TED2015
Laura Schulz: The surprisingly logical minds of babies
Laura Schulz: A babák meglepően logikus elméje
Filmed:
Readability: 3.8
1,888,975 views
Hogyan tanulnak a babák olyan sokat és gyorsan, oly kevés információból? Egy szórakoztató, kísérletekkel tarkított előadásban Laura Schulz, a megismeréstudomány kutatója megmutatja, hogyan döntenek erős logikai érzékkel a kicsinyeink már jóval azelőtt, hogy beszélni megtanulnának.
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
Mark Twain szellemesen mutatott rá
00:14
one of the fundamental problems
of cognitive science
of cognitive science
1
2990
3120
találó mondásában,
hogy mi a legnagyobb gond
hogy mi a legnagyobb gond
00:18
with a single witticism.
2
6110
1710
a megismeréstudománnyal:
"Döbbenetes, hogy a tudományban
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
mennyi feltevést kaphatunk
00:26
out of such a trifling
investment in fact."
investment in fact."
5
14720
3204
oly kevés tényért cserébe."
00:29
(Laughter)
6
17924
1585
(Nevetés)
00:32
Twain meant it as a joke,
of course, but he's right:
of course, but he's right:
7
20199
2604
Twain ezt persze viccnek szánta,
de igaza van.
de igaza van.
00:34
There's something
fascinating about science.
fascinating about science.
8
22803
2876
Van valami döbbenetes a tudományban.
00:37
From a few bones, we infer
the existence of dinosuars.
the existence of dinosuars.
9
25679
4261
Egy pár csontból a dinoszauruszok
létezésére következtethetünk.
létezésére következtethetünk.
Spektrumanalízissel egész csillagködök
összetételét tudjuk megmondani.
összetételét tudjuk megmondani.
00:42
From spectral lines,
the composition of nebulae.
the composition of nebulae.
10
30910
3871
00:47
From fruit flies,
11
35471
2938
Muslicák vizsgálatával
00:50
the mechanisms of heredity,
12
38409
2943
az öröklés mechanizmusát kutatjuk,
00:53
and from reconstructed images
of blood flowing through the brain,
of blood flowing through the brain,
13
41352
4249
és az agy véráramának képeiből,
00:57
or in my case, from the behavior
of very young children,
of very young children,
14
45601
4708
vagy a nagyon fiatal gyermekek
viselkedéséből
viselkedéséből
01:02
we try to say something about
the fundamental mechanisms
the fundamental mechanisms
15
50309
2829
az emberi észlelés
alapvető mechanizmusait tárhatjuk fel.
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
Az MIT megismeréstudományi és
agykutató laborjában dolgozom,
agykutató laborjában dolgozom,
01:12
I have spent the past decade
trying to understand the mystery
trying to understand the mystery
18
60475
3654
s az elmúlt évtizedet
e rejtély feltárásával töltöttem:
e rejtély feltárásával töltöttem:
01:16
of how children learn so much
from so little so quickly.
from so little so quickly.
19
64129
3977
hogyan tanulnak a gyerekek olyan sokat
és gyorsan, oly kevés információból.
és gyorsan, oly kevés információból.
01:20
Because, it turns out that
the fascinating thing about science
the fascinating thing about science
20
68666
2978
Mert kiderült, hogy ami döbbenetes
a tudományban,
a tudományban,
01:23
is also a fascinating
thing about children,
thing about children,
21
71644
3529
az döbbenetes a gyerekekben is,
01:27
which, to put a gentler
spin on Mark Twain,
spin on Mark Twain,
22
75173
2581
és Mark Twain gondolatát alkalmazva.
01:29
is precisely their ability
to draw rich, abstract inferences
to draw rich, abstract inferences
23
77754
4650
gyorsan, pontosan képesek bőséges
és absztrakt következtetéseket levonni
és absztrakt következtetéseket levonni
01:34
rapidly and accurately
from sparse, noisy data.
from sparse, noisy data.
24
82404
4661
hiányos vagy zavaros adatokból.
01:40
I'm going to give you
just two examples today.
just two examples today.
25
88355
2398
Két ilyen példáról szeretnék ma beszélni.
01:42
One is about a problem of generalization,
26
90753
2287
Az egyik az általánosítás kérdése,
01:45
and the other is about a problem
of causal reasoning.
of causal reasoning.
27
93040
2850
a másik pedig az ok-okozati
kapcsolattal függ össze.
kapcsolattal függ össze.
01:47
And although I'm going to talk
about work in my lab,
about work in my lab,
28
95890
2525
Bár saját munkámat ismertetem,
01:50
this work is inspired by
and indebted to a field.
and indebted to a field.
29
98415
3460
sokaknak tartozom az ösztönzésért.
01:53
I'm grateful to mentors, colleagues,
and collaborators around the world.
and collaborators around the world.
30
101875
4283
Hálás vagyok mentoraimnak, kollégáimnak
és közreműködőimnek a világ minden táján.
és közreműködőimnek a világ minden táján.
01:59
Let me start with the problem
of generalization.
of generalization.
31
107308
2974
Kezdjük az általánosítás kérdésével.
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
A tudományban gyakran kis mintákból
vonunk le általános következtetést.
vonunk le általános következtetést.
02:06
We poll a tiny fraction of the electorate
33
114785
2554
Egy pár embert megkérdezünk, kire szavaz,
02:09
and we predict the outcome
of national elections.
of national elections.
34
117339
2321
s előrejelezzük az országos
választási eredményt.
választási eredményt.
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
Ha a páciensek egy része jól reagál
egy gyógyszerkísérlet során,
egy gyógyszerkísérlet során,
02:16
and we bring drugs to a national market.
36
124165
3065
piacra dobhatunk egy új terméket.
02:19
But this only works if our sample
is randomly drawn from the population.
is randomly drawn from the population.
37
127230
4365
De ez csak véletlen mintavételkor működik.
