3,094
个编辑
更改
跳到导航
跳到搜索
第23行：
第23行： − + 第47行：
第47行： − + 第1,478行：
第1,478行： + + + 第1,485行：
第1,488行： − + + − + 第1,494行：
第1,498行： − + − + − + − + − + 第1,513行：
第1,517行： − + − + 第1,524行：
第1,528行： − + 第1,536行：
第1,540行： − + 第1,542行：
第1,546行： − + − + − + 第1,569行：
第1,573行： − + 第1,583行：
第1,587行： − + − + 第1,668行：
第1,672行： − + − + − + − + − + 第1,681行：
第1,685行： − + − + − + − + − + − + − + − + − + 第1,707行：
第1,711行： − + − + 第1,721行：
第1,725行： − + − + 第1,737行：
第1,741行： − + − + − + − + 第1,750行：
第1,754行： − + − + − + − + − + 第1,767行：
第1,771行： − + − + 第1,774行：
第1,778行： − + 第1,781行：
第1,785行： − + − + 第1,817行：
第1,821行： − + − + − + − + − + − + − + − + − + − + − + − + − + − + − + − + − + − + − + − + − + − + − + − + − + − + − + − + − + − + − + − + − + − + − + − + − + 第1,904行：
第1,908行： − + − + − + − + − + − + − + − + − + − + 第1,935行：
第1,939行： − + − + − + − + 第1,958行：
第1,962行： − + − + 第1,991行：
第1,995行： − + 第2,038行：
第2,042行： − + 第2,056行：
第2,060行： − + − + 第2,071行：
第2,075行： − + − + 第2,087行：
第2,091行： − + − + − + − + 第2,108行：
第2,112行： − + 第2,139行：
第2,143行： − + − + 第2,204行：
第2,208行： − + 第2,228行：
第2,232行： − + 第2,238行：
第2,242行： − +
→Banavar最优网络模型
=== 伽利略的规模缩放理论 ===
=== 伽利略的规模缩放理论 ===
[[伽利略]]（Galileo Galilei）在《[[关于两种新科学的对话与数学证明]]》<ref name='galileo'>{{cite book|author=武际可|title=关于两门新科学的对话|publisher=北京大学出版社|year=2006}}</ref>中首次系统性提出了规模缩放的思想：如果一个物体按照几何比例放大，那么其力学性质不会简单地按比例的方式扩展，而是呈现出了一定的[[非线性]]的缩放规律<ref name=":4">{{cite book|author=West, G. B.|year=2018|title=规模: 复杂世界的简单法则|publisher=中信出版社}}</ref> 。例如：
[[伽利略]]（Galileo Galilei）在《[[关于两种新科学的对话与数学证明]]》<ref name="galileo">{{cite book|author=武际可|title=关于两门新科学的对话|publisher=北京大学出版社|year=2006}}</ref>中首次系统性提出了规模缩放的思想：如果一个物体按照几何比例放大，那么其力学性质不会简单地按比例的方式扩展，而是呈现出了一定的[[非线性]]的缩放规律<ref name=":4">{{cite book|author=West, G. B.|year=2018|title=规模: 复杂世界的简单法则|publisher=中信出版社}}</ref> 。例如：
==== 面积与体积的[[幂律关系]] ====
==== 面积与体积的[[幂律关系]] ====
[[量纲分析]]（dimensional analysis）是一种只利用物理量的“量纲/单位”关系来推断公式结构、做数量级估算、检验推导是否可能出错的方法。核心思想：任何物理定律在单位变换下都应保持形式一致，因此等式两边的量纲必须相同。
[[量纲分析]]（dimensional analysis）是一种只利用物理量的“量纲/单位”关系来推断公式结构、做数量级估算、检验推导是否可能出错的方法。核心思想：任何物理定律在单位变换下都应保持形式一致，因此等式两边的量纲必须相同。
[[量纲分析]]的历史大致经历了从“[[量纲一致性]]直觉”到“系统方法”的演进：17世纪[[经典力学]]兴起后，人们逐渐形成方程两边必须同类量的观念；19世纪[[傅里叶]]在[[热学]]中明确强调用[[量纲一致性]]检验推导，随后[[麦克斯韦]]等推动以基本单位幂次表示物理量、[[瑞利]]常用[[幂律]]假设做尺度推断；1914年Buckingham提出[[Pi定理]]<ref name='pi_theorem'>{{cite journal|author=E. Buckingham|title=On Physically Similar Systems; Illustrations of the Use of Dimensional Equations|year=1914|journal=Physics Reviews|volume=4|issue=4|page=345-376}}</ref>，把[[量纲分析]]系统化为用[[无量纲群]]刻画物理规律的方法；20世纪在[[流体力学]]、传热与工程缩比实验中随着[[雷诺数]]、[[弗劳德数]]等[[无量纲数]]的广泛应用而成熟，并在现代与[[无量纲]]化和[[规模分析]]结合，用于建模、[[相似理论]]与数量级估算<ref name='dimensional'>{{cite book|author=P W Bridgman|title=Dimensional Analysis|year=1922|publisher=Kessinger Publishing}}</ref>。
[[量纲分析]]的历史大致经历了从“[[量纲一致性]]直觉”到“系统方法”的演进：17世纪[[经典力学]]兴起后，人们逐渐形成方程两边必须同类量的观念；19世纪[[傅里叶]]在[[热学]]中明确强调用[[量纲一致性]]检验推导，随后[[麦克斯韦]]等推动以基本单位幂次表示物理量、[[瑞利]]常用[[幂律]]假设做尺度推断；1914年Buckingham提出[[Pi定理]]<ref name='pi_theorem'>{{cite journal|author=E. Buckingham|title=On Physically Similar Systems; Illustrations of the Use of Dimensional Equations|year=1914|journal=Physics Reviews|volume=4|issue=4|page=345-376}}</ref>，把[[量纲分析]]系统化为用[[无量纲群]]刻画物理规律的方法；20世纪在[[流体力学]]、传热与工程缩比实验中随着[[雷诺数]]、[[弗劳德数]]等[[无量纲数]]的广泛应用而成熟，并在现代与[[无量纲]]化和[[规模分析]]结合，用于建模、[[相似理论]]与数量级估算<ref name="dimensional">{{cite book|author=P W Bridgman|title=Dimensional Analysis|year=1922|publisher=Kessinger Publishing}}</ref>。
====寻找无量纲量====
====寻找无量纲量====
==== Banavar最优网络模型 ====
==== Banavar最优网络模型 ====
Banavar, Maritan和Rinaldo (1999)研究了高效运输网络中的大小和形式关系<ref name='banavar1999'>{{cite journal |author1=Banavar, J.|author2=Maritan, A.|author3=Rinaldo, A.|title=Size and form in efficient transportation networks|journal=nature|volume=399|page=130–132|year=1999}}</ref>。自然界中的分布式网络源于有效连接的需要，既存在于生物系统中，如心血管和呼吸网络以及植物的维管和根系统，也存在于无机系统中，如河流流域的排水网络。他们推导了任意网络中大小和流率之间的一般关系，并提供了一个统一的框架来解释[[克莱伯定律]]。
Banavar, Maritan和Rinaldo (1999)研究了高效运输网络中的大小和形式关系<ref name='banavar1999'>{{cite journal |author1=Banavar, J.|author2=Maritan, A.|author3=Rinaldo, A.|title=Size and form in efficient transportation networks|journal=nature|volume=399|page=130–132|year=1999}}</ref>。自然界中的分布式网络源于有效连接的需要，既存在于生物系统中，如心血管和呼吸网络以及植物的维管和根系统，也存在于无机系统中，如河流流域的排水网络。他们推导了任意网络中大小和流率之间的一般关系，并提供了一个统一的框架来解释[[克莱伯定律]]。
[[文件:Banavar网络模型示意图.png|替代=Banavar网络示意图|缩略图|Banavar网络示意图。a，一个全连接网络的示例，将连接各站点的链路的连接模式（通常记为 [math]X[/math]）定义为其网络结构，并以与源点 [math]O[/math] 的不同距离 [math]L_X[/math] 为特征。图中节点编号表示 [math]L_X[/math] 的取值；[math]L_X[/math] 定义为从 [math]O[/math] 到 [math]X[/math] 沿网络的所有路径中，所经过站点数的最小值。斜线阴影区域表示某一站点的基本服务体积 [math]V_X[/math]。每个站点 [math]X[/math] 可视为为一个需要必要营养供给 [math]F_X[/math] 的基本体积 [math]V_X[/math] 提供服务。若两个站点的服务体积在其边界上共享一部分且该部分为非零测度，则称它们为邻居。箭头表示从源点指向外部的定向链路。]]
对于D维空间中的运输网络，他们证明了一个关键定理：[math]\displaystyle{ C \geq L^{D+1} }[/math]，等价地，转移站点数B的标度最多为[math]\displaystyle{ C^{D/(D+1)} }[/math]，最少为[math]\displaystyle{ C^{1/2} }[/math]。一个简单的论证是C等于转移站点数（[math]\displaystyle{ L^D }[/math]）乘以转移站点到源的平均距离。
对于D维空间中的运输网络，他们证明了一个关键定理：[math]\displaystyle{ C \geq L^{D+1} }[/math]，等价地，转移站点数B的标度最多为[math]\displaystyle{ C^{D/(D+1)} }[/math]，最少为[math]\displaystyle{ C^{1/2} }[/math]。一个简单的论证是C等于转移站点数（[math]\displaystyle{ L^D }[/math]）乘以转移站点到源的平均距离。
尽管具体细节变化很大，但内置于高效运输网络中的行为为异速标度的多样化系统提供了统一的框架。他们分析显示基本结果不需要关于网络分层性质的任何假设，也不一定需要树状结构。然而，树的存在会大大缩短网络的总长度，从而增加其可行性和效率。
尽管具体细节变化很大，但内置于高效运输网络中的行为为异速标度的多样化系统提供了统一的框架。他们分析显示基本结果不需要关于网络分层性质的任何假设，也不一定需要树状结构。然而，树的存在会大大缩短网络的总长度，从而增加其可行性和效率。
==== Dreyer模型 ====
====Dreyer模型====
Dreyer (2001) 在 Banavar 的基础上提出了中央源系统的[[异速标度律]]。他指出，流量与存量的幂律关系在自然界中大量存在，包括动植物代谢率与其质量的幂律关系，以及河流流域大小与其所含水量总量的幂律关系<ref name=":6">Dreyer, O. (2001). Allometric scaling and central source systems. Physical Review Letters, 87(3), 38101-1-38101–38103</ref>。对于动物和植物，代谢率B与质量M通过幂律相关：[math]\displaystyle{ B = B_0M^{3/4} }[/math]。对于动物，这个关系被称为[[克莱伯定律]]。
Dreyer (2001) 在 Banavar 的基础上提出了中央源系统的[[异速标度律]]。他指出，流量与存量的幂律关系在自然界中大量存在，包括动植物代谢率与其质量的幂律关系，以及河流流域大小与其所含水量总量的幂律关系<ref name=":6">Dreyer, O. (2001). Allometric scaling and central source systems. Physical Review Letters, 87(3), 38101-1-38101–38103</ref>。对于动物和植物，代谢率B与质量M通过幂律相关：[math]\displaystyle{ B = B_0M^{3/4} }[/math]。对于动物，这个关系被称为[[克莱伯定律]]。
对于河流，流域（drainage basin）可以看作是一个中心源（从上游河流流入流域的流量）输运网络，其中每个单元都是一个耗散单元，以均等的速度丧失流量。因此，该流域的大小A和河流中包含的水的总量M满足：[math]\displaystyle{ A = A_0M^{2/3} }[/math]。同样的道理，文献<ref name=":6"/>提出了一个简单实验，验证了流量与存量之间的关系[math]F\propto M^{D/(D+1)}[/math]同样适用于一维的流系统。在该实验中，作者构造了一个水槽，水槽底部均匀地分布着小孔可以漏水。另外，水源从水槽的一段注入，注入的流量为F。水从一端注入，逐渐由小孔渗出，水量越来越少。最终，从水流的注入到最后刚好没有水的地方长度为L，其中的总蓄水量为M。在一维系统的实验中，水在水槽中的质量M和长度L满足以下关系：[math]\displaystyle{ L = L_0M^{1/2} }[/math]。
