TEDGlobal 2011
Daniel Wolpert: The real reason for brains
Daniel Wolpert: Po co tak naprawdę nam mózg
Filmed:
Readability: 3.9
1,994,993 views
Neurobiolog Daniel Wolpert wychodzi od zaskakującej przesłanki: mózg ewoluował nie po to, by myśleć lub czuć, ale po to, by kontrolować ruch. W tym zabawnym, bogatym w dane wykładzie daje on nam wgląd w to, jak mózg odpowiada za grację i zręczność ludzkich ruchów.
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
Jestem neurobiologiem.
00:17
And in neuroscience,
1
2000
2000
W neurobiologii
00:19
we have to deal with many difficult questions about the brain.
2
4000
3000
stajemy wobec wielu trudnych pytań nt. mózgu.
00:22
But I want to start with the easiest question
3
7000
2000
Chcę zacząć od najłatwiejszego pytania,
00:24
and the question you really should have all asked yourselves at some point in your life,
4
9000
3000
które każdy powinien sobie kiedyś zadać,
00:27
because it's a fundamental question
5
12000
2000
ponieważ jest to pytanie fundamentalne,
00:29
if we want to understand brain function.
6
14000
2000
jeśli chcemy zrozumieć funkcję mózgu.
00:31
And that is, why do we and other animals
7
16000
2000
Brzmi ono: dlaczego my i inne zwierzęta
00:33
have brains?
8
18000
2000
mamy mózgi?
00:35
Not all species on our planet have brains,
9
20000
3000
Nie wszystkie gatunki mają mózgi,
00:38
so if we want to know what the brain is for,
10
23000
2000
więc jeśli chcemy wiedzieć po co jest mózg,
00:40
let's think about why we evolved one.
11
25000
2000
pomyślmy, po co powstał w toku ewolucji.
00:42
Now you may reason that we have one
12
27000
2000
Możecie pomyśleć, że mamy go,
00:44
to perceive the world or to think,
13
29000
2000
by postrzegać świat lub myśleć,
00:46
and that's completely wrong.
14
31000
2000
a to kompletnie nie tak.
00:48
If you think about this question for any length of time,
15
33000
3000
Jeśli się nad tym dłużej zastanowić,
00:51
it's blindingly obvious why we have a brain.
16
36000
2000
staje się oczywiste, po co nam mózg.
00:53
We have a brain for one reason and one reason only,
17
38000
3000
Mamy mózg z jednego, jedynego powodu:
00:56
and that's to produce adaptable and complex movements.
18
41000
3000
do wykonywania przystosowawczych, złożonych ruchów.
00:59
There is no other reason to have a brain.
19
44000
2000
Nie ma innego powodu posiadania mózgu.
01:01
Think about it.
20
46000
2000
Pomyślcie o tym.
01:03
Movement is the only way you have
21
48000
2000
Ruch to jedyny sposób,
01:05
of affecting the world around you.
22
50000
2000
w jaki możemy wpływać na świat.
01:07
Now that's not quite true. There's one other way, and that's through sweating.
23
52000
3000
Może nie do końca. Można też przez pocenie się.
01:10
But apart from that,
24
55000
2000
Ale oprócz tego
01:12
everything else goes through contractions of muscles.
25
57000
2000
wszystko inne zachodzi dzięki skurczom mięśni.
01:14
So think about communication --
26
59000
2000
Pomyślcie o porozumiewaniu się,
01:16
speech, gestures, writing, sign language --
27
61000
3000
mowie, gestach, piśmie, języku migowym,
01:19
they're all mediated through contractions of your muscles.
28
64000
3000
wszystkie zachodzą dzięki skurczom mięśni.
01:22
So it's really important to remember
29
67000
2000
Musimy więc pamiętać,
01:24
that sensory, memory and cognitive processes are all important,
30
69000
4000
że zmysły, pamięć i procesy poznawcze są ważne,
01:28
but they're only important
31
73000
2000
ale ważne tylko na tyle,
01:30
to either drive or suppress future movements.
32
75000
2000
na ile wywołują albo hamują przyszłe ruchy.
01:32
There can be no evolutionary advantage
33
77000
2000
Niewiele korzyści ewolucyjnych płynie
01:34
to laying down memories of childhood
34
79000
2000
ze wspomnień z dzieciństwa
01:36
or perceiving the color of a rose
35
81000
2000
lub postrzegania koloru róży,
01:38
if it doesn't affect the way you're going to move later in life.
36
83000
3000
jeśli nie wpływają na późniejszy sposób poruszania się.
01:41
Now for those who don't believe this argument,
37
86000
2000
Dla tych, którzy nie wierzą w ten argument,
01:43
we have trees and grass on our planet without the brain,
38
88000
2000
drzewa i trawa na naszej planecie nie mają mózgu,
01:45
but the clinching evidence is this animal here --
39
90000
2000
ale najdobitniejszym dowodem jest to zwierzę:
01:47
the humble sea squirt.
40
92000
2000
skromna żachwa.
01:49
Rudimentary animal, has a nervous system,
41
94000
3000
Prymitywne zwierzę, ma układ nerwowy,
01:52
swims around in the ocean in its juvenile life.
42
97000
2000
z początku pływa w oceanie.
01:54
And at some point of its life,
43
99000
2000
W pewnym momencie
01:56
it implants on a rock.
44
101000
2000
przyczepia się do skały,
01:58
And the first thing it does in implanting on that rock, which it never leaves,
45
103000
3000
której już nigdy nie opuszcza.
02:01
is to digest its own brain and nervous system
46
106000
3000
I natychmiast trawi własny mózg i układ nerwowy.
02:04
for food.
47
109000
2000
I natychmiast trawi własny mózg i układ nerwowy.
02:06
So once you don't need to move,
48
111000
2000
Kiedy nie trzeba się ruszać,
02:08
you don't need the luxury of that brain.
49
113000
3000
mózg staje się zbyteczny.
02:11
And this animal is often taken
50
116000
2000
Żachwa często służy jako analogia do tego,
02:13
as an analogy to what happens at universities
51
118000
2000
co dzieje się na uniwersytetach,
02:15
when professors get tenure,
52
120000
2000
kiedy profesorowie dostają stały etat,
02:17
but that's a different subject.
53
122000
2000
ale to inny temat.
02:19
(Applause)
54
124000
2000
(Brawa)
02:21
So I am a movement chauvinist.
55
126000
3000
Jestem ruchowym szowinistą.
02:24
I believe movement is the most important function of the brain --
56
129000
2000
Wierzę, że ruch jest najważniejszą funkcją mózgu
02:26
don't let anyone tell you that it's not true.
57
131000
2000
i nie dajcie sobie wmówić inaczej.
02:28
Now if movement is so important,
58
133000
2000
Skoro ruch jest tak ważny,
02:30
how well are we doing
59
135000
2000
to czy dobrze rozumiemy,
02:32
understanding how the brain controls movement?
60
137000
2000
jak mózg kontroluje ruchy?
02:34
And the answer is we're doing extremely poorly; it's a very hard problem.
61
139000
2000
Odpowiedź brzmi: bardzo źle.
02:36
But we can look at how well we're doing
62
141000
2000
Można ocenić naszą wiedzę
02:38
by thinking about how well we're doing building machines
63
143000
2000
na przykładzie budowania maszyn,
02:40
which can do what humans can do.
