在算法機(jī)制盛行的互聯(lián)網(wǎng)時(shí)代中，人們一直擔(dān)憂個(gè)性化算法可能帶來(lái)的“信息繭房”問題，那么這種所謂的信息繭房真的成立嗎？它的危害真的大到足以蒙蔽大眾認(rèn)知，封鎖大眾心智嗎？

01

前幾年，凱文·凱利就在《必然》里寫道：即使只是對(duì)過去24小時(shí)里被發(fā)明或創(chuàng)造出的新事物進(jìn)行概覽，也會(huì)花費(fèi)我們一年以上的時(shí)間。

他說：每年我們生產(chǎn)出800萬(wàn)首新歌，200萬(wàn)本新書，1.6萬(wàn)部新電影，300億個(gè)博客帖子，1820億條推特信息，4萬(wàn)件新產(chǎn)品。

今天，任何一個(gè)普通人都無(wú)需花費(fèi)太多力氣，最多就是抬下手腕的過程，就能召喚出包容萬(wàn)物的圖書館。

但問題就在于：面對(duì)這個(gè)包容萬(wàn)物的數(shù)字圖書館，如果不能掌握一套極其高效的索引系統(tǒng)，作為人類個(gè)體會(huì)顯得非常無(wú)力。沒有一張定位精確的航海圖，人類在信息的汪洋大海中一定會(huì)迷失自我。

就像凱文·凱利說的：

這個(gè)包容萬(wàn)物的圖書館規(guī)模極其巨大，它迅速吞沒了我們本就十分有限的消費(fèi)時(shí)間周期，我們將需要額外的幫助才能穿越這廣袤之地。

越是能高效地處理信息，越是能給社會(huì)創(chuàng)造價(jià)值?；ヂ?lián)網(wǎng)根據(jù)你的使用習(xí)慣，推薦你想要的東西，這是技術(shù)和社會(huì)發(fā)展的必然。

這種個(gè)性化推薦，從社交網(wǎng)站上推薦給你的人脈，到電商平臺(tái)上的商品，再到互聯(lián)網(wǎng)音樂平臺(tái)“根據(jù)你的音樂口味，為你推薦的音樂”，再到其他種種，個(gè)性化推薦已經(jīng)成了今天互聯(lián)網(wǎng)產(chǎn)品的標(biāo)配。

如果你對(duì)這些推薦的“神準(zhǔn)”感覺到驚訝的話，應(yīng)該看看全球復(fù)雜網(wǎng)絡(luò)權(quán)威巴拉巴西的著作《爆發(fā)》。他的研究是建構(gòu)在人類生活數(shù)字化的大數(shù)據(jù)基礎(chǔ)上的，他認(rèn)為數(shù)字化生活，使得人類行為更加容易量化，在這些量化的基礎(chǔ)上，人類的行為也因此變得可以預(yù)測(cè)。

其可預(yù)測(cè)的幾率是多少？巴拉巴西給出的結(jié)論是——高達(dá)93%！

所以在今天，“機(jī)器比你自己還要更懂你”，真不是一句假話，也沒有什么值得驚訝和擔(dān)憂的，因?yàn)檫@一定是技術(shù)和社會(huì)發(fā)展的大勢(shì)所趨，是在為人類解決效率問題，讓社會(huì)運(yùn)行得更高效。

截圖自電影《機(jī)械公敵》

但是，個(gè)性化推薦的同一套邏輯運(yùn)用到資訊平臺(tái)和社交媒體上，卻讓很多人感到了不安。最大的不安，來(lái)自于對(duì)“信息繭房”的擔(dān)憂。

這個(gè)詞光從字面上看很好理解——在信息爆炸時(shí)代，個(gè)人根據(jù)機(jī)器推薦所消費(fèi)的信息，就像蠶吐出來(lái)的絲一樣，細(xì)細(xì)密密地把自己包裹起來(lái)。漸漸地，外界就跟自己無(wú)關(guān)了，人們棲息于跟機(jī)器一起合作制造出來(lái)的白色柔順的蠶蛹中。

