既然急诊变方便了，那些本来只有些小病，不需要看急诊的人，就也会来看急诊。你的急诊室将会再次拥挤。你的模型必须能够判断，方便不是均衡态，拥挤才是。

我们的确见过很多身高超过两米的人，但是可没见过身高 15 米的人。而在另一些领域中，的确就是存在特别极端的例子，比如世界上有些特别有钱的人。这二者的区别是啥呢？
区别是人的身高服从正态分布，而财富不是。

简单地说，关键要求有两个：“相加”和“独立” —— 凡是多个独立随机变量相加的事件，结果就会是正态分布 。
你的餐馆顾客满足这些条件。每个顾客来不来吃饭都是他自己的决定，是独立的；而你计算的是今天总共来了多少人，是这些人的和。

如果一个事件的结果不是由独立随机事件相加、而是由相乘决定的，它的分布将是“对数正态分布”。
它有一个比较长的尾巴。这意味着其中发生极端事件的可能性比正态分布高很多。
比如说涨工资吧。有个公司，本来员工之间工资相差不大。有一天老板宣布了一个涨工资计划，说以后每年业绩突出的员工，工资会增加 10%。

幂律分布是*不独立*的随机变量作用的结果。比如你去书店买书，那么多本书选哪本呢？你会优先关注那些上了排行榜的“畅销书”。明星的粉丝数量、公司的大小、城市的大小，都是幂律分布。

模型揭示了经济增长的秘密：长期看来，只有创新能带来真正的增长。

那为什么到了八十年代中期，苏联人突然连买个面包都得排队两小时了呢？为什么连个儿童服装都羡慕欧洲的呢？

因为苏联不创新。

创新意味着要淘汰掉旧的机器厂房、旧的工厂、甚至是旧的产业。

而且创新还是不可控的。想要真正的百花齐放式的创新，你就必须容忍市场上有一些你不能理解的、不能掌控的事物出现。

Markov Process 马尔可夫过程有一个固定的宿命。这不是巧合，这是数学定理。四个条件中只有第二个条件是关键，也就是状态之间切换的概率是固定的。

首先，骚乱是否发生，并不仅仅是由所有人的平均阈值决定的，而是由阈值的具体分布情况决定的。
所以第二个道理就是你很难预测一场骚乱是否会发生。骚乱具有偶然性。

提到路径依赖，人们最先想到的一个例子就是现在都在用的QWERTY键盘。

路径依赖则是说，这个东西能流行可以跟任何东西都没关系，纯粹是因为早期的偶然选择，导致了流行这个而不是那个。