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: Uma economia dos macacos tão irracional como a nossa

Filmed:
1,506,660 views

Laurie Santos investiga as raízes da irracionalidade humana observando a forma como os nossos parentes primatas tomam decisões. Uma série de experiências inteligentes em "macaconomia" mostra que algumas das escolhas tolas que fazemos, são também feitas pelos macacos.
- 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 startcomeçar my talk todayhoje with two observationsobservações
0
2000
2000
Quero começar a minha palestra com duas observações
00:19
about the humanhumano speciesespécies.
1
4000
2000
acerca da espécie humana.
00:21
The first observationobservação is something that you mightpoderia think is quitebastante obviousóbvio,
2
6000
3000
A primeira observação é algo que podem pensar que é bastante óbvio,
00:24
and that's that our speciesespécies, HomoHomo sapienssapiens,
3
9000
2000
e é que a nossa espécie, o Homo sapiens,
00:26
is actuallyna realidade really, really smartinteligente --
4
11000
2000
é, na verdade, muito, muito inteligente --
00:28
like, ridiculouslyridiculamente smartinteligente --
5
13000
2000
tipo, ridiculamente inteligente --
00:30
like you're all doing things
6
15000
2000
do género, todos vocês fazem coisas
00:32
that no other speciesespécies on the planetplaneta does right now.
7
17000
3000
que nenhuma outra espécie no planeta consegue fazer.
00:35
And this is, of coursecurso,
8
20000
2000
E esta não é, claro,
00:37
not the first time you've probablyprovavelmente recognizedreconhecido this.
9
22000
2000
a primeira vez que provavelmente se apercebem disto.
00:39
Of coursecurso, in additionAdição to beingser smartinteligente, we're alsoAlém disso an extremelyextremamente vainvaidoso speciesespécies.
10
24000
3000
Claro que, além de sermos inteligentes, somos também uma espécie extremamente convencida.
00:42
So we like pointingapontando out the factfacto that we're smartinteligente.
11
27000
3000
Por isso gostamos de assinalar o facto de sermos inteligentes.
00:45
You know, so I could turnvirar to prettybonita much any sagesábio
12
30000
2000
Sabem, eu poderia recorrer a qualquer sábio,
00:47
from ShakespeareShakespeare to StephenStephen ColbertColbert
13
32000
2000
desde Shakespeare ao Stephen Colbert,
00:49
to pointponto out things like the factfacto that
14
34000
2000
para assinalar o facto de sermos
00:51
we're noblenobre in reasonrazão and infiniteinfinito in facultiesfaculdades
15
36000
2000
magnânimos em raciocínio e infinitos em termos de faculdades
00:53
and just kindtipo of awesome-erimpressionante-er than anything elseoutro on the planetplaneta
16
38000
2000
e, simplesmente, muito mais fantásticos do que qualquer outro no planeta,
00:55
when it comesvem to all things cerebralcerebral.
17
40000
3000
no que toca a tudo o que seja cerebral.
00:58
But of coursecurso, there's a secondsegundo observationobservação about the humanhumano speciesespécies
18
43000
2000
Mas, claro, há uma segunda observação acerca da espécie humana
01:00
that I want to focusfoco on a little bitpouco more,
19
45000
2000
em que quero focar um pouco mais,
01:02
and that's the factfacto that
20
47000
2000
e é o facto de que
01:04
even thoughApesar we're actuallyna realidade really smartinteligente, sometimesas vezes uniquelyunicamente smartinteligente,
21
49000
3000
embora sejamos realmente muito inteligentes, por vezes unicamente inteligentes,
01:07
we can alsoAlém disso be incrediblyincrivelmente, incrediblyincrivelmente dumbburro
22
52000
3000
também podemos ser incrivelmente burros
01:10
when it comesvem to some aspectsaspectos of our decisiondecisão makingfazer.
23
55000
3000
no que toca a alguns aspectos da tomada de decisões.
01:13
Now I'm seeingvendo lots of smirkssmirks out there.
24
58000
2000
Agora, estou a ver muitos sorrisos desconfortáveis por aí.
01:15
Don't worrypreocupação, I'm not going to call anyonealguém in particularespecial out
25
60000
2000
Não se preocupem, não vou apontar ninguém em particular
01:17
on any aspectsaspectos of your ownpróprio mistakeserros.
26
62000
2000
nem os pormenores dos vossos erros.
01:19
But of coursecurso, just in the last two yearsanos
27
64000
2000
Mas obviamente, nos últimos dois anos,
01:21
we see these unprecedentedsem precedente examplesexemplos of humanhumano ineptitudeinépcia.
28
66000
3000
temos visto estes exemplos sem precedente de inépcia humana.
01:24
And we'venós temos watchedassisti as the toolsFerramentas we uniquelyunicamente make
29
69000
3000
E temos observado, à medida que os instrumentos que só nós podemos construir,
01:27
to pullpuxar the resourcesRecursos out of our environmentmeio Ambiente
30
72000
2000
para retirar os recursos do nosso meio ambiente,
01:29
kindtipo of just blowgolpe up in our facecara.
31
74000
2000
como que, simplesmente explodem à nossa frente.
01:31
We'veTemos watchedassisti the financialfinanceiro marketsmercados that we uniquelyunicamente createcrio --
32
76000
2000
Temos observado os mercados financeiros que singularmente criamos --
01:33
these marketsmercados that were supposedsuposto to be foolproofà prova de falhas --
33
78000
3000
estes mercados que supostamente são à prova de falhas --
01:36
we'venós temos watchedassisti them kindtipo of collapsecolapso before our eyesolhos.
34
81000
2000
temos observado o seu colapso diante dos nossos olhos.
01:38
But bothambos of these two embarrassingembaraçoso examplesexemplos, I think,
35
83000
2000
Mas eu acho que estes dois exemplos embaraçosos,
01:40
don't highlightdestaque what I think is mosta maioria embarrassingembaraçoso
36
85000
3000
não realçam o que eu acho que é mais vergonhoso
01:43
about the mistakeserros that humanshumanos make,
37
88000
2000
acerca dos erros que os humanos cometem,
01:45
whichqual is that we'dqua like to think that the mistakeserros we make
38
90000
3000
que é o facto de gostarmos de pensar que os erros que cometemos
01:48
are really just the resultresultado of a couplecasal badmau applesmaçãs
39
93000
2000
são, na verdade, o resultado de alguns indivíduos ineptos
01:50
or a couplecasal really sortordenar of FAILFALHAR Blog-worthyBlog-digno decisionsdecisões.
40
95000
3000
ou de algumas decisões tão más que merecem ser incluídas no blog FAIL.
01:53
But it turnsgira out, what socialsocial scientistscientistas are actuallyna realidade learningAprendendo
41
98000
3000
Mas ao que parece, os cientistas sociais estão a descobrir
01:56
is that mosta maioria of us, when put in certaincerto contextscontextos de,
42
101000
3000
que a maior parte de nós, quando colocados em determinados contextos,
01:59
will actuallyna realidade make very specificespecífico mistakeserros.
43
104000
3000
cometeremos erros muito específicos.
02:02
The errorserros we make are actuallyna realidade predictableprevisível.
44
107000
2000
Os erros que cometemos são, na verdade, previsíveis.
02:04
We make them again and again.
45
109000
2000
Cometemo-los outra e outra vez.
02:06
And they're actuallyna realidade immuneimune to lots of evidenceevidência.
46
111000
2000
E, na verdade, são imunes a demonstrações e provas.
02:08
When we get negativenegativo feedbackcomentários,
47
113000
2000
Mesmo quando recebemos uma reacção negativa,
02:10
we still, the nextPróximo time we're facecara with a certaincerto contextcontexto,
48
115000
3000
a próxima vez que nos encontramos em determinado contexto,
02:13
tendtende to make the samemesmo errorserros.
49
118000
2000
temos a tendência para cometer os mesmos erros.
02:15
And so this has been a realreal puzzleenigma to me
50
120000
2000
Então, este tem sido um enigma muito interessante para mim,
02:17
as a sortordenar of scholarScholar of humanhumano naturenatureza.
51
122000
2000
enquanto estudante da natureza humana.
02:19
What I'm mosta maioria curiouscurioso about is,
52
124000
2000
O que me deixa mais curiosa é,
02:21
how is a speciesespécies that's as smartinteligente as we are
53
126000
3000
como é que uma espécie tão inteligente como nós,
02:24
capablecapaz of suchtal badmau
54
129000
2000
é capaz de erros
02:26
and suchtal consistentconsistente errorserros all the time?
55
131000
2000
tão maus e tão consistentes, o tempo inteiro?
02:28
You know, we're the smartestmais inteligente thing out there, why can't we figurefigura this out?
56
133000
3000
Sabem, nós somos a coisa mais inteligente por aí, porque é que não conseguimos resolver isto?
02:31
In some sensesentido, where do our mistakeserros really come from?
57
136000
3000
De certa forma, de onde é que os nosso erros vêm, realmente?
02:34
And havingtendo thought about this a little bitpouco, I see a couplecasal differentdiferente possibilitiespossibilidades.
58
139000
3000
E, tendo pensado acerca disto por algum tempo, vejo duas possibilidades.
02:37
One possibilitypossibilidade is, in some sensesentido, it's not really our faultculpa.
59
142000
3000
Uma possibilidade é que, de alguma maneira, a culpa não é nossa.
