语言腐败

语言腐败这词我第一次听闻是来源于北京大学张维迎教授的文章，以及在《1984》中，真理部堪比现代锦衣卫东厂，铲除异己；友爱部，“战争即和平”，发动军事割据，扮演侵略者的角色；东德称之为德意志共和国，北韩自称民主主义人民共和国，民主自由平等，像这样的词汇早就被一种权威所解释，正是历史决定论驱使下的一些历史学者，称历史为政治合法性服务，作为宏大叙事的一部分；当专制与共和制，革命与保守，激进和温和，爱国和爱党，和平与战争，自由与平等，诸如此类，这些词汇被抽象的定性“正确”所解释，语言本是通过第一层次的交流，却沦为推测相互动机和表态；中国历史中有个词语叫避讳，对君主和长辈的名字一律进行回避，正如一些名字”神圣且不可侵犯“，准确来说，极权主义的本质基于人的恐惧本能，强迫他人接受官方设定的意识形态，与儒家传统背道而驰；在文革期间，”思想学习班“、”革命“，对于维稳、维系，破坏稳定的即”反革命“，为了给语言文字上圆谎，从而修改一个词语的意思。

在《娱乐至死》中，70 年代的人民无法从电视机的节目中学到什么，而科学家却称斥巨资打造的节目是以”科教“和”教育“为目的，总统大选的胜率体现在竞选费用中，通过在电视上的广告助长大选，人们无法知道媒体传播真实的信息是什么，语言的表象人民接受了，但它是什么，不见得多少人能复述出来，而是一昧的接受其中的隐喻，我把它称为媒介之死，在香港仍然有文汇报、大公报的经营走向同质化但在细节内容仍然夹杂本身的政治色彩，语言本身夹杂了对价值的判断，准确来说，它包含了对正义、邪恶、是非对错的主流偏见，同时包含了社会环境下对道德、舆论的批判标准。

媒介的进化使得语言逐渐脱离了理性，不论电视机上讲的是什么内容，在传媒传播的角度来看它在强迫观众去接受它的信息，语言在节目里也不见得重要，一些关键内容可以通过视频素材、滤镜、剪辑进行叙述，其艺术在于如果用最少的字来阐述最正确的话。

回顾德意志宗教改革，在此之前，教廷的权力将换来经济和权力上的利益，出售“赎罪券”，出售教廷职位，改变腐败的一大原因是古腾堡活字印刷术的流行，《娱乐至死》中作者认为印刷术使得科学变成了可能，纸面上的文字保留着严肃性，科学因此发展，将宗教变成了迷信，印刷术下文字的严肃性能够摆脱教廷作为知识和思想垄断的地方，而电视机的发明后出现了被政治操纵的媒介。

科技垄断

科技公司正在毁灭独立思考的可能,这原本是我们的无价之宝。在它们创造的世界中,我们一直被注视,也总是被分心。通过数据积累,它们描绘出我们的思想,并在无形中引导大众行为(以及越来越多的个体行为)来进一步增加它们的经济利益。在它们的侵蚀下,那些提供智力原材料以引发思考、引导民主的机构——媒体、出版商——不再完整。它们最珍贵的财富也是我们最珍贵的财富,那就是我们的注意力,遭到了它们的滥用。

这些公司已经成功实现了改变人类进化方向的目标。我们都变得有点儿像电子人了。手机是我们记忆的延伸;我们把基本的心智功能外包给了算法;我们把自己的秘密拱手交给服务器,任凭计算机前去挖掘。需要时时牢记在心的是,我们不只是在跟机器融合,也是在跟操纵这些机器的公司融合。本书跟驱动这些公司的思想有关;同样相关的,还有抵抗这些科技巨无霸——这才是头等大事。

基于行为主义心理学的大数据，通过算法实现的个性化推送，再提供社交交互以刺激行为正反馈，这些简单的行为反射的培养沦为商业活动的底层逻辑，人的偏好、兴趣等交由服务器来决定；对于多元化、兴趣广泛而言。使用带有个性化推送的产品和服务是不理想的。

在《从 0 到 1》一书中,蒂尔写道:“重要的是,竞争是一种观念——这种观念在整个社会中蔓延,扭曲了我们的思想。我们宣扬竞争,内化竞争的必要性,颁布竞争的条律?结果就是,尽管竞争越来越激烈,我们实际获得的却越来越少。”因为盲目崇拜竞争,我们没有认识到垄断的价值。垄断企业不必担心竞争对手,因此可以专注于重要事务——可以给员工更好的福利和关怀,可以专注于解决重要问题,拿出能改变世界的创?。他们可以“超然于为了生存而每天都在上演的残酷斗争之上

这种新自由主义鼓吹竞争的陷阱，忽视了市场失灵(market failure)的问题，从互联网媒介的角度来看，社交平台和内容社区越来越同质化和单一化，他们在竞争着流量入口，而不是内容质量本身。

