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 vatte een van de meest fundamentele problemen van de cognitieve wetenschap samen in deze quote. Hij zei: "Er is iets fascinerends aan de wetenschap. Zo'n enorme opbrengst uit speculatie met zo'n geringe investering in feiten." (Gelach)
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 maakte een grapje, maar hij heeft wel gelijk. Er is iets fascinerends aan wetenschap. Uit een paar botten kunnen we het bestaan van dinosaurussen afleiden, uit spectraallijnen het ontstaan van interstellaire gas- en stofwolken, uit fruitvliegjes de kenmerken van erfelijkheid en uit gereconstrueerde beelden van bloed dat door het brein stroomt, of, in mijn geval, uit het gedrag van heel jonge kinderen proberen we iets af te leiden over de fundamentele werking van de menselijke cognitie. In mijn lab, bij TU Massachusetts' afdeling cognitieve neurowetenschappen, heb ik de afgelopen tien jaar gewerkt met het vraagstuk hoe kinderen zo snel en zo veel kunnen leren van zo weinig. Want wat zo fascinerend is aan de wetenschap, is ook fascinerend aan kinderen. Namelijk, om het iets milder te zeggen dan Mark Twain, hun vermogen om snel en nauwkeurig rijke en abstracte conclusies te trekken uit schaarse en vage data. Ik zal jullie twee voorbeelden geven. Het eerste heeft te maken met generalisatie, en het tweede met causale verbanden. Ook al zal ik het vooral over mijn eigen werk hebben, dit werk is geïnspireerd door, en te danken aan, een vakgebied. Ik ben alle mentors, collega's en mensen met wie ik heb samengewerkt dankbaar.
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.
Laten we beginnen met het probleem van generalisatie. Een kleine hoeveelheid data generaliseren is dagelijkse kost in de wetenschap. We peilen een kleine fractie van de kiesgerechtigden en voorspellen de uitkomst van landelijke verkiezingen. We kijken hoe een handvol patiënten reageert op een klinische behandeling en we brengen een medicijn op de markt. Maar dit werkt alleen als de proefpersonen willekeurig worden gekozen. Als ze op een of andere manier zijn geselecteerd -- stel dat we alleen mensen in steden peilen, of dat er in onze klinische testen van medicijnen voor hartziektes alleen mannen meedoen, dan kunnen de resultaten niet veralgemeend worden.
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.
Dus wetenschappers willen weten of het om een willekeurige steekproef gaat, maar wat heeft dat te maken met baby's? Baby's moeten constant kleine hoeveelheden data generaliseren. Ze zien een paar badeendjes en leren dat die drijven, of een paar ballen en leren dat die stuiteren. Zo krijgen ze verwachtingen over eenden en ballen die ze zullen overdragen op badeenden en ballen voor de rest van hun leven. En dit soort generalisaties die baby's moeten maken over eenden en ballen moeten ze over bijna alles maken: schoenen en schepen en zegellak en kool en koningen.
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.
Kan het baby's iets schelen of het luttele bewijs dat ze zien representatief is voor een grotere populatie? Laten we eens kijken. Ik laat jullie twee filmpjes zien van twee verschillende condities van een experiment. Omdat jullie maar twee filmpjes zien, zien jullie ook maar twee baby's. Twee verschillende baby's vertonen uiteraard ontelbare verschillen. Maar dit zijn natuurlijk voorbeelden uit twee groepen baby's, en de verschillen die je ziet zijn representatief voor de verschillen per groep voor beide condities. In elk filmpje zie je een baby die waarschijnlijk precies doet wat je van een baby verwacht. We kunnen baby's nou een keer niet nog wonderlijker maken dan ze al zijn. Maar het meest wonderlijke volgens mij, en daar moet je hier op letten, is het verschil tussen de twee condities, want het enige verschil tussen de beide filmpjes is het statistische bewijs dat de baby's in acht nemen. We laten de baby's een doos met blauwe en gele ballen zien, en mijn toenmalige student, nu collega in Stanford, Hyowon Gweon, pakt drie blauwe ballen achter elkaar uit die doos, en telkens als ze een bal pakt, knijpt ze erin en piept de bal. En voor een baby is dat zoiets als een TED-talk. Beter wordt het niet. (Gelach) Waar het om gaat, is dat het eenvoudig is om drie blauwe ballen achter elkaar te pakken uit een doos met vooral blauwe ballen. Dat kun je met ogen dicht doen. Het zou goed een willekeurige steekproef kunnen zijn. En als je willekeurig dingen uit een doos haalt en ze piepen, dan piept misschien wel alles wat in de doos zit. Dus misschien zouden baby's verwachten dat de gele ballen ook piepen. Aan de gele ballen zitten echter grappige stokjes, dus zouden baby's er ook andere dingen mee kunnen doen. Ze kunnen ermee rammelen of slaan. Laten we kijken wat de baby doet.
