算法背的鍋太多了

上世紀五十年代，普通美國家庭每天看電視的時間“高達”6小時。顯像管技術迎來黃金時代，但質疑聲接踵而至。1950年波士頓大學的畢業典禮上，時任校長、禁酒令堅定支持者丹尼爾·馬什對電視毫不留情地開炮[1]：

“如果電視熱潮繼續以目前的水平發展下去，我們注定會成為一個白癡國家。”

時過境遷，晶體管、集成電路、GPS、Unix架構等一個個塑造現代世界的創新接二連三的誕生于這個白癡國家，電視機普及衍生出的電視辯論成為了美國大選的標配環節，但“白癡論”的加害者名單卻越印越長。

上世紀90年代，消費電子產業爆發式增長，電腦可用內存增加、圖像影音表現力增強，電子游戲開始出現，隨之而來是關于“技術有害”的擔憂。廉價電腦生產商Commodore 64為此想了一條廣告語：

當您可以買一臺能為子女準備上大學的家用電腦時，為何會買一臺令子女玩物喪志的游戲機呢？

每種新事物的面世，幾乎都會經歷誤解-爭議-培養的命運輪回，最終在漫長的博弈中，探索出一套行之有效的秩序規范。

二十世紀，從電視電腦到動畫游戲，從未逃過大毒草的帽子，最新一位進場選手是算法。

人們面對新技術的艱深造物，難免會產生相似的恐懼。其中，短視頻或更廣義的內容領域，是算法引發種種爭議的核心地帶。

然而算法的內涵并非一個“猜你喜歡”的推薦黑盒，其學術定義是“以數學方式或者計算機代碼表達的意見”，也就是說，它是一種處理信息的新生產力工具。

人類從未有過信息如此爆炸的時代。小到打車、找餐廳，大到股票交易、自動駕駛，每個人都在與信息產生互動。據IDC報告，全球每年產生的數據在2025年會增長到175ZB。

這是什么概念？以25MB/秒的下載速度計算，下載全人類一年產生的數據需要18億年。

算法為人類提供一種與巨量信息相處的方式。作為一種應用工具，它早已深入社會生活的脈絡肌理，形塑了一個遠比下滑推薦更復雜、更廣闊的世界。

一門技術的勝利

在人工智能這個細分產業里，“算法”是神經網絡技術流派下的產物。

2012年，人工智能學者杰夫·辛頓雙持英偉達GTX580勇闖ImageNet。他們研發的AlexNet算法模型，通過模擬人腦運轉的方式訓練電腦，以84%的識別準確率成功奪冠，一舉推高了行業準確率，證明了神經網絡在圖像識別等復雜任務上的能力。

杰夫·辛頓和他的兩名學生，他們在2012年被谷歌收入囊中

神經網絡算得上最正宗、最原教旨的“算法”。辛頓團隊的開創性在于，科技公司從中看到了人工智能產業化的愈發清晰的可能性。

算法決定了計算機識別事物的方式、并為具體的數據處理需求對應解決方案。算法的需要足夠大的算力來驅動；而算法的優化也需要大規模高質量的數據，因此算法、算力和數據被稱為人工智能三大基石，三者相輔相成。

就像汽車取代馬車一樣，算法介入大大小小的移動互聯網產品，是一種必然趨勢。

首先，低門檻的內容供給，必然帶來信息分發的效率問題。

人類一腳踏入互聯網時代后，內容供給的指數級提升。從博客、視頻網站到之后的自媒體、短視頻，互聯網讓信息生產的門檻不斷降低，供給則迅速增加。

YouTube曾在2017年初披露過一組數據，早在2016年，YouTube用戶每天觀看視頻的總時長就超過了10億小時，是2012年收看時長的10倍。為了應對視頻內容近乎膨脹的規模，YouTube開始編寫算法，利用用戶數據進行個性化推薦，從而提高推薦效率。

現代人每天接收到的信息量是1986年的5倍，相當于175份報紙[2]，這種爆炸式的信息輸入規模增長，使得“如何分發信息”成為了一門技術。

即便在互聯網時代，中心化的媒介依然無法高效匹配信息的供需兩端。無論是單純的搜索，還是發布時間、視頻時長等結構化的指標，都難以勝任精準推薦的訴求，算法在內容產業的應用由此而來。

在短視頻普及前，今日頭條已經是一個基于算法的產物，用以應對內容供給增加帶來的信息分發效率問題。而這種以興趣推薦為參照系的算法，又隨著快手、抖音這類短視頻平臺的出現，隨之得到應用。

2016年，“英國選手”AlphaGo在圍棋比賽上戰勝了李世石

其次，線上線下的融合趨勢讓算法成為了移動互聯網時代的最優解。

以電商為代表，在打車、外賣、招聘等一個個場景線上化的過程中，Web時代的搜索邏輯在海量的信息面前同樣捉襟見肘，以精準匹配為目標的技術方案完成了對諸多線上化場景的改造。電商平臺的千人千面，OTA平臺的精準推薦，幾乎都離不開算法的參與。

