Ο Μαρκ Τουαίην έχει συνοψίσει αυτό που θεωρώ ως ένα από τα θεμελιώδη προβλήματα της γνωσιακής επιστήμης σε ένα απλό ευφυολόγημα. Είπε, «Η επιστήμη έχει κάτι συναρπαστικό. Μας αποφέρει χονδρικώς τόσο μεγάλα κέρδη σε εικασίες από μια τόσο ευτελή επένδυση σε γεγονότα». (Γέλια)
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)
Ο Τουαίην φυσικά αστειευόταν αλλά έχει δίκιο: Η επιστήμη έχει κάτι εκπληκτικό. Από λίγα οστά συμπεραίνουμε την ύπαρξη δεινοσαύρων. Από φασματικές γραμμές, τη σύνθεση των νεφών. Από τη δροσόφιλα μύγα, τους μηχανισμούς της κληρονομικότητας, και από εικόνες της ροής του αίματος μέσα στον εγκέφαλο, ή στην περίπτωσή μου, από τη συμπεριφορά πολύ μικρών παιδιών, προσπαθούμε να πούμε κάτι σχετικά με τους θεμελιώδεις μηχανισμούς της ανθρώπινης νόησης. Ειδικότερα, στο εργαστήριό μου στο Τμήμα Εγκεφάλου και Γνωσιακών Επιστημών του ΜΙΤ, πέρασα την τελευταία δεκαετία προσπαθώντας να κατανοήσω το μυστήριο του πώς τα παιδιά μαθαίνουν τόσα πολλά από τόσο λίγα, και τόσο γρήγορα. Καθώς αποδεικνύεται ότι το συναρπαστικό με την επιστήμη όπως επίσης και με τα παιδιά, για να παραφράσουμε ηπιότερα τον Μαρκ Τουαίην, είναι ακριβώς η ικανότητά τους να βγάζουν αφαιρετικά πλήθος συμπερασμάτων με ταχύτητα και ακρίβεια, από τυχαία και αταξινόμητα δεδομένα. Θα σας δώσω μόνο δύο παραδείγματα σήμερα. Το ένα αφορά ένα πρόβλημα γενίκευσης και το άλλο αφορά ένα πρόβλημα αιτιώδους συλλογισμού. Και παρόλο που θα μιλήσω για δουλειά στο εργαστήριό μου, αυτή η δουλειά εμπνέεται και οφείλεται σε ολόκληρο κλάδο. Χρωστώ ευγνωμοσύνη σε μέντορες, συναδέλφους και συνεργάτες ανά τον κόσμο.
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.
Ας αρχίσω με το πρόβλημα της γενίκευσης. Η γενίκευση από μικρά δείγματα δεδομένων είναι καθημερινή πρακτική της επιστήμης. Από δημοσκόπηση σε μικρό τμήμα του εκλογικού σώματος προβλέπουμε το αποτέλεσμα των εθνικών εκλογών. Βλέπουμε πώς αποκρίνεται δείγμα ασθενών σε μια θεραπεία σε κλινική δοκιμή, και βγάζουμε τα φάρμακα στην εθνική αγορά. Αλλά αυτό έχει αποτέλεσμα μόνο με δείγμα τυχαία επιλεγμένο από τον πληθυσμό. Αν το δείγμα μας είναι επιλεγμένο με κάποιο κριτήριο - ας πούμε, μόνο εκλογείς από αστικές περιοχές, ή, στις κλινικές δοκιμές για τη θεραπεία καρδιακών νόσων, να συμπεριλάβουμε μόνο άνδρες - τα αποτελέσματα δεν θα είναι γενικεύσεις για τον ευρύτερο πληθυσμό.
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.
Οι επιστήμονες νοιάζονται αν οι ενδείξεις προέρχονται από τυχαίο δείγμα ή όχι, αλλά τι σχέση έχει αυτό με τα μωρά; Τα μωρά χρειάζεται να γενικεύουν από μικρά δείγματα δεδομένων συνεχώς. Βλέπουν μερικά λαστιχένια παπάκια και μαθαίνουν ότι επιπλέουν, ή μερικές μπάλες και μαθαίνουν ότι αναπηδούν. Και εξελίσσουν προσδοκίες σχετικά με τα παπάκια και τις μπάλες που θα επεκτείνουν σε παπάκια και μπάλες για το υπόλοιπο της ζωής τους. Και το είδος των γενικεύσεων που κάνουν τα μωρά για τα παπάκια και τις μπάλες το κάνουν για σχεδόν τα πάντα: για τα παπούτσια, τα πλοία, το βουλοκέρι, τα λάχανα και τους βασιλιάδες.
