Laurie Santos: How monkeys mirror human irrationality

197,513 views ・ 2010-07-29

TED


Proszę kliknąć dwukrotnie na poniższe angielskie napisy, aby odtworzyć film.

Tłumaczenie: Karol Stasiak Korekta: Anna Heintze
00:17
I want to start my talk today with two observations
0
17260
2000
Rozpocznę mój wykład od dwóch obserwacji
00:19
about the human species.
1
19260
2000
na temat gatunku ludzkiego.
00:21
The first observation is something that you might think is quite obvious,
2
21260
3000
Pierwszą obserwację można uznać za dość oczywistą,
00:24
and that's that our species, Homo sapiens,
3
24260
2000
chodzi o to, że nasz gatunek, homo sapiens,
00:26
is actually really, really smart --
4
26260
2000
jest rzeczywiście bardzo, bardzo mądry --
00:28
like, ridiculously smart --
5
28260
2000
wręcz śmiesznie mądry --
00:30
like you're all doing things
6
30260
2000
bo robicie rzeczy,
00:32
that no other species on the planet does right now.
7
32260
3000
których nie robi żaden inny gatunek na Ziemi.
00:35
And this is, of course,
8
35260
2000
I oczywiście to nie jest pierwszy raz,
00:37
not the first time you've probably recognized this.
9
37260
2000
gdy to pewnie przyznaliście.
00:39
Of course, in addition to being smart, we're also an extremely vain species.
10
39260
3000
Oczywiście, prócz bycia mądrym, jesteśmy też wyjątkowo próżnym gatunkiem.
00:42
So we like pointing out the fact that we're smart.
11
42260
3000
Więc lubimy podkreślać fakt, że jesteśmy mądrzy.
00:45
You know, so I could turn to pretty much any sage
12
45260
2000
Wiecie, mogłabym wskazać dowolnego myśliciela,
00:47
from Shakespeare to Stephen Colbert
13
47260
2000
od Szekspira to Stephena Colberta,
00:49
to point out things like the fact that
14
49260
2000
by wykazać między innymi fakt,
00:51
we're noble in reason and infinite in faculties
15
51260
2000
że jesteśmy szlachetni rozumem i nieograniczeni w talentach
00:53
and just kind of awesome-er than anything else on the planet
16
53260
2000
i tak jakby wspanialsi niż cokolwiek innego na Ziemi,
00:55
when it comes to all things cerebral.
17
55260
3000
jeśli chodzi o wszystko związane z mózgiem.
00:58
But of course, there's a second observation about the human species
18
58260
2000
Ale oczywiście, istnieje druga obserwacja o gatunku ludzkim,
01:00
that I want to focus on a little bit more,
19
60260
2000
na której chciałabym się teraz nieco skupić,
01:02
and that's the fact that
20
62260
2000
a chodzi o fakt, że
01:04
even though we're actually really smart, sometimes uniquely smart,
21
64260
3000
mimo iż jesteśmy naprawdę mądrzy, czasami wyjatkowo mądrzy,
01:07
we can also be incredibly, incredibly dumb
22
67260
3000
potrafimy też być niewiarygodnie głupi,
01:10
when it comes to some aspects of our decision making.
23
70260
3000
jeśli chodzi o pewne aspekty naszego podejmowania decyzji.
01:13
Now I'm seeing lots of smirks out there.
24
73260
2000
Dostrzegam teraz na waszych twarzach uśmieszek.
01:15
Don't worry, I'm not going to call anyone in particular out
25
75260
2000
Nie martwcie się, nie zamierzam wypominać nikomu konkretnemu
01:17
on any aspects of your own mistakes.
26
77260
2000
przyczyn jego własnych błędów.
01:19
But of course, just in the last two years
27
79260
2000
Ale oczywiście, tylko przez ostatnie dwa lata
01:21
we see these unprecedented examples of human ineptitude.
28
81260
3000
obserwowaliśmy bezprecedensowe przykłady ludzkiej niezaradności.
01:24
And we've watched as the tools we uniquely make
29
84260
3000
I obserwowaliśmy, jak narzędzia, które tylko my tworzymy,
01:27
to pull the resources out of our environment
30
87260
2000
by wydobyć surowce z natury,
01:29
kind of just blow up in our face.
31
89260
2000
tak jakby wybuchały nam w twarz.
01:31
We've watched the financial markets that we uniquely create --
32
91260
2000
Obserwowaliśmy rynki finansowe, które tylko my tworzymy –
01:33
these markets that were supposed to be foolproof --
33
93260
3000
rynki, które miały być niezawodne –
01:36
we've watched them kind of collapse before our eyes.
34
96260
2000
obserwowaliśmy, jak tak jakby zawaliły się na naszych oczach.
01:38
But both of these two embarrassing examples, I think,
35
98260
2000
Ale sądzę, że oba te zawstydzające przykłady
01:40
don't highlight what I think is most embarrassing
36
100260
3000
nie uwydatniają tego, co moim zdaniem jest najbardziej zawstydzające,
01:43
about the mistakes that humans make,
37
103260
2000
jeśli chodzi o błędy popełniane przez ludzi,
01:45
which is that we'd like to think that the mistakes we make
38
105260
3000
czyli to, że wolimy myśleć, że nasze błędy
01:48
are really just the result of a couple bad apples
39
108260
2000
są tak naprawdę spowodowane przez paru niekompetentnych,
01:50
or a couple really sort of FAIL Blog-worthy decisions.
40
110260
3000
albo kilka decyzji naprawdę godnych umieszczenia na FailBlogu.
01:53
But it turns out, what social scientists are actually learning
41
113260
3000
Ale okazuje się, o czym rzeczywiście dowiadują się socjologowie,
01:56
is that most of us, when put in certain contexts,
42
116260
3000
że większość z nas w określonych okolicznościach
01:59
will actually make very specific mistakes.
43
119260
3000
popełni pewne określone błędy.
02:02
The errors we make are actually predictable.
44
122260
2000
Błędy, które popełniamy, są w rzeczywistości przewidywalne.
02:04
We make them again and again.
45
124260
2000
Wciąż i wciąż je popełniamy.
02:06
And they're actually immune to lots of evidence.
46
126260
2000
I właściwie są one odporne na dowody.
02:08
When we get negative feedback,
47
128260
2000
Kiedy uzyskujemy negatywny odzew,
02:10
we still, the next time we're face with a certain context,
48
130260
3000
wciąż, gdy ponownie stajemy w obliczu pewnych okoliczności,
02:13
tend to make the same errors.
49
133260
2000
popełniamy takie same błędy.
02:15
And so this has been a real puzzle to me
50
135260
2000
No i to była dla mnie prawdziwa zagadka,
02:17
as a sort of scholar of human nature.
51
137260
2000
jako pewnego rodzaju badaczki ludzkiej natury.
02:19
What I'm most curious about is,
52
139260
2000
Najbardziej w tym intryguje mnie to,
02:21
how is a species that's as smart as we are
53
141260
3000
jak tak mądry gatunek, jak my,
02:24
capable of such bad
54
144260
2000
jest zdolny do popełniania cały czas
02:26
and such consistent errors all the time?
55
146260
2000
tak dużych i tak konsekwentnych błędów
02:28
You know, we're the smartest thing out there, why can't we figure this out?
56
148260
3000
Wiecie, jesteśmy tu najmądrzejsi, czemu nie potrafimy tego rozgryźć?
02:31
In some sense, where do our mistakes really come from?
57
151260
3000
Innymi słowy, skąd naprawdę biorą się nasze pomyłki?
02:34
And having thought about this a little bit, I see a couple different possibilities.
58
154260
3000
I po przemyśleniach widzę parę różnych możliwości.
02:37
One possibility is, in some sense, it's not really our fault.
59
157260
3000
Jedna z nich to to, że w pewnym sensie to nie jest nasza wina.
