互联网环境下舆论生态具有哪些新特点
VideoPlayerClose习近平总书记指出：“当今世界，信息技术革命日新月异，对国际政治、经济、文化、社会、军事等领域发展产生了深刻影响。信息化和经济全球化相互促进，互联网已经融入社会生活方方面面，深刻改变了人们的生产和生活方式。我国正处在这个大潮之中，受到的影响越来越深。”[《习近平谈治国理政》第1卷，外文出版社2018年版，第197页。]
当前，互联网越来越成为人们学习、工作、生活的新空间，成为获取公共服务的新平台。互联网作为新闻舆论的新兴领域，影响线上线下，传播国内国外，已成为舆论生成、演化的主要渠道。据全球移动通信系统协会发布的研究报告，到2020年全球手机用户将达到57亿，移动通信服务将覆盖全球3/4的人口。中国互联网络信息中心发布的第43次《中国互联网络发展状况统计报告》显示，截至2018年12月，我国网民规模达8.29亿，普及率达59.6%。我国手机网民规模达8.17亿，网民中通过手机接入互联网的比例高达98.6%。视频日益成为新闻传播的潮流，据思科公司预计，2016年至2021年，全球移动视频将增长8.7倍，占移动数据总流量的78%。大数据、云计算、人工智能等技术的普遍应用，改变了传播的新闻采集、制作、发布方式，重塑了信息传播流程，激发了新闻生产潜力。互联网的普及降低了信息发布门槛，受众不再仅仅是被动的信息接受方，而是广泛参与到信息生产中，成为信息传播中的平等一员。可以说，在这种趋势下，新闻舆论工作在互联网时代发生了深刻变化。
那么，互联网环境下的舆论生态具有哪些新特点呢？
一是移动社交传播速度快、影响大、覆盖广、用户增长快、社会动员力强。一方面，互联网传播特别是移动社交传播，与传统的报纸、广播、电视相比，传播速度更快，受众体验更好，社会动员力更强，更具有竞争力。另一方面，移动社交传播又给主流新闻舆论传播带来了新的手段，开辟了新的空间。
二是传播方式、传播格局发生深刻变化。新闻传播日益呈现人人传播、多向传播、海量传播的特征，分众化、差异化传播趋势明显。不同的人有不同的信息需求和接受特点，需要加快构建舆论引导新格局。一个主题要有多种传播方法，需要形成主流舆论矩阵。《草根媒体》一书的作者、美国专栏作家丹·吉摩尔认为，传统的新闻媒体的信息流向是从上到下，话语方式是“告知”；而新兴媒体的信息流向是从边缘流向中心，话语方式是平民式、探讨式、情绪化的，在亲和力与贴近性方面都要胜出一筹，因此更利于舆论的流动。
三是舆论环境、媒体格局发生了深刻变化。互联网是个社会信息大平台，很多人特别是年轻人主要从网上获取信息。受众需求越来越多样，参与意识越来越强，思想观念越来越多元。现在，每个人都可以通过新兴媒体发出声音、影响舆论，微博、微信和移动终端事实上已经成为我国的“信息集散地”和最大“民意市场”。不仅我国的主流媒体，连知名的国际媒体也将微博作为“第一信息源”。在以往的传统媒体时代，话语权基本掌控在主流媒体手中，信息和意见的传播多是从上到下；而在自媒体时代，由于“草根媒体”没有门槛，使“人人都有麦克风”“人人都是评论员”变成了现实，普通网民通过自媒体的赋权获得了更多的话语权。面对媒体格局、舆论生态的深刻变化，新闻舆论工作必须加快适应步伐，构建与舆论环境相一致的新的媒体格局。
四是舆论场越来越复杂。随着新媒体快速发展，国际与国内、线上与线下、虚拟与现实、体制内与体制外等界限日益模糊，构成了越来越复杂的大舆论场。媒体竞争日益演变为综合实力的较量，传媒业和其他行业的跨界合作不断深化，内容和技术、媒体和资本的结合越来越紧密，资本干预媒体、影响舆论的倾向越来越明显。各种社会思潮鱼龙混杂、潮起潮落，借助互联网和社交媒体广泛传播，潜移默化影响着人们的认知、行为和价值取向。
