Laura Schulz: The surprisingly logical minds of babies

Překladatel: Honza Prokes Korektor: Ivan Prokůpek

Mark Twain summed up what I take to be

Podstatu toho, co zkoumá kognitivní věda,

one of the fundamental problems of cognitive science

shrnul Mark Twain jediným chytrým aforismem:

with a single witticism.

He said, "There's something fascinating about science.

„Na vědě je cosi podmanivého.

One gets such wholesale returns of conjecture

Z nepatrné investice v podobě faktů

out of such a trifling investment in fact."

získáváme tučné výnosy v podobě domněnek.“

(Laughter)

(Smích.)

Twain meant it as a joke, of course, but he's right:

Twain to řekl v žertu, ale je to vlastně pravda.

There's something fascinating about science.

Věda je čímsi podmanivá.

From a few bones, we infer the existence of dinosuars.

Stačí pár kostí a víme, že existovali dinosauři.

From spectral lines, the composition of nebulae.

Ze spektrálních čar vyvozujeme složení hvězdných mlhovin.

From fruit flies,

Na muškách octomilkách

the mechanisms of heredity,

sledujeme mechanismy dědičnosti.

and from reconstructed images of blood flowing through the brain,

A na základě snímků, jak mozkem protéká krev,

or in my case, from the behavior of very young children,

anebo na základě chování dětí, jemuž se věnuji třeba já,

we try to say something about the fundamental mechanisms

studujeme bytostné mechanismy,

of human cognition.

jak lidé poznávají svět.

In particular, in my lab in the Department of Brain and Cognitive Sciences at MIT,

Já sama na Oddělení kognitivních věd a neurověd na MIT

I have spent the past decade trying to understand the mystery

už deset let řeším záhadu,

jak se děti z minima podnětů naučí tak rychle tolik věcí.

of how children learn so much from so little so quickly.

Because, it turns out that the fascinating thing about science

To, co je podmanivého na vědě,

is also a fascinating thing about children,

je totiž podmanivé i na dětech.

which, to put a gentler spin on Mark Twain,

Abych parafrázovala Twaina,

is precisely their ability to draw rich, abstract inferences

z investice v podobě útržkovitých, šumem zatížených dat

rapidly and accurately from sparse, noisy data.

děti bleskově získávají bohaté výnosy přesných abstraktních poznatků.

I'm going to give you just two examples today.

Ukážu vám to na dvou příkladech.

One is about a problem of generalization,

První se týká schopnosti zobecňovat a druhý kauzálního uvažování.

and the other is about a problem of causal reasoning.

And although I'm going to talk about work in my lab,

Budu mluvit hlavně o vlastních výzkumech,

this work is inspired by and indebted to a field.

ale za mnohé vděčím dalším lidem z oboru.

I'm grateful to mentors, colleagues, and collaborators around the world.

Jsem zavázána svým školitelům, kolegům a spolupracovníkům z celého světa.

Let me start with the problem of generalization.

Začněme problematikou zobecňování.

Generalizing from small samples of data is the bread and butter of science.

Zobecňování je alfou a omegou vědy.

We poll a tiny fraction of the electorate

Na základě průzkumu malého vzorku voličů odhadujeme výsledky voleb.

and we predict the outcome of national elections.

We see how a handful of patients responds to treatment in a clinical trial,

Sledujeme, jak hrstka pacientů reaguje na určitý lék,

and we bring drugs to a national market.

a pak ho zavádíme do lékáren.

But this only works if our sample is randomly drawn from the population.

Aby to fungovalo, musíme vzorek lidí vybrat náhodně.

If our sample is cherry-picked in some way --

Pokud bude výběr zkreslený,

say, we poll only urban voters,

pokud oslovíme jen voliče z města

or say, in our clinical trials for treatments for heart disease,

nebo budeme lék na srdce testovat dejme tomu jen na mužích,

we include only men --

the results may not generalize to the broader population.

nebudou závěry zobecnitelné na širší populaci.

So scientists care whether evidence is randomly sampled or not,

Vědci tudíž musejí dbát na nahodilost vzorku.

but what does that have to do with babies?

Ale jak to souvisí s malými dětmi?

Well, babies have to generalize from small samples of data all the time.

Děti neustále něco zobecňují a mají jen malé vzorky dat.

They see a few rubber ducks and learn that they float,

Vidí pár gumových kachniček, a hned pochopí, že všechny plavou.

or a few balls and learn that they bounce.

