TEDGlobal 2011
Daniel Wolpert: The real reason for brains
Даниэл Уолперт: Для чего на самом деле нужен мозг
Filmed:
Readability: 3.9
1,994,993 views
Нейробиолог Даниэл Уолперт начинает с удивительной предпосылки: мозг не эволюционировал, чтобы думать или чувствовать, а чтобы управлять движением. В ходе этой развлекательной, информативной лекции Уолперт делится с нами тем, как мозг создаёт изящество и ловкость человеческого движения.
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
Я нейробиолог.
00:17
And in neuroscience,
1
2000
2000
В нейробиологии мы имеем дело
00:19
we have to deal with many difficult questions about the brain.
2
4000
3000
со сложными вопросами о мозге.
00:22
But I want to start with the easiest question
3
7000
2000
Я хочу начать с самого простого вопроса,
00:24
and the question you really should have all asked yourselves at some point in your life,
4
9000
3000
который когда-то должен был встать перед каждым,
00:27
because it's a fundamental question
5
12000
2000
потому что это основной вопрос,
00:29
if we want to understand brain function.
6
14000
2000
если мы хотим понять функцию мозга.
00:31
And that is, why do we and other animals
7
16000
2000
Почему у нас и у животных
00:33
have brains?
8
18000
2000
есть мозги?
00:35
Not all species on our planet have brains,
9
20000
3000
Не у всех видов на нашей планете есть мозги,
00:38
so if we want to know what the brain is for,
10
23000
2000
поэтому если мы хотим узнать, для чего нужен мозг,
00:40
let's think about why we evolved one.
11
25000
2000
давайте думать о том, почему он развился у нас.
00:42
Now you may reason that we have one
12
27000
2000
Вы можете рассуждать, что мозг у нас для того,
00:44
to perceive the world or to think,
13
29000
2000
чтобы воспринимать мир или думать,
00:46
and that's completely wrong.
14
31000
2000
и это совершенно неправильно.
00:48
If you think about this question for any length of time,
15
33000
3000
Если вы подумаете над этим вопросом некоторое время,
00:51
it's blindingly obvious why we have a brain.
16
36000
2000
станет абсолютно очевидно, почему у нас есть мозг.
00:53
We have a brain for one reason and one reason only,
17
38000
3000
У нас мозг только по одной простой причине:
00:56
and that's to produce adaptable and complex movements.
18
41000
3000
чтобы делать сложные движения.
00:59
There is no other reason to have a brain.
19
44000
2000
Нет никаких других причин иметь мозг.
01:01
Think about it.
20
46000
2000
Подумайте об этом.
01:03
Movement is the only way you have
21
48000
2000
Движение — единственный способ, который у вас есть,
01:05
of affecting the world around you.
22
50000
2000
чтобы оказать влияние на окружающую среду.
01:07
Now that's not quite true. There's one other way, and that's through sweating.
23
52000
3000
Это не совсем правда. Есть другой способ — потоотделение.
01:10
But apart from that,
24
55000
2000
Но кроме этого,
01:12
everything else goes through contractions of muscles.
25
57000
2000
всё остальное проходит через мышечные сокращения.
01:14
So think about communication --
26
59000
2000
Подумайте об общении —
01:16
speech, gestures, writing, sign language --
27
61000
3000
о речи, жестах, письме, языке жестов —
01:19
they're all mediated through contractions of your muscles.
28
64000
3000
все они опосредованы сокращениями ваших мышц.
01:22
So it's really important to remember
29
67000
2000
Поэтому очень важно помнить,
01:24
that sensory, memory and cognitive processes are all important,
30
69000
4000
что память, сенсорные и познавательные процессы — важны,
01:28
but they're only important
31
73000
2000
но они важны только для того,
01:30
to either drive or suppress future movements.
32
75000
2000
чтобы или приводить в действие или сдерживать будущие движения.
01:32
There can be no evolutionary advantage
33
77000
2000
Не может быть никакого эволюционного преимущества
01:34
to laying down memories of childhood
34
79000
2000
в детских воспоминаниях
01:36
or perceiving the color of a rose
35
81000
2000
или в восприятии цвета розы,
01:38
if it doesn't affect the way you're going to move later in life.
36
83000
3000
если это не влияет на ваш дальнейший путь.
01:41
Now for those who don't believe this argument,
37
86000
2000
Для тех, кто не согласен с этим аргументом,
01:43
we have trees and grass on our planet without the brain,
38
88000
2000
у нас есть деревья и трава, у которых нет мозга,
01:45
but the clinching evidence is this animal here --
39
90000
2000
но заключительное доказательство — вот это животное —
01:47
the humble sea squirt.
40
92000
2000
скромный морской шприц.
01:49
Rudimentary animal, has a nervous system,
41
94000
3000
Рудиментарное животное, с нервной системой,
01:52
swims around in the ocean in its juvenile life.
42
97000
2000
в своей юности плавает в океане.
01:54
And at some point of its life,
43
99000
2000
И в какой-то момент жизни
01:56
it implants on a rock.
44
101000
2000
оно прикрепляется к камню.
01:58
And the first thing it does in implanting on that rock, which it never leaves,
45
103000
3000
И первое, что оно делает, прикрепившись к камню навсегда —
02:01
is to digest its own brain and nervous system
46
106000
3000
переваривает свой мозг и нервную систему
02:04
for food.
47
109000
2000
как пищу.
02:06
So once you don't need to move,
48
111000
2000
Поэтому, как только вам больше не надо двигаться,
02:08
you don't need the luxury of that brain.
49
113000
3000
то вам больше не нужна роскошь мозга.
02:11
And this animal is often taken
50
116000
2000
И это животное часто берётся как аналогия того,
02:13
as an analogy to what happens at universities
51
118000
2000
что происходит в университетах,
02:15
when professors get tenure,
52
120000
2000
когда профессора получают пожизненный контракт,
02:17
but that's a different subject.
53
122000
2000
но это уже другой вопрос.
02:19
(Applause)
54
124000
2000
(Аплодисменты)
02:21
So I am a movement chauvinist.
55
126000
3000
Так что я шовинист движений.
02:24
I believe movement is the most important function of the brain --
56
129000
2000
Я верю, что движение — самая важная функция мозга,
02:26
don't let anyone tell you that it's not true.
57
131000
2000
и не позволяйте никому говорить вам, что это не правда.
02:28
Now if movement is so important,
58
133000
2000
Если движение так важно,
02:30
how well are we doing
59
135000
2000
насколько хорошо мы все понимаем,
02:32
understanding how the brain controls movement?
60
137000
2000
как мозг управляет движением?
02:34
And the answer is we're doing extremely poorly; it's a very hard problem.
61
139000
2000
Ответ такой — исключительно плохо. Это очень сложный вопрос.
