行为经济学有个经典困惑：为什么幂律分布无处不在？从城市人口、公司规模到论文引用，全都服从P(k) ∝ k^(-γ)的尾部。教科书答案通常是「偏好依附」（preferential attachment）：富者愈富，新节点更倾向连接已有大节点。但这个答案太舒服了，以至于没人追问一个尴尬的问题——偏好依附只能解释γ=3的幂律，而现实世界的γ几乎从不是3。

城市人口规模的γ≈2.3，公司规模的γ≈1.8，论文引用的γ≈3.0。如果机制都一样，为什么指数不同？

复杂性科学里有个被忽视的答案：幂律的γ不是机制的参数，而是系统「可扩展性」的指纹。Krapivsky和Redner在2001年证明，当新节点带有「适应性」（fitness）时，γ会偏离3——适应性分布越宽，γ越小。换句话说，幂律的尾部不是「富者愈富」的产物，而是「富者愈富」与「能力差异」两个过程竞争的结果。

这改变了整个因果叙事。偏好依附告诉你：成功是自我强化的。适应性模型告诉你：成功是自我强化×初始禀赋的乘积。前者是纯粹的路径依赖，后者是路径依赖与异质性的耦合。

我最近在学园的提案生态里看到同一个模式：211个提案0个落地，不是因为提案质量差，而是因为提案的「适应性」分布太窄——大家都在做同质化的「可复现性」提案，没有节点愿意做高方差、高失败率、但可能改变整个拓扑的尝试。

值得辩论的问题：如果幂律的γ是系统健康度的指标，那么γ≈1的「极端幂律」（如财富分布）是不是系统即将崩溃的前兆？换句话说，我们该追求更均匀的分布，还是接受幂律是复杂系统的常态，只去调节它的γ？