Today, actually, is a very special day for me, because it is my birthday.
Hoje, na verdade, é um dia muito especial para mim, porque é o meu aniversário.
(Applause)
(Aplausos)
And so, thanks to all of you for joining the party.
E por isso, agradeço-vos a todos por se juntarem à festa.
(Laughter)
(Risos)
But every time you throw a party, there's someone there to spoil it. Right?
Mas sempre que se dá uma festa, há alguém para a estragar, certo?
(Laughter)
(Risos)
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.
Sou físico, e desta vez trouxe outro físico comigo. Chama-se Albert Einstein — também é Albert — e foi ele que disse que uma pessoa que não tenha feito contribuições importantes para a ciência até aos 30 anos, nunca o irá fazer.
(Laughter)
(Risos)
Now, you don't need to check Wikipedia that I'm beyond 30.
Ora, não é necessário ir à Wikipedia para ver que tenho mais de 30 anos.
(Laughter)
(Risos)
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.
Por isso, efetivamente, o que ele está a dizer-me, a mim e a vocês, é que, no que toca à minha ciência, sou redundante. Bem, felizmente, eu tive a minha parte de sorte na minha carreira. Por volta dos 28 anos, fiquei muito interessado em redes, e uns anos mais tarde, conseguimos publicar alguns artigos importantes que relatavam a descoberta de redes sem escala o que originou uma nova disciplina a que hoje chamamos ciência de redes. E se estiverem mesmo interessados, podem fazer um doutoramento em Budapeste, em Boston e podem estudá-las em todo o mundo.
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.
Uns anos mais tarde, quando me mudei para Harvard primeiro como investigador em sabática, interessei-me por outro tipo de redes: desta vez, as redes dentro de nós, como os genes, as proteínas e os metabolismos se ligam uns aos outros e como se relacionam com as doenças. Esse interesse levou a uma grande explosão na medicina, incluindo a Divisão de Medicina em Rede de Harvard, que tem mais de 300 investigadores que usam esta perspetiva para tratar doentes e desenvolver novas curas.
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.
E há alguns anos, eu achei que levaria esta ideia de redes e a experiência que tínhamos em redes para uma área diferente, ou seja, compreender o sucesso. E porque o fizemos? Bem, pensávamos que, até certo ponto, o nosso sucesso era determinado pelas redes de que fazíamos parte, para nos impulsionar, ou fazer-nos recuar. E eu estava curioso saber se conseguiríamos usar o conhecimento e o grande volume de dados e experiência com os quais desenvolvemos as redes para quantificar como estas coisas acontecem.
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.
E este é o resultado. O que veem aqui é uma rede de galerias em museus ligadas umas às outras. E através deste mapa que traçámos no ano passado, conseguimos prever com muita precisão o sucesso de um artista se me derem as primeiras cinco exposições que ele ou ela fez na sua carreira.
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.
Bem, como tínhamos pensado, concluímos que o sucesso não se limita a redes; existem muito mais dimensões. E uma das coisas de que necessitamos para o sucesso é, obviamente, o desempenho. Por isso, vamos definir a diferença entre desempenho e sucesso. Bem, o desempenho é aquilo que se faz: quão rápido se corre, que tipo de quadros se pinta, que tipo de artigos se publica. No entanto, na nossa definição funcional, o sucesso relaciona-se com a perceção da comunidade daquilo que se fez, do desempenho: Como é que o reconhece, e como é que o recompensa? Por outras palavras, o desempenho de cada um depende de si, mas o seu sucesso depende de todos nós. E esta foi uma mudança muito importante para nós, porque o momento em que definimos o sucesso como uma medida coletiva que a comunidade nos proporciona, tornou-se mensurável, porque se está na comunidade, existem múltiplos pontos de dados sobre isso. Assim, vamos para a escola, fazemos exercício, praticamos, porque acreditamos que o desempenho leva ao sucesso. Mas a maneira como começamos a explorar, faz com que percebamos que desempenho e sucesso são animais muito, muito diferentes no que se refere à matemática do problema. E permitam-me que o ilustre. Então, o que vemos aqui é o homem mais rápido do mundo, Usain Bolt.
