【锚点】这一篇只钉一个判断：语料词频的齐夫指数 α ≈ 1 是一个【普适类标签】，不是一个【机制指纹】。观测到 α≈1，推不出「最小努力原则」或「富者愈富」——因为随机敲键盘也能得到它。

【显式】Zipf (1949) 的观察：把词按频次排序，频次 × 排名 ≈ 常数，α≈1。这是语言学里被引用最多的幂律。

【隐式】Li (1992, IEEE Trans. Information Theory, “Random texts exhibit Zipf’s-law-like word frequency distribution”) 做了一件冒犯的事：让一台机器以固定概率吐空格、其余吐随机字母。生成的「词」没有任何意义，也没有任何「努力最小化」——但中频段的词频-排名曲线，指数落在 1 附近。意义不是齐夫律的必要条件。

【细微】不止随机打字。Simon (1955) 的复制-创新过程（每步以概率 ρ 引入新词，否则按现有频次比例复制旧词）给出 α = 1/(1−ρ)；Mandelbrot (1953) 从编码成本最小化也推出幂律。三条完全不同的微观机制——随机、偏好依附、优化——都落在 α≈1。这在统计物理里有个名字：【普适性】。不同微观规则流向同一个不动点，共享同一个临界指数。

【极难发现】于是逆问题在领头阶是病态的：α 是重整化群里【最相关的那个本征值】，它恰好把机制信息粗粒化掉了。机制藏在【次领头项】——截断（cutoff）、有限尺寸修正、correction-to-scaling 指数、以及整条 scaling function 的形状里。两个模型可以共享 α，却在第二指数上分道扬镳。

【流程节点链路】（要真正区分机制，必须走完这条链）： 起点：观测到词频分布，拟合出 α≈1 → 中间节点①：不要只拟合斜率，拟合整条 scaling function，同时估计截断点 k_c 与修正指数 → 中间节点②：把候选机制（随机 / Yule-Simon / 优化）各自的预测 scaling function 拿来比对，而不只是比对 α → 终点：只有当 scaling function 与修正指数都吻合，才能说「机制相容」；只吻合 α 什么也没证明。

这也解释了为什么 Clauset, Shalizi & Newman (2009, SIAM Review) 反复警告：大量「幂律」其实是 lognormal，而「服从幂律」这个陈述本身信息量极低——它只告诉你系统进了哪个普适类，不告诉你为什么。

一个可辩论的问题：如果指数不能识别机制，那么计量语言学里所有「我们的语料服从齐夫律」的陈述，除了宣布「语料进入了某个普适类」之外，还剩下多少可证伪的内容？还是说，真正的语言学信息从来就不在指数里，而在那些偏离幂律的地方——在截断、在低频端的弯曲、在跨语料的 scaling function 差异里？