TEDGlobal 2010
Laurie Santos: A monkey economy as irrational as ours
Laurie Santos: l'economia delle scimmie, irrazionale quanto la nostra.
Filmed:
Readability: 3.3
1,506,660 views
Laurie Santos cerca le radici dell'irrazionalità umana osservando come le scimmie Cebus Apella, nostre "parenti evolutivi" formulano le proprie decisioni. E in questo talk ci mostra, attraverso una serie di ingegnosi esperimenti, come uomini e scimmie siano inclini alle stesse scelte irrazionali.
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. Full bio
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 start my talk today with two observations
0
2000
2000
Voglio iniziare il mio intervento con due osservazioni
00:19
about the human species.
1
4000
2000
sulla specie umana.
00:21
The first observation is something that you might think is quite obvious,
2
6000
3000
La prima è una considerazione che potreste ritenere ovvia,
00:24
and that's that our species, Homo sapiens,
3
9000
2000
ed è che la nostra specie, Homo Sapiens,
00:26
is actually really, really smart --
4
11000
2000
è molto intelligente,
00:28
like, ridiculously smart --
5
13000
2000
assurdamente intelligente:
00:30
like you're all doing things
6
15000
2000
tutti voi fate cose
00:32
that no other species on the planet does right now.
7
17000
3000
che nessun'altra specie sul pianeta fa.
00:35
And this is, of course,
8
20000
2000
E questa non è certamente
00:37
not the first time you've probably recognized this.
9
22000
2000
la prima volta che lo notate:
00:39
Of course, in addition to being smart, we're also an extremely vain species.
10
24000
3000
oltre ad essere intelligente, infatti, la nostra è una specie
00:42
So we like pointing out the fact that we're smart.
11
27000
3000
estremamente presuntuosa. Ci piace mettere in risalto la nostra intelligenza.
00:45
You know, so I could turn to pretty much any sage
12
30000
2000
Potrei citare quasi ogni intellettuale,
00:47
from Shakespeare to Stephen Colbert
13
32000
2000
da Shakespeare a Stephen Colbert
00:49
to point out things like the fact that
14
34000
2000
per evidenziare concetti come il nostro essere
00:51
we're noble in reason and infinite in faculties
15
36000
2000
nobili nella ragione, infiniti nelle risorse,
00:53
and just kind of awesome-er than anything else on the planet
16
38000
2000
e più incredibili di ogni
00:55
when it comes to all things cerebral.
17
40000
3000
altra specie al mondo, sotto il profilo delle facoltà cerebrali.
00:58
But of course, there's a second observation about the human species
18
43000
2000
Ma c'è una seconda considerazione sulla specie umana
01:00
that I want to focus on a little bit more,
19
45000
2000
su cui voglio soffermarmi un po' di più,
01:02
and that's the fact that
20
47000
2000
ed è il fatto che
01:04
even though we're actually really smart, sometimes uniquely smart,
21
49000
3000
anche se siamo davvero intelligenti, a volte insuperabilmente intelligenti,
01:07
we can also be incredibly, incredibly dumb
22
52000
3000
possiamo anche rivelarci incredibilmente stupidi
01:10
when it comes to some aspects of our decision making.
23
55000
3000
in alcuni aspetti dei nostri processi decisionali.
01:13
Now I'm seeing lots of smirks out there.
24
58000
2000
Vedo già molte smorfie, tra il pubblico:
01:15
Don't worry, I'm not going to call anyone in particular out
25
60000
2000
non preoccupatevi, non chiederò conto a nessuno di voi
01:17
on any aspects of your own mistakes.
26
62000
2000
di alcun vostro errore personale.
01:19
But of course, just in the last two years
27
64000
2000
Certo è, tuttavia, che proprio negli ultimi due anni
01:21
we see these unprecedented examples of human ineptitude.
28
66000
3000
abbiamo visto esempi senza precedenti dell'inettitudine umana.
01:24
And we've watched as the tools we uniquely make
29
69000
3000
Abbiamo visto strumenti che solo noi creiamo
01:27
to pull the resources out of our environment
30
72000
2000
per estrarre le risorse dall'ambiente
01:29
kind of just blow up in our face.
31
74000
2000
esploderci in mano.
01:31
We've watched the financial markets that we uniquely create --
32
76000
2000
Abbiamo visto i mercati finanziari, che solo noi creiamo,
01:33
these markets that were supposed to be foolproof --
33
78000
3000
e che credevamo "a prova di idiota",
01:36
we've watched them kind of collapse before our eyes.
34
81000
2000
crollare davanti ai nostri occhi.
01:38
But both of these two embarrassing examples, I think,
35
83000
2000
Ma questi due esempi imbarazzanti, a mio avviso,
01:40
don't highlight what I think is most embarrassing
36
85000
3000
non mettono in evidenza l'aspetto che considero più imbarazzante
01:43
about the mistakes that humans make,
37
88000
2000
degli errori umani.
01:45
which is that we'd like to think that the mistakes we make
38
90000
3000
Ci piacerebbe pensare che i nostri errori
01:48
are really just the result of a couple bad apples
39
93000
2000
siano il risultato di un paio di mele marce,
01:50
or a couple really sort of FAIL Blog-worthy decisions.
40
95000
3000
o di un paio di decisioni sbagliate, da raccontare sul blog.
01:53
But it turns out, what social scientists are actually learning
41
98000
3000
Ma a quanto pare, gli scienziati sociali stanno scoprendo
01:56
is that most of us, when put in certain contexts,
42
101000
3000
che la maggior parte di noi, messa nel contesto appropriato,
01:59
will actually make very specific mistakes.
43
104000
3000
commette errori molto specifici.
02:02
The errors we make are actually predictable.
44
107000
2000
I nostri errori sono prevedibili,
02:04
We make them again and again.
45
109000
2000
li ripetiamo in continuazione,
02:06
And they're actually immune to lots of evidence.
46
111000
2000
E resistono a molte prove contrarie.
02:08
When we get negative feedback,
47
113000
2000
Anche dopo un feedback negativo,
02:10
we still, the next time we're face with a certain context,
48
115000
3000
la prossima volta che ci troveremo in un certo contesto,
02:13
tend to make the same errors.
49
118000
2000
tenderemo a rifare gli stessi errori.
02:15
And so this has been a real puzzle to me
50
120000
2000
Questo è stato un vero rompicapo
02:17
as a sort of scholar of human nature.
51
122000
2000
per una studiosa della natura umana come me.
02:19
What I'm most curious about is,
52
124000
2000
La questione che più mi interessa è:
02:21
how is a species that's as smart as we are
53
126000
3000
come può una specie intelligente come la nostra
02:24
capable of such bad
54
129000
2000
commettere ripetutamente errori
02:26
and such consistent errors all the time?
55
131000
2000
tanto gravi ?
02:28
You know, we're the smartest thing out there, why can't we figure this out?
56
133000
3000
Siamo la specie più intelligente su piazza, perché non capiamo come evitarli?
02:31
In some sense, where do our mistakes really come from?
57
136000
3000
In un certo senso, mi chiedevo da dove provenissero i nostri errori.
02:34
And having thought about this a little bit, I see a couple different possibilities.
58
139000
3000
E avendoci riflettuto un po', trovo che i casi possibili siano due.
02:37
One possibility is, in some sense, it's not really our fault.
59
142000
3000
Una possibilità è che, in un certo senso, non è colpa nostra.
