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

Why you should listen

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

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

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

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

Geoffrey West: The surprising math of cities and corporations

Geoffrey West: Zadziwiająca matematyka miast i korporacji

Filmed:
1,583,030 views

Fizyk Geoffrey West odkrył, że miastami rządzą proste matematyczne prawa -- bogactwo, wskaźnik przestępczości, prędkość chodzenia oraz wiele innych aspektów miasta można obliczyć znając tylko jedną liczbę: jego populację. W dającym do myślenia wystąpieniu na konferencji TEDGlobal, pokazuje na czym to polega oraz wskazuje na podobieństwo praw rządzących organizmami i korporacjami.
- Theorist
Physicist Geoffrey West believes that complex systems from organisms to cities are in many ways governed by simple laws -- laws that can be discovered and analyzed. Full bio

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

00:16
CitiesMiast are the crucibletygiel of civilizationcywilizacja.
0
1000
3000
Miasta są tyglem cywilizacji.
00:19
They have been expandingrozwijanie,
1
4000
2000
Ciągle się rozrastają,
00:21
urbanizationurbanizacja has been expandingrozwijanie,
2
6000
2000
urbanizacja rozwija się
00:23
at an exponentialwykładniczy rateoceniać in the last 200 yearslat
3
8000
2000
w postępie geometrycznym od dwustu lat,
00:25
so that by the seconddruga partczęść of this centurystulecie,
4
10000
3000
tak, że w drugiej połowie tego stulecia
00:28
the planetplaneta will be completelycałkowicie dominatedzdominowany
5
13000
2000
Ziemia będzie całkowicie zdominowana przez miasta.
00:30
by citiesmiasta.
6
15000
3000
Ziemia będzie całkowicie zdominowana przez miasta.
00:33
CitiesMiast are the originspoczątki of globalświatowy warmingogrzewanie,
7
18000
3000
Miasta są źródłem globalnego ocieplenia,
00:36
impactwpływ on the environmentśrodowisko,
8
21000
2000
oddziałują na środowisko naturalne,
00:38
healthzdrowie, pollutionskażenie, diseasechoroba,
9
23000
3000
zdrowie, zanieczyszczenie, choroby,
00:41
financefinanse,
10
26000
2000
finanse, gospodarki, energię --
00:43
economiesgospodarki, energyenergia --
11
28000
3000
finanse, gospodarki, energię --
00:46
they're all problemsproblemy
12
31000
2000
to wyzwania, z którymi musimy się zmierzyć
00:48
that are confrontedkonfrontowany by havingmający citiesmiasta.
13
33000
2000
z powodu istnienia miast.
00:50
That's where all these problemsproblemy come from.
14
35000
2000
Miasta stworzyły wiele problemów.
00:52
And the tsunamitsunami of problemsproblemy that we feel we're facingokładzina
15
37000
3000
Nawał problemów związanych z równowagą ekologiczną,
00:55
in termswarunki of sustainabilityzrównoważony rozwój questionspytania
16
40000
2000
Nawał problemów związanych z równowagą ekologiczną,
00:57
are actuallytak właściwie a reflectionodbicie
17
42000
2000
jest tak naprawdę odbiciem wykładniczego wzrostu
00:59
of the exponentialwykładniczy increasezwiększać
18
44000
2000
jest tak naprawdę odbiciem wykładniczego wzrostu
01:01
in urbanizationurbanizacja acrossprzez the planetplaneta.
19
46000
3000
urbanizacji na całej planecie.
01:04
Here'sTutaj jest some numbersliczby.
20
49000
2000
Teraz trochę liczb.
01:06
Two hundredsto yearslat agotemu, the UnitedStany Zjednoczone StatesPaństwa
21
51000
2000
200 lat temu Stany Zjednoczone
01:08
was lessmniej than a fewkilka percentprocent urbanizedzurbanizowany.
22
53000
2000
były zurbanizowane tylko w kilku procentach.
01:10
It's now more than 82 percentprocent.
23
55000
2000
Dziś to ponad 82 procent.
01:12
The planetplaneta has crossedskrzyżowany the halfwaywpół markznak a fewkilka yearslat agotemu.
24
57000
3000
Cała planeta przekroczyła półmetek kilka lat temu.
01:15
China'sW Chinach buildingbudynek 300 newNowy citiesmiasta
25
60000
2000
Chiny wybudują 300 nowych miast
01:17
in the nextNastępny 20 yearslat.
26
62000
2000
w ciągu najbliższych 20 lat.
01:19
Now listen to this:
27
64000
2000
Posłuchajcie tego:
01:21
EveryKażdy weektydzień for the foreseeableprzewidywalne futureprzyszłość,
28
66000
3000
W dającej się przewidzieć przyszłości,
01:24
untilaż do 2050,
29
69000
2000
aż po rok 2050, co tydzień w miastach
01:26
everykażdy weektydzień more than a millionmilion people
30
71000
2000
przybędzie ponad milion nowych mieszkańców.
01:28
are beingistota addedw dodatku to our citiesmiasta.
31
73000
2000
przybędzie ponad milion nowych mieszkańców.
01:30
This is going to affectoddziaływać everything.
32
75000
2000
To odbije się na wszystkim.
01:32
EverybodyKażdy in this roompokój, if you stayzostać aliveżywy,
33
77000
2000
Jeśli przeżyjemy, każdy na tej sali
01:34
is going to be affectedafektowany
34
79000
2000
odczuje skutki tego, co dzieje się w miastach
01:36
by what's happeningwydarzenie in citiesmiasta
35
81000
2000
odczuje skutki tego, co dzieje się w miastach
01:38
in this extraordinaryniezwykły phenomenonzjawisko.
36
83000
2000
w ramach tego niezwykłego zjawiska.
01:40
HoweverJednak, citiesmiasta,
37
85000
3000
Jednak miasta,
01:43
despitepomimo havingmający this negativenegatywny aspectaspekt to them,
38
88000
3000
pomimo tego negatywnego aspektu,
01:46
are alsorównież the solutionrozwiązanie.
39
91000
2000
miasta są także rozwiązaniem.
01:48
Because citiesmiasta are the vacuumodkurzać cleanersśrodki czyszczące and the magnetsMagnesy
40
93000
4000
Ponieważ miasta są odkurzaczami i magnesami,
01:52
that have suckedssać up creativetwórczy people,
41
97000
2000
które wssysają i przyciągają ludzi kreatywnych,
01:54
creatingtworzenie ideaspomysły, innovationinnowacja,
42
99000
2000
tworzących nowe idee i rozwiązania,
01:56
wealthbogactwo and so on.
43
101000
2000
bogactwo, i tak dalej.
01:58
So we have this kinduprzejmy of dualpodwójny natureNatura.
44
103000
2000
Zatem mamy tu jakby podwójną naturę.
02:00
And so there's an urgentpilne need
45
105000
3000
Dlatego pilnie potrzebna jest naukowa teoria miast.
02:03
for a scientificnaukowy theoryteoria of citiesmiasta.
46
108000
4000
Dlatego pilnie potrzebna jest naukowa teoria miast.
02:07
Now these are my comradestowarzysze in armsramiona.
47
112000
3000
