Laura Schulz: The surprisingly logical minds of babies

233,878 views ・ 2015-06-02

TED


Haga doble clic en los subtítulos en inglés para reproducir el vídeo.

Traductor: Ciro Gomez Revisor: Lidia Cámara de la Fuente
00:12
Mark Twain summed up what I take to be
0
12835
2155
Mark Twain resumió lo que considero es
00:14
one of the fundamental problems of cognitive science
1
14990
3120
uno de los problemas fundamentales de la ciencia cognitiva
00:18
with a single witticism.
2
18110
1710
con un solo chiste.
00:20
He said, "There's something fascinating about science.
3
20410
3082
Dijo: "Hay algo fascinante en la ciencia.
00:23
One gets such wholesale returns of conjecture
4
23492
3228
Uno obtiene enormes retornos en conjeturas
00:26
out of such a trifling investment in fact."
5
26720
3204
con muy poca inversión en hechos".
00:29
(Laughter)
6
29924
1585
(Risas)
00:32
Twain meant it as a joke, of course, but he's right:
7
32199
2604
Twain lo decía en broma, claro, pero tiene razón:
00:34
There's something fascinating about science.
8
34803
2876
Hay algo fascinante en la ciencia.
00:37
From a few bones, we infer the existence of dinosuars.
9
37679
4261
A partir de unos pocos huesos, inferimos la existencia de dinosaurios.
00:42
From spectral lines, the composition of nebulae.
10
42910
3871
A partir de las líneas espectrales, la composición de las nebulosas.
00:47
From fruit flies,
11
47471
2938
A partir de moscas de la fruta,
00:50
the mechanisms of heredity,
12
50409
2943
los mecanismos de la herencia,
00:53
and from reconstructed images of blood flowing through the brain,
13
53352
4249
y a partir de imágenes reconstruidas de sangre que fluye a través del cerebro,
00:57
or in my case, from the behavior of very young children,
14
57601
4708
o en mi caso, desde el comportamiento de los niños muy pequeños,
01:02
we try to say something about the fundamental mechanisms
15
62309
2829
tratamos de decir algo sobre los mecanismos fundamentales
01:05
of human cognition.
16
65138
1618
de la cognición humana.
01:07
In particular, in my lab in the Department of Brain and Cognitive Sciences at MIT,
17
67716
4759
En particular, en mi laboratorio en el
Departamento de Cerebro y Ciencias Cognitivas del MIT,
01:12
I have spent the past decade trying to understand the mystery
18
72475
3654
he pasado los últimos diez años tratando de entender el misterio
01:16
of how children learn so much from so little so quickly.
19
76129
3977
de cómo los niños aprenden mucho rápidamente a partir de tan poco.
01:20
Because, it turns out that the fascinating thing about science
20
80666
2978
Porque resulta que lo fascinante de la ciencia
01:23
is also a fascinating thing about children,
21
83644
3529
es también una cosa fascinante en los niños,
01:27
which, to put a gentler spin on Mark Twain,
22
87173
2581
que, para ponerlo en términos de Mark Twain, pero más suave
01:29
is precisely their ability to draw rich, abstract inferences
23
89754
4650
es precisamente su capacidad para dibujar ricas inferencias abstractas
01:34
rapidly and accurately from sparse, noisy data.
24
94404
4661
rápidamente y con precisión a partir de datos dispersos, confusos.
01:40
I'm going to give you just two examples today.
25
100355
2398
Daré solo dos ejemplos hoy.
01:42
One is about a problem of generalization,
26
102753
2287
Uno es sobre un problema de generalización,
01:45
and the other is about a problem of causal reasoning.
27
105040
2850
y el otro sobre un problema de razonamiento causal.
01:47
And although I'm going to talk about work in my lab,
28
107890
2525
Y aunque hablaré del trabajo en mi laboratorio,
01:50
this work is inspired by and indebted to a field.
29
110415
3460
este trabajo se inspira y está en deuda con un campo.
01:53
I'm grateful to mentors, colleagues, and collaborators around the world.
30
113875
4283
Se lo agradezco a los mentores, colegas y colaboradores de todo el mundo.
01:59
Let me start with the problem of generalization.
31
119308
2974
Permítanme comenzar con el problema de la generalización.
02:02
Generalizing from small samples of data is the bread and butter of science.
32
122652
4133
Generalizar a partir de pequeñas muestras de datos
es el pan de cada día de la ciencia.
02:06
We poll a tiny fraction of the electorate
33
126785
2554
Entrevistamos a una pequeña fracción del electorado
02:09
and we predict the outcome of national elections.
34
129339
2321
y podemos predecir el resultado de las elecciones nacionales.
02:12
We see how a handful of patients responds to treatment in a clinical trial,
35
132240
3925
Vemos un puñado de pacientes responder al tratamiento en un ensayo clínico,
02:16
and we bring drugs to a national market.
36
136165
3065
y lanzamos los fármacos a un mercado nacional.
02:19
But this only works if our sample is randomly drawn from the population.
37
139230
4365
Pero esto solo funciona si la muestra se extrae al azar de la población.
02:23
If our sample is cherry-picked in some way --
38
143595
2735
Si la muestra es seleccionada de alguna manera
02:26
say, we poll only urban voters,
39
146330
2072
--por ejemplo, un sondeo a solo votantes urbanos,
02:28
or say, in our clinical trials for treatments for heart disease,
40
148402
4388
o, en un ensayo clínico de tratamientos para enfermedades del corazón,
02:32
we include only men --
41
152790
1881
solo incluimos hombres--
02:34
the results may not generalize to the broader population.
