TED2015
Laura Schulz: The surprisingly logical minds of babies
Laura Schulz: Děti uvažují nečekaně logicky
Filmed:
Readability: 3.8
1,888,975 views
Jak si děti dokáží na základě minima informací osvojovat tak rychle tolik věcí? Kognitivní vědkyně Laura Schulz nám zábavnou formou představí experimentální poznatky, ze kterých plyne, že ještě předtím, než se naši nejmenší naučí mluvit, dokáží se rozhodovat na základě nečekaně logických kritérií.
Laura Schulz - Cognitive scientist
Developmental behavior studies spearheaded by Laura Schulz are changing our notions of how children learn. Full bio
Developmental behavior studies spearheaded by Laura Schulz are changing our notions of how children learn. Full bio
Double-click the English transcript below to play the video.
00:12
Mark Twain summed up
what I take to be
what I take to be
0
835
2155
Podstatu toho, co zkoumá
kognitivní věda,
kognitivní věda,
00:14
one of the fundamental problems
of cognitive science
of cognitive science
1
2990
3120
shrnul Mark Twain jediným
chytrým aforismem:
chytrým aforismem:
00:18
with a single witticism.
2
6110
1710
„Na vědě je cosi podmanivého.
00:20
He said, "There's something
fascinating about science.
fascinating about science.
3
8410
3082
00:23
One gets such wholesale
returns of conjecture
returns of conjecture
4
11492
3228
Z nepatrné investice v podobě faktů
00:26
out of such a trifling
investment in fact."
investment in fact."
5
14720
3204
získáváme tučné výnosy
v podobě domněnek.“
v podobě domněnek.“
00:29
(Laughter)
6
17924
1585
(Smích.)
00:32
Twain meant it as a joke,
of course, but he's right:
of course, but he's right:
7
20199
2604
Twain to řekl v žertu,
ale je to vlastně pravda.
ale je to vlastně pravda.
00:34
There's something
fascinating about science.
fascinating about science.
8
22803
2876
Věda je čímsi podmanivá.
00:37
From a few bones, we infer
the existence of dinosuars.
the existence of dinosuars.
9
25679
4261
Stačí pár kostí a víme,
že existovali dinosauři.
že existovali dinosauři.
00:42
From spectral lines,
the composition of nebulae.
the composition of nebulae.
10
30910
3871
Ze spektrálních čar vyvozujeme
složení hvězdných mlhovin.
složení hvězdných mlhovin.
00:47
From fruit flies,
11
35471
2938
Na muškách octomilkách
sledujeme mechanismy dědičnosti.
00:50
the mechanisms of heredity,
12
38409
2943
00:53
and from reconstructed images
of blood flowing through the brain,
of blood flowing through the brain,
13
41352
4249
A na základě snímků,
jak mozkem protéká krev,
jak mozkem protéká krev,
00:57
or in my case, from the behavior
of very young children,
of very young children,
14
45601
4708
anebo na základě chování dětí,
jemuž se věnuji třeba já,
jemuž se věnuji třeba já,
01:02
we try to say something about
the fundamental mechanisms
the fundamental mechanisms
15
50309
2829
studujeme bytostné mechanismy,
01:05
of human cognition.
16
53138
1618
jak lidé poznávají svět.
01:07
In particular, in my lab in the Department
of Brain and Cognitive Sciences at MIT,
of Brain and Cognitive Sciences at MIT,
17
55716
4759
Já sama na Oddělení kognitivních
věd a neurověd na MIT
věd a neurověd na MIT
01:12
I have spent the past decade
trying to understand the mystery
trying to understand the mystery
18
60475
3654
už deset let řeším záhadu,
jak se děti z minima podnětů
naučí tak rychle tolik věcí.
naučí tak rychle tolik věcí.
01:16
of how children learn so much
from so little so quickly.
from so little so quickly.
19
64129
3977
01:20
Because, it turns out that
the fascinating thing about science
the fascinating thing about science
20
68666
2978
To, co je podmanivého na vědě,
01:23
is also a fascinating
thing about children,
thing about children,
21
71644
3529
je totiž podmanivé i na dětech.
01:27
which, to put a gentler
spin on Mark Twain,
spin on Mark Twain,
22
75173
2581
Abych parafrázovala Twaina,
01:29
is precisely their ability
to draw rich, abstract inferences
to draw rich, abstract inferences
23
77754
4650
z investice v podobě útržkovitých,
šumem zatížených dat
šumem zatížených dat
01:34
rapidly and accurately
from sparse, noisy data.
from sparse, noisy data.
24
82404
4661
děti bleskově získávají bohaté výnosy
přesných abstraktních poznatků.
přesných abstraktních poznatků.
01:40
I'm going to give you
just two examples today.
just two examples today.
25
88355
2398
Ukážu vám to na dvou příkladech.
01:42
One is about a problem of generalization,
26
90753
2287
První se týká schopnosti zobecňovat
a druhý kauzálního uvažování.
a druhý kauzálního uvažování.
01:45
and the other is about a problem
of causal reasoning.
of causal reasoning.
27
93040
2850
01:47
And although I'm going to talk
about work in my lab,
about work in my lab,
28
95890
2525
Budu mluvit hlavně o vlastních výzkumech,
01:50
this work is inspired by
and indebted to a field.
and indebted to a field.
29
98415
3460
ale za mnohé vděčím dalším lidem z oboru.
01:53
I'm grateful to mentors, colleagues,
and collaborators around the world.
and collaborators around the world.
30
101875
4283
Jsem zavázána svým školitelům, kolegům
a spolupracovníkům z celého světa.
a spolupracovníkům z celého světa.
01:59
Let me start with the problem
of generalization.
of generalization.
31
107308
2974
Začněme problematikou zobecňování.
02:02
Generalizing from small samples of data
is the bread and butter of science.
is the bread and butter of science.
32
110652
4133
Zobecňování je alfou a omegou vědy.
02:06
We poll a tiny fraction of the electorate
33
114785
2554
Na základě průzkumu malého vzorku voličů
odhadujeme výsledky voleb.
odhadujeme výsledky voleb.
02:09
and we predict the outcome
of national elections.
of national elections.
34
117339
2321
02:12
We see how a handful of patients
responds to treatment in a clinical trial,
responds to treatment in a clinical trial,
35
120240
3925
Sledujeme, jak hrstka pacientů
reaguje na určitý lék,
reaguje na určitý lék,
02:16
and we bring drugs to a national market.
36
124165
3065
a pak ho zavádíme do lékáren.
02:19
But this only works if our sample
is randomly drawn from the population.
is randomly drawn from the population.
37
127230
4365
Aby to fungovalo, musíme vzorek
lidí vybrat náhodně.
lidí vybrat náhodně.
