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)
Марку Твену удалось описать основную проблему науки о мышлении одной остроумной фразой. Он сказал: «Всё-таки в науке есть что-то захватывающее. Вложишь какое-то пустяковое количество фактов, а берёшь колоссальный дивиденд в виде умозаключений. Да ещё с процентами». (Смех)
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.
Марк Твен, конечно, шутил, но в чём-то он прав: в науке есть что-то захватывающее. Несколько костей доказывают существование динозавров. По спектральным линиям определена структура туманности. Наблюдая за плодовыми мушками, учёные выявили механизмы наследования. А по восстановленным изображениям кровяных потоков в мозге или, как в моём случае, по поведению детей можно делать выводы о фундаментальных механизмах человеческого мышления. На базе лаборатории когнитивных исследований Массачусетского института в течение последних десяти лет я пыталась разобраться, как дети так много познают о мире из ничего, притом так быстро. Ведь, оказывается, то захватывающее, что есть в науке, есть и в детях, а именно, если перефразировать Марка Твена, их способность к сложным, абстрактным суждениям, сделанным быстро и безошибочно, из скудной, спутанной информации. Я представлю вам два примера. Один касается проблемы обобщения, а второй — причинно-следственной связи. Несмотря на то, что я буду ссылаться только на работу моей лаборатории, успехами исследований мы обязаны всей научной области. Я благодарна наставникам, коллегам и единомышленникам со всего мира.
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.
Позвольте мне начать с вопроса обобщения. Для науки обобщение малых выборок данных — хлеб насущный. По анализу крохотной доли избирателей мы прогнозируем результаты выборов. Мы оцениваем реакцию группы пациентов на клинические испытания препарата — и поставляем лекарства в аптеки страны. Но такой способ работает только с произвольной выборкой. Если бы мы тщательно подбирали людей, например, брали только городских избирателей, или для клинических испытаний лечения сердечных заболеваний брали только мужчин, то результаты были бы неприменимы к широким слоям населения.
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.
Поэтому учёных всегда волнует, случайна ли выборка или нет. Как же это связано с детьми? Детям всё время приходится обобщать, исходя из малого объёма данных. Они видят резиновую уточку и узнают, что она не тонет; или видят мяч и узнают, что он отскакивает. Так они формируют ожидания «поведения» уточек и мячиков, которые будут у них по отношению к этим предметам на протяжении всей жизни. Такие же обобщения, как об уточках и мячах, дети формируют практически обо всём: об обуви, кораблях, сургуче, о королях и капусте.
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.
Волнует ли детей, можно или нет считать мизерные объёмы увиденного достаточно показательными для обобщения? Давайте посмотрим. Я покажу вам два фильма — по одному на каждое из двух условий опыта. И поскольку вы посмотрите только два фильма, вы увидите только двух детей, а между любыми двумя детьми различий не сосчитать. Но оба ребёнка в этом случае представляют разные группы детей, и наблюдаемые различия в их поведении выражают различия в реакции данных групп на условия опыта. В каждом фильме вам, возможно, покажется, что дети делают именно то, чего мы от них ожидаем, ведь ребёнок — это уже само по себе волшебство. Но мне кажется, что здесь волшебство в том, — пожалуйста, обратите на это особое внимание, — насколько противоположны два опыта. Ведь единственная разница между двумя фильмами — это статистические данные, которые будут представлены детям. Мы покажем ребёнку коробку с синими и жёлтыми мячиками. Моя на тот момент дипломница, теперь коллега в Стэнфорде, Хайован Гван, выложит из коробки три синих мячика подряд. Вытаскивая, она их сожмёт, и мячики запищат. А для ребёнка это — как для нас выступление TED. Лучше не придумаешь. (Смех) Важный момент в том, что очень просто вытащить подряд три синих мячика из коробки, в которой больше синих мячиков. Это можно сделать даже с закрытыми глазами. Для данной группы объектов такая выборка довольна показательна. И если вы произвольно вытаскиваете из коробки мячики, которые пищат, то можно предположить, что все мячики в коробке пищат. Потому, вероятно, дети могут ожидать, что и жёлтые мячики тоже пищат. На конце жёлтых мячиков прикреплён стержень, и дети могут делать с ними что-то иное, если захочется. Они могут ими стучать или потрясти их. Но давайте посмотрим, что же делает ребёнок.
