The real relationship between your age and your chance of success | Albert-László Barabási

Fordító: Zsófia Herczeg Lektor: Zsuzsanna Lőrincz

Today, actually, is a very special day for me,

A mai nap igazán különleges számomra,

because it is my birthday.

ugyanis ma van a születésnapom.

(Applause)

(Taps)

And so, thanks to all of you for joining the party.

Szóval köszönöm, hogy eljöttek a partimra.

(Laughter)

(Nevetés)

But every time you throw a party, there's someone there to spoil it. Right?

De ha buli van, mindig van valaki, aki azt elrontja. Igaz?

(Laughter)

(Nevetés)

And I'm a physicist,

Fizikus vagyok,

and this time I brought another physicist along to do so.

és ma egy másik fizikust hoztam magammal, hogy betöltse ezt a szerepet.

His name is Albert Einstein -- also Albert -- and he's the one who said

A neve Albert Einstein, tehát ő is Albert.

Ő mondta azt, hogy aki nem alkotott a tudomány terén semmi maradandót

that the person who has not made his great contributions to science

by the age of 30

30 éves koráig,

will never do so.

az már nem is fog.

(Laughter)

(Nevetés)

Now, you don't need to check Wikipedia

Gondolom, nem kell megnézniük a Wikipediát, hogy lássák,

that I'm beyond 30.

elmúltam már 30.

(Laughter)

(Nevetés)

So, effectively, what he is telling me, and us,

Amit tehát Einstein mond, azt jelenti,

is that when it comes to my science,

hogy ha a szakterületemről van szó, annyit se érek már,

I'm deadwood.

mint egy száraz kóró.

Well, luckily, I had my share of luck within my career.

Mindenesetre, ami a karrieremet illeti, több szempontból is szerencsém volt.

Around age 28, I became very interested in networks,

28 éves voltam, mikor elkezdtem hálózatokkal foglalkozni.

and a few years later, we managed to publish a few key papers

Néhány évvel később pedig két fontos tanulmányt is publikáltunk,

that reported the discovery of scale-free networks

melyekben a skálafüggetlen hálózatok felfedezéséről számoltunk be,

and really gave birth to a new discipline that we call network science today.

és ezzel megszületett egy új tudományág, melyet ma hálózatkutatásnak nevezünk.

And if you really care about it, you can get a PhD now in network science

Ha esetleg érdekel valakit, hálózatkutatásból már doktorálni is lehet

in Budapest, in Boston,

Budapesten, Bostonban;

and you can study it all over the world.

és a világ számos pontján van ilyen szak.

A few years later,

Néhány évvel később,

when I moved to Harvard first as a sabbatical,

mikor először jöttem a Harvardra – szabadságot kaptam erre az időre –,

I became interested in another type of network:

egy másik hálózattípus keltette fel az érdeklődésem:

that time, the networks within ourselves,

akkor a sejtjeinken belüli hálózatokkal kezdtem foglalkozni,

how the genes and the proteins and the metabolites link to each other

egész pontosan azzal, hogyan kapcsolódnak a gének, a fehérjék és a metabolitok,

and how they connect to disease.

és hogy ez hogyan hat a betegségek kialakulására.

And that interest led to a major explosion within medicine,

Ez a fajta érdeklődés robbanásszerű változást hozott az orvostudományba,

including the Network Medicine Division at Harvard,

és hatással volt például a Harvard Hálózati Orvostudomány tanszékére is,

that has more than 300 researchers who are using this perspective

ahol több mint 300 kutató használja ma ezt az elméletet

to treat patients and develop new cures.

a gyógyítás és az új gyógymódok kifejlesztésének szolgálatában.

And a few years ago,

Néhány évvel ezelőtt úgy gondoltam,

I thought that I would take this idea of networks

hogy a hálózatokról alkotott elméleteket

and the expertise we had in networks

és az itt szerzett ismereteket

in a different area,

egy másik területre viszem át,

that is, to understand success.

és megpróbálom megfejteni a siker titkát.

And why did we do that?

Mi is volt ezzel a cél?

Well, we thought that, to some degree,

Úgy gondoltuk, hogy bizonyos mértékben

our success is determined by the networks we're part of --

a siker is attól függ, milyen hálózatoknak vagyunk tagjai:

that our networks can push us forward, they can pull us back.

hálózataink lendületet adhatnak, de vissza is húzhatnak.

