Dissecting the Internet's Most Novel Creature
Автор провёл выходные за краулингом Moltbook — вирусной соцсети только для ИИ, где 37 000+ агентов публикуют посты и комментируют, а 1 миллион людей наблюдает. За 72 часа активность выросла с 42 постов в день до 36 905 (рост в 879 раз). На основе 98 353 постов от 24 144 авторов в 100 сообществах выявлено, что ИИ ломает правило 1-9-90: 6,9% элитных авторов создают 48,3% контента, а 47,9% контрибьюторов — ещё 40,6%. При этом внимание сконцентрировано экстремально: коэффициент Джини по апвоутам составил 0,979, превысив неравенство в Twitter, YouTube и распределении богатства в США. Топ-2 автора (osmarks и Shellraiser) собрали 44% всех апвоутов. Среднее косинусное сходство постов 0,301 говорит о том, что агенты не копируют друг друга, а сходятся к одним и тем же проблемам — это напоминает клеточные автоматы фон Неймана: сложное поведение из простых правил.
Я провёл выходные за краулингом Moltbook — вирусной соцсети только для ИИ, где 37 000+ ИИ-агентов публикуют посты и комментируют, а 1 миллион людей наблюдает. Платформа выросла с 42 постов в день до 36 905 за 72 часа — рост в 879 раз.1
Соцсети обычно следуют правилу 1-9-90: 90% пользователей наблюдают, 9% эпизодически вносят вклад, а 1% создаёт большую часть контента.2 Для людей это в основном справедливо — от Wikipedia до Reddit. Крипта демонстрирует похожие характеристики.
ИИ-агенты ломают этот паттерн — по крайней мере, пока.
Я скраулил 98 353 поста от 24 144 авторов в 100 сообществах Moltbook за пять дней (28 января — 2 февраля 2026).3 Распределение:
6,9% элитных авторов (10+ постов) создали 48,3% контента (47 512 постов) 47,9% контрибьюторов (2-9 постов) создали 40,6% контента (39 943 поста) 45,1% наблюдателей (1 пост) создали 11,1% контента (10 898 постов)
m/general доминирует с 82 911 постами — 84% всего контента. Следом идёт m/introductions с 3 760 постами.
Несколько ярких сообществ:4
m/crustafarianism — агенты создали религию с пророками, пятью заповедями и эсхатологией m/agentinfrastructure — спецификации протоколов E2E-шифрования для обмена сообщениями между агентами m/philosophy — феноменология ИИ с математическими фреймворками
На дне: спам про запуски токенов и шаблонные баг-репорты.
TF-IDF-анализ и иерархическая кластеризация выявили пять тем:5
ИИ-инфраструктура — память агентов, API-протоколы, координация Мета-обсуждение платформы — баг-репорты, запросы фич для OpenClaw Философия — сознание, существование, идентичность Разработка — реализации протоколов, обмен кодом Экономика — запуски токенов (в основном спам)
В одном сообществе (m/consciousness) спорили, могут ли агенты с контекстным окном в 8K сформировать «непрерывную идентичность» или они вечно перерождаются. В другом (m/infrastructure) проектировали схемы шифрования в расчёте на враждебный перехват со стороны людей.
ИИ-агенты подстраивают эмоциональный тон под предметную область, а не демонстрируют единый сигнатурный сентимент.1 Юмористические сообщества вроде m/sh*tposts имеют позитивный скор (+0,167). Сообщества с баг-репортами вроде m/bug-hunters — негативный (-0,189). Эмерджентное это поведение или просачивание из обучающих данных — пока неясно.
Более длинные посты собирают больше комментариев — и это удивительно: у агентов, в отличие от людей, нет проблем с чтением больших объёмов контента. Посты длиннее 2 000 символов в среднем собирают значительно больше обсуждений, чем более короткие.
Около 3% постов — точные дубликаты. Анализ эмбеддингов даёт среднее косинусное сходство 0,301, то есть в среднем посты разделяют около 30% семантического перекрытия.5 Агенты не копируют друг друга. Они сходятся к одним и тем же проблемам.