02:36
But we can look at how well we're doing
62
141000
2000
Мы можем посмотреть, насколько хорошо осознаем это,
02:38
by thinking about how well we're doing building machines
63
143000
2000
размышляя о том, насколько хорошо создаём роботов,
02:40
which can do what humans can do.
64
145000
2000
которые могут делать то, что делают люди.
02:42
Think about the game of chess.
65
147000
2000
Подумайте об игре в шахматы.
02:44
How well are we doing determining what piece to move where?
66
149000
3000
Как хорошо мы определяем, куда какую фигуру двинуть?
02:47
If you pit Garry Kasparov here, when he's not in jail,
67
152000
3000
Если вы поставите Гарри Каспарова здесь, на свободе,
02:50
against IBM's Deep Blue,
68
155000
2000
против Deep Blue от IBM,
02:52
well the answer is IBM's Deep Blue will occasionally win.
69
157000
3000
то Deep Blue от IBM будет выигрывать время от времени.
02:55
And I think if IBM's Deep Blue played anyone in this room, it would win every time.
70
160000
3000
И, по-моему, если бы Deep Blue от IBM играл против кого-нибудь в этой комнате, он бы выигрывал каждый раз.
02:58
That problem is solved.
71
163000
2000
Задача решена.
03:00
What about the problem
72
165000
2000
Как насчёт задачи
03:02
of picking up a chess piece,
73
167000
2000
подбора шахматной фигуры,
03:04
dexterously manipulating it and putting it back down on the board?
74
169000
3000
ловкого манипулирования ею и опускания обратно на доску?
03:07
If you put a five year-old child's dexterity against the best robots of today,
75
172000
3000
Если вы возьмёте ловкость 5-летного ребёнка против лучших роботов на сегодня,
03:10
the answer is simple:
76
175000
2000
ответ простой:
03:12
the child wins easily.
77
177000
2000
ребёнок легко выигрывает.
03:14
There's no competition at all.
78
179000
2000
Совсем вне конкуренции.
03:16
Now why is that top problem so easy
79
181000
2000
Почему первая задача так проста,
03:18
and the bottom problem so hard?
80
183000
2000
а последняя так сложна?
03:20
One reason is a very smart five year-old
81
185000
2000
Одна причина — очень умный 5-летный ребёнок
03:22
could tell you the algorithm for that top problem --
82
187000
2000
может сказать вам алгоритм решения первой задачи:
03:24
look at all possible moves to the end of the game
83
189000
2000
посмотреть на все возможные ходы до конца игры
03:26
and choose the one that makes you win.
84
191000
2000
и определить выигрышный ход.
03:28
So it's a very simple algorithm.
85
193000
2000
Так что это очень простой алгоритм.
03:30
Now of course there are other moves,
86
195000
2000
Конечно, имеются другие ходы,
03:32
but with vast computers we approximate
87
197000
2000
но с помощью компьютеров мы
03:34
and come close to the optimal solution.
88
199000
2000
приближаемся к оптимальному решению.
03:36
When it comes to being dexterous,
89
201000
2000
Если речь идёт о ловкости, то даже не ясно,
03:38
it's not even clear what the algorithm is you have to solve to be dexterous.
90
203000
2000
какой алгоритм у вас есть, чтобы быть ловким.
03:40
And we'll see you have to both perceive and act on the world,
91
205000
2000
И мы понимаем, что надо и воспринимать и влиять на мир,
03:42
which has a lot of problems.
92
207000
2000
в котором много задач.
03:44
But let me show you cutting-edge robotics.
93
209000
2000
Позвольте показать вам передовую робототехнику.
03:46
Now a lot of robotics is very impressive,
94
211000
2000
Сейчас много очень впечатляющей робототехники,
03:48
but manipulation robotics is really just in the dark ages.
95
213000
3000
но управление роботами находится в средневековье.
03:51
So this is the end of a Ph.D. project
96
216000
2000
Это финал проекта аспиранта
03:53
from one of the best robotics institutes.
97
218000
2000
одного из лучших институтов робототехники.
03:55
And the student has trained this robot
98
220000
2000
Студент запрограммировал этого робота
03:57
to pour this water into a glass.
99
222000
2000
вылить воду в стакан.
03:59
It's a hard problem because the water sloshes about, but it can do it.
100
224000
3000
Это сложная задача, поскольку вода хлюпает, но робот справляется.
04:02
But it doesn't do it with anything like the agility of a human.
101
227000
3000
Но он не выполняет эту задачу с ловкостью человека.
04:05
Now if you want this robot to do a different task,
102
230000
3000
А если вы хотите, чтобы робот выполнил другое задание,
04:08
that's another three-year Ph.D. program.
103
233000
3000
это другая кандидатская диссертация.
04:11
There is no generalization at all
104
236000
2000
Нет никакого общего правила для перехода
04:13
from one task to another in robotics.
105
238000
2000
от одной задачи к другой в робототехнике.
04:15
Now we can compare this
106
240000
2000
Теперь мы можем сравнить это
04:17
to cutting-edge human performance.
107
242000
2000
с современной производительностью человека.
04:19
So what I'm going to show you is Emily Fox
108
244000
2000
Я собираюсь показать вам Эмили Фокс,
04:21
winning the world record for cup stacking.
109
246000
3000
когда она устанавливает рекорд в штабелировании чашек.
04:24
Now the Americans in the audience will know all about cup stacking.
110
249000
2000
Американцы в аудитории знают все про штабелирование чашек.
04:26
It's a high school sport
111
251000
2000
Это школьный вид спорта,
04:28
where you have 12 cups you have to stack and unstack
112
253000
2000
где вы должны уложить и разложить 12 чашек
04:30
against the clock in a prescribed order.
113
255000
2000
на время в установленном порядке.
04:32
And this is her getting the world record in real time.
114
257000
3000
Вот установка мирового рекорда в реальном времени.
04:39
(Laughter)
115
264000
8000
(Смех)
04:47
(Applause)
116
272000
5000
(Аплодисменты)
04:52
And she's pretty happy.
117
277000
2000
Она очень счастлива.
04:54
We have no idea what is going on inside her brain when she does that,
118
279000
2000
Мы не понимаем, что происходит в её мозгу,
04:56
and that's what we'd like to know.
119
281000
2000
когда она делает это, и это мы бы хотели узнать.
04:58
So in my group, what we try to do
120
283000
2000
В моей группе, мы разбираем то,
05:00
is reverse engineer how humans control movement.
121
285000
3000
как люди управляют движениями.
05:03
And it sounds like an easy problem.
122
288000
2000
Это выглядит лёгким делом.
05:05
You send a command down, it causes muscles to contract.
123
290000
2000
Вы отправляете сигнал, и он заставляет мышцы сокращаться.
05:07
Your arm or body moves,
124
292000
2000
Ваша рука или тело двигается,
05:09
and you get sensory feedback from vision, from skin, from muscles and so on.
