春节期间，中国 AI 行业仍在加速狂飙。这一轮生成式人工智能的爆发，源于 AI 行业在深度学习、大模型与数据工程上的长期技术沉淀与规模化落地。
以终为始，在这个节点我们想回过头聊聊推荐算法。这项早已融入各类 App 和我们生活日常的技术，易被忽视它同样来自 AI 深度学习技术的突破，且至今仍是规模最大、最成熟的 AI 推理应用场景。也因此，推荐系统会是检验大模型推理能力的终极赛场之一，也是目前少有的能将大模型技术转化为规模化商业价值的产业场景。
播客“蜉蝣天地”于年前对谈算法工程师风霁，带来了近年来对推荐算法最深入的一次分享。风霁任职过国内多家互联网大厂，在推荐算法场景有 8 年经验，他参与了推荐算法的基础模型复杂化的整个进程：从最早的简单机器学习、深度学习，到目前大模型相关的技术在推荐场景下的各种结合应用。
这场对谈最有意思的地方，是把算法工程师从神秘“黑箱”里拽回到一个很具体的岗位：一份脏活累活。面对亿级上传、千亿级观看的内容洪流，系统先机审和人审，再做召回、排序、重排，把“你可能会喜欢”从一句口号拆成可计算的目标：点击、停留、互动、长期留存、创作者公平、社区健康。算法从来不能一次算准，大部分情况下是在A/B测试中的小步试错，边跑边修、边增长边治理：今天追求效率，明天就可能补上被灰黑产利用的漏洞；今天满足兴趣，明天还得防止兴趣越来越窄。
更有意思的是，所谓用户画像并不是一句“你是个爱钓鱼的人”这么简单，而是一堆工程上可用、但人类很难直观看懂的向量；工程师要在这些冷数字和热情绪之间反复翻译，既听行为，也尊重表达。而当 AI 介入创作和分发后，这份工作还会更难：你不仅要判断用户现在想看什么，还要猜他未来想成为什么样的人。
真正决定平台生命力的，不是让用户多刷十分钟，而是让用户一年后还愿意回来，让好内容和好创作者都不被埋没。说到底，算法工程师做的，是一种现代信息社会的基础设施维护，而他们维护的是社会可能还没有产生共识的思想前沿。
以下为算法工程师风霁和“蜉蝣天地”主播重轻、汉洋的对谈，由凤凰网财经整理：
01
推荐算法本质是信息检索，围绕用户满意度建模
重轻：算法是我们从第一期就想聊的话题，邀请到你满足了我俩很长时间的愿望。推荐算法其实不是一个古典的工程师岗，它在某一个时间点才慢慢出现。
风霁：从我的视角，我觉得推荐算法本质是在做信息检索，推荐相关的论文，最早发的那个会是“信息检索会议”。这个事并不特殊，互联网本身就是为了信息检索而诞生的。
第一代推荐，可能是 2005 年以前，当时的推荐，大部分都是编辑做的，门户网站都是人工定义的规则，我没有参与过这个阶段。从 2005 年大概到 2012 年左右，深度学习、机器学习开始火了。在 2012 到 2016 年这段时间，是传统机器学习在推荐上的应用。2016 年谷歌发了一篇论文就是把神经网络应用在 YouTube 的推荐里。之前是非常简单的机器算法，就是挖特征，通过挖复杂信号让推荐变得更精准，是个堆人力的事，明显不是个长久的事情。谷歌是在简单模型的基础上，再叠加上一个深度神经网络。
我大概在 2017 年入行，我在那家公司应该是在 2018 年，我自己去主导把神经网络应用到推荐。那个年代的视频迭代，基本上只优化一个目标，就是 CTR（Click-Through-Rate，点击率），上了神经网络之后，你会发现点击率暴涨，涨 10%-20%，但同时带来一些标题党、封面党的问题。我们会把时长、点赞这些多目标也融入到推荐迭代，做了很多生态治理的工作，打压这些封面党、标题党，包括一些擦边、软色情的治理。
