Laura Schulz: The surprisingly logical minds of babies

225,846 views ・ 2015-06-02

TED


Veuillez double-cliquer sur les sous-titres anglais ci-dessous pour lire la vidéo.

Traducteur: Helene Abousamra Relecteur: Lison Hasse
00:12
Mark Twain summed up what I take to be
0
12835
2155
Mark Twain a rĂ©sumĂ© ce que je considĂšre ĂȘtre
00:14
one of the fundamental problems of cognitive science
1
14990
3120
un des problĂšmes fondamentaux de la science cognitive
00:18
with a single witticism.
2
18110
1710
avec une plaisanterie unique.
00:20
He said, "There's something fascinating about science.
3
20410
3082
Il a dit, « La science a quelque chose de fascinant.
00:23
One gets such wholesale returns of conjecture
4
23492
3228
On reçoit des retours en masse de conjecture
00:26
out of such a trifling investment in fact."
5
26720
3204
sur un investissement aussi insignifiant en soi. »
00:29
(Laughter)
6
29924
1585
(Rires)
00:32
Twain meant it as a joke, of course, but he's right:
7
32199
2604
C'était une plaisanterie, bien-sûr, mais Twain a raison :
00:34
There's something fascinating about science.
8
34803
2876
la science a quelque chose de fascinant.
00:37
From a few bones, we infer the existence of dinosuars.
9
37679
4261
De quelques os, nous dĂ©duisons l’existence des dinosaures.
00:42
From spectral lines, the composition of nebulae.
10
42910
3871
De raies spectrales, la composition des nébuleuses.
00:47
From fruit flies,
11
47471
2938
De mouches Ă  fruits,
00:50
the mechanisms of heredity,
12
50409
2943
les mécanismes de l'hérédité,
00:53
and from reconstructed images of blood flowing through the brain,
13
53352
4249
et d’images reconstituĂ©es de sang circulant dans le cerveau,
00:57
or in my case, from the behavior of very young children,
14
57601
4708
ou dans mon cas, du comportement de trĂšs jeunes enfants,
01:02
we try to say something about the fundamental mechanisms
15
62309
2829
nous essayons de dire quelque chose Ă  propos
des mécanismes fondamentaux de la cognition humaine.
01:05
of human cognition.
16
65138
1618
01:07
In particular, in my lab in the Department of Brain and Cognitive Sciences at MIT,
17
67716
4759
Surtout dans mon laboratoire
du DĂ©partement du Cerveau et Sciences Cognitives au MIT,
01:12
I have spent the past decade trying to understand the mystery
18
72475
3654
j’ai passĂ© la derniĂšre dĂ©cennie essayant de comprendre
le mystĂšre derriĂšre lequel
01:16
of how children learn so much from so little so quickly.
19
76129
3977
les enfants apprennent tellement Ă  partir de si peu si rapidement.
01:20
Because, it turns out that the fascinating thing about science
20
80666
2978
Parce qu'en fait, ce qui est fascinant Ă  propos de la science
01:23
is also a fascinating thing about children,
21
83644
3529
fascine aussi Ă  propos des enfants,
01:27
which, to put a gentler spin on Mark Twain,
22
87173
2581
et donc la touche légÚre de Mark Twain,
01:29
is precisely their ability to draw rich, abstract inferences
23
89754
4650
est précisément leur capacité
de tirer des conclusions riches, abstraites,
01:34
rapidly and accurately from sparse, noisy data.
24
94404
4661
avec rapidité et avec précision à partir de données éparses, bruitées.
01:40
I'm going to give you just two examples today.
25
100355
2398
Je vais vous donner deux exemples aujourd’hui.
01:42
One is about a problem of generalization,
26
102753
2287
L’un porte sur un problĂšme de gĂ©nĂ©ralisation,
01:45
and the other is about a problem of causal reasoning.
27
105040
2850
et l’autre sur une problĂšme de la relation de causalitĂ©.
01:47
And although I'm going to talk about work in my lab,
28
107890
2525
Bien que je parle du travail dans mon laboratoire,
01:50
this work is inspired by and indebted to a field.
29
110415
3460
ce travail est inspiré par un domaine. auquel je suis redevable.
01:53
I'm grateful to mentors, colleagues, and collaborators around the world.
30
113875
4283
Je suis reconnaissante aux mentors, collĂšgues,
et collaborateurs dans le monde entier.
01:59
Let me start with the problem of generalization.
31
119308
2974
Laissez-moi commencer par le problÚme de généralisation.
02:02
Generalizing from small samples of data is the bread and butter of science.
32
122652
4133
Généraliser à partir de petits échantillons de données
est le fer de lance de la science.
02:06
We poll a tiny fraction of the electorate
33
126785
2554
Nous sondons une infime fraction de l'Ă©lectorat
02:09
and we predict the outcome of national elections.
34
129339
2321
et prévoyons le résultat des élections nationales.
02:12
We see how a handful of patients responds to treatment in a clinical trial,
35
132240
3925
Nous voyons comment une poignée de patients
réagit au traitement d'un essai clinique,
02:16
and we bring drugs to a national market.
36
136165
3065
et nous introduisons les médicaments à un marché national.
02:19
But this only works if our sample is randomly drawn from the population.
37
139230
4365
Mais cela ne réussit que si notre échantillon
est tiré aléatoirement à partir de la population.
02:23
If our sample is cherry-picked in some way --
38
143595
2735
Si notre échantillon est trié sur le volet -
02:26
say, we poll only urban voters,
39
146330
2072
si nous ne sondions que les Ă©lecteurs urbains,
02:28
or say, in our clinical trials for treatments for heart disease,
40
148402
4388
ou si, dans nos essais cliniques pour traitements de maladies cardiaques,
02:32
we include only men --
41
152790
1881
nous ne retenions que des hommes--
02:34
the results may not generalize to the broader population.
