes' rule tells you.
202
472000
2000
a Bayes-féle törvény szerint.
08:09
There's sensory evidence -- you can use visual information auditory information,
203
474000
3000
Van az érzékszervi észlelés -- használhatjuk a vizuális és a hallott információkat
08:12
and that might tell you it's going to land in that red spot.
204
477000
3000
és ezek szerint arra juthatunk, hogy azon a piros folton fog földet érni.
08:15
But you know that your senses are not perfect,
205
480000
3000
Tudjuk azonban, hogy az érzékszerveink nem tökéletesek,
08:18
and therefore there's some variability of where it's going to land
206
483000
2000
ezért némileg tágabb eshetőséget adunk
08:20
shown by that cloud of red,
207
485000
2000
a földet érésre, amit ez a piros felhő mutat,
08:22
representing numbers between 0.5 and maybe 0.1.
208
487000
3000
és a 0,5 és 0,1 közti számokat jelzi.
08:26
That information is available in the current shot,
209
491000
2000
Ez az információ ezen a képen jelenik meg,
08:28
but there's another source of information
210
493000
2000
van azonban még egy információforrás,
08:30
not available on the current shot,
211
495000
2000
ami nem látható ezen a képen,
08:32
but only available by repeated experience in the game of tennis,
212
497000
3000
hanem csak a teniszezés ismételt megtapasztalása által ismerhető fel,
08:35
and that's that the ball doesn't bounce
213
500000
2000
hogy a labda egyáltalán nem egyenlő valószínűséggel
08:37
with equal probability over the court during the match.
214
502000
2000
pattan a térfelekre a szett során.
08:39
If you're playing against a very good opponent,
215
504000
2000
Ha nagyon jó ellenféllel játszunk,
08:41
they may distribute it in that green area,
216
506000
2000
akkor ütheti a zöld területre is,
08:43
which is the prior distribution,
217
508000
2000
ami a fő szerva célpont,
08:45
making it hard for you to return.
218
510000
2000
mert azt nehéz visszaadni.
08:47
Now both these sources of information carry important information.
219
512000
2000
Szóval mindkét információforrás hordoz fontos információkat.
08:49
And what Bayes' rule says
220
514000
2000
És a Bayes-féle szabály azt sugallja,
08:51
is that I should multiply the numbers on the red by the numbers on the green
221
516000
3000
hogy meg kéne szoroznom a piroson lévő számokat a zöldön lévő számokkal,
08:54
to get the numbers of the yellow, which have the ellipses,
222
519000
3000
hogy megkapjuk a sárgán lévőket, ahol az ellipszisek vannak,
08:57
and that's my belief.
223
522000
2000
és az lesz a hiedelmem.
08:59
So it's the optimal way of combining information.
224
524000
3000
Tehát ez az információk optimális összegzése.
09:02
Now I wouldn't tell you all this if it wasn't that a few years ago,
225
527000
2000
Nem mesélném el mindezt, ha nem néhány éve történt volna,
09:04
we showed this is exactly what people do
226
529000
2000
hogy megmutattuk, hogy éppen ezt teszik az emberek,
09:06
when they learn new movement skills.
227
531000
2000
amikor új mozgáskoordinációt tanulnak.
09:08
And what it means
228
533000
2000
Ez pedig azt jelenti,
09:10
is we really are Bayesian inference machines.
229
535000
2000
hogy tényleg Bayes-féle következtető gépezetek vagyunk!
09:12
As we go around, we learn about statistics of the world and lay that down,
230
537000
4000
Ahogy körbenézünk, megfigyeljük a világ statisztikáit, és megfogalmazzuk őket,
09:16
but we also learn
231
541000
2000
de tudomást szerzünk közben
09:18
about how noisy our own sensory apparatus is,
232
543000
2000
saját érzékszervi aparátusunk zajosságáról is,
09:20
and then combine those
233
545000
2000
majd összevetjük azokat
09:22
in a real Bayesian way.
234
547000
2000
valódi Bayes-féle módon.
09:24
Now a key part to the Bayesian is this part of the formula.
235
549000
3000
Nos a képletnek ez a része a Bayes-féle elmélet kulcsgondolatául szolgál.
09:27
And what this part really says
236
552000
2000
És valójában arról szól,
09:29
is I have to predict the probability
237
554000
2000
hogy meg kell jósolnom a különböző
09:31
of different sensory feedbacks
238
556000
2000
érzékszervi jelzések valószínűségét
09:33
given my beliefs.
239
558000
2000
a hiedelmeim alapján.
09:35
So that really means I have to make predictions of the future.
240
560000
3000
Ez ténylegesen azt jelenti, hogy jósolnom kell a jövőre vonatkozólag.
09:38
And I want to convince you the brain does make predictions
241
563000
2000
És szeretném Önöket arról meggyőzni, hogy az agy bizony végez jóslatokat
09:40
of the sensory feedback it's going to get.
242
565000
2000
az érzékszervi jelzésekre vonatkozólag, amik be fognak érkezni.
