
社交媒体带来了新的选举共享平台,但同时也挖掘出每个人心底最消极的一面。
图:2016年之后,《连线》发表了关于“FOMO”的最新文章——随着互联网的兴起,人们误以为自己会错过要闻,但真正的问题其实是如何从垃圾中找寻真正有价值的内容。在2020年,这个问题已经变得更加严重。
2020年,人们已经厌倦了电视节目那种缓慢而单调的感受。电视一直在说个不停,但根本不会听取我们的意见。与之对应,互联网方面却是一片繁荣。
就在本轮美国总统大选期间,Twitter要闻、Facebook帖子以及“TikTok们”短视频一直在轮番轰炸。TikTok上的人们正呼朋唤友与反对派一战;Twitter上的人们拍下空空如也的店铺冰柜,加剧了人们对于未来生活的担忧。但请注意,这一切都跟实际选举结果没有半毛钱关系——人们只是在以狂欢的心态宣泄自己的情绪。本轮大选已经不再是美国境内又一个普通的夜晚;这一天,整个国家都接入了网络,像是在进行一场没有硝烟、但却同样激烈的战争。
其实对大选的关注本身并不稀奇。除了里根总统那一届算是真正爆了个冷门,过去二十年来,整个美国的走势都基本可以算按部就班。即使是在特朗普赢得总统之后,情况也没有根本性的变化。2016年刚刚上任时,人们还习惯于跟家人和朋友一起观看选举结果,有些人甚至跑到酒吧里去凑热闹。但这时候大选与网络的关联,仅仅局限于人们拿手机发条推文,或者在Instagram上发一张“我投了票”的照片。
而今年,伴随着COVID-19疫情的流行,总统选举迎来了前所未有的新形态。出于防疫考虑,再加上畏惧某些极端政见者那一点就着的激动情绪,人们不再扎堆关注选举。网络,似乎成了人们结伴观看选举过程的最佳场所。
但这又构成了一种新的危机。在观看选举结果统计的过程中,抱持任何政治背景的人们都会陷入一种生死攸关的情绪,感觉国家的未来就在自己的注视之下。去年夏季,我与密歇根大学信息学院的Nicole Ellison进行交流时,她谈到,社交媒体特别擅长传播少量信息,但不适合提供任何详尽的叙述,因此往往会给用户营造压力与焦虑感。她补充道,“结合当前事实,很多人根本不出去工作,但却喜欢在键盘上大谈集体意识与国家存亡。结果就是,网络上的情绪很多,但真正有价值的资源却相当有限。”
当时,我和Ellison讨论的主要是“美国人在新冠病毒威胁论”与“黑人的命也是命”运动,但同样的结论似乎也适用于总统大选。每个人都在寻求故事的结局,一片喧嚣中则显露出某种信号。上周,乔·拜登与特朗普之间的竞选结果最终落在几个关键州身上,迫使官方不得不进一步核算投票百分比。虽然此前专家们已经反复提醒,双方的情况比较胶着,很难在当天之内明确谁在选举中胜出。但这并没有阻止特朗普在凌晨2点的新闻发布会上宣称:“我们将赢得胜利。就我而言,我们已经赢了。”好吧,在整个计票过程中,很多人都感受到了强烈的情绪冲突,于是大家恐慌、刷新、然后转发一大堆自己根本不懂的内容。
几周以来,一直在社交媒体人士提醒人们放下手机。但对于大选夜这样关键的时刻,对于任何想知道其他美国人在干什么的民众来说,手机已经成了他们的精神“奶嘴”,放下是不可能放下的。
也正因为如此,很多开始发布反潮流内容。比如有人在当天午后发出了“镇定的小狗”图片。夜幕降临时,开始出现号称“能推翻民调结果的推文”,有人发布宁静详和的风景照片。就连《纽约时报》这类传统的严肃媒体,也发布了一段可爱小兔子的视频外加一个“数字压力球”页面。感觉自己压力很大的朋友可以去点一点。
自2016年大选以来,备受争议的“美国焦虑症(被《连线》杂志认定为新的社交恐惧倾向)”令人们总是害怕自己错过要闻。而事实证明,人们误以为自己会错过要闻,但真正的问题其实是,如何从垃圾中找寻真正有价值的内容。
民众希望获取更多信息,而一旦现有信息中存在缺失,他们就会大开脑洞、做出种种或靠谱或离谱的解读。
到2020年,问题变得更为严重。在疫情流行期间,社交媒体甚至成为支持某些群体度过独自一人、与世隔绝生活的根本动力。但即使如此,社交媒体仍然不足以建立起真正的统一社群。
互联网与网络媒体一直在急于给出本应充分讨论才能得出的结论。有时候如果放慢脚步,反而能更快达到目的地。互联网时代,请诸君再多想想。
好文章,需要你的鼓励
RGPO用"临时脚手架"破解大模型强化学习的奖励稀疏难题:先让模型独立解题,失败则分段放出标准解法引导重写,仅采纳经验证更优的答案。难题测试准确率从0跃至99.5%,语言模型平均分高出最强基线5.0分。
论文提出用MoE模型的路由器输出作为跨语言对齐目标,通过持续预训练对翻译句对施加路由KL散度损失,在不改变分词和架构的前提下让隐藏表示更接近,并在四个开源MoE模型、七种语言上验证了下游任务性能的一致提升。
DiffGate提出难度门控的教师指导机制,让验证器决定何时需要教师介入,仅对失败且困难的轨迹提供有界教师指导,结合GRPO强化学习,在数学与代码任务上显著提升解题覆盖率与跨领域迁移能力。
研究者用固定不变的16位二进制编码替代传统可训练词嵌入表,在17亿参数规模模型上训练1000亿token,证明模型仍可获得实质语言能力,揭示输入表并非必需,但性能略逊于可学习方案。