Laura Schulz: The surprisingly logical minds of babies

Translator: Masood Zeinoghli Reviewer: Ali Fatemi

Mark Twain summed up what I take to be

مارک تواین یکی از پایه‌ای ترین مشکلات

one of the fundamental problems of cognitive science

موجود در علوم شناختی را در یک جمله

with a single witticism.

خلاصه کرده‌است.

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

او می‌گوید: "چیزی شگفت انگیز در مورد علم وجود دارد.

One gets such wholesale returns of conjecture

فرد حدس‌های بسیار عمده‌ای می‌زند،

out of such a trifling investment in fact."

تنها با سرمایه‌گذاری ناچیزی در حقایق."

(Laughter)

(خنده‌ی حضار)

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

تواین این را به عنوان یک شوخی مطرح کرد، اما او درست می‌گفت:

There's something fascinating about science.

علم ویژگی شگفت انگیزی دارد.

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

با دیدن چند تکه استخوان، ما وجود دایناسور‌ها را استنباط کردیم.

From spectral lines, the composition of nebulae.

با دیدن خط طیف نوری، ترکیب یک سحابی را مشخص می‌سازیم.

From fruit flies,

از کرم‌های میوه،

the mechanisms of heredity,

به مکانیزم وراثت پی می‌بریم،

and from reconstructed images of blood flowing through the brain,

و از تصاویر بازسازی شده‌ی حرکت خون در داخل مغز

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

یا در مورد من، با استفاده از رفتار کودکان بسیار کوچک

we try to say something about the fundamental mechanisms

تلاش می‌کنیم نظراتی در مورد پایه‌های اساسی مکانیزم

of human cognition.

شناخت انسان ارائه کنیم.

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

به طور خاص، در آزمایشگاه من در بخش مغز و علوم شناختی در دانشگاه MIT

I have spent the past decade trying to understand the mystery

دهه‌ی گذشته را صرفِ تلاش برای فهم این راز که

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

کودکان چگونه اینقدر زیاد و با این سرعت از چیزهای کم یاد می‌گیرند.

Because, it turns out that the fascinating thing about science

زیرا اینطور که مشخص است، موضوع شگفت انگیز در مورد علم

is also a fascinating thing about children,

موضوع شگفت انگیز در مورد کودکان نیز هست.

which, to put a gentler spin on Mark Twain,

که در واقع، با بیان ملایم‌تر جمله مارک تواین،

is precisely their ability to draw rich, abstract inferences

دقیقا توانایی آن‌ها برای دریافتی عمیق و انتزاعی

rapidly and accurately from sparse, noisy data.

با سرعت و دقت بالا از داده‌های پراکنده و پر نویز می‌باشد.

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

من امروز تنها دو نمونه به شما ارائه خواهم داد.

One is about a problem of generalization,

یکی در مورد مشکل تعمیم،

and the other is about a problem of causal reasoning.

و دیگری در مورد یک مشکل در رابطه با علت و معلول است.

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

و اگرچه من در مورد کار در آزمایشگاه خودم سخن می‌گویم،

this work is inspired by and indebted to a field.

این کار الهام گرفته و مدیون یک رشته است.

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

من از مربیان، همکاران و مشارکت کنندگان در سراسر دنیا متشکرم.

Let me start with the problem of generalization.

اجازه دهید با مشکل تعمیم شروع کنم.

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

تعمیم با استفاده از نمونه‌های کوچکی از داده‌ها یکی از مسائل اصلی در علم است.

We poll a tiny fraction of the electorate

ما از بخش کوچکی از رای‌دهندگان نظرسنجی می‌کنیم

and we predict the outcome of national elections.

و نتیجه‌ی انتخابات ملی را پیش‌بینی می‌کنیم.

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

ما می‌بینیم که چگونه دسته کوچکی از بیماران به درمانی در یک آزمایش واکنش نشان می‌دهند

and we bring drugs to a national market.

و سپس دارو را در بازار ملی عرضه می‌کنیم.

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

اما این موضوع زمانی صحیح است که نمونه‌ها به‌صورت تصادفی از جمعیت انتخاب شده‌ باشد.

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

اگر نمونه ما دستچین شده باشد --

say, we poll only urban voters,

مثلاً، تنها از شهرنشینان نظرسنجی کنیم،

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

یا در آزمایش‌های کلینیکی برای درمان بیماری‌های قلبی،

we include only men --

تنها مردان را در نظر بگیریم --

the results may not generalize to the broader population.

