2、按照使用者的偏好推薦新聞會造成使用者的思維侷限，永遠在熟悉的領域，而對於一些其他領域就成為了牆外的花朵，再香再豔都與你無關。

3、會上癮，會浪費時間，大量同類話題本身是沒有意義的。

4、演算法推薦導致的上癮閱讀會破壞人的認知，你獲取資訊太多，太過於密集，負擔太重，所以大腦不願意認真思考，時間久了認知能力就會退化，與此同時記憶力也退化，你看過那麼多新聞記得幾條？

在節目中丁磊表示，過去十幾年比較大的一個貢獻就是網易雲音樂，再過兩三年你會看到，我們給千千萬萬的華人提高了他的品味，擴大了收聽的廣度和泛度。網易雲音樂是個巨大的創新。

【網易雲音樂的精準推薦】

早在2013年，QQ音樂、酷狗等網際網路音樂播放軟體就已經在市場扎穩腳跟，然而讓人沒有料到的是，正是從這一年開始網易雲音樂這批黑馬以意想不到的速度衝進了行業的第一梯隊。其中一個重要的原因就是，當其他的音樂App還在採用“同一歌手”“同一專輯”對使用者進行曲目推薦的時候，網易雲音樂已經開始透過建立評分細則、建立使用者模型、尋找相似使用者等方法，開始按照使用者“個人喜好”推送相關音樂了。

丁磊對網易雲音樂的定義為“不是一個簡單的音樂播放器”，網易雲音樂依靠海量使用者行為資料——比如點選紅心、收藏、下載代表【喜歡】，點選垃圾桶、沒聽完就切換代表【不喜歡】，歌曲自然播放到下一首代表【中立】——來進行使用者群的劃分，當A使用者被後臺演算法判斷屬於某類群體時，接下來網易雲音樂就會向A推送相關群體裡其他成員喜歡的音樂，而這樣的歌單往往更富有個性化和針對性。

這也是為什麼我們在網易雲音樂的歌單中找到讓人驚喜的歌曲的原因。靠著“個性化推薦”“私人FM”等創新性的精準推薦服務，網易雲音樂在2017年11月使用者人數突破4億，並憑藉著獨特的情懷標籤、社群社交等優勢，擁有了極高的使用者粘性和活躍度。

【Steam推薦機制】

針對單獨使用者的推薦演算法這個東西到底有沒有效，在涉及到使用者的娛樂、愛好方面表現尤其明顯。廣受全球玩家歡迎的Steam遊戲平臺在去年也更新了官方的推薦演算法。在相關宣告中Steam表示，由於給玩家展示遊戲的空間有限，平臺將會針對玩家可能感興趣的品類進行推薦。而為了讓玩家能更加了解商店的運用與原理，Steam還開放了“黑盒”演算法，用於解釋為何商店認為您會對某款遊戲感興趣（或不感興趣）。

Steam的這個推薦演算法，也是根據“大資料”先將使用者群體分成多個部分，比如在社群與交流中高度活躍的玩家，完全不參與網上交流的玩家，有明確購買目標的玩家，瀏覽商店並在其中尋找遊戲的玩家，喜歡3A級產品的玩家，更愛小眾精品的玩家等等，然後再基於玩家過去購買遊戲資料，開發者的描述以及遊戲買家的評論，綜合進行計算，再投放商店各個欄目展示給使用者。

不過很快，玩家們發現，V社Steam的演算法更傾向於推薦那些銷量好或者關注度高的遊戲，對於那些玩的人很少，但是評價很高的遊戲則很少會得到曝光。對此專門有國外玩家開發演算法機制設計了新的推薦網站，名叫 Steam 250，意指透過新演算法選出的Top250款遊戲。不過開發者也表示，這一推薦演算法還是存在一定漏洞，未來還將不斷更新演算法的權重以幫助玩家進行遊戲的篩選。

盡信書則不如無書。內容推薦演算法也是如此。

傳統上，我們購買某個商品是出於自己的需求。我們意識到自己碰到了什麼問題，想到了可以用什麼方法來解決，從而去尋找能夠解決問題的工具。

但是推薦演算法不是如此。它是揣測出我們的喜好，根據它臆測出的我們的喜好，來為我們推薦可能感興趣的東西。

這兩種解決問題的方式有一個根本的不同：視野。

當我們開始使用內容推薦演算法的時候，就會逐漸依賴這種方法，畢竟每個人都不喜歡動腦。這會導致一個糟糕的問題：我們看不到推薦內容之外的內容，它們如同不存在一樣。

事實上，那些被推薦演算法從我們眼前遮蔽的東西，恰恰可能非常重要，因為它們能提供給我們不同的觀點。而不同的觀點能夠避免我們過於極端。

當我們沉浸在一個所有內容都符合自己觀點的環境中時，我們就會認為自己是正確的；而推薦演算法帶來的內容會讓我們越來越相信自己的正確，從而把任何與我們觀點不同的人都斥為異端。

