TEDxMidAtlantic
Albert-László Barabási: The real relationship between your age and your chance of success
Barabási Albert László: Van-e kapcsolat az életkor és a siker között?
Filmed:
Readability: 4
2,762,222 views
Barabási Albert László hálózatkutató matematikai eszközök segítségével vizsgálja a siker mibenlétét - az élet bármely területén érjük is el azt -, és bemutatja, mi a kapcsolat az életkor és annak esélye között, hogy sikeresek lehetünk.
Albert-László Barabási - Network scientist
A pioneer in network science, Albert-László Barabási uncovers the hidden order behind complex systems. Full bio
A pioneer in network science, Albert-László Barabási uncovers the hidden order behind complex systems. Full bio
Double-click the English transcript below to play the video.
A mai nap igazán különleges számomra,
00:12
Today, actually, is
a very special day for me,
a very special day for me,
0
249
2266
00:14
because it is my birthday.
1
2539
2121
ugyanis ma van a születésnapom.
00:16
(Applause)
2
4684
3973
(Taps)
00:20
And so, thanks to all of you
for joining the party.
for joining the party.
3
8681
3441
Szóval köszönöm, hogy eljöttek a partimra.
00:24
(Laughter)
4
12146
1167
(Nevetés)
00:25
But every time you throw a party,
there's someone there to spoil it. Right?
there's someone there to spoil it. Right?
5
13337
4786
De ha buli van, mindig van valaki,
aki azt elrontja. Igaz?
aki azt elrontja. Igaz?
00:30
(Laughter)
6
18147
1072
(Nevetés)
00:31
And I'm a physicist,
7
19243
1359
Fizikus vagyok,
00:32
and this time I brought
another physicist along to do so.
another physicist along to do so.
8
20626
4157
és ma egy másik fizikust hoztam magammal,
hogy betöltse ezt a szerepet.
hogy betöltse ezt a szerepet.
00:36
His name is Albert Einstein --
also Albert -- and he's the one who said
also Albert -- and he's the one who said
9
24807
4562
A neve Albert Einstein, tehát ő is Albert.
Ő mondta azt, hogy aki nem alkotott
a tudomány terén semmi maradandót
a tudomány terén semmi maradandót
00:41
that the person who has not made
his great contributions to science
his great contributions to science
10
29393
4830
00:46
by the age of 30
11
34247
1559
30 éves koráig,
00:47
will never do so.
12
35830
1396
az már nem is fog.
00:49
(Laughter)
13
37250
1012
(Nevetés)
00:50
Now, you don't need to check Wikipedia
14
38286
2340
Gondolom, nem kell megnézniük
a Wikipediát, hogy lássák,
a Wikipediát, hogy lássák,
00:52
that I'm beyond 30.
15
40650
1571
elmúltam már 30.
00:54
(Laughter)
16
42245
1416
(Nevetés)
00:55
So, effectively, what
he is telling me, and us,
he is telling me, and us,
17
43685
3606
Amit tehát Einstein mond, azt jelenti,
00:59
is that when it comes to my science,
18
47315
2544
hogy ha a szakterületemről
van szó, annyit se érek már,
van szó, annyit se érek már,
01:01
I'm deadwood.
19
49883
1203
mint egy száraz kóró.
01:04
Well, luckily, I had my share
of luck within my career.
of luck within my career.
20
52078
5586
Mindenesetre, ami a karrieremet illeti,
több szempontból is szerencsém volt.
több szempontból is szerencsém volt.
01:10
Around age 28, I became
very interested in networks,
very interested in networks,
21
58132
3822
28 éves voltam, mikor elkezdtem
hálózatokkal foglalkozni.
hálózatokkal foglalkozni.
01:13
and a few years later, we managed
to publish a few key papers
to publish a few key papers
22
61978
4076
Néhány évvel később pedig
két fontos tanulmányt is publikáltunk,
két fontos tanulmányt is publikáltunk,
01:18
that reported the discovery
of scale-free networks
of scale-free networks
23
66078
4097
melyekben a skálafüggetlen hálózatok
felfedezéséről számoltunk be,
felfedezéséről számoltunk be,
01:22
and really gave birth to a new discipline
that we call network science today.
that we call network science today.
24
70199
4578
és ezzel megszületett egy új tudományág,
melyet ma hálózatkutatásnak nevezünk.
melyet ma hálózatkutatásnak nevezünk.
01:26
And if you really care about it,
you can get a PhD now in network science
you can get a PhD now in network science
25
74801
3678
Ha esetleg érdekel valakit,
hálózatkutatásból már doktorálni is lehet
hálózatkutatásból már doktorálni is lehet
01:30
in Budapest, in Boston,
26
78503
2028
Budapesten, Bostonban;
01:32
and you can study it all over the world.
27
80555
2308
és a világ számos pontján van ilyen szak.
01:35
A few years later,
28
83466
1595
Néhány évvel később,
01:37
when I moved to Harvard
first as a sabbatical,
first as a sabbatical,
29
85085
3230
mikor először jöttem a Harvardra –
szabadságot kaptam erre az időre –,
szabadságot kaptam erre az időre –,
01:40
I became interested
in another type of network:
in another type of network:
30
88339
3092
egy másik hálózattípus
keltette fel az érdeklődésem:
keltette fel az érdeklődésem:
01:43
that time, the networks within ourselves,
31
91455
3027
akkor a sejtjeinken belüli
hálózatokkal kezdtem foglalkozni,
hálózatokkal kezdtem foglalkozni,
01:46
how the genes and the proteins
and the metabolites link to each other
and the metabolites link to each other
32
94506
3726
egész pontosan azzal, hogyan kapcsolódnak
a gének, a fehérjék és a metabolitok,
a gének, a fehérjék és a metabolitok,
01:50
and how they connect to disease.
33
98256
2493
és hogy ez hogyan hat
a betegségek kialakulására.
a betegségek kialakulására.
01:53
And that interest led
to a major explosion within medicine,
to a major explosion within medicine,
34
101368
4592
Ez a fajta érdeklődés robbanásszerű
változást hozott az orvostudományba,
változást hozott az orvostudományba,
01:57
including the Network Medicine
Division at Harvard,
Division at Harvard,
35
105984
3979
és hatással volt például a Harvard
Hálózati Orvostudomány tanszékére is,
Hálózati Orvostudomány tanszékére is,
02:01
that has more than 300 researchers
who are using this perspective
who are using this perspective
36
109987
3395
ahol több mint 300 kutató
használja ma ezt az elméletet
használja ma ezt az elméletet
02:05
to treat patients and develop new cures.
37
113406
2897
a gyógyítás és az új gyógymódok
kifejlesztésének szolgálatában.
kifejlesztésének szolgálatában.
