English-Video.net comment policy

The comment field is common to all languages

Let's write in your language and use "Google Translate" together

Please refer to informative community guidelines on TED.com

TED2015

Laura Schulz: The surprisingly logical minds of babies

ลอร่า ชูลส์ (Laura Schulz): สมองที่มีเหตุผลจนเหลือเชื่อของเด็กเล็ก

Filmed
Views 1,632,838

เด็กเล็กเรียนรู้จากสิ่งเล็ก ๆ ได้มากมายและรวดเร็วได้อย่างไร ในทอล์กที่เต็มไปได้ความสนุกมีูมูลเหตุจากการทดลองนี้ นักประชานศาสตร์ ลอร่า ชูลส์ แสดงให้เราเห็นว่าเด็ก ๆ สามารถตัดสินใจอย่างมีเหตุผลได้ดีจนน่าประหลาดใจ ก่อนแม้จะพูดได้

- Cognitive scientist
Developmental behavior studies spearheaded by Laura Schulz are changing our notions of how children learn. Full bio

Mark Twain summed up
what I take to be
มาร์ก ทเวน ได้สรุปสิ่งที่ฉันเห็นว่า
00:12
one of the fundamental problems
of cognitive science
เป็นปัญหาพื้นฐานอย่างหนึ่งใน
สาขาประชานศาสตร์ (cognitive science)
00:14
with a single witticism.
ด้วยคำพูดหนึ่งที่คมคาย
00:18
He said, "There's something
fascinating about science.
เขากล่าวว่า "มีเรื่องหนึ่งที่น่าทึ่ง
เกี่ยวกับวิทยาศาสตร์
00:20
One gets such wholesale
returns of conjecture
เราได้กำไรมหาศาลผ่านการเดา
00:23
out of such a trifling
investment in fact."
จากการได้ความจริงมาเพียงเล็กน้อย"
00:26
(Laughter)
(เสียงหัวเราะ)
00:29
Twain meant it as a joke,
of course, but he's right:
แน่นอนว่า ทเวนตั้งใจให้เป็นมุก
แต่เขาก็พูดถูก
00:32
There's something
fascinating about science.
มันเป็นเรื่องที่น่าทึ่งในวิทยาศาสตร์
00:34
From a few bones, we infer
the existence of dinosuars.
จากกระดูกไม่กี่ชิ้น
เราอนุมานการมีอยู่ของไดโนเสาร์
00:37
From spectral lines,
the composition of nebulae.
จากเส้นสเปกตรัม
เราอนุมานโครงสร้างของเนบิวลา
00:42
From fruit flies,
จากแมลงหวี่
00:47
the mechanisms of heredity,
เราพบกลไกการถ่ายทอดทางพันธุกรรม
00:50
and from reconstructed images
of blood flowing through the brain,
และจากภาพจำลอง
การไหลของเลือดในสมอง
00:53
or in my case, from the behavior
of very young children,
หรือในกรณีของฉัน
จากพฤติกรรมของเด็กเล็ก
00:57
we try to say something about
the fundamental mechanisms
เราพยายามจะเรียนรู้
เกี่ยวกับกลไกพื้นฐาน
01:02
of human cognition.
ของระบบประชานในมนุษย์
01:05
In particular, in my lab in the Department
of Brain and Cognitive Sciences at MIT,
โดยเฉพาะ ในห้องทดลองของฉัน
ที่ภาคประชานศาสตร์และสมองที่ MIT
01:07
I have spent the past decade
trying to understand the mystery
ฉันใช้เวลาทั้งทศวรรษที่ผ่านมา
พยายามไขปริศนา
01:12
of how children learn so much
from so little so quickly.
ว่าเด็กสามารถเรียนรู้ได้อย่างมหาศาล
จากข้อมูลที่น้อยนิดในเวลารวดเร็วได้อย่างไร
01:16
Because, it turns out that
the fascinating thing about science
เพราะจริง ๆ แล้ว
สิ่งที่น่าอัศจรรย์เกี่ยวกับวิทยาศาสตร์
01:20
is also a fascinating
thing about children,
ก็เป็นสิ่งที่น่าอัศจรรย์ในเด็กด้วย
01:23
which, to put a gentler
spin on Mark Twain,
ซึ่ง ถ้านำคำของมาร์ก ทเวน
มากล่าวให้ไพเราะขึ้น
01:27
is precisely their ability
to draw rich, abstract inferences
ก็คือความสามารถของเด็ก
ในการอนุมานที่สมบูรณ์ที่เป็นนามธรรม
01:29
rapidly and accurately
from sparse, noisy data.
อย่างรวดเร็วและแม่นยำ
จากข้อมูลเพียงเล็กน้อยและมีสิ่งรบกวน
01:34
I'm going to give you
just two examples today.
ฉันจะยกตัวอย่างให้คุณได้ดูในวันนี้
สองตัวอย่าง
01:40
One is about a problem of generalization,
อย่างแรกเกี่ยวกับปัญหาของการวางนัยทั่วไป
01:42
and the other is about a problem
of causal reasoning.
อย่างที่สองคือปัญหาเกี่ยวกับการหาเหตุผล
01:45
And although I'm going to talk
about work in my lab,
และแม้ว่าฉันจะกล่าวถึงงาน
ในห้องทดลองของฉัน
01:47
this work is inspired by
and indebted to a field.
งานชิ้นนี้ได้แรงบันดาลใจจากภาคสนาม
01:50
I'm grateful to mentors, colleagues,
and collaborators around the world.
ฉันรู้สึกขอบคุณที่ปรึกษา เพื่อนร่วมงาน
และผู้ให้ความร่วมมือทุกท่านทั่วโลก
01:53
Let me start with the problem
of generalization.
เราเริ่มที่ปัญหาเกี่ยวกับการวางนัยทั่วไปก่อน
01:59
Generalizing from small samples of data
is the bread and butter of science.
การวางนัยทั่วไปจากข้อมูลตัวอย่างจำนวนน้อย
เป็นสิ่งพื้นฐานสำหรับวิทยาศาสตร์
02:02
We poll a tiny fraction of the electorate
เราเก็บรวมรวมผลโพลคะแนนโหวต
จากผู้มีสิทธิเลือกตั้ง
02:06
and we predict the outcome
of national elections.
จากนั้นเราทำนายผลของการเลือกตั้งได้
02:09
We see how a handful of patients
responds to treatment in a clinical trial,
เราเฝ้าดูว่าคนไข้จำนวนหนึ่ง
ตอบสนองต่อการรักษาในการทดลองอย่างไร
02:12
and we bring drugs to a national market.
