推荐算法：信息推送的王者品性与进阶重点

喻国明

(北京师范大学 新闻传播学院，北京　100875)

算法型推荐日渐成为内容分发领域的主流，把握其实践范式，探究其内在机制与局限，找到它未来健康可持续发展路径是当下学术研究领域的当务之急。

人类的信息推荐模式迄今为止大体上出现了三个主要的发展类型：1.倚重人工编辑的媒体型推荐；2.依托社交链传播的关系型推荐；3.基于智能算法对于信息和人匹配的算法型推荐。这三种类型作为信息推荐的主流模式依次出现，各有其特色与擅长，也有其问题与局限。譬如，媒体型倚重人工进行信息的专业化处理和加工，这种推荐模式可以解决社会的共性需要，把那些对于全局、对于所有人具有普遍意义的信息筛选出来，并以点对面的方式传播出去。它的价值在于解决了“头部信息”的社会化推荐。但是它无暇顾及人的分众化、个性化及偶然性、体验性及高场景度的信息需求。尤其是在网络崛起之后，在信源变得丰富而多元，渠道及内容借助人们的关系网络几乎无所不在、无所不至和无所不有之后，这种媒体型推荐模式在人们实际的信息获知当中所占有的比重越来越低，许多重要信息的传递由于无法有效地“嵌入”日益成为主流的“社会关系渠道”而被迫中断，被称为“死在社会传播的最后一公里”。

于是便出现了依托社交链传播的关系型推荐模式：你的朋友、你关注的人帮你推荐、过滤信息，他们的评论、转发形成了一种信息传播与筛选机制。社交推荐模式最大的价值是在人类的传播史上第一次激活了大众传播时代那些被忽略的极大量的“长尾信息”，依照人们社会关系之所及而采集与筛选信息，形成了对于信息服务的“利基市场”，实现了信息推荐的“千人千面”——不同的人通过不同的“朋友圈”有了个性化的信息来源及其结构。2010年Facebook主页访问量超过Google，可以看作是社交驱动的“关系型推荐”在全球成为主流的“拐点”，所谓“无社交不传播”即是对关系型推荐的一种不无夸张的描述。但是这种社交驱动下的“关系型信息推荐”的问题在于，它无法解决用户社交关系爆炸情况之下的内容生产源的爆炸所带来的“信息超载”以及基于社交关系的推荐质量不断降低的问题。譬如，经验表明，在微信朋友圈中养生、微商、晒娃晒吃类的无效信息越来越多，成为一种信息污染和“公害”；而在微博上则是“大V”和营销类账号占据了主体流量——有研究表明，在微博平台上，90%以上的内容是由3%左右的“大V”生产和推荐的。再加上这些年服务于利益主体的“水军”大规模地崛起，他们为了某些特定的政治或市场营销目标而恣意地“灌水”，严重污染了社交传播的网络空间。概言之，这种由“大V”“水军” 把控的传播，使得社交渠道的信息传播越来越远离人们真实的社会实践的需要而显得良莠不齐，甚至乌烟瘴气，使人不堪其扰。

在此背景下，算法型信息推荐模式便应运而生，并渐成潮流：现在人们随便打开一个网站或资讯app，都会有“个性推荐”或“猜你喜欢”之类的栏目，系统会根据你的浏览、转发、评论及阅读停留的时长等记录和个性爱好，自动为你推荐内容。第三方监测机构易观发布了一个具有标志意义的数据：早在2016年，在资讯信息推荐市场上，算法推送的内容已经超过50%。*易观：《2016中国第三方支付市场专题研究报告-Useit知识库》，www.useit.com.cn/thread-13552-1-1.html。它意味着，我们现在接触到的信息，主要是由“智能算法”为我们搜索和推送的。“算法型”信息推荐之所以“流行”，有分析者认为是因为算法对流量的分配独立于社交关系，不被“大号”垄断；算法能够处理的信息量几乎没有上限，能够更好地激活、适配 “汝之毒药，我之甘饴”的长尾信息；算法能够对用户的社交推荐机制进行二次过滤，优化推荐结果。总的说，算法型实现了对于海量信息价值的重新评估和有效适配。“汝之毒药，我之甘饴”意味着你觉得不感兴趣甚至是垃圾的信息，对于我可能极有价值。于是，信息价值不再有统一的标准，不再有绝对的高低之分。对刚生下宝宝的妈妈来说，PM值绝对比英国脱欧更重要。对旅游者来说，当地的天气信息绝对比当地的房价更重要。在算法的驱动下，每个人都有了自己的头条，这一点得以实现。整个信息世界大一统的秩序被打破。