Oto moi towarzysze broni.
02:10
This work has been doneGotowe with an extraordinaryniezwykły groupGrupa of people,
48
115000
2000
Ten projekt stworzyła nadzwyczajna grupa ludzi,
02:12
and they'veoni doneGotowe all the work,
49
117000
2000
i to oni wykonali całą pracę,
02:14
and I'm the great bullshitterbullshitter
50
119000
2000
a ja jestem bajerantem,
02:16
that triespróbuje to bringprzynieść it all togetherRazem.
51
121000
2000
który próbuje poskładać to wszystko do kupy.
02:18
(LaughterŚmiech)
52
123000
2000
(Śmiech)
02:20
So here'soto jest the problemproblem: This is what we all want.
53
125000
2000
Oto nasz problem: coś, czego wszyscy pragniemy.
02:22
The 10 billionmiliard people on the planetplaneta in 2050
54
127000
3000
10 miliardów ludzi na świecie w 2050 roku
02:25
want to liverelacja na żywo in placesmiejsca like this,
55
130000
2000
zechce zamieszkać w takich miejscach,
02:27
havingmający things like this,
56
132000
2000
posiadać takie rzeczy,
02:29
doing things like this,
57
134000
2000
oddawać się takim zajęciom,
02:31
with economiesgospodarki that are growingrozwój like this,
58
136000
3000
w krajach z tak rozwijającą się gospodarką,
02:34
not realizingzrealizowanie that entropyentropii
59
139000
2000
nie zdając sobie sprawy z tego,
02:36
producesprodukuje things like this,
60
141000
2000
że entropia prowadzi do tego,
02:38
this, this
61
143000
4000
tego, tego
02:42
and this.
62
147000
2000
i tego.
02:44
And the questionpytanie is:
63
149000
2000
A pytanie brzmi:
02:46
Is that what EdinburghEdynburg and LondonLondyn and NewNowy YorkYork
64
151000
2000
Czy w 2050 roku tak będą wyglądały miasta
02:48
are going to look like in 2050,
65
153000
2000
Edynburg, Londyn i Nowy Jork,
02:50
or is it going to be this?
66
155000
2000
czy może tak?
02:52
That's the questionpytanie.
67
157000
2000
Oto jest pytanie.
02:54
I mustmusi say, manywiele of the indicatorswskaźniki
68
159000
2000
Muszę dodać, że wiele wskazuje na to,
02:56
look like this is what it's going to look like,
69
161000
3000
że będzie to wyglądać właśnie tak,
02:59
but let's talk about it.
70
164000
3000
ale porozmawiajmy o tym.
03:02
So my provocativewyzywający statementkomunikat
71
167000
3000
Prowokacyjnie stwierdzę, że rozpaczliwie potrzebujemy
03:05
is that we desperatelybeznadziejnie need a seriouspoważny scientificnaukowy theoryteoria of citiesmiasta.
72
170000
3000
poważnej naukowej teorii miast.
03:08
And scientificnaukowy theoryteoria meansznaczy quantifiablemierzalne --
73
173000
3000
Teoria naukowa oznacza, że jest ona wymierna --
03:11
relyingOpierając się on underlyingpoważniejszych genericrodzajowy principleszasady
74
176000
3000
oparta i polegająca na zasadach ogólnych,
03:14
that can be madezrobiony into a predictivepredykcyjne frameworkstruktura.
75
179000
2000
umożliwiająca poprawne wnioskowanie.
03:16
That's the questQuest.
76
181000
2000
Do tego dążymy.
03:18
Is that conceivablewyobrażalny?
77
183000
2000
Czy jest to realne?
03:20
Are there universaluniwersalny lawsprawa?
78
185000
2000
Czy istnieją prawa uniwersalne?
03:22
So here'soto jest two questionspytania
79
187000
2000
Odnośnie tej kwestii nasuwają mi się dwa pytania.
03:24
that I have in my headgłowa when I think about this problemproblem.
80
189000
2000
Odnośnie tej kwestii nasuwają mi się dwa pytania.
03:26
The first is:
81
191000
2000
Pierwsze z nich:
03:28
Are citiesmiasta partczęść of biologybiologia?
82
193000
2000
Czy miasta są częścią przyrody?
03:30
Is LondonLondyn a great bigduży whalewieloryb?
83
195000
2000
Czy Londyn to ogromny wieloryb?
03:32
Is EdinburghEdynburg a horsekoń?
84
197000
2000
Czy Edynburg to koń?
03:34
Is MicrosoftMicrosoft a great bigduży anthillmrowisko?
85
199000
2000
Czy Microsoft to jedno wielkie mrowisko?
03:36
What do we learnuczyć się from that?
86
201000
2000
Czy to nas czegoś uczy?
03:38
We use them metaphoricallymetaforycznie --
87
203000
2000
Używamy tych metafor --
03:40
the DNADNA of a companyfirma, the metabolismmetabolizm of a cityMiasto, and so on --
88
205000
2000
DNA firmy, metabolizm miasta, i tak dalej --
03:42
is that just bullshitgłupie gadanie, metaphoricalmetaforyczny bullshitgłupie gadanie,
89
207000
3000
czy to tylko bzdura, metaforyczna brednia,
03:45
or is there seriouspoważny substancesubstancja to it?
90
210000
3000
czy też jest w tym jakieś przesłanie?
03:48
And if that is the casewalizka,
91
213000
2000
A jeśli tak,
03:50
how come that it's very hardciężko to killzabić a cityMiasto?
92
215000
2000
to dlaczego tak trudno jest uśmiercić miasto?
03:52
You could dropupuszczać an atomatom bombbomba on a cityMiasto,
93
217000
2000
Można zrzucić bombę atomową na miasto,
03:54
and 30 yearslat laterpóźniej it's survivingprzeżycie.
94
219000
2000
a trzydzieści lat później ono dalej żyje.
03:56
Very fewkilka citiesmiasta failzawieść.
95
221000
3000
Bardzo niewiele miast upada.
03:59
All companiesfirmy dieumierać, all companiesfirmy.
96
224000
3000
Wszystkie firmy w końcu upadają.
04:02
And if you have a seriouspoważny theoryteoria, you should be ablezdolny to predictprzepowiadać, wywróżyć
97
227000
2000
Mając poważną teorię, powinniśmy przewidzieć
04:04
when GoogleGoogle is going to go bustpopiersie.
98
229000
3000
kiedy splajtuje Google.
04:07
So is that just anotherinne versionwersja
99
232000
3000
Zatem czy to jest jedynie
04:10
of this?
100
235000
2000
inną wersją tego?
04:12
Well we understandzrozumieć this very well.
101
237000
2000
Bardzo dobrze rozumiemy przyrodę.
04:14
That is, you askzapytać any genericrodzajowy questionpytanie about this --
102
239000
2000
Możemy zadać w tym temacie każde pytanie --
04:16
how manywiele treesdrzewa of a givendany sizerozmiar,
103
241000
2000
ile jest drzew danej wielkości,
04:18
how manywiele branchesoddziały of a givendany sizerozmiar does a treedrzewo have,
104
243000
2000
ile gałęzi danej wielkości ma drzewo
04:20
how manywiele leavesodchodzi,
105
245000
2000
ile liści,
04:22
what is the energyenergia flowingpłynący throughprzez eachkażdy branchgałąź,
106
247000
2000
jaka energia płynie przez każdą gałąź,
04:24
what is the sizerozmiar of the canopybaldachim,
107
249000
2000
jak duża jest jego korona,
04:26
what is its growthwzrost, what is its mortalityśmiertelność?
