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: A városok és vállalatok meglepő matematikája

Filmed:
1,583,030 views

Geoffrey West fizikus úgy találta, hogy egyszerű, matematikai törvények szabályozzák a városok tulajdonságait -- a jólét, a bűnözés mértéke, a gyaloglás sebessége és sok más városi jellemző levezethető egyetlen számból: a város lakosságából. Ebben az elmepróbáló beszédben a TEDGlobalon megmutatja, hogyan is működik ez, és milyen hasonló szabályok alkalmazhatók élő szervezetekre és vállalatokra.
- 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
CitiesVárosok are the crucibletégely of civilizationcivilizáció.
0
1000
3000
A városok a civilizáció olvasztótégelyei.
00:19
They have been expandingbővülő,
1
4000
2000
Bővülnek,
00:21
urbanizationurbanizáció has been expandingbővülő,
2
6000
2000
az urbanizáció exponenciálisan
00:23
at an exponentialexponenciális ratearány in the last 200 yearsévek
3
8000
2000
bővült az elmúlt 200 évben,
00:25
so that by the secondmásodik partrész of this centuryszázad,
4
10000
3000
így e század második felére
00:28
the planetbolygó will be completelyteljesen dominateddomináló
5
13000
2000
a bolygót teljesen a városok
00:30
by citiesvárosok.
6
15000
3000
fogják uralni.
00:33
CitiesVárosok are the originseredet of globalglobális warmingmelegítés,
7
18000
3000
A városok az okai a globális felmelegedésnek,
00:36
impacthatás on the environmentkörnyezet,
8
21000
2000
hatást gyakorolnak a környezetre,
00:38
healthEgészség, pollutionkörnyezetszennyezés, diseasebetegség,
9
23000
3000
egészségügyre, környezetszennyezésre, betegségekre,
00:41
financepénzügy,
10
26000
2000
pénzügyre,
00:43
economiesgazdaságok, energyenergia --
11
28000
3000
gazdaságra, energiára --
00:46
they're all problemsproblémák
12
31000
2000
mindezek a problémák azok,
00:48
that are confrontedszembesülnek by havingamelynek citiesvárosok.
13
33000
2000
amikkel szembesülünk a városok miatt.
00:50
That's where all these problemsproblémák come from.
14
35000
2000
Ez az, ahonnan ezek a problémák származnak.
00:52
And the tsunamicunami of problemsproblémák that we feel we're facingnéző
15
37000
3000
A problémák cunamija, amikkel szembenállunk
00:55
in termsfeltételek of sustainabilityfenntarthatóság questionskérdések
16
40000
2000
fenntarthatósági szempontból,
00:57
are actuallytulajdonképpen a reflectionvisszaverődés
17
42000
2000
valójában azt tükrözik,
00:59
of the exponentialexponenciális increasenövekedés
18
44000
2000
ahogyan exponenciálisan növekszik
01:01
in urbanizationurbanizáció acrossát the planetbolygó.
19
46000
3000
az urbanizáció az egész bolygón.
01:04
Here'sItt van some numbersszám.
20
49000
2000
Íme néhány szám.
01:06
Two hundredszáz yearsévek agoezelőtt, the UnitedEgyesült StatesÁllamok
21
51000
2000
200 évvel ezelőtt, az USA-nak
01:08
was lessKevésbé than a fewkevés percentszázalék urbanizedurbanizált.
22
53000
2000
kevesebb, mint néhány százaléka volt városi.
01:10
It's now more than 82 percentszázalék.
23
55000
2000
Ez mára több mint 82%.
01:12
The planetbolygó has crossedkeresztbe the halfwayfélúton markMark a fewkevés yearsévek agoezelőtt.
24
57000
3000
A bolygó átlépte az urbanizációs félpályát néhány éve.
01:15
China'sKína buildingépület 300 newúj citiesvárosok
25
60000
2000
Kína 300 új várost épít
01:17
in the nextkövetkező 20 yearsévek.
26
62000
2000
a következő 20 évben.
01:19
Now listen to this:
27
64000
2000
De ezt hallgassák:
01:21
EveryMinden weekhét for the foreseeableelőrelátható futurejövő,
28
66000
3000
Minden héten a belátható jövőben
01:24
untilamíg 2050,
29
69000
2000
2050-ig,
01:26
everyminden weekhét more than a millionmillió people
30
71000
2000
minden héten több mint egymillió ember
01:28
are beinglény addedhozzáadott to our citiesvárosok.
31
73000
2000
költözik be városainkba.
01:30
This is going to affectérint everything.
32
75000
2000
Ez hatással lesz mindenre.
01:32
EverybodyMindenki in this roomszoba, if you staymarad aliveélő,
33
77000
2000
Mindenkire ebben a teremben, aki még életben lesz,
01:34
is going to be affectedérintett
34
79000
2000
hatással lesz az,
01:36
by what's happeningesemény in citiesvárosok
35
81000
2000
hogy mi történik a városokban
01:38
in this extraordinaryrendkívüli phenomenonjelenség.
36
83000
2000
ebben a rendkívüli jelenségben.
01:40
HoweverAzonban, citiesvárosok,
37
85000
3000
Azonban a városok,
01:43
despiteannak ellenére havingamelynek this negativenegatív aspectvonatkozás to them,
38
88000
3000
a negatív tulajdonságaik az ellenére,
01:46
are alsois the solutionmegoldás.
39
91000
2000
egyben a megoldás is.
01:48
Because citiesvárosok are the vacuumvákuum cleanerstisztítószerek and the magnetsmágnesek
40
93000
4000
Mivel a városok porszívók és mágnesek
01:52
that have suckedbeszívott up creativekreatív people,
41
97000
2000
amelyek felszippantják a kreatív embereket,
01:54
creatinglétrehozása ideasötletek, innovationinnováció,
42
99000
2000
kreatív ötleteket, az innovációt,
01:56
wealthjólét and so on.
43
101000
2000
a gazdagságot és így tovább.
01:58
So we have this kindkedves of dualdupla naturetermészet.
44
103000
2000
Tehát van ez a fajta kettős természetük.
02:00
And so there's an urgentsürgős need
45
105000
3000
Ezért sürgősen szükség van
02:03
for a scientifictudományos theoryelmélet of citiesvárosok.
46
108000
4000
egy városokkal foglalkozó tudományos elméletre.
02:07
Now these are my comradeselvtársak in armsfegyver.
47
112000
3000
Ők a fegyvertársaim.
02:10
This work has been doneKész with an extraordinaryrendkívüli groupcsoport of people,
48
115000
2000
Ebben a munkában rendkívüli emberek vettek részt,
02:12
and they'veők már doneKész all the work,
49
117000
2000
ők csinálták az összes munkát,
02:14
and I'm the great bullshitterlaszlokerekes
50
119000
2000
én pedig a nagy dumás vagyok,
02:16
that triespróbálkozás to bringhoz it all togetheregyütt.
51
121000
2000
aki megpróbálja az egészet összerakni.
02:18
(LaughterNevetés)
52
123000
2000
(Nevetés)
02:20
So here'sitt the problemprobléma: This is what we all want.