09:42
And moreover, it profoundly changes your perceptions
243
567000
2000
Sőt, alapvetően megváltoztatja az észlelésünket
09:44
by what you do.
244
569000
2000
azáltal, amit teszünk.
09:46
And to do that, I'll tell you
245
571000
2000
És hogy ez bekövetkezzen, elmondom most Önöknek,
09:48
about how the brain deals with sensory input.
246
573000
2000
hogyan kezeli az agy az érzékszervi észleléseket.
09:50
So you send a command out,
247
575000
3000
Kiküldünk egy parancsot,
09:53
you get sensory feedback back,
248
578000
2000
kapunk egy érzékszervi észlelést visszafele,
09:55
and that transformation is governed
249
580000
2000
és ezt az átalakulást a testünk fizikája
09:57
by the physics of your body and your sensory apparatus.
250
582000
3000
valamint az érzékszervi berendezésünk irányítja.
10:00
But you can imagine looking inside the brain.
251
585000
2000
De elképzelhetjük azt is, hogy bekukkantunk az agyba.
10:02
And here's inside the brain.
252
587000
2000
Itt van az agy belülről.
10:04
You might have a little predictor, a neural simulator,
253
589000
2000
Lehet, hogy van egy kis jelzőkénk, egy idegi szimulátorunk,
10:06
of the physics of your body and your senses.
254
591000
2000
amely a testünk fizikai állapotáról és az érzékszervekről ad jelzést.
10:08
So as you send a movement command down,
255
593000
2000
Tehát amint kiküldünk egy mozgásparancsot lefelé,
10:10
you tap a copy of that off
256
595000
2000
annak egy másolatát kijelöljük,
10:12
and run it into your neural simulator
257
597000
2000
és bevezetjük az idegi szimulátorunkba,
10:14
to anticipate the sensory consequences of your actions.
258
599000
4000
hogy felfogja a tetteink érzékszervi következményeit.
10:18
So as I shake this ketchup bottle,
259
603000
2000
Tehát ahogy ezt a kecsapos üveget rázom,
10:20
I get some true sensory feedback as the function of time in the bottom row.
260
605000
3000
Kapok némi valódi érzékszervi visszajelzést az alsó sor időbeli függvényeként.
10:23
And if I've got a good predictor, it predicts the same thing.
261
608000
3000
És ha jó jelzőkém van, az ugyanazt jósolja meg előre.
10:26
Well why would I bother doing that?
262
611000
2000
Nos, hogy minek törődöm ilyesmivel?
10:28
I'm going to get the same feedback anyway.
263
613000
2000
Megkapom ugyanazt a visszajelzést úgyis!
10:30
Well there's good reasons.
264
615000
2000
Nos, vannak jó okok erre.
10:32
Imagine, as I shake the ketchup bottle,
265
617000
2000
Képzeljék csak el, hogy rázom a kecsapos üveget,
10:34
someone very kindly comes up to me and taps it on the back for me.
266
619000
3000
és valaki nagyon gyengéden megközelít és megérinti hátulról nekem.
10:37
Now I get an extra source of sensory information
267
622000
2000
Akkor egy plussz érzékszervi információt szereztem be
10:39
due to that external act.
268
624000
2000
a külső történés következtében.
10:41
So I get two sources.
269
626000
2000
Így 2 forrásom volt.
10:43
I get you tapping on it, and I get me shaking it,
270
628000
3000
Veled is megfogattam, és én magam is ráztam,
10:46
but from my senses' point of view,
271
631000
2000
de a saját érzékszerveim szemszögéből nézve
10:48
that is combined together into one source of information.
272
633000
3000
ez összefolyik egy információforrássá.
10:51
Now there's good reason to believe
273
636000
2000
Namost jó okom van azt hinni, hogy valószínűleg meg akarják majd
10:53
that you would want to be able to distinguish external events from internal events.
274
638000
3000
különböztetni a külső eseményeket és a belsőket.
10:56
Because external events are actually much more behaviorally relevant
275
641000
3000
Mivel a külső események sokkal valószínűben függenek a viselkedéstől,
10:59
than feeling everything that's going on inside my body.
276
644000
3000
mint amit belül érzünk, hogy történik a testünkben.
11:02
So one way to reconstruct that
277
647000
2000
Tehát az egyik mód ennek létrehozására az,
11:04
is to compare the prediction --
278
649000
2000
hogy összehasonlítjuk a kizárólag
11:06
which is only based on your movement commands --
279
651000
2000
az Önök mozgásparancsaira épülő
11:08
with the reality.
280
653000
2000
előrejelzéseket a valósággal.
11:10
Any discrepancy should hopefully be external.
281
655000
3000
És akkor minden eltérés remélhetőleg kívülről fog érkezni.
11:13
So as I go around the world,
282
658000
2000
Tehát miközben megyek körben a világban,
11:15
I'm making predictions of what I should get, subtracting them off.