And I was curious if we could use the knowledge and big data and expertise

Arra voltam kíváncsi, felhasználható-e az a tudás, adatmennyiség és gyakorlat,

where we develop the networks

melyet a hálózatkutatás során eddig megszereztünk arra,

to really quantify how these things happen.

hogy a sikert mérni tudjuk.

This is a result from that.

A következő eredményre jutottunk.

What you see here is a network of galleries in museums

Amit itt látnak, különböző múzeumok bemutatótermei,

that connect to each other.

melyek mind kapcsolatban állnak egymással.

And through this map that we mapped out last year,

Tavaly készültünk el azzal a térképpel, melynek segítségével

we are able to predict very accurately the success of an artist

meglehetősen pontosan meg tudtuk határozni egy művész jövőbeli sikerét,

if you give me the first five exhibits that he or she had in their career.

ha pályafutása első öt kiállításának adatai a rendelkezésünkre álltak.

Well, as we thought about success,

Ahogy a siker mibenlétén gondolkodtunk,

we realized that success is not only about networks;

rájöttünk, hogy a siker nemcsak a hálózatokon múlik,

there are so many other dimensions to that.

hanem nagyon sok egyéb tényezőn is.

And one of the things we need for success, obviously,

Ezek közül az egyik nyilvánvalóan

is performance.

a teljesítmény.

So let's define what's the difference between performance and success.

Nézzük, mi a különbség a teljesítmény és a siker között.

Well, performance is what you do:

A teljesítmény nem más, mint amit csinálunk:

how fast you run, what kind of paintings you paint,

hogyan futunk, milyen képeket festünk,

what kind of papers you publish.

milyen tanulmányokat publikálunk.

However, in our working definition,

Jelenlegi definíciónk szerint azonban a siker az,

success is about what the community notices from what you did,

amit a körülöttünk élők ebből a tevékenységből,

from your performance:

vagyis a teljesítményből észlelnek.

How does it acknowledge it, and how does it reward you for it?

Hogyan ismerik el ezt a teljesítményt? Mivel jutalmazzák?

In other terms,

Más szóval,

your performance is about you, but your success is about all of us.

a teljesítmény tőlünk függ, a siker viszont a többiektől.

And this was a very important shift for us,

Ez nagyon fontos állomása volt a munkánknak,

because the moment we defined success as being a collective measure

hiszen amint a sikert meghatározhattuk úgy,

mint a környezetünkből érkező kollektív mérőszámot,

that the community provides to us,

it became measurable,

máris mérhetővé tettük.

because if it's in the community, there are multiple data points about that.

Vagyis ha a siker a környezet függvénye, számos adat áll rendelkezésünkre.

So we go to school, we exercise, we practice,

Iskolába járunk, képezzük magunkat, gyakorolunk,

because we believe that performance leads to success.

mert úgy tudjuk, a siker záloga a teljesítmény.

But the way we actually started to explore,

Kutatásainkból viszont kiderült,

we realized that performance and success are very, very different animals

hogy a teljesítmény és a siker két nagyon, nagyon különböző állat,

when it comes to the mathematics of the problem.

ha matematikai szempontból vizsgáljuk a kérdést.

And let me illustrate that.

Hadd hozzak erre egy példát.

So what you see here is the fastest man on earth, Usain Bolt.

Ezen a felvételen a világ leggyorsabb emberét, Usain Boltot látják,

And of course, he wins most of the competitions that he enters.

aki természetesen szinte minden versenyt megnyer, amin csak indul.

And we know he's the fastest on earth because we have a chronometer

Abból tudjuk, hogy ő a világon a leggyorsabb,

mert a sebességét kronométerrel mérhetjük.

to measure his speed.

Well, what is interesting about him is that when he wins,

Bolttal kapcsolatban különösen érdekes, hogy mikor nyer,

he doesn't do so by really significantly outrunning his competition.

nem azért nyer, mert sokkal gyorsabban fut, mint a többiek.

He's running at most a percent faster than the one who loses the race.

Maximum egy százalékkal fut gyorsabban, mint a második, aki veszít.

And not only does he run only one percent faster than the second one,

És az még hagyján, hogy a második helyezettnél csak 1%-kal gyorsabb,

but he doesn't run 10 times faster than I do --

de nálam sem tud tízszer gyorsabban futni,

and I'm not a good runner, trust me on that.

pedig higgyék el, nem vagyok valami nagy futó.

