Daniel Wolpert: The real reason for brains

341,413 views ・ 2011-11-03

TED


Pre spustenie videa dvakrát kliknite na anglické titulky nižšie.

Translator: Linda Magáthová Reviewer: Peter Štrba
00:15
I'm a neuroscientist.
0
15260
2000
Som neurovedec.
00:17
And in neuroscience,
1
17260
2000
A v tejto vede
00:19
we have to deal with many difficult questions about the brain.
2
19260
3000
sa zaoberáme mnohými zložitými otázkami týkajúcimi sa mozgu.
00:22
But I want to start with the easiest question
3
22260
2000
Ja ale začnem tou najjednoduchšou otázkou,
00:24
and the question you really should have all asked yourselves at some point in your life,
4
24260
3000
ktorú si každý z vás v živote mal položiť,
00:27
because it's a fundamental question
5
27260
2000
keďže ide o zásadnú otázku,
00:29
if we want to understand brain function.
6
29260
2000
ak chceme porozumieť funkcii mozgu.
00:31
And that is, why do we and other animals
7
31260
2000
A tá otázka znie, prečo my a ďalšie živočíchy
00:33
have brains?
8
33260
2000
máme mozog?
00:35
Not all species on our planet have brains,
9
35260
3000
Niektoré živočíšne druhy na našej planéte mozog nemajú,
00:38
so if we want to know what the brain is for,
10
38260
2000
takže ak chceme zistiť, na čo mozog slúži,
00:40
let's think about why we evolved one.
11
40260
2000
premýšľajme, prečo sa nám mozog vyvinul.
00:42
Now you may reason that we have one
12
42260
2000
Bolo by pochopiteľné, že keby ste ho mali,
00:44
to perceive the world or to think,
13
44260
2000
aby ste vnímali svet alebo premýšľali,
00:46
and that's completely wrong.
14
46260
2000
ale to je veľký omyl.
00:48
If you think about this question for any length of time,
15
48260
3000
Ak o tom aspoň chvíľku premýšľate,
00:51
it's blindingly obvious why we have a brain.
16
51260
2000
bude úplne zrejmé, prečo mozog máme.
00:53
We have a brain for one reason and one reason only,
17
53260
3000
Mozog máme z jedného jediného dôvodu:
00:56
and that's to produce adaptable and complex movements.
18
56260
3000
aby sme mohli vyvíjať prispôsobivé, zložité pohyby.
00:59
There is no other reason to have a brain.
19
59260
2000
Niet iného dôvodu, prečo mať mozog.
01:01
Think about it.
20
61260
2000
Zvážte to a dáte mi zapravdu.
01:03
Movement is the only way you have
21
63260
2000
Pohyb je jediný spôsob,
01:05
of affecting the world around you.
22
65260
2000
ktorým môžete ovplyvniť svet okolo seba.
01:07
Now that's not quite true. There's one other way, and that's through sweating.
23
67260
3000
Vlastne nie tak úplne — je tu ešte potenie.
01:10
But apart from that,
24
70260
2000
Ale okrem toho sa všetko ostatné
01:12
everything else goes through contractions of muscles.
25
72260
2000
deje sťahovaním svalov.
01:14
So think about communication --
26
74260
2000
Vezmite si komunikáciu —
01:16
speech, gestures, writing, sign language --
27
76260
3000
reč, gestá, písanie, znakovú reč —
01:19
they're all mediated through contractions of your muscles.
28
79260
3000
všetko to sprostredkovávajú sťahy našich svalov.
01:22
So it's really important to remember
29
82260
2000
Takže je veľmi dôležité mať na pamäti,
01:24
that sensory, memory and cognitive processes are all important,
30
84260
4000
že zmyslové, pamäťové a kognitívne procesy sú všetky dôležité,
01:28
but they're only important
31
88260
2000
ale dôležité sú iba preto,
aby buď poháňali, alebo potláčali budúci pohyb.
01:30
to either drive or suppress future movements.
32
90260
2000
01:32
There can be no evolutionary advantage
33
92260
2000
Žiadna evolučná výhoda nemôže plynúť z toho,
01:34
to laying down memories of childhood
34
94260
2000
že ste si uchovali spomienky z detstva
01:36
or perceiving the color of a rose
35
96260
2000
alebo vnímanie farby ruže,
01:38
if it doesn't affect the way you're going to move later in life.
36
98260
3000
ak to neovplyvní váš budúci pohyb neskôr v živote.
01:41
Now for those who don't believe this argument,
37
101260
2000
Pre tých, ktorí tejto argumentácii neveria:
01:43
we have trees and grass on our planet without the brain,
38
103260
2000
máme na planéte stromy a trávy, bez mozgu,
01:45
but the clinching evidence is this animal here --
39
105260
2000
hlavným dôkazom je však tento živočích:
01:47
the humble sea squirt.
40
107260
2000
prostý plášťovec.
01:49
Rudimentary animal, has a nervous system,
41
109260
3000
Primitívny živočích, má nervový systém,
01:52
swims around in the ocean in its juvenile life.
42
112260
2000
pred dospelosťou pláva sem a tam oceánom,
01:54
And at some point of its life,
43
114260
2000
až raz nadíde chvíľa,
01:56
it implants on a rock.
44
116260
2000
keď sa usadí na kameni.
01:58
And the first thing it does in implanting on that rock, which it never leaves,
45
118260
3000
A akonáhle sa usadí na tejto skale, ktorú už nikdy neopustí,
02:01
is to digest its own brain and nervous system
46
121260
3000
strávi svoj vlastný mozog a nervy
02:04
for food.
47
124260
2000
ako potravu.
02:06
So once you don't need to move,
48
126260
2000
Takže hneď, ako sa už nepotrebujete hýbať,
02:08
you don't need the luxury of that brain.
49
128260
3000
nepotrebujete luxus, akým je mozog.
02:11
And this animal is often taken
50
131260
2000
A tento živočích často slúži
02:13
as an analogy to what happens at universities
51
133260
2000
ako analógia k premene univerzitných profesorov
02:15
when professors get tenure,
52
135260
2000
po získaní titulu -
02:17
but that's a different subject.
53
137260
2000
ale to je už o niečom inom.
02:19
(Applause)
54
139260
2000
(potlesk)
02:21
So I am a movement chauvinist.
55
141260
3000
Som teda šovinista, čo sa týka pohybu.
02:24
I believe movement is the most important function of the brain --
56
144260
2000
Verím, že je najdôležitejšou funkciou mozgu -
02:26
don't let anyone tell you that it's not true.
57
146260
2000
neverte nikomu, kto bude tvrdiť opak.
02:28
Now if movement is so important,
58
148260
2000
Takže, ak je pohyb taký dôležitý,
02:30
how well are we doing
59
150260
2000
ako sa nám darí rozumieť tomu,
02:32
understanding how the brain controls movement?
60
152260
2000
ako mozog riadi pohyb?
02:34
And the answer is we're doing extremely poorly; it's a very hard problem.
61
154260
2000
Odpoveď: mizerne, ide o zložitý problém.
02:36
But we can look at how well we're doing
62
156260
2000
Na posúdenie, ako sa nám v tejto veci darí,
02:38
by thinking about how well we're doing building machines
63
158260
2000
zamyslime sa, ako zostavujeme stroje,
02:40
which can do what humans can do.
64
160260
2000
ktoré vedia robiť to, čo ľudia.
02:42
Think about the game of chess.
