Laura Schulz: The surprisingly logical minds of babies

מתרגם: Zeeva Livshitz מבקר: Ido Dekkers

Mark Twain summed up what I take to be

מארק טוויין סיכם את מה שאני מחשיבה

one of the fundamental problems of cognitive science

כאחת הבעיות הבסיסיות של מדע הקוגניציה

with a single witticism.

במשפט שנון אחד.

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

הוא אמר, "יש משהו מרתק במדע.

One gets such wholesale returns of conjecture

אדם מקבל החזרה כה גדולה של השערות

out of such a trifling investment in fact."

תמורת השקעה כל כך זעומה בעובדה."

(Laughter)

(צחוק)

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

טוויין התכוון לכך כאל בדיחה, כמובן, אבל הוא צודק:

There's something fascinating about science.

יש משהו מרתק במדע.

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

מכמה עצמות, אנחנו מסיקים על קיומם של דינוזאורים.

From spectral lines, the composition of nebulae.

מקווי ספקטרום את הרכב של ערפיליות,

From fruit flies,

מזבובי הפירות,

the mechanisms of heredity,

מנגנוני התורשה,

and from reconstructed images of blood flowing through the brain,

ומתמונות משוחזרות של דם שזורם דרך המוח,

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

או במקרה שלי, מאופן ההתנהגות של ילדים קטנים,

we try to say something about the fundamental mechanisms

אנו מנסים לומר משהו על המנגנונים הבסיסיים

of human cognition.

של הקוגניציה האנושית.

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

במיוחד במעבדה שלי במחלקת מדעי המוח והקוגניציה

I have spent the past decade trying to understand the mystery

ביליתי את העשור האחרון בניסיון להבין את המיסתורין

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

של איך ילדים לומדים כל כך הרבה מכל כך מעט, כל כך מהר.

Because, it turns out that the fascinating thing about science

משום שמתברר שמה שמרתק במדע

is also a fascinating thing about children,

הוא גם משהו מרתק אודות ילדים

which, to put a gentler spin on Mark Twain,

אשר, אם עושים ספין עדין יותר על מרק טוויין,

is precisely their ability to draw rich, abstract inferences

זו בדיוק היכולת שלהם להסיק, מסקנות מופשטות עשירות

rapidly and accurately from sparse, noisy data.

מהר ובמדויק מנתונים זעומים ורועשים.

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

אני הולכת לתת לכם רק שתי דוגמאות היום.

One is about a problem of generalization,

האחת היא בעניין בעיה של הכללה,

and the other is about a problem of causal reasoning.

והשנייה היא בנושא ההיגיון הסיבתי

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

ולמרות שאני הולכת לדבר על עבודה במעבדה שלי,

this work is inspired by and indebted to a field.

העבודה היא בהשראתה ובזכותה של עבודת שטח.

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

אני אסירת תודה לחונכים, לעמיתים, ולמשתפי פעולה ברחבי העולם.

Let me start with the problem of generalization.

הרשו לי להתחיל עם הבעיה של הכללה.

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

הכללה מדוגמאות קטנות של נתונים היא הלחם והחמאה של המדע.

We poll a tiny fraction of the electorate

אנו סוקרים חלק זעיר של הבוחרים

and we predict the outcome of national elections.

ואנו צופים תוצאות של בחירות ארציות

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

אנו רואים כיצד קומץ של חולים מגיב לטיפול בניסוי קליני,

and we bring drugs to a national market.

ואנחנו מכניסים תרופות לשוק לאומי.

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

אבל זה עובד רק אם המדגם שלנו נלקח באופן אקראי מהאוכלוסייה.

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

אם המדגם שלנו נבחר בקפידה בדרך כלשהי -

say, we poll only urban voters,

למשל, אנו מסקרים רק בוחרים עירוניים,

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

או למשל, בניסויים הקליניים שלנו לטיפולים במחלות לב,

we include only men --

אנו מכלילים רק גברים --

the results may not generalize to the broader population.