(Laughter)

(Nevetés)

And every time we are able to measure performance,

Minden egyes alkalommal, mikor teljesítményt mérünk,

we notice something very interesting;

valami nagyon érdekes derül ki,

that is, performance is bounded.

mégpedig az, hogy a teljesítmény korlátos.

What it means is that there are no huge variations in human performance.

Azt értem ezalatt, hogy nincsenek nagy különbségek az emberi teljesítményben:

It varies only in a narrow range,

az eredmények szűk skálán mozognak,

and we do need the chronometer to measure the differences.

és nagy szükségünk van kronométerre, hogy a különbséget mérni tudjuk.

This is not to say that we cannot see the good from the best ones,

Ez persze nem azt jelenti, hogy a jót a legjobbtól ne tudnánk megkülönböztetni,

but the best ones are very hard to distinguish.

de a legjobbakat tényleg nehéz kiszűrni.

And the problem with that is that most of us work in areas

A probléma ugyanis az, hogy legtöbben olyan területen dolgozunk,

where we do not have a chronometer to gauge our performance.

ahol a teljesítmény nem mérhető időmérő eszközökkel.

Alright, performance is bounded,

Azt tehát értjük, hogy a teljesítmény kötött,

there are no huge differences between us when it comes to our performance.

és e tekintetben nincsenek köztünk nagy különbségek.

How about success?

De mi a helyzet a sikerrel?

Well, let's switch to a different topic, like books.

Nézzünk most egy másik témát: például a könyveket.

One measure of success for writers is how many people read your work.

Az írók számára az egyik mérőszám az, hogy hányan olvassák a könyveiket.

And so when my previous book came out in 2009,

Így aztán, mikor az előző könyvem 2009-ben megjelent,

I was in Europe talking with my editor,

Európában voltam, a szerkesztőmmel beszélgettem,

and I was interested: Who is the competition?

és arra voltam kíváncsi, kik a vetélytársak.

And I had some fabulous ones.

És volt köztük pár nagyszerű név.

That week --

Azon a héten jött ki...

(Laughter)

(Nevetés)

Dan Brown came out with "The Lost Symbol,"

Dan Brown "Az elveszett jelkép" című könyve,

and "The Last Song" also came out,

és akkor jelent meg "Az utolsó dal"

Nicholas Sparks.

Nicholas Sparkstól.

And when you just look at the list,

És ha végignézünk a listán,

you realize, you know, performance-wise, there's hardly any difference

látjuk, hogy teljesítmény tekintetében szinte alig van különbség

between these books or mine.

az előbb felsorolt könyvek és az enyém között.

Right?

Így van?

So maybe if Nicholas Sparks's team works a little harder,

Vagyis ha Nicholas Sparks csapata egy kicsit szorgalmasabban dolgozik,

he could easily be number one,

akár elsők is lehettek volna,

because it's almost by accident who ended up at the top.

hiszen szinte csak a véletlenen múlik, ki kerül a csúcsra.

So I said, let's look at the numbers -- I'm a data person, right?

Akkor azt mondtam, nézzük meg az adatokat, elvégre a számok embere vagyok, nem?

So let's see what were the sales for Nicholas Sparks.

Nézzük meg, hány Nicholas Sparks könyvet adtak el.

And it turns out that that opening weekend,

Kiderült, hogy az első héten

Nicholas Sparks sold more than a hundred thousand copies,

Nicholas Sparks könyvéből több mint 100 000 példányt vásároltak meg,

which is an amazing number.

ami elképesztően nagy szám.

You can actually get to the top of the "New York Times" best-seller list

Már azzal is felkerülhet az ember a "New York Times" bestseller listájára,

by selling 10,000 copies a week,

ha egy héten 10 000 könyvét eladják.

so he tenfold overcame what he needed to be number one.

Ő ezt tízszeresen felülmúlta.

Yet he wasn't number one.

Mégsem ő lett az első.

Why?

Miért?

Because there was Dan Brown, who sold 1.2 million copies that weekend.

Mert ott volt Dan Brown könyve, ami 1,2 millió példányban kelt el ugyanakkor.

