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

Translator: Htoo Yan Reviewer: Myo Aung

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

ဒီနေ့က ကျွန်တော့်အတွက် တကယ့်ကို ထူးခြားတဲ့နေ့ပါ။

because it is my birthday.

ဘာလို့ဆို ဒီနေ့က ကျွန်တော့်မွေးနေ့မို့ပါ။

(Applause)

(လက်ခုပ်သံများ)

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

ပြီးတော့ ကျွန်တော့်ပါတီပွဲကို တက်ရောက်ပေး ကြတဲ့အတွက် ကျေးဇူးတင်ပါတယ်။

(Laughter)

(ရယ်သံများ)

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

ဒါပေမဲ့ ပါတီပွဲတစ်ခုကျင်းပတိုင်း အဖျက် အမှောင့်တစ်ယောက်တော့ ရှိစမြဲပဲမို့လား။

(Laughter)

(ရယ်သံများ)

And I'm a physicist,

ကျွန်တော်က ရူပဗေဒပညာရှင်ပါ။

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

ဒီတစ်ခါ ကျွန်တော့ပွဲပါတီကို ဖျက်ဆီးဖို့ တခြားရူပ‌ဗေဒပညာရှင် တစ်ယောက်ကို ခေါ်လာတယ်

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

သူ့နာမည်က အဲဘတ်အိုင်းစတိုင်းပါ အဲဘတ်လို့လည်းခေါ်တယ်။ သူ ပြောခဲ့တာက

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

လူတစ်ယောက်ဟာ သိပ္ပံပညာရပ်ပေါ် အသက် ၃၀ နေလို့မှ အကျိုးထူးမပြုသေးရင်

by the age of 30

အဲဒီလူဟာ ဘယ်တော့မှ

will never do so.

အကျိုးပြုနိုင်မှာမဟုတ်ဘူးတဲ့။

(Laughter)

(ရယ်သံများ)

Now, you don't need to check Wikipedia

အခု ခင်ဗျားတို့ ဝီကိပိဒိယကို ကြည့်စရာမလိုပါဘူး

that I'm beyond 30.

ကျွန်တော်အသက် ၃၀ ကျော်ပါပြီ

(Laughter)

(ရယ်သံများ)

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

သူ ကျွန်တော့်ကို ပြောတာက

is that when it comes to my science,

သိပ္ပံပညာနဲ့ပတ်သက်လာရင်

I'm deadwood.

ကျွန်တော်က အသုံးမကျသူတဲ့။

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

ကျွန်တော့်အလုပ်ထဲမှာတော့ ကျွန်တော်ကံကောင်းတဲ့ထဲမှာပါခဲ့တယ်

Around age 28, I became very interested in networks,

အသက် ၂၈ နှစ်လောက်မှာ ကျွန်တော် ချိတ်ဆက်မှုတွေကို စိတ်ဝင်စားလာခဲ့တယ်

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

နောက်နှစ်အနည်းငယ်ကြာတော့ ကျွန်တော်တို့ အဓိကကျတဲ့ စာတမ်းတွေဖြစ်တဲ့

that reported the discovery of scale-free networks

scale-free networks ကို ရှာဖွေတွေ့ရှိခြင်းနဲ့

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

ဒီနေ့ network science လို့ခေါ်တဲ့ စည်းမျဉ်းအသစ်ကို မွေးထုတ်ပေးနိုင်ခဲ့ပါတယ်

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

တကယ်လို့ network science ကို စိတ်ဝင်စားတယ်ဆိုရင် ဘူဒါပတ်စ်တို့

in Budapest, in Boston,

ဘော်စတွန်တို့မှာ PhD ယူနိုင်ပါပြီ

and you can study it all over the world.

ကမ္ဘာအနှံ့မှာလည်း လေ့လာလို့ရပါတယ်

A few years later,

နှစ်အနည်းငယ်ကြာပြီးတော့

when I moved to Harvard first as a sabbatical,

ကျွန်တော် ဟားဗတ်ကို ပထမအကြိမ် ခွင့်နဲ့ပြောင်းခဲ့တုန်းက

I became interested in another type of network:

ကျွန်တော် network နောက်တစ်မျိုးကို စိတ်ဝင်စားခဲ့ပါတယ်

that time, the networks within ourselves,

အဲဒီတုန်းက ကျွန်တော့်တို့အတွင်းမှာရှိတဲ့ network တွေအကြောင်းပါ

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

မျိုးရိုးဗီဇတွေ ပရိုတိန်းတွေ ဇီဝဖြစ်ပျက် မှုတွေအချင်းချင်း ဘယ်လိုချိတ်ဆက်ကြတယ်

and how they connect to disease.

ရောဂါတွေနဲ့ သူတို့နဲ့ ဘယ်လို ချိတ်ဆက်တယ်ဆိုတာပေါ့။

And that interest led to a major explosion within medicine,

အဲဒီစိတ်ဝင်စားမှုကနေတစ်ဆင့် ခုဆေးပညာမှာ ပေါက်ကွဲမှုအကြီးကြီးဖြစ်စေခဲ့ပါတယ်

including the Network Medicine Division at Harvard,

ဟားဗတ်မှာရှိတဲ့ ချိတ်ဆက်မှုဆေးပညာဌာန အပါအဝင်ပေါ့

that has more than 300 researchers who are using this perspective

အဲဒီမှာ သုသေတနပြုသူ ၃၀၀ ကျော်ဟာ ဒီရှုထောင့်ကို အသုံးပြုပြီး

to treat patients and develop new cures.

လူနာတွေကို ကုသဖို့နဲ့ ကုသနည်းအသစ်တွေကို တီထွင်နေကြပါတယ်။

And a few years ago,

လွန်ခဲ့တဲ့နှစ်တွေတုန်းက

I thought that I would take this idea of networks

ဒီချိတ်ဆက်မှုသဘောတရားတွေနဲ့ မတူတဲ့ နယ်ပယ်တစ်ခုထဲက

and the expertise we had in networks

ကွန်ရက်တွေမှာရှိတဲ့ ကျွမ်းကျင်မှုကို

in a different area,

ယူဖို့ တွေးမိတယ်။

that is, to understand success.

