Today, actually, is a very special day for me, because it is my birthday.
امروز برای من روز خاصی است، چون تولدم است.
(Applause)
(تشویق حاضران)
And so, thanks to all of you for joining the party.
بنابراین از همه شما ممنونم که به مهمانی آمدید.
(Laughter)
(خنده حاضران)
But every time you throw a party, there's someone there to spoil it. Right?
هر بار که مهمانی میدهید کسی هست که خرابش کند، نه؟
(Laughter)
(خنده حاضران)
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.
من فیزیکدانم. و فیزیکدان دیگری را آوردهام که مهمانی را به هم بریزد. اسم او آلبرت انشتین است، و کسی است که گفت شخصی که خدمت عمدهاش به علم را تا سی سالگی نکرده هرگز این کار را نخواهد کرد.
(Laughter)
(خنده حاضران)
Now, you don't need to check Wikipedia that I'm beyond 30.
لازم نیست سراغ ویکیپدیا بروید تا بدانید که من بالای سی سال هستم.
(Laughter)
(خنده حاضران)
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.
بنابراین، در واقع آنچه که به من و ما میگوید این است که در زمینه علم، من چوب خشکی بیش نیستم. خوشبختانه من در مسیر حرفهای سهم خودم را از شانس داشتم. در حدود ۲۸ سالگی به شبکهها علاقه زیادی پیدا کردم، و چند سال بعد، توانستیم مقالات مهمی را منتشر کنیم که کشف شبکههای مستقل از مقیاس را گزارش میکرد و باعث تولد نظم جدیدی شد که امروز به آن علم شبکه میگوییم. اگر خیلی علاقمند هستید، میتوانید در علم شبکه پی اچ دی بگیرید در بوداپست، در بوستون، و در سرتاسر جهان در این رشته تحصیل کنید.
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.
چند سال بعد، وقتی که برای فرصت تحقیقاتی به هاروارد آمدم، به نوع دیگری از شبکه علاقمند شدم: این بار شبکههای درون خود ما، این که چطور ژنها و پروتئینها و متابولیتها به همدیگر و به بیماریها مرتبطند. و آن علاقه به انفجاری عمده در درون رشته پزشکی رهنمون شد، از جمله در دایره شبکه پزشکی در هاروارد، که بیش از ۳۰۰ پژوهشگر دارد که از این چشمانداز استفاده میکنند تا بیماران را درمان و علاجهای جدید پیدا کنند.
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.
و چند سال پیش فکر کردم میتوانم این ایده از شبکهها و تخصصی که در شبکه داریم را به زمینه دیگری ببرم، یعنی به فهمیدن موفقیت. چرا این کار را کردیم؟ خب، فکر میکردیم، تا حدی موفقیت ما توسط شبکههایی که عضوش هستیم تعیین میشود-- کنجکاو بودم که آیا میتوانیم از دانش و دادههای کلان و تخصصی که در رشته شبکه ایجاد کرده بودیم در تعیین نحوه وقوع این اتفاقها استفاده کنیم.
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.
این نتیجهاش است. آنچه که میبینید شبکهای از گالریهای موزههاست که به هم متصلند. و در این نقشه که ما پارسال تهیه کردیم، میتوانیم بسیار دقیق موفقیت یک هنرمند را پیشبینی کنیم اگر که اطلاعات پنج نمایشگاه اول از کارهای او را به من بدهید.
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.