02:23
If our sample is cherry-picked
in some way --
in some way --
38
131595
2735
Pokud bude výběr zkreslený,
02:26
say, we poll only urban voters,
39
134330
2072
pokud oslovíme jen voliče z města
02:28
or say, in our clinical trials
for treatments for heart disease,
for treatments for heart disease,
40
136402
4388
nebo budeme lék na srdce
testovat dejme tomu jen na mužích,
testovat dejme tomu jen na mužích,
02:32
we include only men --
41
140790
1881
02:34
the results may not generalize
to the broader population.
to the broader population.
42
142671
3158
nebudou závěry zobecnitelné
na širší populaci.
na širší populaci.
02:38
So scientists care whether evidence
is randomly sampled or not,
is randomly sampled or not,
43
146479
3581
Vědci tudíž musejí dbát
na nahodilost vzorku.
na nahodilost vzorku.
02:42
but what does that have to do with babies?
44
150060
2015
Ale jak to souvisí s malými dětmi?
02:44
Well, babies have to generalize
from small samples of data all the time.
from small samples of data all the time.
45
152585
4621
Děti neustále něco zobecňují
a mají jen malé vzorky dat.
a mají jen malé vzorky dat.
02:49
They see a few rubber ducks
and learn that they float,
and learn that they float,
46
157206
3158
Vidí pár gumových kachniček,
a hned pochopí, že všechny plavou.
a hned pochopí, že všechny plavou.
02:52
or a few balls and learn that they bounce.
47
160364
3575
A z pár míčků pochopí,
že všechny skáčou.
že všechny skáčou.
02:55
And they develop expectations
about ducks and balls
about ducks and balls
48
163939
2951
A všechny předpoklady
o míčcích a kachničkách
o míčcích a kachničkách
02:58
that they're going to extend
to rubber ducks and balls
to rubber ducks and balls
49
166890
2716
jim už zůstanou na celý jejich život.
03:01
for the rest of their lives.
50
169606
1879
03:03
And the kinds of generalizations
babies have to make about ducks and balls
babies have to make about ducks and balls
51
171485
3739
A úplně stejně jako u míčků a kachniček
zobecňují i další poznatky:
03:07
they have to make about almost everything:
52
175224
2089
03:09
shoes and ships and sealing wax
and cabbages and kings.
and cabbages and kings.
53
177313
3917
o botách, o lodích, o vosku,
o zelí či o králích.
o zelí či o králích.
03:14
So do babies care whether
the tiny bit of evidence they see
the tiny bit of evidence they see
54
182200
2961
Dokáží však děti poznat,
jestli nějaká věc
jestli nějaká věc
03:17
is plausibly representative
of a larger population?
of a larger population?
55
185161
3692
věrohodně zastupuje širší množinu prvků?
Pojďme to zjistit.
03:21
Let's find out.
56
189763
1900
03:23
I'm going to show you two movies,
57
191663
1723
Pustím vám dvě nahrávky zachycující
dvě verze téhož experimentu.
dvě verze téhož experimentu.
03:25
one from each of two conditions
of an experiment,
of an experiment,
58
193386
2462
03:27
and because you're going to see
just two movies,
just two movies,
59
195848
2438
Na každé z nich uvidíte
jiné malé dítě.
jiné malé dítě.
03:30
you're going to see just two babies,
60
198286
2136
03:32
and any two babies differ from each other
in innumerable ways.
in innumerable ways.
61
200422
3947
Malé děti se mohou podstatně lišit.
03:36
But these babies, of course,
here stand in for groups of babies,
here stand in for groups of babies,
62
204369
3051
Ale tyhle děti představují běžné zástupce
03:39
and the differences you're going to see
63
207420
1895
své věkové skupiny
03:41
represent average group differences
in babies' behavior across conditions.
in babies' behavior across conditions.
64
209315
5195
a na dané podněty
reagují typicky pro svůj věk.
reagují typicky pro svůj věk.
03:47
In each movie, you're going to see
a baby doing maybe
a baby doing maybe
65
215160
2583
Možná vám bude připadat,
že ty děti dělají vlastně jen to,
že ty děti dělají vlastně jen to,
03:49
just exactly what you might
expect a baby to do,
expect a baby to do,
66
217743
3460
co by u malých dětí člověk čekal.
03:53
and we can hardly make babies
more magical than they already are.
more magical than they already are.
67
221203
4017
A protože jsou to malé děti,
jsou přitom nesmírně kouzelné.
jsou přitom nesmírně kouzelné.
Skutečné kouzlo však podle mě spočívá
v jedné konkrétní věci:
v jedné konkrétní věci:
03:58
But to my mind the magical thing,
68
226090
2010
04:00
and what I want you to pay attention to,
69
228100
2089
04:02
is the contrast between
these two conditions,
these two conditions,
70
230189
3111
v tom, jak výrazně odlišná
bude reakce dětí
bude reakce dětí
04:05
because the only thing
that differs between these two movies
that differs between these two movies
71
233300
3529
v obou verzích experimentu,
ačkoli se liší jen tím,
ačkoli se liší jen tím,
04:08
is the statistical evidence
the babies are going to observe.
the babies are going to observe.
72
236829
3466
jak velký statistický vzorek
mají děti k dispozici.
mají děti k dispozici.
Nejprve dětem ukážeme bedýnku
modrých a žlutých míčků.
modrých a žlutých míčků.
04:13
We're going to show babies
a box of blue and yellow balls,
a box of blue and yellow balls,
73
241425
3183
04:16
and my then-graduate student,
now colleague at Stanford, Hyowon Gweon,
now colleague at Stanford, Hyowon Gweon,
74
244608
4620
Moje tehdejší studentka,
dnes už kolegyně ze Stanfordu,
Hyowon Gweon,
Hyowon Gweon,
04:21
is going to pull three blue balls
in a row out of this box,
in a row out of this box,
75
249228
3077
z té bedýnky vytáhne
tři modré míčky.
tři modré míčky.
04:24
and when she pulls those balls out,
she's going to squeeze them,
she's going to squeeze them,
76
252305
3123
A každý vytažený míček
hned zmáčkne
hned zmáčkne
04:27
and the balls are going to squeak.
77
255428
2113
a on vždycky pískne.
04:29
And if you're a baby,
that's like a TED Talk.
that's like a TED Talk.
78
257541
2763
Pro malé děti je to hotový TED talk.
04:32
It doesn't get better than that.
79
260304
1904
Jsou v sedmém nebi.
04:34
(Laughter)
80
262208
2561
(Smích.)
04:38
But the important point is it's really
easy to pull three blue balls in a row
easy to pull three blue balls in a row
81
266968
3659
Jde ovšem o to, že když jsou míčky
v bedýnce převážně modré,
v bedýnce převážně modré,
04:42
out of a box of mostly blue balls.
