Book Club · 讀書會分享

成功竟然
有公式

大數據科學如何揭露
那些一直被誤解的成功之謎

S = (Past Success) × Fitness × Q × Network

原著 · Albert-László Barabási 巴拉巴西  ／  The Formula (2018)

📊 五大定律 × 七個互動 × 一頁公式集合
01 / 28 The Formula Barabási

Hook · 為什麼你今天會在這裡？

為什麼有些人成功，
有些人沒有？這真的只是運氣嗎？

  1. 為什麼賈伯斯是傳奇？
  2. 為什麼難聽到爆的歌，會莫名其妙變成神曲？
  3. 為什麼把每個位置最強的人放在一起，團隊反而崩盤？
  4. 為什麼有些人努力一輩子，70 歲後才被看見？

這本書說：以上每一題，都有一個來自大數據的數學答案。

02 / 28 The Question

Roadmap · 今天的旅程

作者用大數據，找出了五條成功定律——
每一條，配一個故事 + 一個互動。

01
表現驅動成功，
難判斷時由
網路接管
賈伯斯 vs 沃茲尼克
02
表現有上限，
但成功
無上限
紅酒專家盲測
03
過去成功 ×
適存度
= 未來成功
爆炸貓 8 分鐘
04
團隊需多元，
但功勞
歸於個人
明星雞群實驗
05
堅持下去，
成功隨時
可能到來
摩西奶奶 78 歲

最後——五條定律會在一個誤會故事裡同時出現，拆解一位「你以為很懂」的傳奇。

03 / 28 Roadmap

Meet the Author

Albert-László Barabási
A.-L. BARABÁSI · 2012

Albert-László Barabási

巴拉巴西 · 網路科學之父

出身羅馬尼亞外西凡尼亞的物理學家，現任波士頓東北大學特聘教授，主持複雜網路研究中心（CCNR）。1999 年他證明了「無尺度網路」的存在——絕大多數真實世界的網路（網際網路、社交圈、論文引用），都不是均勻的，而是少數「樞紐」抓走絕大多數連結。2013 年起，他把這套工具對準了「成功」。

Random Network vs Scale-Free Network
1999隨機網路 vs 無尺度網路 · 巴拉巴西的標誌性發現
50K+
論文引用 · 1999
5
本暢銷科普書
CCNR
複雜網路研究中心
04 / 28 The Author

Origin · 災難變成功

這本書，從一場學術災難開始。

王大舜 · 巴拉巴西的博士生

「除了再一次災難之外，
我什麼都可以做。」

實驗室原本研究「災難下的人類行為」，論文卻被所有期刊退稿。某晚討論下個題目時，巴拉巴西半開玩笑：「那我們就來研究『成功』吧。」

結果這篇兩年後完成的成功研究，登上了《Science》——他們在災難之中，意外找到了成功的科學。

接下來十年，團隊蒐集了橫跨領域的龐大數據集——上百萬篇學術論文引用、藝術家畫廊展覽路徑、Kickstarter 募款動態、GitHub 開發者協作——做複雜網路分析，歸納出這五條跨領域的「成功定律」。

05 / 28 Origin

⚡ Interactive 01 · 暖場投票（即時）

在開始之前——
你心中的「成功」最像哪一種？

👇 點下你的選擇，記住它——下一張，巴拉巴西就會直接挑戰你。

06 / 28 Interactive · Warm-up

Definition · 巴拉巴西的反擊

你剛剛選的，
可能根本不是「成功」。

Performance · 表現

個人的、內在的

努力、技藝、突破、自我實現。
溜冰選手復健成功重返冰場——這是一份偉大的「表現」。

→ 由你產生
Success · 成功

集體的、外在的

是社群給你的回應與獎賞——名聲、銷量、引用次數、影響力。「樹倒在沒人聽見的森林裡，沒有發出聲音。」

→ 由集體決定

CALLBACK · 對應你剛剛的選擇

・你選 💖 內在滿足？　巴拉巴西會直接告訴你：那不是「成功」，是「表現」。這本書不研究你給自己的獎賞。
・你選 🏆 外在成就 或 🌊 對世界的影響？　恭喜——這正是這本書要拆解的「成功」。接下來 5 條定律，全是給你的。

