TEDxMidAtlantic
Albert-László Barabási: The real relationship between your age and your chance of success
Albert-László Barabási: A verdadeira relação entre idade e chance de sucesso
Filmed:
Readability: 4
2,762,222 views
Apoiado pela análise matemática, o teórico de redes Albert-László Barabási explora os mecanismos ocultos que levam ao sucesso, não importa a área, e revela uma relação intrigante entre idade e chance de sucesso.
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.
00:12
Today, actually, is
a very special day for me,
a very special day for me,
0
249
2266
Hoje é um dia muito especial para mim,
00:14
because it is my birthday.
1
2539
2121
porque é meu aniversário.
00:16
(Applause)
2
4684
3973
(Aplausos)
00:20
And so, thanks to all of you
for joining the party.
for joining the party.
3
8681
3441
Obrigado a todos vocês
por participarem da festa.
por participarem da festa.
00:24
(Laughter)
4
12146
1167
(Risos)
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
Mas toda vez que damos uma festa,
tem alguém lá para estragar tudo, não é?
tem alguém lá para estragar tudo, não é?
00:30
(Laughter)
6
18147
1072
(Risos)
00:31
And I'm a physicist,
7
19243
1359
Sou físico.
00:32
and this time I brought
another physicist along to do so.
another physicist along to do so.
8
20626
4157
Desta vez, trouxe outro físico
para fazer isso.
para fazer isso.
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
O nome dele é Albert Einstein, meu xará,
e foi ele quem disse
00:41
that the person who has not made
his great contributions to science
his great contributions to science
10
29393
4830
que uma pessoa que não fez
contribuições importantes à ciência
contribuições importantes à ciência
00:46
by the age of 30
11
34247
1559
até os 30 anos de idade
00:47
will never do so.
12
35830
1396
nunca fará.
00:49
(Laughter)
13
37250
1012
(Risos)
Vocês não precisam consultar a Wikipédia
00:50
Now, you don't need to check Wikipedia
14
38286
2340
00:52
that I'm beyond 30.
15
40650
1571
para saber que tenho mais de 30.
00:54
(Laughter)
16
42245
1416
(Risos)
00:55
So, effectively, what
he is telling me, and us,
he is telling me, and us,
17
43685
3606
Na realidade, ele está nos dizendo
00:59
is that when it comes to my science,
18
47315
2544
que, quando se trata de minha ciência,
01:01
I'm deadwood.
19
49883
1203
sou inútil.
01:04
Well, luckily, I had my share
of luck within my career.
of luck within my career.
20
52078
5586
Felizmente, tive minha quota
de sorte na carreira.
de sorte na carreira.
01:10
Around age 28, I became
very interested in networks,
very interested in networks,
21
58132
3822
Por volta dos 28 anos,
fiquei muito interessado por redes
fiquei muito interessado por redes
01:13
and a few years later, we managed
to publish a few key papers
to publish a few key papers
22
61978
4076
e, alguns anos depois, conseguimos
publicar alguns artigos importantes
publicar alguns artigos importantes
01:18
that reported the discovery
of scale-free networks
of scale-free networks
23
66078
4097
que informaram a descoberta
de redes sem escala
de redes sem escala
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
e deram origem a uma nova disciplina
que chamamos hoje de ciência das redes.
que chamamos hoje de ciência das redes.
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
Se vocês se importarem com isso,
poderão obter um PhD em ciência das redes
poderão obter um PhD em ciência das redes
01:30
in Budapest, in Boston,
26
78503
2028
em Budapeste, em Boston,
01:32
and you can study it all over the world.
27
80555
2308
e estudar no mundo todo.
01:35
A few years later,
28
83466
1595
Alguns anos mais tarde,
01:37
when I moved to Harvard
first as a sabbatical,
first as a sabbatical,
29
85085
3230
quando me mudei para Harvard
primeiro como um ano sabático,
primeiro como um ano sabático,
01:40
I became interested
in another type of network:
in another type of network:
30
88339
3092
eu me interessei por outro tipo de rede:
01:43
that time, the networks within ourselves,
31
91455
3027
naquela época, as redes
dentro de nós mesmos,
dentro de nós mesmos,
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
como os genes, as proteínas
e os metabólitos se ligam uns aos outros
e os metabólitos se ligam uns aos outros
01:50
and how they connect to disease.
33
98256
2493
e como se conectam a doenças.
01:53
And that interest led
to a major explosion within medicine,
to a major explosion within medicine,
34
101368
4592
Esse interesse levou a um crescimento
importante dentro da medicina,
importante dentro da medicina,
01:57
including the Network Medicine
Division at Harvard,
Division at Harvard,
35
105984
3979
que inclui a Network Medicine
Division de Harvard,
Division de Harvard,
02:01
that has more than 300 researchers
who are using this perspective
who are using this perspective
36
109987
3395
com mais de 300 pesquisadores
que usam essa perspectiva
que usam essa perspectiva
02:05
to treat patients and develop new cures.
37
113406
2897
para tratar pacientes
e desenvolver novas curas.
e desenvolver novas curas.
