English-Video.net comment policy

The comment field is common to all languages

Let's write in your language and use "Google Translate" together

Please refer to informative community guidelines on TED.com

TED2015

Laura Schulz: The surprisingly logical minds of babies

Laura Schulz: Děti uvažují nečekaně logicky

Filmed
Views 1,632,838

Jak si děti dokáží na základě minima informací osvojovat tak rychle tolik věcí? Kognitivní vědkyně Laura Schulz nám zábavnou formou představí experimentální poznatky, ze kterých plyne, že ještě předtím, než se naši nejmenší naučí mluvit, dokáží se rozhodovat na základě nečekaně logických kritérií.

- Cognitive scientist
Developmental behavior studies spearheaded by Laura Schulz are changing our notions of how children learn. Full bio

Podstatu toho, co zkoumá
kognitivní věda,
00:12
Mark Twain summed up
what I take to be
00:14
one of the fundamental problems
of cognitive science
shrnul Mark Twain jediným
chytrým aforismem:
00:18
with a single witticism.
„Na vědě je cosi podmanivého.
00:20
He said, "There's something
fascinating about science.
00:23
One gets such wholesale
returns of conjecture
Z nepatrné investice v podobě faktů
00:26
out of such a trifling
investment in fact."
získáváme tučné výnosy
v podobě domněnek.“
00:29
(Laughter)
(Smích.)
Twain to řekl v žertu,
ale je to vlastně pravda.
00:32
Twain meant it as a joke,
of course, but he's right:
00:34
There's something
fascinating about science.
Věda je čímsi podmanivá.
00:37
From a few bones, we infer
the existence of dinosuars.
Stačí pár kostí a víme,
že existovali dinosauři.
Ze spektrálních čar vyvozujeme
složení hvězdných mlhovin.
00:42
From spectral lines,
the composition of nebulae.
00:47
From fruit flies,
Na muškách octomilkách
sledujeme mechanismy dědičnosti.
00:50
the mechanisms of heredity,
00:53
and from reconstructed images
of blood flowing through the brain,
A na základě snímků,
jak mozkem protéká krev,
00:57
or in my case, from the behavior
of very young children,
anebo na základě chování dětí,
jemuž se věnuji třeba já,
01:02
we try to say something about
the fundamental mechanisms
studujeme bytostné mechanismy,
01:05
of human cognition.
jak lidé poznávají svět.
Já sama na Oddělení kognitivních
věd a neurověd na MIT
01:07
In particular, in my lab in the Department
of Brain and Cognitive Sciences at MIT,
01:12
I have spent the past decade
trying to understand the mystery
už deset let řeším záhadu,
jak se děti z minima podnětů
naučí tak rychle tolik věcí.
01:16
of how children learn so much
from so little so quickly.
To, co je podmanivého na vědě,
01:20
Because, it turns out that
the fascinating thing about science
01:23
is also a fascinating
thing about children,
je totiž podmanivé i na dětech.
Abych parafrázovala Twaina,
01:27
which, to put a gentler
spin on Mark Twain,
01:29
is precisely their ability
to draw rich, abstract inferences
z investice v podobě útržkovitých,
šumem zatížených dat
01:34
rapidly and accurately
from sparse, noisy data.
děti bleskově získávají bohaté výnosy
přesných abstraktních poznatků.
Ukážu vám to na dvou příkladech.
01:40
I'm going to give you
just two examples today.
První se týká schopnosti zobecňovat
a druhý kauzálního uvažování.
01:42
One is about a problem of generalization,
01:45
and the other is about a problem
of causal reasoning.
01:47
And although I'm going to talk
about work in my lab,
Budu mluvit hlavně o vlastních výzkumech,
01:50
this work is inspired by
and indebted to a field.
ale za mnohé vděčím dalším lidem z oboru.
01:53
I'm grateful to mentors, colleagues,
and collaborators around the world.
Jsem zavázána svým školitelům, kolegům
a spolupracovníkům z celého světa.
Začněme problematikou zobecňování.
01:59
Let me start with the problem
of generalization.
02:02
Generalizing from small samples of data
is the bread and butter of science.
Zobecňování je alfou a omegou vědy.
Na základě průzkumu malého vzorku voličů
odhadujeme výsledky voleb.
02:06
We poll a tiny fraction of the electorate
02:09
and we predict the outcome
of national elections.
Sledujeme, jak hrstka pacientů
reaguje na určitý lék,
02:12
We see how a handful of patients
responds to treatment in a clinical trial,
02:16
and we bring drugs to a national market.