但是，也正因为如此，算法型推荐模式站在了风口浪尖上。人民日报曾连续三天撰文从内容生产、信息推荐和社会创新等角度对于某算法型信息推荐平台进行了全方位立体式的批判。公允地说，这些批判在现实状况下不无道理。比如，在现在的算法还不足够“聪明”的情况下，用机器智能去完全替代人的“把关”，这样的资讯“守门人”是否可以完全信赖？再比如，算法性信息推荐更多地建立在对于人们的直接兴趣和“无意注意”的信息需求的挖掘上，它的直接后果是对于人们必需的那些非直接兴趣和需要“有意注意”所关注的信息的忽略所导致的“信息茧房”问题，等等。更为重要的是，不管是算法对于传媒业的重塑，还是算法对于各类信息的跨界整合，这无一不使人思考：技术不仅能够赋能与赋权，而且它自身就构成为一种权力的行使和对于传统权力模式的替代。在始自上世纪90年代初的中国媒介市场化的进程中，“编辑终审权”是作为一条红线不容市场侵犯的，而今却在算法分发的大趋势中毁于无形。那么，真的是“得算法者得天下”吗？算法本身又代表了什么？这些已经成为未来社会和传媒发展中亟待研究和认识的重大课题。

一、推荐算法的技术机制与逻辑自洽

推荐算法的产生所引发的是一场内容分发领域的革命，认识和把握它的实践范式，探究其内在的机制与局限，找到它未来健康可持续发展路径是当下学术研究领域的当务之急。

(一)算法：定义与作为“行动者”的演进

在数学和计算机科学中，算法是指如何解决一类问题的明确规则。算法的概念已经存在了几个世纪。随着计算机的发展和人类社会的数据化，大数据运用、个性化、自动化成为社会发展的主要趋势，算法也因此得到广泛应用和发展。算法重要性的凸显离不开两个关键要素：数据和算力。互联网的发展尤其是移动互联网的爆发，积累了大量的数据，尤其是人们的行为数据。物联网的发展也扩展了数据的数量和类型。庞大的数据量和计算的复杂度决定了对算力资源的需求。计算芯片的快速迭代和云计算的发展起到了非常关键的作用。在信息社会，算法在政治、经济和文化领域发挥着重要作用，日益影响我们的日常生活。

算法在媒体领域同样扮演着非常重要的角色。在媒介使用方面，人们查找和获取的信息都经过算法的筛选。这其中最具代表性的是主打“算法分发”的今日头条。算法分发是指在没有人工编辑干预的情况下，通过算法抓取内容，并且依据用户的行为数据，为用户建模，再将用户可能喜欢或需要的内容推送给他。算法还介入新闻生产领域，机器人写作的生产方式日益被互联网公司和新闻机构采用。腾讯的“Dream Writer”、今日头条的“张小明”、新华社的“快笔小新”等受到业界和学界广泛关注。

从行动者网络理论(Actor Network Theory)的观点来看，算法作为一种技术，和人一样都是“行动者(actor)”，他们共同构成了相互依存的网络世界。*姜红、鲁曼：《重塑 “媒介”：行动者网络中的新闻 “算法”》，《新闻记者》2017年第4期。算法处于动态变化之中，需要不断调整和完善以适应用户的需求，Google的搜索算法每年调整500-600次。人对算法提供的内容作出反馈，产生新的行为数据，继而影响之后算法的决策。因此，算法呈现的媒介内容是人和算法不断互动，彼此调整的结果。从这个意义层面上，可以认为算法和人共同建构了媒介现实。在信息爆炸的时代，算法分担了人们对外界信息进行认知和决策的压力，也成为了李普曼所说的“拟态环境”的建构者。

(二)推荐算法的类型和运作机制

推荐算法在人们日常的媒介使用中有着广泛的应用。从电子商务、社交网站、视频网站到新闻资讯，都使用了不同形式的推荐算法。个性化推荐本质就是信息筛选，可以说是解决“信息过载”有效方法。“算法分发”这个概念，其实体现了互联网时代从“人找信息”到“信息找人”的转变。

