TED2015
Laura Schulz: The surprisingly logical minds of babies
Laura Schulz: As mentes surpreendentemente lógicas dos bebés
Filmed:
Readability: 3.8
1,888,975 views
Como é que os bebés aprendem tanto a partir de tão pouco e tão rapidamente? Numa conversa divertida e experiente, a cientista cognitiva Laura Schulz mostra como os nossos pequeninos tomam decisões com um senso de lógica surpreendentemente forte, muito antes de saberem falar.
Laura Schulz - Cognitive scientist
Developmental behavior studies spearheaded by Laura Schulz are changing our notions of how children learn. Full bio
Developmental behavior studies spearheaded by Laura Schulz are changing our notions of how children learn. Full bio
Double-click the English transcript below to play the video.
00:12
Mark Twain summed up
what I take to be
what I take to be
0
835
2155
Mark Twain resumiu o que eu considero
00:14
one of the fundamental problems
of cognitive science
of cognitive science
1
2990
3120
um dos problemas fundamentais
da ciência cognitiva
da ciência cognitiva
00:18
with a single witticism.
2
6110
1710
apenas numa piada.
00:20
He said, "There's something
fascinating about science.
fascinating about science.
3
8410
3082
Ele disse: "Há algo
fascinante na ciência.
fascinante na ciência.
00:23
One gets such wholesale
returns of conjecture
returns of conjecture
4
11492
3228
"Obtêm-se retornos profundos
da conjetura
da conjetura
00:26
out of such a trifling
investment in fact."
investment in fact."
5
14720
3204
"a partir de investigações
superficiais da verdade".
superficiais da verdade".
00:29
(Laughter)
6
17924
1585
(Risos)
00:32
Twain meant it as a joke,
of course, but he's right:
of course, but he's right:
7
20199
2604
Claro que Twain disse isto a brincar,
mas está correto:
mas está correto:
00:34
There's something
fascinating about science.
fascinating about science.
8
22803
2876
Há algo fascinante na ciência.
00:37
From a few bones, we infer
the existence of dinosuars.
the existence of dinosuars.
9
25679
4261
A partir de alguns ossos, inferimos
a existência de dinossauros.
a existência de dinossauros.
00:42
From spectral lines,
the composition of nebulae.
the composition of nebulae.
10
30910
3871
A partir de linhas espetrais,
a composição de nebulosas.
a composição de nebulosas.
00:47
From fruit flies,
11
35471
2938
A partir de moscas-da-fruta,
00:50
the mechanisms of heredity,
12
38409
2943
os mecanismos da hereditariedade,
00:53
and from reconstructed images
of blood flowing through the brain,
of blood flowing through the brain,
13
41352
4249
e de imagens reconstruídas do sangue
que flui através do cérebro,
que flui através do cérebro,
00:57
or in my case, from the behavior
of very young children,
of very young children,
14
45601
4708
ou no meu caso, do comportamento
de crianças muito novas,
de crianças muito novas,
01:02
we try to say something about
the fundamental mechanisms
the fundamental mechanisms
15
50309
2829
tentamos dizer algo
sobre os mecanismos fundamentais
sobre os mecanismos fundamentais
01:05
of human cognition.
16
53138
1618
da cognição humana.
01:07
In particular, in my lab in the Department
of Brain and Cognitive Sciences at MIT,
of Brain and Cognitive Sciences at MIT,
17
55716
4759
No meu laboratório no Departamento
de Ciências Cognitivas no MIT,
de Ciências Cognitivas no MIT,
01:12
I have spent the past decade
trying to understand the mystery
trying to understand the mystery
18
60475
3654
passei a última década
a tentar perceber o mistério
a tentar perceber o mistério
01:16
of how children learn so much
from so little so quickly.
from so little so quickly.
19
64129
3977
de como as crianças aprendem tanto
a partir de tão pouco e tão rapidamente.
a partir de tão pouco e tão rapidamente.
01:20
Because, it turns out that
the fascinating thing about science
the fascinating thing about science
20
68666
2978
Porque acontece que a coisa
fascinante na ciência
fascinante na ciência
01:23
is also a fascinating
thing about children,
thing about children,
21
71644
3529
também é uma coisa fascinante
nas crianças.
nas crianças.
01:27
which, to put a gentler
spin on Mark Twain,
spin on Mark Twain,
22
75173
2581
Mudando um pouco a frase de Mark Twain,
01:29
is precisely their ability
to draw rich, abstract inferences
to draw rich, abstract inferences
23
77754
4650
é exatamente a capacidade que elas têm
para criar inferências ricas e abstratas
para criar inferências ricas e abstratas
01:34
rapidly and accurately
from sparse, noisy data.
from sparse, noisy data.
24
82404
4661
com rapidez e precisão,
a partir de dados soltos, ruidosos.
a partir de dados soltos, ruidosos.
01:40
I'm going to give you
just two examples today.
just two examples today.
25
88355
2398
Hoje vou dar apenas dois exemplos.
01:42
One is about a problem of generalization,
26
90753
2287
Um é sobre um problema de generalização,
01:45
and the other is about a problem
of causal reasoning.
of causal reasoning.
27
93040
2850
e o outro é sobre um problema
de raciocínio causal.
de raciocínio causal.
01:47
And although I'm going to talk
about work in my lab,
about work in my lab,
28
95890
2525
Apesar de falar sobre o trabalho
no meu laboratório,
no meu laboratório,
01:50
this work is inspired by
and indebted to a field.
and indebted to a field.
29
98415
3460
este trabalho é inspirado
e derivado de um campo.
e derivado de um campo.
01:53
I'm grateful to mentors, colleagues,
and collaborators around the world.
and collaborators around the world.
30
101875
4283
Estou grata a mentores, colegas,
e colaboradores de todo o mundo.
e colaboradores de todo o mundo.
01:59
Let me start with the problem
of generalization.
of generalization.
31
107308
2974
Vou começar com o problema
da generalização.
da generalização.
02:02
Generalizing from small samples of data
is the bread and butter of science.
is the bread and butter of science.
32
110652
4133
Generalizar a partir de poucos dados
é o pão nosso de cada dia na ciência.
é o pão nosso de cada dia na ciência.
02:06
We poll a tiny fraction of the electorate
33
114785
2554
Sondamos uma pequena fração de eleitores
02:09
and we predict the outcome
of national elections.
of national elections.
34
117339
2321
e prevemos o resultado
das eleições nacionais.
das eleições nacionais.
02:12
We see how a handful of patients
responds to treatment in a clinical trial,
responds to treatment in a clinical trial,
35
120240
3925
Vemos como alguns pacientes reagem
ao tratamento num ensaio clínico,
ao tratamento num ensaio clínico,
02:16
and we bring drugs to a national market.
36
124165
3065
e colocamos drogas no mercado nacional.
02:19
But this only works if our sample
is randomly drawn from the population.
is randomly drawn from the population.
37
127230
4365
Mas isto só funciona se a nossa amostra
for obtida aleatoriamente da população.
for obtida aleatoriamente da população.
