鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

社交媒体的黄金时代,结束了

编程导航
编程导航
2025-10-08 12:30
阅读 220
编程导航
2025-10-08 12:30
阅读 220

社交媒体曾经是我们日常生活的一部分,人们在上面分享生活,追踪朋友的动态,吃瓜追热点,仿佛只要滑动屏幕就能与全世界同频。

但如今,越来越多的人觉得它累人又空洞:一刷就是几个小时,刷来刷去都是高 P 照片、无处不在的软广、批量制造的 AI 内容……越刷越疲惫和焦虑。

这不是巧合,而是平台设计和科技变化的结果。

Noema 杂志的文章《社交媒体的最后日子》直指核心:AI 和算法已经把传统的「注意力经济」推到极限,结果不是更好的社交,而是平台的瓦解。

用户们正在逃离巨型平台,转向更小、更私密的数字空间,回归到人与人之间的连接。Reddit 上市两年市值暴涨 485%,Discord 成为新的社群平台,就是最好的证明。

这一切是怎么发生的?「混小圈」为什么会成为未来社交的主流?

01

算法把平台玩坏了

「注意力经济」并不复杂:社交媒体公司靠抓住你的注意力赚钱。算法根据你的停留时间、点赞、分享来决定推送什么。你看得越多,它们卖广告就越多。

起初这像是一场双赢。你看到朋友的精彩分享,留下评论和赞,平台获得广告收益,大家都挺开心。可 AI 的介入改写了规则。

根据 artsmart 的统计数据,2025 年,80% 的内容推荐算法由 AI 驱动,71% 的图片是 AI 生成的。社交平台已经 AI 化了。

每日生产 3400 万张 AI 图|图源:福布斯

外网也不例外,此前我们曾报道过的《他们正在用 AI,疯狂给互联网「下毒」》正是这种现象极端化的体现:AI 生成,十秒左右的精神污染风格的视频,在社交媒体上对算法进行「暴力破解」。

用 AI 生成的惊悚内容去「暴力破解」算法,以骗取流量|图源:Instagram

这些人用更便宜、更快的 AI 内容,不断试探流量机制,把算法「砸晕」,总有一条能爆火。

结果就是,你的首页我的首页,都离不开 AI。AI 文案、AI 配图、AI 视频、AI 主播、AI 宠物甚至 AI 萌宠拍的短剧都在爆火……

这些推荐算法也并不是中立的。它们的唯一目标是让你停不下来。短视频平台是典型,一刷就是几小时。结果,用户的大脑被榨干,出现「注意力疲惫」。

近期在 Facebook 上爆火的 AI 生成图「耶稣虾子」|图源:Facebook

2025 年的调查显示,超过 60% 的年轻人觉得社交媒体让生活更焦虑,而不是更快乐。一项调查显示,超过 60% 的年轻人觉得社交媒体让生活更焦虑,而不是更快乐(practicaltheory.org)。

同时,随着 AI 生成内容愈发拟真,用户的分辨能力也在下降。

在去年「海伦妮」飓风席卷美国南部时,一张 AI 生成照片同时席卷了社交媒体。许多美国政客都亲自转发推文,传播量过百万。

去年斯坦福互联网实验室也在测试中发现,他们用 AI 生成的图像总共获得了数亿次曝光,而且标题越极端,AI 图片越能夺人眼球,浏览量也会越高。

这就是注意力经济的阴暗面:

当注意力能换钱时,信息真伪已不再重要。

中老年人是被 AI 图「欺骗」的重度受害者|图源:X

正如 Noema 文章作者 James Sullivan 所说:「当代社交媒体的内容是无根的,没有上下文,没有文化、没有真正的对话,就像一坨语义泥浆,看起来像说了什么,但实际上什么都没说。」

社交媒体的危机不是因为缺少内容,而是因为 AI 带来的内容过载,以及过载导致的信任崩塌。

Instagram 的互动率过去一年跌了 24%,X(前 Twitter)用户持续流失。美国成年人中,只有不到一半认为社交媒体信息可靠,比 2010 年代中期少了三分之一。

今年内容行业爆火的新赛道:AI 萌宠短剧|图源:抖音

许多用户打开社交媒体后,就进入了「下滑-点击」的机械式的回路,大家都不是在真正连接别人,而是在半梦半醒里滑动屏幕。这种放不下手机,又边刷边走神的状态,作者称之为「环境性解离」。

