A incrível mente lógica dos bebês

Como os bebês aprendem tanto com tão pouco e tão rápido? Em uma palestra divertida e cheia de experiências, a cientista cognitiva Laura Schulz mostra como nossas crianças tomam decisões com um senso de lógica incrivelmente forte, bem antes que possam falar.

Mark Twain resumiu o que eu considero

um dos problemas fundamentais
da ciência cognitiva

com apenas um chiste.

Ele disse: "Há algo
fascinante sobre a ciência.

Obtém-se retornos profundos
de conjectura

a partir de investigações
superficiais da verdade".

(Risos)

Twain disse isso brincando,
mas ele está certo:

há algo fascinante sobre a ciência.

A partir de alguns ossos, inferimos
a existência de dinossauros.

A partir de linhas espectrais,
a composição de nebulosas.

A partir de moscas-das-frutas,

os mecanismos de hereditariedade,

e de imagens reconstruídas
do sangue que flui através do cérebro,

ou no meu caso, do comportamento
de crianças muito novas,

nós tentamos dizer algo
sobre os mecanismos fundamentais

da cognição humana.

No meu laboratório no Departamento
de Ciências Cognitivas no MIT,

eu passei a última década
tentando entender o mistério

de como as crianças aprendem tanto
a partir de tão pouco e tão rápido.

E acontece que essa coisa
fascinante sobre ciência

também é uma coisa fascinante
sobre as crianças,

e mudando um pouco a frase de Mark Twain,

é exatamente a capacidade delas
de criar inferências ricas e abstratas

com rapidez e precisão
a partir de poucos dados ruidosos.

Eu vou dar a vocês apenas dois exemplos.

O primeiro é sobre
um problema de generalização,

e o segundo é sobre um problema
de raciocínio causal.

Apesar de falar
sobre o trabalho em meu laboratório,

este trabalho é inspirado
e derivado de um campo.

Sou grata a mentores, colegas,
e colaboradores em todo o mundo.

Vou começar com o problema
de generalização.

Generalizar a partir de poucos dados
é o feijão com arroz da ciência.

Nós sondamos uma pequena fração
de eleitores

e prevemos o resultado
das eleições nacionais.

Vemos como alguns pacientes respondem
ao tratamento num ensaio clínico,

e trazemos drogas para o mercado nacional.

Mas isso só funciona se nossa amostra
for obtida aleatoriamente da população.

Se nossa amostra for enviesada
de alguma maneira,

digamos, sondamos apenas
eleitores urbanos,

ou então, em nossos ensaios clínicos
para tratamento de doenças do coração,

incluímos apenas homens,

os resultados podem não abranger
a população em geral.

Então, os cientistas se importam
se as amostras são randomizadas,

mas o que isso tem a ver com bebês?

Bem, os bebês precisam generalizar
pequenas amostras de dados o tempo todo.

Eles veem alguns patos de borracha
e sabem que eles flutuam,

ou veem algumas bolas e sabem que quicam.

E eles desenvolvem expectativas
sobre patos e bolas

que eles vão estender
para os patos de borracha e bolas

para o resto das suas vidas.

E os tipos de generalizações
que os bebês fazem sobre patos e bolas,

eles precisam fazer sobre quase tudo:

sapatos, barcos, cera de vela,
repolhos e reis.

Os bebês se importam se os pedacinhos
de evidência que veem

são representantes plausíveis
de uma população maior?

Vamos descobrir.

Eu vou mostrar dois filmes a vocês,

um filme para cada condição
de um experimento,

e porque vocês vão ver apenas dois filmes,

vocês verão apenas dois bebês,

e os bebês diferem entre si
de várias maneiras.

Mas estes bebês, claro,
representam um grupos de bebês,

e as diferenças que vocês vão ver

representam as diferenças médias
de grupos de bebês de cada condição.

Em cada filme, talvez vocês vejam
um bebê fazendo

exatamente o que você
espera que um bebê faça,

e dificilmente podemos tornar os bebês
mais mágicos do que já são.

Mas para mim, a coisa mágica

na qual quero que vocês prestem atenção

é o contraste entre estas duas condições,

porque a única coisa
que difere entre estes dois filmes

é a evidência estatística
que os bebês vão observar.

Vamos mostrar aos bebês
uma caixa de bolas azuis e amarelas,

e minha aluna, que agora é minha colega
de Stanford, Hyowon Gweon,

vai tirar três bolas azuis
de cada vez fora desta caixa,

e ao tirar as bolas, ela vai apertá-las,

e as bolas vão chiar.

E se você for um bebê,
é como se fosse uma Palestra TED.