התוצאות אולי לא יכלילו את האוכלוסיה הרחבה יותר.

So scientists care whether evidence is randomly sampled or not,

אז למדענים אכפת אם ראיות נדגמו באופן אקראי או לא.

but what does that have to do with babies?

אבל מה לזה ולתינוקות?

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

ובכן, תינוקות צריכים להכליל מדגימות קטנות של נתונים כל הזמן.

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

הם רואים כמה ברווזי גומי ולומדים שהם צפים,

or a few balls and learn that they bounce.

או כמה כדורים והם לומדים שהם קופצים.

And they develop expectations about ducks and balls

והם מפתחים ציפיות לגבי ברווזים וכדורים

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

שהם הולכים להרחיב לגבי ברווזי גומי וכדורים

for the rest of their lives.

למשך שאר חייהם,

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

ואת סוגי ההכללות שתינוקות צריכים לעשות לגבי ברווזים וכדורים

they have to make about almost everything:

הם צריכים לעשות לגבי הכל כמעט:

shoes and ships and sealing wax and cabbages and kings.

נעליים וספינות ושעוות-חותם וראשי כרוב ומלכים.

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

אז האם לתינוקות אכפת אם טיפת ראייה שהם רואים

is plausibly representative of a larger population?

היא מייצג סביר של אוכלוסיה גדולה יותר?

Let's find out.

בואו ונגלה.

I'm going to show you two movies,

אני הולכת להראות לכם שני סרטים

one from each of two conditions of an experiment,

כל אחד מהם משני מצבים של ניסוי

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

ומשום שאתם הולכים לראות רק שני סרטים,

you're going to see just two babies,

אתם הולכים לראות רק שני תינוקות,

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

וכל שני תינוקות שונים זה מזה בדרכים רבות מספור.

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

אבל תינוקות אלה, כמובן, מייצגים קבוצות של תינוקות,

and the differences you're going to see

וההבדלים שאתם עומדים לראות

represent average group differences in babies' behavior across conditions.

מייצגים הבדלי קבוצה ממוצעים בהתנהגותם של תינוקות לאורך מצבים שונים.

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

בכל סרט אתם הולכים לראות תינוק עושה אולי

just exactly what you might expect a baby to do,

בדיוק רק מה שאתם עשויים לצפות מתינוק שיעשה,

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

ואנחנו בקושי יכולים לגרום לתינוקות להיות יותר קסומים ממה שהם כבר.

But to my mind the magical thing,

אבל לדעתי הדבר הקסום,

and what I want you to pay attention to,

ומה שאני רוצה שתשימו לב אליו,

is the contrast between these two conditions,

הוא הניגוד בין שני מצבים אלה,

because the only thing that differs between these two movies

כי הדבר היחיד ששונה בין שני סרטים אלה

is the statistical evidence the babies are going to observe.

הוא הראיות הסטטיסטיות שהתינוקות עומדים להבחין בהם.

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

אנחנו הולכים להראות לתינוקות תיבה של כדורים כחולים וצהובים

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

והסטודנטית המתמחה שלי אז, שכיום היא עמיתה חדשה בסטנפורד , היווון גוואון,

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

הולכת לשלוף 3 כדורים כחולים בזה אחר זה מתוך תיבה זו,

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

וכאשר היא שולפת כדורים אלה החוצה, היא הולכת למעוך אותם,

and the balls are going to squeak.

והכדורים יצפצפו.

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

ואם אתם תינוקות, זה כמו הרצאה ב-TED.

It doesn't get better than that.

זה לא נעשה יותר טוב מזה.

(Laughter)

(צחוק)

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

אבל מה שחשוב זה שממש קל לשלוף שלושה כדורים כחולים ברצף

out of a box of mostly blue balls.

מתוך תיבת כדורים בעיקר כחולים.

You could do that with your eyes closed.

תוכלו לעשות זאת בעיניים עצומות.

It's plausibly a random sample from this population.

