TEDGlobal 2011
Daniel Wolpert: The real reason for brains
Daniel Wolpert: A verdadeira função dos cérebros
Filmed:
Readability: 3.9
1,994,993 views
O neurocientista Daniel Wolpert parte de uma premissa surpreendente: o cérebro evoluiu, não para pensar ou sentir, mas para controlar o movimento. Nesta palestra interessante e rica em informação, ele dá-nos um vislumbre de como o cérebro cria a graciosidade e a agilidade dos movimentos humanos.
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
Sou neurocientista.
00:17
And in neuroscience,
1
2000
2000
E, em neurociência,
00:19
we have to deal with many difficult questions about the brain.
2
4000
3000
temos que lidar com muitas questões difíceis sobre o cérebro.
00:22
But I want to start with the easiest question
3
7000
2000
Mas quero começar com a pergunta mais fácil
00:24
and the question you really should have all asked yourselves at some point in your life,
4
9000
3000
e sobre a qual todos vocês se terão interrogado em algum ponto
00:27
because it's a fundamental question
5
12000
2000
das vossas vidas, porque é uma questão fundamental
00:29
if we want to understand brain function.
6
14000
2000
se queremos compreender a função cerebral.
00:31
And that is, why do we and other animals
7
16000
2000
E a questão é: porque é que nós
00:33
have brains?
8
18000
2000
e outros animais temos cérebro?
00:35
Not all species on our planet have brains,
9
20000
3000
Nem todas as espécies do nosso planeta têm cérebro,
00:38
so if we want to know what the brain is for,
10
23000
2000
por isso, se queremos saber para que serve o cérebro,
00:40
let's think about why we evolved one.
11
25000
2000
pensemos no motivo por que desenvolvemos um.
00:42
Now you may reason that we have one
12
27000
2000
Agora, pode-se julgar que temos um cérebro
00:44
to perceive the world or to think,
13
29000
2000
para compreender o mundo ou para pensar,
00:46
and that's completely wrong.
14
31000
2000
e isso está completamente errado.
00:48
If you think about this question for any length of time,
15
33000
3000
Se pensarem nesta questão durante algum tempo,
00:51
it's blindingly obvious why we have a brain.
16
36000
2000
é incrivelmente óbvia a razão por que temos cérebro.
00:53
We have a brain for one reason and one reason only,
17
38000
3000
Temos cérebro por uma razão e por uma razão apenas,
00:56
and that's to produce adaptable and complex movements.
18
41000
3000
que é para produzir movimentos adaptáveis e complexos.
00:59
There is no other reason to have a brain.
19
44000
2000
Não há outra razão para termos um cérebro.
01:01
Think about it.
20
46000
2000
Pensem nisto.
01:03
Movement is the only way you have
21
48000
2000
O movimento é a única forma que temos
01:05
of affecting the world around you.
22
50000
2000
de afectar o mundo à nossa volta.
01:07
Now that's not quite true. There's one other way, and that's through sweating.
23
52000
3000
Bom, isso não é inteiramente verdade. Há uma outra forma,
01:10
But apart from that,
24
55000
2000
que é através da transpiração. Mas, fora isso,
01:12
everything else goes through contractions of muscles.
25
57000
2000
tudo o resto passa pela contracção de músculos.
01:14
So think about communication --
26
59000
2000
Pensem na comunicação --
01:16
speech, gestures, writing, sign language --
27
61000
3000
fala, gestos, escrita, linguagem gestual -
01:19
they're all mediated through contractions of your muscles.
28
64000
3000
são todos mediados por contracções dos vossos músculos.
01:22
So it's really important to remember
29
67000
2000
Por isso, é realmente importante lembrarmo-nos
01:24
that sensory, memory and cognitive processes are all important,
30
69000
4000
de que os processos sensoriais, cognitivos e de memória são todos importantes,
01:28
but they're only important
31
73000
2000
são todos importantes, mas apenas são importantes
01:30
to either drive or suppress future movements.
32
75000
2000
para causar ou suprimir movimentos futuros.
01:32
There can be no evolutionary advantage
33
77000
2000
Não pode haver qualquer vantagem evolutiva
01:34
to laying down memories of childhood
34
79000
2000
em renunciar às memórias de infância,
01:36
or perceiving the color of a rose
35
81000
2000
ou distinguir a cor de uma rosa,
01:38
if it doesn't affect the way you're going to move later in life.
36
83000
3000
se isso não afectar o modo como nos moveremos mais tarde.
01:41
Now for those who don't believe this argument,
37
86000
2000
Agora, para aqueles que não acreditam neste argumento,
01:43
we have trees and grass on our planet without the brain,
38
88000
2000
temos árvores e relva no planeta, que não têm cérebro,
01:45
but the clinching evidence is this animal here --
39
90000
2000
mas a prova irrefutável é este animal aqui --
01:47
the humble sea squirt.
40
92000
2000
a modesta ascídia.
01:49
Rudimentary animal, has a nervous system,
41
94000
3000
Animal rudimentar, tem um sistema nervoso,
01:52
swims around in the ocean in its juvenile life.
42
97000
2000
nada pelo oceano na sua juventude.
01:54
And at some point of its life,
43
99000
2000
E, a dada altura da sua vida,
01:56
it implants on a rock.
44
101000
2000
implanta-se numa rocha.
01:58
And the first thing it does in implanting on that rock, which it never leaves,
45
103000
3000
E a primeira coisa que faz quando se implanta nessa rocha,
02:01
is to digest its own brain and nervous system
46
106000
3000
da qual nunca sai, é digerir o seu próprio cérebro
02:04
for food.
47
109000
2000
e sistema nervoso, para se alimentar.
02:06
So once you don't need to move,
48
111000
2000
Então, desde que não tenhamos de nos mexer,
02:08
you don't need the luxury of that brain.
49
113000
3000
não precisamos do luxo que é ter um cérebro.
02:11
And this animal is often taken
50
116000
2000
E este animal é frequentemente usado
02:13
as an analogy to what happens at universities
51
118000
2000
como uma analogia para o que acontece nas universidades
02:15
when professors get tenure,
52
120000
2000
quando os professores são promovidos na carreira,
02:17
but that's a different subject.
53
122000
2000
mas isso é um assunto diferente.
02:19
(Applause)
54
124000
2000
(Aplausos)
02:21
So I am a movement chauvinist.
55
126000
3000
Portanto, eu sou um chauvinista do movimento.
02:24
I believe movement is the most important function of the brain --
56
129000
2000
Acredito que o movimento é a função mais importante do cérebro --
02:26
don't let anyone tell you that it's not true.
57
131000
2000
não deixem que ninguém vos diga o contrário.
02:28
Now if movement is so important,
58
133000
2000
Agora, se o movimento é tão importante,
02:30
how well are we doing
59
135000
2000
como estamos a sair-nos
02:32
understanding how the brain controls movement?
60
137000
2000
na compreensão de como o cérebro controla o movimento?
02:34
And the answer is we're doing extremely poorly; it's a very hard problem.
61
139000
2000
E a resposta é que estamos muito mal; é um problema muito difícil.
02:36
But we can look at how well we're doing
62
141000
2000
Mas podemos avaliar o nosso sucesso
02:38
by thinking about how well we're doing building machines
63
143000
2000
pensando em como estamos a sair-nos na construção de máquinas
02:40
which can do what humans can do.