108
251000
2000
jaki jest wzrost, rozwój i długość jego życia?
04:28
We have a mathematicalmatematyczny frameworkstruktura
109
253000
2000
Mamy matematyczny szkielet,
04:30
basedna podstawie on genericrodzajowy universaluniwersalny principleszasady
110
255000
3000
oparty na ogólnych, uniwersalnych zasadach,
04:33
that can answerodpowiedź those questionspytania.
111
258000
2000
który pomaga odpowiedzieć na te pytania.
04:35
And the ideapomysł is can we do the samepodobnie for this?
112
260000
4000
Pytanie brzmi: czy to samo da się zrobić tutaj?
04:40
So the routetrasa in is recognizingrozpoznawanie
113
265000
3000
Na początku musimy zrozumieć,
04:43
one of the mostwiększość extraordinaryniezwykły things about life,
114
268000
2000
że jedną z najbardziej niezwykłych prawd o życiu,
04:45
is that it is scalableskalowalny,
115
270000
2000
jest jego skalowalność,
04:47
it worksPrace over an extraordinaryniezwykły rangezasięg.
116
272000
2000
i to w ogromnym zakresie.
04:49
This is just a tinymalutki rangezasięg actuallytak właściwie:
117
274000
2000
Oto zaledwie maleńki fragment tej rozpiętości;
04:51
It's us mammalsssaki;
118
276000
2000
to my, ssaki;
04:53
we're one of these.
119
278000
2000
to do nich należymy.
04:55
The samepodobnie principleszasady, the samepodobnie dynamicsdynamika,
120
280000
2000
Te same zasady, ta sama dynamika,
04:57
the samepodobnie organizationorganizacja is at work
121
282000
2000
te same struktury działają
04:59
in all of these, includingwłącznie z us,
122
284000
2000
dla nich wszystkich, w tym nas,
05:01
and it can scaleskala over a rangezasięg of 100 millionmilion in sizerozmiar.
123
286000
3000
a rozmiarowo możemy się różnić nawet 100 milionów razy.
05:04
And that is one of the mainGłówny reasonspowody
124
289000
3000
I to jeden z głównych powodów,
05:07
life is so resilientelastyczne and robustkrzepki --
125
292000
2000
przez które życie jest tak solidne i odporne --
05:09
scalabilityskalowalność.
126
294000
2000
skalowalność.
05:11
We're going to discussomawiać that in a momentza chwilę more.
127
296000
3000
Przedyskutujemy to głębiej za chwilę.
05:14
But you know, at a locallokalny levelpoziom,
128
299000
2000
Ale na podstawowym poziomie,
05:16
you scaleskala; everybodywszyscy in this roompokój is scaledłuskowaty.
129
301000
2000
skalowalność dotyczy nas wszystkich na tej sali.
05:18
That's callednazywa growthwzrost.
130
303000
2000
Nazywa się to rozwojem.
05:20
Here'sTutaj jest how you grewrósł.
131
305000
2000
Tak się rozwijamy.
05:22
RatSzczur, that's a ratszczur -- could have been you.
132
307000
2000
A tutaj szczur -- mógłby to być ktoś z nas.
05:24
We're all prettyładny much the samepodobnie.
133
309000
3000
W zasadzie jesteśmy tacy sami.
05:27
And you see, you're very familiarznajomy with this.
134
312000
2000
Zresztą sami dobrze wiecie.
05:29
You growrosnąć very quicklyszybko and then you stop.
135
314000
2000
Rośnie się bardzo szybko, a potem przestaje.
05:31
And that linelinia there
136
316000
2000
A ta linia
05:33
is a predictionPrognoza from the samepodobnie theoryteoria,
137
318000
2000
to prognoza wzięta z tej samej teorii,
05:35
basedna podstawie on the samepodobnie principleszasady,
138
320000
2000
oparta na tym samych zasadach,
05:37
that describesopisuje that forestlas.
139
322000
2000
które opisują las.
05:39
And here it is for the growthwzrost of a ratszczur,
140
324000
2000
Ta linia jest prognozą wzrostu szczura,
05:41
and those pointszwrotnica on there are datadane pointszwrotnica.
141
326000
2000
a punkty na niej to szczegółowe dane.
05:43
This is just the weightwaga versusprzeciw the agewiek.
142
328000
2000
To waga w stosunku do wieku.
05:45
And you see, it stopsprzystanki growingrozwój.
143
330000
2000
Widać, że przestaje rosnąć.
05:47
Very, very good for biologybiologia --
144
332000
2000
Bardzo dobrze dla przyrody --
05:49
alsorównież one of the reasonspowody for its great resiliencesprężystość.
145
334000
2000
stąd między innymi jej wielka żywotność.
05:51
Very, very badzły
146
336000
2000
Bardzo źle
05:53
for economiesgospodarki and companiesfirmy and citiesmiasta
147
338000
2000
dla gospodarki, dla przedsiębiorstw i miast
05:55
in our presentteraźniejszość paradigmparadygmat.
148
340000
2000
w dzisiejszym świecie.
05:57
This is what we believe.
149
342000
2000
W to wierzymy.
05:59
This is what our wholecały economygospodarka
150
344000
2000
To wmawia nam cała nasza gospodarka,
06:01
is thrustingwepchnięcie uponna us,
151
346000
2000
To wmawia nam cała nasza gospodarka,
06:03
particularlyszczególnie illustratedilustrowane in that left-handlewa ręka cornerkąt:
152
348000
3000
widać to zwłaszcza w lewym dolnym rogu:
06:06
hockeyhokej stickskije.
153
351000
2000
te jakby kije hokejowe.
06:08
This is a bunchwiązka of softwareoprogramowanie companiesfirmy --
154
353000
2000
To firmy produkujące oprogramowanie --
06:10
and what it is is theirich revenuedochód versusprzeciw theirich agewiek --
155
355000
2000
to stosunek ich przychodów do wieku --
06:12
all zoomingPowiększanie away,
156
357000
2000
wszystko szybuje w górę,
06:14
and everybodywszyscy makingzrobienie millionsmiliony and billionsmiliardy of dollarsdolarów.
157
359000
2000
i wszyscy zarabiają grube miliony.
06:16
Okay, so how do we understandzrozumieć this?
158
361000
3000
Jak to rozumieć?
06:19
So let's first talk about biologybiologia.
159
364000
3000
Porozmawiajmy najpierw o przyrodzie.
06:22
This is explicitlywyraźnie showingseans you
160
367000
2000
Tu jest wyraźnie pokazane,
06:24
how things scaleskala,
161
369000
2000
jak wszystko jest skalowalne --
06:26
and this is a trulynaprawdę remarkableznakomity graphwykres.
162
371000
2000
to naprawdę niezwykły wykres.
06:28
What is plottedkreślone here is metabolicmetaboliczne rateoceniać --
163
373000
3000
Przedstawia on tempo przemiany materii --
06:31
how much energyenergia you need perza day to stayzostać aliveżywy --
164
376000
3000
ile energii dziennie potrzebujemy, by przeżyć --
06:34
versusprzeciw your weightwaga, your massmasa,
165
379000
2000
w stosunku do naszej wagi,
06:36
for all of us bunchwiązka of organismsorganizmy.
166
381000
3000
dla nas wszystkich, różnych organizmów.
06:39
And it's plottedkreślone in this funnyzabawny way by going up by factorsczynniki of 10,