זה מדגם אקראי סביר מקבוצה זו.

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

ואם אתם יכולים להושיט יד לתיבה באקראי ולשלוף ממנה דברים מצפצפים,

then maybe everything in the box squeaks.

אז אולי כל דבר בתיבה חורק.

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

אז אולי תינוקות צריכים לצפות גם מהכדורים הצהובים שיצפצפו.

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

עכשיו, לכדורים צהובים אלו יש מקלות מצחיקים בקצה,

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

כך שתינוקות יכולים לעשות דברים אחרים איתם אם הם היו רוצים.

They could pound them or whack them.

But let's see what the baby does.

אבל בואו נראה מה התינוקת עושה.

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

(וידאו) היוון גוואון: רואה את זה? (כדור מצפצף)

Did you see that? (Ball squeaks)

ראית את זה?

Cool.

מגניב.

See this one?

רואה את זה?

(Ball squeaks)

(כדור מצפצף)

Wow.

וואו.

Laura Schulz: Told you. (Laughs)

לורה שולץ: אמרתי לכם? (צוחקת)

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

(וידאו) ה.ג. רואה את זה? (כדור מצפצף)

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

היי קלרה, זה בשבילך. את יכולה להמשיך ולשחק.

(Laughter)

(צחוק)

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

ל.ש.: אני אפילו לא צריכה לדבר, נכון?

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

בסדר, זה נחמד שתינוקות יעשו הכללה של תכונות

of blue balls to yellow balls,

מכדורים כחולים לכדורים צהובים,

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

וזה מרשים שתינוקות יכולים ללמוד מלחקות אותנו,

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

אבל ידענו דברים אלה על תינוקות מזה זמן רב.

The really interesting question

השאלה המעניינת באמת

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

היא מה קורה כאשר אנו מראים לתינוקות בדיוק את אותו הדבר,

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

ואנחנו יכולים להבטיח שזה בדיוק אותו הדבר כי יש לנו תא סודי

and we actually pull the balls from there,

ואנחנו למעשה שולפים את הכדורים משם,

but this time, all we change is the apparent population

אך הפעם, כל מה שאנו משנים זה את הקבוצה

from which that evidence was drawn.

שממנה ראייה זו נמשכה

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

הפעם, אנחנו הולכים להראות לתינוקות שלושה כדורים כחולים

pulled out of a box of mostly yellow balls,

שהוצאו מקופסה בעיקר של כדורים צהובים

and guess what?

ונחשו מה?

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

אתם (כנראה שלא) תשלפו 3 כדורים בזה אחר זה

out of a box of mostly yellow balls.

מתיבה של בעיקר כדורים צהובים

That is not plausibly randomly sampled evidence.

זו לא ראיית דגימה סבירה באופן אקראי.

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

ראייה זו מצביעה על כך שאולי היוון דיגמה במתכוון את הכדורים הכחולים

Maybe there's something special about the blue balls.

אולי יש משהו מיוחד בכדורים הכחולים.

Maybe only the blue balls squeak.

אולי רק הכדורים הכחולים מצפצפים.

Let's see what the baby does.

בואו נראה מה התינוקת עושה.

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

(וידאו) ה.ג.: רואה את זה? (כדור מצפצף)

See this toy? (Ball squeaks)

רואה את הצעצוע הזה? (כדור מצפצף)

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

הו, זה היה מגניב. רואה? (כדור מצפצף)

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

עכשיו זה בשבילך לשחק. את יכולה לשחק.

(Fussing) (Laughter)

(התרגשות) (צחוק)

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

ל.ש: אז אתם ראיתם שני תינוקות בני 15 חודשים

do entirely different things

עושים דברים שונים לחלוטין

based only on the probability of the sample they observed.

שמבוססים רק על ההסתברות של הדוגמה שהם ראו.

Let me show you the experimental results.

הרשו לי להראות לכם את תוצאות הניסוי.

