醉汉站在长街上，每步抛硬币决定向左或向右。走一千步后他在哪？「正负抵消，还在原地」这个直觉一半对、一半错得很远——期望位置确实是 0，但抵消掉的是方向，不是距离。
真实答案：$n$ 步后离原点的典型距离约 $\sqrt n$ 步——100 步后约 10 步，10000 步后约 100 步。不是 $n$（那是径直走），也不是 0（那是抵消），而是平方根。随机性不把你钉在原地，它以比线性慢的速度把你推开，这就是扩散。
维度还会改变结局：一维、二维的游走以概率 1 回到起点，三维只有约 34%（Pólya 定理）。醉汉总能回家，醉鸟回不了巢。
$X_i$ 是独立同分布的单步，取 $+1$ 与 $-1$ 各半；$S_n$ 是 $n$ 步后的位置。展开平方：$\mathbb{E}[S_n^2]=\sum_i\mathbb{E}[X_i^2]+\sum_{i\ne j}\mathbb{E}[X_iX_j]$。第一项每个都是 1，共 $n$ 个；第二项因独立且均值为 0 而全部消失。于是典型偏移量 $\sqrt{\mathbb{E}[S_n^2]}=\sqrt n$。
那些交叉项为什么消失？因为在以「乘积期望」为内积的空间里，独立（且零均值）就是正交。方差可加，$\sqrt n$ 的来历便是勾股定理：$n$ 个互相垂直的单位向量首尾相接，合长 $\sqrt n$。「独立」与「垂直」是同一件事——$\sqrt n$ 是毕氏定理在概率空间里的回声。Pólya 的维度门槛同样只是算术：回归概率取决于 $\sum_n n^{-d/2}$ 是否发散，$d=2$ 恰是分界线。
1905 年爱因斯坦由 $\langle x^2\rangle=2Dt$ 解释花粉运动，并借此首次算出阿伏伽德罗常数——$\sqrt n$ 律成了原子存在的实验证据。PageRank 是网页图上随机游走的平稳分布；MCMC 靠它遍历后验；node2vec 用图上游走生成节点嵌入。SGD 则是带漂移的随机游走：梯度是漂移，minibatch 噪声按 $\sqrt{\text{步数}}$ 累积——这正是「学习率随 batch size 平方根缩放」的来源。
设 $X_n$ 是你在赌局中第 $n$ 轮后的赌本。鞅的条款只有一句：把之前的全部历史摊在桌上，对下一轮赌本的最优预测仍是「就是现在这个数」。
它不是说值不变——波动可以剧烈到破产；它说的是趋势为零：历史里没有可提取的方向性信息。这才是「公平」的准确含义。
倍投法（输了加倍，赢一次净赚一块）的真相由此清楚：它几乎必然赢一块，代价是极小概率的连败分支里输掉天文数字，期望恰好抹平。可选停时定理把这句吐槽升级成定理：只要不能预知未来、下注受限，任何停止规则都改不了期望。
$\mathcal{F}_n$ 是「到第 $n$ 步为止全部已知信息」的形式化——一个 $\sigma$-代数（Day 21 的测度论在此兑现）；$\mathbb{E}[\,\cdot\mid\mathcal{F}_n]$ 是在这些信息下的最优预测。等号换成 $\le$ 便是上鞅：赌场抽水后，你的赌本正是上鞅。
鞅把「公平」这个价值判断压缩成一个等式，于是人能证明关于「不可能」的定理。更深一层：任何合理的随机过程都可唯一分解成「可预测的漂移 + 一个鞅」（Doob 分解）——鞅是随机性中不可预测的那份纯净成分。它也是概率论的守恒律：Day 18 里对称性给出守恒量，这里鞅性给出期望守恒，可选停时定理即其陈述。
金融的地基定理：无套利 ⟺ 存在一个测度使贴现价格成为鞅（风险中性测度），Black-Scholes 的骨架即此。Azuma–Hoeffding 不等式为随机化算法与在线学习给出集中界。A/B 测试的 anytime-valid 推断（检验鞅 / e-value）让你随时看数据而不膨胀假阳性，修的正是 Day 34 里「偷看数据」的病。强化学习中 TD 误差是鞅差序列，这是收敛证明的核心。
