Daniel Wolpert: The real reason for brains

342,104 views ・ 2011-11-03

TED


Pro přehrání videa dvakrát klikněte na anglické titulky níže.

Překladatel: Ondřej Elleder Korektor: Michaela Jez
00:15
I'm a neuroscientist.
0
15260
2000
Jsem neurovědec.
00:17
And in neuroscience,
1
17260
2000
A v neurovědě
00:19
we have to deal with many difficult questions about the brain.
2
19260
3000
čelíme mnoha složitým otázkám ohledně mozku.
00:22
But I want to start with the easiest question
3
22260
2000
Já bych ale rád začal tou nejjednoduší otázkou,
00:24
and the question you really should have all asked yourselves at some point in your life,
4
24260
3000
kterou si každý z vás už někdy v životě měl položit,
00:27
because it's a fundamental question
5
27260
2000
jelikož se jedná o zásadní otázku,
00:29
if we want to understand brain function.
6
29260
2000
pokud chceme porozumět funkci mozku.
00:31
And that is, why do we and other animals
7
31260
2000
A ta otázka zní, proč my a další živočichové
00:33
have brains?
8
33260
2000
máme mozek?
00:35
Not all species on our planet have brains,
9
35260
3000
Některé živočišné druhy naší planety mozek nemají,
00:38
so if we want to know what the brain is for,
10
38260
2000
takže chceme-li zjistit, k čemu mozek slouží,
00:40
let's think about why we evolved one.
11
40260
2000
přemýšlejme, proč se nám mozek vyvinul.
00:42
Now you may reason that we have one
12
42260
2000
Tak tedy, bylo by pochopitelné, kdybyste ho měli,
00:44
to perceive the world or to think,
13
44260
2000
abyste vnímali svět nebo abyste přemýšleli,
00:46
and that's completely wrong.
14
46260
2000
ale to je velký omyl.
00:48
If you think about this question for any length of time,
15
48260
3000
Pokud si o tom alespoň chvilku popřemýšlíte,
00:51
it's blindingly obvious why we have a brain.
16
51260
2000
bude naprosto zřejmé, proč mozek máme.
00:53
We have a brain for one reason and one reason only,
17
53260
3000
Mozek máme z jednoho jediného důvodu:
00:56
and that's to produce adaptable and complex movements.
18
56260
3000
abychom mohli vyvíjet přizpůsobivé, složité pohyby.
00:59
There is no other reason to have a brain.
19
59260
2000
Jiný důvod, proč mít mozek, neexistuje.
01:01
Think about it.
20
61260
2000
Zvažte to a dáte mi za pravdu.
01:03
Movement is the only way you have
21
63260
2000
Pohyb je jediný způsob,
01:05
of affecting the world around you.
22
65260
2000
kterým můžete ovlivnit svět kolem sebe.
01:07
Now that's not quite true. There's one other way, and that's through sweating.
23
67260
3000
Vlastně ne tak docela - je tu ještě pocení.
01:10
But apart from that,
24
70260
2000
Ale kromě této výjimky
01:12
everything else goes through contractions of muscles.
25
72260
2000
se všechno ostatní děje skrze stahování svalů.
01:14
So think about communication --
26
74260
2000
Vezměte si komunikaci -
01:16
speech, gestures, writing, sign language --
27
76260
3000
řeč, gesta, psaní, znakovou řeč --
01:19
they're all mediated through contractions of your muscles.
28
79260
3000
všechno to zprostředkovávají stahy vašich svalů.
01:22
So it's really important to remember
29
82260
2000
Takže je velmi důležité mít na paměti,
01:24
that sensory, memory and cognitive processes are all important,
30
84260
4000
že smyslové, paměťové a kognitivní procesy jsou všechny důležité,
01:28
but they're only important
31
88260
2000
nicméně důležité jsou jenom proto,
01:30
to either drive or suppress future movements.
32
90260
2000
aby buď poháněly nebo potlačovaly budoucí pohyb.
01:32
There can be no evolutionary advantage
33
92260
2000
Žádná evoluční výhoda nemůže plynout z toho,
01:34
to laying down memories of childhood
34
94260
2000
že jste si uchovali vzpomínky z dětství
01:36
or perceiving the color of a rose
35
96260
2000
nebo z vnímání barvy růže,
01:38
if it doesn't affect the way you're going to move later in life.
36
98260
3000
neovlivní-li to váš budoucí pohyb později v životě.
01:41
Now for those who don't believe this argument,
37
101260
2000
Pro ty, kteří této argumentaci nevěří:
01:43
we have trees and grass on our planet without the brain,
38
103260
2000
máme na naší planetě stromy a trávy, a ty mozek nemají,
01:45
but the clinching evidence is this animal here --
39
105260
2000
rozhodujícím důkazem je však tento živočich --
01:47
the humble sea squirt.
40
107260
2000
prostý pláštěnec.
01:49
Rudimentary animal, has a nervous system,
41
109260
3000
Primitivní živočich, má nervový systém,
01:52
swims around in the ocean in its juvenile life.
42
112260
2000
před dospělostí plave sem a tam oceánem,
01:54
And at some point of its life,
43
114260
2000
až jednou přijde chvíle,
01:56
it implants on a rock.
44
116260
2000
kdy se usadí na kameni.
01:58
And the first thing it does in implanting on that rock, which it never leaves,
45
118260
3000
A jakmile se na té skále usadí (kterou už nikdy neopustí),
02:01
is to digest its own brain and nervous system
46
121260
3000
stráví svůj vlastní mozek a nervstvo
02:04
for food.
47
124260
2000
jako potravu.
02:06
So once you don't need to move,
48
126260
2000
Takže jakmile se nepotřebujete hýbat,
02:08
you don't need the luxury of that brain.
49
128260
3000
nepotřebujete luxus, jakým je mozek.
02:11
And this animal is often taken
50
131260
2000
A tento živočich často slouží
02:13
as an analogy to what happens at universities
51
133260
2000
jako analogie k proměně univerzitních profesorů
02:15
when professors get tenure,
52
135260
2000
po získání definitivy -
02:17
but that's a different subject.
53
137260
2000
ale to bychom mluvili o něčem jiném.
02:19
(Applause)
54
139260
2000
(Potlesk)
02:21
So I am a movement chauvinist.
55
141260
3000
Jsem tedy pohybový šovinista.
02:24
I believe movement is the most important function of the brain --
56
144260
2000
Jsem přesvědčen, že pohyb je tou nejdůležitější funkcí mozku --
02:26
don't let anyone tell you that it's not true.
57
146260
2000
nevěřte nikomu, kdo vám bude tvrdit, že tomu tak není.
02:28
Now if movement is so important,
58
148260
2000
Nuže tedy, je-li pohyb tak důležitý,
02:30
how well are we doing
59
150260
2000
jak se nám daří rozumět tomu,
02:32
understanding how the brain controls movement?
60
152260
2000
jak mozek řídí pohyb?
02:34
And the answer is we're doing extremely poorly; it's a very hard problem.
61
154260
2000
Odpověd zní: mizerně; jedná se o zapeklitý problém.
02:36
But we can look at how well we're doing
62
156260
2000
Abych posoudili, jak se nám v této věci daří,
02:38
by thinking about how well we're doing building machines
63
158260
2000
zamysleme se nad tím, jak se nám daří sestavovat stroje,
02:40
which can do what humans can do.
64
160260
2000
které umí dělat to, co umí lidé.
02:42
Think about the game of chess.
65
162260
2000
Vezměte si třeba šachovou partii.
02:44
How well are we doing determining what piece to move where?
