Today, actually, is a very special day for me, because it is my birthday.
Hoje é um dia muito especial para mim, porque é meu aniversário.
(Applause)
(Aplausos)
And so, thanks to all of you for joining the party.
Obrigado a todos vocês por participarem da festa.
(Laughter)
(Risos)
But every time you throw a party, there's someone there to spoil it. Right?
Mas toda vez que damos uma festa, tem alguém lá para estragar tudo, não é?
(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. Desta vez, trouxe outro físico para fazer isso. O nome dele é Albert Einstein, meu xará, e foi ele quem disse que uma pessoa que não fez contribuições importantes à ciência até os 30 anos de idade nunca fará.
(Laughter)
(Risos)
Now, you don't need to check Wikipedia that I'm beyond 30.
Vocês não precisam consultar a Wikipédia para saber que tenho mais de 30.
(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.
Na realidade, ele está nos dizendo que, quando se trata de minha ciência, sou inútil. Felizmente, tive minha quota de sorte na carreira. Por volta dos 28 anos, fiquei muito interessado por redes e, alguns anos depois, conseguimos publicar alguns artigos importantes que informaram a descoberta de redes sem escala e deram origem a uma nova disciplina que chamamos hoje de ciência das redes. Se vocês se importarem com isso, poderão obter um PhD em ciência das redes em Budapeste, em Boston, e estudar no mundo todo.
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.
Alguns anos mais tarde, quando me mudei para Harvard primeiro como um ano sabático, eu me interessei por outro tipo de rede: naquela época, as redes dentro de nós mesmos, como os genes, as proteínas e os metabólitos se ligam uns aos outros e como se conectam a doenças. Esse interesse levou a um crescimento importante dentro da medicina, que inclui a Network Medicine Division de Harvard, com mais de 300 pesquisadores que usam essa perspectiva para tratar pacientes 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.
Alguns anos atrás, pensei em aproveitar essa ideia de redes e nosso conhecimento em redes em uma área diferente, isto é, para entender o sucesso. Por que fizemos isso? Pensamos que, até certo ponto, nosso sucesso é determinado pelas redes das quais fazemos parte, que nossas redes podem nos impulsionar ou nos deter. Eu estava curioso se poderíamos usar o conhecimento, o "big data" e a competência do desenvolvimento das redes para quantificar como essas 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.
Este é um resultado disso. Vemos aqui uma rede de galerias em museus que se conectam entre si. Por meio deste mapa, elaborado no ano passado, podemos prever com muita precisão o sucesso de um artista se tivermos as primeiras cinco exposições de 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.
Quando pensamos em sucesso, percebemos que o sucesso não se trata apenas de redes; há muitas outras dimensões envolvidas. Uma das coisas que precisamos para o sucesso, obviamente, é o desempenho. Vamos definir qual é a diferença entre desempenho e sucesso. Desempenho é o que você faz: a velocidade a que você corre, o tipo de quadros que você pinta, o tipo de artigos que você publica. Contudo, em nossa definição de trabalho, o sucesso se trata do que a comunidade percebe a partir do que você fez, do seu desempenho: como ela reconhece e recompensa você por isso. Em outros termos, seu desempenho trata-se de você, mas seu sucesso trata-se de todos nós. Essa foi uma mudança muito importante para nós, porque, quando definimos o sucesso como uma medida coletiva que a comunidade nos fornece, ele se tornou mensurável, porque, se estiver na comunidade, haverá vários pontos de dados a respeito. Então, vamos à escola, fazemos exercícios, praticamos, porque acreditamos que o desempenho leva ao sucesso. Mas, da maneira que começamos a explorar, percebemos que desempenho e sucesso são coisas muito diferentes quando se trata da matemática do problema. Darei um exemplo.
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.
Vemos aqui o homem mais rápido do mundo, Usain Bolt. É claro que ele vence a maioria das competições das quais participa. Sabemos que ele é o mais rápido porque temos um cronômetro para medir a velocidade. O interessante sobre ele é que, quando vence, ele não vence superando os adversários de modo significativo. Ele corre, no máximo, 1% mais rápido do que quem perde a corrida. Não só corre 1% mais rápido do que o segundo lugar, como também não corre dez vezes mais rápido do que eu. E não sou bom corredor, 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.
Sempre que conseguimos medir o desempenho, notamos algo muito interessante: o desempenho é limitado. Isso significa que não há grandes variações no desempenho humano. Varia apenas em um intervalo estreito, e precisamos do cronômetro para medir as diferenças. Não significa que não conseguimos diferenciar os bons dos melhores, mas é muito difícil distinguir os melhores. O problema é que a maioria de nós trabalha em áreas sem cronômetro para medir 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 --
Tudo bem, o desempenho é limitado. Não há grandes diferenças entre nós quando se trata de nosso desempenho. E quanto ao sucesso? Vamos mudar para um assunto diferente, como livros. Uma medida de sucesso para os escritores é a quantidade de leitores de sua obra. Quando meu livro anterior foi lançado, em 2009, eu estava na Europa falando com o editor e fiquei interessado: "Quem eram meus concorrentes?" Havia alguns incríveis. Naquela 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.