重轻：所以你是一个开荒的工作，你经历了各种指标飞涨，工作价值特别大，甚至整个公司都为之震动的这个过程？
风霁：推荐对于业务来说是推进器，当时整个公司的增长非常快，业务是每年翻倍的，推荐带动涨 10%，其实也就是一部分。这个技术对于我自己和团队来说，是非常震动和开心的，很振奋。
互联网给不同的人分发不同内容，千人千面、亿人亿面，大家可能没有意识到个性化能力到底能有多强。按照大模型 scaling-up 的逻辑来说，假设当年编辑推荐的点击率是1%，努力后做到 2%，但如果你知道未来可以做到 20%，其实总编就不重要了。
本质来说推荐本质是信息检索，信息检索的产品形态和技术都发生了翻天覆地的变化。我们今天一天能看的视频，如果没有现在这个技术，你可能花 100 倍的时间也找不到这个视频。
重轻：推荐算法成为了一个现实之后，各家都开始做这个事，接下来你做了什么？
风霁：大概在 2018 年做的事情是比如说一个用户有 1000 个历史行为，从中间找到比如说 30 个，看里面有哪些跟我是相关的，跟候选的视频相关的。然后根据历史视频，判断你可能对哪些视频感兴趣，叫做序列建模。大概从 2019 年到 2023 年，我们在做序列建模，以及多目标建模。多目标做得更复杂，比如说从时长、点赞、关注，包括全屏分享，把用户使用过程中的各种行为做拆解。
我们首先考虑，哪些行为反映用户对这个视频是满意的？哪些动作反映这个视频是在骗用户、骗平台？只有用户对内容满意，才会留在这个平台。
说回来推荐是分几部分的，第一部分叫做用户体验，第二部分叫做作者的体验，我们叫B端和C端。第三部分是生态工作。C端我们去会考虑推得准不准，用户看这个视频会不会秒退？秒退可能说明封面标题好，体验不好。在B端，作者如果创作了好作品，有没有拿到足够多的流量？如果拿不到，是什么原因？我们要把这个问题解决好。第三部分生态，就是有一些作品不优质，但是拿到了比较多的流量，我们也要对它治理。
02
时长不是唯一目标，更希望用户一年后还用
重轻：听你说这么多，算法的目标比我们以为的要复杂。我们以为互联网公司要不择手段地把我留在这，增加用户时长和粘性，但其实这里面内含了不一样的目标？
风霁：坦白来说，各大互联网公司肯定希望时长更多——但是具体到每一天，并没有那么极致地去优化时长。至少我个人带团队时，我是不太 care 涨时长这个事。我们对这个事情的理解是：用户一年之后还用，这个 APP 能不能陪伴用户非常久？不能只看今天。
今天让用户多看 10 分钟，有意义吗？我觉得意义不一定大。大家都能看到一些用户觉得太沉迷了，我把它卸载了吧！可能多了一天的活跃度，但你损失了未来 365 天乘以 50 分钟的价值。所以我们会更关注用户有没有发生有效互动：只是浏览，还是也有点赞、关注、评论？
最近两三年，我们做长期价值建模会比较多，会考虑在未来180天，这个作者你会去看几天？如果180天你还看同一位作者，当然也会在这个平台上活跃180天。
从生态视角，永远在考虑一个问题，你看舞蹈，那跳同样一个舞，有没有人比这个视频跳得更好的？那个更好的视频为什么没有推荐给你？这是从我们的用户视角看这个问题的。从作者视角来看，那个跳的更好的作者，有没有拿到更多的播放量？
作者侧要分档，好的作者越来越满意。但是有一些灰黑产，包括现在有很多低成本的创作，这些人是不满意的。对创作者来说，如果说你的作品用户喜欢，那不应该担心“一代版本一代神”，你应该是永远的神。相反如果下个版本你不行了，那是不是说明就是你过去是靠上个版本的 bug 拉到的流量？