42
154671
3158
les rĂ©sultats ne se gĂ©nĂ©raliseront pas Ă  l’ensemble de population.
02:38
So scientists care whether evidence is randomly sampled or not,
43
158479
3581
Donc les scientifiques se soucient
si l'échantillon est aléatoire ou non,
02:42
but what does that have to do with babies?
44
162060
2015
mais quel rapport cela a-t-il avec les bébés?
02:44
Well, babies have to generalize from small samples of data all the time.
45
164585
4621
Eh bien, les bébés doivent généraliser
à partir de petits échantillons de données tout le temps.
02:49
They see a few rubber ducks and learn that they float,
46
169206
3158
Ils voient quelques canards en caoutchouc et apprennent qu'ils flottent
02:52
or a few balls and learn that they bounce.
47
172364
3575
ou quelques balles et apprennent qu'elles rebondissent.
02:55
And they develop expectations about ducks and balls
48
175939
2951
Et ils découvrent les caractéristiques des canards et des balles
02:58
that they're going to extend to rubber ducks and balls
49
178890
2716
qu'ils vont attendre des canards en caoutchouc et balles
03:01
for the rest of their lives.
50
181606
1879
pour le restant de leur vie.
03:03
And the kinds of generalizations babies have to make about ducks and balls
51
183485
3739
Et les types de généralisations que les bébés font à ce propos,
03:07
they have to make about almost everything:
52
187224
2089
ils devront les faire Ă  propos de presque tout:
03:09
shoes and ships and sealing wax and cabbages and kings.
53
189313
3917
des chaussures, navires, cire Ă  sceller, choux et rois.
Les bébés se soucient-ils de savoir
03:14
So do babies care whether the tiny bit of evidence they see
54
194200
2961
si le peu de preuves qu'ils observent
03:17
is plausibly representative of a larger population?
55
197161
3692
reprĂ©sente de maniĂšre plausible l’ensemble de la population?
03:21
Let's find out.
56
201763
1900
Allons vérifier.
03:23
I'm going to show you two movies,
57
203663
1723
Je vais vous montrer deux films,
03:25
one from each of two conditions of an experiment,
58
205386
2462
un pour chacune des 2 conditions d'une expérience,
03:27
and because you're going to see just two movies,
59
207848
2438
et parce que vous n’allez voir que deux films,
03:30
you're going to see just two babies,
60
210286
2136
vous n’allez voir que deux bĂ©bĂ©s,
03:32
and any two babies differ from each other in innumerable ways.
61
212422
3947
et ils diffÚrent l'un de l'autre de bien des façons.
03:36
But these babies, of course, here stand in for groups of babies,
62
216369
3051
Mais ces bébés, bien-sûr,
représentent des groupes de bébés,
03:39
and the differences you're going to see
63
219420
1895
et les différences ici représentent les différences moyennes
03:41
represent average group differences in babies' behavior across conditions.
64
221315
5195
par groupe dans le comportement des bébés à travers différentes situations.
Dans chaque film, vous allez voir qu’un bĂ©bĂ© peut-ĂȘtre faire
03:47
In each movie, you're going to see a baby doing maybe
65
227160
2583
03:49
just exactly what you might expect a baby to do,
66
229743
3460
exactement ce que vous pourriez attendre de lui qu’il fasse,
03:53
and we can hardly make babies more magical than they already are.
67
233203
4017
et nous pouvons difficilement
rendre les bĂ©bĂ©s plus magiques qu’ils ne sont dĂ©jĂ .
03:58
But to my mind the magical thing,
68
238090
2010
Mais Ă  mon avis, ce qui est magique,
04:00
and what I want you to pay attention to,
69
240100
2089
et ce sur quoi je voudrais attirer votre attention,
04:02
is the contrast between these two conditions,
70
242189
3111
est le contraste entre ces deux conditions,
04:05
because the only thing that differs between these two movies
71
245300
3529
parce que le seul élément qui diffÚre entre ces deux films
04:08
is the statistical evidence the babies are going to observe.
72
248829
3466
est la preuve statistique que les bébés vont observer.
04:13
We're going to show babies a box of blue and yellow balls,
73
253425
3183
Nous allons montrer aux bébés une boite de balles bleues et jaunes,
04:16
and my then-graduate student, now colleague at Stanford, Hyowon Gweon,
74
256608
4620
et mon étudiante diplÎmée, Hyowon Gweon, maintenant une collÚgue à Stanford,
04:21
is going to pull three blue balls in a row out of this box,
75
261228
3077
va tirer trois balles d’affilĂ©e de cette boite,
04:24
and when she pulls those balls out, she's going to squeeze them,
76
264305
3123
et en les tirant, elle va les presser;
04:27
and the balls are going to squeak.
77
267428
2113
les balles vont couiner.
04:29
And if you're a baby, that's like a TED Talk.
78
269541
2763
Et si vous ĂȘtes un bĂ©bĂ© c'est comme un Talk TED,
04:32
It doesn't get better than that.
79
272304
1904
on ne fait pas mieux.
04:34
(Laughter)
80
274208
2561
(Rires)
04:38
But the important point is it's really easy to pull three blue balls in a row
81
278968
3659
Mais le point important est qu'il est vraiment facile
de tirer trois balles bleues d’affilĂ©e
04:42
out of a box of mostly blue balls.
82
282627
2305
d'une boĂźte de balles surtout bleues.
04:44
You could do that with your eyes closed.
83
284932
2060
Vous pourriez le faire les yeux fermés.
04:46
It's plausibly a random sample from this population.
84
286992
2996
C'est un échantillon aléatoire possible de cet ensemble.
04:49
And if you can reach into a box at random and pull out things that squeak,
85
289988
3732
Et si vous pouvez tirer au hasard dans une boĂźte
pour en obtenir des choses qui couinent,
04:53
then maybe everything in the box squeaks.
