TED日本語 - ダニエル・ウォルパート: 脳の存在理由

TED日本語

TED Talks(英語 日本語字幕付き動画)

TED日本語 - ダニエル・ウォルパート: 脳の存在理由

TED Talks

脳の存在理由

The real reason for brains

ダニエル・ウォルパート

Daniel Wolpert

内容

神経科学者であるダニエル・ウォルパートは、驚くべき仮説で話を始めます。脳は考えたり感じたりするためではなく、動きを制御するために進化した、と。彼の面白くデータに富んだ話は、脳がいかに美しく、ヒトの機敏な動きを作り出すかを教えてくれます。

字幕

SCRIPT

Script

I'm a neuroscientist. And in neuroscience, we have to deal with many difficult questions about the brain. But I want to start with the easiest question and the question you really should have all asked yourselves at some point in your life, because it's a fundamental question if we want to understand brain function. And that is, why do we and other animals have brains? Not all species on our planet have brains, so if we want to know what the brain is for, let's think about why we evolved one. Now you may reason that we have one to perceive the world or to think, and that's completely wrong. If you think about this question for any length of time, it's blindingly obvious why we have a brain. We have a brain for one reason and one reason only, and that's to produce adaptable and complex movements. There is no other reason to have a brain. Think about it. Movement is the only way you have of affecting the world around you. Now that's not quite true. There's one other way, and that's through sweating. But apart from that, everything else goes through contractions of muscles.

So think about communication -- speech, gestures, writing, sign language -- they're all mediated through contractions of your muscles. So it's really important to remember that sensory, memory and cognitive processes are all important, but they're only important to either drive or suppress future movements. There can be no evolutionary advantage to laying down memories of childhood or perceiving the color of a rose if it doesn't affect the way you're going to move later in life.

Now for those who don't believe this argument, we have trees and grass on our planet without the brain, but the clinching evidence is this animal here -- the humble sea squirt. Rudimentary animal, has a nervous system, swims around in the ocean in its juvenile life. And at some point of its life, it implants on a rock. And the first thing it does in implanting on that rock, which it never leaves, is to digest its own brain and nervous system for food. So once you don't need to move, you don't need the luxury of that brain. And this animal is often taken as an analogy to what happens at universities when professors get tenure, but that's a different subject.

(Applause)

So I am a movement chauvinist. I believe movement is the most important function of the brain -- don't let anyone tell you that it's not true. Now if movement is so important, how well are we doing understanding how the brain controls movement? And the answer is we're doing extremely poorly; it's a very hard problem. But we can look at how well we're doing by thinking about how well we're doing building machines which can do what humans can do.

Think about the game of chess. How well are we doing determining what piece to move where? If you pit Garry Kasparov here, when he's not in jail, against IBM's Deep Blue, well the answer is IBM's Deep Blue will occasionally win. And I think if IBM's Deep Blue played anyone in this room, it would win every time. That problem is solved. What about the problem of picking up a chess piece, dexterously manipulating it and putting it back down on the board? If you put a five year-old child's dexterity against the best robots of today, the answer is simple: the child wins easily. There's no competition at all.

Now why is that top problem so easy and the bottom problem so hard? One reason is a very smart five year-old could tell you the algorithm for that top problem -- look at all possible moves to the end of the game and choose the one that makes you win. So it's a very simple algorithm. Now of course there are other moves, but with vast computers we approximate and come close to the optimal solution. When it comes to being dexterous, it's not even clear what the algorithm is you have to solve to be dexterous. And we'll see you have to both perceive and act on the world, which has a lot of problems.

But let me show you cutting-edge robotics. Now a lot of robotics is very impressive, but manipulation robotics is really just in the dark ages. So this is the end of a Ph.D. project from one of the best robotics institutes. And the student has trained this robot to pour this water into a glass. It's a hard problem because the water sloshes about, but it can do it. But it doesn't do it with anything like the agility of a human. Now if you want this robot to do a different task, that's another three-year Ph.D. program. There is no generalization at all from one task to another in robotics.

Now we can compare this to cutting-edge human performance. So what I'm going to show you is Emily Fox winning the world record for cup stacking. Now the Americans in the audience will know all about cup stacking. It's a high school sport where you have 12 cups you have to stack and unstack against the clock in a prescribed order. And this is her getting the world record in real time. (Laughter) (Applause) And she's pretty happy. We have no idea what is going on inside her brain when she does that, and that's what we'd like to know.

