Mark Twain hat das, was ich als grundsätzliches Problem der Kognitionswissenschaft sehe, in einem einzigen Satz zusammengefasst. Er sagte: "Wissenschaft hat etwas Faszinierendes an sich. So eine geringe Investition in Fakten liefert einen so reichen Ertrag an Voraussagen." (Gelächter)
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)
Twain meinte das als Scherz, aber er hat Recht. Wissenschaft hat etwas Faszinierendes an sich. Von ein paar Knochen schließen wir auf die Existenz von Dinosauriern, von Spektrallinien auf die Komposition von Nebelflecken. Von Fruchtfliegen schließen wir auf die Mechanismen der Erblehre und von rekonstruierten Bildern auf den Blutfluss im Gehirn, oder wie ich, vom Verhalten kleiner Kinder auf grundsätzliche Vorgänge der menschlichen Wahrnehmung. Im Labor am Fachbereich für Neuro- und Kognitionswissenschaften am MIT habe ich die letzten 10 Jahre versucht, das Geheimnis zu verstehen, wie Kinder aus so wenig Informationen so viel und so schnell lernen können. Denn das Faszinierende an der Wissenschaft ist auch das Faszinierende an Kindern, nämlich, um Mark Twain zu paraphrasieren: ihre Fähigkeit, aus spärlichen und undeutlichen Daten schnell und genau abstrakte Schlüsse zu ziehen. Ich werde Ihnen heute nur zwei Beispiele vorstellen. Das eine ist ein Problem der Verallgemeinerung, und das andere ist ein Problem kausaler Begründungen. Obwohl ich über meine Laborarbeit sprechen werde, ist diese Arbeit von einem ganzen Gebiet inspiriert und diesem verpflichtet. Ich bin meinen Mentoren, Kollegen und Mitarbeitern auf der ganzen Welt dankbar.
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.
Fangen wir mit dem Problem der Verallgemeinerung an. In der Wissenschaft ist es üblich, Stichproben zu verallgemeinern. Wir befragen einen kleinen Teil der Wählerschaft und sagen das Ergebnis nationaler Wahlen voraus. Wir sehen, wie wenige Patienten auf eine Behandlung in einer Studie reagieren und bringen Medikamente auf den Markt. Aber das funktioniert nur, wenn Stichproben willkürlich aus der Grundgesamtheit gezogen wurden. Wenn Stichproben auf eine Art absichtlich ausgewählt wurden, indem z. B. nur städtische Wähler oder in klinischen Versuchen für die Behandlung von Herzkrankheiten nur Männer untersucht wurden, kann man die Ergebnisse nicht verallgemeinern.
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. So scientists care whether evidence is randomly sampled or not,
Wissenschaftler prüfen also genau, ob Stichproben zufällig gewählt wurden. Aber was hat das mit Babys zu tun? Babys müssen die ganze Zeit aus kleinen Stichproben verallgemeinern. Sie sehen ein paar Gummienten und lernen, dass sie schwimmen, oder ein paar Bälle und lernen, dass sie hüpfen. Dann entwickeln sie Erwartungen über Enten und Bälle, die sie für den Rest ihres Lebens auf Gummienten und -bälle ausweiten. Diese Verallgemeinerungen, die Babys bei Enten und Bällen anwenden, müssen sie bei fast allem anwenden: bei Schuhen, Schiffen, Siegellack, Käfigen und Königen.
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.