02:09
And a few years ago,
38
117457
1770
Néhány évvel ezelőtt úgy gondoltam,
02:11
I thought that I would take
this idea of networks
this idea of networks
39
119251
2526
hogy a hálózatokról alkotott elméleteket
02:13
and the expertise we had in networks
40
121801
1766
és az itt szerzett ismereteket
02:15
in a different area,
41
123591
1392
egy másik területre viszem át,
02:17
that is, to understand success.
42
125007
1982
és megpróbálom megfejteni a siker titkát.
02:19
And why did we do that?
43
127704
1210
Mi is volt ezzel a cél?
02:20
Well, we thought that, to some degree,
44
128938
2281
Úgy gondoltuk, hogy bizonyos mértékben
02:23
our success is determined
by the networks we're part of --
by the networks we're part of --
45
131243
3377
a siker is attól függ,
milyen hálózatoknak vagyunk tagjai:
milyen hálózatoknak vagyunk tagjai:
02:26
that our networks can push us forward,
they can pull us back.
they can pull us back.
46
134644
3847
hálózataink lendületet adhatnak,
de vissza is húzhatnak.
de vissza is húzhatnak.
02:30
And I was curious if we could use
the knowledge and big data and expertise
the knowledge and big data and expertise
47
138925
4128
Arra voltam kíváncsi, felhasználható-e
az a tudás, adatmennyiség és gyakorlat,
az a tudás, adatmennyiség és gyakorlat,
02:35
where we develop the networks
48
143077
1403
melyet a hálózatkutatás során
eddig megszereztünk arra,
eddig megszereztünk arra,
02:36
to really quantify
how these things happen.
how these things happen.
49
144504
3296
hogy a sikert mérni tudjuk.
02:40
This is a result from that.
50
148404
1342
A következő eredményre jutottunk.
02:41
What you see here is a network
of galleries in museums
of galleries in museums
51
149770
2947
Amit itt látnak, különböző
múzeumok bemutatótermei,
múzeumok bemutatótermei,
02:44
that connect to each other.
52
152741
1632
melyek mind kapcsolatban állnak egymással.
02:46
And through this map
that we mapped out last year,
that we mapped out last year,
53
154806
4055
Tavaly készültünk el azzal a térképpel,
melynek segítségével
melynek segítségével
02:50
we are able to predict very accurately
the success of an artist
the success of an artist
54
158885
4848
meglehetősen pontosan meg tudtuk
határozni egy művész jövőbeli sikerét,
határozni egy művész jövőbeli sikerét,
02:55
if you give me the first five exhibits
that he or she had in their career.
that he or she had in their career.
55
163757
4021
ha pályafutása első öt kiállításának
adatai a rendelkezésünkre álltak.
adatai a rendelkezésünkre álltak.
03:01
Well, as we thought about success,
56
169404
2706
Ahogy a siker mibenlétén gondolkodtunk,
03:04
we realized that success
is not only about networks;
is not only about networks;
57
172134
3067
rájöttünk, hogy a siker
nemcsak a hálózatokon múlik,
nemcsak a hálózatokon múlik,
03:07
there are so many
other dimensions to that.
other dimensions to that.
58
175225
2396
hanem nagyon sok egyéb tényezőn is.
03:10
And one of the things
we need for success, obviously,
we need for success, obviously,
59
178145
3247
Ezek közül az egyik nyilvánvalóan
03:13
is performance.
60
181416
1170
a teljesítmény.
Nézzük, mi a különbség
a teljesítmény és a siker között.
a teljesítmény és a siker között.
03:14
So let's define what's the difference
between performance and success.
between performance and success.
61
182610
3504
03:18
Well, performance is what you do:
62
186465
1997
A teljesítmény nem más,
mint amit csinálunk:
mint amit csinálunk:
03:20
how fast you run,
what kind of paintings you paint,
what kind of paintings you paint,
63
188486
3032
hogyan futunk,
milyen képeket festünk,
milyen képeket festünk,
03:23
what kind of papers you publish.
64
191542
1881
milyen tanulmányokat publikálunk.
03:25
However, in our working definition,
65
193835
2614
Jelenlegi definíciónk
szerint azonban a siker az,
szerint azonban a siker az,
03:28
success is about what the community
notices from what you did,
notices from what you did,
66
196473
4205
amit a körülöttünk élők
ebből a tevékenységből,
ebből a tevékenységből,
vagyis a teljesítményből észlelnek.
03:32
from your performance:
67
200702
1612
03:34
How does it acknowledge it,
and how does it reward you for it?
and how does it reward you for it?
68
202338
4132
Hogyan ismerik el ezt a teljesítményt?
Mivel jutalmazzák?
Mivel jutalmazzák?
03:38
In other terms,
69
206494
1182
Más szóval,
03:39
your performance is about you,
but your success is about all of us.
but your success is about all of us.
70
207700
4596
a teljesítmény tőlünk függ,
a siker viszont a többiektől.
a siker viszont a többiektől.
03:45
And this was a very
important shift for us,
important shift for us,
71
213392
3334
Ez nagyon fontos állomása
volt a munkánknak,
volt a munkánknak,
03:48
because the moment we defined success
as being a collective measure
as being a collective measure
72
216750
4024
hiszen amint a sikert
meghatározhattuk úgy,
meghatározhattuk úgy,
mint a környezetünkből
érkező kollektív mérőszámot,
érkező kollektív mérőszámot,
03:52
that the community provides to us,
73
220798
2106
03:54
it became measurable,
74
222928
1510
máris mérhetővé tettük.
03:56
because if it's in the community,
there are multiple data points about that.
there are multiple data points about that.
75
224462
4510
Vagyis ha a siker a környezet függvénye,
számos adat áll rendelkezésünkre.
számos adat áll rendelkezésünkre.
04:00
So we go to school,
we exercise, we practice,
we exercise, we practice,
76
228996
5280
Iskolába járunk,
képezzük magunkat, gyakorolunk,
képezzük magunkat, gyakorolunk,
04:06
because we believe
that performance leads to success.
that performance leads to success.
77
234300
2991
mert úgy tudjuk,
a siker záloga a teljesítmény.
a siker záloga a teljesítmény.
04:09
But the way we actually
started to explore,
started to explore,
78
237832
2015
Kutatásainkból viszont kiderült,
04:11
we realized that performance and success
are very, very different animals
are very, very different animals
79
239871
3527
hogy a teljesítmény és a siker
két nagyon, nagyon különböző állat,
két nagyon, nagyon különböző állat,
04:15
when it comes to
the mathematics of the problem.
the mathematics of the problem.
