TEDGlobal 2011
Alison Gopnik: What do babies think?
consciousness monologue: ¿Qué piensan los bebés?
Filmed:
Readability: 3.4
4,341,974 views
“Los bebés y los niños pequeños son como el departamento de I+D de la especie humana”, es lo que plantea la psicóloga Alison Gopnik en una investigación en la que indaga sobre la sofisticada construcción de la inteligencia y la toma de decisiones de los bebés cuando juegan.
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. Full bio
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
¿Qué sucede
00:17
in this baby's mind?
1
2000
2000
en la mente de este niño?
00:19
If you'd asked people this 30 years ago,
2
4000
2000
Si se hubiera hecho
esta pregunta hace 30 años,
esta pregunta hace 30 años,
00:21
most people, including psychologists,
3
6000
2000
la mayoría, incluyendo psicólogos,
00:23
would have said that this baby was irrational,
4
8000
3000
habrían respondido que
este niño era irracional,
este niño era irracional,
00:26
illogical, egocentric --
5
11000
2000
ilógico, egocéntrico
00:28
that he couldn't take the perspective of another person
6
13000
2000
y que no podría comprender
otros puntos de vista
otros puntos de vista
00:30
or understand cause and effect.
7
15000
2000
o comprender la relación
causa y efecto.
causa y efecto.
00:32
In the last 20 years,
8
17000
2000
En los últimos 20 años
00:34
developmental science has completely overturned that picture.
9
19000
3000
la ciencia del desarrollo (infantil)
ha invalidado por completo esa idea.
ha invalidado por completo esa idea.
00:37
So in some ways,
10
22000
2000
Así que ahora, de alguna manera,
00:39
we think that this baby's thinking
11
24000
2000
creemos que el pensamiento
de este bebé,
de este bebé,
00:41
is like the thinking of the most brilliant scientists.
12
26000
4000
es como el pensamiento de
los científicos más brillantes.
los científicos más brillantes.
00:45
Let me give you just one example of this.
13
30000
2000
Les daré un ejemplo.
00:47
One thing that this baby could be thinking about,
14
32000
3000
Una de las cosas en las que
podría estar pensando este bebé,
podría estar pensando este bebé,
00:50
that could be going on in his mind,
15
35000
2000
que podría pasar por su mente,
00:52
is trying to figure out
16
37000
2000
es que estuviera
tratando de averiguar
tratando de averiguar
00:54
what's going on in the mind of that other baby.
17
39000
3000
lo que está pasando
en la mente de otro bebé.
en la mente de otro bebé.
00:57
After all, one of the things that's hardest for all of us to do
18
42000
3000
Porque, a fin de cuentas,
lo más difícil
lo más difícil
01:00
is to figure out what other people are thinking and feeling.
19
45000
3000
es descifrar lo que
otro piensa y siente.
otro piensa y siente.
01:03
And maybe the hardest thing of all
20
48000
2000
Y tal vez, lo más difícil de todo,
01:05
is to figure out that what other people think and feel
21
50000
3000
es darse cuenta de que lo
que otros piensan y sienten,
que otros piensan y sienten,
01:08
isn't actually exactly like what we think and feel.
22
53000
2000
no es, precisamente, lo que
nosotros pensamos o sentimos.
nosotros pensamos o sentimos.
01:10
Anyone who's followed politics can testify
23
55000
2000
Quien sigue de cerca
la política, puede dar fe
la política, puede dar fe
01:12
to how hard that is for some people to get.
24
57000
3000
de lo difícil que es
para algunos lograr esto.
para algunos lograr esto.
01:15
We wanted to know
25
60000
2000
Nosotros queríamos saber
01:17
if babies and young children
26
62000
2000
si los bebés y los niños pequeños
01:19
could understand this really profound thing about other people.
27
64000
3000
podían comprender este hecho
profundo acerca de los otros.
profundo acerca de los otros.
01:22
Now the question is: How could we ask them?
28
67000
2000
Ahora la pregunta es:
¿cómo podríamos preguntarles?
¿cómo podríamos preguntarles?
01:24
Babies, after all, can't talk,
29
69000
2000
Después de todo,
los bebés no pueden hablar,
los bebés no pueden hablar,
01:26
and if you ask a three year-old
30
71000
2000
y si preguntan a un niño de tres años
01:28
to tell you what he thinks,
31
73000
2000
qué piensa,
01:30
what you'll get is a beautiful stream of consciousness monologue
32
75000
3000
se obtiene un hermoso monólogo
01:33
about ponies and birthdays and things like that.
33
78000
3000
sobre ponis, cumpleaños
y cosas de ese estilo.
y cosas de ese estilo.
01:36
So how do we actually ask them the question?
34
81000
3000
Entonces, ¿cómo preguntarles?
01:39
Well it turns out that the secret was broccoli.
35
84000
3000
Pues el secreto está en el brócoli.
01:42
What we did -- Betty Rapacholi, who was one of my students, and I --
36
87000
4000
Lo que hicimos mi alumna
Betty Rapacholi y yo,
Betty Rapacholi y yo,
01:46
was actually to give the babies two bowls of food:
37
91000
3000
fue dar a los a bebés
dos recipientes con comida:
dos recipientes con comida:
01:49
one bowl of raw broccoli
38
94000
2000
uno de brócoli crudo
01:51
and one bowl of delicious goldfish crackers.
39
96000
3000
y otro de pececitos salados deliciosos.
01:54
Now all of the babies, even in Berkley,
40
99000
3000
A todos los bebés, incluso en Berkley,
01:57
like the crackers and don't like the raw broccoli.
41
102000
3000
les gustan las galletas saladas
y no les gusta el brócoli crudo.
y no les gusta el brócoli crudo.
02:00
(Laughter)
42
105000
2000
(Risas)
02:02
But then what Betty did
43
107000
2000
Lo que hizo Betty fue
02:04
was to take a little taste of food from each bowl.
44
109000
3000
probar un poquito de alimento
de cada recipiente
de cada recipiente
02:07
And she would act as if she liked it or she didn't.
45
112000
2000
e hizo como si le gustara uno y otro no.
02:09
So half the time, she acted
46
114000
2000
Así, la mitad de las veces mostraba
02:11
as if she liked the crackers and didn't like the broccoli --
47
116000
2000
agrado por los pececitos salados
y desagrado por el brócoli...
y desagrado por el brócoli...
02:13
just like a baby and any other sane person.
48
118000
3000
igual que cualquier bebé
y persona sensata.
y persona sensata.