02:40
Because we're a smartinteligente speciesespécies,
60
145000
2000
Porque somos uma espécie inteligente,
02:42
we can actuallyna realidade createcrio all kindstipos of environmentsambientes
61
147000
2000
podemos criar todos os tipos de ambientes
02:44
that are supersuper, supersuper complicatedcomplicado,
62
149000
2000
que são super, super complicados,
02:46
sometimesas vezes too complicatedcomplicado for us to even actuallyna realidade understandCompreendo,
63
151000
3000
às vezes, demasiado complicados para que os possamos realmente entender,
02:49
even thoughApesar we'venós temos actuallyna realidade createdcriada them.
64
154000
2000
embora os tenhamos criado.
02:51
We createcrio financialfinanceiro marketsmercados that are supersuper complexcomplexo.
65
156000
2000
Criamos mercados financeiros que são super complexos.
02:53
We createcrio mortgagehipoteca termstermos that we can't actuallyna realidade dealacordo with.
66
158000
3000
Criamos cláusulas hipotecárias com que não conseguimos lidar.
02:56
And of coursecurso, if we are put in environmentsambientes where we can't dealacordo with it,
67
161000
3000
E claro que se nos encontrarmos em ambientes com que não conseguimos lidar,
02:59
in some sensesentido makesfaz com que sensesentido that we actuallyna realidade
68
164000
2000
de certa forma, faz sentido que acabemos
03:01
mightpoderia messbagunça certaincerto things up.
69
166000
2000
por fazer asneiras.
03:03
If this was the casecaso, we'dqua have a really easyfácil solutionsolução
70
168000
2000
Se for esta a verdade, teríamos uma solução simples
03:05
to the problemproblema of humanhumano errorerro.
71
170000
2000
para o problema de erros humanos.
03:07
We'dGostaríamos actuallyna realidade just say, okay, let's figurefigura out
72
172000
2000
Simplesmente diríamos, OK, vamos perceber
03:09
the kindstipos of technologiestecnologias we can't dealacordo with,
73
174000
2000
que tipo de tecnologias não conseguimos entender,
03:11
the kindstipos of environmentsambientes that are badmau --
74
176000
2000
os tipos de ambientes que são maus --
03:13
get ridlivrar of those, designdesenhar things better,
75
178000
2000
vemo-nos livres desses, construimos melhor as coisas,
03:15
and we should be the noblenobre speciesespécies
76
180000
2000
e deveríamos ser a espécie digna
03:17
that we expectEspero ourselvesnós mesmos to be.
77
182000
2000
que esperamos ser.
03:19
But there's anotheroutro possibilitypossibilidade that I find a little bitpouco more worryingpreocupante,
78
184000
3000
Mas há uma outra possibilidade que eu acho um pouco mais preocupante,
03:22
whichqual is, maybe it's not our environmentsambientes that are messedmexeu up.
79
187000
3000
que é: talvez não sejam os nossos ambientes que sejam maus.
03:25
Maybe it's actuallyna realidade us that's designedprojetado badlyseriamente.
80
190000
3000
Talvez sejamos nós que fomos mal construídos.
03:28
This is a hintsugestão that I've gottenobtido
81
193000
2000
Esta é uma sugestão que obtive
03:30
from watchingassistindo the waysmaneiras that socialsocial scientistscientistas have learnedaprendido about humanhumano errorserros.
82
195000
3000
ao observar o que os cientistas sociais têm aprendido acerca dos erros humanos.
03:33
And what we see is that people tendtende to keep makingfazer errorserros
83
198000
3000
E o que observamos é que as pessoas têm a tendência para continuar a cometer erros
03:36
exactlyexatamente the samemesmo way, over and over again.
84
201000
3000
exactamente da mesma forma, uma e outra vez.
03:39
It feelssente like we mightpoderia almostquase just be builtconstruído
85
204000
2000
Parece que talvez tenhamos sido construídos
03:41
to make errorserros in certaincerto waysmaneiras.
86
206000
2000
para cometer erros de determinada forma.
03:43
This is a possibilitypossibilidade that I worrypreocupação a little bitpouco more about,
87
208000
3000
Esta é uma possibilidade que me preocupa um pouco mais,
03:46
because, if it's us that's messedmexeu up,
88
211000
2000
porque se formos nós que somos disfuncionais,
03:48
it's not actuallyna realidade clearClaro how we go about dealinglidando with it.
89
213000
2000
não é óbvio como lidar com isso.
03:50
We mightpoderia just have to acceptaceitar the factfacto that we're errorerro pronepropenso
90
215000
3000
Talvez tenhamos simplesmente de aceitar o facto de sermos propensos a errar
03:53
and try to designdesenhar things around it.
91
218000
2000
e tentar construir as coisas em torno disso.
03:55
So this is the questionquestão my studentsalunos and I wanted to get at.
92
220000
3000
Por isso, esta é a questão a que eu e os meus estudantes queremos dar resposta.
03:58
How can we tell the differencediferença betweenentre possibilitypossibilidade one and possibilitypossibilidade two?
93
223000
3000
Como é que descobrimos a diferença entre a primeira e a segunda possibilidades?
04:01
What we need is a populationpopulação
94
226000
2000
O que precisamos é de uma população
04:03
that's basicallybasicamente smartinteligente, can make lots of decisionsdecisões,
95
228000
2000
que seja basicamente inteligente, possa tomar várias decisões,
04:05
but doesn't have accessAcesso to any of the systemssistemas we have,
96
230000
2000
mas que não tenha acesso a nenhum dos sistemas que nós temos,
04:07
any of the things that mightpoderia messbagunça us up --
97
232000
2000
qualquer das coisas que possivelmente nos avariam --
04:09
no humanhumano technologytecnologia, humanhumano culturecultura,
98
234000
2000
sem tecnologia humana, cultura humana,
04:11
maybe even not humanhumano languagelíngua.
99
236000
2000
talvez nem linguagem humana.
04:13
And so this is why we turnedvirou to these guys here.
100
238000
2000
E por isso, recorremos a estes tipos aqui.
04:15
These are one of the guys I work with. This is a brownCastanho capuchinCapuchinhos monkeymacaco.
101
240000
3000
Estes é um dos indivíduos com quem trabalho. Estes são macacos-prego.
04:18
These guys are NewNovo WorldMundo primatesprimatas,
102
243000
2000
São macacos do Novo Mundo,
04:20
whichqual meanssignifica they brokequebrou off from the humanhumano branchramo
103
245000
2000
o que significa que se separaram do ramo humano
04:22
about 35 millionmilhão yearsanos agoatrás.
104
247000
2000
há cerca de 35 milhões de anos.
04:24
This meanssignifica that your great, great, great great, great, great --
105
249000
2000
Isto significa que a vossa bisa, trisa, tetra, --
04:26
with about fivecinco millionmilhão "greatsgrandes nomes" in there --
106
251000
2000
cerca de cinco milhões de gerações aqui --
04:28
grandmotheravó was probablyprovavelmente the samemesmo great, great, great, great
107
253000
2000
avó foi provavelmente a mesma bisa, trisa,
04:30
grandmotheravó with fivecinco millionmilhão "greatsgrandes nomes" in there
108
255000
2000
tetravó, com cinco milhões de gerações pelo meio,
04:32
as HollyHolly up here.
109
257000
2000
do que a da Holly na fotografia.
04:34
You know, so you can take comfortconforto in the factfacto that this guy up here is a really really distantdistante,
110
259000
3000
Assim, podem ter a noção de que este indivíduo é muito, muito distante,
04:37
but albeitembora evolutionaryevolutivo, relativerelativo.
111
262000
2000
mas evolutivamente, um parente.
04:39
The good newsnotícia about HollyHolly thoughApesar is that
112
264000
2000
A boa notícia acerca da Holly é que
04:41
she doesn't actuallyna realidade have the samemesmo kindstipos of technologiestecnologias we do.
113
266000
3000
ela não tem as mesmas tecnologias que nós temos.
04:44
You know, she's a smartinteligente, very cutcortar creaturecriatura, a primatePrimaz as well,
114
269000
3000
É uma criatura inteligente e esperta, um primata também,
04:47
but she lacksfalta all the stuffcoisa we think mightpoderia be messinga brincar us up.
115
272000
2000
mas sem todas as coisas que achamos que nos avariam.
04:49
So she's the perfectperfeito testteste casecaso.
116
274000
2000
Portanto, ela é o perfeito sujeito de teste.
04:51
What if we put HollyHolly into the samemesmo contextcontexto as humanshumanos?
117
276000
3000
Que acontecerá se pusermos a Holly no mesmo contexto que os humanos?
04:54
Does she make the samemesmo mistakeserros as us?
118
279000
2000
Ela cometerá os mesmos erros que nós?
04:56
Does she not learnaprender from them? And so on.
119
281000
2000
Será que ela aprende com esses erros? E por aí fora.
04:58
And so this is the kindtipo of thing we decideddecidiu to do.
120
283000
2000
E este é o tipo de coisas que decidimos fazer.
05:00
My studentsalunos and I got very excitedanimado about this a fewpoucos yearsanos agoatrás.
121
285000
2000
Eu e os meus estudantes ficámos muito entusiasmados com isto há uns anos atrás.
05:02
We said, all right, let's, you know, throwlançar so problemsproblemas at HollyHolly,
122
287000
2000
Dissémos, vamos colocar alguns problemas à Holly
05:04
see if she messesmesses these things up.
123
289000
2000
para ver se ela comete erros.
05:06
First problemproblema is just, well, where should we startcomeçar?
124
291000
3000
O primeiro problema é: por onde começar?