02:23
If our sample is cherry-picked
in some way --
in some way --
38
131595
2735
Se a nossa amostra for enviesada
de alguma maneira
de alguma maneira
02:26
say, we poll only urban voters,
39
134330
2072
— digamos, sondamos apenas
eleitores urbanos,
eleitores urbanos,
02:28
or say, in our clinical trials
for treatments for heart disease,
for treatments for heart disease,
40
136402
4388
ou então, nos nossos ensaios clínicos
para tratamento de doenças do coração,
para tratamento de doenças do coração,
02:32
we include only men --
41
140790
1881
incluímos apenas homens —
02:34
the results may not generalize
to the broader population.
to the broader population.
42
142671
3158
os resultados podem não representar
a população mais ampla.
a população mais ampla.
02:38
So scientists care whether evidence
is randomly sampled or not,
is randomly sampled or not,
43
146479
3581
Então, os cientistas preocupam-se
se as amostras são aleatórias ou não,
se as amostras são aleatórias ou não,
02:42
but what does that have to do with babies?
44
150060
2015
mas o que é que tem isto a ver com bebés?
02:44
Well, babies have to generalize
from small samples of data all the time.
from small samples of data all the time.
45
152585
4621
Bem, os bebés precisam de generalizar
pequenas amostras de dados o tempo todo.
pequenas amostras de dados o tempo todo.
02:49
They see a few rubber ducks
and learn that they float,
and learn that they float,
46
157206
3158
Veem alguns patos de borracha
e aprendem que eles flutuam,
e aprendem que eles flutuam,
02:52
or a few balls and learn that they bounce.
47
160364
3575
ou veem algumas bolas
e aprendem que elas saltam.
e aprendem que elas saltam.
02:55
And they develop expectations
about ducks and balls
about ducks and balls
48
163939
2951
Desenvolvem expetativas
sobre patos e bolas
sobre patos e bolas
02:58
that they're going to extend
to rubber ducks and balls
to rubber ducks and balls
49
166890
2716
que vão alargar aos
patos de borracha e bolas
patos de borracha e bolas
03:01
for the rest of their lives.
50
169606
1879
para o resto da vida.
03:03
And the kinds of generalizations
babies have to make about ducks and balls
babies have to make about ducks and balls
51
171485
3739
O tipo de generalizações que os bebés
têm que fazer sobre patos e bolas,
têm que fazer sobre patos e bolas,
03:07
they have to make about almost everything:
52
175224
2089
precisam fazer sobre quase tudo o resto:
03:09
shoes and ships and sealing wax
and cabbages and kings.
and cabbages and kings.
53
177313
3917
sapatos, barcos, lacre, couves e reis.
03:14
So do babies care whether
the tiny bit of evidence they see
the tiny bit of evidence they see
54
182200
2961
Será que os bebés reparam
se os pedacinhos de evidências que veem
se os pedacinhos de evidências que veem
03:17
is plausibly representative
of a larger population?
of a larger population?
55
185161
3692
são representantes plausíveis
de uma população mais ampla?
de uma população mais ampla?
03:21
Let's find out.
56
189763
1900
Vamos descobrir.
03:23
I'm going to show you two movies,
57
191663
1723
Vou mostrar dois filmes,
03:25
one from each of two conditions
of an experiment,
of an experiment,
58
193386
2462
um para cada uma
de duas situações de uma experiência.
de duas situações de uma experiência.
03:27
and because you're going to see
just two movies,
just two movies,
59
195848
2438
Como vocês vão ver apenas dois filmes,
03:30
you're going to see just two babies,
60
198286
2136
verão apenas dois bebés,
03:32
and any two babies differ from each other
in innumerable ways.
in innumerable ways.
61
200422
3947
e quaisquer dois bebés diferem entre si
de várias maneiras.
de várias maneiras.
03:36
But these babies, of course,
here stand in for groups of babies,
here stand in for groups of babies,
62
204369
3051
Mas estes bebés, claro,
representam grupos de bebés.
representam grupos de bebés.
03:39
and the differences you're going to see
63
207420
1895
As diferenças que vão ver
03:41
represent average group differences
in babies' behavior across conditions.
in babies' behavior across conditions.
64
209315
5195
representam as diferenças médias
de grupos de bebés em cada situação.
de grupos de bebés em cada situação.
03:47
In each movie, you're going to see
a baby doing maybe
a baby doing maybe
65
215160
2583
Em cada filme, vocês vão ver
um bebé a fazer,
um bebé a fazer,
03:49
just exactly what you might
expect a baby to do,
expect a baby to do,
66
217743
3460
talvez exatamente o que vocês
esperam que um bebé faça,
esperam que um bebé faça,
03:53
and we can hardly make babies
more magical than they already are.
more magical than they already are.
67
221203
4017
e dificilmente podemos tornar os bebés
mais mágicos do que já são.
mais mágicos do que já são.
03:58
But to my mind the magical thing,
68
226090
2010
Mas para mim, a coisa mágica,
04:00
and what I want you to pay attention to,
69
228100
2089
na qual quero que vocês prestem atenção,
04:02
is the contrast between
these two conditions,
these two conditions,
70
230189
3111
é o contraste entre estas duas situações,
04:05
because the only thing
that differs between these two movies
that differs between these two movies
71
233300
3529
porque a única coisa que difere
entre estes dois filmes
entre estes dois filmes
04:08
is the statistical evidence
the babies are going to observe.
the babies are going to observe.
72
236829
3466
são as evidências estatísticas
que os bebés vão observar.
que os bebés vão observar.
04:13
We're going to show babies
a box of blue and yellow balls,
a box of blue and yellow balls,
73
241425
3183
Vamos mostrar aos bebés
uma caixa de bolas azuis e amarelas.
uma caixa de bolas azuis e amarelas.
04:16
and my then-graduate student,
now colleague at Stanford, Hyowon Gweon,
now colleague at Stanford, Hyowon Gweon,
74
244608
4620
A minha ex-aluna, que agora é minha
colega em Stanford, Hyowon Gweon,
colega em Stanford, Hyowon Gweon,
04:21
is going to pull three blue balls
in a row out of this box,
in a row out of this box,
75
249228
3077
vai tirar da caixa
três bolas azuis de seguida.
três bolas azuis de seguida.
04:24
and when she pulls those balls out,
she's going to squeeze them,
she's going to squeeze them,
76
252305
3123
Ao tirar as bolas, ela vai apertá-las,
04:27
and the balls are going to squeak.
77
255428
2113
e as bolas vão chiar.
04:29
And if you're a baby,
that's like a TED Talk.
that's like a TED Talk.
78
257541
2763
Para um bebé,
é como estar numa palestra do TED.
é como estar numa palestra do TED.
04:32
It doesn't get better than that.
79
260304
1904
Não há nada melhor que isto.
