1037 Film / 产业与媒介

算法的凝视：平台社会下，流媒体如何塑造我们的审美与世界？

郭之然 · 1037 Film更新于 2026.04.08约 16 分钟专栏文章

一、引言：欢迎来到“平台社会”——个性化推荐的黄金时代与隐忧

二、算法的黑箱：流媒体推荐系统的运作逻辑

1. 推荐模型的技术演进：从协同过滤到大语言模型

2. 目标函数：商业逻辑与用户参与度的博弈

三、制造品味：算法如何重塑个人与群体的审美偏好

1. 个性化与多样性的悖论：文化普惠还是审美收敛？

2. 权力转移：从“人找内容”到“内容找人”

3. “算法可见性”与创作者的生存法则

4. 景观社会的数字回响：被数据驱动的审美符号

四、 “信息茧房”再审视：从信息隔离到认知固化

1. 驳斥“完全隔离”的简单模型：偶然性暴露的增加

2. 新解“茧房”：认知不适（Epistemic Discomfort）与“不想信”

3. 审美领域的“回音室效应”与意识形态的隐性塑造

五、破茧之路：用户能动性、平台责任与未来治理

1. 用户的能动性与“算法素养”的反向驯化

2. 平台的责任与“价值对齐”：超越短期流量

3. 监管与治理的框架：构建多元共治体系

4. 未来展望：大模型时代的推荐新范式

一、引言：欢迎来到“平台社会”——个性化推荐的黄金时代与隐忧

当你结束了一天疲惫的工作，瘫倒在沙发上打开Netflix，首页的第一排赫然列着一部你从未听说过、但海报风格和题材完美契合你当前心境的北欧悬疑剧；或者当你漫无目的地滑动抖音，系统连续为你推送了三条关于冷门历史知识的短视频，让你惊呼“算法简直比我还懂我”。在2026年的今天，这样的场景早已不是科幻小说中的桥段，而是数十亿人日常数字生活的真实写照。

我们已经全面步入了一个由算法驱动的“平台社会”（Platform Society）。正如学者José van Dijck所定义的，平台社会强调在线平台与社会结构之间不可分割的联系。在这个社会中，平台不再仅仅是中立的技术工具或信息管道，而是重塑社会、经济、人际交往甚至文化审美的核心基础设施。平台社会依赖三大核心机制运转：**数据化（Datafication）**将人类行为转化为可计算的比特；**商品化（Commodification）**将这些数据转化为商业价值；而**选择（Selection）**——即算法推荐——则决定了什么内容能够被看见，什么内容将被淹没在数据的汪洋中。

在流媒体和内容平台主导的媒介生态中，推荐算法无疑是那只“看不见的手”。它有效提升了人们信息收集、整合与分析的效率，打通了“人找内容”和“内容找人”的双向链路。然而，随着算法对我们日常生活的全面渗透，一个深刻的矛盾日益凸显：**在平台社会的框架下，算法推荐究竟是赋予了我们前所未有的个性化自由，还是在无形中将我们推向了被精心设计的“信息茧房”，并对我们的“审美趣味”进行了隐蔽的规训？**

本文将深入剖析流媒体算法推荐的底层逻辑，探讨其如何重塑个人与群体的审美偏好，批判性地再审视“信息茧房”理论，并试图在技术、商业与人性的博弈中，寻找一条通往数字时代审美自由的破茧之路。

二、算法的黑箱：流媒体推荐系统的运作逻辑

要理解算法对社会的深远影响，首先必须揭开其技术运作的“黑箱”。目前的推荐算法系统大多由三个核心要素组成：用户（User）、项（Item，即内容）以及用户对项的操作行为（Interaction）。算法的本质，正如中国人民大学高瓴人工智能学院所定义的，是“以数学方式或者计算机代码表达的意见”。