ممکن است نتایج قابل تعمیم به جمعیت وسیع‌تر نباشند.

So scientists care whether evidence is randomly sampled or not,

به‌همین دلیل دانشمندان به تصادفی انتخاب شدن نمونه‌ها دقت می‌کنند.

but what does that have to do with babies?

ولی این موضوع چه ربطی به کودکان دارد؟

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

خب، کودکان همواره باید نمونه‌های کمی از داده‌ها را تعمیم دهند.

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

چند اردک پلاستیکی می‌بینند و یاد می‌گیرند که آنها شناور می‌مانند.

or a few balls and learn that they bounce.

یا چند توپ می‌بینند و یاد‌ می‌گیرند که آن‌ها بالا و پایین می‌پرند.

And they develop expectations about ducks and balls

و آن‌ها در مورد اردک‌ها و توپ‌ها انتظاراتی پیدا می‌کنند

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

که به سایر اردک‌های پلاستیکی و توپ‌ها

for the rest of their lives.

در مابقی عمرشان گسترش پیدا می‌کند.

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

و کودکان این نوع تعمیم در مورد اردک‌‌ها و توپ‌ها را

they have to make about almost everything:

باید تقریبا در مورد همه چیز انجام دهند:

shoes and ships and sealing wax and cabbages and kings.

کفش، کشتی، موم و کلم و پادشاه‌‌ها.

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

بنابراین آیا برای کودکان مهم است که این مقدار کمی از شواهد که می‌بینند

is plausibly representative of a larger population?

می‌تواند بیا‌ن‌کننده جمعیت بزرگتری باشد؟

Let's find out.

بیاید بررسی کنیم.

I'm going to show you two movies,

من به شما دو فیلم نشان خواهم داد.

one from each of two conditions of an experiment,

هریک بیان‌کننده یکی از دو حالت آزمایش می‌باشد

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

و چون شما تنها دو قطعه فیلم می‌بینید،

you're going to see just two babies,

تنها دو کودک نیز خواهید دید،

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

و هر دو کودکی تفاوت‌های بسیار زیادی با یکدیگر دارند.

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

ولی در این بخش، این دو کودک هریک نماینده یک گروه کودکان هستند،

and the differences you're going to see

و تفاوت‌هایی که شما خواهید دید

represent average group differences in babies' behavior across conditions.

میانگین تفاوت‌های رفتاری بین گروه‌های کودکان را، در این شرایط نشان می‌دهد.

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

در هر فیلم، شما می‌بینید که یک کودک احتمالاً

just exactly what you might expect a baby to do,

دقیقاً همان‌کاری را می‌کند که از یک کودک انتظار داریم

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

و ما نمی‌توانیم یک کودک را بیش از مقداری که اکنون جادویی است، جادویی کنیم.

But to my mind the magical thing,

ولی در ذهن من چیز جادویی،

and what I want you to pay attention to,

و چیزی که من می‌خواهم شما به آن دقت کنید،

is the contrast between these two conditions,

تضاد بین این دو حالت است،

because the only thing that differs between these two movies

زیرا تنها چیزی که بین این دو فیلم تفاوت دارد

is the statistical evidence the babies are going to observe.

شواهد آماری‌ ایست که دو کودک مشاهده خواهند کرد.

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

ما به کودکان یک جعبه شامل توپ‌های آبی و زرد نشان خواهیم داد،

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

و همکار من 'هیوان گوان' که در آن زمان از استنفورد فارغ‌التحصیل شده بود،

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

از این جعبه سه توپ آبی پشت سرهم بیرون خواهد آورد،

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

و وقتی که آن توپ‌ها را بیرون بیاورد، آن‌ها را فشار خواهد داد و

and the balls are going to squeak.

و توپ‌ها صدا می‌دهند.

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

و اگر یک بچه باشید، مثل یک صحبت در تد است

It doesn't get better than that.

از اون بهتر نمی‌شود.

(Laughter)

(خنده‌ی حضار)

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

اما نکته‌ی مهم این است که بسیار آسان است که ۳ توپ آبی پشت سر هم از

out of a box of mostly blue balls.

یک جعبه که اکثر توپ‌هایش آبی است در آورد.

You could do that with your eyes closed.

میشه با چشمان بسته این کار را کرد.

It's plausibly a random sample from this population.

این یک نمونه‌ی تصادفی محتمل از این جامعه‌ی آماری است.

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

و اگر بتوان از داخل جعبه به صورت اتفاقی چیزهایی درآورد که صدا می‌دهند،

then maybe everything in the box squeaks.