283
660000
3000
jóslásokat végzek arról, amit valószínűleg tapasztalok majd, levonva őket,
11:18
Everything left over is external to me.
284
663000
2000
minden, ami megmarad, az számomra külsődleges.
11:20
What evidence is there for this?
285
665000
2000
Mi a bizonyíték erre?
11:22
Well there's one very clear example
286
667000
2000
Nos, van egy nagyon világos példa
11:24
where a sensation generated by myself feels very different
287
669000
2000
ahol az általam generált érzékelés nagyon más érzés,
11:26
then if generated by another person.
288
671000
2000
mint ha azt egy másik ember váltotta volna ki.
11:28
And so we decided the most obvious place to start
289
673000
2000
Így a legnyilvánvalóbb helyet választottuk kezdésképpen,
11:30
was with tickling.
290
675000
2000
mégpedig a csiklandozást.
11:32
It's been known for a long time, you can't tickle yourself
291
677000
2000
Nagyon régóta ismeretes, hogy magunkat nem tudjuk megcsikizni,
11:34
as well as other people can.
292
679000
2000
míg mások viszont meg tudnak.
11:36
But it hasn't really been shown, it's because you have a neural simulator,
293
681000
3000
De azt nem igazán mutatta ki senki, hogy ez amiatt van,
11:39
simulating your own body
294
684000
2000
hogy létezik egy idegi szimulátor, ami az egész testünket szimulálja,
11:41
and subtracting off that sense.
295
686000
2000
és levonja ezeket az érzékeléseket!
11:43
So we can bring the experiments of the 21st century
296
688000
3000
Így aztán vehetjük a 21. századi kísérleteket,
11:46
by applying robotic technologies to this problem.
297
691000
3000
alkalmazva a robottechnológiát erre a kérdésre.
11:49
And in effect, what we have is some sort of stick in one hand attached to a robot,
298
694000
3000
És láthatjuk, hogy az egyik kezünkben egy botféleség van, ami egy robothoz kapcsolódik,
11:52
and they're going to move that back and forward.
299
697000
2000
és ezek fogják mozgatni a botot előre és hátra.
11:54
And then we're going to track that with a computer
300
699000
2000
Ezt pedig lekövetjük számítógéppel,
11:56
and use it to control another robot,
301
701000
2000
és arra használjuk, hogy egy másik robotot irányítsunk vele,
11:58
which is going to tickle their palm with another stick.
302
703000
2000
ami egy másik bottal fogja csikizni a kezünket.
12:00
And then we're going to ask them to rate a bunch of things
303
705000
2000
Aztán egy csomó kérdést fogunk feltenni nekik,
12:02
including ticklishness.
304
707000
2000
köztük a csikisségre vonatkozót.
12:04
I'll show you just one part of our study.
305
709000
2000
A kutatásunk egyik részét mutatom most csak be.
12:06
And here I've taken away the robots,
306
711000
2000
Itt elvettem a robotokat,
12:08
but basically people move with their right arm sinusoidally back and forward.
307
713000
3000
de alapvetően az ember mozgatja itt a jobb kezét szinuszosan oda és vissza.
12:11
And we replay that to the other hand with a time delay.
308
716000
3000
Megismételjük ezt a másik kézzel is egy kis időbeli eltéréssel.
12:14
Either no time delay,
309
719000
2000
Vagy egyáltalán nincs időbeli elcsúszás,
12:16
in which case light would just tickle your palm,
310
721000
2000
amikor csak kissé lesz csiklandós a kezünk,
12:18
or with a time delay of two-tenths of three-tenths of a second.
311
723000
4000
vagy pedig 2-3 tized másodperc eltéréssel.
12:22
So the important point here
312
727000
2000
A fontos itt az lesz,
12:24
is the right hand always does the same things -- sinusoidal movement.
313
729000
3000
hogy a jobb kéz mindig ugyanazt csinálja -- a szinuszos mozgást.
12:27
The left hand always is the same and puts sinusoidal tickle.
314
732000
3000
A bal kéz pedig szintén mindig ugyanazt teszi, szinuszos csiklandozást végez.
12:30
All we're playing with is a tempo causality.
315
735000
2000
Mindössze az időbeli elcsúszással játszunk.
12:32
And as we go from naught to 0.1 second,
316
737000
2000
És ahogy haladunk a zérótól az 1 tized másodperc felé,
12:34
it becomes more ticklish.
317
739000
2000
egyre csiklandósabbá válik.
12:36
As you go from 0.1 to 0.2,
318
741000
2000
Ahogy haladunk az 1 tizedtől a 2 tized felé,
12:38
it becomes more ticklish at the end.
319
743000
2000
egyre csiklandósabbá válik.
12:40
And by 0.2 of a second,
320
745000
2000
És mire elérjük a mp 2 tizedét,
12:42
it's equivalently ticklish
321
747000
2000
ugyanannyira lesz csiklandós
12:44
to the robot that just tickled you without you doing anything.
