TEDGlobal 2010
Laurie Santos: A monkey economy as irrational as ours
Laurie Santos: Uma economia dos macacos tão irracional como a nossa
Filmed:
Readability: 3.3
1,506,660 views
Laurie Santos investiga as raízes da irracionalidade humana observando a forma como os nossos parentes primatas tomam decisões. Uma série de experiências inteligentes em "macaconomia" mostra que algumas das escolhas tolas que fazemos, são também feitas pelos macacos.
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
Quero começar a minha palestra com duas observações
00:19
about the human species.
1
4000
2000
acerca da 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 podem pensar que é bastante óbvio,
00:24
and that's that our species, Homo sapiens,
3
9000
2000
e é que a nossa espécie, o Homo sapiens,
00:26
is actually really, really smart --
4
11000
2000
é, na verdade, muito, muito inteligente --
00:28
like, ridiculously smart --
5
13000
2000
tipo, ridiculamente inteligente --
00:30
like you're all doing things
6
15000
2000
do género, todos vocês fazem coisas
00:32
that no other species on the planet does right now.
7
17000
3000
que nenhuma outra espécie no planeta consegue fazer.
00:35
And this is, of course,
8
20000
2000
E esta não é, claro,
00:37
not the first time you've probably recognized this.
9
22000
2000
a primeira vez que provavelmente se apercebem disto.
00:39
Of course, in addition to being smart, we're also an extremely vain species.
10
24000
3000
Claro que, além de sermos inteligentes, somos também uma espécie extremamente convencida.
00:42
So we like pointing out the fact that we're smart.
11
27000
3000
Por isso gostamos de assinalar o facto de sermos inteligentes.
00:45
You know, so I could turn to pretty much any sage
12
30000
2000
Sabem, eu poderia recorrer a qualquer sábio,
00:47
from Shakespeare to Stephen Colbert
13
32000
2000
desde Shakespeare ao Stephen Colbert,
00:49
to point out things like the fact that
14
34000
2000
para assinalar o facto de sermos
00:51
we're noble in reason and infinite in faculties
15
36000
2000
magnânimos em raciocínio e infinitos em termos de faculdades
00:53
and just kind of awesome-er than anything else on the planet
16
38000
2000
e, simplesmente, muito mais fantásticos do que qualquer outro no planeta,
00:55
when it comes to all things cerebral.
17
40000
3000
no que toca a tudo o que seja cerebral.
00:58
But of course, there's a second observation about the human species
18
43000
2000
Mas, claro, há uma segunda observação acerca da espécie humana
01:00
that I want to focus on a little bit more,
19
45000
2000
em que quero focar um pouco mais,
01:02
and that's the fact that
20
47000
2000
e é o facto de que
01:04
even though we're actually really smart, sometimes uniquely smart,
21
49000
3000
embora sejamos realmente muito inteligentes, por vezes unicamente inteligentes,
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
no que toca a alguns aspectos da tomada de decisões.
01:13
Now I'm seeing lots of smirks out there.
24
58000
2000
Agora, estou a ver muitos sorrisos desconfortáveis por aí.
01:15
Don't worry, I'm not going to call anyone in particular out
25
60000
2000
Não se preocupem, não vou apontar ninguém em particular
01:17
on any aspects of your own mistakes.
26
62000
2000
nem os pormenores dos vossos erros.
01:19
But of course, just in the last two years
27
64000
2000
Mas obviamente, nos últimos dois anos,
01:21
we see these unprecedented examples of human ineptitude.
28
66000
3000
temos visto estes exemplos sem precedente de inépcia humana.
01:24
And we've watched as the tools we uniquely make
29
69000
3000
E temos observado, à medida que os instrumentos que só nós podemos construir,
01:27
to pull the resources out of our environment
30
72000
2000
para retirar os recursos do nosso meio ambiente,
01:29
kind of just blow up in our face.
31
74000
2000
como que, simplesmente explodem à nossa frente.
01:31
We've watched the financial markets that we uniquely create --
32
76000
2000
Temos observado os mercados financeiros que singularmente criamos --
01:33
these markets that were supposed to be foolproof --
33
78000
3000
estes mercados que supostamente são à prova de falhas --
01:36
we've watched them kind of collapse before our eyes.
34
81000
2000
temos observado o seu colapso diante dos nossos olhos.
01:38
But both of these two embarrassing examples, I think,
35
83000
2000
Mas eu acho que estes dois exemplos embaraçosos,
01:40
don't highlight what I think is most embarrassing
36
85000
3000
não realçam o que eu acho que é mais vergonhoso
01:43
about the mistakes that humans make,
37
88000
2000
acerca dos erros que os humanos cometem,
01:45
which is that we'd like to think that the mistakes we make
38
90000
3000
que é o facto de gostarmos de pensar que os erros que cometemos
01:48
are really just the result of a couple bad apples
39
93000
2000
são, na verdade, o resultado de alguns indivíduos ineptos
01:50
or a couple really sort of FAIL Blog-worthy decisions.
40
95000
3000
ou de algumas decisões tão más que merecem ser incluídas no blog FAIL.
01:53
But it turns out, what social scientists are actually learning
41
98000
3000
Mas ao que parece, os cientistas sociais estão a descobrir
01:56
is that most of us, when put in certain contexts,
42
101000
3000
que a maior parte de nós, quando colocados em determinados contextos,
01:59
will actually make very specific mistakes.
43
104000
3000
cometeremos erros muito específicos.
02:02
The errors we make are actually predictable.
44
107000
2000
Os erros que cometemos são, na verdade, previsíveis.
02:04
We make them again and again.
45
109000
2000
Cometemo-los outra e outra vez.
02:06
And they're actually immune to lots of evidence.
46
111000
2000
E, na verdade, são imunes a demonstrações e provas.
02:08
When we get negative feedback,
47
113000
2000
Mesmo quando recebemos uma reacção negativa,
02:10
we still, the next time we're face with a certain context,
48
115000
3000
a próxima vez que nos encontramos em determinado contexto,
02:13
tend to make the same errors.
49
118000
2000
temos a tendência para cometer os mesmos erros.
02:15
And so this has been a real puzzle to me
50
120000
2000
Então, este tem sido um enigma muito interessante para mim,
02:17
as a sort of scholar of human nature.
51
122000
2000
enquanto estudante da natureza humana.
02:19
What I'm most curious about is,
52
124000
2000
O que me deixa mais curiosa é,
02:21
how is a species that's as smart as we are
53
126000
3000
como é que uma espécie tão inteligente como nós,
02:24
capable of such bad
54
129000
2000
é capaz de erros
02:26
and such consistent errors all the time?
55
131000
2000
tão maus e tão consistentes, o tempo inteiro?
02:28
You know, we're the smartest thing out there, why can't we figure this out?
56
133000
3000
Sabem, nós somos a coisa mais inteligente por aí, porque é que não conseguimos resolver isto?
02:31
In some sense, where do our mistakes really come from?
57
136000
3000
De certa forma, de onde é que os nosso erros vêm, realmente?
02:34
And having thought about this a little bit, I see a couple different possibilities.