重轻：如果因为版本迭代，让创作者屡屡要遭受断崖式下降，是产品出问题了？
风霁：对，这个产品自然就会被淘汰了。因为明面上好像是用户选择了平台，但我觉得底层是创作者选择了平台，他们互为因果的。如果今天你这个平台的创作者都走了，用户是不可能独存的，用户一定会跟着创作者走。
我们在创作者端会做一个事叫做“冷启动”：如果你是一个平台的新作者，上传的前几个稿件会给一个比较高的流量，保底流量会给比如说 1000 播放；如果你创作能力比较好，你不会被埋没，不会因为是个素人创作者，没有用户看你。
有人会问：某一天推荐算法做了一个上线之后，原来可以达到 10 万播放的，现在只能拿到一万播放。这怎么回事儿？但现实中不会这样。我们迭代可能一次只能有千分之一的变化，对于某个品类来说，可能只有千分之五的变化。一年当中能够产生大流量变化的迭代非常少，对全局来说可能也就百分之一的幅度变化。
另外一个逻辑来说，想做这么大影响的迭代也很难。因为技术是缓慢推进的，一年中这样大的技术突破一双手可以数得出来的，所有公司应该都是小步快跑的逻辑在做迭代，就算是有大的迭代，同时我们有非常多指标去追踪系统的稳定性，比如说万粉作者的平均播放量是多少？每一个品类稿件的流量占比是多少？包括用户的平均使用时长、平均播放、平均兴趣数，有非常多指标在跟进，希望这些指标都是往好的方向变。
重轻：你说了这么多，我意识到一个以推荐算法为核心的内容分发平台，比我以为的要稳重得多，不会允许任何一个维度上出现很武断、天翻地覆的变化，即使推动一个大的变化，也要一步一步来。
风霁：是的，算法怎么确保我们每一次迭代是对的？我们会上实验，用一个均等的流量，比如分 10% 的流量， 5% 用户生效的是过去的策略， 5% 的用户生效的是改动策略，改动是简单、清晰、可解释的。然后我们去看非常多的指标，用户侧、作者侧、生态侧指标，我们会去看头部数据的稿件是什么样的，中腰部出的稿件是什么？有一些专项迭代里面，我们会看涨粉多的作者是谁？如果说这些指标都是好的，会放更大的流量去验这个事。如果也OK，就推全了。参数都是可记录的。
03
比起推荐算法，用户审美更影响平台内容
汉洋：我可不可以认为，在你的价值观里面，用户审美变化的影响力要远远大于推荐算法的影响力？
风霁：是这样的。比如说从最开始的短视频，可能就是跟拍，模仿明星这样的内容。后来有一些剧情向、三农的内容，这些都是新的需求和新的创作者来了。假设用户量级不变，原来内容一定是会有挤占的，但这个事情对用户是不是好的呢？对用户是好的，因为他有更多可丰富的内容可以看了。
我们做的一些事会不会对趋势有影响？会有。比如说假设系统过去没有收藏目标，现在加了个收藏目标，明显知识课程类的就会变多。观众对于知识类视频喜欢收藏。
重轻：用户闲暇和用户心智的变化是根本的。不是说你互联网公司想调一下算法，就能改变的。
风霁：对，我现在听碎片知识的获得感已经比 10 年前弱了，那今天就是需要更多深度知识，这也是优质视频播客，包括优质中长视频的机会。大家对短视频的要求也更高了，需要看更专业的舞蹈，需要剧情没有那么尬，更加自然，这都是一个自然演进的趋势。
04
推荐系统无需理解内容，最新应用大模型去理解内容
汉洋：那你们每天处理的是多大量级的一个工作？
风霁：中国互联网每天新上传的视频肯定是亿量级的。观看数量，如果多个平台加一起，人均至少是看100个视频，也就是观看可能是千亿量级。
重轻：这么大的视频参数量，每一段上传、观看的视频里面所隐含的需求和人性，那些我们无法言说的知识，全都在算法模型里。