07 / 28 The Challenge
01

First Law

表現能帶來成功；
但表現難以判斷時，
人際網路會替你帶來成功。

Success = f(Performance, Network)

接下來——故事：一戰王牌飛行員  互動：誰擊落更多？

08 / 28 Law 01

⚡ Interactive 02 · Law 1 · 比較題

Apple 兩位 Steve——第一台電腦 Apple I 的硬體與軟體，是誰一個人完成的？

Steve Jobs

🍎 賈伯斯

Steve Jobs · 1955–2011
Apple 共同創辦人

「全球科技偶像」

把 Apple 賣出去、命名公司、找投資人、定義產品。傳記、電影、紀錄片無數，Apple logo ＝ 他的臉。

？
Apple I 技術貢獻
vs
Steve Wozniak

⚙️ 沃茲尼克

Steve Wozniak · 1950–
Apple 共同創辦人

「Apple I 的真正建造者」

硬體電路、軟體、BASIC 解譯器——幾乎一人完成。但你問 10 個人，9 個記不得他的名字。

？
Apple I 技術貢獻
真相 · 第一階段（技術）

大多數人直覺選 B。但沃茲尼克一個人從零做出 Apple I：自己畫電路板、手寫 BASIC 解譯器、把整台電腦塞進一個木盒。賈伯斯的角色？把它賣出去、找投資、定產品方向、開公司。
👉 「技術」上，沃茲贏。那為什麼今天大家只記得賈伯斯？

09 / 28 Interactive · Two Steves

Insight 01 · 為什麼網路會接管？

當「好壞」難以客觀判斷，
人際網路就決定一切。

為什麼是賈伯斯
Fame ∝ (Network Utility)α

賈伯斯的成名，跟他寫了多少程式碼關係不大。媒體網路需要一個「故事毛胚」：戲劇性人生、被自己公司開除又回歸、改變產業、英年早逝——他剛好每一條都中。

「人際網路發現他實在好用，於是選擇放大他的成功。」這不是隱喻——巴拉巴西的研究團隊在分析跨領域名人數據後，從科學家、藝術家、運動員身上看到完全相同的模式。

類似案例 #1 · 🖼️ 蒙娜麗莎
世界名畫，其實是被「偷」紅的

1911 年羅浮宮員工把它偷走藏了 2 年——失蹤期間全球媒體瘋狂報導，把這幅原本普通的義大利畫推上世界舞台。

達文西其實有更有名的畫（《最後的晚餐》、《岩石中的聖母》），1911 之前蒙娜麗莎只是館藏之一。1913 尋回時，它已成「世界上最被討論的畫」。沒有那場失竊，它只是一幅普通的畫。
類似案例 #2 · ⚡ 電力之戰
愛迪生 vs 特斯拉

教科書寫愛迪生發明「電」——但你家牆上 110V 交流電是特斯拉發明的，無線電、感應馬達、X 光也都有他。

愛迪生靠「失敗一萬次」的公關敘事，把特斯拉蓋過整整一個世紀。直到馬斯克把電動車取名 Tesla，他才終於被重新看見。表現特斯拉勝，社會網路選了愛迪生。
類似案例 #3 · 🌙 登月時刻
艾德林 vs 阿姆斯壯

阿姆斯壯先一步踩上月球——艾德林晚了 19 分鐘。同一艘太空船，名氣差千倍。

同樣訓練、同樣冒險、同樣的科學貢獻。差別只在「先 19 分鐘」+ 那句「個人的一小步、人類的一大步」——全世界記得阿姆斯壯，幾乎沒人記得艾德林。表現一模一樣，網路選擇放大誰。
「成功的關鍵不在於『你自己』，而是在於我們所有人構成的『人際』。」
10 / 28 Insight · Why Networks Win
02

