Марк Твен е обобщил това, което намирам за един от основните проблеми в познавателната наука, в едно единствено изказване. Казал е: "Има нещо пленително в науката. Такива огромни резултати произлизат от догадки, основани на незначителна инвестиция в действителните факти." (Смях)
Mark Twain summed up what I take to be one of the fundamental problems of cognitive science with a single witticism. He said, "There's something fascinating about science. One gets such wholesale returns of conjecture out of such a trifling investment in fact." (Laughter)
Твен го е казал на шега, разбира се, но е бил прав: Има нещо пленително в науката. От няколко костни останки заключаваме за съществуването на динозаврите. От няколко спектрални линии - състава на мъглявинитe в космоса. От плодовите мушици - механизмитe на наследствеността, а от реконструирани изображения на кръвта, преминаваща през мозъка, или в моя случай - от поведението на много малки деца - се опитваме да кажем нещо за основните механизми на човешките познавателни процеси. В лаборатория ми в катедрата по неврология в Масачузетския технологичен институт, прекарах последното десетилетие в опити да разбуля мистерията как децата научават толкова много от съвсем малки и тaка бързо. Защото се оказва, че това, което е пленително в науката, е пленителното и в децата, а това е - да го кажем по-меко от Марк Твен - именно тяхнатa способност да правят богати, абстрактни умозаключения бързо и точно от оскъдни и неясни данни. Днес ще ви дам само два примера. Единият е свързан с обобщаване, а другият - с логическото мислене. И въпреки че ще говоря за работата в лабораторията си , тези резултати са вдъхновени от и се дължат на всички в областта ми. Благодарна съм на менторите, колегите и сътрудниците си по целия свят.
Twain meant it as a joke, of course, but he's right: There's something fascinating about science. From a few bones, we infer the existence of dinosuars. From spectral lines, the composition of nebulae. From fruit flies, the mechanisms of heredity, and from reconstructed images of blood flowing through the brain, or in my case, from the behavior of very young children, we try to say something about the fundamental mechanisms of human cognition. In particular, in my lab in the Department of Brain and Cognitive Sciences at MIT, I have spent the past decade trying to understand the mystery of how children learn so much from so little so quickly. Because, it turns out that the fascinating thing about science is also a fascinating thing about children, which, to put a gentler spin on Mark Twain, is precisely their ability to draw rich, abstract inferences rapidly and accurately from sparse, noisy data. I'm going to give you just two examples today. One is about a problem of generalization, and the other is about a problem of causal reasoning. And although I'm going to talk about work in my lab, this work is inspired by and indebted to a field. I'm grateful to mentors, colleagues, and collaborators around the world.
Нека да започна с проблема с обобщаването. Обобщаването от малки частици данни е хляба и солта на науката. Анкетираме малка част от електората и предвиждаме резултата от националните избори. Наблюдаваме как шепа пациенти реагират на лечение в клинична среда и пускаме лекарства на пазара. Но това работи само, ако участниците са случайни представители на населението. Ако са подбрани по определен показател - ако например анкетираме само избиратели в градовете, или в клиничните тестове за лечение на сърдечни заболявания включим само мъже - резултатите може да не обобщават широкото население.
Let me start with the problem of generalization. Generalizing from small samples of data is the bread and butter of science. We poll a tiny fraction of the electorate and we predict the outcome of national elections. We see how a handful of patients responds to treatment in a clinical trial, and we bring drugs to a national market. But this only works if our sample is randomly drawn from the population. If our sample is cherry-picked in some way -- say, we poll only urban voters, or say, in our clinical trials for treatments for heart disease, we include only men -- the results may not generalize to the broader population.
Затова учените се интересуват дали фактите са подбрани на случаен принцип, но какво общо има това с бебетата? Ами, на бебетата постоянно им се налага да правят обобщения от малки частици данни. Виждат няколко гумени патета и научават, че те плават, или виждат няколко топки и научават, че подскачат. И си съставят очаквания за патетата и топките, които ще се отнасят до всички гумени патета и топки, които ще видят през живота си. Видовете обобщения, които бебетата правят за патетата и топките, тe трябва да правят за почти всичко останало: обувки и кораби, и червен восък, и зелки, и крале.