42
154671
3158
los resultados no pueden generalizarse a la población en general.
02:38
So scientists care whether evidence is randomly sampled or not,
43
158479
3581
Los científicos se preocupan si la evidencia es tomada o no al azar,
pero ¿qué tiene esto que ver con los bebés?
02:42
but what does that have to do with babies?
44
162060
2015
02:44
Well, babies have to generalize from small samples of data all the time.
45
164585
4621
Los bebés tienen que generalizar a partir de
pequeñas muestras de datos todo el tiempo.
02:49
They see a few rubber ducks and learn that they float,
46
169206
3158
Ellos ven un par de patos de goma y aprenden que flotan,
02:52
or a few balls and learn that they bounce.
47
172364
3575
o un par de pelotas y aprenden que rebotan.
02:55
And they develop expectations about ducks and balls
48
175939
2951
Y desarrollan expectativas sobre patos y pelotas
02:58
that they're going to extend to rubber ducks and balls
49
178890
2716
que van a extender a los patos de goma y a las pelotas
03:01
for the rest of their lives.
50
181606
1879
por el resto de sus vidas.
03:03
And the kinds of generalizations babies have to make about ducks and balls
51
183485
3739
El tipo de generalizaciones que los bebés tienen que hacer sobre patos y bolas
03:07
they have to make about almost everything:
52
187224
2089
tienen que hacerlas con casi todo:
03:09
shoes and ships and sealing wax and cabbages and kings.
53
189313
3917
zapatos y barcos y cera y coles y reyes.
03:14
So do babies care whether the tiny bit of evidence they see
54
194200
2961
¿A los bebés les importa si las pocas pruebas que ven,
03:17
is plausibly representative of a larger population?
55
197161
3692
representan una población más grande?
03:21
Let's find out.
56
201763
1900
Vamos a ver.
03:23
I'm going to show you two movies,
57
203663
1723
Les mostraré dos películas,
03:25
one from each of two conditions of an experiment,
58
205386
2462
una de cada una de las dos condiciones de un experimento,
03:27
and because you're going to see just two movies,
59
207848
2438
y como son solo dos películas,
03:30
you're going to see just two babies,
60
210286
2136
verán solo dos bebés,
03:32
and any two babies differ from each other in innumerable ways.
61
212422
3947
y los dos bebés difieren entre sí en innumerables maneras.
03:36
But these babies, of course, here stand in for groups of babies,
62
216369
3051
Pero estos bebés, por supuesto, son parte de grupos de bebés,
03:39
and the differences you're going to see
63
219420
1895
y las diferencias que verán
03:41
represent average group differences in babies' behavior across conditions.
64
221315
5195
representan diferencias del grupo promedio
en el comportamiento según las condiciones.
03:47
In each movie, you're going to see a baby doing maybe
65
227160
2583
En cada película, verán a un bebé haciendo
03:49
just exactly what you might expect a baby to do,
66
229743
3460
exactamente lo que cabría esperar que haga un bebé,
03:53
and we can hardly make babies more magical than they already are.
67
233203
4017
y difícilmente podemos hacer a los bebés más mágicos de lo que ya son.
03:58
But to my mind the magical thing,
68
238090
2010
Pero a para mi mente lo mágico,
04:00
and what I want you to pay attention to,
69
240100
2089
y a lo que quiero que presten atención,
04:02
is the contrast between these two conditions,
70
242189
3111
es al contraste entre estas dos condiciones,
04:05
because the only thing that differs between these two movies
71
245300
3529
porque lo único en que se diferencian estas dos películas
04:08
is the statistical evidence the babies are going to observe.
72
248829
3466
es la evidencia estadística que los bebés observarán.
04:13
We're going to show babies a box of blue and yellow balls,
73
253425
3183
Les mostraremos una caja de bolas de color azul y amarillo,
04:16
and my then-graduate student, now colleague at Stanford, Hyowon Gweon,
74
256608
4620
y mi entonces estudiante de posgrado, ahora colega en Stanford, Hyowon Gweon,
04:21
is going to pull three blue balls in a row out of this box,
75
261228
3077
sacará tres bolas de color azul en fila de esta caja,
04:24
and when she pulls those balls out, she's going to squeeze them,
76
264305
3123
y al sacar esas bolas fuera, las apretará,
04:27
and the balls are going to squeak.
77
267428
2113
y las bolas chirriarán.
04:29
And if you're a baby, that's like a TED Talk.
78
269541
2763
Y si fueran el bebé, sería como una TED Talk.
04:32
It doesn't get better than that.
79
272304
1904
No hay nada mejor que eso.
04:34
(Laughter)
80
274208
2561
(Risas)
04:38
But the important point is it's really easy to pull three blue balls in a row
81
278968
3659
Pero el punto importante es que es muy fácil sacar tres bolas azules en fila
04:42
out of a box of mostly blue balls.
82
282627
2305
de una caja de pelotas en su mayoría azules.
04:44
You could do that with your eyes closed.
83
284932
2060
Podrían hacerlo con los ojos cerrados.
04:46
It's plausibly a random sample from this population.
84
286992
2996
Es posible una muestra aleatoria de esta población.
04:49
And if you can reach into a box at random and pull out things that squeak,
85
289988
3732
Y si se pueden sacar de la caja al azar y sacar cosas que chirrían,
04:53
then maybe everything in the box squeaks.
86
293720
2839
entonces tal vez todo en la caja chirría.
