编辑导语：在如今大数据的时代，一些软件会根据我们的地理位置、性别、喜好等等进行算法推荐；能够对一定规范的输入，在有限时间内获得所要求的输出；比如TikTok，以用户为中心进行推荐，精确度很高；本文作者分析了TikTok 的真正优势，我们一起来看一下。

字节跳动往往被说成是一家算法公司，很多人认为， TikTok是靠算法的黑科技才取得成功的。

事实真的是这样吗？

eugenewei认为不是：TikTok的算法跟其他公司使用的并没有太大的不同；TikTok最大的优势是它采取了对算法友好的设计模式，在自己内部建立了一个飞轮，帮助其机器学习算法看到了优化自己所需要看到的东西。

原文发表在其个人博客上，标题是：Seeing Like an Algorithm；篇幅关系，我们分两部分刊出，此为上半部分。

划重点：

• TikTok的算法本身没什么不一样；
• TikTok的不一样在于它的app设计让算法“看到”有效精确地执行匹配工作所需的所有细节；
• 现代社交网络巨头的傲慢导致自己陷入到错综复杂的问题不能自拔；
• 为了让自己的算法发挥最大的效用，TikTok成为了自己的训练数据源；
• 以用户为中心的设计模式一直占据主导，但算法友好型设计正在逆袭；
• 为了最大限度地服务好用户，请先服务好你的算法；
• TikTok的设计使得它的视频、用户和用户首选项对For You Page算法清晰可见。

在我上一篇关于TikTok的文章中，我讨论了为什么它的For You Page算法是让TikTok发挥作用的结缔组织；它就是主板的总线，用来连接和关闭所有的反馈回路。

但是，在急于了解为什么各家公司都想收购TikTok的情况下，如果字节跳动把这款热门的短视频app拆分出来的话，围绕着它的算法的炒作已经有点被异化成那种往往被归纳为最近西方对中国科技分析的套路了。

在这篇文章中，我想讨论一下TikTok的设计究竟是如何帮助它的算法表现得跟它一样好的。

上次我讨论了为什么FYP（For You Page）算法是TikTok飞轮的核心，但是如果这一算法不够有效的话，那整个反馈回路就会崩溃；哪怕你对TikTok或短视频领域不感兴趣，了解一下这个算法是如何实现精确性也很重要，因为各行各业的公司都日益面临着核心优势是机器学习算法的竞争对手的竞争。

我想讨论的是TikTok的设计是如何帮助它的算法“看”东西的。

一、《国家的视角》 Vs 算法的视角

James C. Scott的《国家的视角》（Seeing Like a State）是那种很独特的书，看过之后你会意识到硅谷就有那种使用（滥用）清晰性这个术语的类型。

我是在看到Venkatesh Rao的书摘之后第一次听说这本书的，如果你不打算看原著的话，那篇书摘仍然是很好的tldr入门读物（Scott Alexander的书评也不错，只不过他的书评也已经长到可以做自己的tldr ）；不过，我建议你还是要好好看看原著。

Scott那本书的副标题是“那些试图改善人类状况的项目是如何失败的”。

这本书可以提高你对日常生活当中的各种意外后果的意识，当我们也有着伟人一般的傲慢时，不妨保持更谦卑的态度；这个世界比我们想象的要更丰富、更复杂。

比方说，Scott的讨论有很多都跟我们的现代社交网络巨头的某种傲慢感有关；这些占主导地位的应用的目的就是要提高自身用户群的清晰性，其中包括促进互动、防止用户流失并最终提供定向广告；反过来，这又导致他们的母公司陷入到错综复杂的问题之中，至今都未能摆脱困境。

不过这是需要另行讨论的话题了；Scott关注的是民族国家如何用简化的抽象在概要的层面 “看清”自己的公民，而我想讨论的是TikTok的app设计是如何让它的算法“看到”有效精确地执行匹配工作所需的所有细节的——这篇文章讨论的则是是应用和服务在设计时最大限度利用机器学习新模式。（我知道，这种讨论有点讽刺意味，因为这种“看法”有可能被塑造为另一种决定用户看法的看法，一种美国的科技公司只能作壁上观的看法。）

二、TikTok把自己变成算法的训练源

近年来，至少在像我这样的门外汉看来，我们意识到，只需要通过把训练的数据量增加几个数量级，机器学习就可以取得很大程度的进步；也就是说，就算算法本身跟几年前没有太大的不同，仅通过在更大的数据集上对其进行训练，人工智能研究人员就能取得像GPT-3这样的突破（GPT-3暂时给科技Twitter们带来了高潮） 。

