Daniel Wolpert
2,044,675 views • 19:59

Eu sou um neurocientista. E em neurociências, temos de lidar com questões muito difíceis sobre o cérebro. Mas eu quero começar com a questão mais fácil e que vocês devem ter se perguntado em algum ponto de sua vida, pois é uma questão fundamental para entendermos a função do cérebro. E ela é: por que nós e outros animais temos cérebros? Nem todas as espécies em nosso planeta têm cérebro, então se queremos saber para que o cérebro serve, vamos pensar sobre por que um evoluiu em nós. Vocês podem argumentar que temos um para perceber o mundo ou pensar, e isso está completamente errado. Se você pensar nessa questão por algum tempo, é extremamente óbvio por que temos um cérebro. Nós temos um cérebro por uma razão e apenas uma, que é produzir movimentos complexos e adaptáveis. Não há qualquer outra razão para ter um cérebro. Pensem sobre isso. O movimento é o único modo que vocês têm de afetar o mundo à sua volta. Agora isso não é bem verdade. Tem outro modo, e é por meio do suor. Mas além disso, tudo mais acontece por meio da contração de músculos.

Então pensar sobre comunicação — fala, gestos, escrita, língua de sinais — eles são todos mediados por meio de contração de seus músculos. Então é muito importante lembrar que processos sensoriais, mnemônicos e cognitivos são importantes, mas só são importantes para dirigir ou suprimir futuros movimentos. Não pode haver vantagem adaptativa em esquecer memórias da infância ou perceber a cor de uma rosa se isso não afeta o modo como você se move na vida.

Agora para aqueles que não acreditam nesse argumento, nós temos árvores e grama sem cérebro em nosso planeta, mas a evidência mais forte é esse animal aqui — o pequeno tunicado. Um animal rudimentar, que tem um sistema nervoso, nada pelo oceano em sua fase juvenil. E em certo ponto de sua vida, ele se ancora numa pedra. E a primeira coisa que faz ao se ancorar nessa pedra, que nunca mais deixa, é digerir seu próprio cérebro e sistema nervoso como comida. Então uma vez que não é preciso se mexer, não há necessidade de ter um cérebro. E esse animal é tomado com frequência como uma analogia ao que acontece nas universidades quando o professor alcança estabilidade, mas esse é outro assunto.

(Aplausos)

Eu sou um chauvinista do movimento. Eu acredito que o movimeto é a função mais importante do cérebro, a não permito a ninguém dizer que isso não é verdade. Agora se o movimeno é tão importante, como estamos indo na compreensão de como o cérebro controla o movimento? E a resposta é que estamos indo mal. É um problema muito difícil. Mas podemos verificar como estamos indo ao pensar sobre quão bem estamos indo ao construir máquinas que podem fazer o que os humanos fazem.

Pensem sobre o jogo de xadrez. Estamos indo bem ao determinar qual peça deve se mover para onde? Se você confrontar o Gary Kasparov, quando ele não está na prisão, contra o Deep Blue da IBM, então a resposta é que o Deep Blue vai ganhar às vezes. E eu acho que se o Deep Blue jogasse contra qualquer um nessa sala, iria ganhar todas. Esse problema está resolvido. Quanto ao problema de pegar uma peça de xadrez, manipulá-la com destreza e colocá-la de volta no tabuleiro? Se confrontar a destreza de uma criança de 5 anos contra o melhor robô atual, a resposta é simples: a criança vence facilmente. Não há competição alguma.

Agora por que o problema acima é tão fácil e o problema abaixo é tão difícil? Uma resposta é que uma criança de 5 anos muito esperta poderia dizer o algoritmo para o problema acima — verificar todos os movimentos possíveis para o fim do jogo e escolher aquele que traz a vitória. Então é um algoritmo muito simples. Agora é claro que há outros movimentos, mas com computadores potentes nós nos aproximamos da melhor solução. Quando o problema é ter destreza, não é muito claro qual o algoritmo que é preciso para ter isso. E constatamos que é preciso tanto perceber quanto agir no mundo, o que traz um monte de problemas.

Mas deixem-me mostrar a robótica de ponta. Vários robôs são bem impressionantes, mas robôs de manipulação estão na idade das trevas. Então isso é o fim de um projeto de doutorado de um dos melhores institutos de robótica. E o estudante treinou esse robô a colocar água num copo. É um problema difícil pois a água escorre, mas ele pode fazer isso. Mas ele não está no mesmo nível de agilidade de um humano. Agora se você quer que esse robô faça uma tarefa diferente, isso é outro projeto de doutorado. Não há generalização nenhuma de uma tarefa para outra em robótica.