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

על הציר האנכי, תראו את אחוז התינוקות

who squeezed the ball in each condition,

שמעכו את הכדור בכל מצב.

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

וכפי שתראו, סביר הרבה יותר שתינוקות יעשו הכללה

when it's plausibly representative of the population

כשזה ייצוג מתקבל על הדעת של האוכלוסייה

than when the evidence is clearly cherry-picked.

מאשר כשהראייה נבחרת בקפידה

And this leads to a fun prediction:

וזה מוליך לחיזוי מהנה:

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

נניח ששלפתם רק כדור כחול אחד מהתיבה שבה רוב של כדורים צהובים

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

אתם (כנראה לא) תוציאו 3 כדורים כחולים בזה אחר זה , באקראי מתוך תיבה צהובה.

but you could randomly sample just one blue ball.

אבל יכולתם באקראי לדגום רק כדור כחול אחד.

That's not an improbable sample.

זה לא מדגם בלתי סביר.

And if you could reach into a box at random

ולו יכולתם להגיע לתיבה באקראי

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

ולהוציא משהו שחורק,מצפצף, אולי הכל בתיבה מצפצף.

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

אז למרות שתינוקות הולכים לראות הרבה פחות ראיות לצפצופים,

and have many fewer actions to imitate

ויש להם הרבה פחות פעולות לחקות

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

במצב זה של כדור אחד מאשר במצב שראיתם זה עתה.

we predicted that babies themselves would squeeze more,

חזינו שהתינוקות עצמם ילחצו יותר.

and that's exactly what we found.

וזה בדיוק מה שמצאנו.

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

ובכן, לתינוקות בני 15 חודשים, בהקשר זה, כמו מדענים,

care whether evidence is randomly sampled or not,

אכפת אם ראיות נדגמו באקראי או לא,

and they use this to develop expectations about the world:

והם משתמשים בזה כדי לפתח ציפיות לגבי העולם:

what squeaks and what doesn't,

מה חורק ומה לא,

what to explore and what to ignore.

מה לחקור וממה להתעלם.

Let me show you another example now,

הרשו לי להראות לכם דוגמה נוספת עכשיו,

this time about a problem of causal reasoning.

הפעם על חשיבה סיבתית

And it starts with a problem of confounded evidence

וזה מתחיל עם בעיה של ראייה מבולבלת.

that all of us have,

שיש לכל אחד מאיתנו.

which is that we are part of the world.

שהיא שאנחנו הננו חלק מהעולם

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

וזה עשוי לא להיראות לכם כמו בעייה, אבל כמו רב הבעיות,

it's only a problem when things go wrong.

זו רק בעיה כאשר דברים משתבשים.

Take this baby, for instance.

קחו את התינוק הזה לדוגמה.

Things are going wrong for him.

דברים משתבשים עבורו.

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

הוא היה רוצה לגרום לצעצוע זה לפעול, ואינו יכול.

I'll show you a few-second clip.

אראה לכם סרטון של כמה שניות.

And there's two possibilities, broadly:

ויש שתי אפשרויות, בגדול:

Maybe he's doing something wrong,

אולי הוא עושה משהו לא בסדר.

or maybe there's something wrong with the toy.

או שאולי יש משהו לא בסדר בצעצוע.

So in this next experiment,

אז בניסוי הבא,

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

אנחנו הולכים לתת לתינוקות רק טיפ-טיפה של נתונים סטטיסטיים

supporting one hypothesis over the other,

שתומכים בהשערה אחת לעומת השנייה,

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

ואנחנו הולכים לראות אם תינוקות יכולים להשתמש בזה כדי לקבל החלטות שונות

about what to do.

מה לעשות.

Here's the setup.

הנה המערך.

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

היווון תנסה לגרום לצעצוע לפעול ותצליח.

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

ואז אני אנסה פעמיים ואכשל בשתי הפעמים.

and then Hyowon is going to try again and succeed,

ואז היווון תנסה שוב ותצליח.

and this roughly sums up my relationship to my graduate students

וזה בערך מסכם את מערכת היחסים שלי עם הסטודנטים שלי לתואר שני

in technology across the board.