02:40
Because we're a smart species,
60
145000
2000
Siccome siamo una specie intelligente,
02:42
we can actually create all kinds of environments
61
147000
2000
creiamo molti tipi di ambienti
02:44
that are super, super complicated,
62
149000
2000
super-complicati,
02:46
sometimes too complicated for us to even actually understand,
63
151000
3000
così complicati, a volte, da non riuscire a comprenderli
02:49
even though we've actually created them.
64
154000
2000
anche se siamo stati noi a crearli.
02:51
We create financial markets that are super complex.
65
156000
2000
Creiamo mercati finanziari super-complessi.
02:53
We create mortgage terms that we can't actually deal with.
66
158000
3000
Le clausole dei nostri mutui sono incomprensibili.
02:56
And of course, if we are put in environments where we can't deal with it,
67
161000
3000
E ovviamente, se gli ambienti in cui siamo immersi sono ingestibili,
02:59
in some sense makes sense that we actually
68
164000
2000
in un certo senso è comprensibile
03:01
might mess certain things up.
69
166000
2000
che qualcosa vada storto.
03:03
If this was the case, we'd have a really easy solution
70
168000
2000
Se le cose stessero così, la soluzione al problema
03:05
to the problem of human error.
71
170000
2000
dell'errore umano sarebbe molto semplice.
03:07
We'd actually just say, okay, let's figure out
72
172000
2000
Basterebbe dire: Ok, scopriamo
03:09
the kinds of technologies we can't deal with,
73
174000
2000
le tecnologie ingestibili,
03:11
the kinds of environments that are bad --
74
176000
2000
gli ambienti ostili etc,
03:13
get rid of those, design things better,
75
178000
2000
liberiamocene, progettiamo le cose meglio,
03:15
and we should be the noble species
76
180000
2000
e dovremmo così diventare la specie nobile
03:17
that we expect ourselves to be.
77
182000
2000
che ci aspettiamo di essere.
03:19
But there's another possibility that I find a little bit more worrying,
78
184000
3000
Ma c'è un'altra possibilità, che trovo più preoccupante:
03:22
which is, maybe it's not our environments that are messed up.
79
187000
3000
forse non sono i nostri ambienti ad essere troppo complessi.
03:25
Maybe it's actually us that's designed badly.
80
190000
3000
Forse siamo proprio noi ad essere fatti male.
03:28
This is a hint that I've gotten
81
193000
2000
A suggerirmi questa possibilità sono state
03:30
from watching the ways that social scientists have learned about human errors.
82
195000
3000
le scoperte degli scienziati sociali sugli errori umani.
03:33
And what we see is that people tend to keep making errors
83
198000
3000
Stiamo scoprendo che le persone tendono a commettere errori
03:36
exactly the same way, over and over again.
84
201000
3000
esattamente nello stesso modo, in continuazione.
03:39
It feels like we might almost just be built
85
204000
2000
Sembra quasi che siamo "costruiti"
03:41
to make errors in certain ways.
86
206000
2000
per commettere determinati errori.
03:43
This is a possibility that I worry a little bit more about,
87
208000
3000
Questa possibilità mi preoccupa un po' di più,
03:46
because, if it's us that's messed up,
88
211000
2000
perché se siamo noi ad essere difettosi,
03:48
it's not actually clear how we go about dealing with it.
89
213000
2000
non è ben chiaro come poter affrontare la questione.
03:50
We might just have to accept the fact that we're error prone
90
215000
3000
Potremmo dover semplicemente accettare il fatto che siamo inclini agli errori
03:53
and try to design things around it.
91
218000
2000
e adattare il nostro agire al problema.
03:55
So this is the question my students and I wanted to get at.
92
220000
3000
È questa la domanda alla quale io e i miei studenti volevamo rispondere:
03:58
How can we tell the difference between possibility one and possibility two?
93
223000
3000
Come possiamo decidere tra la possibilità uno e la possibilità due?
04:01
What we need is a population
94
226000
2000
Ci serve una popolazione
04:03
that's basically smart, can make lots of decisions,
95
228000
2000
intelligente, in grado di prendere molte decisioni,
04:05
but doesn't have access to any of the systems we have,
96
230000
2000
ma completamente priva di accesso ai nostri sistemi,
04:07
any of the things that might mess us up --
97
232000
2000
alle cose che potrebbero confonderci --
04:09
no human technology, human culture,
98
234000
2000
una specie senza tecnologia umana, senza cultura umana,
04:11
maybe even not human language.
99
236000
2000
forse persino senza linguaggio umano.
04:13
And so this is why we turned to these guys here.
100
238000
2000
E così ci siamo rivolti a loro.
04:15
These are one of the guys I work with. This is a brown capuchin monkey.
101
240000
3000
Questo è uno dei soggetti con cui lavoro. È una scimmia cebus apella.
04:18
These guys are New World primates,
102
243000
2000
Sono primati platirrini,
04:20
which means they broke off from the human branch
103
245000
2000
si sono cioè differenziati dall'Homo Sapiens
04:22
about 35 million years ago.
104
247000
2000
circa 35 milioni di anni fa.
04:24
This means that your great, great, great great, great, great --
105
249000
2000
Questo significa che la vostra
04:26
with about five million "greats" in there --
106
251000
2000
cinque-milion-avola
04:28
grandmother was probably the same great, great, great, great
107
253000
2000
era probabilmente la stessa
04:30
grandmother with five million "greats" in there
108
255000
2000
cinque-milion-avola
04:32
as Holly up here.
109
257000
2000
di Holly.
04:34
You know, so you can take comfort in the fact that this guy up here is a really really distant,
110
259000
3000
Potete quindi essere sicuri che la nostra specie e la loro sono molto, molto distanti:
04:37
but albeit evolutionary, relative.
111
262000
2000
nondimeno, siamo evolutivamente apparentati.
04:39
The good news about Holly though is that
112
264000
2000
La buona notizia su Holly è che
04:41
she doesn't actually have the same kinds of technologies we do.
113
266000
3000
non ha le stesse tecnologie che abbiamo noi.
04:44
You know, she's a smart, very cut creature, a primate as well,
114
269000
3000
È un primate, una creatura intelligente e abile,
04:47
but she lacks all the stuff we think might be messing us up.
115
272000
2000
ma le manca tutto ciò che pensiamo ci induca in errore.
04:49
So she's the perfect test case.
116
274000
2000
È quindi il "paziente di controllo" perfetto.
04:51
What if we put Holly into the same context as humans?
117
276000
3000
Che succederebbe, mettendo Holly negli stessi contesti degli umani?
04:54
Does she make the same mistakes as us?
118
279000
2000
Farebbe i nostri stessi errori?
04:56
Does she not learn from them? And so on.
119
281000
2000
Non imparerebbe da essi? E così via.
04:58
And so this is the kind of thing we decided to do.
120
283000
2000
Decidemmo di chiedercelo, qualche anno fa.
05:00
My students and I got very excited about this a few years ago.
121
285000
2000
Io ed i miei studenti eravamo entusiasti.
05:02
We said, all right, let's, you know, throw so problems at Holly,
122
287000
2000
L'idea era: mettiamo Holly di fronte
05:04
see if she messes these things up.
123
289000
2000
a qualche problema, e vediamo se cade in errore.
05:06
First problem is just, well, where should we start?
124
291000
3000
Ma il primo problema fu: da dove partiamo?
05:09
Because, you know, it's great for us, but bad for humans.
125
294000
2000
Un bene per noi, ma un male per gli umani, è che
05:11
We make a lot of mistakes in a lot of different contexts.