(Video) Hyowon Gweon: See this? (Ball squeaks) Did you see that? (Ball squeaks) Cool. See this one? (Ball squeaks) Wow.
(Video) Hyowon Gweon: Kijk eens? (Bal piept) Zag je dat? (Bal piept) Wat mooi! Kijk eens naar deze? (Bal piept) Wow.
Laura Schulz: Told you. (Laughs)
Laura Schulz: Ik zei het toch. (Gelach)
(Video) HG: See this one? (Ball squeaks) Hey Clara, this one's for you. You can go ahead and play. (Laughter)
(Video) HG: Kijk eens naar deze? (Bal piept) Kijk, Clara, deze is voor jou. Speel er maar mee. (Gelach)
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: Ik hoef niets meer te zeggen, toch? Oké, het is leuk dat baby's eigenschappen generaliseren van blauwe naar gele ballen, en het is indrukwekkend dat baby's kunnen leren door te imiteren, maar die dingen wisten we al heel lang. De echt interessante vraag is wat er gebeurt als we baby's meermaals exact hetzelfde laten zien. En we weten dat het exact hetzelfde is, want we hebben een geheim vakje waar we de ballen uit halen. Het enige dat we veranderen, is de zichtbare populatie waar het bewijs vandaan komt. Deze keer laten we de baby's drie blauwe ballen zien uit een doos met vooral gele ballen, en wat denk je? Je kunt niet willekeurig drie blauwe ballen achter elkaar uit een doos met vooral gele ballen pakken. Het is niet aannemelijk dat je ze dan willekeurig gekozen hebt. Dat resultaat suggereert dat Hyowon misschien expres de blauwe ballen pakte. Misschien is er iets speciaals aan de blauwe ballen. Misschien piepen alleen de blauwe ballen. Laten we kijken wat de baby doet.
(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.
(Video) HG: Kijk eens? (Bal piept) Kijk eens naar deze? (Bal piept) Oh, dat was leuk. Kijk? (Bal piept) Hier, deze is voor jou om mee te spelen. Toe maar, speel er maar mee.
(Fussing) (Laughter)
(Gerommel) (Gelach)
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: Jullie hebben net twee baby's van 15 maanden gezien die totaal verschillend reageerden, enkel gebaseerd op de waarschijnlijkheid van de proef die ze zagen. Hier zijn de resultaten van het experiment: Op de verticale as zie je het percentage baby's dat in de bal kneep, per conditie. En je ziet: baby's generaliseren het bewijs eerder als het representatief lijkt te zijn voor de populatie dan wanneer het bewijs duidelijk gekozen is. En dit leidt tot een leuke voorspelling: stel dat je maar één blauwe bal pakt uit de doos met vooral gele. Drie blauwe ballen achter elkaar uit een gele doos pakken is onwaarschijnlijk, maar je kunt wel toevallig één blauwe bal pakken. Dat is geen onwaarschijnlijke steekproef. En als je willekeurig iets uit een doos pakt en dat piept, misschien dat alles in die doos dan wel piept. Dus ook al zien de baby's veel minder bewijs voor het piepen, en veel minder voorbeelden om na te doen in deze conditie met één bal dan in de conditie die je net zag, wij voorspelden dat meer baby's in de ballen zouden knijpen, en dat is precies wat er gebeurde. Dus baby's van 15 maanden vinden, net als wetenschappers, het van belang of bewijs uit een willekeurige steekproef komt. En dat passen ze toe als ze verwachtingen over de wereld scheppen: wat piept en wat niet, wat te ontdekken en wat te negeren.