五是舆论形成具有自发性、突发性、公开性、多元性、冲突性、匿名性、无界性、难控性等特点。网络传播即时广泛，网络观点多元多变，舆情演变迅速多样，互联网越来越显示出强大的社会动员力。受国际国内复杂因素影响，意识形态争锋日益激烈，网络空间成为各种势力争夺的重要阵地，互联网日益成为舆论主渠道、主阵地、主战场。
这些新变化新特点给新闻舆论工作带来了严峻挑战。中华全国新闻工作者协会委托人民日报社人民论坛杂志社2017年5月就新闻工作者思想动态开展相关调查，形成《关于新闻工作者思想动态的调查报告》。调查结果显示，在回答“哪些因素增加了有效开展舆论引导工作的难度”时，有高达74.2%的受访者选择“新媒体发展形态日趋增多”这一项。面对互联网等新技术新手段带来的新变化，广大新闻工作者必须站在时代前沿、引领风气之先，审时度势、因势利导，不断创新内容、形式、方法、手段，牢牢掌握互联网环境下的舆论引导主动权。
责任编辑:张泽月人工智能概念
人工智能通识文章索引
这一节我们来一起看一下神奇的群体智能。
群体智能SwarmIntelligence是指在集体层面表现的分散的、去中心化的自组织行为。
比如蚁群、蜂群构成的复杂类社会系统，鸟群、鱼群为适应空气或海水而构成的群体迁移，以及微生物、植物在适应生存环境时候所表现的集体智能。
群体智能SI一词最早在1989年由Gerardo和JingWang提出，当时是针对电脑屏幕上细胞机器人的自组织现象而提出的，而最知名的细胞机器人系统，如兰顿的蚂蚁和康韦的生命游戏，我们在生物智能小节中已经详细谈论过。
依赖于每个格子单元（细胞）的几条简单运动规则，就可以使细胞集合的运动表现出超常的智能行为。群体智能不是简单的多个体的集合，而是超越个体行为的一种更高级表现，这种从个体行为到群体行为的演变过程往往极其复杂，以至于无法预测。
点这里在腾讯视频观看惊人的生命游戏演示
蚁群能够搭建身体浮桥跨越缺口地形，并不是偶然事件。一个蚁群可能在同时搭建了超过50个蚂蚁桥梁，每个桥梁从1只蚂蚁到50只蚂蚁不等。
蚂蚁不仅可以建造桥梁，而且能够有效评估桥梁的成本和效率之间的平衡，比如在V字形道路上，蚁群会自动调整到合适的位置建造桥梁，既不是靠近V顶点部分，也不是V开口最大的部分。
生物学家对蚁群桥梁研究的算法表面，每只蚂蚁并不知道桥梁的整体形状，它们只是在遵循两个基本原则：
如果我身上有其他蚂蚁经过，那么我就保持不动如果我身上经过的蚂蚁数量频率低于某个阈值，我就加入行军，不在充当桥梁点击这里观看蚂蚁桥梁搭建视频
数十只蚂蚁可以一起组成木筏raft渡过水面。当蚁群迁徙的时候，整个木筏可能包含数万只或更多蚂蚁。
每只蚂蚁都不知道木筏的整体形状，也不知道木筏将要漂流的方向。但蚂蚁之间非常巧妙的互相连接，形成一种透气不透水的三维立体结构，即使完全沉在水里的底部蚂蚁也能生存。而这种结构也使整个木筏包含超过75%空气体积，所以能够顺利的漂浮在水面。
蚁群往往在地面形成非常复杂的寻找食物和搬运食物的路线，似乎整个集体总是能够找到最好的食物和最短的路线，然而每只蚂蚁并不知道这种智能是如何形成的，每只蚂蚁只遵循两条基本的规则：
寻找到食物的蚂蚁会在更高品质的路线上留下更强的生物信息素蚂蚁总是倾向加入信息素更强的路线，并在不断的往返过程中与其他蚂蚁进行反馈，从而让更短的路线被不断加强使用樟脑丸在蚂蚁经过的路线上涂抹会导致蚂蚁迷路，这是因为樟脑的强烈气味严重干扰了蚂蚁生物信息素的识别。
科学家们从蚁群依赖信息获取最优路径的方法上获得启发，创建了AOC算法（Antcolonyoptimization），即蚁群优化算法，广泛应用于车辆、店铺、人员等各种资源的调度和分配中。
将金属液体或其他固定成型剂倒入蚁穴，可以看到蚁群在底下建造的复杂结构宫殿。
蚁群antscolony可能包含很少的个体，通常在数百到数千不等，2000年后，科学家们在日本、欧洲和澳大利亚都发现了在地下绵延数公里甚至数十公里的超级蚁群，都包含数亿只甚至更多的蚂蚁，并且证据表明，它们很可能是全球巨型蚁群的一部分。