蠶吐絲將自己包裹起來(lái)，終有破繭成蝶的一天，這是一種美好的預(yù)示。但是“信息繭房”的前景就沒這么妙了，它所指向的似乎只有坐井觀天、故步自封、作繭自縛等負(fù)面意義。

這一比喻有一種先入為主的暗示，但“信息繭房”是人類在信息爆炸時(shí)代固步自封的必然宿命嗎？

這一概念其實(shí)是一個(gè)假設(shè)，是哈佛大學(xué)法學(xué)院教授桑斯坦在2006年出版的著作《信息烏托邦》（《Infotopia: How Many Minds Produce Knowledge》）中提出來(lái)的。

桑斯坦認(rèn)為：在信息傳播中人們因自身的信息需求并非全方位的，只會(huì)注意選擇想要的或能使自己愉悅的信息，久而久之就會(huì)失去了解不同事物的能力和接觸機(jī)會(huì)，將自身桎梏于像蠶繭一般的“繭房”中。

在“信息繭房”的概念被提出的2006年，內(nèi)容的機(jī)器分發(fā)還遠(yuǎn)不像今天這么有話題性，所以這一假設(shè)表現(xiàn)了強(qiáng)大的前瞻性。但從國(guó)內(nèi)的情況來(lái)看，“信息繭房”這個(gè)概念，是在微博出現(xiàn)之后才開始引入并逐漸盛行的。

2012年是個(gè)重要節(jié)點(diǎn)，在那一年，主打基于興趣為用戶提供個(gè)人化精準(zhǔn)資訊服務(wù)的平臺(tái)如今日頭條等開始出現(xiàn)，通過算法過濾和反饋處理的內(nèi)容分發(fā)方式，開始獨(dú)成一類。

這種情況，似乎切合了桑坦德在另一本書《網(wǎng)絡(luò)共和國(guó)》中所描述的“個(gè)人日?qǐng)?bào)”現(xiàn)象：

通過人工智能分析個(gè)人的興趣愛好等個(gè)性化特征，再根據(jù)個(gè)性化需求聚合相關(guān)信息，并針對(duì)用戶的反饋進(jìn)行調(diào)整，以實(shí)現(xiàn)個(gè)性化、動(dòng)態(tài)化的需求，使內(nèi)容變得“千人千面”。每個(gè)人因此擁有了為自己量身定制一份“個(gè)人日?qǐng)?bào)”的可能。

正是因?yàn)椤案恪保瑑?nèi)容的機(jī)器分發(fā)方式，在隨后幾年成了國(guó)內(nèi)許多資訊客戶端的選擇。這使人們對(duì)“信息繭房”的擔(dān)憂不斷增加，甚至擔(dān)心用戶會(huì)被自我“興趣”不斷固化，久而久之視野變得越來(lái)越窄，甚至出現(xiàn)群體極化的現(xiàn)象。

還有聲音認(rèn)為：有些互聯(lián)網(wǎng)產(chǎn)品的崛起要?dú)w因于“信息繭房”，比如有文章就這樣評(píng)論抖音：“近兩年抖音突然崛起，靠算法贏得用戶，會(huì)使用戶深陷‘信息繭房’，可是不靠算法的抖音，和市面上的其他短視頻app有什么不一樣？所以抖音不會(huì)放棄算法，還是會(huì)把一個(gè)個(gè)用戶帶進(jìn)‘信息繭房’”。

這種擔(dān)憂會(huì)成為現(xiàn)實(shí)嗎？

02

要理解這個(gè)問題，首先應(yīng)該站在這樣一個(gè)基礎(chǔ)上，即機(jī)器根據(jù)人類的興趣愛好匹配信息需求，首先也是帶來(lái)了整體效率的提升。

