0:00:00.835,0:00:02.990
Ο Μαρκ Τουαίην έχει συνοψίσει[br]αυτό που θεωρώ

0:00:02.990,0:00:06.110
ως ένα από τα θεμελιώδη προβλήματα [br]της γνωσιακής επιστήμης

0:00:06.110,0:00:08.260
σε ένα απλό ευφυολόγημα.

0:00:08.260,0:00:11.492
Είπε, «Η επιστήμη έχει κάτι συναρπαστικό.

0:00:11.492,0:00:14.720
Μας αποφέρει χονδρικώς [br]τόσο μεγάλα κέρδη σε εικασίες

0:00:14.720,0:00:17.924
από μια τόσο ευτελή επένδυση σε γεγονότα».

0:00:17.924,0:00:19.509
(Γέλια)

0:00:20.199,0:00:22.803
Ο Τουαίην φυσικά αστειευόταν [br]αλλά έχει δίκιο:

0:00:22.803,0:00:25.679
Η επιστήμη έχει κάτι εκπληκτικό.

0:00:25.679,0:00:29.940
Από λίγα οστά συμπεραίνουμε[br]την ύπαρξη δεινοσαύρων.

0:00:30.910,0:00:34.781
Από φασματικές γραμμές, [br]τη σύνθεση των νεφών.

0:00:35.471,0:00:38.409
Από τη δροσόφιλα μύγα,

0:00:38.409,0:00:41.352
τους μηχανισμούς της κληρονομικότητας,

0:00:41.352,0:00:45.601
και από εικόνες της ροής του αίματος [br]μέσα στον εγκέφαλο,

0:00:45.601,0:00:50.309
ή στην περίπτωσή μου, [br]από τη συμπεριφορά πολύ μικρών παιδιών,

0:00:50.309,0:00:51.768
προσπαθούμε να πούμε κάτι[br]

0:00:51.768,0:00:54.756
σχετικά με τους θεμελιώδεις μηχανισμούς[br]της ανθρώπινης νόησης.

0:00:55.716,0:01:00.475
Ειδικότερα, στο εργαστήριό μου στο Τμήμα [br]Εγκεφάλου και Γνωσιακών Επιστημών του ΜΙΤ,

0:01:00.475,0:01:04.129
πέρασα την τελευταία δεκαετία[br]προσπαθώντας να κατανοήσω το μυστήριο

0:01:04.129,0:01:07.946
του πώς τα παιδιά μαθαίνουν τόσα πολλά[br]από τόσο λίγα, και τόσο γρήγορα.

0:01:08.686,0:01:09.944
Καθώς αποδεικνύεται

0:01:09.944,0:01:15.173
ότι το συναρπαστικό με την επιστήμη[br]όπως επίσης και με τα παιδιά,

0:01:15.173,0:01:17.754
για να παραφράσουμε ηπιότερα[br]τον Μαρκ Τουαίην,

0:01:17.754,0:01:22.404
είναι ακριβώς η ικανότητά τους [br]να βγάζουν αφαιρετικά πλήθος συμπερασμάτων

0:01:22.404,0:01:27.235
με ταχύτητα και ακρίβεια, [br]από τυχαία και αταξινόμητα δεδομένα.

0:01:28.355,0:01:30.753
Θα σας δώσω μόνο δύο παραδείγματα σήμερα.

0:01:30.753,0:01:33.040
Το ένα αφορά ένα πρόβλημα γενίκευσης

0:01:33.040,0:01:35.890
και το άλλο αφορά ένα πρόβλημα[br]αιτιώδους συλλογισμού.

0:01:35.890,0:01:38.585
Και παρόλο που θα μιλήσω[br]για δουλειά στο εργαστήριό μου,

0:01:38.585,0:01:41.875
αυτή η δουλειά εμπνέεται [br]και οφείλεται σε ολόκληρο κλάδο.

0:01:41.875,0:01:46.158
Χρωστώ ευγνωμοσύνη σε μέντορες,[br]συναδέλφους και συνεργάτες ανά τον κόσμο.

0:01:47.308,0:01:50.282
Ας αρχίσω με το πρόβλημα της γενίκευσης.

0:01:50.652,0:01:54.785
Η γενίκευση από μικρά δείγματα δεδομένων[br]είναι καθημερινή πρακτική της επιστήμης.

0:01:54.785,0:01:57.539
Από δημοσκόπηση[br]σε μικρό τμήμα του εκλογικού σώματος

0:01:57.539,0:02:00.150
προβλέπουμε το αποτέλεσμα[br]των εθνικών εκλογών.

0:02:00.150,0:02:04.165
Βλέπουμε πώς αποκρίνεται δείγμα ασθενών[br]σε μια θεραπεία σε κλινική δοκιμή,

0:02:04.165,0:02:07.230
και βγάζουμε τα φάρμακα στην εθνική αγορά.

0:02:07.230,0:02:11.595
Αλλά αυτό έχει αποτέλεσμα μόνο με δείγμα[br]τυχαία επιλεγμένο από τον πληθυσμό.

0:02:11.595,0:02:14.330
Αν το δείγμα μας είναι επιλεγμένο [br]με κάποιο κριτήριο -

0:02:14.330,0:02:16.762
ας πούμε, μόνο εκλογείς[br]από αστικές περιοχές,

0:02:16.762,0:02:20.790
ή, στις κλινικές δοκιμές[br]για τη θεραπεία καρδιακών νόσων,

0:02:20.790,0:02:22.671
να συμπεριλάβουμε μόνο άνδρες -

0:02:22.671,0:02:25.829
τα αποτελέσματα δεν θα είναι γενικεύσεις[br]για τον ευρύτερο πληθυσμό.

