凯文·凯利
但问题就在于，面对这个包容万物的数字图书馆，如果不能掌握一套极其高效的索引系统，作为人类个体会显得非常无力。没有一张定位精确的航海图，人类在信息的汪洋大海中一定会迷失自我。就像凯文·凯利说的：
这个包容万物的图书馆规模极其巨大，它迅速吞没了我们本就十分有限的消费时间周期，我们将需要额外的帮助才能穿越这广袤之地。
越是能高效地处理信息，越是能给社会创造价值。互联网根据你的使用习惯，推荐你想要的东西，这是技术和社会发展的必然。这种个性化推荐，从社交网站上推荐给你的人脉，到电商平台上的商品，再到互联网音乐平台“根据你的音乐口味，为你推荐的音乐”，再到其他种种，个性化推荐已经成了今天互联网产品的标配。
如果你对这些推荐的“神准”感觉到惊讶的话，应该看看全球复杂网络权威巴拉巴西的著作《爆发》，他的研究是建构在人类生活数字化的大数据基础上的，他认为数字化生活，使得人类行为更加容易量化，在这些量化的基础上，人类的行为也因此变得可以预测。
其可预测的几率是多少？巴拉巴西给出的结论是——高达93%！
所以在今天，“机器比你自己还要更懂你”，真不是一句假话，也没有什么值得惊讶和担忧的，因为这一定是技术和社会发展的大势所趋，是在为人类解决效率问题，让社会运行得更高效。
截图自电影《机械公敌》
但是，个性化推荐的同一套逻辑运用到资讯平台和社交媒体上，却让很多人感到了不安。最大的不安，来自于对“信息茧房”的担忧。
这个词光从字面上看很好理解——在信息爆炸时代，个人根据机器推荐所消费的信息，就像蚕吐出来的丝一样，细细密密地把自己包裹起来。渐渐地，外界就跟自己无关了，人们栖息于跟机器一起合作制造出来的白色柔顺的蚕蛹中。
蚕吐丝将自己包裹起来，终有破茧成蝶的一天，这是一种美好的预示，但是“信息茧房”的前景就没这么妙了，它所指向的似乎只有坐井观天、故步自封、作茧自缚等负面意义。
这一比喻有一种先入为主的暗示，但“信息茧房”是人类在信息爆炸时代固步自封的必然宿命吗？
这一概念其实是一个假设，是哈佛大学法学院教授桑斯坦在2006年出版的著作《信息乌托邦》（《Infotopia: How Many Minds Produce Knowledge》）中提出来的。
桑斯坦认为，在信息传播中人们因自身的信息需求并非全方位的，只会注意选择想要的或能使自己愉悦的信息，久而久之就会失去了解不同事物的能力和接触机会，将自身桎梏于像蚕茧一般的“茧房”中。
《信息乌托邦》
在“信息茧房”的概念被提出的2006年，内容的机器分发还远不像今天这么有话题性，所以这一假设表现了强大的前瞻性。但从国内的情况来看，“信息茧房”这个概念，是在微博出现之后才开始引入并逐渐盛行的。
2012年是个重要节点，在那一年，主打基于兴趣为用户提供个人化精准资讯服务的平台如今日头条等开始出现，通过算法过滤和反馈处理的内容分发方式，开始独成一类。
这种情况，似乎切合了桑坦德在另一本书《网络共和国》中所描述的“个人日报”现象，通过人工智能分析个人的兴趣爱好等个性化特征，再根据个性化需求聚合相关信息，并针对用户的反馈进行调整，以实现个性化、动态化的需求，使内容变得“千人千面”，每个人因此拥有了为自己量身定制一份“个人日报”的可能。
正是因为“更懂你”，内容的机器分发方式，在随后几年成了国内许多资讯客户端的选择。这使人们对“信息茧房”的担忧不断增加，甚至担心用户会被自我“兴趣”不断固化，久而久之视野变得越来越窄，甚至出现群体极化的现象。
还有声音认为，有些互联网产品的崛起要归因于“信息茧房”，比如有文章就这样评论抖音：“近两年抖音突然崛起，靠算法赢得用户，会使用户深陷‘信息茧房’，可是不靠算法的抖音，和市面上的其他短视频app有什么不一样？所以抖音不会放弃算法，还是会把一个个用户带进‘信息茧房’”。
这种担忧会成为现实吗？
2
