社会为什么总在劝你合群？因为“我们”是最便宜的组织方式

人类特别喜欢说“我们”。我们班。我们学校。我们公司。我们家乡。我们这个行业。我们这一代人。我们国家。这个词听起来特别自然。但仔细想一下，其实有点神奇。

两个完全不认识的人，只因为出生在同一个地方，就会突然觉得：

“自己人。”

两个平时互相看不顺眼的同学，出了学校以后碰到别校的人，可能立刻站到同一边。

甚至两个平时在班里都懒得说话的人，一到运动会：

“八班加油！”

突然喊得比谁都大声。

一个标签，几秒钟就能把陌生人组织起来。

为什么？

因为建立“我们”，可能是人类社会最低成本的组织技术之一。

你不需要先调查每个人的三观。不需要逐个签订合作协议。甚至不需要大家真的互相喜欢。只需要先给所有人一个共同名字。然后，一个群体就出现了。但这里还有一个问题。

便宜的东西，通常不是真的免费。

很多时候。

只是别人替你买了单。

“我们”很便宜

最稳定的“我们”，往往来自那些不太容易改变的东西。

出生地。语言。学校。家庭。国家。

这些标签有一个共同特点：

非常容易识别。

而且很多不是你今天想换，明天就能换。

这对组织特别重要。

因为假如一个群体每天第一件事，都是重新确认：

“你今天还认不认同我们？”

那这个组织基本也不用干别的了。

光确认成员身份，成本就已经爆炸。

但如果大家共享一个相对稳定的标签，事情就简单多了。

同乡为什么天然有话题？

校友为什么更容易搭上第一句话？

为什么八百年没见的两个人，一听口音一样，距离感就突然掉下去一点？

因为共同身份提前帮你筛过一轮。

你甚至不需要先证明：

我们价值观一样。先有共同身份。再慢慢建立关系。从系统角度看，这效率非常高。

它相当于给两个陌生节点之间，先塞了一个默认信任值。

不一定很高。

但至少不是零。

而人类真正厉害的地方，还不只是会组熟人小圈子。

更厉害的是：

我们可以和完全不认识的人组成“我们”。

你不认识全校几千名学生。

但校队比赛的时候，你还是可能说：

“我们学校今天打得不错。”

一家几万人的公司，你可能一辈子都见不到其中 99% 的员工。

但一句“我们公司”，已经把所有人暂时装进了同一个身份里。

从组织角度看。

这种能力简直开挂。

人类会相信共同故事

这件事还有另一层。人类不只是会给群体起名字。我们还特别擅长共同承认一些东西。

钱为什么能花？

不是因为那张纸本身有多值钱。

而是因为大家都认。

公司为什么换了一批员工、换了 CEO、甚至搬了办公楼以后，还叫原来的公司？

因为名字、合同、规则、品牌和组织关系仍然被大家承认。

一个学校为什么能让几千个互不认识的人说：

“我们学校。”

也是一样。

人类最离谱的能力之一，可能就是：

让大量互相不认识的人，对同一个名字产生真实情绪。

你不用认识另外几万人。

只需要知道：

他跟我属于同一个“我们”。

原本需要一对一建立的信任、情绪和协作关系，就可以被这个共同身份压缩。

从这个角度看。

所谓共同体，本来就是一种大规模降低协作成本的技术。

标签也是搜索器

但共同身份还有一个经常被忽略的功能。

它不只是组织人。

它还帮我们：

找人。

世界上人太多了。

你不可能认识几十亿个人以后，再慢慢判断：

谁适合当朋友？

谁适合合作？

谁跟我有共同语言？

根本算不过来。于是人天然会使用标签。校友。同乡。同行。同专业。同好。同一个游戏的玩家。同一支球队的球迷。都喜欢二次元。

这些东西真正有用的地方，不是它们证明：

“我们本质上一样。”

而是：

它们能把一个完全随机的陌生人，从几十亿个节点里先筛出来。

“你也做 AI？”

“你也是这个学校的？”

“你也看这个番？”

一句话。

一个随机节点突然变成：

“可能聊得来的人。”

王虹和邓煜拿到菲尔兹奖的时候，中文互联网上流传过一个特别有意思的段子。

两位北大数院毕业的顶尖学者，做的都是绝大多数人哪怕看一眼摘要都会头晕的高深数学：极值组合学、非线性偏微分方程。

大众根本不可能直接理解这些前沿理论。

但大家很快在社交平台上发现了一个细节：

新晋菲奖得主邓煜，在知乎上叫“灯神”，常年顶着一张二次元动漫头像，不仅做数学，平时也爱看番、写旧体诗、打游戏。

于是评论区瞬间涌出一句刷屏的名梗：

“终于找到了我和菲尔兹奖得主唯一的共同点：都喜欢二次元。”