04:56
So maybe babies should expect those yellow balls to squeak as well.
87
296559
3650
Tal vez los bebés deben esperar que esas bolas amarillas chirríen también.
05:00
Now, those yellow balls have funny sticks on the end,
88
300209
2519
Las bolas amarillas tienen palos divertidos al final,
05:02
so babies could do other things with them if they wanted to.
89
302728
2857
así los bebés podrían hacer otras cosas con ellas si quisieran.
05:05
They could pound them or whack them.
90
305585
1831
Podrían sacudirlas o golpear a ellas.
05:07
But let's see what the baby does.
91
307416
2586
Pero vamos a ver lo que hace el bebé.
05:12
(Video) Hyowon Gweon: See this? (Ball squeaks)
92
312548
3343
(Video) Hyowon Gweon: ¿Ves esto? (Bola chirría)
05:16
Did you see that? (Ball squeaks)
93
316531
3045
¿Viste eso? (Bola chirría)
05:20
Cool.
94
320036
3066
Genial.
05:24
See this one?
95
324706
1950
¿Ves este?
05:26
(Ball squeaks)
96
326656
1881
(Bola chirría)
05:28
Wow.
97
328537
2653
Guauu.
05:33
Laura Schulz: Told you. (Laughs)
98
333854
2113
Laura Schulz: Lo dije. (Risas)
05:35
(Video) HG: See this one? (Ball squeaks)
99
335967
4031
(Video) HG: ¿Ves este? (Bola chirría)
05:39
Hey Clara, this one's for you. You can go ahead and play.
100
339998
4619
Clara, este es para ti. Puedes jugar.
05:51
(Laughter)
101
351854
4365
(Risas)
05:56
LS: I don't even have to talk, right?
102
356219
2995
LS: No tengo ni siquiera que hablar, ¿verdad?
05:59
All right, it's nice that babies will generalize properties
103
359214
2899
Está bien, es bueno que los bebés generalicen propiedades
06:02
of blue balls to yellow balls,
104
362113
1528
de bolas azules a amarillas,
06:03
and it's impressive that babies can learn from imitating us,
105
363641
3096
y es impresionante que pueden aprender de nosotros imitando,
06:06
but we've known those things about babies for a very long time.
106
366737
3669
pero ido aprendiendo esas cosas de los bebés durante mucho tiempo.
06:10
The really interesting question
107
370406
1811
La pregunta realmente interesante
06:12
is what happens when we show babies exactly the same thing,
108
372217
2852
es qué sucede cuando les mostramos a los bebés lo mismo,
06:15
and we can ensure it's exactly the same because we have a secret compartment
109
375069
3611
y sabemos que es lo mismo, porque tenemos un compartimiento secreto
06:18
and we actually pull the balls from there,
110
378680
2110
y que en realidad tomamos las bolas de allí,
06:20
but this time, all we change is the apparent population
111
380790
3478
pero esta vez, lo único que cambiamos es la población aparente
06:24
from which that evidence was drawn.
112
384268
2902
de la que se extrae la evidencia.
06:27
This time, we're going to show babies three blue balls
113
387170
3553
Esta vez, mostraremos a los bebés tres bolas azules
06:30
pulled out of a box of mostly yellow balls,
114
390723
3384
sacadas de una caja de pelotas en su mayoría de color amarillo,
06:34
and guess what?
115
394107
1322
¿y adivinen qué?
06:35
You [probably won't] randomly draw three blue balls in a row
116
395429
2840
Seguramente no sacarán al azar tres bolas azules en fila
06:38
out of a box of mostly yellow balls.
117
398269
2484
de una caja de pelotas en su mayoría amarillas.
06:40
That is not plausibly randomly sampled evidence.
118
400753
3747
Eso no es plausible en muestreos aleatorios.
06:44
That evidence suggests that maybe Hyowon was deliberately sampling the blue balls.
119
404500
5123
Esa evidencia sugiere que tal vez Hyowon tomaba deliberadamente las bolas azules.
06:49
Maybe there's something special about the blue balls.
120
409623
2583
Tal vez hay algo especial con las bolas azules.
06:52
Maybe only the blue balls squeak.
121
412846
2976
Tal vez solo las bolas azules chirrían.
06:55
Let's see what the baby does.
122
415822
1895
Vamos a ver lo que hace el bebé.
06:57
(Video) HG: See this? (Ball squeaks)
123
417717
2904
(Video) HG: ¿Ves esto? (Bola chirría)
07:02
See this toy? (Ball squeaks)
124
422851
2645
¿Ves este juguete? (Bola chirría)
07:05
Oh, that was cool. See? (Ball squeaks)
125
425496
5480
Oh, eso fue genial. ¿Ves? (Bola chirría)
07:10
Now this one's for you to play. You can go ahead and play.
126
430976
4394
Este es para que juegues. Puedes jugar.
07:18
(Fussing) (Laughter)
127
438074
6347
(Hace ruidos) (Risas)
07:26
LS: So you just saw two 15-month-old babies
128
446901
2748
LS: Acaban de ver dos bebés de 15 meses de edad
07:29
do entirely different things
129
449649
1942
hacer cosas completamente diferentes
07:31
based only on the probability of the sample they observed.
130
451591
3599
basados solo en la probabilidad de la muestra que observaron.
07:35
Let me show you the experimental results.
131
455190
2321
Les enseñaré los resultados experimentales.