ဆိုလိုတာက အောင်မြင်မှုကို နားလည်ဖို့ပါ

ဘာလို့ ဒါကိုလုပ်တာလဲ။

And why did we do that?

Well, we thought that, to some degree,

ဘာလို့လဲဆိုတော့ ကျွန်တော်တို့ရှိနေတဲ့ ချိတ်ဆက်မှုတွေက

ကျွန်တော့်တို့ အောင်မြင်မှုကို အတိုင်းအတာ တစ်ခုအထိ ဆုံးဖြတ်ပေးနိုင်မယ် ထင်လို့ပါ။

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

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

ကျွန်တော်တို့ရဲ့ ချိတ်ဆက်မှုတွေက ရှေ့ကို တွန်းပို့နိုင်သလို နောက်ကိုလည်းဆွဲထားမယ်။

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

ကျွန်တော်တို့ရဲ့ အသိပညာတွေ၊ အချက်အလက်တွေနဲ့

ဒီချိတ်ဆက်မှုတွေကို တည်ဆောက်တဲ့ ကျွမ်းကျင်မှုတွေက

where we develop the networks

to really quantify how these things happen.

ဒါတွေဘယ်လိုဖြစ်လာသလဲ တကယ်တိုင်းနိုင်လား ဆိုတာ ကျွန်တော်အရမ်းသိချင်ခဲ့တယ်။

ဒါ အဲ့ဒီကရလာတဲ့ ရလဒ်တစ်ခုပါ

This is a result from that.

What you see here is a network of galleries in museums

ဒီမှာပြတိုက်တွေမှာရှိတဲ့ ပြခန်းတွေရဲ့ တစ်ခုနဲ့တစ်ခုချိတ်ဆက်မှုကို

that connect to each other.

တွေ့မြင်ရပါမယ်

And through this map that we mapped out last year,

ကျွန်တော်တို့ အရင်နှစ်က လုပ်ခဲ့တဲ့ ဒီမြေပုံကိုအခြေခံပြီး

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

သူတို့လုပ်ငန်းသက်အတွင်း ပြသခဲ့တဲ့ ပထမဆုံးပွဲ ၅ ပွဲကို ကြည့်ပြီး

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

ကျွန်တော်တို့က အနုပညာရှင်တစ်ယောက်ရဲ့ အောင်မြင်မှုကို အတိအကျခန့်မှန်းနိုင်ပါတယ်

Well, as we thought about success,

အောင်မြင်မှုအကြောင်း ကျွန်တော်တို့ တွေးထားသလိုပါပဲ

we realized that success is not only about networks;

အောင်မြင်မှုဆိုတာ ချိတ်ဆက်မှု တွေကြောင့်ချည်းပဲ မဟုတ်ပါဘူး

there are so many other dimensions to that.

တခြားအချက်တွေလည်း ရှိပါသေးတယ် ဆိုတာ သိခဲ့ရပါတယ်

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

အဲဒီထဲကမှ အောင်မြင်မှုအတွက် လိုအပ်တဲ့ တစ်ချက်က

is performance.

လုပ်ဆောင်ချက်ပါပဲ။

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

လုပ်ဆောင်ချက်နဲ့ အောင်မြင်မှုကြား ကွဲပြားခြားနားချက်ကို ပြောကြည့်ရအောင်

Well, performance is what you do:

လုပ်ဆောင်ချက်ဆိုတာ မင်းလုပ်တဲ့ဟာကို ခေါ်တယ်

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

မင်းဘယ်လောက်မြန်မြန်ပြေးတယ် မင်းဘယ်လိုပန်းချီကားတွေဆွဲတယ်

what kind of papers you publish.

မင်းဘယ်လိုစာတမ်းတွေရေးတယ်ဆိုတာမျိုးပေါ့။

However, in our working definition,

ကျွန်တော်တို့ အလုပ်သတ်မှတ်ချက်အရတော့

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

အောင်မြင်မှုဆိုတာ မင်းလုပ်တဲ့အလုပ် အကြောင်း မင်းရဲ့လုပ်ဆောင်ချက်ကနေ

from your performance:

လူတွေဘာတွေသိသလဲ လို့ဆိုပါတယ်

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

လူတွေဘယ်လိုအသိအမှတ်ပြုသလဲ လူတွေ ဘာချီးမွမ်းကြသလဲ

In other terms,

နောက်တစ်နည်းပြောရရင်

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

မင်းရဲ့လုပ်ဆောင်ချက်က မင်းနဲ့ပဲဆိုင်တယ် အောင်မြင်မှုက အားလုံးနဲ့ဆိုင်တယ်

And this was a very important shift for us,

ဒါက ကျွန်တော်တို့အတွက် အလွန်အရေးကြီးတဲ့ အရွေ့တစ်ခုပဲ

because the moment we defined success as being a collective measure

ကျွန်တော်တို့က အောင်မြင်မှုဆိုတာ လူတွေကပေးတဲ့ တိုင်းတာချက်တွေနဲ့

that the community provides to us,

တိုင်းတာလို့ရတယ်လို့ သတ်မှတ်လိုက်တဲ့အချိန်မှာ

it became measurable,

တိုင်းတာလို့ရသွားပါတယ်

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

အောင်မြင်မှုဆိုတာ လူတွေကြားထဲကအရာဖြစ်ပြီး အချက်အလက်ပေါင်းများစွာ ချိန်ထိုးရလို့ပါ။

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

ကျွန်တော်တို့ ကျောင်းသွားတယ် လေ့ကျင့်ခန်းတွေလုပ်တယ် လေ့ကျင့်ကြတယ်

ကျွန်တော်တို့လုပ်ဆောင်ချက်တွေ အောင်မြင်မှု တွေကို သယ်ဆောင်လာမယ်ဆိုတာ ယုံကြည်ကြလို့လေ

because we believe that performance leads to success.