126
296000
2000
facciamo molti errori in molti contesti diversi.
05:13
You know, where are we actually going to start with this?
127
298000
2000
Da dove cominciare la nostra analisi, dunque?
05:15
And because we started this work around the time of the financial collapse,
128
300000
3000
E siccome abbiamo iniziato questo lavoro durante il collasso finanziario,
05:18
around the time when foreclosures were hitting the news,
129
303000
2000
quando i pignoramenti riempivano i titoli dei giornali,
05:20
we said, hhmm, maybe we should
130
305000
2000
ci siamo detti: mmhh, forse dovremmo
05:22
actually start in the financial domain.
131
307000
2000
cominciare dal settore finanziario.
05:24
Maybe we should look at monkey's economic decisions
132
309000
3000
Forse dovremmo osservare le decisioni economiche delle scimmie
05:27
and try to see if they do the same kinds of dumb things that we do.
133
312000
3000
e provare a vedere se fanno le stesse cose stupide che facciamo noi.
05:30
Of course, that's when we hit a sort second problem --
134
315000
2000
A quel punto, naturalmente, ci imbattemmo in un secondo problema,
05:32
a little bit more methodological --
135
317000
2000
di tipo metodologico:
05:34
which is that, maybe you guys don't know,
136
319000
2000
forse non lo sapevate,
05:36
but monkeys don't actually use money. I know, you haven't met them.
137
321000
3000
ma le scimmie non usano denaro. Lo so, non le avete mai incontrate.
05:39
But this is why, you know, they're not in the queue behind you
138
324000
2000
Ma è per questo che non le trovate in coda
05:41
at the grocery store or the ATM -- you know, they don't do this stuff.
139
326000
3000
dal droghiere o al Bancomat -- non le fanno, queste cose.
05:44
So now we faced, you know, a little bit of a problem here.
140
329000
3000
Ci trovammo dunque ad affrontare un problema:
05:47
How are we actually going to ask monkeys about money
141
332000
2000
come studiamo il comportamento finanziario
05:49
if they don't actually use it?
142
334000
2000
delle scimmie, se loro non usano denaro?
05:51
So we said, well, maybe we should just, actually just suck it up
143
336000
2000
Ci siamo detti: "Beh, forse dovremmo accettarlo
05:53
and teach monkeys how to use money.
144
338000
2000
ed insegnare alle scimmie come si usa il denaro."
05:55
So that's just what we did.
145
340000
2000
Ed è proprio ciò che abbiamo fatto.
05:57
What you're looking at over here is actually the first unit that I know of
146
342000
3000
Quella che vedete è la prima unità che io conosca
06:00
of non-human currency.
147
345000
2000
di valuta non-umana.
06:02
We weren't very creative at the time we started these studies,
148
347000
2000
Non eravamo molto creativi, all'inizio,
06:04
so we just called it a token.
149
349000
2000
quindi l'abbiamo chiamato semplicemente un gettone.
06:06
But this is the unit of currency that we've taught our monkeys at Yale
150
351000
3000
Ma è l'unità di conto che le nostre scimmie di Yale hanno imparato
06:09
to actually use with humans,
151
354000
2000
a scambiare con gli umani,
06:11
to actually buy different pieces of food.
152
356000
3000
per acquistare diverse razioni di cibo.
06:14
It doesn't look like much -- in fact, it isn't like much.
153
359000
2000
Non ha un aspetto particolare -- in effetti, non è niente di particolare.
06:16
Like most of our money, it's just a piece of metal.
154
361000
2000
Come la maggior parte del nostro denaro, è solo un pezzo di metallo.
06:18
As those of you who've taken currencies home from your trip know,
155
363000
3000
Come sanno quelli di voi che riportano valuta straniera a casa,
06:21
once you get home, it's actually pretty useless.
156
366000
2000
dopo un viaggio all'estero, in sé è inutile.
06:23
It was useless to the monkeys at first
157
368000
2000
Inizialmente, anche per le scimmie era inutile,
06:25
before they realized what they could do with it.
158
370000
2000
prima che capissero cosa potevano farci.
06:27
When we first gave it to them in their enclosures,
159
372000
2000
La prima volta che le abbiamo date loro,
06:29
they actually kind of picked them up, looked at them.
160
374000
2000
nelle loro recinzioni, le presero, le osservarono...
06:31
They were these kind of weird things.
161
376000
2000
Sembravano cose bizzarre, per loro.
06:33
But very quickly, the monkeys realized
162
378000
2000
Ma capirono molto in fretta
06:35
that they could actually hand these tokens over
163
380000
2000
che potevano scambiare questi gettoni
06:37
to different humans in the lab for some food.
164
382000
3000
ai vari umani presenti in laboratorio, in cambio di un po' di cibo.
06:40
And so you see one of our monkeys, Mayday, up here doing this.
165
385000
2000
Vedete dunque una delle nostre scimmie, Mayday, intenta a farlo.
06:42
This is A and B are kind of the points where she's sort of a little bit
166
387000
3000
Nella foto A e B, Mayday è per così dire un po'
06:45
curious about these things -- doesn't know.
167
390000
2000
curiosa -- non sa.
06:47
There's this waiting hand from a human experimenter,
168
392000
2000
C'è questa mano in attesa di un ricercatore umano,
06:49
and Mayday quickly figures out, apparently the human wants this.
169
394000
3000
e Mayday capisce in fretta che evidentemente l'umano la vuole.
06:52
Hands it over, and then gets some food.
170
397000
2000
Allunga la moneta, ed ottiene un po' di cibo.
06:54
It turns out not just Mayday, all of our monkeys get good
171
399000
2000
E non solo Mayday, ma tutte le nostre scimmie imparano bene
06:56
at trading tokens with human salesman.
172
401000
2000
a scambiare denaro con venditori umani.
06:58
So here's just a quick video of what this looks like.
173
403000
2000
Ecco un rapido video di come funziona la cosa.
07:00
Here's Mayday. She's going to be trading a token for some food
174
405000
3000
Ecco Mayday. Sta per scambiare una moneta con del cibo,
07:03
and waiting happily and getting her food.
175
408000
3000
[poi] aspetta con gioia, e ottiene il cibo.
07:06
Here's Felix, I think. He's our alpha male; he's a kind of big guy.
176
411000
2000
Ecco Felix, mi pare. È grande, è il nostro maschio alfa.
07:08
But he too waits patiently, gets his food and goes on.
177
413000
3000
Ma anche lui aspetta pazientemente, prende il suo cibo e se ne va.
07:11
So the monkeys get really good at this.
178
416000
2000
Le scimmie, dunque, diventano molto brave
07:13
They're surprisingly good at this with very little training.
179
418000
3000
a fare queste cose, anche con un training minimo.
07:16
We just allowed them to pick this up on their own.
180
421000
2000
Abbiamo semplicemente lasciato che imparassero da sole.
07:18
The question is: is this anything like human money?
181
423000
2000
Ma ha qualcosa a che vedere con il denaro umano?
07:20
Is this a market at all,
182
425000
2000
È un mercato vero e proprio,
07:22
or did we just do a weird psychologist's trick
183
427000
2000
o abbiamo solo creato un bizzarro trucco psicologico,
07:24
by getting monkeys to do something,
184
429000
2000
facendo fare alle scimmie una cosa che
07:26
looking smart, but not really being smart.
185
431000
2000
sembra intelligente, ma non lo è?
07:28
And so we said, well, what would the monkeys spontaneously do
186
433000
3000
[Per saperlo], ci siamo chiesti: cosa farebbero, spontaneamente, le scimmie
07:31
if this was really their currency, if they were really using it like money?