Kümmern sich Babys, ob der kleine Beweis, den sie sehen, ein plausibler Repräsentant einer größeren Population ist? Finden wir es heraus. Ich werde Ihnen zwei Videos zeigen, eins für jede Bedingung eines Experiments, und weil Sie nur zwei Videos sehen werden, sehen Sie auch nur zwei Babys, und zwei Babys unterscheiden sich in unzähligen Dingen. Aber diese Babys hier sollen für Gruppen von Babys stehen, und die Unterschiede, die Sie sehen werden, stehen für durchschnittliche Gruppenunterschiede von Babys gegenüber Bedingungen. In jedem Video werden Sie ein Baby sehen, das genau das tut, was Sie erwarten würden, und wir können die Babys kaum faszinierender machen als sie schon sind. Für mich ist das Faszinierende, und das worauf Sie achten sollten, der Unterschied zwischen den beiden Bedingungen, denn der einzige Unterschied zwischen den beiden Videos ist der statistische Beweis, den die Babys beobachten werden. Wir werden den Babys eine Box mit blauen und gelben Bällen zeigen, und meine damalige Masterstudentin, jetzt Kollegin in Stanford, Hyowon Gweon, wird nacheinander drei blaue Bälle aus der Box nehmen, und sie dann drücken und die Bälle werden quietschen. Für die Babys ist das wie ein TED-Vortrag. Etwas Besseres gibt es nicht. (Gelächter) Aber das Entscheidende ist, dass es sehr einfach ist, nacheinander drei blaue Bälle aus einer Box mit mehrheitlich blauen Bällen zu ziehen. Sie könnten das mit geschlossenen Augen machen. Das ist also eine willkürliche Stichprobe einer Grundgesamtheit. Fassen Sie willkürlich in eine Box und ziehen Dinge heraus, die quietschen, dann könnte alles quietschen, was in der Box ist. Also würden Babys vielleicht erwarten, dass auch die gelben Bälle quietschen. Die gelben Bälle haben an einem Ende lustige Stiele, sodass Babys auch mit ihnen trommeln oder schlagen könnten. Aber schauen wir mal, was das Baby macht.
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.
(Video) Hyowon Gweon: Siehst du das? (Der Ball quietscht) Hast du das gesehen? (Der Ball quietscht.) Cool. Siehst du den hier? (Der Ball quietscht.) Wow.
(Video) Hyowon Gweon: See this? (Ball squeaks) Did you see that? (Ball squeaks) Cool. See this one? (Ball squeaks) Wow.
Laura Schulz: Das meinte ich. (Lacht)
Laura Schulz: Told you. (Laughs)
(Video) HG: Siehst du das? (Der Ball quietscht.) Hey Clara, der hier ist für dich. Damit kannst du spielen. (Gelächter)
(Video) HG: See this one? (Ball squeaks) Hey Clara, this one's for you. You can go ahead and play. (Laughter)
Laura Schulz: Das ist deutlich, oder? Es ist super, dass Babys Eigenschaften blauer Bälle auf gelbe Bälle übertragen, und beeindruckend, dass sie davon lernen, uns nachzuahmen. Dies wissen wir aber schon seit langem. Die wirklich interessante Frage ist, was passiert, wenn wir Babys genau dasselbe zeigen und es auch genau dasselbe ist, da wir ein Geheimfach haben, aus dem wir die Bälle tatsächlich herausnehmen. Dieses Mal ändern wir nur die Grundgesamtheit, aus dem der Beweis stammt. Dieses Mal werden wir den Babys drei blaue Bälle zeigen, die aus einer Box mit mehrheitlich gelben Bällen gezogen werden. Raten Sie mal, was passiert? Sie werden höchstwahrscheinlich keine 3 blauen Bälle hintereinander aus einer Box mit überwiegend gelben ziehen. Das wäre also keine zufällige Stichprobe. Diese Stichprobe würde unterstellen, dass Hyowon absichtlich blaue Bälle zieht. Vielleicht sind die blauen Bälle ja etwas Besonderes. Vielleicht quietschen nur die blauen Bälle. Schauen wir uns an, was das Baby macht.
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.
(Video) HG: Siehst du das? (Der Ball quietscht.) Siehst du das Spielzeug? (Der Ball quietscht.) Oh, das war cool. Siehst du? (Der Ball quietscht.) Der hier ist für dich zum Spielen. Damit kannst du spielen.
(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.
(Gejammer) (Gelächter)
(Fussing) (Laughter)
LS: Sie haben gerade zwei 15-Monate alte Babys völlig unterschiedliche Dinge tun sehen, und das nur, weil die Wahrscheinlichkeit der Stichprobe unterschiedlich war. Hier die Ergebnisse des Experiments. Auf der vertikalen Achse sehen Sie den Prozentsatz der Babys, die den Ball in jedem Fall gedrückt haben, und wie Sie sehen werden, ist es wahrscheinlicher, dass sie die Stichprobe verallgemeinern, wenn es ein plausibler Repräsentant der Grundgesamtheit ist, als wenn die Stichprobe absichtlich ausgewählt wurde. Das führt zu einer lustigen Vorhersage: Angenommen, Sie ziehen nur einen blauen Ball aus der mehrheitlich gelben Box. Sie würden wahrscheinlich nicht zufällig hintereinander 3 blaue Bälle ziehen, aber Sie könnten zufällig nur einen blauen Ball herausziehen. Das wäre keine unmögliche Stichprobe. Wenn Sie zufällig in eine Box greifen und etwas herausziehen, das quietscht, dann quietscht vielleicht alles darin. Selbst wenn Babys weniger Beweise für das Quietschen sehen und sie weniger Aktionen zur Nachahmung in dieser Ein-Ball-Bedingung haben, als in der Bedingung, die Sie gerade gesehen haben, vermuteten wir, dass Babys mehr Bälle drücken würden und das ist genau das, was wir herausfanden. Also zählt für 15-Monate alte Babys, genauso wie für Wissenschaftler, ob eine Stichprobe zufällig gezogen wurde oder nicht, und sie nutzen dieses Wissen, um Vermutungen über die Welt anzustellen: was quietscht und was nicht, was man entdecken und was man ignorieren kann.