02:40
Because we're a smart species,
60
160260
2000
Skoro jesteśmy mądrym gatunkiem,
02:42
we can actually create all kinds of environments
61
162260
2000
to możemy tworzyć wszelakie środowiska,
02:44
that are super, super complicated,
62
164260
2000
które są super-, super-skomplikowane,
02:46
sometimes too complicated for us to even actually understand,
63
166260
3000
czasami zbyt skomplikowane, byśmy je tak naprawdę zrozumieli,
02:49
even though we've actually created them.
64
169260
2000
chociaż to właśnie my je stworzyliśmy.
02:51
We create financial markets that are super complex.
65
171260
2000
Stworzyliśmy super-skomplikowane rynki finansowe.
02:53
We create mortgage terms that we can't actually deal with.
66
173260
3000
Stworzyliśmy system kredytów hipotecznych, z którym właściwie sobie nie radzimy.
02:56
And of course, if we are put in environments where we can't deal with it,
67
176260
3000
No i rzecz jasna, jeśli znajdziemy się w środowisku, w którym sobie nie radzimy,
02:59
in some sense makes sense that we actually
68
179260
2000
w pewnym sensie logiczne jest, że naprawdę
03:01
might mess certain things up.
69
181260
2000
możemy coś zepsuć.
03:03
If this was the case, we'd have a really easy solution
70
183260
2000
Gdyby tak było, mielibyśmy naprawdę łatwe rozwiązanie
03:05
to the problem of human error.
71
185260
2000
problemu ludzkich błędów.
03:07
We'd actually just say, okay, let's figure out
72
187260
2000
Powiedzielibyśmy: „Dobrze, sprawdźmy więc,
03:09
the kinds of technologies we can't deal with,
73
189260
2000
z jakimi technologiami sobie nie radzimy,
03:11
the kinds of environments that are bad --
74
191260
2000
jakie środowiska są nieodpowiednie –
03:13
get rid of those, design things better,
75
193260
2000
pozbądźmy się ich, zaprojektujmy je lepiej
03:15
and we should be the noble species
76
195260
2000
i staniemy się szlachetnym gatunkiem,
03:17
that we expect ourselves to be.
77
197260
2000
którym oczekujemy się czuć.
03:19
But there's another possibility that I find a little bit more worrying,
78
199260
3000
Ale jest też inna możliwość, która mnie osobiście bardziej martwi,
03:22
which is, maybe it's not our environments that are messed up.
79
202260
3000
czyli to, że może to nie z naszym otoczeniem jest nie tak.
03:25
Maybe it's actually us that's designed badly.
80
205260
3000
Może tak właściwie to my jesteśmy źle skonstruowani.
03:28
This is a hint that I've gotten
81
208260
2000
To wskazówka, którą otrzymałam
03:30
from watching the ways that social scientists have learned about human errors.
82
210260
3000
patrząc, w jaki sposób socjologowie poznawali ludzkie błędy.
03:33
And what we see is that people tend to keep making errors
83
213260
3000
A co widzimy, to to, że ludzie ciągle popełniają te same błędy
03:36
exactly the same way, over and over again.
84
216260
3000
dokładnie tak samo za każdym razem.
03:39
It feels like we might almost just be built
85
219260
2000
Wygląda, jakbyśmy niemal byli zbudowani,
03:41
to make errors in certain ways.
86
221260
2000
by mylić się w określony sposób.
03:43
This is a possibility that I worry a little bit more about,
87
223260
3000
To możliwość, która bardziej mnie martwi,
03:46
because, if it's us that's messed up,
88
226260
2000
bo jeśli to my jesteśmy wadliwi,
03:48
it's not actually clear how we go about dealing with it.
89
228260
2000
to właściwie nie wiadomo, jak mamy sobie z tym radzić.
03:50
We might just have to accept the fact that we're error prone
90
230260
3000
Możemy po prostu zaakceptować to, że jesteśmy podatni na błędy
03:53
and try to design things around it.
91
233260
2000
i próbować projektować rzeczy zgodnie z tym.
03:55
So this is the question my students and I wanted to get at.
92
235260
3000
Więc oto pytanie, za które ja i moi studenci chcieliśmy się wziąć.
03:58
How can we tell the difference between possibility one and possibility two?
93
238260
3000
Jak odróżnić wariant pierwszy od wariantu drugiego?
04:01
What we need is a population
94
241260
2000
Potrzebujemy więc populacji,
04:03
that's basically smart, can make lots of decisions,
95
243260
2000
która jest dość mądra, może podejmować wiele decyzji,
04:05
but doesn't have access to any of the systems we have,
96
245260
2000
ale nie ma dostępu do tych systemów, do którym my mamy,
04:07
any of the things that might mess us up --
97
247260
2000
do żadnych rzeczy, które mogły nas popsuć –
04:09
no human technology, human culture,
98
249260
2000
ani ludzkiej technologii, ani ludzkiej kultury,
04:11
maybe even not human language.
99
251260
2000
może nawet nie do ludzkiego języka.
04:13
And so this is why we turned to these guys here.
100
253260
2000
I dlatego zwróciliśmy się to tych kolesi.
04:15
These are one of the guys I work with. This is a brown capuchin monkey.
101
255260
3000
To z tymi kolesiami pracuję. Są to kapucynki czubate.
04:18
These guys are New World primates,
102
258260
2000
Są one ssakami naczelnymi Nowego Świata,
04:20
which means they broke off from the human branch
103
260260
2000
co znaczy, że odłączyły się od gałęzi prowadzącej do ludzi
04:22
about 35 million years ago.
104
262260
2000
jakieś 35 milionów lat temu.
04:24
This means that your great, great, great great, great, great --
105
264260
2000
To znaczy, że wasza pra-, pra-, pra-, pra-, pra-, pra- –
04:26
with about five million "greats" in there --
106
266260
2000
i jeszcze tak z pięć milionów "pra" –
04:28
grandmother was probably the same great, great, great, great
107
268260
2000
babcia była prawdopodobnie tą samą pra-, pra-, pra-, pra-
04:30
grandmother with five million "greats" in there
108
270260
2000
babcią z pięcioma milionami "pra-" po drodze,
04:32
as Holly up here.
109
272260
2000
którą miała ta oto Holly.
04:34
You know, so you can take comfort in the fact that this guy up here is a really really distant,
110
274260
3000
Wiecie, możecie się pocieszyć faktem, że w rzeczywistości jest to wasza naprawdę daleka,
04:37
but albeit evolutionary, relative.
111
277260
2000
chociaż tylko ewolucyjnie, krewna.
04:39
The good news about Holly though is that
112
279260
2000
To, co można dobrego powiedzieć o Holly, to to,
04:41
she doesn't actually have the same kinds of technologies we do.
113
281260
3000
że nie posiada tego samego rodzaju technologii, które my mamy.
04:44
You know, she's a smart, very cut creature, a primate as well,
114
284260
3000
Wiecie, to mądre, bardzo sprytne stworzenie, też ssak naczelny,
04:47
but she lacks all the stuff we think might be messing us up.
115
287260
2000
ale brakuje jej tego wszystkiego, o czym sądzimy, że mogło nas popsuć.
04:49
So she's the perfect test case.
116
289260
2000
Jest więc idealnym obiektem doświadczalnym.
04:51
What if we put Holly into the same context as humans?
117
291260
3000
Co będzie, jeśli umieścimy Holly w tym samym kontekście co ludzi?
04:54
Does she make the same mistakes as us?
118
294260
2000
Czy popełnia takie same błędy jak my?
04:56
Does she not learn from them? And so on.
119
296260
2000
Czy się na nich nie uczy? I tak dalej.
04:58
And so this is the kind of thing we decided to do.
120
298260
2000
I właśnie tego typu rzeczy postanowiliśmy zrobić.
05:00
My students and I got very excited about this a few years ago.
121
300260
2000
Parę lat temu, moi studenci i ja bardzo się tym podniecaliśmy.
05:02
We said, all right, let's, you know, throw so problems at Holly,
122
302260
2000
Mówiliśmy: No dobra, zasypmy Holly problemami,
05:04
see if she messes these things up.
123
304260
2000
zobaczymy, czy coś zabałagani.
05:06
First problem is just, well, where should we start?
124
306260
3000
Pierwszy problem, to, cóż, od czego powinniśmy zacząć?