66
164260
3000
Jak se nám daří určovat, kam kterou figurku posunout?
02:47
If you pit Garry Kasparov here, when he's not in jail,
67
167260
3000
Postavíte-li zde Garyho Kasparova - není-li zrovna ve vězení -
02:50
against IBM's Deep Blue,
68
170260
2000
proti počítači Deep Blue od IBM,
02:52
well the answer is IBM's Deep Blue will occasionally win.
69
172260
3000
pak odpověď zní, že Deep Blue občas vyhraje.
02:55
And I think if IBM's Deep Blue played anyone in this room, it would win every time.
70
175260
3000
A pokud by Deep Blue hrál proti komukoliv v této místnosti, vyhrál by podle mne pokaždé.
02:58
That problem is solved.
71
178260
2000
Tento problém je vyřešen.
03:00
What about the problem
72
180260
2000
A co takhle problém spočívající v tom,
03:02
of picking up a chess piece,
73
182260
2000
jak zvednout šachovou figurku,
03:04
dexterously manipulating it and putting it back down on the board?
74
184260
3000
obratně s ní zacházet a položit ji zpátky na šachovnici?
03:07
If you put a five year-old child's dexterity against the best robots of today,
75
187260
3000
Srovnáte-li pětileté dítě s nejlepšími roboty dnešní doby co do zručnosti,
03:10
the answer is simple:
76
190260
2000
výsledek je jasný:
03:12
the child wins easily.
77
192260
2000
dítě s přehledem vyhraje.
03:14
There's no competition at all.
78
194260
2000
Nemá žádnou opravdovou konkurenci.
03:16
Now why is that top problem so easy
79
196260
2000
Nuže tedy, proč je ten vrchní problém tak snadný
03:18
and the bottom problem so hard?
80
198260
2000
a ten spodní problém tak složitý?
03:20
One reason is a very smart five year-old
81
200260
2000
Jedním z důvodů je, že velice chytré pětileté dítě
03:22
could tell you the algorithm for that top problem --
82
202260
2000
by přišlo na algoritmus k tomu vrchnímu problému --
03:24
look at all possible moves to the end of the game
83
204260
2000
zvažte všechny možné tahy až do konce partie
03:26
and choose the one that makes you win.
84
206260
2000
a vyberty ty, které vám umožní vyhrát.
03:28
So it's a very simple algorithm.
85
208260
2000
Jedná se tedy o velice jednoduchý algoritmus.
03:30
Now of course there are other moves,
86
210260
2000
Pravda, možných tahů je velmi mnoho,
03:32
but with vast computers we approximate
87
212260
2000
ale s pomocí ohromných počítačů můžeme aproximovat
03:34
and come close to the optimal solution.
88
214260
2000
a přiblížit se optimálnímu řešení.
03:36
When it comes to being dexterous,
89
216260
2000
Když ale přijde na zručnost,
03:38
it's not even clear what the algorithm is you have to solve to be dexterous.
90
218260
2000
není ani jasné, jaký algoritmus máte řešit, abyste zručnosti dosáhli.
03:40
And we'll see you have to both perceive and act on the world,
91
220260
2000
A jak uvidíme, musíte jak vnímat, tak působit na svět,
03:42
which has a lot of problems.
92
222260
2000
a to obnáší řadu problémů.
03:44
But let me show you cutting-edge robotics.
93
224260
2000
Nyní vám předvedu ukázku špičkové robotiky.
03:46
Now a lot of robotics is very impressive,
94
226260
2000
Velká část robotiky je velmi působivá,
03:48
but manipulation robotics is really just in the dark ages.
95
228260
3000
ale manipulační robotika je zatím v raném středověku.
03:51
So this is the end of a Ph.D. project
96
231260
2000
Tak tohle je výsledek doktorandského projektu
03:53
from one of the best robotics institutes.
97
233260
2000
z jednoho z nejlepších ústavů robotiky.
03:55
And the student has trained this robot
98
235260
2000
Student naučil robota
03:57
to pour this water into a glass.
99
237260
2000
nalít vodu do sklenice:
03:59
It's a hard problem because the water sloshes about, but it can do it.
100
239260
3000
složitý problém - voda totiž šplouchá - ale dokáže to.
04:02
But it doesn't do it with anything like the agility of a human.
101
242260
3000
Ale co do hbitosti má k člověku velice daleko.
04:05
Now if you want this robot to do a different task,
102
245260
3000
Pokud by ale ten robot měl provést jiný úkol,
04:08
that's another three-year Ph.D. program.
103
248260
3000
máte vystaráno na další tříletý doktorandský program.
04:11
There is no generalization at all
104
251260
2000
Vůbec se nám nedaří zobecňovat
04:13
from one task to another in robotics.
105
253260
2000
z jednoho robotického úkolu na druhý.
04:15
Now we can compare this
106
255260
2000
Můžeme to však porovnat
04:17
to cutting-edge human performance.
107
257260
2000
se špičkovým výkonem u lidí.
04:19
So what I'm going to show you is Emily Fox
108
259260
2000
Nyní vám ukážu Emily Foxovou,
04:21
winning the world record for cup stacking.
109
261260
3000
jak vytváří světový rekord ve vršení kelímků.
04:24
Now the Americans in the audience will know all about cup stacking.
110
264260
2000
Americké části publika bude tento sport důvěrně známý.
04:26
It's a high school sport
111
266260
2000
Jedná se o středoškolskou sportovní disciplínu,
04:28
where you have 12 cups you have to stack and unstack
112
268260
2000
v níž na sebe střídavě vršíte a odebíráte 12 kelímků,
04:30
against the clock in a prescribed order.
113
270260
2000
a to na čas a v předepsaném pořadí.
04:32
And this is her getting the world record in real time.
114
272260
3000
A zde ji vidíme na nezrychlených záběrech, jak vytváří světový rekord.
04:39
(Laughter)
115
279260
8000
(Smích)
04:47
(Applause)
116
287260
5000
(Potlesk)
04:52
And she's pretty happy.
117
292260
2000
A má z toho docela velkou radost.
04:54
We have no idea what is going on inside her brain when she does that,
118
294260
2000
Nemá ani ponětí, co probíhá uvnitř jejího mozku, když tohle dělá,
04:56
and that's what we'd like to know.
119
296260
2000
a právě to bychom rádi věděli.
04:58
So in my group, what we try to do
120
298260
2000
Takže v naší skupině se snažíme
05:00
is reverse engineer how humans control movement.
121
300260
3000
zpětným postupem zjistit, jak člověk řídí pohyb.
05:03
And it sounds like an easy problem.
122
303260
2000
Zní to jako jednoduchý úkol.
05:05
You send a command down, it causes muscles to contract.
123
305260
2000
Pošlete dolů příkaz - a svaly se stáhnou,
05:07
Your arm or body moves,
124
307260
2000
vaše ruka nebo tělo se pohne
05:09
and you get sensory feedback from vision, from skin, from muscles and so on.
125
309260
3000
a vy dostanete smyslovou zpětnou vazbu - ze zraku, kůže, svalstva a tak dále.
05:12
The trouble is
126
312260
2000
Potíž vězí v tom,
05:14
these signals are not the beautiful signals you want them to be.
127
314260
2000
že tyto signály nejsou tak krásné, jak byste si přáli.
05:16
So one thing that makes controlling movement difficult
128
316260
2000
Takže jedním z důvodů, proč je řízení pohybu tak složité,
05:18
is, for example, sensory feedback is extremely noisy.
129
318260
3000
je například to, že smyslovou zpětnou vazbu narušuje šum,
05:21
Now by noise, I do not mean sound.
