TED2015
Laura Schulz: The surprisingly logical minds of babies
Laura Schulz: La sorprendente mente lógica de los bebes
Filmed:
Readability: 3.8
1,888,975 views
¿Cómo pueden los bebés aprender tanto a partir de tan poco tan rápidamente? En una charla divertida, llena de experimentos, la científica cognitiva Laura Schulz muestra cómo los menores toman decisiones con un sorprendentemente fuerte sentido de la lógica, antes de que puedan hablar.
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 resumió lo que considero es
00:14
one of the fundamental problems
of cognitive science
of cognitive science
1
2990
3120
uno de los problemas fundamentales
de la ciencia cognitiva
de la ciencia cognitiva
00:18
with a single witticism.
2
6110
1710
con un solo chiste.
00:20
He said, "There's something
fascinating about science.
fascinating about science.
3
8410
3082
Dijo: "Hay algo fascinante en la ciencia.
00:23
One gets such wholesale
returns of conjecture
returns of conjecture
4
11492
3228
Uno obtiene enormes retornos
en conjeturas
en conjeturas
00:26
out of such a trifling
investment in fact."
investment in fact."
5
14720
3204
con muy poca inversión en hechos".
00:29
(Laughter)
6
17924
1585
(Risas)
00:32
Twain meant it as a joke,
of course, but he's right:
of course, but he's right:
7
20199
2604
Twain lo decía en broma,
claro, pero tiene razón:
claro, pero tiene razón:
00:34
There's something
fascinating about science.
fascinating about science.
8
22803
2876
Hay algo fascinante en la ciencia.
00:37
From a few bones, we infer
the existence of dinosuars.
the existence of dinosuars.
9
25679
4261
A partir de unos pocos huesos,
inferimos la existencia de dinosaurios.
inferimos la existencia de dinosaurios.
00:42
From spectral lines,
the composition of nebulae.
the composition of nebulae.
10
30910
3871
A partir de las líneas espectrales,
la composición de las nebulosas.
la composición de las nebulosas.
00:47
From fruit flies,
11
35471
2938
A partir de moscas de la fruta,
00:50
the mechanisms of heredity,
12
38409
2943
los mecanismos de la herencia,
00:53
and from reconstructed images
of blood flowing through the brain,
of blood flowing through the brain,
13
41352
4249
y a partir de imágenes reconstruidas
de sangre que fluye a través del cerebro,
de sangre que fluye a través del cerebro,
00:57
or in my case, from the behavior
of very young children,
of very young children,
14
45601
4708
o en mi caso, desde el comportamiento
de los niños muy pequeños,
de los niños muy pequeños,
01:02
we try to say something about
the fundamental mechanisms
the fundamental mechanisms
15
50309
2829
tratamos de decir algo sobre los
mecanismos fundamentales
mecanismos fundamentales
de la cognición humana.
01:05
of human cognition.
16
53138
1618
En particular, en mi laboratorio en el
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
Departamento de Cerebro
y Ciencias Cognitivas del MIT,
y Ciencias Cognitivas del MIT,
01:12
I have spent the past decade
trying to understand the mystery
trying to understand the mystery
18
60475
3654
he pasado los últimos diez años
tratando de entender el misterio
tratando de entender el misterio
01:16
of how children learn so much
from so little so quickly.
from so little so quickly.
19
64129
3977
de cómo los niños aprenden mucho
rápidamente a partir de tan poco.
rápidamente a partir de tan poco.
01:20
Because, it turns out that
the fascinating thing about science
the fascinating thing about science
20
68666
2978
Porque resulta que lo fascinante
de la ciencia
de la ciencia
01:23
is also a fascinating
thing about children,
thing about children,
21
71644
3529
es también una cosa fascinante
en los niños,
en los niños,
01:27
which, to put a gentler
spin on Mark Twain,
spin on Mark Twain,
22
75173
2581
que, para ponerlo en términos de
Mark Twain, pero más suave
Mark Twain, pero más suave
01:29
is precisely their ability
to draw rich, abstract inferences
to draw rich, abstract inferences
23
77754
4650
es precisamente su capacidad para
dibujar ricas inferencias abstractas
dibujar ricas inferencias abstractas
01:34
rapidly and accurately
from sparse, noisy data.
from sparse, noisy data.
24
82404
4661
rápidamente y con precisión
a partir de datos dispersos, confusos.
a partir de datos dispersos, confusos.
01:40
I'm going to give you
just two examples today.
just two examples today.
25
88355
2398
Daré solo dos ejemplos hoy.
01:42
One is about a problem of generalization,
26
90753
2287
Uno es sobre un problema
de generalización,
de generalización,
01:45
and the other is about a problem
of causal reasoning.
of causal reasoning.
27
93040
2850
y el otro sobre un problema
de razonamiento causal.
de razonamiento causal.
01:47
And although I'm going to talk
about work in my lab,
about work in my lab,
28
95890
2525
Y aunque hablaré
del trabajo en mi laboratorio,
del trabajo en mi laboratorio,
01:50
this work is inspired by
and indebted to a field.
and indebted to a field.
29
98415
3460
este trabajo se inspira
y está en deuda con un campo.
y está en deuda con un campo.
01:53
I'm grateful to mentors, colleagues,
and collaborators around the world.
and collaborators around the world.
30
101875
4283
Se lo agradezco a los mentores, colegas
y colaboradores de todo el mundo.
y colaboradores de todo el mundo.
01:59
Let me start with the problem
of generalization.
of generalization.
31
107308
2974
Permítanme comenzar con el problema
de la generalización.
de la generalización.
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
Generalizar a partir de
pequeñas muestras de datos
pequeñas muestras de datos
es el pan de cada día de la ciencia.
02:06
We poll a tiny fraction of the electorate
33
114785
2554
Entrevistamos a una pequeña fracción
del electorado
del electorado
02:09
and we predict the outcome
of national elections.
of national elections.
34
117339
2321
y podemos predecir el resultado
de las elecciones nacionales.
de las elecciones nacionales.
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
Vemos un puñado de pacientes responder
al tratamiento en un ensayo clínico,
al tratamiento en un ensayo clínico,
02:16
and we bring drugs to a national market.
36
124165
3065
y lanzamos los fármacos
a un mercado nacional.
a un mercado nacional.
02:19
But this only works if our sample
is randomly drawn from the population.
is randomly drawn from the population.
37
127230
4365
Pero esto solo funciona si la muestra
se extrae al azar de la población.
se extrae al azar de la población.
