推荐星级：一、导论
大家好，今天我们要换个话题，和往常一样，我们先从一个故事开始，这个故事和艺术有关。20世纪70年代，纽约当时的街头艺术以及涂鸦蓬勃发展，并且成为了一种艺术形式。1977年，一种非常特别的涂鸦，开始出现在了纽约曼哈顿的墙壁上。刚开始就是些抖机灵的句子，"萨莫不会让实验室动物得上癌症，"而常见的是它们的落款都是萨莫。从1977到1980年，这些涂鸦持续了三年之久。最后在1980年，城市里各个角落都出现了一句话，"萨莫死了。"然后，这些句子不再出现了。有趣的是，现在我们知道，这些涂鸦不是某一个艺术家的作品，而是两个高中死党一起创作的，他们决定共用这个名字。
其中一个是艾尔o迪亚兹，在创作萨莫系列前，他玩了很多年涂鸦，很有名气，他与著名的美国作家诺曼梅勒联手，完成了一本关于涂鸦的书，而他的作品就出现在了那本书里，但萨莫系列没有出现他本人的落款，而是一个合称（萨莫）。但其中另一个人巴斯奎特，在当时鲜为人知。有趣的是，他们一同起步，有着同样的背景，一个人向另一个人学习艺术，毕竟其中一个人水平要高些。但几年后，巴斯奎特成为了作品最畅销的美国艺术家之一，几年前他的作品卖价达到了当代艺术家中的最高峰，高达1.1亿。
所以有趣的地方在于，这有点像我们在科学中常说的对照实验，比方说双胞胎对照实验。两个艺术家一起起步，玩着相同的艺术，结果几年后，就不再合作了，分道扬镳。其中的艾尔o迪亚兹现在还活着，但仍然处于纽约艺术圈的边缘，不是很出名，另一个却成为了最昂贵的艺术家之一。在当代的艺术家中是如此，究竟为什么两个同时起步的艺术家却有着如此不同的人生轨迹？上节课我们谈到了网络，我们谈到的很多事情都追溯到同一个问题，网络是什么形态的，它是如何出现的？我们已经开始了一项研究，我们想要研究网络如何帮助或影响个人的职业生涯。因为我们都处于多个关系网络中，无论是艺术家的社交网络，还是专业组织，或公司里的人脉，或是家族关系网络。
我们先是观察科学家，然后观察其他人，看社交网络如何影响个人事业。但我们很快意识到，试图探索科学家或任何一个人的职业轨迹，不仅关乎关系网络，还有很多别的因素关系到我们是否会成功。因此我们最终要开发一套工具和一套思维方法，来试图解答这个问题。
二、成功法则
法则一：成绩是个体的表现，而成功是群体的认知
今天我要说的是，如何看待成功，以及个人事业生涯中的成功。关于这个话题，我们首先要讨论的是两个很相似，却又截然不同的东西，那就是成绩和成功。当然成绩和个人相关，是我们所做的事情反映了我们在特定任务中的表现，就好像我们跑多快，论文写得有多好，画画得有多有趣之类的。但是我们这次的课，要区分个人成绩与成功，成绩关乎你个人，关乎你的行动，而成功关乎群体，成功反映了社会群体如何观察并承认和嘉奖你的表现。从这个角度说，重要的地方在于，个人成绩通常是很难衡量的，但现如今，成功的定义是以集体为单位的，也就是说有多个数据点。这意味着我们可以用大数据的方法，相对准确地衡量某个行业群体中间成功如何出现。在之前的课上，我试着归纳定律，那么今天的课里，第一条定律就是，你的成绩只和你自己相关。但你的成功则关乎群体，关乎群体如何看待。
法则二：成绩驱动成功
