歡迎來到科普中國特別推出的寒假精品欄目「 給孩子的高新科技課 」！
人工智慧作為當今最前沿的科技之一，正在以令人驚嘆的速度改變著我們的生活。從智慧語音助手到無人駕駛汽車，從 AI 繪畫到機器學習，它為我們開啟了一個充滿無限可能的未來。本欄目將以通俗易懂的方式，用視訊和文字給孩子講述人工智慧的原理、套用及其對社會的深遠影響。
快跟我們一起開啟這場 AI 之旅吧！
以下為文字版本：
（閱讀大約需要 5 分鐘）
在生活中，你可能會有這樣的經歷：
刷完一個視訊，App 總是能推薦出特別符合我們胃口的視訊，讓我們刷刷刷停不下來。
在買東西的時候呢，購物 App 會自動給我們推薦東西，並且總是那麽貼合我們的喜好，讓我們忍不住想要「剁手」。
各類 App 對我們興趣、愛好的學習和判斷，同樣離不開 AI 技術。
這一集，我們就來說一說，AI 是怎麽給我們推薦東西的。
AI 推薦演算法：如何讀懂你的喜好
早期的推薦演算法，使用的是一種叫做協同過濾的技術。這個詞你聽起來可能有點陌生，但它的原理非常好理解。
協同過濾技術就是尋找使用者或者是事物之間的相似性，預測出使用者可能感興趣的東西，我透過兩個簡單的例子幫你理解一下。
假如人小明喜歡看 A、B、C、D 四部電影，小王喜歡看 A、B、C、E 電影。那麽，小明和小王的興趣看起來還是挺一致的，於是，電腦就會給小明推薦 E 電影。
再比如，小明和小王都身處北京，都處於 20-30 歲之間的，最近都購買過男士洗發水，那系統也會認為小明和小王可能是同一類人，會把小明關註的東西推薦給小王。
這種協同過濾機制在 20 世紀末就已經在商業上得到了套用。
比如 1994 年出現的 GroupLens 系統，這個系統能夠收集使用者對新聞內容的評分，然後找到興趣點相似的使用者，按照他們的瀏覽內容相互推播。
在 20 世紀末，亞馬遜的線上書店也采用了這種推薦方法。他們根據使用者在閱讀興趣上的相似性，來給為使用者推薦其他的書目，你看到的推薦提示語也是「買了這件商品的人，也購買了 XXX」這句話也恰好是這種推薦方式的最佳概括。
當然，這種推薦方法是基於使用者的推薦方法，是在使用者之間尋找共同點，除此之外，也有基於內容的推薦方法。這種方法更加關註商品、視訊與使用者之前所喜歡的商品、視訊之間的相似性，會推薦同一類的東西給使用者。
但這種方法也會存在一些問題，可能會產生「回音壁效應」，或者叫「資訊繭房」。
回音壁效應，即不停地給一個人推播重復、相似的資訊，會讓這個人知道的事情越來越局限。甚至，可能會強化一些錯誤的、極端的想法。
比方說，如果一個人無意間點贊了一個視訊，內容為「地球是平的」，系統就會推薦越來越多與「地球是平的」有關的視訊，久而久之，即便達不到誤導，也會令人煩躁。
另外，回音壁效應可能會讓人產生一些錯覺，認為自己喜歡的東西，也是全世界所關心的東西。比如一個人喜歡體育，系統會不斷給他推播與體育相關的資訊。很有可能讓人誤判，甚至錯以為體育新聞能代表新聞的全部。
為了解決這個問題，一些網站在推薦的時候，會引入一些隨機內容，防止資訊過於單一。在推薦演算法的背後，基於神經網路和深度學習技術的幫助，也令系統更趨於智慧。
推薦系統的發展與挑戰
現在的網站、App 通常會搜集大量的使用者基本數據、歷史瀏覽數據。海量的數據，成為了人工神經網路、深度學習技術的學習材料。AI 甚至在我們的興趣愛好發生變化的初期，就能夠有所察覺，以便給我們推薦更多「對胃口」的內容。
在生活中，推薦演算法我們幾乎每天都能用到，從朋友圈到各種各樣的視訊、音樂、新聞軟體、購物軟體，它們的身影無處不在。
除了日常娛樂，推薦演算法也在其他領域發揮著重要作用，比如招聘軟體可以根據求職者之間的相似性，或者是崗位之間的相似性，來推薦工作。
在金融領域，推薦演算法也能根據使用者的存款、年齡、風險偏好和過去投資理財的數據，推薦最適合的理財方案。
在教育領域，推薦演算法也能找到每個學生和學習資料之間的匹配程度，找到最適合的學習材料，幫助學生更好更快地成長。
隨著人工智慧技術的快速發展，推薦演算法也在變得越來越復雜。它們能綜合考慮使用者使用的時間、地點，甚至天氣等其他附加資訊，做出更合適的推薦。
在加入自然語言處理功能或者視訊互動功能之後，它們可能會根據使用者的語氣、表情來做出合適的推測。
未來，AI 可能會在你自己之前，就能了解你的心。
策劃制作
本文為科普中國-創作培育計劃作品
出品｜中國科協科普部
監制｜中國科學技術出版社有限公司、北京中科星河文化傳媒有限公司
作者丨北京雲禦紀文化傳播有限公司
稽核丨秦曾昌 北京航空航天大學 自動化科學與電氣工程學院 副教授
策劃丨符思佳
責編丨符思佳
