ABOUT THE SPEAKER
Laurie Santos - Cognitive psychologist
Laurie Santos studies primate psychology and monkeynomics -- testing problems in human psychology on primates, who (not so surprisingly) have many of the same predictable irrationalities we do.

Why you should listen

Laurie Santos runs the Comparative Cognition Laboratory (CapLab) at Yale, where she and collaborators across departments (from psychology to primatology to neurobiology) explore the evolutionary origins of the human mind by studying lemurs, capuchin monkeys and other primates. The twist: Santos looks not only for positive humanlike traits, like tool-using and altruism, but irrational ones, like biased decisionmaking.

In elegant, carefully constructed experiments, Santos and CapLab have studied how primates understand and categorize objects in the physical world -- for instance, that monkeys understand an object is still whole even when part of it is obscured. Going deeper, their experiments also search for clues that primates possess a theory of mind -- an ability to think about what other people think.

Most recently, the lab has been looking at behaviors that were once the province mainly of novelists: jealousy, frustration, judgment of others' intentions, poor economic choices. In one experiment, Santos and her team taught monkeys to use a form of money, tradeable for food. When certain foods became cheaper, monkeys would, like humans, overbuy. As we humans search for clues to our own irrational behaviors, Santos' research suggests that the source of our genius for bad decisions might be our monkey brains.

More profile about the speaker
Laurie Santos | Speaker | TED.com
TEDGlobal 2010

Laurie Santos: A monkey economy as irrational as ours

Laurie Santos: Eine Wirtschaft der Affen - so irrational wie die unsere

Filmed:
1,506,660 views

Laurie Santos ergründet die Wurzeln menschlicher Irrationalität, in dem sie untersucht, wie die mit uns verwandten Primaten Entscheidungen treffen. Eine ausgeklügelte Reihe von Experimenten in "Affenwirtschaft" zeigt, dass einige der dummen Entscheidungen, die wir treffen, auch von Affen begangen werden.
- Cognitive psychologist
Laurie Santos studies primate psychology and monkeynomics -- testing problems in human psychology on primates, who (not so surprisingly) have many of the same predictable irrationalities we do. Full bio

Double-click the English transcript below to play the video.