理解你的成绩，要注意的是，常把两种衡量标准混到一起。举个例子，德约科维奇，一个网球选手，我们讨论他时，会出现很多个角度的故事。可以讨论他有多出名，有多少人在谷歌上搜索他，还可以讨论他的世界排名，讨论他的得分，讨论他究竟赢了多少分，讨论他的输赢，讨论有多少人浏览他的维基主页，讨论他赚了多少钱，无论是通过打比赛还是代言。我们在讨论时，观点是混合多元的，把成绩与成功混在一起。我们讨论的那些事里，有的只和他自己相关，还有一些则关乎我们。我们来试着把它们分开，他的输赢、得分和排名，他赚的钱，都是我们所说的成绩的衡量标准，这都只和他个人赛场的表现有关。但是多少人在维基搜索他，多少人在谷歌和维基上浏览他的主页，他能接到多少代言，这些都是成功的衡量标准，因为这关乎群体如何看待他。我们尝试得出这么一个结论，就是成绩驱动成功。
这有哪些衡量标准？你的行动、你的成绩，决定了群体给你的回馈。首先我们关注的是，如何准确衡量成绩。以网球为例，通常我们衡量成功的标准，是看有多少人浏览他的维基主页，这和那个人的成绩是紧密相关的，所以这种衡量还比较准确，大多数人都会用到。这些衡量方法，你或许没意识到科学家们可以研究维基主页背后的数据，看看有多少人在同时浏览一个页面。收集这些数据，继续观测这些指标，看每周会有多少人访问德约科维奇的维基主页，任何网页都可以这样去测量。如下图所示，在这个例子里我们可以看到，有一些清晰的访问峰值，都和他参加的比赛相关。你可以看到，2011年他的事业开始腾飞，那时候他赢得了许多重要赛事的大奖。
现在挑战在于，如何继续仅仅通过成绩来预测成功。仅仅通过成绩意思是，我们只关注和他的赛场成绩相关的信息，并利用那些信息，也就是利用他个人的成绩，来预测究竟会有多少人出于好奇，去浏览他的维基主页。为了做到这一点，我们最终创建了一个公式，如下图所示。这个公式的独特之处在于，右边的数据只和赛场上他的表现有关，左边则是预测多少人会好奇地浏览他的主页。我们主要说一下右侧的内容，但我想展示一下这个公式的准确性。下图红线反映的是，这个公式对于访问情况的预测。你可以看到，它对公众对德约科维奇好奇心的预测。
这是怎么做到的呢？因为这个预测的准确度来自事实，在网球这方面，成绩确实决定了成功，他的成绩决定了我们会有多好奇，可以说，右边的这些数据，比如锦标赛的含金量，就是这个比赛有多厉害。比赛数量，就是他之前打过的比赛数量，打了多少年比赛，对手的等级排名，他自己的等级排名，最顶尖的对手，他们的排名等等，这些都是和成绩相关的指标。一旦有了这些数据，我们就能准确，预测我们对他的好奇心，不仅仅是他，在专业的网球锦标赛中所有主要的男性选手，每个人预测和实际观察到的网页浏览量都大致一致，女性网球选手也是一样。这种一致性，这些点在45度角斜线周围分布的事实告诉我们，通过成绩，我们就可以预测成功。成绩决定了成功，或许你们并不惊讶，也不应该惊讶，这也是我们在学校里，反复学到的，不是吗？必须努力学习，努力工作，只有这样你才能成功，这也是我们教育系统的基础。
法则三：成绩有局限
现在要做的是，继续深入下去，看成绩和成功在其他群体上的反映。从表现开始，首先是我们可以精确衡量表现的领域，比如赛跑，赛跑有一维的成绩参数，那就是跑步速度，或者说跑步所花的时间。画面中显然是博尔特，地球上最快的人。因为他赢了这些比赛，没有人质疑他是最厉害的赛跑选手，有趣的是，当你看他的表现时，看奥运会上，他获胜冠军所花的时间，你会发现他的成绩和输掉的人相比，只好一个百分点甚至更少，输掉的人就变成了第二名。即便如此，赛跑中前两名之间的差异，实际上不到一个百分点。不仅如此，如果你真的比较我和博尔特，百米赛跑的速度，我当然跑得不快，但他的速度也比我快不了十倍，对吗？或许只是两倍吧，所以这里反映的是，成绩上确实不会存在太大的差异，对吗？世界顶尖的田径远动员，也只比我快两倍。这让我不禁思考，我们究竟如何准确区分顶尖与非顶尖的表现呢，尤其是比如里约运动会的游泳项目？不寻常的地方在于，匈牙利的游泳选手和另外两名选手共同获得了银牌，包括美国冠军菲尔普斯。