Dan Brown lançou "O Símbolo Perdido", e "A Última Música" também foi lançado, de Nicholas Sparks. Quando analisamos a lista, percebemos que, em termos de desempenho, quase não há diferença entre esses livros ou os meus. Certo? Talvez se a equipe de Nicholas Sparks trabalhasse um pouco mais, ele poderia facilmente ficar em primeiro, porque é quase por acidente acabar no topo da lista. Eu disse: "Vamos analisar os números", pois sou uma pessoa de dados. Vejamos quais foram as vendas para Nicholas Sparks. Acontece que, no fim de semana inicial, Nicholas Sparks vendeu mais de 100 mil cópias, o que é um número incrível. É possível chegar ao topo da lista dos mais vendidos do "New York Times" com a venda de 10 mil cópias por semana. Ele superou em dez vezes o necessário para ficar em primeiro. Mas ele não ficou em primeiro. Por quê? Porque Dan Brown tinha vendido 1,2 milhão de cópias naquele final de semana.
(Laughter)
(Risos)
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.
Gosto dessas quantidades porque mostram que, realmente, quando se trata de sucesso, ele é ilimitado, que o melhor não é apenas um pouco maior do que o segundo melhor, mas recebe mais ordens de grandeza, porque o sucesso é uma medida coletiva. Nós o atribuímos a elas, em vez de merecê-lo por nosso desempenho.
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?
Percebemos que desempenho, que é o que fazemos, é limitado, mas sucesso, que é coletivo, é ilimitado, o que nos faz pensar: "Como obtemos essas enormes diferenças de sucesso quando temos diferenças tão pequenas no desempenho?" Recentemente lancei um livro dedicado a essa mesma pergunta. Eles não me deram tempo suficiente para examinar tudo isso. Voltarei à pergunta: certo, você tem sucesso; quando isso deveria 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?
Vamos voltar ao "spoiler" do grupo e nos perguntar: "Por que Einstein fez essa declaração ridícula, de que, somente antes dos 30 anos, poderíamos ser criativos?" Porque ele se viu rodeado de todos esses físicos incríveis que criaram a mecânica quântica e a física moderna, e estavam todos na faixa dos 20 e início dos 30 anos quando fizeram isso. E não é apenas ele. Não é só um viés de observação, porque há uma área completa de pesquisa sobre gênios que documentou o fato de que, se analisarmos as pessoas que admiramos no passado, e depois examinarmos a idade em que fizeram sua maior contribuição, seja na música, na ciência ou na engenharia, a maioria delas estava na faixa dos 20, 30, início dos 40 anos, no máximo. Mas há um problema com essa pesquisa sobre gênios. Em primeiro lugar, ela nos deu a impressão de que criatividade é igual a juventude, o que é doloroso, não é mesmo?
(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.
Também tem um viés de observação, porque só analisa gênios e não cientistas comuns e não analisa todos nós e pergunta: "É verdade que a criatividade desaparece à medida que envelhecemos?" É exatamente o que tentamos fazer, e é importante ter 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.
Vamos analisar um cientista comum, como eu, e minha carreira. Vemos aqui todos os artigos que publiquei desde meu primeiro, em 1989, quando eu ainda estava na Romênia, até este ano. Verticalmente, vemos o impacto do artigo, ou seja, quantas citações, quantos outros artigos escritos citaram esse trabalho. Nessa análise, vemos que minha carreira tem cerca de três fases diferentes. Nos primeiros dez anos, tive que trabalhar muito e não consegui muito. Ninguém parece se importar com o que faço. Quase não há impacto.
(Laughter)
(Risos)
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.
Naquela época, eu estava fazendo ciência dos materiais, e então descobri redes por mim mesmo e comecei a publicar em redes. Isso levou de um artigo de alto impacto para outro. Eu me senti bem nessa fase de 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 pergunta é: "E agora?" Não sabemos, porque ainda não houve tempo suficiente para descobrir o impacto desses artigos. Leva tempo para saber. Quando analisamos os dados, parece que Einstein e a pesquisa sobre gênios estavam certos, e estou nessa fase de 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.