65
162260
2000
Vezmite si napríklad partiu šachu.
02:44
How well are we doing determining what piece to move where?
66
164260
3000
Ako sa nám darí určovať, kam ktorú figúrku presunúť?
02:47
If you pit Garry Kasparov here, when he's not in jail,
67
167260
3000
Ak sem postavíte Garyho Kasparova - ak nie je práve vo väzení -
02:50
against IBM's Deep Blue,
68
170260
2000
proti počítaču Deep Blue od IBM,
02:52
well the answer is IBM's Deep Blue will occasionally win.
69
172260
3000
potom odpoveď znie, že Deep Blue občas vyhrá.
02:55
And I think if IBM's Deep Blue played anyone in this room, it would win every time.
70
175260
3000
A ak by hral proti komukoľvek v tejto miestnosti, vždy by vyhral.
02:58
That problem is solved.
71
178260
2000
Tento problém je vyriešený.
03:00
What about the problem
72
180260
2000
A čo tak problém spočívajúci v tom,
03:02
of picking up a chess piece,
73
182260
2000
ako zdvihnúť šachovú figúrku,
03:04
dexterously manipulating it and putting it back down on the board?
74
184260
3000
obratne s ňou zaobchádzať a položiť ju späť na šachovnicu?
03:07
If you put a five year-old child's dexterity against the best robots of today,
75
187260
3000
Ak porovnáme 5-ročné dieťa s najlepšími robotmi dneška čo do zručnosti,
03:10
the answer is simple:
76
190260
2000
výsledok je jasný:
03:12
the child wins easily.
77
192260
2000
dieťa s prehľadom vyhrá.
03:14
There's no competition at all.
78
194260
2000
Nemá žiadnu konkurenciu.
03:16
Now why is that top problem so easy
79
196260
2000
Prečo je teda ten horný problém taký jednoduchý
03:18
and the bottom problem so hard?
80
198260
2000
a ten spodný taký zložitý?
03:20
One reason is a very smart five year-old
81
200260
2000
Jedným z dôvodov je, že bystré 5-ročné dieťa
03:22
could tell you the algorithm for that top problem --
82
202260
2000
by prišlo na algoritmus k hornému problému –
03:24
look at all possible moves to the end of the game
83
204260
2000
zváži všetky možné ťahy až do konca partie
03:26
and choose the one that makes you win.
84
206260
2000
a vyberie tie, vďaka ktorým vyhrá.
03:28
So it's a very simple algorithm.
85
208260
2000
Ide o veľmi jednoduchý algoritmus.
03:30
Now of course there are other moves,
86
210260
2000
Pravdaže, možných ťahov je veľmi veľa,
03:32
but with vast computers we approximate
87
212260
2000
ale s pomocou veľkých počítačov
03:34
and come close to the optimal solution.
88
214260
2000
sa môžeme priblížiť optimálnemu riešeniu.
03:36
When it comes to being dexterous,
89
216260
2000
Pokiaľ však ide o zručnosť,
03:38
it's not even clear what the algorithm is you have to solve to be dexterous.
90
218260
2000
nie je ani jasné, aký algoritmus na to máte riešiť.
03:40
And we'll see you have to both perceive and act on the world,
91
220260
2000
A musíte vnímať a pôsobiť na svet,
03:42
which has a lot of problems.
92
222260
2000
a to prináša celý rad problémov.
03:44
But let me show you cutting-edge robotics.
93
224260
2000
Teraz vám predvediem ukážku špičkovej robotiky.
03:46
Now a lot of robotics is very impressive,
94
226260
2000
Veľká časť robotiky je veľmi pôsobivá,
03:48
but manipulation robotics is really just in the dark ages.
95
228260
3000
ale manipulačná robotika je zatiaľ v ranom stredoveku.
03:51
So this is the end of a Ph.D. project
96
231260
2000
Toto je výsledok doktorandského projektu
03:53
from one of the best robotics institutes.
97
233260
2000
z jedného z najlepších ústavov robotiky.
03:55
And the student has trained this robot
98
235260
2000
Študent naučil robota
03:57
to pour this water into a glass.
99
237260
2000
naliať vodu do pohára:
03:59
It's a hard problem because the water sloshes about, but it can do it.
100
239260
3000
zložitý problém, keďže voda špliecha, ale dokáže to.
04:02
But it doesn't do it with anything like the agility of a human.
101
242260
3000
Ale s ohybnosťou človeka to nemá mnoho spoločného.
04:05
Now if you want this robot to do a different task,
102
245260
3000
Ak by ten robot však mal vykonať inú úlohu,
04:08
that's another three-year Ph.D. program.
103
248260
3000
máte dosť práce na ďalší doktorandský program.
04:11
There is no generalization at all
104
251260
2000
Vôbec sa nám nedarí zovšeobecňovať
04:13
from one task to another in robotics.
105
253260
2000
z jednej robotickej úlohy na druhú.
04:15
Now we can compare this
106
255260
2000
Môžeme to však porovnať
04:17
to cutting-edge human performance.
107
257260
2000
so špičkovým výkonom u ľudí.
04:19
So what I'm going to show you is Emily Fox
108
259260
2000
Teraz vám ukážem Emily Fox,
04:21
winning the world record for cup stacking.
109
261260
3000
ako vytvára svetový rekord vo vŕšení téglikov.
04:24
Now the Americans in the audience will know all about cup stacking.
110
264260
2000
Američania v publiku tento šport dobre poznajú.
04:26
It's a high school sport
111
266260
2000
Ide o stredoškolskú športovú disciplínu.
04:28
where you have 12 cups you have to stack and unstack
112
268260
2000
Striedavo na seba kladiete 12 téglikov
04:30
against the clock in a prescribed order.
113
270260
2000
a to na čas a v predpísanom poradí.
04:32
And this is her getting the world record in real time.
114
272260
3000
A tu vidíme na nezrýchlených záberoch, ako vytvára svetový rekord.
04:39
(Laughter)
115
279260
8000
(smiech)
04:47
(Applause)
116
287260
5000
(potlesk)
04:52
And she's pretty happy.
117
292260
2000
A má z toho celkom radosť.
04:54
We have no idea what is going on inside her brain when she does that,
118
294260
2000
Netušíme, čo prebieha v jej mozgu, keď to robí,
04:56
and that's what we'd like to know.
119
296260
2000
a práve to by sme radi vedeli.
04:58
So in my group, what we try to do
120
298260
2000
Takže v našej skupine sa snažíme
05:00
is reverse engineer how humans control movement.
121
300260
3000
spätne zistiť, ako človek riadi pohyb.
05:03
And it sounds like an easy problem.
122
303260
2000
Znie to ako jednoduchá úloha.
05:05
You send a command down, it causes muscles to contract.
123
305260
2000
Pošlete príkaz – a svaly sa stiahnu,
05:07
Your arm or body moves,
124
307260
2000
vaša ruka alebo telo sa pohne
05:09
and you get sensory feedback from vision, from skin, from muscles and so on.
125
309260
3000
a dostanete zmyslovú spätnú väzbu – zo zraku, kože, svalstva atď.
05:12
The trouble is
126
312260
2000
Problém je v tom,
05:14
these signals are not the beautiful signals you want them to be.
127
314260
2000
že signály nie sú žiadane krásne.
05:16
So one thing that makes controlling movement difficult
128
316260
2000
Takže dôvod zložitosti riadenia pohybu je napríklad v tom,
05:18
is, for example, sensory feedback is extremely noisy.
