亞馬遜產品經理：TikTok 的真正優勢，從來都不是演算法（下）

編者按：位元組跳動往往被說成是一家演算法公司，很多人認為， TikTok是靠演算法的黑科技才取得成功的。事實真的是這樣嗎？eugenewei認為不是：TikTok的演算法跟其他公司使用的並沒有太大的不同。TikTok最大的優勢是它採取了對演算法友好的設計模式，在自己內部建立了一個飛輪，幫助其機器學習演算法看到了優化自己所需要看到的東西。原文發表在其個人部落格上，標題是：Seeing Like an Algorithm。篇幅關係，我們分兩部分刊出，此為下半部分。

亞馬遜產品經理：TikTok 的真正優勢，從來都不是演算法（上）


劃重點：


TikTok的演算法能看到很多東西

我們不妨再回到在你在手機上開啟TikTok觀看該視訊的那一刻。FYP演算法現在可以讓所有的反饋迴環形成閉環了。它會研究你對這一視訊採取的每一項操作，並根據你的品味，以及視訊的所有屬性來猜測你對視訊的感受。

上述所有的步驟都不是像火箭科學那樣的硬核技術，尤其是對於任何從事演算法性社會化動態訊息的人來說這些並不新鮮。（我在之前那篇文章裡面注意到，其實TikTok並沒有一個很強的社交圖譜。這款app之所以那麼有效，原因之一是它不會假裝自己不是的東西。也就是說，大家在其他地方已經有了大量的社交圖譜以及跟自己認識的人分享的手段了。他們沒有強迫大家在TikTok app裡面也這樣做，而是讓下載視訊或通過這些外部渠道分享視訊變得非常簡單。不過TikTok要保留的是你選擇了分享視訊的這個訊號。這個資料就能（也只能）滿足他們的演算法了。由於視訊會帶有水印，所以分享就相當於給他們免費宣傳。）實際上，TikTok已發表了一篇描述其FYP演算法工作機制的部落格文章，只要是從事技術業的，我相信大家看過之後都知道沒什麼新鮮的。

但是，把TikTok的FYP演算法所看到的東西，跟其他大多數社交網路動態訊息的推薦演算法所看到的東西對比一下，你就會發現它們不一樣在哪裡。


在今天，我們最大型的社交網路預設的UI是無限垂直滾動的feed（比方說，我本來可以很容易地使用上面的Facebook螢幕截圖）。這些app不是一次提供一個故事，而是一次在螢幕上顯示多個條目。當你滾動瀏覽多個故事時，演算法是沒法“看清楚”你的眼睛停留在哪個故事上面的。就算能看到，如果使用者沒有按“點贊”之類的反饋按鈕的話，他們對這個故事的看法還是正面的還是負面的呢？使用者情緒的訊號並不乾淨。

如果你贊成UI應該消除摩擦這個想法的話，那麼無限滾動的feed應該就是理想選擇。它提供了一種不受約束的消費節奏控制感。用拇指點一下某個feed，然後看著它像《價格競猜》（Price is Right Showcase Showdown）節目裡面的 “大滾輪”的鼓點一樣滾動，你的初始手勢速度決定了它的滾動速度，看著軟體的滾輪彷彿遇到了恆定的物理摩擦一樣慢慢停止下來，這種模擬的物理過程是觸屏時代最令人愉悅的使用者互動之一。一下子你就能滾動瀏覽了5、6條推特或者Facebook的動態訊息。多爽！

分頁式設計，一次只能看到一個故事，而手指每推一次讓feed滾動一條，不管是在字面上還是隱喻上都是一種拖累。

另一方面，如果推特更有針對性的話，也許你不會介意一次只看一條推文，而如果Twitter能更好的瞭解你真正感興趣的推文型別的話，他們的推送也許就會更具針對性。如果你必須對每條推文給出明確或隱含的肯定或否定的訊號的話，Twitter也許就能更好地瞭解你真正感興趣的內容。

