丹尼尔・沃普特：拥有大脑的真正原因

我是个神经生物学家 在神经生物学研究里 我们需要处理很多关于大脑的难题 不过我今天要从这个最简单的问题开始 这个问题是大家应该在以前问过自己的 因为如果大家想了解大脑功能的话 这个问题是很基本的 那就是，为什么我们和其他动物 都有大脑呢？ 地球上不是所有物种都有大脑 所以要搞清大脑有什么用 那我们应该先考虑为什么我们进化出了大脑 大家也许觉得 我们有大脑是为了感知世界或者思考 其实是完全错误的 如果再好好思考一段时间的话 其实我们有大脑的原因很明显 大脑的存在，有且仅有一个原因 就是为了生成有适应性的，复杂的动作 没有其他原因了 想想看 动作是你唯一 对世界产生影响的方法 当然也不尽然，另一个办法是通过排汗 不过除了那个以外 所有事情都是由肌肉的收缩来办到的

想想我们的沟通方式-- 语言，手势，写作，手语-- 都是由肌肉的收缩来完成的 所以重要的一点就是 感知、记忆和认知过程虽然也很关键 但是它们的重要性都只是在于 它们能够促使或者抑制动作的发生 如果不是能够影响到大家未来生活中的动作的话 能够记住小时候的回忆 或者感知到玫瑰花的颜色 在进化这一点上没有任何特别的优势

如果有谁不相信这个说法 我可以举例说不会运动的树和草都没有大脑 不过有一种动物提供了确凿的证据-- 不起眼的海鞘 海鞘是一种初等生物，有神经系统 生命初期在海中游动 然后在某一时刻 海鞘会把自己移植到岩石上再也不移动 海鞘在岩石上固定后的第一件事 就是把自己的大脑和神经系统 作为食物消化掉 也就是说，一旦不用再移动 也就不需要大脑这样的奢侈品了 并且，这种动物 常常被类比到大学里面 教授获得终身职位之后的情况 不过那是另一个话题了

（掌声）

所以说，我是个运动沙文主义者 我认为运动是大脑最重要的功能 不要让别人告诉你这个观点不对 那么，如果运动如此重要 我们已经能在多大程度上 了解大脑如何控制动作了呢？ 答案其实是非常少，因为这是相当困难的 不过我们已经制造出一些模拟人类动作的机器人 分析这些机器的动作水平 就知道我们了解大脑控制动作的研究进展如何了

来看国际象棋这个游戏 我们让机器人决定如何走棋时候的表现如何呢？ 如果大家趁国际象棋冠军加里·卡斯帕罗夫还没进监狱的时候 把他请来与IBM的深蓝对战 深蓝有时会赢 而且我觉得IBM的深蓝和在座的任何一位对战，应该每次都会赢 所以这方面完全没有问题 但是如果让机器人 灵巧地拿起棋子 再放回棋盘上去呢？ 如果大家让五岁小孩子与当今最厉害的机器人对决 结果很简单 小孩子会赢得轻而易举 完全没有悬念

那么为什么前面那个问题这么简单 后面这个问题就这么难呢？ 一个原因是，一个聪明点的五岁小孩子 就已经能够告诉你上面那个问题的解决算法了-- 找出游戏结束之前所有可能的下法 选择赢面最大的一步来下 所以其实这是个很简单的算法 当然也有其他的步法 不过用强大的计算机做近似计算 就能很容易找到近似最优解 但在灵活性这个问题上 我们甚至连让机器人变灵活的算法都找不到 可以看到，如果既感知世界，又作用于世界的话 其实是要面对很多问题的

现在我来介绍一下最高端的机器人技术 如今许多项机器人技术已经相当厉害 可是在机器人动作控制方面我们遇到了瓶颈，看不到曙光 这是在一个顶尖机器人控制学院里 一个博士研究项目的成果 这位博士生训练这个机器人 向这个玻璃杯里面倒水 这很难实现，因为水会洒出来；不过机器人能做到 但是机器人无法达到任何接近于人类的灵活程度 并且如果想让机器人完成另一个任务的话 就得要另外一个历时三年的博士项目了 在机器人控制领域 从一项任务到另一项任务，根本没有共通性可言

