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)
Mark Twain a résumé ce que je considère être un des problèmes fondamentaux de la science cognitive avec une plaisanterie unique. Il a dit, « La science a quelque chose de fascinant. On reçoit des retours en masse de conjecture sur un investissement aussi insignifiant en soi. » (Rires)
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.
C'était une plaisanterie, bien-sûr, mais Twain a raison : la science a quelque chose de fascinant. De quelques os, nous déduisons l’existence des dinosaures. De raies spectrales, la composition des nébuleuses. De mouches à fruits, les mécanismes de l'hérédité, et d’images reconstituées de sang circulant dans le cerveau, ou dans mon cas, du comportement de très jeunes enfants, nous essayons de dire quelque chose à propos des mécanismes fondamentaux de la cognition humaine. Surtout dans mon laboratoire du Département du Cerveau et Sciences Cognitives au MIT, j’ai passé la dernière décennie essayant de comprendre le mystère derrière lequel les enfants apprennent tellement à partir de si peu si rapidement. Parce qu'en fait, ce qui est fascinant à propos de la science fascine aussi à propos des enfants, et donc la touche légère de Mark Twain, est précisément leur capacité de tirer des conclusions riches, abstraites, avec rapidité et avec précision à partir de données éparses, bruitées. Je vais vous donner deux exemples aujourd’hui. L’un porte sur un problème de généralisation, et l’autre sur une problème de la relation de causalité. Bien que je parle du travail dans mon laboratoire, ce travail est inspiré par un domaine. auquel je suis redevable. Je suis reconnaissante aux mentors, collègues, et collaborateurs dans le monde entier.
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.
Laissez-moi commencer par le problème de généralisation. Généraliser à partir de petits échantillons de données est le fer de lance de la science. Nous sondons une infime fraction de l'électorat et prévoyons le résultat des élections nationales. Nous voyons comment une poignée de patients réagit au traitement d'un essai clinique, et nous introduisons les médicaments à un marché national. Mais cela ne réussit que si notre échantillon est tiré aléatoirement à partir de la population. Si notre échantillon est trié sur le volet - si nous ne sondions que les électeurs urbains, ou si, dans nos essais cliniques pour traitements de maladies cardiaques, nous ne retenions que des hommes-- les résultats ne se généraliseront pas à l’ensemble de population.
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.
Donc les scientifiques se soucient si l'échantillon est aléatoire ou non, mais quel rapport cela a-t-il avec les bébés? Eh bien, les bébés doivent généraliser à partir de petits échantillons de données tout le temps. Ils voient quelques canards en caoutchouc et apprennent qu'ils flottent ou quelques balles et apprennent qu'elles rebondissent. Et ils découvrent les caractéristiques des canards et des balles qu'ils vont attendre des canards en caoutchouc et balles pour le restant de leur vie. Et les types de généralisations que les bébés font à ce propos, ils devront les faire à propos de presque tout: des chaussures, navires, cire à sceller, choux et rois.
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.
Les bébés se soucient-ils de savoir si le peu de preuves qu'ils observent représente de manière plausible l’ensemble de la population? Allons vérifier. Je vais vous montrer deux films, un pour chacune des 2 conditions d'une expérience, et parce que vous n’allez voir que deux films, vous n’allez voir que deux bébés, et ils diffèrent l'un de l'autre de bien des façons. Mais ces bébés, bien-sûr, représentent des groupes de bébés, et les différences ici représentent les différences moyennes par groupe dans le comportement des bébés à travers différentes situations. Dans chaque film, vous allez voir qu’un bébé peut-être faire exactement ce que vous pourriez attendre de lui qu’il fasse, et nous pouvons difficilement rendre les bébés plus magiques qu’ils ne sont déjà. Mais à mon avis, ce qui est magique, et ce sur quoi je voudrais attirer votre attention, est le contraste entre ces deux conditions, parce que le seul élément qui diffère entre ces deux films est la preuve statistique que les bébés vont observer. Nous allons montrer aux bébés une boite de balles bleues et jaunes, et mon étudiante diplômée, Hyowon Gweon, maintenant une collègue à Stanford, va tirer trois balles d’affilée de cette boite, et en les tirant, elle va les presser; les balles vont couiner. Et si vous êtes un bébé c'est comme un Talk TED, on ne fait pas mieux. (Rires) Mais le point important est qu'il est vraiment facile de tirer trois balles bleues d’affilée d'une boîte de balles surtout bleues. Vous pourriez le faire les yeux fermés. C'est un échantillon aléatoire possible de cet ensemble. Et si vous pouvez tirer au hasard dans une boîte pour en obtenir des choses qui couinent, alors peut-être que tout dans cette boîte couine. Les bébés devront donc s’attendre à ce que les boules jaunes couinent aussi. Les boules jaunes ont des bâtons amusants au bout, donc les bébés peuvent les utiliser différemment s’ils le veulent. Ils pourraient les lancer ou taper avec. Mais voyons ce que fait le bébé.