So in my group, what we try to do is reverse engineer how humans control movement. And it sounds like an easy problem. You send a command down, it causes muscles to contract. Your arm or body moves, and you get sensory feedback from vision, from skin, from muscles and so on. The trouble is these signals are not the beautiful signals you want them to be. So one thing that makes controlling movement difficult is, for example, sensory feedback is extremely noisy. Now by noise, I do not mean sound. We use it in the engineering and neuroscience sense meaning a random noise corrupting a signal. So the old days before digital radio when you were tuning in your radio and you heard "crrcckkk" on the station you wanted to hear, that was the noise. But more generally, this noise is something that corrupts the signal.

So for example, if you put your hand under a table and try to localize it with your other hand, you can be off by several centimeters due to the noise in sensory feedback. Similarly, when you put motor output on movement output, it's extremely noisy. Forget about trying to hit the bull's eye in darts, just aim for the same spot over and over again. You have a huge spread due to movement variability. And more than that, the outside world, or task, is both ambiguous and variable. The teapot could be full, it could be empty. It changes over time. So we work in a whole sensory movement task soup of noise.

Now this noise is so great that society places a huge premium on those of us who can reduce the consequences of noise. So if you're lucky enough to be able to knock a small white ball into a hole several hundred yards away using a long metal stick, our society will be willing to reward you with hundreds of millions of dollars.

Now what I want to convince you of is the brain also goes through a lot of effort to reduce the negative consequences of this sort of noise and variability. And to do that, I'm going to tell you about a framework which is very popular in statistics and machine learning of the last 50 years called Bayesian decision theory. And it's more recently a unifying way to think about how the brain deals with uncertainty. And the fundamental idea is you want to make inferences and then take actions.

So let's think about the inference. You want to generate beliefs about the world. So what are beliefs? Beliefs could be: where are my arms in space? Am I looking at a cat or a fox? But we're going to represent beliefs with probabilities. So we're going to represent a belief with a number between zero and one -- zero meaning I don't believe it at all, one means I'm absolutely certain. And numbers in between give you the gray levels of uncertainty. And the key idea to Bayesian inference is you have two sources of information from which to make your inference. You have data, and data in neuroscience is sensory input. So I have sensory input, which I can take in to make beliefs. But there's another source of information, and that's effectively prior knowledge. You accumulate knowledge throughout your life in memories. And the point about Bayesian decision theory is it gives you the mathematics of the optimal way to combine your prior knowledge with your sensory evidence to generate new beliefs.

And I've put the formula up there. I'm not going to explain what that formula is, but it's very beautiful. And it has real beauty and real explanatory power. And what it really says, and what you want to estimate, is the probability of different beliefs given your sensory input. So let me give you an intuitive example. Imagine you're learning to play tennis and you want to decide where the ball is going to bounce as it comes over the net towards you. There are two sources of information Bayes' rule tells you. There's sensory evidence -- you can use visual information auditory information, and that might tell you it's going to land in that red spot. But you know that your senses are not perfect, and therefore there's some variability of where it's going to land shown by that cloud of red, representing numbers between 0.5 and maybe 0.1.

That information is available in the current shot, but there's another source of information not available on the current shot, but only available by repeated experience in the game of tennis, and that's that the ball doesn't bounce with equal probability over the court during the match. If you're playing against a very good opponent, they may distribute it in that green area, which is the prior distribution, making it hard for you to return. Now both these sources of information carry important information. And what Bayes' rule says is that I should multiply the numbers on the red by the numbers on the green to get the numbers of the yellow, which have the ellipses, and that's my belief. So it's the optimal way of combining information.

Now I wouldn't tell you all this if it wasn't that a few years ago, we showed this is exactly what people do when they learn new movement skills. And what it means is we really are Bayesian inference machines. As we go around, we learn about statistics of the world and lay that down, but we also learn about how noisy our own sensory apparatus is, and then combine those in a real Bayesian way.

Now a key part to the Bayesian is this part of the formula. And what this part really says is I have to predict the probability of different sensory feedbacks given my beliefs. So that really means I have to make predictions of the future. And I want to convince you the brain does make predictions of the sensory feedback it's going to get. And moreover, it profoundly changes your perceptions by what you do. And to do that, I'll tell you about how the brain deals with sensory input. So you send a command out, you get sensory feedback back, and that transformation is governed by the physics of your body and your sensory apparatus.

But you can imagine looking inside the brain. And here's inside the brain. You might have a little predictor, a neural simulator, of the physics of your body and your senses. So as you send a movement command down, you tap a copy of that off and run it into your neural simulator to anticipate the sensory consequences of your actions. So as I shake this ketchup bottle, I get some true sensory feedback as the function of time in the bottom row. And if I've got a good predictor, it predicts the same thing.

