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 szellemesen mutatott rá találó mondásában, hogy mi a legnagyobb gond a megismeréstudománnyal: "Döbbenetes, hogy a tudományban mennyi feltevést kaphatunk oly kevés tényért cserébe." (Nevetés)
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.
Twain ezt persze viccnek szánta, de igaza van. Van valami döbbenetes a tudományban. Egy pár csontból a dinoszauruszok létezésére következtethetünk. Spektrumanalízissel egész csillagködök összetételét tudjuk megmondani. Muslicák vizsgálatával az öröklés mechanizmusát kutatjuk, és az agy véráramának képeiből, vagy a nagyon fiatal gyermekek viselkedéséből az emberi észlelés alapvető mechanizmusait tárhatjuk fel. Az MIT megismeréstudományi és agykutató laborjában dolgozom, s az elmúlt évtizedet e rejtély feltárásával töltöttem: hogyan tanulnak a gyerekek olyan sokat és gyorsan, oly kevés információból. Mert kiderült, hogy ami döbbenetes a tudományban, az döbbenetes a gyerekekben is, és Mark Twain gondolatát alkalmazva. gyorsan, pontosan képesek bőséges és absztrakt következtetéseket levonni hiányos vagy zavaros adatokból. Két ilyen példáról szeretnék ma beszélni. Az egyik az általánosítás kérdése, a másik pedig az ok-okozati kapcsolattal függ össze. Bár saját munkámat ismertetem, sokaknak tartozom az ösztönzésért. Hálás vagyok mentoraimnak, kollégáimnak és közreműködőimnek a világ minden táján.
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.
Kezdjük az általánosítás kérdésével. A tudományban gyakran kis mintákból vonunk le általános következtetést. Egy pár embert megkérdezünk, kire szavaz, s előrejelezzük az országos választási eredményt. Ha a páciensek egy része jól reagál egy gyógyszerkísérlet során, piacra dobhatunk egy új terméket. De ez csak véletlen mintavételkor működik. Ha választásunkat befolyásolja valamilyen tényező, például csak városi szavazókat, vagy csak férfiakat vonunk be egy új szívgyógyszernél a kísérleti alkalmazásba, az eredmények nem lesznek érvényesek a nagyobb népességre.
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.
A tudósok tehát figyelnek rá, hogy a mintavétel véletlenszerű legyen, de mi köze ennek a csecsemőkhöz? Nos, a csecsemőknek egyfolytában kis mintákból kell általánosítaniuk. Látnak egy pár gumikacsát, és megtanulják, hogy azok lebegnek, labdával játszanak, és rájönnek, hogy az pattog. Később már számítanak a lebegésre és a pattogásra, sőt, más gumikacsákról és labdákról is előre tudják, hogyan fognak viselkedni. Képesnek kell lenniük nemcsak labdákról és kacsákról, hanem majd mindenről ilyen általánosításra. Cipőkről, hajókról, pecsétviaszról, káposztákról, királyokról.
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.
A babákat vajon érdekli-e, hogy a látott pici bizonyíték meggyőzően képviseli a nagyobb népességet? Vizsgáljuk meg! Most két filmet látnak egy kísérletről, amelyet kétféle feltétel között végeztek, s mivel csak ezt a két filmet néznek meg, csak két babát fognak látni. Két tetszőleges baba számtalan dologban különbözik egymástól. Ezek a babák persze babák csoportját jelképezik, a különbségek a csoportok közti átlagos különbséget képviselik, amely a kétféle feltételre adott viselkedésben fejeződik ki. Mindkét filmben a babák azt csinálják, amit egy babától elvárnánk, és ugyan nem ruházhatjuk fel őket varázserővel, de szerintem a varázslatos — erre fel is hívom a figyelmüket —, a két feltétel közti különbség. A filmek közti egyetlen különbség a statisztikai erejű bizonyíték, melyet a babák megfigyelnek. Egy doboznyi kék és sárga labdát mutatunk a babáknak, aztán Hyowon Gweon, régi tanítványom, aki most már stanfordi munkatársam, zsinórban három kék labdát húz a dobozból, közben összenyomja őket, a labda pedig sípolni fog. Egy baba számára ez egy kész TED-előadás, ami nem is lehetne tudományosabb. (Nevetés) De ebből az a lényeg, hogy zsinórban könnyű három kék labdát húzni egy zömmel kék labdát tartalmazó dobozból. Csukott szemmel is menne. Ez meggyőzően véletlen mintavétel. Ha véletlenszerűen húzunk ki sípoló labdákat a dobozból, akkor a dobozban talán csak sípoló labdák vannak. A babáknak tehát arra kéne számítaniuk, hogy a sárga labdák is sípolnak. A sárga labdáknak nyelük van, tehát a babák, ha akarják, másra is használhatják őket. Ütögethetik, odaverhetik őket. De nézzük, mi történt a kísérletben.