对于河流，流域（drainage basin）可以看作是一个中心源（从上游河流流入流域的流量）输运网络，其中每个单元都是一个耗散单元，以均等的速度丧失流量。因此，该流域的大小A和河流中包含的水的总量M满足：[math]\displaystyle{ A = A_0M^{2/3} }[/math]。同样的道理，文献<ref name=":6" />提出了一个简单实验，验证了流量与存量之间的关系[math]F\propto M^{D/(D+1)}[/math]同样适用于一维的流系统。在该实验中，作者构造了一个水槽，水槽底部均匀地分布着小孔可以漏水。另外，水源从水槽的一段注入，注入的流量为F。水从一端注入，逐渐由小孔渗出，水量越来越少。最终，从水流的注入到最后刚好没有水的地方长度为L，其中的总蓄水量为M。在一维系统的实验中，水在水槽中的质量M和长度L满足以下关系：[math]\displaystyle{ L = L_0M^{1/2} }[/math]。
所有这些例子中的幂律指数都具有[math]\displaystyle{ D/(D+1) }[/math]的形式，其中D是系统的空间维数。Dreyer证明了如果一个系统是中央源系统，它将显示这种具有特征[math]\displaystyle{ D/(D+1) }[/math]幂律指数的规模法则。他的结果表明，我们可以用很少的假设解释这里讨论的规模法则。结果的一般性与幂律的广泛有效性很好地共鸣。他的解释与Banavar等人给出的解释非常一致，后者处理离散运输网络。
所有这些例子中的幂律指数都具有[math]\displaystyle{ D/(D+1) }[/math]的形式，其中D是系统的空间维数。Dreyer证明了如果一个系统是中央源系统，它将显示这种具有特征[math]\displaystyle{ D/(D+1) }[/math]幂律指数的规模法则。他的结果表明，我们可以用很少的假设解释这里讨论的规模法则。结果的一般性与幂律的广泛有效性很好地共鸣。他的解释与Banavar等人给出的解释非常一致，后者处理离散运输网络。
与 Banavar 模型相比，Dreyer 模型进一步简化了假设：它不需要网络的离散结构或最优性条件，仅凭几何连续性和守恒性就能得出同样的结论。因此，可以将 Dreyer 模型看作 Banavar 模型的连续化版本。
与 Banavar 模型相比，Dreyer 模型进一步简化了假设：它不需要网络的离散结构或最优性条件，仅凭几何连续性和守恒性就能得出同样的结论。因此，可以将 Dreyer 模型看作 Banavar 模型的连续化版本。
=== 其他 ===
===其他===
Glazier (2014) 回顾并综合了关于代谢率与系统大小的规模法则，因为单一模型无法解释复杂的代谢率的规模法则，因此他提出了情境多模态理论（Contextual Multimodal Theory, CMT）<ref name=":7">Glazier, D. S. (2014). Metabolic scaling in complex living systems. Systems, 2(4), 451–540.</ref>，作为对单一机制模型的补充与整合。CMT 强调，代谢率相关贵法则并非由某一个固定的物理约束决定，而是受到不同生物学机制和环境因子的共同影响。该理论将现有解释框架归纳为四个主要模块：表面积模型（SA）、资源运输模型（RT）、系统组成模型（SC）和资源需求模型（RD）。不同情境下，这些模块的相对作用权重会发生变化，从而导致幂律指数 [math]\displaystyle{b}[/math] 在不同范围内波动（通常在 [math]\displaystyle{2/3}[/math] 到 [math]\displaystyle{1}[/math] 之间）。
Glazier (2014) 回顾并综合了关于代谢率与系统大小的规模法则，因为单一模型无法解释复杂的代谢率的规模法则，因此他提出了情境多模态理论（Contextual Multimodal Theory, CMT）<ref name=":7">Glazier, D. S. (2014). Metabolic scaling in complex living systems. Systems, 2(4), 451–540.</ref>，作为对单一机制模型的补充与整合。CMT 强调，代谢率相关贵法则并非由某一个固定的物理约束决定，而是受到不同生物学机制和环境因子的共同影响。该理论将现有解释框架归纳为四个主要模块：表面积模型（SA）、资源运输模型（RT）、系统组成模型（SC）和资源需求模型（RD）。不同情境下，这些模块的相对作用权重会发生变化，从而导致幂律指数 [math]\displaystyle{b}[/math] 在不同范围内波动（通常在 [math]\displaystyle{2/3}[/math] 到 [math]\displaystyle{1}[/math] 之间）。
== 城市规模法则 ==
==城市规模法则==
城市规模法则揭示了城市变量与人口规模的非线性关系。基础设施通常呈次线性标度，社会经济产出与创新表现为超线性标度，个体需求接近线性。其中最关键的规模法则是城市GDP与人口的超线性规模法则，而且幂指数普遍落在1.15左右。除此之外，以城市街道为代表的基础设施普遍呈现出亚线性的规模法则，例如城市街道总长度与人口呈现幂指数为0.87左右的亚线性规模法则。这些规模法则的普遍存在，预示着城市的生长满足普适的规律，为了揭示这些规律，人们提出了各种解释城市规模法则的模型。
城市规模法则揭示了城市变量与人口规模的非线性关系。基础设施通常呈次线性标度，社会经济产出与创新表现为超线性标度，个体需求接近线性。其中最关键的规模法则是城市GDP与人口的超线性规模法则，而且幂指数普遍落在1.15左右。除此之外，以城市街道为代表的基础设施普遍呈现出亚线性的规模法则，例如城市街道总长度与人口呈现幂指数为0.87左右的亚线性规模法则。这些规模法则的普遍存在，预示着城市的生长满足普适的规律，为了揭示这些规律，人们提出了各种解释城市规模法则的模型。
=== [[贝当古城市模型]] ===
===[[贝当古城市模型]]===
贝当古（Bettencourt）城市模型是由原[[圣塔菲研究所]]的学者Luis Bettencourt于2013年提出的模型，它包含了比较宏观的概念模型（从基本的[[量纲分析]]和[[平均场近似]]推出最基本的规模法则），也包含一个[[类似]][[生物系统]]WBE模型的城市层次化网络模型（包含较强的城市路网层次化分级假设，可以推出多个宏观指标的规模法则）部分，旨在解释城市[[规模标度律]]背后的普适[[机制]]，关于该模型的详细讨论，可参考：<ref name=":8">[https://wiki.swarma.org/index.php/%E8%B4%9D%E5%BD%93%E5%8F%A4%E5%9F%8E%E5%B8%82%E6%A8%A1%E5%9E%8B 贝当古城市模型]</ref>。
贝当古（Bettencourt）城市模型是由原[[圣塔菲研究所]]的学者Luis Bettencourt于2013年提出的模型，它包含了比较宏观的概念模型（从基本的[[量纲分析]]和[[平均场近似]]推出最基本的规模法则），也包含一个[[类似]][[生物系统]]WBE模型的城市层次化网络模型（包含较强的城市路网层次化分级假设，可以推出多个宏观指标的规模法则）部分，旨在解释城市[[规模标度律]]背后的普适[[机制]]，关于该模型的详细讨论，可参考：<ref name=":8">[https://wiki.swarma.org/index.php/%E8%B4%9D%E5%BD%93%E5%8F%A4%E5%9F%8E%E5%B8%82%E6%A8%A1%E5%9E%8B 贝当古城市模型]</ref>。
==== 城市[[规模标度律]]的基本模式 ====
====城市[[规模标度律]]的基本模式====
城市[[规模标度律]]通常表示为 [math]\displaystyle{ Y = cN^{\beta} }[/math]，其中 [math]\displaystyle{Y}[/math] 为城市属性，[math]\displaystyle{N}[/math] 为人口，指数 [math]\displaystyle{\beta}[/math] 决定了标度类型<ref name=":8" />。实证表明，城市的属性分成三类：第一类是与社会交互和创新相关的属性，表现为超线性增长（β≈1.15），包括城市GDP、专利数量、新企业创建数量、艺术场所数量等。这意味着城市规模每增加一倍，这些属性的增长会超过两倍，体现了大城市在经济和创新方面的显著优势。第二类是与[[物理]]基础设施相关的属性，呈现亚线性增长（β≈0.85），如道路总长度、加油站数量、电力线路长度等。这表明大城市能够更高效地利用基础设施，实现规模经济效应。第三类是与个人或家庭需求直接相关的属性，基本上与人口成线性关系（β≈1.0），包括住房数量、家庭用电量、用水量等。
城市[[规模标度律]]通常表示为 [math]\displaystyle{ Y = cN^{\beta} }[/math]，其中 [math]\displaystyle{Y}[/math] 为城市属性，[math]\displaystyle{N}[/math] 为人口，指数 [math]\displaystyle{\beta}[/math] 决定了标度类型<ref name=":8" />。实证表明，城市的属性分成三类：第一类是与社会交互和创新相关的属性，表现为超线性增长（β≈1.15），包括城市GDP、专利数量、新企业创建数量、艺术场所数量等。这意味着城市规模每增加一倍，这些属性的增长会超过两倍，体现了大城市在经济和创新方面的显著优势。第二类是与[[物理]]基础设施相关的属性，呈现亚线性增长（β≈0.85），如道路总长度、加油站数量、电力线路长度等。这表明大城市能够更高效地利用基础设施，实现规模经济效应。第三类是与个人或家庭需求直接相关的属性，基本上与人口成线性关系（β≈1.0），包括住房数量、家庭用电量、用水量等。
==== 模型的核心与理论基础 ====
====模型的核心与理论基础====
[[贝当古模型]]的关键来自于对实证数据的深入观察：基础设施相关指数（约0.85）与社会产出相关指数（约1.15）之和近似等于2。这一规律性意味着人均基础设施与人均产出的乘积保持为一个规模无关的常数：
[[贝当古模型]]的关键来自于对实证数据的深入观察：基础设施相关指数（约0.85）与社会产出相关指数（约1.15）之和近似等于2。这一规律性意味着人均基础设施与人均产出的乘积保持为一个规模无关的常数：
这个约束条件G揭示了城市发展中一个根本性的[[权衡]]关系：城市的[[物理]]空间（基础设施）与社会交互空间之间存在内在张力。社会互动越密集的城市，其人均可用的[[物理]]基础设施就越有限；反之，基础设施人均占有量较高的城市，社会交互的强度相对较低。这种[[权衡]]关系不仅解释了为什么大城市居民通常面临更拥挤的居住环境和更高的生活成本，也说明了为什么他们能够获得更多的经济机会和创新资源。
这个约束条件G揭示了城市发展中一个根本性的[[权衡]]关系：城市的[[物理]]空间（基础设施）与社会交互空间之间存在内在张力。社会互动越密集的城市，其人均可用的[[物理]]基础设施就越有限；反之，基础设施人均占有量较高的城市，社会交互的强度相对较低。这种[[权衡]]关系不仅解释了为什么大城市居民通常面临更拥挤的居住环境和更高的生活成本，也说明了为什么他们能够获得更多的经济机会和创新资源。
==== 宏观概念性模型 ====
====宏观概念性模型====
首先，贝当古在文章<ref name=":8"/>中提出了一个宏观的概念性的模型，他大胆假设城市是一个[[类似]]于供人们发生[[相互作用]]的大的容器，并假设该容器中的人们已经充分混合，这些人与人的互动是沿着城市道路网络而进行的，它们产生的互动本社就形成了城市的GDP。因此，根据简单的[[平均场近似]]以及[[量纲分析]]等方法，他得出了最基础的规模法则，包括城市面积、GDP的规模法则等。
首先，贝当古在文章<ref name=":8" />中提出了一个宏观的概念性的模型，他大胆假设城市是一个[[类似]]于供人们发生[[相互作用]]的大的容器，并假设该容器中的人们已经充分混合，这些人与人的互动是沿着城市道路网络而进行的，它们产生的互动本社就形成了城市的GDP。因此，根据简单的[[平均场近似]]以及[[量纲分析]]等方法，他得出了最基础的规模法则，包括城市面积、GDP的规模法则等。
具体地，贝当古的宏观概念城市模型的建立可以被概括为两个递进的步骤：
具体地，贝当古的宏观概念城市模型的建立可以被概括为两个递进的步骤：
至此，贝当古已经得出了最基本的规模法则，即道路面积的亚线性规模法则，以及GDP的超线性规模法则。
至此，贝当古已经得出了最基本的规模法则，即道路面积的亚线性规模法则，以及GDP的超线性规模法则。
==== 层次化道路网络模型 ====
====层次化道路网络模型====
在上述宏观概念模型的基础上，贝当古进一步引出更多具体的假设，从而推导出更多的规模法则。这又分成了4个步骤：
在上述宏观概念模型的基础上，贝当古进一步引出更多具体的假设，从而推导出更多的规模法则。这又分成了4个步骤：
第四步：最优的社会互动产出参数G。在[[贝当古模型]]中，他引入了一个关键参数[math]G=\bar{g}a_0ℓ[/math]，它综合反映了人均社会互动产出强度 ([math]\bar{g}[/math])、互动范围 ([math]a_0[/math]) 和移动距离 ([math]ℓ[/math])，本质上是衡量“单位基础设施支撑下所能产生的社会经济互动量”的效率参数。该参数衡量了社会经济效率。模型显示，城市的净收益 L可表达为社会总产出 Y与总能耗成本W之差，并受混合条件与网络条件约束。通过最大化净收益 L，可以求解出最优的[math]G^{*}[/math]。理论预测[math]G^{*}\approx G_{\max}/8[/math]，其中[math] G_{\max}/8[/math]是城市不至于因拥堵成本过高而解体的上限。美国大多数都市区（MSA）的实测G值聚集在最优值附近，但存在明显偏离的案例：如加利福尼亚州河滨市（Riverside）和得克萨斯州布朗斯维尔市（Brownsville）的G值偏低，表明其社会互动潜力和基础设施效率未充分发挥；而康涅狄格州布里奇波特市（Bridgeport）的G值偏高，可能面临高昂的交通能耗成本。因此，参数 G及其与最优值的偏离，为诊断城市发展效率、评估规划政策（如调整密度、提升交通能效）提供了具体的理论依据和量化靶点.由于GDP和总的资源消耗服从相同幂指数的规模法则（都是1.15次幂），因此贝当古导出了一个城市的收益-成本模型，并通过最优化推导出G的最优值。他进一步将这一理论用于美国的各个城市，并筛选出效率高的城市和效率低的城市。
