ABOUT THE SPEAKER
Albert-László Barabási - Network scientist
A 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 ScienceLinked and Bursts. He co-edited Network Medicine and The Structure and Dynamics of Networks. His books have been translated into over twenty languages.

More profile about the speaker
Albert-László Barabási | Speaker | TED.com
TEDxMidAtlantic

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

Barabási Albert László: Van-e kapcsolat az életkor és a siker között?

Filmed:
2,762,222 views

Barabási Albert László hálózatkutató matematikai eszközök segítségével vizsgálja a siker mibenlétét - az élet bármely területén érjük is el azt -, és bemutatja, mi a kapcsolat az életkor és annak esélye között, hogy sikeresek lehetünk.
- Network scientist
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.

A mai nap igazán különleges számomra,
00:12
TodayMa, actuallytulajdonképpen, is
a very specialkülönleges day for me,
0
249
2266
00:14
because it is my birthdayszületésnap.
1
2539
2121
ugyanis ma van a születésnapom.
00:16
(ApplauseTaps)
2
4684
3973
(Taps)
00:20
And so, thanksKösz to all of you
for joiningösszekötő the partyparty.
3
8681
3441
Szóval köszönöm, hogy eljöttek a partimra.
00:24
(LaughterNevetés)
4
12146
1167
(Nevetés)
00:25
But everyminden time you throwdobás a partyparty,
there's someonevalaki there to spoilmeddő it. Right?
5
13337
4786
De ha buli van, mindig van valaki,
aki azt elrontja. Igaz?
00:30
(LaughterNevetés)
6
18147
1072
(Nevetés)
00:31
And I'm a physicistfizikus,
7
19243
1359
Fizikus vagyok,
00:32
and this time I broughthozott
anotheregy másik physicistfizikus alongmentén to do so.
8
20626
4157
és ma egy másik fizikust hoztam magammal,
hogy betöltse ezt a szerepet.
00:36
His namenév is AlbertAlbert EinsteinEinstein --
alsois AlbertAlbert -- and he's the one who said
9
24807
4562
A neve Albert Einstein, tehát ő is Albert.
Ő mondta azt, hogy aki nem alkotott
a tudomány terén semmi maradandót
00:41
that the personszemély who has not madekészült
his great contributionshozzájárulások to sciencetudomány
10
29393
4830
00:46
by the agekor of 30
11
34247
1559
30 éves koráig,
00:47
will never do so.
12
35830
1396
az már nem is fog.
00:49
(LaughterNevetés)
13
37250
1012
(Nevetés)
00:50
Now, you don't need to checkjelölje be WikipediaWikipédia
14
38286
2340
Gondolom, nem kell megnézniük
a Wikipediát, hogy lássák,
00:52
that I'm beyondtúl 30.
15
40650
1571
elmúltam már 30.
00:54
(LaughterNevetés)
16
42245
1416
(Nevetés)
00:55
So, effectivelyhatékonyan, what
he is tellingsokatmondó me, and us,
17
43685
3606
Amit tehát Einstein mond, azt jelenti,
00:59
is that when it comesjön to my sciencetudomány,
18
47315
2544
hogy ha a szakterületemről
van szó, annyit se érek már,
01:01
I'm deadwoodDeadwood.
19
49883
1203
mint egy száraz kóró.
01:04
Well, luckilyszerencsére, I had my shareOssza meg
of luckszerencse withinbelül my careerkarrier.
20
52078
5586
Mindenesetre, ami a karrieremet illeti,
több szempontból is szerencsém volt.
01:10
Around agekor 28, I becamelett
very interestedérdekelt in networkshálózatok,
21
58132
3822
28 éves voltam, mikor elkezdtem
hálózatokkal foglalkozni.
01:13
and a fewkevés yearsévek latera későbbiekben, we managedsikerült
to publishközzétesz a fewkevés keykulcs paperspapírok
22
61978
4076
Néhány évvel később pedig
két fontos tanulmányt is publikáltunk,
01:18
that reportedjelentett the discoveryfelfedezés
of scale-freeméretmentes networkshálózatok
23
66078
4097
melyekben a skálafüggetlen hálózatok
felfedezéséről számoltunk be,
01:22
and really gaveadott birthszületés to a newúj disciplinefegyelem
that we call networkhálózat sciencetudomány todayMa.
24
70199
4578
és ezzel megszületett egy új tudományág,
melyet ma hálózatkutatásnak nevezünk.
01:26
And if you really caregondoskodás about it,
you can get a PhDPhD now in networkhálózat sciencetudomány
25
74801
3678
Ha esetleg érdekel valakit,
hálózatkutatásból már doktorálni is lehet
01:30
in BudapestBudapest, in BostonBoston,
26
78503
2028
Budapesten, Bostonban;
01:32
and you can studytanulmány it all over the worldvilág.
27
80555
2308
és a világ számos pontján van ilyen szak.
01:35
A fewkevés yearsévek latera későbbiekben,
28
83466
1595
Néhány évvel később,
01:37
when I movedköltözött to HarvardHarvard
first as a sabbaticalalkotói,
29
85085
3230
mikor először jöttem a Harvardra –
szabadságot kaptam erre az időre –,
01:40
I becamelett interestedérdekelt
in anotheregy másik typetípus of networkhálózat:
30
88339
3092
egy másik hálózattípus
keltette fel az érdeklődésem:
01:43
that time, the networkshálózatok withinbelül ourselvesminket,
31
91455
3027
akkor a sejtjeinken belüli
hálózatokkal kezdtem foglalkozni,
01:46
how the genesgének and the proteinsfehérjék
and the metabolitesmetabolitok linklink to eachminden egyes other
32
94506
3726
egész pontosan azzal, hogyan kapcsolódnak
a gének, a fehérjék és a metabolitok,
01:50
and how they connectkapcsolódni to diseasebetegség.
33
98256
2493
és hogy ez hogyan hat
a betegségek kialakulására.
01:53
And that interestérdeklődés led
to a majorJelentősebb explosionrobbanás withinbelül medicinegyógyszer,
34
101368
4592
Ez a fajta érdeklődés robbanásszerű
változást hozott az orvostudományba,
01:57
includingbeleértve the NetworkHálózati MedicineOrvostudomány
DivisionOsztály at HarvardHarvard,
35
105984
3979
és hatással volt például a Harvard
Hálózati Orvostudomány tanszékére is,
02:01
that has more than 300 researcherskutatók
who are usinghasználva this perspectivetávlati
36
109987
3395
ahol több mint 300 kutató