1.推荐算法的主要类型

目前主流的推荐算法有：基于内容的推荐算法、协同过滤推荐算法和混合的推荐算法等。其中协同过滤是应用最广的一种。顾名思义，协同推荐就是大家一起产生的推荐。其中又包括基于用户的协同过滤和基于内容的协同过滤。基于用户的协同过滤是指在用户行为中寻找特定的模式，建立相似用户之间的连接。比如要向A用户推荐一本书，就找一个和他相似的B用户，然后将B用户喜欢的书推荐给A用户。基于内容的协同过滤是向用户推荐与他过去喜欢的物品相似的物品。因此，协同过滤是基于用户历史行为数据进行推荐。基于内容的推荐算法则仅取决于物品或用户的描述，不包括以往的行为数据。混合的推荐算法则结合了以上两种方式，来借助两种方法的优势。

表1　常用的推荐算法及其优缺点

注：所谓“冷启动”在这里是指某款app或某项服务的使用者是一位缺乏相关数据的“新用户”，难以判断他的属性、状态和需求，因此满足其需要的相应推送就难以启动。

2.推荐算法的运作机制

推荐算法需要获取用户数据，以及预测给定的用户组对哪些内容感兴趣。用户的数据涵盖多个方面：用户的人口统计学数据(如年龄、职业等)、用户的环境特征(如时间、地理位置、网络情况、天气情况等)以及用户的行为数据。行为数据一般包括两种，即显性行为和隐性行为。显性行为明确表达了用户的偏好，例如转发、保存、评论等；隐性行为不能直接明确用户的喜恶，但数据量更大，例如点击和页面停留时间等。在用户刚开始进入时，数据积累较少，这时候就需要依靠对内容的分析来将与用户感兴趣的内容相似的内容推荐给用户。在一定程度上，推荐算法是在挖掘和建立人与人之间、信息与信息之间以及人与信息之间的关联，将来还要进一步拓展到人与物、物与信息之间的关联。

二、推荐算法对用户信息需求的满足机制

(一)信息需求模型

信息需求，顾名思义，就是对信息的需求，其需求主体是用户。在信息科学中，信息需求通常被解释为：1.用户的使用频率，偏好信息检索满意度实证研究，是作为需求评价来研究*Kunz, W., Rittel, H. W., & Schwuchow, W.Methods of Analysis and Evaluation of Information Needs：a Critical Review,Verlag Dokumentation,1977.； 2.用户的一个需求输入到信息系统中使其启动或工作，系统输出一个基于事实的反应*Mai, J. E. Looking for Information: A Survey of Research on Information Seeking, Needs, and Behavior,Emerald Group Publishing,2016.。但是对信息流产品来说，信息需求是偏向人类而不是偏向技术的，“是指人们在从事各种社会活动的过程中,为解决不同的问题所产生的对信息的需求”*钟守真：《信息资源管理概论》，南开大学出版社2000年版,第134页。。

美国信息技术专家科亨 (Kochen) 把用户的信息需求状态划分为客观状态、认识状态和表达状态。*徐娇扬：《论用户信息需求的表达》，《图书馆论坛》2009年第1期。他认为，信息需求的客观状态由用户所进行的职业或活动,以及其所处的社会环境和知识结构等客观因素决定,不以用户的主观意志为转移；而信息需求的认识状态则指用户能够清楚认识到自己已有的对客观信息的需求，虽然由于主客观原因，存在着用户可能只能认识一部分或者全都无法认识，甚至于错误认知的情况；信息需求的表达状态是指用户通过信息活动，如信息浏览、信息传播、信息订阅等，特别是与信息服务系统的交往和互动,明确、清晰地表达出自己的需求。

图1　用户信息需求的状态描述

(二)用户需求的满足机制

信息流产品中，不论是有着何种需求的用户，他们对于信息服务或者说推荐算法的基本要求都是相似的，他们始终渴望着这些产品可以及时反馈自己的需求，并且能够充分、全面地满足它，甚至在某些情况下可以为自己开发出潜在的或者全新的需求，真正实现他们对于信息流产品的个性化、精准性、及时性和充分性的终极需要。事实上，对于推荐算法来说，要实现这些目标，就是推动信息需求模型中的客观状态(S1)和认识状态(S2)向表达状态(S3)移动，其核心任务就是完成精细的用户画像，其中包括用户基本的社会人口统计学信息、社交信息、行为信息以及其生活工作的环境信息等多个维度，具体来说推荐算法对用户信息的满足体现在以下几个方面：