80
243422
2444
ha matematikai szempontból
vizsgáljuk a kérdést.
vizsgáljuk a kérdést.
04:18
And let me illustrate that.
81
246429
1432
Hadd hozzak erre egy példát.
04:20
So what you see here is
the fastest man on earth, Usain Bolt.
the fastest man on earth, Usain Bolt.
82
248329
4947
Ezen a felvételen a világ leggyorsabb
emberét, Usain Boltot látják,
emberét, Usain Boltot látják,
04:25
And of course, he wins most of
the competitions that he enters.
the competitions that he enters.
83
253832
3910
aki természetesen szinte minden versenyt
megnyer, amin csak indul.
megnyer, amin csak indul.
04:30
And we know he's the fastest on earth
because we have a chronometer
because we have a chronometer
84
258393
3175
Abból tudjuk, hogy ő
a világon a leggyorsabb,
a világon a leggyorsabb,
mert a sebességét kronométerrel mérhetjük.
04:33
to measure his speed.
85
261592
1160
04:34
Well, what is interesting about him
is that when he wins,
is that when he wins,
86
262776
4119
Bolttal kapcsolatban különösen
érdekes, hogy mikor nyer,
érdekes, hogy mikor nyer,
04:38
he doesn't do so by really significantly
outrunning his competition.
outrunning his competition.
87
266919
5502
nem azért nyer, mert sokkal
gyorsabban fut, mint a többiek.
gyorsabban fut, mint a többiek.
04:44
He's running at most a percent faster
than the one who loses the race.
than the one who loses the race.
88
272445
4519
Maximum egy százalékkal fut
gyorsabban, mint a második, aki veszít.
gyorsabban, mint a második, aki veszít.
04:49
And not only does he run only
one percent faster than the second one,
one percent faster than the second one,
89
277631
3638
És az még hagyján, hogy a második
helyezettnél csak 1%-kal gyorsabb,
helyezettnél csak 1%-kal gyorsabb,
04:53
but he doesn't run
10 times faster than I do --
10 times faster than I do --
90
281293
2849
de nálam sem tud tízszer gyorsabban futni,
04:56
and I'm not a good runner,
trust me on that.
trust me on that.
91
284166
2181
pedig higgyék el,
nem vagyok valami nagy futó.
nem vagyok valami nagy futó.
04:58
(Laughter)
92
286371
1197
(Nevetés)
04:59
And every time we are able
to measure performance,
to measure performance,
93
287592
3502
Minden egyes alkalommal,
mikor teljesítményt mérünk,
mikor teljesítményt mérünk,
05:03
we notice something very interesting;
94
291118
2050
valami nagyon érdekes derül ki,
05:05
that is, performance is bounded.
95
293192
2511
mégpedig az,
hogy a teljesítmény korlátos.
hogy a teljesítmény korlátos.
05:07
What it means is that there are
no huge variations in human performance.
no huge variations in human performance.
96
295727
3757
Azt értem ezalatt, hogy nincsenek nagy
különbségek az emberi teljesítményben:
különbségek az emberi teljesítményben:
05:11
It varies only in a narrow range,
97
299508
3432
az eredmények szűk skálán mozognak,
05:14
and we do need the chronometer
to measure the differences.
to measure the differences.
98
302964
3279
és nagy szükségünk van kronométerre,
hogy a különbséget mérni tudjuk.
hogy a különbséget mérni tudjuk.
Ez persze nem azt jelenti, hogy a jót
a legjobbtól ne tudnánk megkülönböztetni,
a legjobbtól ne tudnánk megkülönböztetni,
05:18
This is not to say that we cannot
see the good from the best ones,
see the good from the best ones,
99
306267
3168
05:21
but the best ones
are very hard to distinguish.
are very hard to distinguish.
100
309459
2733
de a legjobbakat
tényleg nehéz kiszűrni.
tényleg nehéz kiszűrni.
05:24
And the problem with that
is that most of us work in areas
is that most of us work in areas
101
312216
2992
A probléma ugyanis az, hogy legtöbben
olyan területen dolgozunk,
olyan területen dolgozunk,
05:27
where we do not have a chronometer
to gauge our performance.
to gauge our performance.
102
315232
3922
ahol a teljesítmény nem mérhető
időmérő eszközökkel.
időmérő eszközökkel.
05:31
Alright, performance is bounded,
103
319178
1564
Azt tehát értjük,
hogy a teljesítmény kötött,
hogy a teljesítmény kötött,
05:32
there are no huge differences between us
when it comes to our performance.
when it comes to our performance.
104
320766
3532
és e tekintetben
nincsenek köztünk nagy különbségek.
nincsenek köztünk nagy különbségek.
05:36
How about success?
105
324322
1157
De mi a helyzet a sikerrel?
05:37
Well, let's switch to
a different topic, like books.
a different topic, like books.
106
325995
2930
Nézzünk most egy másik témát:
például a könyveket.
például a könyveket.
05:40
One measure of success for writers is
how many people read your work.
how many people read your work.
107
328949
5015
Az írók számára az egyik mérőszám az,
hogy hányan olvassák a könyveiket.
hogy hányan olvassák a könyveiket.
05:46
And so when my previous book
came out in 2009,
came out in 2009,
108
334662
4410
Így aztán, mikor az előző könyvem
2009-ben megjelent,
2009-ben megjelent,
05:51
I was in Europe talking with my editor,
109
339096
1902
Európában voltam,
a szerkesztőmmel beszélgettem,
a szerkesztőmmel beszélgettem,
05:53
and I was interested:
Who is the competition?
Who is the competition?
110
341022
2462
és arra voltam kíváncsi,
kik a vetélytársak.
kik a vetélytársak.
05:56
And I had some fabulous ones.
111
344253
2735
És volt köztük pár nagyszerű név.
05:59
That week --
112
347012
1169
Azon a héten jött ki...
06:00
(Laughter)
113
348205
1024
(Nevetés)
06:01
Dan Brown came out with "The Lost Symbol,"
114
349253
3557
Dan Brown "Az elveszett jelkép"
című könyve,
című könyve,
és akkor jelent meg "Az utolsó dal"
06:04
and "The Last Song" also came out,
115
352834
2982
Nicholas Sparkstól.
06:07
Nicholas Sparks.
116
355840
1429
06:09
And when you just look at the list,
117
357293
2988
És ha végignézünk a listán,
06:12
you realize, you know, performance-wise,
there's hardly any difference
there's hardly any difference
118
360305
3453
látjuk, hogy teljesítmény tekintetében
szinte alig van különbség
szinte alig van különbség
az előbb felsorolt könyvek
és az enyém között.
és az enyém között.
06:15
between these books or mine.
119
363782
1598
06:17
Right?