58
139000
3000
E, tendo pensado acerca disto por algum tempo, vejo duas possibilidades.
02:37
One possibility is, in some sense, it's not really our fault.
59
142000
3000
Uma possibilidade é que, de alguma maneira, a culpa não é nossa.
02:40
Because we're a smart species,
60
145000
2000
Porque somos uma espécie inteligente,
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, demasiado complicados para que os possamos realmente entender,
02:49
even though we've actually created them.
64
154000
2000
embora os tenhamos criado.
02:51
We create financial markets that are super complex.
65
156000
2000
Criamos mercados financeiros que são super complexos.
02:53
We create mortgage terms that we can't actually deal with.
66
158000
3000
Criamos cláusulas hipotecárias com que não conseguimos lidar.
02:56
And of course, if we are put in environments where we can't deal with it,
67
161000
3000
E claro que se nos encontrarmos em ambientes com que não conseguimos lidar,
02:59
in some sense makes sense that we actually
68
164000
2000
de certa forma, faz sentido que acabemos
03:01
might mess certain things up.
69
166000
2000
por fazer asneiras.
03:03
If this was the case, we'd have a really easy solution
70
168000
2000
Se for esta a verdade, teríamos uma solução simples
03:05
to the problem of human error.
71
170000
2000
para o problema de erros humanos.
03:07
We'd actually just say, okay, let's figure out
72
172000
2000
Simplesmente diríamos, OK, vamos perceber
03:09
the kinds of technologies we can't deal with,
73
174000
2000
que tipo de tecnologias não conseguimos entender,
03:11
the kinds of environments that are bad --
74
176000
2000
os tipos de ambientes que são maus --
03:13
get rid of those, design things better,
75
178000
2000
vemo-nos livres desses, construimos melhor as coisas,
03:15
and we should be the noble species
76
180000
2000
e deveríamos ser a espécie digna
03:17
that we expect ourselves to be.
77
182000
2000
que esperamos ser.
03:19
But there's another possibility that I find a little bit more worrying,
78
184000
3000
Mas há uma 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 os nossos ambientes que sejam maus.
03:25
Maybe it's actually us that's designed badly.
80
190000
3000
Talvez sejamos nós que fomos mal construídos.
03:28
This is a hint that I've gotten
81
193000
2000
Esta é uma sugestão que obtive
03:30
from watching the ways that social scientists have learned about human errors.
82
195000
3000
ao observar o que os cientistas sociais têm aprendido acerca dos erros humanos.
03:33
And what we see is that people tend to keep making errors
83
198000
3000
E o que observamos é que as pessoas têm a tendência para continuar a cometer erros
03:36
exactly the same way, over and over again.
84
201000
3000
exactamente da mesma forma, uma e outra vez.
03:39
It feels like we might almost just be built
85
204000
2000
Parece que talvez tenhamos sido construídos
03:41
to make errors in certain ways.
86
206000
2000
para cometer erros de determinada forma.
03:43
This is a possibility that I worry a little bit more about,
87
208000
3000
Esta 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 formos nós que somos disfuncionais,
03:48
it's not actually clear how we go about dealing with it.
89
213000
2000
não é óbvio como lidar com isso.
03:50
We might just have to accept the fact that we're error prone
90
215000
3000
Talvez tenhamos simplesmente de aceitar o facto de sermos propensos a errar
03:53
and try to design things around it.
91
218000
2000
e tentar construir as coisas em torno disso.
03:55
So this is the question my students and I wanted to get at.
92
220000
3000
Por isso, esta é a questão a que eu e os meus estudantes queremos dar resposta.
03:58
How can we tell the difference between possibility one and possibility two?
93
223000
3000
Como é que descobrimos a diferença entre a primeira e a segunda possibilidades?
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 seja basicamente inteligente, possa tomar várias decisões,
04:05
but doesn't have access to any of the systems we have,
96
230000
2000
mas que não tenha acesso a nenhum dos sistemas que nós temos,
04:07
any of the things that might mess us up --
97
232000
2000
qualquer das coisas que possivelmente nos avariam --
04:09
no human technology, human culture,
98
234000
2000
sem tecnologia humana, cultura humana,
04:11
maybe even not human language.
99
236000
2000
talvez nem linguagem humana.
04:13
And so this is why we turned to these guys here.
100
238000
2000
E por isso, recorremos a estes tipos aqui.
04:15
These are one of the guys I work with. This is a brown capuchin monkey.
101
240000
3000
Estes é um dos indivíduos com quem trabalho. Estes são macacos-prego.
04:18
These guys are New World primates,
102
243000
2000
São macacos do Novo Mundo,
04:20
which means they broke off from the human branch
103
245000
2000
o que significa que 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
Isto significa que a vossa bisa, trisa, tetra, --
04:26
with about five million "greats" in there --
106
251000
2000
cerca de cinco milhões de gerações aqui --
04:28
grandmother was probably the same great, great, great, great
107
253000
2000
avó foi provavelmente a mesma bisa, trisa,
04:30
grandmother with five million "greats" in there
108
255000
2000
tetravó, com cinco milhões de gerações pelo meio,
04:32
as Holly up here.
109
257000
2000
do que a da Holly na fotografia.
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
Assim, podem ter a noção de que este indivíduo é muito, muito distante,
04:37
but albeit evolutionary, relative.
111
262000
2000
mas evolutivamente, um parente.
04:39
The good news about Holly though is that
112
264000
2000
A boa notícia acerca da Holly é que
04:41
she doesn't actually have the same kinds of technologies we do.
113
266000
3000
ela não tem as mesmas tecnologias que nós temos.
04:44
You know, she's a smart, very cut creature, a primate as well,
114
269000
3000
É uma criatura inteligente e esperta, um primata também,
04:47
but she lacks all the stuff we think might be messing us up.
115
272000
2000
mas sem todas as coisas que achamos que nos avariam.
04:49
So she's the perfect test case.
116
274000
2000
Portanto, ela é o perfeito sujeito de teste.
04:51
What if we put Holly into the same context as humans?
117
276000
3000
Que acontecerá se pusermos a Holly no mesmo contexto que os humanos?
04:54
Does she make the same mistakes as us?
118
279000
2000
Ela cometerá os mesmos erros que nós?
04:56
Does she not learn from them? And so on.
119
281000
2000
Será que ela aprende com esses erros? E por aí fora.
04:58
And so this is the kind of thing we decided to do.
120
283000
2000
E este é o tipo de coisas que decidimos fazer.
05:00
My students and I got very excited about this a few years ago.
121
285000
2000
Eu e os meus estudantes ficámos muito entusiasmados com isto há uns anos atrás.
05:02
We said, all right, let's, you know, throw so problems at Holly,
122
287000
2000
Dissémos, vamos colocar alguns problemas à Holly
05:04
see if she messes these things up.
123
289000
2000
para ver se ela comete erros.
05:06
First problem is just, well, where should we start?
124
291000
3000
O primeiro problema é: por onde começar?
05:09
Because, you know, it's great for us, but bad for humans.