64
145000
2000
que consigam fazer o que os humanos fazem.
02:42
Think about the game of chess.
65
147000
2000
Pensem no jogo de xadrez.
02:44
How well are we doing determining what piece to move where?
66
149000
3000
Como estamos a sair-nos na determinação da peça a mover para onde?
02:47
If you pit Garry Kasparov here, when he's not in jail,
67
152000
3000
Se desafiarem o Gary Kasparov, quando não está na prisão,
02:50
against IBM's Deep Blue,
68
155000
2000
a jogar contra o Deep Blue da IBM,
02:52
well the answer is IBM's Deep Blue will occasionally win.
69
157000
3000
a resposta é que o Deep Blue da IBM ganhará às vezes.
02:55
And I think if IBM's Deep Blue played anyone in this room, it would win every time.
70
160000
3000
E penso que, se o Deep Blue da IBM jogasse contra qualquer das pessoas aqui na sala,
02:58
That problem is solved.
71
163000
2000
ganharia sempre. Esse problema está resolvido.
03:00
What about the problem
72
165000
2000
E quanto ao problema
03:02
of picking up a chess piece,
73
167000
2000
de pegar numa peça de xadrez,
03:04
dexterously manipulating it and putting it back down on the board?
74
169000
3000
manipulá-la com destreza e voltar a colocá-la no tabuleiro?
03:07
If you put a five year-old child's dexterity against the best robots of today,
75
172000
3000
Se compararem a destreza de uma criança de cinco anos
03:10
the answer is simple:
76
175000
2000
com a dos melhores robôs da actualidade,
03:12
the child wins easily.
77
177000
2000
a resposta é simples: a criança vence facilmente.
03:14
There's no competition at all.
78
179000
2000
Não há qualquer competição.
03:16
Now why is that top problem so easy
79
181000
2000
Porque é que o problema de cima é tão fácil
03:18
and the bottom problem so hard?
80
183000
2000
e o de baixo é tão difícil?
03:20
One reason is a very smart five year-old
81
185000
2000
Uma das razões é que uma criança inteligente de cinco anos
03:22
could tell you the algorithm for that top problem --
82
187000
2000
podia dizer-vos o algoritmo para aquele problema de cima --
03:24
look at all possible moves to the end of the game
83
189000
2000
analisar todas as jogadas possíveis até ao fim do jogo
03:26
and choose the one that makes you win.
84
191000
2000
e escolher aquela que vos fará ganhar.
03:28
So it's a very simple algorithm.
85
193000
2000
Portanto, é um algoritmo muito simples.
03:30
Now of course there are other moves,
86
195000
2000
Agora, é evidente que há outras jogadas,
03:32
but with vast computers we approximate
87
197000
2000
mas, com grandes computadores, aproximamo-nos
03:34
and come close to the optimal solution.
88
199000
2000
e quase que alcançamos a melhor solução.
03:36
When it comes to being dexterous,
89
201000
2000
Quando a questão é a destreza, nem sequer é claro
03:38
it's not even clear what the algorithm is you have to solve to be dexterous.
90
203000
2000
qual o algoritmo que temos de resolver para sermos ágeis.
03:40
And we'll see you have to both perceive and act on the world,
91
205000
2000
E veremos que temos que perceber e que actuar no mundo,
03:42
which has a lot of problems.
92
207000
2000
o que implica muitos problemas.
03:44
But let me show you cutting-edge robotics.
93
209000
2000
Mas permitam-me que vos mostre o estado da arte da robótica.
03:46
Now a lot of robotics is very impressive,
94
211000
2000
Grande parte da robótica é muito impressionante,
03:48
but manipulation robotics is really just in the dark ages.
95
213000
3000
mas a robótica de manipulação ainda está muito na idade das trevas.
03:51
So this is the end of a Ph.D. project
96
216000
2000
Este é o resultado de um projecto de doutoramento
03:53
from one of the best robotics institutes.
97
218000
2000
de um dos melhores institutos de robótica.
03:55
And the student has trained this robot
98
220000
2000
E o estudante treinou este robô
03:57
to pour this water into a glass.
99
222000
2000
para deitar água num copo. É um problema difícil,
03:59
It's a hard problem because the water sloshes about, but it can do it.
100
224000
3000
porque a água salpica, mas o robô consegue resolvê-lo.
04:02
But it doesn't do it with anything like the agility of a human.
101
227000
3000
Mas não o faz com nada que se pareça com a agilidade de um humano.
04:05
Now if you want this robot to do a different task,
102
230000
3000
Agora, se quiserem que este robô desempenhe uma tarefa diferente,
04:08
that's another three-year Ph.D. program.
103
233000
3000
isso é outro programa de doutoramento de 3 anos.
04:11
There is no generalization at all
104
236000
2000
Não há qualquer generalização
04:13
from one task to another in robotics.
105
238000
2000
de uma tarefa para outra, em robótica.
04:15
Now we can compare this
106
240000
2000
Podemos comparar isto
04:17
to cutting-edge human performance.
107
242000
2000
com o mais evoluído desempenho humano.
04:19
So what I'm going to show you is Emily Fox
108
244000
2000
O que vos vou mostrar é a Emily Fox
04:21
winning the world record for cup stacking.
109
246000
3000
a vencer o recorde mundial de empilhamento de copos.
04:24
Now the Americans in the audience will know all about cup stacking.
110
249000
2000
Os americanos, na assistência, saberão tudo sobre o empilhamento de copos.
04:26
It's a high school sport
111
251000
2000
É um desporto que se pratica no ensino secundário
04:28
where you have 12 cups you have to stack and unstack
112
253000
2000
em que se tem 12 copos, que devem ser empilhados e desempilhados
04:30
against the clock in a prescribed order.
113
255000
2000
em contra-relógio, numa determinada ordem.
04:32
And this is her getting the world record in real time.
114
257000
3000
E aqui está ela a alcançar o recorde mundial em tempo real.
04:39
(Laughter)
115
264000
8000
(Risos)
04:47
(Applause)
116
272000
5000
(Aplausos)
04:52
And she's pretty happy.
117
277000
2000
E ela está muito feliz.
04:54
We have no idea what is going on inside her brain when she does that,
118
279000
2000
Não fazemos ideia do que se está a passar no seu cérebro
04:56
and that's what we'd like to know.
119
281000
2000
quando faz aquilo, e isso é o que gostaríamos de saber.
04:58
So in my group, what we try to do
120
283000
2000
Por isso, no meu grupo, o que tentamos fazer
05:00
is reverse engineer how humans control movement.
121
285000
3000
é engenharia invertida sobre como os humanos controlam o movimento.
05:03
And it sounds like an easy problem.
122
288000
2000
E isto soa como se fosse um problema simples.
05:05
You send a command down, it causes muscles to contract.
123
290000
2000
Enviamos um sinal de comando, ele causa a contracção muscular.
05:07
Your arm or body moves,
124
292000
2000
O nosso braço ou o corpo move-se e recebemos
05:09
and you get sensory feedback from vision, from skin, from muscles and so on.
125
294000
3000
uma resposta sensorial a partir da visão, da pele, dos músculos
05:12
The trouble is
126
297000
2000
e por aí adiante. O problema é que estes sinais
05:14
these signals are not the beautiful signals you want them to be.
127
299000
2000
não são os belos sinais que queremos que sejam.
