JohnGalt

LLM 的仲夏梦（立秋之前胡扯的） # 媒体技术、全球危机与社群网络的历史时间线 ## 引言 本报告探讨了人类信息技术（如印刷术、电报、电话、无线电、电视、互联网）在全球范围内的扩散、传播特性（单点对话、单点广播、群组广播、交互网络）、每日信息传递总量、人均接受和发送信息量、覆盖人口规模，以及使用小网络模型和邓巴系数估算的社群网络数量，与全球地缘政治危机（如第一次世界大战、第二次世界大战、古巴导弹危机、海湾战争等）在时间轴上的相关性，并分析AI控制的互联网可能带来的趋势。基于2025年7月31日的最新研究和历史记录，我们提供了详细的分析和验证。 ## 传播特性定义 - **单点对话**：点对点、双向但有限的通信（如电报、电话）。 - **单点广播**：单一来源向大众单向传播（如报纸、早期广播）。 - **群组广播**：多来源向大众传播，允许有限交互（如电视、早期社交媒体）。 - **交互网络**：多对多、动态交互的通信网络（如互联网、社交媒体、AI驱动平台）。 ## 信息量与覆盖人口估算方法 - **每日信息传递总量**：以比特为单位估算全球范围内媒体传播的信息量。 - **人均接受/发送信息量**：估算典型地区（以城市人口为主）人均每日接收/发送的信息量。 - **覆盖人口规模**：估算媒体技术覆盖的读者、听众、观众或用户数量，基于历史记录和现代统计。 - **数据来源**：包括历史记录（如《Historical Statistics of the United States》）、现代互联网统计（如[Internet Live Stats](https://www.internetlivestats.com/))和学术研究。 - **邓巴系数**：约150人，代表个体能维持的稳定社会关系上限。 - **小网络模型**：基于小世界网络理论，假设社群通过媒体连接形成更大的网络，媒体出入口（如报纸、广播电台）可视为社群中心。 ## 媒体技术与信息量、覆盖人口、社群网络时间线 以下是媒体技术的发展时间线，包含传播特性、信息量、覆盖人口和社群网络估算： | 年份/时期 | 技术/事件 | 传播特性 | 每日信息传递总量（估算） | 人均接受信息量（估算） | 人均发送信息量（估算） | 覆盖人口规模（估算） | 社群网络数量（估算） | 描述 | |-----------|-----------|----------|--------------------------|-----------------------|-----------------------|----------------------|----------------------|------| | 1440 | 活字印刷机 | 单点广播 | ~10^6 比特 | ~0.01 比特 | ~0 比特 | ~0.1%（~50万，欧洲） | ~3,333（50万/150） | 古腾堡发明，书籍单向传播，覆盖极少数受教育人群。| | 1605 | 首份报纸《Relation》 | 单点广播 | ~10^7 比特 | ~0.1 比特 | ~0 比特 | ~1%（~100万，欧洲城市） | ~6,667（100万/150） | 报纸定期传播新闻，覆盖城市精英。| | 1830年代 | 电报发明 | 单点对话 | ~10^8 比特 | ~1 比特 | ~1 比特 | ~0.01%（~10万，专业用户） | ~667（10万/150） | 点对点通信，用于军事和商业。| | 1876 | 电话发明 | 单点对话 | ~10^9 比特 | ~10 比特 | ~10 比特 | ~0.1%（~100万，城市用户） | ~6,667（100万/150） | 实时语音通信，覆盖城市中产阶级。| | 1895 | 无线电首次传输 | 单点对话 | ~10^8 比特 | ~1 比特 | ~1 比特 | ~0.01%（~10万，军事用户） | ~667（10万/150） | 用于军事通信，覆盖有限。| | 1920年代 | 广播普及 | 单点广播 | ~10^11 比特 | ~100 比特 | ~0 比特 | ~10%（~1200万，美国） | ~80,000（1200万/150） | 广播传播新闻和娱乐，覆盖大众。| | 1950年代 | 电视普及 | 群组广播 | ~10^13 比特 | ~10^3 比特 | ~1 比特 | ~50%（~7500万，美国） | ~500,000（7500万/150） | 视觉和听觉传播，允许有限交互。| | 1990年代 | 互联网与数字媒体 | 交互网络 | ~10^16 比特 | ~10^5 比特 | ~10^3 比特 | ~10%（~2亿，全球） | ~1,333,333（2亿/150） | 在线新闻和数字媒体，支持多对多交互。| | 2000年代 | 社交媒体兴起 | 交互网络 | ~10^18 比特 | ~10^7 比特 | ~10^5 比特 | ~50%（~30亿，全球） | ~20,000,000（30亿/150） | 实时信息传播，覆盖全球网民。