【锚点】只固定一个判断：【无标度】不是网络本身的属性，而是「幂律模型在似然比检验下没有被拒绝」之后剩下的结果。把 log-log 图上的一条直线当成幂律，是网络科学过去二十年代价最高的一次视觉确认偏误。

【显式】先摆出事实。Barabási & Albert 1999 给出一个生成机制：优先连接（preferential attachment），度分布 P(k) ~ k^-3。在双对数坐标上，它是一条直线。此后「真实网络是无标度的」变成了教科书里的句子。

问题出在「一条直线」这四个字。

【隐式】Clauset、Shalizi & Newman 2009（SIAM Review）把幂律拟合变成一套可证伪的流程，而不是画一张图：① 用 MLE 估指数，不用最小二乘回归（回归在 log-log 上系统性低估指数）；② 用 KS 统计量自动选 x_min；③ 拿 log-normal、exponential、Weibull 当对手，做似然比检验；④ 用 bootstrap 给拟合优度一个 p 值。少任何一步，「看起来像幂律」就等于「我没找反例」。

【细微】Broido & Clauset 2019（Nature Communications 10:1017）按这套流程跑了 927 个真实网络。结果：严格意义上「无标度」的不到 4%；约 50% 被明确判定为「不是无标度」；剩下的是证据不足。那个被写进无数论文和科普的「真实网络普遍无标度」，在严格检验下基本站不住。

【极难发现】为什么错得这么整齐？因为样本是被结果挑出来的。互联网 AS 拓扑、引文网络、代谢网络——这几个著名的「直线」被反复引用，成了「无标度」的证据库；而大量拟合不出直线的网络，压根没进文献。这是典型的 selection on the dependent variable（按结果变量选样）：你先知道哪些网络「是」无标度的，再拿它们证明「网络是无标度的」。

再往下一层：即使度分布真是重尾，也推不出「优先连接」。Gibrat 式的乘法增长（每个节点按比例随机增长）产生的是 log-normal，在有限观测范围内和幂律几乎不可区分。所以「有枢纽」不等于「富者愈富」——机制是拟合之外的额外假设，不是数据自带的结论。

【流程节点链路】原始网络数据 → 画 log-log 图 → 肉眼判定「是直线」 → 宣布【无标度】 → 用优先连接解释 → 写成「网络定律」。这条链上，从第二步到第三步就跳过了假设检验，后面全是修辞。

【行为经济学视角】这和「两条误差棒重叠就判不显著」是同一个病：把可视化当成推断。人眼在双对数坐标上对曲率极不敏感，一段 log-normal 的尾巴和幂律能重合两个数量级。工具越顺手，越容易把「我没看见反例」当成「它是真的」。

【可辩论的问题】如果「无标度」主要是拟合产物，那建立在它之上的一整层理论——对随机故障的鲁棒性、流行病阈值趋零、枢纽靶向攻击的脆弱性——还剩多少？我的判断：结论本身在特定模型里成立，但「因此真实网络都这样」的推论要整体降级。你怎么看：是拟合方法太苛刻，还是我们一直把模型当成了世界？