02:09
And a few years ago,
38
117457
1770
Alguns anos atrás,
02:11
I thought that I would take
this idea of networks
this idea of networks
39
119251
2526
pensei em aproveitar essa ideia de redes
02:13
and the expertise we had in networks
40
121801
1766
e nosso conhecimento em redes
02:15
in a different area,
41
123591
1392
em uma área diferente,
02:17
that is, to understand success.
42
125007
1982
isto é, para entender o sucesso.
02:19
And why did we do that?
43
127704
1210
Por que fizemos isso?
02:20
Well, we thought that, to some degree,
44
128938
2281
Pensamos que, até certo ponto,
02:23
our success is determined
by the networks we're part of --
by the networks we're part of --
45
131243
3377
nosso sucesso é determinado
pelas redes das quais fazemos parte,
pelas redes das quais fazemos parte,
02:26
that our networks can push us forward,
they can pull us back.
they can pull us back.
46
134644
3847
que nossas redes podem
nos impulsionar ou nos deter.
nos impulsionar ou nos deter.
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
Eu estava curioso
se poderíamos usar o conhecimento,
o "big data" e a competência
o "big data" e a competência
02:35
where we develop the networks
48
143077
1403
do desenvolvimento das redes
02:36
to really quantify
how these things happen.
how these things happen.
49
144504
3296
para quantificar
como essas coisas acontecem.
como essas coisas acontecem.
02:40
This is a result from that.
50
148404
1342
Este é um resultado disso.
02:41
What you see here is a network
of galleries in museums
of galleries in museums
51
149770
2947
Vemos aqui uma rede de galerias em museus
02:44
that connect to each other.
52
152741
1632
que se conectam entre si.
02:46
And through this map
that we mapped out last year,
that we mapped out last year,
53
154806
4055
Por meio deste mapa,
elaborado no ano passado,
elaborado no ano passado,
02:50
we are able to predict very accurately
the success of an artist
the success of an artist
54
158885
4848
podemos prever com muita precisão
o sucesso de um artista
o sucesso de um artista
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
se tivermos as primeiras
cinco exposições de sua carreira.
cinco exposições de sua carreira.
03:01
Well, as we thought about success,
56
169404
2706
Quando pensamos em sucesso,
03:04
we realized that success
is not only about networks;
is not only about networks;
57
172134
3067
percebemos que o sucesso
não se trata apenas de redes;
não se trata apenas de redes;
03:07
there are so many
other dimensions to that.
other dimensions to that.
58
175225
2396
há muitas outras dimensões envolvidas.
03:10
And one of the things
we need for success, obviously,
we need for success, obviously,
59
178145
3247
Uma das coisas que precisamos
para o sucesso, obviamente,
para o sucesso, obviamente,
03:13
is performance.
60
181416
1170
é o desempenho.
03:14
So let's define what's the difference
between performance and success.
between performance and success.
61
182610
3504
Vamos definir qual é a diferença
entre desempenho e sucesso.
entre desempenho e sucesso.
03:18
Well, performance is what you do:
62
186465
1997
Desempenho é o que você faz:
03:20
how fast you run,
what kind of paintings you paint,
what kind of paintings you paint,
63
188486
3032
a velocidade a que você corre,
o tipo de quadros que você pinta,
o tipo de quadros que você pinta,
03:23
what kind of papers you publish.
64
191542
1881
o tipo de artigos que você publica.
03:25
However, in our working definition,
65
193835
2614
Contudo, em nossa definição de trabalho,
03:28
success is about what the community
notices from what you did,
notices from what you did,
66
196473
4205
o sucesso se trata do que a comunidade
percebe a partir do que você fez,
percebe a partir do que você fez,
03:32
from your performance:
67
200702
1612
do seu desempenho:
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
como ela reconhece
e recompensa você por isso.
e recompensa você por isso.
03:38
In other terms,
69
206494
1182
Em outros termos,
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
seu desempenho trata-se de você,
mas seu sucesso trata-se de todos nós.
mas seu sucesso trata-se de todos nós.
03:45
And this was a very
important shift for us,
important shift for us,
71
213392
3334
Essa foi uma mudança
muito importante para nós,
muito importante para nós,
03:48
because the moment we defined success
as being a collective measure
as being a collective measure
72
216750
4024
porque, quando definimos o sucesso
como uma medida coletiva
que a comunidade nos fornece,
que a comunidade nos fornece,
03:52
that the community provides to us,
73
220798
2106
03:54
it became measurable,
74
222928
1510
ele se tornou mensurável,
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
porque, se estiver na comunidade,
haverá vários pontos de dados a respeito.
haverá vários pontos de dados a respeito.
04:00
So we go to school,
we exercise, we practice,
we exercise, we practice,
76
228996
5280
Então, vamos à escola,
fazemos exercícios, praticamos,
fazemos exercícios, praticamos,
04:06
because we believe
that performance leads to success.
that performance leads to success.
77
234300
2991
porque acreditamos
que o desempenho leva ao sucesso.
que o desempenho leva ao sucesso.
04:09
But the way we actually
started to explore,
started to explore,
78
237832
2015
Mas, da maneira que começamos a explorar,
04:11
we realized that performance and success
are very, very different animals
are very, very different animals
79
239871
3527
percebemos que desempenho e sucesso
são coisas muito diferentes
são coisas muito diferentes
04:15
when it comes to
the mathematics of the problem.
the mathematics of the problem.