即便是使用者參與互動的故事，對其情緒的判斷也仍然是一個挑戰。大多數的app只具備正面的反饋機制，最常見的是某種形式的“點贊”按鈕。由於Facebook、Instagram以及Twitter之類的app都是基於社交圖譜開發的，所以為什麼他們會選擇不提供不喜歡按鈕的原因很明顯。

但是，就像史蒂芬·金在《寫作這回事》裡面所寫那樣：“但倘若你希望成為一名成功的作家的，粗暴失禮這些該是你最不需要計較的第二件事。而你最不需要計較的頭一件事，正是這文明社會和它對你的期許。如果你有心真誠坦白地寫作，橫豎你作為文明社會的一員的日子也快到頭了。”

依靠有著明確正反饋機制的長滾動訊息，像Facebook、Twitter以及Instagram這樣的社交網路已經做出了自己的權衡，那就是為使用者提供阻力更少的掃描，而犧牲掉對更精確的負面訊號的讀取。（在有著同樣的創立CEO的那些舊公司裡，你會看到這種權衡的另一個變體。這個人重新創業的時候，往往會有一群高管追隨過去。被唯唯諾諾的人包圍的危險在於，沒有一個人會挑戰你思考的盲點。誰是像貝索斯、庫克、祖克伯以及馬斯克那樣強勢到足以改變大家的思想的人？這個問題永遠值得一問。但答案往往是沒有，所以他們的盲點就成為了公司的盲點。）

圍繞著興趣圖譜而建立的網路（如Reddit ），確實有吸納踩（down voting）機制的傾向，因為他們阻止使用者流失的主要方向是為他們提供最有趣的內容。這意味著就像要把有吸引力的內容暴露出來一樣，也要清理掉使用者不感興趣的內容。

TikTok並沒有明確的點踩按鈕，但是通過每次只提供一條視訊，他們可以從你是不是很快就略過不看（在視訊還沒播放完之前就向上滑動在Tinder上向左滑動一樣。最好的TikTok使用者對平臺的敘事節奏有很直觀的感受。該拖到什麼時候才可以推出笑料的關鍵句或者payoff（最能象徵整個故事的物件）觀看者才不會走開呢？什麼樣的設定才能讓使用者參與？用已經融入到模因的音樂線索是有幫助的，因為當低音降下來或者音樂payoff出現的時候就已經預示了視訊的高潮要來了。觀看者知道還要多久payoff才會出現。此外，觀看者可能純粹為了聽音樂的享受而樂在其中。），以及你沒有哪一項積極舉動來推斷你是否對某條視訊不感興趣。

如果你點選了Facebook上某人發的文字帖子，但不做評論或者點讚的話，那Facebook怎麼才能判斷你對這篇帖子的看呢法？也許你考慮過在評論裡面言辭激烈地表示不贊同，但是鑑於此人是你的同事或朋友的朋友，所以你決定還是不說為妙。這種負面情緒很難被抓住；演算法“看不到”你的感受。（大多數社交網路都有明確用來報告令人反感和/或侮辱性內容的報告功能，但這些功能被掩埋了，大多數使用者都不會訴諸這種手段。當有人的確用了這樣的功能時，通常都是因為你極大地冒犯了別人，而且所造成的大部分傷害已經難以挽回。）

乏味或會引起輕微不適的內容是慢性殺手。我在上一篇的文章中指出，由於你自己的興趣跟你認識的人的興趣不一致，所以通過社交圖譜得到的內容也許不合使用者的真正口味。從按時間排序轉為演算法管理的動態訊息往往是針對這種偏離的預設防禦措施。

但是，如果演算法“看不到”使用者愈發不感興趣的訊號的話，如果只能看到使用者積極參與的訊號的話，（內容與使用者興趣之間）難免會出現一定程度的分歧。你可能會看到使用者逐漸失去興趣，點贊變少了，開啟你的app沒那麼頻繁了，但你究竟是那些故事把他們趕走的卻不清楚。等到使用者開始表現出要離開的跡象時，往往是亡羊補牢為時已晚。