پس شاید تمام چیزهایی که درون جعبه هستند صدا می‌دهند.

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

پس شاید کودکان باید انتظار داشته باشند که توپ‌های زرد هم صدا بدهند.

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

آن توپ‌های زرد، دسته های با مزه‌ای دارند که

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

کودکان اگر بخواهند می‌توانند کارهای دیگری با آن‌ها انجام دهند

They could pound them or whack them.

می‌توانند آن‌ها را تکان بدهند یا با آن‌ها ضربه بزنند.

But let's see what the baby does.

اما بیاید ببینیم که کودک چکار می‌کند.

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

(ویدیو) هیوان گوان: اینو می‌بینی؟ (توپ صدا می‌دهد)

Did you see that? (Ball squeaks)

اونو دیدی؟ (توپ صدا می‌دهد)

Cool.

باحاله.

See this one?

اینو می‌بینی؟

(Ball squeaks)

(توپ صدا می‌دهد)

Wow.

اووه

Laura Schulz: Told you. (Laughs)

لارا شولز: بهتون گفتم (خنده)

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

(ویدیو) هیوان: اینو میبینی؟ (توپ صدا می‌دهد)

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

کلارا، این مالِ توعه. می‌تونی باهاش بازی کنی.

(Laughter)

(خنده‌ی حضار)

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

لارا: نیازی نیست صحبت کنم، درسته؟

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

خیلی خوب، خوبه که بچه‌ها خصوصیات مربوط به

of blue balls to yellow balls,

توپ‌های آبی را به توپ‌های زرد تعمیم می‌دهند

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

و چشمگیر است که بچه‌ها با تقلید از ما یاد می‌گیرند

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

اما ما این چیزها را در مورد بچه‌ها از زمان‌های گذشته می‌دانیم.

The really interesting question

سوال بسیار جالب این است که

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

وقتی دقیقا چیز مشابه را به بچه‌ها نشان می‌دهیم

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

و ما می‌توانیم مطمئن باشیم که دقیقا مشابه است چون یك محفظه‌ی مخفی داریم

and we actually pull the balls from there,

و ما در واقع توپ‌ها را از آن خارج می‌کنیم،

but this time, all we change is the apparent population

اما این بار، تنها چیزی که تغییر می‌دهیم ظاهر جمعیت آماری است که

from which that evidence was drawn.

شواهد از آن خارج می‌شود.

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

این بار، به کودکان سه توپ آبی نشان می‌دهیم که

pulled out of a box of mostly yellow balls,

از جعبه‌ای که اکثر توپ‌هایش زرد است خارج می‌شوند.

and guess what?

و حدس بزنید که چه اتفاقی می‌افتد؟

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

نمیتوان به صورت اتفاقی پشت سرهم ۳ توپ آبی

out of a box of mostly yellow balls.

از جعبه‌ای که اکثر توپ‌هایش زرد است خارج کرد

That is not plausibly randomly sampled evidence.

آن شواهدی محتمل از نمونه‌ی انتخابی نیست.

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

آن شواهد حاکی از آن است که شاید هیوان عمدا توپ‌های آبی را انتخاب می‌کرده است.

Maybe there's something special about the blue balls.

شاید چیز خاصی در مورد توپ‌های آبی وجود دارد.

Maybe only the blue balls squeak.

شاید فقط توپ‌های آبی صدا می‌دهند.

Let's see what the baby does.

بیاید ببینیم کودک چکار می‌کند.

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

(ویدیو) هیوان: اینو می‌بینی؟ (توپ صدا می‌دهد)

See this toy? (Ball squeaks)

این اسباب بازی رو می‌بینی؟ (توپ صدا می‌دهد)

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

اوه، چقدر باحال بود. می‌بینی؟ (توپ صدا می‌دهد)

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

این برای توعه که بازی کنی. میتونی بازی کنی.

(Fussing) (Laughter)

(نق زدن) (خنده‌ی حضار)

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

لورا: شما دو کودک ۱۵ ماهه را دیدید که

do entirely different things

کارهای کاملا متفاوتی انجام دادند

based only on the probability of the sample they observed.

تنها براساس احتمال نمونه‌ای که مشاهده کردند.

Let me show you the experimental results.