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. Let me show you another example now,
Sehen wir uns ein weiteres Beispiel an, dieses Mal ein Problem des kausalen Denkens. Es beginnt mit dem Problem widersprüchlicher Beweise, das jeder hat, was der Grund dafür ist, dass wir Teil der Welt sind. Es mag für Sie nicht wie ein Problem aussehen, aber wie die meisten Probleme ist es nur dann ein Problem, wenn Dinge schief gehen. Nehmen wir z. B. dieses Baby. Für ihn gehen die Dinge schief. Er möchte dieses Spielzeug in Gang setzen und es geht nicht. Ich zeige Ihnen einen kurzes Video. Grob gesagt, gibt es zwei Möglichkeiten: Entweder er macht etwas falsch oder das Spielzeug ist kaputt. Im nächsten Experiment geben wir den Babys nur wenige statistische Daten, um die eine Hypothese gegenüber der anderen vorzuziehen, um zu sehen, ob die Babys das nutzen, um andere Entscheidungen zu treffen.
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
Und so läuft es ab:
about what to do.
Hyowon wird versuchen, das Spielzeug in Gang zu setzen und wird Erfolg haben. Ich werde es versuchen und beide Male keinen Erfolg haben und dann wird Hyowon es erneut versuchen und wieder Erfolg haben. Das fasst die Beziehung zu meinen Masterstudenten in der Technik allgemein zusammen. Aber das Wichtige hier ist, dass es einen kleinen Beweis dafür erbringt, dass das Problem nicht mit dem Spielzeug, sondern mit der Person zusammenhängt. Einige Leute können das Spielzeug in Gang setzen, andere eben nicht. Bekommt das Baby das Spielzeug, wird es die Wahl haben. Seine Mutter ist in der Nähe, also könnte er das Spielzeug an eine andere Person weitergeben, aber es wird noch ein anderes Spielzeug auf dem Tuch geben, und er kann das Tuch zu sich ziehen und das Spielzeug tauschen. Schauen wir, was das Baby macht.
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.
(Video) HG: Zwei, drei. Los! (Musik) LS: Eins, zwei, drei, los! Arthur, ich versuche es noch einmal. Eins, zwei, drei, los! YG: Arthur, lass es mich nochmal versuchen, ja? Eins, zwei, drei, los! (Musik) Schau. Erinnerst du dich an die Spielsachen? Siehst du sie? Ich lege das eine hierüber und das andere gebe ich dir. Damit kannst du spielen. LS: Okay, Laura, aber natürlich lieben Babys ihre Mütter. Natürlich geben Babys ihren Müttern das Spielzeug, wenn sie es selbst nicht in Gang setzen können. Also ist die wichtige Frage, was passieren wird, wenn wir die statistischen Daten wieder leicht ändern. Jetzt sehen die Babys, dass das Spielzeug funktioniert und auch versagt, aber wir ändern die Beweisverteilung. Dieses Mal wird Hyowon einmal Erfolg haben und einmal versagen, genauso wie ich. Das lässt vermuten, dass es egal ist, wer es versucht, denn es ist kaputt. Es funktioniert nicht jedes Mal. Wieder wird das Baby die Wahl haben. Ihre Mutter sitzt neben ihr, also kann sie die Person wechseln, und es wird auch ein weiteres Spielzeug am Ende des Tuchs geben. Schauen wir, was sie tut.
(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.
(Video) HG: Zwei, drei, los! (Musik) Lass es mich nochmal versuchen. Eins, zwei drei, los! Hmm.