02:23
If our sample is cherry-picked
in some way --
in some way --
38
131595
2735
Si la muestra es seleccionada
de alguna manera
de alguna manera
02:26
say, we poll only urban voters,
39
134330
2072
--por ejemplo, un sondeo
a solo votantes urbanos,
a solo votantes urbanos,
02:28
or say, in our clinical trials
for treatments for heart disease,
for treatments for heart disease,
40
136402
4388
o, en un ensayo clínico de tratamientos
para enfermedades del corazón,
para enfermedades del corazón,
02:32
we include only men --
41
140790
1881
solo incluimos hombres--
02:34
the results may not generalize
to the broader population.
to the broader population.
42
142671
3158
los resultados no pueden generalizarse
a la población en general.
a la población en general.
02:38
So scientists care whether evidence
is randomly sampled or not,
is randomly sampled or not,
43
146479
3581
Los científicos se preocupan si
la evidencia es tomada o no al azar,
la evidencia es tomada o no al azar,
pero ¿qué tiene esto
que ver con los bebés?
que ver con los bebés?
02:42
but what does that have to do with babies?
44
150060
2015
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
Los bebés tienen que
generalizar a partir de
generalizar a partir de
pequeñas muestras de datos
todo el tiempo.
todo el tiempo.
02:49
They see a few rubber ducks
and learn that they float,
and learn that they float,
46
157206
3158
Ellos ven un par de patos de goma
y aprenden que flotan,
y aprenden que flotan,
02:52
or a few balls and learn that they bounce.
47
160364
3575
o un par de pelotas
y aprenden que rebotan.
y aprenden que rebotan.
02:55
And they develop expectations
about ducks and balls
about ducks and balls
48
163939
2951
Y desarrollan expectativas
sobre patos y pelotas
sobre patos y pelotas
02:58
that they're going to extend
to rubber ducks and balls
to rubber ducks and balls
49
166890
2716
que van a extender a los patos de goma
y a las pelotas
y a las pelotas
03:01
for the rest of their lives.
50
169606
1879
por el resto de sus vidas.
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
El tipo de generalizaciones que los bebés
tienen que hacer sobre patos y bolas
tienen que hacer sobre patos y bolas
03:07
they have to make about almost everything:
52
175224
2089
tienen que hacerlas con casi todo:
03:09
shoes and ships and sealing wax
and cabbages and kings.
and cabbages and kings.
53
177313
3917
zapatos y barcos y cera y coles y reyes.
03:14
So do babies care whether
the tiny bit of evidence they see
the tiny bit of evidence they see
54
182200
2961
¿A los bebés les importa si
las pocas pruebas que ven,
las pocas pruebas que ven,
03:17
is plausibly representative
of a larger population?
of a larger population?
55
185161
3692
representan una población más grande?
03:21
Let's find out.
56
189763
1900
Vamos a ver.
03:23
I'm going to show you two movies,
57
191663
1723
Les mostraré dos películas,
03:25
one from each of two conditions
of an experiment,
of an experiment,
58
193386
2462
una de cada una de las dos condiciones
de un experimento,
de un experimento,
03:27
and because you're going to see
just two movies,
just two movies,
59
195848
2438
y como son solo dos películas,
03:30
you're going to see just two babies,
60
198286
2136
verán solo dos bebés,
03:32
and any two babies differ from each other
in innumerable ways.
in innumerable ways.
61
200422
3947
y los dos bebés difieren entre sí
en innumerables maneras.
en innumerables maneras.
03:36
But these babies, of course,
here stand in for groups of babies,
here stand in for groups of babies,
62
204369
3051
Pero estos bebés, por supuesto,
son parte de grupos de bebés,
son parte de grupos de bebés,
03:39
and the differences you're going to see
63
207420
1895
y las diferencias que verán
03:41
represent average group differences
in babies' behavior across conditions.
in babies' behavior across conditions.
64
209315
5195
representan diferencias
del grupo promedio
del grupo promedio
en el comportamiento
según las condiciones.
según las condiciones.
03:47
In each movie, you're going to see
a baby doing maybe
a baby doing maybe
65
215160
2583
En cada película, verán
a un bebé haciendo
a un bebé haciendo
03:49
just exactly what you might
expect a baby to do,
expect a baby to do,
66
217743
3460
exactamente lo que cabría esperar
que haga un bebé,
que haga un bebé,
03:53
and we can hardly make babies
more magical than they already are.
more magical than they already are.
67
221203
4017
y difícilmente podemos hacer a
los bebés más mágicos de lo que ya son.
los bebés más mágicos de lo que ya son.
03:58
But to my mind the magical thing,
68
226090
2010
Pero a para mi mente lo mágico,
04:00
and what I want you to pay attention to,
69
228100
2089
y a lo que quiero que presten atención,
04:02
is the contrast between
these two conditions,
these two conditions,
70
230189
3111
es al contraste entre
estas dos condiciones,
estas dos condiciones,
04:05
because the only thing
that differs between these two movies
that differs between these two movies
71
233300
3529
porque lo único en que se diferencian
estas dos películas
estas dos películas
04:08
is the statistical evidence
the babies are going to observe.
the babies are going to observe.
72
236829
3466
es la evidencia estadística
que los bebés observarán.
que los bebés observarán.
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
Les mostraremos una caja
de bolas de color azul y amarillo,
de bolas de color azul y amarillo,
04:16
and my then-graduate student,
now colleague at Stanford, Hyowon Gweon,
now colleague at Stanford, Hyowon Gweon,
74
244608
4620
y mi entonces estudiante de posgrado,
ahora colega en Stanford, Hyowon Gweon,
ahora colega en 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
sacará tres bolas de color azul
en fila de esta caja,
en fila de esta caja,
04:24
and when she pulls those balls out,
she's going to squeeze them,
she's going to squeeze them,
76
252305
3123
y al sacar esas bolas fuera,
las apretará,
las apretará,
04:27
and the balls are going to squeak.
77
255428
2113
y las bolas chirriarán.
04:29
And if you're a baby,
that's like a TED Talk.
that's like a TED Talk.
78
257541
2763
Y si fueran el bebé,
sería como una TED Talk.
sería como una TED Talk.
No hay nada mejor que eso.
04:32
It doesn't get better than that.
79
260304
1904
04:34
(Laughter)
80
262208
2561
(Risas)
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
Pero el punto importante es que es muy
fácil sacar tres bolas azules en fila
fácil sacar tres bolas azules en fila
04:42
out of a box of mostly blue balls.
82
270627
2305
de una caja de pelotas
en su mayoría azules.
en su mayoría azules.
04:44
You could do that with your eyes closed.
83
272932
2060
Podrían hacerlo con los ojos cerrados.