第四步：最优的社会互动产出参数G。在[[贝当古模型]]中，他引入了一个关键参数[math]G=\bar{g}a_0ℓ[/math]，它综合反映了人均社会互动产出强度 ([math]\bar{g}[/math])、互动范围 ([math]a_0[/math]) 和移动距离 ([math]ℓ[/math])，本质上是衡量“单位基础设施支撑下所能产生的社会经济互动量”的效率参数。该参数衡量了社会经济效率。模型显示，城市的净收益 L可表达为社会总产出 Y与总能耗成本W之差，并受混合条件与网络条件约束。通过最大化净收益 L，可以求解出最优的[math]G^{*}[/math]。理论预测[math]G^{*}\approx G_{\max}/8[/math]，其中[math] G_{\max}/8[/math]是城市不至于因拥堵成本过高而解体的上限。美国大多数都市区（MSA）的实测G值聚集在最优值附近，但存在明显偏离的案例：如加利福尼亚州河滨市（Riverside）和得克萨斯州布朗斯维尔市（Brownsville）的G值偏低，表明其社会互动潜力和基础设施效率未充分发挥；而康涅狄格州布里奇波特市（Bridgeport）的G值偏高，可能面临高昂的交通能耗成本。因此，参数 G及其与最优值的偏离，为诊断城市发展效率、评估规划政策（如调整密度、提升交通能效）提供了具体的理论依据和量化靶点.由于GDP和总的资源消耗服从相同幂指数的规模法则（都是1.15次幂），因此贝当古导出了一个城市的收益-成本模型，并通过最优化推导出G的最优值。他进一步将这一理论用于美国的各个城市，并筛选出效率高的城市和效率低的城市。
=== 匹配生长模型 ===
===匹配生长模型===
[[贝当古模型]]虽然能够成功复现城市中的各类规模法则，但是它仍有如下缺陷：1、原始模型基于平均场假说，难以建模城市中各元素的空间分布特征，特别是分形特征；2、层级化路网模型的引入虽然解释了各种规模法则，但是该模型基于规则分叉的层级化网络，过于理想化而不能模拟路网的分形特征。基于此，[[李睿琪]]、[[董磊]]等人提出了应用于城市生长的[[匹配生长模型]](matching growth model)<ref name=":15">Zhang, J., Li, X., Wang, X., Wang, W.-X., & Wu, L. (2015). Scaling behaviours in the growth of networked systems and their geometric origins. ''Scientific Reports'', ''5''(1). </ref>扩展<ref name="city_nc">{{cite journal|author1=Li, R.|author2=Dong, L.|author3=Zhang, J.|author4=Xinran Wang|author5=Wen-Xu Wang|author6=Zengru Di|author7=H. Eugene Stanley|title=Simple spatial scaling rules behind complex cities|journal=Nature Communications|volume=8|issue=1841|year=2017}}</ref>，从而很好地解决了这两个问题。
[[贝当古模型]]虽然能够成功复现城市中的各类规模法则，但是它仍有如下缺陷：1、原始模型基于平均场假说，难以建模城市中各元素的空间分布特征，特别是分形特征；2、层级化路网模型的引入虽然解释了各种规模法则，但是该模型基于规则分叉的层级化网络，过于理想化而不能模拟路网的分形特征。基于此，[[李睿琪]]、[[董磊]]等人提出了应用于城市生长的[[匹配生长模型]](matching growth model)<ref name=":15">Zhang, J., Li, X., Wang, X., Wang, W.-X., & Wu, L. (2015). Scaling behaviours in the growth of networked systems and their geometric origins. ''Scientific Reports'', ''5''(1). </ref>扩展<ref name="city_nc">{{cite journal|author1=Li, R.|author2=Dong, L.|author3=Zhang, J.|author4=Xinran Wang|author5=Wen-Xu Wang|author6=Zengru Di|author7=H. Eugene Stanley|title=Simple spatial scaling rules behind complex cities|journal=Nature Communications|volume=8|issue=1841|year=2017}}</ref>，从而很好地解决了这两个问题。
原始的匹配生长随机几何图模型是[[张江]]等人提出的一种揭示[[复杂系统]]的生长过程中，普遍存在的两类规模法则：相互作用的超线性规模法则和多样性的亚线性规模法则，以及生长过程中的加速效应，并可以象用于从唯象的角度解释城市系统，生态网络、文献引文网络、网络社区等多种复杂系统的演化规律<ref name=":9">[[匹配生长随机几何图模型]]</ref>。
原始的匹配生长随机几何图模型是[[张江]]等人提出的一种揭示[[复杂系统]]的生长过程中，普遍存在的两类规模法则：相互作用的超线性规模法则和多样性的亚线性规模法则，以及生长过程中的加速效应，并可以象用于从唯象的角度解释城市系统，生态网络、文献引文网络、网络社区等多种复杂系统的演化规律<ref name=":9">[[匹配生长随机几何图模型]]</ref>。
[[李睿琪]]、[[董磊]]等人后将该模型进行扩展<ref name="city_nc"/>，特别是加入了空间吸引机制，从而可以使得扩展的模型可以模拟城市的生长，并可以模拟成交通路网，以及人类社会经济交互的空间分布的形成机制，特别是预测出[[活跃人口]]、道路网络，以及社会经济交互数据的[[分形维数]]，还可以复现这些指标的总体规模法则。
[[李睿琪]]、[[董磊]]等人后将该模型进行扩展<ref name="city_nc" />，特别是加入了空间吸引机制，从而可以使得扩展的模型可以模拟城市的生长，并可以模拟成交通路网，以及人类社会经济交互的空间分布的形成机制，特别是预测出[[活跃人口]]、道路网络，以及社会经济交互数据的[[分形维数]]，还可以复现这些指标的总体规模法则。
==== 基础模型 ====
====基础模型====
[[匹配生长模型]]假设了一个单调的网络生长过程（也就是说系统中的节点和连边都只能增加，而不能减少），以模拟任何具有个体交互特征的[[复杂系统]]的生长过程<ref name=":15"/>。其次，我们假设网络中的所有节点都可以被嵌入一个欧氏空间中，并且每一个节点具有一个欧氏空间坐标（该空间可以是城市的地理空间，也可以是节点的某种抽象的特征空间）。再次，我们假设节点P和节点Q的相互作用是局部的；最后，只有能够与现有节点发生相互作用（即满足[math] |x_P - x_Q| \le r[/math]）的新增节点才能存在下去，这里[math]r[/math]为模型中的唯一参数。
[[匹配生长模型]]假设了一个单调的网络生长过程（也就是说系统中的节点和连边都只能增加，而不能减少），以模拟任何具有个体交互特征的[[复杂系统]]的生长过程<ref name=":15" />。其次，我们假设网络中的所有节点都可以被嵌入一个欧氏空间中，并且每一个节点具有一个欧氏空间坐标（该空间可以是城市的地理空间，也可以是节点的某种抽象的特征空间）。再次，我们假设节点P和节点Q的相互作用是局部的；最后，只有能够与现有节点发生相互作用（即满足[math] |x_P - x_Q| \le r[/math]）的新增节点才能存在下去，这里[math]r[/math]为模型中的唯一参数。
下图展示了一个二维的匹配生长模型的生长过程，其中每一个圆盘中心对应为一个节点，圆盘对应为每个节点的相互作用范围。圆盘随机地生成（新圆盘坐标服从二维空间的均匀分布），新的圆盘只有与一个已有的圆盘重叠的时候（匹配），才能有效地生长。有效生长后（达到了匹配），新节点会和其对应圆盘范围内的所有节点建立新的连接。
下图展示了一个二维的匹配生长模型的生长过程，其中每一个圆盘中心对应为一个节点，圆盘对应为每个节点的相互作用范围。圆盘随机地生成（新圆盘坐标服从二维空间的均匀分布），新的圆盘只有与一个已有的圆盘重叠的时候（匹配），才能有效地生长。有效生长后（达到了匹配），新节点会和其对应圆盘范围内的所有节点建立新的连接。
这里面的第一个式子，模拟了相互作用的超线性规模法则，其中幂律指数[math]\alpha =\frac{d+2}{d+1}>1[/math]；而第二个式子则模拟了多样性的亚线性规模法则，其中节点圆盘的覆盖面积对应为节点的多样性，这一亚线性规模法则的幂律指数为[math]\beta=\frac{d}{d+1}<1[/math]；第三个式子则模拟了很多复杂系统之中的加速生长现象，即系统规模的增长速度会随着系统的存活时间变长而变快，这一规律可以反映为时间与规模的亚线性规模法则，其中幂指数[math]\gamma=\frac{1}{d+1}[/math]。
这里面的第一个式子，模拟了相互作用的超线性规模法则，其中幂律指数[math]\alpha =\frac{d+2}{d+1}>1[/math]；而第二个式子则模拟了多样性的亚线性规模法则，其中节点圆盘的覆盖面积对应为节点的多样性，这一亚线性规模法则的幂律指数为[math]\beta=\frac{d}{d+1}<1[/math]；第三个式子则模拟了很多复杂系统之中的加速生长现象，即系统规模的增长速度会随着系统的存活时间变长而变快，这一规律可以反映为时间与规模的亚线性规模法则，其中幂指数[math]\gamma=\frac{1}{d+1}[/math]。
进一步，为了模拟、解释城市、在线社区等实际数据，特别是与它们实际的幂指数一致，该模型还引入了“拥挤机制”（体现为一个新节点在某处的实际“存活”除了考虑临近匹配规则之外，还会以正比于[math]\rho(x)^{-\theta}[/math]的概率成功“存活”，其中[math]\rho[/math]为x点处的节点密度，幂指数 [math]\theta[/math]为引入的参数，刻画了新节点加入对拥挤的敏感性<ref name=":15"/>。在这一机制引入之后，作者们可以得到新的规模法则：
进一步，为了模拟、解释城市、在线社区等实际数据，特别是与它们实际的幂指数一致，该模型还引入了“拥挤机制”（体现为一个新节点在某处的实际“存活”除了考虑临近匹配规则之外，还会以正比于[math]\rho(x)^{-\theta}[/math]的概率成功“存活”，其中[math]\rho[/math]为x点处的节点密度，幂指数 [math]\theta[/math]为引入的参数，刻画了新节点加入对拥挤的敏感性<ref name=":15" />。在这一机制引入之后，作者们可以得到新的规模法则：
:<math>
:<math>
有趣的是，该模型还预言，无论维数[math]d,\theta[/math]是多少，[math]\alpha+\beta=2[/math]，即相互作用的超线性规模法则和多样性的亚线性规模法则二者之间存在着一个相互制约的约束关系，这也可以反映社会分工的多样性与社会连接度的此消彼长的关系有关。详细信息可以参考：[[匹配生长模型]]。
有趣的是，该模型还预言，无论维数[math]d,\theta[/math]是多少，[math]\alpha+\beta=2[/math]，即相互作用的超线性规模法则和多样性的亚线性规模法则二者之间存在着一个相互制约的约束关系，这也可以反映社会分工的多样性与社会连接度的此消彼长的关系有关。详细信息可以参考：[[匹配生长模型]]。
==== 扩展到城市生长模型 ====
====扩展到城市生长模型====
2017年，[[李睿琪]]、[[董磊]]等人在文献<ref name="city_nc"/>中改进了[[匹配生长模型]]，引入了空间吸引机制，使得模型可以模拟城市的生长行为，并解释城市系统中的规模法则，以及城市内部人口、道路和社会经济互动的空间分布及其背后的分形规律。他们认为，城市不仅是人口的聚集，还包括道路与互动网络的协同演化，这三者遵循统一的空间标度框架<ref name="city_nc" />。
2017年，[[李睿琪]]、[[董磊]]等人在文献<ref name="city_nc" />中改进了[[匹配生长模型]]，引入了空间吸引机制，使得模型可以模拟城市的生长行为，并解释城市系统中的规模法则，以及城市内部人口、道路和社会经济互动的空间分布及其背后的分形规律。他们认为，城市不仅是人口的聚集，还包括道路与互动网络的协同演化，这三者遵循统一的空间标度框架<ref name="city_nc" />。
=====引入空间吸引机制的匹配生长模型=====
=====引入空间吸引机制的匹配生长模型=====
{| class="wikitable"
{| class="wikitable"
|+ 各个变量规模法则幂指数与实测城市幂指数区间的比较
|+各个变量规模法则幂指数与实测城市幂指数区间的比较
! 变量 !! 理论值 !! 经验值
!变量 !!理论值 !!经验值
|-
|-
| 道路长度 || 5/6 || (0.74, 0.92)
|道路长度 ||5/6 ||(0.74, 0.92)
|-
|-
| 国内生产总值（GDP） || 7/6 || (1.01, 1.33)
|国内生产总值（GDP） ||7/6 ||(1.01, 1.33)
|-
|-
| 面积 || 2/3 || (0.56, 1.04)
|面积 ||2/3 ||(0.56, 1.04)
|}
|}
匹配生长模型将城市增长描述为动态过程，而不是静态几何假设。这意味着该模型不仅能展现人口和道路的空间分布，还能在尺度上预测夜间灯光亮度等社会经济活动指标。这使得匹配生长模型成为理解城市复杂性和标度起源的重要理论工具。
匹配生长模型将城市增长描述为动态过程，而不是静态几何假设。这意味着该模型不仅能展现人口和道路的空间分布，还能在尺度上预测夜间灯光亮度等社会经济活动指标。这使得匹配生长模型成为理解城市复杂性和标度起源的重要理论工具。