82
270627
2305
není divné vytáhnout
tři z nich v řadě.
tři z nich v řadě.
04:44
You could do that with your eyes closed.
83
272932
2060
To se vám může povést i naslepo.
Je to věrohodně nahodilý vzorek.
Je to věrohodně nahodilý vzorek.
04:46
It's plausibly a random sample
from this population.
from this population.
84
274992
2996
04:49
And if you can reach into a box at random
and pull out things that squeak,
and pull out things that squeak,
85
277988
3732
A když všechny ty nahodile
vybrané věci pískají,
vybrané věci pískají,
04:53
then maybe everything in the box squeaks.
86
281720
2839
možná píská všechno,
co je v té bedýnce.
co je v té bedýnce.
04:56
So maybe babies should expect
those yellow balls to squeak as well.
those yellow balls to squeak as well.
87
284559
3650
Malé děti by si tedy měly myslet,
že pískají i žluté míčky.
že pískají i žluté míčky.
05:00
Now, those yellow balls
have funny sticks on the end,
have funny sticks on the end,
88
288209
2519
Žluté míčky na sobě mají
připevněné legrační hůlky,
připevněné legrační hůlky,
05:02
so babies could do other things
with them if they wanted to.
with them if they wanted to.
89
290728
2857
takže s nimi děti mohou
i bouchat či plácat.
i bouchat či plácat.
05:05
They could pound them or whack them.
90
293585
1831
05:07
But let's see what the baby does.
91
295416
2586
Tak schválně, co s nimi
nakonec udělají.
nakonec udělají.
Hyowon Gweaon: Podívej.
(Míček pískne.)
(Míček pískne.)
05:12
(Video) Hyowon Gweon: See this?
(Ball squeaks)
(Ball squeaks)
92
300548
3343
05:16
Did you see that?
(Ball squeaks)
(Ball squeaks)
93
304531
3045
To je, co? (Míček pískne.)
05:20
Cool.
94
308036
3066
Týjo.
05:24
See this one?
95
312706
1950
Hele tenhle míček.
05:26
(Ball squeaks)
96
314656
1881
(Míček pískne.)
Páni!
05:28
Wow.
97
316537
2653
05:33
Laura Schulz: Told you. (Laughs)
98
321854
2113
Laura Schulz: Já vám to říkala.
05:35
(Video) HG: See this one?
(Ball squeaks)
(Ball squeaks)
99
323967
4031
HG: Koukni na tenhle míček.
(Míček pískne.)
(Míček pískne.)
Hele, Klárko!
05:39
Hey Clara, this one's for you.
You can go ahead and play.
You can go ahead and play.
100
327998
4619
S tímhle míčkem si můžeš hrát.
05:51
(Laughter)
101
339854
4365
(Smích.)
05:56
LS: I don't even have to talk, right?
102
344219
2995
LS: Ani nemusím nic říkat, viďte?
05:59
All right, it's nice that babies
will generalize properties
will generalize properties
103
347214
2899
Jenže ono je sice hezké,
že děti zobecňují vlastnosti
že děti zobecňují vlastnosti
06:02
of blue balls to yellow balls,
104
350113
1528
všech míčků,
a je úchvatné, jak nás
při učení napodobují,
při učení napodobují,
06:03
and it's impressive that babies
can learn from imitating us,
can learn from imitating us,
105
351641
3096
06:06
but we've known those things about babies
for a very long time.
for a very long time.
106
354737
3669
ale to přeci o malých dětech
víme už dávno.
víme už dávno.
06:10
The really interesting question
107
358406
1811
Mnohem zajímavější je,
06:12
is what happens when we show babies
exactly the same thing,
exactly the same thing,
108
360217
2852
co se stane, když dětem
ukážeme úplně tutéž věc
ukážeme úplně tutéž věc
06:15
and we can ensure it's exactly the same
because we have a secret compartment
because we have a secret compartment
109
363069
3611
- a my víme, že je úplně tatáž,
protože ty míčky
protože ty míčky
06:18
and we actually pull the balls from there,
110
366680
2110
taháme z tajné přihrádky -
06:20
but this time, all we change
is the apparent population
is the apparent population
111
368790
3478
ale změníme přitom statistický vzorek,
06:24
from which that evidence was drawn.
112
372268
2902
který je východiskem zobecnění.
06:27
This time, we're going to show babies
three blue balls
three blue balls
113
375170
3553
V bedýnce teď bude většina míčků žlutá.
06:30
pulled out of a box
of mostly yellow balls,
of mostly yellow balls,
114
378723
3384
Ale my z ní opět vytáhneme tři modré.
06:34
and guess what?
115
382107
1322
A vytáhnout tři modré míčky,
když převládají žluté,
když převládají žluté,
06:35
You [probably won't] randomly draw
three blue balls in a row
three blue balls in a row
116
383429
2840
06:38
out of a box of mostly yellow balls.
117
386269
2484
to už se běžně nepovede.
06:40
That is not plausibly
randomly sampled evidence.
randomly sampled evidence.
118
388753
3747
To už není věrohodně
nahodilý vzorek.
nahodilý vzorek.
06:44
That evidence suggests that maybe Hyowon
was deliberately sampling the blue balls.
was deliberately sampling the blue balls.
119
392500
5123
To už vypadá, jako že Hyowon
vybírala modré míčky schválně.
vybírala modré míčky schválně.
06:49
Maybe there's something special
about the blue balls.
about the blue balls.
120
397623
2583
Třeba proto, že jsou modré míčky zvláštní
06:52
Maybe only the blue balls squeak.
121
400846
2976
a na rozdíl od žlutých pískají.
06:55
Let's see what the baby does.
122
403822
1895
Pusťme si reakci dětí.
06:57
(Video) HG: See this?
(Ball squeaks)
(Ball squeaks)
123
405717
2904
HG: Koukej. (Míček pískne.)
07:02
See this toy?
(Ball squeaks)
(Ball squeaks)
124
410851
2645
Copak to tady mám?
(Míček pískne.)
(Míček pískne.)
07:05
Oh, that was cool. See?
(Ball squeaks)
(Ball squeaks)
125
413496
5480
To je panečku věc. Hele.
(Míček pískne.)
(Míček pískne.)
Tady s tím míčkem
si můžeš hrát.
si můžeš hrát.
07:10
Now this one's for you to play.
You can go ahead and play.
You can go ahead and play.
126
418976
4394
07:18
(Fussing)
(Laughter)
(Laughter)
127
426074
6347
(Smích.)
07:26
LS: So you just saw
two 15-month-old babies
two 15-month-old babies
128
434901
2748
LS: Právě jste viděli,
že si 15měsíční děti
že si 15měsíční děti
07:29
do entirely different things
129
437649
1942
počínají úplně jinak
07:31
based only on the probability
of the sample they observed.
of the sample they observed.