129
318260
3000
že zmyslovú spätnú väzbu narúša šum.
05:21
Now by noise, I do not mean sound.
130
321260
3000
Pod šumom však nemyslím zvuk,
05:24
We use it in the engineering and neuroscience sense
131
324260
2000
ale význam z inžinierstva a neurovedy,
05:26
meaning a random noise corrupting a signal.
132
326260
2000
teda náhodný šum rušiaci signál.
05:28
So the old days before digital radio when you were tuning in your radio
133
328260
3000
Kedysi, pred digitalizáciou rozhlasu, keď ste si ladili stanicu,
05:31
and you heard "crrcckkk" on the station you wanted to hear,
134
331260
2000
a počuli ste „chŕŕŕ“ na hľadanej stanici,
05:33
that was the noise.
135
333260
2000
tak to bol šum.
05:35
But more generally, this noise is something that corrupts the signal.
136
335260
3000
Všeobecne je ale šum niečo, čo ruší signál.
05:38
So for example, if you put your hand under a table
137
338260
2000
Keď si napríklad dáte ruku pod stôl
05:40
and try to localize it with your other hand,
138
340260
2000
a snažíte sa ju nájsť druhou rukou,
05:42
you can be off by several centimeters
139
342260
2000
môžete ju minúť o centimetre –
05:44
due to the noise in sensory feedback.
140
344260
2000
šum ruší spätnú väzbu od zmyslov.
05:46
Similarly, when you put motor output on movement output,
141
346260
2000
Tiež, v znázornení motorických alebo pohybových výstupov je mnoho šumu.
05:48
it's extremely noisy.
142
348260
2000
05:50
Forget about trying to hit the bull's eye in darts,
143
350260
2000
Zabudnite na pokusy trafiť šípkou do čierneho,
05:52
just aim for the same spot over and over again.
144
352260
2000
len mierte na rovnaký bod stále dokola.
05:54
You have a huge spread due to movement variability.
145
354260
3000
Dostanete široké rozpätie výsledkov kvôli variabilite pohybu.
05:57
And more than that, the outside world, or task,
146
357260
2000
A naviac, vonkajší svet alebo dotyčný úkon
05:59
is both ambiguous and variable.
147
359260
2000
je nejasný a zároveň premenlivý.
06:01
The teapot could be full, it could be empty.
148
361260
2000
Kanvica môže byť plná alebo prázdna;
06:03
It changes over time.
149
363260
2000
mení sa v závislosti od času.
06:05
So we work in a whole sensory movement task soup of noise.
150
365260
4000
Fungujeme v akejsi zmyslovo-pohybovo-úkonovej zmesi šumu.
06:09
Now this noise is so great
151
369260
2000
Ten šum je však taký silný,
06:11
that society places a huge premium
152
371260
2000
že spoločnosť si veľmi vysoko cení tých z nás,
06:13
on those of us who can reduce the consequences of noise.
153
373260
3000
ktorí vedia potláčať dôsledky šumu.
06:16
So if you're lucky enough to be able to knock a small white ball
154
376260
3000
Ak máte to šťastie, že viete ťuknúť dlhou kovovou tyčou do loptičky tak,
06:19
into a hole several hundred yards away using a long metal stick,
155
379260
3000
aby spadla do diery vzdialenej niekoľko sto metrov,
06:22
our society will be willing to reward you
156
382260
2000
naša spoločnosť vás rada odmení
06:24
with hundreds of millions of dollars.
157
384260
3000
stovkami miliónov dolárov.
(smiech)
06:27
Now what I want to convince you of
158
387260
2000
Chcem vás presvedčiť,
06:29
is the brain also goes through a lot of effort
159
389260
2000
že mozog tiež vynakladá veľkú snahu,
06:31
to reduce the negative consequences
160
391260
2000
aby potlačil záporné dôsledky
06:33
of this sort of noise and variability.
161
393260
2000
takého šumu a variability.
06:35
And to do that, I'm going to tell you about a framework
162
395260
2000
Na to používa istú vzťažnú sústavu –
06:37
which is very popular in statistics and machine learning of the last 50 years
163
397260
3000
obľúbenú v štatistike a strojovej vede posledných 50 rokov –
06:40
called Bayesian decision theory.
164
400260
2000
bayesovská teória rozhodovania.
06:42
And it's more recently a unifying way
165
402260
3000
Nedávno sa stala zjednocujúcim vysvetlením toho,
06:45
to think about how the brain deals with uncertainty.
166
405260
3000
ako sa mozog vysporadúva s neurčitosťou.
06:48
And the fundamental idea is you want to make inferences and then take actions.
167
408260
3000
Jej podstata tkvie v tom, že robíme dedukcie a potom jednáme.
06:51
So let's think about the inference.
168
411260
2000
Zoberme si dedukcie.
06:53
You want to generate beliefs about the world.
169
413260
2000
Cieľom je vytvárať si predstavy o skutočnosti.
06:55
So what are beliefs?
170
415260
2000
Aké predstavy?
06:57
Beliefs could be: where are my arms in space?
171
417260
2000
Príklad: kde v priestore sú moje ruky?
06:59
Am I looking at a cat or a fox?
172
419260
2000
Dívam sa na mačku či na líšku?
07:01
But we're going to represent beliefs with probabilities.
173
421260
3000
Ale my budeme predstavy vyjadrovať pravdepodobnosťami.
07:04
So we're going to represent a belief
174
424260
2000
Predstavy teda vyjadríme
07:06
with a number between zero and one --
175
426260
2000
číslom medzi nulou a jednotkou –
07:08
zero meaning I don't believe it at all, one means I'm absolutely certain.
176
428260
3000
0 znamená „vôbec tomu neverím“, 1 „som si úplne istý“.
07:11
And numbers in between give you the gray levels of uncertainty.
177
431260
3000
A čísla medzi tým vyjadrujú sivé medzistupne neistoty.
07:14
And the key idea to Bayesian inference
178
434260
2000
Kľúčovým konceptom v bayesovskej dedukcii je,
07:16
is you have two sources of information
179
436260
2000
že máte dva zdroje informácií,
07:18
from which to make your inference.
180
438260
2000
na ktorých staviate svoju dedukciu.
07:20
You have data,
181
440260
2000
Máte údaje –
a údaje v neurovede, to sú vstupné údaje od zmyslov.
07:22
and data in neuroscience is sensory input.
182
442260
2000
07:24
So I have sensory input, which I can take in to make beliefs.
183
444260
3000
Tieto zmyslové vstupy môžem prijať – a vytvoriť predstavy.
07:27
But there's another source of information, and that's effectively prior knowledge.
184
447260
3000
Máme ale ďalší zdroj informácií, a tým je už získané poznanie.
07:30
You accumulate knowledge throughout your life in memories.
185
450260
3000
Celý svoj život hromadíte poznanie v podobe spomienok.
07:33
And the point about Bayesian decision theory
186
453260
2000
A podstatou bayeovskej teórie rozhodovania je umožniť matematicky spracovať
07:35
is it gives you the mathematics
187
455260
2000
07:37
of the optimal way to combine
188
457260
2000
optimálny spôsob, ako spojiť už získané poznanie so svedectvom zmyslov
07:39
your prior knowledge with your sensory evidence
189
459260
2000
07:41
to generate new beliefs.
190
461260
2000
a vytvárať tak nové predstavy.
07:43
And I've put the formula up there.
191
463260
2000
Ten vzorec som vám premietol.