322
749000
2000
a robot csikizésére, anélkül, hogy mi bármit tettünk volna.
12:46
So whatever is responsible for this cancellation
323
751000
2000
Tehát legyen bármi is felelős ezért a "törlésért",
12:48
is extremely tightly coupled with tempo causality.
324
753000
3000
nagyon szoros összefüggésben van az időbeliséggel.
12:51
And based on this illustration, we really convinced ourselves in the field
325
756000
3000
És ezen illusztráció alapján, tényleg komoly meggyőződésünkké vált az,
12:54
that the brain's making precise predictions
326
759000
2000
hogy az agy nagyon precíz előrejelzéseket végez
12:56
and subtracting them off from the sensations.
327
761000
3000
és levonja azokat az érzékelésekből.
12:59
Now I have to admit, these are the worst studies my lab has ever run.
328
764000
3000
Be kell azonban vallanom, hogy ezek a legszörnyebb kísérletek, amiket a laboromban
13:02
Because the tickle sensation on the palm comes and goes,
329
767000
2000
valaha is végeztünk. Mert a tenyér csiklandóssága jön és megy,
13:04
you need large numbers of subjects
330
769000
2000
egy csomó tárgy kell ahhoz,
13:06
with these stars making them significant.
331
771000
2000
hogy ezekkel a csillagokkal érzékelhetővé tegyük őket.
13:08
So we were looking for a much more objective way
332
773000
2000
Ezért aztán egy jóval objektívabb módot kutattunk,
13:10
to assess this phenomena.
333
775000
2000
ennek a jelenségnek a megközelítésére.
13:12
And in the intervening years I had two daughters.
334
777000
2000
Az évek során közben született két lányom.
13:14
And one thing you notice about children in backseats of cars on long journeys,
335
779000
3000
És az egyik, amit megfigyelhetünk a kocsi hátsó ülésén ülő gyerekeknél
13:17
they get into fights --
336
782000
2000
a hosszú utak során, hogy összevesznek --
13:19
which started with one of them doing something to the other, the other retaliating.
337
784000
3000
ami rendszerint azzal kezdődik, hogy az egyik bosszantja a másikat, a másik pedig visszavág.
13:22
It quickly escalates.
338
787000
2000
Gyorsan felpörög ez.
13:24
And children tend to get into fights which escalate in terms of force.
339
789000
3000
És a gyerekek gyakran bonyolódnak olyan vitákba, ami egyre csak erősödik.
13:27
Now when I screamed at my children to stop,
340
792000
2000
Namost, amikor rákiáltok a gyerekeimre, hogy hagyják már abba,
13:29
sometimes they would both say to me
341
794000
2000
néha egyszerre mondták nekem azt,
13:31
the other person hit them harder.
342
796000
3000
hogy a másik erősebben ütött.
13:34
Now I happen to know my children don't lie,
343
799000
2000
Történetesen tudom, hogy a gyerekeim nem hazudnak,
13:36
so I thought, as a neuroscientist,
344
801000
2000
ezért idegtudósként arra gondoltam,
13:38
it was important how I could explain
345
803000
2000
hogy fontos lehet, hogy meg tudjam magyarázni,
13:40
how they were telling inconsistent truths.
346
805000
2000
hogy lehet az, hogy egymásnak ellentmondó igazságokat állítanak.
13:42
And we hypothesize based on the tickling study
347
807000
2000
Ezért a csikis kutatásunkat alapul véve feltettük,
13:44
that when one child hits another,
348
809000
2000
hogy amikor egy gyerek megüt egy másikat,
13:46
they generate the movement command.
349
811000
2000
azzal mozgásparancsot váltanak ki.
13:48
They predict the sensory consequences and subtract it off.
350
813000
3000
Előrejelzik az érzékszervi következményt és levonják.
13:51
So they actually think they've hit the person less hard than they have --
351
816000
2000
Emiatt aztán úgy érzik, hogy kevésbé erősen ütötték meg a másikat,
13:53
rather like the tickling.
352
818000
2000
mint a másik őket -- épp ahogy a csikizésnél.
13:55
Whereas the passive recipient
353
820000
2000
Ahol a passzív 'befogadó'
13:57
doesn't make the prediction, feels the full blow.
354
822000
2000
viszont nem végzi el az előrejelzést, így teljességgel érzékeli a csapást.
13:59
So if they retaliate with the same force,
355
824000
2000
Amikor egyforma erővel vágnak vissza,
14:01
the first person will think it's been escalated.
356
826000
2000
az első azt érzékeli, hogy erősödött az ütés.
14:03
So we decided to test this in the lab.
357
828000
2000
Úgy döntöttünk, hogy leteszteljük ezt laborban is.
14:05
(Laughter)
358
830000
3000
(Nevetés)
14:08
Now we don't work with children, we don't work with hitting,
359
833000
2000
Nem dolgozunk gyerekekkel, és ütlegeléssel sem,
14:10
but the concept is identical.