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.
Νοιάζονται λοιπόν τα παιδιά εάν οι ελάχιστες ενδείξεις που βλέπουν είναι εμφανώς αντιπροσωπευτικά ενός ευρύτερου πλήθους; Ας το ανακαλύψουμε. Θα σας δείξω δύο ταινίες, μία από κάθε περίπτωση ενός πειράματος, και επειδή θα δείτε μόνο δύο ταινίες, θα δείτε μόνο δύο μωρά, και κάθε ζευγάρι μωρών διαφέρει από άλλα με αμέτρητους τρόπους. Φυσικά όμως αυτά εδώ τα μωρά εκπροσωπούν ομάδες μωρών, και οι διαφορές που θα δείτε αντιπροσωπεύουν μέσες διαφορές ομάδας στη συμπεριφορά των μωρών ανά κατάσταση. Σε κάθε ταινία θα δείτε ένα μωρό να κάνει ακριβώς ό,τι θα περιμένατε να κάνει κάθε μωρό, και είναι δύσκολο να κάνουμε τα μωρά πιο μαγευτικά απ' όσο ήδη είναι. Αλλά στο μυαλό μου το μαγευτικό, και αυτό που θέλω να προσέξετε, είναι η αντίθεση ανάμεσα στις δύο αυτές περιπτώσεις, επειδή η μόνη διαφορά μεταξύ αυτών των δύο ταινιών είναι οι στατιστικές ενδείξεις που θα εντοπίσουν τα μωρά. Θα δείξουμε στα μωρά ένα κουτί με μπλε και κίτρινα μπαλάκια, κι η τότε μεταπτυχιακή φοιτήτρια, και νυν συνάδελφος στο Στάνφορντ, Γιόγουαν Γκουάν, θα πάρει με τη σειρά τρία μπλε μπαλάκια από το κουτί και καθώς θα τα παίρνει, θα τα ζουλάει, και τα μπαλάκια θα τσιρίζουν. Κι αν είστε μωρό, αυτό είναι σαν ομιλία στο TED. Δεν υπάρχει καλύτερο από αυτό. (Γέλια) Αλλά σημαντικό είναι πως είναι πανεύκολο να τραβήξετε τρία μπλε μπαλάκια στη σειρά από ένα κουτί με κυρίως μπλε μπαλάκια. Θα το κάνατε και με τα μάτια κλειστά. Είναι ένα δεόντως τυχαίο δείγμα από αυτό το πλήθος. Και αν βάζεις το χέρι στο κουτί και τυχαία βγάζεις πράγματα που τσιρίζουν, τότε μάλλον όλα μέσα στο κουτί τσιρίζουν. Έτσι τα μωρά θα περιμένουν να τσιρίζουν και τα κίτρινα μπαλάκια. Τα κίτρινα μπαλάκια όμως έχουν ένα ξυλάκι στην άκρη, έτσι τα μωρά θα μπορούσαν να κάνουν και άλλα πράγματα αν ήθελαν, όπως να τα χτυπάνε ή να το κοπανάνε. Αλλά ας δούμε τι κάνει το μωρό.
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.
(Βίντεο) Γιόγουαν Γκουάν: Το βλέπεις; (Το μπαλάκι τσιρίζει) Το είδες αυτό; (Το μπαλάκι τσιρίζει) Ωραίο! Βλέπεις αυτό; (Το μπαλάκι τσιρίζει) Ουάου!
(Video) Hyowon Gweon: See this? (Ball squeaks) Did you see that? (Ball squeaks) Cool. See this one? (Ball squeaks) Wow.