64
145000
2000
które mogą naśladować ludzi.
02:42
Think about the game of chess.
65
147000
2000
Pomyślcie o grze w szachy.
02:44
How well are we doing determining what piece to move where?
66
149000
3000
Jak idzie nam decyzja którym pionkiem ruszyć?
02:47
If you pit Garry Kasparov here, when he's not in jail,
67
152000
3000
Jeśli Gary Kasparov nie siedzi akurat w więzieniu
02:50
against IBM's Deep Blue,
68
155000
2000
i gra przeciwko Deep Blue IBM,
02:52
well the answer is IBM's Deep Blue will occasionally win.
69
157000
3000
Deep Blue IBM czasami wygra.
02:55
And I think if IBM's Deep Blue played anyone in this room, it would win every time.
70
160000
3000
Sądzę, że Deep Blue IBM wygrałby z każdym na sali.
02:58
That problem is solved.
71
163000
2000
Ten problem jest rozwiązany.
03:00
What about the problem
72
165000
2000
A co z problemem
03:02
of picking up a chess piece,
73
167000
2000
podnoszenia pionka szachowego,
03:04
dexterously manipulating it and putting it back down on the board?
74
169000
3000
manipulowania nim i odstawiania na szachownicę?
03:07
If you put a five year-old child's dexterity against the best robots of today,
75
172000
3000
Prównując zręczność 5-latka z najlepszymi robotami
03:10
the answer is simple:
76
175000
2000
odpowiedź jest prosta:
03:12
the child wins easily.
77
177000
2000
dziecko wygrywa z łatwością.
03:14
There's no competition at all.
78
179000
2000
W ogóle nie ma porównania.
03:16
Now why is that top problem so easy
79
181000
2000
Dlaczego problem na górze jest taki łatwy,
03:18
and the bottom problem so hard?
80
183000
2000
a ten na dole taki trudny?
03:20
One reason is a very smart five year-old
81
185000
2000
Otóż bardzo bystry pięciolatek
03:22
could tell you the algorithm for that top problem --
82
187000
2000
mógłby podać algorytm dla problemu na górze:
03:24
look at all possible moves to the end of the game
83
189000
2000
spójrz na wszystkie możliwe ruchy do końca gry
03:26
and choose the one that makes you win.
84
191000
2000
i wybierz ten, dzięki któremu wygrasz.
03:28
So it's a very simple algorithm.
85
193000
2000
To bardzo prosty algorytm.
03:30
Now of course there are other moves,
86
195000
2000
Oczywiście są inne ruchy,
03:32
but with vast computers we approximate
87
197000
2000
ale z wielkimi komputerami zaokrąglamy
03:34
and come close to the optimal solution.
88
199000
2000
i zbliżamy się do optymalnego rozwiązania.
03:36
When it comes to being dexterous,
89
201000
2000
Jeśli chodzi o zręczność,
03:38
it's not even clear what the algorithm is you have to solve to be dexterous.
90
203000
2000
nie wiemy nawet, jaki algorytm nią kieruje.
03:40
And we'll see you have to both perceive and act on the world,
91
205000
2000
Świat należy zarówno postrzegać jak i na niego oddziaływać.
03:42
which has a lot of problems.
92
207000
2000
co pociąga za sobą wiele trudności.
03:44
But let me show you cutting-edge robotics.
93
209000
2000
Pozwólcie, że pokażę przełomową robotykę.
03:46
Now a lot of robotics is very impressive,
94
211000
2000
Wiele rzeczy w robotyce robi wielkie wrażenie,
03:48
but manipulation robotics is really just in the dark ages.
95
213000
3000
ale robotyka manipulacji jest bardzo zacofana.
03:51
So this is the end of a Ph.D. project
96
216000
2000
Oto koniec projektu doktorskiego
03:53
from one of the best robotics institutes.
97
218000
2000
z jednego z najlepszych instytutów robotyki.
03:55
And the student has trained this robot
98
220000
2000
Student nauczył tego robota
03:57
to pour this water into a glass.
99
222000
2000
nalewania wody do szklanki.
03:59
It's a hard problem because the water sloshes about, but it can do it.
100
224000
3000
To trudne, bo woda się przelewa, ale daje radę.
04:02
But it doesn't do it with anything like the agility of a human.
101
227000
3000
Jednak nie robi tego ze zręcznością człowieka.
04:05
Now if you want this robot to do a different task,
102
230000
3000
Żeby robot wykonał inne zadanie,
04:08
that's another three-year Ph.D. program.
103
233000
3000
potrzebny jest inny trzyletni program doktorski.
04:11
There is no generalization at all
104
236000
2000
W ogóle nie ma w robotyce uogólniania
04:13
from one task to another in robotics.
105
238000
2000
z jednego zadania do innego.
04:15
Now we can compare this
106
240000
2000
Możemy to porównać
04:17
to cutting-edge human performance.
107
242000
2000
do przełomowych dokonań człowieka.
04:19
So what I'm going to show you is Emily Fox
108
244000
2000
Chcę wam pokazać Emily Fox
04:21
winning the world record for cup stacking.
109
246000
3000
bijącą światowy rekord w ustawianiu kubków.
04:24
Now the Americans in the audience will know all about cup stacking.
110
249000
2000
Widzowie z USA wiedzą wszystko o ustawianiu kubków.
04:26
It's a high school sport
111
251000
2000
To sport ze szkoły średniej,
04:28
where you have 12 cups you have to stack and unstack
112
253000
2000
mamy 12 kubków, które trzeba poprzestawiać
04:30
against the clock in a prescribed order.
113
255000
2000
na czas w ustalonym porządku.
04:32
And this is her getting the world record in real time.
114
257000
3000
Oto światowy rekord w czasie rzeczywistym.
04:39
(Laughter)
115
264000
8000
(Śmiech)
04:47
(Applause)
116
272000
5000
(Oklaski)
04:52
And she's pretty happy.
117
277000
2000
I jest całkiem szczęśliwa.
04:54
We have no idea what is going on inside her brain when she does that,
118
279000
2000
Nie mamy pojęcia, co się wtedy dzieje w jej mózgu,
04:56
and that's what we'd like to know.
119
281000
2000
a chcielibyśmy wiedzieć.
04:58
So in my group, what we try to do
120
283000
2000
Moja grupa zajmuje się wsteczną inżynierią tego,
05:00
is reverse engineer how humans control movement.
121
285000
3000
w jaki sposób ludzie kontrolują ruchy.
05:03
And it sounds like an easy problem.
122
288000
2000
Brzmi to jak łatwy problem.
05:05
You send a command down, it causes muscles to contract.
123
290000
2000
Wysyłamy polecenie, które powoduje skurcz męśni.
05:07
Your arm or body moves,
124
292000
2000
Porusza się ramię lub ciało,
05:09
and you get sensory feedback from vision, from skin, from muscles and so on.
125
294000
3000
dostajemy informację zwrotną od wzroku, skóry, mięśni itd.
05:12
The trouble is
126
297000
2000
Problem polega na tym,
05:14
these signals are not the beautiful signals you want them to be.
127
299000
2000
że te sygnały nie są tak piękne, jak byśmy chcieli.