86
293720
2839
alors peut-ĂȘtre que tout dans cette boĂźte couine.
04:56
So maybe babies should expect those yellow balls to squeak as well.
87
296559
3650
Les bĂ©bĂ©s devront donc s’attendre Ă  ce que les boules jaunes couinent aussi.
05:00
Now, those yellow balls have funny sticks on the end,
88
300209
2519
Les boules jaunes ont des bĂątons amusants au bout,
05:02
so babies could do other things with them if they wanted to.
89
302728
2857
donc les bĂ©bĂ©s peuvent les utiliser diffĂ©remment s’ils le veulent.
05:05
They could pound them or whack them.
90
305585
1831
Ils pourraient les lancer ou taper avec.
05:07
But let's see what the baby does.
91
307416
2586
Mais voyons ce que fait le bébé.
05:12
(Video) Hyowon Gweon: See this? (Ball squeaks)
92
312548
3343
(Vidéo) Hyowon Gweon: Tu vois ceci? (Couinement)
05:16
Did you see that? (Ball squeaks)
93
316531
3045
(Vidéo) Hyowon Gweon: Tu vois ceci? (Couinement)
05:20
Cool.
94
320036
3066
Cool.
05:24
See this one?
95
324706
1950
Tu vois celle-lĂ ?
05:26
(Ball squeaks)
96
326656
1881
(Couinement)
05:28
Wow.
97
328537
2653
Ouah.
05:33
Laura Schulz: Told you. (Laughs)
98
333854
2113
Laura Schulz: Je vous l'avais dit. (Rires)
05:35
(Video) HG: See this one? (Ball squeaks)
99
335967
4031
(Vidéo) HG: Tu vois celle-là? (Couinement)
05:39
Hey Clara, this one's for you. You can go ahead and play.
100
339998
4619
HĂ© Clara, celle-ci est pour toi. Vas-y, tu peux jouer avec.
(Rires)
05:51
(Laughter)
101
351854
4365
05:56
LS: I don't even have to talk, right?
102
356219
2995
LS: Je n’ai mĂȘme pas besoin de parler, n’est-ce pas?
05:59
All right, it's nice that babies will generalize properties
103
359214
2899
C’est bien que les bĂ©bĂ©s gĂ©nĂ©ralisent les propriĂ©tĂ©s
des balles bleues aux balles jaunes
06:02
of blue balls to yellow balls,
104
362113
1528
06:03
and it's impressive that babies can learn from imitating us,
105
363641
3096
et il est impressionnant que les bébés puissent apprendre en nous imitant,
06:06
but we've known those things about babies for a very long time.
106
366737
3669
mais nous savions ça à propos des bébés depuis trÚs longtemps.
06:10
The really interesting question
107
370406
1811
La question vraiment intéressante
est ce qui arrive si nous leur montrons exactement la mĂȘme chose,
06:12
is what happens when we show babies exactly the same thing,
108
372217
2852
06:15
and we can ensure it's exactly the same because we have a secret compartment
109
375069
3611
et que nous sommes sûrs que c'est le cas,
parce qu'on a un compartiment secret
06:18
and we actually pull the balls from there,
110
378680
2110
dans lequel on garde les balles.
06:20
but this time, all we change is the apparent population
111
380790
3478
Mais cette fois-ci, nous ne changeons que l'ensemble apparent
06:24
from which that evidence was drawn.
112
384268
2902
dans lequel cette preuve est tirée.
06:27
This time, we're going to show babies three blue balls
113
387170
3553
Cette fois, nous allons montrer aux bébés trois balles bleues
06:30
pulled out of a box of mostly yellow balls,
114
390723
3384
tirĂ©es d’une boite essentiellement de boules jaunes.
06:34
and guess what?
115
394107
1322
et devinez quoi ?
06:35
You [probably won't] randomly draw three blue balls in a row
116
395429
2840
Vous ne pourriez pas tirer de maniÚre aléatoire
trois balles bleues d’affilĂ©e d’une boite de balles surtout jaunes.
06:38
out of a box of mostly yellow balls.
117
398269
2484
06:40
That is not plausibly randomly sampled evidence.
118
400753
3747
Ce n’est pas un Ă©chantillon alĂ©atoire probable.
06:44
That evidence suggests that maybe Hyowon was deliberately sampling the blue balls.
119
404500
5123
Cette preuve montre que Hyowon
a peut-ĂȘtre intentionnellement choisi les balles bleues.
06:49
Maybe there's something special about the blue balls.
120
409623
2583
Peut-ĂȘtre que les balles bleues ont quelque chose de spĂ©cial.
06:52
Maybe only the blue balls squeak.
121
412846
2976
Peut-ĂȘtre que seules les balles bleues couinent.
06:55
Let's see what the baby does.
122
415822
1895
Voyons voir ce que le bébé fait.
06:57
(Video) HG: See this? (Ball squeaks)
123
417717
2904
(Vidéo) HG: Tu vois ceci? (Couinement)
07:02
See this toy? (Ball squeaks)
124
422851
2645
Tu vois ce jouet? (Couinement)
07:05
Oh, that was cool. See? (Ball squeaks)
125
425496
5480
Oh, c’était cool. (Couinement)
07:10
Now this one's for you to play. You can go ahead and play.
126
430976
4394
Maintenant, c’est à toi de jouer avec. Vas-y et joue.
07:18
(Fussing) (Laughter)
127
438074
6347
(Agitation) (Rires)
07:26
LS: So you just saw two 15-month-old babies
128
446901
2748
LS : Vous venez de voir 2 bébés de 15 mois
07:29
do entirely different things
129
449649
1942
faire 2 choses totalement différentes
07:31
based only on the probability of the sample they observed.
130
451591
3599
en s'appuyant sur la probabilitĂ© des Ă©chantillons qu’ils ont observĂ©s.
07:35
Let me show you the experimental results.