จากนั้นเราก็ขายยาออกสู่ตลาด
02:16
But this only works if our sample
is randomly drawn from the population.
แต่นี่เป็นไปได้
ก็ต่อเมื่อเราต้องสุ่มตัวอย่างจากประชากร
02:19
If our sample is cherry-picked
in some way --
หากว่าตัวอย่างเป็นสิ่งที่จงใจเลือก
ไม่ว่าจะเลือกอย่างไร
02:23
say, we poll only urban voters,
เช่น เราเก็บผลโพลจากผู้คนเพียงแค่ในเมือง
02:26
or say, in our clinical trials
for treatments for heart disease,
หรือในการทดลองทางคลินิก
เพื่อรักษาโรคหัวใจ
02:28
we include only men --
เราเลือกมาแค่ผู้ชาย
02:32
the results may not generalize
to the broader population.
ผลที่ได้ออกมาไม่สามารถนำมาสรุปใช้
กับประชากรทั้งหมดได้
02:34
So scientists care whether evidence
is randomly sampled or not,
ดังนั้น นักวิทยาศาสตร์ต้องคำนึงว่า
หลักฐานเป็นตัวอย่างสุ่มหรือไม่
02:38
but what does that have to do with babies?
แต่นั่นเกี่ยวกับเด็กเล็ก ๆ อย่างไร
02:42
Well, babies have to generalize
from small samples of data all the time.
เด็กเล็กจะต้องหาข้อสรุปจากข้อมูล
ที่ได้จากตัวอย่างกลุ่มเล็ก ๆ ตลอดเวลา
02:44
They see a few rubber ducks
and learn that they float,
พวกเขาเห็นเป็ดยางเพียงไม่กี่ตัว
และเรียนรู้ว่าพวกมันนั้นลอยน้ำได้
02:49
or a few balls and learn that they bounce.
หรือเห็นลูกบอลเพียงไม่กี่ลูก
แล้วรู้ว่าพวกมันสามารถเด้งได้
02:52
And they develop expectations
about ducks and balls
พวกเขาจะพัฒนาความคิด
เกี่ยวกับเป็ดและลูกบอล
02:55
that they're going to extend
to rubber ducks and balls
ที่จะอยู่กับพวกเขา
02:58
for the rest of their lives.
ไปตลอดชีวิต
03:01
And the kinds of generalizations
babies have to make about ducks and balls
และการหานัยทั่วไป
ที่เด็กเล็กต้องทำกับเป็ดและบอลนั้น
03:03
they have to make about almost everything:
พวกเขาต้องทำกับทุกสิ่งรอบตัว
03:07
shoes and ships and sealing wax
and cabbages and kings.
เช่ นรองเท้า เรือ แว็กซ์ กะหล่ำปลี พระราชา
03:09
So do babies care whether
the tiny bit of evidence they see
ดังนั้น เด็กเล็กนั้นต้องสนใจ
หลักฐานเล็กน้อยที่พวกเขาเห็น
03:14
is plausibly representative
of a larger population?
ว่าเป็นเรื่องที่สามารถนำมาใช้
กับประชากรกลุ่มที่ใหญ่ขึ้นได้หรือไม่
03:17
Let's find out.
เรามาดูกัน
03:21
I'm going to show you two movies,
ฉันจะให้คุณดูภาพยนตร์สองเรื่อง
03:23
one from each of two conditions
of an experiment,
แต่ละเรื่องเป็นการทดลองกรณีหนึ่ง ๆ
03:25
and because you're going to see
just two movies,
และเพราะคุณจะได้ดูภาพยนตร์แค่สองเรื่อง
03:27
you're going to see just two babies,
คุณก็จะเห็นเด็กน้อยเพียงแค่สองคน
03:30
and any two babies differ from each other
in innumerable ways.
และเด็กที่ไหนสองคน
ก็จะแตกต่างกันอย่างมากมาย
03:32
But these babies, of course,
here stand in for groups of babies,
แต่เด็กสองคนนี้เป็นตัวแทนของกลุ่มเด็กเล็ก
03:36
and the differences you're going to see
และความแตกต่างที่คุณกำลังจะได้ดูนั้น
03:39
represent average group differences
in babies' behavior across conditions.
จะแสดงถึงความแตกต่างระหว่างกลุ่ม
เกี่ยวกับพฤติกรรมเด็กในกรณีต่าง ๆ
03:41
In each movie, you're going to see
a baby doing maybe
ในภาพยนตร์แต่ละเรื่อง
คุณจะได้เห็นเด็กน้อย
03:47
just exactly what you might
expect a baby to do,
ทำสิ่งที่คุณคิดไว้อยู่แล้วว่าพวกเขาจะทำ
03:49
and we can hardly make babies
more magical than they already are.
และเด็กเหล่านี้
ก็สามารถทำอะไรได้เหลือเชื่ออยู่แล้ว
03:53
But to my mind the magical thing,
สำหรับฉันนั้น สิ่งเหลือเชื่อ
03:58
and what I want you to pay attention to,
และสิ่งที่ฉันต้องการที่ให้พวกคุณจะสนใจดู
04:00
is the contrast between
these two conditions,
ก็คือ ความแตกต่างระหว่างสองกรณีนี้
04:02
because the only thing
that differs between these two movies
เพราะสิ่งเดียวที่ต่างกัน
ระหว่างภาพยนตร์สองเรื่องนี้
04:05
is the statistical evidence
the babies are going to observe.
ก็คือ หลักฐานทางด้านสถิติ
ที่เด็กเล็กเหล่านี้จะได้เห็น
04:08
We're going to show babies
a box of blue and yellow balls,
เราจะโชว์กล่องที่เต็มไปด้วยลูกบอล
สีน้ำเงินและสีเหลือง
04:13
and my then-graduate student,
now colleague at Stanford, Hyowon Gweon,
นักศึกษาของฉันในตอนนั้น ตอนนี้เป็นเพื่อน
ร่วมงานที่สแตนฟอร์ด คือ Hyowon Gweon
04:16
is going to pull three blue balls
in a row out of this box,
จะดึงเอาบอลสีน้ำเงินออกจากกล่อง
ต่อกันสามลูก
04:21
and when she pulls those balls out,
she's going to squeeze them,
และเมื่อเธอดึงบอลเหล่านั้นออกมา
เธอก็จะบีบมันไปด้วย
04:24
and the balls are going to squeak.
บอลเหล่านี้จะส่งเสียง
04:27
And if you're a baby,
that's like a TED Talk.
และถ้าพวกคุณคือเด็กคนนั้น
นั่นเป็นเหมือนกับดู TED Talk
04:29
It doesn't get better than that.
