面对 AGI，「推荐算法」还能怎么变？

张鹏：2016 年前后，业界基本都开始用上内容推荐算法了，不只是字节，包括 Facebook、Twitter 都加入了。但那个时候大家就开始会对算法有吐槽了，当时 Facebook 还引发了很多问题，你记得吗？

李翔：当时我印象里，美国的主流媒体确实都在批判以 Facebook 为代表的社交网络的各种弊端。很多批评者都是曾经在大公司里工作过的人，离职之后掀起了对科技伦理的反思。

比如假新闻泛滥的问题，因为你的算法动机是让用户更多地点击观看，而那些耸人听闻的新闻更容易被点击，这成了你们追求的目标，所以就是你们造成了假新闻的泛滥。

张鹏：你说的那一波浪潮，确实对整个 Facebook 的产品和技术系统带来了一些冲击和影响。

当时 Facebook 的系统、算法的目标设定，过于单一和极端化了，这就导致这个系统明显会出问题。因为扎克伯格他创业的时候还很年轻，从大学退学出来做的，他对于人类世界的很多理解，并不是很完善，特别是社会层面。所以他在驾驭一个大系统的时候，给系统设定的目标太单一，漏掉了对这个世界复杂性的理解。

我觉得这不是推荐算法技术的问题，而是用技术的人，你给技术设定的目标到底是什么的问题。

就像今天，国内任何一个推荐算法体系，都要做合法合规方面的规则设定，不能违背公序良俗。你不能说我的系统目标就是点击优化，将 KPI 最大化。这样肯定是不行的，这就是物理世界的真实规则，你肯定要遵守。但当年那一波，Facebook 出问题的时候，他们的工程师脑子里，对人类世界的理解可能没那么深刻。

李翔：是的，就像当时有个非常流行的词叫「增长黑客」。

张鹏：对，就是你所有的目标就只有增长，过程中考虑的系统变量不够多。这件事其实不是技术有问题。所以我觉得，一个能成熟运用技术的人，设计系统目标，运用推荐引擎算法的时候，就是要考虑到更复杂的东西，甚至主动限制算法的效率优化。

比如像现在抖音里面，有时候晚上晚一点，我刷了快一个小时抖音的话，它就会插入一个提醒，说是不是该睡觉了。一开始我觉得还挺烦的，后来我分析它这个行为是给谁看的？它牺牲了一个视频推荐的位置，那一定是产生了一定的影响。它一定不是只针对我，而是在大的用户量的数据层面，能看到用户行为的一些改变，而且这个概念不会摧毁它系统的整体有效性。

成熟的公司一定会这么看问题，不会竭泽而渔。

张鹏：还有一个大家吐槽很多的，会不会平台因为有流量，有算法推荐的能力，就可以实现想让谁红就让谁红，控制谁是下一代明星？

李翔：我们会发现，每一次内容平台的变迁，其实都在孕育不同的「红人」。

比如杂志时代，文章写得很好的记者，在博客时代可能不是最大的受益者。博客时代，当时最火的，关注量最大的徐静蕾，到微博时代也不是最红的博主。而微博时代最红的微博女王，姚晨，到了短视频时代，也并没有延续她的人气，而是又出现了疯狂小杨哥这样的素人。

这些平台在变迁、切换的时候，是不想让上个年代的人红吗？应该也不是，对吧？

张鹏：对，你要接受推荐引擎它有客观的规律，甚至这个规律都不是说背后的运营同学想改变就改变的。因为过年前后哈尔滨不是特别火嘛，我想这个模式一旦建立，是不是过完年全国各地城市都会想复制这个样板？但至少在我的时间线上，没有看到哪个城市火过哈尔滨，甚至没有第二个能到哈尔滨 1/10 的那种热度。