167
384000
3000
Zilustrowane w ten zabawny sposób, zwiększając skalę co krok o 10 razy,
06:42
otherwisew przeciwnym razie you couldn'tnie mógł get everything on the graphwykres.
168
387000
2000
gdyż inaczej nie wszystko zmieściłoby się na wykresie.
06:44
And what you see if you plotwątek it
169
389000
2000
Łatwo zobaczyć, na wykresie stworzonym
06:46
in this slightlynieco curiousciekawy way
170
391000
2000
w ten nieco osobliwy sposób,
06:48
is that everybodywszyscy lieskłamstwa on the samepodobnie linelinia.
171
393000
3000
że wszyscy znajdują się na tej samej linii.
06:51
DespitePomimo the factfakt that this is the mostwiększość complexzłożony and diverseróżnorodny systemsystem
172
396000
3000
Pomimo, że to najbardziej skomplikowany
06:54
in the universewszechświat,
173
399000
3000
i różnorodny system we wszechświecie,
06:57
there's an extraordinaryniezwykły simplicityprostota
174
402000
2000
widać tu niesamowitą prostotę.
06:59
beingistota expressedwyrażone by this.
175
404000
2000
widać tu niesamowitą prostotę.
07:01
It's particularlyszczególnie astonishingzadziwiający
176
406000
3000
Jest to tym bardziej zadziwiające,
07:04
because eachkażdy one of these organismsorganizmy,
177
409000
2000
ponieważ każdy z tych organizmów,
07:06
eachkażdy subsystempodsystemu, eachkażdy cellkomórka typerodzaj, eachkażdy genegen,
178
411000
2000
każdy podukład, każdy typ komórki, każdy gen
07:08
has evolvedewoluował in its ownwłasny uniquewyjątkowy environmentalśrodowiskowy nicheniszy
179
413000
4000
ewoluował we własnej, unikalnej niszy ekologicznej
07:12
with its ownwłasny uniquewyjątkowy historyhistoria.
180
417000
3000
i ma swoją unikalną historię.
07:15
And yetjeszcze, despitepomimo all of that DarwinianDarwinowskiej evolutionewolucja
181
420000
3000
A jednak, pomimo całej tej darwinowskiej ewolucji
07:18
and naturalnaturalny selectionwybór,
182
423000
2000
i naturalnej selekcji,
07:20
they'veoni been constrainedograniczony to liekłamstwo on a linelinia.
183
425000
2000
one wszystkie znalazły się na jednej linii.
07:22
Something elsejeszcze is going on.
184
427000
2000
Tu musi być coś jeszcze.
07:24
Before I talk about that,
185
429000
2000
Zanim o tym opowiem,
07:26
I've writtenpisemny down at the bottomDolny there
186
431000
2000
zapisałem u dołu
07:28
the slopenachylenie of this curvekrzywa, this straightproste linelinia.
187
433000
2000
nachylenie tej krzywej, tej linii prostej.
07:30
It's three-quarterstrzy czwarte, roughlyw przybliżeniu,
188
435000
2000
W przybliżeniu jest to trzy czwarte,
07:32
whichktóry is lessmniej than one -- and we call that sublinearpodliniowa.
189
437000
3000
czyli mniej niż jeden -- nazywamy to funkcją podliniową.
07:35
And here'soto jest the pointpunkt of that.
190
440000
2000
I o to chodzi.
07:37
It saysmówi that, if it were linearliniowy,
191
442000
3000
To znaczy, że gdyby była liniowa,
07:40
the steepestnajbardziej stroma slopenachylenie,
192
445000
2000
szybciej wznosząca się,
07:42
then doublingpodwojenie the sizerozmiar
193
447000
2000
wówczas podwojenie rozmiaru,
07:44
you would requirewymagać doublepodwójnie the amountilość of energyenergia.
194
449000
2000
wymagałoby podwojenia ilości energii.
07:46
But it's sublinearpodliniowa, and what that translatesprzekłada się into
195
451000
3000
Ale to funkcja podliniowa, co oznacza,
07:49
is that, if you doublepodwójnie the sizerozmiar of the organismorganizm,
196
454000
2000
że dwukrotne zwiększenie wymiarów organizmu,
07:51
you actuallytak właściwie only need 75 percentprocent more energyenergia.
197
456000
3000
wymaga tylko 75 procent energii więcej.
07:54
So a wonderfulwspaniale thing about all of biologybiologia
198
459000
2000
Więc cudowne w przyrodzie jest to,
07:56
is that it expresseswyraża an extraordinaryniezwykły economygospodarka of scaleskala.
199
461000
3000
że przejawia ona niesamowitą korzyść skali.
07:59
The biggerwiększy you are systematicallysystematycznie,
200
464000
2000
Im jesteś większy, automatycznie,
08:01
accordingwedług to very well-defineddobrze zdefiniowane ruleszasady,
201
466000
2000
zgodnie ze ściśle określonymi regułami,
08:03
lessmniej energyenergia perza capitacapita.
202
468000
3000
tym mniej energii na głowę.
08:06
Now any physiologicalfizjologiczne variableZmienna you can think of,
203
471000
3000
Każda zmienna fizjologiczna którą sobie wyobrazisz,
08:09
any life historyhistoria eventzdarzenie you can think of,
204
474000
2000
każde zdarzenie z życia,
08:11
if you plotwątek it this way, lookswygląda like this.
205
476000
3000
po sporządzeniu takiego wykresu wygląda tak samo.
08:14
There is an extraordinaryniezwykły regularityregularność.
206
479000
2000
Mamy tu do czynienia z niezwykłą regularnością.
08:16
So you tell me the sizerozmiar of a mammalssak,
207
481000
2000
Więc wy podajecie mi wielkość ssaka,
08:18
I can tell you at the 90 percentprocent levelpoziom everything about it
208
483000
3000
a ja powiem wam o nim wszystko z 90% dokładnością,
08:21
in termswarunki of its physiologyfizjologia, life historyhistoria, etcitp.
209
486000
4000
poczynając od fizjologii, poprzez historię życia, itd.
08:25
And the reasonpowód for this is because of networkssieci.
210
490000
3000
Wytłumaczeniem tego są sieci.
08:28
All of life is controlledkontrolowane by networkssieci --
211
493000
3000
Sieci kontrolują każdą postać życia --
08:31
from the intracellularwewnątrzkomórkowy throughprzez the multicellularwielokomórkowy
212
496000
2000
od wewnątrzkomórkowego, poprzez wielokomórkowe,
08:33
throughprzez the ecosystemekosystem levelpoziom.
213
498000
2000
do poziomu ekosystemu.
08:35
And you're very familiarznajomy with these networkssieci.
214
500000
3000
Bardzo dobrze znacie te sieci.
08:39
That's a little thing that liveszyje insidewewnątrz an elephantsłoń.
215
504000
3000
To mały stwór żyjący w środku słonia.
08:42
And here'soto jest the summaryKrótki opis of what I'm sayingpowiedzenie.
216
507000
3000
Oto streszczenie tego, o czym mówię.
08:45
If you take those networkssieci,
217
510000
2000
Jeśli weźmiesz sieci,
08:47
this ideapomysł of networkssieci,
218
512000
2000
tę ideę sieci,
08:49
and you applyzastosować universaluniwersalny principleszasady,
219
514000
2000