használja ma ezt az elméletet
02:05
to treatcsemege patientsbetegek and developfejleszt newúj cureskúrák.
37
113406
2897
a gyógyítás és az új gyógymódok
kifejlesztésének szolgálatában.
02:09
And a fewkevés yearsévek agoezelőtt,
38
117457
1770
Néhány évvel ezelőtt úgy gondoltam,
02:11
I thought that I would take
this ideaötlet of networkshálózatok
39
119251
2526
hogy a hálózatokról alkotott elméleteket
02:13
and the expertiseszakvélemény we had in networkshálózatok
40
121801
1766
és az itt szerzett ismereteket
02:15
in a differentkülönböző areaterület,
41
123591
1392
egy másik területre viszem át,
02:17
that is, to understandmegért successsiker.
42
125007
1982
és megpróbálom megfejteni a siker titkát.
02:19
And why did we do that?
43
127704
1210
Mi is volt ezzel a cél?
02:20
Well, we thought that, to some degreefokozat,
44
128938
2281
Úgy gondoltuk, hogy bizonyos mértékben
02:23
our successsiker is determinedeltökélt
by the networkshálózatok we're partrész of --
45
131243
3377
a siker is attól függ,
milyen hálózatoknak vagyunk tagjai:
02:26
that our networkshálózatok can pushnyom us forwardelőre,
they can pullHúzni us back.
46
134644
3847
hálózataink lendületet adhatnak,
de vissza is húzhatnak.
02:30
And I was curiouskíváncsi if we could use
the knowledgetudás and bignagy dataadat and expertiseszakvélemény
47
138925
4128
Arra voltam kíváncsi, felhasználható-e
az a tudás, adatmennyiség és gyakorlat,
02:35
where we developfejleszt the networkshálózatok
48
143077
1403
melyet a hálózatkutatás során
eddig megszereztünk arra,
02:36
to really quantifyszámszerűsíteni
how these things happentörténik.
49
144504
3296
hogy a sikert mérni tudjuk.
02:40
This is a resulteredmény from that.
50
148404
1342
A következő eredményre jutottunk.
02:41
What you see here is a networkhálózat
of galleriesgalériák in museumsmúzeumok
51
149770
2947
Amit itt látnak, különböző
múzeumok bemutatótermei,
02:44
that connectkapcsolódni to eachminden egyes other.
52
152741
1632
melyek mind kapcsolatban állnak egymással.
02:46
And throughkeresztül this maptérkép
that we mappedrendelve out last yearév,
53
154806
4055
Tavaly készültünk el azzal a térképpel,
melynek segítségével
02:50
we are ableképes to predictmegjósolni very accuratelypontosan
the successsiker of an artistművész
54
158885
4848
meglehetősen pontosan meg tudtuk
határozni egy művész jövőbeli sikerét,
02:55
if you give me the first fiveöt exhibitskiállítások
that he or she had in theirazok careerkarrier.
55
163757
4021
ha pályafutása első öt kiállításának
adatai a rendelkezésünkre álltak.
03:01
Well, as we thought about successsiker,
56
169404
2706
Ahogy a siker mibenlétén gondolkodtunk,
03:04
we realizedrealizált that successsiker
is not only about networkshálózatok;
57
172134
3067
rájöttünk, hogy a siker
nemcsak a hálózatokon múlik,
03:07
there are so manysok
other dimensionsméretek to that.
58
175225
2396
hanem nagyon sok egyéb tényezőn is.
03:10
And one of the things
we need for successsiker, obviouslymagától értetődően,
59
178145
3247
Ezek közül az egyik nyilvánvalóan
03:13
is performanceteljesítmény.
60
181416
1170
a teljesítmény.
Nézzük, mi a különbség
a teljesítmény és a siker között.
03:14
So let's definemeghatározzák what's the differencekülönbség
betweenközött performanceteljesítmény and successsiker.
61
182610
3504
03:18
Well, performanceteljesítmény is what you do:
62
186465
1997
A teljesítmény nem más,
mint amit csinálunk:
03:20
how fastgyors you runfuss,
what kindkedves of paintingsfestmények you paintfesték,
63
188486
3032
hogyan futunk,
milyen képeket festünk,
03:23
what kindkedves of paperspapírok you publishközzétesz.
64
191542
1881
milyen tanulmányokat publikálunk.
03:25
HoweverAzonban, in our workingdolgozó definitionmeghatározás,
65
193835
2614
Jelenlegi definíciónk
szerint azonban a siker az,
03:28
successsiker is about what the communityközösség
noticesközlemények from what you did,
66
196473
4205
amit a körülöttünk élők
ebből a tevékenységből,
vagyis a teljesítményből észlelnek.
03:32
from your performanceteljesítmény:
67
200702
1612
03:34
How does it acknowledgeelismerni it,
and how does it rewardjutalom you for it?
68
202338
4132
Hogyan ismerik el ezt a teljesítményt?
Mivel jutalmazzák?
03:38
In other termsfeltételek,
69
206494
1182
Más szóval,
03:39
your performanceteljesítmény is about you,
but your successsiker is about all of us.
70
207700
4596
a teljesítmény tőlünk függ,
a siker viszont a többiektől.
03:45
And this was a very
importantfontos shiftváltás for us,
71
213392
3334
Ez nagyon fontos állomása
volt a munkánknak,
03:48
because the momentpillanat we definedmeghatározott successsiker
as beinglény a collectivekollektív measuremérték
72
216750
4024
hiszen amint a sikert
meghatározhattuk úgy,
mint a környezetünkből
érkező kollektív mérőszámot,
03:52
that the communityközösség provideselőírja to us,
73
220798
2106
03:54
it becamelett measurablemérhető,
74
222928
1510
máris mérhetővé tettük.
03:56
because if it's in the communityközösség,
there are multipletöbbszörös dataadat pointspont about that.
75
224462
4510
Vagyis ha a siker a környezet függvénye,
számos adat áll rendelkezésünkre.
04:00
So we go to schooliskola,
we exercisegyakorlat, we practicegyakorlat,
76
228996
5280
Iskolába járunk,
képezzük magunkat, gyakorolunk,
04:06
because we believe
that performanceteljesítmény leadsvezet to successsiker.
77
234300
2991
mert úgy tudjuk,
a siker záloga a teljesítmény.
04:09
But the way we actuallytulajdonképpen
startedindult to exploreFedezd fel,
78
237832
2015
Kutatásainkból viszont kiderült,
04:11