02:23
If our sample is cherry-picked
in some way --
in some way --
38
131595
2735
Ha választásunkat befolyásolja
valamilyen tényező,
valamilyen tényező,
02:26
say, we poll only urban voters,
39
134330
2072
például csak városi szavazókat,
02:28
or say, in our clinical trials
for treatments for heart disease,
for treatments for heart disease,
40
136402
4388
vagy csak férfiakat vonunk be
egy új szívgyógyszernél
egy új szívgyógyszernél
02:32
we include only men --
41
140790
1881
a kísérleti alkalmazásba,
02:34
the results may not generalize
to the broader population.
to the broader population.
42
142671
3158
az eredmények nem lesznek
érvényesek a nagyobb népességre.
érvényesek a nagyobb népességre.
02:38
So scientists care whether evidence
is randomly sampled or not,
is randomly sampled or not,
43
146479
3581
A tudósok tehát figyelnek rá,
hogy a mintavétel véletlenszerű legyen,
hogy a mintavétel véletlenszerű legyen,
02:42
but what does that have to do with babies?
44
150060
2015
de mi köze ennek a csecsemőkhöz?
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
Nos, a csecsemőknek egyfolytában
kis mintákból kell általánosítaniuk.
kis mintákból kell általánosítaniuk.
02:49
They see a few rubber ducks
and learn that they float,
and learn that they float,
46
157206
3158
Látnak egy pár gumikacsát,
és megtanulják, hogy azok lebegnek,
és megtanulják, hogy azok lebegnek,
02:52
or a few balls and learn that they bounce.
47
160364
3575
labdával játszanak,
és rájönnek, hogy az pattog.
és rájönnek, hogy az pattog.
02:55
And they develop expectations
about ducks and balls
about ducks and balls
48
163939
2951
Később már számítanak
a lebegésre és a pattogásra,
a lebegésre és a pattogásra,
02:58
that they're going to extend
to rubber ducks and balls
to rubber ducks and balls
49
166890
2716
sőt, más gumikacsákról
és labdákról is előre tudják,
és labdákról is előre tudják,
03:01
for the rest of their lives.
50
169606
1879
hogyan fognak viselkedni.
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
Képesnek kell lenniük nemcsak
labdákról és kacsákról,
labdákról és kacsákról,
03:07
they have to make about almost everything:
52
175224
2089
hanem majd mindenről
ilyen általánosításra.
ilyen általánosításra.
03:09
shoes and ships and sealing wax
and cabbages and kings.
and cabbages and kings.
53
177313
3917
Cipőkről, hajókról, pecsétviaszról,
káposztákról, királyokról.
káposztákról, királyokról.
A babákat vajon érdekli-e,
hogy a látott pici bizonyíték
hogy a látott pici bizonyíték
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
meggyőzően képviseli a nagyobb népességet?
03:21
Let's find out.
56
189763
1900
Vizsgáljuk meg!
Most két filmet látnak egy kísérletről,
03:23
I'm going to show you two movies,
57
191663
1723
03:25
one from each of two conditions
of an experiment,
of an experiment,
58
193386
2462
amelyet kétféle feltétel között végeztek,
03:27
and because you're going to see
just two movies,
just two movies,
59
195848
2438
s mivel csak ezt a két filmet néznek meg,
03:30
you're going to see just two babies,
60
198286
2136
csak két babát fognak látni.
03:32
and any two babies differ from each other
in innumerable ways.
in innumerable ways.
61
200422
3947
Két tetszőleges baba
számtalan dologban különbözik egymástól.
számtalan dologban különbözik egymástól.
03:36
But these babies, of course,
here stand in for groups of babies,
here stand in for groups of babies,
62
204369
3051
Ezek a babák persze
babák csoportját jelképezik,
babák csoportját jelképezik,
a különbségek a csoportok közti
átlagos különbséget képviselik,
átlagos különbséget képviselik,
03:39
and the differences you're going to see
63
207420
1895
03:41
represent average group differences
in babies' behavior across conditions.
in babies' behavior across conditions.
64
209315
5195
amely a kétféle feltételre adott
viselkedésben fejeződik ki.
viselkedésben fejeződik ki.
03:47
In each movie, you're going to see
a baby doing maybe
a baby doing maybe
65
215160
2583
Mindkét filmben a babák azt csinálják,
03:49
just exactly what you might
expect a baby to do,
expect a baby to do,
66
217743
3460
amit egy babától elvárnánk,
03:53
and we can hardly make babies
more magical than they already are.
more magical than they already are.
67
221203
4017
és ugyan nem ruházhatjuk fel
őket varázserővel,
őket varázserővel,
de szerintem a varázslatos
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
— erre fel is hívom a figyelmüket —,
04:02
is the contrast between
these two conditions,
these two conditions,
70
230189
3111
a két feltétel közti különbség.
04:05
because the only thing
that differs between these two movies
that differs between these two movies
71
233300
3529
A filmek közti egyetlen különbség
04:08
is the statistical evidence
the babies are going to observe.
the babies are going to observe.
72
236829
3466
a statisztikai erejű bizonyíték,
melyet a babák megfigyelnek.
melyet a babák megfigyelnek.
Egy doboznyi kék és sárga labdát
mutatunk a babáknak,
mutatunk a babáknak,
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
aztán Hyowon Gweon, régi tanítványom,
aki most már stanfordi munkatársam,
aki most már stanfordi munkatársam,
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
zsinórban három kék labdát húz a dobozból,
04:24
and when she pulls those balls out,
she's going to squeeze them,
she's going to squeeze them,
76
252305
3123
közben összenyomja őket,
04:27
and the balls are going to squeak.
77
255428
2113
a labda pedig sípolni fog.
04:29
And if you're a baby,
that's like a TED Talk.
that's like a TED Talk.
78
257541
2763
Egy baba számára ez egy kész TED-előadás,
04:32
It doesn't get better than that.
79
260304
1904
ami nem is lehetne tudományosabb.
04:34
(Laughter)
80
262208
2561
(Nevetés)
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
De ebből az a lényeg, hogy zsinórban
könnyű három kék labdát húzni
könnyű három kék labdát húzni
04:42
out of a box of mostly blue balls.
82
270627
2305
egy zömmel kék labdát tartalmazó dobozból.
04:44
You could do that with your eyes closed.
