Heute ist ein ganz besonderer Tag für mich, denn es ist mein Geburtstag.
Today, actually, is a very special day for me, because it is my birthday.
(Applaus)
(Applause)
Daher danke ich Ihnen allen, bei der Party dabei zu sein.
And so, thanks to all of you for joining the party.
(Gelächter)
(Laughter)
Doch bei jeder Party gibt es einen Spielverderber.
But every time you throw a party, there's someone there to spoil it. Right?
(Gelächter)
(Laughter)
Ich bin Physiker und diesmal wird ein anderer Physiker das übernehmen. Sein Name ist Albert Einstein -- auch Albert -- und er sagte, dass diejenigen, die vor dem 30. Lebensjahr keine großen Beiträge zur Wissenschaft geleistet haben, es niemals tun werden.
And I'm a physicist, and this time I brought another physicist along to do so. His name is Albert Einstein -- also Albert -- and he's the one who said that the person who has not made his great contributions to science by the age of 30 will never do so.
(Gelächter)
(Laughter)
Sie müssen nicht auf Wikipedia nachsehen, dass ich über 30 bin.
Now, you don't need to check Wikipedia that I'm beyond 30.
(Gelächter)
(Laughter)
Also was er mir und uns damit sagen möchte ist, hinsichtlich meiner Wissenschaft habe ich ausgedient. Zum Glück hatte ich meinen Glücksmoment in meiner Karriere. Mit 28 Jahren begann mein Interesse an Netzwerken, wenige Jahre danach veröffentlichten wir einige Hauptartikel, die die Entdeckung von skalenfreien Netzwerken aufzeigten und die Geburtsstunde der heutigen Netzwerkwissenschaft waren. Wen es wirklich interessiert, kann jetzt in Netzwerkforschung promovieren. In Budapest, in Boston und es auf der ganzen Welt studieren.
So, effectively, what he is telling me, and us, is that when it comes to my science, I'm deadwood. Well, luckily, I had my share of luck within my career. Around age 28, I became very interested in networks, and a few years later, we managed to publish a few key papers that reported the discovery of scale-free networks and really gave birth to a new discipline that we call network science today. And if you really care about it, you can get a PhD now in network science in Budapest, in Boston, and you can study it all over the world.
Einige Jahre danach, als ich nach Havard zog, zunächst für ein Sabbatjahr, begann mein Interesse an einer weiteren Art von Netzwerk: diesmal die Netzwerke in uns; wie Gene, Proteine, Stoffwechselprodukte miteinander verknüpft sind und was sie mit Krankheiten zu tun haben. Dieses Interesse führte zu einer Explosion in der Medizin, auch in der Abteilung für Netzwerkmedizin in Havard, die über 300 Forscher beschäftigt, die diese Sichtweise nutzen, um Patienten zu behandeln und neue Verfahren zu entwickeln.
A few years later, when I moved to Harvard first as a sabbatical, I became interested in another type of network: that time, the networks within ourselves, how the genes and the proteins and the metabolites link to each other and how they connect to disease. And that interest led to a major explosion within medicine, including the Network Medicine Division at Harvard, that has more than 300 researchers who are using this perspective to treat patients and develop new cures.
Vor einigen Jahren wollte ich diese Idee von Netzwerken und unser Wissen über Netzwerke anders einsetzen, und zwar, um Erfolg zu begreifen. Warum machten wir das? Wir dachten, dass zu einem gewissen Grad unser Erfolg von den Netzwerken abhinge, denen wir angehören. Dass unsere Netzwerke uns antreiben oder ausbremsen können. Ich wollte wissen, ob wir das Wissen, Big Data und Fachkenntnis das wir in Netzwerken haben, zur Messung dieser Dinge nutzen können.
And a few years ago, I thought that I would take this idea of networks and the expertise we had in networks in a different area, that is, to understand success. And why did we do that? Well, we thought that, to some degree, our success is determined by the networks we're part of -- that our networks can push us forward, they can pull us back. And I was curious if we could use the knowledge and big data and expertise where we develop the networks to really quantify how these things happen.
Dies ist ein Resultat davon. Hier sehen Sie ein Netzwerk von Galerien in Museen, die miteinander verbunden sind. Mit dieser Karte, die wir letztes Jahr erstellten, können wir präzise den Erfolg eines Künstlers vorhersagen, anhand der ersten fünf Stücke, die er oder sie je ausstellte.
