Wybuch epidemii Covid-19 w 2019 r. odizolował pierwotnie połączony świat, a ludzie ograniczyli niepotrzebne podróże i zdecydowali się pracować z domu. Pandemia Covid-19 wydaje się być publicznym testem łączności społecznej, w którym na nowo ocenia się konieczność i wartość więzi między ludźmi. Ludzie stopniowo zdają sobie sprawę, że spotkania w barze, oglądanie filmów, KTV i inne zajęcia, które stały się ważną częścią życia, nie muszą istnieć. Łączność internetowa rekompensuje izolację przestrzeni fizycznej, a platformy społecznościowe, takie jak WeChat, stały się głównym narzędziem umożliwiającym ludziom łączenie się i rozrywkę. #原创 #香港web3嘉年华 #crypto2023

Wraz z dynamicznym rozwojem dużych zbiorów danych i algorytmów, interakcje społeczne online w coraz większym stopniu stają się produktem integracji ludzi i maszyn. Platformy społecznościowe, takie jak WeChat i Weibo, nie tylko zapewniają ludziom miejsce w chmurze do utrzymywania kontaktów towarzyskich, ale także kształtują ludzkie style społeczne, nawyki myślenia, a nawet na nowo definiują przyjaźń między ludźmi. W tym artykule reakcję mediów społecznościowych na ludzi nazywa się społecznościowością inżynieryjną mediów społecznościowych. Inżynierska społeczność mediów społecznościowych przyniosła wiele negatywnych skutków, takich jak negatywny wpływ i nieprawidłowe kształtowanie ludzkiego myślenia, poznania i zachowań przez media społecznościowe itp. W ostatnich latach coraz częściej mówi się o negatywnym wpływie platform Web 2.0, a wiele regionów i krajów podjęło działania mające na celu ograniczenie mediów społecznościowych, takie jak niedawna propozycja Stanów Zjednoczonych zakazująca Tiktok. Patrząc wstecz na Web 3.0, większość dyskusji w sieciach społecznościowych nadal ogranicza się do oporu przed cenzurą, własności, ekonomii twórców i innych powszechnych kwestii, które nie mogą przemówić do opinii publicznej. Dlatego autor chce zbadać negatywny wpływ tradycyjnych mediów społecznościowych i jego implikacje dla Web3.0 z różnych perspektyw i omówić go w oparciu o rzeczywiste projekty.

Projekty społecznościowe Web3.0 badają różne ścieżki, takie jak szyfrowana komunikacja, wprowadzenie technologii ZK w celu ochrony prywatności użytkowników, ruch na rzecz suwerenności danych, który oddziela dane od platform i tak dalej. Wśród nich najbardziej interesuje mnie i na czym chcę się skupić w tym artykule, jest wykres społecznościowy. W Internecie odbyło się wiele dyskusji na temat grafów społecznościowych. Perspektywa głównego nurtu koncentruje się na tym, jak wykresy społecznościowe wzmacniają pozycję programistów i poprawiają doświadczenia użytkowników, ale nie ma zbyt wielu dyskusji na temat społecznościowości inżynieryjnej grafów społecznościowych. Dlatego autor potraktuje to jako sedno swojego artykułu, połączy go z trzema obecnie rozwijanymi projektami: CyberConnect, Lens i Farcaster (Warpcast), aby przeanalizować znaczenie istnienia grafów społecznościowych i stojących przed nimi wyzwań, mając nadzieję na wywołanie pewne przemyślenia wśród czytelników.

