Laura Schulz: The surprisingly logical minds of babies

Fordító: Péter Pallós Lektor: Orsolya Kiss

Mark Twain summed up what I take to be

Mark Twain szellemesen mutatott rá

one of the fundamental problems of cognitive science

találó mondásában, hogy mi a legnagyobb gond

with a single witticism.

a megismeréstudománnyal:

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

"Döbbenetes, hogy a tudományban

One gets such wholesale returns of conjecture

mennyi feltevést kaphatunk

out of such a trifling investment in fact."

oly kevés tényért cserébe."

(Laughter)

(Nevetés)

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

Twain ezt persze viccnek szánta, de igaza van.

There's something fascinating about science.

Van valami döbbenetes a tudományban.

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

Egy pár csontból a dinoszauruszok létezésére következtethetünk.

From spectral lines, the composition of nebulae.

Spektrumanalízissel egész csillagködök összetételét tudjuk megmondani.

From fruit flies,

Muslicák vizsgálatával

the mechanisms of heredity,

az öröklés mechanizmusát kutatjuk,

and from reconstructed images of blood flowing through the brain,

és az agy véráramának képeiből,

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

vagy a nagyon fiatal gyermekek viselkedéséből

we try to say something about the fundamental mechanisms

az emberi észlelés

alapvető mechanizmusait tárhatjuk fel.

of human cognition.

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

Az MIT megismeréstudományi és agykutató laborjában dolgozom,

I have spent the past decade trying to understand the mystery

s az elmúlt évtizedet e rejtély feltárásával töltöttem:

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

hogyan tanulnak a gyerekek olyan sokat és gyorsan, oly kevés információból.

Because, it turns out that the fascinating thing about science

Mert kiderült, hogy ami döbbenetes a tudományban,

is also a fascinating thing about children,

az döbbenetes a gyerekekben is,

which, to put a gentler spin on Mark Twain,

és Mark Twain gondolatát alkalmazva.

is precisely their ability to draw rich, abstract inferences

gyorsan, pontosan képesek bőséges és absztrakt következtetéseket levonni

rapidly and accurately from sparse, noisy data.

hiányos vagy zavaros adatokból.

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

Két ilyen példáról szeretnék ma beszélni.

One is about a problem of generalization,

Az egyik az általánosítás kérdése,

and the other is about a problem of causal reasoning.

a másik pedig az ok-okozati kapcsolattal függ össze.

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

Bár saját munkámat ismertetem,

this work is inspired by and indebted to a field.

sokaknak tartozom az ösztönzésért.

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

Hálás vagyok mentoraimnak, kollégáimnak és közreműködőimnek a világ minden táján.

Let me start with the problem of generalization.

Kezdjük az általánosítás kérdésével.

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

A tudományban gyakran kis mintákból vonunk le általános következtetést.

We poll a tiny fraction of the electorate

Egy pár embert megkérdezünk, kire szavaz,

and we predict the outcome of national elections.

s előrejelezzük az országos választási eredményt.

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

Ha a páciensek egy része jól reagál egy gyógyszerkísérlet során,

and we bring drugs to a national market.

piacra dobhatunk egy új terméket.

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

De ez csak véletlen mintavételkor működik.

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

Ha választásunkat befolyásolja valamilyen tényező,

say, we poll only urban voters,

például csak városi szavazókat,

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

vagy csak férfiakat vonunk be egy új szívgyógyszernél

we include only men --

a kísérleti alkalmazásba,

the results may not generalize to the broader population.

az eredmények nem lesznek érvényesek a nagyobb népességre.

So scientists care whether evidence is randomly sampled or not,

A tudósok tehát figyelnek rá, hogy a mintavétel véletlenszerű legyen,

but what does that have to do with babies?

de mi köze ennek a csecsemőkhöz?

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

Nos, a csecsemőknek egyfolytában kis mintákból kell általánosítaniuk.

