随机过程如何自发生产不平等

先说一个也许违反直觉的结论：一个规则完全公平、没有任何人作弊、所有人能力完全相同的世界，仍然会自动生产出极端的贫富差距。而且这不是概率上的“有可能”，是数学上的“必然”。

要看清这一点，得先分清两种随机。

设想两个游戏。第一个游戏，每一轮抛硬币，正面给你一块钱，反面拿走你一块钱。玩上一万轮，所有人的财富会围绕起点摊成一个漂亮的钟形曲线。有人多几十块，有人少几十块，但相对于起点来说，差距在时间里是收敛的——因为每一轮的输赢跟你已经有多少钱毫无关系。

第二个游戏，每一轮抛硬币，正面财富乘以1.5，反面财富乘以0.6。这时候变化的不是“加多少”，而是“乘多少”。取个对数，log(W) 就变回了第一个游戏的加性游走，于是财富本身服从对数正态分布：右偏，长尾，而且离散度随时间发散——玩得越久，人与人之间拉开得越远，永远不会收敛。

现实中的财富属于哪一种？毫无疑问是第二种。投资回报是百分比，工资涨幅是百分比，房价涨跌是百分比。有一百万的人赚10%是十万，有一万的人赚10%是一千。仅仅是把“加”换成“乘”，不平等就从收敛变成了发散。到这一步为止，我们还没有引入任何人的能力差异、勤奋差异、道德差异。

真正的要害在下一步。

还是刚才那个赌局：赢就乘1.5，输就乘0.6，各50%。它是一个好赌局吗？

教科书的算法是这样的：期望值等于 (1.5+0.6)/2 = 1.05，每轮期望收益 +5%。这看起来是一个极其慷慨的赌局，任何理性人都该倾家荡产地参与。

但请注意这个 1.05 描述的是什么。它描述的是：一万个人各玩一轮，然后把他们的财富加起来除以一万。这叫集合平均——横着切，跨人群求平均。

而一个真实的人，不是一万个人玩一轮，而是一个人玩一万轮。他经历的是纵向的时间。对他来说，正确的算法是几何平均：√(1.5 × 0.6) = √0.9 ≈ 0.9487。每轮实际衰减 5.1%。

这个数字有一个非常朴素的解释：赢一次再输一次，1.5 × 0.6 = 0.9，你剩下九成。顺序反过来也一样。而玩一万轮，你几乎必然会遇到大约五千次赢、五千次输。所以你的结局不是发财，是缓慢地、稳定地归零。

同一个赌局，集合平均为正，时间平均为负。这就是“遍历性破缺”。

把它具体化会更触目惊心。假设一群人玩这个游戏一百轮。集合平均告诉你，人均财富变成了 1.05^100 ≈ 131 倍。而中位数那个人，也就是最典型、最普通的那个人，他的财富是 0.9487^100 ≈ 0.005，只剩下起点的千分之五。平均值涨了一百三十倍，中位数跌到了两百分之一，同时发生，在同一个数据集里，一点都不矛盾。

那涨的那部分财富去哪了？在极少数连赢者手里。连赢一百次的概率是 2^-100，小到不可想象，但他们的财富是 1.5^100，大到足以把整个平均值单枪匹马地扛起来。“总财富在增长”这个宏观事实，完全由这几个统计学上的幽灵支撑。绝大多数人在下沉，而所有的官方数字都在上涨。

这就是不平等的引擎。它在数学上先于任何社会学解释。经济学教科书教人用集合平均做决策，而人活在时间平均里——这是 Ole Peters 提出“遍历性经济学”的起点，也是它最尖锐的一击。

不过纯粹的乘性游走给出的是对数正态分布，而真实世界的财富尾部比对数正态还要厚，是幂律，是帕累托分布。这中间还差一步，而这一步只需要加入任何一个现实机制就能完成。

比如 Kesten 过程，W′ = aW + b：a 是随机的乘性增长，b 是一个持续的加性注入。它对应现实中的什么？对应“最低生存开支”这个财富下限，对应不断有新人带着初始资金入场。Kesten 定理保证，这样的系统稳态尾部必然是幂律。