| | 2010年代 | AI驱动的互联网 | 交互网络 | ~10^20 比特 | ~10^9 比特 | ~10^7 比特 | ~90%（~60亿，全球） | ~40,000,000（60亿/150） | AI控制内容推荐，个性化信息流主导。| **估算说明**： - **信息量**：早期基于印刷品、电报、电话的传播范围（来源：[History of Information](https://www.historyofinformation.com/))；广播和电视基于每小时比特率（来源：[A Short History of Media and Culture](https://www.loc.gov/))；互联网基于[Internet Live Stats](https://www.internetlivestats.com/)。 - **覆盖人口**：报纸基于发行量和读者倍数（R=5-1.66）；广播和电视基于设备数量和家庭规模；互联网基于用户数量（来源：[Pew Research Center](https://www.pewresearch.org/))。 - **社群网络数量**：基于覆盖人口除以邓巴系数（150），假设每个媒体出入口（如报纸、广播电台）支持一个社群中心，互联网时代社群数量激增。 ## 全球危机的时间线与信息量、覆盖人口 以下是全球危机时间线及其与媒体信息量和覆盖人口的关联： | 年份/时期 | 事件 | 传播特性 | 每日信息传递总量（估算） | 人均接受信息量（估算） | 人均发送信息量（估算） | 覆盖人口规模（估算） | 社群网络数量（估算） | 描述 | |-----------|------|----------|--------------------------|-----------------------|-----------------------|----------------------|----------------------|------| | 1914-1918 | 第一次世界大战 | 单点广播、单点对话 | ~10^10 比特 | ~100 比特 | ~1 比特 | ~68 million（美国读者） | ~453,333（68百万/150） | 报纸宣传战争，电报协调军事行动。| | 1939-1945 | 第二次世界大战 | 单点广播、单点对话、群组广播 | ~10^12 比特 | ~10^3 比特 | ~10 比特 | ~100 million（美国广播听众） | ~666,667（100百万/150） | 广播和报纸主导，电话和无线电用于军事。| | 1962 | 古巴导弹危机 | 群组广播 | ~10^13 比特 | ~10^4 比特 | ~1 比特 | ~150 million（美国电视观众） | ~1,000,000（150百万/150） | 电视实时报道加剧公众紧张情绪。| | 1973 | 石油危机 | 群组广播 | ~10^13 比特 | ~10^4 比特 | ~1 比特 | ~200 million（全球电视观众） | ~1,333,333（200百万/150） | 电视和报纸广泛报道经济影响。| | 1979-1989 | 冷战紧张局势（苏阿战争） | 群组广播 | ~10^14 比特 | ~10^5 比特 | ~10 比特 | ~300 million（全球电视观众） | ~2,000,000（300百万/150） | 电视和广播塑造舆论，报纸提供分析。| | 1990-1991 | 海湾战争 | 群组广播 | ~10^15 比特 | ~10^6 比特 | ~10^2 比特 | ~500 million（全球电视观众） | ~3,333,333（500百万/150） | 现场电视报道（如CNN）实时传播战况。| | 2001 | 9/11袭击及反恐战争 | 交互网络 | ~10^17 比特 | ~10^7 比特 | ~10^4 比特 | ~2 billion（全球互联网用户） | ~13,333,333（20亿/150） | 24小时新闻周期和网络新闻主导。| | 2008 | 全球金融危机 | 交互网络 | ~10^18 比特 | ~10^8 比特 | ~10^5 比特 | ~3 billion（全球互联网用户） | ~20,000,000（30亿/150） | 互联网和社交媒体加速信息传播。| **估算说明**： - **信息量**：基于媒体技术在危机期间的使用情况（来源：[Timeline of the Evolution of Mass Media](https://www.loc.gov/))。 - **覆盖人口**：基于历史记录和现代统计（如[Pew Research Center](https://www.pewresearch.org/))。 - **社群网络数量**：基于覆盖人口除以邓巴系数，反映媒体支持的社群规模。 ## 相关性分析 ### 传播特性与信息量的演进 - **单点对话（电报、电话）**：信息量较低（10^8-10^9比特/日），覆盖专业用户，支持军事协调。 - **单点广播（报纸、广播）**：信息量逐步增加（10^7-10^11比特/日），覆盖数百万至数亿人，塑造公众舆论。 - **群组广播（电视）**：信息量显著提升（10^13-10^15比特/日），覆盖全球数亿人，增强危机感知。 - **交互网络（互联网、社交媒体）**：信息量激增（10^16-10^20比特/日），覆盖数十亿人，支持全球社群。 ### 覆盖人口与社群网络 - **报纸**：1850年覆盖约750万读者（美国人口的32%），支持约2,526个社群（以报纸数量为代理）。 - **广播与电视**：1940-1960年覆盖数亿人，形成大规模共享体验，社群数量以广播电台和电视频道为代理。 - **互联网**：2000年代起覆盖数十亿人，支持数百万在线社群，远超邓巴系数限制。 ### 危机对技术发展的推动 - **第一次世界大战**：促进电报和无线电的军事应用。 - **第二次世界大战**：加速广播和电话技术改进。 - **海湾战争**：推动卫星电视和现场报道技术。 - **9/11与金融危机**：催生社交媒体和实时新闻平台。 ## AI控制的互联网趋势分析 ### AI驱动的传播特性 AI控制的互联网引入高度个性化交互网络： - **个性化信息流**：每日生成约10^20比特，基于用户行为定制内容。 - **自动化内容生成**：每日新增约10^18比特，降低内容生产成本。 - **实时分析**：每日处理10^19比特数据，监测舆论和危机动态。 ### 可能趋势 1. **虚假信息放大**：AI生成深伪内容每日可达10^17比特，可能误导公众（来源：[Brookings - The Geopolitics of Generative AI](https://www.brookings.edu/))。 2. **舆论极化加剧**：AI推荐算法每日推送10^19比特个性化内容，加剧“信息茧房”（来源：[Pew Research - Social Media and Polarization](https://www.pewresearch.org/))。 3. **决策周期加速**：AI每日分析10^19比特数据，支持快速决策（来源：[Nature - AI in Crisis Management](https://www.nature.com/))。 4. **信息操纵风险**：AI生成宣传内容每日约10^18比特，可能影响国际舆论（来源：[Atlantic Council - Unpacking the Geopolitics of Technology](https://www.atlanticcouncil.org/))。 5. **危机应对优化**：AI整合10^20比特数据，预测危机趋势（来源：[AI and Geopolitics](https://www.brookings.edu/))。 ## 因果关系探讨 媒体技术未直接引发危机，但通过信息量增长和覆盖人口扩大放大了危机影响。邓巴系数表明个体直接社会关系受限，但媒体技术通过连接更大社群，显著增加了社群网络数量。AI可能进一步放大效应，同时引入新的风险。 ## 历史背景与影响 - **印刷革命**：每日10^6-10^7比特，奠定单点广播基础。 - **电报与电话**：每日10^8-10^9比特，支持军事协调。 - **广播与电视**：每日10^11-10^15比特，增强危机公众感知。 - **互联网与AI**：每日10^18-10^20比特，支持全球社群网络。 ## 结论 媒体技术的传播特性、信息量、覆盖人口和社群网络数量与全球危机在时间轴上高度相关。AI驱动的互联网可能通过信息操纵加剧危机风险，但也提供优化潜力。未来需加强AI治理以应对地缘政治挑战。 ## 参考文献 - [Historical Statistics of the United States](https://archive.org/details/historicalstatis00unit_1) - [Pew Research Center - State of the News Media](https://www.pewresearch.org/journalism/fact-sheet/newspapers/) - [Internet Live Stats](https://www.internetlivestats.com/) - [Dunbar's Number](https://en.wikipedia.org/wiki/Dunbar%27s_number) - [Brookings - The Geopolitics of Generative AI](https://www.brookings.edu/) - [Nature - AI in Crisis Management](https://www.nature.com/)