對演算法友好最終是為了服務好使用者


演算法友好型設計不需要對使用者友好。在如何最好地服務好使用者興趣這件事情上，它完全是採取了不同的做法。分頁可能會給使用者帶來一定程度的阻力，但是這樣做可以為演算法提供更清晰的訊號，從長遠來看可以保證feed的質量。

儘量減少摩擦只是實現良好使用者體驗的一種手段。任何設計的目標都不是讓摩擦最小化，而是幫助使用者達到一定的目的。減少摩擦通常跟這個目標是一致的，但未必總是如此。你可能會說引用推文減少了手動複製他人推文的摩擦，但是如果你的目標是和諧文明的公共討論的話，減少噴子湧到某人推文底下瘋狂攻擊的阻力也許並不是你要鼓勵的核心機制。有一定形式的摩擦也是好的。

你會聽到很多有影響力的Twitter使用者勸其他人要早點用經常用禁言和遮蔽功能（有些使用者甚至大量採用軟遮蔽功能來祕密拉黑關注者）。有些使用者會自豪地在推特上釋出自己禁言了那些詞的螢幕快照，以表示對某些熱門討論主題的不滿。有些人更加極端，甚至取關聯所有人，然後從頭開始關注。（有時候，也可能是因為自家的A/B測試情況不錯，Twitter會向使用者展示自己關注的人點讚的推文（甚至包括來自使用者並未關注的人的）。這種做法確實偶爾會展示出一些我感興趣的推文，但從絕對意義而言，這樣增加了我不感興趣的推文的數量。我已經反覆強調過很多次了：不存在興趣一模一樣的兩個人。所以這項功能開啟之後，我真的有取關所有人然後從頭關注的打算了，但我又擔心會傷害到別人的感受，因為我心腸很軟。如果Twitter做法不一樣的話，這個本來不是問題的。）

我有時也會考慮其中的部分或所有的策略，但對於Twitter來說，這些策略的必要性本身就是服務的失敗。如果演算法對什麼是你感興趣的東西能處理更聰明些的話，它應該留意一下替你禁言主題或者拉黑一些人。就像我上次所寫那樣，你可能得關注完Twitter上面的所有人才能獲得有趣的內容，這也許是強大的興趣圖譜的一個設計缺陷。

TikTok不僅從使用者那裡捕捉到了非常清晰的情緒訊號，而且每次會話都能收集到大量的此類訊號。TikTok上的視訊太短了，短到即便是在一次簡短的會話裡面，TikTok也能收集到很多關於你的口味方面的反饋。

這個過程也相對沒有什麼痛苦。有的視訊頂多可能會讓你覺得厭煩，但是刷走這些視訊只需要相對輕鬆的操作，同時，鑑於演算法在仔細傾聽你的意見，你甚至會享受這種把視訊掃掉的操作，因為你知道app會登記你的不快並做出響應。（短視訊正好是非常適合此類機器學習驅動型推薦的類別。當然，我不會說它適合這種類別的每一種型別。音樂是很合適的。時間不長，所以取樣成本低，重複消費的價值高。而音樂的相似性通常是可以利用數學檢測的。我的Spotify Radio推薦就很可靠。另一方面，演算法的電影推薦對我來說從來都沒起過作用。電影很長，取樣成本很高。語料庫也很小，每年只有大約500部電影之類的東西出現，而大多數人只看過其中的少數幾部。這個主題需要另行討論。）

順便說一句，TikTok並不是針對匹配的任務對介面進行了優化的唯一一款app，就是那種每次只展示一個實體，從而可以更清楚地知道你的感受如何的app。在TikTok之前，每次展示一項內容的UI就已經自成一派。


