TED2015
Laura Schulz: The surprisingly logical minds of babies
Laura Schulz: Der überraschend logische Verstand von Babys
Filmed:
Readability: 3.8
1,888,975 views
Wie können Babys so viel, so schnell, aus so wenigen Informationen lernen? In einem unterhaltsamen, mit experimentellen Beispielen gefüllten Vortrag zeigt die Kognitionswissenschaftlerin Laura Schulz wie unsere Jüngsten Entscheidungen treffen und dabei überraschend viel Logik anwenden, lange bevor sie sprechen können.
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 hat das,
00:14
one of the fundamental problems
of cognitive science
of cognitive science
1
2990
3120
was ich als grundsätzliches Problem
der Kognitionswissenschaft sehe,
der Kognitionswissenschaft sehe,
00:18
with a single witticism.
2
6110
1710
in einem einzigen Satz zusammengefasst.
00:20
He said, "There's something
fascinating about science.
fascinating about science.
3
8410
3082
Er sagte: "Wissenschaft hat
etwas Faszinierendes an sich.
etwas Faszinierendes an sich.
00:23
One gets such wholesale
returns of conjecture
returns of conjecture
4
11492
3228
So eine geringe Investition in Fakten
00:26
out of such a trifling
investment in fact."
investment in fact."
5
14720
3204
liefert einen so reichen Ertrag
an Voraussagen."
an Voraussagen."
00:29
(Laughter)
6
17924
1585
(Gelächter)
00:32
Twain meant it as a joke,
of course, but he's right:
of course, but he's right:
7
20199
2604
Twain meinte das als Scherz,
aber er hat Recht.
aber er hat Recht.
00:34
There's something
fascinating about science.
fascinating about science.
8
22803
2876
Wissenschaft hat etwas
Faszinierendes an sich.
Faszinierendes an sich.
00:37
From a few bones, we infer
the existence of dinosuars.
the existence of dinosuars.
9
25679
4261
Von ein paar Knochen schließen wir
auf die Existenz von Dinosauriern,
auf die Existenz von Dinosauriern,
00:42
From spectral lines,
the composition of nebulae.
the composition of nebulae.
10
30910
3871
von Spektrallinien auf
die Komposition von Nebelflecken.
die Komposition von Nebelflecken.
00:47
From fruit flies,
11
35471
2938
Von Fruchtfliegen schließen wir
auf die Mechanismen der Erblehre
auf die Mechanismen der Erblehre
00:50
the mechanisms of heredity,
12
38409
2943
00:53
and from reconstructed images
of blood flowing through the brain,
of blood flowing through the brain,
13
41352
4249
und von rekonstruierten Bildern
auf den Blutfluss im Gehirn,
auf den Blutfluss im Gehirn,
00:57
or in my case, from the behavior
of very young children,
of very young children,
14
45601
4708
oder wie ich, vom
Verhalten kleiner Kinder
Verhalten kleiner Kinder
01:02
we try to say something about
the fundamental mechanisms
the fundamental mechanisms
15
50309
2829
auf grundsätzliche Vorgänge
der menschlichen Wahrnehmung.
der menschlichen Wahrnehmung.
01:05
of human cognition.
16
53138
1618
01:07
In particular, in my lab in the Department
of Brain and Cognitive Sciences at MIT,
of Brain and Cognitive Sciences at MIT,
17
55716
4759
Im Labor am Fachbereich für Neuro-
und Kognitionswissenschaften am MIT
und Kognitionswissenschaften am MIT
01:12
I have spent the past decade
trying to understand the mystery
trying to understand the mystery
18
60475
3654
habe ich die letzten 10 Jahre versucht,
das Geheimnis zu verstehen,
das Geheimnis zu verstehen,
01:16
of how children learn so much
from so little so quickly.
from so little so quickly.
19
64129
3977
wie Kinder aus so wenig Informationen
so viel und so schnell lernen können.
so viel und so schnell lernen können.
01:20
Because, it turns out that
the fascinating thing about science
the fascinating thing about science
20
68666
2978
Denn das Faszinierende an der Wissenschaft
ist auch das Faszinierende an Kindern,
ist auch das Faszinierende an Kindern,
01:23
is also a fascinating
thing about children,
thing about children,
21
71644
3529
01:27
which, to put a gentler
spin on Mark Twain,
spin on Mark Twain,
22
75173
2581
nämlich, um Mark Twain zu paraphrasieren:
01:29
is precisely their ability
to draw rich, abstract inferences
to draw rich, abstract inferences
23
77754
4650
ihre Fähigkeit, aus spärlichen
und undeutlichen Daten
und undeutlichen Daten
01:34
rapidly and accurately
from sparse, noisy data.
from sparse, noisy data.
24
82404
4661
schnell und genau
abstrakte Schlüsse zu ziehen.
abstrakte Schlüsse zu ziehen.
01:40
I'm going to give you
just two examples today.
just two examples today.
25
88355
2398
Ich werde Ihnen heute nur
zwei Beispiele vorstellen.
zwei Beispiele vorstellen.
01:42
One is about a problem of generalization,
26
90753
2287
Das eine ist ein Problem
der Verallgemeinerung,
der Verallgemeinerung,
01:45
and the other is about a problem
of causal reasoning.
of causal reasoning.
27
93040
2850
und das andere ist ein Problem
kausaler Begründungen.
kausaler Begründungen.
01:47
And although I'm going to talk
about work in my lab,
about work in my lab,
28
95890
2525
Obwohl ich über meine
Laborarbeit sprechen werde,
Laborarbeit sprechen werde,
01:50
this work is inspired by
and indebted to a field.
and indebted to a field.
29
98415
3460
ist diese Arbeit von einem ganzen Gebiet
inspiriert und diesem verpflichtet.
inspiriert und diesem verpflichtet.
01:53
I'm grateful to mentors, colleagues,
and collaborators around the world.
and collaborators around the world.
30
101875
4283
Ich bin meinen Mentoren, Kollegen und
Mitarbeitern auf der ganzen Welt dankbar.
Mitarbeitern auf der ganzen Welt dankbar.
01:59
Let me start with the problem
of generalization.
of generalization.
31
107308
2974
Fangen wir mit dem Problem
der Verallgemeinerung an.
der Verallgemeinerung an.
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
In der Wissenschaft ist es üblich,
Stichproben zu verallgemeinern.
Stichproben zu verallgemeinern.
02:06
We poll a tiny fraction of the electorate
33
114785
2554
Wir befragen einen kleinen Teil
der Wählerschaft
der Wählerschaft
02:09
and we predict the outcome
of national elections.
of national elections.
34
117339
2321
und sagen das Ergebnis
nationaler Wahlen voraus.
nationaler Wahlen voraus.
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
Wir sehen, wie wenige Patienten auf eine
Behandlung in einer Studie reagieren
Behandlung in einer Studie reagieren
02:16
and we bring drugs to a national market.
36
124165
3065
und bringen Medikamente auf den Markt.
02:19
But this only works if our sample
is randomly drawn from the population.
is randomly drawn from the population.
37
127230
4365
Aber das funktioniert nur,
wenn Stichproben willkürlich aus
der Grundgesamtheit gezogen wurden.
der Grundgesamtheit gezogen wurden.
