ABOUT THE SPEAKER
Geoffrey West - Theorist
Physicist Geoffrey West believes that complex systems from organisms to cities are in many ways governed by simple laws -- laws that can be discovered and analyzed.

Why you should listen

Trained as a theoretical physicist, Geoffrey West has turned his analytical mind toward the inner workings of more concrete things, like ... animals. In a paper for Science in 1997, he and his team uncovered what he sees as a surprisingly universal law of biology — the way in which heart rate, size and energy consumption are related, consistently, across most living animals. (Though not all animals: “There are always going to be people who say, ‘What about the crayfish?’ " he says. “Well, what about it? Every fundamental law has exceptions. But you still need the law or else all you have is observations that don’t make sense.")

A past president of the multidisciplinary Santa Fe Institute (after decades working  in high-energy physics at Los Alamos and Stanford), West now studies the behavior and development of cities. In his newest work, he proposes that one simple number, population, can predict a stunning array of details about any city, from crime rate to economic activity. It's all about the plumbing, he says, the infrastructure that powers growth or dysfunction. His next target for study: corporations.

He says: "Focusing on the differences [between cities] misses the point. Sure, there are differences, but different from what? We’ve found the what."

More profile about the speaker
Geoffrey West | Speaker | TED.com
TEDGlobal 2011

Geoffrey West: The surprising math of cities and corporations

Τζέφρι Γουέστ: Τα αναπάντεχα μαθηματικά των πόλεων και των επιχειρήσεων.

Filmed:
1,583,030 views

Ο φυσικός Τζέφρι Γουέστ έχει ανακαλύψει ότι απλοί μαθηματικοί κανόνες κυβερνούν τις ιδιότητες των πόλεων-- ότι ο πλούτος, η εγκληματικότητα, η ταχύτητα βαδίσματος και πολλές άλλες πτυχές μιας πόλης μπορούν να συναχθούν από ένα μόνο αριθμό: τον πληθυσμό της πόλης. Σ´αυτή την καταπληκτική ομιλία στο TEDGlobal δείχνει πώς δουλεύει και πώς παρόμοιοι κανόνες ισχύουν για οργανισμούς και επιχειρήσεις.
- Theorist
Physicist Geoffrey West believes that complex systems from organisms to cities are in many ways governed by simple laws -- laws that can be discovered and analyzed. Full bio

Double-click the English transcript below to play the video.

