1
00:00:00,835 --> 00:00:02,800
Mark Twain resumiu o que eu considero

2
00:00:02,800 --> 00:00:06,110
um dos problemas fundamentais
da ciência cognitiva

3
00:00:06,110 --> 00:00:07,820
com apenas um chiste.

4
00:00:08,150 --> 00:00:11,492
Ele disse: "Há algo
fascinante sobre a ciência.

5
00:00:11,492 --> 00:00:14,720
Obtém-se retornos profundos 
de conjectura

6
00:00:14,720 --> 00:00:17,924
a partir de investigações
superficiais da verdade".

7
00:00:17,924 --> 00:00:19,509
(Risos)

8
00:00:20,199 --> 00:00:22,803
Twain disse isso brincando,
mas ele está certo:

9
00:00:22,803 --> 00:00:25,679
há algo fascinante sobre a ciência.

10
00:00:25,679 --> 00:00:29,940
A partir de alguns ossos, inferimos
a existência de dinossauros.

11
00:00:30,910 --> 00:00:34,781
A partir de linhas espectrais,
a composição de nebulosas.

12
00:00:35,471 --> 00:00:37,579
A partir de moscas-das-frutas,

13
00:00:38,409 --> 00:00:40,862
os mecanismos de hereditariedade,

14
00:00:41,352 --> 00:00:45,601
e de imagens reconstruídas
do sangue que flui através do cérebro,

15
00:00:45,601 --> 00:00:50,309
ou no meu caso, do comportamento
de crianças muito novas,

16
00:00:50,309 --> 00:00:53,138
nós tentamos dizer algo
sobre os mecanismos fundamentais

17
00:00:53,138 --> 00:00:54,756
da cognição humana.

18
00:00:55,716 --> 00:01:00,475
No meu laboratório no Departamento
de Ciências Cognitivas no MIT,

19
00:01:00,475 --> 00:01:03,509
eu passei a última década
tentando entender o mistério

20
00:01:03,509 --> 00:01:08,106
de como as crianças aprendem tanto
a partir de tão pouco e tão rápido.

21
00:01:08,666 --> 00:01:11,644
E acontece que essa coisa
fascinante sobre ciência

22
00:01:11,644 --> 00:01:15,173
também é uma coisa fascinante
sobre as crianças,

23
00:01:15,173 --> 00:01:17,754
e mudando um pouco a frase de Mark Twain,

24
00:01:17,754 --> 00:01:22,404
é exatamente a capacidade delas
de criar inferências ricas e abstratas

25
00:01:22,404 --> 00:01:27,065
com rapidez e precisão
a partir de poucos dados ruidosos.

26
00:01:28,355 --> 00:01:30,753
Eu vou dar a vocês apenas dois exemplos.

27
00:01:30,753 --> 00:01:33,040
O primeiro é sobre 
um problema de generalização,

28
00:01:33,040 --> 00:01:35,890
e o segundo é sobre um problema
de raciocínio causal.

29
00:01:35,890 --> 00:01:38,415
Apesar de falar
sobre o trabalho em meu laboratório,

30
00:01:38,415 --> 00:01:41,875
este trabalho é inspirado 
e derivado de um campo.

31
00:01:41,875 --> 00:01:46,158
Sou grata a mentores, colegas,
e colaboradores em todo o mundo.

32
00:01:47,308 --> 00:01:50,282
Vou começar com o problema
de generalização.

33
00:01:50,652 --> 00:01:54,785
Generalizar a partir de poucos dados
é o feijão com arroz da ciência.

34
00:01:54,785 --> 00:01:57,339
Nós sondamos uma pequena fração 
de eleitores

35
00:01:57,339 --> 00:01:59,660
e prevemos o resultado
das eleições nacionais.

36
00:02:00,240 --> 00:02:04,165
Vemos como alguns pacientes respondem
ao tratamento num ensaio clínico,

37
00:02:04,165 --> 00:02:07,230
e trazemos drogas para o mercado nacional.

38
00:02:07,230 --> 00:02:11,595
Mas isso só funciona se nossa amostra
for obtida aleatoriamente da população.

39
00:02:11,595 --> 00:02:14,260
Se nossa amostra for enviesada
de alguma maneira,

40
00:02:14,260 --> 00:02:16,402
digamos, sondamos apenas
eleitores urbanos,

41
00:02:16,402 --> 00:02:20,790
ou então, em nossos ensaios clínicos
para tratamento de doenças do coração,

42
00:02:20,790 --> 00:02:22,671
incluímos apenas homens,

43
00:02:22,671 --> 00:02:25,829
os resultados podem não abranger
a população em geral.