=== 其他 ===
===其他===
Ribeiro 与 Rybski (2021) 对城市规模法则的数学模型进行了系统综述，总结了不同理论框架下的建模方法。他们指出，虽然经验研究普遍揭示了城市变量的规模法则（如社会经济指标的超线性 [math]\displaystyle{\beta \approx 1.15}[/math]，基础设施的亚线性 [math]\displaystyle{\beta \approx 0.85}[/math]<ref name=":10">Ribeiro, F. L., & Rybski, D. (2021). Mathematical models to explain the origin of urban scaling laws: a synthetic review. 1–22. <nowiki>http://arxiv.org/abs/2111.08365</nowiki></ref>），但其背后的机制存在多种解释。因为城市规模法则并非来源于单一机制，而是多种机制的综合结果。
Ribeiro 与 Rybski (2021) 对城市规模法则的数学模型进行了系统综述，总结了不同理论框架下的建模方法。他们指出，虽然经验研究普遍揭示了城市变量的规模法则（如社会经济指标的超线性 [math]\displaystyle{\beta \approx 1.15}[/math]，基础设施的亚线性 [math]\displaystyle{\beta \approx 0.85}[/math]<ref name=":10">Ribeiro, F. L., & Rybski, D. (2021). Mathematical models to explain the origin of urban scaling laws: a synthetic review. 1–22. <nowiki>http://arxiv.org/abs/2111.08365</nowiki></ref>），但其背后的机制存在多种解释。因为城市规模法则并非来源于单一机制，而是多种机制的综合结果。
这些模型大致可以分为两类：
这些模型大致可以分为两类：
# 城市内部模型（Intra-city models）：强调城市内部人口互动和几何结构。例如，Bettencourt 模型把人类互动视为几何交叉截面，推导出城市面积与人口的 [math]\displaystyle{2/3}[/math] 次幂关系以及 GDP 的 [math]\displaystyle{7/6}[/math] 超线性关系；重力模型则假设个体间的互动概率随距离衰减，结合城市的分形空间结构，导出超线性幂律指数 [math]\displaystyle{\beta = 2 - \gamma / D_p}[/math]。
#城市内部模型（Intra-city models）：强调城市内部人口互动和几何结构。例如，Bettencourt 模型把人类互动视为几何交叉截面，推导出城市面积与人口的 [math]\displaystyle{2/3}[/math] 次幂关系以及 GDP 的 [math]\displaystyle{7/6}[/math] 超线性关系；重力模型则假设个体间的互动概率随距离衰减，结合城市的分形空间结构，导出超线性幂律指数 [math]\displaystyle{\beta = 2 - \gamma / D_p}[/math]。
# 城市间模型（Inter-city models）：强调城市之间的扩散与层级结构，例如基于 Zipf 定律的层级扩散模型，将创新传播和城市规模分布联系起来<ref name=":10" />。
#城市间模型（Inter-city models）：强调城市之间的扩散与层级结构，例如基于 Zipf 定律的层级扩散模型，将创新传播和城市规模分布联系起来<ref name=":10" />。
这篇综述指出，这些不同模型虽然起点各异，但许多都可以归入统一的数学框架。例如，基于人类互动的模型往往可以形式化为：[math]\displaystyle{ Y = N \cdot g \cdot \langle k \rangle }[/math]。其中 [math]\displaystyle{g}[/math] 为单次互动产生的平均产出，[math]\displaystyle{\langle k \rangle}[/math] 为人均互动数，决定了幂律指数的大小。若互动范围扩展或社交网络具有层级性，则会出现超线性规模法则。
这篇综述指出，这些不同模型虽然起点各异，但许多都可以归入统一的数学框架。例如，基于人类互动的模型往往可以形式化为：[math]\displaystyle{ Y = N \cdot g \cdot \langle k \rangle }[/math]。其中 [math]\displaystyle{g}[/math] 为单次互动产生的平均产出，[math]\displaystyle{\langle k \rangle}[/math] 为人均互动数，决定了幂律指数的大小。若互动范围扩展或社交网络具有层级性，则会出现超线性规模法则。
= 其他规模法则 =
=其他规模法则=
除了上述以生命、城市和企业为代表的复杂系统之外，规模法则在各类复杂系统中是非常普遍地存在着的。以下我们再给出几个不同领域的规模法则的例子，包括生态系统、国家、在线社区等。
除了上述以生命、城市和企业为代表的复杂系统之外，规模法则在各类复杂系统中是非常普遍地存在着的。以下我们再给出几个不同领域的规模法则的例子，包括生态系统、国家、在线社区等。
== 生态系统 ==
==生态系统==
在生态学中，生态系统可被视为由能量流驱动的开放热力学系统，各物种既是能量的接收者，也是能量传递与耗散的节点。正如 Chave 与 Levin 所指出<ref name='Scale_and_Scaling '>{{cite journal|author1=Chave, J.|author2=Levin, S.|title=Scale and Scaling in Ecological and Economic Systems|journal=Environ Resource Econ|volume=26|year=2003|page=527–557|url=https://doi.org/10.1023/B:EARE.0000007348.42742.49}}</ref>，从个体到种群、群落再到整个生物圈，生态系统作为复杂适应系统，会在宏观尺度上呈现出可由幂律或比例关系刻画的“规模法则”，这些规律源于多尺度生态过程的耦合与统计简化。总体而言，生态系统的规模法则主要体现在三个方面：一是空间上的生物多样性变化，如物种–面积关系揭示物种数随调查面积呈幂律增长；二是空间尺度上的时间稳定性变化，如稳定性–面积关系显示生态系统在更大空间尺度上通常更稳定；三是能量流网络中的异速律与耗散律，它们从能量摄取、分配与损耗的机制层面解释了生态结构与功能随尺度的普适模式。三个方向分别对应生态系统的空间结构、时间动态与能量收支，共同构成理解生态系统多尺度组织与功能的核心框架。
在生态学中，生态系统可被视为由能量流驱动的开放热力学系统，各物种既是能量的接收者，也是能量传递与耗散的节点。正如 Chave 与 Levin 所指出<ref name="Scale_and_Scaling">{{cite journal|author1=Chave, J.|author2=Levin, S.|title=Scale and Scaling in Ecological and Economic Systems|journal=Environ Resource Econ|volume=26|year=2003|page=527–557|url=https://doi.org/10.1023/B:EARE.0000007348.42742.49}}</ref>，从个体到种群、群落再到整个生物圈，生态系统作为复杂适应系统，会在宏观尺度上呈现出可由幂律或比例关系刻画的“规模法则”，这些规律源于多尺度生态过程的耦合与统计简化。总体而言，生态系统的规模法则主要体现在三个方面：一是空间上的生物多样性变化，如物种–面积关系揭示物种数随调查面积呈幂律增长；二是空间尺度上的时间稳定性变化，如稳定性–面积关系显示生态系统在更大空间尺度上通常更稳定；三是能量流网络中的异速律与耗散律，它们从能量摄取、分配与损耗的机制层面解释了生态结构与功能随尺度的普适模式。三个方向分别对应生态系统的空间结构、时间动态与能量收支，共同构成理解生态系统多尺度组织与功能的核心框架。
=== 空间生物多样性与稳定性 ===
===空间生物多样性与稳定性===
==== 物种与面积关系 ====
====物种与面积关系====
Chave 和 Levin 在其综述中指出<ref name='Scale_and_Scaling'/>：，在相当宽的空间范围内，某区域内的物种数 [math]\displaystyle S[/math] 与调查面积 [math]\displaystyle A[/math] 之间遵循近似幂律：
Chave 和 Levin 在其综述中指出<ref name="Scale_and_Scaling" />：，在相当宽的空间范围内，某区域内的物种数 [math]\displaystyle S[/math] 与调查面积 [math]\displaystyle A[/math] 之间遵循近似幂律：
:<math>
:<math>
S(A) \propto A^{z}
S(A) \propto A^{z}
其中 [math]\displaystyle z[/math] 是物种–面积指数，反映生物多样性随空间规模增加的速度。Chave 与 Levin 综合了岛屿、森林乃至全球尺度的植物区系数据，指出 [math]\displaystyle z[/math] 通常介于0.1到0.4之间，在全球维管植物(vascular plant species)的数据上可得到约 [math]\displaystyle z \approx 0.23[/math] 的拟合值，表明在对数–对数坐标中物种数与面积近似呈线性关系。这是多样性-规模亚线性规模法则在生态系统中的一种体现。
其中 [math]\displaystyle z[/math] 是物种–面积指数，反映生物多样性随空间规模增加的速度。Chave 与 Levin 综合了岛屿、森林乃至全球尺度的植物区系数据，指出 [math]\displaystyle z[/math] 通常介于0.1到0.4之间，在全球维管植物(vascular plant species)的数据上可得到约 [math]\displaystyle z \approx 0.23[/math] 的拟合值，表明在对数–对数坐标中物种数与面积近似呈线性关系。这是多样性-规模亚线性规模法则在生态系统中的一种体现。
==== 生态稳定性与面积关系 ====
====生态稳定性与面积关系====
除了物种数，生态系统的时间稳定性也表现出随空间尺度而变化的幂律特征。Liang 等利用全球多种群长期监测数据<ref name='liang'>{{cite journal|author1=Liang, M.|author2=Yang, Q.|title=Unifying spatial scaling laws of biodiversity and ecosystem stability|journal=Science|volume=387(6740)|year=2025|url=https://doi.org/10.1126/science.adl2373}}</ref>，分析了“区域面积 [math]\displaystyle A[/math] 增大时，生态系统稳定性如何变化”的问题，提出了生态系统稳定性-面积关系（EStAR）框架，该框架揭示了生态系统稳定性如何随空间尺度变化。
除了物种数，生态系统的时间稳定性也表现出随空间尺度而变化的幂律特征。Liang 等利用全球多种群长期监测数据<ref name="liang">{{cite journal|author1=Liang, M.|author2=Yang, Q.|title=Unifying spatial scaling laws of biodiversity and ecosystem stability|journal=Science|volume=387(6740)|year=2025|url=https://doi.org/10.1126/science.adl2373}}</ref>，分析了“区域面积 [math]\displaystyle A[/math] 增大时，生态系统稳定性如何变化”的问题，提出了生态系统稳定性-面积关系（EStAR）框架，该框架揭示了生态系统稳定性如何随空间尺度变化。
研究发现，生态系统稳定性（以时间稳定性 [math]\displaystyle \text{TS}[/math] 衡量，定义为平均值与标准差的比值）与空间尺度 [math]\displaystyle A[/math] 之间存在幂律关系：
研究发现，生态系统稳定性（以时间稳定性 [math]\displaystyle \text{TS}[/math] 衡量，定义为平均值与标准差的比值）与空间尺度 [math]\displaystyle A[/math] 之间存在幂律关系：
:<math>
:<math>
这个研究强调了在不同空间尺度上研究生态系统过程的重要性，并为预测生境丧失对生态系统功能的影响提供了定量工具。
这个研究强调了在不同空间尺度上研究生态系统过程的重要性，并为预测生境丧失对生态系统功能的影响提供了定量工具。
=== 代谢理论与能量收支的生态系统===
===代谢理论与能量收支的生态系统===
[[文件:Table 3 Allometric Scaling Parameters.png|缩略图|生物学量 Y 与体尺寸 W 的规模法则及其拟合指数 b（对于非严格线性关系，列出 b 的变化范围）]]
[[文件:Table 3 Allometric Scaling Parameters.png|缩略图|生物学量 Y 与体尺寸 W 的规模法则及其拟合指数 b（对于非严格线性关系，列出 b 的变化范围）]]
