ABOUT THE SPEAKER
Alison Gopnik - Child development psychologist
Alison Gopnik takes us into the fascinating minds of babies and children, and shows us how much we understand before we even realize we do.

Why you should listen

What’s it really like to see through the eyes of a child? Are babies and young children just empty, irrational vessels to be formed into little adults, until they become the perfect images of ourselves? On the contrary, argues Alison Gopnik, professor of psychology and philosophy at the University of California at Berkeley.

The author of The Philosophical BabyThe Scientist in the Crib and other influential books on cognitive development, Gopnik presents evidence that babies and children are conscious of far more than we give them credit for, as they engage every sense and spend every waking moment discovering, filing away, analyzing and acting on information about how the world works. Gopnik’s work draws on psychological, neuroscientific, and philosophical developments in child development research to understand how the human mind learns, how and why we love, our ability to innovate, as well as giving us a deeper appreciation for the role of parenthood.

She says: "What's it like to be a baby? Being in love in Paris for the first time after you've had 3 double espressos."

More profile about the speaker
Alison Gopnik | Speaker | TED.com
TEDGlobal 2011

Alison Gopnik: What do babies think?

Alison Gopnik: Was denken Babys?

Filmed:
4,341,974 views

"Babys und kleine Kinder sind wie die Forschungs- und Entwicklungsabteilung der menschlichen Gattung", sagt die Psychologin Alison Gopnik. Ihre Forschungsarbeit untersucht, wie Babys während des Spielens raffiniert Informationen erfassen und Entscheidungen treffen.
- Child development psychologist
Alison Gopnik takes us into the fascinating minds of babies and children, and shows us how much we understand before we even realize we do. Full bio

Double-click the English transcript below to play the video.