比如足球新聞的重度消費(fèi)者，紙媒時(shí)代他買份報(bào)紙很可能只為了獲取體育版上足球的內(nèi)容，其他版面對(duì)他來(lái)說可有可無(wú)，體育版上的足球新聞?dòng)肿屗X得不解渴?；ヂ?lián)網(wǎng)的編輯精選時(shí)代，雖然能聚合很多足球新聞，但這些新聞散落在其他體育新聞中，他同樣需要去找尋出來(lái)。

機(jī)器分發(fā)的好處在于能夠把足球新聞都聚合匹配給他，大大提高他獲取信息的效率。給他匹配看不懂的橄欖球、高爾夫球、棒球、壘球、冰球、板球、手球新聞，對(duì)他來(lái)說毫無(wú)意義，而且是社會(huì)資源的浪費(fèi)。

那這種個(gè)性化推薦的結(jié)果，會(huì)不會(huì)造成“繭房”效應(yīng)呢？

首先，得承認(rèn)“信息偏食”現(xiàn)象的確存在，而且自古皆然。

人類的泛興趣閱讀，從古到今，不論中外，都有“挑食”的傾向——只選自己愛看的看，不太愿意接受不愛看的。

難道人們不應(yīng)該走出“信息繭房”，走到更開闊的地帶嗎？

很遺憾，非要讓自己去接受不情愿接受的內(nèi)容，這不是泛興趣閱讀，很可能是另一種東西——學(xué)習(xí)。學(xué)習(xí)和泛興趣閱讀完全是兩碼事，前者的目標(biāo)是獲取專業(yè)知識(shí)和能力，后者是基于個(gè)人的愛好。

從小到大，我們都是如此：選自己喜歡看的看，不見得能選自己喜歡學(xué)的學(xué)。

人的朋友圈也是如此，人們往往會(huì)選擇跟自己相似的人做朋友，存在“社交偏食”的現(xiàn)象。

哈佛大學(xué)教授古樂朋在《大連接：社會(huì)網(wǎng)絡(luò)是如何形成的以及對(duì)人類現(xiàn)實(shí)行為》里援引了一項(xiàng)研究：

民主黨人傾向于跟民主黨人交朋友，共和黨人傾向于跟共和黨人交朋友。主張變革的人與主張變革的人往來(lái)密切，保守的人跟保守的人溝通頻繁。

人是否只會(huì)“人以類聚”，不會(huì)跟其他人打交道了呢？

很明顯不是，人基于種種原因，需要在自己的核心人脈圈之外，跟更多人打交道。

古樂朋在這本書里使用了“強(qiáng)連接”和“弱連接”的概念，認(rèn)為強(qiáng)連接可以將個(gè)體的一個(gè)個(gè)人結(jié)合為群體，但弱連接可以將不同的群體結(jié)合為更大的網(wǎng)絡(luò)社會(huì)。強(qiáng)連接引發(fā)行為，弱連接傳遞信息。

從“社交偏食”同樣的角度來(lái)思考，“信息偏食”是否真的能造成“繭房”效應(yīng)呢？恐怕很難。

首先，市場(chǎng)是充分競(jìng)爭(zhēng)的，一家機(jī)構(gòu)的個(gè)性化推薦系統(tǒng)不可能跟另一家完全一樣。

其次，雖然有“偏食”，但人類也不會(huì)完全不會(huì)換口味，否則一定會(huì)感到膩味，主動(dòng)訂閱作為內(nèi)容獲取方式的一種，能夠解決人類調(diào)整閱讀口味的問題。

第三，當(dāng)下的互聯(lián)網(wǎng)產(chǎn)品，主要是針對(duì)用戶特征來(lái)進(jìn)行推薦。比如今日頭條為了讓算法透明，來(lái)消除各界對(duì)算法的誤解，曾讓資深算法架構(gòu)師曹歡歡博士出來(lái)做分享，介紹“今日頭條算法原理”。