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

Látnak egy pár gumikacsát, és megtanulják, hogy azok lebegnek,

or a few balls and learn that they bounce.

labdával játszanak, és rájönnek, hogy az pattog.

And they develop expectations about ducks and balls

Később már számítanak a lebegésre és a pattogásra,

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

sőt, más gumikacsákról és labdákról is előre tudják,

for the rest of their lives.

hogyan fognak viselkedni.

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

Képesnek kell lenniük nemcsak labdákról és kacsákról,

they have to make about almost everything:

hanem majd mindenről ilyen általánosításra.

shoes and ships and sealing wax and cabbages and kings.

Cipőkről, hajókról, pecsétviaszról, káposztákról, királyokról.

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

A babákat vajon érdekli-e, hogy a látott pici bizonyíték

is plausibly representative of a larger population?

meggyőzően képviseli a nagyobb népességet?

Let's find out.

Vizsgáljuk meg!

I'm going to show you two movies,

Most két filmet látnak egy kísérletről,

one from each of two conditions of an experiment,

amelyet kétféle feltétel között végeztek,

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

s mivel csak ezt a két filmet néznek meg,

you're going to see just two babies,

csak két babát fognak látni.

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

Két tetszőleges baba számtalan dologban különbözik egymástól.

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

Ezek a babák persze babák csoportját jelképezik,

a különbségek a csoportok közti átlagos különbséget képviselik,

and the differences you're going to see

represent average group differences in babies' behavior across conditions.

amely a kétféle feltételre adott viselkedésben fejeződik ki.

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

Mindkét filmben a babák azt csinálják,

just exactly what you might expect a baby to do,

amit egy babától elvárnánk,

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

és ugyan nem ruházhatjuk fel őket varázserővel,

de szerintem a varázslatos

But to my mind the magical thing,

and what I want you to pay attention to,

— erre fel is hívom a figyelmüket —,

is the contrast between these two conditions,

a két feltétel közti különbség.

because the only thing that differs between these two movies

A filmek közti egyetlen különbség

is the statistical evidence the babies are going to observe.

a statisztikai erejű bizonyíték, melyet a babák megfigyelnek.

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

Egy doboznyi kék és sárga labdát mutatunk a babáknak,

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

aztán Hyowon Gweon, régi tanítványom, aki most már stanfordi munkatársam,

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

zsinórban három kék labdát húz a dobozból,

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

közben összenyomja őket,

and the balls are going to squeak.

a labda pedig sípolni fog.

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

Egy baba számára ez egy kész TED-előadás,

It doesn't get better than that.

ami nem is lehetne tudományosabb.

(Laughter)

(Nevetés)

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

De ebből az a lényeg, hogy zsinórban könnyű három kék labdát húzni

out of a box of mostly blue balls.

egy zömmel kék labdát tartalmazó dobozból.

You could do that with your eyes closed.

Csukott szemmel is menne.

It's plausibly a random sample from this population.

Ez meggyőzően véletlen mintavétel.

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

Ha véletlenszerűen húzunk ki sípoló labdákat a dobozból,

then maybe everything in the box squeaks.

akkor a dobozban talán csak sípoló labdák vannak.

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

A babáknak tehát arra kéne számítaniuk, hogy a sárga labdák is sípolnak.

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

A sárga labdáknak nyelük van,

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

tehát a babák, ha akarják, másra is használhatják őket.

They could pound them or whack them.

Ütögethetik, odaverhetik őket.

But let's see what the baby does.

De nézzük, mi történt a kísérletben.

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

(Film) Hyowon Gweon: Látod ezt? (Sípol a labda)

Did you see that? (Ball squeaks)

Láttad ezt? (Sípol a labda)

Cool.

Remek!

See this one?

Látod ezt itt?

(Ball squeaks)

(Sípol a labda)

Wow.

Tyűha!