02:16
But half the time,
49
121000
2000
Pero la mitad de las otras veces,
02:18
what she would do is take a little bit of the broccoli
50
123000
2000
ella con una porción de brócoli
02:20
and go, "Mmmmm, broccoli.
51
125000
3000
hacía: "mmm... brócoli.
02:23
I tasted the broccoli. Mmmmm."
52
128000
3000
Es brócoli, mmm..."
02:26
And then she would take a little bit of the crackers,
53
131000
2000
Luego, comía galletas saladas,
02:28
and she'd go, "Eww, yuck, crackers.
54
133000
4000
y hacía: "¡uf, puaj! Galletas...
02:32
I tasted the crackers. Eww, yuck."
55
137000
3000
He comido galletas. ¡Aaaagggggg!"
02:35
So she'd act as if what she wanted
56
140000
2000
Ella hizo lo contrario
02:37
was just the opposite of what the babies wanted.
57
142000
3000
de lo que les gustaba a los bebés.
02:40
We did this with 15 and 18 month-old babies.
58
145000
2000
Probamos esto con bebés
de 15 y 18 meses.
de 15 y 18 meses.
02:42
And then she would simply put her hand out and say,
59
147000
3000
Luego, ella simplemente
extendió la mano y dijo:
extendió la mano y dijo:
02:45
"Can you give me some?"
60
150000
2000
"¿puedes darme un poco?"
02:47
So the question is: What would the baby give her,
61
152000
2000
Y la cuestión es:
¿qué le dará el bebé,
¿qué le dará el bebé,
02:49
what they liked or what she liked?
62
154000
2000
lo que les gusta a ellos o a ella?
02:51
And the remarkable thing was that 18 month-old babies,
63
156000
3000
Y lo increíble fue que,
a los 18 meses de edad,
a los 18 meses de edad,
02:54
just barely walking and talking,
64
159000
2000
y aunque apenas puedan caminar y hablar,
02:56
would give her the crackers if she liked the crackers,
65
161000
3000
le darán las galletas si es eso
lo que a ella le gustaba,
lo que a ella le gustaba,
02:59
but they would give her the broccoli if she liked the broccoli.
66
164000
3000
o el brócoli, en caso contrario.
03:02
On the other hand,
67
167000
2000
Por otro lado,
03:04
15 month-olds would stare at her for a long time
68
169000
2000
los bebés de 15 meses,
se quedaban contemplándola mucho tiempo
se quedaban contemplándola mucho tiempo
03:06
if she acted as if she liked the broccoli,
69
171000
2000
si hacía como si le gustara el brócoli;
03:08
like they couldn't figure this out.
70
173000
3000
no lo podían comprender.
03:11
But then after they stared for a long time,
71
176000
2000
Pero tras un lapso de tiempo,
03:13
they would just give her the crackers,
72
178000
2000
ellos le daban las galletas,
03:15
what they thought everybody must like.
73
180000
2000
ya que pensaban que
a todos les deben gustar.
a todos les deben gustar.
03:17
So there are two really remarkable things about this.
74
182000
3000
Así que encontramos aquí
dos cosas realmente notables.
dos cosas realmente notables.
03:20
The first one is that these little 18 month-old babies
75
185000
3000
La primera es que
estos bebés de 18 meses
estos bebés de 18 meses
03:23
have already discovered
76
188000
2000
han descubierto este hecho
03:25
this really profound fact about human nature,
77
190000
2000
realmente profundo
de la naturaleza humana,
de la naturaleza humana,
03:27
that we don't always want the same thing.
78
192000
2000
y es que no siempre
todos queremos lo mismo.
todos queremos lo mismo.
03:29
And what's more, they felt that they should actually do things
79
194000
2000
Y lo que es más, creían
que realmente debían hacer cosas
que realmente debían hacer cosas
03:31
to help other people get what they wanted.
80
196000
3000
para ayudar a otros
a conseguir lo ansiado.
a conseguir lo ansiado.
03:34
Even more remarkably though,
81
199000
2000
Más sorprendente aún, es el hecho
03:36
the fact that 15 month-olds didn't do this
82
201000
3000
que los niños de 15 meses
no hicieran esto,
no hicieran esto,
03:39
suggests that these 18 month-olds had learned
83
204000
3000
y esto sugiere que los bebés
de 18 meses han aprendido
de 18 meses han aprendido
03:42
this deep, profound fact about human nature
84
207000
3000
este hecho profundo
de la naturaleza humana,
de la naturaleza humana,
03:45
in the three months from when they were 15 months old.
85
210000
3000
a partir de los 15 meses.
03:48
So children both know more and learn more
86
213000
2000
Por lo tanto, los niños
saben más y aprenden más
saben más y aprenden más
03:50
than we ever would have thought.
87
215000
2000
de lo que habíamos pensado.
03:52
And this is just one of hundreds and hundreds of studies over the last 20 years
88
217000
4000
Y este es uno de los cientos de estudios
realizados los últimos 20 años
realizados los últimos 20 años
03:56
that's actually demonstrated it.
89
221000
2000
que lo demuestran.
03:58
The question you might ask though is:
90
223000
2000
Ahora, la pregunta
que se podría hacer es:
que se podría hacer es:
04:00
Why do children learn so much?
91
225000
3000
¿por qué los niños aprenden tanto?
04:03
And how is it possible for them to learn so much
92
228000
2000
Y ¿cómo pueden aprender tanto
04:05
in such a short time?
93
230000
2000
en tan poco tiempo?
04:07
I mean, after all, if you look at babies superficially,
94
232000
2000
Es decir, después de todo, si se
observa superficialmente a los bebés,
observa superficialmente a los bebés,
04:09
they seem pretty useless.
95
234000
2000
parecen bastante inútiles.
04:11
And actually in many ways, they're worse than useless,
96
236000
3000
Y en realidad, en muchos aspectos,
son más que inútiles,
son más que inútiles,
04:14
because we have to put so much time and energy
97
239000
2000
dado que tenemos que invertir mucha energía
04:16
into just keeping them alive.
98
241000
2000
para tan solo mantenerlos con vida.
04:18
But if we turn to evolution
99
243000
2000
Pero si nos remitimos a la evolución
04:20
for an answer to this puzzle
100
245000
2000
para obtener una respuesta a este misterio
04:22
of why we spend so much time
101
247000
2000
de por qué dedicamos tanto tiempo
04:24
taking care of useless babies,
102
249000
3000
al cuidado de bebés inútiles,
04:27
it turns out that there's actually an answer.