(Video) HG: Two, three, go! (Music) Let me try one more time. One, two, three, go! Hmm.
LS: Lass es mich versuchen, Clara. Eins, zwei, drei, los! Hmm, lass es mich nochmal versuchen. Eins, zwei, drei, los! (Musik) HG: Ich lege dieses hier dorthin und gebe dir das hier. Damit kannst du spielen. (Gelächter) (Applaus)
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)
LS: Hier die Ergebnisse des Experiments. Auf der vertikalen Achse sehen Sie die Verteilung der Wahl, die die Kinder in jeder Bedingung getroffen haben. Sie sehen, dass die Verteilung der Wahl, die die Kinder treffen, vom Beweis abhängt, den die Kinder sehen. Also können Babys in ihrem zweiten Lebensjahr das bisschen an statistischen Daten nutzen, um zwischen zwei völlig verschiedenen Strategien zu wählen, wie man sich in der Welt verhalten kann: nach Hilfe fragen und selbst entdecken. Ich habe Ihnen gerade zwei von hunderten Laborexperimenten in diesem Bereich gezeigt, die Ähnliches aussagen, denn der wirklich entscheidende Punkt ist, dass die Fähigkeit der Kinder, aus wenigen Daten zahlreiche Schlussfolgerungen zu ziehen, zu unserem kulturtypischen Lernen gehört. Kinder lernen über neue Werkzeuge aus wenigen Beispielen. Sie lernen neue kausale Zusammenhänge aus wenigen Beispielen. Sie lernen sogar neue Wörter, in diesem Fall amerikanische Zeichensprache.
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. I want to close with just two points.
Ich möchte mit 2 Bemerkungen abschließen. Wenn Sie meine Welt, den Bereich der Neuro- und Kognitionswissenschaft über die letzten Jahre verfolgt hätten, wären Ihnen drei besondere Erkenntnisse aufgefallen. Die erste ist, dass jetzt die Ära des Gehirns ist. Tatsächlich gab es atemberaubende Entdeckungen in den Neurowissenschaften: die Lokalisierung funktionsspezifischer Regionen des Kortex, das Transparentmachen eines Mäusegehirns und die Aktivierung von Neuronen mit Licht. Eine zweite große Erkenntnis ist, dass jetzt die Ära der "Big Data" und des maschinellen Lernens ist, und maschinelles Lernen verspricht unser Verstehen von allem zu revolutionieren, seien es soziale Netzwerke oder Epidemiologie. Vielleicht können wir damit Probleme wie Szenenverständnis oder natürliche Sprachverarbeitung angehen, sodass wir etwas über die menschliche Wahrnehmung lernen. Die letzte große Erkenntnis, von der Sie gehört haben könnten, besagt, dass es gut ist, dass wir so viel über das Gehirn herausfinden und so viele Daten haben. Sind wir nämlich uns selbst überlassen, sind wir fehlbar. Wir nehmen Abkürzungen, wir irren, wir machen Fehler, wir haben Vorurteile und verstehen die Welt oft falsch. Ich glaube, dass sind alles wichtige Erkenntnisse, und sie sagen uns viel darüber, was es heißt, Mensch zu sein, aber ich möchte Sie daran erinnern, dass ich Ihnen etwas anderes erzählt habe: die Erkenntnis über den Verstand und nicht das Gehirn, und im Besonderen ist es die Erkenntnis über die Arten von Berechnungen, die nur der menschliche Verstand durchführen kann, die strukturiertes Wissen und die Fähigkeit zu lernen beinhalten, sei es von wenigen Daten oder Beispielen. Grundsätzlich ist es die Erkenntnis darüber, wie wir als kleine Kinder damit anfangen und weitermachen, bis zu den großen Errungenschaften unserer Kultur, bis wir die Welt richtig verstehen.
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.
