TEDGlobal 2010
Laurie Santos: A monkey economy as irrational as ours
Laurie Santos: Uma economia macaca tão irracional quanto a nossa
Filmed:
Readability: 3.3
1,506,660 views
Laurie Santos busca as raízes da irracionalidade humana observando a forma como nossos parentes primatas tomam decisões. Um inteligente conjunto de experimentos em "macaconomia" mostra que algumas das escolhas bobas que fazemos também são feitas por macacos.
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
Eu quero começar minha palestra hoje com duas observações
00:19
about the human species.
1
4000
2000
sobre a espécie humana.
00:21
The first observation is something that you might think is quite obvious,
2
6000
3000
A primeira observação é algo que vocês podem pensar que é óbvio,
00:24
and that's that our species, Homo sapiens,
3
9000
2000
e é que nossa espécie, Homo sapiens,
00:26
is actually really, really smart --
4
11000
2000
é realmente muito, muito esperta --
00:28
like, ridiculously smart --
5
13000
2000
tipo, ridicularmente esperta --
00:30
like you're all doing things
6
15000
2000
pois todos vocês fazem coisas
00:32
that no other species on the planet does right now.
7
17000
3000
que nenhuma outra espécie no planeta faz agora.
00:35
And this is, of course,
8
20000
2000
E essa não é, claro,
00:37
not the first time you've probably recognized this.
9
22000
2000
a primeira vez que vocês reconheceram isso.
00:39
Of course, in addition to being smart, we're also an extremely vain species.
10
24000
3000
Claro, além de sermos espertos, também somos uma espécie muito convencida.
00:42
So we like pointing out the fact that we're smart.
11
27000
3000
Logo gostamos de destacar o fato de que somos espertos.
00:45
You know, so I could turn to pretty much any sage
12
30000
2000
Vocês sabem, eu posso recorrer a qualquer sábio
00:47
from Shakespeare to Stephen Colbert
13
32000
2000
desde Shakespeare a Stephen Colbert
00:49
to point out things like the fact that
14
34000
2000
para destacar coisas como o fato de que
00:51
we're noble in reason and infinite in faculties
15
36000
2000
somos nobres na razão e infinitos no intelecto
00:53
and just kind of awesome-er than anything else on the planet
16
38000
2000
e bem mais superiores do que qualquer um no planeta
00:55
when it comes to all things cerebral.
17
40000
3000
quando o assunto é cerebral.
00:58
But of course, there's a second observation about the human species
18
43000
2000
Mas claro, há uma segunda observação sobre a espécie humana
01:00
that I want to focus on a little bit more,
19
45000
2000
que quero focar um pouco mais,
01:02
and that's the fact that
20
47000
2000
e isso é o fato de que
01:04
even though we're actually really smart, sometimes uniquely smart,
21
49000
3000
mesmo que sejamos muito espertos, às vezes de forma singular,
01:07
we can also be incredibly, incredibly dumb
22
52000
3000
também podemos ser incrivelmente burros
01:10
when it comes to some aspects of our decision making.
23
55000
3000
quando o assunto é tomada de decisões.
01:13
Now I'm seeing lots of smirks out there.
24
58000
2000
Agora eu vejo um monte de sorrisos aí.
01:15
Don't worry, I'm not going to call anyone in particular out
25
60000
2000
Não se preocupem, eu não vou acusar ninguém em particular
01:17
on any aspects of your own mistakes.
26
62000
2000
por nenhum aspecto de seus próprios erros.
01:19
But of course, just in the last two years
27
64000
2000
Mas claro, só nos últimos dois anos
01:21
we see these unprecedented examples of human ineptitude.
28
66000
3000
vimos esses exemplos inesperados da incompetência humana.
01:24
And we've watched as the tools we uniquely make
29
69000
3000
E observamos as ferramentas que singularmente fazemos
01:27
to pull the resources out of our environment
30
72000
2000
para extrair os recursos de nosso ambiente
01:29
kind of just blow up in our face.
31
74000
2000
meio que explodirem na nossa cara.
01:31
We've watched the financial markets that we uniquely create --
32
76000
2000
Observamos os mercados financeiros que singularmente criamos --
01:33
these markets that were supposed to be foolproof --
33
78000
3000
esses mercados que eram supostamente infalíveis --
01:36
we've watched them kind of collapse before our eyes.
34
81000
2000
os vimos quebrar diante de nossos olhos.
01:38
But both of these two embarrassing examples, I think,
35
83000
2000
Mas esses dois exemplos vergonhosos, creio,
01:40
don't highlight what I think is most embarrassing
36
85000
3000
não realçam o que acho que é mais vergonhoso
01:43
about the mistakes that humans make,
37
88000
2000
sobre os erros que os humanos fazem,
01:45
which is that we'd like to think that the mistakes we make
38
90000
3000
que é que gostaríamos de pensar que os erros que fazemos
01:48
are really just the result of a couple bad apples
39
93000
2000
são apenas o resultado de um par de maçãs podres
01:50
or a couple really sort of FAIL Blog-worthy decisions.
40
95000
3000
ou um par de péssimas decisões dignas de um blog.
01:53
But it turns out, what social scientists are actually learning
41
98000
3000
Mas acontece que o que os cientistas estão descobrindo
01:56
is that most of us, when put in certain contexts,
42
101000
3000
é que a maioria de nós, quando colocados em certos contextos,
01:59
will actually make very specific mistakes.
43
104000
3000
realmente cometemos erros muito específicos.
02:02
The errors we make are actually predictable.
44
107000
2000
Os erros que cometemos são realmente previsíveis.
02:04
We make them again and again.
45
109000
2000
Nós os cometemos de novo e de novo.
02:06
And they're actually immune to lots of evidence.
46
111000
2000
E eles são imunes a montes de evidências.
02:08
When we get negative feedback,
47
113000
2000
Quando recebemos uma resposta negativa,
02:10
we still, the next time we're face with a certain context,
48
115000
3000
nós ainda, na próxima vez que enfrentamos um certo contexto,
02:13
tend to make the same errors.
49
118000
2000
tendemos a cometer os mesmos erros.
02:15
And so this has been a real puzzle to me
50
120000
2000
E isso tem sido um quebra-cabeças para mim
02:17
as a sort of scholar of human nature.
51
122000
2000
como pesquisadora da natureza humana.
02:19
What I'm most curious about is,
52
124000
2000
O que mais me intriga é,
02:21
how is a species that's as smart as we are
53
126000
3000
como uma espécia tão esperta como a nossa
02:24
capable of such bad
54
129000
2000
é capaz de fazer erros
02:26
and such consistent errors all the time?
55
131000
2000
tão ruins e tão consistentes o tempo todo?
02:28
You know, we're the smartest thing out there, why can't we figure this out?
56
133000
3000
Vocês sabem, nós somos os mais espertos, por que não conseguimos sair disso?
02:31
In some sense, where do our mistakes really come from?
57
136000
3000
Em certo sentido, de onde vêm realmente nossos erros?
02:34
And having thought about this a little bit, I see a couple different possibilities.
58
139000
3000
E pensando um pouco sobre isso, eu encontrei duas possibilidades diferentes.
02:37
One possibility is, in some sense, it's not really our fault.
59
142000
3000
Uma possibilidade é que, em certo sentido, não é bem nossa culpa.
02:40
Because we're a smart species,
60
145000
2000
Porque nós somos uma espécie esperta,
02:42
we can actually create all kinds of environments
61
147000
2000
podemos criar todos os tipos de ambientes
02:44
that are super, super complicated,
62
149000
2000
que são super, super complicados,
02:46
sometimes too complicated for us to even actually understand,
63
151000
3000
às vezes até complicados demais para nós entendermos,
02:49
even though we've actually created them.