125
294000
2000
Porque, sabem, é óptimo para nós, mas mau para os humanos.
05:11
We make a lot of mistakes in a lot of different contexts.
126
296000
2000
Nós cometemos muitos erros em variados contextos.
05:13
You know, where are we actually going to start with this?
127
298000
2000
Sabem, por onde é que íamos começar isto?
05:15
And because we started this work around the time of the financial collapse,
128
300000
3000
E porque começámos este projecto por altura do colapso financeiro,
05:18
around the time when foreclosures were hitting the news,
129
303000
2000
na altura em que as hipotecas falidas começaram a ser faladas nas notícias,
05:20
we said, hhmm, maybe we should
130
305000
2000
pensámos, 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 estudar as decisões económicas dos macacos
05:27
and try to see if they do the same kinds of dumb things that we do.
133
312000
3000
e ver se eles fazem o mesmo tipo de coisas estúpidas que nós fazemos.
05:30
Of course, that's when we hit a sort second problem --
134
315000
2000
Claro, foi nessa altura que surgiu 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
os macacos não usam dinheiro. Eu sei que não os conhecem.
05:39
But this is why, you know, they're not in the queue behind you
138
324000
2000
Mas é por isso que não os encontram na fila atrás de vocês
05:41
at the grocery store or the ATM -- you know, they don't do this stuff.
139
326000
3000
na mercearia ou no multibanco -- sabem, eles não fazem estas coisas.
05:44
So now we faced, you know, a little bit of a problem here.
140
329000
3000
Então deparámo-nos com um pequeno problema aqui.
05:47
How are we actually going to ask monkeys about money
141
332000
2000
Como é que vamos perguntar aos macacos acerca de dinheiro
05:49
if they don't actually use it?
142
334000
2000
se eles não o utilizam?
05:51
So we said, well, maybe we should just, actually just suck it up
143
336000
2000
Então dissemos, talvez devêssemos, simplesmente,
05:53
and teach monkeys how to use money.
144
338000
2000
ensinar os macacos a usar dinheiro.
05:55
So that's just what we did.
145
340000
2000
E foi isso mesmo que fizémos.
05:57
What you're looking at over here is actually the first unit that I know of
146
342000
3000
O que estão a ver aqui é, na realidade, a primeira unidade, ao que sei,
06:00
of non-human currency.
147
345000
2000
de dinheiro não-humano.
06:02
We weren't very creative at the time we started these studies,
148
347000
2000
Não fomos muito criativos quando começámos estas experiências,
06:04
so we just called it a token.
149
349000
2000
por isso chamámos-lhe apenas moeda.
06:06
But this is the unit of currency that we've taught our monkeys at Yale
150
351000
3000
Mas esta é a unidade monetária que ensinámos aos nossos macacos, em Yale,
06:09
to actually use with humans,
151
354000
2000
a usar com os humanos,
06:11
to actually buy different pieces of food.
152
356000
3000
para comprar diferentes peças de comida.
06:14
It doesn't look like much -- in fact, it isn't like much.
153
359000
2000
Não parece muito -- de facto, não é grande coisa.
06:16
Like most of our money, it's just a piece of metal.
154
361000
2000
Tal como a maior parte do nosso dinheiro, é simplesmente uma peça de metal.
06:18
As those of you who've taken currencies home from your trip know,
155
363000
3000
Assim como muitos de vocês que trouxeram dinheiro para casa das viagens sabem,
06:21
once you get home, it's actually pretty useless.
156
366000
2000
quando chegam a casa, é 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 de eles se aperceberem do que podiam fazer com ele.
06:27
When we first gave it to them in their enclosures,
159
372000
2000
Quando inicialmente lhes demos as moedas, nos recintos,
06:29
they actually kind of picked them up, looked at them.
160
374000
2000
eles pegaram nelas, olharam para elas.
06:31
They were these kind of weird things.
161
376000
2000
Eram 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 podiam dar estas moedas
06:37
to different humans in the lab for some food.
164
382000
3000
a humanos diferentes no laboratório, em troca de comida.
06:40
And so you see one of our monkeys, Mayday, up here doing this.
165
385000
2000
Aqui vêem um dos nossos macacos, a Mayday, a fazer isto.
06:42
This is A and B are kind of the points where she's sort of a little bit
166
387000
3000
Em A e B podem ver a fase em que ela está um pouco
06:45
curious about these things -- doesn't know.
167
390000
2000
curiosa acerca destas coisas -- mas não sabe bem.
06:47
There's this waiting hand from a human experimenter,
168
392000
2000
Ali está uma mão de um humano à espera,
06:49
and Mayday quickly figures out, apparently the human wants this.
169
394000
3000
e a Mayday rapidamente percebe que aparentemente o humano quer isto.
06:52
Hands it over, and then gets some food.
170
397000
2000
Entrega-a, e então recebe comida.
06:54
It turns out not just Mayday, all of our monkeys get good
171
399000
2000
Ao que parece, não é só a Mayday, mas todos os nossos macacos se tornam excelentes
06:56
at trading tokens with human salesman.
172
401000
2000
a trocar moedas com os vendedores humanos.
06:58
So here's just a quick video of what this looks like.
173
403000
2000
Aqui está um curto vídeo do que acontece.
07:00
Here's Mayday. She's going to be trading a token for some food
174
405000
3000
Aqui está a Mayday. Ela vai trocar uma moeda por alguma comida
07:03
and waiting happily and getting her food.
175
408000
3000
espera contente e recebe a 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 o Felix, acho eu. É o nosso macho alfa; é um tipo grande.
07:08
But he too waits patiently, gets his food and goes on.
177
413000
3000
Mas também ele espera pacientemente, recebe a comida e segue.
07:11
So the monkeys get really good at this.
178
416000
2000
Então os macacos tornam-se muito bons nisto.
07:13
They're surprisingly good at this with very little training.
179
418000
3000
São surpreendentemente bons nisto, com muito pouco treino.
07:16
We just allowed them to pick this up on their own.
180
421000
2000
Simplesmente permitimos que eles descobrissem isto por eles próprios.
07:18
The question is: is this anything like human money?
181
423000
2000
A questão é: será que isto é alguma coisa parecida com dinheiro humano?
07:20
Is this a market at all,
182
425000
2000
Será isto um mercado,
07:22
or did we just do a weird psychologist's trick
183
427000
2000
ou será que fizemos um truque psicológico
07:24
by getting monkeys to do something,
184
429000
2000
ao conseguir pôr macacos a fazer qualquer coisa
07:26
looking smart, but not really being smart.
185
431000
2000
que parece inteligente, mas não o é na verdade?
07:28
And so we said, well, what would the monkeys spontaneously do
186
433000
3000
Então dissemos, bem, o que fariam os macacos espontaneamente
07:31
if this was really their currency, if they were really using it like money?
187
436000
3000
se esta fosse a sua moeda, se eles estivessem a usar isto como dinheiro real?
07:34
Well, you might actually imagine them
188
439000
2000
Bem, podem imaginá-los
07:36
to do all the kinds of smart things
189
441000
2000
a fazer todo o tipo de coisas inteligentes
07:38
that humans do when they start exchanging money with each other.
