面對 AGI，“推薦算法”還能怎麼變？_風聞

和任何技術一樣，「算法」同樣在不斷進化。

對話 | 張鵬、李翔

撰稿 | Jesse

編輯| 靖宇****

過去 10 年，算法是移動互聯網產品的最關鍵引擎，它創造了巨大的價值，帶動了一大批產品和企業騰飛，同時也引發了爭議和誤解，大部分人大概都會同意，這是一把雙刃劍。

隨着新一輪 AI 浪潮啓動，很顯然，泛意義上的「機器學習」在未來 10 年還將進一步發展，變得更加重要。而與之對應的擔憂則同步加碼，如果 AI 的能力不斷增強，取代我們工作、決策，是否會掩埋我們的價值？

從 Facebook 到抖音，以算法為核心技術資產的這代公司，它們的發展速度在整個互聯網創業歷史上或許是最快的，但在輿論上受到的質疑和爭議可能也是最多的。不少人批評內容算法創造了信息繭房，**但實際上，推薦算法沒有任何意圖要讓人進入信息繭房，否則就是它最大的失敗。**這裏的矛盾到底是怎產生的？

答案或許就藏在算法的歷史中。當我們回過頭，去分析它的發展歷程，那些企業崛起的原因和踩過的坑，反而更容易讓這個抽象的問題變得更具體。

面向未來，下一波 AI 浪潮來臨之前，我們更應當想清楚，用户想要什麼、需要什麼，在這裏面，既可能藏着下一個時代的「商業船票」，同時也可能藴含着如何把算法變得更好的優化路徑。

在近三個小時的直播裏，極客公園客公園&總裁張鵬和《詳談》叢書作者、播客《高能量》主理人李翔共同回顧了內容推薦算法的發展史，探討算法如何成為了移動互聯網時代最重要的技術，引發了哪些爭議與誤解，並展望了 AGI 時代的未來。

以下是這次直播對話的實錄，經極客公園整理後發佈：

01

供給量✖️流動速率，造就了內容算法的價值增量

**張鵬：**當我們要聊「基於算法的信息分發」這件事，你腦子裏最先閃現的是什麼畫面？有什麼觸發你思考的點嗎？

**李翔：**我是從一個媒體從業者角度來關心這件事的。今天大家經常討論，社交媒體平台在公共事件裏，特別是公共情緒發酵的過程中，該扮演怎樣的角色？畢竟我們所有人都生活在這個由社交媒體算法影響的輿論場裏。比如過去兩屆美國總統大選中，無論是 Twitter 還是 Facebook，都會被拿出來討論，因為這些社交平台都在影響選民的決定。

**實際上，過去每一種技術變化帶動的媒介變化，都會帶來類似的改變，引發討論。**比如大蕭條時期，羅斯福的「爐邊談話」，就是通過廣播——這個當時很先進的媒介來分發的。包括反面例子，希特勒，也是通過類似的方式來傳播自己的理念，後來就有學者專門研究過技術如何改變媒介，以及如何出於公眾的福祉和利益，來對媒介進一些管控。

後來美國還有過一些極右翼的神父，也會通過廣播來佈道、傳教，引發了美國的一個大討論，討論要不要立法來對其進行管制。之後電視時代造就了肯尼迪這樣一個「偶像式」的總統。

到奧巴馬時代就已經有社交媒體顧問存在了，他們會從行為心理學角度研究，如何在社交媒體上更有效地與公眾溝通。再往後，就是特朗普和 Twitter 了，大家可能知道，特朗普非常熟練地掌握了 Twitter 背後的那套信息分發機制，大家開玩笑説他是通過 Twitter 治國。

**張鵬：**每一波技術變化之後都會有很多吐槽，基於推薦算法的信息分發也一樣。我們先梳理一下互聯網時代「信息分發」的發展軸線。

最早的門户網站是結構化的信息，跟報紙、雜誌沒有本質的區別，都是以空間結構決定信息重要性，越在重要空間位置的就越重要；**往後就是搜索引擎，用户會帶着明確的需求去搜。**從編輯決定版面，變成了機器幫你排列，根據你搜索關鍵詞的相關性，加權排序；**然後是 SNS，變成了關注機制，加上社交網絡的傳播，**我能看到我關注的人發佈的內容，還能看到他轉發其他人的內容，形成了一個網狀的結構；再往後是機器學習，字節開始推信息流。