we realizedrealizált that performanceteljesítmény and successsiker
are very, very differentkülönböző animalsállatok
79
239871
3527
hogy a teljesítmény és a siker
két nagyon, nagyon különböző állat,
04:15
when it comesjön to
the mathematicsmatematika of the problemprobléma.
80
243422
2444
ha matematikai szempontból
vizsgáljuk a kérdést.
04:18
And let me illustrateszemléltet that.
81
246429
1432
Hadd hozzak erre egy példát.
04:20
So what you see here is
the fastestleggyorsabb man on earthföld, UsainUsain BoltCsavar.
82
248329
4947
Ezen a felvételen a világ leggyorsabb
emberét, Usain Boltot látják,
04:25
And of coursetanfolyam, he winsgyőzelem mosta legtöbb of
the competitionsversenyek that he entersbelép.
83
253832
3910
aki természetesen szinte minden versenyt
megnyer, amin csak indul.
04:30
And we know he's the fastestleggyorsabb on earthföld
because we have a chronometerKronométer
84
258393
3175
Abból tudjuk, hogy ő
a világon a leggyorsabb,
mert a sebességét kronométerrel mérhetjük.
04:33
to measuremérték his speedsebesség.
85
261592
1160
04:34
Well, what is interestingérdekes about him
is that when he winsgyőzelem,
86
262776
4119
Bolttal kapcsolatban különösen
érdekes, hogy mikor nyer,
04:38
he doesn't do so by really significantlyszignifikánsan
outrunninglépteit his competitionverseny.
87
266919
5502
nem azért nyer, mert sokkal
gyorsabban fut, mint a többiek.
04:44
He's runningfutás at mosta legtöbb a percentszázalék fastergyorsabb
than the one who losesveszít the raceverseny.
88
272445
4519
Maximum egy százalékkal fut
gyorsabban, mint a második, aki veszít.
04:49
And not only does he runfuss only
one percentszázalék fastergyorsabb than the secondmásodik one,
89
277631
3638
És az még hagyján, hogy a második
helyezettnél csak 1%-kal gyorsabb,
04:53
but he doesn't runfuss
10 timesalkalommal fastergyorsabb than I do --
90
281293
2849
de nálam sem tud tízszer gyorsabban futni,
04:56
and I'm not a good runnerRunner,
trustbizalom me on that.
91
284166
2181
pedig higgyék el,
nem vagyok valami nagy futó.
04:58
(LaughterNevetés)
92
286371
1197
(Nevetés)
04:59
And everyminden time we are ableképes
to measuremérték performanceteljesítmény,
93
287592
3502
Minden egyes alkalommal,
mikor teljesítményt mérünk,
05:03
we noticeértesítés something very interestingérdekes;
94
291118
2050
valami nagyon érdekes derül ki,
05:05
that is, performanceteljesítmény is boundedkorlátos.
95
293192
2511
mégpedig az,
hogy a teljesítmény korlátos.
05:07
What it meanseszközök is that there are
no hugehatalmas variationsvariációk in humanemberi performanceteljesítmény.
96
295727
3757
Azt értem ezalatt, hogy nincsenek nagy
különbségek az emberi teljesítményben:
05:11
It variesváltozó only in a narrowkeskeny rangehatótávolság,
97
299508
3432
az eredmények szűk skálán mozognak,
05:14
and we do need the chronometerKronométer
to measuremérték the differenceskülönbségek.
98
302964
3279
és nagy szükségünk van kronométerre,
hogy a különbséget mérni tudjuk.
Ez persze nem azt jelenti, hogy a jót
a legjobbtól ne tudnánk megkülönböztetni,
05:18
This is not to say that we cannotnem tud
see the good from the bestlegjobb onesazok,
99
306267
3168
05:21
but the bestlegjobb onesazok
are very hardkemény to distinguishkülönbséget tesz.
100
309459
2733
de a legjobbakat
tényleg nehéz kiszűrni.
05:24
And the problemprobléma with that
is that mosta legtöbb of us work in areasnak
101
312216
2992
A probléma ugyanis az, hogy legtöbben
olyan területen dolgozunk,
05:27
where we do not have a chronometerKronométer
to gaugenyomtáv our performanceteljesítmény.
102
315232
3922
ahol a teljesítmény nem mérhető
időmérő eszközökkel.
05:31
AlrightRendben van, performanceteljesítmény is boundedkorlátos,
103
319178
1564
Azt tehát értjük,
hogy a teljesítmény kötött,
05:32
there are no hugehatalmas differenceskülönbségek betweenközött us
when it comesjön to our performanceteljesítmény.
104
320766
3532
és e tekintetben
nincsenek köztünk nagy különbségek.
05:36
How about successsiker?
105
324322
1157
De mi a helyzet a sikerrel?
05:37
Well, let's switchkapcsoló to
a differentkülönböző topictéma, like bookskönyvek.
106
325995
2930
Nézzünk most egy másik témát:
például a könyveket.
05:40
One measuremérték of successsiker for writersírók is
how manysok people readolvas your work.
107
328949
5015
Az írók számára az egyik mérőszám az,
hogy hányan olvassák a könyveiket.
05:46
And so when my previouselőző bookkönyv
camejött out in 2009,
108
334662
4410
Így aztán, mikor az előző könyvem
2009-ben megjelent,
05:51
I was in EuropeEurópa talkingbeszél with my editorszerkesztő,
109
339096
1902
Európában voltam,
a szerkesztőmmel beszélgettem,
05:53
and I was interestedérdekelt:
Who is the competitionverseny?
110
341022
2462
és arra voltam kíváncsi,
kik a vetélytársak.
05:56
And I had some fabulousmesés onesazok.
111
344253
2735
És volt köztük pár nagyszerű név.
05:59
That weekhét --
112
347012
1169
Azon a héten jött ki...
06:00
(LaughterNevetés)
113
348205
1024
(Nevetés)
06:01
DanDan BrownBarna camejött out with "The LostElveszett SymbolSzimbólum,"
114
349253
3557
Dan Brown "Az elveszett jelkép"
című könyve,
és akkor jelent meg "Az utolsó dal"
06:04
and "The Last SongDal" alsois camejött out,
115
352834
2982
Nicholas Sparkstól.
06:07
NicholasMiklós SparksSzikra.
116
355840
1429
06:09
And when you just look at the listlista,
117
357293
2988
És ha végignézünk a listán,
06:12
you realizemegvalósítani, you know, performance-wiseteljesítmény-bölcs,
there's hardlyalig any differencekülönbség
118
360305
3453
látjuk, hogy teljesítmény tekintetében