125
294000
3000
и вы получаете ответный импульс от зрения, кожи, мышц и т.д.
05:12
The trouble is
126
297000
2000
Проблема в том, что эти импульсы
05:14
these signals are not the beautiful signals you want them to be.
127
299000
2000
не так красивы, как хотелось бы.
05:16
So one thing that makes controlling movement difficult
128
301000
2000
Одна вещь, которая усложняет управление движением,
05:18
is, for example, sensory feedback is extremely noisy.
129
303000
3000
это сильные шумы при обратной сенсорной связи.
05:21
Now by noise, I do not mean sound.
130
306000
3000
Под шумом я не имею в виду звук.
05:24
We use it in the engineering and neuroscience sense
131
309000
2000
В инженерном деле и нейробиологии этот термин
05:26
meaning a random noise corrupting a signal.
132
311000
2000
означает случайные помехи, препятствующие сигналу.
05:28
So the old days before digital radio when you were tuning in your radio
133
313000
3000
Так в эпоху до цифрового радио, когда при настройке радио
05:31
and you heard "crrcckkk" on the station you wanted to hear,
134
316000
2000
вы слышали «хрррр» на станции, которую хотели послушать,
05:33
that was the noise.
135
318000
2000
вот это называлось шумом.
05:35
But more generally, this noise is something that corrupts the signal.
136
320000
3000
Но в целом, этот шум искажает сигнал.
05:38
So for example, if you put your hand under a table
137
323000
2000
Например, если вы положите руку под стол
05:40
and try to localize it with your other hand,
138
325000
2000
и попытаетесь найти ее другой рукой,
05:42
you can be off by several centimeters
139
327000
2000
то вы можете ошибиться на несколько сантиметров
05:44
due to the noise in sensory feedback.
140
329000
2000
из-за помехи в обратной сенсорной связи.
05:46
Similarly, when you put motor output on movement output,
141
331000
2000
Подобным образом, когда вы выводите мощность двигателя на движение —
05:48
it's extremely noisy.
142
333000
2000
шума очень много.
05:50
Forget about trying to hit the bull's eye in darts,
143
335000
2000
Забудьте о попытках попасть в яблочко в дартс,
05:52
just aim for the same spot over and over again.
144
337000
2000
просто цельтесь в то же самое место снова и снова.
05:54
You have a huge spread due to movement variability.
145
339000
3000
Вас ждёт огромное рассеивание из-за непостоянства движения.
05:57
And more than that, the outside world, or task,
146
342000
2000
И более того, внешний мир, или задача являются
05:59
is both ambiguous and variable.
147
344000
2000
одновременно двусмысленными и изменчивыми.
06:01
The teapot could be full, it could be empty.
148
346000
2000
Чайник может быть полным, может быть пустым.
06:03
It changes over time.
149
348000
2000
Это меняется с течением времени.
06:05
So we work in a whole sensory movement task soup of noise.
150
350000
4000
Так что мы работаем в супе из помех сенсорных задач движений.
06:09
Now this noise is so great
151
354000
2000
Этот шум великолепен,
06:11
that society places a huge premium
152
356000
2000
общество присуждает огромные премии тем из нас,
06:13
on those of us who can reduce the consequences of noise.
153
358000
3000
кто может уменьшить его последствия.
06:16
So if you're lucky enough to be able to knock a small white ball
154
361000
3000
Так что если вам повезёт попасть маленьким белым шариком в лунку
06:19
into a hole several hundred yards away using a long metal stick,
155
364000
3000
на расстоянии в несколько сотен метров, используя длинную металлическую палку,
06:22
our society will be willing to reward you
156
367000
2000
наше общество будет готово вознаградить вас
06:24
with hundreds of millions of dollars.
157
369000
3000
сотнями миллионов долларов.
06:27
Now what I want to convince you of
158
372000
2000
Я хочу убедить вас в том,
06:29
is the brain also goes through a lot of effort
159
374000
2000
что мозг всегда проходит через множество усилий,
06:31
to reduce the negative consequences
160
376000
2000
чтобы уменьшить негативные последствия
06:33
of this sort of noise and variability.
161
378000
2000
такого рода шума и изменчивости.
06:35
And to do that, I'm going to tell you about a framework
162
380000
2000
Для этого я собираюсь рассказать вам о системе,
06:37
which is very popular in statistics and machine learning of the last 50 years
163
382000
3000
которая очень популярна в области статистики и машинного обучения в течение последних 50 лет,
06:40
called Bayesian decision theory.
164
385000
2000
называемой Байесовской теорией принятия решений.
06:42
And it's more recently a unifying way
165
387000
3000
И с недавних пор это единый способ размышлять о том,
06:45
to think about how the brain deals with uncertainty.
166
390000
3000
как мозг поступает с неопределённостью.
06:48
And the fundamental idea is you want to make inferences and then take actions.
167
393000
3000
Основная идея — вы хотите сделать выводы и потом принять меры.
06:51
So let's think about the inference.
168
396000
2000
Давайте подумаем о выводе.
06:53
You want to generate beliefs about the world.
169
398000
2000
Вы хотите создать убеждения о мире.
06:55
So what are beliefs?
170
400000
2000
Что такое убеждения?
06:57
Beliefs could be: where are my arms in space?
171
402000
2000
Убеждениями могут быть: где расположены мои руки в пространстве?
06:59
Am I looking at a cat or a fox?
172
404000
2000
Я смотрю на кошку или лису?
07:01
But we're going to represent beliefs with probabilities.
173
406000
3000
Но мы собираемся формулировать убеждения с вероятностями.
07:04
So we're going to represent a belief
174
409000
2000
Мы собираемся представлять убеждение
07:06
with a number between zero and one --
175
411000
2000
с числом от 0 до 1.
07:08
zero meaning I don't believe it at all, one means I'm absolutely certain.
176
413000
3000
0 — я не верю вообще, 1 — я абсолютно уверен.
07:11
And numbers in between give you the gray levels of uncertainty.
177
416000
3000
Промежуточные числа дают вам серые уровни неопределённости.
07:14
And the key idea to Bayesian inference
178
419000
2000
Ключевая идея Байесовского предположения в том,
07:16
is you have two sources of information
179
421000
2000
что у вас есть два источника информации,
07:18
from which to make your inference.
180
423000
2000
с помощью которых можно сделать вывод.
07:20
You have data,
181
425000
2000
У вас есть данные,
07:22
and data in neuroscience is sensory input.
182
427000
2000
и в нейробиологии это сенсорные исходные данные.
07:24
So I have sensory input, which I can take in to make beliefs.
183
429000
3000
Применив сенсорные исходные данные, я могу получить убеждение.
07:27
But there's another source of information, and that's effectively prior knowledge.
184
432000
3000
Но есть и другой источник информации: предшествующие знания.
07:30
You accumulate knowledge throughout your life in memories.
