TEDGlobal 2011
Daniel Wolpert: The real reason for brains
Daniel Wolpert: De echte reden voor hersenen
Filmed:
Readability: 3.9
1,994,993 views
Neurowetenschapper Daniel Wolpert gaat uit van een verrassend uitgangspunt: de hersenen zijn geëvolueerd, niet om te denken of te voelen, maar om bewegingen te controleren. In deze onderhoudende talk met veel gegevens, geeft hij ons inzicht in hoe hersenen de gracieuze en behendige menselijke bewegingen coördineren.
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
Ik ben een neurowetenschapper.
00:17
And in neuroscience,
1
2000
2000
In de neurowetenschappen,
00:19
we have to deal with many difficult questions about the brain.
2
4000
3000
hebben we te maken met vele moeilijke vragen over het brein.
00:22
But I want to start with the easiest question
3
7000
2000
Maar ik wil beginnen met de eenvoudigste vraag,
00:24
and the question you really should have all asked yourselves at some point in your life,
4
9000
3000
iets dat je je op een bepaald punt in je leven echt moet hebben afgevraagd.
00:27
because it's a fundamental question
5
12000
2000
Het een fundamentele vraag
00:29
if we want to understand brain function.
6
14000
2000
als we de functie van de hersenen willen begrijpen.
00:31
And that is, why do we and other animals
7
16000
2000
De vraag is: waarom hebben wij en andere dieren
00:33
have brains?
8
18000
2000
hersenen?
00:35
Not all species on our planet have brains,
9
20000
3000
Niet alle soorten op onze planeet hebben hersenen,
00:38
so if we want to know what the brain is for,
10
23000
2000
dus als we willen weten waarvoor hersenen dienen,
00:40
let's think about why we evolved one.
11
25000
2000
moeten we bedenken waarom we ze ontwikkeld hebben.
00:42
Now you may reason that we have one
12
27000
2000
Nu kan je redeneren dat we ze hebben
00:44
to perceive the world or to think,
13
29000
2000
om de wereld waar te nemen of om te denken.
00:46
and that's completely wrong.
14
31000
2000
Dat is helemaal verkeerd.
00:48
If you think about this question for any length of time,
15
33000
3000
Als je langere tijd over deze vraag nadenkt,
00:51
it's blindingly obvious why we have a brain.
16
36000
2000
is het volkomen duidelijk waarom we een brein hebben.
00:53
We have a brain for one reason and one reason only,
17
38000
3000
We hebben een brein om één reden en één reden alleen:
00:56
and that's to produce adaptable and complex movements.
18
41000
3000
om gepaste en complexe bewegingen te kunnen maken.
00:59
There is no other reason to have a brain.
19
44000
2000
Er is geen andere reden om een brein te hebben.
01:01
Think about it.
20
46000
2000
Denk er eens over na.
01:03
Movement is the only way you have
21
48000
2000
Beweging is de enige manier waarop je
01:05
of affecting the world around you.
22
50000
2000
invloed hebt op de wereld om je heen.
01:07
Now that's not quite true. There's one other way, and that's through sweating.
23
52000
3000
Dat is niet helemaal waar. Er is een andere manier en dat is door te zweten.
01:10
But apart from that,
24
55000
2000
Maar afgezien van dat,
01:12
everything else goes through contractions of muscles.
25
57000
2000
gebeurt alles door samentrekkingen van de spieren.
01:14
So think about communication --
26
59000
2000
Denk aan communicatie -
01:16
speech, gestures, writing, sign language --
27
61000
3000
spraak, gebaren, schrijven, gebarentaal -
01:19
they're all mediated through contractions of your muscles.
28
64000
3000
het gebeurt allemaal via samentrekkingen van je spieren.
01:22
So it's really important to remember
29
67000
2000
Het is echt belangrijk om te onthouden
01:24
that sensory, memory and cognitive processes are all important,
30
69000
4000
dat het zintuiglijke, het geheugen en cognitieve processen allemaal belangrijk zijn,
01:28
but they're only important
31
73000
2000
maar ze zijn alleen van belang
01:30
to either drive or suppress future movements.
32
75000
2000
om toekomstige bewegingen ofwel aan te sturen of te onderdrukken
01:32
There can be no evolutionary advantage
33
77000
2000
Er is geen evolutionair voordeel
01:34
to laying down memories of childhood
34
79000
2000
aan herinneringen uit de kindertijd
01:36
or perceiving the color of a rose
35
81000
2000
of het waarnemen van de kleur van een roos
01:38
if it doesn't affect the way you're going to move later in life.
36
83000
3000
als het geen invloed heeft op de manier waarop je je later beweegt.
01:41
Now for those who don't believe this argument,
37
86000
2000
Voor degenen die dit argument niet geloven:
01:43
we have trees and grass on our planet without the brain,
38
88000
2000
we hebben op onze planeet bomen en gras zonder hersenen.
01:45
but the clinching evidence is this animal here --
39
90000
2000
Het sluitende bewijs is dit dier hier:
01:47
the humble sea squirt.
40
92000
2000
de bescheiden zakpijp.
01:49
Rudimentary animal, has a nervous system,
41
94000
3000
Een rudimentair dier met een zenuwstelsel,
01:52
swims around in the ocean in its juvenile life.
42
97000
2000
zwemt in zijn jeugd in de oceaan rond.
01:54
And at some point of its life,
43
99000
2000
Op een bepaald punt in zijn leven,
01:56
it implants on a rock.
44
101000
2000
nestelt het zich op een rots.
01:58
And the first thing it does in implanting on that rock, which it never leaves,
45
103000
3000
Het eerste wat het doet nadat het zich op die rots vastzet, die het nooit verlaat,
02:01
is to digest its own brain and nervous system
46
106000
3000
is zijn eigen hersenen en zenuwstelsel
02:04
for food.
47
109000
2000
als voedsel verteren.
02:06
So once you don't need to move,
48
111000
2000
Dus zodra je niet hoeft te bewegen,
02:08
you don't need the luxury of that brain.
49
113000
3000
heb je de luxe van die hersenen niet nodig.
02:11
And this animal is often taken
50
116000
2000
Dit dier wordt vaak genomen
02:13
as an analogy to what happens at universities
51
118000
2000
als analogie met wat er aan de universiteiten gebeurt
02:15
when professors get tenure,
52
120000
2000
als professoren benoemd worden,
02:17
but that's a different subject.
53
122000
2000
maar dat is een ander onderwerp.
02:19
(Applause)
54
124000
2000
(Applaus)
02:21
So I am a movement chauvinist.
55
126000
3000
Dus ik ben een bewegingschauvinist.
02:24
I believe movement is the most important function of the brain --
56
129000
2000
Ik denk dat beweging de belangrijkste functie van de hersenen is
02:26
don't let anyone tell you that it's not true.
57
131000
2000
en laat niemand je vertellen dat het niet waar is.
02:28
Now if movement is so important,
58
133000
2000
Als beweging zo belangrijk is,
02:30
how well are we doing
59
135000
2000
hoe goed begrijpen we
02:32
understanding how the brain controls movement?
60
137000
2000
hoe de hersenen beweging controleren?
02:34
And the answer is we're doing extremely poorly; it's a very hard problem.
61
139000
2000
Heel erg slecht, het is een heel moeilijk probleem.
02:36
But we can look at how well we're doing
62
141000
2000
Een manier om te zien hoe goed we het doen,
02:38
by thinking about how well we're doing building machines
63
143000
2000
is door na te denken over hoe goed we zijn in het bouwen van machines
02:40
which can do what humans can do.