120
365404
1175
Így van?
06:18
So maybe if Nicholas Sparks's team
works a little harder,
works a little harder,
121
366603
4668
Vagyis ha Nicholas Sparks csapata
egy kicsit szorgalmasabban dolgozik,
egy kicsit szorgalmasabban dolgozik,
06:23
he could easily be number one,
122
371295
1722
akár elsők is lehettek volna,
06:25
because it's almost by accident
who ended up at the top.
who ended up at the top.
123
373041
2898
hiszen szinte csak a véletlenen
múlik, ki kerül a csúcsra.
múlik, ki kerül a csúcsra.
06:28
So I said, let's look at the numbers --
I'm a data person, right?
I'm a data person, right?
124
376486
3153
Akkor azt mondtam, nézzük meg az adatokat,
elvégre a számok embere vagyok, nem?
elvégre a számok embere vagyok, nem?
06:31
So let's see what were
the sales for Nicholas Sparks.
the sales for Nicholas Sparks.
125
379663
4318
Nézzük meg, hány Nicholas Sparks
könyvet adtak el.
könyvet adtak el.
06:36
And it turns out that
that opening weekend,
that opening weekend,
126
384005
2054
Kiderült, hogy az első héten
06:38
Nicholas Sparks sold more than
a hundred thousand copies,
a hundred thousand copies,
127
386083
2975
Nicholas Sparks könyvéből több
mint 100 000 példányt vásároltak meg,
mint 100 000 példányt vásároltak meg,
06:41
which is an amazing number.
128
389082
1705
ami elképesztően nagy szám.
06:42
You can actually get to the top
of the "New York Times" best-seller list
of the "New York Times" best-seller list
129
390811
3396
Már azzal is felkerülhet az ember
a "New York Times" bestseller listájára,
a "New York Times" bestseller listájára,
06:46
by selling 10,000 copies a week,
130
394231
2110
ha egy héten 10 000 könyvét eladják.
06:48
so he tenfold overcame
what he needed to be number one.
what he needed to be number one.
131
396365
3752
Ő ezt tízszeresen felülmúlta.
06:52
Yet he wasn't number one.
132
400141
1430
Mégsem ő lett az első.
06:53
Why?
133
401595
1308
Miért?
06:54
Because there was Dan Brown,
who sold 1.2 million copies that weekend.
who sold 1.2 million copies that weekend.
134
402927
4078
Mert ott volt Dan Brown könyve, ami
1,2 millió példányban kelt el ugyanakkor.
1,2 millió példányban kelt el ugyanakkor.
06:59
(Laughter)
135
407029
2136
(Nevetés)
07:01
And the reason I like this number
is because it shows that, really,
is because it shows that, really,
136
409189
3971
Azért szeretem ezt a számot,
mert megmutatja,
mert megmutatja,
hogy a siker korlátlan,
07:05
when it comes to success, it's unbounded,
137
413184
3730
07:08
that the best doesn't only get
slightly more than the second best
slightly more than the second best
138
416938
5861
és hogy az elsőnek nemcsak egy kicsivel,
07:14
but gets orders of magnitude more,
139
422823
2697
hanem nagyságrendekkel is több juthat,
mint a másodiknak,
mint a másodiknak,
07:17
because success is a collective measure.
140
425544
2794
mivel a siker kollektív mérőszám.
07:20
We give it to them, rather than
we earn it through our performance.
we earn it through our performance.
141
428362
4376
A sikert másoktól kapjuk,
nem a teljesítményünkkel érdemeljük ki.
nem a teljesítményünkkel érdemeljük ki.
07:24
So one of things we realized is that
performance, what we do, is bounded,
performance, what we do, is bounded,
142
432762
5376
Tehát arra a következtetésre jutottunk,
hogy bár a teljesítmény korlátos,
hogy bár a teljesítmény korlátos,
07:30
but success, which is
collective, is unbounded,
collective, is unbounded,
143
438162
2682
a siker közösségi és korlátlan.
07:32
which makes you wonder:
144
440868
1312
Fel is merült a kérdés:
07:34
How do you get these
huge differences in success
huge differences in success
145
442204
2911
Miért van ekkora különbség
a siker mértékében,
a siker mértékében,
07:37
when you have such tiny
differences in performance?
differences in performance?
146
445139
2906
ha maga a teljesítmény nem tér el
nagy mértékben?
nagy mértékben?
07:40
And recently, I published a book
that I devoted to that very question.
that I devoted to that very question.
147
448537
3787
Nemrégiben jelent meg egy könyvem,
amit ennek a kérdésnek szenteltem.
amit ennek a kérdésnek szenteltem.
07:44
And they didn't give me enough time
to go over all of that,
to go over all of that,
148
452348
2839
Nem kaptam túl sok időt,
hogy ezt részletesen kifejtsem,
hogy ezt részletesen kifejtsem,
07:47
so I'm going to go back
to the question of,
to the question of,
149
455211
2071
ezért szeretnék visszamenni
ahhoz a kérdéshez,
ahhoz a kérdéshez,
07:49
alright, you have success;
when should that appear?
when should that appear?
150
457306
3135
hogy az rendben van, hogy sikeresek
leszünk, de mikor kell ennek jelentkeznie?
leszünk, de mikor kell ennek jelentkeznie?
07:52
So let's go back to the party spoiler
and ask ourselves:
and ask ourselves:
151
460465
3758
Lépjünk tehát vissza az ünneprontó
gondolathoz, és tegyük fel a kérdést:
gondolathoz, és tegyük fel a kérdést:
07:57
Why did Einstein make
this ridiculous statement,
this ridiculous statement,
152
465215
3339
Miért állította Einstein
azt a nevetséges dolgot,
azt a nevetséges dolgot,
08:00
that only before 30
you could actually be creative?
you could actually be creative?
153
468578
3156
hogy csak 30 éves korunk előtt
lehetünk ténylegesen kreatívak?
lehetünk ténylegesen kreatívak?
08:03
Well, because he looked around himself
and he saw all these fabulous physicists
and he saw all these fabulous physicists
154
471758
4680
Nos azért, mert körülnézett, és látta
azt a rengeteg nagyszerű fizikust,
azt a rengeteg nagyszerű fizikust,
08:08
that created quantum mechanics
and modern physics,
and modern physics,
155
476462
2587
akik akkor fektették le a modern
fizika és a kvantummechanika alapjait,
fizika és a kvantummechanika alapjait,
08:11
and they were all in their 20s
and early 30s when they did so.
and early 30s when they did so.
156
479073
3736
mikor huszonévesek voltak,
de legfeljebb épp csak harmincasok.
de legfeljebb épp csak harmincasok.
08:15
And it's not only him.