همانطور که درباره موفقیت فکر میکردیم، متوجه شدیم که موفقیت تنها به شبکهها مربوط نمیشود: ابعاد دیگری نیز در آن دخیلند. قطعا یکی از مواردی که برای موفقیت لازم داریم، عملکرد است. بیایید تفاوت میان عملکرد و موفقیت را توضیح دهیم. عملکرد آنچه که شما انجام میدهید است: سرعت دویدنتان، نوع نقاشیهایی که میکشید، مقالاتی که منتشر میکنید. با این حال، در قاموس کاری ما، موفقیت چیزی است که جامعه از آنچه شما کردهاید متوجه میشود، از عملکرد شما: جامعه چطور آن را تایید میکند، و چطور بابتش به شما پاداش میدهد؟ به عبارت دیگر، عملکرد شما درباره شماست، اما موفقیت شما درباره همه ماست. و این برای ما اهمیت بسزایی داشت، چرا که وقتی موفقیت را امری جمعی تعریف کردیم که جامعه به ما ارائه میدهد، قابلیت اندازهگیری یافت، زیرا اگر در میان مردم باشد، داده نماهای زیادی نیز برایش موجود است. ما به مدرسه میرویم، ورزش میکنیم، تمرین میکنیم، زیرا معتقدیم که عملکرد به موفقیت میانجامد. اما وقتی در واقع شروع کردیم به کشف، متوجه شدیم که عملکرد و موفقیت از نظر ریاضی مسئله، دو جانور کاملا متفاوتند. بگذارید با تصویر توضیح دهم.
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.
اینجا سریعترین مرد کره زمین را میبینید، یوسین بولت. او در بیشتر مسابقاتش برنده میشود. میدانیم او سریعترین مرد جهان است چون زمانسنج داریم تا سرعتش را اندازه بگیریم. نکته جالب درباره او این است که وقتی برنده میشود، واقعا تفاوت چشمگیری با رقیبانش ندارد. او حداکثر یک درصد از نفر دوم سریعتر میدود. و نه تنها فقط یک درصد تندتر از نفر دوم میدود، بلکه ده برابر سریعتر از من هم نمیدود-- و راستش را بخواهید، من دونده خوبی نیستم.
(Laughter)
(خنده حضار)
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.
و هر بار که میتوانیم عملکرد را بسنجیم، نکته بسیار جالبی را درمییابیم: این که عملکرد محدود است. بدین معنی که عملکرد انسان گستره وسیعی ندارد. تنوعش در چارچوب یک طیف باریک است، و ما برای سنجش تفاوتها به زمانسنج نیاز داریم. این بدین معنی نیست که نمیتوانیم خوب را از بهترین تشخیص دهیم، اما تشخیص بهترینها بسیار سخت است. و مشکلش اینجاست که بیشتر ما در زمینههایی کار میکنیم که زمانسنج برای سنجش عملکردمان نداریم.
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 --
بسیار خب، عملکرد محدود است، میان ما از نظر عملکرد تفاوت شاخصی وجود ندارد. موفقیت چطور؟ خب، بیایید برویم سر موضوعی دیگر، مثلا کتاب. یک معیار موفقیت نویسندگان شمار خوانندگان کتابشان است. وقتی که کتاب قبلیم در ۲۰۰۹ بیرون آمد، در اروپا بودم و با ویراستارم صحبت میکردم، علاقمند بودم که بدانم: رقیبم کیست؟ چند رقیب عالی داشتم. آن هفته --
(Laughter)
(خنده حاضران)
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.
دن براون با کتاب «نماد گمشده» و «آخرین آواز» نیز تازه منتشر شده بود، توسط نیکلاس اسپارکز. وقتی به فهرست نگاه میکنید، میبینید که از نظر عملکرد، تفاوت چندانی بین آن کتابها و کتاب من نیست. اینطور نیست؟ اگر گروه نیکلاس اسپارکز کمی بیشتر کار میکرد، به راحتی میتوانست اول باشد، چرا که رسیدن به صدر فهرست تقریبا تصادفی است. گفتم بگذار به ارقام نگاه کنم، چون کارم با داده است. نه؟ ببینیم فروش نیکلاس اسپارکز از چه قرار است. معلوم میشود که در اولین آخر هفته، نیکلاس اسپارکز بیش از صد هزار نسخه فروخت، که رقم فوقالعادهای است. در واقع میتوانید با فروش ده هزار نسخه در یک هفته به صدر پرفروشهای «نیویورک تایمز» برسید یعنی او ده برابر بیشتر از رقم لازم برای اول شدن فروخته بود. اما اول نشد. چرا؟ چون دن براون در همان آخر هفته یک میلیون و ۲۰۰ هزار نسخه فروخت.