0:02:26.479,0:02:30.200
Οι επιστήμονες νοιάζονται αν οι ενδείξεις[br]προέρχονται από τυχαίο δείγμα ή όχι,

0:02:30.200,0:02:32.225
αλλά τι σχέση έχει αυτό με τα μωρά;

0:02:32.585,0:02:37.206
Τα μωρά χρειάζεται να γενικεύουν [br]από μικρά δείγματα δεδομένων συνεχώς.

0:02:37.206,0:02:40.364
Βλέπουν μερικά λαστιχένια παπάκια[br]και μαθαίνουν ότι επιπλέουν,

0:02:40.364,0:02:43.939
ή μερικές μπάλες [br]και μαθαίνουν ότι αναπηδούν.

0:02:43.939,0:02:46.890
Και εξελίσσουν προσδοκίες [br]σχετικά με τα παπάκια και τις μπάλες

0:02:46.890,0:02:49.606
που θα επεκτείνουν σε παπάκια και μπάλες

0:02:49.606,0:02:51.485
για το υπόλοιπο της ζωής τους.

0:02:51.485,0:02:55.224
Και το είδος των γενικεύσεων που κάνουν [br]τα μωρά για τα παπάκια και τις μπάλες

0:02:55.224,0:02:57.313
το κάνουν για σχεδόν τα πάντα:

0:02:57.313,0:03:01.230
για τα παπούτσια, τα πλοία, το βουλοκέρι,[br]τα λάχανα και τους βασιλιάδες.

0:03:02.010,0:03:05.381
Νοιάζονται λοιπόν τα παιδιά [br]εάν οι ελάχιστες ενδείξεις που βλέπουν

0:03:05.381,0:03:08.853
είναι εμφανώς αντιπροσωπευτικά [br]ενός ευρύτερου πλήθους;

0:03:09.763,0:03:11.663
Ας το ανακαλύψουμε.

0:03:11.663,0:03:13.386
Θα σας δείξω δύο ταινίες,

0:03:13.386,0:03:15.848
μία από κάθε περίπτωση ενός πειράματος,

0:03:15.848,0:03:18.286
και επειδή θα δείτε μόνο δύο ταινίες,

0:03:18.286,0:03:20.422
θα δείτε μόνο δύο μωρά,

0:03:20.422,0:03:24.369
και κάθε ζευγάρι μωρών διαφέρει [br]από άλλα με αμέτρητους τρόπους.

0:03:24.369,0:03:27.420
Φυσικά όμως αυτά εδώ τα μωρά [br]εκπροσωπούν ομάδες μωρών,

0:03:27.420,0:03:29.315
και οι διαφορές που θα δείτε

0:03:29.315,0:03:34.160
αντιπροσωπεύουν μέσες διαφορές ομάδας[br]στη συμπεριφορά των μωρών ανά κατάσταση.

0:03:35.160,0:03:37.743
Σε κάθε ταινία θα δείτε ένα μωρό να κάνει

0:03:37.743,0:03:41.203
ακριβώς ό,τι θα περιμένατε [br]να κάνει κάθε μωρό,

0:03:41.203,0:03:45.220
και είναι δύσκολο να κάνουμε τα μωρά [br]πιο μαγευτικά απ' όσο ήδη είναι.

0:03:46.090,0:03:48.100
Αλλά στο μυαλό μου το μαγευτικό,

0:03:48.100,0:03:50.189
και αυτό που θέλω να προσέξετε,

0:03:50.189,0:03:53.300
είναι η αντίθεση ανάμεσα [br]στις δύο αυτές περιπτώσεις,

0:03:53.300,0:03:56.829
επειδή η μόνη διαφορά [br]μεταξύ αυτών των δύο ταινιών

0:03:56.829,0:04:00.295
είναι οι στατιστικές ενδείξεις [br]που θα εντοπίσουν τα μωρά.

0:04:01.425,0:04:04.608
Θα δείξουμε στα μωρά ένα κουτί[br]με μπλε και κίτρινα μπαλάκια,

0:04:04.608,0:04:09.228
κι η τότε μεταπτυχιακή φοιτήτρια, και νυν[br]συνάδελφος στο Στάνφορντ, Γιόγουαν Γκουάν,

0:04:09.228,0:04:12.305
θα πάρει με τη σειρά [br]τρία μπλε μπαλάκια από το κουτί

0:04:12.305,0:04:15.428
και καθώς θα τα παίρνει, θα τα ζουλάει,

0:04:15.428,0:04:17.541
και τα μπαλάκια θα τσιρίζουν.

0:04:17.541,0:04:20.304
Κι αν είστε μωρό, [br]αυτό είναι σαν ομιλία στο TED.

0:04:20.304,0:04:22.208
Δεν υπάρχει καλύτερο από αυτό.

0:04:22.208,0:04:24.769
(Γέλια)

0:04:26.698,0:04:30.627
Αλλά σημαντικό είναι πως είναι πανεύκολο [br]να τραβήξετε τρία μπλε μπαλάκια στη σειρά

0:04:30.627,0:04:32.932
από ένα κουτί με κυρίως μπλε μπαλάκια.

0:04:32.932,0:04:34.992
Θα το κάνατε και με τα μάτια κλειστά.

0:04:34.992,0:04:37.988
Είναι ένα δεόντως τυχαίο δείγμα [br]από αυτό το πλήθος.

0:04:37.988,0:04:41.720
Και αν βάζεις το χέρι στο κουτί[br]και τυχαία βγάζεις πράγματα που τσιρίζουν,

0:04:41.720,0:04:44.559
τότε μάλλον όλα μέσα στο κουτί τσιρίζουν.

0:04:44.559,0:04:48.209
Έτσι τα μωρά θα περιμένουν [br]να τσιρίζουν και τα κίτρινα μπαλάκια.