103
252000
3000
existe una respuesta.
04:30
If we look across many, many different species of animals,
104
255000
3000
Si observamos a través de
las muchas y diversas especies,
las muchas y diversas especies,
04:33
not just us primates,
105
258000
2000
no solo a nosotros, los primates,
04:35
but also including other mammals, birds,
106
260000
2000
sino también otros mamíferos, las aves,
04:37
even marsupials
107
262000
2000
incluso los marsupiales,
04:39
like kangaroos and wombats,
108
264000
2000
como los canguros y uombats;
04:41
it turns out that there's a relationship
109
266000
2000
existe una relación entre
04:43
between how long a childhood a species has
110
268000
4000
la duración de la infancia de una especie
04:47
and how big their brains are compared to their bodies
111
272000
4000
y el tamaño de sus cerebros
en comparación con sus cuerpos,
en comparación con sus cuerpos,
04:51
and how smart and flexible they are.
112
276000
2000
y cuan inteligentes y flexibles son.
04:53
And sort of the posterbirds for this idea are the birds up there.
113
278000
3000
Un claro ejemplo de esta idea
son las aves allí.
son las aves allí.
04:56
On one side
114
281000
2000
Por un lado,
04:58
is a New Caledonian crow.
115
283000
2000
tenemos un cuervo de Nueva Caledonia.
05:00
And crows and other corvidae, ravens, rooks and so forth,
116
285000
3000
Los cuervos y otros córvidos, grajos, etc.
05:03
are incredibly smart birds.
117
288000
2000
son aves sorprendentemente inteligentes
05:05
They're as smart as chimpanzees in some respects.
118
290000
3000
y en muchos aspectos,
son tan inteligentes como los chimpancés.
son tan inteligentes como los chimpancés.
05:08
And this is a bird on the cover of science
119
293000
2000
Y la ciencia ha descubierto que este ave
05:10
who's learned how to use a tool to get food.
120
295000
3000
ha aprendido a usar una herramienta
para obtener alimento.
para obtener alimento.
05:13
On the other hand,
121
298000
2000
Y por otro lado,
05:15
we have our friend the domestic chicken.
122
300000
2000
tenemos a nuestra amiga, la gallina.
05:17
And chickens and ducks and geese and turkeys
123
302000
3000
Las gallinas, patos, gansos y pavos
05:20
are basically as dumb as dumps.
124
305000
2000
son básicamente tan tontos como inoperantes,
05:22
So they're very, very good at pecking for grain,
125
307000
3000
Son muy buenos para picotear granos,
05:25
and they're not much good at doing anything else.
126
310000
3000
pero para nada más son muy buenos.
05:28
Well it turns out that the babies,
127
313000
2000
Resulta que los cuervos bebé
05:30
the New Caledonian crow babies, are fledglings.
128
315000
2000
de Nueva Caledonia son polluelos inexpertos.
05:32
They depend on their moms
129
317000
2000
Dependen de que sus madres
05:34
to drop worms in their little open mouths
130
319000
3000
les den a la boca pequeñas lombrices
05:37
for as long as two years,
131
322000
2000
durante dos años,
05:39
which is a really long time in the life of a bird.
132
324000
2000
un período largo en la vida de un pájaro.
05:41
Whereas the chickens are actually mature
133
326000
2000
Mientras que las gallinas maduran
05:43
within a couple of months.
134
328000
2000
en pocas meses.
05:45
So childhood is the reason
135
330000
3000
Por lo tanto, la niñez
es la razón para que
es la razón para que
05:48
why the crows end up on the cover of Science
136
333000
2000
los cuervos acaben en
las portadas de la ciencia
las portadas de la ciencia
05:50
and the chickens end up in the soup pot.
137
335000
2000
Mientras que las gallinas
acaban siendo sopa en la olla.
acaban siendo sopa en la olla.
05:52
There's something about that long childhood
138
337000
3000
Hay algo acerca de esa larga infancia
05:55
that seems to be connected
139
340000
2000
que parece estar conectada
05:57
to knowledge and learning.
140
342000
2000
con el conocimiento y el aprendizaje.
05:59
Well what kind of explanation could we have for this?
141
344000
3000
¿Qué tipo de explicación tendríamos?
06:02
Well some animals, like the chicken,
142
347000
3000
Bien, algunos animales, como las gallinas,
06:05
seem to be beautifully suited
143
350000
2000
parecen ser muy aptos
06:07
to doing just one thing very well.
144
352000
2000
para hacer muy bien una sola cosa,
06:09
So they seem to be beautifully suited
145
354000
3000
Por eso demuestran una gran capacidad
06:12
to pecking grain in one environment.
146
357000
2000
para picotear granos en un ambiente.
06:14
Other creatures, like the crows,
147
359000
2000
Otras criaturas, como los cuervos,
06:16
aren't very good at doing anything in particular,
148
361000
2000
no son muy buenos haciendo
algo en particular,
algo en particular,
06:18
but they're extremely good
149
363000
2000
sin embargo, son extremadamente capaces
06:20
at learning about laws of different environments.
150
365000
2000
de aprender las leyes
de ambientes diferentes.
de ambientes diferentes.
06:22
And of course, we human beings
151
367000
2000
Y por supuesto nosotros,
los seres humanos,
los seres humanos,
06:24
are way out on the end of the distribution like the crows.
152
369000
3000
somos el exponente en esta distribución,
como los cuervos.
como los cuervos.
06:27
We have bigger brains relative to our bodies
153
372000
2000
En relación al cuerpo,
nuestros cerebros son mucho más grandes
nuestros cerebros son mucho más grandes
06:29
by far than any other animal.
154
374000
2000
que el de cualquier otro animal,
06:31
We're smarter, we're more flexible,
155
376000
2000
somos más inteligentes, más flexibles,
06:33
we can learn more,
156
378000
2000
podemos aprender más;
06:35
we survive in more different environments,
157
380000
2000
podemos sobrevivir en
los ambientes más diversos,
los ambientes más diversos,
06:37
we migrated to cover the world and even go to outer space.
158
382000
3000
migramos para poblar el mundo,
e incluso, hemos ido al espacio.
e incluso, hemos ido al espacio.
06:40
And our babies and children are dependent on us
159
385000
3000
Y nuestros bebés y niños
dependen de nosotros
dependen de nosotros
06:43
for much longer than the babies of any other species.