平台肯定很想推这件事，于自己的形象、平台价值等等都有好处，但是都没有第二个案例。这件事给了我很大释然，因为平台很想推，也未必能推红。

李翔：我感觉郭有才也一样。他并不符合一线城市的审美，但我很佩服抖音的这一点。因为如果一个平台能够不断地涌现出新的「景观」，就说明这个平台非常有活力。抖音就是这样，郭有才之前可能全网都在讨论东方臻选和董宇辉，再之前是俞敏洪老师在低谷中再次崛起，再往前是疯狂小杨哥，广东夫妇……

有一种带点阴谋论的质疑是，平台有意的每过一段时间就要造一个东西出来，不断有新的大的主播出现，不能老被那几个垄断着。当时我还在朋友圈问了，有各种各样的人给我回复。首先，郭有才肯定不是他们刻意运营的结果，不是抖音就选中这个人，给他叠加各种各样的有利的条件。

实际上，一个网红或者一个城市走红的原因是多种多样的，这里面有算法的助力，内容足够多、用户足够多，算法推荐、反馈机制足够灵敏，所以一个内容在一个小范围内非常受欢迎之后，算法就会把它推到一个稍微大一点的范围，如果依然受欢迎，就再往外扩一圈，如果都是正向反馈就不断地推。但算法在其中也不是决定性的因素，不管是淄博还是哈尔滨的走红，我们看到当地政府和民众都做了很多工作，是厚积薄发的结果，算法帮助发现和捕捉到了大家感兴趣的点，起到放大镜的作用，比如天水的麻辣烫，当地怎么也想不到把麻辣烫作为旅游宣传点，想不到外地人能喜欢。

网红的出现，归根结底是契合了某种社会情绪，平台也无法把一个人或城市从 0 到 1 推火，这个过程只能是自发的，平台也是在接住「泼天的流量」，比如董宇辉、刘畊宏，都是自发火起来的，平台接住了，共同做好从 1 到 2、到 3 的工作。

张鹏：人说了不算，当核心机制是推荐系统的时候，你给一两个流量池，如果不火，也没有办法，系统有对应的规则，你没法一直给流量。

当我们真的去理解推荐算法，就会发现它那一套规则是客观的，高速验证的循环。你的主观意愿，并不能对这件事产生直接影响，你可以输入你的意图，但最终不一定出那个结果。你总不能把算法全推翻重新改一遍，那整个系统就崩了。就像你刚刚总结的，平台可以决定谁不红，而不是真的能把谁推红，平台不像大家想的那么万能，有无限的能量。

张鹏：最近在抖音，视频号这样的平台上，你有发现什么惊喜吗？咱们交换一下，互相训练一下平台的推荐算法。

李翔：第一个是很多企业家的采访演讲，包括黄仁勋、马斯克最近讲了什么。而且短视频平台上有很多用户上传的，第一手的现场资料。比如前段时间有个很热的新闻，就是王传福在一个投资者会上，说「自动驾驶就是个骗局」。我当时看到这个新闻的时候，第一反应就是怀疑，真的是这样说的吗？我要探究一下它的出处和上下文。然后我就到短视频上去搜，就有很多用户上传的，当时讲话的现场影像。

第二个是有一些电影和美剧的解说，这是比较常见的娱乐消费了。

第三个是我在抖音上，会发现一些小众乐队的歌，被用作配乐。因为我喜欢听乐队，尤其是偏摇滚、民谣的。随着媒介变化，这些乐队发唱片，其实很难找到好的宣发渠道，就是说这个领域里有供给，有需求，但匹配不上。但我在刷抖音的时候，它会推很多这样的音乐给我，这个也挺惊喜的。包括我挺喜欢的一个乐队叫蛙池，他们在一个小众圈子里还挺火的，但我之前不知道，最早就是抖音给我推他们的旋律和歌，我才知道的。

张鹏：我也是。刚才你提到电影解说，我以前没有接触过这个所谓的「拉片」的概念。过去 DVD 上可能有一个评论音轨的版本，就是一边放这个电影，背后的导演、制作团队在那里解读，但我其实很少这么看，因为一部电影我已经看过了，然后再看评论音轨，你得特别喜欢这部电影才会这么做。但最近在抖音上，我很喜欢看那种，把一个经典电影拆成好多集，然后每一个细节反复地讲、解读，这个我特别喜欢，让我能更深层次地理解一个作品。

