Laura Schulz: The surprisingly logical minds of babies

번역: Ju Hye Lim 검토: Jihyeon J. Kim

Mark Twain summed up what I take to be

미국 유명 작가 마크 트웨인은

one of the fundamental problems of cognitive science

제가 생각하기에 가장 근본적인 인지과학의 문제를

with a single witticism.

재치있게 한 마디로 정리했습니다.

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

"과학에는 뭔가 매력적인 것이 있다.

One gets such wholesale returns of conjecture

사실이라는 아주 작은 투자를 통해

out of such a trifling investment in fact."

그토록 많은 추측을 이끌어내니까."

(Laughter)

(웃음)

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

물론 농담이었겠지만 맞는 말입니다.

There's something fascinating about science.

과학에는 특별한 매력이 있습니다.

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

우리는 몇 개의 뼈만으로 공룡의 존재를 추론해냈고

From spectral lines, the composition of nebulae.

분광선에서는 성운의 구성을,

From fruit flies,

초파리에서는

the mechanisms of heredity,

유전의 법칙을,

and from reconstructed images of blood flowing through the brain,

그리고 뇌에 흐르는 피를 재구성한 이미지로

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

저 같은 경우는, 아주 어린 아이들의 행동을 통해

we try to say something about the fundamental mechanisms

인간 인식이 근본적으로 어떻게 작동하는지 알아내려고 하죠.

of human cognition.

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

특히 저는 MIT 뇌인지과학과에 있는 제 연구실에서

I have spent the past decade trying to understand the mystery

지난 10년간 아이들이 어떻게 적은 양의 정보로

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

많은 것을 빨리 배우는지에 대한 신비를 알아내려고 노력했습니다.

Because, it turns out that the fascinating thing about science

과학이 매력적인 이유가

is also a fascinating thing about children,

바로 아기들이 놀랍기 때문입니다.

which, to put a gentler spin on Mark Twain,

마크 트웨인의 말을 완곡하게 바꾸어 보자면

is precisely their ability to draw rich, abstract inferences

아기들이 빠르고 정확하게 적은 양의 어지러운 자료로부터

rapidly and accurately from sparse, noisy data.

풍부하고 추상적인 추론을 할 수 있는 능력입니다.

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

저는 오늘 여러분들께 예시를 두 개만 보여 드리겠습니다.

One is about a problem of generalization,

하나는 일반화의 오류이고

and the other is about a problem of causal reasoning.

다른 하나는 인과추론의 오류입니다.

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

제 연구실에서 한 연구에 대해 말씀드리겠지만

this work is inspired by and indebted to a field.

이 연구는 인지과학분야에서 영감과 도움을 받았습니다.

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

전 세계의 멘토와 동료와 공동연구자들에게 감사드립니다.

Let me start with the problem of generalization.

그럼 일반화의 오류부터 얘기할까요?

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

적은 표본으로 일반화하는 것은 과학의 기본입니다.

We poll a tiny fraction of the electorate

우리가 유권자의 일부분만 여론조사해서

and we predict the outcome of national elections.

대국민 선거결과를 예측하듯 말이죠.

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

우리는 소수의 환자의 임상실험에 대한 반응을 보고

and we bring drugs to a national market.

전국의 시장에 약을 내놓습니다.

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

일반화가 통하기 위해서는 표본이 무작위로 선정돼야 합니다.

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

표본이 특정한 방식으로 선별된다면,

say, we poll only urban voters,

예를 들어, 도시의 여론만 조사하거나

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

심장질환 치료를 위한 임상실험의 경우

we include only men --

남자만 대상으로 한다면

the results may not generalize to the broader population.

결과를 인구 전체로 일반화할 수 없겠죠.

So scientists care whether evidence is randomly sampled or not,

따라서 과학자들은 무작위 표본추출을 신경씁니다.

but what does that have to do with babies?

그런데 이게 아기와 무슨 상관일까요?

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

아기는 항상 적은 표본으로 일반화해야 합니다.

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

고무오리 몇 개만 보고 고무오리는 물에 뜬다는 것을,

or a few balls and learn that they bounce.

몇 개의 공만 보고 공은 튀어오른다는 걸 배우죠.