53
125000
2000
Íme a probléma: Ez az, amit mindannyian szeretnénk.
02:22
The 10 billionmilliárd, ezermillió people on the planetbolygó in 2050
54
127000
3000
A 10 milliárd ember a bolygón 2050-ben
02:25
want to liveélő in placeshelyek like this,
55
130000
2000
olyan helyeken akar élni, mint ez,
02:27
havingamelynek things like this,
56
132000
2000
olyan dolgokat akar magának, mint ez,
02:29
doing things like this,
57
134000
2000
úgy tevékenykedni, mint ez,
02:31
with economiesgazdaságok that are growingnövekvő like this,
58
136000
3000
olyan gazdaságokban, mint ez,
02:34
not realizingfelismerve that entropyentrópia
59
139000
2000
nem észrevéve, hogy az entrópia
02:36
producestermel things like this,
60
141000
2000
olyan dolgokat okoz, mint ez,
02:38
this, this
61
143000
4000
ez, ez
02:42
and this.
62
147000
2000
és ez.
02:44
And the questionkérdés is:
63
149000
2000
És a kérdés az, hogy
02:46
Is that what EdinburghEdinburgh and LondonLondon and NewÚj YorkYork
64
151000
2000
Edinburgh és London és New York
02:48
are going to look like in 2050,
65
153000
2000
így fognak kinézni 2050-ben,
02:50
or is it going to be this?
66
155000
2000
vagy ez lesz a helyzet?
02:52
That's the questionkérdés.
67
157000
2000
Ez itt a kérdés.
02:54
I mustkell say, manysok of the indicatorsmutatók
68
159000
2000
Meg kell mondjam, nagyon sok mutató
02:56
look like this is what it's going to look like,
69
161000
3000
alapján így fog kinézni,
02:59
but let's talk about it.
70
164000
3000
de beszéljük meg.
03:02
So my provocativeprovokatív statementnyilatkozat
71
167000
3000
Szóval a provokatív felvetésem az,
03:05
is that we desperatelykétségbeesetten need a serioussúlyos scientifictudományos theoryelmélet of citiesvárosok.
72
170000
3000
hogy nagy szükségünk van egy komoly, tudományos városelméletre.
03:08
And scientifictudományos theoryelmélet meanseszközök quantifiableszámszerűsíthető --
73
173000
3000
És a tudományos elmélet azt jelenti, hogy számszerűsíthető --
03:11
relyingtámaszkodva on underlyingalapjául szolgáló genericgenerikus principleselvek
74
176000
3000
általános alapelvekre támaszkodó,
03:14
that can be madekészült into a predictivea prediktív frameworkkeretrendszer.
75
179000
2000
ami kiszámíthatóságot segítő keretet ad.
03:16
That's the questQuest.
76
181000
2000
Ez a küldetés.
03:18
Is that conceivableelképzelhető?
77
183000
2000
Kidolgozható?
03:20
Are there universalegyetemes lawstörvények?
78
185000
2000
Vannak egyetemes törvények?
03:22
So here'sitt two questionskérdések
79
187000
2000
Nos, itt van két kérdés,
03:24
that I have in my headfej when I think about this problemprobléma.
80
189000
2000
ami felvetődik bennem, amikor erről gondolkodom.
03:26
The first is:
81
191000
2000
Az első:
03:28
Are citiesvárosok partrész of biologybiológia?
82
193000
2000
Részei-e a városok a biológiának?
03:30
Is LondonLondon a great bignagy whalebálna?
83
195000
2000
Vajon London egy hatalmas bálna-e?
03:32
Is EdinburghEdinburgh a horse?
84
197000
2000
Edinburgh egy ló?
03:34
Is MicrosoftA Microsoft a great bignagy anthillhangyaboly?
85
199000
2000
Lehet-e a Microsoft egy hatalmas hangyaboly?
03:36
What do we learntanul from that?
86
201000
2000
Mit tanulunk ebből?
03:38
We use them metaphoricallyképletesen --
87
203000
2000
Használjuk őket metaforikusan --
03:40
the DNADNS of a companyvállalat, the metabolismanyagcsere of a cityváros, and so on --
88
205000
2000
egy cég DNS-e, egy város anyagcseréje, és így tovább --
03:42
is that just bullshithülyeség, metaphoricalmetaforikus bullshithülyeség,
89
207000
3000
ami pusztán baromság, metaforikus baromság,
03:45
or is there serioussúlyos substanceanyag to it?
90
210000
3000
vagy van ennek komoly lényege?
03:48
And if that is the caseügy,
91
213000
2000
És ha ez a helyzet,
03:50
how come that it's very hardkemény to killmegöl a cityváros?
92
215000
2000
hogy lehet az, hogy nagyon nehéz megölni egy várost?
03:52
You could dropcsepp an atomatom bombbomba on a cityváros,
93
217000
2000
Dobhatunk atombombát a városra,
03:54
and 30 yearsévek latera későbbiekben it's survivingtúlélő.
94
219000
2000
és 30 évvel később még mindig túlél.
03:56
Very fewkevés citiesvárosok failnem sikerül.
95
221000
3000
Nagyon kevés város omlik össze.
03:59
All companiesvállalatok diemeghal, all companiesvállalatok.
96
224000
3000
Minden vállalat meghal, minden vállalat.
04:02
And if you have a serioussúlyos theoryelmélet, you should be ableképes to predictmegjósolni
97
227000
2000
És ha van egy komoly elméletünk, megjósolhatjuk,
04:04
when GoogleGoogle is going to go bustMellbőség.
98
229000
3000
hogy mikor fog a Google csődbe menni.
04:07
So is that just anotheregy másik versionváltozat
99
232000
3000
Lehet-e ez, egy másik változata
04:10
of this?
100
235000
2000
ennek?
04:12
Well we understandmegért this very well.
101
237000
2000
Nos, ezt nagyon jól értjük.
04:14
That is, you askkérdez any genericgenerikus questionkérdés about this --
102
239000
2000
Vagyis feltehetünk bármilyen általános kérdést erről --
04:16
how manysok treesfák of a givenadott sizeméret,
103
241000
2000
hány darab, adott méretű fa,
04:18
how manysok brancheságak of a givenadott sizeméret does a treefa have,
104
243000
2000
hány adott méretű ága van egy fának,
04:20
how manysok leaveslevelek,
105
245000
2000
hány levele,
04:22
what is the energyenergia flowingfolyó throughkeresztül eachminden egyes branchág,
106
247000
2000
mennyi energia áramlik keresztül minden egyes ágon,
04:24
what is the sizeméret of the canopyejtőernyőkupola,
107
249000
2000
mekkora a lombkorona magassága,
04:26
what is its growthnövekedés, what is its mortalityhalálozás?
108
251000
2000
mekkora a növekedése, mekkora a halandósága?
04:28
We have a mathematicalmatematikai frameworkkeretrendszer
109
253000
2000
Van olyan matematikai keretünk,
04:30
basedszékhelyű on genericgenerikus universalegyetemes principleselvek
110
255000
3000
ami általános elveken alapul,
04:33
that can answerválasz those questionskérdések.