“四舍五入，我和数学家之间只差了一篇偏微分方程。”

这个段子为什么能让无数人会心一笑？

因为这就是标签最底层的运作逻辑。

面对一个高不可攀、毫无交集的外部节点，人类大脑计算不了他的真实坐标。

但只要发现某一个微小、低门槛的兴趣标签高度重合，一个原本远在天边、遥不可及的天才，瞬间就被拉进了“自己人”的心理坐标系。

它既是大规模索引的捷径，也是一种极其微妙的心理机制：

哪怕只是共享了一个微不足道的喜好，人们也能从中借到一丝亲切感，建立一种单向的情感联结。

所以从程序员的视角看，学校、专业、城市、兴趣这些身份，很像人类社会给节点打上的 metadata。

世界上几十亿行数据。你不可能天天全表扫描。所以得做索引。学校。行业。兴趣。城市。朋友关系。先召回一批候选人。再慢慢了解。

标签最开始，是搜索器。

校友网络也是这样。

它最健康的形态，并不是：

“自己人就应该互相开后门。”

而是：

降低搜索成本。

我不知道该找谁。但一个学长认识。学长又认识另一个人。原本完全不相干的两个节点。突然有了一条线。

真正有价值的，有时候甚至不是：

“我认识一个特别厉害的人。”

而是：

我认识一个能把我连到另一个网络的人。

社会网络里的“六度分隔”讲的其实就是这种感觉。

Facebook 在 2016 年统计自己的社交网络时发现，平台上的典型用户之间平均只有大约 3.57 度的分隔。也就是说，世界当然很大，但人与人之间可能没有我们想象中那么远。

真正的问题不是：

节点够不够多。

而是：

中间那些线还在不在。

聪明人得互相找到

这件事到了科研里尤其明显。

我们特别喜欢讲：

天才。牛人。大佬。

仿佛科学进步就是一个超级聪明的人突然：

啪。发现了真理。但现代科研越来越不是这么回事。一个人会数学。另一个人会机器学习。一个人有医学数据。另一个人懂临床。还有一个人能把算法工程化。如果这几个人永远不认识。那么系统里虽然同时存在这些能力。它们却不会发生化学反应。

所以一个好的科研生态，最重要的功能之一其实很朴素：

让聪明人能够互相找到。

找到老师。找到学生。找到同行。找到互补的合作者。找到那个会挑战你的人。找到一个愿意陪你研究奇怪问题的人。

所以一个人的成长轨迹，不能只看：

他在哪所学校。

还得看在那里遇见了谁。和谁工作过。

进入了什么网络。因为知识不是孤立放在人脑里的。知识也需要连接。

有时候社会真正稀缺的，不是：

“这个人才有没有。”

而是：

这个人能不能遇见另一个合适的人。

一个名字就够了

可标签一旦出现。

另一面也来了。

1971 年，Henri Tajfel、Michael Billig 等人发表了一组后来成为社会心理学经典的实验。

他们故意尽量拿掉既有敌意、现实利益冲突这些因素。

只留下非常微弱的分类。

结果发现，仅仅把人分成不同组别，就已经可能让参与者在资源分配时偏向自己组的人。

后来甚至有实验直接进行随机分组。没有历史恩怨。没有现实竞争。也没什么共同文化。

研究者只需要告诉你：

你是这一组。他是另一组。人就可能开始出现内群体偏好。

这件事真正反直觉的地方在于：

我们总觉得，一定是两群人先有巨大差异，才会出现“我们”和“他们”。

但有时候。

顺序可能反过来。

先分组。

再开始觉得我们不一样。

一个群体真正出现。不一定需要几百年的历史恩怨。有时候。一个名字就够了。

班主任太懂这个了

所以再回头看 K12 教育里一些特别熟悉的东西，就会突然觉得很有意思。

小学。初中。高中。

班主任特别喜欢强调什么？

“我们是一个集体。”

“不要给班级丢脸。”

“流动红旗一定拿回来。”

“运动会大家都要为班级争光。”

“卫生扣分不是你一个人的事，是整个班扣分。”

“咱班不能输给隔壁班。”

这些话我们从小听到大。

以前可能只觉得：

老师又开始念经了。

但从组织视角看，你会发现：

班主任其实一直在做非常标准的组织建设。

一个班四五十个人。性格不同。成绩不同。家庭不同。兴趣不同。有些人甚至根本不熟。

如果纯靠个人利益组织，很多事情很难做。

今天值日。

学生完全可以问：

“卫生扣分跟我高考有什么关系？”

运动会报名：

“我又不喜欢跑步，为什么参加？”

黑板报：

“又不加分，我干嘛画？”

如果每件事都需要分别给四五十个人算一次个人收益。

班主任每天光做成本收益分析都不用上课了。

所以最简单的方法是什么？

把：

“这件事对你有什么好处？”