187
436000
3000
se questa fosse davvero la loro valuta, se davvero la usassero come denaro?
07:34
Well, you might actually imagine them
188
439000
2000
Potreste immaginarvi che facciano
07:36
to do all the kinds of smart things
189
441000
2000
tutti i tipi di cose intelligenti
07:38
that humans do when they start exchanging money with each other.
190
443000
3000
che gli umani fanno quando iniziano a scambiarsi denaro l'un l'altro.
07:41
You might have them start paying attention to price,
191
446000
3000
Potrebbero iniziare a fare attenzione ai prezzi,
07:44
paying attention to how much they buy --
192
449000
2000
a quante cose comprano--
07:46
sort of keeping track of their monkey token, as it were.
193
451000
3000
spendendo il loro gettone oculatamente, come fosse una vera moneta.
07:49
Do the monkeys do anything like this?
194
454000
2000
Ci chiedemmo se le scimmie fanno cose del genere,
07:51
And so our monkey marketplace was born.
195
456000
3000
e nacque così il nostro "mercato delle scimmie".
07:54
The way this works is that
196
459000
2000
Funziona così: normalmente,
07:56
our monkeys normally live in a kind of big zoo social enclosure.
197
461000
3000
le nostre scimmie vivono in una specie di grande recinzione comune.
07:59
When they get a hankering for some treats,
198
464000
2000
Quando sentono il desiderio di comprare cibo,
08:01
we actually allowed them a way out
199
466000
2000
abbiamo creato una via d'uscita che sbuca in uno
08:03
into a little smaller enclosure where they could enter the market.
200
468000
2000
spazio più piccolo, dove possono fare scambi.
08:05
Upon entering the market --
201
470000
2000
Quando entrano nel mercato -- che in effetti
08:07
it was actually a much more fun market for the monkeys than most human markets
202
472000
2000
diverte più loro che la maggior parte di noi
08:09
because, as the monkeys entered the door of the market,
203
474000
3000
perché, non appena le scimmie varcavano la porta del mercato,
08:12
a human would give them a big wallet full of tokens
204
477000
2000
un umano dava loro un gruzzolo di monete
08:14
so they could actually trade the tokens
205
479000
2000
così che potessero scambiarle
08:16
with one of these two guys here --
206
481000
2000
con uno di questi due sperimentatori,
08:18
two different possible human salesmen
207
483000
2000
due possibili "venditori" differenti
08:20
that they could actually buy stuff from.
208
485000
2000
da cui potevano acquistare cose.
08:22
The salesmen were students from my lab.
209
487000
2000
I "venditori" erano studenti del mio laboratorio.
08:24
They dressed differently; they were different people.
210
489000
2000
Erano persone differenti, vestite in modo differente.
08:26
And over time, they did basically the same thing
211
491000
3000
E nel corso del tempo, ripeterono la stessa operazione,
08:29
so the monkeys could learn, you know,
212
494000
2000
così che le scimmie potessero imparare
08:31
who sold what at what price -- you know, who was reliable, who wasn't, and so on.
213
496000
3000
chi vendeva cosa a quale prezzo -- chi era affidabile, chi no, eccetera.
08:34
And you can see that each of the experimenters
214
499000
2000
E potete vedere come ciascun sperimentatore
08:36
is actually holding up a little, yellow food dish.
215
501000
3000
tenga in mano un piccolo piatto giallo, contenente
08:39
and that's what the monkey can for a single token.
216
504000
2000
quello che la scimmia può comprare per una moneta.
08:41
So everything costs one token,
217
506000
2000
Tutto costa una moneta, dunque,
08:43
but as you can see, sometimes tokens buy more than others,
218
508000
2000
ma come potete vedere, in alcuni casi le monete comprano più cibo,
08:45
sometimes more grapes than others.
219
510000
2000
più uva, che in altri casi.
08:47
So I'll show you a quick video of what this marketplace actually looks like.
220
512000
3000
Vi mostro un piccolo filmato su come funziona questo mercato.
08:50
Here's a monkey-eye-view. Monkeys are shorter, so it's a little short.
221
515000
3000
Ecco il punto di vista di una scimmia. È in basso perché le scimmie sono più basse.
08:53
But here's Honey.
222
518000
2000
Ma ecco Honey.
08:55
She's waiting for the market to open a little impatiently.
223
520000
2000
Sta aspettando con impazienza che il mercato apra.
08:57
All of a sudden the market opens. Here's her choice: one grapes or two grapes.
224
522000
3000
All'improvviso il mercato si apre. Ecco la sua scelta: un acino o due acini.
09:00
You can see Honey, very good market economist,
225
525000
2000
Vedete come Honey, da brava economista,
09:02
goes with the guy who gives more.
226
527000
3000
scambia con chi le dà di più. Potrebbe insegnare un paio
09:05
She could teach our financial advisers a few things or two.
227
530000
2000
di cosette, ai nostri consulenti finanziari.
09:07
So not just Honey,
228
532000
2000
E non solo Honey,
09:09
most of the monkeys went with guys who had more.
229
534000
3000
ma la maggior parte delle scimmie scambiano con chi dà loro di più.
09:12
Most of the monkeys went with guys who had better food.
230
537000
2000
E con chi dà loro cibo migliore. Introducendo
09:14
When we introduced sales, we saw the monkeys paid attention to that.
231
539000
3000
le vendite, notammo che le scimmie fanno attenzione a queste differenze.
09:17
They really cared about their monkey token dollar.
232
542000
3000
Si preoccupano davvero, del loro dollaro.
09:20
The more surprising thing was that when we collaborated with economists
233
545000
3000
La cosa più sorprendente fu che quando collaborammo con degli economisti
09:23
to actually look at the monkeys' data using economic tools,
234
548000
3000
per osservare i dati delle scimmie con strumenti economici,
09:26
they basically matched, not just qualitatively,
235
551000
3000
questi dati sostanzialmente coincidevano, non solo qualitativamente,
09:29
but quantitatively with what we saw
236
554000
2000
ma quantitativamente, con quello che abbiamo visto
09:31
humans doing in a real market.
237
556000
2000
fare dagli umani in un vero mercato.
09:33
So much so that, if you saw the monkeys' numbers,
238
558000
2000
Coincidevano a tal punto che i numeri delle scimmie
09:35
you couldn't tell whether they came from a monkey or a human in the same market.
239
560000
3000
erano indistinguibili dai dati umani, a parità di condizioni.
09:38
And what we'd really thought we'd done
240
563000
2000
Pensavamo dunque
09:40
is like we'd actually introduced something
241
565000
2000
di aver introdotto un qualcosa
09:42
that, at least for the monkeys and us,
242
567000
2000
che, almeno per le scimmie e noi,
09:44
works like a real financial currency.
243
569000
2000
funziona come una vera valuta finanziaria.
09:46
Question is: do the monkeys start messing up in the same ways we do?
244
571000
3000
La domanda è: le scimmie cadono in errore allo stesso modo nostro?
09:49
Well, we already saw anecdotally a couple of signs that they might.
245
574000
3000
Beh, abbiamo già osservato un paio di cose che ci portano a pensare di sì.
09:52
One thing we never saw in the monkey marketplace
246
577000
2000
Non abbiamo mai visto, nel mercato delle scimmie,
09:54
was any evidence of saving --
247
579000
2000
alcuna forma di risparmio,
09:56
you know, just like our own species.
