TED2015
Laura Schulz: The surprisingly logical minds of babies
Laura Schulz: Zaskakująco logiczne umysły dzieci
Filmed:
Readability: 3.8
1,888,975 views
W jaki sposób dzieci uczą się tak wiele, tak szybko, na podstawie tak nielicznych informacji? W tej zabawnej, pełnej eksperymentów prelekcji kognitywistka Laura Schulz pokazuje, jak nasi najmłodsi podejmują nadzwyczaj logiczne decyzje, zanim jeszcze nauczą się mówić.
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 podsumował, moim zdaniem,
00:14
one of the fundamental problems
of cognitive science
of cognitive science
1
2990
3120
jeden z głównych problemów kognitywistyki
00:18
with a single witticism.
2
6110
1710
błyskotliwą uwagą.
Powiedział: "Nauka jest fascynująca.
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
W zamian za tak niewiele faktów
00:26
out of such a trifling
investment in fact."
investment in fact."
5
14720
3204
otrzymać można całą masę domysłów".
00:29
(Laughter)
6
17924
1585
(Śmiech)
00:32
Twain meant it as a joke,
of course, but he's right:
of course, but he's right:
7
20199
2604
Twain oczywiście żartował, ale miał rację.
00:34
There's something
fascinating about science.
fascinating about science.
8
22803
2876
Nauka jest fascynująca.
00:37
From a few bones, we infer
the existence of dinosuars.
the existence of dinosuars.
9
25679
4261
Na podstawie kilku kości wnioskujemy,
że kiedyś ziemię zamieszkiwały dinozaury.
że kiedyś ziemię zamieszkiwały dinozaury.
00:42
From spectral lines,
the composition of nebulae.
the composition of nebulae.
10
30910
3871
Analizując widmo światła,
opisujemy mgławice.
opisujemy mgławice.
00:47
From fruit flies,
11
35471
2938
Badając muszki owocówki,
00:50
the mechanisms of heredity,
12
38409
2943
poznajemy mechanizmy genetyki,
00:53
and from reconstructed images
of blood flowing through the brain,
of blood flowing through the brain,
13
41352
4249
a na podstawie obrazów
przepływu krwi w mózgu
przepływu krwi w mózgu
00:57
or in my case, from the behavior
of very young children,
of very young children,
14
45601
4708
czy, jak moim przypadku,
zachowań bardzo małych dzieci,
zachowań bardzo małych dzieci,
01:02
we try to say something about
the fundamental mechanisms
the fundamental mechanisms
15
50309
2829
próbujemy opisywać kluczowe mechanizmy
01:05
of human cognition.
16
53138
1618
ludzkiego poznania.
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
W moim laboratorium
na Wydziale Kognitywistyki MIT
na Wydziale Kognitywistyki MIT
01:12
I have spent the past decade
trying to understand the mystery
trying to understand the mystery
18
60475
3654
od 10 lat próbuję poznać tajemnicę tego,
jak dzieci uczą się tak szybko
na podstawie tak niewielu danych.
na podstawie tak niewielu danych.
01:16
of how children learn so much
from so little so quickly.
from so little so quickly.
19
64129
3977
01:20
Because, it turns out that
the fascinating thing about science
the fascinating thing about science
20
68666
2978
Okazuje się, że to,
co fascynujące w nauce,
co fascynujące w nauce,
01:23
is also a fascinating
thing about children,
thing about children,
21
71644
3529
jest także fascynujące w dzieciach.
01:27
which, to put a gentler
spin on Mark Twain,
spin on Mark Twain,
22
75173
2581
Łagodząc stwierdzenie Twaina,
01:29
is precisely their ability
to draw rich, abstract inferences
to draw rich, abstract inferences
23
77754
4650
chodzi o ich zdolność wyciągania
złożonych, abstrakcyjnych wniosków,
złożonych, abstrakcyjnych wniosków,
szybko i dokładnie,
na podstawie nielicznych danych.
na podstawie nielicznych danych.
01:34
rapidly and accurately
from sparse, noisy data.
from sparse, noisy data.
24
82404
4661
01:40
I'm going to give you
just two examples today.
just two examples today.
25
88355
2398
Podam tylko dwa przykłady.
01:42
One is about a problem of generalization,
26
90753
2287
Jeden dotyczy kwestii uogólniania,
01:45
and the other is about a problem
of causal reasoning.
of causal reasoning.
27
93040
2850
drugi myślenia przyczynowo-skutkowego.
01:47
And although I'm going to talk
about work in my lab,
about work in my lab,
28
95890
2525
Chociaż będę mówiła o badaniach
w moim laboratorium,
w moim laboratorium,
01:50
this work is inspired by
and indebted to a field.
and indebted to a field.
29
98415
3460
to one wiele zawdzięczają
całej dziedzinie.
całej dziedzinie.
01:53
I'm grateful to mentors, colleagues,
and collaborators around the world.
and collaborators around the world.
30
101875
4283
Dziękuję moim mentorom, kolegom
i współpracownikom z całego świata.
i współpracownikom z całego świata.
01:59
Let me start with the problem
of generalization.
of generalization.
31
107308
2974
Zacznijmy od kwestii uogólniania.
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
Uogólnianie wyników badań
jest chlebem powszednim w nauce.
jest chlebem powszednim w nauce.
02:06
We poll a tiny fraction of the electorate
33
114785
2554
Ankietujemy niewielką część elektoratu
02:09
and we predict the outcome
of national elections.
of national elections.
34
117339
2321
i przewidujemy wynik wyborów.
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
W testach klinicznych sprawdzamy
reakcję garstki pacjentów na lek
reakcję garstki pacjentów na lek
02:16
and we bring drugs to a national market.
36
124165
3065
i wypuszczamy go na rynek.
02:19
But this only works if our sample
is randomly drawn from the population.
is randomly drawn from the population.
37
127230
4365
Jednak to sprawdza się tylko wtedy,
gdy nasza próbka jest wybrana losowo.
gdy nasza próbka jest wybrana losowo.
02:23
If our sample is cherry-picked
in some way --
in some way --
38
131595
2735
Jeśli badana próbka
jest świadomie selekcjonowana,
jest świadomie selekcjonowana,
02:26
say, we poll only urban voters,
39
134330
2072
jak w przypadku ankiety tylko w miastach,
02:28
or say, in our clinical trials
for treatments for heart disease,
for treatments for heart disease,
40
136402
4388
czy testów klinicznych
leków kardiologicznych
leków kardiologicznych
02:32
we include only men --
41
140790
1881
prowadzonych tylko na mężczyznach,
02:34
the results may not generalize
to the broader population.
to the broader population.
