0:00:00.835,0:00:07.530
馬克．吐溫用一句妙語概括了，[br]我認為是認知科學的一個最根本問題。

0:00:08.410,0:00:11.492
他說:「科學的有趣之處在於，

0:00:11.492,0:00:17.600
一個人可從微不足道的事得出了偉大的猜想。」

0:00:17.924,0:00:19.509
(笑聲)

0:00:20.199,0:00:22.803
馬克．吐溫當然只是開玩笑，但他是對的。

0:00:22.803,0:00:25.679
科學有其有趣之處。

0:00:25.679,0:00:29.940
從幾塊骨頭，我們推測了恐龍的存在;

0:00:30.910,0:00:34.781
從譜線得出了星雲的成份;

0:00:35.471,0:00:40.159
從果蠅得出了遺傳的機制;

0:00:41.352,0:00:45.601
以及從血液流入大腦的重建影像，

0:00:45.601,0:00:50.309
在我的研究則是從幼兒的行為中，

0:00:50.309,0:00:54.548
我們嘗試解釋人類認知的基本機制。

0:00:55.716,0:01:00.475
我在麻省理工大腦及認知科學系實驗室中，

0:01:00.475,0:01:04.129
花了過去十年研究一個謎團，

0:01:04.129,0:01:08.106
就是兒童如何從零開始，[br]快速地學到那麼多的東西。

0:01:08.666,0:01:11.644
科學令人著迷之處，

0:01:11.644,0:01:15.173
亦正是孩子令人著迷的地方。

0:01:15.173,0:01:17.754
回應馬克．吐溫的話，

0:01:17.754,0:01:27.174
那就是孩子從零碎和離亂的訊息中，[br]能夠得出豐富而抽象的推論的能力。

0:01:28.355,0:01:30.753
我將舉出兩個例子:

0:01:30.753,0:01:33.040
一個是關於廣義化的問題，

0:01:33.040,0:01:35.890
另一個則是關於因果推理的。

0:01:35.890,0:01:38.415
雖然我將會談及我實驗室的研究，

0:01:38.415,0:01:41.875
但這個研究的靈感是來自一個領域，

0:01:41.875,0:01:46.158
一個我要感謝世界各地的導師、[br]同事和工作夥伴付出的領域。

0:01:47.308,0:01:50.282
讓我先談談廣義化的問題。

0:01:50.652,0:01:54.785
歸納數據樣本在科學上是不可或缺的，

0:01:54.785,0:01:57.339
如我們調查一部分的選民，

0:01:57.339,0:01:59.660
然後預測國家大選的結果。

0:02:00.240,0:02:04.165
我們觀察一小撮病人在臨床試驗中的反應，

0:02:04.165,0:02:07.230
然後把藥物帶入市場，

0:02:07.230,0:02:11.595
但只有在整個人口中隨機抽樣才可行。

0:02:11.595,0:02:14.330
當我們刻意挑選樣本，

0:02:14.330,0:02:16.402
如我們只調查城市中的選民，

0:02:16.402,0:02:20.790
又或在治療心臟病的臨床試驗中，

0:02:20.790,0:02:22.671
我們只研究男性，

0:02:22.671,0:02:25.829
這樣的結果便不能代表整個人口。

0:02:26.479,0:02:30.060
因此科學家著緊抽樣的方法是否隨機。

0:02:30.060,0:02:32.075
但這又跟嬰兒有甚麼關係?

