0:00:00.835,0:00:02.990
Mark Twain resumiu o que eu considero

0:00:02.990,0:00:06.110
um dos problemas fundamentais[br]da ciência cognitiva

0:00:06.110,0:00:08.010
apenas numa piada.

0:00:08.410,0:00:11.492
Ele disse: "Há algo[br]fascinante na ciência.

0:00:11.492,0:00:15.183
"Obtêm-se retornos profundos [br]da conjetura

0:00:15.210,0:00:18.187
"a partir de investigações[br]superficiais da verdade".

0:00:18.287,0:00:19.872
(Risos)

0:00:20.199,0:00:22.803
Claro que Twain disse isto a brincar,[br]mas está correto:

0:00:23.048,0:00:25.679
Há algo fascinante na ciência.

0:00:25.979,0:00:29.940
A partir de alguns ossos, inferimos[br]a existência de dinossauros.

0:00:30.910,0:00:34.608
A partir de linhas espetrais,[br]a composição de nebulosas.

0:00:35.471,0:00:37.863
A partir de moscas-da-fruta,

0:00:38.409,0:00:40.861
os mecanismos da hereditariedade,

0:00:41.661,0:00:45.601
e de imagens reconstruídas do sangue [br]que flui através do cérebro,

0:00:45.746,0:00:50.009
ou no meu caso, do comportamento[br]de crianças muito novas,

0:00:50.309,0:00:53.374
tentamos dizer algo[br]sobre os mecanismos fundamentais

0:00:53.410,0:00:55.164
da cognição humana.

0:00:55.716,0:01:00.475
No meu laboratório no Departamento[br]de Ciências Cognitivas no MIT,

0:01:00.620,0:01:04.129
passei a última década[br]a tentar perceber o mistério

0:01:04.129,0:01:08.233
de como as crianças aprendem tanto[br]a partir de tão pouco e tão rapidamente.

0:01:08.666,0:01:11.644
Porque acontece que a coisa[br]fascinante na ciência

0:01:11.644,0:01:14.836
também é uma coisa fascinante[br]nas crianças.

0:01:15.173,0:01:17.754
Mudando um pouco a frase de Mark Twain,

0:01:17.754,0:01:22.404
é exatamente a capacidade que elas têm[br]para criar inferências ricas e abstratas

0:01:22.476,0:01:27.401
com rapidez e precisão,[br]a partir de dados soltos, ruidosos.

0:01:28.355,0:01:30.753
Hoje vou dar apenas dois exemplos.

0:01:30.753,0:01:33.040
Um é sobre um problema de generalização,

0:01:33.040,0:01:35.890
e o outro é sobre um problema[br]de raciocínio causal.

0:01:35.890,0:01:38.415
Apesar de falar sobre o trabalho [br]no meu laboratório,

0:01:38.415,0:01:41.875
este trabalho é inspirado [br]e derivado de um campo.

0:01:41.938,0:01:46.158
Estou grata a mentores, colegas,[br]e colaboradores de todo o mundo.

0:01:47.308,0:01:50.282
Vou começar com o problema[br]da generalização.

0:01:50.652,0:01:54.785
Generalizar a partir de poucos dados[br]é o pão nosso de cada dia na ciência.

0:01:54.785,0:01:57.339
Sondamos uma pequena fração de eleitores

0:01:57.339,0:01:59.950
e prevemos o resultado[br]das eleições nacionais.

0:02:00.240,0:02:04.165
Vemos como alguns pacientes reagem[br]ao tratamento num ensaio clínico,

0:02:04.165,0:02:07.230
e colocamos drogas no mercado nacional.

0:02:07.293,0:02:11.495
Mas isto só funciona se a nossa amostra[br]for obtida aleatoriamente da população.

0:02:11.595,0:02:14.357
Se a nossa amostra for enviesada[br]de alguma maneira

0:02:14.357,0:02:16.774
— digamos, sondamos apenas[br]eleitores urbanos,

0:02:16.774,0:02:20.790
ou então, nos nossos ensaios clínicos[br]para tratamento de doenças do coração,

0:02:20.790,0:02:22.671
incluímos apenas homens —

0:02:22.671,0:02:25.929
os resultados podem não representar[br]a população mais ampla.

0:02:26.906,0:02:30.387
Então, os cientistas preocupam-se[br]se as amostras são aleatórias ou não,

0:02:30.387,0:02:32.465
mas o que é que tem isto a ver com bebés?