(Video) Hyowon Gweon: See this? (Ball squeaks) Did you see that? (Ball squeaks) Cool. See this one? (Ball squeaks) Wow.
(Видео) Хайован Гван: Смотри какой мячик. (Мячик пищит) Ух ты! Видела? (Мячик пищит) Здорово. Смотри этот какой. (Мячик пищит) Вау!
Laura Schulz: Told you. (Laughs)
Лора Шульц: Я же говорила. (Смех)
(Video) HG: See this one? (Ball squeaks) Hey Clara, this one's for you. You can go ahead and play. (Laughter)
(Видео) ХГ: А этот какой! (Мячик пищит) Клара, вот этот тебе. Можешь с ним поиграть. (Смех)
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.
ЛШ: Тут даже не нужно комментировать, так? Итак, здорово, что дети применяют свойства синих мячиков к жёлтым. И то, как дети учатся, копируя наши действия, впечатляет. Но это нам уже давно известно. Самое интересное в том, что произойдёт, если мы покажем ребёнку то же самое, — абсолютно то же самое, ведь сзади коробки есть тайное отделение, откуда мы и берём все мячики, — но только в этот раз мы изменим видимое содержимое, из которого составляется наша выборка. На сей раз мы покажем ребёнку три синих мячика, вытащенных из коробки, в которой больше жёлтых мячиков. И вы знаете, скорее всего, вам не удастся случайно вытащить три синих мячика подряд из коробки, полной жёлтых мячиков. Такая выборка не является показательной. Она предполагает, что, вероятно, Хайован нарочно выбирала синие мячики. Может быть, синие мячики какие-то особенные, и только они пищат. Давайте посмотрим, как реагирует ребёнок.
(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.
(Видео) ХГ: Смотри какой мячик. (Мячик пищит) Гляди, какая игрушка! (Мячик пищит) Как здорово! Смотри. (Мячик пищит) А вот этот тебе. Можешь с ним поиграть.
(Fussing) (Laughter)
(Смех)
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.
ЛШ: Вы только что наблюдали, как два 15-месячных ребёнка ведут себя совершенно по-разному, исходя из наблюдаемой ими вероятностной выборки. Давайте посмотрим на результаты опыта. На оси ординат показан процент детей, которые сжали мячик в каждом из вариантов опыта. Мы видим, что дети с большей долей вероятности делают обобщения, когда выборка репрезентативна, чем когда мы тщательно подбирали мячики. На этом основании мы сделали интересный прогноз. Допустим, вы достали один синий мячик из коробки полной жёлтых мячиков. Вероятно, из такой коробки нельзя достать три синих мячика подряд, но вполне можно достать один. Такая выборка не маловероятна. И если вы в случайном порядке вытащили из коробки что-то пищащее, то, возможно, все мячики в коробке пищат. И хотя у ребёнка будет меньше оснований считать, что все мячики пищат, и меньше действий для копирования в данном опыте с одним мячиком по сравнению с предыдущими, мы предположили, что дети чаще попробуют сжать мячик. И именно так и получилось. Получается, что 15-месячные дети отчасти похожи на учёных, и для них тоже важно, случайна ли выборка или нет. На основе этого дети и формируют понимание мира: что пищит, а что нет; на что обращать внимание, а на что нет.
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.
Сейчас я расскажу вам ещё об одном примере, касающемся причинно-следственной связи. Тут начнём с проблемы сбивающих с толку данных, которая всем знакома, ведь мы все являемся частью мира. Возможно, это покажется вам проблемой только тогда, когда что-то пойдёт не так. Взять, к примеру, ребёнка на экране. У него ничего не получается. Он пытается включить игрушку, но не может. Давайте посмотрим короткое видео. Есть два варианта почему: либо ребёнок что-то делает не так, либо игрушка не работает. В следующем опыте мы покажем ребёнку лишь малую толику статистических данных, подтверждающих одну из наших гипотез, и посмотрим, может ли ребёнок использовать эту информацию, чтобы решить, что делать.
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.