风霁：没有那么恐怖，这个模型可能是万亿级别的参数，里面都是数字，我也不知道它代表什么。我们在模型对每个用户做一个表征，你在那个模型里面是什么呢？其实是一串数字，这个数字在不同平台不一样，但是一般来说可能是几百个数字或者几千个数字。
重轻：我感觉还挺少、挺节约的？
风霁：对，就是挺节约的。同时会把用户在平台上发生的几万或者上百万个行为记录下来，每一个行为是一个几十维到几百维的数字。具体记录多少行为，看各家的算法。
如果只从用户表征来说，是几百位到几千位的数字，一个视频在系统里是一个几百维的浮点数字，一个作者也可能是一个几百位的表征，这些表征占了模型存储的大头。
我们会把你过去的历史行为放到模型里，刚开始，可能有最近 100 个行为，后来到 1000 个、1万个，以及现在可能过去你 100 万个历史行为，都以某种工程方式参与到模型的计算过程中。
重轻：这个用户表征是什么？就比如汉洋是个男的，多大岁数，喜欢什么不喜欢什么，会有一张这样的表吗？
风霁：它是一个蕴含信息，是一个自动学习出来的数字，我们不知道它代表什么。原理跟今天的大模型一样，大模型可能是一个 64 层的神经网络，你随便抽测一层，是一个几万维的数字，那这数字代表什么呢？我也不知道。假设性别男女，在大模型里分别代表了一个 4000 维的向量，你其实不知道哪个代表男、哪个代表女。我只能知道这个数字，但我不知道数字是什么含义。
汉洋：所以人们脑中对于推荐系统的想象，系统会给我打成一堆标签，说我喜欢钓鱼，是不存在的？
风霁：标签有可能打错。这个还有一部分，但是比重没那么重，而且在越来越低。
重轻：假设我是你领导，现在提了一个要求，要把露营有关的内容使劲往上提，那你的抓手是什么呢？
风霁：视频是不是露营的内容，还是知道的。我回过头来说一下，整个投稿过程都发生了什么。用户在投稿之后，系统首先给你推荐一个封面，现在比较新的技术是直接用大模型去提取你的视频抽帧，把你的音频文字提取出来，去识别内容是否合规，符合法律法规，每个平台都会有一些规定，相当于先过机审。
如果发现有一定风险的内容，到人工审核那儿背对背盲审，如果都觉得这个视频有问题，就会被打回，作者要重新修改；如果都觉得没问题，就进入推荐系统进行分发。这个视频未来如果有了一定热度，可能还会让人工再审一遍。这之后，视频还会经过内容理解模型，对视频打上一些标签，这是一个露营的还是猫狗的，这样的视频描述，在向量维度变成一个几百维的数字，送到我们的模型里面。
传统的推荐链路，第一环是召回，从几千万或几百万的池子里，通过刚刚说的向量输入，找出跟你最可能匹配的几万个或几百个视频，然后再通过之前说过的多目标排序模型，输出各个目标的预估分数，比如说点击的概率、点赞的概率、长期价值的概率，多个概率经过一个融合函数，加权在一起，对这几百个视频做个排序，最后把得分最高的展现给你。
中间还有一层叫做重排层。这个重排层，第一保证这些视频是有多样性的，不能都一个主题，这样你的体验不好。最好保证每个主题都出一两个。同时我们也会衍生一些兴趣探索的目标，保证你的兴趣不收窄，最后退化成一两个兴趣——算法希望你的兴趣越来越多。再上面可能还会有一层，就是其他业务，比如说还要跟广告、直播、短剧等多个题材，让它们中间穿插一个合适的比例，让公司在用户体验和营收上面达到平衡。
最后这个用户会看到视频，发生互动，用户的行为再回传到系统，作为模型的输入来训练这个模型，让这个模型逐渐学习这个用户的偏好，积累对视频的看法。