0:02:32.857,0:02:37.206
Bem, os bebés precisam de generalizar[br]pequenas amostras de dados o tempo todo.

0:02:37.306,0:02:40.364
Veem alguns patos de borracha[br]e aprendem que eles flutuam,

0:02:40.364,0:02:43.939
ou veem algumas bolas[br]e aprendem que elas saltam.

0:02:43.939,0:02:46.890
Desenvolvem expetativas[br]sobre patos e bolas

0:02:46.890,0:02:49.633
que vão alargar aos [br]patos de borracha e bolas

0:02:49.633,0:02:51.266
para o resto da vida.

0:02:51.485,0:02:55.224
O tipo de generalizações que os bebés[br]têm que fazer sobre patos e bolas,

0:02:55.224,0:02:57.503
precisam fazer sobre quase tudo o resto:

0:02:57.503,0:03:01.348
sapatos, barcos, lacre, couves e reis.

0:03:02.200,0:03:05.433
Será que os bebés reparam[br]se os pedacinhos de evidências que veem

0:03:05.433,0:03:09.043
são representantes plausíveis[br]de uma população mais ampla?

0:03:09.763,0:03:11.244
Vamos descobrir.

0:03:11.663,0:03:13.386
Vou mostrar dois filmes,

0:03:13.386,0:03:15.984
um para cada uma[br]de duas situações de uma experiência.

0:03:15.984,0:03:18.386
Como vocês vão ver apenas dois filmes,

0:03:18.386,0:03:20.422
verão apenas dois bebés,

0:03:20.422,0:03:24.287
e quaisquer dois bebés diferem entre si[br]de várias maneiras.

0:03:24.369,0:03:27.420
Mas estes bebés, claro,[br]representam grupos de bebés.

0:03:27.420,0:03:29.315
As diferenças que vão ver

0:03:29.315,0:03:33.900
representam as diferenças médias [br]de grupos de bebés em cada situação.

0:03:35.160,0:03:37.743
Em cada filme, vocês vão ver[br]um bebé a fazer,

0:03:37.743,0:03:41.203
talvez exatamente o que vocês[br]esperam que um bebé faça,

0:03:41.203,0:03:45.220
e dificilmente podemos tornar os bebés[br]mais mágicos do que já são.

0:03:46.090,0:03:48.100
Mas para mim, a coisa mágica,

0:03:48.100,0:03:50.252
na qual quero que vocês prestem atenção,

0:03:50.252,0:03:53.300
é o contraste entre estas duas situações,

0:03:53.300,0:03:56.829
porque a única coisa que difere [br]entre estes dois filmes

0:03:56.829,0:04:00.295
são as evidências estatísticas[br]que os bebés vão observar.

0:04:01.425,0:04:04.608
Vamos mostrar aos bebés[br]uma caixa de bolas azuis e amarelas.

0:04:05.135,0:04:09.228
A minha ex-aluna, que agora é minha[br]colega em Stanford, Hyowon Gweon,

0:04:09.228,0:04:12.305
vai tirar da caixa[br]três bolas azuis de seguida.

0:04:12.641,0:04:15.428
Ao tirar as bolas, ela vai apertá-las,

0:04:15.428,0:04:17.441
e as bolas vão chiar.

0:04:17.713,0:04:20.349
Para um bebé,[br]é como estar numa palestra do TED.

0:04:20.349,0:04:22.389
Não há nada melhor que isto.

0:04:22.544,0:04:24.769
(Risos)

0:04:26.968,0:04:30.627
Mas o que importa é que é fácil[br]tirar três bolas azuis de seguida

0:04:30.627,0:04:32.932
de uma caixa com uma maioria[br]de bolas azuis.

0:04:32.932,0:04:34.992
Podíamos fazer isto de olhos fechados.

0:04:34.992,0:04:37.988
É plausível que sejam evidências[br]aleatórias desta população.

0:04:37.988,0:04:41.720
Se tiramos duma caixa, ao acaso,[br]qualquer coisa que chia,

0:04:41.720,0:04:44.559
então talvez tudo dentro da caixa chie.

0:04:44.640,0:04:48.209
Talvez os bebés devessem esperar que [br]as bolas amarelas também chiassem.