(Video) Hyowon Gweon: See this? (Ball squeaks) Did you see that? (Ball squeaks) Cool. See this one? (Ball squeaks) Wow.
(Vidéo) Hyowon Gweon: Tu vois ceci? (Couinement) (Vidéo) Hyowon Gweon: Tu vois ceci? (Couinement) Cool. Tu vois celle-là? (Couinement) Ouah.
Laura Schulz: Told you. (Laughs)
Laura Schulz: Je vous l'avais dit. (Rires)
(Video) HG: See this one? (Ball squeaks) Hey Clara, this one's for you. You can go ahead and play. (Laughter)
(Vidéo) HG: Tu vois celle-là? (Couinement) Hé Clara, celle-ci est pour toi. Vas-y, tu peux jouer avec. (Rires)
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.
LS: Je n’ai même pas besoin de parler, n’est-ce pas? C’est bien que les bébés généralisent les propriétés des balles bleues aux balles jaunes et il est impressionnant que les bébés puissent apprendre en nous imitant, mais nous savions ça à propos des bébés depuis très longtemps. La question vraiment intéressante est ce qui arrive si nous leur montrons exactement la même chose, et que nous sommes sûrs que c'est le cas, parce qu'on a un compartiment secret dans lequel on garde les balles. Mais cette fois-ci, nous ne changeons que l'ensemble apparent dans lequel cette preuve est tirée. Cette fois, nous allons montrer aux bébés trois balles bleues tirées d’une boite essentiellement de boules jaunes. et devinez quoi ? Vous ne pourriez pas tirer de manière aléatoire trois balles bleues d’affilée d’une boite de balles surtout jaunes. Ce n’est pas un échantillon aléatoire probable. Cette preuve montre que Hyowon a peut-être intentionnellement choisi les balles bleues. Peut-être que les balles bleues ont quelque chose de spécial. Peut-être que seules les balles bleues couinent. Voyons voir ce que le bébé fait.
(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.
(Vidéo) HG: Tu vois ceci? (Couinement) Tu vois ce jouet? (Couinement) Oh, c’était cool. (Couinement) Maintenant, c’est à toi de jouer avec. Vas-y et joue.
(Fussing) (Laughter)
(Agitation) (Rires)
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.
LS : Vous venez de voir 2 bébés de 15 mois faire 2 choses totalement différentes en s'appuyant sur la probabilité des échantillons qu’ils ont observés. Voici les résultats de l’expérience. Sur l’axe vertical, vous verrez le pourcentage de bébés qui a pressé la balle dans chacune des situations, et comme vous le constaterez, les bébés généralisent plus souvent le résultat quand il représente un échantillon probable de l'ensemble, que quand la preuve est clairement triée sur le volet. Et ceci mène à une prédiction amusante: Supposons que vous n’ayez tiré qu’une seule balle bleue d'une boîte de boules essentiellement jaunes. Vous ne pourriez pas tirer au hasard 3 balles bleues d’une boite de jaunes, mais vous pourriez ne tirer au hasard qu’une balle bleue. Cela n’est pas un échantillon improbable. Et si vous tirer au hasard dans une boite quelque chose qui couine, peut-être que tout dans cette boite couine. Donc même si les bébés observeront moins de preuves de couinement, et ont beaucoup moins d’actions à imiter avec une unique balle qu'avec plusieurs nous avions prédit que les bébés eux-mêmes presseront la boule davantage, et c’est exactement que nous avons trouvé. Donc les bébés de 15 mois, à ce sujet, comme les scientifiques, se soucient si l'échantillon est aléatoire ou non. Et ils emploient ceci pour développer leurs attentes du monde : ce qui couine ou ne couine pas, quoi explorer et quoi ignorer.
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.
Un autre exemple maintenant. Cette fois sur un problème de relation de causalité. Et il commence par la pensée déconcertante que nous avons tous, à savoir que nous faisons partie du monde. Et cela ne vous paraît peut-être pas problématique mais comme tous les problèmes, ce n'en est un que quand les choses vont mal. Prenez ce bébé, par exemple. Les choses vont mal pour lui. Il veut faire marcher ce jouet, mais n’y arrive pas. Je vais vous montrer un clip de quelques secondes. Et il y a en fait deux possibilités : Peut-être fait-il quelque chose de mal, ou alors il y a quelque chose de mal avec le jouet. Donc dans cette prochaine expérience, nous n’allons donner aux bébés que quelques données statistiques privilégiant une hypothèse par rapport à l’autre, et nous verrons si les bébés pourront se baser sur ça pour décider quoi faire.
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.
