TED2015
Laura Schulz: The surprisingly logical minds of babies
Laura Schulz: Les esprits étonnamment logiques des bébés
Filmed:
Readability: 3.8
1,888,975 views
Comment les bébés apprennent-ils tellement de si peu si rapidement ?
Dans cet amusant Talk riche d’expériences, la scientifique cognitive Laura Schulz démontre comment nos plus jeunes prennent des décisions avec un sens de la logique étonnamment fort, bien avant même qu’ils ne puissent parler.
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 a résumé
ce que je considère être
ce que je considère être
00:14
one of the fundamental problems
of cognitive science
of cognitive science
1
2990
3120
un des problèmes fondamentaux
de la science cognitive
de la science cognitive
00:18
with a single witticism.
2
6110
1710
avec une plaisanterie unique.
Il a dit, « La science
a quelque chose de fascinant.
a quelque chose de fascinant.
00:20
He said, "There's something
fascinating about science.
fascinating about science.
3
8410
3082
00:23
One gets such wholesale
returns of conjecture
returns of conjecture
4
11492
3228
On reçoit des retours en masse
de conjecture
de conjecture
00:26
out of such a trifling
investment in fact."
investment in fact."
5
14720
3204
sur un investissement
aussi insignifiant en soi. »
aussi insignifiant en soi. »
00:29
(Laughter)
6
17924
1585
(Rires)
C'était une plaisanterie,
bien-sûr, mais Twain a raison :
bien-sûr, mais Twain a raison :
00:32
Twain meant it as a joke,
of course, but he's right:
of course, but he's right:
7
20199
2604
00:34
There's something
fascinating about science.
fascinating about science.
8
22803
2876
la science a quelque chose de fascinant.
00:37
From a few bones, we infer
the existence of dinosuars.
the existence of dinosuars.
9
25679
4261
De quelques os, nous déduisons
l’existence des dinosaures.
l’existence des dinosaures.
00:42
From spectral lines,
the composition of nebulae.
the composition of nebulae.
10
30910
3871
De raies spectrales,
la composition des nébuleuses.
la composition des nébuleuses.
00:47
From fruit flies,
11
35471
2938
De mouches à fruits,
00:50
the mechanisms of heredity,
12
38409
2943
les mécanismes de l'hérédité,
00:53
and from reconstructed images
of blood flowing through the brain,
of blood flowing through the brain,
13
41352
4249
et d’images reconstituées
de sang circulant dans le cerveau,
de sang circulant dans le cerveau,
00:57
or in my case, from the behavior
of very young children,
of very young children,
14
45601
4708
ou dans mon cas, du comportement
de très jeunes enfants,
de très jeunes enfants,
01:02
we try to say something about
the fundamental mechanisms
the fundamental mechanisms
15
50309
2829
nous essayons de dire
quelque chose à propos
quelque chose à propos
des mécanismes fondamentaux
de la cognition humaine.
de la cognition humaine.
01:05
of human cognition.
16
53138
1618
01:07
In particular, in my lab in the Department
of Brain and Cognitive Sciences at MIT,
of Brain and Cognitive Sciences at MIT,
17
55716
4759
Surtout dans mon laboratoire
du Département du Cerveau
et Sciences Cognitives au MIT,
et Sciences Cognitives au MIT,
01:12
I have spent the past decade
trying to understand the mystery
trying to understand the mystery
18
60475
3654
j’ai passé la dernière décennie
essayant de comprendre
essayant de comprendre
le mystère derrière lequel
01:16
of how children learn so much
from so little so quickly.
from so little so quickly.
19
64129
3977
les enfants apprennent tellement
à partir de si peu si rapidement.
à partir de si peu si rapidement.
Parce qu'en fait, ce qui est fascinant
à propos de la science
à propos de la science
01:20
Because, it turns out that
the fascinating thing about science
the fascinating thing about science
20
68666
2978
01:23
is also a fascinating
thing about children,
thing about children,
21
71644
3529
fascine aussi à propos des enfants,
01:27
which, to put a gentler
spin on Mark Twain,
spin on Mark Twain,
22
75173
2581
et donc la touche
légère de Mark Twain,
légère de Mark Twain,
01:29
is precisely their ability
to draw rich, abstract inferences
to draw rich, abstract inferences
23
77754
4650
est précisément leur capacité
de tirer des conclusions
riches, abstraites,
riches, abstraites,
01:34
rapidly and accurately
from sparse, noisy data.
from sparse, noisy data.
24
82404
4661
avec rapidité et avec précision
à partir de données éparses, bruitées.
à partir de données éparses, bruitées.
01:40
I'm going to give you
just two examples today.
just two examples today.
25
88355
2398
Je vais vous donner
deux exemples aujourd’hui.
deux exemples aujourd’hui.
01:42
One is about a problem of generalization,
26
90753
2287
L’un porte sur un problème
de généralisation,
de généralisation,
01:45
and the other is about a problem
of causal reasoning.
of causal reasoning.
27
93040
2850
et l’autre sur une problème
de la relation de causalité.
de la relation de causalité.
01:47
And although I'm going to talk
about work in my lab,
about work in my lab,
28
95890
2525
Bien que je parle du travail
dans mon laboratoire,
dans mon laboratoire,
01:50
this work is inspired by
and indebted to a field.
and indebted to a field.
29
98415
3460
ce travail est inspiré par un domaine.
auquel je suis redevable.
auquel je suis redevable.
Je suis reconnaissante
aux mentors, collègues,
aux mentors, collègues,
01:53
I'm grateful to mentors, colleagues,
and collaborators around the world.
and collaborators around the world.
30
101875
4283
et collaborateurs
dans le monde entier.
dans le monde entier.
01:59
Let me start with the problem
of generalization.
of generalization.
31
107308
2974
Laissez-moi commencer
par le problème de généralisation.
par le problème de généralisation.
Généraliser à partir
de petits échantillons de données
de petits échantillons de données
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
est le fer de lance de la science.
02:06
We poll a tiny fraction of the electorate
33
114785
2554
Nous sondons une infime
fraction de l'électorat
fraction de l'électorat
et prévoyons le résultat
des élections nationales.
des élections nationales.
02:09
and we predict the outcome
of national elections.
of national elections.
34
117339
2321
Nous voyons comment
une poignée de patients
une poignée de patients
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
réagit au traitement
d'un essai clinique,
d'un essai clinique,
02:16
and we bring drugs to a national market.
36
124165
3065
et nous introduisons les médicaments
à un marché national.
à un marché national.
Mais cela ne réussit que
si notre échantillon
si notre échantillon
02:19
But this only works if our sample
is randomly drawn from the population.
is randomly drawn from the population.
37
127230
4365
est tiré aléatoirement
à partir de la population.
à partir de la population.
