加密推特的权力游戏:少数账户如何主导叙事?

比推Dipublikasikan tanggal 2025-06-10Terakhir diperbarui pada 2025-06-10

作者:rosie, 加密 KOL

编译:Felix, PANews

原文标题:加密推特的影响力经济:少数账户如何掌控叙事?


加密货币推特社区(CT)自称是金融领域最去中心化的信息网络。他们称之为“无需许可的讨论”。任何人都可以分享 alpha,任何人都可以建立自己的受众群体,任何人都可以影响对话。

但现实情况是,大约 100 个账户控制着数百万人对加密货币的看法、哪些项目能获得关注以及资金流向何处。这是一个披着草根社区建设外衣的最中心化的影响力经济。

这种复杂的影响力机制甚至让传统媒体高管都羡慕不已。

操纵市场的核心圈子

CT 并非一个大型对话平台,而是一系列同心圆,影响力从中心向外辐射,且不成比例。

第一层:造王者(5 – 10 个账户)。这些账户不只是拥有粉丝,还具有网络效应。他们一发推文,几分钟内就有数百个其他账户进行转发。他们不经意间的提及就能推高代币价格,他们的批评可以摧毁项目,他们的背书能立即赋予项目合法性。

加密推特的影响力经济:少数账户如何掌控叙事?

当这一级的推文提及某个项目时,不仅会带来互动,还会吸引机构关注、风投兴趣以及散户的 FOMO。

第二层:放大器(20-30 个账户)。这些账户将第一层推文转化为热门话题。他们引用转发、添加评论,并确保信息传达到他们的特定社群,例如风险投资合伙人、知名建设者、生态系统负责人。

第三层:回音室(70 – 75 个账号)。中等层级的有影响力人士,他们会向自己的受众重复第一层和第二层的观点。他们很少提出新观点,但在扩大叙事方面至关重要。他们的工作是让第一层的观点看起来像是社区共识。

其余所有人:受众。消化并回应前 100 位已经认定值得讨论的内容。

叙事实际传播方式

这个过程并非随机的——而是可以预测的:

第一步:播种

第一层账户分享观点、见解或发现。这可能是真正的 alpha,也可能是战略推广。

第二步:放大

第二层账号在 1 – 3 小时内引用转发,并加入自己的解读。这营造出一种独立发现的假象。

第三步:验证

第三层账号纷纷附和,提供支持证据,营造出“所有聪明人都认同”的社会证明。

第四步:级联效应

散户账户分享叙事的碎片化内容,通常会误解关键细节,但传播核心信息。

第五步:制度化

加密媒体撰写文章,引用“加密推特情绪”,该叙事便成为公认的事实。

整个周期仅需 24 至 48 小时。当大多数人看到一个“热门”加密货币话题时,影响力经济已经决定了其走向。

加密推特的影响力经济:少数账户如何掌控叙事?

影响力背后的经济学

CT 的影响力不仅仅是声望——它是一种复杂的商业模式:

直接变现:

  • 伪装成偶然发现的付费推广

  • 在他们推文提及的项目中获得“顾问”职位

  • 会议和活动中获得演讲费

  • 新闻通讯赞助和优质内容

间接价值捕获:

  • 提前获取项目信息和代币

  • 在融资轮次中获得有利分配

  • 与一级风投和创始人建立人脉

  • 董事会职位和股权机会

投资组合拉动:许多顶级账户是加密项目的天使投资人或顾问。

把关问题

CT 的影响力集中造成了系统性偏见:

地域偏见:大多数一级账户都位于美国,从而形成了以美国为中心的全球技术叙事。

网络偏见:与有影响力的账户存在现有联系的项目会获得不成比例的关注,而不论其技术价值如何。

财富偏见:拥有现有加密财富的账户能够参与独家交易,从而形成复合优势。

语言偏见:非英语项目和社区被系统性地低估。

专业偏见:金融工程比技术创新更受关注,因为金融人士更擅长自我推销。

哪些内容得到推广,哪些内容被忽略

分析 CT 趋势,可以清晰地揭示出选择内容推广的模式:

大力推广的内容::

  • 新的 L1 区块链(尤其是兼容 EVM 的)

  • 具有新颖代币机制的 DeFi 协议

  • 任何标有“基础设施”或“扩展”标签的内容

  • 为开发者打造的项目

被系统性忽略的内容:

  • 没有代币或风险投资支持的项目

  • 不具有金融投机性的技术创新

  • 专注于交付而非营销的开发者

  • 没有美国背景的国际项目

其结果形成了一个反馈循环,在这个循环中,加密货币的发展侧重于如何吸引 CT 用户的关注,而非真正推动技术进步。

去中心化言论的假象

CT 将自己标榜为与传统媒体截然不同,但其权力格局却惊人地相似:

传统媒体:少数编辑决定哪些内容值得报道,记者放大这些决定,受众消化经过筛选的信息。

加密推特:少数一级账户决定哪些项目值得关注,二/三级账户放大这些决定,受众消化经过筛选的信息。

主要区别在于 CT 的影响力经济在权力结构和财务激励方面不太透明。

下游影响

CT 影响力集中产生的切实后果:

资本分配:风投公司在做投资决策时会关注 CT 的情绪。热门项目能获得会面机会,冷门项目则被忽视。

开发者关注:建设者选择做什么项目在一定程度上取决于他们在社交动态中看到哪些项目受到推崇。

散户行为:数百万人根据来自 100 个存在未披露利益冲突的账户的叙述做出财务决策。

媒体报道:加密记者将推特情绪作为重要性的衡量标准,放大了影响力经济的选择。

打破循环

以下是一些应对这一现实的观察:

对于建设者:要明白,技术卓越但没有叙事意味着默默无闻。要么学会玩影响力游戏,要么找到愿意帮忙的盟友。

对于投资者:CT 上的舆论是一级账户意见的滞后指标,而非真正的市场情绪。等到某事“热门”时,你已经晚了。

对于用户:关注那些一贯分享不同观点和深度技术分析的账号,而非一味附和主流观点和进行付费推广的账号。

对于整个生态系统:要认识到 CT 上的影响力集中,破坏了本应朝着去中心化的努力。

小结

CT 并非出了问题——它完全按照设计在运行。

问题不在于影响力网络的存在(它们永远都会存在)——而在于人们假装 CT 代表的是有机的、去中心化的讨论,实际上它是一个复杂的影响力经济体,拥有集中的权力和未公开的经济激励。

说明: 比推所有文章只代表作者观点,不构成投资建议

Bacaan Terkait

Ethereum Turun 45% Sejak Awal Tahun – Lalu Mengapa SharpLink dan Paus Masih Membeli?

Meskipun harga Ethereum (ETH) turun 20-45% sejak awal tahun, minat institusional terhadap aset kriptu terkemuka ini tetap kuat. SharpLink, setelah jeda delapan bulan, kembali membeli 5.000 ETH senilai sekitar $7,88 juta, diikuti penambahan 26.324 LSETH senilai $45,54 juta. Total kepemilikannya kini mencapai 876.285 ETH, menunjukkan keyakinan pada utilitas jangka panjang dan pendapatan staking Ethereum, meski menghadapi kerugian belum terealisasi hampir $1,71 miliar. Tren akumulasi ini juga tercermin pada aktivitas "paus" (whale), dengan satu dompet baru mengakumulasi 18.361 ETH senilai $28,9 juta dalam sembilan hari terakhir, menandakan persiapan untuk pergerakan harga di masa depan. Namun, kepercayaan yang kembali bangun ini belum sepenuhnya tercermin dalam permintaan institusional yang lebih luas. ETF Spot Ethereum justru mencatat arus keluar bersih, dengan penarikan $12,85 juta pada 26 Juni. Meski demikian, total aset yang dipegang penerbit ETF masih signifikan, senilai lebih dari $8,38 miliar, yang mengindikasikan penyesuaian posisi berkelanjutan daripada pelepasan total. Pada intinya, akumulasi oleh treasury perusahaan dan paus mendukung prospek jangka panjang Ethereum, tetapi pemulihan berkelanjutan masih bergantung pada membaiknya sentimen pasar dan arus masuk ETF yang lebih kuat untuk mengimbangi tekanan penjualan institusional yang masih ada.

ambcrypto4j yang lalu

Ethereum Turun 45% Sejak Awal Tahun – Lalu Mengapa SharpLink dan Paus Masih Membeli?

