Wabah COVID-19 pada tahun 2019 mengisolasi dunia yang awalnya terhubung. Masyarakat mengurangi perjalanan yang tidak perlu dan memilih untuk bekerja dari rumah. Pandemi COVID-19 tampaknya menjadi ujian publik terhadap konektivitas sosial, yang mana kebutuhan dan nilai hubungan antar manusia dievaluasi kembali. Lambat laun masyarakat menyadari bahwa kumpul-kumpul di bar, menonton film, KTV, dan aktivitas lain yang sudah menjadi bagian penting dalam hidup tidak perlu ada. Konektivitas Internet menutupi isolasi ruang fisik, dan platform sosial seperti WeChat telah menjadi sarana utama bagi orang-orang untuk terhubung dan menghibur diri mereka sendiri. #原创 #香港web3嘉年华 #crypto2023

Dengan pesatnya perkembangan big data dan algoritma, interaksi sosial online semakin menjadi produk integrasi manusia dan mesin. Platform sosial seperti WeChat dan Weibo tidak hanya menyediakan tempat cloud bagi orang-orang untuk bersosialisasi, tetapi juga membentuk gaya sosial, kebiasaan berpikir, dan bahkan mendefinisikan kembali persahabatan antar manusia. Artikel ini menyebut reaksi media sosial terhadap masyarakat sebagai rekayasa sosialitas media sosial. Rekayasa sosialitas media sosial telah membawa banyak dampak negatif, seperti dampak negatif dan kesalahan pembentukan pemikiran, kognisi dan perilaku manusia melalui media sosial, dan lain-lain. Dalam beberapa tahun terakhir, terdapat peningkatan diskusi mengenai dampak negatif platform Web 2.0, dan banyak wilayah serta negara telah mengambil tindakan untuk membatasi media sosial, seperti usulan AS baru-baru ini untuk melarang Tiktok. Melihat kembali Web 3.0, sebagian besar diskusi di jejaring sosial masih terbatas pada penolakan sensor, kepemilikan, ekonomi kreator, dan isu-isu umum lainnya yang tidak dapat diterima oleh publik. Oleh karena itu, penulis ingin mengeksplorasi dampak negatif media sosial tradisional dan implikasinya terhadap Web3.0 dari berbagai perspektif, dan mendiskusikannya berdasarkan proyek sebenarnya.

Proyek sosial Web3.0 mengeksplorasi jalur yang berbeda, seperti komunikasi terenkripsi, memperkenalkan teknologi ZK untuk melindungi privasi pengguna, gerakan kedaulatan data yang memisahkan data dan platform, dan sebagainya. Diantaranya, yang paling saya minati, dan yang ingin saya fokuskan dalam artikel ini, adalah grafik sosial. Ada banyak diskusi tentang grafik sosial di Internet. Perspektif arus utama berfokus pada bagaimana grafik sosial memberdayakan pengembang dan meningkatkan pengalaman pengguna, namun tidak banyak diskusi mengenai sosialitas rekayasa grafik sosial. Oleh karena itu, penulis akan menjadikan hal ini sebagai inti artikel ini, menggabungkannya dengan tiga proyek yang sedang berkembang, CyberConnect, Lens dan Farcaster (Warpcast), untuk menganalisis pentingnya keberadaan grafik sosial dan tantangan yang mereka hadapi, dengan harapan dapat memicu beberapa pemikiran di kalangan pembaca.