a pak ho zavádíme do lékáren.
02:19
But this only works if our sample
is randomly drawn from the population.
Aby to fungovalo, musíme vzorek
lidí vybrat náhodně.
Pokud bude výběr zkreslený,
02:23
If our sample is cherry-picked
in some way --
pokud oslovíme jen voliče z města
02:26
say, we poll only urban voters,
02:28
or say, in our clinical trials
for treatments for heart disease,
nebo budeme lék na srdce
testovat dejme tomu jen na mužích,
02:32
we include only men --
nebudou závěry zobecnitelné
na širší populaci.
02:34
the results may not generalize
to the broader population.
02:38
So scientists care whether evidence
is randomly sampled or not,
Vědci tudíž musejí dbát
na nahodilost vzorku.
02:42
but what does that have to do with babies?
Ale jak to souvisí s malými dětmi?
02:44
Well, babies have to generalize
from small samples of data all the time.
Děti neustále něco zobecňují
a mají jen malé vzorky dat.
02:49
They see a few rubber ducks
and learn that they float,
Vidí pár gumových kachniček,
a hned pochopí, že všechny plavou.
02:52
or a few balls and learn that they bounce.
A z pár míčků pochopí,
že všechny skáčou.
02:55
And they develop expectations
about ducks and balls
A všechny předpoklady
o míčcích a kachničkách
02:58
that they're going to extend
to rubber ducks and balls
jim už zůstanou na celý jejich život.
03:01
for the rest of their lives.
A úplně stejně jako u míčků a kachniček
03:03
And the kinds of generalizations
babies have to make about ducks and balls
zobecňují i další poznatky:
03:07
they have to make about almost everything:
03:09
shoes and ships and sealing wax
and cabbages and kings.
o botách, o lodích, o vosku,
o zelí či o králích.
Dokáží však děti poznat,
jestli nějaká věc
03:14
So do babies care whether
the tiny bit of evidence they see
03:17
is plausibly representative
of a larger population?
věrohodně zastupuje širší množinu prvků?
Pojďme to zjistit.
03:21
Let's find out.
03:23
I'm going to show you two movies,
Pustím vám dvě nahrávky zachycující
dvě verze téhož experimentu.
03:25
one from each of two conditions
of an experiment,
03:27
and because you're going to see
just two movies,
Na každé z nich uvidíte
jiné malé dítě.
03:30
you're going to see just two babies,
03:32
and any two babies differ from each other
in innumerable ways.
Malé děti se mohou podstatně lišit.
03:36
But these babies, of course,
here stand in for groups of babies,
Ale tyhle děti představují běžné zástupce
03:39
and the differences you're going to see
své věkové skupiny
03:41
represent average group differences
in babies' behavior across conditions.
a na dané podněty
reagují typicky pro svůj věk.
Možná vám bude připadat,
že ty děti dělají vlastně jen to,
03:47
In each movie, you're going to see
a baby doing maybe
03:49
just exactly what you might
expect a baby to do,
co by u malých dětí člověk čekal.
03:53
and we can hardly make babies
more magical than they already are.
A protože jsou to malé děti,
jsou přitom nesmírně kouzelné.
Skutečné kouzlo však podle mě spočívá
v jedné konkrétní věci:
03:58
But to my mind the magical thing,
04:00
and what I want you to pay attention to,
v tom, jak výrazně odlišná
bude reakce dětí
04:02
is the contrast between
these two conditions,
v obou verzích experimentu,
ačkoli se liší jen tím,
04:05
because the only thing
that differs between these two movies
jak velký statistický vzorek
mají děti k dispozici.
04:08
is the statistical evidence
the babies are going to observe.
Nejprve dětem ukážeme bedýnku
modrých a žlutých míčků.
04:13
We're going to show babies
a box of blue and yellow balls,
04:16
and my then-graduate student,
now colleague at Stanford, Hyowon Gweon,
Moje tehdejší studentka,
dnes už kolegyně ze Stanfordu,
Hyowon Gweon,
04:21
is going to pull three blue balls
in a row out of this box,
z té bedýnky vytáhne
tři modré míčky.
04:24
and when she pulls those balls out,
she's going to squeeze them,
A každý vytažený míček
hned zmáčkne
04:27
and the balls are going to squeak.
a on vždycky pískne.
04:29
And if you're a baby,
that's like a TED Talk.
Pro malé děti je to hotový TED talk.
04:32
It doesn't get better than that.
Jsou v sedmém nebi.
04:34
(Laughter)
(Smích.)
Jde ovšem o to, že když jsou míčky
v bedýnce převážně modré,