0:04:48.209,0:04:50.728
Τα κίτρινα μπαλάκια όμως[br]έχουν ένα ξυλάκι στην άκρη,

0:04:50.728,0:04:53.805
έτσι τα μωρά θα μπορούσαν[br]να κάνουν και άλλα πράγματα αν ήθελαν,

0:04:53.805,0:04:55.646
όπως να τα χτυπάνε ή να το κοπανάνε.

0:04:55.646,0:04:58.002
Αλλά ας δούμε τι κάνει το μωρό.

0:05:00.548,0:05:03.891
(Βίντεο) Γιόγουαν Γκουάν: Το βλέπεις;[br](Το μπαλάκι τσιρίζει)

0:05:04.531,0:05:07.576
Το είδες αυτό;[br](Το μπαλάκι τσιρίζει)

0:05:08.036,0:05:09.682
Ωραίο!

0:05:12.706,0:05:14.656
Βλέπεις αυτό;

0:05:14.656,0:05:16.537
(Το μπαλάκι τσιρίζει)

0:05:16.537,0:05:18.300
Ουάου!

0:05:21.854,0:05:23.967
Λόρα Σουλτς: Σας το είπα.[br](Γελάει)

0:05:23.967,0:05:27.998
(Βίντεο) ΓΓ: Το βλέπεις;[br](Το μπαλάκι τσιρίζει)

0:05:27.998,0:05:33.207
Κλάρα, αυτό είναι για σένα.[br]Πάρτο και παίξε.

0:05:39.854,0:05:43.519
(Γέλια)

0:05:44.219,0:05:47.214
ΛΣ: Δεν χρειάζεται καν να μιλήσω, σωστά;

0:05:47.214,0:05:48.773
Εντάξει, είναι καλό που τα μωρά

0:05:48.773,0:05:51.641
γενικεύουν τις ιδιότητες[br]στα μπλε και τα κίτρινα μπαλάκια,

0:05:51.641,0:05:54.737
και είναι εντυπωσιακό που τα μωρά[br]μαθαίνουν μιμούμενα εμάς,

0:05:54.737,0:05:58.406
αλλά τα ξέραμε αυτά για τα μωρά[br]εδώ και πάρα πολύ καιρό.

0:05:58.406,0:06:00.087
Το πραγματικά ενδιαφέρον ερώτημα

0:06:00.087,0:06:03.069
είναι τι θα συμβεί αν δείξουμε στα μωρά[br]ακριβώς το ίδιο πράγμα,

0:06:03.069,0:06:05.270
κι εξασφαλίζουμε ότι είναι ακριβώς το ίδιο

0:06:05.270,0:06:08.790
επειδή υπάρχει ένα μυστικό διαμέρισμα[br]και βγάζουμε τα μπαλάκια από εκεί

0:06:08.790,0:06:12.268
αλλά αυτή τη φορά [br]αλλάζουμε μόνο το εμφανές πλήθος

0:06:12.268,0:06:15.170
απ' όπου πήραμε τις ενδείξεις.

0:06:15.170,0:06:18.723
Τώρα θα δείξουμε στα μωρά [br]τρία μπλε μπαλάκια

0:06:18.723,0:06:21.957
που παίρνουμε από ένα κουτί [br]με κυρίως κίτρινα μπαλάκια,

0:06:21.957,0:06:23.429
και μαντέψτε τι γίνεται;

0:06:23.429,0:06:26.269
Μάλλον δεν θα τραβήξετε τυχαία[br]τρία μπλε μπαλάκια στη σειρά

0:06:26.269,0:06:28.753
από ένα κουτί με κυρίως κίτρινα μπαλάκια.

0:06:28.753,0:06:32.500
Αυτές δεν είναι ενδείξεις [br]από δεόντως τυχαίο δείγμα.

0:06:32.500,0:06:37.623
Αυτές οι ενδείξεις δείχνουν ότι η Γιόγουαν[br]μάλλον επίτηδες επέλεγε μπλε μπαλάκια.

0:06:37.623,0:06:40.206
Ίσως τα μπλε μπαλάκια είναι ιδιαίτερα.

0:06:40.846,0:06:43.822
Ίσως μόνο τα μπλε μπαλάκια τσιρίζουν.

0:06:43.822,0:06:45.717
Να δούμε τι κάνει το μωρό.

0:06:45.717,0:06:48.621
(Βίντεο) ΓΓ: Το βλέπεις αυτό;[br](Το μπαλάκι τσιρίζει)

0:06:50.851,0:06:53.496
Βλέπεις αυτό το παιχνίδι;[br](Το μπαλάκι τσιρίζει)

0:06:53.496,0:06:58.976
Ωραίο δεν είναι; Δες.[br](Το μπαλάκι τσιρίζει)

0:06:58.976,0:07:03.370
Αυτό εδώ είναι για να παίξεις εσύ.[br]Μπορείς να παίξεις.

0:07:06.074,0:07:12.421
(Γκρίνια)[br](Γέλια)

0:07:14.901,0:07:17.649
ΛΣ: Μόλις είδατε δύο μωρά ηλικίας 15 μηνών

0:07:17.649,0:07:19.591
να κάνουν εντελώς διαφορετικά πράγματα

0:07:19.591,0:07:23.190
βασιζόμενα μόνο στην πιθανότητα [br]του δείγματος που παρατήρησαν.

0:07:23.190,0:07:25.511
Ας σας δείξω τα επιστημονικά αποτελέσματα.

