这是一个脑洞引发的大坑，不定期会对本文有所扩充，想到时则会临时加进来。
社会的平庸化效果好强。
作为社会中的一个节点，来自社会的信息不断在自己脑中冲刷流过，让自己持有的信息接近社会平均水平。如果没有其他影响，每样信息均匀分布在每个人身上，这也是熵最大的状态。没有任何信息可以进行传播了，也是势能最小的状态。
社会中的平庸化的力量可能是一种像摩擦力一样的熵力？是一种耗散力？总之给我提供了一个对我来说是负功的效果。
我向着科学家的方向前进的速度会被它们减慢，直到和他们一样，甚至被他们的引力吸过去，当然，我对他们也有引力，我也会传播一些我的知识给他们（这里存疑，我没见过摩擦力能导致相互吸引的），影响是相互的，他们影响了我，我也影响了他们。
如果没有社会的影响，我也就保持着自己当前状态行进下去而已。
想到这些现象，我决定弄清楚这里的这些效果，至少想想怎么定量地研究。
我也许不知道所谓“信息上的运动”直接体现于什么，但是我可以寻找与他直接体现的东西成比例的东西、差了个常数的东西，这个东西最好是大数据学家在用的什么，这样说不定已经有不少无意中的研究成果了。
穷举各种变量，对各种变量求导数，迟早能找到的。
我实际做了一下，发现没想象中的那么复杂那么艰苦
信息上的力和运动并非空穴来风的胡乱类比，我的确是突然想到一套计算方法，但可能只能用在一些高度简化的模型里（比如只有节点组成的社交网络），或者数量过大以至于把个体的特性平均化了的情况下。
定义一个M+N个节点组成的全连通网络，其中群体A有N个人（节点），和有M个人的群体B。
为了方便考虑，一个群体内的每个人的想法都被视作相同的（现实不是这样，但是这和质点模型一样是对现实做的简化）
定义A群体的当前想法信息为k个数Ai（1≤i≤k）排成的有序数组（A1，A2，…，Ak）
定义距离为|A1-B1|+|A2-B2|+…|Ak-Bk|。（符合度量空间的定义都可以试试，这里随便拿了个）
比如
A拥有的想法信息是
（0，0，0…）后面全是零
B拥有的想法信息是
（0，1，1…）后面也全是零
这里距离就是2
A对B的单向的传达，会导致B从“当前想法信息”中随机选择一个与A不同的数位，变得与A相同。（这里可以扩展，不一定是每次就改一个信息）
交流是一种双向的传达，即A，B各自对对方进行“单向传达”。
A中的每个点都会给B传递一次信息，总共传递N次自己的信息。当然，B也会把自己的想法信息传递给A里的每个人，但只会给A里的每个点传递M次信息。因为只有M个人去干这件事。
能直接感受到的是，当A的人数远大于B时，N远大于M时，A的信息几乎不会有什么变化，就使得群体B中的M人在信息状态上被吸引过来。看上去少数服从了多数，但多数人也受到了影响，还是有略微变化的。
而M=N时则各变化一半
某群体人越多，该群体被拽动相同的距离就需要越多的人。人越多，对于对方的拽动效果也越明显。
把两个群体间的相互连边数N*M看作这两个群体的相互作用强度。
而强度除以群体人数就是该群体平均每人所受作用数（单个节点与对方群体的连边数）
群体所受吸引强度与人数成正比，无论是对方的人数还是自己的。
而群体内平均每个人受到的强度只与对方群体的人数成正比。
A群体每个人受到M次的作用时，B群体每个人就受到N次作用。
最终AB的位移之比是AB人数比的倒数。
距离是怎么起作用的还不清楚。
（怎么解释两个人越交流关系越差意见越冲突的情况？见附录）
我发现“想法信息”与引力理论中的“位置坐标”的性质很相似。
将想法信息视作位置，长度为k的有序数组可以看作k维坐标。每个维度只有0和1两个状态，分别表示与这个维度对应的信息是否已知（这样的定义并非必须，也可以根据需求做别的定义），一个人知道什么信息就在这个信息对应的维数上变为1，这里可以有无数多的维。
（可以扩展一下，每个人用一簇神经网络来表示，每次传达信息是更改神经网络的什么，神经网络或许可以先用来做模拟，相对社交网络来说是比较干净的环境了。）
总结一下
质量是社交网络中某一观点的持有人的数量。信息是坐标，运动所处的空间是信息构成的空间。距离是两者持有信息的相似程度，越相似的人相互间的引力越大。在一个网络中，持有某一观点的人越多，这个观点的质量就越大，我受到的引力也越大。我的信息也越容易靠近他们的信息，变成常见的观点。
----------------------------附录------------------------------
这里用于存放容易产生谬误的纠正。
Q：怎么解释两个人越交流关系越差的情况。
A：这需要对想法信息的物理意义进行明确的理解。
只考虑单向传达，一个人发出了信息，另一个人的脑子肯定是接受了这段信息的。
虽然他可能做一些思考从而产生其他意见甚至反对。
但这里距离变得相近的是“记忆信息”，而不是想法倾向。
两个人交流，会把自己脑中的信息告诉对方。
足够长的时间，最后达成一致的不一定是意见，可能只是记忆信息而已。
Q：记忆会不会被遗忘？
A：这里的确是假设了记忆力无限强的。但可以加上遗忘现象，比如神经网络里的注意力机制。以后可能扩展到不用节点来表示一个人，而是用一簇神经网络来表示个体，最开始做模拟时可能也是先从这里入手而不是twitter罢。毕竟会干净很多。尽管我怀疑注意力机制也只是唯象的，记忆遗忘现象应该是网络自带的效果。
——————————————————
值得注意的是，信息的均匀分布是熵最大的情况，而熵增的过程也是信息空间上引力的效果过程，我可能得到了一种关于如何把熵增和引力对应起来的方法
网友评论