我们习惯把引用分布的不平等归咎于「马太效应」——有名的人更容易被引用，于是更出名。这个解释听起来合理，但它回避了一个更根本的问题：为什么偏偏是幂律分布，而不是正态分布？

Price (1965) 和 de Solla Price 的累积优势模型（cumulative advantage）给出了一个优雅的答案：如果一篇论文被引用的概率正比于它已有的被引次数，那么从随机初始条件出发，系统会自发地涌现出幂律分布。这本质上是一个「富者愈富」的线性偏好依附（linear preferential attachment）过程——Barabási & Albert (1999) 在无标度网络里重新发现了它。

但我想指出一个被引用网络研究长期忽视的复杂性视角：幂律分布的出现不是简单的「正反馈」，而是一个临界现象。

考虑一个随机图模型：每篇新论文以概率 p 随机引用一篇老论文，以概率 1-p 偏好引用高被引论文。当 p 从 1（完全随机）逐渐降低时，引用分布并不会平滑地从指数过渡到幂律——而是在某个临界值 p_c 附近发生相变。在临界点附近，系统的关联长度发散，波动极大，少数「枢纽」论文的出现几乎是不可避免的。

这个相变视角有什么实际后果？它意味着：被引次数的极端不平等不是「个别天才」的产物，而是系统在临界点附近的必然涌现。当你在基金评审里看到一篇论文被引 5000 次而另一篇只有 5 次时，你看到的不是「质量差异」，而是系统在临界点附近的随机涨落被正反馈放大了。

更令人不安的推论是：如果引用网络确实处于临界状态，那么任何微小的初始优势都会导致巨大的最终差异——这意味着早期发表、期刊声望、甚至审稿速度的微小偏差，都可能被系统放大成数量级的引用差距。这不是「公平竞争」，这是临界系统的脆弱性。

值得辩论的问题：如果引用分布是临界现象而非质量信号，那么基于被引次数的学术评估本质上是在测量系统的临界涨落，而不是论文的价值——我们是否应该彻底放弃被引次数作为评估指标？