185
435000
3000
Вы накапливаете знание в памяти в течении жизни .
07:33
And the point about Bayesian decision theory
186
438000
2000
Суть Байесовской теории принятия решений в том,
07:35
is it gives you the mathematics
187
440000
2000
что она даёт вам математику
07:37
of the optimal way to combine
188
442000
2000
для объединения предварительных знаний
07:39
your prior knowledge with your sensory evidence
189
444000
2000
с сенсорными данными для создания
07:41
to generate new beliefs.
190
446000
2000
новых мнений оптимальным путём.
07:43
And I've put the formula up there.
191
448000
2000
Я привёл формулу.
07:45
I'm not going to explain what that formula is, but it's very beautiful.
192
450000
2000
Я не буду объяснять, что это за формула, но она прекрасна.
07:47
And it has real beauty and real explanatory power.
193
452000
3000
Она красива и многое объясняет.
07:50
And what it really says, and what you want to estimate,
194
455000
2000
И то о чем она говорит, и то, что вы хотите рассчитать,
07:52
is the probability of different beliefs
195
457000
2000
это вероятность различных мнений,
07:54
given your sensory input.
196
459000
2000
дающая вам исходные сенсорные данные.
07:56
So let me give you an intuitive example.
197
461000
2000
Позвольте привести наглядный пример.
07:58
Imagine you're learning to play tennis
198
463000
3000
Представьте, вы учитесь играть в теннис,
08:01
and you want to decide where the ball is going to bounce
199
466000
2000
и вы хотите определить, в каком месте отскочит мяч
08:03
as it comes over the net towards you.
200
468000
2000
при направлении его к вам от сетки.
08:05
There are two sources of information
201
470000
2000
Есть два источника информации,
08:07
Bayes' rule tells you.
202
472000
2000
об этом говорит правило Байеса.
08:09
There's sensory evidence -- you can use visual information auditory information,
203
474000
3000
Сенсорные данные — можно использовать визуальную и слуховую информацию,
08:12
and that might tell you it's going to land in that red spot.
204
477000
3000
могут сказать вам, что он собирается приземлиться в ту красную зону.
08:15
But you know that your senses are not perfect,
205
480000
3000
Но вы знаете, что ваши чувства не идеальны,
08:18
and therefore there's some variability of where it's going to land
206
483000
2000
следовательно, есть некоторая изменчивость, где он собирается приземлиться,
08:20
shown by that cloud of red,
207
485000
2000
показанная тем красным облаком,
08:22
representing numbers between 0.5 and maybe 0.1.
208
487000
3000
представляя числа между 0,5 и возможно 0,1.
08:26
That information is available in the current shot,
209
491000
2000
Эта информация пригодна в текущем кадре,
08:28
but there's another source of information
210
493000
2000
но есть другой источник информации,
08:30
not available on the current shot,
211
495000
2000
не в текущем кадре, а получаемый
08:32
but only available by repeated experience in the game of tennis,
212
497000
3000
только из опыта игры в теннис,
08:35
and that's that the ball doesn't bounce
213
500000
2000
и это то, что мяч не скачет
08:37
with equal probability over the court during the match.
214
502000
2000
с равной вероятностью по корту во время матча.
08:39
If you're playing against a very good opponent,
215
504000
2000
Если вы играете против очень хорошего соперника,
08:41
they may distribute it in that green area,
216
506000
2000
они могут послать его в эту зелёную область,
08:43
which is the prior distribution,
217
508000
2000
которая является предраспределением,
08:45
making it hard for you to return.
218
510000
2000
делая ответ сложным для вас.
08:47
Now both these sources of information carry important information.
219
512000
2000
Оба эти источника информации важны.
08:49
And what Bayes' rule says
220
514000
2000
Правило Байеса говорит,
08:51
is that I should multiply the numbers on the red by the numbers on the green
221
516000
3000
что я должен умножить красные числа на зелёные числа,
08:54
to get the numbers of the yellow, which have the ellipses,
222
519000
3000
получить жёлтые числа, у которых есть эллипсы,
08:57
and that's my belief.
223
522000
2000
это моё убеждение.
08:59
So it's the optimal way of combining information.
224
524000
3000
Так что это оптимальный способ объединения информации.
09:02
Now I wouldn't tell you all this if it wasn't that a few years ago,
225
527000
2000
Я бы не рассказывал вам всё это, если бы несколько лет назад
09:04
we showed this is exactly what people do
226
529000
2000
мы не показали что это именно то, что делают люди,
09:06
when they learn new movement skills.
227
531000
2000
когда учат новые движения.
09:08
And what it means
228
533000
2000
Это значит, что мы действительно
09:10
is we really are Bayesian inference machines.
229
535000
2000
Байесовские машины логического вывода.
09:12
As we go around, we learn about statistics of the world and lay that down,
230
537000
4000
Мы ходим вокруг, познаем статистику мира
09:16
but we also learn
231
541000
2000
и формулируем её, но мы также познаем,
09:18
about how noisy our own sensory apparatus is,
232
543000
2000
насколько шумны наши чувства,
09:20
and then combine those
233
545000
2000
чтобы затем объединить их
09:22
in a real Bayesian way.
234
547000
2000
настоящим Байесовским способом.
09:24
Now a key part to the Bayesian is this part of the formula.
235
549000
3000
Ключевая часть Байесовской теории в этой части формулы.
09:27
And what this part really says
236
552000
2000
Это часть говорит о том,
09:29
is I have to predict the probability
237
554000
2000
что я должен предсказывать вероятность
09:31
of different sensory feedbacks
238
556000
2000
различных обратных сенсорных связей,
09:33
given my beliefs.
239
558000
2000
учитывая мои убеждения.
09:35
So that really means I have to make predictions of the future.
240
560000
3000
Это значит, что я должен предсказать будущее.
09:38
And I want to convince you the brain does make predictions
241
563000
2000
Я хочу убедить вас, что мозг предсказывает
09:40
of the sensory feedback it's going to get.
242
565000
2000
обратную сенсорную связь, которую вы получите.
09:42
And moreover, it profoundly changes your perceptions
243
567000
2000
Более того, она глубоко меняет
09:44
by what you do.
244
569000
2000
ваше восприятие того, чем вы занимаетесь.
09:46
And to do that, I'll tell you
245
571000
2000
Для этого я расскажу вам о том,
09:48
about how the brain deals with sensory input.
246
573000
2000
как мозг работает с исходными сенсорными данными.
09:50
So you send a command out,
247
575000
3000
Вы посылаете команду,
09:53
you get sensory feedback back,
248
578000
2000
получаете обратную сенсорную связь,
09:55
and that transformation is governed
249
580000
2000
и это преобразование регулируется
09:57
by the physics of your body and your sensory apparatus.
250
582000
3000
физикой вашего тела и сенсорным аппаратом.
10:00
But you can imagine looking inside the brain.
