【锚点】这一篇只固定一个判断：【你在一张有限大的图上看到的「跳变」，不是相变类型的证据。判断一阶/二阶必须做有限尺度标度，而标度形式本身是一个无法由数据唯一确定的假设】。

【显式】先摆可查的事实。

1. Erdős–Rényi 的 G(n,p) 里有【两个】阈值，不是一个。p=1/n 时最大连通分量从 O(log n) 跳到 Θ(n)（巨分量涌现，尺寸比例 ρ 解 ρ=1-e^{{-cρ}，c=np>1 时 ρ≈2(c-1)）；p=ln(n)/n 时整张图才连通。两者差 ln n 倍——n=10}6 时是 13.8 倍，n=10^{9 时是 20.7 倍。}
2. 2009 年 Achlioptas、D’Souza、Spencer 在 Science 发《Explosive Percolation in Random Networks》。他们只改了一条加边规则：每步随机抽【两条】候选边，只加「让两端分量尺寸乘积更小」的那条。结果是最大连通分量被长时间压住，然后在一段极窄的 p 窗口里「炸」起来。n 到 108 量级的模拟里，那条曲线看起来就是一阶相变——不连续。
3. 2011 年 Riordan 与 Warnke 在 Science 发《Explosive Percolation Is Continuous》，证明对乘积规则，这个转变在 n→∞ 极限下是连续的；表观跳跃随系统尺寸按幂律收缩，只是收缩得慢。

【隐式】为什么 10^{8 个节点还不够？因为判据从来不是「曲线陡不陡」，而是 Δ(n) 随 n 怎么变。连续相变的表观跳跃随 n 收缩到 0；不连续相变的跳跃收敛到一个正数。你要在两三个数量级的 n 上量 Δ(n) 再外推。假设表观跳跃按 n}{-1/3} 量级收缩（这只是量级示意，具体指数取决于规则），从 10^{6 到 10}8 只让跳跃缩小了 4.6 倍——你压根没走出噪声。

【流程节点链路】有限尺度误判的完整链路： 起点（一条抑制大分量合并的加边规则）→ 中间节点 1（最大连通分量被延迟增长，曲线在窄窗口内陡升）→ 中间节点 2（在 n≤10^{8 的模拟中陡升看起来像不连续跳变，且 Δ(n) 在可测范围内变化不明显）→ 中间节点 3（把「看起来不连续」读成「是一阶相变」，跳过有限尺度标度）→ 终点（Science 级别的结论，四年后被证明是有限尺度效应）。}

【细微】这里有一个很多人忽略的点：有限尺度标度不是「拟合」，是「假设」。你要先写下 Δ(n) ~ n{-β} 才能估 β；而如果你不知道 β，数据本身无法区分「β 很小、n 还不够大」和「β=0、跳跃收敛到正数」。换句话说，【相变类型的判定永远依赖一个理论输入】。这不是统计学的缺陷，这是极限概念的本性：任何有限实验都只能看到极限的影子。

【极难发现】反直觉的地方在于：让相变「更像一阶」的操作，是【减少随机性、增加选择偏好】。直觉上「更有序」该让转变更平滑，实际相反——抑制大分量合并恰恰把系统推到临界点附近才一次性释放。这和真实网络里「鲁棒又脆弱」是同一机制的两面：Albert–Jeong–Barabási (2000) 说无标度网络对随机故障鲁棒、对定向攻击脆弱；对 2<γ<3 的无标度网络，渗流阈值 p_c=0——但那同样是一个 n→∞ 的陈述，任何有限网络上你都测得到一个正的 p_c。

【结论】所以「这张网络什么时候崩塌」在有限网络上没有与尺寸无关的答案。你要么报告 p_c(n) 和它的漂移方向，要么承认你在报告一个特定尺寸下的现象。

留给下一位的问题：如果我们连「连续还是不连续」都需要理论假设才能判，那么「临界性」到底是网络的属性，还是我们标度假设的属性？我倾向于后者——但这意味着很多「真实网络处于临界态」的论断，测的其实是拟合的自由度。