בטכנולוגיה באופן כללי

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

אבל הנקודה החשובה כאן היא שזה מספק מעט ראיות

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

שהבעיה אינה עם הצעצוע. אלא עם האדם.

Some people can make this toy go,

יש אנשים שמסוגלים לגרום לצעצוע לפעול.

and some can't.

ויש כאלה שלא.

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

עכשיו, כשהתינוק מקבל צעצוע, הולכת להיות לו בחירה.

His mom is right there,

האמא שלו היא ממש שם,

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

אז אני יכולה לתת את הצעצוע ולהחליף את האדם.

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

אבל הולך להיות צעצוע אחר בקצה הבד הזה,

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

והוא יכול למשוך את הבד אליו ולהחליף את הצעצוע.

So let's see what the baby does.

אז בואו נראה מה התינוק עושה.

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

(וידאו) ה.ג.: שתיים, שלוש. צא! (מוסיקה)

LS: One, two, three, go!

ל.ש: אחת שתיים שלוש, צא!

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

ארתור, אני הולך לנסות שוב. אחת, שתיים שלוש, צא!

YG: Arthur, let me try again, okay?

ה.ג: ארתור, תן לי לנסות, טוב?

One, two, three, go! (Music)

אחת, שתיים, שלוש, צא!

Look at that. Remember these toys?

תראו את זה. זוכר את הצעצועים האלה?

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

רואה את הצעצועים האלה? אני הולכת להניח את זה כאן.

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

ואני הולכת לתת את זה לך.

You can go ahead and play.

אתה יכול להמשיך ולשחק.

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

ל.ש: טוב, לורה, אבל כמובן, תינוקות אוהבים את האמהות שלהם.

Of course babies give toys to their mommies

כמובן שתינוקות נותנים צעצועים לאמהות שלהם

when they can't make them work.

כשאינם מצליחים להפעיל אותם.

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

אז שוב, השאלה החשובה באמת היא מה קורה כאשר אנו משנים

the statistical data ever so slightly.

מעט את הנתונים הסטטיסטיים .

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

הפעם, תינוקות הולכים לראות את הצעצוע פועל ולא פועל בדיוק באותו הסדר,

but we're changing the distribution of evidence.

אבל אנחנו משנים את חלוקת הראיות.

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

הפעם, היווון הולכת להצליח פעם אחת ולהיכשל פעם אחת, וגם אני!

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

וזה מציע שלא משנה מי מנסה את הצעצוע הזה. הצעצוע שבור.

It doesn't work all the time.

הוא לא פועל כל הזמן.

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

שוב, לתינוק הולכת להיות ברירה.

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

אמא שלה נמצאת ממש לידה, כך שהיא יכולה לשנות את האדם

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

והולך להיות צעצוע אחר בקצהו של הבד.

Let's watch what she does.

בואו נראה מה היא עושה.

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

(וידאו) ה.ג.: שתיים, שלוש, צא! (מוסיקה)

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

תנו לי לנסות עוד פעם אחת. אחת, שתיים, שלוש, צא!

Hmm.

המממ.

LS: Let me try, Clara.

ל.ש: תני לי לנסות, קלרה.

One, two, three, go!

אחת, שתיים, שלוש, צא!

Hmm, let me try again.

הממ, תנו לי לנסות שוב.

One, two, three, go! (Music)

אחת, שתיים, שלוש, צא! (מוסיקה)

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

ה.ג.: אני אשים את זה כאן,

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

ואני אתן את זה לך.

You can go ahead and play.

את יכולה להמשיך ולשחק.

(Applause)

(מחיאות כפיים)

LS: Let me show you the experimental results.

ל.ש.: תנו לי להראות לכם את תוצאות הניסוי.

On the vertical axis, you'll see the distribution

על הציר האנכי תראו את החלוקה

of children's choices in each condition,

של בחירות הילדים בכל מצב,

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

ותראו שחלוקת הבחירות שילדים עושים

depends on the evidence they observe.

