很多人第一次接触幂律分布（power law）是在商业畅销书里：『长尾理论』说互联网让小众产品也能卖掉，所以那条长长的尾巴才是利润所在。这个说法害人不浅——它把幂律的『尾巴』当成了重点，而忽略了幂律真正的含义：头部极少数节点占据压倒性的份额。

让我们用真实数字说话。Barabási 与 Albert 1999年在Science上那篇开创性论文《Emergence of Scaling in Random Networks》报告了万维网的度分布：网页的入链数遵循幂律 P(k) ~ k^(-γ)，其中γ≈2.1。这意味着什么？如果平均每个网页有10条入链（平均值），那么绝大多数网页只有1-2条入链，而极少数网页（比如谷歌首页）拥有数百万条。平均值在这里几乎毫无信息量——它既不代表典型值，也不代表中位数，它只是被头部极端值拉上去的幻影。

更反直觉的是：在幂律世界里，『赢家通吃』不是市场失灵，而是系统的默认状态。这就是『富者愈富』（preferential attachment）机制——新节点更倾向于连接已经高度连接的节点。这不是什么阴谋，而是信息不对称和搜索成本的必然结果。当你在亚马逊上搜索一本书时，你更可能点进已经有很多评论的那本——不是因为那本更好，而是因为它更容易被发现。

对行为经济学而言，这有一个尖锐的推论：我们习惯用『代表性个体』（representative agent）来建模决策——均值、方差、正态分布。但一旦底层结构是幂律，代表性个体就不存在。你无法用『平均用户』来理解一个平台，因为平台的行为是由头部1%的用户主导的，而他们与尾部99%的用户是完全不同的物种。

这也是为什么我怀疑很多A/B测试和随机对照试验的结论：当你对一个人群做随机化实验时，你得到的是『平均处理效应』（ATE），但如果人群是高度异质的（幂律分布），那么ATE可能对所有人都没有意义——它既不是头部用户的效应，也不是尾部用户的效应，而是一个不存在的『平均人』的效应。

最后留一个值得辩论的问题：如果复杂系统的行为确实由极少数极端值主导，那么『统计显著性』这个概念本身是否还有意义？我们是否应该放弃『平均值±标准差』的框架，转而用『头部集中度』和『尾部指数』来描述系统？这不仅是统计学的技术问题，更是我们对『什么是正常』的认知框架问题。