00:17
I want to startAnfang my talk todayheute with two observationsBeobachtungen
0
2000
2000
Ich möchte meinen heutigen Vortrag mit zwei Beobachtungen
00:19
about the humanMensch speciesSpezies.
1
4000
2000
über die menschliche Spezies beginnen.
00:21
The first observationÜberwachung is something that you mightMacht think is quiteganz obviousoffensichtlich,
2
6000
3000
Die erste Beobachtung könnte man für ziemlich offensichtlich halten,
00:24
and that's that our speciesSpezies, HomoHomo sapiensSapiens,
3
9000
2000
sie sagt, dass unsere Spezies, Homo Sapiens,
00:26
is actuallytatsächlich really, really smartsmart --
4
11000
2000
wirklich, wirklich intelligent ist --
00:28
like, ridiculouslylächerlich smartsmart --
5
13000
2000
lächerlich intelligent sogar --
00:30
like you're all doing things
6
15000
2000
so wie all die Dinge, die wir tun,
00:32
that no other speciesSpezies on the planetPlanet does right now.
7
17000
3000
die keine andere Spezies auf diesem Planeten tut.
00:35
And this is, of courseKurs,
8
20000
2000
Und natürlich ist es nicht
00:37
not the first time you've probablywahrscheinlich recognizedanerkannt this.
9
22000
2000
das erste Mal, dass Ihnen das vielleicht klar wird.
00:39
Of courseKurs, in additionZusatz to beingSein smartsmart, we're alsoebenfalls an extremelyäußerst vaineitel speciesSpezies.
10
24000
3000
Zusätzlich zu unserer Intelligenz sind wir auch eine extrem eitle Spezies.
00:42
So we like pointingHinweis out the factTatsache that we're smartsmart.
11
27000
3000
Wir betonen gerne die Tatsache, dass wir klug sind.
00:45
You know, so I could turnWende to prettyziemlich much any sageSalbei
12
30000
2000
Ich könnte mich ziemlich jedem klugen Geist zuwenden,
00:47
from ShakespeareShakespeare to StephenStephen ColbertColbert
13
32000
2000
von Shakespeare bis Stephen Colbert,
00:49
to pointPunkt out things like the factTatsache that
14
34000
2000
um auf Dinge hinzuweisen, wie die Tatsache,
00:51
we're nobleedel in reasonGrund and infiniteunendlich in facultiesFakultäten
15
36000
2000
dass wir edel durch Vernunft und unbegrenzt an Fähigkeiten sind,
00:53
and just kindArt of awesome-ergenial-äh than anything elsesonst on the planetPlanet
16
38000
2000
und überhaupt großartiger als alles andere auf diesem Planeten,
00:55
when it comeskommt to all things cerebralzerebrale.
17
40000
3000
wenn es um die Belange des Großhirns geht.
00:58
But of courseKurs, there's a secondzweite observationÜberwachung about the humanMensch speciesSpezies
18
43000
2000
Aber es gibt natürlich noch eine zweite Beobachtung über die Menschen,
01:00
that I want to focusFokus on a little bitBit more,
19
45000
2000
auf die ich gern näher eingehen möchte,
01:02
and that's the factTatsache that
20
47000
2000
und das ist die Tatsache, dass wir,
01:04
even thoughobwohl we're actuallytatsächlich really smartsmart, sometimesmanchmal uniquelyeinzigartig smartsmart,
21
49000
3000
obwohl wir tatsächlich richtig klug, manchmal einzigartig klug sind,
01:07
we can alsoebenfalls be incrediblyunglaublich, incrediblyunglaublich dumbstumm
22
52000
3000
auch unglaublich, unglaublich dumm sein können,
01:10
when it comeskommt to some aspectsAspekte of our decisionEntscheidung makingHerstellung.
23
55000
3000
was einige Aspekte unserer Entscheidungsprozesse angeht.
01:13
Now I'm seeingSehen lots of smirksgrinst out there.
24
58000
2000
Jetzt sehe ich viele Grinser da draußen.
01:15
Don't worrySorge, I'm not going to call anyonejemand in particularinsbesondere out
25
60000
2000
Keine Angst, ich werde niemand besonderen als Beispiel
01:17
on any aspectsAspekte of your ownbesitzen mistakesFehler.
26
62000
2000
für irgendeinen Aspekt unserer Fehler nennen.
01:19
But of courseKurs, just in the last two yearsJahre
27
64000
2000
Aber gerade in den letzten zwei Jahren sahen
01:21
we see these unprecedentedbeispiellos examplesBeispiele of humanMensch ineptitudeUngeeignetheit.
28
66000
3000
wir diese noch nie dagewesenen Beispiele menschlicher Unfähigkeit.
01:24
And we'vewir haben watchedangesehen as the toolsWerkzeuge we uniquelyeinzigartig make
29
69000
3000
Und wir beobachteten, wie diese einzigartigen Werkzeuge,
01:27
to pullziehen the resourcesRessourcen out of our environmentUmwelt
30
72000
2000
die wir erschufen, um unserer Umwelt Rohstoffe
01:29
kindArt of just blowSchlag up in our faceGesicht.
31
74000
2000
zu entziehen, uns um die Ohren flogen.
01:31
We'veWir haben watchedangesehen the financialfinanziell marketsMärkte that we uniquelyeinzigartig createerstellen --
32
76000
2000
Wir sahen die einzigartigen, von uns geschaffenen Finanzmärkte --
01:33
these marketsMärkte that were supposedsoll to be foolproofnarrensicher --
33
78000
3000
diese Märkte, die hätten narrensicher sein sollen --
01:36
we'vewir haben watchedangesehen them kindArt of collapseZusammenbruch before our eyesAugen.
34
81000
2000
wir sahen sie vor unseren Augen zusammenbrechen.
01:38
But bothbeide of these two embarrassingpeinlich examplesBeispiele, I think,
35
83000
2000
Aber diese beiden beschämenden Beispiele
01:40
don't highlightMarkieren Sie what I think is mostdie meisten embarrassingpeinlich
36
85000
3000
verdeutlichen noch nicht, was ich an den Fehlern,
01:43
about the mistakesFehler that humansMenschen make,
37
88000
2000
die Menschen machen, für am peinlichsten halte,
01:45
whichwelche is that we'dheiraten like to think that the mistakesFehler we make
38
90000
3000
und das ist, dass wir gerne denken, dass die Fehler, die wir machen,
01:48
are really just the resultErgebnis of a couplePaar badschlecht applesÄpfel
39
93000
2000
nur das Ergebnis vereinzelter Fehlentscheidungen waren,
01:50
or a couplePaar really sortSortieren of FAILFAIL Blog-worthyBlog-würdig decisionsEntscheidungen.
40
95000
3000
oder ein paar wie für das Failblog geschaffene Entscheidungen.
01:53
But it turnswendet sich out, what socialSozial scientistsWissenschaftler are actuallytatsächlich learningLernen
41
98000
3000
Nur stellt sich heraus, wie Sozialwissenschafter gerade entdecken,
01:56
is that mostdie meisten of us, when put in certainsicher contextsKontexten,
42
101000
3000
dass die meisten von uns in bestimmten Situationen,
01:59
will actuallytatsächlich make very specificspezifisch mistakesFehler.
43
104000
3000
tatsächlich ganz bestimmte Fehler begehen.
02:02
The errorsFehler we make are actuallytatsächlich predictablevorhersagbar.
44
107000
2000
Die Fehler, die wir machen, sind vorhersagbar.
02:04
We make them again and again.
45
109000
2000
Wir begehen sie wieder und wieder.
02:06
And they're actuallytatsächlich immuneimmun to lots of evidenceBeweise.
46
111000
2000
Und sie sind tatsächlich gegen viele Hinweise resistent.
02:08
When we get negativeNegativ feedbackFeedback,
47
113000
2000
Wenn wir negatives Feedback bekommen,
02:10
we still, the nextNächster time we're faceGesicht with a certainsicher contextKontext,
48
115000
3000
neigen wir trotzdem dazu die Fehler zu wiederholen, sobald
02:13
tendneigen to make the samegleich errorsFehler.
49
118000
2000
wir den Umständen erneut ausgesetzt sind.
02:15
And so this has been a realecht puzzlePuzzle to me
50
120000
2000
Das war für mich, einer Art Studentin
02:17
as a sortSortieren of scholarGelehrter of humanMensch natureNatur.
51
122000
2000
der menschlichen Natur, ein echtes Rätsel.
02:19
What I'm mostdie meisten curiousneugierig about is,
52
124000
2000
Was mich aber am meisten interessiert, ist,
02:21
how is a speciesSpezies that's as smartsmart as we are
53
126000
3000
wie eine Spezies, die so klug ist, wie wir es sind,
02:24
capablefähig of sucheine solche badschlecht
54
129000
2000
die ganze Zeit über zu derart schlimmen und
02:26
and sucheine solche consistentkonsistent errorsFehler all the time?
55
131000
2000
und gleichbleibenden Fehlern fähig ist.
02:28
You know, we're the smartestklügste thing out there, why can't we figureZahl this out?
56
133000
3000
Wir sind das Klügste da draußen, warum bekommen wir es nicht auf die Reihe?
02:31
In some senseSinn, where do our mistakesFehler really come from?
57
136000
3000
Woher kommen unsere Fehler wirklich?
02:34
And havingmit thought about this a little bitBit, I see a couplePaar differentanders possibilitiesMöglichkeiten.
58
139000
3000
Nachdem ich darüber etwas nachgedacht habe, sehe ich ein paar unterschiedliche Möglichkeiten.
02:37
One possibilityMöglichkeit is, in some senseSinn, it's not really our faultFehler.
59
142000
3000
Eine Möglichkeit ist, dass es in gewisser Hinsicht nicht unsere Schuld ist.
02:40
Because we're a smartsmart speciesSpezies,
60
145000
2000
Weil wir eine kluge Spezies sind,
02:42
we can actuallytatsächlich createerstellen all kindsArten of environmentsUmgebungen
61
147000
2000
können wir alle Arten von Systemen erschaffen,
02:44
that are superSuper, superSuper complicatedkompliziert,
62
149000
2000
die wirklich extrem kompliziert sind.
02:46
sometimesmanchmal too complicatedkompliziert for us to even actuallytatsächlich understandverstehen,
63
151000
3000
manchmal sogar für uns selbst zu kompliziert zu verstehen,
02:49
even thoughobwohl we'vewir haben actuallytatsächlich createderstellt them.
64
154000
2000
obwohl wir sie ursprünglich erschaffen haben.
02:51
We createerstellen financialfinanziell marketsMärkte that are superSuper complexKomplex.
65
156000
2000
Wir haben Finanzmärkte erschaffen, die hochkomplex sind.
02:53
We createerstellen mortgageHypothek termsBegriffe that we can't actuallytatsächlich dealDeal with.
66
158000
3000
Wir erfanden Bedingungen für Hypotheken, mit denen wir nicht umgehen können.
02:56
And of courseKurs, if we are put in environmentsUmgebungen where we can't dealDeal with it,
67
161000
3000
Und wenn wir Systemen ausgesetzt werden, mit denen wir nicht zurechtkommen,
02:59
in some senseSinn makesmacht senseSinn that we actuallytatsächlich
68
164000
2000
macht es in gewisser Hinsicht Sinn, dass wir
03:01
mightMacht messChaos certainsicher things up.
69
166000
2000
manches tatsächlich vermasseln.
03:03
If this was the caseFall, we'dheiraten have a really easyeinfach solutionLösung
70
168000
2000
Sollte das der Fall sein, hätten wir eine wirklich einfache
03:05
to the problemProblem of humanMensch errorError.
71
170000
2000
Lösung für die Problematik des menschlichen Irrtums.
03:07
We'dWir würden actuallytatsächlich just say, okay, let's figureZahl out
72
172000
2000
Wir müssten nur sagen, okay, finden wir heraus
03:09
the kindsArten of technologiesTechnologien we can't dealDeal with,
73
174000
2000
mit welcher Formen von Technologie wir nicht umgehen können,
03:11
the kindsArten of environmentsUmgebungen that are badschlecht --
74
176000
2000
welche Arten von Systemen schlecht sind --
03:13
get ridloswerden of those, designEntwurf things better,
75
178000
2000
werden wir sie los, gestalten wir es besser,
03:15
and we should be the nobleedel speciesSpezies
76
180000
2000
und dann sollten wir die edle Spezies sein,
03:17
that we expecterwarten von ourselvesuns selbst to be.
77
182000
2000
die wir uns zu sein erwarten.
03:19
But there's anotherein anderer possibilityMöglichkeit that I find a little bitBit more worryingbeunruhigend,
78
184000
3000
Aber es gibt noch eine Möglichkeit, die ich beunruhigender finde,
03:22
whichwelche is, maybe it's not our environmentsUmgebungen that are messeddurcheinander up.
79
187000
3000
die wäre, vielleicht sind es nicht die Systeme, die verkorkst sind.
03:25
Maybe it's actuallytatsächlich us that's designedentworfen badlyschlecht.
80
190000
3000
Vielleicht sind ja wir es, die schlecht konstruiert sind.
03:28
This is a hintHinweis that I've gottenbekommen
81
193000
2000
Auf diesen Hinweis bin ich gestoßen,
03:30
from watchingAufpassen the waysWege that socialSozial scientistsWissenschaftler have learnedgelernt about humanMensch errorsFehler.
82
195000
3000
durch die Beobachtung von, wie Sozialwissenschafter über menschliche Fehler lernen.
03:33
And what we see is that people tendneigen to keep makingHerstellung errorsFehler
83
198000
3000
Und was wir sehen, ist, dass Menschen dazu neigen, Fehler