130
439591
3599
v závislosti na věrohodnosti vzorku dat.
07:35
Let me show you the experimental results.
131
443190
2321
Tohle jsou výsledky našeho experimentu.
07:37
On the vertical axis, you'll see
the percentage of babies
the percentage of babies
132
445511
2764
Na svislé ose je procentuální podíl dětí,
07:40
who squeezed the ball in each condition,
133
448275
2530
které v 1. a 2. pokusu mačkaly míček.
07:42
and as you'll see, babies are much
more likely to generalize the evidence
more likely to generalize the evidence
134
450805
3715
Vidíte, že děti zobecňovaly
jev mnohem častěji,
jev mnohem častěji,
07:46
when it's plausibly representative
of the population
of the population
135
454520
3135
když byl vzorek věrohodně nahodilý,
07:49
than when the evidence
is clearly cherry-picked.
is clearly cherry-picked.
136
457655
3738
než když byl zjevně zkreslený.
07:53
And this leads to a fun prediction:
137
461393
2415
Z toho plyne zábavná predikce.
07:55
Suppose you pulled just one blue ball
out of the mostly yellow box.
out of the mostly yellow box.
138
463808
4868
Dejme tomu, že z bedýnky, kde převládají
žluté míčky, vytáhnete jeden modrý.
žluté míčky, vytáhnete jeden modrý.
08:00
You [probably won't] pull three blue balls
in a row at random out of a yellow box,
in a row at random out of a yellow box,
139
468896
3869
Asi by se vám to nepovedlo
3x za sebou,
3x za sebou,
ale jeden modrý míček náhodně
vytáhnout můžete.
vytáhnout můžete.
08:04
but you could randomly sample
just one blue ball.
just one blue ball.
140
472765
2455
To je věrohodný vzorek.
08:07
That's not an improbable sample.
141
475220
1970
08:09
And if you could reach into
a box at random
a box at random
142
477190
2224
A pokud ten nahodilý vzorek píská,
08:11
and pull out something that squeaks,
maybe everything in the box squeaks.
maybe everything in the box squeaks.
143
479414
3987
třeba píská všechno,
co je v té bedýnce.
co je v té bedýnce.
08:15
So even though babies are going to see
much less evidence for squeaking,
much less evidence for squeaking,
144
483875
4445
Takže i když děti vlastně uvidí
méně pískajících míčků
méně pískajících míčků
a budou mít méně podnětů k nápodobě
08:20
and have many fewer actions to imitate
145
488320
2242
08:22
in this one ball condition than in
the condition you just saw,
the condition you just saw,
146
490562
3343
než v té verzi experimentu,
kterou jsme viděli,
kterou jsme viděli,
08:25
we predicted that babies themselves
would squeeze more,
would squeeze more,
147
493905
3892
čekali jsme,
že budou míček mačkat častěji.
že budou míček mačkat častěji.
08:29
and that's exactly what we found.
148
497797
2894
A to se také potvrdilo.
08:32
So 15-month-old babies,
in this respect, like scientists,
in this respect, like scientists,
149
500691
4411
15měsíční děti si tudíž
počínají jako vědci.
počínají jako vědci.
08:37
care whether evidence
is randomly sampled or not,
is randomly sampled or not,
150
505102
3088
Podle toho, zda je, či není
daný vzorek nahodilý,
daný vzorek nahodilý,
08:40
and they use this to develop
expectations about the world:
expectations about the world:
151
508190
3507
si vytvářejí další předpoklady:
08:43
what squeaks and what doesn't,
152
511697
2182
o tom, co píská a co ne;
08:45
what to explore and what to ignore.
153
513879
3145
o tom, co prozkoumat a co nechat být.
08:50
Let me show you another example now,
154
518384
2066
Náš druhý experiment se týká
kauzálního uvažování.
kauzálního uvažování.
08:52
this time about a problem
of causal reasoning.
of causal reasoning.
155
520450
2730
Opírá se o jistou zapeklitost,
kterou všichni známe,
kterou všichni známe,
08:55
And it starts with a problem
of confounded evidence
of confounded evidence
156
523180
2439
08:57
that all of us have,
157
525619
1672
totiž že svět funguje po svém.
08:59
which is that we are part of the world.
158
527291
2020
09:01
And this might not seem like a problem
to you, but like most problems,
to you, but like most problems,
159
529311
3436
Vlastně na tom nic zapeklitého není,
ale jen dokud vše funguje, jak má.
09:04
it's only a problem when things go wrong.
160
532747
2337
09:07
Take this baby, for instance.
161
535464
1811
A tomuhle chlapečkovi
09:09
Things are going wrong for him.
162
537275
1705
něco nefunguje.
09:10
He would like to make
this toy go, and he can't.
this toy go, and he can't.
163
538980
2271
Chce zapnout hračku, a ono to nejde.
Pustím vám video.
Pustím vám video.
09:13
I'll show you a few-second clip.
164
541251
2529
Jsou dvě možnosti:
09:21
And there's two possibilities, broadly:
165
549340
1920
09:23
Maybe he's doing something wrong,
166
551260
2634
buď tu hračku ten chlapeček zapíná špatně,
09:25
or maybe there's something
wrong with the toy.
wrong with the toy.
167
553894
4216
nebo je ta hračka rozbitá.
09:30
So in this next experiment,
168
558110
2111
A my teď dětem poskytneme ždibec
statistických dat, která svědčí
statistických dat, která svědčí
09:32
we're going to give babies
just a tiny bit of statistical data
just a tiny bit of statistical data
169
560221
3297
buď pro první, nebo druhou možnost.
09:35
supporting one hypothesis over the other,
170
563518
2582
09:38
and we're going to see if babies
can use that to make different decisions
can use that to make different decisions
171
566100
3455
A budeme sledovat, jak to ovlivní
následnou reakci dětí.
následnou reakci dětí.
09:41
about what to do.
172
569555
1834
09:43
Here's the setup.
173
571389
2022
A uděláme to následovně.
09:46
Hyowon is going to try to make
the toy go and succeed.
the toy go and succeed.
174
574071
3030
Hyowon zkusí hračku pustit
a povede se jí to.
a povede se jí to.
09:49
I am then going to try twice
and fail both times,
and fail both times,
175
577101
3320
Potom to zkusím 2x já,
ale neúspěšně.
ale neúspěšně.
09:52
and then Hyowon is going
to try again and succeed,
to try again and succeed,
176
580421
3112
Potom zase Hyowom,
které se to povede.
které se to povede.
09:55
and this roughly sums up my relationship
to my graduate students
to my graduate students
177
583533
3172
Krásně to ukazuje, jak jsem
oproti svým studentům
oproti svým studentům
09:58
in technology across the board.
