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)
مارک تواین یکی از پایهای ترین مشکلات موجود در علوم شناختی را در یک جمله خلاصه کردهاست. او میگوید: "چیزی شگفت انگیز در مورد علم وجود دارد. فرد حدسهای بسیار عمدهای میزند، تنها با سرمایهگذاری ناچیزی در حقایق." (خندهی حضار)
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.
تواین این را به عنوان یک شوخی مطرح کرد، اما او درست میگفت: علم ویژگی شگفت انگیزی دارد. با دیدن چند تکه استخوان، ما وجود دایناسورها را استنباط کردیم. با دیدن خط طیف نوری، ترکیب یک سحابی را مشخص میسازیم. از کرمهای میوه، به مکانیزم وراثت پی میبریم، و از تصاویر بازسازی شدهی حرکت خون در داخل مغز یا در مورد من، با استفاده از رفتار کودکان بسیار کوچک تلاش میکنیم نظراتی در مورد پایههای اساسی مکانیزم شناخت انسان ارائه کنیم. به طور خاص، در آزمایشگاه من در بخش مغز و علوم شناختی در دانشگاه MIT دههی گذشته را صرفِ تلاش برای فهم این راز که کودکان چگونه اینقدر زیاد و با این سرعت از چیزهای کم یاد میگیرند. زیرا اینطور که مشخص است، موضوع شگفت انگیز در مورد علم موضوع شگفت انگیز در مورد کودکان نیز هست. که در واقع، با بیان ملایمتر جمله مارک تواین، دقیقا توانایی آنها برای دریافتی عمیق و انتزاعی با سرعت و دقت بالا از دادههای پراکنده و پر نویز میباشد. من امروز تنها دو نمونه به شما ارائه خواهم داد. یکی در مورد مشکل تعمیم، و دیگری در مورد یک مشکل در رابطه با علت و معلول است. و اگرچه من در مورد کار در آزمایشگاه خودم سخن میگویم، این کار الهام گرفته و مدیون یک رشته است. من از مربیان، همکاران و مشارکت کنندگان در سراسر دنیا متشکرم.
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.
اجازه دهید با مشکل تعمیم شروع کنم. تعمیم با استفاده از نمونههای کوچکی از دادهها یکی از مسائل اصلی در علم است. ما از بخش کوچکی از رایدهندگان نظرسنجی میکنیم و نتیجهی انتخابات ملی را پیشبینی میکنیم. ما میبینیم که چگونه دسته کوچکی از بیماران به درمانی در یک آزمایش واکنش نشان میدهند و سپس دارو را در بازار ملی عرضه میکنیم. اما این موضوع زمانی صحیح است که نمونهها بهصورت تصادفی از جمعیت انتخاب شده باشد. اگر نمونه ما دستچین شده باشد -- مثلاً، تنها از شهرنشینان نظرسنجی کنیم، یا در آزمایشهای کلینیکی برای درمان بیماریهای قلبی، تنها مردان را در نظر بگیریم -- ممکن است نتایج قابل تعمیم به جمعیت وسیعتر نباشند.
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.
بههمین دلیل دانشمندان به تصادفی انتخاب شدن نمونهها دقت میکنند. ولی این موضوع چه ربطی به کودکان دارد؟ خب، کودکان همواره باید نمونههای کمی از دادهها را تعمیم دهند. چند اردک پلاستیکی میبینند و یاد میگیرند که آنها شناور میمانند. یا چند توپ میبینند و یاد میگیرند که آنها بالا و پایین میپرند. و آنها در مورد اردکها و توپها انتظاراتی پیدا میکنند که به سایر اردکهای پلاستیکی و توپها در مابقی عمرشان گسترش پیدا میکند. و کودکان این نوع تعمیم در مورد اردکها و توپها را باید تقریبا در مورد همه چیز انجام دهند: کفش، کشتی، موم و کلم و پادشاهها.
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.