05:09
Because, you know, it's great for us, but badmau for humanshumanos.
125
294000
2000
Porque, sabem, é óptimo para nós, mas mau para os humanos.
05:11
We make a lot of mistakeserros in a lot of differentdiferente contextscontextos de.
126
296000
2000
Nós cometemos muitos erros em variados contextos.
05:13
You know, where are we actuallyna realidade going to startcomeçar with this?
127
298000
2000
Sabem, por onde é que íamos começar isto?
05:15
And because we startedcomeçado this work around the time of the financialfinanceiro collapsecolapso,
128
300000
3000
E porque começámos este projecto por altura do colapso financeiro,
05:18
around the time when foreclosuresForeclosures were hittingbatendo the newsnotícia,
129
303000
2000
na altura em que as hipotecas falidas começaram a ser faladas nas notícias,
05:20
we said, hhmmhhmm, maybe we should
130
305000
2000
pensámos, talvez devêssemos
05:22
actuallyna realidade startcomeçar in the financialfinanceiro domaindomínio.
131
307000
2000
começar no domínio financeiro.
05:24
Maybe we should look at monkey'sdo macaco economiceconômico decisionsdecisões
132
309000
3000
Talvez devêssemos estudar as decisões económicas dos macacos
05:27
and try to see if they do the samemesmo kindstipos of dumbburro things that we do.
133
312000
3000
e ver se eles fazem o mesmo tipo de coisas estúpidas que nós fazemos.
05:30
Of coursecurso, that's when we hitacertar a sortordenar secondsegundo problemproblema --
134
315000
2000
Claro, foi nessa altura que surgiu um segundo problema --
05:32
a little bitpouco more methodologicalmetodológicas --
135
317000
2000
um pouco mais metodológico --
05:34
whichqual is that, maybe you guys don't know,
136
319000
2000
que é, talvez vocês não saibam,
05:36
but monkeysmacacos don't actuallyna realidade use moneydinheiro. I know, you haven'tnão tem metconheceu them.
137
321000
3000
os macacos não usam dinheiro. Eu sei que não os conhecem.
05:39
But this is why, you know, they're not in the queuefila behindatrás you
138
324000
2000
Mas é por isso que não os encontram na fila atrás de vocês
05:41
at the grocerymercearia storeloja or the ATMATM -- you know, they don't do this stuffcoisa.
139
326000
3000
na mercearia ou no multibanco -- sabem, eles não fazem estas coisas.
05:44
So now we facedenfrentou, you know, a little bitpouco of a problemproblema here.
140
329000
3000
Então deparámo-nos com um pequeno problema aqui.
05:47
How are we actuallyna realidade going to askpergunte monkeysmacacos about moneydinheiro
141
332000
2000
Como é que vamos perguntar aos macacos acerca de dinheiro
05:49
if they don't actuallyna realidade use it?
142
334000
2000
se eles não o utilizam?
05:51
So we said, well, maybe we should just, actuallyna realidade just suckchupar it up
143
336000
2000
Então dissemos, talvez devêssemos, simplesmente,
05:53
and teachEnsinar monkeysmacacos how to use moneydinheiro.
144
338000
2000
ensinar os macacos a usar dinheiro.
05:55
So that's just what we did.
145
340000
2000
E foi isso mesmo que fizémos.
05:57
What you're looking at over here is actuallyna realidade the first unitunidade that I know of
146
342000
3000
O que estão a ver aqui é, na realidade, a primeira unidade, ao que sei,
06:00
of non-humannão humano currencymoeda.
147
345000
2000
de dinheiro não-humano.
06:02
We weren'tnão foram very creativecriativo at the time we startedcomeçado these studiesestudos,
148
347000
2000
Não fomos muito criativos quando começámos estas experiências,
06:04
so we just calledchamado it a tokentoken de.
149
349000
2000
por isso chamámos-lhe apenas moeda.
06:06
But this is the unitunidade of currencymoeda that we'venós temos taughtensinado our monkeysmacacos at YaleYale
150
351000
3000
Mas esta é a unidade monetária que ensinámos aos nossos macacos, em Yale,
06:09
to actuallyna realidade use with humanshumanos,
151
354000
2000
a usar com os humanos,
06:11
to actuallyna realidade buyComprar differentdiferente piecespeças of foodComida.
152
356000
3000
para comprar diferentes peças de comida.
06:14
It doesn't look like much -- in factfacto, it isn't like much.
153
359000
2000
Não parece muito -- de facto, não é grande coisa.
06:16
Like mosta maioria of our moneydinheiro, it's just a piecepeça of metalmetal.
154
361000
2000
Tal como a maior parte do nosso dinheiro, é simplesmente uma peça de metal.
06:18
As those of you who'vequem tem takenocupado currenciesmoedas home from your tripviagem know,
155
363000
3000
Assim como muitos de vocês que trouxeram dinheiro para casa das viagens sabem,
06:21
onceuma vez you get home, it's actuallyna realidade prettybonita uselesssem utilidade.
156
366000
2000
quando chegam a casa, é inútil.
06:23
It was uselesssem utilidade to the monkeysmacacos at first
157
368000
2000
Era inútil para os macacos no início
06:25
before they realizedpercebi what they could do with it.
158
370000
2000
antes de eles se aperceberem do que podiam fazer com ele.
06:27
When we first gavedeu it to them in theirdeles enclosurescercos,
159
372000
2000
Quando inicialmente lhes demos as moedas, nos recintos,
06:29
they actuallyna realidade kindtipo of pickedescolhido them up, lookedolhou at them.
160
374000
2000
eles pegaram nelas, olharam para elas.
06:31
They were these kindtipo of weirdesquisito things.
161
376000
2000
Eram coisas estranhas.
06:33
But very quicklyrapidamente, the monkeysmacacos realizedpercebi
162
378000
2000
Mas rapidamente, os macacos perceberam
06:35
that they could actuallyna realidade handmão these tokenstokens de over
163
380000
2000
que podiam dar estas moedas
06:37
to differentdiferente humanshumanos in the lablaboratório for some foodComida.
164
382000
3000
a humanos diferentes no laboratório, em troca de comida.
06:40
And so you see one of our monkeysmacacos, MaydayPedido de socorro, up here doing this.
165
385000
2000
Aqui vêem um dos nossos macacos, a Mayday, a fazer isto.
06:42
This is A and B are kindtipo of the pointspontos where she's sortordenar of a little bitpouco
166
387000
3000
Em A e B podem ver a fase em que ela está um pouco
06:45
curiouscurioso about these things -- doesn't know.
167
390000
2000
curiosa acerca destas coisas -- mas não sabe bem.
06:47
There's this waitingesperando handmão from a humanhumano experimenterexperimentador,
168
392000
2000
Ali está uma mão de um humano à espera,
06:49
and MaydayPedido de socorro quicklyrapidamente figuresfiguras out, apparentlypelo visto the humanhumano wants this.
169
394000
3000
e a Mayday rapidamente percebe que aparentemente o humano quer isto.
06:52
HandsMãos it over, and then getsobtém some foodComida.
170
397000
2000
Entrega-a, e então recebe comida.
06:54
It turnsgira out not just MaydayPedido de socorro, all of our monkeysmacacos get good
171
399000
2000
Ao que parece, não é só a Mayday, mas todos os nossos macacos se tornam excelentes
06:56
at tradingnegociação tokenstokens de with humanhumano salesmanvendedor.
172
401000
2000
a trocar moedas com os vendedores humanos.
06:58
So here'saqui está just a quickrápido videovídeo of what this looksparece like.
173
403000
2000
Aqui está um curto vídeo do que acontece.
07:00
Here'sAqui é MaydayPedido de socorro. She's going to be tradingnegociação a tokentoken de for some foodComida
174
405000
3000
Aqui está a Mayday. Ela vai trocar uma moeda por alguma comida
07:03
and waitingesperando happilyfelizes para sempre and gettingobtendo her foodComida.
175
408000
3000
espera contente e recebe a comida.
07:06
Here'sAqui é FelixFelix, I think. He's our alphaalfa malemasculino; he's a kindtipo of biggrande guy.
176
411000
2000
Aqui está o Felix, acho eu. É o nosso macho alfa; é um tipo grande.
07:08
But he too waitsEspera patientlypacientemente, getsobtém his foodComida and goesvai on.
177
413000
3000
Mas também ele espera pacientemente, recebe a comida e segue.
07:11
So the monkeysmacacos get really good at this.
178
416000
2000
Então os macacos tornam-se muito bons nisto.
07:13
They're surprisinglysurpreendentemente good at this with very little trainingTreinamento.
179
418000
3000
São surpreendentemente bons nisto, com muito pouco treino.
07:16
We just allowedpermitido them to pickescolher this up on theirdeles ownpróprio.
180
421000
2000
Simplesmente permitimos que eles descobrissem isto por eles próprios.
07:18
The questionquestão is: is this anything like humanhumano moneydinheiro?
181
423000
2000
A questão é: será que isto é alguma coisa parecida com dinheiro humano?
07:20
Is this a marketmercado at all,
182
425000
2000
Será isto um mercado,
07:22
or did we just do a weirdesquisito psychologist'sdo psicólogo tricktruque
183
427000
2000
ou será que fizemos um truque psicológico
07:24
by gettingobtendo monkeysmacacos to do something,
184
429000
2000
ao conseguir pôr macacos a fazer qualquer coisa
07:26
looking smartinteligente, but not really beingser smartinteligente.