02:23
If our sample is cherry-picked
in some way --
in some way --
38
131595
2735
Si notre échantillon
est trié sur le volet -
est trié sur le volet -
02:26
say, we poll only urban voters,
39
134330
2072
si nous ne sondions
que les électeurs urbains,
que les électeurs urbains,
02:28
or say, in our clinical trials
for treatments for heart disease,
for treatments for heart disease,
40
136402
4388
ou si, dans nos essais cliniques
pour traitements de maladies cardiaques,
pour traitements de maladies cardiaques,
02:32
we include only men --
41
140790
1881
nous ne retenions
que des hommes--
que des hommes--
02:34
the results may not generalize
to the broader population.
to the broader population.
42
142671
3158
les résultats ne se généraliseront pas
à l’ensemble de population.
à l’ensemble de population.
Donc les scientifiques se soucient
02:38
So scientists care whether evidence
is randomly sampled or not,
is randomly sampled or not,
43
146479
3581
si l'échantillon est aléatoire ou non,
02:42
but what does that have to do with babies?
44
150060
2015
mais quel rapport
cela a-t-il avec les bébés?
cela a-t-il avec les bébés?
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
Eh bien, les bébés doivent généraliser
à partir de petits échantillons
de données tout le temps.
de données tout le temps.
Ils voient quelques canards en caoutchouc
et apprennent qu'ils flottent
et apprennent qu'ils flottent
02:49
They see a few rubber ducks
and learn that they float,
and learn that they float,
46
157206
3158
02:52
or a few balls and learn that they bounce.
47
160364
3575
ou quelques balles
et apprennent qu'elles rebondissent.
et apprennent qu'elles rebondissent.
Et ils découvrent les caractéristiques
des canards et des balles
des canards et des balles
02:55
And they develop expectations
about ducks and balls
about ducks and balls
48
163939
2951
02:58
that they're going to extend
to rubber ducks and balls
to rubber ducks and balls
49
166890
2716
qu'ils vont attendre des canards
en caoutchouc et balles
en caoutchouc et balles
03:01
for the rest of their lives.
50
169606
1879
pour le restant de leur vie.
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
Et les types de généralisations
que les bébés font à ce propos,
que les bébés font à ce propos,
ils devront les faire
à propos de presque tout:
à propos de presque tout:
03:07
they have to make about almost everything:
52
175224
2089
03:09
shoes and ships and sealing wax
and cabbages and kings.
and cabbages and kings.
53
177313
3917
des chaussures, navires,
cire à sceller, choux et rois.
cire à sceller, choux et rois.
Les bébés se soucient-ils
de savoir
de savoir
03:14
So do babies care whether
the tiny bit of evidence they see
the tiny bit of evidence they see
54
182200
2961
si le peu de preuves
qu'ils observent
qu'ils observent
03:17
is plausibly representative
of a larger population?
of a larger population?
55
185161
3692
représente de manière plausible
l’ensemble de la population?
l’ensemble de la population?
03:21
Let's find out.
56
189763
1900
Allons vérifier.
03:23
I'm going to show you two movies,
57
191663
1723
Je vais vous montrer deux films,
03:25
one from each of two conditions
of an experiment,
of an experiment,
58
193386
2462
un pour chacune des 2 conditions
d'une expérience,
d'une expérience,
03:27
and because you're going to see
just two movies,
just two movies,
59
195848
2438
et parce que vous n’allez
voir que deux films,
voir que deux films,
03:30
you're going to see just two babies,
60
198286
2136
vous n’allez voir que deux bébés,
03:32
and any two babies differ from each other
in innumerable ways.
in innumerable ways.
61
200422
3947
et ils diffèrent l'un de l'autre
de bien des façons.
de bien des façons.
03:36
But these babies, of course,
here stand in for groups of babies,
here stand in for groups of babies,
62
204369
3051
Mais ces bébés, bien-sûr,
représentent des groupes de bébés,
03:39
and the differences you're going to see
63
207420
1895
et les différences ici représentent
les différences moyennes
les différences moyennes
03:41
represent average group differences
in babies' behavior across conditions.
in babies' behavior across conditions.
64
209315
5195
par groupe dans le comportement des bébés
à travers différentes situations.
à travers différentes situations.
Dans chaque film, vous allez voir
qu’un bébé peut-être faire
qu’un bébé peut-être faire
03:47
In each movie, you're going to see
a baby doing maybe
a baby doing maybe
65
215160
2583
03:49
just exactly what you might
expect a baby to do,
expect a baby to do,
66
217743
3460
exactement ce que vous pourriez
attendre de lui qu’il fasse,
attendre de lui qu’il fasse,
03:53
and we can hardly make babies
more magical than they already are.
more magical than they already are.
67
221203
4017
et nous pouvons difficilement
rendre les bébés
plus magiques qu’ils ne sont déjà.
plus magiques qu’ils ne sont déjà.
03:58
But to my mind the magical thing,
68
226090
2010
Mais à mon avis,
ce qui est magique,
ce qui est magique,
04:00
and what I want you to pay attention to,
69
228100
2089
et ce sur quoi je voudrais
attirer votre attention,
attirer votre attention,
04:02
is the contrast between
these two conditions,
these two conditions,
70
230189
3111
est le contraste entre
ces deux conditions,
ces deux conditions,
04:05
because the only thing
that differs between these two movies
that differs between these two movies
71
233300
3529
parce que le seul élément
qui diffère entre ces deux films
qui diffère entre ces deux films
04:08
is the statistical evidence
the babies are going to observe.
the babies are going to observe.
72
236829
3466
est la preuve statistique
que les bébés vont observer.
que les bébés vont observer.
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
Nous allons montrer aux bébés
une boite de balles bleues et jaunes,
une boite de balles bleues et jaunes,
04:16
and my then-graduate student,
now colleague at Stanford, Hyowon Gweon,
now colleague at Stanford, Hyowon Gweon,
74
244608
4620
et mon étudiante diplômée, Hyowon Gweon,
maintenant une collègue à Stanford,
maintenant une collègue à Stanford,
04:21
is going to pull three blue balls
in a row out of this box,
in a row out of this box,
75
249228
3077
va tirer trois balles
d’affilée de cette boite,
d’affilée de cette boite,
04:24
and when she pulls those balls out,
she's going to squeeze them,
she's going to squeeze them,
76
252305
3123
et en les tirant,
elle va les presser;
elle va les presser;
04:27
and the balls are going to squeak.
77
255428
2113
les balles vont couiner.
04:29
And if you're a baby,
that's like a TED Talk.
that's like a TED Talk.
78
257541
2763
Et si vous êtes un bébé
c'est comme un Talk TED,
c'est comme un Talk TED,
04:32
It doesn't get better than that.
79
260304
1904
on ne fait pas mieux.
04:34
(Laughter)
80
262208
2561
(Rires)
Mais le point important
est qu'il est vraiment facile
est qu'il est vraiment facile
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
de tirer trois
balles bleues d’affilée
balles bleues d’affilée
04:42
out of a box of mostly blue balls.