1.利用集体的结构性智慧

集体的结构性智慧是Web2.0的核心价值观，其中最具代表性的案例就是维基百科。其含义通常是指：为了创造新的想法，将一群人的行为、偏好或思想按照某种规则组合在一起。在互联网时代之前，人们为了从彼此没有关系的一大群人之中搜集和分析数据，经常采用调查问卷或者普查的方法。而到了Web2.0时代，依托于互联网，可以更大范围地从人群的行为数据中搜集信息，发现人群的集中趋势(共性)及其变化。

推荐算法中常用的协同过滤就是利用集体的结构性智慧的典型方法。这种方法认为，海量的人群中，一些群体是相似的，用户可能会喜欢和他相似的人喜欢的信息，也可能会讨厌和他相似的人所讨厌的信息。这种方式类似于营销中的市场细分。人群具有很多特征，如年龄、地域、职业、兴趣等，根据人群不同维度，可以将人群细分到一个合理的层次。这个层次的人群既不要太多，也不要太少，因为太多了没有个性化，太少了又没有统计意义。举例来说，如果A喜欢科技类、军事类资讯，B喜欢科技类、军事类、生活类资讯，统计发现A和B相似度高，那么算法就会认为A在很大程度上也会喜欢生活类资讯，就可以把生活类资讯推荐给A。这种方法具有推荐新信息的能力，往往会给用户带来“意外之喜”，这样未被认识和表达的需求就能够在集体的结构性智慧中得到满足。

2.挖掘用户的社会属性

信息流产品经常面临冷启动的问题，即在用户刚开始使用产品时，行为数据积累较少，向用户推荐信息的难度较大。社会化推荐方法应运而生。这种方法主要依据用户之间的社会关系构建社会化网络，将新用户和网络中原有用户关联起来，依据原有用户的兴趣模型对新用户推荐信息。一般认为，个体的兴趣和偏好往往受到社会关系中其他成员的影响，社会成员之间也会进行互相推荐。因此，一个人感兴趣的信息，往往他身边的朋友也会感兴趣。以今日头条为例，用户最开始注册账号时，今日头条会建议用户用微博帐号注册登录，这样就可以得到用户的微博信息，包括用户资料、关注关系、发布的微博等等，这些数据都可以成为算法对用户进行信息推荐的依据。

研究显示，与家庭成员相比, 朋友会对人的行为和发展产生更深远的影响，朋友间的信任关系对提高推荐系统的性能有非常重要的作用。*Sinha, R. R., & Swearingen, K.“Comparing Recommendations Made by Online Systems and Friends”，in DELOS Workshop:Personalisation and Recommender Systems in Digital Libraries,Vol. 106(2001,June).因此，将社交关系融入推荐系统之中可以为用户提供更精确的信息，使信息推荐更符合人类生活的社会化特征，以此主要来解决模型中被认识却未被表达的信息需求。

3.挖掘信息间的关联

目前，推荐算法是解决信息超载问题最有效的工具之一。*Li, L., Zheng, L., Yang, F., & Li, T.“Modeling and Broadening Temporal User Interest in Personalized News Recommendation”，in Expert Systems with Applications,41(7),2014,pp.3168-3177.推荐算法作为一种有效的信息过滤技术，除了通过获取用户的兴趣偏好信息从而有针对地向用户推荐可能感兴趣的内容外，还有效建立了信息与信息之间的二元关联规则。关联即指两个不相交的非空集合中，如果X→Y，就说X→Y是一条关联规则，可以分为时间关联和空间关联两种。这种关联主要是通过收集用户在一次记录中，如一次搜索行为、一条内容信息等，两类项目同时出现的次数、频率甚至是周期，来挖掘产品与产品之间的相似度与关联度，从而做出推荐。通过这种方式，推荐算法可以对用户认识有误、表达亦有误的需求加以修正，进一步挖掘用户的潜在需求，提高了用户对于信息产品的认知，可以帮助其做出更好的信息选择。例如“搜索了防脱发产品的20-30岁年龄段用户可能会需要咖啡”就是一条关联规则，基于这条规则，将两种产品进行关联式推荐可能会更加符合用户的购买需求。

