共计 2159 个字符，预计需要花费 6 分钟才能阅读完成。
“决定你命运的不是机遇，而是选择。”这句常被引用的格言，源于琴·尼德奇（Jean Nidetch）。尽管网络上有人误认为这是亚里士多德的名言，但尼德奇确实带来了深远的影响。她在 1963 年创立的 Weight Watchers，通过健康饮食和生活方式的改变，帮助人们减轻体重，成为今天网络“健康达人”的开创者之一。她的故事，是关于选择的重要性和自我实现的旅程。然而在如今的人工智能时代，我们真的还能掌握自己的选择吗？
推荐引擎革命
生活在推荐系统遍布的时代，我们无时无刻不在被算法影响。Spotify 的“每周发现”功能向音乐爱好者承诺提供个性化歌曲，而 Netflix 的算法不仅让我们便捷地“刷剧”，还精确预测我们的观看偏好。Google 地图则为我们提供最佳出行路线。
Netflix 宣传的“一切皆为推荐”理念，意味着即使是简单的内容列表也经过智能设计，能为用户量身定制。这些推荐不仅是冷冰冰的选项，而是基于用户历史行为的个性化建议。实际上，这背后是 Netflix 的数据专家和设计师努力创造的用户体验。他们的推荐界面暗示着下一部用户可能喜欢的剧集，推动用户长时间观看，形成一种新的追剧文化。当“一切皆为推荐”时，我们的选择变得模糊。
这种状况下，推荐系统可以被视为亚里士多德伦理的升级——它们是否在启发我们，还是在统治我们的选择？根据亚里士多德的伦理学，最终决定是否接受推荐的是我们自己。但历史告诉我们，人们的选择与他们自我认知密切相关。
推荐引擎确实给全球带来了个性化选择和体验革命，但这些选择架构的本质却需要重新审视，因为它们影响着我们的未来。
推荐引擎的权力与责任
作为亚马逊的创始人，杰夫·贝佐斯深知精准推荐对于商业的影响。用户想知道跟自己相似的人喜欢什么，这为训练更为智能的算法奠定了基础。数据越丰富，算法的表现就越出色。从 TikTok 到 Twitter，再到 Meta 和 LinkedIn，各大数字平台都在利用机器学习，让推荐更加精确。
可以说，推荐引擎正如蒸汽机推动了工业时代的发展，成为 21 世纪数字经济的中流砥柱。越来越明显的是，今天我们获得的最佳建议往往来自于智能机器，而不是人类。算法通过分析用户选择和探索的行为，不断优化推荐内容，似乎让未来显得不可避免。
在 2021 年，Nvidia 首席执行官黄仁勋称推荐系统为当今最重要的人工智能系统，它是搜索、广告、在线购物等多个领域的核心。而同年，《麻省理工科技评论》评价 TikTok 的推荐算法为“全球十大突破性技术”之一。TikTok 的推荐策略在于混合放大网红与新人的视频，为用户提供精准推送，快速传播优质内容。
与其它社交媒体不同，TikTok 让每个人都有机会一夜成名。这种推荐算法不仅吸引用户，也让他们在探索中不断发现新兴趣和话题，因而获得巨大的用户吸引力。其推荐背后运用经典的协同过滤和基于内容的推荐方法，以帮助用户发现更多感兴趣的内容。
随着互联网的发展，用户对个性化内容的要求愈加具体，个性化服务越来越受到欢迎。评价推荐结果的标准也不仅限于精准度，还包括多样性、新颖性、惊喜性和可解释性，甚至公平性。
简单来说，精准度表明推荐内容与用户兴趣的相关性越高；多样性则评估推荐内容是否涵盖广泛的主题，以避免单一化；新颖性考察推荐内容的独特性；惊喜性关注推荐后用户的意外发现；而可解释性则着重于推荐为何生成这些结果。
尤其是公平性这一新兴指标，旨在确保推荐结果对不同群体没有偏见，维护系统的公正性。2012 年以来，研究者们发现了推荐场景中的公平性问题，像职场推荐中性别和种族的差异，电影推荐中年龄和性别的偏见等。
除了以上问题，推荐系统在内容推送上也存在热点偏差，即过于依赖流行内容，忽略小众优质创作。这种偏差会导致用户仅接收到热门内容，从而失去对多样性的体验，也让创作者面临流量不公的困境。
清晰了解造成这些不公的原因是关键，历史数据中的偏见、用户偏好的标签、算法关注量等都可能导致不公平现象。因此，在算法设计时必须纳入公平性约束，以确保推荐系统能平衡多样性，并定期检测潜在的不公，增强其透明度和可解释性，让用户明白推荐的理由。
寻找自我发现引擎
自 2018 年起，学术界和产业界对“负责任推荐”这一理念进行了深入探讨，通过国际会议形成了一系列共识，致力于消除算法中的系统性偏见，提供明确的透明性，并确保推荐的公正性。
包括亚马逊在内的一些科技公司已经开始将公平性和透明性原则融入推荐系统。Netflix 调整算法，确保推荐内容的多样性，避免热点偏差；Spotify 推广独立艺术家，以此冲击头部艺术家的垄断；YouTube 则向用户解释推荐逻辑，并提供“不感兴趣”的选项，让用户主动影响推荐。
然而，真正的推荐革命在于人们的自我发现。推荐系统应助力用户重新思考他们真正想要的是什么，而不仅仅满足消费需求。如果推荐系统能促进人们更清晰地认识自己，那它们不仅是工具，更是助力自我认知的通道。
正如著名研究者迈克尔·施拉格所言，推荐引擎可以成为通往自我发现的门户，帮助人们理解自己想成为什么。它们不仅仅是个性化建议的源泉，更是反思和内省的助力。
当推荐引擎转变为自我发现引擎时，人们终于能看到更加清晰的自我定位。理解推荐的同时，也在更深入地思考自己。在这一过程中，我们开始认识到，理解我们的机器，实际上也是认识自己的过程。