This is a result from that. What you see here is a network of galleries in museums that connect to each other. And through this map that we mapped out last year, we are able to predict very accurately the success of an artist if you give me the first five exhibits that he or she had in their career.
Nun, als wir über Erfolg nachdachten, bemerkten wir, dass Erfolg nicht nur von Netzwerken abhängt. Es gehören viele Dimensionen dazu. Was wir offenbar zum Erfolg brauchen, ist Leistung. Definieren wir den Unterschied zwischen Leistung und Erfolg. Leistung ist, was man tut: wie schnell man rennt, welche Bilder man malt, welche Arbeiten man veröffentlicht. Erfolg hingegen definieren wir anhand der Anerkennung des Geleisteten durch die Gemeinschaft. Die Leistung: wie wird sie anerkannt, wie wird man dafür ausgezeichnet? Mit anderen Worten: Ihre Leistung hängt von Ihnen ab, doch Ihr Erfolg von uns allen. Das war ein sehr wichtiger Wandel für uns, denn im Moment wo wir Erfolg als kollektiven Maßstab definierten, den die Gemeinschaft bestimmt, wurde er messbar, da innerhalb der Gemeinschaft mehrere Datenpunkte dazu bestehen. Wir gehen zur Schule, treiben Sport und üben, weil wir denken, dass Leistung zu Erfolg führt. Durch die Art wie wir nachforschten, erkannten wir, dass Leistung und Erfolg zwei Paar Schuhe sind, wenn es um die Mathematik des Problems geht. Ich illustriere dies so.
Well, as we thought about success, we realized that success is not only about networks; there are so many other dimensions to that. And one of the things we need for success, obviously, is performance. So let's define what's the difference between performance and success. Well, performance is what you do: how fast you run, what kind of paintings you paint, what kind of papers you publish. However, in our working definition, success is about what the community notices from what you did, from your performance: How does it acknowledge it, and how does it reward you for it? In other terms, your performance is about you, but your success is about all of us. And this was a very important shift for us, because the moment we defined success as being a collective measure that the community provides to us, it became measurable, because if it's in the community, there are multiple data points about that. So we go to school, we exercise, we practice, because we believe that performance leads to success. But the way we actually started to explore, we realized that performance and success are very, very different animals when it comes to the mathematics of the problem. And let me illustrate that.
Hier sieht man den schnellsten Mann der Welt: Usain Bolt. Er gewinnt die meisten Wettbewerbe, bei denen er startet. Wir wissen, er ist der Schnellste, da wir Zeitmesser haben, die seine Zeit stoppt. Interessant an ihm ist, dass wenn er gewinnt, tut er das nicht, weil er viel schneller rennt als die Anderen. Er rennt höchstens ein Prozent schneller als der Verlierer des Rennens. Er rennt nur ein Prozent schneller als der Zweite und nicht mal 10 Mal schneller als ich und ich bin kein guter Läufer, glauben Sie es mir.
So what you see here is the fastest man on earth, Usain Bolt. And of course, he wins most of the competitions that he enters. And we know he's the fastest on earth because we have a chronometer to measure his speed. Well, what is interesting about him is that when he wins, he doesn't do so by really significantly outrunning his competition. He's running at most a percent faster than the one who loses the race. And not only does he run only one percent faster than the second one, but he doesn't run 10 times faster than I do -- and I'm not a good runner, trust me on that.
(Gelächter)
(Laughter)
Immer wenn wir Leistung messen können, fällt uns etwas Interessantes auf, und zwar, dass Leistung begrenzt ist. Es gibt also keine großen Unterschiede bei menschlicher Leistung. Sie variiert nur in kleinem Maße und wir brauchen einen Zeitmesser, um den Unterschied festzustellen. Wir können zwar die Guten von den Besseren unterscheiden, aber die Besten sind schwer zu differenzieren. Problematisch ist, die meisten arbeiten in Bereichen, wo keine Stoppuhr die Leistung misst.
And every time we are able to measure performance, we notice something very interesting; that is, performance is bounded. What it means is that there are no huge variations in human performance. It varies only in a narrow range, and we do need the chronometer to measure the differences. This is not to say that we cannot see the good from the best ones, but the best ones are very hard to distinguish. And the problem with that is that most of us work in areas where we do not have a chronometer to gauge our performance.