0:02:32.585,0:02:37.206
嬰兒在任何時候都要歸納數據樣本，

0:02:37.206,0:02:40.364
當他們看到幾隻橡皮鴨，[br]並知道它們浮在水面。

0:02:40.364,0:02:43.939
又或見到幾個皮球，[br]並知道它們能彈跳。

0:02:43.939,0:02:46.890
從中他們建立對橡膠鴨和皮球的概念，

0:02:46.890,0:02:51.156
並將這概念延伸至日後會見到的[br]所有橡膠鴨和皮球。

0:02:51.485,0:02:55.224
嬰兒對橡膠鴨和皮球的這種概括，

0:02:55.224,0:02:57.313
他們會運用在每一件事上:

0:02:57.313,0:03:01.230
鞋子、船、封蠟、捲心菜和皇帝。

0:03:02.200,0:03:08.561
因此嬰兒留意這些細節能否代表整體。

0:03:09.763,0:03:11.663
我們一起看看吧。

0:03:11.663,0:03:13.386
我將讓你看兩段短片，

0:03:13.386,0:03:15.848
這兩段短片分別代表實驗的兩個情況。

0:03:15.848,0:03:18.286
由於你將看到兩段短片，

0:03:18.286,0:03:20.422
你只會看到兩個嬰兒，

0:03:20.422,0:03:24.369
而這兩個嬰兒在很多地方都是不同的。

0:03:24.369,0:03:27.420
但這兩個嬰兒將代表更大的群組，

0:03:27.420,0:03:33.705
你將看到的不同之處則代表[br]嬰兒行為中的平均差異。

0:03:35.160,0:03:40.963
在每一段短片中你會見到嬰兒[br]在做些他們正常會做的事。

0:03:41.203,0:03:45.220
嬰兒本身已是十分神奇的，

0:03:46.090,0:03:48.100
但對我來說他們的神奇之處，

0:03:48.100,0:03:50.189
也是我想你們留意的地方，

0:03:50.189,0:03:53.300
就是這兩種情況之間的分別。

0:03:53.300,0:03:56.829
因為這兩段短片唯一不同的地方，

0:03:56.829,0:04:00.295
正是嬰兒將要觀察的資料。

0:04:01.425,0:04:04.608
我們把一些藍色和黃色的球給嬰兒看。

0:04:04.608,0:04:09.228
權孝媛當時是我的學生，[br]現在則是史丹佛大學的同事。

0:04:09.228,0:04:12.305
她將拿出三個藍色的球，

0:04:12.305,0:04:15.428
而當她拿出這些球時，[br]她會把球擠一下，

0:04:15.428,0:04:17.541
讓這些球發出吱吱聲。

0:04:17.541,0:04:20.304
這對於嬰兒來說就像TED一樣，

0:04:20.304,0:04:22.208
是件很美好的事。

0:04:22.208,0:04:24.299
（笑聲）

0:04:26.968,0:04:32.747
從一個裝滿藍色球的箱中，[br]抽出三個藍色球是件很容易的事。

0:04:32.932,0:04:34.992
你閉上眼睛也能做到，

0:04:34.992,0:04:37.988
這就像隨機抽樣。

0:04:37.988,0:04:41.720
因此當你可以在箱中隨機地抽出[br]能吱吱叫的物件時，

0:04:41.720,0:04:44.559
也許箱中所有物件都能吱吱叫，

0:04:44.559,0:04:48.209
所以嬰兒可能會假設黃色球也能吱吱叫。

0:04:48.209,0:04:50.728
但這些黃色球都有一根棒，

0:04:50.728,0:04:53.585
所以嬰兒可用它們做些不同的事，

0:04:53.585,0:04:55.416
他們可以拍打或搖動這些球。

0:04:55.416,0:04:58.002
就讓我們看看這嬰兒會做甚麼。

0:05:00.548,0:05:03.891
(影片) 權孝媛: 看看這個。[br](球發出吱吱聲)

0:05:04.531,0:05:07.576
看到這個嗎?[br](球發出吱吱聲)

0:05:08.036,0:05:09.312
很酷吧!

0:05:12.706,0:05:14.656
看看這個。

0:05:14.656,0:05:16.537
(球發出吱吱聲)

0:05:16.537,0:05:17.550
哇!

0:05:21.854,0:05:23.967
羅拉·舒爾茨: 早就說了。 (笑聲)

0:05:23.967,0:05:27.998
(影片) 孝媛: 看到這個嗎?[br](球發出吱吱聲)

0:05:27.998,0:05:32.617
克拉拉, 這個是給你的, 你拿去玩吧。

0:05:39.854,0:05:44.219
(笑聲)

0:05:44.219,0:05:47.214
羅拉: 我不用解釋, 對吧?

