推荐媒体是内容分发的新标准。这也是社交模式无法在算法世界中竞争的原因。
7月底，Meta 宣布Facebook的新闻推送将转向基于推荐算法的内容分发模式。这一公告是着一个主要平台正式做出这一转变的例子，而包括 Meta 的 Instagram 在内的其他主要平台已经朝着这个方向发展了一段时间。鉴于 Facebook 作为世界上最大的社交网络，这一变化标志着我们在过去 15 年中所熟悉的社交媒体的终结。
此转变出现了一些负面影响。在社交媒体，世界上最有影响力的用户之一凯莉詹纳，最近发布了她对 Instagram 的不满，原因是Instagram在她首页推荐的是视频而不是朋友的照片，她在Instagram 上拥有超过 3.6 亿粉丝，詹纳的影响力不容忽视；上一次她抱怨社交网络改变时，Snap 的股价下跌了 7%。因此，Instagram 的首席执行官亚当·莫塞里 (Adam Mosseri) 发布了一段视频，谈论最近的一些更新和未来的计划，在视频中，亚当·莫塞里提到世界正在发生变化，Instagram 必须愿意随之改变。
然而，由朋友推荐向算法推荐的转变是有道理的。像广受欢迎（并且仍在增长）的 TikTok 和 YouTube 这样的平台，它们对朋友圈和社交图谱的重视程度很低，而是更倾向于精心策划神奇的算法体验，在正确的时间为正确的人匹配更好的内容。这就是推荐媒体，是互联网内容分发的新标准。
但首先……什么是社交媒体？
社交媒体是主要通过网络把内容（文本、照片、视频、音频等）分发给相联系的人。这意味着是创作者保证分发的程度，创作者通过社交网络分发给他的朋友或者粉丝。这种动态的分发使创作者拥有巨大的权力，因为这意味着他们已经建立了可以向其发送内容的观众。因此，社交媒体的竞争实际上是一种基于受欢迎程度而非内容质量。它有利于拥有众多粉丝的创作者，粉丝越多，内容影响的潜力就越大。
通过这种分布动态，社交媒体平台能够非常迅速地扩展。如果一个平台可以建立一个社交图谱（在社交媒体的早期，这对平台来说极具挑战性，但随着时间的推移变得越来越容易），基于社交图谱的自动分发系统可以提供引人入胜的、高度相关的内容给广大观众。
社交媒体的成本
但正如社交媒体平台的发展改变我们接触的内容的一样，它们也对平台公司、互联网以及更广泛的我们的世界造成了严重破坏。
将内容默认的分发到自己的社交网络，意味着人们可以像传播好的的内容一样轻松地传播有问题的内容。如果一个有坏心思的演员想在社交媒体上分享有问题的内容，由于内容会分发到该人的社交网络，该内容可以快速传播。此外，由于内容主要分发给相互联系的人群，因此社交媒体上的从众心理使得该内容具有巨大潜力。从设计上讲，思想的多样性在社交网络中处于被掩盖。不同意见的评论经常会遇到激烈的反对和抵抗，从而产生两极分化的争论和冲突，有时在世界上一些最有很有影响力的人之间。
社交媒体也被证明在将高质量内容与相关受众匹配的效率不高。因为人们仅仅可以轻松地将内容分发给他们的朋友或朋友的朋友，并不意味着该内容对观看者来说是有趣的或相关的。这就是为什么随着时间的推移，社交网络开始不仅仅基于社交图分发内容，而且还基于在这些社交图中收到了多少回馈内容。
社交媒体的上述问题反过来又给平台带来了巨大的成本，其形式是由数万人组成的庞大的审核团队，严重损害平台的品牌，以及寻找更有效的内容分发方式的竞争机会。没有哪个平台比 TikTok 更擅长利用社交媒体的弱点，这个平台普及了算法内容分发并催生了我所说的推荐媒体。
进入推荐媒体
在推荐媒体中，内容的主要的分发方式不是分发给相互联系的人。相反，内容分发的主要机制是通过不透明的、平台定义的算法来获得观众的的最大关注和参与。这些推荐的类型始终由平台定义，并且通常专门针对正在观看内容的用户量身定制。例如，如果平台确定某人喜欢电影，则该人可能会看到很多与电影相关的内容，因为这是最能吸引该人注意力的内容。这意味着平台还可以决定观众不会看到的内容，例如有问题或两极分化的内容。
最终是由平台决定推荐哪种类型的内容，而不是根据创作者的社交网络。与社交媒体相比，推荐媒体不是基于人气的竞争；相反，这是一场基于内容质量的竞赛。通过上述描述，难怪凯莉詹纳反对这种改变；在一个由算法而非粉丝关系主导的版本中，她超过 3.6 亿粉丝的价值根本不值一提。
更好的观看体验
在推荐媒体中，给每个观众推荐最适合的内容。这意味着始终向观众推荐最适合他们的内容，从而始终创造最佳的的观看体验。在社交媒体中，无论内容质量如何，人们都会看到朋友那里的内容，而在推荐媒体中，内容分发针对参与度进行了优化。这使得观看看到的无效内容很少，并且此模式非常高效。
平台还可以决定什么是流行的，什么时候流行。在社交媒体中，创作者有权利控制看到的内容以及时间。但在推荐媒体中，始终处于平台的控制中。这类似于有线电视网络和广播电台几十年来的运作方式。他们根据编辑和商业决策对所有媒体进行控制。但是，在 YouTube 或 Instagram 等包含数十亿条潜在可控制内容的平台上，控制可以跨多个维度进行，例如针对用户的兴趣、人口统计或位置。
