Mark Twain resumió lo que considero es
uno de los problemas fundamentales
de la ciencia cognitiva
con un solo chiste.
Dijo: "Hay algo fascinante en la ciencia.
Uno obtiene enormes retornos
en conjeturas
con muy poca inversión en hechos".
(Risas)
Twain lo decía en broma,
claro, pero tiene razón:
Hay algo fascinante en la ciencia.
A partir de unos pocos huesos,
inferimos la existencia de dinosaurios.
A partir de las líneas espectrales,
la composición de las nebulosas.
A partir de moscas de la fruta,
los mecanismos de la herencia,
y a partir de imágenes reconstruidas
de sangre que fluye a través del cerebro,
o en mi caso, desde el comportamiento
de los niños muy pequeños,
tratamos de decir algo sobre los
mecanismos fundamentales
de la cognición humana.
En particular, en mi laboratorio en el
Departamento de Cerebro
y Ciencias Cognitivas del MIT,
he pasado los últimos diez años
tratando de entender el misterio
de cómo los niños aprenden mucho
rápidamente a partir de tan poco.
Porque resulta que lo fascinante
de la ciencia
es también una cosa fascinante
en los niños,
que, para ponerlo en términos de
Mark Twain, pero más suave
es precisamente su capacidad para
dibujar ricas inferencias abstractas
rápidamente y con precisión
a partir de datos dispersos, confusos.
Daré solo dos ejemplos hoy.
Uno es sobre un problema
de generalización,
y el otro sobre un problema
de razonamiento causal.
Y aunque hablaré
del trabajo en mi laboratorio,
este trabajo se inspira
y está en deuda con un campo.
Se lo agradezco a los mentores, colegas
y colaboradores de todo el mundo.
Permítanme comenzar con el problema
de la generalización.
Generalizar a partir de
pequeñas muestras de datos
es el pan de cada día de la ciencia.
Entrevistamos a una pequeña fracción
del electorado
y podemos predecir el resultado
de las elecciones nacionales.
Vemos un puñado de pacientes responder
al tratamiento en un ensayo clínico,
y lanzamos los fármacos
a un mercado nacional.
Pero esto solo funciona si la muestra
se extrae al azar de la población.
Si la muestra es seleccionada
de alguna manera
--por ejemplo, un sondeo
a solo votantes urbanos,
o, en un ensayo clínico de tratamientos
para enfermedades del corazón,
solo incluimos hombres--
los resultados no pueden generalizarse
a la población en general.
Los científicos se preocupan si
la evidencia es tomada o no al azar,
pero ¿qué tiene esto
que ver con los bebés?
Los bebés tienen que
generalizar a partir de
pequeñas muestras de datos
todo el tiempo.
Ellos ven un par de patos de goma
y aprenden que flotan,
o un par de pelotas
y aprenden que rebotan.
Y desarrollan expectativas
sobre patos y pelotas
que van a extender a los patos de goma
y a las pelotas
por el resto de sus vidas.
El tipo de generalizaciones que los bebés
tienen que hacer sobre patos y bolas
tienen que hacerlas con casi todo:
zapatos y barcos y cera y coles y reyes.
¿A los bebés les importa si
las pocas pruebas que ven,
representan una población más grande?
Vamos a ver.
Les mostraré dos películas,
una de cada una de las dos condiciones
de un experimento,
y como son solo dos películas,
verán solo dos bebés,
y los dos bebés difieren entre sí
en innumerables maneras.
Pero estos bebés, por supuesto,
son parte de grupos de bebés,
y las diferencias que verán
representan diferencias
del grupo promedio
en el comportamiento
según las condiciones.
En cada película, verán
a un bebé haciendo
exactamente lo que cabría esperar
que haga un bebé,
y difícilmente podemos hacer a
los bebés más mágicos de lo que ya son.
Pero a para mi mente lo mágico,
y a lo que quiero que presten atención,
es al contraste entre
estas dos condiciones,
porque lo único en que se diferencian
estas dos películas
es la evidencia estadística
que los bebés observarán.
Les mostraremos una caja
de bolas de color azul y amarillo,
y mi entonces estudiante de posgrado,
ahora colega en Stanford, Hyowon Gweon,
sacará tres bolas de color azul
en fila de esta caja,
y al sacar esas bolas fuera,
las apretará,
y las bolas chirriarán.
Y si fueran el bebé,
sería como una TED Talk.
No hay nada mejor que eso.
(Risas)
Pero el punto importante es que es muy
fácil sacar tres bolas azules en fila
de una caja de pelotas
en su mayoría azules.
Podrían hacerlo con los ojos cerrados.
Es posible una muestra aleatoria
de esta población.
Y si se pueden sacar de la caja al azar
y sacar cosas que chirrían,
entonces tal vez todo en la caja chirría.
