Daniel Wolpert: The real reason for brains

دیوید ولپرت: دلیل اصلی وجود مغز

Translator: Bidel Akbari Reviewer: soheila Jafari

I'm a neuroscientist.

من متخصص مغز و اعصاب هستم.

And in neuroscience,

و در حوزه علم مغز و اعصاب،

we have to deal with many difficult questions about the brain.

ما باید با تعداد زیادی سوال سخت درباره مغز سر و کار داشته باشیم.

But I want to start with the easiest question

ولی میخوام با ساده ترین اونها شروع کنم

and the question you really should have all asked yourselves at some point in your life,

و سوالی که همه شما باید یه موقعی در زندگی تون از خودتون پرسیده باشید،

because it's a fundamental question

چون اگر بخوایم کارکرد مغز رو بفهمیم، این یه سوال اساسیه.

if we want to understand brain function.

چون اگر بخوایم کارکرد مغز رو بفهمیم، این یه سوال اساسیه.

And that is, why do we and other animals

و اون سوال اینه که، چرا ما و دیگر حیوانات دارای مغز هستیم؟

have brains?

و اون سوال اینه که، چرا ما و دیگر حیوانات دارای مغز هستیم؟

Not all species on our planet have brains,

همه موجودات روی زمین دارای مغز نیستند،

so if we want to know what the brain is for,

بنابراین اگر بخواهیم بدونیم که مغز به چه دردی میخوره،

let's think about why we evolved one.

بیاین درباره این فکر کنیم که چرا اون رو از طریق تکامل ساختیم.

Now you may reason that we have one

حالا شما ممکنه استدلالتون این باشه که ما برای درک جهان یا برای فکر کردن دارای مغز هستیم،

to perceive the world or to think,

حالا شما ممکنه استدلالتون این باشه که ما برای درک جهان یا برای فکر کردن دارای مغز هستیم،

and that's completely wrong.

و این استدلال کاملا غلطه.

If you think about this question for any length of time,

هرچقدر که شما به این سوال فکر کنید،

it's blindingly obvious why we have a brain.

بصورت خیره کننده ای مشخصه که چرا ما دارای مغز هستیم.

We have a brain for one reason and one reason only,

ما مغز داریم بخاطر یک دلیل و فقط یک دلیل،

and that's to produce adaptable and complex movements.

و اون بخاطر تولید کردن حرکت های وفق پذیر و پیچیده اس.

There is no other reason to have a brain.

هیچ دلیل دیگه ای برای داشتن مغز وجود نداره.

Think about it.

بهش فکر کنید.

Movement is the only way you have

تحرک تنها راه برای اثر گذاشتن بر دنیای اطرافه.

of affecting the world around you.

تحرک تنها راه برای اثر گذاشتن بر دنیای اطرافه.

Now that's not quite true. There's one other way, and that's through sweating.

حالا اون هم کاملا درست نیست. یه راه دیگه هم هست، و اونم از طریق عرق کردنه.

But apart from that,

ولی از اون گذشته،

everything else goes through contractions of muscles.

همه چیز دیگه از طریق منقبض شدن مفاصل انجام میشه.

So think about communication --

خب، ارتباط برقرار کردن رو در نظر بگیرید --

speech, gestures, writing, sign language --

گویایی، اشارات، نوشتن، زبان ایما اشاره --

they're all mediated through contractions of your muscles.

همه اونها با مداخله انقباض مفاصل شما انجام میشن.

So it's really important to remember

این خیلی مهمه که یادمون باشه

that sensory, memory and cognitive processes are all important,

که فرآیندهای حسی، حافظه و فرایند های شناختی مغز، همه شون مهم اند،

but they're only important

ولی اونها فقط در پیش بری یا جلوگیری از حرکت های بعدی مهم هستند.

to either drive or suppress future movements.

ولی اونها فقط در پیش بری یا جلوگیری از حرکت های بعدی مهم هستند.

There can be no evolutionary advantage

ساختن خاطرات بچه گی و درک رنگ یک گل رز، هیچ فایده تکاملی ای برای ما نداره

to laying down memories of childhood

ساختن خاطرات بچه گی و درک رنگ یک گل رز، هیچ فایده تکاملی ای برای ما نداره

or perceiving the color of a rose

ساختن خاطرات بچه گی و درک رنگ یک گل رز، هیچ فایده تکاملی ای برای ما نداره

if it doesn't affect the way you're going to move later in life.

اگر نخواهد روی حرکت های بعدی ما در زندگی اثر بزاره.

Now for those who don't believe this argument,

حالا برای اونایی که به این استدلال اعتقادی ندارن،

we have trees and grass on our planet without the brain,

ما درختان و سبزه ها رو روی کره زمین داریم که بدون مغز هستند،

but the clinching evidence is this animal here --

ولی این حیوان اینجا مدرک محکمیه --

the humble sea squirt.

آب پران کوچک دریایی.

Rudimentary animal, has a nervous system,

گونه اولیه اون، یه سیستم عصبی داره،

swims around in the ocean in its juvenile life.

در فرم اولیه زندگیش، در اقیانوس شنا میکنه.

And at some point of its life,

و در نقطه ای از زندگیش، روی یک سنگ جا میگیره.

it implants on a rock.

و در نقطه ای از زندگیش، روی یک سنگ جا میگیره.

And the first thing it does in implanting on that rock, which it never leaves,

و اولین کاری که بعد از جا گیریش روی اون سنگ میکنه، سنگی که هیچوقت ترکش نمیکنه،

is to digest its own brain and nervous system

اینه که مغز و سیستم عصبی خودش رو به عنوان غذا میخوره.

for food.

اینه که مغز و سیستم عصبی خودش رو به عنوان غذا میخوره.

So once you don't need to move,

پس همینکه دیگه لازم نیست حرکتی انجام بشه،

you don't need the luxury of that brain.

اون مغز لوکس دیگه لازم نمیشه.

And this animal is often taken

و این حیوان معمولا بعنوان قیاس با اتفاقی که در دانشگاه ها میافته

as an analogy to what happens at universities

وقتی که اساتید کرسی ای رو در اون دانشگاه میگیرن، گرفته میشه،

when professors get tenure,

وقتی که اساتید کرسی ای رو در اون دانشگاه میگیرن، گرفته میشه،

but that's a different subject.

ولی اون یه موضوع دیگه ایه.

(Applause)

(تشویق حاضرین)

So I am a movement chauvinist.

بنابراین من طرفدار پر وپا قرص تحرک هستم.

I believe movement is the most important function of the brain --

من معتقدم تحرک مهم ترین کارکرد مغزه،

don't let anyone tell you that it's not true.

و به کسی اجازه ندید که بهتون بگه این اشتباهه.

Now if movement is so important,

حالا اگه تحرک خیلی مهمه،

how well are we doing

ما چقدر خوب تونستیم کنترل حرکات توسط مغز رو بفهمیم؟

understanding how the brain controls movement?

ما چقدر خوب تونستیم کنترل حرکات توسط مغز رو بفهمیم؟

And the answer is we're doing extremely poorly; it's a very hard problem.

و جواب این سوال اینه که ما خیلی داریم ضعیف عمل می کنیم، این یه مشکل خیلی دشواریه.

But we can look at how well we're doing

ولی برای اینکه بفهمیم چقدر داریم کارمون رو خوب انجام میدیم

by thinking about how well we're doing building machines

مینونیم به این فکر کنیم که به چه خوبی ما ماشینهایی را میسازیم که میتونن آنچه که آدمها میکنن را انجام دهند.

which can do what humans can do.

مینونیم به این فکر کنیم که به چه خوبی ما ماشینهایی را میسازیم که میتونن آنچه که آدمها میکنن را انجام دهند.

Think about the game of chess.

درباره بازی شطرنج فکر کنیم.

