TEDxMidAtlantic
Albert-László Barabási: The real relationship between your age and your chance of success
Albert-László Barabási: La verdadera relación entre la edad y las oportunidades de éxito
Filmed:
Readability: 4
2,762,222 views
El teórico en redes Albert-László Barabási, respaldado por un análisis matemático, explora los mecanismos ocultos que nos llevan al éxito, sin importar el campo, y revela una interesante relación entre nuestra edad y las oportunidades de triunfar en grande.
Albert-László Barabási - Network scientist
A pioneer in network science, Albert-László Barabási uncovers the hidden order behind complex systems. Full bio
A pioneer in network science, Albert-László Barabási uncovers the hidden order behind complex systems. Full bio
Double-click the English transcript below to play the video.
00:12
Today, actually, is
a very special day for me,
a very special day for me,
0
249
2266
El día de hoy es muy especial para mí
porque es mi cumpleaños.
porque es mi cumpleaños.
00:14
because it is my birthday.
1
2539
2121
00:16
(Applause)
2
4684
3973
(Aplausos)
00:20
And so, thanks to all of you
for joining the party.
for joining the party.
3
8681
3441
Así que gracias por venir a la fiesta.
00:24
(Laughter)
4
12146
1167
(Risas)
00:25
But every time you throw a party,
there's someone there to spoil it. Right?
there's someone there to spoil it. Right?
5
13337
4786
Pero cada vez que organizamos una fiesta
siempre alguien la arruina, ¿verdad?
siempre alguien la arruina, ¿verdad?
00:30
(Laughter)
6
18147
1072
(Risas)
00:31
And I'm a physicist,
7
19243
1359
Yo soy físico,
00:32
and this time I brought
another physicist along to do so.
another physicist along to do so.
8
20626
4157
y esta vez invité a otro físico
para que se encargara de eso.
para que se encargara de eso.
00:36
His name is Albert Einstein --
also Albert -- and he's the one who said
also Albert -- and he's the one who said
9
24807
4562
Su nombre es Albert Einstein,
también Albert, y él fue quien dijo
también Albert, y él fue quien dijo
00:41
that the person who has not made
his great contributions to science
his great contributions to science
10
29393
4830
que quien no haya hecho
grandes contribuciones a la ciencia
grandes contribuciones a la ciencia
00:46
by the age of 30
11
34247
1559
a los 30 años, entonces nunca lo hará.
00:47
will never do so.
12
35830
1396
00:49
(Laughter)
13
37250
1012
(Risas)
No necesitan ir a Wikipedia
00:50
Now, you don't need to check Wikipedia
14
38286
2340
00:52
that I'm beyond 30.
15
40650
1571
para saber que tengo más de 30.
00:54
(Laughter)
16
42245
1416
(Risas)
00:55
So, effectively, what
he is telling me, and us,
he is telling me, and us,
17
43685
3606
Así que, efectivamente,
lo que me dice a mí y a todos,
lo que me dice a mí y a todos,
00:59
is that when it comes to my science,
18
47315
2544
es que con respecto a mi ciencia
no soy muy competente.
no soy muy competente.
01:01
I'm deadwood.
19
49883
1203
01:04
Well, luckily, I had my share
of luck within my career.
of luck within my career.
20
52078
5586
Afortunadamente, durante la carrera
tuve mi dosis de suerte.
tuve mi dosis de suerte.
01:10
Around age 28, I became
very interested in networks,
very interested in networks,
21
58132
3822
A los 28 años me surgió
un gran interés por las redes,
un gran interés por las redes,
01:13
and a few years later, we managed
to publish a few key papers
to publish a few key papers
22
61978
4076
y unos años después
logramos publicar algunos artículos
logramos publicar algunos artículos
01:18
that reported the discovery
of scale-free networks
of scale-free networks
23
66078
4097
que presentaban el descubrimiento
de redes de libre escala,
de redes de libre escala,
01:22
and really gave birth to a new discipline
that we call network science today.
that we call network science today.
24
70199
4578
lo que dio paso a una nueva disciplina
que ahora llamamos ciencia de redes.
que ahora llamamos ciencia de redes.
01:26
And if you really care about it,
you can get a PhD now in network science
you can get a PhD now in network science
25
74801
3678
Si de verdad les gusta,
se puede estudiar un doctorado en eso
se puede estudiar un doctorado en eso
01:30
in Budapest, in Boston,
26
78503
2028
en Budapest, en Boston,
o en cualquier parte del mundo.
o en cualquier parte del mundo.
01:32
and you can study it all over the world.
27
80555
2308
01:35
A few years later,
28
83466
1595
Algunos años después,
01:37
when I moved to Harvard
first as a sabbatical,
first as a sabbatical,
29
85085
3230
cuando llegué a Harvard como sabático
01:40
I became interested
in another type of network:
in another type of network:
30
88339
3092
me interesó otro tipo de red.
01:43
that time, the networks within ourselves,
31
91455
3027
Esta vez, fue la red dentro de nosotros.
01:46
how the genes and the proteins
and the metabolites link to each other
and the metabolites link to each other
32
94506
3726
Cómo los genes, las proteínas
y los metabolitos se conectan
y los metabolitos se conectan
01:50
and how they connect to disease.
33
98256
2493
y su relación con las enfermedades.
01:53
And that interest led
to a major explosion within medicine,
to a major explosion within medicine,
34
101368
4592
Ese interés hizo
que me adentrara en la medicina,
que me adentrara en la medicina,
01:57
including the Network Medicine
Division at Harvard,
Division at Harvard,
35
105984
3979
incluyendo la División
de Medicina de Red en Harvard,
de Medicina de Red en Harvard,
02:01
that has more than 300 researchers
who are using this perspective
who are using this perspective
36
109987
3395
que cuenta con más de 300 investigadores
que usan esta perspectiva
que usan esta perspectiva
02:05
to treat patients and develop new cures.