130
321260
3000
Šumem nemám ale na mysli zvuk,
05:24
We use it in the engineering and neuroscience sense
131
324260
2000
nýbrž význam používaný v inženýrství a neurovědě,
05:26
meaning a random noise corrupting a signal.
132
326260
2000
tedy náhodný šum narušující signál.
05:28
So the old days before digital radio when you were tuning in your radio
133
328260
3000
Takže za starých časů, před digitalizací rozhlasu, když jste si ladili stanici
05:31
and you heard "crrcckkk" on the station you wanted to hear,
134
331260
2000
a slyšeli jste "crrcckkk" na stanici, kterou jste chtěli poslouchat,
05:33
that was the noise.
135
333260
2000
tak to byl šum.
05:35
But more generally, this noise is something that corrupts the signal.
136
335260
3000
Obecněji vzato je ale šum něco, co ruší signál.
05:38
So for example, if you put your hand under a table
137
338260
2000
Když si třeba dáte ruku pod stůl
05:40
and try to localize it with your other hand,
138
340260
2000
a snažíte se ji najít druhou rukou,
05:42
you can be off by several centimeters
139
342260
2000
stává se, že ji o několik centimetrů minete -
05:44
due to the noise in sensory feedback.
140
344260
2000
kvůli šumu rušícímu zpětnou vazbu od smyslů.
05:46
Similarly, when you put motor output on movement output,
141
346260
2000
Obdobně, když graficky znázorníte motorické nebo pohybové výstupy,
05:48
it's extremely noisy.
142
348260
2000
je tam nesmírné množství šumu.
05:50
Forget about trying to hit the bull's eye in darts,
143
350260
2000
Zapomeňte na pokusy trefit se šipkou do černého -
05:52
just aim for the same spot over and over again.
144
352260
2000
prostě miřte na stejný bod pořád dokola.
05:54
You have a huge spread due to movement variability.
145
354260
3000
Dostanete široké rozpětí výsledků kvůli variabilitě pohybu.
05:57
And more than that, the outside world, or task,
146
357260
2000
Ba co víc, vnější svět nebo dotyčný úkon
05:59
is both ambiguous and variable.
147
359260
2000
je nejasný a zároveň proměnlivý.
06:01
The teapot could be full, it could be empty.
148
361260
2000
Čajová konvice může být plná nebo prázdná;
06:03
It changes over time.
149
363260
2000
mění se v závislosti na čase.
06:05
So we work in a whole sensory movement task soup of noise.
150
365260
4000
Takže fungujeme v jakési smyslově pohybově úkonové polévce z šumu.
06:09
Now this noise is so great
151
369260
2000
Ten šum je ale tak silný,
06:11
that society places a huge premium
152
371260
2000
že společnost si cení nesmírně vysoko těch z nás,
06:13
on those of us who can reduce the consequences of noise.
153
373260
3000
kteří umí potlačovat důsledky šumu.
06:16
So if you're lucky enough to be able to knock a small white ball
154
376260
3000
Takže máte-li to štěstí, že umíte uhodit dlouhou kovovou tyčí do bílého míčku tak,
06:19
into a hole several hundred yards away using a long metal stick,
155
379260
3000
aby spadl do díry vzdálené několik set metrů,
06:22
our society will be willing to reward you
156
382260
2000
naše společnost vás ráda odmění
06:24
with hundreds of millions of dollars.
157
384260
3000
stovkami miliónů dolarů.
06:27
Now what I want to convince you of
158
387260
2000
Nuže tedy, chci vás přesvědčit,
06:29
is the brain also goes through a lot of effort
159
389260
2000
že mozek také vynakládá velkou snahu,
06:31
to reduce the negative consequences
160
391260
2000
aby potlačil záporné důsledky
06:33
of this sort of noise and variability.
161
393260
2000
takovéhoto šumu a variability.
06:35
And to do that, I'm going to tell you about a framework
162
395260
2000
K tomu používá jistou vztažnou soustavu -
06:37
which is very popular in statistics and machine learning of the last 50 years
163
397260
3000
velmi oblíbenou ve statistice a strojovém učení posledních padesáti let -
06:40
called Bayesian decision theory.
164
400260
2000
která se nazývá bayesovská teorie rozhodování.
06:42
And it's more recently a unifying way
165
402260
3000
A nedávno se stala sjednocujícím vysvětlením toho,
06:45
to think about how the brain deals with uncertainty.
166
405260
3000
jak se mozek vypořádává s neurčitostí.
06:48
And the fundamental idea is you want to make inferences and then take actions.
167
408260
3000
Její podstata tkví v tom, že činíme dedukce a pak jednáme.
06:51
So let's think about the inference.
168
411260
2000
Zamysleme se tedy nad dedukcemi.
06:53
You want to generate beliefs about the world.
169
413260
2000
Cílem je vytvářet si představy o skutečnosti.
06:55
So what are beliefs?
170
415260
2000
Jaké představy?
06:57
Beliefs could be: where are my arms in space?
171
417260
2000
Například: kde se v prostoru nacházejí mé ruce?
06:59
Am I looking at a cat or a fox?
172
419260
2000
Dívám se na kočku nebo na lišku?
07:01
But we're going to represent beliefs with probabilities.
173
421260
3000
Ale my budeme představy vyjadřovat pravděpodobnostmi.
07:04
So we're going to represent a belief
174
424260
2000
Představu tedy vyjádříme
07:06
with a number between zero and one --
175
426260
2000
číslem mezi nulou a jedničkou -
07:08
zero meaning I don't believe it at all, one means I'm absolutely certain.
176
428260
3000
nula znamená "vůbec tomu nevěřím", jednička pak "jsem si zcela jist".
07:11
And numbers in between give you the gray levels of uncertainty.
177
431260
3000
A čísla mezi vyjadřují ony šedé mezistupně nejistoty.
07:14
And the key idea to Bayesian inference
178
434260
2000
Klíčovým konceptem v bayesovské dedukci je to,
07:16
is you have two sources of information
179
436260
2000
že máte dva zdroje informací,
07:18
from which to make your inference.
180
438260
2000
na nichž stavíte svou dedukci.
07:20
You have data,
181
440260
2000
Máte údaje -
07:22
and data in neuroscience is sensory input.
182
442260
2000
a údaje v neurovědě, to jsou vstupní údaje od smyslů.
07:24
So I have sensory input, which I can take in to make beliefs.
183
444260
3000
Tyto smyslové vstupy mohu přijmout - a vytvořit představy.
07:27
But there's another source of information, and that's effectively prior knowledge.
184
447260
3000
Máme ale další zdroj informací, a tím je již získané poznání.
07:30
You accumulate knowledge throughout your life in memories.
185
450260
3000
Celý svůj život hromadíte poznání v podobě vzpomínek.
07:33
And the point about Bayesian decision theory
186
453260
2000
A podstatou bayesovské teorie rozhodování je,
07:35
is it gives you the mathematics
187
455260
2000
že vám umožňuje matematicky zpracovat
07:37
of the optimal way to combine
188
457260
2000
optimální způsob, jak spojit
07:39
your prior knowledge with your sensory evidence
189
459260
2000
již získané poznání se svědectvím smyslů
07:41
to generate new beliefs.
190
461260
2000
a vytvářet tak nové představy.
07:43
And I've put the formula up there.
191
463260
2000
Ten vzorec jsem vám promítl:
07:45
I'm not going to explain what that formula is, but it's very beautiful.
192
465260
2000
nebudu jej ale vysvětlovat. Je však velice krásný.
