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

Why you should listen

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

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

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

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

Geoffrey West: The surprising math of cities and corporations

Geoffrey West: Las sorprendentes matemáticas de las ciudades y las corporaciones

Filmed:
1,583,030 views

El físico Geoffrey West ha descubierto que unas sencillas leyes matemáticas rigen las propiedades de las ciudades. La riqueza, la criminalidad, la movilidad y otros aspectos de la vida de una ciudad pueden deducirse a partir de un solo número: la población. En esta impresionante charla de TEDGlobal, demuestra cómo funciona esto y cómo se puede aplicar a organismos y corporaciones.
- Theorist
Physicist Geoffrey West believes that complex systems from organisms to cities are in many ways governed by simple laws -- laws that can be discovered and analyzed. Full bio

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

00:16
CitiesCiudades are the cruciblecrisol of civilizationcivilización.
0
1000
3000
Las ciudades son los crisoles de la civilización.
00:19
They have been expandingen expansión,
1
4000
2000
Han crecido,
00:21
urbanizationurbanización has been expandingen expansión,
2
6000
2000
la urbanización las ha expandido,
00:23
at an exponentialexponencial ratetarifa in the last 200 yearsaños
3
8000
2000
a una tasa exponencial en los últimos 200 años,
00:25
so that by the secondsegundo partparte of this centurysiglo,
4
10000
3000
de tal modo que en la segunda parte de este siglo
00:28
the planetplaneta will be completelycompletamente dominateddominado
5
13000
2000
el planeta estará completamente dominado
00:30
by citiesciudades.
6
15000
3000
por ciudades.
00:33
CitiesCiudades are the originsorígenes of globalglobal warmingcalentamiento,
7
18000
3000
En las ciudades se originan el calentamiento global,
00:36
impactimpacto on the environmentambiente,
8
21000
2000
la contaminación, las enfermedades,
00:38
healthsalud, pollutioncontaminación, diseaseenfermedad,
9
23000
3000
el impacto en el medio ambiente,
00:41
financefinanciar,
10
26000
2000
en las finanzas,
00:43
economieseconomías, energyenergía --
11
28000
3000
en la economía, en la energía...
00:46
they're all problemsproblemas
12
31000
2000
Problemas todos
00:48
that are confrontedconfrontado by havingteniendo citiesciudades.
13
33000
2000
que son generados por la existencia de las ciudades.
00:50
That's where all these problemsproblemas come from.
14
35000
2000
De ahí viene todo eso.
00:52
And the tsunamitsunami of problemsproblemas that we feel we're facingfrente a
15
37000
3000
La avalancha de problemas que enfrentamos
00:55
in termscondiciones of sustainabilitysostenibilidad questionspreguntas
16
40000
2000
por la sostenibilidad cuestionada,
00:57
are actuallyactualmente a reflectionreflexión
17
42000
2000
es reflejo
00:59
of the exponentialexponencial increaseincrementar
18
44000
2000
del crecimiento exponencial
01:01
in urbanizationurbanización acrossa través de the planetplaneta.
19
46000
3000
de la urbanización, por todo el mundo.
01:04
Here'sAquí está some numbersnúmeros.
20
49000
2000
He aquí algunas cifras.
01:06
Two hundredcien yearsaños agohace, the UnitedUnido StatesEstados
21
51000
2000
Hace 200 años, los Estados Unidos
01:08
was lessMenos than a fewpocos percentpor ciento urbanizedurbanizado.
22
53000
2000
estaban urbanizados solo en un pequeño porcentaje.
01:10
It's now more than 82 percentpor ciento.
23
55000
2000
Ahora lo están en más del 82 %.
01:12
The planetplaneta has crossedcruzado the halfwayMedio camino markmarca a fewpocos yearsaños agohace.
24
57000
3000
El planeta ha cruzado la línea media hace unos años.
01:15
China'sChina buildingedificio 300 newnuevo citiesciudades
25
60000
2000
China va a construir 300 ciudades nuevas
01:17
in the nextsiguiente 20 yearsaños.
26
62000
2000
en los próximos 20 años.
01:19
Now listen to this:
27
64000
2000
Escuchen esto:
01:21
EveryCada weeksemana for the foreseeableprevisible futurefuturo,
28
66000
3000
cada semana, en el futuro previsible
01:24
untilhasta 2050,
29
69000
2000
hasta el 2050,
01:26
everycada weeksemana more than a millionmillón people
30
71000
2000
cada semana, más de un millón de personas
01:28
are beingsiendo addedadicional to our citiesciudades.
31
73000
2000
se va a sumar a nuestras ciudades.
01:30
This is going to affectafectar everything.
32
75000
2000
Esto lo afecta todo.
01:32
EverybodyTodos in this roomhabitación, if you staypermanecer aliveviva,
33
77000
2000
Todos los que están en esta sala, si están vivos,
01:34
is going to be affectedafectado
34
79000
2000
van a verse afectados
01:36
by what's happeningsucediendo in citiesciudades
35
81000
2000
por lo que suceda en las ciudades
01:38
in this extraordinaryextraordinario phenomenonfenómeno.
36
83000
2000
con este fenómeno extraordinario.
01:40
Howeversin embargo, citiesciudades,
37
85000
3000
Sin embargo, las ciudades,
01:43
despiteA pesar de havingteniendo this negativenegativo aspectaspecto to them,
38
88000
3000
a pesar de tener estos aspectos negativos,
01:46
are alsoademás the solutionsolución.
39
91000
2000
también tienen las soluciones.
01:48
Because citiesciudades are the vacuumvacío cleanerslimpiadores and the magnetsimanes
40
93000
4000
Porque son las aspiradoras y los imanes
01:52
that have suckedsuccionado up creativecreativo people,
41
97000
2000
que atraen a la gente creativa
01:54
creatingcreando ideasideas, innovationinnovación,
42
99000
2000
para generar ideas, innovaciones,
01:56
wealthriqueza and so on.
43
101000
2000
riqueza y demás.
01:58
So we have this kindtipo of dualdoble naturenaturaleza.
44
103000
2000
Tienen esta naturaleza dual.
02:00
And so there's an urgenturgente need
45
105000
3000
Hay una necesidad urgente
02:03
for a scientificcientífico theoryteoría of citiesciudades.
46
108000
4000
de una teoría científica de las ciudades.
02:07
Now these are my comradescamaradas in armsbrazos.
47
112000
3000
Estos son mis compañeros de lucha.
02:10