00:15
What is going on
0
0
2000
Was geht im Verstand
00:17
in this baby'sdes Babys mindVerstand?
1
2000
2000
dieses Babys vor?
00:19
If you'ddu würdest askedaufgefordert people this 30 yearsJahre agovor,
2
4000
2000
Hätten Sie das Menschen vor 30 Jahren gefragt,
00:21
mostdie meisten people, includingeinschließlich psychologistsPsychologen,
3
6000
2000
hätten die meisten, inklusive Psychologen,
00:23
would have said that this babyBaby was irrationalirrational,
4
8000
3000
geantwortet, dass dieses Baby
00:26
illogicalunlogisch, egocentricegozentrisch --
5
11000
2000
unlogisch, egozentrisch sei –
00:28
that he couldn'tkonnte nicht take the perspectivePerspektive of anotherein anderer personPerson
6
13000
2000
dass es nicht die Sichtweise einer anderen Person einnehmen
00:30
or understandverstehen causeUrsache and effectbewirken.
7
15000
2000
oder Ursache und Wirkung verstehen könne.
00:32
In the last 20 yearsJahre,
8
17000
2000
In den letzten 20 Jahren
00:34
developmentalEntwicklungsbiologie scienceWissenschaft has completelyvollständig overturnedumgeworfen that pictureBild.
9
19000
3000
hat die Entwicklungswissenschaft dieses Bild komplett gestürzt.
00:37
So in some waysWege,
10
22000
2000
So glauben wir
00:39
we think that this baby'sdes Babys thinkingDenken
11
24000
2000
in gewisser Hinsicht, dass dieses Baby
00:41
is like the thinkingDenken of the mostdie meisten brilliantGenial scientistsWissenschaftler.
12
26000
4000
wie die brillantesten Wissenschafter denkt.
00:45
Let me give you just one exampleBeispiel of this.
13
30000
2000
Lassen Sie mich Ihnen nur ein Beispiel nennen.
00:47
One thing that this babyBaby could be thinkingDenken about,
14
32000
3000
Eine Sache, über die dieses Baby nachdenken könnte,
00:50
that could be going on in his mindVerstand,
15
35000
2000
was in seinem Kopf vorgehen könnte,
00:52
is tryingversuchen to figureZahl out
16
37000
2000
wäre, dass es versucht herauszufinden,
00:54
what's going on in the mindVerstand of that other babyBaby.
17
39000
3000
was im Kopf des anderen Babys vorgeht.
00:57
After all, one of the things that's hardesthärteste for all of us to do
18
42000
3000
Schlussendlich ist etwas vom Schwierigsten für uns alle,
01:00
is to figureZahl out what other people are thinkingDenken and feelingGefühl.
19
45000
3000
herauszufinden, was andere Menschen denken und fühlen.
01:03
And maybe the hardesthärteste thing of all
20
48000
2000
Und das vielleicht Schwierigste von allem
01:05
is to figureZahl out that what other people think and feel
21
50000
3000
ist zu begreifen, dass das, was andere Menschen denken und fühlen
01:08
isn't actuallytatsächlich exactlygenau like what we think and feel.
22
53000
2000
nicht genau das ist, was wir denken und fühlen.
01:10
AnyoneWer who'swer ist followedgefolgt politicsPolitik can testifybezeugen
23
55000
2000
Jeder, der die Politik verfolgt, kann bezeugen,
01:12
to how hardhart that is for some people to get.
24
57000
3000
wie schwierig das für gewisse Menschen ist.
01:15
We wanted to know
25
60000
2000
Wir wollten wissen,
01:17
if babiesBabys and youngjung childrenKinder
26
62000
2000
ob Babys und kleine Kinder
01:19
could understandverstehen this really profoundtiefsinnig thing about other people.
27
64000
3000
diese wirklich tiefgreifende Sache über andere Menschen verstehen können.
01:22
Now the questionFrage is: How could we askFragen them?
28
67000
2000
Nun ist die Frage: Wie könnten wir sie fragen?
01:24
BabiesBabys, after all, can't talk,
29
69000
2000
Schlussendlich können Babys nicht sprechen,
01:26
and if you askFragen a threedrei year-oldj hrige
30
71000
2000
und wenn Sie einen Dreijährigen bitten,
01:28
to tell you what he thinksdenkt,
31
73000
2000
Ihnen zu erzählen, was er denkt,
01:30
what you'lldu wirst get is a beautifulschön streamStrom of consciousnessBewusstsein monologueMonolog
32
75000
3000
erhalten Sie einen schönen Bewusstseinsstrom-Monolog
01:33
about poniesPonys and birthdaysGeburtstage and things like that.
33
78000
3000
über Ponys und Geburtstage und solche Sachen.
01:36
So how do we actuallytatsächlich askFragen them the questionFrage?
34
81000
3000
Wie also stellen wir ihnen tatsächlich diese Frage?
01:39
Well it turnswendet sich out that the secretGeheimnis was broccoliBrokkoli.
35
84000
3000
Nun, es hat sich herausgestellt, dass das Geheimnis Brokkoli heisst.
01:42
What we did -- BettyBetty RapacholiRapacholi, who was one of my studentsStudenten, and I --
36
87000
4000
Was wir taten – Betty Rapacholi, eine meiner Studentinnen, und ich –
01:46
was actuallytatsächlich to give the babiesBabys two bowlsSchüsseln of foodLebensmittel:
37
91000
3000
wir gaben den Babys zwei Schüsseln mit Essen:
01:49
one bowlSchüssel of rawroh broccoliBrokkoli
38
94000
2000
Eine Schüssel mit rohem Brokkoli,
01:51
and one bowlSchüssel of delicioussehr lecker goldfishGoldfisch crackersCracker.
39
96000
3000
und eine Schüssel mit leckeren Goldfisch-Kräcker.
01:54
Now all of the babiesBabys, even in BerkleyBerkley,
40
99000
3000
Nun, alle Babys, sogar die in Berkley,
01:57
like the crackersCracker and don't like the rawroh broccoliBrokkoli.
41
102000
3000
mögen die Kräcker, aber nicht den rohen Brokkoli.
02:00
(LaughterLachen)
42
105000
2000
(Gelächter)
02:02
But then what BettyBetty did
43
107000
2000
Aber dann kostete Betty
02:04
was to take a little tasteGeschmack of foodLebensmittel from eachjede einzelne bowlSchüssel.
44
109000
3000
ein bisschen aus beiden Schüsseln.
02:07
And she would actHandlung as if she likedgefallen it or she didn't.
45
112000
2000
Und tat so, als ob es ihr schmeckte, oder nicht.
02:09
So halfHälfte the time, she actedgehandelt
46
114000
2000
So tat sie zur Hälfte so,
02:11
as if she likedgefallen the crackersCracker and didn't like the broccoliBrokkoli --
47
116000
2000
als ob sie die Kräcker mochte und nicht den Brokkoli –
02:13
just like a babyBaby and any other saneSANE personPerson.
48
118000
3000
so wie ein Baby oder jede andere normale Person.
02:16
But halfHälfte the time,
49
121000
2000
Aber zur anderen Hälfte
02:18
what she would do is take a little bitBit of the broccoliBrokkoli
50
123000
2000
versuchte sie ein bisschen Brokkoli
02:20
and go, "MmmmmMmmmm, broccoliBrokkoli.
51
125000
3000
und sagte: "Mmmmm, Brokkoli.
02:23
I tastedschmeckte the broccoliBrokkoli. MmmmmMmmmm."
52
128000
3000
Ich probierte den Brokkoli. Mmmmm."
02:26
And then she would take a little bitBit of the crackersCracker,
53
131000
2000
Und dann versuchte sie ein bisschen von den Kräcker,
02:28
and she'dSchuppen go, "EwwEww, yuckigitt, crackersCracker.
54
133000
4000
und sagte: "Pfui, Igitt, Kräcker.
02:32
I tastedschmeckte the crackersCracker. EwwEww, yuckigitt."
55
137000
3000
Ich habe die Kräcker probiert. Pfui, Igitt."
02:35
So she'dSchuppen actHandlung as if what she wanted
56
140000
2000
Sie handelte also so, als ob sie genau
02:37
was just the oppositeGegenteil of what the babiesBabys wanted.
57
142000
3000
das Gegenteil von dem wollte, was den Babys schmeckte.
02:40
We did this with 15 and 18 month-oldMonate alte babiesBabys.
58
145000
2000
Wir taten dies mit 15- und 18-monatigen Babys.
02:42
And then she would simplyeinfach put her handHand out and say,
59
147000
3000
Und dann streckte sie ganz einfach ihre Hand aus und sagte:
02:45
"Can you give me some?"
60
150000
2000
"Kannst Du mir ein bisschen davon geben?"
02:47
So the questionFrage is: What would the babyBaby give her,
61
152000
2000
Nun lautet die Frage: Was würde das Baby ihr geben,
02:49
what they likedgefallen or what she likedgefallen?
62
154000
2000
was ihnen schmeckte oder was ihr schmeckte?
02:51
And the remarkablebemerkenswert thing was that 18 month-oldMonate alte babiesBabys,
63
156000
3000
Und das Bemerkenswerte war, dass die 18-monatigen Babys,
02:54
just barelykaum walkingGehen and talkingim Gespräch,
64
159000
2000
die mit Müh und Not laufen und sprechen konnten,
02:56
would give her the crackersCracker if she likedgefallen the crackersCracker,
65
161000
3000
