0:00:00.835,0:00:02.990
马克·吐温说过一句话，

0:00:02.990,0:00:06.110
在我看来，指出了认知科学

0:00:06.110,0:00:07.820
的根本问题。

0:00:07.930,0:00:11.492
他说，“科学非常奇妙，

0:00:11.492,0:00:14.720
你实际上只需进行少量投资，

0:00:14.720,0:00:17.924
得到的回报却是一整套理论。”

0:00:17.924,0:00:19.509
（笑声）

0:00:20.199,0:00:22.803
吐温当然是在开玩笑，但他没说错：

0:00:22.803,0:00:25.679
科学就是这么神奇。

0:00:25.679,0:00:29.940
从几块骨头，[br]我们能推测出恐龙的存在。

0:00:30.910,0:00:34.781
从几条光谱带，[br]我们能推测星云的构成物质。

0:00:35.471,0:00:38.409
分析果蝇，

0:00:38.409,0:00:41.352
我们能推导出遗传机制，

0:00:41.352,0:00:45.601
分析大脑血液流动的图像，

0:00:45.601,0:00:50.309
或者，从我的研究方向来说，[br]分析儿童的行为，

0:00:50.309,0:00:53.138
我们尝试搞清楚人类认知的

0:00:53.138,0:00:54.756
基本机制。

0:00:55.716,0:01:00.475
尤其在我们麻省理工学院[br]大脑和认知科学系实验室，

0:01:00.475,0:01:04.129
过去十年我一直在研究一个问题，

0:01:04.129,0:01:08.106
为什么小孩子能从无到有[br]快速地学会很多东西。

0:01:08.276,0:01:11.644
因为，科学的奇妙之处，

0:01:11.644,0:01:15.173
恰恰也是小孩子的奇妙之处，

0:01:15.173,0:01:17.754
从马克·吐温的话引申出来，

0:01:17.754,0:01:23.194
准确地说，就是他们都能[br]从少量的、充满干扰的数据中

0:01:23.194,0:01:27.265
迅速而准确地得出丰富的理论推断。

0:01:28.355,0:01:30.753
我今天只举两个例子。

0:01:30.753,0:01:33.040
一个关于归纳总结，

0:01:33.040,0:01:35.890
另一个关于因果推理。

0:01:35.890,0:01:38.415
尽管我今天要谈的[br]是我的实验室里的工作，

0:01:38.415,0:01:41.875
但它的灵感来源于[br]整个（认知科学）领域。

0:01:41.875,0:01:46.158
我要感谢世界各地的[br]导师、同事和合作者们。

0:01:47.308,0:01:50.282
我先从归纳总结开始讲起。

0:01:50.652,0:01:54.785
从少量的数据样本进行归纳总结[br]是科学的立身之本。

0:01:54.785,0:01:57.339
我们调查一小部分选民的投票结果，

0:01:57.339,0:01:59.660
就能推测出大选结果。

0:02:00.240,0:02:04.165
我们分析临床试验中一部分病人[br]对治疗方案的反应，

0:02:04.165,0:02:07.230
然后向全国市场推广新药。

0:02:07.230,0:02:11.595
但这要求我们抽取样本[br]要完全随机。

0:02:11.595,0:02:14.330
如果样本是刻意挑选的，

0:02:14.330,0:02:16.402
比如说，只抽取城市选民，

0:02:16.402,0:02:20.790
或者，在治疗心脏病的临床试验中，

0:02:20.790,0:02:22.671
只抽取男性患者，

0:02:22.671,0:02:25.829
那结果可能不适用于整个人群。

0:02:26.179,0:02:30.060
因此科学家非常重视[br]样本的抽取是否随机，

0:02:30.060,0:02:32.075
那婴儿会不会重视呢？

0:02:32.585,0:02:37.206
实际上，婴儿一直在对[br]少量数据样本进行归纳总结。

0:02:37.206,0:02:40.364
他们见过几只橡胶鸭子，[br]知道它们能浮起来，

0:02:40.364,0:02:43.939
见过几个球，知道它们能在地上弹跳。

0:02:43.939,0:02:46.890
他们对鸭子和球产生了预判

0:02:46.890,0:02:49.606
并会在今后的人生中[br]将这种预判延伸到

0:02:49.606,0:02:51.485
（所有）橡胶鸭子和球身上。