现在我们再来与 最尖端的人类性能做比较 我会播放艾米莉・福克斯叠杯子 获得世界记录的场景 观众里有美国人的话一定知道叠杯子这个游戏 这是个高中里的娱乐项目 要求把12只杯子按照一定顺序 以最快速度摞起来再展开回来 下面就是她创下世界记录的实时情况 （笑声） （掌声） 看她多开心 我们不清楚她叠杯子的时候大脑里发生了什么 而且我们的确很想知道

所以我和我的团队 试图去逆向实现人类如何控制动作的过程 看起来问题很简单 你送出一个指令，令肌肉收缩 这样手臂或躯干就会运动 然后能够获得从视觉，皮肤和肌肉和其他地方获得感官回馈 但问题是 这些信号远没有想象中的那样完美 比如说，其中的难点之一 就是感官回馈中的杂音非常大 我这里所说的“杂音”不是指声音 在工程学和神经学里面 我们用“杂音”来表示干扰正常信号的随机杂乱信号 所以以前还没有电子收音机的时候，如果调那种老式收音机 电台里面有时候有“喀喇喀喇”的声音 那个就是杂音 推广来说，杂音就是相对于正常信号的干扰信号

比如说，如果把一只手放在桌子底下 然后在桌子上面用另一只手去对准 最后位置可能相差好几厘米 这就是因为感官回馈里面的杂音在起作用 同样，运动神经输出的肌肉动作和实际输出之间 也是有很多杂音的 且不谈扔飞镖的时候瞄准靶心去扔 只看重复瞄准同一点的时候发生什么情况 由于每次动作都有差异，最后瞄准的结果会形成一片散点 更何况外界环境和要执行的任务 常常模糊和变化着的 看这个茶壶，可能是满的，也可能是空的 每次都不一样 所以我们其实是随时处在一大堆感官动作杂音环绕之中做动作的

这种杂音相当厉害 以至于我们社会会给那些 能有效减少杂音带来的后果的人巨额奖赏 所以在座哪位能做到像老虎伍兹那样，用一根长金属杆 把一个小白球打进几百米开外的洞里 我们的社会愿意 奖励你百万千万的钱

好，我接下来想说明的是 其实我们的大脑 为了减少噪音和变化性的负面影响 也做了很多工作 为此，我来介绍一个在过去50年里 统计学和机器学习方面都很常用到的架构 叫做贝叶斯决策论(Bayesian decision theory) 近来这个理论常被用来 从整体上理解大脑如何处理这种不确定性 基本思路是先做推断，然后做出动作

我们先来看推断 在推断中，我们要建立对于当前情景的“信念” 那么什么是信念？ 信念可以是 “我的胳膊在空间里的什么位置” 也可以是 “我在看一只猫还是一只狐狸” 不过我们要把信念用概率来表示 所以在这里我们把所谓的信念 表示成0到1之间的一个数--称之为置信值 0表示完全不相信，1表示完全确信 0到1之间就表示不同灰度的不确定程度 然后注意，贝叶斯推断的重点是 我们靠两个信息源 来做出推断 第一我们有数据-- 在神经科学里这个数据就是感官输入进来的内容 所以感官输入是其中一个信息源，用于生成我刚才说的”置信值“ 不过还有第二个信息源，事实上也就是先前的知识 因为我们在一生中在过去的记忆中积累知识 好了，贝叶斯决策论的重点就在于 这个理论提供了一种计算方法 能找到最优的办法来整合 知识积累和感官输入这两种信息源 以生成新的置信值

我现在把公式放在这里 我不详细解释这个公式了，但是这个公式非常漂亮 不仅有和谐的内在美，还有实实在在的说服力 这个公式真正的用途，也就是我们要估测的结果 是给出我们感官输入的情况下 不同置信值出现的概率 现在我举一个直观的例子 想象你现在在网球场练网球 当这个网球越过球网飞过来的时候 你要决定这个球落在哪里 根据贝叶斯的理论 你现在有两个信息源 一个是感官输入--你的视觉和听觉收到的信息 告诉你球应该会落在图上的红点处 但是，你也知道自己的感官并不完美 所以球的落地点可能会有误差-- 在图上用这块红色区域来表示 这个区域的概率在0.5和大概0.1附近浮动

