TED2015
Laura Schulz: The surprisingly logical minds of babies
Λόρα Σουλτς: Τα εκπληκτικά λογικά μυαλά των μωρών
Filmed:
Readability: 3.8
1,888,975 views
Πώς τα μωρά μαθαίνουν τόσα πολλά από τόσα λίγα και τόσο γρήγορα; Σε μια διασκεδαστική ομιλία, γεμάτη με πειράματα, η γνωστική επιστήμων Λόρα Σουλτς μας δείχνει πώς τα μικρά παίρνουν αποφάσεις με μια εκπληκτικά έντονη αίσθηση της λογικής, πολύ πριν μπορέσουν να μιλήσουν.
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
Ο Μαρκ Τουαίην έχει συνοψίσει
αυτό που θεωρώ
αυτό που θεωρώ
00:14
one of the fundamental problems
of cognitive science
of cognitive science
1
2990
3120
ως ένα από τα θεμελιώδη προβλήματα
της γνωσιακής επιστήμης
της γνωσιακής επιστήμης
00:18
with a single witticism.
2
6110
1710
σε ένα απλό ευφυολόγημα.
Είπε, «Η επιστήμη έχει κάτι συναρπαστικό.
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
Μας αποφέρει χονδρικώς
τόσο μεγάλα κέρδη σε εικασίες
τόσο μεγάλα κέρδη σε εικασίες
00:26
out of such a trifling
investment in fact."
investment in fact."
5
14720
3204
από μια τόσο ευτελή επένδυση σε γεγονότα».
00:29
(Laughter)
6
17924
1585
(Γέλια)
00:32
Twain meant it as a joke,
of course, but he's right:
of course, but he's right:
7
20199
2604
Ο Τουαίην φυσικά αστειευόταν
αλλά έχει δίκιο:
αλλά έχει δίκιο:
00:34
There's something
fascinating about science.
fascinating about science.
8
22803
2876
Η επιστήμη έχει κάτι εκπληκτικό.
00:37
From a few bones, we infer
the existence of dinosuars.
the existence of dinosuars.
9
25679
4261
Από λίγα οστά συμπεραίνουμε
την ύπαρξη δεινοσαύρων.
την ύπαρξη δεινοσαύρων.
00:42
From spectral lines,
the composition of nebulae.
the composition of nebulae.
10
30910
3871
Από φασματικές γραμμές,
τη σύνθεση των νεφών.
τη σύνθεση των νεφών.
00:47
From fruit flies,
11
35471
2938
Από τη δροσόφιλα μύγα,
00:50
the mechanisms of heredity,
12
38409
2943
τους μηχανισμούς της κληρονομικότητας,
00:53
and from reconstructed images
of blood flowing through the brain,
of blood flowing through the brain,
13
41352
4249
και από εικόνες της ροής του αίματος
μέσα στον εγκέφαλο,
μέσα στον εγκέφαλο,
00:57
or in my case, from the behavior
of very young children,
of very young children,
14
45601
4708
ή στην περίπτωσή μου,
από τη συμπεριφορά πολύ μικρών παιδιών,
από τη συμπεριφορά πολύ μικρών παιδιών,
01:02
we try to say something about
the fundamental mechanisms
the fundamental mechanisms
15
50309
2829
προσπαθούμε να πούμε κάτι
σχετικά με τους θεμελιώδεις μηχανισμούς
της ανθρώπινης νόησης.
της ανθρώπινης νόησης.
01:05
of human cognition.
16
53138
1618
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
Ειδικότερα, στο εργαστήριό μου στο Τμήμα
Εγκεφάλου και Γνωσιακών Επιστημών του ΜΙΤ,
Εγκεφάλου και Γνωσιακών Επιστημών του ΜΙΤ,
01:12
I have spent the past decade
trying to understand the mystery
trying to understand the mystery
18
60475
3654
πέρασα την τελευταία δεκαετία
προσπαθώντας να κατανοήσω το μυστήριο
προσπαθώντας να κατανοήσω το μυστήριο
01:16
of how children learn so much
from so little so quickly.
from so little so quickly.
19
64129
3977
του πώς τα παιδιά μαθαίνουν τόσα πολλά
από τόσο λίγα, και τόσο γρήγορα.
από τόσο λίγα, και τόσο γρήγορα.
01:20
Because, it turns out that
the fascinating thing about science
the fascinating thing about science
20
68666
2978
Καθώς αποδεικνύεται
ότι το συναρπαστικό με την επιστήμη
όπως επίσης και με τα παιδιά,
όπως επίσης και με τα παιδιά,
01:23
is also a fascinating
thing about children,
thing about children,
21
71644
3529
01:27
which, to put a gentler
spin on Mark Twain,
spin on Mark Twain,
22
75173
2581
για να παραφράσουμε ηπιότερα
τον Μαρκ Τουαίην,
τον Μαρκ Τουαίην,
01:29
is precisely their ability
to draw rich, abstract inferences
to draw rich, abstract inferences
23
77754
4650
είναι ακριβώς η ικανότητά τους
να βγάζουν αφαιρετικά πλήθος συμπερασμάτων
να βγάζουν αφαιρετικά πλήθος συμπερασμάτων
01:34
rapidly and accurately
from sparse, noisy data.
from sparse, noisy data.
24
82404
4661
με ταχύτητα και ακρίβεια,
από τυχαία και αταξινόμητα δεδομένα.
από τυχαία και αταξινόμητα δεδομένα.
01:40
I'm going to give you
just two examples today.
just two examples today.
25
88355
2398
Θα σας δώσω μόνο δύο παραδείγματα σήμερα.
01:42
One is about a problem of generalization,
26
90753
2287
Το ένα αφορά ένα πρόβλημα γενίκευσης
01:45
and the other is about a problem
of causal reasoning.
of causal reasoning.
27
93040
2850
και το άλλο αφορά ένα πρόβλημα
αιτιώδους συλλογισμού.
αιτιώδους συλλογισμού.
01:47
And although I'm going to talk
about work in my lab,
about work in my lab,
28
95890
2525
Και παρόλο που θα μιλήσω
για δουλειά στο εργαστήριό μου,
για δουλειά στο εργαστήριό μου,
01:50
this work is inspired by
and indebted to a field.
and indebted to a field.
29
98415
3460
αυτή η δουλειά εμπνέεται
και οφείλεται σε ολόκληρο κλάδο.
και οφείλεται σε ολόκληρο κλάδο.
01:53
I'm grateful to mentors, colleagues,
and collaborators around the world.
and collaborators around the world.
30
101875
4283
Χρωστώ ευγνωμοσύνη σε μέντορες,
συναδέλφους και συνεργάτες ανά τον κόσμο.
συναδέλφους και συνεργάτες ανά τον κόσμο.
01:59
Let me start with the problem
of generalization.
of generalization.
31
107308
2974
Ας αρχίσω με το πρόβλημα της γενίκευσης.
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
Η γενίκευση από μικρά δείγματα δεδομένων
είναι καθημερινή πρακτική της επιστήμης.
είναι καθημερινή πρακτική της επιστήμης.
02:06
We poll a tiny fraction of the electorate
33
114785
2554
Από δημοσκόπηση
σε μικρό τμήμα του εκλογικού σώματος
σε μικρό τμήμα του εκλογικού σώματος
02:09
and we predict the outcome
of national elections.
of national elections.
34
117339
2321
προβλέπουμε το αποτέλεσμα
των εθνικών εκλογών.
των εθνικών εκλογών.
Βλέπουμε πώς αποκρίνεται δείγμα ασθενών
σε μια θεραπεία σε κλινική δοκιμή,
σε μια θεραπεία σε κλινική δοκιμή,
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
02:16
and we bring drugs to a national market.
36
124165
3065
και βγάζουμε τα φάρμακα στην εθνική αγορά.
02:19
But this only works if our sample
is randomly drawn from the population.
is randomly drawn from the population.
37
127230
4365
Αλλά αυτό έχει αποτέλεσμα μόνο με δείγμα
τυχαία επιλεγμένο από τον πληθυσμό.
τυχαία επιλεγμένο από τον πληθυσμό.