00:16
CitiesΠόλεις are the crucibleχωνευτήριο of civilizationπολιτισμός.
0
1000
3000
Οι πόλεις είναι οι χοάνες του πολιτισμού.
00:19
They have been expandingεπέκταση,
1
4000
2000
Διευρύνονται,
00:21
urbanizationαστικοποίηση has been expandingεπέκταση,
2
6000
2000
η αστικοποίηση διευρύνεται,
00:23
at an exponentialεκθετικός rateτιμή in the last 200 yearsχρόνια
3
8000
2000
με εκθετικό ρυθμό τα τελευταία 200 χρόνια,
00:25
so that by the secondδεύτερος partμέρος of this centuryαιώνας,
4
10000
3000
έτσι ώστε στο δεύτερο μισό αυτού του αιώνα
00:28
the planetπλανήτης will be completelyεντελώς dominatedκυριαρχούσε
5
13000
2000
ο πλανήτης θα κυριαρχείται εντελώς
00:30
by citiesπόλεις.
6
15000
3000
από πόλεις.
00:33
CitiesΠόλεις are the originsπροέλευση of globalπαγκόσμια warmingθέρμανση,
7
18000
3000
Στις πόλεις οφείλονται αρχικά το φαινόμενο του θερμοκηπίου,
00:36
impactεπίπτωση on the environmentπεριβάλλον,
8
21000
2000
οι επιπτώσεις στο περιβάλλον,
00:38
healthυγεία, pollutionρύπανση, diseaseασθένεια,
9
23000
3000
στην υγεία, η μόλυνση, οι ασθένειες,
00:41
financeχρηματοδότηση,
10
26000
2000
τα οικονομικά
00:43
economiesοικονομίες, energyενέργεια --
11
28000
3000
οι οικονομίες, η ενέργεια --
00:46
they're all problemsπροβλήματα
12
31000
2000
είναι όλα προβλήματα
00:48
that are confrontedαντιμέτωποι by havingέχοντας citiesπόλεις.
13
33000
2000
που έρχονται αντιμέτωπα με την ύπαρξη πόλεων.
00:50
That's where all these problemsπροβλήματα come from.
14
35000
2000
Από εκεί προέρχονται όλα αυτά τα προβλήματα.
00:52
And the tsunamiτσουνάμι of problemsπροβλήματα that we feel we're facingαντιμέτωπος
15
37000
3000
Και το τσουνάμι των προβλημάτων που πιστεύουμε ότι αντιμετωπίζουμε
00:55
in termsόροι of sustainabilityβιωσιμότητα questionsερωτήσεις
16
40000
2000
σχετικά με ζητήματα αειφορίας,
00:57
are actuallyπράγματι a reflectionαντανάκλαση
17
42000
2000
είναι στην πραγματικότητα μια αντανάκλαση
00:59
of the exponentialεκθετικός increaseαυξάνουν
18
44000
2000
της εκθετικής αύξησης
01:01
in urbanizationαστικοποίηση acrossαπέναντι the planetπλανήτης.
19
46000
3000
στην αστικοποίηση σε όλον τον πλανήτη.
01:04
Here'sΕδώ είναι some numbersαριθμούς.
20
49000
2000
Εδώ έχω κάποια νούμερα.
01:06
Two hundredεκατό yearsχρόνια agoπριν, the UnitedΕνωμένοι StatesΚράτη μέλη
21
51000
2000
Διακόσια χρόνια πριν, οι Ηνωμένες Πολιτείες
01:08
was lessπιο λιγο than a fewλίγοι percentτοις εκατό urbanizedαστικοποιημένη.
22
53000
2000
ήταν λιγότερο από ένα μικρό ποσοστό αστικοποιημένες.
01:10
It's now more than 82 percentτοις εκατό.
23
55000
2000
Τώρα είναι περισσότερο από 82 τοις εκατό.
01:12
The planetπλανήτης has crossedπέρασε the halfwayστα μέσα του δρόμου markσημάδι a fewλίγοι yearsχρόνια agoπριν.
24
57000
3000
Ο πλανήτης έχει περάσει το μέσο της διαδρομής πριν μερικά χρόνια.
01:15
China'sΤης Κίνας buildingΚτίριο 300 newνέος citiesπόλεις
25
60000
2000
Η Κίνα θα χτίσει 300 καινούριες πόλεις
01:17
in the nextεπόμενος 20 yearsχρόνια.
26
62000
2000
μέσα στα επόμενα 20 χρόνια.
01:19
Now listen to this:
27
64000
2000
Και τώρα ακούστε αυτό:
01:21
EveryΚάθε weekεβδομάδα for the foreseeableπροβλέψιμες futureμελλοντικός,
28
66000
3000
Κάθε βδομάδα στο εγγύς μέλλον,
01:24
untilμέχρις ότου 2050,
29
69000
2000
μέχρι το 2050,
01:26
everyκάθε weekεβδομάδα more than a millionεκατομμύριο people
30
71000
2000
περισσότερο από ένα εκατομμύριο άνθρωποι
01:28
are beingνα εισαι addedπρόσθεσε to our citiesπόλεις.
31
73000
2000
θα προστίθενται στις πόλεις μας.
01:30
This is going to affectεπηρεάζουν everything.
32
75000
2000
Αυτό θα επηρεάσει τα πάντα.
01:32
EverybodyΟ καθένας in this roomδωμάτιο, if you stayδιαμονή aliveζωντανός,
33
77000
2000
Όλοι σε αυτό το δωμάτιο, αν μείνετε ζωντανοί,
01:34
is going to be affectedεπηρεάζονται
34
79000
2000
θα επηρεαστούν
01:36
by what's happeningσυμβαίνει in citiesπόλεις
35
81000
2000
από αυτό που συμβαίνει στις πόλεις
01:38
in this extraordinaryέκτακτος phenomenonφαινόμενο.
36
83000
2000
σ᾽αυτό το εντυπωσιακό φαινόμενο.
01:40
HoweverΩστόσο, citiesπόλεις,
37
85000
3000
Εν τούτοις, οι πόλεις,
01:43
despiteπαρά havingέχοντας this negativeαρνητικός aspectάποψη to them,
38
88000
3000
παρόλο που έχουν αυτή την αρνητική όψη,
01:46
are alsoεπίσης the solutionλύση.
39
91000
2000
αποτελούν επίσης και τη λύση.
01:48
Because citiesπόλεις are the vacuumκενό cleanersΚαθαριστικά and the magnetsμαγνήτες
40
93000
4000
Γιατί οι πόλεις είναι οι ηλεκτρικές σκούπες και οι μαγνήτες
01:52
that have suckedαναρροφάται up creativeδημιουργικός people,
41
97000
2000
που έχουν ρουφήξει όλους τους δημιουργικούς ανθρώπους,
01:54
creatingδημιουργώντας ideasιδέες, innovationκαινοτομία,
42
99000
2000
που παράγουν ιδέες, καινοτομία,
01:56
wealthπλούτος and so on.
43
101000
2000
πλούτο και ούτω καθεξής.
01:58
So we have this kindείδος of dualδιπλός natureφύση.
44
103000
2000
Έτσι έχουμε αυτή τη διπλή φύση.
02:00
And so there's an urgentεπείγων need
45
105000
3000
Και επομένως υπάρχει μια επιτακτική ανάγκη
02:03
for a scientificεπιστημονικός theoryθεωρία of citiesπόλεις.
46
108000
4000
για μια επιστημονική θεωρία των πόλεων.
02:07
Now these are my comradesσύντροφοι in armsόπλα.
47
112000
3000
Αυτοί είναι οι σύντροφοί μου.
02:10
This work has been doneΈγινε with an extraordinaryέκτακτος groupομάδα of people,
48
115000
2000
Αυτή η δουλειά εχει γίνει με μια εξαιρετική ομάδα ανθρώπων,
02:12
and they'veέχουν doneΈγινε all the work,
49
117000
2000
αυτοί έχουν κάνει όλη τη δουλειά,
02:14
and I'm the great bullshitterbullshitter
50
119000
2000
κι εγώ είμαι ο μεγάλος παπαρολόγος
02:16
that triesπροσπαθεί to bringνα φερεις it all togetherμαζί.
51
121000
2000
που προσπαθεί να τα συγκεντρώσει.
02:18
(LaughterΤο γέλιο)
52
123000
2000
(Γέλια)
02:20
So here'sεδώ είναι the problemπρόβλημα: This is what we all want.
53
125000
2000
Οπότε ορίστε το πρόβλημα: Αυτό είναι που θέλουμε όλοι.
02:22
The 10 billionδισεκατομμύριο people on the planetπλανήτης in 2050
54
127000
3000
Τα 10 δισεκατομμύρια ανθρώπων στον πλανήτη το 2050
02:25
want to liveζω in placesθέσεις like this,
55
130000
2000
θέλουν να ζουν σε μέρη σαν κι αυτό,
02:27
havingέχοντας things like this,
56
132000
2000
να έχουν πράγματα όπως αυτά,
02:29
doing things like this,
57
134000
2000
να κάνουν τέτοια πράγματα,
02:31
with economiesοικονομίες that are growingκαλλιέργεια like this,
58
136000
3000
με οικονομίες που αναπτύσσονται έτσι,
02:34
not realizingσυνειδητοποιώντας that entropyεντροπία
59
139000
2000
χωρίς να αντιλαμβάνονται πως η εντροπία
02:36
producesπαράγει things like this,
60
141000
2000
παράγει τέτοια πράγματα,
02:38
this, this
61
143000
4000
αυτό, αυτό
02:42
and this.
62
147000
2000
και αυτό.
02:44
And the questionερώτηση is:
63
149000
2000
Και το ερώτημα είναι:
02:46
Is that what EdinburghΕδιμβούργο and LondonΛονδίνο and NewΝέα YorkΥόρκη
64
151000
2000
Έτσι θα μοιάζουν το Εδιμβούργο, το Λονδίνο και η Νέα Υόρκη
02:48
are going to look like in 2050,
65
153000
2000
το 2050;
02:50
or is it going to be this?
66
155000
2000
ή θα είναι έτσι;
02:52
That's the questionερώτηση.
67
157000
2000
Ιδού η απορία.
02:54
I mustπρέπει say, manyΠολλά of the indicatorsδείκτες
68
159000
2000
Οφείλω να πω ότι πολλές από τις ενδείξεις
02:56
look like this is what it's going to look like,
69
161000
3000
δείχνουν πως θα είναι κάπως έτσι,
02:59
but let's talk about it.
70
164000
3000
αλλά ας το συζητήσουμε.
03:02
So my provocativeπροκλητική statementδήλωση
71