A z pár míčků pochopí, že všechny skáčou.

And they develop expectations about ducks and balls

A všechny předpoklady o míčcích a kachničkách

that they're going to extend to rubber ducks and balls

jim už zůstanou na celý jejich život.

for the rest of their lives.

And the kinds of generalizations babies have to make about ducks and balls

A úplně stejně jako u míčků a kachniček

they have to make about almost everything:

zobecňují i další poznatky:

shoes and ships and sealing wax and cabbages and kings.

o botách, o lodích, o vosku, o zelí či o králích.

So do babies care whether the tiny bit of evidence they see

Dokáží však děti poznat, jestli nějaká věc

is plausibly representative of a larger population?

věrohodně zastupuje širší množinu prvků?

Let's find out.

Pojďme to zjistit.

I'm going to show you two movies,

Pustím vám dvě nahrávky zachycující dvě verze téhož experimentu.

one from each of two conditions of an experiment,

and because you're going to see just two movies,

Na každé z nich uvidíte jiné malé dítě.

you're going to see just two babies,

and any two babies differ from each other in innumerable ways.

Malé děti se mohou podstatně lišit.

But these babies, of course, here stand in for groups of babies,

Ale tyhle děti představují běžné zástupce

and the differences you're going to see

své věkové skupiny

represent average group differences in babies' behavior across conditions.

a na dané podněty reagují typicky pro svůj věk.

In each movie, you're going to see a baby doing maybe

Možná vám bude připadat, že ty děti dělají vlastně jen to,

just exactly what you might expect a baby to do,

co by u malých dětí člověk čekal.

and we can hardly make babies more magical than they already are.

A protože jsou to malé děti, jsou přitom nesmírně kouzelné.

Skutečné kouzlo však podle mě spočívá v jedné konkrétní věci:

But to my mind the magical thing,

and what I want you to pay attention to,

is the contrast between these two conditions,

v tom, jak výrazně odlišná bude reakce dětí

because the only thing that differs between these two movies

v obou verzích experimentu, ačkoli se liší jen tím,

is the statistical evidence the babies are going to observe.

jak velký statistický vzorek mají děti k dispozici.

We're going to show babies a box of blue and yellow balls,

Nejprve dětem ukážeme bedýnku modrých a žlutých míčků.

and my then-graduate student, now colleague at Stanford, Hyowon Gweon,

Moje tehdejší studentka,

dnes už kolegyně ze Stanfordu, Hyowon Gweon,

is going to pull three blue balls in a row out of this box,

z té bedýnky vytáhne tři modré míčky.

and when she pulls those balls out, she's going to squeeze them,

A každý vytažený míček hned zmáčkne

and the balls are going to squeak.

a on vždycky pískne.

And if you're a baby, that's like a TED Talk.

Pro malé děti je to hotový TED talk.

It doesn't get better than that.

Jsou v sedmém nebi.

(Laughter)

(Smích.)

But the important point is it's really easy to pull three blue balls in a row

Jde ovšem o to, že když jsou míčky v bedýnce převážně modré,

out of a box of mostly blue balls.

není divné vytáhnout tři z nich v řadě.

You could do that with your eyes closed.

To se vám může povést i naslepo. Je to věrohodně nahodilý vzorek.

It's plausibly a random sample from this population.

And if you can reach into a box at random and pull out things that squeak,

A když všechny ty nahodile vybrané věci pískají,

then maybe everything in the box squeaks.

možná píská všechno, co je v té bedýnce.

So maybe babies should expect those yellow balls to squeak as well.

Malé děti by si tedy měly myslet, že pískají i žluté míčky.

Now, those yellow balls have funny sticks on the end,

Žluté míčky na sobě mají připevněné legrační hůlky,

so babies could do other things with them if they wanted to.

takže s nimi děti mohou i bouchat či plácat.

They could pound them or whack them.

But let's see what the baby does.

Tak schválně, co s nimi nakonec udělají.

(Video) Hyowon Gweon: See this? (Ball squeaks)

Hyowon Gweaon: Podívej. (Míček pískne.)

Did you see that? (Ball squeaks)

To je, co? (Míček pískne.)

Cool.

Týjo.

See this one?

Hele tenhle míček.

(Ball squeaks)

(Míček pískne.)

Wow.

Páni!

Laura Schulz: Told you. (Laughs)

Laura Schulz: Já vám to říkala.

