本文初稿写于2024年，并于2025年更新。英文版链接
01 蓝眼岛民谜题
数学家陶哲轩曾专门撰文讨论“蓝眼岛民谜题”。这道题让无数逻辑谜题爱好者着迷，不只是因为答案巧妙，更因为它展示了知识如何在一群理性的人之间层层传递。
再深入一步，这道谜题真正迷人的地方，在于它揭示了一条朴素却强大的规律：
数学偏爱真相。
谜题的规则如下。
一座岛上生活着一群岛民，他们信奉一种奇特宗教：一旦有人发现了自己的眼睛颜色，就必须在当天午夜自杀。
没有人知道自己的眼睛颜色，也无法通过镜子或询问别人得知。
每个人都能看见其他所有人的眼睛颜色。
所有岛民都具有完美逻辑，能够进行无误的推理。
一天，一名外来者登岛并说：“我看到至少有一个人的眼睛和我一样，是蓝色的。”
这句话触发了一连串推理。若岛上共有n名蓝眼岛民，他们会在第n天同时得知自己的眼睛颜色，并依照规则行动。
这道题有许多版本和解释。继续读下去之前，不妨先试着自己推演一遍。
02 一句话为何改变了一切
这道谜题的关键，不是访客提供了多少新信息，而是他改变了信息在群体中的状态。
可以把小岛看成一个封闭的信息环境：每个人都掌握部分事实，也能观察其他人的处境，却无法直接知道自己的状态。
每位岛民都是完全理性的参与者，所有人也都知道其他人同样理性，而且知道这种理性是彼此知晓的。
访客的公开陈述，把一个人人可见的事实变成了所有人都知道、也知道别人知道的公共知识。
如果用信息系统的语言重新表述，谜题中的对应关系是：
岛屿＝一个封闭的信息环境
岛民＝能够观察和推理的参与者
眼睛颜色＝本人未知、他人可见的状态
访客的陈述＝公开且可信的共同信号
集体行动＝层层推理最终形成的可见结果
先看最简单的情形：岛上只有一名蓝眼岛民。他看不到其他蓝眼睛，因此访客说“至少有一人是蓝眼”时，他立刻知道那个人只能是自己。
于是，这名岛民会在第一天依照规则行动。
如果有两名蓝眼岛民，每个人都只看到另一名蓝眼者。他们都会想：如果我不是蓝眼，对方就会在第一天行动。
第一天无人行动，便成为新的信息。两人由此排除“岛上只有一名蓝眼者”的可能，并在第二天同时得知自己的眼睛颜色。
同理，如果有三名蓝眼岛民，他们会等待两天；确认没有人行动后，三人会在第三天同时得出结论。依此归纳，若有n名蓝眼岛民，他们会在第n天同时行动。
陶哲轩强调，完整理解这一过程，必须进入岛民的视角，并逐层考虑“我知道他知道我知道”的所有可能世界。
最耐人寻味的是：当蓝眼岛民不止一人时，访客并没有告诉他们一个肉眼看不见的新事实。每个人早已看见蓝眼睛；改变一切的，是这句话在所有人面前被公开说出。
从这一刻起，“至少有一名蓝眼者”成为公共知识，其余推论便沿着数学归纳法自行展开。
这说明，在由理性参与者组成的信息系统中，事实是否存在只是第一步。更关键的是，人们是否知道其他人也掌握这一事实，并能根据彼此的反应不断更新判断。
如果岛上100人全是蓝眼睛，会发生什么？
答案并不是“什么都不会发生”。按照同样的归纳逻辑，他们会等待99天，并在第100天同时得知自己的眼睛颜色。
前99天无人行动并非逻辑停滞；恰恰相反，每一天的沉默都在排除一种人数更少的可能。第100天到来时，最后一种不确定性被消除。
因此，数学本身并不会判断一套叙事在道德或政治意义上是真是假。它所偏爱的，是一致性：一旦事实成为公共知识，彼此的观察和行动就必须与之相容。
所谓“数学偏爱真相”，更准确地说，是在假设一致、推理有效的系统中，相互矛盾的信息状态无法被无限维持。
03 互知与公共知识：一个现实案例
谜题更深层的启示，由此落在互知（mutual knowledge）与公共知识（common knowledge）的区别上。