160
388000
3000
durante mucho más tiempo en
comparación con otras especies.
comparación con otras especies.
06:46
My son is 23.
161
391000
2000
Mi hijo tiene 23 años.
06:48
(Laughter)
162
393000
2000
(Risas)
06:50
And at least until they're 23,
163
395000
2000
Y por lo menos, hasta los 23 años,
06:52
we're still popping those worms
164
397000
2000
estamos alimentándolos
06:54
into those little open mouths.
165
399000
3000
en la boca.
06:57
All right, why would we see this correlation?
166
402000
3000
Pero, ¿por qué vemos esta correlación?
07:00
Well an idea is that that strategy, that learning strategy,
167
405000
4000
Una idea sería que esa
estrategia de aprendizaje,
estrategia de aprendizaje,
07:04
is an extremely powerful, great strategy for getting on in the world,
168
409000
3000
es una estrategia de
supervivencia muy poderosa,
supervivencia muy poderosa,
07:07
but it has one big disadvantage.
169
412000
2000
pero tiene una gran desventaja.
07:09
And that one big disadvantage
170
414000
2000
Y esa gran desventaja es que,
07:11
is that, until you actually do all that learning,
171
416000
3000
hasta que se aprende,
07:14
you're going to be helpless.
172
419000
2000
uno está indefenso.
07:16
So you don't want to have the mastodon charging at you
173
421000
3000
Así que no querrán que el
mastodonte se lance sobre Uds.
mastodonte se lance sobre Uds.
07:19
and be saying to yourself,
174
424000
2000
y preguntarse a sí mismo:
07:21
"A slingshot or maybe a spear might work. Which would actually be better?"
175
426000
4000
"Una honda o tal vez
una lanza ¿Qué sería mejor?"
una lanza ¿Qué sería mejor?"
07:25
You want to know all that
176
430000
2000
Uds. quieren aprender todo eso
07:27
before the mastodons actually show up.
177
432000
2000
antes que el mastodonte aparezca.
07:29
And the way the evolutions seems to have solved that problem
178
434000
3000
Y la manera en que la evolución
ha resuelto ese problema,
ha resuelto ese problema,
07:32
is with a kind of division of labor.
179
437000
2000
es mediante cierta división del trabajo.
07:34
So the idea is that we have this early period when we're completely protected.
180
439000
3000
Es decir, en esa primer etapa,
estamos protegidos por completo,
estamos protegidos por completo,
07:37
We don't have to do anything. All we have to do is learn.
181
442000
3000
no tenemos que hacer
nada más que aprender.
nada más que aprender.
07:40
And then as adults,
182
445000
2000
Y luego en la adultez,
07:42
we can take all those things that we learned when we were babies and children
183
447000
3000
podemos utilizar esas cosas
aprendidas siendo bebés y niños
aprendidas siendo bebés y niños
07:45
and actually put them to work to do things out there in the world.
184
450000
3000
y ponerlas en práctica en la vida.
07:48
So one way of thinking about it
185
453000
2000
Entonces, una manera de
ver esto sería pensar que
ver esto sería pensar que
07:50
is that babies and young children
186
455000
2000
los bebés y los niños pequeños
07:52
are like the research and development division of the human species.
187
457000
3000
son el departamento de investigación
y desarrollo de la especie humana.
y desarrollo de la especie humana.
07:55
So they're the protected blue sky guys
188
460000
3000
Son los niños celestiales protegidos
07:58
who just have to go out and learn and have good ideas,
189
463000
2000
que solo tienen que explorar,
aprender y tener buenas ideas,
aprender y tener buenas ideas,
08:00
and we're production and marketing.
190
465000
2000
y nosotros somos la producción
y la comercialización.
y la comercialización.
08:02
We have to take all those ideas
191
467000
2000
Nosotros tenemos que
retomar todas esas ideas
retomar todas esas ideas
08:04
that we learned when we were children
192
469000
2000
que aprendimos de pequeños
08:06
and actually put them to use.
193
471000
2000
y ponerlas en práctica.
08:08
Another way of thinking about it
194
473000
2000
Otra forma de analizar esto, sería
08:10
is instead of thinking of babies and children
195
475000
2000
en lugar de pensar en bebés y niños
08:12
as being like defective grownups,
196
477000
2000
como adultos incompletos,
08:14
we should think about them
197
479000
2000
los podríamos pensar como
08:16
as being a different developmental stage of the same species --
198
481000
2000
seres en una etapa diferente
del desarrollo dentro de la especie,
del desarrollo dentro de la especie,
08:18
kind of like caterpillars and butterflies --
199
483000
3000
—-algo similar a las orugas
y las mariposas—-
y las mariposas—-
08:21
except that they're actually the brilliant butterflies
200
486000
2000
con la diferencia de que ellos
son las mariposas brillantes
son las mariposas brillantes
08:23
who are flitting around the garden and exploring,
201
488000
3000
que revolotean y exploran el jardín,
08:26
and we're the caterpillars
202
491000
2000
y nosotros somos las orugas
08:28
who are inching along our narrow, grownup, adult path.
203
493000
3000
que avanzamos poco a poco
en nuestro estrecho camino adulto
en nuestro estrecho camino adulto
08:31
If this is true, if these babies are designed to learn --
204
496000
3000
Si esto es cierto, si los bebés
están diseñados para aprender,
están diseñados para aprender,
08:34
and this evolutionary story would say children are for learning,
205
499000
3000
—y la historia evolutiva muestra que
los niños están capacitados para aprender,
los niños están capacitados para aprender,
08:37
that's what they're for --
206
502000
2000
están preparados para eso—,
08:39
we might expect
207
504000
2000
podríamos suponer
08:41
that they would have really powerful learning mechanisms.
208
506000
2000
que tienen poderosos
mecanismos de aprendizaje.
mecanismos de aprendizaje.
08:43
And in fact, the baby's brain
209
508000
3000
De hecho, el cerebro de los bebés
08:46
seems to be the most powerful learning computer
210
511000
2000
parece ser la computadora
más poderosa de aprendizaje
más poderosa de aprendizaje
08:48
on the planet.
211
513000
2000
del planeta.
08:50
But real computers are actually getting to be a lot better.
212
515000
3000
Pero parece que las computadoras
pueden llegar a ser mucho mejor.
pueden llegar a ser mucho mejor.
08:53
And there's been a revolution
213
518000
2000
Ha habido recientemente una revolución
08:55
in our understanding of machine learning recently.
214
520000
2000
en nuestra comprensión
del aprendizaje de las máquinas.
del aprendizaje de las máquinas.
