Today, actually, is a very special day for me, because it is my birthday.
היום הוא יום מאוד מיוחד עבורי, מכיוון שזהו יום ההולדת שלי.
(Applause)
(מחיאות כפיים)
And so, thanks to all of you for joining the party.
אז תודה לכולכם על שהצטרפתם למסיבה.
(Laughter)
(צחוק)
But every time you throw a party, there's someone there to spoil it. Right?
אבל בכל פעם שאתם עורכים מסיבה, נמצא מישהו שמקלקל לכם אותה. נכון?
(Laughter)
(צחוק)
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.
ואני פיזיקאי, והפעם הבאתי עוד פיזיקאי לעשות זאת. שמו הוא אלברט איינשטיין -- גם אלברט -- והוא זה שאמר כי אדם שלא תרם את תרומתו הגדולה למדע עד גיל 30 לעולם לא יעשה זאת.
(Laughter)
(צחוק)
Now, you don't need to check Wikipedia that I'm beyond 30.
עכשיו, אתם לא צריכים לבדוק בויקיפדיה שאני אחרי גיל 30.
(Laughter)
(צחוק)
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.
אז למעשה, מה שהוא אומר לי, ולנו, שכשזה מגיע למדע שלי, אני חסר תועלת. למזלי, היה לי מזל בקריירה שלי. בסביבות גיל 28, התחלתי להתעניין רבות ברשתות, וכעבור כמה שנים, הצלחנו לפרסם מספר מאמרי מפתח שדיווחו על התגלית של רשתות Scale-free והולידו תחום מחקר חדש שאנו קוראים לו היום מדע רשתות. ואם זה מעניין אתכם, אתם יכולים לעשות היום דוקטורט במדע רשתות בבודפשט, בבוסטון, וניתן ללמוד את זה בכל העולם.
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.
כמה שנים לאחר-מכן, כשעברתי להרווארד תחילה כחלק משנת שבתון, התחלתי להתעניין בסוג אחר של רשתות: הפעם ברשתות בתוך עצמינו, איך הגנים והחלבונים והמטבוליטים מקושרים זה לזה ואיך הם קשורים למחלות. והעניין הזה הוביל לפיצוץ דרמטי ברפואה, כולל מחלקת רפואת הרשתות בהרוואד, בה יש יותר מ-300 חוקרים המשתמשים בנקודת המבט הזו על-מנת לרפא חולים ולפתח תרופות חדשות.
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.
ולפני מספר שנים, חשבתי לקחת את רעיון הרשתות ואת המומחיות שיש לנו ברשתות לתחום אחר, כלומר, להבנת הצלחה. ומדוע עשינו זאת? ובכן, חשבנו שבמידה מסויימת ההצלחה שלנו נקבעת על-פי הרשתות שאנו נמצאים בהן -- שהרשתות שלנו יכולות לדחוף אותנו קדימה, או למשוך אותנו אחורה. והייתי סקרן לדעת האם אנו יכולים להשתמש בידע ובנתוני עתק והמומחיות היכן שאנו מפתחים רשתות כדי לכמת איך הדברים הללו קורים.
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.
זו התוצאה. מה שאתם רואים כאן הן גלריות במוזיאונים שמקושרות אחת לשניה. ובאמצעות המפה הזו שיצרנו בשנה שעברה, אנו מסוגלים לחזות באופן מדויק את הצלחתו של אמן אם ניתנות לי חמשת הגלריות הראשונות שהוא או היא ערכו בקריירה שלהם.
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.