以上这些信息是实时获得的 但是另一个获得信息的渠道 不是实时获得的 而是来自只有通过反复练习网球才得来的经验 经验告诉你，这个网球在比赛过程中 不会以均等的概率落在球场里 如果你的对手水平很高 可能会让球的落点分布在图上的绿色区域 也就是所谓的”先验分布“ 这些位置很难接到球 那么现在，两个信息源都包含重要的信息 根据贝叶斯的理论 我们应该把红色区域和绿色区域的数据相乘 得到椭圆形的黄色区域 这就是我们的置信值 并且这是整合信息的最佳方案

几年前我们考察过，人们学习新动作新技巧的时候 真的在遵循这样的模式 所以我刚才才举了这个例子 这说明 我们实际上都是天生的贝叶斯推断器 在成长的过程中，我们不但学会了并记下了生活中的统计数据 也掌握了 我们自己感官的杂音可能有多大 然后我们用贝叶斯法 来整合处理这些数据

那么贝叶斯公式里很关键的是这一项--预测 这一项的意思是 我们需要预测 在原有置信值条件下 不同感官回馈的概率 也就是说我们要对未来的可能做出预测 我现在要说服各位相信一点，那就是 大脑的确在对未来可能的感官回馈做出预测 并且你本身做了什么动作 在很大程度上影响了你感知到的东西 为了说明这点，我来解释 我们的大脑如何处理感官输入 我们先送出一个指令 然后得到一个感官回馈输入回来 之间的转换过程是由 身体和感觉器官的物理过程完成的

不过我们能想象大脑内部发生了什么 图上就是大脑内部 里面可能有一个预测结构，也就是神经组成的模拟器 来模拟身体和感觉器官的物理过程 当一个动作指令发出来的时候 大脑复制一份这个指令 然后在这个神经模拟器上运行 来预测出这个动作带来的感官回馈结果 所以我往下磕这个番茄酱瓶子的时候 在下面那行里我得到真实的感官回馈，是个关于时间的函数 同时大脑里的预测结构如果准确的话，也预测出了同样的结果

好了，那我为什么非要多此一举来预测呢？ 毕竟最终我总能得到同样的回馈 不过这样确实是有原因的 想象我磕这个番茄酱瓶子的时候 台下有位热心观众过来帮我拍了下瓶底 于是我多了一个感官信息的来源 因为我多接受了这个外在的动作 所以感官回馈现在有两个来源 一个是你拍瓶底的动作，另一个是我磕瓶子的动作 但是从我的感觉来讲 这两个是合起来作为一个信息源的

可是我们有理由相信 我们希望能够把外来事件和内在的事件区分开 因为实际上相对于我身体上发生的内在事件 外来事件在行为上才更有分析价值 所以区分开来的一种办法 就是把我的预测结果-- 因为这个结果只基于我的动作指令-- 和真实的感官反馈做比较 希望两者的差值应该就是外力的结果 所以我和外界接触的时候 我预测出我自己的动作可能得到什么回馈，减掉这些 剩下的其他部分就是外界对我的产生的作用

那有什么证据支持这点吗？ 我们认为其中一个非常明了的例子就是 自身产生的动作带来的感觉 与他人做同样动作带来的感觉是十分不同的 我们认为最直接的着手点 就是挠痒痒这件事 众所周知，人们挠自己的时候 总是不如别人挠自己的时候痒 但是没有被证明为什么。其实是因为每个人自己有一个神经模拟器 模拟出自己动作带来的效果 然后在感觉里自动减去这个效果 所以我们可以用21世纪的实验条件 把机器人技术应用到这个问题上 具体办法是，我们让试验者一只手握着一根连接在机器人上的小棍 由手带动一起前后移动 这时候我们用计算机追踪这个移动模式 然后用同样的模式带动另一个机器人 去用另一根小棍挠试验者的另一只手的手心 之后，我们会让试验者给一系列指标打分 也包括痒痒的程度