04:46
It's plausibly a random sample
from this population.
from this population.
84
274992
2996
Es posible una muestra aleatoria
de esta población.
de esta población.
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
Y si se pueden sacar de la caja al azar
y sacar cosas que chirrían,
y sacar cosas que chirrían,
04:53
then maybe everything in the box squeaks.
86
281720
2839
entonces tal vez todo en la caja chirría.
04:56
So maybe babies should expect
those yellow balls to squeak as well.
those yellow balls to squeak as well.
87
284559
3650
Tal vez los bebés deben esperar que esas
bolas amarillas chirríen también.
bolas amarillas chirríen también.
05:00
Now, those yellow balls
have funny sticks on the end,
have funny sticks on the end,
88
288209
2519
Las bolas amarillas
tienen palos divertidos al final,
tienen palos divertidos al final,
05:02
so babies could do other things
with them if they wanted to.
with them if they wanted to.
89
290728
2857
así los bebés podrían hacer
otras cosas con ellas si quisieran.
otras cosas con ellas si quisieran.
05:05
They could pound them or whack them.
90
293585
1831
Podrían sacudirlas o golpear a ellas.
05:07
But let's see what the baby does.
91
295416
2586
Pero vamos a ver lo que hace el bebé.
05:12
(Video) Hyowon Gweon: See this?
(Ball squeaks)
(Ball squeaks)
92
300548
3343
(Video) Hyowon Gweon: ¿Ves esto?
(Bola chirría)
(Bola chirría)
05:16
Did you see that?
(Ball squeaks)
(Ball squeaks)
93
304531
3045
¿Viste eso?
(Bola chirría)
(Bola chirría)
05:20
Cool.
94
308036
3066
Genial.
05:24
See this one?
95
312706
1950
¿Ves este?
05:26
(Ball squeaks)
96
314656
1881
(Bola chirría)
05:28
Wow.
97
316537
2653
Guauu.
05:33
Laura Schulz: Told you. (Laughs)
98
321854
2113
Laura Schulz: Lo dije.
(Risas)
(Risas)
05:35
(Video) HG: See this one?
(Ball squeaks)
(Ball squeaks)
99
323967
4031
(Video) HG: ¿Ves este?
(Bola chirría)
(Bola chirría)
05:39
Hey Clara, this one's for you.
You can go ahead and play.
You can go ahead and play.
100
327998
4619
Clara, este es para ti.
Puedes jugar.
Puedes jugar.
05:51
(Laughter)
101
339854
4365
(Risas)
05:56
LS: I don't even have to talk, right?
102
344219
2995
LS: No tengo ni siquiera
que hablar, ¿verdad?
que hablar, ¿verdad?
05:59
All right, it's nice that babies
will generalize properties
will generalize properties
103
347214
2899
Está bien, es bueno que los bebés
generalicen propiedades
generalicen propiedades
06:02
of blue balls to yellow balls,
104
350113
1528
de bolas azules a amarillas,
06:03
and it's impressive that babies
can learn from imitating us,
can learn from imitating us,
105
351641
3096
y es impresionante que pueden
aprender de nosotros imitando,
aprender de nosotros imitando,
06:06
but we've known those things about babies
for a very long time.
for a very long time.
106
354737
3669
pero ido aprendiendo esas cosas de
los bebés durante mucho tiempo.
los bebés durante mucho tiempo.
06:10
The really interesting question
107
358406
1811
La pregunta realmente interesante
06:12
is what happens when we show babies
exactly the same thing,
exactly the same thing,
108
360217
2852
es qué sucede cuando
les mostramos a los bebés lo mismo,
les mostramos a los bebés lo mismo,
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
y sabemos que es lo mismo, porque
tenemos un compartimiento secreto
tenemos un compartimiento secreto
06:18
and we actually pull the balls from there,
110
366680
2110
y que en realidad
tomamos las bolas de allí,
tomamos las bolas de allí,
06:20
but this time, all we change
is the apparent population
is the apparent population
111
368790
3478
pero esta vez, lo único que cambiamos
es la población aparente
es la población aparente
06:24
from which that evidence was drawn.
112
372268
2902
de la que se extrae la evidencia.
06:27
This time, we're going to show babies
three blue balls
three blue balls
113
375170
3553
Esta vez, mostraremos
a los bebés tres bolas azules
a los bebés tres bolas azules
06:30
pulled out of a box
of mostly yellow balls,
of mostly yellow balls,
114
378723
3384
sacadas de una caja de pelotas
en su mayoría de color amarillo,
en su mayoría de color amarillo,
06:34
and guess what?
115
382107
1322
¿y adivinen qué?
06:35
You [probably won't] randomly draw
three blue balls in a row
three blue balls in a row
116
383429
2840
Seguramente no sacarán al azar
tres bolas azules en fila
tres bolas azules en fila
06:38
out of a box of mostly yellow balls.
117
386269
2484
de una caja de pelotas
en su mayoría amarillas.
en su mayoría amarillas.
06:40
That is not plausibly
randomly sampled evidence.
randomly sampled evidence.
118
388753
3747
Eso no es plausible
en muestreos aleatorios.
en muestreos aleatorios.
06:44
That evidence suggests that maybe Hyowon
was deliberately sampling the blue balls.
was deliberately sampling the blue balls.
119
392500
5123
Esa evidencia sugiere que tal vez Hyowon
tomaba deliberadamente las bolas azules.
tomaba deliberadamente las bolas azules.
06:49
Maybe there's something special
about the blue balls.
about the blue balls.
120
397623
2583
Tal vez hay algo especial
con las bolas azules.
con las bolas azules.
06:52
Maybe only the blue balls squeak.
121
400846
2976
Tal vez solo las bolas azules chirrían.
06:55
Let's see what the baby does.
122
403822
1895
Vamos a ver lo que hace el bebé.
06:57
(Video) HG: See this?
(Ball squeaks)
(Ball squeaks)
123
405717
2904
(Video) HG: ¿Ves esto?
(Bola chirría)
(Bola chirría)
07:02
See this toy?
(Ball squeaks)
(Ball squeaks)
124
410851
2645
¿Ves este juguete?
(Bola chirría)
(Bola chirría)
07:05
Oh, that was cool. See?
(Ball squeaks)
(Ball squeaks)
125
413496
5480
Oh, eso fue genial. ¿Ves?
(Bola chirría)
(Bola chirría)
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
Este es para que juegues.
Puedes jugar.
Puedes jugar.
