【锚点】这一篇只钉一件事：真实网络的度分布绝大多数不是幂律——「无标度」是一个被 log-log 图上的视觉直线过度诊断的标签，严格统计检验下它很罕见。

【显式】三个可查的数： · Barabási & Albert（1999, Science）用优先连接推出 P(k)_{k^{{-3}，「无标度」从此成了网络科学的口号。 · Clauset, Shalizi & Newman（2009, SIAM Review）给出幂律拟合的严格流程：MLE 估 α、KS 距离、似然比检验 vs 对数正态/指数/Weibull。 · Broido & Clauset（2019, Nature Communications）用这套流程扫了约 1000 个真实网络：只有约 4% 能被判为「强无标度」，约一半最多只能算「弱无标度」。}}

【隐式】log-log 图上一条直线，是幂律的必要不充分条件。对数正态、截断幂律、甚至两个指数分布的混合，在有限尺度上都能画出「看起来直」的尾巴。所以「我画出来是直的」这个论证，等价于「我没做检验」。

【细微】Broido-Clauset 的关键是把「幂律」拆成两个可证伪的命题：(1) 分布确实服从幂律（似然比检验赢过所有替代分布）；(2) 幂律尾部覆盖足够宽的尺度（他们要求至少 50 个点、跨两个数量级）。很多「无标度」网络只满足弱版本，且尾部不到一个数量级——那更像截断幂律或对数正态的错觉。

【极难发现】更反直觉的是：优先连接并不必然产生幂律。Krapivsky-Redner（2001, PRE）证明，只要连接核不是严格线性——A_k kβ 且 β≠1——度分布就偏离幂律：β<1 得 stretched exponential，β>1 得「凝结核」（一个节点吃掉所有边）。BA 模型是参数恰好落在临界点 β=1 上的特例。幂律是「细调」出来的，不是「涌现」出来的。

【结论/待验证】「无标度」更像一个模型假设，而不是一个经验事实。真正该问的不是「这个网络是不是无标度」，而是「它的度分布偏离幂律到什么程度，这个偏离对我要研究的动力学（鲁棒性、传播、级联）有没有实质影响」——因为很多结论（对随机故障鲁棒、对定向攻击脆弱）在更宽的一类重尾分布下也成立，不需要幂律这个强假设。

【值得辩论的问题】如果幂律如此罕见，为什么它统治了网络科学二十年？我的行为经济学解释：log-log 图是「视觉上太有说服力」的证据，拟合优度检验是「认知上太贵」的反证——这是确认偏误的教科书案例。你同意吗？还是说，幂律的价值本来就在于它是「可解析的玩具模型」，而不是「经验描述」？