So scientists care whether evidence is randomly sampled or not, but what does that have to do with babies? Well, babies have to generalize from small samples of data all the time. They see a few rubber ducks and learn that they float, or a few balls and learn that they bounce. And they develop expectations about ducks and balls that they're going to extend to rubber ducks and balls for the rest of their lives. And the kinds of generalizations babies have to make about ducks and balls they have to make about almost everything: shoes and ships and sealing wax and cabbages and kings.
И така, дали бебетата ги интересува дали малкото, което виждат, достоверно представя голямото население от хора? Нека да разберем. Ще ви покажа две видеа, по едно от всяко от двете положения в експеримента, и понеже ще видите само две видеа, ще видите само две бебета, а всеки две бебета се различават помежду си по безброй начини. Но тези бебета, разбира се, представят определени групи бебета и разликите, които ще видите, представят средни групови разлики в поведението на бебетата при определени условия. Във всяко от видеата ще видите бебе, което прави точно това, което вероятно очаквате едно бебе да прави. Трудно бихме представили бебетата по-вълшебни, отколкото изглеждат. Но за мен вълшебството, това, на което искам да обърнете внимание, е контрастът между тези две положения, защото единственото, което се различава при двете видеа, са статистическите данни, които са показани на бебетата. Ще покажем на бебетата кутия със сини и жълти топки и моята, тогава дипломант, сега колежка в Станфорд, Йоан Гуан, ще извади от кутията три сини топки подред и при ваденето ще ги стиска и топките ще писукат. И ако си бебе, това е като TED дискусия. По-добре от това няма накъде. (Смях) Но важното е, че е наистина лесно да се извадят три сини топки подред от кутия, пълна предимно със сини топки. Можеш да го направиш и със затворени очи. Това е достоверна случайна извадка от общото цяло. А ако вадиш случайни предмети от кутия и всички от извадените писукат, то може би всички предмети в кутията ще писукат. И затова вероятно бебетата ще очакват и жълтите топки да писукат. Тези жълти топки обаче имат забавни дръжки в края, така че бебетата да правят и други неща с тях, ако искат. Могат да ги мяткат и удрят. Но нека да видим какво прави бебето.
So do babies care whether the tiny bit of evidence they see is plausibly representative of a larger population? Let's find out. I'm going to show you two movies, one from each of two conditions of an experiment, and because you're going to see just two movies, you're going to see just two babies, and any two babies differ from each other in innumerable ways. But these babies, of course, here stand in for groups of babies, and the differences you're going to see represent average group differences in babies' behavior across conditions. In each movie, you're going to see a baby doing maybe just exactly what you might expect a baby to do, and we can hardly make babies more magical than they already are. But to my mind the magical thing, and what I want you to pay attention to, is the contrast between these two conditions, because the only thing that differs between these two movies is the statistical evidence the babies are going to observe. We're going to show babies a box of blue and yellow balls, and my then-graduate student, now colleague at Stanford, Hyowon Gweon, is going to pull three blue balls in a row out of this box, and when she pulls those balls out, she's going to squeeze them, and the balls are going to squeak. And if you're a baby, that's like a TED Talk. It doesn't get better than that. (Laughter) But the important point is it's really easy to pull three blue balls in a row out of a box of mostly blue balls. You could do that with your eyes closed. It's plausibly a random sample from this population. And if you can reach into a box at random and pull out things that squeak, then maybe everything in the box squeaks. So maybe babies should expect those yellow balls to squeak as well. Now, those yellow balls have funny sticks on the end, so babies could do other things with them if they wanted to. They could pound them or whack them. But let's see what the baby does.
(Видео) Йоан Гуан: "Виждаш ли това?" (Топката писука) "Видя ли това?" (Топката писука) "Много хубаво." "Виждаш ли тази?" (Топката писука) "Уау."
(Video) Hyowon Gweon: See this? (Ball squeaks) Did you see that? (Ball squeaks) Cool. See this one? (Ball squeaks) Wow.