i zastosujesz uniwersalne zasady,
08:51
mathematizablemathematizable, universaluniwersalny principleszasady,
220
516000
2000
matematycznie wyrażone, uniwersalne zasady,
08:53
all of these scalingszgorzeliny
221
518000
2000
wszystkie te skalowania
08:55
and all of these constraintsograniczenia followśledzić,
222
520000
3000
i ograniczenia są logicznym następstwem,
08:58
includingwłącznie z the descriptionopis of the forestlas,
223
523000
2000
w tym opis lasu,
09:00
the descriptionopis of your circulatoryukładu krążenia systemsystem,
224
525000
2000
opis układu krążenia,
09:02
the descriptionopis withinw ciągu cellskomórki.
225
527000
2000
opis wnętrza komórki.
09:04
One of the things I did not stressnaprężenie in that introductionwprowadzenie
226
529000
3000
W tym wprowadzeniu nie podkreśliłem jeszcze,
09:07
was that, systematicallysystematycznie, the pacetempo of life
227
532000
3000
że systemowo, tempo życia
09:10
decreaseszmniejsza się as you get biggerwiększy.
228
535000
2000
maleje ze wzrostem organizmu.
09:12
HeartSerce ratesstawki are slowerwolniej; you liverelacja na żywo longerdłużej;
229
537000
3000
Tętno spowalnia; żyjesz dłużej;
09:15
diffusiondyfuzja of oxygentlen and resourceszasoby
230
540000
2000
dyfuzja tlenu i przepływ substancji
09:17
acrossprzez membranesmembrany is slowerwolniej, etcitp.
231
542000
2000
przez błony jest wolniejszy, itd.
09:19
The questionpytanie is: Is any of this trueprawdziwe
232
544000
2000
Pytanie brzmi: czy coś z tego odnosi się również do miast i przedsiębiorstw?
09:21
for citiesmiasta and companiesfirmy?
233
546000
3000
Pytanie brzmi: czy coś z tego odnosi się również do miast i przedsiębiorstw?
09:24
So is LondonLondyn a scaledłuskowaty up BirminghamBirmingham,
234
549000
3000
Czy Londyn to Birmingham w powiększonej skali,
09:27
whichktóry is a scaledłuskowaty up BrightonBrighton, etcitp., etcitp.?
235
552000
3000
a to z kolei większe Brighton, etc.?
09:30
Is NewNowy YorkYork a scaledłuskowaty up SanSan FranciscoFrancisco,
236
555000
2000
Czy Nowy Jork to większe San Francisco.
09:32
whichktóry is a scaledłuskowaty up SantaSanta FeFe?
237
557000
2000
które jest większym Santa Fe?
09:34
Don't know. We will discussomawiać that.
238
559000
2000
Nie wiadomo. O tym porozmawiamy.
09:36
But they are networkssieci,
239
561000
2000
Ale są to sieci,
09:38
and the mostwiększość importantważny networksieć of citiesmiasta
240
563000
2000
a najważniejszą siecią miasta jesteście wy.
09:40
is you.
241
565000
2000
A najważniejszą siecią miasta jesteście wy.
09:42
CitiesMiast are just a physicalfizyczny manifestationmanifestacja
242
567000
3000
Miasta to wynik fizycznej manifestacji
09:45
of your interactionsinterakcje,
243
570000
2000
waszych wzajemnych relacji,
09:47
our interactionsinterakcje,
244
572000
2000
naszych interakcji,
09:49
and the clusteringklastrowanie and groupingGrupowanie of individualsosoby prywatne.
245
574000
2000
skupiania się i łączenia jednostek w grupy.
09:51
Here'sTutaj jest just a symbolicsymboliczne pictureobrazek of that.
246
576000
3000
Tutaj przedstawiono to symbolicznie.
09:54
And here'soto jest scalingułuskowienie of citiesmiasta.
247
579000
2000
A to skalowanie miast.
09:56
This showsprzedstawia that in this very simpleprosty exampleprzykład,
248
581000
3000
Na tym bardzo prostym przykładzie,
09:59
whichktóry happensdzieje się to be a mundanedoczesny exampleprzykład
249
584000
2000
przyziemnym przykładzie liczby stacji benzynowych
10:01
of numbernumer of petrolbenzyna stationsstacje
250
586000
2000
przyziemnym przykładzie liczby stacji benzynowych
10:03
as a functionfunkcjonować of sizerozmiar --
251
588000
2000
jako funkcji rozmiaru --
10:05
plottedkreślone in the samepodobnie way as the biologybiologia --
252
590000
2000
widać, że wykres sporządzony tak, jak dla żywych organizmów --
10:07
you see exactlydokładnie the samepodobnie kinduprzejmy of thing.
253
592000
2000
pokaże identyczny rezultat.
10:09
There is a scalingułuskowienie.
254
594000
2000
Ma miejsce skalowanie.
10:11
That is that the numbernumer of petrolbenzyna stationsstacje in the cityMiasto
255
596000
4000
To znaczy, że znamy liczbę stacji benzynowych w mieście
10:15
is now givendany to you
256
600000
2000
To znaczy, że znamy liczbę stacji benzynowych w mieście,
10:17
when you tell me its sizerozmiar.
257
602000
2000
kiedy znamy jego wielkość.
10:19
The slopenachylenie of that is lessmniej than linearliniowy.
258
604000
3000
Nachylenie krzywej jest mniejsze niż dla funkcji liniowej.
10:22
There is an economygospodarka of scaleskala.
259
607000
2000
Występuje tu ekonomia skali.
10:24
LessMniej petrolbenzyna stationsstacje perza capitacapita the biggerwiększy you are -- not surprisingzaskakujący.
260
609000
3000
Im większe miasto, tym mniej stacji na mieszkańca -- żadne zaskoczenie.
10:27
But here'soto jest what's surprisingzaskakujący.
261
612000
2000
Ale jest też coś zaskakującego.
10:29
It scaleswaga in the samepodobnie way everywherewszędzie.
262
614000
2000
Skalowalność jest taka sama wszędzie.
10:31
This is just EuropeanEuropejski countrieskraje,
263
616000
2000
To kraje europejskie,
10:33
but you do it in JapanJaponia or ChinaChiny or ColombiaKolumbia,
264
618000
3000
ale weźmy Japonię, Chiny lub Kolumbię,
10:36
always the samepodobnie
265
621000
2000
i zawsze będzie to samo,
10:38
with the samepodobnie kinduprzejmy of economygospodarka of scaleskala
266
623000
2000
ten sam rodzaj ekonomii skali,
10:40
to the samepodobnie degreestopień.
267
625000
2000
w tym samym stopniu.
10:42
And any infrastructureinfrastruktura you look at --
268
627000
3000
Której infrastrukturze się nie przyjrzeć --
10:45
whetherczy it's the lengthdługość of roadsdrogi, lengthdługość of electricalelektryczny lineskwestia --
269
630000
3000
czy to długość dróg, długość linii energetycznych --
10:48
anything you look at
270
633000
2000
na co nie spojrzeć,
10:50
has the samepodobnie economygospodarka of scaleskala scalingułuskowienie in the samepodobnie way.
271
635000
3000
wszędzie ta sama ekonomia skali, ta sama skalowalność.
10:53
It's an integratedzintegrowany systemsystem
272
638000
2000
To zintegrowany system,
10:55
that has evolvedewoluował despitepomimo all the planningplanowanie and so on.
273
640000
