01原理
很多人默认世界是钟形的：大部分结果挤在平均值附近，极端值少到可以忽略。身高、考试分数、零件尺寸大体如此。但创业回报、股票的长期收益、内容的播放量、客户贡献的收入，形状完全不同：绝大多数很小，极少数大得离谱，而且总量主要由那几个“离谱”的决定。这类分布叫幂律，它的右边那条拖得很长很粗的尾巴，就是肥尾。
在钟形世界里，一次结果多一点少一点无关大局，把注意力平均分配是合理的。在幂律世界里，平均分配是最贵的错误：你花在九十个普通机会上的精力，加起来可能不如一个大机会的零头；反过来，一次没扛住的尾部亏损，也能抹掉前面所有的积累。所以要问的不是“平均能赚多少”，而是“最好的那几个是谁、我能不能拿住它，最坏的那一个会不会让我出局”。
对小团队来说，这意味着两件事。第一，要允许大部分尝试失败，同时保证有足够多、足够便宜的尝试，好让尾部有机会出现。第二，尾部一旦出现，要敢于把资源从“看起来也不错”的地方抽出来，压到它身上。芒格说的“前十个洞见”和“少下注、下重注”，讲的正是这两件事的后半截。
为什么成立
数学上，幂律分布超过某个值 x 的概率大致按 x 的负若干次方衰减，衰减得比正态分布慢得多。尾部指数越小，尾巴越肥：指数不超过 2 时方差在理论上是无穷大，不超过 1 时连均值都不存在。实际后果是样本平均数极不稳定，多来一个大赢家，平均值就跳一大截，所以用过去几十个样本的平均值去估计未来，往往错得厉害。
肥尾常常来自乘法式的增长：每期的增长率按上一期的规模放大，好的越来越好，复利、网络效应、口碑传播都是这种结构。另一个来源是叠加的正反馈，越有名的越容易被看见。这也解释了下行的肥尾：杠杆、集中的客户、单点依赖，会让一次坏事件按乘法放大成灭顶之灾。
02芒格怎么说
芒格没有专门讲过幂律或肥尾，也没用过这两个词，本章的数学部分是我们补充的。和它最接近的，是他在 1994 年南加州大学演讲里的判断：伯克希尔累积的几十亿里，大部分来自排名前十的洞见；聪明的下注者很少出手，赔率站在自己这边时才下重注。巴菲特在 2022 年致股东信里给出了同样的账：几十年的好成绩来自大约十二个真正好的决定。把这两段话翻译成统计语言，就是结果分布的右尾极厚。
If you look at Berkshire Hathaway and all of its accumulated billions, the top ten insights account for most of it.
看看伯克希尔和它累积的几十亿，大部分来自排在前十的洞见。
I don’t mean to say that he’s only had ten insights. I’m just saying, that most of the money came from ten insights.
我不是说他只有过十个洞见，我只是说，大部分钱来自十个洞见。
03怎么用
- 01
产品组合：多试、便宜地试、按结果加码
把新方向拆成成本低、两到四周能看到付费信号的小实验，事先写下“继续投入”的门槛。大部分实验到期就关；一个跑出来的，立刻把人和预算挪过去，而不是继续平均照顾每个项目。
- 02
看收入时先看头部集中度
每月列出贡献前 10% 收入的客户和功能，算出前五名客户的收入占比。占比越高，越要分两头想：头部客户为什么留下、能不能找到更多同类；它们任何一家流失，现金流能撑几个月。
- 03
别拿平均数做预算
推理成本、客服工单、云账单常常也是肥尾：少数用户消耗大部分资源。定价和限额要按 P95、P99 的用户来设计，至少给最重的那一小撮用户单独设上限或单独计价，而不是按“平均每人每月多少 token”。
- 04
把下行尾部截断
幂律的好处只有活着才拿得到。避免单一客户、单一模型供应商、单一渠道占到让你一夜出局的比例；对可能无限放大的风险（开放的 API 额度、自动化脚本的权限），设硬上限，而不是靠事后发现。
04案例
伯克希尔：58 年，大约十二个真正好的决定
芒格在 1994 年说，伯克希尔的几十亿主要来自前十个洞见。将近三十年后，巴菲特在 2022 年致股东信里给自己打分：58 年里，他的大部分资本配置决定只是“马马虎虎”，有些坏决定还是靠运气才没出大事；令人满意的结果来自大约十二个真正好的决定，平均每五年一个。他举的例子是可口可乐和美国运通：两笔都花了大约 13 亿美元，到 2022 年底市值分别是 250 亿和 220 亿美元，每年分红从 7500 万和 4100 万美元涨到 7.04 亿和 3.02 亿美元。他的总结是：杂草会逐渐变得无足轻重，花会开起来；时间够长，只要几个赢家就能创造奇迹。这正是右尾极厚的分布：少数几笔决定贡献了大部分结果，而且它们靠的是长期持有，而不是频繁交易。[1][2]
