Today, actually, is a very special day for me, because it is my birthday.
A mai nap igazán különleges számomra, ugyanis ma van a születésnapom.
(Applause)
(Taps)
And so, thanks to all of you for joining the party.
Szóval köszönöm, hogy eljöttek a partimra.
(Laughter)
(Nevetés)
But every time you throw a party, there's someone there to spoil it. Right?
De ha buli van, mindig van valaki, aki azt elrontja. Igaz?
(Laughter)
(Nevetés)
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.
Fizikus vagyok, és ma egy másik fizikust hoztam magammal, hogy betöltse ezt a szerepet. A neve Albert Einstein, tehát ő is Albert. Ő mondta azt, hogy aki nem alkotott a tudomány terén semmi maradandót 30 éves koráig, az már nem is fog.
(Laughter)
(Nevetés)
Now, you don't need to check Wikipedia that I'm beyond 30.
Gondolom, nem kell megnézniük a Wikipediát, hogy lássák, elmúltam már 30.
(Laughter)
(Nevetés)
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.
Amit tehát Einstein mond, azt jelenti, hogy ha a szakterületemről van szó, annyit se érek már, mint egy száraz kóró. Mindenesetre, ami a karrieremet illeti, több szempontból is szerencsém volt. 28 éves voltam, mikor elkezdtem hálózatokkal foglalkozni. Néhány évvel később pedig két fontos tanulmányt is publikáltunk, melyekben a skálafüggetlen hálózatok felfedezéséről számoltunk be, és ezzel megszületett egy új tudományág, melyet ma hálózatkutatásnak nevezünk. Ha esetleg érdekel valakit, hálózatkutatásból már doktorálni is lehet Budapesten, Bostonban; és a világ számos pontján van ilyen szak.
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.
Néhány évvel később, mikor először jöttem a Harvardra – szabadságot kaptam erre az időre –, egy másik hálózattípus keltette fel az érdeklődésem: akkor a sejtjeinken belüli hálózatokkal kezdtem foglalkozni, egész pontosan azzal, hogyan kapcsolódnak a gének, a fehérjék és a metabolitok, és hogy ez hogyan hat a betegségek kialakulására. Ez a fajta érdeklődés robbanásszerű változást hozott az orvostudományba, és hatással volt például a Harvard Hálózati Orvostudomány tanszékére is, ahol több mint 300 kutató használja ma ezt az elméletet a gyógyítás és az új gyógymódok kifejlesztésének szolgálatában.
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.
Néhány évvel ezelőtt úgy gondoltam, hogy a hálózatokról alkotott elméleteket és az itt szerzett ismereteket egy másik területre viszem át, és megpróbálom megfejteni a siker titkát. Mi is volt ezzel a cél? Úgy gondoltuk, hogy bizonyos mértékben a siker is attól függ, milyen hálózatoknak vagyunk tagjai: hálózataink lendületet adhatnak, de vissza is húzhatnak. Arra voltam kíváncsi, felhasználható-e az a tudás, adatmennyiség és gyakorlat, melyet a hálózatkutatás során eddig megszereztünk arra, hogy a sikert mérni tudjuk.
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.
A következő eredményre jutottunk. Amit itt látnak, különböző múzeumok bemutatótermei, melyek mind kapcsolatban állnak egymással. Tavaly készültünk el azzal a térképpel, melynek segítségével meglehetősen pontosan meg tudtuk határozni egy művész jövőbeli sikerét, ha pályafutása első öt kiállításának adatai a rendelkezésünkre álltak.
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.
Ahogy a siker mibenlétén gondolkodtunk, rájöttünk, hogy a siker nemcsak a hálózatokon múlik, hanem nagyon sok egyéb tényezőn is. Ezek közül az egyik nyilvánvalóan a teljesítmény. Nézzük, mi a különbség a teljesítmény és a siker között. A teljesítmény nem más, mint amit csinálunk: hogyan futunk, milyen képeket festünk, milyen tanulmányokat publikálunk. Jelenlegi definíciónk szerint azonban a siker az, amit a körülöttünk élők ebből a tevékenységből, vagyis a teljesítményből észlelnek. Hogyan ismerik el ezt a teljesítményt? Mivel jutalmazzák? Más szóval, a teljesítmény tőlünk függ, a siker viszont a többiektől. Ez nagyon fontos állomása volt a munkánknak, hiszen amint a sikert meghatározhattuk úgy, mint a környezetünkből érkező kollektív mérőszámot, máris mérhetővé tettük. Vagyis ha a siker a környezet függvénye, számos adat áll rendelkezésünkre. Iskolába járunk, képezzük magunkat, gyakorolunk, mert úgy tudjuk, a siker záloga a teljesítmény. Kutatásainkból viszont kiderült, hogy a teljesítmény és a siker két nagyon, nagyon különböző állat, ha matematikai szempontból vizsgáljuk a kérdést. Hadd hozzak erre egy példát.