在这里我展示我们实验的其中一部分 图上没有画那两个机器人 基本上人们的右臂是以类正弦的方式前后移动的 这时候我们把这个移动加上某个时间延迟，在另一只手上重放 延迟可以是0 就像直接挠手心一样 也可以是0.1秒，0.2秒，0.3秒这样的延迟 这里的重点是 试验者的右手一直做同样的类正弦动作 左手一直在被同样的类正弦动作挠着 唯一我们改变的就是因与果之间的步调 当我们把延迟从0加到0.1秒的时候 感觉上越来越痒 再从0.1到0.2秒 越到后来越痒 到了0.2秒的时候 发痒的程度已经等同于 自己什么也不做，机器人直接来挠的效果了 因此不管是什么造成了自身动作的抵消 一定与因果之间的步调大有联系 受这个实验的启发，我们终于相信了那个论点 也就是大脑能够做出准确预测 并将预测结果从实体感觉里减去

现在我要承认，这个是我实验室里进行过的最糟糕的实验 因为痒痒的感觉就像昙花一现 所以需要大量的试验者 还只能靠星级来给痒痒的程度打分 所以我们需要一个更客观的办法 来评估这个现象 其间几年中，我有了两个女儿 于是关于长途旅行里小孩子坐在后座上，你注意到一件事 那就是他们会互相掐架-- 开始于其中一个对另一个动了什么手脚，另一个就要还手 然后冲突很快就会升级 而小孩子们之间的冲突升级一般都体现在用力大小上 于是我嚷嚷着叫我的孩子们住手的时候 有的时候她们俩都会告诉我 对方下手比自己更重

我恰好知道我的孩子们不会说假话 所以作为一个神经学家 我想我如何解释两人自相矛盾的真话 应该是很重要的吧 于是我们根据挠痒痒的实验做出了假设 就是当一个孩子打另一个的时候 会生成动作命令 他们预测出了感知到的结果，然后减掉了 实际上他们以为他们下手比真正要轻 和挠痒的道理类似 然而那个被打的孩子 没有做预测，感觉到了全部的打击 所以他们用同样这个打击的力气还手的话 第一个人会觉得力气变大，冲突升级了

所以我们决定在实验室里做这个测试，好了 （笑声） 我们不用小孩子，也不用打的 不过概念是相同的 我们找来两个成人，告诉他们来做个小游戏 这里显示了玩家一和玩家二面对面坐着 游戏很简单 开始的时候这里有个电机 连着小杠杆，作为传力器 小电机向下对玩家一的手指施力 持续3秒钟后停止 我们告诉这名玩家一，记住这个力的感觉 再用另一个手指 以同样的力，通过传力器 下压玩家二的手指--玩家一这么做了 然后玩家二被告知记住这个力的感觉 用另一只手把同样的力施加回来 这两个玩家轮流来回 施加方才所受的力

不过关键的一点是 这两个玩家是在不同房间里被介绍游戏规则的 所以他们互相不知道对方遵循的规则 而我们测量的 是力的大小关于回合次数的函数 我们来看图，开始的时候 力是四分之一牛顿，横轴是回合的次数 完美的结果应该是这条红线 但是我们在所有实验配对中看到的都是这个-- 每一次施力中 大小上扬70% 所以确实表明，我们在运动的时候-- 根据这个实验和我们所做的其他实验-- 大脑一直在抵消感官带来的结果 而低估自己产生的力 所以再次说明大脑会做出预测 并且在根本上改变感知到的内容 到现在为止，我们做了推断，也做了预测 现在我们要生成动作了 贝叶斯法则说的是，基于置信值 动作应该在某种意义上是最优的

但在这里出现问题了 动作任务是符号性质的--我要喝水，我要跳舞-- 但是运动系统需要按特定顺序 收缩600块肌肉 况且有一个巨大的鸿沟 横在动作任务和运动系统之间 意思是我们有无穷多种方式越过这个鸿沟 来考虑仅仅是点到点的移动 我可以在无穷条可能的路径中 选出这两条 选定一条特定路径之后 我可以把手放在这条路径上 但是又有无穷多种关节构型 另外我把的胳膊固定在某一种构型之后 我可以紧张，也可以松弛 所以我有非常多的选择余地 不过结果是，我们都特别典型 都基本上用同一种方式移动