减少信任和安全风险
由于平台可以控制将哪些内容提供给谁以及何时提供给谁，因此无法保证创作者的社交网络中的观众一定可以看到他们的内容。因此，平台也可以选择不控制，几乎没有创作者可以做或说来抵制这一点。创作者抱怨平台的日子已经一去不复返了，因为他们的粉丝没有看到他们的内容。在推荐媒体中，算法被理解为是决定什么获得推荐和什么没有获得推荐的最终决策者。这为平台提供了更多的杠杆来隐藏不需要的内容，从而减少对审核团队的大量需求。并不是不再需要这些团队，它们的规模不需要达到与社交媒体相同的，因为可以从平台中消除某些类型内容的分发，而无需改变内容分发的底层结构。
平台的巨大增长潜力
由于通过推荐媒体中的朋友圈无法保证内容的分发，因此当创作者的内容没有获得理想的影响是，他们会去其他地方寻求。他们在哪里寻求？其他平台。这就是为什么你经常看到大量 TikTok 内容被分享到 Instagram、Twitter 和 Facebook 等平台的原因。创作者正在向他们已经拥有观众的网络共享内容。
这具有推动原始平台大规模增长的二阶效应。例如，每次来自 TikTok 的内容在 Twitter 上共享时，想要使用该内容的用户都会点击并在 TikTok 上使用该内容。这不仅推动了对 TikTok 的参与，而且当内容消费者还不是 TikTok 的用户时，它也推动了新用户的获取。现在想象一下这种动态发生了数千万次，每次有人从推荐媒体平台分享内容时，很容易看出这会带来巨大的增长潜力。
更有防御力
除了上面提到的社交媒体的缺点之外，社交网络根本不再是可防御的，因为为它们提供动力的基础数据——社交图谱已经商品化了。通过利用 Facebook 或 Twitter 的登录 API，甚至将产品连接到用户的智能手机电话本，团队现在可以快速获得社交网络，通过这些网络，他们可以根据社交图分发内容。
但在推荐媒体中，控制分配的算法至高无上。这些由机器学习提供支持的算法是独特的、有价值的，并且随着平台的扩展，其功能和准确性都会增加。因此，只有最大和最强大的平台才能负担得起最好的机器学习算法的投资，因为它们是如此昂贵且资源密集的资产。在推荐媒体中，具有最佳机器学习的平台获胜。
接下来是什么？
随着 Facebook 正式转向推荐媒体，感觉就像一个新的互联网时代即将来临，很难想象接下来会发生什么。但正如我们在前几代互联网中看到的那样，随着技术变得更加先进，平台总是会寻求更高的效率。
以下是对世界下一步可能走向何方的一些预测。
专业领域媒体将转向推荐媒体
鉴于 TikTok 和 YouTube 等推荐媒体平台的实力，以及传统社交媒体平台跟随它们的方式，专业领域媒体平台（如 Netflix）似乎可能会尝试效仿（事实上，Netflix 的联合首席执行官 Reed Hastings ，当他著名地指出他最大的竞争对手是 TikTok 和 YouTube 时，甚至可能预示了这一点，这两者都对任何创作者开放）。但是，为了能够将准确的内容与具体的人匹配，平台需要多种类型的内容，包括地球上每个人的极其小众的内容。拥有这么多内容的唯一方法是成为一个开放的创作平台，平台的用户可以在平台上创作。因此，我希望 Netflix 和类似平台让任何人都可以创作，而不仅仅是专业工作室。
平台将寻求更多控制权
如果推荐媒体是关于平台对观众体验的更多控制，不难想象平台最终会通过制作自己的内容来寻求更高的效率。我们已经看到专业媒体平台以较小的规模这样做（例如 Netflix 制作原创作品等）。但要在 TikTok 或 Instagram 等开放创作平台的规模上做到这一点，平台将无法依赖创作者。相反，他们需要依靠机器来创建人工智能生成媒体，或者正如我的朋友马特哈特曼所说的那样，合成媒体。最近，OpenAI 的DALL-E 2向世界展示了合成媒体的强大功能和类似人类的能力，但这些功能不太可能停留在静止图像上。随着人工智能内容创建解决方案的成本下降，我预计平台会随着时间的推移创建更多合成媒体，以便在正确的时间为正确的用户创建更完美的内容。
RIP社交媒体
这是推荐媒体在。因此，关于我们如何、何时以及观看何种内容，我们将做出更少的选择（“这些是我的朋友”）和更多的隐含选择（“这是算法建议我应该关注的地方”）。在短期内，我们可能不会注意到太大的不同，但几年后回顾并反思我们的个人行为是如何变化的，将会很有趣。
你怎么看？社交媒体是否永远消失了？或者这是否为创作者创造了一个机会，让他们采取逆向方法，让社交媒体起死回生？
举报/反馈
原文链接：https://baijiahao.baidu.com/s?id=1740409733356696693&wfr=spider&for=pc
原创文章，作者：优速盾-小U，如若转载，请注明出处：https://www.cdnb.net/bbs/archives/17273