Well why would I bother doing that? I'm going to get the same feedback anyway. Well there's good reasons. Imagine, as I shake the ketchup bottle, someone very kindly comes up to me and taps it on the back for me. Now I get an extra source of sensory information due to that external act. So I get two sources. I get you tapping on it, and I get me shaking it, but from my senses' point of view, that is combined together into one source of information.

Now there's good reason to believe that you would want to be able to distinguish external events from internal events. Because external events are actually much more behaviorally relevant than feeling everything that's going on inside my body. So one way to reconstruct that is to compare the prediction -- which is only based on your movement commands -- with the reality. Any discrepancy should hopefully be external. So as I go around the world, I'm making predictions of what I should get, subtracting them off. Everything left over is external to me.

What evidence is there for this? Well there's one very clear example where a sensation generated by myself feels very different then if generated by another person. And so we decided the most obvious place to start was with tickling. It's been known for a long time, you can't tickle yourself as well as other people can. But it hasn't really been shown, it's because you have a neural simulator, simulating your own body and subtracting off that sense. So we can bring the experiments of the 21st century by applying robotic technologies to this problem. And in effect, what we have is some sort of stick in one hand attached to a robot, and they're going to move that back and forward. And then we're going to track that with a computer and use it to control another robot, which is going to tickle their palm with another stick. And then we're going to ask them to rate a bunch of things including ticklishness.

I'll show you just one part of our study. And here I've taken away the robots, but basically people move with their right arm sinusoidally back and forward. And we replay that to the other hand with a time delay. Either no time delay, in which case light would just tickle your palm, or with a time delay of two-tenths of three-tenths of a second. So the important point here is the right hand always does the same things -- sinusoidal movement. The left hand always is the same and puts sinusoidal tickle. All we're playing with is a tempo causality. And as we go from naught to 0.1 second, it becomes more ticklish. As you go from 0.1 to 0.2, it becomes more ticklish at the end. And by 0.2 of a second, it's equivalently ticklish to the robot that just tickled you without you doing anything. So whatever is responsible for this cancellation is extremely tightly coupled with tempo causality. And based on this illustration, we really convinced ourselves in the field that the brain's making precise predictions and subtracting them off from the sensations.

Now I have to admit, these are the worst studies my lab has ever run. Because the tickle sensation on the palm comes and goes, you need large numbers of subjects with these stars making them significant. So we were looking for a much more objective way to assess this phenomena. And in the intervening years I had two daughters. And one thing you notice about children in backseats of cars on long journeys, they get into fights -- which started with one of them doing something to the other, the other retaliating. It quickly escalates. And children tend to get into fights which escalate in terms of force. Now when I screamed at my children to stop, sometimes they would both say to me the other person hit them harder.

Now I happen to know my children don't lie, so I thought, as a neuroscientist, it was important how I could explain how they were telling inconsistent truths. And we hypothesize based on the tickling study that when one child hits another, they generate the movement command. They predict the sensory consequences and subtract it off. So they actually think they've hit the person less hard than they have -- rather like the tickling. Whereas the passive recipient doesn't make the prediction, feels the full blow. So if they retaliate with the same force, the first person will think it's been escalated.

So we decided to test this in the lab. (Laughter) Now we don't work with children, we don't work with hitting, but the concept is identical. We bring in two adults. We tell them they're going to play a game. And so here's player one and player two sitting opposite to each other. And the game is very simple. We started with a motor with a little lever, a little force transfuser. And we use this motor to apply force down to player one's fingers for three seconds and then it stops. And that player's been told, remember the experience of that force and use your other finger to apply the same force down to the other subject's finger through a force transfuser -- and they do that. And player two's been told, remember the experience of that force. Use your other hand to apply the force back down. And so they take it in turns to apply the force they've just experienced back and forward.

But critically, they're briefed about the rules of the game in separate rooms. So they don't know the rules the other person's playing by. And what we've measured is the force as a function of terms. And if we look at what we start with, a quarter of a Newton there, a number of turns, perfect would be that red line. And what we see in all pairs of subjects is this -- a 70 percent escalation in force on each go. So it really suggests, when you're doing this -- based on this study and others we've done -- that the brain is canceling the sensory consequences and underestimating the force it's producing. So it re-shows the brain makes predictions and fundamentally changes the precepts. So we've made inferences, we've done predictions, now we have to generate actions. And what Bayes' rule says is, given my beliefs, the action should in some sense be optimal.