0:02:51.485,0:02:55.224
这种针对鸭子和球的归纳总结法，

0:02:55.224,0:02:57.313
婴儿几乎要用在所有东西上：

0:02:57.313,0:03:01.230
鞋子、船、封蜡、卷心菜和国王。

0:03:02.200,0:03:05.161
那么婴儿会不会在乎[br]他们看到的这几个样本

0:03:05.161,0:03:08.853
是不是具有代表性呢？

0:03:09.703,0:03:11.663
我们来看一看。

0:03:11.663,0:03:13.386
我将给你们放两段视频，

0:03:13.386,0:03:15.848
每一段各反映一个实验里的一种情况，

0:03:15.848,0:03:18.286
因为只有两段视频，

0:03:18.286,0:03:20.422
所以你们只能看到两个婴儿，

0:03:20.422,0:03:24.369
而任意两个婴儿之间都是千差万别的。

0:03:24.369,0:03:27.420
当然，这两个婴儿，[br]各代表一类婴儿，

0:03:27.420,0:03:29.315
你们即将看到的差别，

0:03:29.315,0:03:34.510
代表了婴儿在不同情况下[br]普遍的行为差异。

0:03:35.160,0:03:37.743
在每段视频中，婴儿的所作所为，

0:03:37.743,0:03:41.203
可能会跟你所预期的一样，

0:03:41.203,0:03:45.220
婴儿是如此神奇，[br]可能超乎你的想象。

0:03:45.920,0:03:48.100
但在我看来神奇的是，

0:03:48.100,0:03:50.189
我也希望大家能注意到，

0:03:50.189,0:03:53.300
就是两种情况之间的差别，

0:03:53.300,0:03:56.829
因为两段视频唯一的不同之处

0:03:56.829,0:04:00.295
就是婴儿需要观察的统计学证据。

0:04:01.425,0:04:04.608
我们会给婴儿看一个盒子，[br]里面装满了蓝色和黄色的球，

0:04:04.608,0:04:09.228
我当时的研究生学生，[br]现在是斯坦福大学的同事，权孝媛。

0:04:09.228,0:04:12.305
会从盒子里连续拿出三个蓝色的球，

0:04:12.305,0:04:15.428
当她把球拿出来的时候，她会捏它们，

0:04:15.428,0:04:17.541
球会发出声音。

0:04:17.541,0:04:20.304
对孩子来说，这就像TED演讲。

0:04:20.304,0:04:22.208
真的没什么区别。

0:04:22.208,0:04:24.769
（笑声）

0:04:26.968,0:04:30.627
重要的一点是，[br]从一个几乎全都是蓝色球的盒子里，

0:04:30.627,0:04:32.932
连续拿出三个蓝色的球非常容易。

0:04:32.932,0:04:34.992
闭上眼睛都能做到。

0:04:34.992,0:04:37.988
这是一个真正的随机取样。

0:04:37.988,0:04:41.720
如果你从一个盒子里随机[br]取出来的东西能捏响，

0:04:41.720,0:04:44.559
那也许这个盒子里[br]所有的东西都能捏响。

0:04:44.559,0:04:48.209
因此，婴儿也许会觉得[br]黄色的球也能捏响。

0:04:48.209,0:04:50.728
这些黄色的球在尾端有一根棍子，

0:04:50.728,0:04:53.585
因此婴儿还可以对它做其他动作。

0:04:53.585,0:04:55.416
比如说打它或者掰它。

0:04:55.416,0:04:58.002
让我们来看婴儿会怎么做。

0:05:00.548,0:05:03.891
（视频）权孝媛：看到没？[br]（球被捏响）

0:05:04.371,0:05:07.576
听到了吗？[br]（球被捏响）

0:05:08.036,0:05:11.102
酷。

0:05:12.706,0:05:14.656
看到这个球没？

0:05:14.656,0:05:16.537
（球被捏响）

0:05:16.537,0:05:19.190
哇。

0:05:21.854,0:05:23.967
劳拉·舒尔茨：我就说嘛。（笑）

0:05:23.967,0:05:27.998
（视频）权孝媛：看这个。[br]（球被捏响）

0:05:27.998,0:05:32.617
克拉拉，这个球给你。[br]拿着玩吧。

0:05:39.854,0:05:44.219
（笑声）

0:05:44.219,0:05:47.214
劳拉·舒尔茨：[br]我都不必解释了，对吗？

0:05:47.214,0:05:50.113