3000
który ewoluował pomimo całego planowania i tak dalej.
10:58
But even more surprisingzaskakujący
274
643000
2000
Ale jeszcze bardziej zaskakujące,
11:00
is if you look at socio-economicspołeczno gospodarczych quantitiesilości,
275
645000
2000
jeśli przyjrzeć się wielkościom socjoekonomicznym,
11:02
quantitiesilości that have no analoganalog in biologybiologia,
276
647000
3000
wielkościom, które nie mają odpowiednika w przyrodzie,
11:05
that have evolvedewoluował when we startedRozpoczęty formingformowanie communitiesspołeczności
277
650000
3000
które wykształciły się, kiedy zaczęliśmy tworzyć społeczności,
11:08
eightosiem to 10,000 yearslat agotemu.
278
653000
2000
osiem do 10 tysięcy lat temu.
11:10
The topTop one is wageswynagrodzenie as a functionfunkcjonować of sizerozmiar
279
655000
2000
Na samej górze jest płaca jako funkcja rozmiaru
11:12
plottedkreślone in the samepodobnie way.
280
657000
2000
przedstawiona w taki sam sposób.
11:14
And the bottomDolny one is you lot --
281
659000
2000
Na dole jesteście właśnie wy --
11:16
super-creativesSuper kreacje plottedkreślone in the samepodobnie way.
282
661000
3000
klasa kreatywna przedstawiona w taki sam sposób.
11:19
And what you see
283
664000
2000
Widać tu zjawisko skalowania.
11:21
is a scalingułuskowienie phenomenonzjawisko.
284
666000
2000
Widać tu zjawisko skalowania.
11:23
But mostwiększość importantważny in this,
285
668000
2000
Ale najważniejsze w tym, że wykładnik,
11:25
the exponentwykładnik potęgi, the analoganalog to that three-quarterstrzy czwarte
286
670000
2000
odpowiednik trzech czwartych dla przemiany materii,
11:27
for the metabolicmetaboliczne rateoceniać,
287
672000
2000
odpowiednik trzech czwartych dla przemiany materii,
11:29
is biggerwiększy than one -- it's about 1.15 to 1.2.
288
674000
2000
jest większy niż 1 - to około 1,15 do 1,2.
11:31
Here it is,
289
676000
2000
To oznacza, że im większy jesteś,
11:33
whichktóry saysmówi that the biggerwiększy you are
290
678000
3000
To oznacza, że im większy jesteś,
11:36
the more you have perza capitacapita, unlikew odróżnieniu biologybiologia --
291
681000
3000
tym więcej masz na głowę, inaczej niż w przyrodzie --
11:39
higherwyższy wageswynagrodzenie, more super-creativeSuper-kreatywne people perza capitacapita as you get biggerwiększy,
292
684000
4000
większa płaca, więcej kreatywnych osób, gdy stajesz się większy,
11:43
more patentspatenty perza capitacapita, more crimeprzestępstwo perza capitacapita.
293
688000
3000
więcej patentów na jednego mieszkańca, większy wskaźnik przestępczości.
11:46
And we'vemamy lookedspojrzał at everything:
294
691000
2000
Przyjrzeliśmy się wszystkiemu:
11:48
more AIDSAIDS casesprzypadki, flugrypa, etcitp.
295
693000
3000
więcej przypadków AIDS, grypy, etc.
11:51
And here, they're all plottedkreślone togetherRazem.
296
696000
2000
Wszystko na jednym wykresie.
11:53
Just to showpokazać you what we plottedkreślone,
297
698000
2000
Aby pokazać wam, co ujęliśmy na wykresie,
11:55
here is incomedochód, GDPPKB --
298
700000
3000
tutaj mamy dochód, PKB miasta --
11:58
GDPPKB of the cityMiasto --
299
703000
2000
tutaj mamy dochód, PKB miasta --
12:00
crimeprzestępstwo and patentspatenty all on one graphwykres.
300
705000
2000
przestępczość i patenty wszystkie na jednym wykresie.
12:02
And you can see, they all followśledzić the samepodobnie linelinia.
301
707000
2000
Jak widać, wszystkie trzymają się tej samej linii.
12:04
And here'soto jest the statementkomunikat.
302
709000
2000
Oto nasza teza.
12:06
If you doublepodwójnie the sizerozmiar of a cityMiasto from 100,000 to 200,000,
303
711000
3000
Jeśli populacja miasta podwoi się ze 100,000 do 200,000,
12:09
from a millionmilion to two millionmilion, 10 to 20 millionmilion,
304
714000
2000
z miliona do dwóch, z 10 do 20 milionów,
12:11
it doesn't mattermateria,
305
716000
2000
nieważne ile,
12:13
then systematicallysystematycznie
306
718000
2000
to automatycznie uzyskuje się wzrost 15%
12:15
you get a 15 percentprocent increasezwiększać
307
720000
2000
to automatycznie uzyskuje się wzrost 15%
12:17
in wageswynagrodzenie, wealthbogactwo, numbernumer of AIDSAIDS casesprzypadki,
308
722000
2000
w płacach, poziomie zamożności, liczbie przypadków AIDS,
12:19
numbernumer of policePolicja,
309
724000
2000
liczebności policji,
12:21
anything you can think of.
310
726000
2000
we wszystkim, co tylko przyjdzie ci na myśl.
12:23
It goesidzie up by 15 percentprocent,
311
728000
2000
Wszystko wzrasta o 15%,
12:25
and you have a 15 percentprocent savingsoszczędności
312
730000
3000
i mamy oszczędności rzędu 15%,
12:28
on the infrastructureinfrastruktura.
313
733000
3000
jeśli chodzi o infrastrukturę.
12:31
This, no doubtwątpić, is the reasonpowód
314
736000
3000
To niewątpliwie tłumaczy,
12:34
why a millionmilion people a weektydzień are gatheringzebranie in citiesmiasta.
315
739000
3000
dlaczego co tydzień milion ludzi zjeżdża do miast.
12:37
Because they think that all those wonderfulwspaniale things --
316
742000
3000
Ponieważ myślą o tych wszystkich wspaniałościach --
12:40
like creativetwórczy people, wealthbogactwo, incomedochód --
317
745000
2000
takich jak kreatywni ludzie, zamożność, dochód --
12:42
is what attractsprzyciąga them,
318
747000
2000
to ich przyciąga,
12:44
forgettingzapominając about the uglybrzydki and the badzły.
319
749000
2000
zapominając o tym, co ohydne i złe.
12:46
What is the reasonpowód for this?
320
751000
2000
Dlaczego tak się dzieje?
12:48
Well I don't have time to tell you about all the mathematicsmatematyka,
321
753000
3000
Nie mam czasu, by omówić całą teorię matematyczną,
12:51
but underlyingpoważniejszych this is the socialspołeczny networkssieci,
322
756000
3000
ale podłożem tego są sieci społeczne,
12:54
because this is a universaluniwersalny phenomenonzjawisko.
323
759000
3000
ponieważ to fenomen uniwersalny.
12:57
This 15 percentprocent rulereguła
324
762000
3000
Reguła 15% jest prawdziwa
13:00
is trueprawdziwe
325
765000
2000
Reguła 15% jest prawdziwa
13:02
no mattermateria where you are on the planetplaneta --
326
767000
2000
bez względu na to, w którym miejscu tej planety się znajdujemy --
13:04
JapanJaponia, ChileChile,
327
769000
2000
w Japonii, Chile,
13:06