這是觀念的極化現象，它會導致我們生存的社會分崩離析。

有意地接觸一些與自己不同的觀點，對我們的生活和社會都是有好處的，畢竟大家需要溝通和磨合才能更好地合作。

但是內容推薦系統，讓我們失去了這樣的機會，並且認為自己擁有世界上唯一的真理。

這是最可怕的。

領域窄化

即通常所說的資訊繭房效應。指的是推薦演算法根據資料反饋來判斷使用者是否喜歡該內容，如果使用者長期對某幾類內容表達出明顯興趣，自然推送這幾類內容在資料上是最優的。會導致推薦面縮窄。於是人們越來越沉浸在自己關注的東西里，而忽略了外部的其他資訊。

但是本人的看法是：絕大部分人在生活中本來就在這麼做，推薦演算法只是把這件事變得更方便了。

通常，一名年輕女子會去看娛樂八卦而不會去看體育、軍事動向；一名年輕男子大機率會粉火箭101，而不會粉TFboys；一名老年男子則很可能會沉浸在政治新聞中，對年輕人的愛好沒什麼興趣。

回溯沒有推薦演算法的情況，比如買一份報紙回家，沒有幾個人不是隻挑自己感興趣的內容看的。

在什麼情況下人們會去看自己不感興趣的內容呢？

1、無聊。假設在七十年代，沒有手機、電腦、電視甚至收音機都沒有的時候，白天買了一份報紙回家，晚上不出再門的時候需要找找消遣，於是把報紙全部讀完了；

這在這個資訊爆炸的時代已經不容易出現了。這個時代更明顯的問題是資訊太多，如果能省去篩選資訊的成本，反而是一項利好。

2、有利益訴求。下個月要考試，下個禮拜要出差，明天要面試，這些情形下，人們會去為了達成某個目標而去啃下自己可能不那麼感興趣的內容。

這個時候恐怕內容推薦演算法既害不了使用者，也幫不上使用者，毅力+尋找有用資訊的能力才是關鍵。

所以，演算法其實在這一點上，並沒有改變人們什麼，只是順應了人們的需求。而且，如果真的介意這一點，去看看“熱門”分類，你不感興趣的天下大事那裡面都有。如果連這一步都不願意做的人，讓他去買報紙也只會看自己喜歡的內容，並沒有什麼本質區別。

這個問題有一定爭議，但影響可能更實際一些。

很多人應該聽說過去年很多媒體受到了監管層的強力管制，處理手段有下架整改甚至關停等。主要是因為價值觀問題。

有人認為，演算法是沒有價值觀的。演算法本身的確只是一套機制，但是演算法是人設計的，人在設計時就一定會有傾向。

舉個例子，豆瓣的電影評分在業內被認為是最有參考價值的打分。在這個平臺上，不同人的權重是不同的，專家被賦予的權重更高，資深使用者的分數會被採納，而新使用者給某部電影打的超高分（水軍）或超低分（抹黑）則可能幾乎不會被計入。當然，這個例子還不夠極端，更極端的可能是某些文藝作品的稽核機關，一旦無法過審，作品就不能上映或發行，這是典型的專家決定言論。

但是更多的平臺上，這種決定權會比較平等的交到每一個使用者手裡。這些使用者會決定哪些內容成為熱門內容。而我們都知道，大眾裡有很多群體的認知和偏好在主流語境中並不受人待見，比如被很多人詬病的快手，曾經有過“未成年女性已經有不止一個孩子”這樣的內容成為熱門。

推薦演算法是討好使用者的，所以它既討好人性光明的一面，也會討好人性陰暗的一面。從而可能使得陰暗的一面被放大。

當然，這個問題很複雜，精英引導輿論和人民大眾決定資訊，是一個充滿爭議的話題。但推薦演算法的確有時會對負面內容的傳播進到推波助瀾的作用，這可能是人們需要警惕和注意的。