07:18
(Fussing)
(Laughter)
(Laughter)
127
426074
6347
(Hace ruidos)
(Risas)
(Risas)
07:26
LS: So you just saw
two 15-month-old babies
two 15-month-old babies
128
434901
2748
LS: Acaban de ver dos bebés
de 15 meses de edad
de 15 meses de edad
07:29
do entirely different things
129
437649
1942
hacer cosas completamente diferentes
07:31
based only on the probability
of the sample they observed.
of the sample they observed.
130
439591
3599
basados solo en la probabilidad de
la muestra que observaron.
la muestra que observaron.
07:35
Let me show you the experimental results.
131
443190
2321
Les enseñaré
los resultados experimentales.
los resultados experimentales.
07:37
On the vertical axis, you'll see
the percentage of babies
the percentage of babies
132
445511
2764
En el eje vertical,
verán el porcentaje de bebés
verán el porcentaje de bebés
07:40
who squeezed the ball in each condition,
133
448275
2530
que apretaron la pelota en cada condición,
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
y como verán, los bebés son mucho más
propensos a generalizar las pruebas
propensos a generalizar las pruebas
07:46
when it's plausibly representative
of the population
of the population
135
454520
3135
cuando es plausiblemente
representativa de la población
representativa de la población
07:49
than when the evidence
is clearly cherry-picked.
is clearly cherry-picked.
136
457655
3738
que cuando la evidencia
es claramente escogida.
es claramente escogida.
07:53
And this leads to a fun prediction:
137
461393
2415
Y esto lleva a una predicción extraña:
07:55
Suppose you pulled just one blue ball
out of the mostly yellow box.
out of the mostly yellow box.
138
463808
4868
Supongamos que sacamos solo una bola
azul de una caja con mayoría amarilla.
azul de una caja con mayoría amarilla.
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
Probablemente no sacarán tres azules
en fila al azar de una caja de amarillas,
en fila al azar de una caja de amarillas,
08:04
but you could randomly sample
just one blue ball.
just one blue ball.
140
472765
2455
pero se podría solo una bola azul al azar.
08:07
That's not an improbable sample.
141
475220
1970
Esa no es una muestra improbable.
08:09
And if you could reach into
a box at random
a box at random
142
477190
2224
Y si pudieran tomar
una al azar de una caja
una al azar de una caja
08:11
and pull out something that squeaks,
maybe everything in the box squeaks.
maybe everything in the box squeaks.
143
479414
3987
y sacar algo que chirría, tal vez
todo en la caja chirriaría.
todo en la caja chirriaría.
08:15
So even though babies are going to see
much less evidence for squeaking,
much less evidence for squeaking,
144
483875
4445
Así que a pesar de que los bebés verán
mucha menos evidencia de chirridos,
mucha menos evidencia de chirridos,
08:20
and have many fewer actions to imitate
145
488320
2242
y tienen muchas menos acciones para imitar
08:22
in this one ball condition than in
the condition you just saw,
the condition you just saw,
146
490562
3343
en esta condición de una bola
que es la que van a ver,
que es la que van a ver,
08:25
we predicted that babies themselves
would squeeze more,
would squeeze more,
147
493905
3892
predijimos que los bebés
sí la exprimirían más,
sí la exprimirían más,
08:29
and that's exactly what we found.
148
497797
2894
y eso es exactamente
lo que encontramos.
lo que encontramos.
08:32
So 15-month-old babies,
in this respect, like scientists,
in this respect, like scientists,
149
500691
4411
Los bebés de 15 meses de edad, en este
sentido, al igual que los científicos,
sentido, al igual que los científicos,
08:37
care whether evidence
is randomly sampled or not,
is randomly sampled or not,
150
505102
3088
tienen cuidado de si la evidencia
es de una muestra al azar o no,
es de una muestra al azar o no,
08:40
and they use this to develop
expectations about the world:
expectations about the world:
151
508190
3507
y utilizan esto para desarrollar
expectativas sobre el mundo:
expectativas sobre el mundo:
08:43
what squeaks and what doesn't,
152
511697
2182
que chirría y que no,
08:45
what to explore and what to ignore.
153
513879
3145
qué explorar y qué ignorar.
08:50
Let me show you another example now,
154
518384
2066
Les mostraré otro ejemplo,
08:52
this time about a problem
of causal reasoning.
of causal reasoning.
155
520450
2730
sobre un problema
de razonamiento causal.
de razonamiento causal.
Comienza con un problema
confuso de evidencia
confuso de evidencia
08:55
And it starts with a problem
of confounded evidence
of confounded evidence
156
523180
2439
08:57
that all of us have,
157
525619
1672
que todos tenemos,
08:59
which is that we are part of the world.
158
527291
2020
que es que somos parte del mundo.
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
Puede no parecer un problema,
pero como la mayoría de los problemas,
pero como la mayoría de los problemas,
09:04
it's only a problem when things go wrong.
160
532747
2337
es solo un problema
cuando las cosas van mal.
cuando las cosas van mal.
09:07
Take this baby, for instance.
161
535464
1811
Tomen este bebé, por ejemplo.
09:09
Things are going wrong for him.
162
537275
1705
Las cosas van mal para él.
09:10
He would like to make
this toy go, and he can't.
this toy go, and he can't.
163
538980
2271
Le gustaría jugar con este juguete,
y no puede.
y no puede.
09:13
I'll show you a few-second clip.
164
541251
2529
Les mostraré unos pocos segundos del clip.
09:21
And there's two possibilities, broadly:
165
549340
1920
Hay dos grandes posibilidades:
09:23
Maybe he's doing something wrong,
166
551260
2634
Tal vez él está haciendo algo mal,
09:25
or maybe there's something
wrong with the toy.
wrong with the toy.
167
553894
4216
o tal vez hay algo mal con el juguete.
09:30
So in this next experiment,
168
558110
2111
Así que en el siguiente experimento,
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
daremos a los bebés solo
unos pocos datos estadísticos
unos pocos datos estadísticos
09:35
supporting one hypothesis over the other,
170
563518
2582
para apoyar una hipótesis sobre la otra,
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
y veremos si pueden usarlos
para tomar decisiones diferentes
para tomar decisiones diferentes
09:41
about what to do.
172
569555
1834
acerca de qué hacer.
09:43
Here's the setup.
173
571389
2022
Aquí está la configuración.
09:46
Hyowon is going to try to make
the toy go and succeed.
the toy go and succeed.
174
574071
3030
Hyowon intentará que
el juguete funcione y tenga éxito.
el juguete funcione y tenga éxito.