推荐系统发展历史上的重要里程碑事件（1992-2021）

推荐模型的技术演进：从协同过滤到大语言模型
流媒体平台的推荐系统经历了从简单统计到深度学习的复杂演进。理解这些模型，有助于我们看清算法是如何“认识”我们的：
**协同过滤 (Collaborative Filtering, CF)**：这是推荐系统中最基础且最经典的技术。其核心假设是：相似的用户会喜欢相似的物品。它分为基于用户的协同过滤（User-based CF，即“与你品味相似的人也看了这部电影”）和基于物品的协同过滤（Item-based CF，即“看了这部电影的人还看了那部电影”）。这种方法极大地促进了内容的偶然发现，但也容易导致“流行度偏见”（Popularity Bias），即强者愈强。
**基于内容的过滤 (Content-Based Filtering, CBF)**：该方法利用物品的属性（如电影的元数据、标签、文本描述、音频特征）进行推荐。如果用户喜欢科幻片，系统就会推荐具有相似标签的内容。这种方法能有效解决新内容的“冷启动”问题，但容易导致推荐内容高度同质化。
**混合模型与深度学习 (Hybrid & Deep Learning)**：现代流媒体巨头（如Netflix、YouTube、TikTok）无一例外地采用了混合系统。例如，Netflix的推荐架构包含了“个性化视频排序”（PVR）、“热门推荐”（Top-N）、“因为你观看了”（Because You Watched）等多个子算法的协同工作。近年来，卷积神经网络（CNN）被用于分析视频缩略图，循环神经网络（RNN）被用于捕捉用户的时序观看行为。
进入2020年代后，大模型技术（LLM）开始被深度整合进推荐系统。以预训练模型BERT为例，它通过对大量语料库进行无监督学习，将用户需求和物品描述转化为具有丰富语义信息的向量表示，从而实现了对用户深层意图的“推理”（Reasoning），标志着推荐系统从“模式匹配”向“语义理解”的跨越。

目标函数：商业逻辑与用户参与度的博弈

任何算法的背后都隐藏着设计者的目标函数（Objective Function）。在流媒体的商业模式中，无论是订阅制（如Netflix）还是广告驱动制（如YouTube、TikTok），其核心商业诉求都是**最大化用户的注意力与停留时间**。

因此，算法在进行候选集生成（Candidate Generation）和排序（Ranking）时，往往将点击率（CTR）、观看完成率、点赞、评论和分享等显性互动指标作为优化的核心。这种以“参与度”为导向的逻辑，决定了算法天生偏好那些能够迅速激发用户情绪、具有强烈视觉冲击力或高度契合用户既有偏好的内容。正如学者所言，算法本质上是一种“体验技术”，它在不断试探和迎合人性的弱点与偏好中，完成了对用户注意力的收割。

关键要点推荐系统已从简单的协同过滤进化为融合深度学习和大语言模型的复杂混合架构。算法并非客观中立的数学公式，其底层逻辑受制于平台最大化用户参与度和商业利益的目标函数。理解算法的“协同”与“内容”过滤机制，是剖析其如何影响人类审美与认知的前提。

三、制造品味：算法如何重塑个人与群体的审美偏好

在传统的大众传媒时代，审美趣味的形成往往依赖于家庭背景、教育经历以及专业“守门人”（如编辑、乐评人、影评人）的引导。而在平台社会，算法接管了这一权力。算法不仅在“发现”我们的品味，更在潜移默化地“塑造”和“制造”我们的品味。这是一个双向建构的复杂过程。

个性化与多样性的悖论：文化普惠还是审美收敛？
算法推荐最显著的社会价值在于其强大的长尾效应挖掘能力，实现了某种程度上的“文化普惠”。如果没有算法推荐，许多缺乏传统宣发资源的小众文化和冷门佳作将永远沉寂。