05:09
Because, you know, it's great for us, but bad for humans.
125
309260
2000
Bo wiecie, dla nas to świetnie, ale dla ludzi już gorzej.
05:11
We make a lot of mistakes in a lot of different contexts.
126
311260
2000
Popełniamy mnóstwo błędów w wielu różnych sytuacjach.
05:13
You know, where are we actually going to start with this?
127
313260
2000
Wiecie, od której strony tak właściwie zaczniemy?
05:15
And because we started this work around the time of the financial collapse,
128
315260
3000
A ponieważ zaczęliśmy pracę w czasach finansowego krachu,
05:18
around the time when foreclosures were hitting the news,
129
318260
2000
gdy w telewizji wciąż mówiono o zajęciach komorniczych,
05:20
we said, hhmm, maybe we should
130
320260
2000
stwierdziliśmy, hmmm, może powinniśmy
05:22
actually start in the financial domain.
131
322260
2000
zacząć od spraw finansowych.
05:24
Maybe we should look at monkey's economic decisions
132
324260
3000
Może powinniśmy przyjrzeć się małpim decyzjom ekonomicznym
05:27
and try to see if they do the same kinds of dumb things that we do.
133
327260
3000
i zobaczyć, czy robią te same głupie rzeczy, co my.
05:30
Of course, that's when we hit a sort second problem --
134
330260
2000
Oczywiście, wtedy natrafiliśmy na drugi problem –
05:32
a little bit more methodological --
135
332260
2000
nieco bardziej metodologiczny –
05:34
which is that, maybe you guys don't know,
136
334260
2000
czyli, może o tym nie wiecie,
05:36
but monkeys don't actually use money. I know, you haven't met them.
137
336260
3000
ale małpy tak właściwie to nie używają pieniędzy. Wiem, nie spotkaliście ich.
05:39
But this is why, you know, they're not in the queue behind you
138
339260
2000
Ale wiecie, to dlatego, że nie stoją za wami w kolejce
05:41
at the grocery store or the ATM -- you know, they don't do this stuff.
139
341260
3000
do kasy czy bankomatu, wiecie, one takich rzeczy nie robią.
05:44
So now we faced, you know, a little bit of a problem here.
140
344260
3000
Więc wiecie, stanęliśmy przed takim drobnym problemem:
05:47
How are we actually going to ask monkeys about money
141
347260
2000
Jak właściwie mamy spytać małpy o pieniądze,
05:49
if they don't actually use it?
142
349260
2000
jeśli one ich nie używają?
05:51
So we said, well, maybe we should just, actually just suck it up
143
351260
2000
Więc stwierdziliśmy, że może powinniśmy po prostu zakasać rękawy
05:53
and teach monkeys how to use money.
144
353260
2000
i nauczyć małpy posługiwania się pieniędzmi.
05:55
So that's just what we did.
145
355260
2000
I to właśnie zrobiliśmy.
05:57
What you're looking at over here is actually the first unit that I know of
146
357260
3000
To, na co właśnie patrzycie, to o ile mi wiadomo pierwsza jednostka
06:00
of non-human currency.
147
360260
2000
nie-ludzkiej waluty.
06:02
We weren't very creative at the time we started these studies,
148
362260
2000
Na początku naszych badań nie byliśmy zbyt kreatywni,
06:04
so we just called it a token.
149
364260
2000
więc nazwaliśmy ją żetonem.
06:06
But this is the unit of currency that we've taught our monkeys at Yale
150
366260
3000
Ale właśnie to jest waluta, którą nauczyliśmy w Yale nasze małpy
06:09
to actually use with humans,
151
369260
2000
używać własciwie wspólnie z ludźmi,
06:11
to actually buy different pieces of food.
152
371260
3000
by kupować różne rodzaje pożywienie.
06:14
It doesn't look like much -- in fact, it isn't like much.
153
374260
2000
Nie wygląda na wartościowe – i rzeczywiście, nie jest wartościowe.
06:16
Like most of our money, it's just a piece of metal.
154
376260
2000
Jak większość naszych pieniędzy, to tylko kawałek metalu.
06:18
As those of you who've taken currencies home from your trip know,
155
378260
3000
Jak ci z was, którzy przywieźli pieniądze z wycieczek zagranicznych, wiedzą,
06:21
once you get home, it's actually pretty useless.
156
381260
2000
że po powrocie do domu są one własciwie zupełnie bezużyteczne.
06:23
It was useless to the monkeys at first
157
383260
2000
Na początku były bezużyteczne dla małp,
06:25
before they realized what they could do with it.
158
385260
2000
dopóki nie zrozumiały, co mogą z nimi zrobić.
06:27
When we first gave it to them in their enclosures,
159
387260
2000
Gdy daliśmy je im po raz pierwszy w ich pomieszczeniach,
06:29
they actually kind of picked them up, looked at them.
160
389260
2000
to je tak sobie podnosiły, oglądały.
06:31
They were these kind of weird things.
161
391260
2000
Takie jakieś dziwaczne przedmioty.
06:33
But very quickly, the monkeys realized
162
393260
2000
Ale bardzo szybko małpy zrozumiały,
06:35
that they could actually hand these tokens over
163
395260
2000
że faktycznie mogą wymienić te żetony
06:37
to different humans in the lab for some food.
164
397260
3000
u różnych ludzi w laboratorium na jedzenie.
06:40
And so you see one of our monkeys, Mayday, up here doing this.
165
400260
2000
A więc widzicie jedną z naszych małp, Mayday, robiącą to.
06:42
This is A and B are kind of the points where she's sort of a little bit
166
402260
3000
A i B to momenty, kiedy jeszcze się interesowała
06:45
curious about these things -- doesn't know.
167
405260
2000
tymi przedmiotami – nie wie.
06:47
There's this waiting hand from a human experimenter,
168
407260
2000
Tutaj wyciągnięta ręka nadzorującego człowieka
06:49
and Mayday quickly figures out, apparently the human wants this.
169
409260
3000
i Mayday w mig pojmuje, że widocznie człowiek to chce.
06:52
Hands it over, and then gets some food.
170
412260
2000
Podaje i dostaje w zamian jedzenie.
06:54
It turns out not just Mayday, all of our monkeys get good
171
414260
2000
Okazuje się, że nie tylko Mayday, wszystkie małpy radzą sobie
06:56
at trading tokens with human salesman.
172
416260
2000
z wymianą żetonów ze sprzedawcą.
06:58
So here's just a quick video of what this looks like.
173
418260
2000
Oto króciutki filmik, jak to wygląda.
07:00
Here's Mayday. She's going to be trading a token for some food
174
420260
3000
To Mayday. Zamierza wymienić żeton na jedzenie,
07:03
and waiting happily and getting her food.
175
423260
3000
czeka i dostaje to jedzenie.
07:06
Here's Felix, I think. He's our alpha male; he's a kind of big guy.
176
426260
2000
To chyba Felix, nasz samiec alfa; dość spory facet.
07:08
But he too waits patiently, gets his food and goes on.
177
428260
3000
Ale on też cierpliwie czeka, dostaje jedzenie i odchodzi.
07:11
So the monkeys get really good at this.
178
431260
2000
Więc małpy naprawdę sobie z tym radzą.
07:13
They're surprisingly good at this with very little training.
179
433260
3000
Są w tym zadziwiająco dobre już po krótkim treningu.
07:16
We just allowed them to pick this up on their own.
180
436260
2000
Pozwoliliśmy im tylko samodzielnie się tego nauczyć.
07:18
The question is: is this anything like human money?
181
438260
2000
Pytanie brzmi: czy to przypomina ludzkie pieniądze?
07:20
Is this a market at all,
182
440260
2000
Czy to w ogóle jest rynek,
07:22
or did we just do a weird psychologist's trick
183
442260
2000
czy tylko dziwna psychologiczna sztuczka,
07:24
by getting monkeys to do something,
184
444260
2000
by nakłonić małpy do czegoś
07:26
looking smart, but not really being smart.
185
446260
2000
pozornie mądrego, ale w rzeczywistości nie.