Also Leistung ist begrenzt. Es gibt keine großen Unterschiede bei unseren Leistungen. Wie ist es bei Erfolg? Wechseln wir das Thema zu Büchern. Der Erfolg eines Autors wird an der Leserzahl gemessen. Als 2009 mein letztes Buch erschien, traf ich meinen Verleger in Europa und ich wollte wissen: Wer ist die Konkurrenz? Und ich hatte fabelhafte Konkurrenz. In der Woche --
Alright, performance is bounded, there are no huge differences between us when it comes to our performance. How about success? Well, let's switch to a different topic, like books. One measure of success for writers is how many people read your work. And so when my previous book came out in 2009, I was in Europe talking with my editor, and I was interested: Who is the competition? And I had some fabulous ones. That week --
(Gelächter)
(Laughter)
erschien Dan Browns "Das verlorene Symbol" und "Mit Dir an meiner Seite" von Nicholas Sparks. Wenn man nur die Liste betrachtet, ist kein großer Unterschied in puncto Leistung erkennbar, zwischen diesen und meinem Buch. Richtig? Wenn Nicholas Sparkses Team ein bisschen mehr gäbe, könnte er einfach Nummer eins sein, da es fast Zufall ist, wer oben endet. Ich wollte also die Zahlen sehen -- ich bin ein Datenmensch. Was waren Nicholas Sparks Verkaufzahlen? An diesem Eröffnungswochenende verkaufte er über hunderttausend Kopien, was eine eindrucksvolle Zahl ist. Man kann an die Spitze der New York Times Bestsellerliste kommen mit 10.000 verkauften Kopien pro Woche. Er übertraf zehnfach, was er zur Nummer eins gebraucht hätte. Trotzdem war er nicht an der Spitze. Warum? Da Dan Brown 1,2 Millionen Kopien an dem Wochenende verkaufte.
Dan Brown came out with "The Lost Symbol," and "The Last Song" also came out, Nicholas Sparks. And when you just look at the list, you realize, you know, performance-wise, there's hardly any difference between these books or mine. Right? So maybe if Nicholas Sparks's team works a little harder, he could easily be number one, because it's almost by accident who ended up at the top. So I said, let's look at the numbers -- I'm a data person, right? So let's see what were the sales for Nicholas Sparks. And it turns out that that opening weekend, Nicholas Sparks sold more than a hundred thousand copies, which is an amazing number. You can actually get to the top of the "New York Times" best-seller list by selling 10,000 copies a week, so he tenfold overcame what he needed to be number one. Yet he wasn't number one. Why? Because there was Dan Brown, who sold 1.2 million copies that weekend.
(Gelächter)
(Laughter)
Ich mag diese Zahlen, denn sie zeigen, dass Erfolg unbegrenzt ist, dass der Beste nicht nur ein wenig mehr als der Zweite bekommt, sondern um Größenordnungen mehr, denn Erfolg ist ein kollektiver Maßstab. Wir vergeben ihn, anstatt ihn durch Leistung zu verdienen.
And the reason I like this number is because it shows that, really, when it comes to success, it's unbounded, that the best doesn't only get slightly more than the second best but gets orders of magnitude more, because success is a collective measure. We give it to them, rather than we earn it through our performance.
Wir erkannten, dass Leistung, also was wir tun, begrenzt ist. Erfolg jedoch ist kollektiv und unbegrenzt und Sie fragen sich: Wie entstehen diese riesigen Unterschiede bei Erfolg, wenn es nur so kleine Unterschiede bei der Leistung gibt? Kürzlich veröffentlichte ich ein Buch, das ich dieser Frage widmete. Ich habe nicht genug Zeit bekommen, um all das abzudecken, also zurück zur Frage, Sie haben Erfolg: wann sollte der auftreten?
So one of things we realized is that performance, what we do, is bounded, but success, which is collective, is unbounded, which makes you wonder: How do you get these huge differences in success when you have such tiny differences in performance? And recently, I published a book that I devoted to that very question. And they didn't give me enough time to go over all of that, so I'm going to go back to the question of, alright, you have success; when should that appear?
Zurück zum Spielverderber und der Frage: Warum machte Einstein diese lächerliche Aussage, dass man nur unter 30 wirklich kreativ sein könne? Weil er um sich schaute und all die fabelhaften Physiker sah, die Quantenmechanik und moderne Physik begründeten, und alle waren in ihren 20ern und frühen 30ern, als sie das taten. Und es ist nicht nur er. Dies ist keine Ergebnisverzerrung, denn es gibt wirklich ein ganzes Feld in der Genieforschung, das die Tatsache belegt hat, wenn wir an verehrte Menschen aus der Vergangenheit denken und dann das Alter beim größten Beitrag betrachten, ob es Musik, ob es Wissenschaft oder Ingenieurwesen ist, war das vor dem 20, 30, höchstens 40sten Lebensjahr. Es gibt ein Problem mit der Forschung an Genies. Zunächst erweckt sie den Anschein, dass Kreativität Jugend gleicht, was schmerzhaft ist, richtig?