03:36
exactlygenau the samegleich way, over and over again.
84
201000
3000
auf die genau gleiche Art zu begehen, wieder und wieder.
03:39
It feelsfühlt sich like we mightMacht almostfast just be builtgebaut
85
204000
2000
Es ist, als ob wir fast so gebaut sind,
03:41
to make errorsFehler in certainsicher waysWege.
86
206000
2000
Fehler auf eine bestimmte Weise zu begehen.
03:43
This is a possibilityMöglichkeit that I worrySorge a little bitBit more about,
87
208000
3000
Diese Möglichkeit beunruhigt mich etwas mehr,
03:46
because, if it's us that's messeddurcheinander up,
88
211000
2000
weil, wenn wir es sind, die vermurkst sind,
03:48
it's not actuallytatsächlich clearklar how we go about dealingUmgang with it.
89
213000
2000
dann ist es nicht klar, wie wir damit umgehen sollen.
03:50
We mightMacht just have to acceptakzeptieren the factTatsache that we're errorError proneanfällig
90
215000
3000
Vielleicht müssen wir einfach akzeptieren, dass wir fehleranfällig sind,
03:53
and try to designEntwurf things around it.
91
218000
2000
und alles darum herum gestalten.
03:55
So this is the questionFrage my studentsStudenten and I wanted to get at.
92
220000
3000
Das ist die Frage, die meine StudentInnen und ich klären wollten.
03:58
How can we tell the differenceUnterschied betweenzwischen possibilityMöglichkeit one and possibilityMöglichkeit two?
93
223000
3000
Wie können wir Möglichkeit 1 von Möglichkeit 2 unterscheiden?
04:01
What we need is a populationBevölkerung
94
226000
2000
Was wir brauchen, ist eine Gruppe,
04:03
that's basicallyGrundsätzlich gilt smartsmart, can make lots of decisionsEntscheidungen,
95
228000
2000
die ausreichend klug ist, um viele Entscheidungen zu treffen,
04:05
but doesn't have accessZugriff to any of the systemsSysteme we have,
96
230000
2000
aber zu keinem unserer Systeme Zugang hat,
04:07
any of the things that mightMacht messChaos us up --
97
232000
2000
nichts von dem, was uns durcheinander bringen könnte --
04:09
no humanMensch technologyTechnologie, humanMensch cultureKultur,
98
234000
2000
keine menschliche Technologie oder Kultur,
04:11
maybe even not humanMensch languageSprache.
99
236000
2000
vielleicht nicht einmal menschliche Sprache.
04:13
And so this is why we turnedgedreht to these guys here.
100
238000
2000
Und deshalb haben wir uns diesen Typen hier zugewandt.
04:15
These are one of the guys I work with. This is a brownbraun capuchinKapuziner monkeyAffe.
101
240000
3000
Das ist einer der Typen, mit denen ich arbeite. Ein brauner Kapuzineraffe.
04:18
These guys are NewNeu WorldWelt primatesPrimaten,
102
243000
2000
Es sind Neuweltaffen,
04:20
whichwelche meansmeint they brokepleite off from the humanMensch branchAst
103
245000
2000
was bedeutet, dass sie sich vom menschlichen Zweig
04:22
about 35 millionMillion yearsJahre agovor.
104
247000
2000
vor etwa 35 Millionen Jahre abgespalten haben.
04:24
This meansmeint that your great, great, great great, great, great --
105
249000
2000
Das heißt, dass Ihre Groß, Groß, Groß, Groß, Groß, Groß --
04:26
with about fivefünf millionMillion "greatsGrößen" in there --
106
251000
2000
mit etwa fünf Millionen "Groß" darin --
04:28
grandmotherOma was probablywahrscheinlich the samegleich great, great, great, great
107
253000
2000
Großmutter, vermutlich die selbe Groß, Groß, Groß, Groß-
04:30
grandmotherOma with fivefünf millionMillion "greatsGrößen" in there
108
255000
2000
Großmutter mit fünf Millionen "Groß" darin, war,
04:32
as HollyHolly up here.
109
257000
2000
wie von Holly hier oben.
04:34
You know, so you can take comfortKomfort in the factTatsache that this guy up here is a really really distantentfernt,
110
259000
3000
Sie können sich also mit der Tatsache trösten, dass dieser Affe ein sehr weit-entfernter
04:37
but albeitobgleich evolutionaryevolutionär, relativerelativ.
111
262000
2000
Verwandter ist, wenn auch nur in evolutionärer Hinsicht.
04:39
The good newsNachrichten about HollyHolly thoughobwohl is that
112
264000
2000
Der Vorteil von Holly ist, dass sie tatsächlich
04:41
she doesn't actuallytatsächlich have the samegleich kindsArten of technologiesTechnologien we do.
113
266000
3000
nicht die gleichen Formen Technologie hat wie wir.
04:44
You know, she's a smartsmart, very cutschneiden creatureKreatur, a primatePrimas as well,
114
269000
3000
Sie ist ein kluges, sehr aufgewecktes Wesen, auch ein Primat,
04:47
but she lacksfehlt all the stuffSachen we think mightMacht be messingMessing us up.
115
272000
2000
aber ihr fehlt alles, wovon wir denken, dass es uns das Leben schwer macht.
04:49
So she's the perfectperfekt testTest caseFall.
116
274000
2000
Sie ist also die perfekte Versuchkandidatin.
04:51
What if we put HollyHolly into the samegleich contextKontext as humansMenschen?
117
276000
3000
Was wäre, wenn wir Holly in die gleiche Situation wie die der Menschen bringen?
04:54
Does she make the samegleich mistakesFehler as us?
118
279000
2000
Wird sie die gleichen Fehler machen wie wir?
04:56
Does she not learnlernen from them? And so on.
119
281000
2000
Wird sie nicht aus ihnen lernen? Und so weiter.
04:58
And so this is the kindArt of thing we decidedbeschlossen to do.
120
283000
2000
Also das ist es, wofür wir uns entschieden haben.
05:00
My studentsStudenten and I got very excitedaufgeregt about this a fewwenige yearsJahre agovor.
121
285000
2000
Vor ein paar Jahren begannen meine StudentInnen und ich uns dafür zu begeistern.
05:02
We said, all right, let's, you know, throwwerfen so problemsProbleme at HollyHolly,
122
287000
2000
Wir sagten uns, ok, laßt uns Holly solche Probleme aufhalsen,
05:04
see if she messesKasinos these things up.
123
289000
2000
und schauen, ob sie die Sache vermasselt.
05:06
First problemProblem is just, well, where should we startAnfang?
124
291000
3000
Das erste Problem ist nur, wo sollen wir beginnen?
05:09
Because, you know, it's great for us, but badschlecht for humansMenschen.
125
294000
2000
Weil für uns ist es großartig, aber schlecht für die Menschen.
05:11
We make a lot of mistakesFehler in a lot of differentanders contextsKontexten.
126
296000
2000
Wir machen in den unterschiedlichsten Situationen viele Fehler.
05:13
You know, where are we actuallytatsächlich going to startAnfang with this?
127
298000
2000
Also wo sollen wir wirklich damit anfangen?
05:15
And because we startedhat angefangen this work around the time of the financialfinanziell collapseZusammenbruch,
128
300000
3000
Und weil wir diese Arbeit zur Zeit des finanziellen Zusammenbruchs begannen,
05:18
around the time when foreclosuresZwangsversteigerungen were hittingschlagen the newsNachrichten,
129
303000
2000
zu der Zeit, als die Zwangsvollstreckungen in die Nachrichten kamen,
05:20
we said, hhmmHhmm, maybe we should
130
305000
2000
sagten wir, hmmm, vielleicht sollten
05:22
actuallytatsächlich startAnfang in the financialfinanziell domainDomain.
131
307000
2000
wir tatsächlich im Finanzbereich beginnen.
05:24
Maybe we should look at monkey'sder Affe economicWirtschaftlich decisionsEntscheidungen
132
309000
3000
Vielleicht sollten wir untersuchen, wie Affen ökonomische Entscheidungen treffen
05:27
and try to see if they do the samegleich kindsArten of dumbstumm things that we do.
133
312000
3000
und herausfinden, ob sie die gleichen Dummheiten begehen wie wir.
05:30
Of courseKurs, that's when we hitschlagen a sortSortieren secondzweite problemProblem --
134
315000
2000
Natürlich treffen wir hier auf eine Art zweites Problem --
05:32
a little bitBit more methodologicalmethodischen --
135
317000
2000
ein etwas methodologischeres --
05:34
whichwelche is that, maybe you guys don't know,
136
319000
2000
vielleicht kennen Sie es nicht, aber es ist,
05:36
but monkeysAffen don't actuallytatsächlich use moneyGeld. I know, you haven'thabe nicht metgetroffen them.
137
321000
3000
dass Affen kein Geld verwenden. Ich weiß, Sie haben sie nicht getroffen.
05:39
But this is why, you know, they're not in the queueWarteschlange behindhinter you
138
324000
2000
Aber aus diesem Grund stehen sie im Lebensmittelladen oder
05:41
at the groceryLebensmittelgeschäft storeGeschäft or the ATMATM -- you know, they don't do this stuffSachen.
139
326000
3000
beim Bankomat nicht in der Schlange hinter Ihnen. Das machen sie nicht.
05:44
So now we facedkonfrontiert, you know, a little bitBit of a problemProblem here.
140
329000
3000
Also haben wir hier, wie Sie sehen, ein kleines Problem.
05:47
How are we actuallytatsächlich going to askFragen monkeysAffen about moneyGeld
141
332000
2000
Wie können wir Affen über Geld befragen,
05:49
if they don't actuallytatsächlich use it?
142
334000
2000
wenn sie es gar nicht verwenden?
05:51
So we said, well, maybe we should just, actuallytatsächlich just sucksaugen it up
143
336000
2000
Also sagten wir uns, vielleicht sollten wir es einfach hinbiegen,
05:53
and teachlehren monkeysAffen how to use moneyGeld.
144
338000
2000
und Affen beibringen Geld zu verwenden.
05:55
So that's just what we did.
145
340000
2000
Und das taten wir dann auch.
05:57
What you're looking at over here is actuallytatsächlich the first unitEinheit that I know of
146
342000
3000
Was Sie hier sehen ist, soweit ich weiß, die erste Einheit einer
06:00
of non-humanunmenschlich currencyWährung.
147
345000
2000
nicht-menschlichen Währung.
06:02
We weren'twaren nicht very creativekreativ at the time we startedhat angefangen these studiesStudien,
148
347000
2000
Wir waren nicht sehr kreativ als wir mit diesen Studien begannen,
06:04
so we just callednamens it a tokenToken.
149
349000
2000
also nannten wir es ein Jeton.
06:06
But this is the unitEinheit of currencyWährung that we'vewir haben taughtgelehrt our monkeysAffen at YaleYale
150
351000
3000
Aber dies ist eine Einheit der Währung, die wir Affen gelehrt haben
06:09
to actuallytatsächlich use with humansMenschen,
151
354000
2000
im Kontakt mit Menschen zu verwenden,
06:11
to actuallytatsächlich buykaufen differentanders piecesStücke of foodLebensmittel.
152
356000
3000
um unterschiedliche Arten Futter zu kaufen.
06:14
It doesn't look like much -- in factTatsache, it isn't like much.
153
359000
2000
Es sieht nicht nach viel aus -- und es ist tatsächlich nicht viel.
06:16
Like mostdie meisten of our moneyGeld, it's just a pieceStück of metalMetall.
154
361000
2000
Wie meistens bei unserem Geld ist es nur ein Stück Metall.
06:18
As those of you who'vewer hat takengenommen currenciesWährungen home from your tripAusflug know,
155
363000
3000
Wie diejenigen unter Ihnen wissen, die von ihren Reisen Währungen mitgebracht haben,
06:21
onceEinmal you get home, it's actuallytatsächlich prettyziemlich uselessnutzlos.
156
366000
2000
ist es ziemlich nutzlos, wenn man nach Hause kommt.
06:23
It was uselessnutzlos to the monkeysAffen at first
157
368000
2000
Zuerst war es auch für die Affen nutzlos,
06:25
before they realizedrealisiert what they could do with it.
158
370000
2000
bis sie verstanden hatten, was sie damit tun konnten.
06:27
When we first gavegab it to them in theirihr enclosuresGehäuse,
159
372000
2000
Als wir es ihnen zum ersten Mal in ihren Gehegen gaben,
06:29
they actuallytatsächlich kindArt of pickedabgeholt them up, lookedsah at them.
160
374000
2000
hoben sie es auf und schauten es an.
06:31
They were these kindArt of weirdseltsam things.
161
376000
2000
Es war etwas von der seltsamen Art.
06:33
But very quicklyschnell, the monkeysAffen realizedrealisiert
162
378000
2000
Aber die Affen begriffen sehr schnell,
06:35
that they could actuallytatsächlich handHand these tokensToken over
163
380000
2000
dass sie diese Jetons bei verschiedene Personen,
06:37
to differentanders humansMenschen in the labLabor for some foodLebensmittel.
164
382000
3000
hier im Labor gegen Futter tauschen konnten.
06:40
And so you see one of our monkeysAffen, MaydayMayday, up here doing this.
165
385000
2000
Hier sehen sie, wie das einer unserer Affen, Mayday, tut.
06:42
This is A and B are kindArt of the pointsPunkte where she's sortSortieren of a little bitBit
166
387000
3000
