Propuknutí COVID-19 v roce 2019 izolovalo původně propojený svět. Lidé omezili zbytečné cestování a rozhodli se pracovat z domova. Zdá se, že pandemie COVID-19 je veřejným testem sociální konektivity, ve kterém se přehodnocuje nutnost a hodnota spojení mezi lidmi. Lidé si postupně uvědomují, že barová setkání, sledování filmů, KTV a další aktivity, které se staly důležitou součástí života, nemusí existovat. Konektivita internetu vynahrazuje izolaci fyzického prostoru a sociální platformy, jako je WeChat, se staly hlavním prostředkem pro připojení a zábavu lidí. #原创 #香港web3嘉年华 #crypto2023

S energickým rozvojem velkých dat a algoritmů se online sociální interakce stále více stává produktem integrace lidí a strojů. Sociální platformy jako WeChat a Weibo nejenže poskytují lidem cloudové místo pro socializaci, ale také formují sociální styly lidí, návyky myšlení a dokonce nově definují přátelství mezi lidmi. Tento článek nazývá reakci sociálních médií na lidi inženýrskou socialitou sociálních médií. Inženýrská sociální povaha sociálních médií přinesla mnoho negativních dopadů, jako je negativní dopad a nesprávné utváření lidského myšlení, poznávání a chování sociálními médii atd. V posledních letech se stále více diskutuje o negativních dopadech platforem Web 2.0 a mnoho regionů a zemí přijalo opatření k omezení sociálních médií, jako je nedávný návrh USA zakázat Tiktok. Když se podíváme zpět na Web3.0, většina diskuzí o sociálních sítích se stále omezuje na odpor cenzuře, vlastnictví, ekonomiku tvůrců a další běžné záležitosti, které nemohou rezonovat s veřejností. Proto chce autor prozkoumat negativní dopad tradičních sociálních médií a jejich důsledky pro Web3.0 z různých úhlů pohledu a diskutovat o nich na základě skutečných projektů.

Sociální projekty Web3.0 zkoumají různé cesty, jako je šifrovaná komunikace, zavádění technologie ZK na ochranu soukromí uživatelů, hnutí za suverenitu dat, které odděluje data a platformy a tak dále. Mezi nimi mě nejvíce zajímá a na co se chci v tomto článku zaměřit, je sociální graf. Na internetu proběhlo mnoho diskusí o sociálních grafech Hlavní proud se zaměřuje na to, jak sociální grafy posilují vývojářům a zlepšují uživatelskou zkušenost, ale o inženýrské socialitě sociálních grafů se příliš nemluví. Proto to autor vezme jako střed tohoto článku, zkombinuje to se třemi aktuálně vyvíjejícími se projekty, CyberConnect, Lens a Farcaster (Warpcast), aby analyzoval význam existence sociálních grafů a výzvy, kterým čelí, v naději, že spustí nějaké myšlení mezi čtenáři.

sociální graf

Sociální graf spojuje mezilidské vztahy na sociálních platformách Nejčastějším vztahem na internetu jsou dnes „přátelé“, kteří se sledují. „Přítel“ zde již není stejný jako původní význam přítele Sociální média rozšířila význam slova „přítel“. Nejprimitivnější sociální interakce lidských bytostí je omezena na malý kruh kolem nás kvůli omezením geografického času a prostoru. Vztah, který navážeme s lidmi kolem nás, je silný vztah a struktura tohoto silného vztahu je velmi těsná . Například, když komunikujeme s přáteli, kteří jsou s námi mnoho let, nepotřebujeme, aby mi přátelé pravidelně poskytovali zajímavá témata, jde spíše o výměnu informací typu peer-to-peer. Je zásadní rozdíl mezi „přáteli“, kteří jsou zde již mnoho let, a „přáteli“ vytvořenými sociálními sítěmi. Vztah, který spojují doporučení algoritmů, je velmi slabý, proto je nutné k posílení tohoto vztahu použít „obsah“. Proto, když se stýkají přátelé se slabými vazbami, komunikace je méně o komunikaci a více o konzumaci obsahu.