ไม่มีอะไรเจ๋งกว่านี้แล้ว
04:32
(Laughter)
(เสียงหัวเราะ)
04:34
But the important point is it's really
easy to pull three blue balls in a row
แต่สิ่งสำคัญก็คือ มันง่ายมากที่จะดึงเอา
บอลสีน้ำเงินออกมาเรียง ๆ กัน
04:38
out of a box of mostly blue balls.
จากกล่องที่เต็มไปด้วยบอลสีน้ำเงิน
04:42
You could do that with your eyes closed.
คุณสามารถปิดตาทำมันได้ด้วยซ้ำ
04:44
It's plausibly a random sample
from this population.
มันน่าจะเป็นการเลือกสุ่มจาก
กลุ่มประชากรนี้
04:46
And if you can reach into a box at random
and pull out things that squeak,
และเมื่อคุณล้วงลงไปในกล่องอย่างสุ่ม ๆ
แล้วดึงเอาบางสิ่งที่ส่งเสียงได้ออกมา
04:49
then maybe everything in the box squeaks.
เราก็อาจสรุปได้ว่า
ทุกอย่างในกล่องนั้นส่งเสียงได้
04:53
So maybe babies should expect
those yellow balls to squeak as well.
ดังนั้นเด็ก ๆ ก็ควรจะคิดว่าลูกบอลสีเหลือง
ก็จะส่งเสียงร้องได้เหมือนกัน
04:56
Now, those yellow balls
have funny sticks on the end,
แต่ว่าบอลสีเหลืองเหล่านั้นมีแท่ง
ยาวดูแปลก ๆ ที่ยืดออกมา
05:00
so babies could do other things
with them if they wanted to.
ดังนั้น เด็ก ๆ จะเล่นอะไรอย่างอื่นกับมันก็ได้
ถ้าปรารถนา
05:02
They could pound them or whack them.
พวกเขาสามารถตีมันรัว ๆ และแรง ๆ
05:05
But let's see what the baby does.
แต่มาดูกันว่าเด็ก ๆ จะทำอะไร
05:07
(Video) Hyowon Gweon: See this?
(Ball squeaks)
(วีดิโอ) โยวอน จวอน : ดูนี่นะจ๊ะ
(เสียงบอล)
05:12
Did you see that?
(Ball squeaks)
เห็นไหมจ๊ะ
(เสียงบอล)
05:16
Cool.
เจ๋งใช่ไหมล่ะ
05:20
See this one?
ดูนี่นะจ๊ะ
05:24
(Ball squeaks)
(เสียงบอล)
05:26
Wow.
ว้าว
05:28
Laura Schulz: Told you. (Laughs)
ลอร่า: บอกคุณแล้ว
(เสียงหัวเราะ)
05:33
(Video) HG: See this one?
(Ball squeaks)
(วีดิโอ) โยวอน: ดูนี่นะจ๊ะ
(เสียงบอล)
05:35
Hey Clara, this one's for you.
You can go ahead and play.
คลารา อันนี้ของหนูจ้ะ
เล่นกับมันได้ตามสบายเลย
05:39
(Laughter)
(เสียงหัวเราะ)
05:51
LS: I don't even have to talk, right?
ลอร่า: ฉันไม่ต้องพูดบรรยายเลยนะ
05:56
All right, it's nice that babies
will generalize properties
เป็นเรื่องดีที่เด็กสามารถวางนัยทั่วไป
เกี่ยวกับคุณสมบัติ
05:59
of blue balls to yellow balls,
ของบอลเหลืองว่าเหมือนกับน้ำเงิน
06:02
and it's impressive that babies
can learn from imitating us,
น่าประทับใจมากที่เด็กน้อยนั้นสามารถ
เรียนรู้เลียนแบบเรา
06:03
but we've known those things about babies
for a very long time.
แต่เรารู้เรื่องราวเช่นนี้เกี่ยวกับเด็ก ๆ
มานานมากแล้ว
06:06
The really interesting question
คำถามที่น่าสนใจมาก ๆ ก็คือ
06:10
is what happens when we show babies
exactly the same thing,
เกิดอะไรขึ้นเมื่อเราแสดงสิ่งเดียวกัน
ให้เด็กหลายคนดู
06:12
and we can ensure it's exactly the same
because we have a secret compartment
และเราทำได้เหมือนกันเพราะเรา
มีช่องลับในกล่องบอล
06:15
and we actually pull the balls from there,
และจริง ๆ เราดึงบอลออกมาจากส่วนนั้น
06:18
but this time, all we change
is the apparent population
แต่คราวนี้ เราจะเปลี่ยนรูปแบบกลุ่มที่ปรากฏ
06:20
from which that evidence was drawn.
ที่ใช้แสดงเป็นหลักฐาน
06:24
This time, we're going to show babies
three blue balls
ครั้งนี้ เราจะให้เด็กดูบอลสีน้ำเงินสามลูก
06:27
pulled out of a box
of mostly yellow balls,
ที่ดึงออกมาจากกล่องที่เต็มไปด้วย
บอลสีเหลือง
06:30
and guess what?
และรู้อะไรไหม
06:34
You [probably won't] randomly draw
three blue balls in a row
คุณ [อาจจะไม่สามารถ]
จะสุ่มหยิบบอลสีน้ำเงินออกมาเรียง ๆ กัน
06:35
out of a box of mostly yellow balls.
จากกล่องที่เต็มไปด้วยบอลสีเหลือง
06:38
That is not plausibly
randomly sampled evidence.
นั่นคงจะไม่ใช่หลักฐานที่เกิดจาการสุ่ม
06:40
That evidence suggests that maybe Hyowon
was deliberately sampling the blue balls.
หลักฐานนั้นแสดงว่าบางที
Hyowon อาจจะเลือกบอลอย่างจงใจ
06:44
Maybe there's something special
about the blue balls.
และบางทีอาจมีอะไรพิเศษ
เกี่ยวกับบอลสีน้ำเงิน
06:49
Maybe only the blue balls squeak.
บางทีแค่บอลสีน้ำเงินเท่านั้นที่ร้อง
06:52
Let's see what the baby does.
เรามาดูกันว่าเด็ก ๆ จะทำอะไร
06:55
(Video) HG: See this?
(Ball squeaks)
(วีดิโอ) โยวอน: เห็นนี่ไหมจ๊ะ
(เสียงบอล)
06:57
See this toy?
(Ball squeaks)
เห็นของเล่นนี่ไหมเอ่ย
(เสียงบอล)
07:02
Oh, that was cool. See?
(Ball squeaks)
โอ๊ะ นี่เจ๋งมากใช่ไหมล่ะ
(เสียงบอล)
07:05
Now this one's for you to play.
