We shape our tools and afterwards our tools shape us. ------Marshall McLuhan
麦克卢汉说：“我们塑造了工具，反过来工具也在塑造我们。”
我本人不反感AI，也相信人工智能会开创一个伟大的时代，但是我们要思考一些东西，至少知道那是什么。本人旨在让你了解当前人工智能应用最普遍的智能推荐引擎（Intelligent Recommendation Engine），其背后的设计理念，以及一些更深度的思考。关于理念，它不像技术要求太多的基础，我尽量不使用专业术语，所以本文同样适合程序员以外群体。
从“分类”说起以大家熟悉的分类信息网为例，像58同城、赶集网。网站把现实生活中的商品、服务进行分类进行展示，比如房产、二手车、家政服务等。这些内容即是现实世界对应的抽象，我们可以很容易的找到对应关系。
我们再以求职网站为例，像智联招聘、BOSS直聘。网站按照职业把 人分类，比如程序员、厨师、设计师、数学家、物理学家等。
那么现在问题出现了，众所周知，人工智能的完美入门人才是具有数学和计算机双学位的硕士以上学历人才。那么，我们如何把这样的人分类呢？我们无法单一的将其归入到程序员或者数学家，我们无法为每一个这样的复合型人（slash）进行单独分类。
分类产生矛盾。
我们区分南方人、北方人，所以有地域歧视。我们区分亚洲人、欧洲人，所以有种族歧视。“分类”只是人类简化问题逻辑的手段，薛定谔的猫和罗素的理发师已经证明了“分类”并不正确。所以在大计算时代，我们引入“贴标签”的概念。
贴标签AI时代是计算能力爆炸增长所带来的。在强大的计算能力面前，我们真的可以针对每个人进行“分类”，它的表现形式就是---贴标签。
30岁以下、程序员、屌丝、奶爸、熬夜、不爱运动、公众号叫caiyongji、格子衬衫、机械键盘、牛仔裤……这些可以是一个程序员的标签。换个角度，“类别”反转过来服务于单独的某个人，这是在计算能力短缺的时代所无法想象的。
传统的智能推荐引擎对用户进行多维度的数据采集、数据过滤、数据分析，然后建模，而人工智能时代的推荐引擎在建立模型步骤中加入Training the models（训练、测试、验证）。
最后，推荐引擎就可以根据用户标签的权重（可以理解为对标签的打分，表示侧重点），对用户进行精准推送了。
推荐引擎属性分化俗话是这么说的“旱的旱死，涝的涝死”，“饱汉子不知饿汉子饥”，不知道这些俗语我用的恰当不恰当。我的意思是在智能引擎的推荐下，会加强属性两极分化。
我们以程序员为例，选取编程技巧、打游戏、体育运动、熬夜、看书五个维度。经过推荐引擎的“塑造”后如下。
目前，推荐引擎的算法会将权重比较大的标签进行优先推广，这就导致原本权重大的标签得到更多的曝光次数，最终使得权重大的标签权重越来越大，而权重小的标签在长时间的被忽略状态下逐渐趋近于零。
推荐引擎行为引导波兹曼认为，媒体能够以一种隐蔽却强大的暗示力量来“定义现实世界”。其中媒体的形式极为重要，因为特定的形式会偏好某种特殊的内容，最终会塑造整个文化的特征。这就是所谓“媒体即隐喻”的主要涵义。
由于“推荐”机制的属性分化，那些高技术含量的、专业的、科学的、真正对人又帮助的信息被更少的人接触，而那些简单的、轻松的、娱乐的、裸露的、粗俗的信息被越来越多的人接触。
我们看一下具有影响力的百度、今日头条和微博在今天(2018年1月13日10:04:xx)所推荐的内容。我删除了cookie，使用匿名session，移除我的“标签”。也就是说，下图所推荐内容对大部分人适用。
只要你好奇点击，你的tittytainment（我翻译成“愚乐”，那个三俗的译法不要再传了）属性权重就会越来越大。娱乐新闻点击过百万，科普文章点击不过百，这种现象正是推荐引擎的行为引导导致的。
不客气的说，百度、今日头条、微博对国民素质的影响是有责任的。
无关推荐(Non Relational Recommendation)对于你从来都没思考过的事物，你可能永远都接触不到，因为你不知道求索的路径，所以有的人每个月都读与自己专业无关的书，来扩展自己的知识面。我们举个例子：