But we've got a problem. Tasks are symbolic -- I want to drink, I want to dance -- but the movement system has to contract 600 muscles in a particular sequence. And there's a big gap between the task and the movement system. So it could be bridged in infinitely many different ways. So think about just a point to point movement. I could choose these two paths out of an infinite number of paths. Having chosen a particular path, I can hold my hand on that path as infinitely many different joint configurations. And I can hold my arm in a particular joint configuration either very stiff or very relaxed. So I have a huge amount of choice to make. Now it turns out, we are extremely stereotypical. We all move the same way pretty much.

And so it turns out we're so stereotypical, our brains have got dedicated neural circuitry to decode this stereotyping. So if I take some dots and set them in motion with biological motion, your brain's circuitry would understand instantly what's going on. Now this is a bunch of dots moving. You will know what this person is doing, whether happy, sad, old, young -- a huge amount of information. If these dots were cars going on a racing circuit, you would have absolutely no idea what's going on.

So why is it that we move the particular ways we do? Well let's think about what really happens. Maybe we don't all quite move the same way. Maybe there's variation in the population. And maybe those who move better than others have got more chance of getting their children into the next generation. So in evolutionary scales, movements get better. And perhaps in life, movements get better through learning.

So what is it about a movement which is good or bad? Imagine I want to intercept this ball. Here are two possible paths to that ball. Well if I choose the left-hand path, I can work out the forces required in one of my muscles as a function of time. But there's noise added to this. So what I actually get, based on this lovely, smooth, desired force, is a very noisy version. So if I pick the same command through many times, I will get a different noisy version each time, because noise changes each time. So what I can show you here is how the variability of the movement will evolve if I choose that way. If I choose a different way of moving -- on the right for example -- then I'll have a different command, different noise, playing through a noisy system, very complicated. All we can be sure of is the variability will be different. If I move in this particular way, I end up with a smaller variability across many movements. So if I have to choose between those two, I would choose the right one because it's less variable.

And the fundamental idea is you want to plan your movements so as to minimize the negative consequence of the noise. And one intuition to get is actually the amount of noise or variability I show here gets bigger as the force gets bigger. So you want to avoid big forces as one principle. So we've shown that using this, we can explain a huge amount of data -- that exactly people are going about their lives planning movements so as to minimize negative consequences of noise.

So I hope I've convinced you the brain is there and evolved to control movement. And it's an intellectual challenge to understand how we do that. But it's also relevant for disease and rehabilitation. There are many diseases which effect movement. And hopefully if we understand how we control movement, we can apply that to robotic technology. And finally, I want to remind you, when you see animals do what look like very simple tasks, the actual complexity of what is going on inside their brain is really quite dramatic.

Thank you very much.

(Applause)

Chris Anderson: Quick question for you, Dan. So you're a movement -- (DW: Chauvinist.) -- chauvinist. Does that mean that you think that the other things we think our brains are about -- the dreaming, the yearning, the falling in love and all these things -- are a kind of side show, an accident?

DW: No, no, actually I think they're all important to drive the right movement behavior to get reproduction in the end. So I think people who study sensation or memory without realizing why you're laying down memories of childhood. The fact that we forget most of our childhood, for example, is probably fine, because it doesn't effect our movements later in life. You only need to store things which are really going to effect movement.

CA: So you think that people thinking about the brain, and consciousness generally, could get real insight by saying, where does movement play in this game?

DW: So people have found out for example that studying vision in the absence of realizing why you have vision is a mistake. You have to study vision with the realization of how the movement system is going to use vision. And it uses it very differently once you think about it that way.

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

(Applause)

私は神経科学者です 神経科学では 脳に関しての多くの難問に立ち会います しかし私はその中でも最も簡単で だれもが人生の中で一度は問いかけるだろう 脳の働きに対する理解の基本となる 疑問から始めましょう 私たち人間や動物には なぜ脳があるのか この地球上の生物全てに脳があるわけではありません 脳の存在理由を知るためには なぜ私たちの脳ができたのか考える必要があります 何かを感じたり考えたりするためだと 結論付けるかもしれませんが それは完全に間違いです この質問を少し考えてみれば 脳が存在する理由は明らかになります 脳を持つ理由はただ一つ 柔軟で複雑な動きを可能にすることです これが脳を持つ唯一の理由です 考えてみてください 唯一 動作だけが周りの世界に 働きかけのできる方法なのです 例外は発汗だけです それ以外は すべて筋肉の収縮が伴います

コミュニケーションを考えてみてください 話し ジェスチャー 筆記 手話 すべて筋肉の収縮によって成り立っています 覚えておかなければいけないことは 感覚や記憶 認知の過程は重要ですが それらが必要なのは 将来的に動作に影響を与えるときだけです 後の動作に影響を与えないのであれば 幼少時代の記憶を保持したり バラの色を感知することには 進化的な意義を持ちません