Das sind A und B, wo sie ein bißchen neugierig
06:45
curiousneugierig about these things -- doesn't know.
167
390000
2000
auf diese Sachen ist -- sie weiß noch nicht recht.
06:47
There's this waitingwarten handHand from a humanMensch experimenterExperimentator,
168
392000
2000
Das ist die wartende Hand des menschlichen Experimentators,
06:49
and MaydayMayday quicklyschnell figuresZahlen out, apparentlyanscheinend the humanMensch wants this.
169
394000
3000
und Mayday findet schnell heraus, dass er es offenbar haben möchte.
06:52
HandsHände it over, and then getsbekommt some foodLebensmittel.
170
397000
2000
Überreicht es, und bekommt etwas Futter.
06:54
It turnswendet sich out not just MaydayMayday, all of our monkeysAffen get good
171
399000
2000
Es stellt sich heraus, dass alle unsere Affen, nicht nur Mayday,
06:56
at tradingHandel tokensToken with humanMensch salesmanVerkäufer.
172
401000
2000
gut darin werden Jetons mit menschlichen Händlern auszutauschen.
06:58
So here'shier ist just a quickschnell videoVideo of what this lookssieht aus like.
173
403000
2000
Hier ist ein kurzes Video, das zeigt, wie so etwas aussieht.
07:00
Here'sHier ist MaydayMayday. She's going to be tradingHandel a tokenToken for some foodLebensmittel
174
405000
3000
Hier ist Mayday. Sie wird einen Jeton gegen Futter tauschen
07:03
and waitingwarten happilyglücklich and gettingbekommen her foodLebensmittel.
175
408000
3000
und wartet glücklich, und bekommt ihr Futter.
07:06
Here'sHier ist FelixFelix, I think. He's our alphaAlpha malemännlich; he's a kindArt of biggroß guy.
176
411000
2000
Hier ist, glaube ich, Felix, unser Alphamännchen, eine Art starker Mann.
07:08
But he too waitswartet patientlygeduldig, getsbekommt his foodLebensmittel and goesgeht on.
177
413000
3000
Aber auch er wartet geduldig, bekommt sein Futter und geht weiter.
07:11
So the monkeysAffen get really good at this.
178
416000
2000
Die Affen werden also wirklich gut darin.
07:13
They're surprisinglyüberraschenderweise good at this with very little trainingAusbildung.
179
418000
3000
Sie sind mit sehr wenig Training überraschend gut darin.
07:16
We just alloweddürfen them to pickwähle this up on theirihr ownbesitzen.
180
421000
2000
Wir haben ihnen nur ermöglicht, es von selbst zu lernen.
07:18
The questionFrage is: is this anything like humanMensch moneyGeld?
181
423000
2000
Die Frage ist: ist das so etwas wie menschliches Geld?
07:20
Is this a marketMarkt at all,
182
425000
2000
Ist das überhaupt ein Markt,
07:22
or did we just do a weirdseltsam psychologist'sdes Psychologen trickTrick
183
427000
2000
oder haben wir nur einen seltsamen psychologischen Trick angewandt,
07:24
by gettingbekommen monkeysAffen to do something,
184
429000
2000
als wir Affen dazu gebracht haben, etwas zu tun,
07:26
looking smartsmart, but not really beingSein smartsmart.
185
431000
2000
das sie klug erscheinen läßt, ohne wirklich klug zu sein.
07:28
And so we said, well, what would the monkeysAffen spontaneouslyspontan do
186
433000
3000
Also sagten wir, gut, was würden die Affen spontan tun,
07:31
if this was really theirihr currencyWährung, if they were really usingmit it like moneyGeld?
187
436000
3000
wenn es wirklich ihre Währung wäre, wenn sie es wirklich wie Geld benutzten?
07:34
Well, you mightMacht actuallytatsächlich imaginevorstellen them
188
439000
2000
Nun, man könnte sich wirklich vorstellen, wie sie
07:36
to do all the kindsArten of smartsmart things
189
441000
2000
alle möglichen klugen Dinge tun,
07:38
that humansMenschen do when they startAnfang exchangingden Austausch von moneyGeld with eachjede einzelne other.
190
443000
3000
die Menschen tun, wenn sie beginnen untereinander Geld zu verwenden.
07:41
You mightMacht have them startAnfang payingzahlend attentionAufmerksamkeit to pricePreis,
191
446000
3000
Sie könnten beginnen auf den Preis zu achten,
07:44
payingzahlend attentionAufmerksamkeit to how much they buykaufen --
192
449000
2000
oder darauf achten, wieviel sie kaufen --
07:46
sortSortieren of keepinghalten trackSpur of theirihr monkeyAffe tokenToken, as it were.
193
451000
3000
sozusagen ihre Affen Jetons irgendwie im Auge zu behalten.
07:49
Do the monkeysAffen do anything like this?
194
454000
2000
Machen Affen etwas derartiges?
07:51
And so our monkeyAffe marketplaceMarktplatz was borngeboren.
195
456000
3000
Und so war unser Marktplatz der Affen geboren.
07:54
The way this worksWerke is that
196
459000
2000
Das funktioniert in der Weise, dass
07:56
our monkeysAffen normallynormalerweise liveLeben in a kindArt of biggroß zooZoo socialSozial enclosureGehege.
197
461000
3000
unsere Affen normalerweise gemeinsam in einem großen Zoogehege leben.
07:59
When they get a hankeringSehnsucht for some treatsbehandelt,
198
464000
2000
Wenn sie Lust auf einen Handel bekommen,
08:01
we actuallytatsächlich alloweddürfen them a way out
199
466000
2000
ermöglichten wir ihnen hinaus in ein kleineres
08:03
into a little smallerkleiner enclosureGehege where they could entereingeben the marketMarkt.
200
468000
2000
Gehege zu gelangen, wo sie den Markt betreten konnten.
08:05
UponBei der enteringeintreten the marketMarkt --
201
470000
2000
Beim Betreten des Marktes --
08:07
it was actuallytatsächlich a much more funSpaß marketMarkt for the monkeysAffen than mostdie meisten humanMensch marketsMärkte
202
472000
2000
der Markt war für die Affen viel unterhaltsamerer als die meisten menschlichen Märkte,
08:09
because, as the monkeysAffen enteredtrat ein the doorTür of the marketMarkt,
203
474000
3000
weil, wenn die Affen den Markt durch die Tür betraten,
08:12
a humanMensch would give them a biggroß walletBrieftasche fullvoll of tokensToken
204
477000
2000
gab ihnen ein Mensch eine große Börse voll Jetons,
08:14
so they could actuallytatsächlich tradeHandel the tokensToken
205
479000
2000
damit sie die Token mit einer der zwei Personen
08:16
with one of these two guys here --
206
481000
2000
hier tauschen konnten --
08:18
two differentanders possiblemöglich humanMensch salesmenVerkäufer
207
483000
2000
zwei unterschiedliche, potentielle Verkäufer,
08:20
that they could actuallytatsächlich buykaufen stuffSachen from.
208
485000
2000
von denen sie tatsächlich Sachen kaufen konnten.
08:22
The salesmenVerkäufer were studentsStudenten from my labLabor.
209
487000
2000
Die Verkäufer waren StudentInnen aus meinem Labor.
08:24
They dressedangezogen differentlyanders; they were differentanders people.
210
489000
2000
Sie waren unterschiedlich bekleidet; sie waren unterschiedliche Menschen.
08:26
And over time, they did basicallyGrundsätzlich gilt the samegleich thing
211
491000
3000
Eine Zeitlang machten sie im wesentlichen immer
08:29
so the monkeysAffen could learnlernen, you know,
212
494000
2000
das Gleiche, damit die Affen es lernen konnten.
08:31
who soldverkauft what at what pricePreis -- you know, who was reliablezuverlässig, who wasn'twar nicht, and so on.
213
496000
3000
Wer was um wieviel verkaufte -- wer vertrauenswürdig war, wer nicht, und so weiter.
08:34
And you can see that eachjede einzelne of the experimentersExperimentatoren
214
499000
2000
Und Sie können sehen, dass jeder Experimentator
08:36
is actuallytatsächlich holdingHalten up a little, yellowGelb foodLebensmittel dishGericht.
215
501000
3000
ein kleine gelbe Futterschüssel hat.
08:39
and that's what the monkeyAffe can for a singleSingle tokenToken.
216
504000
2000
Und das bekommen die Affen für einen Jeton.
08:41
So everything costsKosten one tokenToken,
217
506000
2000
Alles kostet also einen Jeton,
08:43
but as you can see, sometimesmanchmal tokensToken buykaufen more than othersAndere,
218
508000
2000
aber wie Sie sehen, bekommt man manchmal für einen Jeton mehr als sonst,
08:45
sometimesmanchmal more grapesTrauben than othersAndere.
219
510000
2000
manchmal mehr Weintrauben als sonst.
08:47
So I'll showShow you a quickschnell videoVideo of what this marketplaceMarktplatz actuallytatsächlich lookssieht aus like.
220
512000
3000
Ich zeige ihnen schnell ein Video davon, wie der Marktplatz aussieht.
08:50
Here'sHier ist a monkey-eye-viewAffe-Eye-view. MonkeysAffen are shorterkürzer, so it's a little shortkurz.
221
515000
3000
Hier aus der Sicht der Affen. Affen sind kürzer, also ist es etwas kurz.
08:53
But here'shier ist HoneyHonig.
222
518000
2000
Aber hier ist Honey.
08:55
She's waitingwarten for the marketMarkt to openöffnen a little impatientlyungeduldig.
223
520000
2000
Sie wartet etwas ungeduldig darauf, dass der Markt öffnet.
08:57
All of a suddenplötzlich the marketMarkt opensöffnet. Here'sHier ist her choiceWahl: one grapesTrauben or two grapesTrauben.
224
522000
3000
Plötzlich macht der Markt auf. Und hier ist ihre Auswahl: eine oder zwei Trauben.
09:00
You can see HoneyHonig, very good marketMarkt economistÖkonom,
225
525000
2000
Sie sehen, Honey ist eine sehr gute Marktwirtschaftlerin,
09:02
goesgeht with the guy who givesgibt more.
226
527000
3000
sie hält sich an den, der mehr gibt.
09:05
She could teachlehren our financialfinanziell advisersBerater a fewwenige things or two.
227
530000
2000
Sie könnte unseren Finanzberatern ein oder zwei Dinge beibringen.
09:07
So not just HoneyHonig,
228
532000
2000
Nicht nur Honey,
09:09
mostdie meisten of the monkeysAffen wentging with guys who had more.
229
534000
3000
die meisten Affen entschieden sich für den, der mehr hatte.
09:12
MostDie meisten of the monkeysAffen wentging with guys who had better foodLebensmittel.
230
537000
2000
Die meisten Affen entschieden sich für den, mit dem besseren Futter.
09:14
When we introducedeingeführt salesDer Umsatz, we saw the monkeysAffen paidbezahlt attentionAufmerksamkeit to that.
231
539000
3000
Als wir mit dem Verkauf begonnen hatten, sahen wir, dass die Affen darauf aufmerksam wurden.
09:17
They really caredgepflegt about theirihr monkeyAffe tokenToken dollarDollar.
232
542000
3000
Sie haben sich wirklich für ihren Affen Dollar interessiert.
09:20
The more surprisingüberraschend thing was that when we collaboratedzusammengearbeitet with economistsÖkonomen
233
545000
3000
Noch überraschend war, als wir mit Ökonomen zusammenarbeiteten
09:23
to actuallytatsächlich look at the monkeys'Affen dataDaten usingmit economicWirtschaftlich toolsWerkzeuge,
234
548000
3000
um die Affen-Daten mit Hilfe von ökonomischen Verfahren auszuwerten,
09:26
they basicallyGrundsätzlich gilt matchedabgestimmt, not just qualitativelyqualitativ,
235
551000
3000
dass sie grundsätzlich mit dem übereinstimmten,
09:29
but quantitativelyquantitativ with what we saw
236
554000
2000
was wir Menschen in den richtigen Märkten tun sahen,
09:31
humansMenschen doing in a realecht marketMarkt.
237
556000
2000
nicht nur qualitativ, sondern auch quantitativ.
09:33
So much so that, if you saw the monkeys'Affen numbersNummern,
238
558000
2000
Und zwar so sehr, dass, wenn man die Ergebnisse der Affen betrachtete,
09:35
you couldn'tkonnte nicht tell whetherob they camekam from a monkeyAffe or a humanMensch in the samegleich marketMarkt.
239
560000
3000
man nicht sagen konnte, ob sie von Affen oder Menschen im gleichen Markt stammten.
09:38
And what we'dheiraten really thought we'dheiraten doneerledigt
240
563000
2000
Und so dachten wir,
09:40
is like we'dheiraten actuallytatsächlich introducedeingeführt something
241
565000
2000
dass wir tatsächlich etwas eingeführt hatten,
09:42
that, at leastam wenigsten for the monkeysAffen and us,
242
567000
2000
das, zumindestens für die Affen und uns,
09:44
worksWerke like a realecht financialfinanziell currencyWährung.
243
569000
2000
wie eine echte Geldwährung funktioniert.
09:46
QuestionFrage is: do the monkeysAffen startAnfang messingMessing up in the samegleich waysWege we do?
244
571000
3000
Die Frage ist: Werden die Affen die gleichen Fehler wie wir begehen?
09:49
Well, we alreadybereits saw anecdotallyanekdotisch a couplePaar of signsSchilder that they mightMacht.
245
574000
3000
Nun, wir sahen bereits ein paar einzelne Hinweise darauf, dass sie das würden.
09:52
One thing we never saw in the monkeyAffe marketplaceMarktplatz
