算法的六副面孔 - 主题精读稿
算法的六副面孔 - 主题精读稿
前言：算法不是工具，是权力意志 (00:00 - 06:00)
主播大卫翁启动算法与媒体专题系列，以塔尔顿·吉莱斯皮（Tarleton Gillespie）的学术论文《算法的相关性》和凯尔·恰卡（Kyle Chayka）的畅销书《筛选世界》为骨架，从社会学、政治学视角解构算法对个体与社会的影响。
核心立场：算法绝不仅仅是技术工具，它是一种新的权力意志，已深度嵌入我们的生活、语言甚至三观。讨论算法如果仅停留在技术好坏或个人体感，配不上它对当代社会的深层影响。
一、定义：算法作为媒介，重塑感知方式 (06:00 - 14:15)
塔尔顿的论文出版于 MIT 2014 年论文集，被该圈子称为"算法研究的创世文献"——它用六个维度完整覆盖算法从数据输入到身份构建的全过程，兼具自然科学与人文科学双重视角。
算法的定义远比我们日常理解的宽泛：搜索引擎、音乐推荐、输入法自动补全、地图导航——所有将输入数据转化为期望输出的编码化流程都是算法。但技术定义之外，当算法成为我们最重要的信息入口，它就不仅仅是工具了。
借用麦克卢汉的"媒介即讯息"：任何媒介或技术的真正信息，在于它为人类事物带来的尺度、节奏或模式的变革。算法作为一种媒介，正在以前所未有的规模和速度彻底重塑人类连接的模式——这和从报纸到广播、到电视、到早期互联网的切换，完全不是同一个概念。
大卫翁援引本雅明《机械复制时代的艺术作品》作类比：摄影术诞生时，照片使大教堂可以在艺术爱好者的工作室里被欣赏，精英文化由此成为大众体验；但与此同时，复制品终究不是原作，某种真实性在这个过程中丧失了。摄影术之于艺术的影响，与算法之于信息传递的影响可以相提并论——技术既改变我们所创造的文化形态，也改变我们感知这种文化的方式。
此后，大卫翁按照塔尔顿划分的六个维度逐一展开。
二、维度一：包含模式——谁有资格入场？ (14:15 - 26:25)
算法运行的第一步是 Pattern of Inclusion（包含模式）：哪些内容可以进入算法数据库，哪些内容被排除在外，以及数据如何被加工适配算法运行。
在图书馆时代，信息是层级结构：黄页网站、BBS 论坛，信息按目录组织，索引系统对所有人透明。进入算法时代后，信息被打碎成细小颗粒——一个视频可能有几十个字段的标签来定义它，但这些字段的含义连算法工程师自己也不完全知道。
表面上我们获得了极大的信息自由，但背后的逻辑是：谁给信息打标签，谁就拥有最终解释权。 这种权力不再是显性的，而是藏进了看不见的标签里。
典型案例：2009 年 Amazon Fail 事件。亚马逊上超过五万本关于 LGBTQ 群体的图书突然在销量榜单上集体蒸发——原因仅仅是它们被标记为"成人项"，而算法接到指令忽略所有成人项。分类标签，就是信息的生死判决书。
"降权"则是更常见的隐形管理形式：不是删除内容，而是降低权重，让它事实上不可见。YouTube 会对暗示性视频降权；Twitter 在判断 trending 时会剔除粗俗用语。内容没有消失，但已经从大众视野中蒸发。
这种包含模式还带来两个衍生问题：
第一，算法在进行一种审美剪裁。无法被"极简""网红""好评"等标签定义的、更复杂的人类体验，在第一步就被挡在数字世界的窄门之外。我们看到的是被算法过滤后剩下的那一点安全且平庸的现实。 大卫翁认为，这也是我们如今在社会事件讨论中习惯先贴标签、结论非黑即白的重要原因——标签化已经影响了我们自己的心理结构。
第二，在互联网上不发声或声量很小的群体——老人、残障人士、低收入群体——在算法的世界里事实上不存在，因为算法处理的不是现实，而是可以被数字化的现实。
三、维度二：预判循环——你的数字双胞胎 (26:25 - 34:34)
第二个维度是 Anticipation（预判循环）：算法如何预判用户需求，并据此调整推荐模型。
在算法的世界里，我们有两个自己：一个是屏幕前的肉身，另一个是算法建立的"数字双胞胎"——学者称之为第二索引。当我们打开一个 APP 的那一刻，算法已通过三样东西完成预判：当前的定位与时间、过去所有的浏览痕迹、以及成千上万个行为相似的人的特征。
算法不需要百分之百精准的预判，只需要"足够精确的近似值"就够了。研究显示，仅凭 5 个问题就可以以 80%-85% 的准确率判断用户偏好。剩下那 20% 无法被预测的部分，被算法选择放弃。