0:07:25.511,0:07:28.275
Στον κάθετο άξονα [br]θα δείτε το ποσοστό των μωρών

0:07:28.275,0:07:30.805
που ζούληξαν το μπαλάκι σε κάθε περίπτωση,

0:07:30.805,0:07:34.520
κι όπως θα δείτε, είναι πολύ πιθανότερο[br]τα μωρά να γενικεύσουν τα αποτελέσματα

0:07:34.520,0:07:37.655
αν είναι εύλογα[br]αντιπροσωπευτικά του πλήθους,

0:07:37.655,0:07:41.393
από όταν οι ενδείξεις είναι σαφές[br]πως είναι ειδικά επιλεγμένες.

0:07:41.393,0:07:43.808
Κι αυτό μας οδηγεί σε μια αστεία πρόβλεψη:

0:07:43.808,0:07:48.726
Ας υποθέσουμε ότι παίρνατε μόνο ένα μπλε [br]μπαλάκι από ένα κυρίως κίτρινο κουτί.

0:07:48.726,0:07:52.765
Μάλλον δεν θα τραβούσατε τυχαία τρία μπλε[br]μπαλάκια στη σειρά από ένα κίτρινο κουτί,

0:07:52.765,0:07:55.360
αλλά τραβούσατε τυχαία[br]μόνο ένα μπλε μπαλάκι.

0:07:55.360,0:07:57.190
Αυτό δεν είναι απίθανο δείγμα.

0:07:57.190,0:07:59.414
Και αν βάζατε το χέρι τυχαία σε ένα κουτί

0:07:59.414,0:08:03.401
και τραβούσαμε κάτι που τσιρίζει,[br]μάλλον όλα μέσα στο κουτί τσιρίζουν.

0:08:03.875,0:08:08.320
Έτσι, αν και τα μωρά θα έχουν [br]λιγότερες ενδείξεις για το τσίριγμα,

0:08:08.320,0:08:10.562
και πολύ λιγότερες πράξεις να μιμηθούν,

0:08:10.562,0:08:14.075
στην περίπτωση με το ένα μπαλάκι[br]απ' ό,τι στην περίπτωση που μόλις είδατε,

0:08:14.075,0:08:17.797
προβλέψαμε ότι τα ίδια τα μωρά [br]θα ζουλούσαν περισσότερο,

0:08:17.797,0:08:20.691
και ακριβώς αυτό ανακαλύψαμε.

0:08:20.691,0:08:24.822
Έτσι τα 15μηνα μωρά, κατ' αυτή την έννοια,[br]όπως οι επιστήμονες

0:08:24.822,0:08:28.320
νοιάζονται αν τα ενδεικτικά στοιχεία [br]είναι τυχαία επιλεγμένα ή όχι

0:08:28.320,0:08:31.677
και από αυτά εξελίσσουν[br]προσδοκίες σχετικά με τον κόσμο:

0:08:31.677,0:08:33.879
τι τσιρίζει και τι όχι,

0:08:33.879,0:08:37.024
τι να εξερευνήσουν και τι να αγνοήσουν.

0:08:38.384,0:08:40.450
Να σας δείξω άλλο ένα παράδειγμα,

0:08:40.450,0:08:43.030
αυτή τη φορά με ένα πρόβλημα [br]αιτιώδους συλλογισμού.

0:08:43.030,0:08:45.719
Και αρχίζει με ένα πρόβλημα [br]της μπερδεμένης ένδειξης

0:08:45.719,0:08:47.291
που όλοι μας έχουμε,

0:08:47.291,0:08:49.311
ότι είμαστε μέρος αυτού του κόσμου.

0:08:49.311,0:08:52.747
Μπορεί να μην το θεωρείτε πρόβλημα,[br]αλλά όπως τα περισσότερα προβλήματα,

0:08:52.747,0:08:55.084
είναι πρόβλημα μόνο αν κάτι πάει στραβά.

0:08:55.464,0:08:57.275
Πάρτε αυτό το μωρό για παράδειγμα.

0:08:57.275,0:08:58.980
Κάτι του πάει στραβά.

0:08:58.980,0:09:01.251
Δεν μπορεί να κάνει[br]το παιχνίδι να δουλέψει.

0:09:01.251,0:09:03.780
Θα σας δείξω ένα βιντεοκλιπ [br]λίγων δευτερολέπτων.

0:09:09.340,0:09:11.260
Και υπάρχουν δύο πιθανότητες, γενικά:

0:09:11.260,0:09:13.894
Ίσως το ίδιο κάνει κάτι λάθος,

0:09:13.894,0:09:18.110
ή μπορεί να έχει χαλάσει το παιχνίδι.

0:09:18.110,0:09:20.221
Στο επόμενο πείραμα

0:09:20.221,0:09:23.518
θα δώσουμε στα μωρά [br]λίγα στατιστικά δεδομένα

0:09:23.518,0:09:25.910
που θα στηρίζουν τη μια υπόθεση ή την άλλη

0:09:25.910,0:09:28.525
και θα δούμε αν τα μωρά[br]μπορούν να τα χρησιμοποιήσουν

0:09:28.525,0:09:31.389
για να πάρουν διαφορετικές αποφάσεις[br]για το τι να κάνουν.

0:09:31.389,0:09:32.991
Να το σχέδιο.

0:09:34.071,0:09:37.101
Η Γιογουάν θα καταφέρει[br]να βάλει το παιχνίδι σε λειτουργία.

0:09:37.101,0:09:40.421
Μετά θα προσπαθήσω εγώ δύο φορές[br]και θα αποτύχω και τις δύο,

0:09:40.421,0:09:43.393
και μετά η Γιογουάν θα προσπαθήσει ξανά [br]και θα τα καταφέρει.

0:09:43.393,0:09:47.055
Και αυτό γενικά συνοψίζει τη σχέση μου[br]με τους μεταπτυχιακούς μου φοιτητές

0:09:47.055,0:09:49.540
σε όλο το φάσμα της τεχνολογίας.