64
145000
2000
die kunnen doen wat mensen kunnen.
02:42
Think about the game of chess.
65
147000
2000
Denk aan het schaakspel.
02:44
How well are we doing determining what piece to move where?
66
149000
3000
Hoe goed zijn we in het bepalen van welk stuk verplaatst moet worden en waarheen?
02:47
If you pit Garry Kasparov here, when he's not in jail,
67
152000
3000
Neem Gary Kasparov, als hij niet in de gevangenis zit,
02:50
against IBM's Deep Blue,
68
155000
2000
tegen Deep Blue van IBM,
02:52
well the answer is IBM's Deep Blue will occasionally win.
69
157000
3000
Het antwoord is: Deep Blue van IBM zal zo nu en dan winnen.
02:55
And I think if IBM's Deep Blue played anyone in this room, it would win every time.
70
160000
3000
Ik denk dat als Deep Blue tegen iemand in deze zaal zou spelen, hij elke keer zou winnen.
02:58
That problem is solved.
71
163000
2000
Dat probleem is opgelost.
03:00
What about the problem
72
165000
2000
Hoe zit het met het probleem
03:02
of picking up a chess piece,
73
167000
2000
van het oppakken van een schaakstuk,
03:04
dexterously manipulating it and putting it back down on the board?
74
169000
3000
het handig manipuleren en het weer neerzetten op het bord?
03:07
If you put a five year-old child's dexterity against the best robots of today,
75
172000
3000
Als je de handigheid van een vijfjarig kind vergelijkt met de beste robot van vandaag,
03:10
the answer is simple:
76
175000
2000
is het antwoord eenvoudig:
03:12
the child wins easily.
77
177000
2000
het kind wint gemakkelijk.
03:14
There's no competition at all.
78
179000
2000
Het is geen match.
03:16
Now why is that top problem so easy
79
181000
2000
Waarom is het eerste probleem zo gemakkelijk
03:18
and the bottom problem so hard?
80
183000
2000
en het laatste probleem zo moeilijk?
03:20
One reason is a very smart five year-old
81
185000
2000
Een reden is dat een zeer slimme vijfjarige
03:22
could tell you the algorithm for that top problem --
82
187000
2000
je het algoritme voor dat probleem zou kunnen vertellen:
03:24
look at all possible moves to the end of the game
83
189000
2000
kijk naar alle mogelijke zetten op het einde van het spel
03:26
and choose the one that makes you win.
84
191000
2000
en kies voor die ene waardoor je wint.
03:28
So it's a very simple algorithm.
85
193000
2000
Het is dus een zeer eenvoudig algoritme.
03:30
Now of course there are other moves,
86
195000
2000
Natuurlijk zijn er andere zetten,
03:32
but with vast computers we approximate
87
197000
2000
maar met enorme computers
03:34
and come close to the optimal solution.
88
199000
2000
komen we dicht bij de optimale oplossing.
03:36
When it comes to being dexterous,
89
201000
2000
Als het gaat om behendigheid
03:38
it's not even clear what the algorithm is you have to solve to be dexterous.
90
203000
2000
is het zelfs niet duidelijk welk algoritme je moet oplossen.
03:40
And we'll see you have to both perceive and act on the world,
91
205000
2000
Je moet de wereld zowel waarnemen als erop reageren.
03:42
which has a lot of problems.
92
207000
2000
Dat geeft een hoop problemen.
03:44
But let me show you cutting-edge robotics.
93
209000
2000
Ik laat jullie de nieuwste robotica zien.
03:46
Now a lot of robotics is very impressive,
94
211000
2000
Veel robotica is zeer indrukwekkend,
03:48
but manipulation robotics is really just in the dark ages.
95
213000
3000
maar met behendige robotica zitten we nog in de middeleeuwen.
03:51
So this is the end of a Ph.D. project
96
216000
2000
Dus dit is het einde van een doctoraatproject
03:53
from one of the best robotics institutes.
97
218000
2000
van een van de beste robotica-instituten.
03:55
And the student has trained this robot
98
220000
2000
De student heeft deze robot getraind
03:57
to pour this water into a glass.
99
222000
2000
om water in een glas te gieten.
03:59
It's a hard problem because the water sloshes about, but it can do it.
100
224000
3000
Het is een moeilijk probleem omdat het water rondklotst, maar het lukt.
04:02
But it doesn't do it with anything like the agility of a human.
101
227000
3000
Weliswaar niet met de handigheid van een mens.
04:05
Now if you want this robot to do a different task,
102
230000
3000
Als je wilt dat deze robot een andere taak uitvoert,
04:08
that's another three-year Ph.D. program.
103
233000
3000
betekent dat nog eens drie jaar doctoraatprogramma.
04:11
There is no generalization at all
104
236000
2000
Er is helemaal geen generalisatie
04:13
from one task to another in robotics.
105
238000
2000
van de ene taak naar de andere in robotica.
04:15
Now we can compare this
106
240000
2000
We kunnen dit vergelijken
04:17
to cutting-edge human performance.
107
242000
2000
met de meest geavanceerde menselijke prestaties.
04:19
So what I'm going to show you is Emily Fox
108
244000
2000
Ik zal jullie Emily Fox laten zien.
04:21
winning the world record for cup stacking.
109
246000
3000
Zij heeft het wereldrecord bekerstapelen gewonnen.
04:24
Now the Americans in the audience will know all about cup stacking.
110
249000
2000
De Amerikanen hier in het publiek weten alles over bekerstapelen.
04:26
It's a high school sport
111
251000
2000
Het is een middelbare schoolsport
04:28
where you have 12 cups you have to stack and unstack
112
253000
2000
waarbij je 12 bekers moet stapelen en weer afbreken
04:30
against the clock in a prescribed order.
113
255000
2000
in een bepaalde tijd en een voorgeschreven volgorde
04:32
And this is her getting the world record in real time.
114
257000
3000
Dit is haar wereldrecord in realtime.
04:39
(Laughter)
115
264000
8000
(Gelach)
04:47
(Applause)
116
272000
5000
(Applaus)
04:52
And she's pretty happy.
117
277000
2000
Ze is erg blij.
04:54
We have no idea what is going on inside her brain when she does that,
118
279000
2000
We hebben geen idee wat er zich in haar hersenen afspeelt als ze bezig is.
04:56
and that's what we'd like to know.
119
281000
2000
We zouden het graag willen weten.
04:58
So in my group, what we try to do
120
283000
2000
In mijn groep, proberen we
05:00
is reverse engineer how humans control movement.
121
285000
3000
in detail te analyseren hoe mensen bewegingen beheersen.
05:03
And it sounds like an easy problem.
122
288000
2000
Het klinkt als een eenvoudig probleem.
05:05
You send a command down, it causes muscles to contract.
123
290000
2000
Je stuurt een commando dat de spieren doet samentrekken.
05:07
Your arm or body moves,
124
292000
2000
Je arm of lichaam beweegt
05:09
and you get sensory feedback from vision, from skin, from muscles and so on.
125
294000
3000
en je krijgt sensorische feedback van de ogen, de huid, spieren en ga zo maar door.
05:12
The trouble is
126
297000
2000
Het probleem is dat deze signalen
05:14
these signals are not the beautiful signals you want them to be.
127
299000
2000
niet de mooie signalen zijn zoals je ze graag zou willen.