04:38
But the important point is it's really
easy to pull three blue balls in a row
04:42
out of a box of mostly blue balls.
není divné vytáhnout
tři z nich v řadě.
04:44
You could do that with your eyes closed.
To se vám může povést i naslepo.
Je to věrohodně nahodilý vzorek.
04:46
It's plausibly a random sample
from this population.
A když všechny ty nahodile
vybrané věci pískají,
04:49
And if you can reach into a box at random
and pull out things that squeak,
04:53
then maybe everything in the box squeaks.
možná píská všechno,
co je v té bedýnce.
04:56
So maybe babies should expect
those yellow balls to squeak as well.
Malé děti by si tedy měly myslet,
že pískají i žluté míčky.
05:00
Now, those yellow balls
have funny sticks on the end,
Žluté míčky na sobě mají
připevněné legrační hůlky,
05:02
so babies could do other things
with them if they wanted to.
takže s nimi děti mohou
i bouchat či plácat.
05:05
They could pound them or whack them.
Tak schválně, co s nimi
nakonec udělají.
05:07
But let's see what the baby does.
Hyowon Gweaon: Podívej.
(Míček pískne.)
05:12
(Video) Hyowon Gweon: See this?
(Ball squeaks)
To je, co? (Míček pískne.)
05:16
Did you see that?
(Ball squeaks)
Týjo.
05:20
Cool.
Hele tenhle míček.
05:24
See this one?
(Míček pískne.)
05:26
(Ball squeaks)
Páni!
05:28
Wow.
Laura Schulz: Já vám to říkala.
05:33
Laura Schulz: Told you. (Laughs)
HG: Koukni na tenhle míček.
(Míček pískne.)
05:35
(Video) HG: See this one?
(Ball squeaks)
Hele, Klárko!
05:39
Hey Clara, this one's for you.
You can go ahead and play.
S tímhle míčkem si můžeš hrát.
05:51
(Laughter)
(Smích.)
LS: Ani nemusím nic říkat, viďte?
05:56
LS: I don't even have to talk, right?
Jenže ono je sice hezké,
že děti zobecňují vlastnosti
05:59
All right, it's nice that babies
will generalize properties
všech míčků,
06:02
of blue balls to yellow balls,
a je úchvatné, jak nás
při učení napodobují,
06:03
and it's impressive that babies
can learn from imitating us,
06:06
but we've known those things about babies
for a very long time.
ale to přeci o malých dětech
víme už dávno.
Mnohem zajímavější je,
06:10
The really interesting question
co se stane, když dětem
ukážeme úplně tutéž věc
06:12
is what happens when we show babies
exactly the same thing,
06:15
and we can ensure it's exactly the same
because we have a secret compartment
- a my víme, že je úplně tatáž,
protože ty míčky
taháme z tajné přihrádky -
06:18
and we actually pull the balls from there,
ale změníme přitom statistický vzorek,
06:20
but this time, all we change
is the apparent population
který je východiskem zobecnění.
06:24
from which that evidence was drawn.
06:27
This time, we're going to show babies
three blue balls
V bedýnce teď bude většina míčků žlutá.
06:30
pulled out of a box
of mostly yellow balls,
Ale my z ní opět vytáhneme tři modré.
06:34
and guess what?
A vytáhnout tři modré míčky,
když převládají žluté,
06:35
You [probably won't] randomly draw
three blue balls in a row
to už se běžně nepovede.
06:38
out of a box of mostly yellow balls.
To už není věrohodně
nahodilý vzorek.
06:40
That is not plausibly
randomly sampled evidence.
06:44
That evidence suggests that maybe Hyowon
was deliberately sampling the blue balls.
To už vypadá, jako že Hyowon
vybírala modré míčky schválně.
06:49
Maybe there's something special
about the blue balls.
Třeba proto, že jsou modré míčky zvláštní
06:52
Maybe only the blue balls squeak.
a na rozdíl od žlutých pískají.
Pusťme si reakci dětí.
06:55
Let's see what the baby does.
HG: Koukej. (Míček pískne.)
06:57
(Video) HG: See this?
(Ball squeaks)
Copak to tady mám?
(Míček pískne.)
07:02
See this toy?
(Ball squeaks)
07:05
Oh, that was cool. See?
(Ball squeaks)
To je panečku věc. Hele.
(Míček pískne.)
Tady s tím míčkem
si můžeš hrát.
07:10
Now this one's for you to play.
You can go ahead and play.
07:18
(Fussing)
(Laughter)
(Smích.)
07:26
LS: So you just saw
two 15-month-old babies
LS: Právě jste viděli,
že si 15měsíční děti
07:29
do entirely different things
počínají úplně jinak
07:31
based only on the probability
of the sample they observed.
v závislosti na věrohodnosti vzorku dat.
Tohle jsou výsledky našeho experimentu.
07:35
Let me show you the experimental results.
07:37
On the vertical axis, you'll see