(Laughter)
(خنده حضار)
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.
دلیل این که این ارقام را دوست دارم این است که دقیقا نشان میدهد، مسئله موفقیت بیحد وحصر است، و بهترین تنها کمی بهتر از دومی نیست بلکه به مراتب بهتر است، چرا که موفقیت یک معیار جمعی است. موفقیت را ما به آنها میدهیم، نه اینکه آن را با عملکرد خوبمان کسب کنیم.
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?
پس یکی از نکاتی که دریافتیم این است که عملکرد، کاری که میکنیم، محدود است، اما موفقیت، که جمعی است، بیحد وحصر است، که شما را به این فکر وامیدارد: چگونه چنین تفاوت عظیمی را در موفقیت دارید وقتی که در عملکرد تفاوت چندانی نیست؟ اخیرا کتابی منتشر کردم که موضوعش دقیقا همین است. چون وقت زیادی به من ندادهاند تا به همه مسائل بپردازم، برمیگردم به همان سوال، بسیار خب، موفقیت را دارید، کی باید پیدایش شود؟
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?
برگردیم به مهمانی خراب کن و از خودمان بپرسیم: چرا انشتین این حرف مضحک را زد، که آدم فقط تا قبل از ۳۰ سالگی خلاق است؟ چون به اطرافش نگاه کرد و فیزیکدانهای فوقالعادهای را دید که مکانیک کوانتوم و فیزیک مدرن را خلق کرده بودند و دستاوردهایشان مربوط به زیر ۳۰سالگی یا در اوایل دهه ۳۰ زندگیشان بود. فقط انشتین نبود. فقط تعصب مشاهدهای نیست، چون در واقع تمام پژوهش در زمینه نابغهها این واقعیت را ثبت کرده که، اگر افراد مربوط به گذشته که تحسین میکنیم را در نظر بگیریم و ببینیم که در چند سالگی مهمترین کارشان را کردهاند، چه موسیقی باشد، چه علم، و چه مهندسی، اغلب بیست، سی یا در نهایت اوایل دهه چهل سالگی بودهاند. اما این تحقیق درباره نوابغ یک مشکل دارد. اول از همه این ذهنیت را القا میکند که خلاقیت برابر است با جوانی، که دردناک است. نه؟
(Laughter)
(خنده حضار)
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.
تازه دچار غرضورزی مشاهدهای نیز هست، چرا که فقط نوابغ را در نظر میگیرد و به دانشمندان عادی نظری ندارد و به همه ما برنمیگردد و سوال نمیکند، که آیا واقعا حقیقت دارد که خلاقیت با سن زائل میشود؟ این دقیقا همان کاری است که تلاش کردیم بکنیم، و داشتن مرجع برای کارمان اهمیت داشت.
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.
بیایید یک دانشمند عادی مثل خود من را در نظر بگیریم، و به کارم توجه کنیم. آنچه میبینید تمامی مقالاتی است که منتشر کردهام از اولین مقالههایم در ۱۹۸۹ که هنوز در رومانی بودم، تا همین امسال. و در خط عمودی تاثیر مقاله را میبینید، که در واقع شمار استنادها است، این که چند مقاله دیگر نوشته شده که به مقاله من استناد کردهاند. وقتی به آن نگاه میکنید، میبینید که دوره حرفهای من سه مرحله مختلف دارد. ده سال اول که مجبور بودم سخت کار کنم و دستاورد چندانی ندارم. ظاهرا کسی به کار من اهمیتی نمیداد. درست است؟ تاثیر خاصی وجود ندارد.
(Laughter)
(خنده حاضران)
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.
