O surto de COVID-19 em 2019 isolou o mundo originalmente conectado. As pessoas reduziram as viagens desnecessárias e optaram por trabalhar em casa. A pandemia da COVID-19 parece ser um teste público à conectividade social, no qual a necessidade e o valor da ligação entre as pessoas são reavaliados. As pessoas estão gradualmente percebendo que reuniões em bares, assistir filmes, KTV e outras atividades que se tornaram uma parte importante da vida não precisam existir. A conectividade da Internet compensa o isolamento do espaço físico, e plataformas sociais como o WeChat tornaram-se o principal veículo para as pessoas se conectarem e se divertirem. #原创 #香港web3嘉年华 #crypto2023
Com o vigoroso desenvolvimento de big data e algoritmos, a interação social online tornou-se cada vez mais o produto da integração de humanos e máquinas. Plataformas sociais como WeChat e Weibo não apenas fornecem às pessoas um lugar na nuvem para socializar, mas também moldam os estilos sociais e hábitos de pensamento das pessoas e até mesmo redefinem a amizade entre as pessoas. Este artigo chama a reação das mídias sociais sobre as pessoas de engenharia da sociabilidade das mídias sociais. A sociabilidade de engenharia das mídias sociais trouxe muitos impactos negativos, como o impacto negativo e a formação incorreta do pensamento humano, da cognição e do comportamento pelas mídias sociais, etc. Nos últimos anos, tem havido uma discussão crescente sobre o impacto negativo das plataformas Web 2.0, e muitas regiões e países tomaram medidas para restringir as redes sociais, como a recente proposta dos EUA para proibir o Tiktok. Olhando para trás, para a Web 3.0, a maioria das discussões sobre redes sociais ainda estão limitadas à resistência à censura, propriedade, economia criadora e outras questões comuns que não conseguem repercutir no público. Portanto, o autor deseja explorar o impacto negativo das mídias sociais tradicionais e suas implicações para a Web3.0 a partir de diferentes perspectivas, e discuti-lo com base em projetos reais.
Os projetos sociais da Web3.0 estão explorando diferentes caminhos, como a comunicação criptografada, a introdução da tecnologia ZK para proteger a privacidade do usuário, o movimento de soberania de dados que separa dados e plataformas, e assim por diante. Dentre eles, o que mais me interessa, e que quero focar neste artigo, é o gráfico social. Tem havido muitas discussões sobre gráficos sociais na Internet. A perspectiva dominante concentra-se em como os gráficos sociais capacitam os desenvolvedores e melhoram a experiência do usuário, mas não há muita discussão sobre a sociabilidade da engenharia dos gráficos sociais. Portanto, o autor tomará isso como centro deste artigo, combinando-o com três projetos atualmente em desenvolvimento, CyberConnect, Lens e Farcaster (Warpcast), para analisar o significado da existência de gráficos sociais e os desafios que enfrentam, na esperança de desencadear algumas reflexões entre os leitores.
gráfico social
O gráfico social reúne as relações interpessoais nas plataformas sociais. O relacionamento mais comum na Internet hoje é o de “amigos” que se seguem. O “amigo” aqui não é mais o mesmo que o significado original de amigo. As redes sociais ampliaram o significado da palavra “amigo”. A interação social mais primitiva do ser humano está limitada a um pequeno círculo ao nosso redor devido às limitações geográficas de tempo e espaço. A relação que estabelecemos com as pessoas que nos rodeiam é uma relação forte, e a estrutura dessa relação forte é muito estreita. . Por exemplo, quando nos comunicamos com amigos que estão conosco há muitos anos, não precisamos que eles me forneçam regularmente tópicos interessantes. É mais uma troca de informações entre pares. Existe uma diferença fundamental entre os “amigos” que estão aqui há muitos anos e os “amigos” criados pelas redes sociais. A relação reunida pelas recomendações do algoritmo é muito fraca, por isso é necessário utilizar “conteúdo” para fortalecer essa relação. Portanto, quando amigos com laços fracos se socializam, a comunicação tem menos a ver com comunicação e mais com consumo de conteúdo.