05:16
So one thing that makes controlling movement difficult
128
301000
2000
Então, uma coisa que torna o controlo dos movimentos difícil é,
05:18
is, for example, sensory feedback is extremely noisy.
129
303000
3000
por exemplo, o facto da resposta sensorial ser extremamente ruidosa.
05:21
Now by noise, I do not mean sound.
130
306000
3000
Por ruído, não quero dizer som.
05:24
We use it in the engineering and neuroscience sense
131
309000
2000
Usamos o termo no sentido próprio da engenharia e da neurociência,
05:26
meaning a random noise corrupting a signal.
132
311000
2000
significando um ruído aleatório que corrompe um sinal.
05:28
So the old days before digital radio when you were tuning in your radio
133
313000
3000
Antigamente, antes do rádio digital, quando sintonizávamos o rádio,
05:31
and you heard "crrcckkk" on the station you wanted to hear,
134
316000
2000
e ouvíamos "crrcckkk" na estação que queríamos ouvir,
05:33
that was the noise.
135
318000
2000
isso era o ruído.
05:35
But more generally, this noise is something that corrupts the signal.
136
320000
3000
Mas, mais genericamente, este ruído é algo que corrompe o sinal.
05:38
So for example, if you put your hand under a table
137
323000
2000
Assim, por exemplo, se pusermos a mão debaixo da mesa
05:40
and try to localize it with your other hand,
138
325000
2000
e tentarmos localizá-la com a outra mão,
05:42
you can be off by several centimeters
139
327000
2000
podemos errar por vários centímetros
05:44
due to the noise in sensory feedback.
140
329000
2000
devido ao ruído na resposta sensorial.
05:46
Similarly, when you put motor output on movement output,
141
331000
2000
Similarmente, quando ligamos a saída de um motor
05:48
it's extremely noisy.
142
333000
2000
à saída de um movimento, ela torna-se extremamente ruidosa.
05:50
Forget about trying to hit the bull's eye in darts,
143
335000
2000
Esqueçam a ideia de tentar acertar na Mosca, com os dardos,
05:52
just aim for the same spot over and over again.
144
337000
2000
tenham apenas como objectivo o mesmo ponto, vezes sem conta.
05:54
You have a huge spread due to movement variability.
145
339000
3000
Ocorre uma enorme dispersão devido à variabilidade do movimento.
05:57
And more than that, the outside world, or task,
146
342000
2000
E, mais do que isso, o mundo exterior, ou tarefa,
05:59
is both ambiguous and variable.
147
344000
2000
é simultaneamente ambíguo e variável.
06:01
The teapot could be full, it could be empty.
148
346000
2000
O bule podia estar cheio, ou podia estar vazio.
06:03
It changes over time.
149
348000
2000
Muda ao longo do tempo.
06:05
So we work in a whole sensory movement task soup of noise.
150
350000
4000
Trabalhamos numa tarefa de movimento sensorial que está cheia de ruído
06:09
Now this noise is so great
151
354000
2000
Este ruído é tão grande
06:11
that society places a huge premium
152
356000
2000
que a sociedade concede uma recompensa avultada
06:13
on those of us who can reduce the consequences of noise.
153
358000
3000
àqueles que conseguirem reduzir as consequências do ruído.
06:16
So if you're lucky enough to be able to knock a small white ball
154
361000
3000
Se tivermos a sorte de ser capazes de enfiar uma bolinha branca
06:19
into a hole several hundred yards away using a long metal stick,
155
364000
3000
num buraco a várias centenas de metros de distância, usando um longo taco de metal
06:22
our society will be willing to reward you
156
367000
2000
a nossa sociedade estará disposta a recompensar-nos
06:24
with hundreds of millions of dollars.
157
369000
3000
com centenas de milhões de dólares.
06:27
Now what I want to convince you of
158
372000
2000
Agora, aquilo de que vos quero convencer
06:29
is the brain also goes through a lot of effort
159
374000
2000
é de que o cérebro também despende muito esforço
06:31
to reduce the negative consequences
160
376000
2000
a reduzir as consequências negativas
06:33
of this sort of noise and variability.
161
378000
2000
deste tipo de ruído e variabilidade.
06:35
And to do that, I'm going to tell you about a framework
162
380000
2000
E, para fazer isso, vou falar-vos de uma ferramenta
06:37
which is very popular in statistics and machine learning of the last 50 years
163
382000
3000
que é muito popular na estatística e na aprendizagem de máquinas nos últimos 50 anos,
06:40
called Bayesian decision theory.
164
385000
2000
chamada Teoria de Decisão Bayesiana.
06:42
And it's more recently a unifying way
165
387000
3000
E que é, mais recentemente, uma forma unificadora
06:45
to think about how the brain deals with uncertainty.
166
390000
3000
de pensar em como o cérebro lida com a incerteza.
06:48
And the fundamental idea is you want to make inferences and then take actions.
167
393000
3000
E a ideia fundamental é que nós queremos fazer inferências e depois executar acções.
06:51
So let's think about the inference.
168
396000
2000
Pensemos na inferência.
06:53
You want to generate beliefs about the world.
169
398000
2000
Queremos gerar crenças sobre o mundo.
06:55
So what are beliefs?
170
400000
2000
Por isso, o que são crenças?
06:57
Beliefs could be: where are my arms in space?
171
402000
2000
Crenças podem ser: onde estão os meus braços no espaço?
06:59
Am I looking at a cat or a fox?
172
404000
2000
Estou a olhar para um gato ou para uma raposa?
07:01
But we're going to represent beliefs with probabilities.
173
406000
3000
Mas vamos representar as crenças com probabilidades.
07:04
So we're going to represent a belief
174
409000
2000
Vamos representar uma crença
07:06
with a number between zero and one --
175
411000
2000
com um número entre zero e um -- zero, significando
07:08
zero meaning I don't believe it at all, one means I'm absolutely certain.
176
413000
3000
que não acredito de todo; um, que estou absolutamente convencido.
07:11
And numbers in between give you the gray levels of uncertainty.
177
416000
3000
E os números intermédios dão os níveis cinzentos de incerteza.
07:14
And the key idea to Bayesian inference
178
419000
2000
E a ideia-chave da inferência Bayesiana
07:16
is you have two sources of information
179
421000
2000
é que temos duas fontes de informação
07:18
from which to make your inference.
180
423000
2000
a partir das quais fazemos a nossa inferência.
07:20
You have data,
181
425000
2000
Temos dados, e os dados, em neurociência,
07:22
and data in neuroscience is sensory input.
182
427000
2000
são as entradas sensoriais. Assim,
07:24
So I have sensory input, which I can take in to make beliefs.
183
429000
3000
tenho uma entrada sensorial, que posso aceitar para produzir crenças.
07:27
But there's another source of information, and that's effectively prior knowledge.
184
432000
3000
Mas há uma outra fonte de informação, que é o conhecimento anterior.
07:30
You accumulate knowledge throughout your life in memories.
185
435000
3000
Nós acumulamos conhecimento ao longo da vida através de memórias.
07:33
And the point about Bayesian decision theory
186
438000
2000
E a vantagem da Teoria de Decisão Bayesiana
07:35
is it gives you the mathematics
187
440000
2000
é que nos fornece a parte matemática
07:37
of the optimal way to combine
188
442000
2000
da forma de optimizar
07:39
your prior knowledge with your sensory evidence
189
444000
2000
o nosso conhecimento anterior com as nossas evidências sensoriais
07:41
to generate new beliefs.