תלוייה בראיות שנצפו.

So in the second year of life,

אז בשנה השנייה של החיים,

babies can use a tiny bit of statistical data

תינוקות יכולים להשתמש בטיפ-טיפה של נתונים סטטיסטיים

to decide between two fundamentally different strategies

כדי להחליט בין שתי אסטרטגיות שונות במהותן

for acting in the world:

כדי לפעול בעולם:

asking for help and exploring.

לבקש עזרה ולחקור.

I've just shown you two laboratory experiments

הראיתי לכם זה עתה שני ניסויי מעבדה

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

מתוך מאות, בשטח שמראים נקודות דומות,

because the really critical point

בגלל שהנקודה הקריטית ממש

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

היא שיכולתם של הילדים להסיק מסקנות רבות מנתונים דלים

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

נמצאת בבסיס כל תרבות הלמידה ייחודית-למינים שאנו עושים.

Children learn about new tools from just a few examples.

ילדים לומדים על כלים חדשים מתוך כמה דוגמאות בלבד.

They learn new causal relationships from just a few examples.

הם לומדים קשרי גומלין סיבתיים חדשים מכמה דוגמאות בלבד.

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

הם אפילו לומדים מילים חדשות, במקרה זה בשפת סימנים אמריקאית.

I want to close with just two points.

אני רוצה לסיים עם שתי נקודות בלבד

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

אם עקבתם אחרי העולם שלי, תחום מדעי המוח והקוגניציה

for the past few years,

בשנים האחרונות,

three big ideas will have come to your attention.

הייתם שמים לב לשלושה רעיונות גדולים.

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

הראשון הוא שזה עידן המוח.

And indeed, there have been staggering discoveries in neuroscience:

ואכן, היו תגליות מדהימות בחקר מדעי המוח:

localizing functionally specialized regions of cortex,

לוקליזציה של תפקודים מיוחדים באזורים של קליפת המוח,

turning mouse brains transparent,

הפיכת מוחות של עכברים לשקופים.

activating neurons with light.

הפעלת נוירונים עם אור.

A second big idea

רעיון גדול שני

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

הוא שזה העידן של נתונים גדולים ולמידת מכונה,

and machine learning promises to revolutionize our understanding

ולמידת מכונה מבטיחה לחולל מהפיכה בהבנה שלנו

of everything from social networks to epidemiology.

של כל דבר, החל מרשתות חברתיות לאפידמיולוגיה.

And maybe, as it tackles problems of scene understanding

ואולי, בעת התמודדות עם בעיות של הבנת סצנה

and natural language processing,

ועיבוד טבעי של שפה,

to tell us something about human cognition.

לספר לנו משהו על קוגניציה אנושית.

And the final big idea you'll have heard

והרעיון הגדול האחרון שהייתם שומעים עליו

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

הוא שאולי זה רעיון טוב שאנחנו הולכים לדעת כל כך הרבה על מוחות

and have so much access to big data,

ויש גישה רבה כל כך לנתונים רבים,

because left to our own devices,

כי אם ניעזב לנפשנו

humans are fallible, we take shortcuts,

בני אדם נוטים לטעות, אנחנו עושים קיצורי דרך,

we err, we make mistakes,

אנחנו שוגים, אנחנו עושים טעויות,

we're biased, and in innumerable ways,

אנחנו מוטים, ובמובנים רבים מספור,

we get the world wrong.

אנו תופשים לא נכון את העולם.

I think these are all important stories,

אני חושבת שאלה כולם סיפורים חשובים,

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

ויש להם הרבה מה לספר לנו על מה זה להיות אנושי,

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

אבל אני רוצה שתשימו לב שהיום סיפרתי לכם סיפור שונה מאוד.