This work has been donehecho with an extraordinaryextraordinario groupgrupo of people,
48
115000
2000
Hemos hecho este trabajo con un grupo de personas extraordinarias,
02:12
and they'veellos tienen donehecho all the work,
49
117000
2000
ellas han hecho todo el trabajo;
02:14
and I'm the great bullshitterbullshitter
50
119000
2000
yo soy el gran fanfarrón
02:16
that triesintentos to bringtraer it all togetherjuntos.
51
121000
2000
que lo junta todo.
02:18
(LaughterRisa)
52
123000
2000
(Risas)
02:20
So here'saquí está the problemproblema: This is what we all want.
53
125000
2000
He aquí el problema; esto es lo que todos queremos.
02:22
The 10 billionmil millones people on the planetplaneta in 2050
54
127000
3000
Los 10 000 millones de personas del planeta en el 2050
02:25
want to livevivir in placeslugares like this,
55
130000
2000
desean vivir en lugares como este,
02:27
havingteniendo things like this,
56
132000
2000
con cosas como estas,
02:29
doing things like this,
57
134000
2000
haciendo cosas como estas,
02:31
with economieseconomías that are growingcreciente like this,
58
136000
3000
con una economía creciente como esta,
02:34
not realizingdándose cuenta that entropyentropía
59
139000
2000
sin darse cuenta de que la entropía
02:36
producesproduce things like this,
60
141000
2000
produce cosas así,
02:38
this, this
61
143000
4000
así, así
02:42
and this.
62
147000
2000
y así.
02:44
And the questionpregunta is:
63
149000
2000
Y nos preguntamos
02:46
Is that what EdinburghEdimburgo and LondonLondres and NewNuevo YorkYork
64
151000
2000
¿Será que Edimburgo, Londres y Nueva York
02:48
are going to look like in 2050,
65
153000
2000
se verán así en el 2050?
02:50
or is it going to be this?
66
155000
2000
o ¿se verán así?
02:52
That's the questionpregunta.
67
157000
2000
Esa es la pregunta.
02:54
I mustdebe say, manymuchos of the indicatorsindicadores
68
159000
2000
Yo creo que, según varios indicadores,
02:56
look like this is what it's going to look like,
69
161000
3000
así es como se verán.
02:59
but let's talk about it.
70
164000
3000
Hablemos de esto.
03:02
So my provocativeprovocativo statementdeclaración
71
167000
3000
Debo declarar
03:05
is that we desperatelydesesperadamente need a seriousgrave scientificcientífico theoryteoría of citiesciudades.
72
170000
3000
que necesitamos con urgencia una teoría científica de las ciudades.
03:08
And scientificcientífico theoryteoría meansmedio quantifiablecuantificable --
73
173000
3000
Teoría científica significa cuantificable,
03:11
relyingconfiando on underlyingsubyacente genericgenérico principlesprincipios
74
176000
3000
que dependa de principios generales subyacentes
03:14
that can be madehecho into a predictiveprofético frameworkmarco de referencia.
75
179000
2000
y que lleve a hacer predicciones.
03:16
That's the questbúsqueda.
76
181000
2000
Esa es la cuestión.
03:18
Is that conceivableconcebible?
77
183000
2000
¿Será posible?
03:20
Are there universaluniversal lawsleyes?
78
185000
2000
¿Existen leyes universales?
03:22
So here'saquí está two questionspreguntas
79
187000
2000
Hay dos preguntas
03:24
that I have in my headcabeza when I think about this problemproblema.
80
189000
2000
que me vienen a la mente cuando pienso en esto.
03:26
The first is:
81
191000
2000
La primera es:
03:28
Are citiesciudades partparte of biologybiología?
82
193000
2000
¿Las ciudades son parte de la biología?
03:30
Is LondonLondres a great biggrande whaleballena?
83
195000
2000
¿Será que Londres es una gran ballena?
03:32
Is EdinburghEdimburgo a horsecaballo?
84
197000
2000
¿Será Edimburgo un caballo?
03:34
Is MicrosoftMicrosoft a great biggrande anthillhormiguero?
85
199000
2000
¿Será Microsoft un enorme hormiguero?
03:36
What do we learnaprender from that?
86
201000
2000
¿Qué se desprende de esto?
03:38
We use them metaphoricallymetafóricamente --
87
203000
2000
Hablando en metáforas,
03:40
the DNAADN of a companyempresa, the metabolismmetabolismo of a cityciudad, and so on --
88
205000
2000
¿el ADN de una empresa, el metabolismo de una ciudad, y todo eso,
03:42
is that just bullshitmierda, metaphoricalmetafórico bullshitmierda,
89
207000
3000
son simples palabrerías metafóricas?
03:45
or is there seriousgrave substancesustancia to it?
90
210000
3000
o ¿tienen contenido serio?
03:48
And if that is the casecaso,
91
213000
2000
Y si ese es el caso,
03:50
how come that it's very harddifícil to killmatar a cityciudad?
92
215000
2000
¿por qué es tan difícil matar una ciudad?
03:52
You could dropsoltar an atomátomo bombbomba on a cityciudad,
93
217000
2000
Pueden lanzarle una bomba atómica
03:54
and 30 yearsaños laterluego it's survivingsobreviviente.
94
219000
2000
y 30 años después estará sobreviviendo.
03:56
Very fewpocos citiesciudades failfallar.
95
221000
3000
Muy pocas ciudades fracasan.
03:59
All companiescompañías diemorir, all companiescompañías.
96
224000
3000
Las empresas quiebran, todas.
04:02
And if you have a seriousgrave theoryteoría, you should be ablepoder to predictpredecir
97
227000
2000
Con una buena teoría se podría predecir
04:04
when GoogleGoogle is going to go bustbusto.
98
229000
3000
cuándo va a quebrar Google.
04:07
So is that just anotherotro versionversión
99
232000
3000
¿Será eso otra versión
04:10
of this?
100
235000
2000
de esto?
04:12
Well we understandentender this very well.
101
237000
2000
Esto se entiende muy bien.
04:14
That is, you askpedir any genericgenérico questionpregunta about this --
102
239000
2000
Es decir, si hago preguntas genéricas sobre todo esto;
04:16
how manymuchos treesárboles of a givendado sizetamaño,
103
241000
2000
¿cuántos árboles de un determinado tamaño?
04:18
how manymuchos branchesramas of a givendado sizetamaño does a treeárbol have,
104
243000
2000
¿cuántas ramas de cierto calibre tiene un árbol?
04:20
how manymuchos leaveshojas,
105
245000
2000
¿cuántas hojas?
04:22
what is the energyenergía flowingfluido throughmediante eachcada branchrama,
106
247000
2000
¿cuánta energía pasa por cada rama?
04:24
what is the sizetamaño of the canopypabellón,
107
249000
2000
¿qué tan grande es su manto de hojas?
04:26
what is its growthcrecimiento, what is its mortalitymortalidad?
108
251000
2000