05:16
So one thing that makes controlling movement difficult
128
301000
2000
Kontrola ruchu jest trudna,
05:18
is, for example, sensory feedback is extremely noisy.
129
303000
3000
bo sensoryczne sprzężenie zwrotne jest bardzo głośne.
05:21
Now by noise, I do not mean sound.
130
306000
3000
Nie mam tu na myśli dźwięku.
05:24
We use it in the engineering and neuroscience sense
131
309000
2000
Używamy tego pojęcia w inżynierii i neurobiologii
05:26
meaning a random noise corrupting a signal.
132
311000
2000
mając na myśli hałas zakłócający sygnał.
05:28
So the old days before digital radio when you were tuning in your radio
133
313000
3000
W czasach przed radiem cyfrowym, włączając radio
05:31
and you heard "crrcckkk" on the station you wanted to hear,
134
316000
2000
słyszało się "crrcckkk" w stacji, której chcieliśmy słuchać,
05:33
that was the noise.
135
318000
2000
to był ten hałas.
05:35
But more generally, this noise is something that corrupts the signal.
136
320000
3000
Ale bardziej ogólnie: ten hałas zakłóca sygnał.
05:38
So for example, if you put your hand under a table
137
323000
2000
Np. jeśli podłożycie rękę pod blatem
05:40
and try to localize it with your other hand,
138
325000
2000
i spróbujecie zlokalizować ją drugą ręką,
05:42
you can be off by several centimeters
139
327000
2000
możecie chybić o kilka centymetrów
05:44
due to the noise in sensory feedback.
140
329000
2000
z powodu hałasu w dotykowym sprzężeniu zwrotnym.
05:46
Similarly, when you put motor output on movement output,
141
331000
2000
Nakładanie się motoryki na ruch
05:48
it's extremely noisy.
142
333000
2000
jest to także bardzo głośne.
05:50
Forget about trying to hit the bull's eye in darts,
143
335000
2000
Nie chodzi o trafienie w środek tarczy,
05:52
just aim for the same spot over and over again.
144
337000
2000
celujcie tylko ciągle w to samo miejsce.
05:54
You have a huge spread due to movement variability.
145
339000
3000
Powstanie duży rozrzut z powodu zmienności ruchu.
05:57
And more than that, the outside world, or task,
146
342000
2000
Ponadto, świat zewnętrzny, czyli zadanie,
05:59
is both ambiguous and variable.
147
344000
2000
jest zarówno dwuznaczny jak i zmienny.
06:01
The teapot could be full, it could be empty.
148
346000
2000
Czajniczek może być pełny, może być pusty.
06:03
It changes over time.
149
348000
2000
Zmienia się to z czasem.
06:05
So we work in a whole sensory movement task soup of noise.
150
350000
4000
Pracujemy w całej tej zupie hałasu.
06:09
Now this noise is so great
151
354000
2000
Hałas jest tak wielki,
06:11
that society places a huge premium
152
356000
2000
że społeczeństwo bardzo docenia tych,
06:13
on those of us who can reduce the consequences of noise.
153
358000
3000
którzy umieją zmniejszyć konsekwencje hałasu.
06:16
So if you're lucky enough to be able to knock a small white ball
154
361000
3000
Jeśli uda ci się trafić małą białą piłeczką
06:19
into a hole several hundred yards away using a long metal stick,
155
364000
3000
do odległej dziurki przy użyciu długiego metalowego kija,
06:22
our society will be willing to reward you
156
367000
2000
społeczeństwo chętnie cię wynagrodzi
06:24
with hundreds of millions of dollars.
157
369000
3000
setkami milionów dolarów.
06:27
Now what I want to convince you of
158
372000
2000
Chcę was przekonać,
06:29
is the brain also goes through a lot of effort
159
374000
2000
że mózg także dokłada wielu starań,
06:31
to reduce the negative consequences
160
376000
2000
by zmniejszyć negatywne konsekwencje
06:33
of this sort of noise and variability.
161
378000
2000
tego rodzaju hałasu i zmienności.
06:35
And to do that, I'm going to tell you about a framework
162
380000
2000
Opowiem o schemacie, który od 50 lat
06:37
which is very popular in statistics and machine learning of the last 50 years
163
382000
3000
jest bardzo popularny w statystyce i uczeniu maszyn.
06:40
called Bayesian decision theory.
164
385000
2000
To teoria podejmowania decyzji Bayesa.
06:42
And it's more recently a unifying way
165
387000
3000
Od niedawna stosuje się ją do analizy tego,
06:45
to think about how the brain deals with uncertainty.
166
390000
3000
jak mózg radzi sobie z niepewnością.
06:48
And the fundamental idea is you want to make inferences and then take actions.
167
393000
3000
Z zasady wolimy najpierw wnioskować, a potem działać.
06:51
So let's think about the inference.
168
396000
2000
Pomyślmy więc o wnioskowaniu.
06:53
You want to generate beliefs about the world.
169
398000
2000
Chcecie tworzyć poglądy o świecie.
06:55
So what are beliefs?
170
400000
2000
Czym są te przekonania?
06:57
Beliefs could be: where are my arms in space?
171
402000
2000
Np. gdzie w przestrzeni są moje ręce?
06:59
Am I looking at a cat or a fox?
172
404000
2000
Czy patrzę na kota czy lisa?
07:01
But we're going to represent beliefs with probabilities.
173
406000
3000
Chcemy pokazać przekonania za pomocą prawdopodobieństw.
07:04
So we're going to represent a belief
174
409000
2000
Przedstawimy przekonanie
07:06
with a number between zero and one --
175
411000
2000
jako liczbę między 0 a 1:
07:08
zero meaning I don't believe it at all, one means I'm absolutely certain.
176
413000
3000
0 znaczy "nie wierzę", a 1 - "jestem pewien".
07:11
And numbers in between give you the gray levels of uncertainty.
177
416000
3000
Liczby pośrednie dają szary obszar niepewności.
07:14
And the key idea to Bayesian inference
178
419000
2000
Wnioskowanie Bayesa polega na tym,
07:16
is you have two sources of information
179
421000
2000
że masz dwa źródła informacji,
07:18
from which to make your inference.
180
423000
2000
z których wyciągasz wnioski.
07:20
You have data,
181
425000
2000
Masz dane, które w neurobiologii
07:22
and data in neuroscience is sensory input.
182
427000
2000
są czuciowymi danymi wejściowymi.
07:24
So I have sensory input, which I can take in to make beliefs.
183
429000
3000
Przetwarzam dane sensoryczne na przekonania.
07:27
But there's another source of information, and that's effectively prior knowledge.
184
432000
3000
Jest jeszcze jedno źródło informacji: wcześniejsza wiedza.
07:30
You accumulate knowledge throughout your life in memories.
185
435000
3000
Akumulujemy wiedzę przez całe życie we wspomnieniach.
07:33
And the point about Bayesian decision theory
186
438000
2000
Teoria decyzji Bayesa
07:35
is it gives you the mathematics
187
440000
2000
daje podstawę matematyczną
07:37
of the optimal way to combine
188
442000
2000
dla optymalnego sposobu połączenia
07:39
your prior knowledge with your sensory evidence
189
444000
2000
wcześniejszej wiedzy z doznaniami zmysłowymi
07:41
to generate new beliefs.