64
154000
2000
mesmo que nós tenhamos os criado.
02:51
We create financial markets that are super complex.
65
156000
2000
Nós criamos mercados financeiros que são super complexos.
02:53
We create mortgage terms that we can't actually deal with.
66
158000
3000
Nós criamos termos de hipoteca que não podemos realmente lidar.
02:56
And of course, if we are put in environments where we can't deal with it,
67
161000
3000
E claro, se fôssemos colocados em ambientes onde não podemos lidar,
02:59
in some sense makes sense that we actually
68
164000
2000
em certo sentido faz sentido que nós
03:01
might mess certain things up.
69
166000
2000
podemos confundir as coisas.
03:03
If this was the case, we'd have a really easy solution
70
168000
2000
Se esse fosse o caso, teríamos uma solução muito simples
03:05
to the problem of human error.
71
170000
2000
para o problema do erro humano.
03:07
We'd actually just say, okay, let's figure out
72
172000
2000
Nós apenas diríamos, ok, vamos descobrir
03:09
the kinds of technologies we can't deal with,
73
174000
2000
os tipos de tecnologia que não podemos lidar,
03:11
the kinds of environments that are bad --
74
176000
2000
os tipos de ambientes que são ruins --
03:13
get rid of those, design things better,
75
178000
2000
se livrar deles, desenhar melhor as coisas,
03:15
and we should be the noble species
76
180000
2000
e devemos ser a espécie nobre
03:17
that we expect ourselves to be.
77
182000
2000
que esperamos que seja.
03:19
But there's another possibility that I find a little bit more worrying,
78
184000
3000
Mas há outra possibilidade que eu acho um pouco mais preocupante,
03:22
which is, maybe it's not our environments that are messed up.
79
187000
3000
que é, talvez não sejam nossos ambientes que estão confusos.
03:25
Maybe it's actually us that's designed badly.
80
190000
3000
Talvez sejamos nós que estamos mal desenhados.
03:28
This is a hint that I've gotten
81
193000
2000
Essa é uma dica que recebi por observar
03:30
from watching the ways that social scientists have learned about human errors.
82
195000
3000
as maneiras que os cientistas sociais estudavam os erros humanos.
03:33
And what we see is that people tend to keep making errors
83
198000
3000
E o que vemos é que as pessoas tendem a seguir cometendo erros
03:36
exactly the same way, over and over again.
84
201000
3000
exatamente da mesma forma, de novo e de novo.
03:39
It feels like we might almost just be built
85
204000
2000
Até parece que somos feitos
03:41
to make errors in certain ways.
86
206000
2000
para cometer erros de certas maneiras.
03:43
This is a possibility that I worry a little bit more about,
87
208000
3000
Essa é uma possibilidade que me preocupa um pouco mais,
03:46
because, if it's us that's messed up,
88
211000
2000
porque, se somos nós que estamos confusos,
03:48
it's not actually clear how we go about dealing with it.
89
213000
2000
não é muito claro como vamos lidar com isso.
03:50
We might just have to accept the fact that we're error prone
90
215000
3000
Nós podemos apenas aceitar o fato de que tendemos a errar
03:53
and try to design things around it.
91
218000
2000
e tentar desenhar coisas ao redor disso.
03:55
So this is the question my students and I wanted to get at.
92
220000
3000
Então essa é a questão que meus alunos e eu queremos chegar.
03:58
How can we tell the difference between possibility one and possibility two?
93
223000
3000
Como podemos diferenciar a possibilidade 1 da possibilidade 2?
04:01
What we need is a population
94
226000
2000
O que precisamos é de uma população
04:03
that's basically smart, can make lots of decisions,
95
228000
2000
que é basicamente esperta, que possa tomar um monte de decisões,
04:05
but doesn't have access to any of the systems we have,
96
230000
2000
mas que não tenha acesso aos sistemas que possuímos,
04:07
any of the things that might mess us up --
97
232000
2000
e nenhuma das coisas que possam confundir --
04:09
no human technology, human culture,
98
234000
2000
nenhuma tecnologia humana, cultura humana,
04:11
maybe even not human language.
99
236000
2000
talvez nem mesmo linguagem humana.
04:13
And so this is why we turned to these guys here.
100
238000
2000
E então por isso nós recorremos a esses sujeitos aqui.
04:15
These are one of the guys I work with. This is a brown capuchin monkey.
101
240000
3000
Esse é um dos sujeitos com quem trabalho. Isso é um macaco-prego.
04:18
These guys are New World primates,
102
243000
2000
Esses sujeitos são primatas do Novo Mundo,
04:20
which means they broke off from the human branch
103
245000
2000
o que significa que eles se separaram do ramo humano
04:22
about 35 million years ago.
104
247000
2000
há cerca de 35 milhões de anos.
04:24
This means that your great, great, great great, great, great --
105
249000
2000
Isso quer dizer que sua tatara, tatara, tatara --
04:26
with about five million "greats" in there --
106
251000
2000
com umas cinco milhões de "tataras" --
04:28
grandmother was probably the same great, great, great, great
107
253000
2000
tataravó foi provavelmente a mesma tatara, tatara, tatara
04:30
grandmother with five million "greats" in there
108
255000
2000
tataravó com 5 milhões de "tataras"
04:32
as Holly up here.
109
257000
2000
de Holly ali em cima.
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
Vocês sabem, assim vocês podem se aliviar com o fato desse sujeito
04:37
but albeit evolutionary, relative.
111
262000
2000
ser um parente muito, muito distante, embora evolucionário.
04:39
The good news about Holly though is that
112
264000
2000
A boa notícia sobre a mente de Holly é que
04:41
she doesn't actually have the same kinds of technologies we do.
113
266000
3000
ela não tem os mesmos tipos de tecnologias que nós temos.
04:44
You know, she's a smart, very cut creature, a primate as well,
114
269000
3000
Vocês sabem, ela é uma gracinha de criatura esperta, um primata também,
04:47
but she lacks all the stuff we think might be messing us up.
115
272000
2000
mas ela não tem as coisas que achamos que poderiam nos confundir.
04:49
So she's the perfect test case.
116
274000
2000
Então ela é o perfeito caso de prova.
04:51
What if we put Holly into the same context as humans?
117
276000
3000
E se colocássemos Holly no mesmo contexto dos humanos?
04:54
Does she make the same mistakes as us?
118
279000
2000
Ela faria os mesmos erros que nós?
04:56
Does she not learn from them? And so on.
119
281000
2000
Ela não aprenderia com eles? E assim por diante.
04:58
And so this is the kind of thing we decided to do.
120
283000
2000
Então isso é o tipo de coisa que decidimos fazer.
05:00
My students and I got very excited about this a few years ago.
121
285000
2000
Meus estudantes e eu ficamos muito excitados com isso anos atrás.
05:02
We said, all right, let's, you know, throw so problems at Holly,
122
287000
2000
Dissemos, tudo bem, vamos, vocês sabem, lançar problemas para Holly,
05:04
see if she messes these things up.
123
289000
2000
ver se ela confunde essas coisas.
05:06
First problem is just, well, where should we start?
124
291000
3000
O primeiro problema é apenas, bem, por onde começar?
05:09
Because, you know, it's great for us, but bad for humans.
125
294000
2000
Porque, vocês sabem, é ótimo para nós, mas péssimo para humanos.