اجازه بدید نتایج آزمایشگاهی را به شما نشان دهم

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

بر روی محور عمودی درصد کودکانی را که

who squeezed the ball in each condition,

در هر حالت توپ را فشار دادند مشاهده می‌کنید

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

و همین‌طور که مشاهده می‌کنید، کودکان بسیار بیشتر احتمال دارد که شواهد را تعمیم دهند

when it's plausibly representative of the population

وقتی که نمونه‌ی محتملی از جمعیت آماری را می‌بینند

than when the evidence is clearly cherry-picked.

در مقابل زمانی که شواهد به وضوح دستچین شده‌اند

And this leads to a fun prediction:

و این به یک پیش‌بینی جالب منجر می‌شود:

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

فرض کنید فقط یک توپ آبی از جعبه‌ای که اکثر توپ‌هایش زرد است خارج کنیم.

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

نمی‌شود پشت سرهم ۳ توپ آبی از جعبه‌ی پر از توپ‌های زرد خارج کرد،

but you could randomly sample just one blue ball.

اما ممکن است که فقط یک توپ آبی به صورت اتفاقی خارج کرد.

That's not an improbable sample.

آن یک نمونه‌ی غیر محتمل نیست.

And if you could reach into a box at random

و اگر بشود به صورت اتفاقی از داخل جعبه شئ ای

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

خارج کرد که صدا می‌دهد، شاید همه‌ی اشیای درون جعبه صدا می‌دهند.

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

پس با وجود اینکه کودکان شواهد کمتری از صدا دادن خواهند دید،

and have many fewer actions to imitate

و فعالیت‌های کمتری برای تقلید دارند

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

در این حالت با یک توپ در مقایسه با حالتی که دیدید،

we predicted that babies themselves would squeeze more,

ما پیشبینی کردیم که بچه‌ها بیشتر توپ را فشار می‌دهند،

and that's exactly what we found.

و این دقیقا چیزی است که پیدا کردیم.

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

پس کودکان ۱۵ ماهه در این موضوع، مانند دانشمندان،

care whether evidence is randomly sampled or not,

اهمیت می‌دهند که آیا نمونه اتفاقی است یا نه،

and they use this to develop expectations about the world:

و آن‌ها از این استفاده می‌کنند تا انتظاراتی از دنیا شکل دهند:

what squeaks and what doesn't,

چه چیزی صدا می‌دهد و چه چیزی صدا نمی‌دهد،

what to explore and what to ignore.

چه چیز را کاوش کنند و از چه چیز چشم‌پوشی کنند.

Let me show you another example now,

اجازه بدید یک مثال دیگه به شما نشان دهم،

this time about a problem of causal reasoning.

این بار درباره‌ی یک مشکل در علت و معلول.

And it starts with a problem of confounded evidence

و این با یک مشکل از نوع شواهد سر در گم آغاز می‌شود که

that all of us have,

همه‌ی ما داریم و عبارت از این است که

which is that we are part of the world.

ما همه بخشی از دنیا هستیم.

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

و این ممکن است از نظر شما یک مشکل نباشد، اما مانند بیشتر مشکل‌ها،

it's only a problem when things go wrong.

این فقط وقتی مشکل است که کارها خراب می‌شود.

Take this baby, for instance.

به عنوان مثال، این کودک را در نظر بگیرید.

Things are going wrong for him.

اوضاع برایش خوب پیش نمی رود.

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

می‌خواهد صدای این اسباب بازی را در بیاورد اما نمی‌تواند.

I'll show you a few-second clip.

یک کلیپ چند ثانیه‌ای به شما نشان می‌دهم.

And there's two possibilities, broadly:

و به طور گسترده، ۲ حالت وجود دارد:

Maybe he's doing something wrong,

شاید او کار اشتباهی انجام می‌دهد،

or maybe there's something wrong with the toy.

یا شاید اسباب بازی مشکل دارد.

So in this next experiment,

پس در آزمایش بعدی

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

ما به کودکان فقط مقدار بسیار کمی اطلاعات آماری خواهیم داد

supporting one hypothesis over the other,

در حمایت از یک فرضیه در مقابل دیگری،

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

و می‌خواهیم ببینیم که آیا کودکان می‌توانند از آن استفاده کنند تا تصمیمات مختلف

about what to do.

درباره‌ی کاری که می‌خواهند انجام دهند بگیرند.

Here's the setup.

این هم نحوه‌ی انجام آزمایش

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

هیوان تلاش می‌کند صدای اسباب بازی را در بیاورد و موفق می‌شود.

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

سپس من دوبار تلاش می‌کنم و هر دوبار شکست می‌خورم،

and then Hyowon is going to try again and succeed,

و سپس هیوان دوباره تلاش می‌کند و موفق می‌شود.

and this roughly sums up my relationship to my graduate students

و این تقریبا رابطه‌ی من با دانشجویان

in technology across the board.