当大家说TikTok的算法是取得成功的关键时，很多人会把某些神奇的代码段看作是公该司的秘密武器。

俄罗斯当代后现代主义作家Viktor Pelevin说，所有的现代电影都是同一个主角：一个装满钱的公文包；从《死吻》的放射性物质公文包，到《低俗小说》里面的那个类似的里面金光闪闪的、不知道装着什么的公文包；从《魔头对捕头》（The Formula）的创世纪方程，到大卫·马梅特（David Mamet）的《西班牙囚犯》（The Spanish Prisoner）里面的秘密的金融处理，我们长期以来一直对有魔力的麦格芬（McGuffin，推动情节发展的对象或事件）感到痴迷。

最近几周，对TikTok算法的讨论已经把它提升成了类似的东西，这个算法就好像是《夺宝奇兵》系列电影（如《法柜奇兵》、《圣战奇兵》…）里面那些神秘的考古文物一样。

但是这个领域大多数的专家的态度不会是这样，他们不相信TikTok在机器学习推荐算法方面取得了迄今为止我们所不知道的进步；实际上，大多数人会说，TikTok的做法大概跟别人的解决问题方法无异。

但是要记住的是，机器学习算法的有效性不仅仅取决于算法，还要取决于利用某些数据集训练过后的算法；GPT-3也许并没有什么新鲜，但是通过接受大规模的数据训练，以及设置大量的参数，其输出往往令人惊讶。

同样地，基于自身数据集训练过的TikTok FYP算法，在将视频与认为该视频有趣的人进行匹配方面非常准确有效（而且，同样重要的是，在不向那些不认为视频有趣的人推送方面也很有效） 。

有些领域，比方说文本，可以轻松获得大量训练得很好的数据；比方说，要想训练出像GPT-3这样的AI模型，你可以到互联网、书籍等上面找到大量可用的文本集；如果你想训练视觉AI，可以在网上和各种数据库里面找到大量照片；训练仍然很费钱，但是至少你手头有足够的训练数据。

但对于TikTok （或者抖音）来说，它那擅长推荐短视频给受众的算法可就没有公开可用的这么大规模的训练数据集了。

去哪里可以找到模因、小孩跳舞、对口型、可爱的宠物、推销品牌的网红、士兵越障训练、小孩模仿品牌等内容的短视频呢？就算你有这样的视频，又该去哪里找到关于大众对此类视频感受的可比数据呢？除了Musical.ly的数据集以外（主要是美国喜欢玩对口型的青少年），这样的数据并不存在。

这是一个独特的鸡生蛋还是蛋生鸡的问题，如果没有这款app的的摄像头工具和滤镜，以及拿到版权的音乐剪辑的话，TikTok的算法需要训练的那种视频就很难创建。

那么，这就是TikTok设计的魔力所在：app会激发和促进视频的创作与浏览，算法然后用这些视频进行训练，再反过来激发和促进视频的创作与浏览，形成反馈回环。

为了让自己的算法发挥最大的效用，TikTok成为了自己的训练数据源。

三、以用户中心 Vs 对算法友好

要了解TikTok是如何做出这么强大的学习飞轮，我们需要对它的设计进行深入研究。

关于科技的UI设计，主导的思想流派（至少是我成长的过去二十年里）关注的重点是消除用户所做事情的摩擦，并让他们在此过程中感到愉悦；其设计目标是优雅，什么是优雅：优雅就是直观、巧妙，甚至时尚。

也许没有一家公司比苹果把这种设计风格体现得更加淋漓尽致，巅峰状态下的苹果总能把自己的软硬件做出优雅的感觉——“就是这么好用（it just works）”，但同时又很迷人，让用户觉得很雅致。

（苹果控制风格的名声就没那么光彩了——手机、笔记本电脑不可替换的电池，目前有关应用商店规则的争论）在发布新品的主旨演讲时，展示一块硬邦邦的铝块是如何变成崭新的MacBook Pro机身的视频的理由是什么？

因为听到工业激光把那块铝雕刻成一体化机身时发生的声音很性感？然后，当你在咖啡店用那台笔记本电脑敲击一封电子邮件时，在你的潜意识里，有关那段视频的一点残留的记忆里面会不会让你的多巴胺受到一点点的触动？

这种以用户为中心的设计模式在这么长时间以来一直占据着主导地位是有原因的，尤其是在消费类技术里面。

首先，这的确有用——苹果的市值最终超过了2万亿美元（还记得假冒的Sean Parker说过十亿美元很酷吗？那还是十年前，现在十亿美元不再是金牛了，财富的量级在飞速发展。）

此外，我们生活在大规模网络效应时代，应用了Ben Thompson的聚合理论并获得大量用户群的科技巨头，可以在他们所参与的市场当中发挥出不可思议的杠杆作用——要先做到这一点，最佳的办法之一就是设计出能比竞争对手更好地满足用户需求的产品和服务。