178
586705
2835
na štíru s technikou.
10:02
But the important point here is
it provides a little bit of evidence
it provides a little bit of evidence
179
590030
3292
Cílem ovšem je,
abychom dítěti nepatrně naznačili,
abychom dítěti nepatrně naznačili,
10:05
that the problem isn't with the toy,
it's with the person.
it's with the person.
180
593322
3668
že problém není v hračce,
ale v lidech.
ale v lidech.
10:08
Some people can make this toy go,
181
596990
2350
Někdo hračku zapnout umí,
a někdo ne.
a někdo ne.
10:11
and some can't.
182
599340
959
Takže když dítě hračku nezapne,
má na výběr.
má na výběr.
10:12
Now, when the baby gets the toy,
he's going to have a choice.
he's going to have a choice.
183
600799
3413
10:16
His mom is right there,
184
604212
2188
Má tam maminku,
takže může k zapnutí hračky
vyzvat jiného člověka.
vyzvat jiného člověka.
10:18
so he can go ahead and hand off the toy
and change the person,
and change the person,
185
606400
3315
10:21
but there's also going to be
another toy at the end of that cloth,
another toy at the end of that cloth,
186
609715
3158
Ale taky si může přitáhnout ubrus,
10:24
and he can pull the cloth towards him
and change the toy.
and change the toy.
187
612873
3552
na němž leží druhá hračka,
a první hračku vyměnit.
a první hračku vyměnit.
10:28
So let's see what the baby does.
188
616425
2090
Tak schválně, co udělá.
10:30
(Video) HG: Two, three. Go!
(Music)
(Music)
189
618515
4183
HG: Dva, tři. Teď! (Hudba.)
10:34
LS: One, two, three, go!
190
622698
3131
LS: Raz, dva, tři, teď!
10:37
Arthur, I'm going to try again.
One, two, three, go!
One, two, three, go!
191
625829
7382
Zkusím to ještě jednou, Arturku.
Raz, dva, tři, teď!
10:45
YG: Arthur, let me try again, okay?
192
633677
2600
YG: Arturku, můžu to zkusit ještě já?
10:48
One, two, three, go!
(Music)
(Music)
193
636277
4550
Raz, dva, tři, teď! (Hudba.)
10:53
Look at that. Remember these toys?
194
641583
1883
No koukni. Vidíš ty hračky?
Poznáváš je? Jo?
Poznáváš je? Jo?
10:55
See these toys? Yeah, I'm going
to put this one over here,
to put this one over here,
195
643466
3264
Teď položím jednu sem
10:58
and I'm going to give this one to you.
196
646730
2062
a s touhle si můžeš hrát.
11:00
You can go ahead and play.
197
648792
2335
11:23
LS: Okay, Laura, but of course,
babies love their mommies.
babies love their mommies.
198
671213
4737
LS: "No jasně," říkáte si,
"děti mají rády maminku.
"děti mají rády maminku.
11:27
Of course babies give toys
to their mommies
to their mommies
199
675950
2182
Je jasné, že když hračku nezapnou,
tak ji dají mamince."
tak ji dají mamince."
11:30
when they can't make them work.
200
678132
2030
11:32
So again, the really important question
is what happens when we change
is what happens when we change
201
680162
3593
Důležité ovšem je, co se stane,
když statistická data malinko upravíme.
11:35
the statistical data ever so slightly.
202
683755
3154
11:38
This time, babies are going to see the toy
work and fail in exactly the same order,
work and fail in exactly the same order,
203
686909
4087
Dítě opět uvidí, jak hračka střídavě
funguje a nefunguje.
funguje a nefunguje.
11:42
but we're changing
the distribution of evidence.
the distribution of evidence.
204
690996
2415
Ale vzorek dat teď rozložíme jinak.
11:45
This time, Hyowon is going to succeed
once and fail once, and so am I.
once and fail once, and so am I.
205
693411
4411
Hyowon i já hračku jednou zapneme,
a jednou se nám to nepovede.
a jednou se nám to nepovede.
11:49
And this suggests it doesn't matter
who tries this toy, the toy is broken.
who tries this toy, the toy is broken.
206
697822
5637
To už naznačuje, že nezáleží na tom,
kdo hračku zapíná. Hračka je rozbitá.
kdo hračku zapíná. Hračka je rozbitá.
Funguje jenom někdy.
11:55
It doesn't work all the time.
207
703459
1886
A dítě má opět na výběr.
11:57
Again, the baby's going to have a choice.
208
705345
1965
Může dát hračku mamince,
aby ji zapnula místo něj,
aby ji zapnula místo něj,
11:59
Her mom is right next to her,
so she can change the person,
so she can change the person,
209
707310
3396
nebo si může přitáhnout
druhou hračku.
druhou hračku.
12:02
and there's going to be another toy
at the end of the cloth.
at the end of the cloth.
210
710706
3204
Tak schválně, co udělá.
12:05
Let's watch what she does.
211
713910
1378
HG: Dva, tři, teď. (Hudba.)
12:07
(Video) HG: Two, three, go!
(Music)
(Music)
212
715288
4348
12:11
Let me try one more time.
One, two, three, go!
One, two, three, go!
213
719636
4984
Tak ještě jednou, jo?
Raz, dva, tři, teď!
Raz, dva, tři, teď!
12:17
Hmm.
214
725460
1697
Hm.
12:19
LS: Let me try, Clara.
215
727950
2692
LS: Teď já, Klárko.
Raz, dva, tři, teď!
12:22
One, two, three, go!
216
730642
3945
Hm.
12:27
Hmm, let me try again.
217
735265
1935
Tak ještě jednou.
12:29
One, two, three, go!
(Music)
(Music)
218
737200
5670
Raz, dva, tři, teď! (Hudba.)
12:35
HG: I'm going
to put this one over here,
to put this one over here,
219
743009
2233
HG: Teď dám tuhle hračku sem
12:37
and I'm going to give this one to you.
220
745242
2001
a s touhle si můžeš hrát.
12:39
You can go ahead and play.
221
747243
3597
12:58
(Applause)
222
766376
4897
(Smích. Potlesk.)
13:04
LS: Let me show you
the experimental results.
the experimental results.
223
772993
2392
LS: Tady jsou výsledky experimentu.
13:07
On the vertical axis,
you'll see the distribution
you'll see the distribution
224
775385
2475
Na svislé ose vidíte, jak se děti
v 1. či 2. případě rozhodovaly.
v 1. či 2. případě rozhodovaly.
13:09
of children's choices in each condition,
225
777860
2577
13:12
and you'll see that the distribution
of the choices children make
of the choices children make
226
780437
4551
A vidíte, že na jejich jednání
mělo vliv to,
mělo vliv to,
13:16
depends on the evidence they observe.