07:37
On the vertical axis, you'll see the percentage of babies
132
457511
2764
En el eje vertical, verán el porcentaje de bebés
07:40
who squeezed the ball in each condition,
133
460275
2530
que apretaron la pelota en cada condición,
07:42
and as you'll see, babies are much more likely to generalize the evidence
134
462805
3715
y como verán, los bebés son mucho más propensos a generalizar las pruebas
07:46
when it's plausibly representative of the population
135
466520
3135
cuando es plausiblemente representativa de la población
07:49
than when the evidence is clearly cherry-picked.
136
469655
3738
que cuando la evidencia es claramente escogida.
07:53
And this leads to a fun prediction:
137
473393
2415
Y esto lleva a una predicción extraña:
07:55
Suppose you pulled just one blue ball out of the mostly yellow box.
138
475808
4868
Supongamos que sacamos solo una bola azul de una caja con mayoría amarilla.
08:00
You [probably won't] pull three blue balls in a row at random out of a yellow box,
139
480896
3869
Probablemente no sacarán tres azules en fila al azar de una caja de amarillas,
08:04
but you could randomly sample just one blue ball.
140
484765
2455
pero se podría solo una bola azul al azar.
08:07
That's not an improbable sample.
141
487220
1970
Esa no es una muestra improbable.
08:09
And if you could reach into a box at random
142
489190
2224
Y si pudieran tomar una al azar de una caja
08:11
and pull out something that squeaks, maybe everything in the box squeaks.
143
491414
3987
y sacar algo que chirría, tal vez todo en la caja chirriaría.
08:15
So even though babies are going to see much less evidence for squeaking,
144
495875
4445
Así que a pesar de que los bebés verán mucha menos evidencia de chirridos,
08:20
and have many fewer actions to imitate
145
500320
2242
y tienen muchas menos acciones para imitar
08:22
in this one ball condition than in the condition you just saw,
146
502562
3343
en esta condición de una bola que es la que van a ver,
08:25
we predicted that babies themselves would squeeze more,
147
505905
3892
predijimos que los bebés sí la exprimirían más,
08:29
and that's exactly what we found.
148
509797
2894
y eso es exactamente lo que encontramos.
08:32
So 15-month-old babies, in this respect, like scientists,
149
512691
4411
Los bebés de 15 meses de edad, en este sentido, al igual que los científicos,
08:37
care whether evidence is randomly sampled or not,
150
517102
3088
tienen cuidado de si la evidencia es de una muestra al azar o no,
08:40
and they use this to develop expectations about the world:
151
520190
3507
y utilizan esto para desarrollar expectativas sobre el mundo:
08:43
what squeaks and what doesn't,
152
523697
2182
que chirría y que no,
08:45
what to explore and what to ignore.
153
525879
3145
qué explorar y qué ignorar.
08:50
Let me show you another example now,
154
530384
2066
Les mostraré otro ejemplo,
08:52
this time about a problem of causal reasoning.
155
532450
2730
sobre un problema de razonamiento causal.
08:55
And it starts with a problem of confounded evidence
156
535180
2439
Comienza con un problema confuso de evidencia
08:57
that all of us have,
157
537619
1672
que todos tenemos,
08:59
which is that we are part of the world.
158
539291
2020
que es que somos parte del mundo.
09:01
And this might not seem like a problem to you, but like most problems,
159
541311
3436
Puede no parecer un problema, pero como la mayoría de los problemas,
09:04
it's only a problem when things go wrong.
160
544747
2337
es solo un problema cuando las cosas van mal.
09:07
Take this baby, for instance.
161
547464
1811
Tomen este bebé, por ejemplo.
09:09
Things are going wrong for him.
162
549275
1705
Las cosas van mal para él.
09:10
He would like to make this toy go, and he can't.
163
550980
2271
Le gustaría jugar con este juguete, y no puede.
09:13
I'll show you a few-second clip.
164
553251
2529
Les mostraré unos pocos segundos del clip.
09:21
And there's two possibilities, broadly:
165
561340
1920
Hay dos grandes posibilidades:
09:23
Maybe he's doing something wrong,
166
563260
2634
Tal vez él está haciendo algo mal,
09:25
or maybe there's something wrong with the toy.
167
565894
4216
o tal vez hay algo mal con el juguete.
09:30
So in this next experiment,
168
570110
2111
Así que en el siguiente experimento,
09:32
we're going to give babies just a tiny bit of statistical data
169
572221
3297
daremos a los bebés solo unos pocos datos estadísticos
09:35
supporting one hypothesis over the other,
170
575518
2582
para apoyar una hipótesis sobre la otra,
09:38
and we're going to see if babies can use that to make different decisions
171
578100
3455
y veremos si pueden usarlos para tomar decisiones diferentes
09:41
about what to do.
172
581555
1834
acerca de qué hacer.
09:43
Here's the setup.
173
583389
2022
Aquí está la configuración.
09:46
Hyowon is going to try to make the toy go and succeed.
174
586071
3030
Hyowon intentará que el juguete funcione y tenga éxito.
09:49
I am then going to try twice and fail both times,
175
589101
3320
Yo a continuación lo intentaré dos veces y fallaré en ambas,
09:52
and then Hyowon is going to try again and succeed,
176
592421
3112
y luego Hyowon lo intentará de nuevo y tendrá éxito,
09:55
and this roughly sums up my relationship to my graduate students
177
595533
3172
lo que resume casi mi relación con mis estudiantes de posgrado
09:58
in technology across the board.
178
598705
2835
en tecnología en todos los ámbitos.