08:57
And it all depends on the ideas of this guy,
215
522000
3000
Y esto gracias a las ideas
09:00
the Reverend Thomas Bayes,
216
525000
2000
del reverendo Thomas Bayes,
09:02
who was a statistician and mathematician in the 18th century.
217
527000
3000
un estadístico y matemático
del siglo XVIII.
del siglo XVIII.
09:05
And essentially what Bayes did
218
530000
3000
Y básicamente, lo que Bayes hizo
09:08
was to provide a mathematical way
219
533000
2000
fue proporcionar una base matemática,
09:10
using probability theory
220
535000
2000
utilizando la teoría de la probabilidad,
09:12
to characterize, describe,
221
537000
2000
para caracterizar y describir,
09:14
the way that scientists find out about the world.
222
539000
2000
la manera en que los científicos
hacen sus hallazgos.
hacen sus hallazgos.
09:16
So what scientists do
223
541000
2000
Así, si los científicos
09:18
is they have a hypothesis that they think might be likely to start with.
224
543000
3000
tienen una hipótesis, luego,
09:21
They go out and test it against the evidence.
225
546000
2000
salen a comprobarla
contra las evidencias.
contra las evidencias.
09:23
The evidence makes them change that hypothesis.
226
548000
2000
Si las evidencias
hacen modificar su hipótesis,
hacen modificar su hipótesis,
09:25
Then they test that new hypothesis
227
550000
2000
entonces testearán una nueva hipótesis,
09:27
and so on and so forth.
228
552000
2000
y así sucesivamente.
09:29
And what Bayes showed was a mathematical way that you could do that.
229
554000
3000
Y Bayes demostró un procedimiento
matemático para hacerlo.
matemático para hacerlo.
09:32
And that mathematics is at the core
230
557000
2000
Y las matemáticas constituyen el núcleo
09:34
of the best machine learning programs that we have now.
231
559000
2000
de los mejores programas
de aprendizaje automático actuales.
de aprendizaje automático actuales.
09:36
And some 10 years ago,
232
561000
2000
Hace unos diez años,
09:38
I suggested that babies might be doing the same thing.
233
563000
4000
yo propuse que los bebés
podrían hacer algo parecido.
podrían hacer algo parecido.
09:42
So if you want to know what's going on
234
567000
2000
Así que si quieren saber qué sucede
09:44
underneath those beautiful brown eyes,
235
569000
2000
detrás de esos hermosos ojos marrones,
09:46
I think it actually looks something like this.
236
571000
2000
creo que en realidad, sería algo así.
09:48
This is Reverend Bayes's notebook.
237
573000
2000
Ese es el cuaderno del reverendo Bayes.
09:50
So I think those babies are actually making complicated calculations
238
575000
3000
Así, creo que los bebés
hacen cálculos complejos
hacen cálculos complejos
09:53
with conditional probabilities that they're revising
239
578000
3000
de probabilidad condicional que revisan
09:56
to figure out how the world works.
240
581000
2000
para comprender cómo funciona el mundo.
09:58
All right, now that might seem like an even taller order to actually demonstrate.
241
583000
4000
Bien, ahora parecería que existe
un orden superior que demostrar.
un orden superior que demostrar.
10:02
Because after all, if you ask even grownups about statistics,
242
587000
2000
Después de todo, si preguntan
a los adultos sobre estadística,
a los adultos sobre estadística,
10:04
they look extremely stupid.
243
589000
2000
se ven muy ridículos;
10:06
How could it be that children are doing statistics?
244
591000
3000
Entonces, ¿cómo puede ser que
los niños hagan estadísticas?
los niños hagan estadísticas?
10:09
So to test this we used a machine that we have
245
594000
2000
Para probar esto, usamos un aparato
10:11
called the Blicket Detector.
246
596000
2000
que llamamos, el detector Blicket.
10:13
This is a box that lights up and plays music
247
598000
2000
Esta es una caja que
se enciende y suena la música
se enciende y suena la música
10:15
when you put some things on it and not others.
248
600000
3000
cuando apoyas sobre ella
algunas cosas y otras no.
algunas cosas y otras no.
10:18
And using this very simple machine,
249
603000
2000
Y con este aparato sencillo,
10:20
my lab and others have done dozens of studies
250
605000
2000
mi laboratorio y otros
han hecho decenas de estudios
han hecho decenas de estudios
10:22
showing just how good babies are
251
607000
2000
mostrando, precisamente,
lo bueno que son los niños
lo bueno que son los niños
10:24
at learning about the world.
252
609000
2000
para aprender acerca el mundo.
10:26
Let me mention just one
253
611000
2000
Permítanme mencionarles solo uno,
10:28
that we did with Tumar Kushner, my student.
254
613000
2000
que hicimos con mi alumna, Tumar Kusher.
10:30
If I showed you this detector,
255
615000
2000
Si les hubiera mostrado este detector,
10:32
you would be likely to think to begin with
256
617000
2000
seguramente habrían pensado que la manera
10:34
that the way to make the detector go
257
619000
2000
de hacerlo funcionar
10:36
would be to put a block on top of the detector.
258
621000
3000
sería colocando un bloque sobre él.
10:39
But actually, this detector
259
624000
2000
Sin embargo, este detector,
10:41
works in a bit of a strange way.
260
626000
2000
funciona de una manera un poco extraña.
10:43
Because if you wave a block over the top of the detector,
261
628000
3000
Porque si agitamos un bloque sobre él,
10:46
something you wouldn't ever think of to begin with,
262
631000
3000
algo que seguramente no hubieran
pensado que podríamos hacer,
pensado que podríamos hacer,
10:49
the detector will actually activate two out of three times.
263
634000
3000
el detector se activará
dos veces de cada tres;
dos veces de cada tres;
10:52
Whereas, if you do the likely thing, put the block on the detector,
264
637000
3000
mientras que, si hace lo previsible,
apoya el bloque sobre el detector,
apoya el bloque sobre el detector,
10:55
it will only activate two out of six times.
265
640000
4000
este solo se activará
dos veces de cada seis.
dos veces de cada seis.
10:59
So the unlikely hypothesis
266
644000
2000
Por lo tanto, la hipótesis poco probable,
11:01
actually has stronger evidence.
267
646000
2000
es la que tiene evidencias más sólidas.
11:03
It looks as if the waving
268
648000
2000
Parece como si la agitación del bloque
11:05
is a more effective strategy than the other strategy.