Não tem como ficar melhor que isso.
(Risos)

Mas o que importa é que é fácil
pegar três bolas azuis em sequência

de uma caixa com maioria de bolas azuis.

Você pode fazer isso de olhos fechados.

É plausível que seja uma amostra aleatória
desta população.

E se você põe a mão numa caixa
e pega coisas que chiam,

então talvez tudo dentro da caixa chia.

Talvez os bebês esperem
que essas bolas amarelas chiem também.

Essas bolas amarelas
têm bastões engraçados,

e os bebês podem fazer outras coisas
com elas se quiserem.

Eles podem amassá-las.

Mas vamos ver o que o bebê faz.

(Vídeo) Hyowon Gweon: Olha isso?
(Bola chia)

Você viu?
(Bola chia)

Legal!

Olha isso?

(Bola chia)

Uau!

Laura Schulz: Não disse?
(Risos)

(Vídeo) HG: Olha isso?
(Bola chia)

Clara, esta é para você.
Você pode brincar se quiser.

(Risos)

LS: Eu não preciso nem falar.

Tudo bem, é bom que os bebês
generalizem as propriedades

das bolas azuis para as amarelas,

é impressionante que os bebês
aprendam nos imitando,

mas já sabemos dessas coisas
sobre os bebês há muito tempo.

A questão mais interessante

é o que acontece quando mostramos
exatamente a mesma coisa,

e podemos garantir que é a mesma coisa
pois temos um compartimento secreto

e tiramos as bolas de lá,

mas desta vez, vamos mudar
a população aparente

a partir da qual a evidência é obtida.

Desta vez, vamos mostrar
aos bebês três bolas azuis

tiradas de uma caixa
com maioria de bolas amarelas,

e adivinha?

Você provavelmente não tira
três bolas azuis em sequência

de uma caixa
com maioria de bolas amarelas.

Isso não é uma evidência
amostral plausível.

Essa evidência sugere que Hyowon
estivesse escolhendo as bolas azuis.

Talvez haja algo especial
sobre as bolas azuis.

Talvez apenas as bolas azuis chiem.

Vamos ver o que o bebê faz.

(Vídeo) HG: Olha isso?
(Bola chia)

Olha este brinquedo?
(Bola chia)

Isso foi legal! Olha?
(Bola chia)

Agora, esta é para você brincar.
Pode brincar se quiser.

(Mexendo)
(Risos)

LS: Você acabou de ver
dois bebês de 15 meses de idade

fazendo coisas totalmente diferentes

com base apenas na probabilidade
da amostra que observaram.

Vou mostrar os resultados experimentais.

No eixo vertical, temos
a porcentagem de bebês

que apertaram a bola em cada condição,

e como podemos ver, os bebês
tendem a generalizar a evidência

quando é uma amostra representativa
plausível da população

em vez de de uma amostra
escolhida de maneira enviesada.

E isso leva a uma previsão divertida:

suponha que você tirasse uma bola azul
da caixa com maioria de bolas amarelas.

Você provavelmente não tiraria
três bolas azuis em sequência,

mas poderia tirar
aleatoriamente uma bola azul.

Isso não é uma amostra improvável.

E se você pudesse mexer
ao acaso numa caixa

e tirar uma bola que chia,
talvez todas as bolas da caixa chiem.

Mesmo que os bebês estejam vendo
menos evidências para o chiado,

e tenham menos ações para imitar

nesta condição de uma bola
que acabei de explicar,

nós previmos que os próprios bebês
apertariam mais,

e isso foi exatamente o que vimos.

Então os bebês de 15 meses de idade,
como se fossem cientistas,

se importam se as evidências
são amostradas aleatoriamente ou não,

e usam isso para desenvolver
expectativas sobre o mundo:

o que chia e o que não chia,

o que explorar e o que ignorar.

Vou mostrar outro exemplo agora,

desta vez sobre um problema
de raciocínio causal.

E isso começa com um problema
de evidência confusa

que todos nós enfrentamos,

e por isso fazemos parte do mundo.

Pode não ser um problema para você,
mas como a maioria dos problemas,

só é um problema
quando as coisas dão errado.

Veja este bebê, por exemplo.

As coisas estão dando errado.

Ele quer fazer isso andar,
mas não consegue.

Vou mostrar alguns segundos.

E há duas possibilidades:

talvez ele esteja fazendo algo errado,

ou talvez haja algo
errado com o brinquedo.

Neste próximo experimento,

vamos dar alguns dados estatísticos

apoiando uma hipótese sobre a outra,

e vamos ver se os bebês
podem tomar decisões diferentes

sobre o que fazer.