(Video) HG: See this one? (Ball squeaks)

HG: Koukni na tenhle míček. (Míček pískne.)

Hey Clara, this one's for you. You can go ahead and play.

Hele, Klárko!

S tímhle míčkem si můžeš hrát.

(Laughter)

(Smích.)

LS: I don't even have to talk, right?

LS: Ani nemusím nic říkat, viďte?

All right, it's nice that babies will generalize properties

Jenže ono je sice hezké, že děti zobecňují vlastnosti

of blue balls to yellow balls,

všech míčků,

and it's impressive that babies can learn from imitating us,

a je úchvatné, jak nás při učení napodobují,

but we've known those things about babies for a very long time.

ale to přeci o malých dětech víme už dávno.

The really interesting question

Mnohem zajímavější je,

is what happens when we show babies exactly the same thing,

co se stane, když dětem ukážeme úplně tutéž věc

and we can ensure it's exactly the same because we have a secret compartment

- a my víme, že je úplně tatáž, protože ty míčky

and we actually pull the balls from there,

taháme z tajné přihrádky -

but this time, all we change is the apparent population

ale změníme přitom statistický vzorek,

from which that evidence was drawn.

který je východiskem zobecnění.

This time, we're going to show babies three blue balls

V bedýnce teď bude většina míčků žlutá.

pulled out of a box of mostly yellow balls,

Ale my z ní opět vytáhneme tři modré.

and guess what?

A vytáhnout tři modré míčky, když převládají žluté,

You [probably won't] randomly draw three blue balls in a row

out of a box of mostly yellow balls.

to už se běžně nepovede.

That is not plausibly randomly sampled evidence.

To už není věrohodně nahodilý vzorek.

That evidence suggests that maybe Hyowon was deliberately sampling the blue balls.

To už vypadá, jako že Hyowon vybírala modré míčky schválně.

Maybe there's something special about the blue balls.

Třeba proto, že jsou modré míčky zvláštní

Maybe only the blue balls squeak.

a na rozdíl od žlutých pískají.

Let's see what the baby does.

Pusťme si reakci dětí.

(Video) HG: See this? (Ball squeaks)

HG: Koukej. (Míček pískne.)

See this toy? (Ball squeaks)

Copak to tady mám? (Míček pískne.)

Oh, that was cool. See? (Ball squeaks)

To je panečku věc. Hele. (Míček pískne.)

Now this one's for you to play. You can go ahead and play.

Tady s tím míčkem si můžeš hrát.

(Fussing) (Laughter)

(Smích.)

LS: So you just saw two 15-month-old babies

LS: Právě jste viděli, že si 15měsíční děti

do entirely different things

počínají úplně jinak

based only on the probability of the sample they observed.

v závislosti na věrohodnosti vzorku dat.

Let me show you the experimental results.

Tohle jsou výsledky našeho experimentu.

On the vertical axis, you'll see the percentage of babies

Na svislé ose je procentuální podíl dětí,

who squeezed the ball in each condition,

které v 1. a 2. pokusu mačkaly míček.

and as you'll see, babies are much more likely to generalize the evidence

Vidíte, že děti zobecňovaly jev mnohem častěji,

when it's plausibly representative of the population

když byl vzorek věrohodně nahodilý,

than when the evidence is clearly cherry-picked.

než když byl zjevně zkreslený.

And this leads to a fun prediction:

Z toho plyne zábavná predikce.

Suppose you pulled just one blue ball out of the mostly yellow box.

Dejme tomu, že z bedýnky, kde převládají žluté míčky, vytáhnete jeden modrý.

You [probably won't] pull three blue balls in a row at random out of a yellow box,

Asi by se vám to nepovedlo 3x za sebou,

but you could randomly sample just one blue ball.

ale jeden modrý míček náhodně vytáhnout můžete.

That's not an improbable sample.

To je věrohodný vzorek.

And if you could reach into a box at random

A pokud ten nahodilý vzorek píská,

and pull out something that squeaks, maybe everything in the box squeaks.

třeba píská všechno, co je v té bedýnce.

So even though babies are going to see much less evidence for squeaking,

Takže i když děti vlastně uvidí méně pískajících míčků

and have many fewer actions to imitate

a budou mít méně podnětů k nápodobě

in this one ball condition than in the condition you just saw,

než v té verzi experimentu, kterou jsme viděli,

we predicted that babies themselves would squeeze more,

čekali jsme, že budou míček mačkat častěji.

and that's exactly what we found.

