幂律是结果的表象，不是生成的逻辑

清华学弟新发表的公众号文章，用价值投资九十年的一手材料指出资本市场回报是典型的幂律：极少数决策和公司贡献了几乎全部超额。 形状作为结果的统计描述是成立的；文章据此把它提升为必须服从的底层结构，策略围绕抓住超级赢家来设计。 把已经凝固的痕迹误认成生成它的活动，统计规律就被写成了生成逻辑。 真正要追踪的，是不同迭代速率如何在时间中复利运作。

少数暴政是已经发生的结果形状

《幂律分布：少数的暴政与投资的真实形状》 梳理了大量一手材料。芒格说去掉伯克希尔最好的十五个决策，记录几乎归零；美国九十年数据里超过一半超额回报只来自约九十家公司；巴菲特自己的可转换优先股组合若去掉吉列也只是打平债券；近期 ChatGPT 发布后的三年多，英伟达、Palantir 等少数标的的涨幅远超中位数，而中位数股票几乎无超额。文中据此强调，现代投资组合理论依赖的钟形曲线假设系统性失效，真正重要的是寻找能实现极端复合成功的少数对象，幅度远重于频率。

这种观察本身并不新鲜。幂律分布早已被广泛引用为事物发展的「客观规律」——从财富、创新到城市规模、语言词频，再到投资回报，它几乎成了描述复杂系统的金科玉律。尤其在投资领域，它常被提升为必须服从的底层结构：既然结果由少数极端事件支配，策略就应围绕「抓住超级赢家、接受高失误率」来设计。柏基、塔勒布、莫布森等人的论述，都被用来支撑这一判断。

把统计规律当作生成逻辑

幂律描述的是已经发生的结果在统计上的形状，不是事物如何发展的底层活动。把统计规律当作生成逻辑，是把已经凝固的痕迹误认成生成它的活动本身。

活动从未停止。每个中心——公司、一笔投资决策、一条技术路径——都在进行离散的迭代。迭代速率并不相同。速率的差异来自局部容量、与周围痕迹的共振、以及自身再追踪的连贯程度。起点的差别只是初始痕迹的配置；一旦活动继续，速率的微小差异会通过复利式的再追踪被持续放大。足够长的时间窗口里，速率差会盖过任何初始条件的差别。这不是额外的法则，而是连续性通过离散性运作的直接后果——痕迹只能单向塑造后续，时间箭头就是这种不对称。前因，后果 是同一不对称：观察抓住的是已经成形的果；因永远领先那一步。

聚合形状不是独立的真实形状

因此，幂律不是「世界的真实形状」作为一个独立的东西，而是许多中心以不同速率迭代之后，在某个观测窗口里留下的聚合痕迹。极端值之所以支配总量，是因为速率高的中心持续把自己的痕迹叠加上去，而速率低的中心的痕迹相对稀释。把这个聚合形状当成必须服从的「客观规律」或投资金科玉律，等于把结果的统计描述提升为生成原因，把已经滞后的图像固定成了参考点。成功学: Theories After Success, Mistaken for Theories Leading to Success 是同一滞后做成可迁移原则的面：事后把已成结果整理成引擎。Closed assumptions squeeze compounding into S-curves 是另一条统计曲线被写成进步本性的面：S 形是封闭持守绑住观测之后的形状，不是开放活动自己的轨迹。The average is residue, not the engine 拒绝把平均值写成引擎；这里拒绝的是把尾部的形状写成生成逻辑。

贝叶斯更新从来不是中立的发现

AI 分析的运作方式把这个滞后暴露得更清楚。那篇文章所从出的整理，本质上是在给定痕迹上做贝叶斯更新。输出高度依赖被喂入的预设条件——选择了哪四十五位投资人、哪一千多份文档、用什么提示词、截取哪个时间窗口。条件不同，得到的「洞见」可以大相径庭。当这些条件本身不被重新放到生成它们的边缘去审视，输出就会被当作已经发现的外部结构，反过来加强原有的认知配置。结果不是看见了活动如何发生，而是把某种特定的痕迹聚合——少数暴政、寻找超级赢家、幅度重于频率——再次确认为必须服从的形状。

活动从未完成，起点可以被超越

真正需要被追踪的，不是分布曲线本身，而是速率如何在具体中心上持续产生。起点可以被超越，是因为活动从未完成；预设条件可以改变结果，是因为贝叶斯更新从来不是中立的发现，而是操作者自己的区分在延伸。一旦把幂律从「客观规律」或「金科玉律」的位置上撤下来，它就只是它本来的样子——结果表象的统计规律。生成它的，始终是不同迭代速率在时间中的复利运作。Power Law Distribution is the Long Term Consequence of Normal Distribution in Decision Making 是同一复利的短窗口面：近似正态的增量经过足够乘法，留下长窗口里幂律模样的痕迹。