¿cuál es su crecimiento? ¿cuál su mortalidad?
04:28
We have a mathematicalmatemático frameworkmarco de referencia
109
253000
2000
Tenemos un esquema matemático
04:30
basedbasado on genericgenérico universaluniversal principlesprincipios
110
255000
3000
basado en principios genéricos universales
04:33
that can answerresponder those questionspreguntas.
111
258000
2000
para resolver todas estas preguntas.
04:35
And the ideaidea is can we do the samemismo for this?
112
260000
4000
La idea es: ¿podremos hacer lo mismo con esto?
04:40
So the routeruta in is recognizingreconociendo
113
265000
3000
Se logra con el reconocimiento
04:43
one of the mostmás extraordinaryextraordinario things about life,
114
268000
2000
de una de las cosas más extraordinarias de la vida;
04:45
is that it is scalableescalable,
115
270000
2000
que su escala es ajustable
04:47
it workstrabajos over an extraordinaryextraordinario rangedistancia.
116
272000
2000
en un margen muy amplio.
04:49
This is just a tinyminúsculo rangedistancia actuallyactualmente:
117
274000
2000
Esta es una aplicación muy limitada, en realidad;
04:51
It's us mammalsmamíferos;
118
276000
2000
estos somos nosotros, los mamíferos,
04:53
we're one of these.
119
278000
2000
de los cuales formamos parte.
04:55
The samemismo principlesprincipios, the samemismo dynamicsdinámica,
120
280000
2000
Los mismos principios, la misma dinámica,
04:57
the samemismo organizationorganización is at work
121
282000
2000
la misma organización funciona
04:59
in all of these, includingincluso us,
122
284000
2000
en todos los mamíferos, incluidos nosotros
05:01
and it can scaleescala over a rangedistancia of 100 millionmillón in sizetamaño.
123
286000
3000
y puede ampliarse 100 millones de veces.
05:04
And that is one of the mainprincipal reasonsrazones
124
289000
3000
Esta es una de las razones por las que
05:07
life is so resilientelástico and robustrobusto --
125
292000
2000
los seres vivos tienen tanta resiliencia y son tan fuertes,
05:09
scalabilityescalabilidad.
126
294000
2000
por ser ajustables a escala.
05:11
We're going to discussdiscutir that in a momentmomento more.
127
296000
3000
En un momento vamos a hablar de esto.
05:14
But you know, at a locallocal levelnivel,
128
299000
2000
Sabemos que, a nivel local,
05:16
you scaleescala; everybodytodos in this roomhabitación is scaledescamoso.
129
301000
2000
todo puede ampliarse; todos en esta sala han sido ajustados a escala.
05:18
That's calledllamado growthcrecimiento.
130
303000
2000
Lo llaman crecimiento.
05:20
Here'sAquí está how you grewcreció.
131
305000
2000
Miren como crecemos.
05:22
RatRata, that's a ratrata -- could have been you.
132
307000
2000
Esta es una rata. Podría ser uno de Uds.
05:24
We're all prettybonita much the samemismo.
133
309000
3000
Somos casi iguales.
05:27
And you see, you're very familiarfamiliar with this.
134
312000
2000
Veamos esto que nos es muy familiar.
05:29
You growcrecer very quicklycon rapidez and then you stop.
135
314000
2000
Uno crece muy rápido y en cierto momento se detiene.
05:31
And that linelínea there
136
316000
2000
Esta curva
05:33
is a predictionpredicción from the samemismo theoryteoría,
137
318000
2000
es una predicción, de la misma teoría,
05:35
basedbasado on the samemismo principlesprincipios,
138
320000
2000
basada en los mismos principios,
05:37
that describesdescribe that forestbosque.
139
322000
2000
como la que describe un bosque.
05:39
And here it is for the growthcrecimiento of a ratrata,
140
324000
2000
Esta es la curva de crecimiento de una rata.
05:41
and those pointspuntos on there are datadatos pointspuntos.
141
326000
2000
Los puntos señalan los datos reales.
05:43
This is just the weightpeso versusversus the ageaños.
142
328000
2000
Muestra simplemente el peso en función de la edad.
05:45
And you see, it stopsparadas growingcreciente.
143
330000
2000
Vean que el crecimiento se detiene.
05:47
Very, very good for biologybiología --
144
332000
2000
Muy bueno para la biología,
05:49
alsoademás one of the reasonsrazones for its great resilienceresistencia.
145
334000
2000
que también es una de las razones de su gran resiliencia.
05:51
Very, very badmalo
146
336000
2000
Pero muy malo
05:53
for economieseconomías and companiescompañías and citiesciudades
147
338000
2000
para la economía, las empresas y las ciudades
05:55
in our presentpresente paradigmparadigma.
148
340000
2000
en nuestro modelo actual.
05:57
This is what we believe.
149
342000
2000
Eso es lo que creemos.
05:59
This is what our wholetodo economyeconomía
150
344000
2000
Esto es lo que toda la economía
06:01
is thrustingempujando uponsobre us,
151
346000
2000
nos impone,
06:03
particularlyparticularmente illustratedilustrado in that left-handmano izquierda corneresquina:
152
348000
3000
como puede verse en la esquina de la izquierda,
06:06
hockeyhockey stickspalos.
153
351000
2000
como palos de hockey.
06:08
This is a bunchmanojo of softwaresoftware companiescompañías --
154
353000
2000
Esto es sobre unas compañías de programas informáticos;
06:10
and what it is is theirsu revenueingresos versusversus theirsu ageaños --
155
355000
2000
se ven sus ingresos en función de la edad,
06:12
all zoomingzoom away,
156
357000
2000
progresan muy rápido
06:14
and everybodytodos makingfabricación millionsmillones and billionsmiles de millones of dollarsdólares.
157
359000
2000
y todas hacen millones y miles de millones de dólares.
06:16
Okay, so how do we understandentender this?
158
361000
3000
Bien, ¿cómo se entiende esto?
06:19
So let's first talk about biologybiología.
159
364000
3000
Hablemos primero de biología.
06:22
This is explicitlyexplícitamente showingdemostración you
160
367000
2000
Explícitamente esto nos muestra,
06:24
how things scaleescala,
161
369000
2000
cómo varía la escala de las cosas.
06:26
and this is a trulyverdaderamente remarkablenotable graphgrafico.
162
371000
2000
Una gráfica verdaderamente notable.
06:28
What is plottedtramado here is metabolicmetabólico ratetarifa --
163
373000
3000
Lo que vemos aquí es la tasa metabólica;
06:31
how much energyenergía you need perpor day to staypermanecer aliveviva --
164
376000
3000
cuánta energía se necesita para conservarse vivo un día,