131
455190
2321
Voici les rĂ©sultats de l’expĂ©rience.
07:37
On the vertical axis, you'll see the percentage of babies
132
457511
2764
Sur l’axe vertical, vous verrez le pourcentage de bĂ©bĂ©s
07:40
who squeezed the ball in each condition,
133
460275
2530
qui a pressé la balle dans chacune des situations,
07:42
and as you'll see, babies are much more likely to generalize the evidence
134
462805
3715
et comme vous le constaterez,
les bébés généralisent plus souvent le résultat
07:46
when it's plausibly representative of the population
135
466520
3135
quand il représente un échantillon probable de l'ensemble,
07:49
than when the evidence is clearly cherry-picked.
136
469655
3738
que quand la preuve est clairement triée sur le volet.
07:53
And this leads to a fun prediction:
137
473393
2415
Et ceci mÚne à une prédiction amusante:
07:55
Suppose you pulled just one blue ball out of the mostly yellow box.
138
475808
4868
Supposons que vous n’ayez tirĂ© qu’une seule balle bleue
d'une boĂźte de boules essentiellement jaunes.
08:00
You [probably won't] pull three blue balls in a row at random out of a yellow box,
139
480896
3869
Vous ne pourriez pas tirer au hasard 3 balles bleues
d’une boite de jaunes,
08:04
but you could randomly sample just one blue ball.
140
484765
2455
mais vous pourriez ne tirer au hasard qu’une balle bleue.
08:07
That's not an improbable sample.
141
487220
1970
Cela n’est pas un Ă©chantillon improbable.
08:09
And if you could reach into a box at random
142
489190
2224
Et si vous tirer au hasard dans une boite
08:11
and pull out something that squeaks, maybe everything in the box squeaks.
143
491414
3987
quelque chose qui couine,
peut-ĂȘtre que tout dans cette boite couine.
08:15
So even though babies are going to see much less evidence for squeaking,
144
495875
4445
Donc mĂȘme si les bĂ©bĂ©s observeront moins de preuves de couinement,
08:20
and have many fewer actions to imitate
145
500320
2242
et ont beaucoup moins d’actions à imiter
08:22
in this one ball condition than in the condition you just saw,
146
502562
3343
avec une unique balle
qu'avec plusieurs
08:25
we predicted that babies themselves would squeeze more,
147
505905
3892
nous avions prĂ©dit que les bĂ©bĂ©s eux-mĂȘmes
presseront la boule davantage,
08:29
and that's exactly what we found.
148
509797
2894
et c’est exactement que nous avons trouvĂ©.
08:32
So 15-month-old babies, in this respect, like scientists,
149
512691
4411
Donc les bébés de 15 mois, à ce sujet, comme les scientifiques,
08:37
care whether evidence is randomly sampled or not,
150
517102
3088
se soucient si l'échantillon est aléatoire ou non.
08:40
and they use this to develop expectations about the world:
151
520190
3507
Et ils emploient ceci pour développer leurs attentes du monde :
08:43
what squeaks and what doesn't,
152
523697
2182
ce qui couine ou ne couine pas,
08:45
what to explore and what to ignore.
153
525879
3145
quoi explorer et quoi ignorer.
08:50
Let me show you another example now,
154
530384
2066
Un autre exemple maintenant.
08:52
this time about a problem of causal reasoning.
155
532450
2730
Cette fois sur un problÚme de relation de causalité.
08:55
And it starts with a problem of confounded evidence
156
535180
2439
Et il commence par la pensée déconcertante
08:57
that all of us have,
157
537619
1672
que nous avons tous,
08:59
which is that we are part of the world.
158
539291
2020
Ă  savoir que nous faisons partie du monde.
09:01
And this might not seem like a problem to you, but like most problems,
159
541311
3436
Et cela ne vous paraĂźt peut-ĂȘtre pas problĂ©matique
mais comme tous les problĂšmes,
09:04
it's only a problem when things go wrong.
160
544747
2337
ce n'en est un que quand les choses vont mal.
09:07
Take this baby, for instance.
161
547464
1811
Prenez ce bébé, par exemple.
09:09
Things are going wrong for him.
162
549275
1705
Les choses vont mal pour lui.
09:10
He would like to make this toy go, and he can't.
163
550980
2271
Il veut faire marcher ce jouet, mais n’y arrive pas.
09:13
I'll show you a few-second clip.
164
553251
2529
Je vais vous montrer un clip de quelques secondes.
Et il y a en fait deux possibilités :
09:21
And there's two possibilities, broadly:
165
561340
1920
09:23
Maybe he's doing something wrong,
166
563260
2634
Peut-ĂȘtre fait-il quelque chose de mal,
09:25
or maybe there's something wrong with the toy.
167
565894
4216
ou alors il y a quelque chose de mal avec le jouet.
09:30
So in this next experiment,
168
570110
2111
Donc dans cette prochaine expérience,
09:32
we're going to give babies just a tiny bit of statistical data
169
572221
3297
nous n’allons donner aux bĂ©bĂ©s que quelques donnĂ©es statistiques
09:35
supporting one hypothesis over the other,
170
575518
2582
privilĂ©giant une hypothĂšse par rapport Ă  l’autre,
09:38
and we're going to see if babies can use that to make different decisions
171
578100
3455
et nous verrons si les bébés pourront se baser sur ça
pour décider quoi faire.
09:41
about what to do.
172
581555
1834
09:43
Here's the setup.
173
583389
2022
Voici la situation.
09:46
Hyowon is going to try to make the toy go and succeed.
174
586071
3030
Hyowon va essayer de faire fonctionner le jouer et réussir.
09:49
I am then going to try twice and fail both times,
175
589101
3320
Je vais ensuite essayer deux fois et Ă©chouer les deux fois,
09:52
and then Hyowon is going to try again and succeed,
176
592421
3112
et puis Hyowon va encore essayer et réussir.