So let's go back to the party spoiler and ask ourselves: Why did Einstein make this ridiculous statement, that only before 30 you could actually be creative? Well, because he looked around himself and he saw all these fabulous physicists that created quantum mechanics and modern physics, and they were all in their 20s and early 30s when they did so. And it's not only him. It's not only observational bias, because there's actually a whole field of genius research that has documented the fact that, if we look at the people we admire from the past and then look at what age they made their biggest contribution, whether that's music, whether that's science, whether that's engineering, most of them tend to do so in their 20s, 30s, early 40s at most. But there's a problem with this genius research. Well, first of all, it created the impression to us that creativity equals youth, which is painful, right?
(Gelächter)
(Laughter)
Und es besteht auch eine Ergebnisverzerrung, denn es werden nur Genies betrachtet und keine normalen Wissenschaftler, nicht alle einbezogen und gefragt, ist es wirklich wahr, dass Kreativität mit dem Alter abnimmt? Das wollten wir versuchen und daher ist es wichtig, dafür Referenzen zu haben.
And it also has an observational bias, because it only looks at geniuses and doesn't look at ordinary scientists and doesn't look at all of us and ask, is it really true that creativity vanishes as we age? So that's exactly what we tried to do, and this is important for that to actually have references.
Betrachten wir einen normalen Wissenschaftler wie mich und schauen meine Karriere an. Hier sieht man alle Arbeiten, die ich veröffentlicht habe, von der Allerersten 1989, als ich noch in Rumänien war, bis ungefähr dieses Jahr. In der Vertikalen sieht man den Einfluss der Arbeit, also Anzahl der Zitierungen, wie viele andere Arbeiten wurden verfasst und zitierten dieses Werk. Man sieht also, meine Karriere hat drei verschiedene Phasen. Die ersten 10 Jahre musste ich sehr viel arbeiten und erreichte nicht viel. Niemand interessiert sich für mein Tun. Es hat fast keine Auswirkungen.
So let's look at an ordinary scientist like myself, and let's look at my career. So what you see here is all the papers that I've published from my very first paper, in 1989; I was still in Romania when I did so, till kind of this year. And vertically, you see the impact of the paper, that is, how many citations, how many other papers have been written that cited that work. And when you look at that, you see that my career has roughly three different stages. I had the first 10 years where I had to work a lot and I don't achieve much. No one seems to care about what I do, right? There's hardly any impact.
(Gelächter)
(Laughter)
Damals arbeitete ich an Materialwissenschaft und dann entdeckte ich Netzwerke für mich und begann, darüber zu veröffentlichen. Das führte zu vielen einflussreichen Arbeiten. Es fühlte sich richtig gut an. Das war eine Phase der Karriere.
That time, I was doing material science, and then I kind of discovered for myself networks and then started publishing in networks. And that led from one high-impact paper to the other one. And it really felt good. That was that stage of my career.
(Gelächter)
(Laughter)
Die Frage lautet, was passiert jetzt gerade? Wir wissen es nicht, da noch nicht genug Zeit vergangen ist, um die Auswirkungen der Arbeiten herauszufinden. Die Erarbeitung dauert. Angesichts der Daten scheint es, dass Einstein, die Genieforschung, Recht hat und meine Karriere hier steht.
So the question is, what happens right now? And we don't know, because there hasn't been enough time passed yet to actually figure out how much impact those papers will get; it takes time to acquire. Well, when you look at the data, it seems to be that Einstein, the genius research, is right, and I'm at that stage of my career.
(Gelächter)
(Laughter)
Wir sagten ok, lasst uns herausfinden, wie das wirklich geht, zunächst in der Wissenschaft. Ohne die Stichprobenverzerrung und nur Genies anzusehen, rekonstruierten wir die Karriere jedes einzelnen Wissenschaftlers von 1900 bis heute und fanden heraus, wann sie ihren Höhepunkt hatten, ob es der Nobelpreis war oder nicht oder niemand weiß, was sie taten, nicht einmal zu ihren besten Zeiten. Das kann man auf dieser Folie sehen. Jede Linie ist eine Karriere. Ein blauer Punkt oben auf der Karriere markiert den persönlichen Höhepunkt. Die Frage ist, wann machten sie ihre größte Entdeckung? Das wird anhand der Wahrscheinlichkeit gemessen, die größte Entdeckung nach einem, zwei, drei oder 10 Jahren der Karriere zu machen. Es geht nicht um reales Alter. Wir betrachten das "akademische Alter". Akademisches Alter beginnt mit der ersten Veröffentlichung. Einige von Ihnen sind noch Babys.