Laura Schulz: Told you. (Laughs)

Laura Schulz: Én megmondtam! (Nevet)

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

(Film) HG: Látod ezt? (Sípol a labda)

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

Hé, Clara, ez a tied. Játszhatsz vele!

(Laughter)

(Nevetés)

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

LS: Ezt nem is kell kommentálni, igaz?

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

Rendben, hogy a babák egy kalap alá veszik

a kék és sárga labdák tulajdonságait,

of blue balls to yellow balls,

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

és lenyűgöző, ahogy utánzás révén tanulnak tőlünk,

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

de ezt már réges-rég tudtuk a babákról. .

The really interesting question

Az érdekes kérdés most jön:

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

Mi történik, ha a babáknak ugyanazt a tárgyat mutatjuk,

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

biztosan ugyanazt, mert van egy titkos rekeszünk,

and we actually pull the balls from there,

és a labdákat onnan húzzuk elő,

but this time, all we change is the apparent population

de ezúttal megváltoztatjuk a populációt,

from which that evidence was drawn.

amelyből kihúzzuk a labdákat.

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

Ezúttal három kék labdát mutatunk a babáknak,

pulled out of a box of mostly yellow balls,

amelyeket zömmel sárga labdákat rejtő dobozból húztuk,

and guess what?

És mi történik?

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

Valószínűség alapján nehéz zsinórban három kéket húzni

out of a box of mostly yellow balls.

zömmel sárgákat tartalmazó dobozból.

That is not plausibly randomly sampled evidence.

Itt tehát kétséges a véletlen mintavétel.

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

A tények azt sejtetik, hogy Hyowon talán szándékosan húz csak kéket,

Maybe there's something special about the blue balls.

a kékek talán valami miatt különlegesek lehetnek.

Maybe only the blue balls squeak.

Talán csak a kék labdák sípolnak.

Let's see what the baby does.

Nézzük, mi történik!

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

(Film) HG: Látod ezt? (Sípol a labda)

See this toy? (Ball squeaks)

Látod ezt a játékot? (Sípol a labda)

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

Ó, ez klassz volt! Látod? (Sípol a labda)

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

Tessék, ez a tied, játszhatsz vele!

(Fussing) (Laughter)

(Bébihang) (Nevetés)

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

LS: Önök most láttak két 15 hónapos babát,

do entirely different things

akik teljesen eltérően reagáltak,

based only on the probability of the sample they observed.

az eltérést csak a megfigyelt minta okozta.

Let me show you the experimental results.

Lássuk a kísérlet eredményeit!

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

A függőleges tengely mutatja

who squeezed the ball in each condition,

a labdát mindig megnyomó babákat, százalékban,

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

és látható, hogy ha a minta meggyőzően reprezentatív,

when it's plausibly representative of the population

akkor a babák nagyobb arányban általánosítanak,

than when the evidence is clearly cherry-picked.

mint akkor, ha egyértelműen nem az.

And this leads to a fun prediction:

Ez egy érdekes következtetésre vezet.

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

Ha egy kéket húzunk egy zömmel sárgákat rejtő dobozból,

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

így valószínűtlen, hogy egymás után három kéket húzunk ki,

but you could randomly sample just one blue ball.

de egy kék még lehet véletlenszerű.

That's not an improbable sample.

Ez még hihető.

And if you could reach into a box at random

Ha véletlenszerűen nyúlunk a dobozba,

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

majd kihúzunk egy sípoló tárgyat, lehet, hogy minden tárgy sípol benne.

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

Bár a babák sokkal kevesebb bizonyítékot látnak a sípolásra,

and have many fewer actions to imitate

és sokkal kevesebb az esélyük utánozni a viselkedést

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

ebben az egylabdás kísérletben az előzőhöz képest,

we predicted that babies themselves would squeeze more,

mi azt feltételeztük, hogy a babák többször fogják összenyomni a labdát,

and that's exactly what we found.

és pontosan ez lett az eredmény.