要理解这个问题，首先应该站在这样一个基础上，即机器根据人类的兴趣爱好匹配信息需求，首先也是带来了整体效率的提升。
比如足球新闻的重度消费者，纸媒时代他买份报纸很可能只为了获取体育版上足球的内容，其他版面对他来说可有可无，体育版上的足球新闻又让他觉得不解渴；互联网的编辑精选时代，虽然能聚合很多足球新闻，但这些新闻散落在其他体育新闻中，他同样需要去找寻出来。
机器分发的好处在于能够把足球新闻都聚合匹配给他，大大提高他获取信息的效率。给他匹配看不懂的橄榄球、高尔夫球、棒球、垒球、冰球、板球、手球新闻，对他来说毫无意义，而且是社会资源的浪费。
那这种个性化推荐的结果，会不会造成“茧房”效应呢？
首先，得承认“信息偏食”现象的确存在，而且自古皆然。
人类的泛兴趣阅读，从古到今，不论中外，都有“挑食”的倾向——只选自己爱看的看，不太愿意接受不爱看的。难道人们不应该走出“信息茧房”，走到更开阔的地带吗？很遗憾，非要让自己去接受不情愿接受的内容，这不是泛兴趣阅读，很可能是另一种东西——学习，学习和泛兴趣阅读完全是两码事，前者的目标是获取专业知识和能力，后者是基于个人的爱好。
从小到大，我们都是如此：选自己喜欢看的看，不见得能选自己喜欢学的学。
人的朋友圈也是如此，人们往往会选择跟自己相似的人做朋友，存在“社交偏食”的现象。哈佛大学教授古乐朋在《大连接：社会网络是如何形成的以及对人类现实行为》里援引了一项研究：
民主党人倾向于跟民主党人交朋友，共和党人倾向于跟共和党人交朋友。主张变革的人与主张变革的人往来密切，保守的人跟保守的人沟通频繁。
人是否只会“人以类聚”，不会跟其他人打交道了呢？很明显不是，人基于种种原因，需要在自己的核心人脉圈之外，跟更多人打交道。古乐朋在这本书里使用了“强连接”和“弱连接”的概念，认为强连接可以将个体的一个个人结合为群体，但弱连接可以将不同的群体结合为更大的网络社会。强连接引发行为，弱连接传递信息。
从“社交偏食”同样的角度来思考，“信息偏食”是否真的能造成“茧房”效应呢？恐怕很难。
首先，市场是充分竞争的，一家机构的个性化推荐系统不可能跟另一家完全一样。
其次，虽然有“偏食”，但人类也不会完全不会换口味，否则一定会感到腻味，主动订阅作为内容获取方式的一种，能够解决人类调整阅读口味的问题。
第三，当下的互联网产品，主要是针对用户特征来进行推荐。比如今日头条为了让算法透明，来消除各界对算法的误解，曾让资深算法架构师曹欢欢博士出来做分享，介绍“今日头条算法原理”。
曹欢欢博士
曹欢欢提到算法主要考量三个维度：
第一个维度是内容。第二个维度就是用户特征，“包括各种兴趣标签，职业、年龄、性别等，还有很多模型刻画出的隐式用户兴趣等。”第三个维度是环境特征。结合三方面的维度，模型会给出一个预估，推测推荐内容在这一场景下对这一用户是否合适。
在这里，用户特征是显性特征，而观点、立场、态度等隐形特征机器无法辨别。
所以，机器会根据用户的兴趣推荐内容，而没法根据用户的立场推荐特定的内容。正如新媒体研究者魏武挥提到的，一位对美国大选有兴趣的人，他其实完全有可能对川普或希拉里有预设立场：比如川普粉+希拉里黑。 但算法推荐只能做到系统知道你对美国大选有兴趣，很难知道你的观念落在哪里。 于是这样的结果是很常见的：无论是吹捧川普的，还是吹捧希拉里的，都推送给这位对美国大选有兴趣的用户。
从这个层面上来说，机器把用户感兴趣的内容全部予以推荐，里面包含了互相矛盾和冲突的信息和观点，反而削弱了信息茧房形成的可能性。
3
在美国的学术界，很少有人会把“信息茧房”当做一个学术概念来用，学术中用得比较多的是“过滤器气泡”（filter bubble）和“回音壁”（echo chamber）。
《纽约时报》曾在2014年10月24日刊登一篇文章“Americans Don’t Live in Information Cocoons”（《美国人并没有住在信息茧房中》），文章也承认人们倾向于阅读与自己个人偏好相符的文章（比如政治倾向）。但文章里引用了好几个研究，试图说明信息茧房的现象在现实生活中并不完全成立。
