Laura Schulz: The surprisingly logical minds of babies

233,233 views ・ 2015-06-02

TED


Proszę kliknąć dwukrotnie na poniższe angielskie napisy, aby odtworzyć film.

Tłumaczenie: Michal Czapelka Korekta: Sylwia Gliniewicz
00:12
Mark Twain summed up what I take to be
0
12835
2155
Mark Twain podsumował, moim zdaniem,
00:14
one of the fundamental problems of cognitive science
1
14990
3120
jeden z głównych problemów kognitywistyki
00:18
with a single witticism.
2
18110
1710
błyskotliwą uwagą.
00:20
He said, "There's something fascinating about science.
3
20410
3082
Powiedział: "Nauka jest fascynująca.
00:23
One gets such wholesale returns of conjecture
4
23492
3228
W zamian za tak niewiele faktów
00:26
out of such a trifling investment in fact."
5
26720
3204
otrzymać można całą masę domysłów".
00:29
(Laughter)
6
29924
1585
(Śmiech)
00:32
Twain meant it as a joke, of course, but he's right:
7
32199
2604
Twain oczywiście żartował, ale miał rację.
00:34
There's something fascinating about science.
8
34803
2876
Nauka jest fascynująca.
00:37
From a few bones, we infer the existence of dinosuars.
9
37679
4261
Na podstawie kilku kości wnioskujemy, że kiedyś ziemię zamieszkiwały dinozaury.
00:42
From spectral lines, the composition of nebulae.
10
42910
3871
Analizując widmo światła, opisujemy mgławice.
00:47
From fruit flies,
11
47471
2938
Badając muszki owocówki,
00:50
the mechanisms of heredity,
12
50409
2943
poznajemy mechanizmy genetyki,
00:53
and from reconstructed images of blood flowing through the brain,
13
53352
4249
a na podstawie obrazów przepływu krwi w mózgu
00:57
or in my case, from the behavior of very young children,
14
57601
4708
czy, jak moim przypadku, zachowań bardzo małych dzieci,
01:02
we try to say something about the fundamental mechanisms
15
62309
2829
próbujemy opisywać kluczowe mechanizmy
01:05
of human cognition.
16
65138
1618
ludzkiego poznania.
01:07
In particular, in my lab in the Department of Brain and Cognitive Sciences at MIT,
17
67716
4759
W moim laboratorium na Wydziale Kognitywistyki MIT
01:12
I have spent the past decade trying to understand the mystery
18
72475
3654
od 10 lat próbuję poznać tajemnicę tego,
jak dzieci uczą się tak szybko na podstawie tak niewielu danych.
01:16
of how children learn so much from so little so quickly.
19
76129
3977
01:20
Because, it turns out that the fascinating thing about science
20
80666
2978
Okazuje się, że to, co fascynujące w nauce,
01:23
is also a fascinating thing about children,
21
83644
3529
jest także fascynujące w dzieciach.
01:27
which, to put a gentler spin on Mark Twain,
22
87173
2581
Łagodząc stwierdzenie Twaina,
01:29
is precisely their ability to draw rich, abstract inferences
23
89754
4650
chodzi o ich zdolność wyciągania złożonych, abstrakcyjnych wniosków,
01:34
rapidly and accurately from sparse, noisy data.
24
94404
4661
szybko i dokładnie, na podstawie nielicznych danych.
01:40
I'm going to give you just two examples today.
25
100355
2398
Podam tylko dwa przykłady.
01:42
One is about a problem of generalization,
26
102753
2287
Jeden dotyczy kwestii uogólniania,
01:45
and the other is about a problem of causal reasoning.
27
105040
2850
drugi myślenia przyczynowo-skutkowego.
01:47
And although I'm going to talk about work in my lab,
28
107890
2525
Chociaż będę mówiła o badaniach w moim laboratorium,
01:50
this work is inspired by and indebted to a field.
29
110415
3460
to one wiele zawdzięczają całej dziedzinie.
01:53
I'm grateful to mentors, colleagues, and collaborators around the world.
30
113875
4283
Dziękuję moim mentorom, kolegom i współpracownikom z całego świata.
01:59
Let me start with the problem of generalization.
31
119308
2974
Zacznijmy od kwestii uogólniania.
02:02
Generalizing from small samples of data is the bread and butter of science.
32
122652
4133
Uogólnianie wyników badań jest chlebem powszednim w nauce.
02:06
We poll a tiny fraction of the electorate
33
126785
2554
Ankietujemy niewielką część elektoratu
02:09
and we predict the outcome of national elections.
34
129339
2321
i przewidujemy wynik wyborów.
02:12
We see how a handful of patients responds to treatment in a clinical trial,
35
132240
3925
W testach klinicznych sprawdzamy reakcję garstki pacjentów na lek
02:16
and we bring drugs to a national market.
36
136165
3065
i wypuszczamy go na rynek.
02:19
But this only works if our sample is randomly drawn from the population.
37
139230
4365
Jednak to sprawdza się tylko wtedy, gdy nasza próbka jest wybrana losowo.
02:23
If our sample is cherry-picked in some way --
38
143595
2735
Jeśli badana próbka jest świadomie selekcjonowana,
02:26
say, we poll only urban voters,
39
146330
2072
jak w przypadku ankiety tylko w miastach,
02:28
or say, in our clinical trials for treatments for heart disease,
40
148402
4388
czy testów klinicznych leków kardiologicznych
02:32
we include only men --
41
152790
1881
prowadzonych tylko na mężczyznach,
02:34
the results may not generalize to the broader population.