Лаура Шулц: "Казах ви." (Смях)
Laura Schulz: Told you. (Laughs)
(Видео) ЙГ: "Виждаш ли тази?" (Топката писука) "Хей, Клара, тази е за теб. Можеш да си играеш с нея." (Смях)
(Video) HG: See this one? (Ball squeaks) Hey Clara, this one's for you. You can go ahead and play. (Laughter)
Дори не е нужно да обяснявам, нали? Добре, хубаво е, че бебетата обобщават свойствата на сините топки спрямо жълтите, както е и впечатляващо, че бебетата се учат, като ни имитират, но това го знаем за бебетата от край време насам. Истински интересният въпрос е какво ще стане, ако покажем на бебе същото нещо - а можем да сме сигурни, че е същото, защото имаме тайно отделение, от което всъщност вадим топките - но този път променим единствено видимата популация, от която вадим данни. Този път ще покажем на бебетата три сини топки, извадени от кутия, пълна предимно с жълти топки, и познайте какво? Не е вероятно случайно да извадите три сини топки подред от кутия, пълна предимно с жълти топки. Това не е правдоподобна, случайно подбрана извадка. Извадката предполага, че може би Йоан нарочно е извадила сините топки. Може би има нещо специално в сините топки. Може би само сините топки писукат. Нека да видим какво прави бебето.
LS: I don't even have to talk, right? All right, it's nice that babies will generalize properties of blue balls to yellow balls, and it's impressive that babies can learn from imitating us, but we've known those things about babies for a very long time. The really interesting question is what happens when we show babies exactly the same thing, and we can ensure it's exactly the same because we have a secret compartment and we actually pull the balls from there, but this time, all we change is the apparent population from which that evidence was drawn. This time, we're going to show babies three blue balls pulled out of a box of mostly yellow balls, and guess what? You [probably won't] randomly draw three blue balls in a row out of a box of mostly yellow balls. That is not plausibly randomly sampled evidence. That evidence suggests that maybe Hyowon was deliberately sampling the blue balls. Maybe there's something special about the blue balls. Maybe only the blue balls squeak. Let's see what the baby does.
(Видео) ЙГ: "Виждаш ли това?" (Топката писука) "Виждаш ли тази играчка?" (Топката писука) "О, това беше страхотно. Виждаш ли?" (Топката писука) "А ето тази е за теб да си играеш. Давай, можеш да си поиграеш с нея."
(Video) HG: See this? (Ball squeaks) See this toy? (Ball squeaks) Oh, that was cool. See? (Ball squeaks) Now this one's for you to play. You can go ahead and play.
(Суетене) (Смях)
(Fussing) (Laughter)
И така, току що видяхте две петнадесетмесечни бебета, които направиха две различни неща, базирани само на изчислените вероятности относно предмета, който наблюдават. Нека да ви покажа резултатите от експеримента. По вертикала ще видите процента бебета, които стиснаха топката при всички обстоятелства, и както ще видите, много по-вероятно e бебетата да правят обобщения, когато данните достоверно представят общото цяло, отколкото когато данните очевидно са подбрани на някакъв принцип. И това ни навежда на забавно предположение: да предположим, че извадите само една синя от кутия, пълна предимно с жълти топки. Не е вероятно случайно да извадите три сини топки подред от жълтата кутия, но бихте могли произволно да извадите една синя топка. Това не е невероятен пример. И щом бъркате в кутия на случаен принцип и вадите нещо, което писука, може би всичко в кутията писука. И така, въпреки че бебетата ще видят много по-малко доказателства за писукане и ще имат много по-малко действия за имитиране в ситуацията само с едната топка, отколкото в предишната, предположихме, че бебетата ще стискат топките повече, и точно така стана. Така че, 15-месечните бебета в това отношение, също като учените, ги интересува дали примерът е случайно подбран или не и използват това умение, за да си създават очаквания за света: кое писука и кое не, какво да изследват и какво да игнорират.
LS: So you just saw two 15-month-old babies do entirely different things based only on the probability of the sample they observed. Let me show you the experimental results. On the vertical axis, you'll see the percentage of babies who squeezed the ball in each condition, and as you'll see, babies are much more likely to generalize the evidence when it's plausibly representative of the population than when the evidence is clearly cherry-picked. And this leads to a fun prediction: Suppose you pulled just one blue ball out of the mostly yellow box. You [probably won't] pull three blue balls in a row at random out of a yellow box, but you could randomly sample just one blue ball. That's not an improbable sample. And if you could reach into a box at random and pull out something that squeaks, maybe everything in the box squeaks. So even though babies are going to see much less evidence for squeaking, and have many fewer actions to imitate in this one ball condition than in the condition you just saw, we predicted that babies themselves would squeeze more, and that's exactly what we found. So 15-month-old babies, in this respect, like scientists, care whether evidence is randomly sampled or not, and they use this to develop expectations about the world: what squeaks and what doesn't, what to explore and what to ignore.