這個過程中，信息分發從一個空間結構，越來越變成一個時間結構。因為信息非常豐富，越來越多，可能每一分鐘打開，裏邊的重要信息都不一樣。

**李翔：**是的，從第一代數字化的紙媒，到 SNS，再到 Facebook 和字節，其實就是媒介隨着技術變遷，用户數量和內容的量也來越多，整個體量越來越大。

**張鵬：**我覺得「信息分發方式的每一次變化，都能長出一波新平台」，這是一個很有意思的現象。我從 1998 年開始關注這個行業，到 2013 年，我才終於覺得大概理解了為什麼互聯網領域的公司能創造這麼大的價值增量，背後的核心在於信息的「總量」和「流動速率」相乘，最終得到了經濟價值的增量。

在互聯網發展的過程中，內容創作的門檻在不斷降低，內容的生產增加之後，我們就需要一個更強勢的、更有效率的分發機制。因為只有分發到位，才會激發更多的供給生產。最後發現，只要讓內容創作者漲一個數量級，就有機會重新定義信息分發，成為新的平台。

**李翔：**我記得最早在微博、知乎，吸引我的完全是關注的人，但後來我發現它們都逐漸拋棄了單純的關注邏輯，開始擁抱算法推薦，你怎麼看？

**張鵬：**我拿我用抖音的體驗來舉個例子吧。抖音我最開始用的時候就是覺得很有趣，有一些我沒看過但挺有意思的東西。用了一段時間之後，它通過不斷的算法篩選，基本推的就是我愛看的東西了，所謂「這個號養好了」的感覺，開始有一種滿足感。從「有趣」到「滿足」，這是我從開始用一個產品，逐漸成為主力產品的一個過程。

但這沒有結束，最關鍵的是接下來，它還在給我帶來「驚喜」。它會基於我關注的身邊的人，挖掘出更多的新內容，讓我試試。後面從數據層面發現，我也喜歡，就相當於幫我擴大了接受內容的廣度。

所以我後來發現**，為什麼一個產品能不斷擴展用户，即便用户規模到了數億****的級別，我們這些比較早期的用户還在留在這裏。這就是它的內容體驗要從「有趣」到「滿足」，最終還要能帶來「驚喜」。這件事沒有推薦算法引擎，是很難做到的。**本質上這就是信息的總量上升，匹配的效率上升，才讓抖音變得更有價值。它在努力滿足我的個性化需求，我也在幫它實現平台的中心目標。

所以為什麼大家最後都走向了推薦引擎這條道路，本質上還是因為用户需要個性化的服務，而這個個性化的服務並不是用户説「我要什麼」，用户很多時候並不能準確表述自己的需求，而是要平台去幫用户主動擴展。

**張鵬：**你覺得為什麼是在移動互聯網時代，推薦算法成為了一個特別重要的事？

**李翔：**首先，第一個變化在於，我們接受信息的介質從 PC 變成了手機。因為這個「物理空間」變小，通過空間來分發信息的方式就變得非常不可行了。把過去門户網站那種索引式的、版面式的頁面，放到 iPhone 那麼小的屏幕上，眼都看花了。

其實不止是信息分發，當時所有的互聯網平台都面臨同樣的問題。用空間來陳列信息，跟電商的貨架也很像。貨架也是物理空間，當時從大的 PC 屏幕到小的手機屏幕，電商的呈現邏輯也被顛覆了，每個公司都要找到一套效率更高、更簡單和更極致的方式分發信息。只不過這個時候有算法科學家、公司敏鋭地找到了用推薦算法，來更高效地推送信息，同時也讓消費者能更高效地消費信息。