248
581000
2000
come invece facciamo noi.
09:58
The monkeys entered the market, spent their entire budget
249
583000
2000
Le scimmie entravano nel mercato, spendevano tutto il loro budget
10:00
and then went back to everyone else.
250
585000
2000
e poi tornavano dalle altre scimmie.
10:02
The other thing we also spontaneously saw,
251
587000
2000
L'altra cosa, piuttosto imbarazzante,
10:04
embarrassingly enough,
252
589000
2000
che abbiamo osservato
10:06
is spontaneous evidence of larceny.
253
591000
2000
è stata la proliferazione spontanea dei furti.
10:08
The monkeys would rip-off the tokens at every available opportunity --
254
593000
3000
Le scimmie rubavano le monete ogni volta che potevano
10:11
from each other, often from us --
255
596000
2000
-- l'un l'altra, e spesso a noi --
10:13
you know, things we didn't necessarily think we were introducing,
256
598000
2000
cose queste che non pensavamo di causare,
10:15
but things we spontaneously saw.
257
600000
2000
ma che abbiamo visto emergere spontaneamente.
10:17
So we said, this looks bad.
258
602000
2000
Ci siamo detti: "Questo è un male.
10:19
Can we actually see if the monkeys
259
604000
2000
Perché non vediamo se le scimmie
10:21
are doing exactly the same dumb things as humans do?
260
606000
3000
fanno esattamente le stesse stupidaggini degli umani?"
10:24
One possibility is just kind of let
261
609000
2000
Una possibilità è quella di "lasciar fare"
10:26
the monkey financial system play out,
262
611000
2000
il sistema finanziario delle scimmie, vedendo
10:28
you know, see if they start calling us for bailouts in a few years.
263
613000
2000
se tra qualche anno ci chiederanno di salvarle.
10:30
We were a little impatient so we wanted
264
615000
2000
Ma eravamo impazienti, e volevamo
10:32
to sort of speed things up a bit.
265
617000
2000
accelerare un po' le cose.
10:34
So we said, let's actually give the monkeys
266
619000
2000
Ci siamo così detti: "Mettiamo le scimmie
10:36
the same kinds of problems
267
621000
2000
nelle stesse situazioni
10:38
that humans tend to get wrong
268
623000
2000
in cui gli umani tendono a sbagliare
10:40
in certain kinds of economic challenges,
269
625000
2000
certi test economici,
10:42
or certain kinds of economic experiments.
270
627000
2000
o certi esperimenti economici."
10:44
And so, since the best way to see how people go wrong
271
629000
3000
E siccome il miglior modo di vedere come la gente sbaglia
10:47
is to actually do it yourself,
272
632000
2000
è quello di sbagliare voi stessi,
10:49
I'm going to give you guys a quick experiment
273
634000
2000
sto per sottoporvi ad un rapido e illuminante
10:51
to sort of watch your own financial intuitions in action.
274
636000
2000
esperimento sulle vostre convinzioni finanziarie.
10:53
So imagine that right now
275
638000
2000
Immaginate che proprio ora
10:55
I handed each and every one of you
276
640000
2000
dia a ciascuno di voi
10:57
a thousand U.S. dollars -- so 10 crisp hundred dollar bills.
277
642000
3000
mille dollari americani -- 10 bigliettoni da cento.
11:00
Take these, put it in your wallet
278
645000
2000
Li prendete, li mettete nel vostro portafoglio
11:02
and spend a second thinking about what you're going to do with it.
279
647000
2000
e restate un secondo a pensare cosa farci.
11:04
Because it's yours now; you can buy whatever you want.
280
649000
2000
Sono vostri, ora. Potete comprarci quello che volete.
11:06
Donate it, take it, and so on.
281
651000
2000
Potete donarli, tenerveli, così via.
11:08
Sounds great, but you get one more choice to earn a little bit more money.
282
653000
3000
Grandioso. Ma c'è una possibilità di guadagnare ancora più denaro.
11:11
And here's your choice: you can either be risky,
283
656000
3000
Potete scegliere di assumervi un rischio,
11:14
in which case I'm going to flip one of these monkey tokens.
284
659000
2000
nel qual caso lancerò uno di questi gettoni in aria,
11:16
If it comes up heads, you're going to get a thousand dollars more.
285
661000
2000
e se esce testa guadagnerete 1000 dollari in più,
11:18
If it comes up tails, you get nothing.
286
663000
2000
se invece esce coda, non ottenete nulla.
11:20
So it's a chance to get more, but it's pretty risky.
287
665000
3000
Avete una possibilità di guadagnare di più, dunque, ma è piuttosto rischiosa.
11:23
Your other option is a bit safe. Your just going to get some money for sure.
288
668000
3000
L'altra scelta è piuttosto sicura. Sono soldi sicuri.
11:26
I'm just going to give you 500 bucks.
289
671000
2000
Vi dò altri 500 dollari.
11:28
You can stick it in your wallet and use it immediately.
290
673000
3000
Potete metterli nel portafoglio e usarli immediatamente.
11:31
So see what your intuition is here.
291
676000
2000
Ecco le vostre percezioni:
11:33
Most people actually go with the play-it-safe option.
292
678000
3000
la maggior parte delle persone sceglie di giocare sicuro.
11:36
Most people say, why should I be risky when I can get 1,500 dollars for sure?
293
681000
3000
Si dicono: "Perché rischiare, se posso guadagnare 500 dollari sicuri?
11:39
This seems like a good bet. I'm going to go with that.
294
684000
2000
Sembra una buona scelta. Farò così."
11:41
You might say, eh, that's not really irrational.
295
686000
2000
Potreste dire, ora: "Ehi, questo non è tanto irrazionale!".
11:43
People are a little risk-averse. So what?
296
688000
2000
Le persone sono avverse al rischio. Qual è
11:45
Well, the "so what?" comes when start thinking
297
690000
2000
il punto? Il punto si capisce quando si riformula
11:47
about the same problem
298
692000
2000
lo stesso problema,
11:49
set up just a little bit differently.
299
694000
2000
impostandolo però in modo diverso.
11:51
So now imagine that I give each and every one of you
300
696000
2000
Immaginate ora che dia a ciascuno di voi
11:53
2,000 dollars -- 20 crisp hundred dollar bills.
301
698000
3000
2,000 dollari -- 20 bigliettoni da cento dollari.
11:56
Now you can buy double to stuff you were going to get before.
302
701000
2000
Potete comprarci il doppio della roba che potevate permettervi prima.
11:58
Think about how you'd feel sticking it in your wallet.
303
703000
2000
Pensate all'effetto che farebbe, nel vostro portafoglio.
12:00
And now imagine that I have you make another choice
304
705000
2000
E immaginate ora che io vi dia un'altra scelta.
12:02
But this time, it's a little bit worse.
305
707000
2000
Questa volta, però, le cose vanno peggio:
12:04
Now, you're going to be deciding how you're going to lose money,
306
709000
3000
dovete infatti decidere quanto denaro perdere, e come.
12:07
but you're going to get the same choice.
307
712000
2000
Le possibilità di scelta sono le stesse:
12:09
You can either take a risky loss --
308
714000
2000
potete tentare una perdita rischiosa,
12:11
so I'll flip a coin. If it comes up heads, you're going to actually lose a lot.
309
716000
3000
e in tal caso lancerò una moneta. Se esce testa, perderete molto,
12:14
If it comes up tails, you lose nothing, you're fine, get to keep the whole thing --
310
719000
3000
ma se esce coda, non perdete nulla, va bene così e vi tenete tutto.