Kooijman 的[[能量预算模型]]则从更细致的生理学角度给出了这些幂律的机理解释<ref name='Unifying_spatial '>{{cite journal|author1=Kooijman, S.|title=Energy budgets can explain body size relations|journal=Journal of Theoretical Biology|volume=121(3)|year=1986|url=https://doi.org/10.1016/s0022-5193(86)80107-2|page=269–282}}</ref>。他假定个体有两个重要变量：一个是状态变量大小 [math]\displaystyle W[/math] (the state variables size)，另一个是能量储备 [math]\displaystyle S[/math] (storage)，生物体会在摄食、同化、维护、成长、繁殖等环节之间分配不同的能量。即便该模型假设了“常规维护代谢与状态变量大小成正比”，综合不同能流分配后，模型仍旧推导出呼吸速率在种内、种间都接近于 [math]\displaystyle W^{2/3}[/math] 缩放，并能同时解释多种生理、生态指标随体型的异速关系或规模法则。
Kooijman 的[[能量预算模型]]则从更细致的生理学角度给出了这些幂律的机理解释<ref name="Unifying_spatial">{{cite journal|author1=Kooijman, S.|title=Energy budgets can explain body size relations|journal=Journal of Theoretical Biology|volume=121(3)|year=1986|url=https://doi.org/10.1016/s0022-5193(86)80107-2|page=269–282}}</ref>。他假定个体有两个重要变量：一个是状态变量大小 [math]\displaystyle W[/math] (the state variables size)，另一个是能量储备 [math]\displaystyle S[/math] (storage)，生物体会在摄食、同化、维护、成长、繁殖等环节之间分配不同的能量。即便该模型假设了“常规维护代谢与状态变量大小成正比”，综合不同能流分配后，模型仍旧推导出呼吸速率在种内、种间都接近于 [math]\displaystyle W^{2/3}[/math] 缩放，并能同时解释多种生理、生态指标随体型的异速关系或规模法则。
在同种内不同体型个体中：
在同种内不同体型个体中：
该模型通过 [[贝塔朗菲生长方程]]整合了能量摄入、储存、利用和耗散，为理解生物体大小与生理过程之间的规模关系提供了机制性解释。
该模型通过 [[贝塔朗菲生长方程]]整合了能量摄入、储存、利用和耗散，为理解生物体大小与生理过程之间的规模关系提供了机制性解释。
=== 生态流网络中的异速律 ===
===生态流网络中的异速律===
[[食物链网]]或者更加广义的[[能量流网络]]作为一种重要的生态网络，也存在着普遍的规模法则<ref name='commen_patterns'>{{cite journal|author1=Jiang Zhang|author2=Yuanjing Feng|title=Common patterns of energy flow and biomass distribution on weighted food webs|journal=Physica A|volume=405|year=2014|page=278-288}}</ref>。在这个网络中，节点往往代表物种或者更广义的有机物节点，连边代表物种的捕食与被捕食关系，或者更广义的节点之间的相互作用关系，连边权重则代表了物质或能量的流量，并且流量往往具备平衡的性质。因此，这类生态流网络可以被看作是一种开放[[流网络]]。
[[食物链网]]或者更加广义的[[能量流网络]]作为一种重要的生态网络，也存在着普遍的规模法则<ref name="commen_patterns">{{cite journal|author1=Jiang Zhang|author2=Yuanjing Feng|title=Common patterns of energy flow and biomass distribution on weighted food webs|journal=Physica A|volume=405|year=2014|page=278-288}}</ref>。在这个网络中，节点往往代表物种或者更广义的有机物节点，连边代表物种的捕食与被捕食关系，或者更广义的节点之间的相互作用关系，连边权重则代表了物质或能量的流量，并且流量往往具备平衡的性质。因此，这类生态流网络可以被看作是一种开放[[流网络]]。
生态流网络上的规模法则往往体现为某节点上定义的指标与节点上总流量的幂律关系。例如：
生态流网络上的规模法则往往体现为某节点上定义的指标与节点上总流量的幂律关系。例如：
==== 异速律 ====
====异速律====
在生态流网络中，所谓的异速律（Allometric Scaling）是指：某个节点对整个网络的直接与间接影响的总和[math]C_i[/math]与每个节点的总能量通量 (throughflow) [math]A_i[/math] 之间存在的幂律关系<ref name='scaling_foodweb'>{{cite journal|author1=Jiang Zhang|author2=Liangpeng Guo|title=Scaling Behaviors of Weighted Food Webs as Energy Transportation Networks|journal=Journal of Theoretical Biology|volume=264|year=2010|page=760-770}}</ref>：
在生态流网络中，所谓的异速律（Allometric Scaling）是指：某个节点对整个网络的直接与间接影响的总和[math]C_i[/math]与每个节点的总能量通量 (throughflow) [math]A_i[/math] 之间存在的幂律关系<ref name="scaling_foodweb">{{cite journal|author1=Jiang Zhang|author2=Liangpeng Guo|title=Scaling Behaviors of Weighted Food Webs as Energy Transportation Networks|journal=Journal of Theoretical Biology|volume=264|year=2010|page=760-770}}</ref>：
:<math>
:<math>
</math>
</math>
其中 [math]\eta[/math] 为异速指数 (allometric exponent)。在文章<ref name='scaling_foodweb'/>中，作者对19个实证生态系统（包括海湾、河口、湿地等）的能量流网络中发现，这种异速关系普遍存在，指数 [math]\eta[/math] 介于 [math]0.83[/math] 至 [math]1.05[/math] 之间，大多数略高于 [math]1[/math]。这表明生态系统中的能量流分布遵循稳定的幂律模式，体现系统整体的结构组织性。其拟合优度 [math]R^2[/math] 普遍高于 [math]0.9[/math]。
其中 [math]\eta[/math] 为异速指数 (allometric exponent)。在文章<ref name="scaling_foodweb" />中，作者对19个实证生态系统（包括海湾、河口、湿地等）的能量流网络中发现，这种异速关系普遍存在，指数 [math]\eta[/math] 介于 [math]0.83[/math] 至 [math]1.05[/math] 之间，大多数略高于 [math]1[/math]。这表明生态系统中的能量流分布遵循稳定的幂律模式，体现系统整体的结构组织性。其拟合优度 [math]R^2[/math] 普遍高于 [math]0.9[/math]。
[math]\eta[/math]也可以被解释为网络中心化程度的指标。
[math]\eta[/math]也可以被解释为网络中心化程度的指标。
* 当 [math]\eta>1[/math]时，能量流集中于少数高通量节点，系统更具中心性；
*当 [math]\eta>1[/math]时，能量流集中于少数高通量节点，系统更具中心性；
* 当 [math]\eta<1[/math] 时，能量分布更均匀，系统趋于去中心化。
*当 [math]\eta<1[/math] 时，能量分布更均匀，系统趋于去中心化。
==== 耗散律 ====
====耗散律====
除异速律外，研究还发现物种的能量耗散 (主要为呼吸作用) [math]D_i[/math] 与其通量 [math]A_i[/math] 之间也呈幂律关系<ref name='commen_patterns'/>：
除异速律外，研究还发现物种的能量耗散 (主要为呼吸作用) [math]D_i[/math] 与其通量 [math]A_i[/math] 之间也呈幂律关系<ref name="commen_patterns" />：
:<math>
:<math>
其中 [math]\gamma[/math] 为耗散指数 (dissipation exponent)。对于大多数网络， [math]\gamma<1[/math]，即能量[[耗散]]随通量的增加而[[亚线性规模法则]]。这意味着能量通量越大的物种，其相对能量损失比例（定义为[math]D_i/A_i[/math]越低，因此能量利用效率更高。
其中 [math]\gamma[/math] 为耗散指数 (dissipation exponent)。对于大多数网络， [math]\gamma<1[/math]，即能量[[耗散]]随通量的增加而[[亚线性规模法则]]。这意味着能量通量越大的物种，其相对能量损失比例（定义为[math]D_i/A_i[/math]越低，因此能量利用效率更高。
==== 异速指数[math]\eta[/math] 与耗散指数[math]\gamma[/math]的关系 ====
====异速指数[math]\eta[/math] 与耗散指数[math]\gamma[/math]的关系====
此外文献<ref name='allometry_dissipation'>{{cite journal|author1=Jiang Zhang|author2=Lingfei Wu|title=Allometry and Dissipation of Ecological Flow Networks|journal=PLoS ONE|year=2013|volume=8|issue=9|page=e72525}}</ref>研究还发现了[math]\eta[/math] 与 [math]\gamma[/math] 之间存在着负相关关系：当 [math]\gamma[/math] 增大（能量损失加剧）时， [math]\eta[/math] 减小。这表明，当大流量节点的能量耗散相对更高时，网络的能量流分布更趋向去中心化；反之，当[math]\gamma<1[/math] 时，则高流量的耗散率更低，而网络更加中心化，因此能量更集中于高流量节点。
此外文献<ref name="allometry_dissipation">{{cite journal|author1=Jiang Zhang|author2=Lingfei Wu|title=Allometry and Dissipation of Ecological Flow Networks|journal=PLoS ONE|year=2013|volume=8|issue=9|page=e72525}}</ref>研究还发现了[math]\eta[/math] 与 [math]\gamma[/math] 之间存在着负相关关系：当 [math]\gamma[/math] 增大（能量损失加剧）时， [math]\eta[/math] 减小。这表明，当大流量节点的能量耗散相对更高时，网络的能量流分布更趋向去中心化；反之，当[math]\gamma<1[/math] 时，则高流量的耗散率更低，而网络更加中心化，因此能量更集中于高流量节点。
作者进一步通过流量调整算法 (在保持网络拓扑不变的情况下调节 [math]\gamma[/math]）验证了这一负相关关系在[[流网络]]模型上的普遍性，结果显示 [math]\eta[/math] 随 [math]\gamma[/math] 系统性下降，这一趋势在实证网络与随机生成网络中均一致。
作者进一步通过流量调整算法 (在保持网络拓扑不变的情况下调节 [math]\gamma[/math]）验证了这一负相关关系在[[流网络]]模型上的普遍性，结果显示 [math]\eta[/math] 随 [math]\gamma[/math] 系统性下降，这一趋势在实证网络与随机生成网络中均一致。
在能量耗散较大的系统中（ [math]\gamma>1[/math] ），能量损失增加削弱了高流量节点的影响，使网络的流量更分散；当 [math]\gamma<1[/math] 时，大节点输出更多能量、影响力增强，系统的流量分布则更集中。
在能量耗散较大的系统中（ [math]\gamma>1[/math] ），能量损失增加削弱了高流量节点的影响，使网络的流量更分散；当 [math]\gamma<1[/math] 时，大节点输出更多能量、影响力增强，系统的流量分布则更集中。
== 国家的规模法则==
==国家的规模法则==
社会经济复杂系统中普遍地存在着规模法则，除了上面已有阐述的城市与企业，规模法则还适用于一种更大的社会经济复杂系统，这就是国家。
社会经济复杂系统中普遍地存在着规模法则，除了上面已有阐述的城市与企业，规模法则还适用于一种更大的社会经济复杂系统，这就是国家。
===广延量与强度量===
===广延量与强度量===
首先，该研究将所有变量划分成了两类：
首先，该研究将所有变量划分成了两类：
# 广延型的变量；
#广延型的变量；
# 强度型变量。
#强度型变量。
在物理中，所谓的广延型变量是诸如能量、质量、熵等具有子系统可加性的变量。在国家中，一些宏观总量，如人口、GDP、面积、出口、进口等都属于广延型变量。而平均的人均GDP，人口的生育率、死亡率等类似于物理中的温度、压强被称为强度量。
在物理中，所谓的广延型变量是诸如能量、质量、熵等具有子系统可加性的变量。在国家中，一些宏观总量，如人口、GDP、面积、出口、进口等都属于广延型变量。而平均的人均GDP，人口的生育率、死亡率等类似于物理中的温度、压强被称为强度量。
{| class="wikitable"
{| class="wikitable"
|+ 以GDP为国家规模的衡量，各个变量的规模法则
|+以GDP为国家规模的衡量，各个变量的规模法则
! 属性 !! MA方法估计的幂指数 !! R² !! OLS方法估计的幂指数 !! 样本数
!属性 !!MA方法估计的幂指数 !!R² !!OLS方法估计的幂指数 !!样本数
|-
|-