Second Law

表現有上限。
但成功，沒有上限。

Performance: bounded · Success: unbounded

接下來——故事：紅酒專家的盲測  互動：他差幾分？

11 / 28 Law 02

⚡ Interactive 03 · Law 2 · 滑桿估算

同一位專家、盲測同一瓶酒兩次——
兩次評分平均差幾分？

紅酒

把滑桿拖到你猜的分數差距（滿分 100 制）：

📏 先看 · Wine Spectator 評鑑等級

95–100經典
90–94卓越
85–89非常好
80–84好
<80不推

每年「百大紅酒」榜單：第 1 名通常 97-99 分、第 100 名 92-94 分——全世界頂尖紅酒擠在不到 10 分區間裡。
跨一格就是「能不能得獎」的差別。

差 1.5 分
0 分（完全一致） 10 分以上
你的猜測
—
真相 · 平均差距
4 分

哥德斯丁（Robert Hodgson）連續 4 年偷偷送同一瓶酒給專業評審。聽起來「4 分」很小？
在紅酒評鑑裡，差 4 分 = 金牌變不及格、得獎變淘汰。
80% 評審無法穩定區分自己上週才打過的酒。

👉 這正是第二定律的核心：表現的差距很小，名譽的差距卻無上限——同一瓶酒可以是冠軍、也可以根本沒人提起。紅酒、藝術、創投，只要打分主觀，專家評鑑和擲銅板沒兩樣。

12 / 28 Interactive · Wine

Insight 02 · 為什麼成功會被無限放大？

表現像身高，
成功像財富——這是兩個世界。

兩種分布 · Two Distributions
鐘形（常態） vs 長尾（冪次）

鐘形 — 表現的世界
跑步：博爾特 9.58 秒，你 13 秒。差距 1.4 倍。
身高、IQ、考試分數——大家差不多，沒有一個人能高 100 倍。

真實數據（點看位置 + 你要贏多少人）：
  • SAT　1600 ／中位 ~1050　1.5× · +2.75σ · Top 0.3%（1/350）
  • 壽命　122 歲 ／平均 80　1.5× · +2.8σ · Top 0.3%（1/400）
  • 百米　博爾特 9.58s ／一般 13s　1.36× · +4.3σ · 1/70 萬
  • IQ　　210 ／平均 100　2.1× · +7.3σ · 極端離群
  • 身高　272cm ／平均 170cm　1.6× · +14σ · 病理性

共通：就算世界紀錄，倍數差距也不到 3 倍——鐘形把所有人緊緊地包在中間。

長尾 — 成功的世界
費德勒一年代言 5800 萬美元，是普通人 1000 倍以上。
財富、銷量、追蹤數、論文引用——少數人拿走絕大多數，沒有上限。

真實數據（點看位置 + 你要贏多少人）：
  • 書籍銷量　暢銷書 1000 萬本 ／普通 ~1000　= 10⁴ × · Top 0.001%
  • 論文引用　最多 30 萬次 ／平均 ~10　= 3×10⁴ × · Top 0.0001%
  • 串流　Drake 1000 億次 ／普通 10 萬　= 10⁶ × · Top 1/11M
  • YouTube　MrBeast 3.7 億訂閱 ／普通 ~100　= ~10⁶·⁵ × · Top 1/50M
  • 財富　馬斯克 ~$4000 億 ／全球中位數 ~$4000　= 10⁸ × · Top 1/8B 人

共通：差距橫跨 4–8 個數量級——長尾沒有上限。

案例 · 🏌️ 老虎伍茲效應
實力差一點點，獎金差萬倍

伍茲的平均桿數其實只比排名第 50 名的選手好一點點（表現有上限）——但他賺的獎金和代言費，是後者的成千上萬倍。表現的鐘形 vs 成功的長尾，活生生擺在眼前。

Brown（2011）研究 200 場 PGA：伍茲一上場，其他選手平均多打 0.6 桿。每桿在頂級賽事價值 $4-7 萬——伍茲每出賽一次，對手共被吃掉約 $200 萬。少數巨星存在，整池其他人的競爭力一起被壓低。
案例 · 🏆 排行榜冪次
Top 1 vs Top 100，差距 100 倍

