昨天是特朗普當美國總統(tǒng)的最后一天。在做告別演講的時候,他對此前自己的粉絲沖擊國會的暴力事件,又做了一番批判,說這違反法律秩序。說起來,這已經是特朗普最近連續(xù)幾次譴責國會暴力事件了。
特朗普這番批判讓不少骨灰粉絲很不開心:明明是你讓我們反擊選舉作假的,怎么我們來國會了,你反而在立場上撤退了,和我們講秩序。豈不是應了一句古話“臣等正欲死戰(zhàn),陛下何故先降”?
其實,偶像和粉絲之間的分歧不是偶發(fā)事件,比這更嚴重的沖突也出現(xiàn)過。比如著名的搖滾樂隊主唱約翰·列儂,據(jù)說他被粉絲殺害了。所以偶像和粉絲之間的斗爭可以上升到人身傷害的程度。
傳統(tǒng)的看法,認為粉絲和偶像的關系,是粉絲崇拜偶像,偶像感召粉絲。似乎在偶像面前,粉絲是完全被動、順從的。但無論是特朗普粉絲沖擊國會,還是約翰·列儂粉絲槍擊偶像來看,其實粉絲和偶像的關系,遠不是單向崇拜這么簡單。
相反,偶像和粉絲的關系完全可能是倒置的,粉絲也可以成為那個有權力的人,偶像反而成了木偶。說到這里,某個神話故事可以參考:傳說在希臘神話中有個國王叫皮格馬利翁,這個國王不喜歡普通女子,只喜歡雕刻,所以決定永遠不婚。他的雕刻技藝太高超了,當他用全部的精力雕刻了一座近乎完美的少女雕像之后,就徹底愛上了這座雕像。
在這個故事中,雕像少女是被迷戀的偶像,國王皮格馬利翁是粉絲,而前者就是后者的作品。其實在現(xiàn)代社會中,偶像和粉絲的關系,就有點像皮格馬利翁和雕像少女的故事。
不少粉絲可不只是單純的追星,而是為偶像們傾注了大量的精力,甚至金錢,比如為偶像打戶外廣告,幫偶像刷熱榜,甚至動用關系幫偶像接戲。
大家或許聽過心理學家馬斯洛的需求層次理論,即“需求金字塔”,說人從低到高有不同的需求,最低是生理需求,最高是自我成就的需求。對于普通粉絲而言,其實想實現(xiàn)人生的自我價值并不容易,但是如果自己的偶像取得成功,而自己又參與其中,也就變成“自我成就”。
對于此類偶像而言,沒有粉絲就沒有偶像,如同雕刻家和少女作品之間的關系。偶像是粉絲合力制造的產物,最典型的莫過于從日本流行起來的少女團,沒有粉絲的贊助,偶像甚至成不了正式團隊成員。
這種情況下,偶像和粉絲的關系也是倒置的,不是偶像在決定粉絲能做什么,而是粉絲來決定偶像能做什么,比如能不能結婚,可不可以談戀愛,拍戲的時候可不可以扮丑。
如果偶像沒有按照粉絲的愿望做事呢?結局可能悲慘,脫粉還是簡單的,轉身成了敵人也是可能的。因為這代表著一種背叛:你是我的作品,怎么能不聽我的,儼然是背叛師門。最重要的是,“偶像”是“粉絲”的自我成就,你(偶像)不顧自己不要緊,但是你(偶像)的不顧自己,是把我(粉絲)的人生毀了,讓我(粉絲)失去了最重要的自我成就。這可還了得?
對偶像來說,粉絲給予自己的光環(huán),是其榮耀,也是其枷鎖。為了避免失去這種光環(huán),就必須保證自己永遠是粉絲心中的完美形象。某種程度上,這種循環(huán),就成了一種偶像和粉絲之間的契約綁架。
顯然,在很多和偶像相關的社會新聞當中,很多發(fā)生負面新聞的偶像,其公關聲明往往都特別愚蠢,比如死不認賬,絕不認錯。背后的道理就很簡單了,因為他們如果表態(tài),錯的遠不止自己,是連帶著自己的粉絲全都錯了。
當然,還有一種更極端的情況,是偶像被粉絲所包圍,已經全然不知身外的世界,那就真是以為只有天下人負我,而從來沒有我負天下人了。從這個角度看,特朗普確實不是一般人,不管處于何種原因,他目前沒有被自己的極端粉絲裹脅,不然可能就不是推特封號這么簡單了。
所以,對偶像的個人崇拜可能是比較危險的。因為偶像也是人,不可能不犯錯,但是對偶像自身的光環(huán)來說,對成就了偶像的粉絲來說,人設是永遠不可以有錯的,這就很考驗偶像本人的智慧了。
至今思項羽,不肯過江東。
好文章,需要你的鼓勵
騰訊ARC實驗室推出AudioStory系統(tǒng),首次實現(xiàn)AI根據(jù)復雜指令創(chuàng)作完整長篇音頻故事。該系統(tǒng)結合大語言模型的敘事推理能力與音頻生成技術,通過交錯式推理生成、解耦橋接機制和漸進式訓練,能夠將復雜指令分解為連續(xù)音頻場景并保持整體連貫性。在AudioStory-10K基準測試中表現(xiàn)優(yōu)異,為AI音頻創(chuàng)作開辟新方向。
Meta與特拉維夫大學聯(lián)合研發(fā)的VideoJAM技術,通過讓AI同時學習外觀和運動信息,顯著解決了當前視頻生成模型中動作不連貫、違反物理定律的核心問題。該技術僅需添加兩個線性層就能大幅提升運動質量,在多項測試中超越包括Sora在內的商業(yè)模型,為AI視頻生成的實用化應用奠定了重要基礎。
上海AI實驗室發(fā)布OmniAlign-V研究,首次系統(tǒng)性解決多模態(tài)大語言模型人性化對話問題。該研究創(chuàng)建了包含20萬高質量樣本的訓練數(shù)據(jù)集和MM-AlignBench評測基準,通過創(chuàng)新的數(shù)據(jù)生成和質量管控方法,讓AI在保持技術能力的同時顯著提升人性化交互水平,為AI價值觀對齊提供了可行技術路徑。
谷歌DeepMind團隊開發(fā)的GraphCast是一個革命性的AI天氣預測模型,能夠在不到一分鐘內完成10天全球天氣預報,準確性超越傳統(tǒng)方法90%的指標。該模型采用圖神經網絡技術,通過學習40年歷史數(shù)據(jù)掌握天氣變化規(guī)律,在極端天氣預測方面表現(xiàn)卓越,能耗僅為傳統(tǒng)方法的千分之一,為氣象學領域帶來了效率和精度的雙重突破。