この話を信じない人もいるかもしれません 木や草などには脳がありませんが 確たる証拠はこの 地味な動物 ホヤです この原始的な生物は神経系を持っており 幼生のときは海を泳ぎまわります そしてあるときになると 岩にとりつきます 永住の場所とした岩にとりついてはじめてするのは 自分の脳と神経系を食物として 消化することです 一旦動く必要がなくなると 脳のような贅沢品はいらないのです この動物はよく 大学で終身雇用された教授の 比喩で持ち出されますが それはまた別の機会にしましょう

(拍手)

私は動作至上主義者です 動作こそが脳のもっとも重要な働きと信じていますし それは誰にも否定させたくありません 動作はそれほど重要ですが 脳がどのように制御しているのかを 私たちはどれ位理解しているのでしょうか それはごくわずかであり とても難しい問題です しかし人間と同じ動作をする 機械を作ることによって いかに 私たちがうまくやっているかを観察できます

チェスの試合を例にしましょう 駒を動かす戦略を私たちはどれほどうまくたてられるでしょうか ゲイリー・カスパロフが収監される前にIBMの ディープブルーと対戦したとすると ディープブルーが勝つこともあったでしょう ここにいる誰かが相手なら 絶対に勝つでしょう これが答えです では 次の質問 チェスの駒を取り上げて 器用に動かし 盤上に戻すのはどれほどうまくできるでしょうか 5歳の子供の器用さと最新のロボットを比べても 答えは簡単です 子供が容易に勝つでしょう 勝負になりません

なぜ上の問題はそう簡単なのに 下の問題はそんなに難しいのでしょうか とても賢い5歳の子供ならば 上の問題には答えられるかもしれません 最終局まで可能な進め方を考え 勝てるものを選び出すこと それはとても単純なことです もちろん間違うこともありますが 巨大なコンピュータを使えば 正解に近づけることはできます 器用さとなると どんなアルゴリズムを解くのかも はっきりしません 周りの世界を把握し 働きかけることが必要で それが多くの問題をはらんでいます

最新のロボット工学をご覧ください 今では多くの驚くべきロボットがあります しかし動作ロボット工学はまさに暗黒時代です 最高のロボット工学研究所の一つの 博士号プロジェクトの結果がこれです 学生がこのロボットを訓練し グラスに水を注げるようにしました 水がはねるので難しい課題でしたが 行うことは可能です しかし人間のような機敏さはまったくありません 違う動作をさせたいと考えるとすると それはまた3年間の博士号プロジェクトが必要です ここには一つのタスクから他につながるような 一般化はまったくありません

ではこの例と 人間の中でも もっともすばらしいパフォーマンスとを比べてみましょう このエミリー・フォックスさんはカップ・スタッキングの 世界記録保持者です アメリカ人の方はこの競技をご存知と思いますが 高校のスポーツで 12個のカップを決まった順序でなるべく早く 積み重ねたり並べたりします これは彼女が世界記録をとったときの実速度の映像です (笑い) (拍手) とてもうれしそうです 頭の中で起こっていることはわかりませんが それこそが知りたいことなのです

そこで私のチームは ヒトがどのように動作を制御するか リバースエンジニアすることに挑戦しました 簡単なことに思えるかもしれません 指令を送って それに対応して筋肉が収縮し 腕や身体が動き 視覚 皮ふや筋肉などからのフィードバックがある 問題は それらが望むようなきれいな信号ではないことです 動作を制御するときに難しいことのひとつが フィードバックがノイズだらけということです ノイズといっても音ではなく 工学や神経科学の世界で 信号を破損させる ランダム・ノイズという意味で使っています 昔 デジタルラジオが出る前の古いラジオで選局するときに 聞こえるガガガという音 それがノイズです もっと一般的に言うと信号を破損させるものです

例を挙げると 机の下に手を置いて 反対の手で位置を当てようとすると 数センチの誤差がでるでしょう それは感覚にノイズが発生したからです それと同様に 運動の表す信号に作動の信号を重ねると 雑音だらけになってしまいます ダートゲームで標的の中心を狙わずに 同じところを何度も狙ってみましょう 動作には大きな振れ幅があり矢は大きくばらつきます それ以上に 外の世界 仕事は 不定でかつ多様です ティーポットは満杯や空のときがあり 時とともに変化します 私たちはそうしたノイズだらけの中で動いているわけです

このノイズはとてもひどいので この影響を少なくできる人には 社会の中で 大きな賞賛が与えられます もしあなたが金属の棒で小さな白球(ゴルフボール)を 数百メートル先の穴に入れることができたなら この社会は何億ドルの賞金で あなたを賞賛するでしょう