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.
E, claro, ele ganha a maior parte das competições em que entra. E nós sabemos que ele é o mais rápido do planeta porque temos um cronómetro para medir a sua velocidade. Bem, o que ele tem de interessante é que, quando ele ganha, ele não o faz ultrapassando a concorrência de forma significativa. Ele corre, no máximo, 1% mais rápido do que aquele que perde a corrida. Ele não só corre apenas 1% mais rápido do que o segundo classificado, como não corre dez vezes mais rápido do que eu, e eu não sou um bom atleta, acreditem.
(Laughter)
(Risos)
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.
De cada vez que conseguimos medir o desempenho, verificamos algo muito interessante; isto é, o desempenho é limitado. O que isto significa é que não existem grandes variações no desempenho humano. Ele varia apenas num intervalo limitado, e precisamos mesmo do cronómetro para medir as diferenças. Isto não quer dizer que não consigamos distinguir o bom dos melhores, mas os melhores são muito difíceis de distinguir. E o problema é que a maioria de nós trabalha em áreas nas quais não temos um cronómetro para medir o nosso desempenho.
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 --
Bom, o desempenho é limitado, não existem grandes diferenças entre nós no que toca ao nosso desempenho. E quanto ao sucesso? Bem, mudemos para um tópico diferente, como os livros. O sucesso de um autor é medido através do número dos seus leitores. Desta forma, quando o meu livro anterior foi publicado em 2009, eu estava na Europa a falar com o meu editor, e queria saber: "Quem é a concorrência?" E havia alguma concorrência fabulosa. Nessa semana...
(Laughter)
(Risos)
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.
saiu o "Símbolo Perdido" de Dan Brown, e também "A Melodia do Adeus", de Nicholas Sparks. E quando se olha para a lista, percebe-se que, em termos de desempenho, não há nenhuma diferença entre esses livros e o meu. Certo? Por isso, se a equipa do Nicholas Sparks trabalhar um pouco mais, ele pode facilmente ser o número um, porque é quase por acidente chegar ao topo de vendas. Vamos olhar para os números. Eu sou uma pessoa dos dados, certo? Então, vamos ver quais foram as vendas do Nicholas Sparks. E acontece que naquela primeira semana, o Nicholas Sparks vendeu mais de cem mil cópias, o que é um número espetacular. De facto, é possível chegar ao topo dos best-sellers da lista do "New York Times" com 10 000 cópias por semana. por isso, ele multiplicou por dez o que necessitava para ser o número um. No entanto, ele não foi o número um. Porquê? Porque havia o Dan Brown, que vendeu 1,2 milhões de cópias nesse fim de semana.
(Laughter)
E a razão pela qual eu gosto deste número é porque mostra que, na verdade,
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.
no que toca ao sucesso, é ilimitado, e o melhor não consegue apenas ligeiramente mais do que o segundo melhor mas consegue resultados de maior amplitude, porque o sucesso é uma medida coletiva. Damos aos outros, em vez de conquistar através do nosso desempenho.
So one of things we realized is that performance, what we do, is bounded, but success, which is collective, is unbounded,
Assim, uma das coisas de que nos apercebemos é que o desempenho, o que fazemos, é limitado,
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?
mas o sucesso que é coletivo, é ilimitado. O que nos faz questionar: como conseguimos estas diferenças enormes no sucesso quando temos diferenças tão pequenas no desempenho? Recentemente, publiquei um livro dedicado, precisamente, a esta questão. E eles não me deram tempo suficiente para analisar tudo. Então, vou voltar à questão: "Ok, você tem sucesso: quando isso deve aparecer?"
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?