37
113406
2897
para tratar pacientes
y desarrollar nuevas curas.
y desarrollar nuevas curas.
02:09
And a few years ago,
38
117457
1770
Hace algunos años
02:11
I thought that I would take
this idea of networks
this idea of networks
39
119251
2526
pensé que tomaría
esta idea de las redes
esta idea de las redes
02:13
and the expertise we had in networks
40
121801
1766
y la experiencia que teníamos
en un área distinta
en un área distinta
02:15
in a different area,
41
123591
1392
que es entender el éxito.
02:17
that is, to understand success.
42
125007
1982
02:19
And why did we do that?
43
127704
1210
¿Por qué lo hicimos?
Creímos que, hasta cierto punto,
02:20
Well, we thought that, to some degree,
44
128938
2281
02:23
our success is determined
by the networks we're part of --
by the networks we're part of --
45
131243
3377
las redes en las que participábamos
determinaban nuestro éxito.
determinaban nuestro éxito.
02:26
that our networks can push us forward,
they can pull us back.
they can pull us back.
46
134644
3847
Que las redes nos pueden impulsar
y hacer retroceder.
y hacer retroceder.
02:30
And I was curious if we could use
the knowledge and big data and expertise
the knowledge and big data and expertise
47
138925
4128
Me preguntaba si podíamos usar
el conocimiento, los datos y experiencia
el conocimiento, los datos y experiencia
02:35
where we develop the networks
48
143077
1403
que usamos en las redes para medir
cómo suceden estas cosas.
cómo suceden estas cosas.
02:36
to really quantify
how these things happen.
how these things happen.
49
144504
3296
Este es uno de los resultados.
02:40
This is a result from that.
50
148404
1342
02:41
What you see here is a network
of galleries in museums
of galleries in museums
51
149770
2947
Lo que ven es una red
de galerías en museos
de galerías en museos
02:44
that connect to each other.
52
152741
1632
conectadas entre ellas.
02:46
And through this map
that we mapped out last year,
that we mapped out last year,
53
154806
4055
En este mapa,
que hicimos el año pasado,
que hicimos el año pasado,
02:50
we are able to predict very accurately
the success of an artist
the success of an artist
54
158885
4848
podemos predecir el éxito
de un artista con gran precisión
de un artista con gran precisión
02:55
if you give me the first five exhibits
that he or she had in their career.
that he or she had in their career.
55
163757
4021
si nos proporcionan las primeras
cinco exhibiciones de su carrera.
cinco exhibiciones de su carrera.
03:01
Well, as we thought about success,
56
169404
2706
Tal y como lo pensábamos,
03:04
we realized that success
is not only about networks;
is not only about networks;
57
172134
3067
nos dimos cuenta de que el éxito
no solo está en las redes.
no solo está en las redes.
03:07
there are so many
other dimensions to that.
other dimensions to that.
58
175225
2396
Hay muchas otras dimensiones.
03:10
And one of the things
we need for success, obviously,
we need for success, obviously,
59
178145
3247
Algo que, obviamente,
necesitamos para tener éxito
necesitamos para tener éxito
03:13
is performance.
60
181416
1170
es el desempeño.
Aclaremos la diferencia
entre desempeño y éxito.
entre desempeño y éxito.
03:14
So let's define what's the difference
between performance and success.
between performance and success.
61
182610
3504
03:18
Well, performance is what you do:
62
186465
1997
El desempeño es lo que hacemos.
03:20
how fast you run,
what kind of paintings you paint,
what kind of paintings you paint,
63
188486
3032
Qué tan rápido corremos,
el tipo de pinturas que hacemos,
el tipo de pinturas que hacemos,
03:23
what kind of papers you publish.
64
191542
1881
el tipo de artículos que publicamos.
03:25
However, in our working definition,
65
193835
2614
Pero en nuestro entorno de trabajo
03:28
success is about what the community
notices from what you did,
notices from what you did,
66
196473
4205
el éxito es lo que la comunidad
reconoce que hicimos,
reconoce que hicimos,
con nuestro desempeño.
03:32
from your performance:
67
200702
1612
03:34
How does it acknowledge it,
and how does it reward you for it?
and how does it reward you for it?
68
202338
4132
¿Cómo se reconoce
y cómo nos retribuye?
y cómo nos retribuye?
03:38
In other terms,
69
206494
1182
En otras palabras,
03:39
your performance is about you,
but your success is about all of us.
but your success is about all of us.
70
207700
4596
nuestro desempeño es algo personal,
pero nuestro éxito concierne a todos.
pero nuestro éxito concierne a todos.
03:45
And this was a very
important shift for us,
important shift for us,
71
213392
3334
Para nosotros, este fue un gran cambio
03:48
because the moment we defined success
as being a collective measure
as being a collective measure
72
216750
4024
porque al definir el éxito
como una medida colectiva,
como una medida colectiva,
03:52
that the community provides to us,
73
220798
2106
provista por la comunidad,
03:54
it became measurable,
74
222928
1510
lo volvimos cuantificable
03:56
because if it's in the community,
there are multiple data points about that.
there are multiple data points about that.
75
224462
4510
pues hay múltiples datos
que conciernen a la comunidad.
que conciernen a la comunidad.
04:00
So we go to school,
we exercise, we practice,
we exercise, we practice,
76
228996
5280
Vamos a la escuela,
hacemos ejercicio y practicamos
hacemos ejercicio y practicamos
porque creemos que el desempeño
conduce al éxito.
conduce al éxito.
04:06
because we believe
that performance leads to success.
that performance leads to success.
77
234300
2991
04:09
But the way we actually
started to explore,
started to explore,
78
237832
2015
Pero al explorar un poco
04:11
we realized that performance and success
are very, very different animals
are very, very different animals
79
239871
3527
nos dimos cuenta de que el desempeño
y el éxito no tienen nada en común
y el éxito no tienen nada en común
04:15
when it comes to
the mathematics of the problem.
the mathematics of the problem.