04:34
(Laughter)
80
262208
2561
(Risos)
04:38
But the important point is it's really
easy to pull three blue balls in a row
easy to pull three blue balls in a row
81
266968
3659
Mas o que importa é que é fácil
tirar três bolas azuis de seguida
tirar três bolas azuis de seguida
04:42
out of a box of mostly blue balls.
82
270627
2305
de uma caixa com uma maioria
de bolas azuis.
de bolas azuis.
04:44
You could do that with your eyes closed.
83
272932
2060
Podíamos fazer isto de olhos fechados.
04:46
It's plausibly a random sample
from this population.
from this population.
84
274992
2996
É plausível que sejam evidências
aleatórias desta população.
aleatórias desta população.
04:49
And if you can reach into a box at random
and pull out things that squeak,
and pull out things that squeak,
85
277988
3732
Se tiramos duma caixa, ao acaso,
qualquer coisa que chia,
qualquer coisa que chia,
04:53
then maybe everything in the box squeaks.
86
281720
2839
então talvez tudo dentro da caixa chie.
04:56
So maybe babies should expect
those yellow balls to squeak as well.
those yellow balls to squeak as well.
87
284559
3650
Talvez os bebés devessem esperar que
as bolas amarelas também chiassem.
as bolas amarelas também chiassem.
05:00
Now, those yellow balls
have funny sticks on the end,
have funny sticks on the end,
88
288209
2519
Mas as bolas amarelas
têm bastões engraçados na ponta,
têm bastões engraçados na ponta,
05:02
so babies could do other things
with them if they wanted to.
with them if they wanted to.
89
290728
2857
para os bebés fazerem
outras coisas com elas, se quiserem.
outras coisas com elas, se quiserem.
05:05
They could pound them or whack them.
90
293585
1831
Podem amassá-las ou bater com elas.
05:07
But let's see what the baby does.
91
295416
2586
Mas vamos ver o que o bebé faz.
(Vídeo)
05:12
(Video) Hyowon Gweon: See this?
(Ball squeaks)
(Ball squeaks)
92
300548
3343
Hyowon Gweon: Vês isto?
(Bola chia)
05:16
Did you see that?
(Ball squeaks)
(Ball squeaks)
93
304531
3045
Viste?
(Bola chia)
05:20
Cool.
94
308036
3066
Fixe.
05:24
See this one?
95
312706
1950
Vês esta?
05:26
(Ball squeaks)
96
314656
1881
(Bola chia)
05:28
Wow.
97
316537
2653
Uau.
05:33
Laura Schulz: Told you. (Laughs)
98
321854
2113
Laura Schulz: Eu não disse?
05:35
(Video) HG: See this one?
(Ball squeaks)
(Ball squeaks)
99
323967
4031
HG: Estás a ver esta?
(Bola chia)
05:39
Hey Clara, this one's for you.
You can go ahead and play.
You can go ahead and play.
100
327998
4619
Ei, Clara, esta é para ti.
Podes brincar, se quiseres.
Podes brincar, se quiseres.
(Risos)
05:51
(Laughter)
101
339854
4365
05:56
LS: I don't even have to talk, right?
102
344219
2995
LS: Nem preciso dizer nada, certo?
05:59
All right, it's nice that babies
will generalize properties
will generalize properties
103
347214
2899
Tudo bem, é bom que os bebés
generalizem as propriedades
generalizem as propriedades
06:02
of blue balls to yellow balls,
104
350113
1528
das bolas azuis para as amarelas.
06:03
and it's impressive that babies
can learn from imitating us,
can learn from imitating us,
105
351641
3096
É impressionante que os bebés
aprendam por imitação,
aprendam por imitação,
06:06
but we've known those things about babies
for a very long time.
for a very long time.
106
354737
3669
mas já sabemos estas coisas
sobre bebés há muito tempo.
sobre bebés há muito tempo.
06:10
The really interesting question
107
358406
1811
A questão mais interessante
06:12
is what happens when we show babies
exactly the same thing,
exactly the same thing,
108
360217
2852
é o que acontece quando mostramos
exatamente a mesma coisa,
exatamente a mesma coisa,
06:15
and we can ensure it's exactly the same
because we have a secret compartment
because we have a secret compartment
109
363069
3611
e podemos garantir que é a mesma coisa
pois temos um compartimento secreto
pois temos um compartimento secreto
06:18
and we actually pull the balls from there,
110
366680
2110
e tiramos as bolas de lá.
06:20
but this time, all we change
is the apparent population
is the apparent population
111
368790
3478
Mas, desta vez, vamos mudar
a população aparente
a população aparente
06:24
from which that evidence was drawn.
112
372268
2902
a partir da qual foram obtidas as evidências .
06:27
This time, we're going to show babies
three blue balls
three blue balls
113
375170
3553
Desta vez, vamos mostrar
aos bebés três bolas azuis
aos bebés três bolas azuis
06:30
pulled out of a box
of mostly yellow balls,
of mostly yellow balls,
114
378723
3384
tiradas de uma caixa com
a maioria de bolas amarelas,
a maioria de bolas amarelas,
06:34
and guess what?
115
382107
1322
e adivinhem?
06:35
You [probably won't] randomly draw
three blue balls in a row
three blue balls in a row
116
383429
2840
Não é provável tirarmos
três bolas azuis de seguida
três bolas azuis de seguida
06:38
out of a box of mostly yellow balls.
117
386269
2484
de uma caixa com a maioria
de bolas amarelas.
de bolas amarelas.
06:40
That is not plausibly
randomly sampled evidence.
randomly sampled evidence.
118
388753
3747
Isto não é uma prova
de uma amostra aleatória plausível.
de uma amostra aleatória plausível.
06:44
That evidence suggests that maybe Hyowon
was deliberately sampling the blue balls.
was deliberately sampling the blue balls.
119
392500
5123
Estas evidências indicam
que Hyowon escolheu
as bolas azuis, de propósito.
as bolas azuis, de propósito.
06:49
Maybe there's something special
about the blue balls.
about the blue balls.
120
397623
2583
Talvez haja algo especial
nas bolas azuis.
nas bolas azuis.
06:52
Maybe only the blue balls squeak.
121
400846
2976
Talvez apenas as bolas azuis chiem.
06:55
Let's see what the baby does.
122
403822
1895
Vamos ver o que o bebé faz.
06:57
(Video) HG: See this?
(Ball squeaks)
(Ball squeaks)
123
405717
2904
(Vídeo) HG: Vês isto?
(Bola chia)
07:02
See this toy?
(Ball squeaks)
(Ball squeaks)
124
410851
2645
Vês este brinquedo?
(Bola chia)
07:05
Oh, that was cool. See?
(Ball squeaks)
(Ball squeaks)
125
413496
5480
Oh, isto foi fixe! Vês?
(Bola chia)
07:10
Now this one's for you to play.
You can go ahead and play.
You can go ahead and play.
126
418976
4394
Agora, esta é para tu brincares.
Podes brincar se quiser.
Podes brincar se quiser.