269
650000
2000
fuese una estrategia más eficaz
que la otra estrategia.
que la otra estrategia.
11:07
So we did just this; we gave four year-olds this pattern of evidence,
270
652000
3000
Entonces, dimos a los niños de
4 años este patrón de evidencias
4 años este patrón de evidencias
11:10
and we just asked them to make it go.
271
655000
2000
y les pedimos que lo hicieran funcionar.
11:12
And sure enough, the four year-olds used the evidence
272
657000
3000
Y efectivamente, el niño
de 4 años usó la evidencia,
de 4 años usó la evidencia,
11:15
to wave the object on top of the detector.
273
660000
3000
de agitar el objeto sobre el detector.
11:18
Now there are two things that are really interesting about this.
274
663000
3000
Ahora, hay dos cosas realmente
interesantes al respecto.
interesantes al respecto.
11:21
The first one is, again, remember, these are four year-olds.
275
666000
3000
La primera, y nuevamente,
se trata de niños de 4 años.
se trata de niños de 4 años.
11:24
They're just learning how to count.
276
669000
2000
Están aprendiendo a sumar.
11:26
But unconsciously,
277
671000
2000
Pero inconscientemente,
11:28
they're doing these quite complicated calculations
278
673000
2000
están haciendo esos cálculos complejos
11:30
that will give them a conditional probability measure.
279
675000
3000
que les darán una medida
de probabilidad condicional.
de probabilidad condicional.
11:33
And the other interesting thing
280
678000
2000
Y otra cosa interesante,
11:35
is that they're using that evidence
281
680000
2000
es que ellos usan esa evidencia
11:37
to get to an idea, get to a hypothesis about the world,
282
682000
3000
para llegar a una idea,
a una hipótesis acerca del mundo,
a una hipótesis acerca del mundo,
11:40
that seems very unlikely to begin with.
283
685000
3000
que al comienzo,
parece muy poco probable.
parece muy poco probable.
11:43
And in studies we've just been doing in my lab, similar studies,
284
688000
3000
Y en los estudios que hemos estado
haciendo en mi laboratorio,
haciendo en mi laboratorio,
11:46
we've show that four year-olds are actually better
285
691000
2000
hemos demostrado que los niños
de 4 años son mejores que los adultos
de 4 años son mejores que los adultos
11:48
at finding out an unlikely hypothesis
286
693000
3000
en averiguar una hipótesis poco probable
11:51
than adults are when we give them exactly the same task.
287
696000
3000
ante la misma tarea.
11:54
So in these circumstances,
288
699000
2000
Así que en estas circunstancias,
11:56
the children are using statistics to find out about the world,
289
701000
3000
los niños están usando estadísticas
para comprender el mundo.
para comprender el mundo.
11:59
but after all, scientists also do experiments,
290
704000
3000
Pero, después de todo,
los científicos hacen experimentos
los científicos hacen experimentos
12:02
and we wanted to see if children are doing experiments.
291
707000
3000
y quisimos ver si los niños
también los hacen.
también los hacen.
12:05
When children do experiments we call it "getting into everything"
292
710000
3000
Cuando los niños experimentan,
lo llamamos: "meterse en todo"
lo llamamos: "meterse en todo"
12:08
or else "playing."
293
713000
2000
o bien: "jugar".
12:10
And there's been a bunch of interesting studies recently
294
715000
3000
Y han surgido recientemente
un montón de estudios interesantes
un montón de estudios interesantes
12:13
that have shown this playing around
295
718000
3000
que han demostrado que
el juego es, realmente,
el juego es, realmente,
12:16
is really a kind of experimental research program.
296
721000
2000
una especie de programa
de investigación experimental.
de investigación experimental.
12:18
Here's one from Cristine Legare's lab.
297
723000
3000
Aquí hay uno del laboratorio
de Cristine Legare.
de Cristine Legare.
12:21
What Cristine did was use our Blicket Detectors.
298
726000
3000
Cristina usó nuestro detector Blicket,
12:24
And what she did was show children
299
729000
2000
y lo que hizo fue mostrarle a los niños
12:26
that yellow ones made it go and red ones didn't,
300
731000
2000
que los amarillos lo hacían
funcionar y los rojos no.
funcionar y los rojos no.
12:28
and then she showed them an anomaly.
301
733000
3000
Luego, les mostró una anomalía.
12:31
And what you'll see
302
736000
2000
Y verán ahora
12:33
is that this little boy will go through five hypotheses
303
738000
3000
que este pequeño desplegó 5 hipótesis
12:36
in the space of two minutes.
304
741000
3000
en un lapso de 2 minutos.
12:39
(Video) Boy: How about this?
305
744000
3000
(Video) Niño: "¿Qué tal este?"
12:43
Same as the other side.
306
748000
3000
"Igual que el otro lado"
12:46
Alison Gopnik: Okay, so his first hypothesis has just been falsified.
307
751000
4000
Alison Gopnik: Su primer
hipótesis ha sido falseada.
hipótesis ha sido falseada.
12:55
(Laughter)
308
760000
2000
(Risas)
12:57
Boy: This one lighted up, and this one nothing.
309
762000
3000
Niño: "Esta se enciende, y esta no".
13:00
AG: Okay, he's got his experimental notebook out.
310
765000
3000
AG: Hizo su registro de la experiencia.
13:06
Boy: What's making this light up.
311
771000
4000
Niño: "¿Qué la hace encender?"
13:11
(Laughter)
312
776000
9000
(Risas)
13:20
I don't know.
313
785000
2000
"No lo sé..."
13:22
AG: Every scientist will recognize that expression of despair.
314
787000
4000
AG: Los científicos reconocerían esa
expresión de desesperación, ¿verdad?
expresión de desesperación, ¿verdad?
13:26
(Laughter)
315
791000
3000
(Risas)
13:29
Boy: Oh, it's because this needs to be like this,
316
794000
6000
Niño: "Ah, es porque este
tiene que estar como este
tiene que estar como este
13:35
and this needs to be like this.
317
800000
2000
y este como este".
13:37
AG: Okay, hypothesis two.
318
802000
3000
AG: Muy bien, hipótesis 2.
13:40
Boy: That's why.
319
805000
2000
Niño: "Es por eso..."
13:42
Oh.
320
807000
2000
"Oh..."
13:44
(Laughter)
321
809000
5000
(Risas)
13:49
AG: Now this is his next idea.
322
814000
2000
AG: Ahora la próxima idea.