190
446000
2000
com vista à formação de novas crenças.
07:43
And I've put the formula up there.
191
448000
2000
E coloquei a fórmula ali em cima.
07:45
I'm not going to explain what that formula is, but it's very beautiful.
192
450000
2000
Não vou explicar o que é aquela fórmula, mas é muito bela.
07:47
And it has real beauty and real explanatory power.
193
452000
3000
E tem uma verdadeira beleza e um verdadeiro poder explicativo.
07:50
And what it really says, and what you want to estimate,
194
455000
2000
E o que realmente diz, e o que queremos estimar,
07:52
is the probability of different beliefs
195
457000
2000
é a probabilidade de diferentes crenças
07:54
given your sensory input.
196
459000
2000
em função da entrada sensorial.
07:56
So let me give you an intuitive example.
197
461000
2000
Permitam-me que vos dê um exemplo intuitivo.
07:58
Imagine you're learning to play tennis
198
463000
3000
Imaginem que estão a aprender a jogar ténis
08:01
and you want to decide where the ball is going to bounce
199
466000
2000
e que querem decidir onde é que a bola vai bater
08:03
as it comes over the net towards you.
200
468000
2000
quando passa sobre a rede na vossa direcção.
08:05
There are two sources of information
201
470000
2000
Há duas fontes de informação.
08:07
Bayes' rule tells you.
202
472000
2000
A Lei de Bayes diz-vos.
08:09
There's sensory evidence -- you can use visual information auditory information,
203
474000
3000
Há a evidência sensorial -- podem usar a informação visual, auditiva,
08:12
and that might tell you it's going to land in that red spot.
204
477000
3000
e ela pode dizer-vos que a bola vai aterrar no ponto vermelho.
08:15
But you know that your senses are not perfect,
205
480000
3000
Mas sabem que os vossos sentidos não são perfeitos,
08:18
and therefore there's some variability of where it's going to land
206
483000
2000
e, portanto, há alguma variabilidade no local onde vai aterrar
08:20
shown by that cloud of red,
207
485000
2000
mostrada por aquela nuvem a vermelho,
08:22
representing numbers between 0.5 and maybe 0.1.
208
487000
3000
que representa números entre 0,5 e talvez 0,1.
08:26
That information is available in the current shot,
209
491000
2000
Essa informação está disponível nesta jogada,
08:28
but there's another source of information
210
493000
2000
mas existe outra fonte de informação
08:30
not available on the current shot,
211
495000
2000
não disponível nesta jogada,
08:32
but only available by repeated experience in the game of tennis,
212
497000
3000
mas apenas disponível pela experiência repetida no jogo do ténis,
08:35
and that's that the ball doesn't bounce
213
500000
2000
e essa é que a bola não bate
08:37
with equal probability over the court during the match.
214
502000
2000
com igual probabilidade em todo o campo durante o jogo.
08:39
If you're playing against a very good opponent,
215
504000
2000
Se estão a jogar contra um oponente muito bom,
08:41
they may distribute it in that green area,
216
506000
2000
ele pode distribuí-la naquela área verde,
08:43
which is the prior distribution,
217
508000
2000
que é a distribuição anterior,
08:45
making it hard for you to return.
218
510000
2000
tornando-a difícil de devolver.
08:47
Now both these sources of information carry important information.
219
512000
2000
Ambas as fontes de informação trazem informação importante.
08:49
And what Bayes' rule says
220
514000
2000
E o que a Lei de Bayes diz é que devemos multiplicar
08:51
is that I should multiply the numbers on the red by the numbers on the green
221
516000
3000
os números a vermelho pelos números a verde
08:54
to get the numbers of the yellow, which have the ellipses,
222
519000
3000
para obter os números a amarelo, que têm as elipses,
08:57
and that's my belief.
223
522000
2000
e essa é a minha crença.
08:59
So it's the optimal way of combining information.
224
524000
3000
Portanto, é a maneira perfeita de combinar a informação.
09:02
Now I wouldn't tell you all this if it wasn't that a few years ago,
225
527000
2000
Agora, não vos contaria tudo isto, se não tivesse acontecido que
09:04
we showed this is exactly what people do
226
529000
2000
há uns anos mostrámos que isto é exactamente o que as pessoas fazem
09:06
when they learn new movement skills.
227
531000
2000
quando aprendem novas habilidades motoras.
09:08
And what it means
228
533000
2000
E o que isto significa
09:10
is we really are Bayesian inference machines.
229
535000
2000
é que somos realmente máquinas de inferência Bayesianas.
09:12
As we go around, we learn about statistics of the world and lay that down,
230
537000
4000
Quando andamos por aí, aprendemos sobre as estatísticas do mundo
09:16
but we also learn
231
541000
2000
e guardamo-las, mas também aprendemos
09:18
about how noisy our own sensory apparatus is,
232
543000
2000
como o nosso próprio sistema sensorial é ruidoso,
09:20
and then combine those
233
545000
2000
e depois combinamos isso
09:22
in a real Bayesian way.
234
547000
2000
de uma forma verdadeiramente Bayesiana.
09:24
Now a key part to the Bayesian is this part of the formula.
235
549000
3000
Agora, a chave para a Teoria Bayesiana é esta parte da fórmula.
09:27
And what this part really says
236
552000
2000
E o que esta parte realmente diz
09:29
is I have to predict the probability
237
554000
2000
é que temos de prever a probabilidade
09:31
of different sensory feedbacks
238
556000
2000
de diferentes respostas sensoriais
09:33
given my beliefs.
239
558000
2000
dadas as nossas crenças.
09:35
So that really means I have to make predictions of the future.
240
560000
3000
Isso significa que tenho de fazer previsões sobre o futuro.
09:38
And I want to convince you the brain does make predictions
241
563000
2000
E eu quero convencer-vos de que o cérebro faz previsões
09:40
of the sensory feedback it's going to get.
242
565000
2000
da resposta sensorial que vai obter.
09:42
And moreover, it profoundly changes your perceptions
243
567000
2000
E, além disso, ele altera profundamente
09:44
by what you do.
244
569000
2000
as vossas percepções através daquilo que fazem.
09:46
And to do that, I'll tell you
245
571000
2000
E, para fazer isso, vou contar-vos
09:48
about how the brain deals with sensory input.
246
573000
2000
como o cérebro lida com a entrada de informação sensorial.
09:50
So you send a command out,
247
575000
3000
Portanto, enviamos um sinal de comando,
09:53
you get sensory feedback back,
248
578000
2000
obtemos uma resposta sensorial,
09:55
and that transformation is governed
249
580000
2000
e essa transformação é gerida
09:57
by the physics of your body and your sensory apparatus.
250
582000
3000
pela física do nosso corpo e pelo nosso sistema sensorial.
10:00
But you can imagine looking inside the brain.
251
585000
2000
Mas podemos imaginar, olhando para dentro do cérebro.
10:02
And here's inside the brain.
252
587000
2000
E aqui está o interior do cérebro.
10:04
You might have a little predictor, a neural simulator,
253
589000
2000
Podemos ter um pequeno preditor, um simulador neuronal
10:06
of the physics of your body and your senses.
254
591000
2000
da física do nosso corpo e dos nossos sentidos.