42
142671
3158
uogólnianie wyników na całą populację
może okazać się błędne.
może okazać się błędne.
02:38
So scientists care whether evidence
is randomly sampled or not,
is randomly sampled or not,
43
146479
3581
Naukowcy uważają, żeby badać
tylko losowo wybrany materiał.
tylko losowo wybrany materiał.
02:42
but what does that have to do with babies?
44
150060
2015
Ale co to ma wspólnego z dziećmi?
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
Dzieci stale uogólniają
częściowe informacje, które otrzymują.
częściowe informacje, które otrzymują.
02:49
They see a few rubber ducks
and learn that they float,
and learn that they float,
46
157206
3158
Widzą kilka gumowych kaczek
i uczą się, że one pływają,
i uczą się, że one pływają,
02:52
or a few balls and learn that they bounce.
47
160364
3575
lub kilka piłeczek i uczą się,
że piłki się odbijają.
że piłki się odbijają.
02:55
And they develop expectations
about ducks and balls
about ducks and balls
48
163939
2951
Wykształcają oczekiwania
dotyczące kaczek i piłek,
dotyczące kaczek i piłek,
02:58
that they're going to extend
to rubber ducks and balls
to rubber ducks and balls
49
166890
2716
które będą odnosić się
do wszystkich kaczek i piłek
do wszystkich kaczek i piłek
03:01
for the rest of their lives.
50
169606
1879
przez całe ich życie.
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
Takich samych uogólnień,
jak w kwestii kaczek i piłek,
jak w kwestii kaczek i piłek,
03:07
they have to make about almost everything:
52
175224
2089
dzieci dokonują niemal każdorazowo:
03:09
shoes and ships and sealing wax
and cabbages and kings.
and cabbages and kings.
53
177313
3917
w sprawie butów, statków,
laku, kapusty i królów.
laku, kapusty i królów.
03:14
So do babies care whether
the tiny bit of evidence they see
the tiny bit of evidence they see
54
182200
2961
Czy dzieci zastanawiają się,
czy to, co widzą,
czy to, co widzą,
03:17
is plausibly representative
of a larger population?
of a larger population?
55
185161
3692
może zostać uogólnione
na większą populację?
na większą populację?
03:21
Let's find out.
56
189763
1900
Przekonajmy się.
03:23
I'm going to show you two movies,
57
191663
1723
Pokażę wam dwa filmy,
03:25
one from each of two conditions
of an experiment,
of an experiment,
58
193386
2462
jeden dla każdego warunku doświadczenia.
03:27
and because you're going to see
just two movies,
just two movies,
59
195848
2438
Ponieważ zobaczycie tylko dwa filmy,
03:30
you're going to see just two babies,
60
198286
2136
zobaczycie także dwoje dzieci,
03:32
and any two babies differ from each other
in innumerable ways.
in innumerable ways.
61
200422
3947
a dzieci, jak wiadomo,
różnią się między sobą.
różnią się między sobą.
03:36
But these babies, of course,
here stand in for groups of babies,
here stand in for groups of babies,
62
204369
3051
Jednak każde z tej dwójki
reprezentuje grupę dzieci,
reprezentuje grupę dzieci,
03:39
and the differences you're going to see
63
207420
1895
a różnice, jakie zaobserwujecie,
03:41
represent average group differences
in babies' behavior across conditions.
in babies' behavior across conditions.
64
209315
5195
odzwierciedlają przeciętne różnice
w zachowaniu dzieci dla danego warunku.
w zachowaniu dzieci dla danego warunku.
03:47
In each movie, you're going to see
a baby doing maybe
a baby doing maybe
65
215160
2583
Każdy film przedstawia dziecko
03:49
just exactly what you might
expect a baby to do,
expect a baby to do,
66
217743
3460
robiące dokładnie to, co robią dzieci,
03:53
and we can hardly make babies
more magical than they already are.
more magical than they already are.
67
221203
4017
a raczej trudno sprawić by dzieci
były bardziej magiczne niż są.
były bardziej magiczne niż są.
03:58
But to my mind the magical thing,
68
226090
2010
Jednak dla mnie ta magiczna rzecz,
04:00
and what I want you to pay attention to,
69
228100
2089
i chcę, żebyście na to zwrócili uwagę,
04:02
is the contrast between
these two conditions,
these two conditions,
70
230189
3111
to kontrast pomiędzy
warunkami doświadczenia,
warunkami doświadczenia,
04:05
because the only thing
that differs between these two movies
that differs between these two movies
71
233300
3529
ponieważ jedyna różnica
pomiędzy tymi filmami
pomiędzy tymi filmami
04:08
is the statistical evidence
the babies are going to observe.
the babies are going to observe.
72
236829
3466
to dowody statystyczne
obserwowane przez dzieci.
obserwowane przez dzieci.
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
Pokażemy dzieciom pudełko
z niebieskimi i żółtymi piłkami,
z niebieskimi i żółtymi piłkami,
04:16
and my then-graduate student,
now colleague at Stanford, Hyowon Gweon,
now colleague at Stanford, Hyowon Gweon,
74
244608
4620
a Hyowon Gweon, wtedy moja studentka
a dzisiaj koleżanka ze Stanford,
a dzisiaj koleżanka ze Stanford,
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
wyciągnie z pudełka
trzy niebieskie piłki z rzędu,
trzy niebieskie piłki z rzędu,
04:24
and when she pulls those balls out,
she's going to squeeze them,
she's going to squeeze them,
76
252305
3123
każdą z nich ściśnie
04:27
and the balls are going to squeak.
77
255428
2113
i piłki będą piszczeć.
04:29
And if you're a baby,
that's like a TED Talk.
that's like a TED Talk.
78
257541
2763
Coś takiego jest dla dziecka
jak prelekcja TED.
jak prelekcja TED.
04:32
It doesn't get better than that.
79
260304
1904
Nie można chcieć więcej.
04:34
(Laughter)
80
262208
2561
(Śmiech)
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
Co ważne, bardzo łatwo jest wyciągnąć
trzy niebieskie piłki z rzędu
trzy niebieskie piłki z rzędu
04:42
out of a box of mostly blue balls.