隐于繁华的民间川剧团借助流媒体算法推荐重获新生
例如，2023年9月，濒临倒闭的成都“三花”民间川剧团因一条短视频在网络流传，短短三个月内通过网络平台卖出2.5万张票，迎来了新生。同样，因网友用短视频“品读”史铁生的文笔，带动了《我与地坛》等经典图书的销量暴涨，形成了爆火的“子弹文学”。这种“书找人”的双向链路，让毫无“流量点”的学者、平常人发布的信息有机会受到关注，体现了内容分发视角的公平性。

中国工程院院士金涌通过短视频平台传播硬核知识
然而，这种极度的个性化也伴随着深刻的负面效应——**审美收敛**。当算法通过“基于内容的过滤”不断向你推送与历史偏好高度相似的内容时，它实际上是在剥夺你遭遇“意外之美”的机会。审美能力的提升往往需要经历一定程度的“摩擦”和“不适感”，去理解和接纳原本不熟悉的形式。算法为了降低用户的跳出率，倾向于提供“安全”、“顺滑”的同质化内容，导致用户的审美视野逐渐窄化，最终陷入“审美疲劳”。

权力转移：从“人找内容”到“内容找人”
在流媒体时代，用户在内容消费中的主动性发生了根本性的转移。过去，我们在音像店的货架前徘徊，或者在搜索引擎中输入明确的关键词，这是一种主动的“人找内容”模式。而现在，如Netflix所宣称的，其平台上80%的观看时长来自于推荐系统的引导，仅有20%来自于主动搜索。

Data Source: Netflix Tech Blog & Industry Reports

这种从主动探索到被动“投喂”的转变，深刻改变了审美体验的本质。当内容像自来水一样源源不断地涌向用户时，消费变得极其轻易，但也变得廉价。用户失去了在海量信息中披沙拣金的成就感，审美体验趋于“无摩擦”。更重要的是，算法的预测逻辑往往基于用户的“过去”来推断“未来”，这在本质上否定了人自我提升和审美跃迁的主观能动性，将人的发展限定在了历史数据的延长线上。

“算法可见性”与创作者的生存法则
算法不仅塑造观众，更在强力规训创作者。在平台经济中，创作者的职业成功直接取决于其内容的“可见性”（Visibility），而算法正是配置这种可见性的绝对权力中心。一项针对平台内容创作者的研究指出，算法的不稳定性（Algorithmic Precarity）已成为创作者职业风险的主要来源。
为了不被算法抛弃（“你可能再也看不到我了”），创作者被迫进行“自我优化”（Self-optimization）。他们研究算法的偏好，调整视频的黄金前三秒、使用特定的热门BGM、迎合特定的情绪标签。这种对算法的迎合，在宏观层面上导致了平台内容生态的同质化。当所有的创作者都在试图“破解”同一个目标函数时，整个社会的审美风向便不可避免地被算法的偏好所裹挟，形成了一种由数据驱动的“格式化审美”。
景观社会的数字回响：被数据驱动的审美符号

法国思想家居伊·德波（Guy Debord）在《景观社会》中提出，现代社会已从“存在”降级为“占有”，进而降级为“显现”。在数字算法的全面渗透下，景观社会的形态发生了深刻变革。流媒体平台上的内容，不再仅仅是独立的艺术作品，而是被算法解构、重组后呈现的“数据景观”。

在这个数字景观中，我们消费的往往不是内容本身的深度，而是它被算法赋予的“标签”、“热度”和“关联性”。一部电影或一首歌曲的价值，很大程度上取决于它在推荐信息流中的位置，以及它能引发多少次点击和二次创作。这种“超真实”（Hyperreality）的内容呈现，使得审美对象与现实脱钩，沦为纯粹的流量符号，进一步加剧了当代审美的扁平化与碎片化。

四、 “信息茧房”再审视：从信息隔离到认知固化

自Eli Pariser提出“过滤气泡”（Filter Bubble）和Cass Sunstein提出“回音室”（Echo Chamber）以来，这两个概念几乎成了批判算法推荐的万能公式。传统理论认为，算法会屏蔽异质信息，导致用户生活在完全封闭的信息环境中。然而，在2026年的学术视野下，我们需要对这一简单模型进行批判性再审视。