换成：

“这是我们班的事。”

一句话。

协调成本下来了。

“我们赢了”

这也解释了我们从小听到大的另一个词：

集体荣誉感。

校队比赛赢了。你可能一分钟都没训练过。球不是你踢的。战术不是你研究的。甚至参赛队员都不认识你。

但广播一喊：

“我们学校赢了。”

还是会爽一下。

1976 年，Robert Cialdini 等人做过三项很经典的橄榄球场域研究。

他们发现，学校球队获胜以后，学生更倾向于穿带有学校标识的服装。

而且描述胜利的时候，会更频繁地使用：

“we”。

也就是：

“我们赢了。”

这个现象后来被叫作：

Basking in Reflected Glory。

简单理解就是：

沾一点集体胜利的光。

所以所谓集体荣誉感，本质上很可能就是：

“我们赢了”这三个字。

能让一个根本没上场的人也得到一点心理收益。

为什么？

因为人的自我定义，本来就不只有：

“我这个人是谁。”

里面还塞着：

我是哪个班的。哪个学校的。哪个公司的。哪个球队的球迷。属于什么专业。什么社群。一旦某个群体进入“我是谁”。

一个很有意思的事情就发生了：

群体的脸，开始有一点像自己的脸。

它赢了。你也高兴。它被夸。你也觉得有面子。

所以集体荣誉为什么这么好用？

因为：

荣誉是一种可以广播的奖励。

给一个人奖金。主要奖励一个人。但一个班拿冠军。

四五十个人都能分到一点“我们很厉害”的心理收益。

一个球队夺冠。几万球迷都可以分。这种激励。从组织成本看。实在太划算了。

“我们”也会保护人

不过，如果只把“我们”理解成管理者的工具，其实也不完整。

因为很多时候。个体也主动需要“我们”。尤其是在一个人最脆弱的时候。灾难。失败。陌生城市。重大不确定性。

甚至某一天突然觉得：

这个世界好像只有自己一个人。

这时候一句：

“我们都在。”

真的可能有用。

人的恐惧里，有一部分来自：

只有我一个人在面对。

而“我们”提供了一种很低成本的心理反转。

不是只有你。还有别人。在真正的危机时刻。这种感觉甚至可以变成勇气。所以“我们”的低成本其实是双向的。对组织来说。它降低协调成本。对个体来说。它降低孤独成本。

它让一个人觉得，自己不是独自暴露在世界里。

不是所有归属感都是规训。有些归属感。就是庇护。

饭圈也是“我们”

这种机制到了互联网时代，又发展出了一个特别典型的版本。

饭圈。

一个人一开始可能只是：

喜欢一首歌。觉得演员演得不错。觉得这个偶像挺有意思。但进入粉丝社群以后。新的身份迅速出现。同担。唯粉。团粉。路人。对家。你甚至不需要知道另一个人叫什么。

只需要知道：

“他也是这个人的粉丝。”

或者：

“他是对家的。”

身份分类就已经完成。更有意思的是。这种关系甚至不要求真正双向认识。

传播学者 Donald Horton 和 Richard Wohl 在 1956 年就提出过“准社会互动”这个概念，用来描述受众对媒体人物形成的一种类似面对面亲密关系的体验。

说简单点就是：

你认识他。他不认识你。但情绪可以是真的。

所以饭圈里才会出现一个特别有意思的词：

“我们家。”

“我们家哥哥。”

“自家孩子。”

明明没有血缘。

也不存在正常意义上的双向私人关系。

但语言已经把这个公共人物拉进了自己的心理边界。

偶像获奖：

“我们赢了。”

偶像被骂：

“凭什么骂我们家？”

偶像做出不符合期待的事情：

甚至可能产生某种“被背叛感”。

因为对方原本只是一个明星。

后来却变成：

“我们的人。”

情绪也能变成劳动

而商业很快就会发现：

“我们感”不只能组织情绪。

还能组织劳动。打榜。投票。控评。做数据。剪视频。搬物料。维护超话。组织应援。

如果这些事情全部按照正常劳动关系来算。

都需要钱。

但只要换成：

“为了我们家。”

很多工作就会被主动完成。

所以互联网时代的“我们”，还出现了一种特别现代的功能：

把情绪变成劳动。

再把劳动变成：

数据。流量。销量。商业价值。

这时候你以为自己只是在：

“喜欢一个人。”

其实已经进入了一套完整的组织机制。

成本没有消失

所以说：

“我们很便宜。”

得加一个限定。

很多时候，它只是对组织者很便宜。

成本并没有消失。

只是换了一个人付。

班主任一句：

“为了班级荣誉。”

省掉了逐个沟通为什么要参加活动的成本。

但那个不想参加的人开始承担：

“不合群。”