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.
Ik zal nu een ander voorbeeld laten zien, over het probleem van causaal redeneren. En het begint met het verwarrende bewijs waar we allemaal over beschikken, namelijk dat we deel uitmaken van de wereld. Misschien lijkt jullie dat geen probleem, maar zoals meestal, is het alleen een probleem als er iets mis gaat. Neem bijvoorbeeld deze baby. Hij heeft een probleem: hij wil dat dit speeltje werkt en dat lukt niet. Ik laat een paar seconden van het filmpje zien. Er zijn twee mogelijkheden: misschien doet hij iets fout, of misschien is het speeltje kapot. Dus in het volgende experiment geven we de baby's een heel klein beetje statistisch bewijs dat een van de hypotheses ondersteunt en we kijken of baby's dat kunnen gebruiken in hun beslissingen over wat ze moeten doen.
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.
Dit is wat we deden: Hyowon probeert het speeltje en het werkt. Daarna probeer ik het twee keer en beide keren lukt het niet, Hyowon probeert het nog een keer en het werkt. En dit is ongeveer hoe het meestal gaat tussen mij en mijn studenten met de meeste technologische dingen. Maar waar het hier om gaat is dat het enigszins bewijst dat het niet aan het speeltje ligt, maar aan de persoon. Sommige mensen krijgen dit speeltje aan de praat, en andere niet. Wanneer de baby het speeltje krijgt, heeft hij een keuze. Zijn moeder zit naast hem, dus hij kan het meteen aan haar geven en de persoon veranderen. Maar er ligt ook nog speeltje op het kleed, dus hij kan het kleed naar zich toe trekken en het speeltje veranderen. Kijk maar wat de baby doet.
(Video) HG: Two, three. Go! (Music) LS: One, two, three, go! Arthur, I'm going to try again. One, two, three, go! YG: Arthur, let me try again, okay? One, two, three, go! (Music) Look at that. Remember these toys? See these toys? Yeah, I'm going to put this one over here, and I'm going to give this one to you. You can go ahead and play. LS: Okay, Laura, but of course, babies love their mommies. Of course babies give toys to their mommies when they can't make them work. So again, the really important question is what happens when we change the statistical data ever so slightly. This time, babies are going to see the toy work and fail in exactly the same order, but we're changing the distribution of evidence. This time, Hyowon is going to succeed once and fail once, and so am I. And this suggests it doesn't matter who tries this toy, the toy is broken. It doesn't work all the time. Again, the baby's going to have a choice. Her mom is right next to her, so she can change the person, and there's going to be another toy at the end of the cloth. Let's watch what she does.
(Video) HG: Twee, drie, go! (Muziek) LS: Een, twee, drie, go! Arthur, ik probeer het nog een keer. Een, twee drie, go! HG: Arthur, ik probeer het nog eens, oké? Een, twee, drie, go! (Muziek) Kijk eens! Ken je deze speeltjes nog? Zie je ze? Ik leg deze hier neer en deze geef ik aan jou. Speel er maar mee. LS: Ja, Laura, maar natuurlijk houden baby's van hun moeder. Baby's geven hun moeder het speeltje als het niet werkt. Dus het gaat er ook hier weer om wat er gebeurt als we de statistische data een beetje veranderen. Deze keer zien de baby's het speeltje wel en niet werken in dezelfde volgorde, maar we veranderen de distributie van het bewijs. Deze keer lukt het Hyowon één keer wel en één keer niet, en mij ook. En dit suggereert dat het niet uitmaakt wie het probeert, het speeltje is kapot. Het doet het niet altijd. Ook nu heeft de baby weer een keuze. Haar moeder zit naast haar, dus ze kan de persoon veranderen en er is nog een speeltje op het kleed. Kijk maar wat ze doet.