ובכן, כשחשבנו על הצלחה, הבנו שהצלחה אינה רק רשתות: יש לה עוד כל-כך הרבה מימדים אחרים. ואחד הדברים שאנו צריכים להצלחה, כמובן, הוא ביצועים. אז בואו נגדיר מהו ההבדל בין ביצועים לבין הצלחה. ובכן, ביצועים זה מה שאתם עושים: כמה מהר אתם רצים, איזה סוג של ציורים אתם מציירים, איזה סוג של מאמרים אתם מפרסמים. עם זאת, בהגדרת העבודה שלנו, הצלחה היא במה הקהילה מבחינה מתוך מה שעשיתם, מהביצועים שלכם: איך היא מכירה בהם, ואיך זה מתגמל אתכם? במונחים אחרים, הביצועים שלכם קשורים אליכם, אבל ההצלחה שלכם קשורה בכולנו. וזו הייתה תפנית מאוד חשובה עבורנו, מכיוון שהרגע בו הגדרנו הצלחה כמדד קולקטיבי, שהקהילה מספקת לנו, היא הפכה למדידה, כי אם זה בקהילה, ישנן כמה נקודות השקפה על כך. אז אנחנו הולכים לבית-ספר, אנחנו מתרגלים, מתאמנים, מכיוון שאנו מאמינים שביצועים מובילים להצלחה. אך כשהתחלנו לחקור, הבנו שביצועים והצלחה הן שתי חיות מאוד מאוד שונות כשזה מגיע למתמטיקה של הבעיה. ותנו לי להדגים זאת.
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.
אז מה שאתם רואים כאן הוא האדם המהיר בעולם, יוסיין בולט. וכמובן, הוא מנצח את רוב התחרויות בהן הוא משתתף. ואנו יודעים שהוא האדם הכי מהיר בעולם מכיוון שיש לנו כרונומטר שמודד את המהירות שלו. ובכן, מה שמעניין בו זה שכשהוא מנצח, הוא לא עושה זאת בכך שהוא משיג בפער גדול את המתחרים שלו. הוא רץ אחוז אחד מהר יותר מזה שמפסיד את המירוץ. ולא די בכך שהוא רץ רק אחוז אחד מהר יותר מהמקום השני, אלא שהוא לא רץ פי 10 מהר יותר ממני -- ואני לא רץ טוב, סמכו עליי.
(Laughter)
(צחוק)
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.
ובכל פעם שאנו מודדים ביצועים, אנו שמים לב למשהו מאוד מעניין: ביצועים הם דבר מוגבל. הכוונה היא שאין גיוון גדול בביצועים אנושיים. הם משתנים אך ורק בטווח צר, ואנו צריכים להשתמש בכרונומטר על-מנת למדוד את השינויים. זה לא אומר שאנחנו לא יכולים לזהות את הטובים בין הטובים ביותר, אבל בטובים ביותר קשה מאוד להבחין. והבעיה כאן היא שרובנו עובדים בתחומים שאין בהם כרונומטר למדוד איתו את הביצועים שלנו.
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 --
בסדר, ביצועים הם דבר מוגבל, אין הבדלים ענקיים בינינו כשמדובר בביצועים. מה לגבי הצלחה? ובכן, בואו נחליף לנושא אחר, ספרים למשל. מדד אחד להצלחה של סופרים הוא כמה אנשים קראו את העבודה שלכם. וכשהספר הקודם שלי יצא לאור ב-2009, הייתי באירופה ודיברתי עם העורך שלי, ותהיתי: מי התחרות שלי? והיו לי כמה נהדרים. באותו השבוע --
(Laughter)
(צחוק)
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.
דן בראון יצא עם ספרו "הסמל האבוד", ו"השיר האחרון" גם יצא, ניקולס ספארקס. ורק ממבט ברשימה, אני מבין, אתם יודעים, כשמדובר בביצועים, אין כמעט הבדל בין הספרים הללו לספר שלי. נכון? אז אולי אם הצוות של ניקולס ספארקס יעבוד מעט קשה יותר, הוא יוכל להיות בקלות מספר אחד, מכיוון שהמקום הראשון הוכרע כמעט בטעות. אז אמרתי, בוא נסתכל על המספרים -- אני איש של נתונים, נכון? בואו נראה מה היו המכירות של ניקולס ספארקס. והתברר כי בסוף שבוע הפתיחה הזה, ניקולס ספארקס מכר יותר ממאה אלף עותקים, שזה מספר מדהים. אתם יכולים למעשה להגיע לראש רשימת רבי-המכר של ה"ניו-יורק טיימס" ממכירת 10,000 עותקים בשבוע, אז הוא השיג פי 10 מהכמות הדרושה להיות מספר אחת. ועדיין, הוא לא היה מספר אחת. למה? מכיוון שהיה את דן בראון, שמכר 1.2 מליון עותקים בסוף השבוע ההוא.