13:51
He told the experimenter to do this,
323
816000
2000
Y pidió a la investigadora hacer esto,
13:53
to try putting it out onto the other location.
324
818000
4000
colocarlos sobre el otro lugar.
13:57
Not working either.
325
822000
2000
Tampoco funciona.
14:02
Boy: Oh, because the light goes only to here,
326
827000
4000
Niño: "Oh, porque la luz solo
llega hasta aquí...
llega hasta aquí...
14:06
not here.
327
831000
3000
y no hasta aquí.
14:09
Oh, the bottom of this box
328
834000
3000
"Oh, la parte inferior de la caja
14:12
has electricity in here,
329
837000
2000
tiene electricidad,
14:14
but this doesn't have electricity.
330
839000
2000
pero esta no".
14:16
AG: Okay, that's a fourth hypothesis.
331
841000
2000
AG: Bien, esa es su cuarta hipótesis.
14:18
Boy: It's lighting up.
332
843000
2000
Niño: "Se enciende
14:20
So when you put four.
333
845000
5000
cuando pones 4".
14:26
So you put four on this one to make it light up
334
851000
3000
"Entonces, tienes que poner 4
en este para que se encienda,
en este para que se encienda,
14:29
and two on this one to make it light up.
335
854000
2000
y dos en este".
14:31
AG: Okay,there's his fifth hypothesis.
336
856000
2000
AG: Muy bien, esa es su quinta hipótesis.
14:33
Now that is a particularly --
337
858000
3000
Se trata de un niño adorable
14:36
that is a particularly adorable and articulate little boy,
338
861000
3000
y particularmente expresivo,
14:39
but what Cristine discovered is this is actually quite typical.
339
864000
3000
pero Cristine descubrió que
esto es bastante típico.
esto es bastante típico.
14:42
If you look at the way children play, when you ask them to explain something,
340
867000
3000
Si Uds. observan cómo juegan los niños,
y les piden que les expliquen,
y les piden que les expliquen,
14:45
what they really do is do a series of experiments.
341
870000
3000
lo que realmente hacen es
una serie de experimentos.
una serie de experimentos.
14:48
This is actually pretty typical of four year-olds.
342
873000
3000
Esto, en realidad, es bastante
característico en los niños de 4 años.
característico en los niños de 4 años.
14:51
Well, what's it like to be this kind of creature?
343
876000
3000
Pues bien, ¿qué se siente
siendo este tipo de criatura?
siendo este tipo de criatura?
14:54
What's it like to be one of these brilliant butterflies
344
879000
3000
¿Qué se siente siendo una
de esas brillantes mariposas
de esas brillantes mariposas
14:57
who can test five hypotheses in two minutes?
345
882000
3000
que puede poner a prueba
5 hipótesis en dos minutos?
5 hipótesis en dos minutos?
15:00
Well, if you go back to those psychologists and philosophers,
346
885000
3000
Bueno, si nos remontamos
a psicólogos y filósofos,
a psicólogos y filósofos,
15:03
a lot of them have said
347
888000
2000
muchos de ellos afirmaban que
15:05
that babies and young children were barely conscious
348
890000
2000
los bebés apenas eran conscientes
15:07
if they were conscious at all.
349
892000
2000
o no lo eran en absoluto.
15:09
And I think just the opposite is true.
350
894000
2000
Pienso que es exactamente lo contrario.
15:11
I think babies and children are actually more conscious than we are as adults.
351
896000
3000
Creo que los bebés y los niños son más
conscientes que nosotros, los adultos.
conscientes que nosotros, los adultos.
15:14
Now here's what we know about how adult consciousness works.
352
899000
3000
Ahora, esto es lo que sabemos sobre
cómo funciona la conciencia en adultos.
cómo funciona la conciencia en adultos.
15:17
And adults' attention and consciousness
353
902000
2000
La atención y la conciencia
de los adultos
de los adultos
15:19
look kind of like a spotlight.
354
904000
2000
se parece a un reflector.
15:21
So what happens for adults
355
906000
2000
Los adultos
15:23
is we decide that something's relevant or important,
356
908000
2000
decidimos si algo es relevante
o importante, o no,
o importante, o no,
15:25
we should pay attention to it.
357
910000
2000
y dirigimos la atención hacia eso.
15:27
Our consciousness of that thing that we're attending to
358
912000
2000
Y la conciencia hacia ese objeto
que estamos atendiendo
que estamos atendiendo
15:29
becomes extremely bright and vivid,
359
914000
3000
se ilumina y reaviva considerablemente,
15:32
and everything else sort of goes dark.
360
917000
2000
mientras que el resto
de las cosas se apagan;
de las cosas se apagan;
15:34
And we even know something about the way the brain does this.
361
919000
3000
e incluso sabemos cómo
el cerebro hace esto.
el cerebro hace esto.
15:37
So what happens when we pay attention
362
922000
2000
Cuando prestamos atención,
15:39
is that the prefrontal cortex, the sort of executive part of our brains,
363
924000
3000
la corteza prefrontal, que es la
parte ejecutiva de nuestro cerebro,
parte ejecutiva de nuestro cerebro,
15:42
sends a signal
364
927000
2000
envía una señal
15:44
that makes a little part of our brain much more flexible,
365
929000
2000
que hace que una pequeña
porción de nuestro cerebro
porción de nuestro cerebro
15:46
more plastic, better at learning,
366
931000
2000
sea más flexible,
mejor para el aprendizaje,
mejor para el aprendizaje,
15:48
and shuts down activity
367
933000
2000
anulando la actividad
15:50
in all the rest of our brains.
368
935000
2000
en el resto del cerebro.
15:52
So we have a very focused, purpose-driven kind of attention.
369
937000
4000
Por lo tanto, tenemos una atención
muy enfocada, dirigida a un propósito.
muy enfocada, dirigida a un propósito.
15:56
If we look at babies and young children,
370
941000
2000
Si observamos a los bebés y a los niños,
15:58
we see something very different.
371
943000
2000
vemos algo muy diferente.
16:00
I think babies and young children
372
945000
2000
Yo pienso que los bebés y los niños
16:02
seem to have more of a lantern of consciousness
373
947000
2000
parece que tuvieran
un farol de la conciencia
un farol de la conciencia
16:04
than a spotlight of consciousness.
374
949000
2000
más que un reflector de la conciencia.
16:06
So babies and young children are very bad
375
951000
3000
Por eso, los bebés
y los niños son muy malos
y los niños son muy malos
16:09
at narrowing down to just one thing.