05:11
We make a lot of mistakes in a lot of different contexts.
126
296000
2000
Nós cometemos um monte de erros em um monte de contextos diferentes.
05:13
You know, where are we actually going to start with this?
127
298000
2000
Vocês sabem, por onde vamos começar com isso?
05:15
And because we started this work around the time of the financial collapse,
128
300000
3000
E por começarmos esse trabalho durante a época da crise financeira
05:18
around the time when foreclosures were hitting the news,
129
303000
2000
durante a época em que execuções hipotecárias eram notícia,
05:20
we said, hhmm, maybe we should
130
305000
2000
nós dissemos, hmmm, talvez devêssemos
05:22
actually start in the financial domain.
131
307000
2000
começar no domínio financeiro.
05:24
Maybe we should look at monkey's economic decisions
132
309000
3000
Talvez devêssemos olhar as decisões econômicas dos macacos
05:27
and try to see if they do the same kinds of dumb things that we do.
133
312000
3000
e tentar ver se fazem o mesmo tipo de coisas bobas que fazemos.
05:30
Of course, that's when we hit a sort second problem --
134
315000
2000
Claro, isso foi quando chegamos a um segundo problema --
05:32
a little bit more methodological --
135
317000
2000
um pouco mais metodológico --
05:34
which is that, maybe you guys don't know,
136
319000
2000
que é, talvez vocês não saibam,
05:36
but monkeys don't actually use money. I know, you haven't met them.
137
321000
3000
mas macacos não usam dinheiro. Eu sei, vocês não os conhecem.
05:39
But this is why, you know, they're not in the queue behind you
138
324000
2000
Mas isso porque, vocês sabem, eles não estão na fila atrás de você
05:41
at the grocery store or the ATM -- you know, they don't do this stuff.
139
326000
3000
na padaria ou no caixa automático -- vocês sabem, eles não fazem essas coisas.
05:44
So now we faced, you know, a little bit of a problem here.
140
329000
3000
Então agora enfrentamos, vocês sabem, um probleminha aqui.
05:47
How are we actually going to ask monkeys about money
141
332000
2000
Como nós vamos perguntar sobre dinheiro aos macacos
05:49
if they don't actually use it?
142
334000
2000
se eles não o usam?
05:51
So we said, well, maybe we should just, actually just suck it up
143
336000
2000
Então dissemos, bem, talvez devêssemos só passar por cima
05:53
and teach monkeys how to use money.
144
338000
2000
e ensinar os macacos a usar dinheiro.
05:55
So that's just what we did.
145
340000
2000
Então foi isso que fizemos.
05:57
What you're looking at over here is actually the first unit that I know of
146
342000
3000
O que vocês estão vendo aqui em cima é a primeira unidade
06:00
of non-human currency.
147
345000
2000
que conheço de moeda não humana.
06:02
We weren't very creative at the time we started these studies,
148
347000
2000
Nós não éramos muito criativos na época que começamos
06:04
so we just called it a token.
149
349000
2000
esses estudos, então apenas chamamos isso de ficha.
06:06
But this is the unit of currency that we've taught our monkeys at Yale
150
351000
3000
Mas essa é a unidade de moeda que ensinamos
06:09
to actually use with humans,
151
354000
2000
a nossos macacos de Yale para usar com humanos,
06:11
to actually buy different pieces of food.
152
356000
3000
para comprar porções diferentes de comida.
06:14
It doesn't look like much -- in fact, it isn't like much.
153
359000
2000
Isso não parece muito -- na verdade, isso não é muito.
06:16
Like most of our money, it's just a piece of metal.
154
361000
2000
Como grande parte de nosso dinheiro, é só um pedaço de metal.
06:18
As those of you who've taken currencies home from your trip know,
155
363000
3000
Como aqueles que vocês trazem para casa de uma longa viagem,
06:21
once you get home, it's actually pretty useless.
156
366000
2000
uma vez em casa, é totalmente inútil.
06:23
It was useless to the monkeys at first
157
368000
2000
Era inútil para os macacos no início
06:25
before they realized what they could do with it.
158
370000
2000
antes que percebessem o que eles podiam fazer com isso.
06:27
When we first gave it to them in their enclosures,
159
372000
2000
Quando demos isso a eles em suas moradias,
06:29
they actually kind of picked them up, looked at them.
160
374000
2000
eles meio que pegaram isso e ficaram olhando.
06:31
They were these kind of weird things.
161
376000
2000
Elas eram o tipo de coisas estranhas.
06:33
But very quickly, the monkeys realized
162
378000
2000
Mas rapidamente, os macacos perceberam
06:35
that they could actually hand these tokens over
163
380000
2000
que eles podiam trocar essas fichas
06:37
to different humans in the lab for some food.
164
382000
3000
com humanos diferentes no laboratório por comida.
06:40
And so you see one of our monkeys, Mayday, up here doing this.
165
385000
2000
E assim vocês veem um de nossos macacos, Mayday, fazendo isso aqui.
06:42
This is A and B are kind of the points where she's sort of a little bit
166
387000
3000
Esses A e B são tipos de pontos onde ela meio que está
06:45
curious about these things -- doesn't know.
167
390000
2000
curiosa sobre essas coisas -- não as entende.
06:47
There's this waiting hand from a human experimenter,
168
392000
2000
Há essa mão esperando de um experimentador humano,
06:49
and Mayday quickly figures out, apparently the human wants this.
169
394000
3000
e Mayday rapidamente descobre, aparentemente o humano quer isso.
06:52
Hands it over, and then gets some food.
170
397000
2000
Entrega isso, e daí recebe uma comida.
06:54
It turns out not just Mayday, all of our monkeys get good
171
399000
2000
Acontece não só com Mayday, todos os macacos se dão bem
06:56
at trading tokens with human salesman.
172
401000
2000
em trocar fichas com o vendedor humano.
06:58
So here's just a quick video of what this looks like.
173
403000
2000
Então aqui está um vídeo breve sobre como isso se parece.
07:00
Here's Mayday. She's going to be trading a token for some food
174
405000
3000
Aqui está Mayday. Ela vai trocar uma ficha por uma comida
07:03
and waiting happily and getting her food.
175
408000
3000
e espera alegremente e recebe sua comida.
07:06
Here's Felix, I think. He's our alpha male; he's a kind of big guy.
176
411000
2000
Aqui está Felix, acho. Ele é nosso macho alfa. É meio que um cara grande.
07:08
But he too waits patiently, gets his food and goes on.
177
413000
3000
Mas ele também espera pacientemente, recebe sua comida e continua.
07:11
So the monkeys get really good at this.
178
416000
2000
Então os macacos ficam muito bons nisso.
07:13
They're surprisingly good at this with very little training.
179
418000
3000
Eles são surpreendentemente bons com muito pouco treino.
07:16
We just allowed them to pick this up on their own.
180
421000
2000
Nós apenas os permitimos escolher isso por conta própria.
07:18
The question is: is this anything like human money?
181
423000
2000
A questão é: isso é parecido com o dinheiro humano?
07:20
Is this a market at all,
182
425000
2000
Afinal isso é um mercado,
07:22
or did we just do a weird psychologist's trick
183
427000
2000
ou fizemos apenas um truque psicológico
07:24
by getting monkeys to do something,
184
429000
2000
manipulando os macacos a fazer alguma coisa,
07:26
looking smart, but not really being smart.
185
431000
2000
a parecer espertos, mas não realmente sendo espertos?
07:28
And so we said, well, what would the monkeys spontaneously do
186
433000
3000
Então dissemos, bem, o que os macacos fariam espontaneamente
07:31
if this was really their currency, if they were really using it like money?
