推荐系统如何结合大模型，这个话题很有意思。尝试从产品角度回答一下。没想到写起来刹不住车，有上千字，全贴在这里，大家自取~

推荐可以理解为一种匹配，把内容和用户匹配起来。在匹配时候，要理解双方分别是什么。即：内容理解和用户理解。

不要小瞧内容理解，特别是在视频领域。文本内容的理解相对容易，因为信息都是文字，可以相对容易的刻画一篇文章在讲什么。但在视频领域，内容理解一下就复杂起来，因为信息更多存在于图面中。现在短视频平台上很多视频，只有背景音乐，没有文字描述，怎么把这个视频的信息刻画出来，是一件有挑战的事情。比如一个视频是小姐姐在跳舞，这个小姐姐穿了什么在跳舞，在跳什么舞，跳的好不好，在哪里跳，这些要素都会显著影响一个视频的特点和受众。视频的类型又很多，颜值、音乐、舞蹈、历史、财经、科技、科普、法律、医疗等等等等，每类内容，都是生活里的一个缩影。因为我们只生活在自己小世界的局部，我们可能意识不到，大千世界各种要素叠加在一起，量级至少是百万级的。

我们知道，当前推荐系统非常依赖于协同过滤，它的主要思想是把和你有相似偏好的人的内容，推荐给你。这种相似偏好，纯粹是内容ID上的相似度，不是特征上的相似度。不知道大家有没有思考过，为什么推荐系统走了这样一条有点绕的路径？它为什么不直接把你喜欢的内容推荐给你？答案其实是，它不知道这个内容是什么，它不知道前面例子的视频是小姐姐在随便扭扭还是认真在跳拉丁舞。或许你会疑惑，即使没有大模型，现在的小模型也能识别小姐姐、小姐姐衣服的类型、跳的舞种。没错，现在的模型已经能在单点任务上做到80分了。但前提是，需要大量的人工标注样本，喂给小模型，小模型才能做到。但小模型最大的问题是，无法泛化，所以每个特征都要单独做标注、训练。上百个特征的人工标注成本，对抖音这样的平台还能承担，但百万级呢，成本和效率是完全打不住的。

好，接着大模型这个明星闪耀出场了。大模型带来的最大变量是，它有了通用性，这种通用在于，它像一个百科全书，知道人生活的方方面面。大模型能看出来，“这个视频里，有个人，这个人是个小姐姐，小姐姐长着黄棕色头发，蓝色眼睛，看着像是个欧洲人，她穿着一条黄色长裙，在跳拉丁舞，她在一个广场上，广场后面是巴黎圣母院。天空很蓝，漂浮着棉花一样的白云。过了一会儿，慢慢有路人围观过来....” 。前面这段简单的描述，对人来说一眼便知，看起来稀疏平常，但这里面的很多要素，要很多小模型才能做到，现在仅仅一个大模型，有很大希望就能做到了。这种改变是巨大的，它会把内容理解提升到一个崭新的高度。

如果模型能充分地理解内容，现在推荐的交互形态，很可能会发生变化。一个可能的变化是，你可以自定义你的推荐流。比如你很关注AI，你可以定义告诉平台，“我想看AI方面的最新进展，只要相对可靠真实的，不要标题党”。自定义频道，它可以让你从被动接受推荐系统模糊猜测、众多干扰信息中的推荐流中解放出来，只看你关心的内容。至于自定义频道和当前的搜索、推荐、关注的关系，有机会再展开讨论。

接着到下一个关键点上：用户理解。“微信调 LLM API 读你实时聊天记录判断你目前的关注点给你做相关内容的推荐”，这个想法很好，在不考虑隐私问题的前提下。这里我们先不考虑隐私问题，单纯从产品角度讨论下。用户理解可以拆分成两个层面：一是人的社会经历和性格特质，二是人对经历的反应，这其中又包含长期偏好和短期反应。

先说第一点，社会经历比较好理解，比如我是一个女性（那么我很可能对女性向内容感兴趣），在北京工作，在互联网公司上班，是一名基层打工人（我可能对互联网打工、社畜生活内容感兴趣），我有个男朋友，正在谈婚论嫁（我可能对两性关系内容感兴趣）等等。性格特质也无需多言，由先天基因和后天经历共同塑造。这两个对于现在的推荐系统来讲，都是非常难以明确刻画的，因为缺少信息。
第二大点，人对经历的反应，是人在经历过种种事情后，形成的生活态度、情绪反应，分为短期和长期。长期偏好，包括喜欢什么样的对象、买东西时追求性价比还是享受高消费的快感、喜欢什么运动等等。短期反应，比如今天要聊绩效了，内心很忐忑或者很有信心。在内容领域，用户对内容的偏好，既有长期偏好也有短期兴趣，可以通过与推荐系统的交互逐渐反映出来。但存在一个问题是，只有逐渐的调教推荐系统，系统才会知道。

这里的问题点在于，当用户对某类内容开始感兴趣时，一定是先在生活中发生了什么变化，经历了什么事情。比如我找男友时，我需要的是怎么找到合适的男友这类内容，等我找到男友时，我就不需要前面的内容了，我开始想看如何和对象融洽相处这样的内容。所以微信聊天记录非常有用，因为只要是生活中的大事，一般肯定会在微信里跟朋友提到，而且是发生之后很快会跟朋友分享。微信聊天记录人经历了什么事情，对这些事情有什么反应，是一个人「生活变化的缩影」。注意这里，关键是“变化”。

然而，我们知道，我们并不会什么事都在微信里说。在海边看到大海，在林间听到鸟鸣，在餐厅尝完一顿美食，在花园里闻花香，在家里抚摸宠物猫猫...我们所看到的、听到的、尝到的、闻到的、触摸到的，要比微信里提到的事情丰富太多。按照「记录经历」的角度推演，有什么能记录这一切吗？之前很多的VR智能眼镜，算是提供了一种实时记录 看和听 的途径，还没有把味觉、嗅觉、触觉，补充完整。除了这些经历，还有我们的反应。如果我们用「语言」表达了自己的感受，那一个能方便佩戴、实时记录五官感受和语言的设备，几乎就知道我们的全部了。就相当于有一个“Her”，跟着我们一起经历着一切。

还没有结束。我们都曾经历无言的时刻，那些语言无法表达了我们感受的时刻。人的大脑有860亿个神经元，平均每个神经元有3000个连接，时时刻刻都在产生无数脑电波。人类的语言把这些脑电波凝练表达了出来，实现了人与人之间基本的沟通。我们有时候会不知道自己在想什么，其实更多是在说：不知道该怎么用语言表达所想的。用计算机术语来讲，可能「语言是人类脑电波的Transformer」。真正地理解一个人，应该是去理解它的脑电波。如何理解脑电波，很重要的方式是用脑机接口了。我第一次想到这里的时候，不得不佩服马斯克重金投入脑机接口公司，又是一个多么从第一性原理出发的决定。

好了，这次到这里就结束了。没想到开写之后，竟牵扯出这么多内容。关于推荐系统，如果你还有什么话题想讨论，欢迎在评论区留言！最近打算输出一下，也算是对做推荐产品以来收获的总结。