我们典型到 我们的大脑已经开辟出特定的神经回路 来解码这类典型 因此如果我拿一些点 然后让它们按生物动作形式来运动 大家的大脑回路会立即知道怎么回事 好了，这仅仅是一堆点在动 我们就知道这个人在做什么 是喜还是悲，是老还是少--很大量的信息 如果这些点是赛车在赛道上绕圈 我们对发生了什么就完全没有概念了

那我们为什么 用这种特定的模式移动呢？ 来想想真实情况可能是什么 假如我们并不都用同一种模式移动 假如人群中有差异 而且假如那些比其他人移动得更好的个体 有更多机会让他们的子代进入下一代的群体里面 那么在进化级别上，动作越来越优化 另外，也许在一生当中，学习会让动作更优化

那么，是什么决定了动作的好与坏呢？ 来想象我要截下这个球 这里有两种路径来做到 假如我选了左手边这条路径 我可以算出某一块肌肉需要施多大力 用关于时间的函数表示 但是还有杂音附加在上面 所以根据这条美好、光滑、期望中的曲线 我事实上得到的是个杂音很大的版本 那如果我多次发布同样的动作指令 每次会得到不同的含杂音的版本，因为每次杂音不一样 所以我现在在这儿展示的 只是这个动作的可变性有多大 前提是如果我选这种方式的话 如果我选另一种方式--比如右边这个-- 那我就会有不同的指令，不同的杂音 还要透过杂音系统，总之非常复杂 我们唯一能确定的是，两个方式的可变性会不同 要是我用这种方式运动的话 最后得到的可变性在很多种动作里面是最小的 所以要是我在这两者里面选其一 我就会选右边那个，因为可变性更小

话说回来，我们的基本思路 是要找到一种动作方式 能够把杂音带来的负面影响降到最低 并且我们凭直觉就知道 我在这里展示的杂音，或者说可变性 随力的大小的增加而增加 所以我们的原则之一就是避免施加太大的力 用这个原则 我们就能解释很多得到的数据-- 那就是人们在生活中有意安排动作方式 来把杂音带来的负面影响降到最低

现在，我想我已经让大家相信大脑之所以存在 是为了控制动作 而且了解怎样做到这点是需要费一番脑筋的 不过同样具有相关价值的 是在疾病和康复方面 有很多病症有对动作产生影响 所以如果有朝一日掌握了人类控制动作的机制 我们就可以用到机器人技术中去 最后我要提醒大家 当你们看见动物做些看似非常简单的动作的时候 它们运行在大脑内部的真正复杂度 其实是相当令人叹为观止的

谢谢大家

（掌声）

克里斯・安德森（以下简称“安”）：丹尼尔（简称‘沃“），我问一个简短的问题 所以你是一个运动--（沃：沙文主义者。）--沙文主义者 是不是意味着你认为我们觉得让大脑有存在意义的其他事情 那些梦想，渴望，恋爱等等一切东西 都是些余兴节目或者意外收获呢？

沃：不不不，其实我认为这些也很重要 它们能促使合适的动作行为，以达到繁殖的最终目的 所以我觉得有些人在研究感觉或者记忆 却没意识到为什么我们要记下童年的回忆 我们会忘记大部分幼年的记忆这个事实，比如说 其实应该无关紧要，因为那些不会影响我们长大以后的动作 我们只需要存储能对动作产生真正影响的事情就行了

安：那你是否认为人们研究大脑，以及更笼统的意识 如果要获得真正的领悟，就要问 动作在这里起了什么作用？

沃：对。人们已经发现，比如说 在不明确视觉何以存在的时候，就去研究视觉 是个失误 研究视觉的时候 我们必须先意识到运动系统要怎样用这个视觉 这样想的时候用法就不一样了

安：噢的确很有趣。非常感谢你。

（掌声）