A to se také potvrdilo.

So 15-month-old babies, in this respect, like scientists,

15měsíční děti si tudíž počínají jako vědci.

care whether evidence is randomly sampled or not,

Podle toho, zda je, či není daný vzorek nahodilý,

and they use this to develop expectations about the world:

si vytvářejí další předpoklady:

what squeaks and what doesn't,

o tom, co píská a co ne;

what to explore and what to ignore.

o tom, co prozkoumat a co nechat být.

Let me show you another example now,

Náš druhý experiment se týká kauzálního uvažování.

this time about a problem of causal reasoning.

And it starts with a problem of confounded evidence

Opírá se o jistou zapeklitost, kterou všichni známe,

that all of us have,

which is that we are part of the world.

totiž že svět funguje po svém.

And this might not seem like a problem to you, but like most problems,

Vlastně na tom nic zapeklitého není,

ale jen dokud vše funguje, jak má.

it's only a problem when things go wrong.

Take this baby, for instance.

A tomuhle chlapečkovi

Things are going wrong for him.

něco nefunguje.

He would like to make this toy go, and he can't.

Chce zapnout hračku, a ono to nejde. Pustím vám video.

I'll show you a few-second clip.

Jsou dvě možnosti:

And there's two possibilities, broadly:

Maybe he's doing something wrong,

buď tu hračku ten chlapeček zapíná špatně,

or maybe there's something wrong with the toy.

nebo je ta hračka rozbitá.

So in this next experiment,

A my teď dětem poskytneme ždibec statistických dat, která svědčí

we're going to give babies just a tiny bit of statistical data

supporting one hypothesis over the other,

buď pro první, nebo druhou možnost.

and we're going to see if babies can use that to make different decisions

A budeme sledovat, jak to ovlivní následnou reakci dětí.

about what to do.

Here's the setup.

A uděláme to následovně.

Hyowon is going to try to make the toy go and succeed.

Hyowon zkusí hračku pustit a povede se jí to.

I am then going to try twice and fail both times,

Potom to zkusím 2x já, ale neúspěšně.

and then Hyowon is going to try again and succeed,

Potom zase Hyowom, které se to povede.

and this roughly sums up my relationship to my graduate students

Krásně to ukazuje, jak jsem oproti svým studentům

in technology across the board.

na štíru s technikou.

But the important point here is it provides a little bit of evidence

Cílem ovšem je, abychom dítěti nepatrně naznačili,

that the problem isn't with the toy, it's with the person.

že problém není v hračce, ale v lidech.

Some people can make this toy go,

Někdo hračku zapnout umí, a někdo ne.

and some can't.

Now, when the baby gets the toy, he's going to have a choice.

Takže když dítě hračku nezapne, má na výběr.

His mom is right there,

Má tam maminku,

takže může k zapnutí hračky vyzvat jiného člověka.

so he can go ahead and hand off the toy and change the person,

but there's also going to be another toy at the end of that cloth,

Ale taky si může přitáhnout ubrus,

and he can pull the cloth towards him and change the toy.

na němž leží druhá hračka, a první hračku vyměnit.

So let's see what the baby does.

Tak schválně, co udělá.

(Video) HG: Two, three. Go! (Music)

HG: Dva, tři. Teď! (Hudba.)

LS: One, two, three, go!

LS: Raz, dva, tři, teď!

Arthur, I'm going to try again. One, two, three, go!

Zkusím to ještě jednou, Arturku.

Raz, dva, tři, teď!

YG: Arthur, let me try again, okay?

YG: Arturku, můžu to zkusit ještě já?

One, two, three, go! (Music)

Raz, dva, tři, teď! (Hudba.)

Look at that. Remember these toys?

No koukni. Vidíš ty hračky? Poznáváš je? Jo?

See these toys? Yeah, I'm going to put this one over here,

Teď položím jednu sem

and I'm going to give this one to you.

a s touhle si můžeš hrát.

You can go ahead and play.

LS: Okay, Laura, but of course, babies love their mommies.

LS: "No jasně," říkáte si, "děti mají rády maminku.

Of course babies give toys to their mommies

Je jasné, že když hračku nezapnou, tak ji dají mamince."

when they can't make them work.

So again, the really important question is what happens when we change

Důležité ovšem je, co se stane,

the statistical data ever so slightly.

když statistická data malinko upravíme.