10:08
So as you send a movement command down,
255
593000
2000
Assim, quando enviamos um sinal de comando de movimento
10:10
you tap a copy of that off
256
595000
2000
replicamo-lo, fazendo uma cópia.
10:12
and run it into your neural simulator
257
597000
2000
e corremos a réplica no nosso simulador neuronal
10:14
to anticipate the sensory consequences of your actions.
258
599000
4000
para anteciparmos as consequências sensoriais das nossas acções.
10:18
So as I shake this ketchup bottle,
259
603000
2000
Assim, quando agito este frasco de ketchup, recebo alguma
10:20
I get some true sensory feedback as the function of time in the bottom row.
260
605000
3000
resposta sensorial verdadeira em função de tempo, na linha de baixo.
10:23
And if I've got a good predictor, it predicts the same thing.
261
608000
3000
E se tiver um bom preditor, ele prevê a mesma coisa.
10:26
Well why would I bother doing that?
262
611000
2000
Bem, por que razão haveria de me incomodar a fazer isso?
10:28
I'm going to get the same feedback anyway.
263
613000
2000
Vou obter a mesma resposta de qualquer maneira.
10:30
Well there's good reasons.
264
615000
2000
Bem, há boas razões.
10:32
Imagine, as I shake the ketchup bottle,
265
617000
2000
Imaginem que, enquanto agito o frasco de Ketchup,
10:34
someone very kindly comes up to me and taps it on the back for me.
266
619000
3000
alguém se aproxima de mim muito gentilmente e lhe dá umas pancadas na base.
10:37
Now I get an extra source of sensory information
267
622000
2000
Agora tenho uma fonte de informação sensorial adicional
10:39
due to that external act.
268
624000
2000
devido a esse acto externo.
10:41
So I get two sources.
269
626000
2000
Portanto, tenho duas fontes.
10:43
I get you tapping on it, and I get me shaking it,
270
628000
3000
Tenho-vos a bater no frasco, e tenho-me a agitá-lo,
10:46
but from my senses' point of view,
271
631000
2000
mas, do ponto de vista dos meus sentidos,
10:48
that is combined together into one source of information.
272
633000
3000
isso combina-se num única fonte de informação.
10:51
Now there's good reason to believe
273
636000
2000
Agora, há uma boa razão para acreditar que gostaríamos
10:53
that you would want to be able to distinguish external events from internal events.
274
638000
3000
de ser capazes de distinguir os acontecimentos externos dos internos.
10:56
Because external events are actually much more behaviorally relevant
275
641000
3000
Porque os acontecimentos externos são, na verdade, muito mais relevantes
10:59
than feeling everything that's going on inside my body.
276
644000
3000
ao nível comportamental, do que sentirmos tudo o que se passa dentro do nosso corpo.
11:02
So one way to reconstruct that
277
647000
2000
Então, uma maneira de reconstruirmos isso
11:04
is to compare the prediction --
278
649000
2000
é comparando a predição --
11:06
which is only based on your movement commands --
279
651000
2000
que se baseia apenas nos nossos comandos de movimento --
11:08
with the reality.
280
653000
2000
com a realidade.
11:10
Any discrepancy should hopefully be external.
281
655000
3000
Qualquer discrepância deverá, esperamos, ser externa.
11:13
So as I go around the world,
282
658000
2000
Portanto, enquanto ando pelo mundo,
11:15
I'm making predictions of what I should get, subtracting them off.
283
660000
3000
estou a fazer predições sobre o que devo obter, subtraindo-as.
11:18
Everything left over is external to me.
284
663000
2000
Tudo o que resta é-me externo.
11:20
What evidence is there for this?
285
665000
2000
Que provas existem disto?
11:22
Well there's one very clear example
286
667000
2000
Bem, há um exemplo muito claro em que a sensação
11:24
where a sensation generated by myself feels very different
287
669000
2000
gerada por mim é sentida de uma maneira muito diferente
11:26
then if generated by another person.
288
671000
2000
daquela que seria se fosse gerada por outra pessoa.
11:28
And so we decided the most obvious place to start
289
673000
2000
Por isso, decidimos que o sítio mais óbvio por onde começar
11:30
was with tickling.
290
675000
2000
era com as cócegas.
11:32
It's been known for a long time, you can't tickle yourself
291
677000
2000
Sabe-se, há muito tempo, que não conseguimos fazer cócegas
11:34
as well as other people can.
292
679000
2000
a nós próprios, como as outras pessoas conseguem.
11:36
But it hasn't really been shown, it's because you have a neural simulator,
293
681000
3000
Mas não foi realmente demonstrado que tal se passe por termos
11:39
simulating your own body
294
684000
2000
um simulador neuronal, a simular o nosso próprio corpo
11:41
and subtracting off that sense.
295
686000
2000
e a subtrair essa sensação.
11:43
So we can bring the experiments of the 21st century
296
688000
3000
Portanto, podemos trazer as experiências do séc. XXI
11:46
by applying robotic technologies to this problem.
297
691000
3000
aplicando as tecnologias da robótica a este problema.
11:49
And in effect, what we have is some sort of stick in one hand attached to a robot,
298
694000
3000
E, com efeito, o que temos é uma espécie de pau numa mão ligada a um robô
11:52
and they're going to move that back and forward.
299
697000
2000
e eles vão ser movidos para trás e para a frente.
11:54
And then we're going to track that with a computer
300
699000
2000
E depois vamos segui-los com um computador
11:56
and use it to control another robot,
301
701000
2000
e usar o computador para controlar outro robô,
11:58
which is going to tickle their palm with another stick.
302
703000
2000
que lhes vai fazer cócegas na palma da mão com outro pau.
12:00
And then we're going to ask them to rate a bunch of things
303
705000
2000
E depois vamos pedir-lhes para darem nota a uma série de coisas,
12:02
including ticklishness.
304
707000
2000
incluindo as cócegas.
12:04
I'll show you just one part of our study.
305
709000
2000
Vou mostrar-vos apenas uma parte do nosso estudo.
12:06
And here I've taken away the robots,
306
711000
2000
E aqui retirei os robôs, mas basicamente
12:08
but basically people move with their right arm sinusoidally back and forward.
307
713000
3000
as pessoas movem o braço direito para a frente e para trás sinusoidalmente.
12:11
And we replay that to the other hand with a time delay.
308
716000
3000
E repetimos isso para a outra mão com um certo atraso.
12:14
Either no time delay,
309
719000
2000
Quer sem atraso,
12:16
in which case light would just tickle your palm,
310
721000
2000
caso em que a luz apenas faria cócegas na palma,
12:18
or with a time delay of two-tenths of three-tenths of a second.
311
723000
4000
quer com um atraso de 2 décimos ou de 3 décimos de segundo.
12:22
So the important point here
312
727000
2000
Portanto, o importante aqui é que a mão direita
12:24
is the right hand always does the same things -- sinusoidal movement.
313
729000
3000
faz sempre as mesmas coisas -- movimento sinusoidal.
12:27
The left hand always is the same and puts sinusoidal tickle.
314
732000
3000
A mão esquerda é sempre a mesma e faz cócegas sinusoidais.
12:30
All we're playing with is a tempo causality.
315
735000
2000
Estamos apenas a jogar com uma causalidade temporal.
12:32
And as we go from naught to 0.1 second,
316
737000
2000
E quando passamos de 0 para 0,1 segundos,
12:34
it becomes more ticklish.