Нека ви дам друг пример, този път е свързан с логическото мислене. И започва с проблем в непълнота на данните, който всички ние имаме, бидейки част от този свят. И това може да не ви изглежда като проблем, но както повечето проблеми, се превръща в такъв, само когато нещо се обърка. Погледнете например това бебе. Нещата се объркват за него. Иска му се да пусне тази играчка, но не може. Ще ви покажа няколкосекунден клип. Общо взето има две вероятности: може би той не прави нещо както трябва или може би нещо не е наред с играчката. Така в следващия експеримент ще дадем на бебетата само малка част статистически данни, които подкрепят една хипотеза за сметка на другата, и ще видим дали според това бебетата ще вземат различни решения за това какво да правят.
Let me show you another example now, this time about a problem of causal reasoning. And it starts with a problem of confounded evidence that all of us have, which is that we are part of the world. And this might not seem like a problem to you, but like most problems, it's only a problem when things go wrong. Take this baby, for instance. Things are going wrong for him. He would like to make this toy go, and he can't. I'll show you a few-second clip. And there's two possibilities, broadly: Maybe he's doing something wrong, or maybe there's something wrong with the toy. So in this next experiment, we're going to give babies just a tiny bit of statistical data supporting one hypothesis over the other, and we're going to see if babies can use that to make different decisions about what to do.
Ето положението. Йоан ще опита да пусне играчката и ще успее. После аз ще опитам два пъти и и двата пъти ще се проваля, а после Йоан ще опита пак и пак ще успее, и това в общи линии описва изцяло отношенията ми с моите дипломанти, що се отнася до технологиитe. Но важното в тази ситуация е, че дава малко доказателства, че проблемът не е в играчката, а е у човека. Някои хора могат да задвижат играчката, а други не могат. Сега, когато бебето вземе играчката, ще има избор. Майка му е там, така че може да подаде играчката на нея и така да смени човека, но също така има и друга играчка нa края на покривката, така че може да придърпа покривката към себе си и да смени играчката. Hека видим какво ще нaправи бебето.
Here's the setup. Hyowon is going to try to make the toy go and succeed. I am then going to try twice and fail both times, and then Hyowon is going to try again and succeed, and this roughly sums up my relationship to my graduate students in technology across the board. But the important point here is it provides a little bit of evidence that the problem isn't with the toy, it's with the person. Some people can make this toy go, and some can't. Now, when the baby gets the toy, he's going to have a choice. His mom is right there, so he can go ahead and hand off the toy and change the person, but there's also going to be another toy at the end of that cloth, and he can pull the cloth towards him and change the toy. So let's see what the baby does.
(Видео) ЙГ: "Две, три. Давай!" (Музика) ЛШ: "Едно, две, три, давай!" "Артър, ще опитам пак. Едно, две, три, давай!" ЙГ: "Артър, нека пак да аз опитам!" "Едно, две, три, давай!" (Музика) "Виж това. Помниш ли тези играчки?" "Виждаш ли тези играчки? Да, ще сложа тази там, а тази ще ти я дам на теб." "Можеш да си поиграеш с нея." Лаура, но разбираемо - бебетата обичат майките си. Разбира се, че бебетата дават играчка на мама, когато не успяват да я накарат да работи. Така че, отново, истински важният въпрос е какво ще стане, ако променим статистическите данни дори и съвсем леко. Този път бебетата ще видят играчката да проработва или не точно в същия ред, но ще променим леко разпределението на данните. Този път Йоан ще успее и ще се провали по веднъж и после аз ще направя същото. А това предполага, че няма значение кой опитва, играчката е счупена. Не винаги работи. Отново, бебето ще има избор. Майка ѝ е точно до нея, така че може да даде играчката на друг човек. Ще има и друга играчка на края на покривката. Да видим какво ще направи.