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

Tehát a 15 hónapos babák e tekintetben olyanok, mint a tudósok,

care whether evidence is randomly sampled or not,

figyelik, hogy a bizonyíték véletlen mintán alapul-e vagy sem,

and they use this to develop expectations about the world:

és babák eszerint alakítják világképüket:

what squeaks and what doesn't,

mi sípol és mi nem,

what to explore and what to ignore.

mire figyeljenek, és mire ne,

Let me show you another example now,

Nézzünk egy másik példát.

this time about a problem of causal reasoning.

Ez az ok-okozati összefüggésről szól.

And it starts with a problem of confounded evidence

Zavaros bizonyítékokkal mindnyájan találkozunk,

that all of us have,

az életben

which is that we are part of the world.

sok ilyen helyzet adódhat.

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

Ez nem okoz fejfájást,

de csak addig, amíg a dolgok rosszra nem fordulnak.

it's only a problem when things go wrong.

Take this baby, for instance.

Ez a baba például

Things are going wrong for him.

nehézségekkel küzd.

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

Működtetné a játékát, de nem megy.

I'll show you a few-second clip.

Nézzünk belőle pár másodpercet!

Nagyjából két ok lehetséges:

And there's two possibilities, broadly:

Maybe he's doing something wrong,

vagy valamit a baba rosszul csinál,

or maybe there's something wrong with the toy.

vagy a játékkal van valami zűr.

So in this next experiment,

A következő kísérletben a babáknak

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

kis mennyiségű statisztikai adatot adtunk

supporting one hypothesis over the other,

egyik vagy másik hipotézis támogatására,

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

és meglátjuk, képesek-e dönteni

a teendőről ezen adatok alapján.

about what to do.

Here's the setup.

Íme az alaphelyzet

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

Hyowon sikeresen indítja a játékot.

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

Aztán én kétszer sikertelenül próbálkozom,

and then Hyowon is going to try again and succeed,

majd Hyowon még egyszer, sikerrel.

and this roughly sums up my relationship to my graduate students

A tanítványaimmal is nagyjából

in technology across the board.

így szokott ez menni.

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

De a lényeg: az események azt mutatják,

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

hogy nem a játék a hibás, hanem a személy.

Some people can make this toy go,

Néhányan el tudják indítani a játékot,

and some can't.

néhányan nem.

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

Amikor a baba megkapja a játékot, választhat.

His mom is right there,

A mamája jelen van,

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

a baba akár át is adhatja neki, megváltoztatva a személyt,

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

de egy ugyanilyen játék van a kendő végén,

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

a kendőt magához húzva kicserélheti a játékot.

So let's see what the baby does.

Nézzük, mit csinál itt a baba.

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

(Film) HG: ... kettő, három, tessék! (Zene)

LS: One, two, three, go!

LS: Egy, kettő, három, tessék!

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

Arthur, megpróbálom még egyszer. Egy, kettő, három, tessék!

YG: Arthur, let me try again, okay?

YG: Arthur, még egyszer megpróbálom, jó?

One, two, three, go! (Music)

Egy, kettő, három, tessék! (Zene)

Look at that. Remember these toys?

Nézd! Emlékszel ezekre a játékokra?

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

Látod ezeket a játékokat? Most ezt ideteszem,

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

ezt pedig neked adom.

You can go ahead and play.

Játszhatsz vele.

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

LS: Mondhatják: "Jó, Laura, de a babák imádják az anyjukat,

Of course babies give toys to their mommies

természetesen oda fogják adni a játékot neki,

when they can't make them work.

ha az anya képes beindítani."

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

Ismét az a lényeges kérdés, hogy mi lesz, ha változtatunk

the statistical data ever so slightly.

egy cseppet a statisztikai adatokon.

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

Ezúttal a babák látják, hogy a játék ugyanúgy beindul és nem indul be,

but we're changing the distribution of evidence.

de megváltoztatjuk a próbálkozások sorrendjét.