82
270627
2305
z pudełka z większością niebieskich piłek.
04:44
You could do that with your eyes closed.
83
272932
2060
Można to zrobić z zamkniętymi oczami.
04:46
It's plausibly a random sample
from this population.
from this population.
84
274992
2996
To wiarygodna, losowa próbka populacji.
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
Jeśli, sięgając losowo do pudełka,
wyjmuje się z niego piszczące rzeczy,
wyjmuje się z niego piszczące rzeczy,
04:53
then maybe everything in the box squeaks.
86
281720
2839
to może wszystko z pudełka piszczy.
04:56
So maybe babies should expect
those yellow balls to squeak as well.
those yellow balls to squeak as well.
87
284559
3650
Może dzieci założą,
że żółte piłki też piszczą.
że żółte piłki też piszczą.
05:00
Now, those yellow balls
have funny sticks on the end,
have funny sticks on the end,
88
288209
2519
Żółte piłki mają śmieszne wypustki,
więc dzieci mogą z nimi robić inne rzeczy.
więc dzieci mogą z nimi robić inne rzeczy.
05:02
so babies could do other things
with them if they wanted to.
with them if they wanted to.
89
290728
2857
05:05
They could pound them or whack them.
90
293585
1831
Mogą nimi stukać i pukać.
05:07
But let's see what the baby does.
91
295416
2586
Zobaczmy, co zrobią.
05:12
(Video) Hyowon Gweon: See this?
(Ball squeaks)
(Ball squeaks)
92
300548
3343
(Video) Hyowon Gweon: Popatrz!
(Piłka piszczy)
(Piłka piszczy)
05:16
Did you see that?
(Ball squeaks)
(Ball squeaks)
93
304531
3045
Widziałaś?
(Piłka piszczy)
(Piłka piszczy)
05:20
Cool.
94
308036
3066
Super.
05:24
See this one?
95
312706
1950
Popatrz na tę.
05:26
(Ball squeaks)
96
314656
1881
(Piłka piszczy)
05:28
Wow.
97
316537
2653
05:33
Laura Schulz: Told you. (Laughs)
98
321854
2113
Laura Schulz: Nie mówiłam? (Śmiech)
05:35
(Video) HG: See this one?
(Ball squeaks)
(Ball squeaks)
99
323967
4031
(Video) HG: Widzisz tę piłkę?
(Piłka piszczy)
(Piłka piszczy)
05:39
Hey Clara, this one's for you.
You can go ahead and play.
You can go ahead and play.
100
327998
4619
Hej Klaro, ta jest dla ciebie.
Możesz się nią pobawić.
Możesz się nią pobawić.
05:51
(Laughter)
101
339854
4365
(Śmiech)
05:56
LS: I don't even have to talk, right?
102
344219
2995
LS: Nie muszę nic mówić, prawda?
05:59
All right, it's nice that babies
will generalize properties
will generalize properties
103
347214
2899
Świetnie, że dzieci uogólniają
właściwości piłek niebieskich na żółte,
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
i imponujące, że uczą się,
imitując dorosłych,
imitując dorosłych,
06:06
but we've known those things about babies
for a very long time.
for a very long time.
106
354737
3669
ale to wiemy już od bardzo dawna.
06:10
The really interesting question
107
358406
1811
Ciekawe, co się stanie,
06:12
is what happens when we show babies
exactly the same thing,
exactly the same thing,
108
360217
2852
gdy pokażemy dzieciom dokładnie to samo,
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
dzięki naszej sekretnej przegrodzie,
06:18
and we actually pull the balls from there,
110
366680
2110
z której tak naprawdę wyjmujemy piłki,
06:20
but this time, all we change
is the apparent population
is the apparent population
111
368790
3478
ale zmienimy tylko pochodzenie próbki,
06:24
from which that evidence was drawn.
112
372268
2902
z której dzieci będą wnioskować.
06:27
This time, we're going to show babies
three blue balls
three blue balls
113
375170
3553
Tym razem pokażemy dzieciom
trzy niebieskie piłki z pudełka
trzy niebieskie piłki z pudełka
06:30
pulled out of a box
of mostly yellow balls,
of mostly yellow balls,
114
378723
3384
z większością piłek żółtych
06:34
and guess what?
115
382107
1322
I wiecie co?
06:35
You [probably won't] randomly draw
three blue balls in a row
three blue balls in a row
116
383429
2840
Trudno wyjąć losowo
trzy niebieskie piłki z rzędu
trzy niebieskie piłki z rzędu
06:38
out of a box of mostly yellow balls.
117
386269
2484
z pudełka z większością żółtych piłek.
06:40
That is not plausibly
randomly sampled evidence.
randomly sampled evidence.
118
388753
3747
To nie jest wiarygodna, losowa próbka.
06:44
That evidence suggests that maybe Hyowon
was deliberately sampling the blue balls.
was deliberately sampling the blue balls.
119
392500
5123
Może Hyowon celowo
wybierała niebieskie piłki?
wybierała niebieskie piłki?
06:49
Maybe there's something special
about the blue balls.
about the blue balls.
120
397623
2583
Może niebieskie piłki są wyjątkowe?
06:52
Maybe only the blue balls squeak.
121
400846
2976
Może tylko niebieskie piłki piszczą?
06:55
Let's see what the baby does.
122
403822
1895
Zobaczmy, co zrobi dziecko.
06:57
(Video) HG: See this?
(Ball squeaks)
(Ball squeaks)
123
405717
2904
(Video): HG: Widzisz?
(Piłka piszczy)
(Piłka piszczy)
07:02
See this toy?
(Ball squeaks)
(Ball squeaks)
124
410851
2645
Widzisz tę zabawkę?
(Piłka piszczy)
(Piłka piszczy)
07:05
Oh, that was cool. See?
(Ball squeaks)
(Ball squeaks)
125
413496
5480
To było super, widzisz?
(Piłka piszczy)
(Piłka piszczy)
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
Ta jest dla ciebie.
Możesz się nią pobawić.
Możesz się nią pobawić.