Agora podemos comparar isso com o desempenho de ponta humano. Então o que vou mostrar a você é Emily Fox batendo o recorde mundial de empilhamento de copos. Os americanos na audiência já conhecem tudo sobre isso. É um esporte escolar no qual é preciso empilhar e desempilhar 12 copos contra o relógio, numa ordem pré-definida. E isso é ela batendo o recorde em tempo real. (Risos) (Aplausos) E ela está muito feliz. Nós não temos ideia do que passava em seu cérebro quando ela fazia isso, e é isso que queremos saber.

Então na minha equipe, o que tentamos é fazer engenharia reversa de como os humanos controlam o movimento. E isso parece um problema simples. Você envia um comando, isso faz os músculos contraírem. Seu braço ou corpo se move, e você recebe um retorno sensorial da visão, da pele, dos músculos e assim por diante. O problema é que esses sinais não são tão belos quanto você gostaria. Então uma coisa que torna o controle de movimento difícil é o retorno sensorial ser muito ruidoso. Por ruído, não quero dizer barulho. Nós o usamos no sentido da engenharia e neurociência para remeter um ruído geral corrompendo um sinal. Antigamente, quando você sintonizava seu rádio e ouvia um "crrrrrkkk' na estação que queria ouvir, isso era o ruído. Mas de forma geral, esse ruído é algo que corrompe o sinal.

Por exemplo, se você colocar sua mão sob a mesa e tentar localizá-la com sua outra mão, você pode errar por vários centímetros devido ao ruído do retorno sensorial. De maneira similar, quando você insere motricidade na eferência do movimento, é extremamente ruidoso. Desista de tentar acertar o alvo no jogo de dardos, apenas mire o mesmo ponto de novo e de novo. Você tem uma grande margem devido à variabilidade do movimento. E mais do que isso, o mundo exterior, ou a tarefa, são tanto ambíguos quanto variáveis. O bule pode estar cheio, ou pode estar vazio. Isso muda com o tempo. Então trabalhamos numa sopa de ruídos de tarefas sensório-motoras.

O ruído é tão grande que a sociedade oferece um grande prêmio para aqueles que podem reduzir as consequências do ruído. Então se você tiver sorte o bastante para conseguir rebater uma bola num buraco a centenas de metros de distância usando um taco de metal, nossa sociedade irá recompensá-lo com centenas de milhões de dólares.

Agora quero convencê-los de que o cérebro também faz um grande esforço para reduzir as consequências negativas desse tipo de ruído e variabilidade. E para convencê-los, eu vou falar sobre um paradigma que é muito popular em estatística e aprendizagem de máquina há 50 anos, chamada teoria bayesiana de decisão. E mais recentemente uma forma unificadora de pensar sobre como o cérebro lida com a incerteza. E a ideia fundamental é fazer inferências e depois executar ações.

Então vamos pensar sobre a inferência. Queremos gerar crenças sobre o mundo. Então quais são as crenças? As crenças podem ser: onde estão meus braços no espaço? Estou procurando um gato ou uma raposa? Mas vamos representar crenças com probabilidades. Então vamos representar uma crença com um número entre zero e um — zero significa que não acredito nisso, um significa que tenho certeza disso. E os números entre eles dão os níveis cinza de incerteza. E a ideia central da inferência bayesiana é que há duas fontes de informação das quais é feita nossa inferência. Há os dados, e dados em neurociência são a aferência sensorial. Então eu tenho aferência sensorial, que eu uso para fazer crenças. Mas há outra fonte de informação, e que é efetivamente conhecimento prévio. Você acumula conhecimento ao longo da vida em memórias. E o argumento da teoria bayesiana de decisão é que ela dá a matemática da melhor maneira de combinar seu conhecimento prévio com sua evidência sensorial para gerar novas crenças.

E eu coloquei a fórmula lá em cima. Eu não vou explicar como é a fórmula, mas é muito bonita. E tem uma beleza e poder explicativo verdadeiros. E o que ela explica, e o que você quer estimar, é a probabilidade de crenças diferentes em função de sua aferência sensorial. Então deixem-me dar um exemplo intuitivo. Imagine que você está aprendendo a jogar tênis e você quer decidir onde a bola vai quicar enquanto ela passa sobre a rede. Há duas fontes de informação segundo a regra de Bayes. Há a evidência sensorial — você pode usar a informação visual, informação auditiva, e isso pode dizer qual é o ponto vermelho. Mas você sabe que seus sentidos não são perfeitos, e assim há alguma variabilidade sobre onde a bola vai cair mostrada pela nuvem vermelha, representando números entre 0,5 e talvez 0,1.