227
784988
2787
z jaké evidence vycházely.
Děti, kterým nejsou ani dva roky,
volí na základě hrstky statistických dat
volí na základě hrstky statistických dat
13:19
So in the second year of life,
228
787775
1857
13:21
babies can use a tiny bit
of statistical data
of statistical data
229
789632
2577
13:24
to decide between two
fundamentally different strategies
fundamentally different strategies
230
792209
3367
mezi diametrálně odlišnými
strategiemi jednání:
strategiemi jednání:
13:27
for acting in the world:
231
795576
1881
13:29
asking for help and exploring.
232
797457
2743
poprosit o pomoc
či samostatně prozkoumat.
či samostatně prozkoumat.
13:33
I've just shown you
two laboratory experiments
two laboratory experiments
233
801700
3434
K podobným závěrům došly
v našem oboru doslova stovky
v našem oboru doslova stovky
13:37
out of literally hundreds in the field
that make similar points,
that make similar points,
234
805134
3691
dalších studií.
13:40
because the really critical point
235
808825
2392
Souvisí s tím totiž jedna zásadní věc.
13:43
is that children's ability
to make rich inferences from sparse data
to make rich inferences from sparse data
236
811217
5108
Bez dětské schopnosti dedukovat
množství závěrů z útržků dat
množství závěrů z útržků dat
13:48
underlies all the species-specific
cultural learning that we do.
cultural learning that we do.
237
816325
5341
bychom si nemohli předávat znalosti,
jak je pro náš druh typické.
jak je pro náš druh typické.
Dětem stačí pár příkladů a pochopí,
jak užívat novou pomůcku.
jak užívat novou pomůcku.
13:53
Children learn about new tools
from just a few examples.
from just a few examples.
238
821666
4597
13:58
They learn new causal relationships
from just a few examples.
from just a few examples.
239
826263
4717
Z pár příkladů pochopí novou
kauzální souvislost.
kauzální souvislost.
14:03
They even learn new words,
in this case in American Sign Language.
in this case in American Sign Language.
240
831928
4871
Umí si osvojovat i nová slova,
v tomto případě ve znakové řeči.
v tomto případě ve znakové řeči.
14:08
I want to close with just two points.
241
836799
2311
Na závěr pár poznámek.
14:12
If you've been following my world,
the field of brain and cognitive sciences,
the field of brain and cognitive sciences,
242
840050
3688
Vědy o mozku a kognitivní vědy
v posledních letech vyzdvihují
v posledních letech vyzdvihují
14:15
for the past few years,
243
843738
1927
trojici velkých příběhů.
14:17
three big ideas will have come
to your attention.
to your attention.
244
845665
2415
14:20
The first is that this is
the era of the brain.
the era of the brain.
245
848080
3436
První je příběh o tom,
že žijeme v éře mozku.
že žijeme v éře mozku.
14:23
And indeed, there have been
staggering discoveries in neuroscience:
staggering discoveries in neuroscience:
246
851516
3669
V neurovědách došlo k převratným objevům:
lokalizace funkčně specifických
oblastí mozkové kůry,
oblastí mozkové kůry,
14:27
localizing functionally specialized
regions of cortex,
regions of cortex,
247
855185
3436
14:30
turning mouse brains transparent,
248
858621
2601
zprůhlednění mozku myši,
14:33
activating neurons with light.
249
861222
3776
aktivace neuronů světlem.
14:36
A second big idea
250
864998
1996
Druhým velkým příběhem je,
14:38
is that this is the era of big data
and machine learning,
and machine learning,
251
866994
4104
že žijeme v éře velkých dat
a učících se strojů.
a učících se strojů.
14:43
and machine learning promises
to revolutionize our understanding
to revolutionize our understanding
252
871098
3141
Strojové učení může revolučně
změnit náš pohled
změnit náš pohled
14:46
of everything from social networks
to epidemiology.
to epidemiology.
253
874239
4667
na vše od sociálních sítí
po epidemiologii.
po epidemiologii.
A protože se zabývá
i interpretací vizuálních dat
i interpretací vizuálních dat
14:50
And maybe, as it tackles problems
of scene understanding
of scene understanding
254
878906
2693
14:53
and natural language processing,
255
881599
1993
či fungováním jazyka,
14:55
to tell us something
about human cognition.
about human cognition.
256
883592
3324
možná nám odhalí i něco o tom,
jak poznáváme svět.
jak poznáváme svět.
14:59
And the final big idea you'll have heard
257
887756
1937
A poslední velký příběh je,
15:01
is that maybe it's a good idea we're going
to know so much about brains
to know so much about brains
258
889693
3387
že je přínosné mozek zkoumat
a mít přístup k množství dat.
a mít přístup k množství dat.
15:05
and have so much access to big data,
259
893080
1917
15:06
because left to our own devices,
260
894997
2507
Bez vnější korekce totiž lidé
snadno podléhají klamům,
snadno podléhají klamům,
15:09
humans are fallible, we take shortcuts,
261
897504
3831
uvažují zkratkovitě,
15:13
we err, we make mistakes,
262
901335
3437
mýlí se,
chybují,
15:16
we're biased, and in innumerable ways,
263
904772
3684
jsou předpojatí
a jejich poznatky o světě
jsou v mnoha ohledech scestné.
jsou v mnoha ohledech scestné.
15:20
we get the world wrong.
264
908456
2969
15:24
I think these are all important stories,
265
912843
2949
Všechny ty příběhy slýcháme
a jsou důležité.
a jsou důležité.
15:27
and they have a lot to tell us
about what it means to be human,
about what it means to be human,
266
915792
3785
Prozrazují nám spoustu
o naší přirozenosti.
o naší přirozenosti.
15:31
but I want you to note that today
I told you a very different story.
I told you a very different story.
267
919577
3529
Ale dnes jsem tu chtěla vyzdvihnout
úplně jiný příběh.
úplně jiný příběh.
15:35
It's a story about minds and not brains,
268
923966
3807
Nemluvila jsem o mozku,
ale o lidské mysli.
ale o lidské mysli.
15:39
and in particular, it's a story
about the kinds of computations
about the kinds of computations
269
927773
3006
O tom, jak je lidská mysl jedinečná
a jak výkonně zpracovává informace.
15:42
that uniquely human minds can perform,
270
930779
2590
15:45
which involve rich, structured knowledge
and the ability to learn
and the ability to learn
271
933369
3944
Z nepatrného množství dat,
z pár příkladů,
15:49
from small amounts of data,
the evidence of just a few examples.
the evidence of just a few examples.
272
937313
5268
dokážeme vyvodit a osvojit si
celá kvanta ucelených poznatků.