驳斥“完全隔离”的简单模型：偶然性暴露的增加
大量实证研究表明，传统的“信息隔离”假说存在严重缺陷。事实上，多数用户并非生活在密不透风的茧房中。牛津大学路透社研究所等机构的广泛研究证实，使用搜索引擎和社交媒体等算法驱动的平台，实际上往往会增加用户接触多样化信息的机会。这种现象被称为“偶然性暴露”（Incidental Exposure）。
算法为了探索用户的潜在兴趣（Exploration vs. Exploitation 机制），或者为了增加平台内容的多样性，会不时向用户推送跨界内容。因此，用户在流媒体平台上看到的并非全是同质化信息。那么，如果“茧房”的墙壁并非密不透风，它真正的危险究竟在哪里？

新解“茧房”：认知不适（Epistemic Discomfort）与“不想信”
最新的认知社会学研究为我们提供了一个全新的视角：**信息茧房的核心效应并非物理层面的“看不见”，而是心理层面的“不想信”与认知固化。**
学者G.F. Talamanca指出，在数字平台上，当用户偶然接触到与自身既有信念或审美偏好相悖的内容时，由于这些内容往往缺乏充分的上下文铺垫，且呈现方式往往被算法优化得极具情绪化和冲突感，用户会产生强烈的“认知不适”（Epistemic Discomfort）。
面对这种不适感，人类的心理防御机制会被激活。用户非但不会因为看到了不同的观点或审美风格而变得开放，反而会本能地排斥这些异质信息，进而更加坚定地退回到自己原有的“认知气泡”中。换言之，**算法时代的信息茧房，不是因为缺乏异质信息的输入，而是因为异质信息的呈现方式破坏了有效吸收的可能，导致茧房的加固发生在认知和情感的深层。**
审美领域的“回音室效应”与意识形态的隐性塑造

将这一理论应用于审美领域，我们发现算法正在构建一个个坚固的“审美回音室”。当算法不断向用户推荐同类型、同风格的影视、音乐或短视频时，用户的特定审美标准被反复确认和强化。在这个回音室中，用户对其他风格的接受度和鉴赏力逐渐退化，形成了壁垒森严的“品味部落”或“审美圈层”。

更深层次的隐忧在于，推荐算法在追求流量和商业利益的过程中，不可避免地带有意识形态的属性。正如马克思主义理论研究所指出的，“流量内含着意识形态的流向”。算法秉持以数据和流量为王的资本原则，极易受到资本势力的影响。它代替大脑进行思考和选择，在“心甘情愿”式的“投喂”中，隐蔽地重塑着人们的认知、行为和价值观。这种对主流意识形态和深层文化心理的隐性塑造，远超出了单纯的技术工具论范畴。

关键要点传统的“信息茧房”理论夸大了算法的物理隔离效应，实证研究表明算法反而增加了信息的偶然性暴露。茧房的真正危险在于引发“认知不适”：无上下文的异质信息冲击会导致用户产生排斥心理，进而加固原有的认知和审美偏见。在审美领域，算法促成了“品味部落”的形成，并在追求流量的过程中隐蔽地进行着意识形态和价值观的输出。

五、破茧之路：用户能动性、平台责任与未来治理

面对算法带来的审美规训与认知固化，我们并非毫无还手之力。打破数字时代的“信息茧房”，需要用户、平台、监管机构以及新一代人工智能技术的共同参与，构建一个多元共治的生态系统。

用户的能动性与“算法素养”的反向驯化
用户绝非算法面前被动待宰的羔羊。随着数字原住民的成长，“算法素养”（Algorithmic Literacy）正在普及。越来越多的用户开始意识到算法的存在，并尝试通过主动行为来“反向驯化”算法。例如，刻意搜索不同领域的冷门知识、主动使用“不感兴趣”功能屏蔽同质化内容、或者定期清理观看历史以重置推荐画像。