the percentage of babies
Na svislé ose je procentuální podíl dětí,
07:40
who squeezed the ball in each condition,
které v 1. a 2. pokusu mačkaly míček.
07:42
and as you'll see, babies are much
more likely to generalize the evidence
Vidíte, že děti zobecňovaly
jev mnohem častěji,
07:46
when it's plausibly representative
of the population
když byl vzorek věrohodně nahodilý,
07:49
than when the evidence
is clearly cherry-picked.
než když byl zjevně zkreslený.
Z toho plyne zábavná predikce.
07:53
And this leads to a fun prediction:
07:55
Suppose you pulled just one blue ball
out of the mostly yellow box.
Dejme tomu, že z bedýnky, kde převládají
žluté míčky, vytáhnete jeden modrý.
08:00
You [probably won't] pull three blue balls
in a row at random out of a yellow box,
Asi by se vám to nepovedlo
3x za sebou,
ale jeden modrý míček náhodně
vytáhnout můžete.
08:04
but you could randomly sample
just one blue ball.
To je věrohodný vzorek.
08:07
That's not an improbable sample.
08:09
And if you could reach into
a box at random
A pokud ten nahodilý vzorek píská,
08:11
and pull out something that squeaks,
maybe everything in the box squeaks.
třeba píská všechno,
co je v té bedýnce.
Takže i když děti vlastně uvidí
méně pískajících míčků
08:15
So even though babies are going to see
much less evidence for squeaking,
a budou mít méně podnětů k nápodobě
08:20
and have many fewer actions to imitate
08:22
in this one ball condition than in
the condition you just saw,
než v té verzi experimentu,
kterou jsme viděli,
08:25
we predicted that babies themselves
would squeeze more,
čekali jsme,
že budou míček mačkat častěji.
08:29
and that's exactly what we found.
A to se také potvrdilo.
08:32
So 15-month-old babies,
in this respect, like scientists,
15měsíční děti si tudíž
počínají jako vědci.
08:37
care whether evidence
is randomly sampled or not,
Podle toho, zda je, či není
daný vzorek nahodilý,
08:40
and they use this to develop
expectations about the world:
si vytvářejí další předpoklady:
o tom, co píská a co ne;
08:43
what squeaks and what doesn't,
08:45
what to explore and what to ignore.
o tom, co prozkoumat a co nechat být.
Náš druhý experiment se týká
kauzálního uvažování.
08:50
Let me show you another example now,
08:52
this time about a problem
of causal reasoning.
Opírá se o jistou zapeklitost,
kterou všichni známe,
08:55
And it starts with a problem
of confounded evidence
08:57
that all of us have,
totiž že svět funguje po svém.
08:59
which is that we are part of the world.
09:01
And this might not seem like a problem
to you, but like most problems,
Vlastně na tom nic zapeklitého není,
ale jen dokud vše funguje, jak má.
09:04
it's only a problem when things go wrong.
09:07
Take this baby, for instance.
A tomuhle chlapečkovi
09:09
Things are going wrong for him.
něco nefunguje.
09:10
He would like to make
this toy go, and he can't.
Chce zapnout hračku, a ono to nejde.
Pustím vám video.
09:13
I'll show you a few-second clip.
Jsou dvě možnosti:
09:21
And there's two possibilities, broadly:
09:23
Maybe he's doing something wrong,
buď tu hračku ten chlapeček zapíná špatně,
09:25
or maybe there's something
wrong with the toy.
nebo je ta hračka rozbitá.
09:30
So in this next experiment,
A my teď dětem poskytneme ždibec
statistických dat, která svědčí
09:32
we're going to give babies
just a tiny bit of statistical data
buď pro první, nebo druhou možnost.
09:35
supporting one hypothesis over the other,
A budeme sledovat, jak to ovlivní
následnou reakci dětí.
09:38
and we're going to see if babies
can use that to make different decisions
09:41
about what to do.
A uděláme to následovně.
09:43
Here's the setup.
Hyowon zkusí hračku pustit
a povede se jí to.
09:46
Hyowon is going to try to make
the toy go and succeed.
09:49
I am then going to try twice
and fail both times,
Potom to zkusím 2x já,
ale neúspěšně.
Potom zase Hyowom,
které se to povede.
09:52
and then Hyowon is going
to try again and succeed,
09:55
and this roughly sums up my relationship
to my graduate students
Krásně to ukazuje, jak jsem
oproti svým studentům
09:58
in technology across the board.
na štíru s technikou.
Cílem ovšem je,
abychom dítěti nepatrně naznačili,
10:02
But the important point here is