111
258000
2000
és meg tudja válaszolni ezeket a kérdéseket.
04:35
And the ideaötlet is can we do the sameazonos for this?
112
260000
4000
És a felvetés az, hogy megtehetjük-e ugyanezt erre?
04:40
So the routeútvonal in is recognizingfelismerés
113
265000
3000
Az odavezető út az, hogy felismerjük,
04:43
one of the mosta legtöbb extraordinaryrendkívüli things about life,
114
268000
2000
az egyik rendkívüli dolog az élettel kapcsolatban
04:45
is that it is scalableskálázható,
115
270000
2000
az, hogy skálázható,
04:47
it worksművek over an extraordinaryrendkívüli rangehatótávolság.
116
272000
2000
egy elképesztő tartományban működik.
04:49
This is just a tinyapró rangehatótávolság actuallytulajdonképpen:
117
274000
2000
Ez csak egy apró tartomány valójában;
04:51
It's us mammalsemlősök;
118
276000
2000
mi, emlősök,
04:53
we're one of these.
119
278000
2000
mi vagyunk az egyik ilyen.
04:55
The sameazonos principleselvek, the sameazonos dynamicsdinamika,
120
280000
2000
Ugyanazok az elvek, ugyanaz a dinamika,
04:57
the sameazonos organizationszervezet is at work
121
282000
2000
ugyanaz a szervezettség működik
04:59
in all of these, includingbeleértve us,
122
284000
2000
ezekben mind, beleértve minket is,
05:01
and it can scaleskála over a rangehatótávolság of 100 millionmillió in sizeméret.
123
286000
3000
és ez skálázható egy százmilliószoros tartományban.
05:04
And that is one of the mainfő- reasonsokok
124
289000
3000
És ez az egyik fő oka annak,
05:07
life is so resilientrugalmas and robusterős --
125
292000
2000
hogy az élet olyan rugalmas és robusztus --
05:09
scalabilityskálázhatóság.
126
294000
2000
a skálázhatóság.
05:11
We're going to discussmegvitatása that in a momentpillanat more.
127
296000
3000
Még fogunk róla beszélni, egy kicsit később.
05:14
But you know, at a localhelyi levelszint,
128
299000
2000
De tudják, helyi szinten,
05:16
you scaleskála; everybodymindenki in this roomszoba is scaledpikkelyes.
129
301000
2000
mind méretarányosak, ebben a teremben midenki méretarányos.
05:18
That's calledhívott growthnövekedés.
130
303000
2000
Ezt hívják növekedésnek.
05:20
Here'sItt van how you grewnőtt.
131
305000
2000
Íme, hogyan nőnek.
05:22
RatPatkány, that's a ratpatkány -- could have been you.
132
307000
2000
Ez egy patkány -- lehettek volna önök is.
05:24
We're all prettyszép much the sameazonos.
133
309000
3000
Mindannyian nagyjából ugyanolyanok vagyunk.
05:27
And you see, you're very familiarismerős with this.
134
312000
2000
És látják, ez nagyon ismerős.
05:29
You grow very quicklygyorsan and then you stop.
135
314000
2000
Nagyon gyors növekedés, aztuán megállás.
05:31
And that linevonal there
136
316000
2000
És ez a vonal ott,
05:33
is a predictionjóslás from the sameazonos theoryelmélet,
137
318000
2000
egy becslés ugyanebből az elméletből,
05:35
basedszékhelyű on the sameazonos principleselvek,
138
320000
2000
azonos elvek alapján,
05:37
that describeskörülír that foresterdő.
139
322000
2000
amely leírja azt az erdőt.
05:39
And here it is for the growthnövekedés of a ratpatkány,
140
324000
2000
Ez itt egy patkány növekedése.
05:41
and those pointspont on there are dataadat pointspont.
141
326000
2000
Azok a pontok pedig adatpontok.
05:43
This is just the weightsúly versusellen the agekor.
142
328000
2000
Ez csak a súly, a kor függvényében.
05:45
And you see, it stopsmegálló growingnövekvő.
143
330000
2000
És látják, megáll a növekedésben.
05:47
Very, very good for biologybiológia --
144
332000
2000
Nagyon, nagyon jó a biológia számára --
05:49
alsois one of the reasonsokok for its great resilienceellenálló képesség.
145
334000
2000
ez is az egyik oka a nagy rugalmasságának.
05:51
Very, very badrossz
146
336000
2000
Nagyon, nagyon rossz
05:53
for economiesgazdaságok and companiesvállalatok and citiesvárosok
147
338000
2000
a gazdaságok, vállalatok és a városok számára,
05:55
in our presentajándék paradigmparadigma.
148
340000
2000
a jelenlegi paradigmánkban.
05:57
This is what we believe.
149
342000
2000
Ez az, amit hiszünk.
05:59
This is what our wholeegész economygazdaság
150
344000
2000
Ez az, amit egész gazdaságunk
06:01
is thrustinglökő uponesetén us,
151
346000
2000
ránk erőszakol,
06:03
particularlykülönösen illustratedillusztrált in that left-handbal kéz cornersarok:
152
348000
3000
jól szemléltetve a bal sarokban:
06:06
hockeyjégkorong sticksbotok.
153
351000
2000
hokiütők.
06:08
This is a bunchcsokor of softwareszoftver companiesvállalatok --
154
353000
2000
Ez egy rakás szoftvercég --
06:10
and what it is is theirazok revenuejövedelem versusellen theirazok agekor --
155
355000
2000
és amit ez mutat, az a bevételük a koruk függvényében --
06:12
all zoomingkicsinyítés/nagyítás away,
156
357000
2000
ahogy mindegyik elhúz,
06:14
and everybodymindenki makinggyártás millionsTöbb millió and billionsmilliárdokat of dollarsdollár.
157
359000
2000
és mindenki milliókat és milliárdokat keres.
06:16
Okay, so how do we understandmegért this?
158
361000
3000
Oké, szóval hogy értsük ezt?
06:19
So let's first talk about biologybiológia.
159
364000
3000
Beszéljünk akkor először a biológiáról.
06:22
This is explicitlykifejezetten showingkiállítás you
160
367000
2000
Ez világosan mutatja,
06:24
how things scaleskála,
161
369000
2000
hogyan skálázódnak a dolgok.
06:26
and this is a trulyvalóban remarkablefigyelemre méltó graphgrafikon.
162
371000
2000
És ez egy nagyon figyelemreméltó grafikon.
06:28
What is plottedábrázolni here is metabolicanyagcsere ratearány --
163
373000
3000
Amit ábrázol, az az anyagcsere sebessége --
06:31
how much energyenergia you need perper day to staymarad aliveélő --
164
376000
3000
mennyi energia kell ahhoz naponta, hogy életben maradjunk --
06:34
versusellen your weightsúly, your masstömeg,
165
379000
2000
szemben a súllyal, a tömeggel,
06:36
for all of us bunchcsokor of organismsszervezetek.
166
381000
3000
mindannyiunk, egy csomó élő szervezet számára.
06:39
And it's plottedábrázolni in this funnyvicces way by going up by factorstényezők of 10,
167
384000
3000
Egy picit furcsán van ábrázolva, 10 hatványaként növekszik,
06:42
otherwisemásképp you couldn'tnem tudott get everything on the graphgrafikon.