**張鵬：**是的，這過程中還有一個巨大的變化是，移動互聯網時代，我們是隨時在線的。智能手機可以存在於任何場景，這意味着我們接觸信息的時空節點，比原來明顯增加。這個改變造成了，不再圍繞空間去做信息的分發，而是以時空為軸，用户獲取信息的過程變成連續的了，隨時可以發生。

與此同時，內容的供給量也在增加，通過微博、微信，我們需要花時間去消費的信息明顯比 PC 時代增加了，變得更豐富、更加多模態。也就是我説的，信息的總量在增加，需求也在提升，這裏藴含了新的價值，必然要重新定義連接。

連接是一個效率問題，推薦引擎相比門户網站、搜索、SNS，最早充分利用了移動互聯網時代內容無限供給、用户隨時在線，可以通過智能手機去理解用户，用户可以用智能手機來生產內容的這一整個特點。與此同時，機器學習的算力、算法本身也在不斷迭代、進步。

**李翔：**手機作為一個設備，它也在幫助算法機器瞭解用户，比如最基本的，手機能獲取用户的位置信息。

**張鵬：**在移動互聯網早期，流行過一個「船票」的概念，所有平台都在儘快完成向移動互聯網的用户遷移。包括像字節，那個時候還是新公司，也在堅定地投入，跑馬圈地，要把用户量做起來。

我事後思考，為什麼那一波用户擴張特別重要？就是因為推薦引擎是字節的核心，需要大量的數據，內容的供給和需求之間要反覆碰撞，才能越來越有效。當時機器學習的推薦引擎其實非常初級，很難精準匹配用户所有的需求。所以它需要給用户推一些不確定用户是否喜歡的內容，來幫助用户探索，即便用户不喜歡，這個成本也就是划過去。實際上用户對這件事的接受度很高，不喜歡划走就行，這對推薦引擎早期的成長，提供了很大的加持，相當於用户在幫助他構建初級的智能。

這件事對算法的發展也很關鍵，就是在「交互」這一層起了作用，幫助字節拿到了這張船票。

**李翔：**我認為所謂的「移動互聯網船票」是看哪一家公司，能在從 PC 到手機的這個變遷中，真證找到先進的機器學習算法技術，然後去高效地匹配人和信息、商品，任何東西。比如像滴滴就是匹配人和車，BOSS 直聘是匹配人和工作崗位。

從這個角度去看一些 pc 時代很強的公司，但在移動互聯網時代就走得有點磕磕絆絆，背後其實就是沒有提高這個「匹配」的效率，你在 PC 上是輸入關鍵詞搜索，到了手機上還是輸入關鍵詞搜索。

所以真正的船票，指的不是用户規模，而是技術帶來的匹配效率提升。

**張鵬：**當年今日頭條剛出來的時候，很多人覺得這不就是一個新聞 App 嗎？即便用了機器學習、推薦算法，也依然是一對新聞，甚至還沒有其他新聞客户端的審美更好。很多人都認為今日頭條不會有多大的高度，充其量就是另一個門户網站。

**李翔：**是的，後面當字節做大之後，很多人跳出來講當年怎麼錯過了字節，怎麼看走眼了，有各種各樣的解釋。

其中一個判斷是説，這個賽道是做信息分發的，新浪的市值就是你的天花板，不值得更大投入。這個理論就忽略了從 PC 到手機的介質變化，以及背後的整個信息分發技術的變化，以及最終帶來的用户數量級和消費信息的量的變化，這些變化把整個商業的天花板撐高了。

張鵬：「信息分發」實際上是一個非常底層的東西。當時我們認為它只是個新聞閲讀，侷限於這一個場景了，實際上後來當它延伸到短視頻場景，抖音，我們就開始看到「信息分發」能夠釋放的巨大影響和能量。