Spotify Top 1 的串流數，是 Top 100 的 100 倍以上——但音樂本身的差別，根本沒到 100 倍。

亞馬遜暢銷榜、YouTube 訂閱、Twitter 追蹤、論文引用——所有「被多少人選擇」的指標都呈現完美冪次：前 1% 拿走 50%+ 的全部。表現是鐘形（大家差不多），成功是長尾（少數人吃下絕大多數）。
案例 · 📲 百萬 YouTuber vs 中研院院士
你認得幾個 YouTuber？幾個院士？

百萬訂閱的台灣 YouTuber，你叫得出 5 個。中研院院士——發過 50 篇頂尖論文、改變過產業——你能說出 5 個嗎？

翁啟惠（前中研院長／醣分子權威）、廖俊智（現任院長／化工世界頂尖）、賴明詔（「冠狀病毒之父」）——他們改變過產業、救過人命；但學界外沒人知道。同時代任何百萬 YouTuber，你大概都記得他的口頭禪。對社會的貢獻 ≠ 名氣——Law 2：貢獻有上限，名氣沒有。
「百米只能跑進 9 秒；但成功的差距，可以差 10000 倍。」
13 / 28 Insight · Power Law
03

Third Law

過去的成功 ×
適存度（fitness）
= 未來的成功

Future Success = Preferential Attachment × Fitness

接下來——故事：爆炸貓的 8 分鐘  互動：估金額

14 / 28 Law 03

⚡ Interactive 04 · Law 3 · 自己填，看真相

桌遊「爆炸貓」上 Kickstarter——每個時間點實際募到多少？

📅 場景 兩位作者把桌遊放上 Kickstarter，目標 $10,000 美元，預期 30 天內慢慢籌到。
然後事情開始失控⋯⋯填入你猜的金額，能量條會跑出真實答案。
Exploding Kittens
Kickstarter · 群眾募資
⏱ 8 分鐘
$
🎯 $10K
👤 你
$0$10K$100K$1M$10M+

📅 24 小時
$
🎯 $10K
👤 你
$0$10K$100K$1M$10M+

🚀 30 天
$
🎯 $10K
👤 你
$0$10K$100K$1M$10M+

👉 從 $10K → $8.7M，870 倍放大。
每一波金主都是看著前一波決定加入——這就是「優先連結」。第一筆推力，在 8 分鐘內就決定了 30 天的全部。
15 / 28 Interactive · Snowball

Insight 03 · 富者愈富，但底子不能是零

優先連結 + 適存度——
這個世界最重要的兩個變數。

優先連結 · Preferential Attachment
下一個人選你的機率
= 你有多強 × 你已經多紅

「你已經多紅」　= 已有的銷量、追蹤數、引用次數
「你有多強」　 = 內在競爭力（書中叫「適存度」η）

這條公式翻譯白話就是：你愈紅，下一個人愈會選你——但前提是你本來就不能太爛。

巴拉巴西用這條公式預測了網際網路、論文引用、好萊塢演員合作網——準到誇張。它是無尺度網路的核心。

⚠️ 關鍵警示： 任何數字 × 0 = 0。
沒有真實底子，再多人脈、再多曝光也乘以零。

案例 · 📱 演算法的偏心
前 100 個讚，決定下一個 100 萬

TikTok / IG「For You」演算法會把已經很多互動的內容推給更多人——你的影片紅不紅，前 1 小時就決定。

TikTok 內部數據：影片前 1 小時的互動率，預測未來 30 天總觸及的 80%。早期推力是不是「真的好」？常常不是——只是運氣 + 演算法的優先連結把它放大。每天你滑到的「為你推薦」，本質就是 Law 3。
案例 · JK 羅琳化名
同一本書，銷量差 5000 倍

羅琳用筆名出版《杜鵑的呼喚》——身分曝光前賣 1500 本，曝光後 4 天衝上亞馬遜冠軍。

書沒變，「過去成功」一啟動，雪球就滾。她故意化名實驗，證明：沒有過去成功的標籤，再好的書也起不來——書本身的適存度必須被「優先連結」放大才會紅。
案例 · 🎵 Music Lab 實驗
「假排行榜」就能決定誰紅