07:18
(Fussing)
(Laughter)
(Laughter)
127
426074
6347
(Poruszenie)
(Śmiech)
(Śmiech)
07:26
LS: So you just saw
two 15-month-old babies
two 15-month-old babies
128
434901
2748
LS: To dwoje 15-miesięcznych dzieci,
07:29
do entirely different things
129
437649
1942
które robią coś zupełnie innego
07:31
based only on the probability
of the sample they observed.
of the sample they observed.
130
439591
3599
na podstawie prawdopodobieństwa tego,
co zaobserwowały,
co zaobserwowały,
07:35
Let me show you the experimental results.
131
443190
2321
To wyniki tego eksperymentu.
07:37
On the vertical axis, you'll see
the percentage of babies
the percentage of babies
132
445511
2764
Oś pionowa pokazuje odsetek dzieci,
07:40
who squeezed the ball in each condition,
133
448275
2530
które ściskają piłkę w obu eksperymentach.
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
Jak widać, dzieci znacznie częściej
uogólniają zjawiska,
uogólniają zjawiska,
07:46
when it's plausibly representative
of the population
of the population
135
454520
3135
gdy wiarygodnie odzwierciedlają
całą zbiorowość,
całą zbiorowość,
07:49
than when the evidence
is clearly cherry-picked.
is clearly cherry-picked.
136
457655
3738
niż gdy są one wyraźnie selekcjonowane.
07:53
And this leads to a fun prediction:
137
461393
2415
Możemy się teraz zastanowić.
07:55
Suppose you pulled just one blue ball
out of the mostly yellow box.
out of the mostly yellow box.
138
463808
4868
Co jeśli z większości piłek żółtych
wyciągniemy tylko jedną niebieską?
wyciągniemy tylko jedną niebieską?
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
Trudno zrobić to z rzędu
dla trzech niebieskich,
dla trzech niebieskich,
08:04
but you could randomly sample
just one blue ball.
just one blue ball.
140
472765
2455
ale można losowo wyjąć jedną taką piłkę.
08:07
That's not an improbable sample.
141
475220
1970
To nie jest nieprawdopodobna próbka.
08:09
And if you could reach into
a box at random
a box at random
142
477190
2224
Jeśli można losowo sięgnąć do pudełka
08:11
and pull out something that squeaks,
maybe everything in the box squeaks.
maybe everything in the box squeaks.
143
479414
3987
i wyjąć z niego coś, co piszczy,
to może wszystko z pudełka piszczy.
to może wszystko z pudełka piszczy.
08:15
So even though babies are going to see
much less evidence for squeaking,
much less evidence for squeaking,
144
483875
4445
Chociaż dowodów na piszczenie będzie mniej
i dzieci będą miały mniej czynności
do naśladowania
do naśladowania
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
w przypadku jednej piłki,
inaczej niż dla poprzedniego warunku,
inaczej niż dla poprzedniego warunku,
08:25
we predicted that babies themselves
would squeeze more,
would squeeze more,
147
493905
3892
założyliśmy, że dzieci
same będą częściej ściskać piłki,
same będą częściej ściskać piłki,
08:29
and that's exactly what we found.
148
497797
2894
i właśnie tak się stało.
08:32
So 15-month-old babies,
in this respect, like scientists,
in this respect, like scientists,
149
500691
4411
15-miesięczne dzieci,
podobnie jak naukowcy,
podobnie jak naukowcy,
08:37
care whether evidence
is randomly sampled or not,
is randomly sampled or not,
150
505102
3088
biorą pod uwagę,
czy obserwowana próbka jest losowa,
czy obserwowana próbka jest losowa,
08:40
and they use this to develop
expectations about the world:
expectations about the world:
151
508190
3507
gdy kształtują swoje oczekiwania:
08:43
what squeaks and what doesn't,
152
511697
2182
co piszczy, a co nie,
08:45
what to explore and what to ignore.
153
513879
3145
co zbadać, a co zignorować.
08:50
Let me show you another example now,
154
518384
2066
Przejdźmy do kolejnego przykładu
08:52
this time about a problem
of causal reasoning.
of causal reasoning.
155
520450
2730
dotyczącego myślenia
przyczynowo-skutkowego.
przyczynowo-skutkowego.
08:55
And it starts with a problem
of confounded evidence
of confounded evidence
156
523180
2439
Wiąże się to z dylematem,
08:57
that all of us have,
157
525619
1672
który wszyscy znamy,
to znaczy z tym, że jesteśmy
częścią wszechświata.
częścią wszechświata.
08:59
which is that we are part of the world.
158
527291
2020
09:01
And this might not seem like a problem
to you, but like most problems,
to you, but like most problems,
159
529311
3436
Może teraz nie jest to dla was problem,
09:04
it's only a problem when things go wrong.
160
532747
2337
ale staje się nim, gdy coś idzie źle.
09:07
Take this baby, for instance.
161
535464
1811
Weźmy na przykład to dziecko.
09:09
Things are going wrong for him.
162
537275
1705
Coś mu nie wychodzi.
09:10
He would like to make
this toy go, and he can't.
this toy go, and he can't.
163
538980
2271
Chce uruchomić tę zabawkę, ale nie umie.
09:13
I'll show you a few-second clip.
164
541251
2529
Obejrzyjmy film.
Zasadniczo są tu dwie możliwości:
09:21
And there's two possibilities, broadly:
165
549340
1920
09:23
Maybe he's doing something wrong,
166
551260
2634
on robi coś źle
09:25
or maybe there's something
wrong with the toy.
wrong with the toy.
167
553894
4216
albo coś jest nie tak z zabawką.
09:30
So in this next experiment,
168
558110
2111
W kolejnym eksperymencie damy dzieciom
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
tylko niewielki statystyczny dowód na to,
09:35
supporting one hypothesis over the other,
170
563518
2582
że jedna z dwóch hipotez jest poprawna,
09:38
and we're going to see if babies
can use that to make different decisions
can use that to make different decisions
171
566100
3455
i sprawdzimy, czy pomoże to dzieciom
zdecydować, co robić.
09:41
about what to do.
172
569555
1834
09:43
Here's the setup.
173
571389
2022
Taki mamy plan.
09:46
Hyowon is going to try to make
the toy go and succeed.
the toy go and succeed.
174
574071
3030
Hyowon uda się uruchomić zabawkę od razu.
09:49
I am then going to try twice
and fail both times,
and fail both times,
175
577101
3320
Następnie spróbuję dwa razy,
bezskutecznie.
bezskutecznie.