it provides a little bit of evidence
10:05
that the problem isn't with the toy,
it's with the person.
že problém není v hračce,
ale v lidech.
10:08
Some people can make this toy go,
Někdo hračku zapnout umí,
a někdo ne.
10:11
and some can't.
Takže když dítě hračku nezapne,
má na výběr.
10:12
Now, when the baby gets the toy,
he's going to have a choice.
Má tam maminku,
10:16
His mom is right there,
takže může k zapnutí hračky
vyzvat jiného člověka.
10:18
so he can go ahead and hand off the toy
and change the person,
10:21
but there's also going to be
another toy at the end of that cloth,
Ale taky si může přitáhnout ubrus,
na němž leží druhá hračka,
a první hračku vyměnit.
10:24
and he can pull the cloth towards him
and change the toy.
10:28
So let's see what the baby does.
Tak schválně, co udělá.
10:30
(Video) HG: Two, three. Go!
(Music)
HG: Dva, tři. Teď! (Hudba.)
LS: Raz, dva, tři, teď!
10:34
LS: One, two, three, go!
10:37
Arthur, I'm going to try again.
One, two, three, go!
Zkusím to ještě jednou, Arturku.
Raz, dva, tři, teď!
10:45
YG: Arthur, let me try again, okay?
YG: Arturku, můžu to zkusit ještě já?
10:48
One, two, three, go!
(Music)
Raz, dva, tři, teď! (Hudba.)
No koukni. Vidíš ty hračky?
Poznáváš je? Jo?
10:53
Look at that. Remember these toys?
10:55
See these toys? Yeah, I'm going
to put this one over here,
Teď položím jednu sem
10:58
and I'm going to give this one to you.
a s touhle si můžeš hrát.
11:00
You can go ahead and play.
11:23
LS: Okay, Laura, but of course,
babies love their mommies.
LS: "No jasně," říkáte si,
"děti mají rády maminku.
11:27
Of course babies give toys
to their mommies
Je jasné, že když hračku nezapnou,
tak ji dají mamince."
11:30
when they can't make them work.
11:32
So again, the really important question
is what happens when we change
Důležité ovšem je, co se stane,
když statistická data malinko upravíme.
11:35
the statistical data ever so slightly.
Dítě opět uvidí, jak hračka střídavě
funguje a nefunguje.
11:38
This time, babies are going to see the toy
work and fail in exactly the same order,
11:42
but we're changing
the distribution of evidence.
Ale vzorek dat teď rozložíme jinak.
11:45
This time, Hyowon is going to succeed
once and fail once, and so am I.
Hyowon i já hračku jednou zapneme,
a jednou se nám to nepovede.
11:49
And this suggests it doesn't matter
who tries this toy, the toy is broken.
To už naznačuje, že nezáleží na tom,
kdo hračku zapíná. Hračka je rozbitá.
Funguje jenom někdy.
11:55
It doesn't work all the time.
A dítě má opět na výběr.
11:57
Again, the baby's going to have a choice.
Může dát hračku mamince,
aby ji zapnula místo něj,
11:59
Her mom is right next to her,
so she can change the person,
nebo si může přitáhnout
druhou hračku.
12:02
and there's going to be another toy
at the end of the cloth.
Tak schválně, co udělá.
12:05
Let's watch what she does.
HG: Dva, tři, teď. (Hudba.)
12:07
(Video) HG: Two, three, go!
(Music)
12:11
Let me try one more time.
One, two, three, go!
Tak ještě jednou, jo?
Raz, dva, tři, teď!
12:17
Hmm.
Hm.
12:19
LS: Let me try, Clara.
LS: Teď já, Klárko.
Raz, dva, tři, teď!
12:22
One, two, three, go!
Hm.
12:27
Hmm, let me try again.
Tak ještě jednou.
Raz, dva, tři, teď! (Hudba.)
12:29
One, two, three, go!
(Music)
12:35
HG: I'm going
to put this one over here,
HG: Teď dám tuhle hračku sem
12:37
and I'm going to give this one to you.
a s touhle si můžeš hrát.
12:39
You can go ahead and play.
12:58
(Applause)
(Smích. Potlesk.)
LS: Tady jsou výsledky experimentu.
13:04
LS: Let me show you
the experimental results.
13:07
On the vertical axis,
you'll see the distribution
Na svislé ose vidíte, jak se děti
v 1. či 2. případě rozhodovaly.
13:09
of children's choices in each condition,
13:12
and you'll see that the distribution
of the choices children make
A vidíte, že na jejich jednání
mělo vliv to,
13:16
depends on the evidence they observe.
z jaké evidence vycházely.
Děti, kterým nejsou ani dva roky,
volí na základě hrstky statistických dat
13:19
So in the second year of life,
13:21
babies can use a tiny bit
of statistical data
13:24
to decide between two
fundamentally different strategies
mezi diametrálně odlišnými
strategiemi jednání:
13:27
for acting in the world:
poprosit o pomoc