07:47
And it has real beauty and real explanatory power.
193
467260
3000
Má v sobě opravdovou krásu a opravdovou objasňující sílu.
07:50
And what it really says, and what you want to estimate,
194
470260
2000
To, co vlastně říká, a to, co chceme odhadnout,
07:52
is the probability of different beliefs
195
472260
2000
je pravděpodobnost jednotlivých představ,
07:54
given your sensory input.
196
474260
2000
vycházíme-li ze vstupních údajů od smyslů.
07:56
So let me give you an intuitive example.
197
476260
2000
Dám vám intuitivní příklad.
07:58
Imagine you're learning to play tennis
198
478260
3000
Představte si, že se učíte hrát tenis
08:01
and you want to decide where the ball is going to bounce
199
481260
2000
a chcete vydedukovat, kde se odrazí míček
08:03
as it comes over the net towards you.
200
483260
2000
letítící k vám přes síť.
08:05
There are two sources of information
201
485260
2000
Máme dva zdroje informací,
08:07
Bayes' rule tells you.
202
487260
2000
jak nám říká Bayesovo pravidlo.
08:09
There's sensory evidence -- you can use visual information auditory information,
203
489260
3000
Máme smyslové poznatky - můžeme využít zrakových a sluchových údajů
08:12
and that might tell you it's going to land in that red spot.
204
492260
3000
a usoudit tak, že míček dopadne na to červené místo.
08:15
But you know that your senses are not perfect,
205
495260
3000
Ale jak víte, smysly nejsou dokonalé,
08:18
and therefore there's some variability of where it's going to land
206
498260
2000
takže čelíme jisté variabilitě v tom, kam míček dopadne -
08:20
shown by that cloud of red,
207
500260
2000
znázorněné onou červenou skvrnou
08:22
representing numbers between 0.5 and maybe 0.1.
208
502260
3000
představující čísla mezi 0,5 a zhruba tak 0,1.
08:26
That information is available in the current shot,
209
506260
2000
Tyto informance jsou k dispozici při této ráně,
08:28
but there's another source of information
210
508260
2000
ale existuje jiný zdroj informací,
08:30
not available on the current shot,
211
510260
2000
které při této ráně k dispozici nejsou
08:32
but only available by repeated experience in the game of tennis,
212
512260
3000
a ke kterým se dostaneme jen opakovaným prožitkem tenisového utkání:
08:35
and that's that the ball doesn't bounce
213
515260
2000
díky němu víme, že míček během utkání nedopadá
08:37
with equal probability over the court during the match.
214
517260
2000
se stejnou pravděpodobností po celém kurtu.
08:39
If you're playing against a very good opponent,
215
519260
2000
Máte-li opravdu schopného protihráče,
08:41
they may distribute it in that green area,
216
521260
2000
může míčky rozmísťovat po té zelené ploše,
08:43
which is the prior distribution,
217
523260
2000
která představuje předchozí distribuci
08:45
making it hard for you to return.
218
525260
2000
a kde je pro vás těžší je vrátit.
08:47
Now both these sources of information carry important information.
219
527260
2000
Oba tyto informační zdroje poskytují důležité údaje.
08:49
And what Bayes' rule says
220
529260
2000
A podle Bayesova pravidla
08:51
is that I should multiply the numbers on the red by the numbers on the green
221
531260
3000
máme vynásobit červená čísla zelenými čísly,
08:54
to get the numbers of the yellow, which have the ellipses,
222
534260
3000
abychom dostali čísla žlutá, k nimž patří ty elipsy,
08:57
and that's my belief.
223
537260
2000
a to je pak moje představa.
08:59
So it's the optimal way of combining information.
224
539260
3000
A to je optimální způsob, jak spojovat informace.
09:02
Now I wouldn't tell you all this if it wasn't that a few years ago,
225
542260
2000
Tohle všechno bych vám neříkal, kdybychom před několika lety
09:04
we showed this is exactly what people do
226
544260
2000
nedokázali, že přesně tohle lidé dělají,
09:06
when they learn new movement skills.
227
546260
2000
když se učí novým pohybovým dovednostem.
09:08
And what it means
228
548260
2000
A to znamená,
09:10
is we really are Bayesian inference machines.
229
550260
2000
že jsme vlastně bayesovské dedukční stroje.
09:12
As we go around, we learn about statistics of the world and lay that down,
230
552260
4000
Chodíme po světě a zaznamenáváme si statistické údaje -
09:16
but we also learn
231
556260
2000
také ale poznáváme,
09:18
about how noisy our own sensory apparatus is,
232
558260
2000
kolik je v našem smyslovém aparátu šumu -
09:20
and then combine those
233
560260
2000
a pak je spojujeme
09:22
in a real Bayesian way.
234
562260
2000
skutečně bayesovským způsobem.
09:24
Now a key part to the Bayesian is this part of the formula.
235
564260
3000
Důležitým prvkem bayesovského přístupu je tato část vzorce.
09:27
And what this part really says
236
567260
2000
A ta část ve skutečnosti znamená,
09:29
is I have to predict the probability
237
569260
2000
že musím předpovědět pravděpodobnost
09:31
of different sensory feedbacks
238
571260
2000
různých zpětnovazebných údajů od smyslů,
09:33
given my beliefs.
239
573260
2000
vycházeje ze svých představ.
09:35
So that really means I have to make predictions of the future.
240
575260
3000
Vlastně to znamená, že musím předpovídat budoucnost.
09:38
And I want to convince you the brain does make predictions
241
578260
2000
A já vás chci přesvědčit, že mozek opravdu předpovídá,
09:40
of the sensory feedback it's going to get.
242
580260
2000
jakou zpětnou vazbu od smyslů dostane.
09:42
And moreover, it profoundly changes your perceptions
243
582260
2000
Ba co víc, zásadně mění vaše vnímání
09:44
by what you do.
244
584260
2000
podle toho, co děláte.
09:46
And to do that, I'll tell you
245
586260
2000
A proto vám povím o tom,
09:48
about how the brain deals with sensory input.
246
588260
2000
jak náš mozek zachází se vstupními údaji od smyslů.
09:50
So you send a command out,
247
590260
3000
Tak tedy, když vyšlete příkaz,
09:53
you get sensory feedback back,
248
593260
2000
dostanete zpětnou vazbu od smyslů,
09:55
and that transformation is governed
249
595260
2000
a tato transformace se řídí
09:57
by the physics of your body and your sensory apparatus.
250
597260
3000
fyzikálními vlastnostmi vašeho těla a vašeho smyslového ústrojí.
10:00
But you can imagine looking inside the brain.
251
600260
2000
Můžete si ale představit, že nahlížete do mozku -
10:02
And here's inside the brain.
252
602260
2000
a tady máme vnitřek mozku znázorněn.
10:04
You might have a little predictor, a neural simulator,
253
604260
2000
Možná tam je jakýsi malý ukazatel, neurální simulátor toho,
10:06
of the physics of your body and your senses.
254
606260
2000
jak se budou podle fyzikálních zákonů chovat vaše tělo a smysly.
10:08
So as you send a movement command down,
255
608260
2000
Takže když vyšlete dolů příkaz k pohybu,
10:10
you tap a copy of that off
256
610260
2000
odeberete také jeho kopii
10:12
and run it into your neural simulator
257
612260
2000
necháte ji projet vaším neurálním simulátorem,
10:14
to anticipate the sensory consequences of your actions.
258
614260
4000
abyste tak předpověděli smyslové důsledky svého jednání.
