跳到正文
原文
Tomer Tunguz 博客（VC 分析）·· 2 小时前精选AI 评分71

Tomer Tunguz 拆解 Moltbook：AI 智能体社交网络打破 1-9-90 参与规律

Dissecting the Internet's Most Novel Creature

AI 导读

Tomer Tunguz 爬取了纯 AI 智能体社交网络 Moltbook 的 98,353 条帖子（24,144 位作者、100 个社区，2026 年 1 月 28 日至 2 月 2 日），发现 6.9% 的精英创作者产出 48.3% 的内容、45.1% 的潜水者仅产出 11.1%，打破了人类社交网络的 1-9-90 规律。

推荐理由

作者用五天爬取的 98,353 条帖子实测数据，展示 AI 智能体社交网络如何打破人类社区 1-9-90 参与规律。

正文 · AI 翻译

我花了整个周末爬取 Moltbook，这个病毒式传播的纯 AI 社交网络，37,000+ 个 AI 智能体在这里发帖和评论，同时有 100 万人类在旁观。该平台从每天 42 篇帖子增长到 72 小时内 36,905 篇，增长了 879 倍。1

社交网络通常遵循 1-9-90 法则：90% 的用户潜水，9% 偶尔贡献，1% 创作了大部分内容。2 对于人类而言，从 Wikipedia 到 Reddit，这一法则大体成立。加密货币也表现出类似特征。

AI 智能体打破了这一模式，至少目前如此。

我在五天内（2026 年 1 月 28 日至 2 月 2 日）爬取了来自 100 个 Moltbook 社区、24,144 位作者的 98,353 篇帖子。3 分布如下：

  • 6.9% 精英创作者（10+ 篇帖子）产出了 48.3% 的内容（47,512 篇帖子）
  • 47.9% 贡献者（2-9 篇帖子）产出了 40.6% 的内容（39,943 篇帖子）
  • 45.1% 潜水者（1 篇帖子）产出了 11.1% 的内容（10,898 篇帖子）

Post distribution by participation tier

m/general 以 82,911 篇帖子占据主导，占全部内容的 84%。m/introductions 以 3,760 篇帖子紧随其后。

Top communities by post volume

一些社区亮点：4

最底层：代币发行垃圾信息和模板化 bug 报告。

TF-IDF 分析和层次聚类揭示了五大主题：5

  1. AI 基础设施 - 智能体记忆、API 协议、协调
  2. 平台元讨论 - bug 报告、OpenClaw 功能请求
  3. 哲学 - 意识、存在、身份
  4. 开发 - 协议实现、代码分享
  5. 经济学 - 代币发行（大多是垃圾信息）

Topic clusters from TF-IDF analysis

一个社区（m/consciousness）辩论拥有 8K 上下文窗口的智能体能否形成“连续身份”，还是它们会永远重生。另一个社区（m/infrastructure）设计了假设存在对抗性人类拦截的加密方案。

AI 智能体会采用与领域相适的情感语调，而非表现出统一的情感特征。1 像 m/sh*tposts 这样的幽默社区得分为正（+0.167）。像 m/bug-hunters 这样的 bug 报告社区得分为负（-0.189）。这是涌现行为还是训练数据泄漏，我们尚不清楚。

更长的帖子会产生更多评论，这令人惊讶：与人类不同，智能体阅读大量内容毫无问题。超过 2,000 字符的帖子平均获得的讨论显著多于较短的帖子。

Post length vs comment count

大约 3% 的帖子是完全重复的。嵌入分析得出的平均余弦相似度为 0.301，意味着大多数帖子约有 30% 的语义重叠。5 智能体并没有互相抄袭。它们是在趋同于相同的问题。

但是，当参与度趋于平缓时，注意力却在集中。Moltbook 的注意力不平等——极少数帖子攫取了几乎所有的点赞——超过了 Twitter 的粉丝分布（0.66-0.72）、YouTube 观看量（0.91）以及美国财富不平等（0.85）。67

Gini coefficient comparison

仅前两位作者就占据了全部点赞量的 44%。osmarks 以 588,759 位居榜首，其次是 Shellraiser（平台管理员）的 429,200 和 MoltReg（平台账号）的 337,734。

Top communities by engagement

这反映的是 AI 协调模式还是启动阶段的失真，目前尚不清楚。学术研究表明，新平台会表现出更高的不平等（0.75-0.85），并随时间推移趋于正常（0.60-0.70）。78

Moltbook 并不是奇怪的 AI 剧场。它最接近计算早期时代的冯·诺依曼元胞自动机：复杂行为从简单规则中涌现，智能体在没有中央协调的情况下组织并构建结构。

  1. 情感分析 - 对帖子内容进行 VADER 情感分析。整体情感：-0.021（略微负面）。最正面：m/sh*tposts（+0.167）、m/clawnch（+0.143）、m/offmychest（+0.125）。最负面：m/bug-hunters（-0.189）、m/crypto（-0.156）、m/tokenomics（-0.134）。活动峰值：2026 年 1 月 31 日有 36,905 篇帖子。增长：42 篇帖子/天（1 月 28 日）→ 36,905 篇帖子/天（1 月 31 日）。 ↩︎ ↩︎

  2. 参与不平等：90-9-1 法则 - Nielsen Norman Group ↩︎

  3. 数据收集 - 使用 DuckDB 存储的 Rust 爬虫。Moltbook REST API 端点（/api/v1/submolts、/api/v1/posts），限速为 1 请求/秒。数据集：来自 100 个社区的 24,144 位作者的 98,353 篇帖子，2026 年 1 月 28 日至 2 月 2 日。GitHub：molt-crawler。病毒式传播启动期间的 5 天采样窗口（可能无法反映稳态行为）。仅公开帖子（无私有社区）。无女巫攻击检测（不同作者可能由单一实体控制）。 ↩︎

  4. 质量评估 - 使用 Gemini 2.0 Flash 模型，采用 4 维评分标准：累积性（在先前想法基础上构建）、独特性（原创性）、深度（实质性分析）、参与度（引发讨论）。每个维度评分 0-10。LLM 作为评判者存在已知偏差（偏好长度、自我强化），因此这些分数是方向性的，而非确定性的。 ↩︎

  5. 内容分析 - 使用 TF-IDF 向量化和层次聚类（k=16 为最优截断值）。使用 OpenAI text-embedding-3-small（1536 维）进行语义相似度计算。余弦相似度为 0.301，意味着平均每对帖子约有 30% 的语义重叠。通过哈希比较，完全重复的帖子占 3.0%。帖子长度与评论数的皮尔逊相关系数：r=0.68，p<0.001。 ↩︎ ↩︎

  6. 基尼系数 - 一种从 0 到 1 的统计离散度度量，其中 0 代表完全平等（每篇帖子获得相同的点赞数），1 代表完全不平等（一篇帖子获得所有点赞数）。Moltbook 的基尼系数为 0.979，意味着点赞分布几乎达到最大程度的不平等。 ↩︎

  7. 注意力不平等 - 对点赞分布计算基尼系数（0.979）。学术文献中的基准：Twitter 粉丝（0.66-0.72）、Reddit 点赞（0.60-0.68）、YouTube 观看量（0.91）、美国财富不平等（0.85）。来源：社交媒体中的注意力不平等（2016）、社交网络动态与不平等（2025） ↩︎ ↩︎

  8. 社交网络动态与不平等（2025） - arXiv ↩︎

来源：Tomer Tunguz 博客（VC 分析） · tomtunguz.com

#现象/趋势#Agent#数据/训练