You can go ahead and play.
อันนี้ของหนูนะจ๊ะ เล่นได้เลย
07:10
(Fussing)
(Laughter)
(ทำจู้จี้)
(เสียงหัวเราะ)
07:18
LS: So you just saw
two 15-month-old babies
ลอร่า: คุณได้เห็นไปแล้วว่า เด็กน้อยอายุ
15 เดือน
07:26
do entirely different things
ได้ทำสิ่งที่ต่างกันอย่างสิ้นเชิง
07:29
based only on the probability
of the sample they observed.
โดยมีเหตุจากตัวอย่างที่พวกเขาเห็น
07:31
Let me show you the experimental results.
มาดูผลการทดลองกันค่ะ
07:35
On the vertical axis, you'll see
the percentage of babies
แกนตั้งแสดงถึงเปอร์เซ็นต์ของเด็กเล็ก
07:37
who squeezed the ball in each condition,
ที่บีบบอลในแต่ละกรณี
07:40
and as you'll see, babies are much
more likely to generalize the evidence
และคุณก็จะเห็นว่า
เด็ก ๆ จะสรุปความจากหลักฐาน
07:42
when it's plausibly representative
of the population
ที่สามารถเป็นสถิติครอบคลุมประชากร
07:46
than when the evidence
is clearly cherry-picked.
มากกกว่าเมื่อเลือกตัวอย่างออกมาอย่างจงใจ
07:49
And this leads to a fun prediction:
ทำให้เกิดการคาดคะเนที่น่าสนุก
07:53
Suppose you pulled just one blue ball
out of the mostly yellow box.
เมื่อคุณดึงบอลสีน้ำเงินหนึ่งลูก
ออกมาจากกล่องที่เต็มไปด้วยบอลสีเหลือง
07:55
You [probably won't] pull three blue balls
in a row at random out of a yellow box,
คุณ [น่าจะไม่] ดึงบอลสีน้ำเงิน
ออกมาติด ๆ กันสามลูกจากกล่องสีเหลือง
08:00
but you could randomly sample
just one blue ball.
แต่คุณควรจะดึงบอลสีน้ำเงินออกมา
เพียงแค่หนึ่งลูก
08:04
That's not an improbable sample.
นั่นไม่ใช่ตัวอย่างที่เป็นไปไม่ได้
08:07
And if you could reach into
a box at random
แต่ถ้าคุณดึงตัวอย่างออกมาอย่างสุ่ม
08:09
and pull out something that squeaks,
maybe everything in the box squeaks.
และดึงบางอย่างที่ส่งเสียงร้องได้
ออกมาในกล่องนั่นทุกอย่างน่าจะส่งเสียงได้
08:11
So even though babies are going to see
much less evidence for squeaking,
ดังนั้น แม้ว่าเด็กเล็กจะเห็นหลักฐาน
ที่ส่งเสียงร้องได้เพียงเล็กน้อย
08:15
and have many fewer actions to imitate
และเห็นตัวอย่างน้อยกว่าที่จะเลียนแบบ
08:20
in this one ball condition than in
the condition you just saw,
ในกรณีบอลลูกเดียว
ที่ไม่ใช่กรณีที่คุณเพิ่งดู
08:22
we predicted that babies themselves
would squeeze more,
เราคาดว่าเด็ก ๆ จะบีบบอลมากกว่า
08:25
and that's exactly what we found.
แต่นั่นก็คือสิ่งที่พวกเราพบ
08:29
So 15-month-old babies,
in this respect, like scientists,
ดังนั้น เด็กอายุ 15 เดือน
เป็นก็เหมือนกับนักวิทยาศาสตร์
08:32
care whether evidence
is randomly sampled or not,
ที่สนใจว่าหลักฐานมาจาการสุ่มหรือไม่
08:37
and they use this to develop
expectations about the world:
พวกเขาใช้กลไกนี้
ในการเรียนรู้สิ่งต่าง ๆ รอบตัว
08:40
what squeaks and what doesn't,
อะไรที่ส่งเสียงร้องได้ และอะไรที่ไม่ร้อง
08:43
what to explore and what to ignore.
อะไรคือสิ่งที่ควรจะศึกษา
และอะไรคือสิ่งที่ควรละเลย
08:45
Let me show you another example now,
ตอนนี้เรามาดูตัวอย่างต่อไปกันนะคะ
08:50
this time about a problem
of causal reasoning.
คราวนี้เป็นเรื่องราว
เกี่ยวกับปัญหาการให้เหตุผลทั่ว ๆ ไป
08:52
And it starts with a problem
of confounded evidence
เราจะเริ่มต้นด้วยปัญหาของหลักฐานที่สับสน
08:55
that all of us have,
นั่นคือทั้งหมดที่เรามี
08:57
which is that we are part of the world.
ซึ่งก็คือเราเป็นส่วนหนึ่งของโลกใบนี้
08:59
And this might not seem like a problem
to you, but like most problems,
คุณคงไม่คิดว่านี่เป็นปัญหา
แต่นี่ก็เหมือนกับปัญหาอื่น ๆ
09:01
it's only a problem when things go wrong.
คือจะเป็นปัญหาก็ต่อเมื่อมีอะไรผิดพลาด
09:04
Take this baby, for instance.
มาดูเด็กน้อยคนนี้เป็นตัวอย่างค่ะ
09:07
Things are going wrong for him.
มีอะไรผิดปกติเกิดขึ้นกับเขา
09:09
He would like to make
this toy go, and he can't.
เขาต้องการจะให้ของเล่นชิ้นนี้ทำงาน
แต่ทำไม่ได้
09:10
I'll show you a few-second clip.
ฉันจะให้คุณดูคลิปสั้น ๆ
09:13
And there's two possibilities, broadly:
และโดยทั่วไป มีความเป็นไปได้สองประการ
09:21
Maybe he's doing something wrong,
คือเขาอาจจะทำอะไรผิดพลาด
09:23
or maybe there's something
wrong with the toy.
หรือบางที ของเล่นอาจจะเสีย
09:25
So in this next experiment,
ดังนั้นในการทดลองถัดไป
09:30
we're going to give babies
just a tiny bit of statistical data
เราจะให้เด็กนั้นได้เห็นข้อมูลเชิงสถิติ
เพียงเล็กน้อย
09:32
supporting one hypothesis over the other,
เพื่อสนับสนุนสมมติฐานหนึ่ง ๆ
มากกว่าอีกอันหนึ่ง
09:35
and we're going to see if babies
can use that to make different decisions
และเราจะมาดูกันว่าเด็ก ๆ สามารถใช้สถิติ
มาตัดสินใจให้แตกต่างกัน
09:38
about what to do.