246
577000
2000
Was wir auf dem Markt der Affen nie beobachteten,
09:54
was any evidenceBeweise of savingsparen --
247
579000
2000
war irgendein Anzeichen von Sparen --
09:56
you know, just like our ownbesitzen speciesSpezies.
248
581000
2000
so wie unsere Spezies es macht.
09:58
The monkeysAffen enteredtrat ein the marketMarkt, spentverbraucht theirihr entireganz budgetBudget
249
583000
2000
Die Affen betraten den Markt, gaben aus was sie hatten,
10:00
and then wentging back to everyonejeder elsesonst.
250
585000
2000
und kehrten dann zu ihresgleichen zurück.
10:02
The other thing we alsoebenfalls spontaneouslyspontan saw,
251
587000
2000
Etwas anderes, dass wir spontan auftreten sahen,
10:04
embarrassinglypeinlich enoughgenug,
252
589000
2000
peinlicherweise,
10:06
is spontaneousspontan evidenceBeweise of larcenyDiebstahl.
253
591000
2000
ist das spontane Auftreten von Diebstahl.
10:08
The monkeysAffen would rip-offRip-off the tokensToken at everyjeden availableverfügbar opportunityGelegenheit --
254
593000
3000
Die Affen stahlen Token bei jeder Gelegenheit --
10:11
from eachjede einzelne other, oftenhäufig from us --
255
596000
2000
von den anderen, oft von uns --
10:13
you know, things we didn't necessarilyNotwendig think we were introducingeinführen,
256
598000
2000
etwas, das wir nicht absichtlich hervorrufen wollten,
10:15
but things we spontaneouslyspontan saw.
257
600000
2000
aber etwas, das was wir spontan auftreten sahen.
10:17
So we said, this lookssieht aus badschlecht.
258
602000
2000
Also sagten wir, das sieht schlecht aus.
10:19
Can we actuallytatsächlich see if the monkeysAffen
259
604000
2000
Können wir wirklich sehen, ob die Affen
10:21
are doing exactlygenau the samegleich dumbstumm things as humansMenschen do?
260
606000
3000
die gleichen dummen Dinge tun wie Menschen?
10:24
One possibilityMöglichkeit is just kindArt of let
261
609000
2000
Eine Möglichkeit war, das Finanzsystem
10:26
the monkeyAffe financialfinanziell systemSystem playspielen out,
262
611000
2000
der Affen einfach laufen zu lassen,
10:28
you know, see if they startAnfang callingBerufung us for bailoutsRettungsaktionen in a fewwenige yearsJahre.
263
613000
2000
und abzuwarten, ob sie sich in ein paar Jahren wegen einer Rettungsaktion an uns wenden würden.
10:30
We were a little impatientungeduldig so we wanted
264
615000
2000
Wir waren etwas ungeduldig, wir wollten
10:32
to sortSortieren of speedGeschwindigkeit things up a bitBit.
265
617000
2000
die Sache etwas beschleunigen.
10:34
So we said, let's actuallytatsächlich give the monkeysAffen
266
619000
2000
Also sagten wir, lasst uns den Affen die
10:36
the samegleich kindsArten of problemsProbleme
267
621000
2000
gleiche Art Probleme geben,
10:38
that humansMenschen tendneigen to get wrongfalsch
268
623000
2000
bei denen Menschen oft Fehler machen
10:40
in certainsicher kindsArten of economicWirtschaftlich challengesHerausforderungen,
269
625000
2000
in Hinblick auf bestimmte, ökonomische Herausforderungen,
10:42
or certainsicher kindsArten of economicWirtschaftlich experimentsExperimente.
270
627000
2000
oder bestimmten ökonomischen Experimenten.
10:44
And so, sinceschon seit the bestBeste way to see how people go wrongfalsch
271
629000
3000
Deshalb, weil man am besten sieht, wie Menschen Fehler machen,
10:47
is to actuallytatsächlich do it yourselfdich selber,
272
632000
2000
indem man es selbst tut,
10:49
I'm going to give you guys a quickschnell experimentExperiment
273
634000
2000
Ich werde mit Ihnen jetzt ein schnelles Experiment machen
10:51
to sortSortieren of watch your ownbesitzen financialfinanziell intuitionsIntuitionen in actionAktion.
274
636000
2000
um sozusagen Ihr finanzielles Gespür in Aktion zu sehen.
10:53
So imaginevorstellen that right now
275
638000
2000
Stellen Sie sich jetzt vor,
10:55
I handedüberreicht eachjede einzelne and everyjeden one of you
276
640000
2000
dass ich jedem von Ihnen 1000 U.S Dollar
10:57
a thousandtausend U.S. dollarsDollar -- so 10 crispCrisp hundredhundert dollarDollar billsRechnungen.
277
642000
3000
in die Hand drücke - so 10 knackige Hundert Dollar Noten.
11:00
Take these, put it in your walletBrieftasche
278
645000
2000
Nehmen Sie sie und stecken Sie sie in ihre Brieftasche
11:02
and spendverbringen a secondzweite thinkingDenken about what you're going to do with it.
279
647000
2000
und überlegen Sie sich, was Sie damit tun werden.
11:04
Because it's yoursdeine now; you can buykaufen whateverwas auch immer you want.
280
649000
2000
Weil es nun Ihres ist; Sie können kaufen, was Sie wollen.
11:06
DonateSpenden it, take it, and so on.
281
651000
2000
Es spenden, es nehmen, und so weiter.
11:08
SoundsKlingt great, but you get one more choiceWahl to earnverdienen a little bitBit more moneyGeld.
282
653000
3000
Klingt gut, aber Sie bekommen noch eine Möglichkeit, etwas mehr Geld zu verdienen.
11:11
And here'shier ist your choiceWahl: you can eitherentweder be riskyriskant,
283
656000
3000
Und hier ist Ihre Wahl: Sie können entweder risikofreudig sein,
11:14
in whichwelche caseFall I'm going to flipflip one of these monkeyAffe tokensToken.
284
659000
2000
in diesem Fall werde ich einen der Affen Jeton werfen.
11:16
If it comeskommt up headsKöpfe, you're going to get a thousandtausend dollarsDollar more.
285
661000
2000
Bei Kopf, bekommen Sie 1000 Dollar dazu.
11:18
If it comeskommt up tailsSchwänze, you get nothing.
286
663000
2000
Bei Zahl, bekommen Sie nichts.
11:20
So it's a chanceChance to get more, but it's prettyziemlich riskyriskant.
287
665000
3000
Also gibt es die Chance mehr zu bekommen, aber es ist ganz schön riskant.
11:23
Your other optionMöglichkeit is a bitBit safeSafe. Your just going to get some moneyGeld for sure.
288
668000
3000
Ihre andere Option ist sicherer. Sie erhalten auf jeden Fall etwas Geld.
11:26
I'm just going to give you 500 bucksBöcke.
289
671000
2000
Ich werde Ihnen nur 500 Dollar geben.
11:28
You can stickStock it in your walletBrieftasche and use it immediatelysofort.
290
673000
3000
Sie können sie einstecken und sofort verwenden.
11:31
So see what your intuitionIntuition is here.
291
676000
2000
Beobachten Sie, was Ihnen Ihre Intuition hier sagt.
11:33
MostDie meisten people actuallytatsächlich go with the play-it-safePlay It safe optionMöglichkeit.
292
678000
3000
Die meisten Menschen gehen auf Nummer Sicher.
11:36
MostDie meisten people say, why should I be riskyriskant when I can get 1,500 dollarsDollar for sure?
293
681000
3000
Die meisten sagen, warum soll ich etwas riskieren, wenn mir 1500 Dollar sicher sind?
11:39
This seemsscheint like a good betWette. I'm going to go with that.
294
684000
2000
Es scheint eine gutes Geschäft zu sein. Das nehme ich.
11:41
You mightMacht say, eheh, that's not really irrationalirrational.
295
686000
2000
Sie könnten sagen, ah, das ist nicht wirklich unvernünftig.
11:43
People are a little risk-averseRisikoscheu. So what?
296
688000
2000
Menschen sind etwas risikoscheu. Na und?
11:45
Well, the "so what?" comeskommt when startAnfang thinkingDenken
297
690000
2000
Nun, das "na und?" kommt, wenn man beginnt
11:47
about the samegleich problemProblem
298
692000
2000
über das gleiche Problem, nur
11:49
setSet up just a little bitBit differentlyanders.
299
694000
2000
etwas anders aufgebaut, nachzudenken.
11:51
So now imaginevorstellen that I give eachjede einzelne and everyjeden one of you
300
696000
2000
Also stellen Sie sich jetzt vor, dass ich jedem von Ihnen
11:53
2,000 dollarsDollar -- 20 crispCrisp hundredhundert dollarDollar billsRechnungen.
301
698000
3000
2.000 Dollar gebe -- 20 knackige 100 Dollar Noten.
11:56
Now you can buykaufen doubledoppelt to stuffSachen you were going to get before.
302
701000
2000
Nun können Sie das Doppelte von dem zuvor kaufen.
11:58
Think about how you'ddu würdest feel stickingklebt it in your walletBrieftasche.
303
703000
2000
Denken Sie daran, wie Sie es in Ihre Brieftasche stecken.
12:00
And now imaginevorstellen that I have you make anotherein anderer choiceWahl
304
705000
2000
Nun stellen Sie sich vor, dass ich Sie vor eine weitere Entscheidung stelle.
12:02
But this time, it's a little bitBit worseschlechter.
305
707000
2000
Nur dieses Mal ist es etwas schlimmer.
12:04
Now, you're going to be decidingentscheiden how you're going to loseverlieren moneyGeld,
306
709000
3000
Nun werden Sie wählen, wie Sie Ihr Geld verlieren,
12:07
but you're going to get the samegleich choiceWahl.
307
712000
2000
aber Sie werden vor der gleichen Entscheidung stehen.
12:09
You can eitherentweder take a riskyriskant lossVerlust --
308
714000
2000
Sie können entweder einen riskanten Verlust wählen --
12:11
so I'll flipflip a coinMünze. If it comeskommt up headsKöpfe, you're going to actuallytatsächlich loseverlieren a lot.
309
716000
3000
so, ich werfe eine Münze. Bei Kopf werden Sie wirklich viel verlieren.
12:14
If it comeskommt up tailsSchwänze, you loseverlieren nothing, you're fine, get to keep the wholeganze thing --
310
719000
3000
Bei Zahl verlieren Sie nichts. Es geht Ihnen gut. Sie können alles behalten --
12:17
or you could playspielen it safeSafe, whichwelche meansmeint you have to reacherreichen back into your walletBrieftasche
311
722000
3000
oder Sie können auf Nummer Sicher gehen. Das heißt, Sie greifen in Ihre Brieftasche
12:20
and give me fivefünf of those $100 billsRechnungen, for certainsicher.
312
725000
3000
und geben mir fünf dieser 100 $ Noten.
12:23
And I'm seeingSehen a lot of furrowedgefurcht browsBrauen out there.
313
728000
3000
Und ich sehe viele die Stirn runzeln.
12:26
So maybe you're havingmit the samegleich intuitionsIntuitionen
314
731000
2000
Vielleicht haben Sie die gleichen Intuitionen
12:28
as the subjectsFächer that were actuallytatsächlich testedgeprüft in this,
315
733000
2000
wie die Kanditaten, die wirklich diese Test machten,
12:30
whichwelche is when presentedvorgeführt with these optionsOptionen,
316
735000
2000
das heißt, wenn man diese Wahlmöglichkeiten bekommt,
12:32
people don't choosewählen to playspielen it safeSafe.
317
737000
2000
wählen die Leute nicht die sichere Variante.
12:34
They actuallytatsächlich tendneigen to go a little riskyriskant.
318
739000
2000
Tatsächlich tendieren sie etwas in Richtung Risiko.
12:36
The reasonGrund this is irrationalirrational is that we'vewir haben givengegeben people in bothbeide situationsSituationen
319
741000
3000
Der Grund warum das unlogisch ist, ist, dass wir den Leuten in beiden
12:39
the samegleich choiceWahl.
320
744000
2000
Fällen die gleiche Wahl gaben.
12:41
It's a 50/50 shotSchuss of a thousandtausend or 2,000,
321
746000
3000
Es steht 50 zu 50, bei Tausend oder 2,000
12:44
or just 1,500 dollarsDollar with certaintySicherheit.
322
749000
2000
oder nur sichere 1,500 Dollar.
12:46
But people'sMenschen intuitionsIntuitionen about how much riskRisiko to take
323
751000
3000
Aber das Gespür der Leute dafür, wieviel Risiko sie eingehen wollen,
12:49
variesvariiert dependingabhängig on where they startedhat angefangen with.
324
754000
2000
hängt davon ab, womit sie begonnen haben.
12:51
So what's going on?
325
756000
2000
Also was geschieht hier?
12:53
Well, it turnswendet sich out that this seemsscheint to be the resultErgebnis
326
758000
2000
Es zeigt sich, dass dies das Ergebnis von mindestens
12:55
of at leastam wenigsten two biasesVorurteile that we have at the psychologicalpsychologische levelEbene.
327
760000
3000
zwei Verzerrungen ist, die wir auf psychologischer Ebene haben.
12:58
One is that we have a really hardhart time thinkingDenken in absoluteAbsolute termsBegriffe.
328
763000
3000
Zum einen fällt es uns wirklich schwer in absoluten Begriffen zu denken.
13:01
You really have to do work to figureZahl out,
329
766000
2000
Man muss sich wirklich anstrengen um herauszufinden,
13:03
well, one option'sder Option a thousandtausend, 2,000;
330
768000
2000
nun, eine Möglichkeit ist 1.000, 2.000;
13:05
one is 1,500.
331
770000
2000
eine ist 1.500.
13:07
InsteadStattdessen, we find it very easyeinfach to think in very relativerelativ termsBegriffe