185
431000
2000
que parece inteligente, mas não o é na verdade?
07:28
And so we said, well, what would the monkeysmacacos spontaneouslyespontaneamente do
186
433000
3000
Então dissemos, bem, o que fariam os macacos espontaneamente
07:31
if this was really theirdeles currencymoeda, if they were really usingusando it like moneydinheiro?
187
436000
3000
se esta fosse a sua moeda, se eles estivessem a usar isto como dinheiro real?
07:34
Well, you mightpoderia actuallyna realidade imagineImagine them
188
439000
2000
Bem, podem imaginá-los
07:36
to do all the kindstipos of smartinteligente things
189
441000
2000
a fazer todo o tipo de coisas inteligentes
07:38
that humanshumanos do when they startcomeçar exchangingtroca de moneydinheiro with eachcada other.
190
443000
3000
que os humanos fazem quando começam a trocar dinheiro uns com os outros.
07:41
You mightpoderia have them startcomeçar payingpagando attentionatenção to pricepreço,
191
446000
3000
Talvez comecem a prestar atenção a preços,
07:44
payingpagando attentionatenção to how much they buyComprar --
192
449000
2000
a prestar atenção a quanto compram --
07:46
sortordenar of keepingguardando trackpista of theirdeles monkeymacaco tokentoken de, as it were.
193
451000
3000
a prestar atenção a quantas moedas têm...
07:49
Do the monkeysmacacos do anything like this?
194
454000
2000
Os macacos fazem qualquer coisa como isto?
07:51
And so our monkeymacaco marketplacemercado was bornnascermos.
195
456000
3000
Foi assim que nasceu o nosso mercado para macacos.
07:54
The way this workstrabalho is that
196
459000
2000
Isto funciona da seguinte forma:
07:56
our monkeysmacacos normallynormalmente liveviver in a kindtipo of biggrande zoojardim zoológico socialsocial enclosuregabinete.
197
461000
3000
os nossos macacos normalmente vivem num grande recinto como num jardim zoológico.
07:59
When they get a hankeringdesejo ardente for some treatsTrata,
198
464000
2000
Quando eles sentem uma ânsia por guloseimas,
08:01
we actuallyna realidade allowedpermitido them a way out
199
466000
2000
permitimos que entrem
08:03
into a little smallermenor enclosuregabinete where they could enterentrar the marketmercado.
200
468000
2000
para um recinto mais pequeno onde podem entrar no mercado.
08:05
UponEm cima enteringentrando the marketmercado --
201
470000
2000
Quando entram no mercado --
08:07
it was actuallyna realidade a much more funDiversão marketmercado for the monkeysmacacos than mosta maioria humanhumano marketsmercados
202
472000
2000
é um mercado muito mais divertido para os macacos do que a maioria dos mercados humanos
08:09
because, as the monkeysmacacos enteredentrou the doorporta of the marketmercado,
203
474000
3000
porque assim que os macacos entravam pela porta do mercado,
08:12
a humanhumano would give them a biggrande walletcarteira fullcheio of tokenstokens de
204
477000
2000
um humano dava-lhes uma carteira grande cheia de moedas
08:14
so they could actuallyna realidade tradecomércio the tokenstokens de
205
479000
2000
para que pudessem trocar as moedas
08:16
with one of these two guys here --
206
481000
2000
com um destes dois tipos aqui --
08:18
two differentdiferente possiblepossível humanhumano salesmenvendedores
207
483000
2000
dois vendedores humanos possíveis
08:20
that they could actuallyna realidade buyComprar stuffcoisa from.
208
485000
2000
a quem eles podiam comprar coisas.
08:22
The salesmenvendedores were studentsalunos from my lablaboratório.
209
487000
2000
Os vendedores eram estudantes do meu laboratório.
08:24
They dressedvestido differentlydiferente; they were differentdiferente people.
210
489000
2000
Vestiam-se de forma diferente; eram pessoas diferentes.
08:26
And over time, they did basicallybasicamente the samemesmo thing
211
491000
3000
E ao longo do tempo eles faziam a mesma coisa
08:29
so the monkeysmacacos could learnaprender, you know,
212
494000
2000
para que os macacos pudessem aprender, sabem,
08:31
who soldvendido what at what pricepreço -- you know, who was reliableconfiável, who wasn'tnão foi, and so on.
213
496000
3000
quem vendia o quê a que preço -- sabem, quem era fiável, quem não era, e por aí fora.
08:34
And you can see that eachcada of the experimentersexperimentadores
214
499000
2000
E podem ver que cada um dos investigadores
08:36
is actuallyna realidade holdingsegurando up a little, yellowamarelo foodComida dishprato.
215
501000
3000
segura um pequeno prato amarelo
08:39
and that's what the monkeymacaco can for a singlesolteiro tokentoken de.
216
504000
2000
e isso é o que o macaco pode obter por uma moeda.
08:41
So everything costscusta one tokentoken de,
217
506000
2000
Tudo custa uma moeda,
08:43
but as you can see, sometimesas vezes tokenstokens de buyComprar more than othersoutras,
218
508000
2000
mas como podem ver, às vezes as moedas podem comprar mais que outras vezes,
08:45
sometimesas vezes more grapesuvas than othersoutras.
219
510000
2000
às vezes mais uvas que outras.
08:47
So I'll showexposição you a quickrápido videovídeo of what this marketplacemercado actuallyna realidade looksparece like.
220
512000
3000
Então, vou mostrar-vos um pequeno vídeo do como este mercado funciona.
08:50
Here'sAqui é a monkey-eye-viewmacaco-olho-vista. MonkeysMacacos are shortermais curta, so it's a little shortcurto.
221
515000
3000
Aqui está a vista da altura de um macaco. Eles são pequenos, por isso é pequeno.
08:53
But here'saqui está HoneyQuerida.
222
518000
2000
Aqui está a Honey.
08:55
She's waitingesperando for the marketmercado to openaberto a little impatientlyimpacientemente.
223
520000
2000
Ela está à espera que o mercado abra um pouco impacientemente.
08:57
All of a suddende repente the marketmercado opensabre. Here'sAqui é her choiceescolha: one grapesuvas or two grapesuvas.
224
522000
3000
De repente, o mercado abre. Aqui está a escolha dela: uma ou duas uvas.
09:00
You can see HoneyQuerida, very good marketmercado economisteconomista,
225
525000
2000
Podem ver que a Honey, muito boa economista de mercado,
09:02
goesvai with the guy who gives more.
226
527000
3000
vai com o vendedor que dá mais.
09:05
She could teachEnsinar our financialfinanceiro advisersconselheiros a fewpoucos things or two.
227
530000
2000
Ela poderia ensinar os nossos assessores financeiros uma ou duas coisas.
09:07
So not just HoneyQuerida,
228
532000
2000
Não só a Honey,
09:09
mosta maioria of the monkeysmacacos wentfoi with guys who had more.
229
534000
3000
a maioria dos macacos preferiram o vendedor que dava mais.
09:12
MostMaioria of the monkeysmacacos wentfoi with guys who had better foodComida.
230
537000
2000
A maioria dos macacos preferia vendedores com comida melhor.
09:14
When we introducedintroduziu salesvendas, we saw the monkeysmacacos paidpago attentionatenção to that.
231
539000
3000
Quando apresentámos saldos, vimos que os macacos prestaram atenção a isso.
09:17
They really caredcuidei about theirdeles monkeymacaco tokentoken de dollardólar.
232
542000
3000
Eles realmente cuidavam do seu dinheiro de macaco.
09:20
The more surprisingsurpreendente thing was that when we collaboratedcolaborou with economistseconomistas
233
545000
3000
O mais surpreendente foi que quando colaborámos com economistas
09:23
to actuallyna realidade look at the monkeys'dos macacos datadados usingusando economiceconômico toolsFerramentas,
234
548000
3000
para analisar os resultados dos macacos a utilizarem ferramentas económicas,
09:26
they basicallybasicamente matchedcoincide, not just qualitativelyqualitativamente,
235
551000
3000
basicamente eles correspondiam, não só qualitativamente
09:29
but quantitativelyquantitativamente with what we saw
236
554000
2000
mas também quantitativamente ao que observámos
09:31
humanshumanos doing in a realreal marketmercado.
237
556000
2000
humanos a fazer num mercado real.
09:33
So much so that, if you saw the monkeys'dos macacos numbersnúmeros,
238
558000
2000
De tal forma que, se vissem os dados dos macacos,
09:35
you couldn'tnão podia tell whetherse they cameveio from a monkeymacaco or a humanhumano in the samemesmo marketmercado.
239
560000
3000
não dava para perceber se tinham vindo de um macaco ou de um humano no mesmo mercado.
09:38
And what we'dqua really thought we'dqua donefeito
240
563000
2000
E o que achámos que tínhamos feito
09:40
is like we'dqua actuallyna realidade introducedintroduziu something
241
565000
2000
foi como que introduzir qualquer coisa
09:42
that, at leastpelo menos for the monkeysmacacos and us,
242
567000
2000
que, pelo menos para os macacos e para nós,
09:44
workstrabalho like a realreal financialfinanceiro currencymoeda.
243
569000
2000
funciona como um mercado financeiro real.
09:46
QuestionPergunta is: do the monkeysmacacos startcomeçar messinga brincar up in the samemesmo waysmaneiras we do?
244
571000
3000
A questão é: será que os macacos começam a errar da mesma forma que nós?
09:49
Well, we already saw anecdotallyCuriosamente a couplecasal of signssinais that they mightpoderia.
