注意力經濟下的 InfoFi 困境

在信息爆炸的時代，注意力已成為最稀缺的資源之一?；ヂ摼W時代信息泛濫，而人類處理信息的能力卻極其有限。這種稀缺性促使眾多企業(yè)展開激烈競爭，爭奪用戶注意力的能力已成為企業(yè)的核心競爭優(yōu)勢。加密行業(yè)以更為極端的形式展現了注意力競爭程度。注意力占有率在代幣定價和流動性形成中發(fā)揮著重要作用，這也成為決定項目成敗的關鍵因素。即使是技術領先的項目，如果未能吸引市場關注，也常常會被市場淘汰。

這種現象源于加密市場的結構性特征。用戶不僅是參與者，更是投資者，他們的注意力直接帶來代幣的實際購買行為，從而創(chuàng)造更大的需求和網絡效應。在注意力集中的地方就會創(chuàng)造流動性，而敘事在此流動性基礎上得以發(fā)展。這些既定的敘事隨后吸引新的關注，并形成良性循環(huán)，推動市場發(fā)展。

市場是基于關注度而運轉的。這種結構引出了一個關鍵問題：誰能從這些關注度中真正受益？用戶通過社區(qū)活動和內容創(chuàng)作來產生關注度，但這些行為難以衡量，也沒有明確的直接獎勵機制。到目前為止，普通用戶只能通過買賣代幣來獲得間接收益。對于真正創(chuàng)造關注度的貢獻者，目前尚無任何獎勵機制。

Kaito 的 InfoFi 網絡，來源：KaitoInfoFi 是解決這個問題的一種嘗試。InfoFi 將信息與金融相結合，創(chuàng)建了根據用戶內容產生的關注度（例如瀏覽量、評論量和分享量）來評估用戶貢獻，并將其與代幣獎勵掛鉤的機制。Kaito 的成功將這種結構得以廣泛傳播。Kaito 通過 AI 算法評估社交媒體活動，包括發(fā)帖和評論等。平臺根據分數提供代幣獎勵。用戶生成的內容吸引的關注越多，項目就能獲得更大的曝光度。資本將這種關注視為一種信號，并以此做出投資決策。隨著關注度的增長，更多資本流入項目，參與者的獎勵也隨之增加。參與者、項目和資本通過注意力數據作為媒介協同工作，從而形成了良性循環(huán)。

InfoFi 模型在三個關鍵領域作出了突出貢獻。首先，它量化了評估標準不明確的用戶貢獻活動?；诜e分系統(tǒng)讓人們能夠結構化定義貢獻，并幫助用戶預測他們可以通過特定行為獲得哪些獎勵，從而提高了用戶參與的可持續(xù)性和一致性。其次，InfoFi 將注意力從一個抽象的概念轉化為可量化和可交易的數據，用戶參與從簡單的消費轉變?yōu)樯a性活動。現有大多數的線上參與都涉及投資或內容分享，而平臺則通過這些活動產生的注意力來賺錢。InfoFi 會量化用戶對這些內容所作出的市場反應，并根據這些數據發(fā)放獎勵，從而導致參與者的行為被視為生產性的工作。這種轉變賦予用戶網絡價值創(chuàng)造者的角色，而不僅僅是社區(qū)成員。第三，InfoFi 降低了信息生產的門檻。過去推特大 V 和機構賬號主導著信息分發(fā)，并占據了大部分的關注和獎勵，而現在普通用戶在獲得一定程度的市場關注后，同樣能可以獲得切實的獎勵，為不同背景的用戶創(chuàng)造了更多參與的機會。

InfoFi 模型是加密行業(yè)內新的獎勵設計實驗，它量化了用戶的貢獻并將其與獎勵掛鉤。然而注意力已經成為一種過于中心化的價值，其副作用也逐漸顯現。第一個問題是過度的注意力競爭和內容質量的下降。當注意力成為獎勵的標準，創(chuàng)作內容的目的現在從提供信息或鼓勵有意義的參與轉變?yōu)閮H僅為了獎勵。而生成式 AI 使內容創(chuàng)作變得更容易，缺乏真實信息或洞見的批量內容迅速傳播。這些所謂的「AI Slop」內容正在整個生態(tài)系統(tǒng)中蔓延，從而引發(fā)了人們的擔憂。

Loud Mechanism，來源：Loud 項目清晰地展現了這一趨勢。Loud 嘗試將注意力代幣化，該平臺選擇將獎勵分配給特定時間段內獲得最多關注的頂級用戶。這種結構在實驗上很有意思，但注意力卻成為了獎勵的唯一標準，這導致用戶之間的競爭過熱，并引發(fā)了大量重復低質量內容的產生，最終導致了整個社區(qū)內容同質化現象的產生。