Na Web2.0, a divisão de relacionamentos se refletiu nos principais softwares sociais. O WeChat acumula relacionamentos fortes, enquanto outras mídias sociais como Weibo, Douban e Momo acumulam relacionamentos fracos. Na verdade, o WeChat não é mais uma plataforma social, mas sim uma agenda de endereços. A primeira coisa que um usuário faz após adicionar amigos é bater um papo, sem qualquer produção ou consumo de conteúdo. No entanto, em outros softwares sociais, as pessoas certamente farão upload de avatares, preencherão informações, postarão algumas atualizações, criarão conteúdo e então estabelecerão conexões com outras pessoas. O principal objetivo de fazer isso é reduzir o custo da confiança entre as pessoas. Porque ninguém gostaria de socializar com um estranho que não tem foto de perfil nem atualizações.
De laços fortes a laços fracos, a motivação para o consumo de conteúdo enfraquece gradualmente. Por exemplo, gostamos das curtidas diárias chatas que enviamos aos nossos amigos no WeChat Moments, mas poucas pessoas estão interessadas nos pensamentos aleatórios de estranhos. Para compensar a instabilidade dos laços fracos e a falta de motivação para o consumo, as redes sociais geralmente adotam dois caminhos. O primeiro é contar com conteúdo de alta qualidade e o segundo é melhorar a conectividade trazida pelos algoritmos (discutido no. próxima seção). O desenvolvimento das redes sociais, que escolheu dois caminhos diferentes, é completamente oposto. BBSs como Tieba, Tianya, Douban, etc. que dependem de conteúdo de alta qualidade e operações comunitárias tornaram-se "lágrimas dos tempos". Plataformas SNS como Facebook, Twitter, Instagram, etc. dominam a lista de classificação das mídias sociais. O YouTube, que começou com vídeos comunitários, rapidamente minimizou o conceito de comunidade nas fases intermédias e posteriores, utilizando algoritmos e mecanismos de recomendação para se expandir rapidamente e ganhar uma posição firme nas redes sociais.
Por que as plataformas sociais ganham menos valor quanto mais dependem de conteúdo de qualidade? Em primeiro lugar, as redes sociais precisam de extrair valor dos dados dos utilizadores. Quanto mais ligações as pessoas geram, mais valor económico a plataforma pode gerar. Portanto, a cultura comunitária ou de pequeno círculo não é a forma mais propícia de interação social para a monetização da plataforma. Em segundo lugar, quanto maior for o grau de confiança dos utilizadores no conteúdo, maiores serão os requisitos para o mecanismo de descoberta de conteúdos da plataforma. Na era do big data, a transmissão precisa de conteúdo é extremamente cara. Como resultado, o algoritmo se direciona para conteúdo viral atraente, em vez de promover conteúdo de qualidade. Finalmente, o consumo de conteúdo acabará fluindo para redes de relacionamento fortes. Por exemplo, quando vemos um conteúdo interessante no Weibo, a operação comum é compartilhá-lo com amigos no WeChat com um clique para o consumo de conteúdo. produzido por plataformas que dependem de conteúdo será perdido em outras plataformas. Ou novos amigos que você encontrar no Weibo também adicionarão o WeChat depois de se familiarizarem com eles e se estabelecerão em uma forte plataforma de rede de relacionamento. Portanto, as plataformas sociais com laços fracos tendem a ignorar conteúdos de alta qualidade e as experiências sociais reais das pessoas.
Então, quais implicações o fenômeno da mídia social Web2.0 mencionado acima tem para a Web3.0? Em primeiro lugar, existem diferenças nas “relações de amizade” em diferentes cenários. A formação de relacionamento está enraizada no contexto. Em segundo lugar, o mecanismo de distribuição de conteúdo, ou seja, o algoritmo, deveria ser inovado. A seguir, o autor discutirá esses dois aspectos e comparará e apresentará os diferentes caminhos da nova geração de protocolos sociais descentralizados nessas duas direções.
Gráfico social baseado em cenário
Como mencionado anteriormente, os gráficos sociais estão enraizados em cenas. Os amigos das pessoas no Momo e os amigos deles no DingTalk provavelmente não são da mesma natureza. Se o futuro gráfico social não diferenciar cenários para todas as “conexões”, será extremamente difícil migrar a rede de relacionamento social. Existem muitos exemplos que provam que a Tencent queria estabelecer o Tencent Weibo com base nos usuários acumulados no espaço QQ. As atualizações postadas pelos usuários no espaço QQ serão sincronizadas automaticamente com o Tencent Weibo. Mas o que a Tencent não considerou é que o espaço QQ está repleto de conhecidos e relações sociais. A "história sombria" dos internautas não seria muito embaraçosa se fosse mostrada a familiares, amigos e outras pessoas conhecidas, mas se fosse postada para estranhos no Weibo, poderia ser descrita como uma "grande cena de morte social". O resultado final é previsível: o Tencent Weibo foi derrotado pelo Sina Weibo.