长期以来，这种设计流派一直占据着主导地位，以至于我几乎忘记了过去时代惯常采用过的一些蛮不讲理的软件设计了。（不要把它跟野兽派设计混为一谈，后者其实就像它在建筑方面的表亲一样，在设计上是相当美的。）

但是，如果要想最大限度地服务好用户的关键要取决于对机器学习算法的训练呢？如果这个ML算法需要庞大的训练数据集该怎么办？在机器学习方兴未艾的时代，这日益成为关键的设计目标。

在考虑如何设计app时，你日益必须考虑怎么才能最好地帮助算法去“看”——为了最大限度地服务好用户，请先服务好你的算法。

TikTok让我着迷，因为不管是意外还是有意而为之，这都是一个为了尽可能多地给自己的算法提供有用信号的现代app的典范——这就是我所谓的算法友好型设计的范本。（我曾经想过把它叫做以算法为中心的设计，但觉得这种说法有点过头了；一个帮助算法看见东西的设计到头来仍然是为了给用户提供尽可能好的体验。）

我们仍然可以认为这只是以用户为中心的设计的一种变体，但是对于那些大量采用机器学习算法组件进行产品开发的团队来说，明确地承认这一点也许有用；毕竟，当产品经理，设计师和工程师开会讨论app设计时，算法是不会出席的；但是，对算法的训练需求必须得到体现。

James Scott在谈到《国家的视角》，谈到了城市设计等领域的巨大变化，比如让土地面积和业主数量对征税者“清晰可见”；TikTok的设计使得它的视频、用户和用户首选项对For You Page算法清晰可见；这种app设计履行了它的主要职责之一：“像算法一样看东西”。

我们不妨仔细看看，TikTok打开后就是“For You Page”页面，然后直接进入视频。这就是它的样子。

这个是到目前为止有史以来最热门的TikTok视频，截止到我发布这篇文章时，它的34.1M个点赞可能已经不止了；你可以看看有关这条TikTok是如何诞生的故事，看过之后你仍然会觉得这是一个充满悖论的文化难题，但是你看过后会喜欢的。

我把这个给我侄女看了，然后我们一起循环播放了好几十次，然后我们一起开始大喊“从M到B，从M到B”，然后一起笑了起来，这是我在这场疫情当中真正的感受不是绝望的少数几次之一。

整个屏幕被一个视频填满。只有一个视频，视频用竖屏全屏显示；注意，这是不能滚动的，而是分页。视频几乎是立即自动播放（接下来的几个视频被加载到后台，所以轮到的时候可以很快播放出来）。

这种设计让用户要面对一个紧迫的问题：你对这个短视频的感觉如何？就这个短视频。

从视频开始播放到现在，你所做的一切都是你对该视频的感受的信号；你是不是在它还没播放完就滑向了下一个视频？是的话就隐含（尽管边界是显性的）表示你对它不感兴趣。

你是不是看了不止一次，让它循环播放了好几次？似乎不知怎的它就吸引了你。你有没有通过内置的分享面板分享了这段视频？这是正面情绪的另一个有力指标。

如果你点击右下角旋转的LP图标，看了更多有着同样背景音乐的视频的话，就是该视频对你胃口的进一步信号；音乐线索往往是模因的代名词，现在TikTok又有了一条为你推荐视频的轴线了。

还有，你是不是跑去看了看视频创作者的个人资料页面？你是不是看过她其他的视频，然后还关注了对方？是的话说明你除了欣赏视频以外，也许你还特别欣赏对方这个人。

但是，我们不妨再退后一步，看看这你还没有看到这个视频之前，TikTok的算法自己是怎么“看见”这个视频的；在这个视频通过FYP算法发送到你的手机之前，TikTok的运营团队有人已经看了这个视频，并添加了大量相关标签或标记。

这个视频是跟跳舞有关的吗？是对口型？还是视频游戏？有小猫吗？还是花栗鼠？是搞笑的吗？主体是男的还是女的？大概几岁？是群视频吗？背景在哪里？用的是什么滤镜或视觉效果？如果里面包括有食物，是什么食物？等等，所有这些标签都成为了算法现在可以看到的功能。

视频还要在视觉AI这里处理一下，并为自己能看到的东西做出贡献；TikTok有些摄像头滤镜能够跟踪人脸、手或者手势，所以视觉AI往往在视频被创建出来之前就被调用过了。

这个算法还可以看到TikTok所了解到的有关你的信息，你过去喜欢什么类型的视频？有关你的人口统计学信息或心理学信息有哪些？你是在哪里看这个视频的？你用的是什么类型的设备？等等，除此之外，还有哪些其他用户跟你相似？

译者：boxi；原作者播客标题：Seeing Like an Algorithm

原文地址：https://www.36kr.com/p/936688851967107

本文由 @神译局 授权发布于人人都是产品经理，未经许可，禁止转载

题图来自 unsplash，基于 CC0 协议