82
270627
2305
d'une boîte de balles
surtout bleues.
surtout bleues.
04:44
You could do that with your eyes closed.
83
272932
2060
Vous pourriez le faire
les yeux fermés.
les yeux fermés.
04:46
It's plausibly a random sample
from this population.
from this population.
84
274992
2996
C'est un échantillon aléatoire possible
de cet ensemble.
de cet ensemble.
Et si vous pouvez tirer au hasard
dans une boîte
dans une boîte
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
pour en obtenir
des choses qui couinent,
des choses qui couinent,
04:53
then maybe everything in the box squeaks.
86
281720
2839
alors peut-être que
tout dans cette boîte couine.
tout dans cette boîte couine.
04:56
So maybe babies should expect
those yellow balls to squeak as well.
those yellow balls to squeak as well.
87
284559
3650
Les bébés devront donc s’attendre
à ce que les boules jaunes couinent aussi.
à ce que les boules jaunes couinent aussi.
05:00
Now, those yellow balls
have funny sticks on the end,
have funny sticks on the end,
88
288209
2519
Les boules jaunes ont
des bâtons amusants au bout,
des bâtons amusants au bout,
donc les bébés peuvent les
utiliser différemment s’ils le veulent.
utiliser différemment s’ils le veulent.
05:02
so babies could do other things
with them if they wanted to.
with them if they wanted to.
89
290728
2857
05:05
They could pound them or whack them.
90
293585
1831
Ils pourraient les lancer ou taper avec.
05:07
But let's see what the baby does.
91
295416
2586
Mais voyons
ce que fait le bébé.
ce que fait le bébé.
05:12
(Video) Hyowon Gweon: See this?
(Ball squeaks)
(Ball squeaks)
92
300548
3343
(Vidéo) Hyowon Gweon: Tu vois ceci?
(Couinement)
(Couinement)
05:16
Did you see that?
(Ball squeaks)
(Ball squeaks)
93
304531
3045
(Vidéo) Hyowon Gweon: Tu vois ceci?
(Couinement)
(Couinement)
05:20
Cool.
94
308036
3066
Cool.
05:24
See this one?
95
312706
1950
Tu vois celle-là?
05:26
(Ball squeaks)
96
314656
1881
(Couinement)
Ouah.
05:28
Wow.
97
316537
2653
05:33
Laura Schulz: Told you. (Laughs)
98
321854
2113
Laura Schulz: Je vous l'avais dit.
(Rires)
(Rires)
05:35
(Video) HG: See this one?
(Ball squeaks)
(Ball squeaks)
99
323967
4031
(Vidéo) HG: Tu vois celle-là?
(Couinement)
(Couinement)
05:39
Hey Clara, this one's for you.
You can go ahead and play.
You can go ahead and play.
100
327998
4619
Hé Clara, celle-ci est pour toi.
Vas-y, tu peux jouer avec.
Vas-y, tu peux jouer avec.
(Rires)
05:51
(Laughter)
101
339854
4365
LS: Je n’ai même pas besoin
de parler, n’est-ce pas?
de parler, n’est-ce pas?
05:56
LS: I don't even have to talk, right?
102
344219
2995
05:59
All right, it's nice that babies
will generalize properties
will generalize properties
103
347214
2899
C’est bien que les bébés
généralisent les propriétés
généralisent les propriétés
des balles bleues aux balles jaunes
06:02
of blue balls to yellow balls,
104
350113
1528
et il est impressionnant que les bébés
puissent apprendre en nous imitant,
puissent apprendre en nous imitant,
06:03
and it's impressive that babies
can learn from imitating us,
can learn from imitating us,
105
351641
3096
06:06
but we've known those things about babies
for a very long time.
for a very long time.
106
354737
3669
mais nous savions ça à propos
des bébés depuis très longtemps.
des bébés depuis très longtemps.
06:10
The really interesting question
107
358406
1811
La question vraiment intéressante
est ce qui arrive si nous leur montrons
exactement la même chose,
exactement la même chose,
06:12
is what happens when we show babies
exactly the same thing,
exactly the same thing,
108
360217
2852
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
et que nous sommes sûrs
que c'est le cas,
que c'est le cas,
parce qu'on a
un compartiment secret
un compartiment secret
06:18
and we actually pull the balls from there,
110
366680
2110
dans lequel on garde les balles.
06:20
but this time, all we change
is the apparent population
is the apparent population
111
368790
3478
Mais cette fois-ci, nous ne changeons
que l'ensemble apparent
que l'ensemble apparent
06:24
from which that evidence was drawn.
112
372268
2902
dans lequel cette preuve est tirée.
06:27
This time, we're going to show babies
three blue balls
three blue balls
113
375170
3553
Cette fois, nous allons montrer
aux bébés trois balles bleues
aux bébés trois balles bleues
06:30
pulled out of a box
of mostly yellow balls,
of mostly yellow balls,
114
378723
3384
tirées d’une boite
essentiellement de boules jaunes.
essentiellement de boules jaunes.
06:34
and guess what?
115
382107
1322
et devinez quoi ?
06:35
You [probably won't] randomly draw
three blue balls in a row
three blue balls in a row
116
383429
2840
Vous ne pourriez pas tirer
de manière aléatoire
de manière aléatoire
trois balles bleues d’affilée
d’une boite de balles surtout jaunes.
d’une boite de balles surtout jaunes.
06:38
out of a box of mostly yellow balls.
117
386269
2484
06:40
That is not plausibly
randomly sampled evidence.
randomly sampled evidence.
118
388753
3747
Ce n’est pas
un échantillon aléatoire probable.
un échantillon aléatoire probable.
06:44
That evidence suggests that maybe Hyowon
was deliberately sampling the blue balls.
was deliberately sampling the blue balls.
119
392500
5123
Cette preuve montre que Hyowon
a peut-être intentionnellement
choisi les balles bleues.
choisi les balles bleues.
Peut-être que les balles bleues
ont quelque chose de spécial.
ont quelque chose de spécial.
06:49
Maybe there's something special
about the blue balls.
about the blue balls.
120
397623
2583
06:52
Maybe only the blue balls squeak.
121
400846
2976
Peut-être que seules
les balles bleues couinent.
les balles bleues couinent.
06:55
Let's see what the baby does.
122
403822
1895
Voyons voir ce que le bébé fait.
06:57
(Video) HG: See this?
(Ball squeaks)
(Ball squeaks)
123
405717
2904
(Vidéo) HG: Tu vois ceci?
(Couinement)
(Couinement)
07:02
See this toy?
(Ball squeaks)
(Ball squeaks)
124
410851
2645
Tu vois ce jouet?
(Couinement)
(Couinement)
07:05
Oh, that was cool. See?
(Ball squeaks)
(Ball squeaks)
125
413496
5480
Oh, c’était cool.