167000
3000
Η προκλητική δήλωσή μου λοιπόν,
03:05
is that we desperatelyαπεγνωσμένα need a seriousσοβαρός scientificεπιστημονικός theoryθεωρία of citiesπόλεις.
72
170000
3000
είναι ότι χρειαζόμαστε απελπισμένα μια σοβαρή επιστημονική θεωρία των πόλεων.
03:08
And scientificεπιστημονικός theoryθεωρία meansπου σημαίνει quantifiableποσοτικοποιήσιμο --
73
173000
3000
Επιστημονική θεωρία σημαίνει μετρήσιμη --
03:11
relyingστηριζόμενη on underlyingυποκείμενο genericγενικός principlesαρχές
74
176000
3000
βασισμένη σε θεμελιώδεις γενικές αρχές
03:14
that can be madeέκανε into a predictiveπρογνωστική frameworkδομή.
75
179000
2000
που μπορούν να σχηματίσουν ένα προγνωστικό πλαίσιο εργασίας.
03:16
That's the questΑναζήτηση.
76
181000
2000
Αυτή είναι η επιδίωξη.
03:18
Is that conceivableνοητός?
77
183000
2000
Είναι αυτό πιθανό;
03:20
Are there universalΠαγκόσμιος lawsτου νόμου?
78
185000
2000
Yπάρχουν παγκόσμιοι νόμοι;
03:22
So here'sεδώ είναι two questionsερωτήσεις
79
187000
2000
Όποτε ορίστε δύο ερωτήματα
03:24
that I have in my headκεφάλι when I think about this problemπρόβλημα.
80
189000
2000
που έχω στο μυαλό μου όταν σκέφτομαι αυτό το πρόβλημα.
03:26
The first is:
81
191000
2000
Το πρώτο είναι:
03:28
Are citiesπόλεις partμέρος of biologyβιολογία?
82
193000
2000
Αποτελούν οι πόλεις μέρος της βιολογίας;
03:30
Is LondonΛονδίνο a great bigμεγάλο whaleφάλαινα?
83
195000
2000
Είναι το Λονδίνο μια τεράστια φάλαινα;
03:32
Is EdinburghΕδιμβούργο a horseάλογο?
84
197000
2000
Είναι το Εδιμβούργο ένα άλογο;
03:34
Is MicrosoftMicrosoft a great bigμεγάλο anthillμυρμηγκοφωλιά?
85
199000
2000
Είναι η Microsoft μια μεγάλη μυρμηγκοφωλιά;
03:36
What do we learnμαθαίνω from that?
86
201000
2000
Τι μαθαίνουμε από αυτό;
03:38
We use them metaphoricallyμεταφορικά --
87
203000
2000
Τα χρησιμοποιούμε μεταφορικά --
03:40
the DNADNA of a companyΕταιρία, the metabolismμεταβολισμός of a cityπόλη, and so on --
88
205000
2000
το DNA μιας εταιρείας, το μεταβολισμό μιας πόλης, και ούτω καθεξής --
03:42
is that just bullshitμαλακίες, metaphoricalμεταφορική bullshitμαλακίες,
89
207000
3000
είναι αυτά απλά μπούρδες, μεταφορικές μπούρδες,
03:45
or is there seriousσοβαρός substanceουσία to it?
90
210000
3000
ή υπάρχει και σοβαρό νόημα σε αυτά;
03:48
And if that is the caseπερίπτωση,
91
213000
2000
Και αν ισχύει αυτό,
03:50
how come that it's very hardσκληρά to killσκοτώνω a cityπόλη?
92
215000
2000
πώς γίνεται να είναι τόσο δύσκολο να σκοτώσεις μια πόλη;
03:52
You could dropπτώση an atomάτομο bombβόμβα on a cityπόλη,
93
217000
2000
Και μια ατομική βόμβα να ρίξεις σε μια πόλη,
03:54
and 30 yearsχρόνια laterαργότερα it's survivingεπιβιώνουν.
94
219000
2000
30 χρόνια αργότερα θα επιβιώνει.
03:56
Very fewλίγοι citiesπόλεις failαποτυγχάνω.
95
221000
3000
Ελάχιστες πόλεις αποτυγχάνουν.
03:59
All companiesεταιρείες dieκαλούπι, all companiesεταιρείες.
96
224000
3000
Όλες οι εταιρείες πεθαίνουν, όλες οι εταιρείες.
04:02
And if you have a seriousσοβαρός theoryθεωρία, you should be ableικανός to predictπρολέγω
97
227000
2000
Και αν έχεις μια σοβαρή θεωρία, θα πρέπει να είσαι σε θέση να προβλέψεις
04:04
when GoogleGoogle is going to go bustπροτομή.
98
229000
3000
πότε θα χρεωκοπήσει η Google.
04:07
So is that just anotherαλλο versionεκδοχή
99
232000
3000
Οπότε, είναι αυτό απλά μια άλλη εκδοχή
04:10
of this?
100
235000
2000
αυτού εδώ;
04:12
Well we understandκαταλαβαίνουν this very well.
101
237000
2000
Αυτό το κατανοούμε πολύ καλά.
04:14
That is, you askπαρακαλώ any genericγενικός questionερώτηση about this --
102
239000
2000
Μπορείς δηλαδή να κάνεις οποιαδήποτε γενική ερώτηση για αυτό --
04:16
how manyΠολλά treesδέντρα of a givenδεδομένος sizeμέγεθος,
103
241000
2000
πόσα δέντρα συγκεκριμένου μεγέθους,
04:18
how manyΠολλά branchesυποκαταστήματα of a givenδεδομένος sizeμέγεθος does a treeδέντρο have,
104
243000
2000
πόσα κλαδία συγκεκριμένου μεγέθους έχει ένα δέντρο,
04:20
how manyΠολλά leavesφύλλα,
105
245000
2000
πόσα φύλλα,
04:22
what is the energyενέργεια flowingρεύση throughδιά μέσου eachκαθε branchκλαδί,
106
247000
2000
τι ενέργεια ρέει μέσα από κάθε κλαδί,
04:24
what is the sizeμέγεθος of the canopyθόλος,
107
249000
2000
ποιο είναι το μέγεθος της φυλλωσιάς,
04:26
what is its growthανάπτυξη, what is its mortalityθνησιμότητα?
108
251000
2000
ποια είναι η ανάπτυξή του, ποια η θνησιμότητά του;
04:28
We have a mathematicalμαθηματικός frameworkδομή
109
253000
2000
Έχουμε ένα μαθηματικό πλαίσιο εργασίας
04:30
basedμε βάση on genericγενικός universalΠαγκόσμιος principlesαρχές
110
255000
3000
βασισμένο σε θεμελιώδεις καθολικές αρχές
04:33
that can answerαπάντηση those questionsερωτήσεις.
111
258000
2000
που μπορεί να απαντήσει σε αυτές τις ερωτήσεις.
04:35
And the ideaιδέα is can we do the sameίδιο for this?
112
260000
4000
Και η ιδέα είναι, μπορούμε να κάνουμε το ίδιο με αυτό;
04:40
So the routeΔιαδρομή in is recognizingαναγνωρίζοντας
113
265000
3000
Οπότε η οδός προς αυτή την κατεύθυνση είναι να αναγνωρίσουμε
04:43
one of the mostπλέον extraordinaryέκτακτος things about life,
114
268000
2000
ένα από τα πιο εξαιρετικά χαρακτηριστικά της ζωής,
04:45
is that it is scalableανάβατος,
115
270000
2000
το γεγονός ότι είναι επιδεκτική διεύρυνσης,
04:47
it worksεργοστάσιο over an extraordinaryέκτακτος rangeσειρά.
116
272000
2000
εφαρμόζεται σε απίστευτη ποικιλία.
04:49
This is just a tinyμικροσκοπικός rangeσειρά actuallyπράγματι:
117
274000
2000
Αυτή κατ´ακρίβεια ,είναι μια πολύ μικρή ποικιλία:
04:51
It's us mammalsθηλαστικά;
118
276000
2000
Πρόκειται για εμάς, τα θηλαστικά·
04:53
we're one of these.
119
278000
2000
είμαστε ένα από αυτά.
04:55
The sameίδιο principlesαρχές, the sameίδιο dynamicsδυναμική,
120
280000
2000
Οι ίδιες αρχές, η ίδια δυναμική
04:57
the sameίδιο organizationοργάνωση is at work
121
282000
2000
η ίδια οργάνωση εφαρμόζεται
04:59
in all of these, includingσυμπεριλαμβανομένου us,
122
284000
2000
σε όλα αυτά, συμπεριλαμβανομένων ημών,
05:01
and it can scaleκλίμακα over a rangeσειρά of 100 millionεκατομμύριο in sizeμέγεθος.
123
286000
3000
και μπορεί να επεκταθεί μέχρι τα 100 εκατομμύρια σε μέγεθος.
05:04
And that is one of the mainκύριος reasonsαιτιολογικό
124
289000
3000
Και αυτός είναι ένας από τους κύριους λόγους
05:07
life is so resilientανθεκτική and robustεύρωστος --
125
292000
2000
που η ζωή είναι τόσο ευπροσάρμοστη και εύρωστη --
05:09
scalabilityδυνατότητα κλιμάκωσης.
126
294000
2000
η επεκτασιμότητα.
05:11
We're going to discussσυζητώ that in a momentστιγμή more.
127
296000
3000
Αυτό θα το συζητήσουμε περαιτέρω σύντομα.
05:14
But you know, at a localτοπικός levelεπίπεδο,
128
299000
2000
Όμως ξέρετε, σε τοπικό επίπεδο
05:16
you scaleκλίμακα; everybodyόλοι in this roomδωμάτιο is scaledλεπιδωτός.
129
301000
2000
κλιμακώνουμε˙ όλοι σ´αυτό το δωμάτιο κλιμακώνονται.
05:18
That's calledπου ονομάζεται growthανάπτυξη.
130
303000
2000
Αυτό ονομάζεται ανάπτυξη.
05:20
Here'sΕδώ είναι how you grewαυξήθηκε.
131
305000
2000
Εδώ φάινεται το πώς αναπτύσσεστε.
05:22
RatΑρουραίος, that's a ratαρουραίος -- could have been you.
132
307000
2000
Ο αρουραίος, αυτός είναι ένας αρουραίος -- θα μπορούσε να είναι εσείς.
05:24
We're all prettyαρκετά much the sameίδιο.
133
309000
3000
Είμαστε όλοι περίπου το ίδιο.
05:27
And you see, you're very familiarοικείος with this.
134
312000
2000
Και βλέπετε, είστε πολλοί εξοικειωμένοι με αυτό.
05:29
You growκαλλιεργώ very quicklyγρήγορα and then you stop.