szinte alig van különbség
az előbb felsorolt könyvek
és az enyém között.
06:15
betweenközött these bookskönyvek or mineenyém.
119
363782
1598
06:17
Right?
120
365404
1175
Így van?
06:18
So maybe if NicholasMiklós Sparks'sA szikra teamcsapat
worksművek a little hardernehezebb,
121
366603
4668
Vagyis ha Nicholas Sparks csapata
egy kicsit szorgalmasabban dolgozik,
06:23
he could easilykönnyen be numberszám one,
122
371295
1722
akár elsők is lehettek volna,
06:25
because it's almostmajdnem by accidentbaleset
who endedvége lett up at the topfelső.
123
373041
2898
hiszen szinte csak a véletlenen
múlik, ki kerül a csúcsra.
06:28
So I said, let's look at the numbersszám --
I'm a dataadat personszemély, right?
124
376486
3153
Akkor azt mondtam, nézzük meg az adatokat,
elvégre a számok embere vagyok, nem?
06:31
So let's see what were
the salesértékesítés for NicholasMiklós SparksSzikra.
125
379663
4318
Nézzük meg, hány Nicholas Sparks
könyvet adtak el.
06:36
And it turnsmenetek out that
that openingnyílás weekenda hétvégén,
126
384005
2054
Kiderült, hogy az első héten
06:38
NicholasMiklós SparksSzikra soldeladott more than
a hundredszáz thousandezer copiespéldányban,
127
386083
2975
Nicholas Sparks könyvéből több
mint 100 000 példányt vásároltak meg,
06:41
whichmelyik is an amazingelképesztő numberszám.
128
389082
1705
ami elképesztően nagy szám.
06:42
You can actuallytulajdonképpen get to the topfelső
of the "NewÚj YorkYork TimesAlkalommal" best-sellerbestseller listlista
129
390811
3396
Már azzal is felkerülhet az ember
a "New York Times" bestseller listájára,
06:46
by sellingeladási 10,000 copiespéldányban a weekhét,
130
394231
2110
ha egy héten 10 000 könyvét eladják.
06:48
so he tenfoldtízszeres overcamelegyőzte
what he neededszükséges to be numberszám one.
131
396365
3752
Ő ezt tízszeresen felülmúlta.
06:52
YetMég he wasn'tnem volt numberszám one.
132
400141
1430
Mégsem ő lett az első.
06:53
Why?
133
401595
1308
Miért?
06:54
Because there was DanDan BrownBarna,
who soldeladott 1.2 millionmillió copiespéldányban that weekenda hétvégén.
134
402927
4078
Mert ott volt Dan Brown könyve, ami
1,2 millió példányban kelt el ugyanakkor.
06:59
(LaughterNevetés)
135
407029
2136
(Nevetés)
07:01
And the reasonok I like this numberszám
is because it showsműsorok that, really,
136
409189
3971
Azért szeretem ezt a számot,
mert megmutatja,
hogy a siker korlátlan,
07:05
when it comesjön to successsiker, it's unboundedhatártalan,
137
413184
3730
07:08
that the bestlegjobb doesn't only get
slightlynémileg more than the secondmásodik bestlegjobb
138
416938
5861
és hogy az elsőnek nemcsak egy kicsivel,
07:14
but getsjelentkeznek ordersrendelés of magnitudenagyság more,
139
422823
2697
hanem nagyságrendekkel is több juthat,
mint a másodiknak,
07:17
because successsiker is a collectivekollektív measuremérték.
140
425544
2794
mivel a siker kollektív mérőszám.
07:20
We give it to them, ratherInkább than
we earnkeresni it throughkeresztül our performanceteljesítmény.
141
428362
4376
A sikert másoktól kapjuk,
nem a teljesítményünkkel érdemeljük ki.
07:24
So one of things we realizedrealizált is that
performanceteljesítmény, what we do, is boundedkorlátos,
142
432762
5376
Tehát arra a következtetésre jutottunk,
hogy bár a teljesítmény korlátos,
07:30
but successsiker, whichmelyik is
collectivekollektív, is unboundedhatártalan,
143
438162
2682
a siker közösségi és korlátlan.
07:32
whichmelyik makesgyártmányú you wondercsoda:
144
440868
1312
Fel is merült a kérdés:
07:34
How do you get these
hugehatalmas differenceskülönbségek in successsiker
145
442204
2911
Miért van ekkora különbség
a siker mértékében,
07:37
when you have suchilyen tinyapró
differenceskülönbségek in performanceteljesítmény?
146
445139
2906
ha maga a teljesítmény nem tér el
nagy mértékben?
07:40
And recentlymostanában, I publishedközzétett a bookkönyv
that I devotedelkötelezett to that very questionkérdés.
147
448537
3787
Nemrégiben jelent meg egy könyvem,
amit ennek a kérdésnek szenteltem.
07:44
And they didn't give me enoughelég time
to go over all of that,
148
452348
2839
Nem kaptam túl sok időt,
hogy ezt részletesen kifejtsem,
07:47
so I'm going to go back
to the questionkérdés of,
149
455211
2071
ezért szeretnék visszamenni
ahhoz a kérdéshez,
07:49
alrightrendben, you have successsiker;
when should that appearmegjelenik?
150
457306
3135
hogy az rendben van, hogy sikeresek
leszünk, de mikor kell ennek jelentkeznie?
07:52
So let's go back to the partyparty spoilerSpoiler
and askkérdez ourselvesminket:
151
460465
3758
Lépjünk tehát vissza az ünneprontó
gondolathoz, és tegyük fel a kérdést:
07:57
Why did EinsteinEinstein make
this ridiculousnevetséges statementnyilatkozat,
152
465215
3339
Miért állította Einstein
azt a nevetséges dolgot,
08:00
that only before 30
you could actuallytulajdonképpen be creativekreatív?
153
468578
3156
hogy csak 30 éves korunk előtt
lehetünk ténylegesen kreatívak?
08:03
Well, because he lookednézett around himselfsaját maga
and he saw all these fabulousmesés physicistsfizikusok
154
471758
4680
Nos azért, mert körülnézett, és látta
azt a rengeteg nagyszerű fizikust,
08:08
that createdkészítette quantumkvantum mechanicsmechanika
and modernmodern physicsfizika,
155
476462
2587
akik akkor fektették le a modern
fizika és a kvantummechanika alapjait,
08:11
and they were all in theirazok 20s
and earlykorai 30s when they did so.
156
479073
3736
mikor huszonévesek voltak,
de legfeljebb épp csak harmincasok.
08:15
And it's not only him.
157
483730
1220
Mert hát nem volt egyedül.
08:16