02:23
If our sample is cherry-picked
in some way --
in some way --
38
131595
2735
Wenn Stichproben auf eine Art
absichtlich ausgewählt wurden,
absichtlich ausgewählt wurden,
02:26
say, we poll only urban voters,
39
134330
2072
indem z. B. nur städtische Wähler
02:28
or say, in our clinical trials
for treatments for heart disease,
for treatments for heart disease,
40
136402
4388
oder in klinischen Versuchen für
die Behandlung von Herzkrankheiten
die Behandlung von Herzkrankheiten
02:32
we include only men --
41
140790
1881
nur Männer untersucht wurden,
02:34
the results may not generalize
to the broader population.
to the broader population.
42
142671
3158
kann man die Ergebnisse
nicht verallgemeinern.
nicht verallgemeinern.
02:38
So scientists care whether evidence
is randomly sampled or not,
is randomly sampled or not,
43
146479
3581
Wissenschaftler prüfen also genau,
ob Stichproben zufällig gewählt wurden.
ob Stichproben zufällig gewählt wurden.
02:42
but what does that have to do with babies?
44
150060
2015
Aber was hat das mit Babys zu tun?
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
Babys müssen die ganze Zeit
aus kleinen Stichproben verallgemeinern.
aus kleinen Stichproben verallgemeinern.
02:49
They see a few rubber ducks
and learn that they float,
and learn that they float,
46
157206
3158
Sie sehen ein paar Gummienten
und lernen, dass sie schwimmen,
und lernen, dass sie schwimmen,
02:52
or a few balls and learn that they bounce.
47
160364
3575
oder ein paar Bälle und lernen,
dass sie hüpfen.
dass sie hüpfen.
02:55
And they develop expectations
about ducks and balls
about ducks and balls
48
163939
2951
Dann entwickeln sie Erwartungen
über Enten und Bälle,
über Enten und Bälle,
02:58
that they're going to extend
to rubber ducks and balls
to rubber ducks and balls
49
166890
2716
die sie für den Rest ihres Lebens
auf Gummienten und -bälle ausweiten.
auf Gummienten und -bälle ausweiten.
03:01
for the rest of their lives.
50
169606
1879
03:03
And the kinds of generalizations
babies have to make about ducks and balls
babies have to make about ducks and balls
51
171485
3739
Diese Verallgemeinerungen,
die Babys bei Enten und Bällen anwenden,
die Babys bei Enten und Bällen anwenden,
03:07
they have to make about almost everything:
52
175224
2089
müssen sie bei fast allem anwenden:
03:09
shoes and ships and sealing wax
and cabbages and kings.
and cabbages and kings.
53
177313
3917
bei Schuhen, Schiffen,
Siegellack, Käfigen und Königen.
Siegellack, Käfigen und Königen.
03:14
So do babies care whether
the tiny bit of evidence they see
the tiny bit of evidence they see
54
182200
2961
Kümmern sich Babys, ob der
kleine Beweis, den sie sehen,
kleine Beweis, den sie sehen,
03:17
is plausibly representative
of a larger population?
of a larger population?
55
185161
3692
ein plausibler Repräsentant
einer größeren Population ist?
einer größeren Population ist?
03:21
Let's find out.
56
189763
1900
Finden wir es heraus.
03:23
I'm going to show you two movies,
57
191663
1723
Ich werde Ihnen zwei Videos zeigen,
eins für jede Bedingung eines Experiments,
eins für jede Bedingung eines Experiments,
03:25
one from each of two conditions
of an experiment,
of an experiment,
58
193386
2462
03:27
and because you're going to see
just two movies,
just two movies,
59
195848
2438
und weil Sie nur zwei Videos sehen werden,
sehen Sie auch nur zwei Babys,
sehen Sie auch nur zwei Babys,
03:30
you're going to see just two babies,
60
198286
2136
03:32
and any two babies differ from each other
in innumerable ways.
in innumerable ways.
61
200422
3947
und zwei Babys unterscheiden
sich in unzähligen Dingen.
sich in unzähligen Dingen.
03:36
But these babies, of course,
here stand in for groups of babies,
here stand in for groups of babies,
62
204369
3051
Aber diese Babys hier sollen
für Gruppen von Babys stehen,
für Gruppen von Babys stehen,
03:39
and the differences you're going to see
63
207420
1895
und die Unterschiede,
die Sie sehen werden,
die Sie sehen werden,
03:41
represent average group differences
in babies' behavior across conditions.
in babies' behavior across conditions.
64
209315
5195
stehen für durchschnittliche
Gruppenunterschiede
Gruppenunterschiede
von Babys gegenüber Bedingungen.
03:47
In each movie, you're going to see
a baby doing maybe
a baby doing maybe
65
215160
2583
In jedem Video werden Sie ein Baby sehen,
03:49
just exactly what you might
expect a baby to do,
expect a baby to do,
66
217743
3460
das genau das tut,
was Sie erwarten würden,
was Sie erwarten würden,
03:53
and we can hardly make babies
more magical than they already are.
more magical than they already are.
67
221203
4017
und wir können die Babys kaum
faszinierender machen als sie schon sind.
faszinierender machen als sie schon sind.
03:58
But to my mind the magical thing,
68
226090
2010
Für mich ist das Faszinierende,
04:00
and what I want you to pay attention to,
69
228100
2089
und das worauf Sie achten sollten,
04:02
is the contrast between
these two conditions,
these two conditions,
70
230189
3111
der Unterschied zwischen
den beiden Bedingungen,
den beiden Bedingungen,
04:05
because the only thing
that differs between these two movies
that differs between these two movies
71
233300
3529
denn der einzige Unterschied
zwischen den beiden Videos
zwischen den beiden Videos
04:08
is the statistical evidence
the babies are going to observe.
the babies are going to observe.
72
236829
3466
ist der statistische Beweis,
den die Babys beobachten werden.
den die Babys beobachten werden.
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
Wir werden den Babys eine Box mit
blauen und gelben Bällen zeigen,
blauen und gelben Bällen zeigen,
04:16
and my then-graduate student,
now colleague at Stanford, Hyowon Gweon,
now colleague at Stanford, Hyowon Gweon,
74
244608
4620
und meine damalige Masterstudentin,
jetzt Kollegin in Stanford, Hyowon Gweon,
jetzt Kollegin in Stanford, Hyowon Gweon,
04:21
is going to pull three blue balls
in a row out of this box,
in a row out of this box,
75
249228
3077
wird nacheinander drei blaue Bälle
aus der Box nehmen,
aus der Box nehmen,
04:24
and when she pulls those balls out,
she's going to squeeze them,
she's going to squeeze them,
76
252305
3123
und sie dann drücken
04:27
and the balls are going to squeak.
77
255428
2113
und die Bälle werden quietschen.
04:29
And if you're a baby,
that's like a TED Talk.
that's like a TED Talk.
78
257541
2763
Für die Babys ist das wie ein TED-Vortrag.
04:32
It doesn't get better than that.
79
260304
1904
Etwas Besseres gibt es nicht.
04:34
(Laughter)
80
262208
2561
(Gelächter)
Aber das Entscheidende ist, dass es sehr
einfach ist, nacheinander drei blaue Bälle
einfach ist, nacheinander drei blaue Bälle
04:38
But the important point is it's really
easy to pull three blue balls in a row
easy to pull three blue balls in a row
81
266968
3659
04:42
out of a box of mostly blue balls.