Aqui está o experimento.

Hyowon vai fazer o brinquedo andar.

Depois eu vou tentar duas vezes e falhar,

e Hyowon tenta de novo e consegue,

e isto resume minha relação
com meus alunos de pós-graduação

com novas tecnologias.

Mas o importante aqui é fornecer
um pouco de evidência

de que o problema não é o brinquedo,
é a pessoa.

Algumas pessoas fazem o brinquedo andar,

e outras não.

Quando o bebê pega o brinquedo,
ele tem uma escolha.

Sua mãe está ali,

para que possa entregar o brinquedo
e mudar de pessoa,

mas há também outro brinquedo,
no final do pano,

e ele pode puxar o pano
e mudar de brinquedo.

Vamos ver o que o bebê faz.

(Vídeo) HG: Dois, três. vai!
(Música)

LS: Um, dois, três, vai!

Arthur, vou tentar novamente.
Um, dois, três, vai!

HG: Arthur, vou tentar de novo.

Um, dois, três, vai!
(Música)

Veja isso.
Lembra destes brinquedos?

Estes brinquedos aqui?
Vou colocar este aqui,

e eu vou dar este para você.

Você pode brincar se quiser.

LS: Certo, mas é óbvio que os bebês
amam suas mamães.

Os bebês vão dar
brinquedos para suas mães

quando não conseguem fazê-los funcionar.

Novamente, o que importa
é o que acontece quando mudamos

os dados estatísticos ligeiramente.

Desta vez, os bebês vão ver o brinquedo
funcionar e falhar na mesma ordem,

mas mudamos a distribuição das evidências.

Hyowon vai conseguir uma vez
e falhar uma vez, e eu também.

Isso sugere que não importa quem tenta,
o brinquedo está quebrado.

Ele não funciona o tempo todo.

De novo, o bebê terá uma escolha.

A mãe dele está ao seu lado,
então ela pode mudar a pessoa,

e tem outro brinquedo no fim do pano.

Vamos ver o que ela faz.

(Vídeo) HG: Dois, três, vai!
(Música)

Vou tentar de novo. Um, dois, três, vai!

Hmmm.

LS: Vou tentar, Clara.

Um, dois, três, vai!

Vou tentar de novo.

Um, dois, três, vai!
(Música)

HG: Eu vou
deixar este aqui,

e vou dar este para você.

Você pode brincar se quiser.

(Aplausos)

LS: Vou mostrar
os resultados experimentais.

No eixo vertical, temos a distribuição

de escolhas para cada condição,

e podemos ver que as escolhas
que as crianças fazem

dependem da evidência observada.

Então no segundo ano de vida,

os bebês podem usar alguns
dados estatísticos

e decidir entre duas
estratégias muito diferentes

para agir no mundo:

pedir ajuda e explorar.

Eu só mostrei
dois experimentos de laboratório

entre centenas de outros
que mostram resultados parecidos,

pois o ponto essencial

é mostrar que a capacidade das crianças
fazerem inferências com poucos dados

está por trás de toda aprendizagem
cultural específica que fazemos.

As crianças aprendem sobre coisas novas
a partir de alguns exemplos.

Elas aprendem novas relações causais
a partir de alguns exemplos.

Elas até aprendem novas palavras,
neste caso em Língua de Sinais Americana.

Quero concluir com apenas dois pontos.

Se você estiver acompanhando
as ciências cognitivas e do cérebro

pelos últimos anos,

três grandes ideias vão chamar
sua atenção.

A primeira é que estamos
na era do cérebro.

De fato, houve descobertas
surpreendentes nas neurociências:

a localização funcional
de regiões especializadas do córtex,

tornar transparentes
cérebros de camundongos,

ativação de neurônios com luz.

A segunda grande ideia

é que estamos na era dos grandes dados
e do aprendizado de máquina,

e isso promete revolucionar
nossa compreensão

de tudo, desde redes sociais
até epidemiologia.

E talvez ao enfrentar problemas
de compreensão contextual

e processamento de linguagem natural,

isso pode nos dizer algo
sobre cognição humana.

E a terceira grande ideia

é que talvez seja uma boa ideia
sabermos muito sobre cérebros

e termos acesso a grandes dados,

pois se ficarmos como estamos,

os seres humanos são falíveis,
usamos atalhos,

nós erramos, cometemos enganos,

somos enviesados e, de várias maneiras,

vemos o mundo errado.

Penso que estas histórias são importantes,

e elas nos dizem muito
sobre o que significa ser humano,

mas quero que vocês percebam
que contei uma história muito diferente.