či samostatně prozkoumat.
13:29
asking for help and exploring.
13:33
I've just shown you
two laboratory experiments
K podobným závěrům došly
v našem oboru doslova stovky
13:37
out of literally hundreds in the field
that make similar points,
dalších studií.
Souvisí s tím totiž jedna zásadní věc.
13:40
because the really critical point
13:43
is that children's ability
to make rich inferences from sparse data
Bez dětské schopnosti dedukovat
množství závěrů z útržků dat
13:48
underlies all the species-specific
cultural learning that we do.
bychom si nemohli předávat znalosti,
jak je pro náš druh typické.
Dětem stačí pár příkladů a pochopí,
jak užívat novou pomůcku.
13:53
Children learn about new tools
from just a few examples.
13:58
They learn new causal relationships
from just a few examples.
Z pár příkladů pochopí novou
kauzální souvislost.
Umí si osvojovat i nová slova,
v tomto případě ve znakové řeči.
14:03
They even learn new words,
in this case in American Sign Language.
14:08
I want to close with just two points.
Na závěr pár poznámek.
14:12
If you've been following my world,
the field of brain and cognitive sciences,
Vědy o mozku a kognitivní vědy
v posledních letech vyzdvihují
14:15
for the past few years,
trojici velkých příběhů.
14:17
three big ideas will have come
to your attention.
14:20
The first is that this is
the era of the brain.
První je příběh o tom,
že žijeme v éře mozku.
14:23
And indeed, there have been
staggering discoveries in neuroscience:
V neurovědách došlo k převratným objevům:
lokalizace funkčně specifických
oblastí mozkové kůry,
14:27
localizing functionally specialized
regions of cortex,
14:30
turning mouse brains transparent,
zprůhlednění mozku myši,
aktivace neuronů světlem.
14:33
activating neurons with light.
14:36
A second big idea
Druhým velkým příběhem je,
14:38
is that this is the era of big data
and machine learning,
že žijeme v éře velkých dat
a učících se strojů.
14:43
and machine learning promises
to revolutionize our understanding
Strojové učení může revolučně
změnit náš pohled
14:46
of everything from social networks
to epidemiology.
na vše od sociálních sítí
po epidemiologii.
A protože se zabývá
i interpretací vizuálních dat
14:50
And maybe, as it tackles problems
of scene understanding
14:53
and natural language processing,
či fungováním jazyka,
14:55
to tell us something
about human cognition.
možná nám odhalí i něco o tom,
jak poznáváme svět.
A poslední velký příběh je,
14:59
And the final big idea you'll have heard
15:01
is that maybe it's a good idea we're going
to know so much about brains
že je přínosné mozek zkoumat
a mít přístup k množství dat.
15:05
and have so much access to big data,
Bez vnější korekce totiž lidé
snadno podléhají klamům,
15:06
because left to our own devices,
15:09
humans are fallible, we take shortcuts,
uvažují zkratkovitě,
15:13
we err, we make mistakes,
mýlí se,
chybují,
jsou předpojatí
15:16
we're biased, and in innumerable ways,
a jejich poznatky o světě
jsou v mnoha ohledech scestné.
15:20
we get the world wrong.
Všechny ty příběhy slýcháme
a jsou důležité.
15:24
I think these are all important stories,
Prozrazují nám spoustu
o naší přirozenosti.
15:27
and they have a lot to tell us
about what it means to be human,
Ale dnes jsem tu chtěla vyzdvihnout
úplně jiný příběh.
15:31
but I want you to note that today
I told you a very different story.
Nemluvila jsem o mozku,
ale o lidské mysli.
15:35
It's a story about minds and not brains,
O tom, jak je lidská mysl jedinečná
15:39
and in particular, it's a story
about the kinds of computations
a jak výkonně zpracovává informace.
15:42
that uniquely human minds can perform,
Z nepatrného množství dat,
15:45
which involve rich, structured knowledge
and the ability to learn
z pár příkladů,
dokážeme vyvodit a osvojit si
15:49
from small amounts of data,
the evidence of just a few examples.
celá kvanta ucelených poznatků.
Vyprávěla jsem vám příběh,
15:56
And fundamentally, it's a story
about how starting as very small children
který vede od nejmenších dětí
poznávajících svět
16:00
and continuing out all the way
to the greatest accomplishments
až k těm největším úspěchům
celé naší kultury.
16:04
of our culture,
Naše poznatky o světě
tudíž nejsou scestné.
16:08