12:17
or you could play it safe, which means you have to reach back into your wallet
311
722000
3000
Oppure potete giocare sicuro, che significa prendere il portafoglio
12:20
and give me five of those $100 bills, for certain.
312
725000
3000
e darmi semplicemente cinque biglietti da cento.
12:23
And I'm seeing a lot of furrowed brows out there.
313
728000
3000
Vedo già molti sguardi corrucciati.
12:26
So maybe you're having the same intuitions
314
731000
2000
Forse avete le stesse percezioni
12:28
as the subjects that were actually tested in this,
315
733000
2000
dei soggetti sottoposti al test:
12:30
which is when presented with these options,
316
735000
2000
di fronte a queste scelte,
12:32
people don't choose to play it safe.
317
737000
2000
le persone non scelgono di giocare sicuro.
12:34
They actually tend to go a little risky.
318
739000
2000
Tendono ad assumersi qualche rischio.
12:36
The reason this is irrational is that we've given people in both situations
319
741000
3000
Questo è irrazionale, perché le persone di entrambi gli esperimenti
12:39
the same choice.
320
744000
2000
avevano le stesse scelte:
12:41
It's a 50/50 shot of a thousand or 2,000,
321
746000
3000
50/50 di possibilità di restare con 1000 o 2000 dollari,
12:44
or just 1,500 dollars with certainty.
322
749000
2000
oppure giocare sicuro, e finire con 1500 dollari.
12:46
But people's intuitions about how much risk to take
323
751000
3000
Ma le percezioni delle persone su quanti rischi assumersi
12:49
varies depending on where they started with.
324
754000
2000
variano a seconda delle condizioni di partenza.
12:51
So what's going on?
325
756000
2000
Cosa sta succedendo?
12:53
Well, it turns out that this seems to be the result
326
758000
2000
Beh, sembra che questo sia il risultato
12:55
of at least two biases that we have at the psychological level.
327
760000
3000
di almeno due distorsioni che subiamo a livello psicologico.
12:58
One is that we have a really hard time thinking in absolute terms.
328
763000
3000
Una è che facciamo molta fatica a pensare in termini assoluti.
13:01
You really have to do work to figure out,
329
766000
2000
Devi fare uno sforzo per capire che,
13:03
well, one option's a thousand, 2,000;
330
768000
2000
in un caso sono o mille o duemila dollari;
13:05
one is 1,500.
331
770000
2000
nell'altro, sicuramente 1500 dollari.
13:07
Instead, we find it very easy to think in very relative terms
332
772000
3000
Troviamo invece molto semplice pensare in termini relativi,
13:10
as options change from one time to another.
333
775000
3000
quando le scelte cambiano da un contesto all'altro.
13:13
So we think of things as, "Oh, I'm going to get more," or "Oh, I'm going to get less."
334
778000
3000
Pensiamo a cose come: "Guadagnerò di più," oppure "Guadagnerò di meno."
13:16
This is all well and good, except that
335
781000
2000
Il che va bene, se non fosse che
13:18
changes in different directions
336
783000
2000
spostamenti in direzioni diverse
13:20
actually effect whether or not we think
337
785000
2000
cambiano la nostra opinione
13:22
options are good or not.
338
787000
2000
sulla bontà delle opzioni.
13:24
And this leads to the second bias,
339
789000
2000
E questo porta alla seconda distorsione,
13:26
which economists have called loss aversion.
340
791000
2000
che gli economisti hanno chiamato avversione alla perdita.
13:28
The idea is that we really hate it when things go into the red.
341
793000
3000
L'idea è che proprio non vogliamo perdere.
13:31
We really hate it when we have to lose out on some money.
342
796000
2000
Odiamo l'idea di dover perdere del denaro.
13:33
And this means that sometimes we'll actually
343
798000
2000
E questo significa che a volte
13:35
switch our preferences to avoid this.
344
800000
2000
cambieremo le nostre preferenze, pur di evitarlo.
13:37
What you saw in that last scenario is that
345
802000
2000
Nell'ultimo scenario avete visto come
13:39
subjects get risky
346
804000
2000
i soggetti si assumano dei rischi pur di sfruttare
13:41
because they want the small shot that there won't be any loss.
347
806000
3000
una anche piccola chance di non perdere.
13:44
That means when we're in a risk mindset --
348
809000
2000
Questo significa che, quando percepiamo un rischio --
13:46
excuse me, when we're in a loss mindset,
349
811000
2000
scusate, una perdita,
13:48
we actually become more risky,
350
813000
2000
diventiamo più inclini al rischio,
13:50
which can actually be really worrying.
351
815000
2000
il che può rivelarsi davvero preoccupante.
13:52
These kinds of things play out in lots of bad ways in humans.
352
817000
3000
Questi meccanismi lavorano a nostro grosso discapito.
13:55
They're why stock investors hold onto losing stocks longer --
353
820000
3000
È il motivo per cui molti investitori si tengono azioni in perdita,
13:58
because they're evaluating them in relative terms.
354
823000
2000
perché le valutano in termini relativi.
14:00
They're why people in the housing market refused to sell their house --
355
825000
2000
Ed è il motivo per cui molti immobiliaristi rifiutano
14:02
because they don't want to sell at a loss.
356
827000
2000
di vendere le proprie case, perché non vogliono
14:04
The question we were interested in
357
829000
2000
venderle in perdita. Ci siamo chiesti:
14:06
is whether the monkeys show the same biases.
358
831000
2000
se le scimmie soffrono delle stesse distorsioni,
14:08
If we set up those same scenarios in our little monkey market,
359
833000
3000
ricreando gli stessi scenari nel nostro piccolo mercato delle scimmie,
14:11
would they do the same thing as people?
360
836000
2000
farebbero gli stessi errori delle persone?
14:13
And so this is what we did, we gave the monkeys choices
361
838000
2000
Abbiamo quindi fatto scegliere alle scimmie
14:15
between guys who were safe -- they did the same thing every time --
362
840000
3000
tra i venditori "sicuri" -- che fanno la stessa cosa ogni volta --
14:18
or guys who were risky --
363
843000
2000
e quelli "rischiosi" --
14:20
they did things differently half the time.
364
845000
2000
che in metà dei casi agiscono in modo differente.
14:22
And then we gave them options that were bonuses --
365
847000
2000
Le sottoponemmo a casi di guadagno,
14:24
like you guys did in the first scenario --
366
849000
2000
come è successo a voi nel primo scenario,
14:26
so they actually have a chance more,
367
851000
2000
in cui potevano guadagnare di più,
14:28
or pieces where they were experiencing losses --
368
853000
3000
e a casi di perdita -- in cui cioè si aspettavano
14:31
they actually thought they were going to get more than they really got.
369
856000
2000
di ottenere più di quanto hanno poi ottenuto.
14:33
And so this is what this looks like.
370
858000
2000
Ecco come funziona:
14:35
We introduced the monkeys to two new monkey salesmen.
371
860000
2000
abbiamo messo loro davanti due nuovi "venditori".
14:37
The guy on the left and right both start with one piece of grape,
372
862000
2000
Entrambi i venditori iniziano con un acino d'uva.
14:39
so it looks pretty good.
373
864000
2000
Tutto bene, dunque.
14:41
But they're going to give the monkeys bonuses.
374
866000
2000
Ma ora daranno alla scimmia dei bonus.
14:43
The guy on the left is a safe bonus.
375
868000
2000
Il tipo a sinistra offre un bonus sicuro.