grafik sosial

Grafik sosial menyatukan hubungan interpersonal di platform sosial. Hubungan paling umum di Internet saat ini adalah "teman" yang saling mengikuti. Kata “teman” di sini tidak lagi sama dengan arti asli teman. Media sosial telah memperluas arti kata “teman”. Interaksi sosial manusia yang paling primitif hanya terbatas pada lingkaran kecil di sekitar kita karena keterbatasan ruang dan waktu geografis. Hubungan yang kita jalin dengan orang-orang di sekitar kita adalah hubungan yang kuat, dan struktur hubungan yang kuat ini sangat erat . Misalnya, ketika kita berkomunikasi dengan teman-teman yang telah bersama kita selama bertahun-tahun, kita tidak memerlukan teman-teman tersebut untuk secara teratur memberi saya topik-topik menarik. Ini lebih merupakan pertukaran informasi antar rekan. Ada perbedaan mendasar antara “teman” yang sudah bertahun-tahun ada di sini dengan “teman” yang tercipta dari media sosial. Hubungan yang disatukan oleh rekomendasi algoritma sangat lemah, sehingga perlu menggunakan “konten” untuk memperkuat hubungan ini. Oleh karena itu, ketika teman-teman yang memiliki ikatan lemah bersosialisasi, komunikasinya bukan tentang komunikasi dan lebih banyak tentang konsumsi konten.

Di Web2.0, pembagian hubungan telah tercermin dalam perangkat lunak sosial utama. WeChat mengakumulasi hubungan yang kuat, sementara media sosial lain seperti Weibo, Douban, dan Momo mengumpulkan hubungan yang lemah. Faktanya, WeChat bukan lagi sebuah platform sosial, tetapi lebih seperti buku alamat. Hal pertama yang dilakukan pengguna setelah menambahkan teman adalah mengobrol, tanpa produksi atau konsumsi konten apa pun. Namun, di software sosial lainnya, orang pasti akan mengunggah avatar, mengisi informasi, memposting beberapa pembaruan, membuat konten, dan kemudian menjalin hubungan dengan orang lain. Tujuan utama melakukan hal ini adalah untuk mengurangi biaya kepercayaan antar manusia. Karena tidak ada seorang pun yang mau bersosialisasi dengan orang asing yang tidak memiliki foto profil dan tidak memiliki update.

Dari ikatan yang kuat hingga ikatan yang lemah, motivasi konsumsi konten secara bertahap melemah. Misalnya, kita menyukai suka sehari-hari yang membosankan yang kita kirim ke teman-teman kita di Momen WeChat, namun hanya sedikit orang yang tertarik dengan pemikiran acak orang asing. Untuk mengatasi ketidakstabilan ikatan yang lemah dan kurangnya motivasi konsumsi, media sosial umumnya mengadopsi dua jalur. Yang pertama adalah mengandalkan konten berkualitas tinggi, dan yang kedua adalah meningkatkan konektivitas yang dibawa oleh algoritma (dibahas dalam bagian ini). bagian selanjutnya). Perkembangan media sosial yang memilih dua jalur berbeda justru bertolak belakang. BBS seperti Tieba, Tianya, Douban, dll. yang mengandalkan konten berkualitas tinggi dan operasi komunitas telah menjadi "air mata zaman". Platform SNS seperti Facebook, Twitter, Instagram, dll. mendominasi daftar peringkat media sosial. YouTube, yang dimulai dengan video komunitas, dengan cepat meremehkan konsep komunitas pada tahap pertengahan dan tahap selanjutnya, menggunakan algoritme dan mekanisme rekomendasi untuk berkembang pesat dan mendapatkan pijakan yang kokoh di media sosial.

