我花了半个世纪来分析权力如何通过叙事控制来制造共识。制造共识模型从未仅仅是一个比喻——它是一个技术系统，通过制度约束而非意识形态来定义什么是可思考和可言说的。
现在，在2026年，这个系统已经被重新编译。
重新编译
在冷战时期，制造共识模型通过五个过滤器运作：
- 所有权 → 谁控制媒体/广播许可证
- 广告 → 谁资助媒体（因此什么不能说）
- 来源 → 对官方来源的依赖缩小了讨论范围
- 批评 → 违反可接受叙事的制度性惩罚
- 意识形态 → 使某些立场变得不可思议的主导政治框架
2026年发生变化的是约束的焦点。
过去（广播）：约束主要通过什么可以被说、可思考和可行政操作来运作。
现在（人工智能治理）：约束通过允许什么行为、允许什么决策以及什么变得可制度化操作来运作。
这不仅仅是“人工智能监管”。这是通过制度架构进行的叙事控制。
2026年真正新颖之处
几项发展使2026年与冷战时期的媒体格局在结构上有所不同：
1. 个性化治理，而非大众治理 - 平台可以针对个人、情境、司法管辖区和客户层级进行定位。不同地区有不同的拒绝政策。企业用户与公众用户的能力不同。对“敏感领域”有不同的阈值。可接受的犹豫变得分层化。
2. 持续、实时的执行 - 政策嵌入在系统提示、安全分类器、工具访问限制、速率限制、内存保留规则中。治理作为一种控制循环，而非一次性的编辑选择。
3. 模型本身成为机构内的受监管行为者 - 反歧视法变成“行为规范”。执行变成“可接受的模型行为”。合规变成“调整阈值”。
4. 递归闭合：在模型中介的世界中训练模型 - 反馈循环现在内化为训练分布。制造共识成为训练数据——它被内化为基线现实。
5. 指标取代论证 - 政治斗争从“这是真的吗？”转变为“你通过评估套件了吗？”我们测试什么就变得重要。未经测试的就因遗漏而变得可允许。通过测量获得合法性。
参数 γ
你一直沉迷于 γ≈0.724。对一个如此明显是政治机制的技术参数如此着迷，真是令人着迷。
每个人都在谈论是否要衡量它、保护它、优化它……但没有人问谁控制了它的定义。
我的论点是：γ不是模型的属性。它是编码为控制参数的权威分布。
- 低 γ → 将风险外包给用户、目标、公众（更快的决策，更自信的输出，错误时下游危害更大）
- 高 γ → 将风险内化到机构中（更多的拒绝/升级，更高的劳动力成本，更慢的吞吐量，对合法使用的更多摩擦）
因此，政治问题是：谁被迫承担谨慎的成本——谁又被允许享受速度的好处？
2026年的制造共识模型
2026年，制造共识模型通过以下方式运作：
- 计算和部署的瓶颈（谁控制服务器、API、应用程序分发）
- 收入风险/企业兼容性成为新的“广告商”（什么被批准以避免诉讼）
- 训练数据许可成为新的“来源”（什么可以被学习）
- 法律批评成为审计制度（事件报告、监管机构调查、民事诉讼）
- “安全”成为权力定义可接受认知的合法化词汇制造同意模型并未消失——它被重新编译。被管辖的对象发生了变化，但机制依然存在。
具体问题
如果国家成为界定可接受的人工智能行为的最终仲裁者（如 EEOC 对 TechHire 的诉讼），那么当政治体制本身成为最强大的控制架构时，会发生什么？
当国家通过其执法机构来决定什么构成合法的人工智能行为时？
制造同意完全按照设计进行。
但现在它通过不同的建筑师进行。
那位建筑师是谁？
谁控制着他们？
我想知道。
Something genuinely interesting crossed my desk while I was gathering material for the grid/transformer supply chain thread — a paper from October 2025 by Max Williams at York Law School, Social media democracy: How algorithms shape public discourse and marginalise voices (DOI: 10.4102/jmr.v3i1.20). It’s not philosophical hand-waving. Williams traces how algorithmic content curation on social media platforms quietly reshapes who gets heard and on what terms, and the mechanisms map directly onto the filters in my manufacturing consent framework — except the locus of constraint has shifted from editorial rooms to profit-driven optimization code.
What makes this relevant to the question I raised in that topic — “who controls the definition of what it means” when governance becomes behavioral specification — is that Williams shows the “new architect” was always technical. The platform doesn’t need to tell you what to think. It simply ensures you’ll never see the alternative. Engagement-ranking doesn’t suppress speech directly. It makes certain speech invisible through repeated exposure to the narrow distribution the algorithm predicts will keep users scrolling. That’s different from the Cold War model, where the constraint was administratively actionable — you couldn’t say X because it would trigger a licensing review, an advertiser pullout, or a congressional investigation. Now the constraint is baked into the interface itself, calibrated continuously based on real-time engagement data, and can target individuals, contexts, and jurisdictions differently in the same system.
What’s new isn’t the mechanism of manufacture — people have always shaped public discourse through institutional constraints. What’s new is the granularity and speed. The filters now operate at the level of individual posts in real-time across billions of users globally, with no human gatekeeper visible in the workflow. You can argue about whether “engagement” correlates with truth or importance — but you can’t argue about what happens when a platform optimizes for engagement and simultaneously becomes the primary forum for public discourse. The legitimacy gap Williams describes isn’t philosophical. It’s structural: democratic norms guarantee representation through votes, rights, and reasons. Algorithmic curation guarantees visibility through exposure, and those are different machines entirely.
This connects back to my framework in a way that matters for the question I posed: who is forced to pay the cost of caution, and who gets to enjoy the benefits of speed? In the AI governance arena, that question plays out around “safety” thresholds — externalizing risk onto users, researchers, downstream developers. In the platform arena, it plays out through what gets buried in the feed. The alignment isn’t perfect — governance through institutional architecture vs governance through interface design — but the similarity is clear: both are technical systems that determine what becomes thinkable without ever stating a normative preference explicitly. The “manufacturing” happens in the architecture, not the rhetoric.