09:49
I am then going to try twice
and fail both times,
and fail both times,
175
577101
3320
Yo a continuación lo intentaré
dos veces y fallaré en ambas,
dos veces y fallaré en ambas,
09:52
and then Hyowon is going
to try again and succeed,
to try again and succeed,
176
580421
3112
y luego Hyowon lo intentará de nuevo
y tendrá éxito,
y tendrá éxito,
09:55
and this roughly sums up my relationship
to my graduate students
to my graduate students
177
583533
3172
lo que resume casi mi relación
con mis estudiantes de posgrado
con mis estudiantes de posgrado
09:58
in technology across the board.
178
586705
2835
en tecnología en todos los ámbitos.
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
Pero el punto importante aquí es
que proporciona algo de evidencia
que proporciona algo de evidencia
10:05
that the problem isn't with the toy,
it's with the person.
it's with the person.
180
593322
3668
que el problema no es con el juguete,
que es con la persona.
que es con la persona.
10:08
Some people can make this toy go,
181
596990
2350
Algunos pueden
hacer funcionar este juguete,
hacer funcionar este juguete,
10:11
and some can't.
182
599340
959
y otros no pueden.
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
Cuando el bebé recibe el juguete,
optará por una alternativa.
optará por una alternativa.
10:16
His mom is right there,
184
604212
2188
Su mamá está ahí,
10:18
so he can go ahead and hand off the toy
and change the person,
and change the person,
185
606400
3315
para que pueda continuar
y cambiar a la persona,
y cambiar a la persona,
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
pero también habrá
otro juguete al final de esa tela,
otro juguete al final de esa tela,
10:24
and he can pull the cloth towards him
and change the toy.
and change the toy.
187
612873
3552
y él puede tirar de la tela hacia él
y cambiar el juguete.
y cambiar el juguete.
10:28
So let's see what the baby does.
188
616425
2090
Así que veamos qué hace el bebé.
10:30
(Video) HG: Two, three. Go!
(Music)
(Music)
189
618515
4183
(Video) HG: Dos, tres. ¡Adelante!
(Música)
(Música)
10:34
LS: One, two, three, go!
190
622698
3131
LS: Uno, dos, tres, ¡ya!
10:37
Arthur, I'm going to try again.
One, two, three, go!
One, two, three, go!
191
625829
7382
Arthur, voy a intentarlo de nuevo.
Uno, dos, tres, ¡ya!
Uno, dos, tres, ¡ya!
10:45
YG: Arthur, let me try again, okay?
192
633677
2600
YG: Arthur, déjame intentarlo de nuevo,
¿de acuerdo?
¿de acuerdo?
10:48
One, two, three, go!
(Music)
(Music)
193
636277
4550
Uno, dos, tres, ¡ya!
(Música)
(Música)
10:53
Look at that. Remember these toys?
194
641583
1883
Mira eso. ¿Recuerdas estos juguetes?
10:55
See these toys? Yeah, I'm going
to put this one over here,
to put this one over here,
195
643466
3264
¿Ves estos juguetes?
Sí, voy a poner este aquí,
Sí, voy a poner este aquí,
10:58
and I'm going to give this one to you.
196
646730
2062
y te voy a dar este.
11:00
You can go ahead and play.
197
648792
2335
Puede jugar.
11:23
LS: Okay, Laura, but of course,
babies love their mommies.
babies love their mommies.
198
671213
4737
BT: Bueno, Laura, pero, por supuesto,
los bebés aman a sus mamás.
los bebés aman a sus mamás.
11:27
Of course babies give toys
to their mommies
to their mommies
199
675950
2182
Claro, los bebés
dan juguetes a sus mamás
dan juguetes a sus mamás
11:30
when they can't make them work.
200
678132
2030
cuando no pueden hacer que funcionen.
11:32
So again, the really important question
is what happens when we change
is what happens when we change
201
680162
3593
De nuevo, la pregunta realmente
importante es qué sucede cuando cambiamos
importante es qué sucede cuando cambiamos
11:35
the statistical data ever so slightly.
202
683755
3154
los datos estadísticos ligeramente.
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
Esta vez, los bebés verán el juguete
funcionar y fallar en el mismo orden,
funcionar y fallar en el mismo orden,
11:42
but we're changing
the distribution of evidence.
the distribution of evidence.
204
690996
2415
pero cambiamos la distribución
de las pruebas.
de las pruebas.
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
Esta vez, Hyowon tendrá éxito una vez
y fallará otra, y yo también
y fallará otra, y yo también
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
Y esto sugiere que no importa quién usa
el juguete, el juguete falla.
el juguete, el juguete falla.
11:55
It doesn't work all the time.
207
703459
1886
No funciona todo el tiempo.
11:57
Again, the baby's going to have a choice.
208
705345
1965
Una vez más,
el bebé tendrá una elección.
el bebé tendrá una elección.
11:59
Her mom is right next to her,
so she can change the person,
so she can change the person,
209
707310
3396
Su mamá está justo al lado, para que
ella pueda cambiar a la persona,
ella pueda cambiar a la persona,
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
y habrá otro juguete al final de la tela.
12:05
Let's watch what she does.
211
713910
1378
Vamos a ver lo que hace.
12:07
(Video) HG: Two, three, go!
(Music)
(Music)
212
715288
4348
(Video) HG: Dos, tres, ¡ya!
(Música)
(Música)
12:11
Let me try one more time.
One, two, three, go!
One, two, three, go!
213
719636
4984
Déjame intentarlo una vez más.
Uno, dos, tres, ¡ya!
Uno, dos, tres, ¡ya!
12:17
Hmm.
214
725460
1697
Hmm.
12:19
LS: Let me try, Clara.
215
727950
2692
LS: Déjame intentar, Clara.
12:22
One, two, three, go!
216
730642
3945
Uno, dos, tres, ¡ya!
12:27
Hmm, let me try again.
217
735265
1935
Hmm, déjame intentarlo de nuevo.
12:29
One, two, three, go!
(Music)
(Music)
218
737200
5670
Uno, dos, tres, ¡ya!
(Música)
(Música)
12:35
HG: I'm going
to put this one over here,
to put this one over here,
219
743009
2233
HG: Voy a poner este por aquí,
12:37
and I'm going to give this one to you.
220
745242
2001
y te voy a dar éste.
12:39
You can go ahead and play.
221
747243
3597
Puedes usarlo y jugar.
12:58
(Applause)
222
766376
4897
(Aplausos)
13:04
LS: Let me show you
the experimental results.
the experimental results.
223
772993
2392
LS: Les mostrará
los resultados experimentales.
los resultados experimentales.