0:04:48.209,0:04:50.900
Mas as bolas amarelas[br]têm bastões engraçados na ponta,

0:04:50.900,0:04:53.766
para os bebés fazerem[br]outras coisas com elas, se quiserem.

0:04:53.766,0:04:55.679
Podem amassá-las ou bater com elas.

0:04:55.679,0:04:57.548
Mas vamos ver o que o bebé faz.

0:04:57.766,0:04:59.020
(Vídeo)

0:05:00.548,0:05:02.229
Hyowon Gweon: Vês isto?

0:05:02.348,0:05:03.940
(Bola chia)

0:05:04.531,0:05:05.531
Viste?

0:05:06.140,0:05:07.608
(Bola chia)

0:05:08.163,0:05:09.520
Fixe.

0:05:12.706,0:05:14.074
Vês esta?

0:05:14.756,0:05:16.164
(Bola chia)

0:05:16.537,0:05:17.817
Uau.

0:05:21.854,0:05:23.667
Laura Schulz: Eu não disse?

0:05:23.967,0:05:25.425
HG: Estás a ver esta?

0:05:25.507,0:05:27.207
(Bola chia)

0:05:28.052,0:05:32.617
Ei, Clara, esta é para ti.[br]Podes brincar, se quiseres.

0:05:37.972,0:05:39.928
(Risos)

0:05:44.219,0:05:46.504
LS: Nem preciso dizer nada, certo?

0:05:47.214,0:05:50.113
Tudo bem, é bom que os bebés[br]generalizem as propriedades

0:05:50.113,0:05:51.768
das bolas azuis para as amarelas.

0:05:51.768,0:05:54.737
É impressionante que os bebés[br]aprendam por imitação,

0:05:54.737,0:05:57.933
mas já sabemos estas coisas [br]sobre bebés há muito tempo.

0:05:58.406,0:06:00.217
A questão mais interessante

0:06:00.217,0:06:03.169
é o que acontece quando mostramos[br]exatamente a mesma coisa,

0:06:03.169,0:06:06.743
e podemos garantir que é a mesma coisa[br]pois temos um compartimento secreto

0:06:06.743,0:06:08.790
e tiramos as bolas de lá.

0:06:08.862,0:06:12.268
Mas, desta vez, vamos mudar[br]a população aparente

0:06:12.268,0:06:15.170
a partir da qual foram obtidas as evidências .

0:06:15.251,0:06:19.041
Desta vez, vamos mostrar[br]aos bebés três bolas azuis

0:06:19.141,0:06:22.107
tiradas de uma caixa com [br]a maioria de bolas amarelas,

0:06:22.107,0:06:23.429
e adivinhem?

0:06:23.565,0:06:26.369
Não é provável tirarmos[br]três bolas azuis de seguida

0:06:26.369,0:06:28.880
de uma caixa com a maioria [br]de bolas amarelas.

0:06:28.880,0:06:32.500
Isto não é uma prova[br]de uma amostra aleatória plausível.

0:06:32.736,0:06:34.623
Estas evidências indicam

0:06:34.623,0:06:37.686
que Hyowon escolheu[br]as bolas azuis, de propósito.

0:06:37.832,0:06:40.451
Talvez haja algo especial [br]nas bolas azuis.

0:06:40.846,0:06:43.440
Talvez apenas as bolas azuis chiem.

0:06:43.822,0:06:45.717
Vamos ver o que o bebé faz.

0:06:46.007,0:06:47.487
(Vídeo) HG: Vês isto?

0:06:47.560,0:06:49.305
(Bola chia)

0:06:50.851,0:06:52.241
Vês este brinquedo?

0:06:52.305,0:06:53.677
(Bola chia)

0:06:53.914,0:06:56.403
Oh, isto foi fixe! Vês?

0:06:57.321,0:06:58.766
(Bola chia)

0:06:59.130,0:07:01.933
Agora, esta é para tu brincares.[br]Podes brincar se quiser.

0:07:06.146,0:07:07.639
(Balbucios)

0:07:15.182,0:07:17.721
LS: Pronto, acabaram de ver [br]dois bebés de 15 meses

0:07:17.721,0:07:19.800
a fazer coisas totalmente diferentes,

0:07:19.800,0:07:23.035
com base apenas na probabilidade[br]da amostra que observaram.

0:07:23.190,0:07:25.511
Vou mostrar os resultados experimentais.