06:34
versusversus your weightpeso, your massmasa,
165
379000
2000
en función del peso o la masa,
06:36
for all of us bunchmanojo of organismsorganismos.
166
381000
3000
para organismos como los nuestros.
06:39
And it's plottedtramado in this funnygracioso way by going up by factorsfactores of 10,
167
384000
3000
Tiene una forma extraña, aumentando en factores de 10;
06:42
otherwisede otra manera you couldn'tno pudo get everything on the graphgrafico.
168
387000
2000
si no fuera así, no cabría todo en la gráfica.
06:44
And what you see if you plottrama it
169
389000
2000
Lo que se ve, al trazarla
06:46
in this slightlyligeramente curiouscurioso way
170
391000
2000
de esta forma un poco curiosa,
06:48
is that everybodytodos liesmentiras on the samemismo linelínea.
171
393000
3000
es que todos caen sobre la misma recta.
06:51
DespiteA pesar de the facthecho that this is the mostmás complexcomplejo and diversediverso systemsistema
172
396000
3000
A pesar de que este es el sistema más complejo y más diverso
06:54
in the universeuniverso,
173
399000
3000
del universo,
06:57
there's an extraordinaryextraordinario simplicitysencillez
174
402000
2000
resulta extraordinariamente sencillo
06:59
beingsiendo expressedexpresado by this.
175
404000
2000
al expresarlo de esta forma.
07:01
It's particularlyparticularmente astonishingasombroso
176
406000
3000
Es verdaderamente asombroso
07:04
because eachcada one of these organismsorganismos,
177
409000
2000
puesto que cada uno de estos organismos,
07:06
eachcada subsystemsubsistema, eachcada cellcelda typetipo, eachcada genegene,
178
411000
2000
cada subsistema, cada tipo de célula, cada gen,
07:08
has evolvedevolucionado in its ownpropio uniqueúnico environmentalambiental nichenicho
179
413000
4000
cada uno ha evolucionado en su propio nicho ambiental,
07:12
with its ownpropio uniqueúnico historyhistoria.
180
417000
3000
con su propia historia única.
07:15
And yettodavía, despiteA pesar de all of that Darwiniandarviniano evolutionevolución
181
420000
3000
Y, a pesar de toda esa evolución
07:18
and naturalnatural selectionselección,
182
423000
2000
y selección natural darwinianas,
07:20
they'veellos tienen been constrainedconstreñido to liementira on a linelínea.
183
425000
2000
todos se han limitado a colocarse en una recta.
07:22
Something elsemás is going on.
184
427000
2000
Sucede algo más.
07:24
Before I talk about that,
185
429000
2000
Antes de hablar de eso,
07:26
I've writtenescrito down at the bottomfondo there
186
431000
2000
he agregado allí, en la parte inferior,
07:28
the slopecuesta abajo of this curvecurva, this straightDerecho linelínea.
187
433000
2000
la pendiente de esta recta.
07:30
It's three-quarterstres cuartos, roughlyaproximadamente,
188
435000
2000
Es aproximadamente ¾,
07:32
whichcual is lessMenos than one -- and we call that sublinearsublinear.
189
437000
3000
menor que 1. La llamamos sublineal.
07:35
And here'saquí está the pointpunto of that.
190
440000
2000
Esto tiene el siguiente significado;
07:37
It saysdice that, if it were linearlineal,
191
442000
3000
Nos dice que si fuera lineal,
07:40
the steepestmás empinado slopecuesta abajo,
192
445000
2000
con mayor pendiente,
07:42
then doublingduplicación the sizetamaño
193
447000
2000
al duplicar el tamaño
07:44
you would requireexigir doubledoble the amountcantidad of energyenergía.
194
449000
2000
se requeriría el doble de la energía.
07:46
But it's sublinearsublinear, and what that translatestraduce into
195
451000
3000
Pero como es sublineal, esto significa
07:49
is that, if you doubledoble the sizetamaño of the organismorganismo,
196
454000
2000
que si se duplica el tamaño del organismo,
07:51
you actuallyactualmente only need 75 percentpor ciento more energyenergía.
197
456000
3000
solo se va a necesitar un 75 % adicional de energía.
07:54
So a wonderfulmaravilloso thing about all of biologybiología
198
459000
2000
Un rasgo maravilloso de toda la biología
07:56
is that it expressesexpresa an extraordinaryextraordinario economyeconomía of scaleescala.
199
461000
3000
es que existe esta extraordinaria economía de escala.
07:59
The biggermás grande you are systematicallysistemáticamente,
200
464000
2000
Cuanto mayor es el sistema,
08:01
accordingconforme to very well-definedbien definido rulesreglas,
201
466000
2000
según unas reglas bien definidas,
08:03
lessMenos energyenergía perpor capitacapita.
202
468000
3000
menor será la energía por unidad.
08:06
Now any physiologicalfisiológico variablevariable you can think of,
203
471000
3000
Para cada variable fisiológica imaginable,
08:09
any life historyhistoria eventevento you can think of,
204
474000
2000
cualquier evento en la vida que se pueda pensar,
08:11
if you plottrama it this way, looksmiradas like this.
205
476000
3000
si se hace una gráfica de esta forma, se va a ver así.
08:14
There is an extraordinaryextraordinario regularityregularidad.
206
479000
2000
Una regularidad extraordinaria.
08:16
So you tell me the sizetamaño of a mammalmamífero,
207
481000
2000
Si alguien me dice el tamaño de un mamífero,
08:18
I can tell you at the 90 percentpor ciento levelnivel everything about it
208
483000
3000
le puedo decir, con un 90 % de precisión, todo sobre él
08:21
in termscondiciones of its physiologyfisiología, life historyhistoria, etcetc.
209
486000
4000
en términos de su fisiología, la historia de su vida, etc.
08:25
And the reasonrazón for this is because of networksredes.
210
490000
3000
La razón de esto son las redes.
08:28
All of life is controlledrevisado by networksredes --
211
493000
3000
Todo en la vida está controlado por redes;
08:31
from the intracellularintracelular throughmediante the multicellularmulticelular
212
496000
2000
desde las intercelulares a las multicelulares,
08:33
throughmediante the ecosystemecosistema levelnivel.
213
498000
2000
hasta el nivel de ecosistemas.
08:35
And you're very familiarfamiliar with these networksredes.
214
500000
3000
Ustedes conocen bien esas redes.
08:39
That's a little thing that livesvive insidedentro an elephantelefante.
215
504000
3000
Esto es algo muy pequeño que habita dentro de un elefante.
08:42
