Laura Schulz: The surprisingly logical minds of babies

233,878 views ・ 2015-06-02

TED


Por favor, faça duplo clique nas legendas em inglês abaixo para reproduzir o vídeo.

Tradutor: Catarina Mendes Revisora: Margarida Ferreira
00:12
Mark Twain summed up what I take to be
0
12835
2155
Mark Twain resumiu o que eu considero
00:14
one of the fundamental problems of cognitive science
1
14990
3120
um dos problemas fundamentais da ciência cognitiva
apenas numa piada.
00:18
with a single witticism.
2
18110
1710
00:20
He said, "There's something fascinating about science.
3
20410
3082
Ele disse: "Há algo fascinante na ciência.
00:23
One gets such wholesale returns of conjecture
4
23492
3228
"Obtêm-se retornos profundos da conjetura
00:26
out of such a trifling investment in fact."
5
26720
3204
"a partir de investigações superficiais da verdade".
00:29
(Laughter)
6
29924
1585
(Risos)
00:32
Twain meant it as a joke, of course, but he's right:
7
32199
2604
Claro que Twain disse isto a brincar, mas está correto:
00:34
There's something fascinating about science.
8
34803
2876
Há algo fascinante na ciência.
00:37
From a few bones, we infer the existence of dinosuars.
9
37679
4261
A partir de alguns ossos, inferimos a existência de dinossauros.
00:42
From spectral lines, the composition of nebulae.
10
42910
3871
A partir de linhas espetrais, a composição de nebulosas.
00:47
From fruit flies,
11
47471
2938
A partir de moscas-da-fruta,
00:50
the mechanisms of heredity,
12
50409
2943
os mecanismos da hereditariedade,
00:53
and from reconstructed images of blood flowing through the brain,
13
53352
4249
e de imagens reconstruídas do sangue que flui através do cérebro,
00:57
or in my case, from the behavior of very young children,
14
57601
4708
ou no meu caso, do comportamento de crianças muito novas,
01:02
we try to say something about the fundamental mechanisms
15
62309
2829
tentamos dizer algo sobre os mecanismos fundamentais
01:05
of human cognition.
16
65138
1618
da cognição humana.
01:07
In particular, in my lab in the Department of Brain and Cognitive Sciences at MIT,
17
67716
4759
No meu laboratório no Departamento de Ciências Cognitivas no MIT,
01:12
I have spent the past decade trying to understand the mystery
18
72475
3654
passei a última década a tentar perceber o mistério
de como as crianças aprendem tanto a partir de tão pouco e tão rapidamente.
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
Porque acontece que a coisa fascinante na ciência
01:23
is also a fascinating thing about children,
21
83644
3529
também é uma coisa fascinante nas crianças.
Mudando um pouco a frase de Mark Twain,
01:27
which, to put a gentler spin on Mark Twain,
22
87173
2581
01:29
is precisely their ability to draw rich, abstract inferences
23
89754
4650
é exatamente a capacidade que elas têm para criar inferências ricas e abstratas
01:34
rapidly and accurately from sparse, noisy data.
24
94404
4661
com rapidez e precisão, a partir de dados soltos, ruidosos.
01:40
I'm going to give you just two examples today.
25
100355
2398
Hoje vou dar apenas dois exemplos.
01:42
One is about a problem of generalization,
26
102753
2287
Um é sobre um problema de generalização,
e o outro é sobre um problema de raciocínio causal.
01:45
and the other is about a problem of causal reasoning.
27
105040
2850
01:47
And although I'm going to talk about work in my lab,
28
107890
2525
Apesar de falar sobre o trabalho no meu laboratório,
01:50
this work is inspired by and indebted to a field.
29
110415
3460
este trabalho é inspirado e derivado de um campo.
01:53
I'm grateful to mentors, colleagues, and collaborators around the world.
30
113875
4283
Estou grata a mentores, colegas, e colaboradores de todo o mundo.
01:59
Let me start with the problem of generalization.
31
119308
2974
Vou começar com o problema da generalização.
02:02
Generalizing from small samples of data is the bread and butter of science.
32
122652
4133
Generalizar a partir de poucos dados é o pão nosso de cada dia na ciência.
02:06
We poll a tiny fraction of the electorate
33
126785
2554
Sondamos uma pequena fração de eleitores
02:09
and we predict the outcome of national elections.
34
129339
2321
e prevemos o resultado das eleições nacionais.
02:12
We see how a handful of patients responds to treatment in a clinical trial,
35
132240
3925
Vemos como alguns pacientes reagem ao tratamento num ensaio clínico,
e colocamos drogas no mercado nacional.
02:16
and we bring drugs to a national market.
36
136165
3065
02:19
But this only works if our sample is randomly drawn from the population.
37
139230
4365
Mas isto só funciona se a nossa amostra for obtida aleatoriamente da população.
02:23
If our sample is cherry-picked in some way --
38
143595
2735
Se a nossa amostra for enviesada de alguma maneira
02:26
say, we poll only urban voters,
39
146330
2072
— digamos, sondamos apenas eleitores urbanos,
02:28
or say, in our clinical trials for treatments for heart disease,
40
148402
4388
ou então, nos nossos ensaios clínicos para tratamento de doenças do coração,
02:32
we include only men --
41
152790
1881
incluímos apenas homens —
02:34
the results may not generalize to the broader population.