157
483730
1220
Mert hát nem volt egyedül.
08:16
It's not only observational bias,
158
484974
1623
Azt sem mondhatjuk, hogy mindössze
megfigyelési hibáról van szó,
megfigyelési hibáról van szó,
08:18
because there's actually
a whole field of genius research
a whole field of genius research
159
486621
3997
hiszen a zsenikutatók
08:22
that has documented the fact that,
160
490642
2256
egész sor dokumentummal igazolták a tényt,
08:24
if we look at the people
we admire from the past
we admire from the past
161
492922
3160
hogy ha régi nagyságokra gondolunk,
08:28
and then look at what age
they made their biggest contribution,
they made their biggest contribution,
162
496106
3358
és megnézzük, hány éves korukban
alkották legjelentősebb műveiket,
alkották legjelentősebb műveiket,
08:31
whether that's music,
whether that's science,
whether that's science,
163
499488
2096
akár zenéről, tudományról,
08:33
whether that's engineering,
164
501608
1619
vagy mérnöki tudományokról van szó,
08:35
most of them tend to do so
in their 20s, 30s, early 40s at most.
in their 20s, 30s, early 40s at most.
165
503251
6123
látjuk, hogy legtöbben 20-as, 30-as
éveikben, vagy 40-es éveik elején jártak.
éveikben, vagy 40-es éveik elején jártak.
08:41
But there's a problem
with this genius research.
with this genius research.
166
509914
2791
A zsenikutatással azonban
van egy probléma.
van egy probléma.
08:45
Well, first of all, it created
the impression to us
the impression to us
167
513197
3280
Elsősorban az, hogy azt a képet
alakította ki bennünk,
alakította ki bennünk,
08:48
that creativity equals youth,
168
516501
3479
hogy a kreativitás egyenlő a fiatalsággal,
08:52
which is painful, right?
169
520004
1610
ami elég fájdalmas, igaz?
08:53
(Laughter)
170
521638
1951
(Nevetés)
08:55
And it also has an observational bias,
171
523613
4088
De van itt egy megfigyelési hiba is,
08:59
because it only looks at geniuses
and doesn't look at ordinary scientists
and doesn't look at ordinary scientists
172
527725
4962
mivel csak a kiemelkedő tehetségeket
vizsgálták, az egyszerű tudósokat nem.
vizsgálták, az egyszerű tudósokat nem.
09:04
and doesn't look at all of us and ask,
173
532711
1965
A vizsgálat tehát nem általánosan
tette fel a kérdést:
tette fel a kérdést:
09:06
is it really true that creativity
vanishes as we age?
vanishes as we age?
174
534700
3185
Igaz-e az, hogy a korral együtt
elveszítjük a kreativitásunkat is?
elveszítjük a kreativitásunkat is?
09:10
So that's exactly what we tried to do,
175
538382
1877
Mi pontosan erre kerestük a választ.
09:12
and this is important for that
to actually have references.
to actually have references.
176
540283
3803
Ehhez viszont fontos volt,
hogy legyenek referenciapontjaink.
hogy legyenek referenciapontjaink.
09:16
So let's look at an ordinary
scientist like myself,
scientist like myself,
177
544110
2643
Vegyünk tehát
egy átlagos tudóst, mint én,
egy átlagos tudóst, mint én,
09:18
and let's look at my career.
178
546777
1522
vizsgáljuk meg az én karrierem alakulást.
09:20
So what you see here is all the papers
that I've published
that I've published
179
548323
3202
Itt látható azon tanulmányok listája,
melyeket eddig publikáltam,
melyeket eddig publikáltam,
09:23
from my very first paper, in 1989;
I was still in Romania when I did so,
I was still in Romania when I did so,
180
551549
5115
az 1989-ben megjelent első tanulmányomtól,
amit még Romániában írtam,
amit még Romániában írtam,
09:28
till kind of this year.
181
556688
1593
egészen az idei évig.
A függőleges tengelyen ábrázoltam,
milyen hatása volt az adott tanulmánynak,
milyen hatása volt az adott tanulmánynak,
09:30
And vertically, you see
the impact of the paper,
the impact of the paper,
182
558940
2518
09:33
that is, how many citations,
183
561482
1403
hányan hivatkoztak rá,
09:34
how many other papers
have been written that cited that work.
have been written that cited that work.
184
562909
3988
hány további tanulmány készült,
melyben erre hivatkoznak.
melyben erre hivatkoznak.
09:39
And when you look at that,
185
567397
1300
Ha ezt megnézik,
09:40
you see that my career
has roughly three different stages.
has roughly three different stages.
186
568721
2813
láthatják, hogy karrierem
nagyjából három fázisra osztható.
nagyjából három fázisra osztható.
Ott volt az első 10 év,
amikor rengeteget dolgoztam,
amikor rengeteget dolgoztam,
09:43
I had the first 10 years
where I had to work a lot
where I had to work a lot
187
571558
2435
viszont nem értem el túl sokat.
09:46
and I don't achieve much.
188
574017
1276
09:47
No one seems to care
about what I do, right?
about what I do, right?
189
575317
2118
Ekkor még senkit nem érdekel,
mivel foglalkozom, igaz?
mivel foglalkozom, igaz?
09:49
There's hardly any impact.
190
577459
1681
A munkámnak nincs még hatása.
09:51
(Laughter)
191
579164
1404
(Nevetés)
09:52
That time, I was doing material science,
192
580592
2887
Akkor még anyagtudományokkal foglalkoztam,
09:55
and then I kind of discovered
for myself networks
for myself networks
193
583503
3691
később felfedeztem magamnak a hálózatokat,
09:59
and then started publishing in networks.
194
587218
1947
és ezekről kezdtem írni.
10:01
And that led from one high-impact
paper to the other one.
paper to the other one.
195
589189
3073
Onnan már egyik nagy hatású
tanulmány jelent meg a másik után.
tanulmány jelent meg a másik után.
10:04
And it really felt good.
That was that stage of my career.
That was that stage of my career.
196
592286
3104
Nagyszerű érzés volt ez –
ez volt karrierem csúcsidőszaka.
ez volt karrierem csúcsidőszaka.
10:07
(Laughter)
197
595414
1282
(Nevetés)
10:08
So the question is,
what happens right now?
what happens right now?
198
596720
3208
A kérdés az, hogy mi van most?
10:12
And we don't know, because there
hasn't been enough time passed yet
hasn't been enough time passed yet
199
600587
3239
És ezt természetesen nem tudjuk,
mert nem telt el elegendő idő ahhoz,
mert nem telt el elegendő idő ahhoz,
10:15
to actually figure out how much impact
those papers will get;
those papers will get;
200
603850
2987
hogy megmondjuk, milyen hatása lesz
az új tanulmányoknak –
az új tanulmányoknak –
10:18
it takes time to acquire.