This time, babies are going to see the toy work and fail in exactly the same order,

Dítě opět uvidí, jak hračka střídavě funguje a nefunguje.

but we're changing the distribution of evidence.

Ale vzorek dat teď rozložíme jinak.

This time, Hyowon is going to succeed once and fail once, and so am I.

Hyowon i já hračku jednou zapneme, a jednou se nám to nepovede.

And this suggests it doesn't matter who tries this toy, the toy is broken.

To už naznačuje, že nezáleží na tom, kdo hračku zapíná. Hračka je rozbitá.

It doesn't work all the time.

Funguje jenom někdy.

Again, the baby's going to have a choice.

A dítě má opět na výběr.

Může dát hračku mamince, aby ji zapnula místo něj,

Her mom is right next to her, so she can change the person,

and there's going to be another toy at the end of the cloth.

nebo si může přitáhnout druhou hračku.

Let's watch what she does.

Tak schválně, co udělá.

(Video) HG: Two, three, go! (Music)

HG: Dva, tři, teď. (Hudba.)

Let me try one more time. One, two, three, go!

Tak ještě jednou, jo? Raz, dva, tři, teď!

Hmm.

Hm.

LS: Let me try, Clara.

LS: Teď já, Klárko.

One, two, three, go!

Raz, dva, tři, teď!

Hm.

Hmm, let me try again.

Tak ještě jednou.

One, two, three, go! (Music)

Raz, dva, tři, teď! (Hudba.)

HG: I'm going to put this one over here,

HG: Teď dám tuhle hračku sem

and I'm going to give this one to you.

a s touhle si můžeš hrát.

You can go ahead and play.

(Applause)

(Smích. Potlesk.)

LS: Let me show you the experimental results.

LS: Tady jsou výsledky experimentu.

On the vertical axis, you'll see the distribution

Na svislé ose vidíte, jak se děti v 1. či 2. případě rozhodovaly.

of children's choices in each condition,

and you'll see that the distribution of the choices children make

A vidíte, že na jejich jednání mělo vliv to,

depends on the evidence they observe.

z jaké evidence vycházely.

So in the second year of life,

Děti, kterým nejsou ani dva roky, volí na základě hrstky statistických dat

babies can use a tiny bit of statistical data

to decide between two fundamentally different strategies

mezi diametrálně odlišnými strategiemi jednání:

for acting in the world:

asking for help and exploring.

poprosit o pomoc či samostatně prozkoumat.

I've just shown you two laboratory experiments

K podobným závěrům došly v našem oboru doslova stovky

out of literally hundreds in the field that make similar points,

dalších studií.

because the really critical point

Souvisí s tím totiž jedna zásadní věc.

is that children's ability to make rich inferences from sparse data

Bez dětské schopnosti dedukovat množství závěrů z útržků dat

underlies all the species-specific cultural learning that we do.

bychom si nemohli předávat znalosti, jak je pro náš druh typické.

Children learn about new tools from just a few examples.

Dětem stačí pár příkladů a pochopí, jak užívat novou pomůcku.

They learn new causal relationships from just a few examples.

Z pár příkladů pochopí novou kauzální souvislost.

They even learn new words, in this case in American Sign Language.

Umí si osvojovat i nová slova, v tomto případě ve znakové řeči.

I want to close with just two points.

Na závěr pár poznámek.

If you've been following my world, the field of brain and cognitive sciences,

Vědy o mozku a kognitivní vědy v posledních letech vyzdvihují

for the past few years,

three big ideas will have come to your attention.

trojici velkých příběhů.

The first is that this is the era of the brain.

První je příběh o tom, že žijeme v éře mozku.

And indeed, there have been staggering discoveries in neuroscience:

V neurovědách došlo k převratným objevům:

localizing functionally specialized regions of cortex,

lokalizace funkčně specifických oblastí mozkové kůry,

turning mouse brains transparent,

zprůhlednění mozku myši,

activating neurons with light.

aktivace neuronů světlem.

A second big idea

Druhým velkým příběhem je,

is that this is the era of big data and machine learning,

že žijeme v éře velkých dat a učících se strojů.

and machine learning promises to revolutionize our understanding

Strojové učení může revolučně změnit náš pohled

of everything from social networks to epidemiology.

na vše od sociálních sítí po epidemiologii.

And maybe, as it tackles problems of scene understanding

A protože se zabývá i interpretací vizuálních dat

and natural language processing,

či fungováním jazyka,

to tell us something about human cognition.

možná nám odhalí i něco o tom, jak poznáváme svět.