251
585000
2000
Представьте, что вы смотрите внутрь мозга.
10:02
And here's inside the brain.
252
587000
2000
Вы внутри мозга.
10:04
You might have a little predictor, a neural simulator,
253
589000
2000
Возможно, вам понадобится маленький предсказатель,
10:06
of the physics of your body and your senses.
254
591000
2000
нейросимулятор физики вашего тела и ваших ощущений.
10:08
So as you send a movement command down,
255
593000
2000
При посылке команды вниз,
10:10
you tap a copy of that off
256
595000
2000
вы перехватываете её копию,
10:12
and run it into your neural simulator
257
597000
2000
направляете в свой нервный симулятор
10:14
to anticipate the sensory consequences of your actions.
258
599000
4000
для предвидения сенсорных последствий своих действий.
10:18
So as I shake this ketchup bottle,
259
603000
2000
Если я трясу эту бутылку кетчупа, я получаю
10:20
I get some true sensory feedback as the function of time in the bottom row.
260
605000
3000
настоящую сенсорную обратную связь как функцию времени в нижнем ряду.
10:23
And if I've got a good predictor, it predicts the same thing.
261
608000
3000
Если мой предсказатель хорош, он скажет то же самое.
10:26
Well why would I bother doing that?
262
611000
2000
Так зачем мне суетиться, делая это?
10:28
I'm going to get the same feedback anyway.
263
613000
2000
Все равно получу такую же обратную связь.
10:30
Well there's good reasons.
264
615000
2000
На это есть веские причины.
10:32
Imagine, as I shake the ketchup bottle,
265
617000
2000
Представьте, когда я трясу бутылку кетчупа,
10:34
someone very kindly comes up to me and taps it on the back for me.
266
619000
3000
кто-то очень добрый подходит ко мне и стучит ею по спине.
10:37
Now I get an extra source of sensory information
267
622000
2000
Теперь я получаю дополнительный источник информации
10:39
due to that external act.
268
624000
2000
благодаря внешнему действию.
10:41
So I get two sources.
269
626000
2000
У меня два источника.
10:43
I get you tapping on it, and I get me shaking it,
270
628000
3000
Путем постукивания и путем встряхивания,
10:46
but from my senses' point of view,
271
631000
2000
но с точки зрения моих чувств,
10:48
that is combined together into one source of information.
272
633000
3000
это объединено в один источник информации.
10:51
Now there's good reason to believe
273
636000
2000
Есть все основания полагать,
10:53
that you would want to be able to distinguish external events from internal events.
274
638000
3000
что вы хотели бы иметь возможность отличать внешние события от внутренних.
10:56
Because external events are actually much more behaviorally relevant
275
641000
3000
Потому что внешние события на самом деле больше поведенческие
10:59
than feeling everything that's going on inside my body.
276
644000
3000
по сравнению с ощущением того, что происходит внутри моего тела.
11:02
So one way to reconstruct that
277
647000
2000
Один способ пересмотреть это —
11:04
is to compare the prediction --
278
649000
2000
сравнить предсказание,
11:06
which is only based on your movement commands --
279
651000
2000
которое базируется только на ваших движениях —
11:08
with the reality.
280
653000
2000
с реальностью.
11:10
Any discrepancy should hopefully be external.
281
655000
3000
Любое несоответствие должно быть внешним.
11:13
So as I go around the world,
282
658000
2000
Я осматриваюсь вокруг, делаю прогнозы того,
11:15
I'm making predictions of what I should get, subtracting them off.
283
660000
3000
что должен получить, вычитаю их.
11:18
Everything left over is external to me.
284
663000
2000
Все, что осталось, является внешним для меня.
11:20
What evidence is there for this?
285
665000
2000
Каковы доказательства этого?
11:22
Well there's one very clear example
286
667000
2000
Есть один яркий пример,
11:24
where a sensation generated by myself feels very different
287
669000
2000
где ощущения, порождённые мной, ощущаются не так,
11:26
then if generated by another person.
288
671000
2000
как если бы они были вызваны другим человеком.
11:28
And so we decided the most obvious place to start
289
673000
2000
Поэтому мы решили,
11:30
was with tickling.
290
675000
2000
что очевиднее всего начать со щекотки.
11:32
It's been known for a long time, you can't tickle yourself
291
677000
2000
Она известна достаточно давно, вы можете пощекотать себя,
11:34
as well as other people can.
292
679000
2000
также как и другие люди могут.
11:36
But it hasn't really been shown, it's because you have a neural simulator,
293
681000
3000
Но в действительности это не было показано, потому что у вас есть нейронный симулятор,
11:39
simulating your own body
294
684000
2000
имитирующий ваше тело
11:41
and subtracting off that sense.
295
686000
2000
и отнимающий это ощущение.
11:43
So we can bring the experiments of the 21st century
296
688000
3000
Для решения этой задачи мы применим
11:46
by applying robotic technologies to this problem.
297
691000
3000
технологии робототехники 21-го века.
11:49
And in effect, what we have is some sort of stick in one hand attached to a robot,
298
694000
3000
По сути, у нас есть несколько видов палок на одной руке робота,
11:52
and they're going to move that back and forward.
299
697000
2000
и они будут двигаться вперёд и назад.
11:54
And then we're going to track that with a computer
300
699000
2000
Мы будем отслеживать это на компьютере,
11:56
and use it to control another robot,
301
701000
2000
а также контролировать другого робота,
11:58
which is going to tickle their palm with another stick.
302
703000
2000
который будет щекотать ладони другой палкой.
12:00
And then we're going to ask them to rate a bunch of things
303
705000
2000
Затем мы будем просить их оценить кучу вещей,
12:02
including ticklishness.
304
707000
2000
включая щекотливость.
12:04
I'll show you just one part of our study.
305
709000
2000
Я покажу вам одну часть нашего исследования.
12:06
And here I've taken away the robots,
306
711000
2000
Здесь я убрал роботов,
12:08
but basically people move with their right arm sinusoidally back and forward.
307
713000
3000
здесь люди двигают правую руку синусоидально вперёд и назад.
12:11
And we replay that to the other hand with a time delay.
308
716000
3000
Мы повторяем это с другой рукой через некоторое время.
12:14
Either no time delay,
309
719000
2000
Либо без временной задержки,
12:16
in which case light would just tickle your palm,
310
721000
2000
в случае которой свет будет щекотать вашу ладонь,
12:18
or with a time delay of two-tenths of three-tenths of a second.
311
723000
4000
или с временной задержкой в две или три десятых секунды.
12:22
So the important point here
312
727000
2000
Важный момент здесь это то,
12:24
is the right hand always does the same things -- sinusoidal movement.
313
729000
3000
что правая рука всегда делает то же синусоидальное движение.
12:27
The left hand always is the same and puts sinusoidal tickle.