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.
Ezen a felvételen a világ leggyorsabb emberét, Usain Boltot látják, aki természetesen szinte minden versenyt megnyer, amin csak indul. Abból tudjuk, hogy ő a világon a leggyorsabb, mert a sebességét kronométerrel mérhetjük. Bolttal kapcsolatban különösen érdekes, hogy mikor nyer, nem azért nyer, mert sokkal gyorsabban fut, mint a többiek. Maximum egy százalékkal fut gyorsabban, mint a második, aki veszít. És az még hagyján, hogy a második helyezettnél csak 1%-kal gyorsabb, de nálam sem tud tízszer gyorsabban futni, pedig higgyék el, nem vagyok valami nagy futó.
(Laughter)
(Nevetés)
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.
Minden egyes alkalommal, mikor teljesítményt mérünk, valami nagyon érdekes derül ki, mégpedig az, hogy a teljesítmény korlátos. Azt értem ezalatt, hogy nincsenek nagy különbségek az emberi teljesítményben: az eredmények szűk skálán mozognak, és nagy szükségünk van kronométerre, hogy a különbséget mérni tudjuk. Ez persze nem azt jelenti, hogy a jót a legjobbtól ne tudnánk megkülönböztetni, de a legjobbakat tényleg nehéz kiszűrni. A probléma ugyanis az, hogy legtöbben olyan területen dolgozunk, ahol a teljesítmény nem mérhető időmérő eszközökkel.
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 --
Azt tehát értjük, hogy a teljesítmény kötött, és e tekintetben nincsenek köztünk nagy különbségek. De mi a helyzet a sikerrel? Nézzünk most egy másik témát: például a könyveket. Az írók számára az egyik mérőszám az, hogy hányan olvassák a könyveiket. Így aztán, mikor az előző könyvem 2009-ben megjelent, Európában voltam, a szerkesztőmmel beszélgettem, és arra voltam kíváncsi, kik a vetélytársak. És volt köztük pár nagyszerű név. Azon a héten jött ki...
(Laughter)
(Nevetés)
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 "Az elveszett jelkép" című könyve, és akkor jelent meg "Az utolsó dal" Nicholas Sparkstól. És ha végignézünk a listán, látjuk, hogy teljesítmény tekintetében szinte alig van különbség az előbb felsorolt könyvek és az enyém között. Így van? Vagyis ha Nicholas Sparks csapata egy kicsit szorgalmasabban dolgozik, akár elsők is lehettek volna, hiszen szinte csak a véletlenen múlik, ki kerül a csúcsra. Akkor azt mondtam, nézzük meg az adatokat, elvégre a számok embere vagyok, nem? Nézzük meg, hány Nicholas Sparks könyvet adtak el. Kiderült, hogy az első héten Nicholas Sparks könyvéből több mint 100 000 példányt vásároltak meg, ami elképesztően nagy szám. Már azzal is felkerülhet az ember a "New York Times" bestseller listájára, ha egy héten 10 000 könyvét eladják. Ő ezt tízszeresen felülmúlta. Mégsem ő lett az első. Miért? Mert ott volt Dan Brown könyve, ami 1,2 millió példányban kelt el ugyanakkor.
(Laughter)
(Nevetés)
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.
Azért szeretem ezt a számot, mert megmutatja, hogy a siker korlátlan, és hogy az elsőnek nemcsak egy kicsivel, hanem nagyságrendekkel is több juthat, mint a másodiknak, mivel a siker kollektív mérőszám. A sikert másoktól kapjuk, nem a teljesítményünkkel érdemeljük ki.
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?
Tehát arra a következtetésre jutottunk, hogy bár a teljesítmény korlátos, a siker közösségi és korlátlan. Fel is merült a kérdés: Miért van ekkora különbség a siker mértékében, ha maga a teljesítmény nem tér el nagy mértékben? Nemrégiben jelent meg egy könyvem, amit ennek a kérdésnek szenteltem. Nem kaptam túl sok időt, hogy ezt részletesen kifejtsem, ezért szeretnék visszamenni ahhoz a kérdéshez, hogy az rendben van, hogy sikeresek leszünk, de mikor kell ennek jelentkeznie?
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?