0:07:25.592,0:07:28.356
No eixo vertical, temos[br]a percentagem de bebés

0:07:28.356,0:07:30.805
que apertaram a bola em cada situação.

0:07:30.959,0:07:34.656
Como podemos ver, os bebés [br]tendem a generalizar as evidências

0:07:34.656,0:07:37.773
quando há uma amostra representativa[br]plausível da população

0:07:37.773,0:07:40.902
em vez de uma amostra[br]escolhida propositadamente.

0:07:41.393,0:07:43.862
Isto leva a uma previsão divertida:

0:07:44.026,0:07:48.676
suponham que tirávamos uma bola azul[br]da caixa com maioria de bolas amarelas.

0:07:49.050,0:07:52.765
Provavelmente, não tirávamos[br]três bolas azuis de seguida,

0:07:52.765,0:07:55.220
mas podíamos tirar aleatoriamente [br]uma bola azul.

0:07:55.220,0:07:57.290
Isso não é uma amostra improvável.

0:07:57.290,0:07:59.577
Se pudéssemos mexer[br]numa caixa ao acaso

0:07:59.577,0:08:03.528
e tirar qualquer coisa que chie,[br]talvez todas as coisas da caixa chiem.

0:08:04.111,0:08:08.320
Então, mesmo que os bebés estejam[br]a ver menos evidências para o chiar,

0:08:08.320,0:08:10.689
e tenham muitas menos ações para imitar

0:08:10.689,0:08:14.232
nesta situação de uma bola[br]que acabámos de ver,

0:08:14.232,0:08:17.969
previmos que os próprios bebés[br]apertariam mais,

0:08:17.969,0:08:20.527
e foi exatamente isso que vimos.

0:08:21.245,0:08:25.392
Então, os bebés de 15 meses,[br]como se fossem cientistas,

0:08:25.392,0:08:28.299
reparam se as evidências são[br]amostras aleatórias ou não,

0:08:28.299,0:08:31.697
e usam isso para desenvolver[br]expetativas sobre o mundo:

0:08:31.697,0:08:33.879
o que chia e o que não chia,

0:08:33.879,0:08:37.024
o que explorar e o que ignorar.

0:08:38.384,0:08:40.450
Agora vou mostrar outro exemplo,

0:08:40.450,0:08:43.180
desta vez sobre um problema[br]de raciocínio causal.

0:08:43.180,0:08:45.619
Começa com um problema[br]de evidências confusas

0:08:45.619,0:08:47.291
que todos nós temos,

0:08:47.291,0:08:49.438
ou seja, que fazemos parte do mundo.

0:08:49.438,0:08:52.865
Isto pode não vos parecer um problema [br]mas, como a maioria dos problemas,

0:08:52.865,0:08:55.256
só é um problema[br]quando as coisas não correm bem.

0:08:55.464,0:08:57.275
Vejam este bebé, por exemplo.

0:08:57.347,0:08:59.016
As coisas não lhe correm bem.

0:08:59.016,0:09:01.705
Ele queria que este brinquedo tocasse, [br]mas não consegue.

0:09:01.705,0:09:03.952
Vou mostrar-vos um vídeo[br]de alguns segundos.

0:09:09.203,0:09:11.260
Há duas possibilidades:

0:09:11.260,0:09:13.894
Talvez ele esteja a fazer algo mal,

0:09:13.894,0:09:17.519
ou talvez haja algo de errado[br]com o brinquedo.

0:09:18.110,0:09:20.221
Portanto, nesta próxima experiência,

0:09:20.221,0:09:23.518
vamos dar aos bebés[br]apenas alguns dados estatísticos

0:09:23.518,0:09:26.100
apoiando uma hipótese sobre a outra.

0:09:26.100,0:09:29.555
Vamos ver se os bebés conseguem [br]tomar decisões diferentes

0:09:29.555,0:09:31.389
quanto ao que fazer.

0:09:31.479,0:09:33.411
Aqui está a experiência.

0:09:34.071,0:09:37.101
A Hyowon vai tentar fazer[br]com que o brinquedo toque e consegue.

0:09:37.101,0:09:40.421
Depois, eu vou tentar duas vezes e falhar.

0:09:40.593,0:09:43.614
A Hyowon vai tentar de novo [br]e vai conseguir,

0:09:43.614,0:09:47.005
e isto resume a minha relação[br]com os meus alunos de pós-graduação

0:09:47.005,0:09:49.094
em tecnologia.

