演算法為我們的道德下定義、秤量我們的情緒表現、掏空我們的民主體制 ——迎接演算法美麗新世界，我們如何在機器時代當個人？—— ★Amazon年度百大好書！英國皇家學會科學圖書獎決選作品！ ★出版前即高價售出多國版權，最受矚目的演算法書籍之一！ ★訪談演算法的創造者和演算結果的接受者，收錄大量故事和實例研究！ ▍ 各界讚譽推薦 丁彥允 ∣ 喜門史塔雷克創辦人兼總經理 王國禎 ∣ 國立交通大學資訊工程學系教授 王傑智 ∣ 國立交通大學電機工程學系教授、工業技術研究院機械與機電系統研究所數位長 李友專 ∣ 臺北醫學大學醫學科技學院特聘教授兼院長 林守德 ∣ 國立臺灣大學資訊工程學系教授、教育部人工智慧技術及應用人才培育計畫辦公室主任 林福來 ∣ 臺灣師範大學名譽教授 洪文玲 ∣ 台灣科技與社會研究學會理事長 許素朱 ∣ 國立清華大學藝術學院院長暨科技藝術研究中心主任 張智皓 ∣ 《今天學哲學了沒》作者 郭榮彥 ∣ Lawsnote創辦人、律師 陳適安 ∣ 台北榮總醫院副院長 趙坤茂 ∣ 國立臺灣大學資訊工程學系教授 劉士達 ∣ 國立清華大學科技藝術研究中心科技創新組組長、藝術學院科技藝術跨域學士班講師 鄭國威 ∣ 泛科知識公司知識長 盧鴻興 ∣ 國立交通大學統計學研究所教授 ▍ 該讀哪本書、該走哪條路，演算法說了算！但演算法真的比它將統治的人類更優秀？ ■ 當人工智慧遇上天然呆，什麼時候該相信機器、什麼時候該信任自己的判斷？ ■ 有些熱門商品擺明就是廢、有些保證火紅，演算法能不能發掘出當紅炸子雞？ ■ 演算法對犯罪率的預測大幅超越人類法官，可以用演算法來保障社會正義嗎？ ■ 人類的感覺是否能夠用演算法來量化，我們能否接受自己的情緒受到操縱？ ■ 演算法代表我們做出改變人生的抉擇，AI時代的權力究竟掌握在誰手上？ ▍ 演算法就在我們的醫院、我們的法庭、我們的車輛裡 你被控涉嫌犯罪。比較希望誰來決定你的命運——人類，或是演算法？ 演算法比較前後一致，比較不容易判斷失誤。但能在宣判之前聽你說真心話的，是人類。 你需要移植肝臟才能活命。希望誰來決定器官分配？ 演算法可以幫器官捐贈者找到合適的病患，可能挽救更多的生命。但它說不定會把你排到名單的後頭去。 你正想買一輛無人駕駛車。有一輛車的程式設計是在車禍時盡可能多救幾條命，另一輛則保證把自己車上乘客的性命列為優先。你選哪一輛？ 歡迎來到演算法的時代，這個故事是關於一個不太遙遠的未來，機器統治至高無上，進行各種重大決策——不管是醫療保健、運輸、金融、安全、我們看什麼、我們去哪裡，甚至是要把誰送去坐牢。那麼，我們應該依賴機器到何種程度？我們想要什麼樣的未來？ 著名數學家漢娜．弗萊帶領我們踏上的這趟旅程，是關於我們周遭無所不在的演算法，其善、其惡、其徹頭徹尾的醜陋。在本書中，她掀開演算法內在的運作、展示其力量、揭露其極限，並檢視演算法是否真的較其正要取代的人類更為進步。 ▍對本書的讚譽 本書是市面上科學寫作的珍寶。漢娜．弗萊以具說服力的敘述和魅力風格，概括電腦演算法的數學要點，並闡明這些數學如何改變諸如醫療保健、司法、運輸和藝術等領域。在我們這個日益為數據所驅動的世界，她是睿智的導覽員，帶我們看見這個世界的優勢與可怖。 ——艾利克斯．貝洛斯（Alex Bellos），《數字奇航》（Alex’s Adventures in Numberland）作者 本書是針對我們周遭無所不在的演算法，一部輕快活潑又親近易讀的指南。 ——喬丹．艾倫伯格（Jordan Ellenberg），威斯康辛大學麥迪遜分校數學教授、《數學教你不犯錯》（How Not to Be Wrong）作者 以前，電腦是工具，接著是玩具；現在，它在我們周遭隨處可見。在這個令人不知所措的新世界，找不到比漢娜．弗萊更棒的導覽員，她的這部著作隨處可見機智、敘事精采且極其透徹的洞見。太棒了！ ——提姆．哈福特（Tim Harford），《親愛的臥底經濟學家》（The Undercover Economist）和《轉角遇見經濟學》（Fifty Things that Made the Modern Economy）作者、電視及廣播節目主持人 本書是緊張刺激、節奏明快的閱讀經驗，你將被激怒、受到挑釁和挑戰。眾多經過縝密研究的例證，揭露我們生存其中的驚人新世界，而目的曖昧不明的黑箱決策，正在決定我們個人與集體的命運。歡迎來到大數據的現代世界，你滿有可能被惡搞了。 ——凱西．歐尼爾（Cathy O’Neil），《大數據的傲慢與偏見》（Weapons of Math Destruction）作者 每一個不假思索地將我們的命運交託給演算法的人，都應該閱讀漢娜．弗萊精湛又令人愉悅的召喚之作。因為你知道嗎，機器決定的未來可能恰違背我們人類的最佳利益。 ——大衛．羅文（David Rowan），英國版《連線》雜誌（Wired）創始主編 敘事熟稔精妙、睿智且筆調輕鬆，漢娜．弗萊對於我們如何在人工智慧時代生存的精采探討，將在未來若干年的吧檯邊、餐桌旁激盪出更多論辯。 ——亞當．拉塞福（Adam Rutherford），英國演化生物學家、科普作家 漢娜．弗萊是這個星球上最棒的解說者之一。在本書中，她著手處理一項需要認真思考的議題，以其明晰的筆法、迷人的故事，以及一貫的幽默感和令人愉悅的風格，娓娓道來。 ——史蒂芬．斯托蓋茨（Steven Strogatz），康乃爾大學數學教授、《X的奇幻旅程》（The Joy of x）作者 弗萊以令人耳目一新的簡明文筆，說明人工智慧、機器學習和複雜的演算法的真正涵義，對劍橋分析醜聞、無人駕駛車和其他許多讓人不安的現代現象提供一些簡潔的解釋。 ——凱蒂．蓋絲特（Katy Guest），《衛報》（The Guardian） 對不熟悉人工智慧技術面向的讀者來說，本書提供了演算法如何運作的最佳通俗解說。 ——《科學》期刊（Science） 風格獨具、深思熟慮又一絲不苟的持平記述，說明日漸支配我們生活的軟體能做到和無法做到的事……一部出色易讀的導覽，從一個故事輕鬆轉換到另一個故事，不讓讀者覺得棘手。 ——奧利佛．穆迪（Oliver Moody），《泰晤士報》（The Times）

關於書名的一個註解 導論   【第一章  權力】 回歸基本面／盲目信任／人工智慧遇上天然呆／何時否決／權力鬥爭   【第二章  資料】 聚沙成塔／目標市場／西部蠻荒／劍橋分析／精細操弄／給我評比   【第三章  司法】 一致性的難題／正義方程式／問問觀眾／人類vs機器／尋找黑武士／機器的偏差／艱難的決定／總結   【第四章  醫療】 模式獵手／視物機器／AI盟友／修女研究／預測的力量／數位診斷／親愛的，這是最基本的／麻煩的資料／隱私問題／基因洩天機／最大的善？   【第五章  車輛】 我周遭有什麼？／貝牧師的大教堂／所以，你的無人駕駛車應該去撞行人來救你的命嗎？／違反道路規則／公司寶寶／自動化的反諷／寄予厚望   【第六章  犯罪】 山貓行動與草坪灑水器／未來圖表／標示與助長／犯罪預報機／預言付諸實現／你以為你是誰？／看見分身／百萬分之一？／取得平衡／複雜難解的取捨   【第七章  藝術】 多重世界／獵尋當紅炸子雞／品質量化／「傑出的藝術家模仿，偉大的藝術家盜竊」——畢卡索   【結語】 人類加上機器   謝辭 注釋