Mengapa platform sosial mendapatkan nilai lebih rendah jika mereka semakin mengandalkan konten berkualitas? Pertama-tama, media sosial perlu menggali nilai dari data pengguna. Semakin banyak koneksi yang dihasilkan, semakin besar pula nilai ekonomi yang dapat dihasilkan oleh platform tersebut. Oleh karena itu, budaya komunitas atau lingkaran kecil bukanlah bentuk interaksi sosial yang paling kondusif untuk monetisasi platform. Kedua, semakin tinggi tingkat ketergantungan pengguna pada konten, semakin tinggi pula persyaratan mekanisme penemuan konten pada platform. Di era big data, transmisi konten yang akurat merupakan hal yang sangat mahal. Akibatnya, algoritme cenderung mengarah pada konten viral yang menarik perhatian alih-alih mendorong konten berkualitas. Terakhir, konsumsi konten pada akhirnya akan mengalir ke jaringan hubungan yang kuat. Misalnya, ketika kita melihat konten menarik di Weibo, operasi yang umum adalah membagikannya dengan teman di WeChat dengan satu klik untuk konsumsi konten diproduksi oleh platform yang mengandalkan konten akan hilang dikonsumsi oleh platform lain. Atau teman baru yang Anda temui di Weibo juga akan menambahkan WeChat setelah mengenal mereka, dan menetap di platform jaringan hubungan yang kuat. Oleh karena itu, platform sosial dengan ikatan yang lemah cenderung mengabaikan konten berkualitas tinggi dan pengalaman sosial nyata dari masyarakat.

Jadi apa implikasi fenomena media sosial Web2.0 yang disebutkan di atas terhadap Web3.0? Pertama-tama, ada perbedaan dalam "hubungan pertemanan" dalam skenario yang berbeda. Pembentukan hubungan berakar pada konteks. Kedua, mekanisme distribusi konten, yaitu algoritma, harus diinovasi. Selanjutnya, penulis akan membahas kedua aspek ini dan membandingkan serta memperkenalkan jalur berbeda dari protokol sosial desentralisasi generasi baru dalam dua arah ini.

Grafik sosial berbasis skenario

Seperti disebutkan sebelumnya, grafik sosial berakar pada adegan. Teman orang di Momo dan teman mereka di DingTalk kemungkinan besar tidak memiliki sifat yang sama. Jika grafik sosial di masa depan tidak membedakan skenario untuk semua "koneksi", maka akan sangat sulit untuk memigrasikan jaringan hubungan sosial. Ada banyak contoh yang membuktikan bahwa Tencent ingin mendirikan Tencent Weibo berdasarkan akumulasi pengguna di ruang QQ. Pembaruan yang diposting oleh pengguna di ruang QQ akan secara otomatis disinkronkan ke Tencent Weibo. Namun yang gagal dipertimbangkan oleh Tencent adalah bahwa ruang QQ dipenuhi dengan kenalan dan hubungan sosial. "Sejarah kelam" netizen tidak akan terlalu memalukan jika diperlihatkan kepada keluarga, teman, dan orang-orang akrab lainnya, tetapi jika diposting ke orang asing di Weibo, hal itu dapat digambarkan sebagai "adegan kematian sosial berskala besar". Hasil akhirnya bisa ditebak: Tencent Weibo dikalahkan oleh Sina Weibo.

Oleh karena itu, grafik sosial perlu berbasis skenario. Jika ingin memberdayakan pengembang, tidak cukup hanya menyediakan daftar pantauan dompet. Hal ini memerlukan granularitas data yang lebih kecil dan berisi informasi yang lebih kaya. CyberConnect, Lens, dan Farcaster mengatasi masalah ini dalam dimensi yang berbeda. CyberConnect tidak akan membatasi skenario pada media sosial tradisional, tetapi juga menganut model "sosial +", dengan harapan dapat mengintegrasikan grafik sosial ke dalam aplikasi di berbagai bidang, seperti DeFi, GameFi, Kredit, katering, pembuatan musik, dll. Oleh karena itu, CyberConnect sebagian besar bekerja sama dengan proyek pihak ketiga dibandingkan mengandalkan sepenuhnya pada inkubasi proyek ekologisnya sendiri. Pada saat yang sama, CyberConnect juga membawa aset sosial yang terakumulasi dalam adegan Web2.0 ke Web3.0, menghubungkan dua adegan Web2.0 dan Web3.0 melalui Link 3. Oleh karena itu, dalam hal kedalaman dan keluasan data, CyberConnect memiliki kinerja yang lebih baik di antara ketiganya.