رشته‌های تکنولوژی در مقابل هیئت مدیره را خلاصه می‌کند.

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

اما نکته‌ی مهم اینجا این است که این شواهد کمی از این ارائه می‌کند که

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

مشکل از اسباب بازی نیست، از شخصی است که با آن بازی می‌کند.

Some people can make this toy go,

بعضی افراد می‌توانند صدایِ اسباب بازی را در بیاورند

and some can't.

و بعضی نمی‌توانند.

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

حالا، وقتی که کودک اسباب بازی را می‌گیرد، او باید یک انتخاب کند.

His mom is right there,

مادرش هم همان‌جا است

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

پس او می‌تواند اسباب بازی را به او بدهد و شخص را عوض کند،

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

اما یک اسباب بازی دیگر هم در انتهای پارچه است

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

و او می‌تواند پارچه را به سمت خود بکشد و اسباب بازی را عوض کند.

So let's see what the baby does.

خب بیاید ببینیم کودک چکار می‌کند.

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

(ویدیو) هیوان: دو - سه. حالا! (صدای موسیقی)

LS: One, two, three, go!

لورا: یک - دو - سه، حالا!

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

آرتور من یک بار دیگر تلاش می‌کنم. یک - دو - سه، حالا!

YG: Arthur, let me try again, okay?

هیوان: آرتور، بزار من دوباره امتحان کنم، باشه؟

One, two, three, go! (Music)

یک - دو - سه، حالا! (صدای موسیقی)

Look at that. Remember these toys?

اونو ببین. این اسباب بازی‌ها رو یادت هست؟

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

این اسباب بازی‌ها رو می‌بینی؟ آره، من اینو اینجا میزارم،

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

و این یکی را به تو می‌دهم.

You can go ahead and play.

می‌تونی باهاش بازی کنی.

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

باشه لورا، اما مشخصه که کودکان عاشق مادرشان هستند.

Of course babies give toys to their mommies

البته که کودکان اسباب بازی‌هایشان را به مادرشان می‌دهند

when they can't make them work.

وقتی نمی‌توانند آن‌ها را به کار بیاندازند.

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

پس دوباره، سوال بسیار مهم این است که وقتی که داده‌های آماری را

the statistical data ever so slightly.

اندکی تغییر دهیم چه اتفاقی می‌افتد.

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

این بار کودکان با همان ترتیب قبلی خواهند دید که اسباب بازی کار می‌کند یا خیر

but we're changing the distribution of evidence.

اما ما ترتیب شهود را عوض می‌کنیم.

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

این بار هیوان یک بار موفق می‌شود و یک بار شکست می‌خورد و من هم همچنین.

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

و این حاکی از این است که فرقی نمی‌کند که چه کسی از اسباب بازی استفاده می‌کند،

It doesn't work all the time.

اسباب بازی خراب است. گاهی اوقات کار نمی‌کند.

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

دوباره، کودک یک انتخاب خواهد داشت.

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

مادرش کنار اوست، پس او می‌تواند شخص را عوض کند،

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

و اسباب بازی دیگری در انتهای پارچه خواهد بود

Let's watch what she does.

بیاید نگاه کنیم که چکار می‌کند.

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

(ویدیو) هیوان: دو - سه، حالا! (صدای موسیقی)

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

بزار یک بار دیگه امتحان کنم. یک - دو - سه، حالا!

Hmm.

هممم.

LS: Let me try, Clara.

لورا: بزار من امتحان کنم کلارا

One, two, three, go!

یک - دو - سه، حالا!

Hmm, let me try again.

همم، بزار دوباره امتحان کنم.

One, two, three, go! (Music)

یک - دو - سه، حالا! (صدای موسیقی)

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

هیوان: من اینو اینجا می‌گذارم،

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

و این یکیو به تو می‌دهم.

You can go ahead and play.

می‌تونی باهاش بازی کنی.

(Applause)

(تشویق حضار)

LS: Let me show you the experimental results.

لورا: اجازه بدید نتایج آزمایش را به شما نشان دهم

On the vertical axis, you'll see the distribution

بر روی محور عمودی, توزیع انتخاب کودکان

of children's choices in each condition,

در هر حالت را مشاهده می‌کنید،

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

و می‌بینید که توزیع انتخاباتی که کودکان می‌کنند

depends on the evidence they observe.