168
387000
2000
különben nem látnánk mindent a grafikonon.
06:44
And what you see if you plotcselekmény it
169
389000
2000
És amit látnak, ha megrajzolják,
06:46
in this slightlynémileg curiouskíváncsi way
170
391000
2000
ezen a kissé érdekes módon,
06:48
is that everybodymindenki lieshazugságok on the sameazonos linevonal.
171
393000
3000
az, hogy mindenki ugyanarra a vonalra fekszik fel.
06:51
DespiteAnnak ellenére, hogy the facttény that this is the mosta legtöbb complexösszetett and diversekülönböző systemrendszer
172
396000
3000
Annak ellenére, hogy ez a legösszetettebb és sokszínűbb rendszer
06:54
in the universevilágegyetem,
173
399000
3000
a világegyetemben,
06:57
there's an extraordinaryrendkívüli simplicityegyszerűség
174
402000
2000
egy rendkívüli egyszerűséget
06:59
beinglény expressedkifejezett by this.
175
404000
2000
fejez ez ki.
07:01
It's particularlykülönösen astonishingmegdöbbentő
176
406000
3000
Ez különösen meglepő,
07:04
because eachminden egyes one of these organismsszervezetek,
177
409000
2000
mert mindegyike ezeknek az organizmusoknak,
07:06
eachminden egyes subsystemalrendszer, eachminden egyes cellsejt typetípus, eachminden egyes genegén,
178
411000
2000
minden egyes alrendszer, minden sejttípus, minden gén,
07:08
has evolvedfejlődött in its ownsaját uniqueegyedi environmentalkörnyezeti nicheNiche
179
413000
4000
saját, egyedi környezetében fejlődött,
07:12
with its ownsaját uniqueegyedi historytörténelem.
180
417000
3000
saját, egyedi történettel.
07:15
And yetmég, despiteannak ellenére all of that DarwinianDarwini evolutionevolúció
181
420000
3000
És mégis, mindenféle darwini evolúció
07:18
and naturaltermészetes selectionkiválasztás,
182
423000
2000
és természetes szelekció ellenére,
07:20
they'veők már been constrainederőltetett to liefekszik on a linevonal.
183
425000
2000
kénytelenek ráfeküdni egy vonalra.
07:22
Something elsemás is going on.
184
427000
2000
Valami másról van itt szó.
07:24
Before I talk about that,
185
429000
2000
Mielőtt arról beszélek,
07:26
I've writtenírott down at the bottomalsó there
186
431000
2000
odaírtam alulra,
07:28
the slopelejtő of this curveív, this straightegyenes linevonal.
187
433000
2000
a görbe, egyenes meredekségét.
07:30
It's three-quartersháromnegyed, roughlynagyjából,
188
435000
2000
Ez háromnegyed, durván,
07:32
whichmelyik is lessKevésbé than one -- and we call that sublinearsublinear.
189
437000
3000
ami kevesebb, mint egy -- és ezt hívjuk szublineárisnak.
07:35
And here'sitt the pointpont of that.
190
440000
2000
És itt a dolog lényege.
07:37
It saysmondja that, if it were linearlineáris,
191
442000
3000
Azt mondja, ha lineáris lenne,
07:40
the steepestlegmeredekebb slopelejtő,
192
445000
2000
a legmeredekebb emelkedés,
07:42
then doublingmegduplázva the sizeméret
193
447000
2000
akkor a méret megduplázásához,
07:44
you would requirekíván doublekettős the amountösszeg of energyenergia.
194
449000
2000
meg kellene duplázni az energiát.
07:46
But it's sublinearsublinear, and what that translateslefordít into
195
451000
3000
De ez szublineáris, és ez azt jelenti,
07:49
is that, if you doublekettős the sizeméret of the organismszervezet,
196
454000
2000
hogy ha megduplázzuk a szervezet méretét,
07:51
you actuallytulajdonképpen only need 75 percentszázalék more energyenergia.
197
456000
3000
ténylegesen csak 75 %-kal több energiára van szükségünk.
07:54
So a wonderfulcsodálatos thing about all of biologybiológia
198
459000
2000
Tehát egy csodálatos dolog a biológiáról az,
07:56
is that it expresseskifejezi an extraordinaryrendkívüli economygazdaság of scaleskála.
199
461000
3000
hogy kifejez egy rendkívüli méretgazdaságosságot.
07:59
The biggernagyobb you are systematicallyrendszeresen,
200
464000
2000
Minél nagyobbak rendszerszinten,
08:01
accordingszerint to very well-definedjól definiált rulesszabályok,
201
466000
2000
jól meghatározott szabályok szerint,
08:03
lessKevésbé energyenergia perper capita.
202
468000
3000
annál kevesebb az egy főre jutó energia.
08:06
Now any physiologicalélettani variableváltozó you can think of,
203
471000
3000
Namost minden olyan élettani változó, ami eszükbe jut,
08:09
any life historytörténelem eventesemény you can think of,
204
474000
2000
minden életút amire csak gondolni tudnak,
08:11
if you plotcselekmény it this way, looksúgy néz ki, like this.
205
476000
3000
ha e szerint felrajzolják, így néz ki.
08:14
There is an extraordinaryrendkívüli regularityrendszeresség.
206
479000
2000
Ez egy rendkívüli rendszerezettség.
08:16
So you tell me the sizeméret of a mammalemlős,
207
481000
2000
Szóval adják meg nekem egy emlős méretét,
08:18
I can tell you at the 90 percentszázalék levelszint everything about it
208
483000
3000
meg tudok mondani mindent róla 90%-os szinten,
08:21
in termsfeltételek of its physiologyfiziológia, life historytörténelem, etcstb..
209
486000
4000
a fiziológiájáról, az élettörténetéről, stb.
08:25
And the reasonok for this is because of networkshálózatok.
210
490000
3000
És az oka ennek: a hálózatok.
08:28
All of life is controlledellenőrzött by networkshálózatok --
211
493000
3000
Az élet egészét hálózatok irányítják --
08:31
from the intracellularintracelluláris throughkeresztül the multicellulartöbbsejtű
212
496000
2000
a sejtek köztitől a többsejtűn át
08:33
throughkeresztül the ecosystemökoszisztéma levelszint.
213
498000
2000
az ökoszisztéma szintjén át.
08:35
And you're very familiarismerős with these networkshálózatok.
214
500000
3000
Nagyon jól ismerik ezeket a hálózatokat.
08:39
That's a little thing that liveséletét insidebelül an elephantelefánt.
215
504000
3000
Ez egy apróság, ami egy elefánton belül él.
08:42
And here'sitt the summaryÖsszefoglaló of what I'm sayingmondás.
216
507000
3000
Itt az összefoglalója annak, amit mondok.