10:18
So as I shake this ketchup bottle,
259
618260
2000
Takže zatímco třepu touto lahví s kečupem,
10:20
I get some true sensory feedback as the function of time in the bottom row.
260
620260
3000
dostávám pravou zpětnou vazbu od smyslů jako funkci času ve spodní řadě.
10:23
And if I've got a good predictor, it predicts the same thing.
261
623260
3000
A mám-li dobrý simulátor, bude jeho přepověď totožná.
10:26
Well why would I bother doing that?
262
626260
2000
Tak proč to tedy vůbec dělám?
10:28
I'm going to get the same feedback anyway.
263
628260
2000
Stejně dostanu zpětnou vazbu, která je totožná.
10:30
Well there's good reasons.
264
630260
2000
Tak tedy - existují dobré důvody.
10:32
Imagine, as I shake the ketchup bottle,
265
632260
2000
Představte si, že jak tak třepu onou lahví s kečupem,
10:34
someone very kindly comes up to me and taps it on the back for me.
266
634260
3000
tak někdo ochotně přistoupí a poklepe mi na dno lahve.
10:37
Now I get an extra source of sensory information
267
637260
2000
Teď mám další zdroj smyslových informací
10:39
due to that external act.
268
639260
2000
kvůli tomuto vnějšímu působení.
10:41
So I get two sources.
269
641260
2000
Mám tedy dva zdroje:
10:43
I get you tapping on it, and I get me shaking it,
270
643260
3000
vás, který na to klepete, a mě, který tím třepu.
10:46
but from my senses' point of view,
271
646260
2000
ale z pohledu mých smyslů
10:48
that is combined together into one source of information.
272
648260
3000
je to sloučeno do jediného informačního zdroje.
10:51
Now there's good reason to believe
273
651260
2000
Máme pádný důvod k tomu se domnívat,
10:53
that you would want to be able to distinguish external events from internal events.
274
653260
3000
že byste chtěli být schopni rozeznat vnější události od vnitřních.
10:56
Because external events are actually much more behaviorally relevant
275
656260
3000
To proto, že vnější události mají větší dopad na chování,
10:59
than feeling everything that's going on inside my body.
276
659260
3000
než schopnost rozeznat vše, co se děje v mém těle.
11:02
So one way to reconstruct that
277
662260
2000
Jedním způsobem, jak to rekonstruovat,
11:04
is to compare the prediction --
278
664260
2000
je porovnat předpověď --
11:06
which is only based on your movement commands --
279
666260
2000
která vychází pouze z vašich pohybových příkazů --
11:08
with the reality.
280
668260
2000
s tím, co se ve skutečnosti stane.
11:10
Any discrepancy should hopefully be external.
281
670260
3000
Případná nesrovnalost by měla být dána - doufejme - vnějším vlivem.
11:13
So as I go around the world,
282
673260
2000
Takže jak tak chodím po světě,
11:15
I'm making predictions of what I should get, subtracting them off.
283
675260
3000
předpovídám, co by se mělo stát - a odečítám to.
11:18
Everything left over is external to me.
284
678260
2000
A to, co zbude, to je vůči mně vnější.
11:20
What evidence is there for this?
285
680260
2000
Jaké jsou pro to důkazy?
11:22
Well there's one very clear example
286
682260
2000
Tak tedy, existuje jeden velmi jednoznačný příklad toho,
11:24
where a sensation generated by myself feels very different
287
684260
2000
kde můj pocit, který vyvolám já,
11:26
then if generated by another person.
288
686260
2000
se velice liší od pocitu vyvolaného někým jiným.
11:28
And so we decided the most obvious place to start
289
688260
2000
Usoudili jsme, že nejvhodnější by bylo začít
11:30
was with tickling.
290
690260
2000
lechtáním.
11:32
It's been known for a long time, you can't tickle yourself
291
692260
2000
Jak je už dlouho známo, člověk sám sebe nemůže lechtat
11:34
as well as other people can.
292
694260
2000
tak dobře, jak to dokáže někdo jiný.
11:36
But it hasn't really been shown, it's because you have a neural simulator,
293
696260
3000
Nebylo ale ještě dokázáno, že za tím stojí neurální simulátor,
11:39
simulating your own body
294
699260
2000
simulující činnost našeho těla
11:41
and subtracting off that sense.
295
701260
2000
a odečítající příslušné pocity.
11:43
So we can bring the experiments of the 21st century
296
703260
3000
My ale můžeme tyto pokusy přivést do 21. století
11:46
by applying robotic technologies to this problem.
297
706260
3000
a při řešení využít robotických technologií.
11:49
And in effect, what we have is some sort of stick in one hand attached to a robot,
298
709260
3000
To v praxi znamená, že někdo jednou rukou drží tyčku připojenou k robotu -
11:52
and they're going to move that back and forward.
299
712260
2000
a tou tyčkou hýbe sem a tam.
11:54
And then we're going to track that with a computer
300
714260
2000
Tento pohyb sledujeme v počítači
11:56
and use it to control another robot,
301
716260
2000
a pomocí něho řídíme druhého robota,
11:58
which is going to tickle their palm with another stick.
302
718260
2000
který toho člověka lechtá na dlani jinou tyčkou.
12:00
And then we're going to ask them to rate a bunch of things
303
720260
2000
A po tom člověku pak chceme, aby vyhodnotil řadu věcí,
12:02
including ticklishness.
304
722260
2000
mezi nimiž je lechtivost.
12:04
I'll show you just one part of our study.
305
724260
2000
Ukážu vám jen část naší studie.
12:06
And here I've taken away the robots,
306
726260
2000
Tady už nevidíte roboty, v podstatě ale nejde o nic jiného,
12:08
but basically people move with their right arm sinusoidally back and forward.
307
728260
3000
než že ten člověk hýbe pravou rukou sem a tam po jakési sinusoidě.
12:11
And we replay that to the other hand with a time delay.
308
731260
3000
A tento pohyb převádíme na druhou ruku, ale s prodlevou.
12:14
Either no time delay,
309
734260
2000
Buď s nulovou prodlevou,
12:16
in which case light would just tickle your palm,
310
736260
2000
v kterémžto případě pravá ruka lechtá dlaň přímo,
12:18
or with a time delay of two-tenths of three-tenths of a second.
311
738260
4000
nebo s prodlevou 1/10, 2/10 nebo 3/10 vteřiny.
12:22
So the important point here
312
742260
2000
Zde je důležité připomenout,
12:24
is the right hand always does the same things -- sinusoidal movement.
313
744260
3000
že pravá ruka vykonává pořád totéž - sinusoidní pohyb.
12:27
The left hand always is the same and puts sinusoidal tickle.
314
747260
3000
Levá ruka také pořád dělá totéž a vyvolává sinusoidní lechtivost.
12:30
All we're playing with is a tempo causality.
315
750260
2000
Hrajeme si pouze a jenom s časovou kauzalitou.
12:32
And as we go from naught to 0.1 second,
316
752260
2000
A jak prodlevu zvyšujeme z nuly na 0,1 vteřiny,
12:34
it becomes more ticklish.
317
754260
2000
lechtivost roste.
12:36
As you go from 0.1 to 0.2,
318
756260
2000
A když pak prodlevu zvyšujeme z 0,1 na 0,2 vteřiny,
12:38
it becomes more ticklish at the end.
319
758260
2000
lechtivost stále roste.
12:40
And by 0.2 of a second,
320
760260
2000
A než prodleva dosáhne 0,2 vteřiny,
12:42
it's equivalently ticklish
321
762260
2000
lechtivost je stejná,
12:44
to the robot that just tickled you without you doing anything.