　　◎多重世界 　　 　　 在所有形式的娛樂活動中，我們都把熱門度當成品質的代表物在用。舉例來說，二○○七年有一項研究，審視了《紐約時報》暢銷書排行榜對於一本書的公眾知名度有何影響。該項研究作者艾倫．索倫森（Alan Sorensen）藉由探討排行榜編製方式的特異慣例，尋找那些原本應該依其實際銷售上榜，卻因時間延誤及意外疏忽而未上榜的書籍銷售成功的軌跡，並與那些真正上榜的書籍進行比較。他發現一個戲劇化的效應：光是上榜就讓銷售平均增加百分之十三至百分之十四，第一次出書的作家則增加百分之五十七的銷售。 　　 　　我們運用越多平台來看有哪些東西熱門——暢銷書排行榜、亞馬遜排名、爛番茄評分、Spotify排行榜——社會認同所造成的影響就會越大。當拋給我們的選項數以百萬計，加上行銷手段、知名度、媒體炒作和評論讚賞全都在爭取你的注目，效應更進一步放大。 　　 　　這一切都意味著，有時可怕的音樂也能登頂。這不是只有我在憤世嫉俗。一九九○年代，英國有兩位充分了解此一事實的音樂製作人，謠傳他們打賭誰能把爛到不可能再爛的歌曲弄上排行榜。據說，這場賭局的結果是一個叫做Vanilla的女子樂團，她們初登場的歌〈No way no way, mah na mah na〉，是以著名的布偶電視節目歌曲改編而成。這個樂團的演出成果只能寬容地描述為是在唱歌沒錯，一件看起來像是用微軟小畫家做出來的藝術作品，一段大有助於拿下歷來最糟表演獎的行銷影片。但Vanilla有強大的盟友。由於幾家雜誌的專題報導，以及上BBC的電視節目《流行金榜》（Top of the Pops）亮相，這首歌還是成功登上排行榜第十四名（原注：可惜本書格式不適於節錄音樂，因為我真的希望讓你們聽聽這首歌爛到多好笑。你們會去Google一下吧？）。 　　 　　老實說，這個樂團的成功很短命。到了她們的第二支單曲，熱門程度已經開始衰退。她們從未發表第三支單曲。這一切的確像是在暗示，社會認同並非唯一有作用的因素——真的就像「音樂實驗室」（Music Lab）團隊的後續實驗所證明的。 　　 　　他們第二項研究的設計大致和第一次相同。但這次為了測試從熱門度的感受變成自證預言（self-fulfilling prophecy，譯注：指人們先入為主的判斷將或多或少影響人們的行為，亦即我們會在不經意間使自己的預言成為現實）到何種程度，研究人員增加了一項轉折。每個世界的排行榜一有機會穩定下來，他們就暫停實驗，把排行榜上下翻轉過來。樂手網頁的新來訪客看到排行榜榜首列在底下，而墊底的輸家一副登頂菁英的樣子。 　　 　　訪客的下載總次數幾乎是立刻往下掉。一旦排頭的音樂缺乏吸引力，人們對整個網站的音樂都興趣缺缺。此時居排行榜頂端的冷門歌曲下載衰退最為顯著。另一方面，在底下發愁的好歌表現比在榜頂時要差，但還是比先前落居榜尾的那些歌要好。如果科學家讓實驗進行得夠久，最佳歌曲會恢復熱門度。結論是：市場不受特定狀態所限。運氣和品質都發揮了作用。 　　 　　回到現實——只有一個世界的資料量可做為依據——對於音樂實驗室的實驗發現，有一個直截了當的解讀。