(Laughter)
(צחוק)
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.
והסיבה שאני אוהב את המספר הזה היא שהוא מראה, באמת, כשמדובר בהצלחה, אין לה גבולות, שהטוב ביותר לא משיג רק בקצת את המקום השני, אלא מקבל יותר בסדרי גודל עצומים, מכיוון שהצלחה היא מדד קולקטיבי. אנחנו נותנים להם אותה, ולא מרוויחים אותה בזכות הביצועים שלנו.
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?
אז אחד הדברים שהבנו הוא שביצועים, הדברים שאנו עושים, הם מוגבלים, אבל להצלחה, שהיא דבר קולקטיבי, אין גבולות, מה שמביא אתכם לתהות: איך משיגים את ההבדלים הגדולים האלה בהצלחה כשישנם מעט כל-כך הבדלים בביצועים? ולאחרונה, פרסמתי ספר שמוקדש לשאלה הזו בדיוק. ולא נתנו לי מספיק זמן להסביר את כל זה, אז אני חוזר לשאלה, בסדר, לגבי הצלחה: מתי היא אמורה להופיע?
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?
אז בואו נחזור למקלקל המסיבה ונשאל את עצמנו: למה איינשטיין קבע את האימרה המטופשת הזו, שרק לפני גיל 30 ניתן באמת להיות יצירתי? ובכן, משום שהוא הביט סביבו וראה את כל הפיזיקאים הנהדרים האלו שיצרו את מכניקת הקוונטים ופיזיקה מודרנית, וכולם היו בשנות ה-20 וה-30 המוקדמות לחייהם כשעשו זאת. וזה לא רק הוא. זה לא רק דעה קדומה הסתכלותית, מפני שישנו תחום שלם של חקר הגאונות שתיעד את העובדה כי אם אנו מסתכלים על האנשים שאנו מעריצים מהעבר ורואים באיזה גיל הם תרמו את תרומתם הגדולה, בין אם זה מוזיקה, בין אם זה מדע, בין אם זה הנדסה, רובם עשו זאת בגילאי ה-20, 30, תחילת גיל ה-40 לכל היותר. אך יש בעיה עם חקר הגאונות הזה. ובכן, קודם כל, הוא יצר לנו את הרושם שיצירתיות משמעה נעורים, וזה כואב, נכון?
(Laughter)
(צחוק)
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.
וגם יש לו הסתכלות מוטית, משום שהוא מסתכל רק על גאונים ולא על מדענים רגילים ולא מסתכל על כולנו ושואל, האם זה באמת נכון שיצירתיות נעלמת עם הגיל? אז זה בדיוק מה שניסינו לעשות, וחשוב שיהיה למה להשוות.
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.
אז בואו נסתכל על מדענים רגילים כמותי, ונסתכל על הקריירה שלי. אז מה שאתם רואים כאן הם כל המאמרים שאי פעם פרסמתי מהמאמר הראשון שלי, ב-1989; הייתי עדיין ברומניה כשכתבתי אותו, עד השנה בערך. ואנכית, אתם רואים את ההשפעה של המאמר, הכוונה היא, כמה ציטוטים, כמה מאמרים אחרים נכתבו והזכירו את העבודה הזו. וכאשר אתם מסתכלים על זה, אתם רואים שלקריירה שלי ישנן שלוש תקופות. יש את ה-10 שנים הראשונות כשהייתי צריך לעבוד המון ולא השגתי הרבה. לא נראה שלמישהו אכפת ממה שאני עושה, נכון? אין כמעט השפעה.
(Laughter)
(צחוק)
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.
בתקופה הזו עסקתי במדעי החומר, ואז בערך גיליתי את הרשתות והתחלתי לפרסם על רשתות. וזה הוביל למאמר רב-השפעה אחד לשני. וזה הרגיש מאוד טוב. זה היה השלב בקריירה שלי.