0:09:50.030,0:09:53.322
Αλλά το σημαντικό εδώ είναι[br]ότι δίνει μια μικρή ένδειξη

0:09:53.322,0:09:56.990
ότι το πρόβλημα δεν είναι[br]στο παιχνίδι αλλά στο άτομο.

0:09:56.990,0:09:59.340
Κάποιοι μπορούν να το βάλουν σε λειτουργία

0:09:59.340,0:10:00.299
και κάποιοι όχι.

0:10:00.799,0:10:04.212
Όταν το μωρό πάρει το παιχνίδι,[br]θα έχει μια επιλογή.

0:10:04.212,0:10:06.400
Η μαμά του είναι εκεί,

0:10:06.400,0:10:09.595
μπορεί να δώσει το παιχνίδι [br]και να αλλάξει το άτομο,

0:10:09.595,0:10:13.073
αλλά θα υπάρχει και ένα ακόμη παιχνίδι[br]στην άκρη εκείνου του υφάσματος

0:10:13.073,0:10:16.425
και μπορεί να τραβήξει το ύφασμα [br]και να αλλάξει το παιχνίδι.

0:10:16.425,0:10:18.515
Ας δούμε τι κάνει το μωρό.

0:10:18.515,0:10:22.698
(Βίντεο) ΓΓ: Δύο, τρία. Πάμε![br](Μουσική)

0:10:22.698,0:10:25.829
ΛΣ: Ένα, δύο, τρία, πάμε!

0:10:25.829,0:10:33.211
Άρθουρ, θα προσπαθήσω πάλι.[br]Ένα, δύο, τρία, πάμε!

0:10:33.677,0:10:36.277
ΓΓ: Άρθουρ, ας προσπαθήσω εγώ πάλι, ΟΚ;

0:10:36.277,0:10:40.827
Ένα, δύο, τρία, πάμε![br](Μουσική)

0:10:41.583,0:10:43.466
Κοίτα αυτό. Θυμάσαι αυτά τα παιχνίδια;

0:10:43.466,0:10:46.730
Βλέπεις αυτά τα παιχνίδια; [br]Ναι, θα βάλω αυτό εδώ πέρα,

0:10:46.730,0:10:48.792
και θα δώσω αυτό σε σένα.

0:10:48.792,0:10:51.127
Μπορείς να παίξεις.

0:11:11.213,0:11:15.950
ΛΣ: ΟΚ, Λόρα, φυσικά [br]τα μωρά αγαπούν τις μαμάδες τους.

0:11:15.950,0:11:18.452
Φυσικά το παιδί δίνει το παιχνίδι στη μαμά

0:11:18.452,0:11:20.162
όταν δεν λειτουργεί.

0:11:20.162,0:11:22.475
Και πάλι, η πραγματικά [br]σημαντική ερώτηση είναι

0:11:22.475,0:11:26.909
τι θα συμβεί όταν αλλάξουμε[br]τα στατιστικά δεδομένα ακόμα λίγο.

0:11:26.909,0:11:30.996
Τώρα τα μωρά θα δουν το παιχνίδι [br]να λειτουργεί και να σταματάει εναλλάξ

0:11:30.996,0:11:33.411
αλλά αλλάζουμε την κατανομή των ενδείξεων.

0:11:33.411,0:11:37.822
Τωρα η Γιογουάν μια φορά θα τα καταφέρει[br]και μια θα αποτύχει, και το ίδιο κι εγώ.

0:11:37.822,0:11:43.459
Και αυτό λέει ότι άσχετα με το ποιος [br]χειρίζεται το παιχνίδι, αυτό δεν δουλεύει.

0:11:43.459,0:11:45.085
Δεν λειτουργεί γενικά.

0:11:45.085,0:11:46.750
Πάλι το μωρό έχει μια επιλογή.

0:11:46.750,0:11:50.706
Η μαμά της είναι δίπλα της,[br]έτσι μπορεί να αλλάξει πρόσωπο

0:11:50.706,0:11:53.660
και θα υπάρχει ένα άλλο παιχνίδι [br]στην άκρη του υφάσματος.

0:11:53.660,0:11:55.288
Ας δούμε τι κάνει.

0:11:55.288,0:11:59.636
(Βίντεο) ΓΓ: Δύο, τρία. Πάμε![br](Μουσική)

0:11:59.636,0:12:04.620
Να προσπαθήσω άλλη μια φορά.[br]Ένα, δύο, τρία, πάμε!

0:12:05.460,0:12:07.157
Χμμ.

0:12:07.950,0:12:10.642
ΛΣ: Άσε με να προσπαθήσω, Κλάρα.

0:12:10.642,0:12:14.587
Ένα, δύο, τρία, πάμε!

0:12:15.265,0:12:17.200
Χμμ. Ας προσπαθήσω πάλι.

0:12:17.200,0:12:22.869
Ένα, δύο, τρία, πάμε![br](Μουσική)

0:12:22.869,0:12:25.242
ΓΓ: Θα βάλω αυτό εδώ πέρα

0:12:25.242,0:12:27.243
και θα δώσω αυτό σε σένα.

0:12:27.243,0:12:30.840
Μπορείς να παίξεις.

0:12:46.376,0:12:51.273
(Χειροκρότημα)

0:12:52.993,0:12:55.385
ΛΣ: Να σας δείξω [br]τα αποτελέσματα των πειραμάτων.

0:12:55.385,0:12:57.860
Στον κάθετο άξονα θα δείτε την κατανομή

0:12:57.860,0:13:00.437
των επιλογών των παιδιών σε κάθε περίπτωση

0:13:00.437,0:13:04.988
και θα δείτε ότι η κατανομή των επιλογών [br]που κάνουν τα παιδιά

0:13:04.988,0:13:07.775
εξαρτάται από τις ενδείξεις [br]που παρατηρούν.