It's not only observationalmegfigyelésen alapuló biasElfogultság,
158
484974
1623
Azt sem mondhatjuk, hogy mindössze
megfigyelési hibáról van szó,
08:18
because there's actuallytulajdonképpen
a wholeegész fieldmező of geniuszseni researchkutatás
159
486621
3997
hiszen a zsenikutatók
08:22
that has documenteddokumentált the facttény that,
160
490642
2256
egész sor dokumentummal igazolták a tényt,
08:24
if we look at the people
we admirecsodál from the pastmúlt
161
492922
3160
hogy ha régi nagyságokra gondolunk,
08:28
and then look at what agekor
they madekészült theirazok biggestlegnagyobb contributionhozzájárulás,
162
496106
3358
és megnézzük, hány éves korukban
alkották legjelentősebb műveiket,
08:31
whetherakár that's musiczene,
whetherakár that's sciencetudomány,
163
499488
2096
akár zenéről, tudományról,
08:33
whetherakár that's engineeringmérnöki,
164
501608
1619
vagy mérnöki tudományokról van szó,
08:35
mosta legtöbb of them tendhajlamosak to do so
in theirazok 20s, 30s, earlykorai 40s at mosta legtöbb.
165
503251
6123
látjuk, hogy legtöbben 20-as, 30-as
éveikben, vagy 40-es éveik elején jártak.
08:41
But there's a problemprobléma
with this geniuszseni researchkutatás.
166
509914
2791
A zsenikutatással azonban
van egy probléma.
08:45
Well, first of all, it createdkészítette
the impressionbenyomás to us
167
513197
3280
Elsősorban az, hogy azt a képet
alakította ki bennünk,
08:48
that creativitykreativitás equalsegyenlő youthifjúság,
168
516501
3479
hogy a kreativitás egyenlő a fiatalsággal,
08:52
whichmelyik is painfulfájdalmas, right?
169
520004
1610
ami elég fájdalmas, igaz?
08:53
(LaughterNevetés)
170
521638
1951
(Nevetés)
08:55
And it alsois has an observationalmegfigyelésen alapuló biasElfogultság,
171
523613
4088
De van itt egy megfigyelési hiba is,
08:59
because it only looksúgy néz ki, at geniuseszsenik
and doesn't look at ordinaryrendes scientiststudósok
172
527725
4962
mivel csak a kiemelkedő tehetségeket
vizsgálták, az egyszerű tudósokat nem.
09:04
and doesn't look at all of us and askkérdez,
173
532711
1965
A vizsgálat tehát nem általánosan
tette fel a kérdést:
09:06
is it really trueigaz that creativitykreativitás
vanisheseltűnik as we agekor?
174
534700
3185
Igaz-e az, hogy a korral együtt
elveszítjük a kreativitásunkat is?
09:10
So that's exactlypontosan what we triedmegpróbálta to do,
175
538382
1877
Mi pontosan erre kerestük a választ.
09:12
and this is importantfontos for that
to actuallytulajdonképpen have referencesreferenciák.
176
540283
3803
Ehhez viszont fontos volt,
hogy legyenek referenciapontjaink.
09:16
So let's look at an ordinaryrendes
scientisttudós like myselfmagamat,
177
544110
2643
Vegyünk tehát
egy átlagos tudóst, mint én,
09:18
and let's look at my careerkarrier.
178
546777
1522
vizsgáljuk meg az én karrierem alakulást.
09:20
So what you see here is all the paperspapírok
that I've publishedközzétett
179
548323
3202
Itt látható azon tanulmányok listája,
melyeket eddig publikáltam,
09:23
from my very first paperpapír, in 1989;
I was still in RomaniaRománia when I did so,
180
551549
5115
az 1989-ben megjelent első tanulmányomtól,
amit még Romániában írtam,
09:28
tillamíg kindkedves of this yearév.
181
556688
1593
egészen az idei évig.
A függőleges tengelyen ábrázoltam,
milyen hatása volt az adott tanulmánynak,
09:30
And verticallyfüggőlegesen, you see
the impacthatás of the paperpapír,
182
558940
2518
09:33
that is, how manysok citationsidézetek,
183
561482
1403
hányan hivatkoztak rá,
09:34
how manysok other paperspapírok
have been writtenírott that citedidézett that work.
184
562909
3988
hány további tanulmány készült,
melyben erre hivatkoznak.
09:39
And when you look at that,
185
567397
1300
Ha ezt megnézik,
09:40
you see that my careerkarrier
has roughlynagyjából threehárom differentkülönböző stagesszakaszában.
186
568721
2813
láthatják, hogy karrierem
nagyjából három fázisra osztható.
Ott volt az első 10 év,
amikor rengeteget dolgoztam,
09:43
I had the first 10 yearsévek
where I had to work a lot
187
571558
2435
viszont nem értem el túl sokat.
09:46
and I don't achieveelér much.
188
574017
1276
09:47
No one seemsÚgy tűnik, to caregondoskodás
about what I do, right?
189
575317
2118
Ekkor még senkit nem érdekel,
mivel foglalkozom, igaz?
09:49
There's hardlyalig any impacthatás.
190
577459
1681
A munkámnak nincs még hatása.
09:51
(LaughterNevetés)
191
579164
1404
(Nevetés)
09:52
That time, I was doing materialanyag sciencetudomány,
192
580592
2887
Akkor még anyagtudományokkal foglalkoztam,
09:55
and then I kindkedves of discoveredfelfedezett
for myselfmagamat networkshálózatok
193
583503
3691
később felfedeztem magamnak a hálózatokat,
09:59
and then startedindult publishingkiadás in networkshálózatok.
194
587218
1947
és ezekről kezdtem írni.
10:01
And that led from one high-impactnagy hatású
paperpapír to the other one.
195
589189
3073
Onnan már egyik nagy hatású
tanulmány jelent meg a másik után.
10:04
And it really feltfilc good.
That was that stageszínpad of my careerkarrier.
196
592286
3104
Nagyszerű érzés volt ez –
ez volt karrierem csúcsidőszaka.
10:07
(LaughterNevetés)
197
595414
1282
(Nevetés)
10:08
So the questionkérdés is,
what happensmegtörténik right now?
198
596720
3208
A kérdés az, hogy mi van most?
10:12
And we don't know, because there
hasn'tmég nem been enoughelég time passedelmúlt yetmég
199
600587
3239
És ezt természetesen nem tudjuk,
mert nem telt el elegendő idő ahhoz,
10:15
to actuallytulajdonképpen figureábra out how much impacthatás
those paperspapírok will get;
200
603850
2987