And here'saquí está the summaryresumen of what I'm sayingdiciendo.
216
507000
3000
Y aquí está el resumen de lo que estoy diciendo.
08:45
If you take those networksredes,
217
510000
2000
Si tomo esas redes,
08:47
this ideaidea of networksredes,
218
512000
2000
el concepto de las redes,
08:49
and you applyaplicar universaluniversal principlesprincipios,
219
514000
2000
y les aplico unos principios
08:51
mathematizablematemática, universaluniversal principlesprincipios,
220
516000
2000
cuantificables y universales,
08:53
all of these scalingsescalas
221
518000
2000
estos cambios de escala
08:55
and all of these constraintsrestricciones followseguir,
222
520000
3000
y estas restricciones se cumplen,
08:58
includingincluso the descriptiondescripción of the forestbosque,
223
523000
2000
incluyendo la descripción de un bosque,
09:00
the descriptiondescripción of your circulatorycirculatorio systemsistema,
224
525000
2000
la del sistema circulatorio
09:02
the descriptiondescripción withindentro cellsCélulas.
225
527000
2000
o la del interior de la célula.
09:04
One of the things I did not stressestrés in that introductionIntroducción
226
529000
3000
Una de las cosas que no recalqué en la introducción
09:07
was that, systematicallysistemáticamente, the pacepaso of life
227
532000
3000
es que, sistemáticamente, el ritmo de la vida
09:10
decreasesdisminuye as you get biggermás grande.
228
535000
2000
disminuye a medida que uno crece.
09:12
HeartCorazón ratestasas are slowermás lento; you livevivir longermás;
229
537000
3000
Los latidos del corazón se vuelven más lentos cuando se vive más tiempo,
09:15
diffusiondifusión of oxygenoxígeno and resourcesrecursos
230
540000
2000
la difusión del oxígeno y los recursos
09:17
acrossa través de membranesmembranas is slowermás lento, etcetc.
231
542000
2000
que pasan por las membranas se vuelven más lentos, etc.
09:19
The questionpregunta is: Is any of this truecierto
232
544000
2000
La pregunta es: ¿será esto cierto
09:21
for citiesciudades and companiescompañías?
233
546000
3000
para las ciudades y para las empresas?
09:24
So is LondonLondres a scaledescamoso up BirminghamBirmingham,
234
549000
3000
¿Será que Londres es como Birmingham ampliada?
09:27
whichcual is a scaledescamoso up BrightonBrighton, etcetc., etcetc.?
235
552000
3000
¿Y que ésta es una ampliación de Brighton, etc.?
09:30
Is NewNuevo YorkYork a scaledescamoso up SanSan FranciscoFrancisco,
236
555000
2000
¿Será que Nueva York es una ampliación de San Francisco?
09:32
whichcual is a scaledescamoso up SantaSanta FeFe?
237
557000
2000
¿Y que ésta lo es de Santa Fe?
09:34
Don't know. We will discussdiscutir that.
238
559000
2000
No lo sé. Vamos a analizarlo luego.
09:36
But they are networksredes,
239
561000
2000
Pero existen las redes.
09:38
and the mostmás importantimportante networkred of citiesciudades
240
563000
2000
Y lo más importante en la red de una ciudad,
09:40
is you.
241
565000
2000
es la gente.
09:42
CitiesCiudades are just a physicalfísico manifestationmanifestación
242
567000
3000
Las ciudades son simplemente manifestaciones físicas
09:45
of your interactionsinteracciones,
243
570000
2000
de sus interacciones
09:47
our interactionsinteracciones,
244
572000
2000
y las nuestras;
09:49
and the clusteringagrupamiento and groupingagrupamiento of individualsindividuos.
245
574000
2000
las acumulaciones y agrupaciones de personas.
09:51
Here'sAquí está just a symbolicsimbólico pictureimagen of that.
246
576000
3000
Esta es una gráfica simbólica.
09:54
And here'saquí está scalingescalada of citiesciudades.
247
579000
2000
Aquí aparecen ciudades a diferentes escalas.
09:56
This showsmuestra that in this very simplesencillo exampleejemplo,
248
581000
3000
Se nota en este simple ejemplo,
09:59
whichcual happenssucede to be a mundanemundano exampleejemplo
249
584000
2000
se trata de un caso trivial;
10:01
of numbernúmero of petrolgasolina stationsestaciones
250
586000
2000
el número de estaciones de servicio
10:03
as a functionfunción of sizetamaño --
251
588000
2000
en función del tamaño,
10:05
plottedtramado in the samemismo way as the biologybiología --
252
590000
2000
en una gráfica similar a la de la biología.
10:07
you see exactlyexactamente the samemismo kindtipo of thing.
253
592000
2000
Se ve exactamente lo mismo.
10:09
There is a scalingescalada.
254
594000
2000
Hay un efecto de escala.
10:11
That is that the numbernúmero of petrolgasolina stationsestaciones in the cityciudad
255
596000
4000
O sea que el número de estaciones de servicio
10:15
is now givendado to you
256
600000
2000
se puede obtener
10:17
when you tell me its sizetamaño.
257
602000
2000
a partir del tamaño.
10:19
The slopecuesta abajo of that is lessMenos than linearlineal.
258
604000
3000
La pendiente es menos que lineal.
10:22
There is an economyeconomía of scaleescala.
259
607000
2000
Hay una economía de escala.
10:24
LessMenos petrolgasolina stationsestaciones perpor capitacapita the biggermás grande you are -- not surprisingsorprendente.
260
609000
3000
Menos estaciones de servicio per cápita, para mayor tamaño. Nada sorprendente.
10:27
But here'saquí está what's surprisingsorprendente.
261
612000
2000
Pero ahora viene lo que sí es sorprendente.
10:29
It scalesescamas in the samemismo way everywhereen todos lados.
262
614000
2000
El cambio de escala es igual en todas partes.
10:31
This is just Europeaneuropeo countriespaíses,
263
616000
2000
Esto es para los países europeos,
10:33
but you do it in JapanJapón or ChinaChina or ColombiaColombia,
264
618000
3000
pero en Japón, China o Colombia,
10:36
always the samemismo
265
621000
2000
da siempre igual,
10:38
with the samemismo kindtipo of economyeconomía of scaleescala
266
623000
2000
con el mismo tipo de economía de escala,
10:40
to the samemismo degreela licenciatura.
267
625000
2000
de igual grado.
10:42
And any infrastructureinfraestructura you look at --
268
627000
3000
Todo tipo de infraestructura que estudiamos,
10:45
whethersi it's the lengthlongitud of roadscarreteras, lengthlongitud of electricaleléctrico lineslíneas --
269
630000
3000
sea la longitud de las carreteras, la de las líneas eléctricas,
10:48
anything you look at
270
633000