我为什么要分享这个例子呢，这是因为赛跑和游泳是为数不多的衡量标准独特，且精确的领域。我们发现，如果可以准确衡量个人表现，那么前几名选手之间的差距只有分毫，几乎是无法测量的。换句话说，我们发现，奔跑的速度是有限的，不管是游泳或是其他运动，我们做测量后，会发现同样的规律，那就是法则三：成绩是有局限的。有局限的意思是，最优者并不会比次优者的成绩高出一个数量级。顶尖选手之间只会有细微的差别，这不仅适用于体育，从商业到科学的其他领域，我们都可以衡量个人成绩，成绩最好的人之间，差异微乎其微。成绩是有限的，在顶尖范围内成绩是相当的。那么成功呢？
法则四：成功没有上限
要理解成功，我们还是看一个参数。举个例子，几年前我的书在美国出版，我在纽约和我的出版商聊天，出于好奇，我们看了那个星期的热销第一是哪本书，那是2009年10月4日，就是看看要和谁竞争。最后发现第一是丹·布朗的《消失的符号》，第二是尼古拉斯·斯帕克的《最后一支歌》，当你看到最畅销的名单时，感觉他们的成绩很接近。我们甚至会想，如果尼古拉斯·斯帕克的团队再加把劲，他可以轻松超过丹·布朗。确实，哪本书更好是没有定论的。相较而言，还是会有人试图说服那些写书评的人，尼古拉斯·斯帕克的书比丹·布朗的更好。
那么，我们来看看成为畅销书背后的数字。我找到了一些数据，尼古拉斯·斯帕克那本书在那一周卖了多少本。这个数字很了不起，尼古拉斯·斯帕克的这本书卖了约十万本，这在美国市场是一个了不起的数字。我是什么意思呢，在美国，如果你想上纽约时报热销书榜，那么你每周要卖出大约三四千本，如果你的销量到了一万，那几乎可以肯定你就是第一了。然而，尼古拉斯·斯帕克那一周售出了十万本，远远超过当第一需要的销量，结果它却不是第一。为什么呢？因为丹·布朗的书也在周末出版了，那一周他卖出了两百万本。这个例子表明了，成功有一个非常重要的属性，成绩是有局限的，第一名只比第二名优秀一点点，但是成功的回报是无限制的差异，成功或不成功之间很容易达到一个数量级的差距。我的意思是说，成功是群体给予个人的，你到底能获得多大的成功是没有明显上限的。我们都可以在同一周内，购买同一本书。换句话说，这就是我所说的第四条定律，成功是没有上限的。
法则五：成功造就成功
我们整理一下，刚刚讨论的一切，我们说成绩决定成功，成绩是有局限的，而成功没有上限，问题是为什么会这样？成绩上只有一个百分点的差距，怎么最后的成功却有这么大的差距，达到一个数量级呢？而讨论这个机制，不需要想太多，这和我们在讨论网络时所说的相关，也就是偏好连接，也就是富者更富的机制。我们前面讨论过，在网络中我们发现，早期的节点，实际上是脱颖而出的，你已有的越多，新得到的就越多。丹·布朗卖的书越多，就有越多人讨论他的书，你就越有可能买他的书。一首歌越火，越多人讨论它，越多人会开始听它。从根本上说，成绩差异很小，而成功差异却很大的原因就在于，成绩难以区分的时候，富者更富的机制就会随机在网络中选择，并不一定基于成绩差异，选出一些枢纽。
现在你可能会问，我们如何开始这个进程，如何在自己身上开启偏好连接？在这个方面，我们有相当多的研究。我发现最好的例子，目前最好的一个实验，是由美国社会学家阿诺特·范德利特完成的。他问了个简单的问题，这些枢纽是否真的更好，是否比其他的成绩表现更好呢？能否产生一种自反馈的增强？是否有可能，枢纽是通过偏好连接产生的呢？问题是，如何做出正确的选择呢？如何从偏好连接机制中，辨别出最佳的成绩呢？所以，他决定做一个实验，实验是这样的。