0:09:50.030,0:09:53.322
Mas o importante aqui é fornecer[br]um pouco de evidências

0:09:53.322,0:09:56.990
de que o problema[br]não é o brinquedo, é a pessoa.

0:09:56.990,0:09:59.340
Algumas pessoas fazem o brinquedo tocar,

0:09:59.340,0:10:00.744
e outras não.

0:10:00.799,0:10:03.875
Agora, quando o bebé pega no brinquedo,[br]ele tem uma escolha.

0:10:04.212,0:10:06.145
A mãe dele está ali,

0:10:06.209,0:10:09.933
para ele poder entregar o brinquedo[br]e mudar de pessoa,

0:10:09.933,0:10:12.873
mas também haverá outro brinquedo,[br]no final daquele pano.

0:10:13.063,0:10:16.197
Ele pode puxar o pano [br]e mudar de brinquedo.

0:10:16.425,0:10:18.097
Então vamos ver o que o bebé faz.

0:10:18.206,0:10:19.414
(Vídeo)

0:10:19.568,0:10:21.268
HG: Dois, três. Vai!

0:10:21.505,0:10:22.807
(Música)

0:10:22.998,0:10:25.829
LS: Um, dois, três, vai!

0:10:27.365,0:10:29.486
Arthur, vou tentar novamente.

0:10:29.695,0:10:32.695
Um, dois, três, vai!

0:10:33.886,0:10:36.277
HG: Arthur, vou tentar de novo, está bem?

0:10:36.440,0:10:39.583
Um, dois, três, vai!

0:10:39.874,0:10:41.446
(Música)

0:10:41.583,0:10:43.602
Vê isto. [br]Lembras-te destes brinquedos?

0:10:43.711,0:10:46.902
Vês estes brinquedos? [br]Sim, vou pôr este aqui,

0:10:46.902,0:10:48.792
e vou dar-te este.

0:10:48.792,0:10:51.127
Podes brincar se quiseres.[br]

0:11:11.376,0:11:15.350
LS: Ok, Laura, mas é óbvio[br]que os bebés amam as mamãs.

0:11:15.950,0:11:18.386
É claro que os bebés vão dar[br]os brinquedos às mamãs

0:11:18.386,0:11:20.562
quando não conseguem pô-los a funcionar.

0:11:20.562,0:11:23.482
Novamente, o que importa[br]é o que acontece,

0:11:23.482,0:11:26.636
quando mudamos ligeiramente[br]os dados estatísticos.

0:11:26.909,0:11:30.996
Desta vez, os bebés vão ver o brinquedo[br]funcionar e falhar pela mesma ordem,

0:11:30.996,0:11:33.620
mas mudamos a distribuição das evidências.

0:11:33.620,0:11:37.649
Desta vez, a Hyowon vai conseguir [br]uma vez e falhar uma vez, e eu também.

0:11:38.158,0:11:43.286
Isto sugere que não importa quem tenta, [br]o brinquedo está avariado.

0:11:43.386,0:11:45.054
Ele nunca funciona.

0:11:45.154,0:11:47.310
De novo, a bebé vai poder escolher.

0:11:47.310,0:11:50.706
A mãe está mesmo ao lado dela,[br]então ela pode mudar a pessoa,

0:11:50.706,0:11:53.400
e haverá outro brinquedo no fim do pano.

0:11:53.446,0:11:55.106
Vamos ver o que ela faz.

0:11:55.197,0:11:56.308
(Vídeo)

0:11:56.381,0:11:57.881
HG: Dois, três, vai!

0:11:57.981,0:11:59.581
(Música)

0:11:59.745,0:12:04.347
Deixa-me tentar de novo. [br]Um, dois, três, vai!

0:12:06.069,0:12:07.293
Hum.

0:12:08.077,0:12:09.978
LS: Deixa-me tentar, Clara.

0:12:10.642,0:12:13.896
Um, dois, três, vai!

0:12:15.265,0:12:17.318
Hum, deixa-me tentar de novo.

0:12:17.436,0:12:20.409
Um, dois, três, vai!

0:12:20.590,0:12:22.618
(Música)

0:12:23.009,0:12:25.296
HG: Vou deixar este aqui,

0:12:25.296,0:12:27.243
e vou dar-te este.