07:45
I'm not going to explain what that formula is, but it's very beautiful.
192
465260
2000
Nebudem to vysvetľovať. Je však veľmi krásny.
07:47
And it has real beauty and real explanatory power.
193
467260
3000
Má v sebe skutočnú krásu a objasňujúcu silu.
07:50
And what it really says, and what you want to estimate,
194
470260
2000
To, čo vlastne hovorí a čo chceme odhadnúť,
07:52
is the probability of different beliefs
195
472260
2000
je pravdepodobnosť jednotlivých predstáv
07:54
given your sensory input.
196
474260
2000
na základe zo vstupných údajov od zmyslov.
07:56
So let me give you an intuitive example.
197
476260
2000
Dám vám intuitívny príklad.
07:58
Imagine you're learning to play tennis
198
478260
3000
Predstavte si, že sa učíte hrať tenis
08:01
and you want to decide where the ball is going to bounce
199
481260
2000
a chcete zistiť, kde sa odrazí loptička
08:03
as it comes over the net towards you.
200
483260
2000
letiaca k vám cez sieť.
08:05
There are two sources of information
201
485260
2000
Máme dva zdroje informácií,
08:07
Bayes' rule tells you.
202
487260
2000
ako nám hovorí Bayesovo pravidlo.
08:09
There's sensory evidence -- you can use visual information auditory information,
203
489260
3000
Máme zmyslové poznatky – môžeme využiť zrakové a sluchové údaje
08:12
and that might tell you it's going to land in that red spot.
204
492260
3000
a usúdiť tak, že loptička dopadne na to červené miesto.
08:15
But you know that your senses are not perfect,
205
495260
3000
Ale ako viete, zmysly nie sú dokonalé,
08:18
and therefore there's some variability of where it's going to land
206
498260
2000
takže čelíme variabilite, kam lopta dopadne –
08:20
shown by that cloud of red,
207
500260
2000
znázornené tou červenou škvrnou
08:22
representing numbers between 0.5 and maybe 0.1.
208
502260
3000
predstavujúcou čísla medzi 0,5 a zhruba 0,1.
Tieto informácie sú k dispozícii pri tejto rane,
08:26
That information is available in the current shot,
209
506260
2000
08:28
but there's another source of information
210
508260
2000
ale existuje iný zdroj informácií,
08:30
not available on the current shot,
211
510260
2000
ktoré tu k dispozícii nie sú,
08:32
but only available by repeated experience in the game of tennis,
212
512260
3000
a sú dostupné iba opakovaným prežitím tenisového zápasu:
08:35
and that's that the ball doesn't bounce
213
515260
2000
a to, že loptička počas stretnutia nedopadá
08:37
with equal probability over the court during the match.
214
517260
2000
s rovnakou pravdepodobnosťou po celom kurte.
08:39
If you're playing against a very good opponent,
215
519260
2000
Ak máte schopného protihráča,
08:41
they may distribute it in that green area,
216
521260
2000
môže ju umiestňovať po tej zelenej ploche,
08:43
which is the prior distribution,
217
523260
2000
predstavujúcej predchádzajúcu distribúciu,
08:45
making it hard for you to return.
218
525260
2000
kde je pre vás najťažšie ju vrátiť.
08:47
Now both these sources of information carry important information.
219
527260
2000
Oba tieto informačné zdroje poskytujú dôležité údaje.
08:49
And what Bayes' rule says
220
529260
2000
Podľa Bayesovho pravidla
08:51
is that I should multiply the numbers on the red by the numbers on the green
221
531260
3000
máme vynásobiť červené čísla zelenými,
08:54
to get the numbers of the yellow, which have the ellipses,
222
534260
3000
aby sme dostali žlté čísla, ku ktorým patria tie elipsy,
08:57
and that's my belief.
223
537260
2000
a to je potom moja predstava.
08:59
So it's the optimal way of combining information.
224
539260
3000
To je optimálny spôsob, ako spájať informácie.
09:02
Now I wouldn't tell you all this if it wasn't that a few years ago,
225
542260
2000
Nehovoril by som toto všetko, no pred niekoľkými rokmi
09:04
we showed this is exactly what people do
226
544260
2000
sme dokázali, že presne toto ľudia robia,
09:06
when they learn new movement skills.
227
546260
2000
keď sa učia novým pohybovým zručnostiam.
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 sme vlastne bayesovské dedukčné stroje.
09:12
As we go around, we learn about statistics of the world and lay that down,
230
552260
4000
Chodíme po svete a zaznamenávame si štatistické údaje –
09:16
but we also learn
231
556260
2000
tiež ale zisťujeme,
09:18
about how noisy our own sensory apparatus is,
232
558260
2000
koľko je v našom zmyslovom aparáte šumu –,
09:20
and then combine those
233
560260
2000
a potom ich spájame
09:22
in a real Bayesian way.
234
562260
2000
skutočne bayesovským spôsobom.
09:24
Now a key part to the Bayesian is this part of the formula.
235
564260
3000
Dôležitým prvkom bayesovského prístupu je táto časť vzorca.
09:27
And what this part really says
236
567260
2000
A tá časť znamená,
09:29
is I have to predict the probability
237
569260
2000
že musím predpovedať pravdepodobnosť
09:31
of different sensory feedbacks
238
571260
2000
rôznych údajov zmyslovej spätnej väzby,
09:33
given my beliefs.
239
573260
2000
vychádzajúc zo svojich predstáv.
09:35
So that really means I have to make predictions of the future.
240
575260
3000
Vlastne to znamená, že musím predpovedať budúcnosť.
09:38
And I want to convince you the brain does make predictions
241
578260
2000
Ja vás chcem presvedčiť, že mozog predpovedá,
09:40
of the sensory feedback it's going to get.
242
580260
2000
akú spätnú väzbu od zmyslov dostane.
09:42
And moreover, it profoundly changes your perceptions
243
582260
2000
A čo viac, zásadne mení naše vnímanie
09:44
by what you do.
244
584260
2000
podľa toho, čo robíte.
09:46
And to do that, I'll tell you
245
586260
2000
A preto vám poviem o tom,
09:48
about how the brain deals with sensory input.
246
588260
2000
ako náš mozog využíva vstupné údaje od zmyslov.
09:50
So you send a command out,
247
590260
3000
Takže, keď vyšlete príkaz,
09:53
you get sensory feedback back,
248
593260
2000
dostanete spätnú väzbu od zmyslov,
09:55
and that transformation is governed
249
595260
2000
a táto transformácia sa riadi
09:57
by the physics of your body and your sensory apparatus.
250
597260
3000
fyzikálnymi vlastnosťami vášho tela a zmyslového ústrojenstva.
10:00
But you can imagine looking inside the brain.
251
600260
2000
Môžete si ale predstaviť, že hľadíte do mozgu – a tu to je.
10:02
And here's inside the brain.
252
602260
2000
Je tam akýsi malý ukazovateľ, neurálny simulátor toho,
10:04
You might have a little predictor, a neural simulator,
253
604260
2000
10:06
of the physics of your body and your senses.
254
606260
2000
ako sa budú správať vaše telo a zmysly.
10:08
So as you send a movement command down,
255
608260
2000
Keď vyšlete príkaz k pohybu,
10:10
you tap a copy of that off
256
610260
2000
odoberiete tiež jeho kópiu,
10:12
and run it into your neural simulator
257
612260
2000
necháte ju prejsť neurálnym simulátorom,
10:14
to anticipate the sensory consequences of your actions.