好的，婴儿能从蓝色球的特性[br]推导出黄色球的特性

0:05:50.113,0:05:51.641
这非常棒，

0:05:51.641,0:05:54.737
而且婴儿通过模仿我们[br]进行学习，令人印象深刻，

0:05:54.737,0:05:58.406
但婴儿的这些特点我们早就知道了。

0:05:58.406,0:06:00.217
真正有意思的是，

0:06:00.217,0:06:03.069
我们将上述实验完全重复一遍，

0:06:03.069,0:06:06.680
我们之所以能保证两次实验完全一样，[br]是因为装球的箱子有一个隔层，

0:06:06.680,0:06:08.790
实际上我们是从那个隔层里往外拿球，

0:06:08.790,0:06:12.268
但是这一次，[br]我们更改了样品库的外观，

0:06:12.268,0:06:15.170
也就是说盒子里的球看起来不同了。

0:06:15.170,0:06:18.723
这一次，我们还是[br]给婴儿看三个蓝色的球，

0:06:18.723,0:06:22.107
但是装球的箱子里几乎全是黄色的球，

0:06:22.107,0:06:23.429
猜猜结果会怎样？

0:06:23.429,0:06:26.269
从几乎全是黄色球的箱子里

0:06:26.269,0:06:28.753
连续拿出三个蓝色的球，[br]也许很难。

0:06:28.753,0:06:32.500
这不是令人信服的随机取样。

0:06:32.500,0:06:37.623
也许孝媛是故意选的蓝色的球。

0:06:37.623,0:06:40.206
也许蓝色的球有些特别之处。

0:06:40.846,0:06:43.822
也许只有蓝色的球能捏响。

0:06:43.822,0:06:45.717
我们来看婴儿会怎么做。

0:06:45.717,0:06:48.621
（视频）权孝媛：看到了吗？[br]（球被捏响）

0:06:50.851,0:06:53.496
再看这个。[br]（球被捏响）

0:06:53.496,0:06:58.976
哦，太酷了。看！[br]（球被捏响）

0:06:58.976,0:07:03.370
这个是给你的。[br]拿去玩吧。

0:07:06.074,0:07:12.421
（不耐烦）[br]（笑声）

0:07:14.901,0:07:17.649
劳拉·舒尔茨：2个15个月大的婴儿

0:07:17.649,0:07:19.591
仅仅基于他们观察到的取样几率

0:07:19.591,0:07:23.190
做出了完全不同的反应。

0:07:23.190,0:07:25.511
让我们来看一下实验结果。

0:07:25.511,0:07:28.275
在纵轴上，你看到的是在不同情况下

0:07:28.275,0:07:30.805
会去捏球的婴儿的百分比，

0:07:30.805,0:07:34.520
如图表所示，当婴儿认为取样具有代表性

0:07:34.520,0:07:37.655
而不是特意选取的时候

0:07:37.655,0:07:41.393
他们有更高几率去捏黄色的球。

0:07:41.393,0:07:43.808
这个结果能导致一个有趣的推测：

0:07:43.808,0:07:48.676
假设你从几乎全是黄色球的箱子里[br]拿出一个蓝色球。

0:07:48.896,0:07:52.765
你也许很难从很多黄球的箱子里[br]连续拿出三个蓝色球，

0:07:52.765,0:07:55.220
但随机拿出一个还是有可能的。

0:07:55.220,0:07:57.190
这不是一个小概率事件。

0:07:57.190,0:07:59.414
如果你从箱子里随机抽出一个东西，

0:07:59.414,0:08:03.401
而这个东西能捏响，[br]那可能箱子里所有东西都能捏响。

0:08:03.875,0:08:08.320
因此，尽管婴儿们在接下来的[br]“只拿一个球”的实验中，

0:08:08.320,0:08:10.562
看到的证据更少，

0:08:10.562,0:08:13.905
可模仿的动作也更少，

0:08:13.905,0:08:17.797
但我们推测婴儿们捏球的几率会升高，

0:08:17.797,0:08:20.691
结果正是如此。

0:08:20.691,0:08:25.102
15个月大的婴儿，在这个实验中，[br]跟科学家一样，

0:08:25.102,0:08:28.190
十分看重取样是否真正随机，

0:08:28.190,0:08:31.697
他们通过这种方法[br]来发展对世界的预判：

0:08:31.697,0:08:33.879
什么能捏响，什么不能，

0:08:33.879,0:08:37.024