10:02
But the important point here is it provides a little bit of evidence
179
602030
3292
Pero el punto importante aquí es que proporciona algo de evidencia
10:05
that the problem isn't with the toy, it's with the person.
180
605322
3668
que el problema no es con el juguete, que es con la persona.
10:08
Some people can make this toy go,
181
608990
2350
Algunos pueden hacer funcionar este juguete,
10:11
and some can't.
182
611340
959
y otros no pueden.
10:12
Now, when the baby gets the toy, he's going to have a choice.
183
612799
3413
Cuando el bebé recibe el juguete, optará por una alternativa.
10:16
His mom is right there,
184
616212
2188
Su mamá está ahí,
10:18
so he can go ahead and hand off the toy and change the person,
185
618400
3315
para que pueda continuar y cambiar a la persona,
10:21
but there's also going to be another toy at the end of that cloth,
186
621715
3158
pero también habrá otro juguete al final de esa tela,
10:24
and he can pull the cloth towards him and change the toy.
187
624873
3552
y él puede tirar de la tela hacia él y cambiar el juguete.
10:28
So let's see what the baby does.
188
628425
2090
Así que veamos qué hace el bebé.
10:30
(Video) HG: Two, three. Go! (Music)
189
630515
4183
(Video) HG: Dos, tres. ¡Adelante! (Música)
10:34
LS: One, two, three, go!
190
634698
3131
LS: Uno, dos, tres, ¡ya!
10:37
Arthur, I'm going to try again. One, two, three, go!
191
637829
7382
Arthur, voy a intentarlo de nuevo. Uno, dos, tres, ¡ya!
10:45
YG: Arthur, let me try again, okay?
192
645677
2600
YG: Arthur, déjame intentarlo de nuevo, ¿de acuerdo?
10:48
One, two, three, go! (Music)
193
648277
4550
Uno, dos, tres, ¡ya! (Música)
10:53
Look at that. Remember these toys?
194
653583
1883
Mira eso. ¿Recuerdas estos juguetes?
10:55
See these toys? Yeah, I'm going to put this one over here,
195
655466
3264
¿Ves estos juguetes? Sí, voy a poner este aquí,
10:58
and I'm going to give this one to you.
196
658730
2062
y te voy a dar este.
11:00
You can go ahead and play.
197
660792
2335
Puede jugar.
11:23
LS: Okay, Laura, but of course, babies love their mommies.
198
683213
4737
BT: Bueno, Laura, pero, por supuesto, los bebés aman a sus mamás.
11:27
Of course babies give toys to their mommies
199
687950
2182
Claro, los bebés dan juguetes a sus mamás
11:30
when they can't make them work.
200
690132
2030
cuando no pueden hacer que funcionen.
11:32
So again, the really important question is what happens when we change
201
692162
3593
De nuevo, la pregunta realmente importante es qué sucede cuando cambiamos
11:35
the statistical data ever so slightly.
202
695755
3154
los datos estadísticos ligeramente.
11:38
This time, babies are going to see the toy work and fail in exactly the same order,
203
698909
4087
Esta vez, los bebés verán el juguete funcionar y fallar en el mismo orden,
11:42
but we're changing the distribution of evidence.
204
702996
2415
pero cambiamos la distribución de las pruebas.
11:45
This time, Hyowon is going to succeed once and fail once, and so am I.
205
705411
4411
Esta vez, Hyowon tendrá éxito una vez y fallará otra, y yo también
11:49
And this suggests it doesn't matter who tries this toy, the toy is broken.
206
709822
5637
Y esto sugiere que no importa quién usa el juguete, el juguete falla.
11:55
It doesn't work all the time.
207
715459
1886
No funciona todo el tiempo.
11:57
Again, the baby's going to have a choice.
208
717345
1965
Una vez más, el bebé tendrá una elección.
11:59
Her mom is right next to her, so she can change the person,
209
719310
3396
Su mamá está justo al lado, para que ella pueda cambiar a la persona,
12:02
and there's going to be another toy at the end of the cloth.
210
722706
3204
y habrá otro juguete al final de la tela.
12:05
Let's watch what she does.
211
725910
1378
Vamos a ver lo que hace.
12:07
(Video) HG: Two, three, go! (Music)
212
727288
4348
(Video) HG: Dos, tres, ¡ya! (Música)
12:11
Let me try one more time. One, two, three, go!
213
731636
4984
Déjame intentarlo una vez más. Uno, dos, tres, ¡ya!
12:17
Hmm.
214
737460
1697
Hmm.
12:19
LS: Let me try, Clara.
215
739950
2692
LS: Déjame intentar, Clara.
12:22
One, two, three, go!
216
742642
3945
Uno, dos, tres, ¡ya!
12:27
Hmm, let me try again.
217
747265
1935
Hmm, déjame intentarlo de nuevo.
12:29
One, two, three, go! (Music)
218
749200
5670
Uno, dos, tres, ¡ya! (Música)
12:35
HG: I'm going to put this one over here,
219
755009
2233
HG: Voy a poner este por aquí,
12:37
and I'm going to give this one to you.
220
757242
2001
y te voy a dar éste.
12:39
You can go ahead and play.
221
759243
3597
Puedes usarlo y jugar.
12:58
(Applause)
222
778376
4897
(Aplausos)
13:04
LS: Let me show you the experimental results.
223
784993
2392
LS: Les mostrará los resultados experimentales.
13:07
On the vertical axis, you'll see the distribution
224
787385
2475
En el eje vertical, verán la distribución
13:09
of children's choices in each condition,
225
789860
2577
de opciones de los niños en cada condición,
13:12
and you'll see that the distribution of the choices children make
226
792437
4551
y verán que la distribución de las opciones de los niños
13:16
depends on the evidence they observe.