13:07
On the vertical axis,
you'll see the distribution
you'll see the distribution
224
775385
2475
En el eje vertical, verán la distribución
13:09
of children's choices in each condition,
225
777860
2577
de opciones de los niños
en cada condición,
en cada condición,
13:12
and you'll see that the distribution
of the choices children make
of the choices children make
226
780437
4551
y verán que la distribución
de las opciones de los niños
de las opciones de los niños
13:16
depends on the evidence they observe.
227
784988
2787
dependen de los ensayos que observan.
13:19
So in the second year of life,
228
787775
1857
Así, en el segundo año de vida,
13:21
babies can use a tiny bit
of statistical data
of statistical data
229
789632
2577
los bebés pueden usar
algo de los datos estadísticos
algo de los datos estadísticos
13:24
to decide between two
fundamentally different strategies
fundamentally different strategies
230
792209
3367
para decidir entre dos estrategias
fundamentalmente diferentes
fundamentalmente diferentes
13:27
for acting in the world:
231
795576
1881
para actuar en el mundo:
13:29
asking for help and exploring.
232
797457
2743
pedir ayuda y explorar.
13:33
I've just shown you
two laboratory experiments
two laboratory experiments
233
801700
3434
Acabo de mostrarles
dos experimentos de laboratorio
dos experimentos de laboratorio
13:37
out of literally hundreds in the field
that make similar points,
that make similar points,
234
805134
3691
de literalmente cientos en el campo
que llegan a resultados similares,
que llegan a resultados similares,
13:40
because the really critical point
235
808825
2392
debido a que el punto realmente crítico es
13:43
is that children's ability
to make rich inferences from sparse data
to make rich inferences from sparse data
236
811217
5108
que la capacidad de los niños para hacer
inferencias a partir de datos escasos
inferencias a partir de datos escasos
13:48
underlies all the species-specific
cultural learning that we do.
cultural learning that we do.
237
816325
5341
subyace a todo el aprendizaje cultural
específico de la especie.
específico de la especie.
13:53
Children learn about new tools
from just a few examples.
from just a few examples.
238
821666
4597
Los niños aprenden nuevas herramientas
a partir de solo algunos ejemplos.
a partir de solo algunos ejemplos.
13:58
They learn new causal relationships
from just a few examples.
from just a few examples.
239
826263
4717
Aprenden nuevas relaciones causales
a partir de solo algunos ejemplos.
a partir de solo algunos ejemplos.
14:03
They even learn new words,
in this case in American Sign Language.
in this case in American Sign Language.
240
831928
4871
Incluso aprenden nuevas palabras, en este
caso en el lenguaje de señas americano.
caso en el lenguaje de señas americano.
14:08
I want to close with just two points.
241
836799
2311
Quiero cerrar con solo dos puntos.
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
Si han seguido mi mundo, el campo
de las ciencias cerebrales y cognitivas,
de las ciencias cerebrales y cognitivas,
14:15
for the past few years,
243
843738
1927
en los últimos años,
14:17
three big ideas will have come
to your attention.
to your attention.
244
845665
2415
tres grandes ideas
habrán llamado su atención.
habrán llamado su atención.
14:20
The first is that this is
the era of the brain.
the era of the brain.
245
848080
3436
La primera es que esta
es la era del cerebro.
es la era del cerebro.
14:23
And indeed, there have been
staggering discoveries in neuroscience:
staggering discoveries in neuroscience:
246
851516
3669
Y, en efecto, ha habido descubrimientos
asombrosos en neurociencia:
asombrosos en neurociencia:
14:27
localizing functionally specialized
regions of cortex,
regions of cortex,
247
855185
3436
localización de regiones funcionalmente
especializados de la corteza,
especializados de la corteza,
14:30
turning mouse brains transparent,
248
858621
2601
logrando cerebros de ratón transparentes,
14:33
activating neurons with light.
249
861222
3776
la activación de las neuronas con la luz.
14:36
A second big idea
250
864998
1996
Una segunda gran idea
14:38
is that this is the era of big data
and machine learning,
and machine learning,
251
866994
4104
es que esta es la era de los grandes
datos y el aprendizaje automático,
datos y el aprendizaje automático,
14:43
and machine learning promises
to revolutionize our understanding
to revolutionize our understanding
252
871098
3141
y las máquinas que aprenden prometen
revolucionar nuestra comprensión
revolucionar nuestra comprensión
14:46
of everything from social networks
to epidemiology.
to epidemiology.
253
874239
4667
de todo, desde las redes sociales
a la epidemiología.
a la epidemiología.
14:50
And maybe, as it tackles problems
of scene understanding
of scene understanding
254
878906
2693
Tal vez, al afrontar problemas
de la escena comprensión
de la escena comprensión
14:53
and natural language processing,
255
881599
1993
y el procesamiento del lenguaje natural,
14:55
to tell us something
about human cognition.
about human cognition.
256
883592
3324
nos diga algo sobre la cognición humana.
14:59
And the final big idea you'll have heard
257
887756
1937
Y la gran idea final que habrán oído
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
es que tal vez es una buena idea que
vamos a saber tanto de cerebros
vamos a saber tanto de cerebros
15:05
and have so much access to big data,
259
893080
1917
y tener tanto acceso a grandes datos,
15:06
because left to our own devices,
260
894997
2507
porque dejaremos a
nuestros propios dispositivos,
nuestros propios dispositivos,
15:09
humans are fallible, we take shortcuts,
261
897504
3831
los seres humanos son falibles,
tomamos atajos,
tomamos atajos,
15:13
we err, we make mistakes,
262
901335
3437
erramos, cometemos errores,
15:16
we're biased, and in innumerable ways,
263
904772
3684
estamos sesgados,
y en innumerables formas,
y en innumerables formas,
15:20
we get the world wrong.
264
908456
2969
obtenemos el mundo equivocado.
15:24
I think these are all important stories,
265
912843
2949
Creo que estas son todas
historias importantes,
historias importantes,
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
y tienen mucho que decirnos
acerca de lo que significa ser humano,
acerca de lo que significa ser humano,
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
pero tengan en cuenta que hoy
les conté una historia muy diferente.
les conté una historia muy diferente.
15:35
It's a story about minds and not brains,
268
923966
3807
Es una historia acerca de la mente
y no del cerebro,
y no del cerebro,
15:39
and in particular, it's a story
about the kinds of computations
about the kinds of computations
269
927773
3006
y, en particular, es una historia
sobre los tipos de cálculos
sobre los tipos de cálculos
15:42
that uniquely human minds can perform,
270
930779
2590
que las mentes humanas pueden realizar
de forma única,
de forma única,
15:45
which involve rich, structured knowledge
and the ability to learn
and the ability to learn
271
933369
3944
que implican, ricos conocimientos
estructurados y capacidad de aprender
estructurados y capacidad de aprender
15:49
from small amounts of data,
the evidence of just a few examples.
the evidence of just a few examples.