普林斯頓 Salganik（2006）建了 8 個一模一樣的音樂網站，唯一差別是顯不顯示下載排行榜。

顯示排行榜的世界：每個世界冠軍都不同（隨機放大）；不顯示的世界：排名相似（純品質）。第一筆推力決定後續所有走向——這是優先連結最經典的學術實證。
「想紅得久，要有 η；想紅得快，要拼第一波加速度。」
16 / 28 Insight · Rich-Get-Richer
04

Fourth Law

團隊成功需要多元與平衡，
但功勞讚譽，
只會歸於少數個人。

Team needs diversity · Credit goes to one

接下來——故事：明星雞群實驗  互動：哪一組贏？

17 / 28 Law 04

⚡ Interactive 05 · Law 4 · 團隊組合題

普渡大學 Muir 教授的真實實驗：
哪一種雞群組合，六個世代後產蛋最多？

真相 · 反直覺結果

明星雞群互啄到死——六個世代後，9 隻只剩 3 隻活著。產蛋量遠低於普通雞群。
而隨機平衡組合 (B)，產蛋量提升 160%。

👉 全明星陣容的悖論：把每個位置最強的人放在一起，團隊往往崩盤。NBA 全明星隊常輸給沒人氣的草根隊；學術超級實驗室常產出比平庸實驗室更平庸的論文。

18 / 28 Interactive · Chickens

Insight 04 · 為什麼明星團隊會崩盤？

最強的團隊，是「有點傳統、有點創新」。
但功勞，永遠歸給一個人。

百老匯熱門劇分析
Team Q = f(Familiar × Novel)

Uzzi & Spiro 分析 30 年百老匯所有劇組：
・全是陌生人的團隊 → 大失敗（沒默契）
・全是老搭檔的團隊 → 平庸（沒火花）
・老搭檔 + 1-2 個新血 → 爆款（《歌劇魅影》《貓》）

明星雞群為什麼崩？
因為高 fitness 個體有強競爭傾向。把它們關在一起，能量互相抵消。
多元 + 平衡，才是團隊成功的數學最佳解。

案例 · 那位豐田司機
本該得諾貝爾獎的科學家

真正在實驗室熬夜做研究的那個年輕博士生，最後可能在阿拉巴馬州當豐田接送司機。

團隊成果由社群「感覺」決定誰獲獎，往往不是真正出力的那個。論文掛名 30 人，諾貝爾獎只給 3 人——其他 27 人的工作消失在社群記憶裡。
案例 · 隱形發明者
愛迪生的「發明」

X 光、電燈泡、留聲機——幾乎全部都是別人先發明的。但歷史只記得愛迪生。

為什麼？因為他的公關和銷售網路最強——社群會自動歸因到一個人，不論事實如何。同樣道理：iPhone 之父其實是設計團隊 30 人，但你只記得 Steve Jobs。
案例 · 演算法接力
誰會拿走功勞？演算法說得準

巴拉巴西實驗室開發了歸因演算法，能精準預測多人論文裡誰會拿走主要功勞。

答案：常常不是工作最多的那個，而是名聲最響、最後讀者印象最深的那位。社群會自動把焦點集中到「已經有名的人」身上——又是優先連結在團隊內部運作。
「團隊組成要平衡；但要拿到能見度，得讓社群『感覺』你最重要。」
19 / 28 Insight · Team Composition
05

Fifth Law

堅持下去，
成功隨時可能到來。
創造力永遠不會過期。

S = Q × r

接下來——故事：摩西奶奶 78 歲開始畫畫  互動：真假題

20 / 28 Law 05

⚡ Interactive 06 · Law 5 · Q 係數真假題

巴拉巴西分析數十萬位科學家的職涯後——
這 4 句話，每一句是真是假？

21 / 28 Interactive · True/False

Insight 05 · 為什麼堅持是數學上的必勝策略？

你不知道哪個點子會大紅——
所以唯一能做的是不停產出。

Q 模型 · Q-Factor Model
S = Q × r

S = Success，最終成功程度（影響力／收益）
Q = 執行轉化力（你把點子變成影響力的能力，一輩子近乎常數）
r = 點子本身的隨機價值（誰都不知道）

巴拉巴西分析數十萬位科學家的職涯後得到這條公式——Q 是常數，r 完全隨機。

結論很殘忍也很自由：
① 你的 Q 不會老（不像體力、注意力）
② 但你不知道哪個點子會大紅
③ 所以——「彩券買愈多次，中獎機率愈高」。年輕人不是更聰明，是他們買的彩券多。老將只要保持產量，命中機率完全一樣。