80
243422
2444
quando se trata da matemática do problema.
04:18
And let me illustrate that.
81
246429
1432
Darei um exemplo.
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
Vemos aqui o homem
mais rápido do mundo, Usain Bolt.
mais rápido do mundo, Usain Bolt.
04:25
And of course, he wins most of
the competitions that he enters.
the competitions that he enters.
83
253832
3910
É claro que ele vence a maioria
das competições das quais participa.
das competições das quais participa.
04:30
And we know he's the fastest on earth
because we have a chronometer
because we have a chronometer
84
258393
3175
Sabemos que ele é o mais rápido
porque temos um cronômetro
para medir a velocidade.
para medir a velocidade.
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
O interessante sobre ele
é que, quando vence,
é que, quando vence,
04:38
he doesn't do so by really significantly
outrunning his competition.
outrunning his competition.
87
266919
5502
ele não vence superando os adversários
de modo significativo.
de modo significativo.
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
Ele corre, no máximo, 1% mais rápido
do que quem perde a corrida.
do que quem perde a corrida.
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
Não só corre 1% mais rápido
do que o segundo lugar,
do que o segundo lugar,
04:53
but he doesn't run
10 times faster than I do --
10 times faster than I do --
90
281293
2849
como também não corre dez vezes
mais rápido do que eu.
mais rápido do que eu.
04:56
and I'm not a good runner,
trust me on that.
trust me on that.
91
284166
2181
E não sou bom corredor, acreditem.
04:58
(Laughter)
92
286371
1197
(Risos)
04:59
And every time we are able
to measure performance,
to measure performance,
93
287592
3502
Sempre que conseguimos medir o desempenho,
05:03
we notice something very interesting;
94
291118
2050
notamos algo muito interessante:
05:05
that is, performance is bounded.
95
293192
2511
o desempenho é limitado.
05:07
What it means is that there are
no huge variations in human performance.
no huge variations in human performance.
96
295727
3757
Isso significa que não há grandes
variações no desempenho humano.
variações no desempenho humano.
05:11
It varies only in a narrow range,
97
299508
3432
Varia apenas em um intervalo estreito,
05:14
and we do need the chronometer
to measure the differences.
to measure the differences.
98
302964
3279
e precisamos do cronômetro
para medir as diferenças.
para medir as diferenças.
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
Não significa que não conseguimos
diferenciar os bons dos melhores,
diferenciar os bons dos melhores,
05:21
but the best ones
are very hard to distinguish.
are very hard to distinguish.
100
309459
2733
mas é muito difícil
distinguir os melhores.
distinguir os melhores.
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
O problema é que a maioria de nós
trabalha em áreas sem cronômetro
para medir nosso desempenho.
para medir nosso desempenho.
05:27
where we do not have a chronometer
to gauge our performance.
to gauge our performance.
102
315232
3922
05:31
Alright, performance is bounded,
103
319178
1564
Tudo bem, o desempenho é limitado.
05:32
there are no huge differences between us
when it comes to our performance.
when it comes to our performance.
104
320766
3532
Não há grandes diferenças entre nós
quando se trata de nosso desempenho.
quando se trata de nosso desempenho.
05:36
How about success?
105
324322
1157
E quanto ao sucesso?
05:37
Well, let's switch to
a different topic, like books.
a different topic, like books.
106
325995
2930
Vamos mudar para um assunto
diferente, como livros.
diferente, como livros.
05:40
One measure of success for writers is
how many people read your work.
how many people read your work.
107
328949
5015
Uma medida de sucesso para os escritores
é a quantidade de leitores de sua obra.
é a quantidade de leitores de sua obra.
05:46
And so when my previous book
came out in 2009,
came out in 2009,
108
334662
4410
Quando meu livro anterior
foi lançado, em 2009,
foi lançado, em 2009,
05:51
I was in Europe talking with my editor,
109
339096
1902
eu estava na Europa falando com o editor
05:53
and I was interested:
Who is the competition?
Who is the competition?
110
341022
2462
e fiquei interessado:
"Quem eram meus concorrentes?"
"Quem eram meus concorrentes?"
05:56
And I had some fabulous ones.
111
344253
2735
Havia alguns incríveis.
05:59
That week --
112
347012
1169
Naquela semana...
06:00
(Laughter)
113
348205
1024
(Risos)
06:01
Dan Brown came out with "The Lost Symbol,"
114
349253
3557
Dan Brown lançou "O Símbolo Perdido",
e "A Última Música" também foi lançado,
06:04
and "The Last Song" also came out,
115
352834
2982
06:07
Nicholas Sparks.
116
355840
1429
de Nicholas Sparks.
06:09
And when you just look at the list,
117
357293
2988
Quando analisamos a lista,
06:12
you realize, you know, performance-wise,
there's hardly any difference
there's hardly any difference
118
360305
3453
percebemos que, em termos de desempenho,
quase não há diferença
entre esses livros ou os meus.
entre esses livros ou os meus.
06:15
between these books or mine.
119
363782
1598
06:17
Right?
120
365404
1175
Certo?