0:05:47.214,0:05:51.571
嬰兒把藍色球的特性套用到黃色球上。

0:05:51.571,0:05:54.737
嬰兒從模仿我們中學習，這是很神奇的，

0:05:54.737,0:05:58.406
但我們早就知道嬰兒能這樣做。

0:05:58.406,0:06:03.067
有趣的地方是當把一樣的東西給嬰兒看時，[br]甚麼事會發生。

0:06:03.067,0:06:06.680
我們能肯定這是完全一樣的，[br]因我們有個秘密的空間，

0:06:06.680,0:06:08.790
從中我們抽出這些球。

0:06:08.790,0:06:14.268
但這次我們改變了抽樣的母體。

0:06:15.170,0:06:22.093
這次我們在一個裝滿黃色球的箱中，[br]抽出三個藍色球給嬰兒看。

0:06:22.093,0:06:23.429
想想甚麼事會發生?

0:06:23.429,0:06:28.763
你大概不能隨機地在裝滿黃色球的箱中，[br]連續抽出三個藍色球，

0:06:28.763,0:06:32.500
因此這很可能不是隨機抽樣。

0:06:32.500,0:06:37.623
這反映了孝媛可能是刻意抽出藍色球，

0:06:37.623,0:06:40.206
可能這些藍色球是特別的，

0:06:40.846,0:06:43.822
可能只有藍色球能吱吱叫。

0:06:43.822,0:06:45.717
一起看看這嬰兒會做甚麼。

0:06:45.717,0:06:48.621
(影片) 孝媛: 看看這個。[br](球發出吱吱聲)

0:06:50.851,0:06:53.496
看到這個玩具嗎? (球發出吱吱聲)

0:06:53.496,0:06:58.976
哇, 這很酷, 看到嗎? (球發出吱吱聲)

0:06:58.976,0:07:03.370
這個是給你的, 你拿去玩吧。

0:07:06.074,0:07:12.421
(不耐煩的)[br](笑聲)

0:07:14.901,0:07:17.649
羅拉: 你剛剛看到兩個15月大的嬰兒，

0:07:17.649,0:07:23.201
按他們觀察到樣本出現的機率，[br]而做出完全不同的事。

0:07:23.201,0:07:25.511
一起看看實驗的結果，

0:07:25.511,0:07:30.765
垂直軸代表在每一個情況中，[br]有多少百分比的嬰兒擠壓球。

0:07:30.765,0:07:34.520
你可看見嬰兒在樣本和整體一致時，

0:07:34.520,0:07:37.655
比刻意挑選的樣本，

0:07:37.655,0:07:41.393
較會歸納他們看到的特徵。

0:07:41.393,0:07:43.808
因此這帶出一個有趣的預測。

0:07:43.808,0:07:48.676
假設你在一個裝滿黃色球的箱中[br]只拿出一個藍色球，

0:07:48.896,0:07:52.765
當然你很難隨機地連續抽出三個藍色球，

0:07:52.765,0:07:55.220
但你可以只用一個藍色球作樣本，

0:07:55.220,0:07:57.190
這不一定是個不可行的樣本。

0:07:57.190,0:07:59.414
當你隨機抽出一個會吱吱叫的東西時，

0:07:59.414,0:08:03.401
可能箱中所有的東西都會吱吱叫，

0:08:03.875,0:08:08.320
因此雖然嬰兒會看到較少吱吱叫的例子，

0:08:08.320,0:08:13.912
而且在只抽出一個球的情況下，[br]他們會有較少的動作去模仿，

0:08:13.912,0:08:17.797
但我們預計會有更多嬰兒擠壓球。

0:08:17.797,0:08:20.691
這正是我們發現的結果。

0:08:20.691,0:08:25.102
因此15月大的嬰兒在這方面就像科學家，

0:08:25.102,0:08:28.190
他們留意抽樣的方法是否隨機，

0:08:28.190,0:08:31.697
並以此建立對事物的概念:

0:08:31.697,0:08:33.879
甚麼會吱吱叫而甚麼不會，

0:08:33.879,0:08:37.024
甚麼需要探索而甚麼可忽略。

0:08:38.384,0:08:40.450
現在讓我給你們看看另一個例子，

0:08:40.450,0:08:43.180
這次是關於因果推理的。

0:08:43.180,0:08:47.279
每人都要面對這個問題，

0:08:47.279,0:08:49.311
因為我們都是這世界的一部份。

0:08:49.311,0:08:52.747
這看似不是一個問題，[br]但和其他問題一樣，

0:08:52.747,0:08:55.084
事情會出狀況。

0:08:55.464,0:08:57.275
以這個嬰兒為例，

0:08:57.275,0:08:58.980
所有事都出了問題，

0:08:58.980,0:09:01.251
他想開動這個玩具，但他做不到。

0:09:01.251,0:09:03.780
我會讓你看一段幾秒的影片。

0:09:09.340,0:09:11.260
這有兩個可能的原因，

0:09:11.260,0:09:13.894
可能是他做錯了一些事，

0:09:13.894,0:09:18.110
又或是那個玩具有些問題。

0:09:18.110,0:09:20.221
因此在這個實驗中，

0:09:20.221,0:09:23.518
我們會給嬰兒們少許資料。

0:09:23.518,0:09:26.100
這些資料會傾向支持其中一個可能性，

0:09:26.100,0:09:29.555
我們將研究這些嬰兒能否運用這些資料，

0:09:29.555,0:09:31.389
而作出不同的決定。

0:09:31.389,0:09:33.411
這個實驗是這樣的:

0:09:34.071,0:09:37.101
孝媛嘗試開動那個玩具並成功了，

0:09:37.101,0:09:40.421
而我的兩次嘗試都失敗了，

0:09:40.421,0:09:43.533
之後孝媛再嘗試，並再次成功了。

0:09:43.533,0:09:48.525
這就像我和我的學生在使用新科技的情況。

0:09:50.030,0:09:53.322
重要的是這提供了少許的資料，

0:09:53.322,0:09:56.990
這反映玩具並沒有問題，而是人的問題。

0:09:56.990,0:09:59.340
有些人可以開動這玩具，

0:09:59.340,0:10:00.299
有些人則不能。

0:10:00.799,0:10:04.212
當這嬰兒拿到玩具時，他要作一個選擇。

0:10:04.212,0:10:06.400
他的母親在旁，

0:10:06.400,0:10:09.715
所以他可以把玩具交給母親，[br]換另一人嘗試。

0:10:09.715,0:10:12.873
同時在毛巾上有另一個玩具，

0:10:12.873,0:10:16.425
所以他也可以把玩具拉向自己，[br]換另一個玩具。

0:10:16.425,0:10:18.515
一起看看嬰兒會怎樣做。

0:10:18.515,0:10:22.698
(影片) 孝媛: 二、三、開始![br](音樂)

0:10:22.698,0:10:25.829
羅拉: 一、二、三、開始!

0:10:25.829,0:10:33.211
亞瑟，讓我再試一次，[br]一、二、三、開始!

0:10:33.677,0:10:36.277
孝媛: 亞瑟，讓我再試吧，好嗎?

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

0:10:41.583,0:10:43.466
看看這裡，記得這些玩具嗎?