Λόρα Σουλτς: Σας το είπα. (Γελάει)
Laura Schulz: Told you. (Laughs)
(Βίντεο) ΓΓ: Το βλέπεις; (Το μπαλάκι τσιρίζει) Κλάρα, αυτό είναι για σένα. Πάρτο και παίξε. (Γέλια)
(Video) HG: See this one? (Ball squeaks) Hey Clara, this one's for you. You can go ahead and play. (Laughter)
ΛΣ: Δεν χρειάζεται καν να μιλήσω, σωστά; Εντάξει, είναι καλό που τα μωρά γενικεύουν τις ιδιότητες στα μπλε και τα κίτρινα μπαλάκια, και είναι εντυπωσιακό που τα μωρά μαθαίνουν μιμούμενα εμάς, αλλά τα ξέραμε αυτά για τα μωρά εδώ και πάρα πολύ καιρό. Το πραγματικά ενδιαφέρον ερώτημα είναι τι θα συμβεί αν δείξουμε στα μωρά ακριβώς το ίδιο πράγμα, κι εξασφαλίζουμε ότι είναι ακριβώς το ίδιο επειδή υπάρχει ένα μυστικό διαμέρισμα και βγάζουμε τα μπαλάκια από εκεί αλλά αυτή τη φορά αλλάζουμε μόνο το εμφανές πλήθος απ' όπου πήραμε τις ενδείξεις. Τώρα θα δείξουμε στα μωρά τρία μπλε μπαλάκια που παίρνουμε από ένα κουτί με κυρίως κίτρινα μπαλάκια, και μαντέψτε τι γίνεται; Μάλλον δεν θα τραβήξετε τυχαία τρία μπλε μπαλάκια στη σειρά από ένα κουτί με κυρίως κίτρινα μπαλάκια. Αυτές δεν είναι ενδείξεις από δεόντως τυχαίο δείγμα. Αυτές οι ενδείξεις δείχνουν ότι η Γιόγουαν μάλλον επίτηδες επέλεγε μπλε μπαλάκια. Ίσως τα μπλε μπαλάκια είναι ιδιαίτερα. Ίσως μόνο τα μπλε μπαλάκια τσιρίζουν. Να δούμε τι κάνει το μωρό.
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.
(Βίντεο) ΓΓ: Το βλέπεις αυτό; (Το μπαλάκι τσιρίζει) Βλέπεις αυτό το παιχνίδι; (Το μπαλάκι τσιρίζει) Ωραίο δεν είναι; Δες. (Το μπαλάκι τσιρίζει) Αυτό εδώ είναι για να παίξεις εσύ. Μπορείς να παίξεις.
(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.
(Γκρίνια) (Γέλια)
(Fussing) (Laughter)
ΛΣ: Μόλις είδατε δύο μωρά ηλικίας 15 μηνών να κάνουν εντελώς διαφορετικά πράγματα βασιζόμενα μόνο στην πιθανότητα του δείγματος που παρατήρησαν. Ας σας δείξω τα επιστημονικά αποτελέσματα. Στον κάθετο άξονα θα δείτε το ποσοστό των μωρών που ζούληξαν το μπαλάκι σε κάθε περίπτωση, κι όπως θα δείτε, είναι πολύ πιθανότερο τα μωρά να γενικεύσουν τα αποτελέσματα αν είναι εύλογα αντιπροσωπευτικά του πλήθους, από όταν οι ενδείξεις είναι σαφές πως είναι ειδικά επιλεγμένες. Κι αυτό μας οδηγεί σε μια αστεία πρόβλεψη: Ας υποθέσουμε ότι παίρνατε μόνο ένα μπλε μπαλάκι από ένα κυρίως κίτρινο κουτί. Μάλλον δεν θα τραβούσατε τυχαία τρία μπλε μπαλάκια στη σειρά από ένα κίτρινο κουτί, αλλά τραβούσατε τυχαία μόνο ένα μπλε μπαλάκι. Αυτό δεν είναι απίθανο δείγμα. Και αν βάζατε το χέρι τυχαία σε ένα κουτί και τραβούσαμε κάτι που τσιρίζει, μάλλον όλα μέσα στο κουτί τσιρίζουν. Έτσι, αν και τα μωρά θα έχουν λιγότερες ενδείξεις για το τσίριγμα, και πολύ λιγότερες πράξεις να μιμηθούν, στην περίπτωση με το ένα μπαλάκι απ' ό,τι στην περίπτωση που μόλις είδατε, προβλέψαμε ότι τα ίδια τα μωρά θα ζουλούσαν περισσότερο, και ακριβώς αυτό ανακαλύψαμε. Έτσι τα 15μηνα μωρά, κατ' αυτή την έννοια, όπως οι επιστήμονες νοιάζονται αν τα ενδεικτικά στοιχεία είναι τυχαία επιλεγμένα ή όχι και από αυτά εξελίσσουν προσδοκίες σχετικά με τον κόσμο: τι τσιρίζει και τι όχι, τι να εξερευνήσουν και τι να αγνοήσουν.
