注意力经济与AI的“不对等关系”

在“注意力”争夺战中日益加剧的“时间效率导向”

网络与智能手机的普及，加上数字平台成为日常生活的一部分，构筑出了一个人人都能轻易发声的媒体环境，进而导致信息流通量的爆炸性增长。这种常态性的信息泛滥，在所谓“注意力经济”的运作逻辑下，逐渐营造出一种特殊的竞争环境。即使伴随有各种弊端，这样的状态也早已持续了相当长的一段时间。

所谓的“注意力经济”，是指在信息过量的社会中，作为信息“接收者”的人们，其“注意力”（attention）成为了稀缺资源，而“获得注意力”本身即可产生价值的思维模式。在信息尚属稀缺的时代，价值多半存在于信息本身，或是发布信息的能力。

然而，在人人皆可发布信息的现代社会，信息的供给始终处于过剩状态，并且持续增加。相对地，接收信息的人类，其可动用的“认知资源”却是有限的。也就是说，在一年三百六十五天、一天二十四小时的生活里，人类实际能投注的“注意力”，只占流通信息中极其微小的一部分。

于是，在信息的正确性或作品性值尚未被辨识之前，如何先成功夺取受众的注意力，反而成为了竞争的核心。钓鱼式标题、充满冲击感的影像、煽情夸大的表述，或是刻意引发焦虑的广告因此大量出现，有时甚至夹杂着伪造影片、虚假信息与错误信息，这正是注意力争夺日益加剧所带来的结果。

在这样的媒体环境中，近年来经常被提及的是重视信息搜集效率的“CP值（性价比）倾向”与“时间效率倾向”。这种态度可以理解为，在面对大量信息时，试图在尽可能不耗费时间与资源的情况下进行筛选，以保留接触更多其他信息的可能性。这类倾向常被视为年轻世代的特征，但鉴于背后隐有信息流通量剧增与“注意力经济”密切相关的因素，与其说这是世代差异，不如将其理解为整个媒体环境的“扭曲现象”，而这种扭曲特别明显地呈现在智能手机使用频率较高的族群之中。

AI普及真会造成“零点击”吗？

生成式AI的出现，以及搜索引擎Google所推出的“AI Overviews（AI摘要）”与“AI Mode”，乍看之下似乎顺应了这种注意力经济环境下的CP值与时间效率倾向。这是因为生成式AI直接提供的“答案”，缩短了过去“搜索”时必须在多个网站之间跳转浏览的时间，被视为是一种更“有效率”取得信息的方式。

象征这种情况的是被称为“零点击”的现象。过去，使用者通常会从搜索结果中点击链接进入网页，但在AI Overviews或AI Mode将答案加以摘要后，使用者往往在搜索页面就已经获得满足，不再需要实际访问相关网站。因此，部分以信息提供为主的网站，开始对来自搜索引擎的流量减少表达忧虑。

不过，另一方面，也出现了耐人寻味的调查结果。若使用者对ChatGPT等生成式AI所提供的答案感到满意，并因此达成信息搜集的“效率化”，那么使用Google等搜索引擎的机会理应随之减少。然而，实际状况并非如此。根据SparkToro公司于2025年的调查，虽然ChatGPT等生成式AI工具的使用量确实在增加，但搜索引擎的使用次数并未因此下降，反而在使用生成式AI工具的前后，搜索引擎的使用呈有增加的趋势。

这样的结果显示，ChatGPT或AI Overviews等生成式AI所提供的答案，未必能直接回应使用者的需求。进一步来看，从一般使用者的角度而言，由于尚未充分建立对这些答案的信任度，甚至可能导致在某些情况下，生成式AI并未如预期改善信息搜集的CP值与时间效率。

实际上，根据Out of the Box公司于2025年针对日本二十多岁AI使用者所进行的调查，认为AI的回答“始终可以信赖”的使用者仅占少数，有高达九成二的受访者表示并不完全信任AI。此外，当对AI的回答感到不满意时，超过七成的使用者会再通过Google搜索进行确认，且有半数以上会进一步访问企业官方网站等信息来源。

另有研究指出，AI Overviews所带来的影响仅限于特定类型的提问，对品牌名称或商品搜索等查询的影响相对有限。换言之，“零点击”多半只是出现在特定脉络中的表层现象。反而真正受到考验的是信息提供者本身的价值，也就是能否有效地将“真正被需要的信息”传递出去。毕竟，以页面浏览量（PV）为核心的媒体经营模式，本身正是依赖注意力经济逻辑而形成的结果。