但预判循环还有一个关键环节，被学者称为"主动驯化"：平台不断提供标签、菜单、选项，引导我们主动把自己修剪成算法能够识别的形状。点赞、不感兴趣、一键三连——当我们以为在驯化算法时，其实是算法在驯化我们。
当我们的生活没有了那 31% 可能失败的风险的时候，我们其实就失去了百分之百撞见惊喜的可能。
以冰岛旅游为例：Booking.com 和 TripAdvisor 永远把"冰岛黄金圈一日游"推到榜首，因为它有 96% 的好评率；观鲸游只有 69%。当 96% 的好评标注在搜索结果第一页，算法已经在替用户做决定，暗示"这就是标准答案，别再费劲尝试别的"。冰岛不再是需要探索的荒原，它变成了一个被算法打包好、去掉所有不确定性的主题公园。
这种预判会达成自我验证的循环：平台推简单产品，简单产品数据好，算法进一步强化推送。这就是消失的摩擦力——恰卡称之为"文化快餐"，本质上是在为商业利益服务，而不是为了打破信息差。
四、维度三：相关性评估——黑箱权力与股东式民主 (34:34 - 42:33)
第三个维度是 Evaluation of Relevance（相关性评估）：算法如何从海量信息中决定什么与受众相关，谁排在前面。
算法的黑箱不是一个故障，它是功能的一部分。 设想如果微博把热搜底层代码完全公开，结果只有一个：所有热搜瞬间被营销号和公关公司占领。所以这把名为"相关性"的尺子必须被藏起来——平台可以告诉你考量了两百多个信号，但这些信号的权重永远不会公开。这客观上类似宗教里的神域：它决定什么是热门、什么是对的，但从不解释为什么。
所谓"算法推荐是数字民主"是一个误区。谷歌 PageRank 推崇的其实是股东式民主：链接不等于等值选票。《纽约时报》或维基百科链接你，这一票可能抵得上几万个普通网站的链接。在信息流时代，重度用户或专家学者的点赞和转发，远比偶尔路过的用户重要得多——而且广告商可以直接砸钱购买热榜位置，完全绕过算法的"民主"逻辑。
早期关于搜索引擎偏见的学术研究指出：搜索引擎偏好已有高人气的内容、英语网站、以及商业性信息提供者。这不是什么秘密，它是现实权力结构的代码化复制。
更重要的是，算法是流动的。大平台每天进行成千上万次 AB 测试，今天有效的讨好算法的技巧，明天可能完全失效。算法不仅是一个看不透的黑箱，它甚至没有固定的形状，随时根据用户反应进化。 当你以为在使用工具，其实你正处于一个实时调整的巨型实验室里。
五、维度四：客观性的承诺——表演式中立与认知盲区 (42:33 - 48:45)
第四个维度是 Objectivity（客观性的承诺）：平台如何向外界展演算法的中立与客观。
平台会用"趋势排行""最佳匹配""区域热门"这样的词汇，暗示这是自然规律而非人为选择。看似清晰的"后台流程说明"，并不能揭示真实的后台运作——学术界称此为表演式的后台。
算法客观性在今天扮演的角色，与上个世纪的新闻业如出一辙。 当时记者通过一套采访规范、交叉验证、不偏不倚的措辞来向公众展示客观性；现在的平台把记者守则换成了数学模型。然而，就像金融危机证明了数学模型抵不过人性的贪婪，算法的数学外衣同样无法消除内在的偏见和价值取向。
但大卫翁在此做了一个更深的追问：我们从一开始也不是真的相信算法是中立的，那我们为什么还拥抱它？
答案是：这样做是最省事的。 我们渴望从永恒的怀疑中解脱——面对信息爆炸，不断判断真伪、筛选价值实在太累了。算法提供了一个完美的借口：别担心，机器已经帮你选好了。我们通过交出选择权换取心灵上的安宁，代价是自动屏蔽了对算法脆弱性和偏见的警觉，进入一种集体性的认知盲区。
六、维度五：与实践的纠缠——算法可识别与主动驯化 (48:45 - 58:44)
第五个维度是 Entanglement（与实践的纠缠）：算法如何深入我们的日常行为，反过来改变我们的表达与认知。
对于内容创作者来说，每次创作都不可避免地牵涉算法：怎么写标题、怎么放封面图、什么时间发布——这些都在不自觉地影响表达内容本身。
学术圈有一个专门名词：算法可识别（Algorithmic Identifiability）——用户通过话语标签、特定关键词等方式使自身变得更容易被算法识别，这是一种主动的适应。Hashtag 最初由用户发明，现在已成为必须穿上的制服。
我们是在为算法编写易于消化的指令。 我们不再只是在对受众说话，同时也在通过标签向算法说话——甚至可以说，我们都已经不是在表达、在说话了。