42
154671
3158
uogólnianie wyników na całą populację może okazać się błędne.
02:38
So scientists care whether evidence is randomly sampled or not,
43
158479
3581
Naukowcy uważają, żeby badać tylko losowo wybrany materiał.
02:42
but what does that have to do with babies?
44
162060
2015
Ale co to ma wspólnego z dziećmi?
02:44
Well, babies have to generalize from small samples of data all the time.
45
164585
4621
Dzieci stale uogólniają częściowe informacje, które otrzymują.
02:49
They see a few rubber ducks and learn that they float,
46
169206
3158
Widzą kilka gumowych kaczek i uczą się, że one pływają,
02:52
or a few balls and learn that they bounce.
47
172364
3575
lub kilka piłeczek i uczą się, że piłki się odbijają.
02:55
And they develop expectations about ducks and balls
48
175939
2951
Wykształcają oczekiwania dotyczące kaczek i piłek,
02:58
that they're going to extend to rubber ducks and balls
49
178890
2716
które będą odnosić się do wszystkich kaczek i piłek
03:01
for the rest of their lives.
50
181606
1879
przez całe ich życie.
03:03
And the kinds of generalizations babies have to make about ducks and balls
51
183485
3739
Takich samych uogólnień, jak w kwestii kaczek i piłek,
03:07
they have to make about almost everything:
52
187224
2089
dzieci dokonują niemal każdorazowo:
03:09
shoes and ships and sealing wax and cabbages and kings.
53
189313
3917
w sprawie butów, statków, laku, kapusty i królów.
03:14
So do babies care whether the tiny bit of evidence they see
54
194200
2961
Czy dzieci zastanawiają się, czy to, co widzą,
03:17
is plausibly representative of a larger population?
55
197161
3692
może zostać uogólnione na większą populację?
03:21
Let's find out.
56
201763
1900
Przekonajmy się.
03:23
I'm going to show you two movies,
57
203663
1723
Pokażę wam dwa filmy,
03:25
one from each of two conditions of an experiment,
58
205386
2462
jeden dla każdego warunku doświadczenia.
03:27
and because you're going to see just two movies,
59
207848
2438
Ponieważ zobaczycie tylko dwa filmy,
03:30
you're going to see just two babies,
60
210286
2136
zobaczycie także dwoje dzieci,
03:32
and any two babies differ from each other in innumerable ways.
61
212422
3947
a dzieci, jak wiadomo, różnią się między sobą.
03:36
But these babies, of course, here stand in for groups of babies,
62
216369
3051
Jednak każde z tej dwójki reprezentuje grupę dzieci,
03:39
and the differences you're going to see
63
219420
1895
a różnice, jakie zaobserwujecie,
03:41
represent average group differences in babies' behavior across conditions.
64
221315
5195
odzwierciedlają przeciętne różnice w zachowaniu dzieci dla danego warunku.
03:47
In each movie, you're going to see a baby doing maybe
65
227160
2583
Każdy film przedstawia dziecko
03:49
just exactly what you might expect a baby to do,
66
229743
3460
robiące dokładnie to, co robią dzieci,
03:53
and we can hardly make babies more magical than they already are.
67
233203
4017
a raczej trudno sprawić by dzieci były bardziej magiczne niż są.
03:58
But to my mind the magical thing,
68
238090
2010
Jednak dla mnie ta magiczna rzecz,
04:00
and what I want you to pay attention to,
69
240100
2089
i chcę, żebyście na to zwrócili uwagę,
04:02
is the contrast between these two conditions,
70
242189
3111
to kontrast pomiędzy warunkami doświadczenia,
04:05
because the only thing that differs between these two movies
71
245300
3529
ponieważ jedyna różnica pomiędzy tymi filmami
04:08
is the statistical evidence the babies are going to observe.
72
248829
3466
to dowody statystyczne obserwowane przez dzieci.
04:13
We're going to show babies a box of blue and yellow balls,
73
253425
3183
Pokażemy dzieciom pudełko z niebieskimi i żółtymi piłkami,
04:16
and my then-graduate student, now colleague at Stanford, Hyowon Gweon,
74
256608
4620
a Hyowon Gweon, wtedy moja studentka a dzisiaj koleżanka ze Stanford,
04:21
is going to pull three blue balls in a row out of this box,
75
261228
3077
wyciągnie z pudełka trzy niebieskie piłki z rzędu,
04:24
and when she pulls those balls out, she's going to squeeze them,
76
264305
3123
każdą z nich ściśnie
04:27
and the balls are going to squeak.
77
267428
2113
i piłki będą piszczeć.
04:29
And if you're a baby, that's like a TED Talk.
78
269541
2763
Coś takiego jest dla dziecka jak prelekcja TED.
04:32
It doesn't get better than that.
79
272304
1904
Nie można chcieć więcej.
04:34
(Laughter)
80
274208
2561
(Śmiech)
04:38
But the important point is it's really easy to pull three blue balls in a row
81
278968
3659
Co ważne, bardzo łatwo jest wyciągnąć trzy niebieskie piłki z rzędu
04:42
out of a box of mostly blue balls.
82
282627
2305
z pudełka z większością niebieskich piłek.
04:44
You could do that with your eyes closed.
83
284932
2060
Można to zrobić z zamkniętymi oczami.
04:46
It's plausibly a random sample from this population.
84
286992
2996
To wiarygodna, losowa próbka populacji.