09:55
and this roughly sums up my relationship to my graduate students
177
595533
3172
Ceci résume à peu prÚs ma relation avec mes étudiants diplÎmés
09:58
in technology across the board.
178
598705
2835
en technologie Ă  tous les niveaux.
10:02
But the important point here is it provides a little bit of evidence
179
602030
3292
Mais le point important ici est qu’il fournit un petit peu de preuves
10:05
that the problem isn't with the toy, it's with the person.
180
605322
3668
sur le fait que le problĂšme n'est pas le jouet,
mais la personne.
10:08
Some people can make this toy go,
181
608990
2350
Certaines personnes peuvent faire marcher ce jouet
10:11
and some can't.
182
611340
959
et d'autres non.
10:12
Now, when the baby gets the toy, he's going to have a choice.
183
612799
3413
Donc, quand le bébé reçoit le jouet,
il va avoir le choix.
10:16
His mom is right there,
184
616212
2188
Sa maman est juste lĂ , afin qu'il puisse aller de l'avant
10:18
so he can go ahead and hand off the toy and change the person,
185
618400
3315
et rendre le jouet puis changer la personne,
10:21
but there's also going to be another toy at the end of that cloth,
186
621715
3158
mais il va aussi y avoir un autre jouet au bout de ce tissu,
10:24
and he can pull the cloth towards him and change the toy.
187
624873
3552
et il pourra tirer le tissu vers lui pour changer de jouet.
10:28
So let's see what the baby does.
188
628425
2090
Alors voyons voir ce que le bébé fait.
10:30
(Video) HG: Two, three. Go! (Music)
189
630515
4183
(Vidéo) HG : Deux, trois. Partez! (Musique)
10:34
LS: One, two, three, go!
190
634698
3131
LS : Un, deux, trois, partez!
10:37
Arthur, I'm going to try again. One, two, three, go!
191
637829
7382
Arthur, je vais essayer encore. Un, deux, trois, partez!
10:45
YG: Arthur, let me try again, okay?
192
645677
2600
YG : Arthur, laisse-moi essayer encore, ok?
10:48
One, two, three, go! (Music)
193
648277
4550
Un, deux, trois, partez! (Musique)
10:53
Look at that. Remember these toys?
194
653583
1883
Regarde-ca. Tu te souviens de ces jouets?
10:55
See these toys? Yeah, I'm going to put this one over here,
195
655466
3264
Tu vois ces jouets? Ouais, je vais placer celui-ci lĂ -bas,
10:58
and I'm going to give this one to you.
196
658730
2062
et je vais te donner celui-lĂ .
11:00
You can go ahead and play.
197
660792
2335
Tu peux y aller et jouer.
11:23
LS: Okay, Laura, but of course, babies love their mommies.
198
683213
4737
LS : Ok, Laura, bien évidemment, les bébés aiment leurs mamans.
11:27
Of course babies give toys to their mommies
199
687950
2182
Évidemment, ils donnent leurs jouets à leurs mamans
11:30
when they can't make them work.
200
690132
2030
quand ils ne marchent pas.
11:32
So again, the really important question is what happens when we change
201
692162
3593
A nouveau, la question vraiment importante
est ce qui arrive quand nous changeons
11:35
the statistical data ever so slightly.
202
695755
3154
les données statistiques, juste légÚrement.
11:38
This time, babies are going to see the toy work and fail in exactly the same order,
203
698909
4087
Cette fois-ci,
les bĂ©bĂ©s vont voir le jouet fonctionner et Ă©chouer dans le mĂȘme ordre,
11:42
but we're changing the distribution of evidence.
204
702996
2415
mais nous changeons la distribution des preuves.
11:45
This time, Hyowon is going to succeed once and fail once, and so am I.
205
705411
4411
Cette fois-ci, Hyowon va réussir une fois et échouer une fois,
et moi de mĂȘme.
11:49
And this suggests it doesn't matter who tries this toy, the toy is broken.
206
709822
5637
Donc cela suggÚre que peu importe qui essaie ce jouet, le jouet est cassé.
11:55
It doesn't work all the time.
207
715459
1886
Ça ne marche pas tout le temps.
11:57
Again, the baby's going to have a choice.
208
717345
1965
De nouveau, le bébé va avoir le choix.
11:59
Her mom is right next to her, so she can change the person,
209
719310
3396
Sa maman est juste à cÎté, le bébé pourra changer de personne,
12:02
and there's going to be another toy at the end of the cloth.
210
722706
3204
et il y aura un autre jouet au bout du tissu.
Regardons ce qu’elle fait.
12:05
Let's watch what she does.
211
725910
1378
12:07
(Video) HG: Two, three, go! (Music)
212
727288
4348
(Vidéo) HG : Deux, trois, partez! (Musique)
12:11
Let me try one more time. One, two, three, go!
213
731636
4984
Laisse-moi essayer encore une fois. Un, deux, trois, partez!
12:17
Hmm.
214
737460
1697
Hm.
12:19
LS: Let me try, Clara.
215
739950
2692
LS : Laisse-moi essayer, Clara.
12:22
One, two, three, go!
216
742642
3945
Un, deux, trois, partez!
12:27
Hmm, let me try again.
217
747265
1935
Hm, laisse-moi essayer encore.
12:29
One, two, three, go! (Music)
218
749200
5670
Un, deux, trois, partez! (Musique)
12:35
HG: I'm going to put this one over here,
219
755009
2233
HG : Je vais mettre celui-ci lĂ -bas,
12:37
and I'm going to give this one to you.
220
757242
2001
et je vais te donner celui-lĂ .
12:39
You can go ahead and play.
221
759243
3597
Tu peux y aller et jouer.
12:58
(Applause)
222
778376
4897
(Applaudissements)
13:04
LS: Let me show you the experimental results.
223
784993
2392
LS: VoilĂ  les rĂ©sultats de l’expĂ©rience.