在访客开口之前，每个岛民都能看见其他人的红眼或蓝眼，因此他们知道岛上存在蓝眼岛民。
这就是互知：每个人都知道某个事实。公共知识则要求更高——每个人都知道，且每个人都知道其他人知道，如此层层嵌套。
但当访客公开宣布“我看到至少有一个蓝眼睛的人”时，这一观察就变成了公共知识。
此刻，每个人不仅知道这个事实，也知道其他人知道，并且知道这种相互知晓本身也是公开的。
这种变化看似细微，却足以启动连锁推理。一个事实成为公共知识之后，才真正具备协调集体行动的力量。
倒计时从这一刻开始，原有的信息均衡随之被打破。
风险投资人马克·安德里森（Marc Andreessen）曾评价《私人真相，公共谎言》，称其描述的正是我们正在经历的现实：人们在公共场合隐藏真实信念，直到有人率先说出真话，其他人才发现自己并不孤单。
现实世界中，类似的机制并不陌生。
2015年10月16日之前，在关系紧密的硅谷圈层中，Theranos无法兑现其承诺早已是公开的秘密。
但这些怀疑仍停留在小范围的互知状态。部分风险投资人、生物科技研究者和工程师已经察觉异常，却很少公开表达；沙丘路核心圈层之外的投资人和公众，仍难以接触到完整信息。
直到《华尔街日报》发表调查报道，局面才发生变化。
报道不只是证实了传言，更把互知转化成了公共知识。
Theranos的神话由此瓦解。此前分散在不同圈层中的怀疑，迅速汇聚成公开而可验证的共同认知。
无论在逻辑谜题还是现实的信息生态中，真相产生影响，都不只是因为它“被某些人知道”。
真正的转折发生在更多人意识到：这件事已经被大家知道。
04 从大众媒体到大语言模型
传播学家马歇尔·麦克卢汉（Marshall McLuhan）以“媒介即信息”闻名。他曾预言，电子技术将把人类连接成一个“地球村”。
他没能亲眼看到互联网时代。但互联网这个不速之客很快进入“地球村”，打破了个人认知与集体承认之间原本脆弱的平衡。
在新的“地球村”中，互知转化为公共知识的门槛正在迅速降低。
这种变化起初并不显眼，随后却加速扩散。
播客主持人乔·罗根（Joe Rogan）的崛起，是这一变化的早期信号之一。他绕过传统电视网，直接面对数量庞大的听众，而这些听众一度被主流媒体轻视。
到2024年，《乔·罗根体验》（The Joe Rogan Experience）的受众规模已经可以与大型电视网相提并论。
正如布雷特·温斯坦（Bret Weinstein）所说：
“我们曾生活在只有三家广播电视网的世界里……巨人没有留意那间不起眼的‘男人洞穴’，裂缝却正是从那里出现的。”
罗根和其他播客主持人，成为旧有信息秩序松动后最早出现的一批“访客”。他们绕过传统把关机制，把原本局限在小圈层中的观点带入公共讨论。
变化并未止于播客。社交媒体让更多未经邀请的“访客”进入公共空间，一条帖子就可能穿透原有的信息壁垒。
互知与公共知识之间的距离，有时只剩下一条公开发布的帖子。
一旦传播门槛降到足够低，旧有的信息均衡何时被打破，往往只取决于触发点何时出现。
随后，移动互联网出现了一个颇具象征意义的跨平台时刻。
2025年，在TikTok可能被美国禁用的消息推动下，一批“TikTok难民”涌入此前几乎不为英语用户所知的中国社交平台小红书。
短时间内，长期分处不同信息环境的中国与西方网民开始直接对话。他们比较医疗体系和生活成本，也交换家庭食谱与日常经验。
许多人由此发现，各自主流媒体所描绘的世界，与普通人的真实经历之间存在不小差距。
这既不是一篇调查报道，也不是一场经过组织的社会运动。它更简单，却同样具有冲击力：
不同生活经验在未经筛选的情况下直接碰撞。
信息壁垒随之松动，原本分散的认知开始进入公共视野。
投资人纳瓦尔·拉维坎特（Naval Ravikant）曾这样概括这一变化：