品質重要，而且與熱門度並不相同。最佳歌曲恢復熱門度，證明有些音樂先天就是「比較好」。在光譜這端，魅力迷人的藝術家所表演的動人歌曲，應當是（至少在理論上是）注定要成功。但其中的蹊蹺是：反之不必然成立。不是只因為某樣物事成功，就代表它有高品質。 　　 　　你到底怎麼定義品質，那完全是另一回事，我們待會兒再來談。但對某些人來說，品質本身不一定重要。如果你是唱片公司、電影製片或出版社，棘手的問題在於：你能不能事先找出保證會成功的東西？演算法能不能發掘出當紅炸子雞？ 　　 　　◎獵尋當紅炸子雞 　　 　　投資電影是一門有風險的生意。賺錢的電影很少，大多數勉強打平，慘賠是這個圈子的常態。這是一門輸贏很大的生意：當製作一部電影的成本衝上以千萬、以億計，產品需求預測失敗的代價，會是災難等級的高昂。 　　 　　這是迪士尼從二○一二年上映的電影《異星戰場：強卡特戰記》（John Carter）艱苦學到的教訓。製片廠投入三點五億美元製作這部電影，認定這部片應該和《玩具總動員》、《海底總動員》之類並駕齊驅，成為他們下一部搖錢大作。沒看過嗎？我也沒有。這部電影沒能抓住大眾的想像力，一口氣賠了兩億美元，導致迪士尼製片廠負責人請辭。 　　 　　好萊塢要人一直都能接受一件事：就是沒辦法準確預測電影能否賣座成功。這是本能主宰一切的國度。在那些票房可能慘賠的電影上賭一把，正是這項工作的一環。一九七八年，美國電影協會主席兼執行長傑克．瓦倫蒂（Jack Valenti）說道：「沒有人能告訴你一部電影在市場上會怎麼樣。沒有人能，直到這部影片在關燈後的戲院裡開演、光點在銀幕與觀眾之間飛騰。」五年後的一九八三年，《公主新娘》和《虎豹小霸王》幕後劇作家威廉．高德曼（William Goldman）說得更簡潔：「不管是啥都沒人知道。」 　　 　　然而，正如我們在本書通篇所見，現代演算法能如例行公事般預測乍看不可預測之事。為什麼電影就該與眾不同？你可以測量電影的成功，以收入、以影評接受度。你可以測量與電影結構和情節有關的各種因素：主演卡司、類型、預算、片長、情節安排等等。所以，何不應用同樣這些科技，試著找到寶物？揭露哪些影片注定票房大賣？ 　　 　　這已經成了近年來眾多科學研究的野心所向，企圖深入網路電影資料庫（IMDb）或爛番茄這類網站所蒐集、挑選的龐大豐富資訊。而且——或許並不讓人意外——有許多令人感興趣的洞見隱藏在這些資料裡。 　　 　　以二○一三年由薩密特．斯里尼瓦森（Sameet Sreenivasan）所進行的研究來說吧。他了解到，藉由要求用戶給影片標記情節關鍵字，IMDb創造出驚人詳細的描述詞目錄，可以顯示出我們的電影品味隨時間有何種演進。在他進行研究期間，IMDb的目錄裡已有超過兩百萬部影片，橫跨超過一個世紀，每一部都有多重情節標記。有些關鍵字是對電影的高階描述，像是「組織犯罪」或「父子關係」；有些則與地點相關，像是「紐約市曼哈頓」，或是關於具體的情節重點，像是「用槍指著」或「綁在椅子上」。 　　 　　這些關鍵字本身顯示，我們對某些情節元素的興趣往往會突然激增；想想二戰影片或處理墮胎主題的電影。突然間，類似主題很快就會接連有大量作品發表，然後平靜一陣子。把這些標記放在一起考量，讓斯里尼瓦森能夠給每一部電影上映當時的新鮮感打分數——一個介於0到1之間的數字——可以和票房成績做個對比。 　　 　　如果特定的情節重點或關鍵——像是女性裸露或組織犯罪——在之前的電影中經常見到，關鍵字會讓這部電影在新鮮感方面拿到低分。