82
270627
2305
aus einer Box mit mehrheitlich
blauen Bällen zu ziehen.
blauen Bällen zu ziehen.
04:44
You could do that with your eyes closed.
83
272932
2060
Sie könnten das mit
geschlossenen Augen machen.
geschlossenen Augen machen.
04:46
It's plausibly a random sample
from this population.
from this population.
84
274992
2996
Das ist also eine willkürliche
Stichprobe einer Grundgesamtheit.
Stichprobe einer Grundgesamtheit.
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
Fassen Sie willkürlich in eine Box
und ziehen Dinge heraus, die quietschen,
und ziehen Dinge heraus, die quietschen,
04:53
then maybe everything in the box squeaks.
86
281720
2839
dann könnte alles quietschen,
was in der Box ist.
was in der Box ist.
04:56
So maybe babies should expect
those yellow balls to squeak as well.
those yellow balls to squeak as well.
87
284559
3650
Also würden Babys vielleicht erwarten,
dass auch die gelben Bälle quietschen.
dass auch die gelben Bälle quietschen.
05:00
Now, those yellow balls
have funny sticks on the end,
have funny sticks on the end,
88
288209
2519
Die gelben Bälle haben
an einem Ende lustige Stiele,
an einem Ende lustige Stiele,
05:02
so babies could do other things
with them if they wanted to.
with them if they wanted to.
89
290728
2857
sodass Babys auch mit ihnen
trommeln oder schlagen könnten.
trommeln oder schlagen könnten.
05:05
They could pound them or whack them.
90
293585
1831
Aber schauen wir mal, was das Baby macht.
05:07
But let's see what the baby does.
91
295416
2586
05:12
(Video) Hyowon Gweon: See this?
(Ball squeaks)
(Ball squeaks)
92
300548
3343
(Video) Hyowon Gweon: Siehst du das?
(Der Ball quietscht)
(Der Ball quietscht)
05:16
Did you see that?
(Ball squeaks)
(Ball squeaks)
93
304531
3045
Hast du das gesehen?
(Der Ball quietscht.)
(Der Ball quietscht.)
05:20
Cool.
94
308036
3066
Cool.
05:24
See this one?
95
312706
1950
Siehst du den hier?
05:26
(Ball squeaks)
96
314656
1881
(Der Ball quietscht.)
05:28
Wow.
97
316537
2653
Wow.
05:33
Laura Schulz: Told you. (Laughs)
98
321854
2113
Laura Schulz: Das meinte ich. (Lacht)
05:35
(Video) HG: See this one?
(Ball squeaks)
(Ball squeaks)
99
323967
4031
(Video) HG: Siehst du das?
(Der Ball quietscht.)
(Der Ball quietscht.)
05:39
Hey Clara, this one's for you.
You can go ahead and play.
You can go ahead and play.
100
327998
4619
Hey Clara, der hier ist für dich.
Damit kannst du spielen.
Damit kannst du spielen.
(Gelächter)
05:51
(Laughter)
101
339854
4365
05:56
LS: I don't even have to talk, right?
102
344219
2995
Laura Schulz: Das ist deutlich, oder?
05:59
All right, it's nice that babies
will generalize properties
will generalize properties
103
347214
2899
Es ist super, dass Babys
Eigenschaften blauer Bälle
Eigenschaften blauer Bälle
06:02
of blue balls to yellow balls,
104
350113
1528
auf gelbe Bälle übertragen,
06:03
and it's impressive that babies
can learn from imitating us,
can learn from imitating us,
105
351641
3096
und beeindruckend, dass sie
davon lernen, uns nachzuahmen.
davon lernen, uns nachzuahmen.
06:06
but we've known those things about babies
for a very long time.
for a very long time.
106
354737
3669
Dies wissen wir aber schon seit langem.
06:10
The really interesting question
107
358406
1811
Die wirklich interessante Frage ist,
06:12
is what happens when we show babies
exactly the same thing,
exactly the same thing,
108
360217
2852
was passiert, wenn wir Babys
genau dasselbe zeigen
genau dasselbe zeigen
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
und es auch genau dasselbe ist,
da wir ein Geheimfach haben,
da wir ein Geheimfach haben,
06:18
and we actually pull the balls from there,
110
366680
2110
aus dem wir die Bälle
tatsächlich herausnehmen.
tatsächlich herausnehmen.
06:20
but this time, all we change
is the apparent population
is the apparent population
111
368790
3478
Dieses Mal ändern wir nur
die Grundgesamtheit,
die Grundgesamtheit,
06:24
from which that evidence was drawn.
112
372268
2902
aus dem der Beweis stammt.
06:27
This time, we're going to show babies
three blue balls
three blue balls
113
375170
3553
Dieses Mal werden wir den Babys
drei blaue Bälle zeigen,
drei blaue Bälle zeigen,
06:30
pulled out of a box
of mostly yellow balls,
of mostly yellow balls,
114
378723
3384
die aus einer Box mit mehrheitlich
gelben Bällen gezogen werden.
gelben Bällen gezogen werden.
06:34
and guess what?
115
382107
1322
Raten Sie mal, was passiert?
06:35
You [probably won't] randomly draw
three blue balls in a row
three blue balls in a row
116
383429
2840
Sie werden höchstwahrscheinlich
keine 3 blauen Bälle hintereinander
keine 3 blauen Bälle hintereinander
06:38
out of a box of mostly yellow balls.
117
386269
2484
aus einer Box mit
überwiegend gelben ziehen.
überwiegend gelben ziehen.
06:40
That is not plausibly
randomly sampled evidence.
randomly sampled evidence.
118
388753
3747
Das wäre also keine zufällige Stichprobe.
06:44
That evidence suggests that maybe Hyowon
was deliberately sampling the blue balls.
was deliberately sampling the blue balls.
119
392500
5123
Diese Stichprobe würde unterstellen, dass
Hyowon absichtlich blaue Bälle zieht.
Hyowon absichtlich blaue Bälle zieht.
06:49
Maybe there's something special
about the blue balls.
about the blue balls.
120
397623
2583
Vielleicht sind die blauen Bälle
ja etwas Besonderes.
ja etwas Besonderes.
06:52
Maybe only the blue balls squeak.
121
400846
2976
Vielleicht quietschen
nur die blauen Bälle.
nur die blauen Bälle.
06:55
Let's see what the baby does.
122
403822
1895
Schauen wir uns an, was das Baby macht.
06:57
(Video) HG: See this?
(Ball squeaks)
(Ball squeaks)
123
405717
2904
(Video) HG: Siehst du das?
(Der Ball quietscht.)
(Der Ball quietscht.)
07:02
See this toy?
(Ball squeaks)
(Ball squeaks)
124
410851
2645
Siehst du das Spielzeug?
(Der Ball quietscht.)
(Der Ball quietscht.)
07:05
Oh, that was cool. See?
(Ball squeaks)
(Ball squeaks)
125
413496
5480
Oh, das war cool. Siehst du?
(Der Ball quietscht.)
(Der Ball quietscht.)
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
Der hier ist für dich zum Spielen.
Damit kannst du spielen.
Damit kannst du spielen.