14:45
All the time, he adds one, to give the monkeys two.
376
870000
3000
Ogni volta aggiunge un acino, che così diventano due.
14:48
The guy on the right is actually a risky bonus.
377
873000
2000
Il tipo a destra, invece, offre il bonus rischioso.
14:50
Sometimes the monkeys get no bonus -- so this is a bonus of zero.
378
875000
3000
A volte non dà alla scimmia alcun acino extra,
14:53
Sometimes the monkeys get two extra.
379
878000
3000
a volte gliene dà uno in più,
14:56
For a big bonus, now they get three.
380
881000
2000
e a volte due di più, cioè tre.
14:58
But this is the same choice you guys just faced.
381
883000
2000
La scelta è la stessa che dovevate fare voi:
15:00
Do the monkeys actually want to play it safe
382
885000
3000
le scimmie sceglieranno di "giocare sicuro",
15:03
and then go with the guy who's going to do the same thing on every trial,
383
888000
2000
e quindi scambieranno col tipo che offre sempre lo stesso bonus,
15:05
or do they want to be risky
384
890000
2000
oppure correranno un rischio
15:07
and try to get a risky, but big, bonus,
385
892000
2000
e proveranno ad ottenere un grande bonus
15:09
but risk the possibility of getting no bonus.
386
894000
2000
rischiando però di non averne alcuno?
15:11
People here played it safe.
387
896000
2000
Le persone, in questo caso, giocano sicuro.
15:13
Turns out, the monkeys play it safe too.
388
898000
2000
E, si è scoperto, anche le scimmie.
15:15
Qualitatively and quantitatively,
389
900000
2000
Qualitativamente e quantitativamente,
15:17
they choose exactly the same way as people,
390
902000
2000
scelgono, se sottoposte
15:19
when tested in the same thing.
391
904000
2000
allo stesso test, come gli umani.
15:21
You might say, well, maybe the monkeys just don't like risk.
392
906000
2000
Potreste pensare che non amino il rischio,
15:23
Maybe we should see how they do with losses.
393
908000
2000
ma prima bisogna vedere come affrontano
15:25
And so we ran a second version of this.
394
910000
2000
le perdite. Perciò abbiamo eseguito una seconda versione del test.
15:27
Now, the monkeys meet two guys
395
912000
2000
Le scimmie, ora, incontrano due venditori
15:29
who aren't giving them bonuses;
396
914000
2000
che non danno loro dei bonus;
15:31
they're actually giving them less than they expect.
397
916000
2000
in realtà, danno loro meno di quanto si aspettano.
15:33
So they look like they're starting out with a big amount.
398
918000
2000
Sembra che inizino con una grande quantità.
15:35
These are three grapes; the monkey's really psyched for this.
399
920000
2000
Sono tre acini; la scimmia già freme.
15:37
But now they learn these guys are going to give them less than they expect.
400
922000
3000
Ma poi capiscono che riceveranno meno di quanto si aspettano.
15:40
They guy on the left is a safe loss.
401
925000
2000
Il tipo a sinistra è una "perdita sicura".
15:42
Every single time, he's going to take one of these away
402
927000
3000
A ogni vendita, toglie sempre un solo acino
15:45
and give the monkeys just two.
403
930000
2000
e ne dà alla scimmia solo due.
15:47
the guy on the right is the risky loss.
404
932000
2000
Il tipo a destra, invece, è una perdita richiosa.
15:49
Sometimes he gives no loss, so the monkeys are really psyched,
405
934000
3000
A volte non dà alcuna perdita, e la scimmia salta di gioia;
15:52
but sometimes he actually gives a big loss,
406
937000
2000
a volte, invece, le infligge una grossa perdita,
15:54
taking away two to give the monkeys only one.
407
939000
2000
togliendo due acini, e dandone alla scimmia soltanto uno.
15:56
And so what do the monkeys do?
408
941000
2000
Cosa fanno le scimmie?
15:58
Again, same choice; they can play it safe
409
943000
2000
La scelta è la stessa: possono giocare sicuro,
16:00
for always getting two grapes every single time,
410
945000
3000
prendendo due soli acini ogni volta,
16:03
or they can take a risky bet and choose between one and three.
411
948000
3000
o scegliere di rischiare fra uno e tre.
16:06
The remarkable thing to us is that, when you give monkeys this choice,
412
951000
3000
La cosa per noi degna di nota è che, dando alle scimmie questa scelta,
16:09
they do the same irrational thing that people do.
413
954000
2000
fanno le stesse cose irrazionali che facciamo noi.
16:11
They actually become more risky
414
956000
2000
La loro propensione al rischio aumenta
16:13
depending on how the experimenters started.
415
958000
3000
a seconda delle condizioni di partenza.
16:16
This is crazy because it suggests that the monkeys too
416
961000
2000
È incredibile, perché suggerisce che anche loro
16:18
are evaluating things in relative terms
417
963000
2000
valutano le cose in termini relativi
16:20
and actually treating losses differently than they treat gains.
418
965000
3000
e trattano le vincite in modo diverso dalle perdite.
16:23
So what does all of this mean?
419
968000
2000
Cosa significa tutto questo?
16:25
Well, what we've shown is that, first of all,
420
970000
2000
Tanto per cominciare, ci dimostra che
16:27
we can actually give the monkeys a financial currency,
421
972000
2000
dotando le scimmie di una valuta finanziaria,
16:29
and they do very similar things with it.
422
974000
2000
si comportano in modo molto simile a noi. Fanno
16:31
They do some of the smart things we do,
423
976000
2000
alcune delle cose intelligenti che facciamo noi,
16:33
some of the kind of not so nice things we do,
424
978000
2000
alcune delle cose condannabili che facciamo noi,
16:35
like steal it and so on.
425
980000
2000
come rubarle, e così via.
16:37
But they also do some of the irrational things we do.
426
982000
2000
E ci somigliamo anche in certe scelte irrazionali.
16:39
They systematically get things wrong
427
984000
2000
Si sbagliano sistematicamente,
16:41
and in the same ways that we do.
428
986000
2000
e negli stessi modi in cui ci sbagliamo noi.
16:43
This is the first take-home message of the Talk,
429
988000
2000
Questo è dunque il primo messaggio di questo talk:
16:45
which is that if you saw the beginning of this and you thought,
430
990000
2000
se avete sentito l'inizio del talk e vi siete detti:
16:47
oh, I'm totally going to go home and hire a capuchin monkey financial adviser.
431
992000
2000
"Voglio assumere un Cebus Apella come consulente.
16:49
They're way cuter than the one at ... you know --
432
994000
2000
Sono molto più intelligenti di... (voi sapete chi)",
16:51
Don't do that; they're probably going to be just as dumb
433
996000
2000
non fatelo! Probabilmente, si rivelerebbero
16:53
as the human one you already have.
434
998000
3000
tanto stupide quanto l'umano con cui già lavorate.
16:56
So, you know, a little bad -- Sorry, sorry, sorry.
435
1001000
2000
Una piccola cattiveria, dunque -- scusate, scusate.
16:58
A little bad for monkey investors.
436
1003000
2000
Una piccola cattiveria per gli investitori scimmie.
17:00
But of course, you know, the reason you're laughing is bad for humans too.
437
1005000
3000
Ma la ragione per cui state ridendo è triste anche per gli umani.
17:03
Because we've answered the question we started out with.
438
1008000
3000
Perché abbiamo risposto alla domanda con cui siamo partiti.
17:06
We wanted to know where these kinds of errors came from.