02:23
If our sample is cherry-picked
in some way --
in some way --
38
131595
2735
Αν το δείγμα μας είναι επιλεγμένο
με κάποιο κριτήριο -
με κάποιο κριτήριο -
02:26
say, we poll only urban voters,
39
134330
2072
ας πούμε, μόνο εκλογείς
από αστικές περιοχές,
από αστικές περιοχές,
02:28
or say, in our clinical trials
for treatments for heart disease,
for treatments for heart disease,
40
136402
4388
ή, στις κλινικές δοκιμές
για τη θεραπεία καρδιακών νόσων,
για τη θεραπεία καρδιακών νόσων,
02:32
we include only men --
41
140790
1881
να συμπεριλάβουμε μόνο άνδρες -
02:34
the results may not generalize
to the broader population.
to the broader population.
42
142671
3158
τα αποτελέσματα δεν θα είναι γενικεύσεις
για τον ευρύτερο πληθυσμό.
για τον ευρύτερο πληθυσμό.
02:38
So scientists care whether evidence
is randomly sampled or not,
is randomly sampled or not,
43
146479
3581
Οι επιστήμονες νοιάζονται αν οι ενδείξεις
προέρχονται από τυχαίο δείγμα ή όχι,
προέρχονται από τυχαίο δείγμα ή όχι,
02:42
but what does that have to do with babies?
44
150060
2015
αλλά τι σχέση έχει αυτό με τα μωρά;
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
Τα μωρά χρειάζεται να γενικεύουν
από μικρά δείγματα δεδομένων συνεχώς.
από μικρά δείγματα δεδομένων συνεχώς.
02:49
They see a few rubber ducks
and learn that they float,
and learn that they float,
46
157206
3158
Βλέπουν μερικά λαστιχένια παπάκια
και μαθαίνουν ότι επιπλέουν,
και μαθαίνουν ότι επιπλέουν,
02:52
or a few balls and learn that they bounce.
47
160364
3575
ή μερικές μπάλες
και μαθαίνουν ότι αναπηδούν.
και μαθαίνουν ότι αναπηδούν.
02:55
And they develop expectations
about ducks and balls
about ducks and balls
48
163939
2951
Και εξελίσσουν προσδοκίες
σχετικά με τα παπάκια και τις μπάλες
σχετικά με τα παπάκια και τις μπάλες
02:58
that they're going to extend
to rubber ducks and balls
to rubber ducks and balls
49
166890
2716
που θα επεκτείνουν σε παπάκια και μπάλες
03:01
for the rest of their lives.
50
169606
1879
για το υπόλοιπο της ζωής τους.
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
Και το είδος των γενικεύσεων που κάνουν
τα μωρά για τα παπάκια και τις μπάλες
τα μωρά για τα παπάκια και τις μπάλες
03:07
they have to make about almost everything:
52
175224
2089
το κάνουν για σχεδόν τα πάντα:
03:09
shoes and ships and sealing wax
and cabbages and kings.
and cabbages and kings.
53
177313
3917
για τα παπούτσια, τα πλοία, το βουλοκέρι,
τα λάχανα και τους βασιλιάδες.
τα λάχανα και τους βασιλιάδες.
Νοιάζονται λοιπόν τα παιδιά
εάν οι ελάχιστες ενδείξεις που βλέπουν
εάν οι ελάχιστες ενδείξεις που βλέπουν
03:14
So do babies care whether
the tiny bit of evidence they see
the tiny bit of evidence they see
54
182200
2961
03:17
is plausibly representative
of a larger population?
of a larger population?
55
185161
3692
είναι εμφανώς αντιπροσωπευτικά
ενός ευρύτερου πλήθους;
ενός ευρύτερου πλήθους;
03:21
Let's find out.
56
189763
1900
Ας το ανακαλύψουμε.
03:23
I'm going to show you two movies,
57
191663
1723
Θα σας δείξω δύο ταινίες,
03:25
one from each of two conditions
of an experiment,
of an experiment,
58
193386
2462
μία από κάθε περίπτωση ενός πειράματος,
03:27
and because you're going to see
just two movies,
just two movies,
59
195848
2438
και επειδή θα δείτε μόνο δύο ταινίες,
03:30
you're going to see just two babies,
60
198286
2136
θα δείτε μόνο δύο μωρά,
03:32
and any two babies differ from each other
in innumerable ways.
in innumerable ways.
61
200422
3947
και κάθε ζευγάρι μωρών διαφέρει
από άλλα με αμέτρητους τρόπους.
από άλλα με αμέτρητους τρόπους.
03:36
But these babies, of course,
here stand in for groups of babies,
here stand in for groups of babies,
62
204369
3051
Φυσικά όμως αυτά εδώ τα μωρά
εκπροσωπούν ομάδες μωρών,
εκπροσωπούν ομάδες μωρών,
03:39
and the differences you're going to see
63
207420
1895
και οι διαφορές που θα δείτε
03:41
represent average group differences
in babies' behavior across conditions.
in babies' behavior across conditions.
64
209315
5195
αντιπροσωπεύουν μέσες διαφορές ομάδας
στη συμπεριφορά των μωρών ανά κατάσταση.
στη συμπεριφορά των μωρών ανά κατάσταση.
03:47
In each movie, you're going to see
a baby doing maybe
a baby doing maybe
65
215160
2583
Σε κάθε ταινία θα δείτε ένα μωρό να κάνει
03:49
just exactly what you might
expect a baby to do,
expect a baby to do,
66
217743
3460
ακριβώς ό,τι θα περιμένατε
να κάνει κάθε μωρό,
να κάνει κάθε μωρό,
03:53
and we can hardly make babies
more magical than they already are.
more magical than they already are.
67
221203
4017
και είναι δύσκολο να κάνουμε τα μωρά
πιο μαγευτικά απ' όσο ήδη είναι.
πιο μαγευτικά απ' όσο ήδη είναι.
03:58
But to my mind the magical thing,
68
226090
2010
Αλλά στο μυαλό μου το μαγευτικό,
04:00
and what I want you to pay attention to,
69
228100
2089
και αυτό που θέλω να προσέξετε,
04:02
is the contrast between
these two conditions,
these two conditions,
70
230189
3111
είναι η αντίθεση ανάμεσα
στις δύο αυτές περιπτώσεις,
στις δύο αυτές περιπτώσεις,
04:05
because the only thing
that differs between these two movies
that differs between these two movies
71
233300
3529
επειδή η μόνη διαφορά
μεταξύ αυτών των δύο ταινιών
μεταξύ αυτών των δύο ταινιών
04:08
is the statistical evidence
the babies are going to observe.
the babies are going to observe.
72
236829
3466
είναι οι στατιστικές ενδείξεις
που θα εντοπίσουν τα μωρά.
που θα εντοπίσουν τα μωρά.
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
Θα δείξουμε στα μωρά ένα κουτί
με μπλε και κίτρινα μπαλάκια,
με μπλε και κίτρινα μπαλάκια,
04:16
and my then-graduate student,
now colleague at Stanford, Hyowon Gweon,
now colleague at Stanford, Hyowon Gweon,
74
244608
4620
κι η τότε μεταπτυχιακή φοιτήτρια, και νυν
συνάδελφος στο Στάνφορντ, Γιόγουαν Γκουάν,
συνάδελφος στο Στάνφορντ, Γιόγουαν Γκουάν,
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
θα πάρει με τη σειρά
τρία μπλε μπαλάκια από το κουτί
τρία μπλε μπαλάκια από το κουτί
04:24
and when she pulls those balls out,
she's going to squeeze them,
she's going to squeeze them,
76
252305
3123
και καθώς θα τα παίρνει, θα τα ζουλάει,
04:27
and the balls are going to squeak.
77
255428
2113
και τα μπαλάκια θα τσιρίζουν.
04:29
And if you're a baby,
that's like a TED Talk.
that's like a TED Talk.
78
257541
2763
Κι αν είστε μωρό,
αυτό είναι σαν ομιλία στο TED.
αυτό είναι σαν ομιλία στο TED.
04:32
It doesn't get better than that.
79
260304
1904
Δεν υπάρχει καλύτερο από αυτό.
04:34
(Laughter)
80
262208
2561
(Γέλια)
Αλλά σημαντικό είναι πως είναι πανεύκολο
να τραβήξετε τρία μπλε μπαλάκια στη σειρά
να τραβήξετε τρία μπλε μπαλάκια στη σειρά
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
04:42
out of a box of mostly blue balls.
82
270627
2305
από ένα κουτί με κυρίως μπλε μπαλάκια.