332
772000
3000
Stattdessen fällt es uns sehr leicht in Verhältnissen zu denken,
13:10
as optionsOptionen changeVeränderung from one time to anotherein anderer.
333
775000
3000
wenn die Möglichkeiten von Einem zum Anderen wechseln.
13:13
So we think of things as, "Oh, I'm going to get more," or "Oh, I'm going to get lessWeniger."
334
778000
3000
Wir denken auf diese Art, "Oh, ich bekomme mehr", oder "Oh, ich bekomme weniger."
13:16
This is all well and good, exceptaußer that
335
781000
2000
Das ist alles schön und gut, nur dass
13:18
changesÄnderungen in differentanders directionsRichtungen
336
783000
2000
Änderungen in unterschiedliche Richtungen
13:20
actuallytatsächlich effectbewirken whetherob or not we think
337
785000
2000
wirklich bestimmen, ob wir denken, dass eine
13:22
optionsOptionen are good or not.
338
787000
2000
Möglichkeit gut ist, oder nicht.
13:24
And this leadsführt to the secondzweite biasvorspannen,
339
789000
2000
Und das führt zur zweiten Verzerrung,
13:26
whichwelche economistsÖkonomen have callednamens lossVerlust aversionAbneigung gegen.
340
791000
2000
die von den Ökonomen Verlustaversion genannt wurde.
13:28
The ideaIdee is that we really hateHass it when things go into the redrot.
341
793000
3000
Die Idee ist, dass wir es wirklich hassen in die roten Zahlen zu kommen.
13:31
We really hateHass it when we have to loseverlieren out on some moneyGeld.
342
796000
2000
Wir hassen es wirklich, wenn wir Geld verlieren.
13:33
And this meansmeint that sometimesmanchmal we'llGut actuallytatsächlich
343
798000
2000
Und das bedeutet, dass wir manchmal unsere
13:35
switchSchalter our preferencesEinstellungen to avoidvermeiden this.
344
800000
2000
Vorlieben ändern um das zu vermeiden.
13:37
What you saw in that last scenarioSzenario is that
345
802000
2000
Was Sie im letzten Szenario gesehen haben, ist,
13:39
subjectsFächer get riskyriskant
346
804000
2000
dass Versuchspersonen risikobereit werden,
13:41
because they want the smallklein shotSchuss that there won'tGewohnheit be any lossVerlust.
347
806000
3000
weil sie den kleineren Gewinn wollen um Verlust zu vermeiden.
13:44
That meansmeint when we're in a riskRisiko mindsetDenkweise --
348
809000
2000
Das heißt, wenn wir auf Risiko eingestellt sind --
13:46
excuseAusrede me, when we're in a lossVerlust mindsetDenkweise,
349
811000
2000
Verzeihung, wenn wir Verlust vemeiden wollen,
13:48
we actuallytatsächlich becomewerden more riskyriskant,
350
813000
2000
werden wir in Wirklichkeit risikobereiter,
13:50
whichwelche can actuallytatsächlich be really worryingbeunruhigend.
351
815000
2000
was wirklich besorgniserregend sein kann.
13:52
These kindsArten of things playspielen out in lots of badschlecht waysWege in humansMenschen.
352
817000
3000
Diese Dinge zeigen sich in den Menschen in vielen negativen Ausprägungen.
13:55
They're why stockStock investorsInvestoren holdhalt ontoauf zu losingverlieren stocksBestände longerlänger --
353
820000
3000
Deshalb behalten Aktienbesitzer verlustreiche Aktien länger --
13:58
because they're evaluatingBewertung them in relativerelativ termsBegriffe.
354
823000
2000
weil sie sie relativ bewerten.
14:00
They're why people in the housingGehäuse marketMarkt refusedabgelehnt to sellverkaufen theirihr houseHaus --
355
825000
2000
Deshalb weigern sich Leute auf dem Immobilienmarkt ihre Häuser zu verkaufen --
14:02
because they don't want to sellverkaufen at a lossVerlust.
356
827000
2000
weil sie sie nicht mit Verlust verkaufen wollen.
14:04
The questionFrage we were interestedinteressiert in
357
829000
2000
Die Frage, die uns interessiert hat, war,
14:06
is whetherob the monkeysAffen showShow the samegleich biasesVorurteile.
358
831000
2000
ob die Affen die gleichen Neigungen zeigen.
14:08
If we setSet up those samegleich scenariosSzenarien in our little monkeyAffe marketMarkt,
359
833000
3000
Wenn wir in unserem kleinen Affenmarkt die gleichen Szenarien herstellten,
14:11
would they do the samegleich thing as people?
360
836000
2000
würden sie die gleichen Dinge wie die Menschen tun?
14:13
And so this is what we did, we gavegab the monkeysAffen choicesAuswahlmöglichkeiten
361
838000
2000
Und das haben wir getan, wir gaben den Affen die Wahl
14:15
betweenzwischen guys who were safeSafe -- they did the samegleich thing everyjeden time --
362
840000
3000
zwischen Personen, die verläßlich waren - sie machen jedes Mal das Gleiche --
14:18
or guys who were riskyriskant --
363
843000
2000
und Personen, mit denen es riskant war --
14:20
they did things differentlyanders halfHälfte the time.
364
845000
2000
die halbe Zeit machten sie alles anders --
14:22
And then we gavegab them optionsOptionen that were bonusesBoni --
365
847000
2000
Dann gaben wir ihnen die Möglichkeit Boni zu bekommen --
14:24
like you guys did in the first scenarioSzenario --
366
849000
2000
wie Sie es im ersten Beispiel machten --
14:26
so they actuallytatsächlich have a chanceChance more,
367
851000
2000
sodaß sie in Wirklichkeit eine zusätzliche Chance hatten,
14:28
or piecesStücke where they were experiencingerleben lossesVerluste --
368
853000
3000
oder etwas, bei dem sie Verlust machten --
14:31
they actuallytatsächlich thought they were going to get more than they really got.
369
856000
2000
tatsächlich dachten sie, sie würden mehr bekommen, als es real der Fall war.
14:33
And so this is what this lookssieht aus like.
370
858000
2000
Und so sieht es dann aus.
14:35
We introducedeingeführt the monkeysAffen to two newneu monkeyAffe salesmenVerkäufer.
371
860000
2000
Wir stellten den Affen zwei neue Verkäufer vor.
14:37
The guy on the left and right bothbeide startAnfang with one pieceStück of grapeTraube,
372
862000
2000
Die Person links und die rechts, begannen beide mit einer Traube,
14:39
so it lookssieht aus prettyziemlich good.
373
864000
2000
so dass es ziemlich gut wirkt.
14:41
But they're going to give the monkeysAffen bonusesBoni.
374
866000
2000
Aber sie werden den Affen Boni geben.
14:43
The guy on the left is a safeSafe bonusBonus.
375
868000
2000
Die Person zur Linken ist ein sicherer Fall.
14:45
All the time, he addsfügt hinzu one, to give the monkeysAffen two.
376
870000
3000
Er gibt immer eine mehr, so bekommen die Affen zwei Trauben.
14:48
The guy on the right is actuallytatsächlich a riskyriskant bonusBonus.
377
873000
2000
Die Person zur Rechten ist wirklich riskant.
14:50
SometimesManchmal the monkeysAffen get no bonusBonus -- so this is a bonusBonus of zeroNull.
378
875000
3000
Manchmal bekommen die Affen keinen Bonus -- also ein Bonus von Null.
14:53
SometimesManchmal the monkeysAffen get two extraextra.
379
878000
3000
Manchmal bekommen die Afffen zusätzlich zwei.
14:56
For a biggroß bonusBonus, now they get threedrei.
380
881000
2000
Ein großer Bonus ist, wenn sie drei bekommen.
14:58
But this is the samegleich choiceWahl you guys just facedkonfrontiert.
381
883000
2000
Aber es ist die gleiche Wahl, vor der Sie gerade standen.
15:00
Do the monkeysAffen actuallytatsächlich want to playspielen it safeSafe
382
885000
3000
Wollen die Affen nun auf Nummer Sicher gehen,
15:03
and then go with the guy who'swer ist going to do the samegleich thing on everyjeden trialVersuch,
383
888000
2000
und sich an die Person halten, die bei jedem Versuch das Gleiche macht,
15:05
or do they want to be riskyriskant
384
890000
2000
oder wollen sie ein Risiko eingehen,
15:07
and try to get a riskyriskant, but biggroß, bonusBonus,
385
892000
2000
und versuchen einen unsicheren, aber großen Bonus zu erlangen,
15:09
but riskRisiko the possibilityMöglichkeit of gettingbekommen no bonusBonus.
386
894000
2000
aber auch riskieren keinen Bonus zu bekommen.
15:11
People here playedgespielt it safeSafe.
387
896000
2000
Die Leute hier gingen auf Nummer Sicher.
15:13
TurnsDreht sich out, the monkeysAffen playspielen it safeSafe too.
388
898000
2000
Es stellt sich heraus, dass auch die Affen auf Nummer Sicher gehen.
15:15
QualitativelyQualitativ and quantitativelyquantitativ,
389
900000
2000
Qualitativ und quantitativ,
15:17
they choosewählen exactlygenau the samegleich way as people,
390
902000
2000
entschieden sie sich genauso wie Menschen,
15:19
when testedgeprüft in the samegleich thing.
391
904000
2000
wenn sie die gleichen Tests durchliefen.
15:21
You mightMacht say, well, maybe the monkeysAffen just don't like riskRisiko.
392
906000
2000
Sie könnten sagen, nun, vielleicht mögen Affen einfach kein Risiko.
15:23
Maybe we should see how they do with lossesVerluste.
393
908000
2000
Vielleicht sollten wir untersuchen, wie sie es bei Verlusten machen.
15:25
And so we ranlief a secondzweite versionVersion of this.
394
910000
2000
Und so führten wir eine zweite Version dieses Tests durch.
15:27
Now, the monkeysAffen meetTreffen two guys
395
912000
2000
Nun treffen die Affen auf zwei Personen,
15:29
who aren'tsind nicht givinggeben them bonusesBoni;
396
914000
2000
die ihnen keine Boni geben;
15:31
they're actuallytatsächlich givinggeben them lessWeniger than they expecterwarten von.
397
916000
2000
in Wirklichkeit geben sie ihnen weniger als sie erwarteten.
15:33
So they look like they're startingbeginnend out with a biggroß amountMenge.
398
918000
2000
Sie wirkten so, als würden sie mit einem großen Betrag beginnen.
15:35
These are threedrei grapesTrauben; the monkey'sder Affe really psychedaufgedreht for this.
399
920000
2000
Das sind drei Trauben; die Affen waren wirklich wild danach.
15:37
But now they learnlernen these guys are going to give them lessWeniger than they expecterwarten von.
400
922000
3000
Aber nun lernen sie, dass diese Personen ihnen weniger als erwartet geben.
15:40
They guy on the left is a safeSafe lossVerlust.
401
925000
2000
Die Person zur Linken ist ein sicherer Verlust.
15:42
EveryJedes singleSingle time, he's going to take one of these away
402
927000
3000
Jedes Mal nimmt er eine davon weg
15:45
and give the monkeysAffen just two.
403
930000
2000
und gibt dem Affen nur zwei.
15:47
the guy on the right is the riskyriskant lossVerlust.
404
932000
2000
die Person zur Rechten ist ein unsicherer Verlust.
15:49
SometimesManchmal he givesgibt no lossVerlust, so the monkeysAffen are really psychedaufgedreht,
405
934000
3000
Manchmal gibt er nicht weniger, und die Affen sind richtig aufgeregt,
15:52
but sometimesmanchmal he actuallytatsächlich givesgibt a biggroß lossVerlust,
406
937000
2000
aber manchmal gibt er viel weniger,
15:54
takingunter away two to give the monkeysAffen only one.
407
939000
2000
dann nimmt er zwei weg und gibt dem Affen nur eine.
15:56
And so what do the monkeysAffen do?
408
941000
2000
Und was tun die Affen nun?
15:58
Again, samegleich choiceWahl; they can playspielen it safeSafe
409
943000
2000
Wieder die gleiche Wahl, sie können auf Nummer Sicher gehen
16:00
for always gettingbekommen two grapesTrauben everyjeden singleSingle time,
410
945000
3000
und jedes Mal zwei Trauben bekommen,
16:03
or they can take a riskyriskant betWette and choosewählen betweenzwischen one and threedrei.
411
948000
3000
oder sie können ein Risiko eingehen und zwischen einer und drei wählen.
16:06
The remarkablebemerkenswert thing to us is that, when you give monkeysAffen this choiceWahl,
412
951000
3000
Bemerkenswert war für uns, dass wenn man den Affen diese Wahl gibt,
16:09
they do the samegleich irrationalirrational thing that people do.
413
954000
2000
sie die gleichen unvernünftigen Dinge wie die Menschen tun.
16:11
They actuallytatsächlich becomewerden more riskyriskant
414
956000
2000
Sie riskieren tatsächlich mehr,
16:13
dependingabhängig on how the experimentersExperimentatoren startedhat angefangen.
415
958000
3000
abhängig davon, wie die Experimentatoren begannen.
16:16
This is crazyverrückt because it suggestsschlägt vor that the monkeysAffen too
416
961000
2000
Das ist verrückt, weil es darauf hindeutet, dass auch Affen
16:18
are evaluatingBewertung things in relativerelativ termsBegriffe
417
963000
2000
relative Bewertungen treffen
16:20