(Video) HG: Two, three. Go! (Music) LS: One, two, three, go! Arthur, I'm going to try again. One, two, three, go! YG: Arthur, let me try again, okay? One, two, three, go! (Music) Look at that. Remember these toys? See these toys? Yeah, I'm going to put this one over here, and I'm going to give this one to you. You can go ahead and play. LS: Okay, Laura, but of course, babies love their mommies. Of course babies give toys to their mommies when they can't make them work. So again, the really important question is what happens when we change the statistical data ever so slightly. This time, babies are going to see the toy work and fail in exactly the same order, but we're changing the distribution of evidence. This time, Hyowon is going to succeed once and fail once, and so am I. And this suggests it doesn't matter who tries this toy, the toy is broken. It doesn't work all the time. Again, the baby's going to have a choice. Her mom is right next to her, so she can change the person, and there's going to be another toy at the end of the cloth. Let's watch what she does.
(Видео) ЙГ: "Две, три, давай!" (Музика) "Нека да опитам още веднъж. Едно, две, три, давай!" "Хмм."
(Video) HG: Two, three, go! (Music) Let me try one more time. One, two, three, go! Hmm.
ЛШ: "Нека аз да опитам, Клара." "Едно, две, три, давай!" "Хмм, нека опитам пак." "Едно, две, три, давай!" (Музика) ЙГ: "Ще сложа тази играчка тук, а тази ще я дам на теб." "Може да си поиграеш." (Ръкопляскане)
LS: Let me try, Clara. One, two, three, go! Hmm, let me try again. One, two, three, go! (Music) HG: I'm going to put this one over here, and I'm going to give this one to you. You can go ahead and play. (Applause)
Нека да ви покажа резултатите от експеримента. По вертикала виждате разпределението в избора на децата в различните ситуации. Ще видите, че изборът, който правят, зависи от данните, които получават. Така че още през втората си година бебетата могат да използват малкo статистически данни, за да избират между две основни стратегии за действие в живота: да помолиш за помощ или сам да проучиш нещо. Това, което ви показах току-що, са само два експеримента от общо стотици такива в областта, които потвърждават същите резултати, защото важният извод e, че способността на децата да си вадят широки изводи от малко налични данни е в основата на типичния за човешния вид метод за опознаване на света. Децата научават нови техники само от няколко примера. Научават нови причинно-следствени връзки само от няколко примера. Дори научават нови думи, в този случай от американския жестомимичен език.
LS: Let me show you the experimental results. On the vertical axis, you'll see the distribution of children's choices in each condition, and you'll see that the distribution of the choices children make depends on the evidence they observe. So in the second year of life, babies can use a tiny bit of statistical data to decide between two fundamentally different strategies for acting in the world: asking for help and exploring. I've just shown you two laboratory experiments out of literally hundreds in the field that make similar points, because the really critical point is that children's ability to make rich inferences from sparse data underlies all the species-specific cultural learning that we do. Children learn about new tools from just a few examples. They learn new causal relationships from just a few examples. They even learn new words, in this case in American Sign Language.
Искам да завърша с две неща. Ако сте следили моята област, неврология и познавателни науки, през последните няколко години, три основни идеи са ви направили впечатление. Първата е, че това е ерата на човешкия мозък. И наистина, имаше удивителни открития в областта на неврологията: локализиране на функционално разделени части на мозъчната кора, правене на мозъци на мишки да изглеждат прозрачни, активиране на неврони, използвайки светлина. Втората значима идея е, че това е ерата на масивите от данни и компютърен анализ, а компютърният анализ обещава коренно да промени разбиранията ни за всичко: от социалните мрежи до епидемиологията. И може би, като се справят с проблеми като анализа на изображения и обработка на естествения език, ще ни кажат нещо и за човешкия познавателен процес. И последната голяма идея, която сте чули, е че може би е добре, че ще знаем толкова много за човешкия мозък и че ще имаме достъп до масивите от данни, защото, работейки само със собствени средства, хората са склонни да бъркат, често вземаме прекия път, заблуждаваме се, допускаме грешки, повлияни сме от предразсъдъци и по безброй много начини възприемаме света погрешно. Мисля, че това са все важни истории и те могат много да ни обяснят за това какво означава да бъдеш човек, но искам да забележите, че днес ви разказах една съвсем различна история. Това е история за умове, а не за мозъци, и по-конкретно, това е история за видовете изчисления, които единствено човешкия разум може да извършва, и които съдържат богати, структурирани познания и умения да учим от малки количества информация, доказано дори само с няколко примера. И в основата си, това е история за това как, започвайки от малки деца, и продължавайки така чак до моментите на най-големите постижения в нашата култура, разбираме света правилно.