42
154671
3158
os resultados podem não representar a população mais ampla.
02:38
So scientists care whether evidence is randomly sampled or not,
43
158479
3581
Então, os cientistas preocupam-se se as amostras são aleatórias ou não,
02:42
but what does that have to do with babies?
44
162060
2015
mas o que é que tem isto a ver com bebés?
02:44
Well, babies have to generalize from small samples of data all the time.
45
164585
4621
Bem, os bebés precisam de generalizar pequenas amostras de dados o tempo todo.
02:49
They see a few rubber ducks and learn that they float,
46
169206
3158
Veem alguns patos de borracha e aprendem que eles flutuam,
02:52
or a few balls and learn that they bounce.
47
172364
3575
ou veem algumas bolas e aprendem que elas saltam.
02:55
And they develop expectations about ducks and balls
48
175939
2951
Desenvolvem expetativas sobre patos e bolas
02:58
that they're going to extend to rubber ducks and balls
49
178890
2716
que vão alargar aos patos de borracha e bolas
03:01
for the rest of their lives.
50
181606
1879
para o resto da vida.
03:03
And the kinds of generalizations babies have to make about ducks and balls
51
183485
3739
O tipo de generalizações que os bebés têm que fazer sobre patos e bolas,
03:07
they have to make about almost everything:
52
187224
2089
precisam fazer sobre quase tudo o resto:
03:09
shoes and ships and sealing wax and cabbages and kings.
53
189313
3917
sapatos, barcos, lacre, couves e reis.
03:14
So do babies care whether the tiny bit of evidence they see
54
194200
2961
Será que os bebés reparam se os pedacinhos de evidências que veem
03:17
is plausibly representative of a larger population?
55
197161
3692
são representantes plausíveis de uma população mais ampla?
03:21
Let's find out.
56
201763
1900
Vamos descobrir.
03:23
I'm going to show you two movies,
57
203663
1723
Vou mostrar dois filmes,
03:25
one from each of two conditions of an experiment,
58
205386
2462
um para cada uma de duas situações de uma experiência.
03:27
and because you're going to see just two movies,
59
207848
2438
Como vocês vão ver apenas dois filmes,
03:30
you're going to see just two babies,
60
210286
2136
verão apenas dois bebés,
03:32
and any two babies differ from each other in innumerable ways.
61
212422
3947
e quaisquer dois bebés diferem entre si de várias maneiras.
03:36
But these babies, of course, here stand in for groups of babies,
62
216369
3051
Mas estes bebés, claro, representam grupos de bebés.
03:39
and the differences you're going to see
63
219420
1895
As diferenças que vão ver
03:41
represent average group differences in babies' behavior across conditions.
64
221315
5195
representam as diferenças médias de grupos de bebés em cada situação.
Em cada filme, vocês vão ver um bebé a fazer,
03:47
In each movie, you're going to see a baby doing maybe
65
227160
2583
03:49
just exactly what you might expect a baby to do,
66
229743
3460
talvez exatamente o que vocês esperam que um bebé faça,
03:53
and we can hardly make babies more magical than they already are.
67
233203
4017
e dificilmente podemos tornar os bebés mais mágicos do que já são.
Mas para mim, a coisa mágica,
03:58
But to my mind the magical thing,
68
238090
2010
na qual quero que vocês prestem atenção,
04:00
and what I want you to pay attention to,
69
240100
2089
04:02
is the contrast between these two conditions,
70
242189
3111
é o contraste entre estas duas situações,
04:05
because the only thing that differs between these two movies
71
245300
3529
porque a única coisa que difere entre estes dois filmes
04:08
is the statistical evidence the babies are going to observe.
72
248829
3466
são as evidências estatísticas que os bebés vão observar.
04:13
We're going to show babies a box of blue and yellow balls,
73
253425
3183
Vamos mostrar aos bebés uma caixa de bolas azuis e amarelas.
04:16
and my then-graduate student, now colleague at Stanford, Hyowon Gweon,
74
256608
4620
A minha ex-aluna, que agora é minha colega em Stanford, Hyowon Gweon,
04:21
is going to pull three blue balls in a row out of this box,
75
261228
3077
vai tirar da caixa três bolas azuis de seguida.
04:24
and when she pulls those balls out, she's going to squeeze them,
76
264305
3123
Ao tirar as bolas, ela vai apertá-las,
04:27
and the balls are going to squeak.
77
267428
2113
e as bolas vão chiar.
04:29
And if you're a baby, that's like a TED Talk.
78
269541
2763
Para um bebé, é como estar numa palestra do TED.
04:32
It doesn't get better than that.
79
272304
1904
Não há nada melhor que isto.
04:34
(Laughter)
80
274208
2561
(Risos)
04:38
But the important point is it's really easy to pull three blue balls in a row
81
278968
3659
Mas o que importa é que é fácil tirar três bolas azuis de seguida
04:42
out of a box of mostly blue balls.
82
282627
2305
de uma caixa com uma maioria de bolas azuis.
04:44
You could do that with your eyes closed.
83
284932
2060
Podíamos fazer isto de olhos fechados.
04:46
It's plausibly a random sample from this population.
84
286992
2996
É plausível que sejam evidências aleatórias desta população.
04:49
And if you can reach into a box at random and pull out things that squeak,
85
289988
3732
Se tiramos duma caixa, ao acaso, qualquer coisa que chia,
04:53
then maybe everything in the box squeaks.