wykres społeczny

Wykres społecznościowy przedstawia relacje międzyludzkie na platformach społecznościowych. Najczęściej spotykaną relacją w Internecie są obecnie „przyjaciele”, którzy się wzajemnie śledzą. „Przyjaciel” nie jest już tym samym, co pierwotne znaczenie słowa „przyjaciel”. Media społecznościowe rozszerzyły znaczenie słowa „przyjaciel”. Najbardziej prymitywne interakcje społeczne ludzi ograniczają się do małego kręgu wokół nas ze względu na ograniczenia czasu i przestrzeni geograficznej. Relacja, którą nawiązujemy z otaczającymi nas ludźmi, jest silną relacją, a struktura tej silnej relacji jest bardzo napięta . Na przykład, gdy komunikujemy się ze znajomymi, którzy są z nami od wielu lat, nie potrzebujemy, aby znajomi regularnie dostarczali mi interesujących tematów. Jest to raczej wymiana informacji typu peer-to-peer. Istnieje zasadnicza różnica pomiędzy „przyjaciółmi”, którzy są tu od wielu lat, a „przyjaciółmi” stworzonymi przez media społecznościowe. Relacja łączona przez rekomendacje algorytmów jest bardzo słaba, dlatego konieczne jest użycie „treści” w celu wzmocnienia tej relacji. Dlatego też, gdy spotykają się przyjaciele o słabych relacjach, komunikacja w mniejszym stopniu opiera się na komunikacji, a bardziej na konsumpcji treści.

W Web 2.0 podział relacji znalazł odzwierciedlenie w głównych programach społecznościowych. WeChat buduje silne relacje, podczas gdy inne media społecznościowe, takie jak Weibo, Douban i Momo, tworzą słabe relacje. W rzeczywistości WeChat nie jest już platformą społecznościową, ale bardziej książką adresową. Pierwszą rzeczą, jaką użytkownik robi po dodaniu znajomych, jest rozmowa, bez tworzenia i konsumpcji treści. Jednak w przypadku innych programów społecznościowych ludzie z pewnością przesyłają awatary, wypełniają informacje, publikują kilka aktualizacji, tworzą treści, a następnie nawiązują kontakty z innymi ludźmi. Głównym celem takiego działania jest zmniejszenie kosztów zaufania między ludźmi. Ponieważ nikt nie chciałby utrzymywać kontaktów towarzyskich z nieznajomym, który nie ma zdjęcia profilowego i żadnych aktualizacji.

Od silnych po słabe więzi, motywacja do konsumpcji treści stopniowo słabnie. Na przykład lubimy nudne, codzienne polubienia, które wysyłamy naszym znajomym w WeChat Moments, ale niewiele osób interesuje się przypadkowymi myślami nieznajomych. Aby zrekompensować niestabilność słabych powiązań i brak motywacji konsumpcyjnej, media społecznościowe zasadniczo obierają dwie ścieżki. Pierwsza polega na opieraniu się na treściach wysokiej jakości, a druga na ulepszaniu łączności zapewnianej przez algorytmy (omówione w artykule). następna część). Rozwój mediów społecznościowych, które wybrały dwie różne ścieżki, jest zupełnie odwrotny. BBS-y takie jak Tieba, Tianya, Douban itp., które opierają się na wysokiej jakości treściach i działaniach społeczności, stały się „łzami czasu”. Na listach rankingowych mediów społecznościowych dominują platformy SNS, takie jak Facebook, Twitter, Instagram itp. YouTube, który zaczynał od filmów społecznościowych, szybko bagatelizował koncepcję społeczności na środkowym i późniejszym etapie, korzystając z algorytmów i mechanizmów rekomendacji, aby szybko się rozwijać i zdobywać silną pozycję w mediach społecznościowych.

Dlaczego platformy społecznościowe zyskują mniejszą wartość, im bardziej polegają na wysokiej jakości treściach? Po pierwsze, media społecznościowe muszą czerpać wartość z danych użytkowników. Im więcej połączeń wygenerują ludzie, tym większą wartość ekonomiczną może wygenerować platforma. Dlatego kultura społeczności lub małego kręgu nie jest najbardziej sprzyjającą formą interakcji społecznych w zakresie monetyzacji platformy. Po drugie, im większy stopień polegania użytkowników na treściach, tym wyższe wymagania wobec mechanizmu odkrywania treści platformy. W dobie big data dokładne przesyłanie treści jest sprawą niezwykle kosztowną. W rezultacie algorytm kieruje się w stronę wirusowych, przyciągających wzrok treści, zamiast promować treści wysokiej jakości. Wreszcie, konsumpcja treści ostatecznie przeniesie się do sieci o silnych relacjach. Na przykład, gdy zobaczymy interesującą treść na Weibo, typową operacją jest udostępnienie jej znajomym na WeChat za pomocą jednego kliknięcia, co w rezultacie wpłynie na wartość wyprodukowane przez platformy opierające się na treściach zostaną utracone na innych platformach. Lub nowi znajomi, których spotkasz na Weibo, również dodadzą WeChat po zapoznaniu się z nimi i zadomowią się w platformie sieci silnych relacji. Dlatego platformy społecznościowe o słabych powiązaniach zwykle ignorują treści wysokiej jakości i prawdziwe doświadczenia społeczne ludzi.