2000
cualquier cosa que uno mire,
10:50
has the samemismo economyeconomía of scaleescala scalingescalada in the samemismo way.
271
635000
3000
tiene la misma economía de escala, siempre igual.
10:53
It's an integratedintegrado systemsistema
272
638000
2000
Es un sistema integrado
10:55
that has evolvedevolucionado despiteA pesar de all the planningplanificación and so on.
273
640000
3000
que ha evolucionado, a pesar de todo el planeamiento.
10:58
But even more surprisingsorprendente
274
643000
2000
Pero algo aún más sorprendente
11:00
is if you look at socio-economicsocioeconómico quantitiescantidades,
275
645000
2000
aparece cuando se estudian parámetros socioeconómicos,
11:02
quantitiescantidades that have no analogcosa análoga in biologybiología,
276
647000
3000
datos que no tienen ninguna analogía en biología,
11:05
that have evolvedevolucionado when we startedempezado formingformando communitiescomunidades
277
650000
3000
que han evolucionado desde que se empezaron a formar comunidades
11:08
eightocho to 10,000 yearsaños agohace.
278
653000
2000
8 000 a 10 000 años atrás.
11:10
The topparte superior one is wagessalario as a functionfunción of sizetamaño
279
655000
2000
El primero es el de sueldos en función del tamaño,
11:12
plottedtramado in the samemismo way.
280
657000
2000
en la misma gráfica.
11:14
And the bottomfondo one is you lot --
281
659000
2000
Y el último es el de todos Uds.,
11:16
super-creativessúper creativos plottedtramado in the samemismo way.
282
661000
3000
personas supercreativas.
11:19
And what you see
283
664000
2000
Lo que se nota
11:21
is a scalingescalada phenomenonfenómeno.
284
666000
2000
es un fenómeno de escala.
11:23
But mostmás importantimportante in this,
285
668000
2000
Lo más importante aquí es
11:25
the exponentexponente, the analogcosa análoga to that three-quarterstres cuartos
286
670000
2000
que el exponente análogo a los 3/4
11:27
for the metabolicmetabólico ratetarifa,
287
672000
2000
para la tasa metabólica,
11:29
is biggermás grande than one -- it's about 1.15 to 1.2.
288
674000
2000
es mayor que uno; aproximadamente de 1.15 a 1.2.
11:31
Here it is,
289
676000
2000
Aquí está
11:33
whichcual saysdice that the biggermás grande you are
290
678000
3000
y dice que cuanto mayor se es,
11:36
the more you have perpor capitacapita, unlikediferente a biologybiología --
291
681000
3000
se tiene más per cápita, a diferencia de la biología,
11:39
highermayor wagessalario, more super-creativesúper creativo people perpor capitacapita as you get biggermás grande,
292
684000
4000
mayores son los salarios, más gente supercreativa habrá,
11:43
more patentspatentes perpor capitacapita, more crimecrimen perpor capitacapita.
293
688000
3000
más patentes per cápita, mayor criminalidad.
11:46
And we'venosotros tenemos lookedmirado at everything:
294
691000
2000
Hemos examinado todo:
11:48
more AIDSSIDA casescasos, flugripe, etcetc.
295
693000
3000
casos de sida, gripe, etc.
11:51
And here, they're all plottedtramado togetherjuntos.
296
696000
2000
Y aquí están todos reunidos en una sola gráfica.
11:53
Just to showespectáculo you what we plottedtramado,
297
698000
2000
Hemos incluido aquí
11:55
here is incomeingresos, GDPPIB --
298
700000
3000
el ingreso, el PIB,
11:58
GDPPIB of the cityciudad --
299
703000
2000
el PIB de la ciudad,
12:00
crimecrimen and patentspatentes all on one graphgrafico.
300
705000
2000
la criminalidad, las patentes, todo en una gráfica.
12:02
And you can see, they all followseguir the samemismo linelínea.
301
707000
2000
Y como se ve, todos caen en la misma recta.
12:04
And here'saquí está the statementdeclaración.
302
709000
2000
Esta es la declaración.
12:06
If you doubledoble the sizetamaño of a cityciudad from 100,000 to 200,000,
303
711000
3000
Al duplicar el tamaño de la ciudad, de 100 000 a 200 000,
12:09
from a millionmillón to two millionmillón, 10 to 20 millionmillón,
304
714000
2000
de un millón a dos millones, de 10 millones a 20 millones,
12:11
it doesn't matterimportar,
305
716000
2000
no importa,
12:13
then systematicallysistemáticamente
306
718000
2000
sistemáticamente
12:15
you get a 15 percentpor ciento increaseincrementar
307
720000
2000
se obtiene un 15 % de aumento
12:17
in wagessalario, wealthriqueza, numbernúmero of AIDSSIDA casescasos,
308
722000
2000
en salarios, riqueza, número de casos de sida,
12:19
numbernúmero of policepolicía,
309
724000
2000
número de policías,
12:21
anything you can think of.
310
726000
2000
lo que uno se imagine.
12:23
It goesva up by 15 percentpor ciento,
311
728000
2000
Sube en un 15 %.
12:25
and you have a 15 percentpor ciento savingsahorros
312
730000
3000
Se tiene un 15 % de ahorro
12:28
on the infrastructureinfraestructura.
313
733000
3000
en infraestructura.
12:31
This, no doubtduda, is the reasonrazón
314
736000
3000
Sin duda esta es la razón
12:34
why a millionmillón people a weeksemana are gatheringreunión in citiesciudades.
315
739000
3000
por la que cada semana las ciudades se acrecientan en un millón de personas,
12:37
Because they think that all those wonderfulmaravilloso things --
316
742000
3000
Todas esas maravillas…
12:40
like creativecreativo people, wealthriqueza, incomeingresos --
317
745000
2000
la gente creativa, la riqueza, el ingreso,
12:42
is what attractsatrae them,
318
747000
2000
resultan atractivas
12:44
forgettingolvidando about the uglyfeo and the badmalo.
319
749000
2000
y hacen olvidar lo malo y lo feo.
12:46
What is the reasonrazón for this?
320
751000
2000
¿Y cuál es la razón?
12:48
Well I don't have time to tell you about all the mathematicsmatemáticas,
321
753000
3000
No tengo tiempo para hablar en términos matemáticos,
12:51
but underlyingsubyacente this is the socialsocial networksredes,
322
756000
3000
pero bajo todo esto están las redes sociales,
12:54
because this is a universaluniversal phenomenonfenómeno.
323
759000
3000
que son un fenómeno universal.
12:57
This 15 percentpor ciento ruleregla
324
762000
3000
Esta regla del 15 %
13:00
is truecierto
325
765000
2000
es válida
13:02
no matterimportar where you are on the planetplaneta --
326
767000
2000
sin importar en qué parte del planeta estemos;
13:04
JapanJapón, ChileChile,