通过挖掘信息间的关联规则，推荐算法也可以计算并根据产品间的相似度和用户对该产品的已有评分，来预测用户对未被评分的新产品的喜好程度并做出推荐，这对没有任何行为的新用户以及没有形成聚类的新产品来说，可以有效解决冷启动问题。

4.追踪和预测用户行为

如今，基于算法的精准化推送已经成为信息流产品分发的重要形式，“基于个人喜好的推送”应运而生。在新媒体技术的条件下，各种互联网平台都设置和增加了推送功能。经常网上购物的人已经习惯了收到系统为他们做出的个性化推荐，视频网站会推荐你可能会喜欢看的视频，而音乐软件会通过我们的听歌风格来预测我们想要听什么歌曲从而生成专属的音乐流。所有这些推荐都来自于推荐算法进行计算分析的结果。

推荐算法实现了从“人找信息”到“信息找人”的转变。它立足于用户个体的特殊性，通过用户的信息行为偏好、搜索历史、社交网络账号、 IP 地址等兴趣图谱和信息消费习惯，形成了用户专属的信息模型，并通过深度数据挖掘，智能计算用户兴趣意图并预测行为，为其推荐个性化关联产品。它根据对用户行为的追踪和预测，以同类信息聚合发送的方式自动为其生成符合需求的信息，可以在海量的数据中帮助用户快速找到其可能需要的内容并进行精准推荐，有利于节省用户时间，很大程度上减少了信息过载带来的困扰。这种追踪和预测也能够帮助用户唤醒他们表达出来但是没有意识到的需求。

三、推荐算法的进一步发展：技术迭代的重点与走向

在如何更好满足用户信息需求上，推荐算法的最终目的是增强面向个体的推荐效果，让“信息找人”更加精准，使用户的客观信息需求被尽可能完整认知并正确表达出来，实现用户需求的客观状态、认识状态和表达状态的亲密耦合。但就推荐算法的发展状况来看，仍面临着很多的挑战，例如相关数据的稀缺、分割和冷启动问题成为制约推荐算法精准到达的技术及社会性的障碍，推荐算法在信息推送时面临着多样性和精确性的两难挑战，其对于用户信息认知框架的闭环影响和其本身的权力如何与社会传统权力之间的妥协问题等等。

在信息超载问题日益严重的今天，运用智能技术帮助用户识别、理解信息正日渐成为一种不可阻挡的趋势，但现阶段的推荐算法还远远未精准到可以完全满足用户认知和行为需求的程度。作为一个发展前景广阔的研究领域，推荐算法的未来发展必须依靠自身技术、市场模式、信息生产监管制度三者共同进步，才能重新展现面向个体的多样性和精确性，更好地把握用户的信息需求，实现精准推荐。对于算法的生产者和内容的提供者来说，可以通过产品创新、内容优化、在技术层面提供隐私服务等“自我组织”的方式适应市场，同时在道德层面上为用户提供更大的透明度、更多的自主性，加大对用户隐私的保护。但是由于市场机制可能会带来“透明度困境”，因此政府的干预和调节也必不可少。但对于现阶段推荐算法来说，最重要的是自身技术的进化，体现在以下几个方面：

(一)构建基于多层聚类和多维数据交叉分析的个性化推荐算法

聚类是将具有相似属性的数据聚集，使具备一定相似性的数据实例组织成一些相似组，推荐算法只有在这些相似度高的用户分组基础之上才能完成高效的物品推荐。*Gong, S. “A Collaborative Filtering Recommendation Algorithm Based on User Clustering and Item Clustering”，in JSW, 5(7), 2010，pp.745-752.聚类方式出于不同的维度可做不同划分，一般将其分为用户聚类和项目聚类等。用户聚类是指根据用户对某产品的中心相似度找到目标用户的相似用户群，对其行为做出预测与分析；而项目聚类则指寻求对几个产品(项目)进行聚类，寻求产品对象之间的相似性，对产品间的相似性及可能的用户群进行分析。*翁小兰、庄永龙：《基于项目特征聚类的协同过滤推荐算法》，《计算机应用与软件》2009年第7期。