360
835000
2000
de a koncepció ugyanez.
14:12
We bring in two adults. We tell them they're going to play a game.
361
837000
3000
Két felnőttet vettünk. Azt mondtuk nekik, hogy egy játékban vesznek részt.
14:15
And so here's player one and player two sitting opposite to each other.
362
840000
2000
Itt ül egymással szemben az egyes és a kettes számú játékos.
14:17
And the game is very simple.
363
842000
2000
A játék nagyon egyszerű.
14:19
We started with a motor
364
844000
2000
Egy motorral kezdtünk,
14:21
with a little lever, a little force transfuser.
365
846000
2000
egy kis erőátvivő fogantyúval.
14:23
And we use this motor to apply force down to player one's fingers
366
848000
2000
Arra használjuk ezt a motort, hogy az egyes számú játékos ujjaira fejtsen ki nyomást,
14:25
for three seconds and then it stops.
367
850000
3000
3 mp-ig, aztán abbahagyja.
14:28
And that player's been told, remember the experience of that force
368
853000
3000
Annak a játékosnak azt mondtuk, hogy jegyezze meg azt a nyomás-élményt,
14:31
and use your other finger
369
856000
2000
és használja a másik ujját
14:33
to apply the same force
370
858000
2000
arra, hogy ugyanakkora nyomást fejtsen ki
14:35
down to the other subject's finger through a force transfuser -- and they do that.
371
860000
3000
a másik alany ujjára egy erőátvivő karon keresztül -- és így is tettek.
14:38
And player two's been told, remember the experience of that force.
372
863000
3000
A kettes számú játékosnak azt mondtuk, hogy jegyezze meg azt az erőt.
14:41
Use your other hand to apply the force back down.
373
866000
3000
A másik kezével pedig fejtsen ki ugyanakkora nyomást a másikra.
14:44
And so they take it in turns
374
869000
2000
Így váltogatják egymást
14:46
to apply the force they've just experienced back and forward.
375
871000
2000
egymás kezére gyakorolva a nyomást, oda-vissza.
14:48
But critically,
376
873000
2000
A fontos itt az,
14:50
they're briefed about the rules of the game in separate rooms.
377
875000
3000
hogy különböző szobában kaptak instrukciókat a szabályokra vonatkozóan.
14:53
So they don't know the rules the other person's playing by.
378
878000
2000
Nem ismerték tehát a szabályokat, ami szerint a társuk játszott.
14:55
And what we've measured
379
880000
2000
Az lett a mérés eredménye,
14:57
is the force as a function of terms.
380
882000
2000
hogy az erőkifejtés az egymásután következéstől függött.
14:59
And if we look at what we start with,
381
884000
2000
Ha megnézzük, hogy mivel indultunk,
15:01
a quarter of a Newton there, a number of turns,
382
886000
2000
egy negyed Newtonnal, akkor egy jópár forduló után,
15:03
perfect would be that red line.
383
888000
2000
az a piros vonal lenne a megfelelő.
15:05
And what we see in all pairs of subjects is this --
384
890000
3000
Ám a következő történt minden vizsgált párnál:
15:08
a 70 percent escalation in force
385
893000
2000
minden fordulónál 70 %-kal
15:10
on each go.
386
895000
2000
nőtt az erőkifejtés.
15:12
So it really suggests, when you're doing this --
387
897000
2000
Ebből tényleg az látszik következni, hogy ha ilyet csinálunk,
15:14
based on this study and others we've done --
388
899000
2000
-- ennek, és más ilyen kísérleteknek az alapján --
15:16
that the brain is canceling the sensory consequences
389
901000
2000
hogy az agy kitörli az érzékszervi következtetéseket,
15:18
and underestimating the force it's producing.
390
903000
2000
és alábecsüli az általa kifejtendő erőt.
15:20
So it re-shows the brain makes predictions
391
905000
2000
Ez megint csak azt mutatja, hogy az agy végez jóslásokat,
15:22
and fundamentally changes the precepts.
392
907000
3000
és alapjában megváltoztatja az érzékelést.
15:25
So we've made inferences, we've done predictions,
393
910000
3000
Vontunk le következtetéseket, végeztünk előrejelzéseket,
15:28
now we have to generate actions.
394
913000
2000
most akkor cselekvést kell kiváltanunk.
15:30
And what Bayes' rule says is, given my beliefs,
395
915000
2000
És a Bayes feltevés szerint, hitem szerint,
15:32
the action should in some sense be optimal.
396
917000
2000
a cselekedet valahogyan optimális lesz végül.
15:34
But we've got a problem.
397
919000
2000
De van ám egy kis bökkenő.
15:36
Tasks are symbolic -- I want to drink, I want to dance --
398
921000
3000
A feladatok szimbolikusak -- inni szeretnék, táncolni szeretnék --
15:39
but the movement system has to contract 600 muscles
399
924000
2000
a mozgásrendszernek azonban 600 izmot kell mozgatnia
15:41
in a particular sequence.