Jakie zatem implikacje ma wspomniane powyżej zjawisko mediów społecznościowych Web 2.0 dla Web 3.0? Po pierwsze, istnieją różnice w „relacjach przyjacielskich” w różnych scenariuszach. Tworzenie relacji jest zakorzenione w kontekście. Po drugie, unowocześnieniu powinien ulec mechanizm dystrybucji treści, czyli algorytm. Następnie autor omówi te dwa aspekty oraz porówna i przedstawi różne ścieżki nowej generacji zdecentralizowanych protokołów społecznościowych w tych dwóch kierunkach.

Wykres społecznościowy oparty na scenariuszach

Jak wspomniano wcześniej, wykresy społecznościowe opierają się na scenach. Znajomi ludzi na Momo i ich znajomi na DingTalk najprawdopodobniej nie są tego samego charakteru. Jeśli przyszły graf społecznościowy nie wyróżni scenariuszy dla wszystkich „połączeń”, migracja sieci relacji społecznych będzie niezwykle trudna. Przykładów świadczących o tym, że Tencent chciał stworzyć Tencent Weibo w oparciu o użytkowników zgromadzonych w przestrzeni QQ, jest wiele. Aktualizacje publikowane przez użytkowników w przestrzeni QQ będą automatycznie synchronizowane z Tencent Weibo. Ale Tencent nie wziął pod uwagę tego, że przestrzeń QQ jest wypełniona znajomymi i relacjami społecznymi. „Mroczna historia” internautów nie byłaby zbyt krępująca, gdyby pokazano ją rodzinie, przyjaciołom i innym znajomym osobom, ale gdyby została opublikowana nieznajomym na Weibo, można by ją opisać jako „scenę śmierci społecznej na dużą skalę”. Końcowy wynik jest przewidywalny: Tencent Weibo został pokonany przez Sinę Weibo.

Dlatego wykres społecznościowy musi być oparty na scenariuszach. Jeśli chcesz wzmocnić pozycję programistów, nie wystarczy po prostu udostępnić listę obserwowanych portfeli. Wymaga to, aby dane były mniej szczegółowe i zawierały bogatsze informacje. CyberConnect, Lens i Farcaster rozwiązują ten problem w różnych wymiarach. CyberConnect nie ograniczy scenariusza do tradycyjnych mediów społecznościowych, ale uwzględnia także model „społecznościowy +”, mając nadzieję na integrację grafu społecznościowego z aplikacjami z różnych dziedzin, takich jak DeFi, GameFi, Kredyt, catering, tworzenie muzyki itp. czekaj. Dlatego CyberConnect w większości współpracuje z projektami zewnętrznymi, zamiast całkowicie polegać na własnym inkubatorze projektów ekologicznych. Jednocześnie CyberConnect przenosi także zasoby społecznościowe zgromadzone na scenie Web 2.0 do Web 3.0, łącząc dwie sceny Web 2.0 i Web 3.0 poprzez Link 3. Dlatego pod względem głębokości i szerokości danych CyberConnect jest lepszym rozwiązaniem spośród tych trzech.