Portanto, o gráfico social precisa ser baseado em cenários. Se você deseja capacitar os desenvolvedores, não basta apenas fornecer uma lista de observação da carteira. Isso exige que os dados sejam menores em granularidade e contenham informações mais ricas. CyberConnect, Lens e Farcaster abordam esse problema em diferentes dimensões. O CyberConnect não limitará o cenário às redes sociais tradicionais, mas também abraçará o modelo “social +”, esperando integrar o gráfico social em aplicações em diversas áreas, como DeFi, GameFi, Crédito, catering, criação musical, etc. Portanto, a CyberConnect coopera principalmente com projetos de terceiros, em vez de depender inteiramente da sua própria incubação de projetos ecológicos. Ao mesmo tempo, o CyberConnect também traz os ativos sociais acumulados no cenário Web2.0 para o Web3.0, conectando os dois cenários Web2.0 e Web3.0 por meio do Link 3. Portanto, em termos de profundidade e amplitude de dados, o CyberConnect tem o melhor desempenho entre os três.
A abordagem baseada em cenário do Lens é baseada no conteúdo, porque o Lens modulariza os relacionamentos e o conteúdo em NFTs e os armazena na cadeia. Portanto, os relacionamentos das pessoas não são separados do conteúdo. postou conteúdo. Conteúdo e relacionamentos modulares facilitam a criação de cenários. E o Lens concentra-se principalmente no campo social, e os vários projetos ecológicos construídos no Lens são principalmente de natureza social. Como o Farcaster possui um cenário muito específico (aplicativo semelhante ao Twitter), a riqueza e a universalidade do gráfico social gerado nesta plataforma também são limitadas. O autor acredita que este é um grande problema no ecossistema Farcaster.
Algoritmos baseados em gráficos sociais
Os algoritmos são o componente mais importante para permitir a conectividade, que é a pedra angular do florescimento das mídias sociais da Web 2.0 e pode ajudar as mídias sociais a maximizar os efeitos de rede. Os algoritmos nos mudam silenciosamente. Nas plataformas sociais, a autonomia do usuário torna-se um conceito extremamente complexo. A autonomia abrange tanto a atividade humana consciente quanto o “inconsciente tecnológico”. Até que ponto as relações sociais que criamos nas plataformas sociais são baseadas em atividades humanas conscientes, e até que ponto as ligações são criadas subtilmente por algoritmos devido à “inconsciência técnica” das pessoas? Esta questão é difícil de responder hoje. Como as mídias sociais encorajarão ao máximo a "inconsciência técnica", elas primeiro distorcerão o conceito de "compartilhamento" e equipararão "violação da privacidade do usuário" a "um mundo aberto e transparente" e, em seguida, aumentarão a permanência dos usuários nas plataformas sociais através de uma série de comportamentos codificados, gasta muito tempo coletando dados do usuário e, finalmente, orienta os usuários das redes sociais para as atividades de negócios de acordo com suas preferências.
Por exemplo, a promessa de Mark Zuckerberg de “tornar a web mais social” e o seu desejo autoproclamado de “tornar o mundo mais transparente” confundem subtilmente as fronteiras entre uma Internet aberta e a privacidade do utilizador. A Netflix lançou anteriormente um documentário chamado Surveillance Capitalism: The Smart Trap. O documentário convida executivos do Google, Facebook, Twitter e outras empresas a desmontar para o público uma série de designs “viciantes” construídos com tecnologia de rede, incluindo: recomendações de conteúdo, curtidas, “digitação...” e outras operações. O único propósito por trás desta série de designs é aumentar o tempo que os usuários permanecem na plataforma e coletar o máximo possível do comportamento do usuário. Existem normas sociais e lógicas culturais semelhantes por trás do comportamento do usuário. Por exemplo, o algoritmo por trás de “curtir” mede o desejo das pessoas por algo ou sua concordância com certas ideias. E este desejo quantificado pode impulsionar tendências subjacentes de consumo. Ao mesmo tempo, o processo de promoção do consumo é muito invisível. Por exemplo, quando um usuário entra no Douyin a partir de um link compartilhado por um amigo, clica no link do produto na parte inferior da tela e compra o produto através do Alipay, ele. são necessários apenas três cliques para direcionar o comportamento de compartilhamento ao consumo.