但任何原創的情節特色——比方說，像是一九七○年代動作片引進的東方武術——會在這項特色第一次出現於銀幕時拿到新鮮感高分。 　　 　　結果證明，我們和新鮮感之間有一種複雜的關係。平均來說，一部電影的新鮮感得分越高，票房的表現就越好。但只能好到某個程度。越過那道新鮮感門檻，有一道懸崖在等著；任何得分超過零點八的影片，賺到的票房收入會如落崖直墜般急遽大減。斯里尼瓦森的研究證明了社會科學家長久以來所懷疑的：平庸令我們不喜，但完全陌生也讓我們生厭。最佳影片就落在「新」和「不太新」之間窄窄的最佳平衡區內。 　　 　　新鮮感分數或許是一個有用的方法，可協助製片廠避免幫大爛片背書，但如果你想知道個別影片命運如何，幫助就不大了。對此，歐洲有一組研究人員的工作成果可能比較有用。他們發現，在電影上映前那一個月，該影片在維基百科條目頁面上的編輯次數，和最後的票房斬獲有某種關聯性。條目編輯往往是與電影上映沒有關係的人所為——純粹是典型的電影迷給該頁面增加資訊而已。編輯次數越多，意味著伴隨電影上映而來的興奮情緒越高昂，進而使得票房收入越好。 　　 　　整體而言，他們的研究模型略有預測能力：研究的三百一十二部影片中，他們以百分之七十以上的準確率，正確預測其中七十部影片的票房收入。但一部影片表現越好，以及維基百科頁面上所做的編輯次數越多，可供研究小組做為依據的資料就越多，而他們所做的預測越精準。對於六部高獲利影片票房斬獲的正確預測，達到百分之九十九的準確率。 　　 　　這些研究有知性上的趣味，但一個模型只在影片上映前一個月有效，對於投資者沒有太大用處。何不轉而正面處理問題，採計在此過程初期已經知道的所有因素——類型、領銜演員的名氣、年齡分級（輔導級、十二歲以上等等）——並運用機器學習演算法，來預測一部影片是否會熱賣？ 　　 　　有一項從二○○五年開始的研究就是這麼做，運用類神經網路，嘗試在戲院上映之前很久便預測影片的表現。為了讓事情盡可能簡化，研究論文的作者排除對精確預測收入的嘗試，改為試著將電影分為九種類別，從全面慘賠到破表熱賣。不幸的是，即使有了這道簡化問題的步驟，成果仍有很大的改進空間。類神經網路的表現優於以前嘗試過的任何統計技巧，但對電影表現的分類仍然只做到平均百分之三十六點九的正確性。收入超過兩億美元的頂級類別好一點，以百分之四十七點三的正確率，辨識出那些真正破表熱賣的影片。但投資者很謹慎。演算法挑選為注定熱賣的影片，大約有百分之十最後賺不到兩千萬美元——照好萊塢的標準，這是個令人一掬同情淚的數字。 　　 　　之後其他研究嘗試過要改進這些預測，但還沒有一個做出效果顯著的躍進。所有證據都指向同一個方向；除非你有早期觀眾反應的資料，熱門度大致上是不可預測的。說到要從成堆影片中挑出賣座片，高德曼說得對：不管是啥都沒人知道。 　　 　　◎品質量化 　　 　　所以說，熱門度的預測很複雜。要從我們大家都喜歡，拆解出我們為什麼喜歡，並非易事。這給創意領域的演算法提出了一個滿大的問題。因為如果你無法運用熱門度來告訴自己什麼是「好的」，那麼你又如何能對品質進行測量呢？ 　　 　　這一點很重要：如果我們希望演算法具有任何一種內在於藝術之中的自主性——無論是創作新作品，或是對我們自己創作的藝術提出有意義的洞見——我們都會需要對品質做某種測量來做為依據。必須有一種客觀方法為演算法指出正確的方向，一種可以回溯的「正確答案」，就像是「這簇細胞是癌性」或「被告繼續犯罪」在藝術上的類比。