信息正在从封闭平台流向开放的公共空间。它变得更容易搜索、分享和验证——X的“社区笔记”就是一例——而且可以在不同地方同时发生。
进入2020年代，人类不再只是阅读互联网，也开始直接向互联网提问。
大语言模型（LLM）由此进入公共生活。对新闻业而言，一个无法回避的问题随之出现：当机器能够检索、归纳并解释海量信息时，谁还拥有解释现实的权威？
2025年4月2日，美国总统特朗普宣布“解放日”关税，引发全球市场震动。市场陷入混乱，从有线电视主播到对冲基金分析师，所有人都急忙把自己变成关税专家，试图解读这项政策。
X平台上的Ask Perplexity账号随后发帖称：“刚听完特朗普的‘解放日’演讲，并读完5000页全球关税政策资料。”
用户随即开始提问，Ask Perplexity则迅速给出清晰回答。它没有电视评论员式的话术包装，而是根据大规模检索与推理整理信息。
它给出的解释足够通俗，甚至比不少匆忙上阵的评论更清楚。
但Ask Perplexity并不是一名人类评论员。
它是一个由人工智能驱动的账号。
05 迭代、归纳与递归
Ask Perplexity并不以个人经验或立场发表评论。
它通过反复检索、比较和归纳材料，生成一个相对清晰的解释。这展示了一种新的知识生产方式：解释不再完全由少数权威自上而下发布，也可以从对大量公开信息的处理过程中形成。
一个认识论意义上的拐点已经到来。
Ask Perplexity像一种新型的“蓝眼访客”：它并不理解自己所说内容的社会后果，却可能把分散的信息转化为人人可见的公共陈述。
机器擅长重复计算与迭代，可以在极短时间内处理人类难以逐步追踪的大量逻辑步骤。
人类更擅长从碎片中发现模式，并在混乱中辨认意义，就像数学家能够从高度抽象的结构中感受到简洁与优雅。
蓝眼岛民谜题清楚地展示了两者之间的张力。
随着蓝眼岛民人数增加，得出结论所需的逻辑步骤也不断增加。对人类来说，持续追踪每一步的心智负担很快就会变得难以承受。
我们善于把握模式，却很难长时间、不出差错地追踪每一步推理。
当推理需要大量重复迭代时，人类认知便开始显出局限。
机器恰好擅长这类工作。它们可以反复检索和比较，让推理逐步收敛，并把复杂信息转化为可以大规模传播的解释。
但只信任机器同样危险。
机器会产生幻觉，算法也可能被人为调整，进而服务于审查、控制或特定意识形态。
此外还有递归：一个过程把自身的输出重新作为输入，从而形成多层反馈；在设计合理的条件下，这也为自我修正提供了可能。
递归让系统能够从自身输出中继续学习。迭代与归纳由此返回起点，经过多轮反馈，逐步形成更稳定的判断。
当机器承担大规模迭代、互联网提供信息基础设施时，人类便可以把更多精力放在自己更擅长的事情上：识别模式、理解语境并作出价值判断。
人类的模式识别与机器的迭代能力相结合，有可能形成一种分布式的反馈机制，帮助我们更快发现错误、逼近事实。
美国计算机科学家L·彼得·多伊奇（L. Peter Deutsch）曾半开玩笑地说：
“迭代属于人类，递归接近神圣。”
——L. Peter Deutsch
如今，当机器计算与人类认知开始协作，这句玩笑获得了新的现实含义。
这正是蓝眼访客的逻辑在现实信息环境中的一种映射。大语言模型驱动的工具，会进一步放大公共陈述的传播速度和影响范围。
一个长期被局限在小圈层中的事实，一旦进入公共讨论，就很难重新回到原来的封闭状态。
于是，原有的信息壁垒开始松动。
它未必伴随巨响，也未必通过正式新闻稿发生；触发点可能只是一档播客、一个问题或一条帖子。
如今，触发点也可能是一段提示词。
正如纳瓦尔所说：
“真相就是那种一旦看见，就再也无法假装没看见的东西。”