258
614260
4000
aby ste predpovedali zmyslové dôsledky svojho konania.
10:18
So as I shake this ketchup bottle,
259
618260
2000
Takže kým trepem fľašou s kečupom,
10:20
I get some true sensory feedback as the function of time in the bottom row.
260
620260
3000
dostávam pravú spätnú väzbu ako funkciu času v spodnom rade.
10:23
And if I've got a good predictor, it predicts the same thing.
261
623260
3000
A ak mám dobrý simulátor, bude jeho predpoveď totožná.
10:26
Well why would I bother doing that?
262
626260
2000
Tak prečo to vôbec robím?
10:28
I'm going to get the same feedback anyway.
263
628260
2000
Aj tak dostanem rovnakú spätnú väzbu.
10:30
Well there's good reasons.
264
630260
2000
Existujú dobré dôvody.
10:32
Imagine, as I shake the ketchup bottle,
265
632260
2000
Predstavte si, že ako trepem tou fľašou,
10:34
someone very kindly comes up to me and taps it on the back for me.
266
634260
3000
niekto ochotne pristúpi a poklepe mi na dno fľaše.
10:37
Now I get an extra source of sensory information
267
637260
2000
Teraz mám ďalší zdroj zmyslových informácií
10:39
due to that external act.
268
639260
2000
kvôli tomuto vonkajšiemu pôsobeniu.
10:41
So I get two sources.
269
641260
2000
Mám teda dva zdroje:
10:43
I get you tapping on it, and I get me shaking it,
270
643260
3000
vás, ktorý na to klepete, a mňa, ktorý tým trepem.
10:46
but from my senses' point of view,
271
646260
2000
Ale z pohľadu mojich zmyslov
10:48
that is combined together into one source of information.
272
648260
3000
je to zlúčené do jediného informačného zdroja.
10:51
Now there's good reason to believe
273
651260
2000
Máme pádny dôvod k tomu sa domnievať,
10:53
that you would want to be able to distinguish external events from internal events.
274
653260
3000
že by ste chceli vedieť rozoznať vonkajšie udalosti od vnútorných.
10:56
Because external events are actually much more behaviorally relevant
275
656260
3000
To je preto, že vonkajšie udalosti majú väčší dopad na správanie
10:59
than feeling everything that's going on inside my body.
276
659260
3000
než schopnosť rozoznať všetko, čo sa deje v mojom tele.
11:02
So one way to reconstruct that
277
662260
2000
Jedným zo spôsobov, ako to zrekonštruovať,
11:04
is to compare the prediction --
278
664260
2000
je porovnať predpoveď –
11:06
which is only based on your movement commands --
279
666260
2000
ktorá vychádza len z pohybových príkazov –
11:08
with the reality.
280
668260
2000
s realitou.
11:10
Any discrepancy should hopefully be external.
281
670260
3000
Prípadná nezrovnalosť by mala byť daná – dúfajme – vonkajším vplyvom.
11:13
So as I go around the world,
282
673260
2000
Takže ako tak chodím po svete,
11:15
I'm making predictions of what I should get, subtracting them off.
283
675260
3000
predpovedám, čo by sa malo stať – a odčítavam to.
11:18
Everything left over is external to me.
284
678260
2000
A to, čo mi zostane, je voči mne vonkajšie.
11:20
What evidence is there for this?
285
680260
2000
Aké sú pre to dôkazy?
11:22
Well there's one very clear example
286
682260
2000
Existuje jeden jednoznačný príklad toho,
11:24
where a sensation generated by myself feels very different
287
684260
2000
kde môj pocit, ktorý vyvolám ja,
11:26
then if generated by another person.
288
686260
2000
sa líši od pocitu vyvolaného niekým iným.
11:28
And so we decided the most obvious place to start
289
688260
2000
Usúdili sme, že najvhodnejšie by bolo začať
11:30
was with tickling.
290
690260
2000
šteklením.
11:32
It's been known for a long time, you can't tickle yourself
291
692260
2000
Už dlho vieme, že človek sám seba nemôže štekliť
11:34
as well as other people can.
292
694260
2000
tak dobre, ako to vie niekto iný.
11:36
But it hasn't really been shown, it's because you have a neural simulator,
293
696260
3000
Ešte však nebolo dokázané, že za tým stojí neurálny simulátor,
11:39
simulating your own body
294
699260
2000
simulujúci činnosť nášho tela
11:41
and subtracting off that sense.
295
701260
2000
a odčítavajúci príslušné pocity.
11:43
So we can bring the experiments of the 21st century
296
703260
3000
My ale môžeme tieto pokusy preniesť do 21. storočia
11:46
by applying robotic technologies to this problem.
297
706260
3000
a pri riešení využiť robotické technológie.
11:49
And in effect, what we have is some sort of stick in one hand attached to a robot,
298
709260
3000
To znamená, že niekto jednou rukou drží tyčku pripojenú k robotovi –
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 riadime pomocou neho druhého robota,
11:58
which is going to tickle their palm with another stick.
302
718260
2000
ktorý dotyčného šteklí na dlani inou tyčkou.
12:00
And then we're going to ask them to rate a bunch of things
303
720260
2000
Potom chceme, aby vyhodnotil rad vecí,
12:02
including ticklishness.
304
722260
2000
medzi ktorými je šteklivosť.
12:04
I'll show you just one part of our study.
305
724260
2000
Ukážem vám časť našej štúdie.
12:06
And here I've taken away the robots,
306
726260
2000
Tu už nevidíte roboty, v podstate ide len o pohyb
12:08
but basically people move with their right arm sinusoidally back and forward.
307
728260
3000
pravou rukou sem a tam po akejsi sínusoide.
12:11
And we replay that to the other hand with a time delay.
308
731260
3000
A tento pohyb vykonávame na druhú ruku, ale s oneskorením.
12:14
Either no time delay,
309
734260
2000
Buď s nulovým,
12:16
in which case light would just tickle your palm,
310
736260
2000
vtedy pravá ruka šteklí dlaň priamo,
12:18
or with a time delay of two-tenths of three-tenths of a second.
311
738260
4000
alebo s oneskorením 1/10, 2/10 alebo 3/10 sekundy.
12:22
So the important point here
312
742260
2000
Tu je dôležité pripomenúť,
12:24
is the right hand always does the same things -- sinusoidal movement.
313
744260
3000
že pravá ruka vykonáva stále to isté – sínusoidný pohyb.
12:27
The left hand always is the same and puts sinusoidal tickle.
314
747260
3000
Ľavá tiež robí stále to isté a vyvoláva sínusoidnú šteklivosť.
12:30
All we're playing with is a tempo causality.
315
750260
2000
Hráme sa len s časovou kauzalitou.
12:32
And as we go from naught to 0.1 second,
316
752260
2000
A keď oneskorenie zvyšujeme z 0 na 0,1 sekundy,
12:34
it becomes more ticklish.
317
754260
2000
šteklivosť rastie.
12:36
As you go from 0.1 to 0.2,
318
756260
2000
A keď potom oneskorenie zvyšujeme z 0,1 na 0,2 sekundy,
12:38
it becomes more ticklish at the end.
319
758260
2000
šteklivosť stále rastie.
12:40
And by 0.2 of a second,
320
760260
2000
A kým šteklivosť dosiahne 0,2 sekundy,
12:42
it's equivalently ticklish
321
762260
2000
šteklivosť je rovnaká,
12:44
to the robot that just tickled you without you doing anything.