07:28
And so we said, well, what would the monkeys spontaneously do
186
448260
3000
Więc pytaliśmy: co by małpy robiły spontanicznie,
07:31
if this was really their currency, if they were really using it like money?
187
451260
3000
gdyby to była naprawdę ich waluta, gdyby naprawdę używały jej jak pieniędzy?
07:34
Well, you might actually imagine them
188
454260
2000
Cóż, rzeczywiście możecie wyobrazić je sobie,
07:36
to do all the kinds of smart things
189
456260
2000
że robią mnóstwo różnych mądrych rzeczy,
07:38
that humans do when they start exchanging money with each other.
190
458260
3000
które robią ludzie, gdy zaczynają wymieniać się pieniędzmi między sobą.
07:41
You might have them start paying attention to price,
191
461260
3000
Możecie sprawić, że zaczną zwracać uwagę na cenę,
07:44
paying attention to how much they buy --
192
464260
2000
na to, ile kupują – pewnego rodzaju
07:46
sort of keeping track of their monkey token, as it were.
193
466260
3000
pilnowanie własnych żetonów, jak pieniędzy.
07:49
Do the monkeys do anything like this?
194
469260
2000
Czy małpy robią coś w tym stylu?
07:51
And so our monkey marketplace was born.
195
471260
3000
I tak narodził się małpi rynek.
07:54
The way this works is that
196
474260
2000
Działa to na takiej zasadzie, że
07:56
our monkeys normally live in a kind of big zoo social enclosure.
197
476260
3000
nasze małpy normalnie mieszkają na dużym zoologicznym wybiegu.
07:59
When they get a hankering for some treats,
198
479260
2000
Kiedy nachodzi je ochota na smakołyki,
08:01
we actually allowed them a way out
199
481260
2000
pozwalamy im przejść z dużego wybiegu
08:03
into a little smaller enclosure where they could enter the market.
200
483260
2000
do małego, gdzie mogą pójść na targ.
08:05
Upon entering the market --
201
485260
2000
Po wejściu na targowisko –
08:07
it was actually a much more fun market for the monkeys than most human markets
202
487260
2000
dla małp był to o wiele przyjemniejszy targ, niż ludzkie targi,
08:09
because, as the monkeys entered the door of the market,
203
489260
3000
bo jak tylko małpy przekraczały próg targu,
08:12
a human would give them a big wallet full of tokens
204
492260
2000
człowiek dawał im wielki portfel pełen żetonów,
08:14
so they could actually trade the tokens
205
494260
2000
więc faktycznie mogły wymieniać żetony
08:16
with one of these two guys here --
206
496260
2000
u tych tutaj dwóch facetów –
08:18
two different possible human salesmen
207
498260
2000
dwóch możliwych ludzkich handlarzy,
08:20
that they could actually buy stuff from.
208
500260
2000
od których mogli kupować towar.
08:22
The salesmen were students from my lab.
209
502260
2000
Handlarzami byli studenci z mojego laboratorium.
08:24
They dressed differently; they were different people.
210
504260
2000
Inaczej się ubierali, byli innymi ludźmi.
08:26
And over time, they did basically the same thing
211
506260
3000
I cały czas robili praktycznie jedną rzecz,
08:29
so the monkeys could learn, you know,
212
509260
2000
więc małpy mogły się nauczyć,
08:31
who sold what at what price -- you know, who was reliable, who wasn't, and so on.
213
511260
3000
kto co za ile sprzedawał – komu można zaufać, komu nie i tak dalej.
08:34
And you can see that each of the experimenters
214
514260
2000
Widzicie, że każdy z eksperymentatorów
08:36
is actually holding up a little, yellow food dish.
215
516260
3000
trzyma mały żółty pojemnik z jedzeniem
08:39
and that's what the monkey can for a single token.
216
519260
2000
i właśnie tyle małpa dostaje za jeden żeton.
08:41
So everything costs one token,
217
521260
2000
Więc wszystko kosztuje jeden żeton,
08:43
but as you can see, sometimes tokens buy more than others,
218
523260
2000
ale jak widać, czasami za żeton można kupić więcej niż innym razem,
08:45
sometimes more grapes than others.
219
525260
2000
czasami więcej winogron niż innym razem.
08:47
So I'll show you a quick video of what this marketplace actually looks like.
220
527260
3000
Pokażę wam krótki film, jak taki targ właściwie wygląda.
08:50
Here's a monkey-eye-view. Monkeys are shorter, so it's a little short.
221
530260
3000
Oto widok z perspektywy małpy. Małpy są niższe, więc jest nieco niski.
08:53
But here's Honey.
222
533260
2000
A oto Honey.
08:55
She's waiting for the market to open a little impatiently.
223
535260
2000
Czeka dość niecierpliwie na otwarcie targu.
08:57
All of a sudden the market opens. Here's her choice: one grapes or two grapes.
224
537260
3000
Nagle targ się otwiera. Ma wybór: jedno czy dwa winogrona.
09:00
You can see Honey, very good market economist,
225
540260
2000
Widzicie jaka z Honey świetna ekonomistka rynkowa,
09:02
goes with the guy who gives more.
226
542260
3000
wybiera faceta, który daje więcej.
09:05
She could teach our financial advisers a few things or two.
227
545260
2000
Mogłaby nauczyć paru rzeczy naszych doradców finansowych.
09:07
So not just Honey,
228
547260
2000
Nie tylko Honey,
09:09
most of the monkeys went with guys who had more.
229
549260
3000
Większość małp wybierała facetów, którzy mieli więcej.
09:12
Most of the monkeys went with guys who had better food.
230
552260
2000
Większość małp wybierała facetów, którzy mieli lepsze jedzenie.
09:14
When we introduced sales, we saw the monkeys paid attention to that.
231
554260
3000
Gdy wprowadziliśmy przeceny, małpy zwróciły na to uwagę.
09:17
They really cared about their monkey token dollar.
232
557260
3000
Naprawdę troszczyły się o swojego małpiego żetonowego dolara.
09:20
The more surprising thing was that when we collaborated with economists
233
560260
3000
Bardziej zaskakujące okazało się, że gdy współpracując z ekonomistami
09:23
to actually look at the monkeys' data using economic tools,
234
563260
3000
przyjrzeliśmy się małpim danym przy pomocy narzędzi ekonomicznych,
09:26
they basically matched, not just qualitatively,
235
566260
3000
pasowały, nie tylko jakościowo,
09:29
but quantitatively with what we saw
236
569260
2000
ale i ilościowo, do tego, co robią
09:31
humans doing in a real market.
237
571260
2000
ludzie na prawdziwym rynku.
09:33
So much so that, if you saw the monkeys' numbers,
238
573260
2000
Do tego stopnia, że jeśli widzielibyście liczby małp,
09:35
you couldn't tell whether they came from a monkey or a human in the same market.
239
575260
3000
nie bylibyście w stanie powiedzieć, czy pochodzą od małp, czy od ludzi na tym samym rynku.
09:38
And what we'd really thought we'd done
240
578260
2000
I co uważaliśmy, że zrobiliśmy,
09:40
is like we'd actually introduced something
241
580260
2000
to, że własciwie wprowadziliśmy coś, co
09:42
that, at least for the monkeys and us,
242
582260
2000
przynajmniej dla małp i dla nas
09:44
works like a real financial currency.
243
584260
2000
działa jak prawdziwa waluta.
09:46
Question is: do the monkeys start messing up in the same ways we do?
244
586260
3000
Pytanie brzmi: czy małpy zaczną zawalać sprawę, jak my?
09:49
Well, we already saw anecdotally a couple of signs that they might.
245
589260
3000
Cóż, zauważyliśmy żartobliwie nieco oznak, które mogłyby na to wskazywać.
09:52
One thing we never saw in the monkey marketplace
246
592260
2000
Czego nie widzieliśmy na małpim targu,
09:54
was any evidence of saving --
247
594260
2000
to dowody jakiegokolwiek oszczędzania –
09:56
you know, just like our own species.
248
596260
2000
Wiecie, tak jak u naszego gatunku.