(Video) HG: Two, three, go! (Music) Let me try one more time. One, two, three, go! Hmm.
(Video) HG: Twee, drie, go! (Muziek) Nog een keer. Een, twee, drie, go! 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: Laat mij eens proberen, Clara. Een, twee, drie, go! Hmm, nog een keer. Een, twee, drie, go! (Muziek) HG: Ik leg deze hier neer, en deze geef ik aan jou. Speel er maar mee. (Applaus)
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: Dit zijn de resultaten: op de verticale as zie je de distributie van de keuzes voor de beide condities, en je ziet dat de verdeling van de keuzes die kinderen maken afhangt van het bewijs dat ze zien. Dus in het tweede jaar van hun leven, kunnen baby's wat statistische data gebruiken om te kiezen tussen twee fundamenteel verschillende manieren om je te gedragen: hulp vragen en op verkenning gaan. Ik heb jullie net twee experimenten laten zien van de honderden in dit gebied die vergelijkbare dingen aantonen. Het echt cruciale punt is dat het vermogen van kinderen om rijke conclusies te trekken uit weinig data de grondslag is van hoe mensen leren. Kinderen hebben maar een paar voorbeelden nodig om een nieuw apparaat te begrijpen. Ze leren over nieuwe causale verbanden van maar een paar voorbeelden. Ze leren zelfs nieuwe woorden, in dit geval in Amerikaanse gebarentaal.
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.
Ik wil afsluiten met twee punten. Als je mijn vakgebied, de neurocognitieve wetenschappen, hebt gevolgd in de afgelopen paar jaar, dan zullen drie grote ideeën je zijn opgevallen. Het eerste is dat dit het tijdperk is van de hersenen. En inderdaad, er zijn indrukwekkende ontdekkingen gedaan in neurowetenschap: het localiseren van functioneel specifieke gebieden van de cortex, het doorzichtig maken van de hersenen van muizen, neuronen activeren met licht. Een tweede groot idee is dat dit het tijdperk is van veel data en machinaal leren, en machinaal leren lijkt te zorgen voor een revolutie in ons begrip van alles, van sociale netwerken tot epidemiologie. Naarmate vragen opgelost raken rond het begrip van de omgeving en natuurlijke taalverwerking kan het ons misschien iets leren overmenselijke cognitie. En het laatste grote idee is dat het misschien wel goed is dat we zoveel over de hersenen leren en toegang hebben tot zoveel data, want als we aan onszelf zijn overgelaten, dan zijn mensen feilbaar: we nemen een kortere weg, we vergissen ons, we maken fouten, we zijn partijdig, en op ontelbaar veel manieren begrijpen we de wereld verkeerd. Ik denk dat dit allemaal belangrijke ideeën zijn, die ons veel vertellen over de mensheid, maar ik heb jullie vandaag een heel ander verhaal verteld. Een verhaal over het verstand in plaats van over hersens, en vooral over het soort berekeningen die het menselijk verstand kan maken, op basis van rijke, gestructureerde kennis en het vermogen om van een kleine hoeveelheid data te leren, van het bewijs van enkele voorbeelden. In de kern is het een verhaal over hoe we van jongs af aan tot aan de meest indrukwekkende prestaties van onze cultuur, de wereld wél begrijpen.
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.