北京市“五环外商品住房（含新建商品住房和二手住房）不限套数”，城六区户口居民依旧不得新增摩托车。还需要解释什么？

在游本昌先生宣誓入党当日，中共中央组织部公布了其党员的官方数据： ——截至2024年12月31日，中国共产党党员总数为10027.1万名，——比2023年底净增108.6万名，增幅为1.1%。 ——党员的性别、民族和学历。女党员3099.5万名，占党员总数的30.9%。少数民族党员773.4万名，占7.7%。大专及以上学历党员5778.6万名，占57.6%。 ——党员的年龄。30岁及以下党员1227.2万名，31至35岁党员1076.4万名，36至40岁党员1147.5万名，41至45岁党员968.7万名，46至50岁党员904.1万名，51至55岁党员941.2万名，56至60岁党员864.6万名，61岁及以上党员2897.3万名。 ——党员的入党时间。新中国成立前入党的5.4万名，新中国成立后至党的十一届三中全会前入党的1230.9万名，党的十一届三中全会后至党的十八大前入党的5980.0万名，党的十八大以来入党的2810.8万名。 ——党员的职业。工人（工勤技能人员）663.9万名，农牧渔民2614.4万名，企事业单位、社会组织专业技术人员1639.4万名，企事业单位、社会组织管理人员1156.3万名，党政机关工作人员759.2万名，学生262.2万名，其他职业人员784.9万名，离退休人员2146.9万名。 使用以上数据做基数，游本昌先生在党员中的统计学特征如下： ——性别位于占比 69.1% 区间； ——年龄位于占比 28.89% 区间； ——学历位于占比 42.4% 区间； ——职业位于占比 21.41% 区间； ——入党时间位于占比 28% 区间。 看起来，除了职业、年龄，及入党时间属于“少数派”之外，这位曾经在 14 年前剃度出家的一级演员，只是属于中共党员群体的普通一员。#AWWNKE

Lanlan Yang 事件至今，在“中文网络”用户中，普遍表现的是对其“醉驾致死”行为的漠视。这或者就是“有中国特色的汽车文化”，尤其是在“高华”群体中——如 2023 年的“加拿大四小天王薨”事件——的普遍行为。这与在城市街道驾驶同时，滥用手机——甚至不是用于通话——的普遍文化也是相关的，并且，利好于国有资本大力炒作的“人工智障”经济。看起来，也是 2004 年“保险第一撞”的中期影响。#AWWNKE

江油事件中，迄今依旧避而不谈的关键，就是“童党”的存在。这个社会问题的幽灵，也飘荡在沈阳 Coser 等种种“中文网民武斗事件”的背后。 https://apps.orangenews.hk/app/common/details_html?contentId=1112095

Zhihu 搞出来一个基于机器翻译的英语产品，存档抓取记录可以追溯至 2025 年 3 月 29 日（https://web.archive.org/web/20250529071434/https://en.zhihu.com/）。看起来，他们已经不满足于对 Internet 上的中文内容进行“荒原化”污染，开始向英语部分进行渗透——是否可以视其为“LMs 之战”，是个很有趣的问题。#AWWNKE

今天某网络服务供应商的服务出了问题，在表明我具有 Tor 路由、SD-WAN 资源的情况下，客服依旧回复“先 reboot 设备试试”……降本增效造成的草台班子，全世界都不缺。以及，查了一下 sniffer 的 log，发现问题在于防火墙拦截了其对于 app-analytics-services.com 的数据传输……不少人都应该明白，这是什么意思。

“德成而上，艺成而下”“不恃官感而恃心能”等诸多“中华沉疴”曾经让我憎恶。然而，近年看来，对于东亚乃至世界和平，这样的“老大病夫”却未必不是有益——军人，都来自网民。所以，让他们尽可能沉浸在那种“正能量APP”里，保持迷醉与癫狂吧，一如他们的祖先沉浸在罂粟提取物之中。毕竟，生活确实要苦一苦了。

1769 年在世界史上，是个重要的分水岭：James Watt 通过自己设计的冷凝器，将 Thomas Newcomen 的蒸汽机燃料效率提升了 3 倍；乾隆帝在同年，成为了最后一任巡视领土的中国皇帝。最关键的区别，是为了 Watt 修订的专利法——技术、机构以及价值观，形成了新的制度，让英帝国产生了堪称“意外”的转变。其长期影响之一，就是时至今日在中国大陆被刻意扭曲、隐藏的“数字劳工”问题。不仅要陪“大哥”们驾驶“重机”达到30k公里，同时一人身兼四岗的“电子商务”——这才是“机车网红”这种高风险职业的真相。#AWWNKE