But the way we actually started to explore,

ဒါပေမဲ့ ကျွန်တော်တို့ တဖြည်းဖြည်း သိလာတာလေးရှိပါတယ်

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

လုပ်ဆောင်ချက်နဲ့ အောင်မြင်မှုနဲ့ဆိုတာ သင်္ချာရှုထောင့်ကနေကြည့်ရင်

when it comes to the mathematics of the problem.

ဘာဆိုဘာမှမဆိုင်တဲ့ သတ္တဝါနှစ်ကောင်ပါပဲ

ကျွန်တော် သရုပ်ဖော်ပုံလေးနဲ့ပြပါရစေ။

And let me illustrate that.

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

ဒီမှာ ကမ္ဘာ့အပြေးမြန်ဆုံးလူသား ယူစိန်ဘော့ကို တွေ့ရမှာပါ

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

သူက သူဝင်ပြိုင်တဲ့ပြိုင်ပွဲတော်တော်များ များမှာ အနိုင်ရရှိသူပါ။

ကျွန်တော်တို့ သူ့ကို ကမ္ဘာမှာအပြေးမြန်ဆုံး လို့သိတယ်၊ ဘာလို့လဲဆို သူ့ပြေးနှုန်းကို

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

to measure his speed.

တိုင်းတာနိုင်တဲ့ နာရီရှိလို့ပါပဲ။

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

သူ့အကြောင်း စိတ်ဝင်စားစရာကောင်းတာက သူနိုင်ပြီဆိုရင်

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

သူ့ပြိုင်ဘက်တွေကို အပြတ်အသတ်အသာစီးရပြီး နိုင်တာမဟုတ်ပါဘူး

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

သူက ပြိုင်ပွဲမှာ ရှုံးသွားသူရဲ့ တစ်ရာခိုင် နှုန်းစာလောက်ပဲ ပိုပြေးနိုင်တာပါ။

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

ဒုတိယရတဲ့သူရဲ့ တစ်ရာခိုင်နှုန်းပဲ ပိုမြန်ရုံတင်မဟုတ်ဘူး၊

ကျွန်တော်ပြေးတာထက် ၁၀ ဆ သူပိုမမြန်ပါဘူး

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

ဒါတောင် ကျွန်တော် အပြေးကောင်းတဲ့ သူမဟုတ်ဘူးနော်

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

(ရယ်သံများ)

(Laughter)

ကျွန်တော့်တို့ဟာ ကျွန်တော်တို့ လုပ်ဆောင် ချက်တွေကို တိုင်းလို့ရတဲ့အခါတိုင်း

And every time we are able to measure performance,

ကျွန်တော်တို့ လုပ်ဆောင်ချက်က ကန့်သတ်ချက်ရှိတယ်ဆိုတာကို

we notice something very interesting;

that is, performance is bounded.

သတိထားမိပါတယ်၊ အရမ်းကို စိတ်ဝင်စားစရာကောင်းပါတယ်

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

ဆိုလိုတာက လူသားတွေရဲ့ လုပ်ဆောင်ချက်တွေမှာ ကြီးကြီးမားမားကွာဟချက်တွေဆိုတာမရှိပါဘူး

It varies only in a narrow range,

အတိုင်းအတာသေးသေးလေးတစ်ခုပဲ ကွာခြားကြတာပါ

and we do need the chronometer to measure the differences.

အဲလိုကွာခြားချက်တွေကို နှိုင်းမယ်ဆိုရင် အပြေးပြိုင်ပွဲကလိုမျိုး နာရီလိုပါမယ်

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

အကောင်းဆုံးဆိုသူတွေဆီက ကောင်းတာတွေ မြင်ရ ဖို့ မဖြစ်နိုင်ပါဘူးလို့ပြောတာမဟုတ်ပါဘူး

but the best ones are very hard to distinguish.

အကောင်းဆုံးဆိုတာလဲ ခွဲခြားသတ်မှတ်ဖို့ ခက်ပါတယ်

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

ဘာလို့လဲဆိုတော့ ကျွန်တော်တို့အလုပ်လုပ်တဲ့ နယ်ပယ်တွေက

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

ကျွန်တော့်တို့ရဲ့ လုပ်ဆောင်ချက်ကို တိုင်းတာနိုင်တဲ့ နာရီမရှိလို့ပါ

ဟုတ်ပြီ၊ လုပ်ဆောင်ချက်တွေဟာ ကန့်သတ်ချက်ရှိတယ်

Alright, performance is bounded,

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

လုပ်ဆောင်ချက်တွေမှာ ကြီးကြီးမားမားကွာဟချက် မရှိဘူး

ဒါဆို အောင်မြင်မှုကရော။?

How about success?

ကဲ အခု တစ်ခြားခေါင်းစဉ်အကြောင်း ပြောင်း ပြောရအောင်၊ စာအုပ်တွေအကြောင်းလိုမျိုးပေါ။

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

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

စာရေးဆရာတွေအောင်မြင်လား တိုင်းတာတဲ့နည်းက သူ့စာအုပ်တွေ ဖတ်တဲ့လူတွေနဲ့ တိုင်းတာပါ။

ကျွန်တော့်ရဲ့ အရင်စာအုပ် ၂၀၀၉ မှာ ထွက်ပါတယ်

And so when my previous book came out in 2009,

ကျွန်တော် ဥရောပမှာ ကျွန်တော့် အယ်ဒီတာနဲ့ ပြောဖြစ်ပါတယ်

I was in Europe talking with my editor,

and I was interested: Who is the competition?

ကျွန်တော့်ပြိုင်ဘက်ဘယ်သူလဲဆိုတာ စိတ်ဝင်စားပါတယ်။

And I had some fabulous ones.

ပြိုင်ဘက်ကောင်းတွေရရှိခဲ့ပါတယ်

That week --

အဲဒီအပတ်မှာ

(Laughter)

(ရယ်သံများ)

Dan Brown came out with "The Lost Symbol,"

ဒန်ဘရောင်းရဲ့ “The Lost Symbol” ထွက်ပါတယ်။

and "The Last Song" also came out,

Nicholas Sparks ရဲ့

Nicholas Sparks.