(Couinement)
(Couinement)
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
Maintenant, c’est à toi de jouer avec.
Vas-y et joue.
Vas-y et joue.
07:18
(Fussing)
(Laughter)
(Laughter)
127
426074
6347
(Agitation)
(Rires)
(Rires)
07:26
LS: So you just saw
two 15-month-old babies
two 15-month-old babies
128
434901
2748
LS : Vous venez de voir
2 bébés de 15 mois
2 bébés de 15 mois
07:29
do entirely different things
129
437649
1942
faire 2 choses
totalement différentes
totalement différentes
07:31
based only on the probability
of the sample they observed.
of the sample they observed.
130
439591
3599
en s'appuyant sur la probabilité
des échantillons qu’ils ont observés.
des échantillons qu’ils ont observés.
07:35
Let me show you the experimental results.
131
443190
2321
Voici les résultats de l’expérience.
07:37
On the vertical axis, you'll see
the percentage of babies
the percentage of babies
132
445511
2764
Sur l’axe vertical, vous verrez
le pourcentage de bébés
le pourcentage de bébés
07:40
who squeezed the ball in each condition,
133
448275
2530
qui a pressé la balle
dans chacune des situations,
dans chacune des situations,
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
et comme vous le constaterez,
les bébés généralisent
plus souvent le résultat
plus souvent le résultat
07:46
when it's plausibly representative
of the population
of the population
135
454520
3135
quand il représente
un échantillon probable de l'ensemble,
un échantillon probable de l'ensemble,
07:49
than when the evidence
is clearly cherry-picked.
is clearly cherry-picked.
136
457655
3738
que quand la preuve
est clairement triée sur le volet.
est clairement triée sur le volet.
07:53
And this leads to a fun prediction:
137
461393
2415
Et ceci mène
à une prédiction amusante:
à une prédiction amusante:
07:55
Suppose you pulled just one blue ball
out of the mostly yellow box.
out of the mostly yellow box.
138
463808
4868
Supposons que vous n’ayez tiré
qu’une seule balle bleue
qu’une seule balle bleue
d'une boîte de boules
essentiellement jaunes.
essentiellement jaunes.
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
Vous ne pourriez pas tirer
au hasard 3 balles bleues
au hasard 3 balles bleues
d’une boite de jaunes,
mais vous pourriez ne tirer
au hasard qu’une balle bleue.
au hasard qu’une balle bleue.
08:04
but you could randomly sample
just one blue ball.
just one blue ball.
140
472765
2455
08:07
That's not an improbable sample.
141
475220
1970
Cela n’est pas
un échantillon improbable.
un échantillon improbable.
08:09
And if you could reach into
a box at random
a box at random
142
477190
2224
Et si vous tirer au hasard dans une boite
08:11
and pull out something that squeaks,
maybe everything in the box squeaks.
maybe everything in the box squeaks.
143
479414
3987
quelque chose qui couine,
peut-être que tout
dans cette boite couine.
dans cette boite couine.
08:15
So even though babies are going to see
much less evidence for squeaking,
much less evidence for squeaking,
144
483875
4445
Donc même si les bébés observeront
moins de preuves de couinement,
moins de preuves de couinement,
08:20
and have many fewer actions to imitate
145
488320
2242
et ont beaucoup
moins d’actions à imiter
moins d’actions à imiter
avec une unique balle
08:22
in this one ball condition than in
the condition you just saw,
the condition you just saw,
146
490562
3343
qu'avec plusieurs
nous avions prédit que
les bébés eux-mêmes
les bébés eux-mêmes
08:25
we predicted that babies themselves
would squeeze more,
would squeeze more,
147
493905
3892
presseront la boule davantage,
08:29
and that's exactly what we found.
148
497797
2894
et c’est exactement que nous avons trouvé.
08:32
So 15-month-old babies,
in this respect, like scientists,
in this respect, like scientists,
149
500691
4411
Donc les bébés de 15 mois,
à ce sujet, comme les scientifiques,
à ce sujet, comme les scientifiques,
08:37
care whether evidence
is randomly sampled or not,
is randomly sampled or not,
150
505102
3088
se soucient si l'échantillon
est aléatoire ou non.
est aléatoire ou non.
08:40
and they use this to develop
expectations about the world:
expectations about the world:
151
508190
3507
Et ils emploient ceci pour développer
leurs attentes du monde :
leurs attentes du monde :
08:43
what squeaks and what doesn't,
152
511697
2182
ce qui couine ou ne couine pas,
08:45
what to explore and what to ignore.
153
513879
3145
quoi explorer et quoi ignorer.
08:50
Let me show you another example now,
154
518384
2066
Un autre exemple maintenant.
Cette fois sur un problème
de relation de causalité.
de relation de causalité.
08:52
this time about a problem
of causal reasoning.
of causal reasoning.
155
520450
2730
08:55
And it starts with a problem
of confounded evidence
of confounded evidence
156
523180
2439
Et il commence par la pensée déconcertante
08:57
that all of us have,
157
525619
1672
que nous avons tous,
08:59
which is that we are part of the world.
158
527291
2020
à savoir que nous faisons partie du monde.
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
Et cela ne vous paraît
peut-être pas problématique
peut-être pas problématique
mais comme tous les problèmes,
09:04
it's only a problem when things go wrong.
160
532747
2337
ce n'en est un que
quand les choses vont mal.
quand les choses vont mal.
09:07
Take this baby, for instance.
161
535464
1811
Prenez ce bébé, par exemple.
09:09
Things are going wrong for him.
162
537275
1705
Les choses vont mal pour lui.
Il veut faire marcher
ce jouet, mais n’y arrive pas.
ce jouet, mais n’y arrive pas.
09:10
He would like to make
this toy go, and he can't.
this toy go, and he can't.
163
538980
2271
09:13
I'll show you a few-second clip.
164
541251
2529
Je vais vous montrer un clip
de quelques secondes.
de quelques secondes.
Et il y a en fait deux possibilités :
09:21
And there's two possibilities, broadly:
165
549340
1920
09:23
Maybe he's doing something wrong,
166
551260
2634
Peut-être fait-il quelque chose de mal,
09:25
or maybe there's something
wrong with the toy.
wrong with the toy.
167
553894
4216
ou alors il y a quelque chose
de mal avec le jouet.
de mal avec le jouet.
09:30
So in this next experiment,
168
558110
2111
Donc dans cette prochaine expérience,
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
nous n’allons donner aux bébés
que quelques données statistiques
que quelques données statistiques
09:35
supporting one hypothesis over the other,
170
563518
2582
privilégiant une hypothèse
par rapport à l’autre,
par rapport à l’autre,
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
et nous verrons si les bébés
pourront se baser sur ça
pourront se baser sur ça
pour décider quoi faire.
09:41
about what to do.
172
569555
1834
09:43
Here's the setup.
173
571389
2022
Voici la situation.
