动人工智能 与数据要素成为新质生产力的典型代表。[1]从 GPT-4o 到 SORA，AGI（通用人工智能）的曙光显现，2024 年或将成 为 AGI 元年。 同时，技术嵌入政治文化和生活是一种历史必然。西方 国家对人工智能与安全问题的极端重视，始于 2016 年美国 总统大选和英国脱欧两只黑天鹅。在此之前，美西方国家凭 借硬实力优势和对全球舆论的强大掌控能力在世界各地进 行渗透， 险。我们如何看待和认知人工智能的安全问题特别是政治文 化安全问题，首先需要认清人工智能在信息生成和输出方面 的媒介特质。 一、生成式 AI 的媒介特质 1.一种媒介特质：生成式 AI 是一种大规模信息传播媒 介。生成式 AI 的未来，不仅是无所不能、无所不在的一个 工具，更是无所不包、无所不达的一种媒介。众所周知，媒 介是信息传递的载体，是携带和传递信息的一切形式，既包 括广播电影电视、图书杂志报纸等传统媒介，也包括网络、 也是携带和传递信息的传播载体。 作为一种新生媒介，ChatGPT、AGI 与传统媒介的最大区别 是利用算法生成和传播内容。这种内容生成方式被称作 AIGC（人工智能生产内容），即由人工智能作为内容创作主 体，利用深度学习算法与场景决策模型等技术生成内容，是 继用户自己生产内容（UGC，如个人自媒体）、专业人员生 产内容（PGC，如报纸杂志）后一种自动化生成内容的新方 式。可以说，ChatGPT

舆情管理不得不懂的“吃瓜群众” （出处:阜阳师范学院学报 作者:韩倩） 引 言 网络流行语是一种以网络作为传播媒介且极具感染力 的语言,其灵活多变的语言使用方式能够给人带来新奇有趣 的审美体验。一般分为三种类型：1.一般网络用语。主要以 象形、谐音、比喻、缩写等方式表达某种特定意义的语汇， 也包括人们在网络沟通中使用字母、数字等符号进行简化表 达的形式。2.网民自创、流传甚广的网络俏皮话。3 的流行语义的产生奠定了语义基础。 偏正短语“吃瓜群众”并非一次成形，而是网友根据马 路新闻提取核心内容之后再次叠加现有词语进行的二次 创作。 首先，“吃瓜”通过转喻的方式产生，转喻不仅是一种 修辞手法，更是人们一种思维和行为方式。人们根据自身 的经验建立的概念与概念之间的相对固定的关联模式，也 就是“认知框架”，将物体或者事件中相对显著的那一部分 提取出来用来转指整体[6]。 在认知的过程中，人们会筛选出事件最为显著的部分， 。 其次，“群众”被选择、组合，是由其强大的构词能力 决定的。中国是当今世界使用“群众”一词最多的国家，各 阶层、各职业、各团体的人们都耳熟能详，不假思索地运用。在一种集体无意识的作用下，笼统地使用“群众”已经 成为一种普遍的现象[7]。 潜移默化的语言习惯影响着语言交际过程中的词语 选择方式，高频使用的现象致使网友在进行词语选择时忽 视了“群众”一词饱含的政治色彩。在马克思建构的群众概

民评论整体就会偏向负面；如果是 积极正面的言论较多，后续网民评论整体就会偏向正面。20 0 个网民的意见和评论，也是我们在舆论事件初期观察研判 其可能演变趋势的重要指标。 前 200 效应是一种社会性趋同心理，在示范者或领头羊 带领下跟随大多数人的认知或行为，可以说是网络时代的人 云亦云，与羊群效应、示范效应等有相似处。一部分首先表 达观点，接着又有一些人表达观点，但第二批表达观点的人 于前面的人的观点，一直传播下去，最后群体得到的观点很 有可能是基于第一批人的观点。人们不再依靠自己的所知来 判断，而是依靠别人的想法。 前 200 效应背后蕴含着似曾相识的规律。 信息效应（messaging effect），一种受信者根据所获信 息相应调整自己行为的心理现象。 启动效应（priming effect），是指由于之前受某一信息刺 激的影响而使得之后对同一刺激的提取和加工变得容易的 心理现象。也就是说，人们在特定环境下决定自己态度时， 、跟风效应尤 其明显，一个事件发生后，最早出现的观点和意见往往具有 很强导向性，会给后来的讨论定下基调和方向。人们常常倾 向于相信这些“先声”，容易认同它的价值判断，附和它的 意见主张，形成一种强大的舆论声势，至于议论的事实是否 清楚、判断是否正确，反而变得不再重要。 斯坦福大学和康奈尔大学的研究人员创建了一个机器 学习算法，预测一个人写的下一篇评论是否会被标记为喷子。 算法规则包