And they develop expectations about ducks and balls

그리고 고무오리와 공에 대해 예상을 발전시켜서

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

남은 일생동안 고무오리와 공에 확대 적용합니다.

for the rest of their lives.

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

고무오리와 공에 적용하는 것과 같은 일반화를

they have to make about almost everything:

거의 다른 모든 것에도 적용합니다.

shoes and ships and sealing wax and cabbages and kings.

신발, 배, 밀랍 봉인, 양배추, 왕..

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

그렇다면 아기는 그들이 보는 적은 양의 증거가

is plausibly representative of a larger population?

모집단을 정말 대표할 수 있는지에 신경쓸까요?

Let's find out.

한번 알아봅시다.

I'm going to show you two movies,

지금부터 두 개의 영상을 보여드릴겁니다.

one from each of two conditions of an experiment,

각각 다른 조건에서 실험한 영상입니다.

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

두 개만 보시게 되니까

you're going to see just two babies,

아기도 두 명만 있을 겁니다.

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

그리고 어떤 아기든 두 명의 아기는 서로 수많은 부분에서 다릅니다.

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

하지만 이 아기들은 여기서 아기 집단을 대표합니다.

and the differences you're going to see

여러분이 보시게 될 차이점은

represent average group differences in babies' behavior across conditions.

다른 조건 아래의 아기들의 행동방식의 평균 집단적 차이를 대표합니다.

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

각각의 영상에서 여러분은 아마 아기가

just exactly what you might expect a baby to do,

여러분이 예측한 대로 행동하는 걸 보게 될 겁니다.

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

그 이상으로 아기가 더 마법같은 행동을 할 순 없습니다.

But to my mind the magical thing,

제 생각으로 마법같은 것은,

and what I want you to pay attention to,

여러분이 주목하셨으면 하는 부분이

is the contrast between these two conditions,

각각 다른 조건을 대조한 것입니다.

because the only thing that differs between these two movies

두 영상의 유일한 차이점이라곤

is the statistical evidence the babies are going to observe.

아기들이 관찰할 통계적 증거밖에 없기 때문이죠.

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

우리는 아기에게 파란색과 노란색 공이 담긴 상자를 보여줄 겁니다.

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

당시 대학원생이었고 이제는 스탠포드에서 제 동료인 권효원양이

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

상자에서 파란 공을 연속으로 세 개 꺼낼겁니다.

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

꺼낸 후에는 공을 꽉 누를 거예요.

and the balls are going to squeak.

그러면 공에서 끽끽 소리가 날 겁니다.

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

만약 여러분들이 아기라면. TED 강연 같은 거죠.

It doesn't get better than that.

그보다 좋을 수 없으니까요.

(Laughter)

(웃음)

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

중요한 건 파란 공이 대부분인 상자에서 파란 공을 세 번 연속

out of a box of mostly blue balls.

꺼내는 건 쉽다는 겁니다.

You could do that with your eyes closed.

눈 감고도 할 수 있어요.

It's plausibly a random sample from this population.

이 모집단에서 충분히 무작위로 뽑힐 수 있는 표본이죠.

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

그리고 상자 안에 손을 넣어 무작위로 소리나는 공을 뽑을 수 있다면

then maybe everything in the box squeaks.

상자 안의 모든 공에서 소리가 날 수도 있습니다.

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

그래서 아기는 노란 공도 소리가 날 거라고 예상할 수도 있습니다.

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

이 노란 공에는, 아기들이 막대로 다른 걸 해볼 수 있도록

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

공의 끝부분에 막대가 꽂혀 있습니다.

They could pound them or whack them.

마구 두드릴 수도 있고 칠 수도 있습니다.

But let's see what the baby does.

아기들이 어떻게 하는지 보죠.

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

권효원: 이거 보이니? (공이 끽끽 대는 소리)

Did you see that? (Ball squeaks)

봤어? (공이 끽끽 대는 소리)

Cool.

멋지다.

See this one?

이 공 보이니?

(Ball squeaks)

(공이 끽끽대는 소리)

Wow.

우와.

Laura Schulz: Told you. (Laughs)

별 거 없죠?

