Mark Twain resumiu o que eu considero que é un dos problemas fundamentais da ciencia cognitiva cunha sinxela ocorrencia. Dixo, "A ciencia é fascinante. Conséguense cantidades masivas de conxecturas a partir dun investimento tan insignificante en feitos.” (Risas) Twain quería facer unha broma, claro, pero ten razón: A ciencia é fascinante. A partir duns cantos ósos, inferimos a existencia dos dinosauros. Das liñas espectrais, a composición das nebulosas. A partir das moscas da froita, os mecanismos da herdanza, e de imaxes reconstruídas de sangue fluíndo a través do cerebro, ou no meu caso, do comportamento de nenos moi pequenos, intentamos dicir algo sobre os mecanismos fundamentais da cognición humana. En concreto, no meu laboratorio no Dpto. de Cerebro e Ciencias Cognitivas, no MIT, pasei a última década intentando entender o misterio de por que os nenos aprenden tanto, a partir de tan pouco, e tan rápido. Porque resulta que o que a ciencia ten de fascinante téñeno tamén de fascinante os nenos, e é, dicíndoo de forma máis suave ca Mark Twain, precisamente a súa capacidade de extraer inferencias ricas e abstractas de forma rápida e precisa a partir de datos dispersos e confusos. Vou dar só dous exemplos hoxe. Un deles aborda un problema de xeneralización, e o outro un de razoamento causal. E aínda que vou falar do que facemos no meu laboratorio, este traballo está inspirado por un campo e en débeda con el. Estoulles agradecida a mentores, colegas e colaboradores de todo o mundo. Quero comezar co problema de xeneralización. Xeneralizar a partir de pequenas mostras de datos é o pan de cada día da ciencia. Entrevistamos unha fracción mínima do electorado e predicimos o resultado das eleccións nacionais. Vemos como un puñado de pacientes responde a tratamento nun ensaio clínico, e incorporamos fármacos ao mercado nacional. Pero isto soamente funciona se a mostra se extrae aleatoriamente da poboación. Se a nosa mostra ten algunha manipulación --por exemplo, entrevistamos só votantes urbanos, ou nos nosos ensaios clínicos de tratamentos para doenzas cardíacas incluímos só homes-- os resultados poden non ser xeneralizables a toda a poboación. Por tanto aos científicos impórtalles se a mostra se recolleu ou non ao chou, pero que ten iso que ver cos bebés? Os bebés teñen que xeneralizar seguido a partir de pequenas mostras de datos. Ven uns poucos parrulos de goma e aprenden que flotan, ou algunhas pelotas e aprenden que botan. E desenvolven expectativas sobre os parrulos e as pelotas que aplicarán a uns e outras o resto das súas vidas. E os tipos de xeneralizacións que deben facer sobre parrulos e pelotas, deben facelos para case todo: zapatos e barcos e lacre e verzas e reis. Entón aos bebés impórtalles se o pequeno anaco de proba que ven representa de forma plausíbel unha poboación maior? Descubrámolo. Vou amosar dous vídeos, un por cada suposto dun experimento, e como só se verán dous vídeos, só se verán dous bebés, e un par calquera de bebés difire de calquera outro de innumerábeis formas. Pero estes bebés, por suposto, representan aquí a grupos de bebés, e as diferenzas que se van ver representan as diferenzas grupais medias no comportamento dos bebés en cada suposto. En cada vídeo verase un bebé facendo tal vez xusto o que se agardaría que fixese, e dificilmente podemos volver os bebés máis máxicos do que xa son. Pero para min o máxico, e ao que quero que se lle preste atención, é o contraste entre estes dous supostos, porque o único que difire entre os dous vídeos son os datos estatísticos que os bebés van observar. Imos ensinarlles unha caixa de bólas azuis e amarelas, e a que era a miña estudante graduada, hoxe compañeira en Stanford, Hyowon Gweon, vai sacar tres bólas azuis seguidas desta caixa, e despois de sacalas, vainas apertar, e as bólas van chiar. E se es un bebé, iso é como un charla TED. Non pode haber nada mellor. (Risas) Pero o importante é que é moi sinxelo sacar tres bólas azuis seguidas dunha caixa que ten sobre todo bólas azuis. Poderíase facer cos ollos pechados. Pódese admitir que é unha