322
764260
2000
ako keď robot šteklí bez vášho pričinenia.
12:46
So whatever is responsible for this cancellation
323
766260
2000
Čokoľvek teda zapríčiňuje ono rušenie,
12:48
is extremely tightly coupled with tempo causality.
324
768260
3000
musí to byť úzko prepojené s časovou kauzalitou.
12:51
And based on this illustration, we really convinced ourselves in the field
325
771260
3000
Táto a ďalšia štúdia nás vedcov z tohto odboru presvedčili,
12:54
that the brain's making precise predictions
326
774260
2000
že mozog vykonáva presné predpovede
12:56
and subtracting them off from the sensations.
327
776260
3000
a odčítava ich od vnemov.
12:59
Now I have to admit, these are the worst studies my lab has ever run.
328
779260
3000
Musím priznať, že išlo o najťažšie štúdie v histórii nášho laboratória.
13:02
Because the tickle sensation on the palm comes and goes,
329
782260
2000
Pretože šteklivosť dlane kolísa,
13:04
you need large numbers of subjects
330
784260
2000
potrebujete značný počet subjektov,
13:06
with these stars making them significant.
331
786260
2000
na štatisticky signifikantné výsledky.
13:08
So we were looking for a much more objective way
332
788260
2000
Takže sme hľadali omnoho objektívnejší spôsob,
13:10
to assess this phenomena.
333
790260
2000
ako vyhodnotiť tento fenomén.
13:12
And in the intervening years I had two daughters.
334
792260
2000
A medzitým sa mi narodili dve dcéry.
13:14
And one thing you notice about children in backseats of cars on long journeys,
335
794260
3000
Všimnite si, že deti, keď sedia na zadných sedadlách auta
13:17
they get into fights --
336
797260
2000
pri dlhých jazdách, začnú sa biť.
13:19
which started with one of them doing something to the other, the other retaliating.
337
799260
3000
Začína to, keď jeden urobí niečo tomu druhému, ten mu to vráti
13:22
It quickly escalates.
338
802260
2000
a situácia sa rýchlo vyhrotí.
13:24
And children tend to get into fights which escalate in terms of force.
339
804260
3000
Detské bitky sa často stupňujú svojou silou.
13:27
Now when I screamed at my children to stop,
340
807260
2000
Keď na deti zarevem, nech s tým prestanú,
13:29
sometimes they would both say to me
341
809260
2000
tak niekedy obe hovoria,
13:31
the other person hit them harder.
342
811260
3000
že tá druhá ju buchla silnejšie.
13:34
Now I happen to know my children don't lie,
343
814260
2000
No a ja náhodou viem, že moje deti neklamú,
13:36
so I thought, as a neuroscientist,
344
816260
2000
tak som si povedal – ako neurovedec –,
13:38
it was important how I could explain
345
818260
2000
že by sa zišlo vysvetliť,
13:40
how they were telling inconsistent truths.
346
820260
2000
ako si môžu ich pravdivé výroky odporovať.
13:42
And we hypothesize based on the tickling study
347
822260
2000
Zo štúdie o šteklení vznikla hypotéza,
13:44
that when one child hits another,
348
824260
2000
že ak jedno dieťa buchne druhé,
13:46
they generate the movement command.
349
826260
2000
zadá pohybový príkaz.
13:48
They predict the sensory consequences and subtract it off.
350
828260
3000
Predpovedia zmyslové následky a odčítajú ich.
13:51
So they actually think they've hit the person less hard than they have --
351
831260
2000
Takže si myslia, že druhého buchli slabšie
13:53
rather like the tickling.
352
833260
2000
podobne ako to bolo so šteklením.
13:55
Whereas the passive recipient
353
835260
2000
Hoci pasívny príjemca rany
13:57
doesn't make the prediction, feels the full blow.
354
837260
2000
nič nepredpovedá – a cíti ranu naplno.
13:59
So if they retaliate with the same force,
355
839260
2000
Ak mu ju oplatí rovnakou silou,
14:01
the first person will think it's been escalated.
356
841260
2000
bude si ten prvý myslieť, že došlo k eskalácii.
14:03
So we decided to test this in the lab.
357
843260
2000
No a tak sme sa rozhodli vyskúšať to v laboratóriu.
14:05
(Laughter)
358
845260
3000
(smiech)
14:08
Now we don't work with children, we don't work with hitting,
359
848260
2000
S deťmi nepracujeme, ani s údermi –
14:10
but the concept is identical.
360
850260
2000
ale koncept je rovnaký.
14:12
We bring in two adults. We tell them they're going to play a game.
361
852260
3000
Privedieme dvoch dospelých a povieme im, že si zahrajú hru.
14:15
And so here's player one and player two sitting opposite to each other.
362
855260
2000
Tu je hráč 1 a hráč 2, sedia oproti sebe.
14:17
And the game is very simple.
363
857260
2000
Hra je veľmi jednoduchá.
14:19
We started with a motor
364
859260
2000
Začali sme s motorom,
14:21
with a little lever, a little force transfuser.
365
861260
2000
s malou páčkou – malým zosilňovačom.
14:23
And we use this motor to apply force down to player one's fingers
366
863260
2000
Pomocou tohto motorčeka vyvíjame tlak na prsty hráča,
14:25
for three seconds and then it stops.
367
865260
3000
3 sekundy a dosť.
14:28
And that player's been told, remember the experience of that force
368
868260
3000
Tomu hráčovi sme povedali, nech si zapamätá pocit z toho tlaku
14:31
and use your other finger
369
871260
2000
a potom druhým prstom
14:33
to apply the same force
370
873260
2000
vyvinie rovnaký tlak
14:35
down to the other subject's finger through a force transfuser -- and they do that.
371
875260
3000
na prst protihráča pomocou zosilňovača – čo aj urobil.
14:38
And player two's been told, remember the experience of that force.
372
878260
3000
A hráčovi 2 sme povedali, nech si zapamätá pocit z toho tlaku
14:41
Use your other hand to apply the force back down.
373
881260
3000
a druhou rukou ten tlak zopakuje.
14:44
And so they take it in turns
374
884260
2000
Takto sa teda striedajú
14:46
to apply the force they've just experienced back and forward.
375
886260
2000
vo vyvíjaní tlaku, ktorý práve pocítili.
14:48
But critically,
376
888260
2000
Kľúčové je ale to,
14:50
they're briefed about the rules of the game in separate rooms.
377
890260
3000
že sme ich poučili o pravidlách hry v oddelených miestnostiach.
14:53
So they don't know the rules the other person's playing by.
378
893260
2000
Takže nepoznajú pravidlá protihráča.
14:55
And what we've measured
379
895260
2000
Pri tomto pokuse sme merali
14:57
is the force as a function of terms.
380
897260
2000
silu ako funkciu počtu striedaní.
14:59
And if we look at what we start with,
381
899260
2000
A ak sa pozrieme na prvú nameranú hodnotu –
15:01
a quarter of a Newton there, a number of turns,
382
901260
2000
štvrť Newtonu... a počet striedaní...
15:03
perfect would be that red line.
383
903260
2000
Ideálnym výsledkom by bola tá červená čiara.
15:05
And what we see in all pairs of subjects is this --
384
905260
3000
Čo ale vidíme pri každom páre subjektov, je toto:
15:08
a 70 percent escalation in force
385
908260
2000
70 % stupňovanie sily
15:10
on each go.
386
910260
2000
pri každom striedaní.