245
574000
3000
Bem, já vimos alguns sinais de que provavelmente sim.
09:52
One thing we never saw in the monkeymacaco marketplacemercado
246
577000
2000
Uma coisa que nunca vimos no mercado de macacos
09:54
was any evidenceevidência of savingsalvando --
247
579000
2000
foi qualquer indício de poupanças --
09:56
you know, just like our ownpróprio speciesespécies.
248
581000
2000
sabem, como na nossa espécie.
09:58
The monkeysmacacos enteredentrou the marketmercado, spentgasto theirdeles entireinteira budgetdespesas
249
583000
2000
Os macacos entraram no mercado, gastaram o seu fundo na totalidade
10:00
and then wentfoi back to everyonetodos elseoutro.
250
585000
2000
e dopois voltaram para a colónia.
10:02
The other thing we alsoAlém disso spontaneouslyespontaneamente saw,
251
587000
2000
Outra coisa que também observámos espontaneamente,
10:04
embarrassinglyembaraçosamente enoughsuficiente,
252
589000
2000
vergonhosamente,
10:06
is spontaneousespontâneo evidenceevidência of larcenyfurto.
253
591000
2000
é evidências de roubo.
10:08
The monkeysmacacos would rip-offRip-off the tokenstokens de at everycada availableacessível opportunityoportunidade --
254
593000
3000
Os macacos larapiavam as moedas a qualquer oportunidade --
10:11
from eachcada other, oftenfrequentemente from us --
255
596000
2000
uns dos outros, de nós --
10:13
you know, things we didn't necessarilynecessariamente think we were introducingintroduzindo,
256
598000
2000
sabem, coisas que não pensámos que estivéssemos a introduzir,
10:15
but things we spontaneouslyespontaneamente saw.
257
600000
2000
mas coisas que surgiram espontaneamente.
10:17
So we said, this looksparece badmau.
258
602000
2000
Então dissémos, isto vai mal.
10:19
Can we actuallyna realidade see if the monkeysmacacos
259
604000
2000
Poderemos ver se os macacos
10:21
are doing exactlyexatamente the samemesmo dumbburro things as humanshumanos do?
260
606000
3000
fazem exactamente as mesmas coisas estúpidas que os humanos fazem?
10:24
One possibilitypossibilidade is just kindtipo of let
261
609000
2000
Uma possibilidade é simplesmente deixar
10:26
the monkeymacaco financialfinanceiro systemsistema playToque out,
262
611000
2000
o sistema financeiro dos macacos desenvolver-se,
10:28
you know, see if they startcomeçar callingligando us for bailoutssalvamentos in a fewpoucos yearsanos.
263
613000
2000
sabem, para ver se eles começam a pedir-nos ajudas financeiras daqui a uns anos.
10:30
We were a little impatientimpaciente so we wanted
264
615000
2000
Somos um pouco impacientes, por isso queríamos
10:32
to sortordenar of speedRapidez things up a bitpouco.
265
617000
2000
apressar as coisas um bocadinho.
10:34
So we said, let's actuallyna realidade give the monkeysmacacos
266
619000
2000
Então dissemos, vamos dar aos macacos
10:36
the samemesmo kindstipos of problemsproblemas
267
621000
2000
os mesmos tipos de problemas
10:38
that humanshumanos tendtende to get wrongerrado
268
623000
2000
que os humanos têm tendência para cometer,
10:40
in certaincerto kindstipos of economiceconômico challengesdesafios,
269
625000
2000
em alguns tipos de desafios económicos,
10:42
or certaincerto kindstipos of economiceconômico experimentsexperiências.
270
627000
2000
ou em certas experiências económicas.
10:44
And so, sinceDesde a the bestmelhor way to see how people go wrongerrado
271
629000
3000
E como a melhor forma de ver como as pessoas erram
10:47
is to actuallyna realidade do it yourselfvocê mesmo,
272
632000
2000
é cometer o erro por vocês próprios,
10:49
I'm going to give you guys a quickrápido experimentexperimentar
273
634000
2000
vou apresentar-vos uma pequena experiência
10:51
to sortordenar of watch your ownpróprio financialfinanceiro intuitionsintuições in actionaçao.
274
636000
2000
para ver as vossas intuições financeiras em acção.
10:53
So imagineImagine that right now
275
638000
2000
Imaginem que agora mesmo
10:55
I handedentregue eachcada and everycada one of you
276
640000
2000
dei a cada um de vocês
10:57
a thousandmil U.S. dollarsdólares -- so 10 crispbatata frita hundredcem dollardólar billscontas.
277
642000
3000
mil dólares - dez notas novinhas de cem dólares.
11:00
Take these, put it in your walletcarteira
278
645000
2000
Ponham estas notas na carteira
11:02
and spendgastar a secondsegundo thinkingpensando about what you're going to do with it.
279
647000
2000
e imaginem por uns momentos o que vão fazer com o dinheiro.
11:04
Because it's yoursSua now; you can buyComprar whatevertanto faz you want.
280
649000
2000
Porque é vosso, agora; podem comprar o que quiserem.
11:06
DonateDoar it, take it, and so on.
281
651000
2000
Doá-lo, gastá-lo, e por aí fora.
11:08
SoundsSons great, but you get one more choiceescolha to earnGanhe a little bitpouco more moneydinheiro.
282
653000
3000
Parece excelente, mas têm mais uma oportunidade de ganhar um pouco mais de dinheiro.
11:11
And here'saqui está your choiceescolha: you can eitherou be riskyarriscado,
283
656000
3000
E aqui está a vossa escolha: podem arriscar,
11:14
in whichqual casecaso I'm going to flipgiro one of these monkeymacaco tokenstokens de.
284
659000
2000
e nesse caso, vou lançar esta moeda de macaco ao ar.
11:16
If it comesvem up headscabeças, you're going to get a thousandmil dollarsdólares more.
285
661000
2000
Se sair caras, ganham mais mil dólares.
11:18
If it comesvem up tailscaudas, you get nothing.
286
663000
2000
Se sair coroas, não ganham nada.
11:20
So it's a chancechance to get more, but it's prettybonita riskyarriscado.
287
665000
3000
Portanto é uma possibilidade de ganhar mais, mas é bastante arriscado.
11:23
Your other optionopção is a bitpouco safeseguro. Your just going to get some moneydinheiro for sure.
288
668000
3000
A vossa outra opção é mais segura. Vão apenas receber mais dinheiro, de certeza.
11:26
I'm just going to give you 500 bucksdólares.
289
671000
2000
Vou-vos dar simplesmente 500 dólares.
11:28
You can stickbastão it in your walletcarteira and use it immediatelyimediatamente.
290
673000
3000
Podem enfiá-los na carteira e usá-los imediatamente.
11:31
So see what your intuitionintuição is here.
291
676000
2000
Pensem um pouco o que é a vossa intuição aqui.
11:33
MostMaioria people actuallyna realidade go with the play-it-safesegura-lo-jogo optionopção.
292
678000
3000
A maioria das pessoas optam pela opção segura.
11:36
MostMaioria people say, why should I be riskyarriscado when I can get 1,500 dollarsdólares for sure?
293
681000
3000
A maioria das pessoas dizem, porquê arriscar se posso obter 1500 dólares de certeza?
11:39
This seemsparece like a good betaposta. I'm going to go with that.
294
684000
2000
Parece uma boa aposta. Vou optar por essa.
11:41
You mightpoderia say, ehNão é, that's not really irrationalirracional.
295
686000
2000
Poderão dizer, ei, isso não é irracional.
11:43
People are a little risk-averseaversão ao risco. So what?
296
688000
2000
As pessoas têm tendência para não gostar de arriscar. E depois?
11:45
Well, the "so what?" comesvem when startcomeçar thinkingpensando
297
690000
2000
Bem, o "e depois?" explica-se quando começamos a pensar
11:47
about the samemesmo problemproblema
298
692000
2000
acerca do mesmo problema
11:49
setconjunto up just a little bitpouco differentlydiferente.
299
694000
2000
explicado de uma forma um pouco diferente.
11:51
So now imagineImagine that I give eachcada and everycada one of you
300
696000
2000
Imaginem que eu vos dou a cada um
11:53
2,000 dollarsdólares -- 20 crispbatata frita hundredcem dollardólar billscontas.
301
698000
3000
2000 dólares -- vinte notas novinhas de 100 dólares.
11:56
Now you can buyComprar doubleDuplo to stuffcoisa you were going to get before.
302
701000
2000
Agora podem comprar o dobro das coisas que podiam comprar antes.
11:58
Think about how you'dvocê gostaria feel stickingaderindo it in your walletcarteira.
303
703000
2000
Pensem no que sentiriam ao pôr esse dinheiro na carteira.
12:00
And now imagineImagine that I have you make anotheroutro choiceescolha
304
705000
2000
E agora imaginem que vão ter de fazer outra escolha.
12:02
But this time, it's a little bitpouco worsepior.
305
707000
2000
Mas desta vez, é um pouco pior.
12:04
Now, you're going to be decidingdecidindo how you're going to loseperder moneydinheiro,
306
709000
3000
Agora, vão decidir como preferem perder dinheiro,
12:07
but you're going to get the samemesmo choiceescolha.
307
712000
2000
mas vão ter de escolher das mesmas opções.
12:09
You can eitherou take a riskyarriscado lossperda --
308
714000
2000
Podem escolher arriscar uma perda maior --
12:11
so I'll flipgiro a coinmoeda. If it comesvem up headscabeças, you're going to actuallyna realidade loseperder a lot.