mostra aleatoria desta poboación. E se podes meter a man aleatoriamente nunha caixa e sacar cousas que chían, ao mellor todo o que hai na caixa chía. Así que tal vez os bebés deberían esperar que as bólas amarelas chíen tamén. As bólas amarelas teñen divertidos paus nun extremo, que permiten facer con elas outras cousas se se quere. Poderían axitalas ou bater con elas. Pero vexamos qué fai o bebé. (Vídeo) Ves isto? (A bóla chía) Viches iso? (A bóla chía) Xenial. Ves estoutra? (A bóla chía) Uaau. Díxenvolo. (Ri) Viches esta? (A bóla chía) Clara, agora esta é para ti. Veña, podes collela e xogar. (Barullo) (Risas) LS: Non teño nin que dicir nada, verdade? Vale, está ben que os bebés xeneralicen propiedades das bólas azuis ás bolas amarelas. E é impresionante que poidan aprender imitándonos. Pero sabemos iso dos bebés dende hai moito tempo. A pregunta realmente interesante é que ocorre cando lles amosamos aos bebés exactamente a mesma cousa, podemos asegurar que é a mesma porque temos un compartimento secreto e en realidade sacamos as bólas del, pero esta vez o que cambiamos foi a poboación aparente da que extraemos as mostras. Esta vez amosarémoslles aos bebés tres bólas azuis sacadas dunha caixa que ten sobre todo bólas amarelas, e saben que? Non se poden sacar aleatoriamente tres bólas azuis seguidas dunha caixa que ten sobre todo bólas amarelas. Esa non é unha mostra aleatoria. Esa proba suxire que ao mellor Hyowon estivo amosando deliberadamente as azuis. Tal vez as bólas azuis teñen algo especial Tal vez soamente as bólas azuis chían. Vexamos o que fai o bebé. (Vídeo) Ves isto? (A bóla chía) Ves este xoguete? (A bóla chía) Oh, que xenial. Ves? (A bóla chía) Agora esta é para que xogues ti. Veña, podes xogar. (Barullo) (Risas) LS: Acabades de ver dous bebés de 15 meses facendo dúas cousas totalmente diferentes baseadas só na probabilidade da mostra que observaron. Quero ensinar os resultados experimentais. No eixe vertical, pódese ver a porcentaxe de bebés que apertaron a bóla en cada suposto, e como se ve, os bebés tenden moito máis a xeneralizar a mostra cando é representativa da poboación ca cando está claramente manipulada. E isto lévanos a unha predición curiosa: supoñamos que sacamos só unha bóla azul da caixa que ten sobre todo bólas amarelas. Non se poderían sacar aleatoriamente 3 bólas azuis seguidas dunha caixa amarela pero poderíase sacar soamente unha. Non é unha mostra improbable. E se se puidese meter a man ao chou nunha caixa e sacar algo que chía, tal vez todo o da caixa chíe. Entón, aínda que os bebés van observar moita menos probas para chíos, e contan con moitas menos accións que imitar neste suposto dunha única bóla ca no que vimos antes, predicimos que os bebés por si sós apertarían a bóla máis veces, e iso é exactamente o que atopamos. Así que aos bebés de 15 meses, neste sentido, como científicos, impórtalles se a proba é unha mostra representativa ou non, e usan isto para desenvolver expectativas sobre o mundo: qué chía e qué non, qué explorar e qué ignorar. Agora quero amosar outro exemplo, esta vez sobre un problema de razoamento causal. E comeza cun problema de proba confusa que todos temos: o feito de que formamos parte do mundo. Isto pode non parecer un problema, pero como a maior parte deles, maniféstase só cando as cousas van mal. Velaquí este bebé, por exemplo. As cousas están indo mal para el. Gustaríalle facer funcionar o seu xoguete, e non pode. Amosarei un vídeo duns poucos segundos. En xeral, hai dúas posibilidades: ou el está facendo algo mal, ou algo non funciona no xoguete. Así que no seguinte experimento, darémoslles aos bebés só unha mínima porción de datos estatísticos que apoian unha das hipóteses sobre a outra, e veremos se os bebés poden usar iso para tomar decisións diferentes sobre qué facer. Velaquí o plan. Hyowon vai intentar que o xoguete funcione, e conségueo. Entón eu vou intentalo dúas veces e fracasar as dúas, despois Hyowon vai intentalo outra vez e conseguilo, o que resume en xeral a miña relación cos meus estudantes de posgrao no que ten que ver coa