A informação é disponível no lance atual, mas há outra fonte de informação não disponível no lance atual, mas apenas disponível por experiências repetidas no jogo de tênis, e que é que a bola não quica com a mesma probabilidade na quadra durante a partida. Se você está jogando contra um rival muito bom, elas podem se distribuir na área verde, que é a distribuição prévia, tornando a devolução difícil. Agora essas duas fontes trazem informações importantes. E o que a regra de Bayes diz é que eu devo multiplicar os números no vermelho pelos números no verde para chegar aos números no amarelo, que mostra a elipse, e essa é a minha crença. Então essa é a melhor forma de combinar informação.

Eu não diria tudo isso a vocês se não fosse por estudo que fizemos, onde mostramos que é exatamente o que as pessoas fazem quando aprendem novas habilidades de movimento. E o que isso significa é que nós somos máquinas de inferência bayesiana. Enquanto nos movemos, aprendemos sobre as estatísticas do mundo e suas regras, mas também aprendemos sobre o quão ruidoso é nosso aparelho sensorial, e daí combinamos os dois numa forma bayesiana.

Uma peça chave dessa teoria bayesiana é essa parte da fórmula. E o que essa parte diz é que preciso prever a probabilidade de diferentes retornos sensoriais dadas as minhas crenças. Então isso significa que preciso fazer previsões do futuro. E quero convencê-los de que o cérebro faz essas previsões sobre o que o retorno sensorial vai receber. Além disso, ele muda profundamente suas percepções pelo que você faz. E para fazer isso, eu direi a vocês sobre como o cérebro lida com a aferência sensorial. Então você envia um comando, você recebe retorno sensorial, e essa transformação é chefiada pela física do seu corpo e seu aparelho sensorial.

Mas você pode se imaginar olhando para dentro do cérebro. E eis aqui o interior do cérebro. Você pode ter um pequeno preditor, um simulador neural, da física do seu corpo e sentidos. Então enquanto você envia um comando para baixo, você faz uma cópia disso e a executa no seu simulador neural para antecipar as consequências sensorias de suas ações. Enquanto agito essa bisnaga de ketchup, eu recebo retorno sensorial como a função do tempo na linha de baixo. E se eu tiver um bom preditor, ele prevê a mesma coisa.

Por que eu me importaria com isso? Eu vou receber o mesmo retorno de qualquer jeito. Bem, há boas razões. Imaginem que, enquanto agito a bisnaga, alguém muito gentil chega e dá um tapinha no fundo da bisnaga para mim. Agora eu recebo uma fonte extra de informação sensorial devido a esse ato externo. Então eu tenho duas fontes. Eu tenho alguém dando tapinhas, e eu agitando isso, mas pelo ponto de vista de meus sentidos, eles são combinados em uma fonte de informação.

Agora há boas razões para acreditar que você gostaria de saber distinguir eventos externos dos eventos internos. Pois eventos externos são muito mais relevantes para o comportamento que sentir tudo o que acontece dentro do meu corpo. Então uma forma de reconstruir isso é comparar a previsão — que é apenas baseada em seus comandos de movimento — com a realidade. Qualquer discrepância deve ser externa. Então enquanto ando pelo mundo, eu faço previsões do que devo receber, e as subtraio. Tudo o que sobrar é externo a mim.

Qual é a evidência para isso? Bem, há um exemplo muito claro em que uma sensação gerada por mim mesmo é sentida de forma diferente de uma gerada por outra pessoa. Então decidimos que o melhor lugar para começar era com cócegas. É sabido há muito tempo que não se pode fazer cócegas em si mesmo da mesma forma como outras pessoas fazem. Mas não foi demonstrado que é por causa de seu simulador neural, simulando seu próprio corpo e subtraindo esse sentido. Então podemos fazer experimentos do século 21 aplicando tecnologias robóticas nesse problema. E com efeito, o que temos é um tipo de vareta em uma mão acoplada a um robô, e ele vai movê-la para frente e para trás. E depois vamos rastrear isso com um computador e usá-lo para controlar outro robô, que vai cocegar sua palma com outra vareta. E depois vamos pedir a eles que avaliem um bocado de coisas incluindo cócegas.