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

권효원: 이거 보여? (공이 끽끽대는 소리)

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

클라라, 이 공 줄게. 갖고 놀아도 돼.

(웃음)

(Laughter)

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

말 안해도 어떤 상황인지 아시겠죠?

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

아기들이 파란 공의 특성을 노란 공에

of blue balls to yellow balls,

일반화시키는 것은 좋습니다

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

아기들이 우리의 행동을 모방함으로써 학습하는 것도 인상깊죠.

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

우리는 아기의 이런 특성을 오래 전부터 알고 있었습니다.

The really interesting question

진짜 흥미로운 질문은

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

아기들에게 완벽히 똑같은 것을 보여주면 무슨 일이 일어나는지 입니다.

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

완벽히 똑같다고 장담할 수 있는게 우리가 칸을 하나 숨겨놓고

and we actually pull the balls from there,

거기서 공을 꺼내기 때문입니다.

but this time, all we change is the apparent population

하지만 이번엔 증거를 산출하는

from which that evidence was drawn.

모집단만 바꿀겁니다.

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

이번에는 아기에게 노란 공이 대부분인 상자에서 꺼낸

pulled out of a box of mostly yellow balls,

파란 공 세 개를 보여줄 겁니다.

and guess what?

결과가 어떨까요?

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

아마 노란 공이 가득한 상자에서 무작위로 파란 공을

out of a box of mostly yellow balls.

연속 세 번 뽑을 수는 없을 겁니다.

That is not plausibly randomly sampled evidence.

무작위로 뽑았을 때 가능한 표본이 아니죠.

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

이 표본은 효원양이 일부러 파란 공만 뽑았을 수도 있다는 걸 암시합니다.

Maybe there's something special about the blue balls.

파란 공이 특별한 걸 수도 있죠.

Maybe only the blue balls squeak.

파란 공에서만 소리가 날 수도 있어요.

Let's see what the baby does.

아기가 어떻게 행동하는지 봅시다.

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

권효은: 이거 보이니? (공이 끽끽대는 소리)

See this toy? (Ball squeaks)

이 장난감 보여? (공이 끽끽대는 소리)

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

멋지다. 봐봐. (공이 끽끽대는 소리)

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

자, 이거 줄게. 갖고 놀아도 돼.

(Fussing) (Laughter)

(소란) (웃음)

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

15개월의 두 아기가 관찰한 표본의 확률에만 기반한 추측으로

do entirely different things

based only on the probability of the sample they observed.

완전히 다른 행동을 하는 것을 방금 보셨습니다.

Let me show you the experimental results.

실험 결과를 보여드릴게요

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

세로 축은 각 조건에서 공을 누른

who squeezed the ball in each condition,

아기의 비율입니다.

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

보시다시피 아기들은 증거가 선별됐을 때보다

when it's plausibly representative of the population

모집단을 충분히 대표할 수 있을 때

than when the evidence is clearly cherry-picked.

증거를 일반화할 확률이 더 높습니다.

And this leads to a fun prediction:

이걸로 재밌는 예측이 가능합니다.

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

노란 공이 대부분인 상자에서 파란 공을 하나만 꺼낸다고 가정합시다.

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

무작위로 파란 공을 연속으로 세 개나 뽑는 건 어려울 겁니다.

but you could randomly sample just one blue ball.

하지만 파란 공을 무작위로 하나만 뽑는것은

That's not an improbable sample.

있을 수 없는 일은 아니죠.

And if you could reach into a box at random

그리고 상자에 손을 넣어 아무거나 꺼냈는데

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

소리가 난다면 상자 속의 다른 공도 다 소리날 수도 있죠.

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

그러니까 이전에 비해 소리나는 공을 훨씬 적게 보게 되고

and have many fewer actions to imitate

모방할 행동이 훨씬 적더라도

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

여러분이 방금 보신 조건에서보다 공 하나를 뽑는 이 조건에서

we predicted that babies themselves would squeeze more,

아기가 더 많이 공을 누를 거라고 우린 추측했고

and that's exactly what we found.

실제로 그랬습니다.

