编者按:字节跳动经常被描述为一家算法公司。很多人认为抖音成功只是靠算法这种黑科技。真的是这样吗？Eugenewei不这么认为:抖音的算法与其他公司使用的算法没有太大区别。抖音最大的优势是它采用了算法友好的设计模式，并在自身内置了飞轮，这有助于它的机器学习算法看到它需要看到的东西，从而优化自己。原文章发表在他的个人博客上，标题是:像算法一样看。篇幅，我们分两部分发表，这是后半部分。
亮点:抖音的真正魅力在于设计和流程中的每个元素是如何相互关联的，从而创建了一个数据集。通过这个数据集，训练算法达到最佳性能的大型社交网络的默认UI是无限垂直滚动的动态消息。对于算法来说，用户的情感信号并不干净。社交网络做出了自己的选择:以读取更准确的负面信号为代价，为用户提供更少的阻力扫描。抖音有很多方法来推断你是否对某个视频不感兴趣。算法友好最终是为了服务好用户。任何设计的目标都不是最小化摩擦，而是帮助用户达到某种目的。在这个软件时代，真正的竞争优势或护城河已经变得越来越虚无缥缈。如果市场给人的印象是越来越多的赢家通吃，那是因为在一个联系日益紧密的世界里，赢家通吃。
抖音的算法可以看到很多东西。
让我们回到你在手机上打开抖音看视频的那一刻。FYP算法现在可以使所有的反馈回路形成一个闭环。它会研究你在这个视频上的每一个动作，根据你的口味和视频的所有属性来猜测你对视频的感受。
以上步骤都不是火箭科学那么硬核的技术，尤其是对于任何一个从事算法社交动态新闻的人来说。满足他们的算法。既然视频会加水印，那么分享就相当于给他们免费宣传。事实上，抖音已经发表了一篇博客文章，描述其FYP算法的工作机制。只要是从事科技行业的，相信大家看完就知道没什么新鲜的。
然而，如果你将抖音的FYP算法所看到的与大多数其他社交网络动态消息推荐算法所看到的进行比较，你就会发现它们的不同之处。
今天，我们最大的社交网络的默认用户界面是无限的垂直滚动提要。这些应用程序不是一次提供一个故事，而是一次在屏幕上显示多个条目。当你滚动浏览多个故事时，算法无法“看清楚”你的眼睛停留在哪个故事上。即使你能看到，如果用户没有像“喜欢”那样按下反馈键，他们对这个故事的看法是正面的还是负面的？用户情绪的信号不干净。
如果你认同UI应该消除摩擦的观点，那么无限滚动提要应该是最理想的选择。它提供了一种无拘无束的消费节奏控制感。用拇指点按一个提要，然后看着它像价格问答节目中“大轮子”的鼓一样滚动。你的初始手势速度决定了它的滚动速度。看着软件轮子慢慢停下来，好像遇到了不断的物理摩擦。这种模拟的物理过程是触摸屏时代最令人愉快的用户交互之一。突然间，你可以在Twitter或脸书上滚动浏览5或6条动态信息。多酷啊！
分页设计，一次只能看到一个故事，手指每推一下就让提要滚动一个，无论从字面上还是比喻上都是拖。
另一方面，如果Twitter更有针对性，也许你不会介意一次只看一条推文，如果Twitter能更好地理解你真正感兴趣的推文类型，他们的推送可能更有针对性。如果你必须给每条推文一个或明或暗的肯定或否定的信号，Twitter或许能更好地理解你真正感兴趣的是什么。
即使是用户参与互动的故事，判断他们的情绪仍然是一个挑战。大多数app只有正反馈机制，最常见的是某种形式的“赞”按钮。由于脸书、Instagram和Twitter等应用都是基于社交图开发的，所以他们选择不提供不喜欢按钮的原因很明显。