83
272932
2060
Csukott szemmel is menne.
Ez meggyőzően véletlen mintavétel.
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
Ha véletlenszerűen húzunk ki
sípoló labdákat a dobozból,
sípoló labdákat a dobozból,
04:53
then maybe everything in the box squeaks.
86
281720
2839
akkor a dobozban talán
csak sípoló labdák vannak.
csak sípoló labdák vannak.
04:56
So maybe babies should expect
those yellow balls to squeak as well.
those yellow balls to squeak as well.
87
284559
3650
A babáknak tehát arra kéne számítaniuk,
hogy a sárga labdák is sípolnak.
hogy a sárga labdák is sípolnak.
05:00
Now, those yellow balls
have funny sticks on the end,
have funny sticks on the end,
88
288209
2519
A sárga labdáknak nyelük van,
05:02
so babies could do other things
with them if they wanted to.
with them if they wanted to.
89
290728
2857
tehát a babák, ha akarják,
másra is használhatják őket.
másra is használhatják őket.
05:05
They could pound them or whack them.
90
293585
1831
Ütögethetik, odaverhetik őket.
05:07
But let's see what the baby does.
91
295416
2586
De nézzük, mi történt a kísérletben.
05:12
(Video) Hyowon Gweon: See this?
(Ball squeaks)
(Ball squeaks)
92
300548
3343
(Film) Hyowon Gweon: Látod ezt?
(Sípol a labda)
(Sípol a labda)
05:16
Did you see that?
(Ball squeaks)
(Ball squeaks)
93
304531
3045
Láttad ezt?
(Sípol a labda)
(Sípol a labda)
05:20
Cool.
94
308036
3066
Remek!
05:24
See this one?
95
312706
1950
Látod ezt itt?
05:26
(Ball squeaks)
96
314656
1881
(Sípol a labda)
05:28
Wow.
97
316537
2653
Tyűha!
05:33
Laura Schulz: Told you. (Laughs)
98
321854
2113
Laura Schulz: Én megmondtam! (Nevet)
05:35
(Video) HG: See this one?
(Ball squeaks)
(Ball squeaks)
99
323967
4031
(Film) HG: Látod ezt?
(Sípol a labda)
(Sípol a labda)
05:39
Hey Clara, this one's for you.
You can go ahead and play.
You can go ahead and play.
100
327998
4619
Hé, Clara, ez a tied.
Játszhatsz vele!
Játszhatsz vele!
05:51
(Laughter)
101
339854
4365
(Nevetés)
05:56
LS: I don't even have to talk, right?
102
344219
2995
LS: Ezt nem is kell kommentálni, igaz?
05:59
All right, it's nice that babies
will generalize properties
will generalize properties
103
347214
2899
Rendben, hogy a babák
egy kalap alá veszik
egy kalap alá veszik
a kék és sárga labdák tulajdonságait,
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
és lenyűgöző, ahogy utánzás révén
tanulnak tőlünk,
tanulnak tőlünk,
06:06
but we've known those things about babies
for a very long time.
for a very long time.
106
354737
3669
de ezt már réges-rég tudtuk a babákról.
.
.
06:10
The really interesting question
107
358406
1811
Az érdekes kérdés most jön:
06:12
is what happens when we show babies
exactly the same thing,
exactly the same thing,
108
360217
2852
Mi történik, ha a babáknak
ugyanazt a tárgyat mutatjuk,
ugyanazt a tárgyat mutatjuk,
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
biztosan ugyanazt,
mert van egy titkos rekeszünk,
mert van egy titkos rekeszünk,
06:18
and we actually pull the balls from there,
110
366680
2110
és a labdákat onnan húzzuk elő,
06:20
but this time, all we change
is the apparent population
is the apparent population
111
368790
3478
de ezúttal megváltoztatjuk a populációt,
06:24
from which that evidence was drawn.
112
372268
2902
amelyből kihúzzuk a labdákat.
06:27
This time, we're going to show babies
three blue balls
three blue balls
113
375170
3553
Ezúttal három kék labdát
mutatunk a babáknak,
mutatunk a babáknak,
06:30
pulled out of a box
of mostly yellow balls,
of mostly yellow balls,
114
378723
3384
amelyeket zömmel sárga labdákat rejtő
dobozból húztuk,
dobozból húztuk,
06:34
and guess what?
115
382107
1322
És mi történik?
06:35
You [probably won't] randomly draw
three blue balls in a row
three blue balls in a row
116
383429
2840
Valószínűség alapján nehéz
zsinórban három kéket húzni
zsinórban három kéket húzni
06:38
out of a box of mostly yellow balls.
117
386269
2484
zömmel sárgákat tartalmazó dobozból.
06:40
That is not plausibly
randomly sampled evidence.
randomly sampled evidence.
118
388753
3747
Itt tehát kétséges a véletlen mintavétel.
06:44
That evidence suggests that maybe Hyowon
was deliberately sampling the blue balls.
was deliberately sampling the blue balls.
119
392500
5123
A tények azt sejtetik, hogy Hyowon
talán szándékosan húz csak kéket,
talán szándékosan húz csak kéket,
06:49
Maybe there's something special
about the blue balls.
about the blue balls.
120
397623
2583
a kékek talán valami miatt
különlegesek lehetnek.
különlegesek lehetnek.
06:52
Maybe only the blue balls squeak.
121
400846
2976
Talán csak a kék labdák sípolnak.
06:55
Let's see what the baby does.
122
403822
1895
Nézzük, mi történik!
06:57
(Video) HG: See this?
(Ball squeaks)
(Ball squeaks)
123
405717
2904
(Film) HG: Látod ezt?
(Sípol a labda)
(Sípol a labda)
07:02
See this toy?
(Ball squeaks)
(Ball squeaks)
124
410851
2645
Látod ezt a játékot?
(Sípol a labda)
(Sípol a labda)
07:05
Oh, that was cool. See?
(Ball squeaks)
(Ball squeaks)
125
413496
5480
Ó, ez klassz volt! Látod?
(Sípol a labda)
(Sípol a labda)
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
Tessék, ez a tied, játszhatsz vele!