Tal vez los bebés deben esperar que esas
bolas amarillas chirríen también.
Las bolas amarillas
tienen palos divertidos al final,
así los bebés podrían hacer
otras cosas con ellas si quisieran.
Podrían sacudirlas o golpear a ellas.
Pero vamos a ver lo que hace el bebé.
(Video) Hyowon Gweon: ¿Ves esto?
(Bola chirría)
¿Viste eso?
(Bola chirría)
Genial.
¿Ves este?
(Bola chirría)
Guauu.
Laura Schulz: Lo dije.
(Risas)
(Video) HG: ¿Ves este?
(Bola chirría)
Clara, este es para ti.
Puedes jugar.
(Risas)
LS: No tengo ni siquiera
que hablar, ¿verdad?
Está bien, es bueno que los bebés
generalicen propiedades
de bolas azules a amarillas,
y es impresionante que pueden
aprender de nosotros imitando,
pero ido aprendiendo esas cosas de
los bebés durante mucho tiempo.
La pregunta realmente interesante
es qué sucede cuando
les mostramos a los bebés lo mismo,
y sabemos que es lo mismo, porque
tenemos un compartimiento secreto
y que en realidad
tomamos las bolas de allí,
pero esta vez, lo único que cambiamos
es la población aparente
de la que se extrae la evidencia.
Esta vez, mostraremos
a los bebés tres bolas azules
sacadas de una caja de pelotas
en su mayoría de color amarillo,
¿y adivinen qué?
Seguramente no sacarán al azar
tres bolas azules en fila
de una caja de pelotas
en su mayoría amarillas.
Eso no es plausible
en muestreos aleatorios.
Esa evidencia sugiere que tal vez Hyowon
tomaba deliberadamente las bolas azules.
Tal vez hay algo especial
con las bolas azules.
Tal vez solo las bolas azules chirrían.
Vamos a ver lo que hace el bebé.
(Video) HG: ¿Ves esto?
(Bola chirría)
¿Ves este juguete?
(Bola chirría)
Oh, eso fue genial. ¿Ves?
(Bola chirría)
Este es para que juegues.
Puedes jugar.
(Hace ruidos)
(Risas)
LS: Acaban de ver dos bebés
de 15 meses de edad
hacer cosas completamente diferentes
basados solo en la probabilidad de
la muestra que observaron.
Les enseñaré
los resultados experimentales.
En el eje vertical,
verán el porcentaje de bebés
que apretaron la pelota en cada condición,
y como verán, los bebés son mucho más
propensos a generalizar las pruebas
cuando es plausiblemente
representativa de la población
que cuando la evidencia
es claramente escogida.
Y esto lleva a una predicción extraña:
Supongamos que sacamos solo una bola
azul de una caja con mayoría amarilla.
Probablemente no sacarán tres azules
en fila al azar de una caja de amarillas,
pero se podría solo una bola azul al azar.
Esa no es una muestra improbable.
Y si pudieran tomar
una al azar de una caja
y sacar algo que chirría, tal vez
todo en la caja chirriaría.
Así que a pesar de que los bebés verán
mucha menos evidencia de chirridos,
y tienen muchas menos acciones para imitar
en esta condición de una bola
que es la que van a ver,
predijimos que los bebés
sí la exprimirían más,
y eso es exactamente
lo que encontramos.
Los bebés de 15 meses de edad, en este
sentido, al igual que los científicos,
tienen cuidado de si la evidencia
es de una muestra al azar o no,
y utilizan esto para desarrollar
expectativas sobre el mundo:
que chirría y que no,
qué explorar y qué ignorar.
Les mostraré otro ejemplo,
sobre un problema
de razonamiento causal.
Comienza con un problema
confuso de evidencia
que todos tenemos,
que es que somos parte del mundo.
Puede no parecer un problema,
pero como la mayoría de los problemas,
es solo un problema
cuando las cosas van mal.
Tomen este bebé, por ejemplo.
Las cosas van mal para él.
Le gustaría jugar con este juguete,
y no puede.
Les mostraré unos pocos segundos del clip.
Hay dos grandes posibilidades:
Tal vez él está haciendo algo mal,
o tal vez hay algo mal con el juguete.
Así que en el siguiente experimento,
daremos a los bebés solo
unos pocos datos estadísticos
para apoyar una hipótesis sobre la otra,
y veremos si pueden usarlos
para tomar decisiones diferentes
acerca de qué hacer.
Aquí está la configuración.
Hyowon intentará que
el juguete funcione y tenga éxito.
Yo a continuación lo intentaré
dos veces y fallaré en ambas,
y luego Hyowon lo intentará de nuevo
y tendrá éxito,
lo que resume casi mi relación
con mis estudiantes de posgrado
en tecnología en todos los ámbitos.