44
00:02:26,479 --> 00:02:30,060
Então, os cientistas se importam
se as amostras são randomizadas,

45
00:02:30,060 --> 00:02:32,075
mas o que isso tem a ver com bebês?

46
00:02:32,585 --> 00:02:37,206
Bem, os bebês precisam generalizar
pequenas amostras de dados o tempo todo.

47
00:02:37,206 --> 00:02:40,364
Eles veem alguns patos de borracha
e sabem que eles flutuam,

48
00:02:40,364 --> 00:02:43,939
ou veem algumas bolas e sabem que quicam.

49
00:02:43,939 --> 00:02:46,890
E eles desenvolvem expectativas
sobre patos e bolas

50
00:02:46,890 --> 00:02:49,606
que eles vão estender
para os patos de borracha e bolas

51
00:02:49,606 --> 00:02:51,485
para o resto das suas vidas.

52
00:02:51,485 --> 00:02:55,224
E os tipos de generalizações
que os bebês fazem sobre patos e bolas,

53
00:02:55,224 --> 00:02:57,313
eles precisam fazer sobre quase tudo:

54
00:02:57,313 --> 00:03:01,230
sapatos, barcos, cera de vela, 
repolhos e reis.

55
00:03:02,200 --> 00:03:05,161
Os bebês se importam se os pedacinhos 
de evidência que veem

56
00:03:05,161 --> 00:03:08,853
são representantes plausíveis
de uma população maior?

57
00:03:09,763 --> 00:03:11,663
Vamos descobrir.

58
00:03:11,663 --> 00:03:13,386
Eu vou mostrar dois filmes a vocês,

59
00:03:13,386 --> 00:03:15,848
um filme para cada condição
de um experimento,

60
00:03:15,848 --> 00:03:18,286
e porque vocês vão ver apenas dois filmes,

61
00:03:18,286 --> 00:03:20,422
vocês verão apenas dois bebês,

62
00:03:20,422 --> 00:03:24,369
e os bebês diferem entre si
de várias maneiras.

63
00:03:24,369 --> 00:03:27,420
Mas estes bebês, claro,
representam um grupos de bebês,

64
00:03:27,420 --> 00:03:29,315
e as diferenças que vocês vão ver

65
00:03:29,315 --> 00:03:34,050
representam as diferenças médias 
de grupos de bebês de cada condição.

66
00:03:35,160 --> 00:03:37,743
Em cada filme, talvez vocês vejam
um bebê fazendo

67
00:03:37,743 --> 00:03:41,203
exatamente o que você
espera que um bebê faça,

68
00:03:41,203 --> 00:03:45,220
e dificilmente podemos tornar os bebês
mais mágicos do que já são.

69
00:03:46,090 --> 00:03:48,100
Mas para mim, a coisa mágica

70
00:03:48,100 --> 00:03:50,189
na qual quero que vocês prestem atenção

71
00:03:50,189 --> 00:03:53,300
é o contraste entre estas duas condições,

72
00:03:53,300 --> 00:03:56,829
porque a única coisa
que difere entre estes dois filmes

73
00:03:56,829 --> 00:04:00,295
é a evidência estatística
que os bebês vão observar.

74
00:04:01,425 --> 00:04:04,608
Vamos mostrar aos bebês
uma caixa de bolas azuis e amarelas,

75
00:04:04,608 --> 00:04:09,228
e minha aluna, que agora é minha colega 
de Stanford, Hyowon Gweon,

76
00:04:09,228 --> 00:04:12,305
vai tirar três bolas azuis
de cada vez fora desta caixa,

77
00:04:12,305 --> 00:04:15,428
e ao tirar as bolas, ela vai apertá-las,

78
00:04:15,428 --> 00:04:17,541
e as bolas vão chiar.

79
00:04:17,541 --> 00:04:20,303
E se você for um bebê,
é como se fosse uma Palestra TED.

80
00:04:20,303 --> 00:04:23,608
Não tem como ficar melhor que isso.
(Risos)

81
00:04:26,968 --> 00:04:30,627
Mas o que importa é que é fácil
pegar três bolas azuis em sequência

82
00:04:30,627 --> 00:04:32,932
de uma caixa com maioria de bolas azuis.

83
00:04:32,932 --> 00:04:34,992
Você pode fazer isso de olhos fechados.

84
00:04:34,992 --> 00:04:37,988
É plausível que seja uma amostra aleatória
desta população.

85
00:04:37,988 --> 00:04:41,720
E se você põe a mão numa caixa
e pega coisas que chiam,

86
00:04:41,720 --> 00:04:44,559
então talvez tudo dentro da caixa chia.