05:16
So one thing that makes controlling movement difficult
128
301000
2000
Het beheersen van beweging wordt bemoeilijkt
05:18
is, for example, sensory feedback is extremely noisy.
129
303000
3000
door bijvoorbeeld zeer 'luidruchtige' sensorische feedback.
05:21
Now by noise, I do not mean sound.
130
306000
3000
Met luidruchtig bedoel ik niet geluid.
05:24
We use it in the engineering and neuroscience sense
131
309000
2000
We gebruiken het in ingenieurs- en neurowetenschappen
05:26
meaning a random noise corrupting a signal.
132
311000
2000
in de betekenis van onbestemde ruis die een signaal verstoort.
05:28
So the old days before digital radio when you were tuning in your radio
133
313000
3000
Voordat digitale radio bestond, kon je, als je een zender zocht op je radio,
05:31
and you heard "crrcckkk" on the station you wanted to hear,
134
316000
2000
'crrcckkk' horen op de zender die je wilde horen.
05:33
that was the noise.
135
318000
2000
Dat was die ruis.
05:35
But more generally, this noise is something that corrupts the signal.
136
320000
3000
Maar meer in het algemeen, deze ruis is iets dat het signaal stoort.
05:38
So for example, if you put your hand under a table
137
323000
2000
Bijvoorbeeld, als je je hand onder tafel houdt
05:40
and try to localize it with your other hand,
138
325000
2000
en die met je andere hand probeert te lokaliseren,
05:42
you can be off by several centimeters
139
327000
2000
kun je er enkele centimeters naast zitten
05:44
due to the noise in sensory feedback.
140
329000
2000
vanwege de ruis in de sensorische feedback.
05:46
Similarly, when you put motor output on movement output,
141
331000
2000
Hetzelfde geldt als je motorische output doet volgen
05:48
it's extremely noisy.
142
333000
2000
op een beweging: daar zit zeer veel ruis op.
05:50
Forget about trying to hit the bull's eye in darts,
143
335000
2000
Vergeet om bij het darten de roos te raken.
05:52
just aim for the same spot over and over again.
144
337000
2000
Richt gewoon telkens op dezelfde plek.
05:54
You have a huge spread due to movement variability.
145
339000
3000
Je hebt een grote spreiding door de bewegingsvariatie.
05:57
And more than that, the outside world, or task,
146
342000
2000
Meer nog, de buitenwereld of de taak
05:59
is both ambiguous and variable.
147
344000
2000
is zowel dubbelzinnig als variabel.
06:01
The teapot could be full, it could be empty.
148
346000
2000
De theepot kan vol zijn, hij kan leeg zijn.
06:03
It changes over time.
149
348000
2000
Het verandert in de tijd.
06:05
So we work in a whole sensory movement task soup of noise.
150
350000
4000
We werken bij zintuiglijke bewegingstaken in een soep van lawaai.
06:09
Now this noise is so great
151
354000
2000
De ruis is zo luid
06:11
that society places a huge premium
152
356000
2000
dat de maatschappij een enorme beloning geeft
06:13
on those of us who can reduce the consequences of noise.
153
358000
3000
aan degene die de gevolgen van deze ruis kan verminderen.
06:16
So if you're lucky enough to be able to knock a small white ball
154
361000
3000
Dus als je het geluk hebt om een klein wit balletje enkele
06:19
into a hole several hundred yards away using a long metal stick,
155
364000
3000
honderd meter verder in een gat te kunnen slaan met een lange metalen stok,
06:22
our society will be willing to reward you
156
367000
2000
zal onze maatschappij bereid zijn je te belonen
06:24
with hundreds of millions of dollars.
157
369000
3000
met honderden miljoenen dollars.
06:27
Now what I want to convince you of
158
372000
2000
Ik wil jullie ervan overtuigen
06:29
is the brain also goes through a lot of effort
159
374000
2000
dat het brein ook veel moeite doet
06:31
to reduce the negative consequences
160
376000
2000
om de negatieve gevolgen van dit soort
06:33
of this sort of noise and variability.
161
378000
2000
lawaai en variabiliteit te beperken.
06:35
And to do that, I'm going to tell you about a framework
162
380000
2000
Om dat te doen, ga ik jullie vertellen over een raamwerk
06:37
which is very popular in statistics and machine learning of the last 50 years
163
382000
3000
dat erg populair is in de statistiek en het automatisch leren van de laatste 50 jaar.
06:40
called Bayesian decision theory.
164
385000
2000
Het heet Bayesiaanse beslissingstheorie.
06:42
And it's more recently a unifying way
165
387000
3000
Het is tegenwoordig de manier
06:45
to think about how the brain deals with uncertainty.
166
390000
3000
om na te denken over hoe het brein omgaat met onzekerheid.
06:48
And the fundamental idea is you want to make inferences and then take actions.
167
393000
3000
Het fundamentele idee is dat je conclusies wilt trekken en dan actie ondernemen.
06:51
So let's think about the inference.
168
396000
2000
Dus laten we nadenken over de conclusie.
06:53
You want to generate beliefs about the world.
169
398000
2000
Je wilt overtuigingen over de wereld ontwikkelen.
06:55
So what are beliefs?
170
400000
2000
Ja, wat zijn overtuigingen?
06:57
Beliefs could be: where are my arms in space?
171
402000
2000
Overtuigingen kunnen zijn: waar in de ruimte bevinden mijn armen zich?
06:59
Am I looking at a cat or a fox?
172
404000
2000
Kijk ik naar een kat of een vos?
07:01
But we're going to represent beliefs with probabilities.
173
406000
3000
We gaan overtuigingen weergeven als waarschijnlijkheden.
07:04
So we're going to represent a belief
174
409000
2000
We geven een overtuiging weer
07:06
with a number between zero and one --
175
411000
2000
door een getal tussen nul en één -
07:08
zero meaning I don't believe it at all, one means I'm absolutely certain.
176
413000
3000
nul betekent: ik geloof het helemaal niet, één betekent: ik ben absoluut zeker.
07:11
And numbers in between give you the gray levels of uncertainty.
177
416000
3000
Cijfers ertussen geven de grijswaarden van onzekerheid.
07:14
And the key idea to Bayesian inference
178
419000
2000
Het uitgangspunt van Bayesiaanse conclusies
07:16
is you have two sources of information
179
421000
2000
zijn twee bronnen van informatie
07:18
from which to make your inference.
180
423000
2000
van waaruit je gevolgtrekkingen kunt maken.
07:20
You have data,
181
425000
2000
Je hebt gegevens
07:22
and data in neuroscience is sensory input.
182
427000
2000
en gegevens in neurowetenschappen zijn zintuiglijke input.
07:24
So I have sensory input, which I can take in to make beliefs.
183
429000
3000
Ik heb zintuiglijke input die ik kan gebruiken om overtuigingen te maken.
07:27
But there's another source of information, and that's effectively prior knowledge.
184
432000
3000
Maar er is een andere bron van informatie, en dat is voorkennis.
07:30
You accumulate knowledge throughout your life in memories.
185
435000
3000
Tijdens je hele leven verzamel je kennis in herinneringen.
07:33
And the point about Bayesian decision theory
186
438000
2000
De Bayesiaanse beslissingstheorie
07:35
is it gives you the mathematics
187
440000
2000
geeft je de wiskunde
07:37
of the optimal way to combine
188
442000
2000
van de optimale manier om
07:39
your prior knowledge with your sensory evidence
189
444000
2000
je voorkennis te combineren met je zintuiglijk bewijs
07:41
to generate new beliefs.