他去维基百科，收集并选择了维基百科的千名最佳编辑，这些编辑都是维基的幕后人员，他们通常是志愿者。阿诺特·范德利特只是简单看看每个编辑的活跃程度，他们在不同页面上做了多少次不同的编辑，从最好的一千名编辑里，他最终随机选择了两百人。这些都是维基百科的最佳编辑，他们被随机分入一组和二组，他选择的一组和二组几乎没有什么差异。他给第一组成员每人一个奖励，也就是一颗五角星。每个人都可以奖赏维基编辑五角星，如果你在维基百科，很喜欢某些编辑的文章，你就可以给他们赠送五角星，任何人都可以这样。阿诺特·范德利特给了第一组一人一个五角星，却没给第二组。你要意识到，这与两位艺术家的故事有点类似，两个组没有太大差别，无论是表现还是行为，唯一的区别是，在某一时刻，第一组每个人都获得了奖励，第二组却没有。然后他只是在一旁观察，两组发生的事情。三个月后，网友开始给这些编辑奖励五角星。事实是，两组获得的奖励数不同。也就是说，第一组获得了大约十二颗星，第二组只获得了三颗，当然，这是统计上显著的差异。而实际上，这都是因为阿诺特·范德利特的实验，他给予编辑的早期奖励，导致他们获得更大的成功，他让他们显得更值得嘉奖。因此当其他人看到他们的编辑成果，他们会想，他已经得了星了，那我再给他一个，自然不会出错，毕竟他们已经是非常受尊敬的编辑了。然而在第二组中，没有先前的奖励，他们必须通过自己的行动来获得奖励。这就是一个例子，表明我们可以刺激偏好连接，这就是第五条定律。成功造就成功。这一点很关键，尤其是当我们无法区分顶尖群体的表现时，就好像我们无法区分维基编辑的表现，有限的成绩催生出无限的成功。一些人将被选中，并取得巨大成功。
法则六：任何时候都有可能成功
接下来的问题出现了，这种成功是什么时候出现的？在个人的职业生涯中，它何时出现？这就是我们要讨论的下一个话题。我尝试以自己的职业生涯来讨论这个话题。我是一名科学家，这意味着我的工作主要在于发表科研论文，研究界通过引用来承认，或不承认我的论文。是否有人阅读我的论文，或者觉得它很有趣，根据我的论文写他自己的，最后引用我的话，所以在科学中，论文成功的标准，就是引用次数。如下图所示，就是我的科研生涯，这里的每个圆圈都对应于我在整个职业生涯中发表的每一篇论文，直到大约五年前为止。垂直轴显示了，文章在十年内获得的引用次数，这都是有限的。你可以看到，我职业生涯的三个不同部分，我的职业生涯的前十年，真的很忙，但我没有得到很多认可，因为部分论文几乎没有任何引用，这就是我职业生涯的第一部分。然后在1999年，在一篇高影响的论文之后，我发布了又一篇影响度较高的论文，就是这个时候，我开始转变，从材料科学转向网络科学。这些都是我初期的网络科学的论文，可以看到，这些论文的影响力与我之前的论文完全不同，一篇好论文后，又是一篇大获好评的论文。如果要我形容当时的心情，大概如上图所示。就是这样，一切都很顺利。问题是，在此之后会发生什么？这方面的问题在于，没有足够的时间来研究这些论文是否会具有较高的影响力，因为我们需要等待十年来观察引用次数。我想知道，我的校长也想知道的是，这之后会如何？我会继续这一发展轨迹吗，还是说我会丧失战斗力？
