TED2015
Laura Schulz: The surprisingly logical minds of babies
Laura Schulz: A incrível mente lógica dos bebês
Filmed:
Readability: 3.8
1,888,975 views
Como os bebês aprendem tanto com tão pouco e tão rápido? Em uma palestra divertida e cheia de experiências, a cientista cognitiva Laura Schulz mostra como nossas crianças tomam decisões com um senso de lógica incrivelmente forte, bem antes que possam falar.
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 resumiu o que eu considero
um dos problemas fundamentais
da ciência cognitiva
da ciência cognitiva
00:14
one of the fundamental problems
of cognitive science
of cognitive science
1
2990
3120
00:18
with a single witticism.
2
6110
1710
com apenas um chiste.
Ele disse: "Há algo
fascinante sobre a ciência.
fascinante sobre a ciência.
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
Obtém-se retornos profundos
de conjectura
de conjectura
00:26
out of such a trifling
investment in fact."
investment in fact."
5
14720
3204
a partir de investigações
superficiais da verdade".
superficiais da verdade".
00:29
(Laughter)
6
17924
1585
(Risos)
00:32
Twain meant it as a joke,
of course, but he's right:
of course, but he's right:
7
20199
2604
Twain disse isso brincando,
mas ele está certo:
mas ele está certo:
00:34
There's something
fascinating about science.
fascinating about science.
8
22803
2876
há algo fascinante sobre a ciência.
00:37
From a few bones, we infer
the existence of dinosuars.
the existence of dinosuars.
9
25679
4261
A partir de alguns ossos, inferimos
a existência de dinossauros.
a existência de dinossauros.
00:42
From spectral lines,
the composition of nebulae.
the composition of nebulae.
10
30910
3871
A partir de linhas espectrais,
a composição de nebulosas.
a composição de nebulosas.
00:47
From fruit flies,
11
35471
2938
A partir de moscas-das-frutas,
00:50
the mechanisms of heredity,
12
38409
2943
os mecanismos de hereditariedade,
00:53
and from reconstructed images
of blood flowing through the brain,
of blood flowing through the brain,
13
41352
4249
e de imagens reconstruídas
do sangue que flui através do cérebro,
do sangue que flui através do cérebro,
00:57
or in my case, from the behavior
of very young children,
of very young children,
14
45601
4708
ou no meu caso, do comportamento
de crianças muito novas,
de crianças muito novas,
01:02
we try to say something about
the fundamental mechanisms
the fundamental mechanisms
15
50309
2829
nós tentamos dizer algo
sobre os mecanismos fundamentais
sobre os mecanismos fundamentais
01:05
of human cognition.
16
53138
1618
da cognição humana.
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
No meu laboratório no Departamento
de Ciências Cognitivas no MIT,
de Ciências Cognitivas no MIT,
01:12
I have spent the past decade
trying to understand the mystery
trying to understand the mystery
18
60475
3654
eu passei a última década
tentando entender o mistério
tentando entender o mistério
de como as crianças aprendem tanto
a partir de tão pouco e tão rápido.
a partir de tão pouco e tão rápido.
01:16
of how children learn so much
from so little so quickly.
from so little so quickly.
19
64129
3977
01:20
Because, it turns out that
the fascinating thing about science
the fascinating thing about science
20
68666
2978
E acontece que essa coisa
fascinante sobre ciência
fascinante sobre ciência
01:23
is also a fascinating
thing about children,
thing about children,
21
71644
3529
também é uma coisa fascinante
sobre as crianças,
sobre as crianças,
01:27
which, to put a gentler
spin on Mark Twain,
spin on Mark Twain,
22
75173
2581
e mudando um pouco a frase de Mark Twain,
01:29
is precisely their ability
to draw rich, abstract inferences
to draw rich, abstract inferences
23
77754
4650
é exatamente a capacidade delas
de criar inferências ricas e abstratas
de criar inferências ricas e abstratas
01:34
rapidly and accurately
from sparse, noisy data.
from sparse, noisy data.
24
82404
4661
com rapidez e precisão
a partir de poucos dados ruidosos.
a partir de poucos dados ruidosos.
01:40
I'm going to give you
just two examples today.
just two examples today.
25
88355
2398
Eu vou dar a vocês apenas dois exemplos.
01:42
One is about a problem of generalization,
26
90753
2287
O primeiro é sobre
um problema de generalização,
um problema de generalização,
01:45
and the other is about a problem
of causal reasoning.
of causal reasoning.
27
93040
2850
e o segundo é sobre um problema
de raciocínio causal.
de raciocínio causal.
01:47
And although I'm going to talk
about work in my lab,
about work in my lab,
28
95890
2525
Apesar de falar
sobre o trabalho em meu laboratório,
sobre o trabalho em meu laboratório,
01:50
this work is inspired by
and indebted to a field.
and indebted to a field.
29
98415
3460
este trabalho é inspirado
e derivado de um campo.
e derivado de um campo.
01:53
I'm grateful to mentors, colleagues,
and collaborators around the world.
and collaborators around the world.
30
101875
4283
Sou grata a mentores, colegas,
e colaboradores em todo o mundo.
e colaboradores em todo o mundo.
01:59
Let me start with the problem
of generalization.
of generalization.
31
107308
2974
Vou começar com o problema
de generalização.
de generalização.
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 poucos dados
é o feijão com arroz da ciência.
é o feijão com arroz da ciência.
02:06
We poll a tiny fraction of the electorate
33
114785
2554
Nós sondamos uma pequena fração
de eleitores
de eleitores
02:09
and we predict the outcome
of national elections.
of national elections.
34
117339
2321
e prevemos o resultado
das eleições nacionais.
das eleições nacionais.
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 como alguns pacientes respondem
ao tratamento num ensaio clínico,
ao tratamento num ensaio clínico,
02:16
and we bring drugs to a national market.
36
124165
3065
e trazemos drogas para o 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
Mas isso só funciona se nossa amostra
for obtida aleatoriamente da população.
for obtida aleatoriamente da população.