(Video) Hyowon Gweon: See this? (Ball squeaks) Did you see that? (Ball squeaks) Cool. See this one? (Ball squeaks) Wow.
(Film) Hyowon Gweon: Látod ezt? (Sípol a labda) Láttad ezt? (Sípol a labda) Remek! Látod ezt itt? (Sípol a labda) Tyűha!
Laura Schulz: Told you. (Laughs)
Laura Schulz: Én megmondtam! (Nevet)
(Video) HG: See this one? (Ball squeaks) Hey Clara, this one's for you. You can go ahead and play. (Laughter)
(Film) HG: Látod ezt? (Sípol a labda) Hé, Clara, ez a tied. Játszhatsz vele! (Nevetés)
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: Ezt nem is kell kommentálni, igaz? Rendben, hogy a babák egy kalap alá veszik a kék és sárga labdák tulajdonságait, és lenyűgöző, ahogy utánzás révén tanulnak tőlünk, de ezt már réges-rég tudtuk a babákról. . Az érdekes kérdés most jön: Mi történik, ha a babáknak ugyanazt a tárgyat mutatjuk, biztosan ugyanazt, mert van egy titkos rekeszünk, és a labdákat onnan húzzuk elő, de ezúttal megváltoztatjuk a populációt, amelyből kihúzzuk a labdákat. Ezúttal három kék labdát mutatunk a babáknak, amelyeket zömmel sárga labdákat rejtő dobozból húztuk, És mi történik? Valószínűség alapján nehéz zsinórban három kéket húzni zömmel sárgákat tartalmazó dobozból. Itt tehát kétséges a véletlen mintavétel. A tények azt sejtetik, hogy Hyowon talán szándékosan húz csak kéket, a kékek talán valami miatt különlegesek lehetnek. Talán csak a kék labdák sípolnak. Nézzük, mi történik!
(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.
(Film) HG: Látod ezt? (Sípol a labda) Látod ezt a játékot? (Sípol a labda) Ó, ez klassz volt! Látod? (Sípol a labda) Tessék, ez a tied, játszhatsz vele!
(Fussing) (Laughter)
(Bébihang) (Nevetés)
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: Önök most láttak két 15 hónapos babát, akik teljesen eltérően reagáltak, az eltérést csak a megfigyelt minta okozta. Lássuk a kísérlet eredményeit! A függőleges tengely mutatja a labdát mindig megnyomó babákat, százalékban, és látható, hogy ha a minta meggyőzően reprezentatív, akkor a babák nagyobb arányban általánosítanak, mint akkor, ha egyértelműen nem az. Ez egy érdekes következtetésre vezet. Ha egy kéket húzunk egy zömmel sárgákat rejtő dobozból, így valószínűtlen, hogy egymás után három kéket húzunk ki, de egy kék még lehet véletlenszerű. Ez még hihető. Ha véletlenszerűen nyúlunk a dobozba, majd kihúzunk egy sípoló tárgyat, lehet, hogy minden tárgy sípol benne. Bár a babák sokkal kevesebb bizonyítékot látnak a sípolásra, és sokkal kevesebb az esélyük utánozni a viselkedést ebben az egylabdás kísérletben az előzőhöz képest, mi azt feltételeztük, hogy a babák többször fogják összenyomni a labdát, és pontosan ez lett az eredmény. Tehát a 15 hónapos babák e tekintetben olyanok, mint a tudósok, figyelik, hogy a bizonyíték véletlen mintán alapul-e vagy sem, és babák eszerint alakítják világképüket: mi sípol és mi nem, mire figyeljenek, és mire ne,
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.
Nézzünk egy másik példát. Ez az ok-okozati összefüggésről szól. Zavaros bizonyítékokkal mindnyájan találkozunk, az életben sok ilyen helyzet adódhat. Ez nem okoz fejfájást, de csak addig, amíg a dolgok rosszra nem fordulnak. Ez a baba például nehézségekkel küzd. Működtetné a játékát, de nem megy. Nézzünk belőle pár másodpercet! Nagyjából két ok lehetséges: vagy valamit a baba rosszul csinál, vagy a játékkal van valami zűr. A következő kísérletben a babáknak kis mennyiségű statisztikai adatot adtunk egyik vagy másik hipotézis támogatására, és meglátjuk, képesek-e dönteni a teendőről ezen adatok alapján.
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.