Pero el punto importante aquí es
que proporciona algo de evidencia
que el problema no es con el juguete,
que es con la persona.
Algunos pueden
hacer funcionar este juguete,
y otros no pueden.
Cuando el bebé recibe el juguete,
optará por una alternativa.
Su mamá está ahí,
para que pueda continuar
y cambiar a la persona,
pero también habrá
otro juguete al final de esa tela,
y él puede tirar de la tela hacia él
y cambiar el juguete.
Así que veamos qué hace el bebé.
(Video) HG: Dos, tres. ¡Adelante!
(Música)
LS: Uno, dos, tres, ¡ya!
Arthur, voy a intentarlo de nuevo.
Uno, dos, tres, ¡ya!
YG: Arthur, déjame intentarlo de nuevo,
¿de acuerdo?
Uno, dos, tres, ¡ya!
(Música)
Mira eso. ¿Recuerdas estos juguetes?
¿Ves estos juguetes?
Sí, voy a poner este aquí,
y te voy a dar este.
Puede jugar.
BT: Bueno, Laura, pero, por supuesto,
los bebés aman a sus mamás.
Claro, los bebés
dan juguetes a sus mamás
cuando no pueden hacer que funcionen.
De nuevo, la pregunta realmente
importante es qué sucede cuando cambiamos
los datos estadísticos ligeramente.
Esta vez, los bebés verán el juguete
funcionar y fallar en el mismo orden,
pero cambiamos la distribución
de las pruebas.
Esta vez, Hyowon tendrá éxito una vez
y fallará otra, y yo también
Y esto sugiere que no importa quién usa
el juguete, el juguete falla.
No funciona todo el tiempo.
Una vez más,
el bebé tendrá una elección.
Su mamá está justo al lado, para que
ella pueda cambiar a la persona,
y habrá otro juguete al final de la tela.
Vamos a ver lo que hace.
(Video) HG: Dos, tres, ¡ya!
(Música)
Déjame intentarlo una vez más.
Uno, dos, tres, ¡ya!
Hmm.
LS: Déjame intentar, Clara.
Uno, dos, tres, ¡ya!
Hmm, déjame intentarlo de nuevo.
Uno, dos, tres, ¡ya!
(Música)
HG: Voy a poner este por aquí,
y te voy a dar éste.
Puedes usarlo y jugar.
(Aplausos)
LS: Les mostrará
los resultados experimentales.
En el eje vertical, verán la distribución
de opciones de los niños
en cada condición,
y verán que la distribución
de las opciones de los niños
dependen de los ensayos que observan.
Así, en el segundo año de vida,
los bebés pueden usar
algo de los datos estadísticos
para decidir entre dos estrategias
fundamentalmente diferentes
para actuar en el mundo:
pedir ayuda y explorar.
Acabo de mostrarles
dos experimentos de laboratorio
de literalmente cientos en el campo
que llegan a resultados similares,
debido a que el punto realmente crítico es
que la capacidad de los niños para hacer
inferencias a partir de datos escasos
subyace a todo el aprendizaje cultural
específico de la especie.
Los niños aprenden nuevas herramientas
a partir de solo algunos ejemplos.
Aprenden nuevas relaciones causales
a partir de solo algunos ejemplos.
Incluso aprenden nuevas palabras, en este
caso en el lenguaje de señas americano.
Quiero cerrar con solo dos puntos.
Si han seguido mi mundo, el campo
de las ciencias cerebrales y cognitivas,
en los últimos años,
tres grandes ideas
habrán llamado su atención.
La primera es que esta
es la era del cerebro.
Y, en efecto, ha habido descubrimientos
asombrosos en neurociencia:
localización de regiones funcionalmente
especializados de la corteza,
logrando cerebros de ratón transparentes,
la activación de las neuronas con la luz.
Una segunda gran idea
es que esta es la era de los grandes
datos y el aprendizaje automático,
y las máquinas que aprenden prometen
revolucionar nuestra comprensión
de todo, desde las redes sociales
a la epidemiología.
Tal vez, al afrontar problemas
de la escena comprensión
y el procesamiento del lenguaje natural,
nos diga algo sobre la cognición humana.
Y la gran idea final que habrán oído
es que tal vez es una buena idea que
vamos a saber tanto de cerebros
y tener tanto acceso a grandes datos,
porque dejaremos a
nuestros propios dispositivos,
los seres humanos son falibles,
tomamos atajos,
erramos, cometemos errores,
estamos sesgados,
y en innumerables formas,
obtenemos el mundo equivocado.
Creo que estas son todas
historias importantes,
y tienen mucho que decirnos
acerca de lo que significa ser humano,
pero tengan en cuenta que hoy
les conté una historia muy diferente.