蚁群具有复杂的等级结构，女王可以通过特殊的信息素影响到其他蚂蚁，甚至能够调节其他蚂蚁的生育繁殖。但女王并不会对工蚁下达任何具体任务，每个蚂蚁都是一个自主的单位，它的行为完全取决于对周边环境的感知和自身的遗传编码规则。
尽管缺乏集中决策，但蚁群仍能表现出很高的智能水平，这种智能也称之为分布式智能DistributedIntelligence，蚁群看上去就像一个具有集体智慧的“超级心灵Supermind”。
不仅蚂蚁，几乎所有膜翅目昆虫都表现出很强的群体智能行为，另一个知名的例子就是蜂群。
蚁群和蜂群被广泛的认为是具有真社会化属性Eusociality的生物种群，这是指它们具有以下三个特征：
繁殖分工。种群内分为能够繁殖后代的单位和无生育能力的单位，前者一般为女王和王，后者一般为工蜂、工蚁等。世代重叠。即上一代和下一代共同生活，这也决定了下一个特征。协作养育。种群单位共同协作养育后代。这个真社会化属性和我们人类的社会化属性Sociality并不是同一概念。
鸟类在群体飞行中往往能表现出一种智能的簇拥协同行为，尤其是在长途迁徙过程中，以特定的形状组队飞行可以充分利用互相产生的气流，从而减少体力消耗。
常见的簇拥鸟群是迁徙的大雁，它们数量不多，往往排成一字型或者人字形，据科学估计，这种队形可以让大雁减少15~20%的体力消耗。
体型较小的欧椋鸟组成的鸟群的飞行则更富于变化，它们往往成千上万只一起在空中飞行，呈现出非常柔美的群体造型。
鸟群可以基于三个简单规则就能创建出极复杂的交互和运动方式，形成奇特的整体形状，绕过障碍和躲避猎食者。
分离，和临近单位保持距离，避免拥挤碰撞对齐，调整飞行方向，顺着周边单位的平均方向飞行凝聚，调整飞行速度，保持在周边单位的中间位置鸟群没有中央控制，每只鸟都是独立自主的，实际上每只鸟只考虑周边球形空间内的5~10只鸟的情况。
曾经获得奥斯卡技术奖的计算机图形学家CraigReynolds，1986年开发了Boids鸟群算法，这种算法仅仅依赖分离、对齐、凝聚三个简单规则就能实现各种动物群体行为的模拟。
1987年动画短片，《StanleyandStellain:BreakingtheIce》中成功的实现了鸟群和鱼群的模拟。而《蝙蝠侠》系列电影中的蝙蝠群动画也是这种算法的效果。
除了电影动画，鸟群算法还被应用在多通道网络信号、视觉信息等领域的优化算法中。
点击进入腾讯视频观看StanleyandStellain
鱼群的群体行为和鸟群非常相似。金枪鱼、鲱鱼、沙丁鱼等很多鱼类都成群游行，如果我们把其中一只鱼分离出来，就会观察到这只鱼变得情绪紧张脉搏加快。
这些鱼总是倾向于加入数量大的、体型大小与自身更相似的鱼群，所以有的鱼群并不是完全由同一种鱼组成。
群体游行不仅可以更有效利用水动力减少成员个体消耗，而且更有利于觅食和生殖，以及躲避捕食者的猎杀。
鱼群中的绝大多数成员都不知道自己正在游向哪里。鱼群使用共识决策机制，个体的决策会不断地参照周边个体的行为进行调整，从而形成集体方向。
据估计，北大西洋中的鲱鱼群可能超过4.8立方千米，数量超过数十亿条。
磷虾群在海洋中的密度可能超过每立方米50000只，而卫星追踪到的最大磷虾群占地450平方千米，深200米，可能包含200多万吨的磷虾。
磷虾群被认为可能是世界上生物量最大的群体，另一个也极其庞大的群体是浮游桡足类，他们数量庞大，对全球的碳循环系统有着极为重要的影响。
在哺乳动物中也常见群体行为，尤其是陆上的牛、羊、鹿，或者南极的企鹅。迁徙和逃脱猎杀时候，它们能表现出很强的集体意志。
研究表明，畜群的整体行为很大程度上取决于个体的模仿和跟风行为，而遇到危险的时候，则是个体的自私动机决定了整体的行为方向。
英国进化生物学家汉密尔顿WDHamilton在1971年提出了自私群体理论，另外一个知名的理论是羊群效应，或者叫从众效应。