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

Ezúttal Hyowonnak és nekem is egyszer sikerül, egyszer nem,

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

Ez arra utal, hogy mindegy, ki próbálkozik, a játék hibás,

It doesn't work all the time.

nem mindig indul be.

Ismét lesz a babának választása:

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

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

odaadja másnak, pl. jelen lévő anyjának,

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

vagy kicseréli a játékot a kendő végén lévőre.

Let's watch what she does.

Nézzük, most mihez kezd.

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

(Film) HG: Kettő, három, tessék! (Zene)

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

Megpróbálom még egyszer. Egy, kettő, három, tessék!

Hmm.

Hmm.

LS: Let me try, Clara.

LS: Hadd próbáljam meg én, Clara.

One, two, three, go!

Egy, kettő, három, tessék!

Hmm, let me try again.

Hmm, hadd próbáljam meg még egyszer.

One, two, three, go! (Music)

Egy, kettő, három, tessék! (Zene)

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

HG: Ezt most ide teszem,

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

ezt pedig odaadom neked.

You can go ahead and play.

Játszhatsz vele.

(Applause)

(Taps)

LS: Let me show you the experimental results.

LS: Íme a kísérleti eredmények.

On the vertical axis, you'll see the distribution

A függőleges tengelyen mérjük a döntések eloszlását

of children's choices in each condition,

az adott kísérleti körülmények között.

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

Láthatják, hogy a döntések eloszlása

depends on the evidence they observe.

attól függ, amit tapasztaltak.

So in the second year of life,

Tehát a babák már kétévesen

babies can use a tiny bit of statistical data

kevés statisztikai adat felhasználásával

to decide between two fundamentally different strategies

két alapvetően különböző stratégia közül

for acting in the world:

képesek viselkedést választani:

asking for help and exploring.

segítséget kérjenek-e avagy próbálkozzanak-e tovább.

I've just shown you two laboratory experiments

Most csak két kísérletet mutattam be

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

a hasonló célú több száz közül,

because the really critical point

A legfontosabb eredmény:

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

a gyerek képessége, hogy kevés adatból gazdag következtetést vonjon le,

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

a ránk jellemző fajtaspecifikus kulturális tanuláson alapszik.

Children learn about new tools from just a few examples.

A gyermek néhány példából megtanulja új eszközök használatát.

They learn new causal relationships from just a few examples.

Új ok-okozati összefüggéseket ismer fel csupán néhány példa alapján.

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

Új szavakat is tanul így, itt pl. az amerikai jelbeszédből.

I want to close with just two points.

Végezetül két megjegyzést szeretnék tenni.

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

Ha követték az agykutatást és a megismeréstudományt

for the past few years,

az elmúlt pár évben,

three big ideas will have come to your attention.

akkor három gondolatra figyelhettek fel.

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

Az első gondolat: az agy tanulmányozásának korát éljük.

And indeed, there have been staggering discoveries in neuroscience:

Elképesztő felfedezések születtek az idegrendszer kutatása terén:

localizing functionally specialized regions of cortex,

már tudjuk, hogy az agykéreg mely részei látják el az egyes funkciókat,

turning mouse brains transparent,

átlátszóvá tették az egér agyát,

activating neurons with light.

neuronokat hoztak működésbe fénnyel.

A second big idea

A másik fontos gondolat,

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

hogy a big data és a gépi tanulás korát éljük,

and machine learning promises to revolutionize our understanding

A gépi tanulás pedig forradalmasíthatja, hogyan kezeljük ezentúl

of everything from social networks to epidemiology.

kezdve a közösségi hálóktól a járványügyig mindent.

And maybe, as it tackles problems of scene understanding

Mivel ez érinti látványok értelmezését is

and natural language processing,

és a természetes nyelveket,

to tell us something about human cognition.

talán még az emberi felfogásról is kiderülhetnek újdonságok.