09:46
Hyowon is going to try to make
the toy go and succeed.
the toy go and succeed.
174
574071
3030
Hyowon va essayer de faire fonctionner
le jouer et réussir.
le jouer et réussir.
09:49
I am then going to try twice
and fail both times,
and fail both times,
175
577101
3320
Je vais ensuite essayer deux fois
et échouer les deux fois,
et échouer les deux fois,
09:52
and then Hyowon is going
to try again and succeed,
to try again and succeed,
176
580421
3112
et puis Hyowon va
encore essayer et réussir.
encore essayer et réussir.
09:55
and this roughly sums up my relationship
to my graduate students
to my graduate students
177
583533
3172
Ceci résume à peu près
ma relation avec mes étudiants diplômés
ma relation avec mes étudiants diplômés
09:58
in technology across the board.
178
586705
2835
en technologie
à tous les niveaux.
à tous les niveaux.
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
Mais le point important ici est
qu’il fournit un petit peu de preuves
qu’il fournit un petit peu de preuves
10:05
that the problem isn't with the toy,
it's with the person.
it's with the person.
180
593322
3668
sur le fait que le
problème n'est pas le jouet,
problème n'est pas le jouet,
mais la personne.
10:08
Some people can make this toy go,
181
596990
2350
Certaines personnes peuvent
faire marcher ce jouet
faire marcher ce jouet
10:11
and some can't.
182
599340
959
et d'autres non.
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
Donc, quand le bébé reçoit le jouet,
il va avoir le choix.
10:16
His mom is right there,
184
604212
2188
Sa maman est juste là,
afin qu'il puisse aller de l'avant
afin qu'il puisse aller de l'avant
10:18
so he can go ahead and hand off the toy
and change the person,
and change the person,
185
606400
3315
et rendre le jouet
puis changer la personne,
puis changer la personne,
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
mais il va aussi y avoir
un autre jouet au bout de ce tissu,
un autre jouet au bout de ce tissu,
10:24
and he can pull the cloth towards him
and change the toy.
and change the toy.
187
612873
3552
et il pourra tirer le tissu vers lui
pour changer de jouet.
pour changer de jouet.
10:28
So let's see what the baby does.
188
616425
2090
Alors voyons voir
ce que le bébé fait.
ce que le bébé fait.
10:30
(Video) HG: Two, three. Go!
(Music)
(Music)
189
618515
4183
(Vidéo) HG : Deux, trois. Partez!
(Musique)
(Musique)
10:34
LS: One, two, three, go!
190
622698
3131
LS : Un, deux, trois, partez!
10:37
Arthur, I'm going to try again.
One, two, three, go!
One, two, three, go!
191
625829
7382
Arthur, je vais essayer encore.
Un, deux, trois, partez!
Un, deux, trois, partez!
10:45
YG: Arthur, let me try again, okay?
192
633677
2600
YG : Arthur,
laisse-moi essayer encore, ok?
laisse-moi essayer encore, ok?
10:48
One, two, three, go!
(Music)
(Music)
193
636277
4550
Un, deux, trois, partez!
(Musique)
(Musique)
Regarde-ca.
Tu te souviens de ces jouets?
Tu te souviens de ces jouets?
10:53
Look at that. Remember these toys?
194
641583
1883
10:55
See these toys? Yeah, I'm going
to put this one over here,
to put this one over here,
195
643466
3264
Tu vois ces jouets? Ouais, je vais
placer celui-ci là-bas,
placer celui-ci là-bas,
10:58
and I'm going to give this one to you.
196
646730
2062
et je vais te donner celui-là.
11:00
You can go ahead and play.
197
648792
2335
Tu peux y aller et jouer.
11:23
LS: Okay, Laura, but of course,
babies love their mommies.
babies love their mommies.
198
671213
4737
LS : Ok, Laura, bien évidemment,
les bébés aiment leurs mamans.
les bébés aiment leurs mamans.
11:27
Of course babies give toys
to their mommies
to their mommies
199
675950
2182
Évidemment, ils donnent
leurs jouets à leurs mamans
leurs jouets à leurs mamans
11:30
when they can't make them work.
200
678132
2030
quand ils ne marchent pas.
11:32
So again, the really important question
is what happens when we change
is what happens when we change
201
680162
3593
A nouveau, la question
vraiment importante
vraiment importante
est ce qui arrive
quand nous changeons
quand nous changeons
11:35
the statistical data ever so slightly.
202
683755
3154
les données statistiques,
juste légèrement.
juste légèrement.
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
Cette fois-ci,
les bébés vont voir le jouet fonctionner
et échouer dans le même ordre,
et échouer dans le même ordre,
11:42
but we're changing
the distribution of evidence.
the distribution of evidence.
204
690996
2415
mais nous changeons
la distribution des preuves.
la distribution des preuves.
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
Cette fois-ci, Hyowon va réussir
une fois et échouer une fois,
une fois et échouer une fois,
et moi de même.
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
Donc cela suggère que peu importe
qui essaie ce jouet, le jouet est cassé.
qui essaie ce jouet, le jouet est cassé.
11:55
It doesn't work all the time.
207
703459
1886
Ça ne marche pas tout le temps.
11:57
Again, the baby's going to have a choice.
208
705345
1965
De nouveau,
le bébé va avoir le choix.
le bébé va avoir le choix.
11:59
Her mom is right next to her,
so she can change the person,
so she can change the person,
209
707310
3396
Sa maman est juste à côté,
le bébé pourra changer de personne,
le bébé pourra changer de personne,
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
et il y aura un autre jouet
au bout du tissu.
au bout du tissu.
Regardons ce qu’elle fait.
12:05
Let's watch what she does.
211
713910
1378
12:07
(Video) HG: Two, three, go!
(Music)
(Music)
212
715288
4348
(Vidéo) HG : Deux, trois, partez!
(Musique)
(Musique)
12:11
Let me try one more time.
One, two, three, go!
One, two, three, go!
213
719636
4984
Laisse-moi essayer encore une fois.
Un, deux, trois, partez!
Un, deux, trois, partez!
12:17
Hmm.
214
725460
1697
Hm.
12:19
LS: Let me try, Clara.
215
727950
2692
LS : Laisse-moi essayer, Clara.
12:22
One, two, three, go!
216
730642
3945
Un, deux, trois, partez!
12:27
Hmm, let me try again.
217
735265
1935
Hm, laisse-moi essayer encore.
12:29
One, two, three, go!
(Music)
(Music)
218
737200
5670
Un, deux, trois, partez!
(Musique)
(Musique)
12:35
HG: I'm going
to put this one over here,
to put this one over here,
219
743009
2233
HG : Je vais
mettre celui-ci là-bas,
mettre celui-ci là-bas,
12:37
and I'm going to give this one to you.
220
745242
2001
et je vais te donner celui-là.
12:39
You can go ahead and play.
221
747243
3597
Tu peux y aller et jouer.