بنابراین آیا برای کودکان مهم است که این مقدار کمی از شواهد که میبینند میتواند بیانکننده جمعیت بزرگتری باشد؟ بیاید بررسی کنیم. من به شما دو فیلم نشان خواهم داد. هریک بیانکننده یکی از دو حالت آزمایش میباشد و چون شما تنها دو قطعه فیلم میبینید، تنها دو کودک نیز خواهید دید، و هر دو کودکی تفاوتهای بسیار زیادی با یکدیگر دارند. ولی در این بخش، این دو کودک هریک نماینده یک گروه کودکان هستند، و تفاوتهایی که شما خواهید دید میانگین تفاوتهای رفتاری بین گروههای کودکان را، در این شرایط نشان میدهد. در هر فیلم، شما میبینید که یک کودک احتمالاً دقیقاً همانکاری را میکند که از یک کودک انتظار داریم و ما نمیتوانیم یک کودک را بیش از مقداری که اکنون جادویی است، جادویی کنیم. ولی در ذهن من چیز جادویی، و چیزی که من میخواهم شما به آن دقت کنید، تضاد بین این دو حالت است، زیرا تنها چیزی که بین این دو فیلم تفاوت دارد شواهد آماری ایست که دو کودک مشاهده خواهند کرد. ما به کودکان یک جعبه شامل توپهای آبی و زرد نشان خواهیم داد، و همکار من 'هیوان گوان' که در آن زمان از استنفورد فارغالتحصیل شده بود، از این جعبه سه توپ آبی پشت سرهم بیرون خواهد آورد، و وقتی که آن توپها را بیرون بیاورد، آنها را فشار خواهد داد و و توپها صدا میدهند. و اگر یک بچه باشید، مثل یک صحبت در تد است از اون بهتر نمیشود. (خندهی حضار) اما نکتهی مهم این است که بسیار آسان است که ۳ توپ آبی پشت سر هم از یک جعبه که اکثر توپهایش آبی است در آورد. میشه با چشمان بسته این کار را کرد. این یک نمونهی تصادفی محتمل از این جامعهی آماری است. و اگر بتوان از داخل جعبه به صورت اتفاقی چیزهایی درآورد که صدا میدهند، پس شاید تمام چیزهایی که درون جعبه هستند صدا میدهند. پس شاید کودکان باید انتظار داشته باشند که توپهای زرد هم صدا بدهند. آن توپهای زرد، دسته های با مزهای دارند که کودکان اگر بخواهند میتوانند کارهای دیگری با آنها انجام دهند میتوانند آنها را تکان بدهند یا با آنها ضربه بزنند. اما بیاید ببینیم که کودک چکار میکند.
(Video) Hyowon Gweon: See this? (Ball squeaks) Did you see that? (Ball squeaks) Cool. See this one? (Ball squeaks) Wow.
(ویدیو) هیوان گوان: اینو میبینی؟ (توپ صدا میدهد) اونو دیدی؟ (توپ صدا میدهد) باحاله. اینو میبینی؟ (توپ صدا میدهد) اووه
Laura Schulz: Told you. (Laughs)
لارا شولز: بهتون گفتم (خنده)
(Video) HG: See this one? (Ball squeaks) Hey Clara, this one's for you. You can go ahead and play. (Laughter)
(ویدیو) هیوان: اینو میبینی؟ (توپ صدا میدهد) کلارا، این مالِ توعه. میتونی باهاش بازی کنی. (خندهی حضار)
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.
لارا: نیازی نیست صحبت کنم، درسته؟ خیلی خوب، خوبه که بچهها خصوصیات مربوط به توپهای آبی را به توپهای زرد تعمیم میدهند و چشمگیر است که بچهها با تقلید از ما یاد میگیرند اما ما این چیزها را در مورد بچهها از زمانهای گذشته میدانیم. سوال بسیار جالب این است که وقتی دقیقا چیز مشابه را به بچهها نشان میدهیم و ما میتوانیم مطمئن باشیم که دقیقا مشابه است چون یك محفظهی مخفی داریم و ما در واقع توپها را از آن خارج میکنیم، اما این بار، تنها چیزی که تغییر میدهیم ظاهر جمعیت آماری است که شواهد از آن خارج میشود. این بار، به کودکان سه توپ آبی نشان میدهیم که از جعبهای که اکثر توپهایش زرد است خارج میشوند. و حدس بزنید که چه اتفاقی میافتد؟ نمیتوان به صورت اتفاقی پشت سرهم ۳ توپ آبی از جعبهای که اکثر توپهایش زرد است خارج کرد آن شواهدی محتمل از نمونهی انتخابی نیست. آن شواهد حاکی از آن است که شاید هیوان عمدا توپهای آبی را انتخاب میکرده است. شاید چیز خاصی در مورد توپهای آبی وجود دارد. شاید فقط توپهای آبی صدا میدهند. بیاید ببینیم کودک چکار میکند.