然而，正如斯蒂芬·金在《写作这件事》中所写的那样:“但如果你想成为一名成功的作家，粗鲁应该是你不需要担心的第二件事。而你首先不需要担心的是这个文明社会，以及它对你的期望。如果你有心老老实实写，你作为文明社会一员的日子就到头了。”
依靠具有明确正反馈机制的长滚动消息，像脸书、推特和Instagram这样的社交网络做出了自己的权衡，即以读取更准确的负面信号为代价，为用户提供更少的阻力扫描。
围绕兴趣图谱构建的网络确实有吸收步进机制的倾向，因为他们防止用户流失的主要方向是为他们提供最感兴趣的内容。这意味着，就像暴露有吸引力的内容一样，需要清理用户不感兴趣的内容。
抖音没有明确地点击按钮，但通过一次只提供一个视频，他们可以告诉你是否会很快跳过观众，以便他不会离开。什么样的设置可以让用户参与？使用已经融入模因的音乐线索是有帮助的，因为当低音下降或音乐回报出现时，就已经预示着视频的高潮即将到来。观众知道多久才会有回报。此外，观众可能喜欢听音乐纯粹是为了享受音乐。)，而且你没有任何积极的行动来推断你是否对某个视频不感兴趣。
如果你点击了脸书上某个人发的一篇文章，但没有评论或喜欢，脸书如何判断你对这篇文章的看法？你可能考虑过在评论中激烈地表达你的反对意见，但是因为这个人是你同事或朋友的朋友，你决定最好不要这样说。这种负面情绪很难捕捉；算法“看不到”你的感受。
无聊或引起轻微不适的内容是慢性杀手。我在上一篇文章中指出，因为你自己的兴趣和你认识的人的兴趣不一致，所以通过社交图谱获得的内容可能并不是用户的真实口味。从时间顺序到算法管理的动态消息通常是对这种偏差的默认防御。
但是，如果算法“看不到”用户越来越不感兴趣的信号，如果只能看到用户积极参与的信号，必然会有一些差异。你可能会看到用户逐渐失去兴趣，喜欢的少了，打开你的应用的频率也少了，但不清楚是哪些故事把他们赶走的。当用户开始有离开的迹象时，往往亡羊补牢为时已晚。
对算法友好，最终是为了服务好用户。
算法友好的设计不需要用户友好。它采取了完全不同的方法来最好地服务于用户的利益。分页可能会给用户带来一些阻力，但这样做可以为算法提供更清晰的信号，从长远来看可以保证feed的质量。
最小化摩擦只是实现良好用户体验的一种手段。任何设计的目标都不是最小化摩擦，而是帮助用户实现某些目标。减少摩擦通常与这一目标相一致，但也不总是如此。你可能会说引用推文减少了手动复制别人推文的摩擦，但如果你的目标是和谐文明的公共讨论，减少喷冲某人推文疯狂攻击的阻力可能不是你应该鼓励的核心机制。有某种形式的摩擦也是好的。
你会听到很多有影响力的Twitter用户敦促其他人早点使用常用的堵嘴和屏蔽功能。一些用户会自豪地在推特上发布自己被禁词的截图，以表达对一些热门讨论话题的不满。有的人更极端，甚至和所有人都有联系，然后从头开始关注。.这种做法确实偶尔会显示一些我感兴趣的推文，但从绝对意义上来说，增加了我不感兴趣的推文数量。我一再强调，没有两个人志趣相投。所以这个功能开启后，我真的从一开始就有照顾大家、关注的意图，但是又担心会伤害到别人的感情，因为我心软。如果Twitter有不同的做法，这就不会是一个问题。)
我有时会考虑这些策略中的一些或全部，但对于Twitter来说，这些策略的必要性本身就是服务的失败。如果算法能对你感兴趣的内容更聪明，那就要注意替你封禁话题或者敲诈一些人。就像我上次写的，你可能要关注Twitter上的每个人才能获得有趣的内容，这可能是强大的兴趣地图的设计缺陷。