13:07
On the vertical axis, you'll see the distribution
224
787385
2475
Sur l’axe vertical, vous verrez la distribution
13:09
of children's choices in each condition,
225
789860
2577
des choix des enfants dans chacune des conditions,
13:12
and you'll see that the distribution of the choices children make
226
792437
4551
et vous verrez que la distribution des choix que les enfants font
13:16
depends on the evidence they observe.
227
796988
2787
dĂ©pend des preuves qu’ils constatent.
13:19
So in the second year of life,
228
799775
1857
Donc au cours de leur deuxiÚme année,
13:21
babies can use a tiny bit of statistical data
229
801632
2577
les bébés peuvent utiliser quelques données statistiques
13:24
to decide between two fundamentally different strategies
230
804209
3367
pour décider entre 2 stratégies fondamentalement différentes
13:27
for acting in the world:
231
807576
1881
pour agir dans le monde:
13:29
asking for help and exploring.
232
809457
2743
demander de l’aide ou explorer.
13:33
I've just shown you two laboratory experiments
233
813700
3434
Je viens de vous montrer deux expériences de laboratoire
13:37
out of literally hundreds in the field that make similar points,
234
817134
3691
parmi des centaines dans le domaine qui constatent les mĂȘmes rĂ©sultats,
13:40
because the really critical point
235
820825
2392
parce que l'idée essentielle
13:43
is that children's ability to make rich inferences from sparse data
236
823217
5108
est que la capacité des enfants à tirer des conclusions à partir de peu de données
13:48
underlies all the species-specific cultural learning that we do.
237
828325
5341
est Ă  la source de l'apprentissage culturel de notre espĂšce.
13:53
Children learn about new tools from just a few examples.
238
833666
4597
Les enfants découvrent de nouveaux outils à partir de quelques exemples uniquement.
13:58
They learn new causal relationships from just a few examples.
239
838263
4717
Ils forment des relations causales Ă  partir de quelques exemples.
14:03
They even learn new words, in this case in American Sign Language.
240
843928
4871
Ils apprennent mĂȘme de nouveaux mots, ici, en langue des signes amĂ©ricaine.
14:08
I want to close with just two points.
241
848799
2311
Je veux conclure avec juste deux points.
14:12
If you've been following my world, the field of brain and cognitive sciences,
242
852050
3688
Si vous suivez mon univers, le domaine du cerveau et des sciences cognitives,
14:15
for the past few years,
243
855738
1927
depuis ces quelques derniÚres années,
14:17
three big ideas will have come to your attention.
244
857665
2415
trois grandes idées auraient suscité votre attention.
14:20
The first is that this is the era of the brain.
245
860080
3436
La premiùre est qu’il s’agit de l’ùre du cerveau.
14:23
And indeed, there have been staggering discoveries in neuroscience:
246
863516
3669
Il y a eu en fait, des découvertes stupéfiantes en neurosciences:
14:27
localizing functionally specialized regions of cortex,
247
867185
3436
localisant des régions fonctionnellement spécialisées du cortex,
14:30
turning mouse brains transparent,
248
870621
2601
rendant les cerveaux des souris transparents,
14:33
activating neurons with light.
249
873222
3776
activant les neurones grĂące Ă  la lumiĂšre.
14:36
A second big idea
250
876998
1996
La seconde grande idĂ©e est que c’est l’ùre
14:38
is that this is the era of big data and machine learning,
251
878994
4104
des donnĂ©es volumineuses et de l’apprentissage automatique.
L’apprentissage automatique promet de rĂ©volutionner notre comprĂ©hension
14:43
and machine learning promises to revolutionize our understanding
252
883098
3141
14:46
of everything from social networks to epidemiology.
253
886239
4667
de tout allant des rĂ©seaux sociaux Ă  l’épidĂ©miologie.
14:50
And maybe, as it tackles problems of scene understanding
254
890906
2693
Et peut-ĂȘtre aussi parce qu’il s’attaque aux problĂšmes de comprĂ©hension
14:53
and natural language processing,
255
893599
1993
et de traitement du langage naturel
14:55
to tell us something about human cognition.
256
895592
3324
pour nous dire quelque chose Ă  propos de la connaissance humaine.
14:59
And the final big idea you'll have heard
257
899756
1937
Et la derniÚre grande idée que vous auriez entendue :
15:01
is that maybe it's a good idea we're going to know so much about brains
258
901693
3387
il est peut-ĂȘtre bĂ©nĂ©fique
de savoir tant de choses sur le cerveau
et d'avoir autant accÚs aux données volumineuses;
15:05
and have so much access to big data,
259
905080
1917
15:06
because left to our own devices,
260
906997
2507
parce que laissĂ©s Ă  nous-mĂȘmes,
15:09
humans are fallible, we take shortcuts,
261
909504
3831
les ĂȘtres humains sont faillibles,
nous prenons des raccourcis, nous errons, nous faisons des erreurs,
15:13
we err, we make mistakes,
262
913335
3437
15:16
we're biased, and in innumerable ways,
263
916772
3684
nous sommes biaisĂ©s, et d’innombrables façons
15:20
we get the world wrong.
264
920456
2969
nous comprenons mal le monde.
15:24
I think these are all important stories,
265
924843
2949
Je pense que ce sont toutes des histoires importantes,
15:27
and they have a lot to tell us about what it means to be human,
266
927792
3785
et elles ont beaucoup Ă  nous dire sur ce qu'est d'ĂȘtre humain signifie.
15:31
but I want you to note that today I told you a very different story.
267
931577
3529
Mais je vous ai raconté aujourd'hui
une histoire bien différente.