Voici la situation. Hyowon va essayer de faire fonctionner le jouer et réussir. Je vais ensuite essayer deux fois et échouer les deux fois, et puis Hyowon va encore essayer et réussir. Ceci résume à peu près ma relation avec mes étudiants diplômés en technologie à tous les niveaux. Mais le point important ici est qu’il fournit un petit peu de preuves sur le fait que le problème n'est pas le jouet, mais la personne. Certaines personnes peuvent faire marcher ce jouet et d'autres non. Donc, quand le bébé reçoit le jouet, il va avoir le choix. Sa maman est juste là, afin qu'il puisse aller de l'avant et rendre le jouet puis changer la personne, mais il va aussi y avoir un autre jouet au bout de ce tissu, et il pourra tirer le tissu vers lui pour changer de jouet.
(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.
Alors voyons voir ce que le bébé fait. (Vidéo) HG : Deux, trois. Partez! (Musique) LS : Un, deux, trois, partez! Arthur, je vais essayer encore. Un, deux, trois, partez! YG : Arthur, laisse-moi essayer encore, ok? Un, deux, trois, partez! (Musique) Regarde-ca. Tu te souviens de ces jouets? Tu vois ces jouets? Ouais, je vais placer celui-ci là-bas, et je vais te donner celui-là. Tu peux y aller et jouer. LS : Ok, Laura, bien évidemment, les bébés aiment leurs mamans. Évidemment, ils donnent leurs jouets à leurs mamans quand ils ne marchent pas. A nouveau, la question vraiment importante est ce qui arrive quand nous changeons les données statistiques, juste légèrement. Cette fois-ci, les bébés vont voir le jouet fonctionner et échouer dans le même ordre, mais nous changeons la distribution des preuves. Cette fois-ci, Hyowon va réussir une fois et échouer une fois, et moi de même. Donc cela suggère que peu importe qui essaie ce jouet, le jouet est cassé. Ça ne marche pas tout le temps. De nouveau, le bébé va avoir le choix. Sa maman est juste à côté, le bébé pourra changer de personne, et il y aura un autre jouet au bout du tissu. Regardons ce qu’elle fait.
(Video) HG: Two, three, go! (Music) Let me try one more time. One, two, three, go! Hmm.
(Vidéo) HG : Deux, trois, partez! (Musique) Laisse-moi essayer encore une fois. Un, deux, trois, partez! Hm.
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 : Laisse-moi essayer, Clara. Un, deux, trois, partez! Hm, laisse-moi essayer encore. Un, deux, trois, partez! (Musique) HG : Je vais mettre celui-ci là-bas, et je vais te donner celui-là. Tu peux y aller et jouer. (Applaudissements)
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.
LS: Voilà les résultats de l’expérience. Sur l’axe vertical, vous verrez la distribution des choix des enfants dans chacune des conditions, et vous verrez que la distribution des choix que les enfants font dépend des preuves qu’ils constatent. Donc au cours de leur deuxième année, les bébés peuvent utiliser quelques données statistiques pour décider entre 2 stratégies fondamentalement différentes pour agir dans le monde: demander de l’aide ou explorer. Je viens de vous montrer deux expériences de laboratoire parmi des centaines dans le domaine qui constatent les mêmes résultats, parce que l'idée essentielle est que la capacité des enfants à tirer des conclusions à partir de peu de données est à la source de l'apprentissage culturel de notre espèce. Les enfants découvrent de nouveaux outils à partir de quelques exemples uniquement. Ils forment des relations causales à partir de quelques exemples. Ils apprennent même de nouveaux mots, ici, en langue des signes américaine.
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.
Je veux conclure avec juste deux points. Si vous suivez mon univers, le domaine du cerveau et des sciences cognitives, depuis ces quelques dernières années, trois grandes idées auraient suscité votre attention. La première est qu’il s’agit de l’ère du cerveau. Il y a eu en fait, des découvertes stupéfiantes en neurosciences: localisant des régions fonctionnellement spécialisées du cortex, rendant les cerveaux des souris transparents, activant les neurones grâce à la lumière. La seconde grande idée est que c’est l’ère des données volumineuses et de l’apprentissage automatique. L’apprentissage automatique promet de révolutionner notre compréhension de tout allant des réseaux sociaux à l’épidémiologie. Et peut-être aussi parce qu’il s’attaque aux problèmes de compréhension et de traitement du langage naturel pour nous dire quelque chose à propos de la connaissance humaine. Et la dernière grande idée que vous auriez entendue : il est peut-être bénéfique de savoir tant de choses sur le cerveau et d'avoir autant accès aux données volumineuses; parce que laissés à nous-mêmes, les êtres humains sont faillibles, nous prenons des raccourcis, nous errons, nous faisons des erreurs, nous sommes biaisés, et d’innombrables façons nous comprenons mal le monde. Je pense que ce sont toutes des histoires importantes, et elles ont beaucoup à nous dire sur ce qu'est d'être humain signifie. Mais je vous ai raconté aujourd'hui une histoire bien différente. C’est une histoire sur les esprits et non des cerveaux, et en particulier, c’est une histoire sur les types de calcul que seuls les esprits humains peuvent effectuer impliquant des savoirs riches et structurées ainsi que la capacité à apprendre à partir d’une petite quantité de données, avec seulement quelques exemples. Fondamentalement, il s’agit d’une histoire qui commence avec de très jeunes enfants et qui continue jusqu'au plus grandes réussites de notre culture : de comprendre correctement le monde.