201
606861
1227
ehhez még idő kell.
Ha ezeket az adatokat nézzük,
10:20
Well, when you look at the data,
202
608112
1569
úgy tűnik, Einsteinnek
és a zsenikutatóknak igaza volt.
és a zsenikutatóknak igaza volt.
10:21
it seems to be that Einstein,
the genius research, is right,
the genius research, is right,
203
609705
2854
Most karrieremnek "ezen" a szintjén állok.
10:24
and I'm at that stage of my career.
204
612583
1811
10:26
(Laughter)
205
614418
2308
(Nevetés)
10:28
So we said, OK, let's figure out
how does this really happen,
how does this really happen,
206
616750
5974
Erre azt mondtuk, rendben, akkor
nézzük meg, hogyan is történik mindez.
nézzük meg, hogyan is történik mindez.
10:34
first in science.
207
622748
1778
Nézzük először a tudomány világát.
10:36
And in order not to have
the selection bias,
the selection bias,
208
624550
3632
Hogy elkerüljük a kiválasztási hibákat,
10:40
to look only at geniuses,
209
628206
1337
nemcsak a géniuszokat vizsgáltuk,
10:41
we ended up reconstructing the career
of every single scientist
of every single scientist
210
629567
3716
hanem megnéztük minden tudós életrajzát
10:45
from 1900 till today
211
633307
2502
1900-tól napjainkig.
10:47
and finding for all scientists
what was their personal best,
what was their personal best,
212
635833
3712
Minden tudósnál meghatároztuk,
mi volt pályafutásának csúcspontja,
mi volt pályafutásának csúcspontja,
10:51
whether they got the Nobel Prize
or they never did,
or they never did,
213
639569
2812
hogy kapott-e valaha
Nobel-díjat vagy nem,
Nobel-díjat vagy nem,
10:54
or no one knows what they did,
even their personal best.
even their personal best.
214
642405
3407
sőt az is lehet, hogy senki nem ismerte
még legjelentősebb eredményeit sem.
még legjelentősebb eredményeit sem.
10:57
And that's what you see in this slide.
215
645836
1915
Ezt látják a következő dián.
10:59
Each line is a career,
216
647775
1573
Minden sor egy-egy tudósé,
11:01
and when you have a light blue dot
on the top of that career,
on the top of that career,
217
649372
3003
a világoskék pont azt jelzi,
mikor voltak karrierjük csúcsán,
mikor voltak karrierjük csúcsán,
mikor érték el a legkiemelkedőbb
eredményeket.
eredményeket.
11:04
it says that was their personal best.
218
652399
2040
11:06
And the question is,
219
654463
1155
A kérdés pedig az,
11:07
when did they actually make
their biggest discovery?
their biggest discovery?
220
655642
3568
mikor tették
a legnagyobb felfedezést.
a legnagyobb felfedezést.
11:11
To quantify that,
221
659234
1165
Ahhoz, hogy ezt mérni tudjuk,
11:12
we look at what's the probability
that you make your biggest discovery,
that you make your biggest discovery,
222
660423
3376
azt vizsgáltuk, mi a valószínűsége,
hogy mondjuk karrierje első, második,
hogy mondjuk karrierje első, második,
11:15
let's say, one, two, three
or 10 years into your career?
or 10 years into your career?
223
663823
2672
vagy tizedik évében jut el
egy tudós a nagy felfedezéshez.
egy tudós a nagy felfedezéshez.
11:18
We're not looking at real age.
224
666519
1480
Itt nem a valós életkort vettük,
11:20
We're looking at
what we call "academic age."
what we call "academic age."
225
668023
2134
hanem az ún. "tudományos életkort".
A tudományos életkor akkor kezdődik,
mikor az első tanulmányunkat publikáljuk.
mikor az első tanulmányunkat publikáljuk.
11:22
Your academic age starts
when you publish your first papers.
when you publish your first papers.
226
670181
3250
11:25
I know some of you are still babies.
227
673455
1779
Igen, néhányan még kisbabák.
11:27
(Laughter)
228
675258
1397
(Nevetés)
11:28
So let's look at the probability
229
676679
2706
Nézzük, mikor legvalószínűbb,
11:31
that you publish
your highest-impact paper.
your highest-impact paper.
230
679409
2066
hogy megjelenik a legjelentősebb munka.
11:33
And what you see is, indeed,
the genius research is right.
the genius research is right.
231
681499
3071
Itt is azt látjuk, hogy igaza van
a zsenikutatóknak.
a zsenikutatóknak.
11:36
Most scientists tend to publish
their highest-impact paper
their highest-impact paper
232
684594
3024
A legnagyobb hatású munkáját
ugyanis a legtöbb tudós
ugyanis a legtöbb tudós
11:39
in the first 10, 15 years in their career,
233
687642
2899
karrierje első 10-15 évében adja ki,
11:42
and it tanks after that.
234
690565
3133
aztán hanyatlásnak indul.
11:45
It tanks so fast that I'm about --
I'm exactly 30 years into my career,
I'm exactly 30 years into my career,
235
693722
5107
Olyan gyorsan hanyatlik a teljesítmény,
hogy az én esetemben, aki most pont
karrierem 30. évében járok,
karrierem 30. évében járok,
11:50
and the chance that I will publish a paper
that would have a higher impact
that would have a higher impact
236
698853
3540
az esélye annak, hogy bármi
nagyobb hatásút írjak annál, mint eddig,
nagyobb hatásút írjak annál, mint eddig,
11:54
than anything that I did before
237
702417
1940
11:56
is less than one percent.
238
704381
1353
kevesebb mint egy százalék.
11:57
I am in that stage of my career,
according to this data.
according to this data.
239
705758
3049
Az itt látható adatok is mutatják,
hogy karrierem leszálló ágában járok.
hogy karrierem leszálló ágában járok.
12:01
But there's a problem with that.
240
709648
1843
Csakhogy van ezzel egy kis probléma.
12:03
We're not doing controls properly.
241
711515
3675
Nem jelöltük ugyanis
megfelelően a változókat.
megfelelően a változókat.
12:07
So the control would be,
242
715214
1417
Iktassuk be azt a szempontot,
12:08
what would a scientist look like
who makes random contribution to science?
who makes random contribution to science?
243
716655
4607
hogy van olyan tudós, aki csak
alkalmanként jelentkezik eredményekkel.
alkalmanként jelentkezik eredményekkel.
12:13
Or what is the productivity
of the scientist?
of the scientist?
244
721286
2995
Hogyan írhatjuk le
az ilyen tudósok teljesítményét?
az ilyen tudósok teljesítményét?