04:49
And if you can reach into a box at random and pull out things that squeak,
85
289988
3732
Jeśli, sięgając losowo do pudełka, wyjmuje się z niego piszczące rzeczy,
04:53
then maybe everything in the box squeaks.
86
293720
2839
to może wszystko z pudełka piszczy.
04:56
So maybe babies should expect those yellow balls to squeak as well.
87
296559
3650
Może dzieci założą, że żółte piłki też piszczą.
05:00
Now, those yellow balls have funny sticks on the end,
88
300209
2519
Żółte piłki mają śmieszne wypustki, więc dzieci mogą z nimi robić inne rzeczy.
05:02
so babies could do other things with them if they wanted to.
89
302728
2857
05:05
They could pound them or whack them.
90
305585
1831
Mogą nimi stukać i pukać.
05:07
But let's see what the baby does.
91
307416
2586
Zobaczmy, co zrobią.
05:12
(Video) Hyowon Gweon: See this? (Ball squeaks)
92
312548
3343
(Video) Hyowon Gweon: Popatrz! (Piłka piszczy)
05:16
Did you see that? (Ball squeaks)
93
316531
3045
Widziałaś? (Piłka piszczy)
05:20
Cool.
94
320036
3066
Super.
05:24
See this one?
95
324706
1950
Popatrz na tę.
05:26
(Ball squeaks)
96
326656
1881
(Piłka piszczy)
05:28
Wow.
97
328537
2653
05:33
Laura Schulz: Told you. (Laughs)
98
333854
2113
Laura Schulz: Nie mówiłam? (Śmiech)
05:35
(Video) HG: See this one? (Ball squeaks)
99
335967
4031
(Video) HG: Widzisz tę piłkę? (Piłka piszczy)
05:39
Hey Clara, this one's for you. You can go ahead and play.
100
339998
4619
Hej Klaro, ta jest dla ciebie. Możesz się nią pobawić.
05:51
(Laughter)
101
351854
4365
(Śmiech)
05:56
LS: I don't even have to talk, right?
102
356219
2995
LS: Nie muszę nic mówić, prawda?
05:59
All right, it's nice that babies will generalize properties
103
359214
2899
Świetnie, że dzieci uogólniają
właściwości piłek niebieskich na żółte,
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
i imponujące, że uczą się, imitując dorosłych,
06:06
but we've known those things about babies for a very long time.
106
366737
3669
ale to wiemy już od bardzo dawna.
06:10
The really interesting question
107
370406
1811
Ciekawe, co się stanie,
06:12
is what happens when we show babies exactly the same thing,
108
372217
2852
gdy pokażemy dzieciom dokładnie to samo,
06:15
and we can ensure it's exactly the same because we have a secret compartment
109
375069
3611
dzięki naszej sekretnej przegrodzie,
06:18
and we actually pull the balls from there,
110
378680
2110
z której tak naprawdę wyjmujemy piłki,
06:20
but this time, all we change is the apparent population
111
380790
3478
ale zmienimy tylko pochodzenie próbki,
06:24
from which that evidence was drawn.
112
384268
2902
z której dzieci będą wnioskować.
06:27
This time, we're going to show babies three blue balls
113
387170
3553
Tym razem pokażemy dzieciom trzy niebieskie piłki z pudełka
06:30
pulled out of a box of mostly yellow balls,
114
390723
3384
z większością piłek żółtych
06:34
and guess what?
115
394107
1322
I wiecie co?
06:35
You [probably won't] randomly draw three blue balls in a row
116
395429
2840
Trudno wyjąć losowo trzy niebieskie piłki z rzędu
06:38
out of a box of mostly yellow balls.
117
398269
2484
z pudełka z większością żółtych piłek.
06:40
That is not plausibly randomly sampled evidence.
118
400753
3747
To nie jest wiarygodna, losowa próbka.
06:44
That evidence suggests that maybe Hyowon was deliberately sampling the blue balls.
119
404500
5123
Może Hyowon celowo wybierała niebieskie piłki?
06:49
Maybe there's something special about the blue balls.
120
409623
2583
Może niebieskie piłki są wyjątkowe?
06:52
Maybe only the blue balls squeak.
121
412846
2976
Może tylko niebieskie piłki piszczą?
06:55
Let's see what the baby does.
122
415822
1895
Zobaczmy, co zrobi dziecko.
06:57
(Video) HG: See this? (Ball squeaks)
123
417717
2904
(Video): HG: Widzisz? (Piłka piszczy)
07:02
See this toy? (Ball squeaks)
124
422851
2645
Widzisz tę zabawkę? (Piłka piszczy)
07:05
Oh, that was cool. See? (Ball squeaks)
125
425496
5480
To było super, widzisz? (Piłka piszczy)
07:10
Now this one's for you to play. You can go ahead and play.
126
430976
4394
Ta jest dla ciebie. Możesz się nią pobawić.
07:18
(Fussing) (Laughter)
127
438074
6347
(Poruszenie) (Śmiech)
07:26
LS: So you just saw two 15-month-old babies
128
446901
2748
LS: To dwoje 15-miesięcznych dzieci,
07:29
do entirely different things
129
449649
1942
które robią coś zupełnie innego
07:31
based only on the probability of the sample they observed.
130
451591
3599
na podstawie prawdopodobieństwa tego, co zaobserwowały,
07:35
Let me show you the experimental results.
131
455190
2321
To wyniki tego eksperymentu.