322
764260
2000
jako když vás robot lechtá sám, aniž vy byste cokoliv dělal.
12:46
So whatever is responsible for this cancellation
323
766260
2000
Cokoliv tedy zapříčiňuje ono rušení
12:48
is extremely tightly coupled with tempo causality.
324
768260
3000
musí být nesmírně pevně spojeno s časovou kauzalitou.
12:51
And based on this illustration, we really convinced ourselves in the field
325
771260
3000
Tato a další studie nás badatele z tohoto oboru přesvědčily,
12:54
that the brain's making precise predictions
326
774260
2000
že mozek činí přesné předpovědi
12:56
and subtracting them off from the sensations.
327
776260
3000
a odečítá je od vjemů.
12:59
Now I have to admit, these are the worst studies my lab has ever run.
328
779260
3000
Musím přiznat, že to byly ty nejobtížnější studie v historii naší laboratoře.
13:02
Because the tickle sensation on the palm comes and goes,
329
782260
2000
Protože lechtivost dlaně kolísá,
13:04
you need large numbers of subjects
330
784260
2000
potřebujete značný počet subjektů,
13:06
with these stars making them significant.
331
786260
2000
abyste získali statisticky signifikantní výsledky.
13:08
So we were looking for a much more objective way
332
788260
2000
Takže jsme hledali daleko objektivnější způsob,
13:10
to assess this phenomena.
333
790260
2000
jak tento jev vyhodnotit.
13:12
And in the intervening years I had two daughters.
334
792260
2000
No a mezitím se mi narodily dvě dcery.
13:14
And one thing you notice about children in backseats of cars on long journeys,
335
794260
3000
Děti, když sedí na zadních sedadlech auta při dlouhých jízdách,
13:17
they get into fights --
336
797260
2000
se začnou prát, jak si všimnete --
13:19
which started with one of them doing something to the other, the other retaliating.
337
799260
3000
začne to tím, že jeden něco druhému provede, a ten mu to oplatí.
13:22
It quickly escalates.
338
802260
2000
A situace se kvapem hrotí.
13:24
And children tend to get into fights which escalate in terms of force.
339
804260
3000
A dětské rvačky se často stupňují co do použité síly.
13:27
Now when I screamed at my children to stop,
340
807260
2000
Když na své děti zařvu, aby toho nechaly,
13:29
sometimes they would both say to me
341
809260
2000
tak mi někdy obě řekly,
13:31
the other person hit them harder.
342
811260
3000
že ta druhá ji praštila silněji.
13:34
Now I happen to know my children don't lie,
343
814260
2000
No a já náhodou vím, že moje děti nelžou,
13:36
so I thought, as a neuroscientist,
344
816260
2000
takže jsem si řekl - jako neurovědec -
13:38
it was important how I could explain
345
818260
2000
že by mělo význam vysvětlit,
13:40
how they were telling inconsistent truths.
346
820260
2000
jak je možné, že si jejich pravdivá sdělení navzájem odporují.
13:42
And we hypothesize based on the tickling study
347
822260
2000
Vycházejíce ze studie o lechtání jsme přišli s hypotézou,
13:44
that when one child hits another,
348
824260
2000
že když jedno dítě uhodí druhé,
13:46
they generate the movement command.
349
826260
2000
zadá pohybový příkaz.
13:48
They predict the sensory consequences and subtract it off.
350
828260
3000
Předpoví smyslové následky a odečtou je.
13:51
So they actually think they've hit the person less hard than they have --
351
831260
2000
Takže si vlastně myslí, že druhého uděřil slaběji, než tomu skutečně bylo,
13:53
rather like the tickling.
352
833260
2000
poněkud jako u příkladu s lechtáním.
13:55
Whereas the passive recipient
353
835260
2000
Kdežto pasivní příjemce rány
13:57
doesn't make the prediction, feels the full blow.
354
837260
2000
žádnou předpověď nečiní - a cítí náraz v plném rozsahu.
13:59
So if they retaliate with the same force,
355
839260
2000
Pokud mu ji oplatí stejnou silou,
14:01
the first person will think it's been escalated.
356
841260
2000
bude si ten první myslet, že došlo k eskalaci.
14:03
So we decided to test this in the lab.
357
843260
2000
No a tak jsme se rozhodli vyzkoušet to v laboratoři.
14:05
(Laughter)
358
845260
3000
(Smích)
14:08
Now we don't work with children, we don't work with hitting,
359
848260
2000
S dětmi nepracujeme, s údery také ne -
14:10
but the concept is identical.
360
850260
2000
ale koncept je stejný.
14:12
We bring in two adults. We tell them they're going to play a game.
361
852260
3000
Přivedeme dva dospělé a řekneme jim, že si zahrají hru.
14:15
And so here's player one and player two sitting opposite to each other.
362
855260
2000
Tady je hráč jedna a hráč dvě - sedí proti sobě.
14:17
And the game is very simple.
363
857260
2000
Hra je to velice prostá.
14:19
We started with a motor
364
859260
2000
Začali jsme s motorem,
14:21
with a little lever, a little force transfuser.
365
861260
2000
s malou páčkou - malým zesilovačem.
14:23
And we use this motor to apply force down to player one's fingers
366
863260
2000
Pomocí toho motorku vyvíjíme tlak na hráčovy prsty -
14:25
for three seconds and then it stops.
367
865260
3000
tři vteřiny a dost.
14:28
And that player's been told, remember the experience of that force
368
868260
3000
Tomu hráči jsme řekli, aby si zapamatoval pocit z toho tlaku
14:31
and use your other finger
369
871260
2000
a pak druhým prstem
14:33
to apply the same force
370
873260
2000
vyvinul tentýž tlak
14:35
down to the other subject's finger through a force transfuser -- and they do that.
371
875260
3000
na prst svého protihráče pomocí zesilovače - což učiní.
14:38
And player two's been told, remember the experience of that force.
372
878260
3000
A hráči dvě jsme řekli, aby si zapamatoval pocit z onoho tlaku
14:41
Use your other hand to apply the force back down.
373
881260
3000
a druhou rukou ten tlak zopakoval.
14:44
And so they take it in turns
374
884260
2000
Takto se tedy střídají
14:46
to apply the force they've just experienced back and forward.
375
886260
2000
ve vyvíjení tlaku, který právě pocítili - tam a zpátky.
14:48
But critically,
376
888260
2000
Klíčové je ale to,
14:50
they're briefed about the rules of the game in separate rooms.
377
890260
3000
že jsme je poučili o pravidlech hry v oddělených místnostech.
14:53
So they don't know the rules the other person's playing by.
378
893260
2000
Takže neví, jakými pravidly se řídí protihráč.
14:55
And what we've measured
379
895260
2000
Při tomto pokusu jsme měřili
14:57
is the force as a function of terms.
380
897260
2000
sílu jako funkci počtu střídání.
14:59
And if we look at what we start with,
381
899260
2000
A podíváme-li se na první naměřenou hodnotu -
15:01
a quarter of a Newton there, a number of turns,
382
901260
2000
čtvrt Newtonu... a počet střídání...
15:03
perfect would be that red line.
383
903260
2000
ideálním výsledkem by byla ta červená čára.
15:05
And what we see in all pairs of subjects is this --
384
905260
3000
Co ale vidíme u každého páru subjektů je toto:
15:08
a 70 percent escalation in force
385
908260
2000
70 procentní stupňování síly
15:10
on each go.
386
910260
2000
při každém střídání.