07:18
(Fussing)
(Laughter)
(Laughter)
127
426074
6347
(Bébihang)
(Nevetés)
(Nevetés)
07:26
LS: So you just saw
two 15-month-old babies
two 15-month-old babies
128
434901
2748
LS: Önök most láttak két 15 hónapos babát,
07:29
do entirely different things
129
437649
1942
akik teljesen eltérően reagáltak,
07:31
based only on the probability
of the sample they observed.
of the sample they observed.
130
439591
3599
az eltérést csak
a megfigyelt minta okozta.
a megfigyelt minta okozta.
07:35
Let me show you the experimental results.
131
443190
2321
Lássuk a kísérlet eredményeit!
07:37
On the vertical axis, you'll see
the percentage of babies
the percentage of babies
132
445511
2764
A függőleges tengely mutatja
07:40
who squeezed the ball in each condition,
133
448275
2530
a labdát mindig megnyomó babákat,
százalékban,
százalékban,
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
és látható, hogy ha a minta
meggyőzően reprezentatív,
meggyőzően reprezentatív,
07:46
when it's plausibly representative
of the population
of the population
135
454520
3135
akkor a babák nagyobb arányban
általánosítanak,
általánosítanak,
07:49
than when the evidence
is clearly cherry-picked.
is clearly cherry-picked.
136
457655
3738
mint akkor, ha egyértelműen nem az.
07:53
And this leads to a fun prediction:
137
461393
2415
Ez egy érdekes következtetésre vezet.
07:55
Suppose you pulled just one blue ball
out of the mostly yellow box.
out of the mostly yellow box.
138
463808
4868
Ha egy kéket húzunk egy zömmel
sárgákat rejtő dobozból,
sárgákat rejtő dobozból,
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
így valószínűtlen, hogy egymás után
három kéket húzunk ki,
három kéket húzunk ki,
de egy kék még lehet véletlenszerű.
08:04
but you could randomly sample
just one blue ball.
just one blue ball.
140
472765
2455
08:07
That's not an improbable sample.
141
475220
1970
Ez még hihető.
08:09
And if you could reach into
a box at random
a box at random
142
477190
2224
Ha véletlenszerűen nyúlunk a dobozba,
08:11
and pull out something that squeaks,
maybe everything in the box squeaks.
maybe everything in the box squeaks.
143
479414
3987
majd kihúzunk egy sípoló tárgyat,
lehet, hogy minden tárgy sípol benne.
lehet, hogy minden tárgy sípol benne.
08:15
So even though babies are going to see
much less evidence for squeaking,
much less evidence for squeaking,
144
483875
4445
Bár a babák sokkal kevesebb bizonyítékot
látnak a sípolásra,
látnak a sípolásra,
és sokkal kevesebb az esélyük
utánozni a viselkedést
utánozni a viselkedést
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
ebben az egylabdás kísérletben
az előzőhöz képest,
az előzőhöz képest,
08:25
we predicted that babies themselves
would squeeze more,
would squeeze more,
147
493905
3892
mi azt feltételeztük, hogy a babák
többször fogják összenyomni a labdát,
többször fogják összenyomni a labdát,
08:29
and that's exactly what we found.
148
497797
2894
és pontosan ez lett az eredmény.
08:32
So 15-month-old babies,
in this respect, like scientists,
in this respect, like scientists,
149
500691
4411
Tehát a 15 hónapos babák
e tekintetben olyanok, mint a tudósok,
e tekintetben olyanok, mint a tudósok,
08:37
care whether evidence
is randomly sampled or not,
is randomly sampled or not,
150
505102
3088
figyelik, hogy a bizonyíték
véletlen mintán alapul-e vagy sem,
véletlen mintán alapul-e vagy sem,
08:40
and they use this to develop
expectations about the world:
expectations about the world:
151
508190
3507
és babák eszerint alakítják világképüket:
mi sípol és mi nem,
08:43
what squeaks and what doesn't,
152
511697
2182
08:45
what to explore and what to ignore.
153
513879
3145
mire figyeljenek, és mire ne,
08:50
Let me show you another example now,
154
518384
2066
Nézzünk egy másik példát.
08:52
this time about a problem
of causal reasoning.
of causal reasoning.
155
520450
2730
Ez az ok-okozati összefüggésről szól.
Zavaros bizonyítékokkal
mindnyájan találkozunk,
mindnyájan találkozunk,
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
az életben
08:59
which is that we are part of the world.
158
527291
2020
sok ilyen helyzet adódhat.
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
Ez nem okoz fejfájást,
de csak addig, amíg a dolgok
rosszra nem fordulnak.
rosszra nem fordulnak.
09:04
it's only a problem when things go wrong.
160
532747
2337
09:07
Take this baby, for instance.
161
535464
1811
Ez a baba például
09:09
Things are going wrong for him.
162
537275
1705
nehézségekkel küzd.
09:10
He would like to make
this toy go, and he can't.
this toy go, and he can't.
163
538980
2271
Működtetné a játékát, de nem megy.
09:13
I'll show you a few-second clip.
164
541251
2529
Nézzünk belőle pár másodpercet!
Nagyjából két ok lehetséges:
09:21
And there's two possibilities, broadly:
165
549340
1920
09:23
Maybe he's doing something wrong,
166
551260
2634
vagy valamit a baba rosszul csinál,
09:25
or maybe there's something
wrong with the toy.
wrong with the toy.
167
553894
4216
vagy a játékkal van valami zűr.
09:30
So in this next experiment,
168
558110
2111
A következő kísérletben a babáknak
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
kis mennyiségű statisztikai adatot adtunk
09:35
supporting one hypothesis over the other,
170
563518
2582
egyik vagy másik hipotézis támogatására,
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
és meglátjuk, képesek-e dönteni
a teendőről ezen adatok alapján.
09:41
about what to do.
172
569555
1834
09:43
Here's the setup.
173
571389
2022
Íme az alaphelyzet
09:46
Hyowon is going to try to make
the toy go and succeed.
the toy go and succeed.
174
574071
3030
Hyowon sikeresen indítja a játékot.