190
446000
2000
om nieuwe opvattingen te creëren.
07:43
And I've put the formula up there.
191
448000
2000
Ik zet de formule daar.
07:45
I'm not going to explain what that formula is, but it's very beautiful.
192
450000
2000
Ik ga niet uitleggen wat die formule is, maar ze is erg mooi.
07:47
And it has real beauty and real explanatory power.
193
452000
3000
Ze heeft echte schoonheid en echte verklarende kracht.
07:50
And what it really says, and what you want to estimate,
194
455000
2000
Wat het werkelijk zegt en wat je wilt bepalen,
07:52
is the probability of different beliefs
195
457000
2000
is de waarschijnlijkheid van verschillende overtuigingen
07:54
given your sensory input.
196
459000
2000
op basis van je zintuiglijke input.
07:56
So let me give you an intuitive example.
197
461000
2000
Laat me je een intuïtief voorbeeld geven.
07:58
Imagine you're learning to play tennis
198
463000
3000
Stel je voor dat je leert tennissen
08:01
and you want to decide where the ball is going to bounce
199
466000
2000
en je wilt bepalen waar de bal gaat stuiteren
08:03
as it comes over the net towards you.
200
468000
2000
als hij over het net naar je toekomt.
08:05
There are two sources of information
201
470000
2000
Er zijn twee bronnen van informatie
08:07
Bayes' rule tells you.
202
472000
2000
zegt Bayes' regel.
08:09
There's sensory evidence -- you can use visual information auditory information,
203
474000
3000
Er is zintuiglijk bewijs - je kunt gebruik maken van visuele en auditieve informatie,
08:12
and that might tell you it's going to land in that red spot.
204
477000
3000
die je kan vertellen dat de bal zal neerkomen op die rode vlek.
08:15
But you know that your senses are not perfect,
205
480000
3000
Maar je weet dat je zintuigen niet perfect zijn
08:18
and therefore there's some variability of where it's going to land
206
483000
2000
en daarom is er enige variatie in waar de bal zal neerkomen.
08:20
shown by that cloud of red,
207
485000
2000
Dat wordt getoond door die rode wolk
08:22
representing numbers between 0.5 and maybe 0.1.
208
487000
3000
die cijfers weergeeft tussen 0,5 en misschien 0,1.
08:26
That information is available in the current shot,
209
491000
2000
Die informatie is beschikbaar in deze slag,
08:28
but there's another source of information
210
493000
2000
maar er is een andere informatiebron
08:30
not available on the current shot,
211
495000
2000
die op dit moment niet beschikbaar is.
08:32
but only available by repeated experience in the game of tennis,
212
497000
3000
Ze wordt verkregen door vele keren tennis te spelen.
08:35
and that's that the ball doesn't bounce
213
500000
2000
De bal stuitert tijdens de wedstrijd
08:37
with equal probability over the court during the match.
214
502000
2000
niet met dezelfde waarschijnlijkheid over het veld.
08:39
If you're playing against a very good opponent,
215
504000
2000
Als je speelt tegen een zeer goede tegenstander,
08:41
they may distribute it in that green area,
216
506000
2000
kan deze de bal verspreiden over dat groene gebied,
08:43
which is the prior distribution,
217
508000
2000
wat de voorafgaande verspreiding was,
08:45
making it hard for you to return.
218
510000
2000
wat terugslaan lastig maakt.
08:47
Now both these sources of information carry important information.
219
512000
2000
Beide informatiebronnen dragen belangrijke informatie.
08:49
And what Bayes' rule says
220
514000
2000
Bayes' regel zegt dat ik
08:51
is that I should multiply the numbers on the red by the numbers on the green
221
516000
3000
de nummers op het rood moet vermenigvuldigen met de nummers op het groen
08:54
to get the numbers of the yellow, which have the ellipses,
222
519000
3000
om de nummers van de gele ellipsen te verkrijgen.
08:57
and that's my belief.
223
522000
2000
Dat is mijn overtuiging.
08:59
So it's the optimal way of combining information.
224
524000
3000
Dus het is de optimale manier van combineren van informatie.
09:02
Now I wouldn't tell you all this if it wasn't that a few years ago,
225
527000
2000
Ik vertel dit omdat we een paar jaar geleden
09:04
we showed this is exactly what people do
226
529000
2000
aantoonden dat dit precies is wat mensen doen
09:06
when they learn new movement skills.
227
531000
2000
wanneer zij nieuwe bewegingsvaardigheden leren.
09:08
And what it means
228
533000
2000
Het betekent dat we
09:10
is we really are Bayesian inference machines.
229
535000
2000
echt Bayesiaanse beslissingsmachines zijn.
09:12
As we go around, we learn about statistics of the world and lay that down,
230
537000
4000
Gaandeweg leren we de statistieken van de wereld en leggen die vast
09:16
but we also learn
231
541000
2000
maar we leren ook
09:18
about how noisy our own sensory apparatus is,
232
543000
2000
hoe luidruchtig het eigen zintuiglijke apparaat is.
09:20
and then combine those
233
545000
2000
Die gegevens combineren we
09:22
in a real Bayesian way.
234
547000
2000
op een echte Bayesiaanse manier.
09:24
Now a key part to the Bayesian is this part of the formula.
235
549000
3000
Een belangrijk deel van de Bayesiaanse regel is dit deel van de formule.
09:27
And what this part really says
236
552000
2000
Dit deel zegt echt
09:29
is I have to predict the probability
237
554000
2000
dat ik de waarschijnlijkheid moet voorspellen
09:31
of different sensory feedbacks
238
556000
2000
van verschillende zintuiglijke feedbacks
09:33
given my beliefs.
239
558000
2000
op basis van mijn overtuigingen.
09:35
So that really means I have to make predictions of the future.
240
560000
3000
Dat betekent eigenlijk dat ik de toekomst moet voorspellen.
09:38
And I want to convince you the brain does make predictions
241
563000
2000
Ik wil jullie overtuigen dat de hersenen voorspellingen doen
09:40
of the sensory feedback it's going to get.
242
565000
2000
van zintuiglijke feedbacks die ze nog moeten ontvangen.
09:42
And moreover, it profoundly changes your perceptions
243
567000
2000
Bovendien veranderen je waarnemingen ingrijpend
09:44
by what you do.
244
569000
2000
door wat je doet.
09:46
And to do that, I'll tell you
245
571000
2000
Daarom zal ik je vertellen
09:48
about how the brain deals with sensory input.
246
573000
2000
hoe het brein omgaat met zintuiglijke input.
09:50
So you send a command out,
247
575000
3000
Je stuurt een opdracht uit.
09:53
you get sensory feedback back,
248
578000
2000
Je krijgt sensorische feedback terug
09:55
and that transformation is governed
249
580000
2000
en die transformatie wordt beheerst
09:57
by the physics of your body and your sensory apparatus.
250
582000
3000
door de fysica van je lichaam en je zintuiglijke apparaat.
10:00
But you can imagine looking inside the brain.
251
585000
2000
Stel je de binnenkant van de hersenen voor.
10:02
And here's inside the brain.
252
587000
2000
Hier zijn de hersenen.
10:04
You might have a little predictor, a neural simulator,
253
589000
2000
Misschien heb je een kleine voorspeller, een neurale simulator,
10:06
of the physics of your body and your senses.