案例 · 🎨 摩西奶奶
78 歲才開始畫畫，101 歲還在畫

Anna Mary Robertson Moses 一生在農場勞動，78 歲因關節炎不能繡花才拿起畫筆。

從沒受過正式藝術訓練，作品被收藏家路過小鎮藥局窗戶看到——79 歲第一次展覽。畫作後來被印上聖誕卡、被白宮收藏。1500 多幅畫，101 歲還在畫。Q 一輩子都在，只是世界 78 歲才注意到。
案例 · 芬恩 85 歲
退休後 7 年得諾貝爾獎

耶魯強迫他 70 歲退休、收回實驗室。芬恩搬到維吉尼亞繼續做——85 歲拿諾貝爾。

書裡的場景：「他穿著黑色燕尾服，年邁的臉上是燦爛笑容，在瑞典國王面前接受獎章。」生產力下降不等於 Q 衰退——只要繼續做，Q 永不過期。
案例 · 巴拉巴西的導師
「我最重要的研究？永遠是現在這個」

巴拉巴西在 IBM 時，問成就非凡的隔壁辦公室前輩：「你做過最重要的研究是什麼？」

前輩回：「永遠是我現在正在做的這個。」當時巴拉巴西以為他敷衍，多年後才懂：因為 Q 是常數，下一次撞到 r_max 的機率永遠在。所以——別停。
「成功會像雪花一樣融化。但創造力永不過期。」
22 / 28 Insight · Q-Factor

⚡ Interactive 07 · Laws 1–5 · 終極案例

1921 年 4 月 3 日，紐約港。
兩萬人擠成一片——他們在等誰？

📅 SCENE · 那天清晨
一艘汽船 SS Rotterdam 緩緩靠岸。船上有一位剛被英國研究人員證實「廣義相對論」的德國猶太物理學家——但岸邊已擠滿兩萬人，揮著手帕、歡呼到沙啞。記者們以為這是科學界的歷史時刻⋯⋯
下面是當天一同搭船抵達的 4 位人物。點下你覺得「兩萬人在等的人」：
Albert Einstein
愛因斯坦

Albert Einstein

德國猶太物理學家。
剛被證實相對論。

Chaim Weizmann
魏茲曼

Chaim Weizmann

猶太復國主義主席。
後來成為以色列
第一任總統。

Menahem Ussishkin
烏西施金

Menahem Ussishkin

資深復國主義者。
後來主持猶太國家基金。

Vera Weizmann
薇拉

Vera Weizmann

魏茲曼的妻子。
俄國出生的醫師、
復國運動活躍人物。

真相 · 不是科學讓他紅，是這場誤會

那兩萬人在等的是 魏茲曼——後來的以色列首任總統。愛因斯坦只是隨行物理學家。非猶太媒體不認得魏茲曼，誤把愛因斯坦寫成頭版主角。

📍 1921 之前

NYT 只有 6 篇關於他的報導，多帶敵意。學界以外幾乎沒人認識愛因斯坦。

→
🌟 那天之後

一夜成頭版頭條。從此到哪都被當電影明星迎接，最終成《時代》「世紀風雲人物」。

這場錯誤歸因，啟動了五大定律的連鎖反應：
律 1 媒體網路放大他（不是他的科學） → 律 2 名氣遠超科學表現的上限（同期牛頓、波耳貢獻不下於他，但只有他成全球符號） → 律 3 頭版＝第一推力，親民形象＝高 fitness，雙引擎啟動優先連結 → 律 4 整個代表團功勞歸他一人 → 律 5 後來 30 年堅持產出，Q 在 1935 年「過時」論文發光。