190
443000
3000
que os humanos fazem quando começam a trocar dinheiro uns com os outros.
07:41
You might have them start paying attention to price,
191
446000
3000
Talvez comecem a prestar atenção a preços,
07:44
paying attention to how much they buy --
192
449000
2000
a prestar atenção a quanto compram --
07:46
sort of keeping track of their monkey token, as it were.
193
451000
3000
a prestar atenção a quantas moedas têm...
07:49
Do the monkeys do anything like this?
194
454000
2000
Os macacos fazem qualquer coisa como isto?
07:51
And so our monkey marketplace was born.
195
456000
3000
Foi assim que nasceu o nosso mercado para macacos.
07:54
The way this works is that
196
459000
2000
Isto funciona da seguinte forma:
07:56
our monkeys normally live in a kind of big zoo social enclosure.
197
461000
3000
os nossos macacos normalmente vivem num grande recinto como num jardim zoológico.
07:59
When they get a hankering for some treats,
198
464000
2000
Quando eles sentem uma ânsia por guloseimas,
08:01
we actually allowed them a way out
199
466000
2000
permitimos que entrem
08:03
into a little smaller enclosure where they could enter the market.
200
468000
2000
para um recinto mais pequeno onde podem entrar no mercado.
08:05
Upon entering the market --
201
470000
2000
Quando entram no mercado --
08:07
it was actually a much more fun market for the monkeys than most human markets
202
472000
2000
é um mercado muito mais divertido para os macacos do que a maioria dos mercados humanos
08:09
because, as the monkeys entered the door of the market,
203
474000
3000
porque assim que os macacos entravam pela porta do mercado,
08:12
a human would give them a big wallet full of tokens
204
477000
2000
um humano dava-lhes uma carteira grande cheia de moedas
08:14
so they could actually trade the tokens
205
479000
2000
para que pudessem trocar as moedas
08:16
with one of these two guys here --
206
481000
2000
com um destes dois tipos aqui --
08:18
two different possible human salesmen
207
483000
2000
dois vendedores humanos possíveis
08:20
that they could actually buy stuff from.
208
485000
2000
a 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
Vestiam-se 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 a mesma coisa
08:29
so the monkeys could learn, you know,
212
494000
2000
para que os macacos pudessem aprender, 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 quê a que preço -- sabem, quem era fiável, quem não era, e por aí fora.
08:34
And you can see that each of the experimenters
214
499000
2000
E podem ver que cada um dos investigadores
08:36
is actually holding up a little, yellow food dish.
215
501000
3000
segura um pequeno prato amarelo
08:39
and that's what the monkey can for a single token.
216
504000
2000
e isso é o que o macaco pode obter por uma moeda.
08:41
So everything costs one token,
217
506000
2000
Tudo custa uma moeda,
08:43
but as you can see, sometimes tokens buy more than others,
218
508000
2000
mas como podem ver, às vezes as moedas podem comprar mais que outras vezes,
08:45
sometimes more grapes than others.
219
510000
2000
às vezes mais uvas 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-vos um pequeno vídeo do como este mercado funciona.
08:50
Here's a monkey-eye-view. Monkeys are shorter, so it's a little short.
221
515000
3000
Aqui está a vista da altura de um macaco. Eles são pequenos, por isso é pequeno.
08:53
But here's Honey.
222
518000
2000
Aqui está a Honey.
08:55
She's waiting for the market to open a little impatiently.
223
520000
2000
Ela está à espera que o mercado abra um pouco impacientemente.
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 abre. Aqui está a escolha dela: uma ou duas uvas.
09:00
You can see Honey, very good market economist,
225
525000
2000
Podem ver que a Honey, muito boa economista de mercado,
09:02
goes with the guy who gives more.
226
527000
3000
vai com o vendedor que dá mais.
09:05
She could teach our financial advisers a few things or two.
227
530000
2000
Ela poderia ensinar os nossos assessores financeiros uma ou duas coisas.
09:07
So not just Honey,
228
532000
2000
Não só a Honey,
09:09
most of the monkeys went with guys who had more.
229
534000
3000
a maioria dos macacos preferiram o vendedor que dava mais.
09:12
Most of the monkeys went with guys who had better food.
230
537000
2000
A maioria dos macacos preferia vendedores com comida melhor.
09:14
When we introduced sales, we saw the monkeys paid attention to that.
231
539000
3000
Quando apresentámos saldos, vimos que os macacos prestaram atenção a isso.
09:17
They really cared about their monkey token dollar.
232
542000
3000
Eles realmente cuidavam do seu dinheiro de macaco.
09:20
The more surprising thing was that when we collaborated with economists
233
545000
3000
O mais surpreendente foi que quando colaborámos com economistas
09:23
to actually look at the monkeys' data using economic tools,
234
548000
3000
para analisar os resultados dos macacos a utilizarem ferramentas económicas,
09:26
they basically matched, not just qualitatively,
235
551000
3000
basicamente eles correspondiam, não só qualitativamente
09:29
but quantitatively with what we saw
236
554000
2000
mas também quantitativamente ao que observámos
09:31
humans doing in a real market.
237
556000
2000
humanos a fazer num mercado real.
09:33
So much so that, if you saw the monkeys' numbers,
238
558000
2000
De tal forma que, se vissem os dados dos macacos,
09:35
you couldn't tell whether they came from a monkey or a human in the same market.
239
560000
3000
não dava para perceber se tinham vindo de um macaco ou de um humano no mesmo mercado.
09:38
And what we'd really thought we'd done
240
563000
2000
E o que achámos que tínhamos feito
09:40
is like we'd actually introduced something
241
565000
2000
foi como que introduzir qualquer coisa
09:42
that, at least for the monkeys and us,
242
567000
2000
que, pelo menos para os macacos e para nós,
09:44
works like a real financial currency.
243
569000
2000
funciona como um mercado financeiro real.
09:46
Question is: do the monkeys start messing up in the same ways we do?
244
571000
3000
A questão é: será que os macacos começam a errar da mesma forma que nós?
09:49
Well, we already saw anecdotally a couple of signs that they might.
245
574000
3000
Bem, já vimos alguns sinais de que provavelmente sim.
09:52
One thing we never saw in the monkey marketplace
246
577000
2000
Uma coisa que nunca vimos no mercado de macacos
09:54
was any evidence of saving --
247
579000
2000
foi qualquer indício de poupanças --
09:56
you know, just like our own species.
248
581000
2000
sabem, como na nossa espécie.
09:58
The monkeys entered the market, spent their entire budget
249
583000
2000
Os macacos entraram no mercado, gastaram o seu fundo na totalidade
10:00
and then went back to everyone else.
250
585000
2000
e dopois voltaram para a colónia.
10:02
The other thing we also spontaneously saw,
251
587000
2000
Outra coisa que também observámos espontaneamente,
10:04
embarrassingly enough,
252
589000
2000
vergonhosamente,
10:06
is spontaneous evidence of larceny.
253
591000
2000
é evidências de roubo.
