春节期间，中国 AI 行业仍在加速狂飙。这一轮生成式人工智能的爆发，源于 AI 行业在深度学习、大模型与数据工程上的长期技术沉淀与规模化落地。
以终为始，在这个节点我们想回过头聊聊推荐算法。这项早已融入各类 App 和我们生活日常的技术，易被忽视它同样来自 AI 深度学习技术的突破，且至今仍是规模最大、最成熟的 AI 推理应用场景。也因此，推荐系统会是检验大模型推理能力的终极赛场之一，也是目前少有的能将大模型技术转化为规模化商业价值的产业场景。
播客“蜉蝣天地”于年前对谈算法工程师风霁，带来了近年来对推荐算法最深入的一次分享。风霁任职过国内多家互联网大厂，在推荐算法场景有 8 年经验，他参与了推荐算法的基础模型复杂化的整个进程：从最早的简单机器学习、深度学习，到目前大模型相关的技术在推荐场景下的各种结合应用。

这场对谈最有意思的地方，是把算法工程师从神秘“黑箱”里拽回到一个很具体的岗位：一份脏活累活。面对亿级上传、千亿级观看的内容洪流，系统先机审和人审，再做召回、排序、重排，把“你可能会喜欢”从一句口号拆成可计算的目标：点击、停留、互动、长期留存、创作者公平、社区健康。算法从来不能一次算准，大部分情况下是在A/B测试中的小步试错，边跑边修、边增长边治理：今天追求效率，明天就可能补上被灰黑产利用的漏洞；今天满足兴趣，明天还得防止兴趣越来越窄。
更有意思的是，所谓用户画像并不是一句“你是个爱钓鱼的人”这么简单，而是一堆工程上可用、但人类很难直观看懂的向量；工程师要在这些冷数字和热情绪之间反复翻译，既听行为，也尊重表达。而当 AI 介入创作和分发后，这份工作还会更难：你不仅要判断用户现在想看什么，还要猜他未来想成为什么样的人。
真正决定平台生命力的，不是让用户多刷十分钟，而是让用户一年后还愿意回来，让好内容和好创作者都不被埋没。说到底，算法工程师做的，是一种现代信息社会的基础设施维护，而他们维护的是社会可能还没有产生共识的思想前沿。
以下为算法工程师风霁和“蜉蝣天地”主播重轻、汉洋的对谈，由凤凰网财经整理：
01
推荐算法本质是信息检索，围绕用户满意度建模
重轻：算法是我们从第一期就想聊的话题，邀请到你满足了我俩很长时间的愿望。推荐算法其实不是一个古典的工程师岗，它在某一个时间点才慢慢出现。
风霁：从我的视角，我觉得推荐算法本质是在做信息检索，推荐相关的论文，最早发的那个会是“信息检索会议”。这个事并不特殊，互联网本身就是为了信息检索而诞生的。
第一代推荐，可能是 2005 年以前，当时的推荐，大部分都是编辑做的，门户网站都是人工定义的规则，我没有参与过这个阶段。从 2005 年大概到 2012 年左右，深度学习、机器学习开始火了。在 2012 到 2016 年这段时间，是传统机器学习在推荐上的应用。2016 年谷歌发了一篇论文就是把神经网络应用在 YouTube 的推荐里。之前是非常简单的机器算法，就是挖特征，通过挖复杂信号让推荐变得更精准，是个堆人力的事，明显不是个长久的事情。谷歌是在简单模型的基础上，再叠加上一个深度神经网络。
我大概在 2017 年入行，我在那家公司应该是在 2018 年，我自己去主导把神经网络应用到推荐。那个年代的视频迭代，基本上只优化一个目标，就是 CTR（Click-Through-Rate，点击率），上了神经网络之后，你会发现点击率暴涨，涨 10%-20%，但同时带来一些标题党、封面党的问题。我们会把时长、点赞这些多目标也融入到推荐迭代，做了很多生态治理的工作，打压这些封面党、标题党，包括一些擦边、软色情的治理。
重轻：所以你是一个开荒的工作，你经历了各种指标飞涨，工作价值特别大，甚至整个公司都为之震动的这个过程？