那么让我们回答这个问题吧，我的职业生涯在哪里，我们对自己应该有什么期望。事实证明，在这个领域，有很多心理学研究来解决这个问题。特别是，心理学家的研究显示，你如何获得某种技能，无论是学习弹钢琴，还是成为商人，无论你的技能是什么，当你开始锻炼某种技能，你的表现会日益精进，然后你会在某个时刻达到最高峰，这或许要花上五年十年。那之后或许会有轻微退步，但很长一段时间内，你会持有这种技能，一旦你学会，你可能不会长期处于职业的顶峰，但你还是会很擅长这件事。因此当你仔细观察，你会发现，这很类似我的职业生涯，或许我的轨迹就会这样，但我还是想，定量分析之后的轨迹，我想知道规律在哪里。
为了达到这一目的，我不禁想这需要多少年我才能发布我最具影响力的论文。在这个案例中，是我职业生涯中的第63篇论文，在我学术生涯的第十三年，所以我们衡量的是学术年龄，而不是真实的年龄。因为我们并不总是知道，这个人是什么时候开始从业的，成果又是在什么时候产出的。而实际上我好奇的，不是我经历了什么，而是其他科学家都经历了什么，也是这一点，将这个演讲和其他的成功学演讲区分开。关注成功人士的文章，数不胜数，但从科学的角度来看，这是一个偏离样本，你或许会得出一个结论，那就是成功人士之所以成功，是因为他们六点起床，但是这里还有其他1000万的人，他们在六点钟起床的人，却并没有成功，这就是组合问题。在某种程度上，如果你想知道某种药物有效，你需要一组给对照剂，一组给以药物来验证它有效。这样看，我们设计研究的方式是我们不会只关注成功的科学家，我们关注所有的科学家，对每个人我们都测量了他们在职业生涯的哪个阶段，发表了最具影响力的论文。无论是荣获诺贝尔奖的发现，还是一个不那么起眼的发现，但是是在这个人所处的行业中比较重大的发现。
我们这样做的原因是，当我回顾我的职业生涯时，你可以看到这个趋势，之前有一些论文都是高影响力的，所以你可以看到一些变化。而且你可以看到，即使没过多久，在我达到这个里程碑后，我还能够制作出其他高影响力的论文。那么在多大程度上，你的职业生涯是可预测的呢？先看看个人成绩，如下图所示是成绩，每一个科学家最具影响力的论文会出现在中间。那么从成绩中，我们是否能看出他们即将实现职业上的突破呢？为了研究这一点，我们要观察他们发布的论文数量，也就是生产率，即关键的突破时刻，在靠近这个点的时候，他们的生产率实际上正在快速增长，然后它会停留在那里，可能会略微减少。所以某种程度上心理学家是对的，看生产率，你可以看到那一刻的到来，你可以看到有所持续。但这是生产率，而不是成功，这是成绩的一项衡量标准。
再来说成功。看看在最具影响力的论文之前和之后的论文影响力如何呢？我们的研究，从左上图可以看到峰值之前，生产率是一直增加的。那成功呢？右上图是一条曲线，在成功之前，曲线没有大起伏，之后也没有。这个结果很让人失望，因为这实际上是一个在营销学领域很出名的曲线，常被称为指形曲线，因为它告诉我们，我们无法预测成功，也不能从中学到什么。所以个人表现在职业生涯中是会一直变化的，但成功似乎是个人职业生涯中的突然出现的一个事件，难以预料。继续下去，看那一时刻何时到来，在职业生涯的何时呢？我们发现，在这个领域有很多研究，尤其是在天才研究方面，这些研究发现，通过观察表现卓越的人群往往是年轻人会有重大的研究发现，所以想突破，要够年轻。也正是因此，爱因斯坦曾经声称，"一个人在30岁之前，没有对科学做出巨大贡献的话，那他就永远做不到了。"他为什么这么说呢？他之所以这样说，是因为他观察他的同事，他为之工作的人，他的对手，从海森堡到费米狄拉克，再到维格纳，他发现，这些人中大多数都在三十多岁，在量子力学或物理学方面，做出了重大贡献，这里面很少有人能在岁数更大的时候得出成果。所以，在天才研究中有这样一个教条思想，就是年轻人才有创意，随着年龄的增长，创意会衰减。这不仅适用于科学，技术和商业等方面也一样。所以我们说，看我们是否能在科学家中同样发现这种规律，我们再次回顾如右上图所示的曲线，看人们在多大岁数，学术年龄多少的时候，得到最重大的成果呢。