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

그러니까 15개월의 아기가, 이 부분에 있어서는

care whether evidence is randomly sampled or not,

과학자들처럼 표본이 무작위로 선출되었는지 신경쓰고

and they use this to develop expectations about the world:

세상을 더 잘 예측하는 데 사용합니다.

what squeaks and what doesn't,

어느 공이 소리가 나는지

what to explore and what to ignore.

어느 걸 탐구하고 무시해야 할지 말이죠.

Let me show you another example now,

이제 다른 예시를 보여드릴게요.

this time about a problem of causal reasoning.

이번에는 인과추론의 오류에 대한 겁니다.

And it starts with a problem of confounded evidence

이 오류는 우리 모두가 가진 혼란스러운 증거로부터 시작됩니다.

that all of us have,

which is that we are part of the world.

우리가 세계의 일부라는 거죠.

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

여러분께 문제처럼 보이지 않을 수도 있겠지만

이건 다른 문제들처럼 일이 잘못되었을 때만 문제가 됩니다.

it's only a problem when things go wrong.

Take this baby, for instance.

이 아기를 예로 들어 봅시다.

Things are going wrong for him.

뭐가 잘 안 풀리네요.

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

장난감을 작동시키고 싶은데 안돼죠.

I'll show you a few-second clip.

짧은 영상을 보여드릴게요.

And there's two possibilities, broadly:

크게 두 가지 가능성이 있습니다.

Maybe he's doing something wrong,

아기가 뭔가를 잘못하고 있든지

or maybe there's something wrong with the toy.

장난감이 문제든지.

So in this next experiment,

그래서 다음 실험에서

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

아기들에게 둘 중 하나의 가설을 지지하는

supporting one hypothesis over the other,

통계 자료를 조금 줄 겁니다.

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

아기들이 이걸 이용해 어떤 행동을 해야할 지에 대한

about what to do.

다른 판단을 내릴 수 있는지 볼 거예요.

Here's the setup.

실험은 이런 식으로 진행됩니다.

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

효원 양이 장난감을 작동시키고 그렇게 됩니다.

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

그 다음 제가 두 번 시도하고 두 번 다 실패할 거예요.

and then Hyowon is going to try again and succeed,

다시 효원 양이 시도해서 장난감을 작동시키는 데 성공할 겁니다.

and this roughly sums up my relationship to my graduate students

이건 전반적으로 기계를 사용하는 데 있어서

in technology across the board.

저와 학생들 사이의 관계를 보여줍니다.

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

여기서 중요한 점은 장난감이 문제가 아니라

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

사람이 문제라는 것에 대한 증거를 조금만 제공한다는 겁니다.

Some people can make this toy go,

어떤 사람은 이 장난감을 작동시킬 수 있고

and some can't.

어떤 사람은 아니죠.

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

아기들이 장난감을 받으면 선택지가 주어질 겁니다.

His mom is right there,

엄마가 바로 옆에 있어서

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

아기가 엄마에게 장난감을 줌으로써 사람을 바꿀 수도 있고

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

천의 다른 쪽에는 또 다른 장난감이 있어서

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

천을 잡아당겨 장난감을 바꿀 수도 있습니다.

So let's see what the baby does.

아기가 어떻게 행동하는지 봅시다.

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

권효원: 둘, 셋, 짠! (음악)

LS: One, two, three, go!

로라 셜츠: 하나, 둘, 셋, 짠!

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

아서, 다시 해볼게. 하나, 둘, 셋, 짠!

YG: Arthur, let me try again, okay?

권효원: 아서, 나도 다시 해볼게,알았지?

One, two, three, go! (Music)

하나, 둘, 셋, 짠! (음악)

Look at that. Remember these toys?

이것 봐. 이 장난감들 기억나니?

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

이 장난감들 보여? 그래, 이건 여기 두고

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

이건 너한테 줄게.

You can go ahead and play.

가지고 놀아도 돼.

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

로라, 그런데 아기는 엄마를 사랑하니까

Of course babies give toys to their mommies

장난감이 작동하지 않을 때

when they can't make them work.

당연히 엄마에게 장난감을 주겠죠.

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

다시 말씀드리지만 중요한 건 우리가 통계 자료를 아주 약간

the statistical data ever so slightly.

변형시켰을 때 어떤 일이 일어나는지 입니다.