12:16
When do they write papers?
245
724305
2006
Ők mikor jelentetnek meg tanulmányokat?
12:18
So we measured the productivity,
246
726335
2444
Megmértük tehát a teljesítményt,
és azt a hihetetlen eredményt kaptuk,
hogy a teljesítmény,
hogy a teljesítmény,
12:20
and amazingly, the productivity,
247
728803
2052
vagyis annak valószínűsége, hogy pályánk
első, 10. vagy 20. évében publikálunk,
első, 10. vagy 20. évében publikálunk,
12:22
your likelihood of writing a paper
in year one, 10 or 20 in your career,
in year one, 10 or 20 in your career,
248
730879
4131
12:27
is indistinguishable from the likelihood
of having the impact
of having the impact
249
735034
3606
megkülönböztethetetlen
annak valószínűségétől,
annak valószínűségétől,
amilyen hatást karrierünk
adott szintjén elérhetünk.
adott szintjén elérhetünk.
12:30
in that part of your career.
250
738664
1775
12:33
And to make a long story short,
251
741026
1783
Hogy röviden összefoglaljam a dolgot,
12:34
after lots of statistical tests,
there's only one explanation for that,
there's only one explanation for that,
252
742833
4228
sok-sok statisztikai mérés után,
erre csak egy magyarázatot tudtunk adni,
erre csak egy magyarázatot tudtunk adni,
12:39
that really, the way we scientists work
253
747085
2894
és ez nem volt más, mint az,
hogy mi, tudósok úgy dolgozunk,
hogy mi, tudósok úgy dolgozunk,
12:42
is that every single paper we write,
every project we do,
every project we do,
254
750003
3633
hogy minden egyes tanulmány, amit írunk,
minden projekt, amiben részt veszünk,
minden projekt, amiben részt veszünk,
12:45
has exactly the same chance
of being our personal best.
of being our personal best.
255
753660
4160
ugyanakkora eséllyel lehet
egyben legkiválóbb teljesítményünk.
egyben legkiválóbb teljesítményünk.
12:49
That is, discovery is like
a lottery ticket.
a lottery ticket.
256
757844
4953
A tudományos felfedezés
olyan tehát, mint a lutri.
olyan tehát, mint a lutri.
Minél több lottószelvényünk van,
12:54
And the more lottery tickets we buy,
257
762821
2351
annál nagyobb az esély, hogy nyerünk.
12:57
the higher our chances.
258
765196
1507
12:58
And it happens to be so
259
766727
1559
És úgy tűnik,
13:00
that most scientists buy
most of their lottery tickets
most of their lottery tickets
260
768310
2719
a legtöbb tudós ezeket a szelvényeket
13:03
in the first 10, 15 years of their career,
261
771053
2460
pályafutása első 10-15 évében szerzi be.
13:05
and after that,
their productivity decreases.
their productivity decreases.
262
773537
3413
Aztán csökken a teljesítmény.
13:09
They're not buying
any more lottery tickets.
any more lottery tickets.
263
777411
2084
Már nem vesznek több szelvényt.
13:11
So it looks as if
they would not be creative.
they would not be creative.
264
779519
3444
Úgy tűnik, mintha
elvesztették volna a kreativitásukat.
elvesztették volna a kreativitásukat.
13:14
In reality, they stopped trying.
265
782987
1999
Valójában azonban,
inkább nem próbálkoznak tovább.
inkább nem próbálkoznak tovább.
13:17
So when we actually put the data together,
the conclusion is very simple:
the conclusion is very simple:
266
785509
3915
Tehát ha összesítjük az adatokat,
azt az egyszerű eredményt kapjuk,
azt az egyszerű eredményt kapjuk,
13:21
success can come at any time.
267
789448
2331
hogy a siker bármikor beüthet.
13:23
It could be your very first
or very last paper of your career.
or very last paper of your career.
268
791803
3735
Ennek kiváltója lehet pályafutásunk
első vagy utolsó tanulmánya is.
első vagy utolsó tanulmánya is.
13:27
It's totally random
in the space of the projects.
in the space of the projects.
269
795562
4288
A vizsgált téma tekintetében is
teljesen esetleges ez.
teljesen esetleges ez.
13:31
It is the productivity that changes.
270
799874
1931
Ami változik, az a teljesítmény.
13:33
Let me illustrate that.
271
801829
1252
Hadd hozzak erre egy példát.
13:35
Here is Frank Wilczek,
who got the Nobel Prize in Physics
who got the Nobel Prize in Physics
272
803105
3269
A képen Frank Wilczeket látják, aki első,
még egyetemistaként írt tanulmányával
még egyetemistaként írt tanulmányával
13:38
for the very first paper he ever wrote
in his career as a graduate student.
in his career as a graduate student.
273
806398
4101
nyerte el a fizikai Nobel-díjat.
13:42
(Laughter)
274
810523
1007
(Nevetés)
13:43
More interesting is John Fenn,
275
811554
3218
Még nála is érdekesebb John Fenn esete,
13:46
who, at age 70, was forcefully retired
by Yale University.
by Yale University.
276
814796
4598
akit a Yale Egyetem 70 évesen
kényszernyugdíjazott.
kényszernyugdíjazott.
13:51
They shut his lab down,
277
819418
2056
Még a laborját is bezárták.
13:53
and at that moment, he moved
to Virginia Commonwealth University,
to Virginia Commonwealth University,
278
821498
3666
Fenn ekkor átment
a Virginia Commonwealth Egyetemre,
a Virginia Commonwealth Egyetemre,
13:57
opened another lab,
279
825188
1786
új labort nyitott,
13:58
and it is there, at age 72,
that he published a paper
that he published a paper
280
826998
3033
és ekkor, 72 évesen
írta azt a tanulmányát,
írta azt a tanulmányát,
14:02
for which, 15 years later, he got
the Nobel Prize for Chemistry.
the Nobel Prize for Chemistry.
281
830055
3845
melyért 15 évvel később
megkapta a kémiai Nobel-díjat.
megkapta a kémiai Nobel-díjat.
14:06
And you think, OK,
well, science is special,
well, science is special,
282
834940
3042
És most gondolhatják azt,
hogy hát a tudomány világa mégis más,
hogy hát a tudomány világa mégis más,
14:10
but what about other areas
where we need to be creative?
where we need to be creative?
283
838006
3463
de mi a helyzet más foglalkozásokkal,
ahol szükség van a kreativitásra?
ahol szükség van a kreativitásra?
14:13
So let me take another
typical example: entrepreneurship.
typical example: entrepreneurship.
