在努力理解智能行為的過程中，我們經常會採取以下方式：首先觀察自己認為最常見的行為，找出相應的應對辦法；然後以此為基礎，便可以不斷提高處理問題的能力。當我們跨過某個門檻，基本能夠處理99.9%的問題時，我們便停下來。
這就是所謂的工程戰略。我們對於正在研究的某種行為，先制訂草案，然後進行工程設計，優化並提高處理能力。這種戰略在機械設計當中表現得淋漓盡致。給定一個推力為X的火箭，如何改善才會產生推力Y？對於一座承載能力為X的橋樑，如何加固可將承載能力提升至Y？
這種工程戰略確實在解決一些與智能行為相關的問題中發揮了良好的作用。例如，當我們學習走路時，我們都會從普通、常見的地方開始，比如在地板上或者堅實的地面上。最終我們學會了走路，並且能夠應對沙地和冰面等較為複雜的路況。同樣的道理，我們在學習母語時，通常都是從聆聽兒語開始的，而不是去看最新一期《麥克勞克林小組》（The McLaughlin Group）或者達納·卡維模仿秀。
但是，這種工程戰略也有完全不起作用的時候。如果某些個體事件雖然極為罕見，但對於整體卻意義非凡，我們就將這種事件的分佈稱為長尾分佈，而這些罕見的個體事件就是納西姆·塔勒布（Nassim Taleb）所說的“黑天鵝”。（歐洲人曾一度認為所有的天鵝都是白色的。）雖然黑天鵝的作用可能非常重要，但如果我們先著眼於常見的現象，再將注意力轉到稍微不太常見的現象，然後以此類推，我們就可能永遠也見不到黑天鵝了。單從統計學的角度來看，我們似乎做得很好。但是事實上，我們可能做得非常糟糕。