190
446000
2000
by tworzyć nowe przekonania.
07:43
And I've put the formula up there.
191
448000
2000
Zamieściłem tutaj wzór.
07:45
I'm not going to explain what that formula is, but it's very beautiful.
192
450000
2000
Nie będę go tłumaczył, ale jest bardzo piękny.
07:47
And it has real beauty and real explanatory power.
193
452000
3000
Ma prawdziwe piękno i prawdziwą moc wyjaśniającą.
07:50
And what it really says, and what you want to estimate,
194
455000
2000
Mówi o tym, co chcemy określić,
07:52
is the probability of different beliefs
195
457000
2000
czyli o prawdopodobieństwie różnych przekonań,
07:54
given your sensory input.
196
459000
2000
w zależności od odczuć zmysłowych.
07:56
So let me give you an intuitive example.
197
461000
2000
Podam intuicyjny przykład.
07:58
Imagine you're learning to play tennis
198
463000
3000
Wyobraź sobie, że uczysz się gry w tenisa
08:01
and you want to decide where the ball is going to bounce
199
466000
2000
i chcesz zdecydować, gdzie odbije się piłka
08:03
as it comes over the net towards you.
200
468000
2000
lecąca nad siatką w twoją stronę.
08:05
There are two sources of information
201
470000
2000
Są dwa źródła informacji,
08:07
Bayes' rule tells you.
202
472000
2000
mówi reguła Bayesa.
08:09
There's sensory evidence -- you can use visual information auditory information,
203
474000
3000
Są dane czuciowe: informacje wzrokowe, słuchowe
08:12
and that might tell you it's going to land in that red spot.
204
477000
3000
co może pozwolić na trafienie w czerwone pole.
08:15
But you know that your senses are not perfect,
205
480000
3000
Jednak wiadomo, że zmysły nie są idealne,
08:18
and therefore there's some variability of where it's going to land
206
483000
2000
i mamy pewną zmienność co do miejsca lądowania piłki,
08:20
shown by that cloud of red,
207
485000
2000
pokazane przez tę czerwoną chmurę,
08:22
representing numbers between 0.5 and maybe 0.1.
208
487000
3000
reprezentująca liczby między 0,5 i 0,1.
08:26
That information is available in the current shot,
209
491000
2000
Ta informacja jest dostępna w bieżącym serwie,
08:28
but there's another source of information
210
493000
2000
ale jest jeszcze inne źródło informacji,
08:30
not available on the current shot,
211
495000
2000
niedostępne w bieżącym serwie,
08:32
but only available by repeated experience in the game of tennis,
212
497000
3000
ale dostępne przez wielokrotne doświadczenie gry w tenisa,
08:35
and that's that the ball doesn't bounce
213
500000
2000
mianowicie, że piłka nie odbija się od kortu
08:37
with equal probability over the court during the match.
214
502000
2000
z jednakowym prawdopodobieństwem.
08:39
If you're playing against a very good opponent,
215
504000
2000
Bardzo dobry przeciwnik
08:41
they may distribute it in that green area,
216
506000
2000
może ją odbić na to zielone pole,
08:43
which is the prior distribution,
217
508000
2000
które oznacza uprzenie rozmieszczenie
08:45
making it hard for you to return.
218
510000
2000
sprawiając, że piłkę trudno odbić.
08:47
Now both these sources of information carry important information.
219
512000
2000
Oba źródła informacji niosą ważne dane.
08:49
And what Bayes' rule says
220
514000
2000
Wg. reguły Bayesa powinienem pomnożyć
08:51
is that I should multiply the numbers on the red by the numbers on the green
221
516000
3000
liczby na czerwonym przez numery na zielonym,
08:54
to get the numbers of the yellow, which have the ellipses,
222
519000
3000
by otrzymać liczby na żółtym, które mają elipsy,
08:57
and that's my belief.
223
522000
2000
czyli moje przekonanie.
08:59
So it's the optimal way of combining information.
224
524000
3000
Jest to optymalny sposób łączenia informacji.
09:02
Now I wouldn't tell you all this if it wasn't that a few years ago,
225
527000
2000
Nie mówiłbym o tym, gdybyśmy kilka lat temu
09:04
we showed this is exactly what people do
226
529000
2000
nie wykazali, że właśnie tak robią ludzie
09:06
when they learn new movement skills.
227
531000
2000
podczas nauki nowych umiejętności ruchowych.
09:08
And what it means
228
533000
2000
I oznacza to,
09:10
is we really are Bayesian inference machines.
229
535000
2000
że naprawdę wnioskujemy zgodnie z reguła Bayesa.
09:12
As we go around, we learn about statistics of the world and lay that down,
230
537000
4000
Uczymy się statystyki świata i zapamiętujemy to,
09:16
but we also learn
231
541000
2000
ale uczymy się także,
09:18
about how noisy our own sensory apparatus is,
232
543000
2000
jak hałaśliwe są nasze narządy czuciowe,
09:20
and then combine those
233
545000
2000
co łączymy potem
09:22
in a real Bayesian way.
234
547000
2000
w naprawdę bayesowski sposób.
09:24
Now a key part to the Bayesian is this part of the formula.
235
549000
3000
Sednem reguły Bayesa jest ta część wzoru.
09:27
And what this part really says
236
552000
2000
która mówi, że muszę przewidzieć prawdopodobieństwo
09:29
is I have to predict the probability
237
554000
2000
która mówi, że muszę przewidzieć prawdopodobieństwo
09:31
of different sensory feedbacks
238
556000
2000
różnych czuciowych informacji zwrotnych
09:33
given my beliefs.
239
558000
2000
wziąwszy pod uwagę moje przekonania.
09:35
So that really means I have to make predictions of the future.
240
560000
3000
W zasadzie: muszę przewidywać przyszłość.
09:38
And I want to convince you the brain does make predictions
241
563000
2000
Chcę was przekonać, że mózg przewiduje,
09:40
of the sensory feedback it's going to get.
242
565000
2000
jaka czuciową informację zwrotną otrzyma.
09:42
And moreover, it profoundly changes your perceptions
243
567000
2000
Ponadto głęboko zmienia postrzeganie
09:44
by what you do.
244
569000
2000
przez to, co robisz.
09:46
And to do that, I'll tell you
245
571000
2000
W tym celu opowiem o tym,
09:48
about how the brain deals with sensory input.
246
573000
2000
jak mózg radzi sobie z wejściem czuciowym.
09:50
So you send a command out,
247
575000
3000
Wysyłacie polecenie,
09:53
you get sensory feedback back,
248
578000
2000
otrzymujecie czuciową informację zwrotną,
09:55
and that transformation is governed
249
580000
2000
To przekształcenie podlega fizyce ciała
09:57
by the physics of your body and your sensory apparatus.
250
582000
3000
i mechanizmowi czuciowemu.
10:00
But you can imagine looking inside the brain.
251
585000
2000
Wyobraźmy sobie, że zaglądamy do mózgu.
10:02
And here's inside the brain.
252
587000
2000
A to wnętrze mózgu.
10:04
You might have a little predictor, a neural simulator,
253
589000
2000
Możecie mieć mały predyktor, neuronalny symulator,
10:06
of the physics of your body and your senses.