| 购买力平价GDP（GDPAtParity） || 1.02 ± 0.03 || 0.96 || 0.99 || 230
|购买力平价GDP（GDPAtParity） ||1.02 ± 0.03 ||0.96 ||0.99 ||230
|-
|-
| 政府债务（GovernmentDebt） || 1.10 ± 0.09 || 0.85 || 1.00 || 120
|政府债务（GovernmentDebt） ||1.10 ± 0.09 ||0.85 ||1.00 ||120
|-
|-
| 政府支出（GovernmentExpenditures） || 1.02 ± 0.04 || 0.93 || 0.98 || 224
|政府支出（GovernmentExpenditures） ||1.02 ± 0.04 ||0.93 ||0.98 ||224
|-
|-
| 政府收入（GovernmentReceipts） || 1.04 ± 0.04 || 0.93 || 1.00 || 225
|政府收入（GovernmentReceipts） ||1.04 ± 0.04 ||0.93 ||1.00 ||225
|-
|-
| 政府盈余（GovernmentSurplus） || 1.06 ± 0.07 || 0.78 || 0.93 || 217
|政府盈余（GovernmentSurplus） ||1.06 ± 0.07 ||0.78 ||0.93 ||217
|-
|-
| 劳动力（LaborForce） || 1.02 ± 0.04 || 0.70 || 0.85 || 223
|劳动力（LaborForce） ||1.02 ± 0.04 ||0.70 ||0.85 ||223
|-
|-
| 国民收入（NationalIncome） || 0.99 ± 0.01 || 1.00 || 0.99 || 208
|国民收入（NationalIncome） ||0.99 ± 0.01 ||1.00 ||0.99 ||208
|-
|-
| 农业附加值（AgriculturalValueAdded） || 0.96 ± 0.08 || 0.73 || 0.83 || 207
|农业附加值（AgriculturalValueAdded） ||0.96 ± 0.08 ||0.73 ||0.83 ||207
|-
|-
| 建筑业附加值（ConstructionValueAdded） || 0.99 ± 0.03 || 0.96 || 0.97 || 208
|建筑业附加值（ConstructionValueAdded） ||0.99 ± 0.03 ||0.96 ||0.97 ||208
|-
|-
| 固定投资（FixedInvestment） || 0.98 ± 0.02 || 0.97 || 0.97 || 207
|固定投资（FixedInvestment） ||0.98 ± 0.02 ||0.97 ||0.97 ||207
|-
|-
| 政府消费（GovernmentConsumption） || 1.00 ± 0.04 || 0.91 || 0.96 || 207
|政府消费（GovernmentConsumption） ||1.00 ± 0.04 ||0.91 ||0.96 ||207
|-
|-
| 居民消费（HouseholdConsumption） || 0.98 ± 0.02 || 0.98 || 0.97 || 206
|居民消费（HouseholdConsumption） ||0.98 ± 0.02 ||0.98 ||0.97 ||206
|-
|-
| 工业附加值（IndustrialValueAdded） || 1.18 ± 0.03 || 0.96 || 1.15 || 208
|工业附加值（IndustrialValueAdded） ||1.18 ± 0.03 ||0.96 ||1.15 ||208
|-
|-
| 存货变动（InventoryChange） || 1.26 ± 0.13 || 0.67 || 0.99 || 193
|存货变动（InventoryChange） ||1.26 ± 0.13 ||0.67 ||0.99 ||193
|-
|-
| 制造业附加值（ManufacturingValueAdded） || 1.22 ± 0.03 || 0.95 || 1.19 || 208
|制造业附加值（ManufacturingValueAdded） ||1.22 ± 0.03 ||0.95 ||1.19 ||208
|-
|-
| 其他行业附加值（MiscellaneousValueAdded） || 1.22 ± 0.03 || 0.96 || 1.03 || 208
|其他行业附加值（MiscellaneousValueAdded） ||1.22 ± 0.03 ||0.96 ||1.03 ||208
|-
|-
| 总消费（TotalConsumption） || 0.97 ± 0.02 || 0.98 || 0.96 || 207
|总消费（TotalConsumption） ||0.97 ± 0.02 ||0.98 ||0.96 ||207
|-
|-
| 贸易附加值（TradeValueAdded） || 1.00 ± 0.02 || 0.97 || 0.98 || 207
|贸易附加值（TradeValueAdded） ||1.00 ± 0.02 ||0.97 ||0.98 ||207
|-
|-
| 交通运输附加值（TransportationValueAdded） || 1.02 ± 0.03 || 0.97 || 0.97 || 207
|交通运输附加值（TransportationValueAdded） ||1.02 ± 0.03 ||0.97 ||0.97 ||207
|-
|-
| 出口额（ExportValue） || 1.09 ± 0.05 || 0.90 || 1.03 || 208
|出口额（ExportValue） ||1.09 ± 0.05 ||0.90 ||1.03 ||208
|-
|-
| 进口额（ImportValue） || 0.95 ± 0.04 || 0.92 || 0.92 || 209
|进口额（ImportValue） ||0.95 ± 0.04 ||0.92 ||0.92 ||209
|-
|-
| 经常项目差额（CurrentAccountBalance） || 0.97 ± 0.07 || 0.84 || 0.89 || 163
|经常项目差额（CurrentAccountBalance） ||0.97 ± 0.07 ||0.84 ||0.89 ||163
|-
|-
| 外汇储备（ForeignExchangeReserves） || 1.12 ± 0.08 || 0.80 || 0.89 || 155
|外汇储备（ForeignExchangeReserves） ||1.12 ± 0.08 ||0.80 ||0.89 ||155
|-
|-
| 外债（ExternalDebt） || 1.17 ± 0.07 || 0.86 || 1.07 || 201
|外债（ExternalDebt） ||1.17 ± 0.07 ||0.86 ||1.07 ||201
|-
|-
| 用电量（ElectricityConsumption）|| 1.25 ± 0.09 || 0.80 || 1.09 || 215
|用电量（ElectricityConsumption） ||1.25 ± 0.09 ||0.80 ||1.09 ||215
|-
|-
| 发电量（ElectricityProduction）|| 1.26 ± 0.07 || 0.85 || 1.05 || 213
|发电量（ElectricityProduction） ||1.26 ± 0.07 ||0.85 ||1.05 ||213
|-
|-
| 石油消费（OilConsumption）|| 0.95 ± 0.05 || 0.89 || 0.90 || 211
|石油消费（OilConsumption） ||0.95 ± 0.05 ||0.89 ||0.90 ||211
|-
|-
| 石油进口（OilImports） || 0.92 ± 0.07 || 0.77 || 0.81 || 200
|石油进口（OilImports） ||0.92 ± 0.07 ||0.77 ||0.81 ||200
|-
|-
| 碳排放（CarbonEmission） || 1.10 ± 0.06 || 0.89 || 1.03 || 153
|碳排放（CarbonEmission） ||1.10 ± 0.06 ||0.89 ||1.03 ||153
|-
|-
| 固定电话线路（PhoneLines） || 0.98 ± 0.05 || 0.88 || 0.92 || 229
|固定电话线路（PhoneLines） ||0.98 ± 0.05 ||0.88 ||0.92 ||229
|-
|-
| 移动电话用户（CellularPhones） || 1.14 ± 0.07 || 0.83 || 1.03 || 223
|移动电话用户（CellularPhones） ||1.14 ± 0.07 ||0.83 ||1.03 ||223
|-
|-
| 广播电台数（RadioStations）* || 0.66 ± 0.06 || 0.69 || 0.58 || 205
|广播电台数（RadioStations）* ||0.66 ± 0.06 ||0.69 ||0.58 ||205
|-
|-
| 电视台数（TelevisionStations）* || 0.75 ± 0.08 || 0.65 || 0.64 || 197
|电视台数（TelevisionStations）* ||0.75 ± 0.08 ||0.65 ||0.64 ||197
|-
|-
| 互联网用户（InternetUsers） || 1.06 ± 0.06 || 0.85 || 0.97 || 221
|互联网用户（InternetUsers） ||1.06 ± 0.06 ||0.85 ||0.97 ||221
|-
|-
| 公路长度（RoadLength） || 0.95 ± 0.09 || 0.69 || 0.80 || 223
|公路长度（RoadLength） ||0.95 ± 0.09 ||0.69 ||0.80 ||223
|}
|}
{| class="wikitable"
{| class="wikitable"
|+ 强度变量与人均GDP之间的幂律关系
|+强度变量与人均GDP之间的幂律关系
! 变量（Property） !! MA回归幂指数 !! R² !! OLS回归幂指数 !! 样本数
!变量（Property） !!MA回归幂指数 !!R² !!OLS回归幂指数 !!样本数
|-
|-
| 识字率比例（LiteracyFraction） || 0.11 ± 0.02 || 0.40 || 0.11 || 204
|识字率比例（LiteracyFraction） ||0.11 ± 0.02 ||0.40 ||0.11 ||204
|-
|-
| 出生率比例（BirthRateFraction） || -0.24 ± 0.03 || 0.58 || −0.23 || 208
|出生率比例（BirthRateFraction） ||-0.24 ± 0.03 ||0.58 ||−0.23 ||208
|-
|-
| 预期寿命（LifeExpectancy） || 0.08 ± 0.01 || 0.48 || 0.08 || 207
|预期寿命（LifeExpectancy） ||0.08 ± 0.01 ||0.48 ||0.08 ||207
|-
|-
| 中位年龄（MedianAge） || 0.14 ± 0.02 || 0.63 || 0.14 || 208
|中位年龄（MedianAge） ||0.14 ± 0.02 ||0.63 ||0.14 ||208
|-
|-
| 总和生育率（TotalFertilityRate） || −0.21 ± 0.03 || 0.49 || −0.20 || 208
|总和生育率（TotalFertilityRate） ||−0.21 ± 0.03 ||0.49 ||−0.20 ||208
|-
|-
| 婴儿死亡率比例（InfantMortalityFraction） || −0.58 ± 0.05 || 0.71 || −0.53 || 206
|婴儿死亡率比例（InfantMortalityFraction） ||−0.58 ± 0.05 ||0.71 ||−0.53 ||206
|}
|}
可以看到，这些变量的幂指数可以被分成两类，识字率、预期寿命与中位数年龄的幂指数为正，这说明随着国家变得更加富有（人均GDP提高），则人们受教育水平会提升，而预期寿命会增长；另一类包括出生率、总和生育率、婴儿死亡率等，它们的幂指数为负数，说明人均GDP提高的时候，新生儿的出生率降低，死亡率升高。这在某种程度上反映了作为一个独立个体（以经济生活为主要目的）的人，和作为一种生物学的个体（以生命的繁衍为目的）二者之间存在着一定的竞争关系。当人们的生活水平逐渐提高，人们会选择更多地提升自己的个体社会人的生活质量，而非提高作为生物人的个体繁衍率。
可以看到，这些变量的幂指数可以被分成两类，识字率、预期寿命与中位数年龄的幂指数为正，这说明随着国家变得更加富有（人均GDP提高），则人们受教育水平会提升，而预期寿命会增长；另一类包括出生率、总和生育率、婴儿死亡率等，它们的幂指数为负数，说明人均GDP提高的时候，新生儿的出生率降低，死亡率升高。这在某种程度上反映了作为一个独立个体（以经济生活为主要目的）的人，和作为一种生物学的个体（以生命的繁衍为目的）二者之间存在着一定的竞争关系。当人们的生活水平逐渐提高，人们会选择更多地提升自己的个体社会人的生活质量，而非提高作为生物人的个体繁衍率。
== 复杂网络 ==
==复杂网络==
