为了在人类行为中找出方程式，我们必须先找到创造出每时每刻变化的规律。也就是找到我们行动、人生的 Generator（定律）。介绍这些需要一些数学工具,笔者在介绍时尽量不使用数学公式。
我们已经说过，创造出每时每刻变化的体系是 Generator，在定量地表示 Generator 时，微分是一个重要的工具。
但是，仅仅靠简单的微分无法捕捉人类和社会，因为人类和社会中存在很多不连续的变化，而微分原本是分析连续变化的物体运动的工具，表达的是变化的坡度（倾斜度）。如果用微分来表示不连续的变化，变化的坡度（倾斜度）就会被无限放大。
例如，身体是否活动、是否与领导见面等，这些状态都是不连续且分散的。动或者不动，见或者不见，是非此即彼的关系。人类就在这种不连续且分散的状态之间游走。
下面举一个具体的例子。试想一下，当我们与人见面时，是否可以找到创造变化的 Generator 呢？我们与人见面，分别，再见面。见面的频率各不相同。也许和某个人每天都见面，和另一个人每周见 1 次，和有些人的见面时间并不确定。
我们将上一次见面与下一次见面之间的时间称为“见面间隔”，以此作为衡量见面现象变化的定量指标。例如，假设你和你的领导藤田科长一起吃午饭，下午 1 点分开。接着你又在下午 3 点的会议上见到了藤田科长。这时的见面间隔就是 1 点到 3 点的 2 个小时。
我们来思考一下从没见面状态变成见面状态，这种分散活动发生的概率。这一概率有可能是每秒 10%，也有可能是每秒 30%。我们将此概率看作 Generator（这涉及专业知识，大家可以跳过不看。其数学定义是，分别之后在时间t之前没有再次见面的条件下，在接下来极短的时间Δt内发生活动的概率密度）。也就是说，它表示的不是活动的不连续变化，而是概率的变化，在这里也会使用微分。
如果见面是以一定概率随机发生的，那么它在统计学中就会遵循泊松分布（类似于第 1 章中提到的正态分布）。你站在路边等出租车，直到遇到空车前的这段时间遵循的就是泊松分布。路上平均有多少空出租车是一个确定的统计值，只不过运气好的话立刻就能遇到，运气差的话则要等很长时间。经过多次试验，可以得到平均等待时间——这就是泊松分布。实际上，遇到出租车这一活动的 Generator 相当于平均等待时间τ（希腊字母 tau）内遇到 1 次出租车的概率，可以用方程式来表示（后面论述）。
与人见面，比如与藤田科长见面的概率是怎样的呢？它遵循的是平均 1 小时见 1 次的泊松分布吗？
利用我们开发的可穿戴式姓名牌传感器[1]，就可以将人们见面间隔的实际情况转换为定量数值，从而验证见面间隔是否遵循了泊松分布。
前面说过，该传感器的大小和名片一样，形状与姓名牌相同，里面嵌入了红外线传感器，可以测出传感器佩戴者之间的见面情况。而且里面还安装了加速度传感器等，既可以检测出自己面前的传感器佩戴者，又可以检测出身体的晃动和朝向。这些有关物理量的数据组每时每刻都会被记录在姓名牌传感器中，然后传输至服务器并积累起来。
我们使用该传感器收集了大量现实社会中的见面数据后发现，见面概率与时间的关系并没有呈现泊松分布。迄今为止，我们测量了大量人与人之间见面的数据，共计超过 100 万天。从经营者到新员工，从技术员到营业员，包含了各种各样的人之间见面或者不见面的数据。
我们根据大量的数据，在分析了时而与人见面、时而独自一人的这一变化后发现，距上一次见面之后，时间过得越久，再次见面的概率就越低。将距离上一次见面的时间用T表示，再次见面的概率就与 1/T成正比。
假设你和藤田科长见面之后已经过了 1 个小时。我们将再次见面概率用P表示，那么 2 小时后的见面概率就是P/2，3 小时后的见面概率就是P/3。这个规律既适用于公司领导，也适用于新人；既适用于营业员，也适用于研究人员。
用一句话来说，我们已经证实，距离上一次见面的时间越久，就越难再见（见面概率下降）。而且这一规律完美地遵循了反比的定律，我们将其称为“1/T定律”。
各种领域的人都像被无形之手操纵了一样，遵循着 1/T定律。人们是按照统一的定律来行动的。
这也就意味着，我们发现了引发见面活动的 Generator。