07:18
(Fussing)
(Laughter)
(Laughter)
127
426074
6347
(Balbucios)
07:26
LS: So you just saw
two 15-month-old babies
two 15-month-old babies
128
434901
2748
LS: Pronto, acabaram de ver
dois bebés de 15 meses
dois bebés de 15 meses
07:29
do entirely different things
129
437649
1942
a fazer coisas totalmente diferentes,
07:31
based only on the probability
of the sample they observed.
of the sample they observed.
130
439591
3599
com base apenas na probabilidade
da amostra que observaram.
da amostra que observaram.
07:35
Let me show you the experimental results.
131
443190
2321
Vou mostrar os resultados experimentais.
07:37
On the vertical axis, you'll see
the percentage of babies
the percentage of babies
132
445511
2764
No eixo vertical, temos
a percentagem de bebés
a percentagem de bebés
07:40
who squeezed the ball in each condition,
133
448275
2530
que apertaram a bola em cada situação.
07:42
and as you'll see, babies are much
more likely to generalize the evidence
more likely to generalize the evidence
134
450805
3715
Como podemos ver, os bebés
tendem a generalizar as evidências
tendem a generalizar as evidências
07:46
when it's plausibly representative
of the population
of the population
135
454520
3135
quando há uma amostra representativa
plausível da população
plausível da população
07:49
than when the evidence
is clearly cherry-picked.
is clearly cherry-picked.
136
457655
3738
em vez de uma amostra
escolhida propositadamente.
escolhida propositadamente.
07:53
And this leads to a fun prediction:
137
461393
2415
Isto leva a uma previsão divertida:
07:55
Suppose you pulled just one blue ball
out of the mostly yellow box.
out of the mostly yellow box.
138
463808
4868
suponham que tirávamos uma bola azul
da caixa com maioria de bolas amarelas.
da caixa com maioria de bolas amarelas.
08:00
You [probably won't] pull three blue balls
in a row at random out of a yellow box,
in a row at random out of a yellow box,
139
468896
3869
Provavelmente, não tirávamos
três bolas azuis de seguida,
três bolas azuis de seguida,
08:04
but you could randomly sample
just one blue ball.
just one blue ball.
140
472765
2455
mas podíamos tirar aleatoriamente
uma bola azul.
uma bola azul.
08:07
That's not an improbable sample.
141
475220
1970
Isso não é uma amostra improvável.
08:09
And if you could reach into
a box at random
a box at random
142
477190
2224
Se pudéssemos mexer
numa caixa ao acaso
numa caixa ao acaso
08:11
and pull out something that squeaks,
maybe everything in the box squeaks.
maybe everything in the box squeaks.
143
479414
3987
e tirar qualquer coisa que chie,
talvez todas as coisas da caixa chiem.
talvez todas as coisas da caixa chiem.
08:15
So even though babies are going to see
much less evidence for squeaking,
much less evidence for squeaking,
144
483875
4445
Então, mesmo que os bebés estejam
a ver menos evidências para o chiar,
a ver menos evidências para o chiar,
08:20
and have many fewer actions to imitate
145
488320
2242
e tenham muitas menos ações para imitar
08:22
in this one ball condition than in
the condition you just saw,
the condition you just saw,
146
490562
3343
nesta situação de uma bola
que acabámos de ver,
que acabámos de ver,
08:25
we predicted that babies themselves
would squeeze more,
would squeeze more,
147
493905
3892
previmos que os próprios bebés
apertariam mais,
apertariam mais,
08:29
and that's exactly what we found.
148
497797
2894
e foi exatamente isso que vimos.
08:32
So 15-month-old babies,
in this respect, like scientists,
in this respect, like scientists,
149
500691
4411
Então, os bebés de 15 meses,
como se fossem cientistas,
como se fossem cientistas,
08:37
care whether evidence
is randomly sampled or not,
is randomly sampled or not,
150
505102
3088
reparam se as evidências são
amostras aleatórias ou não,
amostras aleatórias ou não,
08:40
and they use this to develop
expectations about the world:
expectations about the world:
151
508190
3507
e usam isso para desenvolver
expetativas sobre o mundo:
expetativas sobre o mundo:
08:43
what squeaks and what doesn't,
152
511697
2182
o que chia e o que não chia,
08:45
what to explore and what to ignore.
153
513879
3145
o que explorar e o que ignorar.
08:50
Let me show you another example now,
154
518384
2066
Agora vou mostrar outro exemplo,
08:52
this time about a problem
of causal reasoning.
of causal reasoning.
155
520450
2730
desta vez sobre um problema
de raciocínio causal.
de raciocínio causal.
08:55
And it starts with a problem
of confounded evidence
of confounded evidence
156
523180
2439
Começa com um problema
de evidências confusas
de evidências confusas
08:57
that all of us have,
157
525619
1672
que todos nós temos,
08:59
which is that we are part of the world.
158
527291
2020
ou seja, que fazemos parte do mundo.
09:01
And this might not seem like a problem
to you, but like most problems,
to you, but like most problems,
159
529311
3436
Isto pode não vos parecer um problema
mas, como a maioria dos problemas,
mas, como a maioria dos problemas,
09:04
it's only a problem when things go wrong.
160
532747
2337
só é um problema
quando as coisas não correm bem.
quando as coisas não correm bem.
09:07
Take this baby, for instance.
161
535464
1811
Vejam este bebé, por exemplo.
09:09
Things are going wrong for him.
162
537275
1705
As coisas não lhe correm bem.
09:10
He would like to make
this toy go, and he can't.
this toy go, and he can't.
163
538980
2271
Ele queria que este brinquedo tocasse,
mas não consegue.
mas não consegue.
09:13
I'll show you a few-second clip.
164
541251
2529
Vou mostrar-vos um vídeo
de alguns segundos.
de alguns segundos.
Há duas possibilidades:
09:21
And there's two possibilities, broadly:
165
549340
1920
09:23
Maybe he's doing something wrong,
166
551260
2634
Talvez ele esteja a fazer algo mal,
09:25
or maybe there's something
wrong with the toy.
wrong with the toy.
167
553894
4216
ou talvez haja algo de errado
com o brinquedo.
com o brinquedo.
09:30
So in this next experiment,
168
558110
2111
Portanto, nesta próxima experiência,
09:32
we're going to give babies
just a tiny bit of statistical data
just a tiny bit of statistical data
169
560221
3297
vamos dar aos bebés
apenas alguns dados estatísticos
apenas alguns dados estatísticos
09:35
supporting one hypothesis over the other,
170
563518
2582
apoiando uma hipótese sobre a outra.
09:38
and we're going to see if babies
can use that to make different decisions
can use that to make different decisions
171
566100
3455
Vamos ver se os bebés conseguem
tomar decisões diferentes
tomar decisões diferentes
09:41
about what to do.
172
569555
1834
quanto ao que fazer.
09:43
Here's the setup.
173
571389
2022
Aqui está a experiência.
09:46
Hyowon is going to try to make
the toy go and succeed.
the toy go and succeed.