(Laughter)

(Nevetés)

And the reason I like this number is because it shows that, really,

Azért szeretem ezt a számot, mert megmutatja,

hogy a siker korlátlan,

when it comes to success, it's unbounded,

that the best doesn't only get slightly more than the second best

és hogy az elsőnek nemcsak egy kicsivel,

but gets orders of magnitude more,

hanem nagyságrendekkel is több juthat, mint a másodiknak,

because success is a collective measure.

mivel a siker kollektív mérőszám.

We give it to them, rather than we earn it through our performance.

A sikert másoktól kapjuk, nem a teljesítményünkkel érdemeljük ki.

So one of things we realized is that performance, what we do, is bounded,

Tehát arra a következtetésre jutottunk, hogy bár a teljesítmény korlátos,

but success, which is collective, is unbounded,

a siker közösségi és korlátlan.

which makes you wonder:

Fel is merült a kérdés:

How do you get these huge differences in success

Miért van ekkora különbség a siker mértékében,

when you have such tiny differences in performance?

ha maga a teljesítmény nem tér el nagy mértékben?

And recently, I published a book that I devoted to that very question.

Nemrégiben jelent meg egy könyvem, amit ennek a kérdésnek szenteltem.

And they didn't give me enough time to go over all of that,

Nem kaptam túl sok időt, hogy ezt részletesen kifejtsem,

so I'm going to go back to the question of,

ezért szeretnék visszamenni ahhoz a kérdéshez,

alright, you have success; when should that appear?

hogy az rendben van, hogy sikeresek leszünk, de mikor kell ennek jelentkeznie?

So let's go back to the party spoiler and ask ourselves:

Lépjünk tehát vissza az ünneprontó gondolathoz, és tegyük fel a kérdést:

Why did Einstein make this ridiculous statement,

Miért állította Einstein azt a nevetséges dolgot,

that only before 30 you could actually be creative?

hogy csak 30 éves korunk előtt lehetünk ténylegesen kreatívak?

Well, because he looked around himself and he saw all these fabulous physicists

Nos azért, mert körülnézett, és látta azt a rengeteg nagyszerű fizikust,

that created quantum mechanics and modern physics,

akik akkor fektették le a modern fizika és a kvantummechanika alapjait,

and they were all in their 20s and early 30s when they did so.

mikor huszonévesek voltak, de legfeljebb épp csak harmincasok.

And it's not only him.

Mert hát nem volt egyedül.

It's not only observational bias,

Azt sem mondhatjuk, hogy mindössze megfigyelési hibáról van szó,

because there's actually a whole field of genius research

hiszen a zsenikutatók

that has documented the fact that,

egész sor dokumentummal igazolták a tényt,

if we look at the people we admire from the past

hogy ha régi nagyságokra gondolunk,

and then look at what age they made their biggest contribution,

és megnézzük, hány éves korukban alkották legjelentősebb műveiket,

whether that's music, whether that's science,

akár zenéről, tudományról,

whether that's engineering,

vagy mérnöki tudományokról van szó,

most of them tend to do so in their 20s, 30s, early 40s at most.

látjuk, hogy legtöbben 20-as, 30-as éveikben, vagy 40-es éveik elején jártak.

But there's a problem with this genius research.

A zsenikutatással azonban van egy probléma.

Well, first of all, it created the impression to us

Elsősorban az, hogy azt a képet alakította ki bennünk,

that creativity equals youth,

hogy a kreativitás egyenlő a fiatalsággal,

which is painful, right?

ami elég fájdalmas, igaz?

(Laughter)

(Nevetés)

And it also has an observational bias,

De van itt egy megfigyelési hiba is,

because it only looks at geniuses and doesn't look at ordinary scientists

mivel csak a kiemelkedő tehetségeket vizsgálták, az egyszerű tudósokat nem.

and doesn't look at all of us and ask,

A vizsgálat tehát nem általánosan tette fel a kérdést:

is it really true that creativity vanishes as we age?

Igaz-e az, hogy a korral együtt elveszítjük a kreativitásunkat is?

So that's exactly what we tried to do,

Mi pontosan erre kerestük a választ.

and this is important for that to actually have references.

Ehhez viszont fontos volt, hogy legyenek referenciapontjaink.

So let's look at an ordinary scientist like myself,

Vegyünk tehát egy átlagos tudóst, mint én,

and let's look at my career.

vizsgáljuk meg az én karrierem alakulást.

So what you see here is all the papers that I've published

Itt látható azon tanulmányok listája, melyeket eddig publikáltam,

from my very first paper, in 1989; I was still in Romania when I did so,

az 1989-ben megjelent első tanulmányomtól, amit még Romániában írtam,

till kind of this year.

egészen az idei évig.