0:12:27.315,0:12:29.521
Podes brincar, se quiseres.

0:12:49.821,0:12:51.673
(Aplausos)

0:12:52.993,0:12:55.212
LS: Vou mostrar[br]os resultados experimentais.

0:12:55.385,0:12:58.969
No eixo vertical, temos a distribuição[br]de escolhas das crianças

0:12:58.969,0:13:00.546
para cada situação.

0:13:00.700,0:13:04.988
Podemos ver que as escolhas [br]que as crianças fazem

0:13:04.988,0:13:07.775
dependem das evidências observadas.

0:13:07.775,0:13:09.632
Então, no segundo ano de vida,

0:13:09.632,0:13:12.690
os bebés podem usar alguns[br]dados estatísticos

0:13:12.690,0:13:15.912
para decidir entre duas estratégias[br]fundamentalmente diferentes

0:13:15.912,0:13:17.675
para agir no mundo:

0:13:17.675,0:13:20.200
pedir ajuda e explorar.

0:13:22.163,0:13:25.134
Eu só mostrei duas [br]experiências de laboratório

0:13:25.134,0:13:28.825
entre centenas de outras[br]que mostram resultados parecidos,

0:13:28.825,0:13:31.217
pois o ponto essencial

0:13:31.217,0:13:36.570
é mostrar que a capacidade das crianças[br]de fazerem deduções com poucos dados

0:13:36.570,0:13:41.266
está por trás de toda a aprendizagem [br]cultural específica que fazemos.

0:13:41.666,0:13:46.263
As crianças aprendem novas ferramentas[br]a partir de alguns exemplos.

0:13:46.444,0:13:51.043
Aprendem novas relações causais[br]a partir de alguns exemplos.

0:13:51.928,0:13:56.244
Até aprendem novas palavras,[br]neste caso em linguagem gestual.

0:13:57.280,0:13:59.510
Vou concluir com apenas dois pontos.

0:14:00.050,0:14:03.738
Se vocês têm estado a acompanhar[br]as ciências cognitivas e do cérebro

0:14:03.738,0:14:05.665
dos últimos anos,

0:14:05.665,0:14:08.080
terão reparado em três grandes ideias.

0:14:08.252,0:14:11.025
A primeira é que estamos[br]na era do cérebro.

0:14:11.952,0:14:15.248
De facto, houve descobertas[br]surpreendentes na neurociência:

0:14:15.248,0:14:18.693
a localização funcional[br]de regiões especializadas do córtex,

0:14:18.693,0:14:21.303
tornando transparentes cérebros de ratos,

0:14:21.303,0:14:23.770
ativando neurónios com luz.

0:14:24.998,0:14:26.994
A segunda grande ideia

0:14:26.994,0:14:31.098
é que estamos na era dos megadados[br]e da aprendizagem das máquinas,

0:14:31.098,0:14:34.939
e isto promete revolucionar[br]a nossa compreensão de tudo,

0:14:34.939,0:14:37.878
desde as redes sociais[br]até à epidemiologia.

0:14:38.906,0:14:41.599
Talvez ao enfrentar problemas[br]de compreensão contextual

0:14:41.599,0:14:43.864
e de processamento de linguagem natural,

0:14:43.864,0:14:46.561
isto nos possa dizer algo[br]sobre a cognição humana.

0:14:47.756,0:14:49.693
E a última grande ideia

0:14:49.693,0:14:53.080
é que talvez seja uma boa ideia[br]virmos a saber muito sobre o cérebro

0:14:53.080,0:14:55.060
e termos muito acesso aos megadados,

0:14:55.060,0:14:57.776
pois, se ficarmos entregues a nós próprios,

0:14:57.776,0:15:01.589
os seres humanos são falíveis,[br]usamos atalhos,

0:15:01.589,0:15:04.772
erramos, cometemos erros,

0:15:04.772,0:15:08.456
somos preconceituosos[br]e, de várias maneiras,

0:15:09.074,0:15:11.452
interpretamos mal o mundo.

0:15:12.843,0:15:15.792
Penso que estas histórias são importantes,

0:15:15.792,0:15:18.840
e elas dizem-nos muito sobre [br]o que significa ser humano,

0:15:19.577,0:15:23.106
mas quero que vocês percebam que [br]vos contei uma história muito diferente.

0:15:23.966,0:15:27.482
É uma história sobre mentes[br]e não sobre o cérebro.