02

好的分發算法，就是在「利用」和「探索」間找平衡

**張鵬：**2016 年前後，業界基本都開始用上內容推薦算法了，不只是字節，包括 Facebook、Twitter 都加入了。但那個時候大家就開始會對算法有吐槽了，當時 Facebook 還引發了很多問題，你記得嗎？

**李翔：**當時我印象裏，美國的主流媒體確實都在批判以 Facebook 為代表的社交網絡的各種弊端。很多批評者都是曾經在大公司裏工作過的人，離職之後掀起了對科技倫理的反思。

比如假新聞氾濫的問題，因為你的算法動機是讓用户更多地點擊觀看，而那些聳人聽聞的新聞更容易被點擊，這成了你們追求的目標，所以就是你們造成了假新聞的泛濫。

**張鵬：**你説的那一波浪潮，確實對整個 Facebook 的產品和技術系統帶來了一些衝擊和影響。

**當時 Facebook 的系統、算法的目標設定，過於單一和極端化了，這就導致這個系統明顯會出問題。**因為扎克伯格他創業的時候還很年輕，從大學退學出來做的，他對於人類世界的很多理解，並不是很完善，特別是社會層面。所以他在駕馭一個大系統的時候，給系統設定的目標太單一，漏掉了對這個世界複雜性的理解。

我覺得這不是推薦算法技術的問題，而是用技術的人，你給技術設定的目標到底是什麼的問題。

就像今天，國內任何一個推薦算法體系，都要做合法合規方面的規則設定，不能違背公序良俗。你不能説我的系統目標就是點擊優化，將 KPI 最大化。這樣肯定是不行的，這就是物理世界的真實規則，你肯定要遵守。但當年那一波，Facebook 出問題的時候，他們的工程師腦子裏，對人類世界的理解可能沒那麼深刻。

**李翔：**是的，就像當時有個非常流行的詞叫「增長黑客」。

**張鵬：**對，就是你所有的目標就只有增長，過程中考慮的系統變量不夠多。這件事其實不是技術有問題。所以我覺得，一個能成熟運用技術的人，設計系統目標，運用推薦引擎算法的時候，就是要考慮到更復雜的東西，甚至主動限制算法的效率優化。

比如像現在抖音裏面，有時候晚上晚一點，我刷了快一個小時抖音的話，它就會插入一個提醒，説是不是該睡覺了。一開始我覺得還挺煩的，後來我分析它這個行為是給誰看的？它犧牲了一個視頻推薦的位置，那一定是產生了一定的影響。它一定不是隻針對我，而是在大的用户量的數據層面，能看到用户行為的一些改變，而且這個概念不會摧毀它系統的整體有效性。

成熟的公司一定會這麼看問題，不會竭澤而漁。

**張鵬：**還有一個大家吐槽很多的，會不會平台因為有流量，有算法推薦的能力，就可以實現想讓誰紅就讓誰紅，控制誰是下一代明星？

**李翔：**我們會發現，每一次內容平台的變遷，其實都在孕育不同的「紅人」。

比如雜誌時代，文章寫得很好的記者，在博客時代可能不是最大的受益者。博客時代，當時最火的，關注量最大的徐靜蕾，到微博時代也不是最紅的博主。而微博時代最紅的微博女王，姚晨，到了短視頻時代，也並沒有延續她的人氣，而是又出現了瘋狂小楊哥這樣的素人。

這些平台在變遷、切換的時候，是不想讓上個年代的人紅嗎？應該也不是，對吧？

**張鵬：**對，你要接受推薦引擎它有客觀的規律，甚至這個規律都不是説背後的運營同學想改變就改變的。因為過年前後哈爾濱不是特別火嘛，我想這個模式一旦建立，是不是過完年全國各地城市都會想複製這個樣板？但至少在我的時間線上，沒有看到哪個城市火過哈爾濱，甚至沒有第二個能到哈爾濱 1/10 的那種熱度。

平台肯定很想推這件事，於自己的形象、平台價值等等都有好處，但是都沒有第二個案例。這件事給了我很大釋然，因為平台很想推，也未必能推紅。

**李翔：**我感覺郭有才也一樣。他並不符合一線城市的審美，但我很佩服抖音的這一點。**因為如果一個平台能夠不斷地湧現出新的「景觀」，就説明這個平台非常有活力。**抖音就是這樣，郭有才之前可能全網都在討論東方臻選和董宇輝，再之前是俞敏洪老師在低谷中再次崛起，再往前是瘋狂小楊哥，廣東夫婦……