And vertically, you see the impact of the paper,

A függőleges tengelyen ábrázoltam, milyen hatása volt az adott tanulmánynak,

that is, how many citations,

how many other papers have been written that cited that work.

hányan hivatkoztak rá,

hány további tanulmány készült, melyben erre hivatkoznak.

And when you look at that,

Ha ezt megnézik,

you see that my career has roughly three different stages.

láthatják, hogy karrierem nagyjából három fázisra osztható.

I had the first 10 years where I had to work a lot

Ott volt az első 10 év, amikor rengeteget dolgoztam,

viszont nem értem el túl sokat.

and I don't achieve much.

No one seems to care about what I do, right?

Ekkor még senkit nem érdekel, mivel foglalkozom, igaz?

There's hardly any impact.

A munkámnak nincs még hatása.

(Laughter)

(Nevetés)

That time, I was doing material science,

Akkor még anyagtudományokkal foglalkoztam,

and then I kind of discovered for myself networks

később felfedeztem magamnak a hálózatokat,

and then started publishing in networks.

és ezekről kezdtem írni.

And that led from one high-impact paper to the other one.

Onnan már egyik nagy hatású tanulmány jelent meg a másik után.

And it really felt good. That was that stage of my career.

Nagyszerű érzés volt ez – ez volt karrierem csúcsidőszaka.

(Laughter)

(Nevetés)

So the question is, what happens right now?

A kérdés az, hogy mi van most?

And we don't know, because there hasn't been enough time passed yet

És ezt természetesen nem tudjuk, mert nem telt el elegendő idő ahhoz,

to actually figure out how much impact those papers will get;

hogy megmondjuk, milyen hatása lesz az új tanulmányoknak –

it takes time to acquire.

ehhez még idő kell.

Well, when you look at the data,

Ha ezeket az adatokat nézzük,

it seems to be that Einstein, the genius research, is right,

úgy tűnik, Einsteinnek és a zsenikutatóknak igaza volt.

and I'm at that stage of my career.

Most karrieremnek "ezen" a szintjén állok.

(Laughter)

(Nevetés)

So we said, OK, let's figure out how does this really happen,

Erre azt mondtuk, rendben, akkor nézzük meg, hogyan is történik mindez.

first in science.

Nézzük először a tudomány világát.

And in order not to have the selection bias,

Hogy elkerüljük a kiválasztási hibákat,

to look only at geniuses,

nemcsak a géniuszokat vizsgáltuk,

we ended up reconstructing the career of every single scientist

hanem megnéztük minden tudós életrajzát

from 1900 till today

1900-tól napjainkig.

and finding for all scientists what was their personal best,

Minden tudósnál meghatároztuk, mi volt pályafutásának csúcspontja,

whether they got the Nobel Prize or they never did,

hogy kapott-e valaha Nobel-díjat vagy nem,

or no one knows what they did, even their personal best.

sőt az is lehet, hogy senki nem ismerte még legjelentősebb eredményeit sem.

And that's what you see in this slide.

Ezt látják a következő dián.

Each line is a career,

Minden sor egy-egy tudósé,

and when you have a light blue dot on the top of that career,

a világoskék pont azt jelzi, mikor voltak karrierjük csúcsán,

it says that was their personal best.

mikor érték el a legkiemelkedőbb eredményeket.

And the question is,

A kérdés pedig az,

when did they actually make their biggest discovery?

mikor tették a legnagyobb felfedezést.

To quantify that,

Ahhoz, hogy ezt mérni tudjuk,

we look at what's the probability that you make your biggest discovery,

azt vizsgáltuk, mi a valószínűsége, hogy mondjuk karrierje első, második,

let's say, one, two, three or 10 years into your career?

vagy tizedik évében jut el egy tudós a nagy felfedezéshez.

We're not looking at real age.

Itt nem a valós életkort vettük,

We're looking at what we call "academic age."

hanem az ún. "tudományos életkort".

Your academic age starts when you publish your first papers.

A tudományos életkor akkor kezdődik, mikor az első tanulmányunkat publikáljuk.

I know some of you are still babies.

Igen, néhányan még kisbabák.

(Laughter)

(Nevetés)

So let's look at the probability

Nézzük, mikor legvalószínűbb,

that you publish your highest-impact paper.

hogy megjelenik a legjelentősebb munka.