04:44
You could do that with your eyes closed.
83
272932
2060
Θα το κάνατε και με τα μάτια κλειστά.
04:46
It's plausibly a random sample
from this population.
from this population.
84
274992
2996
Είναι ένα δεόντως τυχαίο δείγμα
από αυτό το πλήθος.
από αυτό το πλήθος.
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
Και αν βάζεις το χέρι στο κουτί
και τυχαία βγάζεις πράγματα που τσιρίζουν,
και τυχαία βγάζεις πράγματα που τσιρίζουν,
04:53
then maybe everything in the box squeaks.
86
281720
2839
τότε μάλλον όλα μέσα στο κουτί τσιρίζουν.
04:56
So maybe babies should expect
those yellow balls to squeak as well.
those yellow balls to squeak as well.
87
284559
3650
Έτσι τα μωρά θα περιμένουν
να τσιρίζουν και τα κίτρινα μπαλάκια.
να τσιρίζουν και τα κίτρινα μπαλάκια.
05:00
Now, those yellow balls
have funny sticks on the end,
have funny sticks on the end,
88
288209
2519
Τα κίτρινα μπαλάκια όμως
έχουν ένα ξυλάκι στην άκρη,
έχουν ένα ξυλάκι στην άκρη,
05:02
so babies could do other things
with them if they wanted to.
with them if they wanted to.
89
290728
2857
έτσι τα μωρά θα μπορούσαν
να κάνουν και άλλα πράγματα αν ήθελαν,
να κάνουν και άλλα πράγματα αν ήθελαν,
05:05
They could pound them or whack them.
90
293585
1831
όπως να τα χτυπάνε ή να το κοπανάνε.
05:07
But let's see what the baby does.
91
295416
2586
Αλλά ας δούμε τι κάνει το μωρό.
05:12
(Video) Hyowon Gweon: See this?
(Ball squeaks)
(Ball squeaks)
92
300548
3343
(Βίντεο) Γιόγουαν Γκουάν: Το βλέπεις;
(Το μπαλάκι τσιρίζει)
(Το μπαλάκι τσιρίζει)
05:16
Did you see that?
(Ball squeaks)
(Ball squeaks)
93
304531
3045
Το είδες αυτό;
(Το μπαλάκι τσιρίζει)
(Το μπαλάκι τσιρίζει)
05:20
Cool.
94
308036
3066
Ωραίο!
05:24
See this one?
95
312706
1950
Βλέπεις αυτό;
05:26
(Ball squeaks)
96
314656
1881
(Το μπαλάκι τσιρίζει)
05:28
Wow.
97
316537
2653
Ουάου!
05:33
Laura Schulz: Told you. (Laughs)
98
321854
2113
Λόρα Σουλτς: Σας το είπα.
(Γελάει)
(Γελάει)
05:35
(Video) HG: See this one?
(Ball squeaks)
(Ball squeaks)
99
323967
4031
(Βίντεο) ΓΓ: Το βλέπεις;
(Το μπαλάκι τσιρίζει)
(Το μπαλάκι τσιρίζει)
05:39
Hey Clara, this one's for you.
You can go ahead and play.
You can go ahead and play.
100
327998
4619
Κλάρα, αυτό είναι για σένα.
Πάρτο και παίξε.
Πάρτο και παίξε.
05:51
(Laughter)
101
339854
4365
(Γέλια)
05:56
LS: I don't even have to talk, right?
102
344219
2995
ΛΣ: Δεν χρειάζεται καν να μιλήσω, σωστά;
05:59
All right, it's nice that babies
will generalize properties
will generalize properties
103
347214
2899
Εντάξει, είναι καλό που τα μωρά
γενικεύουν τις ιδιότητες
στα μπλε και τα κίτρινα μπαλάκια,
στα μπλε και τα κίτρινα μπαλάκια,
06:02
of blue balls to yellow balls,
104
350113
1528
06:03
and it's impressive that babies
can learn from imitating us,
can learn from imitating us,
105
351641
3096
και είναι εντυπωσιακό που τα μωρά
μαθαίνουν μιμούμενα εμάς,
μαθαίνουν μιμούμενα εμάς,
06:06
but we've known those things about babies
for a very long time.
for a very long time.
106
354737
3669
αλλά τα ξέραμε αυτά για τα μωρά
εδώ και πάρα πολύ καιρό.
εδώ και πάρα πολύ καιρό.
06:10
The really interesting question
107
358406
1811
Το πραγματικά ενδιαφέρον ερώτημα
είναι τι θα συμβεί αν δείξουμε στα μωρά
ακριβώς το ίδιο πράγμα,
ακριβώς το ίδιο πράγμα,
06:12
is what happens when we show babies
exactly the same thing,
exactly the same thing,
108
360217
2852
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
κι εξασφαλίζουμε ότι είναι ακριβώς το ίδιο
επειδή υπάρχει ένα μυστικό διαμέρισμα
και βγάζουμε τα μπαλάκια από εκεί
και βγάζουμε τα μπαλάκια από εκεί
06:18
and we actually pull the balls from there,
110
366680
2110
06:20
but this time, all we change
is the apparent population
is the apparent population
111
368790
3478
αλλά αυτή τη φορά
αλλάζουμε μόνο το εμφανές πλήθος
αλλάζουμε μόνο το εμφανές πλήθος
06:24
from which that evidence was drawn.
112
372268
2902
απ' όπου πήραμε τις ενδείξεις.
06:27
This time, we're going to show babies
three blue balls
three blue balls
113
375170
3553
Τώρα θα δείξουμε στα μωρά
τρία μπλε μπαλάκια
τρία μπλε μπαλάκια
06:30
pulled out of a box
of mostly yellow balls,
of mostly yellow balls,
114
378723
3384
που παίρνουμε από ένα κουτί
με κυρίως κίτρινα μπαλάκια,
με κυρίως κίτρινα μπαλάκια,
και μαντέψτε τι γίνεται;
06:34
and guess what?
115
382107
1322
06:35
You [probably won't] randomly draw
three blue balls in a row
three blue balls in a row
116
383429
2840
Μάλλον δεν θα τραβήξετε τυχαία
τρία μπλε μπαλάκια στη σειρά
τρία μπλε μπαλάκια στη σειρά
06:38
out of a box of mostly yellow balls.
117
386269
2484
από ένα κουτί με κυρίως κίτρινα μπαλάκια.
06:40
That is not plausibly
randomly sampled evidence.
randomly sampled evidence.
118
388753
3747
Αυτές δεν είναι ενδείξεις
από δεόντως τυχαίο δείγμα.
από δεόντως τυχαίο δείγμα.
06:44
That evidence suggests that maybe Hyowon
was deliberately sampling the blue balls.
was deliberately sampling the blue balls.
119
392500
5123
Αυτές οι ενδείξεις δείχνουν ότι η Γιόγουαν
μάλλον επίτηδες επέλεγε μπλε μπαλάκια.
μάλλον επίτηδες επέλεγε μπλε μπαλάκια.
06:49
Maybe there's something special
about the blue balls.
about the blue balls.
120
397623
2583
Ίσως τα μπλε μπαλάκια είναι ιδιαίτερα.
06:52
Maybe only the blue balls squeak.
121
400846
2976
Ίσως μόνο τα μπλε μπαλάκια τσιρίζουν.
06:55
Let's see what the baby does.
122
403822
1895
Να δούμε τι κάνει το μωρό.
06:57
(Video) HG: See this?
(Ball squeaks)
(Ball squeaks)
123
405717
2904
(Βίντεο) ΓΓ: Το βλέπεις αυτό;
(Το μπαλάκι τσιρίζει)
(Το μπαλάκι τσιρίζει)
07:02
See this toy?
(Ball squeaks)
(Ball squeaks)
124
410851
2645
Βλέπεις αυτό το παιχνίδι;
(Το μπαλάκι τσιρίζει)
(Το μπαλάκι τσιρίζει)
07:05
Oh, that was cool. See?
(Ball squeaks)
(Ball squeaks)
125
413496
5480
Ωραίο δεν είναι; Δες.
(Το μπαλάκι τσιρίζει)
(Το μπαλάκι τσιρίζει)
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
Αυτό εδώ είναι για να παίξεις εσύ.
Μπορείς να παίξεις.
Μπορείς να παίξεις.