02:23
If our sample is cherry-picked
in some way --
in some way --
38
131595
2735
Se nossa amostra for enviesada
de alguma maneira,
de alguma maneira,
digamos, sondamos apenas
eleitores urbanos,
eleitores urbanos,
02:26
say, we poll only urban voters,
39
134330
2072
02:28
or say, in our clinical trials
for treatments for heart disease,
for treatments for heart disease,
40
136402
4388
ou então, em nossos ensaios clínicos
para tratamento de doenças do coração,
para tratamento de doenças do coração,
02:32
we include only men --
41
140790
1881
incluímos apenas homens,
02:34
the results may not generalize
to the broader population.
to the broader population.
42
142671
3158
os resultados podem não abranger
a população em geral.
a população em geral.
02:38
So scientists care whether evidence
is randomly sampled or not,
is randomly sampled or not,
43
146479
3581
Então, os cientistas se importam
se as amostras são randomizadas,
se as amostras são randomizadas,
02:42
but what does that have to do with babies?
44
150060
2015
mas o que isso tem a ver com bebês?
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
Bem, os bebês precisam generalizar
pequenas amostras de dados o tempo todo.
pequenas amostras de dados o tempo todo.
02:49
They see a few rubber ducks
and learn that they float,
and learn that they float,
46
157206
3158
Eles veem alguns patos de borracha
e sabem que eles flutuam,
e sabem que eles flutuam,
02:52
or a few balls and learn that they bounce.
47
160364
3575
ou veem algumas bolas e sabem que quicam.
02:55
And they develop expectations
about ducks and balls
about ducks and balls
48
163939
2951
E eles desenvolvem expectativas
sobre patos e bolas
sobre patos e bolas
02:58
that they're going to extend
to rubber ducks and balls
to rubber ducks and balls
49
166890
2716
que eles vão estender
para os patos de borracha e bolas
para os patos de borracha e bolas
03:01
for the rest of their lives.
50
169606
1879
para o resto das suas 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
E os tipos de generalizações
que os bebês fazem sobre patos e bolas,
que os bebês fazem sobre patos e bolas,
03:07
they have to make about almost everything:
52
175224
2089
eles precisam fazer sobre quase tudo:
03:09
shoes and ships and sealing wax
and cabbages and kings.
and cabbages and kings.
53
177313
3917
sapatos, barcos, cera de vela,
repolhos e reis.
repolhos e reis.
03:14
So do babies care whether
the tiny bit of evidence they see
the tiny bit of evidence they see
54
182200
2961
Os bebês se importam se os pedacinhos
de evidência que veem
de evidência que veem
03:17
is plausibly representative
of a larger population?
of a larger population?
55
185161
3692
são representantes plausíveis
de uma população maior?
de uma população maior?
03:21
Let's find out.
56
189763
1900
Vamos descobrir.
03:23
I'm going to show you two movies,
57
191663
1723
Eu vou mostrar dois filmes a vocês,
03:25
one from each of two conditions
of an experiment,
of an experiment,
58
193386
2462
um filme para cada condição
de um experimento,
de um experimento,
03:27
and because you're going to see
just two movies,
just two movies,
59
195848
2438
e porque vocês vão ver apenas dois filmes,
03:30
you're going to see just two babies,
60
198286
2136
vocês verão apenas dois bebês,
03:32
and any two babies differ from each other
in innumerable ways.
in innumerable ways.
61
200422
3947
e os bebês diferem entre si
de várias maneiras.
de várias maneiras.
03:36
But these babies, of course,
here stand in for groups of babies,
here stand in for groups of babies,
62
204369
3051
Mas estes bebês, claro,
representam um grupos de bebês,
representam um grupos de bebês,
03:39
and the differences you're going to see
63
207420
1895
e as diferenças que vocês vão ver
03:41
represent average group differences
in babies' behavior across conditions.
in babies' behavior across conditions.
64
209315
5195
representam as diferenças médias
de grupos de bebês de cada condição.
de grupos de bebês de cada condição.
03:47
In each movie, you're going to see
a baby doing maybe
a baby doing maybe
65
215160
2583
Em cada filme, talvez vocês vejam
um bebê fazendo
um bebê fazendo
03:49
just exactly what you might
expect a baby to do,
expect a baby to do,
66
217743
3460
exatamente o que você
espera que um bebê faça,
espera que um bebê faça,
03:53
and we can hardly make babies
more magical than they already are.
more magical than they already are.
67
221203
4017
e dificilmente podemos tornar os bebês
mais mágicos do que já são.
mais mágicos do que já são.
03:58
But to my mind the magical thing,
68
226090
2010
Mas para mim, a coisa mágica
04:00
and what I want you to pay attention to,
69
228100
2089
na qual quero que vocês prestem atenção
04:02
is the contrast between
these two conditions,
these two conditions,
70
230189
3111
é o contraste entre estas duas condições,
04:05
because the only thing
that differs between these two movies
that differs between these two movies
71
233300
3529
porque a única coisa
que difere entre estes dois filmes
que difere entre estes dois filmes
04:08
is the statistical evidence
the babies are going to observe.
the babies are going to observe.
72
236829
3466
é a evidência estatística
que os bebês vão observar.
que os bebês vão observar.
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
Vamos mostrar aos bebês
uma caixa de bolas azuis e amarelas,
uma caixa de bolas azuis e amarelas,
04:16
and my then-graduate student,
now colleague at Stanford, Hyowon Gweon,
now colleague at Stanford, Hyowon Gweon,
74
244608
4620
e minha aluna, que agora é minha colega
de Stanford, Hyowon Gweon,
de 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
vai tirar três bolas azuis
de cada vez fora desta caixa,
de cada vez fora desta caixa,
04:24
and when she pulls those balls out,
she's going to squeeze them,
she's going to squeeze them,
76
252305
3123
e ao tirar as bolas, ela vai apertá-las,
04:27
and the balls are going to squeak.
77
255428
2113
e as bolas vão chiar.
04:29
And if you're a baby,
that's like a TED Talk.
that's like a TED Talk.
78
257541
2763
E se você for um bebê,
é como se fosse uma Palestra TED.
é como se fosse uma Palestra TED.
Não tem como ficar melhor que isso.
(Risos)
(Risos)
04:32
It doesn't get better than that.