谁会贴标签、谁更擅长算法时代的表演，也构成了一种新的权力分层：在算法时代，谁理解算法的逻辑，谁就有了"内幕信息"，掌握了真正的权力。但这种权力的分配极度不公平——普通用户对算法充满迷信和误解，而职业 SEO 专家和广告商早已拿着平台给的内部说明书在套利。
驯化与被驯化的幻觉：我们把算法带回家，让它住进了手机和日常起居里，以为自己成了主人。但只要算法的维护权和更新权还在大公司手里，这种驯化就是一种幻觉——就像我们以为在养猫，但猫从来无法被驯养。
纠缠的后果不仅限于表达方式，还延伸到了现实世界的文化变迁：
算法正在改变音乐本身。 数据显示，Billboard 热门歌曲的平均时长从 1995 年的 4 分 30 秒已降到 2019 年的 3 分 42 秒；2020 年 Spotify 所有歌曲平均时长仅剩 3 分 17 秒。原因是流媒体将 30 秒播放计为一次播放，延长时长毫无经济效益。
更深刻的是转调在当代音乐中的消失。转调是制造情感高潮的技法，需要大量铺垫；而在算法时代，为防止听众在头 30 秒滑走，歌曲变得循环化、氛围化。研究发现，1960 年代到 1990 年代，Billboard 百强单曲中有四分之一存在转调；到 2010 年代，只剩下一首。
我们并不是算法的被动受害者，我们是它的共谋者。我们和算法一起打造了现在的流行文化、政治文化，甚至是更深远的社会文化。
七、维度六：计算出的公众——极化、偏见与信息茧房 (58:44 - 1:08:50)
第六个维度是 Calculated Publics（计算出的公众）：算法如何根据数据将人类分群，并赋予我们一个可能自己都未曾察觉的身份。
最大公约数正在消失。 过去晚上七点全社会看同一个新闻，构成共同的聊天底座；现在除了春晚，这样的底座已不存在。你和一个完全陌生的人可能根本不活在同一个现实里，信息流的差距比我们想象的大得多。
塔尔顿区分了两个概念：
- 网络化公众（21世纪第一个十年）：人们因共同兴趣聚在一起，技术只是提供了场地，主角依然是人自己的选择。
- 计算出的公众：算法说我们是一伙的，我们就是一伙的。这是一个被代码发明出来的群体。
"像你这样的人还喜欢……""购买过此商品的用户还买了……"——算法通过计算强行把人圈在一起，告诉他们"你们是一类人"。久而久之，人们就会真的产生一种错觉，觉得世界就是由这几类人组成的。算法不仅仅是在测量、观察社会，它还在通过计算，把社会切成更便于它定义的块。
文化算法与社会偏见：谷歌曾出现著名丑闻——搜索"She invented"时，系统提示"您是否想搜索 He invented"。算法本身没有价值观，但它作为一面放大镜，把文化里根深蒂固的偏见包装成了客观规律再扔回给我们。算法吞下了我们所有人的偏见数据，它输出的每一条结果都在强化这些偏见，使其更难以动摇。 到 Chatbot 时代，这种现象只会增加，不会减少。
关于极化问题：到底是极化社会造就了算法，还是算法造就了极化社会？这是个先有鸡还是先有蛋的问题，必然是相互造就的。但可以明确：极化有可能是人类文明本身就存在的要素，而算法正在客观上加速它的进程。
关于信息茧房，大卫翁引用多项学术研究提出了一个相对乐观的修正：信息茧房的程度远比想象的轻。重要原因在于绝大多数人不只使用一种算法、一个平台。当我们混合使用多个平台时，就能获得更多侧面的信息——这被称为算法的多样性红利，在传播学中对应"多元数据校验"。
破解算法的建议因此浮出水面：在播客里听经济和深度分析，在小红书刷生活和兴趣，在 B 站和 YouTube 看历史和访谈——每个平台的算法都有偏好，同时使用它们相当于拥有多把不同刻度的尺子，或许能还原一个更接近真实、更立体的信息图景。
结语：认清隐形室友的底细 (1:06:45 - 1:08:50)
算法已经不仅仅是一套程序，它已经变成了测量我们这个社会的科学仪器：从定义数据（包含模式），到预判我们的需求（预判循环），到评估相关性（相关性评估），到披上客观的外衣（客观性承诺），再到与我们的生活深度纠缠，最后替我们定义我们是谁（计算出的公众）。
既然我们注定要和算法共生共存，而且在可见的未来这个趋势只会愈演愈烈，那么至少第一步：认清这个隐形室友所有的底细。
塔尔顿在结论中写道：对算法展开社会学探究，不仅是要揭示这一知识机器的复杂运作机制，还要剖析其被建构为合法化体系的社会过程。
算法是代码，但绝对不是简单的工具。它是利益，是偏见，是我们这个社会本身，但同时也在社会的演进过程中刻下属于它自己的深深的印痕。