的挖掘——并不是阅读大量的论文、抱最大的希望就成了。新的事实如何为人所知，这是一门科学。
创新中心公司教给我们一条关于隐藏知识的基本规律：专业知识的长尾——大量普通人比专家更有希望解决问题8。创新中心公司有待解决的问题正是那些专家解决不了的问题。甚至在计算机和大型科学数据库出现以前就是这么回事。在人类历史上，不论在什么时候，群策群力揭示隐藏知识都不失为一个好主意。
创新奖这一概念背后就是类似的思路。英国政府曾经悬赏公海经度的准确测量方案——1714年公海经度的概念被提出，1773年奖金授予约翰·哈里森（John Harrison）——但是这肯定不是头一回。此前，其他政府也为经度测量提供过悬赏方案：荷兰是在1627年，西班牙更早，是在1567年。他们希望通过扩大参与人数让解决方案早日出现——也许靠的是集思广益。
1771年，法国科学院有奖征集一种蔬菜，这种蔬菜在饥荒时能提供均衡营养，避免营养不良。两年之后，安托万·帕尔芒捷（Antoine Parmentier）赢得了该奖项，他提出的建议是马铃薯。现在我们听起来一定觉得愚蠢至极，马铃薯营养丰富还用他说吗？但是在那时，法国人并不知道马铃薯，因为马铃薯原产自南美洲。而那些知道马铃薯的人还以为是它导致了麻风病的暴发。帕尔芒捷对淀粉的研究以及他开拓知识蓝海的意愿，最终让欧洲人明白了一个事实，那就是马铃薯营养丰富，而且不会致命——尽管世界其他地区的人们早就知道了。
不过，虽然在奖项的激励下，原本隐藏着的创新和想法浮出水面，知识传播的速度也大大加快，但不幸的是，在知识的运作过程中隐藏的事实还是太多了。
在1999年的时候，阿尔伯特–莱兹洛·巴拉贝西（Albert-László Barabási）和雷卡·阿尔伯特（Réka Albert）合著了一篇著名论文，这篇文章发表在全球知名科学期刊《科学》（Science）上，讲的是一个被称为偏好依附（preferential）的模型。该模型的目的是创建一种特定的关系网模式——又名青睐度长尾——原理是富者愈富，也就是说，人脉广的人所拥有的人脉会越来越广。例如，在Twitter上，少数人的追随者以百万计，而大多数用户的追随者为数不多。这篇论文假定，新用户往往会先看看关系网里的整体情况，而之后他们更有可能联系最受欢迎的人，如此一来，你就会明白为什么我们在Twitter或其他地方所看到的关系网是这样一番景象。他们通过分析各种各样的数据集，又运用了数学方法，最终得出了这个严谨的结论。
但是很遗憾，最先发现这个模型的不是他们，而是德里克·普赖斯。这位科学计量学之父早在20世纪70年代就发表过一篇文章，表示通过类似的方式就能让一篇科学论文获得更多次的引用。但是巴拉贝西和阿尔伯特不知道普赖斯做过这么一件事。
普赖斯也不是做这件事的第一人。赫伯特·西蒙（Herbert Simon）是一位著名的经济学家，在20世纪50年代就已经有了这个想法。碰巧乌迪内· 尤乐（Udny Yule）在几十年前也发表过相同的观点。
实际上，偏好依附这个概念有许多别称。在社会学中，由罗伯特·默顿所创的叫马太效应（Matthew effect）；当涉及城市和公司的成长时，叫吉布莱特定律（Gibrat’s Law）。
让我们说点儿更普遍的。米哈伊尔·西姆金和乌瓦尼·罗伊乔杜里，就是探索了科学引文中的错误的那两位科学家9，他们还研究了一些被广泛用于解释概率分布的物理模型，不仅包括连锁反应，还包括收入分配的模型。他们的分析长达35页，详细探讨了这些模型为什么会被一次次再造，最终，他们在一个大的表格中总结了这些连续的再造。例如，他们发现，分支过程最先发现于19世纪40年代中期，在19世纪70年代又被重新发现，随后又在1922年、1930年、1938年、1941年和 1944年被一次次发现。保罗·厄多（Paul Erd?s）和阿尔弗雷德·莱利（Alfréd Rényi）于1960年写出的厄多–莱利随机算法，是由化学家及诺贝尔经济学奖得主保罗·弗洛里（Paul Flory）在1941年首次验算的。正如斯蒂格勒的得名由来定律（Stigler’s Law of Eponymy）所说：“没有一项科学定律是以其发现者的名字来命名的。”自然，斯蒂芬·斯蒂格勒（Stephen Stigler）的定律应该归功于罗伯特·默顿。
特别是在战争时期，这样的极端例子有很多。著名的物理学家理查德·费曼（Richard Feynman）与另一位物理学家朝永振一郎（Sin- Itiro Tomonaga）同时被授予诺贝尔奖。这是因为在“二战”期间，朝永振一郎在日本、费曼在西方，两人天各一方，但是他