08:45
If you take those networkshálózatok,
217
510000
2000
Ha fogják azokat a hálózatokat,
08:47
this ideaötlet of networkshálózatok,
218
512000
2000
ezt a hálózatötletet,
08:49
and you applyalkalmaz universalegyetemes principleselvek,
219
514000
2000
és általános elveket alkalmaznak rájuk,
08:51
mathematizablemathematizable, universalegyetemes principleselvek,
220
516000
2000
matematikailag leírható, univerzális elveket,
08:53
all of these scalingsReve
221
518000
2000
akkor mindezek az arányok,
08:55
and all of these constraintskorlátok followkövesse,
222
520000
3000
és mindazok a kényszerek létrejönnek,
08:58
includingbeleértve the descriptionleírás of the foresterdő,
223
523000
2000
beleértve az erdő leírását,
09:00
the descriptionleírás of your circulatorykeringési rendszer systemrendszer,
224
525000
2000
a keringési rendszerük leírását,
09:02
the descriptionleírás withinbelül cellssejteket.
225
527000
2000
a sejteken belüli rendszer leírását.
09:04
One of the things I did not stressfeszültség in that introductionbevezetés
226
529000
3000
Az egyik dolog, amit nem hangsúlyoztam a bevezetőben,
09:07
was that, systematicallyrendszeresen, the pacesebesség of life
227
532000
3000
az volt, hogy szisztematikusan az élet tempója
09:10
decreasescsökken as you get biggernagyobb.
228
535000
2000
csökken, ahogy nagyobbak lesznek.
09:12
HeartSzív ratesárak are slowerlassabb; you liveélő longerhosszabb;
229
537000
3000
A szív lassabban ver, tovább élnek,
09:15
diffusiondiffúzió of oxygenoxigén and resourceserőforrások
230
540000
2000
az oxigén és a források elosztása
09:17
acrossát membranesmembránok is slowerlassabb, etcstb..
231
542000
2000
a sejtmembránokon át lassabb lesz, stb.
09:19
The questionkérdés is: Is any of this trueigaz
232
544000
2000
A kérdés az: igaz-e bármi ebből
09:21
for citiesvárosok and companiesvállalatok?
233
546000
3000
a városokra és a vállalatokra?
09:24
So is LondonLondon a scaledpikkelyes up BirminghamBirmingham,
234
549000
3000
Vajon London egy felnagyított Birmingham,
09:27
whichmelyik is a scaledpikkelyes up BrightonBrighton, etcstb.., etcstb..?
235
552000
3000
ami egy felnagyított Brighton, stb., stb.?
09:30
Is NewÚj YorkYork a scaledpikkelyes up SanSan FranciscoFrancisco,
236
555000
2000
Vajon New York egy felnagyított San Francisco,
09:32
whichmelyik is a scaledpikkelyes up SantaSanta FeFE?
237
557000
2000
ami egy felnagyított Santa Fe?
09:34
Don't know. We will discussmegvitatása that.
238
559000
2000
Nem tudom. Majd megbeszéljük.
09:36
But they are networkshálózatok,
239
561000
2000
De hálózatok.
09:38
and the mosta legtöbb importantfontos networkhálózat of citiesvárosok
240
563000
2000
És a legfontosabb hálózatai a városoknak:
09:40
is you.
241
565000
2000
önök.
09:42
CitiesVárosok are just a physicalfizikai manifestationmegnyilatkozás
242
567000
3000
A városok pusztán fizikai megnyilvánulásai
09:45
of your interactionskölcsönhatások,
243
570000
2000
az önök kölcsönhatásainak,
09:47
our interactionskölcsönhatások,
244
572000
2000
a mi kölcsönhatásainknak,
09:49
and the clusteringfürtözés and groupingcsoportosítása of individualsegyének.
245
574000
2000
és az egyének csoportokba rendeződésének.
09:51
Here'sItt van just a symbolicszimbolikus picturekép of that.
246
576000
3000
Itt egy kép ami jelképesen ezt ábrázolja.
09:54
And here'sitt scalingskálázás of citiesvárosok.
247
579000
2000
És itt a városok skálázódása.
09:56
This showsműsorok that in this very simpleegyszerű examplepélda,
248
581000
3000
Ez azt mutatja, ebben a nagyon egyszerű példában,
09:59
whichmelyik happensmegtörténik to be a mundaneföldi examplepélda
249
584000
2000
ami történetesen egy hétköznapi példa,
10:01
of numberszám of petrolbenzin stationsállomások
250
586000
2000
a benzinkutak számáról
10:03
as a functionfunkció of sizeméret --
251
588000
2000
a méret függvényében --
10:05
plottedábrázolni in the sameazonos way as the biologybiológia --
252
590000
2000
ugyanúgy felrajzolva, mint a biológiai --,
10:07
you see exactlypontosan the sameazonos kindkedves of thing.
253
592000
2000
pontosan ugyanazt a dolgot láthatják.
10:09
There is a scalingskálázás.
254
594000
2000
Van egy arányosság.
10:11
That is that the numberszám of petrolbenzin stationsállomások in the cityváros
255
596000
4000
Azaz a benzinkutak száma a városban
10:15
is now givenadott to you
256
600000
2000
megadható,
10:17
when you tell me its sizeméret.
257
602000
2000
ha megmondják nekem a város méretét.
10:19
The slopelejtő of that is lessKevésbé than linearlineáris.
258
604000
3000
Az emelkedése kevesebb, mint lineáris.
10:22
There is an economygazdaság of scaleskála.
259
607000
2000
Van egy méretgazdaságosság.
10:24
LessKevesebb petrolbenzin stationsállomások perper capita the biggernagyobb you are -- not surprisingmeglepő.
260
609000
3000
Kevesebb benzinkút jut egy főre, minél nagyobbak -- nem meglepő.
10:27
But here'sitt what's surprisingmeglepő.
261
612000
2000
De itt van az, ami meglepő.
10:29
It scalesMérleg in the sameazonos way everywheremindenhol.
262
614000
2000
Ez az arány állandó mindenütt.
10:31
This is just EuropeanEurópai countriesországok,
263
616000
2000
Ezek csak európai országok,
10:33
but you do it in JapanJapán or ChinaKína or ColombiaKolumbia,
264
618000
3000
de ha Japánban vagy Kínában vagy a Kolumbiában csinálják,
10:36
always the sameazonos
265
621000
2000
mindig ugyanaz jön ki,
10:38
with the sameazonos kindkedves of economygazdaság of scaleskála
266
623000
2000
azonos típusú méretgazdaságossággal,
10:40
to the sameazonos degreefokozat.
267
625000
2000
ugyanolyan léptékben.
10:42
And any infrastructureinfrastruktúra you look at --
268
627000
3000
És minden infrastruktúra amit vesznek --
10:45
whetherakár it's the lengthhossz of roadsutak, lengthhossz of electricalelektromos linesvonalak --
269
630000
3000
legyen az út hossza, az elektromos vezetékek hossza --,
10:48
anything you look at
270
633000
2000
bármit néznek,
10:50
has the sameazonos economygazdaság of scaleskála scalingskálázás in the sameazonos way.
271
635000
3000
ugyanazzal a méretgazdaságossággal rendelkezik, ugyanúgy.
10:53
It's an integratedintegrált systemrendszer
272
638000
2000
Ez egy integrált rendszer,
10:55
that has evolvedfejlődött despiteannak ellenére all the planningtervezés and so on.