309
716000
3000
eu lanço a moeda ao ar. Se calhar caras, vão perder bastante.
12:14
If it comesvem up tailscaudas, you loseperder nothing, you're fine, get to keep the wholetodo thing --
310
719000
3000
Se calhar coroas, não perdem nada, podem guardar tudo --
12:17
or you could playToque it safeseguro, whichqual meanssignifica you have to reachalcance back into your walletcarteira
311
722000
3000
ou podem jogar pelo seguro, o que significa que têm que ir à vossa carteira
12:20
and give me fivecinco of those $100 billscontas, for certaincerto.
312
725000
3000
e dar-me cinco dessas notas de 100 dólares, de certeza.
12:23
And I'm seeingvendo a lot of furrowedsulcada browssobrancelhas out there.
313
728000
3000
E estou a ver muitas sobrancelhas franzidas por aí.
12:26
So maybe you're havingtendo the samemesmo intuitionsintuições
314
731000
2000
Por isso, talvez tenham a mesma intuição
12:28
as the subjectsassuntos that were actuallyna realidade testedtestado in this,
315
733000
2000
que os indivíduos que foram testados,
12:30
whichqual is when presentedapresentado with these optionsopções,
316
735000
2000
que é, quando apresentados com estas opções,
12:32
people don't chooseescolher to playToque it safeseguro.
317
737000
2000
as pessoas não escolhem jogar pelo seguro.
12:34
They actuallyna realidade tendtende to go a little riskyarriscado.
318
739000
2000
De facto, têm a tendência para arriscar um pouco.
12:36
The reasonrazão this is irrationalirracional is that we'venós temos givendado people in bothambos situationssituações
319
741000
3000
A razão porque isto é irracional é que demos às pessoas, em ambas as situações,
12:39
the samemesmo choiceescolha.
320
744000
2000
a mesma escolha.
12:41
It's a 50/50 shottiro of a thousandmil or 2,000,
321
746000
3000
É uma probabilidade de 50% de obter 1000 ou 2000.
12:44
or just 1,500 dollarsdólares with certaintycerteza.
322
749000
2000
ou apenas 1500 dólares de certeza.
12:46
But people'spovos intuitionsintuições about how much riskrisco to take
323
751000
3000
Mas as intuições das pessoas sobre que risco tomar
12:49
variesvaria dependingdependendo on where they startedcomeçado with.
324
754000
2000
depende da quantia com que começaram.
12:51
So what's going on?
325
756000
2000
Então, o que se passa aqui?
12:53
Well, it turnsgira out that this seemsparece to be the resultresultado
326
758000
2000
Bem, parece que é o resultado
12:55
of at leastpelo menos two biasestendências that we have at the psychologicalpsicológico levelnível.
327
760000
3000
de, pelo menos, duas tendências que temos a nível psicológico.
12:58
One is that we have a really hardDifícil time thinkingpensando in absoluteabsoluto termstermos.
328
763000
3000
Uma é que temos dificuldade em pensar em termos absolutos.
13:01
You really have to do work to figurefigura out,
329
766000
2000
Temos que trabalhar bastante para perceber
13:03
well, one option'sa opção a thousandmil, 2,000;
330
768000
2000
que uma opção é 1000 ou 2000;
13:05
one is 1,500.
331
770000
2000
e a outra opção é 1500.
13:07
InsteadEm vez disso, we find it very easyfácil to think in very relativerelativo termstermos
332
772000
3000
Pelo contrário, achamos muito fácil pensar em termos relativos
13:10
as optionsopções changemudança from one time to anotheroutro.
333
775000
3000
à medida que as opções se alteram de uma para a outra.
13:13
So we think of things as, "Oh, I'm going to get more," or "Oh, I'm going to get lessMenos."
334
778000
3000
Então pensamos em termos de "vou receber mais" ou "vou receber menos".
13:16
This is all well and good, exceptexceto that
335
781000
2000
E isto está tudo muito bem, excepto que
13:18
changesalterar in differentdiferente directionsinstruções
336
783000
2000
mudanças em direcções diferentes
13:20
actuallyna realidade effectefeito whetherse or not we think
337
785000
2000
afectam, na realidade, o nosso pensamento acerca
13:22
optionsopções are good or not.
338
787000
2000
das nossas opções serem boas ou não.
13:24
And this leadsconduz to the secondsegundo biasviés,
339
789000
2000
E isto leva à segunda tendência,
13:26
whichqual economistseconomistas have calledchamado lossperda aversionaversão.
340
791000
2000
que os economistas chamam de aversão à perda.
13:28
The ideaidéia is that we really hateódio it when things go into the redvermelho.
341
793000
3000
A ideia é que nós detestamos quando o nosso saldo é negativo.
13:31
We really hateódio it when we have to loseperder out on some moneydinheiro.
342
796000
2000
Detestamos quando temos de perder algum dinheiro.
13:33
And this meanssignifica that sometimesas vezes we'llbem actuallyna realidade
343
798000
2000
E isto significa que, às vezes,
13:35
switchinterruptor our preferencespreferências to avoidevitar this.
344
800000
2000
mudamos as nossas preferências para evitar isso.
13:37
What you saw in that last scenariocenário is that
345
802000
2000
O que observaram no segundo cenário foi que
13:39
subjectsassuntos get riskyarriscado
346
804000
2000
os sujeitos arriscam mais
13:41
because they want the smallpequeno shottiro that there won'tnão vai be any lossperda.
347
806000
3000
porque querem aquela pequena chance de que não perderão nada.
13:44
That meanssignifica when we're in a riskrisco mindsetmentalidade --
348
809000
2000
Isto significa que quando estamos numa mentalidade de risco --
13:46
excuseDesculpa me, when we're in a lossperda mindsetmentalidade,
349
811000
2000
desculpem, quando estamos numa mentalidade de perda,
13:48
we actuallyna realidade becometornar-se more riskyarriscado,
350
813000
2000
tornamo-nos mais propensos ao risco,
13:50
whichqual can actuallyna realidade be really worryingpreocupante.
351
815000
2000
o que pode ser verdadeiramente preocupante.
13:52
These kindstipos of things playToque out in lots of badmau waysmaneiras in humanshumanos.
352
817000
3000
Este tipo de coisas desenvolve-se negativamente de várias formas em humanos.
13:55
They're why stockestoque investorsinvestidores holdaguarde ontopara losingperdendo stocksestoques longermais longo --
353
820000
3000
É por isto que os investidores da bolsa conservam acções em queda por mais tempo --
13:58
because they're evaluatingavaliando them in relativerelativo termstermos.
354
823000
2000
porque as estão a avaliar em termos relativos.
14:00
They're why people in the housinghabitação marketmercado refusedrecusou-se to sellvender theirdeles housecasa --
355
825000
2000
É por isto que as pessoas no mercado imobiliário se recusam a vender a sua casa --
14:02
because they don't want to sellvender at a lossperda.
356
827000
2000
porque não querem perder dinheiro com a venda.
14:04
The questionquestão we were interestedinteressado in
357
829000
2000
A questão em que estávamos interessados
14:06
is whetherse the monkeysmacacos showexposição the samemesmo biasestendências.
358
831000
2000
é se os macacos têm as mesmas tendências.
14:08
If we setconjunto up those samemesmo scenarioscenários in our little monkeymacaco marketmercado,
359
833000
3000
Se estabelecêssemos os mesmos cenários no nosso mercado de macacos,
14:11
would they do the samemesmo thing as people?
360
836000
2000
fariam eles as mesmas coisas que as pessoas?
14:13
And so this is what we did, we gavedeu the monkeysmacacos choicesescolhas
361
838000
2000
E foi isto que fizémos, demos aos macacos opções
14:15
betweenentre guys who were safeseguro -- they did the samemesmo thing everycada time --
362
840000
3000
entre vendedores que eram seguros -- faziam a mesma coisa o tempo todo --
14:18
or guys who were riskyarriscado --
363
843000
2000
ou vendedores que eram arriscados --
14:20
they did things differentlydiferente halfmetade the time.
364
845000
2000
faziam as coisas de maneira diferente metade do tempo.
14:22
And then we gavedeu them optionsopções that were bonusesbônus --
365
847000
2000
Mais ainda, demos-lhe opções que eram bónus --
14:24
like you guys did in the first scenariocenário --
366
849000
2000
como vocês fizeram no primeiro cenário --
14:26
so they actuallyna realidade have a chancechance more,
367
851000
2000
portanto eles têm oportunidade de ganhar mais,
14:28
or piecespeças where they were experiencingexperimentando lossesperdas --
368
853000
3000
ou opções em que eles sofriam perdas --
14:31
they actuallyna realidade thought they were going to get more than they really got.
369
856000
2000
eles pensavam que iam receber mais do que realmente receberam.
14:33
And so this is what this looksparece like.
370
858000
2000
E isto é o que acontece.
14:35
We introducedintroduziu the monkeysmacacos to two newNovo monkeymacaco salesmenvendedores.
371
860000
2000
Apresentámos aos macacos dois novos vendedores.
14:37
The guy on the left and right bothambos startcomeçar with one piecepeça of grapeuva,
372
862000
2000
Os vendedores da esquerda e da direita começam ambos com uma uva,
14:39
so it looksparece prettybonita good.
373
864000
2000
por isso parece bastante bom.
14:41
But they're going to give the monkeysmacacos bonusesbônus.
374
866000
2000
Mas eles vão dar aos macacos um bónus.
