消费者发现与推荐已经坏掉了
原文：Consumer discovery & recommendations are broken
作者：Adrian Radu, Partner @ Khosla
来源：SandHill.io #299 推荐阅读 · Investment Themes & Theses
如果你最近打开过 Spotify，大概率你会反复听那同样的二十到三十首歌。你上了 YouTube 或 TikTok，最后还是掉进同一个终点区。你大概也试过「发现」，但真正新的东西几乎过不来。没有什么能让你感到意外。一切都平淡无奇。信息流把这叫做个性化（personalization），但它更像一种盘旋等待。
《金融时报》（Financial Times）上有一篇 Jemima Kelly 的好文章，从文化层面把这个论点讲清楚了——2026 年的时尚看起来像 2006 年，电影靠续集运转，2025 年最畅销的艺人二十年前就已经出道。她把这称作「模仿性退化」（mimetic regression）。
我不相信我们失去了品味，但它确实被消费互联网平台优化掉了。而且这种文化停滞感已经持续了十多年。算法信息流把品味压扁成更泛、更同质的东西。界面在奖励一口大小的「抓耳」感，而不是深度。现在想找到真正的灵感，感觉很难。
这台机器从设计上就是模仿性的
掀开引擎盖看，这种同质并非偶然，而是结构性的：
- 现代推荐系统大多围绕协同信号（collaborative signals，「和你相似的人也喜欢……」），再加上内容嵌入（content embeddings，「这个条目本质上相似」），以及序列模型（sequential models，「你接下来可能想要什么？」）。因此，它们仍然主要针对短期参与度（engagement）做优化——点击、完播、停留时间、会话时长。这个目标函数（objective function）占据了主导。
- 近期行为信号被赋予很高权重，再叠加参与度最大化，就会形成强大的反馈回路。系统可以（有时也确实会）纳入探索、多样性约束或更长期的信号。但短期参与度指标通常会在 A/B 测试中胜出。
- 研究文献早就区分了「超越准确率」（beyond-accuracy）的目标（它是否预测了用户会喜欢的东西？亦即新颖性、多样性、意外发现/serendipity），恰恰因为纯粹的准确率/参与度优化会产生同质化（重复的、基于流行度的输出）。
- 数据是内生的（endogenous）。推荐器在训练时，用的是用户对「更早版本的推荐器选择曝光的内容」的反应。底层品味与被揭示的行为（revealed behavior），到底哪个才是真的？
- 飞轮效应：需求侧循环会改写供给侧。创作者被推向即时抓耳，而不是慢慢打磨。歌曲越来越为前八秒而工程化。它们更短了。结构或格式也不再新颖。
- 此前，规模最大的短视频与信息流推荐人才/机构知识，高度集中在 ByteDance、Meta 和 YouTube 内部。这种集中，再加上在位者的数据与算力护城河，会拖慢替代方法向新消费产品扩散的速度。
发生了什么变化
- 发现机器的输入端，正在发生根本性转变。模型现在可以接收高质量的多模态嵌入（multimodal embeddings：音频、视觉、文本），再结合自然语言理解，把用户说出的意图直接转化进去，而不再仅仅根据过往行为去猜。
- 再展开一点：1）多模态理解 = 机器能理解这个条目本身；2）语言 = 能理解你陈述的意图；3）对话 = 能帮助引导探索过程。
- 因此，发现可以从纯粹的条目检索与排序，走向受控的探索。
- 平台已经在有限范围内试验新颖性与探索。差别在于，这些努力相对核心的参与度目标，仍然是次要的。
创业公司的机会
- 消费者发现与推荐已经坏掉了。创业公司今天有机会，为终端用户定义发现引擎，把新颖性与意外发现作为首要目标，而不是次要约束。
- 在位者面临真实的结构性逆风：它们的目标函数、度量体系、现有产品表面，以及它们的创作者经济全部围绕参与度循环做了优化。即便底层模型变好了，要改也很难。你需要彻底改分母。原子单位也要变，诸如此类。
- 旧系统从你的行为中学习品味；新系统可以帮助你表达自己尚未形成的品味。它应该感觉像你自己的延伸。变化大致如下：
旧 = 观察 → 推断品味（「你是什么？」）→ 检索相似内容 → 按预期参与度排序
新 = 理解历史 + 显式意图 → 在约束上推理 → 探索 → 解释 + 精炼（「你可能会成为什么？」）
这或许不仅会让发现变得更好，也会让文化重新感到令人意外；而那些驱动文化变迁的地位引擎——稀缺、亚文化、守门人——一旦发现不再默认走向熟悉之物，就应该重新开始嗡嗡作响。
本文由 RecodeX 编译自 SandHill.io #299 推荐阅读，原文链接与作者见文首；原文版权归原作者所有，译文仅供学习交流，如有异议请联系我们处理。