除了在短視頻中的應用，早年間關于“大數據殺熟”、“騎手困在系統里”等討論，都可以溯源到算法在互聯網產業的滲透。

也就是說，在人們熟知的AlphaGo大戰李世石和GhatGPT出現前，算法就已經在各行各業落地生根，其定位類似于互聯網產品的一種“通用技術接口”，在不同的場景中扮演者不同的角色。

當AGI的浪潮襲來，最先應用算法的互聯網公司，也自然成為了前沿探索的橋頭堡。

一個重要的前置產業

2017年，八位發量濃密的谷歌研究員經過長達數月的合作，發表了一篇名為《Attention Is All You Need》的論文。論文中提出了一種名為“Transformer”的語言處理架構，成為生成式人工智能興起的標志性事件。

時至今日，在大模型、自動駕駛、具身智能等人工智能的熱門前沿分支，幾乎都能找到Transformer劃時代的身影。

正如iPhone的誕生要仰仗蘋果在iPod上積累的無數經驗和專利，Transformer架構的誕生并非孤立的事件，而是大量AI科學家在神經網絡研究的基礎上，不斷推陳出新的成果。

科技領域的許多創新看似自于偶然，但在更長尺度的周期里，它們的誕生大多有跡可循。其中一個鮮明的共性是：下一個時代的推動者，大多是上一個時代的成功者。

2012年，在斯坦福教書的吳恩達以顧問的身份進入谷歌，主持“谷歌貓”圖像識別項目研究。吳恩達之所以選擇與Google合作，很大程度上是因為只有Google擁有算法訓練所需要的數據和算力，而這又建立在Google龐大的數據規模和強大的盈利能力的基礎上。

換句話說，Google在移動互聯網和云計算產業取得的巨大成功，讓他們有足夠的動力投資下一個時代的前沿技術。這種動力的具體表現，就是“谷歌貓”項目動用的16000個CPU組成的算力，這是當時產業界能提供的最復雜的計算機系統。

吳恩達在谷歌設計了“谷歌貓”項目

雖然“谷歌貓”的地位遠遠不及后來的辛頓團隊，但如果沒有搜索和云計算業務源源不斷的數據與現金流，Google也無力進行深度學習領域的前沿探索。

臺積電的先進工藝依靠的不是“十萬青年十萬肝”的口號，而是高達55%的毛利率。同理，如果中國的互聯網公司沒有建立在算法上的成功業務，人工智能的發展也會止步不前。

2021年末訓練GPT-4時OpenAI耗盡了網上所有可靠的英文文本資源，為此不惜偷偷到YouTube扒了超過一百萬小時的視頻語料；擁有如今最強開源大模型Llama的Meta，本身就是全球最大的社交媒體平臺，手握天文數字的訓練資源。

另一方面，互聯網公司基于用戶體驗對推薦算法的迭代過程，在無形中為人工智能做了許多技術沉淀。

針對推薦算法延伸出的內容生產需求，2020年，抖音和今日頭條上就已經出現了繪畫特效類的AICG功能；之后字節推出豆包大模型，“全家桶”的每一塊，都能對應上字節成熟的業務線；無獨有偶，阿里的通義“文生圖”模型能快速上線，離不開在阿里在電商領域的長期積淀。

人工智能領域，中美之間的競爭甚囂塵上，一個關鍵原因在于，只有中國和美國擁有全世界規模最大的互聯網產業。

繁榮的互聯網和消費電子產業帶動了芯片設計、數據中心、云計算等一系列細分門類的建立，這些都是發展人工智能重要的基礎設施。

大模型或許看上去比短視頻更“高級”，但沒有后者創造的商業模式反哺算法研發，前者其實無從談起，兩者在產業發展的路徑中唇齒相依。

更重要的是，并非所有互聯網公司都在參與前沿領域的探索和競爭，但他們都在為這些領域的探索者提供寶貴的人才儲備。

高校可以篩選人才，但培養人才的只能是本土優勢產業。

近年中國游戲產業快速發展，某種程度上得益于影視產業儲備了大量特效人才；新能源車領域，傳統車企也苦于留不下IT人才。如坐針氈的豐田甚至開始鼓勵9000名員工“轉碼”，學習編程語言，轉崗軟件工程師。

馬斯克與OpneAI的阿爾特曼，兩人本身就是硅谷互聯網創業者

云計算、自動駕駛、大模型等前沿技術領域開始繁榮，成長于互聯網產業的工程師人才，恰好能成為前者的“預備役”。說直白一些，AI公司們拿到融資要大干一場，HR們還得從互聯網公司招兵買馬。

就像不能脫離電商談直播帶貨一樣，英偉達在AI時代大殺四方，是因為一大批游戲玩家給黃總報銷過研發成本。事實上AI的進步，離不開互聯網公司們優化信息分發、精準匹配的漫長積累。