284
841493
4936
Hadd mondjak el itt egy másik jellegzetes
példát: nézzük a vállalkozásokat.
példát: nézzük a vállalkozásokat.
14:18
Silicon Valley,
285
846834
1579
Szilícium-völgy,
14:20
the land of the youth, right?
286
848437
2066
a feltörekvő ifjúság Mekkája, ugye?
14:22
And indeed, when you look at it,
287
850527
1595
És tényleg, ha megnézzük, látjuk,
14:24
you realize that the biggest awards,
the TechCrunch Awards and other awards,
the TechCrunch Awards and other awards,
288
852146
4642
hogy a legnagyobb díjakat,
mint a TechCrunch-díj és egyebek,
mint a TechCrunch-díj és egyebek,
14:28
are all going to people
289
856812
2173
azok kapják,
akik átlagéletkora alig 30,
vagy csak egy kicsivel több annál.
vagy csak egy kicsivel több annál.
14:31
whose average age
is late 20s, very early 30s.
is late 20s, very early 30s.
290
859009
5015
14:36
You look at who the VCs give the money to,
some of the biggest VC firms --
some of the biggest VC firms --
291
864465
5602
Nézzék meg, kiket támogatnak
a kockázati tőkések és vállalataik:
a kockázati tőkések és vállalataik:
14:42
all people in their early 30s.
292
870091
2241
a 30 év körülieket.
14:44
Which, of course, we know;
293
872951
1265
Ami persze azért van, ezt mind tudjuk,
14:46
there is this ethos in Silicon Valley
that youth equals success.
that youth equals success.
294
874240
4453
mert a Szilícium-völgyben úgy gondolják,
a fiatalság egyenlő a sikerrel.
a fiatalság egyenlő a sikerrel.
14:51
Not when you look at the data,
295
879653
2183
Az adatok viszont nem ezt mutatják.
14:53
because it's not only
about forming a company --
about forming a company --
296
881860
2304
Mert itt nem csak
magáról a cégalapításról van szó.
magáról a cégalapításról van szó.
14:56
forming a company is like productivity,
trying, trying, trying --
trying, trying, trying --
297
884188
3140
A cégalapítás egy teljesítmény -
próbálkozunk, próbálkozunk.
próbálkozunk, próbálkozunk.
14:59
when you look at which
of these individuals actually put out
of these individuals actually put out
298
887352
3484
De nézzük meg, kik azok,
akik valóban sikeres céget hoznak létre,
vagy más módon lesznek sikeresek.
vagy más módon lesznek sikeresek.
15:02
a successful company, a successful exit.
299
890860
2782
15:05
And recently, some of our colleagues
looked at exactly that question.
looked at exactly that question.
300
893666
3720
Nemrégiben néhány kollégám
ennek a kérdésnek járt utána.
ennek a kérdésnek járt utána.
15:09
And it turns out that yes,
those in the 20s and 30s
those in the 20s and 30s
301
897410
3156
És igen, kiderült, hogy a 20-as, 30-asok
15:12
put out a huge number of companies,
form lots of companies,
form lots of companies,
302
900590
3348
nagyon sok céget alakítanak,
sok céget hoznak létre,
sok céget hoznak létre,
15:15
but most of them go bust.
303
903962
1531
de legtöbbjük csődbe megy.
15:18
And when you look at the successful exits,
what you see in this particular plot,
what you see in this particular plot,
304
906089
4195
Ha megnézzük, mitől lesz valaki sikeres
ebben az esetben, azt látjuk,
ebben az esetben, azt látjuk,
15:22
the older you are, the more likely that
you will actually hit the stock market
you will actually hit the stock market
305
910308
3695
hogy minél idősebb valaki, annál nagyobb
az esélye annak, hogy jegyezzék a tőzsdén,
az esélye annak, hogy jegyezzék a tőzsdén,
15:26
or the sell the company successfully.
306
914027
2312
vagy hogy nyereségesen adja el a cégét.
15:28
This is so strong, actually,
that if you are in the 50s,
that if you are in the 50s,
307
916847
3113
Ez nagyon egyértelműen megmutatkozott.
Egy ötvenes üzletembernek
kétszer akkora esélye van a sikerre,
kétszer akkora esélye van a sikerre,
15:31
you are twice as likely
to actually have a successful exit
to actually have a successful exit
308
919984
3588
15:35
than if you are in your 30s.
309
923596
1890
mint egy harmincasnak.
15:38
(Applause)
310
926613
4325
(Taps)
15:43
So in the end, what is it
that we see, actually?
that we see, actually?
311
931645
3009
Végeredményben tehát,
mi is derül ki mindebből?
mi is derül ki mindebből?
15:46
What we see is that creativity has no age.
312
934678
4083
Az, hogy a kreativitás nem életkorfüggő.
15:50
Productivity does, right?
313
938785
2202
A teljesítmény viszont igen, igaz?
15:53
Which is telling me that
at the end of the day,
at the end of the day,
314
941424
4135
Ebből számomra az következik,
hogy végső soron,
hogy végső soron,
15:57
if you keep trying --
315
945583
2000
ha az ember próbálkozik,
15:59
(Laughter)
316
947607
2403
(Nevetés)
16:02
you could still succeed
and succeed over and over.
and succeed over and over.
317
950034
3572
újra és újra érhet el sikereket.
16:05
So my conclusion is very simple:
318
953630
2391
A végkövetkeztetés tehát nagyon egyszerű:
16:08
I am off the stage, back in my lab.
319
956045
2093
megyek is vissza a laboromba.
16:10
Thank you.
320
958162
1171
Köszönöm.
16:11
(Applause)
321
959357
3309
(Taps)
ABOUT THE SPEAKER
Albert-László Barabási - Network scientistA pioneer in network science, Albert-László Barabási uncovers the hidden order behind complex systems.
Why you should listen
Albert-László Barabási is fascinated by a wide range of topics, from the structure of the brain and treating diseases with network medicine to the emergence of success in art and how science really works. His work uses the quantitative tools of network science, a research field that he pioneered, and led to the discovery of scale-free networks, helping explain the emergence of many natural, technological and social networks.
Barabási is the Robert Gray Dodge Professor of Network Science at Northeastern University and holds an appointment in the Department of Medicine at Harvard Medical School. He splits his time with Budapest, where he runs a European Research Council project at Central European University. A Hungarian born native of Transylvania, Romania, he received his masters in theoretical physics at the Eötvös University in Budapest, Hungary and his PhD three years later at Boston University.
Barabási’s latest book is The Formula: The Universal Laws of Success. He is also the author of Network Science, Linked and Bursts. He co-edited Network Medicine and The Structure and Dynamics of Networks. His books have been translated into over twenty languages.
Albert-László Barabási | Speaker | TED.com