0:15:27.773,0:15:30.779
Em particular, é uma história[br]sobre os tipos de cálculos

0:15:30.779,0:15:33.450
que só as mentes humanas[br]podem fazer,

0:15:33.450,0:15:35.840
o que envolve o conhecimento[br]rico e estruturado

0:15:35.840,0:15:39.682
e a capacidade de aprender a partir[br]de pequenas quantidades de dados,

0:15:40.182,0:15:42.701
das evidências de alguns exemplos.

0:15:44.164,0:15:48.763
Essencialmente, é uma história[br]sobre como as crianças

0:15:48.763,0:15:51.261
começam e continuam o seu caminho

0:15:51.261,0:15:54.604
para as maiores realizações[br]da nossa cultura.

0:15:56.623,0:15:58.929
Conseguimos assim, [br]interpretar bem o mundo.

0:16:02.005,0:16:05.781
A mente humana não aprende[br]apenas com pequenas quantidades de dados.

0:16:06.285,0:16:08.631
A mente humana pensa em novas ideias.

0:16:08.746,0:16:11.441
A mente humana gera[br]pesquisa e descoberta.

0:16:11.796,0:16:16.350
A mente humana gera[br]arte, literatura, poesia e teatro.

0:16:17.406,0:16:20.684
A mente humana cuida[br]de outros seres humanos:

0:16:21.057,0:16:24.257
dos nossos velhos, dos nossos jovens, [br]dos nossos doentes.

0:16:24.771,0:16:26.638
Nós até os curamos.

0:16:28.018,0:16:30.794
Nos próximos anos, vamos ver[br]inovações tecnológicas

0:16:30.794,0:16:33.564
para além de qualquer coisa[br]que eu possa imaginar,

0:16:34.464,0:16:36.614
mas é muito improvável

0:16:36.614,0:16:42.032
que venhamos a ver um computador com [br]o mesmo poder da mente de uma criança

0:16:42.323,0:16:45.311
durante a minha vida ou a vossa.

0:16:46.748,0:16:51.668
Se investirmos nestes poderosos [br]aprendizes e no seu desenvolvimento,

0:16:51.668,0:16:53.994
nos bebés e nas crianças,

0:16:54.285,0:16:56.411
nas mães e nos pais

0:16:56.411,0:16:59.110
nos cuidadores e nos professores,

0:16:59.110,0:17:03.280
da mesma forma que investimos[br]noutras formas mais poderosas e elegantes

0:17:03.280,0:17:06.143
de tecnologia, da engenharia e do "design",

0:17:06.498,0:17:09.437
não vamos apenas sonhar[br]com um futuro melhor,

0:17:09.437,0:17:11.564
vamos estar a planeá-lo.

0:17:11.782,0:17:13.127
Muito obrigada.

0:17:13.245,0:17:16.357
(Aplausos)

0:17:18.537,0:17:22.136
Chris Anderson: Laura, obrigado.[br]Tenho uma pergunta para si.

0:17:22.236,0:17:24.767
Em primeiro lugar,[br]esta pesquisa é uma loucura.

0:17:24.767,0:17:27.729
Quero dizer, quem iria projetar[br]uma experiência como esta?

0:17:29.150,0:17:30.940
Eu vi isto algumas vezes,

0:17:30.940,0:17:34.162
e ainda não acredito que isto [br]pode estar a acontecer,

0:17:34.162,0:17:37.320
mas outras pessoas fizeram experiências[br]semelhantes; e verifica-se.

0:17:37.320,0:17:39.016
Os bebés são realmente geniais.

0:17:39.144,0:17:42.114
LS: Eles parecem muito impressionantes[br]nas nossas experiências,

0:17:42.114,0:17:44.493
mas pense em como eles são[br]na vida real.

0:17:44.493,0:17:47.780
Nasce um bebé. Dezoito meses depois, [br]está a falar connosco.

0:17:47.780,0:17:50.582
As primeiras palavras[br]não são coisas como bolas e patos,

0:17:50.582,0:17:53.372
são coisas como "não há",[br]que se refere ao desaparecimento,

0:17:53.372,0:17:55.901
ou "uh-oh", que se refere[br]a ações não intencionais.

0:17:55.974,0:17:57.699
É preciso ser poderoso,

0:17:57.699,0:18:00.065
muito mais poderoso[br]do que tudo o que eu mostrei.