80
243422
2444
y no resuelven el problema.
04:18
And let me illustrate that.
81
246429
1432
Déjenme explicarles.
04:20
So what you see here is
the fastest man on earth, Usain Bolt.
the fastest man on earth, Usain Bolt.
82
248329
4947
Él es el hombre más rápido
del mundo, Usain Bolt.
del mundo, Usain Bolt.
04:25
And of course, he wins most of
the competitions that he enters.
the competitions that he enters.
83
253832
3910
Gana casi todas las competencias
en las que participa.
en las que participa.
Sabemos que es el más rápido
porque tenemos un cronómetro
porque tenemos un cronómetro
04:30
And we know he's the fastest on earth
because we have a chronometer
because we have a chronometer
84
258393
3175
que mide su velocidad.
04:33
to measure his speed.
85
261592
1160
04:34
Well, what is interesting about him
is that when he wins,
is that when he wins,
86
262776
4119
Lo interesante es que cuando gana
04:38
he doesn't do so by really significantly
outrunning his competition.
outrunning his competition.
87
266919
5502
no lo hace con una gran ventaja.
04:44
He's running at most a percent faster
than the one who loses the race.
than the one who loses the race.
88
272445
4519
Como máximo, corre 1 %
más rápido que el que pierde.
más rápido que el que pierde.
04:49
And not only does he run only
one percent faster than the second one,
one percent faster than the second one,
89
277631
3638
No solo es que corra
1 % más rápido que el segundo,
1 % más rápido que el segundo,
04:53
but he doesn't run
10 times faster than I do --
10 times faster than I do --
90
281293
2849
tampoco corre diez veces
más rápido que yo.
más rápido que yo.
04:56
and I'm not a good runner,
trust me on that.
trust me on that.
91
284166
2181
Y no soy buen corredor, créanme.
04:58
(Laughter)
92
286371
1197
(Risas)
04:59
And every time we are able
to measure performance,
to measure performance,
93
287592
3502
Cada vez que medimos el desempeño
05:03
we notice something very interesting;
94
291118
2050
vemos algo muy interesante.
05:05
that is, performance is bounded.
95
293192
2511
El desempeño tiene limitantes.
05:07
What it means is that there are
no huge variations in human performance.
no huge variations in human performance.
96
295727
3757
Es decir que el desempeño humano
no tiene grandes variaciones.
no tiene grandes variaciones.
05:11
It varies only in a narrow range,
97
299508
3432
Solo varía muy poco
05:14
and we do need the chronometer
to measure the differences.
to measure the differences.
98
302964
3279
y necesitamos un cronómetro
para medir las diferencias.
para medir las diferencias.
05:18
This is not to say that we cannot
see the good from the best ones,
see the good from the best ones,
99
306267
3168
No pretendo decir que no veamos
lo bueno de los mejores,
lo bueno de los mejores,
05:21
but the best ones
are very hard to distinguish.
are very hard to distinguish.
100
309459
2733
pero es muy difícil
identificar a los mejores.
identificar a los mejores.
05:24
And the problem with that
is that most of us work in areas
is that most of us work in areas
101
312216
2992
El problema es que la mayoría
de nosotros trabajamos en áreas
de nosotros trabajamos en áreas
05:27
where we do not have a chronometer
to gauge our performance.
to gauge our performance.
102
315232
3922
donde no tenemos un cronómetro
para medir nuestro desempeño.
para medir nuestro desempeño.
05:31
Alright, performance is bounded,
103
319178
1564
El desempeño tiene limitantes.
05:32
there are no huge differences between us
when it comes to our performance.
when it comes to our performance.
104
320766
3532
Si hablamos de desempeño,
no hay grandes diferencias entre nosotros.
no hay grandes diferencias entre nosotros.
05:36
How about success?
105
324322
1157
¿Qué hay del éxito?
05:37
Well, let's switch to
a different topic, like books.
a different topic, like books.
106
325995
2930
Cambiemos de tema y hablemos de libros.
05:40
One measure of success for writers is
how many people read your work.
how many people read your work.
107
328949
5015
Una forma de medir el éxito de un escritor
es con el número de personas que los leen.
es con el número de personas que los leen.
05:46
And so when my previous book
came out in 2009,
came out in 2009,
108
334662
4410
Cuando publiqué mi último libro en 2009
05:51
I was in Europe talking with my editor,
109
339096
1902
estaba en Europa con mi editor
05:53
and I was interested:
Who is the competition?
Who is the competition?
110
341022
2462
y me interesaba saber
quién era la competencia.
quién era la competencia.
05:56
And I had some fabulous ones.
111
344253
2735
Eran de los grandes.
05:59
That week --
112
347012
1169
Esa semana...
06:00
(Laughter)
113
348205
1024
(Risas)
06:01
Dan Brown came out with "The Lost Symbol,"
114
349253
3557
Dan Brown publicó
"El símbolo perdido"
"El símbolo perdido"
y también publicaron "La última canción"
06:04
and "The Last Song" also came out,
115
352834
2982
de Nicholas Sparks.
06:07
Nicholas Sparks.
116
355840
1429
06:09
And when you just look at the list,
117
357293
2988
Si solo miran la lista
pueden ver que, en cuanto a desempeño,
casi no hay diferencia
casi no hay diferencia
06:12
you realize, you know, performance-wise,
there's hardly any difference
there's hardly any difference
118
360305
3453
entre esos libros y el mío.
06:15
between these books or mine.
119
363782
1598
06:17
Right?
120
365404
1175
¿Cierto?
06:18
So maybe if Nicholas Sparks's team
works a little harder,
works a little harder,
121
366603
4668
Si el equipo de Nicholas Sparks
se esforzaba un poco más,
se esforzaba un poco más,
06:23
he could easily be number one,
122
371295
1722
pudo ser el número uno,
06:25
because it's almost by accident
who ended up at the top.
who ended up at the top.