ว่าจะทำอย่างไร
09:41
Here's the setup.
นี่คือการทดลองค่ะ
09:43
Hyowon is going to try to make
the toy go and succeed.
โยวอนจะลองของเล่นและทุกอย่างจะปกติ
09:46
I am then going to try twice
and fail both times,
ฉันจะลอง2ครั้งและจะไม่สามารถทั้งสองครั้ง
09:49
and then Hyowon is going
to try again and succeed,
และโยวอนจะลองอีกครั้งแล้วทำมันสำเร็จ
09:52
and this roughly sums up my relationship
to my graduate students
และนี่แสดงถึงความสัมพันธ์
ระหว่างฉันกับลูกศิษย์
09:55
in technology across the board.
ในเรื่องวัตถุเทคโนโลยีทุก ๆ เรื่อง
09:58
But the important point here is
it provides a little bit of evidence
แต่สิ่งสำคัญก็คือ เป็นการแสดงหลักฐานว่า
10:02
that the problem isn't with the toy,
it's with the person.
ปัญหาไม่ได้เกิดจากของเล่น
แต่เป็นที่ตัวคน
10:05
Some people can make this toy go,
บางคนสามารถทำให้ของเล่นนี้เล่นได้
10:08
and some can't.
แต่บางคนทำไม่ได้
10:11
Now, when the baby gets the toy,
he's going to have a choice.
ตอนนี้ เมื่อเด็กน้อยได้ของเล่น
เขาจะต้องเลือก
10:12
His mom is right there,
แม่ของเขาอยู่ข้าง ๆ
10:16
so he can go ahead and hand off the toy
and change the person,
ดังนั้น เขาสามารถส่งของเล่นนั้นต่อได้
เพื่อให้คนอื่นเล่น
10:18
but there's also going to be
another toy at the end of that cloth,
เราก็จะมีของเล่นอีกชิ้น
เตรียมไว้ที่ด้านปลายของผ้า
10:21
and he can pull the cloth towards him
and change the toy.
และเขาสามารถดึงผ้ามา เพื่อเปลี่ยนของเล่น
10:24
So let's see what the baby does.
เรามาดูกันดีกว่าว่าเด็กน้อยจะทำอย่างไร
10:28
(Video) HG: Two, three. Go!
(Music)
(วีดิโอ) โยวอน : สอง สาม เล่นเลย!
(เสียงเพลง)
10:30
LS: One, two, three, go!
ลอร่า: หนึ่ง สอง สาม เล่นเลย!
10:34
Arthur, I'm going to try again.
One, two, three, go!
อาร์เธอร์ ฉันจะลองอีกครั้งนะ
หนึ่ง สอง สาม เล่นเลย!
10:37
YG: Arthur, let me try again, okay?
โยวอน: อาร์เธอร์ให้ฉันลองอีกครั้งนะ
10:45
One, two, three, go!
(Music)
หนึ่ง สอง สาม เล่นเลย!
(เสียงเพลง)
10:48
Look at that. Remember these toys?
ดูนั่นสิ จำของเล่นพวกนี้ได้ไหมจ๊ะ
10:53
See these toys? Yeah, I'm going
to put this one over here,
เห็นของเล่นพวกนี้ไหม ฉันจะเอาอันนี้
วางไว้ตรงนี้นะ
10:55
and I'm going to give this one to you.
แล้วก็จะเอาอีกอันนึงให้หนูนะ
10:58
You can go ahead and play.
เล่นได้เลยจ้ะ
11:00
LS: Okay, Laura, but of course,
babies love their mommies.
ลอร่า: โอเค ลอร่า แต่ว่าแน่นอนว่า
เด็ก ๆ รักแม่ของพวกเขา
11:23
Of course babies give toys
to their mommies
ดังนั้น เด็ก ๆ จะเอาของให้แม่ของพวกเขา
11:27
when they can't make them work.
เมื่อเขาเล่นพวกมันไม่ได้
11:30
So again, the really important question
is what happens when we change
แต่คำถามที่สำคัญจริง ๆ อีกก็คือ
จะเกิดอะไรขึ้นเมื่อเราเปลี่ยน
11:32
the statistical data ever so slightly.
ข้อมูลทางสถิติสักเล็กน้อย
11:35
This time, babies are going to see the toy
work and fail in exactly the same order,
คราวนี้ เด็ก ๆ จะเห็นว่าของเล่นสามารถ
เล่นได้และเล่นไม่ได้ตามลำดับเดียวกัน
11:38
but we're changing
the distribution of evidence.
แต่เราจะเปลี่ยนการกระจายของหลักฐาน
11:42
This time, Hyowon is going to succeed
once and fail once, and so am I.
ครั้งนี้ โยวอน จะทำได้ครั้งหนึ่ง
และไม่ได้ครั้งหนึ่ง ฉันก็เหมือนกัน
11:45
And this suggests it doesn't matter
who tries this toy, the toy is broken.
คราวนี้แสดงให้เห็นว่าเป็นตัวของเล่นที่เสีย
ไม่ว่าใครจะเป็นคนเล่นมัน
11:49
It doesn't work all the time.
มันเล่นไม่ได้ตลอด
11:55
Again, the baby's going to have a choice.
และอีกครั้ง เด็กน้อยจะมีทางเลือก
11:57
Her mom is right next to her,
so she can change the person,
แม่ของเธอจะอยู่ข้าง ๆ เธอ
เพื่อที่ว่าเธอจะสามารถเปลี่ยนคนได้
11:59
and there's going to be another toy
at the end of the cloth.
และจะมีของเล่นอีกชิ้นวางอยู่ที่ปลายผ้า
12:02
Let's watch what she does.
มาดูกันว่าเธอจะทำอย่างไรค่ะ
12:05
(Video) HG: Two, three, go!
(Music)
(วิดิโอ) โยวอน: สอง สาม เล่นเลย!
(เสียงเพลง)
12:07
Let me try one more time.
One, two, three, go!
ขอฉันลองอีกครั้งนะ
หนึ่ง สอง สาม เล่นเลย!
12:11
Hmm.
หืมม
12:17
LS: Let me try, Clara.
ลอร่า: ขอฉันลองบ้างนะจ๊ะ คลารา
12:19
One, two, three, go!
หนึ่ง สอง สาม เล่นเลย!
12:22
Hmm, let me try again.
อืมมม ขอฉันลองอีกครั้งนะ
12:27
One, two, three, go!
(Music)
หนึ่ง สอง สาม เล่นเลย!