什么值得探究，什么可以忽略。

0:08:38.384,0:08:40.450
下面我们来看另一个实验，

0:08:40.450,0:08:43.180
关于因果推论的实验。

0:08:43.180,0:08:45.619
这个实验源于一个让我们所有人

0:08:45.619,0:08:47.291
都感到困惑的事实：

0:08:47.291,0:08:49.311
我们是这个世界的一部分。

0:08:49.311,0:08:52.747
也许在你看来这根本不算个问题，[br]但就像许多其他问题一样，

0:08:52.747,0:08:55.084
只有问题出现时，它才算一个问题。

0:08:55.464,0:08:57.275
以下面这个婴儿为例。

0:08:57.275,0:08:58.980
他就碰到了点问题。

0:08:58.980,0:09:01.251
他想把玩具弄响，但是没有成功。

0:09:01.251,0:09:03.780
我给你们放几秒视频。

0:09:08.870,0:09:11.260
大体而言，有两种可能：

0:09:11.260,0:09:13.894
也许他玩的方法不对，

0:09:14.614,0:09:17.720
或者玩具坏了。

0:09:18.110,0:09:20.101
因此在接下来的实验中，

0:09:20.101,0:09:23.518
我们会给婴儿少量统计学数据，

0:09:23.518,0:09:26.100
这些数据能支持某一种可能性，

0:09:26.100,0:09:28.275
我们再看婴儿能否依据这些数据

0:09:28.275,0:09:30.589
作出不同的决定。

0:09:31.389,0:09:33.411
实验是这样的。

0:09:34.071,0:09:37.101
孝媛尝试弄响这个玩具，她成功了。

0:09:37.101,0:09:40.421
然后我也开始玩，但两次都失败了，

0:09:40.421,0:09:43.533
然后孝媛再次尝试，她又成功了，

0:09:43.533,0:09:46.705
也许这是我跟孝媛[br]在科技水平上差距

0:09:46.705,0:09:49.540
的很好体现。

0:09:50.030,0:09:54.002
这里的关键点在于，[br]它提供了一点点证据

0:09:54.002,0:09:56.990
证明问题不在于玩具，而在于人。

0:09:56.990,0:09:59.340
有的人能让玩具发出声音，

0:09:59.340,0:10:00.299
有的人则不能。

0:10:00.799,0:10:04.212
当婴儿拿到玩具之后，[br]他要做出选择。

0:10:04.212,0:10:05.950
他妈妈就在旁边，

0:10:05.950,0:10:09.395
他可以将玩具交给妈妈，[br]换一个人，

0:10:09.395,0:10:12.873
同时在那块布的尽头[br]放着另一个玩具，

0:10:12.873,0:10:16.065
他可以将布拖过来，换一个玩具。

0:10:16.335,0:10:18.515
我们来看看他会怎么做。

0:10:19.085,0:10:22.698
（视频）孝媛：二、三，开始！[br]（音乐）

0:10:22.888,0:10:26.179
劳拉·舒尔茨：一、二、三，开始！

0:10:27.309,0:10:33.211
亚瑟，我再试一次。[br]一、二、三，开始！

0:10:33.677,0:10:36.277
孝媛：亚瑟，让我再试一次，好吗？

0:10:36.277,0:10:40.827
一、二、三，开始！[br]（音乐）

0:10:41.273,0:10:43.466
看啊。[br]记得这些玩具吗？

0:10:43.466,0:10:46.730
看到了吗？我把这个玩具放在这里，

0:10:46.730,0:10:48.482
把这个玩具给你。

0:10:48.482,0:10:51.127
你可以自己玩了。

0:11:11.213,0:11:15.950
劳拉·舒尔茨：好吧，劳拉，但是，[br]小朋友都爱自己的妈妈呀。

0:11:15.950,0:11:18.132
他玩不转玩具的时候

0:11:18.132,0:11:20.162
肯定会把玩具交给妈妈。

0:11:20.162,0:11:23.755
那么，让我们看看[br]把这少量的统计学数据

0:11:23.755,0:11:26.909
进行更换会怎么样。

0:11:26.909,0:11:30.996
这一次，玩具响和不响的顺序跟刚才一样，

0:11:30.996,0:11:33.411
但分布情况跟刚才不同。

0:11:33.411,0:11:37.822
这一次，孝媛会成功一次，失败一次，[br]我也一样。