How well are we doing determining what piece to move where?

اینکه چه مهره ای رو میخوایم به کجا حرکت بدیم رو چقدر خوب انجام میدیم؟

If you pit Garry Kasparov here, when he's not in jail,

اگر گری کاسپاروف رو، وقتی که در زندان نبود،

against IBM's Deep Blue,

در مقابل کامپیوتر 'آبی تیره ی' آی.بی.ام قرار بدیم،

well the answer is IBM's Deep Blue will occasionally win.

جواب اینه که 'آبی تیره ی' آی.بی.ام بعضی وقتا میبره.

And I think if IBM's Deep Blue played anyone in this room, it would win every time.

و فکر کنم اگر 'آبی تیره ی' آی.بی.ام با هرکسی در این سالن بازی کنه، هر دفعه میبره.

That problem is solved.

مشکل حل شد.

What about the problem

مشکل برداشتن مهره های شطرنج چی میشه؟

of picking up a chess piece,

مشکل برداشتن مهره های شطرنج چی میشه؟

dexterously manipulating it and putting it back down on the board?

بصورت ماهرانه برداشتن شون و دوباره روی صفحه شطرنج قراردادن شون؟

If you put a five year-old child's dexterity against the best robots of today,

اگر شما یه بچه 5ساله رو در مقابل بهترین روبات حال حاضر قرار بدین،

the answer is simple:

جواب آسونه:

the child wins easily.

بچه هه به راحتی میبره.

There's no competition at all.

اصلا رقابتی وجود نداره.

Now why is that top problem so easy

حالا چرا اون مشکل بالایی آنقدر آسونه

and the bottom problem so hard?

و مشکل پایینی آنقدر سخته؟

One reason is a very smart five year-old

یه دلیلش اینه که یه بچه 5ساله باهوش

could tell you the algorithm for that top problem --

میتونه با در نظرگرفتن همه حرکت های امکانپذیر تا آخر بازی، الگوریتم مشکل بالاییه رو بهتون بگه

look at all possible moves to the end of the game

میتونه با در نظرگرفتن همه حرکت های امکانپذیر تا آخر بازی، الگوریتم مشکل بالاییه رو بهتون بگه

and choose the one that makes you win.

و اونی رو که باعث برنده شدن میشه رو انتخاب کنه.

So it's a very simple algorithm.

بنابراین یه الگوریتم خیلی ساده اس.

Now of course there are other moves,

حالا البته که حرکت های بعدی ای هم هست،

but with vast computers we approximate

ولی با کامپیوترهای بزرگ ما تقریب میزنیم و به راه حل بهینه نزدیک میشیم.

and come close to the optimal solution.

ولی با کامپیوترهای بزرگ ما تقریب میزنیم و به راه حل بهینه نزدیک میشیم.

When it comes to being dexterous,

ولی وقتی نوبت به ماهرانه بودن میرسه،

it's not even clear what the algorithm is you have to solve to be dexterous.

حتی معلوم نیست که چه الگوریتمی باید حل بشه که بشه ماهرانه حرکت داد.

And we'll see you have to both perceive and act on the world,

و خواهیم دید که باید هم دنیای اطراف رو درک کرد و هم عکس العمل انجام داد،

which has a lot of problems.

که خیلی مشکلات در خودش داره.

But let me show you cutting-edge robotics.

ولی اجازه بدین بهتون روبات های پیشرفته رو نشون بدم.

Now a lot of robotics is very impressive,

امروزه رباتهای زیادی بسیار چشمگیر و جذاب هستند

but manipulation robotics is really just in the dark ages.

ولی روبات هایی که با دست کارها رو انجام میدن واقعا هنوز هنوز در اوایل راه هستند.

So this is the end of a Ph.D. project

خب این نتیجه یه پروژه فوق دکترا از یکی از بهترین انیسیتو های روبوتیکه.

from one of the best robotics institutes.

خب این نتیجه یه پروژه فوق دکترا از یکی از بهترین انیسیتو های روبوتیکه.

And the student has trained this robot

و این دانشجو به این روبات یاد داده که این آب رو داخل این گیلاس( لیوان) بریزه.

to pour this water into a glass.

و این دانشجو به این روبات یاد داده که این آب رو داخل این گیلاس بریزه.

It's a hard problem because the water sloshes about, but it can do it.

این یه مشکل سختیه چون آب جریان پیش بینی شده ای نداره، ولی اون میتونه انجامش بده.

But it doesn't do it with anything like the agility of a human.

ولی اصلا به فرزی و تندی یه آدمیزاد انجامش نمیده.

Now if you want this robot to do a different task,

حال اگر بخواین این روبات یه کار دیگه انجام بده،

that's another three-year Ph.D. program.

یه برنامه تحقیق فوق دکترای سه ساله دیگریست.

There is no generalization at all

در روباتیک کلا نمیشه بین کارها و و فعالیت ها کارهای مشترکی بوجود آورد و کاری رو به کار دیگه ای تعمیم داد.

from one task to another in robotics.

در روباتیک کلا نمیشه بین کارها و و فعالیت ها کارهای مشترکی بوجود آورد و کاری رو به کار دیگه ای تعمیم داد.

Now we can compare this

حالا ما میتونیم این رو با کارایی پیشرفته انسانی مقایسه کنیم.

to cutting-edge human performance.

حالا ما میتونیم این رو با کارایی پیشرفته انسانی مقایسه کنیم.

So what I'm going to show you is Emily Fox

چیزی که میخوام نشونتون بدم امیلی فاکس

winning the world record for cup stacking.

که داره رکورد جهانی چیدن لیوان روی هم رو بدست میاره.

Now the Americans in the audience will know all about cup stacking.

حالا آمریکایی هایی که اینجا در بین حاضرین هستن راجع به اینکار همه چیز رو میدونن.

It's a high school sport

یه ورزش توی دبیرستانه

where you have 12 cups you have to stack and unstack

که باید 12 لیوان به ترتیب مشخصی و در کمترین زمان روی هم چیده بشه و بعدش جمع بشه.

against the clock in a prescribed order.

که باید 12 لیوان به ترتیب مشخصی و در کمترین زمان روی هم چیده بشه و بعدش جمع بشه.

And this is her getting the world record in real time.

و ایشون داره رکورد جهانی رو بی درنگ به دست میاره.

(Laughter)

(خنده حاضرین)

(Applause)

(تشویق حاضرین)

And she's pretty happy.

و خیلی هم خوشحاله.

We have no idea what is going on inside her brain when she does that,

ما اصلا نمیدونیم وقتی این خانم داره این کارو انجام میده، چی توی مغزش داره اتفاق میافته،

and that's what we'd like to know.

و این چیزیه که دوست داریم بدونیم.

So in my group, what we try to do

بنابراین کاری که گروه من داره سعی میکنه که انجام بده

is reverse engineer how humans control movement.

اینه که نحوه کنترل حرکت انسانها رو مهندسی معکوس کنه.

And it sounds like an easy problem.

و به نظر میرسه که این یه مساله ساده اس.

You send a command down, it causes muscles to contract.

یه دستور به پایین فرستاده میشه، و اون باعث میشه مفصل ها منقبض بشن.

Your arm or body moves,

دست یا بدن حرکت میکنه،

and you get sensory feedback from vision, from skin, from muscles and so on.

و از بینایی، پوست، مفاصل و غیره فیدبک (بازخورد) حسی گرفته میشه.

The trouble is

مشکل اینه که

these signals are not the beautiful signals you want them to be.

این سیگنال ها اون سیگنال های زیبایی نیستند که شما میخواید باشن.

So one thing that makes controlling movement difficult

بنابراین یه چیزی که کنترل حرکت رو سخت میکنه

is, for example, sensory feedback is extremely noisy.

اینه که، برای مثال، فیدبک (بازخورد) حسی بشدت همراه با نویزه.