Vyprávěla jsem vám příběh,
15:56
And fundamentally, it's a story
about how starting as very small children
about how starting as very small children
273
944301
4299
který vede od nejmenších dětí
poznávajících svět
poznávajících svět
16:00
and continuing out all the way
to the greatest accomplishments
to the greatest accomplishments
274
948600
4180
až k těm největším úspěchům
celé naší kultury.
celé naší kultury.
16:04
of our culture,
275
952780
3843
16:08
we get the world right.
276
956623
1997
Naše poznatky o světě
tudíž nejsou scestné.
tudíž nejsou scestné.
16:12
Folks, human minds do not only learn
from small amounts of data.
from small amounts of data.
277
960433
5267
A vězte, že získáváním poznatků
z hrstky dat
z hrstky dat
schopnosti lidské mysli nekončí.
Lidská mysl přichází
s novými myšlenkami.
s novými myšlenkami.
16:18
Human minds think
of altogether new ideas.
of altogether new ideas.
278
966285
2101
16:20
Human minds generate
research and discovery,
research and discovery,
279
968746
3041
Lidská mysl stojí za vědeckým
výzkumem a za objevy.
výzkumem a za objevy.
16:23
and human minds generate
art and literature and poetry and theater,
art and literature and poetry and theater,
280
971787
5273
Lidská mysl stojí za uměním, literaturou,
poezií a dramatem.
poezií a dramatem.
16:29
and human minds take care of other humans:
281
977070
3760
A lidská mysl se stará o ostatní lidi:
16:32
our old, our young, our sick.
282
980830
3427
o nejstarší, o nejmenší, o nemocné,
16:36
We even heal them.
283
984517
2367
které dokonce uzdravujeme.
16:39
In the years to come, we're going
to see technological innovations
to see technological innovations
284
987564
3103
V následujících letech zažijeme
technický pokrok,
technický pokrok,
16:42
beyond anything I can even envision,
285
990667
3797
který si ani neumím představit.
16:46
but we are very unlikely
286
994464
2150
Ale počítačů,
které by se svým výkonem
16:48
to see anything even approximating
the computational power of a human child
the computational power of a human child
287
996614
5709
alespoň přiblížily našim dětem,
se já ani vy
16:54
in my lifetime or in yours.
288
1002323
4298
patrně nedožijeme.
16:58
If we invest in these most powerful
learners and their development,
learners and their development,
289
1006621
5047
Pokud investujeme do rozvoje
těch nejlepších studentů,
těch nejlepších studentů,
17:03
in babies and children
290
1011668
2917
tedy do našich malých i velkých dětí,
ale i do jejich matek a otců,
17:06
and mothers and fathers
291
1014585
1826
17:08
and caregivers and teachers
292
1016411
2699
vychovatelů a učitelů,
17:11
the ways we invest in our other
most powerful and elegant forms
most powerful and elegant forms
293
1019110
4170
pokud na ně vynaložíme tolik peněz
jako na vývoj a design
té nejvýkonnější techniky,
té nejvýkonnější techniky,
17:15
of technology, engineering and design,
294
1023280
3218
17:18
we will not just be dreaming
of a better future,
of a better future,
295
1026498
2939
už nebudeme o lepších zítřcích jen snít,
17:21
we will be planning for one.
296
1029437
2127
ale budeme k nim mířit.
17:23
Thank you very much.
297
1031564
2345
Děkuji vám.
(Potlesk.)
17:25
(Applause)
298
1033909
3421
17:29
Chris Anderson: Laura, thank you.
I do actually have a question for you.
I do actually have a question for you.
299
1037810
4426
Chris Anderson: Lauro, děkuji.
Než se začnu ptát, musím říct,
Než se začnu ptát, musím říct,
17:34
First of all, the research is insane.
300
1042236
2359
že mi jde z toho hlava kolem.
17:36
I mean, who would design
an experiment like that? (Laughter)
an experiment like that? (Laughter)
301
1044595
3725
Jak někoho něco takového
vůbec napadne?
vůbec napadne?
(Smích.)
17:41
I've seen that a couple of times,
302
1049150
1790
Viděl jsem to už poněkolikáté
a pořád mi to přijde k nevíře.
a pořád mi to přijde k nevíře.
17:42
and I still don't honestly believe
that that can truly be happening,
that that can truly be happening,
303
1050940
3222
17:46
but other people have done
similar experiments; it checks out.
similar experiments; it checks out.
304
1054162
3158
Je to tedy kompletně ověřené
a malé děti jsou prostě geniální?
a malé děti jsou prostě geniální?
17:49
The babies really are that genius.
305
1057320
1633
17:50
LS: You know, they look really impressive
in our experiments,
in our experiments,
306
1058953
3007
LS: Musíte vzít v potaz,
že v běžném životě to mají
ještě těžší než v těch experimentech.
ještě těžší než v těch experimentech.
17:53
but think about what they
look like in real life, right?
look like in real life, right?
307
1061960
2652
Když je dítěti rok a půl,
tak umí sotva pár slov.
tak umí sotva pár slov.
17:56
It starts out as a baby.
308
1064612
1150
17:57
Eighteen months later,
it's talking to you,
it's talking to you,
309
1065762
2007
17:59
and babies' first words aren't just
things like balls and ducks,
things like balls and ducks,
310
1067769
3041
A nejsou to slova jako
"míček" nebo "kachnička".
"míček" nebo "kachnička".
18:02
they're things like "all gone,"
which refer to disappearance,
which refer to disappearance,
311
1070810
2881
Ale slova jako "není",
když něco zmizí,
když něco zmizí,
nebo "bác", když něco spadne.
18:05
or "uh-oh," which refer
to unintentional actions.
to unintentional actions.
312
1073691
2283
Takže jejich schopnost učit se
prostě musí být ohromná.
prostě musí být ohromná.
18:07
It has to be that powerful.
313
1075974
1562
18:09
It has to be much more powerful
than anything I showed you.
than anything I showed you.
314
1077536
2775
Se čtyřletým dítětem už si můžete
povídat skoro o čemkoliv.
povídat skoro o čemkoliv.
18:12
They're figuring out the entire world.
315
1080311
1974
18:14
A four-year-old can talk to you
about almost anything.
about almost anything.
316
1082285
3144
18:17
(Applause)
317
1085429
1601
(Potlesk.)
18:19
CA: And if I understand you right,
the other key point you're making is,
the other key point you're making is,
318
1087030
3414
CA: Jak jste ve své přednášce poukázala,
18:22
we've been through these years
where there's all this talk
where there's all this talk
319
1090444
2754
poslední dobou se hodně mluví o tom,
18:25
of how quirky and buggy our minds are,
320
1093198
1932
jak je naše mysl promořená chybami.