(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.
(ویدیو) هیوان: اینو میبینی؟ (توپ صدا میدهد) این اسباب بازی رو میبینی؟ (توپ صدا میدهد) اوه، چقدر باحال بود. میبینی؟ (توپ صدا میدهد) این برای توعه که بازی کنی. میتونی بازی کنی.
(Fussing) (Laughter)
(نق زدن) (خندهی حضار)
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.
لورا: شما دو کودک ۱۵ ماهه را دیدید که کارهای کاملا متفاوتی انجام دادند تنها براساس احتمال نمونهای که مشاهده کردند. اجازه بدید نتایج آزمایشگاهی را به شما نشان دهم بر روی محور عمودی درصد کودکانی را که در هر حالت توپ را فشار دادند مشاهده میکنید و همینطور که مشاهده میکنید، کودکان بسیار بیشتر احتمال دارد که شواهد را تعمیم دهند وقتی که نمونهی محتملی از جمعیت آماری را میبینند در مقابل زمانی که شواهد به وضوح دستچین شدهاند و این به یک پیشبینی جالب منجر میشود: فرض کنید فقط یک توپ آبی از جعبهای که اکثر توپهایش زرد است خارج کنیم. نمیشود پشت سرهم ۳ توپ آبی از جعبهی پر از توپهای زرد خارج کرد، اما ممکن است که فقط یک توپ آبی به صورت اتفاقی خارج کرد. آن یک نمونهی غیر محتمل نیست. و اگر بشود به صورت اتفاقی از داخل جعبه شئ ای خارج کرد که صدا میدهد، شاید همهی اشیای درون جعبه صدا میدهند. پس با وجود اینکه کودکان شواهد کمتری از صدا دادن خواهند دید، و فعالیتهای کمتری برای تقلید دارند در این حالت با یک توپ در مقایسه با حالتی که دیدید، ما پیشبینی کردیم که بچهها بیشتر توپ را فشار میدهند، و این دقیقا چیزی است که پیدا کردیم. پس کودکان ۱۵ ماهه در این موضوع، مانند دانشمندان، اهمیت میدهند که آیا نمونه اتفاقی است یا نه، و آنها از این استفاده میکنند تا انتظاراتی از دنیا شکل دهند: چه چیزی صدا میدهد و چه چیزی صدا نمیدهد، چه چیز را کاوش کنند و از چه چیز چشمپوشی کنند.
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.
اجازه بدید یک مثال دیگه به شما نشان دهم، این بار دربارهی یک مشکل در علت و معلول. و این با یک مشکل از نوع شواهد سر در گم آغاز میشود که همهی ما داریم و عبارت از این است که ما همه بخشی از دنیا هستیم. و این ممکن است از نظر شما یک مشکل نباشد، اما مانند بیشتر مشکلها، این فقط وقتی مشکل است که کارها خراب میشود. به عنوان مثال، این کودک را در نظر بگیرید. اوضاع برایش خوب پیش نمی رود. میخواهد صدای این اسباب بازی را در بیاورد اما نمیتواند. یک کلیپ چند ثانیهای به شما نشان میدهم. و به طور گسترده، ۲ حالت وجود دارد: شاید او کار اشتباهی انجام میدهد، یا شاید اسباب بازی مشکل دارد. پس در آزمایش بعدی ما به کودکان فقط مقدار بسیار کمی اطلاعات آماری خواهیم داد در حمایت از یک فرضیه در مقابل دیگری، و میخواهیم ببینیم که آیا کودکان میتوانند از آن استفاده کنند تا تصمیمات مختلف دربارهی کاری که میخواهند انجام دهند بگیرند.
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.