86
293720
2839
então talvez tudo dentro da caixa chie.
04:56
So maybe babies should expect those yellow balls to squeak as well.
87
296559
3650
Talvez os bebés devessem esperar que as bolas amarelas também chiassem.
05:00
Now, those yellow balls have funny sticks on the end,
88
300209
2519
Mas as bolas amarelas têm bastões engraçados na ponta,
05:02
so babies could do other things with them if they wanted to.
89
302728
2857
para os bebés fazerem outras coisas com elas, se quiserem.
05:05
They could pound them or whack them.
90
305585
1831
Podem amassá-las ou bater com elas.
05:07
But let's see what the baby does.
91
307416
2586
Mas vamos ver o que o bebé faz.
(Vídeo)
05:12
(Video) Hyowon Gweon: See this? (Ball squeaks)
92
312548
3343
Hyowon Gweon: Vês isto?
(Bola chia)
05:16
Did you see that? (Ball squeaks)
93
316531
3045
Viste?
(Bola chia)
Fixe.
05:20
Cool.
94
320036
3066
05:24
See this one?
95
324706
1950
Vês esta?
05:26
(Ball squeaks)
96
326656
1881
(Bola chia)
05:28
Wow.
97
328537
2653
Uau.
05:33
Laura Schulz: Told you. (Laughs)
98
333854
2113
Laura Schulz: Eu não disse?
05:35
(Video) HG: See this one? (Ball squeaks)
99
335967
4031
HG: Estás a ver esta?
(Bola chia)
05:39
Hey Clara, this one's for you. You can go ahead and play.
100
339998
4619
Ei, Clara, esta é para ti. Podes brincar, se quiseres.
(Risos)
05:51
(Laughter)
101
351854
4365
05:56
LS: I don't even have to talk, right?
102
356219
2995
LS: Nem preciso dizer nada, certo?
05:59
All right, it's nice that babies will generalize properties
103
359214
2899
Tudo bem, é bom que os bebés generalizem as propriedades
das bolas azuis para as amarelas.
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
É impressionante que os bebés aprendam por imitação,
06:06
but we've known those things about babies for a very long time.
106
366737
3669
mas já sabemos estas coisas sobre bebés há muito tempo.
06:10
The really interesting question
107
370406
1811
A questão mais interessante
06:12
is what happens when we show babies exactly the same thing,
108
372217
2852
é o que acontece quando mostramos exatamente a mesma coisa,
e podemos garantir que é a mesma coisa pois temos um compartimento secreto
06:15
and we can ensure it's exactly the same because we have a secret compartment
109
375069
3611
06:18
and we actually pull the balls from there,
110
378680
2110
e tiramos as bolas de lá.
06:20
but this time, all we change is the apparent population
111
380790
3478
Mas, desta vez, vamos mudar a população aparente
06:24
from which that evidence was drawn.
112
384268
2902
a partir da qual foram obtidas as evidências .
06:27
This time, we're going to show babies three blue balls
113
387170
3553
Desta vez, vamos mostrar aos bebés três bolas azuis
06:30
pulled out of a box of mostly yellow balls,
114
390723
3384
tiradas de uma caixa com a maioria de bolas amarelas,
e adivinhem?
06:34
and guess what?
115
394107
1322
06:35
You [probably won't] randomly draw three blue balls in a row
116
395429
2840
Não é provável tirarmos três bolas azuis de seguida
06:38
out of a box of mostly yellow balls.
117
398269
2484
de uma caixa com a maioria de bolas amarelas.
06:40
That is not plausibly randomly sampled evidence.
118
400753
3747
Isto não é uma prova de uma amostra aleatória plausível.
06:44
That evidence suggests that maybe Hyowon was deliberately sampling the blue balls.
119
404500
5123
Estas evidências indicam
que Hyowon escolheu as bolas azuis, de propósito.
06:49
Maybe there's something special about the blue balls.
120
409623
2583
Talvez haja algo especial nas bolas azuis.
06:52
Maybe only the blue balls squeak.
121
412846
2976
Talvez apenas as bolas azuis chiem.
06:55
Let's see what the baby does.
122
415822
1895
Vamos ver o que o bebé faz.
06:57
(Video) HG: See this? (Ball squeaks)
123
417717
2904
(Vídeo) HG: Vês isto?
(Bola chia)
07:02
See this toy? (Ball squeaks)
124
422851
2645
Vês este brinquedo?
(Bola chia)
07:05
Oh, that was cool. See? (Ball squeaks)
125
425496
5480
Oh, isto foi fixe! Vês?
(Bola chia)
07:10
Now this one's for you to play. You can go ahead and play.
126
430976
4394
Agora, esta é para tu brincares. Podes brincar se quiser.
(Balbucios)
07:18
(Fussing) (Laughter)
127
438074
6347
07:26
LS: So you just saw two 15-month-old babies
128
446901
2748
LS: Pronto, acabaram de ver dois bebés de 15 meses
07:29
do entirely different things
129
449649
1942
a fazer coisas totalmente diferentes,
07:31
based only on the probability of the sample they observed.
130
451591
3599
com base apenas na probabilidade da amostra que observaram.
07:35
Let me show you the experimental results.
131
455190
2321
Vou mostrar os resultados experimentais.
07:37
On the vertical axis, you'll see the percentage of babies
132
457511
2764
No eixo vertical, temos a percentagem de bebés
07:40
who squeezed the ball in each condition,
133
460275
2530
que apertaram a bola em cada situação.