and actuallytatsächlich treatingbehandeln lossesVerluste differentlyanders than they treatbehandeln gainsGewinne.
418
965000
3000
und mit Verlusten tatsächlich anders umgehen als mit Gewinnen.
16:23
So what does all of this mean?
419
968000
2000
Was bedeutet das nun alles?
16:25
Well, what we'vewir haben showngezeigt is that, first of all,
420
970000
2000
Was wir gezeigt haben ist, dass, zuallererst,
16:27
we can actuallytatsächlich give the monkeysAffen a financialfinanziell currencyWährung,
421
972000
2000
wir Affen tatsächlich eine Geldwährung geben können,
16:29
and they do very similarähnlich things with it.
422
974000
2000
und dass sie damit ganz ähnliche Dinge tun.
16:31
They do some of the smartsmart things we do,
423
976000
2000
Sie machen einige der klugen Dinge so wie wir,
16:33
some of the kindArt of not so nicenett things we do,
424
978000
2000
einige der nicht so netten Dinge, so wie wir,
16:35
like stealstehlen it and so on.
425
980000
2000
wie es stehlen, und so weiter.
16:37
But they alsoebenfalls do some of the irrationalirrational things we do.
426
982000
2000
Aber sie machen auch einige der irrationalen Dinge, die wir tun.
16:39
They systematicallysystematisch get things wrongfalsch
427
984000
2000
Sie begehen systematisch Fehler,
16:41
and in the samegleich waysWege that we do.
428
986000
2000
in der gleichen Art wie wir.
16:43
This is the first take-homemit nach Hause nehmen messageNachricht of the Talk,
429
988000
2000
Das ist die erste Botschaft dieses Vortrags zum Mit-Nach-Hause nehmen,
16:45
whichwelche is that if you saw the beginningAnfang of this and you thought,
430
990000
2000
die besagt, dass, wenn Sie den Anfang von dem hier gesehen haben und dachten,
16:47
oh, I'm totallytotal going to go home and hiremieten a capuchinKapuziner monkeyAffe financialfinanziell adviserBerater.
431
992000
2000
oh, ich werde nach Hause gehen und wirklich einen Kapuzineraffen als Finanzberater anstellen.
16:49
They're way cuterniedlicher than the one at ... you know --
432
994000
2000
Sie sind viel niedlicher als der ... Sie wissen schon --
16:51
Don't do that; they're probablywahrscheinlich going to be just as dumbstumm
433
996000
2000
Machen Sie das nicht; sie sind wahrscheinlich genauso dumm,
16:53
as the humanMensch one you alreadybereits have.
434
998000
3000
wie der Mensch, den sie bereits haben.
16:56
So, you know, a little badschlecht -- Sorry, sorry, sorry.
435
1001000
2000
Wissen Sie, es ist irgendwie schlecht -- Sorry, sorry, sorry.
16:58
A little badschlecht for monkeyAffe investorsInvestoren.
436
1003000
2000
Es ist irgendwie schlecht für die Affen-Investoren.
17:00
But of courseKurs, you know, the reasonGrund you're laughingLachen is badschlecht for humansMenschen too.
437
1005000
3000
Aber natürlich, worüber Sie lachen, ist für Menschen genauso schlecht.
17:03
Because we'vewir haben answeredantwortete the questionFrage we startedhat angefangen out with.
438
1008000
3000
Weil wir die Frage beantwortet haben, mit der wir angefangen haben.
17:06
We wanted to know where these kindsArten of errorsFehler camekam from.
439
1011000
2000
Wir wollten wissen, woher diese Art Fehler kommt.
17:08
And we startedhat angefangen with the hopeHoffnung that maybe we can
440
1013000
2000
Und wir begannen mit der Hoffnung, dass wir vielleicht
17:10
sortSortieren of tweakzwicken our financialfinanziell institutionsInstitutionen,
441
1015000
2000
unsere Finanzsysteme optimieren könnten,
17:12
tweakzwicken our technologiesTechnologien to make ourselvesuns selbst better.
442
1017000
3000
oder unsere Technologien, um uns selbst zu verbessern.
17:15
But what we'vewir haben learnlernen is that these biasesVorurteile mightMacht be a deeperTiefer partTeil of us than that.
443
1020000
3000
Aber was wir gelernt haben, ist, dass diese Eigenheiten tiefer in uns selbst wurzeln.
17:18
In factTatsache, they mightMacht be duefällig to the very natureNatur
444
1023000
2000
In Wirklichkeit könnten sie gerade aus unserer
17:20
of our evolutionaryevolutionär historyGeschichte.
445
1025000
2000
Entwicklungsgeschichte herrühren.
17:22
You know, maybe it's not just humansMenschen
446
1027000
2000
Vielleicht sind es nicht nur die Menschen
17:24
at the right sideSeite of this chainKette that's dunceydummen.
447
1029000
2000
auf der letzten Stufe der Entwicklung, die dumme Fehler machen.
17:26
Maybe it's sortSortieren of dunceydummen all the way back.
448
1031000
2000
Vielleicht reichen die dummen Fehler bis weit zurück.
17:28
And this, if we believe the capuchinKapuziner monkeyAffe resultsErgebnisse,
449
1033000
3000
Und das, wenn wir die Ergebnisse der Kapuzineraffen glauben,
17:31
meansmeint that these dunceydummen strategiesStrategien
450
1036000
2000
bedeutet, dass diese dummen Strategien
17:33
mightMacht be 35 millionMillion yearsJahre oldalt.
451
1038000
2000
35 Millionen Jahre alt sein könnten.
17:35
That's a long time for a strategyStrategie
452
1040000
2000
Das ist eine lange Zeit für eine Strategie,
17:37
to potentiallymöglicherweise get changedgeändert around -- really, really oldalt.
453
1042000
3000
um sich potentiell zu verändern -- wirklich sehr alt.
17:40
What do we know about other oldalt strategiesStrategien like this?
454
1045000
2000
Was wissen wir über andere alte Strategien wie diese?
17:42
Well, one thing we know is that they tendneigen to be really hardhart to overcomeüberwinden.
455
1047000
3000
Unter anderem wissen wir, dass sie meistens wirklich schwer zu überwinden sind.
17:45
You know, think of our evolutionaryevolutionär predilectionVorliebe
456
1050000
2000
Denken Sie an unsere ererbte Vorliebe
17:47
for eatingEssen sweetSüss things, fattyfetthaltige things like cheesecakeKäsekuchen.
457
1052000
3000
süße Dinge zu essen, oder fette wie Käsekuchen.
17:50
You can't just shutgeschlossen that off.
458
1055000
2000
Sie können das nicht einfach abstellen.
17:52
You can't just look at the dessertDessert cartWagen as say, "No, no, no. That lookssieht aus disgustingwiderlich to me."
459
1057000
3000
Sie können nicht einfach die Desserts ansehen und sagen, "Nein, nein, das schaut widerlich aus."
17:55
We're just builtgebaut differentlyanders.
460
1060000
2000
Wir sind einfach anders gebaut.
17:57
We're going to perceivewahrnehmen it as a good thing to go after.
461
1062000
2000
Wir halten es einfach für eine gute Sache, die wir wollen.
17:59
My guessvermuten is that the samegleich thing is going to be truewahr
462
1064000
2000
Meine Vermutung ist, dass das Gleiche gilt,
18:01
when humansMenschen are perceivingwahrzunehmen
463
1066000
2000
wenn Menschen unterschiedliche
18:03
differentanders financialfinanziell decisionsEntscheidungen.
464
1068000
2000
finanzielle Wahlmöglichkeiten erkennen.
18:05
When you're watchingAufpassen your stocksBestände plummetLot into the redrot,
465
1070000
2000
Wenn Sie zusehen, wie ihre Aktien abstürzen,
18:07
when you're watchingAufpassen your houseHaus pricePreis go down,
466
1072000
2000
wenn Sie zusehen, wie der Preis ihres Hauses verfällt,
18:09
you're not going to be ablefähig to see that
467
1074000
2000
werden Sie nicht in der Lage sein, dies
18:11
in anything but oldalt evolutionaryevolutionär termsBegriffe.
468
1076000
2000
anders als nach alten evolutionären Gesichtspunkten zu sehen.
18:13
This meansmeint that the biasesVorurteile
469
1078000
2000
Das bedeutet, dass die Einstellungen,
18:15
that leadführen investorsInvestoren to do badlyschlecht,
470
1080000
2000
die Investoren veranlassen schlecht zu handeln,
18:17
that leadführen to the foreclosuregerichtliche Verfallserklärung crisisKrise
471
1082000
2000
die zur Hypothekenkrise geführt haben,
18:19
are going to be really hardhart to overcomeüberwinden.
472
1084000
2000
sehr schwer zu überwinden sein werden.
18:21
So that's the badschlecht newsNachrichten. The questionFrage is: is there any good newsNachrichten?
473
1086000
2000
Soweit schlechten Neuigkeiten. Die Frage ist: gibt es auch Gute?
18:23
I'm supposedsoll to be up here tellingErzählen you the good newsNachrichten.
474
1088000
2000
Ich soll hier oben stehen, um Ihnen die guten Nachrichten zu übermitteln.
18:25
Well, the good newsNachrichten, I think,
475
1090000
2000
Nun, die guten Nachricht, denke ich,
18:27
is what I startedhat angefangen with at the beginningAnfang of the Talk,
476
1092000
2000
ist, womit ich am Anfang dieses Vortrags begonnen habe,
18:29
whichwelche is that humansMenschen are not only smartsmart;
477
1094000
2000
und das ist, dass Menschen nicht nur klug sind;
18:31
we're really inspirationallyinspirierend smartsmart
478
1096000
2000
Wir sind geradezu überragend klug gegenüber
18:33
to the restsich ausruhen of the animalsTiere in the biologicalbiologisch kingdomKönigreich.
479
1098000
3000
den anderen Tieren im biologischen Königreich.
18:36
We're so good at overcomingÜberwindung von our biologicalbiologisch limitationsEinschränkungen --
480
1101000
3000
Wir sind so gut darin unsere biologischen Einschränkungen zu überwinden --
18:39
you know, I flewgeflogen over here in an airplaneFlugzeug.
481
1104000
2000
ich flog in einem Flugzeug hierher.
18:41
I didn't have to try to flapKlappe my wingsFlügel.
482
1106000
2000
Ich musste nicht versuchen mit meinen Flügeln zu schlagen.
18:43
I'm wearingtragen contactKontakt lensesLinsen now so that I can see all of you.
483
1108000
3000
Ich trage Kontaktlinsen um Sie alle sehen zu können.
18:46
I don't have to relyverlassen on my ownbesitzen near-sightednessKurzsichtigkeit.
484
1111000
3000
Ich muss nicht mit meiner Kurzsichtigkeit zurechtkommen.
18:49
We actuallytatsächlich have all of these casesFälle
485
1114000
2000
Tatsächlich haben wir all diese Fälle,
18:51
where we overcomeüberwinden our biologicalbiologisch limitationsEinschränkungen
486
1116000
3000
wo wir unsere biologischen Einschränkungen
18:54
throughdurch technologyTechnologie and other meansmeint, seeminglyscheinbar prettyziemlich easilyleicht.
487
1119000
3000
mittels Technologie und anderem überwinden, anscheinend ganz einfach.
18:57
But we have to recognizeerkenne that we have those limitationsEinschränkungen.
488
1122000
3000
Aber wir müssen eingestehen, dass wir diese Grenzen haben.
19:00
And here'shier ist the rubRUB.
489
1125000
2000
Und das ist der Haken.
19:02
It was CamusCamus who onceEinmal said that, "Man is the only speciesSpezies
490
1127000
2000
Camus sagte einmal, dass "Der Mensch die einzige Art ist,
19:04
who refusesweigert sich to be what he really is."
491
1129000
3000
die sich weigert, zu sein, was sie wirklich ist."
19:07
But the ironyIronie is that
492
1132000
2000
Aber ironischerweise ist es so, dass,
19:09
it mightMacht only be in recognizingerkennen our limitationsEinschränkungen
493
1134000
2000
erst wenn wir unsere Grenzen anerkennen,
19:11
that we can really actuallytatsächlich overcomeüberwinden them.
494
1136000
2000
wir sie wirklich überwinden können.
19:13
The hopeHoffnung is that you all will think about your limitationsEinschränkungen,
495
1138000
3000
Hoffentlich werden Sie alle über Ihre Grenzen nachdenken,
19:16
not necessarilyNotwendig as unovercomableunüberwindbar,
496
1141000
3000
nicht unbedingt in der Form, dass sie unüberwindbar wären,
19:19
but to recognizeerkenne them, acceptakzeptieren them
497
1144000
2000
sondern um sie zu erkennen, sie zu akzeptieren,
19:21
and then use the worldWelt of designEntwurf to actuallytatsächlich figureZahl them out.
498
1146000
3000
und dann unsere Fähigkeiten zu verwenden, um sie zu verstehen.
19:24
That mightMacht be the only way that we will really be ablefähig
499
1149000
3000
Das könnte der einzige Weg sein, der es uns ermöglicht,
19:27
to achieveleisten our ownbesitzen humanMensch potentialPotenzial
500
1152000
2000
unser menschliches Potential auszuschöpfen,
19:29
and really be the nobleedel speciesSpezies we hopeHoffnung to all be.
501
1154000
3000
und wirklich die edle Spezies sein, die wir alle zu sein erhoffen.
19:32
Thank you.
502
1157000
2000
Vielen Dank.
19:34
(ApplauseApplaus)
503
1159000
5000
(Applaus)
Translated by Sabrina Gründlinger
Reviewed by Valentina Wellbrock