09:58
The monkeys entered the market, spent their entire budget
249
598260
2000
Małpy szły na targ, wydawały cały budżet,
10:00
and then went back to everyone else.
250
600260
2000
a potem wracały do pozostałych.
10:02
The other thing we also spontaneously saw,
251
602260
2000
Dodatkowo mogliśmy zaobserwować,
10:04
embarrassingly enough,
252
604260
2000
ze sporym zażenowaniem,
10:06
is spontaneous evidence of larceny.
253
606260
2000
spontaniczne przypadki kradzieży.
10:08
The monkeys would rip-off the tokens at every available opportunity --
254
608260
3000
Małpy przy każdej okazji wyrywały żetony z rąk –
10:11
from each other, often from us --
255
611260
2000
innym małpom, często nam –
10:13
you know, things we didn't necessarily think we were introducing,
256
613260
2000
wiecie, coś, co niekoniecznie chcieliśmy wprowadzić,
10:15
but things we spontaneously saw.
257
615260
2000
ale co spontanicznie zaobserwowaliśmy.
10:17
So we said, this looks bad.
258
617260
2000
Stwierdziliśmy więc: jest źle.
10:19
Can we actually see if the monkeys
259
619260
2000
Czy na pewno możemy stwierdzić,
10:21
are doing exactly the same dumb things as humans do?
260
621260
3000
czy małpy robią dokładnie te same głupie rzeczy, co ludzie?
10:24
One possibility is just kind of let
261
624260
2000
Jedno rozwiązanie to po prostu
10:26
the monkey financial system play out,
262
626260
2000
zostawić małpi system finansowy samemu sobie,
10:28
you know, see if they start calling us for bailouts in a few years.
263
628260
2000
sprawdzić, czy za parę lat będą chciały od nas pomocy.
10:30
We were a little impatient so we wanted
264
630260
2000
Byliśmy nieco niecierpliwi, więc chcieliśmy
10:32
to sort of speed things up a bit.
265
632260
2000
wszystko nieco przyspieszyć.
10:34
So we said, let's actually give the monkeys
266
634260
2000
Więc stwierdziliśmy: postawmy przed małpami
10:36
the same kinds of problems
267
636260
2000
te same rodzaje problemów,
10:38
that humans tend to get wrong
268
638260
2000
z którymi ludzie sobie nie radzą
10:40
in certain kinds of economic challenges,
269
640260
2000
w pewnych rodzajach wyzwań ekonomicznych
10:42
or certain kinds of economic experiments.
270
642260
2000
lub przy pewnego rodzaju ekonomicznych eksperymentach.
10:44
And so, since the best way to see how people go wrong
271
644260
3000
A więc najlepszym sposobem stwierdzenia, jak ludzie się mylą,
10:47
is to actually do it yourself,
272
647260
2000
jest właściwie zrobić to samemu.
10:49
I'm going to give you guys a quick experiment
273
649260
2000
Przeprowadzę z wami krótki eksperyment,
10:51
to sort of watch your own financial intuitions in action.
274
651260
2000
by zaobserwować waszą intuicję finansową w akcji.
10:53
So imagine that right now
275
653260
2000
Wyobraźcie sobie teraz,
10:55
I handed each and every one of you
276
655260
2000
że dałam każdemu z was
10:57
a thousand U.S. dollars -- so 10 crisp hundred dollar bills.
277
657260
3000
po tysiąc dolarów – dziesięć szeleszczących stówek.
11:00
Take these, put it in your wallet
278
660260
2000
Weźcie je, włóżcie do portfela
11:02
and spend a second thinking about what you're going to do with it.
279
662260
2000
i pomyślcie przez chwilę, co z nimi zrobicie.
11:04
Because it's yours now; you can buy whatever you want.
280
664260
2000
Bo są teraz wasze, możecie kupić, co chcecie.
11:06
Donate it, take it, and so on.
281
666260
2000
Podarować, wziąć i tak dalej.
11:08
Sounds great, but you get one more choice to earn a little bit more money.
282
668260
3000
Brzmi świetnie, ale dam wam jeszcze jedną okazję na zarobienie pieniędzy.
11:11
And here's your choice: you can either be risky,
283
671260
3000
Macie taki wybór: albo zaryzykujecie,
11:14
in which case I'm going to flip one of these monkey tokens.
284
674260
2000
a wtedy rzucę jedną z tych małpich monet.
11:16
If it comes up heads, you're going to get a thousand dollars more.
285
676260
2000
Jak wypadnie orzeł, dostaniecie kolejny tysiąc dolarów.
11:18
If it comes up tails, you get nothing.
286
678260
2000
Jak wypadnie reszka, nie dostajecie nic.
11:20
So it's a chance to get more, but it's pretty risky.
287
680260
3000
Więc macie szansę dostać więcej, ale jest spore ryzyko.
11:23
Your other option is a bit safe. Your just going to get some money for sure.
288
683260
3000
Drugi wariant jest bezpieczniejszy. Dostaniecie pewną kwotę gwarantowaną.
11:26
I'm just going to give you 500 bucks.
289
686260
2000
Po prostu dam wam 500 dolarów.
11:28
You can stick it in your wallet and use it immediately.
290
688260
3000
Możecie schować je do portfela i zaraz wydać.
11:31
So see what your intuition is here.
291
691260
2000
Więc zobaczmy, jaka jest w tym przypadku wasza intuicja.
11:33
Most people actually go with the play-it-safe option.
292
693260
3000
Większość ludzi wybiera wariant bezpieczny.
11:36
Most people say, why should I be risky when I can get 1,500 dollars for sure?
293
696260
3000
Większość ludzi mówi: czemu mam ryzykować, jak mogę dostać 1500 na pewniaka?
11:39
This seems like a good bet. I'm going to go with that.
294
699260
2000
Wygląda na dobry zakład. Mam zamiar go zrobić.
11:41
You might say, eh, that's not really irrational.
295
701260
2000
Możecie rzec: to nie jest naprawdę nierozsądne.
11:43
People are a little risk-averse. So what?
296
703260
2000
Ludzie niezbyt lubią ryzyko. I co z tego?
11:45
Well, the "so what?" comes when start thinking
297
705260
2000
Cóż, zobaczymy," co z tego", gdy zaczniemy
11:47
about the same problem
298
707260
2000
rozważać ten sam problem,
11:49
set up just a little bit differently.
299
709260
2000
ale nieco inaczej sformułowany.
11:51
So now imagine that I give each and every one of you
300
711260
2000
Wyobraźcie sobie teraz, że daję każdemu z was
11:53
2,000 dollars -- 20 crisp hundred dollar bills.
301
713260
3000
2000 dolarów – 20 szeleszczących stówek.
11:56
Now you can buy double to stuff you were going to get before.
302
716260
2000
Możecie teraz kupić dwa razy więcej rzeczy niż poprzednio.
11:58
Think about how you'd feel sticking it in your wallet.
303
718260
2000
Pomyślcie, jakbyście się czuli wkładając te pieniądze do portfela.
12:00
And now imagine that I have you make another choice
304
720260
2000
I teraz wyobraźcie sobie, że zmuszam was do innej decyzji.
12:02
But this time, it's a little bit worse.
305
722260
2000
Ale tym razem będzie nieco gorzej.
12:04
Now, you're going to be deciding how you're going to lose money,
306
724260
3000
Teraz będziecie decydować, jak stracicie pieniądze,
12:07
but you're going to get the same choice.
307
727260
2000
ale będziecie dokonywać tego samego wyboru.
12:09
You can either take a risky loss --
308
729260
2000
Albo wybierzecie ryzykowną stratę –
12:11
so I'll flip a coin. If it comes up heads, you're going to actually lose a lot.
309
731260
3000
rzucę monetą. Jak wypadnie orzeł, to tracicie naprawdę dużo.
12:14
If it comes up tails, you lose nothing, you're fine, get to keep the whole thing --
310
734260
3000
Jeśli wypadnie reszka, nie tracicie nic, w porządku, zatrzymujecie całość –
12:17
or you could play it safe, which means you have to reach back into your wallet
311
737260
3000
albo wybierzecie wariant bezpieczny, co znaczy, że sięgniecie do portfela
12:20
and give me five of those $100 bills, for certain.