ihr die Kräcker gaben, wenn ihr diese gefielen,
02:59
but they would give her the broccoliBrokkoli if she likedgefallen the broccoliBrokkoli.
66
164000
3000
ihr aber den Brokkoli gaben, wenn der ihr schmeckte.
03:02
On the other handHand,
67
167000
2000
Dahingegen
03:04
15 month-oldsMonat-olds would starestarren at her for a long time
68
169000
2000
starrten die 15-monatigen Babys sie lange an
03:06
if she actedgehandelt as if she likedgefallen the broccoliBrokkoli,
69
171000
2000
wenn sie so tat, als ob sie Brokkoli mochte,
03:08
like they couldn'tkonnte nicht figureZahl this out.
70
173000
3000
als ob sie das nicht verstehen konnten.
03:11
But then after they staredstarrte for a long time,
71
176000
2000
Aber nachdem sie dann für eine lange Zeit gestarrt hatten,
03:13
they would just give her the crackersCracker,
72
178000
2000
haben sie ihr einfach die Kräcker gegeben,
03:15
what they thought everybodyjeder mustsollen like.
73
180000
2000
von denen sie dachten, jeder müsse sie mögen.
03:17
So there are two really remarkablebemerkenswert things about this.
74
182000
3000
So gibt es hierzu zwei wirklich bemerkenswerte Sachen.
03:20
The first one is that these little 18 month-oldMonate alte babiesBabys
75
185000
3000
Die erste ist, dass diese 18-monatigen Babys
03:23
have alreadybereits discoveredentdeckt
76
188000
2000
bereits diese wirklich tiefgreifende
03:25
this really profoundtiefsinnig factTatsache about humanMensch natureNatur,
77
190000
2000
Tatsache über die menschliche Natur herausgefunden hatten,
03:27
that we don't always want the samegleich thing.
78
192000
2000
dass wir nicht immer alle dasselbe wollen.
03:29
And what's more, they feltFilz that they should actuallytatsächlich do things
79
194000
2000
Und ausserdem haben sie gespürt, dass sie Sachen tun sollten,
03:31
to help other people get what they wanted.
80
196000
3000
um anderen Menschen helfen zu kriegen, was diese wollten.
03:34
Even more remarkablybemerkenswert thoughobwohl,
81
199000
2000
Noch bemerkenswerter jedoch ist,
03:36
the factTatsache that 15 month-oldsMonat-olds didn't do this
82
201000
3000
dass die Tatsache, dass 15-monatige Babys das nicht taten,
03:39
suggestsschlägt vor that these 18 month-oldsMonat-olds had learnedgelernt
83
204000
3000
andeutet, dass diese 18-monatigen Babys
03:42
this deeptief, profoundtiefsinnig factTatsache about humanMensch natureNatur
84
207000
3000
diesen tiefen, tiefgründigen Fakt über die menschlichte Natur
03:45
in the threedrei monthsMonate from when they were 15 monthsMonate oldalt.
85
210000
3000
in den drei Monaten nach ihren ersten 15 Lebensmonaten gelernt hatten.
03:48
So childrenKinder bothbeide know more and learnlernen more
86
213000
2000
Kindern wissen und lernen also mehr,
03:50
than we ever would have thought.
87
215000
2000
als wir uns je hätten denken können.
03:52
And this is just one of hundredsHunderte and hundredsHunderte of studiesStudien over the last 20 yearsJahre
88
217000
4000
Und das ist nur eine von aberhunderten von Studien der letzten 20 Jahren,
03:56
that's actuallytatsächlich demonstratedgezeigt it.
89
221000
2000
die das tatsächlich aufzeigt.
03:58
The questionFrage you mightMacht askFragen thoughobwohl is:
90
223000
2000
Die Frage, die Sie nun jedoch stellen mögen lautet:
04:00
Why do childrenKinder learnlernen so much?
91
225000
3000
Wieso lernen Kinder soviel?
04:03
And how is it possiblemöglich for them to learnlernen so much
92
228000
2000
Und wie ist es ihnen möglich, in so kurzer Zeit
04:05
in sucheine solche a shortkurz time?
93
230000
2000
soviel zu lernen?
04:07
I mean, after all, if you look at babiesBabys superficiallyoberflächlich,
94
232000
2000
Ich meine, letzten Endes, wenn wir uns Babys oberflächlich betrachten,
04:09
they seemscheinen prettyziemlich uselessnutzlos.
95
234000
2000
erscheinen sie uns ziemlich nutzlos.
04:11
And actuallytatsächlich in manyviele waysWege, they're worseschlechter than uselessnutzlos,
96
236000
3000
Und tatsächlich sind sie in vielfacher Weise völlig nutzlos,
04:14
because we have to put so much time and energyEnergie
97
239000
2000
denn wir müssen soviel Zeit und Energie investieren,
04:16
into just keepinghalten them aliveam Leben.
98
241000
2000
um sie nur schon am Leben zu erhalten.
04:18
But if we turnWende to evolutionEvolution
99
243000
2000
Aber wenn wir uns der Evolution zuwenden,
04:20
for an answerAntworten to this puzzlePuzzle
100
245000
2000
um das Rätsel zu beantworten,
04:22
of why we spendverbringen so much time
101
247000
2000
wieso wir soviel Zeit aufwenden
04:24
takingunter carePflege of uselessnutzlos babiesBabys,
102
249000
3000
um auf nutzlose Babys aufzupassen,
04:27
it turnswendet sich out that there's actuallytatsächlich an answerAntworten.
103
252000
3000
zeigt sich, dass es darauf tatsächlich eine Antwort gibt.
04:30
If we look acrossüber manyviele, manyviele differentanders speciesSpezies of animalsTiere,
104
255000
3000
Wenn wir uns die vielen, vielen verschiedenen Tierarten ansehen,
04:33
not just us primatesPrimaten,
105
258000
2000
nicht nur uns Primaten,
04:35
but alsoebenfalls includingeinschließlich other mammalsSäugetiere, birdsVögel,
106
260000
2000
sondern auch andere Säugetiere, Vögel,
04:37
even marsupialsBeuteltiere
107
262000
2000
sogar Beuteltiere wie
04:39
like kangaroosKängurus and wombatsWombats,
108
264000
2000
Känguruhs und Wombats einschliessen,
04:41
it turnswendet sich out that there's a relationshipBeziehung
109
266000
2000
zeigt sich, dass es eine Beziehung gibt
04:43
betweenzwischen how long a childhoodKindheit a speciesSpezies has
110
268000
4000
zwischen der Länge der Kindheit einer Gattung
04:47
and how biggroß theirihr brainsGehirne are comparedverglichen to theirihr bodiesKörper
111
272000
4000
und der Grösse ihrer Gehirne im Vergleich zu ihren Körpern,
04:51
and how smartsmart and flexibleflexibel they are.
112
276000
2000
und wie schlau und flexibel sie sind.
04:53
And sortSortieren of the posterbirdsParadebeispiel for this ideaIdee are the birdsVögel up there.
113
278000
3000
Und eine Art Paradebeispiel für diese Idee sind die Vögel da oben.
04:56
On one sideSeite
114
281000
2000
Auf der einen Seite
04:58
is a NewNeu CaledonianCaledonian crowKrähe.
115
283000
2000
ist eine Geradschnabelkrähe.
05:00
And crowsKrähen and other corvidaeRabenvögel, ravensRaben, rooksSaatkrähen and so forthher,
116
285000
3000
Und Krähen und andere Krähenvögel, Raben, Saatkrähen und so weiter,
05:03
are incrediblyunglaublich smartsmart birdsVögel.
117
288000
2000
sind unglaublich schlaue Vögel.
05:05
They're as smartsmart as chimpanzeesSchimpansen in some respectsrespektiert.
118
290000
3000
In mancher Hinsicht sind sie so schlau wie Schimpansen.
05:08
And this is a birdVogel on the coverAbdeckung of scienceWissenschaft
119
293000
2000
Und das ist ein Vogel auf der Titelseite von Science,
05:10
who'swer ist learnedgelernt how to use a toolWerkzeug to get foodLebensmittel.
120
295000
3000
der lernte, wie er mit einem Hilfsmittel an Futter gelangte.
05:13
On the other handHand,
121
298000
2000
Andererseits
05:15
we have our friendFreund the domesticinländisch chickenHähnchen.
122
300000
2000
haben wir hier unseren Freund, das Haushuhn.
05:17
And chickensHühner and ducksEnten and geeseGänse and turkeysPuten
123
302000
3000
Und Hühner, Enten, Gänse und Truthahne
05:20
are basicallyGrundsätzlich gilt as dumbstumm as dumpsDumps.
124
305000
2000
sind grundsätzlich so dumm wie Bohnenstroh.
05:22
So they're very, very good at peckingpicken for grainKorn,
125
307000
3000
Sie sind sehr, sehr gut darin, Körner zu picken,
05:25
and they're not much good at doing anything elsesonst.
126
310000
3000
und in nichts anderem besonders gut.
05:28
Well it turnswendet sich out that the babiesBabys,
127
313000
2000
Nun hat sich gezeigt, dass die Babys,
05:30
the NewNeu CaledonianCaledonian crowKrähe babiesBabys, are fledglingsdie Jungvögel.
128
315000
2000
die Babys der Geradschnabelkrähen, Küken sind.
05:32
They dependabhängen on theirihr momsMütter