Potem Hyowon spróbuje ponownie
i znów się jej uda.
i znów się jej uda.
09:52
and then Hyowon is going
to try again and succeed,
to try again and succeed,
176
580421
3112
09:55
and this roughly sums up my relationship
to my graduate students
to my graduate students
177
583533
3172
Jest to z grubsza trafne podsumowanie
technicznych umiejętności
mojej studentki i moich.
mojej studentki i moich.
09:58
in technology across the board.
178
586705
2835
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
Istotne jest to,
że dowodzi to nieznacznie,
że dowodzi to nieznacznie,
10:05
that the problem isn't with the toy,
it's with the person.
it's with the person.
180
593322
3668
że problem nie dotyczy zabawki a osoby.
10:08
Some people can make this toy go,
181
596990
2350
Niektórzy umieją ją uruchomić,
10:11
and some can't.
182
599340
959
inni nie.
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
Gdy dziecko dostanie zabawkę,
będzie miało wybór.
będzie miało wybór.
10:16
His mom is right there,
184
604212
2188
Jego mama jest tuż obok,
10:18
so he can go ahead and hand off the toy
and change the person,
and change the person,
185
606400
3315
więc może dać jej zabawkę i zmienić osobę,
10:21
but there's also going to be
another toy at the end of that cloth,
another toy at the end of that cloth,
186
609715
3158
ale na końcu materiału
jest też druga zabawka
jest też druga zabawka
10:24
and he can pull the cloth towards him
and change the toy.
and change the toy.
187
612873
3552
więc może go przyciągnąć
i zmienić zabawkę.
i zmienić zabawkę.
10:28
So let's see what the baby does.
188
616425
2090
Zobaczmy, co się stanie.
10:30
(Video) HG: Two, three. Go!
(Music)
(Music)
189
618515
4183
(Video): HG: Dwa, trzy. start!
(Muzyka)
(Muzyka)
10:34
LS: One, two, three, go!
190
622698
3131
LS: Raz, dwa, trzy, start!
10:37
Arthur, I'm going to try again.
One, two, three, go!
One, two, three, go!
191
625829
7382
Arturze, spróbuję jeszcze raz.
Raz, dwa, trzy, start!
Raz, dwa, trzy, start!
10:45
YG: Arthur, let me try again, okay?
192
633677
2600
HG: Arturze, może ja spróbuje, dobrze?
10:48
One, two, three, go!
(Music)
(Music)
193
636277
4550
Raz, dwa, trzy, start!
(Muzyka)
(Muzyka)
10:53
Look at that. Remember these toys?
194
641583
1883
Teraz popatrz, pamiętasz te zabawki?
10:55
See these toys? Yeah, I'm going
to put this one over here,
to put this one over here,
195
643466
3264
Widzisz? Tę postawię tutaj,
10:58
and I'm going to give this one to you.
196
646730
2062
a tę dam tobie.
Możesz się nią pobawić.
11:00
You can go ahead and play.
197
648792
2335
11:23
LS: Okay, Laura, but of course,
babies love their mommies.
babies love their mommies.
198
671213
4737
To oczywiste, że dzieci kochają mamy.
11:27
Of course babies give toys
to their mommies
to their mommies
199
675950
2182
Jasne, że dzieci dają im zabawki,
11:30
when they can't make them work.
200
678132
2030
gdy nie umieją ich włączyć.
11:32
So again, the really important question
is what happens when we change
is what happens when we change
201
680162
3593
Ciekawe, co się stanie,
gdy tylko nieznacznie zmienimy
gdy tylko nieznacznie zmienimy
11:35
the statistical data ever so slightly.
202
683755
3154
dowody statystyczne.
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
Dzieci zobaczą zabawkę działającą
i niedziałającą w tej samej kolejności,
i niedziałającą w tej samej kolejności,
11:42
but we're changing
the distribution of evidence.
the distribution of evidence.
204
690996
2415
ale zmienimy rozkład dowodów.
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
Tym razem i Hyowon, i mnie, raz uda się,
a raz nie uda się włączyć zabawki.
a raz nie uda się włączyć zabawki.
11:49
And this suggests it doesn't matter
who tries this toy, the toy is broken.
who tries this toy, the toy is broken.
206
697822
5637
To sugeruje, że nieważne, kto próbuje
ją włączyć, zabawka jest zepsuta.
ją włączyć, zabawka jest zepsuta.
Nie działa za każdym razem.
11:55
It doesn't work all the time.
207
703459
1886
Dziecko będzie miało wybór.
11:57
Again, the baby's going to have a choice.
208
705345
1965
Jej mama jest tuż obok,
więc może zmienić osobę,
więc może zmienić osobę,
11:59
Her mom is right next to her,
so she can change the person,
so she can change the person,
209
707310
3396
ale na końcu materiału
będzie inna zabawka.
będzie inna zabawka.
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
Zobaczmy, co zrobi.
12:05
Let's watch what she does.
211
713910
1378
12:07
(Video) HG: Two, three, go!
(Music)
(Music)
212
715288
4348
(Video) HG: Dwa, trzy, start!
(Muzyka)
(Muzyka)
12:11
Let me try one more time.
One, two, three, go!
One, two, three, go!
213
719636
4984
Spróbuję jeszcze raz.
Raz, dwa, trzy, start!
Raz, dwa, trzy, start!
12:17
Hmm.
214
725460
1697
LS: Może ja spróbuję, Klaro.
12:19
LS: Let me try, Clara.
215
727950
2692
12:22
One, two, three, go!
216
730642
3945
Raz, dwa, trzy, start!
12:27
Hmm, let me try again.
217
735265
1935
Spróbuję jeszcze raz.
12:29
One, two, three, go!
(Music)
(Music)
218
737200
5670
Raz, dwa, trzy, start!
(Muzyka)
(Muzyka)
12:35
HG: I'm going
to put this one over here,
to put this one over here,
219
743009
2233
HG: Tę położę tutaj,
12:37
and I'm going to give this one to you.
220
745242
2001
a tę dam tobie.
Możesz się pobawić.
12:39
You can go ahead and play.
221
747243
3597
12:58
(Applause)
222
766376
4897
(Brawa)
13:04
LS: Let me show you
the experimental results.
the experimental results.
223
772993
2392
LS: Pokaże wam wyniki badań.