به شواهدی که مشاهده می‌کنند بستگی دارد.

So in the second year of life,

پس در سال دوم زندگی،

babies can use a tiny bit of statistical data

کودکان می‌توانند از مقدار بسیار کمی داده‌های آماری استفاده کنند تا

to decide between two fundamentally different strategies

از بین دو استراتژی که از اساس با یکدیگر متفاوتند انتخاب کنند

for acting in the world:

برای ایفای نقش در دنیا:

asking for help and exploring.

درخواست کمک و کاوش

I've just shown you two laboratory experiments

من الان دو آزمایشِ آزمایشگاهی

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

از میان صدها آزمایش که نکته‌های مشابهی را می‌رسانند، نشان دادم

because the really critical point

چون نکته‌ی بسیار مهم

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

این است که توانایی کودکان در استنتاج عمیق از داده‌های پراکنده و کم

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

زمینه ساز تمام تحقیقاتی است که در یادگیریِ فرهنگی تمامی گونه‌های خاص انجام می‌دهیم.

Children learn about new tools from just a few examples.

کودکان تنها با چند مثال در مورد وسایل جدید یاد می‌گیرند.

They learn new causal relationships from just a few examples.

رابطه‌های علت و معلولی جدید را فقط با چند مثال یاد می‌گیرند.

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

آن‌ها حتی کلمه‌های جدید یاد می‌گیرند، در این مورد، زبان اشاره‌ی آمریکایی.

I want to close with just two points.

می‌خواهم با فقط دو نکته صحبتم را پایان دهم

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

اگر دنیای من، رشته‌ی مغز و علوم شناختی، را دنبال می‌کرده اید،

for the past few years,

در چند سال گذشته،

three big ideas will have come to your attention.

سه ایده‌ی بزرگ توجه شما را جلب کرده است.

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

اول؛ اکنون دوره‌ی مغز است.

And indeed, there have been staggering discoveries in neuroscience:

و قطعا اکتشافات متناوبی در علوم اعصاب اتفاق افتاده است:

localizing functionally specialized regions of cortex,

مشخص کردن جایگاه کارکردِ تخصصیِ بخش‌هایی از قشر مغزی،

turning mouse brains transparent,

واضح ساختن مغزِ موش‌ها

activating neurons with light.

فعال کردنِ نورون‌ها با نور

A second big idea

ایده‌ی بزرگِ دوم این است که

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

اکنون دوره‌ی اطلاعات بزرگ (big data) و یادگیری ماشین‌ها است،

and machine learning promises to revolutionize our understanding

و یادگیری ماشین‌ها وعده‌ی انقلابی کردن فهم ما از همه چیز،

of everything from social networks to epidemiology.

از شبکه‌های اجتماعی تا اپیدمیلوژی (علم بیماری‌های واگیردار) را می‌دهد.

And maybe, as it tackles problems of scene understanding

و شاید، اینگونه با مشکلاتِ درک صحنه و پردازش زبان طبیعی

and natural language processing,

گلاویز می‌شود

to tell us something about human cognition.

تا به ما چیزی در مورد شناخت انسان بگوید.

And the final big idea you'll have heard

و آخرین ایده‌ی بزرگ که حتما شنیده‌اید این است که

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

شاید ایده‌ی خوبی است که ما آنقدر زیاد در مورد مغز خواهیم دانست

and have so much access to big data,

و دسترسی بسیار زیادی به داده‌های بزرگ داشته باشیم

because left to our own devices,

زیرا اگر فقط به دستگاه‌های خودمان باشد،

humans are fallible, we take shortcuts,

انسان‌ها جایزالخطا هستند، ما میانبر می‌زنیم،

we err, we make mistakes,

ما گمراه می‌شویم، ما اشتباه می‌کنیم،

we're biased, and in innumerable ways,

ما انحرافات ذهنی داریم، و به حالت‌های بیشماری

we get the world wrong.

دنیا را اشتباه می‌فهمیم.

I think these are all important stories,

فکر می‌کنم این‌ها همه داستان‌های مهمی هستند،

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

و موارد زیادی در مورد معنی انسان بودن به ما می‌گویند،

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

اما می‌خواهم توجه کنید که امروز یک داستان بسیار متفاوت به شما گفتم.

It's a story about minds and not brains,

این یک داستان در مورد ذهن است و نه مغز.