15:12
So it really suggests, when you're doing this --
387
912260
2000
To opravdu svědčí o tom, že při této hře --
15:14
based on this study and others we've done --
388
914260
2000
vycházíme zde z této a jiných studií, které jsme uskutečnili --
15:16
that the brain is canceling the sensory consequences
389
916260
2000
mozek odečítá smyslové následky
15:18
and underestimating the force it's producing.
390
918260
2000
a podhodnocuje sílu, kterou vyvíjí.
15:20
So it re-shows the brain makes predictions
391
920260
2000
Takže to skutečně dokazuje, že mozek činí předpovědi,
15:22
and fundamentally changes the precepts.
392
922260
3000
a mění samu podstatu vnímání.
15:25
So we've made inferences, we've done predictions,
393
925260
3000
Po dedukcích a předpovědích
15:28
now we have to generate actions.
394
928260
2000
musí přijít samotné jednání.
15:30
And what Bayes' rule says is, given my beliefs,
395
930260
2000
A tady bayesovo pravidlo říká, že vycházím-li ze svých představ,
15:32
the action should in some sense be optimal.
396
932260
2000
tak by jednání mělo být v jistém smyslu optimální.
15:34
But we've got a problem.
397
934260
2000
Narážíme ale na překážku.
15:36
Tasks are symbolic -- I want to drink, I want to dance --
398
936260
3000
Úkony jsou symbolické - chcí se napít, chci tancovat -
15:39
but the movement system has to contract 600 muscles
399
939260
2000
ale pohybové ústrojí musí stáhnout 600 různých svalů
15:41
in a particular sequence.
400
941260
2000
v určitém sledu.
15:43
And there's a big gap
401
943260
2000
Zeje tedy velký rozdíl
15:45
between the task and the movement system.
402
945260
2000
mezi úkonem a pohybovým ústrojím.
15:47
So it could be bridged in infinitely many different ways.
403
947260
2000
Způsobů, jak tento rozdíl překonat, je nekonečně mnoho.
15:49
So think about just a point to point movement.
404
949260
2000
Vezměme si třeba obyčejný pohyb z bodu do bodu.
15:51
I could choose these two paths
405
951260
2000
Mohu zvolit tyto dvě dráhy -
15:53
out of an infinite number of paths.
406
953260
2000
z nekonečného počtu možných drah.
15:55
Having chosen a particular path,
407
955260
2000
Jakmile jsem si zvolil konkrétní dráhu,
15:57
I can hold my hand on that path
408
957260
2000
mohu svou ruku na ní držet
15:59
as infinitely many different joint configurations.
409
959260
2000
v nekonečném počtu různých kloubních konfigurací.
16:01
And I can hold my arm in a particular joint configuration
410
961260
2000
A když si vyberu konkrétní kloubní konfiguraci,
16:03
either very stiff or very relaxed.
411
963260
2000
můžu v ní ruku držet velmi zaťatou nebo velmi uvolněnou.
16:05
So I have a huge amount of choice to make.
412
965260
3000
Takže si musím vybrat z ohromného množství možností.
16:08
Now it turns out, we are extremely stereotypical.
413
968260
3000
A jak se ukázalo, jsme velice stereotypní.
16:11
We all move the same way pretty much.
414
971260
3000
Všichni děláme téměr totožné pohyby.
16:14
And so it turns out we're so stereotypical,
415
974260
2000
A jelikož jsme se ukázali býti tak stereotypními,
16:16
our brains have got dedicated neural circuitry
416
976260
2000
naše mozky mají specializovaný neurální systém
16:18
to decode this stereotyping.
417
978260
2000
na dešifrování těchto stereotypů.
16:20
So if I take some dots
418
980260
2000
Takže když vezmu pár teček
16:22
and set them in motion with biological motion,
419
982260
3000
a rozpohybuji je biologickým pohybem,
16:25
your brain's circuitry would understand instantly what's going on.
420
985260
3000
tento neurální systém ve vašem mozku by okamžitě pochopil, o co se jedná.
16:28
Now this is a bunch of dots moving.
421
988260
2000
Tohle je shluk pohybujících se teček,
16:30
You will know what this person is doing,
422
990260
3000
ale vy poznáte, co ten člověk dělá,
16:33
whether happy, sad, old, young -- a huge amount of information.
423
993260
3000
zda je spokojený, smutný, starý, mladý - ohromné množství informací.
16:36
If these dots were cars going on a racing circuit,
424
996260
2000
Ale kdyby tyto tečky představovaly auta na závodní dráze,
16:38
you would have absolutely no idea what's going on.
425
998260
3000
neměli byste nejmenší tušení, co se děje.
16:41
So why is it
426
1001260
2000
Proč se tedy pohybujeme
16:43
that we move the particular ways we do?
427
1003260
2000
pouze určitými způsoby?
16:45
Well let's think about what really happens.
428
1005260
2000
Tak tedy, zamysleme se nad tím, co se skutečně děje.
16:47
Maybe we don't all quite move the same way.
429
1007260
3000
Možná se všichni nepohybujeme úplně stejně.
16:50
Maybe there's variation in the population.
430
1010260
2000
Možná je v populaci rozmanitost.
16:52
And maybe those who move better than others
431
1012260
2000
A možná ti, kdo se dovedou pohybovat lépe než ostatní,
16:54
have got more chance of getting their children into the next generation.
432
1014260
2000
mají větší šanci dostat své potomky do dalšího pokolení.
16:56
So in evolutionary scales, movements get better.
433
1016260
3000
Takže na evoluční stupnici se pohybové schopnosti zlepšují.
16:59
And perhaps in life, movements get better through learning.
434
1019260
3000
A možná že se naše pohyby během života učením zlepšují.
17:02
So what is it about a movement which is good or bad?
435
1022260
2000
Čím to tedy je, že nějaký pohyb je dobrý a jiný špatný?
17:04
Imagine I want to intercept this ball.
436
1024260
2000
Představte si, že chci chytit tento míček.
17:06
Here are two possible paths to that ball.
437
1026260
3000
Tady vidíte dvě možné dráhy k tomu míčku.
17:09
Well if I choose the left-hand path,
438
1029260
2000
Zvolím-li tu nalevo,
17:11
I can work out the forces required
439
1031260
2000
mohu přijít na to, jaké síly je třeba
17:13
in one of my muscles as a function of time.
440
1033260
2000
v tom kterém svalu v závislosti na čase.
17:15
But there's noise added to this.
441
1035260
2000
Nicméně do toho vstupuje také šum.
17:17
So what I actually get, based on this lovely, smooth, desired force,
442
1037260
3000
Takže nakonec skončím, místo té krásné, hladké, kýžené síly,
17:20
is a very noisy version.
443
1040260
2000
je tato šumem zamořená verze.
17:22
So if I pick the same command through many times,
444
1042260
3000
Takže zvolím-li opakovaně tentýž příkaz,
17:25
I will get a different noisy version each time, because noise changes each time.
445
1045260
3000
dostanu díky šumu pokaždé jinou verzi, jelikož šum je pokaždé jiný.
17:28
So what I can show you here
446
1048260
2000
Takže tady vám mohu ukázat,
17:30
is how the variability of the movement will evolve
447
1050260
2000
jak se ta variabilita pohybu bude vyvíjet,
17:32
if I choose that way.
448
1052260
2000
když si zvolím tuhle dráhu.
17:34
If I choose a different way of moving -- on the right for example --
449
1054260
3000
Když si zvolím jinou dráhu - třeba tu napravo -
17:37
then I'll have a different command, different noise,
450
1057260
2000
tak to bude obnášet jiné příkazy, jiný šum,
17:39
playing through a noisy system, very complicated.