Последовательность такая: Хайован попробует включить игрушку, и у неё получится. Затем я дважды попробую то же, но мне не удастся. После чего Хайован попробует ещё раз, и у неё опять получится. У меня с моими дипломниками всегда так во всём, что касается техники. (Смех) Но, главное, этим мы хотим показать, что проблема не в игрушке, а в человеке. У кого-то получается включить игрушку, у кого-то — нет. Когда мы дадим игрушку ребёнку, ему предстоит сделать выбор. Его мама рядом с ним, поэтому он может передать игрушку другому человеку. Но также на краю скатерти будет лежать такая же игрушка, поэтому он может потянуть скатерть и заменить свою игрушку на новую. Давайте посмотрим, что сделает ребёнок.
(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.
(Видео) ХГ: Два, три. Вперёд! (Музыка) ЛШ: Раз, два, три. Вперёд! Я попробую ещё раз, Артур. Раз, два, три. Вперёд! ХГ: Давай лучше я, Артур. Раз, два, три. Вперёд! (Музыка) Только посмотри. Узнаёшь игрушки? Узнаёшь? Да? Я положу одну вот сюда, а вот эту дам тебе. Можешь с ней поиграть. ЛШ: Вы скажете: «Конечно, Лора, дети просто любят свою маму. И, конечно, они отдадут игрушку маме, если у них что-то не получается». Поэтому главный вопрос в том, что будет, если мы поменяем статистические данные совсем чуть-чуть. На сей раз ребёнок увидит, что игрушка точно так же включается и не включается, но мы изменим последовательность попыток. В этот раз и Хайован, и я один раз сможем включить игрушку, а один раз — нет. А значит, это не зависит от человека — игрушка сломана, она не каждый раз включается. И опять у ребёнка будет выбор: передать игрушку другому человеку, то есть маме, сидящей рядом; или поменять свою игрушку на новую. Давайте посмотрим.
(Video) HG: Two, three, go! (Music) Let me try one more time. One, two, three, go! Hmm.
(Видео) ХГ: «Два, три. Вперёд! (Музыка) Дай-ка я ещё попробую. Раз, два, три. Вперёд! Хм.
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)
ЛШ: Давай лучше я, Клара. Раз, два, три. Вперёд! Хм. Ну-ка, ещё разок. Раз, два, три. Вперёд! (Музыка). ХГ: Я положу вот эту игрушку сюда, а эту дам тебе. Можешь с ней поиграть. (Аплодисменты)
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.
ЛШ: Давайте посмотрим на результаты опытов. По вертикали мы видим, как распределялся выбор детей при каждом из условий. Из этого ясно, что их выбор зависит от того, что они видели. Уже в возрасте двух лет дети, пользуясь мизерным объёмом данных, выбирают между двумя совершенно разными моделями поведения в мире: попросить помощи или исследовать варианты. Я только что показала вам всего два лабораторных опыта из сотен подобных в данной области науки. Потому что самое главное в том, что способность детей делать точные выводы из скудного объёма данных лежит в основе культурного обучения, свойственного нам как виду. Дети запоминают, как пользоваться предметами, всего на нескольких примерах. Они понимают причинно-следственную связь всего на нескольких примерах. Они даже учат новые слова, в данном примере — американский язык жестов.
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.
Мне бы хотелось закончить на двух моментах. Если вы следили за тем, что происходит в области когнитивной науки в последние годы, то вы заметили три важные идеи. Во-первых, мы живём в эпоху активного изучения мозга. В нейробиологии были сделаны поразительные открытия: определены области коры головного мозга, выполняющие различные функции; найден способ, как сделать мозг мыши прозрачным и привести нейроны в действие с помощью света. Вторая важная идея: мы живём в эпоху больших данных и машинного обучения. И именно машинное обучение радикально изменит наше понимание окружающего мира: от социальных сетей до эпидемиологии. И поскольку это затрагивает интерпретацию изображений и обработку естественного языка, возможно, мы больше узнаем о человеческом познании. Последняя важная идея: наверное, хорошо, что мы столько узнаём о человеческом мозге и получаем доступ к большим данным, потому что сами по себе люди склонны ошибаться, мы ищем лёгкие пути, мы путаемся, делаем ошибки, мы зачастую предвзяты, и во многих отношениях мы неверно понимаем окружающий мир. Думаю, все эти книги очень важны, и мы можем многое узнать из них о том, что значит быть человеком, но сегодня я рассказала вам иную историю. Историю разума, а не мозга; историю о том, какие вычисления может производить исключительно только разум человека. Богатые, структурированные знания и способность обучаться, используя небольшие объёмы данных, — всего пара примеров. По большому счёту, я рассказала вам, как начиная с детского возраста и вплоть до великих достижений нашей культуры, мы всё-таки понимаем мир правильно.