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.
L'esprit humain n’apprend pas seulement à partir de quelques données. L'esprit humain conçoit des idées innovantes. L'esprit humain génère recherche et découverte, et l'esprit humain génère art et littérature, poésie et théâtre. De plus, l'esprit humain prend soin d’autres humains: nos ainés, nos jeunes, nos malades. Nous les guérissons même. Dans les années à venir, nous allons voir des innovations technologiques au-delà de tout ce que nous pouvons envisager, mais il est fort peu probable de voir quoi que ce soit approchant la puissance computationnelle d’un enfant de mon vivant ou du votre. Si nous investissons dans ces plus puissants novices, ainsi que dans leur développement, dans les bébés et enfants ainsi que mères et pères, soignants et enseignants. Les façons dont nous investissons dans nos plus puissantes et élégantes formes de technologie, ingénierie et design, nous ne serions pas en train de rêver d’un futur meilleur,
Thank you very much.
nous serions en train de le planifier.
(Applause)
Merci beaucoup.
(Applaudissements)
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.
Chris Anderson: Laura, merci. J’ai en effet une question pour toi. Tout d’abord, la recherche est insensée. Je veux dire, qui concevrait une expérience comme celle-là? (Rires) J’ai vu ça quelques fois, et je n'arrive toujours pas à croire que ça arrive vraiment, mais d’autres gens ont fait de telles expériences ; ça colle. Les enfants sont vraiment des génies.
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)
LS: Ils sont vraiment impressionnants dans nos expériences, mais pensez à ce qu'ils font dans la vraie vie. D'abord un bébé. 18 mois plus tard, il vous parle, et les premiers mots de bébés ne sont pas juste balles ou canard, c'est plutôt : « tout parti », pour la disparition, ou, « oh-oh », qui fait référence à des actions involontaires. Il doit être aussi puissant. Il doit l'être beaucoup plus que ce que je vous ai montré. Ils comprennent le monde entier. Un enfant de 4 ans peut vous parler de presque tout. (Applaudissements)
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.
CA: Si je vous comprends bien, vous affirmez que ces dernières années on parle beaucoup de l'originalité et la folie de nos cerveaux, de la science du comportement et ses théories ; nous ne sommes pas des agents rationnels. Vous insistez que ce phénomène est extraordinaire et qu’il y a vraiment du génie sous-estimé.
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.
LS: Une de mes citations préférées en psychologie provient du psychologue social Solomon Asch, et il a dit que la tache fondamentale de la psychologie est d'ôter le voile de l'évidence. Il y a des millions de décisions quotidiennes qui font avancer le monde. Vous connaissez les objets et leurs propriétés. Vous les reconnaissez quand ils sont cachés ou dans le noir. Vous pouvez traverser les pièces. Vous pouvez deviner les pensées des autres et leur parler. Vous vous orientez dans l’espace et connaissez les nombres, les relations causales et les raisonnements moraux. Vous faites ceci sans effort, donc nous ne le voyons pas. C’est ainsi qu'on comprend bien le monde, et il s’agit d’une activité remarquable, très difficile à comprendre.
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: Je suppose que des gens dans l’auditoire qui voit l’accélération de la puissance technologique et qui pourraient nier votre affirmation que jamais de notre vivant un ordinateur fera ce qu’un enfant de trois ans fait, mais il est clair que peu importe le scenario, nos machines ont tant à apprendre de nos nourrissons. LS: Des spécialistes de l'apprentissage automatique viendront sur cette scène. Je veux dire, vous ne devriez jamais parier contre des bébés ou chimpanzés, ou la technologie. Mais ce n’est pas juste une différence de quantité, c’est une différence de qualité. On a des ordinateurs incroyablement puissants, et ils font des choses extrêmement sophistiquées, souvent avec des données très volumineuses. L'esprit humain fait quelque chose d’assez diffèrent, et c’est la nature hiérarchique et structurée de la connaissance humaine qui demeure un vrai défi.
CA: Laura Schulz, wonderful food for thought. Thank you so much.
CA: Laura Schulz, très bonne matière à réflexion.
LS: Thank you. (Applause)
LS: Merci. (Applaudissements)