314
732000
3000
Левая рука двигается так же и делает синусоидальную щекотку.
12:30
All we're playing with is a tempo causality.
315
735000
2000
Всё с чем мы играем — временная причинность.
12:32
And as we go from naught to 0.1 second,
316
737000
2000
Если переходим от нуля до 0,1 секунды,
12:34
it becomes more ticklish.
317
739000
2000
это становиться более щекотно.
12:36
As you go from 0.1 to 0.2,
318
741000
2000
Если переходим от 0,1 до 0,2,
12:38
it becomes more ticklish at the end.
319
743000
2000
становится более щекотно в конце.
12:40
And by 0.2 of a second,
320
745000
2000
И на 0,2 секунды
12:42
it's equivalently ticklish
321
747000
2000
нет разницы с тем,
12:44
to the robot that just tickled you without you doing anything.
322
749000
2000
если бы робот щекотал самостоятельно.
12:46
So whatever is responsible for this cancellation
323
751000
2000
Всё что ответственно за это аннулирование
12:48
is extremely tightly coupled with tempo causality.
324
753000
3000
очень тесно связано с временной причинностью.
12:51
And based on this illustration, we really convinced ourselves in the field
325
756000
3000
На этом примере мы действительно убедились,
12:54
that the brain's making precise predictions
326
759000
2000
что мозг делает точные прогнозы
12:56
and subtracting them off from the sensations.
327
761000
3000
и вычитает их посредством наших ощущений.
12:59
Now I have to admit, these are the worst studies my lab has ever run.
328
764000
3000
Я должен признаться — это худшие исследования моей лаборатории,
13:02
Because the tickle sensation on the palm comes and goes,
329
767000
2000
потому что ощущение щекотки на ладони приходит и уходит,
13:04
you need large numbers of subjects
330
769000
2000
нужно большое количество подопытных
13:06
with these stars making them significant.
331
771000
2000
для придания эксперименту значимости.
13:08
So we were looking for a much more objective way
332
773000
2000
Так что мы искали более объективный способ
13:10
to assess this phenomena.
333
775000
2000
оценки этого феномена.
13:12
And in the intervening years I had two daughters.
334
777000
2000
За прошедшие годы у меня появились 2 дочери.
13:14
And one thing you notice about children in backseats of cars on long journeys,
335
779000
3000
А при дальних поездках в машине в детских сиденьях
13:17
they get into fights --
336
782000
2000
дети затевают драки, которые начинаются,
13:19
which started with one of them doing something to the other, the other retaliating.
337
784000
3000
когда один что-то делает другому, а тот отвечает.
13:22
It quickly escalates.
338
787000
2000
Это быстро обостряется.
13:24
And children tend to get into fights which escalate in terms of force.
339
789000
3000
Дети склонны к усиливающимся со временем дракам.
13:27
Now when I screamed at my children to stop,
340
792000
2000
Иногда, когда я кричал на них,
13:29
sometimes they would both say to me
341
794000
2000
чтобы остановить, оба жаловались,
13:31
the other person hit them harder.
342
796000
3000
что другой бил сильнее.
13:34
Now I happen to know my children don't lie,
343
799000
2000
Как оказалось, мои дети не врут.
13:36
so I thought, as a neuroscientist,
344
801000
2000
Поэтому, будучи нейробиологом,
13:38
it was important how I could explain
345
803000
2000
мне было важно объяснить
13:40
how they were telling inconsistent truths.
346
805000
2000
несоответствие их высказываний.
13:42
And we hypothesize based on the tickling study
347
807000
2000
Мы предполагаем, основываясь на исследованиях щекотки,
13:44
that when one child hits another,
348
809000
2000
что когда один ребёнок бьёт другого,
13:46
they generate the movement command.
349
811000
2000
они порождают команду на движение.
13:48
They predict the sensory consequences and subtract it off.
350
813000
3000
Они предсказывают сенсорные последствия и вычитают их.
13:51
So they actually think they've hit the person less hard than they have --
351
816000
2000
Они думают, что бьют слабее, чем на самом деле —
13:53
rather like the tickling.
352
818000
2000
как со щекоткой.
13:55
Whereas the passive recipient
353
820000
2000
А в то время пассивный получатель
13:57
doesn't make the prediction, feels the full blow.
354
822000
2000
не делает прогнозы и чувствует полный удар.
13:59
So if they retaliate with the same force,
355
824000
2000
Если они отвечают с такой же силой,
14:01
the first person will think it's been escalated.
356
826000
2000
то первый подумает, что был ударен сильнее.
14:03
So we decided to test this in the lab.
357
828000
2000
Мы решили протестировать это в лаборатории.
14:05
(Laughter)
358
830000
3000
(Смех)
14:08
Now we don't work with children, we don't work with hitting,
359
833000
2000
Теперь мы не работаем с детьми, с ударами,
14:10
but the concept is identical.
360
835000
2000
но суть та же самая.
14:12
We bring in two adults. We tell them they're going to play a game.
361
837000
3000
Мы взяли двух взрослых и сказали, что они будут играть.
14:15
And so here's player one and player two sitting opposite to each other.
362
840000
2000
Вот первый игрок и второй, сидят друг напротив друга.
14:17
And the game is very simple.
363
842000
2000
Игра очень проста.
14:19
We started with a motor
364
844000
2000
Мы начали с двигателя
14:21
with a little lever, a little force transfuser.
365
846000
2000
с небольшим рычагом малой мощности.
14:23
And we use this motor to apply force down to player one's fingers
366
848000
2000
Мотор действует на один из пальцев игрока
14:25
for three seconds and then it stops.
367
850000
3000
в течение трёх секунд, а потом останавливаемся.
14:28
And that player's been told, remember the experience of that force
368
853000
3000
Игроку говорят, чтобы он запомнил ощущение этой силы
14:31
and use your other finger
369
856000
2000
и использовал свой другой палец,
14:33
to apply the same force
370
858000
2000
чтобы применить такую же силу на палец другого объекта
14:35
down to the other subject's finger through a force transfuser -- and they do that.
371
860000
3000
через датчик силы — они это сделали.
14:38
And player two's been told, remember the experience of that force.
372
863000
3000
Второму игроку было сказано запомнить ощущение силы
14:41
Use your other hand to apply the force back down.
373
866000
3000
и использовать другую руку для применения силы.
14:44
And so they take it in turns
374
869000
2000
Они по очереди
14:46
to apply the force they've just experienced back and forward.
375
871000
2000
применяли силу, которую запомнили.
14:48
But critically,
376
873000
2000
Но важно то, что они ознакомлены
14:50
they're briefed about the rules of the game in separate rooms.
377
875000
3000
с правилами игры, находясь в разных комнатах.
14:53
So they don't know the rules the other person's playing by.
378
878000
2000
Они не знают, по каким правилам играет человек.
14:55
And what we've measured
379
880000
2000
Мы увидели,
14:57
is the force as a function of terms.
