Today, actually, is a very special day for me, because it is my birthday.
Aujourd'hui est un jour très spécial pour moi, parce que c'est mon anniversaire.
(Applause)
(Applaudissements)
And so, thanks to all of you for joining the party.
Et je vous remercie tous d’être venus à la fête.
(Laughter)
(Rires)
But every time you throw a party, there's someone there to spoil it. Right?
Mais quand on fait une fête, il y a toujours quelqu'un pour la gâcher, non?
(Laughter)
(Rires)
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.
Je suis un physicien, et aujourd'hui j'ai invité un autre physicien pour tout gâcher. Son nom est Albert Einstein - comme moi - et c'est lui qui a déclaré que quelqu'un qui n'a pas fait de grandes contributions à la science avant d'atteindre ses 30 ans ne le fera jamais.
(Laughter)
(Rires)
Now, you don't need to check Wikipedia that I'm beyond 30.
Vous n'avez pas besoin de vérifier sur Wikipedia que j'ai plus de 30 ans.
(Laughter)
(Rires)
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.
Ce qu'il me dit, nous dit en réalité, c'est qu'en termes de sciences, je suis un fruit pourri. Eh bien, heureusement, j'ai eu ma part de chance dans ma carrière. Autour de 28 ans, je me suis intéressé de près aux réseaux, et quelques années plus tard, nous avons publié quelques articles importants qui annonçaient la découverte des réseaux invariants d'échelle et ont créé une nouvelle discipline que nous appelons la science des réseaux. Et si vous vous y intéressez , vous pouvez obtenir un doctorat en science des réseaux à Budapest, à Boston, et pouvez l'étudier dans le monde entier.
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.
Quelques années plus tard, lorsque j'ai déménagé à Harvard pour un congé sabbatique, je me suis intéressé à un autre genre de réseaux : cette fois-ci, nos réseaux internes, comment les gènes, les protéines et les métabolites sont liés entre eux et comment ils sont liés à la maladie. Cet intérêt a mené à une découverte majeure en médecine, y compris le Département de Réseau de Médecine de Harvard, qui compte plus de 300 chercheurs qui utilisent cette perspective pour traiter les patients et trouver de nouveaux traitements.
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.
Et, il y a quelques années, J'ai pensé que je pouvais utiliser ce concept de réseaux et notre expertise en réseaux dans un autre domaine, qui est la compréhension du succès. Pourquoi faire cela ? Nous avions pensé qu'à un certain degré notre succès est déterminé par les réseaux dont nous faisons partie, que nos réseaux peuvent nous aider, ils peuvent aussi nous faire reculer. Et je voulais savoir si nous pouvions utiliser cette expertise et ces données dans le développement de nos réseaux afin de vraiment évaluer comment ces choses arrivent.
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.
C'est le résultat de cela, ce que vous voyez ici est un réseau de galeries dans des musées qui sont connectés entre eux. Et au travers de cette carte que nous avons créée l'année dernière, nous pouvons prédire précisément le succès d'un artiste si vous me donnez les cinq premières expositions qu'il ou elle a faites dans sa carrière.
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.
En réfléchissant au succès, nous avons réalisé que le succès ne dépend pas que des réseaux. Il y a tellement plus de dimensions. Et une des choses nécessaires à la réussite, évidemment, est la performance. Donc définissons la différence entre la performance et le succès. La performance, c'est ce qu'on fait : la vitesse de course, le type de peintures qu'on peint, quel type d'articles on publie. Cependant, dans notre définition de travail, le succès est ce que la société remarque dans nos actions, de notre performance : comment la reconnaît-elle, et comment nous récompense-t-elle pour cela ? En d'autres mots, notre performance dépend de nous, mais notre succès dépend de tous. Et cela a été un tournant important pour nous, car lorsqu'on définit le succès comme une mesure collective que la communauté nous offre, cela devient quantifiable, car si c'est dans la communauté, il y a plusieurs points de données sur ça. Nous allons à l'école, nous nous exerçons, entraînons, car nous croyons que la performance mène au succès. Mais de la façon dont nous voyons les choses, nous avons réalisé que la performance et le succès sont très différents lorsqu'il s'agit des mathématiques du problème. Laissez-moi vous illustrer cela.