we get the world right.
16:12
Folks, human minds do not only learn
from small amounts of data.
A vězte, že získáváním poznatků
z hrstky dat
schopnosti lidské mysli nekončí.
Lidská mysl přichází
s novými myšlenkami.
16:18
Human minds think
of altogether new ideas.
Lidská mysl stojí za vědeckým
výzkumem a za objevy.
16:20
Human minds generate
research and discovery,
16:23
and human minds generate
art and literature and poetry and theater,
Lidská mysl stojí za uměním, literaturou,
poezií a dramatem.
16:29
and human minds take care of other humans:
A lidská mysl se stará o ostatní lidi:
16:32
our old, our young, our sick.
o nejstarší, o nejmenší, o nemocné,
16:36
We even heal them.
které dokonce uzdravujeme.
16:39
In the years to come, we're going
to see technological innovations
V následujících letech zažijeme
technický pokrok,
16:42
beyond anything I can even envision,
který si ani neumím představit.
Ale počítačů,
16:46
but we are very unlikely
které by se svým výkonem
16:48
to see anything even approximating
the computational power of a human child
alespoň přiblížily našim dětem,
se já ani vy
16:54
in my lifetime or in yours.
patrně nedožijeme.
Pokud investujeme do rozvoje
těch nejlepších studentů,
16:58
If we invest in these most powerful
learners and their development,
17:03
in babies and children
tedy do našich malých i velkých dětí,
ale i do jejich matek a otců,
17:06
and mothers and fathers
17:08
and caregivers and teachers
vychovatelů a učitelů,
pokud na ně vynaložíme tolik peněz
17:11
the ways we invest in our other
most powerful and elegant forms
jako na vývoj a design
té nejvýkonnější techniky,
17:15
of technology, engineering and design,
už nebudeme o lepších zítřcích jen snít,
17:18
we will not just be dreaming
of a better future,
17:21
we will be planning for one.
ale budeme k nim mířit.
17:23
Thank you very much.
Děkuji vám.
(Potlesk.)
17:25
(Applause)
17:29
Chris Anderson: Laura, thank you.
I do actually have a question for you.
Chris Anderson: Lauro, děkuji.
Než se začnu ptát, musím říct,
17:34
First of all, the research is insane.
že mi jde z toho hlava kolem.
17:36
I mean, who would design
an experiment like that? (Laughter)
Jak někoho něco takového
vůbec napadne?
(Smích.)
17:41
I've seen that a couple of times,
Viděl jsem to už poněkolikáté
a pořád mi to přijde k nevíře.
17:42
and I still don't honestly believe
that that can truly be happening,
17:46
but other people have done
similar experiments; it checks out.
Je to tedy kompletně ověřené
a malé děti jsou prostě geniální?
17:49
The babies really are that genius.
17:50
LS: You know, they look really impressive
in our experiments,
LS: Musíte vzít v potaz,
že v běžném životě to mají
ještě těžší než v těch experimentech.
17:53
but think about what they
look like in real life, right?
Když je dítěti rok a půl,
tak umí sotva pár slov.
17:56
It starts out as a baby.
17:57
Eighteen months later,
it's talking to you,
A nejsou to slova jako
"míček" nebo "kachnička".
17:59
and babies' first words aren't just
things like balls and ducks,
Ale slova jako "není",
když něco zmizí,
18:02
they're things like "all gone,"
which refer to disappearance,
nebo "bác", když něco spadne.
18:05
or "uh-oh," which refer
to unintentional actions.
Takže jejich schopnost učit se
prostě musí být ohromná.
18:07
It has to be that powerful.
18:09
It has to be much more powerful
than anything I showed you.
Se čtyřletým dítětem už si můžete
povídat skoro o čemkoliv.
18:12
They're figuring out the entire world.
18:14
A four-year-old can talk to you
about almost anything.
(Potlesk.)
18:17
(Applause)
18:19
CA: And if I understand you right,
the other key point you're making is,
CA: Jak jste ve své přednášce poukázala,
18:22
we've been through these years
where there's all this talk
poslední dobou se hodně mluví o tom,
jak je naše mysl promořená chybami.
18:25
of how quirky and buggy our minds are,
18:27
that behavioral economics
and the whole theories behind that
Podle behaviorální ekonomie
jednáme často iracionálně.
18:29
that we're not rational agents.
18:31
You're really saying that the bigger
story is how extraordinary,
Vy ale naopak zdůrazňujete,
že naše mysl je mimořádná
18:35
and there really is genius there
that is underappreciated.