“没集体荣誉感。”

“就你特殊。”

公司说：

“我们是一家人。”

可能减少很多正式合同之外的谈判。

但员工承担的可能是：

“自己家的事还分这么清？”

饭圈不需要雇几十万人做宣传。粉丝主动打榜。组织成本确实降了。可时间没有消失。它从公司的工资表上消失以后。出现在粉丝晚上十一点的手机屏幕上。

所以更准确地说：

“我们”不是消灭成本。

它特别擅长重新分配成本。

把管理成本。监督成本。激励成本。

变成成员自己愿意承担的：

时间成本。情绪成本。声誉成本。服从成本。甚至自我约束。

这也是为什么最强的组织，往往不需要天天命令你。

成员会自己开始管理自己。

班主任还没说。

已经有学生：

“别给班级扣分。”

偶像团队还没催。

已经有人：

“今晚数据不能掉。”

领导还没说加班。

同事先来一句：

“大家再坚持一下，这是我们自己的项目。”

这时候组织真正省下来的。已经不是钱。而是监督。所以判断“集体荣誉”有没有越界。

不能只问：

它创造了多少收益。

还得问：

收益是谁拿走的？

成本是谁承担的？

如果收益共享。

成本也相对公平。

“我们”当然可以让合作变得更好。

如果收益高度集中。

成本却不停要求成员用荣誉感消化。

那共同体就很容易从：

合作技术。

滑向：

成本转嫁技术。

所以面对一句特别温暖的话。

偶尔也可以问一句：

这次到底是谁省钱了？

为什么一定要有“对家”

群体荣誉还有一个更麻烦的问题。它往往需要参照物。如果世界上只有你一个班。

“我们班”只是一个行政编号。

隔壁班出现以后：

我们班。他们班。突然有意义了。一比赛。我们赢。他们输。身份一下带上了情绪。饭圈也一样。

没有竞争对象的时候：

“我们家。”

只是一个粉丝群体。

一旦有了：

番位。奖项。榜单。代言。资源竞争。

马上就变成：

我们家。

他们家。

所以：

身份需要参照物。

荣誉很多时候也需要参照物。

但这里其实存在一个绕不过去的矛盾。

前面如果说：

“我们感”需要对照组。

那后面再说：

“喜欢我们，不需要他们输。”

真的完全成立吗？

说实话。

这个矛盾没有一个特别干净的解。

比赛如果完全没有输赢。确实没那么刺激。排名没有前后。第一名也就不存在。人本来就是会比较的。真正能做的。不是幻想把比较全部消灭。

而是：

别把一个群体全部的荣誉，都绑在单一的零和排名上。

一个班当然可以为运动会第一高兴。

但也可以为：

有人第一次跑完三千米。一个原来成绩很差的人进步了二十分。有人主动帮助一个跟不上进度的同学。

一次班级活动没有丢下那个最不合群的人。

这些荣誉。不需要隔壁班先输。一个公司也一样。

当然可以高兴：

“我们超过竞争对手。”

但也可以高兴：

产品让用户少填三张表。

原本用不起的人，现在用得起了。

原来需要一小时的工作，现在十分钟做完。

一个普通工程师写的功能，真的帮助了一百万人。

这种荣誉不是：

“他们输了，所以我们赢。”

而是：

“有一件原来做不到的事，现在被我们做成了。”

这两种“我们”非常不一样。前一种必须购买一个对手。后一种可以创造一个增量。

所以真正成熟的共同体，可能不是没有竞争。

而是：

让荣誉来源足够多样。

如果一个群体只能靠不断证明：

“别人不行。”

来证明自己很好。那其实说明。它的自尊很脆。

光有“我们”还不够

而且“我们”能解决的，只是：

为什么大家愿意待在一起。

它解决不了：

待在一起以后，意见不一样怎么办。一个班都希望班级好。但有人喜欢运动会。有人不想参加。一个公司都希望公司别倒闭。

但老板、员工、股东对于：

“什么叫公司发展得好。”

完全可能有不同答案。再大的共同体也是一样。所以共同身份之后。一定需要规则。

规则不是让所有人满意

我们有时候会把“公平”理解成一种特别完美的状态。

所有人都满意。每次冲突都有一个绝对正确的答案。现实往往没那么漂亮。很多问题天然就是选择题。钱拿去修地铁。同一笔钱就不能再拿去修医院。预算投项目 A。项目 B 就会少一点。

所以规则真正要解决的，往往不是：

怎样保证所有人都赢？

而是：

即使有人输了，这个系统还能不能继续运行。

一家专门做全球法治评估的机构 World Justice Project，在其法治框架里就特别强调法律公开、稳定、平等适用，以及司法程序的可获得性、及时性和公正性。