Der menschliche Verstand lernt nicht nur aus kleinen Datenmengen. Der menschliche Verstand entwickelt neue Ideen. Er erzeugt Forschung und Entdeckungen, sowie Kunst, Literatur, Dichtung und Theater. Der menschliche Verstand kümmert sich um andere Menschen: die alten, jungen oder kranken Menschen. Wir heilen sie sogar. In den kommenden Jahren werden wir technologische Innovationen sehen, die weit über das hinaus gehen, was man sich überhaupt vorstellen kann, aber es wird sehr unwahrscheinlich sein, dass wir noch in meinem Leben oder Ihrem etwas sehen werden, dass dem Urteilsvermögen eines menschlichen Kindes nahe kommt. Wenn wir in diese mächtigen Lerner und ihre Entwicklung investieren, in Babys, Kinder, Mütter, Väter, Erzieher und Lehrer, genauso wie wir in die mächtigen und eleganten Formen der Technologie, Ingenieurskunst und Design investieren, werden wir nicht nur von einer besseren Zukunft träumen, wir werden sie tatsächlich planen.
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.
Vielen Dank.
Thank you very much.
(Applaus)
(Applause)
Chris Anderson: Laura, danke. Ich hätte eine Frage. Erst einmal: Ihre Forschung ist Wahnsinn. Wer würde ein derartiges Experiment zusammenstellen? (Gelächter) Ich habe das schon ein paar Mal gesehen und ich kann es immer noch nicht glauben, dass das wirklich passiert. Aber andere Leute haben ähnliche Experimente erfolgreich durchgeführt. Die Babys sind einfach genial.
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.
LS: Sie sehen sehr beeindruckend in unseren Experimenten aus, aber bedenken wir, wie sie im wirklichen Leben aussehen. Es beginnt als Baby. Achtzehn Monate später spricht es und seine ersten Worte sind nicht nur Dinge wie Ball und Ente, sondern etwas wie "alles weg", das sich auf das Verschwinden bezieht, oder "oh-oh", das sich auf ungewollte Handlungen bezieht. Das Baby muss so leistungsstark sein. Es muss leistungsstärker als alles andere sein, das ich gezeigt habe. Sie begreifen die ganze Welt. Ein 4-jähriges Kind kann zu Ihnen über fast alles sprechen. (Applaus)
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)
CA: Wenn ich Sie richtig verstehe, machen Sie die andere Kernaussage, dass nach all den Jahren der Gespräche darüber, wie sonderbar und fehlbar unser Verstand ist, die Verhaltensökonomie und all die Theorien dahinter besagen, dass wir nicht rational handeln. Aber eigentlich sagen Sie, dass wir erkennen sollen, wie außergewöhnlich und genial wir sind, was nicht ausreichend gewürdigt wird.
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.
LS: Eines meiner Lieblingszitate in der Psychologie ist von dem Sozialpsychologen Salomon Asch. Er sagte: "Die Grundaufgabe der Psychologie ist, den Schleier der Selbstverständlichkeit von den Dingen zu nehmen." Es gibt Größenordnungen von Entscheidungen, die man täglich trifft, die die Welt richtig erfassen. Wir erkennen Gegenstände und ihre Eigenschaften, auch wenn sie verdeckt oder im Dunkeln sind. Wir können durch Räume laufen und herausfinden, was andere denken und mit ihnen reden. Wir können ins All fliegen, kennen Zahlen, kausale Zusammenhänge und haben moralisches Urteilsvermögen. Wir tun das ohne Mühe, deshalb sehen wir es nicht, aber so sehen wir die Welt. Es ist eine bemerkenswerte und schwer nachvollziehbare Leistung.
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.
CA: Einige Leute im Publikum denken vermutlich, dass die Technik sich sehr schnell verbessern wird, was Ihre Behauptung in Frage stellen könnte, dass ein Computer niemals das tun wird, was ein 3-jähriges Kind tun kann. Aber in jedem Fall ist klar, dass Maschinen noch sehr viel von Babys lernen müssen. LS: Genau. Das werden einige aus dem Bereich des maschinellen Lernens sagen. Ich denke, man sollte allgemein nie gegen Babys, Schimpansen oder Technik wetten, denn es gibt nicht nur einen Unterschied in der Quantität, sondern auch in der Art und Weise. Wir haben unglaublich leistungsstarke Computer und sie tun anspruchsvolle Dinge, oft mit riesigen Datenmengen. Ich finde, dass den menschlichen Verstand etwas völlig anderes ausmacht, nämlich die strukturierte, hierarchische Natur des menschlichen Wissens, das eine wahre Herausforderung ist.
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.
CA: Laura Schulz, danke für den wunderbaren Gedankenanstoß.
CA: Laura Schulz, wonderful food for thought. Thank you so much.
LS: Danke. (Applaus)
LS: Thank you. (Applause)