0:13:07.775,0:13:09.632
Έτσι στο δεύτερο έτος ζωής,

0:13:09.632,0:13:12.489
τα μωρά μπορούν να χρησιμοποιήσουν [br]λίγα στατιστικά δεδομένα

0:13:12.489,0:13:15.576
για να αποφασίσουν μεταξύ δύο βασικά [br]διαφορετικών στρατηγικών

0:13:15.576,0:13:17.457
για να δράσουν στον κόσμο:

0:13:17.457,0:13:20.200
να ζητήσουν βοήθεια και να εξερευνήσουν.

0:13:21.700,0:13:25.134
Μόλις σας έδειξα [br]δύο εργαστηριακά πειράματα

0:13:25.134,0:13:28.825
από κυριολεκτικά εκατοντάδες στον κλάδο [br]που έχουν παρόμοια συμπεράσματα

0:13:28.825,0:13:31.217
επειδή το πραγματικά [br]σημαντικό σημείο είναι

0:13:31.217,0:13:36.325
ότι η ικανότητα των παιδιών να βγάζουν [br]πλήθος συμπερασμάτων από λίγα δεδομένα

0:13:36.325,0:13:41.666
βρίσκεται πίσω από όλη[br]την πολιτιστική μάθηση του είδους μας.

0:13:41.666,0:13:46.263
Τα παιδιά μαζεύουν τα νέα εργαλεία [br]από λίγα μόνο παραδείγματα.

0:13:46.263,0:13:50.980
Μαθαίνουν νέες σχέσεις αιτιασμού [br]από λίγα μόνο παραδείγματα.

0:13:51.928,0:13:56.799
Μαθαίνουν ακόμα και νέες λέξεις, όπως εδώ,[br]στην αμερικανική νοηματική γλώσσα.

0:13:56.799,0:13:59.110
Θέλω να κλείσω με μόνο δύο σημεία.

0:14:00.050,0:14:03.738
Αν παρακολουθείτε τον κόσμο μου, τον [br]τομέα εγκεφάλου και γνωστικών επιστημών,

0:14:03.738,0:14:05.665
για τα τελευταία λίγα χρόνια,

0:14:05.665,0:14:08.080
τρεις μεγάλες ιδέες [br]θα υπέπεσαν στην αντίληψή σας.

0:14:08.080,0:14:11.516
Η πρώτη είναι ότι αυτή [br]είναι η εποχή του εγκεφάλου.

0:14:11.516,0:14:15.185
Και όντως έχουν γίνει τεράστιες [br]ανακαλύψεις στη νευροεπιστήμη:

0:14:15.185,0:14:18.621
εντοπίστηκαν λειτουργικά[br]εξειδικευμένες περιοχές του φλοιού,

0:14:18.621,0:14:21.222
οι εγκέφαλοι των ποντικιών [br]έγιναν διαφανείς,

0:14:21.222,0:14:24.998
ενεργοποιούνται νευρώνες με το φως.

0:14:24.998,0:14:26.994
Μια δεύτερη μεγάλη ιδέα είναι

0:14:26.994,0:14:31.098
ότι είναι η εποχή των μεγάλων δεδομένων[br]και της μηχανικής μάθησης,

0:14:31.098,0:14:34.829
και η μηχανική μάθηση υπόσχεται ν' αλλάξει[br]ριζικά την κατανόηση των πάντων,

0:14:34.829,0:14:38.066
από τα κοινωνικά δίκτυα [br]έως την επιδημιολογία.

0:14:38.646,0:14:41.599
Και ίσως, καθώς επιλύει [br]προβλήματα κατανόησης σκηνών

0:14:41.599,0:14:43.592
και φυσικής επεξεργασίας της γλώσσας,

0:14:43.592,0:14:46.916
να μας πει κάτι [br]σχετικά με την ανθρώπινη νόηση.

0:14:47.586,0:14:49.873
Και η τελευταία μεγάλη ιδέα[br]που θα έχετε ακούσει

0:14:49.873,0:14:53.080
είναι πως μάλλον είναι καλό[br]που θα μάθουμε τόσα για τον εγκέφαλο

0:14:53.080,0:14:55.197
και θα έχουμε πρόσβαση σε μεγάλα δεδομένα,

0:14:55.197,0:14:57.504
επειδή αν πράξουμε κατά βούληση,

0:14:57.504,0:15:01.335
οι άνθρωποι παραπλανούμαστε, [br]καταφεύγουμε σε πρόχειρες λύσεις,

0:15:01.335,0:15:04.772
κάνουμε σφάλματα, κάνουμε λάθη,

0:15:04.772,0:15:06.526
έχουμε προκαταλήψεις,

0:15:06.526,0:15:11.425
και με πάμπολλους τρόπους,[br]εκλαμβάνουμε τον κόσμο λάθος.

0:15:12.843,0:15:15.772
Νομίζω ότι όλες αυτές [br]είναι σημαντικές ιστορίες

0:15:15.772,0:15:19.577
και έχουν πολλά να μας πουν σχετικά[br]με το τι σημαίνει να είσαι άνθρωπος,

0:15:19.577,0:15:23.106
αλλά θέλω να σημειώσετε ότι σήμερα [br]σας είπα μια πολύ διαφορετική ιστορία.