“The Last Song” လည်း ထွက်ပါတယ်။

And when you just look at the list,

ဒီစာရင်းတွေကို ကြည့်လိုက်ရင်

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

ဒီစာအုပ်တွေချင်းရော ကျွန်တော့်စာအုပ်တေွနဲ့ရော

လုပ်ဆောင်ချက်အရ ကွာခြားမှန်း ခင်ဗျားတို့ သိနိုင်ပါတယ်

between these books or mine.

Right?

ဟုတ်တယ်ဟုတ်

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

Nicolas Spark’s တို့အဖွဲ့သာ နည်းနည်းလေး ပိုကြိုးစားခဲ့ရင်

he could easily be number one,

နံပတ်တစ်ကို လွယ်လွယ်လေးရောက်နိုင်ပါတယ်၊

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

ဘာလို့ဆို ထိပ်ရောက်နေတာက တိုက်ဆိုင်မှုကြောင်လဲဖြစ်နိုင်တာပဲ

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

ကျွန်တော်က အချက်အလက်နဲ့အလုပ်လုပ်တဲ့သူမို့ ဒီကိန်းဂဏန်းတွေကို ကြည့်ကြည့်ရအောင်

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

ဒါက Nicolas Sparks ရဲ့ ရောင်းအား ကို တွေ့ရမှာပါ

And it turns out that that opening weekend,

အဖွင့်ရက်သတ္တပတ်မှာတင်

Nicholas Sparks sold more than a hundred thousand copies,

Nicolas Sparks က စောင်ရေ သန်းနဲ့ချီရောင်းခဲ့ရပါတယ်

which is an amazing number.

အံ့ဩစရာကောင်းတဲ့ အရေအတွက်ဖြစ်ပါတယ်

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

တစ်ပတ်ကို စောင်ရေ တစ်သောင်းရောင်းနိုင်ရင်

New York Times ရဲ့ ရောင်းအားအကောင်းဆုံး စာရင်းမှာ ထိပ်ဆုံးမှာ၊

by selling 10,000 copies a week,

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

သူက နံပတ်တစ်ရဖို့ လိုအပ်တဲ့အရေအတွက်ထက် ၁၀ ပိုရောင်းခဲ့ရပါတယ်

Yet he wasn't number one.

ဒါတောင် သူက နံပတ် တစ် မဟုတ်ပါဘူး

Why?

ဘာလို့လဲ?

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

ဘာလို့လဲဆိုတော့ ဒန်ဘရောင်းက အဲ့ဒီအပတ်မှာပဲ အုပ်ရေ ၁.၂ သန်းရောင်းရခဲ့လို့ပါ

(Laughter)

(ရယ်သံများ)

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

ကျွန်တော် ဒီကိန်းဂဏန်းတွေကို ဘာလို့ကြိုက်သလဲဆိုတော့

when it comes to success, it's unbounded,

အောင်မြင်မှုနဲ့ပတ်သက်လာရင် ကန့်သတ်ချက် မရှိဘူး ဆိုတာ သူတို့က ပြနေတယ်

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

အကောင်းဆုံးလူက ဒုတိယအကောင်းဆုံးထက် အနည်းငယ်ပဲ ပိုရတာမဟုတ်ပါဘူး

but gets orders of magnitude more,

ပမာဏအကြီးကြီးကို ရလိုက်တာပါ

because success is a collective measure.

ဘာလို့ဆိုတော့ အောင်မြင်မှုက တိုင်းတာနိုင်လို့ပါပဲ။

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

ကျွန်တော်တို့က လုပ်ဆောင်ချက်ကနေ ကြည့် ရမယ့်အစား အောင်မြင်မှုကို ပေးပလိုက်တယ်။

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

သိလိုက်တဲ့တစ်ချက်က ကျွန်တော်တို့လုပ်တဲ့ လုပ်ဆောင်ချက်က ကန့်သတ်ချက်ရှိတယ်၊

but success, which is collective, is unbounded,

ရေတွက်လို့ရတဲ့ အောင်မြင်မှုက ကန့်သတ်ချက်မရှိဘူး

which makes you wonder:

စဉ်းစားစရာဖြစ်လာတာက

How do you get these huge differences in success

လုပ်ဆောင်ချက်မှာ ကြီးကြီးမားမား ကွာခြားချက်မရှိဘဲနဲ့

when you have such tiny differences in performance?

အောင်မြင်မှုမှာကျတော့ ဘာကြောင့် ကွာခြားချက် ကြီးမားရတာလဲ

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

အဲဒီမေးခွန်း ဖြေဖို့ ကြိုးစားထားတဲ့ စာအုပ် ကျွန်တော်ထုတ်ဝေထားတာ မကြာသေးပါဘူး။

တစ်အုပ်လုံးအကြောင်းပြောရလောက်အောင် ကျွန်တော့်ကို အချိန်မပေးထားကြဘူး

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

ဒါကြောင့် ကျွန်တော်ဒီမေးခွန်းလေးဆီ ပြန်သွားပါမယ်၊

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

alright, you have success; when should that appear?

အော်မြင်မှုရတယ်ဆိုရင် ဘယ်အချိန်မှာ ရသင့်လဲ

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

ကျွန်တော့်ပါတီပွဲကို ဖျက်ဆီးတဲ့သူပြောတာကို ကျွန်တော်တို့ ပြန်ဆန်းစစ်ကြည့်ရအောင်-

Why did Einstein make this ridiculous statement,

ဘာလို့ အိုင်းစတိုင်းက ဒီလို ရူးကြောင်ကြောင် စကားမျိုး ပြောတာလဲ၊

that only before 30 you could actually be creative?