10:08
The monkeys would rip-off the tokens at every available opportunity --
254
593000
3000
Os macacos larapiavam as moedas a qualquer oportunidade --
10:11
from each other, often from us --
255
596000
2000
uns dos outros, de nós --
10:13
you know, things we didn't necessarily think we were introducing,
256
598000
2000
sabem, coisas que não pensámos que estivéssemos a introduzir,
10:15
but things we spontaneously saw.
257
600000
2000
mas coisas que surgiram espontaneamente.
10:17
So we said, this looks bad.
258
602000
2000
Então dissémos, isto vai mal.
10:19
Can we actually see if the monkeys
259
604000
2000
Poderemos ver se os macacos
10:21
are doing exactly the same dumb things as humans do?
260
606000
3000
fazem exactamente as mesmas coisas estúpidas que os humanos fazem?
10:24
One possibility is just kind of let
261
609000
2000
Uma possibilidade é simplesmente deixar
10:26
the monkey financial system play out,
262
611000
2000
o sistema financeiro dos macacos desenvolver-se,
10:28
you know, see if they start calling us for bailouts in a few years.
263
613000
2000
sabem, para ver se eles começam a pedir-nos ajudas financeiras daqui a uns anos.
10:30
We were a little impatient so we wanted
264
615000
2000
Somos um pouco impacientes, por isso queríamos
10:32
to sort of speed things up a bit.
265
617000
2000
apressar as coisas um bocadinho.
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 têm tendência para cometer,
10:40
in certain kinds of economic challenges,
269
625000
2000
em alguns tipos de desafios económicos,
10:42
or certain kinds of economic experiments.
270
627000
2000
ou em certas experiências económicas.
10:44
And so, since the best way to see how people go wrong
271
629000
3000
E como a melhor forma de ver como as pessoas erram
10:47
is to actually do it yourself,
272
632000
2000
é cometer o erro por vocês próprios,
10:49
I'm going to give you guys a quick experiment
273
634000
2000
vou apresentar-vos uma pequena experiência
10:51
to sort of watch your own financial intuitions in action.
274
636000
2000
para ver as vossas intuições financeiras em acção.
10:53
So imagine that right now
275
638000
2000
Imaginem que agora mesmo
10:55
I handed each and every one of you
276
640000
2000
dei a cada um de vocês
10:57
a thousand U.S. dollars -- so 10 crisp hundred dollar bills.
277
642000
3000
mil dólares - dez notas novinhas de cem dólares.
11:00
Take these, put it in your wallet
278
645000
2000
Ponham estas notas na carteira
11:02
and spend a second thinking about what you're going to do with it.
279
647000
2000
e imaginem por uns momentos o que vão fazer com o dinheiro.
11:04
Because it's yours now; you can buy whatever you want.
280
649000
2000
Porque é vosso, agora; podem comprar o que quiserem.
11:06
Donate it, take it, and so on.
281
651000
2000
Doá-lo, gastá-lo, e por aí fora.
11:08
Sounds great, but you get one more choice to earn a little bit more money.
282
653000
3000
Parece excelente, mas têm mais uma oportunidade de ganhar um pouco mais de dinheiro.
11:11
And here's your choice: you can either be risky,
283
656000
3000
E aqui está a vossa escolha: podem arriscar,
11:14
in which case I'm going to flip one of these monkey tokens.
284
659000
2000
e nesse caso, vou lançar esta moeda de macaco ao ar.
11:16
If it comes up heads, you're going to get a thousand dollars more.
285
661000
2000
Se sair caras, ganham mais mil dólares.
11:18
If it comes up tails, you get nothing.
286
663000
2000
Se sair coroas, não ganham nada.
11:20
So it's a chance to get more, but it's pretty risky.
287
665000
3000
Portanto é uma possibilidade de ganhar mais, mas é bastante arriscado.
11:23
Your other option is a bit safe. Your just going to get some money for sure.
288
668000
3000
A vossa outra opção é mais segura. Vão apenas receber mais dinheiro, de certeza.
11:26
I'm just going to give you 500 bucks.
289
671000
2000
Vou-vos dar simplesmente 500 dólares.
11:28
You can stick it in your wallet and use it immediately.
290
673000
3000
Podem enfiá-los na carteira e usá-los imediatamente.
11:31
So see what your intuition is here.
291
676000
2000
Pensem um pouco o que é a vossa intuição aqui.
11:33
Most people actually go with the play-it-safe option.
292
678000
3000
A maioria das pessoas optam pela 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 das pessoas dizem, porquê arriscar se posso obter 1500 dólares de certeza?
11:39
This seems like a good bet. I'm going to go with that.
294
684000
2000
Parece uma boa aposta. Vou optar por essa.
11:41
You might say, eh, that's not really irrational.
295
686000
2000
Poderão dizer, ei, isso não é irracional.
11:43
People are a little risk-averse. So what?
296
688000
2000
As pessoas têm tendência para não gostar de arriscar. E depois?
11:45
Well, the "so what?" comes when start thinking
297
690000
2000
Bem, o "e depois?" explica-se quando começamos a pensar
11:47
about the same problem
298
692000
2000
acerca do mesmo problema
11:49
set up just a little bit differently.
299
694000
2000
explicado de uma forma um pouco diferente.
11:51
So now imagine that I give each and every one of you
300
696000
2000
Imaginem que eu vos dou a cada um
11:53
2,000 dollars -- 20 crisp hundred dollar bills.
301
698000
3000
2000 dólares -- vinte notas novinhas de 100 dólares.
11:56
Now you can buy double to stuff you were going to get before.
302
701000
2000
Agora podem comprar o dobro das coisas que podiam comprar antes.
11:58
Think about how you'd feel sticking it in your wallet.
303
703000
2000
Pensem no que sentiriam ao pôr esse dinheiro na carteira.
12:00
And now imagine that I have you make another choice
304
705000
2000
E agora imaginem que vão ter de fazer outra escolha.
12:02
But this time, it's a little bit worse.
305
707000
2000
Mas desta vez, é um pouco pior.
12:04
Now, you're going to be deciding how you're going to lose money,
306
709000
3000
Agora, vão decidir como preferem perder dinheiro,
12:07
but you're going to get the same choice.
307
712000
2000
mas vão ter de escolher das mesmas opções.
12:09
You can either take a risky loss --
308
714000
2000
Podem escolher arriscar uma perda maior --
12:11
so I'll flip a coin. If it comes up heads, you're going to actually lose a lot.
309
716000
3000
eu lanço a moeda ao ar. Se calhar caras, vão perder bastante.
12:14
If it comes up tails, you lose nothing, you're fine, get to keep the whole thing --
310
719000
3000
Se calhar coroas, não perdem nada, podem guardar tudo --
12:17
or you could play it safe, which means you have to reach back into your wallet
311
722000
3000
ou podem jogar pelo seguro, o que significa que têm que ir à vossa carteira
12:20
and give me five of those $100 bills, for certain.
312
725000
3000
e dar-me cinco dessas notas de 100 dólares, de certeza.
12:23
And I'm seeing a lot of furrowed brows out there.