87
00:04:44,559 --> 00:04:48,569
Talvez os bebês esperem
que essas bolas amarelas chiem também.

88
00:04:48,569 --> 00:04:50,728
Essas bolas amarelas
têm bastões engraçados,

89
00:04:50,728 --> 00:04:53,585
e os bebês podem fazer outras coisas
com elas se quiserem.

90
00:04:53,585 --> 00:04:55,416
Eles podem amassá-las.

91
00:04:55,416 --> 00:04:57,262
Mas vamos ver o que o bebê faz.

92
00:05:00,338 --> 00:05:03,681
(Vídeo) Hyowon Gweon: Olha isso?
(Bola chia)

93
00:05:04,531 --> 00:05:07,576
Você viu?
(Bola chia)

94
00:05:08,036 --> 00:05:09,342
Legal!

95
00:05:12,706 --> 00:05:14,656
Olha isso?

96
00:05:14,656 --> 00:05:16,397
(Bola chia)

97
00:05:16,397 --> 00:05:17,820
Uau!

98
00:05:21,854 --> 00:05:23,967
Laura Schulz: Não disse?
(Risos)

99
00:05:23,967 --> 00:05:27,058
(Vídeo) HG: Olha isso?
(Bola chia)

100
00:05:27,798 --> 00:05:32,417
Clara, esta é para você.
Você pode brincar se quiser.

101
00:05:37,834 --> 00:05:42,199
(Risos)

102
00:05:44,029 --> 00:05:46,204
LS: Eu não preciso nem falar.

103
00:05:47,084 --> 00:05:49,703
Tudo bem, é bom que os bebês
generalizem as propriedades

104
00:05:49,703 --> 00:05:51,641
das bolas azuis para as amarelas,

105
00:05:51,641 --> 00:05:54,737
é impressionante que os bebês
aprendam nos imitando,

106
00:05:54,737 --> 00:05:58,406
mas já sabemos dessas coisas 
sobre os bebês há muito tempo.

107
00:05:58,406 --> 00:06:00,017
A questão mais interessante

108
00:06:00,017 --> 00:06:02,949
é o que acontece quando mostramos
exatamente a mesma coisa,

109
00:06:02,949 --> 00:06:06,470
e podemos garantir que é a mesma coisa
pois temos um compartimento secreto

110
00:06:06,470 --> 00:06:08,790
e tiramos as bolas de lá,

111
00:06:08,790 --> 00:06:12,268
mas desta vez, vamos mudar
a população aparente

112
00:06:12,268 --> 00:06:15,170
a partir da qual a evidência é obtida.

113
00:06:15,170 --> 00:06:18,723
Desta vez, vamos mostrar
aos bebês três bolas azuis

114
00:06:18,723 --> 00:06:22,107
tiradas de uma caixa
com maioria de bolas amarelas,

115
00:06:22,107 --> 00:06:23,429
e adivinha?

116
00:06:23,429 --> 00:06:26,269
Você provavelmente não tira
três bolas azuis em sequência

117
00:06:26,269 --> 00:06:28,753
de uma caixa 
com maioria de bolas amarelas.

118
00:06:28,753 --> 00:06:32,500
Isso não é uma evidência
amostral plausível.

119
00:06:32,500 --> 00:06:37,623
Essa evidência sugere que Hyowon
estivesse escolhendo as bolas azuis.

120
00:06:37,623 --> 00:06:40,206
Talvez haja algo especial
sobre as bolas azuis.

121
00:06:40,846 --> 00:06:43,822
Talvez apenas as bolas azuis chiem.

122
00:06:43,822 --> 00:06:45,717
Vamos ver o que o bebê faz.

123
00:06:45,717 --> 00:06:48,621
(Vídeo) HG: Olha isso?
(Bola chia)

124
00:06:50,851 --> 00:06:53,496
Olha este brinquedo?
(Bola chia)

125
00:06:53,496 --> 00:06:58,976
Isso foi legal! Olha?
(Bola chia)

126
00:06:58,976 --> 00:07:01,910
Agora, esta é para você brincar.
Pode brincar se quiser.

127
00:07:06,074 --> 00:07:12,421
(Mexendo)
(Risos)

128
00:07:14,901 --> 00:07:17,649
LS: Você acabou de ver
dois bebês de 15 meses de idade

129
00:07:17,649 --> 00:07:19,591
fazendo coisas totalmente diferentes

130
00:07:19,591 --> 00:07:23,190
com base apenas na probabilidade
da amostra que observaram.

131
00:07:23,190 --> 00:07:25,511
Vou mostrar os resultados experimentais.