Ve Web2.0 se rozdělení vztahů promítlo do hlavního sociálního softwaru. WeChat hromadí silné vztahy, zatímco ostatní sociální média jako Weibo, Douban a Momo hromadí slabé vztahy. WeChat ve skutečnosti již není sociální platformou, ale spíše adresářem První věc, kterou uživatel po přidání přátel udělá, je chatovat bez jakékoli produkce nebo konzumace obsahu. Na jiný sociální software však lidé určitě nahrají avatary, vyplní informace, zveřejní pár aktualizací, vytvoří obsah a poté navážou spojení s dalšími lidmi. Hlavním účelem toho je snížit náklady na důvěru mezi lidmi. Protože nikdo by se nechtěl stýkat s cizím člověkem, který nemá žádnou profilovou fotku a žádné aktualizace.

Ze silných vazeb na slabé vazby postupně slábne motivace ke konzumaci obsahu. Máme rádi například nudné každodenní lajky, které posíláme svým přátelům ve WeChat Moments, ale jen málokoho zajímají náhodné myšlenky cizích lidí. Aby se vyrovnala nestabilita slabých vazeb a nedostatek motivace ke konzumaci, sociální média obecně přijímají dvě cesty, první je spoléhat se na vysoce kvalitní obsah a druhou je zlepšit konektivitu, kterou přinášejí algoritmy (diskutované v článku). další sekce). Zcela opačný je vývoj sociálních médií, která si zvolila dvě různé cesty. BBS jako Tieba, Tianya, Douban atd., které spoléhají na vysoce kvalitní obsah a komunitní operace, se staly „slzami doby“. Platformy SNS jako Facebook, Twitter, Instagram atd. dominují žebříčku sociálních sítí. YouTube, který začínal s komunitními videi, rychle bagatelizoval koncept komunity ve střední a pozdější fázi a pomocí algoritmů a doporučovacích mechanismů rychle expandoval a získal pevnou oporu v sociálních médiích.

Proč sociální platformy získávají tím menší hodnotu, čím více se spoléhají na kvalitní obsah? Za prvé, sociální média potřebují získat hodnotu z uživatelských dat, čím více spojení lidé vytvoří, tím větší ekonomickou hodnotu může platforma generovat. Komunitní kultura nebo kultura malých kruhů proto není nejvhodnější formou sociální interakce pro monetizaci platformy. Za druhé, čím vyšší je míra, do jaké uživatelé spoléhají na obsah, tím vyšší jsou požadavky na mechanismus zjišťování obsahu platformy. V době velkých dat je přesný přenos obsahu extrémně nákladnou záležitostí. Výsledkem je, že algoritmus směřuje k virálnímu poutavému obsahu místo toho, aby prosazoval kvalitní obsah. Konzumace obsahu se nakonec přenese do sítí silných vztahů, například když na Weibo uvidíme zajímavý obsah, běžnou operací je sdílet jej s přáteli na WeChat jedním kliknutím. Výsledkem je hodnota produkované platformami, které se spoléhají na obsah, se ztratí na jiných platformách. Nebo noví přátelé, které potkáte na Weibo, také přidají WeChat poté, co se s nimi seznámí, a zabydlí se na platformě silné sítě vztahů. Sociální platformy se slabými vazbami proto mají tendenci ignorovat vysoce kvalitní obsah a skutečné sociální zkušenosti lidí.

Jaké důsledky má tedy výše zmíněný fenomén sociálních médií Web2.0 pro Web3.0? Za prvé, existují rozdíly v "přátelských vztazích" v různých scénářích. Utváření vztahu je zakořeněno v kontextu. Za druhé by měl být inovován mechanismus distribuce obsahu, tedy algoritmus. Dále autor probere tyto dva aspekty a porovná a představí různé cesty nové generace decentralizovaných sociálních protokolů v těchto dvou směrech.

Sociální graf založený na scénáři

Jak již bylo zmíněno, sociální grafy jsou zakořeněny ve scénách přátel lidí na Momo a jejich přátel na DingTalk s největší pravděpodobností nejsou stejné povahy. Pokud budoucí sociální graf nerozlišuje scénáře pro všechna „spojení“, bude extrémně obtížné migrovat síť sociálních vztahů. Existuje mnoho příkladů, které dokazují, že Tencent chtěl založit Tencent Weibo na základě uživatelů nashromážděných v prostoru QQ. Aktualizace odeslané uživateli v prostoru QQ budou automaticky synchronizovány s Tencent Weibo. Tencent však nezohlednil, že prostor QQ je plný známých a sociálních vztahů. „Temná historie“ Netizens by nebyla příliš trapná, kdyby byla ukázána rodině, přátelům a dalším známým lidem, ale pokud by byla zveřejněna neznámým lidem na Weibo, mohla by být popsána jako „velká scéna sociální smrti“. Konečný výsledek je předvídatelný: Tencent Weibo byl poražen Sina Weibo.