美国股市九十年：4% 的股票创造了全部净财富
金融学者亨德里克·贝森宾德统计了 1926 到 2016 年在美国上市的约 2.6 万只股票，把收益超过一个月期国库券的部分定义为财富创造。结果是：表现最好的约 4% 的公司，贡献了全部约 35 万亿美元的净财富；其余 96% 的公司加在一起，大体只是跑平了国库券。他后来把研究扩展到全球 1990 到 2020 年的约 6.4 万家公司，集中度更高：表现最好的约 2.4% 的公司贡献了全部约 76 万亿美元的净财富，另有 57.7% 的公司在毁灭财富。这说明了两点：一是只买少数几只股票的人，大概率会错过那些极少数的大赢家；二是集中下注要成立，前提是你真的有能力认出它们，否则分散反而更符合这个分布。[3]
风险投资和 YC：两家公司约占四分之三
本尼迪克特·埃文斯引用霍斯利·布里奇的数据：1985 到 2014 年间，这家机构参与的 7000 多笔风险投资里，大约一半收回的钱少于投入；只有 6% 的投资拿到了 10 倍以上的回报，却贡献了总回报的 60%。保罗·格雷厄姆在 2012 年 9 月写道，YC 投过的公司总价值约 100 亿美元，而 Dropbox 和 Airbnb 两家就占了大约四分之三；他还说，创业中的大赢家大到违反我们对波动的直觉，而最好的点子一开始常常看起来像坏点子。所以风投的纪律不是避免亏损，而是别错过尾部，并在尾部出现后跟投。[4][5]
Pieter Levels：一个人连续发产品，靠少数几个 AI 产品吃饭
独立开发者 Pieter Levels 基本一个人写代码，只在 Photo AI 上雇过一位 AI 开发者合作了 10 个月。2024 年 8 月他在 Lex Fridman 的播客里回顾：早年给自己定了“12 个月做 12 个创业项目”，大部分想法都失败了，主持人翻他置顶推文里的项目清单时，他自己说成功的“很少”。Stable Diffusion 出来后，他做的室内设计 AI 上线一周就做到每月 1 万到 2 万美元，两年后仍有每月 4 万到 5 万；头像生成产品爆红，大约一周卖了 15 万美元，是他赚得最多的一次；后来他把它转成了 Photo AI。他说自己的产品利润率约 90%。这是一个很典型的幂律打法：每次尝试便宜到失败了也不心疼，靠数量换来尾部；尾部出现后，把头像产品转向更长期的 Photo AI，持续投入。注意这也是幸存者视角：我们听到他的故事，正是因为他命中了尾部。[6]
6 人团队按平均用量定价，被 1% 的重度用户吃掉毛利
假设一个 6 人团队做 AI 写作助手，按每人每月 20 美元订阅、不限次数，定价时按“平均每个用户每月推理成本 4 美元”算出 80% 毛利。上线几个月后发现，用量是肥尾的：最重的 1% 用户把产品接进了自动化脚本，单人每月成本是平均值的几十倍，这一小撮人的成本就足以吞掉大部分毛利，而平均数一直被他们拉着往上走，预算永远对不上。按本章的思路，修正方法是：先画出用户成本分布，看 P99 而不是均值；给重度使用设硬上限或按量加价；把限额写进条款，避免事后改价伤害普通用户。
05误用与边界
把所有东西都看成幂律
不是每个分布都有肥尾。员工的单日产出、普通客户的客单价可能就是钟形的。用幂律的说法去为“只盯一个大客户”“只做一个爆款”辩护，常常只是为偏执找借口。先看数据画出分布，再决定用哪套方法。
只看右尾，忘了左尾
幂律带来的大赢家要靠活下来才拿得到。集中下注同时也集中了风险，一次肥尾式的亏损（单一供应商断供、一个客户流失、一次安全事故）就能让小团队出局。芒格的重注总配着安全边际，不是孤注一掷。
用事后的赢家证明事前的判断
“前十个洞见赚了大部分钱”是事后统计。事前你很难知道哪一个会是尾部，听到的故事也多来自幸存者。不能因此认定自己手上这一个就是那个大赢家，而是要保证足够多、足够便宜的尝试，并为判断留出纠错的余地。
06检查清单
下次做相关决策前逐条过一遍。勾选只保存在你的浏览器里。
08来源
- 1
- 2
- 3
- 4
- 5
- 6