တကယ်ပဲ အသက် ၃၀ မတိုင်ခင်မှာပဲ ဖန်တီးနိုင်စွမ်းရှိတာလား

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

သူဘာလို့အဲဒီလိုပြောလဲဆိုတော့ သူ့ပတ်ဝန်း ကျင်မှာရှိတဲ့ ဒိတ်ဒိတ်ကြဲရူပဗေဒပညာရှင်တွေက

quantum mechanics နဲ့ ခေတ်သစ်ရူပဗေဒကို ဖန်တီးခဲ့ကြတုန်းက

that created quantum mechanics and modern physics,

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

သူတို့ အသက်တွေက ၂၀ ကျော် နဲ့ ၃၀ စွန်းစွန်းတွေပဲမို့လို့ပါ။

သူတစ်ယောက်ထဲမဟုတ်ပါဘူး

And it's not only him.

It's not only observational bias,

သူ့ဘက် ဘက်လိုက်ပြီးတော့ ပြောတာလည်းမဟုတ်ဘူး

because there's actually a whole field of genius research

ဉာဏ်ကြီးရှင်တွေကို သုတေသနလုပ်ထားတာ တစ်ကယ်ရှိပါတယ်

that has documented the fact that,

ဘယ်အချက်ကို ထွက်ပေါ်စေလဲဆိုတော့

if we look at the people we admire from the past

အတိတ်က ကျွန်တော်တို့လေးစားတဲ့ လူတွေကို ကြည့်လိုက်ရင်

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

သူတို့ရဲ့ အအောင်မြင်ဆုံး ဖန်တီးမှုကို ဘယ်အရွယ်မှာလုပ်လဲ ကြည့်ကြည့်ရင်

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

ဂီတနယ်ပယ်ဖြစ်ဖြစ် သိပ္ပံပညာဖြစ်ဖြစ်

whether that's engineering,

အင်ဂျင်နီယာပညာဖြစ်ဖြစ်

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

သူတို့အများစုက ၂၀၊ ၃၀၊ အရွယ်တွေပါ အလွန်ဆုံးရှိလှ ၄၀ စွန်းစွန်းပေါ့

But there's a problem with this genius research.

ဒီဉာဏ်ကြီးရှင်ပညာရှင်တွေအကြောင်း သုတေသနမှာ ပြဿနာတစ်ခုရှိတာက

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

ပထမဆုံး ကျွန်တော်တို့ကို

that creativity equals youth,

တီထွင်ဖန်တီးနိုင်စွမ်း = လူငယ် လို့ ထင်စေပါတယ်

which is painful, right?

ရင်နာစရာမကောင်းဘူးလားဗျာ

(Laughter)

(ရယ်သံများ)

And it also has an observational bias,

ဒါက လေ့လာတဲ့နေရာမှာ ဘက်လိုက်မှုရှိပါတယ်

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

အကြောင်းက ဉာဏ်ကြီးရှင်တွေပဲ ကြည့်ပြီး သာမာန်သိပ္ပံပညာရှင်တွေကို မကြည့်လို့ပါ။

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

ကျွန်တော်တို့အားလုံးကို မလေ့လာပါဘူး

is it really true that creativity vanishes as we age?

အသက်ကြီးလို့ ဖန်တီးနိုင်စွမ်းကျဆင်းသွားတာ အမှန်လားလို့ ကျွန်တော်တို့ကို လာမမေးပါဘူး

So that's exactly what we tried to do,

အဲဒီဟာက ကျွန်တော်တို့ လုပ်ဖို့ကြိုးစားနေတာပါ၊

and this is important for that to actually have references.

လုပ်ဖို့ဆို ကျမ်းကိုးတွေရှိဖို့လည်း အရေးကြီးသေးတယ်ဗျ

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

ကျွန်တော့်လိုသာမာန် သိပ္ပံပညာရှင်ကို ကြည့်ရအောင်

and let's look at my career.

ကျွန်တော့် လုပ်ငန်းသက်ကို ကြည့်ကြည့်ရအောင်

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

ကျွန်တော်တင်ထားတဲ့ စာတမ်း တွေ့ပါလိမ့်မယ်

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

၁၉၈၉ ရိုမေးနီးယားမှာ နေတုန်းက တင်ခဲ့တဲ့ ပထမဆုံးစာတမ်းကနေ

till kind of this year.

ဒီနှစ်ထိ တင်ထားတဲ့ စာတမ်းတွေ တွေ့နိုင်ပါတယ်။

And vertically, you see the impact of the paper,

ဒေါင်လိုက်မှာတော့ ဒီစာတမ်းရဲ့ အကျိုးသက်ရောက်မှု

that is, how many citations,

ဒီစာတမ်းကို ဘယ်လောက်ကိုးကားထားလဲ၊

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

ဒီစာတမ်းကို ကိုးကားပြီး နောက်ထပ်စာတမ်း ဘယ်နှစောင်ရေးထားလဲ တွေ့ရမှာပါ

ကြည့်လိုက်မယ်ဆိုရင်

And when you look at that,

you see that my career has roughly three different stages.

ကျွန်တော့် လုပ်သက်မှာ အကြမ်းအားဖြင့် မတူ ညီတဲ့အဆင့် (၃) ဆင့်ရှိတာကိုတွေ့ရပါလိမ့်မယ်

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

ပထမ(၁၀)နှစ်မှာအလုပ်အရမ်း ကြိုးစားပါတယ်

အရမ်းကြီးအောင်မြင်မှုမရပါဘူး။

and I don't achieve much.

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

ကျွန်တော်ဘာလုပ်နေလဲ ဘယ်သူမှ စိတ်မဝင်စားပါဘူး

There's hardly any impact.

ဘာအကျိုးသက်ရောက်မှုမှ မရှိဘူးပေါ့ဗျာ

(Laughter)

(ရယ်သံများ)

That time, I was doing material science,

အဲ့တုန်းက သိပ္ပံပညာရပ်ကို လေ့လာပြီးတော့

and then I kind of discovered for myself networks

ချိတ်ဆက်မှုတွေအကြောင်း တွေ့ရှိခဲ့ပါတယ်

အဲဒီချိတ်ဆက်မှုတွေအကြောင်းကို စာတမ်းတွေထုတ်ဝေခဲ့ပါတယ်

and then started publishing in networks.