Now by noise, I do not mean sound.

حالا منظورم از نویز، صدا و صوت نیست.

We use it in the engineering and neuroscience sense

ما در مهندسی و علم مغز و اعصاب از این عبارت استفاده میکنیم

meaning a random noise corrupting a signal.

به معنی یک نویز تصادفی که سیگنال رو خراب میکنه.

So the old days before digital radio when you were tuning in your radio

مثل دوران قدیم قبل از اومدن رادیوی دیجیتالی، که وقتی در حال تنظیم ایستگاه رادیو

and you heard "crrcckkk" on the station you wanted to hear,

صدای "خر خر" رو، روی ایستگاه رادیویی ای که میخواستید بگیرید،

that was the noise.

اون نویز بود.

But more generally, this noise is something that corrupts the signal.

ولی بصورت کلی تر، این نویز چیزیه که سیگنال رو خراب میکنه.

So for example, if you put your hand under a table

بنابراین برای مثال، اگر شما دستتون رو زیر میز قرار بدین

and try to localize it with your other hand,

و سعی کنین که اون رو با دست دیگرتون مکان یابی کنید،

you can be off by several centimeters

ممکنه بخاطر نویز در فیدبک حسی، تا چند سانتیمتر اشتباه کنید.

due to the noise in sensory feedback.

ممکنه بخاطر نویز در فیدبک حسی، تا چند سانتیمتر اشتباه کنید.

Similarly, when you put motor output on movement output,

بصورت مشابه، وقتی خروجی موتوری روی خروجی حرکتی قرار میگیره،

it's extremely noisy.

بشدت نویز داره.

Forget about trying to hit the bull's eye in darts,

در بازی با دارت سعی کردن برای اینکه بزنید وسط خال رو فراموش کنید،

just aim for the same spot over and over again.

فقط پشت سر هم یک نقطه یکسان رو نشانه بگیرید.

You have a huge spread due to movement variability.

شما با توجه به تغییرات حرکتی یک تغییرات زیادی دارید.

And more than that, the outside world, or task,

و از این گذشته، دنیا یا فعالیت های دنیای خارج،

is both ambiguous and variable.

هم مبهم وهم متغیره.

The teapot could be full, it could be empty.

قوری چای هم میتونه پر باشه، هم میتونه خالی باشه.

It changes over time.

در طول زمان تغییر میکنه.

So we work in a whole sensory movement task soup of noise.

بنابراین ما در یک بلبشوی پر از نویز فعالیت های حرکتی مراکز حساس عمل میکنیم.

Now this noise is so great

حالا این نویز آنقدر مهمه که جامعه پاداش خیلی بزرگی

that society places a huge premium

حالا این نویز آنقدر مهمه که جامعه پاداش خیلی بزرگی

on those of us who can reduce the consequences of noise.

به اونهایی میده که میتونن عواقب نویز رو کم کنن.

So if you're lucky enough to be able to knock a small white ball

بنابراین اگر شما به اندازه کافی خوش شانس باشید که بتونین یه توپ سفید کوچیک رو

into a hole several hundred yards away using a long metal stick,

بوسیله یه عصای بلند آهنی داخل یه سوراخ که صدها یارد اونطرف تره بندازید،

our society will be willing to reward you

جامعه ما حاضره که به شما صدها میلیون دلار پاداش بده.

with hundreds of millions of dollars.

جامعه ما حاضره که به شما صدها میلیون دلار پاداش بده.

Now what I want to convince you of

حالا چیزی که میخوام شما رو درباره اش متقاعد کنم

is the brain also goes through a lot of effort

اینه که مغز همچنین تلاش خیلی زیادی میکنه

to reduce the negative consequences

که عواقب منفی اینجور نویز و بی ثباتی ها رو کم کنه.

of this sort of noise and variability.

که عواقب منفی اینجور نویز و بی ثباتی ها رو کم کنه.

And to do that, I'm going to tell you about a framework

و برای اینکه شما رو متقاعد کنم، میخوام درباره چهارچوبی باهاتون صحبت کنم

which is very popular in statistics and machine learning of the last 50 years

که برای یادگرفتن آمار و فراگیری ماشین در 50 سال گذشته خیلی محبوب بوده

called Bayesian decision theory.

بهش میگن تئوری 'بیژی ان'.

And it's more recently a unifying way

و این تئوری تازگیها یه راه متحده

to think about how the brain deals with uncertainty.

برای فکر کردن به اینکه مغز چطوری با تردید و بلاتکلیفی کنار میاد.

And the fundamental idea is you want to make inferences and then take actions.

و ایده اساسی اینه که، قراره استنتاجی صورت بگیره و بعد از اون اقدام به کاری بشه.

So let's think about the inference.

خب، بیایید راجع به استنتاج فکر کنیم.

You want to generate beliefs about the world.

شما میخواهید راجع به جهان، باور و عقیده بسازید.

So what are beliefs?

خب، باورها چه چیزی هستند؟

Beliefs could be: where are my arms in space?

باورها ممکنه این باشن که: بازوهای من در کجای فضا قرار دارند؟

Am I looking at a cat or a fox?

یا اینکه آیا من دارم به یه گربه نگاه میکنم یا یه روباه؟

But we're going to represent beliefs with probabilities.

ولی ما عقایدمون رو با توجه به احتمالات نشون میدیم.

So we're going to represent a belief

بنابراین ما یک عقیده رو با یک عدد بین صفر و یک نشون میدیم --

with a number between zero and one --

بنابراین ما یک عقیده رو با یک عدد بین صفر و یک نشون میدیم --

zero meaning I don't believe it at all, one means I'm absolutely certain.

صفر یعنی من اصلا بهش اعتقاد ندارم، یک یعنی من کاملا مطمئنم.

And numbers in between give you the gray levels of uncertainty.

و اعداد بین صفر و یک سطوح خاکستری شک هستند.

And the key idea to Bayesian inference

و ایده اساسی در استنتاج 'بیژی ان' ای

is you have two sources of information

اینه که شما دو منبع اصلاعات دارید که ازشون استنتاجتون رو میکنید.

from which to make your inference.

اینه که شما دو منبع اصلاعات دارید که ازشون استنتاجتون رو میکنید.

You have data,

شما اطلاعات دارید،

and data in neuroscience is sensory input.

و در علم مغز و اعصاب اصلاعات، ورودی های حسی است.

So I have sensory input, which I can take in to make beliefs.

پس من ورودی های حسی دارم، که میتونم اون ها رو به باور تبدیل کنم.

But there's another source of information, and that's effectively prior knowledge.

ولی یه منبع دیگه اطلاعات هم وجود داره، و اون آگاهی قبلی یه.

You accumulate knowledge throughout your life in memories.

آگاهی در طول زندگی در حافظه انباشته میشه.

And the point about Bayesian decision theory

و نکته تئوری تصمیم گیری 'بیژی ان' اینه که به شما فرمول ریاضی

is it gives you the mathematics

و نکته تئوری تصمیم گیری 'بیژی ان' اینه که به شما فرمول ریاضی

of the optimal way to combine

روش بهینه ترکیب کردن آگاهی قبلی با مشاهدات حسی

your prior knowledge with your sensory evidence

روش بهینه ترکیب کردن آگاهی قبلی با مشاهدات حسی

to generate new beliefs.

برای تولید باورهای جدید رو میده.

And I've put the formula up there.

و من اون فرمول رو اون بالا براتون گذاشتم.

I'm not going to explain what that formula is, but it's very beautiful.

من نمیخوام براتون توضیح بدم که اون فرمول چیه، ولی خیلی زیباست.

And it has real beauty and real explanatory power.

و زیبایی و قدرت روشنگری واقعی ای داره.