PortugalPortugalia, ScotlandSzkocja, doesn't mattermateria.
328
771000
3000
Portugalii, Szkocji - to nie ma znaczenia.
13:09
Always, all the datadane showsprzedstawia it's the samepodobnie,
329
774000
3000
Zawsze wszystkie dane pokazują to samo,
13:12
despitepomimo the factfakt that these citiesmiasta have evolvedewoluował independentlyniezależnie.
330
777000
3000
mimo że miasta rozwijają się niezależnie od siebie.
13:15
Something universaluniwersalny is going on.
331
780000
2000
Mamy do czynienia z czymś uniwersalnym.
13:17
The universalityuniwersalność, to repeatpowtarzać, is us --
332
782000
3000
Uniwersalność, powtórzę po raz kolejny, to my --
13:20
that we are the cityMiasto.
333
785000
2000
to my jesteśmy miastem.
13:22
And it is our interactionsinterakcje and the clusteringklastrowanie of those interactionsinterakcje.
334
787000
3000
To nasze wzajemne relacje i skupienie tych relacji.
13:25
So there it is, I've said it again.
335
790000
2000
No i proszę, znów to powiedziałem.
13:27
So if it is those networkssieci and theirich mathematicalmatematyczny structureStruktura,
336
792000
3000
Więc przy sieciach z ich matematyczną strukturą,
13:30
unlikew odróżnieniu biologybiologia, whichktóry had sublinearpodliniowa scalingułuskowienie,
337
795000
3000
inaczej niż w przyrodzie, która miała skalowalność podliniową ,
13:33
economiesgospodarki of scaleskala,
338
798000
2000
ekonomię skali,
13:35
you had the slowingspowolnienie of the pacetempo of life
339
800000
2000
mieliśmy spowolnienie tempa życia
13:37
as you get biggerwiększy.
340
802000
2000
w miarę powiększania się rozmiaru.
13:39
If it's socialspołeczny networkssieci with super-linearSuper-liniowe scalingułuskowienie --
341
804000
2000
Jeśli to sieci społeczne ze skalowalnością nadliniową --
13:41
more perza capitacapita --
342
806000
2000
więcej na głowę --
13:43
then the theoryteoria saysmówi
343
808000
2000
wtedy teoria mówi,
13:45
that you increasezwiększać the pacetempo of life.
344
810000
2000
że zwiększa się tempo życia.
13:47
The biggerwiększy you are, life getsdostaje fasterszybciej.
345
812000
2000
Im jesteś większy, tym szybsze życie.
13:49
On the left is the heartserce rateoceniać showingseans biologybiologia.
346
814000
2000
Po lewej przyroda i tętno w stosunku do rozmiaru.
13:51
On the right is the speedprędkość of walkingpieszy
347
816000
2000
Po prawej szybkość chodzenia
13:53
in a bunchwiązka of EuropeanEuropejski citiesmiasta,
348
818000
2000
w dużej liczbie miast europejskich,
13:55
showingseans that increasezwiększać.
349
820000
2000
pokazująca ten wzrost.
13:57
LastlyWreszcie, I want to talk about growthwzrost.
350
822000
3000
Na koniec, chcę pomówić o rozwoju.
14:00
This is what we had in biologybiologia, just to repeatpowtarzać.
351
825000
3000
To mieliśmy w przyrodzie, pozwólcie, że powtórzę.
14:03
EconomiesGospodarek of scaleskala
352
828000
3000
Korzyść skali spowodowała wzrost sigmoidalny.
14:06
gavedał risewzrost to this sigmoidalsigmoidalnej behaviorzachowanie.
353
831000
3000
Korzyść skali spowodowała wzrost sigmoidalny.
14:09
You growrosnąć fastszybki and then stop --
354
834000
3000
Szybki wzrost a potem zatrzymanie --
14:12
partczęść of our resiliencesprężystość.
355
837000
2000
część naszej żywotności.
14:14
That would be badzły for economiesgospodarki and citiesmiasta.
356
839000
3000
Miasta i gospodarka źle by na tym wyszły.
14:17
And indeedw rzeczy samej, one of the wonderfulwspaniale things about the theoryteoria
357
842000
2000
Wspaniałą cechą tej teorii jest to,
14:19
is that if you have super-linearSuper-liniowe scalingułuskowienie
358
844000
3000
że jeśli mamy skalowanie nadliniowe,
14:22
from wealthbogactwo creationkreacja and innovationinnowacja,
359
847000
2000
z tworzenia bogactwa i innowacji,
14:24
then indeedw rzeczy samej you get, from the samepodobnie theoryteoria,
360
849000
3000
wtedy na podstawie tej samej teorii uzyskujemy
14:27
a beautifulpiękny risingpodniesienie exponentialwykładniczy curvekrzywa -- lovelyśliczny.
361
852000
2000
piękną krzywą rosnącą w postępie geometrycznym -- ślicznie.
14:29
And in factfakt, if you compareporównać it to datadane,
362
854000
2000
Rzeczywiście, jeśli porównać to z danymi,
14:31
it fitspasuje very well
363
856000
2000
świetnie pasuje do rozwoju miast i gospodarki.
14:33
with the developmentrozwój of citiesmiasta and economiesgospodarki.
364
858000
2000
świetnie pasuje do rozwoju miast i gospodarki.
14:35
But it has a terriblestraszny catchłapać,
365
860000
2000
Ale jest jeden haczyk,
14:37
and the catchłapać
366
862000
2000
haczyk polega na tym,
14:39
is that this systemsystem is destinedprzeznaczone to collapsezawalić się.
367
864000
3000
że temu systemowi pisany jest upadek.
14:42
And it's destinedprzeznaczone to collapsezawalić się for manywiele reasonspowody --
368
867000
2000
System musi upaść z wielu powodów --
14:44
kinduprzejmy of MalthusianMaltuzjańską reasonspowody -- that you runbiegać out of resourceszasoby.
369
869000
3000
powodów rodem z maltuzjanizmu -- że zabraknie zasobów.
14:47
And how do you avoiduniknąć that? Well we'vemamy doneGotowe it before.
370
872000
3000
Jak tego uniknąć? Już nam się nieraz udawało.
14:50
What we do is,
371
875000
2000
To co się dzieje,
14:52
as we growrosnąć and we approachpodejście the collapsezawalić się,
372
877000
3000
kiedy rośniemy i zbliżamy się do upadku,
14:55
a majorpoważny innovationinnowacja takes placemiejsce
373
880000
3000
zachodzą jakieś istotne innowacje,
14:58
and we startpoczątek over again,
374
883000
2000
i zaczynamy od początku,
15:00
and we startpoczątek over again as we approachpodejście the nextNastępny one, and so on.
375
885000
3000
zaczynamy, zbliżamy się do następnego krachu i tak dalej.
15:03
So there's this continuousciągły cyclecykl of innovationinnowacja
376
888000
2000
Ma miejsce ciągły cykl innowacji,
15:05
that is necessaryniezbędny
377
890000
2000
konieczny, żeby podtrzymać rozwój i uniknąć krachu.
15:07
in orderzamówienie to sustainponieść growthwzrost and avoiduniknąć collapsezawalić się.
378
892000
3000
konieczny, żeby podtrzymać rozwój i uniknąć krachu.
15:10
The catchłapać, howeverjednak, to this
379
895000
2000
Tutaj jednak haczyk polega na tym,
15:12
is that you have to innovatewprowadzać innowacje