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

အဲ့ဒီစာတမ်းတွေက တစ်စောင်ကနေ တစ်စောင် အကျိုးသက်ရောက်မှုကြီးပါတယ်

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

အရမ်းကို ခံစားဖို့နှစ်သက်ရာပါပဲ ကျွန်တော့်လုပ်သက်ရဲ့ အဆင့်တစ်ခုပေါ့ဗျာ

(Laughter)

(ရယ်သံများ)

So the question is, what happens right now?

မေးစရာရှိတာက ခုဘာဖြစ်နေပြီလဲဆိုတာပါပဲ

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

ကျွန်တော်တို့မသိပါဘူး။ ဘာလို့ဆို ကျွန်တော် တို့ အချိန်တွေအလုံအလောက်မရသေးလို့ပါ။

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

ဒီစာတမ်းတွေ ဘယ်လောက်အကျိုးသက်ရောက်မှု ရှိတယ်ဆိုတာ ပြောဖို့က

it takes time to acquire.

အချိန်ယူရပါလိမ့်မယ်

Well, when you look at the data,

အချက်အလက်တွေပြန်ကြည့်ရင်တော့

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

အိန်းစတိန်းပြောတဲ့ အဲ့ဒီလူတော်တွေနဲ့ ပတ်သက်တဲ့သုတေသနက မှန်တယ်ဗျ။

and I'm at that stage of my career.

ကျွန်တော်က အဲ့ဒီအဆင့်ကို ရောက်နေလို့လည်းဖြစ်တယ်။

(Laughter)

(ရယ်သံများ)

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

ဟုတ်ပြီ၊ ဒါဆို ဒါတကယ်ဖြစ်နိုင်ပါ့မလားဆိုတာ ပြောကြည့်ရအောင်

first in science.

သိပ္ပံနယ်မှာ အရင်ကြည့်ရအောင်

And in order not to have the selection bias,

ရွေးချယ်တဲ့နေရာမှာ ဘက်လိုက်မှုမရှိအောင်

ဉာဏ်ကြီးရှင်တွေကိုပဲ ကြည့်မယ်၊

to look only at geniuses,

we ended up reconstructing the career of every single scientist

ကျွန်တော်တို့ ၁၉၀၀ ခုနှစ်ကစလို့ ခုထိ သိပ္ပံပညာရှင်တစ်ယောက်ချင်းစီရဲ့

from 1900 till today

အလုပ်တွေကို ပြန်ပြီးကြည့်ကြတယ်

and finding for all scientists what was their personal best,

သူတို့ရဲ့ တစ်ယောက်ချင်းစီရဲ့ အကောင်းဆုံးက ဘယ်ဟာလဲဆိုတာရှာကြတယ်

whether they got the Nobel Prize or they never did,

နိုဘယ်ဆုရရ မရရ

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

လူတွေသိသိမသိသိ သူတို့ရဲ့ အကောင်းဆုံးဆိုတာတွေကိုပဲကြည့်မယ်

And that's what you see in this slide.

ဒီ Slide ကိုကြည့်ကြည့်ပါ

Each line is a career,

မျဉ်းတစ်ကြောင်းချင်းစီက သူတို့ရဲ့ အလုပ်သက်တမ်းပါ

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

အပြာရောင်အစက်လေးက သူတို့လုပ်သက်မှာ အကောင်းဆုံးဆိုတာကို

it says that was their personal best.

ပြထားတယ်။

And the question is,

မေးခွန်းက

when did they actually make their biggest discovery?

သူတို့ဒီမဟာရှာဖွေတွေရှိမှုကို ဘယ်အရွယ်မှာတွေ့ကြတာလဲ

အဲဒီကိန်းဂဏန်းကိုသိဖို့

To quantify that,

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

မဟာရှာဖွေတွေ့ရှိမှုကို လုပ်တဲ့ ဖြစ်နိုင်ခြေရှိတဲ့ အရွယ်ကိုကြည့်ပါမယ်၊

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

လုပ်သက် တစ်နှစ်လား၊ နှစ်နှစ်လား၊ သုံးနှစ်လား ဒါမှမဟုတ် ၁၀နှစ်လား

We're not looking at real age.

ကျွန်တော်တို့ တကယ့်အသက်ကို ပြောနေတာမဟုတ်ပါဘူး။

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

“ပညာသက်”လို့ခေါ်တဲ့ အသက်ကို ကြည့်နေတာပါ။

Your academic age starts when you publish your first papers.

ပညာသက်က ခင်ဗျားရဲ့ ပထမဆုံးစာတမ်းကို စတင်ထုတ်ဝေတာကနေ စရေပါတယ်

I know some of you are still babies.

ခင်ဗျားတို့ တစ်ချို့တွေ ကလေးပဲရှိသေးတယ် ဆိုတာ ကျွန်တော်သိပါတယ်

(Laughter)

So let's look at the probability

(ရယ်သံများ)

ခင်ဗျားရဲ့ သက်ရောက်မှုအရှိဆုံး စာတမ်းကို ထုတ်ဝေနိုင်တဲ့

that you publish your highest-impact paper.

ခန့်မှန်းနှစ်ကို ကြည့်ရအောင်

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

ဉာဏ်ကြီးရှင်တွေကိုလုပ်တဲ့ သုတေသနက တကယ်မှန်ကန်တာကိုတွေ့ရမှာပါ

Most scientists tend to publish their highest-impact paper

သိပ္ပံပညာရှင်အများစုက သက်ရောက်မှု အရှိဆုံးစာတမ်းကို သူတို့လုပ်သက်ရဲ့

in the first 10, 15 years in their career,

ပထမ ၁၀ နှစ် ၁၅ နှစ်မှာ ထုတ်ဝေကြလေ့ရှိပါတယ်

and it tanks after that.

အဲဒါပြီးရင် ကျသွားလေ့ရှိပါတယ်

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

ကျွန်တော်လည်း လုပ်သက် နှစ် ၃၀ အတိရှိပါပြီ

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

ကျွန်တော်လည်းအကျမြန်ပါတယ် ကျွန်တော်ထုတ်ခဲ့တဲ့ စာတမ်းတွေထက်

သက်ရောက်မှုပိုရှိတဲ့ စာတမ်းထုတ်ဝေနိုင်ဖို့

than anything that I did before

အခွင့်အရေးက တစ်ရာခိုင်နှုန်းထက်ကို နည်းနေပါပြီ

is less than one percent.