129
317000
2000
Sie sind von ihren Müttern abhängig,
05:34
to dropfallen wormsWürmer in theirihr little openöffnen mouthsMünder
130
319000
3000
die ihnen zwei Jahre lang Würmer
05:37
for as long as two yearsJahre,
131
322000
2000
in ihre kleinen geöffneten Münder stecken,
05:39
whichwelche is a really long time in the life of a birdVogel.
132
324000
2000
was eine wirklich lange Zeit ist im Leben eines Vogels.
05:41
WhereasWährend the chickensHühner are actuallytatsächlich matureReifen
133
326000
2000
Wohingegen die Hühner innerhalb weniger
05:43
withininnerhalb a couplePaar of monthsMonate.
134
328000
2000
Monate reif sind.
05:45
So childhoodKindheit is the reasonGrund
135
330000
3000
Also ist die Kindheit der Grund,
05:48
why the crowsKrähen endEnde up on the coverAbdeckung of ScienceWissenschaft
136
333000
2000
wieso Krähen auf dem Titelbild von Science enden,
05:50
and the chickensHühner endEnde up in the soupSuppe potPot.
137
335000
2000
und die Hühner im Suppentopf.
05:52
There's something about that long childhoodKindheit
138
337000
3000
Es besteht also ein Zusammenhang zwischen
05:55
that seemsscheint to be connectedin Verbindung gebracht
139
340000
2000
einer langen Kindheit und
05:57
to knowledgeWissen and learningLernen.
140
342000
2000
Wissen und Lernen.
05:59
Well what kindArt of explanationErläuterung could we have for this?
141
344000
3000
Was für eine Erklärung könnten wir dafür haben?
06:02
Well some animalsTiere, like the chickenHähnchen,
142
347000
3000
Nun, einige Tiere, wie die Hühner,
06:05
seemscheinen to be beautifullyschön suitedgeeignet
143
350000
2000
scheinen bestens dazu geeignet,
06:07
to doing just one thing very well.
144
352000
2000
nur eine Sache besonders gut zu können.
06:09
So they seemscheinen to be beautifullyschön suitedgeeignet
145
354000
3000
Sie scheinen also bestens geeignet,
06:12
to peckingpicken grainKorn in one environmentUmwelt.
146
357000
2000
in einem Umfeld Körner zu picken.
06:14
Other creaturesKreaturen, like the crowsKrähen,
147
359000
2000
Andere Lebewesen, wie die Krähen,
06:16
aren'tsind nicht very good at doing anything in particularinsbesondere,
148
361000
2000
können nichts besonders gut,
06:18
but they're extremelyäußerst good
149
363000
2000
sind aber extrem gut darin,
06:20
at learningLernen about lawsGesetze of differentanders environmentsUmgebungen.
150
365000
2000
die Gesetze der verschiedenen Umgebungen zu erlernen.
06:22
And of courseKurs, we humanMensch beingsWesen
151
367000
2000
Und natürlich sind wir Menschen
06:24
are way out on the endEnde of the distributionVerteilung like the crowsKrähen.
152
369000
3000
sind ganz am Ende dieser Verteilung, wie die Krähen.
06:27
We have biggergrößer brainsGehirne relativerelativ to our bodiesKörper
153
372000
2000
Wir haben grössere Gehirne im Vergleich zu unseren Körpern,
06:29
by farweit than any other animalTier.
154
374000
2000
mit grossem Abstand zu den anderen Tieren.
06:31
We're smarterintelligenter, we're more flexibleflexibel,
155
376000
2000
Wir sind schlauer, flexibler,
06:33
we can learnlernen more,
156
378000
2000
wir können mehr lernen,
06:35
we surviveüberleben in more differentanders environmentsUmgebungen,
157
380000
2000
wir überleben in verschiedeneren Umgebungen,
06:37
we migratedmigriert to coverAbdeckung the worldWelt and even go to outeräußere spacePlatz.
158
382000
3000
wir wanderten aus, um die Welt zu besiedeln und flogen sogar in den Weltraum.
06:40
And our babiesBabys and childrenKinder are dependentabhängig on us
159
385000
3000
Und unsere Babys und Kinder sind viel länger
06:43
for much longerlänger than the babiesBabys of any other speciesSpezies.
160
388000
3000
abhängig von uns als die Babys jeder anderen Gattung.
06:46
My sonSohn is 23.
161
391000
2000
Mein Sohn ist 23.
06:48
(LaughterLachen)
162
393000
2000
(Gelächter)
06:50
And at leastam wenigsten untilbis they're 23,
163
395000
2000
Und mindestens bis sie 23 sind,
06:52
we're still poppingknallen those wormsWürmer
164
397000
2000
stecken wir ihnen noch immer diese Würmer
06:54
into those little openöffnen mouthsMünder.
165
399000
3000
in diese kleinen offenen Münder.
06:57
All right, why would we see this correlationKorrelation?
166
402000
3000
Also gut, wieso sehen wir diesen Zusammenhang?
07:00
Well an ideaIdee is that that strategyStrategie, that learningLernen strategyStrategie,
167
405000
4000
Nun, eine Idee ist, dass diese Strategie, diese Lernstrategie,
07:04
is an extremelyäußerst powerfulmächtig, great strategyStrategie for gettingbekommen on in the worldWelt,
168
409000
3000
eine extrem mächtige, grossartige Strategie ist, um in der Welt weiter zu kommen,
07:07
but it has one biggroß disadvantageNachteil.
169
412000
2000
aber sie hat einen grossen Nachteil.
07:09
And that one biggroß disadvantageNachteil
170
414000
2000
Und dieser eine grosse Nachteil ist,
07:11
is that, untilbis you actuallytatsächlich do all that learningLernen,
171
416000
3000
dass man, bis man tatsächlich all das lernt,
07:14
you're going to be helplesshilflos.
172
419000
2000
hilflos sein wird.
07:16
So you don't want to have the mastodonMastodon chargingAufladen at you
173
421000
3000
Sie möchten also nicht das Rüsseltier auf Sie losstürmen sehen
07:19
and be sayingSprichwort to yourselfdich selber,
174
424000
2000
und sich sagen:
07:21
"A slingshotSchleuder or maybe a spearSpeer mightMacht work. WhichDie would actuallytatsächlich be better?"
175
426000
4000
"Eine Steinschleuder oder vielleicht ein Speer könnte helfen. Was wäre wohl besser?"
07:25
You want to know all that
176
430000
2000
Sie möchten das alles wissen,
07:27
before the mastodonsMastodons actuallytatsächlich showShow up.
177
432000
2000
bevor die Rüsseltiere tatsächlich auftauchen.
07:29
And the way the evolutionsEntwicklungen seemsscheint to have solvedgelöst that problemProblem
178
434000
3000
Und die Evolution scheint dieses Problem mit einer Art von
07:32
is with a kindArt of divisionAufteilung of laborArbeit.
179
437000
2000
Arbeitsteilung gelöst zu haben.
07:34
So the ideaIdee is that we have this earlyfrüh periodPeriode when we're completelyvollständig protectedgeschützt.
180
439000
3000
Die Idee ist, dass wir alle diese Frühzeit haben, in der wir komplett beschützt sind.
07:37
We don't have to do anything. All we have to do is learnlernen.
181
442000
3000
Wir müssen nichts verrichten. Alles was wir tun müssen ist lernen.
07:40
And then as adultsErwachsene,
182
445000
2000
Und dann, als Erwachsene,
07:42
we can take all those things that we learnedgelernt when we were babiesBabys and childrenKinder
183
447000
3000
können wir all diese Dinge, die wir als Babys und Kinder lernten, nehmen
07:45
and actuallytatsächlich put them to work to do things out there in the worldWelt.
184
450000
3000
und sie quasi zur Arbeit schicken um Dinge zu erledigen draussen in der Welt.
07:48
So one way of thinkingDenken about it
185
453000
2000
Eine Denkweise wäre also,
07:50
is that babiesBabys and youngjung childrenKinder
186
455000
2000
dass Babys und kleine Kinder
07:52
are like the researchForschung and developmentEntwicklung divisionAufteilung of the humanMensch speciesSpezies.
187
457000
3000
wie die Forschungs- und Entwicklungsabteilung der menschlichen Gattung sind.
07:55
So they're the protectedgeschützt blueblau skyHimmel guys
188
460000
3000
Sie sind die beschützten Idealisten,
07:58
who just have to go out and learnlernen and have good ideasIdeen,
189
463000
2000
die einfach nur in die Welt hinaus gehen, lernen und gute ideen haben müssen,
08:00
and we're productionProduktion and marketingMarketing.
190
465000
2000
und wir sind die Produktions- und Marketingabteilung.
08:02
We have to take all those ideasIdeen
191
467000
2000
Wir müssen all diese Ideen nehmen,
08:04
that we learnedgelernt when we were childrenKinder
192
469000
2000
die wir lernten, als wir Kinder waren,
08:06
and actuallytatsächlich put them to use.
193
471000
2000
und sie tatsächlich umsetzen.
08:08