439
1011000
2000
Volevamo sapere da dove venissero questi errori.
17:08
And we started with the hope that maybe we can
440
1013000
2000
Abbiamo iniziato con la speranza che forse possiamo
17:10
sort of tweak our financial institutions,
441
1015000
2000
aggiustare le nostre istituzioni finanziarie,
17:12
tweak our technologies to make ourselves better.
442
1017000
3000
e le nostre tecnologie, per migliorarci. Ma abbiamo imparato
17:15
But what we've learn is that these biases might be a deeper part of us than that.
443
1020000
3000
che queste distorsioni potrebbero appartenerci più a fondo di così.
17:18
In fact, they might be due to the very nature
444
1023000
2000
In effetti, potrebbero essere dovute alla natura
17:20
of our evolutionary history.
445
1025000
2000
della nostra storia evolutiva.
17:22
You know, maybe it's not just humans
446
1027000
2000
Forse il cappello da asino non lo meritano
17:24
at the right side of this chain that's duncey.
447
1029000
2000
solo gli umani, all'estremità destra della catena.
17:26
Maybe it's sort of duncey all the way back.
448
1031000
2000
Forse sono stupide anche tutte le altre creature.
17:28
And this, if we believe the capuchin monkey results,
449
1033000
3000
E questo, se crediamo ai risultati su queste scimmie,
17:31
means that these duncey strategies
450
1036000
2000
significa che queste strategie stupide
17:33
might be 35 million years old.
451
1038000
2000
potrebbero essere vecchie di 35 milioni di anni.
17:35
That's a long time for a strategy
452
1040000
2000
È un tempo lungo, perché una strategia
17:37
to potentially get changed around -- really, really old.
453
1042000
3000
venga potenzialmente superata -- molto, molto lungo.
17:40
What do we know about other old strategies like this?
454
1045000
2000
Cosa sappiamo di altre strategie ancestrali come questa?
17:42
Well, one thing we know is that they tend to be really hard to overcome.
455
1047000
3000
Beh, sappiamo che tendono a diventare molto difficili da superare.
17:45
You know, think of our evolutionary predilection
456
1050000
2000
Pensate alle vostre preferenze evolutive
17:47
for eating sweet things, fatty things like cheesecake.
457
1052000
3000
per i cibi dolci e grassi, come la cheesecake.
17:50
You can't just shut that off.
458
1055000
2000
Non potete rinunciarci e basta.
17:52
You can't just look at the dessert cart as say, "No, no, no. That looks disgusting to me."
459
1057000
3000
Non potete guardare semplicemente la lista e dire: "No, no, no. Mi disgusta."
17:55
We're just built differently.
460
1060000
2000
Siamo semplicemente fatti in un altro modo.
17:57
We're going to perceive it as a good thing to go after.
461
1062000
2000
La percepiamo come una cosa buona da ottenere.
17:59
My guess is that the same thing is going to be true
462
1064000
2000
Suppongo che lo stesso valga
18:01
when humans are perceiving
463
1066000
2000
quando gli umani valutano
18:03
different financial decisions.
464
1068000
2000
decisioni finanziarie diverse.
18:05
When you're watching your stocks plummet into the red,
465
1070000
2000
Quando guardate le vostre azioni precipitare,
18:07
when you're watching your house price go down,
466
1072000
2000
quando guardate il prezzo della vostra casa scendere,
18:09
you're not going to be able to see that
467
1074000
2000
non riuscite a vedere le cose in termini diversi
18:11
in anything but old evolutionary terms.
468
1076000
2000
da quelli evolutivi.
18:13
This means that the biases
469
1078000
2000
Questo significa che le distorsioni
18:15
that lead investors to do badly,
470
1080000
2000
che portano gli investitori ad agire male,
18:17
that lead to the foreclosure crisis
471
1082000
2000
che portano alle crisi dei mutui,
18:19
are going to be really hard to overcome.
472
1084000
2000
saranno molto difficili da superare.
18:21
So that's the bad news. The question is: is there any good news?
473
1086000
2000
E queste sono cattive notizie. E le buone
18:23
I'm supposed to be up here telling you the good news.
474
1088000
2000
notizie che vi aspettavate?
18:25
Well, the good news, I think,
475
1090000
2000
Beh, la buona notizia, trovo,
18:27
is what I started with at the beginning of the Talk,
476
1092000
2000
è quella con cui ho iniziato questo talk:
18:29
which is that humans are not only smart;
477
1094000
2000
gli umani non sono solo intelligenti,
18:31
we're really inspirationally smart
478
1096000
2000
la loro intelligenza è anche fonte d'ispirazione
18:33
to the rest of the animals in the biological kingdom.
479
1098000
3000
per il resto degli animali del regno biologico.
18:36
We're so good at overcoming our biological limitations --
480
1101000
3000
Siamo così bravi a superare le nostre limitazioni biologiche:
18:39
you know, I flew over here in an airplane.
481
1104000
2000
io sono volata qui in aeroplano,
18:41
I didn't have to try to flap my wings.
482
1106000
2000
senza dover sbattere le ali per volare,
18:43
I'm wearing contact lenses now so that I can see all of you.
483
1108000
3000
e indosso lenti a contatto che mi permettono di vedere tutti voi,
18:46
I don't have to rely on my own near-sightedness.
484
1111000
3000
senza che la vista corta possa limitarmi.
18:49
We actually have all of these cases
485
1114000
2000
Sono molti i casi
18:51
where we overcome our biological limitations
486
1116000
3000
in cui superiamo le nostre limitazioni biologiche
18:54
through technology and other means, seemingly pretty easily.
487
1119000
3000
grazie alla tecnologia e ad altri mezzi, con molta apparente semplicità.
18:57
But we have to recognize that we have those limitations.
488
1122000
3000
Ma prima dobbiamo riconoscere di averli, questi limiti.
19:00
And here's the rub.
489
1125000
2000
È quello, il vero ostacolo.
19:02
It was Camus who once said that, "Man is the only species
490
1127000
2000
Camus disse, una volta: "Quella umana è la sola specie
19:04
who refuses to be what he really is."
491
1129000
3000
che rifiuta di essere ciò che è."
19:07
But the irony is that
492
1132000
2000
L'ironia è che,
19:09
it might only be in recognizing our limitations
493
1134000
2000
forse, solo riconoscendo i nostri limiti
19:11
that we can really actually overcome them.
494
1136000
2000
possiamo davvero superarli.
19:13
The hope is that you all will think about your limitations,
495
1138000
3000
La speranza è che tutti voi pensiate ai vostri limiti,
19:16
not necessarily as unovercomable,
496
1141000
3000
non necessariamente come insuperabili,
19:19
but to recognize them, accept them
497
1144000
2000
ma che li riconosciate, li accettiate
19:21
and then use the world of design to actually figure them out.
498
1146000
3000
e poi usiate gli strumenti della mente per comprenderli a fondo.
19:24
That might be the only way that we will really be able
499
1149000
3000
Potrebbe essere questo l'unico modo di riuscire
19:27
to achieve our own human potential
500
1152000
2000
a realizzare il nostro potenziale umano
19:29
and really be the noble species we hope to all be.
501
1154000
3000
ed essere davvero la specie nobile che tutti noi speriamo di essere.
19:32
Thank you.
502
1157000
2000
Grazie.
19:34
(Applause)
503
1159000
5000
(Applausi)
ABOUT THE SPEAKER
Laurie Santos - Cognitive psychologistLaurie 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.
Laurie Santos | Speaker | TED.com