富者愈富——但光是富，还不等于无标度（Rich get richer — but that alone is not scale-free）
2026-08-08 · 网络
你手机里存着两三百个号码，你认识的人里没有谁存了两万个。但在网上，一个账号有两千万粉丝、另一个有二十个，这不叫异常，这是常态。同样是「连了多少」，一边有典型值，一边根本没有——差别不在人身上，在连法上。
上一期那个世界里没有名人：每个人的关系数量都差不多，只是有几条跨圈的捷径，距离就已经很短了。现实网络多出来一样东西——巨头。一个机场连着上百条航线，一个网页被上百万个页面指着，一种蛋白质参与几百个反应。这些点不是统计上的离群值，它们是这类网络的常规配置。
反直觉的转向在这儿：要解释巨头，不需要假设它们更好、更强、或者更早看清了什么。两条无聊到近乎中性的规则就够了。而同样这两条规则还顺带预言了第二件事——巨头一定会出现，但谁成为巨头基本上不可预测。这两句话必须分开说；合在一起说，就成了成功学。
与下期的分工先说清楚：本期只讲枢纽是怎么长出来的、以及这套说法的证据到底有多硬；第 23 期讲有了枢纽之后会怎样（对随机故障几乎免疫、对定点打击瞬间垮掉）。本期最后一节是本站少见的自己拆自己台的一节——「无标度」是复杂性科学里被推销得最凶的一个词，它的证据比科普书里读到的弱得多。
要看出一件事有多奇怪，得先有个对照组。数学家 Erdős（艾迪胥）和 Rényi（雷尼）在 1959 年前后研究了最省事的一种网络：拿 N 个点，每一对点之间抛一次硬币，正面就连一条线。这个东西叫随机图（random graph）。
一个点连了几条线，这个数叫它的度数（degree）。随机图里的度数分布有一个名字叫泊松分布（Poisson distribution），但它的意思很朴素：绝大多数点的度数都挤在平均值附近，比平均高一倍的已经少见，高三倍的几乎不存在。用一个日常的说法——它有「典型值」。
身高就是这样的东西。平均一米七，你见过两米的，永远见不到五米的。财富不是这样的，粉丝数也不是。所以问题很具体：什么样的连法，会把一堆点连成右边那个样子？
注意这张图里两边的总边数是一样的。这一点很重要：巨头不是因为「资源更多」才出现的，同样多的资源，换一种分配规则就分不出巨头来。
判断一个系统会不会长出巨头，别去看它现在集中不集中——看它新增的那部分是怎么分配的。新的连接随机落点，就不会有巨头；新的连接按各家已有的量成比例落点，就一定会有。这是个可以直接测的量：把最近一段时间新产生的连接（新用户、新引用、新依赖、新订单）按接收方的存量排一下，看斜率是平的还是正的。
EN In an Erdős–Rényi random graph, degrees follow a Poisson distribution: almost every node sits near the mean and nothing is more than a few times larger. Real networks are not like that. With the same 40 nodes and the same 40 edges, changing only how new edges are allocated moves the maximum degree from 3.5× the mean to 7×. Hubs are not a matter of more resource; they are a matter of the allocation rule.
1999 年，Barabási（巴拉巴西）和 Albert（阿尔伯特）指出随机图漏掉了两件真实网络都有的事，而补上这两件就够了。
第一，网络在长。随机图假设所有点一开始就都在场，只是还没连线。真实的网络不是这样：网页一个一个被建出来，论文一篇一篇被写出来，人一个一个注册进来。第二，新来的不是随机挑。它更可能连上那些已经连了很多条线的点。第二条规则就叫优先连接（preferential attachment）——「优先」二字指的是概率上的偏向，不是谁在心里偏爱谁。
这一点值得多说一句，因为最容易被读成心理学。规则里没有任何人的意图：你随手找一个网页去引用，你更容易撞上一个已经被很多人引用的网页，仅仅因为它更容易被你看见。偏好是这个结果的名字，不是它的原因。→ 参考 · 优先连接模型
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 3 是从规则里推出来的，不是从数据里拟合出来的——这一点在后面会变得很关键。
「无标度」（scale-free）这个词在这里的确切含义就是：这条分布没有典型值，你说不出一个能代表全网的「一般连多少条」。它不是「没有尺度」这种玄学表述，是「没有特征尺度」这个很具体的统计性质。
两条规则缺一不可，这一点常被略过：只有增长、新点随机挑（不优先连接），出来的是指数分布，没有枢纽；只有优先连接、点数固定（不长，只是不停加边），度数分布根本不稳定，边越加越多，最后整张网连成一片，幂律只是路过的一个阶段。是「增长中的系统按存量分配增量」这个组合在起作用，不是其中任何一条。同一副骨架在概率论里有个更老的名字 → 参考 · 波利亚罐子。
EN Barabási and Albert added two ingredients the random graph lacks: the network grows, and each arriving node attaches with probability proportional to a target's current degree. Those two together yield P(k) ∝ k⁻³ — an exponent derived from the rules, not fitted to data. Neither ingredient works alone: growth with uniform attachment gives an exponential distribution, and preferential attachment on a fixed node set never reaches a stationary power law.