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

이번에 아기는 동일한 순서로 장난감을 작동시키는 걸

but we're changing the distribution of evidence.

성공하고 실패하는 걸 보겠지만 증거의 분포가 바뀔겁니다.

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

이번엔 효원 양과 저는 한 번 성공하고 한 번 실패할 거예요.

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

이건 누가 시도하는지 상관없이 장난감이 망가진 걸 의미합니다.

It doesn't work all the time.

항상 작동하진 않으니까요.

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

다시, 아기는 선택지가 주어집니다.

엄마가 바로 옆에 있어서 사람을 바꿀 수도 있고

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

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

천 끝에 다른 장난감이 있어서 장난감을 바꿀 수도 있습니다.

Let's watch what she does.

아기가 어떻게 하는지 관찰해보죠.

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

효원: 둘, 셋, 짠!

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

다시 해볼게. 하나, 둘, 셋, 짠!

Hmm.

음...

LS: Let me try, Clara.

로라 슐츠: 클라라, 내가 해볼게.

One, two, three, go!

하나, 둘, 셋, 짠!

Hmm, let me try again.

음, 다시 해볼게.

One, two, three, go! (Music)

하나, 둘, 셋, 짠!

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

권효원: 이건 여기 두고

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

이건 너한테 줄게.

You can go ahead and play.

갖고 놀아도 돼.

(Applause)

(박수)

LS: Let me show you the experimental results.

실험 결과를 보여드릴게요.

On the vertical axis, you'll see the distribution

세로축에 아이들이 각 조건에서 어떤 선택을 했는지에 대한

of children's choices in each condition,

분포를 볼 수 있습니다.

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

보시면 분포도가 아기들이 관찰한 증거에 따라

depends on the evidence they observe.

결정된다는 걸 알 수 있습니다.

So in the second year of life,

아기는 두 살 때

babies can use a tiny bit of statistical data

적은 양의 통계 자료로 행동할 때

to decide between two fundamentally different strategies

두 가지의 근본적으로 다른 전략 중 하나를 고를 수 있습니다.

for acting in the world:

asking for help and exploring.

도움을 청할지 탐구해 볼지 입니다.

I've just shown you two laboratory experiments

이 분야에서 비슷한 주제로 한 실험이 정말 수 백개가 있지만 그 중에서

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

연구실에서 한 실험 두 개만 보여드렸습니다.

because the really critical point

정말로 중요한 요점은

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

적은 자료로 풍부한 추론을 하는 아이들의 능력이

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

인간이 하는 모든 종 특유의 문화적 학습의 근간이기 때문이죠.

Children learn about new tools from just a few examples.

아이들은 몇 개의 예시만으로 새 도구를 사용하는 법을 배우고

They learn new causal relationships from just a few examples.

몇 개의 예시만으로 새로운 인과관계를 배웁니다.

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

새로운 단어도 배웁니다. 이 경우는 미국식 수화죠.

I want to close with just two points.

두 가지 요점으로 마무리하고 싶습니다.

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

만약 여러분께서 제 세계인 뇌와 인지과학의 분야를

for the past few years,

지난 몇 년간 지켜보셨다면

three big ideas will have come to your attention.

세 가지 커다란 견해가 눈에 들어오셨을 겁니다.

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

첫째는, 지금은 뇌의 시대라는 겁니다.

And indeed, there have been staggering discoveries in neuroscience:

정말로 신경과학에서 충격적인 발견들이 있었습니다.

localizing functionally specialized regions of cortex,

피질에서 기능이 특화된 부분을 알아내는 것,

turning mouse brains transparent,

쥐의 뇌를 투명하게 만드는 것,

activating neurons with light.

뉴런을 빛으로 활성화시키는 것이 있었죠.

A second big idea

두 번째는

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

빅데이터와 기계 학습의 시대라는 것입니다.

and machine learning promises to revolutionize our understanding

기계 학습은 우리의 이해력에 혁명을 가져올 것을 약속합니다.

of everything from social networks to epidemiology.

소셜네트워크부터 역학까지 전부 다요.

And maybe, as it tackles problems of scene understanding

그리고 장면 이해에 대한 문제와

and natural language processing,

자연 언어 처리를 다루면서

to tell us something about human cognition.