13:07
On the vertical axis,
you'll see the distribution
you'll see the distribution
224
775385
2475
Oś pionowa przedstawia rozkład
13:09
of children's choices in each condition,
225
777860
2577
wyborów dzieci dla każdego warunku
13:12
and you'll see that the distribution
of the choices children make
of the choices children make
226
780437
4551
i widzimy, że wybory zależą od tego,
13:16
depends on the evidence they observe.
227
784988
2787
co dzieci obserwują.
13:19
So in the second year of life,
228
787775
1857
Zatem dwulatkowie
13:21
babies can use a tiny bit
of statistical data
of statistical data
229
789632
2577
na podstawie drobnych
różnic statystycznych
różnic statystycznych
13:24
to decide between two
fundamentally different strategies
fundamentally different strategies
230
792209
3367
wybierają między dwiema
skrajnie różnymi strategiami
skrajnie różnymi strategiami
13:27
for acting in the world:
231
795576
1881
działania na świecie:
13:29
asking for help and exploring.
232
797457
2743
proszą o pomoc
lub sami szukają odpowiedzi.
lub sami szukają odpowiedzi.
13:33
I've just shown you
two laboratory experiments
two laboratory experiments
233
801700
3434
Pokazałam wam tylko
dwa doświadczenia naukowe
dwa doświadczenia naukowe
13:37
out of literally hundreds in the field
that make similar points,
that make similar points,
234
805134
3691
spośród setek innych, które prowadzą
do podobnych wniosków,
do podobnych wniosków,
13:40
because the really critical point
235
808825
2392
a najistotniejsze jest to,
13:43
is that children's ability
to make rich inferences from sparse data
to make rich inferences from sparse data
236
811217
5108
że umiejętność dzieci do wyciągania
złożonych wniosków z nielicznych danych
złożonych wniosków z nielicznych danych
13:48
underlies all the species-specific
cultural learning that we do.
cultural learning that we do.
237
816325
5341
leży u podstaw wszystkich kulturowych
procesów ludzkiego uczenia się.
procesów ludzkiego uczenia się.
13:53
Children learn about new tools
from just a few examples.
from just a few examples.
238
821666
4597
Dzieci poznają nowe narzędzia
na podstawie kilku przykładów.
na podstawie kilku przykładów.
13:58
They learn new causal relationships
from just a few examples.
from just a few examples.
239
826263
4717
Podobnie uczą się nowych związków
przyczynowo-skutkowych.
przyczynowo-skutkowych.
14:03
They even learn new words,
in this case in American Sign Language.
in this case in American Sign Language.
240
831928
4871
Uczą się nawet nowych słów,
tutaj amerykańskiego języka migowego.
tutaj amerykańskiego języka migowego.
14:08
I want to close with just two points.
241
836799
2311
Zakończę dwiema uwagami.
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
Jeśli śledziliście osiągnięcia
w badaniach nad mózgiem i kognitywistyce
w badaniach nad mózgiem i kognitywistyce
14:15
for the past few years,
243
843738
1927
przez kilka ostatnich lat,
14:17
three big ideas will have come
to your attention.
to your attention.
244
845665
2415
pewnie zauważyliście trzy istotne kwestie.
14:20
The first is that this is
the era of the brain.
the era of the brain.
245
848080
3436
Po pierwsze, żyjemy w erze mózgu.
14:23
And indeed, there have been
staggering discoveries in neuroscience:
staggering discoveries in neuroscience:
246
851516
3669
W neurobiologii dokonano
zaskakujących odkryć:
zaskakujących odkryć:
14:27
localizing functionally specialized
regions of cortex,
regions of cortex,
247
855185
3436
zlokalizowano
wyspecjalizowane rejony kory,
wyspecjalizowane rejony kory,
14:30
turning mouse brains transparent,
248
858621
2601
u myszy udało się
uzyskać przezroczysty mózg
uzyskać przezroczysty mózg
14:33
activating neurons with light.
249
861222
3776
aktywowano neurony światłem.
14:36
A second big idea
250
864998
1996
Po drugie, żyjemy w erze informacji
i uczenia maszynowego,
i uczenia maszynowego,
14:38
is that this is the era of big data
and machine learning,
and machine learning,
251
866994
4104
14:43
and machine learning promises
to revolutionize our understanding
to revolutionize our understanding
252
871098
3141
a uczenie maszynowe
może zrewolucjonizować to,
może zrewolucjonizować to,
14:46
of everything from social networks
to epidemiology.
to epidemiology.
253
874239
4667
jak rozumiemy wszystko wokół nas,
od socjologii po epidemiologię.
od socjologii po epidemiologię.
14:50
And maybe, as it tackles problems
of scene understanding
of scene understanding
254
878906
2693
W przypadku postrzegania
14:53
and natural language processing,
255
881599
1993
i przetwarzania języka,
14:55
to tell us something
about human cognition.
about human cognition.
256
883592
3324
może nam też pomóc zrozumieć
naturę ludzkiego poznania.
naturę ludzkiego poznania.
14:59
And the final big idea you'll have heard
257
887756
1937
Wreszcie, po trzecie, o czym wiecie,
15:01
is that maybe it's a good idea we're going
to know so much about brains
to know so much about brains
258
889693
3387
to dobrze, że wiemy coraz więcej o mózgu,
15:05
and have so much access to big data,
259
893080
1917
i mamy dostęp do takiej ilości danych,
15:06
because left to our own devices,
260
894997
2507
bo pozostawieni sami sobie
15:09
humans are fallible, we take shortcuts,
261
897504
3831
jesteśmy omylni, idziemy na skróty,
15:13
we err, we make mistakes,
262
901335
3437
błądzimy, mylimy się,
15:16
we're biased, and in innumerable ways,
263
904772
3684
nie jesteśmy obiektywni
i w wielu przypadkach
i w wielu przypadkach
15:20
we get the world wrong.
264
908456
2969
źle rozumiemy świat.
15:24
I think these are all important stories,
265
912843
2949
Myślę, że to wszystko jest istotne
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
i wiele mówi nam o tym,
co to znaczy być człowiekiem,
co to znaczy być człowiekiem,
15:31
but I want you to note that today
I told you a very different story.
I told you a very different story.
267
919577
3529
ale dzisiaj pokazałam wam
coś zupełnie innego.
coś zupełnie innego.