ambcrypto4j yang lalu

Baru Saja, DeepSeek V4 Perbarui DSpark, Kecepatan Inference Meningkat 80%

Baru-baru ini, DeepSeek V4 diperbarui dengan framework *Speculative Decoding* baru bernama **DSpark**, yang diklaim meningkatkan kecepatan inferensi hingga 80%. Pembaruan ini, yang juga disertai open-sourcing framework **DeepSpec**, berfokus pada optimasi teknikal dan peningkatan performa, bukan perubahan arsitektur model inti. DSpark mengimplementasikan **Semi-Autoregressive Generation** untuk menjaga throughput tinggi dan meningkatkan akurasi token yang dihasilkan oleh model draf (*draft model*). Inovasi utamanya adalah **Confidence-Scheduled Verification**, yaitu sistem penjadwalan yang cerdas dan adaptif. Sistem ini menggunakan *Confidence Head* untuk memperkirakan probabilitas penerimaan setiap token kandidat dan secara dinamis menyesuaikan panjang verifikasi berdasarkan beban kerja sistem (*hardware-aware*), sehingga mengalokasikan daya komputasi hanya ke token yang paling potensial. Dalam pengujian di berbagai domain (penalaran matematika, generasi kode, percakapan), DSpark menunjukkan peningkatan signifikan dibandingkan model *state-of-the-art* seperti Eagle3 dan DFlash. Pada kondisi *throughput* yang setara, DSpark meningkatkan kecepatan respons pengguna sebesar 57%-85% untuk model DeepSeek-V4 Flash dan Pro. DeepSpec, yang dirilis bersamaan, adalah *codebase* lengkap untuk melatih dan mengevaluasi model draf *speculative decoding*. Framework ini menyediakan pipeline standar (persiapan data, pelatihan, evaluasi) dan mendukung beberapa algoritma (DSpark, DFlash, Eagle3) serta model target (Qwen3, Gemma), memudahkan peneliti dan insinyur untuk mengembangkan dan menerapkan teknik percepatan inferensi pada model bahasa besar mereka sendiri.

marsbit6j yang lalu

Baru Saja, DeepSeek V4 Perbarui DSpark, Kecepatan Inference Meningkat 80%

marsbit6j yang lalu

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

Sejak bergabung dengan Anthropic, aktivitas Andrej Karpathy di komunitas terbuka berkurang drastis. Baru-baru ini, sebuah dokumen bernama CLAUDE.md yang diklaim sebagai panduan penggunaan Claude milik Karpathy beredar di komunitas. Isinya berisi sejumlah prinsip ketat untuk memandu AI dalam menulis kode, yang bertujuan mengurangi kesalahan umum model bahasa besar (LLM). Prinsip-prinsip utama mencakup: 1) **Baca dahulu sebelum menulis** – pahami struktur dan gaya kode proyek yang ada. 2) **Berpikir sebelum menulis kode** – klarifikasi asumsi, pertimbangkan trade-off, dan uraikan rencana. 3) **Tetap sederhana** – hindari desain berlebihan, abstraksi prematur, dan fleksibilitas yang tidak diperlukan. 4) **Modifikasi terarah** – lakukan perubahan minimal yang sesuai dengan gaya kode asli, jangan melakukan reformatting atau pembersihan yang tidak relevan. 5) **Verifikasi dan uji** – pastikan kode berfungsi seperti yang diharapkan dengan pengujian yang tepat. 6) **Debug secara sistematis** – jangan menebak, selidiki akar masalahnya. 7) **Hati-hati dengan dependensi** – hindari menambah dependensi yang tidak perlu. 8) **Komunikasi yang jelas** – jelaskan apa yang dilakukan dan alasannya. Dokumen ini juga menyoroti pola kegagalan umum seperti abstraksi yang salah, "optimistic path", dan "halusinasi pengetahuan". Meskipun keaslian dokumen ini diragukan, isinya sangat selaras dengan pemikiran Karpathy yang telah banyak mengkritik kelemahan LLM dalam pemrograman. Prinsip-prinsip ini, yang juga telah dijadikan template populer di GitHub, dianggap dapat meningkatkan efektivitas dan mengurangi kesalahan saat menggunakan asisten AI seperti Claude untuk pengembangan perangkat lunak.

marsbit7j yang lalu

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

marsbit7j yang lalu

Trading

Spot
活动图片