流媒体平台引入双列模式以增加用户在内容选择上的主动权
同时，平台也在顺应这种用户觉醒。例如，抖音逐步将搜索与推荐结合，并加强了双列模式的建设。双列模式打破了单列沉浸式上下滑动的强制性，给予了用户在点击前进行预判和主动选择的权利，这本身就是对算法强制“投喂”和“信息茧房”的一种结构性消解。

平台的责任与“价值对齐”：超越短期流量
从商业理性的长远视角来看，“流量至上”的短视策略正在失效。如果推荐算法只追求短期的点击率，必然导致内容低俗化和严重的审美疲劳，最终促使用户流失。因此，头部流媒体平台正在进行算法的“价值对齐”（Value Alignment），将目标函数从短期的CTR转向长期的用户满意度（Long-term Member Satisfaction）。
例如，Netflix的工程团队开始在强化学习模型中引入“延迟反馈”机制，将用户看完一部剧后是否给出差评、是否探索了新的内容品类（如看完《鱿鱼游戏》后开始看其他韩剧）作为衡量长期满意度的重要奖励信号。在国内，B站通过引入人工编辑，将人为的价值观把关与机器推荐结合；淘宝利用算法进行商品屏蔽以减少重复展示；抖音对知识类、经验攻略类优质内容给予更高的搜索流量权重。这些举措表明，平台有动力也有能力推荐更多元、更高质量的内容，以创造用户的“获得感”和“惊喜感”。
监管与治理的框架：构建多元共治体系
算法治理已成为全球数字经济监管的核心议题。中国在这一领域走在了前列，相继出台了《互联网信息服务算法推荐管理规定》等一系列法规，明确要求算法推荐服务提供者坚持主流价值导向，不得利用算法实施垄断和不正当竞争，并保障用户的知情权和选择权。
未来的算法监管需要构建“硬法”与“软法”相结合的体系。一方面，要求平台提高算法的透明度和可解释性，建立算法安全责任制度和常态化的风险监测机制；另一方面，需要引入第三方审计机构，利用“技术监管技术”的自动化监管模式（如算法监管沙箱），在保护商业机密的前提下，审查算法是否存在结构性歧视或导致严重的社会极化。只有形成政府、平台、行业协会和公众多主体共生演化的生态化监管网络，才能确保算法向善。
未来展望：大模型时代的推荐新范式

站在2026年的节点上，生成式人工智能（Generative AI）和大型语言模型（LLM）正在引发推荐系统的架构级重构。传统的推荐系统是基于历史数据的“概率匹配”，而大模型时代的推荐将走向“推理式推荐”（Deliberative Recommendation）。

未来的流媒体平台，AI Bot将成为更友好的交互接口。系统不再仅仅是冷冰冰地推送视频流，而是能够通过自然语言对话，理解用户当下微妙的情绪、深层的审美诉求甚至学习目标。大模型具备丰富的世界知识储备，能够跨越传统标签的局限，为用户建立起不同文化、不同审美领域之间的认知桥梁。这种基于深度语义理解和多模态交互的新范式，有望真正打破基于历史行为的“信息茧房”，让人工智能成为拓展人类审美边界、提供高质量信息体验的得力助手。

结语：
在平台社会中，算法的凝视无处不在。它既是洞察我们内心欲望的魔镜，也是可能禁锢我们审美视野的牢笼。然而，技术从来都不是命运的最终裁决者。通过提升个体的算法素养、推动平台的长期价值回归、完善社会的多元治理体系，以及拥抱新一代AI技术的变革，我们完全有能力在算法的丛林中开辟出一条通往自由、多元与深度的审美之路。毕竟，真正伟大的艺术与品味，永远诞生于对未知的探索和对边界的跨越之中。