Lépjünk tehát vissza az ünneprontó gondolathoz, és tegyük fel a kérdést: Miért állította Einstein azt a nevetséges dolgot, hogy csak 30 éves korunk előtt lehetünk ténylegesen kreatívak? Nos azért, mert körülnézett, és látta azt a rengeteg nagyszerű fizikust, akik akkor fektették le a modern fizika és a kvantummechanika alapjait, mikor huszonévesek voltak, de legfeljebb épp csak harmincasok. Mert hát nem volt egyedül. Azt sem mondhatjuk, hogy mindössze megfigyelési hibáról van szó, hiszen a zsenikutatók egész sor dokumentummal igazolták a tényt, hogy ha régi nagyságokra gondolunk, és megnézzük, hány éves korukban alkották legjelentősebb műveiket, akár zenéről, tudományról, vagy mérnöki tudományokról van szó, látjuk, hogy legtöbben 20-as, 30-as éveikben, vagy 40-es éveik elején jártak. A zsenikutatással azonban van egy probléma. Elsősorban az, hogy azt a képet alakította ki bennünk, hogy a kreativitás egyenlő a fiatalsággal, ami elég fájdalmas, igaz?
(Laughter)
(Nevetés)
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.
De van itt egy megfigyelési hiba is, mivel csak a kiemelkedő tehetségeket vizsgálták, az egyszerű tudósokat nem. A vizsgálat tehát nem általánosan tette fel a kérdést: Igaz-e az, hogy a korral együtt elveszítjük a kreativitásunkat is? Mi pontosan erre kerestük a választ. Ehhez viszont fontos volt, hogy legyenek referenciapontjaink.
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.
Vegyünk tehát egy átlagos tudóst, mint én, vizsgáljuk meg az én karrierem alakulást. Itt látható azon tanulmányok listája, melyeket eddig publikáltam, az 1989-ben megjelent első tanulmányomtól, amit még Romániában írtam, egészen az idei évig. A függőleges tengelyen ábrázoltam, milyen hatása volt az adott tanulmánynak, hányan hivatkoztak rá, hány további tanulmány készült, melyben erre hivatkoznak. Ha ezt megnézik, láthatják, hogy karrierem nagyjából három fázisra osztható. Ott volt az első 10 év, amikor rengeteget dolgoztam, viszont nem értem el túl sokat. Ekkor még senkit nem érdekel, mivel foglalkozom, igaz? A munkámnak nincs még hatása.
(Laughter)
(Nevetés)
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.
Akkor még anyagtudományokkal foglalkoztam, később felfedeztem magamnak a hálózatokat, és ezekről kezdtem írni. Onnan már egyik nagy hatású tanulmány jelent meg a másik után. Nagyszerű érzés volt ez – ez volt karrierem csúcsidőszaka.
(Laughter)
(Nevetés)
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.
A kérdés az, hogy mi van most? És ezt természetesen nem tudjuk, mert nem telt el elegendő idő ahhoz, hogy megmondjuk, milyen hatása lesz az új tanulmányoknak – ehhez még idő kell. Ha ezeket az adatokat nézzük, úgy tűnik, Einsteinnek és a zsenikutatóknak igaza volt. Most karrieremnek "ezen" a szintjén állok.
(Laughter)
(Nevetés)
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.
Erre azt mondtuk, rendben, akkor nézzük meg, hogyan is történik mindez. Nézzük először a tudomány világát. Hogy elkerüljük a kiválasztási hibákat, nemcsak a géniuszokat vizsgáltuk, hanem megnéztük minden tudós életrajzát 1900-tól napjainkig. Minden tudósnál meghatároztuk, mi volt pályafutásának csúcspontja, hogy kapott-e valaha Nobel-díjat vagy nem, sőt az is lehet, hogy senki nem ismerte még legjelentősebb eredményeit sem. Ezt látják a következő dián. Minden sor egy-egy tudósé, a világoskék pont azt jelzi, mikor voltak karrierjük csúcsán, mikor érték el a legkiemelkedőbb eredményeket. A kérdés pedig az, mikor tették a legnagyobb felfedezést. Ahhoz, hogy ezt mérni tudjuk, azt vizsgáltuk, mi a valószínűsége, hogy mondjuk karrierje első, második, vagy tizedik évében jut el egy tudós a nagy felfedezéshez. Itt nem a valós életkort vettük, hanem az ún. "tudományos életkort". A tudományos életkor akkor kezdődik, mikor az első tanulmányunkat publikáljuk. Igen, néhányan még kisbabák.
(Laughter)
(Nevetés)
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.
Nézzük, mikor legvalószínűbb, hogy megjelenik a legjelentősebb munka. Itt is azt látjuk, hogy igaza van a zsenikutatóknak. A legnagyobb hatású munkáját ugyanis a legtöbb tudós karrierje első 10-15 évében adja ki, aztán hanyatlásnak indul. Olyan gyorsan hanyatlik a teljesítmény, hogy az én esetemben, aki most pont karrierem 30. évében járok, az esélye annak, hogy bármi nagyobb hatásút írjak annál, mint eddig, kevesebb mint egy százalék. Az itt látható adatok is mutatják, hogy karrierem leszálló ágában járok. Csakhogy van ezzel egy kis probléma. Nem jelöltük ugyanis megfelelően a változókat. Iktassuk be azt a szempontot, hogy van olyan tudós, aki csak alkalmanként jelentkezik eredményekkel. Hogyan írhatjuk le az ilyen tudósok teljesítményét? Ők mikor jelentetnek meg tanulmányokat? Megmértük tehát a teljesítményt, és azt a hihetetlen eredményt kaptuk, hogy a teljesítmény, vagyis annak valószínűsége, hogy pályánk első, 10. vagy 20. évében publikálunk, megkülönböztethetetlen annak valószínűségétől, amilyen hatást karrierünk adott szintjén elérhetünk.