And what you see is, indeed, the genius research is right.

Itt is azt látjuk, hogy igaza van a zsenikutatóknak.

Most scientists tend to publish their highest-impact paper

A legnagyobb hatású munkáját ugyanis a legtöbb tudós

in the first 10, 15 years in their career,

karrierje első 10-15 évében adja ki,

and it tanks after that.

aztán hanyatlásnak indul.

It tanks so fast that I'm about -- I'm exactly 30 years into my career,

Olyan gyorsan hanyatlik a teljesítmény,

hogy az én esetemben, aki most pont karrierem 30. évében járok,

and the chance that I will publish a paper that would have a higher impact

az esélye annak, hogy bármi nagyobb hatásút írjak annál, mint eddig,

than anything that I did before

is less than one percent.

kevesebb mint egy százalék.

I am in that stage of my career, according to this data.

Az itt látható adatok is mutatják, hogy karrierem leszálló ágában járok.

But there's a problem with that.

Csakhogy van ezzel egy kis probléma.

We're not doing controls properly.

Nem jelöltük ugyanis megfelelően a változókat.

So the control would be,

Iktassuk be azt a szempontot,

what would a scientist look like who makes random contribution to science?

hogy van olyan tudós, aki csak alkalmanként jelentkezik eredményekkel.

Or what is the productivity of the scientist?

Hogyan írhatjuk le az ilyen tudósok teljesítményét?

When do they write papers?

Ők mikor jelentetnek meg tanulmányokat?

So we measured the productivity,

Megmértük tehát a teljesítményt,

and amazingly, the productivity,

és azt a hihetetlen eredményt kaptuk, hogy a teljesítmény,

your likelihood of writing a paper in year one, 10 or 20 in your career,

vagyis annak valószínűsége, hogy pályánk első, 10. vagy 20. évében publikálunk,

is indistinguishable from the likelihood of having the impact

megkülönböztethetetlen annak valószínűségétől,

in that part of your career.

amilyen hatást karrierünk adott szintjén elérhetünk.

And to make a long story short,

Hogy röviden összefoglaljam a dolgot,

after lots of statistical tests, there's only one explanation for that,

sok-sok statisztikai mérés után, erre csak egy magyarázatot tudtunk adni,

that really, the way we scientists work

és ez nem volt más, mint az, hogy mi, tudósok úgy dolgozunk,

is that every single paper we write, every project we do,

hogy minden egyes tanulmány, amit írunk, minden projekt, amiben részt veszünk,

has exactly the same chance of being our personal best.

ugyanakkora eséllyel lehet egyben legkiválóbb teljesítményünk.

That is, discovery is like a lottery ticket.

A tudományos felfedezés olyan tehát, mint a lutri.

Minél több lottószelvényünk van,

And the more lottery tickets we buy,

annál nagyobb az esély, hogy nyerünk.

the higher our chances.

And it happens to be so

És úgy tűnik,

that most scientists buy most of their lottery tickets

a legtöbb tudós ezeket a szelvényeket

in the first 10, 15 years of their career,

pályafutása első 10-15 évében szerzi be.

and after that, their productivity decreases.

Aztán csökken a teljesítmény.

They're not buying any more lottery tickets.

Már nem vesznek több szelvényt.

So it looks as if they would not be creative.

Úgy tűnik, mintha elvesztették volna a kreativitásukat.

In reality, they stopped trying.

Valójában azonban, inkább nem próbálkoznak tovább.

So when we actually put the data together, the conclusion is very simple:

Tehát ha összesítjük az adatokat, azt az egyszerű eredményt kapjuk,

success can come at any time.

hogy a siker bármikor beüthet.

It could be your very first or very last paper of your career.

Ennek kiváltója lehet pályafutásunk első vagy utolsó tanulmánya is.

It's totally random in the space of the projects.

A vizsgált téma tekintetében is teljesen esetleges ez.

It is the productivity that changes.

Ami változik, az a teljesítmény.

Let me illustrate that.

Hadd hozzak erre egy példát.

Here is Frank Wilczek, who got the Nobel Prize in Physics

A képen Frank Wilczeket látják, aki első, még egyetemistaként írt tanulmányával

for the very first paper he ever wrote in his career as a graduate student.

nyerte el a fizikai Nobel-díjat.