132
00:07:25,511 --> 00:07:28,275
No eixo vertical, temos
a porcentagem de bebês

133
00:07:28,275 --> 00:07:30,805
que apertaram a bola em cada condição,

134
00:07:30,805 --> 00:07:34,520
e como podemos ver, os bebês 
tendem a generalizar a evidência

135
00:07:34,520 --> 00:07:37,655
quando é uma amostra representativa
plausível da população

136
00:07:37,655 --> 00:07:41,393
em vez de de uma amostra
escolhida de maneira enviesada.

137
00:07:41,393 --> 00:07:43,808
E isso leva a uma previsão divertida:

138
00:07:43,808 --> 00:07:48,676
suponha que você tirasse uma bola azul
da caixa com maioria de bolas amarelas.

139
00:07:48,896 --> 00:07:51,985
Você provavelmente não tiraria 
três bolas azuis em sequência,

140
00:07:51,985 --> 00:07:55,000
mas poderia tirar 
aleatoriamente uma bola azul.

141
00:07:55,000 --> 00:07:57,190
Isso não é uma amostra improvável.

142
00:07:57,190 --> 00:07:59,414
E se você pudesse mexer
ao acaso numa caixa

143
00:07:59,414 --> 00:08:03,441
e tirar uma bola que chia,
talvez todas as bolas da caixa chiem.

144
00:08:03,875 --> 00:08:08,000
Mesmo que os bebês estejam vendo
menos evidências para o chiado,

145
00:08:08,000 --> 00:08:10,562
e tenham menos ações para imitar

146
00:08:10,562 --> 00:08:13,905
nesta condição de uma bola
que acabei de explicar,

147
00:08:13,905 --> 00:08:17,797
nós previmos que os próprios bebês
apertariam mais,

148
00:08:17,797 --> 00:08:20,231
e isso foi exatamente o que vimos.

149
00:08:21,011 --> 00:08:25,102
Então os bebês de 15 meses de idade,
como se fossem cientistas,

150
00:08:25,102 --> 00:08:28,190
se importam se as evidências
são amostradas aleatoriamente ou não,

151
00:08:28,190 --> 00:08:31,697
e usam isso para desenvolver
expectativas sobre o mundo:

152
00:08:31,697 --> 00:08:33,879
o que chia e o que não chia,

153
00:08:33,879 --> 00:08:37,024
o que explorar e o que ignorar.

154
00:08:38,384 --> 00:08:40,450
Vou mostrar outro exemplo agora,

155
00:08:40,450 --> 00:08:43,179
desta vez sobre um problema
de raciocínio causal.

156
00:08:43,179 --> 00:08:45,619
E isso começa com um problema
de evidência confusa

157
00:08:45,619 --> 00:08:47,291
que todos nós enfrentamos,

158
00:08:47,291 --> 00:08:49,311
e por isso fazemos parte do mundo.

159
00:08:49,311 --> 00:08:52,747
Pode não ser um problema para você, 
mas como a maioria dos problemas,

160
00:08:52,747 --> 00:08:55,084
só é um problema 
quando as coisas dão errado.

161
00:08:55,464 --> 00:08:57,275
Veja este bebê, por exemplo.

162
00:08:57,275 --> 00:08:58,980
As coisas estão dando errado.

163
00:08:58,980 --> 00:09:01,251
Ele quer fazer isso andar, 
mas não consegue.

164
00:09:01,251 --> 00:09:03,450
Vou mostrar alguns segundos.

165
00:09:08,880 --> 00:09:11,260
E há duas possibilidades:

166
00:09:11,260 --> 00:09:13,894
talvez ele esteja fazendo algo errado,

167
00:09:13,894 --> 00:09:18,110
ou talvez haja algo
errado com o brinquedo.

168
00:09:18,110 --> 00:09:20,221
Neste próximo experimento,

169
00:09:20,221 --> 00:09:23,518
vamos dar alguns dados estatísticos

170
00:09:23,518 --> 00:09:26,100
apoiando uma hipótese sobre a outra,

171
00:09:26,100 --> 00:09:29,475
e vamos ver se os bebês
podem tomar decisões diferentes

172
00:09:29,475 --> 00:09:31,389
sobre o que fazer.

173
00:09:31,389 --> 00:09:33,411
Aqui está o experimento.

174
00:09:34,071 --> 00:09:37,101
Hyowon vai fazer o brinquedo andar.

175
00:09:37,101 --> 00:09:40,421
Depois eu vou tentar duas vezes e falhar,

176
00:09:40,421 --> 00:09:43,533
e Hyowon tenta de novo e consegue,

177
00:09:43,533 --> 00:09:46,705
e isto resume minha relação
com meus alunos de pós-graduação

178
00:09:46,705 --> 00:09:49,540
com novas tecnologias.