Podejście Lens oparte na scenariuszach opiera się na treści, ponieważ Lens modułuje obserwowane relacje i treść w postaci NFT i przechowuje je w łańcuchu. Dlatego relacje między ludźmi nie są oddzielane od treści. Można wywnioskować, w jakiej scenie znajduje się dana osoba opublikowane treści. Obserwowano inną osobę. Modułowa treść i relacje ułatwiają tworzenie scenariuszy. Lens koncentruje się głównie na obszarze społecznym, a różne projekty ekologiczne tworzone na jego podstawie mają głównie charakter społeczny. Ponieważ Farcaster ma bardzo specyficzny scenariusz (aplikacja przypominająca Twittera), bogactwo i uniwersalność generowanych na tej platformie grafów społecznościowych również jest ograniczone. Autor uważa, że ​​jest to duży problem w ekosystemie Farcaster.

Algorytmy oparte na grafach społecznościowych

Algorytmy są najważniejszym elementem umożliwiającym łączność, która jest kamieniem węgielnym rozkwitu mediów społecznościowych Web 2.0 i może pomóc mediom społecznościowym zmaksymalizować efekty sieciowe. Algorytmy zmieniają nas po cichu. Na platformach społecznościowych autonomia użytkownika staje się niezwykle złożoną koncepcją. Autonomia obejmuje zarówno świadome działanie człowieka, jak i „nieświadomość technologiczną”. W jakim stopniu relacje społeczne, które tworzymy na platformach społecznościowych, opierają się na świadomych działaniach człowieka, a na ile powiązania tworzone są w sposób subtelny przez algorytmy z powodu „technicznej nieświadomości” ludzi? Na to pytanie trudno dziś odpowiedzieć. Ponieważ media społecznościowe będą maksymalnie sprzyjać „nieświadomości technicznej”, najpierw wypaczą pojęcie „udostępniania” i utożsamiają „naruszanie prywatności użytkowników” z „otwartym i przejrzystym światem”, a następnie zwiększą pobyt użytkowników na platformach społecznościowych poprzez serię zakodowanych zachowań, spędza dużo czasu na zbieraniu danych użytkownika i ostatecznie prowadzi użytkowników z sieci społecznościowych do działań biznesowych zgodnie z ich preferencjami.

Na przykład obietnica Marka Zuckerberga, że ​​„uczyni sieć bardziej uspołecznioną” i jego samozwańcze pragnienie „uczynienia świata bardziej przejrzystym”, subtelnie zacierają granice między otwartym Internetem a prywatnością użytkowników. Netflix wypuścił wcześniej film dokumentalny zatytułowany Surveillance Capitalism: The Smart Trap. Dokument zachęca menedżerów Google, Facebooka, Twittera i innych firm do udostępnienia widzom serii „uzależniających” projektów zbudowanych przy użyciu technologii sieciowej, obejmujących: rekomendacje treści, polubienia, „pisanie…” i inne operacje. Jedynym celem tej serii projektów jest wydłużenie czasu przebywania użytkowników na platformie i zebranie jak największej liczby zachowań użytkowników. Za zachowaniami użytkowników stoją podobne normy społeczne i logika kulturowa. Na przykład algorytm odpowiadający za „polubienia” mierzy pragnienie ludzi lub ich zgodność z określonymi pomysłami. To wymierne pragnienie może wpływać na podstawowe trendy konsumenckie. Jednocześnie proces promowania konsumpcji jest bardzo niewidoczny. Przykładowo, gdy użytkownik wejdzie do Douyin z linku udostępnionego przez znajomego, kliknie link do produktu na dole ekranu i dokona zakupu produktu za pośrednictwem Alipay. wystarczą trzy kliknięcia, aby skierować zachowanie związane z udostępnianiem na konsumpcję.