135
314000
2000
Μεγαλώνετε πολύ γρήγορα και μετά σταματάτε.
05:31
And that lineγραμμή there
136
316000
2000
Και αυτή η γραμμή εκεί
05:33
is a predictionπροφητεία from the sameίδιο theoryθεωρία,
137
318000
2000
είναι μια πρόβλεψη από την ίδια θεωρία,
05:35
basedμε βάση on the sameίδιο principlesαρχές,
138
320000
2000
βασισμένη στις ίδιες αρχές,
05:37
that describesπεριγράφει that forestδάσος.
139
322000
2000
που περιγράφει αυτό το δάσος.
05:39
And here it is for the growthανάπτυξη of a ratαρουραίος,
140
324000
2000
Και εδώ πρόκειται για την ανάπτυξη ενός αρουραίου,
05:41
and those pointsσημεία on there are dataδεδομένα pointsσημεία.
141
326000
2000
και εκείνα τα σημεία πάνω είναι σημεία με δεδομένα.
05:43
This is just the weightβάρος versusεναντίον the ageηλικία.
142
328000
2000
Αυτό είναι μόνο το βάρος έναντι της ηλικίας.
05:45
And you see, it stopsσταματά growingκαλλιέργεια.
143
330000
2000
Και βλέπετε, σταματά να μεγαλώνει.
05:47
Very, very good for biologyβιολογία --
144
332000
2000
Πολύ, πολύ καλό για τη βιολογία --
05:49
alsoεπίσης one of the reasonsαιτιολογικό for its great resilienceελαστικότητα.
145
334000
2000
επίσης ένας από τους λόγους της μεγάλης του προσαρμοστικότητας.
05:51
Very, very badκακό
146
336000
2000
Πολύ, πολύ κακό
05:53
for economiesοικονομίες and companiesεταιρείες and citiesπόλεις
147
338000
2000
για τις οικονομίες και τις εταιρείες και τις πόλεις
05:55
in our presentπαρόν paradigmπαράδειγμα.
148
340000
2000
στο παρόν παράδειγμα.
05:57
This is what we believe.
149
342000
2000
Αυτό είναι που πιστεύουμε.
05:59
This is what our wholeολόκληρος economyοικονομία
150
344000
2000
Αυτό σπρώχνει πάνω μας
06:01
is thrustingενθουσιώδεις uponεπάνω σε us,
151
346000
2000
ολόκληρη μας η οικονομία,
06:03
particularlyιδιαίτερα illustratedεικονογραφημένα in that left-handαριστερόχειρας cornerγωνία:
152
348000
3000
λεπτομερώς επεξηγημένο σε εκείνη την αριστερή γωνία:
06:06
hockeyχακί sticksμπαστούνια.
153
351000
2000
μπαστούνια του χόκεϊ.
06:08
This is a bunchδέσμη of softwareλογισμικό companiesεταιρείες --
154
353000
2000
Αυτή είναι μια ομάδα εταιρειών λογισμικών --
06:10
and what it is is theirδικα τους revenueέσοδα versusεναντίον theirδικα τους ageηλικία --
155
355000
2000
και πρόκειται για τα έσοδα τους έναντι της ηλικίας τους --
06:12
all zoomingμεγέθυνση away,
156
357000
2000
σμικρύνοντας προς τα έξω,
06:14
and everybodyόλοι makingκατασκευή millionsεκατομμύρια and billionsδισεκατομμύρια of dollarsδολάρια.
157
359000
2000
και όλοι κερδίζουν εκατομμύρια και δισεκατομμύρια δολάρια.
06:16
Okay, so how do we understandκαταλαβαίνουν this?
158
361000
3000
Ωραία, πώς το αντιλαμβανόμαστε αυτό;
06:19
So let's first talk about biologyβιολογία.
159
364000
3000
Ας μιλήσουμε πρώτα για βιολογία.
06:22
This is explicitlyρητά showingεπίδειξη you
160
367000
2000
Αυτό σας δείχνει ξεκάθαρα
06:24
how things scaleκλίμακα,
161
369000
2000
πώς κλιμακώνονται τα πράγματα.
06:26
and this is a trulyστα αληθεια remarkableαξιοσημείωτος graphγραφική παράσταση.
162
371000
2000
Και αυτή είναι πραγματικά μια αξιοσημείωτη γραφική παράσταση.
06:28
What is plottedαπεικονίζονται here is metabolicμεταβολική rateτιμή --
163
373000
3000
Το τι απεικονίζεται εδώ είναι ο μεταβολικός ρυθμός --
06:31
how much energyενέργεια you need perανά day to stayδιαμονή aliveζωντανός --
164
376000
3000
πόση ενέργεια χρειάζεστε τη μέρα για να παραμείνετε ζωντανοί --
06:34
versusεναντίον your weightβάρος, your massμάζα,
165
379000
2000
έναντι του βάρους σας, της μάζας σας,
06:36
for all of us bunchδέσμη of organismsοργανισμούς.
166
381000
3000
για όλες εμάς τις ομάδες οργανισμών.
06:39
And it's plottedαπεικονίζονται in this funnyαστείος way by going up by factorsπαράγοντες of 10,
167
384000
3000
Και απεικονίζεται μ´αυτό τον αστείο τρόπο ανεβαίνοντας 10 συντελεστές,
06:42
otherwiseσε διαφορετική περίπτωση you couldn'tδεν μπορούσε get everything on the graphγραφική παράσταση.
168
387000
2000
αλλιώς δεν θα τα καταλαβαίνατε όλα στη γραφική παράσταση.
06:44
And what you see if you plotοικόπεδο it
169
389000
2000
Και το τι βλέπεις αν το απεικονίσεις
06:46
in this slightlyελαφρώς curiousπερίεργος way
170
391000
2000
με αυτόν τον ελαφρώς περίεργο τρόπο
06:48
is that everybodyόλοι liesψέματα on the sameίδιο lineγραμμή.
171
393000
3000
είναι ότι όλοι βρίσκονται στην ίδια γραμμή.
06:51
DespiteΠαρά την the factγεγονός that this is the mostπλέον complexσυγκρότημα and diverseποικίλος systemΣύστημα
172
396000
3000
Παρά το γεγονός ότι αυτό είναι το πιο περίπλοκο και ποικίλο σύστημα
06:54
in the universeσύμπαν,
173
399000
3000
στον κόσμο,
06:57
there's an extraordinaryέκτακτος simplicityαπλότητα
174
402000
2000
υπάρχει μια αξιοσημείωτη απλότητα
06:59
beingνα εισαι expressedεκφράζεται by this.
175
404000
2000
που εκφράζεται απ´αυτό.
07:01
It's particularlyιδιαίτερα astonishingεκπληκτικός
176
406000
3000
Είναι ιδιαίτερα εκπληκτικό
07:04
because eachκαθε one of these organismsοργανισμούς,
177
409000
2000
επειδή ο καθένας απ´αυτούς τους οργανισμούς,
07:06
eachκαθε subsystemυποσύστημα, eachκαθε cellκύτταρο typeτύπος, eachκαθε geneγονίδιο,
178
411000
2000
κάθε υποσύστημα, κάθε τύπος κυττάρου, κάθε γονίδιο,
07:08
has evolvedεξελίχθηκε in its ownτα δικά uniqueμοναδικός environmentalπεριβάλλοντος nicheεξειδικευμένες
179
413000
4000
έχει εξελιχθεί στη δική του ανεπανάληπτη οικολογική γωνία
07:12
with its ownτα δικά uniqueμοναδικός historyιστορία.
180
417000
3000
με την δική του ανεπανάληπτη ιστορία.
07:15
And yetΑκόμη, despiteπαρά all of that DarwinianΔαρβινική evolutionεξέλιξη
181
420000
3000
Και όμως, παρ´όλη εκείνη τη δαρβινική εξέλιξη
07:18
and naturalφυσικός selectionεπιλογή,
182
423000
2000
και φυσική επιλογή,
07:20
they'veέχουν been constrainedπεριορισμένες to lieψέμα on a lineγραμμή.
183
425000
2000
έχουν περιοριστεί να βρίσκονται σε μια γραμμή.
07:22
Something elseαλλού is going on.
184
427000
2000
Κάτι άλλο συμβαίνει.
07:24
Before I talk about that,
185
429000
2000
Πριν μιλήσω γι´αυτό,
07:26
I've writtenγραπτός down at the bottomκάτω μέρος there
186
431000
2000
έχω γράψει εκεί στο κάτω μέρος
07:28
the slopeκλίση of this curveκαμπύλη, this straightευθεία lineγραμμή.
187
433000
2000
την κλίση αυτής της καμπύλης, αυτή την ευθεία γραμμή.
07:30
It's three-quartersτα τρία τέταρτα, roughlyχονδρικά,
188
435000
2000
Είναι τρία τέταρτα, περίπου,
07:32
whichοι οποίες is lessπιο λιγο than one -- and we call that sublinearυπογραμμική.
189
437000
3000
το οποίο είναι λιγότερο από ένα -- και αυτό το ονομάζουμε υπὀ-γραμμική.
07:35
And here'sεδώ είναι the pointσημείο of that.
190
440000
2000
Και ορίστε η ουσία αυτού.
07:37
It saysλέει that, if it were linearγραμμικός,
191
442000
3000
Λέει πως αν ήταν γραμμική,
07:40
the steepestαπότομη slopeκλίση,
192
445000
2000
η πιο απότομη κλίση
07:42
then doublingδιπλασιάζοντας the sizeμέγεθος
193
447000
2000
τότε για να διπλασιάσεις το μέγεθος
07:44
you would requireαπαιτώ doubleδιπλό the amountποσό of energyενέργεια.
194
449000
2000
θα χρειαζόσουν την διπλή ποσότητα ενέργειας.
07:46
But it's sublinearυπογραμμική, and what that translatesμεταφράζει into
195
451000
3000
Αλλά είναι υπό-γραμμική, και αυτό μεταφράζεται στο
07:49
is that, if you doubleδιπλό the sizeμέγεθος of the organismοργανισμός,
196
454000
2000
ότι αν διπλασιάσεις το μέγεθος των οργανισμών,
07:51
you actuallyπράγματι only need 75 percentτοις εκατό more energyενέργεια.
197
456000
3000