And what it really says, and what you want to estimate,

و چیزی که میگه، و چیزی که میخواید تخمین بزنید،

is the probability of different beliefs

احتمال باورهای متفاوتیه که با توجه به اطلاعات ورودی سنسورهای حسی شما بدست میاد.

given your sensory input.

احتمال باورهای متفاوتیه که با توجه به اطلاعات ورودی سنسورهای حسی شما بدست میاد.

So let me give you an intuitive example.

خب اجازه بدید یه مثال ملموس براتون بزنم.

Imagine you're learning to play tennis

فرض کنید که دارید تنیس یاد میگیرید

and you want to decide where the ball is going to bounce

و درحالیکه توپ از روی تور رد میشه و داره به طرفتون میاد، میخواید تصمیم بگیرید که توپ کجا به زمین میخوره.

as it comes over the net towards you.

و درحالیکه توپ از روی تور رد میشه و داره به طرفتون میاد، میخواید تصمیم بگیرید که توپ کجا به زمین میخوره.

There are two sources of information

قانون بایز(ریاضیدان انگلیسی) میگه دوتا منبع اصلاعات وجود داره.

Bayes' rule tells you.

قانون بایز(ریاضیدان انگلیسی) میگه دوتا منبع اصلاعات وجود داره.

There's sensory evidence -- you can use visual information auditory information,

مشاهدات حسی وجود داره -- شما میتونید از اطلاعات دیداری و شنوایی استفاده کنید،

and that might tell you it's going to land in that red spot.

و اون ممکنه به شما بگه که اون قسمت قرمز رو اجازه بدید.

But you know that your senses are not perfect,

ولی شما میدونید که حس های شما بی نقص نیستند،

and therefore there's some variability of where it's going to land

و بنابراین یه مقدار تغییرات در جایی که قراره به زمین بخوره هست

shown by that cloud of red,

که بصورت ابر قرمزی نشون داده شده،

representing numbers between 0.5 and maybe 0.1.

که نمایان کننده اعداد بین 0.5 یا شاید 0.1 هستند.

That information is available in the current shot,

این اطلاعات در عکس حاضر موجود هستند،

but there's another source of information

ولی یه منبع اطلاعات دیگه ای هم وجود داره

not available on the current shot,

که در عکس حاضر موجود نیست،

but only available by repeated experience in the game of tennis,

ولی فقط در تجربه تکرار بازی تنیس وجود داره،

and that's that the ball doesn't bounce

و اینه که توپ با احتمال یکسانی در زمین در طول مسابقه به زمین نمیخوره.

with equal probability over the court during the match.

و اینه که توپ با احتمال یکسانی در زمین در طول مسابقه به زمین نمیخوره.

If you're playing against a very good opponent,

اگر شما دارین در مقابل یه حریف خیلی خوب بازی میکنید،

they may distribute it in that green area,

اونها ممکنه توپ رو در بخش سبز پخش کنن،

which is the prior distribution,

که توزیع مقدمه،

making it hard for you to return.

که کار برگردوندن توپ رو براتون سخت میکنه.

Now both these sources of information carry important information.

حالا این دوتا منبع اطلاعات، اطلاعات مهمی رو با خودشون به همراه دارن.

And what Bayes' rule says

و چیزی که قانون بایس میگه

is that I should multiply the numbers on the red by the numbers on the green

اینکه که من باید ارقام روی قسمت های قرمز رو در ارقام روی قسمت های سبز ضرب کنم

to get the numbers of the yellow, which have the ellipses,

که ارقام قسمت های زرد رو به دست بیارم، که بیضی ها رو در خودشون دارن،

and that's my belief.

و اون باوره منه.

So it's the optimal way of combining information.

بنابراین این روش بهینه ترکیب کردن اطلاعاته.

Now I wouldn't tell you all this if it wasn't that a few years ago,

حالا اگر اتفاق چند سال پیش نمی افتاد من اینا رو الان به شما نمیگفتم،

we showed this is exactly what people do

ما ثابت کردیم این دقیقا کاریه که آدما وقتی یه حرکت جدید یاد میگیرن، انجام میدن.

when they learn new movement skills.

ما ثابت کردیم این دقیقا کاریه که آدما وقتی یه حرکت جدید یاد میگیرن، انجام میدن.

And what it means

و معنی این اینه که ما واقعا ماشین های استنتاج 'بیژی ان' ای هستیم.

is we really are Bayesian inference machines.

و معنی این اینه که ما واقعا ماشین های استنتاج 'بیژی ان' ای هستیم.

As we go around, we learn about statistics of the world and lay that down,

ما درطول زندگیمون درباره آمار دنیای اطرافمون چیز یاد میگیریم و اونها رو ذخیره میکنیم،

but we also learn

ولی همچنین یاد میگیریم که دستگاه حسی مون چقدر خطا داره،

about how noisy our own sensory apparatus is,

ولی همچنین یاد میگیریم که دستگاه حسی مون چقدر خطا داره،

and then combine those

و بعد اون ها رو به روش 'بیژی ان' با همدیگه ترکیب میکنیم.

in a real Bayesian way.

و بعد اون ها رو به روش 'بیژی ان' با همدیگه ترکیب میکنیم.

Now a key part to the Bayesian is this part of the formula.

حالا یه قسمت مهم از تئوری 'بیژی ان' این قسمت از فرموله.

And what this part really says

و منظور مهم این قسمت اینه که من باید احتمال وجود داشتن فیدبک های حسی متفاوت را

is I have to predict the probability

و منظور مهم این قسمت اینه که من باید احتمال وجود داشتن فیدبک های حسی متفاوت را

of different sensory feedbacks

و منظور مهم این قسمت اینه که من باید احتمال وجود داشتن فیدبک های حسی متفاوت را

given my beliefs.

با درنظر گرفتن باورهام پیش بینی کنم.

So that really means I have to make predictions of the future.

بنابراین معنی واقعیش اینه که من باید درباره آینده پیش بینی کنم.

And I want to convince you the brain does make predictions

و من میخوام شما رو متقاعد کنم که مغز درباره فیدبک های حسی ای که قراره دریافت کنه، پیش بینی میکنه.

of the sensory feedback it's going to get.

و من میخوام شما رو متقاعد کنم که مغز درباره فیدبک های حسی ای که قراره دریافت کنه، پیش بینی میکنه.

And moreover, it profoundly changes your perceptions

و علاوه براین، درک شما رو بصورت خیلی عمیقی با توجه به کاری که میکنید تغییر میده.

by what you do.

و علاوه براین، درک شما رو بصورت خیلی عمیقی با توجه به کاری که میکنید تغییر میده.

And to do that, I'll tell you

و برای اینکار، به شما خواهم گفت که مغز چطوری با ورودی های حسی برخورد میکنه.

about how the brain deals with sensory input.

و برای اینکار، به شما خواهم گفت که مغز چطوری با ورودی های حسی برخورد میکنه.

So you send a command out,

خب، یه دستور فرستاده میشه،

you get sensory feedback back,

و فیدبک حسی اش برمیگرده،

and that transformation is governed

و این تبدیل توسط فیزیک و سیستم حسی بدن، کنترل میشه.

by the physics of your body and your sensory apparatus.

و این تبدیل توسط فیزیک و سیستم حسی بدن، کنترل میشه.

But you can imagine looking inside the brain.

ولی میشه با نگاه کردن به داخل مغز تصور کرد.

And here's inside the brain.

و این داخل مغزه.

You might have a little predictor, a neural simulator,

ممکنه یه پیش بینی کننده کوچک از فیزیک اندام و حواس اونجا باشه، یه شبیه ساز نٍرونی.

of the physics of your body and your senses.

ممکنه یه پیش بینی کننده کوچک از فیزیک اندام و حواس اونجا باشه، یه شبیه ساز نٍرونی.