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.
Να σας δείξω άλλο ένα παράδειγμα, αυτή τη φορά με ένα πρόβλημα αιτιώδους συλλογισμού. Και αρχίζει με ένα πρόβλημα της μπερδεμένης ένδειξης που όλοι μας έχουμε, ότι είμαστε μέρος αυτού του κόσμου. Μπορεί να μην το θεωρείτε πρόβλημα, αλλά όπως τα περισσότερα προβλήματα, είναι πρόβλημα μόνο αν κάτι πάει στραβά. Πάρτε αυτό το μωρό για παράδειγμα. Κάτι του πάει στραβά. Δεν μπορεί να κάνει το παιχνίδι να δουλέψει. Θα σας δείξω ένα βιντεοκλιπ λίγων δευτερολέπτων. Και υπάρχουν δύο πιθανότητες, γενικά: Ίσως το ίδιο κάνει κάτι λάθος, ή μπορεί να έχει χαλάσει το παιχνίδι. Στο επόμενο πείραμα θα δώσουμε στα μωρά λίγα στατιστικά δεδομένα που θα στηρίζουν τη μια υπόθεση ή την άλλη και θα δούμε αν τα μωρά μπορούν να τα χρησιμοποιήσουν για να πάρουν διαφορετικές αποφάσεις για το τι να κάνουν.
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.
Να το σχέδιο. Η Γιογουάν θα καταφέρει να βάλει το παιχνίδι σε λειτουργία. Μετά θα προσπαθήσω εγώ δύο φορές και θα αποτύχω και τις δύο, και μετά η Γιογουάν θα προσπαθήσει ξανά και θα τα καταφέρει. Και αυτό γενικά συνοψίζει τη σχέση μου με τους μεταπτυχιακούς μου φοιτητές σε όλο το φάσμα της τεχνολογίας. Αλλά το σημαντικό εδώ είναι ότι δίνει μια μικρή ένδειξη ότι το πρόβλημα δεν είναι στο παιχνίδι αλλά στο άτομο. Κάποιοι μπορούν να το βάλουν σε λειτουργία και κάποιοι όχι. Όταν το μωρό πάρει το παιχνίδι, θα έχει μια επιλογή. Η μαμά του είναι εκεί, μπορεί να δώσει το παιχνίδι και να αλλάξει το άτομο, αλλά θα υπάρχει και ένα ακόμη παιχνίδι στην άκρη εκείνου του υφάσματος και μπορεί να τραβήξει το ύφασμα και να αλλάξει το παιχνίδι. Ας δούμε τι κάνει το μωρό.
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.
(Βίντεο) ΓΓ: Δύο, τρία. Πάμε! (Μουσική) ΛΣ: Ένα, δύο, τρία, πάμε! Άρθουρ, θα προσπαθήσω πάλι. Ένα, δύο, τρία, πάμε! ΓΓ: Άρθουρ, ας προσπαθήσω εγώ πάλι, ΟΚ; Ένα, δύο, τρία, πάμε! (Μουσική) Κοίτα αυτό. Θυμάσαι αυτά τα παιχνίδια; Βλέπεις αυτά τα παιχνίδια; Ναι, θα βάλω αυτό εδώ πέρα, και θα δώσω αυτό σε σένα. Μπορείς να παίξεις. ΛΣ: ΟΚ, Λόρα, φυσικά τα μωρά αγαπούν τις μαμάδες τους. Φυσικά το παιδί δίνει το παιχνίδι στη μαμά όταν δεν λειτουργεί. Και πάλι, η πραγματικά σημαντική ερώτηση είναι τι θα συμβεί όταν αλλάξουμε τα στατιστικά δεδομένα ακόμα λίγο. Τώρα τα μωρά θα δουν το παιχνίδι να λειτουργεί και να σταματάει εναλλάξ αλλά αλλάζουμε την κατανομή των ενδείξεων. Τωρα η Γιογουάν μια φορά θα τα καταφέρει και μια θα αποτύχει, και το ίδιο κι εγώ. Και αυτό λέει ότι άσχετα με το ποιος χειρίζεται το παιχνίδι, αυτό δεν δουλεύει. Δεν λειτουργεί γενικά. Πάλι το μωρό έχει μια επιλογή. Η μαμά της είναι δίπλα της, έτσι μπορεί να αλλάξει πρόσωπο και θα υπάρχει ένα άλλο παιχνίδι στην άκρη του υφάσματος. Ας δούμε τι κάνει.