0:11:37.822,0:11:43.239
那就表明跟人没关系，[br]是这个玩具有问题。

0:11:43.239,0:11:45.025
它时好时坏。

0:11:45.065,0:11:46.720
同样的，婴儿要做出选择。

0:11:46.720,0:11:50.706
她妈妈就在她旁边，[br]她可以换人来试，

0:11:50.706,0:11:53.130
同样有另一个玩具[br]放在布的另一头。

0:11:53.130,0:11:54.778
我们来看她会如何选择。

0:11:55.058,0:11:59.636
（视频）孝媛：二、三，开始！[br]（音乐）

0:11:59.636,0:12:04.620
我再试一次。[br]一、二、三，开始！

0:12:05.460,0:12:07.157
嗯？

0:12:07.950,0:12:10.392
劳拉·舒尔茨：克拉拉，让我试一下吧。

0:12:10.642,0:12:14.587
一、二、三，开始！

0:12:15.265,0:12:17.200
嗯，我再试一次。

0:12:17.200,0:12:22.870
一、二、三，开始！[br]（音乐）

0:12:23.009,0:12:25.242
孝媛：我把这个放在这边，

0:12:25.632,0:12:27.083
把这个给你。

0:12:27.083,0:12:28.530
你可以玩了。

0:12:46.376,0:12:51.273
（掌声）

0:12:52.993,0:12:55.385
劳拉·舒尔茨：我们来看看实验结果。

0:12:55.385,0:12:57.860
在纵轴上，显示的是

0:12:57.860,0:13:00.437
在不同情况下婴儿所做选择的比例，

0:13:00.437,0:13:04.988
我们可以看到，婴儿们做出的选择

0:13:04.988,0:13:07.775
跟他们观察到的证据有关。

0:13:07.775,0:13:09.632
因此，在出生后的第二年，

0:13:09.632,0:13:12.209
婴儿已经可以利用少量统计数据

0:13:12.209,0:13:15.576
来决定如何从两种不同的[br]基本策略中做出选择

0:13:15.576,0:13:17.457
从而在这个世界生存：

0:13:17.457,0:13:20.200
求助和探索。

0:13:21.840,0:13:25.134
我刚刚向大家展示的两个实验

0:13:25.134,0:13:28.825
是从几百个类似实验中挑选出来的，[br]它们得出了相似的结论，

0:13:28.825,0:13:31.217
因为真正重要的一点是

0:13:31.217,0:13:36.325
孩子们从很少的数据中[br]推导出丰富结果的能力

0:13:36.325,0:13:41.666
构成了我们研究[br]物种特异性文化的基础。

0:13:41.666,0:13:46.263
孩子能通过几个示范[br]就掌握工具的用法。

0:13:46.263,0:13:50.980
能通过几个例子[br]就掌握新的因果关系。

0:13:51.928,0:13:56.799
他们甚至能学会新的词语，[br]这里我指的是美国手语。

0:13:56.799,0:13:59.110
我想用两个观点来结束演讲。

0:14:00.050,0:14:03.738
如果在过去几年，[br]你一直在关注我们的领域，

0:14:03.738,0:14:05.665
关注大脑和认知科学，

0:14:05.665,0:14:08.080
那么你一定注意到了这三个观点。

0:14:08.080,0:14:11.516
首先，现在是大脑的时代。

0:14:11.516,0:14:15.185
实际上，神经系统科学[br]已经取得了不错的进展：

0:14:15.185,0:14:18.621
确定大脑皮层各区域的作用，

0:14:18.621,0:14:21.222
让小白鼠的大脑透明化，

0:14:21.222,0:14:24.018
利用光线触发神经元（活动）。

0:14:24.998,0:14:26.994
第二个大的观点是

0:14:26.994,0:14:31.098
现在是大数据和机器学习的时代，

0:14:31.098,0:14:34.239
机器学习预示了我们对事物[br]的理解将发生革命性的变化，

0:14:34.239,0:14:38.646
无论是对社交网络还是流行病学。

0:14:38.786,0:14:41.599
也许，随着它被用于场景理解

0:14:41.599,0:14:43.592
和自然语言处理，

0:14:43.592,0:14:46.916
能帮助我们更好地研究人类认知。

0:14:47.756,0:14:49.693
最后一个你可能注意到的观点是