AnotherEin weiterer way of thinkingDenken about it
194
473000
2000
Eine andere Denkweise wäre,
08:10
is insteadstattdessen of thinkingDenken of babiesBabys and childrenKinder
195
475000
2000
Babys und Kinder nicht als
08:12
as beingSein like defectivedefekt grownupsErwachsene,
196
477000
2000
unvollkommene Erwachsene zu sehen,
08:14
we should think about them
197
479000
2000
sondern in einem anderen Entwicklungsstadium,
08:16
as beingSein a differentanders developmentalEntwicklungsbiologie stageStufe of the samegleich speciesSpezies --
198
481000
2000
aber in derselben Gattung –
08:18
kindArt of like caterpillarsRaupen and butterfliesSchmetterlinge --
199
483000
3000
in etwa so wie Raupen und Schmetterlinge –
08:21
exceptaußer that they're actuallytatsächlich the brilliantGenial butterfliesSchmetterlinge
200
486000
2000
nur dass sie eigentlich die brillanten Schmetterlinge sind,
08:23
who are flittinghuschen around the gardenGarten and exploringErkundung,
201
488000
3000
die im Garten herumfliegen und auskundschaften,
08:26
and we're the caterpillarsRaupen
202
491000
2000
und wir sind die Raupen,
08:28
who are inchingTippbetrieb alongeine lange our narroweng, grownupErwachsener, adultErwachsene pathPfad.
203
493000
3000
die sich langsam auf unserem schmalen, erwachsenen Pfad bewegen.
08:31
If this is truewahr, if these babiesBabys are designedentworfen to learnlernen --
204
496000
3000
Wenn das stimmt, wenn Babys bestimmt sind zu lernen –
08:34
and this evolutionaryevolutionär storyGeschichte would say childrenKinder are for learningLernen,
205
499000
3000
und diese Evolutionsgeschichte würde sagen, dass Kinder zum Lernen da sind,
08:37
that's what they're for --
206
502000
2000
wenn sie dafür bestimmt sind –
08:39
we mightMacht expecterwarten von
207
504000
2000
könnten wir erwarten,
08:41
that they would have really powerfulmächtig learningLernen mechanismsMechanismen.
208
506000
2000
dass sie über wirklich mächtige Lernmechanismen verfügen.
08:43
And in factTatsache, the baby'sdes Babys brainGehirn
209
508000
3000
Und tatsächlich, das Gehirn eines Babys
08:46
seemsscheint to be the mostdie meisten powerfulmächtig learningLernen computerComputer
210
511000
2000
scheint der mächtigste Lerncomputer auf dem
08:48
on the planetPlanet.
211
513000
2000
Planeten zu sein.
08:50
But realecht computersComputer are actuallytatsächlich gettingbekommen to be a lot better.
212
515000
3000
Aber genau genommen werden richtige Computer viel besser werden.
08:53
And there's been a revolutionRevolution
213
518000
2000
Und es gab eine Revolution
08:55
in our understandingVerstehen of machineMaschine learningLernen recentlyvor kurzem.
214
520000
2000
in unserem Verständnis über maschinelles Lernen.
08:57
And it all dependshängt davon ab on the ideasIdeen of this guy,
215
522000
3000
Und alles ist abhängig von den Ideen dieses Mannes,
09:00
the ReverendReverend ThomasThomas BayesBayes,
216
525000
2000
Reverend Thomas Bayes,
09:02
who was a statisticianStatistiker and mathematicianMathematiker in the 18thth centuryJahrhundert.
217
527000
3000
der ein Statistiker und Mathematiker im 18. Jahrhundert war.
09:05
And essentiallyim Wesentlichen what BayesBayes did
218
530000
3000
Und was Bayes im wesentlichen getan hat war,
09:08
was to providezu Verfügung stellen a mathematicalmathematisch way
219
533000
2000
einen mathematischen Weg aufzuzeigen,
09:10
usingmit probabilityWahrscheinlichkeit theoryTheorie
220
535000
2000
mit Hilfe der Wahrscheinlichkeitstheorie,
09:12
to characterizezu charakterisieren, describebeschreiben,
221
537000
2000
um zu charakterisieren, beschreiben,
09:14
the way that scientistsWissenschaftler find out about the worldWelt.
222
539000
2000
wie Wissenschafter die Welt erkunden.
09:16
So what scientistsWissenschaftler do
223
541000
2000
Was Wissenschafter also tun,
09:18
is they have a hypothesisHypothese that they think mightMacht be likelywahrscheinlich to startAnfang with.
224
543000
3000
sie haben eine Hypothese, die möglich scheint, und beginnen damit.
09:21
They go out and testTest it againstgegen the evidenceBeweise.
225
546000
2000
Sie beginnen damit und testen sie gegen die Messung.
09:23
The evidenceBeweise makesmacht them changeVeränderung that hypothesisHypothese.
226
548000
2000
Der Befund bringt sie dazu, die Hypothese zu ändern.
09:25
Then they testTest that newneu hypothesisHypothese
227
550000
2000
Dann testen sie diese neue Hypothese,
09:27
and so on and so forthher.
228
552000
2000
und so weiter und so fort.
09:29
And what BayesBayes showedzeigte was a mathematicalmathematisch way that you could do that.
229
554000
3000
Und Bayes zeigte einen mathematischen Weg auf, wie man das tun könnte.
09:32
And that mathematicsMathematik is at the coreAder
230
557000
2000
Und diese Mathematik ist im Mittelpunkt
09:34
of the bestBeste machineMaschine learningLernen programsProgramme that we have now.
231
559000
2000
der besten maschinellen Lernprogramme, die wir heute haben.
09:36
And some 10 yearsJahre agovor,
232
561000
2000
Und vor etwa 10 Jahren
09:38
I suggestedempfohlen that babiesBabys mightMacht be doing the samegleich thing.
233
563000
4000
habe ich behauptet, dass Babys dasselbe tun würden.
09:42
So if you want to know what's going on
234
567000
2000
Wenn Sie also wissen möchten, was
09:44
underneathunterhalb those beautifulschön brownbraun eyesAugen,
235
569000
2000
hinter diesen schönen braunen Augen passiert,
09:46
I think it actuallytatsächlich lookssieht aus something like this.
236
571000
2000
stelle ich mir das in etwa so vor.
09:48
This is ReverendReverend Bayes'sBayes notebookNotebook.
237
573000
2000
Das ist Reverend Bayes Notizbuch.
09:50
So I think those babiesBabys are actuallytatsächlich makingHerstellung complicatedkompliziert calculationsBerechnungen
238
575000
3000
Ich denke, diese Babys machen eigentlich komplizierte Kalkulationen
09:53
with conditionalbedingte probabilitiesWahrscheinlichkeiten that they're revisingÜberarbeitung der
239
578000
3000
mit bedingten Wahrscheinlichkeiten, die sie korrigieren,
09:56
to figureZahl out how the worldWelt worksWerke.
240
581000
2000
um herauszufinden, wie die Welt funktioniert.
09:58
All right, now that mightMacht seemscheinen like an even tallerhöher orderAuftrag to actuallytatsächlich demonstratezeigen.
241
583000
4000
Nun gut, es mag nun noch mehr verlangt sein, das zu beweisen.
10:02
Because after all, if you askFragen even grownupsErwachsene about statisticsStatistiken,
242
587000
2000
Denn schlussendlich, selbst wenn Sie Erwachsene über Statistiken befragen,
10:04
they look extremelyäußerst stupidblöd.
243
589000
2000
stehen diese extrem dumm da.
10:06
How could it be that childrenKinder are doing statisticsStatistiken?
244
591000
3000
Wie also sollen Kinder Statistken erstellen?
10:09
So to testTest this we used a machineMaschine that we have
245
594000
2000
Um das zu testen, benutzten wir eine Maschine, die wir
10:11
callednamens the BlicketBlicket DetectorDetektor.
246
596000
2000
"Blicket Detektor" nannten.
10:13
This is a boxBox that lightsBeleuchtung up and playsTheaterstücke musicMusik-
247
598000
2000
Das ist eine Box die leuchtet und Musik spielt,
10:15
when you put some things on it and not othersAndere.
248
600000
3000
wenn man die richtigen Dinge auf sie stellt.
10:18
And usingmit this very simpleeinfach machineMaschine,
249
603000
2000
Und mit dieser sehr einfachen Maschine
10:20
my labLabor and othersAndere have doneerledigt dozensDutzende of studiesStudien
250
605000
2000
haben mein Labor und andere Dutzende von Studien gemacht
10:22
showingzeigt just how good babiesBabys are
251
607000
2000
die zeigen, wie gut Babys sind,
10:24
at learningLernen about the worldWelt.
252
609000
2000
wenn es darum geht, mehr über die Welt zu lernen.
10:26
Let me mentionerwähnen just one
253
611000
2000
Lassen Sie mich nur eine Studie erwähnen,
10:28
that we did with TumarTumar KushnerKushner, my studentSchüler.
254
613000
2000
die wir mit Tumar Kushner, meinem Studenten, verfassten.