317
739000
2000
provoca mais cócegas.
12:36
As you go from 0.1 to 0.2,
318
741000
2000
Quando passamos de 0,1 para 0,2,
12:38
it becomes more ticklish at the end.
319
743000
2000
provoca mais cócegas no final.
12:40
And by 0.2 of a second,
320
745000
2000
E pelos 2 décimos de segundo,
12:42
it's equivalently ticklish
321
747000
2000
faz cócegas equivalentes às provocadas pelo robô
12:44
to the robot that just tickled you without you doing anything.
322
749000
2000
que apenas nos fez cócegas sem fazermos nada.
12:46
So whatever is responsible for this cancellation
323
751000
2000
Então, o que quer que seja responsável por esta anulação
12:48
is extremely tightly coupled with tempo causality.
324
753000
3000
está estreitamente ligado à causalidade temporal.
12:51
And based on this illustration, we really convinced ourselves in the field
325
756000
3000
E, com base nesta ilustração, convencemo-nos realmente nesta área
12:54
that the brain's making precise predictions
326
759000
2000
de que o cérebro faz predições precisas
12:56
and subtracting them off from the sensations.
327
761000
3000
e subtrai-as às sensações. Agora, tenho de admitir
12:59
Now I have to admit, these are the worst studies my lab has ever run.
328
764000
3000
que estes são os piores estudos que o meu laboratório já realizou.
13:02
Because the tickle sensation on the palm comes and goes,
329
767000
2000
Porque a sensação de cócegas na palma da mão vem e vai,
13:04
you need large numbers of subjects
330
769000
2000
precisamos de grandes números de sujeitos
13:06
with these stars making them significant.
331
771000
2000
com estas estrelas a torná-los significativos.
13:08
So we were looking for a much more objective way
332
773000
2000
Portanto, estávamos à procura de uma maneira muito mais objectiva
13:10
to assess this phenomena.
333
775000
2000
de avaliar este fenómeno.
13:12
And in the intervening years I had two daughters.
334
777000
2000
Durante esses anos tive duas filhas. E uma coisa que notamos
13:14
And one thing you notice about children in backseats of cars on long journeys,
335
779000
3000
acerca das crianças que vão nos assentos de trás dos automóveis durante viagens longas,
13:17
they get into fights --
336
782000
2000
é que se põem a lutar -- o que começa
13:19
which started with one of them doing something to the other, the other retaliating.
337
784000
3000
com uma delas a fazer alguma coisa à outra, e a outra a retaliar.
13:22
It quickly escalates.
338
787000
2000
Rapidamente toma outras proporções. E as crianças tendem
13:24
And children tend to get into fights which escalate in terms of force.
339
789000
3000
a meter-se em lutas em que se verifica uma escalada em termos de força.
13:27
Now when I screamed at my children to stop,
340
792000
2000
Quando eu gritava às minhas filhas para pararem,
13:29
sometimes they would both say to me
341
794000
2000
às vezes ambas me diziam
13:31
the other person hit them harder.
342
796000
3000
que a outra lhe tinha batido com mais força.
13:34
Now I happen to know my children don't lie,
343
799000
2000
Bom, eu sei que as minhas filhas não mentem,
13:36
so I thought, as a neuroscientist,
344
801000
2000
pelo que pensei, como neurocientista,
13:38
it was important how I could explain
345
803000
2000
que era importante poder explicar
13:40
how they were telling inconsistent truths.
346
805000
2000
como é que elas estavam a dizer verdades inconsistentes.
13:42
And we hypothesize based on the tickling study
347
807000
2000
E levantámos a hipótese, baseados no estudo sobre as cócegas,
13:44
that when one child hits another,
348
809000
2000
de que, quando uma criança bate na outra,
13:46
they generate the movement command.
349
811000
2000
elas estão a gerar o comando de movimento.
13:48
They predict the sensory consequences and subtract it off.
350
813000
3000
Prevêem as consequências sensoriais e subtraem-nas.
13:51
So they actually think they've hit the person less hard than they have --
351
816000
2000
Por isso, pensam mesmo que bateram na outra pessoa com menos força
13:53
rather like the tickling.
352
818000
2000
do que o que fizeram na realidade -- à semelhança das cócegas.
13:55
Whereas the passive recipient
353
820000
2000
Enquanto que se o receptor passivo
13:57
doesn't make the prediction, feels the full blow.
354
822000
2000
não faz a previsão, ele sente completamente o golpe.
13:59
So if they retaliate with the same force,
355
824000
2000
Portanto, se retaliarem com a mesma força,
14:01
the first person will think it's been escalated.
356
826000
2000
a primeira pessoa pensará que houve uma intensificação.
14:03
So we decided to test this in the lab.
357
828000
2000
Então, decidimos testar isto no laboratório.
14:05
(Laughter)
358
830000
3000
(Risos)
14:08
Now we don't work with children, we don't work with hitting,
359
833000
2000
Agora, nós não trabalhamos com crianças, não trabalhamos com pancadas,
14:10
but the concept is identical.
360
835000
2000
mas o conceito é idêntico.
14:12
We bring in two adults. We tell them they're going to play a game.
361
837000
3000
Trazemos dois adultos. Dizemos-lhes que vão jogar um jogo.
14:15
And so here's player one and player two sitting opposite to each other.
362
840000
2000
E aqui temos o jogador 1 e o jogador 2 sentados em frente um do outro.
14:17
And the game is very simple.
363
842000
2000
E o jogo é muito simples.
14:19
We started with a motor
364
844000
2000
Começámos com um motor
14:21
with a little lever, a little force transfuser.
365
846000
2000
com uma pequena alavanca, um pequeno transmissor de força.
14:23
And we use this motor to apply force down to player one's fingers
366
848000
2000
E usamos este motor para exercer força sobre os dedos do jogador 1
14:25
for three seconds and then it stops.
367
850000
3000
durante 3 segundos, e depois paramos.
14:28
And that player's been told, remember the experience of that force
368
853000
3000
E foi dito a esse jogador: "Recorde-se da experiência daquela força
14:31
and use your other finger
369
856000
2000
e use o seu outro dedo
14:33
to apply the same force
370
858000
2000
para exercer a mesma força
14:35
down to the other subject's finger through a force transfuser -- and they do that.
371
860000
3000
sobre o dedo da outra pessoa através de um transmissor de força" -- e eles fazem isso.
14:38
And player two's been told, remember the experience of that force.
372
863000
3000
E ao segundo jogador foi dito: "Recorde-se da experiência daquela força.
14:41
Use your other hand to apply the force back down.
373
866000
3000
Use a sua outra mão para exercer a força para baixo.
14:44
And so they take it in turns
374
869000
2000
E então eles fazem isto por turnos
14:46
to apply the force they've just experienced back and forward.
375
871000
2000
para exercer a força que acabaram de sentir para trás e para a frente.
14:48
But critically,
376
873000
2000
Mas criticamente,
14:50
they're briefed about the rules of the game in separate rooms.
377
875000
3000
as regras do jogo são-lhes transmitidas em salas separadas.
14:53
So they don't know the rules the other person's playing by.
378
878000
2000
Portanto, não conhecem as regras segundo as quais a outra pessoa está a jogar.
14:55
And what we've measured
379
880000
2000
E o que medimos
14:57
is the force as a function of terms.
380
882000
2000
é a força como uma função de termos.