它背后的道理其实很朴素：

你可以不满意结果。

但你最好知道：

规则是什么。程序怎么走。输了以后还能怎么办。

明天是不是仍然大体按同样的规则运行。

所以法治追求的，不一定是什么：

“宇宙级绝对公平。”

一个更现实的意义是：

尽量不要让每次冲突都升级成重新掀桌子。

今天你不同意。

但仍然愿意在同一套规则里继续生活。

一个社会真正稳定的标志，可能并不是：

没有分歧。

而是：

出现分歧以后，大家仍然知道下一步该怎么办。

总得有人拍板

而规则之外。现实还有一个麻烦。不能无限讨论。

你可以做 A、B、C、D 四个方案。

开会三个月。继续争。但最后总得提交一个版本。因为现实没有平行存档。城市的钱投了 A。就不能完整地再投 B。团队发布了这个版本。

就不能同时把另一个相反版本也当正式版上线。

所以所有复杂系统最后都会撞上一个问题：

谁来拍板？

这也是权力为什么很难彻底消失。

没有最终决策。

系统可能一直卡在：

“再研究研究。”

但危险也在这里。没人能拍板。事情做不成。只有一个人永远拍板。

一个人的错误又可能变成整个系统的错误。

所以真正难的问题从来不是：

要不要权力。

而是：

怎么让决策发生，又让错误能被纠正。

能拍板。也能复议。能执行。也能申诉。能上线。也能回滚。

一个成熟系统真正珍贵的地方，不是：

永远不犯错。

而是：

不会要求所有人陪着同一个错误一直错下去。

“他们”是长出来的

而群体边界还有一种比标签更隐蔽的形成方式。

我们通常以为：

两群人先有巨大差异。然后才不来往。但也可能反过来。

先不一起玩了。

后来才越来越不同。大学毕业以后就特别明显。两个原本睡上下铺的人。一个进互联网。一个当老师。

刚毕业：

“周末吃饭？”

三年以后。

一个张口：

模型。算力。DAU。融资。

另一个张口：

教研。家长会。职称。班级管理。两个人谁都没做错。甚至没有吵架。只是认识的人变了。看到的信息变了。每天处理的问题变了。久而久之。

连“什么值得关注”的排序都开始不同。

今天少聊一次。明天少见一次。朋友圈逐渐分叉。最后那个原本特别具体的朋友。

不知道什么时候变成：

“你们这种人。”

所以不一定是：

我们不同，所以不来往。

也可能是：

我们不再来往，所以越来越不同。

先断线，再分组

这件事甚至在人类以外出现过非常震撼的案例。

你给的材料里提到了一项对乌干达 Kibale 国家公园 Ngogo 黑猩猩群体的长期追踪。

这个群体原本虽然存在内部小圈子，但总体仍然高度混合。

它们共享领地。一起活动。巡逻。跨小圈子交往。后来，社会网络开始发生变化。不同群体之间越来越少一起活动。关系逐渐断开。原本同时连接两边的个体越来越少。共同领地开始分化。最后原本一张网，慢慢变成两个群体。

材料里最让我印象深的一个细节是：

原本共同领地的中心，后来变成了边界。

这句话特别像很多真实社会关系。

边界最开始往往不是一堵墙。

只是：

原来大家都会去的地方。后来你不去了。原来双方都认识的人。后来不联系了。原来大家共享的东西。

慢慢变成：

“那是他们那边的。”

所以真正危险的。

不一定是出现差异。

而是：

连接差异的关系慢慢消失。

算法把人变成了向量

讲到这里，就可以回到算法。

因为推荐算法做的事情，其实和人类自己做的“标签筛选”非常像。

只不过规模大了无数倍。

以前你判断一个人：

同乡。同学。同行。爱好一样。这是人工标签。现在平台有几亿用户。它不可能真的“认识”每一个人。

它做的是另一件事：

把你变成数据。

你点了什么。停留多久。看完没有。赞过什么。评论过什么。谁和你行为相似。你几点上线。什么类型的视频会让你多停两秒。这些行为最后可以被压缩成大量特征。从大数据和机器学习的角度看。

你可以粗暴理解成：

平台给每个人生成了一个巨大的数字坐标。

一个高维向量。你本人当然比这个复杂得多。但推荐系统不需要理解完整的“你”。

它只需要知道：

哪些人在数据空间里离你比较近。

喜欢游戏的人。在某些维度上靠近。喜欢 AI 的人。在另一些维度上靠近。经常同时看某几类内容的人。又形成一个区域。这就是聚类。

再往下一步：

“跟你行为很像的人还喜欢什么？”

把那些东西推荐给你。

这就是协同过滤最经典的直觉。

不一定需要知道你为什么喜欢。

只要知道：

跟你很像的人。也喜欢这个。推荐就能工作。

所以今天的“我们”甚至不一定需要自己喊出来。

算法可能已经提前把：

“和你差不多的人。”