376
954000
3000
para concentrarse en una sola cosa,
16:12
But they're very good at taking in lots of information
377
957000
3000
pero son muy buenos
para tomar información
para tomar información
16:15
from lots of different sources at once.
378
960000
2000
de muchas fuentes diferentes a la vez.
16:17
And if you actually look in their brains,
379
962000
2000
Y si observan sus cerebros,
16:19
you see that they're flooded with these neurotransmitters
380
964000
3000
los verán inundados de neurotransmisores
16:22
that are really good at inducing learning and plasticity,
381
967000
2000
que son muy buenos para inducir
el aprendizaje y la plasticidad,
el aprendizaje y la plasticidad,
16:24
and the inhibitory parts haven't come on yet.
382
969000
3000
mientras que los inhibidores
no se ponen aun en funcionamiento.
no se ponen aun en funcionamiento.
16:27
So when we say that babies and young children
383
972000
2000
Entonces, cuando decimos que
los bebés y los niños pequeños
los bebés y los niños pequeños
16:29
are bad at paying attention,
384
974000
2000
no son buenos prestando atención,
es decir, en realidad,
es decir, en realidad,
16:31
what we really mean is that they're bad at not paying attention.
385
976000
4000
son malos en no prestar atención.
16:35
So they're bad at getting rid
386
980000
2000
Por tanto, son malos para ignorar
16:37
of all the interesting things that could tell them something
387
982000
2000
todas las cosas interesantes
que los rodean
que los rodean
16:39
and just looking at the thing that's important.
388
984000
2000
y mirar solo lo que es importante.
16:41
That's the kind of attention, the kind of consciousness,
389
986000
3000
Ese es el tipo de atención, de conciencia
16:44
that we might expect
390
989000
2000
que podemos esperar,
16:46
from those butterflies who are designed to learn.
391
991000
2000
de aquellas mariposas que
están diseñadas para aprender.
están diseñadas para aprender.
16:48
Well if we want to think about a way
392
993000
2000
Y si quisiera pensar en una manera
16:50
of getting a taste of that kind of baby consciousness as adults,
393
995000
4000
de obtener una muestra de la
conciencia de un bebé como adulto,
conciencia de un bebé como adulto,
16:54
I think the best thing is think about cases
394
999000
2000
creo que la mejor manera
es pensar las veces
es pensar las veces
16:56
where we're put in a new situation that we've never been in before --
395
1001000
3000
que nos enfrentamos a situaciones nuevas:
16:59
when we fall in love with someone new,
396
1004000
2000
cuando nos enamoramos nuevamente,
17:01
or when we're in a new city for the first time.
397
1006000
3000
cuando visitamos
una ciudad por primera vez.
una ciudad por primera vez.
17:04
And what happens then is not that our consciousness contracts,
398
1009000
2000
Y lo que sucede, en esos casos,
no es que la conciencia se contrae,
no es que la conciencia se contrae,
17:06
it expands,
399
1011000
2000
todo lo contrario, se expande.
17:08
so that those three days in Paris
400
1013000
2000
Y es así que, esos tres días en París,
17:10
seem to be more full of consciousness and experience
401
1015000
2000
parecen estar mucho más rebosantes
de conciencia y experiencia,
de conciencia y experiencia,
17:12
than all the months of being
402
1017000
2000
que todos esos meses de
17:14
a walking, talking, faculty meeting-attending zombie back home.
403
1019000
4000
caminar, hablar, reunirse en la facultad
--como zombis-— de regresar a casa.
--como zombis-— de regresar a casa.
17:18
And by the way, that coffee,
404
1023000
2000
Y por cierto, ese café,
17:20
that wonderful coffee you've been drinking downstairs,
405
1025000
2000
ese maravilloso café que han tomado,
17:22
actually mimics the effect
406
1027000
2000
en realidad, imita el efecto
17:24
of those baby neurotransmitters.
407
1029000
2000
de los neurotransmisores del bebé.
17:26
So what's it like to be a baby?
408
1031000
2000
Entonces, ¿qué se siente siendo un bebé?
17:28
It's like being in love
409
1033000
2000
Es como estar enamorado
17:30
in Paris for the first time
410
1035000
2000
en París por primera vez,
17:32
after you've had three double-espressos.
411
1037000
2000
tras haber tomado tres expresos dobles.
17:34
(Laughter)
412
1039000
3000
(Risas)
17:37
That's a fantastic way to be,
413
1042000
2000
Esa es una fantástica manera de vivir,
17:39
but it does tend to leave you waking up crying at three o'clock in the morning.
414
1044000
4000
pero les hará despertarse a las
tres de la madrugada llorando.
tres de la madrugada llorando.
17:43
(Laughter)
415
1048000
3000
(Risas)
17:46
Now it's good to be a grownup.
416
1051000
2000
Pero es bueno ser adulto.
17:48
I don't want to say too much about how wonderful babies are.
417
1053000
2000
No quiero decir mucho más sobre
lo maravillosos que son los bebés.
lo maravillosos que son los bebés.
17:50
It's good to be a grownup.
418
1055000
2000
Es bueno ser adulto.
17:52
We can do things like tie our shoelaces and cross the street by ourselves.
419
1057000
3000
Podemos atarnos los cordones
y cruzar la calle solos.
y cruzar la calle solos.
17:55
And it makes sense that we put a lot of effort
420
1060000
2000
Y tiene sentido que
pongamos mucho esfuerzo
pongamos mucho esfuerzo
17:57
into making babies think like adults do.
421
1062000
4000
en hacer que los bebés
piensen como los adultos.
piensen como los adultos.
18:01
But if what we want is to be like those butterflies,
422
1066000
3000
Pero queremos ser como esas mariposas
18:04
to have open-mindedness, open learning,
423
1069000
3000
para tener mentes abiertas
y dispuestas al aprendizaje,
y dispuestas al aprendizaje,
18:07
imagination, creativity, innovation,
424
1072000
2000
imaginación, creatividad, innovación...
18:09
maybe at least some of the time
425
1074000
2000
y tal vez, algunas veces,
18:11
we should be getting the adults
426
1076000
2000
los adultos deberían
18:13
to start thinking more like children.
427
1078000
2000
empezar a pensar como los niños.
18:15
(Applause)
428
1080000
8000
(Aplausos)
ABOUT THE SPEAKER
Alison Gopnik - Child development psychologistAlison 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 Baby, The 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."
Alison Gopnik | Speaker | TED.com