And the final big idea you'll have heard

A harmadik jelentős gondolat:

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

talán jó ennyi mindent tudni az agyunkról,

és hozzáférni a big data-hoz,

and have so much access to big data,

because left to our own devices,

mert ha magunkra vagyunk utalva,

humans are fallible, we take shortcuts,

az ember esendő, elnagyoljuk,

we err, we make mistakes,

elvétjük, elhibázzuk a dolgokat,

we're biased, and in innumerable ways,

s számtalan módon vagyunk elfogultak,

we get the world wrong.

így téves lesz a világképünk.

I think these are all important stories,

Szerintem ezek mind értékes tapasztalatok,

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

és sok mindent elárulnak arról, mit jelent embernek lenni,

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

de ma teljesen másféle tapasztalatokról volt szó.

It's a story about minds and not brains,

Ez a tapasztalat a tudatra, nem pedig az agyra vonatkozik,

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

konkrétan azokról a számításokról,

that uniquely human minds can perform,

amelyeket csakis emberi elme végezhet,

which involve rich, structured knowledge and the ability to learn

amely gazdag, strukturált tudásra és arra tesz bennünket képessé,

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

hogy kis mennyiségű adatból, pár példából is tudjunk újat tanulni.

Alapvetően arról szólt az előadásom,

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

and continuing out all the way to the greatest accomplishments

hogy kisgyermekkorunktól kezdve

of our culture,

egészen kultúránk legnagyobb eredményeiig

we get the world right.

helyes képet kapunk a világról.

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

Nézzék, az emberi elme nem csak kis mennyiségű adatból tanul.

Human minds think of altogether new ideas.

Az elme kigondolhat elvileg újat is.

Human minds generate research and discovery,

Az emberi elme kutat és felfedez,

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

A emberi elme művészetet, irodalmat, költészetet, színházat alkot.

and human minds take care of other humans:

Az emberi elme törődik a többi emberrel:

our old, our young, our sick.

időseinkkel, fiataljainkkal, betegeinkkel.

We even heal them.

Az emberi elme még gyógyítja is őket.

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

A következő években technológiai újításokat látunk majd,

beyond anything I can even envision,

olyanokat, amelyeket most még el sem tudok képzelni.

but we are very unlikely

De kétséges, hogy olyat lássunk

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

az én életemben vagy az önökében, ami akár csak megközelítené

egy gyermeki agy számítási teljesítményét.

in my lifetime or in yours.

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

Ha legtehetségesebb tanulóink fejlődésébe fektetünk be,

in babies and children

azaz a babákba és a gyermekekbe,

and mothers and fathers

anyákba és apákba,

and caregivers and teachers

gyerekgondozókba és tanárokba,

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

pont úgy, ahogy a technika más, elegánsabb területeibe fektetünk be,

of technology, engineering and design,

pl. a mérnöki tervezésbe,

we will not just be dreaming of a better future,

akkor nemcsak ábrándozunk a jobb jövőről,

we will be planning for one.

hanem azt meg is tervezzük.

Thank you very much.

Köszönöm a figyelmet.

(Applause)

(Taps)

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

Chris Anderson: Laura, köszönjük. Van is egy kérdésem hozzád.

First of all, the research is insane.

Először is, a kutatásod őrületes.

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

Mármint, hogy lehet ilyen kísérletet tervezni? (Nevetés)

I've seen that a couple of times,

Láttam már párszor ilyet,

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

és őszintén, nem hittem el, hogy ilyen lehetséges.

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

De mások megismételték a kísérleteket, és tényleg így van.

The babies really are that genius.

A babák valóban ekkora zsenik.

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

LS: Tényleg lenyűgöző, amit a kísérletekben művelnek,

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

de gondoljunk bele, milyenek az életben.

Babaként kezdi,

It starts out as a baby.