227
796988
2787
dependen de los ensayos que observan.
13:19
So in the second year of life,
228
799775
1857
Así, en el segundo año de vida,
13:21
babies can use a tiny bit of statistical data
229
801632
2577
los bebés pueden usar algo de los datos estadísticos
13:24
to decide between two fundamentally different strategies
230
804209
3367
para decidir entre dos estrategias fundamentalmente diferentes
13:27
for acting in the world:
231
807576
1881
para actuar en el mundo:
13:29
asking for help and exploring.
232
809457
2743
pedir ayuda y explorar.
13:33
I've just shown you two laboratory experiments
233
813700
3434
Acabo de mostrarles dos experimentos de laboratorio
13:37
out of literally hundreds in the field that make similar points,
234
817134
3691
de literalmente cientos en el campo que llegan a resultados similares,
13:40
because the really critical point
235
820825
2392
debido a que el punto realmente crítico es
13:43
is that children's ability to make rich inferences from sparse data
236
823217
5108
que la capacidad de los niños para hacer inferencias a partir de datos escasos
13:48
underlies all the species-specific cultural learning that we do.
237
828325
5341
subyace a todo el aprendizaje cultural específico de la especie.
13:53
Children learn about new tools from just a few examples.
238
833666
4597
Los niños aprenden nuevas herramientas a partir de solo algunos ejemplos.
13:58
They learn new causal relationships from just a few examples.
239
838263
4717
Aprenden nuevas relaciones causales a partir de solo algunos ejemplos.
14:03
They even learn new words, in this case in American Sign Language.
240
843928
4871
Incluso aprenden nuevas palabras, en este caso en el lenguaje de señas americano.
14:08
I want to close with just two points.
241
848799
2311
Quiero cerrar con solo dos puntos.
14:12
If you've been following my world, the field of brain and cognitive sciences,
242
852050
3688
Si han seguido mi mundo, el campo de las ciencias cerebrales y cognitivas,
14:15
for the past few years,
243
855738
1927
en los últimos años,
14:17
three big ideas will have come to your attention.
244
857665
2415
tres grandes ideas habrán llamado su atención.
14:20
The first is that this is the era of the brain.
245
860080
3436
La primera es que esta es la era del cerebro.
14:23
And indeed, there have been staggering discoveries in neuroscience:
246
863516
3669
Y, en efecto, ha habido descubrimientos asombrosos en neurociencia:
14:27
localizing functionally specialized regions of cortex,
247
867185
3436
localización de regiones funcionalmente especializados de la corteza,
14:30
turning mouse brains transparent,
248
870621
2601
logrando cerebros de ratón transparentes,
14:33
activating neurons with light.
249
873222
3776
la activación de las neuronas con la luz.
14:36
A second big idea
250
876998
1996
Una segunda gran idea
14:38
is that this is the era of big data and machine learning,
251
878994
4104
es que esta es la era de los grandes datos y el aprendizaje automático,
14:43
and machine learning promises to revolutionize our understanding
252
883098
3141
y las máquinas que aprenden prometen revolucionar nuestra comprensión
14:46
of everything from social networks to epidemiology.
253
886239
4667
de todo, desde las redes sociales a la epidemiología.
14:50
And maybe, as it tackles problems of scene understanding
254
890906
2693
Tal vez, al afrontar problemas de la escena comprensión
14:53
and natural language processing,
255
893599
1993
y el procesamiento del lenguaje natural,
14:55
to tell us something about human cognition.
256
895592
3324
nos diga algo sobre la cognición humana.
14:59
And the final big idea you'll have heard
257
899756
1937
Y la gran idea final que habrán oído
15:01
is that maybe it's a good idea we're going to know so much about brains
258
901693
3387
es que tal vez es una buena idea que vamos a saber tanto de cerebros
15:05
and have so much access to big data,
259
905080
1917
y tener tanto acceso a grandes datos,
15:06
because left to our own devices,
260
906997
2507
porque dejaremos a nuestros propios dispositivos,
15:09
humans are fallible, we take shortcuts,
261
909504
3831
los seres humanos son falibles, tomamos atajos,
15:13
we err, we make mistakes,
262
913335
3437
erramos, cometemos errores,
15:16
we're biased, and in innumerable ways,
263
916772
3684
estamos sesgados, y en innumerables formas,
15:20
we get the world wrong.
264
920456
2969
obtenemos el mundo equivocado.
15:24
I think these are all important stories,
265
924843
2949
Creo que estas son todas historias importantes,
15:27
and they have a lot to tell us about what it means to be human,
266
927792
3785
y tienen mucho que decirnos acerca de lo que significa ser humano,
15:31
but I want you to note that today I told you a very different story.
267
931577
3529
pero tengan en cuenta que hoy les conté una historia muy diferente.
15:35
It's a story about minds and not brains,
268
935966
3807
Es una historia acerca de la mente y no del cerebro,
15:39
and in particular, it's a story about the kinds of computations
269
939773
3006
y, en particular, es una historia sobre los tipos de cálculos
15:42
that uniquely human minds can perform,
270
942779
2590
que las mentes humanas pueden realizar de forma única,
15:45
which involve rich, structured knowledge and the ability to learn
271
945369
3944
que implican, ricos conocimientos estructurados y capacidad de aprender
15:49
from small amounts of data, the evidence of just a few examples.