این هم نحوهی انجام آزمایش هیوان تلاش میکند صدای اسباب بازی را در بیاورد و موفق میشود. سپس من دوبار تلاش میکنم و هر دوبار شکست میخورم، و سپس هیوان دوباره تلاش میکند و موفق میشود. و این تقریبا رابطهی من با دانشجویان رشتههای تکنولوژی در مقابل هیئت مدیره را خلاصه میکند. اما نکتهی مهم اینجا این است که این شواهد کمی از این ارائه میکند که مشکل از اسباب بازی نیست، از شخصی است که با آن بازی میکند. بعضی افراد میتوانند صدایِ اسباب بازی را در بیاورند و بعضی نمیتوانند. حالا، وقتی که کودک اسباب بازی را میگیرد، او باید یک انتخاب کند. مادرش هم همانجا است پس او میتواند اسباب بازی را به او بدهد و شخص را عوض کند، اما یک اسباب بازی دیگر هم در انتهای پارچه است و او میتواند پارچه را به سمت خود بکشد و اسباب بازی را عوض کند. خب بیاید ببینیم کودک چکار میکند.
(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.
(ویدیو) هیوان: دو - سه. حالا! (صدای موسیقی) لورا: یک - دو - سه، حالا! آرتور من یک بار دیگر تلاش میکنم. یک - دو - سه، حالا! هیوان: آرتور، بزار من دوباره امتحان کنم، باشه؟ یک - دو - سه، حالا! (صدای موسیقی) اونو ببین. این اسباب بازیها رو یادت هست؟ این اسباب بازیها رو میبینی؟ آره، من اینو اینجا میزارم، و این یکی را به تو میدهم. میتونی باهاش بازی کنی. باشه لورا، اما مشخصه که کودکان عاشق مادرشان هستند. البته که کودکان اسباب بازیهایشان را به مادرشان میدهند وقتی نمیتوانند آنها را به کار بیاندازند. پس دوباره، سوال بسیار مهم این است که وقتی که دادههای آماری را اندکی تغییر دهیم چه اتفاقی میافتد. این بار کودکان با همان ترتیب قبلی خواهند دید که اسباب بازی کار میکند یا خیر اما ما ترتیب شهود را عوض میکنیم. این بار هیوان یک بار موفق میشود و یک بار شکست میخورد و من هم همچنین. و این حاکی از این است که فرقی نمیکند که چه کسی از اسباب بازی استفاده میکند، اسباب بازی خراب است. گاهی اوقات کار نمیکند. دوباره، کودک یک انتخاب خواهد داشت. مادرش کنار اوست، پس او میتواند شخص را عوض کند، و اسباب بازی دیگری در انتهای پارچه خواهد بود بیاید نگاه کنیم که چکار میکند.
(Video) HG: Two, three, go! (Music) Let me try one more time. One, two, three, go! Hmm.
(ویدیو) هیوان: دو - سه، حالا! (صدای موسیقی) بزار یک بار دیگه امتحان کنم. یک - دو - سه، حالا! هممم.
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)
لورا: بزار من امتحان کنم کلارا یک - دو - سه، حالا! همم، بزار دوباره امتحان کنم. یک - دو - سه، حالا! (صدای موسیقی) هیوان: من اینو اینجا میگذارم، و این یکیو به تو میدهم. میتونی باهاش بازی کنی. (تشویق حضار)
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.
لورا: اجازه بدید نتایج آزمایش را به شما نشان دهم بر روی محور عمودی, توزیع انتخاب کودکان در هر حالت را مشاهده میکنید، و میبینید که توزیع انتخاباتی که کودکان میکنند به شواهدی که مشاهده میکنند بستگی دارد. پس در سال دوم زندگی، کودکان میتوانند از مقدار بسیار کمی دادههای آماری استفاده کنند تا از بین دو استراتژی که از اساس با یکدیگر متفاوتند انتخاب کنند برای ایفای نقش در دنیا: درخواست کمک و کاوش من الان دو آزمایشِ آزمایشگاهی از میان صدها آزمایش که نکتههای مشابهی را میرسانند، نشان دادم چون نکتهی بسیار مهم این است که توانایی کودکان در استنتاج عمیق از دادههای پراکنده و کم زمینه ساز تمام تحقیقاتی است که در یادگیریِ فرهنگی تمامی گونههای خاص انجام میدهیم. کودکان تنها با چند مثال در مورد وسایل جدید یاد میگیرند. رابطههای علت و معلولی جدید را فقط با چند مثال یاد میگیرند. آنها حتی کلمههای جدید یاد میگیرند، در این مورد، زبان اشارهی آمریکایی.