(Laughter)
(צחוק)
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.
אז, השאלה היא, מה קורה עכשיו? ואנחנו לא יודעים, מכיוון שעדיין לא עבר מספיק זמן כדי באמת לשער כמה השפעה תהיה למאמרים האלו; זה לוקח זמן להשיג. ובכן, כשאתם מסתכלים על הנתונים, זה נראה כי איינשטיין, מחקר הגאונות, צודקים, ואני בשלב הזה בקריירה שלי.
(Laughter)
(צחוק)
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.
ולכן אמרנו, בסדר, בואו נפענח איך זה באמת קורה, קודם במדע. ועל-מנת לא להיות בעלי הסתכלות מוטית, לא להסתכל רק על גאונים, מצאנו את עצמנו בסופו של דבר משחזרים את הקריירה של כל מדען מ-1900 ועד היום ומוצאים לכל המדענים את השיאים האישיים שלהם, האם הם קיבלו פרס נובל או לא, או שאיש לא יודע מה הם עשו, אפילו לא את שיאם האישי. וזה מה שאתם רואים בשקופית הזו. כל קו הוא קריירה, וכשמופיעה נקודה כחולה בהירה מעל קריירה, זה אומר שזה היה השיא האישי שלהם. והשאלה היא, מתי הם תרמו את תרומתם הגדולה ביותר? כדי לכמת זאת, הסתכלנו על מהי הסבירות שתתרום את תרומתך הגדולה, נגיד, שנה, שנתיים, שלוש, או 10 שנים לתוך הקריירה שלכם? אנחנו לא מסתכלים על גיל אמיתי. אנו מסתכלים על מה שקראנו לו "הגיל האקדמי". הגיל האקדמי שלכם מתחיל כאשר אתם מפרסמים את המאמר הראשון שלכם. אני יודע שכמה מכם עדיין תינוקות.
(Laughter)
(צחוק)
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.
אז בואו נסתכל על הסבירות שתפרסמו את המאמר בעל הכי הרבה השפעה שלכם. ומה שאתם רואים הוא, אכן, חקר הגאונות צודק. רוב המדענים נוטים לפרסם את מאמריהם בעלי ההשפעה הגדולה ביותר ב-10, 15 שנים הראשונות לקריירה שלהם, וזה צונח לאחר-מכן. זה צונח כל-כך מהר שאני עומד -- אני בדיוק ב-30 שנה לקריירה שלי, והסיכוי שאפרסם מאמר שיהיה בעל השפעה גדולה יותר מכל מה שעשיתי עד עכשיו הוא פחות מאחוז. אני בשלב הזה בקריירה שלי, בהתבסס על הנתונים האלה. אך יש בעיה עם זה. אנחנו לא מבצעים בקרה כמו שצריך. אז הבקרה צריכה להיות, איך ייראה מדען שתורם תרומות רנדומליות למדע? או מה הפרודוקטיביות של המדען הזה? מתי הם כותבים מאמרים? אז מדדנו את הפרודוקטיביות, ובאופן מדהים, הפרודוקטיביות, הסבירות שתכתבו מאמר בשנה הראשונה, העשירית או ה-20 שלכם בקריירה, היא בלתי ניתנת להבחנה מהסבירות להשפיע בשלב הזה בקריירה שלכם.
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.
ובקצרה, אחרי הרבה מבחני סטטיסטיקה, ישנו רק הסבר אחד לזה, והוא שהדרך בה אנו המדענים עובדים היא שכל מאמר שאנו כותבים, כל פרוייקט שאנו עושים, יש לו בדיוק את אותו הסיכוי להיות השיא האישי שלנו. זה אומר שתגלית היא כמו כרטיס הגרלה. וככל שנקנה יותר כרטיסי הגרלה, גדלים הסיכויים שלנו. ויצא שכך זה קורה מפני שרוב המדענים קונים את רוב כרטיסי ההגרלה ב-10, 15 השנים הראשונות בקריירה שלהם, ואחר-כך, הפרודוקטיביות יורדת. הם לא קונים יותר כרטיסי הגרלה. אז נראה כאילו הם לא יצירתיים. המציאות היא, שהם הפסיקו לנסות. אז כשאנחנו מחברים את כל הנתונים יחד, המסקנה היא מאוד פשוטה: הצלחה יכולה להגיע בכל זמן. היא יכולה להיות מאמרכם הראשון או המאמר האחרון בהחלט בקריירה שלכם. זה רנדומלי לגמרי מבחינת תחומי הפרוייקטים. זו הפרודוקטיביות שמשתנה.