09:49
I am then going to try twice
and fail both times,
and fail both times,
175
577101
3320
Aztán én kétszer sikertelenül próbálkozom,
09:52
and then Hyowon is going
to try again and succeed,
to try again and succeed,
176
580421
3112
majd Hyowon még egyszer, sikerrel.
09:55
and this roughly sums up my relationship
to my graduate students
to my graduate students
177
583533
3172
A tanítványaimmal is nagyjából
09:58
in technology across the board.
178
586705
2835
így szokott ez menni.
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
De a lényeg: az események azt mutatják,
10:05
that the problem isn't with the toy,
it's with the person.
it's with the person.
180
593322
3668
hogy nem a játék a hibás, hanem a személy.
10:08
Some people can make this toy go,
181
596990
2350
Néhányan el tudják indítani a játékot,
néhányan nem.
10:11
and some can't.
182
599340
959
Amikor a baba megkapja a játékot,
választhat.
választhat.
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
A mamája jelen van,
a baba akár át is adhatja neki,
megváltoztatva a személyt,
megváltoztatva a személyt,
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
de egy ugyanilyen játék van a kendő végén,
10:24
and he can pull the cloth towards him
and change the toy.
and change the toy.
187
612873
3552
a kendőt magához húzva
kicserélheti a játékot.
kicserélheti a játékot.
10:28
So let's see what the baby does.
188
616425
2090
Nézzük, mit csinál itt a baba.
10:30
(Video) HG: Two, three. Go!
(Music)
(Music)
189
618515
4183
(Film) HG: ... kettő, három, tessék!
(Zene)
(Zene)
10:34
LS: One, two, three, go!
190
622698
3131
LS: Egy, kettő, három, tessék!
10:37
Arthur, I'm going to try again.
One, two, three, go!
One, two, three, go!
191
625829
7382
Arthur, megpróbálom még egyszer.
Egy, kettő, három, tessék!
Egy, kettő, három, tessék!
10:45
YG: Arthur, let me try again, okay?
192
633677
2600
YG: Arthur, még egyszer megpróbálom, jó?
10:48
One, two, three, go!
(Music)
(Music)
193
636277
4550
Egy, kettő, három, tessék!
(Zene)
(Zene)
10:53
Look at that. Remember these toys?
194
641583
1883
Nézd! Emlékszel ezekre a játékokra?
10:55
See these toys? Yeah, I'm going
to put this one over here,
to put this one over here,
195
643466
3264
Látod ezeket a játékokat?
Most ezt ideteszem,
Most ezt ideteszem,
10:58
and I'm going to give this one to you.
196
646730
2062
ezt pedig neked adom.
11:00
You can go ahead and play.
197
648792
2335
Játszhatsz vele.
11:23
LS: Okay, Laura, but of course,
babies love their mommies.
babies love their mommies.
198
671213
4737
LS: Mondhatják: "Jó, Laura,
de a babák imádják az anyjukat,
de a babák imádják az anyjukat,
11:27
Of course babies give toys
to their mommies
to their mommies
199
675950
2182
természetesen oda fogják adni
a játékot neki,
a játékot neki,
11:30
when they can't make them work.
200
678132
2030
ha az anya képes beindítani."
11:32
So again, the really important question
is what happens when we change
is what happens when we change
201
680162
3593
Ismét az a lényeges kérdés,
hogy mi lesz, ha változtatunk
hogy mi lesz, ha változtatunk
11:35
the statistical data ever so slightly.
202
683755
3154
egy cseppet a statisztikai adatokon.
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
Ezúttal a babák látják, hogy a játék
ugyanúgy beindul és nem indul be,
ugyanúgy beindul és nem indul be,
11:42
but we're changing
the distribution of evidence.
the distribution of evidence.
204
690996
2415
de megváltoztatjuk
a próbálkozások sorrendjét.
a próbálkozások sorrendjét.
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
Ezúttal Hyowonnak és nekem is
egyszer sikerül, egyszer nem,
egyszer sikerül, egyszer nem,
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
Ez arra utal, hogy mindegy,
ki próbálkozik, a játék hibás,
ki próbálkozik, a játék hibás,
nem mindig indul be.
11:55
It doesn't work all the time.
207
703459
1886
Ismét lesz a babának választása:
11:57
Again, the baby's going to have a choice.
208
705345
1965
odaadja másnak, pl. jelen lévő anyjának,
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
vagy kicseréli a játékot
a kendő végén lévőre.
a kendő végén lévőre.
Nézzük, most mihez kezd.
12:05
Let's watch what she does.
211
713910
1378
(Film) HG: Kettő, három, tessék!
(Zene)
(Zene)
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
Megpróbálom még egyszer.
Egy, kettő, három, tessék!
Egy, kettő, három, tessék!
12:17
Hmm.
214
725460
1697
Hmm.
12:19
LS: Let me try, Clara.
215
727950
2692
LS: Hadd próbáljam meg én, Clara.
12:22
One, two, three, go!
216
730642
3945
Egy, kettő, három, tessék!
Hmm, hadd próbáljam meg még egyszer.
12:27
Hmm, let me try again.
217
735265
1935
12:29
One, two, three, go!
(Music)
(Music)
218
737200
5670
Egy, kettő, három, tessék!
(Zene)
(Zene)
12:35
HG: I'm going
to put this one over here,
to put this one over here,
219
743009
2233
HG: Ezt most ide teszem,
12:37
and I'm going to give this one to you.
220
745242
2001
ezt pedig odaadom neked.
12:39
You can go ahead and play.
221
747243
3597
Játszhatsz vele.
12:58
(Applause)
222
766376
4897
(Taps)
13:04
LS: Let me show you
the experimental results.
the experimental results.
223
772993
2392
LS: Íme a kísérleti eredmények.
13:07
On the vertical axis,
you'll see the distribution
you'll see the distribution
224
775385
2475
A függőleges tengelyen mérjük
a döntések eloszlását
a döntések eloszlását
13:09
of children's choices in each condition,
225
777860
2577
az adott kísérleti körülmények között.