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

ဒီအချက်အလက်တွေအရ ကျွန်တော်က လုပ်သက်ရဲ့ ဒီအဆင့်မှာပါ

But there's a problem with that.

အဲ့ဒါနဲ့ပတ်သက်ပြီး ပြဿနာရှိပါတယ်

We're not doing controls properly.

ကျွန်တော်တို့က နှိုင်းယှဉ်တာတွေကို သေချာမလုပ်ပါဘူး။

So the control would be,

နှိုင်းယှဉ်ရမှာက

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

သိပ္ပံပညာကို ကျပမ်းအကျိုးပြုနေတဲ့ သိပ္ပံပညာရှင်က ဘယ်လိုလဲ။

Or what is the productivity of the scientist?

အဲ့ဒီသိပ္ပံပညာရှင်ရဲ့ ထုတ်လုပ်နိုင်စွမ်းက ဘာလဲ။

When do they write papers?

စာတမ်းတွေကို ဘယ်အချိန်မှာရေးကြသလဲ။

So we measured the productivity,

သူတို့ထုတ်လုပ်နိုင်စွမ်းတွေကို တိုင်းကြည့်ပါတယ်၊

and amazingly, the productivity,

အံ့ဩစရာပါပဲ။

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

သင်ရဲ့ စာတမ်းကို ရေးဖြစ်နိုင်​ခြေက လုပ်သက်ရဲ့ ၁ နှစ် ၁၀ နှစ်နဲ့ ၂၀ နှစ်မှာပါ

is indistinguishable from the likelihood of having the impact

ပြီးတော့ အဲ့ဒီစာတမ်းရေးတဲ့နှစ်တွေမှာပဲ အကျိုးသက်ရောက်မှုများကလည်း

in that part of your career.

တွဲပါလာမှာပါ။

ရှည်လျားထွေပြားတဲ့ ဒီပုံပြင်ကို အတိုချုပ်ရရင်၊

And to make a long story short,

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

အချက်အလက်စစ်ဆေးမှုတွေ အများကြီးလုပ်ရင် ရှင်းလင်းချက်တစ်ခုပဲရှိပါတယ်၊

that really, the way we scientists work

ကျွန်တော်တို့ သိပ္ပံပညာရှင်တွေ အလုပ်လုပ်ပုံက

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

ကျွန်တော်တို့ ရေးတဲ့ စာတမ်းတိုင်း၊ ကျွန်တော်တို့ လုပ်တဲ့ project တိုင်း၊

has exactly the same chance of being our personal best.

ကျွန်တော်တို့ရဲ့ အကောင်းဆုံးဖြစ်လာဖို့ အခွင့်အရေးတူတူရှိပါတယ်။

That is, discovery is like a lottery ticket.

ရှာဖွေတွေ့ရှိမှုက ထီလက်မှတ်လိုပါပဲ။

And the more lottery tickets we buy,

ထီလက်မှတ်များများဝယ်လေလေ

the higher our chances.

ပေါက်နိုင်ခြေများလေပါပဲ။

And it happens to be so

အဲဒါဆို ဒီလိုဖြစ်လိမ့်မယ်-

that most scientists buy most of their lottery tickets

သိပ္ပံပညာရှင်အများစုက သူတို့ရဲ့ ထီလက်မှတ်အများစုကို

in the first 10, 15 years of their career,

လုပ်သက်ရဲ့ ပထမ ၁၀ နှစ် ၁၅ နှစ်မှာ ဝယ်ကြပါတယ်

and after that, their productivity decreases.

အဲ့ဒါပြီးတော့ productivity ကျသွားပါတယ်။

They're not buying any more lottery tickets.

ထီလက်မှတ်တွေ ထပ်မဝယ်ကြတော့ဘူး။

So it looks as if they would not be creative.

သူတို့ ဖန်တီးနိုင်စွမ်းမရှိတော့လို့လို့ ထင်ရပေမဲ့၊

In reality, they stopped trying.

တကယ်တမ်းကျ သူတို့ ကြိုးစားတာကို ရပ်လိုက်လို့ပါ။

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

အချက်အလက်တွေ ပေါင်းလိုက်ရင် သုံးသပ်ချက်က အလွန်ရိုးရိုးရှင်းရှင်းထွက်လာပါတယ်။

success can come at any time.

အောင်မြင်မှုက အချိန်မရွေးလာနိုင်ပါတယ်။

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

ခင်ဗျားတို့လုပ်သက်မှာ ပထမဆုံးစာတမ်း ဖြစ် နိုင်သလို နောက်ဆုံးစာတမ်းလည်းဖြစ်နိုင်တယ်။

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

Projects တွေထဲမှာ ဘယ် project မဆို ဖြစ်နိုင်ပါတယ်

It is the productivity that changes.

အလုပ်လုပ်နိုင်စွမ်းကသာ ပြောင်းသွားတာပါ

Let me illustrate that.