把随机游走的步长缩小、频率加密，逼近连续时间。关键的选择题是：当时间步 $\Delta t\to0$，步长该取多小？
取 $\Delta t$，方差归零，极限是静止的直线；取常数，方差爆炸到无穷。唯一活下来的尺度是 $\sqrt{\Delta t}$——正是 $\sqrt n$ 律的倒影。
后果很惊人：路径处处连续，却处处不可导。原因是自相似——任取一小段放大（时间 ×4、空间 ×2），仍是同一种锯齿，永远不会像光滑曲线那样被放大成切线（Day 17 分形的直系亲属）。这也是「$dW$ 的平方与 $dt$ 同阶」的根源：位移平方与时间同量级，位移便比时间高一阶小量。
公理：起点为 0；不重叠时段的增量互相独立；增量服从均值 0、方差等于时间跨度的正态分布；路径连续。方差 $=t-s$ 正是 $\sqrt{\Delta t}$ 尺度的正式写法。$(dW)^2=dt$ 则是伊藤微积分的核心：二阶项不再可忽略，链式法则多出一项 $\tfrac12 f''\,dt$。
正态分布在这里不是假设，而是被迫的结论：无论单步是硬币、骰子还是任何有限方差的分布，缩放极限都收敛到同一个布朗运动（Donsker 不变原理）。微观细节被彻底遗忘，只剩一个对象——这是数学最深的一类美：普适性。第二重美是它与热方程的等价（Feynman–Kac），概率与分析在此互译。
金融资产用几何布朗运动建模，Black-Scholes 正由伊藤引理导出；物理上它是 Langevin 方程的噪声项。扩散模型的前向过程就是逐步注入布朗噪声，反向去噪学的是分数（score）——今天的图像与视频生成建立在 1905 年爱因斯坦那篇论文的数学之上。SGD 的连续时间近似（随机微分方程）则被用来解释平坦极小值与泛化。
取一个 $1000\times1000$ 的矩阵，每个元素独立填随机数（保持对称），求它的一千个特征值。你会预期一团乱麻，事实恰恰相反：画成直方图，它们几乎完美地落在一条半圆曲线之下；换一批随机数重做，形状还是那个半圆。
更反直觉的是特征值之间的互斥：独立撒下的随机点会成团扎堆，特征值却几乎均匀排开，仿佛彼此带同种电荷。
单个元素的层面是彻底的无序，整体谱的层面是刚性的秩序。维度不是让随机叠加得更乱，而是把它熨平。
Wigner 半圆律：$N\times N$ 实对称矩阵的元素独立、均值 0、方差 $\sigma^2$，把特征值除以 $\sigma\sqrt N$ 归一化，$N\to\infty$ 时经验分布收敛到上式。$\sqrt N$ 这个缩放又是 $\sqrt n$ 律——矩阵乘向量时一行内 $N$ 个随机项相加，量级正是 $\sqrt N$。数据分析里对应的是 Marchenko–Pastur 律。
这是高维集中最漂亮的展示：$N^2$ 个随机数的宏观函数（谱分布）的波动以 $1/N$ 量级消失，随机变成确定——所谓「自平均」。而 1972 年 Montgomery 与 Dyson 在普林斯顿茶歇闲谈中发现：黎曼 $\zeta$ 函数零点的间距分布与随机矩阵（GUE）的特征值间距分布完全一致——数论最深的未解问题与量子混沌共用同一条统计律，半个世纪过去仍无人知道为什么。
PCA 与协方差去噪：Marchenko–Pastur 给出「若全是噪声，谱该长什么样」的基线，只有越过上边缘的特征值才可能是真信号（用于投资组合、基因表达）。神经网络初始化的实质是控制权重矩阵的谱半径——Xavier/He 的方差公式就是让信号在深层间既不爆炸也不消失；Hessian 的谱结构则解释了训练景观各方向曲率的悬殊。