13:12
and you'll see that the distribution
of the choices children make
of the choices children make
226
780437
4551
Láthatják, hogy a döntések eloszlása
13:16
depends on the evidence they observe.
227
784988
2787
attól függ, amit tapasztaltak.
Tehát a babák már kétévesen
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
kevés statisztikai adat felhasználásával
13:24
to decide between two
fundamentally different strategies
fundamentally different strategies
230
792209
3367
két alapvetően különböző stratégia közül
13:27
for acting in the world:
231
795576
1881
képesek viselkedést választani:
13:29
asking for help and exploring.
232
797457
2743
segítséget kérjenek-e avagy
próbálkozzanak-e tovább.
próbálkozzanak-e tovább.
Most csak két kísérletet mutattam be
13:33
I've just shown you
two laboratory experiments
two laboratory experiments
233
801700
3434
13:37
out of literally hundreds in the field
that make similar points,
that make similar points,
234
805134
3691
a hasonló célú több száz közül,
13:40
because the really critical point
235
808825
2392
A legfontosabb eredmény:
13:43
is that children's ability
to make rich inferences from sparse data
to make rich inferences from sparse data
236
811217
5108
a gyerek képessége, hogy kevés adatból
gazdag következtetést vonjon le,
gazdag következtetést vonjon le,
13:48
underlies all the species-specific
cultural learning that we do.
cultural learning that we do.
237
816325
5341
a ránk jellemző fajtaspecifikus
kulturális tanuláson alapszik.
kulturális tanuláson alapszik.
A gyermek néhány példából megtanulja
új eszközök használatát.
új eszközök használatát.
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
Új ok-okozati összefüggéseket ismer fel
csupán néhány példa alapján.
csupán néhány példa alapján.
Új szavakat is tanul így,
itt pl. az amerikai jelbeszédből.
itt pl. az amerikai jelbeszédből.
14:03
They even learn new words,
in this case in American Sign Language.
in this case in American Sign Language.
240
831928
4871
Végezetül két megjegyzést szeretnék tenni.
14:08
I want to close with just two points.
241
836799
2311
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
Ha követték az agykutatást
és a megismeréstudományt
és a megismeréstudományt
14:15
for the past few years,
243
843738
1927
az elmúlt pár évben,
akkor három gondolatra figyelhettek fel.
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
Az első gondolat:
az agy tanulmányozásának korát éljük.
az agy tanulmányozásának korát éljük.
14:23
And indeed, there have been
staggering discoveries in neuroscience:
staggering discoveries in neuroscience:
246
851516
3669
Elképesztő felfedezések születtek
az idegrendszer kutatása terén:
az idegrendszer kutatása terén:
14:27
localizing functionally specialized
regions of cortex,
regions of cortex,
247
855185
3436
már tudjuk, hogy az agykéreg mely
részei látják el az egyes funkciókat,
részei látják el az egyes funkciókat,
14:30
turning mouse brains transparent,
248
858621
2601
átlátszóvá tették az egér agyát,
14:33
activating neurons with light.
249
861222
3776
neuronokat hoztak működésbe fénnyel.
14:36
A second big idea
250
864998
1996
A másik fontos gondolat,
14:38
is that this is the era of big data
and machine learning,
and machine learning,
251
866994
4104
hogy a big data
és a gépi tanulás korát éljük,
és a gépi tanulás korát éljük,
14:43
and machine learning promises
to revolutionize our understanding
to revolutionize our understanding
252
871098
3141
A gépi tanulás pedig forradalmasíthatja,
hogyan kezeljük ezentúl
hogyan kezeljük ezentúl
14:46
of everything from social networks
to epidemiology.
to epidemiology.
253
874239
4667
kezdve a közösségi hálóktól
a járványügyig mindent.
a járványügyig mindent.
Mivel ez érinti látványok értelmezését is
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
és a természetes nyelveket,
14:55
to tell us something
about human cognition.
about human cognition.
256
883592
3324
talán még az emberi felfogásról is
kiderülhetnek újdonságok.
kiderülhetnek újdonságok.
A harmadik jelentős gondolat:
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
talán jó ennyi mindent tudni az agyunkról,
és hozzáférni a big data-hoz,
15:05
and have so much access to big data,
259
893080
1917
15:06
because left to our own devices,
260
894997
2507
mert ha magunkra vagyunk utalva,
15:09
humans are fallible, we take shortcuts,
261
897504
3831
az ember esendő, elnagyoljuk,
15:13
we err, we make mistakes,
262
901335
3437
elvétjük, elhibázzuk a dolgokat,
15:16
we're biased, and in innumerable ways,
263
904772
3684
s számtalan módon vagyunk elfogultak,
15:20
we get the world wrong.
264
908456
2969
így téves lesz a világképünk.
15:24
I think these are all important stories,
265
912843
2949
Szerintem ezek mind értékes tapasztalatok,
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
és sok mindent elárulnak arról,
mit jelent embernek lenni,
mit jelent embernek lenni,
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
de ma teljesen másféle
tapasztalatokról volt szó.
tapasztalatokról volt szó.
15:35
It's a story about minds and not brains,
268
923966
3807
Ez a tapasztalat a tudatra,
nem pedig az agyra vonatkozik,
nem pedig az agyra vonatkozik,
15:39
and in particular, it's a story
about the kinds of computations
about the kinds of computations
269
927773
3006
konkrétan azokról a számításokról,
15:42
that uniquely human minds can perform,
270
930779
2590
amelyeket csakis emberi elme végezhet,
15:45
which involve rich, structured knowledge
and the ability to learn
and the ability to learn
271
933369
3944
amely gazdag, strukturált tudásra
és arra tesz bennünket képessé,
és arra tesz bennünket képessé,
15:49
from small amounts of data,
the evidence of just a few examples.
the evidence of just a few examples.
272
937313
5268
hogy kis mennyiségű adatból,
pár példából is tudjunk újat tanulni.
pár példából is tudjunk újat tanulni.
Alapvetően arról szólt az előadásom,
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
hogy kisgyermekkorunktól kezdve
16:04
of our culture,
275
952780
3843
egészen kultúránk legnagyobb eredményeiig
16:08
we get the world right.