123
373041
2898
pues quien obtuvo el primer puesto
lo hizo casi por accidente.
lo hizo casi por accidente.
06:28
So I said, let's look at the numbers --
I'm a data person, right?
I'm a data person, right?
124
376486
3153
Así que pensé en revisar los números,
después de todo, son datos.
después de todo, son datos.
06:31
So let's see what were
the sales for Nicholas Sparks.
the sales for Nicholas Sparks.
125
379663
4318
Veamos las ventas de Nicholas Sparks.
06:36
And it turns out that
that opening weekend,
that opening weekend,
126
384005
2054
Resulta que
ese fin de semana de estreno
ese fin de semana de estreno
Nicholas Sparks vendió
más de 100 000 copias,
más de 100 000 copias,
06:38
Nicholas Sparks sold more than
a hundred thousand copies,
a hundred thousand copies,
127
386083
2975
lo cual es impresionante.
06:41
which is an amazing number.
128
389082
1705
Se podría estar entre los mejores de
los best-seller de The New York Times
los best-seller de The New York Times
06:42
You can actually get to the top
of the "New York Times" best-seller list
of the "New York Times" best-seller list
129
390811
3396
06:46
by selling 10,000 copies a week,
130
394231
2110
vendiendo 10 000 copias por semana.
06:48
so he tenfold overcame
what he needed to be number one.
what he needed to be number one.
131
396365
3752
Así que vendió diez veces más
de lo necesario para ser el número uno.
de lo necesario para ser el número uno.
06:52
Yet he wasn't number one.
132
400141
1430
Sin embargo, no lo fue.
06:53
Why?
133
401595
1308
¿Por qué?
06:54
Because there was Dan Brown,
who sold 1.2 million copies that weekend.
who sold 1.2 million copies that weekend.
134
402927
4078
Porque Dan Brown vendió
1,2 millones de copias ese fin de semana.
1,2 millones de copias ese fin de semana.
06:59
(Laughter)
135
407029
2136
(Risas)
07:01
And the reason I like this number
is because it shows that, really,
is because it shows that, really,
136
409189
3971
Este número me gusta
porque nos muestra que, en realidad,
porque nos muestra que, en realidad,
el éxito no tiene límites.
07:05
when it comes to success, it's unbounded,
137
413184
3730
07:08
that the best doesn't only get
slightly more than the second best
slightly more than the second best
138
416938
5861
El primero no supera al segundo
solo por un poco,
solo por un poco,
07:14
but gets orders of magnitude more,
139
422823
2697
sino que hay una gran diferencia
07:17
because success is a collective measure.
140
425544
2794
porque el éxito es una medida colectiva.
07:20
We give it to them, rather than
we earn it through our performance.
we earn it through our performance.
141
428362
4376
Es algo que damos, en lugar de ganarlo
con nuestro desempeño.
con nuestro desempeño.
07:24
So one of things we realized is that
performance, what we do, is bounded,
performance, what we do, is bounded,
142
432762
5376
Vimos que el desempeño,
o lo que hacemos, tiene sus límites,
o lo que hacemos, tiene sus límites,
07:30
but success, which is
collective, is unbounded,
collective, is unbounded,
143
438162
2682
pero el éxito, que es colectivo,
no los tiene.
no los tiene.
07:32
which makes you wonder:
144
440868
1312
Eso hace que me pregunte
07:34
How do you get these
huge differences in success
huge differences in success
145
442204
2911
cómo es que existen
estas grandes diferencias en el éxito
estas grandes diferencias en el éxito
07:37
when you have such tiny
differences in performance?
differences in performance?
146
445139
2906
cuando las diferencias
en el desempeño son tan mínimas.
en el desempeño son tan mínimas.
07:40
And recently, I published a book
that I devoted to that very question.
that I devoted to that very question.
147
448537
3787
Recientemente publiqué un libro
que se enfoca en esa cuestión.
que se enfoca en esa cuestión.
07:44
And they didn't give me enough time
to go over all of that,
to go over all of that,
148
452348
2839
No tengo mucho tiempo
para hablar de todo
para hablar de todo
07:47
so I'm going to go back
to the question of,
to the question of,
149
455211
2071
así que regresaré a la otra pregunta:
07:49
alright, you have success;
when should that appear?
when should that appear?
150
457306
3135
¿Cuándo deberíamos de tener éxito?
07:52
So let's go back to the party spoiler
and ask ourselves:
and ask ourselves:
151
460465
3758
Recordemos a esa persona
que arruina las fiestas.
que arruina las fiestas.
07:57
Why did Einstein make
this ridiculous statement,
this ridiculous statement,
152
465215
3339
¿Por qué Einstein
hizo esa ridícula declaración
hizo esa ridícula declaración
08:00
that only before 30
you could actually be creative?
you could actually be creative?
153
468578
3156
de que solo antes de los 30
podemos ser creativos?
podemos ser creativos?
08:03
Well, because he looked around himself
and he saw all these fabulous physicists
and he saw all these fabulous physicists
154
471758
4680
Porque miró a su alrededor
y vio a grandes físicos
y vio a grandes físicos
08:08
that created quantum mechanics
and modern physics,
and modern physics,
155
476462
2587
que crearon la mecánica cuántica
y la física moderna
y la física moderna
08:11
and they were all in their 20s
and early 30s when they did so.
and early 30s when they did so.
156
479073
3736
y que tenían entre 20 y 30 años.
08:15
And it's not only him.
157
483730
1220
Y no es el único.
No solo es un sesgo de observación.
