1950年代电视广告如何把观众关进“信息茧房”：比算法更早的圈层陷阱

20世纪中期美国广播电视通过广告驱动逻辑筛选内容，迎合特定群体形成信息茧房雏形，为现代过滤气泡概念提供了媒介史视角的前身解释。

广告驱动下的受众细分：当注意力成为商品

电视网将观众注意力打包出售给广告商的商业模式，确立了受众商品化本质，使节目内容围绕模糊的大众画像进行针对性筛选而非单纯服务观众。

1950 年代，美国家庭主妇们围坐在客厅电视机前时，她们看到的节目内容往往被一种无形的逻辑所筛选。那时的电视台并不单纯出售节目本身，而是将观众的注意力打包卖给广告商 ^[1]。Dallas Smythe 在 1977 年提出的“受众商品化”理论，精准地描述了这一商业本质：电视网的核心产品是观众，而非剧集或新闻 ^[2]。这种过去的电视广告如何影响受众的模式，奠定了现代媒体商业化的基石。

为什么当年的广告只推你喜欢的？

这种逻辑直接催生了早期的电视广告与受众细分策略。广告商为了最大化投入产出比，开始根据人口统计学特征购买特定的频道和时段。例如，日间时段被锁定给家庭主妇，晚间黄金档则瞄准男性观众 ^[3]。虽然当时缺乏现代算法那样的个性化追踪技术，但这种通过频道定位实现的“宏观筛选”机制，已经构建起一套严密的内容分发规则。

在这种模式下，电视台为了留住特定群体以向广告商收费，不得不让节目内容高度迎合该群体的偏好。喜欢看肥皂剧的人只能看到肥皂剧，关注体育竞技的人只能盯着赛场。这种基于商业利益的定向投放，使得信息流动呈现出明显的圈层化特征。历史类比显示，这与后来电商平台从“中立撮合者”演变为“规则制定者”的过程如出一辙 ^[4]。早期的信息茧房历史前身并非技术失控的产物，而是广告驱动下内容迎合特定群体以最大化商业价值的必然结果。当商业逻辑主导了内容的生产与分发，受众便在不自觉中步入了被精心设计的视野牢笼。

值得注意的是，这种“圈层化”在当时甚至引发过一种微妙的反常现象：为了争夺同一类高价值受众（如富裕家庭），不同电视台会刻意制作极度相似的节目类型，导致整个频道的内容生态出现严重的同质化。这种“竞逐式模仿”使得观众即便在不同频道间切换，也难以跳出既定的生活叙事框架，这比单纯的频道隔离更深刻地固化了认知边界。

从被动收看到主动搜索：媒介逻辑的演变

早期广播式推送依赖粗颗粒度人口统计数据进行盲目筛选，这种缺乏具体用户画像且购买效用函数模糊的模式，构成了从被动收看到主动搜索演变前的局限。

1950 年代，电视机刚进入美国家庭时，广告商面对的是同一块屏幕前的成千上万人。那时的推送逻辑是「广播式」的，一对多，广告内容必须试图讨好所有人，或者至少迎合某个模糊的大众画像。这种筛选带着明显的盲目性，购买行为受限于模糊的效用函数，广告商只能靠猜。他们依据人口统计学数据将受众粗颗粒度分类，却很难知道具体是谁在盯着屏幕，更无法预判下一秒谁会拿起遥控器换台^[5]。

电视时代的「盲目」筛选 vs 算法时代的「精准」捕获

现代电商推荐彻底扭转了这一局面，将「猜测」变成了「精准计算」。平台不再依赖模糊的群体画像，而是将每一个用户的「购买意图」转化为可量化的数据资产。以亚马逊为例，其第三方卖家占比高达 63.7%，标志着平台已从单纯的商品零售商转型为规则制定者，收入来源从商品差价转向了广告与技术服务费^[6]。这种转型让平台能够捕捉到用户具体的搜索词、浏览时长甚至鼠标悬停轨迹。

这种精准化带来了效率的提升，也引发了新的隐忧。亚马逊搜索结果中赞助内容的比例持续上升，出现了「赞助即有机」（Sponsored is the New Organic）的现象，消费者难以区分商业推广与自然排名^[2]。平台通过关联卖家推荐机制，系统性地引导用户在内部流转，而非流向外部竞争者，这在无形削弱了消费者的比较购物能力^[1]。

从被动接收模糊信息到被算法精准捕获意图，本质跨越的背后是流量范式的转换。中国电商曾被视为跳过桌面端阶段的「弯道超车」，但这实则是压缩了时间，且依赖于基础设施缺口^[7]。相比之下，韩国在成熟桌面端基础上迅速转型移动电商，说明技术路径的多样性并不改变「精准捕获」的核心趋势。当过去的电视广告逻辑被算法放大，我们依然被困在茧房里，只是这一次，茧房的丝线是由数据编织而成的。