Eighteen months later, it's talking to you,

Tizennyolc hónapra rá már beszél hozzánk,

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

az első szavai nem a "labda" vagy "kacsa",

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

hanem pl. "elment", ami a látótérből eltűnésre vonatkozik,

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

vagy "ajjaj", ami nem szándékos tettekre utal.

It has to be that powerful.

Zseniálisnak kell lennie,

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

az eddigeknél még zseniálisabbnak,

hisz az egész világot meg kell ismernie.

They're figuring out the entire world.

Egy négyéves már majdnem bármiről beszélget.

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

(Applause)

(Taps)

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

CA: Ha jól értem, akkor a másik jelentős gondolat, amire rámutatsz,

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

hogy az utóbbi években csak azt hallottuk,

of how quirky and buggy our minds are,

mennyire furcsa és bolondos az elménk,

that behavioral economics and the whole theories behind that

a viselkedési közgazdaságtan és sok elmélet azt állítja:

that we're not rational agents.

nem vagyunk észlények.

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

Azt mondod, hogy lényegesebb, mennyire rendkívüli az elme,

and there really is genius there that is underappreciated.

és nem értékeljük eléggé, hogy milyen zseniális lehet.

LS: One of my favorite quotes in psychology

LS: Egyik kedvenc pszichológiai idézetem

comes from the social psychologist Solomon Asch,

Solomon Asch szociálpszichológustól:

and he said the fundamental task of psychology is to remove

szerinte "A pszichológia alapvető feladata,

the veil of self-evidence from things.

hogy lebontsa a dolgok magától értetődő voltát."

There are orders of magnitude more decisions you make every day

Nagyságrendileg több helyes döntést hozunk minden nap,

that get the world right.

így helyes a világképünk.

You know about objects and their properties.

Ismerjük a tárgyakat és tulajdonságaikat.

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

Felismerjük őket még a sötétben is.

Átmegyünk a szobán.

You can walk through rooms.

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

Felfedhetjük, mit gondolnak mások. Beszélhetünk hozzájuk.

Tudunk térben tájékozódni, ismerjük a számokat.

You can navigate space. You know about numbers.

Értjük az ok-okozati összefüggéseket. Erkölcsi érveket vallunk.

You know causal relationships. You know about moral reasoning.

Magától értetődik mindez, tehát észrevétlen.

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

De ezért értjük helyesen a világot,

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

és ez egy jelentős, de nehezen érthető eredmény.

and very difficult-to-understand accomplishment.

CA: Gondolom a közönségből páran,

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

akik a műszaki fejlődésben bíznak,

this view of accelerating technological power

talán vitatják a kijelentésedet, hogy az életünkben még

who might dispute your statement that never in our lifetimes

nem lesz egy háromévessel felérő számítógép.

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

De akárhogyan is lesz,

but what's clear is that in any scenario,

our machines have so much to learn from our toddlers.

a gépek sokat tanulhatnának a babáktól.

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

LS: Pontosan. Lesznek itt a gépi tanulásról előadók is.

I mean, you should never bet against babies or chimpanzees

Soha ne fogadjunk babák, csimpánzok

or technology as a matter of practice,

vagy a technika ellen. Tapasztalatból beszélek.

but it's not just a difference in quantity,

Ez nemcsak mennyiségi,

it's a difference in kind.

hanem ugyanúgy minőségi különbség is.

We have incredibly powerful computers,

Hihetetlenül erős számítógépeink vannak,

and they do do amazingly sophisticated things,

melyek elképesztően bonyolult dolgokra képesek,

often with very big amounts of data.

hatalmas mennyiségű adatot elemeznek.

Human minds do, I think, something quite different,

Az emberi elme valamit másképpen csinál,

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

a különbség, úgy vélem, a strukturált, hierarchikus tudásban rejlik,

that remains a real challenge.

ezt feltárni pedig embert próbáló feladat.

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

CA: Laura Schulz, csodás útravalót adtál nekünk. Köszönjük.

LS: Thank you. (Applause)

LS: Köszönöm! (Taps)