(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.
(Βίντεο) ΓΓ: Δύο, τρία. Πάμε! (Μουσική) Να προσπαθήσω άλλη μια φορά. Ένα, δύο, τρία, πάμε! Χμμ.
(Video) HG: Two, three, go! (Music) Let me try one more time. One, two, three, go! Hmm.
ΛΣ: Άσε με να προσπαθήσω, Κλάρα. Ένα, δύο, τρία, πάμε! Χμμ. Ας προσπαθήσω πάλι. Ένα, δύο, τρία, πάμε! (Μουσική) ΓΓ: Θα βάλω αυτό εδώ πέρα και θα δώσω αυτό σε σένα. Μπορείς να παίξεις. (Χειροκρότημα)
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)
ΛΣ: Να σας δείξω τα αποτελέσματα των πειραμάτων. Στον κάθετο άξονα θα δείτε την κατανομή των επιλογών των παιδιών σε κάθε περίπτωση και θα δείτε ότι η κατανομή των επιλογών που κάνουν τα παιδιά εξαρτάται από τις ενδείξεις που παρατηρούν. Έτσι στο δεύτερο έτος ζωής, τα μωρά μπορούν να χρησιμοποιήσουν λίγα στατιστικά δεδομένα για να αποφασίσουν μεταξύ δύο βασικά διαφορετικών στρατηγικών για να δράσουν στον κόσμο: να ζητήσουν βοήθεια και να εξερευνήσουν. Μόλις σας έδειξα δύο εργαστηριακά πειράματα από κυριολεκτικά εκατοντάδες στον κλάδο που έχουν παρόμοια συμπεράσματα επειδή το πραγματικά σημαντικό σημείο είναι ότι η ικανότητα των παιδιών να βγάζουν πλήθος συμπερασμάτων από λίγα δεδομένα βρίσκεται πίσω από όλη την πολιτιστική μάθηση του είδους μας. Τα παιδιά μαζεύουν τα νέα εργαλεία από λίγα μόνο παραδείγματα. Μαθαίνουν νέες σχέσεις αιτιασμού από λίγα μόνο παραδείγματα. Μαθαίνουν ακόμα και νέες λέξεις, όπως εδώ, στην αμερικανική νοηματική γλώσσα.
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.
Θέλω να κλείσω με μόνο δύο σημεία. Αν παρακολουθείτε τον κόσμο μου, τον τομέα εγκεφάλου και γνωστικών επιστημών, για τα τελευταία λίγα χρόνια, τρεις μεγάλες ιδέες θα υπέπεσαν στην αντίληψή σας. Η πρώτη είναι ότι αυτή είναι η εποχή του εγκεφάλου. Και όντως έχουν γίνει τεράστιες ανακαλύψεις στη νευροεπιστήμη: εντοπίστηκαν λειτουργικά εξειδικευμένες περιοχές του φλοιού, οι εγκέφαλοι των ποντικιών έγιναν διαφανείς, ενεργοποιούνται νευρώνες με το φως. Μια δεύτερη μεγάλη ιδέα είναι ότι είναι η εποχή των μεγάλων δεδομένων και της μηχανικής μάθησης, και η μηχανική μάθηση υπόσχεται ν' αλλάξει ριζικά την κατανόηση των πάντων, από τα κοινωνικά δίκτυα έως την επιδημιολογία. Και ίσως, καθώς επιλύει προβλήματα κατανόησης σκηνών και φυσικής επεξεργασίας της γλώσσας, να μας πει κάτι σχετικά με την ανθρώπινη νόηση. Και η τελευταία μεγάλη ιδέα που θα έχετε ακούσει είναι πως μάλλον είναι καλό που θα μάθουμε τόσα για τον εγκέφαλο και θα έχουμε