有一種帶點陰謀論的質疑是，平台有意的每過一段時間就要造一個東西出來，不斷有新的大的主播出現，不能老被那幾個壟斷着。當時我還在朋友圈問了，有各種各樣的人給我回復。首先，郭有才肯定不是他們刻意運營的結果，不是抖音就選中這個人，給他疊加各種各樣的有利的條件。

實際上，一個網紅或者一個城市走紅的原因是多種多樣的，這裏面有算法的助力，內容足夠多、用户足夠多，算法推薦、反饋機制足夠靈敏，所以一個內容在一個小範圍內非常受歡迎之後，算法就會把它推到一個稍微大一點的範圍，如果依然受歡迎，就再往外擴一圈，如果都是正向反饋就不斷地推。但算法在其中也不是決定性的因素，不管是淄博還是哈爾濱的走紅，我們看到當地政府和民眾都做了很多工作，是厚積薄發的結果，算法幫助發現和捕捉到了大家感興趣的點，起到放大鏡的作用，比如天水的麻辣燙，當地怎麼也想不到把麻辣燙作為旅遊宣傳點，想不到外地人能喜歡。

網紅的出現，歸根結底是契合了某種社會情緒，平台也無法把一個人或城市從 0 到 1 推火，這個過程只能是自發的，平台也是在接住「潑天的流量」，比如董宇輝、劉畊宏，都是自發火起來的，平台接住了，共同做好從 1 到 2、到 3 的工作。

**張鵬：**人説了不算，當核心機制是推薦系統的時候，你給一兩個流量池，如果不火，也沒有辦法，系統有對應的規則，你沒法一直給流量。

**當我們真的去理解推薦算法，就會發現它那一套規則是客觀的，高速驗證的循環。你的主觀意願，並不能對這件事產生直接影響，你可以輸入你的意圖，但最終不一定出那個結果。你總不能把算法全推翻重新改一遍，那整個系統就崩了。**就像你剛剛總結的，平台可以決定誰不紅，而不是真的能把誰推紅，平台不像大家想的那麼萬能，有無限的能量。

**張鵬：**最近在抖音，視頻號這樣的平台上，你有發現什麼驚喜嗎？咱們交換一下，互相訓練一下平台的推薦算法。

**李翔：**第一個是很多企業家的採訪演講，包括黃仁勳、馬斯克最近講了什麼。而且短視頻平台上有很多用户上傳的，第一手的現場資料。比如前段時間有個很熱的新聞，就是王傳福在一個投資者會上，説「自動駕駛就是個騙局」。我當時看到這個新聞的時候，第一反應就是懷疑，真的是這樣説的嗎？我要探究一下它的出處和上下文。然後我就到短視頻上去搜，就有很多用户上傳的，當時講話的現場影像。

第二個是有一些電影和美劇的解説，這是比較常見的娛樂消費了。

第三個是我在抖音上，會發現一些小眾樂隊的歌，被用作配樂。因為我喜歡聽樂隊，尤其是偏搖滾、民謠的。隨着媒介變化，這些樂隊發唱片，其實很難找到好的宣發渠道，就是説這個領域裏有供給，有需求，但匹配不上。但我在刷抖音的時候，它會推很多這樣的音樂給我，這個也挺驚喜的。包括我挺喜歡的一個樂隊叫蛙池，他們在一個小眾圈子裏還挺火的，但我之前不知道，最早就是抖音給我推他們的旋律和歌，我才知道的。

**張鵬：**我也是。剛才你提到電影解説，我以前沒有接觸過這個所謂的「拉片」的概念。過去 DVD 上可能有一個評論音軌的版本，就是一邊放這個電影，背後的導演、製作團隊在那裏解讀，但我其實很少這麼看，因為一部電影我已經看過了，然後再看評論音軌，你得特別喜歡這部電影才會這麼做。但最近在抖音上，我很喜歡看那種，把一個經典電影拆成好多集，然後每一個細節反覆地講、解讀，這個我特別喜歡，讓我能更深層次地理解一個作品。