传播，像病毒一样被迅速分享和传播。公元前 350 年，古希 腊哲学家亚里斯多德就开始研究内容问题，尤其是什么因素 让自己的演讲充满说服力而且难忘。他想了解人们为什么会 把想法信息传递给其他人，从而创造一种连锁反应。他在研 究后得出 3 个主要原则：精神、感伤和标识。他还总结了三 个关键因素，包括诉诸精神上的拥有、诉诸情感、诉诸公正 逻辑。今天，爆款文章像病毒一样在社交媒体传播，每个人 主动转 被讨论，获得更多病毒式传播的是情绪，情绪互相感染促使 人们去分享信息。那些让人产生敬畏、消遣、兴奋、生气、 担忧的情绪的文章，更易被人们分享并产生共鸣。如果一篇 情感强烈的文章让我们的神经系统兴奋起来，分享就会像是 一种情感释放。无论是积极的（兴奋或幽默）或者消极的（生 气或焦虑），高唤醒情绪促使我们分享。他们还进行了神经 系统试验。在一个试验中，一组参与者观看一段经过特殊剪 辑的视频，而另一组观看原视频。在另一个试验中，一组参 与者慢跑一分钟，而另一组保持不动，然后所有参与者阅读 同一篇文章。在两个研究中，均是被激活情感的那一组更倾 向于分享，而且跑步的那一组的分享率是另一组的两倍多。 乔纳·伯杰解释说：“因为他们的身体已经准备好了。‘被激 活’是一种人们不太喜欢的状态，所以人们迫切地通过分享 来摆脱它。”在唤醒人们传播的情绪之中，敬畏、怀疑、焦虑、悲伤 和幽默等具有高唤醒性，易被转发传播。网上看到虐童案， 人们就会抑制不住愤怒，并对这条新闻评论和转发。在消极

沟通。有的甚至认为，“只要我们合法合规，网民也不能把 我们怎么样”。在这种姿态的“支配”下，很容易出现两种 倾向： 一种是把舆情回应当作表功的机会，比如，情况通报和 信息发布中时常出现“领导很忙体”，领导指示内容占据绝 大多数篇幅，而民众关切的实质问题则一笔带过。另一种则 是把舆情回应仅仅当作一种“程序”和“动作”，充满套话、 陈词滥调，认为“反正我已经回应了，理解不了是你的问题”， 这种做法极易引起公众愤慨，从而产生次生舆情。

Marcus）指出， 相信这项技术将在未来的选举中发挥重要作用，很难否认人 工智能生成的内容不会成为下一次选举的主要力量。 2. 人工智能成为操纵政治选举的强大武器。深度伪造 技术在政治选举当中成为一种武器。首先，恶意的行为者会 伪造证据，助长虚假指控和虚假叙述。例如，通过对候选人 发表的原有言语进行微妙改变，使其品格、健康状况和心理 健康受到质疑，而多数受众完全不知到真假。深度伪造技术 终竞选失败可能与该录音的负面影响有关。布 鲁金斯学会（Brookings Institution）专门研究人工智能影响 的研究员克里斯·梅塞罗尔（Chris Meserole）指出，可以想 象一种情况，即在选举的关键时刻，录音可能会浮出水面， 而候选人很难证明这是假的。兰德公司（Rand Corporation） 也提出类似担忧，称这种策略是“谎言之火”，可能会在未 来选举前向选民开火。[2]

能浅层次地思考。如果民众的政治热情被别有用心的人利用， 将引起相关信息在互联网上‘病毒式’扩散，引起严重的社会 问题。” （二）基于互联网的社会组织无需组织核心即可实施集 体行动 网络环境中出现了一种新的“自组治理”模式，借助这个 模式，某些参与者可以有意地限制和影响其他个人参与者的 行为方式。在这个模式下，即使没有管理中心和一个体系化 的结构，基于互联网的“集体行动”仍然可行。克莱·舍基（Clay 一个事件上的统一目标等松散的协作方式在线发起行动。在 这种模式下，互联网可以将一些毫无关联的群组联系在一起， 在互联网没有出现之前，这几乎是无法做到的事情。”曼纽 尔·卡斯特尔（Manuel Castells）认为，互联网开启了一种新 的集体资本主义，是社会组织在信息时代的代表形态。 （三）数字技术和互联网极大地降低了全球性行动的发 起门槛并使社会组织更具“弹性” 数字技术和互联网已经对社会个体和组织赋权，并让其 能 与上街游行等抗议方式相比，基于互联网的抗议活动危 险性小，但是规模更大且非常难以控制，这种“公民不服从” 行动更具危险性和颠覆性。部分学者认为，Telecomix 和 Anonymous 等组织进行的黑客活动是“公民不服从”的一种表 现形式。面对“基于互联网的公民不服从行为”，美国政府通 过多种手段进行反击，比如起诉 Anonymous 核心成员杰瑞 米·哈蒙德（Jeremy Hammond）和巴雷特·布朗（Barrett