400
926000
2000
egy bizonyos sorrendben!
15:43
And there's a big gap
401
928000
2000
És bizony nagy hézag van
15:45
between the task and the movement system.
402
930000
2000
a feladat és a mozgásrendszer közt!
15:47
So it could be bridged in infinitely many different ways.
403
932000
2000
Magyarul végtelenül sokféleképpen lehetnének összeköttetésben.
15:49
So think about just a point to point movement.
404
934000
2000
Gondoljanak csak egy egyik ponttól a másikig végrehajtott mozgásra.
15:51
I could choose these two paths
405
936000
2000
Választhatom ezt a két utat,
15:53
out of an infinite number of paths.
406
938000
2000
a végtelenül sok rendelkezésre álló közül.
15:55
Having chosen a particular path,
407
940000
2000
Ha kiválasztottam egy utat,
15:57
I can hold my hand on that path
408
942000
2000
akkor rajta tarthatom a kezemet azon az úton,
15:59
as infinitely many different joint configurations.
409
944000
2000
a végtelenül sok ízületi konfiguráció szerint.
16:01
And I can hold my arm in a particular joint configuration
410
946000
2000
És tarthatom a kezemet egy bizonyos ízületi tartással,
16:03
either very stiff or very relaxed.
411
948000
2000
ami lehet nagyon merev, vagy akár nagyon ellazult.
16:05
So I have a huge amount of choice to make.
412
950000
3000
Tehát egy rakás döntéshelyzetem van.
16:08
Now it turns out, we are extremely stereotypical.
413
953000
3000
Az derült ki, hogy végletesen sablonosak vagyunk.
16:11
We all move the same way pretty much.
414
956000
3000
Mindannyian eléggé hasonlóan mozgunk.
16:14
And so it turns out we're so stereotypical,
415
959000
2000
Sőt, az derült ki, hogy annyira sablonosak vagyunk,
16:16
our brains have got dedicated neural circuitry
416
961000
2000
hogy az agyunknak rá kellett állni arra,
16:18
to decode this stereotyping.
417
963000
2000
hogy dekódolja ezeket a sablonokat!
16:20
So if I take some dots
418
965000
2000
Ha veszek tehát néhány pontot,
16:22
and set them in motion with biological motion,
419
967000
3000
és biológiai mozgás segítségével megmozgatom őket,
16:25
your brain's circuitry would understand instantly what's going on.
420
970000
3000
az agyunk áramkörei azonnal felfogják, hogy mi történik.
16:28
Now this is a bunch of dots moving.
421
973000
2000
Itt egy csomó pont mozog.
16:30
You will know what this person is doing,
422
975000
3000
Mi tudjuk, hogy ez a személy mit csinál,
16:33
whether happy, sad, old, young -- a huge amount of information.
423
978000
3000
akár vidám, szomorú, idős, vagy fiatal -- ami rengeteg információ.
16:36
If these dots were cars going on a racing circuit,
424
981000
2000
Ha ezek a pontok kocsik lennének egy versenypályán,
16:38
you would have absolutely no idea what's going on.
425
983000
3000
akkor viszont fogalmunk sem lenne, hogy mi zajlik!
16:41
So why is it
426
986000
2000
Akkor miért van tehát,
16:43
that we move the particular ways we do?
427
988000
2000
hogy bizonyos módon mozgunk?
16:45
Well let's think about what really happens.
428
990000
2000
Gondoljuk csak végig, mi is történik valójában.
16:47
Maybe we don't all quite move the same way.
429
992000
3000
Lehet, hogy nem mind mozgunk teljesen egyformán.
16:50
Maybe there's variation in the population.
430
995000
2000
Lehet, hogy vannak variációk a népességben.
16:52
And maybe those who move better than others
431
997000
2000
És lehet, hogy azoknak, akik a többieknél jobban mozognak,
16:54
have got more chance of getting their children into the next generation.
432
999000
2000
nagyobb az esélyük arra, hogy a gyerekeik bekerüljenek a következő generációba.
16:56
So in evolutionary scales, movements get better.
433
1001000
3000
Tehát evolúciós léptékkel nézve, a mozgások egyre jobbak lesznek.
16:59
And perhaps in life, movements get better through learning.
434
1004000
3000
És lehet, hogy az életben a mozgások tanulással fejlődnek.
17:02
So what is it about a movement which is good or bad?
435
1007000
2000
Mi a helyzet tehát egy mozgással, ami jó vagy rossz?
17:04
Imagine I want to intercept this ball.
436
1009000
2000
Képzeljük el, hogy el akarjuk kapni ezt a labdát.
17:06
Here are two possible paths to that ball.
437
1011000
3000
Itt van két lehetséges út a labdához.
17:09
Well if I choose the left-hand path,
438
1014000
2000
Nos, ha a baloldali utat választom,
17:11
I can work out the forces required
439
1016000
2000
kitalálhatom, mekkora erőbefektetést igényel ez az idő függvényében
17:13
in one of my muscles as a function of time.