18:27
that behavioral economics
and the whole theories behind that
and the whole theories behind that
321
1095130
2867
Podle behaviorální ekonomie
jednáme často iracionálně.
jednáme často iracionálně.
18:29
that we're not rational agents.
322
1097997
1603
18:31
You're really saying that the bigger
story is how extraordinary,
story is how extraordinary,
323
1099600
4216
Vy ale naopak zdůrazňujete,
že naše mysl je mimořádná
že naše mysl je mimořádná
18:35
and there really is genius there
that is underappreciated.
that is underappreciated.
324
1103816
4944
a že vlastně nedoceňujeme,
jak je ve skutečnosti geniální.
jak je ve skutečnosti geniální.
18:40
LS: One of my favorite
quotes in psychology
quotes in psychology
325
1108760
2070
LS: Mám moc ráda jeden citát
od psychologa Solomana Asche:
od psychologa Solomana Asche:
18:42
comes from the social
psychologist Solomon Asch,
psychologist Solomon Asch,
326
1110830
2290
18:45
and he said the fundamental task
of psychology is to remove
of psychology is to remove
327
1113120
2807
"Bytostným úkolem psychologie je
strhávat z věcí roušku samozřejmosti."
strhávat z věcí roušku samozřejmosti."
18:47
the veil of self-evidence from things.
328
1115927
2626
18:50
There are orders of magnitude
more decisions you make every day
more decisions you make every day
329
1118553
4551
Abychom ve světě mohli fungovat,
zpracováváme denně
neskutečné množství dat.
neskutečné množství dat.
18:55
that get the world right.
330
1123104
1347
18:56
You know about objects
and their properties.
and their properties.
331
1124451
2132
Známe různé objekty
a jejich vlastnosti.
a jejich vlastnosti.
18:58
You know them when they're occluded.
You know them in the dark.
You know them in the dark.
332
1126583
3029
Poznáme je třeba i po tmě.
Můžeme se procházet po bytě.
Můžeme se procházet po bytě.
19:01
You can walk through rooms.
333
1129612
1308
Umíme uhodnout, co si jiní lidé myslí.
Mluvíme s nimi.
Mluvíme s nimi.
19:02
You can figure out what other people
are thinking. You can talk to them.
are thinking. You can talk to them.
334
1130920
3532
Pohybujeme se prostorem.
Máme koncept čísel.
Máme koncept čísel.
19:06
You can navigate space.
You know about numbers.
You know about numbers.
335
1134452
2230
Víme, jak co funguje.
Máme morálku.
Máme morálku.
19:08
You know causal relationships.
You know about moral reasoning.
You know about moral reasoning.
336
1136682
3022
Všechno to nevědomě zpracováváme,
abychom mohli ve světě fungovat.
abychom mohli ve světě fungovat.
19:11
You do this effortlessly,
so we don't see it,
so we don't see it,
337
1139704
2356
19:14
but that is how we get the world right,
and it's a remarkable
and it's a remarkable
338
1142060
2912
Je to neuvěřitelný, skoro
nepředstavitelný výkon.
nepředstavitelný výkon.
19:16
and very difficult-to-understand
accomplishment.
accomplishment.
339
1144972
2318
CA: Řekl bych, že by s vámi
někteří diváci asi nesouhlasili,
někteří diváci asi nesouhlasili,
19:19
CA: I suspect there are people
in the audience who have
in the audience who have
340
1147290
2628
19:21
this view of accelerating
technological power
technological power
341
1149918
2238
že se nedožijeme počítačů,
které by uměly totéž co tříleté děti.
které by uměly totéž co tříleté děti.
19:24
who might dispute your statement
that never in our lifetimes
that never in our lifetimes
342
1152156
2958
19:27
will a computer do what
a three-year-old child can do,
a three-year-old child can do,
343
1155114
2618
Ale asi je bez debat,
19:29
but what's clear is that in any scenario,
344
1157732
3248
že se stroje v každém případě
19:32
our machines have so much to learn
from our toddlers.
from our toddlers.
345
1160980
3770
mají od batolat ještě hodně co učit.
19:38
LS: I think so. You'll have some
machine learning folks up here.
machine learning folks up here.
346
1166230
3216
LS: Asi je fakt, že tu jsou
i fandové strojového učení.
i fandové strojového učení.
19:41
I mean, you should never bet
against babies or chimpanzees
against babies or chimpanzees
347
1169446
4203
A já věřím, že není
na místě být proti dětem
na místě být proti dětem
ani šimpanzům ani technice.
19:45
or technology as a matter of practice,
348
1173649
3645
Aspoň ne jen tak ze zásady.
19:49
but it's not just
a difference in quantity,
a difference in quantity,
349
1177294
4528
Ale tady jde o zásadní rozdíl,
který není jen kvantitativní.
který není jen kvantitativní.
19:53
it's a difference in kind.
350
1181822
1764
19:55
We have incredibly powerful computers,
351
1183586
2160
Máme neuvěřitelně výkonné počítače
19:57
and they do do amazingly
sophisticated things,
sophisticated things,
352
1185746
2391
schopné ohromně důmyslných výpočtů,
20:00
often with very big amounts of data.
353
1188137
3204
často s obrovským množstvím dat.
20:03
Human minds do, I think,
something quite different,
something quite different,
354
1191341
2607
Ale lidská mysl funguje jinak.
20:05
and I think it's the structured,
hierarchical nature of human knowledge
hierarchical nature of human knowledge
355
1193948
3895
Lidé své znalosti třídí
a hierachicky uspořádávají,
a hierachicky uspořádávají,
20:09
that remains a real challenge.
356
1197843
2032
což je pro počítač stále výzva.
20:11
CA: Laura Schulz, wonderful
food for thought. Thank you so much.
food for thought. Thank you so much.
357
1199875
3061
CA: To byla vydatná porce myšlenek
od Laury Schulz. Děkujeme.
od Laury Schulz. Děkujeme.
20:14
LS: Thank you.
(Applause)
(Applause)
358
1202936
2922
LS: Děkuji.
(Potlesk.)
(Potlesk.)
ABOUT THE SPEAKER
Laura Schulz - Cognitive scientistDevelopmental behavior studies spearheaded by Laura Schulz are changing our notions of how children learn.
Why you should listen
MIT Early Childhood Cognition Lab lead investigator Laura Schulz studies learning in early childhood. Her research bridges computational models of cognitive development and behavioral studies in order to understand the origins of inquiry and discovery.
Working in play labs, children’s museums, and a recently-launched citizen science website, Schultz is reshaping how we view young children’s perceptions of the world around them. Some of the surprising results of her research: before the age of four, children expect hidden causes when events happen probabilistically, use simple experiments to distinguish causal hypotheses, and trade off learning from instruction and exploration.
Laura Schulz | Speaker | TED.com