终于读完了Eugene Wei 的最新文章《如何炸毁时间线》，分析为什么推特的推荐算法并不会让其成功。

「Twitter 是社区，对应一个复杂的全球最大值问题；而 TikTok 是兴趣媒体，是数十亿个局部最大值的聚合。能很好解决兴趣媒体的算法并不适合社交网络」

记录了这篇文章里 17 个有趣的洞察👇

1️⃣ 由于抖音/tiktok的成功，许多科技公司都希望模仿其基于兴趣图谱的推荐算法（而不只是社交图谱），推特也发布了 For You 的新算法，扩大了非朋友和二度关系的内容，试图猜测你的兴趣

2️⃣ 但 Eugene Wei 认为，这个新算法不会让 Twitter 变得更好，甚至会变得更差，因为「解决连续滚动界面中的短文本问题与解决全屏端视频问题，是完全不同的问题」

3️⃣ 推荐算法的基本原理是，基于用户的正负反馈进行调节，推荐更多你喜欢的内容，减少你不喜欢的内容

4️⃣ 抖音/tiktok 的产品结构很适合捕捉用户的正负反馈，特别是负反馈：用户快速的划走，说明不喜欢；看完整个视频，代表喜欢。对应 2 个指标：前 5s 收视率，以及完播率

5️⃣ 而对于Twitter，在连续滚动的界面上，屏幕上同时显示着多条推文，很难区分不满、冷漠甚至轻微赞同，因为用户可能会因为各种原因而只是简单地滚动过推文，算法很难分辨哪些是负反馈

6️⃣ 同时新的算法同时削弱了「你一定需要关注某人」，用户的关注动力变弱（这也是我自己和身边不少人的体会），正反馈也随之变少

7️⃣ 正负反馈同时变少的结果是，算法更难猜中你，产出了一个「感觉缺少朋友并且尴尬地误解了我的兴趣」的 For You Tab

8️⃣ TikTok 本质上更偏「媒体」，是「以个人频道为每个人提供个性化娱乐的方式是数百万个局部最大值的聚合」，TikTok的界面配合字节跳动的机器学习算法非常适合解决这个问题

9️⃣ TikTok 不依赖社交图谱，它建立在用户对视频序列的反应上

🔟 Twitter 更偏社交网络，十几年沉淀了 3 亿热爱推特的「少数人」，形成了一个相对稳定的社区

11. 社交网络是一个复杂的全球最大值问题。相比之下，以个人频道为每个人提供个性化娱乐的方式是数百万个局部最大值的聚合。TikTok的界面配合字节跳动的机器学习算法非常适合解决后者，但对于社交网络来说则不太合适

12. Twitter 依赖社交图谱，这也是为什么 Meta 复制的 Threads 潮水褪去的原因：即国家，社区在没有特别大的变化下，人们不会有意愿离家出走

13. 社区的核心竞争力是「群体惯性」，这是「社区氛围」更理性的描述。群体惯性需要相当长的时间才能出现。在你形成一个社区之前，群体的惯性是你的敌人；而在形成之后，它成为了你的朋友。

14. 一旦一个群体形成，即使它们为了提供集体利益而聚集在一起的目的不再存在，它们也往往会继续存在。任何曾经主办过派对并提供酒水的人都知道，往往很难让最后的人离开。我们是社交性的物种。

15. 如果 Twitter 一味 Tiktok 化抛弃了社交网络，消亡的概率远远大于成为 Tiktok 的概率

16. 最后是对于 Elon Musk 的洞察. 社交炼金术可能是一种神秘的事情。当你不确定哪个结扎住你身体的绳结时，最好不要随意解开其中任何一个。尤其是如果，就像我认为的那样，这些绳结是由其他人（在这种情况下，是Twitter的用户们）所系上的。

17. 但埃隆·马斯克并不相信别人的结。他通过无视他人的工作并从头开始重新思考事物而积累了财富。值得赞扬的是，他在大多数企业家从未想过涉足的领域创造了奇迹，从电动汽车到火箭再到卫星互联网服务。或许只有少数几个人能够成功地推出特斯拉和SpaceX，或许只有一个人能够同时做到这两者。当游戏是人类对抗自然时，他是一个明显的选择。然而，当涉及到人类对抗人性的时候，Elon 不一定是最好的选手

不得不佩服，Eugene Wei 的洞察非常犀利而独特。如果今天我再去打造一个社区产品，上面这 17 个 insight 可以帮助我把整件事情想的更清楚

当然，社区也是一个非常复杂的产品，分析是静态的，产品的发展是动态的，Elon Musk 不止是改算法，同时也在引导新的内容形态（长文、视频…），以及用真金白银激励创作者

作为产品经理，我也会好奇 Twitter 究竟会走向何方；作为推特用户 ，参与其中也是一件有意思的事。

如果你对 twitter 运营技巧感兴趣，欢迎继续阅读：twitter.com