07:37
On the vertical axis, you'll see the percentage of babies
132
457511
2764
Oś pionowa pokazuje odsetek dzieci,
07:40
who squeezed the ball in each condition,
133
460275
2530
które ściskają piłkę w obu eksperymentach.
07:42
and as you'll see, babies are much more likely to generalize the evidence
134
462805
3715
Jak widać, dzieci znacznie częściej uogólniają zjawiska,
07:46
when it's plausibly representative of the population
135
466520
3135
gdy wiarygodnie odzwierciedlają całą zbiorowość,
07:49
than when the evidence is clearly cherry-picked.
136
469655
3738
niż gdy są one wyraźnie selekcjonowane.
07:53
And this leads to a fun prediction:
137
473393
2415
Możemy się teraz zastanowić.
07:55
Suppose you pulled just one blue ball out of the mostly yellow box.
138
475808
4868
Co jeśli z większości piłek żółtych wyciągniemy tylko jedną niebieską?
08:00
You [probably won't] pull three blue balls in a row at random out of a yellow box,
139
480896
3869
Trudno zrobić to z rzędu dla trzech niebieskich,
08:04
but you could randomly sample just one blue ball.
140
484765
2455
ale można losowo wyjąć jedną taką piłkę.
08:07
That's not an improbable sample.
141
487220
1970
To nie jest nieprawdopodobna próbka.
08:09
And if you could reach into a box at random
142
489190
2224
Jeśli można losowo sięgnąć do pudełka
08:11
and pull out something that squeaks, maybe everything in the box squeaks.
143
491414
3987
i wyjąć z niego coś, co piszczy, to może wszystko z pudełka piszczy.
08:15
So even though babies are going to see much less evidence for squeaking,
144
495875
4445
Chociaż dowodów na piszczenie będzie mniej
08:20
and have many fewer actions to imitate
145
500320
2242
i dzieci będą miały mniej czynności do naśladowania
08:22
in this one ball condition than in the condition you just saw,
146
502562
3343
w przypadku jednej piłki, inaczej niż dla poprzedniego warunku,
08:25
we predicted that babies themselves would squeeze more,
147
505905
3892
założyliśmy, że dzieci same będą częściej ściskać piłki,
08:29
and that's exactly what we found.
148
509797
2894
i właśnie tak się stało.
08:32
So 15-month-old babies, in this respect, like scientists,
149
512691
4411
15-miesięczne dzieci, podobnie jak naukowcy,
08:37
care whether evidence is randomly sampled or not,
150
517102
3088
biorą pod uwagę, czy obserwowana próbka jest losowa,
08:40
and they use this to develop expectations about the world:
151
520190
3507
gdy kształtują swoje oczekiwania:
08:43
what squeaks and what doesn't,
152
523697
2182
co piszczy, a co nie,
08:45
what to explore and what to ignore.
153
525879
3145
co zbadać, a co zignorować.
08:50
Let me show you another example now,
154
530384
2066
Przejdźmy do kolejnego przykładu
08:52
this time about a problem of causal reasoning.
155
532450
2730
dotyczącego myślenia przyczynowo-skutkowego.
08:55
And it starts with a problem of confounded evidence
156
535180
2439
Wiąże się to z dylematem,
08:57
that all of us have,
157
537619
1672
który wszyscy znamy,
08:59
which is that we are part of the world.
158
539291
2020
to znaczy z tym, że jesteśmy częścią wszechświata.
09:01
And this might not seem like a problem to you, but like most problems,
159
541311
3436
Może teraz nie jest to dla was problem,
09:04
it's only a problem when things go wrong.
160
544747
2337
ale staje się nim, gdy coś idzie źle.
09:07
Take this baby, for instance.
161
547464
1811
Weźmy na przykład to dziecko.
09:09
Things are going wrong for him.
162
549275
1705
Coś mu nie wychodzi.
09:10
He would like to make this toy go, and he can't.
163
550980
2271
Chce uruchomić tę zabawkę, ale nie umie.
09:13
I'll show you a few-second clip.
164
553251
2529
Obejrzyjmy film.
Zasadniczo są tu dwie możliwości:
09:21
And there's two possibilities, broadly:
165
561340
1920
09:23
Maybe he's doing something wrong,
166
563260
2634
on robi coś źle
09:25
or maybe there's something wrong with the toy.
167
565894
4216
albo coś jest nie tak z zabawką.
09:30
So in this next experiment,
168
570110
2111
W kolejnym eksperymencie damy dzieciom
09:32
we're going to give babies just a tiny bit of statistical data
169
572221
3297
tylko niewielki statystyczny dowód na to,
09:35
supporting one hypothesis over the other,
170
575518
2582
że jedna z dwóch hipotez jest poprawna,
09:38
and we're going to see if babies can use that to make different decisions
171
578100
3455
i sprawdzimy, czy pomoże to dzieciom
09:41
about what to do.
172
581555
1834
zdecydować, co robić.
09:43
Here's the setup.
173
583389
2022
Taki mamy plan.
09:46
Hyowon is going to try to make the toy go and succeed.
174
586071
3030
Hyowon uda się uruchomić zabawkę od razu.
09:49
I am then going to try twice and fail both times,
175
589101
3320
Następnie spróbuję dwa razy, bezskutecznie.
09:52
and then Hyowon is going to try again and succeed,
176
592421
3112
Potem Hyowon spróbuje ponownie i znów się jej uda.
09:55
and this roughly sums up my relationship to my graduate students
177
595533
3172
Jest to z grubsza trafne podsumowanie
09:58
in technology across the board.