算出来了。

大数据最擅长找相似

这套东西当然非常有用。

Spotify 不可能让你从几千万首歌里自己翻。

视频网站不可能让你每天面对几亿条视频。

电商平台也不可能把整个仓库直接扔到你脸上。

数据量太大了。

所以必须做：

召回。排序。相似度计算。聚类。用户画像。协同过滤。Embedding。

本质上都在解决一个问题：

在海量信息里，什么最可能适合你？

这和前面讲：

校友。同乡。同好。其实是同一种思想。都是降低搜索成本。

只不过人的大脑可能用：

“你也是程序员？”

算法用的是：

几百维、几千维甚至更多维度的表示。人类社会做标签。机器做向量。

目标差不多：

别全表扫描。

可问题也恰恰出在这里。

因为：

最容易被计算出来的，是相似。

两个用户行为越相似。推荐越容易。两个内容的受众越重叠。越容易被放在一起。

这会形成一个非常自然的反馈循环：

你喜欢 A。系统给你更多 A。你继续看 A。

系统更确定：

你喜欢 A。

于是：

更多 A。

模型越来越懂你。

但它所谓的：

“越来越懂你。”

很多时候意味着：

越来越确信你属于哪个局部。

于是推荐系统有一种天然倾向：

把相似的人找到。

再把他们喂得越来越相似。

从一张网变成几个簇

如果把整个互联网画成一张图。用户是节点。关注、互动、转发是边。

那么算法不断推荐相似节点以后，会发生什么？

网络会出现越来越明显的：

社区结构。

机器学习和网络科学里经常会讨论 clustering、community detection、modularity。

简单理解就是：

一张大网开始自动分块。圈内连接越来越密。圈外连接越来越稀。左边的人互相认识。右边的人互相认识。中间只剩几根线。

这和前面黑猩猩社会网络变成两个群体的图景。

居然有点像。当然。算法推荐不会自动制造现实敌意。更不能把人类社会简单等同于黑猩猩。

但有一个结构上的问题确实值得注意：

当连接越来越集中在群体内部，真实接触其他群体的机会就会减少。

以前大家观点不同。

至少还在一个广场上吵。

现在最麻烦的是：

大家可能连广场都不是同一个了。

一个天天刷 AI 的人打开手机：

DeepSeek。GPT。Claude。Agent。芯片。模型。算力。

久而久之：

“现在大家不都在聊 AI 吗？”

其实不是。

另一个人的互联网可能全是：

穿搭。宠物。明星。旅游。恋爱。两个人每天都刷两个小时手机。但实际上生活在两套数据分发系统里。

算法甚至不需要告诉你：

“他们是敌人。”

只需要让你越来越少遇见：

一个真实的“他们”。剩下的。人脑自己可能就会补完。

矩阵也可以用来搭桥

但这里有一个特别有意思的地方。

算法并不天然只能制造同温层。

同样的大数据工具。目标函数换一下。结果可以完全不同。

一个很典型的例子就是 X 的 Community Notes。

它不是简单地问：

“多少人给这条注释点赞？”

因为如果只看票数。

一个人数特别大的群体完全可以把：

“自己人最喜欢的答案。”

刷上去。

Community Notes 更有意思的地方在于：

它会参考用户过去对不同注释的评分模式。

从这些评分里估计不同贡献者之间的观点差异。

然后特别寻找：

那些平时经常意见不一样的人，这一次都觉得有帮助的注释。

X 官方把它直接称作一种：

bridging algorithm。

桥接算法。

更有意思的是。

它底层也会用到一个推荐系统里非常经典的东西：

矩阵分解。

可以粗暴理解成：

系统有一张巨大的表。行是用户。列是注释。

表里的值是：

这个用户觉得这条注释有没有帮助。可现实里绝大多数格子都是空的。因为每个人只评过很少一部分内容。

于是算法试着从有限的评分里学习：

这个用户大概偏向什么方向。这条注释大概处在什么方向。把它们映射成一些隐藏的因子。

这和很多推荐系统预测：

“你会不会喜欢这部电影？”

在数学思想上其实很接近。

但关键来了。

普通推荐系统通常拿这些隐藏向量干什么？

给你找更像你的东西。

Community Notes 却试图做另一件事：

找不同向量之间的交集。

不是：

“你喜欢什么？”

而是：

“哪些东西，连平时不太像的人都觉得有价值？”