15:12
So it really suggests, when you're doing this --
387
912260
2000
To naozaj svedčí o tom, že pri tejto hre –
15:14
based on this study and others we've done --
388
914260
2000
tu vychádzame z tejto a iných našich štúdií –
15:16
that the brain is canceling the sensory consequences
389
916260
2000
mozog odčítava zmyslové následky
15:18
and underestimating the force it's producing.
390
918260
2000
a podhodnocuje silu, ktorú vyvíja.
15:20
So it re-shows the brain makes predictions
391
920260
2000
Takže to naozaj dokazuje, že mozog predpovedá
15:22
and fundamentally changes the precepts.
392
922260
3000
a mení podstatu vnímania.
15:25
So we've made inferences, we've done predictions,
393
925260
3000
Po dedukciách a predpovediach
15:28
now we have to generate actions.
394
928260
2000
musí prísť samotné konanie.
15:30
And what Bayes' rule says is, given my beliefs,
395
930260
2000
Bayesovo pravidlo tvrdí, vychádzajúc z predstáv,
15:32
the action should in some sense be optimal.
396
932260
2000
konanie by malo byť akosi optimálne.
15:34
But we've got a problem.
397
934260
2000
Narážame ale na prekážku.
15:36
Tasks are symbolic -- I want to drink, I want to dance --
398
936260
3000
Úkony sú symbolické – chcem sa napiť, chcem tancovať –,
15:39
but the movement system has to contract 600 muscles
399
939260
2000
ale pohybové ústrojenstvo musí stiahnuť 600 rôznych svalov
15:41
in a particular sequence.
400
941260
2000
v určitom slede.
15:43
And there's a big gap
401
943260
2000
Je tu veľký rozdiel
15:45
between the task and the movement system.
402
945260
2000
medzi úkonom a pohybovým ústrojenstvom.
15:47
So it could be bridged in infinitely many different ways.
403
947260
2000
Je veľa spôsobov, ako ten rozdiel prekonať.
15:49
So think about just a point to point movement.
404
949260
2000
Vezmime si obyčajný pohyb z bodu do bodu.
15:51
I could choose these two paths
405
951260
2000
Môžem zvoliť tieto dve dráhy –
15:53
out of an infinite number of paths.
406
953260
2000
z nekonečného počtu možných dráh.
15:55
Having chosen a particular path,
407
955260
2000
Akonáhle som si zvolil konkrétnu dráhu,
15:57
I can hold my hand on that path
408
957260
2000
môžem na nej držať ruku
15:59
as infinitely many different joint configurations.
409
959260
2000
v nekonečnej rôznej konfigurácií kĺbov.
16:01
And I can hold my arm in a particular joint configuration
410
961260
2000
Môžem si držať ruku v určitej konfigurácii,
16:03
either very stiff or very relaxed.
411
963260
2000
môžem ju mať veľmi zaťatú alebo uvoľnenú.
16:05
So I have a huge amount of choice to make.
412
965260
3000
Takže si musím vybrať z ohromného množstva možností.
16:08
Now it turns out, we are extremely stereotypical.
413
968260
3000
A ako sa ukázalo, sme veľmi stereotypní.
16:11
We all move the same way pretty much.
414
971260
3000
Všetci robíme takmer rovnaké pohyby.
16:14
And so it turns out we're so stereotypical,
415
974260
2000
A keďže sa ukazuje, že sme takí stereotypní,
16:16
our brains have got dedicated neural circuitry
416
976260
2000
naše mozgy majú určený neurálny systém
16:18
to decode this stereotyping.
417
978260
2000
na dešifrovanie týchto stereotypov.
16:20
So if I take some dots
418
980260
2000
Takže keď zoberiem pár bodiek
16:22
and set them in motion with biological motion,
419
982260
3000
a rozpohybujem ich biologickým pohybom,
16:25
your brain's circuitry would understand instantly what's going on.
420
985260
3000
neurálny systém vo vašom mozgu by hneď pochopil, o čo ide.
16:28
Now this is a bunch of dots moving.
421
988260
2000
Toto je zhluk pohybujúcich sa bodiek,
16:30
You will know what this person is doing,
422
990260
3000
ale vy spoznáte, čo ten človek urobí,
16:33
whether happy, sad, old, young -- a huge amount of information.
423
993260
3000
či je spokojný, smutný, starý, mladý – obrovské množstvo informácií.
16:36
If these dots were cars going on a racing circuit,
424
996260
2000
Ak by tieto body predstavovali autá na závodnej dráhe,
16:38
you would have absolutely no idea what's going on.
425
998260
3000
nemali by ste tušenie, čo sa deje.
16:41
So why is it
426
1001260
2000
Prečo sa teda pohybujeme
16:43
that we move the particular ways we do?
427
1003260
2000
iba určitými spôsobmi?
16:45
Well let's think about what really happens.
428
1005260
2000
Zamyslime sa teda, čo sa naozaj deje.
16:47
Maybe we don't all quite move the same way.
429
1007260
3000
Možno sa všetci nepohybujeme úplne rovnako.
16:50
Maybe there's variation in the population.
430
1010260
2000
Možno je v populácii variabilita.
16:52
And maybe those who move better than others
431
1012260
2000
Možno tí, ktorí sa pohybujú lepšie ako ostatní,
16:54
have got more chance of getting their children into the next generation.
432
1014260
2000
majú väčšiu šancu na potomkov v ďalšej generácii.
16:56
So in evolutionary scales, movements get better.
433
1016260
3000
Na evolučnej stupnici sa pohybové schopnosti zlepšujú.
16:59
And perhaps in life, movements get better through learning.
434
1019260
3000
A možno sa naše pohyby počas života zlepšujú učením.
17:02
So what is it about a movement which is good or bad?
435
1022260
2000
Prečo je nejaký pohyb dobrý a iný zlý?
17:04
Imagine I want to intercept this ball.
436
1024260
2000
Predstavte si, že chcem chytiť túto loptičku.
17:06
Here are two possible paths to that ball.
437
1026260
3000
Tu vidíte dve možné dráhy k loptičke.
17:09
Well if I choose the left-hand path,
438
1029260
2000
Ak zvolím tú naľavo,
17:11
I can work out the forces required
439
1031260
2000
môžem prísť na to, aká sila je potrebná
17:13
in one of my muscles as a function of time.
440
1033260
2000
v tom-ktorom svale v závislosti na čase.
17:15
But there's noise added to this.
441
1035260
2000
Vstupuje do toho však aj šum.
17:17
So what I actually get, based on this lovely, smooth, desired force,
442
1037260
3000
Nakoniec dostanem na základe tejto krásnej, hladkej, žiadanej sily
17:20
is a very noisy version.
443
1040260
2000
šumom zamorenú verziu.
17:22
So if I pick the same command through many times,
444
1042260
3000
Takže ak opakovane zvolím rovnaký príkaz,
17:25
I will get a different noisy version each time, because noise changes each time.
445
1045260
3000
dostanem vďaka šumu vždy inú verziu, keďže šum je vždy iný.
17:28
So what I can show you here
446
1048260
2000
Takže tu vám môžem ukázať,
17:30
is how the variability of the movement will evolve
447
1050260
2000
ako sa tá variabilita pohybu bude vyvíjať,
17:32
if I choose that way.
448
1052260
2000
keď si zvolím túto dráhu.
17:34
If I choose a different way of moving -- on the right for example --
449
1054260
3000
Keď si zvolím inú dráhu, napríklad tú napravo,
17:37
then I'll have a different command, different noise,
450
1057260
2000
tak dostanem iné príkazy, iný šum,
17:39
playing through a noisy system, very complicated.