重轻：你刚才说的所有这一切，发生在多长时间里？
风霁：每个公司不一样，但我觉得可能对业界的这个水平来说，快的话可能就几分钟，慢的话可能也就是一两个小时。
重轻：过去这 24 小时有1亿个视频传上来，我要看其中的 100 个，你们不可能把那1亿个视频排个序吧，是不是随便抽了一点点？
风霁：不是随便抽的，有个模糊计算的过程，会从中间抽出几万个，挨个计算一次。模糊计算的过程，可以想象成一个树，这个树有十层，每一层有几十个分叉，中间可能会有些策略，在分叉最里面拿到一些视频，所以相当于是全局计算。
05
为了用户长期留存，算法一直在努力打破“茧房”
重轻：你刚才说模糊计算是从一亿个候选视频里，给我拿了一点做排序，是不是有点像是一个购物清单去到超市里面，我的偏好已经在这些候选视频里面了？
风霁：很多人在抱怨“信息茧房”，其实推荐系统一直想去打破它，我们拿出可能千亿的流量去做随机分发。这个随机分发，当然也不是说从几亿个里面随机，而是我们可能挑一些主题完全不一样的视频，不走后面的模糊匹配，也不走精密计算，从几万个里面随机挑一个给你展现，那这个点击率可能是大盘点击率的1%。
差这么多意味着什么呢？今天如果没有推荐系统，就随机给你分发视频，那你想要找到一个视频的难度至少是现在的 100 倍，而且应该不止 100 倍，因为点击率是1%，播放时长、完播率、点赞率也是变低的。如果你从满意度层面来看，可能是千分之一。
所以说如果没有推荐系统，你基本可以理解你在这个内容极度爆发的时代，面对每天亿级别的内容供给，你是没办法去看内容的。
汉洋：换句话说，如果没有推荐系统，面对亿级的视频，你看的是个平均数，就是中国用户制作视频的平均水平。
风霁：你随便抽一个视频，可能抽到了你们小区一个大爷的怼脸自拍。我不是说这个视频不好，但大概你不太感兴趣。随机推送和有效推送中间的状态，是让人们看一个他大概感兴趣的内容，但是不完全迎合。
分发过程中，有一部分是多目标，鼓励探索你过去没看过的内容，有挺多权重的。它是一个拔河比赛，从长期价值来看，你到底是希望这个系统短期更懂你，还是说长期能够帮你发现新事情？人的需求会变化的，如果我今天只盯着你已有的需求去服务，你未来可能就流失了，所以我们很关注，你在这个平台能不能发现过去未曾看过的观点，没看过的内容、方向甚至题材，我们去不停地探索。
执行层面，也有很多目标为这个服务。我们有一个目标会看跟你差不多画像的用户在搜索什么稿件，他搜索代表推荐系统还没有识别到的，我们会猜他想搜什么，然后把这个视频推荐给你，这个观点和内容可能都是你过去没有接触到的。
我觉得这个事情就是求同存异。人类天然会检索自己偏好的内容，大模型学习的也是这个偏好。但跟人类不一样的是，推荐系统会加很多模块去纠偏这个偏好。长期来说，纠偏对于用户的平台留存是不是一件好事？我理解是个好事，业界应该有共识，做一些兴趣探索的实验，长期留存是正向的，平台没有必要把你锁在“茧房”，平台希望用户能够更 open 看世界。
重轻：我的问题是，技术肯定是滞后的，就是要先出了问题，你才知道。
风霁：我们会尽量前置去考虑问题，很多问题不可能等事情发生。比如说要加一个目标，其实能知道可能带来哪些风险，风险弄好之后才会上线。但是我也不可能 100% 什么问题都看到，有些问题是后置治理，甚至有的不是上线时发生的，而是要很久以后。
比如 2019 年前后上点赞目标，一年之后出了一些视频，你点一个赞，就做个俯卧撑，或者你点个赞，今天就有一天好运，你们应该刷到过这种视频吧，现在看不到这类视频了。当时有一些作者，有些黑灰产、营销号，知道了点赞率高能有流量，他反过来去拉流量，我们只能后置去识别这类视频，把这些无效的用户行为给过滤掉。