07:18
(Fussing)
(Laughter)
(Laughter)
127
426074
6347
(Gejammer) (Gelächter)
07:26
LS: So you just saw
two 15-month-old babies
two 15-month-old babies
128
434901
2748
LS: Sie haben gerade zwei
15-Monate alte Babys
15-Monate alte Babys
07:29
do entirely different things
129
437649
1942
völlig unterschiedliche Dinge tun sehen,
07:31
based only on the probability
of the sample they observed.
of the sample they observed.
130
439591
3599
und das nur, weil die Wahrscheinlichkeit
der Stichprobe unterschiedlich war.
der Stichprobe unterschiedlich war.
07:35
Let me show you the experimental results.
131
443190
2321
Hier die Ergebnisse des Experiments.
07:37
On the vertical axis, you'll see
the percentage of babies
the percentage of babies
132
445511
2764
Auf der vertikalen Achse sehen Sie
den Prozentsatz der Babys,
den Prozentsatz der Babys,
07:40
who squeezed the ball in each condition,
133
448275
2530
die den Ball in jedem Fall gedrückt haben,
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
und wie Sie sehen werden,
ist es wahrscheinlicher,
ist es wahrscheinlicher,
dass sie die Stichprobe verallgemeinern,
07:46
when it's plausibly representative
of the population
of the population
135
454520
3135
wenn es ein plausibler Repräsentant
der Grundgesamtheit ist,
der Grundgesamtheit ist,
07:49
than when the evidence
is clearly cherry-picked.
is clearly cherry-picked.
136
457655
3738
als wenn die Stichprobe absichtlich
ausgewählt wurde.
ausgewählt wurde.
07:53
And this leads to a fun prediction:
137
461393
2415
Das führt zu einer lustigen Vorhersage:
07:55
Suppose you pulled just one blue ball
out of the mostly yellow box.
out of the mostly yellow box.
138
463808
4868
Angenommen, Sie ziehen nur einen blauen
Ball aus der mehrheitlich gelben Box.
Ball aus der mehrheitlich gelben Box.
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
Sie würden wahrscheinlich nicht zufällig
hintereinander 3 blaue Bälle ziehen,
hintereinander 3 blaue Bälle ziehen,
08:04
but you could randomly sample
just one blue ball.
just one blue ball.
140
472765
2455
aber Sie könnten zufällig nur einen
blauen Ball herausziehen.
blauen Ball herausziehen.
08:07
That's not an improbable sample.
141
475220
1970
Das wäre keine unmögliche Stichprobe.
08:09
And if you could reach into
a box at random
a box at random
142
477190
2224
Wenn Sie zufällig in eine Box greifen
08:11
and pull out something that squeaks,
maybe everything in the box squeaks.
maybe everything in the box squeaks.
143
479414
3987
und etwas herausziehen, das quietscht,
dann quietscht vielleicht alles darin.
dann quietscht vielleicht alles darin.
08:15
So even though babies are going to see
much less evidence for squeaking,
much less evidence for squeaking,
144
483875
4445
Selbst wenn Babys weniger Beweise
für das Quietschen sehen
für das Quietschen sehen
08:20
and have many fewer actions to imitate
145
488320
2242
und sie weniger Aktionen zur Nachahmung
in dieser Ein-Ball-Bedingung haben,
in dieser Ein-Ball-Bedingung haben,
08:22
in this one ball condition than in
the condition you just saw,
the condition you just saw,
146
490562
3343
als in der Bedingung,
die Sie gerade gesehen haben,
die Sie gerade gesehen haben,
08:25
we predicted that babies themselves
would squeeze more,
would squeeze more,
147
493905
3892
vermuteten wir, dass Babys
mehr Bälle drücken würden
mehr Bälle drücken würden
08:29
and that's exactly what we found.
148
497797
2894
und das ist genau das,
was wir herausfanden.
was wir herausfanden.
08:32
So 15-month-old babies,
in this respect, like scientists,
in this respect, like scientists,
149
500691
4411
Also zählt für 15-Monate alte Babys,
genauso wie für Wissenschaftler,
genauso wie für Wissenschaftler,
08:37
care whether evidence
is randomly sampled or not,
is randomly sampled or not,
150
505102
3088
ob eine Stichprobe zufällig
gezogen wurde oder nicht,
gezogen wurde oder nicht,
08:40
and they use this to develop
expectations about the world:
expectations about the world:
151
508190
3507
und sie nutzen dieses Wissen, um
Vermutungen über die Welt anzustellen:
Vermutungen über die Welt anzustellen:
08:43
what squeaks and what doesn't,
152
511697
2182
was quietscht und was nicht,
08:45
what to explore and what to ignore.
153
513879
3145
was man entdecken und
was man ignorieren kann.
was man ignorieren kann.
08:50
Let me show you another example now,
154
518384
2066
Sehen wir uns ein weiteres Beispiel an,
08:52
this time about a problem
of causal reasoning.
of causal reasoning.
155
520450
2730
dieses Mal ein Problem
des kausalen Denkens.
des kausalen Denkens.
08:55
And it starts with a problem
of confounded evidence
of confounded evidence
156
523180
2439
Es beginnt mit dem Problem
widersprüchlicher Beweise,
widersprüchlicher Beweise,
08:57
that all of us have,
157
525619
1672
das jeder hat,
08:59
which is that we are part of the world.
158
527291
2020
was der Grund dafür ist,
dass wir Teil der Welt sind.
dass wir Teil der Welt sind.
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
Es mag für Sie nicht wie ein Problem
aussehen, aber wie die meisten Probleme
aussehen, aber wie die meisten Probleme
09:04
it's only a problem when things go wrong.
160
532747
2337
ist es nur dann ein Problem,
wenn Dinge schief gehen.
wenn Dinge schief gehen.
09:07
Take this baby, for instance.
161
535464
1811
Nehmen wir z. B. dieses Baby.
09:09
Things are going wrong for him.
162
537275
1705
Für ihn gehen die Dinge schief.
09:10
He would like to make
this toy go, and he can't.
this toy go, and he can't.
163
538980
2271
Er möchte dieses Spielzeug
in Gang setzen und es geht nicht.
in Gang setzen und es geht nicht.
09:13
I'll show you a few-second clip.
164
541251
2529
Ich zeige Ihnen einen kurzes Video.
09:21
And there's two possibilities, broadly:
165
549340
1920
Grob gesagt, gibt es zwei Möglichkeiten:
09:23
Maybe he's doing something wrong,
166
551260
2634
Entweder er macht etwas falsch
09:25
or maybe there's something
wrong with the toy.
wrong with the toy.
167
553894
4216
oder das Spielzeug ist kaputt.
09:30
So in this next experiment,
168
558110
2111
Im nächsten Experiment
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
geben wir den Babys
nur wenige statistische Daten,
nur wenige statistische Daten,
09:35
supporting one hypothesis over the other,
170
563518
2582
um die eine Hypothese gegenüber
der anderen vorzuziehen,
der anderen vorzuziehen,
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
um zu sehen, ob die Babys das nutzen,
um andere Entscheidungen zu treffen.
um andere Entscheidungen zu treffen.
09:41
about what to do.
172
569555
1834
09:43
Here's the setup.
173
571389
2022
Und so läuft es ab:
09:46
Hyowon is going to try to make
the toy go and succeed.
the toy go and succeed.
