对于某特定的 Web3 叙事，如 RWA、L2、Web3 游戏、铭文等，我们可以观察和统计其叙事传播中的 beta 值和 gamma 值，预测其能否形成长期稳定的共识。

撰文：NingNing

今天在微软 AI 工具新 Bing 的帮助下，做出了一个酷东西：基于流行病学模型 SIR 分析 Web3 叙事的传播机制。

SIR 模型是流行病学中一个经典的数学模型，是最成功、最著名的传染病传播模型之一。

在 SIR 模型中，全体人口被划分成三类人群：

• 易感人群（S）：尚未被传染的人群，但缺乏免疫能力，与感染者接触后容易受到感染。
• 感染人群（I）：已经被感染并具有传播力的患者群体。
• 康复人群（R）：从感染中恢复并且取得免疫的人群。

这个模型不但可以帮助我们理解和预测传染病的传播过程，也可以帮助我们理解和预测 Web3 叙事的传播过程。

关于这点，读过《叙事经济学》的朋友们都懂的。

科普结束，下面我们开始真正的表演：

第一步：初始化条件

易感人群（S）= 某 web3 叙事的潜在目标用户比例

感染人群（I）= 已相信某 web3 叙事的用户比例

康复人群（R）= 已脱敏某 web3 叙事的用户比例

beta = 相信某 web3 叙事的转化率

gamma = 脱敏某 web3 叙事的转化率

我们设定：

S=0.9，I=0.1，R=0.0，beta=0.8，gamma=0.01

第二步：生成 10000 个随机数，从 Scipy 库导入 SIR 模型，再传入我们的初始化参数处理数据。

第三步：重整数据，使用移动气泡图可视化 web3 叙事传播过程。

可视化结果见附图，在以上初始化条件下，~72% 的用户会选择长期相信某 web3 叙事，即加密行业常说的形成稳定「共识」。

此外，我还测试了另外两组初始化条件：

第一组的 web3 叙事特性是高传播率、高脱敏率，初始化条件为：S=0.9，I=0.1，R=0.0，beta=0.8，gamma=0.2。

可视化结果显示，仅 1%~3% 用户会选择长期相信这一组 web3 叙事。

第二组的 web3 叙事特性是中等传播率、低脱敏率，初始化条件为：S=0.9，I=0.1，R=0.0，beta=0.5，gamma=0.01。

可视化结果显示，会有 62%~76% 用户会选择长期相信这一组 web3 叙事。

结论：对于某特定的 Web3 叙事，如 RWA、L2、Web3 游戏、铭文等，我们可以观察和统计其叙事传播中的 beta 值和 gamma 值，预测其能否形成长期稳定的共识。