我们的阅读变得游离不定,不再专注。早在 20 世纪 70 年代,诺贝尔经济学奖得主赫伯特·西蒙就对这个当时才刚刚出现的看法做出了严密解释:“信息消耗的是什么,显而易见——信息消耗的是受众的注意力。因此,大量信息会造成注意力贫乏。”注意力贫乏,无法持续吸引读者的注意力,这个看法至关重要。对知识的生产者来说,这个问题生死攸关?对知识的消费者来说,这也是让人不堪重负、不知所措的根源。在广阔无垠的互联网中徜徉,感觉就像被困在浩瀚无际的大海中央,都是既让人感到恐慌,又宏伟壮丽,势不可当。

流量背后是人和服务器之间的不对称风险，人花费了巨大时间在屏幕上，又可能是在算法面前“伪随机漫步”，也许他们也不知道自己想要的是什么，但可以肯定是信息捕获的是人观看广告带来的绩效。

去及时性

先是天涯 bbs 这样的互联网的论坛以内容创造者为自治的结构媒介，不久后出现了博客平台则是以个人的名义表达，这是去中心化的方式，尽管它是借助于中心化的平台，但其内容相对独立，没有推荐、流量等干预或操纵；然而 20 年后，主流的互联网内容沦陷于被严格审查的内容社区，甚至是一些影响使用的关键词审查，这使得内容范围缩小，使得信息保持“模因”的平均上。

博客并没有成为主流媒介，且很快被即时通信软件和社交平台取缔，及时性并不总是积极的，过度的及时性往往需要用户及时反应，可能还没想好具体的事例以及它的合理性就发送出去了，但人又要为自己的言论负责，这显然是矛盾的；但当使用邮件向工作或大学成员交流时，发送前总是检查仔细，以害怕传达可能引起误会的信息，它不支持撤回和修改，这点确保了人民不得不使用邮件和明信片时保持一定的严肃性，最经典的事例是杜甫《春望》的“烽火连三月，家书抵万金”；如果在现代使用即时通信软件发送一封“家书”，那大概是相当滑稽的。

要求过度的及时性会导致信息的偏差和情绪化，其实人和人之间保持一定的距离感是有助于理性思考的，长时间的集体主义很难逃脱《乌合之众》中的批判——失去自我。

博客存在的意义

写博客是知识外化的过程之一，导出思考后意识的产物，思维导图和 wiki 都与博客相似，指的是思维上，是需要搜寻信息，理解，推导，并复盘的过程。读这么多年书不论怎样的学习方式，都不如自己慢慢将看到的再阐述一遍出来来得有效，如果有伴有兴趣，它将远离记忆遗忘曲线。

为何总是少即是多

相信每个尝试过 blog 的人都会想着如何自定义、个性化，ui 设计会告诉我如何 drop shadow，黑暗模式如何降低对比度，背景模糊化和渐变等等，尝试 html 到 css 的各类标签，直到自己认为它已经满足了。

我放弃了对这些的追求，我只需要的是一个能面向互联网用户的展示类文章站点，它可能只需要 giscus 这样基于 github 为后端的轻交互，而更多的交互交给邮箱，而静态网站是最为方便的。

我想过为何这么多人一上手就是各种博客框架，难道不应该是由内容决定怎样的载体呢？在不需要重度交互（实时交流、邮箱订阅等功能）的情况下，不需要考虑动态网站。我个人认同近年流行的 jamstack 的理念，前后端分离指的是前端与 headless CMS 的分离，这点对于博客是有强大吸引力的，它无需修改前端代码就能修改内容；但最重要的仍然是它的静态化，它取决于选择写作的环境，本地化的写作可以是 markdown 再渲染过来成 html，前后端分离的模式则支持富文本和更为复杂的内容编辑器，很显然我不需要后者。

好的媒介

上学时期常翻阅的杂志，像《读者》、《萌芽》这类很显然是传统纸质媒介，越来越多的杂志选择了彩页封面，《绘心》改版后选择更好的全刊纸质和彩印以表现抽象化的含义，不少人会认为纸质杂志都不流行了，更何况零星的博客。

这些杂志因它的物理性质遇上了信息时代导致而消逝，而博客并不依赖于平台独立运行，自然而言，它的信息流动速度一定是最慢的，就像是河流流入湖泊。

媒介的过时与否真的取决于它承载信息的流动速度吗，应该由媒介本身的功能决定，媒介的最早存在是让人传播并了解事物，信息的热度和流媒体将起到副作用，大部分人每天都会阅览各种热点，而过不到一个月他们可能说不出其中的细节。

博客是活字印刷术的延续，将字符编码成 utf8，字节将代表自然文字，但如果是重要的文书工作，我一定会将它打印下来，acrobat 上的数字签名比起纸质上的签名还是太缺少真实感，如果看到有特别喜欢的书，我会买非实体书不可。