07:18
(Fussing)
(Laughter)
(Laughter)
127
426074
6347
(Γκρίνια)
(Γέλια)
(Γέλια)
07:26
LS: So you just saw
two 15-month-old babies
two 15-month-old babies
128
434901
2748
ΛΣ: Μόλις είδατε δύο μωρά ηλικίας 15 μηνών
07:29
do entirely different things
129
437649
1942
να κάνουν εντελώς διαφορετικά πράγματα
07:31
based only on the probability
of the sample they observed.
of the sample they observed.
130
439591
3599
βασιζόμενα μόνο στην πιθανότητα
του δείγματος που παρατήρησαν.
του δείγματος που παρατήρησαν.
07:35
Let me show you the experimental results.
131
443190
2321
Ας σας δείξω τα επιστημονικά αποτελέσματα.
07:37
On the vertical axis, you'll see
the percentage of babies
the percentage of babies
132
445511
2764
Στον κάθετο άξονα
θα δείτε το ποσοστό των μωρών
θα δείτε το ποσοστό των μωρών
07:40
who squeezed the ball in each condition,
133
448275
2530
που ζούληξαν το μπαλάκι σε κάθε περίπτωση,
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
κι όπως θα δείτε, είναι πολύ πιθανότερο
τα μωρά να γενικεύσουν τα αποτελέσματα
τα μωρά να γενικεύσουν τα αποτελέσματα
07:46
when it's plausibly representative
of the population
of the population
135
454520
3135
αν είναι εύλογα
αντιπροσωπευτικά του πλήθους,
αντιπροσωπευτικά του πλήθους,
07:49
than when the evidence
is clearly cherry-picked.
is clearly cherry-picked.
136
457655
3738
από όταν οι ενδείξεις είναι σαφές
πως είναι ειδικά επιλεγμένες.
πως είναι ειδικά επιλεγμένες.
07:53
And this leads to a fun prediction:
137
461393
2415
Κι αυτό μας οδηγεί σε μια αστεία πρόβλεψη:
07:55
Suppose you pulled just one blue ball
out of the mostly yellow box.
out of the mostly yellow box.
138
463808
4868
Ας υποθέσουμε ότι παίρνατε μόνο ένα μπλε
μπαλάκι από ένα κυρίως κίτρινο κουτί.
μπαλάκι από ένα κυρίως κίτρινο κουτί.
Μάλλον δεν θα τραβούσατε τυχαία τρία μπλε
μπαλάκια στη σειρά από ένα κίτρινο κουτί,
μπαλάκια στη σειρά από ένα κίτρινο κουτί,
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
08:04
but you could randomly sample
just one blue ball.
just one blue ball.
140
472765
2455
αλλά τραβούσατε τυχαία
μόνο ένα μπλε μπαλάκι.
μόνο ένα μπλε μπαλάκι.
08:07
That's not an improbable sample.
141
475220
1970
Αυτό δεν είναι απίθανο δείγμα.
08:09
And if you could reach into
a box at random
a box at random
142
477190
2224
Και αν βάζατε το χέρι τυχαία σε ένα κουτί
08:11
and pull out something that squeaks,
maybe everything in the box squeaks.
maybe everything in the box squeaks.
143
479414
3987
και τραβούσαμε κάτι που τσιρίζει,
μάλλον όλα μέσα στο κουτί τσιρίζουν.
μάλλον όλα μέσα στο κουτί τσιρίζουν.
08:15
So even though babies are going to see
much less evidence for squeaking,
much less evidence for squeaking,
144
483875
4445
Έτσι, αν και τα μωρά θα έχουν
λιγότερες ενδείξεις για το τσίριγμα,
λιγότερες ενδείξεις για το τσίριγμα,
08:20
and have many fewer actions to imitate
145
488320
2242
και πολύ λιγότερες πράξεις να μιμηθούν,
08:22
in this one ball condition than in
the condition you just saw,
the condition you just saw,
146
490562
3343
στην περίπτωση με το ένα μπαλάκι
απ' ό,τι στην περίπτωση που μόλις είδατε,
απ' ό,τι στην περίπτωση που μόλις είδατε,
08:25
we predicted that babies themselves
would squeeze more,
would squeeze more,
147
493905
3892
προβλέψαμε ότι τα ίδια τα μωρά
θα ζουλούσαν περισσότερο,
θα ζουλούσαν περισσότερο,
08:29
and that's exactly what we found.
148
497797
2894
και ακριβώς αυτό ανακαλύψαμε.
08:32
So 15-month-old babies,
in this respect, like scientists,
in this respect, like scientists,
149
500691
4411
Έτσι τα 15μηνα μωρά, κατ' αυτή την έννοια,
όπως οι επιστήμονες
όπως οι επιστήμονες
νοιάζονται αν τα ενδεικτικά στοιχεία
είναι τυχαία επιλεγμένα ή όχι
είναι τυχαία επιλεγμένα ή όχι
08:37
care whether evidence
is randomly sampled or not,
is randomly sampled or not,
150
505102
3088
08:40
and they use this to develop
expectations about the world:
expectations about the world:
151
508190
3507
και από αυτά εξελίσσουν
προσδοκίες σχετικά με τον κόσμο:
προσδοκίες σχετικά με τον κόσμο:
τι τσιρίζει και τι όχι,
08:43
what squeaks and what doesn't,
152
511697
2182
08:45
what to explore and what to ignore.
153
513879
3145
τι να εξερευνήσουν και τι να αγνοήσουν.
08:50
Let me show you another example now,
154
518384
2066
Να σας δείξω άλλο ένα παράδειγμα,
08:52
this time about a problem
of causal reasoning.
of causal reasoning.
155
520450
2730
αυτή τη φορά με ένα πρόβλημα
αιτιώδους συλλογισμού.
αιτιώδους συλλογισμού.
Και αρχίζει με ένα πρόβλημα
της μπερδεμένης ένδειξης
της μπερδεμένης ένδειξης
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
που όλοι μας έχουμε,
08:59
which is that we are part of the world.
158
527291
2020
ότι είμαστε μέρος αυτού του κόσμου.
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
Μπορεί να μην το θεωρείτε πρόβλημα,
αλλά όπως τα περισσότερα προβλήματα,
αλλά όπως τα περισσότερα προβλήματα,
09:04
it's only a problem when things go wrong.
160
532747
2337
είναι πρόβλημα μόνο αν κάτι πάει στραβά.
09:07
Take this baby, for instance.
161
535464
1811
Πάρτε αυτό το μωρό για παράδειγμα.
09:09
Things are going wrong for him.
162
537275
1705
Κάτι του πάει στραβά.
09:10
He would like to make
this toy go, and he can't.
this toy go, and he can't.
163
538980
2271
Δεν μπορεί να κάνει
το παιχνίδι να δουλέψει.
το παιχνίδι να δουλέψει.
09:13
I'll show you a few-second clip.
164
541251
2529
Θα σας δείξω ένα βιντεοκλιπ
λίγων δευτερολέπτων.
λίγων δευτερολέπτων.
09:21
And there's two possibilities, broadly:
165
549340
1920
Και υπάρχουν δύο πιθανότητες, γενικά:
09:23
Maybe he's doing something wrong,
166
551260
2634
Ίσως το ίδιο κάνει κάτι λάθος,
09:25
or maybe there's something
wrong with the toy.
wrong with the toy.
167
553894
4216
ή μπορεί να έχει χαλάσει το παιχνίδι.
09:30
So in this next experiment,
168
558110
2111
Στο επόμενο πείραμα
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
θα δώσουμε στα μωρά
λίγα στατιστικά δεδομένα
λίγα στατιστικά δεδομένα
09:35
supporting one hypothesis over the other,
170
563518
2582
που θα στηρίζουν τη μια υπόθεση ή την άλλη
και θα δούμε αν τα μωρά
μπορούν να τα χρησιμοποιήσουν
μπορούν να τα χρησιμοποιήσουν
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
για να πάρουν διαφορετικές αποφάσεις
για το τι να κάνουν.
για το τι να κάνουν.
09:41
about what to do.
172
569555
1834
09:43
Here's the setup.
173
571389
2022
Να το σχέδιο.
09:46
Hyowon is going to try to make
the toy go and succeed.
the toy go and succeed.
174
574071
3030
Η Γιογουάν θα καταφέρει
να βάλει το παιχνίδι σε λειτουργία.
να βάλει το παιχνίδι σε λειτουργία.