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

و به طور مشخص، این یک داستان در مورد انواع محاسباتی است که

that uniquely human minds can perform,

ذهن منحصر به فرد انسان می‌تواند انجام دهد،

which involve rich, structured knowledge and the ability to learn

که شامل دانش عمیق، طبقه‌بندی شده و توانایی یاد گرفتن از

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

حجم کمی از داده‌ها، شواهدی فقط از چند مثال. می شود

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

و اساسا، داستانی درباره‌ی این است که چگونه با شروع از کودکانی بسیار کوچک

and continuing out all the way to the greatest accomplishments

و ادامه دادن تمام مسیر تا بزرگ‌ترین دستاوردهایِ

of our culture,

تمدنِ ما،

we get the world right.

ما دنیا را درست درک می‌کنیم.

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

دوستان، ذهنِ انسان‌ها تنها از مقدار کم داده‌ها یاد نمی‌گیرد.

Human minds think of altogether new ideas.

ذهنِ انسان به ایده‌های کاملا جدید فکر می‌کند.

Human minds generate research and discovery,

ذهنِ انسان کاوش و کشف می‌کند،

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

و ذهنِ انسان هنر و ادبیات و شعر و تئاتر تولید می‌کند،

and human minds take care of other humans:

و ذهنِ انسان از دیگر انسان‌ها مراقبت می‌کند:

our old, our young, our sick.

افرادِ مسن، کودکان و بیمارانِ ما.

We even heal them.

ما حتی آن‌ها را درمان می‌کنیم.

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

در سال‌های آتی، ما نوآوری‌هایی در فناوری خواهیم دید که

beyond anything I can even envision,

فراتر از هرچیزی است که حتی بتوانم تجسم کنم،

but we are very unlikely

اما بسیار کم احتمال دارد که

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

چیزی ببینیم که نزدیک به قدرتِ محاسباتیِ کودکِ انسان باشد.

in my lifetime or in yours.

در طول عمر من یا شما.

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

اگر ما در روی یادگیری و پیشرفتِ این یادگیرندگانِ قدرتمند سرمایه‌گذاری کنیم،

in babies and children

در نوزادان و کودکان

and mothers and fathers

و مادران و پدران

and caregivers and teachers

سرپرستان و معلمان

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

به نوعی که در قدرتمندترین و ظریف‌ترین گونه‌های تکنولوژی،

of technology, engineering and design,

مهندسی و طراحی سرمایه‌گذاری می‌کنیم،

we will not just be dreaming of a better future,

ما فقط برای یک آینده‌یِ بهتر رویا پردازی نمی‌کنیم،

we will be planning for one.

برای آن برنامه‌ریزی می‌کنیم.

Thank you very much.

بسیار متشکرم.

(Applause)

(تشویق حضار)

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

کریس اندرسون: لورا، متشکرم. من یک سوال از تو دارم.

First of all, the research is insane.

اول از همه، تحقیقات تو دیوانه کننده است.

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

منظورم اینه که، کی چنین آزمایشی رو طراحی می‌کنه؟(خنده)

I've seen that a couple of times,

چند بار آن را نگاه کرده‌ام،

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

و صادقانه بگم، هنوز باورم نمیشه که آن اتفاق‌ها ممکن است،

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

اما افراد دیگری هم آزمایش‌های مشابهی انجام داده‌اند، مشخص است:

The babies really are that genius.

کودکان واقعا نابغه‌اند.

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

لارا: میدونی، در آزمایش‌های ما بسیار چشمگیر به نظر می‌آیند،

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

اما در مورد این فکر کن که در زندگیِ واقعی چگونه به نظر می‌آیند، درسته؟

It starts out as a baby.

به عنوان یک نوزاد شروع می‌کند.

Eighteen months later, it's talking to you,

۱۸ ماه بعد، با ما صحبت می‌کند،

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

و اولین کلمه‌های کودکان فقط چیزهایی مثل توپ و اردک نیست،

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

چیزهایی مثل «رفت» است که به ناپدید شدن باز می‌گردد،

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

یا «اوه-اوه» که به فعالیت‌هایِ غیرعمدی باز می‌گردد.

It has to be that powerful.

باید آنقدر قدرتمند باشد.

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

باید از هر چیزی که نشانتان دادم قدرتمندتر باشد.

They're figuring out the entire world.

آن‌ها در حال فهم تمام دنیا هستند.

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

یک کودکِ ۴ ساله تقریبا در مورد همه چیز می‌تواند با ما صحبت کند.