174
574071
3030
Hyowon wird versuchen,
das Spielzeug in Gang zu setzen
das Spielzeug in Gang zu setzen
und wird Erfolg haben.
09:49
I am then going to try twice
and fail both times,
and fail both times,
175
577101
3320
Ich werde es versuchen und
beide Male keinen Erfolg haben
beide Male keinen Erfolg haben
09:52
and then Hyowon is going
to try again and succeed,
to try again and succeed,
176
580421
3112
und dann wird Hyowon es erneut versuchen
und wieder Erfolg haben.
und wieder Erfolg haben.
09:55
and this roughly sums up my relationship
to my graduate students
to my graduate students
177
583533
3172
Das fasst die Beziehung
zu meinen Masterstudenten
zu meinen Masterstudenten
09:58
in technology across the board.
178
586705
2835
in der Technik allgemein zusammen.
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
Aber das Wichtige hier ist, dass es
einen kleinen Beweis dafür erbringt,
einen kleinen Beweis dafür erbringt,
10:05
that the problem isn't with the toy,
it's with the person.
it's with the person.
180
593322
3668
dass das Problem nicht mit dem Spielzeug,
sondern mit der Person zusammenhängt.
sondern mit der Person zusammenhängt.
10:08
Some people can make this toy go,
181
596990
2350
Einige Leute können das Spielzeug
in Gang setzen, andere eben nicht.
in Gang setzen, andere eben nicht.
10:11
and some can't.
182
599340
959
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
Bekommt das Baby das Spielzeug,
wird es die Wahl haben.
wird es die Wahl haben.
10:16
His mom is right there,
184
604212
2188
Seine Mutter ist in der Nähe,
10:18
so he can go ahead and hand off the toy
and change the person,
and change the person,
185
606400
3315
also könnte er das Spielzeug
an eine andere Person weitergeben,
an eine andere Person weitergeben,
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
aber es wird noch ein anderes
Spielzeug auf dem Tuch geben,
Spielzeug auf dem Tuch geben,
10:24
and he can pull the cloth towards him
and change the toy.
and change the toy.
187
612873
3552
und er kann das Tuch zu sich ziehen
und das Spielzeug tauschen.
und das Spielzeug tauschen.
10:28
So let's see what the baby does.
188
616425
2090
Schauen wir, was das Baby macht.
10:30
(Video) HG: Two, three. Go!
(Music)
(Music)
189
618515
4183
(Video) HG: Zwei, drei. Los!
(Musik)
(Musik)
10:34
LS: One, two, three, go!
190
622698
3131
LS: Eins, zwei, drei, los!
10:37
Arthur, I'm going to try again.
One, two, three, go!
One, two, three, go!
191
625829
7382
Arthur, ich versuche es noch einmal.
Eins, zwei, drei, los!
Eins, zwei, drei, los!
10:45
YG: Arthur, let me try again, okay?
192
633677
2600
YG: Arthur, lass es mich nochmal
versuchen, ja?
versuchen, ja?
10:48
One, two, three, go!
(Music)
(Music)
193
636277
4550
Eins, zwei, drei, los!
(Musik)
(Musik)
10:53
Look at that. Remember these toys?
194
641583
1883
Schau. Erinnerst du dich
an die Spielsachen?
an die Spielsachen?
10:55
See these toys? Yeah, I'm going
to put this one over here,
to put this one over here,
195
643466
3264
Siehst du sie? Ich lege das eine hierüber
10:58
and I'm going to give this one to you.
196
646730
2062
und das andere gebe ich dir.
Damit kannst du spielen.
11:00
You can go ahead and play.
197
648792
2335
11:23
LS: Okay, Laura, but of course,
babies love their mommies.
babies love their mommies.
198
671213
4737
LS: Okay, Laura, aber natürlich
lieben Babys ihre Mütter.
lieben Babys ihre Mütter.
11:27
Of course babies give toys
to their mommies
to their mommies
199
675950
2182
Natürlich geben Babys
ihren Müttern das Spielzeug,
ihren Müttern das Spielzeug,
11:30
when they can't make them work.
200
678132
2030
wenn sie es selbst
nicht in Gang setzen können.
nicht in Gang setzen können.
11:32
So again, the really important question
is what happens when we change
is what happens when we change
201
680162
3593
Also ist die wichtige Frage,
was passieren wird,
was passieren wird,
11:35
the statistical data ever so slightly.
202
683755
3154
wenn wir die statistischen Daten
wieder leicht ändern.
wieder leicht ändern.
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
Jetzt sehen die Babys, dass das Spielzeug
funktioniert und auch versagt,
funktioniert und auch versagt,
11:42
but we're changing
the distribution of evidence.
the distribution of evidence.
204
690996
2415
aber wir ändern die Beweisverteilung.
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
Dieses Mal wird Hyowon einmal Erfolg haben
und einmal versagen, genauso wie ich.
und einmal versagen, genauso wie ich.
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
Das lässt vermuten, dass es egal ist,
wer es versucht, denn es ist kaputt.
wer es versucht, denn es ist kaputt.
11:55
It doesn't work all the time.
207
703459
1886
Es funktioniert nicht jedes Mal.
11:57
Again, the baby's going to have a choice.
208
705345
1965
Wieder wird das Baby die Wahl haben.
11:59
Her mom is right next to her,
so she can change the person,
so she can change the person,
209
707310
3396
Ihre Mutter sitzt neben ihr,
also kann sie die Person wechseln,
also kann sie die Person wechseln,
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
und es wird auch ein weiteres Spielzeug
am Ende des Tuchs geben.
am Ende des Tuchs geben.
12:05
Let's watch what she does.
211
713910
1378
Schauen wir, was sie tut.
12:07
(Video) HG: Two, three, go!
(Music)
(Music)
212
715288
4348
(Video) HG: Zwei, drei, los!
(Musik)
(Musik)
12:11
Let me try one more time.
One, two, three, go!
One, two, three, go!
213
719636
4984
Lass es mich nochmal versuchen.
Eins, zwei drei, los!
Eins, zwei drei, los!
12:17
Hmm.
214
725460
1697
Hmm.
12:19
LS: Let me try, Clara.
215
727950
2692
LS: Lass es mich versuchen, Clara.
Eins, zwei, drei, los!
12:22
One, two, three, go!
216
730642
3945
12:27
Hmm, let me try again.
217
735265
1935
Hmm, lass es mich nochmal versuchen.
12:29
One, two, three, go!
(Music)
(Music)
218
737200
5670
Eins, zwei, drei, los!
(Musik)
(Musik)
12:35
HG: I'm going
to put this one over here,
to put this one over here,
219
743009
2233
HG: Ich lege dieses hier dorthin
12:37
and I'm going to give this one to you.
220
745242
2001
und gebe dir das hier.
12:39
You can go ahead and play.
221
747243
3597
Damit kannst du spielen.
12:58
(Applause)
222
766376
4897
(Gelächter) (Applaus)
13:04
LS: Let me show you
the experimental results.
the experimental results.
223
772993
2392
LS: Hier die Ergebnisse des Experiments.
13:07
On the vertical axis,
you'll see the distribution
you'll see the distribution
224
775385
2475
Auf der vertikalen Achse
sehen Sie die Verteilung der Wahl,
sehen Sie die Verteilung der Wahl,
13:09
of children's choices in each condition,
225
777860
2577
die die Kinder in jeder Bedingung
getroffen haben.
getroffen haben.