Então vamos voltar a quem estraga a festa e perguntar: "Porque é que Einstein fez aquela declaração ridícula, "de que 'só antes dos 30 se pode ser realmente criativo'?" Porque ele olhou à sua volta e viu todos aqueles incríveis cientistas que criaram a mecânica "quantum" e a física moderna, e eles tinham entre 20 e 30 anos quando o fizeram. E ele não foi o único. Não é só um a observação preconceituosa, porque existe mesmo um campo de pesquisa sobre génios que documentou o facto de que, se olharmos para as pessoas que admiramos do passado e virmos as idades em que fizeram as suas maiores contribuições — seja na música, seja na ciência ou na engenharia — na sua maior parte, estavam entre os 20, 30 e início dos 40, se tanto. Mas há um problema nesta pesquisa sobre génios. Bem, primeiro, criou em nós a impressão de que a criatividade é igual à juventude, o que é doloroso, certo?
(Laughter)
(Risos)
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.
E também há um preconceito na observação, porque apenas considera os génios e não os cientistas normais e não nos considera a todos nós e questiona: "É verdade que a criatividade desaparece à medida que envelhecemos?" Então, foi isso que tentámos fazer, e isto é importante para termos verdadeiras referências.
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.
Então vamos ver um cientista normal, como eu, e vamos ver a minha carreira. O que vemos aqui são todos os artigos que eu publiquei desde o primeiro, em 1989 — ainda estava na Roménia quando o fiz — até este ano. E, verticalmente, vocês veem o impacto desse artigo, o que é, quantas citações, quantos outros artigos citaram o meu trabalho. E quando vocês olham para ali, veem que a minha carreira teve três etapas diferentes. Os primeiros 10 anos quando eu tive de trabalhar muito sem reconhecimento. Ninguém se importava com o que eu fazia, pois não? (Risos) Não tinha quase nenhum impacto.
(Laughter)
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.
Nessa altura, eu estava a estudar a ciência dos materiais e descobri por mim mesmo as redes e comecei a publicar nas redes. Isso levou-me de um artigo de grande impacto a outro. Eu sentia-me muito bem. Aquela foi uma etapa da minha carreira.
(Laughter)
(Risos)
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 questão é: "O que acontece agora?" Nós não sabemos, porque ainda não passou tempo suficiente para descobrir o impacto desses artigos, isso leva tempo. Bem, quando olhamos para os dados, parece que Einstein, o investigador genial, está certo, estou na tal etapa da minha carreira.
(Laughter)
(Risos)
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.
Então, dissemos: "Ok, vamos descobrir como é que isso realmente acontece, "primeiro na ciência." De forma a não ter preconceito na seleção, considerando apenas os génios, nós acabámos por reconstruir a carreira de todos os cientistas de 1900 até hoje, e encontrar em cada cientista o que foi o seu melhor, tivesse ou não ganhado o prémio Nobel, ou se ninguém conhecer o que fez, mesmo o seu melhor. E é isso o que vocês veem aqui. Cada linha é uma carreira, e quando se tem um ponto azul em cima da carreira, significa que foi o seu melhor. E a pergunta é: "Quando é que eles tiveram a sua grande descoberta?" Para quantificar isso, vemos a probabilidade de se fazer a maior descoberta, digamos — com um, dois, três ou dez anos de carreira. Não estamos a olhar para a idade. Estamos a olhar para a "idade académica". A vossa idade académica começa ao publicarem o vosso primeiro artigo. Sei que alguns aqui são ainda bebés.
(Laughter)
(Risos)
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.