So as you send a movement command down,

وقتی که یک فرمان فرستاده میشه

you tap a copy of that off

یه کپی از اون فرمان به اون قسمت شبیه ساز نٍرونی میره

and run it into your neural simulator

یه کپی از اون فرمان به اون قسمت شبیه ساز نٍرونی میره

to anticipate the sensory consequences of your actions.

برای پیش بینی کردن عواقب حسی اون عمل انجام شده.

So as I shake this ketchup bottle,

بنابراین در حین اینکه من دارم این ظرف سس رو تکون میدم،

I get some true sensory feedback as the function of time in the bottom row.

من بعنوان تابعی از زمان در سطر پایینی، فیدبک درستی از سیستم حسگرهام میگیرم.

And if I've got a good predictor, it predicts the same thing.

و اگر من یه پیش بینی کننده خوبی داشته باشم، اون هم همین رو پیش بینی خواهد کرد.

Well why would I bother doing that?

خب حالا چرا باید به خودم زحمت بدم که اون کار رو بکنم؟

I'm going to get the same feedback anyway.

من که بهرحال فیدبک یکسانی میگیرم.

Well there's good reasons.

خب دلایل خوبی وجود داره.

Imagine, as I shake the ketchup bottle,

تصور کنید، در حین اینکه دارم ظرف سس رو تکون میدم،

someone very kindly comes up to me and taps it on the back for me.

یه نفر میاد و خیلی دوستانه میزنه پشت من.

Now I get an extra source of sensory information

حالا من بخاطر اون عمل خارجی، اطلاعات حسی بیشتری دریافت میکنم.

due to that external act.

حالا من بخاطر اون عمل خارجی، اطلاعات حسی بیشتری دریافت میکنم.

So I get two sources.

بنابراین من دو منبع اطلاعات دارم.

I get you tapping on it, and I get me shaking it,

شما که ضربه ای روش زدید، و من که تکونش دادم،

but from my senses' point of view,

ولی از نقطه نظر حواس من،

that is combined together into one source of information.

اونها با همدیگه ترکیب شدن ویک منبع اطلاعات واحد رو ساختن.

Now there's good reason to believe

حالا یه دلیل خوب وجود داره که باور کنیم

that you would want to be able to distinguish external events from internal events.

که میخواهیم توانایی تمیز دادن بین وقایع داخلی و خارجی رو داشته باشیم.

Because external events are actually much more behaviorally relevant

چون وقایع خارجی در واقع بیشتر مربوط به رفتار هستند تا احساس که داره داخل بدن من اتفاق میافته.

than feeling everything that's going on inside my body.

چون وقایع خارجی در واقع بیشتر مربوط به رفتار هستند تا احساس که داره داخل بدن من اتفاق میافته.

So one way to reconstruct that

بنابراین یه راه برای دوباره ساختن اون اینه که پیش بینی هایی --

is to compare the prediction --

بنابراین یه راه برای دوباره ساختن اون اینه که پیش بینی هایی --

which is only based on your movement commands --

که فقط بر اساس فرمان های حرکتی هستند --

with the reality.

با واقعیت مقایسه بشن.

Any discrepancy should hopefully be external.

و امیدوار باشیم که اختلاف اونها خارجی باشه.

So as I go around the world,

خب، در حالیکه روی زمین حرکت میکنم،

I'm making predictions of what I should get, subtracting them off.

دارم درباره چیزایی که برام پیش میاد پیش بینی میکنم، و اونها رو از همدیگه کم میکنم.

Everything left over is external to me.

باقیمانده این تفریق برای من واقعه ای خارجیه.

What evidence is there for this?

چه شواهدی برای این وجود داره؟

Well there's one very clear example

خب، یه مثال خیلی شفاف وجود داره

where a sensation generated by myself feels very different

یعنی حسی که توسط خودم تولید شده از اونی که بوسیله یه نفر دیگه تولید شده خیلی حس متفاوتی برای من داره.

then if generated by another person.

یعنی حسی که توسط خودم تولید شده از اونی که بوسیله یه نفر دیگه تولید شده خیلی حس متفاوتی برای من داره.

And so we decided the most obvious place to start

و بنابراین ما از واضح ترین چیزی که به نظر میرسید شروع کردیم

was with tickling.

با قلقلک دادن.

It's been known for a long time, you can't tickle yourself

خیلی وقته که همه میدونن کسی نمیتونه خودش رو به خوبی طوری که دیگران قلقلک میدن، قلقلک بده.

as well as other people can.

خیلی وقته که همه میدونن کسی نمیتونه خودش رو به خوبی طوری که دیگران قلقلک میدن، قلقلک بده.

But it hasn't really been shown, it's because you have a neural simulator,

ولی نشون داده نشده بود، بخاطر اینه که یه شبیه ساز نٍرونی هست که بدن خود فرد رو شبیه سازی میکنه

simulating your own body

ولی نشون داده نشده بود، بخاطر اینه که یه شبیه ساز نٍرونی هست که بدن خود فرد رو شبیه سازی میکنه

and subtracting off that sense.

و اون حس رو ازش کم میکنه.

So we can bring the experiments of the 21st century

خب، ما میتونیم از تجربه های قرن 21ام با استفاده کردن از تکنولوژی روباتیک برای حل این مساله استفاده کنیم.

by applying robotic technologies to this problem.

خب، ما میتونیم از تجربه های قرن 21ام با استفاده کردن از تکنولوژی روباتیک برای حل این مساله استفاده کنیم.

And in effect, what we have is some sort of stick in one hand attached to a robot,

و در اثر این، چیزی که ما بدست آوردیم یه جورایی یه چوب کوچک در یک دست بود که به یه روبات متصل بود،

and they're going to move that back and forward.

و روبات ها میخواستند که اون چوب ها رو به عقب و جلو حرکت بدن.

And then we're going to track that with a computer

و بعد ما اون حرکات رو با یک کامپیوتر پیگیری می کنیم

and use it to control another robot,

و ازش برای کنترل کردن یه روبات دیگه استفاده میکنیم،

which is going to tickle their palm with another stick.

که کف دستشون رو با یه چوب دیگه قلقلک میده.

And then we're going to ask them to rate a bunch of things

بعدش ما ازشون میخوایم که یه سری چیزها، از جمله حس قلقلک رو برای ما درجه بندی کنن.

including ticklishness.

بعدش ما ازشون میخوایم که یه سری چیزها، از جمله حس قلقلک رو برای ما درجه بندی کنن.

I'll show you just one part of our study.

من فقط یه قسمت از تحقیقمون رو به شما نشون خواهم داد.

And here I've taken away the robots,

و اینجا من روبات ها رو کنار بردم،

but basically people move with their right arm sinusoidally back and forward.

ولی اساسا افراد با دست راستشون به جلو و عقب حرکت سینوسی شکل میدن.

And we replay that to the other hand with a time delay.

و ما اون حرکت رو با کمی تاخیر به دست دیگه شون منتقل میکنیم.

Either no time delay,

یا بدون تاخیر،

in which case light would just tickle your palm,

در هر صورت کف دستشون قلقلک داده میشه،

or with a time delay of two-tenths of three-tenths of a second.

یا با تاخیر زمانی دو-دهم یا سه-دهم ثانیه ای.

So the important point here

بنابراین نکته مهم اینجا

is the right hand always does the same things -- sinusoidal movement.

اینه که دست راست همیشه یه کار انجام میده - حرکت سینوسی.

The left hand always is the same and puts sinusoidal tickle.

دست چپ همیشه یکسانه و حرکت قلقلک سینوسی رو دریافت میکنه.

All we're playing with is a tempo causality.

و چیزی که ما تغییر میدیم، گام رابطه علت و معلولیه.

And as we go from naught to 0.1 second,

و همینطور که ما از بدون تاخیر به سمت 0.1 ثانیه میریم،

it becomes more ticklish.