آن زمان کارم علوم مواد بود. و بعد شبکهها را کشف کردم و بعد شروع کردم به انتشار مقاله در زمینه شبکهها. و هر مقاله موثر به مطلب موثر بعدی میانجامید. احساس فوقالعادهای داشت. بهترین مرحله کاریام بود.
(Laughter)
(خنده حاضران)
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.
سوال اینجاست که الان چه اتفاقی میافتد؟ نمیدانیم، چون هنوز زمان کافی نگذشته تا دریابیم که این مقالات چقدر اثر میگذارند؛ این فرایند زمان میطلبد. وقتی که به آمار نگاه میکنید، به نظر میرسد که انشتین، پژوهشگر نابغه درست میگوید، و من در آن مرحله از حیات کاریام هستم.
(Laughter)
(خنده حضار)
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.
گفتیم بسیارخب، بیایید ببینیم داستان واقعا از چه قرار است، اول در جهان دانش. برای این که دچار جانبداری اختیاری نشده، و فقط نابغهها را در نظر نگیریم، نهایتا شروع کردیم به بازسازی حرفه تکتک دانشمندان از ۱۹۰۰ تا امروز و یافتن این که بهترین دستاورد شخصی هر یک از دانشمندان چه بوده، چه جایزه نوبل گرفته باشند و چه خیر، و هیچکس از کارشان خبر نداشته، حتی از مهمترین دستاورشان. این موضوع در این تصویر دیده میشود. هر خط یک شغل است، و جایی که یک نقطه آبی روشن روی آن شغل میبینید، معنایش بزرگترین دستاورد شخصی است. سوال اینجاست که، آنها در واقع کی به بزرگترین کشف خود رسیدند؟ برای سنجش این موضوع، نگاه میکنیم به این که چقدر احتمال دارد که به بزرگترین کشفتان مثلا یک، دو، سه یا ده سال بعد از شروع کار برسید؟ ما به سن واقعی نگاه نمیکنیم. به چیزی نگاه میکنیم به نام «سن آکادمیک.» سن آکادمیک وقتی شروع میشود که اولین مقالاتتان را منتشر کنید. میدانم که بعضی از شما هنوز بچه هستید.
(Laughter)
(خنده حضار)
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.
پس بیایید ببینیم احتمال این که موثرترین مقالهتان را منتشر کنید چقدر است. و میبینیم که تحقیق درباره نوابغ کاملا درست است. بیشتر دانشمندان موثرترین مقاله خود را در ۱۰-۱۵ سال اول کاری خود منتشر میکنند. و پس از آن روند سقوط میکند. آنقدر سریع کاهش مییابد که -- من دقیقا کارم را سی سال پیش شروع کردم، و شانس این که مقالهای منتشر کنم که بیش از تمام کارهای قبلیام موفق باشد کمتر از یک درصد است. من در آن مرحله از کارم هستم، طبق دادهها. اما یک مشکلی دارد. ما کار کنترل را به خوبی انجام میدهیم. کنترل به این معنی که، دانشمندی که تصادفا به علم خدمت میکند، چه میشود؟ یا سازندگی آن دانشمند چیست؟ کی مقاله مینویسد؟ ما سازندگی را بررسی کردیم، و جالب این که سازندگی، احتمال نوشتن مقاله در سال اول، دهم یا بیستم کاری شما، از احتمال تاثیرگذاری آن در آن بخش از زندگی کاری شما قابل تشخیص نیست.
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.
خلاصه کلام این که پس از آزمایشهای آماری فراوان، تنها یک توضیح برایش هست، روش کار ما دانشمندان این است که هر مقالهای که مینویسیم، هر پروژهای که انجام میدهیم، شانس کاملا برابر دارد برای این که بهترین کار ما شود. به این معنی که کشف، مثل بلیط بخت آزمایی است. هرچه بلیط بیشتری بخریم، شانسمان بیشتر میشود. و همینطور است که بیشتر دانشمندان، بیشتر بلیطهای بختآزماییشان را در ۱۰ الی ۱۵ سال اول کارشان میخرند، و پس از آن سازندگیشان کاهش مییابد. دیگر بلیط بختآزمایی نمیخرند. بنابراین اینطور به نظر میآید که دیگر خلاق نیستند. در واقع، آنها دست از تلاش برداشتهاند. وقتی دادهها را روی هم میگذاریم، نتیجه بسیار ساده است: موفقیت هر زمانی ممکن است برسد. میتواند اولین یا آخرین مقاله حرفهای شما باشد. در فضای پروژهها موفقیت امری کاملا تصادفی است. این سازندگی است که تغییر میکند.