tecnoloxía. Pero o importante aquí é que proporciona algunha proba de que o problema non é o xoguete, senón a persoa. Algunhas poden facer que o xoguete funcione, e outras non. Agora, cando o bebé consegue o xoguete, vai ter unha elección. Súa nai está xusto alí, polo que pode ir e darlle o xoguete e cambiar a persoa, pero tamén vai haber outro xoguete no bordo desa tea, así que pode tirar da tea cara a el e cambiar o xoguete. Vexamos logo qué fai o bebé. (Vídeo) HG: Dous, tres. Xa! (Música) LS: Un, dous, tres. Xa! Arthur, vou intentalo outra vez. Un, dous, tres. Xa! HG: Arthur, déixame probar outra vez, si? Un, dous, tres. Xa! (Música) Mira. Acórdaste destes xoguetes? Ves estes xoguetes? Si, vou poñer este por aquí, e a ti vouche dar este. Veña, xa podes xogar. LS: Vale, Laura, pero claro, os bebés quérenlles ás súas mamás. Normal que lles dean os xoguetes a ela cando non conseguen que funcionen. De novo, a pregunta realmente importante é que ocorre cando cambiamos os datos estatísticos só levemente. Agora, os bebés van ver o xoguete funcionar e fallar xusto na mesma orde, pero imos cambiar a distribución da proba. Agora, Hyowon vai conseguilo unha vez e fracasar outra, e eu tamén. O que suxire que non importa quen proba este xoguete, está roto. Non funciona nunca. De novo, o bebé vai ter que tomar unha decisión. A súa nai está xusto ao lado, así que pode cambiar a persoa, e haberá outro xoguete ao final da tea. Vexamos que fai. HG: Dous, tres, xa! (Música) Déixame probar outra vez. Un, dous, tres, xa! Umm. LS: Déixame probar a min, Clara. Un, dous, tres, xa! Umm, déixame probar outra vez. Un, dos, tres, xa! (Música) HG: Vou poñer este por aquí, e vouche dar este a ti. Veña, xa podes xogar. (Aplausos) LS: Amosarei agora os resultados experimentais. No eixe vertical, vese a distribución das eleccións dos nenos baixo cada suposto, e vese que a distribución das eleccións que fan depende da proba que observan. No segundo ano de idade, os bebés poden usar unha fracción mínima de datos estatísticos para decidir entre dúas estratexias fundamentalmente diferentes para actuar no mundo: pedir axuda e explorar. Acabo de amosar dous experimentos de laboratorio dos literalmente centos neste campo que chegan a conclusións similares, porque o auténtico punto clave é que a capacidade dos nenos para facer ricas inferencias partindo de datos dispersos serve de base a toda a nosa aprendizaxe cultural específica como especie. Os nenos aprenden sobre novas ferramentas a partir duns poucos exemplos. Aprenden novas relacións causais a partir duns poucos exemplos. Incluso aprenden palabras novas , neste caso en lingua de signos americana. Quero concluír con só dúas cousas. A quen seguise o meu campo (o do cerebro e as ciencias cognitivas) durante os últimos anos, chamaríanlle a atención tres grandes ideas. A primeira é que esta é a era do cerebro. E por suposto, houbo descubrimentos impresionantes en neurociencia: localizar rexións do córtex funcionalmente especializadas, facer transparentes os cerebros de ratos, activar neuronas con luz. Unha segunda grande idea é que esta é a era dos datos masivos e da aprendizaxe automática, e a aprendizaxe automática promete revolucionar a nosa comprensión de todo, dende as redes sociais ata a epidemioloxía. E tal vez, á vez que afronta problemas de comprensión do contexto e de procesamento da linguaxe natural, poida desvelarnos algo sobre a cognición humana. E a gran idea final que escoitarían é que pode ser boa idea saber tanto sobre os cerebros e ter tanto acceso a datos masivos, porque pola nosa conta, os humanos somos falíbeis, buscamos atallos, erramos, temos fallos, non somos neutrais, e de formas innumerables, chegamos a ideas falsas sobre o mundo. Eu creo que todas estas son noticias importantes, e que teñen moito que contarnos sobre qué significa ser humano, pero gustaríame destacar que hoxe tratei unha noticia moi distinta. Unha noticia sobre mentes, non sobre cerebros, e en particular, sobre o tipo de computación que só as mentes humanas poden realizar, que implican coñecementos ricos e