以及我還挺喜歡看一些科普博主的。他們往往在結合一些比較新的技術論文在做解讀，用的又是我們都能聽懂的語言。如果你能關注幾個靠譜的人，這個比用 ChatGPT 來總結還是更有效一些。

**張鵬：**今天很多人批評內容算法導致了「信息繭房」，你怎麼看？

**李翔：**我覺得信息繭房很難準確描述今天每個人信息攝入時的困境。

單純從字面意思來看，信息繭房其實一直存在。比如古代的帝王，我們經常説他聽信小人讒言，不就是陷入了所謂的「信息繭房」嗎？包括平面媒體時代有一個現象，就是你從報紙上獲得的信息，其實無關乎媒體公司所秉持的價值立場，很多時候是由受眾的立場決定的。很多媒體就是為了迎合當地的信息消費者或廣告客户，來進行內容創作的，包括美國 2016 年總統選舉的過程和結果，就印證了這件事，雙方信眾都認為對方被媒體控制和洗腦了。所以我們每個人都生活在一個信息繭房裏。

我們探究內容算法的核心原理，有兩個很關鍵的概念，就是「探索」和「利用」。其中「探索」就是人們看到新東西的慾望，「利用」就是反覆看同一個已經確定喜歡的內容的偏好。後者就有點像信息繭房。但今天，好的信息分發方式，一定會在裏面尋找一個平衡，就是既有「利用」，也有「探索」。

**張鵬：**我非常認同。實際上，推薦算法沒有任何意圖讓你進入信息繭房，因為如果你進入信息繭房，那就是這個推薦算法最大的失敗。如果一個算法只讓用户「利用」，不拿新的東西去驗證，這個用户的畫像就是一個靜態的、不發展的，最終一定會越來越無聊，進而離開。

推薦算法如果不推動用户去「探索」，不破除繭房，它就不能壯大，拿不到更多的信息，無法贏得更多的用户時長。因為用户停留時長就是激勵這個技術生長最重要的東西。實際上，跟純關注的訂閲系統相比，推薦算法反而可能更不繭房，迄今為止最不繭房的一個機制。

當然，這裏有一個前提，就是這個推薦系統的目標沒有歪曲。只要它是一個健康的，面向長期發展的生命體，這樣的算法就不會讓我們進入繭房。

這也讓我意識到，「驚喜」和「探索」真的特別重要，如果一直是隻看到以前關注的人，打開率會急劇下降。一個算法如果過度「利用」，而沒有「探索」，用户就會變得不再活躍。

**李翔：**對，要不斷給用户帶來驚喜，對平台本身內容的供給量也有要求的。就像抖音有一段時間，在達到 600 萬 DAU 之後，他們有一個很重要的策略，就是內容的「泛化」，不是隻有小哥哥小姐姐的唱跳。因為唱跳內容可能會吸引很多人，但這個內容相對是比較單一的。後來他們的運營方向開始泛化之後，很多新的內容可能並不是用户喜好的最大公約數，但因為內容的泛化，隨之而來的是用户的泛化和巨量增長。

**張鵬：**對，抖音就是這樣一個案例。它最早就是一些手勢舞，年輕人玩的東西，當時給人的感覺就是很有趣、很新鮮。後來 DAU 到達一個數量級之後，內部開啓了這樣一個內容泛化、人羣泛化的運動。當時我跟他們也有過交流，抖音平台上內容湧現的能力是怎麼出現的？實際上他們運營團隊並不能判斷誰會紅，他們只能判斷什麼樣品類的內容，需要被補充到這個系統裏，所以他們會鼓勵這部分內容的創作，給一定的推力。但最終內容走紅，在平台上湧現，這完全是推薦引擎的作用結果。而這些流行內容的不斷湧現，也印證了推薦系統的成功。