254
591000
2000
fizyki naszego ciała i zmysłów.
10:08
So as you send a movement command down,
255
593000
2000
Wysyłając polecenie ruchu,
10:10
you tap a copy of that off
256
595000
2000
kopiujecie je
10:12
and run it into your neural simulator
257
597000
2000
i zamieniacie w neuronalny symulator,
10:14
to anticipate the sensory consequences of your actions.
258
599000
4000
by przewidzieć czuciowe konsekwencje czynów.
10:18
So as I shake this ketchup bottle,
259
603000
2000
Kiedy potrząsam butelką keczupu,
10:20
I get some true sensory feedback as the function of time in the bottom row.
260
605000
3000
odbieram czuciową informację zwrotną jako funkcję czasu w dolnej linijce.
10:23
And if I've got a good predictor, it predicts the same thing.
261
608000
3000
Dobry predyktor przewidzi to samo.
10:26
Well why would I bother doing that?
262
611000
2000
Po co sobie tym zawracać głowę?
10:28
I'm going to get the same feedback anyway.
263
613000
2000
Przecież dostanę tą samą informację zwrotną.
10:30
Well there's good reasons.
264
615000
2000
Jest na to dobry powód.
10:32
Imagine, as I shake the ketchup bottle,
265
617000
2000
Powiedzmy, że gdy trzęsę butelką keczupu,
10:34
someone very kindly comes up to me and taps it on the back for me.
266
619000
3000
ktoś uprzejmie podchodzi i puka ją w denko.
10:37
Now I get an extra source of sensory information
267
622000
2000
Mam dodatkowe źródło informacji sensorycznych
10:39
due to that external act.
268
624000
2000
z powodu tego zewnętrznego wydarzenia.
10:41
So I get two sources.
269
626000
2000
Więc mam dwa źródła.
10:43
I get you tapping on it, and I get me shaking it,
270
628000
3000
Mam czyjeś pukanie i swoje potrząsanie,
10:46
but from my senses' point of view,
271
631000
2000
ale z punktu widzenia moich zmysłów,
10:48
that is combined together into one source of information.
272
633000
3000
jest to połączone w jedno źródło informacji.
10:51
Now there's good reason to believe
273
636000
2000
Przypuszczam, że chcielibyście odróżniać
10:53
that you would want to be able to distinguish external events from internal events.
274
638000
3000
wydarzenia zewnętrzne od wewnętrznych.
10:56
Because external events are actually much more behaviorally relevant
275
641000
3000
Wydarzenia zewnętrzne mają większy wpływ na zachowanie,
10:59
than feeling everything that's going on inside my body.
276
644000
3000
niż odczuwanie wszystkich procesów wewnątrz ciała.
11:02
So one way to reconstruct that
277
647000
2000
Można to np. odtworzyć
11:04
is to compare the prediction --
278
649000
2000
przez porównanie przewidywania
11:06
which is only based on your movement commands --
279
651000
2000
opartego tylko na poleceniach ruchu
11:08
with the reality.
280
653000
2000
z rzeczywistością.
11:10
Any discrepancy should hopefully be external.
281
655000
3000
Wszelka rozbieżność powinna pochodzić z zewnątrz.
11:13
So as I go around the world,
282
658000
2000
Kiedy chodzę po świecie,
11:15
I'm making predictions of what I should get, subtracting them off.
283
660000
3000
przewiduję wyniki odejmując rozbieżności.
11:18
Everything left over is external to me.
284
663000
2000
To co zostaje uznaję za zewnętrzne.
11:20
What evidence is there for this?
285
665000
2000
Jakie są na to dowody?
11:22
Well there's one very clear example
286
667000
2000
Jest przykład wielkiej różnicy
11:24
where a sensation generated by myself feels very different
287
669000
2000
między odczuciem spowodowanym przeze mnie
11:26
then if generated by another person.
288
671000
2000
a odczuciem spowodowanym przez kogoś innego.
11:28
And so we decided the most obvious place to start
289
673000
2000
Uznaliśmy, że najlepiej będzie zacząć od łaskotania.
11:30
was with tickling.
290
675000
2000
Uznaliśmy, że najlepiej będzie zacząć od łaskotania.
11:32
It's been known for a long time, you can't tickle yourself
291
677000
2000
Wiadomo, że nie można się samemu połaskotać tak,
11:34
as well as other people can.
292
679000
2000
jak łaskoczą nas inni ludzie.
11:36
But it hasn't really been shown, it's because you have a neural simulator,
293
681000
3000
Jednak nie pokazano, że powodem jest neuronalny symulator,
11:39
simulating your own body
294
684000
2000
symulujący nasze własne ciało
11:41
and subtracting off that sense.
295
686000
2000
i odejmujący to odczucie.
11:43
So we can bring the experiments of the 21st century
296
688000
3000
Możemy prowadzić eksperymenty XXI wieku
11:46
by applying robotic technologies to this problem.
297
691000
3000
dzięki użyciu technologii robotycznych.
11:49
And in effect, what we have is some sort of stick in one hand attached to a robot,
298
694000
3000
Badany trzyma rodzaj patyka podłączonego do robota
11:52
and they're going to move that back and forward.
299
697000
2000
i porusza nim w przód i w tył.
11:54
And then we're going to track that with a computer
300
699000
2000
Śledzimy to drugim komputerem
11:56
and use it to control another robot,
301
701000
2000
kontrolującym kolejny komputer,
11:58
which is going to tickle their palm with another stick.
302
703000
2000
który będzie łaskotał drugą dłoń innym patykiem.
12:00
And then we're going to ask them to rate a bunch of things
303
705000
2000
A potem poprosimy ich o ocenę kilku rzeczy,
12:02
including ticklishness.
304
707000
2000
łącznie z łaskotkami.
12:04
I'll show you just one part of our study.
305
709000
2000
Pokażę tylko jedną część naszego badania.
12:06
And here I've taken away the robots,
306
711000
2000
Zabrałem roboty.
12:08
but basically people move with their right arm sinusoidally back and forward.
307
713000
3000
Badani poruszają prawą ręką sinusoidalne w przód i tył.
12:11
And we replay that to the other hand with a time delay.
308
716000
3000
Odtwarzamy to drugiej ręce z opóźnieniem czasowym.
12:14
Either no time delay,
309
719000
2000
Jeśli nie ma opóźnienia,
12:16
in which case light would just tickle your palm,
310
721000
2000
światło tylko połaskocze dłoń,
12:18
or with a time delay of two-tenths of three-tenths of a second.
311
723000
4000
albo z opóźnieniem 0,2 lub 0,3 sekundy.
12:22
So the important point here
312
727000
2000
Prawa ręka zawsze robi to samo: ruch sinusoidalny.
12:24
is the right hand always does the same things -- sinusoidal movement.
313
729000
3000
Prawa ręka zawsze robi to samo: ruch sinusoidalny.
12:27
The left hand always is the same and puts sinusoidal tickle.
314
732000
3000
Lewa ręka jest zawsze łaskotana sinusoidalnie.
12:30
All we're playing with is a tempo causality.
315
735000
2000
Manipulujemy tylko z zależnością czasową.