187
436000
3000
se isso fosse sua moeda, se eles realmente usassem isso como dinheiro?
07:34
Well, you might actually imagine them
188
439000
2000
Bem, vocês podem imaginá-los
07:36
to do all the kinds of smart things
189
441000
2000
fazer todo tipo de coisas espertas
07:38
that humans do when they start exchanging money with each other.
190
443000
3000
que humanos fazem quando eles começam a trocar dinheiro entre si.
07:41
You might have them start paying attention to price,
191
446000
3000
Vocês podem vê-los começar a prestar atenção ao preço,
07:44
paying attention to how much they buy --
192
449000
2000
atenção a quanto eles compram --
07:46
sort of keeping track of their monkey token, as it were.
193
451000
3000
meio que controlando seu dinheiro em fichas, como se fosse.
07:49
Do the monkeys do anything like this?
194
454000
2000
Os macacos fazem algo assim?
07:51
And so our monkey marketplace was born.
195
456000
3000
E assim nasceu nosso mercado macaco.
07:54
The way this works is that
196
459000
2000
O jeito como isso funciona é que nossos macacos
07:56
our monkeys normally live in a kind of big zoo social enclosure.
197
461000
3000
vivem normalmente em um tipo de grande zoológico social.
07:59
When they get a hankering for some treats,
198
464000
2000
Quando eles têm desejos por algum presente,
08:01
we actually allowed them a way out
199
466000
2000
nós os permitimos sair
08:03
into a little smaller enclosure where they could enter the market.
200
468000
2000
para uma pequeno abrigo onde eles podem entrar no mercado.
08:05
Upon entering the market --
201
470000
2000
Entrando no mercado -- que é um mercado bem mais
08:07
it was actually a much more fun market for the monkeys than most human markets
202
472000
2000
divertido para os macacos que a maioria dos mercados humanos
08:09
because, as the monkeys entered the door of the market,
203
474000
3000
porque, quando os macacos entravam na porta do mercado,
08:12
a human would give them a big wallet full of tokens
204
477000
2000
um humano lhes dava uma carteira cheia de fichas
08:14
so they could actually trade the tokens
205
479000
2000
para que pudessem trocar as fichas
08:16
with one of these two guys here --
206
481000
2000
com um desses caras aqui --
08:18
two different possible human salesmen
207
483000
2000
dois possíveis vendedores humanos diferentes
08:20
that they could actually buy stuff from.
208
485000
2000
de quem eles podiam comprar coisas.
08:22
The salesmen were students from my lab.
209
487000
2000
Os vendedores eram estudantes do meu laboratório.
08:24
They dressed differently; they were different people.
210
489000
2000
Eles se vestiam de forma diferente, eram pessoas diferentes.
08:26
And over time, they did basically the same thing
211
491000
3000
E ao longo do tempo, eles faziam basicamente a mesma coisa
08:29
so the monkeys could learn, you know,
212
494000
2000
para que os macacos aprendessem, vocês sabem,
08:31
who sold what at what price -- you know, who was reliable, who wasn't, and so on.
213
496000
3000
quem vendia o que a qual preço -- vocês sabem, quem era confiável, quem não, etc.
08:34
And you can see that each of the experimenters
214
499000
2000
E vocês podem ver que cada um dos experimentadores
08:36
is actually holding up a little, yellow food dish.
215
501000
3000
está segurando um pequeno prato amarelo de comida.
08:39
and that's what the monkey can for a single token.
216
504000
2000
E isso é o que o macaco pode trocar por uma ficha.
08:41
So everything costs one token,
217
506000
2000
Então tudo custava uma ficha,
08:43
but as you can see, sometimes tokens buy more than others,
218
508000
2000
mas como vocês veem, às vezes fichas compram mais que outras,
08:45
sometimes more grapes than others.
219
510000
2000
às vezes mais frutas que outras.
08:47
So I'll show you a quick video of what this marketplace actually looks like.
220
512000
3000
Então vou mostrar a vocês um vídeo breve de como esse mercado se parece.
08:50
Here's a monkey-eye-view. Monkeys are shorter, so it's a little short.
221
515000
3000
Aqui está a visão do macaco. Macacos são baixos, então está um pouco baixa.
08:53
But here's Honey.
222
518000
2000
Mas aqui está Honey.
08:55
She's waiting for the market to open a little impatiently.
223
520000
2000
Ela está esperando que o mercado abra um pouco impaciente.
08:57
All of a sudden the market opens. Here's her choice: one grapes or two grapes.
224
522000
3000
De repente o mercado se abre. Aqui está sua escolha: uma fruta ou duas frutas.
09:00
You can see Honey, very good market economist,
225
525000
2000
Vocês podem ver Honey. uma ótima economista de mercado,
09:02
goes with the guy who gives more.
226
527000
3000
vai com o cara que dá mais.
09:05
She could teach our financial advisers a few things or two.
227
530000
2000
Ela pôde ensinar a nossos conselheiros financeiros algumas coisas.
09:07
So not just Honey,
228
532000
2000
Não só Honey,
09:09
most of the monkeys went with guys who had more.
229
534000
3000
a maioria dos macacos foram com o cara que dava mais.
09:12
Most of the monkeys went with guys who had better food.
230
537000
2000
A maioria dos macacos foram com o cara que dava a melhor comida.
09:14
When we introduced sales, we saw the monkeys paid attention to that.
231
539000
3000
Quando apresentamos vendas, vimos os macacos prestando atenção nisso.
09:17
They really cared about their monkey token dollar.
232
542000
3000
Eles realmente se importam com seu dólar-ficha-macaco.
09:20
The more surprising thing was that when we collaborated with economists
233
545000
3000
A coisa mais surpreendente foi que quando colaboramos com economistas
09:23
to actually look at the monkeys' data using economic tools,
234
548000
3000
para ver os dados dos macacos usando ferramentas econômicas,
09:26
they basically matched, not just qualitatively,
235
551000
3000
eles basicamente eram idênticos, não só qualitativamente,
09:29
but quantitatively with what we saw
236
554000
2000
mas quantitativamente com o que vimos
09:31
humans doing in a real market.
237
556000
2000
humanos fazer num mercado de verdade.
09:33
So much so that, if you saw the monkeys' numbers,
238
558000
2000
De tal forma que, ao ver os números dos macacos, você não
09:35
you couldn't tell whether they came from a monkey or a human in the same market.
239
560000
3000
podia dizer se vieram de um macaco ou de um humano no mesmo mercado.
09:38
And what we'd really thought we'd done
240
563000
2000
E o que pensamos que fizemos
09:40
is like we'd actually introduced something
241
565000
2000
foi que nós apresentamos algo
09:42
that, at least for the monkeys and us,
242
567000
2000
que, ao menos para os macacos e para nós,
09:44
works like a real financial currency.
243
569000
2000
funciona como uma moeda financeira real.
09:46
Question is: do the monkeys start messing up in the same ways we do?
244
571000
3000
A questão é: os macacos começam a se confundir da mesma forma que nós?
09:49
Well, we already saw anecdotally a couple of signs that they might.
245
574000
3000
Bem, nós já vimos casualmente alguns sinais de que eles podem.
09:52
One thing we never saw in the monkey marketplace
246
577000
2000
Uma coisa que nunca vimos no mercado macaco
09:54
was any evidence of saving --
247
579000
2000
era qualquer evidência de poupança --
09:56
you know, just like our own species.
248
581000
2000
vocês sabem, igual a nossa espécie.