Eu vou mostrar a vocês só uma parte de nosso estudo. E aqui eu excluí os robôs, mas basicamente as pessoas movem seu braço direito de forma sinusoidal para frente e para trás. E nós repetimos isso com a outra mão com um intervalo temporal. Ou sem intervalo nenhum, caso em que a luz apenas cocega sua palma, ou com um intervalo de dois ou três décimos de segundo. Então o ponto importante aqui é que a mão direita sempre faz as mesmas coisas — movimento sinusoidal. A mão esquerda é sempre a mesma e sente uma cócega sinusoidal. E estamos brincando com uma causalidade de ritmo. E se partimos de zero para 0,1 segundo, ela se torna mais coceguenta. Se vamos de 0,1 para 0,2, ela se torna mais coceguenta no fim. E a partir de 0,2, é tão coceguento quanto o robô que o tocava sem você fazer nada. Então o que quer que seja responsável por esse cancelamento é extremamente acoplado com causalidade de ritmo. E baseado nessa ilustração, nós realmente nos convencemos de que o cérebro faz previsões precisas e as subtrai das sensações.

Agora preciso admitir, esses são os piores estudos que meu laboratório fez. Pois a sensação de cócega na palma vai e vem, é necessário um grande número de indivíduos com essas estrelas mostrando ser significantes. Então estamos buscando por uma maneira mais objetiva de acessar esse fenômeno. E ao longo dos anos eu tive duas filhas. E uma coisa que se percebe em crianças no banco de trás de carros em longas viagens é que elas brigam — que começa com uma fazendo alguma coisa para a outra, a outra devolvendo. Isso aumenta com rapidez. E as crianças tendem a ter brigas que aumentam em termos de força. Agora quando eu grito para minhas crianças pararem, algumas vezes ambas me dizem que a outra bateu mais forte.

Eu sei que minhas crianças não mentem, então pensei, como neurocientista, que era importante que pudesse explicar como elas diziam verdades inconsistentes. E testamos isso, baseado no estudo das cócegas, que, quando uma criança bate na outra, elas geram o comando de movimento. Elas predizem as consequências sensoriais e as subtraem. Então elas pensam que acertam a outra com menos força do que fizeram — assim como as cócegas. Visto que o recipiente passivo não faz as previsões, sente a carga total. Então se elas retaliam com a mesma força, a primeira pessoa vai achar que foi superada.

Então decidimos testar isso no laboratório. (Risos) Não trabalhamos com crianças, não trabalhamos com brigas, mas o conceito é idêntico. Nós trazemos dois adultos. Nós dissemos a eles para jogar um jogo. E aqui há o jogador um e o jogador dois sentados de frente um para o outro. E o jogo é muito simples; Nós começamos com um motor com uma pequena alavanca, um transferidor de força. E usamos esse motor para aplicar força sobre os dedos do jogador um por três segundos e depois ele para. E dissemos para esse jogador lembrar da experiência da força e usar o outro dedo para aplicar a mesma força sobre o dedo do outro sujeito através de um transferidor de força — e assim fizeram. E dissemos para o jogador dois lembrar da experiência daquela força e usar sua outra mão para aplicar a força para baixo. E eles fizeram isso em rodadas para aplicar a força que experimentaram para frente.

Mas mais importante, eles foram ensinados sobre as regras do jogo em salas separadas. Então um não sabe as regras com que o outro está jogando. E o que medimos é a força como função de termos. E se observarmos com o que começamos, um quarto de Newton, após algumas rodadas, o perfeito seria a linha vermelha. E o que vimos em todos os pares de indivíduos foi isso: um aumento de 70 por cento da força em cada rodada. Então isso sugere, quando você faz isso — baseado nesse estudo e em outros que fizemos — que o cérebro está cancelando as consequências sensoriais e subestimando a força que está produzindo. Então isso reapresenta o cérebro fazendo previsões e mudando fundamentalmente os preceitos. Então fizemos inferências, fizemos previsões, agora temos de gerar ações. E o que a regra de Bayes diz é, dadas minhas crenças, a ação deve ser ótima em algum nível.

Mas temos um problema. As tarefas são simbólicas — eu quero beber, quero dançar — mas o sistema de movimento precisa contrair 600 músculos numa sequência específica. E há um grande intervalo entre a tarefa e o sistema de movimento. Então eles podem estar conectados por infinitas formas. Então pensem sobre um movimento ponto a ponto. Eu poderia escolher essas duas vias entre um número infinito de vias. Após escolher uma via específica, eu posso segurar minha mão nessa via assim como em muitas configurações de articulação. E posso segurar meu braço numa configuração de articulação específica de forma muito rígida ou muito relaxada. Então tenho um monte de escolhas a fazer. Acontece que somos extremamente estereotipados. Nós nos movemos da mesma forma com frequência.