0:14:49.693,0:14:53.080
我们能深入了解大脑，[br]能深入运用大数据，

0:14:53.080,0:14:54.997
是一件非常好的事情，

0:14:54.997,0:14:57.504
因为人类天性随意，

0:14:57.504,0:15:01.335
我们容易犯错，喜欢走捷径，

0:15:01.335,0:15:04.772
我们闯祸，我们惹麻烦，

0:15:04.772,0:15:08.456
我们心存偏见，[br]而且从许多方面来讲，

0:15:09.106,0:15:11.425
我们会错误理解这个世界。

0:15:12.843,0:15:15.792
我认为这些书都很重要，

0:15:15.792,0:15:19.577
能帮我们理解身为人类意味着什么，

0:15:19.577,0:15:23.106
但我想强调的是，[br]今天我讲的是一个完全不同的故事。

0:15:23.966,0:15:27.773
它讲的是思维而不是大脑，

0:15:27.773,0:15:30.779
确切的说，是关于人类思维所特有的

0:15:30.779,0:15:33.369
一种计算能力，

0:15:33.369,0:15:37.313
这种能力让我们学识渊博，

0:15:37.313,0:15:42.841
帮助我们从少量数据和证据中[br]进行学习。

0:15:43.991,0:15:48.600
从本质上来说，[br]这是一个关于成长的故事，

0:15:48.600,0:15:52.780
小孩子如何一天天成长，[br]取得巨大成就，

0:15:52.780,0:15:55.803
为我们的文化做贡献，

0:15:56.623,0:15:58.620
我们对世界的理解又是正确的。

0:16:00.433,0:16:05.700
朋友们，人类的思维不光[br]能从少量数据中进行学习。

0:16:06.285,0:16:08.386
人类思维能提炼全新的观点。

0:16:08.746,0:16:11.787
人类思维进行研究和发现，

0:16:11.787,0:16:16.500
人类思维还能创作[br]艺术、文学、诗歌和戏剧，

0:16:17.070,0:16:20.830
人类思维还会关注其他人类：

0:16:20.830,0:16:24.257
尊老爱幼，救死扶伤。

0:16:24.517,0:16:26.884
让他们痊愈。

0:16:27.564,0:16:30.667
在未来几年，[br]我们将看到超出我们想象

0:16:30.667,0:16:33.874
的技术创新，

0:16:34.464,0:16:36.614
但是我们很可能看不到

0:16:36.614,0:16:42.323
哪怕仅仅是接近[br]人类小孩计算能力的技术出现，

0:16:42.323,0:16:45.701
可能我们的有生之年都看不到。

0:16:46.621,0:16:51.668
如果我们对这些最强大的[br]学习者和他们的发展进行投资，

0:16:51.668,0:16:54.435
也就是对婴儿和儿童，

0:16:54.435,0:16:56.411
对他们的父母，

0:16:56.411,0:16:58.950
对他们的看护和老师，

0:16:58.950,0:17:03.280
就像我们对技术、工程和设计[br]等最强大和优雅的门类

0:17:03.280,0:17:05.738
进行投资一样，

0:17:06.498,0:17:09.437
那我们将不仅梦想着更好的未来，

0:17:09.437,0:17:11.564
而是按计划在实现它。

0:17:11.564,0:17:13.909
非常感谢大家。

0:17:13.909,0:17:17.330
（掌声）

0:17:17.810,0:17:22.236
克里斯·安德森：劳拉，谢谢你。[br]我有一个问题想问你。

0:17:22.236,0:17:24.595
首先，这项研究非常棒。

0:17:24.595,0:17:28.320
我是说，谁能设计出这样一个实验呢？[br]（笑声）

0:17:29.150,0:17:30.940
我已经看过好几次了，

0:17:30.940,0:17:34.162
但我仍然不敢相信这是真的，

0:17:34.162,0:17:37.320
但其他人也做过类似的实验，[br]真的证明了，

0:17:37.320,0:17:38.953
婴儿们真的都是天才。

0:17:38.953,0:17:41.960
劳拉·舒尔茨：是啊，他们在实验中的表现[br]真是棒极了，

0:17:41.960,0:17:44.202
但想象一下他们在生活中[br]的表现（会更棒），不是吗？

0:17:44.202,0:17:45.582
最开始只是个小东西，

0:17:45.582,0:17:47.769