08:16
It's not only observational bias,
158
484974
1623
08:18
because there's actually
a whole field of genius research
a whole field of genius research
159
486621
3997
Hay todo un campo de Genius Research
08:22
that has documented the fact that,
160
490642
2256
que ha documentado el hecho de que
08:24
if we look at the people
we admire from the past
we admire from the past
161
492922
3160
si prestamos atención
a quienes admiramos del pasado
a quienes admiramos del pasado
08:28
and then look at what age
they made their biggest contribution,
they made their biggest contribution,
162
496106
3358
y vemos a qué edad
hicieron su mayor contribución,
hicieron su mayor contribución,
08:31
whether that's music,
whether that's science,
whether that's science,
163
499488
2096
ya sea en música, ciencia, o ingeniería,
08:33
whether that's engineering,
164
501608
1619
08:35
most of them tend to do so
in their 20s, 30s, early 40s at most.
in their 20s, 30s, early 40s at most.
165
503251
6123
la mayoría lo hicieron
a los 20, los 30 o máximo los 40.
a los 20, los 30 o máximo los 40.
08:41
But there's a problem
with this genius research.
with this genius research.
166
509914
2791
Pero esta investigación tiene un problema.
08:45
Well, first of all, it created
the impression to us
the impression to us
167
513197
3280
Primero que nada, nos dio la impresión
08:48
that creativity equals youth,
168
516501
3479
de que la creatividad
se relaciona con la juventud.
se relaciona con la juventud.
08:52
which is painful, right?
169
520004
1610
Eso duele, ¿cierto?
08:53
(Laughter)
170
521638
1951
(Risas)
08:55
And it also has an observational bias,
171
523613
4088
También tiene un margen de error
08:59
because it only looks at geniuses
and doesn't look at ordinary scientists
and doesn't look at ordinary scientists
172
527725
4962
porque solo toma en cuenta a genios
y no a científicos comunes.
y no a científicos comunes.
09:04
and doesn't look at all of us and ask,
173
532711
1965
Tampoco a nosotros para preguntar
09:06
is it really true that creativity
vanishes as we age?
vanishes as we age?
174
534700
3185
si es verdad que la creatividad
se desvanece al envejecer.
se desvanece al envejecer.
09:10
So that's exactly what we tried to do,
175
538382
1877
Es justo lo que intentamos hacer,
09:12
and this is important for that
to actually have references.
to actually have references.
176
540283
3803
lo cual es importante
para que hayan referencias.
para que hayan referencias.
09:16
So let's look at an ordinary
scientist like myself,
scientist like myself,
177
544110
2643
Veamos a un científico común, como yo.
09:18
and let's look at my career.
178
546777
1522
Veamos mi carrera.
09:20
So what you see here is all the papers
that I've published
that I've published
179
548323
3202
Estos son todos los artículos
que he publicado,
que he publicado,
09:23
from my very first paper, in 1989;
I was still in Romania when I did so,
I was still in Romania when I did so,
180
551549
5115
desde el primero en 1989,
aún estaba en Rumania cuando lo hice,
aún estaba en Rumania cuando lo hice,
09:28
till kind of this year.
181
556688
1593
hasta el de este año.
09:30
And vertically, you see
the impact of the paper,
the impact of the paper,
182
558940
2518
De manera vertical
pueden ver su impacto
pueden ver su impacto
09:33
that is, how many citations,
183
561482
1403
con el número de citaciones.
09:34
how many other papers
have been written that cited that work.
have been written that cited that work.
184
562909
3988
Es decir, cuántos artículos
han citado este trabajo.
han citado este trabajo.
09:39
And when you look at that,
185
567397
1300
Si nos fijamos en eso
podemos ver que mi carrera
tiene tres diferentes etapas.
tiene tres diferentes etapas.
09:40
you see that my career
has roughly three different stages.
has roughly three different stages.
186
568721
2813
Están los primeros diez años
en los que trabajaba mucho
en los que trabajaba mucho
09:43
I had the first 10 years
where I had to work a lot
where I had to work a lot
187
571558
2435
sin conseguir demasiado.
09:46
and I don't achieve much.
188
574017
1276
Al parecer, a nadie le importaba
mi trabajo, ¿cierto?
mi trabajo, ¿cierto?
09:47
No one seems to care
about what I do, right?
about what I do, right?
189
575317
2118
09:49
There's hardly any impact.
190
577459
1681
No hubo gran impacto.
09:51
(Laughter)
191
579164
1404
(Risas)
09:52
That time, I was doing material science,
192
580592
2887
En ese entonces,
me dedicaba a la ciencia de materiales
me dedicaba a la ciencia de materiales
09:55
and then I kind of discovered
for myself networks
for myself networks
193
583503
3691
y después descubrí las redes
09:59
and then started publishing in networks.
194
587218
1947
e hice publicaciones sobre el tema.
10:01
And that led from one high-impact
paper to the other one.
paper to the other one.
195
589189
3073
De ahí fue éxito tras éxito.
10:04
And it really felt good.
That was that stage of my career.
That was that stage of my career.
196
592286
3104
Se sintió muy bien.
Fue esa etapa de mi carrera.
Fue esa etapa de mi carrera.
10:07
(Laughter)
197
595414
1282
(Risas)
10:08
So the question is,
what happens right now?
what happens right now?
198
596720
3208
La cuestión es, ¿qué sucede ahora?
10:12
And we don't know, because there
hasn't been enough time passed yet
hasn't been enough time passed yet
199
600587
3239
No lo sabemos, porque
no ha pasado suficiente tiempo
no ha pasado suficiente tiempo
para determinar el impacto que tendrán.
10:15
to actually figure out how much impact
those papers will get;
those papers will get;
200
603850
2987
Eso toma tiempo.
10:18
it takes time to acquire.
201
606861
1227
Si vemos los datos
10:20
Well, when you look at the data,
202
608112
1569
pareciera que Einstein
y Genius Research tienen razón
y Genius Research tienen razón
10:21
it seems to be that Einstein,
the genius research, is right,
the genius research, is right,
203
609705
2854
10:24
and I'm at that stage of my career.