254
591000
2000
van de fysica van je lichaam en je zintuigen.
10:08
So as you send a movement command down,
255
593000
2000
Dus als je een bewegingscommando naar beneden stuurt,
10:10
you tap a copy of that off
256
595000
2000
maak je een kopie
10:12
and run it into your neural simulator
257
597000
2000
en voert het door je neurale simulator
10:14
to anticipate the sensory consequences of your actions.
258
599000
4000
om te anticiperen op de sensorische consequenties van je daden.
10:18
So as I shake this ketchup bottle,
259
603000
2000
Als ik deze fles ketchup schud,
10:20
I get some true sensory feedback as the function of time in the bottom row.
260
605000
3000
krijg ik een ware sensorische feedback zoals de functie van de tijd in de onderste rij.
10:23
And if I've got a good predictor, it predicts the same thing.
261
608000
3000
Als ik een goede voorspeller heb, voorspelt die hetzelfde.
10:26
Well why would I bother doing that?
262
611000
2000
Waarom zou ik daar moeite voor doen?
10:28
I'm going to get the same feedback anyway.
263
613000
2000
Ik krijg toch dezelfde feedback.
10:30
Well there's good reasons.
264
615000
2000
Wel, er zijn redenen.
10:32
Imagine, as I shake the ketchup bottle,
265
617000
2000
Stel je voor, terwijl ik de fles ketchup schud,
10:34
someone very kindly comes up to me and taps it on the back for me.
266
619000
3000
komt iemand vriendelijk naar me toe en tikt hem voor mij op de bodem.
10:37
Now I get an extra source of sensory information
267
622000
2000
Nu krijg ik een extra bron zintuiglijke informatie
10:39
due to that external act.
268
624000
2000
door een externe handeling.
10:41
So I get two sources.
269
626000
2000
Ik heb twee bronnen.
10:43
I get you tapping on it, and I get me shaking it,
270
628000
3000
Jij tikt erop en ik schud ermee,
10:46
but from my senses' point of view,
271
631000
2000
maar vanuit het oogpunt van mijn zintuigen,
10:48
that is combined together into one source of information.
272
633000
3000
worden die gecombineerd tot één bron van informatie.
10:51
Now there's good reason to believe
273
636000
2000
Er is een goede reden om te geloven
10:53
that you would want to be able to distinguish external events from internal events.
274
638000
3000
dat je in staat wilt zijn om onderscheid te maken tussen externe en interne gebeurtenissen.
10:56
Because external events are actually much more behaviorally relevant
275
641000
3000
Omdat externe gebeurtenissen eigenlijk gedragsmatig veel relevanter zijn
10:59
than feeling everything that's going on inside my body.
276
644000
3000
dan voeling te krijgen met wat er in mijn lichaam gebeurt.
11:02
So one way to reconstruct that
277
647000
2000
Een manier om dat te reconstrueren
11:04
is to compare the prediction --
278
649000
2000
is de voorspelling,
11:06
which is only based on your movement commands --
279
651000
2000
die alleen gebaseerd is op je bewegingscommando's,
11:08
with the reality.
280
653000
2000
met de werkelijkheid te vergelijken.
11:10
Any discrepancy should hopefully be external.
281
655000
3000
Enige discrepantie zal hopelijk extern zijn.
11:13
So as I go around the world,
282
658000
2000
Terwijl ik mij verplaats in de wereld,
11:15
I'm making predictions of what I should get, subtracting them off.
283
660000
3000
maak ik voorspellingen van wat ik kan verwachten, en trek ze af.
11:18
Everything left over is external to me.
284
663000
2000
Alles wat overblijft, is extern voor mij.
11:20
What evidence is there for this?
285
665000
2000
Welk bewijs is er hiervoor?
11:22
Well there's one very clear example
286
667000
2000
Er is een heel duidelijk voorbeeld
11:24
where a sensation generated by myself feels very different
287
669000
2000
waar een door mijzelf opgewekte sensatie heel anders voelt
11:26
then if generated by another person.
288
671000
2000
dan als ze door een andere persoon wordt veroorzaakt.
11:28
And so we decided the most obvious place to start
289
673000
2000
We besloten op de meest evidente plaats te beginnen:
11:30
was with tickling.
290
675000
2000
kietelen.
11:32
It's been known for a long time, you can't tickle yourself
291
677000
2000
Iedereen weet dat je jezelf niet kunt kietelen
11:34
as well as other people can.
292
679000
2000
maar andere mensen wel.
11:36
But it hasn't really been shown, it's because you have a neural simulator,
293
681000
3000
Maar het is niet echt aangetoond. Het is omdat je een neurale simulator hebt,
11:39
simulating your own body
294
684000
2000
die je eigen lichaam simuleert
11:41
and subtracting off that sense.
295
686000
2000
en dat gevoel aftrekt.
11:43
So we can bring the experiments of the 21st century
296
688000
3000
In de 21ste eeuw experimenteren wij
11:46
by applying robotic technologies to this problem.
297
691000
3000
met robottechnologie om dit probleem op te lossen.
11:49
And in effect, what we have is some sort of stick in one hand attached to a robot,
298
694000
3000
We hebben in een hand een soort stok verbonden met een robot.
11:52
and they're going to move that back and forward.
299
697000
2000
Die bewegen we heen en weer.
11:54
And then we're going to track that with a computer
300
699000
2000
Dat volgen we met een computer
11:56
and use it to control another robot,
301
701000
2000
en gebruiken deze om een andere robot
11:58
which is going to tickle their palm with another stick.
302
703000
2000
te besturen die hun palm zal kietelen met een andere stok.
12:00
And then we're going to ask them to rate a bunch of things
303
705000
2000
Dan vragen we om een hoop dingen te waarderen,
12:02
including ticklishness.
304
707000
2000
inbegrepen hoeveel het kietelt.
12:04
I'll show you just one part of our study.
305
709000
2000
Ik zal je een deel van onze studie laten zien.
12:06
And here I've taken away the robots,
306
711000
2000
Hier heb ik de robots weggenomen.
12:08
but basically people move with their right arm sinusoidally back and forward.
307
713000
3000
Eigenlijk bewegen mensen met hun rechterarm sinusvormig heen en weer.
12:11
And we replay that to the other hand with a time delay.
308
716000
3000
We herhalen dat voor de andere hand met een vertraging.
12:14
Either no time delay,
309
719000
2000
Ofwel zonder vertraging
12:16
in which case light would just tickle your palm,
310
721000
2000
waarbij enkel licht je handpalm prikkelt,
12:18
or with a time delay of two-tenths of three-tenths of a second.
311
723000
4000
of met een vertraging van twee-tiende of drie-tiende van een seconde.
12:22
So the important point here
312
727000
2000
Het belangrijkste punt hier is
12:24
is the right hand always does the same things -- sinusoidal movement.
313
729000
3000
dat de rechterhand altijd dezelfde sinusvormige beweging maakt.
12:27
The left hand always is the same and puts sinusoidal tickle.
314
732000
3000
De linkerhand blijft altijd hetzelfde en kietelt sinusvormig.
12:30
All we're playing with is a tempo causality.
315
735000
2000
We spelen met de tempo-causaliteit.
12:32
And as we go from naught to 0.1 second,
316
737000
2000
Als we gaan van nul naar 0,1 seconden,
12:34
it becomes more ticklish.
317
739000
2000
kietelt het meer.