اون خیلی قلقلک آمیزتر میشه.

As you go from 0.1 to 0.2,

و وقتی از 0.1 به 0.2 میریم،

it becomes more ticklish at the end.

در نهایت قلقلک آمیزتر میشه.

And by 0.2 of a second,

و در 0.2 ثانیه، قلقلک آمیزیش معادل اینه که روبات شما رو قلقلک بده، بدون اینکه شما کاری کنید.

it's equivalently ticklish

و در 0.2 ثانیه، قلقلک آمیزیش معادل اینه که روبات شما رو قلقلک بده، بدون اینکه شما کاری کنید.

to the robot that just tickled you without you doing anything.

و در 0.2 ثانیه، قلقلک آمیزیش معادل اینه که روبات شما رو قلقلک بده، بدون اینکه شما کاری کنید.

So whatever is responsible for this cancellation

حالا هرچیزی که مسئول اینه، چیزیه که بشدت به علیت گام تاخیر مربوطه.

is extremely tightly coupled with tempo causality.

حالا هرچیزی که مسئول اینه، چیزیه که بشدت به علیت گام تاخیر مربوطه.

And based on this illustration, we really convinced ourselves in the field

و بر اساس این تصویر، ما در این زمینه واقعا قانع شدیم

that the brain's making precise predictions

که مغز پیش بینی های دقیقی میکنه

and subtracting them off from the sensations.

و اونها رو از دریافت های حسی تفریق میکنه.

Now I have to admit, these are the worst studies my lab has ever run.

حالا من باید اعتراف کنم، اینها بدترین مطالعاتی بودند که آزمایشگاه من توی عمر خودش انجام داده.

Because the tickle sensation on the palm comes and goes,

چون قلقلک روی کف دست میاد و میره،

you need large numbers of subjects

احتیاج به تعداد زیادی شخص هست که این ستاره ها اونها رو با اهمیت کنه.

with these stars making them significant.

احتیاج به تعداد زیادی شخص هست که این ستاره ها اونها رو با اهمیت کنه.

So we were looking for a much more objective way

بنابراین ما برای بررسی این پدیده، دنبال یه راه خیلی علمی تر بودیم.

to assess this phenomena.

بنابراین ما برای بررسی این پدیده، دنبال یه راه خیلی علمی تر بودیم.

And in the intervening years I had two daughters.

و در خلال این سالها من دوتا دختربچه داشتم.

And one thing you notice about children in backseats of cars on long journeys,

و یه چیزی که درباره بچه ها در صندلی های پشتی ماشین، در سفرهای طولانی متوجه میشیم،

they get into fights --

اینه که اونها با هم دعوا میکنن --

which started with one of them doing something to the other, the other retaliating.

که با یکیشون که یه کاری با اون یکی کرده شروع میشه، اون یکی تلافی میکنه.

It quickly escalates.

به زودی دعوا بالا میگیره.

And children tend to get into fights which escalate in terms of force.

و بچه ها درگیر دعواهایی میشن که از نظر شدت گرفتن، به بالا گرفتن گرایش داره.

Now when I screamed at my children to stop,

حالا وقتی من سرشون داد زدم که تمومش کنن،

sometimes they would both say to me

بعضی وقتا جفتشون بهم میگن، اون یکی محکم تر زده.

the other person hit them harder.

بعضی وقتا جفتشون بهم میگن، اون یکی محکم تر زده.

Now I happen to know my children don't lie,

حالا من میدونم که بچه هام دروغگو نیستن،

so I thought, as a neuroscientist,

بنابراین فکر کردم، به عنوان یه متخصص مغز و اعصاب،

it was important how I could explain

مهم بود که چطوری بتونم توضیح بدم

how they were telling inconsistent truths.

اونها چطوری دارن واقعیتی رو میگن که باهم ناسازگاره.

And we hypothesize based on the tickling study

و ما براساس مطالعه ای که روی قلقلک داشتیم فرض کردیم

that when one child hits another,

که وقتی یکی از بچه ها اون یکی رو میزنه،

they generate the movement command.

اونها فرمان حرکتی رو تولید میکنن.

They predict the sensory consequences and subtract it off.

اونها عواقب حسی رو پیش بینی میکنن و اون رو ازش تفریق میکنن.

So they actually think they've hit the person less hard than they have --

بنابراین اونها درواقع فکر میکنن که طرف مقابل رو آروم تر زدن --

rather like the tickling.

بیشتر شبیه قلقلک دادن.

Whereas the passive recipient

درحالیکه اونکه مورد اصابت ضربه قرار گرفته

doesn't make the prediction, feels the full blow.

اون پیش بینی رو نمیکنه، و کل ضربه رو حس میکنه.

So if they retaliate with the same force,

بنابراین اگر به همون قدرت تلافی کنه،

the first person will think it's been escalated.

شخص اول فکر خواهد کرد که ضربه، محکم تر شده.

So we decided to test this in the lab.

بنابراین ما تصمیم گرفتیم این رو در آزمایشگاه امتحان کنیم.

(Laughter)

(خنده حاضرین)

Now we don't work with children, we don't work with hitting,

حالا ما با بچه ها و ضربه زدن کاری نداریم.

but the concept is identical.

ولی مفهوم قضیه کاملا یکسانه.

We bring in two adults. We tell them they're going to play a game.

ما دو نفر آدم بالغ رو به داخل میاریم. بهشون میگیم اونها قراره یه بازی کنن.

And so here's player one and player two sitting opposite to each other.

خب این بازیکن شماره یک و شماره دو هستند که مقابل همدیگه نشسته اند.

And the game is very simple.

و بازی خیلی آسونه.

We started with a motor

ما به یک موتور شروع کردیم

with a little lever, a little force transfuser.

با یک اهرم کوچک، یه منتقل کننده نیرو.

And we use this motor to apply force down to player one's fingers

و از این موتور برای وارد کردن فشار روی انگشتان یکی از افراد استفاده میکنیم

for three seconds and then it stops.

برای سه ثانیه و بعدش متوقف میشه.

And that player's been told, remember the experience of that force

و به اون فرد میگیم، که تجربه اون نیروی وارد شده رو به خاطر بسپاره و از انگشت دیگه اش استفاده کنه

and use your other finger

و به اون فرد میگیم، که تجربه اون نیروی وارد شده رو به خاطر بسپاره و از انگشت دیگه اش استفاده کنه

to apply the same force

برای وارد کردن نیرویی دقیقا یکسان

down to the other subject's finger through a force transfuser -- and they do that.

به انگشتان شخص دیگری از طریق منتقل کننده نیرو -- و اونها اینکار رو میکنن.

And player two's been told, remember the experience of that force.

و به شخص دوم گفته شده، تجربه نیروی وارد شده رو به خاطر بسپاره.

Use your other hand to apply the force back down.

از انگشت دیگه ات برای وارد کردن همون مقدار نیرو استفاده کن.

And so they take it in turns

و بنابراین اونها نوبتی

to apply the force they've just experienced back and forward.

نیرویی که دفعه قبل به انگشتشون وارد شده رو به نفر بعدی اعمال میکنن.

But critically,

ولی این نکته مهمه که،

they're briefed about the rules of the game in separate rooms.

اونها در اتاق های جداگونه ای در جریان قوانین بازی قرار گرفتند.

So they don't know the rules the other person's playing by.

بنابراین اونها قوانینی که نفر مقابلشون داره باهاش بازی میکنه رو نمیدونن.

And what we've measured

و چیزی رو که ما اندازه گرفتیم

is the force as a function of terms.

نیرو به عنوان تابعی از شرایطه.

And if we look at what we start with,

و اگر به چیزی که باهاش شروع کردیم نگاهی بندازیم،

a quarter of a Newton there, a number of turns,

یک چهارم نیوتن، چند دور تکرار بازی،

perfect would be that red line.