12:32
And as we go from naught to 0.1 second,
316
737000
2000
Kiedy przyspieszamy od 0 do 0,1 sekundy
12:34
it becomes more ticklish.
317
739000
2000
łaskocze bardziej.
12:36
As you go from 0.1 to 0.2,
318
741000
2000
Między 0,1 a 0,2 sekundy
12:38
it becomes more ticklish at the end.
319
743000
2000
łaskocze tym bardziej, im większe opóźnienie.
12:40
And by 0.2 of a second,
320
745000
2000
Powyżej 0,2 sekundy
12:42
it's equivalently ticklish
321
747000
2000
łaskotliwość jest taka sama jak wtedy,
12:44
to the robot that just tickled you without you doing anything.
322
749000
2000
gdy robot zrobił to bez aktywności badanego.
12:46
So whatever is responsible for this cancellation
323
751000
2000
Cokolwiek odpowiada za to anulowanie,
12:48
is extremely tightly coupled with tempo causality.
324
753000
3000
jest ściśle związane z przyczynowością czasową.
12:51
And based on this illustration, we really convinced ourselves in the field
325
756000
3000
Dzięki temu przekonaliśmy się w praktyce,
12:54
that the brain's making precise predictions
326
759000
2000
że mózg tworzy precyzyjne przewidywania
12:56
and subtracting them off from the sensations.
327
761000
3000
i odejmuje je od odczuć.
12:59
Now I have to admit, these are the worst studies my lab has ever run.
328
764000
3000
To najgorsze z moich badań.
13:02
Because the tickle sensation on the palm comes and goes,
329
767000
2000
Ponieważ swędzenie dłoni pojawia się i znika,
13:04
you need large numbers of subjects
330
769000
2000
trzeba dużej ilości badanych
13:06
with these stars making them significant.
331
771000
2000
z tymi gwiazdkami oznaczającymi istotność statystyczną.
13:08
So we were looking for a much more objective way
332
773000
2000
Szukaliśmy obiektywniejszej drogi
13:10
to assess this phenomena.
333
775000
2000
do oceny tych zjawisk.
13:12
And in the intervening years I had two daughters.
334
777000
2000
W międzyczasie urodziły mi się dwie córki.
13:14
And one thing you notice about children in backseats of cars on long journeys,
335
779000
3000
Podczas długich podróży na tylnym siedzeniu
13:17
they get into fights --
336
782000
2000
dzieci zaczynają się kłócić.
13:19
which started with one of them doing something to the other, the other retaliating.
337
784000
3000
Jedna robi coś drugiej, druga się mści.
13:22
It quickly escalates.
338
787000
2000
Szybko się to zaostrza.
13:24
And children tend to get into fights which escalate in terms of force.
339
789000
3000
Kłótnie dzieci zaostrzają się pod względem siły.
13:27
Now when I screamed at my children to stop,
340
792000
2000
Kiedy krzyczałem, by przestały,
13:29
sometimes they would both say to me
341
794000
2000
czasem obie mówiły mi,
13:31
the other person hit them harder.
342
796000
3000
że ta druga uderzyła mocniej.
13:34
Now I happen to know my children don't lie,
343
799000
2000
Wiem, że moje dzieci nie kłamią,
13:36
so I thought, as a neuroscientist,
344
801000
2000
więc jako neurobiolog pomyślałem,
13:38
it was important how I could explain
345
803000
2000
że muszę wyjaśnić,
13:40
how they were telling inconsistent truths.
346
805000
2000
dlaczego ich prawdy nie przystają do siebie.
13:42
And we hypothesize based on the tickling study
347
807000
2000
Wysnuliśmy hipotezę z badań o łaskotaniu,
13:44
that when one child hits another,
348
809000
2000
że kiedy jedno dziecko bije drugie,
13:46
they generate the movement command.
349
811000
2000
generuje polecenie ruchu.
13:48
They predict the sensory consequences and subtract it off.
350
813000
3000
Dzieci przewidują czuciowe konsekwencje i odejmują je.
13:51
So they actually think they've hit the person less hard than they have --
351
816000
2000
Czyli wydaje im się, że uderzają słabiej niż w rzeczywistości,
13:53
rather like the tickling.
352
818000
2000
tak jak przy łaskotaniu.
13:55
Whereas the passive recipient
353
820000
2000
Bierny odbiorca tego nie przewiduje
13:57
doesn't make the prediction, feels the full blow.
354
822000
2000
i odczuwa pełny cios.
13:59
So if they retaliate with the same force,
355
824000
2000
Jeśli oddaje z tą samą siłą,
14:01
the first person will think it's been escalated.
356
826000
2000
pierwsza osoba pomyśli, że dostała mocniej.
14:03
So we decided to test this in the lab.
357
828000
2000
Postanowiliśmy to sprawdzić w laboratorium.
14:05
(Laughter)
358
830000
3000
(Śmiech)
14:08
Now we don't work with children, we don't work with hitting,
359
833000
2000
Nie pracujemy z dziećmi, nie stosujemy bicia,
14:10
but the concept is identical.
360
835000
2000
ale koncepcja jest identyczna.
14:12
We bring in two adults. We tell them they're going to play a game.
361
837000
3000
Wprowadzamy dwóch dorosłych. Mówimy im, że zagrają w grę.
14:15
And so here's player one and player two sitting opposite to each other.
362
840000
2000
Gracz nr 1 i nr 2 siedzą naprzeciwko siebie.
14:17
And the game is very simple.
363
842000
2000
A gra jest bardzo prosta.
14:19
We started with a motor
364
844000
2000
Zaczęliśmy od silniczka
14:21
with a little lever, a little force transfuser.
365
846000
2000
z małą dźwignią, małym przekaźnikiem siły.
14:23
And we use this motor to apply force down to player one's fingers
366
848000
2000
Silniczek pomaga naciskać palce gracza nr 1
14:25
for three seconds and then it stops.
367
850000
3000
na trzy sekundy, a potem się zatrzymuje.
14:28
And that player's been told, remember the experience of that force
368
853000
3000
Gracz miał zapamiętać odczucie tej siły
14:31
and use your other finger
369
856000
2000
i użyć drugiego palca
14:33
to apply the same force
370
858000
2000
by przyłożyć tą samą siłę
14:35
down to the other subject's finger through a force transfuser -- and they do that.
371
860000
3000
do palca gracza nr 2 przez przekaźnik siły.
14:38
And player two's been told, remember the experience of that force.
372
863000
3000
Graczowi nr 2 kazano zapamiętać odczucie tej siły.
14:41
Use your other hand to apply the force back down.
373
866000
3000
Ma użyć drugiej ręki by znów przyłożyć siłę.
14:44
And so they take it in turns
374
869000
2000
Na zmianę przykładają siłę
14:46
to apply the force they've just experienced back and forward.
375
871000
2000
której właśnie doświadczyli.
14:48
But critically,
376
873000
2000
Co bardzo ważne,
14:50
they're briefed about the rules of the game in separate rooms.
377
875000
3000
zasady gry dostają w osobnych pokojach.
14:53
So they don't know the rules the other person's playing by.
378
878000
2000
Nie znają reguł, wg których gra druga osoba.
14:55
And what we've measured
379
880000
2000
Mierzyliśmy siłę jako funkcję rund.
14:57
is the force as a function of terms.