178
598705
2835
technicznych umiejętności mojej studentki i moich.
10:02
But the important point here is it provides a little bit of evidence
179
602030
3292
Istotne jest to, że dowodzi to nieznacznie,
10:05
that the problem isn't with the toy, it's with the person.
180
605322
3668
że problem nie dotyczy zabawki a osoby.
10:08
Some people can make this toy go,
181
608990
2350
Niektórzy umieją ją uruchomić,
10:11
and some can't.
182
611340
959
inni nie.
10:12
Now, when the baby gets the toy, he's going to have a choice.
183
612799
3413
Gdy dziecko dostanie zabawkę, będzie miało wybór.
10:16
His mom is right there,
184
616212
2188
Jego mama jest tuż obok,
10:18
so he can go ahead and hand off the toy and change the person,
185
618400
3315
więc może dać jej zabawkę i zmienić osobę,
10:21
but there's also going to be another toy at the end of that cloth,
186
621715
3158
ale na końcu materiału jest też druga zabawka
10:24
and he can pull the cloth towards him and change the toy.
187
624873
3552
więc może go przyciągnąć i zmienić zabawkę.
10:28
So let's see what the baby does.
188
628425
2090
Zobaczmy, co się stanie.
10:30
(Video) HG: Two, three. Go! (Music)
189
630515
4183
(Video): HG: Dwa, trzy. start! (Muzyka)
10:34
LS: One, two, three, go!
190
634698
3131
LS: Raz, dwa, trzy, start!
10:37
Arthur, I'm going to try again. One, two, three, go!
191
637829
7382
Arturze, spróbuję jeszcze raz. Raz, dwa, trzy, start!
10:45
YG: Arthur, let me try again, okay?
192
645677
2600
HG: Arturze, może ja spróbuje, dobrze?
10:48
One, two, three, go! (Music)
193
648277
4550
Raz, dwa, trzy, start! (Muzyka)
10:53
Look at that. Remember these toys?
194
653583
1883
Teraz popatrz, pamiętasz te zabawki?
10:55
See these toys? Yeah, I'm going to put this one over here,
195
655466
3264
Widzisz? Tę postawię tutaj,
10:58
and I'm going to give this one to you.
196
658730
2062
a tę dam tobie.
11:00
You can go ahead and play.
197
660792
2335
Możesz się nią pobawić.
11:23
LS: Okay, Laura, but of course, babies love their mommies.
198
683213
4737
To oczywiste, że dzieci kochają mamy.
11:27
Of course babies give toys to their mommies
199
687950
2182
Jasne, że dzieci dają im zabawki,
11:30
when they can't make them work.
200
690132
2030
gdy nie umieją ich włączyć.
11:32
So again, the really important question is what happens when we change
201
692162
3593
Ciekawe, co się stanie, gdy tylko nieznacznie zmienimy
11:35
the statistical data ever so slightly.
202
695755
3154
dowody statystyczne.
11:38
This time, babies are going to see the toy work and fail in exactly the same order,
203
698909
4087
Dzieci zobaczą zabawkę działającą i niedziałającą w tej samej kolejności,
11:42
but we're changing the distribution of evidence.
204
702996
2415
ale zmienimy rozkład dowodów.
11:45
This time, Hyowon is going to succeed once and fail once, and so am I.
205
705411
4411
Tym razem i Hyowon, i mnie, raz uda się, a raz nie uda się włączyć zabawki.
11:49
And this suggests it doesn't matter who tries this toy, the toy is broken.
206
709822
5637
To sugeruje, że nieważne, kto próbuje ją włączyć, zabawka jest zepsuta.
11:55
It doesn't work all the time.
207
715459
1886
Nie działa za każdym razem.
11:57
Again, the baby's going to have a choice.
208
717345
1965
Dziecko będzie miało wybór.
Jej mama jest tuż obok, więc może zmienić osobę,
11:59
Her mom is right next to her, so she can change the person,
209
719310
3396
12:02
and there's going to be another toy at the end of the cloth.
210
722706
3204
ale na końcu materiału będzie inna zabawka.
12:05
Let's watch what she does.
211
725910
1378
Zobaczmy, co zrobi.
12:07
(Video) HG: Two, three, go! (Music)
212
727288
4348
(Video) HG: Dwa, trzy, start! (Muzyka)
12:11
Let me try one more time. One, two, three, go!
213
731636
4984
Spróbuję jeszcze raz. Raz, dwa, trzy, start!
12:17
Hmm.
214
737460
1697
12:19
LS: Let me try, Clara.
215
739950
2692
LS: Może ja spróbuję, Klaro.
12:22
One, two, three, go!
216
742642
3945
Raz, dwa, trzy, start!
12:27
Hmm, let me try again.
217
747265
1935
Spróbuję jeszcze raz.
12:29
One, two, three, go! (Music)
218
749200
5670
Raz, dwa, trzy, start! (Muzyka)
12:35
HG: I'm going to put this one over here,
219
755009
2233
HG: Tę położę tutaj,
12:37
and I'm going to give this one to you.
220
757242
2001
a tę dam tobie.
12:39
You can go ahead and play.
221
759243
3597
Możesz się pobawić.
12:58
(Applause)
222
778376
4897
(Brawa)
13:04
LS: Let me show you the experimental results.
223
784993
2392
LS: Pokaże wam wyniki badań.