15:35
It's a story about minds and not brains,
268
923966
3807
Opowiedziałam wam o rozumie, nie o mózgu,
15:39
and in particular, it's a story
about the kinds of computations
about the kinds of computations
269
927773
3006
opowiedziałam o takich obliczeniach,
15:42
that uniquely human minds can perform,
270
930779
2590
do których zdolni są tylko ludzie,
15:45
which involve rich, structured knowledge
and the ability to learn
and the ability to learn
271
933369
3944
wymagających bogatej, uporządkowanej
wiedzy i zdolności uczenia się
wiedzy i zdolności uczenia się
15:49
from small amounts of data,
the evidence of just a few examples.
the evidence of just a few examples.
272
937313
5268
na podstawie szczątkowych danych
i tylko kilku przykładów.
i tylko kilku przykładów.
Co ważne, pokazuje to też jak,
poczynając od bardzo małych dzieci,
poczynając od bardzo małych dzieci,
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
a kończąc na wielkich osiągnięciach
16:04
of our culture,
275
952780
3843
kultury ludzkiej,
16:08
we get the world right.
276
956623
1997
jednak dobrze rozumiemy świat.
16:12
Folks, human minds do not only learn
from small amounts of data.
from small amounts of data.
277
960433
5267
Ludzki umysł nie tylko uczy się
z niewielkiej ilości danych.
z niewielkiej ilości danych.
16:18
Human minds think
of altogether new ideas.
of altogether new ideas.
278
966285
2101
Tworzy też nowe pojęcia.
16:20
Human minds generate
research and discovery,
research and discovery,
279
968746
3041
Ludzie są autorami badań i odkryć,
16:23
and human minds generate
art and literature and poetry and theater,
art and literature and poetry and theater,
280
971787
5273
tworzą dzieła sztuki, literaturę i teatr,
16:29
and human minds take care of other humans:
281
977070
3760
i troszczą się o innych ludzi,
16:32
our old, our young, our sick.
282
980830
3427
starszych, młodszych i chorych.
16:36
We even heal them.
283
984517
2367
Nawet ich leczą.
16:39
In the years to come, we're going
to see technological innovations
to see technological innovations
284
987564
3103
Nadchodzące lata przyniosą
technologiczne innowacje,
technologiczne innowacje,
16:42
beyond anything I can even envision,
285
990667
3797
których nawet sobie nie wyobrażam,
16:46
but we are very unlikely
286
994464
2150
ale to mało prawdopodobne,
16:48
to see anything even approximating
the computational power of a human child
the computational power of a human child
287
996614
5709
że zobaczymy coś z mocą obliczeniową
zbliżoną do zdolności naszych dzieci
zbliżoną do zdolności naszych dzieci
16:54
in my lifetime or in yours.
288
1002323
4298
za mojego czy waszego życia.
16:58
If we invest in these most powerful
learners and their development,
learners and their development,
289
1006621
5047
Jeżeli zainwestujemy
w ich ogromny potencjał i rozwój,
w ich ogromny potencjał i rozwój,
17:03
in babies and children
290
1011668
2917
w nasze dzieci i młodzież,
matki i ojców,
17:06
and mothers and fathers
291
1014585
1826
17:08
and caregivers and teachers
292
1016411
2699
opiekunów i nauczycieli,
17:11
the ways we invest in our other
most powerful and elegant forms
most powerful and elegant forms
293
1019110
4170
tak jak inwestujemy
w inne potężne i wyszukane
w inne potężne i wyszukane
formy technologii,
inżynierii i wzornictwa,
inżynierii i wzornictwa,
17:15
of technology, engineering and design,
294
1023280
3218
17:18
we will not just be dreaming
of a better future,
of a better future,
295
1026498
2939
będziemy nie tylko marzyć
o lepszej przyszłości,
o lepszej przyszłości,
17:21
we will be planning for one.
296
1029437
2127
będziemy ją tworzyć.
17:23
Thank you very much.
297
1031564
2345
Dziękuję bardzo.
17:25
(Applause)
298
1033909
3421
(Brawa)
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: Dziękuję, Lauro.
Mam do ciebie pytanie.
Mam do ciebie pytanie.
17:34
First of all, the research is insane.
300
1042236
2359
Po pierwsze, twoje badania są niesamowite.
17:36
I mean, who would design
an experiment like that? (Laughter)
an experiment like that? (Laughter)
301
1044595
3725
Kto wymyśliłby takie doświadczenie?
(Śmiech)
(Śmiech)
17:41
I've seen that a couple of times,
302
1049150
1790
Obejrzałem to już kilka razy
i dalej nie wierzę w to, co widzę,
17:42
and I still don't honestly believe
that that can truly be happening,
that that can truly be happening,
303
1050940
3222
ale inni potwierdzili to
w swoich badaniach, to fakt.
w swoich badaniach, to fakt.
17:46
but other people have done
similar experiments; it checks out.
similar experiments; it checks out.
304
1054162
3158
Dzieci naprawdę są genialne.
17:49
The babies really are that genius.
305
1057320
1633
17:50
LS: You know, they look really impressive
in our experiments,
in our experiments,
306
1058953
3007
LS: Dzieci w naszych badaniach
robią wrażenie,
robią wrażenie,
ale pomyślcie, co dzieje się w życiu.
17:53
but think about what they
look like in real life, right?
look like in real life, right?
307
1061960
2652
Mamy niemowlę.
17:56
It starts out as a baby.
308
1064612
1150
Półtora roku później mówi
17:57
Eighteen months later,
it's talking to you,
it's talking to you,
309
1065762
2007
i jego pierwsze słowa to nie
"kaczka" czy "piłka",
"kaczka" czy "piłka",
17:59
and babies' first words aren't just
things like balls and ducks,
things like balls and ducks,
310
1067769
3041
ale zwroty jak "nie ma",
które opisują znikanie,
które opisują znikanie,
18:02
they're things like "all gone,"
which refer to disappearance,
which refer to disappearance,
311
1070810
2881
czy ''ojej" dotyczące akcji nieumyślnych.
18:05
or "uh-oh," which refer
to unintentional actions.
to unintentional actions.
312
1073691
2283
To jest imponujące,
18:07
It has to be that powerful.
313
1075974
1562
18:09
It has to be much more powerful
than anything I showed you.
than anything I showed you.
314
1077536
2775
znacznie bardziej niż to,
co wam pokazałam.
co wam pokazałam.