这个模型有个好处：它能算。第 i 个进场的点，在网络长到 t 个点时的度数是 ki(t) = m·√(t/ti)——m 是每个新点带来的边数，ti 是这个点进场的时刻。
把这个式子读一遍：度数只跟你什么时候来的有关。模型里所有点长得一模一样，唯一的差别就是进场顺序，而这个顺序被时间以平方根的速度放大。
这就是「先发优势」在这套机制下的准确含义，而它比通常的说法更强也更弱：更强，因为它不需要早到者做对任何事，纯粹的时间顺序就够；更弱，因为它只在这条模型的假设里成立，而那些假设很快就会破。
最明显的反例是搜索引擎。Google 1998 年才进场，那时候网页之间的链接格局早就形成了，按上面那条公式它应该永远追不上。Bianconi（比安科尼）和 Barabási 在 2001 年补上了缺的那一块：给每个点一个适应度（fitness，记作 η），新边按 η 乘以度数来分配。这时候一个年轻但适应度高的点可以真的超车；而且在某些适应度分布下，系统会进入一个「赢者通吃」的相——这套方程和物理里的玻色-爱因斯坦凝聚（Bose-Einstein condensation）是同一套，适应度最高的那个点会拿走全网边数中一个有限的比例。
那么真实系统里到底有没有「成功滋生成功」？2014 年 van de Rijt（范德雷特）等人做了一个很漂亮的实地实验：在 Kickstarter、Wikipedia、Epinions、Change.org 上随机挑一批对象，给它们一点点初始成功——一笔小额资助、一个奖章、一个好评、一个签名——然后什么都不做，看后续。四个平台上被随机眷顾的那批，后续成功率都显著更高：Kickstarter 上受到一次随机资助的项目有 70% 吸引到了后续资助，对照组是 39%。但效应是边际递减的，不是无限放大。也就是说，现实更像加了适应度的版本，而不是纯粹的优先连接。
起步阶段的一点先发优势确实值得下重注，但只在两个前提同时成立时：①系统还在长——增长一停，优先连接立刻失效，份额被冻结在当下、不再继续拉开；②新增连接确实按存量分配——这要去测，不能假设。可执行的做法：把看板上的「累计份额」换成「最近一期的新增份额」。这两条曲线开始分叉的那一刻，就是适应度压过存量的时刻，而它在累计曲线上要滞后好几期才看得出来。
EN The model is solvable: kᵢ(t) = m·√(t/tᵢ). Degree depends only on arrival time, and the gap widens as a square root — nodes are otherwise identical, so first-mover advantage here requires doing nothing right. The Bianconi–Barabási fitness extension lets a young node overtake, and in some fitness distributions produces a winner-takes-all phase mathematically equivalent to Bose–Einstein condensation. Field experiments (van de Rijt et al. 2014) confirm success breeds success but with diminishing returns.
现在说这套东西的来历，以及它后来挨的打。这一节的两件事都不常出现在科普书里。
先说来历。「富者愈富」这条机制在 1999 年之前已经被独立发现过至少三次：统计学家 Yule（尤尔）1925 年用它解释生物分类里为什么有的属包含几百个种、有的只有一个；Simon（西蒙）1955 年把同一副骨架写成通用形式，用来解释词频、收入和城市规模；Price（普赖斯）1976 年把它明确地搬到网络上——他研究的正是论文之间的引用，并管这个机制叫累积优势（cumulative advantage）。
这不是掌故。一个被反复独立发现的机制，通常说明它很基本；但反过来也说明，1999 年真正新的东西是把它接到「网络」这个对象上并给了它一个好卖的名字，不是「富者愈富」本身。而正是这个名字，后来承担了远超它证据强度的重量。
再说挨打。2019 年 Broido（布罗伊多）和 Clauset（克劳塞特）做了一件很笨但很有用的事：把同一套严格的统计检验，用到手上能找到的 927 个真实网络上——社交的、生物的、技术的、交通的、信息的，一个不挑。他们按证据强度分了五级，结果是：只有 4% 的网络落进最强的一级；57% 至少落进某一级；而社会网络里有一半连最弱的那一级证据都没有。更难堪的一条是：对其中大多数网络，用对数正态分布（log-normal）去拟合，效果和幂律一样好，甚至更好。
这篇文章立刻招来了反驳。Voitalov（沃伊塔洛夫）等人同年发表《Scale-free networks well done》，论点是定义太严：如果按统计学里标准的正则变化分布（regularly varying distribution）来定义幂律——只约束尾巴的行为，允许小度数那一段任意偏离——那么无标度网络一点也不罕见。
所以今天诚实的状态是这样的：几乎没有人否认真实网络的度分布是重尾的（大点比随机图允许的大得多）；争的是「幂律」这个词该怎么定义、证据门槛该设多高。而科普里那句「真实网络都是无标度的」，把这两件强度差得很远的事合并成了一句。
别让任何决策挂在幂指数的具体数值上——它对下界怎么选、观测窗口多长都很敏感，两个人算同一份数据能差出 0.5。改报两个对分布假设不敏感的量：最大度数是中位度数的多少倍，以及前 1% 的节点占了全部连接的百分之几。这两个数直接对应你真正要做的事（该盯谁、断了谁会疼），而且谁都能复核。
EN The mechanism predates its name by seventy years: Yule (1925), Simon (1955), Price (1976, on citations, as "cumulative advantage"). In 2019 Broido and Clauset ran one statistical pipeline over 927 real networks: only 4% showed the strongest evidence of scale-free structure, half of all social networks showed none, and log-normal fits were as good or better for most. Voitalov et al. replied that under the standard "regularly varying" definition scale-free networks are common. Heavy tails are not in dispute; strict power laws are.