(เสียงเพลง)
12:29
HG: I'm going
to put this one over here,
โยวอน: ฉันจะวางของเล่นนี่ไว้ตรงนี้นะจ๊ะ
12:35
and I'm going to give this one to you.
ฉันจะให้อันนี้แก่หนูนะจ๊ะ
12:37
You can go ahead and play.
เล่นเลยจ้ะ
12:39
(Applause)
(เสียงปรบมือ)
12:58
LS: Let me show you
the experimental results.
ลอร่า : เรามาดูผลการทดลองกันค่ะ
13:04
On the vertical axis,
you'll see the distribution
แกนตั้งคุณจะเห็นการกระจาย
13:07
of children's choices in each condition,
ของการเลือกของเด็กในแต่ละกรณี
13:09
and you'll see that the distribution
of the choices children make
คุณจะเห็นการกระจายของตัวเลือกที่เด็กเลือก
13:12
depends on the evidence they observe.
ว่าขึ้นอยู่กับหลักฐานที่พวกเขาได้เห็น
13:16
So in the second year of life,
ดังนั้นในปีที่สองของชีวิต
13:19
babies can use a tiny bit
of statistical data
เด็ก ๆ จะสามารถใช้ข้อมูลทางด้านสถิติ
13:21
to decide between two
fundamentally different strategies
มาเพื่อเลือกกลยุทธ์พื้นฐานสองอย่าง
ที่แตกต่างกัน
13:24
for acting in the world:
เพื่อตอบสนองกับสิ่งรอบตัว
13:27
asking for help and exploring.
เช่นร้องขอความช่วยเหลือ
และสำรวจสิ่งต่าง ๆ
13:29
I've just shown you
two laboratory experiments
ฉันให้พวกคุณได้ดูการทดลองสองอย่าง
13:33
out of literally hundreds in the field
that make similar points,
จากการทดลองทั้งหมดเป็นร้อย ๆ
ที่แสดงผลคล้ายกัน
13:37
because the really critical point
เพราะประเด็นที่สำคัญมากที่สุด
13:40
is that children's ability
to make rich inferences from sparse data
ก็คือความสามารถของเด็ก ๆ ที่จะสรุปได้ดี
จากข้อมูลเพียงเล็กน้อย
13:43
underlies all the species-specific
cultural learning that we do.
เป็นกลไกการเรียนรู้วัฒนธรรม
เฉพาะสายพันธุ์ของพวกเรา
13:48
Children learn about new tools
from just a few examples.
เด็ก ๆ เรียนรู้เกี่ยวกับอุปกรณ์ใหม่ ๆ
จากตัวอย่างเพียงไม่กี่ตัวอย่าง
13:53
They learn new causal relationships
from just a few examples.
เรียนรู้ความสัมพันธ์โดยเหตุผลใหม่ ๆ
จากตัวอย่างเพียงเล็กน้อย
13:58
They even learn new words,
in this case in American Sign Language.
พวกเขาเรียนคำใหม่ ๆ ซึ่งในกรณีนี้
เป็นภาษาใบ้อเมริกัน
14:03
I want to close with just two points.
ฉันอยากจะจบการพูดคุยนี้ด้วยสองประเด็น
14:08
If you've been following my world,
the field of brain and cognitive sciences,
ถ้าคุณได้ติดตามโลกของฉัน
ที่เกี่ยวกับสมองและประชานศาสตร์
14:12
for the past few years,
มาตลอดสองถึงสามปีที่ผ่านมา
14:15
three big ideas will have come
to your attention.
คุณคงจะได้ประสบความคิดหลักสามอย่าง
14:17
The first is that this is
the era of the brain.
สิ่งแรกคือนี่เป็นยุคสมัยของสมอง
14:20
And indeed, there have been
staggering discoveries in neuroscience:
จริงเช่นนั้น มีการค้นพบมากมาย
ในประสาทวิทยศาสตร์
14:23
localizing functionally specialized
regions of cortex,
เช่นการบอกตำแหน่งของคอร์เท็กซ์
ที่ทำงานเฉพาะกิจ
14:27
turning mouse brains transparent,
หรือการทำให้สมองของหนูโปร่งใส
14:30
activating neurons with light.
แล้วกระตุ้นเซลล์ประสาทด้วยแสง
14:33
A second big idea
ไอเดียที่สอง
14:36
is that this is the era of big data
and machine learning,
คือยุคนี้เป็นยุคของข้อมูลมากมาย
และการเรียนรู้ของเครื่อง
14:38
and machine learning promises
to revolutionize our understanding
การเรียนรู้ของเครื่องอาจจะปฏิวัติ
ความเข้าใจของเรา
14:43
of everything from social networks
to epidemiology.
ในประเด็นปัญหาต่าง ๆ ตั้งแต่
โซเชียลเน็ตเวิร์กจนถึงวิทยาการโรคระบาด
14:46
And maybe, as it tackles problems
of scene understanding
นั่นอาจนำไปถึง
การแก้ปัญหาการเข้าใจสถานการณ์ต่าง ๆ
14:50
and natural language processing,
และการเข้าใจภาษา
14:53
to tell us something
about human cognition.
เพื่อที่จะบอกเรา
เกี่ยวกับระบบประชานของมนุษย์
14:55
And the final big idea you'll have heard
และไอเดียสุดท้ายที่คุณจะได้ประสบก็คือ
14:59
is that maybe it's a good idea we're going
to know so much about brains
น่าจะเป็นเรื่องที่ดีที่เราจะได้เข้าใจ
สมองของเรามากขึ้น
15:01
and have so much access to big data,
และเข้าถึงข้อมูลจำนวนมากได้มากขึ้น
15:05
because left to our own devices,
เพราะถ้าเราไม่มีเครื่องช่วย
15:06
humans are fallible, we take shortcuts,
มนุษย์ทำการผิดพลาดได้ คือเรามักใช้ทางลัด
15:09
we err, we make mistakes,
เราทำผิดพลาด
15:13
we're biased, and in innumerable ways,
เราลำเอียง และในหลาย ๆ ด้าน
15:16
we get the world wrong.
เราเข้าใจโลกผิดเพี้ยนไป
15:20
I think these are all important stories,
ฉันคิดว่าเหล่านี้เป็นเรื่องสำคัญ
15:24
and they have a lot to tell us
about what it means to be human,
และเป็นสิ่งที่จะบอกเรา
เกี่ยวกับนิยามของการเป็นมนุษย์
15:27
but I want you to note that today
I told you a very different story.
