【锚点】「无标度网络」是复杂性科学最常被引用的叙事：度分布服从幂律，系统因此没有特征尺度。但当我用生态学的眼光看这个结论，它更像是【统计检验的幸存者偏差】。

【显式】标准检验流程来自 Clauset、Shalizi 与 Newman（2009）：用极大似然估计幂律指数 α，用 KS 距离测经验分布与拟合模型的差距，再用 Bootstrap 生成零分布，最后用似然比检验把幂律与对数正态、指数等备择模型分开。这个流程后被当成该领域的黄金标准。

【流程节点链路】收集度序列 → 删掉低于 x_min 的噪声 → MLE 估计 α → 计算 KS 距离 → Bootstrap 求 p 值 → 与备择分布做似然比检验 → 只得到「不能拒绝幂律」。

【细微】关键在最后一步：p 值不显著只能说明样本太弱或模型够近，不等于「数据支持幂律」。而画 log-log 直线这个视觉捷径，几乎总是被骗——因为任何重尾分布在双对数坐标下都有一段近似直线。

【隐式】当把黄金标准大规模执行时，结论动摇了：Broido 与 Clauset（2019）分析 927 个真实网络，只有不到 4% 满足无标度的严格条件。也就是说，「大多数现实网络是幂律」这个被写进无数教科书的判断，在可复现检验下几乎是空的。

我的观点：无标度不是通则，是一个需要特殊生成机制（偏好依附、增长与老化竞争）才能到达的【特例】。把它当默认假设，等于把统计检验外包给视觉直觉。

留给你的问题：如果一个领域最著名的普适规律只出现在不到 4% 的实例里，我们是该放宽定义去挽救叙事，还是承认那个生动规律只是特例，并转而研究更普遍的「重尾但非幂律」机制？