12:36
As you go from 0.1 to 0.2,
318
741000
2000
Als je gaat van 0,1 tot 0,2,
12:38
it becomes more ticklish at the end.
319
743000
2000
kietelt het meer aan het eind.
12:40
And by 0.2 of a second,
320
745000
2000
Op 0,2 van een seconde
12:42
it's equivalently ticklish
321
747000
2000
kietelt het evenveel
12:44
to the robot that just tickled you without you doing anything.
322
749000
2000
voor de robot die jou net kietelde zonder dat je iets deed.
12:46
So whatever is responsible for this cancellation
323
751000
2000
Wat ook verantwoordelijk is voor deze annulatie
12:48
is extremely tightly coupled with tempo causality.
324
753000
3000
is zeer nauw verbonden met tempo-causaliteit.
12:51
And based on this illustration, we really convinced ourselves in the field
325
756000
3000
Op basis van deze illustratie geraakten we in het veld echt overtuigd
12:54
that the brain's making precise predictions
326
759000
2000
dat de hersenen nauwkeurige voorspellingen maken
12:56
and subtracting them off from the sensations.
327
761000
3000
en ze aftrekken van de sensaties.
12:59
Now I have to admit, these are the worst studies my lab has ever run.
328
764000
3000
Ik moet toegeven dat dit de ergste studies zijn die mijn lab ooit heeft uitgevoerd.
13:02
Because the tickle sensation on the palm comes and goes,
329
767000
2000
Omdat de kietelsensatie op de handpalm komt en gaat,
13:04
you need large numbers of subjects
330
769000
2000
heb je een groot aantal proefpersonen
13:06
with these stars making them significant.
331
771000
2000
met deze sterren nodig waardoor ze significant worden.
13:08
So we were looking for a much more objective way
332
773000
2000
We gingen dus op zoek naar een meer objectieve manier
13:10
to assess this phenomena.
333
775000
2000
om dit fenomeen te beoordelen.
13:12
And in the intervening years I had two daughters.
334
777000
2000
In de tussenliggende jaren kreeg ik twee dochters.
13:14
And one thing you notice about children in backseats of cars on long journeys,
335
779000
3000
Wat je ziet bij kinderen op de achterbank van auto’s tijdens lange ritten ...
13:17
they get into fights --
336
782000
2000
ze vechten.
13:19
which started with one of them doing something to the other, the other retaliating.
337
784000
3000
Het begint met de ene die iets doet aan de ander en die andere slaat terug.
13:22
It quickly escalates.
338
787000
2000
Het escaleert snel.
13:24
And children tend to get into fights which escalate in terms of force.
339
789000
3000
Kinderen geraken regelmatig in gevechten waarbij het geweld escaleert.
13:27
Now when I screamed at my children to stop,
340
792000
2000
Als ik schreeuwde tegen hen om te stoppen,
13:29
sometimes they would both say to me
341
794000
2000
zeiden ze beiden dat
13:31
the other person hit them harder.
342
796000
3000
de andere persoon harder sloeg dan zijzelf.
13:34
Now I happen to know my children don't lie,
343
799000
2000
Ik weet toevallig dat mijn kinderen niet liegen,
13:36
so I thought, as a neuroscientist,
344
801000
2000
dus ik dacht, als neurowetenschapper,
13:38
it was important how I could explain
345
803000
2000
dat het belangrijk was een verklaring te vinden
13:40
how they were telling inconsistent truths.
346
805000
2000
waarom ze elk iets anders vertelden.
13:42
And we hypothesize based on the tickling study
347
807000
2000
We maakten een hypothese op basis van de kietelstudie:
13:44
that when one child hits another,
348
809000
2000
wanneer het ene kind het andere slaat,
13:46
they generate the movement command.
349
811000
2000
commanderen zijzelf de beweging.
13:48
They predict the sensory consequences and subtract it off.
350
813000
3000
Ze voorspellen de sensorische gevolgen en trekken ze af.
13:51
So they actually think they've hit the person less hard than they have --
351
816000
2000
Ze denken dat ze de persoon minder hard raken dan in werkelijkheid -
13:53
rather like the tickling.
352
818000
2000
een beetje zoals het kietelen.
13:55
Whereas the passive recipient
353
820000
2000
De passieve ontvanger echter
13:57
doesn't make the prediction, feels the full blow.
354
822000
2000
maakt deze voorspelling niet en voelt de klap in zijn volle kracht.
13:59
So if they retaliate with the same force,
355
824000
2000
Als ze terugslaan met dezelfde kracht,
14:01
the first person will think it's been escalated.
356
826000
2000
zal de eerste persoon denken dat het geëscaleerd is.
14:03
So we decided to test this in the lab.
357
828000
2000
We besloten dit te testen in het lab.
14:05
(Laughter)
358
830000
3000
(Gelach)
14:08
Now we don't work with children, we don't work with hitting,
359
833000
2000
We werken niet met kinderen en niet met slaan,
14:10
but the concept is identical.
360
835000
2000
maar het concept is identiek.
14:12
We bring in two adults. We tell them they're going to play a game.
361
837000
3000
We gebruiken twee volwassenen. We vertellen hen dat ze een spel gaan spelen.
14:15
And so here's player one and player two sitting opposite to each other.
362
840000
2000
Hier is speler één en speler twee. Ze zitten tegenover elkaar.
14:17
And the game is very simple.
363
842000
2000
Het spel is zeer eenvoudig.
14:19
We started with a motor
364
844000
2000
We begonnen met een motor
14:21
with a little lever, a little force transfuser.
365
846000
2000
met een kleine hefboom die de kracht overbrengt.
14:23
And we use this motor to apply force down to player one's fingers
366
848000
2000
We gebruiken deze motor om kracht uit te oefenen op de vingers van
14:25
for three seconds and then it stops.
367
850000
3000
speler één gedurende drie seconden en dan stoppen we.
14:28
And that player's been told, remember the experience of that force
368
853000
3000
De speler wordt gevraagd de kracht die hij ervaren heeft te onthouden
14:31
and use your other finger
369
856000
2000
en zijn andere vinger te gebruiken
14:33
to apply the same force
370
858000
2000
om dezelfde kracht uit te oefenen
14:35
down to the other subject's finger through a force transfuser -- and they do that.
371
860000
3000
op de vinger van speler twee via de hefboom - en dat doen ze.
14:38
And player two's been told, remember the experience of that force.
372
863000
3000
Speler twee wordt dan gevraagd de kracht die hij ervaren heeft te onthouden
14:41
Use your other hand to apply the force back down.
373
866000
3000
en met zijn andere hand diezelfde kracht op de ander uit te oefenen.
14:44
And so they take it in turns
374
869000
2000
Dit doen ze om de beurt bij de ander
14:46
to apply the force they've just experienced back and forward.
375
871000
2000
op basis van de kracht die zij zelf ervaren hebben.
14:48
But critically,
376
873000
2000
Maar belangrijk:
14:50
they're briefed about the rules of the game in separate rooms.
377
875000
3000
ze werden geïnformeerd over de regels van het spel in aparte kamers.
14:53
So they don't know the rules the other person's playing by.
378
878000
2000
Ze kennen dus de regels van de andere persoon niet.
14:55
And what we've measured
379
880000
2000
We maten
14:57
is the force as a function of terms.
380
882000
2000
of de kracht overeenstemde met de regels.