还有一个逻辑，是你的竞品优化得更好，更准了，那你要不要做？今天如果不迭代，这个系统就在变差，因为用户有额外的需求。今天是全网亿级视频上传，早十年只有百万量级、千万量级，这么多量级的变化，整个系统要不要演进？10 年前的推荐系统，一定处理不好今天的情况。
重轻：似乎没有一个无为而治、往后退一步的办法，必须得往前走，遇到问题要充分理解问题，然后把它反映在我们的目标设定和函数里面。
风霁：我必须要提出一个观点，就是在我们日常的工作中，会有一个问题叫做，“这个事情为什么是这样，为什么不是更完美的一个状态”。万事万物理论上都是从 0 到1，从 1 到 100 的过程。很多问题不是突然出现的，而是慢慢爬升上来的，一些争议问题，不是新增的，而是过去就有，只是大家的要求比过去更高了，你才觉得它是个问题。
比如我们要求东西更便宜，内容比以前更新颖，“茧房”比以前更窄。推荐系统实际上是更好了，大家可能想象不出 10 年前的推荐系统是什么体验了。从技术层面来说，各家推荐系统一定是在往体验更好的方向走。
重轻：有时候用户想玩“怀旧服”，停留在“大灾变”那个时代的游戏，就是想活在过去。在魔兽世界，我们还真获得过一次怀旧服的感受，那是一个历史性的时刻，一瞬间全世界小时候玩过魔兽世界的人全回去了，90% 以上的人第二次被淘汰，我就是那 90% 的人，然后我才想起来这个游戏所蕴含的东西是什么。
在我玩不到旧版本的时候，我脑海中都是贼美好的事情，我进去以后发现，我要在这么低劣的画面里面杀 500 只野猪，要一只一只的杀，然后回去买面包，只留下最枯燥、最硬核的人才去玩这个东西。
风霁：他是希望他的快乐回到过去，但是他没有考虑到他自己的审美，或者说对快乐阈值的阈值在提高。所以我们说“越长大越孤单”，越难感受到快乐，因为我们小时候感受到的快乐更多。
06
对平台生态和社区价值的伤害，多年后才能观测到
重轻：有非常多叙事，像人心里的伤痕一样，最经典的研究应该是几年前，有科学家搞了 100 多个青少年的社交网络账号，发现很容易收敛到极端减肥跟节食。包括有吹哨人出来，说 Facebook 的算法会鼓动少女进一步增强她们的身材焦虑。如果它足够有利于用户粘性，这些公司还是不吝于去作恶的，这是很多人内心深处对技术最底层的不信任。你怎么看这些事？
风霁：我理解大家的不信任。像这种有一定风险性的内容，一部分是用户上传的，更大比例是灰黑产，有意图去引流的，可能是减肥药，或者非法减肥机构。至少根据我的工作经历上，针对这些灰黑产，我们有一定的治理经验，这对平台也是不利的。
推荐算法最终要围绕用户满意度来建模，需要有一个底线。算法不应该决策，到底 A 观点还是 B 观点对，我觉得推荐不应该负责这个事，平台也不应该负责这个事。但是推荐算法应该管理好底线，符合法律法规和道德约束。
重轻：最后一个问题关于情绪，我感觉情绪是一个最近两年人们开始谈论的议题，之前讲更多的是“misinformation”，虚假的事实，阴谋论、造谣这些，现在是算法在挑动情绪，它不是个实在东西，它只是一个冷和热，或者一个人积极和消极，很难去描述它，它可能是一个很丧的、埋怨社会的，或者是一种特别“社会达尔文主义”，觉得弱者应该去死。这些情绪不是关于事实的判断，在这个情况下就是，推荐算法有意识地去管理、抑制，或者是酝酿、提倡一些特定的社会情绪吗？你有主张吗？