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.
Donc vous voyez ici, Usain Bolt, l'homme le plus rapide au monde. Et bien sûr, il gagne la plupart des compétitions auxquelles il participe. Et on sait qu'il est le plus rapide car nous avons un chronomètre pour mesurer sa vitesse. Mais ce qui est intéressant à son sujet est que, lorsqu'il gagne, il ne le fait pas en écrasant ses concurrents. Il court au maximum 1% plus vite que celui qui perd la course. Non seulement il ne court que 1% plus vite que le second, mais il ne court pas 10 fois plus vite que moi -- et je ne suis pas un bon coureur, croyez-moi.
(Laughter)
(Rires)
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.
A chaque fois que pouvons mesurer une performance, on remarque quelque chose de très intéressant, qui est que la performance est limitée. Cela signifie qu'il n'y a pas de grandes variations dans les performances humaines. Cela varie seulement dans une fourchette étroite, et nous avons besoin du chronomètre pour mesurer ces différences. Cela ne veut pas dire qu'on ne distingue pas les bons des meilleurs, mais les meilleurs sont très difficiles à distinguer. Et le problème est que dans le contexte du travail nous n'avons pas de chronomètre pour mesurer la performance.
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 --
D'accord, la performance est limitée, il y a peu de différence entre nous quand il s'agit de performance. Qu'en est-il du succès ? Passons à un autre sujet comme les livres. Une des mesures du succès pour un écrivain est combien de personnes vous lisent. Et quand mon second livre est sorti en 2009, J'étais en Europe à parler avec mon éditeur, et je me suis demandé : qui sont mes concurrents ? Et j'en ai eu des fabuleux. Cette semaine-là --
(Laughter)
(Rires)
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.
Dan Brown sortait « Le symbole perdu », et « La dernière chanson » est également sorti, Nicholas Sparks. Et quand on regarde la liste, on voit, qu'en termes de performance, il y a peu de différence entre ces livres et les miens. D'accord ? Donc si l'équipe de Nicolas Sparks travaille un peu plus dur, il aurait pu facilement être numéro 1, car arriver en tête est presque un accident. Je me suis dit : « Puisque j'aime les données, regardons les chiffres. » Donc allons voir quelles sont les ventes de Nicholas Sparks. Il s'est avéré que ce week-end de lancement, Nicholas Sparks a vendu plus de 100 000 livres, ce qui est impressionnant. On peut arriver en tête de la liste des best-sellers du New-York Times en vendant 10 000 livres par semaine, Donc il a largement dépassé le minimum nécessaire pour être numéro un. Pourtant il ne n'était pas. Pourquoi ? Car il y avait Dan Brown, qui a vendu 1,2 millions de livres ce week-end-là.
(Laughter)
(Rires)
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.
Et j'aime ce chiffre, parce qu'il montre vraiment qu'en termes de succès, il n'y a pas de limite, que le meilleur n'obtient pas légèrement plus que le deuxième mais un ordre de grandeur en plus, parce que le succès est une mesure collective. Nous la donnons, plutôt qu'on la gagne grâce à notre performance.
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?
Une des choses que nous avons réalisées, c'est que la performance est limitée, mais le succès, qui est collectif, ne l'est pas, ce qui nous amène à nous demander : comment avons-nous une telle différence dans le succès lorsque la différence de performance est si faible ? J'ai récemment publié un livre consacré à cette question. Et ils ne m'ont pas donné le temps d'en faire le tour, donc je reviens à la question : ok, vous avez le succès ; quand va-t-il arriver ?
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?