0:15:23.966,0:15:27.773
Είναι μια ιστορία για το μυαλό μας [br]και όχι για τον εγκέφαλό μας

0:15:27.773,0:15:30.779
και ειδικότερα, είναι μια ιστορία [br]για το είδος των υπολογισμών

0:15:30.779,0:15:33.369
που μόνο τα ανθρώπινα μυαλά [br]μπορούν να εκτελέσουν,

0:15:33.369,0:15:37.313
που εμπλέκει πλούσια, δομημένη γνώση[br]και την ικανότητα να μαθαίνουμε

0:15:37.313,0:15:42.581
από μικρές ποσότητες δεδομένων,[br]τις ενδείξεις από πολύ λίγα παραδείγματα.

0:15:43.991,0:15:48.600
Και βασικά, είναι μια ιστορία του πώς,[br]ξεκινώντας ως μικρά παιδιά

0:15:48.600,0:15:56.533
και συνεχίζοντας έως τα μεγαλύτερα [br]επιτεύγματα της κουλτούρας μας,

0:15:56.533,0:15:58.740
αντιλαμβανόμαστε τον κόσμο μας σωστά.

0:16:00.433,0:16:05.760
Φίλοι μου, το ανθρώπινο μυαλό δεν μαθαίνει[br]μόνο από μικρές ποσότητες δεδομένων.

0:16:05.760,0:16:08.716
Τα ανθρώπινα μυαλά σκέφτονται [br]και εξ ολοκλήρου νέες ιδέες.

0:16:08.716,0:16:11.787
Τα ανθρώπινα μυαλά παράγουν [br]έρευνες και ανακαλύψεις,

0:16:11.787,0:16:17.060
και τα ανθρώπινα μυαλά παράγουν τέχνη, [br]λογοτεχνία, ποίηση και θέατρο,

0:16:17.070,0:16:20.830
και τα ανθρώπινα μυαλά [br]φροντίζουν άλλους ανθρώπους:

0:16:20.830,0:16:24.347
τους ηλικιωμένους μας,[br]τους νέους μας, τους ασθενείς μας.

0:16:24.357,0:16:26.884
Ακόμη και τους θεραπεύουμε.

0:16:27.564,0:16:30.667
Στα επόμενα χρόνια, [br]θα δούμε τεχνολογικές καινοτομίες

0:16:30.667,0:16:34.464
πέρα από οτιδήποτε [br]μπορούμε να οραματιστούμε,

0:16:34.464,0:16:36.614
αλλά είναι μάλλον απίθανο

0:16:36.614,0:16:42.323
να δούμε οτιδήποτε καν να πλησιάζει[br]την υπολογιστική δύναμη ενός μωρού

0:16:42.323,0:16:45.981
όσο θα ζήσω εγώ ή εσείς.

0:16:46.621,0:16:51.668
Εάν επενδύσουμε σ' αυτούς τους πολύ [br]δυνατούς μαθητές και την ανάπτυξή τους,

0:16:51.668,0:16:54.215
στα μωρά και στα παιδιά,

0:16:54.215,0:16:56.411
στις μητέρες και τους πατεράδες,

0:16:56.411,0:16:59.110
στους κηδεμόνες και τους δασκάλους,

0:16:59.110,0:17:03.280
έτσι όπως επενδύουμε στις άλλες μας [br]πιο ισχυρές και κομψές μορφές

0:17:03.280,0:17:06.498
τεχνολογίας, μηχανικής και σχεδιασμού,

0:17:06.498,0:17:09.437
δεν θα ονειρευόμαστε μόνο [br]ένα καλύτερο μέλλον,

0:17:09.437,0:17:11.564
θα το σχεδιάζουμε.

0:17:11.564,0:17:13.119
Ευχαριστώ πολύ.

0:17:13.119,0:17:15.470
(Χειροκρότημα)

0:17:17.810,0:17:22.236
Κρις Άντερσον: Λόρα, σ' ευχαριστώ.[br]Έχω μια ερώτηση για σένα.

0:17:22.236,0:17:24.595
Πρώτα απ' όλα, η έρευνα είναι εξωφρενική.

0:17:24.595,0:17:28.320
Ποιος θα σχεδίαζε ένα τέτοιο πείραμα;[br](Γέλια)

0:17:29.150,0:17:30.940
Το είδα μερικές φορές

0:17:30.940,0:17:34.162
και ακόμη δεν πιστεύω ειλικρινά[br]ότι αυτό όντως μπορεί να συμβαίνει,

0:17:34.162,0:17:37.090
αλλά και άλλοι έχουν κάνει [br]παρόμοια πειράματα. Είναι λογικό.

0:17:37.090,0:17:38.953
Τα μωρά είναι όντως ιδιοφυίες.

0:17:38.953,0:17:41.960
ΛΣ: Ξέρεις, είναι τόσο εντυπωσιακά [br]στα πειράματά μας,

0:17:41.960,0:17:44.252
αλλά σκέψου πώς είναι στην κανονική ζωή;

0:17:44.252,0:17:45.762
Ξεκινάει σαν μωρό.

0:17:45.762,0:17:47.529
Δεκαοκτώ μήνες αργότερα σου μιλάει,

0:17:47.529,0:17:50.810
και τα πρώτα λογάκια δεν είναι απλά[br]πράγματα όπως μπάλες και παπάκια,

0:17:50.810,0:17:53.691
είναι πράγματα όπως τα «πάει!»[br]που αναφέρεται στην εξαφάνιση,

0:17:53.691,0:17:55.974
ή το «ωχ!»[br]που αναφέρεται σε ακούσιες πράξεις.

0:17:55.974,0:17:57.536
Πρέπει να είναι τόσο ισχυρά.

0:17:57.536,0:18:00.311
Πρέπει να είναι πολύ πιο ισχυρά [br]από οτιδήποτε σας έδειξα.

0:18:00.311,0:18:02.415
Αντιλαμβάνονται[br]πώς λειτουργεί όλος ο κόσμος.