79
260304
1904
04:34
(Laughter)
80
262208
2561
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
Mas o que importa é que é fácil
pegar três bolas azuis em sequência
pegar três bolas azuis em sequência
04:42
out of a box of mostly blue balls.
82
270627
2305
de uma caixa com maioria de bolas azuis.
04:44
You could do that with your eyes closed.
83
272932
2060
Você pode fazer isso de olhos fechados.
04:46
It's plausibly a random sample
from this population.
from this population.
84
274992
2996
É plausível que seja uma amostra aleatória
desta população.
desta população.
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
E se você põe a mão numa caixa
e pega coisas que chiam,
e pega coisas que chiam,
04:53
then maybe everything in the box squeaks.
86
281720
2839
então talvez tudo dentro da caixa chia.
04:56
So maybe babies should expect
those yellow balls to squeak as well.
those yellow balls to squeak as well.
87
284559
3650
Talvez os bebês esperem
que essas bolas amarelas chiem também.
que essas bolas amarelas chiem também.
05:00
Now, those yellow balls
have funny sticks on the end,
have funny sticks on the end,
88
288209
2519
Essas bolas amarelas
têm bastões engraçados,
têm bastões engraçados,
05:02
so babies could do other things
with them if they wanted to.
with them if they wanted to.
89
290728
2857
e os bebês podem fazer outras coisas
com elas se quiserem.
com elas se quiserem.
05:05
They could pound them or whack them.
90
293585
1831
Eles podem amassá-las.
05:07
But let's see what the baby does.
91
295416
2586
Mas vamos ver o que o bebê faz.
(Vídeo) Hyowon Gweon: Olha isso?
(Bola chia)
(Bola chia)
05:12
(Video) Hyowon Gweon: See this?
(Ball squeaks)
(Ball squeaks)
92
300548
3343
05:16
Did you see that?
(Ball squeaks)
(Ball squeaks)
93
304531
3045
Você viu?
(Bola chia)
(Bola chia)
05:20
Cool.
94
308036
3066
Legal!
05:24
See this one?
95
312706
1950
Olha isso?
05:26
(Ball squeaks)
96
314656
1881
(Bola chia)
Uau!
05:28
Wow.
97
316537
2653
05:33
Laura Schulz: Told you. (Laughs)
98
321854
2113
Laura Schulz: Não disse?
(Risos)
(Risos)
05:35
(Video) HG: See this one?
(Ball squeaks)
(Ball squeaks)
99
323967
4031
(Vídeo) HG: Olha isso?
(Bola chia)
(Bola chia)
Clara, esta é para você.
Você pode brincar se quiser.
Você pode brincar se quiser.
05:39
Hey Clara, this one's for you.
You can go ahead and play.
You can go ahead and play.
100
327998
4619
(Risos)
05:51
(Laughter)
101
339854
4365
LS: Eu não preciso nem falar.
05:56
LS: I don't even have to talk, right?
102
344219
2995
Tudo bem, é bom que os bebês
generalizem as propriedades
generalizem as propriedades
05:59
All right, it's nice that babies
will generalize properties
will generalize properties
103
347214
2899
das bolas azuis para as amarelas,
06:02
of blue balls to yellow balls,
104
350113
1528
06:03
and it's impressive that babies
can learn from imitating us,
can learn from imitating us,
105
351641
3096
é impressionante que os bebês
aprendam nos imitando,
aprendam nos imitando,
06:06
but we've known those things about babies
for a very long time.
for a very long time.
106
354737
3669
mas já sabemos dessas coisas
sobre os bebês há muito tempo.
sobre os bebês há muito tempo.
06:10
The really interesting question
107
358406
1811
A questão mais interessante
é o que acontece quando mostramos
exatamente a mesma coisa,
exatamente a mesma coisa,
06:12
is what happens when we show babies
exactly the same thing,
exactly the same thing,
108
360217
2852
e podemos garantir que é a mesma coisa
pois temos um compartimento secreto
pois temos um compartimento secreto
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
e tiramos as bolas de lá,
06:18
and we actually pull the balls from there,
110
366680
2110
06:20
but this time, all we change
is the apparent population
is the apparent population
111
368790
3478
mas desta vez, vamos mudar
a população aparente
a população aparente
06:24
from which that evidence was drawn.
112
372268
2902
a partir da qual a evidência é obtida.
06:27
This time, we're going to show babies
three blue balls
three blue balls
113
375170
3553
Desta vez, vamos mostrar
aos bebês três bolas azuis
aos bebês três bolas azuis
06:30
pulled out of a box
of mostly yellow balls,
of mostly yellow balls,
114
378723
3384
tiradas de uma caixa
com maioria de bolas amarelas,
com maioria de bolas amarelas,
06:34
and guess what?
115
382107
1322
e adivinha?
06:35
You [probably won't] randomly draw
three blue balls in a row
three blue balls in a row
116
383429
2840
Você provavelmente não tira
três bolas azuis em sequência
três bolas azuis em sequência
06:38
out of a box of mostly yellow balls.
117
386269
2484
de uma caixa
com maioria de bolas amarelas.
com maioria de bolas amarelas.
06:40
That is not plausibly
randomly sampled evidence.
randomly sampled evidence.
118
388753
3747
Isso não é uma evidência
amostral plausível.
amostral plausível.
06:44
That evidence suggests that maybe Hyowon
was deliberately sampling the blue balls.
was deliberately sampling the blue balls.
119
392500
5123
Essa evidência sugere que Hyowon
estivesse escolhendo as bolas azuis.
estivesse escolhendo as bolas azuis.
06:49
Maybe there's something special
about the blue balls.
about the blue balls.
120
397623
2583
Talvez haja algo especial
sobre as bolas azuis.
sobre as bolas azuis.
06:52
Maybe only the blue balls squeak.
121
400846
2976
Talvez apenas as bolas azuis chiem.
06:55
Let's see what the baby does.
122
403822
1895
Vamos ver o que o bebê faz.
06:57
(Video) HG: See this?
(Ball squeaks)
(Ball squeaks)
123
405717
2904
(Vídeo) HG: Olha isso?
(Bola chia)
(Bola chia)
07:02
See this toy?
(Ball squeaks)
(Ball squeaks)
124
410851
2645
Olha este brinquedo?