06:18
So maybe if Nicholas Sparks's team
works a little harder,
works a little harder,
121
366603
4668
Talvez se a equipe de Nicholas Sparks
trabalhasse um pouco mais,
trabalhasse um pouco mais,
06:23
he could easily be number one,
122
371295
1722
ele poderia facilmente ficar em primeiro,
06:25
because it's almost by accident
who ended up at the top.
who ended up at the top.
123
373041
2898
porque é quase por acidente
acabar no topo da lista.
acabar no topo da lista.
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
Eu disse: "Vamos analisar os números",
pois sou uma pessoa de dados.
pois sou uma pessoa de dados.
06:31
So let's see what were
the sales for Nicholas Sparks.
the sales for Nicholas Sparks.
125
379663
4318
Vejamos quais foram as vendas
para Nicholas Sparks.
para Nicholas Sparks.
06:36
And it turns out that
that opening weekend,
that opening weekend,
126
384005
2054
Acontece que, no fim de semana inicial,
06:38
Nicholas Sparks sold more than
a hundred thousand copies,
a hundred thousand copies,
127
386083
2975
Nicholas Sparks vendeu
mais de 100 mil cópias,
mais de 100 mil cópias,
06:41
which is an amazing number.
128
389082
1705
o que é um número incrível.
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
É possível chegar ao topo da lista
dos mais vendidos do "New York Times"
dos mais vendidos do "New York Times"
com a venda de 10 mil cópias por semana.
06:46
by selling 10,000 copies a week,
130
394231
2110
06:48
so he tenfold overcame
what he needed to be number one.
what he needed to be number one.
131
396365
3752
Ele superou em dez vezes
o necessário para ficar em primeiro.
o necessário para ficar em primeiro.
06:52
Yet he wasn't number one.
132
400141
1430
Mas ele não ficou em primeiro.
06:53
Why?
133
401595
1308
Por quê?
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
Porque Dan Brown tinha vendido 1,2 milhão
de cópias naquele final de semana.
de cópias naquele final de semana.
06:59
(Laughter)
135
407029
2136
(Risos)
07:01
And the reason I like this number
is because it shows that, really,
is because it shows that, really,
136
409189
3971
Gosto dessas quantidades
porque mostram que, realmente,
porque mostram que, realmente,
07:05
when it comes to success, it's unbounded,
137
413184
3730
quando se trata de sucesso,
ele é ilimitado,
ele é ilimitado,
07:08
that the best doesn't only get
slightly more than the second best
slightly more than the second best
138
416938
5861
que o melhor não é apenas
um pouco maior do que o segundo melhor,
um pouco maior do que o segundo melhor,
07:14
but gets orders of magnitude more,
139
422823
2697
mas recebe mais ordens de grandeza,
07:17
because success is a collective measure.
140
425544
2794
porque o sucesso é uma medida coletiva.
07:20
We give it to them, rather than
we earn it through our performance.
we earn it through our performance.
141
428362
4376
Nós o atribuímos a elas,
em vez de merecê-lo por nosso desempenho.
em vez de merecê-lo por nosso desempenho.
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
Percebemos que desempenho,
que é o que fazemos, é limitado,
que é o que fazemos, é limitado,
07:30
but success, which is
collective, is unbounded,
collective, is unbounded,
143
438162
2682
mas sucesso, que é coletivo, é ilimitado,
07:32
which makes you wonder:
144
440868
1312
o que nos faz pensar:
07:34
How do you get these
huge differences in success
huge differences in success
145
442204
2911
"Como obtemos essas enormes
diferenças de sucesso
diferenças de sucesso
07:37
when you have such tiny
differences in performance?
differences in performance?
146
445139
2906
quando temos diferenças
tão pequenas no desempenho?"
tão pequenas no desempenho?"
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
Recentemente lancei um livro
dedicado a essa mesma pergunta.
dedicado a essa mesma pergunta.
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
Eles não me deram tempo suficiente
para examinar tudo isso.
para examinar tudo isso.
07:47
so I'm going to go back
to the question of,
to the question of,
149
455211
2071
Voltarei à pergunta:
07:49
alright, you have success;
when should that appear?
when should that appear?
150
457306
3135
certo, você tem sucesso;
quando isso deveria aparecer?
quando isso deveria aparecer?
07:52
So let's go back to the party spoiler
and ask ourselves:
and ask ourselves:
151
460465
3758
Vamos voltar ao "spoiler"
do grupo e nos perguntar:
do grupo e nos perguntar:
07:57
Why did Einstein make
this ridiculous statement,
this ridiculous statement,
152
465215
3339
"Por que Einstein
fez essa declaração ridícula,
fez essa declaração ridícula,
08:00
that only before 30
you could actually be creative?
you could actually be creative?
153
468578
3156
de que, somente antes dos 30 anos,
poderíamos ser criativos?"
poderíamos ser criativos?"
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
Porque ele se viu rodeado
de todos esses físicos incríveis
de todos esses físicos incríveis
08:08
that created quantum mechanics
and modern physics,
and modern physics,
155
476462
2587
que criaram a mecânica quântica
e a física moderna,
e a física moderna,
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
e estavam todos na faixa dos 20
e início dos 30 anos quando fizeram isso.
e início dos 30 anos quando fizeram isso.
08:15
And it's not only him.