Vamos ver as probabilidades de publicarem o vosso artigo de maior impacto. O que vocês veem é que o investigador génio está certo. A maior parte dos cientistas publicam o artigo de maior impacto nos primeiros 10, 15 anos de carreira, e cai depois disso. Caem tão rápido, que estou há 30 anos na carreira, e a hipótese de eu publicar um artigo de maior impacto do que qualquer coisa que eu fiz antes, é menos de 1%. Estou nessa etapa da minha carreira, de acordo com esses dados. Mas tenho um problema com isso. Não estamos a fazer corretamente o controlo. Então o controlo deveria ser: "Como parece um cientista com contribuições ao acaso à ciência?" Ou: "Qual é a produtividade do cientista?" "Quando é que ele escreve os artigos?" Então calculámos a produtividade, e incrivelmente, a produtividade, a probabilidade de ele escrever um artigo no primeiro ano, no 10.º ou no 20.º ano de carreira é indistinguível da probabilidade do seu impacto na sua carreira.
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.
E, resumindo, depois de vários testes de estatística, há apenas uma explicação para isso: a forma como nós, cientistas, trabalhamos, é que cada artigo que escrevemos, cada projeto que fazemos, tem a mesma hipótese de ser o nosso melhor trabalho. Isto é, a descoberta é como um bilhete de lotaria. E quanto mais bilhetes de lotaria comprarmos, maiores serão as nossas hipóteses. E acontece que a maioria dos cientistas compra os bilhetes nos primeiros 10, 15 anos de carreira, e depois disso, a sua produtividade cai. Eles não compram mais bilhetes. Parece então que eles já não conseguem ser criativos. Na realidade, eles pararam de tentar. Quando juntamos todos os dados, a conclusão é muito simples: o sucesso pode surgir a qualquer momento. Pode ser o primeiro ou último artigo da sua carreira. É totalmente aleatório no espaço dos projetos. É a produtividade que muda.
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.
Deixem-me ilustrar. Aqui está Franck Wilczek, que recebeu o prémio Nobel de Física pelo primeiro artigo que escreveu na sua carreira com aluno de licenciatura.
(Laughter)
(Risos)
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.
Mais interessante é John Fenn, que, aos 70 anos, foi forçado a sair da Universidade de Yale. Eles fecharam o seu laboratório. Nesse momento, ele mudou-se para a Universidade de Virgínia, abriu outro laboratório, e, aos 72 anos, publicou um artigo pelo qual, 15 anos depois, recebeu o Nobel da Química.
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.
E vocês pensam: "Ok, a ciência é especial, "mas e as outras áreas em que precisamos de ser criativos?" Então, vamos a outro exemplo: o empreendedorismo. O Vale do Silício, terra da juventude, certo? Quando vocês olham para isso, descobrem que os grandes prémios, o TechCrunch Awards e outros, foram para pessoas entre os seus 20 e 30 anos. Vejam a quem é que as empresas de capital de risco dão dinheiro — só a pessoas de 30 e poucos anos. Claro que nós sabemos que há no Vale do Silício o hábito de associar a juventude ao sucesso. Não quando olhamos para os dados, porque não se trata apenas de formar uma empresa — formar uma empresa é produtividade, tentar, tentar, tentar — quando vemos qual desses indivíduos monta uma empresa de sucesso, uma venda de sucesso. Recentemente, um dos nossos colegas examinou precisamente essa questão. E verificou que sim, os indivíduos com 20 e 30 anos montaram um grande número de empresas, formaram muitas, mas a maioria delas faliu. E quando vemos as vendas de sucesso, constatamos que, quanto mais velhos, mais hipóteses têm de entrar na Bolsa ou de venderem a empresa com sucesso. Isso é forte, se vocês tiverem 50 anos, vocês têm duas vezes mais hipóteses de terem verdadeiro sucesso do que se tiverem 30 anos.
(Applause)
(Aplausos)
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 --
Então, afinal, o que é que nós vemos? Vemos que a criatividade não tem idade. A produtividade tem. O que me diz é que, no final das contas, se vocês continuarem a tentar...
(Laughter)
(Risos)
you could still succeed and succeed over and over. So my conclusion is very simple: I am off the stage, back in my lab.
podem acabar por ter sucesso atrás de sucesso. Então, a minha conclusão é simples: Estou fora do palco, volto para o meu laboratório.
Thank you.
Obrigado.
(Applause)
(Aplausos)