Pendekatan berbasis skenario Lens didasarkan pada konten, karena Lens memodulasi hubungan tindak lanjut dan konten ke dalam NFT dan menyimpannya dalam rantai. Oleh karena itu, hubungan orang-orang tidak terpisah dari konten memposting konten. Mengikuti orang lain. Konten dan hubungan modular memudahkan pembuatan skenario. Dan Lens terutama berfokus pada bidang sosial, dan berbagai proyek ekologi yang dibangun di Lens sebagian besar berkaitan dengan sosial. Karena Farcaster memiliki skenario yang sangat spesifik (aplikasi mirip Twitter), kekayaan dan universalitas grafik sosial yang dihasilkan pada platform ini juga terbatas.

Algoritma berdasarkan grafik sosial

Algoritma adalah komponen terpenting dalam memungkinkan konektivitas, yang merupakan landasan berkembangnya media sosial Web 2.0 dan dapat membantu media sosial memaksimalkan efek jaringan. Algoritma mengubah kita secara diam-diam. Di platform sosial, otonomi pengguna menjadi konsep yang sangat kompleks. Otonomi mencakup aktivitas sadar manusia dan "ketidaksadaran teknologi". Sejauh mana hubungan sosial yang kita ciptakan di platform sosial didasarkan pada aktivitas sadar manusia, dan sejauh mana hubungan tersebut diciptakan secara halus oleh algoritme karena "ketidaksadaran teknis" manusia? Pertanyaan ini sulit dijawab saat ini. Karena media sosial akan mendorong "ketidaksadaran teknis" sebanyak mungkin, mereka pertama-tama akan mendistorsi konsep "berbagi" dan menyamakan "pelanggaran privasi pengguna" dengan "dunia yang terbuka dan transparan", dan kemudian meningkatkan masa tinggal pengguna di platform sosial. melalui serangkaian perilaku berkode. Ia menghabiskan banyak waktu mengumpulkan data pengguna, dan akhirnya memandu pengguna dari jejaring sosial ke aktivitas bisnis sesuai dengan preferensi mereka.

Misalnya, janji Mark Zuckerberg untuk "menjadikan web lebih sosial" dan keinginannya untuk "membuat dunia lebih transparan" secara halus mengaburkan batasan antara Internet terbuka dan privasi pengguna. Netflix sebelumnya merilis film dokumenter berjudul Surveillance Capitalism: The Smart Trap. Film dokumenter ini mengundang para eksekutif dari Google, Facebook, Twitter dan perusahaan lain untuk membongkar kepada penonton serangkaian desain "adiktif" yang dibangun menggunakan teknologi jaringan, termasuk: rekomendasi konten, suka, "mengetik..." dan operasi lainnya. Satu-satunya tujuan di balik rangkaian desain ini adalah untuk meningkatkan waktu pengguna tetap berada di platform dan mengumpulkan sebanyak mungkin perilaku pengguna. Ada norma sosial dan logika budaya serupa di balik perilaku pengguna. Misalnya, algoritme di balik "suka" mengukur keinginan orang terhadap sesuatu atau persetujuan mereka terhadap ide tertentu. Dan keinginan yang terukur ini dapat mendorong tren konsumen yang mendasarinya. Pada saat yang sama, proses promosi konsumsi sangat tidak terlihat. Misalnya, ketika pengguna memasukkan Douyin dari tautan yang dibagikan oleh teman, mengeklik tautan produk di bagian bawah layar, dan membeli produk melalui Alipay, hal itu terjadi. hanya membutuhkan tiga klik untuk mengarahkan perilaku berbagi ke konsumsi.