ပုံလေးနဲ့ပြပါရစေ

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

ဒါ ရူပဗေဒမှာ နိုဘယ်ဆုရတဲ့ Frank Wilczek ပါ

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

ဘွဲ့ရကျောင်းသားတစ်ယောက်အနေနဲ့ သူ့လုပ်သက်ရဲ့ ပထမဆုံးစာတမ်းမှာ ဆုရတာပါ။

(Laughter)

(ရယ်သံများ)

More interesting is John Fenn,

ပိုစိတ်ဝင်စားစရာကောင်းတာက John Fenn ပါ။

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

အသက် ၇၀ မှာ ယေးလ် တက္ကသိုလ်ကနေ အနားယူခိုင်းခြင်းခံရပါတယ်။

They shut his lab down,

သူရဲ့ ဓာတ်ခွဲခန်းကို ပိတ်လိုက်ကြတယ်

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

အဲဒီမှာ Virginia Commonwealth တက္ကသိုလ်ကို ပြောင်းတယ်၊

opened another lab,

နောက်ထပ် ဓာတ်ခွဲခန်းတစ်ခုဖွင့်တယ်၊

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

အသက် ၇၂ နှစ်မှာ စာတမ်းတစ်စောင်ထုတ်တယ်၊

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

နောက် ၁၅ နှစ်အကြာမှာ ဓာတုဗေဒအတွက် နိုဘယ်ဆုချီးမြှင့်ခံရတယ်။

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

ခင်ဗျားကထင်မှာပေါ့ သိပ္ပံပညာက ထူးခြားလို့

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

ကျန်တဲ့ ဖန်တီးမှုစွမ်းရည်လိုတဲ့ ပညာရပ်တွေကျရောပေါ့။

So let me take another typical example: entrepreneurship.

နောက်ထပ် ပုံမှန်ဉပမာတစ်ခုပေးပါရစေ စွန့်ဦးတီထွင်ကဏ္ဍပါ၊

Silicon Valley,

Silicon Valley ပါ။

the land of the youth, right?

လူငယ်တွေရဲ့ အောင်မြေပါ၊ ဟုတ်တယ်မလား?

And indeed, when you look at it,

ကြည့်လိုက်မယ်ဆိုရင်၊

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

အကြီးဆုံးဆုဖြစ်တဲ့ TechCrunch ဆု နဲ့ တစ်ခြားဆုတွေအားလုံးကို

are all going to people

ရထားတဲ့သူတွေရဲ့

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

ပျမ်းမျှအသက်ဟာ ၂၀ နောက်ပိုင်းနဲ့ ၃၀ စွန်းစွန်းတွေပါ။

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

အချို့ VCs လုပ်ငန်းအကြီးကြီးတွေ ဘယ်သူ့ကို ပိုက်ဆံပေးလဲကြည့်ကြည့်လိုက်

all people in their early 30s.

အသက် ၃၀ စွန်းစွန်းတွေအကုန်ပါပဲ။

Which, of course, we know;

ကျွန်တော်တို့ သိပြီးသားပဲ

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

Silicon Valley မှာ လူငယ် = အောင်မြင်မှု ဆိုပြီး အတွေးအခေါ်တွေရှိပါတယ်။

ဒီအချက်အလက်တွေကိုကြည့်ကြည့်ပါ

Not when you look at the data,

ဒါဟာ ကုမ္ပဏီတစ်ခုတည်ထောင်တဲ့ အကြောင်းချည်းပဲ မဟုတ်ပါဘူး--

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

ကုမ္ပဏီတစ်ခုတည်ထောင်ထာက အလုပ်ကြိုးစားနေ ခြင်းပါ-- ကြိုးစား ကြိုးစား ကြိုးစားရင်း

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

when you look at which of these individuals actually put out

ဘယ်သူတွေ အောင်မြင်တဲ့ ကုမ္ပဏီတည်ထောင်နိုင်တယ်၊

a successful company, a successful exit.

အောင်မြင်စွာဆုတ်ခွာရတယ်ဆိုတာ ကြည့်ကြည့်လိုက်ပါ။

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

မကြာသေးမီက ကျွန်တော်တို့ လုပ်ဖော်ကိုင်ဖက် အချို့က ဒီမေးခွန်းတွေကို ကြည့်ခဲ့ကြသေးတယ်

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

အသက် ၂၀၊ ၃၀ တွေမှာ

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

but most of them go bust.

အများစုက ဒေဝါလီခံလိုက်ရတာပဲ

ဒီအခြေအနေမျိုးမှာ အောင်မြင်စွာဆုတ်ခွာတယ် ဆိုတကာကို ကြည့်လိုက်ပါ

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

အသက်ကြီးလာတာနဲ့အမျှ ဈေးကွက်မှာပိုပြီး ပေါက်ဖို့ရယ်

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

ကုမ္ပဏီကို အောင်အောင်မြင်မြင် ရောင်းနိုင်ဖို့ရယ် ပိုဖြစ်နိုင်ပါတယ်။

or the sell the company successfully.

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

ဒီအချက်က သိပ်ခိုင်လုံတယ် အသက် ၅၀ ပိုင်းမှာဆိုရင်

you are twice as likely to actually have a successful exit

အသက် ၃၀ ပိုင်းမှာထက် အောင်မြင်စွာ ဆုတ်ခွာဖို့ ၂ ဆ ပိုဖြစ်နိုင်ပါတယ်၊

than if you are in your 30s.

(Applause)

(လက်ခုပ်သံများ)

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

နောက်ဆုံး ကျွန်တော်တို့ တွေ့လိုက်ရတာ ဘာပါလဲ။

What we see is that creativity has no age.

ကျွန်တော်တို့ သိလိုက်တာက တီထွင် ဖန်တီးခြင်းမှာ အသက်ကန့်သတ်ချက်မရှိဘူး။

Productivity does, right?

အလုပ်လုပ်နိုင်ခြင်းမှာ ရှိတယ်၊ ဟုတ်တယ်မလား

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

ဒီနေ့အဆုံးသတ်မှာ ကျွန်တော့် သိနေတာက၊

if you keep trying --

တစ်စိုက်မတ်မတ်ကြိုးစားနေမယ်ဆိုရင်၊

(Laughter)

(ရယ်သံများ)

you could still succeed and succeed over and over.

အောင်မြင်နိုင်ပါတယ် ထပ်ခါထပ်ခါ အောင်မြင်နိုင်ပါတယ်၊

So my conclusion is very simple:

ကျွန်တော့်နိဂုံးသုံးသပ်ချက်က အလွန်ရှင်းပါတယ်

ကျွန်တော်စင်ပေါ်ကဆင်းပြီး Lab ခန်းကို ပြန်သွားပါတော့မယ်။

I am off the stage, back in my lab.

Thank you.

ကျေးဇူးတင်ပါတယ်ခင်ဗျား

(Applause)

(လက်ခုပ်သံများ)