인간의 인식력에 대해 무언가를 알려줄 수도 있죠.

And the final big idea you'll have heard

마지막은 여러분이 들어보셨을 수도 있는데

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

우리가 뇌에 대해 많은 걸 알고

빅데이터에 많이 접근하는 게 좋은 것일 수 있다는 겁니다.

and have so much access to big data,

because left to our own devices,

기기와 남겨진 인간은

humans are fallible, we take shortcuts,

오류를 범하기 쉽기 때문입니다.

지름길로 가고, 실수를 하고

we err, we make mistakes,

we're biased, and in innumerable ways,

많은 방면에서 편향되어 있고

세상을 잘못 이해합니다.

we get the world wrong.

I think these are all important stories,

저는 이 모든 게 중요하고

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

인간적인 것이 어떤 의미인지에 대해 많은 것을 말해준다고 생각합니다.

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

하지만 전 오늘 완전히 다른 이야기를 들려드렸다는 걸 강조하고 싶습니다.

It's a story about minds and not brains,

뇌가 아닌 사고에 관한 이야기였습니다.

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

그리고 특별하게 인간의 정신만이 가능한

that uniquely human minds can perform,

많은 양의 구조화된 지식과

which involve rich, structured knowledge and the ability to learn

적은 양의 자료와 소수의 표본으로부터 얻은 증거로부터

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

학습할 수 있는 능력을 포함하는 계산 능력에 관한 이야기죠.

근본적으로 어떻게 어린 아이에서 시작해서

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

and continuing out all the way to the greatest accomplishments

우리 문화에서 가장 위대한 업적을 세움으로써

of our culture,

we get the world right.

세상을 제대로 알게 되는지에 대한 이야기입니다.

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

여러분, 인간의 사고는 적은 양의 자료로만 학습하지 않습니다.

Human minds think of altogether new ideas.

새로운 생각도 종합적으로 합니다.

Human minds generate research and discovery,

연구와 발견을 만들어내고

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

예술과 문학과 시와 극작을 만듭니다.

and human minds take care of other humans:

그리고 다른 인간을 보살핍니다.

our old, our young, our sick.

노인과 아이와 병자들을요.

We even heal them.

심지어 치유해줍니다.

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

앞으로 우리는 상상을 초월하는

beyond anything I can even envision,

기술적 혁신을 보게 될 겁니다.

but we are very unlikely

하지만 저와 여러분 세대에서

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

인간 아이의 계산 능력에 조금이라도 근접하는 걸

in my lifetime or in yours.

볼 가능성은 거의 없습니다.

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

가장 강력한 학습자들과 그들의 발달에 투자한다면

in babies and children

아기와 아이들, 엄마와 아빠들에게,

and mothers and fathers

and caregivers and teachers

돌보미와 선생님들에게 말입니다.

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

우리가 가장 강력하고 정밀한 형태의 기술과 공학과 디자인에 하듯이 한다면

of technology, engineering and design,

단지 더 나은 미래를 꿈꾸기만 하는 게 아니라

we will not just be dreaming of a better future,

we will be planning for one.

계획하게 될 것입니다.

Thank you very much.

정말 감사합니다.

(Applause)

(박수)

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

크리스: 로라, 감사합니다. 사실 질문이 하나 있습니다.

First of all, the research is insane.

먼저, 미친 연구네요.

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

누가 저런 연구를 설계하겠어요? (웃음)

I've seen that a couple of times,

저런 걸 몇 번 본 적은 있지만

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

아직도 실제로 일어날 수 있다는 걸 솔직히 못 믿겠어요.

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

그렇지만 다른 사람들도 비슷한 실험을 했고

아기가 정말 천재라는 게 입증됐나요?

The babies really are that genius.

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

로라: 아기들은 우리 실험 속에서 정말 인상적입니다.

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

하지만 현실에서는 어떤지 생각해 보세요.

It starts out as a baby.

아기로 시작해서

Eighteen months later, it's talking to you,

18개월 후에는 말을 하고 있죠.

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

아기들의 첫 단어는 공이나 오리같은 게 아니에요.

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

소멸을 뜻하는 "다 없어졌어" 같은 것들이죠.