πραγματικά χρειάζεσαι μόνο 75 τοις εκατό περισσότερη ενέργεια.
07:54
So a wonderfulεκπληκτικός thing about all of biologyβιολογία
198
459000
2000
Οπότε ένα θαυμάσιο πράγμα σχετικά με όλη τη βιολογία
07:56
is that it expressesεκφράζει an extraordinaryέκτακτος economyοικονομία of scaleκλίμακα.
199
461000
3000
είναι ότι εκφράζει μια αξιοσημείωτη οικονομία κλίμακας.
07:59
The biggerμεγαλύτερος you are systematicallyσυστηματικά,
200
464000
2000
Όσο μεγαλύτερος είσαι συστηματικά,
08:01
accordingσύμφωνα με to very well-definedσαφώς καθορισμένο rulesκανόνες,
201
466000
2000
σύμφωνα με πολύ καλά προσδιορισμένους κανόνες,
08:03
lessπιο λιγο energyενέργεια perανά capitaκεφαλή.
202
468000
3000
λιγότερη ενέργεια κατά κεφαλήν.
08:06
Now any physiologicalφυσιολογικές variableμεταβλητή you can think of,
203
471000
3000
Τώρα οποιαδήποτε φυσιολογική μεταβλητή μπορείς να σκεφτείς,
08:09
any life historyιστορία eventΕκδήλωση you can think of,
204
474000
2000
οποιοδήποτε συμβάν στη ζωή μπορείς να σκεφτείς,
08:11
if you plotοικόπεδο it this way, looksφαίνεται like this.
205
476000
3000
αν το απεικονίσεις μ´αυτό το τρόπο, φαίνεται έτσι.
08:14
There is an extraordinaryέκτακτος regularityκανονικότητα.
206
479000
2000
Υπάρχει μια αξιοσημείωτη τακτικότητα.
08:16
So you tell me the sizeμέγεθος of a mammalθηλαστικό ζώο,
207
481000
2000
Έτσι μου λες το μέγεθος ενός θηλαστικού,
08:18
I can tell you at the 90 percentτοις εκατό levelεπίπεδο everything about it
208
483000
3000
και μπορώ να σου πω σε επίπεδο 90 τοις εκατό τα πάντα σχετικά μ´αυτό
08:21
in termsόροι of its physiologyφισιολογία, life historyιστορία, etcκαι τα λοιπα.
209
486000
4000
από την άποψη της φυσιολογίας του, της ιστορίας της ζωής του κτλ.
08:25
And the reasonλόγος for this is because of networksδικτύων.
210
490000
3000
Και αυτό οφείλεται στα δίκτυα.
08:28
All of life is controlledελέγχονται by networksδικτύων --
211
493000
3000
Όλη η ζωή ελέγχεται από δίκτυα --
08:31
from the intracellularενδοκυτταρικό throughδιά μέσου the multicellularπολυκύτταρος
212
496000
2000
από την ενδοκυτταρική μέχρι την πολυκυτταρική
08:33
throughδιά μέσου the ecosystemοικοσυστήματος levelεπίπεδο.
213
498000
2000
μέχρι στο επίπεδο του οικοσυστήματος.
08:35
And you're very familiarοικείος with these networksδικτύων.
214
500000
3000
Και είστε πολύ εξοικειωμένοι μ´αυτά τα δίκτυα.
08:39
That's a little thing that livesζωή insideμέσα an elephantελέφαντας.
215
504000
3000
Αυτό είναι ένα μικρό πράγμα που ζει μέσα σ´ έναν ελέφαντα.
08:42
And here'sεδώ είναι the summaryΠερίληψη of what I'm sayingρητό.
216
507000
3000
Και εδώ είναι μια περίληψη όσων λέω.
08:45
If you take those networksδικτύων,
217
510000
2000
Αν πάρεις αυτά τα δίκτυα,
08:47
this ideaιδέα of networksδικτύων,
218
512000
2000
την ιδέα των δικτύων,
08:49
and you applyισχύουν universalΠαγκόσμιος principlesαρχές,
219
514000
2000
και εφαρμόσεις καθολικές αρχές,
08:51
mathematizablemathematizable, universalΠαγκόσμιος principlesαρχές,
220
516000
2000
που μπορούν να γίνουν μαθηματικά,
08:53
all of these scalingsξελεπιάσματα
221
518000
2000
ακολουθούν όλες αυτές οι κλιμακώσεις
08:55
and all of these constraintsπεριορισμούς followακολουθηστε,
222
520000
3000
και όλοι αυτοί οι περιορισμοί,
08:58
includingσυμπεριλαμβανομένου the descriptionπεριγραφή of the forestδάσος,
223
523000
2000
συμπεριλαμβανομένης της περιγραφής του δάσους,
09:00
the descriptionπεριγραφή of your circulatoryκυκλοφορικό systemΣύστημα,
224
525000
2000
της περιγραφής του κυκλοφοριακού σας συστήματος,
09:02
the descriptionπεριγραφή withinστα πλαίσια cellsκυττάρων.
225
527000
2000
της περιγραφής εντός των κυττάρων.
09:04
One of the things I did not stressστρες in that introductionεισαγωγή
226
529000
3000
Ένα από τα πράγματα που δεν τόνισα στην εισαγωγή
09:07
was that, systematicallyσυστηματικά, the paceβήμα of life
227
532000
3000
είναι ότι ο ρυθμός ζωής, συστηματικά,
09:10
decreasesμειώσεις as you get biggerμεγαλύτερος.
228
535000
2000
μειώνεται καθώς μεγαλώνεις.
09:12
HeartΚαρδιά ratesτιμές are slowerβραδύτερη; you liveζω longerμακρύτερα;
229
537000
3000
Οι καρδιακοί ρυθμοί είναι πιο αργοί˙ ζεις περισσότερο˙
09:15
diffusionδιάχυση of oxygenοξυγόνο and resourcesπόροι
230
540000
2000
η διάχυση οξυγόνου και οι διέξοδοι
09:17
acrossαπέναντι membranesμεμβράνες is slowerβραδύτερη, etcκαι τα λοιπα.
231
542000
2000
σε όλες τις μεμβράνες είναι βραδύτερη, κτλ.
09:19
The questionερώτηση is: Is any of this trueαληθής
232
544000
2000
Το ερώτημα είναι: Είναι οποιοδήποτε απ´αυτά αλήθεια
09:21
for citiesπόλεις and companiesεταιρείες?
233
546000
3000
για τις πόλεις και για τις εταιρίες;
09:24
So is LondonΛονδίνο a scaledλεπιδωτός up BirminghamΜπέρμιγχαμ,
234
549000
3000
Οπότε είναι το Λονδίνο ένα μεγαλύτερο Μπέρμιγχαμ,
09:27
whichοι οποίες is a scaledλεπιδωτός up BrightonΜπράιτον, etcκαι τα λοιπα., etcκαι τα λοιπα.?
235
552000
3000
το οποίο είναι ένα μεγαλύτερο Μπράιτον, κτλ, κτλ;
09:30
Is NewΝέα YorkΥόρκη a scaledλεπιδωτός up SanSan FranciscoΦρανσίσκο,
236
555000
2000
Είναι η Νέα Υόρκη ένα μεγαλύτερο Σαν Φρανσίσκο,
09:32
whichοι οποίες is a scaledλεπιδωτός up SantaΣάντα FeΦε?
237
557000
2000
το οποίο είναι μια μεγαλύτερη Σάντα Φε;
09:34
Don't know. We will discussσυζητώ that.
238
559000
2000
Δεν γνωρίζω. Αυτό θα το συζητήσουμε.
09:36
But they are networksδικτύων,
239
561000
2000
Όμως είναι δίκτυα,
09:38
and the mostπλέον importantσπουδαίος networkδίκτυο of citiesπόλεις
240
563000
2000
και το πιο σημαντικό δίκτυο πόλεων
09:40
is you.
241
565000
2000
είστε εσείς.
09:42
CitiesΠόλεις are just a physicalφυσικός manifestationεκδήλωση
242
567000
3000
Οι πόλεις είναι απλά η φυσική εκδήλωση
09:45
of your interactionsαλληλεπιδράσεις,
243
570000
2000
των αλληλεπιδράσεών σας,
09:47
our interactionsαλληλεπιδράσεις,
244
572000
2000
των αλληλεπιδράσεών μας,
09:49
and the clusteringδημιουργία συμπλέγματος and groupingομαδοποίηση of individualsτα άτομα.
245
574000
2000
και ο σχηματισμός και η ομαδοποίηση των ατόμων.
09:51
Here'sΕδώ είναι just a symbolicσυμβολική pictureεικόνα of that.
246
576000
3000
Εδώ είναι απλά μια συμβολική εικόνα αυτού.
09:54
And here'sεδώ είναι scalingαπολέπιση of citiesπόλεις.
247
579000
2000
Και εδώ είναι η κλιμάκωση των πόλεων.
09:56
This showsδείχνει that in this very simpleαπλός exampleπαράδειγμα,
248
581000
3000
Αυτό δείχνει πως σ´αυτό το πολύ μικρό παράδειγμα,
09:59
whichοι οποίες happensσυμβαίνει to be a mundaneτετριμμένο exampleπαράδειγμα
249
584000
2000
το οποίο τυχαίνει να είναι ένα κοινότυπο παράδειγμα
10:01
of numberαριθμός of petrolβενζίνη stationsσταθμούς
250
586000
2000
αριθμού πρατηρίων βενζίνης
10:03
as a functionλειτουργία of sizeμέγεθος --
251
588000
2000
ως μια λειτουργία μεγέθους --
10:05
plottedαπεικονίζονται in the sameίδιο way as the biologyβιολογία --
252
590000
2000
απεικονισμένο με τον ίδιο τρόπο όπως και στη βιολογία --
10:07
you see exactlyακριβώς the sameίδιο kindείδος of thing.
253
592000
2000
βλέπεις ακριβώς το ίδιο πράγμα.
10:09
There is a scalingαπολέπιση.
254
594000
2000
Υπάρχει μια κλιμάκωση.
10:11
That is that the numberαριθμός of petrolβενζίνη stationsσταθμούς in the cityπόλη
255
596000
4000
Δηλαδή ο αριθμός πρατηρίων βενζίνης στη πόλη
10:15
is now givenδεδομένος to you
256
600000
2000
τώρα σας δίνεται
10:17
when you tell me its sizeμέγεθος.
257
602000
2000
όταν μου πείτε το μέγεθός της.
10:19
The slopeκλίση of that is lessπιο λιγο than linearγραμμικός.
258
604000
3000