如左下图所示，不仅是我，还有其他所有科学家的事业轨迹，而且你看，每条线对应一个科学家，红点对应时间，就是在学术生涯中，写出最具影响力论文的时候。无论这个论文是否真的具有很大的影响力，或者是影响力不太大，无论你的职业以什么衡量成功。你看下图，看不出任何规律，因为峰值无处不在。所以我们需要继续，应用一些大数据工具来找出答案。因此我们要问的是，在职业生涯的头两年或五年中，得到最重大的发现的概率是多少？这就是我们得到的曲线，这就是你的最具影响的论文，在前十年、二十年，或三十年内出现的可能性。事实上我们确实发现，和有关天才的研究类似，即便是非天才、普通的科学家，在他们职业生涯的早期，大约在职业生涯的十到十五年内，得到最重大的发现的可能性非常高，然后会不断降低。因此针对普通科学家的数据，证实了人们对天才的研究。
基于这些数据，我发现，我已经入行快三十年了，因此我完全应该处于职业生涯的末期阶段，因为我有不到百分之一的机会来获得比我之前的发现更重大的成果。所以基于此，我可以得出结论，我应该环游世界，四处宣传我的光辉往事，因为没有理由去继续探索了。但我才不承认了。然后，让我们看看数据背后的东西吧。为了理解这些数据模式，先要有一些参考框架。这里我们不妨假设这种趋势是随机的。如果人们在职业生涯中，发表影响力最大的论文的时间是随机的呢，这很容易检验。我们保留了每个人的职业信息，但我们打乱了他们的论文，发布论文的时间依旧保留，但把论文顺序打乱了，这样就是完全随机的了。这样的话，哪一篇论文影响力最大呢？我们就继续研究下去吧，看随机情况下结果如何。在随机的情况下，我们得到了与原始曲线相同的曲线，这非常令人费解。当我们仔细查看数据时，我们意识到，这只不过是生产率曲线，因为随机曲线只是表明，在你的职业生涯的某个阶段，你有多大可能性发表论文，所以通过这些数据图，我们发现事业早期阶段，生产率较高，之后会大幅递减。
如果综合起来看，我们会问，为什么这两条曲线是一样的？这反映出，创造力没有年龄依赖性，年龄只和生产率有关。让我更准确一点，回到如右上图所示的曲线，如果我只是观察每个科学家的职业生涯，不把他们的论文按时间顺序排列，我只是说第一、第二、第三、第四、第五直到最后一篇，然后每个科学家都如此处理，统一到相同尺度。那么两条曲线相同的事实表明，就论文而言，事业早期或晚期的概率都不高，这就是如下图所示展示的内容。我选取了每一位科学家的第一篇和最后一篇论文为对象，把数据全部铺开，用同一标准，无论是十年还是三十年，然后再看，你发表的前百分之十的论文中获得最大影响力的概率是多少，然后看前百分之二十等等，柱状图是基本水平的。所以这真的告诉我们，就你所做的项目来说，影响力最大的时机，是完全随机的。因此你所做的每一个项目，都有同样的机会获得最大影响力，但因为你年轻的时候，生产率很高，所以你更有可能有所突破，因为你更乐于尝试。或者换句话说，你知道，成功有点像买彩票，每个项目都是你购买的彩票，如果你在生命的前些年，使劲买彩票，并且之后停止购买彩票，那么显然你会发现，在你年轻的时候更有可能中奖。现在的数据明显表明，创新能力没有年龄方面的依赖性，也就是你不知道突破何时到来，概率都是相当的。