14:59
And if we look at what we start with,
381
884000
2000
Als we kijken naar waarmee we beginnen:
15:01
a quarter of a Newton there, a number of turns,
382
886000
2000
een kwart van een Newton, een aantal keren,
15:03
perfect would be that red line.
383
888000
2000
dan zou de rode lijn perfect zijn.
15:05
And what we see in all pairs of subjects is this --
384
890000
3000
We zien in alle onderzochte paren,
15:08
a 70 percent escalation in force
385
893000
2000
70 procent escalatie van kracht
15:10
on each go.
386
895000
2000
bij elke beurt.
15:12
So it really suggests, when you're doing this --
387
897000
2000
Het suggereert, als je dit doet -
15:14
based on this study and others we've done --
388
899000
2000
op basis van deze studie en andere die we gedaan hebben -
15:16
that the brain is canceling the sensory consequences
389
901000
2000
dat de hersenen de sensorische consequenties uitwissen
15:18
and underestimating the force it's producing.
390
903000
2000
en de geproduceerde kracht onderschat.
15:20
So it re-shows the brain makes predictions
391
905000
2000
Het toont opnieuw dat de hersenen voorspellingen maken
15:22
and fundamentally changes the precepts.
392
907000
3000
en de regels fundamenteel veranderen.
15:25
So we've made inferences, we've done predictions,
393
910000
3000
We hebben gevolgtrekkingen gemaakt, we hebben voorspellingen gedaan,
15:28
now we have to generate actions.
394
913000
2000
nu moeten we de acties ondernemen.
15:30
And what Bayes' rule says is, given my beliefs,
395
915000
2000
Bayes’ regel zegt: op basis van mijn overtuigingen
15:32
the action should in some sense be optimal.
396
917000
2000
moet de actie in zekere zin optimaal zijn.
15:34
But we've got a problem.
397
919000
2000
We hebben echter een probleem.
15:36
Tasks are symbolic -- I want to drink, I want to dance --
398
921000
3000
Taken zijn symbolisch: ik wil drinken, ik wil dansen -
15:39
but the movement system has to contract 600 muscles
399
924000
2000
maar het bewegingssysteem moet 600 spieren aanspannen
15:41
in a particular sequence.
400
926000
2000
in een bepaalde volgorde.
15:43
And there's a big gap
401
928000
2000
Er is een grote kloof
15:45
between the task and the movement system.
402
930000
2000
tussen de taak en het bewegingssysteem.
15:47
So it could be bridged in infinitely many different ways.
403
932000
2000
Het zou kunnen overbrugd worden op oneindig veel verschillende manieren.
15:49
So think about just a point to point movement.
404
934000
2000
Denk aan een beweging van punt naar punt.
15:51
I could choose these two paths
405
936000
2000
Ik kan deze twee paden kiezen
15:53
out of an infinite number of paths.
406
938000
2000
uit een oneindig aantal paden.
15:55
Having chosen a particular path,
407
940000
2000
Na het kiezen van een bepaald pad,
15:57
I can hold my hand on that path
408
942000
2000
kan ik mijn hand op dat pad houden
15:59
as infinitely many different joint configurations.
409
944000
2000
met het gewricht in oneindig veel verschillende standen.
16:01
And I can hold my arm in a particular joint configuration
410
946000
2000
Ik kan mijn arm in veel verschillende standen houden
16:03
either very stiff or very relaxed.
411
948000
2000
ofwel zeer stijf of heel ontspannen.
16:05
So I have a huge amount of choice to make.
412
950000
3000
Ik moet een enorm aantal keuzes maken.
16:08
Now it turns out, we are extremely stereotypical.
413
953000
3000
Het blijkt dat we extreem stereotiep zijn.
16:11
We all move the same way pretty much.
414
956000
3000
We bewegen allemaal op vrijwel dezelfde manier.
16:14
And so it turns out we're so stereotypical,
415
959000
2000
We zijn zelfs zo stereotiep,
16:16
our brains have got dedicated neural circuitry
416
961000
2000
dat onze hersenen specifieke neurale circuits hebben
16:18
to decode this stereotyping.
417
963000
2000
om deze stereotypering te decoderen.
16:20
So if I take some dots
418
965000
2000
Als ik wat puntjes neem
16:22
and set them in motion with biological motion,
419
967000
3000
en ze in beweging zet met biologische beweging,
16:25
your brain's circuitry would understand instantly what's going on.
420
970000
3000
zouden je hersencircuits onmiddellijk begrijpen wat er gaande is.
16:28
Now this is a bunch of dots moving.
421
973000
2000
Dit is een hoop bewegende punten.
16:30
You will know what this person is doing,
422
975000
3000
Je zult weten wat deze persoon doet,
16:33
whether happy, sad, old, young -- a huge amount of information.
423
978000
3000
of hij blij, verdrietig, oud, jong is - een enorme hoeveelheid informatie.
16:36
If these dots were cars going on a racing circuit,
424
981000
2000
Als deze punten auto’s zouden zijn op een racecircuit,
16:38
you would have absolutely no idea what's going on.
425
983000
3000
zou je absoluut geen idee hebben wat er aan de hand is.
16:41
So why is it
426
986000
2000
Waarom bewegen we
16:43
that we move the particular ways we do?
427
988000
2000
op deze specifieke manieren?
16:45
Well let's think about what really happens.
428
990000
2000
Laat ons nadenken over wat er werkelijk gebeurt.
16:47
Maybe we don't all quite move the same way.
429
992000
3000
Misschien bewegen we niet allemaal op precies dezelfde manier.
16:50
Maybe there's variation in the population.
430
995000
2000
Misschien is er variatie in de populatie.
16:52
And maybe those who move better than others
431
997000
2000
Misschien hebben degenen die zich beter bewegen dan anderen
16:54
have got more chance of getting their children into the next generation.
432
999000
2000
meer kans om hun kinderen mee te nemen in de volgende generatie.
16:56
So in evolutionary scales, movements get better.
433
1001000
3000
In evolutionaire termen worden bewegingen beter.
16:59
And perhaps in life, movements get better through learning.
434
1004000
3000
Misschien worden bewegingen tijdens het leven beter door te leren.
17:02
So what is it about a movement which is good or bad?
435
1007000
2000
Wat is goed of slecht aan een beweging?
17:04
Imagine I want to intercept this ball.
436
1009000
2000
Stel je voor dat ik deze bal wil onderscheppen.
17:06
Here are two possible paths to that ball.
437
1011000
3000
Er zijn twee mogelijke paden naar de bal.
17:09
Well if I choose the left-hand path,
438
1014000
2000
Als ik het linkerpad kies,
17:11
I can work out the forces required
439
1016000
2000
kan ik de benodigde kracht
17:13
in one of my muscles as a function of time.
440
1018000
2000
van mijn spieren berekenen als een functie van de tijd.
17:15
But there's noise added to this.
441
1020000
2000
Maar er wordt ruis toegevoegd.
17:17
So what I actually get, based on this lovely, smooth, desired force,
442
1022000
3000
Ik krijg op basis van deze mooie, gladde, gewenste kracht
17:20
is a very noisy version.
443
1025000
2000
een zeer luidruchtige versie.
17:22
So if I pick the same command through many times,
444
1027000
3000
Als ik dezelfde opdracht vele malen herhaal,
17:25
I will get a different noisy version each time, because noise changes each time.
445
1030000
3000
krijg ik telkens een andere luidruchtige versie omdat de ruis telkens verandert.