179
00:09:50,030 --> 00:09:53,322
Mas o importante aqui é fornecer
um pouco de evidência

180
00:09:53,322 --> 00:09:56,990
de que o problema não é o brinquedo,
é a pessoa.

181
00:09:56,990 --> 00:09:59,340
Algumas pessoas fazem o brinquedo andar,

182
00:09:59,340 --> 00:10:00,459
e outras não.

183
00:10:00,799 --> 00:10:04,212
Quando o bebê pega o brinquedo,
ele tem uma escolha.

184
00:10:04,212 --> 00:10:06,060
Sua mãe está ali,

185
00:10:06,060 --> 00:10:09,715
para que possa entregar o brinquedo
e mudar de pessoa,

186
00:10:09,715 --> 00:10:12,873
mas há também outro brinquedo,
no final do pano,

187
00:10:12,873 --> 00:10:16,425
e ele pode puxar o pano 
e mudar de brinquedo.

188
00:10:16,425 --> 00:10:18,515
Vamos ver o que o bebê faz.

189
00:10:18,515 --> 00:10:22,698
(Vídeo) HG: Dois, três. vai!
(Música)

190
00:10:22,698 --> 00:10:26,179
LS: Um, dois, três, vai!

191
00:10:26,935 --> 00:10:33,037
Arthur, vou tentar novamente.
Um, dois, três, vai!

192
00:10:33,677 --> 00:10:36,277
HG: Arthur, vou tentar de novo.

193
00:10:36,277 --> 00:10:40,827
Um, dois, três, vai!
(Música)

194
00:10:41,583 --> 00:10:43,466
Veja isso. 
Lembra destes brinquedos?

195
00:10:43,466 --> 00:10:46,730
Estes brinquedos aqui? 
Vou colocar este aqui,

196
00:10:46,730 --> 00:10:48,792
e eu vou dar este para você.

197
00:10:48,792 --> 00:10:51,127
Você pode brincar se quiser.

198
00:11:11,213 --> 00:11:15,950
LS: Certo, mas é óbvio que os bebês
amam suas mamães.

199
00:11:15,950 --> 00:11:18,132
Os bebês vão dar 
brinquedos para suas mães

200
00:11:18,132 --> 00:11:20,162
quando não conseguem fazê-los funcionar.

201
00:11:20,162 --> 00:11:23,755
Novamente, o que importa
é o que acontece quando mudamos

202
00:11:23,755 --> 00:11:26,909
os dados estatísticos ligeiramente.

203
00:11:26,909 --> 00:11:30,996
Desta vez, os bebês vão ver o brinquedo
funcionar e falhar na mesma ordem,

204
00:11:30,996 --> 00:11:33,411
mas mudamos a distribuição das evidências.

205
00:11:33,411 --> 00:11:37,822
Hyowon vai conseguir uma vez 
e falhar uma vez, e eu também.

206
00:11:37,822 --> 00:11:43,149
Isso sugere que não importa quem tenta, 
o brinquedo está quebrado.

207
00:11:43,149 --> 00:11:44,945
Ele não funciona o tempo todo.

208
00:11:44,945 --> 00:11:46,640
De novo, o bebê terá uma escolha.

209
00:11:46,640 --> 00:11:50,706
A mãe dele está ao seu lado,
então ela pode mudar a pessoa,

210
00:11:50,706 --> 00:11:52,980
e tem outro brinquedo no fim do pano.

211
00:11:52,980 --> 00:11:55,288
Vamos ver o que ela faz.

212
00:11:55,288 --> 00:11:59,636
(Vídeo) HG: Dois, três, vai!
(Música)

213
00:11:59,636 --> 00:12:04,620
Vou tentar de novo. Um, dois, três, vai!

214
00:12:05,460 --> 00:12:07,157
Hmmm.

215
00:12:07,950 --> 00:12:10,642
LS: Vou tentar, Clara.

216
00:12:10,642 --> 00:12:14,587
Um, dois, três, vai!

217
00:12:15,665 --> 00:12:17,200
Vou tentar de novo.

218
00:12:17,200 --> 00:12:22,870
Um, dois, três, vai!
(Música)

219
00:12:23,009 --> 00:12:25,242
HG: Eu vou
deixar este aqui,

220
00:12:25,242 --> 00:12:27,243
e vou dar este para você.

221
00:12:27,243 --> 00:12:28,750
Você pode brincar se quiser.

222
00:12:48,096 --> 00:12:52,143
(Aplausos)

223
00:12:52,993 --> 00:12:55,385
LS: Vou mostrar
os resultados experimentais.