09:49
I am then going to try twice
and fail both times,
and fail both times,
175
577101
3320
Μετά θα προσπαθήσω εγώ δύο φορές
και θα αποτύχω και τις δύο,
και θα αποτύχω και τις δύο,
09:52
and then Hyowon is going
to try again and succeed,
to try again and succeed,
176
580421
3112
και μετά η Γιογουάν θα προσπαθήσει ξανά
και θα τα καταφέρει.
και θα τα καταφέρει.
Και αυτό γενικά συνοψίζει τη σχέση μου
με τους μεταπτυχιακούς μου φοιτητές
με τους μεταπτυχιακούς μου φοιτητές
09:55
and this roughly sums up my relationship
to my graduate students
to my graduate students
177
583533
3172
09:58
in technology across the board.
178
586705
2835
σε όλο το φάσμα της τεχνολογίας.
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
Αλλά το σημαντικό εδώ είναι
ότι δίνει μια μικρή ένδειξη
ότι δίνει μια μικρή ένδειξη
10:05
that the problem isn't with the toy,
it's with the person.
it's with the person.
180
593322
3668
ότι το πρόβλημα δεν είναι
στο παιχνίδι αλλά στο άτομο.
στο παιχνίδι αλλά στο άτομο.
10:08
Some people can make this toy go,
181
596990
2350
Κάποιοι μπορούν να το βάλουν σε λειτουργία
10:11
and some can't.
182
599340
959
και κάποιοι όχι.
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
Όταν το μωρό πάρει το παιχνίδι,
θα έχει μια επιλογή.
θα έχει μια επιλογή.
10:16
His mom is right there,
184
604212
2188
Η μαμά του είναι εκεί,
10:18
so he can go ahead and hand off the toy
and change the person,
and change the person,
185
606400
3315
μπορεί να δώσει το παιχνίδι
και να αλλάξει το άτομο,
και να αλλάξει το άτομο,
αλλά θα υπάρχει και ένα ακόμη παιχνίδι
στην άκρη εκείνου του υφάσματος
στην άκρη εκείνου του υφάσματος
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
10:24
and he can pull the cloth towards him
and change the toy.
and change the toy.
187
612873
3552
και μπορεί να τραβήξει το ύφασμα
και να αλλάξει το παιχνίδι.
και να αλλάξει το παιχνίδι.
10:28
So let's see what the baby does.
188
616425
2090
Ας δούμε τι κάνει το μωρό.
10:30
(Video) HG: Two, three. Go!
(Music)
(Music)
189
618515
4183
(Βίντεο) ΓΓ: Δύο, τρία. Πάμε!
(Μουσική)
(Μουσική)
10:34
LS: One, two, three, go!
190
622698
3131
ΛΣ: Ένα, δύο, τρία, πάμε!
10:37
Arthur, I'm going to try again.
One, two, three, go!
One, two, three, go!
191
625829
7382
Άρθουρ, θα προσπαθήσω πάλι.
Ένα, δύο, τρία, πάμε!
Ένα, δύο, τρία, πάμε!
10:45
YG: Arthur, let me try again, okay?
192
633677
2600
ΓΓ: Άρθουρ, ας προσπαθήσω εγώ πάλι, ΟΚ;
10:48
One, two, three, go!
(Music)
(Music)
193
636277
4550
Ένα, δύο, τρία, πάμε!
(Μουσική)
(Μουσική)
10:53
Look at that. Remember these toys?
194
641583
1883
Κοίτα αυτό. Θυμάσαι αυτά τα παιχνίδια;
10:55
See these toys? Yeah, I'm going
to put this one over here,
to put this one over here,
195
643466
3264
Βλέπεις αυτά τα παιχνίδια;
Ναι, θα βάλω αυτό εδώ πέρα,
Ναι, θα βάλω αυτό εδώ πέρα,
10:58
and I'm going to give this one to you.
196
646730
2062
και θα δώσω αυτό σε σένα.
11:00
You can go ahead and play.
197
648792
2335
Μπορείς να παίξεις.
11:23
LS: Okay, Laura, but of course,
babies love their mommies.
babies love their mommies.
198
671213
4737
ΛΣ: ΟΚ, Λόρα, φυσικά
τα μωρά αγαπούν τις μαμάδες τους.
τα μωρά αγαπούν τις μαμάδες τους.
11:27
Of course babies give toys
to their mommies
to their mommies
199
675950
2182
Φυσικά το παιδί δίνει το παιχνίδι στη μαμά
11:30
when they can't make them work.
200
678132
2030
όταν δεν λειτουργεί.
11:32
So again, the really important question
is what happens when we change
is what happens when we change
201
680162
3593
Και πάλι, η πραγματικά
σημαντική ερώτηση είναι
σημαντική ερώτηση είναι
τι θα συμβεί όταν αλλάξουμε
τα στατιστικά δεδομένα ακόμα λίγο.
τα στατιστικά δεδομένα ακόμα λίγο.
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
Τώρα τα μωρά θα δουν το παιχνίδι
να λειτουργεί και να σταματάει εναλλάξ
να λειτουργεί και να σταματάει εναλλάξ
11:42
but we're changing
the distribution of evidence.
the distribution of evidence.
204
690996
2415
αλλά αλλάζουμε την κατανομή των ενδείξεων.
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
Τωρα η Γιογουάν μια φορά θα τα καταφέρει
και μια θα αποτύχει, και το ίδιο κι εγώ.
και μια θα αποτύχει, και το ίδιο κι εγώ.
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
Και αυτό λέει ότι άσχετα με το ποιος
χειρίζεται το παιχνίδι, αυτό δεν δουλεύει.
χειρίζεται το παιχνίδι, αυτό δεν δουλεύει.
11:55
It doesn't work all the time.
207
703459
1886
Δεν λειτουργεί γενικά.
Πάλι το μωρό έχει μια επιλογή.
11:57
Again, the baby's going to have a choice.
208
705345
1965
Η μαμά της είναι δίπλα της,
έτσι μπορεί να αλλάξει πρόσωπο
έτσι μπορεί να αλλάξει πρόσωπο
11:59
Her mom is right next to her,
so she can change the person,
so she can change the person,
209
707310
3396
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
και θα υπάρχει ένα άλλο παιχνίδι
στην άκρη του υφάσματος.
στην άκρη του υφάσματος.
Ας δούμε τι κάνει.
12:05
Let's watch what she does.
211
713910
1378
12:07
(Video) HG: Two, three, go!
(Music)
(Music)
212
715288
4348
(Βίντεο) ΓΓ: Δύο, τρία. Πάμε!
(Μουσική)
(Μουσική)
12:11
Let me try one more time.
One, two, three, go!
One, two, three, go!
213
719636
4984
Να προσπαθήσω άλλη μια φορά.
Ένα, δύο, τρία, πάμε!
Ένα, δύο, τρία, πάμε!
12:17
Hmm.
214
725460
1697
Χμμ.
12:19
LS: Let me try, Clara.
215
727950
2692
ΛΣ: Άσε με να προσπαθήσω, Κλάρα.
12:22
One, two, three, go!
216
730642
3945
Ένα, δύο, τρία, πάμε!
12:27
Hmm, let me try again.
217
735265
1935
Χμμ. Ας προσπαθήσω πάλι.
12:29
One, two, three, go!
(Music)
(Music)
218
737200
5670
Ένα, δύο, τρία, πάμε!
(Μουσική)
(Μουσική)
ΓΓ: Θα βάλω αυτό εδώ πέρα
12:35
HG: I'm going
to put this one over here,
to put this one over here,
219
743009
2233
12:37
and I'm going to give this one to you.
220
745242
2001
και θα δώσω αυτό σε σένα.
12:39
You can go ahead and play.
221
747243
3597
Μπορείς να παίξεις.
12:58
(Applause)
222
766376
4897
(Χειροκρότημα)
13:04
LS: Let me show you
the experimental results.
the experimental results.
223
772993
2392
ΛΣ: Να σας δείξω
τα αποτελέσματα των πειραμάτων.
τα αποτελέσματα των πειραμάτων.
13:07
On the vertical axis,
you'll see the distribution
you'll see the distribution
224
775385
2475
Στον κάθετο άξονα θα δείτε την κατανομή
13:09
of children's choices in each condition,
225
777860
2577
των επιλογών των παιδιών σε κάθε περίπτωση
13:12
and you'll see that the distribution
of the choices children make
of the choices children make
226
780437
4551
και θα δείτε ότι η κατανομή των επιλογών
που κάνουν τα παιδιά
που κάνουν τα παιδιά
13:16
depends on the evidence they observe.