17:28
So what I can show you here
446
1033000
2000
Wat ik jullie hier kan laten zien,
17:30
is how the variability of the movement will evolve
447
1035000
2000
is hoe de variabiliteit van de beweging zich zal ontwikkelen
17:32
if I choose that way.
448
1037000
2000
als ik deze manier kies.
17:34
If I choose a different way of moving -- on the right for example --
449
1039000
3000
Als ik kies voor een andere manier van bewegen - aan de rechterkant bijvoorbeeld -
17:37
then I'll have a different command, different noise,
450
1042000
2000
dan zal ik een andere opdracht en andere ruis
17:39
playing through a noisy system, very complicated.
451
1044000
3000
krijgen in een luidruchtig systeem, erg ingewikkeld.
17:42
All we can be sure of is the variability will be different.
452
1047000
3000
We kunnen enkel zeker zijn dat de variabiliteit anders zal zijn.
17:45
If I move in this particular way,
453
1050000
2000
Als ik beweeg op deze manier,
17:47
I end up with a smaller variability across many movements.
454
1052000
3000
eindig ik met een kleinere variabiliteit over vele bewegingen.
17:50
So if I have to choose between those two,
455
1055000
2000
Als ik moet kiezen tussen deze twee,
17:52
I would choose the right one because it's less variable.
456
1057000
2000
zou ik de rechtse kiezen, omdat die minder variabel is.
17:54
And the fundamental idea
457
1059000
2000
Het fundamentele idee
17:56
is you want to plan your movements
458
1061000
2000
is dat je je bewegingen wilt plannen
17:58
so as to minimize the negative consequence of the noise.
459
1063000
3000
om zo de negatieve gevolgen van de ruis te minimaliseren.
18:01
And one intuition to get
460
1066000
2000
Een intuïtie om te ontwikkelen,
18:03
is actually the amount of noise or variability I show here
461
1068000
2000
is dat de hoeveelheid ruis of variabiliteit die ik hier toon
18:05
gets bigger as the force gets bigger.
462
1070000
2000
groter wordt als de kracht toeneemt.
18:07
So you want to avoid big forces as one principle.
463
1072000
3000
Je wilt dus in principe grote krachten vermijden.
18:10
So we've shown that using this,
464
1075000
2000
We hebben laten zien dat we op deze basis
18:12
we can explain a huge amount of data --
465
1077000
2000
een enorme hoeveelheid gegevens kunnen verklaren -
18:14
that exactly people are going about their lives planning movements
466
1079000
3000
dat mensen hun bewegingen juist plannen
18:17
so as to minimize negative consequences of noise.
467
1082000
3000
om de negatieve gevolgen van ruis te minimaliseren.
18:20
So I hope I've convinced you the brain is there
468
1085000
2000
Ik hoop dat ik jullie overtuigd heb dat de hersenen er zijn
18:22
and evolved to control movement.
469
1087000
2000
en evolueerden om bewegingen te controleren.
18:24
And it's an intellectual challenge to understand how we do that.
470
1089000
3000
Het is een intellectuele uitdaging om te begrijpen hoe we dat doen.
18:27
But it's also relevant
471
1092000
2000
Maar het is ook relevant
18:29
for disease and rehabilitation.
472
1094000
2000
voor ziekte en revalidatie.
18:31
There are many diseases which effect movement.
473
1096000
3000
Er zijn veel ziekten die beweging aantasten.
18:34
And hopefully if we understand how we control movement,
474
1099000
2000
Als we begrijpen hoe we bewegingen beheersen,
18:36
we can apply that to robotic technology.
475
1101000
2000
kunnen we dit hopelijk toepassen op robottechnologie.
18:38
And finally, I want to remind you,
476
1103000
2000
Tot slot, wil ik jullie eraan herinneren,
18:40
when you see animals do what look like very simple tasks,
477
1105000
2000
dat als je dieren dingen ziet doen die simpel lijken,
18:42
the actual complexity of what is going on inside their brain
478
1107000
2000
de reële complexiteit van wat er in hun hersenen omgaat
18:44
is really quite dramatic.
479
1109000
2000
echt heel spectaculair is.
18:46
Thank you very much.
480
1111000
2000
Heel hartelijk bedankt.
18:48
(Applause)
481
1113000
8000
(Applaus)
18:56
Chris Anderson: Quick question for you, Dan.
482
1121000
2000
Chris Anderson: snelle vraag voor je, Dan.
18:58
So you're a movement -- (DW: Chauvinist.) -- chauvinist.
483
1123000
4000
Dus je bent een bewegings - (DW chauvinist.) - chauvinist.
19:02
Does that mean that you think that the other things we think our brains are about --
484
1127000
3000
Betekent dit dat je denkt dat de andere functies van de hersenen:
19:05
the dreaming, the yearning, the falling in love and all these things --
485
1130000
3000
dromen, het verlangen, de verliefdheid en al deze dingen -
19:08
are a kind of side show, an accident?
486
1133000
3000
een soort bijverschijnsel zijn, een ongelukje?
19:11
DW: No, no, actually I think they're all important
487
1136000
2000
DW: Nee, nee, eigenlijk denk ik dat ze allemaal belangrijk zijn
19:13
to drive the right movement behavior to get reproduction in the end.
488
1138000
3000
om de juiste beweging en gedrag te produceren om de voortplanting te bevorderen.
19:16
So I think people who study sensation or memory
489
1141000
3000
Ik denk dat mensen die gevoel of het geheugen bestuderen
19:19
without realizing why you're laying down memories of childhood.
490
1144000
2000
zonder te beseffen waarom je herinneringen van de kindertijd vastlegt.
19:21
The fact that we forget most of our childhood, for example,
491
1146000
3000
Het feit dat we de meeste jeugdherinneringen vergeten, bijvoorbeeld,
19:24
is probably fine, because it doesn't effect our movements later in life.
492
1149000
3000
is waarschijnlijk goed, omdat het geen effect heeft op onze latere bewegingen.
19:27
You only need to store things which are really going to effect movement.
493
1152000
3000
Je moet alleen maar dingen onthouden die echt effect hebben op bewegen.
19:30
CA: So you think that people thinking about the brain, and consciousness generally,
494
1155000
3000
CA: Jij denkt dus dat mensen die nadenken over de hersenen en bewustzijn in het algemeen,
19:33
could get real insight
495
1158000
2000
echt inzicht zouden verwerven
19:35
by saying, where does movement play in this game?
496
1160000
2000
als ze kunnen bepalen waar beweging een rol speelt?
19:37
DW: So people have found out for example
497
1162000
2000
DW: Mensen hebben bijvoorbeeld ontdekt dat het bestuderen
19:39
that studying vision in the absence of realizing why you have vision
498
1164000
2000
van het gezichtsvermogen zonder zich te realiseren waarom je kan zien,
19:41
is a mistake.
499
1166000
2000
een vergissing is.
19:43
You have to study vision with the realization
500
1168000
2000
Je moet het gezichtsvermogen bestuderen in het besef
19:45
of how the movement system is going to use vision.
501
1170000
2000
hoe het bewegingssysteem het gezichtsvermogen zal gebruiken.
19:47
And it uses it very differently once you think about it that way.
502
1172000
2000
En het gebruikt het heel anders als je er op die manier over nadenkt.
19:49
CA: Well that was quite fascinating. Thank you very much indeed.
503
1174000
3000
CA: Dat was heel fascinerend. Heel erg bedankt.
19:52
(Applause)
504
1177000
2000
(Applaus)
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