07:42
and as you'll see, babies are much more likely to generalize the evidence
134
462805
3715
Como podemos ver, os bebés tendem a generalizar as evidências
07:46
when it's plausibly representative of the population
135
466520
3135
quando há uma amostra representativa plausível da população
07:49
than when the evidence is clearly cherry-picked.
136
469655
3738
em vez de uma amostra escolhida propositadamente.
07:53
And this leads to a fun prediction:
137
473393
2415
Isto leva a uma previsão divertida:
07:55
Suppose you pulled just one blue ball out of the mostly yellow box.
138
475808
4868
suponham que tirávamos uma bola azul da caixa com maioria de bolas amarelas.
08:00
You [probably won't] pull three blue balls in a row at random out of a yellow box,
139
480896
3869
Provavelmente, não tirávamos três bolas azuis de seguida,
08:04
but you could randomly sample just one blue ball.
140
484765
2455
mas podíamos tirar aleatoriamente uma bola azul.
08:07
That's not an improbable sample.
141
487220
1970
Isso não é uma amostra improvável.
08:09
And if you could reach into a box at random
142
489190
2224
Se pudéssemos mexer numa caixa ao acaso
08:11
and pull out something that squeaks, maybe everything in the box squeaks.
143
491414
3987
e tirar qualquer coisa que chie, talvez todas as coisas da caixa chiem.
08:15
So even though babies are going to see much less evidence for squeaking,
144
495875
4445
Então, mesmo que os bebés estejam a ver menos evidências para o chiar,
08:20
and have many fewer actions to imitate
145
500320
2242
e tenham muitas menos ações para imitar
08:22
in this one ball condition than in the condition you just saw,
146
502562
3343
nesta situação de uma bola que acabámos de ver,
08:25
we predicted that babies themselves would squeeze more,
147
505905
3892
previmos que os próprios bebés apertariam mais,
08:29
and that's exactly what we found.
148
509797
2894
e foi exatamente isso que vimos.
08:32
So 15-month-old babies, in this respect, like scientists,
149
512691
4411
Então, os bebés de 15 meses, como se fossem cientistas,
08:37
care whether evidence is randomly sampled or not,
150
517102
3088
reparam se as evidências são amostras aleatórias ou não,
08:40
and they use this to develop expectations about the world:
151
520190
3507
e usam isso para desenvolver expetativas sobre o mundo:
08:43
what squeaks and what doesn't,
152
523697
2182
o que chia e o que não chia,
08:45
what to explore and what to ignore.
153
525879
3145
o que explorar e o que ignorar.
08:50
Let me show you another example now,
154
530384
2066
Agora vou mostrar outro exemplo,
08:52
this time about a problem of causal reasoning.
155
532450
2730
desta vez sobre um problema de raciocínio causal.
08:55
And it starts with a problem of confounded evidence
156
535180
2439
Começa com um problema de evidências confusas
08:57
that all of us have,
157
537619
1672
que todos nós temos,
08:59
which is that we are part of the world.
158
539291
2020
ou seja, que fazemos parte do mundo.
09:01
And this might not seem like a problem to you, but like most problems,
159
541311
3436
Isto pode não vos parecer um problema mas, como a maioria dos problemas,
09:04
it's only a problem when things go wrong.
160
544747
2337
só é um problema quando as coisas não correm bem.
09:07
Take this baby, for instance.
161
547464
1811
Vejam este bebé, por exemplo.
09:09
Things are going wrong for him.
162
549275
1705
As coisas não lhe correm bem.
09:10
He would like to make this toy go, and he can't.
163
550980
2271
Ele queria que este brinquedo tocasse, mas não consegue.
09:13
I'll show you a few-second clip.
164
553251
2529
Vou mostrar-vos um vídeo de alguns segundos.
09:21
And there's two possibilities, broadly:
165
561340
1920
Há duas possibilidades:
09:23
Maybe he's doing something wrong,
166
563260
2634
Talvez ele esteja a fazer algo mal,
09:25
or maybe there's something wrong with the toy.
167
565894
4216
ou talvez haja algo de errado com o brinquedo.
Portanto, nesta próxima experiência,
09:30
So in this next experiment,
168
570110
2111
09:32
we're going to give babies just a tiny bit of statistical data
169
572221
3297
vamos dar aos bebés apenas alguns dados estatísticos
09:35
supporting one hypothesis over the other,
170
575518
2582
apoiando uma hipótese sobre a outra.
Vamos ver se os bebés conseguem tomar decisões diferentes
09:38
and we're going to see if babies can use that to make different decisions
171
578100
3455
09:41
about what to do.
172
581555
1834
quanto ao que fazer.
09:43
Here's the setup.
173
583389
2022
Aqui está a experiência.
A Hyowon vai tentar fazer com que o brinquedo toque e consegue.
09:46
Hyowon is going to try to make the toy go and succeed.
174
586071
3030
Depois, eu vou tentar duas vezes e falhar.
09:49
I am then going to try twice and fail both times,
175
589101
3320
09:52
and then Hyowon is going to try again and succeed,
176
592421
3112
A Hyowon vai tentar de novo e vai conseguir,
09:55
and this roughly sums up my relationship to my graduate students
177
595533
3172
e isto resume a minha relação com os meus alunos de pós-graduação
09:58
in technology across the board.