(Bola chia)
(Bola chia)
07:05
Oh, that was cool. See?
(Ball squeaks)
(Ball squeaks)
125
413496
5480
Isso foi legal! Olha?
(Bola chia)
(Bola chia)
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
Agora, esta é para você brincar.
Pode brincar se quiser.
Pode brincar se quiser.
07:18
(Fussing)
(Laughter)
(Laughter)
127
426074
6347
(Mexendo)
(Risos)
(Risos)
07:26
LS: So you just saw
two 15-month-old babies
two 15-month-old babies
128
434901
2748
LS: Você acabou de ver
dois bebês de 15 meses de idade
dois bebês de 15 meses de idade
07:29
do entirely different things
129
437649
1942
fazendo coisas totalmente diferentes
07:31
based only on the probability
of the sample they observed.
of the sample they observed.
130
439591
3599
com base apenas na probabilidade
da amostra que observaram.
da amostra que observaram.
07:35
Let me show you the experimental results.
131
443190
2321
Vou mostrar os resultados experimentais.
07:37
On the vertical axis, you'll see
the percentage of babies
the percentage of babies
132
445511
2764
No eixo vertical, temos
a porcentagem de bebês
a porcentagem de bebês
07:40
who squeezed the ball in each condition,
133
448275
2530
que apertaram a bola em cada condição,
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
e como podemos ver, os bebês
tendem a generalizar a evidência
tendem a generalizar a evidência
07:46
when it's plausibly representative
of the population
of the population
135
454520
3135
quando é uma amostra representativa
plausível da população
plausível da população
07:49
than when the evidence
is clearly cherry-picked.
is clearly cherry-picked.
136
457655
3738
em vez de de uma amostra
escolhida de maneira enviesada.
escolhida de maneira enviesada.
07:53
And this leads to a fun prediction:
137
461393
2415
E isso leva a uma previsão divertida:
07:55
Suppose you pulled just one blue ball
out of the mostly yellow box.
out of the mostly yellow box.
138
463808
4868
suponha que você tirasse uma bola azul
da caixa com maioria de bolas amarelas.
da caixa com maioria de bolas amarelas.
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
Você provavelmente não tiraria
três bolas azuis em sequência,
três bolas azuis em sequência,
mas poderia tirar
aleatoriamente uma bola azul.
aleatoriamente uma bola azul.
08:04
but you could randomly sample
just one blue ball.
just one blue ball.
140
472765
2455
Isso não é uma amostra improvável.
08:07
That's not an improbable sample.
141
475220
1970
08:09
And if you could reach into
a box at random
a box at random
142
477190
2224
E se você pudesse mexer
ao acaso numa caixa
ao acaso numa caixa
08:11
and pull out something that squeaks,
maybe everything in the box squeaks.
maybe everything in the box squeaks.
143
479414
3987
e tirar uma bola que chia,
talvez todas as bolas da caixa chiem.
talvez todas as bolas da caixa chiem.
08:15
So even though babies are going to see
much less evidence for squeaking,
much less evidence for squeaking,
144
483875
4445
Mesmo que os bebês estejam vendo
menos evidências para o chiado,
menos evidências para o chiado,
e tenham menos ações para imitar
08:20
and have many fewer actions to imitate
145
488320
2242
08:22
in this one ball condition than in
the condition you just saw,
the condition you just saw,
146
490562
3343
nesta condição de uma bola
que acabei de explicar,
que acabei de explicar,
08:25
we predicted that babies themselves
would squeeze more,
would squeeze more,
147
493905
3892
nós previmos que os próprios bebês
apertariam mais,
apertariam mais,
08:29
and that's exactly what we found.
148
497797
2894
e isso foi exatamente o que vimos.
08:32
So 15-month-old babies,
in this respect, like scientists,
in this respect, like scientists,
149
500691
4411
Então os bebês de 15 meses de idade,
como se fossem cientistas,
como se fossem cientistas,
08:37
care whether evidence
is randomly sampled or not,
is randomly sampled or not,
150
505102
3088
se importam se as evidências
são amostradas aleatoriamente ou não,
são amostradas aleatoriamente ou não,
08:40
and they use this to develop
expectations about the world:
expectations about the world:
151
508190
3507
e usam isso para desenvolver
expectativas sobre o mundo:
expectativas sobre o mundo:
08:43
what squeaks and what doesn't,
152
511697
2182
o que chia e o que não chia,
08:45
what to explore and what to ignore.
153
513879
3145
o que explorar e o que ignorar.
08:50
Let me show you another example now,
154
518384
2066
Vou mostrar outro exemplo agora,
08:52
this time about a problem
of causal reasoning.
of causal reasoning.
155
520450
2730
desta vez sobre um problema
de raciocínio causal.
de raciocínio causal.
E isso começa com um problema
de evidência confusa
de evidência confusa
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 nós enfrentamos,
08:59
which is that we are part of the world.
158
527291
2020
e por isso fazemos parte do 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
Pode não ser um problema para você,
mas como a maioria dos problemas,
mas como a maioria dos problemas,
09:04
it's only a problem when things go wrong.
160
532747
2337
só é um problema
quando as coisas dão errado.
quando as coisas dão errado.
09:07
Take this baby, for instance.
161
535464
1811
Veja este bebê, por exemplo.
09:09
Things are going wrong for him.
162
537275
1705
As coisas estão dando errado.
09:10
He would like to make
this toy go, and he can't.
this toy go, and he can't.
163
538980
2271
Ele quer fazer isso andar,
mas não consegue.
mas não consegue.
09:13
I'll show you a few-second clip.
164
541251
2529
Vou mostrar alguns segundos.
E há duas possibilidades:
09:21
And there's two possibilities, broadly:
165
549340
1920
09:23
Maybe he's doing something wrong,
166
551260
2634
talvez ele esteja fazendo algo errado,
09:25
or maybe there's something
wrong with the toy.
wrong with the toy.
167
553894
4216
ou talvez haja algo
errado com o brinquedo.
errado com o brinquedo.
09:30
So in this next experiment,
168
558110
2111
Neste próximo 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
vamos dar alguns dados estatísticos
09:35
supporting one hypothesis over the other,
170
563518
2582
apoiando uma hipótese sobre a outra,
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
e vamos ver se os bebês
podem tomar decisões diferentes
podem tomar decisões diferentes
sobre o que fazer.