estruturados e capacidade de aprender a partir de pequenas cantidades de datos, coa proba de só uns poucos exemplos. E fundamentalmente, é unha noticia sobre como dende meniños e continuando todo o camiño ata os máis grandes logros da nosa cultura, conseguimos entender ben o mundo. Amigos, as mentes humanas non aprenden só a partir de pequenas cantidades de datos As mentes humanas pensan ideas totalmente novas. As mentes humanas xeran investigación e descubrimento, e as mentes humanas xeran arte e literatura e poesía e teatro, e as mentes humanas coidan doutros seres humanos: os nosos maiores, a nosa mocidade, os nosos enfermos. Incluso os curamos. Nos próximos anos, imos ver innovacións tecnolóxicas máis alá do que podo concibir, pero hai moi poucas probabilidades de que vexamos algo que se aproxime sequera ao poder computacional dun neno humano, no resto da miña vida ou da vosa. Se investimos nestes potentísimos aprendices e no seu desenvolvemento, en bebés e cativos, e nais e pais e coidadores e profesores do xeito que investimos nas nosas outras poderosísimas e elegantes formas de tecnoloxía, enxeñaría e deseño, non estaremos simplemente soñando cun mellor futuro, estaremos planificándoo. Moitísimas grazas. (Aplausos) Chris Anderson: Grazas, Laura. Quería facerche unha pregunta. Antes de nada, esta investigación é de tolos. Quen deseñaría un experimento coma ese? (Risas) Vino unhas cantas veces, e sigo sen acabar de crer que poida estar ocorrendo de verdade, pero outras persoas fixeron experimentos similares; está comprobado. Os bebés son realmente xenios. LS: Parecen realmente impresionantes nos nosos experimentos, pero pensa no que fan na vida real, non? Todo comeza cun bebé. Dezaoito meses despois, estache falando, e as primeiras palabras dos bebés non van de pelotas e parrulos, son cousas como “non ta” que se refire á desaparición, ou “uh oh”, para referirse a accións involuntarias. Ten que ser así de poderoso. Ten que ser moito máis poderoso que o que ensinei. Están descifrando o mundo enteiro. Un neno de catro anos pode falarche sobre case todo. (Aplausos) CA: E se entendo ben, o outro punto clave que destacas é que durante estes anos tivemos todo este debate sobre o peculiares e confusas que son as nosas mentes, coa economía condutual e teorías enteiras detrás de que non somos axentes racionais. E ti estás a dicir que este fenómeno é extraordinario, e que en realidade hai xenialidade que está subestimada. Unha das miñas citas favoritas en psicoloxía é do psicólogo social Solomon Asch, que dixo que “o cometido fundamental da psicoloxía é eliminar o veo de autoevidencia das cousas”. Hai millóns de decisións que se toman a diario que interpretan ben o mundo. Coñecemos os obxectos e as súas propiedades. Recoñecémolos cando están ocultos. Recoñecémolos na escuridade. Camiñamos por cuartos. Podemos percibir o que pensan outros. Podemos falarlles. Podemos navegar no espazo. Coñecemos os números. Entendemos as relacións causais. Entendemos o razoamento moral. E todo isto sen esforzo ningún, por iso non nos decatamos, pero así interpretamos ben o mundo, e moi difícil de entender. CA: Imaxino que hai persoas no público que comparten esa visión do crecente poder tecnolóxico que poderían cuestionar a túa afirmación de que nunca nas nosas vidas un ordenador fará o que un neno de tres anos pode facer, pero está claro que en calquera situación, as nosas máquinas teñen moito que aprender dos nosos cativos. LS: Eu tamén o creo. Aquí haberá partidarios da aprendizaxe automática. Nunca deberías apostar contra os bebés ou os chimpancés ou da tecnoloxía, en principio. pero non se trata só dunha diferenza de cantidade, é unha diferenza cualitativa. Temos ordenadores incriblemente potentes, que fan cousas incriblemente sofisticadas, por veces con enormes cantidades de datos. As mentes humanas fan, para min, algo bastante diferente, e creo que é a natureza estruturada e xerarquizada do coñecemento humano o que permanece como un verdadeiro desafío. CA: Laura Schulz, un gran tema para reflexionar. Moitas grazas. Grazas (Aplausos)