224
00:12:55,385 --> 00:12:57,860
No eixo vertical, temos a distribuição

225
00:12:57,860 --> 00:13:00,437
de escolhas para cada condição,

226
00:13:00,437 --> 00:13:04,988
e podemos ver que as escolhas 
que as crianças fazem

227
00:13:04,988 --> 00:13:07,775
dependem da evidência observada.

228
00:13:07,775 --> 00:13:09,632
Então no segundo ano de vida,

229
00:13:09,632 --> 00:13:12,209
os bebês podem usar alguns
dados estatísticos

230
00:13:12,209 --> 00:13:15,576
e decidir entre duas
estratégias muito diferentes

231
00:13:15,576 --> 00:13:17,457
para agir no mundo:

232
00:13:17,457 --> 00:13:20,200
pedir ajuda e explorar.

233
00:13:21,700 --> 00:13:24,964
Eu só mostrei
dois experimentos de laboratório

234
00:13:24,964 --> 00:13:28,825
entre centenas de outros
que mostram resultados parecidos,

235
00:13:28,825 --> 00:13:31,217
pois o ponto essencial

236
00:13:31,217 --> 00:13:36,325
é mostrar que a capacidade das crianças
fazerem inferências com poucos dados

237
00:13:36,325 --> 00:13:41,666
está por trás de toda aprendizagem 
cultural específica que fazemos.

238
00:13:41,666 --> 00:13:46,263
As crianças aprendem sobre coisas novas
a partir de alguns exemplos.

239
00:13:46,263 --> 00:13:50,980
Elas aprendem novas relações causais
a partir de alguns exemplos.

240
00:13:51,928 --> 00:13:56,799
Elas até aprendem novas palavras,
neste caso em Língua de Sinais Americana.

241
00:13:56,799 --> 00:13:59,110
Quero concluir com apenas dois pontos.

242
00:14:00,050 --> 00:14:03,738
Se você estiver acompanhando
as ciências cognitivas e do cérebro

243
00:14:03,738 --> 00:14:05,385
pelos últimos anos,

244
00:14:05,385 --> 00:14:08,080
três grandes ideias vão chamar
sua atenção.

245
00:14:08,080 --> 00:14:11,516
A primeira é que estamos
na era do cérebro.

246
00:14:11,516 --> 00:14:15,185
De fato, houve descobertas
surpreendentes nas neurociências:

247
00:14:15,185 --> 00:14:18,621
a localização funcional
de regiões especializadas do córtex,

248
00:14:18,621 --> 00:14:21,222
tornar transparentes 
cérebros de camundongos,

249
00:14:21,222 --> 00:14:24,018
ativação de neurônios com luz.

250
00:14:24,998 --> 00:14:26,994
A segunda grande ideia

251
00:14:26,994 --> 00:14:31,098
é que estamos na era dos grandes dados
e do aprendizado de máquina,

252
00:14:31,098 --> 00:14:34,239
e isso promete revolucionar
nossa compreensão

253
00:14:34,239 --> 00:14:38,016
de tudo, desde redes sociais
até epidemiologia.

254
00:14:38,576 --> 00:14:41,599
E talvez ao enfrentar problemas
de compreensão contextual

255
00:14:41,599 --> 00:14:43,592
e processamento de linguagem natural,

256
00:14:43,592 --> 00:14:46,386
isso pode nos dizer algo
sobre cognição humana.

257
00:14:47,756 --> 00:14:49,693
E a terceira grande ideia

258
00:14:49,693 --> 00:14:52,640
é que talvez seja uma boa ideia
sabermos muito sobre cérebros

259
00:14:52,640 --> 00:14:54,997
e termos acesso a grandes dados,

260
00:14:54,997 --> 00:14:57,504
pois se ficarmos como estamos,

261
00:14:57,504 --> 00:15:01,335
os seres humanos são falíveis,
usamos atalhos,

262
00:15:01,335 --> 00:15:04,772
nós erramos, cometemos enganos,

263
00:15:04,772 --> 00:15:08,456
somos enviesados e, de várias maneiras,

264
00:15:09,176 --> 00:15:11,365
vemos o mundo errado.

265
00:15:12,843 --> 00:15:15,792
Penso que estas histórias são importantes,

266
00:15:15,792 --> 00:15:18,527
e elas nos dizem muito
sobre o que significa ser humano,

267
00:15:19,577 --> 00:15:23,106
mas quero que vocês percebam
que contei uma história muito diferente.