Sociální graf proto musí být založen na scénáři. Chcete-li posílit postavení vývojářů, nestačí pouze poskytnout seznam sledovaných peněženek. To vyžaduje, aby data byla menší zrnitosti a obsahovala bohatší informace. CyberConnect, Lens a Farcaster řeší tento problém v různých dimenzích. CyberConnect neomezí scénář na tradiční sociální média, ale zahrnuje také model „sociální +“ a doufá, že integruje sociální graf do aplikací v různých oblastech, jako je DeFi, GameFi, Credit, catering, tvorba hudby atd. Počkejte. CyberConnect proto většinou spolupracuje s projekty třetích stran, místo aby se plně spoléhal na vlastní inkubaci ekologických projektů. Současně CyberConnect také přenáší sociální aktiva nashromážděná ve scéně Web2.0 do Web3.0, čímž propojuje dvě scény Web2.0 a Web3.0 prostřednictvím Link 3. Z hlediska hloubky a šířky dat je proto CyberConnect mezi těmito třemi nejlepšími.

Přístup Lens založený na scénáři je založen na obsahu, protože Lens modularizuje vztahy sledování a obsah do NFT a ukládá je do řetězce. Vztahy mezi lidmi tedy nejsou odděleny od obsahu sledovaný obsah. Modulární obsah a vztahy usnadňují vytváření scénářů. A Lens se zaměřuje hlavně na sociální oblast a různé ekologické projekty postavené na Lens jsou většinou sociální. Protože Farcaster má velmi specifický scénář (aplikace podobná Twitteru), bohatost a univerzálnost sociálního grafu generovaného na této platformě je také omezená. Autor se domnívá, že jde o velký problém v ekosystému Farcaster.

Algoritmy založené na sociálních grafech

Algoritmy jsou nejdůležitější součástí umožňující konektivitu, která je základním kamenem rozkvětu sociálních médií Web 2.0 a může pomoci sociálním médiím maximalizovat síťové efekty. Algoritmy nás tiše mění. Na sociálních platformách se autonomie uživatele stává extrémně složitým konceptem. Autonomie zahrnuje jak vědomou lidskou činnost, tak „technologické nevědomí“. Do jaké míry jsou sociální vztahy, které vytváříme na sociálních platformách, založeny na vědomých lidských činnostech a do jaké míry jsou spojení vytvářena rafinovaně algoritmy kvůli „technickému nevědomí“ lidí? Na tuto otázku je dnes těžké odpovědět. Vzhledem k tomu, že sociální média budou co nejvíce podporovat „technické nevědomí“, nejprve zkreslují koncept „sdílení“ a dávají rovnítko mezi „porušení soukromí uživatelů“ s „otevřeným a transparentním světem“ a poté zvýší pobyt uživatelů na sociálních platformách. prostřednictvím řady kódovaných chování tráví spoustu času shromažďováním uživatelských dat a nakonec uživatele vede ze sociálních sítí k obchodním aktivitám podle jejich preferencí.

Například slib Marka Zuckerberga „udělat web sociálnější“ a jeho samozvaná touha „učinit svět transparentnějším“ jemně stírá hranice mezi otevřeným internetem a soukromím uživatelů. Netflix dříve zveřejnil dokument s názvem Surveillance Capitalism: The Smart Trap . Dokument zve vedoucí pracovníky společností Google, Facebook, Twitter a dalších společností, aby divákům rozebrali sérii „návykových“ návrhů vytvořených pomocí síťových technologií, včetně: doporučení obsahu, hodnocení Líbí se mi, „psaní...“ a dalších operací. Jediným účelem této řady návrhů je prodloužit dobu, po kterou uživatelé zůstanou na platformě, a shromáždit co nejvíce chování uživatelů. Za chováním uživatelů jsou podobné sociální normy a kulturní logika. Algoritmus za „lajky“ například měří touhu lidí po něčem nebo jejich souhlas s určitými myšlenkami. A tato kvantifikovaná touha může řídit základní spotřebitelské trendy. Zároveň je proces propagace spotřeby velmi neviditelný, například když uživatel zadá Douyin z odkazu sdíleného přítelem, klikne na odkaz produktu ve spodní části obrazovky a zakoupí produkt přes Alipay. K nasměrování chování sdílení ke spotřebě stačí tři kliknutí.