451
1059260
3000
a jelikož se to vše odehrává v nelineárním systému, je to velice složité.
17:42
All we can be sure of is the variability will be different.
452
1062260
3000
Můžeme být jisti jedině tím, že ona variabilita bude odlišná.
17:45
If I move in this particular way,
453
1065260
2000
Zvolím-li tuto konkrétní dráhu,
17:47
I end up with a smaller variability across many movements.
454
1067260
3000
dostanu, napříč celou řadou jednotlivých pohybů, menší variabilitu.
17:50
So if I have to choose between those two,
455
1070260
2000
Takže pokud si musím vybrat mezi těmito dvěma,
17:52
I would choose the right one because it's less variable.
456
1072260
2000
vybral bych si tu napravo, protože obnáší menší variabilitu.
17:54
And the fundamental idea
457
1074260
2000
Klíčovou myšlenkou je tedy to,
17:56
is you want to plan your movements
458
1076260
2000
že chcete rozvrhnout své pohyby tak,
17:58
so as to minimize the negative consequence of the noise.
459
1078260
3000
aby ony nepříznivé důsledky šumu byly co nejmenší.
18:01
And one intuition to get
460
1081260
2000
A jeden intuitivní vhled, který je třeba pochopit,
18:03
is actually the amount of noise or variability I show here
461
1083260
2000
je to, že množství šumu či variability, které zde ukazuji,
18:05
gets bigger as the force gets bigger.
462
1085260
2000
je tím větší, čím větší je síla.
18:07
So you want to avoid big forces as one principle.
463
1087260
3000
Takže jednou zásadou je vyhnout se velkým silám.
18:10
So we've shown that using this,
464
1090260
2000
Takže jsme ukázali,
18:12
we can explain a huge amount of data --
465
1092260
2000
že takto můžeme vysvětlit ohromné množství dat --
18:14
that exactly people are going about their lives planning movements
466
1094260
3000
že, přesně takto, lidé ve svém praktickém životě plánují své pohyby tak,
18:17
so as to minimize negative consequences of noise.
467
1097260
3000
aby snížili na nejmenší míru nepříznivé důsledky šumu.
18:20
So I hope I've convinced you the brain is there
468
1100260
2000
Doufám, že jsem vás přesvědčil, že mozek je důležitý
18:22
and evolved to control movement.
469
1102260
2000
a že se vyvinul proto, aby řídil pohyb.
18:24
And it's an intellectual challenge to understand how we do that.
470
1104260
3000
A porozumět tomu, jak to děláme, je intelektuální výzvou.
18:27
But it's also relevant
471
1107260
2000
Má to ale také význam
18:29
for disease and rehabilitation.
472
1109260
2000
u nemocí a rehabilitace.
18:31
There are many diseases which effect movement.
473
1111260
3000
Mnohé nemoci ovlivňují pohyb.
18:34
And hopefully if we understand how we control movement,
474
1114260
2000
A doufejme, že když porozumíme tomu, jak řídíme pohyb,
18:36
we can apply that to robotic technology.
475
1116260
2000
tak to budeme moci využít v robotické technologii.
18:38
And finally, I want to remind you,
476
1118260
2000
A závěrem bych vám chtěl připomenout,
18:40
when you see animals do what look like very simple tasks,
477
1120260
2000
že když vidíte zvířata dělat něco, co vypadá velice jednoduše,
18:42
the actual complexity of what is going on inside their brain
478
1122260
2000
tak ty složité procesy, které ve skutečnosti probíhají v jejich mozku,
18:44
is really quite dramatic.
479
1124260
2000
jsou opravdu naprosto úžasné.
18:46
Thank you very much.
480
1126260
2000
Velice vám děkuji.
18:48
(Applause)
481
1128260
8000
(Potlesk)
18:56
Chris Anderson: Quick question for you, Dan.
482
1136260
2000
Chris Anderson: Měl bych pro tebe jeden rychlý dotaz, Dane.
18:58
So you're a movement -- (DW: Chauvinist.) -- chauvinist.
483
1138260
4000
Takže ty jsi pohybový -- (DW: Šovinista) -- šovinista.
19:02
Does that mean that you think that the other things we think our brains are about --
484
1142260
3000
Znamená to, že podle tebe ty další věci, které našim mozkům připisujeme -
19:05
the dreaming, the yearning, the falling in love and all these things --
485
1145260
3000
snění, toužení, zamilovávání se a všechny takovéto věci --
19:08
are a kind of side show, an accident?
486
1148260
3000
odvádějí pozornost od podstaty a jsou jen nahodilostmi?
19:11
DW: No, no, actually I think they're all important
487
1151260
2000
DW: Ne, ne, naopak, myslím si, že jsou všechny důležité
19:13
to drive the right movement behavior to get reproduction in the end.
488
1153260
3000
jako hnací síla správného pohybového chování vedoucího nakonec k rozmnožení.
19:16
So I think people who study sensation or memory
489
1156260
3000
Takže podle mne lidé, kteří zkoumají smyslové vnímání nebo paměť,
19:19
without realizing why you're laying down memories of childhood.
490
1159260
2000
si neuvědomují, proč si uchováváme vzpomínky z dětství.
19:21
The fact that we forget most of our childhood, for example,
491
1161260
3000
Například to, že většinu svého dětství zapomeneme,
19:24
is probably fine, because it doesn't effect our movements later in life.
492
1164260
3000
je nejspíše v pořádku, protože to neovlivňuje naše pohyby později v životě.
19:27
You only need to store things which are really going to effect movement.
493
1167260
3000
Potřebujete uchovávat jenom věci, které budou mít skutečný vliv na pohyb.
19:30
CA: So you think that people thinking about the brain, and consciousness generally,
494
1170260
3000
CA: Takže podle tebe lidé, kteří přemítají o mozku nebo obecně o vědomí,
19:33
could get real insight
495
1173260
2000
by mohli dosáhnout důležitých vhledů,
19:35
by saying, where does movement play in this game?
496
1175260
2000
pokud by si řekli, "jakou roli zde hraje pohyb?"
19:37
DW: So people have found out for example
497
1177260
2000
DW: Takhle lidé přišli například na to,
19:39
that studying vision in the absence of realizing why you have vision
498
1179260
2000
že zkoumání zraku, aniž bychom si uvědomovali, k čemu zrak máme,
19:41
is a mistake.
499
1181260
2000
je mylné.
19:43
You have to study vision with the realization
500
1183260
2000
Při zkoumání zraku si musíte uvědomovat,
19:45
of how the movement system is going to use vision.
501
1185260
2000
jak pohybové ústrojí bude zrak využívat.
19:47
And it uses it very differently once you think about it that way.
502
1187260
2000
A využívá ho docela jinak - jakmile o tom budete takto uvažovat.
19:49
CA: Well that was quite fascinating. Thank you very much indeed.
503
1189260
3000
CA: Tak tedy, tohle bylo zcela strhující. Opravdu ti velice děkuji.
19:52
(Applause)
504
1192260
2000
(Potlesk)
O tomto webu

Tato stránka vám představí videa na YouTube, která jsou užitečná pro výuku angličtiny. Uvidíte lekce angličtiny vedené špičkovými učiteli z celého světa. Dvojklikem na anglické titulky zobrazené na každé stránce s videem si video přehrajete přímo odtud. Titulky se posouvají synchronizovaně s přehráváním videa. Pokud máte nějaké připomínky nebo požadavky, kontaktujte nás prosím pomocí tohoto kontaktního formuláře.

https://forms.gle/WvT1wiN1qDtmnspy7