13:07
On the vertical axis, you'll see the distribution
224
787385
2475
Oś pionowa przedstawia rozkład
13:09
of children's choices in each condition,
225
789860
2577
wyborów dzieci dla każdego warunku
13:12
and you'll see that the distribution of the choices children make
226
792437
4551
i widzimy, że wybory zależą od tego,
13:16
depends on the evidence they observe.
227
796988
2787
co dzieci obserwują.
13:19
So in the second year of life,
228
799775
1857
Zatem dwulatkowie
13:21
babies can use a tiny bit of statistical data
229
801632
2577
na podstawie drobnych różnic statystycznych
13:24
to decide between two fundamentally different strategies
230
804209
3367
wybierają między dwiema skrajnie różnymi strategiami
13:27
for acting in the world:
231
807576
1881
działania na świecie:
13:29
asking for help and exploring.
232
809457
2743
proszą o pomoc lub sami szukają odpowiedzi.
13:33
I've just shown you two laboratory experiments
233
813700
3434
Pokazałam wam tylko dwa doświadczenia naukowe
13:37
out of literally hundreds in the field that make similar points,
234
817134
3691
spośród setek innych, które prowadzą do podobnych wniosków,
13:40
because the really critical point
235
820825
2392
a najistotniejsze jest to,
13:43
is that children's ability to make rich inferences from sparse data
236
823217
5108
że umiejętność dzieci do wyciągania złożonych wniosków z nielicznych danych
13:48
underlies all the species-specific cultural learning that we do.
237
828325
5341
leży u podstaw wszystkich kulturowych procesów ludzkiego uczenia się.
13:53
Children learn about new tools from just a few examples.
238
833666
4597
Dzieci poznają nowe narzędzia na podstawie kilku przykładów.
13:58
They learn new causal relationships from just a few examples.
239
838263
4717
Podobnie uczą się nowych związków przyczynowo-skutkowych.
14:03
They even learn new words, in this case in American Sign Language.
240
843928
4871
Uczą się nawet nowych słów, tutaj amerykańskiego języka migowego.
14:08
I want to close with just two points.
241
848799
2311
Zakończę dwiema uwagami.
14:12
If you've been following my world, the field of brain and cognitive sciences,
242
852050
3688
Jeśli śledziliście osiągnięcia w badaniach nad mózgiem i kognitywistyce
14:15
for the past few years,
243
855738
1927
przez kilka ostatnich lat,
14:17
three big ideas will have come to your attention.
244
857665
2415
pewnie zauważyliście trzy istotne kwestie.
14:20
The first is that this is the era of the brain.
245
860080
3436
Po pierwsze, żyjemy w erze mózgu.
14:23
And indeed, there have been staggering discoveries in neuroscience:
246
863516
3669
W neurobiologii dokonano zaskakujących odkryć:
14:27
localizing functionally specialized regions of cortex,
247
867185
3436
zlokalizowano wyspecjalizowane rejony kory,
14:30
turning mouse brains transparent,
248
870621
2601
u myszy udało się uzyskać przezroczysty mózg
14:33
activating neurons with light.
249
873222
3776
aktywowano neurony światłem.
14:36
A second big idea
250
876998
1996
Po drugie, żyjemy w erze informacji i uczenia maszynowego,
14:38
is that this is the era of big data and machine learning,
251
878994
4104
14:43
and machine learning promises to revolutionize our understanding
252
883098
3141
a uczenie maszynowe może zrewolucjonizować to,
14:46
of everything from social networks to epidemiology.
253
886239
4667
jak rozumiemy wszystko wokół nas, od socjologii po epidemiologię.
14:50
And maybe, as it tackles problems of scene understanding
254
890906
2693
W przypadku postrzegania
14:53
and natural language processing,
255
893599
1993
i przetwarzania języka,
14:55
to tell us something about human cognition.
256
895592
3324
może nam też pomóc zrozumieć naturę ludzkiego poznania.
14:59
And the final big idea you'll have heard
257
899756
1937
Wreszcie, po trzecie, o czym wiecie,
15:01
is that maybe it's a good idea we're going to know so much about brains
258
901693
3387
to dobrze, że wiemy coraz więcej o mózgu,
15:05
and have so much access to big data,
259
905080
1917
i mamy dostęp do takiej ilości danych,
15:06
because left to our own devices,
260
906997
2507
bo pozostawieni sami sobie
15:09
humans are fallible, we take shortcuts,
261
909504
3831
jesteśmy omylni, idziemy na skróty,
15:13
we err, we make mistakes,
262
913335
3437
błądzimy, mylimy się,
15:16
we're biased, and in innumerable ways,
263
916772
3684
nie jesteśmy obiektywni i w wielu przypadkach
15:20
we get the world wrong.
264
920456
2969
źle rozumiemy świat.
15:24
I think these are all important stories,
265
924843
2949
Myślę, że to wszystko jest istotne
15:27
and they have a lot to tell us about what it means to be human,
266
927792
3785
i wiele mówi nam o tym, co to znaczy być człowiekiem,
15:31
but I want you to note that today I told you a very different story.
267
931577
3529
ale dzisiaj pokazałam wam coś zupełnie innego.
15:35
It's a story about minds and not brains,
268
935966
3807
Opowiedziałam wam o rozumie, nie o mózgu,
15:39
and in particular, it's a story about the kinds of computations
269
939773
3006
opowiedziałam o takich obliczeniach,
15:42
that uniquely human minds can perform,
270
942779
2590
do których zdolni są tylko ludzie,
15:45
which involve rich, structured knowledge and the ability to learn
271
945369
3944
wymagających bogatej, uporządkowanej wiedzy i zdolności uczenia się
15:49
from small amounts of data, the evidence of just a few examples.
