
一周后,我们即将迎来2021年春节。
由于疫情的反复,加上返乡政策的围追堵截,对很多人而言,今年的春节,就地过年已成必然。没有春运的春节,对于多数国人来说,今年是第一年;但对于春节年味越来越淡的讨论,已经持续了很多年。
或许你早已觉得,童年的春节,和长大后的春节,似乎是完全不同的两种节日。
年味淡的核心,即春节作为特定节日的「仪式感」正在逐渐消失。
春节若没有仪式,也就没有年味了。
关于「仪式感」的重要性,法国童书《小王子》里有一段浪漫的描述。
故事的主人公是小王子和他驯养的狐狸,对话发生在小王子去看望狐狸。
第二天,小王子又来了。
:“最好还是在原来的那个时间点来。”“你下午四点钟来, 那么从三点钟起,我就开始感到幸福。时间越临近,我就越感到幸福。到了四点,我就会坐立不安,我就会发现幸福的代价。但是,如果你随便什么时候来,我就不知道在什么时候该准备好我的心情……所以应当有一定的仪式。”
“仪式是什么?”小王子问道。
小狐狸说,“它就是使某一天与其他日子不同,使某一时刻与其他时刻不同。”
。
但作为中国最重要的传统节日,春节中特有的仪式,在现代都市中,基本已经消失殆尽,而这和疫情完全无关。
由于中国地大物博,有巨大的地域文化差异,春节的传统习俗也各不相同。不过可以大致列举如下:
买年货、扫尘、贴对联、吃年夜饭、守岁、拜岁、拜年、舞龙舞狮、拜神祭祖、祈福攘灾、放鞭炮、放烟花、游神、押舟、庙会、游锣鼓、游标旗、上灯酒、赏花灯等。
不夸张的说,对于城市居民,特别是北上广深等特大都市来说,以上习俗中,除了买年货、扫尘、贴对联、吃年夜饭、守岁这几种春节仪式得以保留之外,其他内容一概欠缺。
特别值得注意的是,这前几种仪式都是以「家庭」为单位的,而后面这些仪式是以「城市」为单位的。这些城市层级的仪式缺乏,意味着或许在家里还能感觉到过春节,但推门出去,城市就和平时没有任何两样了。如此这般,年味何存?
中国传统习俗当然也并未完全消失殆尽,在乡村镇一级,我们依然能看到一些传统仪式还在进行。
随着中国南北经济差距、城乡就业差异,和区域教育资源失衡的逐渐扩大,二元结构之下,属于经济末端的乡村镇,其承载的传统文化仪式,无法影响占经济总量更大的城市。
对传统中国而言,春节有三重仪式。第一重仪式是「计时」,这是新一年的开端;第二是「祈愿」,对于农耕社会,春节是农业生产的酝酿和开端;第三是「团聚」,缺乏通讯方式,身在不同之处的亲朋,此时会默契的回乡团聚。
但是对现代中国而言,这三重仪式的前两重意境不存在。阴历春节的计时,被自然财年的阳历替代;农耕社会让位工业生产,风调雨顺的祈愿不再被很多人理解,最后只剩下一个「团聚」仪式幸存。
“春运”之下的“团聚”,也就成了现代春节仅存的仪式,而如果连春运都没有,那么仅存的一点年味也就消失了。
如同我们开始所说,没年味的讨论,不是从今年开始的。城市中春节活动的消失,更不是从今年开始的。
但是人不是机器,如同小王子中的小狐狸,我们归根到底是需要一些仪式感的,这也是我们年年都在骂春晚难看,但是依然要打开尘封的电视机,把它作为BGM的原因。
其实传统习俗,并非不能和现代社会相融。西方的洋节圣诞节,自从公元336年就由罗马教会定义并推动了,到今天依然有强大的生命力。甚至在纽约曼哈顿的唐人街,春节期间还有市民组织的舞狮。
如果我们仅只研究城墙范围以内的永久性建筑物, 我们就没有涉及到城市的本质问题。
城市是经济活动的中心,但是城市并不是一座大工厂,一座城市应该能够承载人类超乎生存意义以上的精神需求。
传统意义上的春节正在消失,也没有迹象,有人在努力重新发现和定义它的新价值,除了电商在提醒我们赶快买买买。或许再过30年,我们就只能在孩子们的“大语文课外班”上回味中国春节民俗了。
作者 | 高飞
编辑 | 晚晚
配图 | Ken19991210
来源 | 奇客故事(cybergushi)
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。