313
728000
3000
E estou a ver muitas sobrancelhas franzidas por aí.
12:26
So maybe you're having the same intuitions
314
731000
2000
Por isso, talvez tenham a mesma intuição
12:28
as the subjects that were actually tested in this,
315
733000
2000
que os indivíduos que foram testados,
12:30
which is when presented with these options,
316
735000
2000
que é, quando apresentados com estas opções,
12:32
people don't choose to play it safe.
317
737000
2000
as pessoas não escolhem jogar pelo seguro.
12:34
They actually tend to go a little risky.
318
739000
2000
De facto, têm a tendência para arriscar um pouco.
12:36
The reason this is irrational is that we've given people in both situations
319
741000
3000
A razão porque isto é irracional é que demos às pessoas, em ambas as situações,
12:39
the same choice.
320
744000
2000
a mesma escolha.
12:41
It's a 50/50 shot of a thousand or 2,000,
321
746000
3000
É uma probabilidade de 50% de obter 1000 ou 2000.
12:44
or just 1,500 dollars with certainty.
322
749000
2000
ou apenas 1500 dólares de certeza.
12:46
But people's intuitions about how much risk to take
323
751000
3000
Mas as intuições das pessoas sobre que risco tomar
12:49
varies depending on where they started with.
324
754000
2000
depende da quantia com que começaram.
12:51
So what's going on?
325
756000
2000
Então, o que se passa aqui?
12:53
Well, it turns out that this seems to be the result
326
758000
2000
Bem, parece que é o resultado
12:55
of at least two biases that we have at the psychological level.
327
760000
3000
de, pelo menos, duas tendências que temos a nível psicológico.
12:58
One is that we have a really hard time thinking in absolute terms.
328
763000
3000
Uma é que temos dificuldade em pensar em termos absolutos.
13:01
You really have to do work to figure out,
329
766000
2000
Temos que trabalhar bastante para perceber
13:03
well, one option's a thousand, 2,000;
330
768000
2000
que uma opção é 1000 ou 2000;
13:05
one is 1,500.
331
770000
2000
e a outra opção é 1500.
13:07
Instead, we find it very easy to think in very relative terms
332
772000
3000
Pelo contrário, achamos muito fácil pensar em termos relativos
13:10
as options change from one time to another.
333
775000
3000
à medida que as opções se alteram de uma para a outra.
13:13
So we think of things as, "Oh, I'm going to get more," or "Oh, I'm going to get less."
334
778000
3000
Então pensamos em termos de "vou receber mais" ou "vou receber menos".
13:16
This is all well and good, except that
335
781000
2000
E isto está tudo muito bem, excepto que
13:18
changes in different directions
336
783000
2000
mudanças em direcções diferentes
13:20
actually effect whether or not we think
337
785000
2000
afectam, na realidade, o nosso pensamento acerca
13:22
options are good or not.
338
787000
2000
das nossas opções serem boas ou não.
13:24
And this leads to the second bias,
339
789000
2000
E isto leva à segunda tendência,
13:26
which economists have called loss aversion.
340
791000
2000
que os economistas chamam de aversão à perda.
13:28
The idea is that we really hate it when things go into the red.
341
793000
3000
A ideia é que nós detestamos quando o nosso saldo é negativo.
13:31
We really hate it when we have to lose out on some money.
342
796000
2000
Detestamos quando temos de perder algum dinheiro.
13:33
And this means that sometimes we'll actually
343
798000
2000
E isto significa que, às vezes,
13:35
switch our preferences to avoid this.
344
800000
2000
mudamos as nossas preferências para evitar isso.
13:37
What you saw in that last scenario is that
345
802000
2000
O que observaram no segundo cenário foi que
13:39
subjects get risky
346
804000
2000
os sujeitos arriscam mais
13:41
because they want the small shot that there won't be any loss.
347
806000
3000
porque querem aquela pequena chance de que não perderão nada.
13:44
That means when we're in a risk mindset --
348
809000
2000
Isto significa que quando estamos numa mentalidade de risco --
13:46
excuse me, when we're in a loss mindset,
349
811000
2000
desculpem, quando estamos numa mentalidade de perda,
13:48
we actually become more risky,
350
813000
2000
tornamo-nos mais propensos ao risco,
13:50
which can actually be really worrying.
351
815000
2000
o que pode ser verdadeiramente preocupante.
13:52
These kinds of things play out in lots of bad ways in humans.
352
817000
3000
Este tipo de coisas desenvolve-se negativamente de várias formas em humanos.
13:55
They're why stock investors hold onto losing stocks longer --
353
820000
3000
É por isto que os investidores da bolsa conservam acções em queda por mais tempo --
13:58
because they're evaluating them in relative terms.
354
823000
2000
porque as estão a avaliar em termos relativos.
14:00
They're why people in the housing market refused to sell their house --
355
825000
2000
É por isto que as pessoas no mercado imobiliário se recusam a vender a sua casa --
14:02
because they don't want to sell at a loss.
356
827000
2000
porque não querem perder dinheiro com a venda.
14:04
The question we were interested in
357
829000
2000
A questão em que estávamos interessados
14:06
is whether the monkeys show the same biases.
358
831000
2000
é se os macacos têm as mesmas tendências.
14:08
If we set up those same scenarios in our little monkey market,
359
833000
3000
Se estabelecêssemos os mesmos cenários no nosso mercado de macacos,
14:11
would they do the same thing as people?
360
836000
2000
fariam eles 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 isto que fizémos, demos aos macacos opções
14:15
between guys who were safe -- they did the same thing every time --
362
840000
3000
entre vendedores que eram seguros -- faziam a mesma coisa o tempo todo --
14:18
or guys who were risky --
363
843000
2000
ou vendedores que eram arriscados --
14:20
they did things differently half the time.
364
845000
2000
faziam as coisas de maneira diferente metade do tempo.
14:22
And then we gave them options that were bonuses --
365
847000
2000
Mais ainda, demos-lhe opções que eram bónus --
14:24
like you guys did in the first scenario --
366
849000
2000
como vocês fizeram no primeiro cenário --
14:26
so they actually have a chance more,
367
851000
2000
portanto eles têm oportunidade de ganhar mais,
14:28
or pieces where they were experiencing losses --
368
853000
3000
ou opções em que eles sofriam perdas --
14:31
they actually thought they were going to get more than they really got.
369
856000
2000
eles pensavam que iam receber mais do que realmente receberam.
14:33
And so this is what this looks like.
370
858000
2000
E isto é o que acontece.
14:35
We introduced the monkeys to two new monkey salesmen.
371
860000
2000
Apresentámos aos macacos dois novos vendedores.
14:37
The guy on the left and right both start with one piece of grape,
372
862000
2000
Os vendedores da esquerda e da direita começam ambos com uma uva,
14:39
so it looks pretty good.
373
864000
2000
por isso parece bastante bom.
14:41
But they're going to give the monkeys bonuses.
374
866000
2000
Mas eles vão dar aos macacos um bónus.
14:43
The guy on the left is a safe bonus.
375
868000
2000
O vendedor da esquerda é um bónus seguro.