380
882000
2000
что сила зависит от условий.
14:59
And if we look at what we start with,
381
884000
2000
Если мы посмотрим на то, с чего начали,
15:01
a quarter of a Newton there, a number of turns,
382
886000
2000
с ¼ Ньютона, это число оборотов,
15:03
perfect would be that red line.
383
888000
2000
идеальной будет эта красная линия.
15:05
And what we see in all pairs of subjects is this --
384
890000
3000
Во всех парах подопытных мы видим
15:08
a 70 percent escalation in force
385
893000
2000
70 процентов увеличения силы
15:10
on each go.
386
895000
2000
на каждом ходу.
15:12
So it really suggests, when you're doing this --
387
897000
2000
Предполагается, что когда вы делаете это —
15:14
based on this study and others we've done --
388
899000
2000
основываясь на этих и других наших исследованиях —
15:16
that the brain is canceling the sensory consequences
389
901000
2000
мозг гасит сенсорные последствия
15:18
and underestimating the force it's producing.
390
903000
2000
и недооценивает силу, которую производит.
15:20
So it re-shows the brain makes predictions
391
905000
2000
Это ещё раз показывает, что мозг делает прогнозы
15:22
and fundamentally changes the precepts.
392
907000
3000
и принципиально меняет предписания.
15:25
So we've made inferences, we've done predictions,
393
910000
3000
Мы сделали выводы, мы сделали прогнозы,
15:28
now we have to generate actions.
394
913000
2000
теперь необходимо произвести действия.
15:30
And what Bayes' rule says is, given my beliefs,
395
915000
2000
Правило Байеса говорит, учитывая мои убеждения,
15:32
the action should in some sense be optimal.
396
917000
2000
действия должны быть оптимальными.
15:34
But we've got a problem.
397
919000
2000
Но у нас есть проблема.
15:36
Tasks are symbolic -- I want to drink, I want to dance --
398
921000
3000
Задачи символичные — я хочу пить, я хочу танцевать —
15:39
but the movement system has to contract 600 muscles
399
924000
2000
а двигательная система должна сокращать 600 мышц
15:41
in a particular sequence.
400
926000
2000
в определённой последовательности.
15:43
And there's a big gap
401
928000
2000
Есть большая разница
15:45
between the task and the movement system.
402
930000
2000
между задачей и двигательной системой.
15:47
So it could be bridged in infinitely many different ways.
403
932000
2000
Она может быть преодолена по-разному.
15:49
So think about just a point to point movement.
404
934000
2000
Подумайте, как направить движение.
15:51
I could choose these two paths
405
936000
2000
Я мог бы выбрать эти две траектории
15:53
out of an infinite number of paths.
406
938000
2000
из бесконечного множества путей.
15:55
Having chosen a particular path,
407
940000
2000
Выбрав особую траекторию,
15:57
I can hold my hand on that path
408
942000
2000
я могу вести свою руку по этому курсу
15:59
as infinitely many different joint configurations.
409
944000
2000
бесконечным множеством вариантов сгибов.
16:01
And I can hold my arm in a particular joint configuration
410
946000
2000
Я могу сгибать руку по-разному,
16:03
either very stiff or very relaxed.
411
948000
2000
как легко, так и напряжённо.
16:05
So I have a huge amount of choice to make.
412
950000
3000
Так что у меня огромный выбор.
16:08
Now it turns out, we are extremely stereotypical.
413
953000
3000
Оказывается, мы очень стереотипные.
16:11
We all move the same way pretty much.
414
956000
3000
Мы всегда двигаемся одинаково.
16:14
And so it turns out we're so stereotypical,
415
959000
2000
И получается, что мы так стереотипны,
16:16
our brains have got dedicated neural circuitry
416
961000
2000
что наш мозг получил отдельную нервную систему
16:18
to decode this stereotyping.
417
963000
2000
для декодирования этого стереотипирования.
16:20
So if I take some dots
418
965000
2000
Если я возьму некоторые точки
16:22
and set them in motion with biological motion,
419
967000
3000
и приведу их в движение биологическим путём,
16:25
your brain's circuitry would understand instantly what's going on.
420
970000
3000
ваш мозг поймёт мгновенно, что происходит.
16:28
Now this is a bunch of dots moving.
421
973000
2000
Это куча движущихся точек.
16:30
You will know what this person is doing,
422
975000
3000
Вы будете знать, что этот человек делает,
16:33
whether happy, sad, old, young -- a huge amount of information.
423
978000
3000
будь он счастлив, печален, стар, молод — огромное количество информации.
16:36
If these dots were cars going on a racing circuit,
424
981000
2000
Если бы эти точки были автомобилями, мчащиеся по гоночной трассе,
16:38
you would have absolutely no idea what's going on.
425
983000
3000
у вас бы не было никакого понятия, что происходит.
16:41
So why is it
426
986000
2000
Так почему мы передвигаемся
16:43
that we move the particular ways we do?
427
988000
2000
определённым способом?
16:45
Well let's think about what really happens.
428
990000
2000
Давайте подумаем над тем, что в действительности происходит.
16:47
Maybe we don't all quite move the same way.
429
992000
3000
Может, мы не все движемся одинаково.
16:50
Maybe there's variation in the population.
430
995000
2000
Возможно, есть изменения.
16:52
And maybe those who move better than others
431
997000
2000
Возможно те, кто двигаются лучше, чем другие,
16:54
have got more chance of getting their children into the next generation.
432
999000
2000
имеют больше шансов увидеть внуков.
16:56
So in evolutionary scales, movements get better.
433
1001000
3000
Так что движение эволюционирует.
16:59
And perhaps in life, movements get better through learning.
434
1004000
3000
Возможно, в жизни, движения совершенствуются путём обучения.
17:02
So what is it about a movement which is good or bad?
435
1007000
2000
Так что же в движении хорошо и что плохо?
17:04
Imagine I want to intercept this ball.
436
1009000
2000
Представьте, я хочу перехватить этот мяч.
17:06
Here are two possible paths to that ball.
437
1011000
3000
Есть два возможных пути к этому мячу.
17:09
Well if I choose the left-hand path,
438
1014000
2000
Если я выберу путь левой руки,
17:11
I can work out the forces required
439
1016000
2000
я могу рассчитать силу,
17:13
in one of my muscles as a function of time.
440
1018000
2000
требуемую мышцам, как функцию времени.
17:15
But there's noise added to this.
441
1020000
2000
Но к этому добавится помеха.
17:17
So what I actually get, based on this lovely, smooth, desired force,
442
1022000
3000
Что же я получаю, основываясь на этой прекрасной, гладкой, желанной силе,
17:20
is a very noisy version.
443
1025000
2000
это очень шумный вариант.
17:22
So if I pick the same command through many times,
444
1027000
3000
Если я буду часто давать одну команду,
17:25
I will get a different noisy version each time, because noise changes each time.