0:10:43.466,0:10:46.730
看到嗎? 對，我會把這個放在這裡，

0:10:46.730,0:10:48.792
把另一個給你。

0:10:48.792,0:10:51.127
你拿去玩吧。

0:11:11.213,0:11:15.950
羅拉: 你或許會說嬰兒都愛他們的母親，

0:11:15.950,0:11:20.152
因此當玩具出現問題時，[br]嬰兒自然會把它交給母親。

0:11:20.152,0:11:26.755
因此，問題在於當我們稍微改變資料時，[br]甚麼事會發生。

0:11:26.909,0:11:30.996
這次，嬰兒將看到這玩具[br]按同一次序成功運作和失敗，

0:11:30.996,0:11:33.411
但我們改變了資料的分佈。

0:11:33.411,0:11:37.822
這次孝媛和我各有一次成功和一次失敗，

0:11:37.822,0:11:43.459
這代表誰人嘗試都沒有分別，[br]那件玩具是壞的，

0:11:43.459,0:11:45.345
它不是每次都能運作的。

0:11:45.345,0:11:47.310
同樣地，嬰兒要作出一個選擇，

0:11:47.310,0:11:50.706
她的母親在旁，所以她可換另一人嘗試，

0:11:50.706,0:11:53.910
同時另一個玩具就在毛巾上。

0:11:53.910,0:11:55.288
看看她會怎樣做。

0:11:55.288,0:11:59.636
(影片) 孝媛: 二、三、開始![br](音樂)

0:11:59.636,0:12:04.620
讓我再試一次，[br]一、二、三、開始!

0:12:05.460,0:12:07.157
嗯...

0:12:07.950,0:12:10.642
羅拉: 讓我試試吧，克拉拉。

0:12:10.642,0:12:14.587
一、二、三、開始!

0:12:15.265,0:12:17.200
嗯...讓我再試試。

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

0:12:23.009,0:12:25.242
孝媛: 我把這個放在這裡，

0:12:25.242,0:12:27.243
這個則交給你，

0:12:27.243,0:12:30.840
你拿去玩吧。

0:12:46.376,0:12:51.273
(掌聲)

0:12:52.993,0:12:55.385
羅拉: 看看這個實驗的結果，

0:12:55.385,0:13:00.400
在垂直軸上，你會看到在每種情況下，[br]嬰兒作出不同選擇的分佈。

0:13:00.400,0:13:07.218
你會發現他們作的選擇是[br]基於他們觀察到的資料。

0:13:07.775,0:13:09.632
因此當他們兩歲時，

0:13:09.632,0:13:12.209
嬰兒已經可以運用細微的資料，

0:13:12.209,0:13:17.306
在兩個完全不同的選項中作出決定:

0:13:17.457,0:13:20.200
尋求幫忙或自行探索。

0:13:21.700,0:13:25.134
我剛才讓你們看了兩個實驗，

0:13:25.134,0:13:28.825
在這領域中有數千個得出相同結果的實驗。

0:13:28.825,0:13:31.217
當中反映的重點是，

0:13:31.217,0:13:36.325
兒童擁有充分解讀零碎資訊的能力，

0:13:36.325,0:13:41.666
這超出了所有文化的學習方式。

0:13:41.666,0:13:46.263
孩子從少數的例子便能學到新技能，

0:13:46.263,0:13:50.980
他們從少數的例子便能領略到新的因果關係，

0:13:51.928,0:13:56.799
他們甚至能學到新的生字，如美國手語。

0:13:56.799,0:13:59.110
我會提出兩個重點作總結。

0:14:00.050,0:14:05.355
如果你近年有留意大腦和認知科學領域，

0:14:05.355,0:14:08.080
你會聽到三個重要的概念。

0:14:08.080,0:14:11.516
第一，現在是大腦的時代。

0:14:11.516,0:14:15.185
的確，神經科學近來有不少驚人的發現，

0:14:15.185,0:14:18.621
例如標記了大腦皮層負責不同功能的位置、

0:14:18.621,0:14:21.222
製造出透明的老鼠大腦、

0:14:21.222,0:14:24.998
以及利用光線啟動神經元。

0:14:24.998,0:14:26.994
第二個重要的概念是，

0:14:26.994,0:14:31.098
現在是大數據和機器學習的時代，

0:14:31.098,0:14:35.059
而機器學習能徹底改變我們對任何事的理解，

0:14:35.059,0:14:38.906
從社交網站到流行病學。

0:14:38.906,0:14:43.569
當機器學習能理解埸合和處理自然語言時，

0:14:43.569,0:14:46.916
也許我們能藉此了解人類的認知。

0:14:47.756,0:14:49.693
最後一個你會聽過的重要概念是，

0:14:49.693,0:14:55.010
我們將對大腦有很深入的認識，[br]並能掌握大數據，而這很可能是件好事。

0:14:55.010,0:14:57.504
因為相比機器而言，

0:14:57.504,0:15:01.335
人類易犯錯誤，我們會走捷徑，

0:15:01.335,0:15:04.772
我們會做錯，

0:15:04.772,0:15:08.456
我們在很多方面都有偏見，

0:15:08.456,0:15:11.425
我們會有錯誤的理解。

0:15:12.843,0:15:15.792
我認為這都是重要的，

0:15:15.792,0:15:19.577
因為這反映了人類的特質，

0:15:19.577,0:15:23.106
但我今天想帶出事情的另一面。

0:15:23.966,0:15:27.773
這是關於思維而非大腦的，

0:15:27.773,0:15:33.349
尤其是人類獨有的運算能力，

0:15:33.349,0:15:35.653
這牽涉了豐富、有條理的知識，

0:15:35.653,0:15:42.581
以及從少量的數據和例子中學習的能力。

0:15:44.301,0:15:48.600
再者，這是關於我們如何從幼童，

0:15:48.600,0:15:54.800
一路發展至成為文化中偉大的成就，

0:15:56.623,0:15:58.620
我們能正確地理解這個世界。

0:16:00.433,0:16:05.700
大家，[br]人腦不只是懂得從少量的數據中學習。

0:16:06.285,0:16:08.386
人腦能想到新的主意。

0:16:08.746,0:16:11.787
人腦能創造出研究和發明。

0:16:11.787,0:16:17.060
人腦能創作藝術、文學、寫詩和戲劇。

0:16:17.070,0:16:20.830
人腦可照顧其他人，

0:16:20.830,0:16:24.257
包括年老的、年輕的、患病的，

0:16:24.517,0:16:26.884
我們甚至能治癒他們。

0:16:27.564,0:16:33.337
在未來，我們將會看到[br]超乎現在能想像的科技發展，

0:16:34.464,0:16:45.374
但在我或你們的一生中，[br]我們不太可能目睹比得上嬰兒運算能力的機器。

0:16:46.621,0:16:51.668
假如我們投資在最厲害的學習者和其發展身上，

0:16:51.668,0:16:54.585
在嬰兒和兒童身上、

0:16:54.585,0:16:56.411
在母親和父親身上、

0:16:56.411,0:16:59.110
在照顧者和老師身上，

0:16:59.110,0:17:05.550
如同我們投資在最厲害的科技、工程和設計上時，

0:17:06.498,0:17:09.437
我們不只是夢想有個更好的將來，

0:17:09.437,0:17:11.564
而是在計劃一個更好的將來。

0:17:11.564,0:17:13.909
謝謝。

0:17:13.909,0:17:17.330
(掌聲)

0:17:17.810,0:17:22.236
克里斯·安德森: 羅拉, 謝謝你，[br]我其實想問你一個問題。

0:17:22.236,0:17:24.595
首先，這項研究真是太瘋狂了。

0:17:24.595,0:17:28.320
我的意思是，有誰會想到這些實驗? (笑聲)

0:17:29.150,0:17:30.940
我見過很多類似的實驗，

0:17:30.940,0:17:34.162
但我仍然覺得難以置信，

0:17:34.162,0:17:37.320
儘管很多人做了類似的實驗，而事實的確如此。

0:17:37.320,0:17:38.953
這些嬰兒根本是天才。

0:17:38.953,0:17:41.960
羅拉: 在實驗中這看似很神奇，

0:17:41.960,0:17:44.612
但想想在現實生活中是怎樣的，對嗎?