13:12
and you'll see that the distribution
of the choices children make
of the choices children make
226
780437
4551
Sie sehen, dass die Verteilung
der Wahl, die die Kinder treffen,
der Wahl, die die Kinder treffen,
13:16
depends on the evidence they observe.
227
784988
2787
vom Beweis abhängt, den die Kinder sehen.
13:19
So in the second year of life,
228
787775
1857
Also können Babys
in ihrem zweiten Lebensjahr
in ihrem zweiten Lebensjahr
13:21
babies can use a tiny bit
of statistical data
of statistical data
229
789632
2577
das bisschen an
statistischen Daten nutzen,
statistischen Daten nutzen,
13:24
to decide between two
fundamentally different strategies
fundamentally different strategies
230
792209
3367
um zwischen zwei völlig verschiedenen
Strategien zu wählen,
Strategien zu wählen,
13:27
for acting in the world:
231
795576
1881
wie man sich in der Welt verhalten kann:
13:29
asking for help and exploring.
232
797457
2743
nach Hilfe fragen und selbst entdecken.
13:33
I've just shown you
two laboratory experiments
two laboratory experiments
233
801700
3434
Ich habe Ihnen gerade zwei
von hunderten Laborexperimenten
von hunderten Laborexperimenten
in diesem Bereich gezeigt,
die Ähnliches aussagen,
die Ähnliches aussagen,
13:37
out of literally hundreds in the field
that make similar points,
that make similar points,
234
805134
3691
13:40
because the really critical point
235
808825
2392
denn der wirklich entscheidende Punkt ist,
13:43
is that children's ability
to make rich inferences from sparse data
to make rich inferences from sparse data
236
811217
5108
dass die Fähigkeit der Kinder,
aus wenigen Daten zahlreiche
Schlussfolgerungen zu ziehen,
Schlussfolgerungen zu ziehen,
13:48
underlies all the species-specific
cultural learning that we do.
cultural learning that we do.
237
816325
5341
zu unserem kulturtypischen Lernen gehört.
13:53
Children learn about new tools
from just a few examples.
from just a few examples.
238
821666
4597
Kinder lernen über neue Werkzeuge
aus wenigen Beispielen.
aus wenigen Beispielen.
13:58
They learn new causal relationships
from just a few examples.
from just a few examples.
239
826263
4717
Sie lernen neue kausale Zusammenhänge
aus wenigen Beispielen.
aus wenigen Beispielen.
14:03
They even learn new words,
in this case in American Sign Language.
in this case in American Sign Language.
240
831928
4871
Sie lernen sogar neue Wörter, in diesem
Fall amerikanische Zeichensprache.
Fall amerikanische Zeichensprache.
14:08
I want to close with just two points.
241
836799
2311
Ich möchte mit 2 Bemerkungen abschließen.
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
Wenn Sie meine Welt, den Bereich
der Neuro- und Kognitionswissenschaft
der Neuro- und Kognitionswissenschaft
14:15
for the past few years,
243
843738
1927
über die letzten Jahre verfolgt hätten,
14:17
three big ideas will have come
to your attention.
to your attention.
244
845665
2415
wären Ihnen drei
besondere Erkenntnisse aufgefallen.
besondere Erkenntnisse aufgefallen.
14:20
The first is that this is
the era of the brain.
the era of the brain.
245
848080
3436
Die erste ist, dass jetzt
die Ära des Gehirns ist.
die Ära des Gehirns ist.
14:23
And indeed, there have been
staggering discoveries in neuroscience:
staggering discoveries in neuroscience:
246
851516
3669
Tatsächlich gab es atemberaubende
Entdeckungen in den Neurowissenschaften:
Entdeckungen in den Neurowissenschaften:
14:27
localizing functionally specialized
regions of cortex,
regions of cortex,
247
855185
3436
die Lokalisierung funktionsspezifischer
Regionen des Kortex,
Regionen des Kortex,
14:30
turning mouse brains transparent,
248
858621
2601
das Transparentmachen eines Mäusegehirns
14:33
activating neurons with light.
249
861222
3776
und die Aktivierung
von Neuronen mit Licht.
von Neuronen mit Licht.
14:36
A second big idea
250
864998
1996
Eine zweite große Erkenntnis ist,
14:38
is that this is the era of big data
and machine learning,
and machine learning,
251
866994
4104
dass jetzt die Ära der "Big Data"
und des maschinellen Lernens ist,
und des maschinellen Lernens ist,
14:43
and machine learning promises
to revolutionize our understanding
to revolutionize our understanding
252
871098
3141
und maschinelles Lernen verspricht unser
Verstehen von allem zu revolutionieren,
Verstehen von allem zu revolutionieren,
14:46
of everything from social networks
to epidemiology.
to epidemiology.
253
874239
4667
seien es soziale Netzwerke
oder Epidemiologie.
oder Epidemiologie.
14:50
And maybe, as it tackles problems
of scene understanding
of scene understanding
254
878906
2693
Vielleicht können wir damit
Probleme wie Szenenverständnis
Probleme wie Szenenverständnis
14:53
and natural language processing,
255
881599
1993
oder natürliche
Sprachverarbeitung angehen,
Sprachverarbeitung angehen,
14:55
to tell us something
about human cognition.
about human cognition.
256
883592
3324
sodass wir etwas über
die menschliche Wahrnehmung lernen.
die menschliche Wahrnehmung lernen.
Die letzte große Erkenntnis, von der Sie
gehört haben könnten, besagt,
gehört haben könnten, besagt,
14:59
And the final big idea you'll have heard
257
887756
1937
15:01
is that maybe it's a good idea we're going
to know so much about brains
to know so much about brains
258
889693
3387
dass es gut ist, dass wir so viel über
das Gehirn herausfinden
das Gehirn herausfinden
15:05
and have so much access to big data,
259
893080
1917
und so viele Daten haben.
15:06
because left to our own devices,
260
894997
2507
Sind wir nämlich uns selbst
überlassen, sind wir fehlbar.
überlassen, sind wir fehlbar.
15:09
humans are fallible, we take shortcuts,
261
897504
3831
Wir nehmen Abkürzungen,
wir irren, wir machen Fehler,
wir irren, wir machen Fehler,
15:13
we err, we make mistakes,
262
901335
3437
15:16
we're biased, and in innumerable ways,
263
904772
3684
wir haben Vorurteile und
verstehen die Welt oft falsch.
verstehen die Welt oft falsch.
15:20
we get the world wrong.
264
908456
2969
15:24
I think these are all important stories,
265
912843
2949
Ich glaube, dass sind alles
wichtige Erkenntnisse,
wichtige Erkenntnisse,
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
und sie sagen uns viel darüber,
was es heißt, Mensch zu sein,
was es heißt, Mensch zu sein,
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
aber ich möchte Sie daran erinnern,
dass ich Ihnen etwas anderes erzählt habe:
dass ich Ihnen etwas anderes erzählt habe:
15:35
It's a story about minds and not brains,
268
923966
3807
die Erkenntnis über
den Verstand und nicht das Gehirn,
den Verstand und nicht das Gehirn,
15:39
and in particular, it's a story
about the kinds of computations
about the kinds of computations
269
927773
3006
und im Besonderen ist es die Erkenntnis
über die Arten von Berechnungen,
15:42
that uniquely human minds can perform,
270
930779
2590
die nur der menschliche Verstand
durchführen kann,
durchführen kann,
15:45
which involve rich, structured knowledge
and the ability to learn
and the ability to learn
271
933369
3944
die strukturiertes Wissen
und die Fähigkeit zu lernen beinhalten,
und die Fähigkeit zu lernen beinhalten,
15:49
from small amounts of data,
the evidence of just a few examples.
the evidence of just a few examples.
