ui设计|不要迷信算法，会变得无趣( 二 )

4.你通过内置的分享面板把这段视频分享给别人了吗？

5.你是否点击了右下角旋转的LP图标，看了更多使用同款背景音乐的视频？

6.你打开视频制作者的个人界面页面了吗? 是否观看了他其他的视频？之后你关注这个人了吗? 是的话，说明你除了喜欢这个视频之外，也许还特别喜欢这类人。

但这些都不属于硬核的技术突破，而是来自UI方面的巧妙构思。
这种设计最大的特点，就是帮助用户像算法一样看东西。
所以抖音的算法比其他短视频APP学得更快。这一点非常重要，要知道，即使算法本身同几年前并没有有太大差别，仅仅是在更大的数据集上进行训练，就足以让OpenAI开发出GPT-3这样的模型。
在抖音之前，绝大部分短视频App都采用了微博式的界面，照搬图文信息流的展示方式，以缩略图的形式显示视频，再加上几个关键词标签或一段描述。
这种信息展示的方式历史悠久，适用面很广，但是对算法来说并不友好。
至于抖音设计巧思的来源，如果你恰巧使用过他们早期的版本，就会发现其界面、内容、调性与Musical.ly如出一辙。
据说张一鸣很早就洽谈过收购musical.ly，后来未果才回国做了抖音。完成反向收购之后，字节的后端算法插入Musical.ly（现在的TikTok）的效果是显著的，用户时长很快就增长了一倍以上。
02 算法推荐是重要的，但它并非全部信息展现方式一直是互联网产品里最基础的部分，也是争议最大的部分。
只是在技术至上的论调下被忽略了。
最常见的信息展现方式有瀑布流，以及全屏。它们之间的区别在于一屏里放多少内容合适。
按照张小龙在微信公开课上的说法，一屏里的内容条数，跟命中率成反比。所以视频号上线后的前半年，采用半屏式的信息流展现方式。后来在灰度半屏和全屏的用户时，关注tab的用户因为内容命中率不够高，全屏后反而带来了后台清晰可见的选择困难。
这是内容池深度的问题，与推荐算法的调教无关。
这里普及一个技术方面的常识：当底层召回内容数据不足时，算法会从候选队列中进行降级召回。
即本来算法觉得用户可能会喜欢内容A，但整个内容候选集中都没有A的存在，只能递补与A相近的B。
如果连B都没有时，算法会进一步做降级召回处理，或是直接按照热度排序补充全局热门的内容给用户。
从而带来持续的恶性循环——被污染了的算法模型，会始终局限在某个范围内寻求帕累托次优解。
出于这样的理由，我更愿意相信视频号的全屏是出于内容积累到达某个临界点后开始进入调教算法的阶段，而非所谓的对抖音的妥协。包括快手的精选tab，也是同样的道理。
人们永远可以争论社交网络是由什么组成的，但需要明确的一个前提是，大多数社交网络都采用一种渐进的方式来扩大规模。
鼓励用户与其他人互关，一次建立一个联系。为工具而来，为关系而留，这样做唯一的问题就是速度太慢，而互联网恰好是一个崇拜速度的地方。
只需要搜几个关键词，无需关注或与任何人成为好友，抖音就可以快速了解一个人的喜好。
我们姑且把它命名为一个围绕兴趣建立的娱乐网络。现阶段，它是一个快速、高效的传播媒介，因为这个网络不由关系连接，所以抖音博主的流量永远不可能属于个体。
很多人认为抖音商业化走在前面是因为广告算法好，但实际上抖音对游戏广告主的包容程度才是隐藏不言的奥秘，他们允许以单个付费用户为单位结算，甚至可以约定“若用户流失则退款”。