15:35
It's a story about minds and not brains,
268
935966
3807
C’est une histoire sur les esprits et non des cerveaux,
15:39
and in particular, it's a story about the kinds of computations
269
939773
3006
et en particulier, c’est une histoire sur les types de calcul
15:42
that uniquely human minds can perform,
270
942779
2590
que seuls les esprits humains peuvent effectuer
impliquant des savoirs riches et structurées
15:45
which involve rich, structured knowledge and the ability to learn
271
945369
3944
ainsi que la capacitĂ© Ă  apprendre Ă  partir d’une petite quantitĂ© de donnĂ©es,
15:49
from small amounts of data, the evidence of just a few examples.
272
949313
5268
avec seulement quelques exemples.
Fondamentalement, il s’agit d’une histoire qui commence avec de trùs jeunes enfants
15:56
And fundamentally, it's a story about how starting as very small children
273
956301
4299
16:00
and continuing out all the way to the greatest accomplishments
274
960600
4180
et qui continue jusqu'au plus grandes réussites
16:04
of our culture,
275
964780
3843
de notre culture :
16:08
we get the world right.
276
968623
1997
de comprendre correctement le monde.
16:12
Folks, human minds do not only learn from small amounts of data.
277
972433
5267
L'esprit humain n’apprend pas seulement Ă  partir de quelques donnĂ©es.
16:18
Human minds think of altogether new ideas.
278
978285
2101
L'esprit humain conçoit des idées innovantes.
16:20
Human minds generate research and discovery,
279
980746
3041
L'esprit humain génÚre recherche et découverte,
16:23
and human minds generate art and literature and poetry and theater,
280
983787
5273
et l'esprit humain génÚre art et littérature, poésie et théùtre.
16:29
and human minds take care of other humans:
281
989070
3760
De plus, l'esprit humain prend soin d’autres humains:
16:32
our old, our young, our sick.
282
992830
3427
nos ainés, nos jeunes, nos malades.
16:36
We even heal them.
283
996517
2367
Nous les guĂ©rissons mĂȘme.
16:39
In the years to come, we're going to see technological innovations
284
999564
3103
Dans les années à venir, nous allons voir des innovations technologiques
16:42
beyond anything I can even envision,
285
1002667
3797
au-delĂ  de tout ce que nous pouvons envisager,
16:46
but we are very unlikely
286
1006464
2150
mais il est fort peu probable de voir quoi que ce soit
16:48
to see anything even approximating the computational power of a human child
287
1008614
5709
approchant la puissance computationnelle d’un enfant
16:54
in my lifetime or in yours.
288
1014323
4298
de mon vivant ou du votre.
16:58
If we invest in these most powerful learners and their development,
289
1018621
5047
Si nous investissons dans ces plus puissants novices,
ainsi que dans leur développement,
17:03
in babies and children
290
1023668
2917
dans les bébés et enfants
17:06
and mothers and fathers
291
1026585
1826
ainsi que mĂšres et pĂšres,
17:08
and caregivers and teachers
292
1028411
2699
soignants et enseignants.
17:11
the ways we invest in our other most powerful and elegant forms
293
1031110
4170
Les façons dont nous investissons dans nos plus puissantes et élégantes formes
17:15
of technology, engineering and design,
294
1035280
3218
de technologie, ingénierie et design,
17:18
we will not just be dreaming of a better future,
295
1038498
2939
nous ne serions pas en train de rĂȘver d’un futur meilleur,
17:21
we will be planning for one.
296
1041437
2127
nous serions en train de le planifier.
17:23
Thank you very much.
297
1043564
2345
Merci beaucoup.
17:25
(Applause)
298
1045909
3421
(Applaudissements)
17:29
Chris Anderson: Laura, thank you. I do actually have a question for you.
299
1049810
4426
Chris Anderson: Laura, merci. J’ai en effet une question pour toi.
17:34
First of all, the research is insane.
300
1054236
2359
Tout d’abord, la recherche est insensĂ©e.
17:36
I mean, who would design an experiment like that? (Laughter)
301
1056595
3725
Je veux dire, qui concevrait une expérience comme celle-là?
(Rires)
17:41
I've seen that a couple of times,
302
1061150
1790
J’ai vu ça quelques fois,
17:42
and I still don't honestly believe that that can truly be happening,
303
1062940
3222
et je n'arrive toujours pas à croire que ça arrive vraiment,
mais d’autres gens ont fait de telles expĂ©riences ; ça colle.
17:46
but other people have done similar experiments; it checks out.
304
1066162
3158
Les enfants sont vraiment des génies.
17:49
The babies really are that genius.
305
1069320
1633
17:50
LS: You know, they look really impressive in our experiments,
306
1070953
3007
LS: Ils sont vraiment impressionnants dans nos expériences,
17:53
but think about what they look like in real life, right?
307
1073960
2652
mais pensez Ă  ce qu'ils font dans la vraie vie.
17:56
It starts out as a baby.
308
1076612
1150
D'abord un bébé.
17:57
Eighteen months later, it's talking to you,
309
1077762
2007
18 mois plus tard, il vous parle,
17:59
and babies' first words aren't just things like balls and ducks,
310
1079769
3041
et les premiers mots de bébés ne sont pas juste balles ou canard,
18:02
they're things like "all gone," which refer to disappearance,
311
1082810
2881
c'est plutÎt : « tout parti », pour la disparition,
ou, « oh-oh », qui fait référence à des actions involontaires.
18:05
or "uh-oh," which refer to unintentional actions.
312
1085691
2283
18:07
It has to be that powerful.
313
1087974
1562
Il doit ĂȘtre aussi puissant.
18:09
It has to be much more powerful than anything I showed you.
314
1089536
2775
Il doit l'ĂȘtre beaucoup plus que ce que je vous ai montrĂ©.
18:12
They're figuring out the entire world.
315
1092311
1974
Ils comprennent le monde entier.
Un enfant de 4 ans peut vous parler de presque tout.
18:14
A four-year-old can talk to you about almost anything.