09:58
The monkeys entered the market, spent their entire budget
249
583000
2000
Os macacos entravam no mercado, gastavam todo seu dinheiro
10:00
and then went back to everyone else.
250
585000
2000
e depois voltavam para suas vidas.
10:02
The other thing we also spontaneously saw,
251
587000
2000
A outra coisa que também vimos espontaneamente,
10:04
embarrassingly enough,
252
589000
2000
vergonhosamente bastante,
10:06
is spontaneous evidence of larceny.
253
591000
2000
é evidência espontânea de roubo.
10:08
The monkeys would rip-off the tokens at every available opportunity --
254
593000
3000
Os macacos roubavam as fichas em toda chance disponível --
10:11
from each other, often from us --
255
596000
2000
entre si, com frequência de nós --
10:13
you know, things we didn't necessarily think we were introducing,
256
598000
2000
vocês sabem, coisas que não necessariamente pensamos em apresentar,
10:15
but things we spontaneously saw.
257
600000
2000
mas coisas que vimos espontaneamente.
10:17
So we said, this looks bad.
258
602000
2000
Então dissemos, isso parece ruim.
10:19
Can we actually see if the monkeys
259
604000
2000
Podemos ver realmente se os macacos
10:21
are doing exactly the same dumb things as humans do?
260
606000
3000
estão fazendo exatamente as mesmas coisas bobas que os humanos?
10:24
One possibility is just kind of let
261
609000
2000
Uma possibilidade é apenas permitir
10:26
the monkey financial system play out,
262
611000
2000
o sistema financeiro do macaco continuar, vocês sabem,
10:28
you know, see if they start calling us for bailouts in a few years.
263
613000
2000
ver se eles começam a nos pedir fiado em alguns anos.
10:30
We were a little impatient so we wanted
264
615000
2000
Nós estávamos um pouco impacientes então quisemos
10:32
to sort of speed things up a bit.
265
617000
2000
acelerar um pouco as coisas.
10:34
So we said, let's actually give the monkeys
266
619000
2000
Então dissemos, vamos dar aos macacos
10:36
the same kinds of problems
267
621000
2000
os mesmos tipos de problemas
10:38
that humans tend to get wrong
268
623000
2000
que os humanos tendem a se enganar
10:40
in certain kinds of economic challenges,
269
625000
2000
em certos tipos de desafios econômicos,
10:42
or certain kinds of economic experiments.
270
627000
2000
ou certos tipos de experimentos econômicos.
10:44
And so, since the best way to see how people go wrong
271
629000
3000
E assim, visto que o melhor meio para ver como as pessoas
10:47
is to actually do it yourself,
272
632000
2000
se enganam é fazer isso em si mesmo,
10:49
I'm going to give you guys a quick experiment
273
634000
2000
Eu vou dar a vocês um breve experimento
10:51
to sort of watch your own financial intuitions in action.
274
636000
2000
para observar suas intuições financeiras em ação.
10:53
So imagine that right now
275
638000
2000
Então imaginem que agora
10:55
I handed each and every one of you
276
640000
2000
eu dei a cada um de vocês
10:57
a thousand U.S. dollars -- so 10 crisp hundred dollar bills.
277
642000
3000
mil dólares -- em 10 notas de cem dólares.
11:00
Take these, put it in your wallet
278
645000
2000
Peguem-nas, coloque-as em sua carteira
11:02
and spend a second thinking about what you're going to do with it.
279
647000
2000
e pensem duas vezes sobre o que vocês vão fazer com isso.
11:04
Because it's yours now; you can buy whatever you want.
280
649000
2000
Por que isso é seu agora, você pode comprar o que você quiser.
11:06
Donate it, take it, and so on.
281
651000
2000
Doar isso, ficar com isso e assim por diante.
11:08
Sounds great, but you get one more choice to earn a little bit more money.
282
653000
3000
Parece ótimo, mas você tem uma escolha de ganhar um pouco mais dinheiro.
11:11
And here's your choice: you can either be risky,
283
656000
3000
E aqui está sua escolha: você pode se arriscar,
11:14
in which case I'm going to flip one of these monkey tokens.
284
659000
2000
e nesse caso vou lançar uma dessas fichas de macaco.
11:16
If it comes up heads, you're going to get a thousand dollars more.
285
661000
2000
Se cair cara, você vai receber mais mil dólares.
11:18
If it comes up tails, you get nothing.
286
663000
2000
Se cair coroa, você não ganha nada.
11:20
So it's a chance to get more, but it's pretty risky.
287
665000
3000
Então aqui está a chance de ganhar mais, mas é muito arriscada.
11:23
Your other option is a bit safe. Your just going to get some money for sure.
288
668000
3000
Sua outra opção é segura. Você vai ficar com seu dinheiro com certeza.
11:26
I'm just going to give you 500 bucks.
289
671000
2000
Eu vou dar a vocês 500 dólares.
11:28
You can stick it in your wallet and use it immediately.
290
673000
3000
Você pode ficar com eles na sua carteira e usá-los imediatamente.
11:31
So see what your intuition is here.
291
676000
2000
Então vejam qual é sua intuição aqui.
11:33
Most people actually go with the play-it-safe option.
292
678000
3000
A maioria das pessoas escolhem a opção segura.
11:36
Most people say, why should I be risky when I can get 1,500 dollars for sure?
293
681000
3000
A maioria diz, por que deveria me arriscar quando posso ganhar 1.500 dólares?
11:39
This seems like a good bet. I'm going to go with that.
294
684000
2000
Isso me parece uma boa aposta. Eu vou me satisfazer com isso.
11:41
You might say, eh, that's not really irrational.
295
686000
2000
Vocês podem dizer, ah, isso não é realmente irracional.
11:43
People are a little risk-averse. So what?
296
688000
2000
As pessoas são aversas a riscos. E daí?
11:45
Well, the "so what?" comes when start thinking
297
690000
2000
Bem, o "e daí?" vem quando começamos a pensar
11:47
about the same problem
298
692000
2000
sobre o mesmo problema
11:49
set up just a little bit differently.
299
694000
2000
colocado de uma forma um pouco diferente.
11:51
So now imagine that I give each and every one of you
300
696000
2000
Então vamos imaginar que eu dei a cada um de vocês
11:53
2,000 dollars -- 20 crisp hundred dollar bills.
301
698000
3000
2.000 dólares -- 20 notas de cem dólares.
11:56
Now you can buy double to stuff you were going to get before.
302
701000
2000
Agora vocês podem comprar o dobro de coisas que vocês comprariam antes.
11:58
Think about how you'd feel sticking it in your wallet.
303
703000
2000
Pensem sobre como você se sentiria colado na sua carteira.
12:00
And now imagine that I have you make another choice
304
705000
2000
E agora imagine que eu dou outra escolha a você.
12:02
But this time, it's a little bit worse.
305
707000
2000
Mas agora, é um pouco pior.
12:04
Now, you're going to be deciding how you're going to lose money,
306
709000
3000
Agora, você vai decidir como vai perder seu dinheiro,
12:07
but you're going to get the same choice.
307
712000
2000
mas você vai ter a mesma escolha.
12:09
You can either take a risky loss --
308
714000
2000
Você pode assumir a perda arriscada --
12:11
so I'll flip a coin. If it comes up heads, you're going to actually lose a lot.
309
716000
3000
então eu lanço a ficha. Se der cara, você vai perder muito.