Dapat dilihat bahwa dampak algoritme terhadap manusia tidak kentara dan sulit diperhatikan oleh pengguna. Karena mendapatkan perhatian adalah prioritas pertama algoritme, tidak masalah apakah konten berkualitas didistribusikan atau tidak. Algoritme mengarahkan lalu lintas ke konten viral dan menarik. Melalui konten terfragmentasi yang menarik ini, pengguna dapat tetap berada di platform selama mungkin, sehingga menarik perhatian (seperti Douyin). Selain itu, rekomendasi yang dipersonalisasi dan penyesuaian algoritma dapat menyebabkan orang jatuh ke dalam "gelembung filter" informasi dan hanya menerima informasi yang konsisten dengan posisi mereka saat ini, kurang rangsangan dan tantangan dari sudut pandang yang berbeda, sehingga menyebabkan bias kognitif, kecemasan informasi, dan konformitas buta. (Efek kepompong informasi). Media sosial di era Web 2.0 menggunakan algoritme untuk mencapai perluasan yang cepat, namun mengabaikan dampak negatif algoritme terhadap manusia.

Di Web3.0, selain rekomendasi konten berekor panjang, algoritme berdasarkan grafik sosial juga harus beragam. Vitalik mengemukakan konsep Plural Intelligence dalam artikel Decentralized Society. Dibandingkan dengan kecerdasan buatan, mekanisme algoritma di bawah kecerdasan ganda memiliki beberapa perbaikan utama. Pertama, pengumpulan data harus berakar pada latar belakang sosial dan bukan berdasarkan karakteristik perilaku pengguna pada platform tertentu. Kedua, pembuat data, yaitu pengguna harus memiliki hak untuk mengatur datanya, yang sampai batas tertentu adalah Perjuangan melawan "ketidaksadaran teknologi". Dengan kata lain, beragam algoritma tidak menjadikan algoritma tersebut lebih cerdas, namun membuat algoritma tersebut lebih manusiawi. Grafik sosial sebenarnya menyediakan landasan bagi algoritma multidimensi. Dengan informasi identitas yang kaya, algoritma dapat melacak berbagai karakteristik dan latar belakang sosial pengguna, daripada menganalisis berdasarkan perilaku tertentu pada suatu platform. Pada saat yang sama, jika pengguna memilih untuk mengungkapkan atau menyembunyikan informasi identitas tertentu atau hubungan interpersonal, model tidak dapat menggunakan titik data ini untuk menyesuaikan algoritme.

Dari sudut pandang algoritmik, sulit untuk menyelesaikan masalah di atas secara mendasar hanya dengan grafik sosial, karena akar masalahnya terletak pada model ekonomi situs jejaring sosial Web2.0, pendapatan iklan, atau pada dasarnya ekonomi perhatian. Oleh karena itu, platform sosial Web3.0 perlu menggunakan token dan media lain untuk mengeksplorasi metode monetisasi yang lebih beragam untuk membalikkan situasi ini secara mendasar. Grafik sosial mungkin dapat memperbaiki situasi ini dengan cara lain. Misalnya, keakuratan dorongan konten ekor panjang dari algoritme dan kontrol pengguna terhadap algoritme.

Mesin algoritma dibangun ke dalam infrastruktur CyberConnect. Karena database berisi informasi tentang perilaku pengguna dalam berbagai aplikasi dan skenario, mesin ini berdimensi lebih tinggi. Misalnya, saat membuat mesin rekomendasi untuk proyek sosial, Anda juga dapat menganalisis kredit pengguna di platform DeFi, kinerja platform game, dll. dalam algoritme, yang sulit dicapai di latar belakang Web2 yang tertutup. 0. Lens Protocol saat ini tidak memiliki desain algoritma, namun juga menyediakan API sehingga pengembang dapat melatih model mereka sendiri melalui database. Warpcast yang diluncurkan oleh Farcaster memiliki mekanisme rekomendasi sebagai produk tertentu, namun mekanisme rekomendasi ini hanya didasarkan pada perilaku pengguna pada produknya sendiri. Oleh karena itu, meskipun Warpcast memiliki antarmuka yang berinteraksi langsung dengan pengguna dan dapat digunakan sebagai titik awal untuk akuisisi pelanggan dan pertumbuhan pengguna, fleksibilitas dan imajinasinya juga terbatas karena bentuk produknya yang terlalu spesifik.