268
00:15:23,966 --> 00:15:27,773
É uma história sobre mentes
e não sobre cérebros,

269
00:15:27,773 --> 00:15:30,779
é uma história sobre o tipo de computação

270
00:15:30,779 --> 00:15:33,369
que as mentes unicamente humanas
podem fazer,

271
00:15:33,369 --> 00:15:37,313
que envolve o conhecimento estruturado
e a capacidade de aprender

272
00:15:37,313 --> 00:15:42,581
a partir de pequenas quantidades de dados,
das evidências de alguns exemplos.

273
00:15:43,881 --> 00:15:48,600
Essencialmente, é uma história
sobre como as crianças começam

274
00:15:48,600 --> 00:15:53,280
e continuam seu caminho
para grandes realizações

275
00:15:53,280 --> 00:15:55,233
da nossa cultura,

276
00:15:56,623 --> 00:15:58,620
e conseguem ver o mundo direito.

277
00:16:00,433 --> 00:16:05,700
As mentes humanas não aprendem
apenas com pequenas quantidades de dados.

278
00:16:06,285 --> 00:16:08,386
As mentes humanas pensam novas ideias.

279
00:16:08,746 --> 00:16:11,787
As mentes humanas
geram pesquisa e descoberta,

280
00:16:11,787 --> 00:16:17,060
e as mentes humanas geram
arte, literatura, poesia e teatro,

281
00:16:17,070 --> 00:16:20,830
e as mentes humanas cuidam
de outros seres humanos:

282
00:16:20,830 --> 00:16:24,257
de pessoas idosas, jovens ou doentes.

283
00:16:24,517 --> 00:16:26,884
Nós até mesmo as curamos.

284
00:16:27,564 --> 00:16:30,667
Nos próximos anos, 
veremos inovações tecnológicas

285
00:16:30,667 --> 00:16:34,464
além de qualquer coisa
que eu possa imaginar,

286
00:16:34,464 --> 00:16:36,614
mas é muito improvável

287
00:16:36,614 --> 00:16:42,323
que a gente veja um computador
com o mesmo poder da mente de uma criança

288
00:16:42,323 --> 00:16:45,411
na minha geração ou na sua.

289
00:16:46,621 --> 00:16:51,668
Se investirmos nestes aprendizes
mais poderosos e no seu desenvolvimento,

290
00:16:51,668 --> 00:16:54,395
nos bebês, e nas crianças,

291
00:16:54,395 --> 00:16:56,411
e mães, e pais,

292
00:16:56,411 --> 00:16:59,110
e cuidadores, e professores

293
00:16:59,110 --> 00:17:03,280
da mesma maneira que investimos
em outras formas poderosas e elegantes

294
00:17:03,280 --> 00:17:06,498
de tecnologia, engenharia e design,

295
00:17:06,498 --> 00:17:09,435
nós não vamos apenas sonhar
por um futuro melhor,

296
00:17:09,435 --> 00:17:11,564
vamos planejar um futuro.

297
00:17:11,564 --> 00:17:13,909
Muito obrigada.

298
00:17:13,909 --> 00:17:17,329
(Aplausos)

299
00:17:17,810 --> 00:17:22,236
Chris Anderson: Laura, obrigado.
Eu tenho uma pergunta para você.

300
00:17:22,236 --> 00:17:24,595
Em primeiro lugar, a pesquisa é insana.

301
00:17:24,595 --> 00:17:28,319
Quero dizer, quem iria projetar
um experimento como esse?

302
00:17:29,150 --> 00:17:30,940
Eu vi isso algumas vezes,

303
00:17:30,940 --> 00:17:34,162
e eu ainda não acredito
que isso pode estar acontecendo,

304
00:17:34,162 --> 00:17:36,910
mas outras pessoas fizeram
experimentos semelhantes.

305
00:17:36,910 --> 00:17:38,833
Os bebês são realmente geniais.

306
00:17:38,833 --> 00:17:41,760
LS: Eles parecem muito impressionantes
em nossos experimentos,

307
00:17:41,760 --> 00:17:44,092
mas pense sobre como eles
se parecem na vida real.

308
00:17:44,092 --> 00:17:45,412
Nasce um bebê.

309
00:17:45,412 --> 00:17:47,369
Dezoito meses depois,
ele fala com você,

310
00:17:47,369 --> 00:17:50,180
e suas primeiras palavras
não são coisas como bolas e patos,

311
00:17:50,180 --> 00:17:52,971
são coisas como "sumiu",
que se refere ao desaparecimento,

312
00:17:52,971 --> 00:17:55,664
ou "opa", que se refere
a ações intencionais.

313
00:17:55,664 --> 00:17:57,186
Ele precisa ser poderoso.

314
00:17:57,186 --> 00:17:59,871
Precisa ser mais poderoso
do que tudo que eu mostrei.