273
640000
3000
ami a tervezés, és a többi ellenére alakult ki.
10:58
But even more surprisingmeglepő
274
643000
2000
De még ennél is meglepőbb,
11:00
is if you look at socio-economictársadalmi-gazdasági quantitiesmennyiségek,
275
645000
2000
ha megnézik a társadalmi, gazdasági mennyiségeket,
11:02
quantitiesmennyiségek that have no analoganalóg in biologybiológia,
276
647000
3000
mennyiségeket, amelyeknek nincs biológiai megfelelőjük,
11:05
that have evolvedfejlődött when we startedindult formingalakítás communitiesközösségek
277
650000
3000
amelyek akkor alakultak ki, amikor elkezdtünk közösségeket alkotni,
11:08
eightnyolc to 10,000 yearsévek agoezelőtt.
278
653000
2000
8...10.000 évvel ezelőtt.
11:10
The topfelső one is wagesmunkabér as a functionfunkció of sizeméret
279
655000
2000
A felső a bérek a méret függvényében
11:12
plottedábrázolni in the sameazonos way.
280
657000
2000
ugyanúgy ábrázolva.
11:14
And the bottomalsó one is you lot --
281
659000
2000
És az alsó, önök sokan --
11:16
super-creativesszuper-kreatív plottedábrázolni in the sameazonos way.
282
661000
3000
szuperkreatívok ugyanúgy ábrázolva.
11:19
And what you see
283
664000
2000
És amit látnak,
11:21
is a scalingskálázás phenomenonjelenség.
284
666000
2000
az egy arányossági jelenség.
11:23
But mosta legtöbb importantfontos in this,
285
668000
2000
De a legfontosabb ebben az,
11:25
the exponentexponens, the analoganalóg to that three-quartersháromnegyed
286
670000
2000
hogy a kitevő, annak a háromnegyednek a megfelelője
11:27
for the metabolicanyagcsere ratearány,
287
672000
2000
az anyagcsere-sebességnél,
11:29
is biggernagyobb than one -- it's about 1.15 to 1.2.
288
674000
2000
nagyobb, mint egy -- körülbelül 1,15...1,2.
11:31
Here it is,
289
676000
2000
Itt van,
11:33
whichmelyik saysmondja that the biggernagyobb you are
290
678000
3000
ami azt mondja, hogy minél nagyobbak,
11:36
the more you have perper capita, unlikenem úgy mint biologybiológia --
291
681000
3000
annál több jut egy főre, ellentétben a biológiával --
11:39
highermagasabb wagesmunkabér, more super-creativeszuper-kreatív people perper capita as you get biggernagyobb,
292
684000
4000
magasabb bérek, több szuperkreatív ember jut egy főre, minél nagyobbak,
11:43
more patentsszabadalmak perper capita, more crimebűn perper capita.
293
688000
3000
több egy főre jutó szabadalom és bűnözés.
11:46
And we'vevoltunk lookednézett at everything:
294
691000
2000
És megnéztünk mindent:
11:48
more AIDSAIDS casesesetek, fluinfluenza, etcstb..
295
693000
3000
AIDS esetek, influenza, stb.
11:51
And here, they're all plottedábrázolni togetheregyütt.
296
696000
2000
Itt az összes együtt ábrázolva.
11:53
Just to showelőadás you what we plottedábrázolni,
297
698000
2000
Csak, hogy megmutassam, mit ábrázoltunk,
11:55
here is incomejövedelem, GDPGDP --
298
700000
3000
itt van a jövedelem, a GDP --
11:58
GDPGDP of the cityváros --
299
703000
2000
a város GDP-je --
12:00
crimebűn and patentsszabadalmak all on one graphgrafikon.
300
705000
2000
a bűnözés és a szabadalmak mind egy grafikonon.
12:02
And you can see, they all followkövesse the sameazonos linevonal.
301
707000
2000
Láthatják, mind ugyanazt az egyeneset követik.
12:04
And here'sitt the statementnyilatkozat.
302
709000
2000
És itt a nyilatkozat.
12:06
If you doublekettős the sizeméret of a cityváros from 100,000 to 200,000,
303
711000
3000
Ha megkétszerezik egy város méretét 100.000-ről 200.000-re,
12:09
from a millionmillió to two millionmillió, 10 to 20 millionmillió,
304
714000
2000
egymillióról kétmillióra, 10 millióról 20 millióra,
12:11
it doesn't matterügy,
305
716000
2000
nem számít,
12:13
then systematicallyrendszeresen
306
718000
2000
akkor rendszerszerűen
12:15
you get a 15 percentszázalék increasenövekedés
307
720000
2000
15%-os növekedést kapnak
12:17
in wagesmunkabér, wealthjólét, numberszám of AIDSAIDS casesesetek,
308
722000
2000
a bérekben, javakban, AIDS esetek számában,
12:19
numberszám of policerendőrség,
309
724000
2000
a rendőrség létszámában,
12:21
anything you can think of.
310
726000
2000
bármiben, amit kitalálnak.
12:23
It goesmegy up by 15 percentszázalék,
311
728000
2000
Felmegy 15%-kal.
12:25
and you have a 15 percentszázalék savingsmegtakarítás
312
730000
3000
És megtakarítanak 15%-ot
12:28
on the infrastructureinfrastruktúra.
313
733000
3000
az infrastruktúrán.
12:31
This, no doubtkétség, is the reasonok
314
736000
3000
Ez kétségtelenül az oka,
12:34
why a millionmillió people a weekhét are gatheringösszejövetel in citiesvárosok.
315
739000
3000
amiért heti egymillió ember költözik városokba.
12:37
Because they think that all those wonderfulcsodálatos things --
316
742000
3000
Mert azt hiszik, hogy azok a csodálatos dolgok,
12:40
like creativekreatív people, wealthjólét, incomejövedelem --
317
745000
2000
mint kreatív emberek, vagyon, jövedelem az,
12:42
is what attractsvonzza a them,
318
747000
2000
ami vonzza őket,
12:44
forgettingfelejtés about the uglycsúnya and the badrossz.
319
749000
2000
megfeledkezve a csúfról és rosszról.
12:46
What is the reasonok for this?
320
751000
2000
Mi ennek az oka?
12:48
Well I don't have time to tell you about all the mathematicsmatematika,
321
753000
3000
Nincs arra időm, hogy elmeséljem a matematikáját,
12:51
but underlyingalapjául szolgáló this is the socialtársadalmi networkshálózatok,
322
756000
3000
de e mögött a közösségi hálózatok húzódnak,
12:54
because this is a universalegyetemes phenomenonjelenség.
323
759000
3000
mert ez egy univerzális jelenség.
12:57
This 15 percentszázalék ruleszabály
324
762000
3000
Ez a 15%-os szabály
13:00
is trueigaz
325
765000
2000
igaz, függetlenül attól,
13:02
no matterügy where you are on the planetbolygó --
326
767000
2000
hogy, hol vannak a bolygón --
13:04
JapanJapán, ChileChile,
327
769000
2000
Japán, Chile,
13:06
PortugalPortugália, ScotlandSkócia, doesn't matterügy.