اون خط قرمز میتونست عالی باشه.

And what we see in all pairs of subjects is this --

و چیزی که ما در همه گروه های دو نفره میبینیم اینه --

a 70 percent escalation in force

بالارفتن 70 درصدی نیرو در هر بار.

on each go.

بالارفتن 70 درصدی نیرو در هر بار.

So it really suggests, when you're doing this --

پس این واقعا اشاره میکنه، وقتی اینکار داره انجام میشه --

based on this study and others we've done --

بر اساس این تحقیق و دیگر تحقیق هایی که ما انجام داده ایم --

that the brain is canceling the sensory consequences

که مغز عواقب حسی رو فسخ میکنه

and underestimating the force it's producing.

و نیرویی رو که داره تولید میکنه رو کمتر تخمین میزنه.

So it re-shows the brain makes predictions

بنابراین این دوباره به ما نشون میده که مغز پیش بینی هایی میکنه

and fundamentally changes the precepts.

و فرمان ها رو بصورت اساسی تغییر میده.

So we've made inferences, we've done predictions,

بنابراین ما استنتاج کردیم، ما پیش بینی کردیم،

now we have to generate actions.

حالا ما باید حرکتی کنیم.

And what Bayes' rule says is, given my beliefs,

و چیزی که قانون 'بیژی ان' با توجه به باور من میگه،

the action should in some sense be optimal.

اینه که این عمل و حرکت باید از جهاتی بهینه باشه.

But we've got a problem.

ولی ما یه مشکل داریم.

Tasks are symbolic -- I want to drink, I want to dance --

کارها و حرکت ها نمادین هستند -- من میخوام بنوشم، من میخوام برقصم --

but the movement system has to contract 600 muscles

ولی سیستم حرکتی باید 600 مفصل رو به ترتیب مشخصی منقبض کنه.

in a particular sequence.

ولی سیستم حرکتی باید 600 مفصل رو به ترتیب مشخصی منقبض کنه.

And there's a big gap

و یه شکاف بزرگی بین حرکت و سیستم حرکتی وجود داره.

between the task and the movement system.

و یه شکاف بزرگی بین حرکت و سیستم حرکتی وجود داره.

So it could be bridged in infinitely many different ways.

پس این شکاف میتونه از طریق بی نهایت مسیر متفاوت پر بشه.

So think about just a point to point movement.

فقط یک حرکت از نقطه ای به نقطه دیگه رو در نظر بگیرید.

I could choose these two paths

من میتونستم این دو مسیر رو از میان بینهایت مسیر دیگه انتخاب کنم.

out of an infinite number of paths.

من میتونستم این دو مسیر رو از میان بینهایت مسیر دیگه انتخاب کنم.

Having chosen a particular path,

وقتی اون مسیر مخصوص رو انتخاب کردم

I can hold my hand on that path

میتونم وضعیت قرار گرفتن مفصل های دستم رو در طول اون مسیر، بی نهایت مختلف انتخاب کنم.

as infinitely many different joint configurations.

میتونم وضعیت قرار گرفتن مفصل های دستم رو در طول اون مسیر، بی نهایت مختلف انتخاب کنم.

And I can hold my arm in a particular joint configuration

و میتونم مفاصل بازوم رو بصورت بخصوصی بگیرم

either very stiff or very relaxed.

یا سفت و شق و رق یا خیلی سست و راحت.

So I have a huge amount of choice to make.

بنابراین من انتخاب های بسیار زیادی دارم.

Now it turns out, we are extremely stereotypical.

حالا معلوم شده، ما بشدت کلیشه ای هستیم.

We all move the same way pretty much.

ما همه مون تقریبا بصورت یکسان حرکت میکنیم.

And so it turns out we're so stereotypical,

بنابراین معلوم شده که ما خیلی کلیشه ای هستیم،

our brains have got dedicated neural circuitry

مغزهای ما برای رمزگشایی این کلیشه، مدار نٍرونی مخصوصی دارن.

to decode this stereotyping.

مغزهای ما برای رمزگشایی این کلیشه، مدار نٍرونی مخصوصی دارن.

So if I take some dots

بنابراین اگر من چند نقطه رو بصورت حرکت بیولوژیکی (مثل حرکت انسان) به حرکت دربیارم.

and set them in motion with biological motion,

بنابراین اگر من چند نقطه رو بصورت حرکت بیولوژیکی (مثل حرکت انسان) به حرکت دربیارم.

your brain's circuitry would understand instantly what's going on.

مدار مغز به سرعت میفهمه جریان چیه.

Now this is a bunch of dots moving.

حالا این یه سری نقطه متحرکه.

You will know what this person is doing,

شما خواهید فهمید که این فرد داره چیکار میکنه،

whether happy, sad, old, young -- a huge amount of information.

خوشحاله، ناراحته، پیره، جوونه -- مقدار زیادی اطلاعات.

If these dots were cars going on a racing circuit,

اگر این نقطه ها ماشین هایی بودند که در مسیر مسابقه در حال حرکت بودند،

you would have absolutely no idea what's going on.

شما مطمئنا اصلا نمیدونستید جریان از قراره.

So why is it

خب چرا اینطوریه

that we move the particular ways we do?

که ما بصورت مخصوصی حرکت میکنیم؟

Well let's think about what really happens.

خب بیاید راجع به اتفاقی که میافته فکر کنیم.

Maybe we don't all quite move the same way.

شاید ما همه مون بصورت یکسان حرکت نمیکنیم.

Maybe there's variation in the population.

شاید یه سری تفاوت ها در جمیع افراد وجود داره.

And maybe those who move better than others

و شاید اونهایی که از دیگران بهتر حرکت میکنن

have got more chance of getting their children into the next generation.

شانس بیشتری برای بچه دار شدن و ادامه نسل دارن.

So in evolutionary scales, movements get better.

پس در مقیاس تکامل، حرکت ها بهتر و بهتر میشن.

And perhaps in life, movements get better through learning.

و شاید در زندگی، حرکت ها از راه یادگیری بهتر میشن.

So what is it about a movement which is good or bad?

حالا راجع به حرکت چه چیزی خوبه یا بده؟

Imagine I want to intercept this ball.

فرض کنید من میخوام جلوی این توپ رو بگیرم.

Here are two possible paths to that ball.

این دو مسیر ممکن برای این توپه.

Well if I choose the left-hand path,

خب اگر من مسیر سمت چپ رو انتخاب کنم،

I can work out the forces required

من میتونم نیروهای موردنیاز رو در یکی از مفصل هام به ازای تابعی از زمان تولید کنم.

in one of my muscles as a function of time.

من میتونم نیروهای موردنیاز رو در یکی از مفصل هام به ازای تابعی از زمان تولید کنم.

But there's noise added to this.

ولی نویز هم به این اضافه شده.

So what I actually get, based on this lovely, smooth, desired force,

بر پایه نیروی مورد نظر، روان و خواستنی ، چیزی که واقعا بدست میاید یه نسخه پر از نویزه.

is a very noisy version.

بر پایه نیروی مورد نظر، روان و خواستنی ، چیزی که واقعا بدست میاید یه نسخه پر از نویزه.

So if I pick the same command through many times,

بنابراین اگر من یک فرمان یکسان رو در طول زمانهای زیادی انتخاب کنم،

I will get a different noisy version each time, because noise changes each time.

من هر دفعه یه نسخه نویز دار بدست میارم، چون نویز هر دفعه تغییر میکنه.

So what I can show you here

بنابراین اون چیزی که اینجا میتونم بهتون نشون بدم

is how the variability of the movement will evolve

اینه که اگر اون راه رو انتخاب میکردم تغییرات حرکتی چطوری تکامل پیدا میکرد.

if I choose that way.

اینه که اگر اون راه رو انتخاب میکردم تغییرات حرکتی چطوری تکامل پیدا میکرد.

