Today, actually, is a very special day for me, because it is my birthday.
Сегодня для меня особенный день, потому что у меня день рождения.
(Applause)
(Аплодисменты)
And so, thanks to all of you for joining the party.
И спасибо всем вам, что пришли на вечеринку.
(Laughter)
(Смех)
But every time you throw a party, there's someone there to spoil it. Right?
Но каждый раз, когда ты устраиваешь вечеринку, есть тот, кто её испортит. Так?
(Laughter)
(Смех)
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.
Я физик, и в этот раз я привёл другого физика с этой целью. Его зовут Альберт Эйнштейн — тоже Альберт, — и это именно он однажды сказал, что человек, который не сделал свой самый значимый вклад в науку до 30 лет, никогда уже этого не сделает.
(Laughter)
(Смех)
Now, you don't need to check Wikipedia that I'm beyond 30.
Что ж, вам не нужно проверять в Википедии, что мне уже за 30.
(Laughter)
(Смех)
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.
И самое главное, о чём это говорит мне и всем нам, — то, что в сфере науки я бесполезен. Но, к счастью, удачные периоды случались в моей карьере. В возрасте 28 или около того я стал интересоваться сетями, и несколько лет спустя мы опубликовали несколько ключевых статей об открытии безмасштабных сетей, что послужило началом новой дисциплины, которую мы сегодня называем наука о сетях. Если вам это интересно, то сейчас можно получить степень доктора науки о сетях в Будапеште, в Бостоне, вы можете изучать эту науку по всему миру.
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.
Несколько лет спустя, когда я переехал в Гарвард, будучи сначала в творческом отпуске, я заинтересовался ещё одним типом сетей: на этот раз взаимосвязями в нас самих: как гены, белки и метаболиты связаны друг с другом и как они связаны с болезнями. И этот интерес привел к ещё большему исследованию в медицине, в том числе и на кафедре Сетевой Медицины Гарвардского университета, где более 300 исследователей изучают эту сферу для лечения пациентов и разработки новых лекарств.
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.
Несколько лет назад я думал, что воспользуюсь идеей сетей и опытом, который мы получили, для применения в другой сфере с целью определения успеха. Почему мы так решили? Что ж, мы полагали, что в определённой степени наш успех определяется взаимосвязями, частью которых мы являемся, — то есть взаимосвязи могут как толкать нас вперёд, так и тянуть назад. И мне было интересно, сможем ли мы использовать знания, данные и опыт, приобретённые при развитии сетей, чтобы оценить, как происходят эти вещи.
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.
Вот что получилось в итоге. То, что вы видите здесь, — это сеть галерей в музеях, связанных друг с другом. И из этой карты, которую мы составили в прошлом году, мы можем достаточно точно предопределить успех художника, если вы покажите мне первых пять выставок в его или её карьере.
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.
В процессе исследования успеха мы поняли, что успех — это не только о взаимосвязях; существует множество других составляющих. Одна из таких составляющих, необходимых для успеха, — это ваши результаты. Итак, давайте определим, в чём разница между результатами и успехом. Результаты — это то, что вы делаете: как быстро вы бежите, какие картины вы пишите, какие статьи вы публикуете. Тем не менее, в нашей рабочей терминологии, успех — это то, что общество замечает из того, что вы делаете, из ваших результатов. Как оно их отмечает и как вас за них награждает? Другими словами, ваши результаты — о вас, а ваш успех — о всех нас. И это было для нас очень важным открытием, потому что именно когда мы определили, что успех это коллективная мера, которую нам даёт общество, успех стал измеряемым, потому что если он находится в сфере общества, об этом есть множество данных. Итак, мы ходим в школу, мы тренируемся, мы практикуемся, потому что верим, что результаты приводят к успеху. Но в начале наших исследований мы поняли, что результаты и успех — это очень очень разные существа с математической точки зрения этого исследования. Давайте я наглядно это покажу.
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.
Итак, вы видите здесь самого быстрого человека на земле, Усейна Болта. И конечно же, он выигрывает большинство соревнований, в которых участвует. И мы знаем, что он самый быстрый на земле, благодаря хронометру для измерения скорости. Интересен тот факт, что когда он выигрывает, так происходит не потому, что он значительно опережает соперников. Он бежит максимум на процент быстрее, чем человек, который проигрывает гонку. И он не только бежит всего на 1 процент быстрее, чем второй участник, но также он не бежит в 10 раз быстрее, чем я — и, поверьте, я не лучший бегун.
(Laughter)
(Смех)
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.
И каждый раз, когда мы можем измерить результаты, мы замечаем кое-что интересное: а именно то, что результаты ограничены. Это значит, что у людей нет значительной разницы в результатах. Она колеблется в пределах узкого коридора значений, и нам нужен хронометр, чтоб определять эти расхождения. Это не означает, что мы не можем отличить хороших от наилучших, но самых лучших очень трудно определить. И проблема в том, что большинство из нас работает в сферах, где нет хронометра для измерения наших результатов.