E somos tão estereotipados, que nossos cérebros dedicam uma circuitaria neural para decodificar essa estereotipagem. Então se eu pegar alguns pontos e colocá-los em movimento com movimento biológico, sua circuitaria cerebral entende na hora o que está acontecendo. Agora isso é um monte de pontos se movendo. Você sabe o que esta pessoa está fazendo, se está feliz, triste, velha, jovem — um monte de informações. Se esses pontos fossem carros numa pista de corrida, você não saberia o que está acontecendo.

Então por que nos movemos de formas específicas? Bem, vamos pensar sobre o que realmente acontece. Talvez não nos movamos da mesma forma. Talvez haja variações na população. E talvez aqueles que se movem melhor que os outros tenham mais chances de ter filhos para a próxima geração. Então em escalas evolucionárias, os movimentos melhoram. E talvez na vida, os movimentos melhoram com aprendizagem.

Então o que define se um movimento é bom ou ruim? Imaginem que eu quero rebater essa bola. Há duas vias possíveis para essa bola. Se eu escolho a via da esquerda, eu posso trabalhar as forças necessárias em um de meus músculos em função do tempo. Mas há ruído somado a isso. Então o que eu recebo, baseado nessa força suave e desejada, é uma versão muito ruidosa. Se eu escolho o mesmo comando por várias vezes, eu recebo um ruído diferente cada vez, pois o ruído muda com o tempo. Então o que posso mostrar a vocês é como a variabilidade do movimento evolui se escolho esse caminho. Se eu escolho um caminho diferente para me mover — pela direita por exemplo — então eu tenho um comando diferente, ruído diferente, ativando um sistema ruidoso, muito complicado. Só podemos estar certos de que a variabilidade será diferente. Se eu me movo nessa forma particular, eu termino com uma variabilidade menor depois de muitos movimentos. Então se eu preciso escolher entre essas duas, eu escolheria a da direita pois é a menos variável.

E a ideia central é que você quer planejar seus movimentos de forma a minimizar as consequências negativas desse ruído. E uma intuição a ter é que a quantidade de ruído ou variabilidade que mostro aqui se torna maior conforme a força aumenta. Então é preciso evitar forças excessivas a princípio. Então mostramos que ao usar isso, podemos explicar uma grande quantidade de dados — que as pessoas passam suas vidas planejando movimentos para minimizar consequências negativas do ruído.

Então espero que tenha convencido vocês de que o cérebro existe e evoluiu para controlar movimentos. E é um desafio intelectual compreender como fazemos isso. Mas também é relevante para doenças e reabilitação. Há muitas doenças que afetam movimentos. E esperamos que ao compreendermos como controlamos movimentos, possamos aplicar isso para tecnologia robótica. E finalmente, eu quero lembrar a vocês, quando vemos animais fazer o que parecem ser tarefas muito simples, a complexidade real do que está acontecendo dentro do cérebro é realmente dramática.

Muito obrigado.

(Aplausos)

Chris Anderson: Uma pergunta rápida a você, Dan. Então você é um — (DW: Chauvinista) — chauvinista do movimento. Isso quer dizer que você acha que as outras coisas que pensamos sobre nosso cérebro — os sonhos, desejos, se apaixonar e todas essas coisas — são como um efeito colateral, um acidente?

DW: Não, na verdade eu acho que elas são todas importantes para dirigir o comportamento de movimento correto para chegar à reprodução no fim. Eu penso assim sobre as pessoas que estudam sensação ou memória sem perceber por que você esquece as memórias da infância. O fato de esquecermos a maior parte de nossa infância, por exemplo, provavelmente é normal, pois isso não afeta nossos movimentos mais tarde. Você só precisa guardar coisas que vão realmente afetar o movimento.

CA: Então você acha que as pessoas que estudam o cérebro, e a consciência de forma geral, poderiam ter uma reflexão verdadeira ao perguntar onde o movimento se envolve nesse jogo?

DW: As pessoas descobriram, por exemplo, que estudar a visão sem a noção de por que você tem visão é um erro. Você precisa estudar a visão tendo em vista como o sistema de movimento vai usar a visão. E ele o usa de forma muito diferente depois que você pensa sobre isso.

CA: Bem, isso foi realmente fascinante. Muito obrigado.

(Aplausos)