276
956623
1997
helyes képet kapunk a világról.
16:12
Folks, human minds do not only learn
from small amounts of data.
from small amounts of data.
277
960433
5267
Nézzék, az emberi elme nem csak
kis mennyiségű adatból tanul.
kis mennyiségű adatból tanul.
16:18
Human minds think
of altogether new ideas.
of altogether new ideas.
278
966285
2101
Az elme kigondolhat elvileg újat is.
16:20
Human minds generate
research and discovery,
research and discovery,
279
968746
3041
Az emberi elme kutat és felfedez,
16:23
and human minds generate
art and literature and poetry and theater,
art and literature and poetry and theater,
280
971787
5273
A emberi elme művészetet, irodalmat,
költészetet, színházat alkot.
költészetet, színházat alkot.
16:29
and human minds take care of other humans:
281
977070
3760
Az emberi elme törődik a többi emberrel:
16:32
our old, our young, our sick.
282
980830
3427
időseinkkel, fiataljainkkal, betegeinkkel.
16:36
We even heal them.
283
984517
2367
Az emberi elme még gyógyítja is őket.
16:39
In the years to come, we're going
to see technological innovations
to see technological innovations
284
987564
3103
A következő években
technológiai újításokat látunk majd,
technológiai újításokat látunk majd,
16:42
beyond anything I can even envision,
285
990667
3797
olyanokat, amelyeket most
még el sem tudok képzelni.
még el sem tudok képzelni.
16:46
but we are very unlikely
286
994464
2150
De kétséges, hogy olyat lássunk
16:48
to see anything even approximating
the computational power of a human child
the computational power of a human child
287
996614
5709
az én életemben vagy az önökében,
ami akár csak megközelítené
ami akár csak megközelítené
egy gyermeki agy számítási teljesítményét.
16:54
in my lifetime or in yours.
288
1002323
4298
16:58
If we invest in these most powerful
learners and their development,
learners and their development,
289
1006621
5047
Ha legtehetségesebb tanulóink
fejlődésébe fektetünk be,
fejlődésébe fektetünk be,
17:03
in babies and children
290
1011668
2917
azaz a babákba és a gyermekekbe,
anyákba és apákba,
17:06
and mothers and fathers
291
1014585
1826
17:08
and caregivers and teachers
292
1016411
2699
gyerekgondozókba és tanárokba,
17:11
the ways we invest in our other
most powerful and elegant forms
most powerful and elegant forms
293
1019110
4170
pont úgy, ahogy a technika más,
elegánsabb területeibe fektetünk be,
elegánsabb területeibe fektetünk be,
17:15
of technology, engineering and design,
294
1023280
3218
pl. a mérnöki tervezésbe,
17:18
we will not just be dreaming
of a better future,
of a better future,
295
1026498
2939
akkor nemcsak ábrándozunk a jobb jövőről,
17:21
we will be planning for one.
296
1029437
2127
hanem azt meg is tervezzük.
17:23
Thank you very much.
297
1031564
2345
Köszönöm a figyelmet.
17:25
(Applause)
298
1033909
3421
(Taps)
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: Laura, köszönjük.
Van is egy kérdésem hozzád.
Van is egy kérdésem hozzád.
17:34
First of all, the research is insane.
300
1042236
2359
Először is, a kutatásod őrületes.
17:36
I mean, who would design
an experiment like that? (Laughter)
an experiment like that? (Laughter)
301
1044595
3725
Mármint, hogy lehet ilyen
kísérletet tervezni? (Nevetés)
kísérletet tervezni? (Nevetés)
17:41
I've seen that a couple of times,
302
1049150
1790
Láttam már párszor ilyet,
17:42
and I still don't honestly believe
that that can truly be happening,
that that can truly be happening,
303
1050940
3222
és őszintén, nem hittem el,
hogy ilyen lehetséges.
hogy ilyen lehetséges.
17:46
but other people have done
similar experiments; it checks out.
similar experiments; it checks out.
304
1054162
3158
De mások megismételték a kísérleteket,
és tényleg így van.
és tényleg így van.
17:49
The babies really are that genius.
305
1057320
1633
A babák valóban ekkora zsenik.
17:50
LS: You know, they look really impressive
in our experiments,
in our experiments,
306
1058953
3007
LS: Tényleg lenyűgöző,
amit a kísérletekben művelnek,
amit a kísérletekben művelnek,
de gondoljunk bele, milyenek az életben.
17:53
but think about what they
look like in real life, right?
look like in real life, right?
307
1061960
2652
Babaként kezdi,
17:56
It starts out as a baby.
308
1064612
1150
Tizennyolc hónapra rá már beszél hozzánk,
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
az első szavai nem a "labda" vagy "kacsa",
hanem pl. "elment",
ami a látótérből eltűnésre vonatkozik,
ami a látótérből eltűnésre vonatkozik,
18:02
they're things like "all gone,"
which refer to disappearance,
which refer to disappearance,
311
1070810
2881
vagy "ajjaj",
ami nem szándékos tettekre utal.
ami nem szándékos tettekre utal.
18:05
or "uh-oh," which refer
to unintentional actions.
to unintentional actions.
312
1073691
2283
Zseniálisnak kell lennie,
18:07
It has to be that powerful.
313
1075974
1562
az eddigeknél még zseniálisabbnak,
18:09
It has to be much more powerful
than anything I showed you.
than anything I showed you.
314
1077536
2775
hisz az egész világot meg kell ismernie.
18:12
They're figuring out the entire world.
315
1080311
1974
Egy négyéves már majdnem
bármiről beszélget.
bármiről beszélget.
18:14
A four-year-old can talk to you
about almost anything.
about almost anything.
316
1082285
3144
(Taps)
18:17
(Applause)
317
1085429
1601
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: Ha jól értem, akkor a másik
jelentős gondolat, amire rámutatsz,
jelentős gondolat, amire rámutatsz,
18:22
we've been through these years
where there's all this talk
where there's all this talk
319
1090444
2754
hogy az utóbbi években csak azt hallottuk,
18:25
of how quirky and buggy our minds are,
320
1093198
1932
mennyire furcsa és bolondos az elménk,
18:27
that behavioral economics
and the whole theories behind that
and the whole theories behind that
321
1095130
2867
a viselkedési közgazdaságtan
és sok elmélet azt állítja:
és sok elmélet azt állítja:
18:29
that we're not rational agents.