12:14
If it comes up tails, you lose nothing, you're fine, get to keep the whole thing --
310
719000
3000
Se der coroa, você não perde nada, tudo bem, continua com tudo --
12:17
or you could play it safe, which means you have to reach back into your wallet
311
722000
3000
ou você jogar no seguro, o que significa que você precisa abrir sua carteira
12:20
and give me five of those $100 bills, for certain.
312
725000
3000
e me dar 5 notas de 100 dólares, com certeza.
12:23
And I'm seeing a lot of furrowed brows out there.
313
728000
3000
E eu vejo um monte de sobrancelhas cerradas aí.
12:26
So maybe you're having the same intuitions
314
731000
2000
Então talvez vocês tenham as mesmas intuições
12:28
as the subjects that were actually tested in this,
315
733000
2000
que os sujeitos em quem testamos isso,
12:30
which is when presented with these options,
316
735000
2000
que é quando apresentados a essas opções,
12:32
people don't choose to play it safe.
317
737000
2000
as pessoas não jogam na opção segura.
12:34
They actually tend to go a little risky.
318
739000
2000
Elas tendem a se arriscar.
12:36
The reason this is irrational is that we've given people in both situations
319
741000
3000
A razão disso ser irracional é que damos às pessoas a mesma escolha
12:39
the same choice.
320
744000
2000
em ambas situações.
12:41
It's a 50/50 shot of a thousand or 2,000,
321
746000
3000
É meio a meio de 1.000 ou 2.000,
12:44
or just 1,500 dollars with certainty.
322
749000
2000
ou só 1.500 dólares com certeza.
12:46
But people's intuitions about how much risk to take
323
751000
3000
Mas as intuições das pessoas sobre quanto risco tomar
12:49
varies depending on where they started with.
324
754000
2000
variam dependendo de onde elas começam.
12:51
So what's going on?
325
756000
2000
Então o que está acontecendo?
12:53
Well, it turns out that this seems to be the result
326
758000
2000
Bem, acontece que isso parece ser o resultado
12:55
of at least two biases that we have at the psychological level.
327
760000
3000
de ao menos duas manias que temos em nível psicológico.
12:58
One is that we have a really hard time thinking in absolute terms.
328
763000
3000
Uma é que nós temos dificuldades em pensar em termos absolutos.
13:01
You really have to do work to figure out,
329
766000
2000
Você realmente precisa refletir para descobrir,
13:03
well, one option's a thousand, 2,000;
330
768000
2000
bem, uma opção é 1.000 ou 2.000,
13:05
one is 1,500.
331
770000
2000
a outra é 1.500.
13:07
Instead, we find it very easy to think in very relative terms
332
772000
3000
Ao invés disso, achamos mais fácil pensar em termos relativos
13:10
as options change from one time to another.
333
775000
3000
quando as opções mudam de uma hora para outra.
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
Então pensamos assim: "Ah, eu vou ganhar mais", ou "Ah, eu vou ganhar menos".
13:16
This is all well and good, except that
335
781000
2000
Isso é bom e ótimo, exceto que
13:18
changes in different directions
336
783000
2000
mudanças em direções diferentes
13:20
actually effect whether or not we think
337
785000
2000
nos induzem se achamos que as opções
13:22
options are good or not.
338
787000
2000
são boas ou não.
13:24
And this leads to the second bias,
339
789000
2000
E isso leva à segunda mania,
13:26
which economists have called loss aversion.
340
791000
2000
o que os economistas chamam de aversão a perda.
13:28
The idea is that we really hate it when things go into the red.
341
793000
3000
A idéia é que nós odiamos quando as coisas estão no vermelho.
13:31
We really hate it when we have to lose out on some money.
342
796000
2000
Nós odiamos quando nós temos de perder algum dinheiro.
13:33
And this means that sometimes we'll actually
343
798000
2000
E isso significa que às vezes nós realmente
13:35
switch our preferences to avoid this.
344
800000
2000
trocamos nossas preferências para evitar isso.
13:37
What you saw in that last scenario is that
345
802000
2000
O que vocês viram na última situação é que
13:39
subjects get risky
346
804000
2000
os sujeitos assumem riscos
13:41
because they want the small shot that there won't be any loss.
347
806000
3000
porque querem a chancezinha em que não há nenhuma perda.
13:44
That means when we're in a risk mindset --
348
809000
2000
Isso significa que quando temos uma perspectiva de risco --
13:46
excuse me, when we're in a loss mindset,
349
811000
2000
perdão, uma perspectiva de perda,
13:48
we actually become more risky,
350
813000
2000
nós realmente assumimos mais riscos,
13:50
which can actually be really worrying.
351
815000
2000
o que pode ser muito preocupante.
13:52
These kinds of things play out in lots of bad ways in humans.
352
817000
3000
Esse tipo de coisa acontece em várias formas ruins em humanos.
13:55
They're why stock investors hold onto losing stocks longer --
353
820000
3000
Por causa delas acionistas seguram mais ações em baixa --
13:58
because they're evaluating them in relative terms.
354
823000
2000
porque eles as avaliam em termos relativos.
14:00
They're why people in the housing market refused to sell their house --
355
825000
2000
Por causa delas pessoas no mercado imobiliário se recusam a vender sua casa --
14:02
because they don't want to sell at a loss.
356
827000
2000
porque elas não querem vender em baixa.
14:04
The question we were interested in
357
829000
2000
A questão que nós estamos interessados
14:06
is whether the monkeys show the same biases.
358
831000
2000
é se os macacos mostram as mesmas bases.
14:08
If we set up those same scenarios in our little monkey market,
359
833000
3000
Se criássemos essas mesmas situações em nosso mercadinho macaco,
14:11
would they do the same thing as people?
360
836000
2000
eles fariam as mesmas coisas que as pessoas?
14:13
And so this is what we did, we gave the monkeys choices
361
838000
2000
E foi isso que fizemos, nós demos aos macacos escolhas
14:15
between guys who were safe -- they did the same thing every time --
362
840000
3000
entre caras que eram seguros -- eles faziam a mesma coisa toda hora --
14:18
or guys who were risky --
363
843000
2000
ou caras que eram arriscados --
14:20
they did things differently half the time.
364
845000
2000
eles faziam coisas diferentes na metade do tempo.
14:22
And then we gave them options that were bonuses --
365
847000
2000
E então nós demos a eles opções que eram bônus --
14:24
like you guys did in the first scenario --
366
849000
2000
como vocês fizeram na primeira situação --
14:26
so they actually have a chance more,
367
851000
2000
assim eles tiveram a chance de ganhar mais,
14:28
or pieces where they were experiencing losses --
368
853000
3000
ou a chance onde experimentavam perdas --
14:31
they actually thought they were going to get more than they really got.
369
856000
2000
eles realmente pensavam que eles iam ganhar mais do que tinham.
14:33
And so this is what this looks like.
370
858000
2000
E assim que isso se parece.
14:35
We introduced the monkeys to two new monkey salesmen.
371
860000
2000
Nós apresentamos os macacos a dois novos vendedores para macacos.
14:37
The guy on the left and right both start with one piece of grape,
372
862000
2000
Os caras à esquerda e à direita começam a vender um pedaço de fruta,
14:39
so it looks pretty good.
373
864000
2000
então isso parece muito bom.
14:41
But they're going to give the monkeys bonuses.
374
866000
2000
Mas eles vão dar bônus aos macacos.
14:43
The guy on the left is a safe bonus.
375
868000
2000
O cara à esquerda é um bônus seguro.
14:45
All the time, he adds one, to give the monkeys two.
376
870000
3000
Toda a hora, ele dá mais um, dando mais dois aos macacos.