向右滑和向左滑已成為表示認可和不認可的代名詞是有原因的。Tinder在觸控式螢幕UI上想出了一種感覺像是設計原語的二元投票方式。

飛輪的優勢


在這個軟體時代，真正的競爭優勢或護城河已經變得越來越虛幻。大多數的軟體功能或UI設計，一個既有者或競爭對手一夜之間就可以輕鬆複製。你做的一切不過就是幫他們先試試設計的影響如何。（有一次我去中國的的時候，曾經跟一幫中國的企業家共進晚餐，我提到了Instagram抄襲Snapchat的Stories引起的喧囂。一家中國頂級公司的首席產品官笑著說：“在中國，如果你的競爭對手在兩週之內不能把你的某項成功的功能複製出來的話，那麼他們肯定是不夠格的。” 矽谷自以為是點子市場的達爾文主義者，但從很多方面來說，中國的科技界才是的真正的達爾文主義。這對於矽谷的相對產出而言是個不好的預兆，因為在中國，思想傳播和變異的速度更快。人們通常說矽谷已經接替了波士頓的128號公路（曾經的電子工業中心）成為技術創新的地理中心，部分是因為矽谷更加開放的勞動力市場使得思想可以在公司之間自由流動。中國已經拿到了這本手冊，並且走得更遠。在中國的科技行業的競爭格局中要想生存下來，就像是想要從《黑暗騎士崛起》裡面的那個坑裡面爬出來一樣。很恐怖。）

但是，如果你可以造出一個飛輪（比方說像TikTok的飛輪），那麼像Reels或Triller這樣的競爭對手就很難追上。Triller可能會花錢把TikTok的一些網紅挖過來製作視訊，Reels也許會嘗試對Instagram引流，但TikTok之所以能行是因為通過FYP演算法把創作者、視訊以及觀看者連線成一個正向的反饋迴環。

布賴恩·阿瑟（Brian Arthur）提出了經濟的報酬遞增與路徑依賴理論。沒有一個行業能像科技行業那樣將這一理論體現得更加明顯。在這個行業當中，第一個實現產品市場匹配的競爭對手可能會脫穎而出。如果市場給人的感覺是越來越贏家通吃的話，那是因為在一個日益緊密相連的世界裡，贏家的確會通吃。

位元組跳動往往被說成是一家演算法公司，而TikTok在過去幾周則被描述成了只靠這種演算法的黑魔力而取得成功。很多人甚至認為，如果收購不包含演算法在內的話，TikTok就不值得買。

我認為這是錯誤的。是的，重新訓練FYP的推薦演算法可能需要很長時間，以至於部分使用者會流失。我並不認為這項工作是雞毛蒜皮。但是，真正的魔力在於TikTok的設計和流程裡面的每一個元素是怎麼互相關聯到一起，從而建立出一個資料集，再通過這個資料集，把演算法訓練達到最佳效能的。這個反饋迴環裡面沒有一步是超出了美國眾多追求者的能力範圍之內的。你所需要做的只是要了解這個飛輪的機制，並保證讓每一個要素和流程都正常運轉。

我遇到過的產品或服務似乎在演算法推薦的質量上都遇到了天花板：這裡麵包括Yelp、OpenTable、Google、Netflix等。不要誤會我的意思，這裡有些日子過得還很不錯。我只是禁不住想他們當中的一些是不是可以更上一層樓，對演算法更友好的設計也許就是可能的解決方案之一。

回顧一下，在我關於TikTok的系列文章的第一篇當中，我討論了它的演算法是如何充當了一種匹配機制，使得TikTok成為了如此具有可擴性的娛樂網路的。相比之下，社交網路必須用社交圖譜來逼近興趣圖譜，然後就帶來了這種種問題。在有關TikTok的第二篇文章中，我重點介紹了它的設計是如何有效地幫助其機器學習FYP演算法“看到”完成其工作所需的東西的。對演算法友好的設計理念可能會成為其他垂直領域的其他公司在機器學習時代取得優勢需要採用的一種模式。

但是，作為案例研究TikTok之所以那麼的迷人而且異類，還有最後一個原因。這跟軟體和演算法的關係不大，而跟我孜孜不倦的文化決定論關係更大：那就是創意的網路效應。這會是本TikTok系列第三部分，也是最後一部分要討論的主題。

譯者：boxi
來源：36Kr
地址：https://36kr.com/p/936720770309255