让我给你们看一些例子，看看弗兰克·维尔泽克的职业生涯，他获得了2004年诺贝尔物理学奖，而这个奖项来自他最开始写的一篇论文，是他研究生时期写的第一篇论文，结果四年后，他就因此获得了诺贝尔物理学奖。当然，这与年轻人能创新的理念是一致的。但再看约翰·芬恩，实际上也是一个很好的例子。约翰·芬恩，在2002年，因为他在被耶鲁大学强制退休后所做的一项研究，获得了诺贝尔化学奖。最近有一些很漂亮的数据，揭穿了一个说法，那就是在硅谷，年轻才意味着创新。
当然，大家都知道facebook的创始人，谷歌的创始人等等，他们成立公司时都很年轻，因此人们会觉得，如果你想在硅谷获得成功，你必须年轻。那么当你真正去看那些成功的公司，市值数十亿美元甚至更高的公司，以及创始人的年龄时，你会发现一个水平的分布，从二十出头到七十几，所以那不是真的。并不是只有年轻人才能创立数十亿价值的公司，只不过是我们更关注年轻人，因为这样的故事更精彩。我们喜欢写新闻，写书讲述他们的故事，我们往往忽略了和那些年轻人一同创立成功公司的中老年领袖。所以结论非常明确，成功和年龄无关，它随时可以到来，但关键在于保持生产率和持续尝试。实际上，成功率下降的原因，只不过是因为人们不再努力尝试了，年龄渐长后，他们不再去成立新公司了，他们不再去写论文，他们不再去写新小说等等，因此，他们成功的机会将大大减少。
法则七：Q-factor是成功的决定性因素
现在问题是，成功是随机的，这意味着什么？通常说来，这种随机性常被视为是不好的，但在科学家眼里，这是机遇。因为奇怪的是，我们常常认为如果某些东西是随机的，那它就是不可预测的，但恰恰相反，如果某些东西是随机的，那它背后的可预测性很强，因为你理解了背后的模式。事实证明，每次探索、每个项目成功几率都是相当的，也就是我们可以将事业建立在一个创新模式上。我们作为科学家，我们还在思考，看看如何把这个融入公式里。所以最后，我们开始观察他们如何启动一个新项目？先是有了一个灵感，但不知道它是否有价值，所以我就想说，这就相当于是个随机值。它有可能是个好主意，对应这个数值就会很大。如果是个不太好的想法，那数值就会很小。也就是如下图所示的p值，随机的，代表你一开始的想法。然后，你从这个想法开始，变出产品，或许是个公司，又或是论文、艺术作品，无论是什么。我们将想法变成产品的能力是各有不同的，经验不同、才干不同等等，所以如下图所示的Q值，表示你将想法付诸实际的能力。最后，是成功的衡量标准，衡量有多成功，或许是你公司赚的钱、员工数量、论文引用的次数等等。所以实际上我们想说的是，可以很轻松地展示创新的价值，也就是想法的价值，乘以你将想法付诸实际能力，会让你得到有关成功的答案值。
现在就科学家的案例而言，我们能够精确测量这些参数，我们发现了一些意外的结果。首先，你或许认为随着年龄的增长，随着你的经验积累，你会更懂得如何挑选新的灵感，所以你会知道这不是一个好主意，那就换个方向，因此这意味着，经验充足和经验不足的人，想法价值是不同的。此外，随着年龄的增长，你将创意转化为产品的能力也会提高，我认为我将想法付诸论文的能力，要比二十年前我刚开始做学术时高得多的多。但数据显示则不然，数据显示的是，所有的科学家都分享着相似的灵感库，我和年轻科学家之间没太大差别，但至于我们会挑选哪些灵感，机会是一致的。这样看，事实证明，如果这种分离发生了，我们就会发现，创新的发生是一个简单的过程，想法就是r值，这是个随机数。然后是你自己的知识，Q值，然后你可以获得成功或影响力，就是随机数乘以Q，得出你的成功值。这个模型很精确地解释了，科学家是如何发表一篇又一篇文章的，它还解释了，为什么优秀的科学家也会发表糟糕的论文，那是因为他们采纳了一些糟糕的主意。一个接一个，它还解释了科学突破如何发生。