Revenons au gâcheur de soirée et demandons-nous : pourquoi Einstein a-t-il fait cette déclaration absurde, que vous ne pouvez être créatif qu'avant vos 30 ans ? Parce qu'il a regardé autour de lui et a vu tous ces fabuleux physiciens qui créaient les mécaniques quantiques et la physique moderne, et qui avaient tous la vingtaine et une jeune trentaine. Et il n'y a pas que lui. Ce n'est pas qu'une observation, car il y a un vrai domaine de recherche qui a documenté le fait que, si l'on regarde les personnes du passé que l'on admire et que l'on regarde l'âge auquel ils ont fait leur plus grande contribution que ce soit en musique, que ce soit en science, que ce soit en ingénierie, la plupart l'ont faite entre leurs 20/30 ans et leurs 40 ans, maximum. Mais il y a un problème avec cette recherche. Au départ, on a eu l'impression que créativité rime avec jeunesse, ce qui est douloureux, non ?
(Laughter)
(Rires)
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.
Ça a également un parti-pris d'observation car ça ne s'intéresse qu'aux génies, et non pas aux scientifiques ordinaires et il ne nous regarde pas tous en se demandant si c'est vrai que la créativité disparaît avec l'âge ? C'est justement ce qu'on a tenté de faire et pour cela, il est important d'avoir des références.
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.
Intéressons-nous à un scientifique ordinaire, moi-même, et regardons ma carrière. Ce que vous voyez-là, ce sont les articles que j'ai publiés, de mon premier article, en 1989 - j'étais encore en Roumanie à cette époque - jusqu'à cette année. Et en ordonnée, vous voyez l'impact de l'article, c'est-à-dire, combien de citations, combien d'autres articles ont été écrits en citant mon travail. Et quand vous regardez ça, vous voyez que ma carrière a en gros trois étapes. Les 10 premières années, où je travaillais beaucoup sans grands résultats. Personne ne s'intéressait à ce que je faisais. A peine un impact.
(Laughter)
(Rires)
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.
A l'époque, je faisais de la science de matériaux, puis j'ai en quelque sorte découvert les réseaux, et ai commencé à écrire sur les réseaux. Cela a mené au premier article avec un grand impact puis à un autre. Et c'était très plaisant. C'était cette étape de ma carrière.
(Laughter)
(Rires)
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.
Donc la question est : que se passe-t-il maintenant ? On ne le sait pas, car il ne s'est pas écoulé assez de temps pour vraiment comprendre l'impact que ces articles auront ; cela demande du temps. Quand on regarde les données, Il semble qu'Einstein avec sa recherche de génie ait eu raison, et je suis à ce stade de ma carrière.
(Laughter)
(Rires)
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.
On s'est dit : « Ok, on va voir comment cela se produit vraiment, d'abord en science. » Et pour ne pas avoir un a priori sur la sélection, pas seulement les génies, on a fini par retracer la carrière de chaque scientifique de 1900 à aujourd'hui et trouver pour chacun d'entre eux quel était leur record personnel, qu'ils aient obtenu un prix Nobel ou pas, ou que personne ne sache ce qu'ils ont fait, même leur record personnel. C'est que l'on voit sur cette diapositive. Chaque ligne est une carrière, et quand il y a un point bleu clair au-dessus de cette carrière, cela indique le record personnel. Et la question est : quand ont-ils vraiment fait leur plus grande découverte ? Pour quantifier cela, on se demande quelle est la probabilité de faire sa plus grande découverte, après 1, 2, 3 ou 10 années d'expérience ? Nous ne regardons pas leur vrai âge, mais « l'âge académique ». Votre âge académique commence lorsque vous publiez vos premiers articles. Je sais que certains d'entre vous sont encore des bébés.
(Laughter)
(Rires)
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.
Regardons donc la probabilité que vous publiiez votre article avec le plus gros impact. Et on voit que la recherche sur les génies est en effet vraie. La plupart des scientifiques publient leur article le plus impactant dans les 10 à 15 premières années de leur carrière, puis ça chute. Ça chute si vite que j'en suis presque -- j'en suis exactement à 30 ans de carrière, et la chance que je publie un article qui aura un plus fort impact que tout ce que j'ai déjà fait avant est de moins de 1%. J'en suis à ce stade de ma carrière, selon ces données. Mais il y a un problème avec ça. C'est que nous ne faisons pas les contrôles correctement. Le contrôle serait : à quoi ressemble un scientifique qui apporte aléatoirement à la science ? Ou quelle est la productivité de ce scientifique ? Quand écrivent-ils les articles ? Donc nous avons mesuré la productivité, et étonnamment, la productivité, votre probabilité de rédiger un article la 1ère, 10ème ou 20ème année de carrière, est indissociable de la probabilité d’avoir un impact sur cette partie de votre carrière.