09:41
about what to do.
172
569555
1834
09:43
Here's the setup.
173
571389
2022
Aqui está o experimento.
09:46
Hyowon is going to try to make
the toy go and succeed.
the toy go and succeed.
174
574071
3030
Hyowon vai fazer o brinquedo andar.
09:49
I am then going to try twice
and fail both times,
and fail both times,
175
577101
3320
Depois eu vou tentar duas vezes e falhar,
09:52
and then Hyowon is going
to try again and succeed,
to try again and succeed,
176
580421
3112
e Hyowon tenta de novo e consegue,
09:55
and this roughly sums up my relationship
to my graduate students
to my graduate students
177
583533
3172
e isto resume minha relação
com meus alunos de pós-graduação
com meus alunos de pós-graduação
09:58
in technology across the board.
178
586705
2835
com novas tecnologias.
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
Mas o importante aqui é fornecer
um pouco de evidência
um pouco de evidência
10:05
that the problem isn't with the toy,
it's with the person.
it's with the person.
180
593322
3668
de que o problema não é o brinquedo,
é a pessoa.
é a pessoa.
10:08
Some people can make this toy go,
181
596990
2350
Algumas pessoas fazem o brinquedo andar,
10:11
and some can't.
182
599340
959
e outras não.
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
Quando o bebê pega o brinquedo,
ele tem uma escolha.
ele tem uma escolha.
10:16
His mom is right there,
184
604212
2188
Sua mãe está ali,
para que possa entregar o brinquedo
e mudar de pessoa,
e mudar de pessoa,
10:18
so he can go ahead and hand off the toy
and change the person,
and change the person,
185
606400
3315
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
mas há também outro brinquedo,
no final do pano,
no final do pano,
10:24
and he can pull the cloth towards him
and change the toy.
and change the toy.
187
612873
3552
e ele pode puxar o pano
e mudar de brinquedo.
e mudar de brinquedo.
10:28
So let's see what the baby does.
188
616425
2090
Vamos ver o que o bebê faz.
10:30
(Video) HG: Two, three. Go!
(Music)
(Music)
189
618515
4183
(Vídeo) HG: Dois, três. vai!
(Música)
(Música)
10:34
LS: One, two, three, go!
190
622698
3131
LS: Um, dois, três, vai!
10:37
Arthur, I'm going to try again.
One, two, three, go!
One, two, three, go!
191
625829
7382
Arthur, vou tentar novamente.
Um, dois, três, vai!
Um, dois, três, vai!
10:45
YG: Arthur, let me try again, okay?
192
633677
2600
HG: Arthur, vou tentar de novo.
10:48
One, two, three, go!
(Music)
(Music)
193
636277
4550
Um, dois, três, vai!
(Música)
(Música)
10:53
Look at that. Remember these toys?
194
641583
1883
Veja isso.
Lembra destes brinquedos?
Lembra destes brinquedos?
10:55
See these toys? Yeah, I'm going
to put this one over here,
to put this one over here,
195
643466
3264
Estes brinquedos aqui?
Vou colocar este aqui,
Vou colocar este aqui,
10:58
and I'm going to give this one to you.
196
646730
2062
e eu vou dar este para você.
11:00
You can go ahead and play.
197
648792
2335
Você pode brincar se quiser.
11:23
LS: Okay, Laura, but of course,
babies love their mommies.
babies love their mommies.
198
671213
4737
LS: Certo, mas é óbvio que os bebês
amam suas mamães.
amam suas mamães.
11:27
Of course babies give toys
to their mommies
to their mommies
199
675950
2182
Os bebês vão dar
brinquedos para suas mães
brinquedos para suas mães
11:30
when they can't make them work.
200
678132
2030
quando não conseguem fazê-los funcionar.
11:32
So again, the really important question
is what happens when we change
is what happens when we change
201
680162
3593
Novamente, o que importa
é o que acontece quando mudamos
é o que acontece quando mudamos
11:35
the statistical data ever so slightly.
202
683755
3154
os dados estatísticos ligeiramente.
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
Desta vez, os bebês vão ver o brinquedo
funcionar e falhar na mesma ordem,
funcionar e falhar na mesma ordem,
11:42
but we're changing
the distribution of evidence.
the distribution of evidence.
204
690996
2415
mas mudamos a distribuição das evidências.
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
Hyowon vai conseguir uma vez
e falhar uma vez, e eu também.
e falhar uma vez, e eu também.
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
Isso sugere que não importa quem tenta,
o brinquedo está quebrado.
o brinquedo está quebrado.
Ele não funciona o tempo todo.
11:55
It doesn't work all the time.
207
703459
1886
De novo, o bebê terá uma escolha.
11:57
Again, the baby's going to have a choice.
208
705345
1965
A mãe dele está ao seu lado,
então ela pode mudar a pessoa,
então ela pode mudar a pessoa,
11:59
Her mom is right next to her,
so she can change the person,
so she can change the person,
209
707310
3396
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
e tem outro brinquedo no fim do pano.
Vamos ver o que ela faz.
12:05
Let's watch what she does.
211
713910
1378
12:07
(Video) HG: Two, three, go!
(Music)
(Music)
212
715288
4348
(Vídeo) HG: Dois, três, vai!
(Música)
(Música)
12:11
Let me try one more time.
One, two, three, go!
One, two, three, go!
213
719636
4984
Vou tentar de novo. Um, dois, três, vai!
12:17
Hmm.
214
725460
1697
Hmmm.
12:19
LS: Let me try, Clara.
215
727950
2692
LS: Vou tentar, Clara.
12:22
One, two, three, go!
216
730642
3945
Um, dois, três, vai!
12:27
Hmm, let me try again.
217
735265
1935
Vou tentar de novo.
12:29
One, two, three, go!
(Music)
(Music)
218
737200
5670
Um, dois, três, vai!
(Música)
(Música)
12:35
HG: I'm going
to put this one over here,
to put this one over here,
219
743009
2233
HG: Eu vou
deixar este aqui,
deixar este aqui,
12:37
and I'm going to give this one to you.