來源：Kaito Mindshare 第二個問題是獎勵中心化?；谧⒁饬Φ莫剟铋_始聚焦于特定項目或主題，其他項目的內容實際上被動從市場中消失或減少了，Kaito 的共享數據清楚地表明了這一點。Loud 曾一度占據 Twitter 上超過 70% 的加密內容，主導了生態(tài)系統(tǒng)內的信息流。當獎勵聚焦于注意力時，內容多樣性就會下降，信息也會逐漸圍繞提供高額代幣獎勵的項目而產生。最終營銷預算的規(guī)模決定了生態(tài)系統(tǒng)內的影響力。

以注意力為中心的獎勵結構引出了一個根本問題：內容應該如何評估，獎勵應該如何分配？目前大多數 InfoFi 平臺都基于簡單的指標（例如瀏覽量、點贊和評論）來判斷內容價值。這種結構假設「高參與度等于好內容」。參與度高的內容確實可能具有更好的信息質量或傳遞效果，然而這個結構主要適用于非常優(yōu)質的內容。對于大多數中低端內容而言，反饋數量與質量之間的關系尚不明確，從而造成重復的格式和過于積極的內容會獲得高評分的現象。與此同時呈現多元化視角或探討新主題的內容則難以獲得應有的認可。

解決這些問題需要更完善的內容質量評估體系。單純的基于參與度的評估標準是固定的，而內容價值會隨著時間或環(huán)境的變化而變化。例如 AI 可以識別有意義的內容，此外還可以引入基于社區(qū)的算法調整方法。后者可以采用讓算法根據定期提供的用戶反饋數據調整評估標準，從而幫助評估體系靈活應對變化。

獎勵結構也加劇了信息流偏差。當前的 InfoFi 生態(tài)系統(tǒng)通常每個項目都運行單獨的排行榜，它們使用自己的代幣進行獎勵。在這種結構下，擁有大量營銷預算的項目可以吸引更多內容，用戶的注意力往往會集中在特定項目上。想要解決這些問題，則需要對獎勵分配結構進行調整。每個項目可以保留各自的獎勵，平臺可以實時監(jiān)控內容集中度，并使用平臺代幣進行調整。例如內容可能過于集中在特定項目上時，平臺代幣獎勵可以暫時減少，而覆蓋率相對較低的主題可以獲得額外的平臺代幣。覆蓋多個項目的內容也可以獲得額外獎勵。這將創(chuàng)造一個多元化主題和觀點的環(huán)境。

評估和獎勵構成了 InfoFi 結構的核心。內容如何評估決定了生態(tài)系統(tǒng)的信息流，誰獲得什么樣的獎勵也至關重要。當前的結構依賴單一標準的評估體系與以營銷為中心的獎勵結構相結合，加速了注意力的主導性，同時也削弱了信息的多樣性。評估標準的靈活性對于可持續(xù)運營至關重要，分配結構的平衡調整也是 InfoFi 生態(tài)系統(tǒng)面臨的關鍵挑戰(zhàn)。

InfoFi 的結構化實驗旨在量化注意力并將其轉化為經濟價值，把現有的單向內容消費結構轉變?yōu)橐陨a者為中心的參與型經濟，這場實現的意義非凡。然而當前的 InfoFi 生態(tài)系統(tǒng)在注意力代幣化過程中面臨著結構性副作用，其中包括內容質量下降和信息流的偏差。這些副作用與其說是模型局限性，不如說是初始設計階段所必經的困境。基于簡單反饋的評估模式暴露了其局限性，受營銷資源影響的獎勵結構也暴露出問題。目前急需改進需要能夠正確評估內容質量的系統(tǒng)，另外還需要基于社區(qū)的算法調整機制和平臺層面的平衡調節(jié)機制。

InfoFi 旨在創(chuàng)建一個讓成員能夠通過參與信息生產和傳播獲得公平的獎勵的生態(tài)。要實現這一目標，需要技術改進，同時也需要鼓勵社區(qū)參與設計。在加密生態(tài)中，注意力就像代幣一樣運作。InfoFi 是一項設計和運營新經濟結構的重要實驗。當它發(fā)展成為有價值的信息和見解得以共享的結構時，它的潛力才能得以充分發(fā)揮。這項實驗的結果將加快數字時代信息量化經濟的發(fā)展進程。