Próbują zrozumieć świat.
18:12
They're figuring out the entire world.
315
1080311
1974
Czterolatek może rozmawiać
praktycznie na każdy temat.
praktycznie na każdy temat.
18:14
A four-year-old can talk to you
about almost anything.
about almost anything.
316
1082285
3144
18:17
(Applause)
317
1085429
1601
(Brawa)
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: Jeśli dobrze zrozumiałem,
pomimo od dawna powszechnych głosów,
18:22
we've been through these years
where there's all this talk
where there's all this talk
319
1090444
2754
18:25
of how quirky and buggy our minds are,
320
1093198
1932
że nasze umysły są dziwne i zawodne,
18:27
that behavioral economics
and the whole theories behind that
and the whole theories behind that
321
1095130
2867
wbrew ekonomii behawioralnej
i jej twierdzeniom,
i jej twierdzeniom,
18:29
that we're not rational agents.
322
1097997
1603
że nie jesteśmy racjonalni,
18:31
You're really saying that the bigger
story is how extraordinary,
story is how extraordinary,
323
1099600
4216
uważasz, że nie doceniamy
18:35
and there really is genius there
that is underappreciated.
that is underappreciated.
324
1103816
4944
niesamowitego geniuszu ludzkiego umysłu.
LS: Jednym z moich ulubionych cytatów
18:40
LS: One of my favorite
quotes in psychology
quotes in psychology
325
1108760
2070
są słowa psychologa społecznego
Solomona Ascha,
Solomona Ascha,
18:42
comes from the social
psychologist Solomon Asch,
psychologist Solomon Asch,
326
1110830
2290
który twierdził, że zadanie psychologii
18:45
and he said the fundamental task
of psychology is to remove
of psychology is to remove
327
1113120
2807
to usunięcie z rzeczy
zasłony oczywistości.
zasłony oczywistości.
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
Niewyobrażalna ilość decyzji podejmowanych
przez ludzi każdego dnia pokazuje,
przez ludzi każdego dnia pokazuje,
18:55
that get the world right.
330
1123104
1347
że rozumiemy świat.
18:56
You know about objects
and their properties.
and their properties.
331
1124451
2132
Znamy rzeczy i ich właściwości.
18:58
You know them when they're occluded.
You know them in the dark.
You know them in the dark.
332
1126583
3029
Rozpoznajemy je, gdy są zasłonięte
czy w ciemnym pomieszczeniu.
czy w ciemnym pomieszczeniu.
Chodzimy między pokojami.
19:01
You can walk through rooms.
333
1129612
1308
Domyślamy się, co myślą inni.
Rozmawiamy z nimi.
Rozmawiamy z nimi.
19:02
You can figure out what other people
are thinking. You can talk to them.
are thinking. You can talk to them.
334
1130920
3532
Przemieszczamy się, znamy liczby.
19:06
You can navigate space.
You know about numbers.
You know about numbers.
335
1134452
2230
Znamy związki przyczynowe
i system wartości moralnych.
i system wartości moralnych.
19:08
You know causal relationships.
You know about moral reasoning.
You know about moral reasoning.
336
1136682
3022
Robimy to odruchowo,
więc tego nie zauważamy,
więc tego nie zauważamy,
19:11
You do this effortlessly,
so we don't see it,
so we don't see it,
337
1139704
2356
ale wtedy właśnie rozumiemy świat,
co jest nadzwyczajnym
co jest nadzwyczajnym
19:14
but that is how we get the world right,
and it's a remarkable
and it's a remarkable
338
1142060
2912
i niedocenionym osiągnięciem.
19:16
and very difficult-to-understand
accomplishment.
accomplishment.
339
1144972
2318
CA: Podejrzewam, że są wśród nas tacy,
19:19
CA: I suspect there are people
in the audience who have
in the audience who have
340
1147290
2628
którzy wierzą w postęp technologiczny,
19:21
this view of accelerating
technological power
technological power
341
1149918
2238
i nie zgodziliby się z twoją tezą,
że za naszego życia
że za naszego życia
19:24
who might dispute your statement
that never in our lifetimes
that never in our lifetimes
342
1152156
2958
komputer nigdy nie dorówna trzylatkowi,
19:27
will a computer do what
a three-year-old child can do,
a three-year-old child can do,
343
1155114
2618
ale tak czy inaczej
19:29
but what's clear is that in any scenario,
344
1157732
3248
maszyny mogą się wiele nauczyć od dzieci.
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: Tak myślę. Maszyny już się uczą.
19:41
I mean, you should never bet
against babies or chimpanzees
against babies or chimpanzees
347
1169446
4203
I lepiej nie stawać przeciwko dzieciom
czy szympansom
czy szympansom
19:45
or technology as a matter of practice,
348
1173649
3645
czy, na wszelki wypadek,
przeciwko technologii,
przeciwko technologii,
19:49
but it's not just
a difference in quantity,
a difference in quantity,
349
1177294
4528
ale nie chodzi tu o różnicę ilościową,
19:53
it's a difference in kind.
350
1181822
1764
ale jakościową.
19:55
We have incredibly powerful computers,
351
1183586
2160
Mamy niesamowicie potężne komputery,
19:57
and they do do amazingly
sophisticated things,
sophisticated things,
352
1185746
2391
które robią skomplikowane rzeczy,
20:00
often with very big amounts of data.
353
1188137
3204
często z ogromną ilością danych.
20:03
Human minds do, I think,
something quite different,
something quite different,
354
1191341
2607
Ludzki umysł robi coś zupełni innego.
20:05
and I think it's the structured,
hierarchical nature of human knowledge
hierarchical nature of human knowledge
355
1193948
3895
Myślę, że ta uporządkowana,
hierarchiczna natura ludzkiej wiedzy
hierarchiczna natura ludzkiej wiedzy
20:09
that remains a real challenge.
356
1197843
2032
jest dla maszyn wyzwaniem.
CA: Lauro Schulz, doskonały materiał
do przemyśleń. Dziękuję.
do przemyśleń. Dziękuję.
20:11
CA: Laura Schulz, wonderful
food for thought. Thank you so much.
food for thought. Thank you so much.
357
1199875
3061
LS: Dziękuję.
(Brawa)
(Brawa)
20:14
LS: Thank you.
(Applause)
(Applause)
358
1202936
2922
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