视频|不要迷信算法，会变得无趣联邦法院|苹果|苹果公司|抽成

编辑导语：算法推荐在各个平台应用广泛，在抖音上刷到了一个视频，你点赞了，这一段时间就会不时地给你推荐相关类型的视频，让你感觉它占据了你的全部信息场所，但是事实上不是这样的，算法推荐只是基于一定基础上进行推荐，你仍可以根据自己的喜好搜索自己想要的信息。这篇文章介绍了APP工厂真正的优势和算法推荐并不是唯一的信息推荐方式，推荐想要了解算法推荐的童鞋进行阅读。

文章插图
在互联网世界，近年来弥漫着一股“算法迷信”的风气，并且有愈演愈烈之势。
以字节跳动的快速崛起为起点，尤其是大家提到抖音时，会理所当然地认为他们的秘密武器是存储在服务器里那一行行神秘的代码。
这种迷信在去年TikTok的强制卖身风波中体现得淋漓尽致。当谈判陷入僵局，有相当一部分竞购方认为如果出售业务不带有算法，那么毫无意义。
《华尔街日报》援引自消息人员的说法是，没有算法的TikTok就如同用着廉价引擎的豪车。
但事实上，字节内部关于机器学习推荐算法并未取得多少外界未知的突破性进展。
虽然抖音并未在国内公布他们的算法是如何工作的，但为了自证清白，TikTok不仅向当地的监管机构和外部隐私专家开放了查看代码的权利，还在洛杉矶建立了一个存放着所有数据流和代码的透明度及问责中心。
可我们至今都没有找到任何关于个性化推荐算法函数本身的颠覆性创意，美国市场上也没有出现新的相关产品。那么，APP工厂的真正优势，到底在哪里？
一、字节系爆款真正的闪光点，在算法友好型的UI设计上过去二十年，科技产品的UI设计始终围绕着如何消除用户与他们的需求之间的摩擦。
在这个网络效应爆发式增长的时代，谁能设计出比竞争对手更好地满足用户需求的产品和服务，谁就能成为利用聚合理论获得大量用户群的科技巨头。
这是一种写在字里行间的以用户为中心。
拔地而起的科技公司，迅速过载的膨胀信息，让我们为用户提供最好服务的关键，从洞察人们某种未被发掘的需求变成了利用机器学习算法实现对海量数据的筛选与过滤。
首先明确一个前提：ML算法的训练需要大量的数据集，任何一个Google或Facebook的算法专家都没办法独自训练出一个高质量的推荐算法。
这是否意味着所有全新垂类的APP都会被打上大厂的标签？
大概率是这样，但不全是。
自1998年亚马逊推出基于项目的协同过滤算法以来，它被改编和应用到了大部分网页上，比如向人们推荐视频或新闻的算法，以及各式各样的互联网广告。
但作为个性化推荐的商业鼻祖，亚马逊只有30%的网页浏览量来自推荐系统，搜索结果页面目前仍是用户下单的最主要路径。
在这个推荐引擎中，系统正常运转的前提是用户过往的购买记录、在商店浏览过的商品、已经添加到购物车里的商品，以及一些以后可能会订购的商品。
所有的一切都是基于用户的搜索行为。所以时至今日，我们依然会面临在淘宝上搜索一次“花架”就一直被推荐花架的囚徒困境，而不是转而询问你需不需要一盆花。
可以明显地感觉到，这类算法永远都处于“猜你喜欢”的状态。因为当屏幕上同时展示多个项目时，它无法分辨出你的眼睛所注视的到底是哪个区域。就算能看到，因为没有upvote/downvote的反馈设置，它也不可能知道这种关注是正面的还是负面的。
一言以蔽之，算法对用户情绪的判断并不清晰。
然后我们再来看抖音的界面。
从视频开始播放的那一刻起，APP的UI设计会促使用户立即开始思考一个问题：你怎么看待眼前的这个视频?

你会在视频还没播放完的时候就下滑进入下一个视频吗？是的话就隐含表示你对它不感兴趣。
你看完了它，还给视频漫不经心地点了个赞？
你在这个视频中停留了一阵子，甚至让它循环播放了好几次？
你通过内置的分享面板把这段视频分享给别人了吗？
你是否点击了右下角旋转的LP图标，看了更多使用同款背景音乐的视频？
你打开视频制作者的个人界面页面了吗? 是否观看了他其他的视频？之后你关注这个人了吗? 是的话，说明你除了喜欢这个视频之外，也许还特别喜欢这类人。

但这些都不属于硬核的技术突破，而是来自UI方面的巧妙构思。
这种设计最大的特点，就是帮助用户像算法一样看东西。