312
740260
3000
i dacie mi pięć z tych studolarowych banknotów.
12:23
And I'm seeing a lot of furrowed brows out there.
313
743260
3000
Widzę u was sporo zmarszczonych czół.
12:26
So maybe you're having the same intuitions
314
746260
2000
Więc pewnie macie taką samą intuicję,
12:28
as the subjects that were actually tested in this,
315
748260
2000
jak ci, którzy faktycznie byli tak testowani,
12:30
which is when presented with these options,
316
750260
2000
czyli że mając do wyboru takie dwie opcje,
12:32
people don't choose to play it safe.
317
752260
2000
ludzie nie wybierają tej bezpiecznej.
12:34
They actually tend to go a little risky.
318
754260
2000
Wolą tak naprawdę nieco zaryzykować.
12:36
The reason this is irrational is that we've given people in both situations
319
756260
3000
Jest to nieracjonalne, bo w obydwu przypadkach dajemy ludziom
12:39
the same choice.
320
759260
2000
taki sam wybór.
12:41
It's a 50/50 shot of a thousand or 2,000,
321
761260
3000
Albo równe szanse na tysiąc lub dwa tysiące,
12:44
or just 1,500 dollars with certainty.
322
764260
2000
albo gwarantowane 1500 dolarów.
12:46
But people's intuitions about how much risk to take
323
766260
3000
Ale ludzka intuicja o tym ile podjąć ryzyka
12:49
varies depending on where they started with.
324
769260
2000
zależy od tego, od czego zaczynali.
12:51
So what's going on?
325
771260
2000
Więc o co w tym chodzi?
12:53
Well, it turns out that this seems to be the result
326
773260
2000
Cóż, okazuje się, że wydaje się to być skutkiem
12:55
of at least two biases that we have at the psychological level.
327
775260
3000
co najmniej dwu uprzedzeń, które mamy na poziomie psychologicznym.
12:58
One is that we have a really hard time thinking in absolute terms.
328
778260
3000
Raz, naprawdę trudno jest nam myśleć w pojęciach absolutnych.
13:01
You really have to do work to figure out,
329
781260
2000
Trzeba nieco się natrudzić, by zrozumieć,
13:03
well, one option's a thousand, 2,000;
330
783260
2000
że jeden wariant to 1000 lub 2000,
13:05
one is 1,500.
331
785260
2000
a drugi to 1500.
13:07
Instead, we find it very easy to think in very relative terms
332
787260
3000
Zamiast tego łatwiej nam myśleć w kategoriach względnych,
13:10
as options change from one time to another.
333
790260
3000
gdy warianty się zmieniają.
13:13
So we think of things as, "Oh, I'm going to get more," or "Oh, I'm going to get less."
334
793260
3000
Więc myślimy coś w stylu: „Och, dostanę więcej” lub „Och, dostanę mniej”.
13:16
This is all well and good, except that
335
796260
2000
Wszystko byłoby w porządku, poza tym,
13:18
changes in different directions
336
798260
2000
że zmiany w różnych kierunkach
13:20
actually effect whether or not we think
337
800260
2000
faktycznie wpływają na to, czy uznajemy,
13:22
options are good or not.
338
802260
2000
czy wybór jest dobry czy zły.
13:24
And this leads to the second bias,
339
804260
2000
A to prowadzi nas do drugiego uprzedzenia,
13:26
which economists have called loss aversion.
340
806260
2000
które ekonomiści nazywają awersją w stosunku do strat.
13:28
The idea is that we really hate it when things go into the red.
341
808260
3000
Chodzi o to, że naprawdę nie znosimy być na minusie.
13:31
We really hate it when we have to lose out on some money.
342
811260
2000
Nienawidzimy konieczności stracenia pieniędzy.
13:33
And this means that sometimes we'll actually
343
813260
2000
A to znaczy, że czasami faktycznie zmieniamy
13:35
switch our preferences to avoid this.
344
815260
2000
nasze preferencje, by tego uniknąć.
13:37
What you saw in that last scenario is that
345
817260
2000
W tym ostatnim przykładzie mogliście zobaczyć,
13:39
subjects get risky
346
819260
2000
że badani ryzykują,
13:41
because they want the small shot that there won't be any loss.
347
821260
3000
bo chcą mieć szanse na to, że nie poniosą żadnej straty.
13:44
That means when we're in a risk mindset --
348
824260
2000
To znaczy, że kiedy myślimy o ryzyku –
13:46
excuse me, when we're in a loss mindset,
349
826260
2000
przepraszam, kiedy myślimy o stracie –
13:48
we actually become more risky,
350
828260
2000
stajemy się bardziej skłonni do ryzyka,
13:50
which can actually be really worrying.
351
830260
2000
co może być naprawdę niepokojące.
13:52
These kinds of things play out in lots of bad ways in humans.
352
832260
3000
Te rzeczy często wychodzą ludziom na złe.
13:55
They're why stock investors hold onto losing stocks longer --
353
835260
3000
To dlatego inwestujący na giełdzie przetrzymują akcje tracące na wartości–
13:58
because they're evaluating them in relative terms.
354
838260
2000
bo oceniają ich wartość w kategoriach względnych.
14:00
They're why people in the housing market refused to sell their house --
355
840260
2000
To dlatego ludzie na rynku nieruchomości nie chcieli sprzedawać domu –
14:02
because they don't want to sell at a loss.
356
842260
2000
bo nie chcieli sprzedać ze stratą.
14:04
The question we were interested in
357
844260
2000
To, co nas interesuje,
14:06
is whether the monkeys show the same biases.
358
846260
2000
to czy małpy mają podobne uprzedzenia.
14:08
If we set up those same scenarios in our little monkey market,
359
848260
3000
Czy jeśli zaaranżujemy takie same sytuacje na małpim targu,
14:11
would they do the same thing as people?
360
851260
2000
to zrobią one to samo, co ludzie?
14:13
And so this is what we did, we gave the monkeys choices
361
853260
2000
I to właśnie zrobiliśmy, daliśmy małpom wybór
14:15
between guys who were safe -- they did the same thing every time --
362
855260
3000
między bezpiecznymi sprzedawcami – zawsze robiącymi to samo –
14:18
or guys who were risky --
363
858260
2000
a ryzykownymi –
14:20
they did things differently half the time.
364
860260
2000
zachowującymi się raz tak, a raz tak.
14:22
And then we gave them options that were bonuses --
365
862260
2000
Daliśmy im opcje, które były bonusami –
14:24
like you guys did in the first scenario --
366
864260
2000
tak jak wam w pierwszym przypadku –
14:26
so they actually have a chance more,
367
866260
2000
więc miały szansę na więcej,
14:28
or pieces where they were experiencing losses --
368
868260
3000
lub takie, przy których ponosiły stratę –
14:31
they actually thought they were going to get more than they really got.
369
871260
2000
myślały, że dostaną więcej, niż w rzeczywistości dostawały.
14:33
And so this is what this looks like.
370
873260
2000
A wygląda to właśnie tak.
14:35
We introduced the monkeys to two new monkey salesmen.
371
875260
2000
Przedstawiliśmy małpom dwóch nowych sprzedawców.
14:37
The guy on the left and right both start with one piece of grape,
372
877260
2000
Obaj faceci zaczynają od jednego winogrona,
14:39
so it looks pretty good.
373
879260
2000
więc nie jest źle.
14:41
But they're going to give the monkeys bonuses.
374
881260
2000
Ale oni będą dawać małpom bonusy.
14:43
The guy on the left is a safe bonus.
375
883260
2000
Ten po lewej daje gwarantowane bonusy.
14:45
All the time, he adds one, to give the monkeys two.
376
885260
3000
Zawsze dodaje jedno, a więc daje małpom dwa.
14:48
The guy on the right is actually a risky bonus.
377
888260
2000
Z kolei ten po prawej ma bonusy ryzykowne.
14:50
Sometimes the monkeys get no bonus -- so this is a bonus of zero.