风霁：我觉得这个事，可以认为是一个社区工作，有的社区是鼓励讨论的，有的是鼓励双方来对垒的。在我过去的工作中，我可能更加主张观点接受差异化，但是要就事论事，友善的态度来讨论。
如果一个视频，是以引发争议来获得流量的话，我们会建模这一块的价值，比如评论区都是喷他的，可以通过大模型变成是和否的标签。那这个视频在综合目标里是不占优势的，不会被更多推荐。如果你的评论区是关于视频的延展讨论，甚至有人说你说的好，我有感触，这个事我童年时候也经历过，我也有这样一个故事。算法通过大模型能把这些优质评论识别出来，变成一个友善标签，然后整体加权重去鼓励友善氛围。
从效率逻辑上来说是一样的，社区希望大家认为它是一个有口碑的社区，对平台发展是更好的。我们很难想象一个平台会认为因为有争议，明天大家还来吵架，结果这个平台能涨得很好。
重轻：你之前提过一个词叫“画风”，说平台很在意用户对于产品整体的看法，而不只是对内容的看法。这也反映在推荐算法工作里吗？
风霁：画风这块的工作，很多时候反映我们认为什么是下限，以及评估用户满意的指标是什么。画风是我自己的一个产品观念，跟推荐没有关系。打开这个 APP 都有一个原因，就是意图，满足这个意图的内容，我觉得就是画风。所以它其实是一个产品的增长逻辑，我做一个什么样的APP，满足什么样的用户意图，定义我的产品功能。
重轻：还有一种挥之不去的担忧，像是赛博朋克的小说里面的东西。很多年前，Facebook 在赞和踩的基础上，加了愤怒和大笑的按钮。事后回顾出来，愤怒和大笑确实起到了一个提高用户参与的效果，但是接下来用了两年时间才观察到其中的恶果，它是逐渐累积发生的。仇恨言论和刺激人上火、互相攻击的东西，都冒出来了，最后他们才踩了刹车，大概是一个两年时间的过程。
风霁：我觉得你说的这个点特别好。我自己把推荐系统的价值分为三块，用户、生态和社区的价值。用户价值最容易去定义，就是活跃度。生态价值是结构化的，比如现在这个平台有多少品类，每个品类有多少作者在贡献，每个品类作者的质量又是怎么样的，这是生态价值。它很难衡量，也很难去定义，但是你的每一次迭代也在影响。
第三个就是社区价值：评论区、弹幕、社交口碑，大家怎么看待你？我做推荐，这三部分工作我都会做，最容易衡量的是我们刚刚说的用户价值，用户的 DAU 涨了，你是知道的，但是伤害另外两个价值，是很难观测的，所以我的判断是另外两个是底线，凡是伤到了社区价值和生态价值，就不能做。因为这两个价值都需要非常长期才能观测到，但是用户价值你有很多手段可以涨，用户满意度永远没有达到上限。用户活跃度不是未来，生态和社区价值是不是在一直涨，才是未来。
07
算法没法控制用户喜好，信息战是真实世界的延伸
重轻：对互联网公司来说，不可能干净地切一刀，切完了有一个安全区，只负责这些。作为你的朋友，我希望你的工作是一个单纯的事实，是一个无涉价值判断的工程问题。但如果此刻算法面对的是一个有灰度的事情，它要做价值观判断，怎么办？
风霁：我觉得推荐算法本质还是一个信息检索技术。我研究生同学有人是图书管理专业，这个学科就是教1万册图书怎么做排序，让大家在图书馆里尽快拿到我想要的书，这是最早的信息检索系统。
如果作为一个纯粹的搜索系统，或者作为一个图书管理的系统，也有以上说的所有问题，只是说为什么现在这个问题放大了？因为信息在人类生活中重要的比例越来越重要了。我们既然站在这个位置上，享受了发展的红利，那我们当然要接受这样的挑战。你一定会接受更多的审视和要求。我们应该去满足社会对我们更公平的要求。