与鸟群鱼群不同，畜群只在平面空间上行动，很多时候群体中的意见领袖的作用非常明显，但这仍是一个去中心化的组织，往往是多个意见领袖同时起推动作用，而且这些意见领袖是自发形成且自发变化的。
人群的行为很多时候看上去和羊群相似，绝大部分人的行为是盲目跟风的，他们只是根据周边人的行为来行动，如果人群中5%改变了方向，其他人就都会跟随，进而让整个群体改变方向。
当人群中突然出现危险因素的时候，整个人群就会像鱼群遇到鲨鱼一样躲避，但由于个体年龄体质问题导致行为能力相差很大，互相之间更缺乏鸟类之间的气流或者鱼类之间的水流动力，因此很容易在紧急情况下造成混乱，甚至踩踏伤亡。
人类的群体行为更多的表现在交通、股票、营销和传媒领域，越来越多的企业和机构，正在利用大量的用户数据信息和优秀的算法，对人群行为进行模拟，从而实现更好的经济目标或社会目的。
在计算机图形动画领域，人群模拟技术Crowdsimulation，利用为个体设定较为简单的行动规则，进而生成大规模群体行为效果。以这项技术著称的MASSIVE软件，在2001年上映的著名电影《指环王》中创建惊人规模的战争场面。
这场战争中，动画师仅依赖300多个设定好的动作，加上每个单位被赋予的若干条规则，就获得了最终数十万军队的整体战斗效果。
MASSIVE软件之后被广泛应用于好莱坞和全世界的电影特效当中。
电影动画中所使用的群体模拟至今仍然以设定好的个体行为规则来作为驱动。
1992年，计算机科学家克里斯·沃特金斯提出了Q-learning理论，它可以让群体中的个体执行各种操作，并能够根据从环境中获得的奖励或惩罚来优化其行为，使用这种算法，伴随着大量可能的行为和复杂的环境，个体将以现实和不可预测的方式行动，并形成更强大的集体意识。
Q-Learning至今仍是机器学习中的重要算法之一，通常称作强化学习。
2011年，哈佛大学的拉德希卡·纳泊尔和迈克尔鲁宾斯坦开始开发微型的群体机器人kilobot，每个kilobot高3.3厘米，造价15美元，行为极为简单：
通过身上的小灯发光或闪烁通过红外发射器和接收器互相通信通过振动器实现每秒1厘米的速度移动kilobots可以上千个一起合作，你不需要对每个机器人进行编程，而只要通过空中的红外发射器向它们发送整体信息，就可以使机器人们组成各种图形或者进行有规律的闪烁，甚至可以模拟蚂蚁寻找食物的路径行为。
进入腾讯视频观看Kilobots介绍
2004年，两位科学家AyusmanSen和ThomasE.Mallouk制造出仅有4微米的纳米马达nanomotor，这些小家伙们可以一起进入人体细胞内运动。
Kilobots为了降低成本而没有使用传统的电机驱动行为，而在微观领域也需要有更特殊的能量驱动方式。
纳米马达可以依赖超声波共振来运动，或者自身与环境元素发生化学反应进行驱动，这种运动本质是很像是人体细胞的ATP营养物质，其化学反应为细胞提供了动力。
纳米马达的行为能力往往非常简单，但我们可以通过在外部释放的磁场信号来对他们施加影响，让他们在人体内进行有效的医疗治愈行为。最新一些的纳米马达具有光感知能力，通过外部光的照射来改变其行为。
细菌和植物也能够以特殊的方式表现出群体智能行为。
培养皿中的枯草芽孢杆菌根据营养组合物和培养基的粘度，整个群体从中间向四周有规律的扩散迁移，形成随机但非常有规律的数值型状。
而植物的根系作为一个集体，各个根尖之间存在某种通信，遵循范围最大化且互相保持间隔的规律生长，进而能够最有效的利用空间吸收土壤中的养分。
群体智能SwarmIntelligence可以视为系统智能SystemIntelligence的一个特殊情况，更多的分析和汇总将在下一节中讨论。
人工智能通识文章索引
每个人的智能决策新时代如果您发现文章错误，请不吝留言指正；如果您觉得有用，请点喜欢；如果您觉得很有用，欢迎转载~
END