440
1018000
2000
az egyik izmom számára.
17:15
But there's noise added to this.
441
1020000
2000
Hozzáadódik azonban 'zaj' is!
17:17
So what I actually get, based on this lovely, smooth, desired force,
442
1022000
3000
Ami tehát kapok végül ezen szép, sima, megfelelő erő alapján,
17:20
is a very noisy version.
443
1025000
2000
bizony egy nagyon 'zajos' verzió lesz.
17:22
So if I pick the same command through many times,
444
1027000
3000
Ha veszem ugyanazt a parancsot sok alkalommal,
17:25
I will get a different noisy version each time, because noise changes each time.
445
1030000
3000
minden alkalommal különböző zajos verziókat fogok kapni, mivel a zaj mindig változik.
17:28
So what I can show you here
446
1033000
2000
Itt azt tudom bemutatni Önöknek,
17:30
is how the variability of the movement will evolve
447
1035000
2000
hogyan fejlődik a mozgás variálhatósága,
17:32
if I choose that way.
448
1037000
2000
amennyiben ezt az utat választom.
17:34
If I choose a different way of moving -- on the right for example --
449
1039000
3000
Ha egy másik utat választok a végrehajtáshoz -- jobbra pl. --
17:37
then I'll have a different command, different noise,
450
1042000
2000
akkor más lesz a parancs, mások a zajok,
17:39
playing through a noisy system, very complicated.
451
1044000
3000
egy zajos rendszeren keresztül játszani nagyon bonyolult.
17:42
All we can be sure of is the variability will be different.
452
1047000
3000
Amiben biztosak lehetünk, az az, hogy a variálhatóság különbözni fog.
17:45
If I move in this particular way,
453
1050000
2000
Ha így mozgok,
17:47
I end up with a smaller variability across many movements.
454
1052000
3000
végül is egy kisebb variációval jövök ki belőle, a sok mozdulat következtében.
17:50
So if I have to choose between those two,
455
1055000
2000
Ha tehét e kettő közt kell választanom,
17:52
I would choose the right one because it's less variable.
456
1057000
2000
a jobboldalit választanám, mert ott kevesebb a variáció.
17:54
And the fundamental idea
457
1059000
2000
Az alapelv itt az,
17:56
is you want to plan your movements
458
1061000
2000
hogy úgy akarjuk megtervezni a mozgásunkat,
17:58
so as to minimize the negative consequence of the noise.
459
1063000
3000
hogy minimalizáljuk a zaj negatív következményét.
18:01
And one intuition to get
460
1066000
2000
És az egyik, amit itt megsejtünk az,
18:03
is actually the amount of noise or variability I show here
461
1068000
2000
valójában a zaj mennyisége, vagy variálhatóság, amit itt mutatok,
18:05
gets bigger as the force gets bigger.
462
1070000
2000
egyre erősödik a nyomás erősödésével.
18:07
So you want to avoid big forces as one principle.
463
1072000
3000
tehát az egyik alapelv az, hogy el akarjuk kerülni a nagy erőkifejtéseket.
18:10
So we've shown that using this,
464
1075000
2000
Megmutattuk, hogy ennek felhasználásával
18:12
we can explain a huge amount of data --
465
1077000
2000
rengeteg adatot meg tudunk magyarázni --
18:14
that exactly people are going about their lives planning movements
466
1079000
3000
ahogyan az emberek egész pontosan haladnak az életükben, megtervezve a mozgásukat,
18:17
so as to minimize negative consequences of noise.
467
1082000
3000
hogy minimalizálják általa a zajok negatív következményeit.
18:20
So I hope I've convinced you the brain is there
468
1085000
2000
Remélem, sikerült Önöket mgegyőznöm arról,
18:22
and evolved to control movement.
469
1087000
2000
hogy az agyunk azért van és felődött ilyenre, hogy a mozgásokat koordinálja.
18:24
And it's an intellectual challenge to understand how we do that.
470
1089000
3000
Komoly intellektuális kihívás megérteni, hogyan visszük ezt végbe.
18:27
But it's also relevant
471
1092000
2000
Lényeges ez azonban
18:29
for disease and rehabilitation.
472
1094000
2000
a betegségek és a rehabilitáció miatt is.
18:31
There are many diseases which effect movement.
473
1096000
3000
Rengeteg betegség van hatással a mozgásra.
18:34
And hopefully if we understand how we control movement,
474
1099000
2000
És ha megértjük, hogyan végezzük a mozgást, akkor remélhetőleg
18:36
we can apply that to robotic technology.
475
1101000
2000
alkalmazhatjuk majd a robottechnológiában is.
18:38
And finally, I want to remind you,
476
1103000
2000
Végezetül szeretném Önöket arra emlékeztetni,
18:40
when you see animals do what look like very simple tasks,
477
1105000
2000
hogy amikor állatokat látunk, amint nagyon egyszerűnek tűnő feladatokat hajtanak végre,
18:42
the actual complexity of what is going on inside their brain
478
1107000
2000
az agyukban ténylegesen végbemenő komplexitás
18:44
is really quite dramatic.