327
769000
2000
Japón, Chile,
13:06
PortugalPortugal, ScotlandEscocia, doesn't matterimportar.
328
771000
3000
Portugal, Escocia, no importa.
13:09
Always, all the datadatos showsmuestra it's the samemismo,
329
774000
3000
Siempre, todos los datos muestran lo mismo,
13:12
despiteA pesar de the facthecho that these citiesciudades have evolvedevolucionado independentlyindependientemente.
330
777000
3000
a pesar de la evolución independiente de esas ciudades.
13:15
Something universaluniversal is going on.
331
780000
2000
Algo universal sucede.
13:17
The universalityuniversalidad, to repeatrepetir, is us --
332
782000
3000
Lo que es universal, somos nosotros, lo repito,
13:20
that we are the cityciudad.
333
785000
2000
nosotros somos la ciudad.
13:22
And it is our interactionsinteracciones and the clusteringagrupamiento of those interactionsinteracciones.
334
787000
3000
Son nuestras interacciones y los agrupamientos de esas interacciones.
13:25
So there it is, I've said it again.
335
790000
2000
Aquí está, una vez más.
13:27
So if it is those networksredes and theirsu mathematicalmatemático structureestructura,
336
792000
3000
Son todas esas redes y su estructura matemática.
13:30
unlikediferente a biologybiología, whichcual had sublinearsublinear scalingescalada,
337
795000
3000
Por una parte la biología con su escala sublineal,
13:33
economieseconomías of scaleescala,
338
798000
2000
su economía de escala,
13:35
you had the slowingralentizando of the pacepaso of life
339
800000
2000
y el menor ritmo en el paso de la vida
13:37
as you get biggermás grande.
340
802000
2000
a medida que crecemos.
13:39
If it's socialsocial networksredes with super-linearsúper lineal scalingescalada --
341
804000
2000
Por otra parte, las redes sociales con su escala superlineal;
13:41
more perpor capitacapita --
342
806000
2000
más per cápita;
13:43
then the theoryteoría saysdice
343
808000
2000
la teoría dice
13:45
that you increaseincrementar the pacepaso of life.
344
810000
2000
que se incrementa el ritmo vital.
13:47
The biggermás grande you are, life getsse pone fasterMás rápido.
345
812000
2000
Con el crecimiento, la vida va más rápido.
13:49
On the left is the heartcorazón ratetarifa showingdemostración biologybiología.
346
814000
2000
A la izquierda se muestra el ritmo cardíaco.
13:51
On the right is the speedvelocidad of walkingpara caminar
347
816000
2000
Y a la derecha, la velocidad al caminar
13:53
in a bunchmanojo of Europeaneuropeo citiesciudades,
348
818000
2000
en algunas ciudades europeas,
13:55
showingdemostración that increaseincrementar.
349
820000
2000
y se ve el aumento.
13:57
LastlyFinalmente, I want to talk about growthcrecimiento.
350
822000
3000
Por último, quiero hablar del crecimiento.
14:00
This is what we had in biologybiología, just to repeatrepetir.
351
825000
3000
Repito; esto es lo que se ve en biología.
14:03
EconomiesEconomías of scaleescala
352
828000
3000
Las economías de escala
14:06
gavedio risesubir to this sigmoidalsigmoidal behaviorcomportamiento.
353
831000
3000
generan este comportamiento sigmoideo.
14:09
You growcrecer fastrápido and then stop --
354
834000
3000
Crecemos rápidamente y luego nos detenemos;
14:12
partparte of our resilienceresistencia.
355
837000
2000
es parte de nuestra resiliencia.
14:14
That would be badmalo for economieseconomías and citiesciudades.
356
839000
3000
Eso sería malo para la economía y para las ciudades.
14:17
And indeeden efecto, one of the wonderfulmaravilloso things about the theoryteoría
357
842000
2000
Pero uno de los mejores aspectos de esta teoría
14:19
is that if you have super-linearsúper lineal scalingescalada
358
844000
3000
es que si uno tiene una escala superlineal
14:22
from wealthriqueza creationcreación and innovationinnovación,
359
847000
2000
para la creación de riqueza y para la innovación,
14:24
then indeeden efecto you get, from the samemismo theoryteoría,
360
849000
3000
entonces se obtiene, por la misma teoría,
14:27
a beautifulhermosa risingcreciente exponentialexponencial curvecurva -- lovelyencantador.
361
852000
2000
una hermosa curva exponencial ascendente, encantadora.
14:29
And in facthecho, if you comparecomparar it to datadatos,
362
854000
2000
Y si se compara con los datos,
14:31
it fitsencaja very well
363
856000
2000
se ajusta muy bien
14:33
with the developmentdesarrollo of citiesciudades and economieseconomías.
364
858000
2000
con el desarrollo de las ciudades y la economía.
14:35
But it has a terribleterrible catchcaptura,
365
860000
2000
Pero hay un problema,
14:37
and the catchcaptura
366
862000
2000
y es que
14:39
is that this systemsistema is destineddestinado to collapsecolapso.
367
864000
3000
el sistema está destinado a colapsar.
14:42
And it's destineddestinado to collapsecolapso for manymuchos reasonsrazones --
368
867000
2000
Y se debe a muchas razones;
14:44
kindtipo of MalthusianMaltusiano reasonsrazones -- that you runcorrer out of resourcesrecursos.
369
869000
3000
razones de tipo Malthus; o sea, que se agotan los recursos.
14:47
And how do you avoidevitar that? Well we'venosotros tenemos donehecho it before.
370
872000
3000
¿Y cómo se puede evitar? Bueno, se ha hecho en el pasado.
14:50
What we do is,
371
875000
2000
Lo que se ha hecho es
14:52
as we growcrecer and we approachenfoque the collapsecolapso,
372
877000
3000
que a medida que crecemos y nos acercamos al colapso,
14:55
a majormayor innovationinnovación takes placelugar
373
880000
3000
surge una innovación importante
14:58
and we startcomienzo over again,
374
883000
2000
y volvemos a empezar.
15:00
and we startcomienzo over again as we approachenfoque the nextsiguiente one, and so on.
375
885000
3000
Y al acercarnos a la siguiente, volvemos a empezar, y así sucesivamente.
15:03
So there's this continuouscontinuo cycleciclo of innovationinnovación
376
888000
2000
Esta serie continua de innovaciones
15:05
that is necessarynecesario
377
890000
2000
es necesaria
15:07
in orderorden to sustainsostener growthcrecimiento and avoidevitar collapsecolapso.
378
892000
3000
a fin de sostener el crecimiento y evitar el colapso.
15:10
The catchcaptura, howeversin embargo, to this
379
895000
2000