380
897000
2000
że innowacje potrzeba wprowadzać coraz szybciej
15:14
fasterszybciej and fasterszybciej and fasterszybciej.
381
899000
3000
że innowacje potrzeba wprowadzać coraz szybciej.
15:17
So the imageobraz
382
902000
2000
Zatem wygląda to tak, że nie tylko
15:19
is that we're not only on a treadmillBieżnia that's going fasterszybciej,
383
904000
3000
jesteśmy na bieżni, która porusza się coraz szybciej,
15:22
but we have to changezmiana the treadmillBieżnia fasterszybciej and fasterszybciej.
384
907000
3000
ale musimy tę bieżnię wymieniać coraz częściej.
15:25
We have to accelerateprzyśpieszyć on a continuousciągły basispodstawa.
385
910000
3000
Musimy non stop przyspieszać.
15:28
And the questionpytanie is: Can we, as socio-economicspołeczno gospodarczych beingsIstoty,
386
913000
3000
Pytanie brzmi: Czy my, jako istoty społeczno-ekonomiczne,
15:31
avoiduniknąć a heartserce attackatak?
387
916000
3000
jesteśmy w stanie uniknąć ataku serca?
15:34
So lastlyw końcu, I'm going to finishkoniec up in this last minutechwila or two
388
919000
3000
Na koniec chciałbym wrócić do firm.
15:37
askingpytając about companiesfirmy.
389
922000
2000
Na koniec chciałbym wrócić do firm.
15:39
See companiesfirmy, they scaleskala.
390
924000
2000
Firmy są skalowalne.
15:41
The topTop one, in factfakt, is WalmartWalmart on the right.
391
926000
2000
Ta u góry to Walmart.
15:43
It's the samepodobnie plotwątek.
392
928000
2000
To ten sam diagram.
15:45
This happensdzieje się to be incomedochód and assetsmajątek
393
930000
2000
Tu widać dochody i aktywa
15:47
versusprzeciw the sizerozmiar of the companyfirma as denotedoznaczamy by its numbernumer of employeespracowników.
394
932000
2000
w stosunku do wielkości firmy mierzonej liczbą pracowników.
15:49
We could use salesobroty, anything you like.
395
934000
3000
Moglibyśmy wykorzystać sprzedaż czy cokolwiek innego.
15:52
There it is: after some little fluctuationswahania at the beginningpoczątek,
396
937000
3000
Po niewielkich początkowych wahaniach,
15:55
when companiesfirmy are innovatinginnowacje,
397
940000
2000
kiedy firmy wprowadzają innowacje,
15:57
they scaleskala beautifullyestetycznie.
398
942000
2000
świetnie widać skalowalność.
15:59
And we'vemamy lookedspojrzał at 23,000 companiesfirmy
399
944000
3000
Dodam, że przyjrzeliśmy się 23 000 firm
16:02
in the UnitedStany Zjednoczone StatesPaństwa, maymoże I say.
400
947000
2000
w Stanach Zjednoczonych.
16:04
And I'm only showingseans you a little bitkawałek of this.
401
949000
3000
Pokazuję wam tylko mały fragment.
16:07
What is astonishingzadziwiający about companiesfirmy
402
952000
2000
Zaskakujące jeśli chodzi o firmy jest to,
16:09
is that they scaleskala sublinearlysublinearly
403
954000
3000
że skalują się one podliniowo
16:12
like biologybiologia,
404
957000
2000
tak jak przyroda,
16:14
indicatingwskazujące that they're dominatedzdominowany,
405
959000
2000
co świadczy o tym, że są zdominowane
16:16
not by super-linearSuper-liniowe
406
961000
2000
nie przez nadliniowe innowacje i pomysły;
16:18
innovationinnowacja and ideaspomysły;
407
963000
3000
nie przez nadliniowe innowacje i pomysły;
16:21
they becomestają się dominatedzdominowany
408
966000
2000
zostają zdominowane przez korzyść skali.
16:23
by economiesgospodarki of scaleskala.
409
968000
2000
zostają zdominowane przez korzyść skali.
16:25
In that interpretationinterpretacja,
410
970000
2000
W tej interpretacji, przez biurokrację i administrację,
16:27
by bureaucracybiurokracja and administrationadministracja,
411
972000
2000
przez biurokrację i administrację,
16:29
and they do it beautifullyestetycznie, maymoże I say.
412
974000
2000
i dodam, że robią to świetnie.
16:31
So if you tell me the sizerozmiar of some companyfirma, some smallmały companyfirma,
413
976000
3000
Więc jeśli podacie mi wielkość jakiejś firmy, małej firmy,
16:34
I could have predictedprzewidywane the sizerozmiar of WalmartWalmart.
414
979000
3000
mógłbym przewidzieć rozmiar Walmartu.
16:37
If it has this sublinearpodliniowa scalingułuskowienie,
415
982000
2000
Jeśli podlega skalowaniu podliniowemu,
16:39
the theoryteoria saysmówi
416
984000
2000
teoria mówi,
16:41
we should have sigmoidalsigmoidalnej growthwzrost.
417
986000
3000
że powinniśmy mieć wzrost sigmoidalny.
16:44
There's WalmartWalmart. Doesn't look very sigmoidalsigmoidalnej.
418
989000
2000
Oto Walmart. Nie wygląda zbyt sigmoidalnie.
16:46
That's what we like, hockeyhokej stickskije.
419
991000
3000
To się nam podoba, kije hokejowe.
16:49
But you noticeogłoszenie, I've cheatedoszukany,
420
994000
2000
Ale zauważcie, popełniłem oszustwo,
16:51
because I've only goneodszedł up to '94.
421
996000
2000
ponieważ doszedłem tylko do roku 94.
16:53
Let's go up to 2008.
422
998000
2000
Przenieśmy się do roku 2008.
16:55
That redczerwony linelinia is from the theoryteoria.
423
1000000
3000
Czerwona linia wynika z teorii.
16:58
So if I'd have doneGotowe this in 1994,
424
1003000
2000
Gdybym sporządził taki wykres w 1994,
17:00
I could have predictedprzewidywane what WalmartWalmart would be now.
425
1005000
3000
mogłem przewidzieć, gdzie Walmart będzie dziś.
17:03
And then this is repeatedpowtarzający się
426
1008000
2000
To powtarza się w całym spektrum firm.
17:05
acrossprzez the entireCały spectrumwidmo of companiesfirmy.
427
1010000
2000
To powtarza się w całym spektrum firm.
17:07
There they are. That's 23,000 companiesfirmy.
428
1012000
3000
Oto one. 23 000 firm.
17:10
They all startpoczątek looking like hockeyhokej stickskije,
429
1015000
2000
Wszystkie zaczynają wyglądać jak kije hokejowe,
17:12
they all bendzakręt over,
430
1017000
2000
wszystkie zakrzywiają się w dół,
17:14
and they all dieumierać like you and me.
431
1019000
2000
i wszystkie umierają tak jak wy i ja.
17:16
Thank you.
432
1021000
2000
Dziękuję.
17:18
(ApplauseAplauz)
433
1023000
9000
(Oklaski)
Translated by A. Konstancja Wiszniewska
Reviewed by Alek Kloda

▲Back to top

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

Why you should listen

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

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

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

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