πρόσβαση σε μεγάλα δεδομένα, επειδή αν πράξουμε κατά βούληση, οι άνθρωποι παραπλανούμαστε, καταφεύγουμε σε πρόχειρες λύσεις, κάνουμε σφάλματα, κάνουμε λάθη, έχουμε προκαταλήψεις, και με πάμπολλους τρόπους, εκλαμβάνουμε τον κόσμο λάθος. Νομίζω ότι όλες αυτές είναι σημαντικές ιστορίες και έχουν πολλά να μας πουν σχετικά με το τι σημαίνει να είσαι άνθρωπος, αλλά θέλω να σημειώσετε ότι σήμερα σας είπα μια πολύ διαφορετική ιστορία. Είναι μια ιστορία για το μυαλό μας και όχι για τον εγκέφαλό μας και ειδικότερα, είναι μια ιστορία για το είδος των υπολογισμών που μόνο τα ανθρώπινα μυαλά μπορούν να εκτελέσουν, που εμπλέκει πλούσια, δομημένη γνώση και την ικανότητα να μαθαίνουμε από μικρές ποσότητες δεδομένων, τις ενδείξεις από πολύ λίγα παραδείγματα. Και βασικά, είναι μια ιστορία του πώς, ξεκινώντας ως μικρά παιδιά και συνεχίζοντας έως τα μεγαλύτερα επιτεύγματα της κουλτούρας μας, αντιλαμβανόμαστε τον κόσμο μας σωστά.
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.
Φίλοι μου, το ανθρώπινο μυαλό δεν μαθαίνει μόνο από μικρές ποσότητες δεδομένων. Τα ανθρώπινα μυαλά σκέφτονται και εξ ολοκλήρου νέες ιδέες. Τα ανθρώπινα μυαλά παράγουν έρευνες και ανακαλύψεις, και τα ανθρώπινα μυαλά παράγουν τέχνη, λογοτεχνία, ποίηση και θέατρο, και τα ανθρώπινα μυαλά φροντίζουν άλλους ανθρώπους: τους ηλικιωμένους μας, τους νέους μας, τους ασθενείς μας. Ακόμη και τους θεραπεύουμε. Στα επόμενα χρόνια, θα δούμε τεχνολογικές καινοτομίες πέρα από οτιδήποτε μπορούμε να οραματιστούμε, αλλά είναι μάλλον απίθανο να δούμε οτιδήποτε καν να πλησιάζει την υπολογιστική δύναμη ενός μωρού όσο θα ζήσω εγώ ή εσείς. Εάν επενδύσουμε σ' αυτούς τους πολύ δυνατούς μαθητές και την ανάπτυξή τους, στα μωρά και στα παιδιά, στις μητέρες και τους πατεράδες, στους κηδεμόνες και τους δασκάλους, έτσι όπως επενδύουμε στις άλλες μας πιο ισχυρές και κομψές μορφές τεχνολογίας, μηχανικής και σχεδιασμού, δεν θα ονειρευόμαστε μόνο ένα καλύτερο μέλλον, θα το σχεδιάζουμε.
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.
Ευχαριστώ πολύ.
Thank you very much.
(Χειροκρότημα)
(Applause)
Κρις Άντερσον: Λόρα, σ' ευχαριστώ. Έχω μια ερώτηση για σένα. Πρώτα απ' όλα, η έρευνα είναι εξωφρενική. Ποιος θα σχεδίαζε ένα τέτοιο πείραμα; (Γέλια) Το είδα μερικές φορές και ακόμη δεν πιστεύω ειλικρινά ότι αυτό όντως μπορεί να συμβαίνει, αλλά και άλλοι έχουν κάνει παρόμοια πειράματα. Είναι λογικό. Τα μωρά είναι όντως ιδιοφυίες.
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.