如果以活字印刷术为媒介的路径依赖都“过时”，那么是时候扔掉那 QWERTY 键盘。

关于Nextjs

我没有在大学选择和计算机有关的专业，这点也许是可惜的，是一次偶然的机会我在调研类似cloudflare的企业时让我看到一家名为vercel的企业，对我无可挑剔的审美，利用webQL打造的光影折射，除了gatsby、hugo这样的静态网页生成器，以及ghost、drupal这样的传统的cms，Next.js擅长的我认为仍然是SSG和SSR，ISR的revalidate功能并不完善，互联网应该是边缘化的和serverless的。

其中的vercel发布的vercel/og，支持动态生成社交媒体card在边缘上，在我这个外行看来，这个对于现代前端而言几乎是必选项，不论是open graph还是json-ld，当你选择使用twitter等社交媒体，如果没有对应的图片信息，它在客户端上显示的是默认灰白色，这简直是一种体验上的灾难。

尽管我不认为图片优化的优先程度如此高，因为我尽可能避免使用一些无效信息的图片，但打开不少图片多的网页会发现，尽管使用了lazy load，实际上打开f12会看到图片的实际占用时间之多，传统意义中要么将这些图片放到COS甚至加上cdn，我理解为这是手动挡的边缘，Next.js Image API + Vercel则完成了这一复杂的过程。

这里并不是要吹这一框架究竟有多好，感谢vercel提供的免费hobby账户，极其容易上手的tailwindcss，否则我很难有机遇接触到这些。

参考资料：

张维迎.(2012).语言腐败的危害. 杂文月刊(文摘版)(07),18-19. doi:CNKI:SUN:ZWYX.0.2012-07-020.

[美]富兰克林·福尔（Franklin Foer）《没有思想的世界》

---

样式

Based on Tailwind Nextjs Starter Blog

export async function getStaticProps() {
  const posts = await getAllFilesFrontMatter('blog')

  return { props: { posts } }
}

H1

H2

H3

H4

H5

H6

bold

italic

code

引用

Stochastic Processes

Stochastic processes are ordered collections of random variables. They are denoted using $Y_t$, reflecting the fact that they are sequences of random variables that are ordered in time(t) (i.e., so that $Y_s$ is observed before $Y_t$ whenever $s<t$). The ordering of a time series is important when predicting future values using past observations.

A first-order autoregression, also known as an AR(1):

$$Y_t = \delta + \phi Y_{t-1} + \epsilon_t$$

where $\delta$ is a constant, $\phi$ is a model parameter measuring the strength of the relationship between two consecutive observations, and $\epsilon_t$ is a shock.

This first-order AR process can describe a wide variety of financial and economic time series (e.g., interest rates, commodity convenience yields, or the growth rate of industrial production).

Covariance Stationary

Covariance stationarity depends on the first two moments of a time series: the mean and the autocovariances.

Autocovariance is a time-series specific concept. The autocovariance is defined as the covariance between a stochastic process at different points in time. Its definition is the timeseries analog of the covariance between two random variables. The hth autoco-variance is defined as:

$$y_{t,h} = E[(Y_t-E[Y])(Y_{t-h}-E[Y_{t-h}])]$$

Autocovariance is denoted using $y$, where the subscripts denote the period (i.e., t) and the lag (i.e., h) between observations.

When $h = 0$ then:

$$y_{t,0} = E[(Y_t - E[Y_t])^2]$$

When $Y_t$ is covariance-stationary (i.e., the autocovariance does not depend on time), the autocorrelation at lag $h$ is defined as the ratio:

$$\rho_h = \frac{Cov[Y_t,Y_{t-h}]}{\sqrt{V[Y_t]V[Y_{t-h}]}} = \frac{y_h}{y_0}$$

The symmetry follows from the third property of covari-ance stationarity, because the autocovariance depends only on $h$ and not $t$, so that:

$$Cov[Y_t,Y_{t-h}] = Cov[Y_{t+h},Y_t]$$

White Noise

$$\epsilon_t \sim WN(0,\sigma^2)$$

where $\sigma^2$ is the variance of the shock. Note that any white noise process is covariance-stationary because the first two moments are time-invariant, and the variance is finite.

Shocks from a white noise process are used to simulate data. White noise processes $P_t$ have three properties.

1. Mean zero (i.e., $E[\epsilon_t] = 0$). This property is a convenience, because any process with an error that has non-zero mean can always be defined in terms of a mean-zero error.
2. Constant and finite variance (i.e., $V[\epsilon_t] = \sigma^2 < ∞$ ). This is a technical assumption that is needed for the third property.
3. Zero autocorrelation and autocovariance.

Autoregressive(AR) model

$$Y_t = \delta + \phi Y_{t-1} + \epsilon_t$$

where $\delta$ is called the intercept, $\phi$ is the AR parameter, and the shock $\epsilon_t \sim WN(0, \sigma^2)$.

Denoting the mean of $Y_t$ by m and using the property of a covariance-stationary time series that:

$$E[Y_t] = E[Y_{t-1}] = \mu$$ $$E[Y_t] = \delta + \phi E[Y_{t-1}] + E[\epsilon_t]$$