這個過程，它其實不是運營的成功。這是一個互相約束的系統，沒有人有超能力。

03

未來，AI 要在算法的基礎上交付更個性化的服務

**張鵬：**我們剛才説了很多推薦引擎、信息分發在上個時代的變化。隨着 AGI 能夠更好地理解人的行為、信息，接下來我們又會看到用户提供給 AI 的，可被理解的數據增加，可能對信息分發又會帶來改變，你怎麼看？

**李翔：**從之前的演變來看，我覺得還是想看媒介的終端會怎麼變化，這個技術與人如何交互。因為過去我們可能看一本雜誌，到 PC 時代的網頁，移動時代的超級 App，未來可能是一個 AI 助理？

**張鵬：**我覺得首先還是要理解用户的需求。比如抖音理解我們的方式是統計我看了什麼，哪些視頻看了，哪些划走了，哪些評論了、搜索了。

今天的大模型是以語言模型為基礎實現突破的，最近有一個詞很重要叫 life stream，生活流。它的終極形態是通過各種新的，分佈式的傳感器，來和我們的感官同步獲取信息。我們今天覺得抖音已經瞭解我們很多信息，因為我們在上面花了很多時間。但還遠遠不夠，遠沒有到「懂我的生活」的程度，無法交付給我更個性化的服務。所以我相信比如字節也在銜枚疾進地通過大模型，在 AGI 時代進化它的技術。

**因為下一場革命，也就是可被機器低成本高效率理解的數據，和可被交付的數字化服務，又要爆發了。不管是供給側還是需求側，很快會連鎖反應地變化，以數據為中心，智能的供給會變多。**字節作為從上一場革命過來的人，一定知道這件事的重要性。

**李翔：**AI 在供給上確實有顛覆性意義，比如 AIGC。過去我們説 PGC、UGC，也就是機構、用户創造的內容，現在直接 AIGC，就能實現無限的供給，或至少存在這個苗頭或趨勢了。我不知道 AI 領域有沒有船票這一説？

**張鵬：**可能還沒有到船票這一層，但我覺得今天行業所處的狀態是，大家都知道未來會有一場大洪水，AGI 帶來的一波新的浪潮，但現在的問題是還沒看見船在哪，更別説船票。

我們確信未來還有更豐富的數據、信息和智能的能力，能促進個性化的服務，包括內容消費，包括生活服務等等。

如果要説什麼是船票，先不説上船，上船之前先會點游泳。也就是對數據這件事，先贏得用户身邊的位置，進而讓用户願意跟你分享更豐富的數據，進而運用邊際成本不斷下降，無限供給的智能，去做好對用户的個性化和交付。這看起來是一個未來的軸線。

這個過程中，「以用户為中心」會是一個思路變化，這也是對今天互聯網平台的一個很大的挑戰。因為今天的推薦系統是通過服務用户的個性化，最終匯聚用户的行為，提升系統的效率。本質上是用系統創造的 AI 的能力，服務系統的目標。

**但未來，AI 的使命是給用户交付最個性化的服務，沒有你幫我點個廣告，到這買個東西的部分，AI 應當起到的作用甚至是屏蔽一些沒有必要的信息和行為調用。所以如果有人做出這個，可能就要收費了，一個月 20 塊錢，來給你做這個事，你可能用它一輩子。**這種商業模式以前是不存在的，未來如果真的存在，你就發現今天內容平台的模式跟 AI 模式是對抗的，AI 是以用户為中心，平台是要考慮自己，調動用户的。兩者一定會進行一個博弈的過程。

回顧過去十年，推薦算法的確「統治」了世界，滲透進我們生活的每個角落，無處不在。但實際上，算法並不是一箇中心化的，集中的萬能權杖，它很大程度上還是我們行為經過傳導，折射出了人性的一個切面。算法本身並沒有構建「繭房」的動機，反而是我們自己，應當主動保持「探索」的好奇心。

面向未來，越來越成熟的 AGI 在更大規模數據的加持下，它的應用可能會比內容算法更具壓倒性，釋放出更大的能量。這裏既有很大的創新空間，也需要行業保持發展的敏鋭和警惕，才能開拓出更好的未來。

*頭圖來源：視覺中國

本文為極客公園原創文章，轉載請聯繫極客君微信 geekparkGO