网络上的共识为什么很容易看起来像知识？

《一个人怎样形成自己的世界》· 第二季“他人、对话与共同知识”· 第十一篇

打开一个话题，前十条内容表达相近立场；高赞评论彼此确认；一张截图写着“大家终于都明白了”。几分钟以后，一个人很容易形成两项判断：多数人确实这样认为，而且多数人的一致说明这件事大概已经确定。

但他真正观察到的，只是平台在这个时刻向这个账户展示了什么。

网络共识之所以像知识，不只是因为人会从众。更重要的是，数字平台把“有多少人相信”“哪些内容被看见”“哪些表达得到互动”压在同一组界面信号里。点赞、排名、转发和重复出现同时表示可见度、群体认可和算法判断，用户很难知道自己面对的是社会分布，还是分发系统制造的表面。

看见多数，不等于多数存在

判断“大家都这样想”至少需要知道总体是谁、样本怎样出现、沉默者在哪里。社交平台通常不提供这些条件。

关注关系不是随机抽样。人会关注相似兴趣和立场的人，活跃用户又比沉默用户产生更多内容。平台根据过去行为选择用户更可能停留和互动的信息。最后，个人看到的是一个经过自我选择、关系网络和推荐机制多次筛选的样本。

网络结构本身还会制造“多数幻觉”。Lerman、Yan 与 Wu 研究不同网络时表明，即使某种特征在总体中并不占多数，由于连接分布不均，它也可能在许多人的邻居中显得普遍。关于网络“多数幻觉”的开放研究使用了合成和真实网络来分析这种可能。它不是说每次网上多数都是假的，而是说明局部可见比例可以系统性偏离总体比例。

有影响力的账户连接更多人，其行为会出现在更多人的局部环境中。一个相对小的活跃群体如果处于网络中心，可能让大量用户各自感觉“我周围的人都这样”。每个人的观察都是真实的，关于整体的推断却可能共同错误。

点赞既记录评价，也改变评价

如果评分只是汇总彼此独立的判断，数字越大通常可以提供更多信息。可是网络评分会反过来影响后来者。

Muchnik、Aral 与 Taylor 在一个大型在线社区进行了随机实验，对评论的初始评价作出轻微操纵，再观察后续用户行为。他们发现先前评分会因果性地影响后续评分，并出现不对称的群聚效应。《Social Influence Bias: A Randomized Experiment》说明，最终显示的数字不只是许多独立意见的总和，也包含早期数字对后来判断的作用。

这使共识信号产生循环：内容因为早期优势更容易被看见，因为被看见而获得更多互动，更多互动又使它获得进一步展示。最终高赞可能同时反映内容质量、发布时间、初始偶然、账户位置和平台机制。

因此，不能从“很多人赞同”直接推出“很多人在独立审查证据后得出相同结论”。真正有认识价值的共识，依赖一定程度的判断独立性。若一万人都重复同一条未经核查的消息，数量不会自动变成一万份证据。

重复会使熟悉感伪装成确认

在信息流中，同一主张可能由新闻标题、转发评论、短视频讲解和AI摘要反复出现。每次表达略有不同，看起来像多个来源；追溯后却可能都来自同一篇报道或同一项研究。

这种“来源重复”与“内容重复”很难凭阅读感觉区分。人看见多个账户说同一件事，会把社会重复理解为相互印证。平台又很少把来源谱系显示出来：谁首先报道，谁只是转述，哪些账户互相引用。

这正是横向阅读有价值的地方。专业事实核查员不会只在当前页面判断其外观，而会离开页面，查看来源身份、其他报道和原始材料。关于横向阅读的研究提示我们，对网络共识也要横向检查：看似十个来源，究竟有几条独立证据？

熟悉感并非毫无价值。一个主张在不同背景和独立观察中反复出现，可能构成真实支持。问题在于界面只显示重复，不显示独立性。

共识何时真的值得信任

不能因为网络会制造表面共识，就走向“共识一概不可信”。在科学、医学和专业实践中，多位相关专家经过不同研究、公开批评和复核后形成的共识，是普通人非常重要的二阶证据。

有认识价值的共识通常具有几项结构条件：参与者与问题相关；判断不是完全复制同一来源；方法和证据可以被检查；反对意见有表达空间；结论能够随新证据修正；共识范围被准确说明。

网络热度很少自动满足这些条件。它告诉我们某种表达正在获得可见性和响应，却未必告诉我们相关专家怎样判断，更不告诉我们总体人口怎样分布。

同样，少数意见也不会因为少数而自动更真实。“大家都被骗了，只有我看见真相”是一种同样容易利用身份心理的叙事。多数需要结构检查，少数也需要证据。认识判断不能只在从众与反从众之间摇摆。

AI会把网络可见性压缩成“普遍认为”

向生成式AI问一个争议问题，它常用“普遍认为”“许多专家指出”“主流观点是”组织回答。这些表达有时准确，有时只是对训练材料或检索结果中常见表述的压缩。

模型接触到的文本并不等于人口意见样本。能被数字化、发表、搜索和收录的内容，本来就经过选择；高可见资料又更容易出现在后续文本中。AI若不显示来源集合和选择过程，用户很难判断所谓“普遍”是专业共识、媒体常用说法、英语互联网的优势视角，还是系统为了生成平衡回答而使用的语气。

因此，遇到AI概括共识时，应继续追问：这里的群体是谁？有没有调查或正式共识文件？相关专家与公众意见是否不同？分歧比例如何？资料截至何时？系统引用的来源是否彼此独立？

AI最有用的做法不是替我们宣告共识，而是帮助绘制意见结构：核心共同点、主要分歧、证据来源、适用范围和仍未解决的问题。若无法提供这些信息，“普遍认为”应被视为待核实表述。

把共识从感觉还原成可检查主张

面对“网上都这么说”，可以把它改写成几个具体问题：

• “网上”指哪个平台、语言和时间段？
• “大家”是所有用户、活跃发言者、我关注的人，还是被推荐给我的账户？
• 可见数字衡量人数、互动次数还是排序结果？
• 不同表达是否来自独立来源？
• 没有发言的人怎样被计入？
• 这个共识说明事实、价值，还是群体身份？

这些问题不会让普通人获得完整总体数据，却能阻止界面感觉过早升级为知识。

网络共识首先是一项关于信息环境的事实：在某种分发结构中，这种说法显得突出。只有在知道样本、独立性、相关专业和形成过程以后，它才可能进一步成为关于世界的证据。

一个人的世界必然受共同意见影响。没有社会反馈，我们很难校准哪些问题值得注意，也不能利用他人已经完成的检查。但如果平台负责选择我们所见的“他人”，就必须在心理上保留一段距离：可见的周围不是整个社会，重复的表达不是独立证据，受欢迎也不是事实属性。

真正值得依赖的共识不是没有分歧的画面，而是一套容许分歧进入、能够显示证据来源、并在错误出现后改变自己的过程。网络最容易给我们的是画面；知识生活要做的，是继续寻找过程。

主要资料

• The “Majority Illusion” in Social Networks
• Social Influence Bias: A Randomized Experiment
• Lateral Reading: Reading Less and Learning More When Evaluating Digital Information
• Shared Reality: Experiencing Commonality with Others' Inner States About the World

继续阅读：浏览《一个人怎样形成自己的世界》系列文章