12:58
(Applause)
222
766376
4897
(Applaudissements)
13:04
LS: Let me show you
the experimental results.
the experimental results.
223
772993
2392
LS: Voilà les résultats de l’expérience.
13:07
On the vertical axis,
you'll see the distribution
you'll see the distribution
224
775385
2475
Sur l’axe vertical,
vous verrez la distribution
vous verrez la distribution
13:09
of children's choices in each condition,
225
777860
2577
des choix des enfants
dans chacune des conditions,
dans chacune des conditions,
13:12
and you'll see that the distribution
of the choices children make
of the choices children make
226
780437
4551
et vous verrez que la distribution
des choix que les enfants font
des choix que les enfants font
13:16
depends on the evidence they observe.
227
784988
2787
dépend des preuves qu’ils constatent.
13:19
So in the second year of life,
228
787775
1857
Donc au cours de leur deuxième année,
les bébés peuvent utiliser
quelques données statistiques
quelques données statistiques
13:21
babies can use a tiny bit
of statistical data
of statistical data
229
789632
2577
13:24
to decide between two
fundamentally different strategies
fundamentally different strategies
230
792209
3367
pour décider entre 2 stratégies
fondamentalement différentes
fondamentalement différentes
13:27
for acting in the world:
231
795576
1881
pour agir dans le monde:
13:29
asking for help and exploring.
232
797457
2743
demander de l’aide ou explorer.
13:33
I've just shown you
two laboratory experiments
two laboratory experiments
233
801700
3434
Je viens de vous montrer
deux expériences de laboratoire
deux expériences de laboratoire
13:37
out of literally hundreds in the field
that make similar points,
that make similar points,
234
805134
3691
parmi des centaines dans le domaine
qui constatent les mêmes résultats,
qui constatent les mêmes résultats,
13:40
because the really critical point
235
808825
2392
parce que l'idée essentielle
13:43
is that children's ability
to make rich inferences from sparse data
to make rich inferences from sparse data
236
811217
5108
est que la capacité des enfants à tirer
des conclusions à partir de peu de données
des conclusions à partir de peu de données
13:48
underlies all the species-specific
cultural learning that we do.
cultural learning that we do.
237
816325
5341
est à la source de
l'apprentissage culturel de notre espèce.
l'apprentissage culturel de notre espèce.
13:53
Children learn about new tools
from just a few examples.
from just a few examples.
238
821666
4597
Les enfants découvrent de nouveaux outils
à partir de quelques exemples uniquement.
à partir de quelques exemples uniquement.
13:58
They learn new causal relationships
from just a few examples.
from just a few examples.
239
826263
4717
Ils forment des relations causales
à partir de quelques exemples.
à partir de quelques exemples.
14:03
They even learn new words,
in this case in American Sign Language.
in this case in American Sign Language.
240
831928
4871
Ils apprennent même de nouveaux mots,
ici, en langue des signes américaine.
ici, en langue des signes américaine.
14:08
I want to close with just two points.
241
836799
2311
Je veux conclure avec juste deux points.
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 vous suivez mon univers, le domaine
du cerveau et des sciences cognitives,
du cerveau et des sciences cognitives,
14:15
for the past few years,
243
843738
1927
depuis ces quelques dernières années,
trois grandes idées auraient
suscité votre attention.
suscité votre attention.
14:17
three big ideas will have come
to your attention.
to your attention.
244
845665
2415
14:20
The first is that this is
the era of the brain.
the era of the brain.
245
848080
3436
La première est qu’il s’agit
de l’ère du cerveau.
de l’ère du cerveau.
14:23
And indeed, there have been
staggering discoveries in neuroscience:
staggering discoveries in neuroscience:
246
851516
3669
Il y a eu en fait, des découvertes
stupéfiantes en neurosciences:
stupéfiantes en neurosciences:
14:27
localizing functionally specialized
regions of cortex,
regions of cortex,
247
855185
3436
localisant des régions fonctionnellement
spécialisées du cortex,
spécialisées du cortex,
14:30
turning mouse brains transparent,
248
858621
2601
rendant les cerveaux
des souris transparents,
des souris transparents,
14:33
activating neurons with light.
249
861222
3776
activant les neurones grâce à la lumière.
14:36
A second big idea
250
864998
1996
La seconde grande idée
est que c’est l’ère
est que c’est l’ère
14:38
is that this is the era of big data
and machine learning,
and machine learning,
251
866994
4104
des données volumineuses
et de l’apprentissage automatique.
et de l’apprentissage automatique.
L’apprentissage automatique promet
de révolutionner notre compréhension
de révolutionner notre compréhension
14:43
and machine learning promises
to revolutionize our understanding
to revolutionize our understanding
252
871098
3141
14:46
of everything from social networks
to epidemiology.
to epidemiology.
253
874239
4667
de tout allant des réseaux sociaux
à l’épidémiologie.
à l’épidémiologie.
Et peut-être aussi parce qu’il
s’attaque aux problèmes de compréhension
s’attaque aux problèmes de compréhension
14:50
And maybe, as it tackles problems
of scene understanding
of scene understanding
254
878906
2693
14:53
and natural language processing,
255
881599
1993
et de traitement du langage naturel
14:55
to tell us something
about human cognition.
about human cognition.
256
883592
3324
pour nous dire quelque chose
à propos de la connaissance humaine.
à propos de la connaissance humaine.
Et la dernière grande idée
que vous auriez entendue :
que vous auriez entendue :
14:59
And the final big idea you'll have heard
257
887756
1937
15:01
is that maybe it's a good idea we're going
to know so much about brains
to know so much about brains
258
889693
3387
il est peut-être bénéfique
de savoir tant de choses
sur le cerveau
sur le cerveau
et d'avoir autant accès
aux données volumineuses;
aux données volumineuses;
15:05
and have so much access to big data,
259
893080
1917
15:06
because left to our own devices,
260
894997
2507
parce que laissés
à nous-mêmes,
à nous-mêmes,
15:09
humans are fallible, we take shortcuts,
261
897504
3831
les êtres humains
sont faillibles,
sont faillibles,
nous prenons des raccourcis,
nous errons, nous faisons des erreurs,
nous errons, nous faisons des erreurs,
15:13
we err, we make mistakes,
262
901335
3437
15:16
we're biased, and in innumerable ways,
263
904772
3684
nous sommes biaisés,
et d’innombrables façons
et d’innombrables façons
15:20
we get the world wrong.
264
908456
2969
nous comprenons mal le monde.
15:24
I think these are all important stories,
265
912843
2949
Je pense que ce sont toutes
des histoires importantes,
des histoires 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
et elles ont beaucoup à nous dire sur
ce qu'est d'être humain signifie.
ce qu'est d'être humain signifie.
Mais je vous ai raconté aujourd'hui
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
une histoire bien différente.