14:59
And if we look at what we start with,
381
884000
2000
E se observarmos aquilo com que começamos,
15:01
a quarter of a Newton there, a number of turns,
382
886000
2000
um quarto de um Newton, um número de turnos,
15:03
perfect would be that red line.
383
888000
2000
a perfeição seria aquela linha vermelha.
15:05
And what we see in all pairs of subjects is this --
384
890000
3000
E o que observamos em todos os pares de pessoas é isto --
15:08
a 70 percent escalation in force
385
893000
2000
um aumento de força de 70%
15:10
on each go.
386
895000
2000
em cada turno.
15:12
So it really suggests, when you're doing this --
387
897000
2000
Portanto, sugere mesmo, quando fazem isto --
15:14
based on this study and others we've done --
388
899000
2000
baseado neste estudo e noutros que realizámos --
15:16
that the brain is canceling the sensory consequences
389
901000
2000
que o cérebro está a anular as consequências sensoriais
15:18
and underestimating the force it's producing.
390
903000
2000
e a menosprezar a força que produz.
15:20
So it re-shows the brain makes predictions
391
905000
2000
Assim, isto mostra mais uma vez que o cérebro faz previsões
15:22
and fundamentally changes the precepts.
392
907000
3000
e fundamentalmente altera as percepções.
15:25
So we've made inferences, we've done predictions,
393
910000
3000
Portanto, fizemos inferências, fizemos predições,
15:28
now we have to generate actions.
394
913000
2000
agora temos que gerar acções.
15:30
And what Bayes' rule says is, given my beliefs,
395
915000
2000
E o que a Lei de Bayes diz é que, dadas as minhas crenças,
15:32
the action should in some sense be optimal.
396
917000
2000
a acção deve, de algum modo, ser óptima.
15:34
But we've got a problem.
397
919000
2000
Mas temos um problema.
15:36
Tasks are symbolic -- I want to drink, I want to dance --
398
921000
3000
As tarefas são simbólicas -- quero beber, quero dançar --
15:39
but the movement system has to contract 600 muscles
399
924000
2000
mas o sistema de movimento tem de contrair 600 músculos
15:41
in a particular sequence.
400
926000
2000
numa determinada sequência.
15:43
And there's a big gap
401
928000
2000
E há um fosso enorme
15:45
between the task and the movement system.
402
930000
2000
entre a tarefa e o sistema de movimento.
15:47
So it could be bridged in infinitely many different ways.
403
932000
2000
Fosso que pode ser ultrapassado de uma infinidade de maneiras diferentes.
15:49
So think about just a point to point movement.
404
934000
2000
Pensem apenas num movimento ponto-a-ponto.
15:51
I could choose these two paths
405
936000
2000
Eu podia escolher estes dois caminhos
15:53
out of an infinite number of paths.
406
938000
2000
de um número infinito de caminhos.
15:55
Having chosen a particular path,
407
940000
2000
Tendo escolhido um caminho em particular,
15:57
I can hold my hand on that path
408
942000
2000
podia segurar a minha mão nesse caminho
15:59
as infinitely many different joint configurations.
409
944000
2000
com um número infinito de diferentes configurações conjuntas.
16:01
And I can hold my arm in a particular joint configuration
410
946000
2000
E posso segurar o meu braço numa dada configuração conjunta
16:03
either very stiff or very relaxed.
411
948000
2000
ou muito tensa, ou muito relaxada.
16:05
So I have a huge amount of choice to make.
412
950000
3000
Portanto, tenho uma enorme quantidade de escolhas a fazer.
16:08
Now it turns out, we are extremely stereotypical.
413
953000
3000
Acontece que nós somos extremamente estereotipados.
16:11
We all move the same way pretty much.
414
956000
3000
Todos nos movemos praticamente da mesma maneira.
16:14
And so it turns out we're so stereotypical,
415
959000
2000
E, portanto, sendo nós tão estereotipados,
16:16
our brains have got dedicated neural circuitry
416
961000
2000
os nossos cérebros têm um circuito neuronal dedicado
16:18
to decode this stereotyping.
417
963000
2000
à descodificação deste estereótipo.
16:20
So if I take some dots
418
965000
2000
Portanto, se eu pegasse em alguns pontos
16:22
and set them in motion with biological motion,
419
967000
3000
e lhes conferisse movimento, movimento biológico,
16:25
your brain's circuitry would understand instantly what's going on.
420
970000
3000
o vosso circuito cerebral compreenderia instantaneamente o que se estava a passar.
16:28
Now this is a bunch of dots moving.
421
973000
2000
Agora, isto é um monte de pontos em movimento.
16:30
You will know what this person is doing,
422
975000
3000
Saberão o que esta pessoa está a fazer,
16:33
whether happy, sad, old, young -- a huge amount of information.
423
978000
3000
esteja feliz, triste, seja velha ou jovem -- uma enorme quantidade de informação.
16:36
If these dots were cars going on a racing circuit,
424
981000
2000
Se estes pontos fossem carros a correr numa pista,
16:38
you would have absolutely no idea what's going on.
425
983000
3000
vocês não fariam absolutamente nenhuma ideia do que estava a acontecer.
16:41
So why is it
426
986000
2000
Então, porque é que
16:43
that we move the particular ways we do?
427
988000
2000
nos movemos das formas como nos movemos?
16:45
Well let's think about what really happens.
428
990000
2000
Bem, pensemos no que realmente acontece.
16:47
Maybe we don't all quite move the same way.
429
992000
3000
Talvez não nos movamos todos exactamente da mesma maneira.
16:50
Maybe there's variation in the population.
430
995000
2000
Talvez exista uma variação dentro da população.
16:52
And maybe those who move better than others
431
997000
2000
E talvez aqueles que se movem melhor do que os outros
16:54
have got more chance of getting their children into the next generation.
432
999000
2000
tenham mais hipóteses de conseguir passar os seus filhos à geração seguinte.
16:56
So in evolutionary scales, movements get better.
433
1001000
3000
Assim, à escala evolutiva, os movimentos melhoram.
16:59
And perhaps in life, movements get better through learning.
434
1004000
3000
E talvez, na vida, os movimentos melhorem através da aprendizagem.
17:02
So what is it about a movement which is good or bad?
435
1007000
2000
Então, o que é isto de um movimento ser bom ou mau?
17:04
Imagine I want to intercept this ball.
436
1009000
2000
Imaginem que quero interceptar esta bola.
17:06
Here are two possible paths to that ball.
437
1011000
3000
Aqui estão dois caminhos possíveis para aquela bola.
17:09
Well if I choose the left-hand path,
438
1014000
2000
Bem, se eu escolher o caminho da esquerda,
17:11
I can work out the forces required
439
1016000
2000
posso organizar as forças requeridas
17:13
in one of my muscles as a function of time.
440
1018000
2000
num dos meus músculos como uma função do tempo.
17:15
But there's noise added to this.
441
1020000
2000
Mas existe ruído associado.
17:17
So what I actually get, based on this lovely, smooth, desired force,
442
1022000
3000
Por isso, o que realmente consigo, com base nesta desejada, suave e encantadora força,
17:20
is a very noisy version.
443
1025000
2000
é uma versão muito ruidosa.
17:22
So if I pick the same command through many times,
444
1027000
3000
Assim, se eu escolher o mesmo sinal de comando muitas vezes,
17:25
I will get a different noisy version each time, because noise changes each time.