在复杂系统研究中，[[复杂网络]]（complex network）或[[图]]（graph）是一种重要的抽象形式，用于刻画社会、技术、信息系统中的交互关系。Leskovec、Kleinberg 与 Faloutsos（2005, 2007）等人通过对多种真实网络演化的序列进行分析，发现复杂网络在演化过程中遵循两条普遍的规模法则：[[致密化定律]]（densification law）与[[收缩直径定律]]（shrinking diameter law）<ref name=":17">Leskovec, J., Kleinberg, J., & Faloutsos, C. (2007). Graph evolution. ''ACM Transactions on Knowledge Discovery from Data'', ''1''(1), 2. <nowiki>https://doi.org/10.1145/1217299.1217301</nowiki></ref> <ref name=":18">Leskovec, J., Kleinberg, J., & Faloutsos, C. (2005). Graphs over time. ''Proceedings of the Eleventh ACM SIGKDD International Conference on Knowledge Discovery in Data Mining'', 177–187. <nowiki>https://doi.org/10.1145/1081870.1081893</nowiki></ref>。这些规律揭示了网络在增长过程中所体现出的[[自组织]]特征与[[临界动力学]]机制。
在复杂系统研究中，[[复杂网络]]（complex network）或[[图]]（graph）是一种重要的抽象形式，用于刻画社会、技术、信息系统中的交互关系。Leskovec、Kleinberg 与 Faloutsos（2005, 2007）等人通过对多种真实网络演化的序列进行分析，发现复杂网络在演化过程中遵循两条普遍的规模法则：[[致密化定律]]（densification law）与[[收缩直径定律]]（shrinking diameter law）<ref name=":17">Leskovec, J., Kleinberg, J., & Faloutsos, C. (2007). Graph evolution. ''ACM Transactions on Knowledge Discovery from Data'', ''1''(1), 2. <nowiki>https://doi.org/10.1145/1217299.1217301</nowiki></ref> <ref name=":18">Leskovec, J., Kleinberg, J., & Faloutsos, C. (2005). Graphs over time. ''Proceedings of the Eleventh ACM SIGKDD International Conference on Knowledge Discovery in Data Mining'', 177–187. <nowiki>https://doi.org/10.1145/1081870.1081893</nowiki></ref>。这些规律揭示了网络在增长过程中所体现出的[[自组织]]特征与[[临界动力学]]机制。
=== 致密化幂律（densification law） ===
===致密化幂律（densification law）===
所谓的[[致密化]]就是指一个复杂网络在生长的过程中，[[连边]]数的增长速度会比[[节点]]数的增长速度更快，而且通常可以被表达为一个[[连边]]数与[[节点]]数的[[超线性规模法则]]的形式。
所谓的[[致密化]]就是指一个复杂网络在生长的过程中，[[连边]]数的增长速度会比[[节点]]数的增长速度更快，而且通常可以被表达为一个[[连边]]数与[[节点]]数的[[超线性规模法则]]的形式。
[[文件:DensificationLaw.png|无|缩略图|500x500像素|图：几个图的边数 e(t) 与节点数 n(t) 的关系图（双对数坐标）。所有 4 个图均符合密度幂律，拟合效果良好。斜率分别为：a = 1.68、1.66、1.18 和 1.15。]]
[[文件:DensificationLaw.png|无|缩略图|500x500像素|图：几个图的边数 e(t) 与节点数 n(t) 的关系图（双对数坐标）。所有 4 个图均符合密度幂律，拟合效果良好。斜率分别为：a = 1.68、1.66、1.18 和 1.15。]]
=== 收缩直径定律（Shrinking Diameter Law） ===
===收缩直径定律（Shrinking Diameter Law）===
另一个相伴而生的现象是，网络的有效直径（effective diameter）并非随着规模扩张而增长，而是随时间减小<ref name=":17" /><nowiki>。有效直径定义为网络中 90% 可达节点对之间的最短路径长度 [math]\displaystyle D_{\text{eff}}[/math]：</nowiki>
另一个相伴而生的现象是，网络的有效直径（effective diameter）并非随着规模扩张而增长，而是随时间减小<ref name=":17" /><nowiki>。有效直径定义为网络中 90% 可达节点对之间的最短路径长度 [math]\displaystyle D_{\text{eff}}[/math]：</nowiki>
[math]\displaystyle D_{\text{eff}} = \min{d: g(d) \ge 0.9}[/math]，其中 [math]\displaystyle g(d)[/math] 表示距离不超过 [math]\displaystyle d[/math] 的节点对比例。
<nowiki>[math]\displaystyle D_{\text{eff}} = \min{d: g(d) \ge 0.9}[/math]，其中 [math]\displaystyle g(d)[/math] 表示距离不超过 [math]\displaystyle d[/math] 的节点对比例。</nowiki>
在所有实测网络（包括 arXiv、专利引用网络Patents、互联网自主系统AS 等）中，随着时间推移， [math]D_{\text{eff}}(t)[/math] 呈现单调下降或先降后稳的趋势。例如在 HEP–TH 引用网络中，平均最短路径从约 8 减至 5，而在互联网中，从 4.2 降至 3.8。这一规律表明，随着网络增长，信息或影响在系统中传播的路径反而更短，网络呈现出“超小世界”特性。
<nowiki>在所有实测网络（包括 arXiv、专利引用网络Patents、互联网自主系统AS 等）中，随着时间推移， [math]D_{\text{eff}}(t)[/math] 呈现单调下降或先降后稳的趋势。例如在 HEP–TH 引用网络中，平均最短路径从约 8 减至 5，而在互联网中，从 4.2 降至 3.8。这一规律表明，随着网络增长，信息或影响在系统中传播的路径反而更短，网络呈现出“超小世界”特性。</nowiki>
[[文件:Shrinking Diameter Law.png|无|缩略图|500x500像素|图 3：有效直径随时间的变化。]]
[[文件:Shrinking Diameter Law.png|无|缩略图|500x500像素|图 3：有效直径随时间的变化。]]
=== 生成机制：社区引导与森林火灾模型 ===
===生成机制：社区引导与森林火灾模型===
为解释上述规模法则现象，研究者提出了两类生成模型。
为解释上述规模法则现象，研究者提出了两类生成模型。
为同时解释致密化规模法则与收缩直径现象，Leskovec 等人提出了[[复杂网络]]版本的[[森林火灾模型]]（Forest Fire Model）。新节点以概率 [math]p_f[/math]（前向燃烧）与 [math]p_b[/math]（反向燃烧）[[递归]]连接到已有[[节点]]及其邻居：新节点选择一个“点火节点”；按概率 [math]p_f[/math] 连接其出邻居，按 [math]p_b[/math] 连接其入邻居；对新连接的节点重复此过程，直到燃烧终止。
为同时解释致密化规模法则与收缩直径现象，Leskovec 等人提出了[[复杂网络]]版本的[[森林火灾模型]]（Forest Fire Model）。新节点以概率 [math]p_f[/math]（前向燃烧）与 [math]p_b[/math]（反向燃烧）[[递归]]连接到已有[[节点]]及其邻居：新节点选择一个“点火节点”；按概率 [math]p_f[/math] 连接其出邻居，按 [math]p_b[/math] 连接其入邻居；对新连接的节点重复此过程，直到燃烧终止。
模型模拟表明，在特定参数区域，网络自发满足<ref name=":18" />：[math]E(t)\propto N(t)^{a}[/math]，其中，[math]1<a<2[/math]，且[math]D_{\text{eff}}(t)[/math]会随着[math]N(t)[/math]的增长而下降。即该模型同时复现了[[超线性致密化]]与[[直径收缩]]。这一过程存在着相变现象：当 [math] p_f[/math] 过小，则网络连边稀疏；而如果其过大，则连接会迅速饱和；因此，仅在[math]p_f[/math]的临界区域产生现实网络的拓扑特征。
模型模拟表明，在特定参数区域，网络自发满足<ref name=":18" /><nowiki>：[math]E(t)\propto N(t)^{a}[/math]，其中，[math]1<a<2[/math]，且[math]D_{\text{eff}}(t)[/math]会随着[math]N(t)[/math]的增长而下降。即该模型同时复现了</nowiki>[[超线性致密化]]与[[直径收缩]]。这一过程存在着相变现象：当 [math] p_f[/math] 过小，则网络连边稀疏；而如果其过大，则连接会迅速饱和；因此，仅在[math]p_f[/math]的临界区域产生现实网络的拓扑特征。
== 在线社区的规模法则 ==
==在线社区的规模法则==
网络在线社区，包括网络论坛、贴吧、社交网站等是人们网络活动的主要载体之一。在在线社区中，人们通过写文章、分享、互相发表评论等行为形成了人与人（用户与用户）之间的互动。因此，网络在线社区可以看作是人类现实社区的虚拟世界投影，因此真实社区（城市）的一些规律，例如规模法则也适用于在线社区。
网络在线社区，包括网络论坛、贴吧、社交网站等是人们网络活动的主要载体之一。在在线社区中，人们通过写文章、分享、互相发表评论等行为形成了人与人（用户与用户）之间的互动。因此，网络在线社区可以看作是人类现实社区的虚拟世界投影，因此真实社区（城市）的一些规律，例如规模法则也适用于在线社区。
第5.2.2节介绍的[[匹配生长模型]]可以为网络在线社区的超线性增长提供一定程度上的解释。其中，网络的节点对应社区里面的活跃用户；网络的连边则对应为用户彼此之间的相互作用，这些相互作用则进一步以一定概率转化为活动；网络的生长空间则对应为用户的抽象特征空间。
第5.2.2节介绍的[[匹配生长模型]]可以为网络在线社区的超线性增长提供一定程度上的解释。其中，网络的节点对应社区里面的活跃用户；网络的连边则对应为用户彼此之间的相互作用，这些相互作用则进一步以一定概率转化为活动；网络的生长空间则对应为用户的抽象特征空间。
=== 百度贴吧的规模法则 ===
===百度贴吧的规模法则===
2014年，两位作者进一步将这一规模法则推广到更广泛的网络论坛的研究之中<ref name=":14">Wu, L., Zhang, J., & Zhao, M. (2014). The metabolism and growth of web forums. ''PLoS ONE'', ''9''(8). <nowiki>https://doi.org/10.1371/journal.pone.0102646</nowiki></ref>。他们研究的对象是将近30万个百度贴吧，每个贴吧都有一个相对固定的话题，并且贴吧的建立与凋零基本全部是自组织形成的。作者们将百度贴吧论坛视为“虚拟生命体”，提出在线社区的增长与用户行为遵循类似生物代谢的幂律规律。以百度贴吧三万个论坛为样本，研究发现在t时刻，某一贴吧的页面浏览量[math]PV_t[/math]与它的独立访客数 [math]UV_t[/math] 之间存在稳定关系：
2014年，两位作者进一步将这一规模法则推广到更广泛的网络论坛的研究之中<ref name=":14">Wu, L., Zhang, J., & Zhao, M. (2014). The metabolism and growth of web forums. ''PLoS ONE'', ''9''(8). <nowiki>https://doi.org/10.1371/journal.pone.0102646</nowiki></ref>。他们研究的对象是将近30万个百度贴吧，每个贴吧都有一个相对固定的话题，并且贴吧的建立与凋零基本全部是自组织形成的。作者们将百度贴吧论坛视为“虚拟生命体”，提出在线社区的增长与用户行为遵循类似生物代谢的幂律规律。以百度贴吧三万个论坛为样本，研究发现在t时刻，某一贴吧的页面浏览量[math]PV_t[/math]与它的独立访客数 [math]UV_t[/math] 之间存在稳定关系：
====[math]\theta[/math]与[math]\gamma[/math]的负相关====
====[math]\theta[/math]与[math]\gamma[/math]的负相关====
论文<ref name=":14"/>进一步指出 [math]\displaystyle \theta[/math] 与 [math]\displaystyle \gamma[/math] 之间存在着负相关关系，并满足不等式：
论文<ref name=":14" />进一步指出 [math]\displaystyle \theta[/math] 与 [math]\displaystyle \gamma[/math] 之间存在着负相关关系，并满足不等式：
当[math]0<\gamma<1[/math]时：
当[math]0<\gamma<1[/math]时：
研究还发现，“体育”“女性”等类贴吧具有高 [math] \theta[/math]、低 [math]\gamma[/math]的特性，这说明这些贴吧更具粘性；而“艺术”“动漫”等则相反。由此，[math]\theta[/math] 表征社区的长期锁定能力，[math]\gamma[/math] 则刻画其注意力耗散效率。
研究还发现，“体育”“女性”等类贴吧具有高 [math] \theta[/math]、低 [math]\gamma[/math]的特性，这说明这些贴吧更具粘性；而“艺术”“动漫”等则相反。由此，[math]\theta[/math] 表征社区的长期锁定能力，[math]\gamma[/math] 则刻画其注意力耗散效率。
=== 交互式的列维飞行模型 ===
===交互式的列维飞行模型===