a že vlastně nedoceňujeme,
jak je ve skutečnosti geniální.
18:40
LS: One of my favorite
quotes in psychology
LS: Mám moc ráda jeden citát
od psychologa Solomana Asche:
18:42
comes from the social
psychologist Solomon Asch,
"Bytostným úkolem psychologie je
strhávat z věcí roušku samozřejmosti."
18:45
and he said the fundamental task
of psychology is to remove
18:47
the veil of self-evidence from things.
18:50
There are orders of magnitude
more decisions you make every day
Abychom ve světě mohli fungovat,
zpracováváme denně
neskutečné množství dat.
18:55
that get the world right.
Známe různé objekty
a jejich vlastnosti.
18:56
You know about objects
and their properties.
18:58
You know them when they're occluded.
You know them in the dark.
Poznáme je třeba i po tmě.
Můžeme se procházet po bytě.
19:01
You can walk through rooms.
Umíme uhodnout, co si jiní lidé myslí.
Mluvíme s nimi.
19:02
You can figure out what other people
are thinking. You can talk to them.
Pohybujeme se prostorem.
Máme koncept čísel.
19:06
You can navigate space.
You know about numbers.
Víme, jak co funguje.
Máme morálku.
19:08
You know causal relationships.
You know about moral reasoning.
Všechno to nevědomě zpracováváme,
abychom mohli ve světě fungovat.
19:11
You do this effortlessly,
so we don't see it,
19:14
but that is how we get the world right,
and it's a remarkable
Je to neuvěřitelný, skoro
nepředstavitelný výkon.
19:16
and very difficult-to-understand
accomplishment.
CA: Řekl bych, že by s vámi
někteří diváci asi nesouhlasili,
19:19
CA: I suspect there are people
in the audience who have
19:21
this view of accelerating
technological power
že se nedožijeme počítačů,
které by uměly totéž co tříleté děti.
19:24
who might dispute your statement
that never in our lifetimes
19:27
will a computer do what
a three-year-old child can do,
Ale asi je bez debat,
19:29
but what's clear is that in any scenario,
že se stroje v každém případě
19:32
our machines have so much to learn
from our toddlers.
mají od batolat ještě hodně co učit.
19:38
LS: I think so. You'll have some
machine learning folks up here.
LS: Asi je fakt, že tu jsou
i fandové strojového učení.
19:41
I mean, you should never bet
against babies or chimpanzees
A já věřím, že není
na místě být proti dětem
ani šimpanzům ani technice.
19:45
or technology as a matter of practice,
Aspoň ne jen tak ze zásady.
19:49
but it's not just
a difference in quantity,
Ale tady jde o zásadní rozdíl,
který není jen kvantitativní.
19:53
it's a difference in kind.
Máme neuvěřitelně výkonné počítače
19:55
We have incredibly powerful computers,
19:57
and they do do amazingly
sophisticated things,
schopné ohromně důmyslných výpočtů,
20:00
often with very big amounts of data.
často s obrovským množstvím dat.
Ale lidská mysl funguje jinak.
20:03
Human minds do, I think,
something quite different,
20:05
and I think it's the structured,
hierarchical nature of human knowledge
Lidé své znalosti třídí
a hierachicky uspořádávají,
20:09
that remains a real challenge.
což je pro počítač stále výzva.
20:11
CA: Laura Schulz, wonderful
food for thought. Thank you so much.
CA: To byla vydatná porce myšlenek
od Laury Schulz. Děkujeme.
20:14
LS: Thank you.
(Applause)
LS: Děkuji.
(Potlesk.)
Translated by Honza Prokes
Reviewed by Ivan Prokůpek

▲Back to top

About the speaker:

Laura Schulz - Cognitive scientist
Developmental behavior studies spearheaded by Laura Schulz are changing our notions of how children learn.

Why you should listen

MIT Early Childhood Cognition Lab lead investigator Laura Schulz studies learning in early childhood. Her research bridges computational models of cognitive development and behavioral studies in order to understand the origins of inquiry and discovery.

Working in play labs, children’s museums, and a recently-launched citizen science website, Schultz is reshaping how we view young children’s perceptions of the world around them. Some of the surprising results of her research: before the age of four, children expect hidden causes when events happen probabilistically, use simple experiments to distinguish causal hypotheses, and trade off learning from instruction and exploration.

More profile about the speaker
Laura Schulz | Speaker | TED.com