10:30
If I showedzeigte you this detectorDetektor,
255
615000
2000
Würde ich Ihnen diesen Detektor zeigen,
10:32
you would be likelywahrscheinlich to think to beginStart with
256
617000
2000
würden Sie wahrscheinlich annehmen, dass Sie
10:34
that the way to make the detectorDetektor go
257
619000
2000
ihn aktivieren können, indem Sie
10:36
would be to put a blockBlock on topoben of the detectorDetektor.
258
621000
3000
einen Block auf den Detektor stellen.
10:39
But actuallytatsächlich, this detectorDetektor
259
624000
2000
Dieser Detektor aber
10:41
worksWerke in a bitBit of a strangekomisch way.
260
626000
2000
funktioniert auf eine ein bisschen seltsame Weise.
10:43
Because if you waveWelle a blockBlock over the topoben of the detectorDetektor,
261
628000
3000
Wenn Sie nämlich einen Block oberhalb des Detektors
10:46
something you wouldn'twürde nicht ever think of to beginStart with,
262
631000
3000
hin und her bewegen, etwas, worauf Sie zu Beginn gar nie kommen würden,
10:49
the detectorDetektor will actuallytatsächlich activateAktivieren two out of threedrei timesmal.
263
634000
3000
wird sich der Detektor in zwei von drei Fällen automatisch aktivieren.
10:52
WhereasWährend, if you do the likelywahrscheinlich thing, put the blockBlock on the detectorDetektor,
264
637000
3000
Wohingegen sich der Detektor, wenn Sie das Wahrscheinliche tun und den Block auf ihn stellen,
10:55
it will only activateAktivieren two out of sixsechs timesmal.
265
640000
4000
nur in zwei von sechs Fällen aktiviert.
10:59
So the unlikelyunwahrscheinlich hypothesisHypothese
266
644000
2000
Die unwahrscheinliche Hypothese hat
11:01
actuallytatsächlich has strongerstärker evidenceBeweise.
267
646000
2000
also deutlichere Beweiskraft.
11:03
It lookssieht aus as if the wavingwinken
268
648000
2000
Es sieht so aus, als ob das Hin- und Herbewegen
11:05
is a more effectiveWirksam strategyStrategie than the other strategyStrategie.
269
650000
2000
eine effektivere Strategie ist als die andere.
11:07
So we did just this; we gavegab fourvier year-olds-jährigen this patternMuster of evidenceBeweise,
270
652000
3000
Wir taten also folgendes: Wir gaben Vierjährigen dieses Muster in den Indizien
11:10
and we just askedaufgefordert them to make it go.
271
655000
2000
und wir baten sie nur, den Detektor funktionieren zu lassen.
11:12
And sure enoughgenug, the fourvier year-olds-jährigen used the evidenceBeweise
272
657000
3000
Und wirklich, die Vierjährigen benutzten die Hinweise,
11:15
to waveWelle the objectObjekt on topoben of the detectorDetektor.
273
660000
3000
um das Objekt oberhalb des Detektors hin- und her zu bewegen.
11:18
Now there are two things that are really interestinginteressant about this.
274
663000
3000
Nun gibt es zwei Sachen, die wirklich interessant daran sind.
11:21
The first one is, again, remembermerken, these are fourvier year-olds-jährigen.
275
666000
3000
Die erste ist, wieder, denken Sie daran, das sind Vierjährige.
11:24
They're just learningLernen how to countGraf.
276
669000
2000
Sie lernen gerade erst, wie man zählt.
11:26
But unconsciouslyunbewusst,
277
671000
2000
Aber unbewusst
11:28
they're doing these quiteganz complicatedkompliziert calculationsBerechnungen
278
673000
2000
stellen sie diese ziemlich komplizierten Kalkulationen an,
11:30
that will give them a conditionalbedingte probabilityWahrscheinlichkeit measuremessen.
279
675000
3000
die ihnen ein bedingtes Wahrscheinlichkeitsmass geben.
11:33
And the other interestinginteressant thing
280
678000
2000
Und die andere interessante Sache ist,
11:35
is that they're usingmit that evidenceBeweise
281
680000
2000
dass sie diesen Hinweis nutzten,
11:37
to get to an ideaIdee, get to a hypothesisHypothese about the worldWelt,
282
682000
3000
um eine Idee, eine Hypothese über die Welt zu erhalten,
11:40
that seemsscheint very unlikelyunwahrscheinlich to beginStart with.
283
685000
3000
mit der man sehr wahrscheinlich nicht beginnen würde.
11:43
And in studiesStudien we'vewir haben just been doing in my labLabor, similarähnlich studiesStudien,
284
688000
3000
Und in Studien, die wir soeben in meinem Labor gemacht haben, ähnlichen Studien,
11:46
we'vewir haben showShow that fourvier year-olds-jährigen are actuallytatsächlich better
285
691000
2000
haben wir aufgezeigt, dass Vierjährige tatsächlich besser darin sind,
11:48
at findingErgebnis out an unlikelyunwahrscheinlich hypothesisHypothese
286
693000
3000
unwahrscheinliche Hypothesen ausfindig zu machen
11:51
than adultsErwachsene are when we give them exactlygenau the samegleich taskAufgabe.
287
696000
3000
als Erwachsene, wenn wir ihnen die genau gleiche Aufgabe stellen.
11:54
So in these circumstancesUmstände,
288
699000
2000
Unter diesen Umständen also
11:56
the childrenKinder are usingmit statisticsStatistiken to find out about the worldWelt,
289
701000
3000
benutzen die Kinder Statistiken um herauszufinden, wie die Welt funktioniert,
11:59
but after all, scientistsWissenschaftler alsoebenfalls do experimentsExperimente,
290
704000
3000
aber schliesslich machen Wissenschafter auch Experimente,
12:02
and we wanted to see if childrenKinder are doing experimentsExperimente.
291
707000
3000
und wir wollten sehen, ob auch Kinder Experimente machen.
12:05
When childrenKinder do experimentsExperimente we call it "gettingbekommen into everything"
292
710000
3000
Wenn Kinder experimentieren, nennen wir das "in alles hinein geraten"
12:08
or elsesonst "playingspielen."
293
713000
2000
beziehungsweise "spielen".
12:10
And there's been a bunchBündel of interestinginteressant studiesStudien recentlyvor kurzem
294
715000
3000
Und kürzlich gab es einen Haufen interessante Studien
12:13
that have showngezeigt this playingspielen around
295
718000
3000
die aufzeigten, dass dieses Herumspielen
12:16
is really a kindArt of experimentalExperimental- researchForschung programProgramm.
296
721000
2000
wirklich eine Art experimentielles Forschungsprogramm ist.
12:18
Here'sHier ist one from CristineCristine Legare'sDie Legare labLabor.
297
723000
3000
Hier ist eine vom Labor von Cristine Legare.
12:21
What CristineCristine did was use our BlicketBlicket DetectorsDetektoren.
298
726000
3000
Cristine hat unseren "Blicket Detektor" benutzt.
12:24
And what she did was showShow childrenKinder
299
729000
2000
Und sie hat damit Kindern gezeigt,
12:26
that yellowGelb onesEinsen madegemacht it go and redrot onesEinsen didn't,
300
731000
2000
dass die gelben ihn zum Funktionieren brachten und die roten nicht,
12:28
and then she showedzeigte them an anomalyAnomalie.
301
733000
3000
und hat ihnen dann eine Anomalie gezeigt.
12:31
And what you'lldu wirst see
302
736000
2000
Und sie werden sehen,
12:33
is that this little boyJunge will go throughdurch fivefünf hypothesesHypothesen
303
738000
3000
dass der kleine Junge durch fünf Hypothesen gehen wird,
12:36
in the spacePlatz of two minutesProtokoll.
304
741000
3000
in der Zeit von zwei Minuten.
12:39
(VideoVideo) BoyJunge: How about this?
305
744000
3000
(Video) Junge: Wie wär's damit?
12:43
SameGleichen as the other sideSeite.
306
748000
3000
Gleich wie die andere Seite.
12:46
AlisonAlison GopnikGopnik: Okay, so his first hypothesisHypothese has just been falsifiedverfälscht.
307
751000
4000
Alison Gopnik: Okay, seine erste Hypothese wurde soeben verworfen.
12:55
(LaughterLachen)
308
760000
2000
(Gelächter)
12:57
BoyJunge: This one lightedbeleuchtet up, and this one nothing.
309
762000
3000
Junge: Das hier hat aufgeleuchtet, das hier nicht.
13:00
AGAG: Okay, he's got his experimentalExperimental- notebookNotebook out.
310
765000
3000
AG: Okay, er hat sein experimentielles Notizbuch hervorgeholt.
13:06
BoyJunge: What's makingHerstellung this lightLicht up.
311
771000
4000
Boy: Was bringt das hier zum aufleuchten.
13:11
(LaughterLachen)
312
776000
9000
(Gelächter)
13:20
I don't know.
313
785000
2000
Ich weiss es nicht.
13:22
AGAG: EveryJedes scientistWissenschaftler will recognizeerkenne that expressionAusdruck of despairVerzweiflung.