hogy megmondjuk, milyen hatása lesz
az új tanulmányoknak –
10:18
it takes time to acquireszerez.
201
606861
1227
ehhez még idő kell.
Ha ezeket az adatokat nézzük,
10:20
Well, when you look at the dataadat,
202
608112
1569
úgy tűnik, Einsteinnek
és a zsenikutatóknak igaza volt.
10:21
it seemsÚgy tűnik, to be that EinsteinEinstein,
the geniuszseni researchkutatás, is right,
203
609705
2854
Most karrieremnek "ezen" a szintjén állok.
10:24
and I'm at that stageszínpad of my careerkarrier.
204
612583
1811
10:26
(LaughterNevetés)
205
614418
2308
(Nevetés)
10:28
So we said, OK, let's figureábra out
how does this really happentörténik,
206
616750
5974
Erre azt mondtuk, rendben, akkor
nézzük meg, hogyan is történik mindez.
10:34
first in sciencetudomány.
207
622748
1778
Nézzük először a tudomány világát.
10:36
And in ordersorrend not to have
the selectionkiválasztás biasElfogultság,
208
624550
3632
Hogy elkerüljük a kiválasztási hibákat,
10:40
to look only at geniuseszsenik,
209
628206
1337
nemcsak a géniuszokat vizsgáltuk,
10:41
we endedvége lett up reconstructingújjáépítése the careerkarrier
of everyminden singleegyetlen scientisttudós
210
629567
3716
hanem megnéztük minden tudós életrajzát
10:45
from 1900 tillamíg todayMa
211
633307
2502
1900-tól napjainkig.
10:47
and findinglelet for all scientiststudósok
what was theirazok personalszemélyes bestlegjobb,
212
635833
3712
Minden tudósnál meghatároztuk,
mi volt pályafutásának csúcspontja,
10:51
whetherakár they got the NobelNobel PrizeDíj
or they never did,
213
639569
2812
hogy kapott-e valaha
Nobel-díjat vagy nem,
10:54
or no one knowstudja what they did,
even theirazok personalszemélyes bestlegjobb.
214
642405
3407
sőt az is lehet, hogy senki nem ismerte
még legjelentősebb eredményeit sem.
10:57
And that's what you see in this slidecsúszik.
215
645836
1915
Ezt látják a következő dián.
10:59
EachMinden linevonal is a careerkarrier,
216
647775
1573
Minden sor egy-egy tudósé,
11:01
and when you have a lightfény bluekék dotpont
on the topfelső of that careerkarrier,
217
649372
3003
a világoskék pont azt jelzi,
mikor voltak karrierjük csúcsán,
mikor érték el a legkiemelkedőbb
eredményeket.
11:04
it saysmondja that was theirazok personalszemélyes bestlegjobb.
218
652399
2040
11:06
And the questionkérdés is,
219
654463
1155
A kérdés pedig az,
11:07
when did they actuallytulajdonképpen make
theirazok biggestlegnagyobb discoveryfelfedezés?
220
655642
3568
mikor tették
a legnagyobb felfedezést.
11:11
To quantifyszámszerűsíteni that,
221
659234
1165
Ahhoz, hogy ezt mérni tudjuk,
11:12
we look at what's the probabilityvalószínűség
that you make your biggestlegnagyobb discoveryfelfedezés,
222
660423
3376
azt vizsgáltuk, mi a valószínűsége,
hogy mondjuk karrierje első, második,
11:15
let's say, one, two, threehárom
or 10 yearsévek into your careerkarrier?
223
663823
2672
vagy tizedik évében jut el
egy tudós a nagy felfedezéshez.
11:18
We're not looking at realigazi agekor.
224
666519
1480
Itt nem a valós életkort vettük,
11:20
We're looking at
what we call "academicakadémiai agekor."
225
668023
2134
hanem az ún. "tudományos életkort".
A tudományos életkor akkor kezdődik,
mikor az első tanulmányunkat publikáljuk.
11:22
Your academicakadémiai agekor startskezdődik
when you publishközzétesz your first paperspapírok.
226
670181
3250
11:25
I know some of you are still babiesbabák.
227
673455
1779
Igen, néhányan még kisbabák.
11:27
(LaughterNevetés)
228
675258
1397
(Nevetés)
11:28
So let's look at the probabilityvalószínűség
229
676679
2706
Nézzük, mikor legvalószínűbb,
11:31
that you publishközzétesz
your highest-impactlegnagyobb hatású paperpapír.
230
679409
2066
hogy megjelenik a legjelentősebb munka.
11:33
And what you see is, indeedvalóban,
the geniuszseni researchkutatás is right.
231
681499
3071
Itt is azt látjuk, hogy igaza van
a zsenikutatóknak.
11:36
MostA legtöbb scientiststudósok tendhajlamosak to publishközzétesz
theirazok highest-impactlegnagyobb hatású paperpapír
232
684594
3024
A legnagyobb hatású munkáját
ugyanis a legtöbb tudós
11:39
in the first 10, 15 yearsévek in theirazok careerkarrier,
233
687642
2899
karrierje első 10-15 évében adja ki,
11:42
and it tankstartályok after that.
234
690565
3133
aztán hanyatlásnak indul.
11:45
It tankstartályok so fastgyors that I'm about --
I'm exactlypontosan 30 yearsévek into my careerkarrier,
235
693722
5107
Olyan gyorsan hanyatlik a teljesítmény,
hogy az én esetemben, aki most pont
karrierem 30. évében járok,
11:50
and the chancevéletlen that I will publishközzétesz a paperpapír
that would have a highermagasabb impacthatás
236
698853
3540
az esélye annak, hogy bármi
nagyobb hatásút írjak annál, mint eddig,
11:54
than anything that I did before
237
702417
1940
11:56
is lessKevésbé than one percentszázalék.
238
704381
1353
kevesebb mint egy százalék.
11:57
I am in that stageszínpad of my careerkarrier,
accordingszerint to this dataadat.
239
705758
3049
Az itt látható adatok is mutatják,
hogy karrierem leszálló ágában járok.
12:01
But there's a problemprobléma with that.
240
709648
1843
Csakhogy van ezzel egy kis probléma.
12:03
We're not doing controlsellenőrzések properlymegfelelően.
241
711515
3675
Nem jelöltük ugyanis
megfelelően a változókat.
12:07
So the controlellenőrzés would be,
242
715214
1417
Iktassuk be azt a szempontot,
12:08
what would a scientisttudós look like
who makesgyártmányú randomvéletlen contributionhozzájárulás to sciencetudomány?
243
716655
4607
hogy van olyan tudós, aki csak
alkalmanként jelentkezik eredményekkel.
12:13
Or what is the productivitytermelékenység