157
483730
1220
E não é apenas ele.
08:16
It's not only observational bias,
158
484974
1623
Não é só um viés de observação,
08:18
because there's actually
a whole field of genius research
a whole field of genius research
159
486621
3997
porque há uma área completa
de pesquisa sobre gênios
de pesquisa sobre gênios
08:22
that has documented the fact that,
160
490642
2256
que documentou o fato
08:24
if we look at the people
we admire from the past
we admire from the past
161
492922
3160
de que, se analisarmos as pessoas
que admiramos no passado,
que admiramos no passado,
08:28
and then look at what age
they made their biggest contribution,
they made their biggest contribution,
162
496106
3358
e depois examinarmos a idade
em que fizeram sua maior contribuição,
em que fizeram sua maior contribuição,
08:31
whether that's music,
whether that's science,
whether that's science,
163
499488
2096
seja na música, na ciência
08:33
whether that's engineering,
164
501608
1619
ou na engenharia,
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
a maioria delas estava na faixa dos 20,
30, início dos 40 anos, no máximo.
30, início dos 40 anos, no máximo.
08:41
But there's a problem
with this genius research.
with this genius research.
166
509914
2791
Mas há um problema
com essa pesquisa sobre gênios.
com essa pesquisa sobre gênios.
08:45
Well, first of all, it created
the impression to us
the impression to us
167
513197
3280
Em primeiro lugar, ela nos deu a impressão
08:48
that creativity equals youth,
168
516501
3479
de que criatividade é igual a juventude,
08:52
which is painful, right?
169
520004
1610
o que é doloroso, não é mesmo?
08:53
(Laughter)
170
521638
1951
(Risos)
08:55
And it also has an observational bias,
171
523613
4088
Também tem um viés de observação,
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
porque só analisa gênios
e não cientistas comuns
e não cientistas comuns
09:04
and doesn't look at all of us and ask,
173
532711
1965
e não analisa todos nós e pergunta:
09:06
is it really true that creativity
vanishes as we age?
vanishes as we age?
174
534700
3185
"É verdade que a criatividade desaparece
à medida que envelhecemos?"
à medida que envelhecemos?"
09:10
So that's exactly what we tried to do,
175
538382
1877
É exatamente o que tentamos fazer,
e é importante ter referências.
09:12
and this is important for that
to actually have references.
to actually have references.
176
540283
3803
09:16
So let's look at an ordinary
scientist like myself,
scientist like myself,
177
544110
2643
Vamos analisar
um cientista comum, como eu,
um cientista comum, como eu,
09:18
and let's look at my career.
178
546777
1522
e minha carreira.
09:20
So what you see here is all the papers
that I've published
that I've published
179
548323
3202
Vemos aqui todos os artigos que publiquei
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
desde meu primeiro, em 1989,
quando eu ainda estava na Romênia,
quando eu ainda estava na Romênia,
09:28
till kind of this year.
181
556688
1593
até este ano.
09:30
And vertically, you see
the impact of the paper,
the impact of the paper,
182
558940
2518
Verticalmente, vemos o impacto do artigo,
09:33
that is, how many citations,
183
561482
1403
ou seja, quantas citações,
09:34
how many other papers
have been written that cited that work.
have been written that cited that work.
184
562909
3988
quantos outros artigos escritos
citaram esse trabalho.
citaram esse trabalho.
09:39
And when you look at that,
185
567397
1300
Nessa análise, vemos que minha carreira
tem cerca de três fases diferentes.
tem cerca de três fases diferentes.
09:40
you see that my career
has roughly three different stages.
has roughly three different stages.
186
568721
2813
Nos primeiros dez anos,
tive que trabalhar muito
tive que trabalhar muito
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
e não consegui muito.
09:46
and I don't achieve much.
188
574017
1276
Ninguém parece se importar com o que faço.
09:47
No one seems to care
about what I do, right?
about what I do, right?
189
575317
2118
09:49
There's hardly any impact.
190
577459
1681
Quase não há impacto.
09:51
(Laughter)
191
579164
1404
(Risos)
09:52
That time, I was doing material science,
192
580592
2887
Naquela época, eu estava fazendo
ciência dos materiais,
ciência dos materiais,
09:55
and then I kind of discovered
for myself networks
for myself networks
193
583503
3691
e então descobri redes por mim mesmo
09:59
and then started publishing in networks.
194
587218
1947
e comecei a publicar em redes.
10:01
And that led from one high-impact
paper to the other one.
paper to the other one.
195
589189
3073
Isso levou de um artigo
de alto impacto para outro.
de alto impacto para outro.
10:04
And it really felt good.
That was that stage of my career.
That was that stage of my career.
196
592286
3104
Eu me senti bem
nessa fase de minha carreira.
nessa fase de minha carreira.
10:07
(Laughter)
197
595414
1282
(Risos)
10:08
So the question is,
what happens right now?
what happens right now?
198
596720
3208
A pergunta é: "E agora?"
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
Não sabemos, porque ainda
não houve tempo suficiente
não houve tempo suficiente
para descobrir o impacto desses artigos.
10:15
to actually figure out how much impact
those papers will get;
those papers will get;
200
603850
2987
Leva tempo para saber.
10:18
it takes time to acquire.