14:45
All the time, he adds one, to give the monkeys two.
376
870000
3000
O tempo todo, ele adiciona uma uva e dá ao macaco duas.
14:48
The guy on the right is actually a risky bonus.
377
873000
2000
O vendedor da direita é o bónus arriscado.
14:50
Sometimes the monkeys get no bonus -- so this is a bonus of zero.
378
875000
3000
Às vezes os macacos não recebem bónus -- isto é um bónus de zero.
14:53
Sometimes the monkeys get two extra.
379
878000
3000
E às vezes os macacos recebem dois extra.
14:56
For a big bonus, now they get three.
380
881000
2000
Para o bónus grande, agora recebem três uvas.
14:58
But this is the same choice you guys just faced.
381
883000
2000
Esta é a mesma escolha que vocês enfrentaram.
15:00
Do the monkeys actually want to play it safe
382
885000
3000
Será que os macacos jogam pelo seguro
15:03
and then go with the guy who's going to do the same thing on every trial,
383
888000
2000
e compram do vendedor que faz sempre a mesma coisa em cada ensaio,
15:05
or do they want to be risky
384
890000
2000
ou quererão eles arriscar
15:07
and try to get a risky, but big, bonus,
385
892000
2000
e tentar obter um arriscado mas grande bónus,
15:09
but risk the possibility of getting no bonus.
386
894000
2000
mas arriscar a possibilidade de não obter nenhum bónus?
15:11
People here played it safe.
387
896000
2000
As pessoas aqui jogaram pelo seguro.
15:13
Turns out, the monkeys play it safe too.
388
898000
2000
Acontece que os macacos também jogam pelo seguro.
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 exactamente da mesma forma que as pessoas,
15:19
when tested in the same thing.
391
904000
2000
quando testadas na mesma coisa.
15:21
You might say, well, maybe the monkeys just don't like risk.
392
906000
2000
Poderão dizer, bem, talvez os macacos simplesmente não gostem de risco.
15:23
Maybe we should see how they do with losses.
393
908000
2000
Talvez devêssemos ver como lidam com perdas.
15:25
And so we ran a second version of this.
394
910000
2000
E então, implementámos a segunda versão disto.
15:27
Now, the monkeys meet two guys
395
912000
2000
Agora, os macacos encontram dois vendedores
15:29
who aren't giving them bonuses;
396
914000
2000
que não lhes dão bónus;
15:31
they're actually giving them less than they expect.
397
916000
2000
dão-lhes menos do que esperam.
15:33
So they look like they're starting out with a big amount.
398
918000
2000
Então, parece que começam com uma quantidade grande.
15:35
These are three grapes; the monkey's really psyched for this.
399
920000
2000
Começam com três uvas; os macacos ficam todos entusiasmados com isto.
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 os vendedores lhes vão dar menos que o esperado.
15:40
They guy on the left is a safe loss.
401
925000
2000
O vendedor da esquerda é uma perda segura.
15:42
Every single time, he's going to take one of these away
402
927000
3000
De cada vez, ele vai retirar uma uva
15:45
and give the monkeys just two.
403
930000
2000
e dá ao macaco apenas duas uvas.
15:47
the guy on the right is the risky loss.
404
932000
2000
O vendedor da direita é a perda arriscada.
15:49
Sometimes he gives no loss, so the monkeys are really psyched,
405
934000
3000
Às vezes não há perda nenhuma, por isso os macacos ficam todos contentes,
15:52
but sometimes he actually gives a big loss,
406
937000
2000
mas às vezes ele administra uma perda grande,
15:54
taking away two to give the monkeys only one.
407
939000
2000
retirando duas, e dando ao macaco apenas uma uva.
15:56
And so what do the monkeys do?
408
941000
2000
E, então, o que é que os macacos fazem?
15:58
Again, same choice; they can play it safe
409
943000
2000
Mais uma vez, a mesma escolha; podem jogar pelo seguro
16:00
for always getting two grapes every single time,
410
945000
3000
e receber sempre duas uvas de cada vez,
16:03
or they can take a risky bet and choose between one and three.
411
948000
3000
ou podem escolher a aposta arriscada e obter uma uva ou três.
16:06
The remarkable thing to us is that, when you give monkeys this choice,
412
951000
3000
A observação extraordinária para nós é que, quando damos esta 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 tornam-se mais propensos a arriscar,
16:13
depending on how the experimenters started.
415
958000
3000
dependendo de como os investigadores começaram.
16:16
This is crazy because it suggests that the monkeys too
416
961000
2000
Isto é de loucos porque sugere que também os macacos
16:18
are evaluating things in relative terms
417
963000
2000
estão a avaliar as coisas de forma relativa
16:20
and actually treating losses differently than they treat gains.
418
965000
3000
e consideram perdas de forma diferente do que ganhos.
16:23
So what does all of this mean?
419
968000
2000
Então, o que significa isto tudo?
16:25
Well, what we've shown is that, first of all,
420
970000
2000
Bem, o que demonstrámos, primeiro que tudo,
16:27
we can actually give the monkeys a financial currency,
421
972000
2000
é que podemos dar aos macacos um sistema financeiro,
16:29
and they do very similar things with it.
422
974000
2000
e eles fazem coisas muito semelhantes com ele.
16:31
They do some of the smart things we do,
423
976000
2000
Eles fazem as mesmas coisas inteligentes que nós fazemos,
16:33
some of the kind of not so nice things we do,
424
978000
2000
algumas das coisas menos agradáveis que nós fazemos,
16:35
like steal it and so on.
425
980000
2000
como roubar e por aí fora.
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 nós fazemos.
16:39
They systematically get things wrong
427
984000
2000
Eles sistematicamente cometem os mesmos erros
16:41
and in the same ways that we do.
428
986000
2000
e da mesma forma que nós os cometemos.
16:43
This is the first take-home message of the Talk,
429
988000
2000
Esta é a primeira mensagem desta palestra,
16:45
which is that if you saw the beginning of this and you thought,
430
990000
2000
que é que se viram o início disto e pensaram
16:47
oh, I'm totally going to go home and hire a capuchin monkey financial adviser.
431
992000
2000
vou para casa e vou contratar um macaco-prego para meu assessor financeiro.
16:49
They're way cuter than the one at ... you know --
432
994000
2000
Eles são muito mais giros que os assessores do... sabem --
16:51
Don't do that; they're probably going to be just as dumb
433
996000
2000
Não façam isso; eles vão ser provavelmente tão burros
16:53
as the human one you already have.
434
998000
3000
como o humano que têm agora.
16:56
So, you know, a little bad -- Sorry, sorry, sorry.
435
1001000
2000
Por isso, é um pouco mau -- peço imensas sesculpas.
16:58
A little bad for monkey investors.
436
1003000
2000
Um pouco mau para os investidores macacos.
17:00
But of course, you know, the reason you're laughing is bad for humans too.
437
1005000
3000
Mas obviamente, a razão porque se estão a rir é má para os humanos também.
17:03
Because we've answered the question we started out with.
438
1008000
3000
Porque respondemos à questão com que começámos.