羅馬不是一天建成的，你不能只在開著輔助駕駛的時候才熱愛算法。

一種被看見的價值

時至今日，自動駕駛仍然存在著一個暫時無法打敗的敵人：Corner Case。

Corner Case指發生概率極低的事件。最典型的場景莫過于前車突然爆裝備，比如紙箱、水瓶或運豬車上跌落的二師兄。如果沒有提前的預案，自動駕駛狀態下的汽車很有可能直接撞上去。

然而，無窮無盡的Corner Case并不代表自動駕駛是一項不值得研究的技術，它與今天處于輿論風口上狹義的“算法”其實處境類似。

2015年后，移動互聯網產業的發展進入井噴期，“家人老鐵”在千元智能機面前迅速集結，網紅在真實的個體下沉敘事中反客為主，關于算法的種種討論與爭議由此產生。

算法是一個無比年輕的技術分支，從技術到規范，處處是亟待填補的拼圖。但從更長的時間周期看，新技術如電視電腦和自動駕駛，往往是在爭議之后創造了更大的價值。

推薦算法也是一樣，在它出現前，一個人能看到的世界是非常狹窄的。人與人之間的最大公約數，要么是近在咫尺的學歷階層，要么是遙遠的新聞站隊。

于是南方小孩很難想象東北人如何貓冬；縣城父母很難知道清華北大的課堂是什么樣子；城市白領很難意識到千里之外，有人在過日落而息的生活；一些寶藏小店、傳統手藝或者小眾旅游美景，只能活在限定區域的口耳相傳中。

正是因為推薦算法把信息與人高效連接在一起，才讓更多人有了“被看見”、“被討論”的機會。

今年年初，“開封王婆”頻頻登上各大平臺熱搜。“王婆”本名趙梅，是河南開封萬歲山武俠城的一位演員，負責主持一檔名為“王婆說媒”的表演項目，展現大宋開封市井文化。

不料她口才極佳的“說媒”，被一眾無心插柳的短視頻博主發到網上，在網友的口碑效應下迅速走紅。不僅讓萬歲山武俠城客流迎來爆發，還讓短視頻評論區變成了全國年輕人的大型相親現場。

類似的故事在時時刻刻發生：2023年9月，一條名為“探訪‘三花’劇團開放式化妝間”的短視頻在網絡上流傳，讓這個名不見經傳的劇團由此火爆全網，吸引了大批網友觀戲。

短短三個月，“三花”川劇團通過網絡平臺賣出2.5萬張票，幾乎是過去兩年多的總和，如今劇團演出場場爆滿，老川劇團迎來了新生。

無論是開封的“王婆說媒”還是四川的三花劇團，即便口才再好、技藝再高，在推薦算法誕生前，想紅遍大江南北都不容易。當推薦算法將這些鮮活的表演快速匹配全國乃至全世界的觀眾，他們就產生了前所未有的影響力——某種程度上看，智能推薦反而讓內容展現出更加多元和多彩的一面。

當單向、中心化的媒介變成了雙向、去中心化的媒介，內容生產和分發的門檻被大幅降低，由此還帶來了一個巨大的改變：一個人的才智和技能，可以輕而易舉的創造價值。

不管是講物理學、歐洲古代史，還是探店、賣貨、做手工，每個擁有一技之長的人都有自己獨特的價值。在上一個互聯網時代，他們被信息洪流埋沒。但在推薦算法的幫助下，越來越多的人被真正看見，他們不再依賴土地、設備、工廠這些經典的“生產資料”，通過一部手機就可以將自己的才能快速變現。

四川95后小伙王光強曾親歷汶川地震，2017年九寨溝發生7.0級地震，農產品運輸受阻，許多水果滯銷，這讓他決心做一些事。

畢業后，王光強頂著家人的不理解回到故鄉，在抖音注冊了賬號“阿壩小王子”，為家鄉的櫻桃、杏子、李子等農產品帶貨找銷路。返鄉創業近五年后，“阿壩小王子”已經成為當地農村致富的一名帶頭人。

王光強（左二）與果農

2024年7月，網絡主播正式進入國家職業分類，主播們有了新職業身份。正因為推薦算法讓普通人“被看見”成為可能，才創造了全新的就業崗位。

作為一種技術工具，算法在不當使用時的確會產生負面作用。許多人不滿當前的信息環境，但在這個線上線下無限融合的現代社會中，其實很難簡單區分哪些問題是媒介造成、哪些問題是社會造成。

算法打破了過去的社交同溫層，讓人們意識到不止有同溫層的觀點，世界上還有另一群人可能有不一樣的觀點。如果認為不使用推薦算法，這個社會就不會產生問題，其實是一種過于簡化的思路。

“有害的可能”不應該成為阻礙技術進步的理由，合理的探索、有效的干預防范是被歷史無數次驗證過的有效路徑。

讓汽車更安全的思路不是限制發動機的功率，而是提醒駕駛員，無論如何都要系緊安全帶。

參考資料

[1] Criticism of 1950s Television, 20th century history song book

[2]「快速定斷」現象成大趨勢？資訊爆炸的時代下數碼網路速食文化是好是壞, BAZZAR

作者：包志遠

編輯：李墨天

視覺設計：疏睿

責任編輯：李墨天