现在我讲一下创新的例子，看看这个故事会如何开展。你们都知道现如今的创新领袖，被认为是史蒂夫·乔布斯，这个模型能否适用于他的职业生涯呢？我不确定有多少人听说过Newton电脑，那是史蒂夫·乔布斯关于手持设备最初的构想，一款掌上电脑，这是个很不错的创意，多亏了iPhone，我们能知道它，Newton概念很好，但是执行很差，它依赖手写输入，但是手写识别功能很差很差，所以人们就不爱用了，之后，即便做了很多营销，也无济于事。所以这就是一个很好的例子，好创意没能被好好执行，所以影响力平平。史蒂夫·乔布斯也有过执行很好，但想法很烂的时候，也就是我们说的G4 Cube，虽然设计得很好，但是它的理念真不算好。当然，还有好主意加上好执行，相当于中头彩了，结果就是iPhone。所以，可以看到Q值，如果你有内在的Q值，它可以包容你犯错，一个接一个，做一个有一个项目，如果你继续尝试，那你再遇上好点子的时候，终会实现大创新。
现在的问题是，Q值如何随着年龄变化，随着我们变得更有经验，它是否会增加，还是下降。在科学家的案例里，我们可以衡量这个值，只需要看他们发的论文就好，看影响力如何。令我们惊讶的是，我们发现，这里是低Q值的科学家、中Q值的科学家和高Q值的科学家，Q值的变化，它不依赖年龄。所以看起来 作为一名科学家，你刚毕业的时候，你带着当时的Q值开始工作，然后凭着这个Q值发表头几篇论文，整个职业生涯里这个值都不会有太大变化。如果你有高Q值，你也有可能写出很差的论文，或者做出很糟糕的项目，可能是因为你的随机数r没选好，但如果这个随机数r很大，你就有可能做出一个影响力很大的产品。但如果你的Q值很低，即便你的随机数r很大，也就是点子很好，你也执行不出来。这就是为什么我们发现这一点，那就是Q值在整个职业生涯中，并没有怎么改变。这对我们来说非常意外，因为我自己作为一名教育工作者，我希望结果结果是与之相反的。像上述简单的等式，很好地描述了个人事业中实现成功的模式。
可以看到，如果你知道你一个科学家的Q值，那针对他或她未来的事业，它就会是个很强烈的预测因素，有关Q值的有趣之处，它在个人生涯中，形成的时间很早，一旦我知道了这个值，就可以预测一个人得诺贝尔的机会有多大。可以发现，有些参数根本无法预测出某人是否会得奖，比如生产率，就是发表多少论文，根本无法预示你是否会获得诺贝尔奖。所以，不要试图通过高产能，来求取成功。但最具影响力的论文，是很好的预测因素。总引用次数或其他参数都无法预测，只有Q值能最好的预测，也就是一个人的能力值，这一点和他未来的发展是紧密相关的。因此，我们从这里学到的是，一个很简单的概念，如果你有高Q值，那么你不一定会很快成功，高Q值就像一个灌了铅的骰子，但想要投出6，你还是要一遍一遍扔骰子，所以如果你想把你的才能或能力转化为可衡量的成功，那你必须一直保持这个Q值。如果你的Q值很低，那可就不妙了，因为即使一个好主意，也不一定救得了你，因为你没足够的能力去实现它，做成好的产品。这样看，建议就是，尝试稍微地改变方向，转变到你有高Q值的领域上去。
我本人就是很好的例子。当我还是一名学生时，我想成为一名雕塑家，但我没有这方面的高Q值，这方面我很弱。尽管我做了诸多尝试，在工作室里一待几小时，上雕刻和绘画的课程，与此同时，我也在修物理课，我赢了一些物理比赛，潜意识之中我发现我的Q值，当时自然不会说Q值，在物理方面比艺术方面高得多。因此今天我作为一名物理学家，而不是一名雕塑家，站在你们面前。
