人人都是信息战总司令:当100个网友也能复制IRA的影响力
一个只有百人左右的Discord服务器,通过精心协调的骚扰和叙事建构,就能在社交媒体上制造出堪比俄罗斯互联网研究机构影响力的涟漪。这是民主的危机,还是信息战的新常态?
核心观点:网络舆论操纵正在从国家行为体垄断的高成本游戏,演变为任何有组织的小团体都能参与的低门槛活动,这从根本上改变了公共话语的生态和可信度。
在Reddit的一个讨论帖中,一条高赞评论提出了一个令人不安的观察:一个由大约100名“终日泡在网上的托派分子和猕猴桃农场主”组成的私人Discord服务器,通过反复骚扰和制造叙事,就能对自由派创作者造成实质性的名誉损害。评论者将这种影响力与2016年俄罗斯互联网研究机构(IRA)相提并论——后者在巅峰时期有约1000名员工,其中约100人专门针对美国,最终触达了1.76亿美国人。而如今,一个规模相当的草根小团体,借助更成熟的社交媒体操纵工具和更有效的协调机制,似乎正在复制甚至超越这种影响力。
这不是一个孤立的阴谋论,而是正在重塑我们这个时代公共辩论的根本性变化。过去,大规模的信息操纵需要国家级的资源:雇佣写手、购买僵尸账号、开发自动化工具、进行内容运营。这些都需要资金、技术和组织能力。但现在,随着生成式AI的普及、社交平台推荐算法的日益固化、以及跨平台协调工具的易用化,这些门槛被急剧拉低。一个拥有明确意识形态目标和基本组织能力的100人团体,已经足以在特定话题上制造出足以扭曲真实舆论的“信号噪音”。
这种现象的核心驱动力是“影响力杠杆”的平民化。想象一下:如果这100个人每人拥有5个精心培育的社交媒体账号,他们就能瞬间形成一个500人的“意见方阵”。通过互相点赞、转发、评论,他们可以让任何一条信息在算法推荐中获得不成比例的权重。如果再加上使用AI生成的逼真头像和个性化文案,他们甚至可以创造出成千上万个看似真实的“独立声音”。这不再需要克里姆林宫的拨款,只需要几个Discord机器人账号和一晚上的协调。
更令人担忧的是,这种操纵往往披着“粉丝行为”或“社区讨论”的外衣,使得平台和公众都难以分辨。当一个话题下突然涌现出大量带有特定倾向的评论时,普通用户的第一反应往往是“这个话题看来很重要”或“看来很多人支持这个观点”。这恰恰是操纵者想要的效果——他们不是要说服你相信一件事,而是要让你相信“很多人都相信这件事”。正如那条高赞评论所指出的,这个团体专注于“创造关于自由派创作者的叙事来抹黑他们”,而不是直接发表自己的观点。这是一种更高阶的舆论战:不直接攻击对手的观点,而是攻击对手的可信度。
然而,如果我们就此得出结论说“一切都完了”,那也未免过于悲观。历史告诉我们,舆论操纵的普及化往往会催生更强的免疫力。2016年俄罗斯干预美国大选的事件,虽然暴露了社交平台的脆弱性,但也促使了平台、媒体和公众对信息源的警觉性大幅提升。如今,“这是否是信息操作?”已经成为一个常见的公共讨论问题,而非仅限于国家安全分析师的机密报告。这种意识的觉醒本身就是一种防御。
但防御的困境在于,它要求所有参与公共讨论的人都具备近乎专业的媒介素养,这在现实中几乎是不可能的。当一个阴谋论恰好迎合了你的既有偏见时,你不会去核查它是否来自一个只有100人的Discord服务器;你会直接转发,因为它“感觉真实”。这正是操纵者利用的人性弱点:我们的认知模式天生倾向于接受与现有信念一致的信息,并排斥不一致的信息。信息操纵不是要创造全新的信念,而是要放大和利用已有的信念裂隙。
所以,真正的挑战不在于如何识别和清除所有的“虚假账号”,而在于如何在一个每个人都可以成为信息战总司令的时代,重建公共讨论的信任基础。这可能意味着我们需要重新设计社交平台的推荐算法,使其不再单纯追求参与度;也可能意味着我们需要培养一种新的对话伦理,在转发之前多问一句“这真的是一个真实的人类在说话吗?”;更可能意味着,我们需要接受一个令人不安的事实:在可预见的未来,我们的公共话语将始终处于被操纵的边缘,而保持清醒本身就是一种持续的斗争,而不是一劳永逸的胜利。
如果把这个判断再往前推一步,真正重要的不是 Is this Drama, or a…、Fireside chat at Se…、帕梅拉 X 晓观队长 - 10分钟暴打… 本身,而是它们共同暴露出的分配逻辑。 reddit、x、bilibili 在同一轮里把注意力推向同一问题,通常意味着这个主题正在从圈层内部经验,转向更可共享的公共议题。 这也是为什么这种内容值得写成长文:短帖只负责提醒你“这里有事发生”,但只有长文才能把背景、代价、误判空间和后续影响放到同一张桌面上。 换句话说,网络舆论操纵正在从国家行为体垄断的高成本游戏,演变为任何有组织的小团体都能参与的低门槛活动,这从根本上改变了公共话语的生态和可信度。 之所以重要,不是因为它看上去新,而是因为它会重新定义用户接下来应该如何理解这一类内容。
当然,这个判断仍然有边界。新闻 领域的很多内容天生带有夸张表达、圈层黑话和强情绪包装, 这意味着原始材料本身未必可靠,甚至会故意放大戏剧性。 所以这里真正需要辨认的,不是表层标题是否足够抓人,而是标题下面有没有重复出现的结构:问题是否反复被提到,解决路径是否开始稳定, 以及不同来源是否在无意中指向相同结论。只有这些条件同时成立时,网络舆论操纵正在从国家行为体垄断的高成本游戏,演变为任何有组织的小团体都能参与的低门槛活动,这从根本上改变了公共话语的生态和可信度。 才算站得住。否则,它最多只能算一个值得观察的苗头,而不是已经完成的判断。
参考来源
- Is this Drama, or an Influence Operation? - https://www.reddit.com/r/Destiny/comments/1te0yqf/is_this_drama_or_an_influence_operation/
- Fireside chat at Sequoia Ascent 2026 from a ~week ago. Some highlights:
- The first theme I tried to push on is that LLMs are about a lot more than just speeding up what existed before (e.g. coding). Three examples of new horizons:
- 1. menugen: an app that can be fully engulfed by LLMs, with no classical code needed: input an image, output an image and an LLM can natively do the thing.
- 2. install .md skills instead of install .sh scripts. Why create a complex Software 1.0 bash script for e.g. installing a piece of software if you can write the installation out in words and say "just show this to your LLM". The LLM is an advanced interpreter of English and can intelligently target installation to your setup, debug everything inline, etc.
- 3. LLM knowledge bases as an example of something that was *impossible* with classical code because it's computation over unstructured data (knowledge) from arbitrary sources and in arbitrary formats, including simply text articles etc.
- I pushed on these because in every new paradigm change, the obvious things are always in the realm of speeding up or somehow improving what existed, but here we have examples of functionality that either suddenly perhaps shouldn't even exist (1,2), or was fundamentally not possible before (3).
- The second (ongoing) theme is trying to explain the pattern of jaggedness in LLMs. How it can be true that a single artifact will simultaneously 1) coherently refactor a 100,000-line code base *and* 2) tell you to walk to the car wash to wash your car. I previously wrote about the source of this as having to do with verifiability of a domain, here I expand on this as having to also do with economics because revenue/TAM dictates what the frontier labs choose to package into training data distributions during RL. You're either in the data distribution (on the rails of the RL circuits) and flying or you're off-roading in the jungle with a machete, in relative terms. Still not 100% satisfied with this, but it's an ongoing struggle to build an accurate model of LLM capabilities if you wish to practically take advantage of their power while avoiding their pitfalls, which brings me to...
- Last theme is the agent-native economy. The decomposition of products and services into sensors, actuators and logic (split up across all of 1.0/2.0/3.0 computing paradigms), how we can make information maximally legible to LLMs, some words on the quickly emerging agentic engineering and its skill set, related hiring practices, etc., possibly even hints/dreams of fully neural computing handling the vast majority of computation with some help from (classical) CPU coprocessors. - https://nitter.net/karpathy/status/2049903821095354523#m
- 帕梅拉 X 晓观队长 - 10分钟暴打HIIT|暴汗燃脂 SEXY SEXY - 明月天涯 + 策马 + MONICA【哔需练练】 - https://www.bilibili.com/video/BV1W25i6mEB3