同样是矩阵。同样是 embedding。同样是大规模用户行为数据。目标一换。一边可以不断寻找相似。

另一边却可以开始寻找：

跨群体共识。

这就是算法真正有意思的地方。

技术本身并没有写死：

必须把人越分越开。

真正重要的是：

你到底在优化什么。

算法的目标函数也是价值观

推荐系统如果只优化：

点击率。停留时间。转发。互动。

那什么东西天然更占便宜？

刺激的。极端的。让人愤怒的。让人忍不住继续看的。

复杂、温和、需要三分钟解释清楚的东西。

经常天然吃亏。

所以一张社会网络最后长成什么样。

并不只是：

“用户自己喜欢什么。”

也取决于平台把什么写进了目标函数。

最大化：

“你还喜欢。”

和最大化：

“不同的人都觉得有价值。”

是两件完全不同的事情。

前一种系统擅长：

把相似的人匹配得越来越准。

后一种系统试图：

让不同的人还存在一些公共交集。

甚至 X 现在还在实验一种更直接的思路：

寻找那些被不同观点人群共同喜欢的帖子。

这当然不代表问题解决了。

Community Notes 也不是万能药。

桥接算法一样可能有偏差、覆盖不足、博弈和治理问题。

但它至少证明：

算法不是只能问：

“怎么让你看得更爽？”

还可以问：

“怎么让原本不一样的人，重新拥有一点共同的信息空间？”

这个问题。

可能比“信息茧房”四个字本身更重要。

桥不能只靠个人修

所以如果讲到这里，还只是劝大家：

“多看点不同观点。”

其实有点轻。因为一张网络长成什么样。从来不只是节点自己的责任。

平台决定：

什么内容获得曝光。

社群决定：

什么成员获得奖励。

商业模式决定：

什么情绪更值钱。

组织者决定：

什么身份被不断强化。如果愤怒更赚钱。对立更容易传播。忠诚比保留意见更容易得到掌声。

那么让一个普通人独自：

“保持开放。”

多少有点像让用户自己修推荐系统。能做。但别高估它。

真正重要的是：

系统有没有给桥留下活路。

有没有允许不同的人出现在同一个空间。

有没有奖励那些能够被不同群体共同接受的信息。

有没有给“不愿站队的人”留下位置。

有没有让推荐系统除了：

“猜你喜欢。”

偶尔还能问一句：

“你从来没见过这个世界，要不要看看？”

但个人仍然可以留几条线

结构问题不能全甩给个人。

但这不代表个人什么都做不了。

第一件事其实很简单：

别让自己的社交圈纯得过头。

不需要强迫自己和所有人做朋友。

但最好留几个：

行业不一样的人。生活路径不一样的人。兴趣完全不同的人。甚至观点经常和你不同的人。

他们存在的价值未必是：

纠正你。

而是提醒你：

世界上还有别的活法。

第二：

别把普通分歧都处理成拉黑。

恶意骚扰当然另说。

但不是每一次：

“我不同意。”

都值得变成：

“以后再也不见。”

第三：

尽量去看对方真正说了什么。

而不是永远只看：

“我们这边的人如何描述他们。”

第四：

尽量认识具体的人，而不是认识标签。

程序员。公务员。饭圈女孩。二次元。某地人。这些标签当然方便。但压缩掉的信息太多了。一个具体的人，通常永远比标签复杂。所谓修桥。不是逼自己接受别人。

而只是让：

“他们这种人。”

重新变成：

“我认识的那个人。”

别只剩一个身份

还有一件事可能更重要。

允许自己同时属于很多个“我们”。

我是程序员。也是球迷。也是某个地方的人。也是某个游戏玩家。是谁的朋友。是谁的同学。喜欢二次元。也可能喜欢财经。一个人的身份越单一。

越容易把某一个群体的输赢，等同于自己的全部价值。

如果：

“我是某某的粉丝。”

变成唯一身份。

别人批评这个偶像。

体验上就特别像：

批评我。

如果：

“我是某学校的人。”

成为唯一身份。

学校被质疑。

就容易体验成：

攻击我。

但一个人同时属于很多个“我们”以后。

任何一个标签都更难把整个人吞掉。

所以对抗极端群体化的方法，也许不是：

没有身份。

人不可能没有身份。

而是：

别只剩一个身份。

身份越丰富。和世界连接的方式越多。桥也越多。

多样性不是组织失败

这件事到了科研里，会变得尤其明显。

现代科研需要什么？

需要大团队。也需要小团队。需要大装置。也需要几个人的奇怪实验。需要有人做已经证明可行的方向。

也需要有人研究那些暂时看不出有什么用的问题。

因为原创探索最大的问题就是：

没人提前知道谁是对的。

如果一个系统让所有人押同一道题。押中了。效率当然极高。押错了。也一起错。

而真正强的系统，往往允许大量不同的人沿不同方向尝试。

有人做数学。有人做工程。有人喜欢主流问题。有人研究暂时完全没用的东西。有人特别擅长执行。

也有人每天最大的爱好就是问：

“凭什么必须这么做？”