14:43
The guy on the left is a safeseguro bonusbônus.
375
868000
2000
O vendedor da esquerda é um bónus seguro.
14:45
All the time, he addsacrescenta one, to give the monkeysmacacos two.
376
870000
3000
O tempo todo, ele adiciona uma uva e dá ao macaco duas.
14:48
The guy on the right is actuallyna realidade a riskyarriscado bonusbônus.
377
873000
2000
O vendedor da direita é o bónus arriscado.
14:50
SometimesÀs vezes the monkeysmacacos get no bonusbônus -- so this is a bonusbônus of zerozero.
378
875000
3000
Às vezes os macacos não recebem bónus -- isto é um bónus de zero.
14:53
SometimesÀs vezes the monkeysmacacos get two extraextra.
379
878000
3000
E às vezes os macacos recebem dois extra.
14:56
For a biggrande bonusbônus, now they get threetrês.
380
881000
2000
Para o bónus grande, agora recebem três uvas.
14:58
But this is the samemesmo choiceescolha you guys just facedenfrentou.
381
883000
2000
Esta é a mesma escolha que vocês enfrentaram.
15:00
Do the monkeysmacacos actuallyna realidade want to playToque it safeseguro
382
885000
3000
Será que os macacos jogam pelo seguro
15:03
and then go with the guy who'squem é going to do the samemesmo thing on everycada trialtentativas,
383
888000
2000
e compram do vendedor que faz sempre a mesma coisa em cada ensaio,
15:05
or do they want to be riskyarriscado
384
890000
2000
ou quererão eles arriscar
15:07
and try to get a riskyarriscado, but biggrande, bonusbônus,
385
892000
2000
e tentar obter um arriscado mas grande bónus,
15:09
but riskrisco the possibilitypossibilidade of gettingobtendo no bonusbônus.
386
894000
2000
mas arriscar a possibilidade de não obter nenhum bónus?
15:11
People here playedreproduziu it safeseguro.
387
896000
2000
As pessoas aqui jogaram pelo seguro.
15:13
TurnsSe transforma out, the monkeysmacacos playToque it safeseguro too.
388
898000
2000
Acontece que os macacos também jogam pelo seguro.
15:15
QualitativelyQualitativamente and quantitativelyquantitativamente,
389
900000
2000
Qualitativamente e quantitativamente,
15:17
they chooseescolher exactlyexatamente the samemesmo way as people,
390
902000
2000
eles escolhem exactamente da mesma forma que as pessoas,
15:19
when testedtestado in the samemesmo thing.
391
904000
2000
quando testadas na mesma coisa.
15:21
You mightpoderia say, well, maybe the monkeysmacacos just don't like riskrisco.
392
906000
2000
Poderão dizer, bem, talvez os macacos simplesmente não gostem de risco.
15:23
Maybe we should see how they do with lossesperdas.
393
908000
2000
Talvez devêssemos ver como lidam com perdas.
15:25
And so we rancorreu a secondsegundo versionversão of this.
394
910000
2000
E então, implementámos a segunda versão disto.
15:27
Now, the monkeysmacacos meetConheça two guys
395
912000
2000
Agora, os macacos encontram dois vendedores
15:29
who aren'tnão são givingdando them bonusesbônus;
396
914000
2000
que não lhes dão bónus;
15:31
they're actuallyna realidade givingdando them lessMenos than they expectEspero.
397
916000
2000
dão-lhes menos do que esperam.
15:33
So they look like they're startinginiciando out with a biggrande amountmontante.
398
918000
2000
Então, parece que começam com uma quantidade grande.
15:35
These are threetrês grapesuvas; the monkey'sdo macaco really psychedempolgado for this.
399
920000
2000
Começam com três uvas; os macacos ficam todos entusiasmados com isto.
15:37
But now they learnaprender these guys are going to give them lessMenos than they expectEspero.
400
922000
3000
Mas agora, eles aprendem que os vendedores lhes vão dar menos que o esperado.
15:40
They guy on the left is a safeseguro lossperda.
401
925000
2000
O vendedor da esquerda é uma perda segura.
15:42
EveryCada singlesolteiro time, he's going to take one of these away
402
927000
3000
De cada vez, ele vai retirar uma uva
15:45
and give the monkeysmacacos just two.
403
930000
2000
e dá ao macaco apenas duas uvas.
15:47
the guy on the right is the riskyarriscado lossperda.
404
932000
2000
O vendedor da direita é a perda arriscada.
15:49
SometimesÀs vezes he gives no lossperda, so the monkeysmacacos are really psychedempolgado,
405
934000
3000
Às vezes não há perda nenhuma, por isso os macacos ficam todos contentes,
15:52
but sometimesas vezes he actuallyna realidade gives a biggrande lossperda,
406
937000
2000
mas às vezes ele administra uma perda grande,
15:54
takinglevando away two to give the monkeysmacacos only one.
407
939000
2000
retirando duas, e dando ao macaco apenas uma uva.
15:56
And so what do the monkeysmacacos do?
408
941000
2000
E, então, o que é que os macacos fazem?
15:58
Again, samemesmo choiceescolha; they can playToque it safeseguro
409
943000
2000
Mais uma vez, a mesma escolha; podem jogar pelo seguro
16:00
for always gettingobtendo two grapesuvas everycada singlesolteiro time,
410
945000
3000
e receber sempre duas uvas de cada vez,
16:03
or they can take a riskyarriscado betaposta and chooseescolher betweenentre one and threetrês.
411
948000
3000
ou podem escolher a aposta arriscada e obter uma uva ou três.
16:06
The remarkablenotável thing to us is that, when you give monkeysmacacos this choiceescolha,
412
951000
3000
A observação extraordinária para nós é que, quando damos esta escolha aos macacos,
16:09
they do the samemesmo irrationalirracional thing that people do.
413
954000
2000
eles fazem a mesma coisa irracional que as pessoas fazem.
16:11
They actuallyna realidade becometornar-se more riskyarriscado
414
956000
2000
Eles tornam-se mais propensos a arriscar,
16:13
dependingdependendo on how the experimentersexperimentadores startedcomeçado.
415
958000
3000
dependendo de como os investigadores começaram.
16:16
This is crazylouco because it suggestssugere that the monkeysmacacos too
416
961000
2000
Isto é de loucos porque sugere que também os macacos
16:18
are evaluatingavaliando things in relativerelativo termstermos
417
963000
2000
estão a avaliar as coisas de forma relativa
16:20
and actuallyna realidade treatingtratando lossesperdas differentlydiferente than they treattratar gainsganhos.
418
965000
3000
e consideram perdas de forma diferente do que ganhos.
16:23
So what does all of this mean?
419
968000
2000
Então, o que significa isto tudo?
16:25
Well, what we'venós temos shownmostrando is that, first of all,
420
970000
2000
Bem, o que demonstrámos, primeiro que tudo,
16:27
we can actuallyna realidade give the monkeysmacacos a financialfinanceiro currencymoeda,
421
972000
2000
é que podemos dar aos macacos um sistema financeiro,
16:29
and they do very similarsemelhante things with it.
422
974000
2000
e eles fazem coisas muito semelhantes com ele.
16:31
They do some of the smartinteligente things we do,
423
976000
2000
Eles fazem as mesmas coisas inteligentes que nós fazemos,
16:33
some of the kindtipo of not so nicebom things we do,
424
978000
2000
algumas das coisas menos agradáveis que nós fazemos,
16:35
like stealroubar it and so on.
425
980000
2000
como roubar e por aí fora.
16:37
But they alsoAlém disso do some of the irrationalirracional things we do.
426
982000
2000
Mas eles também fazem algumas das coisas irracionais que nós fazemos.
16:39
They systematicallysistematicamente get things wrongerrado
427
984000
2000
Eles sistematicamente cometem os mesmos erros
16:41
and in the samemesmo waysmaneiras that we do.
428
986000
2000
e da mesma forma que nós os cometemos.
16:43
This is the first take-homeleve pra casa messagemensagem of the Talk,
429
988000
2000
Esta é a primeira mensagem desta palestra,
16:45
whichqual is that if you saw the beginningcomeçando of this and you thought,
430
990000
2000
que é que se viram o início disto e pensaram
16:47
oh, I'm totallytotalmente going to go home and hirecontratar a capuchinCapuchinhos monkeymacaco financialfinanceiro adviserConselheiro.
431
992000
2000
vou para casa e vou contratar um macaco-prego para meu assessor financeiro.
16:49
They're way cutermais bonito than the one at ... you know --
432
994000
2000
Eles são muito mais giros que os assessores do... sabem --
16:51
Don't do that; they're probablyprovavelmente going to be just as dumbburro
433
996000
2000
Não façam isso; eles vão ser provavelmente tão burros
16:53
as the humanhumano one you already have.
434
998000
3000
como o humano que têm agora.
16:56
So, you know, a little badmau -- Sorry, sorry, sorry.
435
1001000
2000
Por isso, é um pouco mau -- peço imensas sesculpas.
16:58
A little badmau for monkeymacaco investorsinvestidores.
436
1003000
2000
Um pouco mau para os investidores macacos.
17:00
But of coursecurso, you know, the reasonrazão you're laughingrindo is badmau for humanshumanos too.
437
1005000
3000
Mas obviamente, a razão porque se estão a rir é má para os humanos também.
17:03
Because we'venós temos answeredrespondidas the questionquestão we startedcomeçado out with.
438
1008000
3000
Porque respondemos à questão com que começámos.