And the final big idea you'll have heard

A poslední velký příběh je,

is that maybe it's a good idea we're going to know so much about brains

že je přínosné mozek zkoumat a mít přístup k množství dat.

and have so much access to big data,

because left to our own devices,

Bez vnější korekce totiž lidé snadno podléhají klamům,

humans are fallible, we take shortcuts,

uvažují zkratkovitě,

we err, we make mistakes,

mýlí se,

chybují,

we're biased, and in innumerable ways,

jsou předpojatí

a jejich poznatky o světě jsou v mnoha ohledech scestné.

we get the world wrong.

I think these are all important stories,

Všechny ty příběhy slýcháme a jsou důležité.

and they have a lot to tell us about what it means to be human,

Prozrazují nám spoustu o naší přirozenosti.

but I want you to note that today I told you a very different story.

Ale dnes jsem tu chtěla vyzdvihnout úplně jiný příběh.

It's a story about minds and not brains,

Nemluvila jsem o mozku, ale o lidské mysli.

and in particular, it's a story about the kinds of computations

O tom, jak je lidská mysl jedinečná

that uniquely human minds can perform,

a jak výkonně zpracovává informace.

which involve rich, structured knowledge and the ability to learn

Z nepatrného množství dat,

z pár příkladů,

from small amounts of data, the evidence of just a few examples.

dokážeme vyvodit a osvojit si

celá kvanta ucelených poznatků.

Vyprávěla jsem vám příběh,

And fundamentally, it's a story about how starting as very small children

který vede od nejmenších dětí poznávajících svět

and continuing out all the way to the greatest accomplishments

až k těm největším úspěchům celé naší kultury.

of our culture,

we get the world right.

Naše poznatky o světě tudíž nejsou scestné.

Folks, human minds do not only learn from small amounts of data.

A vězte, že získáváním poznatků z hrstky dat

schopnosti lidské mysli nekončí.

Human minds think of altogether new ideas.

Lidská mysl přichází s novými myšlenkami.

Human minds generate research and discovery,

Lidská mysl stojí za vědeckým výzkumem a za objevy.

and human minds generate art and literature and poetry and theater,

Lidská mysl stojí za uměním, literaturou, poezií a dramatem.

and human minds take care of other humans:

A lidská mysl se stará o ostatní lidi:

our old, our young, our sick.

o nejstarší, o nejmenší, o nemocné,

We even heal them.

které dokonce uzdravujeme.

In the years to come, we're going to see technological innovations

V následujících letech zažijeme technický pokrok,

beyond anything I can even envision,

který si ani neumím představit.

but we are very unlikely

Ale počítačů,

to see anything even approximating the computational power of a human child

které by se svým výkonem

alespoň přiblížily našim dětem,

in my lifetime or in yours.

se já ani vy

patrně nedožijeme.

If we invest in these most powerful learners and their development,

Pokud investujeme do rozvoje těch nejlepších studentů,

in babies and children

tedy do našich malých i velkých dětí,

and mothers and fathers

ale i do jejich matek a otců,

and caregivers and teachers

vychovatelů a učitelů,

the ways we invest in our other most powerful and elegant forms

pokud na ně vynaložíme tolik peněz

of technology, engineering and design,

jako na vývoj a design té nejvýkonnější techniky,

we will not just be dreaming of a better future,

už nebudeme o lepších zítřcích jen snít,

we will be planning for one.

ale budeme k nim mířit.

Thank you very much.

Děkuji vám.

(Applause)

(Potlesk.)

Chris Anderson: Laura, thank you. I do actually have a question for you.

Chris Anderson: Lauro, děkuji. Než se začnu ptát, musím říct,

First of all, the research is insane.

že mi jde z toho hlava kolem.

I mean, who would design an experiment like that? (Laughter)

Jak někoho něco takového vůbec napadne?

(Smích.)

I've seen that a couple of times,

Viděl jsem to už poněkolikáté a pořád mi to přijde k nevíře.

and I still don't honestly believe that that can truly be happening,

but other people have done similar experiments; it checks out.

Je to tedy kompletně ověřené a malé děti jsou prostě geniální?

The babies really are that genius.

LS: You know, they look really impressive in our experiments,

LS: Musíte vzít v potaz,

že v běžném životě to mají ještě těžší než v těch experimentech.

but think about what they look like in real life, right?