174
574071
3030
A Hyowon vai tentar fazer
com que o brinquedo toque e consegue.
com que o brinquedo toque e consegue.
09:49
I am then going to try twice
and fail both times,
and fail both times,
175
577101
3320
Depois, eu vou tentar duas vezes e falhar.
09:52
and then Hyowon is going
to try again and succeed,
to try again and succeed,
176
580421
3112
A Hyowon vai tentar de novo
e vai conseguir,
e vai conseguir,
09:55
and this roughly sums up my relationship
to my graduate students
to my graduate students
177
583533
3172
e isto resume a minha relação
com os meus alunos de pós-graduação
com os meus alunos de pós-graduação
09:58
in technology across the board.
178
586705
2835
em tecnologia.
10:02
But the important point here is
it provides a little bit of evidence
it provides a little bit of evidence
179
590030
3292
Mas o importante aqui é fornecer
um pouco de evidências
um pouco de evidências
10:05
that the problem isn't with the toy,
it's with the person.
it's with the person.
180
593322
3668
de que o problema
não é o brinquedo, é a pessoa.
não é o brinquedo, é a pessoa.
10:08
Some people can make this toy go,
181
596990
2350
Algumas pessoas fazem o brinquedo tocar,
10:11
and some can't.
182
599340
959
e outras não.
10:12
Now, when the baby gets the toy,
he's going to have a choice.
he's going to have a choice.
183
600799
3413
Agora, quando o bebé pega no brinquedo,
ele tem uma escolha.
ele tem uma escolha.
10:16
His mom is right there,
184
604212
2188
A mãe dele está ali,
para ele poder entregar o brinquedo
e mudar de pessoa,
e mudar de pessoa,
10:18
so he can go ahead and hand off the toy
and change the person,
and change the person,
185
606400
3315
10:21
but there's also going to be
another toy at the end of that cloth,
another toy at the end of that cloth,
186
609715
3158
mas também haverá outro brinquedo,
no final daquele pano.
no final daquele pano.
10:24
and he can pull the cloth towards him
and change the toy.
and change the toy.
187
612873
3552
Ele pode puxar o pano
e mudar de brinquedo.
e mudar de brinquedo.
10:28
So let's see what the baby does.
188
616425
2090
Então vamos ver o que o bebé faz.
(Vídeo)
10:30
(Video) HG: Two, three. Go!
(Music)
(Music)
189
618515
4183
HG: Dois, três. Vai!
(Música)
10:34
LS: One, two, three, go!
190
622698
3131
LS: Um, dois, três, vai!
10:37
Arthur, I'm going to try again.
One, two, three, go!
One, two, three, go!
191
625829
7382
Arthur, vou tentar novamente.
Um, dois, três, vai!
10:45
YG: Arthur, let me try again, okay?
192
633677
2600
HG: Arthur, vou tentar de novo, está bem?
10:48
One, two, three, go!
(Music)
(Music)
193
636277
4550
Um, dois, três, vai!
(Música)
10:53
Look at that. Remember these toys?
194
641583
1883
Vê isto.
Lembras-te destes brinquedos?
Lembras-te destes brinquedos?
10:55
See these toys? Yeah, I'm going
to put this one over here,
to put this one over here,
195
643466
3264
Vês estes brinquedos?
Sim, vou pôr este aqui,
Sim, vou pôr este aqui,
10:58
and I'm going to give this one to you.
196
646730
2062
e vou dar-te este.
11:00
You can go ahead and play.
197
648792
2335
Podes brincar se quiseres.
11:23
LS: Okay, Laura, but of course,
babies love their mommies.
babies love their mommies.
198
671213
4737
LS: Ok, Laura, mas é óbvio
que os bebés amam as mamãs.
que os bebés amam as mamãs.
11:27
Of course babies give toys
to their mommies
to their mommies
199
675950
2182
É claro que os bebés vão dar
os brinquedos às mamãs
os brinquedos às mamãs
11:30
when they can't make them work.
200
678132
2030
quando não conseguem pô-los a funcionar.
11:32
So again, the really important question
is what happens when we change
is what happens when we change
201
680162
3593
Novamente, o que importa
é o que acontece,
é o que acontece,
quando mudamos ligeiramente
os dados estatísticos.
os dados estatísticos.
11:35
the statistical data ever so slightly.
202
683755
3154
11:38
This time, babies are going to see the toy
work and fail in exactly the same order,
work and fail in exactly the same order,
203
686909
4087
Desta vez, os bebés vão ver o brinquedo
funcionar e falhar pela mesma ordem,
funcionar e falhar pela mesma ordem,
11:42
but we're changing
the distribution of evidence.
the distribution of evidence.
204
690996
2415
mas mudamos a distribuição das evidências.
11:45
This time, Hyowon is going to succeed
once and fail once, and so am I.
once and fail once, and so am I.
205
693411
4411
Desta vez, a Hyowon vai conseguir
uma vez e falhar uma vez, e eu também.
uma vez e falhar uma vez, e eu também.
11:49
And this suggests it doesn't matter
who tries this toy, the toy is broken.
who tries this toy, the toy is broken.
206
697822
5637
Isto sugere que não importa quem tenta,
o brinquedo está avariado.
o brinquedo está avariado.
Ele nunca funciona.
11:55
It doesn't work all the time.
207
703459
1886
De novo, a bebé vai poder escolher.
11:57
Again, the baby's going to have a choice.
208
705345
1965
11:59
Her mom is right next to her,
so she can change the person,
so she can change the person,
209
707310
3396
A mãe está mesmo ao lado dela,
então ela pode mudar a pessoa,
então ela pode mudar a pessoa,
12:02
and there's going to be another toy
at the end of the cloth.
at the end of the cloth.
210
710706
3204
e haverá outro brinquedo no fim do pano.
Vamos ver o que ela faz.
12:05
Let's watch what she does.
211
713910
1378
(Vídeo)
12:07
(Video) HG: Two, three, go!
(Music)
(Music)
212
715288
4348
HG: Dois, três, vai!
(Música)
12:11
Let me try one more time.
One, two, three, go!
One, two, three, go!
213
719636
4984
Deixa-me tentar de novo.
Um, dois, três, vai!
Um, dois, três, vai!
12:17
Hmm.
214
725460
1697
Hum.
12:19
LS: Let me try, Clara.
215
727950
2692
LS: Deixa-me tentar, Clara.
12:22
One, two, three, go!
216
730642
3945
Um, dois, três, vai!
12:27
Hmm, let me try again.
217
735265
1935
Hum, deixa-me tentar de novo.
12:29
One, two, three, go!
(Music)
(Music)
218
737200
5670
Um, dois, três, vai!
(Música)
12:35
HG: I'm going
to put this one over here,
to put this one over here,
219
743009
2233
HG: Vou deixar este aqui,
12:37
and I'm going to give this one to you.
220
745242
2001
e vou dar-te este.
12:39
You can go ahead and play.
221
747243
3597
Podes brincar, se quiseres.