沒有這東西，要進步便困難重重。如果我們沒辦法定義我們所謂的「好」，就沒辦法設計出譜寫或尋找「好」歌的演算法。 　　 　　不幸的是，試圖找出品質的客觀衡量標準時，我們遇上一個遠溯至柏拉圖且深具爭議性的哲學問題。一個已經爭論超過兩千年的主題：你如何判斷藝術的美學價值？ 　　 　　有些哲學家如萊布尼茲主張，如果有可以讓我們全都一致同意為美的對象，比方說米開朗基羅的大衛雕像或莫札特的《落淚之日》，那就應該有某種可定義、可衡量的美之本質，使得某一件藝術品在客觀上較另一件為佳。 　　 　　但另一方面，所有人都一致同意是相當罕見的。有些哲學家如休姆則主張，美在於觀者之眼（俗稱「情人眼裡出西施」）。舉例來說，想想安迪．沃荷，他的作品帶給某些人強而有力的美感體驗，其他人則覺得，就藝術而言，與一個湯罐頭不分軒輊。 　　 　　還有些哲學家——康德也名列其中——曾說過，真理介於這兩者之間。我們對美的判斷不全屬主觀，也不可能全然客觀。這些判斷同時是感官的、情緒的且知性的——而且最重要的是，可以視觀者心態而隨時間改變。 　　 　　此一觀念當然有證據支持。班克西（Banksy）的粉絲或許還記得二○一三年他是怎麼在紐約中央公園設攤位，匿名販售原創黑白噴畫，每件六十美元。攤位夾在其他販售常見觀光紀念品的成排攤位中間，所以這個標價牌一定讓那些路過的人覺得很貴。過了幾個小時，才有人決定要買。這天的收入總計四百二十美元。一年之後，在倫敦一場拍賣會上，另一位買家認為，這同一件藝術作品的美學價值高到足以誘使他們花上六萬八千英鎊（當時約十一萬五千美元左右），就買一幅畫。 　　 　　不可否認，並非每個人都喜歡班克西（英國科幻驚悚單元劇《黑鏡》﹝Black Mirror﹞創作者查理．布魯克﹝Charlie Brooker﹞曾說他是「一個呆頭，﹝他的﹞作品在白痴看來是聰明到讓人眼花啦」）。所以，你或許會主張這個故事只證明班克西的作品並無內在的品質，只是靠著通俗炒作（及社會認同），才催出那些高到讓人噴淚的價格。但在無可否認的高品質藝術形式方面，也已經看出我們美學判斷的反覆無常。 　　 　　我最喜歡的例子是《華盛頓郵報》在二○○七年所進行的一項實驗。該報向國際知名小提琴家約夏．貝爾（Joshua Bell）提出請求，在他門票售罄的各音樂廳表演行程之外加開一場音樂會。貝爾帶上他的三百五十萬美元史特拉底瓦里小提琴，在早上的尖峰時間來到華盛頓特區一處地鐵站的電扶梯頂，放了一頂帽子在地上收賞錢，表演了四十三分鐘。正如《華盛頓郵報》所言，這是「全世界最頂尖的古典音樂家之一，以歷來所製作最有價值的其中一把小提琴，演奏幾首歷來所譜寫最優雅的音樂」。結果呢？有七個人停下來聽了一會兒，超過一千多人直接走了過去。到他表演結束時，貝爾的帽子裡收到少得可憐的三十二美元十七美分。 　　 　　我們所認為的「好」，也在改變。某些古典樂類型的品味對時代的變遷適應得異常良好，但同樣的說法無法套用在其他藝術形式上。倫敦帝國學院演化生物學教授阿曼德．萊洛（Armand Leroi）研究過流行樂的演化，從分析中找到我們品味改變的清楚證據。「人們對於枯燥乏味有一個先天的門檻。當人們需要新事物時，就會有一種緊張關係逐漸形成。」 　　 　　以一九八○年代後期風靡流行樂界的鼓機和合成器為例——風靡到排行榜上的音樂多樣性急遽減少。「每一首聽起來都像早期的瑪丹娜，或是杜蘭杜蘭的某些作品，」萊洛說明道：「所以，或許你會說：『很好，我們已經達到流行樂的顛峰了。