曹歡歡提到算法主要考量三個(gè)維度：

• 第一個(gè)維度是內(nèi)容。
• 第二個(gè)維度就是用戶特征，“包括各種興趣標(biāo)簽，職業(yè)、年齡、性別等，還有很多模型刻畫出的隱式用戶興趣等。”
• 第三個(gè)維度是環(huán)境特征。

結(jié)合三方面的維度，模型會(huì)給出一個(gè)預(yù)估，推測(cè)推薦內(nèi)容在這一場(chǎng)景下對(duì)這一用戶是否合適。

在這里，用戶特征是顯性特征，而觀點(diǎn)、立場(chǎng)、態(tài)度等隱形特征機(jī)器無(wú)法辨別。

所以，機(jī)器會(huì)根據(jù)用戶的興趣推薦內(nèi)容，而沒法根據(jù)用戶的立場(chǎng)推薦特定的內(nèi)容。

正如新媒體研究者魏武揮提到的：一位對(duì)美國(guó)大選有興趣的人，他其實(shí)完全有可能對(duì)川普或希拉里有預(yù)設(shè)立場(chǎng)：比如川普粉+希拉里黑。

但算法推薦只能做到系統(tǒng)知道你對(duì)美國(guó)大選有興趣，很難知道你的觀念落在哪里。 于是這樣的結(jié)果是很常見的：無(wú)論是吹捧川普的，還是吹捧希拉里的，都推送給這位對(duì)美國(guó)大選有興趣的用戶。

從這個(gè)層面上來(lái)說，機(jī)器把用戶感興趣的內(nèi)容全部予以推薦，里面包含了互相矛盾和沖突的信息和觀點(diǎn)，反而削弱了信息繭房形成的可能性。

03

在美國(guó)的學(xué)術(shù)界，很少有人會(huì)把“信息繭房”當(dāng)做一個(gè)學(xué)術(shù)概念來(lái)用，學(xué)術(shù)中用得比較多的是“過濾器氣泡”（filter bubble）和“回音壁”（echo chamber）。

《紐約時(shí)報(bào)》曾在2014年10月24日刊登一篇文章“Americans Don’t Live in Information Cocoons”（《美國(guó)人并沒有住在信息繭房中》），文章也承認(rèn)人們傾向于閱讀與自己個(gè)人偏好相符的文章（比如政治傾向）。但文章里引用了好幾個(gè)研究，試圖說明信息繭房的現(xiàn)象在現(xiàn)實(shí)生活中并不完全成立。

首先，加州大學(xué)洛杉磯分校政治科學(xué)方面的專家Michael LaCour（University of California, Los Angeles, political scientist Michael LaCour）的研究發(fā)現(xiàn)：民主黨和共和黨的媒體偏好其實(shí)非常相似。

其次，芝加哥大學(xué)的兩位經(jīng)濟(jì)學(xué)家Matthew Gentzkow 和 Jesse M. Shapiro發(fā)現(xiàn)：大多數(shù)人偏向閱讀中立的文章?？傮w而言，雖然filter bubble確實(shí)存在，但很少有人僅僅閱讀和自己觀點(diǎn)相符合的文章。

第三，社交媒體是否會(huì)鼓勵(lì)“回音壁”效應(yīng)呢？紐約大學(xué)政治學(xué)家Pablo Barberá的一篇論文稱，情況并非如此。

他發(fā)現(xiàn)，人們的確傾向于在Twitter上追隨志同道合的人。但他的研究也表明：隨著時(shí)間的推移，Twitter上的用戶也傾向于跟隨一個(gè)思想上不那么同質(zhì)的群體。在網(wǎng)上遇到不同的觀點(diǎn)，會(huì)鼓勵(lì)人們拓寬他們的信息流，而不是讓人們截然對(duì)立，更加兩極化。

但確實(shí)也有人擔(dān)憂“過適”（overfitting），也就是說，擔(dān)心只接觸那些已經(jīng)喜歡的東西是有風(fēng)險(xiǎn)的。