204
612583
1811
y ya no estoy en el mejor momento.
10:26
(Laughter)
205
614418
2308
(Risas)
10:28
So we said, OK, let's figure out
how does this really happen,
how does this really happen,
206
616750
5974
Así que quisimos descifrar
cómo es que esto sucede,
cómo es que esto sucede,
10:34
first in science.
207
622748
1778
primero en la ciencia.
10:36
And in order not to have
the selection bias,
the selection bias,
208
624550
3632
Para que no hubiera un sesgo de selección,
10:40
to look only at geniuses,
209
628206
1337
al fijarnos solo en genios
10:41
we ended up reconstructing the career
of every single scientist
of every single scientist
210
629567
3716
terminamos reconstruyendo
la carrera de cada científico
la carrera de cada científico
10:45
from 1900 till today
211
633307
2502
desde 1900 hasta la fecha
10:47
and finding for all scientists
what was their personal best,
what was their personal best,
212
635833
3712
para encontrar la cúspide
de todos los científicos.
de todos los científicos.
10:51
whether they got the Nobel Prize
or they never did,
or they never did,
213
639569
2812
Tal vez ganaron un premio Nobel
o tal vez no lo hicieron
o tal vez no lo hicieron
10:54
or no one knows what they did,
even their personal best.
even their personal best.
214
642405
3407
o nadie sabe de su trabajo,
incluso el mejor de ellos.
incluso el mejor de ellos.
10:57
And that's what you see in this slide.
215
645836
1915
Esto es lo que ven aquí.
10:59
Each line is a career,
216
647775
1573
Cada línea es una carrera
11:01
and when you have a light blue dot
on the top of that career,
on the top of that career,
217
649372
3003
y el punto azul en cada carrera
11:04
it says that was their personal best.
218
652399
2040
muestra su mayor éxito.
11:06
And the question is,
219
654463
1155
La cuestión es,
11:07
when did they actually make
their biggest discovery?
their biggest discovery?
220
655642
3568
¿cuándo hicieron
su mayor descubrimiento?
su mayor descubrimiento?
11:11
To quantify that,
221
659234
1165
Para medir eso
11:12
we look at what's the probability
that you make your biggest discovery,
that you make your biggest discovery,
222
660423
3376
nos fijamos en las probabilidades
de hacer su mayor descubrimiento.
de hacer su mayor descubrimiento.
Tal vez en uno, dos, tres
o diez años de carrera.
o diez años de carrera.
11:15
let's say, one, two, three
or 10 years into your career?
or 10 years into your career?
223
663823
2672
11:18
We're not looking at real age.
224
666519
1480
No nos fijamos en la edad real.
Nos fijamos en lo que llamamos
edad académica.
edad académica.
11:20
We're looking at
what we call "academic age."
what we call "academic age."
225
668023
2134
11:22
Your academic age starts
when you publish your first papers.
when you publish your first papers.
226
670181
3250
La edad académica empieza
con las primeras publicaciones.
con las primeras publicaciones.
11:25
I know some of you are still babies.
227
673455
1779
Sé que algunos de Uds. aún son bebés.
11:27
(Laughter)
228
675258
1397
(Risas)
11:28
So let's look at the probability
229
676679
2706
Analicemos la probabilidad
11:31
that you publish
your highest-impact paper.
your highest-impact paper.
230
679409
2066
de publicar su mejor artículo.
11:33
And what you see is, indeed,
the genius research is right.
the genius research is right.
231
681499
3071
Aquí vemos que Genius Research
está en lo correcto.
está en lo correcto.
11:36
Most scientists tend to publish
their highest-impact paper
their highest-impact paper
232
684594
3024
La mayoría de los científicos
suelen publicar su mejor artículo
suelen publicar su mejor artículo
11:39
in the first 10, 15 years in their career,
233
687642
2899
en los primeros 10 o 15 años
de su carrera profesional,
de su carrera profesional,
11:42
and it tanks after that.
234
690565
3133
para venirse abajo después.
11:45
It tanks so fast that I'm about --
I'm exactly 30 years into my career,
I'm exactly 30 years into my career,
235
693722
5107
Sucede tan rápido que estoy por...
llevo 30 años de carrera profesional,
llevo 30 años de carrera profesional,
11:50
and the chance that I will publish a paper
that would have a higher impact
that would have a higher impact
236
698853
3540
y las probabilidades de que publique
un artículo que tenga un mayor impacto
un artículo que tenga un mayor impacto
11:54
than anything that I did before
237
702417
1940
de lo que he hecho anteriormente
11:56
is less than one percent.
238
704381
1353
son menores al 1 %.
11:57
I am in that stage of my career,
according to this data.
according to this data.
239
705758
3049
Estoy en esa etapa profesional,
de acuerdo con esta información.
de acuerdo con esta información.
12:01
But there's a problem with that.
240
709648
1843
Pero hay un problema.
12:03
We're not doing controls properly.
241
711515
3675
No hemos hecho un control apropiado.
12:07
So the control would be,
242
715214
1417
Esto se haría preguntándonos
12:08
what would a scientist look like
who makes random contribution to science?
who makes random contribution to science?
243
716655
4607
¿cómo sería un científico que contribuye
aleatoriamente a la ciencia?
aleatoriamente a la ciencia?
12:13
Or what is the productivity
of the scientist?
of the scientist?
244
721286
2995
¿Cuál es su nivel de productividad?
12:16
When do they write papers?
245
724305
2006
¿Cuándo escriben artículos?