哪些是推荐系统可以主张的，哪些不应该有主张？涉及到社会法律规范、公序良俗相关的，我们不去碰。但是一个平台到底是短视频、长视频还是图文，评论区希望说梗轻松一点，还是做深度讨论，这个是我们可以去主张的，前提是 peace and love，以及不违反事实，画风是可以主张的。
我们在一个逐渐建立认知的过程，过去可能对社区和生态价值的认知没那么清晰，还有兴趣探索和“茧房”这个矛盾的体系，目标如何定义，不是技术上没有认知清楚，而可能是社会道德没有对它形成一个统一的认知。如果形成统一认知，那一天我们自然可以解决这个问题。
08
大模型深刻影响推荐，带来技术上的提升
重轻：咱们可以聊一聊未来，接下来两到三年，你眼前那个在较真、研究的东西是什么，会花很大的精力在什么事上？
风霁：AI让我对未来没有判断。大家能想象出来五年后人类跟AI是怎么相处的吗？不知道，如果今天知道了，我今天不应该在公司工作，我应该去创业。
AI会影响用户需求和供给。今天的搜索需求，其实已经极度减少了。现在的视频很多是知识类的，未来很多知识类也会可能被吃掉。供给上面，我们有很多基于AI的内容提效工作，比如有AI生成内容。如果未来的创作视频质量都比今天更好，那用户对于视频的判断和需求，跟今天又会有什么样的区别呢？我们也不知道，这些都是难题。
AI也会影响推荐系统，有很多助力，过去我们对视频的理解是单薄的，表征一个视频的维度可能就几百位，未来可能更充沛。第二个基于现在大模型的技术，我们也在尝试直接用大模型服务推荐，比10年前的推荐技术可能有10倍以上提升。第三块是推荐的交互形式，这也是我积极在探索的，我们现在通过用户行为去决定推荐结果，有没有可能通过wording逼近理想态。
重轻：能不能重新找一种新的方式，让用户直接表达出来他想要的东西，回应了我心里对行为偏好这个事的思考。在我看来，它背后隐藏的判断是，一个人说的话，可能根本不了解自己，但他的行为是100%诚实的。
纯打比方，我有一个群友说，我最近在看机器学习的教程，我搜了好多，但是每一个机器学习算法的视频下面还是小姐姐舞蹈的相关推荐。我想说的是一个人的主观愿望，一个人想要成为的样子，是完全不重要的，他的行为暴露了一切，这不是一个工程师有义务要回答的东西，但我就想把它给说出来，就是我不想臣服于这种逻辑。
风霁：工程逻辑可以解释这个事情。一个用户说我要看这个，但是给他推了之后没看，你要不要做这次推荐？这个是挺经典的搜推联动，如果你搜索了一个东西之后，未来推荐会多出一些这东西，然后你一个都不看，三天之后可能就不给你推了。
那一开始你不看的那几个机器学习视频，是不是仍要推？我们现在的选择是给你推，系统层面有这个机制设计，试探一下你是不是真的喜欢。
你说你想学习，我们配合你学习，但是过了一段时间发现你的真实需求不是学习，还是要满足你的真实需求。你下次再表现想学习的时候，我们再来满足好了。如果你表现了想学习，系统没响应，是系统做得不好。反过来说，如果你表达了学习，过了一段时间还是持续不学习，推荐还要给你让学习，这也是做得不好的表现。
重轻：我心里那个不服的东西，并不是在产品或者算法上有任何实质的意见，我只是觉得人希望自己成为的样子应该是有一份权重的，应该能反映在我所接受的信息、我的经验里面。
风霁：我觉得你不用纠结，我们希望成为的那个人是动力和目标，我们的日常生活，是滋养我们的，是给我们补能的。补能完成了之后，你才能去做你自己的梦想，所以说不相斥。而且兜底来说，你的意图可以通过搜索来满足。如果希望推荐满足我们的一切，10 年前这个事情是不太可能的，按照时间线演进，它变得越来越可能。
热门跟贴