01它问的是什么问题（The Question It Poses）
1990 年代之前，网络研究的默认模型是随机图（random graph）：把点两两之间随机连线。它有个明确的预测——一个点连了几条边（这个数叫度数，degree）应该有个典型值，绝大多数点都挤在平均值附近，最大的也大不了几倍。
可是一抬眼，现实完全不是这样：极少数网页被上百万个页面链接，极少数机场连着上百条航线，极少数论文拿走大部分引用。这些点不是稍微大一点，是大出几个数量级。
于是问题变得很具体：要给「随机连线」补上什么，巨头才会自己长出来？而且尽量少补——补得越少，结论能覆盖的系统越多。这个模型给出的回答是：补两条就够。
02规则本身（The Rules）
- 从一小撮已经连好的点开始（几个就行，怎么连都无所谓，最终结果不受它影响）。
- 每一步加入一个新点，它带来 m 条边（m 是个固定的小数字，比如 2）。
- 新点连谁？选中某个老点的概率 = 那个老点当前的度数 ÷ 全网所有点的度数之和。这一条就叫优先连接（preferential attachment）。
- 连好之后，进入下一步，再加一个新点。网络就这样一直长下去。
- 已有的边永不删除、永不改接；已有的点永不退出。
第 3 条是全部的机关：它没有说新点"喜欢"谁，只说了概率跟对方已有的边数成正比。第 5 条则是最强的一条假设，也是这个模型在现实里最先破掉的地方。
把选择过程画成一条按度数分格的带子：谁占的格子多，谁被随机指到的机会就大。「优先」在这里是概率上的偏向，不是任何人的偏好。
03跑起来会看到什么（What You See When It Runs）
跑出来的度数分布是一条幂律（power law）：连了 k 条边的点的数量正比于 k 的负三次方。这个指数 3 是从规则里推出来的——它跟 m 是几无关，也跟一开始那撮点怎么连无关。
下面这张图是真跑出来的：两边各 30000 个点、每个新点带 2 条边，唯一的差别是「选谁」。随机挑的时候，最大度数是 27；按边数挑的时候，最大度数是 616。而两边的平均度数完全相同，都是 4.0。
纵轴是「度数至少这么大的点占多少比例」，两轴都取了对数。这种坐标下幂律是直线，而随机挑出来的分布迅速掉到地上——它有典型值，直线那条没有。
还能算出单个点的成长曲线：第 i 个进场的点在网络长到 t 个点时，度数是 ki(t) = m·√(t/ti)。所有点在模型里长得一模一样，唯一的差别是进场顺序，而这个顺序被时间以平方根的速度放大。早到的点永远在前面，晚到的永远追不上。
最后一件很重要但常被略过的事：这两条规则缺一不可。只保留增长、新点随机挑，出来的是指数分布，没有枢纽；只保留优先连接、点数固定不长，度数分布根本不稳定，边越加越多，最后整张网连成一片。是「增长中的系统按存量分配增量」这个组合在起作用。
04它解释了现实中的什么（What It Explains）
它解释的是一件事：为什么在「一直在长、且新来者按可见度选择」的系统里，规模分布是重尾的而不是钟形的——网页链接、论文引用、机场航线、软件包依赖、蛋白质相互作用，都有这个结构。
它给出三条可以被数据否掉的预期：① 度分布重尾；② 新边分配到某个点的速率随该点度数线性上升；③ 早进场的点系统性地更大。第 ② 条尤其有用，因为它可以直接测——Jeong、Néda 和 Barabási 2003 年就这么干了，结果是引用网络和互联网接近线性，而演员合作网和科学合著网是次线性的。
它还替掉了一个很流行的坏解释。看到某个节点特别大，默认的说法是「因为它更好」；这个模型说明，在满足上面两条规则的系统里，就算所有节点完全一样，也一定会出现一批巨头——所以「它大」本身不构成「它好」的证据。至于早期的一点随机领先会不会真的滚成后来的巨大差距，van de Rijt 等人 2014 年在 Kickstarter、Wikipedia 等平台上做了随机实验：随机给一点初始成功，后续成功率显著提高，但边际递减。
它不能解释什么（What It Cannot Explain）
- 不能说出谁会成为枢纽。它预言一定会有枢纽，但在所有节点同质的模型里，谁当枢纽完全取决于最早那几次随机选择。要预测具体是谁，这个模型明确无话可说。
- 不能解释后来者超车。按 ki(t) = m·√(t/ti)，晚到的永远追不上；而现实里 Google、微信这类后发者都翻过盘。这需要 Bianconi–Barabási 的适应度（fitness）扩展：新边按「适应度 × 度数」分配，年轻但适应度高的点才可能超车。纯优先连接会系统性高估先发优势。
- 不能产生聚类和社群。它生成的网络里，你的两个邻居互相认识的概率接近零，也没有任何社群结构。真实网络两样都有。任何依赖聚类或社群的问题，用它回答就是拿错了工具，哪怕度分布配得再好。
- 不能容忍非线性。Krapivsky、Redner 和 Leyvraz 2000 年算过：若把概率改成正比于度数的 α 次方，只有 α = 1 给出幂律。略小于 1，枢纽被压扁成拉伸指数；大于 1，连接向极少数点塌缩，再大一些几乎所有边都归一个点。这是刀锋上的条件，不是一个大致成立就行的近似。
- 不能用在节点会死、边会重连的系统里。规则第 5 条要求点不退出、边不改接。公司会倒闭、朋友会绝交、依赖会被替换——这些系统需要带删除的变体，结论也随之改变。
- 不能反过来证明「这个网络是无标度的」。模型能产出幂律，不等于现实里那条尾巴就是这个机制造的：复制-分歧、随机比例增长、甚至纯粹的采样偏差都能给出同样的形状。而 Broido 与 Clauset 2019 年对 927 个真实网络做统一检验的结论是，能拿到最强证据的只有 4%。