14:48
The guy on the right is actually a risky bonus.
377
873000
2000
O cara à direita é um bônus arriscado.
14:50
Sometimes the monkeys get no bonus -- so this is a bonus of zero.
378
875000
3000
Às vezes os macacos não ganham bônus -- então isso é um bônus zero.
14:53
Sometimes the monkeys get two extra.
379
878000
3000
Às vezes os macacos ganham mais dois pedaços,
14:56
For a big bonus, now they get three.
380
881000
2000
por um bônus maior, agora eles ganham três.
14:58
But this is the same choice you guys just faced.
381
883000
2000
Mas isso é a mesma escolha que vocês enfrentaram.
15:00
Do the monkeys actually want to play it safe
382
885000
3000
Os macacos preferem jogar no seguro
15:03
and then go with the guy who's going to do the same thing on every trial,
383
888000
2000
e ir com o cara que dá a mesma coisa em cada tentativa,
15:05
or do they want to be risky
384
890000
2000
ou eles preferem assumir riscos
15:07
and try to get a risky, but big, bonus,
385
892000
2000
e tentar ganhar um bônus arriscado, porém grande,
15:09
but risk the possibility of getting no bonus.
386
894000
2000
mas arriscando a possibilidade de não ganhar bônus nenhum?
15:11
People here played it safe.
387
896000
2000
As pessoas aqui preferiram o seguro.
15:13
Turns out, the monkeys play it safe too.
388
898000
2000
Acontece que os macacos jogam no seguro também.
15:15
Qualitatively and quantitatively,
389
900000
2000
Qualitativamente e quantitativamente,
15:17
they choose exactly the same way as people,
390
902000
2000
eles escolhem exatamente da mesma forma que nós pessoas,
15:19
when tested in the same thing.
391
904000
2000
quando testados na mesma coisa.
15:21
You might say, well, maybe the monkeys just don't like risk.
392
906000
2000
Vocês poderiam dizer: "Bem, talvez os macacos apenas não gostem de riscos."
15:23
Maybe we should see how they do with losses.
393
908000
2000
Talvez devêssemos ver como eles fazem com perdas.
15:25
And so we ran a second version of this.
394
910000
2000
E assim fizemos uma segunda versão disso.
15:27
Now, the monkeys meet two guys
395
912000
2000
Agora, os macacos encontravam dois caras
15:29
who aren't giving them bonuses;
396
914000
2000
que não estão dando bônus a eles.
15:31
they're actually giving them less than they expect.
397
916000
2000
Eles estão dando a eles menos do que esperam.
15:33
So they look like they're starting out with a big amount.
398
918000
2000
Assim parece que eles estão começando com uma grande quantia.
15:35
These are three grapes; the monkey's really psyched for this.
399
920000
2000
Essas são três frutas, os macacos são fascinados por isso.
15:37
But now they learn these guys are going to give them less than they expect.
400
922000
3000
Mas agora eles aprendem que esses caras vão dar menos do que esperam.
15:40
They guy on the left is a safe loss.
401
925000
2000
O cara à esquerda é uma perda segura.
15:42
Every single time, he's going to take one of these away
402
927000
3000
A cada momento, ele vai pegar uma dessas
15:45
and give the monkeys just two.
403
930000
2000
e dar apenas duas aos macacos.
15:47
the guy on the right is the risky loss.
404
932000
2000
O cara à direita é a perda arriscada.
15:49
Sometimes he gives no loss, so the monkeys are really psyched,
405
934000
3000
Às vezes ele não dá perdas, assim os macacos ficam fascinados,
15:52
but sometimes he actually gives a big loss,
406
937000
2000
mas às vezes ele dá uma grande perda,
15:54
taking away two to give the monkeys only one.
407
939000
2000
pegando dois para dar apenas um aos macacos.
15:56
And so what do the monkeys do?
408
941000
2000
Então o que os macacos fazem?
15:58
Again, same choice; they can play it safe
409
943000
2000
Novamente, a mesma escolha. Eles podem jogar no seguro
16:00
for always getting two grapes every single time,
410
945000
3000
para sempre ganhar duas frutas cada vez,
16:03
or they can take a risky bet and choose between one and three.
411
948000
3000
ou eles podem assumir uma aposta arriscada e escolher entre uma e três.
16:06
The remarkable thing to us is that, when you give monkeys this choice,
412
951000
3000
A coisa notável para nós é que, quando você dá essa escolha aos macacos,
16:09
they do the same irrational thing that people do.
413
954000
2000
eles fazem a mesma coisa irracional que as pessoas fazem.
16:11
They actually become more risky
414
956000
2000
Eles realmente assumem mais riscos
16:13
depending on how the experimenters started.
415
958000
3000
dependendo de como os experimentadores começam.
16:16
This is crazy because it suggests that the monkeys too
416
961000
2000
Isso é loucura porque sugere que os macacos também
16:18
are evaluating things in relative terms
417
963000
2000
estão avaliando as coisas em termos relativos
16:20
and actually treating losses differently than they treat gains.
418
965000
3000
e realmente tratam as perdas de forma diferente dos ganhos.
16:23
So what does all of this mean?
419
968000
2000
Então o que isso tudo significa?
16:25
Well, what we've shown is that, first of all,
420
970000
2000
Bem, o que nós mostramos é que, em primeiro lugar,
16:27
we can actually give the monkeys a financial currency,
421
972000
2000
nós podemos dar aos macacos uma moeda financeira,
16:29
and they do very similar things with it.
422
974000
2000
e eles fazem coisas muito parecidas com ela.
16:31
They do some of the smart things we do,
423
976000
2000
Eles fazem algumas das coisas espertas que fazemos,
16:33
some of the kind of not so nice things we do,
424
978000
2000
algumas das coisas não tão gentis que fazemos,
16:35
like steal it and so on.
425
980000
2000
como roubar e assim por diante.
16:37
But they also do some of the irrational things we do.
426
982000
2000
Mas eles também fazem algumas das coisas irracionais que fazemos.
16:39
They systematically get things wrong
427
984000
2000
Eles sistematicamente percebem as coisas errado
16:41
and in the same ways that we do.
428
986000
2000
e da mesma forma que fazemos.
16:43
This is the first take-home message of the Talk,
429
988000
2000
Essa é primeira mensagem para levar para casa da palestra,
16:45
which is that if you saw the beginning of this and you thought,
430
990000
2000
que é se você viu o começo disso e pensou:
16:47
oh, I'm totally going to go home and hire a capuchin monkey financial adviser.
431
992000
2000
"Ah, eu vou para casa e contratar um macaco-prego como conselheiro financeiro."
16:49
They're way cuter than the one at ... you know --
432
994000
2000
Eles são mais fofos que o outro, vocês sabem --
16:51
Don't do that; they're probably going to be just as dumb
433
996000
2000
Não façam isso, eles provavelmente serão tão burros
16:53
as the human one you already have.
434
998000
3000
quanto o humano que você já tem.
16:56
So, you know, a little bad -- Sorry, sorry, sorry.
435
1001000
2000
Então, vocês sabem, um pouco ruim -- desculpe, desculpe,desculpe.
16:58
A little bad for monkey investors.
436
1003000
2000
Um pouco ruim para os macacos investidores.
17:00
But of course, you know, the reason you're laughing is bad for humans too.
437
1005000
3000
Mas claro, vocês sabem, a razão por vocês rirem é ruim para humanos também.
17:03
Because we've answered the question we started out with.
438
1008000
3000
Porque nós respondemos a questão que começamos.