272
937313
5268
sei es von wenigen Daten oder Beispielen.
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
Grundsätzlich ist es
die Erkenntnis darüber,
die Erkenntnis darüber,
wie wir als kleine Kinder
damit anfangen und weitermachen,
damit anfangen und weitermachen,
16:00
and continuing out all the way
to the greatest accomplishments
to the greatest accomplishments
274
948600
4180
bis zu den großen Errungenschaften
unserer Kultur,
unserer Kultur,
16:04
of our culture,
275
952780
3843
16:08
we get the world right.
276
956623
1997
bis wir die Welt richtig verstehen.
16:12
Folks, human minds do not only learn
from small amounts of data.
from small amounts of data.
277
960433
5267
Der menschliche Verstand lernt nicht
nur aus kleinen Datenmengen.
nur aus kleinen Datenmengen.
16:18
Human minds think
of altogether new ideas.
of altogether new ideas.
278
966285
2101
Der menschliche Verstand
entwickelt neue Ideen.
entwickelt neue Ideen.
16:20
Human minds generate
research and discovery,
research and discovery,
279
968746
3041
Er erzeugt Forschung und Entdeckungen,
16:23
and human minds generate
art and literature and poetry and theater,
art and literature and poetry and theater,
280
971787
5273
sowie Kunst, Literatur,
Dichtung und Theater.
Dichtung und Theater.
16:29
and human minds take care of other humans:
281
977070
3760
Der menschliche Verstand
kümmert sich um andere Menschen:
kümmert sich um andere Menschen:
16:32
our old, our young, our sick.
282
980830
3427
die alten, jungen oder kranken Menschen.
16:36
We even heal them.
283
984517
2367
Wir heilen sie sogar.
16:39
In the years to come, we're going
to see technological innovations
to see technological innovations
284
987564
3103
In den kommenden Jahren werden wir
technologische Innovationen sehen,
technologische Innovationen sehen,
16:42
beyond anything I can even envision,
285
990667
3797
die weit über das hinaus gehen,
was man sich überhaupt vorstellen kann,
was man sich überhaupt vorstellen kann,
16:46
but we are very unlikely
286
994464
2150
aber es wird sehr unwahrscheinlich sein,
16:48
to see anything even approximating
the computational power of a human child
the computational power of a human child
287
996614
5709
dass wir noch in meinem Leben
oder Ihrem etwas sehen werden,
oder Ihrem etwas sehen werden,
16:54
in my lifetime or in yours.
288
1002323
4298
dass dem Urteilsvermögen eines
menschlichen Kindes nahe kommt.
menschlichen Kindes nahe kommt.
16:58
If we invest in these most powerful
learners and their development,
learners and their development,
289
1006621
5047
Wenn wir in diese mächtigen Lerner
und ihre Entwicklung investieren,
und ihre Entwicklung investieren,
17:03
in babies and children
290
1011668
2917
in Babys, Kinder, Mütter, Väter,
Erzieher und Lehrer,
Erzieher und Lehrer,
17:06
and mothers and fathers
291
1014585
1826
17:08
and caregivers and teachers
292
1016411
2699
17:11
the ways we invest in our other
most powerful and elegant forms
most powerful and elegant forms
293
1019110
4170
genauso wie wir in die mächtigen
und eleganten Formen
und eleganten Formen
17:15
of technology, engineering and design,
294
1023280
3218
der Technologie, Ingenieurskunst
und Design investieren,
und Design investieren,
17:18
we will not just be dreaming
of a better future,
of a better future,
295
1026498
2939
werden wir nicht nur
von einer besseren Zukunft träumen,
von einer besseren Zukunft träumen,
17:21
we will be planning for one.
296
1029437
2127
wir werden sie tatsächlich planen.
17:23
Thank you very much.
297
1031564
2345
Vielen Dank.
(Applaus)
17:25
(Applause)
298
1033909
3421
17:29
Chris Anderson: Laura, thank you.
I do actually have a question for you.
I do actually have a question for you.
299
1037810
4426
Chris Anderson: Laura, danke.
Ich hätte eine Frage.
Ich hätte eine Frage.
17:34
First of all, the research is insane.
300
1042236
2359
Erst einmal: Ihre Forschung ist Wahnsinn.
17:36
I mean, who would design
an experiment like that? (Laughter)
an experiment like that? (Laughter)
301
1044595
3725
Wer würde ein derartiges
Experiment zusammenstellen? (Gelächter)
Experiment zusammenstellen? (Gelächter)
17:41
I've seen that a couple of times,
302
1049150
1790
Ich habe das schon ein paar Mal gesehen
17:42
and I still don't honestly believe
that that can truly be happening,
that that can truly be happening,
303
1050940
3222
und ich kann es immer noch nicht glauben,
dass das wirklich passiert.
dass das wirklich passiert.
17:46
but other people have done
similar experiments; it checks out.
similar experiments; it checks out.
304
1054162
3158
Aber andere Leute haben ähnliche
Experimente erfolgreich durchgeführt.
Experimente erfolgreich durchgeführt.
17:49
The babies really are that genius.
305
1057320
1633
Die Babys sind einfach genial.
17:50
LS: You know, they look really impressive
in our experiments,
in our experiments,
306
1058953
3007
LS: Sie sehen sehr beeindruckend
in unseren Experimenten aus,
in unseren Experimenten aus,
17:53
but think about what they
look like in real life, right?
look like in real life, right?
307
1061960
2652
aber bedenken wir, wie sie
im wirklichen Leben aussehen.
im wirklichen Leben aussehen.
17:56
It starts out as a baby.
308
1064612
1150
Es beginnt als Baby.
17:57
Eighteen months later,
it's talking to you,
it's talking to you,
309
1065762
2007
Achtzehn Monate später spricht es
und seine ersten Worte sind nicht nur
Dinge wie Ball und Ente,
Dinge wie Ball und Ente,
17:59
and babies' first words aren't just
things like balls and ducks,
things like balls and ducks,
310
1067769
3041
sondern etwas wie "alles weg",
das sich auf das Verschwinden bezieht,
das sich auf das Verschwinden bezieht,
18:02
they're things like "all gone,"
which refer to disappearance,
which refer to disappearance,
311
1070810
2881
18:05
or "uh-oh," which refer
to unintentional actions.
to unintentional actions.
312
1073691
2283
oder "oh-oh", das sich auf
ungewollte Handlungen bezieht.
ungewollte Handlungen bezieht.
18:07
It has to be that powerful.
313
1075974
1562
Das Baby muss so leistungsstark sein.
18:09
It has to be much more powerful
than anything I showed you.
than anything I showed you.
314
1077536
2775
Es muss leistungsstärker als alles
andere sein, das ich gezeigt habe.
andere sein, das ich gezeigt habe.
18:12
They're figuring out the entire world.