以及我还挺喜欢看一些科普博主的。他们往往在结合一些比较新的技术论文在做解读，用的又是我们都能听懂的语言。如果你能关注几个靠谱的人，这个比用 ChatGPT 来总结还是更有效一些。

张鹏：今天很多人批评内容算法导致了「信息茧房」，你怎么看？

李翔：我觉得信息茧房很难准确描述今天每个人信息摄入时的困境。

单纯从字面意思来看，信息茧房其实一直存在。比如古代的帝王，我们经常说他听信小人谗言，不就是陷入了所谓的「信息茧房」吗？包括平面媒体时代有一个现象，就是你从报纸上获得的信息，其实无关乎媒体公司所秉持的价值立场，很多时候是由受众的立场决定的。很多媒体就是为了迎合当地的信息消费者或广告客户，来进行内容创作的，包括美国 2016 年总统选举的过程和结果，就印证了这件事，双方信众都认为对方被媒体控制和洗脑了。所以我们每个人都生活在一个信息茧房里。

我们探究内容算法的核心原理，有两个很关键的概念，就是「探索」和「利用」。其中「探索」就是人们看到新东西的欲望，「利用」就是反复看同一个已经确定喜欢的内容的偏好。后者就有点像信息茧房。但今天，好的信息分发方式，一定会在里面寻找一个平衡，就是既有「利用」，也有「探索」。

张鹏：我非常认同。实际上，推荐算法没有任何意图让你进入信息茧房，因为如果你进入信息茧房，那就是这个推荐算法最大的失败。如果一个算法只让用户「利用」，不拿新的东西去验证，这个用户的画像就是一个静态的、不发展的，最终一定会越来越无聊，进而离开。

推荐算法如果不推动用户去「探索」，不破除茧房，它就不能壮大，拿不到更多的信息，无法赢得更多的用户时长。因为用户停留时长就是激励这个技术生长最重要的东西。实际上，跟纯关注的订阅系统相比，推荐算法反而可能更不茧房，迄今为止最不茧房的一个机制。

当然，这里有一个前提，就是这个推荐系统的目标没有歪曲。只要它是一个健康的，面向长期发展的生命体，这样的算法就不会让我们进入茧房。

这也让我意识到，「惊喜」和「探索」真的特别重要，如果一直是只看到以前关注的人，打开率会急剧下降。一个算法如果过度「利用」，而没有「探索」，用户就会变得不再活跃。

李翔：对，要不断给用户带来惊喜，对平台本身内容的供给量也有要求的。就像抖音有一段时间，在达到 600 万 DAU 之后，他们有一个很重要的策略，就是内容的「泛化」，不是只有小哥哥小姐姐的唱跳。因为唱跳内容可能会吸引很多人，但这个内容相对是比较单一的。后来他们的运营方向开始泛化之后，很多新的内容可能并不是用户喜好的最大公约数，但因为内容的泛化，随之而来的是用户的泛化和巨量增长。

张鹏：对，抖音就是这样一个案例。它最早就是一些手势舞，年轻人玩的东西，当时给人的感觉就是很有趣、很新鲜。后来 DAU 到达一个数量级之后，内部开启了这样一个内容泛化、人群泛化的运动。当时我跟他们也有过交流，抖音平台上内容涌现的能力是怎么出现的？实际上他们运营团队并不能判断谁会红，他们只能判断什么样品类的内容，需要被补充到这个系统里，所以他们会鼓励这部分内容的创作，给一定的推力。但最终内容走红，在平台上涌现，这完全是推荐引擎的作用结果。而这些流行内容的不断涌现，也印证了推荐系统的成功。

这个过程，它其实不是运营的成功。这是一个互相约束的系统，没有人有超能力。