178
598705
2835
em tecnologia.
Mas o importante aqui é fornecer um pouco de evidências
10:02
But the important point here is it provides a little bit of evidence
179
602030
3292
10:05
that the problem isn't with the toy, it's with the person.
180
605322
3668
de que o problema não é o brinquedo, é a pessoa.
10:08
Some people can make this toy go,
181
608990
2350
Algumas pessoas fazem o brinquedo tocar,
10:11
and some can't.
182
611340
959
e outras não.
10:12
Now, when the baby gets the toy, he's going to have a choice.
183
612799
3413
Agora, quando o bebé pega no brinquedo, ele tem uma escolha.
10:16
His mom is right there,
184
616212
2188
A mãe dele está ali,
10:18
so he can go ahead and hand off the toy and change the person,
185
618400
3315
para ele poder entregar o brinquedo e mudar de pessoa,
10:21
but there's also going to be another toy at the end of that cloth,
186
621715
3158
mas também haverá outro brinquedo, no final daquele pano.
10:24
and he can pull the cloth towards him and change the toy.
187
624873
3552
Ele pode puxar o pano e mudar de brinquedo.
10:28
So let's see what the baby does.
188
628425
2090
Então vamos ver o que o bebé faz.
10:30
(Video) HG: Two, three. Go! (Music)
189
630515
4183
(Vídeo)
HG: Dois, três. Vai!
(Música)
10:34
LS: One, two, three, go!
190
634698
3131
LS: Um, dois, três, vai!
10:37
Arthur, I'm going to try again. One, two, three, go!
191
637829
7382
Arthur, vou tentar novamente.
Um, dois, três, vai!
10:45
YG: Arthur, let me try again, okay?
192
645677
2600
HG: Arthur, vou tentar de novo, está bem?
10:48
One, two, three, go! (Music)
193
648277
4550
Um, dois, três, vai!
(Música)
10:53
Look at that. Remember these toys?
194
653583
1883
Vê isto. Lembras-te destes brinquedos?
10:55
See these toys? Yeah, I'm going to put this one over here,
195
655466
3264
Vês estes brinquedos? Sim, vou pôr este aqui,
10:58
and I'm going to give this one to you.
196
658730
2062
e vou dar-te este.
11:00
You can go ahead and play.
197
660792
2335
Podes brincar se quiseres.
11:23
LS: Okay, Laura, but of course, babies love their mommies.
198
683213
4737
LS: Ok, Laura, mas é óbvio que os bebés amam as mamãs.
11:27
Of course babies give toys to their mommies
199
687950
2182
É claro que os bebés vão dar os brinquedos às mamãs
11:30
when they can't make them work.
200
690132
2030
quando não conseguem pô-los a funcionar.
11:32
So again, the really important question is what happens when we change
201
692162
3593
Novamente, o que importa é o que acontece,
11:35
the statistical data ever so slightly.
202
695755
3154
quando mudamos ligeiramente os dados estatísticos.
11:38
This time, babies are going to see the toy work and fail in exactly the same order,
203
698909
4087
Desta vez, os bebés vão ver o brinquedo funcionar e falhar pela mesma ordem,
11:42
but we're changing the distribution of evidence.
204
702996
2415
mas mudamos a distribuição das evidências.
11:45
This time, Hyowon is going to succeed once and fail once, and so am I.
205
705411
4411
Desta vez, a Hyowon vai conseguir uma vez e falhar uma vez, e eu também.
11:49
And this suggests it doesn't matter who tries this toy, the toy is broken.
206
709822
5637
Isto sugere que não importa quem tenta, o brinquedo está avariado.
11:55
It doesn't work all the time.
207
715459
1886
Ele nunca funciona.
De novo, a bebé vai poder escolher.
11:57
Again, the baby's going to have a choice.
208
717345
1965
11:59
Her mom is right next to her, so she can change the person,
209
719310
3396
A mãe está mesmo ao lado dela, então ela pode mudar a pessoa,
12:02
and there's going to be another toy at the end of the cloth.
210
722706
3204
e haverá outro brinquedo no fim do pano.
12:05
Let's watch what she does.
211
725910
1378
Vamos ver o que ela faz.
12:07
(Video) HG: Two, three, go! (Music)
212
727288
4348
(Vídeo)
HG: Dois, três, vai!
(Música)
12:11
Let me try one more time. One, two, three, go!
213
731636
4984
Deixa-me tentar de novo. Um, dois, três, vai!
12:17
Hmm.
214
737460
1697
Hum.
12:19
LS: Let me try, Clara.
215
739950
2692
LS: Deixa-me tentar, Clara.
12:22
One, two, three, go!
216
742642
3945
Um, dois, três, vai!
12:27
Hmm, let me try again.
217
747265
1935
Hum, deixa-me tentar de novo.
12:29
One, two, three, go! (Music)
218
749200
5670
Um, dois, três, vai!
(Música)
HG: Vou deixar este aqui,
12:35
HG: I'm going to put this one over here,
219
755009
2233
12:37
and I'm going to give this one to you.
220
757242
2001
e vou dar-te este.
12:39
You can go ahead and play.
221
759243
3597
Podes brincar, se quiseres.
12:58
(Applause)
222
778376
4897
(Aplausos)
13:04
LS: Let me show you the experimental results.
223
784993
2392
LS: Vou mostrar os resultados experimentais.