12:58
(Applause)
222
766376
4897
(Aplausos)
13:04
LS: Let me show you
the experimental results.
the experimental results.
223
772993
2392
LS: Vou mostrar
os resultados experimentais.
os resultados experimentais.
13:07
On the vertical axis,
you'll see the distribution
you'll see the distribution
224
775385
2475
No eixo vertical, temos a distribuição
de escolhas das crianças
de escolhas das crianças
13:09
of children's choices in each condition,
225
777860
2577
para cada situação.
13:12
and you'll see that the distribution
of the choices children make
of the choices children make
226
780437
4551
Podemos ver que as escolhas
que as crianças fazem
que as crianças fazem
13:16
depends on the evidence they observe.
227
784988
2787
dependem das evidências observadas.
13:19
So in the second year of life,
228
787775
1857
Então, no segundo ano de vida,
13:21
babies can use a tiny bit
of statistical data
of statistical data
229
789632
2577
os bebés podem usar alguns
dados estatísticos
dados estatísticos
13:24
to decide between two
fundamentally different strategies
fundamentally different strategies
230
792209
3367
para decidir entre duas estratégias
fundamentalmente diferentes
fundamentalmente diferentes
13:27
for acting in the world:
231
795576
1881
para agir no mundo:
13:29
asking for help and exploring.
232
797457
2743
pedir ajuda e explorar.
13:33
I've just shown you
two laboratory experiments
two laboratory experiments
233
801700
3434
Eu só mostrei duas
experiências de laboratório
experiências de laboratório
13:37
out of literally hundreds in the field
that make similar points,
that make similar points,
234
805134
3691
entre centenas de outras
que mostram resultados parecidos,
que mostram resultados parecidos,
13:40
because the really critical point
235
808825
2392
pois o ponto essencial
13:43
is that children's ability
to make rich inferences from sparse data
to make rich inferences from sparse data
236
811217
5108
é mostrar que a capacidade das crianças
de fazerem deduções com poucos dados
de fazerem deduções com poucos dados
13:48
underlies all the species-specific
cultural learning that we do.
cultural learning that we do.
237
816325
5341
está por trás de toda a aprendizagem
cultural específica que fazemos.
cultural específica que fazemos.
13:53
Children learn about new tools
from just a few examples.
from just a few examples.
238
821666
4597
As crianças aprendem novas ferramentas
a partir de alguns exemplos.
a partir de alguns exemplos.
13:58
They learn new causal relationships
from just a few examples.
from just a few examples.
239
826263
4717
Aprendem novas relações causais
a partir de alguns exemplos.
a partir de alguns exemplos.
14:03
They even learn new words,
in this case in American Sign Language.
in this case in American Sign Language.
240
831928
4871
Até aprendem novas palavras,
neste caso em linguagem gestual.
neste caso em linguagem gestual.
14:08
I want to close with just two points.
241
836799
2311
Vou concluir com apenas dois pontos.
14:12
If you've been following my world,
the field of brain and cognitive sciences,
the field of brain and cognitive sciences,
242
840050
3688
Se vocês têm estado a acompanhar
as ciências cognitivas e do cérebro
as ciências cognitivas e do cérebro
14:15
for the past few years,
243
843738
1927
dos últimos anos,
14:17
three big ideas will have come
to your attention.
to your attention.
244
845665
2415
terão reparado em três grandes ideias.
14:20
The first is that this is
the era of the brain.
the era of the brain.
245
848080
3436
A primeira é que estamos
na era do cérebro.
na era do cérebro.
14:23
And indeed, there have been
staggering discoveries in neuroscience:
staggering discoveries in neuroscience:
246
851516
3669
De facto, houve descobertas
surpreendentes na neurociência:
surpreendentes na neurociência:
14:27
localizing functionally specialized
regions of cortex,
regions of cortex,
247
855185
3436
a localização funcional
de regiões especializadas do córtex,
de regiões especializadas do córtex,
14:30
turning mouse brains transparent,
248
858621
2601
tornando transparentes cérebros de ratos,
14:33
activating neurons with light.
249
861222
3776
ativando neurónios com luz.
14:36
A second big idea
250
864998
1996
A segunda grande ideia
14:38
is that this is the era of big data
and machine learning,
and machine learning,
251
866994
4104
é que estamos na era dos megadados
e da aprendizagem das máquinas,
e da aprendizagem das máquinas,
14:43
and machine learning promises
to revolutionize our understanding
to revolutionize our understanding
252
871098
3141
e isto promete revolucionar
a nossa compreensão de tudo,
a nossa compreensão de tudo,
14:46
of everything from social networks
to epidemiology.
to epidemiology.
253
874239
4667
desde as redes sociais
até à epidemiologia.
até à epidemiologia.
14:50
And maybe, as it tackles problems
of scene understanding
of scene understanding
254
878906
2693
Talvez ao enfrentar problemas
de compreensão contextual
de compreensão contextual
14:53
and natural language processing,
255
881599
1993
e de processamento de linguagem natural,
14:55
to tell us something
about human cognition.
about human cognition.
256
883592
3324
isto nos possa dizer algo
sobre a cognição humana.
sobre a cognição humana.
14:59
And the final big idea you'll have heard
257
887756
1937
E a última grande ideia
15:01
is that maybe it's a good idea we're going
to know so much about brains
to know so much about brains
258
889693
3387
é que talvez seja uma boa ideia
virmos a saber muito sobre o cérebro
virmos a saber muito sobre o cérebro
15:05
and have so much access to big data,
259
893080
1917
e termos muito acesso aos megadados,
15:06
because left to our own devices,
260
894997
2507
pois, se ficarmos entregues a nós próprios,
15:09
humans are fallible, we take shortcuts,
261
897504
3831
os seres humanos são falíveis,
usamos atalhos,
usamos atalhos,
15:13
we err, we make mistakes,
262
901335
3437
erramos, cometemos erros,
15:16
we're biased, and in innumerable ways,
263
904772
3684
somos preconceituosos
e, de várias maneiras,
e, de várias maneiras,
15:20
we get the world wrong.
264
908456
2969
interpretamos mal o mundo.
15:24
I think these are all important stories,
265
912843
2949
Penso que estas histórias são importantes,
15:27
and they have a lot to tell us
about what it means to be human,
about what it means to be human,
266
915792
3785
e elas dizem-nos muito sobre
o que significa ser humano,
o que significa ser humano,
15:31
but I want you to note that today
I told you a very different story.
I told you a very different story.
267
919577
3529
mas quero que vocês percebam que
vos contei uma história muito diferente.
vos contei uma história muito diferente.
15:35
It's a story about minds and not brains,
268
923966
3807
É uma história sobre mentes
e não sobre o cérebro.
e não sobre o cérebro.