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.
תנו לי להדגים לכם זאת. זהו פרנק וילצ'ק שזכה בפרס נובל בפיזיקה על מאמר הראשון שאי פעם כתב בקריירה שלו כבוגר אוניברסיטה.
(Laughter)
(צחוק)
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.
מעניין מכך הוא ג'ון פן, שבגיל 70 אולץ לצאת לפנסיה על-ידי אוניברסיטת ייל. הם סגרו את המעבדה שלו, ובאותו הרגע הוא עבר לאוניברסיטה הקהילתית בווירג'יניה, פתח מעבדה נוספת, וזהו המקום בו, בגיל 72, פרסם מאמר עליו, אחרי 15 שנה, זכה בפרס נובל לכימיה.
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.
ואתם חושבים, בסדר, טוב, המדע הוא מיוחד, אבל מה בנוגע לשאר התחומים שאנו צריכים להיות יצירתיים בהם? אז בואו ניקח עוד דוגמא טיפוסית: יזמות. עמק הסיליקון, ארץ הנעורים, נכון? ואכן, כשמסתכלים על זה, מבינים שהפרסים הגדולים ביותר, פרסי ה-TechCrunch ופרסים נוספים, כולם הולכים לאנשים שגילם הממוצע הוא שנות ה-20 המאוחרות, שנות-30 המאוד מוקדמות. אתם רואים למי קרנות הון סיכון נותנות כסף, כמה מהקרנות הגדולות ביותר -- כולם אנשים בתחילת שנות ה-30 שלהם. ואנו יודעים, כמובן; ישנו אתוס בעמק הסיליקון שנעורים שווים הצלחה. לא רק כשמסתכלים על הנתונים, כי לא מדובר רק בהקמת חברה -- הקמת חברה זה כמו פרודוקטיביות, לנסות, לנסות, לנסות -- כשאתם מסתכלים על אילו מבין האנשים האלו הובילו לחברה מצליחה, אקזיט מצליח. ולאחרונה, כמה מהקולגות שלנו בחנו את השאלה הזו בדיוק. ומתברר שכן, אלו בשנות ה-20 וה-30 לחייהם מקימים מספר חברות ענק, מקימים המון חברות, אך רובן פושטות את הרגל. וכשמסתכלים על האקזיטים המצליחים, מה שניתן לראות בגרף המסוים הזו, ככל שאתם מבוגרים יותר, ישנה סבירות גדולה יותר שתביאו את המכה בבורסה או שתמכרו את החברה בהצלחה. זה כל-כך חזק, למעשה, שאם אתם בשנות ה-50 שלכם, אתם בעלי סבירות גדולה פי שתיים לבצע אקזיט מוצלח מאשר כשאתם בני 30.
(Applause)
(מחיאות כפיים)
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 --
אז, בסופו של דבר, מה אנחנו באמת רואים? מה שאנו רואים זה שליצירתיות אין גיל. לפרודוקטיביות יש, נכון? מה שאומר לי שבסופו של יום, אם תמשיכו לנסות --
(Laughter)
(צחוק)
you could still succeed and succeed over and over. So my conclusion is very simple: I am off the stage, back in my lab.
אתם עדיין יכולים להצליח שוב ושוב. אז המסקנה שלי היא מאוד פשוטה: אני יורד מהבמה וחוזר למעבדה שלי.
Thank you.
תודה רבה.
(Applause)
(מחיאות כפיים)