ΛΣ: Ξέρεις, είναι τόσο εντυπωσιακά στα πειράματά μας, αλλά σκέψου πώς είναι στην κανονική ζωή; Ξεκινάει σαν μωρό. Δεκαοκτώ μήνες αργότερα σου μιλάει, και τα πρώτα λογάκια δεν είναι απλά πράγματα όπως μπάλες και παπάκια, είναι πράγματα όπως τα «πάει!» που αναφέρεται στην εξαφάνιση, ή το «ωχ!» που αναφέρεται σε ακούσιες πράξεις. Πρέπει να είναι τόσο ισχυρά. Πρέπει να είναι πολύ πιο ισχυρά από οτιδήποτε σας έδειξα. Αντιλαμβάνονται πώς λειτουργεί όλος ο κόσμος. Ένα τετράχρονο μπορεί να σας μιλήσει για σχεδόν οτιδήποτε. (Χειροκρότημα)
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)
ΚΑ: Και αν σε καταλαβαίνω σωστά, το άλλο κεντρικό σημείο είναι ότι περάσαμε τόσα χρόνια που έγιναν τόσες συζητήσεις πόσο ιδιόμορφα και προβληματικά είναι τα μυαλά μας που η συμπεριφοριστική οικονομία και παρόμοιες θεωρίες, ότι δεν πράττουμε λογικά. Ουσιαστικά λες ότι η σημαντικότερη ιστορία είναι πόσο αξιοσημείωτα είναι, και ότι πράγματι υπάρχει εκεί ευφυία που δεν εκτιμάται αναλόγως.
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.
ΛΣ: Ένα αγαπημένο μου ρητό από την ψυχολογία είναι από τον κοινωνικό ψυχολόγο Σόλομον Ας, που είπε ότι το βασικό καθήκον της ψυχολογίας είναι να παραμερίσει το πέπλο του αυταπόδεικτου από τα πράγματα. Εκατομμύρια τάξεις μεγέθους και καθημερινές αποφάσεις βοηθούν να αντιληφθείς σωστά τον κόσμο. Γνωρίζεις περί αντικειμένων και των ιδιοτήτων τους. Ξέρεις πότε φρακάρουν. Τα αναγνωρίζεις στο σκοτάδι. Μπορείς να διασχίζεις δωμάτια. Καταλαβαίνεις τι σκέφτονται οι άλλοι. Μπορείς να τους μιλήσεις και να πορευθείς στο χώρο. Ξέρεις για αριθμούς. Ξέρεις τις σχέσεις αιτιατού και την ηθική αιτίαση. Το κάνεις χωρίς δυσκολία, έτσι δεν το βλέπουμε, αλλά έτσι καταλαβαίνουμε σωστά τον κόσμο και είναι ένα αξιοσημείωτο και πολύ δυσνόητο επίτευγμα.
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.
ΚΑ: Υποψιάζομαι ότι υπάρχουν άνθρωποι στο ακροατήριο που έχουν την άποψη να επιταχύνουν την τεχνολογική ισχύ που ίσως αμφισβητήσουν τη δήλωσή σου ότι ποτέ στη ζωή μας δεν θα κάνει ένας υπολογιστής ότι μπορεί να κάνει ένα τρίχρονο παιδί, αλλά είναι σαφές ότι σε κάθε σενάριο, οι μηχανές μας έχουν πολλά να μάθουν από τους μπόμπιρες. ΛΣ: Έτσι νομίζω. Θα έχετε αρκετούς υπέρ της μηχανικής μάθησης εδώ πέρα. Δεν πρέπει να υποτιμάτε τα μωρά ή τους χιμπατζήδες ή την τεχνολογία, σε μόνιμη βάση, αλλά δεν είναι απλώς μια διαφορά στην ποσότητα, είναι διαφορά στο είδος. Έχουμε απίστευτα ισχυρούς υπολογιστές και πράγματι κάνουν τρομερά εξεζητημένα πράγματα, συχνά με μεγάλες ποσότητες δεδομένων. Θεωρώ ότι τα ανθρώπινα μυαλά κάνουν κάτι τελείως διαφορετικό, και νομίζω ότι είναι η δομημένη, ιεραρχική φύση της ανθρώπινης γνώσης που παραμένει μια πραγματική πρόκληση.
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.
ΚΑ: Λορα Σουλτς, θαυμάσια τροφή για σκέψη. Σε ευχαριστούμε τόσο πολύ.
CA: Laura Schulz, wonderful food for thought. Thank you so much.
ΛΣ: Ευχαριστώ. (Χειροκρότημα)
LS: Thank you. (Applause)