272
949313
5268
na podstawie szczątkowych danych i tylko kilku przykładów.
Co ważne, pokazuje to też jak, poczynając od bardzo małych dzieci,
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
a kończąc na wielkich osiągnięciach
16:04
of our culture,
275
964780
3843
kultury ludzkiej,
16:08
we get the world right.
276
968623
1997
jednak dobrze rozumiemy świat.
16:12
Folks, human minds do not only learn from small amounts of data.
277
972433
5267
Ludzki umysł nie tylko uczy się z niewielkiej ilości danych.
16:18
Human minds think of altogether new ideas.
278
978285
2101
Tworzy też nowe pojęcia.
16:20
Human minds generate research and discovery,
279
980746
3041
Ludzie są autorami badań i odkryć,
16:23
and human minds generate art and literature and poetry and theater,
280
983787
5273
tworzą dzieła sztuki, literaturę i teatr,
16:29
and human minds take care of other humans:
281
989070
3760
i troszczą się o innych ludzi,
16:32
our old, our young, our sick.
282
992830
3427
starszych, młodszych i chorych.
16:36
We even heal them.
283
996517
2367
Nawet ich leczą.
16:39
In the years to come, we're going to see technological innovations
284
999564
3103
Nadchodzące lata przyniosą technologiczne innowacje,
16:42
beyond anything I can even envision,
285
1002667
3797
których nawet sobie nie wyobrażam,
16:46
but we are very unlikely
286
1006464
2150
ale to mało prawdopodobne,
16:48
to see anything even approximating the computational power of a human child
287
1008614
5709
że zobaczymy coś z mocą obliczeniową zbliżoną do zdolności naszych dzieci
16:54
in my lifetime or in yours.
288
1014323
4298
za mojego czy waszego życia.
16:58
If we invest in these most powerful learners and their development,
289
1018621
5047
Jeżeli zainwestujemy w ich ogromny potencjał i rozwój,
17:03
in babies and children
290
1023668
2917
w nasze dzieci i młodzież,
17:06
and mothers and fathers
291
1026585
1826
matki i ojców,
17:08
and caregivers and teachers
292
1028411
2699
opiekunów i nauczycieli,
17:11
the ways we invest in our other most powerful and elegant forms
293
1031110
4170
tak jak inwestujemy w inne potężne i wyszukane
formy technologii, inżynierii i wzornictwa,
17:15
of technology, engineering and design,
294
1035280
3218
17:18
we will not just be dreaming of a better future,
295
1038498
2939
będziemy nie tylko marzyć o lepszej przyszłości,
17:21
we will be planning for one.
296
1041437
2127
będziemy ją tworzyć.
17:23
Thank you very much.
297
1043564
2345
Dziękuję bardzo.
17:25
(Applause)
298
1045909
3421
(Brawa)
17:29
Chris Anderson: Laura, thank you. I do actually have a question for you.
299
1049810
4426
Chris Anderson: Dziękuję, Lauro. Mam do ciebie pytanie.
17:34
First of all, the research is insane.
300
1054236
2359
Po pierwsze, twoje badania są niesamowite.
17:36
I mean, who would design an experiment like that? (Laughter)
301
1056595
3725
Kto wymyśliłby takie doświadczenie? (Śmiech)
17:41
I've seen that a couple of times,
302
1061150
1790
Obejrzałem to już kilka razy
17:42
and I still don't honestly believe that that can truly be happening,
303
1062940
3222
i dalej nie wierzę w to, co widzę,
ale inni potwierdzili to w swoich badaniach, to fakt.
17:46
but other people have done similar experiments; it checks out.
304
1066162
3158
17:49
The babies really are that genius.
305
1069320
1633
Dzieci naprawdę są genialne.
17:50
LS: You know, they look really impressive in our experiments,
306
1070953
3007
LS: Dzieci w naszych badaniach robią wrażenie,
17:53
but think about what they look like in real life, right?
307
1073960
2652
ale pomyślcie, co dzieje się w życiu.
Mamy niemowlę.
17:56
It starts out as a baby.
308
1076612
1150
17:57
Eighteen months later, it's talking to you,
309
1077762
2007
Półtora roku później mówi
17:59
and babies' first words aren't just things like balls and ducks,
310
1079769
3041
i jego pierwsze słowa to nie "kaczka" czy "piłka",
18:02
they're things like "all gone," which refer to disappearance,
311
1082810
2881
ale zwroty jak "nie ma", które opisują znikanie,
czy ''ojej" dotyczące akcji nieumyślnych.
18:05
or "uh-oh," which refer to unintentional actions.
312
1085691
2283
18:07
It has to be that powerful.
313
1087974
1562
To jest imponujące,
18:09
It has to be much more powerful than anything I showed you.
314
1089536
2775
znacznie bardziej niż to, co wam pokazałam.
Próbują zrozumieć świat.
18:12
They're figuring out the entire world.
315
1092311
1974
Czterolatek może rozmawiać praktycznie na każdy temat.
18:14
A four-year-old can talk to you about almost anything.
316
1094285
3144
18:17
(Applause)
317
1097429
1601
(Brawa)
18:19
CA: And if I understand you right, the other key point you're making is,
318
1099030
3414
CA: Jeśli dobrze zrozumiałem,
pomimo od dawna powszechnych głosów,
18:22
we've been through these years where there's all this talk
319
1102444
2754
18:25
of how quirky and buggy our minds are,
320
1105198
1932
że nasze umysły są dziwne i zawodne,
18:27
that behavioral economics and the whole theories behind that
321
1107130
2867
wbrew ekonomii behawioralnej i jej twierdzeniom,
18:29
that we're not rational agents.