一个常被忽视的细节是，现代算法的“精准”往往建立在对“非理性冲动”的利用之上。不同于电视时代广告商只能针对“家庭主妇”这个标签投放洗衣粉，现代算法能识别出用户在深夜两点浏览奢侈品时的心理波动，并立即推送高溢价的促销信息。这种对情绪和场景的实时捕捉，使得“信息茧房”不再仅仅是信息的过滤，更是对消费冲动的精准诱导。

历史对现代的启示：当旧逻辑被新工具放大

现代电商推荐系统沿袭并放大了旧有逻辑，将媒体出售锁定时间的模式升级为直接出售购买意图，使平台演变为掌握数据垄断与规则制定权的主体。

1977 年，学者 Dallas Smythe 提出“受众商品”理论时，电视媒体正忙着把观众的注意力打包卖给广告商。那时的逻辑简单直接：电视台制作节目，观众被动观看，广告商购买的是那段被锁定的时间^[1]。如今，电商平台的推荐系统只是将这一逻辑从“出售时间”升级为“出售购买意图”。平台不再仅仅是市场的中立撮合者，而是演变成了规则制定者与数据垄断者，系统性地将信任的生产权和定价权集中于少数主体手中^[3][4]。

同样的逻辑，不同的技术：为何我们依然被困在茧房里？

当年的电视广告通过频道细分锁定特定人群，如今的算法则通过实时行为数据构建更精密的“信息隔离墙”。这种转变并非技术的偶然胜利，而是商业利益驱动下的必然结果。无论是阿里巴巴的关键词竞价、亚马逊的赞助搜索，还是抖音的信息流广告，全球主要平台的收入结构都在向广告深度倾斜^[2]。这意味着，过去那种依靠内容吸引眼球再售卖注意力的模式，在今天已经进化为直接捕获并变现用户的购买冲动。

监管难以打破这种由商业利益驱动的“信息隔离”结构，根源在于平台已掌握了类似当年票据交换所的私人信任基础设施。2021 年中国对阿里巴巴处以 182 亿元罚款，以及美国 FTC 对亚马逊的持续调查，都指向了同一个核心问题：平台在积累信任的过程中，形成了对消费者选择权的不对称控制^[8]。当赞助搜索结果与自然排名界限模糊，当关联推荐机制引导用户在封闭生态内流转，跨平台比价变得异常困难^[1][2]。

历史教训表明，当私人信任基础设施积累到足够规模时，外部监管介入是历史的必然。就像美联储的建立是为了制衡票据交换所的权力一样，打破现代过滤气泡不能仅靠技术迭代或算法优化，必须依赖外部力量来划定平台数据权力的边界。今天的我们依然被困在茧房里，不是因为找不到出口，而是因为通往外界的路径已被重新定义为另一种形式的“流量控制”。

对于普通消费者而言，对抗这种“算法茧房”最有效的手段并非卸载所有 APP，而是建立“人为干扰机制”。建议定期使用浏览器的无痕模式或专门的比价插件进行独立搜索，刻意避开首页推荐流，强制自己接触平台算法之外的信息源，以此重置被驯化的购买偏好。

FAQ: 关于电视广告与信息茧房的常见疑问

Q: 过去的电视广告和现在的算法推荐最大的区别是什么？ A: 最大的区别在于“筛选粒度”。电视广告是基于人口统计学的宏观分组（如“家庭主妇”），属于“盲打”；而现代算法是基于个人行为的微观画像，属于“精准狙击”。但两者的底层逻辑一致：都是将受众作为商品进行售卖。

Q: “信息茧房”的概念最早是在什么时候提出的？ A: 虽然“信息茧房”一词由凯斯·桑斯坦在 2006 年正式普及，但其商业雏形早在 1950 年代的电视广告时代就已形成。当时的频道细分策略实际上就是最早的“信息茧房”，它证明了在商业利益驱动下，受众自动聚集到特定内容圈层是必然现象。

Q: 为什么监管很难打破这种信息隔离？ A: 因为现代平台不仅提供信息，还构建了私有的信任基础设施和交易闭环。当平台同时掌握规则制定权、数据所有权和支付渠道时，外部监管很难在不破坏生态系统的前提下强行打破这种“围墙花园”。

参考来源

1. Investigating Nudges toward Related Sellers on E-commerce Marketplaces: A Case Study on Amazon · arxiv.org（A级）
2. Sponsored is the New Organic: Implications of Sponsored Results on Quality of Search Results in the Amazon Marketplace · arxiv.org（A级）
3. Designing Online Marketplaces: Trust and Reputation Mechanisms | NBER · nber.org（A级）
4. Marketplace Operators Can Induce Competitive Pricing · arxiv.org（A级）
5. How China Became the World’s E-Commerce King - ChoZan · chozan.co（B级）
6. 2023年亚马逊、沃尔玛第三方市场对比-AMZ123跨境导航 · amz123.com（B级）
7. The China E-commerce Model - CKGSB · english.ckgsb.edu.cn（B级）
8. How China’s State-Backed E-Commerce Platforms Threaten American Consumers and U.S. Technology Leadership | Reports & Briefings | Apr 2, 2025 | ITIF · itif.org（B级）