227
784988
2787
εξαρτάται από τις ενδείξεις
που παρατηρούν.
που παρατηρούν.
13:19
So in the second year of life,
228
787775
1857
Έτσι στο δεύτερο έτος ζωής,
13:21
babies can use a tiny bit
of statistical data
of statistical data
229
789632
2577
τα μωρά μπορούν να χρησιμοποιήσουν
λίγα στατιστικά δεδομένα
λίγα στατιστικά δεδομένα
13:24
to decide between two
fundamentally different strategies
fundamentally different strategies
230
792209
3367
για να αποφασίσουν μεταξύ δύο βασικά
διαφορετικών στρατηγικών
διαφορετικών στρατηγικών
13:27
for acting in the world:
231
795576
1881
για να δράσουν στον κόσμο:
13:29
asking for help and exploring.
232
797457
2743
να ζητήσουν βοήθεια και να εξερευνήσουν.
13:33
I've just shown you
two laboratory experiments
two laboratory experiments
233
801700
3434
Μόλις σας έδειξα
δύο εργαστηριακά πειράματα
δύο εργαστηριακά πειράματα
13:37
out of literally hundreds in the field
that make similar points,
that make similar points,
234
805134
3691
από κυριολεκτικά εκατοντάδες στον κλάδο
που έχουν παρόμοια συμπεράσματα
που έχουν παρόμοια συμπεράσματα
13:40
because the really critical point
235
808825
2392
επειδή το πραγματικά
σημαντικό σημείο είναι
σημαντικό σημείο είναι
13:43
is that children's ability
to make rich inferences from sparse data
to make rich inferences from sparse data
236
811217
5108
ότι η ικανότητα των παιδιών να βγάζουν
πλήθος συμπερασμάτων από λίγα δεδομένα
πλήθος συμπερασμάτων από λίγα δεδομένα
13:48
underlies all the species-specific
cultural learning that we do.
cultural learning that we do.
237
816325
5341
βρίσκεται πίσω από όλη
την πολιτιστική μάθηση του είδους μας.
την πολιτιστική μάθηση του είδους μας.
13:53
Children learn about new tools
from just a few examples.
from just a few examples.
238
821666
4597
Τα παιδιά μαζεύουν τα νέα εργαλεία
από λίγα μόνο παραδείγματα.
από λίγα μόνο παραδείγματα.
13:58
They learn new causal relationships
from just a few examples.
from just a few examples.
239
826263
4717
Μαθαίνουν νέες σχέσεις αιτιασμού
από λίγα μόνο παραδείγματα.
από λίγα μόνο παραδείγματα.
14:03
They even learn new words,
in this case in American Sign Language.
in this case in American Sign Language.
240
831928
4871
Μαθαίνουν ακόμα και νέες λέξεις, όπως εδώ,
στην αμερικανική νοηματική γλώσσα.
στην αμερικανική νοηματική γλώσσα.
14:08
I want to close with just two points.
241
836799
2311
Θέλω να κλείσω με μόνο δύο σημεία.
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
Αν παρακολουθείτε τον κόσμο μου, τον
τομέα εγκεφάλου και γνωστικών επιστημών,
τομέα εγκεφάλου και γνωστικών επιστημών,
14:15
for the past few years,
243
843738
1927
για τα τελευταία λίγα χρόνια,
14:17
three big ideas will have come
to your attention.
to your attention.
244
845665
2415
τρεις μεγάλες ιδέες
θα υπέπεσαν στην αντίληψή σας.
θα υπέπεσαν στην αντίληψή σας.
14:20
The first is that this is
the era of the brain.
the era of the brain.
245
848080
3436
Η πρώτη είναι ότι αυτή
είναι η εποχή του εγκεφάλου.
είναι η εποχή του εγκεφάλου.
14:23
And indeed, there have been
staggering discoveries in neuroscience:
staggering discoveries in neuroscience:
246
851516
3669
Και όντως έχουν γίνει τεράστιες
ανακαλύψεις στη νευροεπιστήμη:
ανακαλύψεις στη νευροεπιστήμη:
14:27
localizing functionally specialized
regions of cortex,
regions of cortex,
247
855185
3436
εντοπίστηκαν λειτουργικά
εξειδικευμένες περιοχές του φλοιού,
εξειδικευμένες περιοχές του φλοιού,
14:30
turning mouse brains transparent,
248
858621
2601
οι εγκέφαλοι των ποντικιών
έγιναν διαφανείς,
έγιναν διαφανείς,
14:33
activating neurons with light.
249
861222
3776
ενεργοποιούνται νευρώνες με το φως.
14:36
A second big idea
250
864998
1996
Μια δεύτερη μεγάλη ιδέα είναι
14:38
is that this is the era of big data
and machine learning,
and machine learning,
251
866994
4104
ότι είναι η εποχή των μεγάλων δεδομένων
και της μηχανικής μάθησης,
και της μηχανικής μάθησης,
14:43
and machine learning promises
to revolutionize our understanding
to revolutionize our understanding
252
871098
3141
και η μηχανική μάθηση υπόσχεται ν' αλλάξει
ριζικά την κατανόηση των πάντων,
ριζικά την κατανόηση των πάντων,
14:46
of everything from social networks
to epidemiology.
to epidemiology.
253
874239
4667
από τα κοινωνικά δίκτυα
έως την επιδημιολογία.
έως την επιδημιολογία.
Και ίσως, καθώς επιλύει
προβλήματα κατανόησης σκηνών
προβλήματα κατανόησης σκηνών
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
και φυσικής επεξεργασίας της γλώσσας,
14:55
to tell us something
about human cognition.
about human cognition.
256
883592
3324
να μας πει κάτι
σχετικά με την ανθρώπινη νόηση.
σχετικά με την ανθρώπινη νόηση.
Και η τελευταία μεγάλη ιδέα
που θα έχετε ακούσει
που θα έχετε ακούσει
14:59
And the final big idea you'll have heard
257
887756
1937
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
είναι πως μάλλον είναι καλό
που θα μάθουμε τόσα για τον εγκέφαλο
που θα μάθουμε τόσα για τον εγκέφαλο
15:05
and have so much access to big data,
259
893080
1917
και θα έχουμε πρόσβαση σε μεγάλα δεδομένα,
15:06
because left to our own devices,
260
894997
2507
επειδή αν πράξουμε κατά βούληση,
15:09
humans are fallible, we take shortcuts,
261
897504
3831
οι άνθρωποι παραπλανούμαστε,
καταφεύγουμε σε πρόχειρες λύσεις,
καταφεύγουμε σε πρόχειρες λύσεις,
15:13
we err, we make mistakes,
262
901335
3437
κάνουμε σφάλματα, κάνουμε λάθη,
15:16
we're biased, and in innumerable ways,
263
904772
3684
έχουμε προκαταλήψεις,
και με πάμπολλους τρόπους,
εκλαμβάνουμε τον κόσμο λάθος.
εκλαμβάνουμε τον κόσμο λάθος.
15:20
we get the world wrong.
264
908456
2969
15:24
I think these are all important stories,
265
912843
2949
Νομίζω ότι όλες αυτές
είναι σημαντικές ιστορίες
είναι σημαντικές ιστορίες
και έχουν πολλά να μας πουν σχετικά
με το τι σημαίνει να είσαι άνθρωπος,
με το τι σημαίνει να είσαι άνθρωπος,
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
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
αλλά θέλω να σημειώσετε ότι σήμερα
σας είπα μια πολύ διαφορετική ιστορία.
σας είπα μια πολύ διαφορετική ιστορία.
15:35
It's a story about minds and not brains,
268
923966
3807
Είναι μια ιστορία για το μυαλό μας
και όχι για τον εγκέφαλό μας
και όχι για τον εγκέφαλό μας
15:39
and in particular, it's a story
about the kinds of computations
about the kinds of computations
269
927773
3006
και ειδικότερα, είναι μια ιστορία
για το είδος των υπολογισμών
για το είδος των υπολογισμών
15:42
that uniquely human minds can perform,
270
930779
2590
που μόνο τα ανθρώπινα μυαλά
μπορούν να εκτελέσουν,
μπορούν να εκτελέσουν,
15:45
which involve rich, structured knowledge
and the ability to learn
and the ability to learn
271
933369
3944
που εμπλέκει πλούσια, δομημένη γνώση
και την ικανότητα να μαθαίνουμε
και την ικανότητα να μαθαίνουμε
15:49
from small amounts of data,
the evidence of just a few examples.
the evidence of just a few examples.