17:06
We wanted to know where these kindstipos of errorserros cameveio from.
439
1011000
2000
Queriamos saber de onde vêm este tipo de erros.
17:08
And we startedcomeçado with the hopeesperança that maybe we can
440
1013000
2000
E começámos com a esperança de talvez podermos
17:10
sortordenar of tweakTweak our financialfinanceiro institutionsinstituições,
441
1015000
2000
ajustar as nossas instituições financeiras,
17:12
tweakTweak our technologiestecnologias to make ourselvesnós mesmos better.
442
1017000
3000
ajustar as nossas tecnologias para nos melhorarmos.
17:15
But what we'venós temos learnaprender is that these biasestendências mightpoderia be a deeperDeeper partparte of us than that.
443
1020000
3000
Mas o que aprendemos é que estas tendências podem ser mais profundas que isso.
17:18
In factfacto, they mightpoderia be duevencimento to the very naturenatureza
444
1023000
2000
De facto, elas podem ser devidas à própria natureza
17:20
of our evolutionaryevolutivo historyhistória.
445
1025000
2000
da nossa história evolutiva.
17:22
You know, maybe it's not just humanshumanos
446
1027000
2000
Sabem, talvez não sejam só os humanos
17:24
at the right sidelado of this chaincadeia that's dunceyduncey.
447
1029000
2000
deste lado da cadeia de ignorância.
17:26
Maybe it's sortordenar of dunceyduncey all the way back.
448
1031000
2000
Talvez a cadeia seja ignorante desde o princípio.
17:28
And this, if we believe the capuchinCapuchinhos monkeymacaco resultsresultados,
449
1033000
3000
E isto, se acreditarmos nos resultados dos macacos-prego,
17:31
meanssignifica that these dunceyduncey strategiesestratégias
450
1036000
2000
significa que estas estratégias ignorantes
17:33
mightpoderia be 35 millionmilhão yearsanos oldvelho.
451
1038000
2000
poderão ter pelo menos 35 milhões de anos.
17:35
That's a long time for a strategyestratégia
452
1040000
2000
Isso é muito tempo para uma estratégia
17:37
to potentiallypotencialmente get changedmudou around -- really, really oldvelho.
453
1042000
3000
ser potencialmente alterada -- muito, muito velha.
17:40
What do we know about other oldvelho strategiesestratégias like this?
454
1045000
2000
O que é que sabemos acerca de outras estratégias como esta?
17:42
Well, one thing we know is that they tendtende to be really hardDifícil to overcomesuperar.
455
1047000
3000
Bem, uma coisa que sabemos é que elas são bastante difíceis de superar.
17:45
You know, think of our evolutionaryevolutivo predilectionpredileção
456
1050000
2000
Por exemplo, pensem na nossa predilecção evolutiva
17:47
for eatingcomendo sweetdoce things, fattygordos things like cheesecakebolo de queijo.
457
1052000
3000
por comer coisas doces, coisas cheias de gordura como cheesecake.
17:50
You can't just shutfechar that off.
458
1055000
2000
Não conseguimos simplesmente desligar essa tendência.
17:52
You can't just look at the dessertsobremesa cartcarrinho as say, "No, no, no. That looksparece disgustingrepugnante to me."
459
1057000
3000
Não conseguimos simplesmente olhar para o carrinho de sobremesas e dizer "Não, não, não. Isso parece-me nojento."
17:55
We're just builtconstruído differentlydiferente.
460
1060000
2000
Pensamos simplesmente de maneira diferente.
17:57
We're going to perceiveperceber it as a good thing to go after.
461
1062000
2000
Vamos sempre olhar para sobremesas como uma coisa boa que devemos tentar obter.
17:59
My guessacho is that the samemesmo thing is going to be trueverdade
462
1064000
2000
A minha suposição é que o mesmo será verdade
18:01
when humanshumanos are perceivingpercebendo
463
1066000
2000
quando os humanos consideram
18:03
differentdiferente financialfinanceiro decisionsdecisões.
464
1068000
2000
diferentes decisões financeiras.
18:05
When you're watchingassistindo your stocksestoques plummetprumo into the redvermelho,
465
1070000
2000
À medida que vêem as vossas acções precipitarem-se para o negativo,
18:07
when you're watchingassistindo your housecasa pricepreço go down,
466
1072000
2000
quando vêem o preço da vossa casa descer vertiginosamente,
18:09
you're not going to be ablecapaz to see that
467
1074000
2000
não vão conseguir ver esses acontecimentos
18:11
in anything but oldvelho evolutionaryevolutivo termstermos.
468
1076000
2000
de qualquer outra forma que não a evolutiva.
18:13
This meanssignifica that the biasestendências
469
1078000
2000
Isto significa que as tendências
18:15
that leadconduzir investorsinvestidores to do badlyseriamente,
470
1080000
2000
que levaram os investidores a perdas,
18:17
that leadconduzir to the foreclosureexecução de hipoteca crisiscrise
471
1082000
2000
que levaram à crise hipotecária,
18:19
are going to be really hardDifícil to overcomesuperar.
472
1084000
2000
vão ser muito dificilmente superadas.
18:21
So that's the badmau newsnotícia. The questionquestão is: is there any good newsnotícia?
473
1086000
2000
Então, essas são as más notícias. A questão é: há notícias boas?
18:23
I'm supposedsuposto to be up here tellingdizendo you the good newsnotícia.
474
1088000
2000
Supostamente eu estou aqui em cima para vos dar as boas notícias.
18:25
Well, the good newsnotícia, I think,
475
1090000
2000
Bem, as boas notícias são, acho eu,
18:27
is what I startedcomeçado with at the beginningcomeçando of the Talk,
476
1092000
2000
aquilo com que eu comecei a palestra,
18:29
whichqual is that humanshumanos are not only smartinteligente;
477
1094000
2000
que é que os humanos são não só inteligentes;
18:31
we're really inspirationallyinspiradora smartinteligente
478
1096000
2000
mas nós somos mesmo inspiradoramente inteligentes
18:33
to the restdescansar of the animalsanimais in the biologicalbiológico kingdomreino.
479
1098000
3000
em relação ao resto dos animais do reino biológico.
18:36
We're so good at overcomingsuperação our biologicalbiológico limitationslimitações --
480
1101000
3000
Somos tão bons a superar as nossas limitações biológicas --
18:39
you know, I flewvoou over here in an airplaneavião.
481
1104000
2000
por exemplo, eu voei até aqui num avião.
18:41
I didn't have to try to flapaba my wingsasas.
482
1106000
2000
Não tive sequer que tentar bater as asas.
18:43
I'm wearingvestindo contactcontato lenseslentes now so that I can see all of you.
483
1108000
3000
Estou a usar lentes de contacto para que vos possa ver a todos.
18:46
I don't have to relycontar com on my ownpróprio near-sightednessNear-Sightedness.
484
1111000
3000
Não tenho que depender da minha miopia.
18:49
We actuallyna realidade have all of these casescasos
485
1114000
2000
Nós temos todos estes exemplos
18:51
where we overcomesuperar our biologicalbiológico limitationslimitações
486
1116000
3000
em que superámos as nossas limitações biológicas
18:54
throughatravés technologytecnologia and other meanssignifica, seeminglyaparentemente prettybonita easilyfacilmente.
487
1119000
3000
através de tecnologia e outros meios, de forma relativamente fácil.
18:57
But we have to recognizereconhecer that we have those limitationslimitações.
488
1122000
3000
Mas temos que reconhecer que temos essas limitações.
19:00
And here'saqui está the rubEsfregue.
489
1125000
2000
E aqui está o problema.
19:02
It was CamusCamus who onceuma vez said that, "Man is the only speciesespécies
490
1127000
2000
Foi Camus que disse "O Homem é a única espécie
19:04
who refusesrecusa-se to be what he really is."
491
1129000
3000
que se recusa a ser o que realmente é."
19:07
But the ironyironia is that
492
1132000
2000
Mas a ironia é que
19:09
it mightpoderia only be in recognizingreconhecendo our limitationslimitações
493
1134000
2000
poderá ser que apenas ao reconhecermos as nossas limitações
19:11
that we can really actuallyna realidade overcomesuperar them.
494
1136000
2000
que poderemos realmente superá-las.
19:13
The hopeesperança is that you all will think about your limitationslimitações,
495
1138000
3000
A esperança é que todos vocês pensem nas vossas limitações
19:16
not necessarilynecessariamente as unovercomableunovercomable,
496
1141000
3000
não necessariamente como insuperáveis,
19:19
but to recognizereconhecer them, acceptaceitar them
497
1144000
2000
mas reconhecê-las, aceitá-las
19:21
and then use the worldmundo of designdesenhar to actuallyna realidade figurefigura them out.
498
1146000
3000
e depois usar o mundo do design para as solucionar.
19:24
That mightpoderia be the only way that we will really be ablecapaz
499
1149000
3000
Essa poderá ser a única forma através da qual seremos capazes
19:27
to achievealcançar our ownpróprio humanhumano potentialpotencial
500
1152000
2000
de alcançar o nosso verdadeiro potencial humano
19:29
and really be the noblenobre speciesespécies we hopeesperança to all be.
501
1154000
3000
e verdadeiramente ser a espécie magnânima que todos esperamos ser.
19:32
Thank you.
502
1157000
2000
Obrigada.
19:34
(ApplauseAplausos)
503
1159000
5000
(Aplausos)
Translated by Inês Pereira
Reviewed by Sofia Nunes

▲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