ここで私が皆さんに納得していただきたいことは 脳もこうしたノイズや変動が及ぼす影響を 減らすために 多くの努力を しているということです ここで ある概念を紹介しましょう 統計学や機械学習の分野ではこの50年とても一般的なもので ベイズ決定理論と呼ばれています この考えは最近になって 脳の不確定要素に対する扱いを考える時の方法として支持されてきています 基本的には推測の後に行動を開始するという考え方です

推測について考えましょう 周囲の世界に対して信念を形成する必要があります ではその信念とは何でしょうか 信念とは次のような 自分の腕がどこにあるのか や 自分が見ているのは猫なのか狐なのか といったものです こういった信念を私たちは確率をもってみています つまり信念とは 0と1の間にあるのです 0は全く信じていない状態 1は間違いなく確かという状態です 途中の数字は不確定さを表しています ベイズ推論の鍵となる考え方は 推論をするにあたり 2つの情報源があることです データと 神経科学的なデータは感覚入力です 感覚からの入力があるので信念を形成することができます しかしもうひとつの情報源として事前知識があります 人は人生の中で記憶として知識を蓄えます ベイズ決定理論のポイントは 事前知識と感覚からの入力を 元に新しい信念を作る際に 効率的な組み合わせ方に 数学的な解を与えるところです

ここに公式をお見せします これをそのまま説明はしませんが とても美しいのです 美しくかつ説得力もあります これが証明するもの 推測されるものは 感覚からの入力が与えられたときの それぞれの信念の可能性です 直観的な例をあげましょう テニスを練習しているときに ネットを超えて向かってきたボールがどこで弾むかを 推測したいと思います ベイズ理論によると そこには 2つの情報源があります 感覚からの入力は 視覚や聴覚を使うことにより ボールがその赤い地点に着地するというでしょう ただし ご存知のように感覚は完璧ではないので ボールが着地する地点はバラツキがあって 赤い雲で示されています 0.1から0.5の数字を示しています

この情報は今のショットから得ることができるものですが もうひとつ情報源は このショットからは得ることができません テニスの試合を何度も経験することによってだけ身に付くことで 試合中のボールの行方はコート全体で 均等ではないということです 対戦相手がとても強い場合 あなたにとっては返しづらい 緑の区域にボールを 打ってくるでしょう これら2つの情報は重要な情報を持っています ベイズ理論によると 赤の数字と緑の数字を掛け合わせ 楕円型の黄色の数字を導き出す それが信念なのです これが効率的に情報を組み合わせる方法です

数年前でしたらこの話をしなかったと思います その後これこそがまさしく人が新しい動作を 学習するときの方法だということが分かりました これが意味するところは 私たちはまさしくベイズ推論のとおりに動いているということです 生きる中で 周りの確率的な世界から学んだことを基に するだけではなく 感覚がいかにノイズだらけなのかも学び それらを実生活の中で ベイズ式に組み合わせているのです

ベイズの中で鍵となるのは公式のこの部分です この部分というのは 信念に影響を与える 感覚からの様々な入力の持つ確率を 予測しなければいけないということです これは未来を予期しなくてはいけないということです 脳は今からおきるであろう感覚からの入力について 予想をします さらにはその事柄に対するあなたの 感じ方も変えてしまいます そうすることによって 脳が 感覚からの入力にどのように対処するかがわかります 指令を送ると 感覚からのフィードバックがありますが その仕組みは身体的特性と 感覚器官によって制御されています

しかし脳の中を見ることで想像はできます これがその脳の中身です この小さな予言者 神経シミュレータは 身体特性と感覚を模擬します 脳が指令を送ると 指令のコピーを作り この神経シミュレータに送り 実際の行動からの感覚入力を予想します ケチャップを振ると 下の行のように時間の関数として実際のフィードバックを得るのです もし予測がうまくいけば 同じことが起こるでしょう

なぜこんなことをするのでしょう いずれにせよ同じフィードバックを受けるにもかかわらず これにはしっかりとした意味があるのです 考えてみてください ケチャップを振るときに だれかが親切にもケチャップを叩いてくれたとしましょう この外部からの干渉は 感覚からの入力に 追加を発生させます ここでは2つの情報 叩かれたことと 自分が振っていることが入力されます しかしこれは自分からすれば 入力は組み合わさって1つになっています

これらの理由から 外部からの干渉と自発的な行動を分ける必要があるのです 外部的な干渉は自分の内部で起きていることをすべて感知するより もっと行動に即しているからです 推測を補正するための方法としては 自分の指令に基づく予測と 実際との比較を することです ここでの差異は外部からの影響であるはずです 生活の中で 自分が得るはずのものを予測しそれらを引き算しているのです 残されたものが外部からの影響です