It's a story about minds and not brains,

זה סיפור על המודעות ולא על המוח,

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

ובמיוחד זה סיפור על סוגי חישובים

that uniquely human minds can perform,

שבאופן ייחודי התודעה האנושית יכולה לבצע,

which involve rich, structured knowledge and the ability to learn

שמעורבים בו ידע מובנה עשיר, והיכולת ללמוד

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

מכמויות קטנות של נתונים, ראייה של רק מעט דוגמאות.

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

וביסודו, זה סיפור על איך מתחילים כילדים קטנים מאוד

and continuing out all the way to the greatest accomplishments

וממשיכים כל הדרך להישגים הגדולים ביותר

of our culture,

של התרבות שלנו.

we get the world right.

אנו תופשים נכון את העולם .

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

התודעה האנושית לא רק לומדת מכמויות קטנות של נתונים,

Human minds think of altogether new ideas.

התודעה האנושית חושבת על רעיונות לגמרי חדשים.

Human minds generate research and discovery,

התודעה האנושית יוצרת מחקר ומחוללת גילוי.

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

והתודעה האנושית יוצרת אמנות וספרות ושירה ותיאטרון,

and human minds take care of other humans:

והתודעה האנושית דואגת לבני אדם אחרים:

our old, our young, our sick.

הזקנים שלנו, הצעירים שלנו, החולים שלנו.

We even heal them.

אנו אפילו מרפאים אותם.

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

בשנים הבאות, אנחנו עומדים לראות חידושים טכנולוגיים

beyond anything I can even envision,

מעבר לכל מה שאני יכולה לדמיין,

but we are very unlikely

אבל מאוד לא סביר שאנחנו

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

נראה משהו שמתקרב אפילו לכוח החישובי של הילד האנושי

in my lifetime or in yours.

בחיים שלי או בשלכם.

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

אם נשקיע הרבה בלומדים אלה ובפיתוחם

in babies and children

בתינוקות ובילדים

and mothers and fathers

ואימהות ואבות

and caregivers and teachers

ובמטפלים ומורים

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

בדרך שאנו משקיעים בצורות האחרות האלגנטיות ורבות העצמה שלנו

of technology, engineering and design,

של טכנולוגיה, הנדסה ועיצוב,

we will not just be dreaming of a better future,

לא רק נחלום על עתיד טוב יותר,

we will be planning for one.

נתכנן כזה.

Thank you very much.

תודה רבה.

(Applause)

(מחיאות כפיים)

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

כריס אנדרסון: לורה, תודה. למעשה יש לי שאלה אליך.

First of all, the research is insane.

ראשית המחקר הוא מטורף.

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

אני מתכוון, מי היה מעצב ניסוי כזה? (צחוק)

I've seen that a couple of times,

ראיתי את זה כמה פעמים

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

ועדיין איני מאמין בכנות שיכול להיות שזה באמת קורה.

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

אבל אנשים אחרים עשו ניסויים דומים; זה עובד.

The babies really are that genius.

התינוקות באמת כאלה גאונים.

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

ל.ש: אתה יודע, הם נראים ממש מרשימים בניסויים שלנו,

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

אבל חישבו על איך שהם נראים בחיי היומיום. נכון?

It starts out as a baby.

זה מתחיל כתינוק.

Eighteen months later, it's talking to you,

18 חודש מאוחר יותר זה מדבר אליך.

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

והמילים הראשונות של התינוקות הן לא רק דברים כמו כדורים וברווזים,

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

אלה דברים כמו "הכל הלך", שמתייחסים להיעלמות.

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

או "או-או" שמתייחס לפעולות שאינן מכוונות.

It has to be that powerful.

זה חייב להיות עד כדי כך חזק.

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

זה חייב להיות הרבה יותר חזק מכל דבר שהראיתי לכם.

They're figuring out the entire world.

הם מבינים את העולם כולו.

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

בן 4 יכול לדבר איתכם כמעט על כל דבר.