328
771000
3000
Portugália, Skócia, nem számít.
13:09
Always, all the dataadat showsműsorok it's the sameazonos,
329
774000
3000
Mindig, minden adat ugyanazt mutatja,
13:12
despiteannak ellenére the facttény that these citiesvárosok have evolvedfejlődött independentlyönállóan.
330
777000
3000
annak ellenére, hogy ezek a városok egymástól függetlenül fejlődtek.
13:15
Something universalegyetemes is going on.
331
780000
2000
Valami univerzális dolog folyik itt.
13:17
The universalityegyetemesség, to repeatismétlés, is us --
332
782000
3000
Ez az univerzalitás, hogy ismételjem, mi vagyunk --
13:20
that we are the cityváros.
333
785000
2000
az, hogy mi vagyunk a város.
13:22
And it is our interactionskölcsönhatások and the clusteringfürtözés of those interactionskölcsönhatások.
334
787000
3000
És ez a mi kölcsönhatásaink, és azok csoportokba rendeződése.
13:25
So there it is, I've said it again.
335
790000
2000
Íme, elmondtam újra.
13:27
So if it is those networkshálózatok and theirazok mathematicalmatematikai structureszerkezet,
336
792000
3000
Ha tehát ezekről a hálózatokról és matematikai struktúrákról van szó,
13:30
unlikenem úgy mint biologybiológia, whichmelyik had sublinearsublinear scalingskálázás,
337
795000
3000
ellentétben a biológiával, amely szublineáris skálázású,
13:33
economiesgazdaságok of scaleskála,
338
798000
2000
méretgazdaságos,
13:35
you had the slowinglassuló of the pacesebesség of life
339
800000
2000
az élet lassuló ütemét adja
13:37
as you get biggernagyobb.
340
802000
2000
ahogy növekszel.
13:39
If it's socialtársadalmi networkshálózatok with super-linearszuper-lineáris scalingskálázás --
341
804000
2000
Ha ezek társadalmi hálózatok, szuperlineáris skálázással --
13:41
more perper capita --
342
806000
2000
több egy főre jutó dologgal --
13:43
then the theoryelmélet saysmondja
343
808000
2000
akkor, az elmélet szerint
13:45
that you increasenövekedés the pacesebesség of life.
344
810000
2000
gyorsul az élet tempója.
13:47
The biggernagyobb you are, life getsjelentkeznek fastergyorsabb.
345
812000
2000
Minél nagyobb vagy, annál gyorsabb az élet.
13:49
On the left is the heartszív ratearány showingkiállítás biologybiológia.
346
814000
2000
A bal oldalon a szívverések száma, a biológiát mutatja.
13:51
On the right is the speedsebesség of walkinggyalogló
347
816000
2000
A jobb oldalon a gyaloglási sebesség
13:53
in a bunchcsokor of EuropeanEurópai citiesvárosok,
348
818000
2000
egy csomó európai városban,
13:55
showingkiállítás that increasenövekedés.
349
820000
2000
ezt a növekedést mutatja.
13:57
LastlyVégül, I want to talk about growthnövekedés.
350
822000
3000
Végül, szeretnék beszélni a növekedésről.
14:00
This is what we had in biologybiológia, just to repeatismétlés.
351
825000
3000
Ez az, amit a biológiában láttunk, megismételve.
14:03
EconomiesGazdaságok of scaleskála
352
828000
3000
A méretgazdaságosság
14:06
gaveadott riseemelkedik to this sigmoidalsigmoid behaviorviselkedés.
353
831000
3000
megalapozza ezt a szigmoid jellegű viselkedést.
14:09
You grow fastgyors and then stop --
354
834000
3000
Gyors növekedés, és aztán megállás --
14:12
partrész of our resilienceellenálló képesség.
355
837000
2000
része a rugalmasságuknak.
14:14
That would be badrossz for economiesgazdaságok and citiesvárosok.
356
839000
3000
Ez rossz lenne a gazdaságnak és a városoknak.
14:17
And indeedvalóban, one of the wonderfulcsodálatos things about the theoryelmélet
357
842000
2000
És valóban, az elmélet egyik csodálatos eleme az,
14:19
is that if you have super-linearszuper-lineáris scalingskálázás
358
844000
3000
hogy ha szuperlineáris az arány
14:22
from wealthjólét creationTeremtés and innovationinnováció,
359
847000
2000
a jólét megteremtéséből és innovációból,
14:24
then indeedvalóban you get, from the sameazonos theoryelmélet,
360
849000
3000
akkor ugyanazon elmélet alapján, valóban
14:27
a beautifulszép risingemelkedő exponentialexponenciális curveív -- lovelybájos.
361
852000
2000
egy szép, emelkedő, exponenciális görbét kapunk -- pompás.
14:29
And in facttény, if you comparehasonlítsa össze it to dataadat,
362
854000
2000
És tényleg, ha összehasonlítjuk az adatokkal,
14:31
it fitsgörcsök very well
363
856000
2000
nagyon jól összecseng
14:33
with the developmentfejlődés of citiesvárosok and economiesgazdaságok.
364
858000
2000
a városok és a gazdaság fejlődésével.
14:35
But it has a terribleszörnyű catchfogás,
365
860000
2000
De a dolgonak van egy nagy szépséghibája.
14:37
and the catchfogás
366
862000
2000
Ez a szépséghiba az,
14:39
is that this systemrendszer is destinedszánt to collapseösszeomlás.
367
864000
3000
hogy a rendszer összeomlásra van rendeltetve.
14:42
And it's destinedszánt to collapseösszeomlás for manysok reasonsokok --
368
867000
2000
Összeomlásra van rendelteteve számos okból --
14:44
kindkedves of MalthusianMalthusiánus reasonsokok -- that you runfuss out of resourceserőforrások.
369
869000
3000
egyfajta malthusianista okokból --, mivelhogy elfogynak a források.
14:47
And how do you avoidelkerül that? Well we'vevoltunk doneKész it before.
370
872000
3000
És hogyan lehet ezt elkerülni? Nos, csináltunk már ilyet.
14:50
What we do is,
371
875000
2000
Amit teszünk az az,
14:52
as we grow and we approachmegközelítés the collapseösszeomlás,
372
877000
3000
hogy ahogy növünk, és megközelítjük az összeomlást,
14:55
a majorJelentősebb innovationinnováció takes placehely
373
880000
3000
egy jelentős innováció történik,
14:58
and we startRajt over again,
374
883000
2000
és kezdjük újra.
15:00
and we startRajt over again as we approachmegközelítés the nextkövetkező one, and so on.
375
885000
3000
És kezdjük újra, ahogy közeledünk a következőhöz, és így tovább.
15:03
So there's this continuousfolyamatos cycleciklus of innovationinnováció
376
888000
2000
Szóval itt van ez a folyamatos innovációs ciklus,
15:05
that is necessaryszükséges
377
890000
2000
ami szükséges a növekedés
15:07
in ordersorrend to sustainfenntartani growthnövekedés and avoidelkerül collapseösszeomlás.
378
892000
3000
fenntartásához és az összeomlás elkerüléséhez.