Es una historia acerca de la mente
y no del cerebro,
y, en particular, es una historia
sobre los tipos de cálculos
que las mentes humanas pueden realizar
de forma única,
que implican, ricos conocimientos
estructurados y capacidad de aprender
desde pequeñas cantidades de datos,
la evidencia de unos pocos ejemplos.
Y fundamentalmente, es una historia sobre
cómo iniciar a los niños muy pequeños
y continuar hasta el final
a los más grandes logros
de nuestra cultura,
tenemos al mundo bien.
La mente humana no solo aprende
de pequeñas cantidades de datos.
Las mentes humanas piensan nuevas ideas.
Las mentes humanas generan
investigación y descubrimiento,
y las mentes humanas producen arte
y literatura y poesía y teatro,
y las mentes humanas
cuidan de otros seres humanos:
nuestros mayores, nuestros jóvenes,
nuestros enfermos.
Incluso nos sana.
En los próximos años, veremos
las innovaciones tecnológicas
incluso más allá de lo
que yo pueda imaginar,
pero es muy poco probable
ver cualquier cosa, incluso aproximarse a
la potencia de cálculo de un niño humano
en mi vida o en la suya.
Si invertimos en estos más
poderosos alumnos y en su desarrollo,
en los bebés y niños
y madres y padres
y cuidadores y maestros
en la forma en que invertimos en nuestras
otras formas más poderosas y elegantes
de tecnología, ingeniería y diseño,
no vamos simplemente a estar soñando
con un futuro mejor,
estaremos planeando para uno.
Muchas gracias.
(Aplausos)
Chris Anderson: Laura, gracias. En
realidad tengo una pregunta.
En primer lugar,
la investigación es una locura.
Quiero decir, ¿quién diseñaría un
experimento como ese? (Risas)
Los he visto un par de veces,
y todavía honestamente no creo que
realmente esté pasando,
pero otras personas han hecho
experimentos similares; revisen.
Los bebés son realmente genios.
LS: Se ven realmente
impresionantes en nuestros experimentos,
pero piensa en cómo se ven
en la vida real, ¿verdad?
Empiezan como un bebé.
18 meses más tarde,
hablan contigo,
y las primeras palabras no son solo
cosas como pelotas y patos,
son cosas como "se acabó",
que se refieren a desaparición,
o "uh-oh", para acciones intencionales.
Tiene que ser tan poderoso.
Tiene que ser mucho más poderoso
que cualquier otra cosa.
Están averiguando el mundo entero.
Un niño de 4 años,
puede hablarte de casi cualquier cosa.
(Aplausos)
CA: ¿Y te he entendido bien, el otro
punto clave que estás haciendo es,
que hemos pasado estos años
donde hay todas estas charlas
de lo rara y loca
que es nuestra mente,
la economía del comportamiento
y las teorías subyacentes
de que no somos agentes racionales.
Realmente dices que la historia
más grande es lo extraordinario,
y que en realidad
es el genio que es poco apreciado.
LS: Una de mis citas favoritas
de psicología
proviene del psicólogo social
Solomon Asch, quien dijo
que la tarea fundamental
de la psicología es quitar
el velo de la autoevidencia de las cosas.
Hay órdenes de magnitud,
más decisiones que tomar cada día
que logran un buen mundo.
Sabes de los objetos y sus propiedades.
Los conoces cuando están ocultos.
Los conoces en la oscuridad.
Puedes caminar por salas.
Puedes averiguar qué están pensando
otros. Puedes hablar con ellos.
Navegas por el espacio.
Sabes sobre números.
Sabes las relaciones causales.
Y sobre el razonamiento moral.
Lo haces sin esfuerzo, así que no lo ves,
pero así es como conseguimos
un buen mundo, y es un notable
y logros muy difíciles de entender.
CA: Sospecho que hay gente
en la audiencia que tiene
la visión de la aceleración tecnológica
que podría controvertir tu afirmación
de que en nuestras vidas
una computadora no hará lo que un niño
de tres años puede hacer,
pero lo que está claro
es que en cualquier escenario,
nuestras máquinas tienen mucho
que aprender de nuestros niños.
LS: Creo que sí. Habrá máquinas
de aprendizaje automático.
Quiero decir, nunca debe apostar
en contra de los bebés o los chimpancés
o la tecnología como
una cuestión de práctica,
pero no se trata solo
de una diferencia en la cantidad,
es una diferencia en cualidad.
Tenemos computadoras muy potentes,
y las hacen hacer cosas
muy sofisticadas,
a menudo con muy grandes
cantidades de datos.
Las mentes humanas hacen,
creo, algo muy distinto,
y creo que es la naturaleza estructurada
y jerárquica del conocimiento humano
lo que sigue siendo un verdadero desafío.
CA: Laura Schulz, maravilloso alimento
para la reflexión. Muchas gracias.
LS: Gracias.
(Aplausos)