0:17:44.612,0:17:45.762
一出世時，他只是個嬰兒，

0:17:45.762,0:17:47.769
但18個月後他開始說話，

0:17:47.769,0:17:50.810
而嬰兒最初說的話不只是物件，[br]如皮球和鴨子，

0:17:50.810,0:17:53.691
他們更能表達「不見了」的概念，

0:17:53.691,0:17:55.974
又或是以「哎喲」表達無心之失。

0:17:55.974,0:17:57.536
這必須是那麼厲害的，

0:17:57.536,0:18:00.311
這必須比我剛才展示的還要厲害。

0:18:00.311,0:18:02.285
嬰兒在弄清楚整個世界，

0:18:02.285,0:18:05.429
一個四歲的小孩幾乎懂得說所有東西。

0:18:05.429,0:18:07.030
(掌聲)

0:18:07.030,0:18:10.444
克里斯: 如果我沒錯的話，[br]你想指出的另一個重點是，

0:18:10.444,0:18:15.168
這些年來，我們都聽說[br]我們的腦袋是不可信和會出錯的，

0:18:15.168,0:18:19.597
行為經濟學和其他新理論都指出我們不是理性的。

0:18:19.600,0:18:23.816
但你指出了我們的腦袋是非凡的，

0:18:23.816,0:18:28.760
我們一直忽略了我們的腦袋是多麼神奇。

0:18:28.760,0:18:30.830
羅拉: 我最喜愛的心理學名言之一，

0:18:30.830,0:18:33.120
來自社會心理學家所羅門·阿希，

0:18:33.120,0:18:37.787
他說心理學首要的任務是[br]去除那些毋需証明的事物的面紗。

0:18:38.553,0:18:44.454
每天你作出大大小小的決定去理解這個世界。

0:18:44.454,0:18:46.583
你知道不同物件及其特性，

0:18:46.583,0:18:49.612
即使被覆蓋和在黑暗中你也知道。

0:18:49.612,0:18:50.920
你能在空間中行走。

0:18:50.920,0:18:53.252
你能猜到別人在想甚麼，你能和別人交談。

0:18:53.252,0:18:55.262
你能探索空間，你明白數字。

0:18:55.262,0:18:58.174
你明白因果關係，[br]你懂得分辨是非。

0:18:58.174,0:19:00.730
你毫不費力便能做到，[br]所以我們不會察覺，

0:19:00.730,0:19:02.702
但這就是我們理解這個世界的方法，

0:19:02.702,0:19:05.780
這是個神奇而又難以理解的成就。

0:19:05.780,0:19:10.788
克里斯: 我相信在坐有人認為科技正急速發展，

0:19:10.788,0:19:16.522
他們可能不認同你說電腦[br]不能做到三歲小孩能做到的事。

0:19:16.522,0:19:20.980
但可以肯定的是，無論在甚麼場合，

0:19:20.980,0:19:24.750
嬰兒有很多地方值得我們的機器學習。

0:19:26.230,0:19:29.446
羅拉: 我同意。有些人認同機器學習。

0:19:29.446,0:19:37.269
我的意思是，你不應將嬰兒和黑猩猩跟科技比較，

0:19:37.269,0:19:41.822
因為這不是數量上的不同，

0:19:41.822,0:19:43.586
而是性質上的不同。

0:19:43.586,0:19:45.746
我們有十分厲害的電腦，

0:19:45.746,0:19:48.137
它們能做到複雜的事情，

0:19:48.137,0:19:51.341
和處理大量的資料。

0:19:51.341,0:19:53.948
我認為人類的腦袋做的事是不同的，

0:19:53.948,0:19:57.843
人類的知識是有系統和條理分明的，

0:19:57.843,0:19:59.875
這對機器仍然是一個挑戰。

0:19:59.875,0:20:02.936
克里斯: 勞拉·舒爾茨，十分精彩。謝謝。

0:20:02.936,0:20:05.858
羅拉: 謝謝。[br](掌聲)