322
1097997
1603
nem vagyunk észlények.
18:31
You're really saying that the bigger
story is how extraordinary,
story is how extraordinary,
323
1099600
4216
Azt mondod, hogy lényegesebb,
mennyire rendkívüli az elme,
mennyire rendkívüli az elme,
18:35
and there really is genius there
that is underappreciated.
that is underappreciated.
324
1103816
4944
és nem értékeljük eléggé,
hogy milyen zseniális lehet.
hogy milyen zseniális lehet.
18:40
LS: One of my favorite
quotes in psychology
quotes in psychology
325
1108760
2070
LS: Egyik kedvenc pszichológiai idézetem
18:42
comes from the social
psychologist Solomon Asch,
psychologist Solomon Asch,
326
1110830
2290
Solomon Asch szociálpszichológustól:
18:45
and he said the fundamental task
of psychology is to remove
of psychology is to remove
327
1113120
2807
szerinte "A pszichológia
alapvető feladata,
alapvető feladata,
hogy lebontsa a dolgok
magától értetődő voltát."
magától értetődő voltát."
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
Nagyságrendileg több helyes
döntést hozunk minden nap,
döntést hozunk minden nap,
18:55
that get the world right.
330
1123104
1347
így helyes a világképünk.
18:56
You know about objects
and their properties.
and their properties.
331
1124451
2132
Ismerjük a tárgyakat és tulajdonságaikat.
18:58
You know them when they're occluded.
You know them in the dark.
You know them in the dark.
332
1126583
3029
Felismerjük őket még a sötétben is.
Átmegyünk a szobán.
19:01
You can walk through rooms.
333
1129612
1308
Felfedhetjük, mit gondolnak mások.
Beszélhetünk hozzájuk.
Beszélhetünk hozzájuk.
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
Tudunk térben tájékozódni,
ismerjük a számokat.
ismerjük a számokat.
19:06
You can navigate space.
You know about numbers.
You know about numbers.
335
1134452
2230
Értjük az ok-okozati összefüggéseket.
Erkölcsi érveket vallunk.
Erkölcsi érveket vallunk.
19:08
You know causal relationships.
You know about moral reasoning.
You know about moral reasoning.
336
1136682
3022
Magától értetődik mindez,
tehát észrevétlen.
tehát észrevétlen.
19:11
You do this effortlessly,
so we don't see it,
so we don't see it,
337
1139704
2356
De ezért értjük helyesen a világot,
19:14
but that is how we get the world right,
and it's a remarkable
and it's a remarkable
338
1142060
2912
és ez egy jelentős,
de nehezen érthető eredmény.
de nehezen érthető eredmény.
19:16
and very difficult-to-understand
accomplishment.
accomplishment.
339
1144972
2318
CA: Gondolom a közönségből páran,
19:19
CA: I suspect there are people
in the audience who have
in the audience who have
340
1147290
2628
akik a műszaki fejlődésben bíznak,
19:21
this view of accelerating
technological power
technological power
341
1149918
2238
talán vitatják a kijelentésedet,
hogy az életünkben még
hogy az életünkben még
19:24
who might dispute your statement
that never in our lifetimes
that never in our lifetimes
342
1152156
2958
nem lesz egy háromévessel
felérő számítógép.
felérő számítógép.
19:27
will a computer do what
a three-year-old child can do,
a three-year-old child can do,
343
1155114
2618
De akárhogyan is lesz,
19:29
but what's clear is that in any scenario,
344
1157732
3248
a gépek sokat tanulhatnának a babáktól.
19:32
our machines have so much to learn
from our toddlers.
from our toddlers.
345
1160980
3770
19:38
LS: I think so. You'll have some
machine learning folks up here.
machine learning folks up here.
346
1166230
3216
LS: Pontosan. Lesznek itt
a gépi tanulásról előadók is.
a gépi tanulásról előadók is.
19:41
I mean, you should never bet
against babies or chimpanzees
against babies or chimpanzees
347
1169446
4203
Soha ne fogadjunk babák, csimpánzok
19:45
or technology as a matter of practice,
348
1173649
3645
vagy a technika ellen.
Tapasztalatból beszélek.
Tapasztalatból beszélek.
19:49
but it's not just
a difference in quantity,
a difference in quantity,
349
1177294
4528
Ez nemcsak mennyiségi,
19:53
it's a difference in kind.
350
1181822
1764
hanem ugyanúgy minőségi különbség is.
19:55
We have incredibly powerful computers,
351
1183586
2160
Hihetetlenül erős
számítógépeink vannak,
számítógépeink vannak,
19:57
and they do do amazingly
sophisticated things,
sophisticated things,
352
1185746
2391
melyek elképesztően
bonyolult dolgokra képesek,
bonyolult dolgokra képesek,
20:00
often with very big amounts of data.
353
1188137
3204
hatalmas mennyiségű adatot elemeznek.
20:03
Human minds do, I think,
something quite different,
something quite different,
354
1191341
2607
Az emberi elme valamit másképpen csinál,
20:05
and I think it's the structured,
hierarchical nature of human knowledge
hierarchical nature of human knowledge
355
1193948
3895
a különbség, úgy vélem, a strukturált,
hierarchikus tudásban rejlik,
hierarchikus tudásban rejlik,
20:09
that remains a real challenge.
356
1197843
2032
ezt feltárni pedig embert próbáló feladat.
20:11
CA: Laura Schulz, wonderful
food for thought. Thank you so much.
food for thought. Thank you so much.
357
1199875
3061
CA: Laura Schulz, csodás útravalót
adtál nekünk. Köszönjük.
adtál nekünk. Köszönjük.
20:14
LS: Thank you.
(Applause)
(Applause)
358
1202936
2922
LS: Köszönöm!
(Taps)
(Taps)
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