315
00:17:59,871 --> 00:18:01,735
Eles estão descobrindo o mundo inteiro.

316
00:18:01,735 --> 00:18:05,429
Uma criança de quatro anos
pode conversar sobre quase tudo.

317
00:18:05,429 --> 00:18:07,030
(Aplausos)

318
00:18:07,030 --> 00:18:10,444
CA: Se eu entendi direito,
o outro ponto que você levanta

319
00:18:10,444 --> 00:18:13,198
é que ultrapassamos a ideia
sobre como nossa mente

320
00:18:13,198 --> 00:18:15,130
é falha e confusa,

321
00:18:15,130 --> 00:18:17,997
da economia comportamental
e outras teorias que dizem

322
00:18:17,997 --> 00:18:19,600
que não somos agentes racionais.

323
00:18:19,600 --> 00:18:23,816
Você realmente acha que
nossa mente é extraordinária

324
00:18:23,816 --> 00:18:28,760
e que há um gênio ali que é ignorado?

325
00:18:28,760 --> 00:18:30,830
LS: Uma das minhas citações favoritas

326
00:18:30,830 --> 00:18:33,120
é do psicólogo social Solomon Asch,

327
00:18:33,120 --> 00:18:35,927
que disse que a tarefa fundamental
da psicologia é remover

328
00:18:35,927 --> 00:18:38,553
o véu da autoevidência das coisas.

329
00:18:38,553 --> 00:18:43,104
Há milhões de tipos de escolhas
que fazemos todos os dias,

330
00:18:43,104 --> 00:18:44,451
que nos fazem ver o mundo.

331
00:18:44,451 --> 00:18:46,433
Sabemos dos objetos e suas propriedades.

332
00:18:46,433 --> 00:18:49,012
Sabemos quando estão ocultos.
Podemos vê-los no escuro.

333
00:18:49,012 --> 00:18:50,170
Podemos andar nas salas.

334
00:18:50,170 --> 00:18:53,552
Podemos descobrir o que outras pessoas 
estão pensando e falar com elas.

335
00:18:53,552 --> 00:18:55,552
Podemos navegar no espaço 
e saber números.

336
00:18:55,552 --> 00:18:58,444
Sabemos sobre relações causais
e raciocínio moral.

337
00:18:58,444 --> 00:19:01,130
Fazemos isso sem esforço,
por isso não percebemos,

338
00:19:01,130 --> 00:19:03,862
mas é assim que vemos o mundo,
e é uma realização notável

339
00:19:03,862 --> 00:19:05,850
e muito difícil de entender.

340
00:19:05,850 --> 00:19:08,198
CA: Eu suspeito que há pessoas
na plateia que têm

341
00:19:08,198 --> 00:19:10,736
esta visão sobre o poder
tecnológico crescente

342
00:19:10,736 --> 00:19:14,284
e que refutam sua afirmação
de que nunca teremos um computador

343
00:19:14,284 --> 00:19:16,692
com a mesma capacidade 
de um criança de três anos,

344
00:19:16,692 --> 00:19:20,980
mas está claro que, em qualquer situação,

345
00:19:20,980 --> 00:19:24,750
nossas máquinas têm muito a aprender
com nossas crianças.

346
00:19:26,230 --> 00:19:29,446
LS: Acho que sim. Temos pessoas
do aprendizado de máquina por aqui.

347
00:19:29,446 --> 00:19:33,649
Quero dizer, a gente não deve apostar
em bebês ou em chimpanzés

348
00:19:33,649 --> 00:19:37,294
ou na tecnologia como uma questão prática,

349
00:19:37,294 --> 00:19:41,822
mas não é apenas
uma diferença em quantidade,

350
00:19:41,822 --> 00:19:43,586
é uma diferença de tipo.

351
00:19:43,586 --> 00:19:45,746
Temos computadores
incrivelmente poderosos,

352
00:19:45,746 --> 00:19:48,137
que fazem coisas muito sofisticadas,

353
00:19:48,137 --> 00:19:51,341
muitas vezes com grandes
quantidades de dados.

354
00:19:51,341 --> 00:19:53,948
As mentes humanas fazem algo
completamente diferente,

355
00:19:53,948 --> 00:19:57,843
e acho que é a natureza hierárquica 
e estruturada do conhecimento humano

356
00:19:57,843 --> 00:19:59,875
que continua a ser um desafio real.

357
00:19:59,875 --> 00:20:02,476
CA: Laura Schulz, isso foi maravilhoso.
Muito obrigado.

358
00:20:02,476 --> 00:20:05,858
LS: Obrigada.
(Aplausos)