Tôi xin đưa vấn đề này lên mức cao hơn. Như đã được đề cập trước đó, nhiều mô hình hiện đại tìm cách giải thích về nguồn gốc của Extremistan. Quả thực, chúng được chia thành hai lớp nhóm lớn, nhưng đôi khi vẫn có thêm các phương pháp tiếp cận khác. Nhóm thứ nhất gồm mô hình đơn giản người-giàu-càng-giàu-hơn (hay người-mập-càng-mập-hơn) - mô hình này được dùng để giải thích cho việc con người tụ tập đông đúc quanh các thành phố lớn, sự thống lĩnh thị trường của Microsoft và VHS (thay vì Apple và Betamax), vv. Nhóm thứ hai có liên quan đến những gì được gọi chung là “các mô hình thâm nhập”, trong đó không những chỉ ra hành vi của cá nhân đó mà còn cả “lãnh địa” nơi người đó hoạt động. Khi bạn rót nước lên một bề mặt xốp, cấu trúc của bề mặt đó sẽ có ý nghĩa hơn so với chính chất lỏng được rót. Khi một hạt cát rơi vào một đống cát, cách cơ cấu của địa hình đó chính là những gì quyết định sự xuất hiện của một hiện tượng lở cát.
Dĩ nhiên, hầu hết các mô hình đều cố gắng trở thành thứ có thể dự đoán được chứ không đủ mang tính mô tả; điều này khiến tôi điên tiết. Chúng là những công cụ hữu ích để minh họa cho nguồn gốc của Extremistan, nhưng tôi khẳng định rằng “người tạo ra” thực tế có vẻ như không tuân theo các mô hình này một cách đủ chặt chẽ để khiến chúng trở nên hữu ích trong việc dự đoán chính xác. Ít ra là dựa trên những gì bạn tìm thấy trong các tài liệu ghi chép hiện có về chủ đề Extremistan. Một lần nữa, chúng ta lại đối mặt với những vấn đề định cỡ vô cùng nghiêm trọng, vì thế, cách thật khôn ngoan nếu tránh được những lỗi thông thường trong khi định cỡ một quy trình phi tuyến tính. Hãy nhớ lại rằng các quy trình phi tuyến tính có mức độ tự do lớn hơn các quy trình tuyến tính (như chúng ta đã thấy ở Chương 11), với hàm ý rằng bạn gặp phải rủi ro rất lớn khi sử dụng không đúng mô hình. Những cuốn sách đẹp như của Philip Ball chỉ mang tính minh họa và thông tin chứ không tạo ra các mô hình định lượng chính xác. Đừng đánh giá chúng theo giá trị bề ngoài.
Nhưng hãy cùng xem liệu chúng ta có thể mang về được gì từ các mô hình này.
Thứ nhất, khi giả định yếu tố mang tính thang bậc, tôi chấp nhận rằng một số lớn tùy biến có thể xuất hiện. Nói cách khác, các bất công không nên dừng ở mức trên giới hạn tối đa nào đó đã được biết đến.
Giả sử rằng cuốn sách Mật mã Da Vinci bán được khoảng 60 triệu bản. (sách Kinh thánh bán được 1 tỷ bản nhưng chúng ta hãy bỏ qua điều này và chỉ tập trung phân tích những cuốn sách được viết bởi các tác giả riêng lẻ). Mặc dù chưa bao giờ biết một cuốn sách hư cấu nào được bán tới 200 triệu bản nhưng chúng ta có thể thấy rằng khả năng xảy ra điều đó phải lớn hơn 0. Có thể nhỏ nhưng không thể bằng 0. Đối với mỗi ba cuốn sách bán chạy theo kiểu Mật mã Da Vinci, có thể có một cuốn siêu bán chạy, và mặc dù cho đến nay, tình huống đó vẫn chưa xảy ra nhưng chúng ta không thể loại bỏ khả năng này. Và đối với mỗi 15 cuốn sách theo kiểu Mật mã Da Vinci, sẽ có một cuốn sách siêu bán chạy với số lượng bán ra khoảng 500 triệu bản chẳng hạn.