首先，加州大学洛杉矶分校政治科学方面的专家Michael LaCour（University of California, Los Angeles, political scientist Michael LaCour）的研究发现，民主党和共和党的媒体偏好其实非常相似。
其次，芝加哥大学的两位经济学家Matthew Gentzkow 和 Jesse M. Shapiro发现，大多数人偏向阅读中立的文章。总体而言，虽然filter bubble确实存在，但很少有人仅仅阅读和自己观点相符合的文章。
第三，社交媒体是否会鼓励“回音壁”效应呢？纽约大学政治学家Pablo Barberá的一篇论文称，情况并非如此。他发现，人们的确倾向于在Twitter上追随志同道合的人，但他的研究也表明，随着时间的推移，Twitter上的用户也倾向于跟随一个思想上不那么同质的群体。在网上遇到不同的观点，会鼓励人们拓宽他们的信息流，而不是让人们截然对立，更加两极化。
但确实也有人担忧“过适”（overfitting），也就是说，担心只接触那些已经喜欢的东西是有风险的。
凯文·凯利在《必然》中提出了“理想的过滤器”的观点，在他看来，理想的过滤器应该推荐那些“我想知道我的朋友喜欢什么，而那又是我现在还不了解的”，以及“它将是一种会向我建议某些我现在不喜欢，但想尝试着喜欢的东西的信息流”。
也就是说，这种过滤器不是为了营造出一个回音室，而是可以让你不断地跳入下一个圈子。
他举了个例子说，希望是这种推荐——
我十分确信自己不喜欢歌剧，但去年我又尝试了一次，那是在一个电影院里看一个歌剧的远程实况转播——在纽约大都会艺术博物馆上演的《卡门》，对白以文字的形式显眼地投放在大屏幕上，最后，我很庆幸自己去了。
毫无疑问，这也正是算法工程师们努力的方向。
今日头条资深算法架构师曹欢欢也提到，对推荐起到比较重要的作用的四类特征中，有一类是协同特征，它可以在部分程度上帮助解决所谓算法越推越窄的问题。曹欢欢说：
协同特征并非考虑用户已有历史。而是通过用户行为分析不同用户间相似性，比如点击相似、兴趣分类相似、主题相似、兴趣词相似，甚至向量相似，从而扩展模型的探索能力。
比如，A用户喜欢时政、科技和体育，B用户喜欢时政和科技，那么系统会尝试着给B用户推荐体育新闻。
这样做，正是为了刺破“茧房”，其好处，如“大象公会”在《越上网，你会越狭隘越极端？》一文中所言，“今日头条、抖音等内容推荐算法平台，绝没有傻到根据用户过去的行为，把推送的内容类型越收越窄——谁都希望能扩大对客户的需求服务范围，而不是相反。”
确实，从平台的角度来看，只有提供给用户更加多元化的内容，用户的停留时间才会更长，留存率也会更高。
“大象公会”评价认为：“如果说我们真的需要一条摆脱所谓信息茧房的技术之路，算法显然是修路者之一，它肯定不是路障。”
清华大学新闻与传播学院教授彭兰也认为：对个性化算法可能带来的“信息茧房”问题，我们的确应该有所警觉。但另一方面，我们也需要意识到，如果运用得当，算法也可能成为刺破信息茧房的一种武器。
凯文·凯利反驳了过度担心“过滤器气泡”的观点，“人们担心技术会使我们变得越来越一致化，越来越商品化，这种担心是不正确的。实际上，我们进行的个性化定制越多，对于过滤器而言处理起来越简单，因为我们会变得更加独特。”
伊莱·帕里泽在TED上的演讲
《当心网上“过滤气泡”》
过滤器一直存在，气泡也一直存在，人们对于新生事物总会表现得过于恐惧，就像一些人对转基因的态度一样，殊不知转基因存在的历史比人类历史还长。人类确实有自己的视野局限，但并没有生活在“信息茧房”中。
本文经授权发布，不代表智慧金融研究院立场。如若转载请联系原作者。
金乔叶