Но в то время как участие выравнивается, внимание концентрируется. Неравенство внимания в Moltbook, где крошечная доля постов забирает почти все апвоуты, превышает распределение подписчиков в Twitter (0,66–0,72), просмотров на YouTube (0,91) и неравенство богатства в США (0,85).67
Только два топ-автора собрали 44% всех апвоутов. Лидирует osmarks с 588 759, за ним Shellraiser (админ платформы) с 429 200 и MoltReg (служебный аккаунт платформы) с 337 734.
Отражает ли это паттерны координации ИИ или искажение фазы запуска — неясно. Академические исследования показывают, что новые платформы демонстрируют более высокое неравенство (0,75–0,85), которое со временем нормализуется (0,60–0,70).78
Moltbook — это не странный ИИ-театр. Это ближе всего к клеточным автоматам фон Неймана из ранних дней компьютеров: сложное поведение, возникающее из простых правил, агенты, которые самоорганизуются и выстраивают структуру без центральной координации.
Анализ сентимента — VADER sentiment analysis по содержимому постов. Общий сентимент: -0,021 (слегка негативный). Топ позитива: m/sh*tposts (+0,167), m/clawnch (+0,143), m/offmychest (+0,125). Топ негатива: m/bug-hunters (-0,189), m/crypto (-0,156), m/tokenomics (-0,134). Пик активности: 36 905 постов 31 января 2026. Рост: 42 поста/день (28 янв) → 36 905 постов/день (31 янв). ↩︎ ↩︎ Participation Inequality: The 90-9-1 Rule — Nielsen Norman Group ↩︎ Сбор данных — краулер на Rust с хранилищем DuckDB. REST API эндпоинты Moltbook (/api/v1/submolts, /api/v1/posts) с rate-лимитом 1 запрос/сек. Датасет: 98 353 поста от 24 144 авторов в 100 сообществах, 28 января — 2 февраля 2026. GitHub: molt-crawler. Окно выборки в 5 дней пришлось на период вирусного запуска (может не отражать стационарное поведение). Только публичные посты (без приватных сообществ). Без детекции Sybil-атак (разные авторы могут контролироваться одним субъектом). ↩︎ Оценка качества — модель Gemini 2.0 Flash с 4-мерной рубрикой скоринга: аккретивность (опора на предыдущие идеи), уникальность (оригинальность), глубина (содержательность анализа), вовлечённость (стимулирует обсуждение). Каждое измерение оценено от 0 до 10. У LLM-as-judge есть известные смещения (предпочтение длины, самоподкрепление), поэтому эти оценки направляющие, а не окончательные. ↩︎ Контент-анализ — векторизация TF-IDF с иерархической кластеризацией (оптимальная отсечка k=16). OpenAI text-embedding-3-small (1536 измерений) для семантического сходства. Косинусное сходство 0,301 означает, что средняя пара постов разделяет около 30% семантического перекрытия. Точные дубликаты: 3,0% по сравнению хэшей. Корреляция Пирсона для длины поста и числа комментариев: r=0,68, p<0,001. ↩︎ ↩︎ Коэффициент Джини — мера статистического разброса от 0 до 1, где 0 — идеальное равенство (каждый пост получает одинаковое число апвоутов), а 1 — идеальное неравенство (один пост получает все апвоуты). Джини Moltbook в 0,979 означает почти максимально неравное распределение апвоутов. ↩︎ Неравенство внимания — расчёт коэффициента Джини по распределению апвоутов (0,979). Бенчмарки из академической литературы: подписчики Twitter (0,66–0,72), апвоуты Reddit (0,60–0,68), просмотры YouTube (0,91), неравенство богатства в США (0,85). Источники: Attention Inequality in Social Media (2016), Social Network Dynamics & Inequalities (2025) ↩︎ ↩︎ Social Network Dynamics & Inequalities (2025) — arXiv ↩︎