(Applause)

(تشویق حضار)

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

کریس: و اگر درست متوجه شده باشم، نکته‌ی کلیدی دیگری که بیان می‌کنی این است که

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

ما این سال‌ها را گذراندیم که صحبت‌های زیادی در مورد اینکه

of how quirky and buggy our minds are,

ذهن‌های ما چقدر دمدمی و پر مشکل است، وجود داشته است

that behavioral economics and the whole theories behind that

اقتصاد رفتاری و تمام تئوری‌های پشت آن

that we're not rational agents.

که ما عواملِ منطقی نیستیم.

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

تو در واقع می‌گویی که داستانِ بزرگتر، این است که چه مقدار

and there really is genius there that is underappreciated.

نبوغِ خارق‌العاده وجود دارد که مورد توجه و قدردانی قرار نگرفته است.

LS: One of my favorite quotes in psychology

لارا: یکی از نقل قول‌های مورد علاقه‌ی من در روانشناسی

comes from the social psychologist Solomon Asch,

از «سالامون اش» ِ روانشناسِ اجتماعی است

and he said the fundamental task of psychology is to remove

و او گفته که وظیفه‌ی اساسی روانشناسی این است که

the veil of self-evidence from things.

پرده از بدیهیتِ همه چیز بردارد.

There are orders of magnitude more decisions you make every day

مرتبه‌ی بسیار بزرگی از تصمیمات را روزانه اتخاذ می‌کنیم که

that get the world right.

دنیا را درست درک می‌کنند.

You know about objects and their properties.

در مورد اشیا و خصوصیات آن‌ها می‌دانیم.

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

آن‌ها را وقتی بسته‌بندی شده‌اند یا در تاریکی اند می‌شناسیم.

You can walk through rooms.

می‌توانیم از اتاق‌ها بگذریم.

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

می‌توانیم بفهمیم که بقیه در مورد چه فکر می‌کنند. می‌توانیم با آن‌ها صحبت کنیم.

You can navigate space. You know about numbers.

می‌توانیم در فضا حرکت کنیم. در مورد عددها می‌دانیم.

You know causal relationships. You know about moral reasoning.

در مورد علت و معلول می‌دانیم. در مورد استدلال اخلاقی می‌دانیم.

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

این کار را بدون زحمت انجام می‌دهیم، پس نمی‌بینمش،

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

اما اینگونه است که دنیا را درست درک می‌کنیم، و این قابل توجه است

and very difficult-to-understand accomplishment.

و دستاوردی است که خیلی سخت قابل فهم است.

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

کریس: فکر می‌کنم افرادی در میان مخاطبان هستند که

this view of accelerating technological power

دیدگاهی در مورد شتاب دادن به قدرت فناوری دارند که

who might dispute your statement that never in our lifetimes

ممکن است با جمله‌ی تو که در طول عمر ما امکان ندارد که

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

یک کامپیوتر کاری را انجام دهد که یک کودک ۳ ساله می‌تواند انجام دهد انکار کند

but what's clear is that in any scenario,

اما این مشخص است که در هر سناریویی،

our machines have so much to learn from our toddlers.

ماشین‌های ما چیزهای زیادی برای یاد گرفتن از کودکان نوپای ما دارند.

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

لارا:همین‌طور فکر می‌کنم، دوستانی که داریم که در فراگیری ماشین کار می‌کنند.

I mean, you should never bet against babies or chimpanzees

منظورم اینه که، تجربه نشان داده که هیچوقت نباید بر ضد کودکان یا

or technology as a matter of practice,

شامپانزه‌ها یا تکنولوژی شرط ببندیم،

but it's not just a difference in quantity,

اما این فقط یک تفاوت در مقدار نیست،

it's a difference in kind.

این تفاوتی در نوع است.

We have incredibly powerful computers,

ما کامپیوترهای قدرتمندِ غیرقابل باوری داریم و

and they do do amazingly sophisticated things,

آن‌ها کارهای پیچیده‌ی شگفت‌آوری انجام می‌دهند،

often with very big amounts of data.

معمولا با حجم بزرگی از داده‌ها.

Human minds do, I think, something quite different,

ذهنِ انسان‌، فکر می‌کنم که کار کاملا متفاوتی انجام می‌دهد

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

و فکر می‌کنم این طبیعت سلسله مراتبی و ساخت‌یافته‌ی انسان است که

that remains a real challenge.

چالش واقعی باقی می‌ماند.

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

کریس: لارا شولز، غذای حیرت انگیزی برای اندیشه بود. بسیار متشکرم.

LS: Thank you. (Applause)

لارا: متشکرم (تشویق حضار)