316
1094285
3144
18:17
(Applause)
317
1097429
1601
(Applaudissements)
18:19
CA: And if I understand you right, the other key point you're making is,
318
1099030
3414
CA: Si je vous comprends bien, vous affirmez
18:22
we've been through these years where there's all this talk
319
1102444
2754
que ces derniÚres années on parle beaucoup
de l'originalité et la folie de nos cerveaux,
18:25
of how quirky and buggy our minds are,
320
1105198
1932
18:27
that behavioral economics and the whole theories behind that
321
1107130
2867
de la science du comportement et ses théories ;
18:29
that we're not rational agents.
322
1109997
1603
nous ne sommes pas des agents rationnels.
18:31
You're really saying that the bigger story is how extraordinary,
323
1111600
4216
Vous insistez que ce phénomÚne est extraordinaire
18:35
and there really is genius there that is underappreciated.
324
1115816
4944
et qu’il y a vraiment du gĂ©nie sous-estimĂ©.
18:40
LS: One of my favorite quotes in psychology
325
1120760
2070
LS: Une de mes citations préférées en psychologie
18:42
comes from the social psychologist Solomon Asch,
326
1122830
2290
provient du psychologue social Solomon Asch,
18:45
and he said the fundamental task of psychology is to remove
327
1125120
2807
et il a dit que la tache fondamentale de la psychologie est
18:47
the veil of self-evidence from things.
328
1127927
2626
d'ĂŽter le voile de l'Ă©vidence.
18:50
There are orders of magnitude more decisions you make every day
329
1130553
4551
Il y a des millions de décisions quotidiennes
qui font avancer le monde.
18:55
that get the world right.
330
1135104
1347
Vous connaissez les objets et leurs propriétés.
18:56
You know about objects and their properties.
331
1136451
2132
18:58
You know them when they're occluded. You know them in the dark.
332
1138583
3029
Vous les reconnaissez quand ils sont cachés ou dans le noir.
Vous pouvez traverser les piĂšces.
19:01
You can walk through rooms.
333
1141612
1308
19:02
You can figure out what other people are thinking. You can talk to them.
334
1142920
3532
Vous pouvez deviner les pensées des autres et leur parler.
Vous vous orientez dans l’espace et connaissez les nombres,
19:06
You can navigate space. You know about numbers.
335
1146452
2230
19:08
You know causal relationships. You know about moral reasoning.
336
1148682
3022
les relations causales et les raisonnements moraux.
Vous faites ceci sans effort, donc nous ne le voyons pas.
19:11
You do this effortlessly, so we don't see it,
337
1151704
2356
C’est ainsi qu'on comprend bien le monde,
19:14
but that is how we get the world right, and it's a remarkable
338
1154060
2912
et il s’agit d’une activitĂ© remarquable, trĂšs difficile Ă  comprendre.
19:16
and very difficult-to-understand accomplishment.
339
1156972
2318
CA: Je suppose que des gens dans l’auditoire
19:19
CA: I suspect there are people in the audience who have
340
1159290
2628
qui voit l’accĂ©lĂ©ration de la puissance technologique
19:21
this view of accelerating technological power
341
1161918
2238
et qui pourraient nier votre affirmation que jamais de notre vivant
19:24
who might dispute your statement that never in our lifetimes
342
1164156
2958
un ordinateur fera ce qu’un enfant de trois ans fait,
19:27
will a computer do what a three-year-old child can do,
343
1167114
2618
mais il est clair que peu importe le scenario,
19:29
but what's clear is that in any scenario,
344
1169732
3248
19:32
our machines have so much to learn from our toddlers.
345
1172980
3770
nos machines ont tant Ă  apprendre de nos nourrissons.
LS: Des spécialistes de l'apprentissage automatique viendront sur cette scÚne.
19:38
LS: I think so. You'll have some machine learning folks up here.
346
1178230
3216
19:41
I mean, you should never bet against babies or chimpanzees
347
1181446
4203
Je veux dire, vous ne devriez jamais parier contre des bébés ou chimpanzés,
19:45
or technology as a matter of practice,
348
1185649
3645
ou la technologie.
19:49
but it's not just a difference in quantity,
349
1189294
4528
Mais ce n’est pas juste une diffĂ©rence de quantitĂ©,
19:53
it's a difference in kind.
350
1193822
1764
c’est une diffĂ©rence de qualitĂ©.
19:55
We have incredibly powerful computers,
351
1195586
2160
On a des ordinateurs incroyablement puissants,
19:57
and they do do amazingly sophisticated things,
352
1197746
2391
et ils font des choses extrĂȘmement sophistiquĂ©es,
20:00
often with very big amounts of data.
353
1200137
3204
souvent avec des données trÚs volumineuses.
20:03
Human minds do, I think, something quite different,
354
1203341
2607
L'esprit humain fait quelque chose d’assez diffùrent,
20:05
and I think it's the structured, hierarchical nature of human knowledge
355
1205948
3895
et c’est la nature hiĂ©rarchique et structurĂ©e de la connaissance humaine
20:09
that remains a real challenge.
356
1209843
2032
qui demeure un vrai défi.
20:11
CA: Laura Schulz, wonderful food for thought. Thank you so much.
357
1211875
3061
CA: Laura Schulz, trÚs bonne matiÚre à réflexion.
20:14
LS: Thank you. (Applause)
358
1214936
2922
LS: Merci. (Applaudissements)
À propos de ce site Web

Ce site vous présentera des vidéos YouTube utiles pour apprendre l'anglais. Vous verrez des leçons d'anglais dispensées par des professeurs de premier ordre du monde entier. Double-cliquez sur les sous-titres anglais affichés sur chaque page de vidéo pour lire la vidéo à partir de là. Les sous-titres défilent en synchronisation avec la lecture de la vidéo. Si vous avez des commentaires ou des demandes, veuillez nous contacter en utilisant ce formulaire de contact.

https://forms.gle/WvT1wiN1qDtmnspy7