แต่ฉันอยากให้ทุกท่านทราบว่า
ฉันได้บอกเล่าเรื่องราวที่ต่างไปในวันนี้
15:31
It's a story about minds and not brains,
เป็นเรื่องราวของจิตใจไม่ใช่สมอง
15:35
and in particular, it's a story
about the kinds of computations
โดยเฉพาะ เรื่องราวของการคำนวณ
15:39
that uniquely human minds can perform,
ซึ่งมีเพียงแค่จิตใจของมนุษย์เท่านั้น
ที่สามารถทำได้
15:42
which involve rich, structured knowledge
and the ability to learn
ซึ่งเกี่ยวข้องกับความรู้ที่มีโครงสร้าง
และความสามารถในการเรียนรู้
15:45
from small amounts of data,
the evidence of just a few examples.
จากข้อมูลเพียงเล็กน้อย
จากหลักฐานที่มีไม่กี่ตัว
15:49
And fundamentally, it's a story
about how starting as very small children
และในขั้นพื้นฐาน คือเรื่อของง
การเริ่มต้นจากเป็นเด็กเล็ก ๆ
15:56
and continuing out all the way
to the greatest accomplishments
และดำเนินต่อไปสู่ความสำเร็จที่ยิ่งใหญ่ที่สุด
16:00
of our culture,
ในวัฒนธรรมของเรา
16:04
we get the world right.
ทำให้เข้าใจโลกนี้อย่างถูกต้อง
16:08
Folks, human minds do not only learn
from small amounts of data.
จิตใจเรานั้นไม่ได้เรียนรู้แค่ข้อมูล
ที่มีเพียงเล็กน้อย
16:12
Human minds think
of altogether new ideas.
เราสามารถสร้างไอเดียใหม่ ๆ ขึ้นมา
16:18
Human minds generate
research and discovery,
จิตใจคนเราสามารถสร้างงานวิจัยและค้นพบ
16:20
and human minds generate
art and literature and poetry and theater,
จิตใจคนสร้างศิลปะ บทประพันธ์
กลอน และละคร
16:23
and human minds take care of other humans:
จิตใจคนสามารถคำนึงถึงมนุษย์คนอื่น ๆ
16:29
our old, our young, our sick.
คือคนแก่ เด็ก คนเจ็บ
16:32
We even heal them.
เราแม้แต่ช่วยรักษาพวกเขา
16:36
In the years to come, we're going
to see technological innovations
ในอนาคตที่จะมาถึงนี้
เราจะได้เห็นนวัตกรรมทางด้านเทคโนโลยี
16:39
beyond anything I can even envision,
ที่เหนือกว่าที่ฉันจะสามารถจินตนาการได้
16:42
but we are very unlikely
แต่เราแทบไม่มีโอกาสจะเห็น
16:46
to see anything even approximating
the computational power of a human child
อะไรที่แม้แต่จะสามารถมาใกล้เคียง
กับความฉลาดของเด็กมนุษย์ได้
16:48
in my lifetime or in yours.
ในช่วงชีวิตของฉันหรือของคุณ
16:54
If we invest in these most powerful
learners and their development,
ถ้าเราลงทุนในผู้เรียนที่ฉลาดที่สุดพวกนี้
และในการพัฒนาของพวกเขา
16:58
in babies and children
คือในเด็กทารกและเด็ก ๆ
17:03
and mothers and fathers
และพ่อแม่
17:06
and caregivers and teachers
และคนเลี้ยงและคุณครู
17:08
the ways we invest in our other
most powerful and elegant forms
เหมือนกันที่เราลงทุนทางเทคโนโลยี
วิศวกรรม และการออกแบบ
17:11
of technology, engineering and design,
ที่แสนจะทรงพลังและดูงดงาม
17:15
we will not just be dreaming
of a better future,
เราก็จะไม่เพียงแค่ฝันกลางวัน
ถึงอนาคตอันสดใส
17:18
we will be planning for one.
นี่เรากำลังวางแผนมัน
17:21
Thank you very much.
ขอบคุณมาก ๆ ค่ะ
17:23
(Applause)
(เสียงปรบมือ)
17:25
Chris Anderson: Laura, thank you.
I do actually have a question for you.
คริส แอนเดอร์สัน: Laura ขอบคุณครับ
ผมมีคำถามอยากจะถามคุณ
17:29
First of all, the research is insane.
อย่างแรกเลย งานวิจัยนั่นสุด ๆ เลยครับ
17:34
I mean, who would design
an experiment like that? (Laughter)
มีใครจะออกแบบการทดลองแบบนั้นบ้าง
(เสียงหัวเราะ)
17:36
I've seen that a couple of times,
ผมได้ดูมาแล้วกว่าสองครั้ง
17:41
and I still don't honestly believe
that that can truly be happening,
และยังไม่เชื่อว่าเป็นเรื่องที่เกิดขึ้นจริง
17:42
but other people have done
similar experiments; it checks out.
แต่มีคนอื่นที่ได้ทำการทดลองแบบเดียวกัน
ผลก็ออกมาเหมือนกัน
17:46
The babies really are that genius.
เด็กเล็ก ๆ เป็นอัจฉริยะจริง ๆ
17:49
LS: You know, they look really impressive
in our experiments,
ลอร่า: ใช่ไหมล่ะคะ พวกเขาดูน่าทึ่งมาก
ในการทดลองของพวกเรา
17:50
but think about what they
look like in real life, right?
แต่ในชีวิตจริงไม่ได้เหมือนอย่างนั้นใช่ไหม
17:53
It starts out as a baby.
เริ่มจากเป็นแค่เด็กทารก
17:56
Eighteen months later,
it's talking to you,
18 เดือนต่อมาพวกเขาก็เริ่มพูดคุยกับคุณ
17:57
and babies' first words aren't just
things like balls and ducks,
และคำแรกที่พวกเขาพูดก็ไม่ใช่แค่คำง่าย ๆ
อย่างบอล หรือ เป็ด
17:59
they're things like "all gone,"
which refer to disappearance,
แต่เป็นคำพูดว่า หมดแล้ว
ที่หมายถึงการหายไป
18:02
or "uh-oh," which refer
to unintentional actions.
หรือ Uh-Oh
มุ่งถึงการกระทำที่เขาไม่ได้ตั้งใจ
18:05
It has to be that powerful.
ทารกต้องเป็นสิ่งที่ทรงพลังมาก
18:07
It has to be much more powerful
than anything I showed you.
เป็นสิ่งเหนือจินตนาการ
มากกว่าสิ่งที่ฉันได้แสดงให้คุณดูไป
18:09
They're figuring out the entire world.
พวกเขาต้องหาคำตอบจากโลกรอบตัวทั้งหมด
18:12
A four-year-old can talk to you
about almost anything.