201
606861
1227
Quando analisamos os dados,
10:20
Well, when you look at the data,
202
608112
1569
parece que Einstein e a pesquisa
sobre gênios estavam certos,
sobre gênios estavam certos,
10:21
it seems to be that Einstein,
the genius research, is right,
the genius research, is right,
203
609705
2854
e estou nessa fase de minha carreira.
10:24
and I'm at that stage of my career.
204
612583
1811
(Risos)
10:26
(Laughter)
205
614418
2308
10:28
So we said, OK, let's figure out
how does this really happen,
how does this really happen,
206
616750
5974
Dissemos: "Tudo bem, vamos descobrir
como isso realmente acontece,
como isso realmente acontece,
10:34
first in science.
207
622748
1778
primeiro na ciência".
10:36
And in order not to have
the selection bias,
the selection bias,
208
624550
3632
Para não ter o viés de seleção,
10:40
to look only at geniuses,
209
628206
1337
analisar apenas gênios,
10:41
we ended up reconstructing the career
of every single scientist
of every single scientist
210
629567
3716
acabamos reconstruindo
a carreira de cada cientista
a carreira de cada cientista
10:45
from 1900 till today
211
633307
2502
de 1900 até hoje
10:47
and finding for all scientists
what was their personal best,
what was their personal best,
212
635833
3712
e descobrindo para todos eles
sua melhor conquista,
sua melhor conquista,
10:51
whether they got the Nobel Prize
or they never did,
or they never did,
213
639569
2812
se ganharam o Prêmio Nobel ou não,
10:54
or no one knows what they did,
even their personal best.
even their personal best.
214
642405
3407
ou ninguém sabe o que fizeram,
nem mesmo sua melhor conquista.
nem mesmo sua melhor conquista.
10:57
And that's what you see in this slide.
215
645836
1915
É o que vemos neste slide.
10:59
Each line is a career,
216
647775
1573
Cada linha é uma carreira,
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
e um ponto azul claro no topo da carreira
indica a melhor conquista.
indica a melhor conquista.
11:04
it says that was their personal best.
218
652399
2040
11:06
And the question is,
219
654463
1155
A pergunta é:
11:07
when did they actually make
their biggest discovery?
their biggest discovery?
220
655642
3568
"Quando eles, na verdade,
fizeram sua maior descoberta?"
fizeram sua maior descoberta?"
11:11
To quantify that,
221
659234
1165
Para quantificar,
analisamos a probabilidade
de fazermos nossa maior descoberta
de fazermos nossa maior descoberta
11:12
we look at what's the probability
that you make your biggest discovery,
that you make your biggest discovery,
222
660423
3376
em, digamos, um, dois, três
ou dez anos em nossa carreira?
ou dez anos em nossa carreira?
11:15
let's say, one, two, three
or 10 years into your career?
or 10 years into your career?
223
663823
2672
11:18
We're not looking at real age.
224
666519
1480
Não estamos analisando a idade real,
mas o que chamamos de "idade acadêmica".
mas o que chamamos de "idade acadêmica".
11:20
We're looking at
what we call "academic age."
what we call "academic age."
225
668023
2134
Nossa idade acadêmica começa
ao publicarmos nossos primeiros artigos.
ao publicarmos nossos primeiros artigos.
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
Sei que alguns de vocês ainda são bebês.
11:27
(Laughter)
228
675258
1397
(Risos)
11:28
So let's look at the probability
229
676679
2706
Vamos analisar a probabilidade
11:31
that you publish
your highest-impact paper.
your highest-impact paper.
230
679409
2066
de publicarmos nosso artigo
de maior impacto.
de maior impacto.
11:33
And what you see is, indeed,
the genius research is right.
the genius research is right.
231
681499
3071
Vemos que, de fato,
a pesquisa sobre gênios está certa.
a pesquisa sobre gênios está certa.
11:36
Most scientists tend to publish
their highest-impact paper
their highest-impact paper
232
684594
3024
A maioria dos cientistas tende a publicar
seu artigo de maior impacto
seu artigo de maior impacto
11:39
in the first 10, 15 years in their career,
233
687642
2899
nos primeiros 10, 15 anos de carreira,
11:42
and it tanks after that.
234
690565
3133
e há um declínio após esse período.
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
É tão rápido que estou prestes...
tenho exatamente 30 anos de carreira,
tenho exatamente 30 anos de carreira,
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
e a chance de eu publicar um artigo
que tenha um impacto maior
do que qualquer coisa que fiz antes
do que qualquer coisa que fiz antes
11:54
than anything that I did before
237
702417
1940
11:56
is less than one percent.
238
704381
1353
é de menos de 1%.
11:57
I am in that stage of my career,
according to this data.
according to this data.
239
705758
3049
Estou nessa fase de minha carreira,
segundo esses dados.
segundo esses dados.
12:01
But there's a problem with that.
240
709648
1843
Mas há um problema.
12:03
We're not doing controls properly.
241
711515
3675
Não estamos controlando adequadamente.
12:07
So the control would be,
242
715214
1417
O controle seria:
"Como seria um cientista que faz
contribuições aleatórias para a ciência?"
contribuições aleatórias para a ciência?"