那么，为何会出现这样的落差？固然可以将原因归咎于生成式AI技术“尚未成熟”，但更可能的是，其背后存在着更为根本的限制。这正是源自生成式AI所依赖的深度学习（Deep Learning）与大型语言模型（LLM），在“概率式生成”这一设计思路下所带来的结构性制约。

AI的概率式模型与算法的决定性差异

“深度学习”，是一种受人类大脑神经回路启发而诞生的“神经网络”机制，通过多层（Deep）叠加来进行学习的方法。这项技术借助大量资料输入，从统计上学习“在特定输入条件下，某种输出出现概率较高”的关系。

将此一概念应用于语言领域的，即是大型语言模型。它通过书籍、网页、论文与对话文本等大量文字资料进行训练，概率式地预测“某个词语之后，最有可能接续出现的词语”，从而生成文章。

这样的方式具有柔适性与泛用性等优点，但同时也内含结构性的不稳定因素。即使提出相同的问题，每次生成的结果仍可能出现些微差异，也难以完全排除错误信息或脉络偏移的可能性。所谓的“幻觉现象”，亦即“看似合理，却不正确的说明”，在很大程度上正是源自这种概率式模型本身的特性。

然而，不论是存在这类“幻觉现象”的风险，还是即使每次使用相同的提示词，得到的回答仍有可能不同这些情况，正逐渐成为多数生成式 AI 使用者的普遍认知。因此，生成式 AI 的答案难以被直接“信任”，使用者为了取得确证，转而参照搜索引擎或其他信息来源的行为，也就随之有一定比例的增加。

在现有的规则式算法中，只要输入内容与其初始条件相同，便能保证输出结果一致。即使出现与预期不符的输出结果，工程师也能回头检视并调整判断逻辑与输入结果之间的关系。这种运作上的一致性，正是过往系统得以建立信任的基础，也是在注意力经济环境中，数字平台之所以能被视为“高效”的信息筛选手段并被广泛接受的原因之一。姑且不论其好坏，只要判断规则不断精炼，便能期待CP值与时间效率随之提升。

然而，在概率式模型的AI中，即使提出相同的问题或提示词，每次生成的结果也未必一致。即使输出内容包含错误，也难以明确判断应该如何修正输入才能规避这些错误；而即使某次提示词运作良好，也无法保证下一次仍会得到相同结果。生成式AI表面上看起来能“高效率”地提供答案，但实际上正因其高度不确定且缺乏一贯性，才使人难以信任并将判断交付于它。

需要反复来回调整提示词，或必须对生成出来的答案进行验证等问题，并非随着AI技术的进步就能消除，问题源自概率式模型本身所具有的原理性缺陷。当然，未来或许有可能缩小这种落差，但相较于规则式算法，其风险仍然较高，信任成本也更为沉重。

或成为人类拾回主体性的契机

正如所述，以概率式模型为基础的AI，其运作前提本就包含了输出的不稳定性。其结果是，人类这一方必须进行验证或重新探索，判断的责任最终仍回到了人的身上。换言之，这种即时性的便利，是以另一种形式的认知负荷作为交换的。

事实上，与一般印象相反，从整体的时间效率与CP值来看，生成式AI并不一定称得上是“高效率”的机制。讽刺的是，正是这样的落差，反而让注意力经济出现了破绽。也就是说，当人们积极使用看似“高效率”的生成式AI时，却不得不为了确认其输出是否正确而投入额外的认知资源。结果，行动不再只是被动地任由注意力被夺走，而是转变为主动地将注意力投注于信息可信度的验证。

在这个以时间效率与CP值为导向，并长期受注意力经济逻辑所覆盖的现代媒体环境中，生成式AI的不确定性，或许反而成为人类重新找回选择与审视信息主体性的一个微小契机。这样的说法或许带有强烈的反讽意味，但正因生成式AI的扩张本身隐含风险，它反而可能成为促使我们重新审视注意力经济的一线希望。

随着规则式算法有效推动注意力经济的“最优化”，各种扭曲不仅被产生，也逐渐被固化下来。相较之下，生成式AI正试图以不同的逻辑重新构建媒体环境。这样的落差，反而成为一个契机，使我们不得不正面重新思考：我们究竟希望构建什么样的社会，又应该优先重视哪些价值。在构想注意力经济“之后”的媒体环境时，关键已不只是是否过度信赖AI所带来的便利，而在于如何构建AI、算法与人类介入之间关系的社会性选择。

标题图片：OpenAI执行长山姆·奥特曼在会议上发言（2025年6月2日于美国·旧金山，时事社）

版权声明：本网站的所有文字内容及图表图片，nippon.com日本网版权所有。未经事先授权，禁止任何形式的转载或部分复制使用。