风霁：推荐对于业务来说是推进器，当时整个公司的增长非常快，业务是每年翻倍的，推荐带动涨 10%，其实也就是一部分。这个技术对于我自己和团队来说，是非常震动和开心的，很振奋。
互联网给不同的人分发不同内容，千人千面、亿人亿面，大家可能没有意识到个性化能力到底能有多强。按照大模型 scaling-up 的逻辑来说，假设当年编辑推荐的点击率是1%，努力后做到 2%，但如果你知道未来可以做到 20%，其实总编就不重要了。
本质来说推荐本质是信息检索，信息检索的产品形态和技术都发生了翻天覆地的变化。我们今天一天能看的视频，如果没有现在这个技术，你可能花 100 倍的时间也找不到这个视频。
重轻：推荐算法成为了一个现实之后，各家都开始做这个事，接下来你做了什么？
风霁：大概在 2018 年做的事情是比如说一个用户有 1000 个历史行为，从中间找到比如说 30 个，看里面有哪些跟我是相关的，跟候选的视频相关的。然后根据历史视频，判断你可能对哪些视频感兴趣，叫做序列建模。大概从 2019 年到 2023 年，我们在做序列建模，以及多目标建模。多目标做得更复杂，比如说从时长、点赞、关注，包括全屏分享，把用户使用过程中的各种行为做拆解。
我们首先考虑，哪些行为反映用户对这个视频是满意的？哪些动作反映这个视频是在骗用户、骗平台？只有用户对内容满意，才会留在这个平台。
说回来推荐是分几部分的，第一部分叫做用户体验，第二部分叫做作者的体验，我们叫B端和C端。第三部分是生态工作。C端我们去会考虑推得准不准，用户看这个视频会不会秒退？秒退可能说明封面标题好，体验不好。在B端，作者如果创作了好作品，有没有拿到足够多的流量？如果拿不到，是什么原因？我们要把这个问题解决好。第三部分生态，就是有一些作品不优质，但是拿到了比较多的流量，我们也要对它治理。
02
时长不是唯一目标，更希望用户一年后还用
重轻：听你说这么多，算法的目标比我们以为的要复杂。我们以为互联网公司要不择手段地把我留在这，增加用户时长和粘性，但其实这里面内含了不一样的目标？
风霁：坦白来说，各大互联网公司肯定希望时长更多——但是具体到每一天，并没有那么极致地去优化时长。至少我个人带团队时，我是不太 care 涨时长这个事。我们对这个事情的理解是：用户一年之后还用，这个 APP 能不能陪伴用户非常久？不能只看今天。
今天让用户多看 10 分钟，有意义吗？我觉得意义不一定大。大家都能看到一些用户觉得太沉迷了，我把它卸载了吧！可能多了一天的活跃度，但你损失了未来 365 天乘以 50 分钟的价值。所以我们会更关注用户有没有发生有效互动：只是浏览，还是也有点赞、关注、评论？
最近两三年，我们做长期价值建模会比较多，会考虑在未来180天，这个作者你会去看几天？如果180天你还看同一位作者，当然也会在这个平台上活跃180天。
从生态视角，永远在考虑一个问题，你看舞蹈，那跳同样一个舞，有没有人比这个视频跳得更好的？那个更好的视频为什么没有推荐给你？这是从我们的用户视角看这个问题的。从作者视角来看，那个跳的更好的作者，有没有拿到更多的播放量？
作者侧要分档，好的作者越来越满意。但是有一些灰黑产，包括现在有很多低成本的创作，这些人是不满意的。对创作者来说，如果说你的作品用户喜欢，那不应该担心“一代版本一代神”，你应该是永远的神。相反如果下个版本你不行了，那是不是说明就是你过去是靠上个版本的 bug 拉到的流量？
重轻：如果因为版本迭代，让创作者屡屡要遭受断崖式下降，是产品出问题了？
风霁：对，这个产品自然就会被淘汰了。因为明面上好像是用户选择了平台，但我觉得底