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.
Человеческий разум не только обучается на малом количестве информации. В разуме человека появляются принципиально новые идеи. Разум человека рождает исследования и открытия. Разум человека создаёт искусство и литературу, поэзию и театр. И только разум человека заботится о других людях: пожилых, маленьких, больных. Мы даже можем их лечить. В ближайшие годы мы увидим новинки в области технологий, которые я даже не могу представить. Но мы вряд ли увидим что-то хотя бы отдалённо похожее на вычислительные способности детей на нашем веку. Если мы будем вкладывать в развитие самых способных наших учеников — в младенцев и детей, в мам и пап, в воспитательниц и учителей — столько, сколько мы вкладываем в самые мощные и первоклассные виды технологий, проектирования и дизайна, мы не просто будем мечтать о светлом будущем, мы будем его строить.
Thank you very much.
Спасибо большое.
(Applause)
(Аплодисменты)
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.
Крис Андерсон: Спасибо, Лора. Но у меня есть один вопрос. Во-первых, такое исследование — это что-то с чем-то. Кому придёт в голову провести такой опыт? (Смех) Я уже несколько раз его видел, и, честно говоря, до сих пор не могу поверить, что так бывает. Но и другие учёные провели те же опыты — всё сходится. Дети действительно гениальны.
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)
ЛШ: В наших опытах они поистине производят впечатление, а представьте, каковы они в обычной жизни. Всё начинается с младенца. А 18 месяцев спустя, они уже говорят, и их первые слова не «утка» или «мяч», а «Где все?», выражающее потерю близких из вида, или «Ой», означающее непреднамеренное действие. Дети должны быть гениальными. Куда гениальнее, чем то, что я показала. Они пытаются понять целый мир. Четырёхлетний ребёнок уже может говорить с вами о чём угодно. (Аплодисменты)
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.
КА: Если я правильно понял, одна из озвученных вами идей в том, что все эти годы мы говорили о мозге, какой он причудливый и странный, а поведенческая экономика и многочисленные теории считают, что мы не рациональны. Вы говорите, что суть в том, насколько разум удивителен и что в нём скрыт недооценённый гений.
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.
ЛШ: Одна из моих любимых цитат в психологии принадлежит социальному психологу Соломону Ашу. Он сказал: «Основная задача психологии в том, чтобы снять завесу очевидности с того, что нас окружает». Каждый день мы принимаем на порядок больше решений, дающих верное представление о мире. Мы знаем вещи и их свойства, узнаём их даже в темноте. Мы ходим по комнатам. Знаем, что думают окружающие. Мы говорим с ними. Ориентируемся в пространстве. Умеем считать. Понимаем причинно-следственные связи и что хорошо, что плохо. Это происходит без всяких усилий и остаётся незамеченным. Но именно так мы правильно понимаем мир, и это удивительное достижение, которое трудно постичь.
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.
КА: Я подозреваю, что среди наших зрителей есть те, кто верит в технологический прогресс, кто может не разделять ваше утверждение, что на нашем веку компьютеры не достигнут уровня развития трёхлетнего ребёнка. Но, очевидно, в любом случае компьютерам есть чему поучиться у малышей. ЛШ: Да, согласна. У вас будут выступать люди, занимающиеся машинным обучением. Никогда не держите пари против младенцев, шимпанзе или технологий, говорю из опыта. Тут разница не в количестве, а в роде деятельности. У нас есть невероятные компьютеры, которые выполняют удивительно сложные операции с огромным количеством данных. Но человеческий разум делает нечто совершенно другое. И мне кажется, что именно природа человеческого знания с её структурой является главным отличием.
CA: Laura Schulz, wonderful food for thought. Thank you so much.
КА: Лора Шульц. Отличная пища для размышлений. Спасибо большое.
LS: Thank you. (Applause)
ЛШ: Спасибо. (Аплодисменты)