เด็กอายุสี่ขวบ
สามารถคุยกับคุณได้แทบทุกเรื่อง
18:14
(Applause)
(เสียงปรบมือ)
18:17
CA: And if I understand you right,
the other key point you're making is,
คริส: ถ้าผมเข้าใจไม่ผิด อีกประเด็นที่คุณ
กำลังต้องการจะสื่อ ก็คือ
18:19
we've been through these years
where there's all this talk
ผ่านมาหลายปีที่มีการพูดถึงอย่างมากมายว่า
18:22
of how quirky and buggy our minds are,
ใจของพวกเราแปลก
และไม่ค่อยแน่นอนเท่าไร
18:25
that behavioral economics
and the whole theories behind that
สาขาเศรษฐศาสตร์เชิงพฤติกรรมและทฤษฎี
ทั้งหมดนั้นบอกว่า
18:27
that we're not rational agents.
เราไม่ได้เป็นสิ่งที่มีเหตุผล
18:29
You're really saying that the bigger
story is how extraordinary,
แต่คุณกล่าวว่าเรื่องที่สำคัญกว่านั้นคือ
ใจเราน่าอัศจรรย์
18:31
and there really is genius there
that is underappreciated.
และมีความอัจฉริยะที่ประเมินค่าต่ำไป
18:35
LS: One of my favorite
quotes in psychology
ลอร่า: มีคำกล่าวด้านจิตวิทยาที่ฉันชอบมาก
อันนึง
18:40
comes from the social
psychologist Solomon Asch,
เป็นคำพูดของนักจิตวิทยาด้านสังคม
โซโลมอน แอช
18:42
and he said the fundamental task
of psychology is to remove
เขาบอกว่างานพื้นฐานของจิตวิทยา
คือการกำจัด
18:45
the veil of self-evidence from things.
สิ่งบดบังความชัดเจนในตัวเองของทุกสิ่ง
18:47
There are orders of magnitude
more decisions you make every day
มีการตัดสินใจมากมายกว่าที่เห็นอีกมาก
ที่คุณต้องทำ
18:50
that get the world right.
เพื่อเข้าใจโลกอย่างถูกต้อง
18:55
You know about objects
and their properties.
คุณรู้จักสิ่งของและรู้สมบัติต่าง ๆ ของมัน
18:56
You know them when they're occluded.
You know them in the dark.
คุณทราบแม้ว่ามันจะถูกบังไว้
หรือในความมืด
18:58
You can walk through rooms.
คุณเดินผ่านห้องได้
19:01
You can figure out what other people
are thinking. You can talk to them.
คุณสามารถรู้ได้ว่าคนอื่นกำลังคิดอะไร
คุณพูดคุยกับเขาได้
19:02
You can navigate space.
You know about numbers.
คุณสามารถเดินทางไปในที่ต่าง ๆ
คุณรู้จักตัวเลข
19:06
You know causal relationships.
You know about moral reasoning.
รู้ความเป็นเหตุผล
รู้จักเหตุผลตามทำนองคลองธรรม
19:08
You do this effortlessly,
so we don't see it,
ทำสิ่งเหล่านี้โดยไม่ต้องพยายาม
เราจึงมองไม่เห็นมัน
19:11
but that is how we get the world right,
and it's a remarkable
แต่เรารู้จักโลกได้อย่างถูกต้อง
และนี่มันก็น่ามหัศจรรย์
19:14
and very difficult-to-understand
accomplishment.
และเป็นความสำเร็จที่เข้าใจได้ยาก
19:16
CA: I suspect there are people
in the audience who have
คริส: ผมคิดว่ามีผู้ชมในที่นี้
19:19
this view of accelerating
technological power
ที่มีความคิดเกี่ยวกับ
การเร่งพัฒนาของเทคโนโลยี
19:21
who might dispute your statement
that never in our lifetimes
และคิดโต้แย้งกับสิ่งที่คุณพูดว่า
ในช่วงชีวิตของเรา
19:24
will a computer do what
a three-year-old child can do,
คอมพิวเตอร์จะไม่สามารถทำอะไรก็ตาม
ที่เด็กอายุสามขวบสามารถทำได้
19:27
but what's clear is that in any scenario,
แต่สิ่งที่ชัดเจนคือ ไม่ว่าในสถานการณ์ใด
19:29
our machines have so much to learn
from our toddlers.
เครื่องกลของเราก็จะต้ัองเรียนรู้
จากเด็กน้อยของเรา
19:32
LS: I think so. You'll have some
machine learning folks up here.
ลอร่า: ฉันก็คิดเช่นนั้น คุณอาจมีผู้ชำนาญ
เรื่องการเรียนรู้ของเครื่อง
19:38
I mean, you should never bet
against babies or chimpanzees
ฉันหมายถึงว่า คุณไม่ควรเดิมพัน
ต้านเด็กหรือลิงชิมแปนซี
19:41
or technology as a matter of practice,
หรือเทคโนโลยี ในทางปฏิบัติ
19:45
but it's not just
a difference in quantity,
แต่นี่ไม่ใช่เพียงความแตกต่างเชิงปริมาณ
19:49
it's a difference in kind.
แต่ต่างด้วยประเภท
19:53
We have incredibly powerful computers,
เรามีคอมพิวเตอร์ที่มีพลังมหาศาล
19:55
and they do do amazingly
sophisticated things,
ที่สามารถทำสิ่งซับซ้อนที่ไม่น่าเชื่อ
19:57
often with very big amounts of data.
บ่อยครั้งกับข้อมูลเยอะแยะมากมาย
20:00
Human minds do, I think,
something quite different,
ฉันคิดว่าสมองของเราทำสิ่งที่แตกต่างกันมาก
20:03
and I think it's the structured,
hierarchical nature of human knowledge
และฉันเชื่อว่ามันเป็นโครงสร้าง
และระบบจัดการความรู้โดยธรรมชาติของมนุษย์
20:05
that remains a real challenge.
ซึ่งยังคงเป็นเรื่องท้าทายที่แท้จริง
20:09
CA: Laura Schulz, wonderful
food for thought. Thank you so much.
คริส: ลอร่า ชูลส์ ผู้ให้อาหารสมองนี่น่าทึ่ง
ขอบคุณมากครับ
20:11
LS: Thank you.
(Applause)
ลอร่า: ขอบคุณค่ะ
(เสียงปรบมือ)
20:14
Translated by Benya Kittirattanapaibul
Reviewed by Kom Tukovinit

▲Back to top

About the speaker:

Laura Schulz - Cognitive scientist
Developmental 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.

More profile about the speaker
Laura Schulz | Speaker | TED.com