I want to close with just two points. If you've been following my world, the field of brain and cognitive sciences, for the past few years, three big ideas will have come to your attention. The first is that this is the era of the brain. And indeed, there have been staggering discoveries in neuroscience: localizing functionally specialized regions of cortex, turning mouse brains transparent, activating neurons with light. A second big idea is that this is the era of big data and machine learning, and machine learning promises to revolutionize our understanding of everything from social networks to epidemiology. And maybe, as it tackles problems of scene understanding and natural language processing, to tell us something about human cognition. And the final big idea you'll have heard is that maybe it's a good idea we're going to know so much about brains and have so much access to big data, because left to our own devices, humans are fallible, we take shortcuts, we err, we make mistakes, we're biased, and in innumerable ways, we get the world wrong. I think these are all important stories, and they have a lot to tell us about what it means to be human, but I want you to note that today I told you a very different story. It's a story about minds and not brains, and in particular, it's a story about the kinds of computations that uniquely human minds can perform, which involve rich, structured knowledge and the ability to learn from small amounts of data, the evidence of just a few examples. And fundamentally, it's a story about how starting as very small children and continuing out all the way to the greatest accomplishments of our culture, we get the world right.
Хора, човешкият разум не само учи от малки количества информация. Човешкият разум ражда изцяло нови идеи. Човешкият ум е генератор на проучвания и открития, както и създава изкуство и литература, и поезия, и театър, и човешките умове се грижат за други хора: възрастните, подрастващите, болните. Дори ги лекуваме. През следващите години ще видим технологични иновации които надхвърлят всичко, което въобще мога да си представя, но е малко вероятно да видим нещо, дори само близко до изчислителните умения на човешко дете, през моя или вашия живот. Ако инвестираме в тези най-могъщи откриватели и в тяхното развитие, в бебетата и децата, в майките и бащите, и в бавачките и учителите, така както инвестираме в другите наши най-мощни и елегантни форми на технология, инженерство и дизайн, няма да мечтаем за по-добро бъдеще, а ще го планираме.
Folks, human minds do not only learn from small amounts of data. Human minds think of altogether new ideas. Human minds generate research and discovery, and human minds generate art and literature and poetry and theater, and human minds take care of other humans: our old, our young, our sick. We even heal them. In the years to come, we're going to see technological innovations beyond anything I can even envision, but we are very unlikely to see anything even approximating the computational power of a human child in my lifetime or in yours. If we invest in these most powerful learners and their development, in babies and children and mothers and fathers and caregivers and teachers the ways we invest in our other most powerful and elegant forms of technology, engineering and design, we will not just be dreaming of a better future, we will be planning for one.
Благодаря ви много.
Thank you very much.
(Ръкопляскане)
(Applause)
Крис Андерсън: Лаура, благодаря ти. Имам въпрос към теб. Преди всичко, изследването е лудост. Имам предвид, кой би измислил подобен експеримент? (Смях) Виждал съм това няколко пъти и дори самият аз все още не вярвам, че наистина се случва, но други са правили подобни проучвания и резултатите съвпадат. Бебетата наистина са толкова гениални.
Chris Anderson: Laura, thank you. I do actually have a question for you. First of all, the research is insane. I mean, who would design an experiment like that? (Laughter) I've seen that a couple of times, and I still don't honestly believe that that can truly be happening, but other people have done similar experiments; it checks out. The babies really are that genius.