12:18
So we measured the productivity,
246
726335
2444
Medimos la productividad
12:20
and amazingly, the productivity,
247
728803
2052
y sorprendentemente, la productividad
12:22
your likelihood of writing a paper
in year one, 10 or 20 in your career,
in year one, 10 or 20 in your career,
248
730879
4131
o la posibilidad de escribir un artículo
en su primer, décimo o veinteavo año
en su primer, décimo o veinteavo año
12:27
is indistinguishable from the likelihood
of having the impact
of having the impact
249
735034
3606
es equivalente a la posibilidad
de que este tenga éxito
de que este tenga éxito
12:30
in that part of your career.
250
738664
1775
en ese momento de su carrera profesional.
12:33
And to make a long story short,
251
741026
1783
En pocas palabras,
12:34
after lots of statistical tests,
there's only one explanation for that,
there's only one explanation for that,
252
742833
4228
después de muchos estudios,
solo hay una explicación para ello.
solo hay una explicación para ello.
12:39
that really, the way we scientists work
253
747085
2894
En realidad, por la forma de trabajar
de los científicos,
de los científicos,
12:42
is that every single paper we write,
every project we do,
every project we do,
254
750003
3633
cada artículo que escribamos,
cada proyecto que hagamos
cada proyecto que hagamos
12:45
has exactly the same chance
of being our personal best.
of being our personal best.
255
753660
4160
tiene exactamente la misma posibilidad
de ser nuestro mejor trabajo.
de ser nuestro mejor trabajo.
12:49
That is, discovery is like
a lottery ticket.
a lottery ticket.
256
757844
4953
Es decir que el descubrimiento
es como un boleto de lotería.
es como un boleto de lotería.
12:54
And the more lottery tickets we buy,
257
762821
2351
Mientras más boletos compremos
12:57
the higher our chances.
258
765196
1507
más oportunidades tendremos.
12:58
And it happens to be so
259
766727
1559
Resulta que así sucede.
La mayoría de los científicos
compra la mayoría de sus boletos
compra la mayoría de sus boletos
13:00
that most scientists buy
most of their lottery tickets
most of their lottery tickets
260
768310
2719
13:03
in the first 10, 15 years of their career,
261
771053
2460
en sus primeros 10 o 15 años de carrera.
13:05
and after that,
their productivity decreases.
their productivity decreases.
262
773537
3413
Y después, su productividad disminuye.
13:09
They're not buying
any more lottery tickets.
any more lottery tickets.
263
777411
2084
Ya no compran boletos de lotería.
13:11
So it looks as if
they would not be creative.
they would not be creative.
264
779519
3444
Así que pareciera que no son creativos,
13:14
In reality, they stopped trying.
265
782987
1999
cuando en realidad, dejaron de intentar.
13:17
So when we actually put the data together,
the conclusion is very simple:
the conclusion is very simple:
266
785509
3915
Cuando combinamos la información,
la conclusión es muy simple.
la conclusión es muy simple.
13:21
success can come at any time.
267
789448
2331
El éxito puede llegar
en cualquier momento.
en cualquier momento.
13:23
It could be your very first
or very last paper of your career.
or very last paper of your career.
268
791803
3735
Puede llegar con el primer
o con el último artículo de su carrera.
o con el último artículo de su carrera.
13:27
It's totally random
in the space of the projects.
in the space of the projects.
269
795562
4288
Es algo completamente aleatorio
en el espacio de proyectos.
en el espacio de proyectos.
13:31
It is the productivity that changes.
270
799874
1931
Lo que cambia es la productividad.
13:33
Let me illustrate that.
271
801829
1252
Permítanme explicarles.
13:35
Here is Frank Wilczek,
who got the Nobel Prize in Physics
who got the Nobel Prize in Physics
272
803105
3269
Él es Frank Wilczek,
quien obtuvo el Premio Nobel en Física
quien obtuvo el Premio Nobel en Física
13:38
for the very first paper he ever wrote
in his career as a graduate student.
in his career as a graduate student.
273
806398
4101
por el primer artículo que escribió
estando en el último año de su carrera.
estando en el último año de su carrera.
13:42
(Laughter)
274
810523
1007
(Risas)
13:43
More interesting is John Fenn,
275
811554
3218
Aún más interesante, él es John Fenn.
13:46
who, at age 70, was forcefully retired
by Yale University.
by Yale University.
276
814796
4598
Lo expulsaron de Yale a los 70 años.
13:51
They shut his lab down,
277
819418
2056
Cerraron su laboratorio,
13:53
and at that moment, he moved
to Virginia Commonwealth University,
to Virginia Commonwealth University,
278
821498
3666
y fue entonces cuando se fue
a la universidad de Commonwealth Virginia,
a la universidad de Commonwealth Virginia,
13:57
opened another lab,
279
825188
1786
y abrió otro laboratorio.
13:58
and it is there, at age 72,
that he published a paper
that he published a paper
280
826998
3033
Fue ahí, a sus 72 años,
que publicó un artículo
que publicó un artículo
14:02
for which, 15 years later, he got
the Nobel Prize for Chemistry.
the Nobel Prize for Chemistry.
281
830055
3845
por el cual, 15 años después,
ganó el Premio Nobel de Química.
ganó el Premio Nobel de Química.
14:06
And you think, OK,
well, science is special,
well, science is special,
282
834940
3042
Seguro pensarán, bueno,
la ciencia es algo especial,
la ciencia es algo especial,
14:10
but what about other areas
where we need to be creative?
where we need to be creative?
283
838006
3463
pero qué hay de las otras áreas
en las que se debe ser creativo.
en las que se debe ser creativo.
14:13
So let me take another
typical example: entrepreneurship.
typical example: entrepreneurship.
284
841493
4936
Permítanme darles
otro ejemplo: el emprendimiento.
otro ejemplo: el emprendimiento.
14:18
Silicon Valley,
285
846834
1579
Silicon Valley,
14:20
the land of the youth, right?
286
848437
2066
es la tierra de la juventud, ¿cierto?