314
787000
4000
AG: Jeder Wissenschafter wird diesen Ausdruck der Verzweiflung kennen.
13:26
(LaughterLachen)
315
791000
3000
(Gelächter)
13:29
BoyJunge: Oh, it's because this needsBedürfnisse to be like this,
316
794000
6000
Junge: Oh, es ist, weil das so sein muss,
13:35
and this needsBedürfnisse to be like this.
317
800000
2000
und das muss so sein.
13:37
AGAG: Okay, hypothesisHypothese two.
318
802000
3000
AG: Okay, zweite Hypothese.
13:40
BoyJunge: That's why.
319
805000
2000
Boy: Darum.
13:42
Oh.
320
807000
2000
Oh.
13:44
(LaughterLachen)
321
809000
5000
(Gelächter)
13:49
AGAG: Now this is his nextNächster ideaIdee.
322
814000
2000
AG: Das ist nun seine nächste Idee.
13:51
He told the experimenterExperimentator to do this,
323
816000
2000
Er bat die Experimentatorin, das zu tun,
13:53
to try puttingPutten it out ontoauf zu the other locationLage.
324
818000
4000
zu versuchen, es auf die andere Seite zu stellen.
13:57
Not workingArbeiten eitherentweder.
325
822000
2000
Funktioniert auch nicht.
14:02
BoyJunge: Oh, because the lightLicht goesgeht only to here,
326
827000
4000
Boy: Oh, das Licht leuchtet nur da auf,
14:06
not here.
327
831000
3000
nicht hier.
14:09
Oh, the bottomBoden of this boxBox
328
834000
3000
Oh, der Boden dieser Schachtel
14:12
has electricityElektrizität in here,
329
837000
2000
hat Elektrizät drin,
14:14
but this doesn't have electricityElektrizität.
330
839000
2000
und dieser hier hat keine Elektrizität.
14:16
AGAG: Okay, that's a fourthvierte hypothesisHypothese.
331
841000
2000
AG: Okay, das ist eine vierte Hypothese.
14:18
BoyJunge: It's lightingBeleuchtung up.
332
843000
2000
Junge: Es leuchtet auf.
14:20
So when you put fourvier.
333
845000
5000
Wenn man also vier darauf stellt.
14:26
So you put fourvier on this one to make it lightLicht up
334
851000
3000
Man stellt also vier darauf, um ihn aufleuchten zu lassen
14:29
and two on this one to make it lightLicht up.
335
854000
2000
und zwei auf diesen, um ihn aufleuchten zu lassen.
14:31
AGAG: Okay,there's his fifthfünfte hypothesisHypothese.
336
856000
2000
AG: Okay, da ist seine fünfte Hypothese.
14:33
Now that is a particularlyinsbesondere --
337
858000
3000
Nun das ist speziell –
14:36
that is a particularlyinsbesondere adorableliebenswert and articulatezu artikulieren little boyJunge,
338
861000
3000
das ist ein besonders liebenswerter und redegewandter kleiner Junge,
14:39
but what CristineCristine discoveredentdeckt is this is actuallytatsächlich quiteganz typicaltypisch.
339
864000
3000
aber was Cristine entdeckte, ist eigentlich ziemlich typisch.
14:42
If you look at the way childrenKinder playspielen, when you askFragen them to explainerklären something,
340
867000
3000
Wenn Sie sich anschauen, wie Kinder spielen, wenn Sie sie bitten, Ihnen etwas zu erklären,
14:45
what they really do is do a seriesSerie of experimentsExperimente.
341
870000
3000
dann machen sie eigentlich eine Serie von Experimenten.
14:48
This is actuallytatsächlich prettyziemlich typicaltypisch of fourvier year-olds-jährigen.
342
873000
3000
Das ist sogar ziemlich typisch für Vierjährige.
14:51
Well, what's it like to be this kindArt of creatureKreatur?
343
876000
3000
Nun, wie ist es, ein solches Geschöpf zu sein?
14:54
What's it like to be one of these brilliantGenial butterfliesSchmetterlinge
344
879000
3000
Wie ist es, einer dieser grossartigen Schmetterlinge zu sein,
14:57
who can testTest fivefünf hypothesesHypothesen in two minutesProtokoll?
345
882000
3000
der fünf Hypothesen in zwei Minuten testen kann?
15:00
Well, if you go back to those psychologistsPsychologen and philosophersPhilosophen,
346
885000
3000
Gehen wir doch zurück zu diesen Psychologen und Philosophen,
15:03
a lot of them have said
347
888000
2000
viele von ihnen haben gesagt,
15:05
that babiesBabys and youngjung childrenKinder were barelykaum consciousbewusst
348
890000
2000
dass sich Babies und kleine Kinder kaum bewusst seien,
15:07
if they were consciousbewusst at all.
349
892000
2000
wenn sie sich überhaupt bewusst seien.
15:09
And I think just the oppositeGegenteil is truewahr.
350
894000
2000
Und ich glaube, genau das Gegenteil trifft zu.
15:11
I think babiesBabys and childrenKinder are actuallytatsächlich more consciousbewusst than we are as adultsErwachsene.
351
896000
3000
Ich glaube dass sich Babies und Kinder mehr bewusst sind als wir Erwachsene.
15:14
Now here'shier ist what we know about how adultErwachsene consciousnessBewusstsein worksWerke.
352
899000
3000
Nun hier ist, was wir über das Bewusstsein von Erwachsenen wissen.
15:17
And adults'Erwachsene attentionAufmerksamkeit and consciousnessBewusstsein
353
902000
2000
Und die Aufmerksamkeit und das Bewusstein von Erwachsenen
15:19
look kindArt of like a spotlightSpotlight.
354
904000
2000
sieht irgendwie aus wie ein Scheinwerfer.
15:21
So what happensdas passiert for adultsErwachsene
355
906000
2000
Bei uns Erwachsenen ist es also so,
15:23
is we decideentscheiden that something'smanche Dinge relevantrelevant or importantwichtig,
356
908000
2000
dass wir entscheiden, ob etwas relevant oder wichtig ist,
15:25
we should payZahlen attentionAufmerksamkeit to it.
357
910000
2000
ob wir der Sache Aufmerksamkeit schenken sollen.
15:27
Our consciousnessBewusstsein of that thing that we're attendinganwesend to
358
912000
2000
Unser Bewusstsein über diese Sache
15:29
becomeswird extremelyäußerst brighthell and vividlebendige,
359
914000
3000
wird extrem hell und lebhaft,
15:32
and everything elsesonst sortSortieren of goesgeht darkdunkel.
360
917000
2000
und alles andere wird wie dunkel.
15:34
And we even know something about the way the brainGehirn does this.
361
919000
3000
Und wir wissen sogar etwas über die Weise, wie unser Gehirn das tut.
15:37
So what happensdas passiert when we payZahlen attentionAufmerksamkeit
362
922000
2000
Was also passiert, während wir etwas Aufmerksamkeit zollen,
15:39
is that the prefrontalpräfrontalen cortexKortex, the sortSortieren of executiveausführender partTeil of our brainsGehirne,
363
924000
3000
ist, dass der präfrontale Kortex, der eigentlich ausführende Teil unseres Gehirns,
15:42
sendssendet a signalSignal
364
927000
2000
ein Signal sendet,
15:44
that makesmacht a little partTeil of our brainGehirn much more flexibleflexibel,
365
929000
2000
das einen kleinen Teil unseres Gehirns viel flexibler macht,
15:46
more plasticKunststoff, better at learningLernen,
366
931000
2000
formbarer, lernfähiger,
15:48
and shutsschaltet down activityAktivität
367
933000
2000
und es schaltet Aktivitäten
15:50
in all the restsich ausruhen of our brainsGehirne.
368
935000
2000
im Rest unseres Gehirns aus.
15:52
So we have a very focusedfokussiert, purpose-drivenzweckgerichtete kindArt of attentionAufmerksamkeit.
369
937000
4000
Wir haben also eine sehr fokussierte, zweckgetriebene Art von Aufmerksamkeit.
15:56
If we look at babiesBabys and youngjung childrenKinder,
370
941000
2000
Wenn wir uns Babys und kleine Kinder anschauen,
15:58
we see something very differentanders.
371
943000
2000
sehen wir etwas sehr anderes.
16:00
I think babiesBabys and youngjung childrenKinder
372
945000
2000
Ich glaube Babys und kleine Kinder
16:02
seemscheinen to have more of a lanternLaterne of consciousnessBewusstsein
373
947000
2000
scheinen eher eine Laterne des Bewusstseins zu haben,
16:04
than a spotlightSpotlight of consciousnessBewusstsein.
374
949000
2000
als ein Scheinwerfer des Bewusstseins.
16:06
So babiesBabys and youngjung childrenKinder are very badschlecht
375
951000
3000
Babys und kleine Kinder sind also schlecht darin,
16:09
at narrowingVerengung down to just one thing.
376
954000
3000
sich auf eine engere Wahl zu konzentrieren.
16:12
But they're very good at takingunter in lots of informationInformation
377
957000
3000
Aber sie sind sehr gut darin, viele Informationen von vielen
16:15
from lots of differentanders sourcesQuellen at onceEinmal.
378
960000
2000
verschiedenen Quellen gleichzeitig aufzunehmen.