272
937313
5268
desde pequeñas cantidades de datos,
la evidencia de unos pocos ejemplos.
la evidencia de unos pocos ejemplos.
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
Y fundamentalmente, es una historia sobre
cómo iniciar a los niños muy pequeños
cómo iniciar a los niños muy pequeños
16:00
and continuing out all the way
to the greatest accomplishments
to the greatest accomplishments
274
948600
4180
y continuar hasta el final
a los más grandes logros
a los más grandes logros
16:04
of our culture,
275
952780
3843
de nuestra cultura,
16:08
we get the world right.
276
956623
1997
tenemos al mundo bien.
16:12
Folks, human minds do not only learn
from small amounts of data.
from small amounts of data.
277
960433
5267
La mente humana no solo aprende
de pequeñas cantidades de datos.
de pequeñas cantidades de datos.
16:18
Human minds think
of altogether new ideas.
of altogether new ideas.
278
966285
2101
Las mentes humanas piensan nuevas ideas.
16:20
Human minds generate
research and discovery,
research and discovery,
279
968746
3041
Las mentes humanas generan
investigación y descubrimiento,
investigación y descubrimiento,
16:23
and human minds generate
art and literature and poetry and theater,
art and literature and poetry and theater,
280
971787
5273
y las mentes humanas producen arte
y literatura y poesía y teatro,
y literatura y poesía y teatro,
16:29
and human minds take care of other humans:
281
977070
3760
y las mentes humanas
cuidan de otros seres humanos:
cuidan de otros seres humanos:
16:32
our old, our young, our sick.
282
980830
3427
nuestros mayores, nuestros jóvenes,
nuestros enfermos.
nuestros enfermos.
16:36
We even heal them.
283
984517
2367
Incluso nos sana.
16:39
In the years to come, we're going
to see technological innovations
to see technological innovations
284
987564
3103
En los próximos años, veremos
las innovaciones tecnológicas
las innovaciones tecnológicas
16:42
beyond anything I can even envision,
285
990667
3797
incluso más allá de lo
que yo pueda imaginar,
que yo pueda imaginar,
16:46
but we are very unlikely
286
994464
2150
pero es muy poco probable
16:48
to see anything even approximating
the computational power of a human child
the computational power of a human child
287
996614
5709
ver cualquier cosa, incluso aproximarse a
la potencia de cálculo de un niño humano
la potencia de cálculo de un niño humano
16:54
in my lifetime or in yours.
288
1002323
4298
en mi vida o en la suya.
16:58
If we invest in these most powerful
learners and their development,
learners and their development,
289
1006621
5047
Si invertimos en estos más
poderosos alumnos y en su desarrollo,
poderosos alumnos y en su desarrollo,
17:03
in babies and children
290
1011668
2917
en los bebés y niños
17:06
and mothers and fathers
291
1014585
1826
y madres y padres
17:08
and caregivers and teachers
292
1016411
2699
y cuidadores y maestros
17:11
the ways we invest in our other
most powerful and elegant forms
most powerful and elegant forms
293
1019110
4170
en la forma en que invertimos en nuestras
otras formas más poderosas y elegantes
otras formas más poderosas y elegantes
17:15
of technology, engineering and design,
294
1023280
3218
de tecnología, ingeniería y diseño,
17:18
we will not just be dreaming
of a better future,
of a better future,
295
1026498
2939
no vamos simplemente a estar soñando
con un futuro mejor,
con un futuro mejor,
estaremos planeando para uno.
17:21
we will be planning for one.
296
1029437
2127
17:23
Thank you very much.
297
1031564
2345
Muchas gracias.
17:25
(Applause)
298
1033909
3421
(Aplausos)
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, gracias. En
realidad tengo una pregunta.
realidad tengo una pregunta.
17:34
First of all, the research is insane.
300
1042236
2359
En primer lugar,
la investigación es una locura.
la investigación es una locura.
17:36
I mean, who would design
an experiment like that? (Laughter)
an experiment like that? (Laughter)
301
1044595
3725
Quiero decir, ¿quién diseñaría un
experimento como ese? (Risas)
experimento como ese? (Risas)
17:41
I've seen that a couple of times,
302
1049150
1790
Los he visto un par de veces,
17:42
and I still don't honestly believe
that that can truly be happening,
that that can truly be happening,
303
1050940
3222
y todavía honestamente no creo que
realmente esté pasando,
realmente esté pasando,
17:46
but other people have done
similar experiments; it checks out.
similar experiments; it checks out.
304
1054162
3158
pero otras personas han hecho
experimentos similares; revisen.
experimentos similares; revisen.
17:49
The babies really are that genius.
305
1057320
1633
Los bebés son realmente genios.
17:50
LS: You know, they look really impressive
in our experiments,
in our experiments,
306
1058953
3007
LS: Se ven realmente
impresionantes en nuestros experimentos,
impresionantes en nuestros experimentos,
17:53
but think about what they
look like in real life, right?
look like in real life, right?
307
1061960
2652
pero piensa en cómo se ven
en la vida real, ¿verdad?
en la vida real, ¿verdad?
17:56
It starts out as a baby.
308
1064612
1150
Empiezan como un bebé.
17:57
Eighteen months later,
it's talking to you,
it's talking to you,
309
1065762
2007
18 meses más tarde,
hablan contigo,
hablan contigo,
17:59
and babies' first words aren't just
things like balls and ducks,
things like balls and ducks,
310
1067769
3041
y las primeras palabras no son solo
cosas como pelotas y patos,
cosas como pelotas y patos,
18:02
they're things like "all gone,"
which refer to disappearance,
which refer to disappearance,
311
1070810
2881
son cosas como "se acabó",
que se refieren a desaparición,
que se refieren a desaparición,
18:05
or "uh-oh," which refer
to unintentional actions.
to unintentional actions.
312
1073691
2283
o "uh-oh", para acciones intencionales.
18:07
It has to be that powerful.
313
1075974
1562
Tiene que ser tan poderoso.
18:09
It has to be much more powerful
than anything I showed you.
than anything I showed you.
314
1077536
2775
Tiene que ser mucho más poderoso
que cualquier otra cosa.
que cualquier otra cosa.
18:12
They're figuring out the entire world.
315
1080311
1974
Están averiguando el mundo entero.
18:14
A four-year-old can talk to you
about almost anything.
about almost anything.
316
1082285
3144
Un niño de 4 años,
puede hablarte de casi cualquier cosa.
puede hablarte de casi cualquier cosa.