Je vidět, že dopad algoritmů na lidi je jemný a pro uživatele je těžké si ho všimnout. Protože získání pozornosti je první prioritou algoritmu, nezáleží na tom, zda je distribuován kvalitní obsah. Algoritmy nasměrují provoz směrem k virálnímu a poutavému obsahu. Prostřednictvím tohoto poutavého fragmentovaného obsahu mohou uživatelé zůstat na platformě tak dlouho, jak je to možné, a tím upoutat pozornost (jako například Douyin). Personalizovaná doporučení a přizpůsobení algoritmů mohou navíc způsobit, že lidé upadnou do informačních „filtračních bublin“ a obdrží pouze informace, které jsou v souladu s jejich stávajícími pozicemi, postrádají stimulaci a výzvu různých úhlů pohledu, což vede ke kognitivním předsudkům, informační úzkosti, a slepá konformita (efekt informačního kokonu). Sociální média v éře Web 2.0 používají algoritmy k dosažení rychlého rozšíření, ale ignorují negativní dopad algoritmů na lidi.

Ve Web3.0 by kromě doporučení dlouhého obsahu měly být různé algoritmy založené na sociálních grafech. Vitalik navrhl koncept Plural Intelligence v článku Decentralizovaná společnost Ve srovnání s umělou inteligencí má algoritmus vícenásobné inteligence několik hlavních vylepšení. Za prvé, sběr dat by měl vycházet ze sociálního pozadí a neměl by být založen na charakteristikách chování uživatelů na určité platformě, za druhé by si tvůrci dat, tedy uživatelé, měli ponechat právo řídit svá data, což je do určité míry je Boj proti „technologickému nevědomí“. Jinými slovy, různorodé algoritmy nedělají algoritmus inteligentnějším, ale činí algoritmus humánnějším. Sociální graf ve skutečnosti poskytuje půdu pro vícerozměrné algoritmy Díky bohatým informacím o identitě může algoritmus sledovat různé charakteristiky a sociální zázemí uživatelů, spíše než analyzovat na základě konkrétního chování na platformě. Současně, pokud se uživatel rozhodne prozradit nebo skrýt určité informace o identitě nebo mezilidských vztazích, model nemůže použít tyto datové body k přizpůsobení algoritmu.

Z algoritmického hlediska je obtížné zásadně vyřešit výše uvedené problémy pouze pomocí sociálního grafu, protože kořen problému spočívá v ekonomickém modelu webů sociálních sítí Web2.0, příjmech z reklamy nebo v podstatě v ekonomice pozornosti. Sociální platformy Web3.0 proto potřebují používat tokeny a další média k prozkoumání rozmanitějších metod monetizace, aby tuto situaci zásadně zvrátily. Sociální graf může tuto situaci zlepšit jinými způsoby. Například přesnost long-tail content push algoritmu a uživatelská kontrola nad algoritmem.

Algoritmové motory jsou zabudovány do infrastruktury CyberConnect. Protože databáze obsahuje informace o chování uživatelů v různých aplikacích a scénářích, je tento engine vícerozměrný. Například při sestavování enginu doporučení pro sociální projekt můžete také analyzovat kredit uživatele na platformě DeFi, výkon herní platformy atd. v algoritmu, což je obtížné dosáhnout v uzavřeném pozadí Web2. 0. Lens Protocol v současné době nemá žádný návrh algoritmu, ale také poskytuje API, takže vývojáři mohou trénovat své vlastní modely prostřednictvím databáze. Warpcast spuštěný společností Farcaster má jako specifický produkt mechanismus doporučení, ale tento mechanismus doporučení je založen pouze na chování uživatele na jeho vlastním produktu. Proto, ačkoli Warpcast má rozhraní, které přímo interaguje s uživateli a může být použito jako výchozí bod pro získávání zákazníků a růst uživatelů, jeho flexibilita a představivost jsou také omezené kvůli jeho příliš specifické formě produktu.