322
1109997
1603
że nie jesteśmy racjonalni,
18:31
You're really saying that the bigger story is how extraordinary,
323
1111600
4216
uważasz, że nie doceniamy
18:35
and there really is genius there that is underappreciated.
324
1115816
4944
niesamowitego geniuszu ludzkiego umysłu.
18:40
LS: One of my favorite quotes in psychology
325
1120760
2070
LS: Jednym z moich ulubionych cytatów
18:42
comes from the social psychologist Solomon Asch,
326
1122830
2290
są słowa psychologa społecznego Solomona Ascha,
który twierdził, że zadanie psychologii
18:45
and he said the fundamental task of psychology is to remove
327
1125120
2807
to usunięcie z rzeczy zasłony oczywistości.
18:47
the veil of self-evidence from things.
328
1127927
2626
18:50
There are orders of magnitude more decisions you make every day
329
1130553
4551
Niewyobrażalna ilość decyzji podejmowanych przez ludzi każdego dnia pokazuje,
18:55
that get the world right.
330
1135104
1347
że rozumiemy świat.
18:56
You know about objects and their properties.
331
1136451
2132
Znamy rzeczy i ich właściwości.
18:58
You know them when they're occluded. You know them in the dark.
332
1138583
3029
Rozpoznajemy je, gdy są zasłonięte czy w ciemnym pomieszczeniu.
19:01
You can walk through rooms.
333
1141612
1308
Chodzimy między pokojami.
19:02
You can figure out what other people are thinking. You can talk to them.
334
1142920
3532
Domyślamy się, co myślą inni. Rozmawiamy z nimi.
Przemieszczamy się, znamy liczby.
19:06
You can navigate space. You know about numbers.
335
1146452
2230
Znamy związki przyczynowe i system wartości moralnych.
19:08
You know causal relationships. You know about moral reasoning.
336
1148682
3022
Robimy to odruchowo, więc tego nie zauważamy,
19:11
You do this effortlessly, so we don't see it,
337
1151704
2356
ale wtedy właśnie rozumiemy świat, co jest nadzwyczajnym
19:14
but that is how we get the world right, and it's a remarkable
338
1154060
2912
i niedocenionym osiągnięciem.
19:16
and very difficult-to-understand accomplishment.
339
1156972
2318
CA: Podejrzewam, że są wśród nas tacy,
19:19
CA: I suspect there are people in the audience who have
340
1159290
2628
którzy wierzą w postęp technologiczny,
19:21
this view of accelerating technological power
341
1161918
2238
i nie zgodziliby się z twoją tezą, że za naszego życia
19:24
who might dispute your statement that never in our lifetimes
342
1164156
2958
komputer nigdy nie dorówna trzylatkowi,
19:27
will a computer do what a three-year-old child can do,
343
1167114
2618
ale tak czy inaczej
19:29
but what's clear is that in any scenario,
344
1169732
3248
maszyny mogą się wiele nauczyć od dzieci.
19:32
our machines have so much to learn from our toddlers.
345
1172980
3770
19:38
LS: I think so. You'll have some machine learning folks up here.
346
1178230
3216
LS: Tak myślę. Maszyny już się uczą.
19:41
I mean, you should never bet against babies or chimpanzees
347
1181446
4203
I lepiej nie stawać przeciwko dzieciom czy szympansom
19:45
or technology as a matter of practice,
348
1185649
3645
czy, na wszelki wypadek, przeciwko technologii,
19:49
but it's not just a difference in quantity,
349
1189294
4528
ale nie chodzi tu o różnicę ilościową,
19:53
it's a difference in kind.
350
1193822
1764
ale jakościową.
19:55
We have incredibly powerful computers,
351
1195586
2160
Mamy niesamowicie potężne komputery,
19:57
and they do do amazingly sophisticated things,
352
1197746
2391
które robią skomplikowane rzeczy,
20:00
often with very big amounts of data.
353
1200137
3204
często z ogromną ilością danych.
20:03
Human minds do, I think, something quite different,
354
1203341
2607
Ludzki umysł robi coś zupełni innego.
20:05
and I think it's the structured, hierarchical nature of human knowledge
355
1205948
3895
Myślę, że ta uporządkowana, hierarchiczna natura ludzkiej wiedzy
20:09
that remains a real challenge.
356
1209843
2032
jest dla maszyn wyzwaniem.
20:11
CA: Laura Schulz, wonderful food for thought. Thank you so much.
357
1211875
3061
CA: Lauro Schulz, doskonały materiał do przemyśleń. Dziękuję.
20:14
LS: Thank you. (Applause)
358
1214936
2922
LS: Dziękuję. (Brawa)
O tej stronie

Na tej stronie poznasz filmy z YouTube, które są przydatne do nauki języka angielskiego. Zobaczysz lekcje angielskiego prowadzone przez najlepszych nauczycieli z całego świata. Kliknij dwukrotnie na angielskie napisy wyświetlane na stronie każdego filmu, aby odtworzyć film od tego miejsca. Napisy przewijają się synchronicznie z odtwarzaniem filmu. Jeśli masz jakieś uwagi lub prośby, skontaktuj się z nami za pomocą formularza kontaktowego.

https://forms.gle/WvT1wiN1qDtmnspy7