十八个月后，[br]他就可以跟你交谈了，

0:17:47.769,0:17:50.640
婴儿最开始会说的话[br]不仅仅是球啊鸭子啊这些东西，

0:17:50.640,0:17:52.771
还有包括“不见了”表示消失，

0:17:52.771,0:17:55.974
或者“啊—哦”表示下意识的动作。

0:17:55.974,0:17:57.536
就是这么神奇。

0:17:57.536,0:17:59.761
比我在实验中展示的要神奇得多。

0:17:59.761,0:18:01.425
他们能理解整个世界。

0:18:01.425,0:18:04.889
一个四岁的小孩几乎能跟你聊任何话题。

0:18:04.889,0:18:07.030
（掌声）

0:18:07.030,0:18:10.444
克里斯·安德森：如果我没理解错的话，[br]你想说明的另一个关键点是，

0:18:10.444,0:18:13.198
多年以来，我们一直认为

0:18:13.198,0:18:15.130
人类思维古怪而不正常，

0:18:15.130,0:18:17.997
行为经济学和它背后的[br]一整套理论都认为

0:18:17.997,0:18:19.600
人类不是一种理性的生物。

0:18:19.600,0:18:23.816
而你认为人类思维[br]是如此卓越，

0:18:23.816,0:18:28.760
如此出色，实际上是被低估了。

0:18:28.760,0:18:30.830
劳拉·舒尔茨：我最喜欢的[br]关于心理学的一句话

0:18:30.830,0:18:33.120
来自社会心理学家所罗门·阿施，

0:18:33.120,0:18:35.247
他说，心理学的基本任务就是

0:18:35.247,0:18:38.103
揭开事物“无证自明”的面纱。

0:18:38.623,0:18:43.104
要正确理解世界

0:18:43.104,0:18:44.451
你每天要做出非常之多的决定。

0:18:44.451,0:18:46.583
你了解物体和它们的属性。

0:18:46.583,0:18:49.112
当有东西挡路的时候你会知道，[br]即便是在黑暗中。

0:18:49.112,0:18:50.550
你可以穿过房间。

0:18:50.550,0:18:53.102
你可以猜到其他人在想什么。[br]你可以跟他们交谈。

0:18:53.102,0:18:55.482
你可以在太空中导航。[br]你了解数字。

0:18:55.482,0:18:58.314
你知道因果关系。[br]你理解道德推论。

0:18:58.314,0:19:01.140
这些事情做起来不费功夫，[br]因此我们注意不到，

0:19:01.140,0:19:03.552
但我们就是这样来正确理解世界的，[br]这是一种非凡的，

0:19:03.552,0:19:05.740
但非常难以理解的成就。

0:19:05.740,0:19:08.078
克里斯·安德森：我猜观众中间

0:19:08.078,0:19:10.736
一定有技术加速理论的支持者，

0:19:10.736,0:19:13.374
他们可能不认同你的观点，[br]就是有生之年都看不到

0:19:13.374,0:19:16.452
计算机的智能[br]达到一个三岁孩子的水平，

0:19:16.452,0:19:20.700
但毫无争议的是，无论如何，

0:19:20.700,0:19:24.920
从蹒跚学步的儿童身上[br]机器可以学到很多很多。

0:19:27.070,0:19:29.446
劳拉·舒尔茨：的确是。观众中[br]有从事机器学习研究的朋友。

0:19:29.446,0:19:33.649
我想说，你不能认为婴儿或者黑猩猩

0:19:33.649,0:19:37.294
或者技术的差别在于实践，

0:19:37.294,0:19:41.822
他们之间的差别不在于数量，

0:19:41.822,0:19:43.586
而在于种类。

0:19:43.586,0:19:45.746
我们现在有非常强大的计算机，

0:19:45.746,0:19:48.137
它们能完成非常精确的任务，

0:19:48.137,0:19:50.781
处理海量的数据。

0:19:51.341,0:19:53.948
但人类思维的运作方式完全不同，

0:19:53.948,0:19:57.843
我认为研究人类知识[br]在结构和层次方面的属性

0:19:57.843,0:19:59.875
仍是一项巨大的挑战。

0:19:59.875,0:20:02.859
克里斯·安德森：劳拉·舒尔茨，[br]带来了美妙的精神食粮。非常感谢。

0:20:02.859,0:20:05.589
劳拉·舒尔茨：谢谢。[br]（掌声）