220
745242
2001
e vou dar este para você.
12:39
You can go ahead and play.
221
747243
3597
Você pode brincar se quiser.
12:58
(Applause)
222
766376
4897
(Aplausos)
13:04
LS: Let me show you
the experimental results.
the experimental results.
223
772993
2392
LS: Vou mostrar
os resultados experimentais.
os resultados experimentais.
13:07
On the vertical axis,
you'll see the distribution
you'll see the distribution
224
775385
2475
No eixo vertical, temos a distribuição
13:09
of children's choices in each condition,
225
777860
2577
de escolhas para cada condição,
13:12
and you'll see that the distribution
of the choices children make
of the choices children make
226
780437
4551
e podemos ver que as escolhas
que as crianças fazem
que as crianças fazem
13:16
depends on the evidence they observe.
227
784988
2787
dependem da evidência observada.
13:19
So in the second year of life,
228
787775
1857
Então no segundo ano de vida,
13:21
babies can use a tiny bit
of statistical data
of statistical data
229
789632
2577
os bebês podem usar alguns
dados estatísticos
dados estatísticos
13:24
to decide between two
fundamentally different strategies
fundamentally different strategies
230
792209
3367
e decidir entre duas
estratégias muito diferentes
estratégias muito diferentes
13:27
for acting in the world:
231
795576
1881
para agir no mundo:
13:29
asking for help and exploring.
232
797457
2743
pedir ajuda e explorar.
13:33
I've just shown you
two laboratory experiments
two laboratory experiments
233
801700
3434
Eu só mostrei
dois experimentos de laboratório
dois experimentos de laboratório
entre centenas de outros
que mostram resultados parecidos,
que mostram resultados parecidos,
13:37
out of literally hundreds in the field
that make similar points,
that make similar points,
234
805134
3691
13:40
because the really critical point
235
808825
2392
pois o ponto essencial
13:43
is that children's ability
to make rich inferences from sparse data
to make rich inferences from sparse data
236
811217
5108
é mostrar que a capacidade das crianças
fazerem inferências com poucos dados
fazerem inferências com poucos dados
13:48
underlies all the species-specific
cultural learning that we do.
cultural learning that we do.
237
816325
5341
está por trás de toda aprendizagem
cultural específica que fazemos.
cultural específica que fazemos.
13:53
Children learn about new tools
from just a few examples.
from just a few examples.
238
821666
4597
As crianças aprendem sobre coisas novas
a partir de alguns exemplos.
a partir de alguns exemplos.
13:58
They learn new causal relationships
from just a few examples.
from just a few examples.
239
826263
4717
Elas aprendem novas relações causais
a partir de alguns exemplos.
a partir de alguns exemplos.
14:03
They even learn new words,
in this case in American Sign Language.
in this case in American Sign Language.
240
831928
4871
Elas até aprendem novas palavras,
neste caso em Língua de Sinais Americana.
neste caso em Língua de Sinais Americana.
14:08
I want to close with just two points.
241
836799
2311
Quero concluir com apenas dois pontos.
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
Se você estiver acompanhando
as ciências cognitivas e do cérebro
as ciências cognitivas e do cérebro
14:15
for the past few years,
243
843738
1927
pelos últimos anos,
três grandes ideias vão chamar
sua atenção.
sua atenção.
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
A primeira é que estamos
na era do cérebro.
na era do cérebro.
14:23
And indeed, there have been
staggering discoveries in neuroscience:
staggering discoveries in neuroscience:
246
851516
3669
De fato, houve descobertas
surpreendentes nas neurociências:
surpreendentes nas neurociências:
14:27
localizing functionally specialized
regions of cortex,
regions of cortex,
247
855185
3436
a localização funcional
de regiões especializadas do córtex,
de regiões especializadas do córtex,
14:30
turning mouse brains transparent,
248
858621
2601
tornar transparentes
cérebros de camundongos,
cérebros de camundongos,
14:33
activating neurons with light.
249
861222
3776
ativação de neurônios com luz.
14:36
A second big idea
250
864998
1996
A segunda grande ideia
14:38
is that this is the era of big data
and machine learning,
and machine learning,
251
866994
4104
é que estamos na era dos grandes dados
e do aprendizado de máquina,
e do aprendizado de máquina,
14:43
and machine learning promises
to revolutionize our understanding
to revolutionize our understanding
252
871098
3141
e isso promete revolucionar
nossa compreensão
nossa compreensão
14:46
of everything from social networks
to epidemiology.
to epidemiology.
253
874239
4667
de tudo, desde redes sociais
até epidemiologia.
até epidemiologia.
E talvez ao enfrentar problemas
de compreensão contextual
de compreensão contextual
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
e processamento de linguagem natural,
14:55
to tell us something
about human cognition.
about human cognition.
256
883592
3324
isso pode nos dizer algo
sobre cognição humana.
sobre cognição humana.
14:59
And the final big idea you'll have heard
257
887756
1937
E a terceira grande ideia
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
é que talvez seja uma boa ideia
sabermos muito sobre cérebros
sabermos muito sobre cérebros
e termos acesso a grandes dados,
15:05
and have so much access to big data,
259
893080
1917
15:06
because left to our own devices,
260
894997
2507
pois se ficarmos como estamos,
15:09
humans are fallible, we take shortcuts,
261
897504
3831
os seres humanos são falíveis,
usamos atalhos,
usamos atalhos,
15:13
we err, we make mistakes,
262
901335
3437
nós erramos, cometemos enganos,
15:16
we're biased, and in innumerable ways,
263
904772
3684
somos enviesados e, de várias maneiras,
15:20
we get the world wrong.
264
908456
2969
vemos o mundo errado.
15:24
I think these are all important stories,
265
912843
2949
Penso que estas histórias são 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
e elas nos dizem muito
sobre o que significa ser humano,
sobre o 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
mas quero que vocês percebam
que contei uma história muito diferente.
que contei uma história muito diferente.