淀粉文明——即进入工业化之前的传统农耕社会——普遍缺乏“效率”概念，这看起来与计时系统的普遍性缺乏相关。在原始东亚文化中，即便是以“年”为单位的原始计时系统，都被迫宗教化，以便被“受命于天”的集权政府进行文化绑架。今天，“淀粉文化”的幽灵，在机动车制造业中依旧附身不散。一个简单的例子，就是将“加挂内燃机发电系统的电驱动系统”描述为“增程”，这显然是对无法解决的充电效率——极其背后的“能量密度”死胡同——进行的文化遮蔽行动，与在发生大规模幼儿食物中毒、城市供水系统生化污染之后，地方政府迅速实施的“捂盖子”行动逻辑一样。#AWWNKE

Jensen Huang 对于中国 AI 的“催化剂”评价，不知是因为缺乏化学常识的无心，还是另有隐喻——热闹半天，依旧原样——至少目前还没有看到中文媒体就此“掀盖头”。#AWWNKE

你想象的数学，与实际上的数学。#AWWNKE

Zhihu 之所以无法实现 Quora 模式，以至被迫转向 Tencent 式的 Super-APP 模式，根本还是在于 China-Intranet 的“文化基因”。“天涯”等 BBS 模式的遗存，甚至被视为“中文网络”的“黄金时代”，不过是“西单墙”的“赛博化”罢了。至于当下的所谓“中文网民”，即便不信任统计局公布的人口数据，用一点基本的社会经验，也应该不难理解“二代农民工—网吧童党”这样的文化群体——最终呈现类似“非洲大区独特的匹配机制”，就是避无可避的问题。很遗憾：工业革命不是依靠“学习雷锋好榜样”完成的。#AWWNKE

10 个词里的“摩托车”：洋泾浜，工业遗孤，正三轮，自行车，军事经济，公私合营，军转民，乡土中国，公共安全，宪政。

金华当地发布的气象预报称“一大波高温即将来袭”，当日的天气预报为：“晴到少云，温度27～39℃”。按照 Baidu 的资料，K1373 次使用的 YZ25G 型，硬座定员是 118 / 112 人。在不低于 30℃、被烤了一天的“焖罐头”内，对于整列若干车厢、每节车厢内的百余群众，进行人体耐高温、缺氧、脱水极限测试长达 200 分钟左右，直至有人晕倒…… 在中国领土内，上一次这么干的，好像还是日本关东军某给水部队？ 更为讽刺的是：按此事件发生前 2 日公布的数据，每节车厢平均应有近 10 名党员。 #AWWNKE

一等良民：前有宿舍失火刷脸过闸机；今见列车脱线破窗被教育

“具体的制度基因包括直接影响人们的社会地位和物质利益的基本制度结构，如基本官僚组织的结构，某些基本的产权安排方式，以及政党、社区组织、行业组织、非政府组织等；也包括影响社会共识的有组织的信仰，如宗教及教会；还包括形成社会共识的，流行的基本观念、文化、信仰和意识形态，如自由、平等、正义、合法性、革命、仇恨、博爱、民族主义、种族、阶级、敌人、皇帝、王室、贵族、个人主义、集体主义等”——读到这段，醍醐灌顶：用社会学，论证了《说中国无科学之原因》。#AWWNKE

查到一份关于不同语言的价值观差异研究论文预印本：https://arxiv.org/html/2404.07900v3#S1 考虑到关于语言在数学认知发展方面的差异研究结论，就似乎能解释很多问题了。

近日把《制度基因》读到了关于儒教形成的章节，醍醐灌顶。中文网民们关于《蓝气球和甜月亮》争议的问题，也就豁然开朗了——略有些基本生活常识的都知道：“雾蒙蒙的天空”“树林“”羊群“”低矮的房屋”并不属于“西北戈壁独特的自然景象和生活环境”，在内蒙、华北地区，甚至北疆等地区，这样的景象并不罕见。至于中国教育局对此的回答，也很符合“义务教育”制度的 ROI 原则，即我公开谈过的“薪水小偷暴论”。

没有知识存在的荒原（A wilderness where no knowledge exists） 堪称目前简体中文内联网的精准概括。#AWWNKE