このことの根拠は何でしょうか ここにいい例があります 自分で引き起こした感覚と 他人が起こしたものでは 全く違うのです そこで私たちはもっともわかりやすい くすぐりの実験を始めました 昔から 自分で自分をくすぐっても他人がやるようには くすぐったくないことは知られています しかしそれがいまだ証明されていない理由として 自身の神経シミュレータが 自分で感覚を模倣し それらを引き算していることがあります そこでロボット工学を用いて 21世紀の実験を行うことにしたのです 私たちは片方に棒がついたロボットを作成し 被験者に棒を前後に動かしてもらいました その動きをコンピュータで追跡し それをもうひとつのロボットに反映し 彼らの手のひらを別の棒でくすぐらせたのです そして被験者にはくすぐったさなどの 様々な質問をしました

ここに結果の一部をお見せしましょう ロボットを除いてみましょう 基本的に被験者は右腕を前後にサイン波状に動かしています 少しの遅延の後にその動きを別のロボットで模倣します 全く遅延がない状態 つまり 光が手のひらをくすぐるようなケースや 0.2秒や0.3秒の遅延があるケースを試しました ここで重要なのは 右腕は常に同じこと 前後にサイン波状に動かしています 左腕は常に同じ 前後にサイン波状にくすぐりを受けています ここで確かめているのは時間差との因果関係です 遅延なしから0.1秒の遅延になると くすぐったくなり 0.1秒から0.2秒になると さらにくすぐったくなります 0.2秒の遅延になると 自分が何もしていないのと ほぼ同等のくすぐったさがロボットから感じられます つまり 感覚の相殺に関わっているものは 時間差との因果関係がとても強いということです この図を基に考えると いかに 脳が正確に予期し 感覚から引き算しているかがわかります

これは私の研究室で行われた研究の中では最悪のものです くすぐったさというのは移り変わるもので この結論を導き出すためには 多くの被験者が必要だからです そこで私たちはこの結論を評価するために もっと客観的な方法を探しました その間に私には2人の娘が生まれました 子供たちを後部座席に乗せて長旅に出ると けんかになります 一人がもう一人にちょっかいを出し始めると もう一人がやり返します すぐにひどくなります そして子供は次第にエスカレートする力を使ったけんかに発展することが多いのです 私が子供に注意をすると 両方とも もう一人のほうが もっと強くたたいたと言うのです

子供がうそをついている訳ではないと分っていたので 神経科学者として考えてみると 彼らの言っていることが食い違っているのを 説明付けるのは重要なことだと考えました くすぐりの実験から仮説を立てました 子供がもう一人をたたくときに 動作の指令を出します 感覚からの入力を予想しそれらを引き算します そうすると彼らは自分が思っていたより弱くたたいたつもりになるのです くすぐりのときのように 一方たたかれるほうは 予想がないので全ての力を感じることになります つまり同じ力でたたき返すと たたかれたほうは強くやり返されたと思うのです

そこでこれを実験室で試すことにしました (笑い) 子供も使いませんし けんかもしません しかし概念は同じです 二人の大人を連れてきて これからゲームをすると伝えます このように向かい合わせに一人ずつが座ります ゲームはとても単純です モーターと小さなレバー それと 小さな伝達機でできます そしてこのモーターで一人目の指を下方向に 3秒間だけ力を加えます その人は その力を覚えて 別の指で 同じだけの下向きの力を 伝達機を通してもう一人に与えてくださいといわれ 彼らは言われたとおりにします もう一人は その強さを覚えて もう一方の手で同じ強さで下に押すように言われました そのように彼らは交互に 自分が受けた分の力をかけていったのです

重要なのは 彼らはそれぞれ別の部屋でゲームの説明を受けたことです 彼らはもう一人がどのようなルール説明を受けたか知らないのです 私たちがここで計測したのは 時間とともに変化した力です それではこちらを見てみましょう 4分の1ニュートンがここで これがくりかえしの回数です 赤い線が受けた力と与えた力が同じことを示す線です そして全ての被験者ペアに見られたのがこちらです 回数ごとに力が70パーセントずつ 上っています この結果から示されるのは 他の研究からもわかるように 脳は感覚からの入力を相殺しており 加えている力を過小評価しているということです これによって脳が予測をしていることと 感じ方まで変えてしまうことが再確認されました 推測し 予測をして 次は行動を起こさなければなりません ベイズ理論によれば 信念に従って 最善と思われるものが選ばれるはずです

