我想从智能推荐谈起。

　　最早在国内把「智能推荐」推向大众的产品，没记错的话，是豆瓣电台。

　　那时，这还是个很新奇的功能。它会提示你，给每一首歌点「喜欢」或「不再收听」。经过大量的数据训练，它就能越来越熟悉你的口味，给你推荐更多「你可能会喜欢」的音乐。

　　那个时候，打开豆瓣电台，一次次地点「下一首」，来研究它的推荐到底准不准，是件挺有趣的事情。虽然从身边的人来看，大多数人都觉得，不怎么准。

　　把时间拨回2016年。

　　一转眼，智能推荐早已在国内风靡了数年。除了音乐平台，新闻平台、自媒体平台、购物平台、广告平台、直播平台、视频平台、游戏平台……都纷纷开始转向智能推荐。

　　它们理由也非常正确：在这个信息爆炸的时代，传统的人工分发太没效率了，我们要依据大数据，利用智能算法，一方面实现推送内容和用户喜好的高度契合，另一方面也大大提高信息的分发效率。

　　所有的平台都在致力于提高算法质量。我们似乎已经进入一个「智能推荐时代」。

　　以亚马逊为例。有数据表明，亚马逊35%的销售额是与推荐系统相关的。当你在亚马逊购物的时候，你一定见到过这句话「购买此商品的顾客也同时购买」，很有可能，你会被其中某个名字吸引，点进去，然后再点进另一个名字，最终买了一堆东西回来。

　　《一网打尽》中就提到过：

　　当亚马逊和大型出版商谈判的时候，就会使用「推荐系统」作为杀手锏。如果出版商没有达到他们的要求，亚马逊就威胁将他们的书从推荐系统撤下——这也就意味着大约40%的销量锐减。这样的结果是，通常30天左右，出版商就会回过头来说，「嗨，贝佐斯，咱们再聊一聊？」

　　9月，Facebook宣布，他们将解散「热门话题」团队，转而使用算法来抓取最热的新闻。当然，这个消息放出来第三天，就立刻遭遇了危机——算法抓到了一条假新闻，并推向所有用户。不过，从Facebook的态度来看，他们坚信这只是一场小小的意外，智能推荐终将全面代替人工分发。

　　这几年，国内崛起的各种资讯平台——比如今日头条、一点资讯，以及各种小而美的新闻资讯客户端，几乎都基于「尖端算法」「硅谷核心团队」，主打「基于兴趣和热门的智能推荐」，大有干掉传统媒体平台之意。

　　今日头条的CEO张一鸣更是说得很明白：我们不需要主编，有主编就会有倾向性，我们把分发交给算法，用户喜欢什么，我们就推给用户什么。我们不干预用户的喜好。

　　这是一个浩浩荡荡的趋势。一切看来都很美好。

　　但是，我却始终有一点怀疑。

　　智能推荐的本质是什么呢？简单来说，是这样的逻辑：

　　系统通过收集你的历史数据和个人数据，为你建立一个描述模型，并找到符合这个模型的其他用户，找到他们所对应的「高评分内容」（比如，点一下「喜欢」，就给内容加1分；点「不再播放」，就扣5分。等等），再将这些内容推给你。

　　也就是说，系统先通过寻找「与你相似的人」，再将他们关注的、喜欢的内容推给你。

　　当然，实际的操作，比这要复杂百倍。比如矩阵分解系统、外显/内隐行为评分机制、基于多因素（包括地域）的策略逻辑，等等。但本质来说，不会偏差太远。

　　这样一来，就会产生两个问题：

　　这种基于大众行为的机制，可能的结果之一，是「趋同」。

　　系统推给你的都是在可选范围内「最大众」的信息（最多人关注），而你的行为又进一步强化了这种趋势（为这些信息增加了关注）。

　　这样一来，就会导致极端的马太效应：热门的信息越来越热门，冷门的信息越来越冷门。

　　这是一件很可怕的事情。

　　如果由智能推荐来决定信息分发，那么，我们选择信息的权利，就完全由系统——本质上就是大众，来决定。

　　也就是说，我们所关注的信息，会越来越趋向于一致。我们接受到的信息，是大众关注的信息；我们思考的问题，是大众思考的问题；我们看到的事物，也是大众看到的事物。

　　当你的信息、视野、思考方式都完全「泯然众人」，你还如何能输出更有价值的想法？

　　我在一篇旧文里面，谈到过，我们思考问题的过程，如果拆解出来，是什么样呢？

　　其实无非就是这个模型：Input - Tools - Output （ITO）—— 信息输入 → 利用逻辑工具对信息进行处理 → 输出结论。

　　所以，我们脑子里的想法，绝大多数的差异，其实存在于第一步，亦即信息的输入。因为逻辑本身是普适的，对每个人的差异不大。

　　只有接收到的信息更全面、更庞大，你用来「处理」的素材才会更丰富，也就能得出更精确、更有价值的结论。