13:07
On the vertical axis, you'll see the distribution
224
787385
2475
No eixo vertical, temos a distribuição de escolhas das crianças
13:09
of children's choices in each condition,
225
789860
2577
para cada situação.
13:12
and you'll see that the distribution of the choices children make
226
792437
4551
Podemos ver que as escolhas que as crianças fazem
13:16
depends on the evidence they observe.
227
796988
2787
dependem das evidências observadas.
13:19
So in the second year of life,
228
799775
1857
Então, no segundo ano de vida,
13:21
babies can use a tiny bit of statistical data
229
801632
2577
os bebés podem usar alguns dados estatísticos
13:24
to decide between two fundamentally different strategies
230
804209
3367
para decidir entre duas estratégias fundamentalmente diferentes
13:27
for acting in the world:
231
807576
1881
para agir no mundo:
13:29
asking for help and exploring.
232
809457
2743
pedir ajuda e explorar.
13:33
I've just shown you two laboratory experiments
233
813700
3434
Eu só mostrei duas experiências de laboratório
entre centenas de outras que mostram resultados parecidos,
13:37
out of literally hundreds in the field that make similar points,
234
817134
3691
13:40
because the really critical point
235
820825
2392
pois o ponto essencial
13:43
is that children's ability to make rich inferences from sparse data
236
823217
5108
é mostrar que a capacidade das crianças de fazerem deduções com poucos dados
13:48
underlies all the species-specific cultural learning that we do.
237
828325
5341
está por trás de toda a aprendizagem cultural específica que fazemos.
13:53
Children learn about new tools from just a few examples.
238
833666
4597
As crianças aprendem novas ferramentas a partir de alguns exemplos.
13:58
They learn new causal relationships from just a few examples.
239
838263
4717
Aprendem novas relações causais a partir de alguns exemplos.
14:03
They even learn new words, in this case in American Sign Language.
240
843928
4871
Até aprendem novas palavras, neste caso em linguagem gestual.
14:08
I want to close with just two points.
241
848799
2311
Vou concluir com apenas dois pontos.
Se vocês têm estado a acompanhar as ciências cognitivas e do cérebro
14:12
If you've been following my world, the field of brain and cognitive sciences,
242
852050
3688
14:15
for the past few years,
243
855738
1927
dos últimos anos,
14:17
three big ideas will have come to your attention.
244
857665
2415
terão reparado em três grandes ideias.
14:20
The first is that this is the era of the brain.
245
860080
3436
A primeira é que estamos na era do cérebro.
14:23
And indeed, there have been staggering discoveries in neuroscience:
246
863516
3669
De facto, houve descobertas surpreendentes na neurociência:
14:27
localizing functionally specialized regions of cortex,
247
867185
3436
a localização funcional de regiões especializadas do córtex,
14:30
turning mouse brains transparent,
248
870621
2601
tornando transparentes cérebros de ratos,
14:33
activating neurons with light.
249
873222
3776
ativando neurónios com luz.
14:36
A second big idea
250
876998
1996
A segunda grande ideia
14:38
is that this is the era of big data and machine learning,
251
878994
4104
é que estamos na era dos megadados e da aprendizagem das máquinas,
e isto promete revolucionar a nossa compreensão de tudo,
14:43
and machine learning promises to revolutionize our understanding
252
883098
3141
14:46
of everything from social networks to epidemiology.
253
886239
4667
desde as redes sociais até à epidemiologia.
14:50
And maybe, as it tackles problems of scene understanding
254
890906
2693
Talvez ao enfrentar problemas de compreensão contextual
14:53
and natural language processing,
255
893599
1993
e de processamento de linguagem natural,
14:55
to tell us something about human cognition.
256
895592
3324
isto nos possa dizer algo sobre a cognição humana.
14:59
And the final big idea you'll have heard
257
899756
1937
E a última grande ideia
15:01
is that maybe it's a good idea we're going to know so much about brains
258
901693
3387
é que talvez seja uma boa ideia virmos a saber muito sobre o cérebro
e termos muito acesso aos megadados,
15:05
and have so much access to big data,
259
905080
1917
15:06
because left to our own devices,
260
906997
2507
pois, se ficarmos entregues a nós próprios,
15:09
humans are fallible, we take shortcuts,
261
909504
3831
os seres humanos são falíveis, usamos atalhos,
15:13
we err, we make mistakes,
262
913335
3437
erramos, cometemos erros,
15:16
we're biased, and in innumerable ways,
263
916772
3684
somos preconceituosos e, de várias maneiras,
15:20
we get the world wrong.
264
920456
2969
interpretamos mal o mundo.
15:24
I think these are all important stories,
265
924843
2949
Penso que estas histórias são importantes,
15:27
and they have a lot to tell us about what it means to be human,
266
927792
3785
e elas dizem-nos muito sobre o que significa ser humano,
15:31
but I want you to note that today I told you a very different story.
267
931577
3529
mas quero que vocês percebam que vos contei uma história muito diferente.
15:35
It's a story about minds and not brains,
268
935966
3807
É uma história sobre mentes e não sobre o cérebro.
15:39
and in particular, it's a story about the kinds of computations
269
939773
3006
Em particular, é uma história sobre os tipos de cálculos
15:42
that uniquely human minds can perform,
270
942779
2590
que só as mentes humanas podem fazer,
15:45
which involve rich, structured knowledge and the ability to learn
271
945369
3944
o que envolve o conhecimento rico e estruturado
e a capacidade de aprender a partir de pequenas quantidades de dados,
15:49
from small amounts of data, the evidence of just a few examples.