15:35
It's a story about minds and not brains,
268
923966
3807
C’est une histoire sur les esprits
et non des cerveaux,
et non des cerveaux,
15:39
and in particular, it's a story
about the kinds of computations
about the kinds of computations
269
927773
3006
et en particulier, c’est une histoire
sur les types de calcul
sur les types de calcul
15:42
that uniquely human minds can perform,
270
930779
2590
que seuls les esprits humains
peuvent effectuer
peuvent effectuer
impliquant des savoirs
riches et structurées
riches et structurées
15:45
which involve rich, structured knowledge
and the ability to learn
and the ability to learn
271
933369
3944
ainsi que la capacité à apprendre
à partir d’une petite quantité de données,
à partir d’une petite quantité de données,
15:49
from small amounts of data,
the evidence of just a few examples.
the evidence of just a few examples.
272
937313
5268
avec seulement quelques exemples.
Fondamentalement, il s’agit d’une histoire
qui commence avec de très jeunes enfants
qui commence avec de très jeunes enfants
15:56
And fundamentally, it's a story
about how starting as very small children
about how starting as very small children
273
944301
4299
16:00
and continuing out all the way
to the greatest accomplishments
to the greatest accomplishments
274
948600
4180
et qui continue
jusqu'au plus grandes réussites
jusqu'au plus grandes réussites
16:04
of our culture,
275
952780
3843
de notre culture :
16:08
we get the world right.
276
956623
1997
de comprendre correctement le monde.
16:12
Folks, human minds do not only learn
from small amounts of data.
from small amounts of data.
277
960433
5267
L'esprit humain n’apprend pas seulement
à partir de quelques données.
à partir de quelques données.
16:18
Human minds think
of altogether new ideas.
of altogether new ideas.
278
966285
2101
L'esprit humain conçoit
des idées innovantes.
des idées innovantes.
16:20
Human minds generate
research and discovery,
research and discovery,
279
968746
3041
L'esprit humain génère
recherche et découverte,
recherche et découverte,
16:23
and human minds generate
art and literature and poetry and theater,
art and literature and poetry and theater,
280
971787
5273
et l'esprit humain génère
art et littérature, poésie et théâtre.
art et littérature, poésie et théâtre.
16:29
and human minds take care of other humans:
281
977070
3760
De plus, l'esprit humain
prend soin d’autres humains:
prend soin d’autres humains:
16:32
our old, our young, our sick.
282
980830
3427
nos ainés, nos jeunes, nos malades.
16:36
We even heal them.
283
984517
2367
Nous les guérissons même.
Dans les années à venir, nous allons
voir des innovations technologiques
voir des innovations technologiques
16:39
In the years to come, we're going
to see technological innovations
to see technological innovations
284
987564
3103
16:42
beyond anything I can even envision,
285
990667
3797
au-delà de tout ce que
nous pouvons envisager,
nous pouvons envisager,
16:46
but we are very unlikely
286
994464
2150
mais il est fort peu probable
de voir quoi que ce soit
de voir quoi que ce soit
16:48
to see anything even approximating
the computational power of a human child
the computational power of a human child
287
996614
5709
approchant la puissance
computationnelle d’un enfant
computationnelle d’un enfant
16:54
in my lifetime or in yours.
288
1002323
4298
de mon vivant ou du votre.
Si nous investissons dans
ces plus puissants novices,
ces plus puissants novices,
16:58
If we invest in these most powerful
learners and their development,
learners and their development,
289
1006621
5047
ainsi que dans leur développement,
17:03
in babies and children
290
1011668
2917
dans les bébés et enfants
17:06
and mothers and fathers
291
1014585
1826
ainsi que mères et pères,
17:08
and caregivers and teachers
292
1016411
2699
soignants et enseignants.
17:11
the ways we invest in our other
most powerful and elegant forms
most powerful and elegant forms
293
1019110
4170
Les façons dont nous investissons dans
nos plus puissantes et élégantes formes
nos plus puissantes et élégantes formes
17:15
of technology, engineering and design,
294
1023280
3218
de technologie, ingénierie et design,
17:18
we will not just be dreaming
of a better future,
of a better future,
295
1026498
2939
nous ne serions pas en train
de rêver d’un futur meilleur,
de rêver d’un futur meilleur,
17:21
we will be planning for one.
296
1029437
2127
nous serions en train de le planifier.
17:23
Thank you very much.
297
1031564
2345
Merci beaucoup.
17:25
(Applause)
298
1033909
3421
(Applaudissements)
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, merci.
J’ai en effet une question pour toi.
J’ai en effet une question pour toi.
17:34
First of all, the research is insane.
300
1042236
2359
Tout d’abord, la recherche est insensée.
17:36
I mean, who would design
an experiment like that? (Laughter)
an experiment like that? (Laughter)
301
1044595
3725
Je veux dire, qui concevrait
une expérience comme celle-là?
une expérience comme celle-là?
(Rires)
17:41
I've seen that a couple of times,
302
1049150
1790
J’ai vu ça quelques fois,
17:42
and I still don't honestly believe
that that can truly be happening,
that that can truly be happening,
303
1050940
3222
et je n'arrive toujours pas à croire
que ça arrive vraiment,
que ça arrive vraiment,
mais d’autres gens ont fait
de telles expériences ; ça colle.
de telles expériences ; ça colle.
17:46
but other people have done
similar experiments; it checks out.
similar experiments; it checks out.
304
1054162
3158
Les enfants sont vraiment des génies.
17:49
The babies really are that genius.
305
1057320
1633
17:50
LS: You know, they look really impressive
in our experiments,
in our experiments,
306
1058953
3007
LS: Ils sont vraiment impressionnants
dans nos expériences,
dans nos expériences,
17:53
but think about what they
look like in real life, right?
look like in real life, right?
307
1061960
2652
mais pensez à ce qu'ils font
dans la vraie vie.
dans la vraie vie.
D'abord un bébé.
17:56
It starts out as a baby.
308
1064612
1150
17:57
Eighteen months later,
it's talking to you,
it's talking to you,
309
1065762
2007
18 mois plus tard,
il vous parle,
il vous parle,
et les premiers mots de bébés
ne sont pas juste balles ou canard,
ne sont pas juste balles ou canard,
17:59
and babies' first words aren't just
things like balls and ducks,
things like balls and ducks,
310
1067769
3041
c'est plutôt : « tout parti »,
pour la disparition,
pour la disparition,
18:02
they're things like "all gone,"
which refer to disappearance,
which refer to disappearance,
311
1070810
2881
ou, « oh-oh », qui fait référence
à des actions involontaires.
à des actions involontaires.
18:05
or "uh-oh," which refer
to unintentional actions.
to unintentional actions.
312
1073691
2283
18:07
It has to be that powerful.
313
1075974
1562
Il doit être aussi puissant.
Il doit l'être beaucoup plus
que ce que je vous ai montré.
que ce que je vous ai montré.