Íme az alaphelyzet Hyowon sikeresen indítja a játékot. Aztán én kétszer sikertelenül próbálkozom, majd Hyowon még egyszer, sikerrel. A tanítványaimmal is nagyjából így szokott ez menni. De a lényeg: az események azt mutatják, hogy nem a játék a hibás, hanem a személy. Néhányan el tudják indítani a játékot, néhányan nem. Amikor a baba megkapja a játékot, választhat. A mamája jelen van, a baba akár át is adhatja neki, megváltoztatva a személyt, de egy ugyanilyen játék van a kendő végén, a kendőt magához húzva kicserélheti a játékot. Nézzük, mit csinál itt a baba.
(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.
(Film) HG: ... kettő, három, tessék! (Zene) LS: Egy, kettő, három, tessék! Arthur, megpróbálom még egyszer. Egy, kettő, három, tessék! YG: Arthur, még egyszer megpróbálom, jó? Egy, kettő, három, tessék! (Zene) Nézd! Emlékszel ezekre a játékokra? Látod ezeket a játékokat? Most ezt ideteszem, ezt pedig neked adom. Játszhatsz vele. LS: Mondhatják: "Jó, Laura, de a babák imádják az anyjukat, természetesen oda fogják adni a játékot neki, ha az anya képes beindítani." Ismét az a lényeges kérdés, hogy mi lesz, ha változtatunk egy cseppet a statisztikai adatokon. Ezúttal a babák látják, hogy a játék ugyanúgy beindul és nem indul be, de megváltoztatjuk a próbálkozások sorrendjét. Ezúttal Hyowonnak és nekem is egyszer sikerül, egyszer nem, Ez arra utal, hogy mindegy, ki próbálkozik, a játék hibás, nem mindig indul be. Ismét lesz a babának választása: odaadja másnak, pl. jelen lévő anyjának, vagy kicseréli a játékot a kendő végén lévőre. Nézzük, most mihez kezd.
(Video) HG: Two, three, go! (Music) Let me try one more time. One, two, three, go! Hmm.
(Film) HG: Kettő, három, tessék! (Zene) Megpróbálom még egyszer. Egy, kettő, három, tessék! Hmm.
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: Hadd próbáljam meg én, Clara. Egy, kettő, három, tessék! Hmm, hadd próbáljam meg még egyszer. Egy, kettő, három, tessék! (Zene) HG: Ezt most ide teszem, ezt pedig odaadom neked. Játszhatsz vele. (Taps)
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: Íme a kísérleti eredmények. A függőleges tengelyen mérjük a döntések eloszlását az adott kísérleti körülmények között. Láthatják, hogy a döntések eloszlása attól függ, amit tapasztaltak. Tehát a babák már kétévesen kevés statisztikai adat felhasználásával két alapvetően különböző stratégia közül képesek viselkedést választani: segítséget kérjenek-e avagy próbálkozzanak-e tovább. Most csak két kísérletet mutattam be a hasonló célú több száz közül, A legfontosabb eredmény: a gyerek képessége, hogy kevés adatból gazdag következtetést vonjon le, a ránk jellemző fajtaspecifikus kulturális tanuláson alapszik. A gyermek néhány példából megtanulja új eszközök használatát. Új ok-okozati összefüggéseket ismer fel csupán néhány példa alapján. Új szavakat is tanul így, itt pl. az amerikai jelbeszédből.
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.
Végezetül két megjegyzést szeretnék tenni. Ha követték az agykutatást és a megismeréstudományt az elmúlt pár évben, akkor három gondolatra figyelhettek fel. Az első gondolat: az agy tanulmányozásának korát éljük. Elképesztő felfedezések születtek az idegrendszer kutatása terén: már tudjuk, hogy az agykéreg mely részei látják el az egyes funkciókat, átlátszóvá tették az egér agyát, neuronokat hoztak működésbe fénnyel. A másik fontos gondolat, hogy a big data és a gépi tanulás korát éljük, A gépi tanulás pedig forradalmasíthatja, hogyan kezeljük ezentúl kezdve a közösségi hálóktól a járványügyig mindent. Mivel ez érinti látványok értelmezését is és a természetes nyelveket, talán még az emberi felfogásról is kiderülhetnek újdonságok. A harmadik jelentős gondolat: talán jó ennyi mindent tudni az agyunkról, és hozzáférni a big data-hoz, mert ha magunkra vagyunk utalva, az ember esendő, elnagyoljuk, elvétjük, elhibázzuk a dolgokat, s számtalan módon vagyunk elfogultak, így téves lesz a világképünk. Szerintem ezek mind értékes tapasztalatok, és sok mindent elárulnak arról, mit jelent embernek lenni, de ma teljesen másféle tapasztalatokról volt szó. Ez a tapasztalat a tudatra, nem pedig az agyra vonatkozik, konkrétan azokról a számításokról, amelyeket csakis emberi elme végezhet, amely gazdag, strukturált tudásra és arra tesz bennünket képessé, hogy kis mennyiségű adatból, pár példából is tudjunk újat tanulni. Alapvetően arról szólt az előadásom, hogy kisgyermekkorunktól kezdve egészen kultúránk legnagyobb eredményeiig helyes képet kapunk a világról.