12:08
what would a scientist look like
who makes random contribution to science?
who makes random contribution to science?
243
716655
4607
12:13
Or what is the productivity
of the scientist?
of the scientist?
244
721286
2995
"Ou qual é a produtividade do cientista?"
12:16
When do they write papers?
245
724305
2006
"Quando eles escrevem artigos?"
12:18
So we measured the productivity,
246
726335
2444
Assim medimos a produtividade
12:20
and amazingly, the productivity,
247
728803
2052
e, surpreendentemente, a produtividade,
a probabilidade de escrever um artigo
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
no primeiro, décimo
ou vigésimo ano de carreira
ou vigésimo ano de carreira
12:27
is indistinguishable from the likelihood
of having the impact
of having the impact
249
735034
3606
é indistinguível da probabilidade
de ter o impacto
de ter o impacto
12:30
in that part of your career.
250
738664
1775
naquela parte de nossa carreira.
12:33
And to make a long story short,
251
741026
1783
Para encurtar a história,
12:34
after lots of statistical tests,
there's only one explanation for that,
there's only one explanation for that,
252
742833
4228
depois de muitos testes estatísticos,
só há uma explicação para isso:
só há uma explicação para isso:
12:39
that really, the way we scientists work
253
747085
2894
nós, cientistas, trabalhamos
12:42
is that every single paper we write,
every project we do,
every project we do,
254
750003
3633
de modo que cada artigo que escrevemos,
cada projeto que fazemos,
cada projeto que fazemos,
12:45
has exactly the same chance
of being our personal best.
of being our personal best.
255
753660
4160
tenha exatamente a mesma chance
de ser nossa melhor conquista.
de ser nossa melhor conquista.
12:49
That is, discovery is like
a lottery ticket.
a lottery ticket.
256
757844
4953
Ou seja, a descoberta
é como um bilhete de loteria.
é como um bilhete de loteria.
12:54
And the more lottery tickets we buy,
257
762821
2351
Quanto mais bilhetes de loteria compramos,
maiores são nossas chances,
maiores são nossas chances,
12:57
the higher our chances.
258
765196
1507
12:58
And it happens to be so
259
766727
1559
tanto que a maioria dos cientistas
compra a maioria dos bilhetes de loteria
compra a maioria dos bilhetes de loteria
13:00
that most scientists buy
most of their lottery tickets
most of their lottery tickets
260
768310
2719
nos primeiros 10, 15 anos de carreira.
13:03
in the first 10, 15 years of their career,
261
771053
2460
13:05
and after that,
their productivity decreases.
their productivity decreases.
262
773537
3413
Depois disso, sua produtividade diminui.
13:09
They're not buying
any more lottery tickets.
any more lottery tickets.
263
777411
2084
Eles deixam de comprar bilhetes de loteria
e parece que não são criativos.
13:11
So it looks as if
they would not be creative.
they would not be creative.
264
779519
3444
13:14
In reality, they stopped trying.
265
782987
1999
Na realidade, eles pararam de tentar.
13:17
So when we actually put the data together,
the conclusion is very simple:
the conclusion is very simple:
266
785509
3915
Quando reunimos os dados,
a conclusão é muito simples:
a conclusão é muito simples:
13:21
success can come at any time.
267
789448
2331
"O sucesso pode vir a qualquer momento".
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
Pode ser o primeiro ou o último
artigo de sua carreira.
artigo de sua carreira.
13:27
It's totally random
in the space of the projects.
in the space of the projects.
269
795562
4288
É totalmente aleatório
no espaço dos projetos.
no espaço dos projetos.
13:31
It is the productivity that changes.
270
799874
1931
É a produtividade que muda.
13:33
Let me illustrate that.
271
801829
1252
Darei um exemplo.
13:35
Here is Frank Wilczek,
who got the Nobel Prize in Physics
who got the Nobel Prize in Physics
272
803105
3269
Este é Frank Wilczek,
que recebeu o Prêmio Nobel de Física
que recebeu o Prêmio Nobel de Física
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
pelo primeiro artigo que escreveu
na carreira como aluno de pós-graduação.
na carreira como aluno de pós-graduação.
13:42
(Laughter)
274
810523
1007
(Risos)
13:43
More interesting is John Fenn,
275
811554
3218
Mais interessante é John Fenn,
13:46
who, at age 70, was forcefully retired
by Yale University.
by Yale University.
276
814796
4598
que, aos 70 anos, foi aposentado à força
pela Universidade Yale.
pela Universidade Yale.
13:51
They shut his lab down,
277
819418
2056
Fecharam o laboratório dele
13:53
and at that moment, he moved
to Virginia Commonwealth University,
to Virginia Commonwealth University,
278
821498
3666
e, naquele momento, ele se mudou
para a Virginia Commonwealth University,
para a Virginia Commonwealth University,
13:57
opened another lab,
279
825188
1786
abriu outro laboratório,
13:58
and it is there, at age 72,
that he published a paper
that he published a paper
280
826998
3033
e foi lá, aos 72 anos,
que publicou um artigo
que publicou um artigo
14:02
for which, 15 years later, he got
the Nobel Prize for Chemistry.
the Nobel Prize for Chemistry.