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.
میخواهم با فقط دو نکته صحبتم را پایان دهم اگر دنیای من، رشتهی مغز و علوم شناختی، را دنبال میکرده اید، در چند سال گذشته، سه ایدهی بزرگ توجه شما را جلب کرده است. اول؛ اکنون دورهی مغز است. و قطعا اکتشافات متناوبی در علوم اعصاب اتفاق افتاده است: مشخص کردن جایگاه کارکردِ تخصصیِ بخشهایی از قشر مغزی، واضح ساختن مغزِ موشها فعال کردنِ نورونها با نور ایدهی بزرگِ دوم این است که اکنون دورهی اطلاعات بزرگ (big data) و یادگیری ماشینها است، و یادگیری ماشینها وعدهی انقلابی کردن فهم ما از همه چیز، از شبکههای اجتماعی تا اپیدمیلوژی (علم بیماریهای واگیردار) را میدهد. و شاید، اینگونه با مشکلاتِ درک صحنه و پردازش زبان طبیعی گلاویز میشود تا به ما چیزی در مورد شناخت انسان بگوید. و آخرین ایدهی بزرگ که حتما شنیدهاید این است که شاید ایدهی خوبی است که ما آنقدر زیاد در مورد مغز خواهیم دانست و دسترسی بسیار زیادی به دادههای بزرگ داشته باشیم زیرا اگر فقط به دستگاههای خودمان باشد، انسانها جایزالخطا هستند، ما میانبر میزنیم، ما گمراه میشویم، ما اشتباه میکنیم، ما انحرافات ذهنی داریم، و به حالتهای بیشماری دنیا را اشتباه میفهمیم. فکر میکنم اینها همه داستانهای مهمی هستند، و موارد زیادی در مورد معنی انسان بودن به ما میگویند، اما میخواهم توجه کنید که امروز یک داستان بسیار متفاوت به شما گفتم. این یک داستان در مورد ذهن است و نه مغز. و به طور مشخص، این یک داستان در مورد انواع محاسباتی است که ذهن منحصر به فرد انسان میتواند انجام دهد، که شامل دانش عمیق، طبقهبندی شده و توانایی یاد گرفتن از حجم کمی از دادهها، شواهدی فقط از چند مثال. می شود و اساسا، داستانی دربارهی این است که چگونه با شروع از کودکانی بسیار کوچک و ادامه دادن تمام مسیر تا بزرگترین دستاوردهایِ تمدنِ ما، ما دنیا را درست درک میکنیم.
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.
دوستان، ذهنِ انسانها تنها از مقدار کم دادهها یاد نمیگیرد. ذهنِ انسان به ایدههای کاملا جدید فکر میکند. ذهنِ انسان کاوش و کشف میکند، و ذهنِ انسان هنر و ادبیات و شعر و تئاتر تولید میکند، و ذهنِ انسان از دیگر انسانها مراقبت میکند: افرادِ مسن، کودکان و بیمارانِ ما. ما حتی آنها را درمان میکنیم. در سالهای آتی، ما نوآوریهایی در فناوری خواهیم دید که فراتر از هرچیزی است که حتی بتوانم تجسم کنم، اما بسیار کم احتمال دارد که چیزی ببینیم که نزدیک به قدرتِ محاسباتیِ کودکِ انسان باشد. در طول عمر من یا شما. اگر ما در روی یادگیری و پیشرفتِ این یادگیرندگانِ قدرتمند سرمایهگذاری کنیم، در نوزادان و کودکان و مادران و پدران سرپرستان و معلمان به نوعی که در قدرتمندترین و ظریفترین گونههای تکنولوژی، مهندسی و طراحی سرمایهگذاری میکنیم، ما فقط برای یک آیندهیِ بهتر رویا پردازی نمیکنیم، برای آن برنامهریزی میکنیم.
Thank you very much.
بسیار متشکرم.
(Applause)
(تشویق حضار)
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.
کریس اندرسون: لورا، متشکرم. من یک سوال از تو دارم. اول از همه، تحقیقات تو دیوانه کننده است. منظورم اینه که، کی چنین آزمایشی رو طراحی میکنه؟(خنده) چند بار آن را نگاه کردهام، و صادقانه بگم، هنوز باورم نمیشه که آن اتفاقها ممکن است، اما افراد دیگری هم آزمایشهای مشابهی انجام دادهاند، مشخص است: کودکان واقعا نابغهاند.