É uma história sobre mentes
e não sobre cérebros,

é uma história sobre o tipo de computação

que as mentes unicamente humanas
podem fazer,

que envolve o conhecimento estruturado
e a capacidade de aprender

a partir de pequenas quantidades de dados,
das evidências de alguns exemplos.

Essencialmente, é uma história
sobre como as crianças começam

e continuam seu caminho
para grandes realizações

da nossa cultura,

e conseguem ver o mundo direito.

As mentes humanas não aprendem
apenas com pequenas quantidades de dados.

As mentes humanas pensam novas ideias.

As mentes humanas
geram pesquisa e descoberta,

e as mentes humanas geram
arte, literatura, poesia e teatro,

e as mentes humanas cuidam
de outros seres humanos:

de pessoas idosas, jovens ou doentes.

Nós até mesmo as curamos.

Nos próximos anos,
veremos inovações tecnológicas

além de qualquer coisa
que eu possa imaginar,

mas é muito improvável

que a gente veja um computador
com o mesmo poder da mente de uma criança

na minha geração ou na sua.

Se investirmos nestes aprendizes
mais poderosos e no seu desenvolvimento,

nos bebês, e nas crianças,

e mães, e pais,

e cuidadores, e professores

da mesma maneira que investimos
em outras formas poderosas e elegantes

de tecnologia, engenharia e design,

nós não vamos apenas sonhar
por um futuro melhor,

vamos planejar um futuro.

Muito obrigada.

(Aplausos)

Chris Anderson: Laura, obrigado.
Eu tenho uma pergunta para você.

Em primeiro lugar, a pesquisa é insana.

Quero dizer, quem iria projetar
um experimento como esse?

Eu vi isso algumas vezes,

e eu ainda não acredito
que isso pode estar acontecendo,

mas outras pessoas fizeram
experimentos semelhantes.

Os bebês são realmente geniais.

LS: Eles parecem muito impressionantes
em nossos experimentos,

mas pense sobre como eles
se parecem na vida real.

Nasce um bebê.

Dezoito meses depois,
ele fala com você,

e suas primeiras palavras
não são coisas como bolas e patos,

são coisas como "sumiu",
que se refere ao desaparecimento,

ou "opa", que se refere
a ações intencionais.

Ele precisa ser poderoso.

Precisa ser mais poderoso
do que tudo que eu mostrei.

Eles estão descobrindo o mundo inteiro.

Uma criança de quatro anos
pode conversar sobre quase tudo.

(Aplausos)

CA: Se eu entendi direito,
o outro ponto que você levanta

é que ultrapassamos a ideia
sobre como nossa mente

é falha e confusa,

da economia comportamental
e outras teorias que dizem

que não somos agentes racionais.

Você realmente acha que
nossa mente é extraordinária

e que há um gênio ali que é ignorado?

LS: Uma das minhas citações favoritas

é do psicólogo social Solomon Asch,

que disse que a tarefa fundamental
da psicologia é remover

o véu da autoevidência das coisas.

Há milhões de tipos de escolhas
que fazemos todos os dias,

que nos fazem ver o mundo.

Sabemos dos objetos e suas propriedades.

Sabemos quando estão ocultos.
Podemos vê-los no escuro.

Podemos andar nas salas.

Podemos descobrir o que outras pessoas
estão pensando e falar com elas.

Podemos navegar no espaço
e saber números.

Sabemos sobre relações causais
e raciocínio moral.

Fazemos isso sem esforço,
por isso não percebemos,

mas é assim que vemos o mundo,
e é uma realização notável

e muito difícil de entender.

CA: Eu suspeito que há pessoas
na plateia que têm

esta visão sobre o poder
tecnológico crescente

e que refutam sua afirmação
de que nunca teremos um computador

com a mesma capacidade
de um criança de três anos,

mas está claro que, em qualquer situação,

nossas máquinas têm muito a aprender
com nossas crianças.

LS: Acho que sim. Temos pessoas
do aprendizado de máquina por aqui.

Quero dizer, a gente não deve apostar
em bebês ou em chimpanzés

ou na tecnologia como uma questão prática,

mas não é apenas
uma diferença em quantidade,

é uma diferença de tipo.

Temos computadores
incrivelmente poderosos,

que fazem coisas muito sofisticadas,

muitas vezes com grandes
quantidades de dados.

As mentes humanas fazem algo
completamente diferente,

e acho que é a natureza hierárquica
e estruturada do conhecimento humano

que continua a ser um desafio real.

CA: Laura Schulz, isso foi maravilhoso.
Muito obrigado.

LS: Obrigada.
(Aplausos)