272
937313
5268
από μικρές ποσότητες δεδομένων,
τις ενδείξεις από πολύ λίγα παραδείγματα.
τις ενδείξεις από πολύ λίγα παραδείγματα.
Και βασικά, είναι μια ιστορία του πώς,
ξεκινώντας ως μικρά παιδιά
ξεκινώντας ως μικρά παιδιά
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
16:00
and continuing out all the way
to the greatest accomplishments
to the greatest accomplishments
274
948600
4180
και συνεχίζοντας έως τα μεγαλύτερα
επιτεύγματα της κουλτούρας μας,
επιτεύγματα της κουλτούρας μας,
16:04
of our culture,
275
952780
3843
αντιλαμβανόμαστε τον κόσμο μας σωστά.
16:08
we get the world right.
276
956623
1997
16:12
Folks, human minds do not only learn
from small amounts of data.
from small amounts of data.
277
960433
5267
Φίλοι μου, το ανθρώπινο μυαλό δεν μαθαίνει
μόνο από μικρές ποσότητες δεδομένων.
μόνο από μικρές ποσότητες δεδομένων.
Τα ανθρώπινα μυαλά σκέφτονται
και εξ ολοκλήρου νέες ιδέες.
και εξ ολοκλήρου νέες ιδέες.
16:18
Human minds think
of altogether new ideas.
of altogether new ideas.
278
966285
2101
Τα ανθρώπινα μυαλά παράγουν
έρευνες και ανακαλύψεις,
έρευνες και ανακαλύψεις,
16:20
Human minds generate
research and discovery,
research and discovery,
279
968746
3041
16:23
and human minds generate
art and literature and poetry and theater,
art and literature and poetry and theater,
280
971787
5273
και τα ανθρώπινα μυαλά παράγουν τέχνη,
λογοτεχνία, ποίηση και θέατρο,
λογοτεχνία, ποίηση και θέατρο,
16:29
and human minds take care of other humans:
281
977070
3760
και τα ανθρώπινα μυαλά
φροντίζουν άλλους ανθρώπους:
φροντίζουν άλλους ανθρώπους:
16:32
our old, our young, our sick.
282
980830
3427
τους ηλικιωμένους μας,
τους νέους μας, τους ασθενείς μας.
τους νέους μας, τους ασθενείς μας.
Ακόμη και τους θεραπεύουμε.
16:36
We even heal them.
283
984517
2367
16:39
In the years to come, we're going
to see technological innovations
to see technological innovations
284
987564
3103
Στα επόμενα χρόνια,
θα δούμε τεχνολογικές καινοτομίες
θα δούμε τεχνολογικές καινοτομίες
16:42
beyond anything I can even envision,
285
990667
3797
πέρα από οτιδήποτε
μπορούμε να οραματιστούμε,
μπορούμε να οραματιστούμε,
16:46
but we are very unlikely
286
994464
2150
αλλά είναι μάλλον απίθανο
16:48
to see anything even approximating
the computational power of a human child
the computational power of a human child
287
996614
5709
να δούμε οτιδήποτε καν να πλησιάζει
την υπολογιστική δύναμη ενός μωρού
την υπολογιστική δύναμη ενός μωρού
16:54
in my lifetime or in yours.
288
1002323
4298
όσο θα ζήσω εγώ ή εσείς.
16:58
If we invest in these most powerful
learners and their development,
learners and their development,
289
1006621
5047
Εάν επενδύσουμε σ' αυτούς τους πολύ
δυνατούς μαθητές και την ανάπτυξή τους,
δυνατούς μαθητές και την ανάπτυξή τους,
17:03
in babies and children
290
1011668
2917
στα μωρά και στα παιδιά,
στις μητέρες και τους πατεράδες,
17:06
and mothers and fathers
291
1014585
1826
17:08
and caregivers and teachers
292
1016411
2699
στους κηδεμόνες και τους δασκάλους,
17:11
the ways we invest in our other
most powerful and elegant forms
most powerful and elegant forms
293
1019110
4170
έτσι όπως επενδύουμε στις άλλες μας
πιο ισχυρές και κομψές μορφές
πιο ισχυρές και κομψές μορφές
17:15
of technology, engineering and design,
294
1023280
3218
τεχνολογίας, μηχανικής και σχεδιασμού,
17:18
we will not just be dreaming
of a better future,
of a better future,
295
1026498
2939
δεν θα ονειρευόμαστε μόνο
ένα καλύτερο μέλλον,
ένα καλύτερο μέλλον,
17:21
we will be planning for one.
296
1029437
2127
θα το σχεδιάζουμε.
17:23
Thank you very much.
297
1031564
2345
Ευχαριστώ πολύ.
(Χειροκρότημα)
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
Κρις Άντερσον: Λόρα, σ' ευχαριστώ.
Έχω μια ερώτηση για σένα.
Έχω μια ερώτηση για σένα.
17:34
First of all, the research is insane.
300
1042236
2359
Πρώτα απ' όλα, η έρευνα είναι εξωφρενική.
17:36
I mean, who would design
an experiment like that? (Laughter)
an experiment like that? (Laughter)
301
1044595
3725
Ποιος θα σχεδίαζε ένα τέτοιο πείραμα;
(Γέλια)
(Γέλια)
17:41
I've seen that a couple of times,
302
1049150
1790
Το είδα μερικές φορές
17:42
and I still don't honestly believe
that that can truly be happening,
that that can truly be happening,
303
1050940
3222
και ακόμη δεν πιστεύω ειλικρινά
ότι αυτό όντως μπορεί να συμβαίνει,
ότι αυτό όντως μπορεί να συμβαίνει,
17:46
but other people have done
similar experiments; it checks out.
similar experiments; it checks out.
304
1054162
3158
αλλά και άλλοι έχουν κάνει
παρόμοια πειράματα. Είναι λογικό.
παρόμοια πειράματα. Είναι λογικό.
Τα μωρά είναι όντως ιδιοφυίες.
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
ΛΣ: Ξέρεις, είναι τόσο εντυπωσιακά
στα πειράματά μας,
στα πειράματά μας,
17:53
but think about what they
look like in real life, right?
look like in real life, right?
307
1061960
2652
αλλά σκέψου πώς είναι στην κανονική ζωή;
Ξεκινάει σαν μωρό.
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
Δεκαοκτώ μήνες αργότερα σου μιλάει,
και τα πρώτα λογάκια δεν είναι απλά
πράγματα όπως μπάλες και παπάκια,
πράγματα όπως μπάλες και παπάκια,
17:59
and babies' first words aren't just
things like balls and ducks,
things like balls and ducks,
310
1067769
3041
18:02
they're things like "all gone,"
which refer to disappearance,
which refer to disappearance,
311
1070810
2881
είναι πράγματα όπως τα «πάει!»
που αναφέρεται στην εξαφάνιση,
που αναφέρεται στην εξαφάνιση,
18:05
or "uh-oh," which refer
to unintentional actions.
to unintentional actions.
312
1073691
2283
ή το «ωχ!»
που αναφέρεται σε ακούσιες πράξεις.
που αναφέρεται σε ακούσιες πράξεις.
18:07
It has to be that powerful.
313
1075974
1562
Πρέπει να είναι τόσο ισχυρά.
18:09
It has to be much more powerful
than anything I showed you.
than anything I showed you.
314
1077536
2775
Πρέπει να είναι πολύ πιο ισχυρά
από οτιδήποτε σας έδειξα.
από οτιδήποτε σας έδειξα.
18:12
They're figuring out the entire world.
315
1080311
1974
Αντιλαμβάνονται
πώς λειτουργεί όλος ο κόσμος.
πώς λειτουργεί όλος ο κόσμος.
18:14
A four-year-old can talk to you
about almost anything.
about almost anything.
316
1082285
3144
Ένα τετράχρονο μπορεί να σας μιλήσει
για σχεδόν οτιδήποτε.
για σχεδόν οτιδήποτε.