16:17
And if you actuallytatsächlich look in theirihr brainsGehirne,
379
962000
2000
Und wenn Sie tatsächlich in ihre Gehirne schauen,
16:19
you see that they're floodedüberschwemmt with these neurotransmittersNeurotransmitter
380
964000
3000
sehen Sie, dass sie mit diesen Neurotransmittern überflutet sind,
16:22
that are really good at inducingInduktion learningLernen and plasticityPlastizität,
381
967000
2000
die sehr gut darin sind, Lernen und Plastizität hervorzubringen,
16:24
and the inhibitoryhemmende partsTeile haven'thabe nicht come on yetnoch.
382
969000
3000
und die hemmenden Teile sind noch nicht ins Spiel gekommen.
16:27
So when we say that babiesBabys and youngjung childrenKinder
383
972000
2000
Wenn wir also sagen, dass Babys und kleine Kinder
16:29
are badschlecht at payingzahlend attentionAufmerksamkeit,
384
974000
2000
schlecht aufmerksam sein können,
16:31
what we really mean is that they're badschlecht at not payingzahlend attentionAufmerksamkeit.
385
976000
4000
dann meinen wir eigentlich, dass sie schlecht darin sind, nicht aufmerksam zu sein.
16:35
So they're badschlecht at gettingbekommen ridloswerden
386
980000
2000
Sie sind also schlecht darin,
16:37
of all the interestinginteressant things that could tell them something
387
982000
2000
sich von all den interessanten Dingen zu lösen, die ihnen etwas erzählen könnten,
16:39
and just looking at the thing that's importantwichtig.
388
984000
2000
und sich nur auf das wichtige fokussieren.
16:41
That's the kindArt of attentionAufmerksamkeit, the kindArt of consciousnessBewusstsein,
389
986000
3000
Und das ist die Art von Aufmerksamkeit, die Art von Bewusstsein,
16:44
that we mightMacht expecterwarten von
390
989000
2000
die wir erwarten mögen
16:46
from those butterfliesSchmetterlinge who are designedentworfen to learnlernen.
391
991000
2000
von diesen Schmetterlingen, die entworfen wurden um zu lernen.
16:48
Well if we want to think about a way
392
993000
2000
Nun, wenn wir über einen Weg nachdenken wollen,
16:50
of gettingbekommen a tasteGeschmack of that kindArt of babyBaby consciousnessBewusstsein as adultsErwachsene,
393
995000
4000
um sich als Erwachsener ein Bild des Bewusstsein eines Babys zu machen,
16:54
I think the bestBeste thing is think about casesFälle
394
999000
2000
denke ich, dass wir am besten über Fälle nachzudenken,
16:56
where we're put in a newneu situationLage that we'vewir haben never been in before --
395
1001000
3000
in denen wir in eine neue Situation gebracht wurden, in der wir noch nie zuvor waren –
16:59
when we fallfallen in love with someonejemand newneu,
396
1004000
2000
wenn wir uns in jemanden Neuen verlieben,
17:01
or when we're in a newneu cityStadt for the first time.
397
1006000
3000
oder wenn wir zum ersten Mal in einer uns unbekannten Stadt sind.
17:04
And what happensdas passiert then is not that our consciousnessBewusstsein contractsVerträge,
398
1009000
2000
Und dann kontrahiert nicht unser Bewusstsein, sondern
17:06
it expandserweitert,
399
1011000
2000
es expandiert,
17:08
so that those threedrei daysTage in ParisParis
400
1013000
2000
so dass diese drei Tage in Paris
17:10
seemscheinen to be more fullvoll of consciousnessBewusstsein and experienceErfahrung
401
1015000
2000
intensiver an Bewusstsein und Erfahrungen zu sein scheinen
17:12
than all the monthsMonate of beingSein
402
1017000
2000
als all die Monate, in denen wir
17:14
a walkingGehen, talkingim Gespräch, facultyFakultät meeting-attendingMeeting-Besucher zombieZombie back home.
403
1019000
4000
zuhause ein wandelnder, sprechender, an Lehrerkonferenzen teilnehmender Zombie waren.
17:18
And by the way, that coffeeKaffee,
404
1023000
2000
Und übrigens, dieser Kaffee,
17:20
that wonderfulwunderbar coffeeKaffee you've been drinkingTrinken downstairsunten,
405
1025000
2000
dieser wunderbare Kaffee, den Sie unten getrunken haben,
17:22
actuallytatsächlich mimicsahmt nach the effectbewirken
406
1027000
2000
ahmt den Effekt dieser
17:24
of those babyBaby neurotransmittersNeurotransmitter.
407
1029000
2000
Baby-Neurotransmitter nach.
17:26
So what's it like to be a babyBaby?
408
1031000
2000
Wie ist es also, ein Baby zu sein?
17:28
It's like beingSein in love
409
1033000
2000
Es ist, wie wenn man verliebt
17:30
in ParisParis for the first time
410
1035000
2000
und zum ersten Mal in Paris ist,
17:32
after you've had threedrei double-espressosDoppel-Espresso.
411
1037000
2000
und drei doppelte Espressi getrunken hat.
17:34
(LaughterLachen)
412
1039000
3000
(Gelächter)
17:37
That's a fantasticfantastisch way to be,
413
1042000
2000
So zu leben ist fantastisch,
17:39
but it does tendneigen to leaveverlassen you wakingaufwachen up cryingWeinen at threedrei o'clockUhr in the morningMorgen.
414
1044000
4000
tendiert aber dazu, dass Sie morgens um drei Uhr weinend aufwachen.
17:43
(LaughterLachen)
415
1048000
3000
(Gelächter)
17:46
Now it's good to be a grownupErwachsener.
416
1051000
2000
Eben, es ist gut, ein Erwachsener zu sein.
17:48
I don't want to say too much about how wonderfulwunderbar babiesBabys are.
417
1053000
2000
Ich möchte nicht zuviel darüber sagen, wie wunderbar Babys sind.
17:50
It's good to be a grownupErwachsener.
418
1055000
2000
Es ist gut, ein Erwachsener zu sein.
17:52
We can do things like tieKrawatte our shoelacesSchnürsenkel and crossKreuz the streetStraße by ourselvesuns selbst.
419
1057000
3000
Wir können Dinge wie unsere Schnürsenkel knüpfen und die Strasse alleine überqueren.
17:55
And it makesmacht senseSinn that we put a lot of effortAnstrengung
420
1060000
2000
Und es macht Sinn, dass wir uns sehr bemühen
17:57
into makingHerstellung babiesBabys think like adultsErwachsene do.
421
1062000
4000
Babys dazu zu bringen, wie Erwachsene zu denken.
18:01
But if what we want is to be like those butterfliesSchmetterlinge,
422
1066000
3000
Aber wenn wir wie diese Schmetterlinge sein möchten,
18:04
to have open-mindednessAufgeschlossenheit, openöffnen learningLernen,
423
1069000
3000
aufgeschlossen und offen dem Lernen gegenüber,
18:07
imaginationPhantasie, creativityKreativität, innovationInnovation,
424
1072000
2000
Vorstellung, Kreativität, Innovation
18:09
maybe at leastam wenigsten some of the time
425
1074000
2000
vielleicht wenigstens manchmal,
18:11
we should be gettingbekommen the adultsErwachsene
426
1076000
2000
sollten wir die Erwachsenen dazu bringen,
18:13
to startAnfang thinkingDenken more like childrenKinder.
427
1078000
2000
mehr wie Kinder zu denken.
18:15
(ApplauseApplaus)
428
1080000
8000
(Applaus)
Translated by Brigitte Federi
Reviewed by Karin Friedli

▲Back to top

ABOUT THE SPEAKER
Alison Gopnik - Child development psychologist
Alison Gopnik takes us into the fascinating minds of babies and children, and shows us how much we understand before we even realize we do.

Why you should listen

What’s it really like to see through the eyes of a child? Are babies and young children just empty, irrational vessels to be formed into little adults, until they become the perfect images of ourselves? On the contrary, argues Alison Gopnik, professor of psychology and philosophy at the University of California at Berkeley.

The author of The Philosophical BabyThe Scientist in the Crib and other influential books on cognitive development, Gopnik presents evidence that babies and children are conscious of far more than we give them credit for, as they engage every sense and spend every waking moment discovering, filing away, analyzing and acting on information about how the world works. Gopnik’s work draws on psychological, neuroscientific, and philosophical developments in child development research to understand how the human mind learns, how and why we love, our ability to innovate, as well as giving us a deeper appreciation for the role of parenthood.

She says: "What's it like to be a baby? Being in love in Paris for the first time after you've had 3 double espressos."

More profile about the speaker
Alison Gopnik | Speaker | TED.com