Dissemos: "Tudo bem, vamos descobrir como isso realmente acontece, primeiro na ciência". Para não ter o viés de seleção, analisar apenas gênios, acabamos reconstruindo a carreira de cada cientista de 1900 até hoje e descobrindo para todos eles sua melhor conquista, se ganharam o Prêmio Nobel ou não, ou ninguém sabe o que fizeram, nem mesmo sua melhor conquista. É o que vemos neste slide. Cada linha é uma carreira, e um ponto azul claro no topo da carreira indica a melhor conquista. A pergunta é: "Quando eles, na verdade, fizeram sua maior descoberta?" Para quantificar, analisamos a probabilidade de fazermos nossa maior descoberta em, digamos, um, dois, três ou dez anos em nossa carreira? Não estamos analisando a idade real, mas o que chamamos de "idade acadêmica". Nossa idade acadêmica começa ao publicarmos nossos primeiros artigos. Sei que alguns de vocês ainda são bebês.
(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 analisar a probabilidade de publicarmos nosso artigo de maior impacto. Vemos que, de fato, a pesquisa sobre gênios está certa. A maioria dos cientistas tende a publicar seu artigo de maior impacto nos primeiros 10, 15 anos de carreira, e há um declínio após esse período. É tão rápido que estou prestes... tenho exatamente 30 anos de carreira, e a chance de eu publicar um artigo que tenha um impacto maior do que qualquer coisa que fiz antes é de menos de 1%. Estou nessa fase de minha carreira, segundo esses dados. Mas há um problema. Não estamos controlando adequadamente. O controle seria: "Como seria um cientista que faz contribuições aleatórias para a ciência?" "Ou qual é a produtividade do cientista?" "Quando eles escrevem artigos?" Assim medimos a produtividade e, surpreendentemente, a produtividade, a probabilidade de escrever um artigo no primeiro, décimo ou vigésimo ano de carreira é indistinguível da probabilidade de ter o impacto naquela parte de nossa 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.
Para encurtar a história, depois de muitos testes estatísticos, só há uma explicação para isso: nós, cientistas, trabalhamos de modo que cada artigo que escrevemos, cada projeto que fazemos, tenha exatamente a mesma chance de ser nossa melhor conquista. Ou seja, a descoberta é como um bilhete de loteria. Quanto mais bilhetes de loteria compramos, maiores são nossas chances, tanto que a maioria dos cientistas compra a maioria dos bilhetes de loteria nos primeiros 10, 15 anos de carreira. Depois disso, sua produtividade diminui. Eles deixam de comprar bilhetes de loteria e parece que não são criativos. Na realidade, eles pararam de tentar. Quando reunimos os dados, a conclusão é muito simples: "O sucesso pode vir a qualquer momento". Pode ser o primeiro ou o último artigo de 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.
Darei um exemplo. Este é Frank Wilczek, que recebeu o Prêmio Nobel de Física pelo primeiro artigo que escreveu na carreira como aluno de pós-graduação.
(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 aposentado à força pela Universidade Yale. Fecharam o laboratório dele e, naquele momento, ele se mudou para a Virginia Commonwealth University, abriu outro laboratório, e foi lá, aos 72 anos, que publicou um artigo pelo qual, 15 anos depois, recebeu o Prêmio Nobel de 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.
Pensamos: "Tudo bem, a ciência é especial, mas e quanto a outras áreas em que precisamos ser criativos?" Darei outro exemplo típico: empreendedorismo. Vale do Silício, a terra da juventude, não é mesmo? De fato, ao analisarmos, percebemos que os maiores prêmios, como o TechCrunch Awards, e outros, estão todos destinados a pessoas com idade média no final dos 20 e bem no início dos 30 anos. Analisamos a quem os capitalistas de risco dão o dinheiro, algumas das maiores empresas de capital de risco, todas as pessoas com pouco mais de 30 anos. Sabemos, é claro, que há uma crença no Vale do Silício de que juventude é igual a sucesso. Isso não ocorre quando analisamos os dados, porque não se trata apenas de formar uma empresa, que é semelhante à produtividade: tentar, tentar, tentar, quando analisamos quais desses indivíduos criam uma empresa e uma saída de sucesso. Recentemente, alguns de nossos colegas analisaram exatamente essa questão. Acontece que pessoas na faixa dos 20 e 30 anos criam um número enorme de empresas, mas a maioria delas quebra. Quando analisamos as saídas bem-sucedidas, vemos, nesse enredo em particular, que, quanto maior a idade, maior a chance de conquistar o mercado de ações ou a venda da empresa com sucesso. Isso é tão forte que, se você estiver na faixa dos 50 anos, terá duas vezes mais chances de ter uma saída bem-sucedida do que se estiver na faixa dos 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 --
Finalmente, o que vemos na verdade? Vemos que criatividade não tem idade. Produtividade sim, certo? Isso me diz que, no final, se continuarmos tentando,
(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.
ainda podemos ter cada vez mais sucesso. Minha conclusão é muito simples: saio do palco, de volta ao meu laboratório.
Thank you.
Obrigado.
(Applause)
(Aplausos)