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 --
Хорошо, результаты ограничены, и между нами не существует значительных расхождений в отношении результатов. А как насчёт успеха? Что ж, давайте перейдём к другой теме, например, к книгам. Один из критериев успеха среди писателей — количество людей, читающих твои работы. Так что когда моя предыдущая книга вышла в 2009 году, я был в Европе, общался с редактором и поинтересовался: кто мои конкуренты? Среди них были великолепные писатели. На той неделе...
(Laughter)
(Смех)
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.
Дэн Браун выпустил «Утраченный символ», а также вышла в свет »Последняя Песня» Николаса Спаркса. И если вы просто взглянете на список, вы поймёте, что глядя на результат, вряд ли найдутся расхождения между этими книгами и моей. Правильно? Поэтому, возможно, если бы команда Николаса Спаркса работала усерднее, он с лёгкостью стал бы номером один, потому что оказаться лидером было практически случайностью. Итак, давайте взглянем на цифры — я человек чисел, так ведь? Давайте посмотрим на продажи Николаса Спаркса. И оказывается, за первую неделю Николас Спаркс продал более ста тысяч экземпляров, и это поразительное количество! Вообще-то, можно попасть в лидеры списка бестселлеров «New York Times», продавая 10 000 экземпляров в неделю, то есть он в 10 раз превысил норму, необходимую, чтобы стать номером один. Но он не стал номером один. Почему? Потому что был ещё Дэн Браун, который продал 1.2 миллиона экземпляров за неделю.
(Laughter)
(Смех)
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.
И мне эта цифра нравится потому, что она доказывает: успех безграничен, и самый лучший не просто получает слегка больше, чем второй лучший, он получает несоизмеримо больше, потому что успех — это коллективная мера. Мы определяем его за них, а не они зарабатывают его своими результатами.
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?
Итак, одна вещь, которую мы поняли, это то, что результаты ограничены, а успех, будучи коллективным, неограничен, и это заставляет задуматься: как мы получаем эти огромные расхождения в успехе, если у нас минимальные различия в результатах? Недавно я выпустил книгу, посвящённую именно этому вопросу. И мне не дали достаточно времени, чтобы изложить всё, поэтому я вернусь к такому вопросу: хорошо, к вам пришёл успех; когда это случилось?
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?
давайте вернёмся к спойлеру нашей вечеринки и спросим себя: почему Эйнштейн сделал это смешное заявление о том, что только до 30 лет вы можете быть креативным? А всё потому, что, оглядываясь вокруг, он видел этих удивительных физиков, которые создали квантовую механику и современную физику, когда им было 20–30 лет или немного за 30. И не только он. И это не просто ошибка наблюдения, потому что на самом деле существует масса гениальных исследований, в которых задокументирован факт того, что если посмотреть на всеми любимых исторических личностей и обратить внимание возраст, в котором они сделали свой самый большой вклад — будь-то в музыку, или в науку, или в инженерию, — большинство из них сделали это в возрасте после 20, 30 или максимум около 40. Но есть одна проблема в этом гениальном исследовании. Во-первых, оно создаёт впечатление, что креативность равняется молодости, а это прискорбно осознавать, так?
(Laughter)
(Смех)
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.
А также в нём есть ошибка наблюдения, потому что оно затрагивает только гениев, но не берёт во внимание рядовых учёных, не учитывает всех нас и не интересуется, правда ли, что с годами креативность исчезает? Это именно то, что мы пытались сделать, и это важно для получения источников информации.
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.
Итак, давайте взглянем на обыкновенного учёного, как я, и посмотрим на мою карьеру. Здесь вы видите материалы, которые я опубликовал, начиная с моей первой статьи в 1989 году — я тогда жил в Румынии, и до сегодняшнего дня. А по вертикали вы можете видеть влияние моей работы, а именно, сколько цитат, сколько других материалов, цитирующих мою работу, было написало. И если вы посмотрите на это, вы увидите, что в моей карьере выделяются три разных периода. Это первые 10 лет, когда я активно работал, но не многого достиг. Кажется, никому нет дела до моих исследований, так? Влияния практически нет.
(Laughter)
(Смех)
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.
В то время я занимался материаловеденьем, а потом я открыл для себя сети и начал писать о науке о сетях. И это привело к публикации влиятельных работ, одна за другой. Это было действительно хорошо. Вот этот период в моей карьере.
(Laughter)
(Смех)
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.
Но вопрос в том, что же происходит сейчас? Мы ещё не знаем, потому что прошло не достаточно времени, чтобы определить степень влияния этих материалов; для этого нужно время. Когда вы смотрите на данные, кажется, что Эйнштейн, гениальный учёный, прав, и я на том самом этапе свой карьеры.
(Laughter)
(Смех)
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.