抖音不仅从用户那里捕捉到非常清晰的情感信号，还在每次对话中收集大量这样的信号。关于抖音的视频非常短，即使在短暂的交谈中，抖音也能收集到很多关于你品味的反馈。
这个过程相对无痛。有些视频可能顶多让你觉得无聊，但是刷掉这些视频只需要一个相对容易的操作。与此同时，鉴于算法正在认真听取你的意见，你甚至会享受这种扫视频的操作，因为你知道app会记录你的不悦并做出回应。
顺便说一下，抖音不是唯一一个界面针对匹配任务进行了优化的应用程序。就是那种一次只显示一个实体的app，让你更清楚的知道自己的感受。在抖音之前，显示一项内容的用户界面已经自成一体。
暗示的
易燃物
向右滑和向左滑成为赞同和不赞同的代名词是有原因的。Tinder提出了一种二进制投票方法，感觉就像触摸屏UI上的一种设计原语。
飞轮的优势
在这个软件时代，真正的竞争优势或护城河已经变得越来越虚无缥缈。现有客户或竞争对手可以在一夜之间轻松复制大多数软件功能或用户界面设计。你所做的就是先帮助他们尝试这个设计。成为技术创新的地理中心，部分原因是硅谷更加开放的劳动力市场允许思想在公司之间自由流动。中国拿到了这本手册，走得更远。要在中国科技行业的竞争格局中生存，就像在《黑暗骑士崛起》中试图爬出坑。太恐怖了。)
但是，如果你能建造一个飞轮，像Reels或Triller这样的竞争对手将很难赶上。Triller可能会花钱挖一些抖音的网络名人来制作视频，Reels可能会试图引流Instagram，但抖音之所以奏效，是因为它通过FYP算法将创作者、视频和观众连接成一个正反馈循环。
布莱恩·阿瑟提出了经济报酬递增和路径依赖理论。没有哪个行业比科技行业更能体现这一理论。在这个行业中，最先实现产品市场匹配的竞争对手可能会脱颖而出。如果市场给人的印象是越来越多的赢家通吃，那是因为在一个联系越来越紧密的世界里，赢家确实会通吃。
字节跳动经常被描述为一家算法公司，而抖音在过去几周被描述为仅仅凭借这种算法的黑魔法而获得成功。许多人甚至认为，如果不将算法纳入收购，抖音就不值得收购。
我认为这是错误的。是的，重新训练FYP的推荐算法可能需要很长时间，因此会失去一些用户。我觉得这个工作不琐碎。然而，真正的神奇之处在于抖音的设计和流程中的每个元素是如何相互关联的，从而创建一个数据集，然后通过这个数据集训练算法达到最佳性能。在这个反馈循环中，没有哪一步超出了许多美国追求者的能力。你需要做的就是理解这个飞轮的机制，并确保每个元素和过程都正常工作。
我所遇到的产品或服务在算法推荐的质量上似乎已经触及天花板:这些包括Yelp、OpenTable、Google、网飞等。不要误解我，有些日子在这里过得很好。我只是忍不住想知道他们中的一些人是否可以通过上一层楼梯来实现，而一种更加算法友好的设计可能是可能的解决方案之一。
回顾过去，在我关于抖音系列的第一篇文章中，我讨论了它的算法如何作为一种匹配机制，使抖音成为一个可扩展的娱乐网络。相比之下，社交网络必须使用社交图来接近兴趣图，这就带来了各种问题。在关于抖音的第二篇文章中，我重点关注了它的设计如何有效地帮助它的机器学习FYP算法“看到”它需要做什么工作。算法友好的设计理念可能会成为其他垂直领域的其他公司需要采用的模式，以在机器学习时代获得优势。
然而，作为一个案例研究，抖音如此迷人和与众不同还有最后一个原因。这跟软件和算法关系不大，跟我孜孜不倦的文化决定论关系更大:那就是创造力的网络效应。这将是这个抖音系列的第三部分，也是最后一部分。
译者:博西