If I choose a different way of moving -- on the right for example --

اگر من یه راه دیگه رو برای حرکت کردن انتخاب کنم -- مثلا اون راستیه رو --

then I'll have a different command, different noise,

پس من یه فرمان متفاوت خواهم داشت، و نویز متفاوت،

playing through a noisy system, very complicated.

با یه سیستمی که نویز داره کار کردن خیلی سخته.

All we can be sure of is the variability will be different.

چیزی که همه مون میتونیم درباره اش مطمئن باشیم اینه که تغییرات متفاوت خواهد بود.

If I move in this particular way,

اگر من در این راه مشخص حرکت کنم،

I end up with a smaller variability across many movements.

من به تنوع کمتری درطول حرکات زیادی خواهم رسید

So if I have to choose between those two,

بنابراین اگر من مجبور باشم بین اون دو یکی رو انتخاب کنم،

I would choose the right one because it's less variable.

من سمت راستی رو انتخاب میکنم چون تغییراتش کمتره.

And the fundamental idea

و ایده اساسی اینه که شما حرکاتتان را برنامه ریزی کنید بطوری که نتیجه منفی نویز را به حداقل برسانید.

is you want to plan your movements

و ایده اساسی اینه که شما حرکاتتان را برنامه ریزی کنید بطوری که نتیجه منفی نویز را به حداقل برسانید.

so as to minimize the negative consequence of the noise.

عواقب منفی نویز رو بشه کاهش داد.

And one intuition to get

یک شهود برای بدست آوردن میزان واقعی نویز یا تغییر پذیری که اینجا نشون دادم اینه که هر چقدر نیرو بیشتر باشه اون هم بیشتره.

is actually the amount of noise or variability I show here

یک شهود برای بدست آوردن میزان واقعی نویز یا تغییر پذیری که اینجا نشون دادم اینه که هر چقدر نیرو بیشتر باشه اون هم بیشتره.

gets bigger as the force gets bigger.

یک شهود برای بدست آوردن میزان واقعی نویز یا تغییر پذیری که اینجا نشون دادم اینه که هر چقدر نیرو بیشتر باشه اون هم بیشتره.

So you want to avoid big forces as one principle.

بنابراین به عنوان یک قانون ، باید از نیروهای بزرگ خودداری کرد.

So we've shown that using this,

بنابراین با استفاده از این ما نشون دادیم،

we can explain a huge amount of data --

ما میتونیم مقدار بسیار بزرگی از اطلاعات رو تفسیر کنیم --

that exactly people are going about their lives planning movements

که واقعا آدم ها حرکاتشون در زندگی رو طوری طراحی میکنن که عواقب منفی نویز رو در اونها کاهش بدن.

so as to minimize negative consequences of noise.

که واقعا آدم ها حرکاتشون در زندگی رو طوری طراحی میکنن که عواقب منفی نویز رو در اونها کاهش بدن.

So I hope I've convinced you the brain is there

بنابراین امیدوارم من شما رو قانع کرده باشم که مغز اونجاست

and evolved to control movement.

و برای کنترل کردن حرکات تکامل پیدا کرده.

And it's an intellectual challenge to understand how we do that.

و فهمیدن اینکه ما چطوری اون رو انجام میدیم، یه چالش فکریه.

But it's also relevant

ولی این موضوع همچنین به بیماری ها و توانبخشی دوباره مربوطه.

for disease and rehabilitation.

ولی این موضوع همچنین به بیماری ها و توانبخشی دوباره مربوطه.

There are many diseases which effect movement.

بیماری های زیادی وجود دارند که حرکت رو تحت تاثیر قرار میدن.

And hopefully if we understand how we control movement,

و خوشبختانه اگر ما بفهمیم که چطور حرکت کردن رو کنترل میکنیم،

we can apply that to robotic technology.

میتونیم اون رو در تکنولوژی روبات ها به کار بگیریم.

And finally, I want to remind you,

و در آخر، میخوام به شما یادآوری کنم،

when you see animals do what look like very simple tasks,

وقتی شما کارهایی که حیوانات انجام میدن و به نظر کارهای راحتی میاد رو میبینید،

the actual complexity of what is going on inside their brain

پیچیدگی واقعی اتفاقی که داره داخل مغزشون میافته

is really quite dramatic.

کاملا و واقعا اثرگذاره.

Thank you very much.

از شما خیلی متشکرم.

(Applause)

(تشویق حاضرین)

Chris Anderson: Quick question for you, Dan.

کریس اندرسون: یه سوال سریع دارم، دن.

So you're a movement -- (DW: Chauvinist.) -- chauvinist.

خب تو یه طرفدار پر و پا قرص تحرک هستی.

Does that mean that you think that the other things we think our brains are about --

این به این معنیه که تو فکر میکنی کارهای دیگری که ما فکر میکنیم مغزمون انجام میده --

the dreaming, the yearning, the falling in love and all these things --

رویا پردازی، تمایل، عاشق شدن و همه این چیزا --

are a kind of side show, an accident?

یه جورایی کارهای جنبی هستن، یه اتفاق هستند؟

DW: No, no, actually I think they're all important

د.و: نه، نه، در واقع من فکر میکنم اونها همشون

to drive the right movement behavior to get reproduction in the end.

برای به حرکت درآوردن رفتار حرکتی درست، در نهایت برای بدست آوردن بازتولید مهم هستند.

So I think people who study sensation or memory

خُب من معتقدم اونهایی که درباره احساسات یا حافظه مطالعه میکنن

without realizing why you're laying down memories of childhood.

بدون اینکه درک کنن چرا خاطراتی از کودکی ساخته میشه.

The fact that we forget most of our childhood, for example,

واقعیت اینه که ما برای مثال بیشتر کودکی مون رو فراموش میکنیم،

is probably fine, because it doesn't effect our movements later in life.

این مشکلی نداره، چون این قضیه، حرکت کردن ما رو در زندگی تحت تاثیر قرار نمیده.

You only need to store things which are really going to effect movement.

چیزهایی که واقعا حرکات رو تحت تاثیر قرار میدن لازمه که به حافظه سپرده بشن.

CA: So you think that people thinking about the brain, and consciousness generally,

ک.ا: پس تو فکر میکنی که کسانی که راجع به مغز، با بطور کلی هوش و حواس، تحقیق و فکر میکنن،

could get real insight

میتونن با پرسیدن این سوال که، حرکت کردن توی این قضیه کجا نقش بازی میکنه، به فهم درست و واقعی برسند؟

by saying, where does movement play in this game?

میتونن با پرسیدن این سوال که، حرکت کردن توی این قضیه کجا نقش بازی میکنه، به فهم درست و واقعی برسند؟

DW: So people have found out for example

د.و: خب کسانی برای مثال متوجه شدن

that studying vision in the absence of realizing why you have vision

که مطالعه و بررسی بینایی بدون درک اینکه چرا اصلا ما بینایی داریم، اشتباهه.

is a mistake.

که مطالعه و بررسی بینایی بدون درک اینکه چرا اصلا ما بینایی داریم، اشتباهه.

You have to study vision with the realization

باید بینایی با درک به اینکه چطوری سیستم حرکتی میخواد از بینایی استفاده کنه مطالعه بشه.

of how the movement system is going to use vision.

باید بینایی با درک به اینکه چطوری سیستم حرکتی میخواد از بینایی استفاده کنه مطالعه بشه.

And it uses it very differently once you think about it that way.

و بعد از اینکه اینطوری راجع بهش فکر بشه، استفاده خیلی متفاوتی ازش میشه کرد.

CA: Well that was quite fascinating. Thank you very much indeed.

ک.ا: خب این واقعا جذاب بود. واقعا ازت تشکر میکنم.

(Applause)

(تشویق حاضرین)