しかし問題があります タスクは抽象的なのです 何か飲みたい 踊りたいなど しかし動作を起こすには600もの筋肉を特定の順番で 収縮させなければなりません タスクと動作の間には 大きな溝があるのです なので捉え方は無限にあるのです 1地点から他の1地点への移動を考えましょう 無数にある道の中から この2つを選ぶかもしれません 道を選ぶと 様々な関節の組み合わせで 私の手をその道に沿わせることができます そして腕は関節の組み合わせで 緊張させることも緩ませることもできます 選択肢はたくさんあるのです ところが私たちはとても型にはまっています みんな同じように動くのです

型にはまっているということは 脳の中には決まった型を作り出す暗号を解読する 専用の神経回路があるのです なので いくつかの点を使って 生物のような動きを見せると 脳の神経回路は何が起こっているかすぐに理解します 多くの点が動いていますが この人が何をしているかお分かりですね 喜んでいるか悲しんでいるか 若者か年寄りか 多くの情報があります もしこの点がレース場の車に付いていたとしたら 何が起こっているかまったくわからないでしょう

なぜ動作は 決められた動きなのでしょう? 実際に何が起こっているかを考えてみましょう 私たち全員が全く同じように動いているわけではありません 人々によって違いはあるでしょう 他の人よりよく動ける人は 子供を残せる確率が高いのかもしれません 進化の過程で動作はよりよくなってきたのです 生活の中では動作は学習を通じて改善します

では動作の良い悪いとは何でしょうか? このボールを妨害するときに とる経路は2つあります 左側の経路を取ると決めると すぐさま時間とともに筋肉に 必要とされる力を導き出せます しかしここにノイズがのります この美しい滑らかな必要な力に対して実際に得るのは ノイズだらけのものです つまり何回にもわたって同じ指令を受けると ノイズは毎回変わるのでその数だけ様々な動きを得ることになります これからお見せするのは そのような方法をとると いかに動きのバラツキが 進化するかです 右にあるように 違う動きを選ぶと 異なった指令や異なったノイズを受け 雑音の混ざった複雑な 結果になるでしょう 確かなことは バラツキはその時により異なるということです ある動作をすると 何回もの経験の末にバラツキは少なくなります それら2つのうちから選ぶとすると バラツキの少ない右の方を選ぶでしょう

基本的な考え方としては ノイズによる悪影響をできるだけ 少なくするように動作を計画するのです ここで直感できることは ここでお見せしたノイズやバラツキは 力が大きいほど 大きくなるのです なので原理の一つとして大きい力は避けたがるのです これを使って 膨大なデータを説明することができることを示しました それは暮らしの中で人々はノイズによる悪影響を最小限に 抑えるために動作を計画しているということです

これで脳が動作を制御するために進化した ということを納得いただけたでしょうか その仕組みを理解するのは知的挑戦です しかしそれは同時に 病気やリハビリにも関係してきます 動作に影響を及ぼす病気はたくさんあります また願わくば 動作制御の方法を理解することによって ロボット技術にも応用できるかもしれません 最後にお伝えしたいのは 動物が行っているタスクはいかに簡単に見えても 脳の中で起こっている複雑さは 本当に劇的です

ありがとう

(拍手)

クリス・アンダーソン「簡単な質問をします ダン あなたは動作 (ダン「至上主義者」) 至上主義者ですよね」 「私たちが脳の機能と考えている他のこと 夢やあこがれ 恋愛などのことは 余興や偶然だとお考えですか?」

ダン「いいえ それらはみな結果的に 繁殖につなげるための正しい行動に誘導する観点から重要です 感覚や記憶を研究している人は なぜ子供時代の 記憶を蓄積するのかに気付いていないと思います 例をあげると ほとんど子供時代の記憶が残っていないのは 後の生活の行動に影響を与えないから問題にならないのです 動作に影響を与えることだけを覚えておけばいいのです」

クリス「脳を研究している もっというと意識を研究している人は 動作がどう絡んでくるかを考えることで 本当の洞察を得られるということですね」

ダン「一例として 何のために視覚があるかを考えずに視覚を研究するのは 間違いだということです 視覚を研究するためには 動作がどのように 視覚を使うかを理解する必要があります そのように考えるとどのように視覚が使われるのかという考え方が変わります」

クリス「とても興味深かったです 本当にありがとう」

(拍手)

― もっと見る ―
― 折りたたむ ―

品詞分類

  • 主語
  • 動詞
  • 助動詞
  • 準動詞
  • 関係詞等

TED 日本語

TED Talks

関連動画

洋楽 おすすめ

RECOMMENDS

洋楽歌詞