15:10
The catchfogás, howeverazonban, to this
379
895000
2000
A csapda viszont az,
15:12
is that you have to innovateújít
380
897000
2000
hogy egyre gyorsabb és gyorsabb
15:14
fastergyorsabb and fastergyorsabb and fastergyorsabb.
381
899000
3000
innovációra van szükség.
15:17
So the imagekép
382
902000
2000
Így az ábra az, hogy
15:19
is that we're not only on a treadmillfutópad that's going fastergyorsabb,
383
904000
3000
nem csak hogy egy futógépen vagyunk, ami egyre gyorsul,
15:22
but we have to changeváltozás the treadmillfutópad fastergyorsabb and fastergyorsabb.
384
907000
3000
hanem egyre gyorsabban kell futógépet váltanunk.
15:25
We have to accelerategyorsul on a continuousfolyamatos basisbázis.
385
910000
3000
Folyamatosan kell gyorsítanunk.
15:28
And the questionkérdés is: Can we, as socio-economictársadalmi-gazdasági beingslények,
386
913000
3000
És a kérdés: Mint társadalmi-gazdasági lények,
15:31
avoidelkerül a heartszív attacktámadás?
387
916000
3000
megtudjuk-e ezt tenni szívinfarktus nélkül?
15:34
So lastlyvégül, I'm going to finishBefejez up in this last minuteperc or two
388
919000
3000
Végül pedig, ebben az utolsó egy-két percben
15:37
askingkérve about companiesvállalatok.
389
922000
2000
a cégek kérdéskörével fogom befejezni.
15:39
See companiesvállalatok, they scaleskála.
390
924000
2000
Amint látják, a vállalatok skálázhatók.
15:41
The topfelső one, in facttény, is WalmartWalmart on the right.
391
926000
2000
A felső, a Walmart a jobb oldalon.
15:43
It's the sameazonos plotcselekmény.
392
928000
2000
Ez ugyanaz a függvény.
15:45
This happensmegtörténik to be incomejövedelem and assetsvagyon
393
930000
2000
Ez történetesen a bevétel és vagyon
15:47
versusellen the sizeméret of the companyvállalat as denotedjelölése by its numberszám of employeesalkalmazottak.
394
932000
2000
szemben a vállalat méretével, itt, a foglalkoztatottak számával.
15:49
We could use salesértékesítés, anything you like.
395
934000
3000
Használhatnánk eladási számokat, vagy bármi mást.
15:52
There it is: after some little fluctuationsingadozások at the beginningkezdet,
396
937000
3000
Íme: egy kis kezdeti ingadozás után,
15:55
when companiesvállalatok are innovatingújító,
397
940000
2000
amikor a vállalatok fejlesztenek
15:57
they scaleskála beautifullyszépen.
398
942000
2000
csodaszépen, arányosan növekednek.
15:59
And we'vevoltunk lookednézett at 23,000 companiesvállalatok
399
944000
3000
Megnéztünk 23.000 céget,
16:02
in the UnitedEgyesült StatesÁllamok, maylehet I say.
400
947000
2000
az USA-ban, ha mondhatom.
16:04
And I'm only showingkiállítás you a little bitbit of this.
401
949000
3000
És csak egy kis részét mutatom meg önöknek.
16:07
What is astonishingmegdöbbentő about companiesvállalatok
402
952000
2000
Ami megdöbbentő a cégekkel kapcsolatban
16:09
is that they scaleskála sublinearlysublinearly
403
954000
3000
az az, hogy szublineárisan növekednek,
16:12
like biologybiológia,
404
957000
2000
mint a biológia,
16:14
indicatingjelezve that they're dominateddomináló,
405
959000
2000
azt jelezve, hogy nem a
16:16
not by super-linearszuper-lineáris
406
961000
2000
szuperlineáris innováció
16:18
innovationinnováció and ideasötletek;
407
963000
3000
és az ötletek uralják őket;
16:21
they becomeválik dominateddomináló
408
966000
2000
ami dominánssá vált bennük,
16:23
by economiesgazdaságok of scaleskála.
409
968000
2000
az a méretgazdaságosság.
16:25
In that interpretationértelmezése,
410
970000
2000
Ebben az értelemben véve,
16:27
by bureaucracybürokrácia and administrationadminisztráció,
411
972000
2000
a bürokrácia és az adminisztráció,
16:29
and they do it beautifullyszépen, maylehet I say.
412
974000
2000
és mondhatom gyönyörűen csinálják.
16:31
So if you tell me the sizeméret of some companyvállalat, some smallkicsi companyvállalat,
413
976000
3000
Ha megmondják nekem egy cég, egy kicsi cég méretét,
16:34
I could have predictedjósolt the sizeméret of WalmartWalmart.
414
979000
3000
megjósolhattam volna előre a Walmart méretét.
16:37
If it has this sublinearsublinear scalingskálázás,
415
982000
2000
Ha szublineáris a fejlődési üteme,
16:39
the theoryelmélet saysmondja
416
984000
2000
az elmélet szerint,
16:41
we should have sigmoidalsigmoid growthnövekedés.
417
986000
3000
szigmoid jellegű növekedést kell produkálnia.
16:44
There's WalmartWalmart. Doesn't look very sigmoidalsigmoid.
418
989000
2000
Itt a Walmart. Nem tűnik nagyon szigmoid jellegűnek.
16:46
That's what we like, hockeyjégkorong sticksbotok.
419
991000
3000
Ez az amit szeretünk, hokiütők.
16:49
But you noticeértesítés, I've cheatedbecsapott,
420
994000
2000
De észreveszik, hogy csaltam,
16:51
because I've only goneelmúlt up to '94.
421
996000
2000
mert csak '94-ig mentem el.
16:53
Let's go up to 2008.
422
998000
2000
Menjünk egészen 2008-ig!
16:55
That redpiros linevonal is from the theoryelmélet.
423
1000000
3000
Az piros vonal az elmélet.
16:58
So if I'd have doneKész this in 1994,
424
1003000
2000
Tehát, ha ezt csináltam volna 1994-ben,
17:00
I could have predictedjósolt what WalmartWalmart would be now.
425
1005000
3000
meg tudtam volna jósolni, milyen lenne a Walmart most.
17:03
And then this is repeatedmegismételt
426
1008000
2000
És persze ez ismétlődik
17:05
acrossát the entireteljes spectrumszínkép of companiesvállalatok.
427
1010000
2000
a vállalatok teljes spektrumán keresztül.
17:07
There they are. That's 23,000 companiesvállalatok.
428
1012000
3000
Ott vannak. Az 23.000 cég.
17:10
They all startRajt looking like hockeyjégkorong sticksbotok,
429
1015000
2000
Mindannyian hokiütőnek néznek ki az elején,
17:12
they all bendhajlít over,
430
1017000
2000
mindannyian meghajolnak,
17:14
and they all diemeghal like you and me.
431
1019000
2000
és mindannyian meghalnak mint önök meg én.
17:16
Thank you.
432
1021000
2000
Köszönöm.
17:18
(ApplauseTaps)
433
1023000
9000
(Taps)
Translated by Krisztian Stancz
Reviewed by Anna Patai

▲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