上一节说的是证据强度，这一节说的是机制本身的边界——什么时候优先连接压根不给你幂律，以及什么时候你看到的重尾根本不是系统的性质。
第一，「按存量分配」必须是严格成比例的，差一点都不行。2000 年 Krapivsky、Redner 和 Leyvraz 算了一般情况：如果新边按度数的 α 次方分配，那么只有 α = 1（也就是严格成比例）才给出幂律。α 略小于 1，枢纽被压扁，分布变成拉伸指数；α 大于 1，连接向极少数点塌缩，α 再大一些几乎所有的边都归一个点。这是刀锋上的条件。而 Jeong、Néda 和 Barabási 2003 年实测了四个真实网络的新边分配：引用网络和互联网接近线性，演员合作网和科学合著网是次线性的。所以「这里确实有优先连接」和「这里应该出现幂律」是两句话。
第二，你的测量方法可能自己就会造出重尾。这一条最狠。互联网拓扑是「无标度」最著名的案例之一，而它的早期证据来自 traceroute——从一个源出发，记录到各个目的地的最短路径，把看到的边拼成一张图。2005 年 Achlioptas、Clauset、Kempe 和 Moore 证明了：这种采样方式，即使底下那张图每个点的度数完全相同，观测到的度分布也会呈幂律。
第三，BA 模型明确不预测的那些东西。它生成的网络几乎没有聚类——你的两个邻居互相认识的概率接近零；没有社群结构；节点永不死亡；边一旦连上永不改变。真实网络这四条全都不满足。所以拿这个模型去回答任何依赖聚类、社群或者节点退出的问题，是拿错了工具，哪怕它的度分布配得很好。
第四，从形状反推机制是解一个多对一映射的逆。这一条上一期已经展开过 → 参考 · 幂律的识别与误判，这里只补网络版的名单：优先连接、适应度、复制-分歧、随机比例增长、以及上面那种纯采样偏差，都能给出同一条尾巴。要主张是哪一条在跑，必须去测这个机制的别的可观测后果——比如直接测新边是怎么分配的，而不是只看一眼度分布。
第五，也是最该记住的：无标度不是一枚勋章。它不意味着系统更高效、更先进、更「有机」，也不意味着谁设计得更好。它只是关于度数分布形状的一个陈述，而且是个挺弱的陈述。这个词之所以传得那么广，很大程度上是因为它听起来像是在说一件深刻的事。
EN Four limits. Attachment must be asymptotically linear — Krapivsky, Redner and Leyvraz showed sublinear kernels give stretched exponentials and superlinear ones collapse onto a few nodes, while Jeong, Néda and Barabási measured real kernels that are sublinear in two of four networks. Traceroute-style sampling manufactures power laws even on regular graphs (Achlioptas et al. 2005). The BA model predicts no clustering, no communities, no node death. And a heavy tail never identifies its own mechanism.
剩下的是可以分开测的那部分。优先连接预测的是：新连接的分配只依赖存量，跟对象的任何内在属性无关。品牌和网络效应则主张存在一个不随存量变化的加成——那正是适应度模型里的 η。要区分它们，去看两个存量相同但属性不同的对象拿到的新增连接是否有系统差异；如果没有，那个被反复讲的「品牌」可能只是存量的另一个名字。
在纯优先连接里会被冻结：没有新节点进场，就没有新的边可分配，份额停在那一刻。这推出一个反直觉的东西——在一个不再增长的市场里，「晚进场」的劣势反而不再继续扩大。但要小心这个结论的前提：现实里增长停止之后，存量的边通常会开始重新分配（客户流失、引用老化、依赖被替换），而那是另一套动力学，本期的模型对它完全沉默。
一个可操作的答案是：换掉最可疑的那一步，看结论还在不在。traceroute 的问题在于「从少数几个源看出去」，那就加源、或者换成从路由表直接读拓扑。更一般地：先写下「如果这条重尾是采样造出来的，那么把采样方式改成 X 之后它应该消失」，再去做 X。写不出这句话，就说明这次测量不可证伪。
剩得比想象中多。那些结论真正依赖的是「存在少数几个度数远高于其余的节点」，而不是分布严格服从哪个公式——对数正态的尾巴也足够重，照样有枢纽。真正会垮掉的是那些依赖幂指数具体取值的定量结论，比如「随机故障下渗流阈值趋于零」这一类在 γ < 3 时才成立的说法。