Het menselijk verstand leert natuurlijk niet alleen van kleine hoeveelheden data. Ons verstand kan nieuwe ideeën bedenken. Ons verstand onderzoekt en ontdekt, en het creëert kunst, literatuur, poëzie en theater. En met het menselijk verstand kunnen we voor andere mensen zorgen: de ouderen, jongeren, zieken. We kunnen ze zelfs genezen. In de komende jaren zullen we technologische innovaties zien, die mijn eigen verbeelding te boven gaan, maar het is zeer onwaarschijnlijk dat we in onze tijd iets zullen zien wat ook maar enigszins lijkt op het calculerende vermogen van een kind. Door te investeren in deze doortastende lerenden en hun ontwikkeling, in baby's en kinderen en moeders en vaders en verzorgers en leraren op dezelfde manier als we investeren in onze andere fantastische, mooie vormen van techniek en design, dromen we niet alleen van een betere toekomst, maar maken we er plannen voor.
Thank you very much.
Dank je wel.
(Applause)
(Applaus)
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, dank je wel. Ik heb nog een vraag voor je. Ten eerste, dit is onderzoek is krankzinnig. Ik bedoel, wie doet er nou zo'n experiment? (Gelach) Ik heb dit een paar keer gezien, en ik geloof nog steeds niet dat het echt is, maar anderen hebben soortgelijke experimenten gedaan; het klopt. De baby's zijn echt zulke genieën.
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: Ze zien er heel indrukwekkend uit in onze experimenten, maar let maar eens op hoe ze er in het echt uitzien. Eerst is het een baby. Achttien maanden later praat het met je, de eerste woordjes beperken zich niet tot dingen als bal of eend, ze zeggen ook dingen als "op" wat verwijst naar verdwijning, of "oh-oh", als iets per ongeluk gebeurt. Hij moet zoveel kunnen. Hij moet veel meer kunnen dan wat ik heb laten zien. Ze zijn de hele wereld aan het ontdekken. Een vierjarige kan over bijna alles met je praten. (Applaus)
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: En als ik het goed begrijp, is jouw andere punt dat er de afgelopen jaren zo vaak is gezegd dat ons verstand maar eigenzinnig en gebrekkig is, de gedragseconomie en al die theorieën daarachter, dat we niet rationeel zijn. Jij legt juist de nadruk op hoe buitengewoon, dat er echte genialiteit is die wordt ondergewaardeerd.
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: Deze quote uit de psychologie is van sociaal psycholoog Solomon Asch; hij zei dat de fundamentele taak van de psychologie is om de sluier van vanzelfsprekendheid weg te nemen. We maken elke dag ontelbaar veel meer beslissingen waaruit blijkt dat we de wereld begrijpen. Je kent objecten en hun eigenschappen. Je kent ze als ze verstopt zijn. Je kent ze in het donker. Je kunt door ruimtes lopen. Je kunt erachter komen wat andere mensen denken. Je kunt met ze praten. Je kunt navigeren. Je kent cijfers. Je kent causale verbanden. Je kan moreel redeneren. Je doet het vanzelf, dus we zien het niet, maar zo begrijpen we de wereld, en dat is een wonderbaarlijke en moeilijk te begrijpen prestatie.
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: Ik vermoed dat er mensen in het publiek zijn die een beeld hebben van technologische ontwikkeling, die het er niet mee eens zijn dat er nooit in ons leven een computer zal doen wat een driejarig kind kan doen, maar wat hier in ieder geval uit blijkt is dat onze apparaten nog heel veel kunnen leren van onze peuters. LS: Ja dat denk ik wel. Machinaal leren zit hier vast ook. Je moet natuurlijk nooit tegen baby's of chimpansees of techniek zijn, enkel uit principe, maar het gaat niet alleen om een verschil in kwantiteit, het is een verschil in aard. We hebben ontzettend slimme computers, en ze doen ongelooflijk geavanceerde dingen, vaak met gigantisch veel data. Mensen doen iets heel anders en ik denk dat het de gestructureerde, hiërarchische aard van onze kennis is, wat een echte uitdaging blijft.
CA: Laura Schulz, wonderful food for thought. Thank you so much.
CA: Laura Schulz, mooi om over na te denken. Dank je wel.
LS: Thank you. (Applause)
LS: Bedankt. (Applaus)