378
890260
3000
Czasem małpy nie dostają bonusu – czyli bonus wynosi zero.
14:53
Sometimes the monkeys get two extra.
379
893260
3000
Czasem małpy dostają dwa gratis.
14:56
For a big bonus, now they get three.
380
896260
2000
Jako duży bonus dostają łącznie trzy.
14:58
But this is the same choice you guys just faced.
381
898260
2000
Ale to jest ten sam wybór, przed którym byliście wy.
15:00
Do the monkeys actually want to play it safe
382
900260
3000
Czy małpy właściwie wolą grać bezpiecznie
15:03
and then go with the guy who's going to do the same thing on every trial,
383
903260
2000
i kupować od faceta, który przykażdej próbie robi to samo,
15:05
or do they want to be risky
384
905260
2000
czy chcą zaryzykować
15:07
and try to get a risky, but big, bonus,
385
907260
2000
i spróbować dostać ryzykowny, ale duży bonus,
15:09
but risk the possibility of getting no bonus.
386
909260
2000
licząc się z ryzykiem niedostania żadnego.
15:11
People here played it safe.
387
911260
2000
Tutaj, ludzie zagrali zachowawczo.
15:13
Turns out, the monkeys play it safe too.
388
913260
2000
Okazało się, że małpy również.
15:15
Qualitatively and quantitatively,
389
915260
2000
W sensie ilościowym i jakościowym
15:17
they choose exactly the same way as people,
390
917260
2000
wybierały dokładnie tak samo jak ludzie
15:19
when tested in the same thing.
391
919260
2000
badani pod tym samym kątem.
15:21
You might say, well, maybe the monkeys just don't like risk.
392
921260
2000
Powiecie pewnie, że małpy po prostu nie lubią ryzyka.
15:23
Maybe we should see how they do with losses.
393
923260
2000
Może zobaczmy, jak radzą sobie w obliczu strat.
15:25
And so we ran a second version of this.
394
925260
2000
Przeprowadziliśmy drugą wersję eksperymentu.
15:27
Now, the monkeys meet two guys
395
927260
2000
Teraz małpy poznają dwóch facetów,
15:29
who aren't giving them bonuses;
396
929260
2000
którzy nie będą dawać bonusów.
15:31
they're actually giving them less than they expect.
397
931260
2000
W rzeczywistości będą im dawać mniej, niż się spodziewają.
15:33
So they look like they're starting out with a big amount.
398
933260
2000
Wyglądają, jakby zaczynali ze sporą porcją.
15:35
These are three grapes; the monkey's really psyched for this.
399
935260
2000
Trzy winogrona, małpa ma na nie wielką ochotę.
15:37
But now they learn these guys are going to give them less than they expect.
400
937260
3000
Ale teraz dowiadują się, że oni dadzą im mniej, niż się spodziewały.
15:40
They guy on the left is a safe loss.
401
940260
2000
Ten po lewej powoduje gwarantowane straty.
15:42
Every single time, he's going to take one of these away
402
942260
3000
Za każdym razem zabiera jedno z winogron
15:45
and give the monkeys just two.
403
945260
2000
i daje małpie tylko dwa.
15:47
the guy on the right is the risky loss.
404
947260
2000
Ten po prawej powoduje ryzykowne straty.
15:49
Sometimes he gives no loss, so the monkeys are really psyched,
405
949260
3000
Czasem nie zabiera nic, więc małpy są naprawdę na to nastawione,
15:52
but sometimes he actually gives a big loss,
406
952260
2000
ale czasem powoduje dużą stratę,
15:54
taking away two to give the monkeys only one.
407
954260
2000
zabiera dwa, a daje małpie tylko jedno winogrono.
15:56
And so what do the monkeys do?
408
956260
2000
A co robią małpy?
15:58
Again, same choice; they can play it safe
409
958260
2000
Znowu, ten sam wybór: mogą grać zachowawczo,
16:00
for always getting two grapes every single time,
410
960260
3000
otrzymując za każdym razem dwa winogrona,
16:03
or they can take a risky bet and choose between one and three.
411
963260
3000
albo mogą zaryzykować i wybrać opcję "jedno albo trzy".
16:06
The remarkable thing to us is that, when you give monkeys this choice,
412
966260
3000
Zadziwiające, że kiedy postawisz małpy przed takim wyborem,
16:09
they do the same irrational thing that people do.
413
969260
2000
robią tę samą nieracjonalną rzecz, co ludzie.
16:11
They actually become more risky
414
971260
2000
Stają się bardziej skłonne do ryzyka,
16:13
depending on how the experimenters started.
415
973260
3000
w zależności od tego, jaka była początkowa oferta.
16:16
This is crazy because it suggests that the monkeys too
416
976260
2000
To szaleństwo, bo sugeruje, że małpy też
16:18
are evaluating things in relative terms
417
978260
2000
oceniają rzeczy w kategoriach względnych,
16:20
and actually treating losses differently than they treat gains.
418
980260
3000
a straty faktycznie traktują inaczej niż zyski.
16:23
So what does all of this mean?
419
983260
2000
Więc co to wszystko znaczy?
16:25
Well, what we've shown is that, first of all,
420
985260
2000
Cóż, po pierwsze, to pokazaliśmy,
16:27
we can actually give the monkeys a financial currency,
421
987260
2000
że faktycznie możemy dać małpom pieniądze,
16:29
and they do very similar things with it.
422
989260
2000
a one robią z nimi bardzo podobne rzeczy, jak my.
16:31
They do some of the smart things we do,
423
991260
2000
Robią pewne te same mądre rzeczy,
16:33
some of the kind of not so nice things we do,
424
993260
2000
pewne te same nie bardzo miłe rzeczy,
16:35
like steal it and so on.
425
995260
2000
jak kradzież i tak dalej.
16:37
But they also do some of the irrational things we do.
426
997260
2000
Ale robią też pewne nieracjonalne rzeczy, które my też robimy.
16:39
They systematically get things wrong
427
999260
2000
Regularnie popełniają błędy
16:41
and in the same ways that we do.
428
1001260
2000
i to w ten sam sposób, jak my.
16:43
This is the first take-home message of the Talk,
429
1003260
2000
To jest pierwsza rzecz do wyniesienia z tego wystąpienia,
16:45
which is that if you saw the beginning of this and you thought,
430
1005260
2000
że jeśli zobaczyliście początek prezentacji i pomyśleliście:
16:47
oh, I'm totally going to go home and hire a capuchin monkey financial adviser.
431
1007260
2000
„Och, jak wrócę do domu, to koniecznie zatrudnię kapucynkę jako doradcę finansowego.
16:49
They're way cuter than the one at ... you know --
432
1009260
2000
Są ładniejsze niż ci w... wiecie...”
16:51
Don't do that; they're probably going to be just as dumb
433
1011260
2000
Nie róbcie tego, będą najprawdopodobniej równie głupie,
16:53
as the human one you already have.
434
1013260
3000
jak ludzie, których już zatrudniacie.
16:56
So, you know, a little bad -- Sorry, sorry, sorry.
435
1016260
2000
Więc wiecie, niestety – przykro mi.
16:58
A little bad for monkey investors.
436
1018260
2000
Szkoda dla małpich inwestorów.
17:00
But of course, you know, the reason you're laughing is bad for humans too.
437
1020260
3000
Oczywiście, wiecie, to, z czego się śmiejecie, źle świadczy też o ludziach.
17:03
Because we've answered the question we started out with.
438
1023260
3000
Ponieważ odpowiedzieliśmy na nasze początkowe pytanie.
17:06
We wanted to know where these kinds of errors came from.
439
1026260
2000
Chcieliśmy wiedzieć, skąd się bierze ten rodzaj błędów.
17:08
And we started with the hope that maybe we can
440
1028260
2000
I zaczęliśmy z nadzieją, że że może uda nam się
17:10
sort of tweak our financial institutions,
441
1030260
2000
poprawić nieco nasze instytucje finansowe,
17:12
tweak our technologies to make ourselves better.
442
1032260
3000
poprawić technologię, by było nam lepiej.