Η κλίση της είναι λιγότερο από γραμμική.
10:22
There is an economyοικονομία of scaleκλίμακα.
259
607000
2000
Υπάρχει μια οικονομία κλίμακας.
10:24
LessΛιγότερο petrolβενζίνη stationsσταθμούς perανά capitaκεφαλή the biggerμεγαλύτερος you are -- not surprisingεκπληκτικός.
260
609000
3000
Λιγότερα πρατήρια βενζίνης όσο μεγαλύτερος είσαι -- δεν προκαλεί έκπληξη.
10:27
But here'sεδώ είναι what's surprisingεκπληκτικός.
261
612000
2000
Όμως ορίστε τι προκαλεί έκπληξη.
10:29
It scalesΖυγός in the sameίδιο way everywhereπαντού.
262
614000
2000
Κλιμακώνεται με τον ίδιο τρόπο παντού.
10:31
This is just EuropeanΕυρωπαϊκή countriesχώρες,
263
616000
2000
Αυτό είναι μόνο Ευρωπαϊκές χώρες,
10:33
but you do it in JapanΙαπωνία or ChinaΚίνα or ColombiaΚολομβία,
264
618000
3000
αλλά θα μπορούσες να το κάνεις και στην Ιαπωνία ή στην Κίνα ή στην Κολομβία,
10:36
always the sameίδιο
265
621000
2000
πάντα το ίδιο
10:38
with the sameίδιο kindείδος of economyοικονομία of scaleκλίμακα
266
623000
2000
με τον ίδιο τρόπο οικονομίας κλίμακας
10:40
to the sameίδιο degreeβαθμός.
267
625000
2000
στον ίδιο βαθμό.
10:42
And any infrastructureυποδομή you look at --
268
627000
3000
Και οποιαδήποτε υποδομή εξετάσεις --
10:45
whetherκατά πόσο it's the lengthμήκος of roadsδρόμους, lengthμήκος of electricalηλεκτρικός linesγραμμές --
269
630000
3000
είτε είναι το μήκος των δρόμων, το μήκος ηλεκτρικών γραμμών --
10:48
anything you look at
270
633000
2000
οτιδήποτε εξετάσεις
10:50
has the sameίδιο economyοικονομία of scaleκλίμακα scalingαπολέπιση in the sameίδιο way.
271
635000
3000
έχει την ίδια οικονομία κλίμακας που κλιμακώνεται με τον ίδιο τρόπο.
10:53
It's an integratedολοκληρωμένο systemΣύστημα
272
638000
2000
Είναι ένα ολοκληρωμένο σύστημα
10:55
that has evolvedεξελίχθηκε despiteπαρά all the planningσχεδίαση and so on.
273
640000
3000
που έχει εξελιχθεί παρ´όλο το σχεδιασμό και ούτω καθεξής.
10:58
But even more surprisingεκπληκτικός
274
643000
2000
Όμως προκαλεί ακόμη περισσότερη έκπληξη
11:00
is if you look at socio-economicκοινωνικο-οικονομική quantitiesποσότητες,
275
645000
2000
αν εξετάσεις κοινωνικο-οικονομικές ποσότητες,
11:02
quantitiesποσότητες that have no analogαναλογικό in biologyβιολογία,
276
647000
3000
ποσότητες που δεν έχουν ανάλογο στη βιολογία,
11:05
that have evolvedεξελίχθηκε when we startedξεκίνησε formingσχηματίζοντας communitiesκοινότητες
277
650000
3000
που έχουν εξελιχτεί όταν αρχίσαμε να σχηματίζουμε κοινότητες
11:08
eightοκτώ to 10,000 yearsχρόνια agoπριν.
278
653000
2000
πριν οχτώ με 10.000 χρόνια.
11:10
The topμπλουζα one is wagesμισθοί as a functionλειτουργία of sizeμέγεθος
279
655000
2000
Το πάνω είναι οι μισθοί ως λειτουργία μεγέθους
11:12
plottedαπεικονίζονται in the sameίδιο way.
280
657000
2000
απεικονισμένο με τον ίδιο τρόπο.
11:14
And the bottomκάτω μέρος one is you lot --
281
659000
2000
Και το κάτω είναι εσείς όλοι --
11:16
super-creativesυπερ-διαφημιστικά plottedαπεικονίζονται in the sameίδιο way.
282
661000
3000
οι υπερδημιουργικοί απεικονισμένοι με τον ίδιο τρόπο.
11:19
And what you see
283
664000
2000
Και αυτό που βλέπετε
11:21
is a scalingαπολέπιση phenomenonφαινόμενο.
284
666000
2000
είναι ένα φαινόμενο κλιμάκωσης.
11:23
But mostπλέον importantσπουδαίος in this,
285
668000
2000
Όμως το πιο σημαντικό σ´αυτό,
11:25
the exponentΕκθέτης, the analogαναλογικό to that three-quartersτα τρία τέταρτα
286
670000
2000
ο εκθέτης, το ανάλογο σε εκείνα τα τρία τέταρτα
11:27
for the metabolicμεταβολική rateτιμή,
287
672000
2000
για τη μεταβολική τιμή
11:29
is biggerμεγαλύτερος than one -- it's about 1.15 to 1.2.
288
674000
2000
είναι μεγαλύτερο από ένα -- είναι περίπου 1.15 με 1.2.
11:31
Here it is,
289
676000
2000
Να᾽το,
11:33
whichοι οποίες saysλέει that the biggerμεγαλύτερος you are
290
678000
3000
λέει ότι όσο μεγαλύτερος είσαι
11:36
the more you have perανά capitaκεφαλή, unlikeδιαφορετικός biologyβιολογία --
291
681000
3000
τόσο περισσότερα έχεις κατά κεφαλήν, σε αντίθεση με τη βιολογία --
11:39
higherπιο ψηλά wagesμισθοί, more super-creativeυπερ-δημιουργική people perανά capitaκεφαλή as you get biggerμεγαλύτερος,
292
684000
4000
ψηλότεροι μισθοί, περισσότεροι υπερδημιουργικοί άνθρωποι κατά κεφαλήν καθώς μεγαλώνεις,
11:43
more patentsπατέντες perανά capitaκεφαλή, more crimeέγκλημα perανά capitaκεφαλή.
293
688000
3000
περισσότερες ευρεσιτεχνίες κατά κεφαλήν, περισσότερο έγκλημα κατά κεφαλήν.
11:46
And we'veέχουμε lookedκοίταξε at everything:
294
691000
2000
Και τα έχουμε εξετάσει όλα:
11:48
more AIDSAIDS casesπεριπτώσεις, fluγρίπη, etcκαι τα λοιπα.
295
693000
3000
περισσότερα κρούσματα AIDS, γρίπης, κτλ.
11:51
And here, they're all plottedαπεικονίζονται togetherμαζί.
296
696000
2000
Και εδώ, είναι απεικονισμένα όλα μαζί.
11:53
Just to showπροβολή you what we plottedαπεικονίζονται,
297
698000
2000
Απλά για να σας δείξουμε τι απεικονίσαμε,
11:55
here is incomeεισόδημα, GDPΑΕΠ --
298
700000
3000
εδώ είναι το εισόδημα, το ΑΕΠ --
11:58
GDPΑΕΠ of the cityπόλη --
299
703000
2000
το ΑΕΠ της πόλης --
12:00
crimeέγκλημα and patentsπατέντες all on one graphγραφική παράσταση.
300
705000
2000
εγκληματικότητα και ευρεσιτεχνίες όλα σε μια γραφική παράσταση.
12:02
And you can see, they all followακολουθηστε the sameίδιο lineγραμμή.
301
707000
2000
Και μπορείτε να δείτε, όλα ακολουθούν την ίδια γραμμή.
12:04
And here'sεδώ είναι the statementδήλωση.
302
709000
2000
Και ορίστε η δήλωση.
12:06
If you doubleδιπλό the sizeμέγεθος of a cityπόλη from 100,000 to 200,000,
303
711000
3000
Αν διπλασιάσεις το μέγεθος μιας πόλης από 100,000 σε 200,000
12:09
from a millionεκατομμύριο to two millionεκατομμύριο, 10 to 20 millionεκατομμύριο,
304
714000
2000
από ένα εκατομμύριο σε δύο εκατομμύρια, 10 σε 20 εκατομμύρια,
12:11
it doesn't matterύλη,
305
716000
2000
δεν έχει σημασία,
12:13
then systematicallyσυστηματικά
306
718000
2000
τότε συστηματικά,
12:15
you get a 15 percentτοις εκατό increaseαυξάνουν
307
720000
2000
παίρνεις μια αύξηση 15 τοις εκατόν
12:17
in wagesμισθοί, wealthπλούτος, numberαριθμός of AIDSAIDS casesπεριπτώσεις,
308
722000
2000
σε μισθούς, πλούτο, αριθμό των κρουσμάτων AIDS,
12:19
numberαριθμός of policeαστυνομία,
309
724000
2000
αριθμό αστυνομίας,
12:21
anything you can think of.
310
726000
2000
οτιδήποτε μπορείς να σκεφτείς.
12:23
It goesπηγαίνει up by 15 percentτοις εκατό,
311
728000
2000
Ανεβαίνει κατά 15 τοις εκατό,
12:25
and you have a 15 percentτοις εκατό savingsοικονομίες
312
730000
3000
και έχεις ένα 15 τοις εκατό εξοικονόμηση
12:28
on the infrastructureυποδομή.
313
733000
3000
στην υποδομή.
12:31
This, no doubtαμφιβολία, is the reasonλόγος
314
736000
3000
Αυτός, χωρίς αμφιβολία, είναι ο λόγος
12:34
why a millionεκατομμύριο people a weekεβδομάδα are gatheringσυγκέντρωση in citiesπόλεις.
315
739000
3000
που μαζεύονται ένα εκατομμύριο άνθρωποι τη βδομάδα στις πόλεις.
12:37
Because they think that all those wonderfulεκπληκτικός things --
316
742000
3000
Επειδή νομίζουν πως όλα εκείνα τα θαυμάσια πράγματα --
12:40
like creativeδημιουργικός people, wealthπλούτος, incomeεισόδημα --
317
745000
2000
όπως δημιουργικοί άνθρωποι, πλούτος, εισόδημα --
12:42
is what attractsπροσελκύει them,
318
747000
2000
είναι το τι τους ελκύει,
12:44
forgettingξεχνώντας about the uglyάσχημος and the badκακό.
319
749000
2000
ξεχνώντας τα άσχημα και τα κακά.
12:46
What is the reasonλόγος for this?
320
751000
2000
Ποία είναι η αιτία γι᾽αυτό;
12:48