380
882000
2000
Mierzyliśmy siłę jako funkcję rund.
14:59
And if we look at what we start with,
381
884000
2000
I jeśli spojrzymy na początek,
15:01
a quarter of a Newton there, a number of turns,
382
886000
2000
ćwierć niutona tutaj, kilka rund,
15:03
perfect would be that red line.
383
888000
2000
ideałem byłaby ta czerwona linia.
15:05
And what we see in all pairs of subjects is this --
384
890000
3000
U wszystkich par badanych
15:08
a 70 percent escalation in force
385
893000
2000
widać zwiększenie siły o 70%
15:10
on each go.
386
895000
2000
w każdej rundzie.
15:12
So it really suggests, when you're doing this --
387
897000
2000
Takie wyniki sugerują,
15:14
based on this study and others we've done --
388
899000
2000
na podstawie tego i innych naszych badań,
15:16
that the brain is canceling the sensory consequences
389
901000
2000
że mózg wyklucza czuciowe konsekwencje
15:18
and underestimating the force it's producing.
390
903000
2000
i nie docenia siły, którą wytwarza.
15:20
So it re-shows the brain makes predictions
391
905000
2000
Więc znów pokazuje to, że mózg robi przewidywania
15:22
and fundamentally changes the precepts.
392
907000
3000
i znacznie zmienia polecenia.
15:25
So we've made inferences, we've done predictions,
393
910000
3000
Wywoływalismy zakłócenia, przewidywaliśmy,
15:28
now we have to generate actions.
394
913000
2000
teraz musimy stworzyć działanie.
15:30
And what Bayes' rule says is, given my beliefs,
395
915000
2000
Reguła Bayesa mówi, na podstawie moich przekoanń,
15:32
the action should in some sense be optimal.
396
917000
2000
działanie w pewnym sensie powinno być optymalne.
15:34
But we've got a problem.
397
919000
2000
Ale mamy problem.
15:36
Tasks are symbolic -- I want to drink, I want to dance --
398
921000
3000
Zadania są symboliczne: chcę pić, chcę tańczyć,
15:39
but the movement system has to contract 600 muscles
399
924000
2000
ale układ ruchowy musi kurczyć 600 mieśni
15:41
in a particular sequence.
400
926000
2000
w określonej kolejności.
15:43
And there's a big gap
401
928000
2000
I jest duża rozbieżność
15:45
between the task and the movement system.
402
930000
2000
między zadaniem i układem ruchowy.
15:47
So it could be bridged in infinitely many different ways.
403
932000
2000
Można to połączyć na nieskończenie wiele sposobów.
15:49
So think about just a point to point movement.
404
934000
2000
Pomyślcie tylko o ruchu z punktu do punktu.
15:51
I could choose these two paths
405
936000
2000
Mógłbym wybrać te dwie ścieżki
15:53
out of an infinite number of paths.
406
938000
2000
z nieskończonej liczby ścieżek.
15:55
Having chosen a particular path,
407
940000
2000
Po wybraniu danej ścieżki,
15:57
I can hold my hand on that path
408
942000
2000
mogę trzymać rękę na tej ścieżce
15:59
as infinitely many different joint configurations.
409
944000
2000
jako nieskończenie wielu różnych konfiguracjach ustawienia stawów.
16:01
And I can hold my arm in a particular joint configuration
410
946000
2000
I mogę trzymać rękę w szczególnym układzie stawów
16:03
either very stiff or very relaxed.
411
948000
2000
albo bardzo sztywno albo luźno.
16:05
So I have a huge amount of choice to make.
412
950000
3000
Muszę dokonać wielu wyborów.
16:08
Now it turns out, we are extremely stereotypical.
413
953000
3000
Okazuje się, że jesteśmy bardzo stereotypowi.
16:11
We all move the same way pretty much.
414
956000
3000
Wszyscy ruszamy się właściwie tak samo.
16:14
And so it turns out we're so stereotypical,
415
959000
2000
Jesteśmy tak stereotypowi,
16:16
our brains have got dedicated neural circuitry
416
961000
2000
że nasze mózgi mają specjalny obwód nerwowy
16:18
to decode this stereotyping.
417
963000
2000
który dekoduje tworzenie stereotypów.
16:20
So if I take some dots
418
965000
2000
Jeśli wezmę parę kropek
16:22
and set them in motion with biological motion,
419
967000
3000
i wprawię je w ruch na podobieństwo organizmów,
16:25
your brain's circuitry would understand instantly what's going on.
420
970000
3000
wasze obwody mózgowe natychmiast to zrozumieją.
16:28
Now this is a bunch of dots moving.
421
973000
2000
To tylko poruszające się kropki.
16:30
You will know what this person is doing,
422
975000
3000
Będziecie wiedzieli, co robi ta osoba,
16:33
whether happy, sad, old, young -- a huge amount of information.
423
978000
3000
czy jest szczęśliwa, smutna, stara, młoda - masa informacji.
16:36
If these dots were cars going on a racing circuit,
424
981000
2000
Gdyby te kropki były samochodami na wyścigach,
16:38
you would have absolutely no idea what's going on.
425
983000
3000
nie mielibyście pojęcia, co się dzieje.
16:41
So why is it
426
986000
2000
Więc dlaczego
16:43
that we move the particular ways we do?
427
988000
2000
poruszamy się w ten, a nie inny sposób?
16:45
Well let's think about what really happens.
428
990000
2000
Pomyślmy, co naprawdę się dzieje.
16:47
Maybe we don't all quite move the same way.
429
992000
3000
Może nie wszyscy poruszamy się tak samo.
16:50
Maybe there's variation in the population.
430
995000
2000
Może jest zróżnicowanie populacji.
16:52
And maybe those who move better than others
431
997000
2000
Może ci, którzy poruszają się lepiej niż inni,
16:54
have got more chance of getting their children into the next generation.
432
999000
2000
mają większe szanse na następne pokolenia dzieci.
16:56
So in evolutionary scales, movements get better.
433
1001000
3000
W skali ewolucyjnej, ruchy się polepszają.
16:59
And perhaps in life, movements get better through learning.
434
1004000
3000
W życiu ruchy usprawniają się przez naukę.
17:02
So what is it about a movement which is good or bad?
435
1007000
2000
Co w ruchu jest dobre lub złe?
17:04
Imagine I want to intercept this ball.
436
1009000
2000
Powiedzmy, że chcę przechwycić tę piłkę.
17:06
Here are two possible paths to that ball.
437
1011000
3000
Tu są dwa możliwe tory.
17:09
Well if I choose the left-hand path,
438
1014000
2000
Jeśli wybiorę tor po lewej,
17:11
I can work out the forces required
439
1016000
2000
mogę określić potrzebne siły mięśni
17:13
in one of my muscles as a function of time.
440
1018000
2000
jako funkcję czasu.
17:15
But there's noise added to this.
441
1020000
2000
Ale do tego dochodzi hałas.
17:17
So what I actually get, based on this lovely, smooth, desired force,
442
1022000
3000
Zamiast pięknej, płynnej, oczekiwanej siły,
17:20
is a very noisy version.
443
1025000
2000
dostaję bardzo hałaśliwą wersję.