这不是组织失败。

恰恰可能是系统鲁棒性的一部分。

社会需要共同身份，把不同的人连接起来。

但不能为了连接。

又把所有人的不同磨掉。

所以我越来越觉得：

“我们”的高级形态，不是筛出一群一样的人。

而是：

让一群不同的人，更容易找到彼此。

真正重要的是普惠

讲到最后。

“我们”最值得保留的地方，可能并不是：

它能让组织多高效。

甚至也不是：

它能制造多强的荣誉感。

而是：

它能不能让普通人的生活真的变容易一点。

一个校友网络真正好的地方。

不应该只是几个最成功的校友互相介绍资源。

而是一个刚毕业、什么人脉都没有的学生。

也可以因为这张网。找到一个愿意回答他问题的人。一个班真正好的集体荣誉感。

不应该只是：

拿第一的时候全班一起欢呼。而是那个跑得最慢的人。成绩没那么好的人。不太会社交的人。暂时没有给集体贡献什么的人。

也不会突然就不算：

“我们。”

一个公司真正值得员工说“我们”。

不应该只是在业绩发布的时候。

还应该是：

一个人犯错。生病。暂时掉队。遇到困难。

也知道：

这张网不会立刻断掉。

一个互联网社区真正有意义的地方。

也不应该只是：

让同一种声音越来越响。

而是让一个原本不知道去哪说话的人。

终于发现：

这里有人愿意听。

这时候共同体才从：

组织工具。

开始变成：

公共基础设施。

普惠不是平均分

我越来越觉得。

普惠也不只是：

把同一份东西平均分给所有人。

真正稀缺的。

经常是：

连接能力。

有背景的人。天然知道该问谁。认识谁。怎么找到好老师。怎么进入一个项目。怎么获得第一份机会。怎么穿过信息差。没有这些网络的人。可能能力并不差。

但连：

“门在哪里。”

都不知道。

所以真正有力量的普惠。

是把原本只有少数人才拥有的：

搜索能力。连接能力。信息能力。机会入口。

逐渐变成更多普通人也可以使用的东西。

让一个小地方长大的学生。也能接触世界上最好的知识。让一个不认识任何“大佬”的年轻人。也能找到合作者。让一个不擅长社交的人。不至于因为没有圈子。就永远被挡在机会之外。让两个不同的人。

不需要先证明：

“我们是一类人。”

也能发生合作。

这可能才是“我们”最温良的一种形态。

不是：

“你属于我们，所以你应该为我们牺牲什么。”

而是：

“既然你也在这里，那这张网能不能让你过得稍微好一点？”

改变世界也许没那么宏大

我们总喜欢把“改变世界”想得特别大。

发明一项革命性技术。建立一家万亿美元公司。获得世界级奖项。推出一个巨大的制度。这些当然算。但世界本来就不是一个抽象的球。世界是无数具体的人。

如果一个系统让一百万个普通人：

每天少浪费十分钟。少因为信息差失去一次机会。少走一次别人已经走过的弯路。多认识一个真正愿意帮他的人。多获得一次被看见的可能。这个世界其实已经发生了变化。

而且这种变化可能比很多宏大的口号更稳定。

因为它不要求每个人成为英雄。

它只是让普通人的生活：

稍微容易了一点。

技术最好的时候。应该如此。教育最好的时候。应该如此。制度最好的时候。共同体最好的时候。也应该如此。真正高级的“我们”。不是所有人变成一样的人。

不是少数人站在最前面，然后所有人一起为他们欢呼。

也不是通过不断寻找“他们”，来证明自己多么优秀。

真正高级的“我们”。是这张网铺开以后。最普通的人。甚至原本最边缘的人。也能从里面接到一点东西。一个机会。一个答案。一个朋友。一条退路。一份不会独自承担的勇气。它允许竞争。也创造非零和的荣誉。允许决策。也允许纠错。允许标签。但不让标签替代一个具体的人。允许算法寻找相似。也努力保留那些跨越相似性的桥。所以真正值得追求的。

也许从来不是：

制造一个最整齐的“我们”。

而是让这个“我们”：

足够宽。足够温和。足够有弹性。让不同的人都能进来。也允许不同的人保留自己。

低级的团结，是大家变得一样。

高级的团结，是大家不一样，事情仍然做得成。

而再往前一步。

真正值得期待的“我们”。

可能是：

大家不一样。事情仍然做得成。规则允许分歧。错误还有机会被纠正。算法没有把最后几座桥拆掉。而且最终。

那些原本最没有资源的人，也因为这件事，得到了一点原本没有的可能。

这大概就是我现在能想到的。一种很朴素的改变世界。不是让所有人相信同一个故事。而是让越来越多普通人。因为知识。因为规则。因为技术。因为有人愿意搭一座桥。