451
1059260
3000
keďže všetko ide cez zašumený systém, je to veľmi zložité.
17:42
All we can be sure of is the variability will be different.
452
1062260
3000
Môžeme si byť istí len tým, že tá variabilita bude odlišná.
17:45
If I move in this particular way,
453
1065260
2000
Ak zvolím túto konkrétnu dráhu,
17:47
I end up with a smaller variability across many movements.
454
1067260
3000
dostanem menšiu variabilitu.
17:50
So if I have to choose between those two,
455
1070260
2000
Ak si teda musím vybrať medzi tými dvoma,
17:52
I would choose the right one because it's less variable.
456
1072260
2000
vybral by som si tú menej variabilnú.
17:54
And the fundamental idea
457
1074260
2000
Kľúčovou myšlienkou je teda to,
17:56
is you want to plan your movements
458
1076260
2000
že chcete rozvrhnúť svoje pohyby tak,
17:58
so as to minimize the negative consequence of the noise.
459
1078260
3000
aby tie nepriaznivé dôsledky šumu boli čo najmenšie.
18:01
And one intuition to get
460
1081260
2000
A je treba pochopiť jeden intuitívny vhľad,
18:03
is actually the amount of noise or variability I show here
461
1083260
2000
že množstvo šumu či variability tu predvádzanej
18:05
gets bigger as the force gets bigger.
462
1085260
2000
je tým väčšie, čím väčšia je sila.
18:07
So you want to avoid big forces as one principle.
463
1087260
3000
Takže jednou zásadou je vyhnúť sa veľkým silám.
18:10
So we've shown that using this,
464
1090260
2000
Takže sme ukázali,
18:12
we can explain a huge amount of data --
465
1092260
2000
že môžeme vysvetliť veľké množstvo údajov –
18:14
that exactly people are going about their lives planning movements
466
1094260
3000
že ľudia vo svojom praktickom živote plánujú svoje pohyby tak,
18:17
so as to minimize negative consequences of noise.
467
1097260
3000
aby znížili na najmenšiu mieru nepriaznivé dôsledky šumu.
18:20
So I hope I've convinced you the brain is there
468
1100260
2000
Dúfam, že som vás presvedčil, že takýto je mozog,
18:22
and evolved to control movement.
469
1102260
2000
a že sa vyvinul, aby riadil pohyb.
18:24
And it's an intellectual challenge to understand how we do that.
470
1104260
3000
A porozumieť tomu, ako to robíme, je intelektuálna výzva.
18:27
But it's also relevant
471
1107260
2000
Má to ale tiež význam
18:29
for disease and rehabilitation.
472
1109260
2000
pri chorobách a rehabilitácii.
18:31
There are many diseases which effect movement.
473
1111260
3000
Mnohé choroby ovplyvňujú pohyb.
18:34
And hopefully if we understand how we control movement,
474
1114260
2000
A snáď ak pochopíme, ako riadime pohyb,
18:36
we can apply that to robotic technology.
475
1116260
2000
budeme to môcť využiť v robotickej technológii.
18:38
And finally, I want to remind you,
476
1118260
2000
A na záver by som vám chcel pripomenúť,
18:40
when you see animals do what look like very simple tasks,
477
1120260
2000
že keď uvidíte zvieratá robiť čosi veľmi jednoduché,
18:42
the actual complexity of what is going on inside their brain
478
1122260
2000
zložitosť procesov, ktoré vtedy prebiehajú v ich mozgu,
18:44
is really quite dramatic.
479
1124260
2000
sú naozaj úžasné.
18:46
Thank you very much.
480
1126260
2000
Ďakujem pekne.
18:48
(Applause)
481
1128260
8000
(potlesk)
18:56
Chris Anderson: Quick question for you, Dan.
482
1136260
2000
Chris Anderson: Jedna rýchla otázka, Dan.
18:58
So you're a movement -- (DW: Chauvinist.) -- chauvinist.
483
1138260
4000
Takže ty si pohybový – 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 podľa teba tie ďalšie veci, ktoré našim mozgom pripisujeme –
19:05
the dreaming, the yearning, the falling in love and all these things --
485
1145260
3000
snívanie, túžbu, zamilovanie sa a všetky podobné veci –
19:08
are a kind of side show, an accident?
486
1148260
3000
odvádzajú pozornosť od podstaty a sú iba náhodné?
19:11
DW: No, no, actually I think they're all important
487
1151260
2000
DW: Myslím si, že všetky sú dôležité
19:13
to drive the right movement behavior to get reproduction in the end.
488
1153260
3000
ako hnacia sila pohybového správania vedúceho k rozmnoženiu.
19:16
So I think people who study sensation or memory
489
1156260
3000
Takže podľa mňa ľudia, ktorí skúmajú zmysly alebo pamäť,
19:19
without realizing why you're laying down memories of childhood.
490
1159260
2000
si neuvedomujú, dôvod uchovávania raných spomienok.
19:21
The fact that we forget most of our childhood, for example,
491
1161260
3000
Napríklad to, že väčšinu svojho detstva zabudneme,
19:24
is probably fine, because it doesn't effect our movements later in life.
492
1164260
3000
je asi v poriadku, pretože to neovplyvňuje pohyby neskôr v živote.
19:27
You only need to store things which are really going to effect movement.
493
1167260
3000
Potrebujete uchovávať iba to, čo bude mať vplyv na pohyb.
19:30
CA: So you think that people thinking about the brain, and consciousness generally,
494
1170260
3000
CA: Čiže ľudia, ktorí rozmýšľajú o mozgu či všeobecne o vedomí,
19:33
could get real insight
495
1173260
2000
by mohli dosiahnuť dôležité vhľady,
19:35
by saying, where does movement play in this game?
496
1175260
2000
ak by si povedali: „Akú rolu tu hrá pohyb?“
19:37
DW: So people have found out for example
497
1177260
2000
DW: Takto ľudia napríklad prišli na to,
19:39
that studying vision in the absence of realizing why you have vision
498
1179260
2000
že skúmanie zraku, bez uvedomovania si, na čo zrak máme, je chybou.
19:41
is a mistake.
499
1181260
2000
19:43
You have to study vision with the realization
500
1183260
2000
Pri skúmaní zraku si musíme uvedomovať,
19:45
of how the movement system is going to use vision.
501
1185260
2000
ako bude pohybové ústrojenstvo zrak využívať.
19:47
And it uses it very differently once you think about it that way.
502
1187260
2000
Využíva ho úplne inak – keď sa zamyslíte.
19:49
CA: Well that was quite fascinating. Thank you very much indeed.
503
1189260
3000
CA: Tak teda, toto bolo fascinujúce. Veľmi pekne ti ďakujem.
19:52
(Applause)
504
1192260
2000
(potlesk)
O tomto webe

Táto stránka vám predstaví videá na YouTube, ktoré sú užitočné pri učení angličtiny. Uvidíte lekcie angličtiny, ktoré vedú špičkoví učitelia z celého sveta. Dvojitým kliknutím na anglické titulky zobrazené na stránke každého videa si môžete video odtiaľ prehrať. Titulky sa posúvajú synchronizovane s prehrávaním videa. Ak máte akékoľvek pripomienky alebo požiadavky, kontaktujte nás prostredníctvom tohto kontaktného formulára.

https://forms.gle/WvT1wiN1qDtmnspy7