of the scientisttudós?
244
721286
2995
Hogyan írhatjuk le
az ilyen tudósok teljesítményét?
12:16
When do they writeír paperspapírok?
245
724305
2006
Ők mikor jelentetnek meg tanulmányokat?
12:18
So we measuredmért the productivitytermelékenység,
246
726335
2444
Megmértük tehát a teljesítményt,
és azt a hihetetlen eredményt kaptuk,
hogy a teljesítmény,
12:20
and amazinglybámulatosan, the productivitytermelékenység,
247
728803
2052
vagyis annak valószínűsége, hogy pályánk
első, 10. vagy 20. évében publikálunk,
12:22
your likelihoodvalószínűség of writingírás a paperpapír
in yearév one, 10 or 20 in your careerkarrier,
248
730879
4131
12:27
is indistinguishablemegkülönböztethetetlen from the likelihoodvalószínűség
of havingamelynek the impacthatás
249
735034
3606
megkülönböztethetetlen
annak valószínűségétől,
amilyen hatást karrierünk
adott szintjén elérhetünk.
12:30
in that partrész of your careerkarrier.
250
738664
1775
12:33
And to make a long storysztori shortrövid,
251
741026
1783
Hogy röviden összefoglaljam a dolgot,
12:34
after lots of statisticalstatisztikai teststesztek,
there's only one explanationmagyarázat for that,
252
742833
4228
sok-sok statisztikai mérés után,
erre csak egy magyarázatot tudtunk adni,
12:39
that really, the way we scientiststudósok work
253
747085
2894
és ez nem volt más, mint az,
hogy mi, tudósok úgy dolgozunk,
12:42
is that everyminden singleegyetlen paperpapír we writeír,
everyminden projectprogram we do,
254
750003
3633
hogy minden egyes tanulmány, amit írunk,
minden projekt, amiben részt veszünk,
12:45
has exactlypontosan the sameazonos chancevéletlen
of beinglény our personalszemélyes bestlegjobb.
255
753660
4160
ugyanakkora eséllyel lehet
egyben legkiválóbb teljesítményünk.
12:49
That is, discoveryfelfedezés is like
a lotterylottó ticketjegy.
256
757844
4953
A tudományos felfedezés
olyan tehát, mint a lutri.
Minél több lottószelvényünk van,
12:54
And the more lotterylottó ticketsjegyek we buyVásárol,
257
762821
2351
annál nagyobb az esély, hogy nyerünk.
12:57
the highermagasabb our chancesesélyeit.
258
765196
1507
12:58
And it happensmegtörténik to be so
259
766727
1559
És úgy tűnik,
13:00
that mosta legtöbb scientiststudósok buyVásárol
mosta legtöbb of theirazok lotterylottó ticketsjegyek
260
768310
2719
a legtöbb tudós ezeket a szelvényeket
13:03
in the first 10, 15 yearsévek of theirazok careerkarrier,
261
771053
2460
pályafutása első 10-15 évében szerzi be.
13:05
and after that,
theirazok productivitytermelékenység decreasescsökken.
262
773537
3413
Aztán csökken a teljesítmény.
13:09
They're not buyingvásárlás
any more lotterylottó ticketsjegyek.
263
777411
2084
Már nem vesznek több szelvényt.
13:11
So it looksúgy néz ki, as if
they would not be creativekreatív.
264
779519
3444
Úgy tűnik, mintha
elvesztették volna a kreativitásukat.
13:14
In realityvalóság, they stoppedmegállt tryingmegpróbálja.
265
782987
1999
Valójában azonban,
inkább nem próbálkoznak tovább.
13:17
So when we actuallytulajdonképpen put the dataadat togetheregyütt,
the conclusionkövetkeztetés is very simpleegyszerű:
266
785509
3915
Tehát ha összesítjük az adatokat,
azt az egyszerű eredményt kapjuk,
13:21
successsiker can come at any time.
267
789448
2331
hogy a siker bármikor beüthet.
13:23
It could be your very first
or very last paperpapír of your careerkarrier.
268
791803
3735
Ennek kiváltója lehet pályafutásunk
első vagy utolsó tanulmánya is.
13:27
It's totallyteljesen randomvéletlen
in the spacehely of the projectsprojektek.
269
795562
4288
A vizsgált téma tekintetében is
teljesen esetleges ez.
13:31
It is the productivitytermelékenység that changesváltoztatások.
270
799874
1931
Ami változik, az a teljesítmény.
13:33
Let me illustrateszemléltet that.
271
801829
1252
Hadd hozzak erre egy példát.
13:35
Here is FrankFrank WilczekWilczek,
who got the NobelNobel PrizeDíj in PhysicsFizika
272
803105
3269
A képen Frank Wilczeket látják, aki első,
még egyetemistaként írt tanulmányával
13:38
for the very first paperpapír he ever wroteírt
in his careerkarrier as a graduateérettségizni studentdiák.
273
806398
4101
nyerte el a fizikai Nobel-díjat.
13:42
(LaughterNevetés)
274
810523
1007
(Nevetés)
13:43
More interestingérdekes is JohnJohn FennFenn,
275
811554
3218
Még nála is érdekesebb John Fenn esete,
13:46
who, at agekor 70, was forcefullyerőteljesen retirednyugdíjas
by YaleYale UniversityEgyetem.
276
814796
4598
akit a Yale Egyetem 70 évesen
kényszernyugdíjazott.
13:51
They shutbecsuk his lablabor down,
277
819418
2056
Még a laborját is bezárták.
13:53
and at that momentpillanat, he movedköltözött
to VirginiaVirginia CommonwealthCommonwealth UniversityEgyetem,
278
821498
3666
Fenn ekkor átment
a Virginia Commonwealth Egyetemre,
13:57
openednyitott anotheregy másik lablabor,
279
825188
1786
új labort nyitott,
13:58
and it is there, at agekor 72,
that he publishedközzétett a paperpapír
280
826998
3033
és ekkor, 72 évesen
írta azt a tanulmányát,
14:02
for whichmelyik, 15 yearsévek latera későbbiekben, he got
the NobelNobel PrizeDíj for ChemistryKémia.
281
830055
3845
melyért 15 évvel később
megkapta a kémiai Nobel-díjat.
14:06
And you think, OK,
well, sciencetudomány is specialkülönleges,
282
834940
3042
És most gondolhatják azt,
hogy hát a tudomány világa mégis más,
14:10
but what about other areasnak
where we need to be creativekreatív?
283
838006
3463
de mi a helyzet más foglalkozásokkal,
ahol szükség van a kreativitásra?
14:13
So let me take anotheregy másik
typicaltipikus examplepélda: entrepreneurshipvállalkozói szellem.