Well I don't have time to tell you about all the mathematicsμαθηματικά,
321
753000
3000
Δεν έχω χρόνο να σας πω για όλα τα μαθηματικά,
12:51
but underlyingυποκείμενο this is the socialκοινωνικός networksδικτύων,
322
756000
3000
αλλά η υποβόσκουσα αιτία είναι τα κοινωνικά δίκτυα,
12:54
because this is a universalΠαγκόσμιος phenomenonφαινόμενο.
323
759000
3000
επειδή αυτό είναι ένα παγκόσμιο φαινόμενο.
12:57
This 15 percentτοις εκατό ruleκανόνας
324
762000
3000
Αυτός ο κανόνας του 15 τοις εκατό
13:00
is trueαληθής
325
765000
2000
είναι αληθής
13:02
no matterύλη where you are on the planetπλανήτης --
326
767000
2000
όπου κι αν βρίσκεσαι στον πλανήτη --
13:04
JapanΙαπωνία, ChileΧιλή,
327
769000
2000
Ιαπωνία, Χιλή,
13:06
PortugalΠορτογαλία, ScotlandΣκωτία, doesn't matterύλη.
328
771000
3000
Πορτογαλία, Σκωτία, δεν έχει σημασία.
13:09
Always, all the dataδεδομένα showsδείχνει it's the sameίδιο,
329
774000
3000
Πάντα, το τι δείχνουν τα δεδομένα είναι το ίδιο,
13:12
despiteπαρά the factγεγονός that these citiesπόλεις have evolvedεξελίχθηκε independentlyανεξάρτητα.
330
777000
3000
παρά το γεγονός ότι αυτές οι πόλεις έχουν εξελιχθεί ανεξάρτητα.
13:15
Something universalΠαγκόσμιος is going on.
331
780000
2000
Κάτι το καθολικό συμβαίνει.
13:17
The universalityκαθολικότητα, to repeatεπαναλαμβάνω, is us --
332
782000
3000
Αυτή η καθολικότητα, για να επαναλάβω, είμαστε εμείς --
13:20
that we are the cityπόλη.
333
785000
2000
που είμαστε η πόλη.
13:22
And it is our interactionsαλληλεπιδράσεις and the clusteringδημιουργία συμπλέγματος of those interactionsαλληλεπιδράσεις.
334
787000
3000
Και είναι η αλληλεπίδραση και ο σχηματισμός αυτών των αλληλεπιδράσεων.
13:25
So there it is, I've said it again.
335
790000
2000
Οπότε να᾽το, το ξανάπα.
13:27
So if it is those networksδικτύων and theirδικα τους mathematicalμαθηματικός structureδομή,
336
792000
3000
Οπότε αν είναι όντως εκείνα τα δίκτυα και η μαθηματική τους δομή,
13:30
unlikeδιαφορετικός biologyβιολογία, whichοι οποίες had sublinearυπογραμμική scalingαπολέπιση,
337
795000
3000
σε αντίθεση με τη βιολογία, που είχε υπογραμμική κλιμάκωση,
13:33
economiesοικονομίες of scaleκλίμακα,
338
798000
2000
σε οικονομίες κλιμάκωσης,
13:35
you had the slowingεπιβράδυνση of the paceβήμα of life
339
800000
2000
είχες την επιβράδυνση του ρυθμού ζωής
13:37
as you get biggerμεγαλύτερος.
340
802000
2000
καθώς μεγαλώνεις.
13:39
If it's socialκοινωνικός networksδικτύων with super-linearυπερ-γραμμική scalingαπολέπιση --
341
804000
2000
Αν είναι τα κοινωνικά δίκτυα με υπερ-γραμμική κλιμάκωση --
13:41
more perανά capitaκεφαλή --
342
806000
2000
περισσότερα κατά κεφαλήν --
13:43
then the theoryθεωρία saysλέει
343
808000
2000
τότε η θεωρία λέει
13:45
that you increaseαυξάνουν the paceβήμα of life.
344
810000
2000
ότι αυξάνεις το ρυθμό ζωής.
13:47
The biggerμεγαλύτερος you are, life getsπαίρνει fasterγρηγορότερα.
345
812000
2000
Όσο μεγαλύτερος είσαι, η ζωή γίνεται πιο γρήγορη.
13:49
On the left is the heartκαρδιά rateτιμή showingεπίδειξη biologyβιολογία.
346
814000
2000
Στ´αριστερά είναι ο καρδιακός ρυθμός που δείχνει βιολογία.
13:51
On the right is the speedΤαχύτητα of walkingτο περπάτημα
347
816000
2000
Στα δεξιά είναι η ταχύτητα περπατήματος
13:53
in a bunchδέσμη of EuropeanΕυρωπαϊκή citiesπόλεις,
348
818000
2000
σε ορισμένες Ευρωπαϊκές πόλεις,
13:55
showingεπίδειξη that increaseαυξάνουν.
349
820000
2000
που δείχνει αυτή την αύξηση.
13:57
LastlyΤέλος, I want to talk about growthανάπτυξη.
350
822000
3000
Τέλος, θέλω να μιλήσω για την ανάπτυξη.
14:00
This is what we had in biologyβιολογία, just to repeatεπαναλαμβάνω.
351
825000
3000
Αυτό είναι το τι είχαμε στη βιολογία, απλά για να επαναλάβω.
14:03
EconomiesΟικονομίες of scaleκλίμακα
352
828000
3000
Οι οικονομίες κλίμακας
14:06
gaveέδωσε riseαύξηση to this sigmoidalsigmoidal behaviorη ΣΥΜΠΕΡΙΦΟΡΑ.
353
831000
3000
έχουν αυξήσει αυτή τη σιγμοειδή συμπεριφορά.
14:09
You growκαλλιεργώ fastγρήγορα and then stop --
354
834000
3000
Μεγαλώνεις γρήγορα και μετά σταματάς --
14:12
partμέρος of our resilienceελαστικότητα.
355
837000
2000
μέρος της ανθεκτικότητάς μας.
14:14
That would be badκακό for economiesοικονομίες and citiesπόλεις.
356
839000
3000
Αυτό θα ήταν κακό για τις οικονομίες και τις πόλεις.
14:17
And indeedπράγματι, one of the wonderfulεκπληκτικός things about the theoryθεωρία
357
842000
2000
Και ένα από τα θαυμάσια στοιχεία αυτής της θεωρίας
14:19
is that if you have super-linearυπερ-γραμμική scalingαπολέπιση
358
844000
3000
είναι ότι έχεις υπέρ-γραμμική κλιμάκωση
14:22
from wealthπλούτος creationδημιουργία and innovationκαινοτομία,
359
847000
2000
από τη δημιουργία πλούτου και την καινοτομία,
14:24
then indeedπράγματι you get, from the sameίδιο theoryθεωρία,
360
849000
3000
και τότε όντως παίρνεις, από την ίδια θεωρία,
14:27
a beautifulπανεμορφη risingαυξανόμενες exponentialεκθετικός curveκαμπύλη -- lovelyωραίος.
361
852000
2000
μια όμορφη ανοδική εκθετική καμπύλη -- υπέροχη.
14:29
And in factγεγονός, if you compareσυγκρίνω it to dataδεδομένα,
362
854000
2000
Και κατ᾽ακρίβειαν, αν τη συγκρίνεις με δεδομένα
14:31
it fitsταιριάζει very well
363
856000
2000
ταιριάζει πολύ καλά
14:33
with the developmentανάπτυξη of citiesπόλεις and economiesοικονομίες.
364
858000
2000
με την ανάπτυξη πόλεων και οικονομιών.
14:35
But it has a terribleτρομερός catchσύλληψη,
365
860000
2000
Όμως έχει μια φριχτή παγίδα,
14:37
and the catchσύλληψη
366
862000
2000
και η παγίδα
14:39
is that this systemΣύστημα is destinedπροορίζονται to collapseκατάρρευση.
367
864000
3000
είναι ότι το σύστημα είναι προορισμένο να καταρρεύσει.
14:42
And it's destinedπροορίζονται to collapseκατάρρευση for manyΠολλά reasonsαιτιολογικό --
368
867000
2000
Και είναι προορισμένο να καταρρεύσει για πολλούς λόγους --
14:44
kindείδος of MalthusianΜαλθουσιανής reasonsαιτιολογικό -- that you runτρέξιμο out of resourcesπόροι.
369
869000
3000
για κάπως μαλθουσιανούς λόγους -- ότι ξεμένεις από πόρους.
14:47
And how do you avoidαποφύγει that? Well we'veέχουμε doneΈγινε it before.
370
872000
3000
Και πώς το αποφεύγεις αυτό; Λοιπόν το έχουμε κάνει στο παρελθόν.
14:50
What we do is,
371
875000
2000
Το τι κάνουμε είναι,
14:52
as we growκαλλιεργώ and we approachπλησιάζω the collapseκατάρρευση,
372
877000
3000
καθώς μεγαλώνουμε και πλησιάζουμε την κατάρρευση,
14:55
a majorμείζων innovationκαινοτομία takes placeθέση
373
880000
3000
μια τεράστια καινοτομία λαμβάνει χώρα
14:58
and we startαρχή over again,
374
883000
2000
και ξαναξεκινούμε,
15:00
and we startαρχή over again as we approachπλησιάζω the nextεπόμενος one, and so on.
375
885000
3000
και ξαναξεκινούμε καθώς πλησιάζουμε την επόμενη, και ούτω καθεξής.
15:03
So there's this continuousσυνεχής cycleκύκλος of innovationκαινοτομία
376
888000
2000
Έτσι υπάρχει αυτός ο συνεχής κύκλος καινοτομίας
15:05
that is necessaryΑΠΑΡΑΙΤΗΤΗ
377
890000
2000
που είναι απαραίτητος
15:07
in orderΣειρά to sustainυποστηρίζω growthανάπτυξη and avoidαποφύγει collapseκατάρρευση.
378
892000
3000
για να διατηρήσουμε την ανάπτυξη και να αποφύγουμε την κατάρρευση.
15:10
The catchσύλληψη, howeverωστόσο, to this
379
895000
2000
Ωστόσο, η παγίδα σ᾽αυτό
15:12
is that you have to innovateνεωτερίζω
380
897000
2000
είναι ότι πρέπει να καινοτομούμε
15:14
fasterγρηγορότερα and fasterγρηγορότερα and fasterγρηγορότερα.
381
899000
3000
όλο και πιο γρήγορα.
15:17
So the imageεικόνα
382
902000
2000
Οπότε η εικόνα
15:19