281
830055
3845
pelo qual, 15 anos depois,
recebeu o Prêmio Nobel de Química.
recebeu o Prêmio Nobel de Química.
14:06
And you think, OK,
well, science is special,
well, science is special,
282
834940
3042
Pensamos: "Tudo bem, a ciência é especial,
14:10
but what about other areas
where we need to be creative?
where we need to be creative?
283
838006
3463
mas e quanto a outras áreas
em que precisamos ser criativos?"
em que precisamos ser criativos?"
14:13
So let me take another
typical example: entrepreneurship.
typical example: entrepreneurship.
284
841493
4936
Darei outro exemplo típico:
empreendedorismo.
14:18
Silicon Valley,
285
846834
1579
Vale do Silício,
14:20
the land of the youth, right?
286
848437
2066
a terra da juventude, não é mesmo?
14:22
And indeed, when you look at it,
287
850527
1595
De fato, ao analisarmos,
14:24
you realize that the biggest awards,
the TechCrunch Awards and other awards,
the TechCrunch Awards and other awards,
288
852146
4642
percebemos que os maiores prêmios,
como o TechCrunch Awards, e outros,
como o TechCrunch Awards, e outros,
14:28
are all going to people
289
856812
2173
estão todos destinados a pessoas
com idade média no final dos 20
e bem no início dos 30 anos.
e bem no início dos 30 anos.
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
Analisamos a quem os capitalistas
de risco dão o dinheiro,
de risco dão o dinheiro,
algumas das maiores empresas
de capital de risco,
de capital de risco,
14:42
all people in their early 30s.
292
870091
2241
todas as pessoas
com pouco mais de 30 anos.
com pouco mais de 30 anos.
14:44
Which, of course, we know;
293
872951
1265
Sabemos, é claro,
14:46
there is this ethos in Silicon Valley
that youth equals success.
that youth equals success.
294
874240
4453
que há uma crença no Vale do Silício
de que juventude é igual a sucesso.
de que juventude é igual a sucesso.
14:51
Not when you look at the data,
295
879653
2183
Isso não ocorre
quando analisamos os dados,
quando analisamos os dados,
14:53
because it's not only
about forming a company --
about forming a company --
296
881860
2304
porque não se trata apenas
de formar uma empresa,
de formar uma empresa,
14:56
forming a company is like productivity,
trying, trying, trying --
trying, trying, trying --
297
884188
3140
que é semelhante à produtividade:
tentar, tentar, tentar,
tentar, tentar, tentar,
quando analisamos quais desses indivíduos
14:59
when you look at which
of these individuals actually put out
of these individuals actually put out
298
887352
3484
criam uma empresa e uma saída de sucesso.
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
Recentemente, alguns de nossos colegas
analisaram exatamente essa questão.
analisaram exatamente essa questão.
15:09
And it turns out that yes,
those in the 20s and 30s
those in the 20s and 30s
301
897410
3156
Acontece que pessoas
na faixa dos 20 e 30 anos
na faixa dos 20 e 30 anos
15:12
put out a huge number of companies,
form lots of companies,
form lots of companies,
302
900590
3348
criam um número enorme de empresas,
15:15
but most of them go bust.
303
903962
1531
mas a maioria delas quebra.
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
Quando analisamos as saídas bem-sucedidas,
vemos, nesse enredo em particular,
vemos, nesse enredo em particular,
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
que, quanto maior a idade, maior a chance
de conquistar o mercado de ações
de conquistar o mercado de ações
15:26
or the sell the company successfully.
306
914027
2312
ou a venda da empresa com sucesso.
15:28
This is so strong, actually,
that if you are in the 50s,
that if you are in the 50s,
307
916847
3113
Isso é tão forte que, se você
estiver na faixa dos 50 anos,
estiver na faixa dos 50 anos,
15:31
you are twice as likely
to actually have a successful exit
to actually have a successful exit
308
919984
3588
terá duas vezes mais chances
de ter uma saída bem-sucedida
de ter uma saída bem-sucedida
15:35
than if you are in your 30s.
309
923596
1890
do que se estiver na faixa dos 30 anos.
15:38
(Applause)
310
926613
4325
(Aplausos)
15:43
So in the end, what is it
that we see, actually?
that we see, actually?
311
931645
3009
Finalmente, o que vemos na verdade?
15:46
What we see is that creativity has no age.
312
934678
4083
Vemos que criatividade não tem idade.
15:50
Productivity does, right?
313
938785
2202
Produtividade sim, certo?
15:53
Which is telling me that
at the end of the day,
at the end of the day,
314
941424
4135
Isso me diz que, no final,
15:57
if you keep trying --
315
945583
2000
se continuarmos tentando,
15:59
(Laughter)
316
947607
2403
(Risos)
16:02
you could still succeed
and succeed over and over.
and succeed over and over.
317
950034
3572
ainda podemos ter cada vez mais sucesso.
16:05
So my conclusion is very simple:
318
953630
2391
Minha conclusão é muito simples:
16:08
I am off the stage, back in my lab.
319
956045
2093
saio do palco,
de volta ao meu laboratório.
de volta ao meu laboratório.
16:10
Thank you.
320
958162
1171
Obrigado.
16:11
(Applause)
321
959357
3309
(Aplausos)
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