17:22
So if I pick the same command through many times,
444
1027000
3000
Jeśli wydam to samo polecenie wiele razy,
17:25
I will get a different noisy version each time, because noise changes each time.
445
1030000
3000
dostanę wiele hałaśliwych wersji, bo hałas ciągle się zmienia.
17:28
So what I can show you here
446
1033000
2000
Tutaj mogę wam pokazać,
17:30
is how the variability of the movement will evolve
447
1035000
2000
jak rozwinie się zmienność ruchu,
17:32
if I choose that way.
448
1037000
2000
jeśli wybiorę tą drogę.
17:34
If I choose a different way of moving -- on the right for example --
449
1039000
3000
Jeśli wybiorę inny sposób, np. ten po prawej,
17:37
then I'll have a different command, different noise,
450
1042000
2000
będę miał inne polecenie, inny hałas,
17:39
playing through a noisy system, very complicated.
451
1044000
3000
w hałaśliwym systemie; to bardzo skomplikowane.
17:42
All we can be sure of is the variability will be different.
452
1047000
3000
Wiemy na pewno, że zmienność będzie inna.
17:45
If I move in this particular way,
453
1050000
2000
Jeśli poruszam się dany sposób,
17:47
I end up with a smaller variability across many movements.
454
1052000
3000
napotkam mniejszą zmienność w wielu ruchach.
17:50
So if I have to choose between those two,
455
1055000
2000
Jeśli muszę wybrać między tymi dwoma,
17:52
I would choose the right one because it's less variable.
456
1057000
2000
wybiorę prawy, ponieważ jest mniej zmienny.
17:54
And the fundamental idea
457
1059000
2000
Fundamentalną zasadą
17:56
is you want to plan your movements
458
1061000
2000
jest planowanie swoich ruchów tak,
17:58
so as to minimize the negative consequence of the noise.
459
1063000
3000
by zminimalizować negatywne konsekwencje hałasu.
18:01
And one intuition to get
460
1066000
2000
Intuicyjnie zrozumiałe jest,
18:03
is actually the amount of noise or variability I show here
461
1068000
2000
że w rzeczywistości pokazywana zmienność hałasu
18:05
gets bigger as the force gets bigger.
462
1070000
2000
zwiększa się wraz ze wzrostem siły.
18:07
So you want to avoid big forces as one principle.
463
1072000
3000
Chcemy unikać dużej siły dla zasady.
18:10
So we've shown that using this,
464
1075000
2000
Wykazaliśmy, że tą metodą
18:12
we can explain a huge amount of data --
465
1077000
2000
możemy wytłumaczyć bardzo wiele danych;
18:14
that exactly people are going about their lives planning movements
466
1079000
3000
że ludzie całe życie planują swoje ruchy tak,
18:17
so as to minimize negative consequences of noise.
467
1082000
3000
by zminimalizować negatywne konsekwencje hałasu.
18:20
So I hope I've convinced you the brain is there
468
1085000
2000
Mam nadzieję, że przekonałem was,
18:22
and evolved to control movement.
469
1087000
2000
że mózg wyewoluował po to, by kontrolować ruch.
18:24
And it's an intellectual challenge to understand how we do that.
470
1089000
3000
Zrozumienie jak to robimy, stanowi intelektualne wyzwanie.
18:27
But it's also relevant
471
1092000
2000
Jest to także ważne
18:29
for disease and rehabilitation.
472
1094000
2000
dla schorzeń i rehabilitacji.
18:31
There are many diseases which effect movement.
473
1096000
3000
Jest wiele chorób, które wpływają na ruch.
18:34
And hopefully if we understand how we control movement,
474
1099000
2000
Mam nadzieję, że jeśli zrozumiemy kontrolę ruchu,
18:36
we can apply that to robotic technology.
475
1101000
2000
da się ją zastosować do robotyki.
18:38
And finally, I want to remind you,
476
1103000
2000
Na koniec chcę przypomnieć,
18:40
when you see animals do what look like very simple tasks,
477
1105000
2000
że u zwierząt, robiących coś z pozoru prostego,
18:42
the actual complexity of what is going on inside their brain
478
1107000
2000
rzeczywista złożoność pracy mózgu
18:44
is really quite dramatic.
479
1109000
2000
jest naprawdę dramatyczna.
18:46
Thank you very much.
480
1111000
2000
Dziękuję bardzo.
18:48
(Applause)
481
1113000
8000
(Brawa)
18:56
Chris Anderson: Quick question for you, Dan.
482
1121000
2000
Chris Anderson: Krótkie pytanie.
18:58
So you're a movement -- (DW: Chauvinist.) -- chauvinist.
483
1123000
4000
Jesteś ruchowym szowinistą.
19:02
Does that mean that you think that the other things we think our brains are about --
484
1127000
3000
Czyli sprawy, którymi, zdawałoby się, zajmuje się mózg:
19:05
the dreaming, the yearning, the falling in love and all these things --
485
1130000
3000
marzenia, tęsknota, miłość itp
19:08
are a kind of side show, an accident?
486
1133000
3000
są skutkiem ubocznym, przypadkiem?
19:11
DW: No, no, actually I think they're all important
487
1136000
2000
DW: Nie. Wszystko to jest ważne,
19:13
to drive the right movement behavior to get reproduction in the end.
488
1138000
3000
by odpowiednimi ruchami doprowadzić do reprodukcji.
19:16
So I think people who study sensation or memory
489
1141000
3000
Sądzę, że badacze odczuć lub pamięci
19:19
without realizing why you're laying down memories of childhood.
490
1144000
2000
nie wiedzą, czemu przechowujemy wspomnienia z dzieciństwa.
19:21
The fact that we forget most of our childhood, for example,
491
1146000
3000
Zapominamy większość naszego dzieciństwa
19:24
is probably fine, because it doesn't effect our movements later in life.
492
1149000
3000
ale nie wpływa to na nasze ruchy w późniejszym życiu.
19:27
You only need to store things which are really going to effect movement.
493
1152000
3000
Trzeba przechowywać tylko to, co naprawdę wpłynie na ruch.
19:30
CA: So you think that people thinking about the brain, and consciousness generally,
494
1155000
3000
CA: Czyli ludzie mogliby zgłębić mózg
19:33
could get real insight
495
1158000
2000
i ogólnie świadomość określając,
19:35
by saying, where does movement play in this game?
496
1160000
2000
jaką rolę odgrywa ruch?
19:37
DW: So people have found out for example
497
1162000
2000
DW: Ludzie odkryli np.,
19:39
that studying vision in the absence of realizing why you have vision
498
1164000
2000
że badanie wzroku bez świadomości, po co nam wzrok
19:41
is a mistake.
499
1166000
2000
jest pomyłką.
19:43
You have to study vision with the realization
500
1168000
2000
Trzeba badać wzrok pamiętając o tym,
19:45
of how the movement system is going to use vision.
501
1170000
2000
jak układ ruchowy skorzysta z tego zmysłu.
19:47
And it uses it very differently once you think about it that way.
502
1172000
2000
Używa na wiele sposobów, jeśli tak na to spojrzeć.
19:49
CA: Well that was quite fascinating. Thank you very much indeed.
503
1174000
3000
CA: To było fascynujące. Naprawdę bardzo dziękuję.
19:52
(Applause)
504
1177000
2000
(Brawa)
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