14:22
And indeed, when you look at it,
287
850527
1595
Es cierto que si nos fijamos
14:24
you realize that the biggest awards,
the TechCrunch Awards and other awards,
the TechCrunch Awards and other awards,
288
852146
4642
podemos ver que los mejores premios,
como los premios TechCrunch, entre otros,
como los premios TechCrunch, entre otros,
14:28
are all going to people
289
856812
2173
los reciben personas
14:31
whose average age
is late 20s, very early 30s.
is late 20s, very early 30s.
290
859009
5015
con una edad promedio entre
finales de los 20 y principios de los 30.
finales de los 20 y principios de los 30.
14:36
You look at who the VCs give the money to,
some of the biggest VC firms --
some of the biggest VC firms --
291
864465
5602
Si vemos quiénes reciben financiamientos,
de algunas de las más grandes empresas,
de algunas de las más grandes empresas,
14:42
all people in their early 30s.
292
870091
2241
todas son personas de apenas 30 años.
14:44
Which, of course, we know;
293
872951
1265
Ya sabemos
14:46
there is this ethos in Silicon Valley
that youth equals success.
that youth equals success.
294
874240
4453
que en Silicon Valley se cree
que la juventud se relaciona con el éxito.
que la juventud se relaciona con el éxito.
14:51
Not when you look at the data,
295
879653
2183
Los datos dicen lo contrario,
14:53
because it's not only
about forming a company --
about forming a company --
296
881860
2304
pues no solo se trata
de crear compañías.
de crear compañías.
Crear una compañía es seguir intentando,
como con la productividad.
como con la productividad.
14:56
forming a company is like productivity,
trying, trying, trying --
trying, trying, trying --
297
884188
3140
14:59
when you look at which
of these individuals actually put out
of these individuals actually put out
298
887352
3484
Cuando vemos quiénes en realidad
15:02
a successful company, a successful exit.
299
890860
2782
crearon una compañía y un camino exitoso.
15:05
And recently, some of our colleagues
looked at exactly that question.
looked at exactly that question.
300
893666
3720
Recientemente, algunos compañeros
se fijaron en esa pregunta.
se fijaron en esa pregunta.
15:09
And it turns out that yes,
those in the 20s and 30s
those in the 20s and 30s
301
897410
3156
Y resulta que sí,
quienes tienen entre 20 y 30 años
quienes tienen entre 20 y 30 años
15:12
put out a huge number of companies,
form lots of companies,
form lots of companies,
302
900590
3348
crearon un gran número de compañías,
15:15
but most of them go bust.
303
903962
1531
pero la mayoría quebraron.
15:18
And when you look at the successful exits,
what you see in this particular plot,
what you see in this particular plot,
304
906089
4195
Si nos fijamos en los caminos exitosos,
lo que se ve en este caso en particular,
lo que se ve en este caso en particular,
15:22
the older you are, the more likely that
you will actually hit the stock market
you will actually hit the stock market
305
910308
3695
es que mientras más edad tengas
más probabilidades tienes de lograrlo
más probabilidades tienes de lograrlo
15:26
or the sell the company successfully.
306
914027
2312
o de crear una compañía exitosa.
15:28
This is so strong, actually,
that if you are in the 50s,
that if you are in the 50s,
307
916847
3113
Esto es tan serio que, en realidad,
con 50 años de edad,
con 50 años de edad,
15:31
you are twice as likely
to actually have a successful exit
to actually have a successful exit
308
919984
3588
se tiene el doble de probabilidades
de formar un camino exitoso,
de formar un camino exitoso,
15:35
than if you are in your 30s.
309
923596
1890
que con 30 años de edad.
15:38
(Applause)
310
926613
4325
(Aplausos)
15:43
So in the end, what is it
that we see, actually?
that we see, actually?
311
931645
3009
Al final de cuentas,
¿qué es lo que vemos en realidad?
¿qué es lo que vemos en realidad?
15:46
What we see is that creativity has no age.
312
934678
4083
Vemos que la creatividad no tiene edad.
15:50
Productivity does, right?
313
938785
2202
La productividad sí, ¿cierto?
15:53
Which is telling me that
at the end of the day,
at the end of the day,
314
941424
4135
Lo que me dice que, al fin de cuentas,
15:57
if you keep trying --
315
945583
2000
si seguimos intentando...
15:59
(Laughter)
316
947607
2403
(Risas)
16:02
you could still succeed
and succeed over and over.
and succeed over and over.
317
950034
3572
... aún podemos tener éxito
una y otra vez.
una y otra vez.
16:05
So my conclusion is very simple:
318
953630
2391
Mi conclusión es muy simple.
Al bajar del escenario
regreso al laboratorio.
regreso al laboratorio.
16:08
I am off the stage, back in my lab.
319
956045
2093
16:10
Thank you.
320
958162
1171
Gracias.
16:11
(Applause)
321
959357
3309
(Aplausos)
ABOUT THE SPEAKER
Albert-László Barabási - Network scientistA pioneer in network science, Albert-László Barabási uncovers the hidden order behind complex systems.
Why you should listen
Albert-László Barabási is fascinated by a wide range of topics, from the structure of the brain and treating diseases with network medicine to the emergence of success in art and how science really works. His work uses the quantitative tools of network science, a research field that he pioneered, and led to the discovery of scale-free networks, helping explain the emergence of many natural, technological and social networks.
Barabási is the Robert Gray Dodge Professor of Network Science at Northeastern University and holds an appointment in the Department of Medicine at Harvard Medical School. He splits his time with Budapest, where he runs a European Research Council project at Central European University. A Hungarian born native of Transylvania, Romania, he received his masters in theoretical physics at the Eötvös University in Budapest, Hungary and his PhD three years later at Boston University.
Barabási’s latest book is The Formula: The Universal Laws of Success. He is also the author of Network Science, Linked and Bursts. He co-edited Network Medicine and The Structure and Dynamics of Networks. His books have been translated into over twenty languages.
Albert-László Barabási | Speaker | TED.com