👉 沒有那兩萬人 + 那場誤會 + 後來的堅持，他就只是一個普通的歐洲學者。五大定律，剛好就是一個愛因斯坦。

23 / 28 The Einstein Case

Takeaways · 給我們的啟示

這不是一本「自助書」，
是一本「科學助你」的書。

01

看見人際網路

停止以為「天助自助」就夠。能見度與成功，主要由你連到誰、誰連到你決定。主動出席、主動連結。

02

做對適存度

沒有夠好的產品/作品，再多人脈也是乘以零。先把核心打磨好，才花時間在外部曝光。η × k 公式裡，η 是基本盤。

03

持續累積，等 Q 發光

哪個作品會成為你的代表作？沒有人知道。但只要持續做、就讓 Q 多次有機會碰到高 p。別停。

24 / 28 What This Means

The Formulas · 五大公式集合

把整本書，濃縮成一頁。

Master Formula · 整本書的綜合式
S = ( Past Success × Fitness × Q ) × Network
S成功 Past Success你已經多紅 Fitness你有多強 Q把點子變影響的能力 Network你連到的人
01
表現 + 網路
S = f(Performance, Network)

表現可測 → 表現勝出。
表現難測 → 網路接管。

02
長尾的世界
P(s) ∝ s−γ

表現有上限（鐘形）。
成功無上限（長尾）。

03
優先連結
P(被選) ∝ η × k

過去成功 × 適存度。
富者愈富，但底子不能 0。

04
團隊組合
Team Q = f(Familiar × Novel)

老搭檔 + 一兩個新血。
但功勞歸給最被看見的人。

05
Q 係數
S = Q × r

Q 是常數（執行轉化力）。
r 是隨機（點子的價值）。多做就對了。

25 / 28 The Formulas

The Insights · 五大啟發整合

如果這場分享你只記得五件事——

01
表現難測 → 網路接管

當「好壞」沒有客觀指標，進對的圈子比埋頭做更重要。

🍎 賈伯斯 vs 沃茲尼克
02
表現有上限／成功無上限

找一個「表現難分高下」的賽場——贏家通吃才會啟動。

🍷 紅酒：差 4 分 = 跨等級
03
過去成功 × 適存度

第一筆推力決定一切——但 fitness × 0 還是 0。

🐱 爆炸貓 870 倍雪球
04
團隊多元 + 功勞歸個人

進對的團隊組合，並讓網路「感覺」你最重要。

🐔 全明星雞群崩盤
05
堅持下去，命中只是時間問題

Q 是常數，r 是隨機——多產出 = 多買彩券。

🎨 摩西奶奶 78 歲開始畫

這五句話，比公式更值得記住。

26 / 28 The Insights

Group Discussion · 分組討論 + 分享

最後 15 分鐘，
把這些定律帶到你自己的生活裡。

3 人為一組 每組選 3 題（組別不重複） 討論 10 分鐘 每組分享 2 分鐘
Q1 · 🔢 數學角度

為什麼財富差距是指數成長（10 億倍），而身高只是線性差距（1.6 倍）？從數學、機率、或邏輯，至少給一個解釋。
(提示：複利、贏者全拿、優先連結⋯⋯)

Q2 · 💭 通用

哪一條定律最違反你的直覺？哪一條最讓你不舒服？

Q3 · 律 5

如果成功有公式，「努力」還重要嗎？(提示：Q 是常數、r 是隨機，努力其實 ＝?)

Q4 · ⚖️ 公平思辨

既然成功 = 表現 × 運氣 × 網路，那「天助自助者」這句話還對嗎？社會該不該設法縮小長尾差距？

Q5 · 律 5

你會選做高 Q（少而精）還是高產出（多而頻繁）？為什麼？

Q6 · 💬 開放分享

聽完這次分享，有沒有什麼其他想分享的心得？任何感觸、疑問或聯想都可以。

27 / 28 Group Discussion

End · 謝謝聆聽

Thank you.

堅持下去——成功隨時都可能到來。

S = (Past Success × Fitness × Q) × Network

28 / 28 Q&A
↑↓ 翻頁  ·  Space 下一張