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)
لارا: میدونی، در آزمایشهای ما بسیار چشمگیر به نظر میآیند، اما در مورد این فکر کن که در زندگیِ واقعی چگونه به نظر میآیند، درسته؟ به عنوان یک نوزاد شروع میکند. ۱۸ ماه بعد، با ما صحبت میکند، و اولین کلمههای کودکان فقط چیزهایی مثل توپ و اردک نیست، چیزهایی مثل «رفت» است که به ناپدید شدن باز میگردد، یا «اوه-اوه» که به فعالیتهایِ غیرعمدی باز میگردد. باید آنقدر قدرتمند باشد. باید از هر چیزی که نشانتان دادم قدرتمندتر باشد. آنها در حال فهم تمام دنیا هستند. یک کودکِ ۴ ساله تقریبا در مورد همه چیز میتواند با ما صحبت کند. (تشویق حضار)
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.
کریس: و اگر درست متوجه شده باشم، نکتهی کلیدی دیگری که بیان میکنی این است که ما این سالها را گذراندیم که صحبتهای زیادی در مورد اینکه ذهنهای ما چقدر دمدمی و پر مشکل است، وجود داشته است اقتصاد رفتاری و تمام تئوریهای پشت آن که ما عواملِ منطقی نیستیم. تو در واقع میگویی که داستانِ بزرگتر، این است که چه مقدار نبوغِ خارقالعاده وجود دارد که مورد توجه و قدردانی قرار نگرفته است.
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.
لارا: یکی از نقل قولهای مورد علاقهی من در روانشناسی از «سالامون اش» ِ روانشناسِ اجتماعی است و او گفته که وظیفهی اساسی روانشناسی این است که پرده از بدیهیتِ همه چیز بردارد. مرتبهی بسیار بزرگی از تصمیمات را روزانه اتخاذ میکنیم که دنیا را درست درک میکنند. در مورد اشیا و خصوصیات آنها میدانیم. آنها را وقتی بستهبندی شدهاند یا در تاریکی اند میشناسیم. میتوانیم از اتاقها بگذریم. میتوانیم بفهمیم که بقیه در مورد چه فکر میکنند. میتوانیم با آنها صحبت کنیم. میتوانیم در فضا حرکت کنیم. در مورد عددها میدانیم. در مورد علت و معلول میدانیم. در مورد استدلال اخلاقی میدانیم. این کار را بدون زحمت انجام میدهیم، پس نمیبینمش، اما اینگونه است که دنیا را درست درک میکنیم، و این قابل توجه است و دستاوردی است که خیلی سخت قابل فهم است.
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.
کریس: فکر میکنم افرادی در میان مخاطبان هستند که دیدگاهی در مورد شتاب دادن به قدرت فناوری دارند که ممکن است با جملهی تو که در طول عمر ما امکان ندارد که یک کامپیوتر کاری را انجام دهد که یک کودک ۳ ساله میتواند انجام دهد انکار کند اما این مشخص است که در هر سناریویی، ماشینهای ما چیزهای زیادی برای یاد گرفتن از کودکان نوپای ما دارند. لارا:همینطور فکر میکنم، دوستانی که داریم که در فراگیری ماشین کار میکنند. منظورم اینه که، تجربه نشان داده که هیچوقت نباید بر ضد کودکان یا شامپانزهها یا تکنولوژی شرط ببندیم، اما این فقط یک تفاوت در مقدار نیست، این تفاوتی در نوع است. ما کامپیوترهای قدرتمندِ غیرقابل باوری داریم و آنها کارهای پیچیدهی شگفتآوری انجام میدهند، معمولا با حجم بزرگی از دادهها. ذهنِ انسان، فکر میکنم که کار کاملا متفاوتی انجام میدهد و فکر میکنم این طبیعت سلسله مراتبی و ساختیافتهی انسان است که چالش واقعی باقی میماند.
CA: Laura Schulz, wonderful food for thought. Thank you so much.
کریس: لارا شولز، غذای حیرت انگیزی برای اندیشه بود. بسیار متشکرم.
LS: Thank you. (Applause)
لارا: متشکرم (تشویق حضار)