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.
Nézzék, az emberi elme nem csak kis mennyiségű adatból tanul. Az elme kigondolhat elvileg újat is. Az emberi elme kutat és felfedez, A emberi elme művészetet, irodalmat, költészetet, színházat alkot. Az emberi elme törődik a többi emberrel: időseinkkel, fiataljainkkal, betegeinkkel. Az emberi elme még gyógyítja is őket. A következő években technológiai újításokat látunk majd, olyanokat, amelyeket most még el sem tudok képzelni. De kétséges, hogy olyat lássunk az én életemben vagy az önökében, ami akár csak megközelítené egy gyermeki agy számítási teljesítményét. Ha legtehetségesebb tanulóink fejlődésébe fektetünk be, azaz a babákba és a gyermekekbe, anyákba és apákba, gyerekgondozókba és tanárokba, pont úgy, ahogy a technika más, elegánsabb területeibe fektetünk be, pl. a mérnöki tervezésbe, akkor nemcsak ábrándozunk a jobb jövőről, hanem azt meg is tervezzük.
Thank you very much.
Köszönöm a figyelmet.
(Applause)
(Taps)
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, köszönjük. Van is egy kérdésem hozzád. Először is, a kutatásod őrületes. Mármint, hogy lehet ilyen kísérletet tervezni? (Nevetés) Láttam már párszor ilyet, és őszintén, nem hittem el, hogy ilyen lehetséges. De mások megismételték a kísérleteket, és tényleg így van. A babák valóban ekkora zsenik.
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: Tényleg lenyűgöző, amit a kísérletekben művelnek, de gondoljunk bele, milyenek az életben. Babaként kezdi, Tizennyolc hónapra rá már beszél hozzánk, az első szavai nem a "labda" vagy "kacsa", hanem pl. "elment", ami a látótérből eltűnésre vonatkozik, vagy "ajjaj", ami nem szándékos tettekre utal. Zseniálisnak kell lennie, az eddigeknél még zseniálisabbnak, hisz az egész világot meg kell ismernie. Egy négyéves már majdnem bármiről beszélget. (Taps)
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: Ha jól értem, akkor a másik jelentős gondolat, amire rámutatsz, hogy az utóbbi években csak azt hallottuk, mennyire furcsa és bolondos az elménk, a viselkedési közgazdaságtan és sok elmélet azt állítja: nem vagyunk észlények. Azt mondod, hogy lényegesebb, mennyire rendkívüli az elme, és nem értékeljük eléggé, hogy milyen zseniális lehet.
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: Egyik kedvenc pszichológiai idézetem Solomon Asch szociálpszichológustól: szerinte "A pszichológia alapvető feladata, hogy lebontsa a dolgok magától értetődő voltát." Nagyságrendileg több helyes döntést hozunk minden nap, így helyes a világképünk. Ismerjük a tárgyakat és tulajdonságaikat. Felismerjük őket még a sötétben is. Átmegyünk a szobán. Felfedhetjük, mit gondolnak mások. Beszélhetünk hozzájuk. Tudunk térben tájékozódni, ismerjük a számokat. Értjük az ok-okozati összefüggéseket. Erkölcsi érveket vallunk. Magától értetődik mindez, tehát észrevétlen. De ezért értjük helyesen a világot, és ez egy jelentős, de nehezen érthető eredmény.
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: Gondolom a közönségből páran, akik a műszaki fejlődésben bíznak, talán vitatják a kijelentésedet, hogy az életünkben még nem lesz egy háromévessel felérő számítógép. De akárhogyan is lesz, a gépek sokat tanulhatnának a babáktól. LS: Pontosan. Lesznek itt a gépi tanulásról előadók is. Soha ne fogadjunk babák, csimpánzok vagy a technika ellen. Tapasztalatból beszélek. Ez nemcsak mennyiségi, hanem ugyanúgy minőségi különbség is. Hihetetlenül erős számítógépeink vannak, melyek elképesztően bonyolult dolgokra képesek, hatalmas mennyiségű adatot elemeznek. Az emberi elme valamit másképpen csinál, a különbség, úgy vélem, a strukturált, hierarchikus tudásban rejlik, ezt feltárni pedig embert próbáló feladat.
CA: Laura Schulz, wonderful food for thought. Thank you so much.
CA: Laura Schulz, csodás útravalót adtál nekünk. Köszönjük.
LS: Thank you. (Applause)
LS: Köszönöm! (Taps)