15:39
and in particular, it's a story
about the kinds of computations
about the kinds of computations
269
927773
3006
Em particular, é uma história
sobre os tipos de cálculos
sobre os tipos de cálculos
15:42
that uniquely human minds can perform,
270
930779
2590
que só as mentes humanas
podem fazer,
podem fazer,
15:45
which involve rich, structured knowledge
and the ability to learn
and the ability to learn
271
933369
3944
o que envolve o conhecimento
rico e estruturado
rico e estruturado
e a capacidade de aprender a partir
de pequenas quantidades de dados,
de pequenas quantidades de dados,
15:49
from small amounts of data,
the evidence of just a few examples.
the evidence of just a few examples.
272
937313
5268
das evidências de alguns exemplos.
Essencialmente, é uma história
sobre como as crianças
sobre como as crianças
15:56
And fundamentally, it's a story
about how starting as very small children
about how starting as very small children
273
944301
4299
16:00
and continuing out all the way
to the greatest accomplishments
to the greatest accomplishments
274
948600
4180
começam e continuam o seu caminho
para as maiores realizações
da nossa cultura.
da nossa cultura.
16:04
of our culture,
275
952780
3843
16:08
we get the world right.
276
956623
1997
Conseguimos assim,
interpretar bem o mundo.
interpretar bem o mundo.
16:12
Folks, human minds do not only learn
from small amounts of data.
from small amounts of data.
277
960433
5267
A mente humana não aprende
apenas com pequenas quantidades de dados.
apenas com pequenas quantidades de dados.
16:18
Human minds think
of altogether new ideas.
of altogether new ideas.
278
966285
2101
A mente humana pensa em novas ideias.
16:20
Human minds generate
research and discovery,
research and discovery,
279
968746
3041
A mente humana gera
pesquisa e descoberta.
pesquisa e descoberta.
16:23
and human minds generate
art and literature and poetry and theater,
art and literature and poetry and theater,
280
971787
5273
A mente humana gera
arte, literatura, poesia e teatro.
arte, literatura, poesia e teatro.
16:29
and human minds take care of other humans:
281
977070
3760
A mente humana cuida
de outros seres humanos:
de outros seres humanos:
16:32
our old, our young, our sick.
282
980830
3427
dos nossos velhos, dos nossos jovens,
dos nossos doentes.
dos nossos doentes.
16:36
We even heal them.
283
984517
2367
Nós até os curamos.
16:39
In the years to come, we're going
to see technological innovations
to see technological innovations
284
987564
3103
Nos próximos anos, vamos ver
inovações tecnológicas
inovações tecnológicas
16:42
beyond anything I can even envision,
285
990667
3797
para além de qualquer coisa
que eu possa imaginar,
que eu possa imaginar,
16:46
but we are very unlikely
286
994464
2150
mas é muito improvável
16:48
to see anything even approximating
the computational power of a human child
the computational power of a human child
287
996614
5709
que venhamos a ver um computador com
o mesmo poder da mente de uma criança
o mesmo poder da mente de uma criança
16:54
in my lifetime or in yours.
288
1002323
4298
durante a minha vida ou a vossa.
16:58
If we invest in these most powerful
learners and their development,
learners and their development,
289
1006621
5047
Se investirmos nestes poderosos
aprendizes e no seu desenvolvimento,
aprendizes e no seu desenvolvimento,
17:03
in babies and children
290
1011668
2917
nos bebés e nas crianças,
nas mães e nos pais
17:06
and mothers and fathers
291
1014585
1826
17:08
and caregivers and teachers
292
1016411
2699
nos cuidadores e nos professores,
17:11
the ways we invest in our other
most powerful and elegant forms
most powerful and elegant forms
293
1019110
4170
da mesma forma que investimos
noutras formas mais poderosas e elegantes
noutras formas mais poderosas e elegantes
17:15
of technology, engineering and design,
294
1023280
3218
de tecnologia, da engenharia e do "design",
17:18
we will not just be dreaming
of a better future,
of a better future,
295
1026498
2939
não vamos apenas sonhar
com um futuro melhor,
com um futuro melhor,
17:21
we will be planning for one.
296
1029437
2127
vamos estar a planeá-lo.
17:23
Thank you very much.
297
1031564
2345
Muito obrigada.
(Aplausos)
17:25
(Applause)
298
1033909
3421
17:29
Chris Anderson: Laura, thank you.
I do actually have a question for you.
I do actually have a question for you.
299
1037810
4426
Chris Anderson: Laura, obrigado.
Tenho uma pergunta para si.
Tenho uma pergunta para si.
17:34
First of all, the research is insane.
300
1042236
2359
Em primeiro lugar,
esta pesquisa é uma loucura.
esta pesquisa é uma loucura.
17:36
I mean, who would design
an experiment like that? (Laughter)
an experiment like that? (Laughter)
301
1044595
3725
Quero dizer, quem iria projetar
uma experiência como esta?
uma experiência como esta?
17:41
I've seen that a couple of times,
302
1049150
1790
Eu vi isto algumas vezes,
17:42
and I still don't honestly believe
that that can truly be happening,
that that can truly be happening,
303
1050940
3222
e ainda não acredito que isto
pode estar a acontecer,
pode estar a acontecer,
17:46
but other people have done
similar experiments; it checks out.
similar experiments; it checks out.
304
1054162
3158
mas outras pessoas fizeram experiências
semelhantes; e verifica-se.
semelhantes; e verifica-se.
17:49
The babies really are that genius.
305
1057320
1633
Os bebés são realmente geniais.
17:50
LS: You know, they look really impressive
in our experiments,
in our experiments,
306
1058953
3007
LS: Eles parecem muito impressionantes
nas nossas experiências,
nas nossas experiências,
17:53
but think about what they
look like in real life, right?
look like in real life, right?
307
1061960
2652
mas pense em como eles são
na vida real.
na vida real.
Nasce um bebé. Dezoito meses depois,
está a falar connosco.
está a falar connosco.
17:56
It starts out as a baby.
308
1064612
1150
17:57
Eighteen months later,
it's talking to you,
it's talking to you,
309
1065762
2007
17:59
and babies' first words aren't just
things like balls and ducks,
things like balls and ducks,
310
1067769
3041
As primeiras palavras
não são coisas como bolas e patos,
não são coisas como bolas e patos,
são coisas como "não há",
que se refere ao desaparecimento,
que se refere ao desaparecimento,
18:02
they're things like "all gone,"
which refer to disappearance,
which refer to disappearance,
311
1070810
2881
ou "uh-oh", que se refere
a ações não intencionais.
a ações não intencionais.
18:05
or "uh-oh," which refer
to unintentional actions.
to unintentional actions.
312
1073691
2283
18:07
It has to be that powerful.
313
1075974
1562
É preciso ser poderoso,
18:09
It has to be much more powerful
than anything I showed you.
than anything I showed you.
314
1077536
2775
muito mais poderoso
do que tudo o que eu mostrei.
do que tudo o que eu mostrei.
Estão a tentar descobrir
o mundo inteiro.
o mundo inteiro.
18:12
They're figuring out the entire world.
315
1080311
1974
18:14
A four-year-old can talk to you
about almost anything.
about almost anything.
316
1082285
3144
Uma criança de quatro anos
pode conversar sobre quase tudo.
pode conversar sobre quase tudo.
