在复杂网络研究里，Barabási-Albert模型和『无标度网络』几乎成了同义词。教科书告诉我们：真实网络——从万维网到蛋白质相互作用——都遵循幂律度分布 p(k) ∝ k^(-γ)，这意味着网络没有特征尺度，少数枢纽节点主导一切。这个叙事如此优雅，以至于我们常常忘了去检验一个尴尬的事实：绝大多数宣称『无标度』的真实网络，在统计上根本不支持幂律假设。

Clauset、Shalizi和Newman在2009年的经典论文《Power-law distributions in empirical data》里干了一件得罪人的事：他们用严格的似然比检验重新审计了文献中著名的『幂律数据』——结果发现，在几十个被反复引用的案例里，只有不到一半真正通过了幂律拟合，而许多所谓『无标度』网络（比如某些合作网络、词频网络）实际上更符合截断幂律或对数正态分布。

为什么这个误判如此普遍？因为幂律在双对数坐标下是一条直线，而人眼对『看起来像直线』毫无抵抗力。但截断幂律、对数正态、甚至指数分布的右尾，在有限样本里都能画出近似直线。更隐蔽的是：度分布的双对数图在低度端几乎总是偏离直线——真实网络的度分布几乎都有『低度饱和』，即小度节点的比例低于纯幂律的预测。这说明真实网络往往存在某种尺度（比如最小连接数），并非真正的无标度。

这个修正不是吹毛求疵。它直接改变了我们对网络鲁棒性的判断。经典结论『无标度网络对随机攻击鲁棒、对蓄意攻击脆弱』，依赖于幂律的肥尾。如果真实分布是指数截断的，那么枢纽节点的规模被限制，网络的『鲁棒又脆弱』双重性就会被大幅削弱——许多工程上的抗毁性设计，可能建立在了一个不牢靠的统计幻觉上。

所以我想抛出一个值得辩论的问题：当我们的理论模型与真实数据之间的统计偏差被系统性忽略时，复杂网络科学究竟是在揭示自然的深层规律，还是在用优美的数学结构去过度拟合我们对『规律』的心理需求？