272
949313
5268
das evidências de alguns exemplos.
Essencialmente, é uma história sobre como as crianças
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
começam e continuam o seu caminho
para as maiores realizações da nossa cultura.
16:04
of our culture,
275
964780
3843
16:08
we get the world right.
276
968623
1997
Conseguimos assim, interpretar bem o mundo.
16:12
Folks, human minds do not only learn from small amounts of data.
277
972433
5267
A mente humana não aprende apenas com pequenas quantidades de dados.
16:18
Human minds think of altogether new ideas.
278
978285
2101
A mente humana pensa em novas ideias.
16:20
Human minds generate research and discovery,
279
980746
3041
A mente humana gera pesquisa e descoberta.
16:23
and human minds generate art and literature and poetry and theater,
280
983787
5273
A mente humana gera arte, literatura, poesia e teatro.
16:29
and human minds take care of other humans:
281
989070
3760
A mente humana cuida de outros seres humanos:
16:32
our old, our young, our sick.
282
992830
3427
dos nossos velhos, dos nossos jovens, dos nossos doentes.
16:36
We even heal them.
283
996517
2367
Nós até os curamos.
16:39
In the years to come, we're going to see technological innovations
284
999564
3103
Nos próximos anos, vamos ver inovações tecnológicas
16:42
beyond anything I can even envision,
285
1002667
3797
para além de qualquer coisa que eu possa imaginar,
16:46
but we are very unlikely
286
1006464
2150
mas é muito improvável
16:48
to see anything even approximating the computational power of a human child
287
1008614
5709
que venhamos a ver um computador com o mesmo poder da mente de uma criança
16:54
in my lifetime or in yours.
288
1014323
4298
durante a minha vida ou a vossa.
16:58
If we invest in these most powerful learners and their development,
289
1018621
5047
Se investirmos nestes poderosos aprendizes e no seu desenvolvimento,
17:03
in babies and children
290
1023668
2917
nos bebés e nas crianças,
17:06
and mothers and fathers
291
1026585
1826
nas mães e nos pais
17:08
and caregivers and teachers
292
1028411
2699
nos cuidadores e nos professores,
da mesma forma que investimos noutras formas mais poderosas e elegantes
17:11
the ways we invest in our other most powerful and elegant forms
293
1031110
4170
17:15
of technology, engineering and design,
294
1035280
3218
de tecnologia, da engenharia e do "design",
17:18
we will not just be dreaming of a better future,
295
1038498
2939
não vamos apenas sonhar com um futuro melhor,
17:21
we will be planning for one.
296
1041437
2127
vamos estar a planeá-lo.
17:23
Thank you very much.
297
1043564
2345
Muito obrigada.
17:25
(Applause)
298
1045909
3421
(Aplausos)
17:29
Chris Anderson: Laura, thank you. I do actually have a question for you.
299
1049810
4426
Chris Anderson: Laura, obrigado. Tenho uma pergunta para si.
17:34
First of all, the research is insane.
300
1054236
2359
Em primeiro lugar, esta pesquisa é uma loucura.
17:36
I mean, who would design an experiment like that? (Laughter)
301
1056595
3725
Quero dizer, quem iria projetar uma experiência como esta?
Eu vi isto algumas vezes,
17:41
I've seen that a couple of times,
302
1061150
1790
17:42
and I still don't honestly believe that that can truly be happening,
303
1062940
3222
e ainda não acredito que isto pode estar a acontecer,
mas outras pessoas fizeram experiências semelhantes; e verifica-se.
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
Os bebés são realmente geniais.
17:50
LS: You know, they look really impressive in our experiments,
306
1070953
3007
LS: Eles parecem muito impressionantes nas nossas experiências,
17:53
but think about what they look like in real life, right?
307
1073960
2652
mas pense em como eles são na vida real.
17:56
It starts out as a baby.
308
1076612
1150
Nasce um bebé. Dezoito meses depois, está a falar connosco.
17:57
Eighteen months later, it's talking to you,
309
1077762
2007
17:59
and babies' first words aren't just things like balls and ducks,
310
1079769
3041
As primeiras palavras não são coisas como bolas e patos,
18:02
they're things like "all gone," which refer to disappearance,
311
1082810
2881
são coisas como "não há", que se refere ao desaparecimento,
18:05
or "uh-oh," which refer to unintentional actions.
312
1085691
2283
ou "uh-oh", que se refere a ações não intencionais.
18:07
It has to be that powerful.
313
1087974
1562
É preciso ser poderoso,
18:09
It has to be much more powerful than anything I showed you.
314
1089536
2775
muito mais poderoso do que tudo o que eu mostrei.
Estão a tentar descobrir o mundo inteiro.
18:12
They're figuring out the entire world.
315
1092311
1974
18:14
A four-year-old can talk to you about almost anything.
316
1094285
3144
Uma criança de quatro anos pode conversar sobre quase tudo.
18:17
(Applause)
317
1097429
1601
(Aplausos)
CA: Se percebi bem, o outro ponto que levanta
18:19
CA: And if I understand you right, the other key point you're making is,
318
1099030
3414
18:22
we've been through these years where there's all this talk
319
1102444
2754
é que temos passado estes anos com esta conversa toda
do quão peculiar e confusas são as nossas mentes,
18:25
of how quirky and buggy our minds are,
320
1105198
1932
18:27
that behavioral economics and the whole theories behind that
321
1107130
2867
que a economia comportamental e outras teorias que dizem
18:29
that we're not rational agents.