18:17
(Applause)
317
1085429
1601
(Χειροκρότημα)
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
ΚΑ: Και αν σε καταλαβαίνω σωστά,
το άλλο κεντρικό σημείο είναι
το άλλο κεντρικό σημείο είναι
18:22
we've been through these years
where there's all this talk
where there's all this talk
319
1090444
2754
ότι περάσαμε τόσα χρόνια
που έγιναν τόσες συζητήσεις
που έγιναν τόσες συζητήσεις
πόσο ιδιόμορφα και προβληματικά
είναι τα μυαλά μας
είναι τα μυαλά μας
18:25
of how quirky and buggy our minds are,
320
1093198
1932
18:27
that behavioral economics
and the whole theories behind that
and the whole theories behind that
321
1095130
2867
που η συμπεριφοριστική οικονομία
και παρόμοιες θεωρίες,
και παρόμοιες θεωρίες,
18:29
that we're not rational agents.
322
1097997
1603
ότι δεν πράττουμε λογικά.
18:31
You're really saying that the bigger
story is how extraordinary,
story is how extraordinary,
323
1099600
4216
Ουσιαστικά λες ότι η σημαντικότερη ιστορία
είναι πόσο αξιοσημείωτα είναι,
είναι πόσο αξιοσημείωτα είναι,
18:35
and there really is genius there
that is underappreciated.
that is underappreciated.
324
1103816
4944
και ότι πράγματι υπάρχει εκεί ευφυία
που δεν εκτιμάται αναλόγως.
που δεν εκτιμάται αναλόγως.
18:40
LS: One of my favorite
quotes in psychology
quotes in psychology
325
1108760
2070
ΛΣ: Ένα αγαπημένο μου ρητό
από την ψυχολογία
από την ψυχολογία
18:42
comes from the social
psychologist Solomon Asch,
psychologist Solomon Asch,
326
1110830
2290
είναι από τον κοινωνικό ψυχολόγο
Σόλομον Ας, που είπε
Σόλομον Ας, που είπε
18:45
and he said the fundamental task
of psychology is to remove
of psychology is to remove
327
1113120
2807
ότι το βασικό καθήκον της ψυχολογίας
είναι να παραμερίσει το πέπλο
του αυταπόδεικτου από τα πράγματα.
του αυταπόδεικτου από τα πράγματα.
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
Εκατομμύρια τάξεις μεγέθους
και καθημερινές αποφάσεις
και καθημερινές αποφάσεις
βοηθούν να αντιληφθείς σωστά τον κόσμο.
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
Γνωρίζεις περί αντικειμένων
και των ιδιοτήτων τους.
και των ιδιοτήτων τους.
18:58
You know them when they're occluded.
You know them in the dark.
You know them in the dark.
332
1126583
3029
Ξέρεις πότε φρακάρουν.
Τα αναγνωρίζεις στο σκοτάδι.
Τα αναγνωρίζεις στο σκοτάδι.
Μπορείς να διασχίζεις δωμάτια.
Καταλαβαίνεις τι σκέφτονται οι άλλοι.
Καταλαβαίνεις τι σκέφτονται οι άλλοι.
19:01
You can walk through rooms.
333
1129612
1308
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
Μπορείς να τους μιλήσεις
και να πορευθείς στο χώρο.
και να πορευθείς στο χώρο.
19:06
You can navigate space.
You know about numbers.
You know about numbers.
335
1134452
2230
Ξέρεις για αριθμούς.
Ξέρεις τις σχέσεις αιτιατού
και την ηθική αιτίαση.
και την ηθική αιτίαση.
19:08
You know causal relationships.
You know about moral reasoning.
You know about moral reasoning.
336
1136682
3022
Το κάνεις χωρίς δυσκολία,
έτσι δεν το βλέπουμε,
έτσι δεν το βλέπουμε,
19:11
You do this effortlessly,
so we don't see it,
so we don't see it,
337
1139704
2356
αλλά έτσι καταλαβαίνουμε σωστά τον κόσμο
19:14
but that is how we get the world right,
and it's a remarkable
and it's a remarkable
338
1142060
2912
και είναι ένα αξιοσημείωτο
και πολύ δυσνόητο επίτευγμα.
και πολύ δυσνόητο επίτευγμα.
19:16
and very difficult-to-understand
accomplishment.
accomplishment.
339
1144972
2318
ΚΑ: Υποψιάζομαι ότι υπάρχουν
άνθρωποι στο ακροατήριο
άνθρωποι στο ακροατήριο
19:19
CA: I suspect there are people
in the audience who have
in the audience who have
340
1147290
2628
που έχουν την άποψη
να επιταχύνουν την τεχνολογική ισχύ
να επιταχύνουν την τεχνολογική ισχύ
19:21
this view of accelerating
technological power
technological power
341
1149918
2238
που ίσως αμφισβητήσουν τη δήλωσή σου
ότι ποτέ στη ζωή μας
ότι ποτέ στη ζωή μας
19:24
who might dispute your statement
that never in our lifetimes
that never in our lifetimes
342
1152156
2958
δεν θα κάνει ένας υπολογιστής
ότι μπορεί να κάνει ένα τρίχρονο παιδί,
ότι μπορεί να κάνει ένα τρίχρονο παιδί,
19:27
will a computer do what
a three-year-old child can do,
a three-year-old child can do,
343
1155114
2618
αλλά είναι σαφές ότι σε κάθε σενάριο,
19:29
but what's clear is that in any scenario,
344
1157732
3248
19:32
our machines have so much to learn
from our toddlers.
from our toddlers.
345
1160980
3770
οι μηχανές μας έχουν πολλά να μάθουν
από τους μπόμπιρες.
από τους μπόμπιρες.
19:38
LS: I think so. You'll have some
machine learning folks up here.
machine learning folks up here.
346
1166230
3216
ΛΣ: Έτσι νομίζω. Θα έχετε αρκετούς
υπέρ της μηχανικής μάθησης εδώ πέρα.
υπέρ της μηχανικής μάθησης εδώ πέρα.
19:41
I mean, you should never bet
against babies or chimpanzees
against babies or chimpanzees
347
1169446
4203
Δεν πρέπει να υποτιμάτε
τα μωρά ή τους χιμπατζήδες
τα μωρά ή τους χιμπατζήδες
19:45
or technology as a matter of practice,
348
1173649
3645
ή την τεχνολογία, σε μόνιμη βάση,
19:49
but it's not just
a difference in quantity,
a difference in quantity,
349
1177294
4528
αλλά δεν είναι απλώς
μια διαφορά στην ποσότητα,
μια διαφορά στην ποσότητα,
19:53
it's a difference in kind.
350
1181822
1764
είναι διαφορά στο είδος.
19:55
We have incredibly powerful computers,
351
1183586
2160
Έχουμε απίστευτα ισχυρούς υπολογιστές
19:57
and they do do amazingly
sophisticated things,
sophisticated things,
352
1185746
2391
και πράγματι κάνουν
τρομερά εξεζητημένα πράγματα,
τρομερά εξεζητημένα πράγματα,
20:00
often with very big amounts of data.
353
1188137
3204
συχνά με μεγάλες ποσότητες δεδομένων.
Θεωρώ ότι τα ανθρώπινα μυαλά
κάνουν κάτι τελείως διαφορετικό,
κάνουν κάτι τελείως διαφορετικό,
20:03
Human minds do, I think,
something quite different,
something quite different,
354
1191341
2607
20:05
and I think it's the structured,
hierarchical nature of human knowledge
hierarchical nature of human knowledge
355
1193948
3895
και νομίζω ότι είναι η δομημένη,
ιεραρχική φύση της ανθρώπινης γνώσης
ιεραρχική φύση της ανθρώπινης γνώσης
20:09
that remains a real challenge.
356
1197843
2032
που παραμένει μια πραγματική πρόκληση.
20:11
CA: Laura Schulz, wonderful
food for thought. Thank you so much.
food for thought. Thank you so much.
357
1199875
3061
ΚΑ: Λορα Σουλτς, θαυμάσια τροφή για σκέψη.
Σε ευχαριστούμε τόσο πολύ.
Σε ευχαριστούμε τόσο πολύ.
20:14
LS: Thank you.
(Applause)
(Applause)
358
1202936
2922
ΛΣ: Ευχαριστώ.
(Χειροκρότημα)
(Χειροκρότημα)
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