17:15
But what we've learn is that these biases might be a deeper part of us than that.
443
1035260
3000
Ale dowiedzieliśmy się, że te uprzedzenia mogą tkwić w nas znacznie głębiej.
17:18
In fact, they might be due to the very nature
444
1038260
2000
Właściwie to może wynikać z samej natury
17:20
of our evolutionary history.
445
1040260
2000
naszej historii ewolucyjnej.
17:22
You know, maybe it's not just humans
446
1042260
2000
Wiecie, może to nie tylko ludzie
17:24
at the right side of this chain that's duncey.
447
1044260
2000
po prawej stronie tego łańcucha są durniami.
17:26
Maybe it's sort of duncey all the way back.
448
1046260
2000
Może ta głupota tkwi w nas od samego początku.
17:28
And this, if we believe the capuchin monkey results,
449
1048260
3000
A to, o ile wierzymy wynikom kapucynek
17:31
means that these duncey strategies
450
1051260
2000
znaczy, że te durne strategie
17:33
might be 35 million years old.
451
1053260
2000
mogą mieć 35 milionów lat.
17:35
That's a long time for a strategy
452
1055260
2000
To sporo czasu, by strategia
17:37
to potentially get changed around -- really, really old.
453
1057260
3000
mogła się zmienić – naprawdę, naprawdę dużo.
17:40
What do we know about other old strategies like this?
454
1060260
2000
Co wiemy o innych takich starych strategiach?
17:42
Well, one thing we know is that they tend to be really hard to overcome.
455
1062260
3000
Cóż, jedno co wiemy to to, że bywają one niezwykle trudne do przezwyciężenia.
17:45
You know, think of our evolutionary predilection
456
1065260
2000
Wiecie, pomyślcie o naszej ewolucyjnej skłonności
17:47
for eating sweet things, fatty things like cheesecake.
457
1067260
3000
do jedzenia słodkich, tłustych rzeczy, jak sernik.
17:50
You can't just shut that off.
458
1070260
2000
Nie można z tym po prostu skończyć.
17:52
You can't just look at the dessert cart as say, "No, no, no. That looks disgusting to me."
459
1072260
3000
Nie można spojrzeć na wózek z deserami i powiedzieć: „Nie, nie. To wygląda obrzydliwe.”
17:55
We're just built differently.
460
1075260
2000
Jesteśmy inaczej skonstruowani.
17:57
We're going to perceive it as a good thing to go after.
461
1077260
2000
Będziemy uważać to za coś wartego podążania.
17:59
My guess is that the same thing is going to be true
462
1079260
2000
Zgaduję, że to samo okaże się prawdą, jeśli chodzi
18:01
when humans are perceiving
463
1081260
2000
o ludzkie postrzeganie
18:03
different financial decisions.
464
1083260
2000
różnych decyzji finansowych.
18:05
When you're watching your stocks plummet into the red,
465
1085260
2000
Gdy widzisz, że twoje akcje lecą na łeb na szyję,
18:07
when you're watching your house price go down,
466
1087260
2000
kiedy widzisz, że cena twojego domu spada,
18:09
you're not going to be able to see that
467
1089260
2000
nie będziesz mógł patrzeć na to inaczej,
18:11
in anything but old evolutionary terms.
468
1091260
2000
niż w starych ewolucyjnych kategoriach.
18:13
This means that the biases
469
1093260
2000
To znaczy, że uprzedzenia,
18:15
that lead investors to do badly,
470
1095260
2000
które skłaniają inwerstorów do pomyłek,
18:17
that lead to the foreclosure crisis
471
1097260
2000
które prowadzą do kryzysu niewypłacalności,
18:19
are going to be really hard to overcome.
472
1099260
2000
będą naprawdę trudne do przezwyciężenia.
18:21
So that's the bad news. The question is: is there any good news?
473
1101260
2000
To więc jest zła wiadomość. Pytanie: czy jest jakaś dobra?
18:23
I'm supposed to be up here telling you the good news.
474
1103260
2000
Miałam być tu, by przekazywać wam dobre wiadomości.
18:25
Well, the good news, I think,
475
1105260
2000
Dobrą wiadomością jest to, jak sądzę,
18:27
is what I started with at the beginning of the Talk,
476
1107260
2000
czym zaczęłam swoje wystąpienie,
18:29
which is that humans are not only smart;
477
1109260
2000
że ludzie są nie tylko mądrzy,
18:31
we're really inspirationally smart
478
1111260
2000
jesteśmy inspirująco mądrzy
18:33
to the rest of the animals in the biological kingdom.
479
1113260
3000
dla całej reszty zwierząt w królestwie natury.
18:36
We're so good at overcoming our biological limitations --
480
1116260
3000
Jesteśmy tak dobrzy w przezwyciężaniu naszych biologicznych ograniczeń –
18:39
you know, I flew over here in an airplane.
481
1119260
2000
wiecie, przyleciałam tutaj samolotem.
18:41
I didn't have to try to flap my wings.
482
1121260
2000
Nie musiałam machać skrzydłami.
18:43
I'm wearing contact lenses now so that I can see all of you.
483
1123260
3000
Noszę soczewki kontaktowe, dzięki czemu widzę was wszystkich.
18:46
I don't have to rely on my own near-sightedness.
484
1126260
3000
Nie muszę ulegać własnej krótkowzroczności.
18:49
We actually have all of these cases
485
1129260
2000
Istnieje mnóstwo przypadków,
18:51
where we overcome our biological limitations
486
1131260
3000
gdzie przezwyciężamy nasze biologiczne ograniczenia
18:54
through technology and other means, seemingly pretty easily.
487
1134260
3000
technologią i innymi metodami; wygląda na to, że dość łatwo.
18:57
But we have to recognize that we have those limitations.
488
1137260
3000
Ale musimy też przyznać, że mamy te ograniczenia.
19:00
And here's the rub.
489
1140260
2000
I to jest przeszkoda.
19:02
It was Camus who once said that, "Man is the only species
490
1142260
2000
Camus powiedział kiedyś: „Człowiek to jedyny gatunek,
19:04
who refuses to be what he really is."
491
1144260
3000
który odmawia bycia tym, czym w rzeczywistości jest”.
19:07
But the irony is that
492
1147260
2000
A ironia jest w tym,
19:09
it might only be in recognizing our limitations
493
1149260
2000
że tylko poprzez przyznanie się do swoich ograniczeń
19:11
that we can really actually overcome them.
494
1151260
2000
zdołamy je tak naprawdę przezwyciężyć.
19:13
The hope is that you all will think about your limitations,
495
1153260
3000
Mam nadzieję, że pomyślicie o swoich ograniczeniach,
19:16
not necessarily as unovercomable,
496
1156260
3000
nie koniecznie jako nie do pokonania,
19:19
but to recognize them, accept them
497
1159260
2000
ale rozpoznacie je, zaakceptujecie
19:21
and then use the world of design to actually figure them out.
498
1161260
3000
i użyjecie świata projektu, by je w końcu zrozumieć.
19:24
That might be the only way that we will really be able
499
1164260
3000
To może być jedyny sposób, w jaki będziemy mogli
19:27
to achieve our own human potential
500
1167260
2000
osiągnąć nasz własny ludzki potencjał
19:29
and really be the noble species we hope to all be.
501
1169260
3000
i naprawdę staniemy się szlachetni tak, jak pragniemy.
19:32
Thank you.
502
1172260
2000
Dziękuję.
19:34
(Applause)
503
1174260
5000
(Oklaski)
O tej stronie

Na tej stronie poznasz filmy z YouTube, które są przydatne do nauki języka angielskiego. Zobaczysz lekcje angielskiego prowadzone przez najlepszych nauczycieli z całego świata. Kliknij dwukrotnie na angielskie napisy wyświetlane na stronie każdego filmu, aby odtworzyć film od tego miejsca. Napisy przewijają się synchronicznie z odtwarzaniem filmu. Jeśli masz jakieś uwagi lub prośby, skontaktuj się z nami za pomocą formularza kontaktowego.

https://forms.gle/WvT1wiN1qDtmnspy7