Hãy áp dụng lôgic này với tài sản. Ví dụ người giàu nhất thế giới có tài sản trị giá 50 tỷ đô-la. Có một khả năng không nhỏ là vào năm sau bỗng đâu xuất hiện một người có tài sản trị giá 100 tỷ đô-la hoặc hơn. Cứ trong ba người có tài sản trị giá trên 50 tỷ đô-la có thể sẽ có một người với tài sản trên 100 tỷ đô-la. Xác suất về người có hơn 200 tỷ đô-la sẽ rất nhỏ - 1/3 xác suất trước đó nhưng không phải là không xảy ra. Thậm chí có khả năng, dù rất rất nhỏ, là một người có hơn 500 tỷ đô-la.
Điều này cho thấy: tôi có thể đưa ra các suy luận về những điều mình không nhìn thấy trong dữ liệu, nhưng chúng vẫn thuộc phạm vi những điều có thể xảy ra. Đâu đó có một cuốn sách bán chạy nhưng không ai nhìn thấy - một cuốn sách không có trong dữ liệu quá khứ nhưng bạn cần phải tính đến. Hãy nhớ lại quan điểm mà tôi đã trình bày ở Chương 13: nó khiến cho việc đầu tư vào một cuốn sách hay một loại thuốc sẽ tốt hơn so với gợi ý từ số liệu thống kê về các dữ liệu quá khứ, nhưng điều đó có thể biến các khoản thua lỗ trên thị trường chứng khoán trở nên tồi tệ hơn so với những gì quá khứ hiển thị.
Bản chất của chiến tranh là mang tính phân dạng (fractal). Có khả năng sẽ xảy ra một cuộc chiến có sức hủy diệt lớn hơn nhiều so với Thế chiến thứ hai, có thể không chắc chắn nhưng không phải là không có khả năng đó, dù trước đây chưa từng xảy ra một cuộc chiến nào như thế
Thứ hai, tôi sẽ lấy ví dụ minh họa từ thiên nhiên để khẳng định quan điểm về độ chính xác. Trong chừng mực nào đó, một ngọn núi cũng tương tự một hòn đá: nó có mối quan hệ với một hòn đá - thứ có cùng họ nhưng không giống hệt nhau. Từ để mô tả những nét tương đồng đó là tự biến đổi (self-affine) chứ không phải tự đồng dạng (self-similar), nhưng Mandelbrot gặp khó khăn trong việc chuyển tải khái niệm về mối quan hệ này, và cụm từ “tự đồng dạng” chuyển tải ý nghĩa về sự giống nhau cụ thể thay vì sự giống nhau do cùng họ. Như đối với núi và hòn đá, sự phân bổ tài sản trên 1 tỷ đô-la không hoàn toàn giống với sự phân bổ tài sản dưới 1 tỷ đô-la nhưng cả hai đều có “tính chất giống nhau”.
Thứ ba, như tôi đã nói từ trước, có nhiều tài liệu về thế giới vật lý kinh tế (tức là việc ứng dụng vật lý thống kê vào các hiện tượng kinh tế xã hội) phục vụ cho việc xác định tầm cỡ đó, phục vụ việc rút ra những con số từ thế giới của các hiện tượng. Nhiều người có gắng để tỏ ra mình có khả năng dự đoán, nhưng than ôi, chúng ta không thể dự đoán “các giai đoạn chuyển tiếp” thành các cuộc khủng hoảng hoặc các trường hợp ảnh hưởng xấu. Didier Somette, bạn tôi, cố gắng tạo ra các mô hình dự đoán - điều tôi rất thích ngoại trừ việc không thể sử dụng chúng để dự đoán - nhưng đừng nói với anh ấy nhé, có thể anh ấy sẽ ngưng làm việc đó. Việc tôi không thể sử dụng các mô hình đó không ảnh hưởng đến công việc của anh ấy, mà chỉ khẳng định là phải có lối tư duy mở mới có thể hiểu được, không giống như các mô hình kinh tế truyền thống lúc nào cũng có sai sót cơ bản. Một vài các hiện tượng của Sornette có thể áp dụng tốt, nhưng không phải tất cả