0:18:00.065,0:18:02.285
Estão a tentar descobrir [br]o mundo inteiro.

0:18:02.285,0:18:04.947
Uma criança de quatro anos[br]pode conversar sobre quase tudo.

0:18:05.429,0:18:07.030
(Aplausos)

0:18:07.130,0:18:10.234
CA: Se percebi bem,[br]o outro ponto que levanta

0:18:10.234,0:18:12.907
é que temos passado estes anos [br]com esta conversa toda

0:18:12.907,0:18:15.257
do quão peculiar e confusas [br]são as nossas mentes,

0:18:15.257,0:18:17.997
que a economia comportamental[br]e outras teorias que dizem

0:18:17.997,0:18:19.645
que não somos agentes racionais.

0:18:19.800,0:18:24.170
Acha realmente que a nossa mente[br]é extraordinária,

0:18:24.170,0:18:28.760
e que há um génio ali que é subestimado?

0:18:28.941,0:18:31.402
LS: Uma das minhas citações favoritas[br]em psicologia

0:18:31.402,0:18:33.283
é do psicólogo social Solomon Asch,

0:18:33.283,0:18:35.727
que disse que a tarefa fundamental[br]da psicologia

0:18:35.727,0:18:38.843
é remover o véu[br]da autoevidência das coisas.

0:18:38.843,0:18:42.976
Há milhões de tipos de escolhas[br]que fazemos todos os dias,

0:18:42.976,0:18:44.587
que nos fazem ver bem o mundo.

0:18:44.587,0:18:46.783
Conhecemos os objetos[br]e as suas propriedades.

0:18:46.783,0:18:49.502
Sabemos quando estão ocultos.[br]Conhecemo-los no escuro.

0:18:49.502,0:18:51.101
Podemos andar por salas,

0:18:51.101,0:18:54.370
descobrir o que as outras [br]pessoas estão a pensar e falar com elas.

0:18:54.370,0:18:56.682
Podemos navegar no espaço.[br]Conhecemos os números.

0:18:56.682,0:18:59.158
Conhecemos as relações causais[br]e o raciocínio moral.

0:18:59.158,0:19:01.460
Fazemos isto sem esforço,[br]por isso nem reparamos,

0:19:01.460,0:19:04.344
mas é assim que vemos o mundo,[br]e é uma realização notável

0:19:04.344,0:19:06.217
e muito difícil de perceber.

0:19:06.562,0:19:08.790
CA: Eu suspeito que há pessoas na plateia

0:19:08.790,0:19:11.092
que têm uma visão do poder[br]tecnológico crescente

0:19:11.092,0:19:14.223
que podem refutar a sua afirmação[br]de que, nunca na nossa vida,

0:19:14.223,0:19:17.368
haverá um computador que faça o mesmo[br]que uma criança de três anos,

0:19:17.368,0:19:21.061
mas está claro que, em qualquer cenário,

0:19:21.061,0:19:24.722
as nossas máquinas têm muito[br]a aprender com as nossas crianças.

0:19:26.575,0:19:29.827
LS: Acho que sim. Temos aqui pessoas[br]de aprendizagem de máquina.

0:19:29.827,0:19:34.058
Quero dizer, não devemos apostar[br]contra bebés ou chimpanzés

0:19:34.058,0:19:37.412
ou tecnologia, como uma questão prática,

0:19:37.412,0:19:41.822
mas não é apenas[br]uma diferença na quantidade,

0:19:41.822,0:19:43.586
é uma diferença no tipo.

0:19:43.586,0:19:45.746
Temos computadores[br]incrivelmente poderosos,

0:19:45.746,0:19:48.300
que fazem coisas[br]incrivelmente sofisticadas,

0:19:48.300,0:19:51.204
muitas vezes com grandes[br]quantidades de dados.

0:19:51.341,0:19:53.948
A mente humana faz algo[br]completamente diferente.

0:19:53.948,0:19:58.033
Acho que é a natureza hierárquica [br]e estruturada do conhecimento humano

0:19:58.033,0:20:00.220
que continua a ser um desafio real.

0:20:00.365,0:20:03.145
CA: Laura Schulz,[br]uma conversa maravilhosa. Obrigado.

0:20:03.208,0:20:04.312
LS: Obrigada.

0:20:04.330,0:20:05.858
(Aplausos)