И поэтому мы решили: ладно, давайте определим, как же всё происходит, для начала в науке. И чтобы исключить ошибку выборки при рассмотрении только гениев, мы решили проследить за карьерами каждого учёного, начиная с 1900 года до сегодняшнего дня, и исследовать максимальные достижения каждого из них, несмотря на то, получили они Нобелевскую Премию или нет, и даже если никто не знает ни чем они занимались, ни об их лучших результатах. И вот что показывает этот слайд. Каждая линия это карьера, а голубая точка на вершине карьеры говорит о том, что это лучшие результаты. И вопрос в том, когда они сделали самые большие открытия? Чтобы это определить, мы смотрим на то, какова вероятность, что вы сделаете своё лучшее открытие в первый, второй, третий или 10-й год вашей карьеры. Мы не учитываем возраст. Мы смотрим на «академический возраст». Ваш академический возраст начинается с публикации вашей первой статьи. Знаю, кое-кто из вас всё ещё малыши.
(Laughter)
(Смех)
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.
Итак, давайте взглянем на вероятность издания вашей самой влиятельной работы. И то, что мы видим, подтверждает: гениальное исследование верное. Большинство учёных склонны издавать самые влиятельные материалы в первые 10, 15 лет своей карьеры, а дальше идёт на спад. И спад настолько стремительный, что в мои 30 лет в професии шанс того, что я выпущу исследование, которое будет иметь большее влияние, чем всё, что я делал раньше, равен менее одному проценту. Я вот на этом этапе своей карьеры, согласно этим данным. Но тут кроется проблема. Мы не достаточно качественно осуществляем проверку. Проверка должна быть такой: как выглядит учёный, который делает случайный вклад в науку? Или какова продуктивность учёного? Когда они пишут свои статьи? Что ж, мы измерили продуктивность, и вот что удивительно: продуктивность, то есть вероятность написания работы в первый, 10 или 20 год вашей карьеры не отличается от вероятности стать влиятельным в тот же период вашей карьеры.
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.
Одним словом, после череды статистических тестов есть только одно объяснение этому: на самом деле, то, как мы, учёные, работаем, любая статья, которую мы публикуем, любой проект, в котором мы участвуем, имеет абсолютно одинаковые шансы стать нашим наилучшим результатом. А значит, открытие — как лотерейный билет. И чем больше лотерейных билетов мы покупаем, тем выше наши шансы. И так случилось, что большинство учёных покупают большинство лотерейных билетов в первые 10, 15 лет своей карьеры, а дальше их продуктивность снижается. Больше они не покупают лотерейных билетов. И кажется, что они больше не креативны. На самом же деле они прекращают пробовать. Что ж, если мы соберём все данные вместе, вывод будет очень простым: успех может прийти в любое время. Это может быть как первая, так и последняя работа в вашей карьере. Это абсолютно случайный выбор в среде проектов. Меняется только продуктивность.
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.
Давайте я проиллюстрирую. Это Фрэнк Вильчек, который получил Нобелевскую Премию по физике за самую первую работу в своей карьере, которую он написал, будучи аспирантом.
(Laughter)
(Смех)
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.
Ещё более интересный пример — Джон Фенн, которого в возрасте 70 лет принудительно отправили на пенсию Йельский Университет. Они закрыли его лабораторию, и тогда же он перебрался в Университет Содружества Виргинии, открыл там другую лабораторию и именно там, в возрасте 72 лет, опубликовал статью, за которую 15 лет спустя ему была присуждена Нобелевская Премия по химии.
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.
Вы думаете, да ладно, наука это специфическая область, как насчёт других сфер, где нам нужно быть креативными? Что ж, давайте рассмотрим ещё один типичный пример: предпринимательство. Силиконовая долина — земля молодых, правда ведь? И действительно, если вы посмотрите, вы увидите, что самые большие награды, награды TechCrunch и другие, получают люди, средний возраст которых около 30 лет. Кому дают деньги венчурные фонды, крупнейшие венчурные фирмы, — им всем немного за 30. Вот то, что мы знаем; в Силиконовой Долине присутствует этот дух, что молодость равна успеху. Не когда вы смотрите на цифры, потому что дело не только в создании компании — создание компании, как продуктивность, нужно пробовать, пробовать, — а когда вы смотрите на тех, кто, собственно, основывает успешную компанию или удачно закрывает бизнес. А недавно некоторые наши коллеги обратили внимание именно на этот вопрос. И оказалось, что да, тем, кому 20–30 лет, основывают огромное количество компаний, создают множество компаний, но большинство становятся банкротами. И если вы посмотрите на успешно завершённые операции, вы увидите, что чем вы старше, тем вероятнее вы преуспеете на фондовом рынке или удачно продадите компанию. И это правда: если вам за 50, то вероятность успешного закрытия бизнеса для вас в два раза выше, чем если бы вам было за 30.
(Applause)
(Аплодисменты)
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 --
Итак, напоследок, что же мы, собственно, видим? А видим мы то, что креативность не имеет возраста. А продуктивность имеет, так ведь? Что подсказывает мне, что в конце концов, если вы продолжите пробовать...
(Laughter)
(Смех)
you could still succeed and succeed over and over. So my conclusion is very simple: I am off the stage, back in my lab.
вы сможете преуспеть и будете преуспевать снова и снова. Мой вывод очень прост: я ухожу со сцены и спешу в свою лабораторию.
Thank you.
Спасибо!
(Applause)
(Аплодисменты)