Można zauważyć, że wpływ algorytmów na ludzi jest subtelny i trudny do zauważenia przez użytkowników. Ponieważ przyciągnięcie uwagi jest najważniejszym priorytetem algorytmu, nie ma znaczenia, czy rozpowszechniane są treści wysokiej jakości. Algorytmy kierują ruch w stronę wirusowych, przyciągających wzrok treści. Dzięki tym przyciągającym wzrok fragmentarycznym treściom użytkownicy mogą pozostać na platformie tak długo, jak to możliwe, przyciągając w ten sposób uwagę (np. Douyin). Ponadto spersonalizowane rekomendacje i dostosowywanie algorytmów mogą powodować, że ludzie wpadną w informacyjne „bańki filtrujące” i otrzymają jedynie informacje zgodne z ich obecnym stanowiskiem, pozbawione stymulacji i wyzwania wynikającego z różnych punktów widzenia, co może prowadzić do błędów poznawczych, lęku informacyjnego, i ślepy konformizm (efekt kokonu informacyjnego). Media społecznościowe w epoce Web 2.0 wykorzystują algorytmy w celu osiągnięcia szybkiego rozwoju, ignorując jednak negatywny wpływ algorytmów na ludzi.

W Web 3.0, oprócz rekomendacji treści typu long tail, algorytmy bazujące na wykresach społecznościowych powinny być zróżnicowane. Vitalik zaproponował koncepcję inteligencji wielorakiej w artykule Społeczeństwo zdecentralizowane W porównaniu ze sztuczną inteligencją mechanizm algorytmu w ramach inteligencji wielorakiej ma kilka głównych ulepszeń. Po pierwsze, zbieranie danych powinno być zakorzenione w tle społecznym, a nie opierać się na cechach behawioralnych użytkowników danej platformy, po drugie, twórcy danych, czyli użytkownicy powinni zachować prawo do dysponowania swoimi danymi, i to w pewnym zakresie jest Walka z „nieświadomością technologiczną”. Innymi słowy, różnorodne algorytmy nie czynią go bardziej inteligentnym, ale czynią go bardziej ludzkim. Wykres społecznościowy w rzeczywistości stanowi podstawę dla algorytmów wielowymiarowych. Dzięki bogatym informacjom o tożsamości algorytm może śledzić różne cechy i pochodzenie społeczne użytkowników, zamiast analizować na podstawie konkretnych zachowań na platformie. Jednocześnie, jeśli użytkownik zdecyduje się ujawnić lub ukryć pewne informacje dotyczące tożsamości lub relacji międzyludzkich, model nie będzie mógł wykorzystać tych punktów danych do dostosowania algorytmu.

Z algorytmicznego punktu widzenia trudno jest zasadniczo rozwiązać powyższe problemy za pomocą samego wykresu społecznościowego, ponieważ źródło problemu leży w modelu ekonomicznym serwisów społecznościowych Web 2.0, przychodach z reklam lub zasadniczo w ekonomii uwagi. Dlatego platformy społecznościowe Web3.0 muszą wykorzystywać tokeny i inne media w celu zbadania bardziej zróżnicowanych metod monetyzacji, aby zasadniczo odwrócić tę sytuację. Wykres społeczny może poprawić tę sytuację w inny sposób. Na przykład dokładność wypychania treści algorytmu z długim ogonem i kontrola użytkownika nad algorytmem.

Silniki algorytmiczne są wbudowane w infrastrukturę CyberConnect. Ponieważ baza danych zawiera informacje o zachowaniach użytkowników w różnych aplikacjach i scenariuszach, silnik ten jest wielowymiarowy. Przykładowo budując silnik rekomendacji dla projektu społecznościowego, można w algorytmie przeanalizować także zdolność użytkownika na platformie DeFi, wydajność platformy gier itp., co jest trudne do osiągnięcia w zamkniętym tle Web2. 0. Lens Protocol nie ma obecnie projektu algorytmu, ale udostępnia także interfejs API, dzięki któremu programiści mogą trenować własne modele za pośrednictwem bazy danych. Warpcast uruchomiony przez Farcaster posiada mechanizm rekomendacji dla konkretnego produktu, ale ten mechanizm rekomendacji opiera się wyłącznie na zachowaniu użytkowników na własnym produkcie. Dlatego też, chociaż Warpcast posiada interfejs, który bezpośrednio wchodzi w interakcję z użytkownikami i może służyć jako punkt wyjścia do pozyskiwania klientów i rozwoju użytkowników, jego elastyczność i wyobraźnia są również ograniczone ze względu na zbyt specyficzną formę produktu.