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.
بگذارید برایتان توضیح دهم. این فرنک ویلچک است، برنده نوبل فیزیک برای اولین مقاله عمرش به عنوان دانشجوی فوق لیسانس.
(Laughter)
(خنده حاضران)
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.
جالبتر از او جان فین است، که در ۷۰ سالگی به زور از دانشگاه ییل بازنشسته شد. آزمایشگاهش را تعطیل کردند، همان موقع به دانشگاه ویرجینیا نقل مکان کرد، و آزمایشگاه دیگری گشود، و در آنجا بود که در ۷۲ سالگی، مقالهای منتشر ساخت که به خاطرش ۱۵ سال بعد جایزه نوبل صلح برای شیمی را گرفت.
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.
با خودتان فکر میکنید، بسیار خب، علوم فرق دارد، اما زمینههای دیگری که باید در آنها خلاق باشیم چطور؟ بگذارید یک مثال دیگر برایتان بزنم: کارآفرینی. سیلیکان ولی، سرزمین جوانان، درست است؟ و وقتی که نگاهش میکنید، متوجه میشوید که بزرگترین جایزهها، جوایز تککرانچ و دیگر جوایز، به افرادی تعلق میگیرد میانگین سنشان اواخر دهه ۲۰ سالگی، و اوایل سی سالگی باشد. کسانی که بزرگترین شرکتهای سرمایهگذاری خطرپذیر بهشان پول میدهند را ببینید-- همگی در اوایل دهه سی سالگی هستند. که، البته، میدانیم؛ که این در سیلیکان ولی مد است که بگویند جوانی برابر است با موفقیت. وقتی به دادهها نگاه میکنید اینطور نیست، زیرا این نه تنها درباره تشکیل شرکت است-- شرکت زدن مثل سازندگی است، تلاش، تلاش، تلاش-- وقتی نگاه میکنید به این که کدام یک از این افراد در واقع یک شرکت موفق، یک خروج موفق داشته. و اخیرا، برخی از همکاران ما این پرسش را دقیق بررسی کردند. و معلوم شد که بله، ۲۰ و ۳۰ سالهها شمار بزرگی از شرکتها را ارائه میدهند، شرکتهای زیادی میزنند، اما بسیاری از آنها ورشکست میشوند. و وقتی به خروجیهای موفق نگاه میکنید، آنچه که در این طرح خاص میبینید، هر چه پیرتر باشید، احتمال این که دربازار سهام خوش بدرخشید یا شرکت را با موفقیت بفروشید بیشتر است. در واقع شانس قوی وجود دارد که اگر در دهه ۵۰ سالگی باشید احتمال این که خروج موفقی داشته باشید دو برابر بیشتر است از وقتی که در دهه ۳۰ باشید.
(Applause)
(تشویق حاضران)
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 --
بنابراین در نهایت، این چیست که میبینیم؟ آنچه که میبینیم این است که خلاقیت سن و سال ندارد. اما سازندگی دارد. درست است؟ که به من میگوید در نهایت، اگر تلاش کنید--
(Laughter)
(خنده حاضران)
you could still succeed and succeed over and over. So my conclusion is very simple: I am off the stage, back in my lab.
هنوز میتوانید موفق شوید و بارها و بارها موفق شوید. نتیجهگیری من بسیار ساده است: صحنه را ترک میکنم و به آزمایشگاهم برمیگردم.
Thank you.
متشکرم.
(Applause)
(تشویق حضار)