445
1030000
3000
obterei uma versão diferente do ruído de cada vez, porque o ruído é aleatório, muda sempre.
17:28
So what I can show you here
446
1033000
2000
O que posso mostrar-vos aqui
17:30
is how the variability of the movement will evolve
447
1035000
2000
é como a variabilidade do movimento vai evoluir
17:32
if I choose that way.
448
1037000
2000
se eu escolher aquela maneira.
17:34
If I choose a different way of moving -- on the right for example --
449
1039000
3000
Se eu escolher uma forma diferente de movimento -- à direita, por exemplo --
17:37
then I'll have a different command, different noise,
450
1042000
2000
então terei um sinal de comando diferente, ruído diferente,
17:39
playing through a noisy system, very complicated.
451
1044000
3000
jogando através de um sistema ruidoso, muito complicado.
17:42
All we can be sure of is the variability will be different.
452
1047000
3000
A única coisa de que podemos ter a certeza é que a variabilidade será diferente.
17:45
If I move in this particular way,
453
1050000
2000
Se eu me mover desta forma particular,
17:47
I end up with a smaller variability across many movements.
454
1052000
3000
acabo com uma menor variabilidade ao longo de muitos movimentos.
17:50
So if I have to choose between those two,
455
1055000
2000
Por isso, se tivesse que escolher entre aqueles dois,
17:52
I would choose the right one because it's less variable.
456
1057000
2000
escolheria o da direita porque é menos variável.
17:54
And the fundamental idea
457
1059000
2000
E a ideia fundamental
17:56
is you want to plan your movements
458
1061000
2000
é que queremos planear os nossos movimentos
17:58
so as to minimize the negative consequence of the noise.
459
1063000
3000
de forma a minimizar a consequência negativa do ruído.
18:01
And one intuition to get
460
1066000
2000
E uma intuição que se tem
18:03
is actually the amount of noise or variability I show here
461
1068000
2000
é que, na realidade, a quantidade de ruído ou variabilidade que aqui mostro
18:05
gets bigger as the force gets bigger.
462
1070000
2000
aumenta à medida que a força aumenta.
18:07
So you want to avoid big forces as one principle.
463
1072000
3000
Por isso, por princípio, queremos evitar grandes forças.
18:10
So we've shown that using this,
464
1075000
2000
Portanto, mostrámos que, usando isto,
18:12
we can explain a huge amount of data --
465
1077000
2000
podemos explicar uma grande quantidade de dados --
18:14
that exactly people are going about their lives planning movements
466
1079000
3000
que na realidade as pessoas vivem as suas vidas planeando os movimentos
18:17
so as to minimize negative consequences of noise.
467
1082000
3000
de forma a minimizar as consequências negativas do ruído.
18:20
So I hope I've convinced you the brain is there
468
1085000
2000
Por isso, espero ter-vos convencido de que o cérebro existe
18:22
and evolved to control movement.
469
1087000
2000
e evoluiu para controlar o movimento.
18:24
And it's an intellectual challenge to understand how we do that.
470
1089000
3000
E é um desafio intelectual compreender como fazemos isso.
18:27
But it's also relevant
471
1092000
2000
Mas também é relevante
18:29
for disease and rehabilitation.
472
1094000
2000
para a doença e para a reabilitação.
18:31
There are many diseases which effect movement.
473
1096000
3000
Há muitas doenças que afectam o movimento.
18:34
And hopefully if we understand how we control movement,
474
1099000
2000
E se compreendermos como controlamos o movimento,
18:36
we can apply that to robotic technology.
475
1101000
2000
podemos aplicar isso à tecnologia robótica.
18:38
And finally, I want to remind you,
476
1103000
2000
E, finalmente, quero recordar-vos de que,
18:40
when you see animals do what look like very simple tasks,
477
1105000
2000
quando vêem os animais fazer o que parecem ser tarefas muito simples,
18:42
the actual complexity of what is going on inside their brain
478
1107000
2000
a verdadeira complexidade do que está a acontecer dentro dos seus cérebros
18:44
is really quite dramatic.
479
1109000
2000
é, de facto, bastante dramática.
18:46
Thank you very much.
480
1111000
2000
Muito obrigado.
18:48
(Applause)
481
1113000
8000
(Aplausos)
18:56
Chris Anderson: Quick question for you, Dan.
482
1121000
2000
Chris Anderson: Uma pergunta rápida para ti, Dan.
18:58
So you're a movement -- (DW: Chauvinist.) -- chauvinist.
483
1123000
4000
Portanto, quanto ao movimento, és um -- (DW: Chauvinista) -- chauvinista.
19:02
Does that mean that you think that the other things we think our brains are about --
484
1127000
3000
Significará isso que pensas que as outras coisas que pensamos em relação ao cérebro --
19:05
the dreaming, the yearning, the falling in love and all these things --
485
1130000
3000
o sonho, a saudade, a paixão e todas essas coisas --
19:08
are a kind of side show, an accident?
486
1133000
3000
são uma espécie de actividade secundária, de um acidente?
19:11
DW: No, no, actually I think they're all important
487
1136000
2000
DW: Não, não, na verdade penso que todas elas são importantes
19:13
to drive the right movement behavior to get reproduction in the end.
488
1138000
3000
para conduzir o correcto comportamento dos movimentos a serem reproduzidos.
19:16
So I think people who study sensation or memory
489
1141000
3000
Portanto, penso que as pessoas que estudam as sensações ou a memória
19:19
without realizing why you're laying down memories of childhood.
490
1144000
2000
sem se aperceberem da razão por que esquecemos memórias da infância --
19:21
The fact that we forget most of our childhood, for example,
491
1146000
3000
o facto de esquecermos a maior parte da nossa infância, por exemplo,
19:24
is probably fine, because it doesn't effect our movements later in life.
492
1149000
3000
provavelmente está correcto, porque isso não afecta os nossos movimentos mais tarde.
19:27
You only need to store things which are really going to effect movement.
493
1152000
3000
Apenas precisamos de armazenar coisas que vão realmente afectar os movimentos.
19:30
CA: So you think that people thinking about the brain, and consciousness generally,
494
1155000
3000
CA: Portanto, pensas que as pessoas que pensam sobre o cérebro, e sobre a consciência em geral,
19:33
could get real insight
495
1158000
2000
podiam conseguir compreender melhor
19:35
by saying, where does movement play in this game?
496
1160000
2000
dizendo: "Onde é que entra o movimento, neste jogo?"
19:37
DW: So people have found out for example
497
1162000
2000
DW: As pessoas descobriram, por exemplo,
19:39
that studying vision in the absence of realizing why you have vision
498
1164000
2000
que estudar a visão ignorando o motivo por que temos visão
19:41
is a mistake.
499
1166000
2000
é um erro.
19:43
You have to study vision with the realization
500
1168000
2000
Temos que estudar a visão com a percepção
19:45
of how the movement system is going to use vision.
501
1170000
2000
de como o sistema motor vai usar a visão.
19:47
And it uses it very differently once you think about it that way.
502
1172000
2000
E ele usa-a de uma forma muito diferente quando pensamos nele dessa forma.
19:49
CA: Well that was quite fascinating. Thank you very much indeed.
503
1174000
3000
CA: Bem, foi realmente fascinante. Muitíssimo obrigado.
19:52
(Applause)
504
1177000
2000
(Aplausos)
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