322
1109997
1603
que não somos agentes racionais.
18:31
You're really saying that the bigger story is how extraordinary,
323
1111600
4216
Acha realmente que a nossa mente é extraordinária,
18:35
and there really is genius there that is underappreciated.
324
1115816
4944
e que há um génio ali que é subestimado?
18:40
LS: One of my favorite quotes in psychology
325
1120760
2070
LS: Uma das minhas citações favoritas em psicologia
18:42
comes from the social psychologist Solomon Asch,
326
1122830
2290
é do psicólogo social Solomon Asch,
18:45
and he said the fundamental task of psychology is to remove
327
1125120
2807
que disse que a tarefa fundamental da psicologia
18:47
the veil of self-evidence from things.
328
1127927
2626
é remover o véu da autoevidência das coisas.
18:50
There are orders of magnitude more decisions you make every day
329
1130553
4551
Há milhões de tipos de escolhas que fazemos todos os dias,
que nos fazem ver bem o mundo.
18:55
that get the world right.
330
1135104
1347
18:56
You know about objects and their properties.
331
1136451
2132
Conhecemos os objetos e as suas propriedades.
18:58
You know them when they're occluded. You know them in the dark.
332
1138583
3029
Sabemos quando estão ocultos. Conhecemo-los no escuro.
19:01
You can walk through rooms.
333
1141612
1308
Podemos andar por salas,
19:02
You can figure out what other people are thinking. You can talk to them.
334
1142920
3532
descobrir o que as outras pessoas estão a pensar e falar com elas.
19:06
You can navigate space. You know about numbers.
335
1146452
2230
Podemos navegar no espaço. Conhecemos os números.
19:08
You know causal relationships. You know about moral reasoning.
336
1148682
3022
Conhecemos as relações causais e o raciocínio moral.
Fazemos isto sem esforço, por isso nem reparamos,
19:11
You do this effortlessly, so we don't see it,
337
1151704
2356
mas é assim que vemos o mundo, e é uma realização notável
19:14
but that is how we get the world right, and it's a remarkable
338
1154060
2912
19:16
and very difficult-to-understand accomplishment.
339
1156972
2318
e muito difícil de perceber.
CA: Eu suspeito que há pessoas na plateia
19:19
CA: I suspect there are people in the audience who have
340
1159290
2628
que têm uma visão do poder tecnológico crescente
19:21
this view of accelerating technological power
341
1161918
2238
que podem refutar a sua afirmação de que, nunca na nossa vida,
19:24
who might dispute your statement that never in our lifetimes
342
1164156
2958
haverá um computador que faça o mesmo que uma criança de três anos,
19:27
will a computer do what a three-year-old child can do,
343
1167114
2618
19:29
but what's clear is that in any scenario,
344
1169732
3248
mas está claro que, em qualquer cenário,
19:32
our machines have so much to learn from our toddlers.
345
1172980
3770
as nossas máquinas têm muito a aprender com as nossas crianças.
19:38
LS: I think so. You'll have some machine learning folks up here.
346
1178230
3216
LS: Acho que sim. Temos aqui pessoas de aprendizagem de máquina.
19:41
I mean, you should never bet against babies or chimpanzees
347
1181446
4203
Quero dizer, não devemos apostar contra bebés ou chimpanzés
19:45
or technology as a matter of practice,
348
1185649
3645
ou tecnologia, como uma questão prática,
19:49
but it's not just a difference in quantity,
349
1189294
4528
mas não é apenas uma diferença na quantidade,
19:53
it's a difference in kind.
350
1193822
1764
é uma diferença no tipo.
19:55
We have incredibly powerful computers,
351
1195586
2160
Temos computadores incrivelmente poderosos,
19:57
and they do do amazingly sophisticated things,
352
1197746
2391
que fazem coisas incrivelmente sofisticadas,
20:00
often with very big amounts of data.
353
1200137
3204
muitas vezes com grandes quantidades de dados.
20:03
Human minds do, I think, something quite different,
354
1203341
2607
A mente humana faz algo completamente diferente.
20:05
and I think it's the structured, hierarchical nature of human knowledge
355
1205948
3895
Acho que é a natureza hierárquica e estruturada do conhecimento humano
20:09
that remains a real challenge.
356
1209843
2032
que continua a ser um desafio real.
20:11
CA: Laura Schulz, wonderful food for thought. Thank you so much.
357
1211875
3061
CA: Laura Schulz, uma conversa maravilhosa. Obrigado.
20:14
LS: Thank you. (Applause)
358
1214936
2922
LS: Obrigada.
(Aplausos)
Sobre este site

Este sítio irá apresentar-lhe vídeos do YouTube que são úteis para a aprendizagem do inglês. Verá lições de inglês ensinadas por professores de primeira linha de todo o mundo. Faça duplo clique nas legendas em inglês apresentadas em cada página de vídeo para reproduzir o vídeo a partir daí. As legendas deslocam-se em sincronia com a reprodução do vídeo. Se tiver quaisquer comentários ou pedidos, por favor contacte-nos utilizando este formulário de contacto.

https://forms.gle/WvT1wiN1qDtmnspy7