479
1109000
2000
valójában igen drámai!
18:46
Thank you very much.
480
1111000
2000
Nagyon köszönöm.
18:48
(Applause)
481
1113000
8000
(Taps)
18:56
Chris Anderson: Quick question for you, Dan.
482
1121000
2000
Chris Anderson: Egy gyors kérdés, Dan.
18:58
So you're a movement -- (DW: Chauvinist.) -- chauvinist.
483
1123000
4000
Szóval mozgás soviniszta vagy.
19:02
Does that mean that you think that the other things we think our brains are about --
484
1127000
3000
Ez azt jelenti, hogy szerinted a többi dolog, amiről azt hisszük, hogy az agyunk arra való,
19:05
the dreaming, the yearning, the falling in love and all these things --
485
1130000
3000
-- mint pl. az álmodozás, vágyakozás, szerelembe esés, meg ilyesmik --
19:08
are a kind of side show, an accident?
486
1133000
3000
valamiféle melléktermékek, véletlen velejárók?
19:11
DW: No, no, actually I think they're all important
487
1136000
2000
DW: Nem, nem, szerintem is nagyon fontos mindez ahhoz, hogy vezérelje
19:13
to drive the right movement behavior to get reproduction in the end.
488
1138000
3000
a megfelelő mozgást a viselkedés érdekében, hogy végül bekövetkezzen a reprodukció.
19:16
So I think people who study sensation or memory
489
1141000
3000
Szerintem az érzékelést és a memóriát úgy tanulmányozzák,
19:19
without realizing why you're laying down memories of childhood.
490
1144000
2000
hogy nem számítják be közben, hogy mi végett is gyűjtjük a gyermekkori emlékeket.
19:21
The fact that we forget most of our childhood, for example,
491
1146000
3000
Pl. az a tény, hogy gyermekkorunk agy része kiesik a fejünkből,
19:24
is probably fine, because it doesn't effect our movements later in life.
492
1149000
3000
valószínűleg azért nem gond, mivel nem befolyásolja későbbi életünk mozgásait!
19:27
You only need to store things which are really going to effect movement.
493
1152000
3000
Csak olyan dolgokat kell elraktározni, amelyek tényleg befolyásolni fogják a mozgást!
19:30
CA: So you think that people thinking about the brain, and consciousness generally,
494
1155000
3000
CA: Akkor tehát úgy gondolja, hogy azok, akik az agyról és tudatról
19:33
could get real insight
495
1158000
2000
általában elmélkednek, akkor jutnak valódi felismerésekhez
19:35
by saying, where does movement play in this game?
496
1160000
2000
amikor rájönnek, hogy hol játszik szerepet ebben a játékban a mozgás?
19:37
DW: So people have found out for example
497
1162000
2000
DW: Pl. rájöttek az emberek arra,
19:39
that studying vision in the absence of realizing why you have vision
498
1164000
2000
hogy a látás tanulmányozása anélkül,
19:41
is a mistake.
499
1166000
2000
hogy figyelembe vennék, mire is való - hiba.
19:43
You have to study vision with the realization
500
1168000
2000
A látást annak a felismerésnek a beszámításával együtt kell tanulmányozni,
19:45
of how the movement system is going to use vision.
501
1170000
2000
hogy a mozgásrendszer hogyan fogja felhasználni a látást.
19:47
And it uses it very differently once you think about it that way.
502
1172000
2000
És bizony nagyon másra használja, ha egyszer így is végiggondljuk!
19:49
CA: Well that was quite fascinating. Thank you very much indeed.
503
1174000
3000
CA: Hát ez mondhatom, nagyon érdekes. Tényleg nagyon köszönjük.
19:52
(Applause)
504
1177000
2000
(Taps)
ABOUT THE SPEAKER
Daniel Wolpert - Movement expertA neuroscientist and engineer, Daniel Wolpert studies how the brain controls the body.
Why you should listen
Consider your hand. You use it to lift things, to balance yourself, to give and take, to sense the world. It has a range of interacting degrees of freedom, and it interacts with many different objects under a variety of environmental conditions. And for most of us, it all just works. At his lab in the Engineering department at Cambridge, Daniel Wolpert and his team are studying why, looking to understand the computations underlying the brain's sensorimotor control of the body.
As he says, "I believe that to understand movement is to understand the whole brain. And therefore it’s important to remember when you are studying memory, cognition, sensory processing, they’re there for a reason, and that reason is action.” Movement is the only way we have of interacting with the world, whether foraging for food or attracting a waiter's attention. Indeed, all communication, including speech, sign language, gestures and writing, is mediated via the motor system. Taking this viewpoint, and using computational and robotic techniques as well as virtual reality systems, Wolpert and his team research the purpose of the human brain and the way it determines future actions.
Daniel Wolpert | Speaker | TED.com