Pode-se observar que o impacto dos algoritmos nas pessoas é sutil e difícil de ser percebido pelos usuários. Como ganhar atenção é a primeira prioridade do algoritmo, não importa se conteúdo de qualidade é distribuído. Os algoritmos direcionam o tráfego para conteúdo viral e atraente. Através desses conteúdos fragmentados atraentes, os usuários podem permanecer na plataforma o maior tempo possível, atraindo assim a atenção (como Douyin). Além disso, recomendações personalizadas e personalização de algoritmos podem fazer com que as pessoas caiam em “bolhas de filtro” de informação e recebam apenas informações consistentes com as suas posições existentes, sem o estímulo e o desafio de diferentes pontos de vista, levando assim a preconceitos cognitivos, ansiedade de informação, e conformidade cega (efeito casulo de informação). As mídias sociais na era da Web 2.0 usam algoritmos para alcançar uma rápida expansão, mas ignoram o impacto negativo dos algoritmos nas pessoas.
Na Web3.0, além da recomendação de conteúdo de cauda longa, os algoritmos baseados em gráficos sociais devem ser diversos. Vitalik propôs o conceito de Inteligência Plural no artigo Sociedade Descentralizada. Comparado com a inteligência artificial, o mecanismo de algoritmo sob inteligência múltipla apresenta várias melhorias principais. Em primeiro lugar, a recolha de dados deve estar enraizada no contexto social e não com base nas características comportamentais dos utilizadores numa determinada plataforma, em segundo lugar, os criadores de dados, ou seja, os utilizadores devem manter o direito de controlar os seus dados, o que até certo ponto; é A luta contra a “inconsciência tecnológica”. Em outras palavras, diversos algoritmos não tornam o algoritmo mais inteligente, mas tornam o algoritmo mais humano. Na verdade, o gráfico social fornece a base para algoritmos multidimensionais. Com informações de identidade ricas, o algoritmo pode rastrear várias características e origens sociais dos usuários, em vez de analisar com base em comportamentos específicos em uma plataforma. Ao mesmo tempo, se o usuário optar por divulgar ou ocultar certas informações de identidade ou relacionamentos interpessoais, o modelo não poderá usar esses pontos de dados para personalizar o algoritmo.
Do ponto de vista algorítmico, é difícil resolver fundamentalmente os problemas acima apenas com o gráfico social, porque a raiz do problema está no modelo econômico dos sites de redes sociais Web2.0, nas receitas de publicidade ou, essencialmente, na economia da atenção. Portanto, as plataformas sociais Web3.0 precisam usar tokens e outras mídias para explorar métodos de monetização mais diversos para reverter fundamentalmente esta situação. O gráfico social pode melhorar esta situação de outras maneiras. Por exemplo, a precisão do envio de conteúdo de cauda longa do algoritmo e o controle do usuário sobre o algoritmo.
Os mecanismos de algoritmo são integrados à infraestrutura do CyberConnect. Como o banco de dados contém informações sobre o comportamento dos usuários em diferentes aplicações e cenários, esse mecanismo tem dimensões superiores. Por exemplo, ao construir um mecanismo de recomendação para um projeto social, você também pode analisar o crédito do usuário na plataforma DeFi, o desempenho da plataforma de jogo, etc. no algoritmo, o que é difícil de conseguir no fundo fechado da Web2. 0. Atualmente, o Lens Protocol não possui design de algoritmo, mas também fornece uma API para que os desenvolvedores possam treinar seus próprios modelos por meio do banco de dados. O Warpcast lançado pela Farcaster possui um mecanismo de recomendação como um produto específico, mas esse mecanismo de recomendação é baseado apenas no comportamento do usuário em seu próprio produto. Portanto, embora o Warpcast tenha uma interface que interage diretamente com os usuários e pode ser usada como ponto de partida para aquisição de clientes e crescimento de usuários, sua flexibilidade e imaginação também são limitadas devido à sua forma de produto muito específica.