445
1030000
3000
шум будет разным каждый раз.
17:28
So what I can show you here
446
1033000
2000
Я могу показать вам,
17:30
is how the variability of the movement will evolve
447
1035000
2000
как разнообразие движения будет развиваться,
17:32
if I choose that way.
448
1037000
2000
если выберу этот способ.
17:34
If I choose a different way of moving -- on the right for example --
449
1039000
3000
Если я выберу другой способ движения, справа например,
17:37
then I'll have a different command, different noise,
450
1042000
2000
у меня будет другая команда, другой шум,
17:39
playing through a noisy system, very complicated.
451
1044000
3000
воспроизводить через шумную систему достаточно сложно.
17:42
All we can be sure of is the variability will be different.
452
1047000
3000
Мы можем быть уверены, что изменчивость будет непохожей.
17:45
If I move in this particular way,
453
1050000
2000
Если я подвигаюсь определённым образом,
17:47
I end up with a smaller variability across many movements.
454
1052000
3000
я получу меньшую изменчивость во многих движениях.
17:50
So if I have to choose between those two,
455
1055000
2000
Если мне нужно выбрать между теми двумя,
17:52
I would choose the right one because it's less variable.
456
1057000
2000
я выбрал бы правый, потому что менее изменчивый.
17:54
And the fundamental idea
457
1059000
2000
Основная идея —
17:56
is you want to plan your movements
458
1061000
2000
спланировать свои движения так,
17:58
so as to minimize the negative consequence of the noise.
459
1063000
3000
чтобы минимизировать негативные последствия шума.
18:01
And one intuition to get
460
1066000
2000
Одна возможная догадка в том,
18:03
is actually the amount of noise or variability I show here
461
1068000
2000
что количество шума,
18:05
gets bigger as the force gets bigger.
462
1070000
2000
увеличивается с увеличением силы.
18:07
So you want to avoid big forces as one principle.
463
1072000
3000
В принципе, вы хотите избежать больших сил.
18:10
So we've shown that using this,
464
1075000
2000
Мы показали, что используя это,
18:12
we can explain a huge amount of data --
465
1077000
2000
мы можем объяснить огромное количество данных —
18:14
that exactly people are going about their lives planning movements
466
1079000
3000
что в жизни люди пытаются планировать движения,
18:17
so as to minimize negative consequences of noise.
467
1082000
3000
чтобы минимизировать отрицательные последствия шума.
18:20
So I hope I've convinced you the brain is there
468
1085000
2000
Надеюсь, я убедил вас, что мозг
18:22
and evolved to control movement.
469
1087000
2000
эволюционировал для контроля движений.
18:24
And it's an intellectual challenge to understand how we do that.
470
1089000
3000
Это интеллектуальный вызов, чтобы понять, как мы это делаем.
18:27
But it's also relevant
471
1092000
2000
Это также имеет отношение
18:29
for disease and rehabilitation.
472
1094000
2000
к болезням и реабилитации.
18:31
There are many diseases which effect movement.
473
1096000
3000
Есть много болезней, которые воздействуют на движение.
18:34
And hopefully if we understand how we control movement,
474
1099000
2000
Если мы поймём, как мы контролируем движение,
18:36
we can apply that to robotic technology.
475
1101000
2000
мы можем применить это к робототехнике.
18:38
And finally, I want to remind you,
476
1103000
2000
Наконец, я хочу напомнить вам,
18:40
when you see animals do what look like very simple tasks,
477
1105000
2000
что когда вы видите животных, выполняющих простые задачи,
18:42
the actual complexity of what is going on inside their brain
478
1107000
2000
настоящая сложность того, что происходит внутри их мозга
18:44
is really quite dramatic.
479
1109000
2000
на самом деле весьма драматична.
18:46
Thank you very much.
480
1111000
2000
Спасибо вам большое.
18:48
(Applause)
481
1113000
8000
(Аплодисменты)
18:56
Chris Anderson: Quick question for you, Dan.
482
1121000
2000
Крис Андерсон: Маленький вопрос, Дэн.
18:58
So you're a movement -- (DW: Chauvinist.) -- chauvinist.
483
1123000
4000
Значит вы шовинист движения.
19:02
Does that mean that you think that the other things we think our brains are about --
484
1127000
3000
Означает ли это, что вы думаете то, что другие вещи, о которых думает наш мозг —
19:05
the dreaming, the yearning, the falling in love and all these things --
485
1130000
3000
мечтание, тоска, влюблённость, все эти вещи —
19:08
are a kind of side show, an accident?
486
1133000
3000
пустяк, случайность?
19:11
DW: No, no, actually I think they're all important
487
1136000
2000
ДУ: Нет, нет, на самом деле я думаю, они все важны,
19:13
to drive the right movement behavior to get reproduction in the end.
488
1138000
3000
чтобы в итоге привести к правильным движениям с целью размножения.
19:16
So I think people who study sensation or memory
489
1141000
3000
Я думаю, что люди, которые изучают ощущения или память
19:19
without realizing why you're laying down memories of childhood.
490
1144000
2000
не понимают то, почему вы запоминаете детство.
19:21
The fact that we forget most of our childhood, for example,
491
1146000
3000
Например то, что мы забываем б́ольшую часть детства,
19:24
is probably fine, because it doesn't effect our movements later in life.
492
1149000
3000
вероятно хорошо, т.к. это не влияет на наши движения в дальнейшей жизни.
19:27
You only need to store things which are really going to effect movement.
493
1152000
3000
Вам нужно только то, чтобы действительно меняет движение.
19:30
CA: So you think that people thinking about the brain, and consciousness generally,
494
1155000
3000
КА: Вы полагаете, что люди, думающие о мозге, и о сознании в целом,
19:33
could get real insight
495
1158000
2000
могли бы получить реальную картину,
19:35
by saying, where does movement play in this game?
496
1160000
2000
говоря, куда идёт движение в этой игре?
19:37
DW: So people have found out for example
497
1162000
2000
ДУ: Люди обнаружили, например, что ошибочно
19:39
that studying vision in the absence of realizing why you have vision
498
1164000
2000
изучать зрительное восприятие без понимания,
19:41
is a mistake.
499
1166000
2000
почему у вас есть зрение.
19:43
You have to study vision with the realization
500
1168000
2000
Вы должны изучать зрение с осознанием того,
19:45
of how the movement system is going to use vision.
501
1170000
2000
как двигательная система использует зрение.
19:47
And it uses it very differently once you think about it that way.
502
1172000
2000
И если размышлять подобным образом, то результаты отличаются.
19:49
CA: Well that was quite fascinating. Thank you very much indeed.
503
1174000
3000
КА: Это было весьма увлекательно. Спасибо Вам большое.
19:52
(Applause)
504
1177000
2000
(Аплодисменты)
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