17:06
We wanted to know where these kinds of errors came from.
439
1011000
2000
Nós queremos saber de onde esses tipos de erros surgiram.
17:08
And we started with the hope that maybe we can
440
1013000
2000
E começamos com a esperança de que talvez possamos
17:10
sort of tweak our financial institutions,
441
1015000
2000
meio que ajustar nossas instituições financeiras,
17:12
tweak our technologies to make ourselves better.
442
1017000
3000
ajustar nossas tecnologias para nos fazer melhores.
17:15
But what we've learn is that these biases might be a deeper part of us than that.
443
1020000
3000
Mas o que aprendemos é que essas manias podem ser uma profunda parte de nós.
17:18
In fact, they might be due to the very nature
444
1023000
2000
De fato, elas podem ser devido a própria natureza
17:20
of our evolutionary history.
445
1025000
2000
de nossa história evolucionária.
17:22
You know, maybe it's not just humans
446
1027000
2000
Vocês sabem, talvez não são só os humanos
17:24
at the right side of this chain that's duncey.
447
1029000
2000
no lado direito dessa cadeia que são burros.
17:26
Maybe it's sort of duncey all the way back.
448
1031000
2000
Talvez é um tipo de burrice mais antiga.
17:28
And this, if we believe the capuchin monkey results,
449
1033000
3000
E isso, se acreditarmos nos resultados dos macacos-prego,
17:31
means that these duncey strategies
450
1036000
2000
significa que essas estratégias burras
17:33
might be 35 million years old.
451
1038000
2000
podem ter 35 milhões de anos de idade.
17:35
That's a long time for a strategy
452
1040000
2000
Essa é um longo período para uma estratégia
17:37
to potentially get changed around -- really, really old.
453
1042000
3000
ser potencialmente mudada -- muito, muito antiga.
17:40
What do we know about other old strategies like this?
454
1045000
2000
O que sabemos sobre outras estratégias como essa?
17:42
Well, one thing we know is that they tend to be really hard to overcome.
455
1047000
3000
Bem, uma coisa que sabemos é que elas tendem a ser difíceis de ser superadas.
17:45
You know, think of our evolutionary predilection
456
1050000
2000
Vocês sabem, pensem na nossa preferência evolucionária
17:47
for eating sweet things, fatty things like cheesecake.
457
1052000
3000
por comer coisas doces, coisas gordas como torta de queijo.
17:50
You can't just shut that off.
458
1055000
2000
Você não pode apenas desligar isso.
17:52
You can't just look at the dessert cart as say, "No, no, no. That looks disgusting to me."
459
1057000
3000
Você não pode apenas olhar para a carta de sobremesa e dizer: "Não, não, não. Isso parece nojento para mim."
17:55
We're just built differently.
460
1060000
2000
Nós somos apenas construídos de forma diferente.
17:57
We're going to perceive it as a good thing to go after.
461
1062000
2000
Nós perceberemos isso como uma coisa boa a ir atrás.
17:59
My guess is that the same thing is going to be true
462
1064000
2000
Meu palpite é que a mesma coisa será verdade
18:01
when humans are perceiving
463
1066000
2000
quando os humanos estiverem percebendo
18:03
different financial decisions.
464
1068000
2000
decisões financeiras diferentes.
18:05
When you're watching your stocks plummet into the red,
465
1070000
2000
Quando você observa suas ações cair no vermelho,
18:07
when you're watching your house price go down,
466
1072000
2000
quando você olha o preço da sua casa cair,
18:09
you're not going to be able to see that
467
1074000
2000
você não poderá perceber mais nada
18:11
in anything but old evolutionary terms.
468
1076000
2000
a não ser em velhos termos evolucionários.
18:13
This means that the biases
469
1078000
2000
Isso quer dizer que as manias
18:15
that lead investors to do badly,
470
1080000
2000
que levam os investidores a fazer tudo errado,
18:17
that lead to the foreclosure crisis
471
1082000
2000
que levam à crise das execuções de hipoteca
18:19
are going to be really hard to overcome.
472
1084000
2000
são muito difíceis de ser superadas.
18:21
So that's the bad news. The question is: is there any good news?
473
1086000
2000
Então essa é a má notícia. A questão é: há uma boa notícia?
18:23
I'm supposed to be up here telling you the good news.
474
1088000
2000
Eu devia estar aqui dizendo a vocês as boas notícias.
18:25
Well, the good news, I think,
475
1090000
2000
Bem, a boa notícia, creio,
18:27
is what I started with at the beginning of the Talk,
476
1092000
2000
é o que eu comecei no início da palestra,
18:29
which is that humans are not only smart;
477
1094000
2000
que é que humanos não são apenas espertos,
18:31
we're really inspirationally smart
478
1096000
2000
nós somos inspiradoramente espertos
18:33
to the rest of the animals in the biological kingdom.
479
1098000
3000
para o resto dos animais no reino biológico.
18:36
We're so good at overcoming our biological limitations --
480
1101000
3000
Nós somos tão bons em superar nossas próprias limitações biológicas --
18:39
you know, I flew over here in an airplane.
481
1104000
2000
vocês sabem, eu cheguei aqui de avião.
18:41
I didn't have to try to flap my wings.
482
1106000
2000
Eu não precisei tentar voar com minhas asas.
18:43
I'm wearing contact lenses now so that I can see all of you.
483
1108000
3000
Eu estou usando lentes de contato agora para que possa ver todos vocês.
18:46
I don't have to rely on my own near-sightedness.
484
1111000
3000
Eu não preciso me manter com minha quase cegueira.
18:49
We actually have all of these cases
485
1114000
2000
Nós temos todos esses casos
18:51
where we overcome our biological limitations
486
1116000
3000
onde nós superamos nossas limitações biológicas
18:54
through technology and other means, seemingly pretty easily.
487
1119000
3000
por meio da tecnologia e outros meios, aparentemente de forma fácil.
18:57
But we have to recognize that we have those limitations.
488
1122000
3000
Mas nós temos que reconhecer que temos nossas limitações.
19:00
And here's the rub.
489
1125000
2000
E aqui está o problema.
19:02
It was Camus who once said that, "Man is the only species
490
1127000
2000
Foi Camus que uma vez disse que "O homem é a única espécie
19:04
who refuses to be what he really is."
491
1129000
3000
que se recusa a ser o que ele realmente é."
19:07
But the irony is that
492
1132000
2000
Mas a ironia é que
19:09
it might only be in recognizing our limitations
493
1134000
2000
pode ser apenas no reconhecimento de nossas limitações
19:11
that we can really actually overcome them.
494
1136000
2000
que nós podemos realmente superá-las.
19:13
The hope is that you all will think about your limitations,
495
1138000
3000
A esperança é que vocês pensarão sobre suas limitações,
19:16
not necessarily as unovercomable,
496
1141000
3000
não necessariamente como intransponíveis,
19:19
but to recognize them, accept them
497
1144000
2000
mas reconhecê-las e aceitá-las
19:21
and then use the world of design to actually figure them out.
498
1146000
3000
e então usar o mundo do design para solucioná-las.
19:24
That might be the only way that we will really be able
499
1149000
3000
Isso pode ser o único caminho no qual podemos realmente
19:27
to achieve our own human potential
500
1152000
2000
alcançar nosso próprio potencial humano
19:29
and really be the noble species we hope to all be.
501
1154000
3000
e ser realmente a nobre espécie que esperamos todos ser.
19:32
Thank you.
502
1157000
2000
Obrigada.
19:34
(Applause)
503
1159000
5000
(Aplausos)
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