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

아니면 의도치 않은 행동을 뜻하는 "어어"같은 것이나요.

It has to be that powerful.

그만큼 강력합니다.

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

제가 보여준 것들 이상으로 강력해요.

세상의 모든 걸 이해하는 중이니까요.

They're figuring out the entire world.

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

4살짜리 아이는 여러분에게 거의 모든 것에 대해 얘기할 수 있죠.

(Applause)

(박수)

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

크리스: 제가 제대로 이해했다면 당신이 말하는 또 다른 요점은

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

여태까지 오랜 시간 우리의 정신이 변덕스럽고

of how quirky and buggy our minds are,

결함이 많다는 논의가 많이 있어왔고,

that behavioral economics and the whole theories behind that

우리가 합리적인 인간이 아니라는 걸

that we're not rational agents.

행동경제학과 다른 많은 이론들이 뒷받침하고 있죠.

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

당신이 말씀하시는 건, 더 큰 그림은 아기들이

and there really is genius there that is underappreciated.

정말 비범하고 사실상 과소평가받는 천재들이라는거죠.

LS: One of my favorite quotes in psychology

로라: 제가 심리학에서 가장 좋아하는 인용구 중 하나가

comes from the social psychologist Solomon Asch,

사회심리학자 솔로몬 애쉬가 하신 말씀입니다.

and he said the fundamental task of psychology is to remove

심리학의 근본적 과제는 자명함의 베일을

the veil of self-evidence from things.

걷어내는 것이다.

There are orders of magnitude more decisions you make every day

여러분은 매일, 세상을 옳게 이해하는 백만 자리수가 넘는 갯수의

that get the world right.

결정을 내립니다.

You know about objects and their properties.

여러분은 물체와 그 속성에 대해 알고 있습니다.

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

막혀있을 때나 어둠 속에 있을 때도 알고

You can walk through rooms.

방을 걸어서 통과할 수 있습니다.

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

다른 사람들이 무슨 생각을 하는지 알아내고 그들과 얘기할 수 있고

우주를 탐사하고 숫자에 대해 알고

You can navigate space. You know about numbers.

인과관계와 도덕적 추론에 대해 압니다.

You know causal relationships. You know about moral reasoning.

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

노력 없이 하기 때문에 우리는 보지 못하지만

이게 우리가 세상을 옳게 이해하는 방법이고 놀랍습니다.

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

그리고 이해하기 힘든 업적이죠.

and very difficult-to-understand accomplishment.

크리스: 제 생각에는 청중들 중에 기술력을 발전시키는 관점을 가지고

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

this view of accelerating technological power

당신이 우리 세대에 절대로 컴퓨터가

who might dispute your statement that never in our lifetimes

세 살의 아이가 할 수 있는 일을 하지 못할 것이라는 주장에

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

이의를 제기할 분이 있을 것 같진 않지만

but what's clear is that in any scenario,

분명한 것은 어떤 시나리오 안에서건

our machines have so much to learn from our toddlers.

기계가 아기들에게서 배울 게 정말 많다는 거죠.

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

로라: 그렇게 생각해요. 여기 기계를 공부하는 분도 있을 거예요.

I mean, you should never bet against babies or chimpanzees

현실 속 내기에서는 절대로 아기나 침팬지나 기술 반대편에

or technology as a matter of practice,

돈을 걸면 안됩니다.

but it's not just a difference in quantity,

하지만 이건 단순히 양적 차이의 문제가 아니라

it's a difference in kind.

유형적 차이의 문제입니다.

We have incredibly powerful computers,

우리는 가끔은 방대한 양의 자료로

and they do do amazingly sophisticated things,

매우 정교한 작업도 수행하는

often with very big amounts of data.

놀라울 정도의 고성능 컴퓨터가 있습니다.

Human minds do, I think, something quite different,

저는 사람의 사고는 상당히 다른 무언가를 한다고 생각합니다.

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

그리고 구조화된, 계급적 본성을 가진 인간의 지식이

that remains a real challenge.

남아있는 어려운 과제라고 생각합니다.

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

크리스: 정말 좋은 생각해 볼 거리를 주셨네요. 감사합니다.

LS: Thank you. (Applause)

로라: 감사합니다. (박수)