315
1080311
1974
Sie begreifen die ganze Welt.
18:14
A four-year-old can talk to you
about almost anything.
about almost anything.
316
1082285
3144
Ein 4-jähriges Kind kann zu Ihnen
über fast alles sprechen.
über fast alles sprechen.
18:17
(Applause)
317
1085429
1601
(Applaus)
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: Wenn ich Sie richtig verstehe,
machen Sie die andere Kernaussage,
machen Sie die andere Kernaussage,
18:22
we've been through these years
where there's all this talk
where there's all this talk
319
1090444
2754
dass nach all den Jahren
der Gespräche darüber,
der Gespräche darüber,
wie sonderbar und fehlbar
unser Verstand ist,
unser Verstand ist,
18:25
of how quirky and buggy our minds are,
320
1093198
1932
die Verhaltensökonomie und all
die Theorien dahinter besagen,
die Theorien dahinter besagen,
18:27
that behavioral economics
and the whole theories behind that
and the whole theories behind that
321
1095130
2867
18:29
that we're not rational agents.
322
1097997
1603
dass wir nicht rational handeln.
18:31
You're really saying that the bigger
story is how extraordinary,
story is how extraordinary,
323
1099600
4216
Aber eigentlich sagen Sie,
dass wir erkennen sollen,
dass wir erkennen sollen,
wie außergewöhnlich und genial wir sind,
was nicht ausreichend gewürdigt wird.
was nicht ausreichend gewürdigt wird.
18:35
and there really is genius there
that is underappreciated.
that is underappreciated.
324
1103816
4944
LS: Eines meiner Lieblingszitate
in der Psychologie ist
in der Psychologie ist
18:40
LS: One of my favorite
quotes in psychology
quotes in psychology
325
1108760
2070
18:42
comes from the social
psychologist Solomon Asch,
psychologist Solomon Asch,
326
1110830
2290
von dem Sozialpsychologen Salomon Asch.
18:45
and he said the fundamental task
of psychology is to remove
of psychology is to remove
327
1113120
2807
Er sagte: "Die Grundaufgabe
der Psychologie ist,
der Psychologie ist,
18:47
the veil of self-evidence from things.
328
1115927
2626
den Schleier der Selbstverständlichkeit
von den Dingen zu nehmen."
von den Dingen zu nehmen."
18:50
There are orders of magnitude
more decisions you make every day
more decisions you make every day
329
1118553
4551
Es gibt Größenordnungen
von Entscheidungen,
von Entscheidungen,
die man täglich trifft,
die die Welt richtig erfassen.
die die Welt richtig erfassen.
18:55
that get the world right.
330
1123104
1347
18:56
You know about objects
and their properties.
and their properties.
331
1124451
2132
Wir erkennen Gegenstände
und ihre Eigenschaften,
und ihre Eigenschaften,
18:58
You know them when they're occluded.
You know them in the dark.
You know them in the dark.
332
1126583
3029
auch wenn sie verdeckt
oder im Dunkeln sind.
oder im Dunkeln sind.
Wir können durch Räume laufen
19:01
You can walk through rooms.
333
1129612
1308
19:02
You can figure out what other people
are thinking. You can talk to them.
are thinking. You can talk to them.
334
1130920
3532
und herausfinden, was andere
denken und mit ihnen reden.
denken und mit ihnen reden.
Wir können ins All fliegen, kennen Zahlen,
19:06
You can navigate space.
You know about numbers.
You know about numbers.
335
1134452
2230
kausale Zusammenhänge
und haben moralisches Urteilsvermögen.
und haben moralisches Urteilsvermögen.
19:08
You know causal relationships.
You know about moral reasoning.
You know about moral reasoning.
336
1136682
3022
Wir tun das ohne Mühe,
deshalb sehen wir es nicht,
deshalb sehen wir es nicht,
19:11
You do this effortlessly,
so we don't see it,
so we don't see it,
337
1139704
2356
19:14
but that is how we get the world right,
and it's a remarkable
and it's a remarkable
338
1142060
2912
aber so sehen wir die Welt.
Es ist eine bemerkenswerte
und schwer nachvollziehbare Leistung.
und schwer nachvollziehbare Leistung.
19:16
and very difficult-to-understand
accomplishment.
accomplishment.
339
1144972
2318
CA: Einige Leute im Publikum
denken vermutlich,
denken vermutlich,
19:19
CA: I suspect there are people
in the audience who have
in the audience who have
340
1147290
2628
dass die Technik sich
sehr schnell verbessern wird,
sehr schnell verbessern wird,
19:21
this view of accelerating
technological power
technological power
341
1149918
2238
was Ihre Behauptung
in Frage stellen könnte,
in Frage stellen könnte,
19:24
who might dispute your statement
that never in our lifetimes
that never in our lifetimes
342
1152156
2958
dass ein Computer niemals das tun wird,
was ein 3-jähriges Kind tun kann.
was ein 3-jähriges Kind tun kann.
19:27
will a computer do what
a three-year-old child can do,
a three-year-old child can do,
343
1155114
2618
19:29
but what's clear is that in any scenario,
344
1157732
3248
Aber in jedem Fall ist klar,
dass Maschinen noch sehr viel
von Babys lernen müssen.
von Babys lernen müssen.
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: Genau. Das werden einige aus dem
Bereich des maschinellen Lernens sagen.
Bereich des maschinellen Lernens sagen.
19:41
I mean, you should never bet
against babies or chimpanzees
against babies or chimpanzees
347
1169446
4203
Ich denke, man sollte allgemein
nie gegen Babys, Schimpansen
nie gegen Babys, Schimpansen
19:45
or technology as a matter of practice,
348
1173649
3645
oder Technik wetten,
19:49
but it's not just
a difference in quantity,
a difference in quantity,
349
1177294
4528
denn es gibt nicht nur
einen Unterschied in der Quantität,
einen Unterschied in der Quantität,
19:53
it's a difference in kind.
350
1181822
1764
sondern auch in der Art und Weise.
19:55
We have incredibly powerful computers,
351
1183586
2160
Wir haben unglaublich
leistungsstarke Computer
leistungsstarke Computer
19:57
and they do do amazingly
sophisticated things,
sophisticated things,
352
1185746
2391
und sie tun anspruchsvolle Dinge,
20:00
often with very big amounts of data.
353
1188137
3204
oft mit riesigen Datenmengen.
Ich finde, dass den menschlichen Verstand
etwas völlig anderes ausmacht,
etwas völlig anderes ausmacht,
20:03
Human minds do, I think,
something quite different,
something quite different,
354
1191341
2607
nämlich die strukturierte, hierarchische
Natur des menschlichen Wissens,
Natur des menschlichen Wissens,
20:05
and I think it's the structured,
hierarchical nature of human knowledge
hierarchical nature of human knowledge
355
1193948
3895
20:09
that remains a real challenge.
356
1197843
2032
das eine wahre Herausforderung ist.
20:11
CA: Laura Schulz, wonderful
food for thought. Thank you so much.
food for thought. Thank you so much.
357
1199875
3061
CA: Laura Schulz, danke für
den wunderbaren Gedankenanstoß.
den wunderbaren Gedankenanstoß.
20:14
LS: Thank you.
(Applause)
(Applause)
358
1202936
2922
LS: Danke.
(Applaus)
(Applaus)
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