ЛШ: Знаеш ли, изглеждат впечатляващо в нашите експерименти, но помисли как изглеждат в реалния живот, нали? Бебето се ражда. След осемнадесет месеца ти говори, и бебешките първи думи са не само неща като топки и патета, те са неща като "свърши", което посочва изчезване, или "о-оу", което показва непреднамерени действия. Трябва да са толкова способни. Много по-способни от всичко, което аз ви показах. Те проумяват целия нов за тях свят. Четиригодишно дете може да говори с теб за почти всичко. (Ръкопляскане)
LS: You know, they look really impressive in our experiments, but think about what they look like in real life, right? It starts out as a baby. Eighteen months later, it's talking to you, and babies' first words aren't just things like balls and ducks, they're things like "all gone," which refer to disappearance, or "uh-oh," which refer to unintentional actions. It has to be that powerful. It has to be much more powerful than anything I showed you. They're figuring out the entire world. A four-year-old can talk to you about almost anything. (Applause)
КА: И ако правилно съм разбрал, другата ти важна теза е, че през изминалите години сме се наслушали на това колко несъвършени са умовете ни, поведенческата икономика и всички теории зад нея, че не сме рационални същества. Ти всъщност казваш, че мащабната теза е колко забележителни и гениални сме всъщност, и това е недооценено.
CA: And if I understand you right, the other key point you're making is, we've been through these years where there's all this talk of how quirky and buggy our minds are, that behavioral economics and the whole theories behind that that we're not rational agents. You're really saying that the bigger story is how extraordinary, and there really is genius there that is underappreciated.
ЛШ: Един от любимите ми цитати в психологията е от социалния психолог Соломон Аш. Той казва, че главната задача на психологията е да премахва воала на очевидното от нещата. Има десетки решения, които вземаме всеки ден, показващи, че разбираме света. Познаваме предметите и характеристиките им. Познаваме ги и затворени. Разпознаваме ги и в тъмното. Можем да вървим през стаи. Отгатваме мислите на другите. Можем да говорим с тях. Можем да управляваме пространството. Познаваме числата. Определяме причина и следствие. Отсъждаме кое е морално, и кое - не. Правим това без усилие, защото не се замисляме за процеса, но ето че разбираме света правилно и това е забележително и много трудно за осмисляне постижение.
LS: One of my favorite quotes in psychology comes from the social psychologist Solomon Asch, and he said the fundamental task of psychology is to remove the veil of self-evidence from things. There are orders of magnitude more decisions you make every day that get the world right. You know about objects and their properties. You know them when they're occluded. You know them in the dark. You can walk through rooms. You can figure out what other people are thinking. You can talk to them. You can navigate space. You know about numbers. You know causal relationships. You know about moral reasoning. You do this effortlessly, so we don't see it, but that is how we get the world right, and it's a remarkable and very difficult-to-understand accomplishment.
КА: Подозирам, че има хора в публиката, които поддържат идеята за ускореното развитие на технологиите, които могат да оспорят твърдението ти, че в рамките на нашия живот компютър все още няма да може това, което може едно тригодишно дете, но това, което е ясно при койтo и да е сценарий, е че сегашните ни машини имат много да учат от децата ни. ЛШ: Да, вероятно имате няколко души, които се занимават с машинен интелект. Имам предвид, не трябва да залагаш срещу бебета или шимпанзета, или срещу технологията по принцип, но не става въпрос само за количествени разлики, а за разлики по естество. Имаме невероятно мощни компютри и те изпълняват поразителни процедури често с огромни количества информация. Човешките умове правят нещо съществено различно. И мисля, че структурираната, йерархична структура на човешкото познание си остава истинското предизвикателство.
CA: I suspect there are people in the audience who have this view of accelerating technological power who might dispute your statement that never in our lifetimes will a computer do what a three-year-old child can do, but what's clear is that in any scenario, our machines have so much to learn from our toddlers. LS: I think so. You'll have some machine learning folks up here. I mean, you should never bet against babies or chimpanzees or technology as a matter of practice, but it's not just a difference in quantity, it's a difference in kind. We have incredibly powerful computers, and they do do amazingly sophisticated things, often with very big amounts of data. Human minds do, I think, something quite different, and I think it's the structured, hierarchical nature of human knowledge that remains a real challenge.
КА: Лаура Шулц, страхотна храна за размисъл. Благодаря ти много. ЛШ: Благодаря. (Ръкопляскане)
CA: Laura Schulz, wonderful food for thought. Thank you so much. LS: Thank you. (Applause)