传统推荐算法在实际应用场景中往往存在单层次信息获取导致数据稀疏和精确性缺失的问题。因此，在对用户行为进行分析时，将用户聚类和项目聚类相结合进行立体式的过滤推荐，可以有效提高推荐的准确性。这是因为用户与用户以及用户和行为选择之间并不是孤立存在的，而是处于一种“交叠关系”*刘建国、周涛、汪秉宏：《个性化推荐系统的研究进展》，《自然科学进展》2009年第1期。，身处某一场景的每个用户都同时存在于其他数个场景之中，其身份和行为也在不断变化。只有将用户在信息流产品中分散的行为数据收集、整合起来，在考虑到时间、空间、任务等因素的同时，基于多层聚类和多维数据进行交叉分析，寻找用户行为以及项目类属之间的中心相似度，才能为用户推送更加精准和个性化的信息。

(二)建构基于多层语义的混合推荐算法

对于传统推荐算法在多样性和精准性上的失衡导致推荐结果过于集中或精确性低等问题，还可以利用语义网络中的语义推理技术，通过推理物品间的语义关系、文本中上下文间的关系等建立新的联系，从而增强推荐能力。*黄震华、张佳雯、张波、喻剑、向阳、黄德双：《语义推荐算法研究综述》，《电子学报》2016年第9期。算法可以通过收集标有语义注释物品的反馈信息，包括对某物品“本意(物品生产商提供的物品描述信息)”“表意(在使用中被用户所表达和认知的含义)”“相关意(二者间的相关逻辑)”的反馈以及基于关联规则的候选物品的挖掘，获取用户与物品、物品与物品之间较深层次的关系，来表示用户对物品的偏好程度和物品之间的关联程度。现阶段的推荐算法已经可以做到初级关联的识别，例如在搜索某音乐时，现有的推荐算法可以向用户提供该首乐曲以及该乐曲作者的其他作品、同风格的作品等，而在下一阶段的算法学习中，算法将会对该音乐进行多层语义的标签分析，诸如该音乐的文体起源、衍生形式、典型乐器等，同时对用户获取其他音乐的行为进行多维度分析，以推测该用户搜索某歌曲是为了满足何种需求、获取何种信息，从而更有针对性地提供推荐服务。

(三)形成基于人机交互的“自适应”改进机制

目前的推荐算法系统与用户之间更多体现为一种单向互动。而用户在信息流产品中的认知和行为需求是一个不断变化的过程，未来的推荐算法应该意识到用户对系统的实时反馈的重要性，设计一种合理的人机交互策略，在用户提供反馈的过程中不断做出修正和更改。*黄震华、张佳雯、张波、喻剑、向阳、黄德双：《语义推荐算法研究综述》，《电子学报》2016年第9期。推荐算法应为用户建立动态兴趣模型，同时提高推荐系统的实时性，在对用户需求进行及时记录和调整的同时，让用户参与到推荐结果的反馈中去，根据反馈进行自适应改进。

(四)数据净化，去除无意义噪音

在传统推荐算法对用户信息进行追踪和记录时，不可避免地存在大量噪音和无意义数据，这些噪音会对精准推荐带来极大干扰。未来的推荐算法应该在技术上采取加入控制参数等方法对用户信息进行选择性的记录，以去除用户无意义或失误性的信息行为，从而提高推荐结果的准确度。

四、结语

在信息流产品中，推荐算法正在打造其独特的需求满足机制以实现自身的发展和完善。用户的需求是多层且易变的，如何更为精准地把握和预测，将是推荐算法需要继续解决的问题。就如同人们担忧，在未来机器是不是会取代人的价值，人们对于算法的担忧也是一直存在的，我们不能忽略推荐算法本身所带来的伦理道德等问题，但是，我们更应该清楚，技术和人类的发展不是相克的，而是一种协同共生关系。人们需要意识到算法的存在，了解其运作的方式，以更好地把握它、利用它，而不是被技术主导。未来社会的发展，不仅要建立在技术进步的基础上，而更应该是以技术与人类的相互理解为前提，实现人类智慧与机器智慧的互动。

最后特别想引用苹果公司的CEO库克在乌镇中国互联网大会上所说的一句话：“很多人都在谈AI，我并不担心机器人会像人一样思考，我担心的是人像机器一样思考！”*https://baijiahao.baidu.com/s?id=1585741143201033766&wfr=spider&for=pc.这句堪称振聋发聩的警世格言非常值得正在人工智能+领域行进中的人们好好记取。