偶然性的终结：算法如何计算出了意料之外

对算法精确性的痴迷正在抹去迷失的艺术。从Netflix的推荐引擎到Spotify的推荐引擎，人工智能并没有消除发现，而是用一种“合成偶然性”取而代之，这种偶然性旨在确认我们过去的偏好并最大化点击量。通过探索关键学术研究和“算法福祉悖论”，本文探讨过度个性化如何正在削弱我们的智识自主性。因为为了学习、感受情感和成长，我们

当代数字架构建立在一个绝对效率的承诺之上：减少背景噪音，在用户恰好需要的那一刻，将信息、产品或确切内容交付给他们。在这场极致优化的竞赛中，一种信念广为流传：人工智能已经彻底杀死了偶然性。然而，学术文献和对推荐系统的分析所支撑的现实，要复杂和阴险得多：算法并没有消除偶然性，它只是用一种合成的、经过计算的版本取而代之，该版本经过优化以最大化相关性、留存率和点击概率。我们正在面临的社会学和认知风险，并非停止接收有趣的建议，而是不可逆转地失去那种寻找、走错路、偏离既定路径、纯粹偶然地发现我们根本不知道自己想要的东西的成长性体验。

完美选择的幻觉与准确性的暴政

推荐系统的原罪在于其历史上训练所依据的指标。正如那篇如今堪称经典的论文《Desperately Seeking Serendipity》（2011年在ACM的CHI会议上发表）所指出的，推荐引擎按其算法本质倾向于推荐用户已经知道的、已经消费过的、或者无论如何自己也能轻松找到的内容[2808]。首要的工程目标始终是预测准确性。

然而，正如2017年发表在ACM RecSys上的一项研究所强调的，痴迷地优先考虑准确性意味着不可避免地将多样性和真正的发现排除在等式之外。这种设置的实际结果是目录覆盖率的急剧下降，以及系统性地将“长尾”（long tail）内容排除在外，转而偏向热门大作[2805]。机器呈现给我们的所谓“完美”选择，在绝大多数情况下，不过是与我们从过去行为中投射出的影子概率最相似的选择。我们得到的是一幅自身的高分辨率画像，却被当作一扇通向世界的敞开窗户。

个性化的牢笼：身份与自主性

当偏好不再是一种暂时的倾向，而被编码为一个不可变的数学档案时，数字生态系统就变成了一个无形的牢笼。2024年发表在Humanities and Social Sciences Communications上的一项严谨分析探讨了算法决策过程的伦理挑战，证明极端的个性化可能大幅削减人类的自主性[2810]。算法的自我强化循环逐步收窄用户的身份，继承并放大训练数据中存在的偏见，操纵决策环境，直至削弱个体真正的选择能力。

数字环境的心理学证实了这种张力。2023年由SAGE发表的一项关于新闻推送、音乐平台和约会应用的证据综述承认，个性化具有减少信息过载、保护我们免于决策瘫痪的优点。然而，在缺乏透明度和用户主动控制的情况下，这种同样的个性化会损害心理健康、自主感和感知能力[2812]。

有趣的是，这种决策委托的影响因情境而异。Journal of Consumer Affairs（2026年）最近引入了“算法幸福悖论”的概念：在纯粹物质性和功利性消费中，依赖人工智能可以提高感知幸福感，但在体验性消费中则往往会大幅降低幸福感[2814]。让机器“帮我找到这款搅拌机的最优价格”与让它裁决“我来替你决定哪部电影会让你感动、今晚你应该见谁、或者你应该从事什么职业”，两者之间存在深刻的哲学和情感差异。在第二种情况下，机器挫败了人类对自我决定的需求。

工程化发现：惊叹的度量

面对这些批评，科技行业试图通过工程化惊叹来补救。但从信息学的角度来说，什么是偶然性？2021年发表在Journal of Computer Science and Technology上的一篇系统性文献综述正式将推荐系统中的偶然性定义为相关性与意外性的罕见而珍贵的组合，将其与单纯的时间新颖性或纯粹随机性明确区分开来[2809]。偶然性不是“随便扔进信息流里的奇怪东西”，而是一个意外元素，它偏离用户认知路径并使之丰富。

将这种诗意转化为代码是一项艰巨的任务。研究表明，准确性、多样性和偶然性是彼此之间持续激烈紧张的数学属性（Computing，2018）。人为增加信息流的多样性可能导致准确性骤降，引发用户挫败感，并对偶然性感知产生完全不确定的影响[2807]。因此，仅仅在算法中添加一个随机数生成器是不够的。

最近，研究人员开始提出复杂的度量标准，如SPADE（2025年在arXiv上发表），旨在将偶然性测量为惊喜、相关性和新颖性之间的毫米级交集[2811]。这些度量标准的目的是防止算法“作弊”，将实际上只是对全球流行内容的简单推荐伪装成偶然性发现。这一努力证明偶然性在理论上可以被设计，但也揭示了它可以多么令人不安地被轻易伪造和模拟，以取悦广告投资者。

富有成果的错误与探索的价值

扭转这一方向需要平台商业模式范式的转变，而不仅仅是软件架构的改变。谷歌一项富有启发性的研究《Values of Exploration in Recommender Systems》有力地论证，探索不应被视为利用已知数据与承担未知风险之间的单纯技术妥协。相反，有意识的探索可以从根本上改善长期的整体体验、多样性、新颖性和真正的偶然性[2816]。平台必须找到商业勇气，为真正的发现留出空白空间，放弃对即时点击优化的有毒依赖。

我们的时代向我们提出的真正哲学问题，不是“算法是否剥夺了我们的自由？”这种平庸的猜测。关键的问题是另一个：当生活各个领域中建议给我们的选项总是不可避免地、统计学上最安全的那一个时，还剩下多少心理和物理空间留给富有成果的错误？

从历史上看，人类的偶然性几乎总是诞生于摩擦、无序、空间随机性和非计划性的相遇。它诞生于从实体图书馆积满灰尘的书架上误取的一本书，诞生于在晚点火车的上无意间听到的对话，诞生于寻找另一个电台时收音机里传来的一首陌生歌曲。偶然性需要一个低效率的余量，而算法被训练去憎恨和摧毁这个余量[2808, 2809, 2812]。

我们不需要回到前数字时代，也不需要恳求科技公司开发不那么智能的算法。相反，我们迫切需要谦逊的界面；那些能够认识到自身预测任务局限的系统，那些知道何时该停下来、退后一步、给我们迷失自己的 vital 自由的系统。因为，很多时候，对我们智力进化真正“完美”的选择，恰恰是没有人会向我们推荐的那个[2807, 2810, 2816]。

参考文献与来源

  • [Desperately Seeking Serendipity — CHI 2011, ACM] [2808]
  • [Diversity and Serendipity in Recommender Systems — ACM RecSys, 2017] [2805]
  • [How does serendipity affect diversity in recommender systems? — Computing, 2018] [2807]
  • [Inevitable challenges of autonomy: ethical concerns in personalized algorithmic decision-making — Humanities and Social Sciences Communications, 2024] [2810]
  • [The Psychology of Personalization in Digital Environments — SAGE, 2023] [2812]
  • [The Algorithmic Well-Being Paradox — Journal of Consumer Affairs, 2026] [2814]
  • [Serendipity in Recommender Systems: A Systematic Literature Review — Journal of Computer Science and Technology, 2021] [2809]
  • [SPADE: Escaping the Popularity-Similarity Frontier — arXiv, 2025] [2811]
  • [Values of Exploration in Recommender Systems — Google Research] [2816]

文章由La Bussola dell’IA编辑部撰写