比如存活时长的差异。每个人入场时间不同，退出时间随机，指数分布的存活时间乘以指数增长，数学上直接给出幂律。仅仅是“有人入场早”，就足以造出厚尾。

比如富者愈富。财富越多，能参与的机会越多，单位交易成本越低，能承担的风险越大，能等待的时间越长。这是 Yule–Simon 过程和优先连接的经典结构。

再比如 Bouchaud–Mézard 模型：乘性增长加上个体之间的随机财富交换，稳态是帕累托分布，而帕累托指数由“波动率与交换强度之比”决定。这个模型有一个相当可怕的推论：波动率越高、再分配越弱，帕累托指数越小，也就是越不平等。一个高波动、低再分配的社会，它的贫富差距不是政策失误，是数学上的必然产物。

如果这些还嫌抽象，有两个模拟给出了近乎残酷的证据。

一个是 Boghosian 的 Yard-Sale 模型。规则是：两个人随机配对交易，赢输概率严格各50%，赌注是较穷一方财富的固定比例。你很难设计出比这更公平的规则了——概率对称，赌注还照顾穷人，按比例而非绝对额。结果呢？财富必然完全凝聚到单一个体手中，其余所有人归零。这不是“有可能”，是模拟中的确定结局，只是时间早晚。原因就在前面说过的波动拖累：赌注对穷人来说是他财富中更大的一块，同样一次输赢，他的几何损耗更重。必须人为加入再分配，分布才能稳定在帕累托，而不是彻底坍缩成一个人。

另一个是 Pluchino、Biondo 和 Rapisarda 在2018年做的“才能与运气”模拟。他们把才能设成正态分布——这符合现实，智商、勤奋、专注力都是有界的，最聪明的人也不可能比普通人聪明一千倍——然后让机遇事件随机降临。结果是：最富有的那个人几乎从来不是最有才能的人，而是“才能中上偏偏运气极佳”的人。

这个结果的原因是结构性的，值得说透：才能是有界的正态分布，运气是无界的乘性复利。一个有界量，无论如何无法与一个无界量竞争。才能能把你的成功概率从10%提高到30%，但运气能把你的结果乘以一千。当我们从最顶端往回看，看到的必然是运气的极端值，而不是才能的极端值——因为才能根本没有那么长的尾巴可供极端。

回到最初那个具体的模型：一百个人，每人一万块，零和的随机交易，破产是吸收态——归零之后再也无法翻身。这是 Gambler's Ruin 的多人版本，数学结论毫无悬念：系统必然从一百人的分散态走向少数人的集中态，最终趋向单人持有全部一百万。没有人作弊，没有人更聪明，规则对每个人完全一样。

那么这一整套推理，到底证明了什么？

它证明了一件事，同时否定了两件事。

它否定的第一件事是：“看到极端不平等，就断定一定有人作弊。”这个直觉在数学上是错的。公平的规则，加上乘性动力学，本身就足以生产极端不平等，一个作弊者都不需要。

但它否定的第二件事同样重要，甚至更重要：“规则是公平的，所以结果是正当的。”这个推理也是错的，而且错得同样彻底。因为规则的公平性根本不会传递给结果——公平的规则系统性地生产不公平的结果，这正是全部数学在说的话。把过程的正当性当成结果的正当性，是一个逻辑上的偷换。

这两个否定合在一起，指向一个既不愤世嫉俗也不自我安慰的位置。财富的顶端并不主要由德行构成，所以不必因为别人的富有而怀疑自己的品格，也不必因为自己的富有而确信自己的卓越。同时，再分配不再是一种施舍性的道德补偿，而是维持系统不坍缩的结构性必需——就像 Yard-Sale 模型里那样，不加进去，分布就不会有稳态，最终只剩一个人。

当然，真实世界比模型复杂。才能是真实的，努力是真实的，作弊也是真实的。但这些东西的作用方式，是调节那个乘数的分布，而不是取代随机性本身。它们让你的骰子稍微偏心一点，却改变不了游戏的乘性结构。

所以最该记住的可能是那句最短的：公平的规则与公平的结果，不仅不是一回事，前者还系统性地生产后者的反面。