18:17
(Applause)
317
1085429
1601
(Aplausos)
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: ¿Y te he entendido bien, el otro
punto clave que estás haciendo es,
punto clave que estás haciendo es,
18:22
we've been through these years
where there's all this talk
where there's all this talk
319
1090444
2754
que hemos pasado estos años
donde hay todas estas charlas
donde hay todas estas charlas
18:25
of how quirky and buggy our minds are,
320
1093198
1932
de lo rara y loca
que es nuestra mente,
que es nuestra mente,
18:27
that behavioral economics
and the whole theories behind that
and the whole theories behind that
321
1095130
2867
la economía del comportamiento
y las teorías subyacentes
y las teorías subyacentes
18:29
that we're not rational agents.
322
1097997
1603
de que no somos agentes racionales.
18:31
You're really saying that the bigger
story is how extraordinary,
story is how extraordinary,
323
1099600
4216
Realmente dices que la historia
más grande es lo extraordinario,
más grande es lo extraordinario,
18:35
and there really is genius there
that is underappreciated.
that is underappreciated.
324
1103816
4944
y que en realidad
es el genio que es poco apreciado.
es el genio que es poco apreciado.
18:40
LS: One of my favorite
quotes in psychology
quotes in psychology
325
1108760
2070
LS: Una de mis citas favoritas
de psicología
de psicología
18:42
comes from the social
psychologist Solomon Asch,
psychologist Solomon Asch,
326
1110830
2290
proviene del psicólogo social
Solomon Asch, quien dijo
Solomon Asch, quien dijo
18:45
and he said the fundamental task
of psychology is to remove
of psychology is to remove
327
1113120
2807
que la tarea fundamental
de la psicología es quitar
de la psicología es quitar
18:47
the veil of self-evidence from things.
328
1115927
2626
el velo de la autoevidencia de las cosas.
18:50
There are orders of magnitude
more decisions you make every day
more decisions you make every day
329
1118553
4551
Hay órdenes de magnitud,
más decisiones que tomar cada día
más decisiones que tomar cada día
18:55
that get the world right.
330
1123104
1347
que logran un buen mundo.
18:56
You know about objects
and their properties.
and their properties.
331
1124451
2132
Sabes de los objetos y sus propiedades.
18:58
You know them when they're occluded.
You know them in the dark.
You know them in the dark.
332
1126583
3029
Los conoces cuando están ocultos.
Los conoces en la oscuridad.
Los conoces en la oscuridad.
19:01
You can walk through rooms.
333
1129612
1308
Puedes caminar por salas.
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
Puedes averiguar qué están pensando
otros. Puedes hablar con ellos.
otros. Puedes hablar con ellos.
19:06
You can navigate space.
You know about numbers.
You know about numbers.
335
1134452
2230
Navegas por el espacio.
Sabes sobre números.
Sabes sobre números.
19:08
You know causal relationships.
You know about moral reasoning.
You know about moral reasoning.
336
1136682
3022
Sabes las relaciones causales.
Y sobre el razonamiento moral.
Y sobre el razonamiento moral.
19:11
You do this effortlessly,
so we don't see it,
so we don't see it,
337
1139704
2356
Lo haces sin esfuerzo, así que no lo ves,
19:14
but that is how we get the world right,
and it's a remarkable
and it's a remarkable
338
1142060
2912
pero así es como conseguimos
un buen mundo, y es un notable
un buen mundo, y es un notable
19:16
and very difficult-to-understand
accomplishment.
accomplishment.
339
1144972
2318
y logros muy difíciles de entender.
19:19
CA: I suspect there are people
in the audience who have
in the audience who have
340
1147290
2628
CA: Sospecho que hay gente
en la audiencia que tiene
en la audiencia que tiene
19:21
this view of accelerating
technological power
technological power
341
1149918
2238
la visión de la aceleración tecnológica
19:24
who might dispute your statement
that never in our lifetimes
that never in our lifetimes
342
1152156
2958
que podría controvertir tu afirmación
de que en nuestras vidas
de que en nuestras vidas
19:27
will a computer do what
a three-year-old child can do,
a three-year-old child can do,
343
1155114
2618
una computadora no hará lo que un niño
de tres años puede hacer,
de tres años puede hacer,
19:29
but what's clear is that in any scenario,
344
1157732
3248
pero lo que está claro
es que en cualquier escenario,
es que en cualquier escenario,
19:32
our machines have so much to learn
from our toddlers.
from our toddlers.
345
1160980
3770
nuestras máquinas tienen mucho
que aprender de nuestros niños.
que aprender de nuestros niños.
19:38
LS: I think so. You'll have some
machine learning folks up here.
machine learning folks up here.
346
1166230
3216
LS: Creo que sí. Habrá máquinas
de aprendizaje automático.
de aprendizaje automático.
19:41
I mean, you should never bet
against babies or chimpanzees
against babies or chimpanzees
347
1169446
4203
Quiero decir, nunca debe apostar
en contra de los bebés o los chimpancés
en contra de los bebés o los chimpancés
19:45
or technology as a matter of practice,
348
1173649
3645
o la tecnología como
una cuestión de práctica,
una cuestión de práctica,
19:49
but it's not just
a difference in quantity,
a difference in quantity,
349
1177294
4528
pero no se trata solo
de una diferencia en la cantidad,
de una diferencia en la cantidad,
19:53
it's a difference in kind.
350
1181822
1764
es una diferencia en cualidad.
19:55
We have incredibly powerful computers,
351
1183586
2160
Tenemos computadoras muy potentes,
19:57
and they do do amazingly
sophisticated things,
sophisticated things,
352
1185746
2391
y las hacen hacer cosas
muy sofisticadas,
muy sofisticadas,
20:00
often with very big amounts of data.
353
1188137
3204
a menudo con muy grandes
cantidades de datos.
cantidades de datos.
20:03
Human minds do, I think,
something quite different,
something quite different,
354
1191341
2607
Las mentes humanas hacen,
creo, algo muy distinto,
creo, algo muy distinto,
20:05
and I think it's the structured,
hierarchical nature of human knowledge
hierarchical nature of human knowledge
355
1193948
3895
y creo que es la naturaleza estructurada
y jerárquica del conocimiento humano
y jerárquica del conocimiento humano
20:09
that remains a real challenge.
356
1197843
2032
lo que sigue siendo un verdadero desafío.
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, maravilloso alimento
para la reflexión. Muchas gracias.
para la reflexión. Muchas gracias.
20:14
LS: Thank you.
(Applause)
(Applause)
358
1202936
2922
LS: Gracias.
(Aplausos)
(Aplausos)
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