18:17
(Applause)
317
1085429
1601
(Aplausos)
18:19
CA: And if I understand you right,
the other key point you're making is,
the other key point you're making is,
318
1087030
3414
CA: Se percebi bem,
o outro ponto que levanta
o outro ponto que levanta
é que temos passado estes anos
com esta conversa toda
com esta conversa toda
18:22
we've been through these years
where there's all this talk
where there's all this talk
319
1090444
2754
do quão peculiar e confusas
são as nossas mentes,
são as nossas mentes,
18:25
of how quirky and buggy our minds are,
320
1093198
1932
18:27
that behavioral economics
and the whole theories behind that
and the whole theories behind that
321
1095130
2867
que a economia comportamental
e outras teorias que dizem
e outras teorias que dizem
18:29
that we're not rational agents.
322
1097997
1603
que não somos agentes racionais.
18:31
You're really saying that the bigger
story is how extraordinary,
story is how extraordinary,
323
1099600
4216
Acha realmente que a nossa mente
é extraordinária,
é extraordinária,
18:35
and there really is genius there
that is underappreciated.
that is underappreciated.
324
1103816
4944
e que há um génio ali que é subestimado?
18:40
LS: One of my favorite
quotes in psychology
quotes in psychology
325
1108760
2070
LS: Uma das minhas citações favoritas
em psicologia
em psicologia
18:42
comes from the social
psychologist Solomon Asch,
psychologist Solomon Asch,
326
1110830
2290
é do psicólogo social Solomon Asch,
18:45
and he said the fundamental task
of psychology is to remove
of psychology is to remove
327
1113120
2807
que disse que a tarefa fundamental
da psicologia
da psicologia
é remover o véu
da autoevidência das coisas.
da autoevidência das coisas.
18:47
the veil of self-evidence from things.
328
1115927
2626
18:50
There are orders of magnitude
more decisions you make every day
more decisions you make every day
329
1118553
4551
Há milhões de tipos de escolhas
que fazemos todos os dias,
que fazemos todos os dias,
que nos fazem ver bem o mundo.
18:55
that get the world right.
330
1123104
1347
18:56
You know about objects
and their properties.
and their properties.
331
1124451
2132
Conhecemos os objetos
e as suas propriedades.
e as suas propriedades.
18:58
You know them when they're occluded.
You know them in the dark.
You know them in the dark.
332
1126583
3029
Sabemos quando estão ocultos.
Conhecemo-los no escuro.
Conhecemo-los no escuro.
Podemos andar por salas,
19:01
You can walk through rooms.
333
1129612
1308
19:02
You can figure out what other people
are thinking. You can talk to them.
are thinking. You can talk to them.
334
1130920
3532
descobrir o que as outras
pessoas estão a pensar e falar com elas.
pessoas estão a pensar e falar com elas.
Podemos navegar no espaço.
Conhecemos os números.
Conhecemos os números.
19:06
You can navigate space.
You know about numbers.
You know about numbers.
335
1134452
2230
19:08
You know causal relationships.
You know about moral reasoning.
You know about moral reasoning.
336
1136682
3022
Conhecemos as relações causais
e o raciocínio moral.
e o raciocínio moral.
Fazemos isto sem esforço,
por isso nem reparamos,
por isso nem reparamos,
19:11
You do this effortlessly,
so we don't see it,
so we don't see it,
337
1139704
2356
mas é assim que vemos o mundo,
e é uma realização notável
e é uma realização notável
19:14
but that is how we get the world right,
and it's a remarkable
and it's a remarkable
338
1142060
2912
e muito difícil de perceber.
19:16
and very difficult-to-understand
accomplishment.
accomplishment.
339
1144972
2318
CA: Eu suspeito que há pessoas na plateia
19:19
CA: I suspect there are people
in the audience who have
in the audience who have
340
1147290
2628
que têm uma visão do poder
tecnológico crescente
tecnológico crescente
19:21
this view of accelerating
technological power
technological power
341
1149918
2238
que podem refutar a sua afirmação
de que, nunca na nossa vida,
de que, nunca na nossa vida,
19:24
who might dispute your statement
that never in our lifetimes
that never in our lifetimes
342
1152156
2958
haverá um computador que faça o mesmo
que uma criança de três anos,
que uma criança de três anos,
19:27
will a computer do what
a three-year-old child can do,
a three-year-old child can do,
343
1155114
2618
mas está claro que, em qualquer cenário,
19:29
but what's clear is that in any scenario,
344
1157732
3248
19:32
our machines have so much to learn
from our toddlers.
from our toddlers.
345
1160980
3770
as nossas máquinas têm muito
a aprender com as nossas crianças.
a aprender com as nossas crianças.
19:38
LS: I think so. You'll have some
machine learning folks up here.
machine learning folks up here.
346
1166230
3216
LS: Acho que sim. Temos aqui pessoas
de aprendizagem de máquina.
de aprendizagem de máquina.
19:41
I mean, you should never bet
against babies or chimpanzees
against babies or chimpanzees
347
1169446
4203
Quero dizer, não devemos apostar
contra bebés ou chimpanzés
contra bebés ou chimpanzés
19:45
or technology as a matter of practice,
348
1173649
3645
ou tecnologia, como uma questão prática,
19:49
but it's not just
a difference in quantity,
a difference in quantity,
349
1177294
4528
mas não é apenas
uma diferença na quantidade,
uma diferença na quantidade,
19:53
it's a difference in kind.
350
1181822
1764
é uma diferença no tipo.
19:55
We have incredibly powerful computers,
351
1183586
2160
Temos computadores
incrivelmente poderosos,
incrivelmente poderosos,
19:57
and they do do amazingly
sophisticated things,
sophisticated things,
352
1185746
2391
que fazem coisas
incrivelmente sofisticadas,
incrivelmente sofisticadas,
20:00
often with very big amounts of data.
353
1188137
3204
muitas vezes com grandes
quantidades de dados.
quantidades de dados.
20:03
Human minds do, I think,
something quite different,
something quite different,
354
1191341
2607
A mente humana faz algo
completamente diferente.
completamente diferente.
20:05
and I think it's the structured,
hierarchical nature of human knowledge
hierarchical nature of human knowledge
355
1193948
3895
Acho que é a natureza hierárquica
e estruturada do conhecimento humano
e estruturada do conhecimento humano
20:09
that remains a real challenge.
356
1197843
2032
que continua a ser um desafio real.
20:11
CA: Laura Schulz, wonderful
food for thought. Thank you so much.
food for thought. Thank you so much.
357
1199875
3061
CA: Laura Schulz,
uma conversa maravilhosa. Obrigado.
uma conversa maravilhosa. Obrigado.
20:14
LS: Thank you.
(Applause)
(Applause)
358
1202936
2922
LS: Obrigada.
(Aplausos)
ABOUT THE SPEAKER
Laura Schulz - Cognitive scientistDevelopmental 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.
Laura Schulz | Speaker | TED.com