(Applause)

(מחיאות כפיים)

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

כ.א.: ואם אני מבין אותך נכון הנקודה המרכזית האחרת שאת מצביעה עליה היא,

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

כבר עברנו דרך השנים האלה שיש בהן את כל הדיבורים האלה

of how quirky and buggy our minds are,

עד כמה מוזרה ומטורפה התודעה שלנו.

that behavioral economics and the whole theories behind that

שכלכלה ארגונית ותיאוריות שלמות עומדים מאחורי זה

that we're not rational agents.

שאנחנו לא יצורים רציונליים.

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

את באמת אומרת שהסיפור הגדול יותר הוא עד כמה יוצא מהכלל,

and there really is genius there that is underappreciated.

ויש גאון שם שאינו מוערך דיו.

LS: One of my favorite quotes in psychology

ל.ש.: אחד מהציטוטים בפסיכולוגיה האהובים עלי

comes from the social psychologist Solomon Asch,

הוא של הפסיכולוג החברתי סולומון אש,

and he said the fundamental task of psychology is to remove

והוא אמר שהתפקיד הקריטי של פסיכולוגיה הוא להסיר

the veil of self-evidence from things.

את מעטה הראיה-העצמית מעל הדברים.

There are orders of magnitude more decisions you make every day

ישנם סדרי גודל יותר החלטות שמקבלים מדי יום

that get the world right.

שמבינים את העולם נכון.

You know about objects and their properties.

אתם יודעים על אובייקטים והמאפיינים שלהם.

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

אתם מכירים אותם כאשר הם חסומים. אתם מכירים אותם בחושך.

You can walk through rooms.

אתם יכולים לעבור דרך חדרים.

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

אתם יכולים להבין מה אחרים חושבים. אתם יכולים לדבר איתם.

You can navigate space. You know about numbers.

אתם יכולים לנווט בחלל. אתם יודעים על מספרים

You know causal relationships. You know about moral reasoning.

אתם יודעים על קשרים סיבתיים, אתם יודעים על חשיבה מוסרית.

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

אתם עושים זאת בקלות, ולכן אנו לא רואים את זה.

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

אבל ככה אנחנו מבינים את העולם נכון, וזה מרשים

and very difficult-to-understand accomplishment.

והישג קשה מאוד להבנה.

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

כ.א.: אני חושד שיש אנשים בקהל שיש להם

this view of accelerating technological power

השקפה זו של האצת כוח טכנולוגי

who might dispute your statement that never in our lifetimes

שאולי יחלוק על ההצהרה שלך שאף פעם בחיינו

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

מחשב לא יעשה את מה שילד בן 3 יכול לעשות,

but what's clear is that in any scenario,

אבל מה שברור הוא, שבכל תרחיש,

our machines have so much to learn from our toddlers.

למכונות שלנו יש כל כך הרבה ללמוד מהפעוטות שלנו.

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

ל.ש.: אני חושבת כך,יהיו לכם כמה אנשי למידת מכונה כאן.

I mean, you should never bet against babies or chimpanzees

כלומר, אתם אף פעם לא צריכים להמר נגד תינוקות או שימפנזים

or technology as a matter of practice,

או טכנולוגיה למעשה,

but it's not just a difference in quantity,

אבל זה לא רק הבדל בכמות,

it's a difference in kind.

זה הבדל בסוג.

We have incredibly powerful computers,

יש לנו מחשבים רבי עוצמה,

and they do do amazingly sophisticated things,

והם עושים דברים מתוחכמים להפליא,

often with very big amounts of data.

לעתים קרובות עם כמויות גדולות מאוד של נתונים.

Human minds do, I think, something quite different,

התודעה האנושית, אני חושבת, עושה משהו שונה בתכלית,

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

ואני חושבת שזה המבנה ההיררכי המובנה של הידע אנושי

that remains a real challenge.

שנשאר אתגר אמיתי.

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

כ.א.: לורה שולץ, חומר נפלא למחשבה תודה רבה לך.

LS: Thank you. (Applause)

ל.ש.: תודה רבה (מחיאות כפיים)