這就是顛峰所在，終極的格式已經找到了。』」只不過，當然囉，這個格式還沒找到。不久之後，隨著嘻哈音樂的到來，排行榜的音樂多樣性再次爆發。引發轉變的嘻哈有什麼特殊之處嗎？我問萊洛。「我不這麼認為。也有可能是別的什麼，只不過正好是嘻哈。美國消費者對此有所回應並說道：『哦，這可是新花樣，再多給我們一些吧。』」 　　 　　重點在於：即使有某種客觀判準使得某件藝術作品優於另一件，只要脈絡淵源在我們對藝術的美學欣賞中仍扮演某種角色，就不可能創造出用之於所有時代、所有地域皆成立的美學品質確實標準。無論你施展了何種統計學技巧，或是人工智慧手法，或是機器學習演算法，試圖用數字來掌握卓越藝術的本質，那就像是用你的手去抓煙霧一般。 　　 　　但演算法需要「某種東西」才能進行。所以，一旦你剔除了熱門度和內在品質，剩下來唯一能夠量化的東西是：與以往曾出現事物之相似性的度量標準。 　　 　　利用對相似性的衡量，還是有很多可為之處。說到推薦引擎，像是Netflix和Spotify建立的那些，相似性理當是理想的衡量標準。兩家公司都有辦法協助用戶找出新的影片或歌曲，而且做為訂閱服務供應商，兩家都有準確預測用戶喜好的誘因。他們不能以現在流行什麼做為他們演算法的依據，否則用戶會遭到小賈斯汀和《電影版粉紅豬小妹》（Peppa Pig The Movie）的推薦訊息疲勞轟炸。他們也不能以品質的任何一種代表物為依據，像是評論文章之類，因為如果他們這麼做，首頁會被學院派無聊到令人打瞌睡的討論給淹沒。這種時候所有人想做的，其實是在上了漫長的一天班之後，踢掉他們的鞋子，用一部驚悚爛片麻痺自己，或是盯著加拿大演員雷恩．葛斯林（Ryan Gosling）看上兩個小時。 　　 　　相較之下，相似性讓演算法得以直截了當將焦點對準個人的喜好。他們都聽些什麼、他們都看些什麼、他們一次又一次回來找什麼？從這裡出發，你可以利用IMDb、維基百科、音樂部落格或雜誌文章，抽出與每一首歌、每一個藝術家或每一部電影有關的一系列關鍵字。這樣做出整套的編目，接下來的步驟很簡單，就是尋找並推薦其他有相似標記的歌曲和影片。除此之外，接著你還可以找出其他喜歡類似電影和歌曲的用戶，看看他們還喜歡哪些歌曲和影片，然後推薦給你的用戶。 　　 　　Spotify或Netflix從來沒打算提供完美的歌曲或影片，他們對完美沒什麼興趣。Spotify Discover並未承諾找出地球上那唯一一組、注定與你的品味和心情完全無瑕契合的樂團。推薦演算法只提供好到保證不會令你失望的歌曲和影片，提供你一種無害的方式來消磨時間。偶爾會提出你絕對喜歡的東西，但這有點像是那種意義下的冷讀法（cold reading，譯注：占卜師或靈媒未事先蒐集相關資訊，而是現場從解讀對象的肢體動作、衣著、髮型或交談內容等線索做出猜測）。你只需要偶爾來一顆好球，感受一下發現新音樂的幸運，這些引擎並不需要永遠都對。 　　 　　相似性在推薦引擎上的運作非常完美。但當你要求演算法創作藝術，卻沒有提供純屬品質的衡量標準，事情開始變得有趣起來。如果演算法對於藝術唯一的理解就是以往有過什麼，那麼它還能有創意嗎？

作者：漢娜．弗萊(Hannah Fry) 譯者：林志懋 出版社：臉譜 書系：科普漫遊2 出版日期：2019-05-02 ISBN：9789862357477 城邦書號：FQ2013 規格：平裝 / 單色 / 320頁 / 14.8cm×21cm