272
949313
5268
desde pequeñas cantidades de datos, la evidencia de unos pocos ejemplos.
15:56
And fundamentally, it's a story about how starting as very small children
273
956301
4299
Y fundamentalmente, es una historia sobre cómo iniciar a los niños muy pequeños
16:00
and continuing out all the way to the greatest accomplishments
274
960600
4180
y continuar hasta el final a los más grandes logros
16:04
of our culture,
275
964780
3843
de nuestra cultura,
16:08
we get the world right.
276
968623
1997
tenemos al mundo bien.
16:12
Folks, human minds do not only learn from small amounts of data.
277
972433
5267
La mente humana no solo aprende de pequeñas cantidades de datos.
16:18
Human minds think of altogether new ideas.
278
978285
2101
Las mentes humanas piensan nuevas ideas.
16:20
Human minds generate research and discovery,
279
980746
3041
Las mentes humanas generan investigación y descubrimiento,
16:23
and human minds generate art and literature and poetry and theater,
280
983787
5273
y las mentes humanas producen arte y literatura y poesía y teatro,
16:29
and human minds take care of other humans:
281
989070
3760
y las mentes humanas cuidan de otros seres humanos:
16:32
our old, our young, our sick.
282
992830
3427
nuestros mayores, nuestros jóvenes, nuestros enfermos.
16:36
We even heal them.
283
996517
2367
Incluso nos sana.
16:39
In the years to come, we're going to see technological innovations
284
999564
3103
En los próximos años, veremos las innovaciones tecnológicas
16:42
beyond anything I can even envision,
285
1002667
3797
incluso más allá de lo que yo pueda imaginar,
16:46
but we are very unlikely
286
1006464
2150
pero es muy poco probable
16:48
to see anything even approximating the computational power of a human child
287
1008614
5709
ver cualquier cosa, incluso aproximarse a la potencia de cálculo de un niño humano
16:54
in my lifetime or in yours.
288
1014323
4298
en mi vida o en la suya.
16:58
If we invest in these most powerful learners and their development,
289
1018621
5047
Si invertimos en estos más poderosos alumnos y en su desarrollo,
17:03
in babies and children
290
1023668
2917
en los bebés y niños
17:06
and mothers and fathers
291
1026585
1826
y madres y padres
17:08
and caregivers and teachers
292
1028411
2699
y cuidadores y maestros
17:11
the ways we invest in our other most powerful and elegant forms
293
1031110
4170
en la forma en que invertimos en nuestras otras formas más poderosas y elegantes
17:15
of technology, engineering and design,
294
1035280
3218
de tecnología, ingeniería y diseño,
17:18
we will not just be dreaming of a better future,
295
1038498
2939
no vamos simplemente a estar soñando con un futuro mejor,
17:21
we will be planning for one.
296
1041437
2127
estaremos planeando para uno.
17:23
Thank you very much.
297
1043564
2345
Muchas gracias.
17:25
(Applause)
298
1045909
3421
(Aplausos)
17:29
Chris Anderson: Laura, thank you. I do actually have a question for you.
299
1049810
4426
Chris Anderson: Laura, gracias. En realidad tengo una pregunta.
17:34
First of all, the research is insane.
300
1054236
2359
En primer lugar, la investigación es una locura.
17:36
I mean, who would design an experiment like that? (Laughter)
301
1056595
3725
Quiero decir, ¿quién diseñaría un experimento como ese? (Risas)
17:41
I've seen that a couple of times,
302
1061150
1790
Los he visto un par de veces,
17:42
and I still don't honestly believe that that can truly be happening,
303
1062940
3222
y todavía honestamente no creo que realmente esté pasando,
17:46
but other people have done similar experiments; it checks out.
304
1066162
3158
pero otras personas han hecho experimentos similares; revisen.
17:49
The babies really are that genius.
305
1069320
1633
Los bebés son realmente genios.
17:50
LS: You know, they look really impressive in our experiments,
306
1070953
3007
LS: Se ven realmente impresionantes en nuestros experimentos,
17:53
but think about what they look like in real life, right?
307
1073960
2652
pero piensa en cómo se ven en la vida real, ¿verdad?
17:56
It starts out as a baby.
308
1076612
1150
Empiezan como un bebé.
17:57
Eighteen months later, it's talking to you,
309
1077762
2007
18 meses más tarde, hablan contigo,
17:59
and babies' first words aren't just things like balls and ducks,
310
1079769
3041
y las primeras palabras no son solo cosas como pelotas y patos,
18:02
they're things like "all gone," which refer to disappearance,
311
1082810
2881
son cosas como "se acabó", que se refieren a desaparición,
18:05
or "uh-oh," which refer to unintentional actions.
312
1085691
2283
o "uh-oh", para acciones intencionales.
18:07
It has to be that powerful.
313
1087974
1562
Tiene que ser tan poderoso.
18:09
It has to be much more powerful than anything I showed you.
314
1089536
2775
Tiene que ser mucho más poderoso que cualquier otra cosa.
18:12
They're figuring out the entire world.
315
1092311
1974
Están averiguando el mundo entero.
18:14
A four-year-old can talk to you about almost anything.
316
1094285
3144
Un niño de 4 años, puede hablarte de casi cualquier cosa.