为了解释上述观察到的现象，特别是[[注意力流网络]]的各种特性，如[[耗散律]]以及[math]\theta[/math]与[math]\gamma[/math]的负相关性，[[曾凡齐]]、[[张江]]等人提出了交互式的[[列维飞行]]模型（interactive Lévy flight model）。研究认为，在线社区中的每位用户的兴趣可被视作分布在d维[[欧几里得空间]]中的点，用户在不同主题间的跳转可模拟为[[列维飞行]](Lévy Flight) 随机游走过程<ref name=":16">Zeng, F., Gong, L., Liu, J., Zhang, J., Chen, Q., & Xin, R. (2020). Human mobility in interest space and interactive random walk. ''Journal of Physics: Complexity'', ''1''(2), 025004. <nowiki>https://doi.org/10.1088/2632-072x/ab7f4f</nowiki></ref>。
为了解释上述观察到的现象，特别是[[注意力流网络]]的各种特性，如[[耗散律]]以及[math]\theta[/math]与[math]\gamma[/math]的负相关性，[[曾凡齐]]、[[张江]]等人提出了交互式的[[列维飞行]]模型（interactive Lévy flight model）。研究认为，在线社区中的每位用户的兴趣可被视作分布在d维[[欧几里得空间]]中的点，用户在不同主题间的跳转可模拟为[[列维飞行]](Lévy Flight) 随机游走过程<ref name=":16">Zeng, F., Gong, L., Liu, J., Zhang, J., Chen, Q., & Xin, R. (2020). Human mobility in interest space and interactive random walk. ''Journal of Physics: Complexity'', ''1''(2), 025004. <nowiki>https://doi.org/10.1088/2632-072x/ab7f4f</nowiki></ref>。
====模型构建====
====模型构建====
* 注意力迁移
*注意力迁移
具体地，考虑一个d维的“兴趣空间”，大量的用户的注意力迁移（即浏览行为）可以被建模为这一空间中的随机游走行为。在每个时间步，每位用户的一步跳转行为的方向是d维空间中的随机方向，而一步跳转的步长为一个随机数[math]l[/math]，它满足幂律分布，即：
具体地，考虑一个d维的“兴趣空间”，大量的用户的注意力迁移（即浏览行为）可以被建模为这一空间中的随机游走行为。在每个时间步，每位用户的一步跳转行为的方向是d维空间中的随机方向，而一步跳转的步长为一个随机数[math]l[/math]，它满足幂律分布，即：
其中 [math]\lambda[/math] 为一参数，描述了这些用户的平均兴趣广度。如果[math]\lambda[/math]值越小，则长距离的跳转越频繁，表示用户的兴趣转移越剧烈，他的兴趣也很容易更广泛。
其中 [math]\lambda[/math] 为一参数，描述了这些用户的平均兴趣广度。如果[math]\lambda[/math]值越小，则长距离的跳转越频繁，表示用户的兴趣转移越剧烈，他的兴趣也很容易更广泛。
* 接续跳转与流失
*接续跳转与流失
其次，空间中分布着一些固定的资源节点，这些节点都是由自己或其它用户随机生成的资源节点（见下一小节），代表该网络社区/贴吧/论坛中已经存在的数字资源（帖子、文件等）。当用户跳转到了一个新的空间位置X以后，如果该位置有一个资源节点，则用户可以进行下一步随机跳跃，否则用户会直接离开（体现为该随机游走粒子消失）。
其次，空间中分布着一些固定的资源节点，这些节点都是由自己或其它用户随机生成的资源节点（见下一小节），代表该网络社区/贴吧/论坛中已经存在的数字资源（帖子、文件等）。当用户跳转到了一个新的空间位置X以后，如果该位置有一个资源节点，则用户可以进行下一步随机跳跃，否则用户会直接离开（体现为该随机游走粒子消失）。
* 创建新资源点
*创建新资源点
同时，在每一个时间步，用户都会以概率 [math]p[/math] 在当前的空间点（兴趣点）生成一个新的数字资源（帖子、评论等），这些资源节点一旦创建就不再消失。这里[math]p[/math]模型的另一个参数。
同时，在每一个时间步，用户都会以概率 [math]p[/math] 在当前的空间点（兴趣点）生成一个新的数字资源（帖子、评论等），这些资源节点一旦创建就不再消失。这里[math]p[/math]模型的另一个参数。
为了得到规模法则，我们可以构造如下宏观变量：
为了得到规模法则，我们可以构造如下宏观变量：
* 活动总量 [math]A[/math]：即用户完成了多少次跳跃；
*活动总量 [math]A[/math]：即用户完成了多少次跳跃；
* 用户数[math]N[/math]：即一开始释放的随机游走用户的个数；
*用户数[math]N[/math]：即一开始释放的随机游走用户的个数；
* 兴趣多样性 [math]D[/math]：已被创建的资源节点在d维空间中的覆盖体积（也就是注意力流网络中节点的个数）；
*兴趣多样性 [math]D[/math]：已被创建的资源节点在d维空间中的覆盖体积（也就是注意力流网络中节点的个数）；
* 转移多样性 [math]E[/math]：注意力流网络中的所有连边数。
*转移多样性 [math]E[/math]：注意力流网络中的所有连边数。
这些宏观变量[math]A,D,E[/math]均呈现与用户数 [math]N[/math] 的规模法则：
这些宏观变量[math]A,D,E[/math]均呈现与用户数 [math]N[/math] 的规模法则：
通过调整参数 [math]\lambda[/math] 和 [math]p[/math]，模型可以产生不同的幂律指数。因此，我们也可从观测数据之中的幂律指数反推这两个参数值，以反映真实用户的兴趣跨度与内容生成倾向。该模型揭示了虚拟空间中人类行为的几何起源，为理解在线社区的增长、推荐机制与注意力流的分布提供了一种理论解释。
通过调整参数 [math]\lambda[/math] 和 [math]p[/math]，模型可以产生不同的幂律指数。因此，我们也可从观测数据之中的幂律指数反推这两个参数值，以反映真实用户的兴趣跨度与内容生成倾向。该模型揭示了虚拟空间中人类行为的几何起源，为理解在线社区的增长、推荐机制与注意力流的分布提供了一种理论解释。
== 临界态 ==
==临界态==
在复杂系统研究中，临界态（critical state）指系统在有序与无序之间的过渡点处所呈现的特殊状态。在这一状态下，系统对外部扰动的响应表现出强烈的相关性和尺度不变性（scale invariance）。Christensen和Moloney在《复杂性与临界性》书中指出，许多复杂系统在演化过程中会自发地靠近临界点，而无需外部精确调节，这一现象被称为自组织临界性（self-organized criticality, SOC）。在临界态下，系统的统计特征常常遵循幂律分布，反映出其内部的协同与层级结构<ref name=":19">Christensen, K., & Moloney, N. R. (2006). ''Complexity and criticality = 复杂性和临界状态''. Fudan University Press.</ref>。规模法则也常常在临界现象中。
在复杂系统研究中，临界态（critical state）指系统在有序与无序之间的过渡点处所呈现的特殊状态。在这一状态下，系统对外部扰动的响应表现出强烈的相关性和尺度不变性（scale invariance）。Christensen和Moloney在《复杂性与临界性》书中指出，许多复杂系统在演化过程中会自发地靠近临界点，而无需外部精确调节，这一现象被称为自组织临界性（self-organized criticality, SOC）。在临界态下，系统的统计特征常常遵循幂律分布，反映出其内部的协同与层级结构<ref name=":19">Christensen, K., & Moloney, N. R. (2006). ''Complexity and criticality = 复杂性和临界状态''. Fudan University Press.</ref>。规模法则也常常在临界现象中。
其中 [math]L[/math] 为系统线性尺度， [math]D[/math] 为雪崩的特征维度（fractal dimension），该式也体现为一种尺度依赖的分布形态（参见6.1.3）。这一标度律表明，不同规模系统的统计行为可以通过合适的归一化函数 [math]f(x)[/math] 统一到同一曲线之上，揭示了临界系统的[[自相似性]]与[[无尺度性]]。
其中 [math]L[/math] 为系统线性尺度， [math]D[/math] 为雪崩的特征维度（fractal dimension），该式也体现为一种尺度依赖的分布形态（参见6.1.3）。这一标度律表明，不同规模系统的统计行为可以通过合适的归一化函数 [math]f(x)[/math] 统一到同一曲线之上，揭示了临界系统的[[自相似性]]与[[无尺度性]]。
== 大语言模型 ==
==大语言模型==
大语言模型（LLM）的性能提升与模型规模、训练数据和算力投入密切相关，研究发现它们普遍遵循可预测的规模法则（Scaling Laws），主要包括以下几个方面：
大语言模型（LLM）的性能提升与模型规模、训练数据和算力投入密切相关，研究发现它们普遍遵循可预测的规模法则（Scaling Laws），主要包括以下几个方面：
===训练阶段的规律===
===训练阶段的规律===
早期研究（Kaplan 等）表明<ref name='kaplan_2020'>{{cite journal|author1=Jared Kaplan|author2=Sam McCandlish|author3=Tom Henighan|author4=Tom B. Brown|author5=Benjamin Chess|author6=Rewon Child|title=Scaling Laws for Neural Language Models|journal=arxiv|year=2020|eprint=2001.08361}}</ref>，测试误差（L）随参数数量（N）、数据量（D）和最优分配的计算量预算（C）的增加呈幂律下降，且单独扩展某一要素会出现减益，需三者协同扩展。即有如下规模法则：
早期研究（Kaplan 等）表明<ref name="kaplan_2020">{{cite journal|author1=Jared Kaplan|author2=Sam McCandlish|author3=Tom Henighan|author4=Tom B. Brown|author5=Benjamin Chess|author6=Rewon Child|title=Scaling Laws for Neural Language Models|journal=arxiv|year=2020|eprint=2001.08361}}</ref>，测试误差（L）随参数数量（N）、数据量（D）和最优分配的计算量预算（C）的增加呈幂律下降，且单独扩展某一要素会出现减益，需三者协同扩展。即有如下规模法则：
这表明，当参数量受限，在一个充分大的数据集上得到足够的训练，则有测试误差与参数量之间的规模法则（以模型参数量为规模）：
这表明，当参数量受限，在一个充分大的数据集上得到足够的训练，则有测试误差与参数量之间的规模法则（以模型参数量为规模）：
</math>
</math>
该公式定义了“等效转移数据量” [math]D_{\text{effective}}[/math]，表示如果没有预训练，要获得同样性能需要多少下游数据。[math]K[/math]为规模法则的系数。预训练模型的参数规模 [math]N[/math] 越大，其微调时的增益越明显，即 [math]\alpha[/math] 越大时，模型泛化能力越强；而 [math]\beta[/math] 则反映目标数据与预训练数据分布的相似度。整体来看，这一关系说明更大的预训练模型相当于给任务“虚拟地”增加了更多数据，尤其在低资源场景中，预训练带来的收益最为显著。
<nowiki>该公式定义了“等效转移数据量” [math]D_{\text{effective}}[/math]，表示如果没有预训练，要获得同样性能需要多少下游数据。[math]K[/math]为规模法则的系数。预训练模型的参数规模 [math]N[/math] 越大，其微调时的增益越明显，即 [math]\alpha[/math] 越大时，模型泛化能力越强；而 [math]\beta[/math] 则反映目标数据与预训练数据分布的相似度。整体来看，这一关系说明更大的预训练模型相当于给任务“虚拟地”增加了更多数据，尤其在低资源场景中，预训练带来的收益最为显著。</nowiki>
===知识记忆与容量限制===
===知识记忆与容量限制===
</math>
</math>
其中 [math]P[/math] 是数值精度的位宽，随着精度提升，有效参数量 [math]N_{\text{eff}}[/math] 按指数方式逼近真实参数数 [math]N[/math]，[math]\gamma[/math]为拟合的指数。这说明低精度训练会以非线性方式损失模型容量，例如使用 FP16 精度时仅约 90% 的参数在发挥作用，而更低精度会进一步削弱性能。
<nowiki>其中 [math]P[/math] 是数值精度的位宽，随着精度提升，有效参数量 [math]N_{\text{eff}}[/math] 按指数方式逼近真实参数数 [math]N[/math]，[math]\gamma[/math]为拟合的指数。这说明低精度训练会以非线性方式损失模型容量，例如使用 FP16 精度时仅约 90% 的参数在发挥作用，而更低精度会进一步削弱性能。</nowiki>
此外，多模态任务（如同时处理文本与图像的模型）也遵循类似的幂律关系。以视觉模型为例，其最低错误率与计算量的关系可以近似表示为<ref name=":12" />：
此外，多模态任务（如同时处理文本与图像的模型）也遵循类似的幂律关系。以视觉模型为例，其最低错误率与计算量的关系可以近似表示为<ref name=":12" />：
这表明随着计算量<math>C</math> 的增加，模型的误差率持续下降但趋于饱和，体现了典型的“收益递减”规律，也进一步印证了规模法则的普适性。
这表明随着计算量<math>C</math> 的增加，模型的误差率持续下降但趋于饱和，体现了典型的“收益递减”规律，也进一步印证了规模法则的普适性。
= 参考文献 =
=参考文献=
<references />
<references />