0:18:02.415,0:18:05.529
Ένα τετράχρονο μπορεί να σας μιλήσει[br]για σχεδόν οτιδήποτε.

0:18:05.529,0:18:07.030
(Χειροκρότημα)

0:18:07.030,0:18:10.444
ΚΑ: Και αν σε καταλαβαίνω σωστά,[br]το άλλο κεντρικό σημείο είναι

0:18:10.444,0:18:12.978
ότι περάσαμε τόσα χρόνια [br]που έγιναν τόσες συζητήσεις

0:18:12.978,0:18:15.340
πόσο ιδιόμορφα και προβληματικά[br]είναι τα μυαλά μας

0:18:15.340,0:18:17.997
που η συμπεριφοριστική οικονομία[br]και παρόμοιες θεωρίες,

0:18:17.997,0:18:19.600
ότι δεν πράττουμε λογικά.

0:18:19.600,0:18:23.816
Ουσιαστικά λες ότι η σημαντικότερη ιστορία[br]είναι πόσο αξιοσημείωτα είναι,

0:18:23.816,0:18:28.760
και ότι πράγματι υπάρχει εκεί ευφυία[br]που δεν εκτιμάται αναλόγως.

0:18:28.760,0:18:30.830
ΛΣ: Ένα αγαπημένο μου ρητό[br]από την ψυχολογία

0:18:30.830,0:18:33.340
είναι από τον κοινωνικό ψυχολόγο[br]Σόλομον Ας, που είπε

0:18:33.340,0:18:35.117
ότι το βασικό καθήκον της ψυχολογίας [br]

0:18:35.117,0:18:38.553
είναι να παραμερίσει το πέπλο [br]του αυταπόδεικτου από τα πράγματα.

0:18:38.553,0:18:42.254
Εκατομμύρια τάξεις μεγέθους [br]και καθημερινές αποφάσεις

0:18:42.254,0:18:44.451
βοηθούν να αντιληφθείς σωστά τον κόσμο.

0:18:44.451,0:18:46.923
Γνωρίζεις περί αντικειμένων [br]και των ιδιοτήτων τους.

0:18:46.923,0:18:49.352
Ξέρεις πότε φρακάρουν.[br]Τα αναγνωρίζεις στο σκοτάδι.

0:18:49.352,0:18:52.610
Μπορείς να διασχίζεις δωμάτια.[br]Καταλαβαίνεις τι σκέφτονται οι άλλοι.

0:18:52.610,0:18:55.052
Μπορείς να τους μιλήσεις[br]και να πορευθείς στο χώρο.

0:18:55.052,0:18:56.092
Ξέρεις για αριθμούς.

0:18:56.092,0:18:58.484
Ξέρεις τις σχέσεις αιτιατού[br]και την ηθική αιτίαση.

0:18:58.484,0:19:01.010
Το κάνεις χωρίς δυσκολία,[br]έτσι δεν το βλέπουμε,

0:19:01.010,0:19:03.092
αλλά έτσι καταλαβαίνουμε σωστά τον κόσμο

0:19:03.092,0:19:06.050
και είναι ένα αξιοσημείωτο[br]και πολύ δυσνόητο επίτευγμα.

0:19:06.050,0:19:08.628
ΚΑ: Υποψιάζομαι ότι υπάρχουν [br]άνθρωποι στο ακροατήριο

0:19:08.628,0:19:11.266
που έχουν την άποψη [br]να επιταχύνουν την τεχνολογική ισχύ

0:19:11.266,0:19:13.974
που ίσως αμφισβητήσουν τη δήλωσή σου[br]ότι ποτέ στη ζωή μας

0:19:13.974,0:19:17.362
δεν θα κάνει ένας υπολογιστής[br]ότι μπορεί να κάνει ένα τρίχρονο παιδί,

0:19:17.362,0:19:20.980
αλλά είναι σαφές ότι σε κάθε σενάριο,

0:19:20.980,0:19:24.750
οι μηχανές μας έχουν πολλά να μάθουν [br]από τους μπόμπιρες.

0:19:26.230,0:19:29.626
ΛΣ: Έτσι νομίζω. Θα έχετε αρκετούς [br]υπέρ της μηχανικής μάθησης εδώ πέρα.

0:19:29.626,0:19:33.649
Δεν πρέπει να υποτιμάτε [br]τα μωρά ή τους χιμπατζήδες

0:19:33.649,0:19:37.294
ή την τεχνολογία, σε μόνιμη βάση,

0:19:37.294,0:19:41.822
αλλά δεν είναι απλώς [br]μια διαφορά στην ποσότητα,

0:19:41.822,0:19:43.586
είναι διαφορά στο είδος.

0:19:43.586,0:19:45.746
Έχουμε απίστευτα ισχυρούς υπολογιστές

0:19:45.746,0:19:48.467
και πράγματι κάνουν [br]τρομερά εξεζητημένα πράγματα,

0:19:48.467,0:19:51.091
συχνά με μεγάλες ποσότητες δεδομένων.

0:19:51.091,0:19:54.058
Θεωρώ ότι τα ανθρώπινα μυαλά [br]κάνουν κάτι τελείως διαφορετικό,

0:19:54.058,0:19:57.843
και νομίζω ότι είναι η δομημένη, [br]ιεραρχική φύση της ανθρώπινης γνώσης

0:19:57.843,0:19:59.875
που παραμένει μια πραγματική πρόκληση.

0:19:59.875,0:20:03.266
ΚΑ: Λορα Σουλτς, θαυμάσια τροφή για σκέψη.[br]Σε ευχαριστούμε τόσο πολύ.

0:20:03.266,0:20:05.858
ΛΣ: Ευχαριστώ.[br](Χειροκρότημα)