18:17
(Applause)
317
1097429
1601
(Aplausos)
18:19
CA: And if I understand you right, the other key point you're making is,
318
1099030
3414
CA: ¿Y te he entendido bien, el otro punto clave que estás haciendo es,
18:22
we've been through these years where there's all this talk
319
1102444
2754
que hemos pasado estos años donde hay todas estas charlas
18:25
of how quirky and buggy our minds are,
320
1105198
1932
de lo rara y loca que es nuestra mente,
18:27
that behavioral economics and the whole theories behind that
321
1107130
2867
la economía del comportamiento y las teorías subyacentes
18:29
that we're not rational agents.
322
1109997
1603
de que no somos agentes racionales.
18:31
You're really saying that the bigger story is how extraordinary,
323
1111600
4216
Realmente dices que la historia más grande es lo extraordinario,
18:35
and there really is genius there that is underappreciated.
324
1115816
4944
y que en realidad es el genio que es poco apreciado.
18:40
LS: One of my favorite quotes in psychology
325
1120760
2070
LS: Una de mis citas favoritas de psicología
18:42
comes from the social psychologist Solomon Asch,
326
1122830
2290
proviene del psicólogo social Solomon Asch, quien dijo
18:45
and he said the fundamental task of psychology is to remove
327
1125120
2807
que la tarea fundamental de la psicología es quitar
18:47
the veil of self-evidence from things.
328
1127927
2626
el velo de la autoevidencia de las cosas.
18:50
There are orders of magnitude more decisions you make every day
329
1130553
4551
Hay órdenes de magnitud, más decisiones que tomar cada día
18:55
that get the world right.
330
1135104
1347
que logran un buen mundo.
18:56
You know about objects and their properties.
331
1136451
2132
Sabes de los objetos y sus propiedades.
18:58
You know them when they're occluded. You know them in the dark.
332
1138583
3029
Los conoces cuando están ocultos. Los conoces en la oscuridad.
19:01
You can walk through rooms.
333
1141612
1308
Puedes caminar por salas.
19:02
You can figure out what other people are thinking. You can talk to them.
334
1142920
3532
Puedes averiguar qué están pensando otros. Puedes hablar con ellos.
19:06
You can navigate space. You know about numbers.
335
1146452
2230
Navegas por el espacio. Sabes sobre números.
19:08
You know causal relationships. You know about moral reasoning.
336
1148682
3022
Sabes las relaciones causales. Y sobre el razonamiento moral.
19:11
You do this effortlessly, so we don't see it,
337
1151704
2356
Lo haces sin esfuerzo, así que no lo ves,
19:14
but that is how we get the world right, and it's a remarkable
338
1154060
2912
pero así es como conseguimos un buen mundo, y es un notable
19:16
and very difficult-to-understand accomplishment.
339
1156972
2318
y logros muy difíciles de entender.
19:19
CA: I suspect there are people in the audience who have
340
1159290
2628
CA: Sospecho que hay gente en la audiencia que tiene
19:21
this view of accelerating technological power
341
1161918
2238
la visión de la aceleración tecnológica
19:24
who might dispute your statement that never in our lifetimes
342
1164156
2958
que podría controvertir tu afirmación de que en nuestras vidas
19:27
will a computer do what a three-year-old child can do,
343
1167114
2618
una computadora no hará lo que un niño de tres años puede hacer,
19:29
but what's clear is that in any scenario,
344
1169732
3248
pero lo que está claro es que en cualquier escenario,
19:32
our machines have so much to learn from our toddlers.
345
1172980
3770
nuestras máquinas tienen mucho que aprender de nuestros niños.
19:38
LS: I think so. You'll have some machine learning folks up here.
346
1178230
3216
LS: Creo que sí. Habrá máquinas de aprendizaje automático.
19:41
I mean, you should never bet against babies or chimpanzees
347
1181446
4203
Quiero decir, nunca debe apostar en contra de los bebés o los chimpancés
19:45
or technology as a matter of practice,
348
1185649
3645
o la tecnología como una cuestión de práctica,
19:49
but it's not just a difference in quantity,
349
1189294
4528
pero no se trata solo de una diferencia en la cantidad,
19:53
it's a difference in kind.
350
1193822
1764
es una diferencia en cualidad.
19:55
We have incredibly powerful computers,
351
1195586
2160
Tenemos computadoras muy potentes,
19:57
and they do do amazingly sophisticated things,
352
1197746
2391
y las hacen hacer cosas muy sofisticadas,
20:00
often with very big amounts of data.
353
1200137
3204
a menudo con muy grandes cantidades de datos.
20:03
Human minds do, I think, something quite different,
354
1203341
2607
Las mentes humanas hacen, creo, algo muy distinto,
20:05
and I think it's the structured, hierarchical nature of human knowledge
355
1205948
3895
y creo que es la naturaleza estructurada y jerárquica del conocimiento humano
20:09
that remains a real challenge.
356
1209843
2032
lo que sigue siendo un verdadero desafío.
20:11
CA: Laura Schulz, wonderful food for thought. Thank you so much.
357
1211875
3061
CA: Laura Schulz, maravilloso alimento para la reflexión. Muchas gracias.
20:14
LS: Thank you. (Applause)
358
1214936
2922
LS: Gracias. (Aplausos)
Acerca de este sitio web

Este sitio le presentará vídeos de YouTube útiles para aprender inglés. Verá lecciones de inglés impartidas por profesores de primera categoría de todo el mundo. Haz doble clic en los subtítulos en inglés que aparecen en cada página de vídeo para reproducir el vídeo desde allí. Los subtítulos se desplazan en sincronía con la reproducción del vídeo. Si tiene algún comentario o petición, póngase en contacto con nosotros mediante este formulario de contacto.

https://forms.gle/WvT1wiN1qDtmnspy7