(Laughter)

(Nevetés)

More interesting is John Fenn,

Még nála is érdekesebb John Fenn esete,

who, at age 70, was forcefully retired by Yale University.

akit a Yale Egyetem 70 évesen kényszernyugdíjazott.

They shut his lab down,

Még a laborját is bezárták.

and at that moment, he moved to Virginia Commonwealth University,

Fenn ekkor átment a Virginia Commonwealth Egyetemre,

opened another lab,

új labort nyitott,

and it is there, at age 72, that he published a paper

és ekkor, 72 évesen írta azt a tanulmányát,

for which, 15 years later, he got the Nobel Prize for Chemistry.

melyért 15 évvel később megkapta a kémiai Nobel-díjat.

And you think, OK, well, science is special,

És most gondolhatják azt, hogy hát a tudomány világa mégis más,

but what about other areas where we need to be creative?

de mi a helyzet más foglalkozásokkal, ahol szükség van a kreativitásra?

So let me take another typical example: entrepreneurship.

Hadd mondjak el itt egy másik jellegzetes példát: nézzük a vállalkozásokat.

Silicon Valley,

Szilícium-völgy,

the land of the youth, right?

a feltörekvő ifjúság Mekkája, ugye?

And indeed, when you look at it,

És tényleg, ha megnézzük, látjuk,

you realize that the biggest awards, the TechCrunch Awards and other awards,

hogy a legnagyobb díjakat, mint a TechCrunch-díj és egyebek,

are all going to people

azok kapják,

akik átlagéletkora alig 30, vagy csak egy kicsivel több annál.

whose average age is late 20s, very early 30s.

You look at who the VCs give the money to, some of the biggest VC firms --

Nézzék meg, kiket támogatnak a kockázati tőkések és vállalataik:

all people in their early 30s.

a 30 év körülieket.

Which, of course, we know;

Ami persze azért van, ezt mind tudjuk,

there is this ethos in Silicon Valley that youth equals success.

mert a Szilícium-völgyben úgy gondolják, a fiatalság egyenlő a sikerrel.

Not when you look at the data,

Az adatok viszont nem ezt mutatják.

because it's not only about forming a company --

Mert itt nem csak magáról a cégalapításról van szó.

forming a company is like productivity, trying, trying, trying --

A cégalapítás egy teljesítmény - próbálkozunk, próbálkozunk.

when you look at which of these individuals actually put out

De nézzük meg, kik azok,

akik valóban sikeres céget hoznak létre, vagy más módon lesznek sikeresek.

a successful company, a successful exit.

And recently, some of our colleagues looked at exactly that question.

Nemrégiben néhány kollégám ennek a kérdésnek járt utána.

And it turns out that yes, those in the 20s and 30s

És igen, kiderült, hogy a 20-as, 30-asok

put out a huge number of companies, form lots of companies,

nagyon sok céget alakítanak, sok céget hoznak létre,

but most of them go bust.

de legtöbbjük csődbe megy.

And when you look at the successful exits, what you see in this particular plot,

Ha megnézzük, mitől lesz valaki sikeres ebben az esetben, azt látjuk,

the older you are, the more likely that you will actually hit the stock market

hogy minél idősebb valaki, annál nagyobb az esélye annak, hogy jegyezzék a tőzsdén,

or the sell the company successfully.

vagy hogy nyereségesen adja el a cégét.

This is so strong, actually, that if you are in the 50s,

Ez nagyon egyértelműen megmutatkozott.

Egy ötvenes üzletembernek kétszer akkora esélye van a sikerre,

you are twice as likely to actually have a successful exit

than if you are in your 30s.

mint egy harmincasnak.

(Applause)

(Taps)

So in the end, what is it that we see, actually?

Végeredményben tehát, mi is derül ki mindebből?

What we see is that creativity has no age.

Az, hogy a kreativitás nem életkorfüggő.

Productivity does, right?

A teljesítmény viszont igen, igaz?

Which is telling me that at the end of the day,

Ebből számomra az következik, hogy végső soron,

if you keep trying --

ha az ember próbálkozik,

(Laughter)

(Nevetés)

you could still succeed and succeed over and over.

újra és újra érhet el sikereket.

So my conclusion is very simple:

A végkövetkeztetés tehát nagyon egyszerű:

I am off the stage, back in my lab.

megyek is vissza a laboromba.

Thank you.

Köszönöm.

(Applause)

(Taps)