So we said, OK, let's figure out how does this really happen, first in science. And in order not to have the selection bias, to look only at geniuses, we ended up reconstructing the career of every single scientist from 1900 till today and finding for all scientists what was their personal best, whether they got the Nobel Prize or they never did, or no one knows what they did, even their personal best. And that's what you see in this slide. Each line is a career, and when you have a light blue dot on the top of that career, it says that was their personal best. And the question is, when did they actually make their biggest discovery? To quantify that, we look at what's the probability that you make your biggest discovery, let's say, one, two, three or 10 years into your career? We're not looking at real age. We're looking at what we call "academic age." Your academic age starts when you publish your first papers. I know some of you are still babies.
(Gelächter)
(Laughter)
Betrachten wir die Wahrscheinlichkeit, die wichtigste Arbeit zu veröffentlichen. Man sieht, die Genieforschung hat recht. Viele Wissenschaftler publizieren die einflussreichste Arbeit in den ersten 10, 15 Jahren ihrer Karriere und danach geht es abwärts. So schnell abwärts, dass nach 30 Jahren Karriere meine Chance, eine wichtigere Arbeit als je zuvor zu veröffentlichen, weniger als 1 Prozent ist. Meine Karriere ist an dem Punkt, laut dieser Daten. Es gibt da ein Problem. Wir machen keine richtigen Kontrollen. Die Kontrolle wäre, wie würde ein Wissenschaftler aussehen, der zufällige Beiträge bringt? Was ist seine Leistungsfähigkeit? Wann schreiben sie Arbeiten? Wir haben die Produktivität gemessen und erstaunlicherweise ist Produktivität, die Wahrscheinlichkeit, eine Arbeit nach 1, 10 oder 20 Jahren zu schreiben, nicht unterscheidbar von der Wahrscheinlichkeit, in dieser Phase der Karriere Einfluss zu haben.
So let's look at the probability that you publish your highest-impact paper. And what you see is, indeed, the genius research is right. Most scientists tend to publish their highest-impact paper in the first 10, 15 years in their career, and it tanks after that. It tanks so fast that I'm about -- I'm exactly 30 years into my career, and the chance that I will publish a paper that would have a higher impact than anything that I did before is less than one percent. I am in that stage of my career, according to this data. But there's a problem with that. We're not doing controls properly. So the control would be, what would a scientist look like who makes random contribution to science? Or what is the productivity of the scientist? When do they write papers? So we measured the productivity, and amazingly, the productivity, your likelihood of writing a paper in year one, 10 or 20 in your career, is indistinguishable from the likelihood of having the impact in that part of your career.
Lange Rede kurzer Sinn, nach vielen statistischen Tests, gibt es nur eine Erklärung dafür; die Art wie wir Wissenschaftler arbeiten, bedeutet, dass jede Arbeit, jedes Projekt die gleichen Chancen hat, ein persönlicher Höhepunkt zu werden. Sprich, Entdeckung ist wie ein Lottoschein. Je mehr Lottoscheine wir kaufen, desto höher unsere Chancen. Und es scheint, dass die meisten Wissenschaftler die meisten Tickets in den ersten 10, 15 Jahren ihrer Karriere kaufen und danach nimmt ihre Produktivität ab. Sie kaufen keine Lottoscheine mehr. Sie erscheinen also unkreativ. Tatsächlich hören sie auf sich zu bemühen. Wenn wir also die Daten zusammenfügen, ist das Fazit sehr einfach: Erfolg kann jederzeit stattfinden. Es könnte die erste oder letzte Arbeit Ihrer Karriere sein. Es ist völliger Zufall im Rahmen der Projekte. Die Produktivität verändert sich.
And to make a long story short, after lots of statistical tests, there's only one explanation for that, that really, the way we scientists work is that every single paper we write, every project we do, has exactly the same chance of being our personal best. That is, discovery is like a lottery ticket. And the more lottery tickets we buy, the higher our chances. And it happens to be so that most scientists buy most of their lottery tickets in the first 10, 15 years of their career, and after that, their productivity decreases. They're not buying any more lottery tickets. So it looks as if they would not be creative. In reality, they stopped trying. So when we actually put the data together, the conclusion is very simple: success can come at any time. It could be your very first or very last paper of your career. It's totally random in the space of the projects. It is the productivity that changes.
