现在整个行业都在谈论大模型的参数、Agent的形态，却很少有人认真追问一个更底层的问题。即当大模型开始接管“推荐”这件事时，究竟会发生什么？

绝大多数人把生成式推荐理解为“用大模型把召回、排序重新做一遍”，这是一个巨大的误解。

如果说过去的推荐是在一个已经存在的货架里，替你挑出它认为你最可能拿的那一件。那么生成式推荐就是在你开口的瞬间，为你当场写出一件货架上原本不存在的东西。

从“挑”到“写”，一字之差，改变的却是整个互联网商业的权力结构。

传统推荐系统统治了二十年，它的底层假设极其坚固。内容是稀缺的，用户的注意力是有限的，平台的价值在于高效匹配。

经典的级联架构（召回-粗排-精排-广告竞价）本质上处理的是判别问题，即给定一个用户和一个物品，判断他们匹配的概率有多高。

生成式推荐把这个问题彻底换掉了，它直接生成一个结果。

此前快手OneRec的实践已经证明，端到端的生成式架构不仅可行，而且服务成本可以降到传统级联系统的十分之一。

Meta在Facebook Feed和Reels上全量部署生成式检索架构之后，推荐内容的冷启动速度大幅加快，近45%被推荐的Reels是发布不到一天的新内容。

这才是最被低估的冲击，它让“冷启动”从结构性难题变成了工程问题。 过去新内容要熬过漫长的行为数据积累，现在系统可以直接从语义空间判断“这条内容跟用户此刻的意图是否相关”。

当推荐从“ID匹配”走向“向量对齐”，平台作为“分发中介”的合法性根基就开始瓦解了。

传统推荐平台的商业逻辑建立在“注意力变现”之上，平台替你筛选信息，你交出注意力和行为数据，平台把这些注意力卖给广告主。这个契约的前提是平台比你更清楚海量内容里有什么，而你离不开平台的筛选能力。

生成式推荐把内容的生产和分发合并到了同一个模型里，当系统可以直接“写”出你此刻需要的结果，平台作为“货架”的价值就被架空了。

扎克伯格明确说过Muse会连接到用户的内容和广告体验，帮助提升跨Meta平台的个性化和广告质量。换言之，未来的广告可以不再是插在信息流里的横幅，还能由生成模型根据你此刻的意图，当场“写”出一个令人几乎无法拒绝的商业提案。

但这并不意味着生成式推荐会一帆风顺地接管一切，它面前摆着三道极其现实的墙。

第一道是延迟，推荐是互联网世界里对延迟最苛刻的场景之一，毫秒级的差距就能对应着收入和体验的巨大落差。而生成式模型的自回归解码天然是串行的，在实时高并发场景下，推理延迟是传统排序模型的数十倍甚至上百倍。

第二道是幻觉，在聊天场景里，编造一段话的代价顶多是让用户不满。但在推荐场景里，编造一个不存在的商品、错误的价格或虚假的库存状态，代价是真实的交易纠纷和法律风险。

第三道更隐蔽也更危险，它可能会制造出一种更精致的“伪多样性”。学术研究已经发现，生成式推荐系统在曝光层面的信息茧房形成上，确实比传统序列模型更轻，但这未必是好事。

当系统能够“生成”看似多样的内容来满足你时，你其实是被困在了一个由自己潜意识投射出的全息幻境里。

生成式内容与推荐机制之间会形成比传统系统更快的正反馈闭环，用户的行为反馈在高度定制化内容的刺激下进一步窄化，这种长期的认知收缩根本无法用点击率来刻画。

所以，生成式推荐的未来并非是一个“新技术取代旧技术”的线性故事。它的终局取决于一个今天还没有答案的问题，即推荐这件事到底应该由谁来定义“好”？

如果由平台来定义，生成式推荐只是让平台的分发效率更高、广告匹配更精准，旧有的注意力经济逻辑被强化到极致。

如果由模型公司来定义，推荐会变成一种“生成即分发”的垄断权力，谁拥有最强的生成模型，谁就拥有定义用户看到什么的能力。

技术本身没有立场，但技术的使用者从来都有。看懂了这一点，你才能真正看清未来的方向。