创作者也同样疲惫,他们得和 24 小时无休、没有灵感瓶颈的 AI 竞争,还要想尽办法制造更能抢占注意力的内容。

算法推荐机制结合 AI 的低成本生产内容,把平台内容塞爆了,把用户看累了,把优质创作者挤走了,所以每个人都在说:社交媒体活人感越来越少了。

但瓦解不是终点,而是转折。

社交媒体的下一个阶段,是从大平台逃离,开始拥抱小圈子。

因为「算法推荐」+「AI 批量制造内容」+「情绪化传播」三板斧下来,让人们的注意力变得廉价同时又极度稀缺。

大广场里刷不完的内容,无法满足一个人「被理解」的需求时,人们要么搬进更小的圈子、要么把情绪寄托给可控的服务。

就像从大牌连锁店的预制菜,转向你楼下现炒的街边小店,或是聘请一个烧菜阿姨:规模小,但东西更真,更合你口味。

现实中,这已经在发生。

02

大平台,小圈子

过去一年,比黄金更值得投资的是 Reddit 的股票。

2024 年 3 月,在我们报道 Reddit 上市文章时,Reddit 股票是约 50 美元一股,一年半后,Reddit 股价翻了五倍,超过了 250 美元/一股(截稿时已达 266.66 美元/股),市值接近 500 亿美元。

上市一年半,Reddit 股价翻 5 倍|图源:Google

Reddit 和 X(前身 Twitter)、Facebook 一样是老派社交媒体,今年已满 20 岁。但为什么只有 Reddit 焕发了第二春呢?

因为 Reddit 是小圈子的典范:Reddit 的子版块让用户围绕兴趣聚集,每个版块都有版主人工管理,内容规则清晰,不依赖算法喂食。这让它在 AI 垃圾横行的时代显得干净,也更有人情味。

社交媒体正在从一个大广场分裂成很多小房间。Reddit 就是把房间分割的最好,打扫最干净的一家。在投资者眼中,Reddit 就是「社区模式」的价值回归。

另一个小圈子化做得很好的是 Discord。Discord 是一个社群化的 App,它不依赖任何推荐、匹配算法,所有的频道都由用户自己建立、管理。2025 年,Discord 用户数破 5 亿,许多用户都是从 Facebook 群迁移过去的「难民」。

把群组功能做到极致的 Discord|图源:Discord

付费邮件分发平台 Substack 也火了,创作者可以直接单向和订阅者发邮件,避开平台的算法和 AI 内容,小量忠实受众的长期价值也开始被重估。

从追求十亿级用户,到经营高质量小群体,社交的价值正在变化。小圈子减少噪音,让人们感到被真正「看见」,也不必担心暴露在大众面前引来网暴。

在各类话题冲突和对立日益严重的当下,小圈子就像一个自嗨式的乌托邦,虽然是回音室,但让人更安心,也更真实,用户能在其中做自己,也能懂别人,这才是一种网络社交的真·连接。

这种趋势被《福布斯》杂志称之为「亲密经济」:用户的注意力已经涣散了,人们开始渴望被理解、被回应,情绪价值本身成了产品。

近年来许多陪伴型 AI 聊天机器人的爆火,就是一种「亲密经济」,大家的表达欲还在,只是从发朋友圈、发微博,转向了对 AI 倾诉。

在亲密经济中,情绪真的就是一种价值,提供情绪价值也变成了一种服务。

用大白话来说,大家上网不想再给自己添堵了,甚至无暇去关注「大广场」上的骂战,只想躲回自己的小房间。

行业分析与社媒监测显示 Instagram 等平台的平均互动率在 2024–2025 年出现明显下行|图源:socialinsider

于是,社交的重心开始悄然转移。越来越多的人选择走进小型、封闭的数字房间:Discord 的私密服务器、Telegram 的加密群组、Signal 的邀请制社群都在快速增长。

与庞大的公共平台不同,这些社区的边界不由 AI 和算法控制,而是由用户自发决定:谁可以加入、谁能看到什么内容、不可以说什么话……

明确规则结合人工管理,让 bot、垃圾内容、噪音、圈外人的评判都被隔绝到了圈子之外,成员间对彼此的期待也更明确,互动更真实。

Noema 文章还提出另一种值得关注的趋势:

未来的社交媒体可能会「更慢、更斟酌」,不再以「即时」作为唯一价值。

平台设计者也在尝试让用户慢慢思考后表达,比如 Signal App 加入了「发帖延迟」功能:写完文案,得等几分钟才能发,减少冲动发言,让人有时间思考而不是情绪化输出。

与此同时,算法的角色也需要重新定义。下一代社交产品很可能会把选择权交还给用户:你可以决定信息流的来源、筛选推荐的方式,甚至一键关闭所有 AI 内容。

这种「更慢、更小、更可控、更亲密」的趋势,既是当下社交媒体的一种转向。

未来的网络社交,不是更热闹,而是更安静,它可能只存在于不过百人的群组,也可能只存在于你和一个 AI 聊天的对话框。

原文链接: 社交媒体的黄金时代,结束了
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手