15:35
It's a story about minds and not brains,
268
923966
3807
É uma história sobre mentes
e não sobre cérebros,
e não sobre cérebros,
15:39
and in particular, it's a story
about the kinds of computations
about the kinds of computations
269
927773
3006
é uma história sobre o tipo de computação
15:42
that uniquely human minds can perform,
270
930779
2590
que as mentes unicamente humanas
podem fazer,
podem fazer,
15:45
which involve rich, structured knowledge
and the ability to learn
and the ability to learn
271
933369
3944
que envolve o conhecimento estruturado
e a capacidade de aprender
e a capacidade 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
a partir de pequenas quantidades de dados,
das evidências de alguns exemplos.
das evidências de alguns exemplos.
Essencialmente, é uma história
sobre como as crianças começam
sobre como as crianças começam
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
e continuam seu caminho
para grandes realizações
para grandes realizações
16:04
of our culture,
275
952780
3843
da nossa cultura,
16:08
we get the world right.
276
956623
1997
e conseguem ver o mundo direito.
16:12
Folks, human minds do not only learn
from small amounts of data.
from small amounts of data.
277
960433
5267
As mentes humanas não aprendem
apenas com pequenas quantidades de dados.
apenas com pequenas quantidades de dados.
16:18
Human minds think
of altogether new ideas.
of altogether new ideas.
278
966285
2101
As mentes humanas pensam novas ideias.
16:20
Human minds generate
research and discovery,
research and discovery,
279
968746
3041
As mentes humanas
geram pesquisa e descoberta,
geram pesquisa e descoberta,
16:23
and human minds generate
art and literature and poetry and theater,
art and literature and poetry and theater,
280
971787
5273
e as mentes humanas geram
arte, literatura, poesia e teatro,
arte, literatura, poesia e teatro,
16:29
and human minds take care of other humans:
281
977070
3760
e as mentes humanas cuidam
de outros seres humanos:
de outros seres humanos:
16:32
our old, our young, our sick.
282
980830
3427
de pessoas idosas, jovens ou doentes.
16:36
We even heal them.
283
984517
2367
Nós até mesmo as curamos.
16:39
In the years to come, we're going
to see technological innovations
to see technological innovations
284
987564
3103
Nos próximos anos,
veremos inovações tecnológicas
veremos inovações tecnológicas
16:42
beyond anything I can even envision,
285
990667
3797
além de qualquer coisa
que eu possa imaginar,
que eu possa imaginar,
16:46
but we are very unlikely
286
994464
2150
mas é muito improvável
16:48
to see anything even approximating
the computational power of a human child
the computational power of a human child
287
996614
5709
que a gente veja um computador
com o mesmo poder da mente de uma criança
com o mesmo poder da mente de uma criança
16:54
in my lifetime or in yours.
288
1002323
4298
na minha geração ou na sua.
16:58
If we invest in these most powerful
learners and their development,
learners and their development,
289
1006621
5047
Se investirmos nestes aprendizes
mais poderosos e no seu desenvolvimento,
mais poderosos e no seu desenvolvimento,
17:03
in babies and children
290
1011668
2917
nos bebês, e nas crianças,
e mães, e pais,
17:06
and mothers and fathers
291
1014585
1826
17:08
and caregivers and teachers
292
1016411
2699
e cuidadores, e professores
17:11
the ways we invest in our other
most powerful and elegant forms
most powerful and elegant forms
293
1019110
4170
da mesma maneira que investimos
em outras formas poderosas e elegantes
em outras formas poderosas e elegantes
17:15
of technology, engineering and design,
294
1023280
3218
de tecnologia, engenharia e design,
17:18
we will not just be dreaming
of a better future,
of a better future,
295
1026498
2939
nós não vamos apenas sonhar
por um futuro melhor,
por um futuro melhor,
vamos planejar um futuro.
17:21
we will be planning for one.
296
1029437
2127
17:23
Thank you very much.
297
1031564
2345
Muito obrigada.
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, obrigado.
Eu tenho uma pergunta para você.
Eu tenho uma pergunta para você.
17:34
First of all, the research is insane.
300
1042236
2359
Em primeiro lugar, a pesquisa é insana.
17:36
I mean, who would design
an experiment like that? (Laughter)
an experiment like that? (Laughter)
301
1044595
3725
Quero dizer, quem iria projetar
um experimento como esse?
um experimento como esse?
17:41
I've seen that a couple of times,
302
1049150
1790
Eu vi isso algumas vezes,
17:42
and I still don't honestly believe
that that can truly be happening,
that that can truly be happening,
303
1050940
3222
e eu ainda não acredito
que isso pode estar acontecendo,
que isso pode estar acontecendo,
17:46
but other people have done
similar experiments; it checks out.
similar experiments; it checks out.
304
1054162
3158
mas outras pessoas fizeram
experimentos semelhantes.
experimentos semelhantes.
Os bebês são realmente geniais.
17:49
The babies really are that genius.
305
1057320
1633
LS: Eles parecem muito impressionantes
em nossos experimentos,
em nossos experimentos,
17:50
LS: You know, they look really impressive
in our experiments,
in our experiments,
306
1058953
3007
mas pense sobre como eles
se parecem na vida real.
se parecem na vida real.
17:53
but think about what they
look like in real life, right?
look like in real life, right?
307
1061960
2652
Nasce um bebê.
17:56
It starts out as a baby.
308
1064612
1150
Dezoito meses depois,
ele fala com você,
ele fala com você,
17:57
Eighteen months later,
it's talking to you,
it's talking to you,
309
1065762
2007
e suas primeiras palavras
não são coisas como bolas e patos,
não são coisas como bolas e patos,
17:59
and babies' first words aren't just
things like balls and ducks,
things like balls and ducks,
310
1067769
3041
são coisas como "sumiu",
que se refere ao desaparecimento,
que se refere ao desaparecimento,
18:02
they're things like "all gone,"
which refer to disappearance,
which refer to disappearance,
311
1070810
2881
ou "opa", que se refere
a ações intencionais.
a ações intencionais.
18:05
or "uh-oh," which refer
to unintentional actions.
to unintentional actions.
312
1073691
2283
Ele precisa ser poderoso.
18:07
It has to be that powerful.
313
1075974
1562
Precisa ser mais poderoso
do que tudo que eu mostrei.
do que tudo que eu mostrei.
18:09
It has to be much more powerful
than anything I showed you.
than anything I showed you.
314
1077536
2775
Eles estão descobrindo o mundo inteiro.