18:09
It has to be much more powerful
than anything I showed you.
than anything I showed you.
314
1077536
2775
18:12
They're figuring out the entire world.
315
1080311
1974
Ils comprennent le monde entier.
Un enfant de 4 ans peut vous parler
de presque tout.
de presque tout.
18:14
A four-year-old can talk to you
about almost anything.
about almost anything.
316
1082285
3144
18:17
(Applause)
317
1085429
1601
(Applaudissements)
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: Si je vous comprends bien,
vous affirmez
vous affirmez
18:22
we've been through these years
where there's all this talk
where there's all this talk
319
1090444
2754
que ces dernières années
on parle beaucoup
on parle beaucoup
de l'originalité et la folie
de nos cerveaux,
de nos cerveaux,
18:25
of how quirky and buggy our minds are,
320
1093198
1932
18:27
that behavioral economics
and the whole theories behind that
and the whole theories behind that
321
1095130
2867
de la science du comportement
et ses théories ;
et ses théories ;
nous ne sommes pas
des agents rationnels.
des agents rationnels.
18:29
that we're not rational agents.
322
1097997
1603
18:31
You're really saying that the bigger
story is how extraordinary,
story is how extraordinary,
323
1099600
4216
Vous insistez que
ce phénomène est extraordinaire
ce phénomène est extraordinaire
18:35
and there really is genius there
that is underappreciated.
that is underappreciated.
324
1103816
4944
et qu’il y a vraiment
du génie sous-estimé.
du génie sous-estimé.
LS: Une de mes citations
préférées en psychologie
préférées en psychologie
18:40
LS: One of my favorite
quotes in psychology
quotes in psychology
325
1108760
2070
18:42
comes from the social
psychologist Solomon Asch,
psychologist Solomon Asch,
326
1110830
2290
provient du psychologue
social Solomon Asch,
social Solomon Asch,
18:45
and he said the fundamental task
of psychology is to remove
of psychology is to remove
327
1113120
2807
et il a dit que la tache fondamentale
de la psychologie est
de la psychologie est
18:47
the veil of self-evidence from things.
328
1115927
2626
d'ôter le voile de l'évidence.
18:50
There are orders of magnitude
more decisions you make every day
more decisions you make every day
329
1118553
4551
Il y a des millions
de décisions quotidiennes
de décisions quotidiennes
qui font avancer le monde.
18:55
that get the world right.
330
1123104
1347
Vous connaissez les objets
et leurs propriétés.
et leurs propriétés.
18:56
You know about objects
and their properties.
and their properties.
331
1124451
2132
Vous les reconnaissez quand
ils sont cachés ou dans le noir.
ils sont cachés ou dans le noir.
18:58
You know them when they're occluded.
You know them in the dark.
You know them in the dark.
332
1126583
3029
Vous pouvez traverser les pièces.
19:01
You can walk through rooms.
333
1129612
1308
Vous pouvez deviner les pensées
des autres et leur parler.
des autres et leur parler.
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
Vous vous orientez dans l’espace
et connaissez les nombres,
et connaissez les nombres,
19:06
You can navigate space.
You know about numbers.
You know about numbers.
335
1134452
2230
les relations causales
et les raisonnements moraux.
et les raisonnements moraux.
19:08
You know causal relationships.
You know about moral reasoning.
You know about moral reasoning.
336
1136682
3022
Vous faites ceci sans effort,
donc nous ne le voyons pas.
donc nous ne le voyons pas.
19:11
You do this effortlessly,
so we don't see it,
so we don't see it,
337
1139704
2356
C’est ainsi qu'on comprend bien le monde,
19:14
but that is how we get the world right,
and it's a remarkable
and it's a remarkable
338
1142060
2912
et il s’agit d’une activité remarquable,
très difficile à comprendre.
très difficile à comprendre.
19:16
and very difficult-to-understand
accomplishment.
accomplishment.
339
1144972
2318
CA: Je suppose que des gens
dans l’auditoire
dans l’auditoire
19:19
CA: I suspect there are people
in the audience who have
in the audience who have
340
1147290
2628
qui voit l’accélération
de la puissance technologique
de la puissance technologique
19:21
this view of accelerating
technological power
technological power
341
1149918
2238
et qui pourraient nier votre affirmation
que jamais de notre vivant
que jamais de notre vivant
19:24
who might dispute your statement
that never in our lifetimes
that never in our lifetimes
342
1152156
2958
un ordinateur fera ce
qu’un enfant de trois ans fait,
qu’un enfant de trois ans fait,
19:27
will a computer do what
a three-year-old child can do,
a three-year-old child can do,
343
1155114
2618
mais il est clair
que peu importe le scenario,
que peu importe le scenario,
19:29
but what's clear is that in any scenario,
344
1157732
3248
19:32
our machines have so much to learn
from our toddlers.
from our toddlers.
345
1160980
3770
nos machines ont tant à apprendre
de nos nourrissons.
de nos nourrissons.
LS: Des spécialistes de l'apprentissage
automatique viendront sur cette scène.
automatique viendront sur cette scène.
19:38
LS: I think so. You'll have some
machine learning folks up here.
machine learning folks up here.
346
1166230
3216
19:41
I mean, you should never bet
against babies or chimpanzees
against babies or chimpanzees
347
1169446
4203
Je veux dire, vous ne devriez jamais
parier contre des bébés ou chimpanzés,
parier contre des bébés ou chimpanzés,
19:45
or technology as a matter of practice,
348
1173649
3645
ou la technologie.
19:49
but it's not just
a difference in quantity,
a difference in quantity,
349
1177294
4528
Mais ce n’est pas juste
une différence de quantité,
une différence de quantité,
19:53
it's a difference in kind.
350
1181822
1764
c’est une différence de qualité.
19:55
We have incredibly powerful computers,
351
1183586
2160
On a des ordinateurs
incroyablement puissants,
incroyablement puissants,
19:57
and they do do amazingly
sophisticated things,
sophisticated things,
352
1185746
2391
et ils font des choses
extrêmement sophistiquées,
extrêmement sophistiquées,
20:00
often with very big amounts of data.
353
1188137
3204
souvent avec des données
très volumineuses.
très volumineuses.
20:03
Human minds do, I think,
something quite different,
something quite different,
354
1191341
2607
L'esprit humain fait
quelque chose d’assez diffèrent,
quelque chose d’assez diffèrent,
20:05
and I think it's the structured,
hierarchical nature of human knowledge
hierarchical nature of human knowledge
355
1193948
3895
et c’est la nature hiérarchique
et structurée de la connaissance humaine
et structurée de la connaissance humaine
20:09
that remains a real challenge.
356
1197843
2032
qui demeure un vrai défi.
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, très bonne
matière à réflexion.
matière à réflexion.
20:14
LS: Thank you.
(Applause)
(Applause)
358
1202936
2922
LS: Merci.
(Applaudissements)
(Applaudissements)
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