凱文·凱利在《必然》中提出了“理想的過濾器”的觀點(diǎn)——在他看來(lái)，理想的過濾器應(yīng)該推薦那些“我想知道我的朋友喜歡什么，而那又是我現(xiàn)在還不了解的”，以及“它將是一種會(huì)向我建議某些我現(xiàn)在不喜歡，但想嘗試著喜歡的東西的信息流”。

也就是說，這種過濾器不是為了營(yíng)造出一個(gè)回音室，而是可以讓你不斷地跳入下一個(gè)圈子。

他舉了個(gè)例子說，希望是這種推薦——

我十分確信自己不喜歡歌劇，但去年我又嘗試了一次，那是在一個(gè)電影院里看一個(gè)歌劇的遠(yuǎn)程實(shí)況轉(zhuǎn)播——在紐約大都會(huì)藝術(shù)博物館上演的《卡門》，對(duì)白以文字的形式顯眼地投放在大屏幕上，最后，我很慶幸自己去了。

今日頭條資深算法架構(gòu)師曹歡歡也提到，對(duì)推薦起到比較重要的作用的四類特征中，有一類是協(xié)同特征，它可以在部分程度上幫助解決所謂算法越推越窄的問題。

曹歡歡說：協(xié)同特征并非考慮用戶已有歷史。而是通過用戶行為分析不同用戶間相似性，比如點(diǎn)擊相似、興趣分類相似、主題相似、興趣詞相似，甚至向量相似，從而擴(kuò)展模型的探索能力。

比如，A用戶喜歡時(shí)政、科技和體育，B用戶喜歡時(shí)政和科技，那么系統(tǒng)會(huì)嘗試著給B用戶推薦體育新聞。

這樣做，正是為了刺破“繭房”，其好處，如“大象公會(huì)”在《越上網(wǎng)，你會(huì)越狹隘越極端？》一文中所言：

“今日頭條、抖音等內(nèi)容推薦算法平臺(tái)，絕沒有傻到根據(jù)用戶過去的行為，把推送的內(nèi)容類型越收越窄——誰(shuí)都希望能擴(kuò)大對(duì)客戶的需求服務(wù)范圍，而不是相反。”

確實(shí)，從平臺(tái)的角度來(lái)看，只有提供給用戶更加多元化的內(nèi)容，用戶的停留時(shí)間才會(huì)更長(zhǎng)，留存率也會(huì)更高。

“大象公會(huì)”評(píng)價(jià)：“如果說我們真的需要一條擺脫所謂信息繭房的技術(shù)之路，算法顯然是修路者之一，它肯定不是路障?！?/p>

清華大學(xué)新聞與傳播學(xué)院教授彭蘭也認(rèn)為：對(duì)個(gè)性化算法可能帶來(lái)的“信息繭房”問題，我們的確應(yīng)該有所警覺。但另一方面，我們也需要意識(shí)到，如果運(yùn)用得當(dāng)，算法也可能成為刺破信息繭房的一種武器。

凱文·凱利反駁了過度擔(dān)心“過濾器氣泡”的觀點(diǎn)：“人們擔(dān)心技術(shù)會(huì)使我們變得越來(lái)越一致化，越來(lái)越商品化，這種擔(dān)心是不正確的。實(shí)際上，我們進(jìn)行的個(gè)性化定制越多，對(duì)于過濾器而言處理起來(lái)越簡(jiǎn)單，因?yàn)槲覀儠?huì)變得更加獨(dú)特?！?/p>

過濾器一直存在，氣泡也一直存在，人們對(duì)于新生事物總會(huì)表現(xiàn)得過于恐懼，就像一些人對(duì)轉(zhuǎn)基因的態(tài)度一樣，殊不知轉(zhuǎn)基因存在的歷史比人類歷史還長(zhǎng)。

人類確實(shí)有自己的視野局限，但并沒有生活在“信息繭房”中。