Sin embargo, el problema es que
15:12
is that you have to innovateinnovar
380
897000
2000
es necesario innovar
15:14
fasterMás rápido and fasterMás rápido and fasterMás rápido.
381
899000
3000
más rápido, cada vez más rápido.
15:17
So the imageimagen
382
902000
2000
Usando una imagen,
15:19
is that we're not only on a treadmillrueda de andar that's going fasterMás rápido,
383
904000
3000
no solo estamos en una máquina trotadora que se acelera,
15:22
but we have to changecambio the treadmillrueda de andar fasterMás rápido and fasterMás rápido.
384
907000
3000
sino que tenemos que cambiarla, con más y más frecuencia.
15:25
We have to accelerateacelerar on a continuouscontinuo basisbase.
385
910000
3000
Tenemos que acelerar continuamente.
15:28
And the questionpregunta is: Can we, as socio-economicsocioeconómico beingsseres,
386
913000
3000
La gran pregunta es: ¿Será posible, como seres socioeconómicos,
15:31
avoidevitar a heartcorazón attackataque?
387
916000
3000
evitar el ataque al corazón?
15:34
So lastlyFinalmente, I'm going to finishterminar up in this last minuteminuto or two
388
919000
3000
Para terminar, en este par de minutos que quedan,
15:37
askingpreguntando about companiescompañías.
389
922000
2000
pregunto sobre las empresas.
15:39
See companiescompañías, they scaleescala.
390
924000
2000
Las empresas se ajustan a escala.
15:41
The topparte superior one, in facthecho, is WalmartWalmart on the right.
391
926000
2000
Esta empresa, bien conocida, es Walmart.
15:43
It's the samemismo plottrama.
392
928000
2000
La misma gráfica
15:45
This happenssucede to be incomeingresos and assetsbienes
393
930000
2000
muestra ingresos y activos
15:47
versusversus the sizetamaño of the companyempresa as denoteddenotado by its numbernúmero of employeesempleados.
394
932000
2000
en función del tamaño de la compañía, por el número de empleados.
15:49
We could use salesventas, anything you like.
395
934000
3000
Podría usarse volumen de ventas, o lo que quiera.
15:52
There it is: after some little fluctuationsfluctuaciones at the beginningcomenzando,
396
937000
3000
Ahí está; luego de unas pequeñas fluctuaciones al principio,
15:55
when companiescompañías are innovatinginnovando,
397
940000
2000
cuando las empresas hacen innovaciones,
15:57
they scaleescala beautifullyhermosamente.
398
942000
2000
siguen después la escala de manera estupenda.
15:59
And we'venosotros tenemos lookedmirado at 23,000 companiescompañías
399
944000
3000
Hemos estudiado 23 000 compañías
16:02
in the UnitedUnido StatesEstados, maymayo I say.
400
947000
2000
en los Estados Unidos, si puedo decirlo.
16:04
And I'm only showingdemostración you a little bitpoco of this.
401
949000
3000
Y solo estoy mostrando una pequeña parte.
16:07
What is astonishingasombroso about companiescompañías
402
952000
2000
Lo sorprendente de esto
16:09
is that they scaleescala sublinearlysublinearly
403
954000
3000
es que siguen la escala sublineal,
16:12
like biologybiología,
404
957000
2000
como en biología,
16:14
indicatingindicando that they're dominateddominado,
405
959000
2000
lo cual indica que están regidas,
16:16
not by super-linearsúper lineal
406
961000
2000
no por lo superlineal,
16:18
innovationinnovación and ideasideas;
407
963000
3000
innovación e ideas;
16:21
they becomevolverse dominateddominado
408
966000
2000
sino que están dominadas
16:23
by economieseconomías of scaleescala.
409
968000
2000
por economías de escala.
16:25
In that interpretationinterpretación,
410
970000
2000
En esta interpretación,
16:27
by bureaucracyburocracia and administrationadministración,
411
972000
2000
por burocracia y administración,
16:29
and they do it beautifullyhermosamente, maymayo I say.
412
974000
2000
funcionan de manera estupenda.
16:31
So if you tell me the sizetamaño of some companyempresa, some smallpequeña companyempresa,
413
976000
3000
De modo que si me dicen el tamaño de una compañía pequeña,
16:34
I could have predictedpredicho the sizetamaño of WalmartWalmart.
414
979000
3000
podría haber predicho el tamaño de Walmart.
16:37
If it has this sublinearsublinear scalingescalada,
415
982000
2000
Si se tiene esta escala sublineal,
16:39
the theoryteoría saysdice
416
984000
2000
según la teoría,
16:41
we should have sigmoidalsigmoidal growthcrecimiento.
417
986000
3000
tendríamos crecimiento sigmoideo.
16:44
There's WalmartWalmart. Doesn't look very sigmoidalsigmoidal.
418
989000
2000
Ahí está Walmart. No parece muy sigmoidea,
16:46
That's what we like, hockeyhockey stickspalos.
419
991000
3000
como nos gusta, como un palo de hockey.
16:49
But you noticedarse cuenta, I've cheatedengañado,
420
994000
2000
Pero habrán notado que hice trampa,
16:51
because I've only goneido up to '94.
421
996000
2000
pues solo fui hasta el 94.
16:53
Let's go up to 2008.
422
998000
2000
Vayamos hasta el 2008.
16:55
That redrojo linelínea is from the theoryteoría.
423
1000000
3000
La línea roja sigue la teoría.
16:58
So if I'd have donehecho this in 1994,
424
1003000
2000
Si lo hubiera hecho así en 1994,
17:00
I could have predictedpredicho what WalmartWalmart would be now.
425
1005000
3000
habría podido predecir cómo estaría Walmart ahora.
17:03
And then this is repeatedrepetido
426
1008000
2000
Y esto se repite
17:05
acrossa través de the entiretodo spectrumespectro of companiescompañías.
427
1010000
2000
en todas las empresas del sector.
17:07
There they are. That's 23,000 companiescompañías.
428
1012000
3000
Ahí están. Las 23 000 compañías.
17:10
They all startcomienzo looking like hockeyhockey stickspalos,
429
1015000
2000
Al principio todas parecen palos de hockey,
17:12
they all bendcurva over,
430
1017000
2000
todas se pliegan,
17:14
and they all diemorir like you and me.
431
1019000
2000
y todas mueren, como ustedes y como yo.
17:16
Thank you.
432
1021000
2000
Gracias.
17:18
(ApplauseAplausos)
433
1023000
9000
(Aplausos)

▲Back to top

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

Why you should listen

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

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

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

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