▲Back to top

ABOUT THE SPEAKER
Laurie Santos - Cognitive psychologist
Laurie Santos studies primate psychology and monkeynomics -- testing problems in human psychology on primates, who (not so surprisingly) have many of the same predictable irrationalities we do.

Why you should listen

Laurie Santos runs the Comparative Cognition Laboratory (CapLab) at Yale, where she and collaborators across departments (from psychology to primatology to neurobiology) explore the evolutionary origins of the human mind by studying lemurs, capuchin monkeys and other primates. The twist: Santos looks not only for positive humanlike traits, like tool-using and altruism, but irrational ones, like biased decisionmaking.

In elegant, carefully constructed experiments, Santos and CapLab have studied how primates understand and categorize objects in the physical world -- for instance, that monkeys understand an object is still whole even when part of it is obscured. Going deeper, their experiments also search for clues that primates possess a theory of mind -- an ability to think about what other people think.

Most recently, the lab has been looking at behaviors that were once the province mainly of novelists: jealousy, frustration, judgment of others' intentions, poor economic choices. In one experiment, Santos and her team taught monkeys to use a form of money, tradeable for food. When certain foods became cheaper, monkeys would, like humans, overbuy. As we humans search for clues to our own irrational behaviors, Santos' research suggests that the source of our genius for bad decisions might be our monkey brains.

More profile about the speaker
Laurie Santos | Speaker | TED.com