is that we're not only on a treadmillδιάδρομο that's going fasterγρηγορότερα,
383
904000
3000
είναι ότι όχι μόνο είμαστε σ᾽ένα ποδόμυλο που πηγαίνει γρηγορότερα,
15:22
but we have to changeαλλαγή the treadmillδιάδρομο fasterγρηγορότερα and fasterγρηγορότερα.
384
907000
3000
αλλά πρέπει να αλλάζουμε τον ποδόμυλο όλο και πιο γρήγορα.
15:25
We have to accelerateεπιταχύνω on a continuousσυνεχής basisβάση.
385
910000
3000
Πρέπει να επιταχύνουμε συνεχώς.
15:28
And the questionερώτηση is: Can we, as socio-economicκοινωνικο-οικονομική beingsόντα,
386
913000
3000
Και το ερώτημα είναι: Μπορούμε, σαν κοινωνικοοικονομικά όντα,
15:31
avoidαποφύγει a heartκαρδιά attackεπίθεση?
387
916000
3000
να αποφύγουμε την καρδιακή προσβολή;
15:34
So lastlyεν τέλει, I'm going to finishφινίρισμα up in this last minuteλεπτό or two
388
919000
3000
Έτσι εν τέλει, θα ολοκληρώσω στα τελευταία ένα δύο λεπτά
15:37
askingζητώντας about companiesεταιρείες.
389
922000
2000
ρωτώντας για εταιρίες.
15:39
See companiesεταιρείες, they scaleκλίμακα.
390
924000
2000
Βλέπετε εταιρίες, την κλίμακά τους.
15:41
The topμπλουζα one, in factγεγονός, is WalmartWalmart on the right.
391
926000
2000
Η πάνω είναι η Γουόλμαρτ στα δεξιά.
15:43
It's the sameίδιο plotοικόπεδο.
392
928000
2000
Είναι η ίδια πλοκή.
15:45
This happensσυμβαίνει to be incomeεισόδημα and assetsπεριουσιακά στοιχεία
393
930000
2000
Αυτό συμβαίνει στο εισόδημα και στα περιουσιακά στοιχεία
15:47
versusεναντίον the sizeμέγεθος of the companyΕταιρία as denotedσυμβολίζεται by its numberαριθμός of employeesυπαλλήλους.
394
932000
2000
έναντι του μεγέθους της εταιρίας όπως μαρτυρείται από τον αριθμό των εργαζομένων της.
15:49
We could use salesεμπορικός, anything you like.
395
934000
3000
Θα μπορούσαμε να χρησιμοποιήσουμε πωλήσεις, οτιδήποτε θέλετε.
15:52
There it is: after some little fluctuationsδιακυμάνσεις at the beginningαρχή,
396
937000
3000
Να᾽το: μετά από κάποιες μικρές διακυμάνσεις στην αρχή,
15:55
when companiesεταιρείες are innovatingκαινοτόμος,
397
940000
2000
όταν οι εταιρίες καινοτομούν,
15:57
they scaleκλίμακα beautifullyόμορφα.
398
942000
2000
κλιμακώνονται όμορφα.
15:59
And we'veέχουμε lookedκοίταξε at 23,000 companiesεταιρείες
399
944000
3000
Και έχουμε εξετάσει 23,000 εταιρίες
16:02
in the UnitedΕνωμένοι StatesΚράτη μέλη, mayενδέχεται I say.
400
947000
2000
στις Ηνωμένες Πολιτείες, μπορώ να πω.
16:04
And I'm only showingεπίδειξη you a little bitκομμάτι of this.
401
949000
3000
Και σας δείχνω μόνο λιγάκι απ´αυτό.
16:07
What is astonishingεκπληκτικός about companiesεταιρείες
402
952000
2000
Το τι είναι εκπληκτικό με τις εταιρίες
16:09
is that they scaleκλίμακα sublinearlysublinearly
403
954000
3000
είναι ότι κλιμακώνονται υπό-γραμμικά
16:12
like biologyβιολογία,
404
957000
2000
όπως στη βιολογία,
16:14
indicatingαναφέροντας that they're dominatedκυριαρχούσε,
405
959000
2000
υποδεικνύοντας ότι δεν κυριαρχούνται,
16:16
not by super-linearυπερ-γραμμική
406
961000
2000
από υπέρ-γραμμικές
16:18
innovationκαινοτομία and ideasιδέες;
407
963000
3000
καινοτομίες και ιδέες·
16:21
they becomeγίνομαι dominatedκυριαρχούσε
408
966000
2000
γίνονται κυριαρχούμενες
16:23
by economiesοικονομίες of scaleκλίμακα.
409
968000
2000
από οικονομίες κλίμακας.
16:25
In that interpretationερμηνεία,
410
970000
2000
Σ᾽αυτή την ερμηνεία,
16:27
by bureaucracyγραφειοκρατία and administrationδιαχείριση,
411
972000
2000
με τη γραφειοκρατία και την διοίκηση
16:29
and they do it beautifullyόμορφα, mayενδέχεται I say.
412
974000
2000
και το κάνουν όμορφα, μπορώ να πω.
16:31
So if you tell me the sizeμέγεθος of some companyΕταιρία, some smallμικρό companyΕταιρία,
413
976000
3000
Οπότε αν μου πείτε το μέγεθος μιας εταιρίας, μιας μικρής εταιρίας,
16:34
I could have predictedπροβλεπόταν the sizeμέγεθος of WalmartWalmart.
414
979000
3000
θα μπορούσα να προβλέψω το μέγεθος της Γουόλμαρτ.
16:37
If it has this sublinearυπογραμμική scalingαπολέπιση,
415
982000
2000
Αν έχει αυτήν την υπό-γραμμική κλιμάκωση
16:39
the theoryθεωρία saysλέει
416
984000
2000
η θεωρία λέει
16:41
we should have sigmoidalsigmoidal growthανάπτυξη.
417
986000
3000
ότι θα έπρεπε να έχουμε σιγμοειδή ανάπτυξη.
16:44
There's WalmartWalmart. Doesn't look very sigmoidalsigmoidal.
418
989000
2000
Να η Γουόλμαρτ. Δεν φαίνεται πολύ σιγμοειδής.
16:46
That's what we like, hockeyχακί sticksμπαστούνια.
419
991000
3000
Αυτά μας αρέσουν, μπαστούνια του χόκεϊ.
16:49
But you noticeειδοποίηση, I've cheatedεξαπατημένοι,
420
994000
2000
Όμως παρατηρήστε, έχω κλέψει,
16:51
because I've only goneχαμένος up to '94.
421
996000
2000
επειδή έχω πάει μόνο μέχρι το '94.
16:53
Let's go up to 2008.
422
998000
2000
Ας πάμε μέχρι το 2008.
16:55
That redτο κόκκινο lineγραμμή is from the theoryθεωρία.
423
1000000
3000
Εκείνη η κόκκινη γραμμή είναι από τη θεωρία.
16:58
So if I'd have doneΈγινε this in 1994,
424
1003000
2000
Έτσι αν το είχα κάνει το 1994,
17:00
I could have predictedπροβλεπόταν what WalmartWalmart would be now.
425
1005000
3000
θα μπορούσα να είχα προβλέψει τι θα ήταν τώρα η Γουόλμαρτ.
17:03
And then this is repeatedαλλεπάλληλος
426
1008000
2000
Και τότε αυτό επαναλαμβάνεται
17:05
acrossαπέναντι the entireολόκληρος spectrumφάσμα of companiesεταιρείες.
427
1010000
2000
σε όλο το φάσμα των εταιριών.
17:07
There they are. That's 23,000 companiesεταιρείες.
428
1012000
3000
Να᾽τες. Εκεί είναι 23,000 εταιρίες.
17:10
They all startαρχή looking like hockeyχακί sticksμπαστούνια,
429
1015000
2000
Όλες ξεκινούν μοιάζοντας με μπαστούνια του χόκεϊ,
17:12
they all bendστροφή over,
430
1017000
2000
όλες καμπουριάζουν,
17:14
and they all dieκαλούπι like you and me.
431
1019000
2000
και όλες θα πεθάνουν όπως εσείς και εγώ.
17:16
Thank you.
432
1021000
2000
Σας ευχαριστώ.
17:18
(ApplauseΧειροκροτήματα)
433
1023000
9000
(Χειροκρότημα)
Translated by Keti Papadema
Reviewed by Leonidas Argyros

▲Back to top

ABOUT THE SPEAKER
Geoffrey West - Theorist
Physicist Geoffrey West believes that complex systems from organisms to cities are in many ways governed by simple laws -- laws that can be discovered and analyzed.

Why you should listen

Trained as a theoretical physicist, Geoffrey West has turned his analytical mind toward the inner workings of more concrete things, like ... animals. In a paper for Science in 1997, he and his team uncovered what he sees as a surprisingly universal law of biology — the way in which heart rate, size and energy consumption are related, consistently, across most living animals. (Though not all animals: “There are always going to be people who say, ‘What about the crayfish?’ " he says. “Well, what about it? Every fundamental law has exceptions. But you still need the law or else all you have is observations that don’t make sense.")

A past president of the multidisciplinary Santa Fe Institute (after decades working  in high-energy physics at Los Alamos and Stanford), West now studies the behavior and development of cities. In his newest work, he proposes that one simple number, population, can predict a stunning array of details about any city, from crime rate to economic activity. It's all about the plumbing, he says, the infrastructure that powers growth or dysfunction. His next target for study: corporations.

He says: "Focusing on the differences [between cities] misses the point. Sure, there are differences, but different from what? We’ve found the what."

More profile about the speaker
Geoffrey West | Speaker | TED.com