18:12
They're figuring out the entire world.
315
1080311
1974
Uma criança de quatro anos
pode conversar sobre quase tudo.
pode conversar sobre quase tudo.
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
(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: Se eu entendi direito,
o outro ponto que você levanta
o outro ponto que você levanta
18:22
we've been through these years
where there's all this talk
where there's all this talk
319
1090444
2754
é que ultrapassamos a ideia
sobre como nossa mente
sobre como nossa mente
18:25
of how quirky and buggy our minds are,
320
1093198
1932
é falha e confusa,
18:27
that behavioral economics
and the whole theories behind that
and the whole theories behind that
321
1095130
2867
da economia comportamental
e outras teorias que dizem
e outras teorias que dizem
18:29
that we're not rational agents.
322
1097997
1603
que não somos agentes racionais.
18:31
You're really saying that the bigger
story is how extraordinary,
story is how extraordinary,
323
1099600
4216
Você realmente acha que
nossa mente é extraordinária
nossa mente é extraordinária
18:35
and there really is genius there
that is underappreciated.
that is underappreciated.
324
1103816
4944
e que há um gênio ali que é ignorado?
18:40
LS: One of my favorite
quotes in psychology
quotes in psychology
325
1108760
2070
LS: Uma das minhas citações favoritas
18:42
comes from the social
psychologist Solomon Asch,
psychologist Solomon Asch,
326
1110830
2290
é do psicólogo social Solomon Asch,
18:45
and he said the fundamental task
of psychology is to remove
of psychology is to remove
327
1113120
2807
que disse que a tarefa fundamental
da psicologia é remover
da psicologia é remover
18:47
the veil of self-evidence from things.
328
1115927
2626
o véu da autoevidência das coisas.
18:50
There are orders of magnitude
more decisions you make every day
more decisions you make every day
329
1118553
4551
Há milhões de tipos de escolhas
que fazemos todos os dias,
que fazemos todos os dias,
18:55
that get the world right.
330
1123104
1347
que nos fazem ver o mundo.
18:56
You know about objects
and their properties.
and their properties.
331
1124451
2132
Sabemos dos objetos e suas propriedades.
Sabemos quando estão ocultos.
Podemos vê-los no escuro.
Podemos vê-los no escuro.
18:58
You know them when they're occluded.
You know them in the dark.
You know them in the dark.
332
1126583
3029
Podemos andar nas salas.
19:01
You can walk through rooms.
333
1129612
1308
Podemos descobrir o que outras pessoas
estão pensando e falar com elas.
estão pensando e falar com elas.
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
Podemos navegar no espaço
e saber números.
e saber números.
19:06
You can navigate space.
You know about numbers.
You know about numbers.
335
1134452
2230
Sabemos sobre relações causais
e raciocínio moral.
e raciocínio moral.
19:08
You know causal relationships.
You know about moral reasoning.
You know about moral reasoning.
336
1136682
3022
Fazemos isso sem esforço,
por isso não percebemos,
por isso não percebemos,
19:11
You do this effortlessly,
so we don't see it,
so we don't see it,
337
1139704
2356
mas é assim que vemos o mundo,
e é uma realização notável
e é uma realização notável
19:14
but that is how we get the world right,
and it's a remarkable
and it's a remarkable
338
1142060
2912
e muito difícil de entender.
19:16
and very difficult-to-understand
accomplishment.
accomplishment.
339
1144972
2318
CA: Eu suspeito que há pessoas
na plateia que têm
na plateia que têm
19:19
CA: I suspect there are people
in the audience who have
in the audience who have
340
1147290
2628
esta visão sobre o poder
tecnológico crescente
tecnológico crescente
19:21
this view of accelerating
technological power
technological power
341
1149918
2238
e que refutam sua afirmação
de que nunca teremos um computador
de que nunca teremos um computador
19:24
who might dispute your statement
that never in our lifetimes
that never in our lifetimes
342
1152156
2958
com a mesma capacidade
de um criança de três anos,
de um criança de três anos,
19:27
will a computer do what
a three-year-old child can do,
a three-year-old child can do,
343
1155114
2618
mas está claro que, em qualquer situação,
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
nossas máquinas têm muito a aprender
com nossas crianças.
com nossas crianças.
19:38
LS: I think so. You'll have some
machine learning folks up here.
machine learning folks up here.
346
1166230
3216
LS: Acho que sim. Temos pessoas
do aprendizado de máquina por aqui.
do aprendizado de máquina por aqui.
19:41
I mean, you should never bet
against babies or chimpanzees
against babies or chimpanzees
347
1169446
4203
Quero dizer, a gente não deve apostar
em bebês ou em chimpanzés
em bebês ou em chimpanzés
19:45
or technology as a matter of practice,
348
1173649
3645
ou na tecnologia como uma questão prática,
19:49
but it's not just
a difference in quantity,
a difference in quantity,
349
1177294
4528
mas não é apenas
uma diferença em quantidade,
uma diferença em quantidade,
19:53
it's a difference in kind.
350
1181822
1764
é uma diferença de tipo.
19:55
We have incredibly powerful computers,
351
1183586
2160
Temos computadores
incrivelmente poderosos,
incrivelmente poderosos,
19:57
and they do do amazingly
sophisticated things,
sophisticated things,
352
1185746
2391
que fazem coisas muito sofisticadas,
20:00
often with very big amounts of data.
353
1188137
3204
muitas vezes com grandes
quantidades de dados.
quantidades de dados.
20:03
Human minds do, I think,
something quite different,
something quite different,
354
1191341
2607
As mentes humanas fazem algo
completamente diferente,
completamente diferente,
20:05
and I think it's the structured,
hierarchical nature of human knowledge
hierarchical nature of human knowledge
355
1193948
3895
e acho que é a natureza hierárquica
e estruturada do conhecimento humano
e estruturada do conhecimento humano
20:09
that remains a real challenge.
356
1197843
2032
que continua a ser um desafio real.
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, isso foi maravilhoso.
Muito obrigado.
Muito obrigado.
LS: Obrigada.
(Aplausos)
(Aplausos)
20:14
LS: Thank you.
(Applause)
(Applause)
358
1202936
2922
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