不仅能生成虚假信息，更可能主动学会有目的地欺骗 人类。这种“AI 欺骗”现象，是人工智能为了达成某些目标， 而操纵并误导人类形成错误认知。与代码错误而产生错误输 出的 bug 不同，AI 欺骗是一种系统性行为，体现了 AI 逐步掌握了“以欺骗为手段”去实现某些目的的能力。人工智能 先驱杰弗里·辛顿（Geoffrey Hinton）表示，“如果 AI 比我 们聪明得多，它就会非常擅长操纵，因为它会从我们那里学 骗倾向。在一些看似无害情节中，AI 会主动选择“背信弃义” “隐瞒真相”等欺骗性策略，只为完成最终任务或者获得更 高得分。这种欺骗能力并非有意而为，而是 AI 在追求完成 结果的过程中，发现欺骗是一种可行策略后自然而然地形成 的结果。也就是说，人类赋予 AI 的单一目标思维，使其在 追求目标时看不到人类视角中的“底线”和“原则”，唯利 是图便可以不择手段。可以看到，即便在训练数据和反馈机 制中未涉及欺骗元素，AI 也有自主学习欺骗的倾向。而且， 欺骗能力并非仅存在于模型规模较小、应用范围较窄的 AI 系统中，即便是大型的通用 AI 系统，比如 GPT-4，在面对 复杂的利弊权衡时，同样选择了欺骗作为一种解决方案。 不法分子一旦掌握 AI 欺骗技术，可能将之用于实施欺 诈、影响选举、甚至招募恐怖分子等违法犯罪活动，影响将 是灾难性的。AI 欺骗系统有可能使人们陷入持久性的错误信 念，无法正确认知事物本质。比如由于

质与规律，旨在为有关部门或个人提供一些参考帮助。 1.网络舆情的多维本质 网络舆情是指在互联网上流行的对社会问题不同看法 的网络舆论，是社会舆论的一种表现形式，是通过互联网传 播的公众对现实生活中某些热点、焦点问题所持有的较强影 响力、倾向性的言论和观点。传统观念中存在一种明显的认 知误区，即将网络舆情简单归类为危机公关的一部分或是传 播学的分支领域。这种简化视角不仅低估了网络舆情的复杂 性，也无法 上，网络 舆情是一个融合政治学、社会学、经济学、传播学、心理学、 法学等多学科的综合性研究领域。 从政治学视角看，网络舆情体现了公众与政府之间的互 动关系，是民众对公共问题和政府管理所表达的一种社会政 治态度和信念、价值观等等。这种表达往往影响着政策制定 和调整，成为现代民主治理的重要组成部分。从社会学角度 分析，网络舆情是社会舆情在互联网空间的映射，反映了社会结构、社会分层和社会矛盾的变化。经济学视角则关注网 力，而过于宽松则可能导致网络失序和社会混乱。因此，网 络舆情治理应当遵循适度原则，既保障公民言论自由权利， 又维护网络空间秩序，促进网络生态的健康发展。 4 结论与未来展望 网络舆情作为一种复杂的社会现象，既是信息科技发展 的产物，也是社会心理的反映，更是多种学科交叉研究的对 象。本文通过分析网络舆情的多维本质、起源形成机制以及 多元治理策略，得出以下结论： 首先，网络舆情研究必须超越将其简单视为危机公关或

大部分数据分布在 Facebook、Instagram、WhatsApp 等社交 媒体。由于抓取这些数据复杂且昂贵，且涉及个人隐私，几 乎无法用于大模型训练。如何克服人类文本数据的瓶颈。第 一种是利用 AI 生成数据，如 OpenAI 模型每天能够生成相当 于 Common Crawl 中优质单词总数的 36.5T 个单词，远快于 人类生成文本的速度。第二种是利用多模态和迁移学习，超 训练出的模型写出有关英国历史建筑的内容时，它输出的却 是有关豺兔的一堆胡言乱语。[3]英国牛津大学机器学习研 究员伊利亚·舒迈洛夫及其同事称这种现象为“模型崩溃”。 萨卡尔及其在西班牙马德里和英国爱丁堡的同事，用一种名 为扩散模型的 AI 图像生成器进行了类似实验：第一个模型 可以生成可识别的花朵或鸟类，但到了第三个模型，所生成 的图片就变得模糊不清了。研究人员不得不寻找没有被污染 的训练数据。随着 AI