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.
Et pour faire court, après plusieurs tests statistiques, il n'y a qu'une explication : la façon dont nous, scientifiques, travaillons, est que chaque article écrit, chaque projet effectué, a exactement la même chance de devenir notre record personnel. Que la découverte est comme un ticket de loterie. Et plus nous achetons de tickets, plus nous avons de chances. Et il en résulte que la plupart des scientifiques achètent leurs tickets de loterie dans les 10 ou 15 premières années de leur carrière, et après cela, leur productivité diminue. Ils n'achètent plus de tickets. Il semblerait donc qu'ils ne soient plus créatifs. En réalité, ils ont arrêté d'essayer. Donc quand on rassemble les données, la conclusion est très simple : le succès peut arriver à tout moment. Ça peut être le tout premier ou le dernier article de votre carrière. C'est totalement aléatoire dans l'espace des projets. C'est la productivité qui change.
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.
Laissez-moi illustrer ça. Voici Frank Wilczek, qui a reçu le Prix Nobel de Physique pour le premier article qu'il a écrit - il était encore étudiant.
(Laughter)
(Rires)
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.
Plus intéressant encore, John Fenn, qui à 70 ans, a été forcé de prendre sa retraite par l'Université de Yale. Ils ont fermé son laboratoire, et à ce moment, il a déménagé à la Virginia Commonwealth University, a ouvert un nouveau laboratoire, et c'est là, à 72 ans, qu'il a publié un article pour lequel, 15 ans plus tard, il a reçu le Prix Nobel de Chimie.
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.
Et vous vous dites : « OK, le domaine des sciences est spécial, mais qu'en est-il des autres domaines où il faut être créatif ? » Prenons un autre exemple : l'entrepreneuriat. La Silicon Valley, la terre de la jeunesse, n'est-ce pas ? En effet, quand on s'y intéresse, on réalise que les plus grands prix, le Prix du TechCrunch et d'autres, reviennent tous à des gens dont l'âge moyen varie entre la fin de vingtaine et le début de la trentaine. Si vous regardez à qui les plus gros investisseurs donnent : que des personnes au début de la trentaine. Ce que, bien sûr, nous savons : il y a une philosophie là-bas qui fait que jeunesse rime avec succès. Pas quand on regarde les données, parce qu'il ne s'agit pas que de créer une entreprise - créer une entreprise, c'est comme la productivité, toujours essayer - quand vous regardez lequel de ces individus a effectivement lancé une entreprise prospère, une sortie réussie. Récemment, certains de nos collègues se sont posé la même question. Et il s'avère que oui, les personnes entre 20 et 30 ans ont lancé un grand nombre d'entreprises, créé beaucoup d'entreprises, mais la plupart ont fait faillite. Et quand on regarde les sorties réussies, ce que l'on voit dans ce graphique, plus vous êtes âgé, plus vous avez de chances de réussir en bourse ou de vendre l’entreprise avec succès. En fait, c'est tellement fort que si vous avez la cinquantaine, vous avez deux fois plus de chance d’avoir une sortie réussie que si vous êtes dans la trentaine.
(Applause)
(Applaudissements)
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 --
Finalement, qu'est-ce que l'on voit ? Ce que l'on voit, c'est que la créativité n'a pas d'âge. Mais la productivité si, d'accord ? Ce qui me fait dire que finalement, si vous poursuivez vos efforts --
(Laughter)
(Rires)
you could still succeed and succeed over and over. So my conclusion is very simple: I am off the stage, back in my lab.
vous pouvez toujours connaître le succès, encore et encore. Donc ma conclusion est très simple : je quitte la scène, direction mon labo.
Thank you.
Merci.
(Applause)
(Applaudissements)