17:06
We wanted to know where these kinds of errors came from.
439
1011000
2000
Queriamos saber de onde vêm este tipo de erros.
17:08
And we started with the hope that maybe we can
440
1013000
2000
E começámos com a esperança de talvez podermos
17:10
sort of tweak our financial institutions,
441
1015000
2000
ajustar as nossas instituições financeiras,
17:12
tweak our technologies to make ourselves better.
442
1017000
3000
ajustar as nossas tecnologias para nos melhorarmos.
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 estas tendências podem ser mais profundas que isso.
17:18
In fact, they might be due to the very nature
444
1023000
2000
De facto, elas podem ser devidas à própria natureza
17:20
of our evolutionary history.
445
1025000
2000
da nossa história evolutiva.
17:22
You know, maybe it's not just humans
446
1027000
2000
Sabem, talvez não sejam só os humanos
17:24
at the right side of this chain that's duncey.
447
1029000
2000
deste lado da cadeia de ignorância.
17:26
Maybe it's sort of duncey all the way back.
448
1031000
2000
Talvez a cadeia seja ignorante desde o princípio.
17:28
And this, if we believe the capuchin monkey results,
449
1033000
3000
E isto, se acreditarmos nos resultados dos macacos-prego,
17:31
means that these duncey strategies
450
1036000
2000
significa que estas estratégias ignorantes
17:33
might be 35 million years old.
451
1038000
2000
poderão ter pelo menos 35 milhões de anos.
17:35
That's a long time for a strategy
452
1040000
2000
Isso é muito tempo para uma estratégia
17:37
to potentially get changed around -- really, really old.
453
1042000
3000
ser potencialmente alterada -- muito, muito velha.
17:40
What do we know about other old strategies like this?
454
1045000
2000
O que é que sabemos acerca de outras estratégias como esta?
17:42
Well, one thing we know is that they tend to be really hard to overcome.
455
1047000
3000
Bem, uma coisa que sabemos é que elas são bastante difíceis de superar.
17:45
You know, think of our evolutionary predilection
456
1050000
2000
Por exemplo, pensem na nossa predilecção evolutiva
17:47
for eating sweet things, fatty things like cheesecake.
457
1052000
3000
por comer coisas doces, coisas cheias de gordura como cheesecake.
17:50
You can't just shut that off.
458
1055000
2000
Não conseguimos simplesmente desligar essa tendência.
17:52
You can't just look at the dessert cart as say, "No, no, no. That looks disgusting to me."
459
1057000
3000
Não conseguimos simplesmente olhar para o carrinho de sobremesas e dizer "Não, não, não. Isso parece-me nojento."
17:55
We're just built differently.
460
1060000
2000
Pensamos simplesmente de maneira diferente.
17:57
We're going to perceive it as a good thing to go after.
461
1062000
2000
Vamos sempre olhar para sobremesas como uma coisa boa que devemos tentar obter.
17:59
My guess is that the same thing is going to be true
462
1064000
2000
A minha suposição é que o mesmo será verdade
18:01
when humans are perceiving
463
1066000
2000
quando os humanos consideram
18:03
different financial decisions.
464
1068000
2000
diferentes decisões financeiras.
18:05
When you're watching your stocks plummet into the red,
465
1070000
2000
À medida que vêem as vossas acções precipitarem-se para o negativo,
18:07
when you're watching your house price go down,
466
1072000
2000
quando vêem o preço da vossa casa descer vertiginosamente,
18:09
you're not going to be able to see that
467
1074000
2000
não vão conseguir ver esses acontecimentos
18:11
in anything but old evolutionary terms.
468
1076000
2000
de qualquer outra forma que não a evolutiva.
18:13
This means that the biases
469
1078000
2000
Isto significa que as tendências
18:15
that lead investors to do badly,
470
1080000
2000
que levaram os investidores a perdas,
18:17
that lead to the foreclosure crisis
471
1082000
2000
que levaram à crise hipotecária,
18:19
are going to be really hard to overcome.
472
1084000
2000
vão ser muito dificilmente superadas.
18:21
So that's the bad news. The question is: is there any good news?
473
1086000
2000
Então, essas são as más notícias. A questão é: há notícias boas?
18:23
I'm supposed to be up here telling you the good news.
474
1088000
2000
Supostamente eu estou aqui em cima para vos dar as boas notícias.
18:25
Well, the good news, I think,
475
1090000
2000
Bem, as boas notícias são, acho eu,
18:27
is what I started with at the beginning of the Talk,
476
1092000
2000
aquilo com que eu comecei a palestra,
18:29
which is that humans are not only smart;
477
1094000
2000
que é que os humanos são não só inteligentes;
18:31
we're really inspirationally smart
478
1096000
2000
mas nós somos mesmo inspiradoramente inteligentes
18:33
to the rest of the animals in the biological kingdom.
479
1098000
3000
em relação ao resto dos animais do reino biológico.
18:36
We're so good at overcoming our biological limitations --
480
1101000
3000
Somos tão bons a superar as nossas limitações biológicas --
18:39
you know, I flew over here in an airplane.
481
1104000
2000
por exemplo, eu voei até aqui num avião.
18:41
I didn't have to try to flap my wings.
482
1106000
2000
Não tive sequer que tentar bater as asas.
18:43
I'm wearing contact lenses now so that I can see all of you.
483
1108000
3000
Estou a usar lentes de contacto para que vos possa ver a todos.
18:46
I don't have to rely on my own near-sightedness.
484
1111000
3000
Não tenho que depender da minha miopia.
18:49
We actually have all of these cases
485
1114000
2000
Nós temos todos estes exemplos
18:51
where we overcome our biological limitations
486
1116000
3000
em que superámos as nossas limitações biológicas
18:54
through technology and other means, seemingly pretty easily.
487
1119000
3000
através de tecnologia e outros meios, de forma relativamente fácil.
18:57
But we have to recognize that we have those limitations.
488
1122000
3000
Mas temos que reconhecer que temos essas 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 disse "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 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
poderá ser que apenas ao reconhecermos as nossas limitações
19:11
that we can really actually overcome them.
494
1136000
2000
que poderemos realmente superá-las.
19:13
The hope is that you all will think about your limitations,
495
1138000
3000
A esperança é que todos vocês pensem nas vossas limitações
19:16
not necessarily as unovercomable,
496
1141000
3000
não necessariamente como insuperáveis,
19:19
but to recognize them, accept them
497
1144000
2000
mas reconhecê-las, aceitá-las
19:21
and then use the world of design to actually figure them out.
498
1146000
3000
e depois usar o mundo do design para as solucionar.
19:24
That might be the only way that we will really be able
499
1149000
3000
Essa poderá ser a única forma através da qual seremos capazes
19:27
to achieve our own human potential
500
1152000
2000
de alcançar o nosso verdadeiro potencial humano
19:29
and really be the noble species we hope to all be.
501
1154000
3000
e verdadeiramente ser a espécie magnânima que todos esperamos ser.
19:32
Thank you.
502
1157000
2000
Obrigada.
19:34
(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