284
841493
4936
Hadd mondjak el itt egy másik jellegzetes
példát: nézzük a vállalkozásokat.
14:18
SiliconSzilícium ValleyVölgy,
285
846834
1579
Szilícium-völgy,
14:20
the landföld of the youthifjúság, right?
286
848437
2066
a feltörekvő ifjúság Mekkája, ugye?
14:22
And indeedvalóban, when you look at it,
287
850527
1595
És tényleg, ha megnézzük, látjuk,
14:24
you realizemegvalósítani that the biggestlegnagyobb awardsdíjak,
the TechCrunchTechCrunch AwardsDíjak and other awardsdíjak,
288
852146
4642
hogy a legnagyobb díjakat,
mint a TechCrunch-díj és egyebek,
14:28
are all going to people
289
856812
2173
azok kapják,
akik átlagéletkora alig 30,
vagy csak egy kicsivel több annál.
14:31
whoseakinek averageátlagos agekor
is latekéső 20s, very earlykorai 30s.
290
859009
5015
14:36
You look at who the VCsVCs give the moneypénz to,
some of the biggestlegnagyobb VCVC firmscégek --
291
864465
5602
Nézzék meg, kiket támogatnak
a kockázati tőkések és vállalataik:
14:42
all people in theirazok earlykorai 30s.
292
870091
2241
a 30 év körülieket.
14:44
WhichAmely, of coursetanfolyam, we know;
293
872951
1265
Ami persze azért van, ezt mind tudjuk,
14:46
there is this ethosETHOS in SiliconSzilícium ValleyVölgy
that youthifjúság equalsegyenlő successsiker.
294
874240
4453
mert a Szilícium-völgyben úgy gondolják,
a fiatalság egyenlő a sikerrel.
14:51
Not when you look at the dataadat,
295
879653
2183
Az adatok viszont nem ezt mutatják.
14:53
because it's not only
about formingalakítás a companyvállalat --
296
881860
2304
Mert itt nem csak
magáról a cégalapításról van szó.
14:56
formingalakítás a companyvállalat is like productivitytermelékenység,
tryingmegpróbálja, tryingmegpróbálja, tryingmegpróbálja --
297
884188
3140
A cégalapítás egy teljesítmény -
próbálkozunk, próbálkozunk.
14:59
when you look at whichmelyik
of these individualsegyének actuallytulajdonképpen put out
298
887352
3484
De nézzük meg, kik azok,
akik valóban sikeres céget hoznak létre,
vagy más módon lesznek sikeresek.
15:02
a successfulsikeres companyvállalat, a successfulsikeres exitkijárat.
299
890860
2782
15:05
And recentlymostanában, some of our colleagueskollégák
lookednézett at exactlypontosan that questionkérdés.
300
893666
3720
Nemrégiben néhány kollégám
ennek a kérdésnek járt utána.
15:09
And it turnsmenetek out that yes,
those in the 20s and 30s
301
897410
3156
És igen, kiderült, hogy a 20-as, 30-asok
15:12
put out a hugehatalmas numberszám of companiesvállalatok,
formforma lots of companiesvállalatok,
302
900590
3348
nagyon sok céget alakítanak,
sok céget hoznak létre,
15:15
but mosta legtöbb of them go bustMellbőség.
303
903962
1531
de legtöbbjük csődbe megy.
15:18
And when you look at the successfulsikeres exitskilép a,
what you see in this particularkülönös plotcselekmény,
304
906089
4195
Ha megnézzük, mitől lesz valaki sikeres
ebben az esetben, azt látjuk,
15:22
the olderidősebb you are, the more likelyvalószínűleg that
you will actuallytulajdonképpen hittalálat the stockKészlet marketpiac
305
910308
3695
hogy minél idősebb valaki, annál nagyobb
az esélye annak, hogy jegyezzék a tőzsdén,
15:26
or the sellelad the companyvállalat successfullysikeresen.
306
914027
2312
vagy hogy nyereségesen adja el a cégét.
15:28
This is so strongerős, actuallytulajdonképpen,
that if you are in the 50s,
307
916847
3113
Ez nagyon egyértelműen megmutatkozott.
Egy ötvenes üzletembernek
kétszer akkora esélye van a sikerre,
15:31
you are twicekétszer as likelyvalószínűleg
to actuallytulajdonképpen have a successfulsikeres exitkijárat
308
919984
3588
15:35
than if you are in your 30s.
309
923596
1890
mint egy harmincasnak.
15:38
(ApplauseTaps)
310
926613
4325
(Taps)
15:43
So in the endvég, what is it
that we see, actuallytulajdonképpen?
311
931645
3009
Végeredményben tehát,
mi is derül ki mindebből?
15:46
What we see is that creativitykreativitás has no agekor.
312
934678
4083
Az, hogy a kreativitás nem életkorfüggő.
15:50
ProductivityTermelékenység does, right?
313
938785
2202
A teljesítmény viszont igen, igaz?
15:53
WhichAmely is tellingsokatmondó me that
at the endvég of the day,
314
941424
4135
Ebből számomra az következik,
hogy végső soron,
15:57
if you keep tryingmegpróbálja --
315
945583
2000
ha az ember próbálkozik,
15:59
(LaughterNevetés)
316
947607
2403
(Nevetés)
16:02
you could still succeedsikerül
and succeedsikerül over and over.
317
950034
3572
újra és újra érhet el sikereket.
16:05
So my conclusionkövetkeztetés is very simpleegyszerű:
318
953630
2391
A végkövetkeztetés tehát nagyon egyszerű:
16:08
I am off the stageszínpad, back in my lablabor.
319
956045
2093
megyek is vissza a laboromba.
16:10
Thank you.
320
958162
1171
Köszönöm.
16:11
(ApplauseTaps)
321
959357
3309
(Taps)
Translated by Zsófia Herczeg
Reviewed by Zsuzsanna Lőrincz

▲Back to top

ABOUT THE SPEAKER
Albert-László Barabási - Network scientist
A 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 ScienceLinked and Bursts. He co-edited Network Medicine and The Structure and Dynamics of Networks. His books have been translated into over twenty languages.

More profile about the speaker
Albert-László Barabási | Speaker | TED.com

Data provided by TED.

This site was created in May 2015 and the last update was on January 12, 2020. It will no longer be updated.

We are currently creating a new site called "eng.lish.video" and would be grateful if you could access it.

If you have any questions or suggestions, please feel free to write comments in your language on the contact form.

Privacy Policy

Developer's Blog

Buy Me A Coffee