It starts out as a baby.

Když je dítěti rok a půl, tak umí sotva pár slov.

Eighteen months later, it's talking to you,

and babies' first words aren't just things like balls and ducks,

A nejsou to slova jako "míček" nebo "kachnička".

they're things like "all gone," which refer to disappearance,

Ale slova jako "není", když něco zmizí,

or "uh-oh," which refer to unintentional actions.

nebo "bác", když něco spadne.

It has to be that powerful.

Takže jejich schopnost učit se prostě musí být ohromná.

It has to be much more powerful than anything I showed you.

Se čtyřletým dítětem už si můžete povídat skoro o čemkoliv.

They're figuring out the entire world.

A four-year-old can talk to you about almost anything.

(Applause)

(Potlesk.)

CA: And if I understand you right, the other key point you're making is,

CA: Jak jste ve své přednášce poukázala,

we've been through these years where there's all this talk

poslední dobou se hodně mluví o tom,

of how quirky and buggy our minds are,

jak je naše mysl promořená chybami.

that behavioral economics and the whole theories behind that

Podle behaviorální ekonomie jednáme často iracionálně.

that we're not rational agents.

You're really saying that the bigger story is how extraordinary,

Vy ale naopak zdůrazňujete, že naše mysl je mimořádná

and there really is genius there that is underappreciated.

a že vlastně nedoceňujeme, jak je ve skutečnosti geniální.

LS: One of my favorite quotes in psychology

LS: Mám moc ráda jeden citát od psychologa Solomana Asche:

comes from the social psychologist Solomon Asch,

and he said the fundamental task of psychology is to remove

"Bytostným úkolem psychologie je strhávat z věcí roušku samozřejmosti."

the veil of self-evidence from things.

There are orders of magnitude more decisions you make every day

Abychom ve světě mohli fungovat,

zpracováváme denně neskutečné množství dat.

that get the world right.

You know about objects and their properties.

Známe různé objekty a jejich vlastnosti.

You know them when they're occluded. You know them in the dark.

Poznáme je třeba i po tmě. Můžeme se procházet po bytě.

You can walk through rooms.

You can figure out what other people are thinking. You can talk to them.

Umíme uhodnout, co si jiní lidé myslí. Mluvíme s nimi.

Pohybujeme se prostorem. Máme koncept čísel.

You can navigate space. You know about numbers.

Víme, jak co funguje. Máme morálku.

You know causal relationships. You know about moral reasoning.

Všechno to nevědomě zpracováváme, abychom mohli ve světě fungovat.

You do this effortlessly, so we don't see it,

but that is how we get the world right, and it's a remarkable

Je to neuvěřitelný, skoro nepředstavitelný výkon.

and very difficult-to-understand accomplishment.

CA: Řekl bych, že by s vámi někteří diváci asi nesouhlasili,

CA: I suspect there are people in the audience who have

this view of accelerating technological power

že se nedožijeme počítačů, které by uměly totéž co tříleté děti.

who might dispute your statement that never in our lifetimes

will a computer do what a three-year-old child can do,

Ale asi je bez debat,

but what's clear is that in any scenario,

že se stroje v každém případě

our machines have so much to learn from our toddlers.

mají od batolat ještě hodně co učit.

LS: I think so. You'll have some machine learning folks up here.

LS: Asi je fakt, že tu jsou i fandové strojového učení.

I mean, you should never bet against babies or chimpanzees

A já věřím, že není na místě být proti dětem

ani šimpanzům ani technice.

or technology as a matter of practice,

Aspoň ne jen tak ze zásady.

but it's not just a difference in quantity,

Ale tady jde o zásadní rozdíl, který není jen kvantitativní.

it's a difference in kind.

We have incredibly powerful computers,

Máme neuvěřitelně výkonné počítače

and they do do amazingly sophisticated things,

schopné ohromně důmyslných výpočtů,

often with very big amounts of data.

často s obrovským množstvím dat.

Human minds do, I think, something quite different,

Ale lidská mysl funguje jinak.

and I think it's the structured, hierarchical nature of human knowledge

Lidé své znalosti třídí a hierachicky uspořádávají,

that remains a real challenge.

což je pro počítač stále výzva.

CA: Laura Schulz, wonderful food for thought. Thank you so much.

CA: To byla vydatná porce myšlenek od Laury Schulz. Děkujeme.

LS: Thank you. (Applause)

LS: Děkuji. (Potlesk.)