Ich erläutere das. Frank Wilczek bekam den Physik Nobelpreis für die allererste Arbeit in seiner Karriere nach dem Studium.
Let me illustrate that. Here is Frank Wilczek, who got the Nobel Prize in Physics for the very first paper he ever wrote in his career as a graduate student.
(Gelächter)
(Laughter)
Noch interessanter ist John Fenn, der mit 70 von der Yale University zwangspensioniert wurde. Sein Labor wurde geschlossen und er wechselte zur Virginia Commonwealth University, öffnete ein neues Labor, wo er mit 72 eine Arbeit veröffentlichte, für die er 15 Jahre später den Nobelpreis für Chemie bekam.
More interesting is John Fenn, who, at age 70, was forcefully retired by Yale University. They shut his lab down, and at that moment, he moved to Virginia Commonwealth University, opened another lab, and it is there, at age 72, that he published a paper for which, 15 years later, he got the Nobel Prize for Chemistry.
Sie denken jetzt, Ok, die Wissenschaft ist speziell, doch was ist mit anderen Gebieten, die Kreativität benötigen? Ein weiteres, typisches Beispiel ist Unternehmertum. Silicon Valley, das Land junger Menschen, richtig? Wenn man wirklich hinschaut, sieht man, die größten Auszeichnungen, TechCrunch Awards und andere, gehen alle an Leute, deren Durchschnittsalter späte 20er, frühe 30er ist. Die Wagniskapitalfirmen geben das Geld Leuten Anfang 30. Aber das wussten wir schon; in Silicon Valley herrscht der Ethos "Jugend ist gleich Erfolg" . Nicht wenn man die Daten betrachtet. Es ist nicht nur die Gründung eines Unternehmens -- Unternehmensgründung ist wie Produktivität, viele Versuche -- wenn man sieht, wer wirklich ein erfolgreiches Unternehmen gründet, einen erfolgreichen Exit schafft. Kürzlich nahmen sich Kollegen dieser Frage an. Es zeigt sich, dass viele Anfang 20 und 30 eine große Anzahl an Unternehmen rausbringen und gründen, doch die meisten gehen Pleite. Wenn man die erfolgreichen Exits ansieht, erkennt man hier, je älter, desto größer die Chancen auf den Aktienmarkt oder das Unternehmen erfolgreich zu verkaufen. Das ist so ausgeprägt, dass man in seinen 50ern zweimal mehr Chancen auf einen erfolgreichen Exit hat als in seinen 30ern.
And you think, OK, well, science is special, but what about other areas where we need to be creative? So let me take another typical example: entrepreneurship. Silicon Valley, the land of the youth, right? And indeed, when you look at it, you realize that the biggest awards, the TechCrunch Awards and other awards, are all going to people whose average age is late 20s, very early 30s. You look at who the VCs give the money to, some of the biggest VC firms -- all people in their early 30s. Which, of course, we know; there is this ethos in Silicon Valley that youth equals success. Not when you look at the data, because it's not only about forming a company -- forming a company is like productivity, trying, trying, trying -- when you look at which of these individuals actually put out a successful company, a successful exit. And recently, some of our colleagues looked at exactly that question. And it turns out that yes, those in the 20s and 30s put out a huge number of companies, form lots of companies, but most of them go bust. And when you look at the successful exits, what you see in this particular plot, the older you are, the more likely that you will actually hit the stock market or the sell the company successfully. This is so strong, actually, that if you are in the 50s, you are twice as likely to actually have a successful exit than if you are in your 30s.
(Applaus)
(Applause)
Was erkennen wir hieraus schließlich? Wir sehen, Kreativität hat kein Alter. Leistungsfähigkeit schon, richtig? Das sagt mir, am Ende des Tages, wenn man es weiter versucht --
So in the end, what is it that we see, actually? What we see is that creativity has no age. Productivity does, right? Which is telling me that at the end of the day, if you keep trying --
(Gelächter)
(Laughter)
kann man wieder und wieder Erfolg haben. Mein Fazit ist sehr simpel: Ich gehe von der Bühne zurück in mein Labor.
you could still succeed and succeed over and over. So my conclusion is very simple: I am off the stage, back in my lab.
Danke.
Thank you.
(Applaus)
(Applause)