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.
Hogy röviden összefoglaljam a dolgot, sok-sok statisztikai mérés után, erre csak egy magyarázatot tudtunk adni, és ez nem volt más, mint az, hogy mi, tudósok úgy dolgozunk, hogy minden egyes tanulmány, amit írunk, minden projekt, amiben részt veszünk, ugyanakkora eséllyel lehet egyben legkiválóbb teljesítményünk. A tudományos felfedezés olyan tehát, mint a lutri. Minél több lottószelvényünk van, annál nagyobb az esély, hogy nyerünk. És úgy tűnik, a legtöbb tudós ezeket a szelvényeket pályafutása első 10-15 évében szerzi be. Aztán csökken a teljesítmény. Már nem vesznek több szelvényt. Úgy tűnik, mintha elvesztették volna a kreativitásukat. Valójában azonban, inkább nem próbálkoznak tovább. Tehát ha összesítjük az adatokat, azt az egyszerű eredményt kapjuk, hogy a siker bármikor beüthet. Ennek kiváltója lehet pályafutásunk első vagy utolsó tanulmánya is. A vizsgált téma tekintetében is teljesen esetleges ez. Ami változik, az a teljesítmény.
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.
Hadd hozzak erre egy példát. A képen Frank Wilczeket látják, aki első, még egyetemistaként írt tanulmányával nyerte el a fizikai Nobel-díjat.
(Laughter)
(Nevetés)
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.
Még nála is érdekesebb John Fenn esete, akit a Yale Egyetem 70 évesen kényszernyugdíjazott. Még a laborját is bezárták. Fenn ekkor átment a Virginia Commonwealth Egyetemre, új labort nyitott, és ekkor, 72 évesen írta azt a tanulmányát, melyért 15 évvel később megkapta a kémiai Nobel-díjat.
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.
És most gondolhatják azt, hogy hát a tudomány világa mégis más, de mi a helyzet más foglalkozásokkal, ahol szükség van a kreativitásra? Hadd mondjak el itt egy másik jellegzetes példát: nézzük a vállalkozásokat. Szilícium-völgy, a feltörekvő ifjúság Mekkája, ugye? És tényleg, ha megnézzük, látjuk, hogy a legnagyobb díjakat, mint a TechCrunch-díj és egyebek, azok kapják, akik átlagéletkora alig 30, vagy csak egy kicsivel több annál. Nézzék meg, kiket támogatnak a kockázati tőkések és vállalataik: a 30 év körülieket. Ami persze azért van, ezt mind tudjuk, mert a Szilícium-völgyben úgy gondolják, a fiatalság egyenlő a sikerrel. Az adatok viszont nem ezt mutatják. Mert itt nem csak magáról a cégalapításról van szó. A cégalapítás egy teljesítmény - próbálkozunk, próbálkozunk. De nézzük meg, kik azok, akik valóban sikeres céget hoznak létre, vagy más módon lesznek sikeresek. Nemrégiben néhány kollégám ennek a kérdésnek járt utána. És igen, kiderült, hogy a 20-as, 30-asok nagyon sok céget alakítanak, sok céget hoznak létre, de legtöbbjük csődbe megy. Ha megnézzük, mitől lesz valaki sikeres ebben az esetben, azt látjuk, hogy minél idősebb valaki, annál nagyobb az esélye annak, hogy jegyezzék a tőzsdén, vagy hogy nyereségesen adja el a cégét. Ez nagyon egyértelműen megmutatkozott. Egy ötvenes üzletembernek kétszer akkora esélye van a sikerre, mint egy harmincasnak.
(Applause)
(Taps)
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 --
Végeredményben tehát, mi is derül ki mindebből? Az, hogy a kreativitás nem életkorfüggő. A teljesítmény viszont igen, igaz? Ebből számomra az következik, hogy végső soron, ha az ember próbálkozik,
(Laughter)
(Nevetés)
you could still succeed and succeed over and over. So my conclusion is very simple: I am off the stage, back in my lab.
újra és újra érhet el sikereket. A végkövetkeztetés tehát nagyon egyszerű: megyek is vissza a laboromba.
Thank you.
Köszönöm.
(Applause)
(Taps)