Cristos Goodrow：YouTube 并没有什么神秘算法，只有穿行于视频之间的人

Lex Fridman 开篇先摆出规模，好让接下来的一个小时显得必要。YouTube 大约有 19 亿用户。人们每天的观看时长超过 10 亿小时，比 Netflix 和 Facebook 视频加在一起还多。它是仅次于谷歌的第二大搜索引擎。创作者每天上传超过 50 万小时的视频。作为对比，一个人的平均寿命大约是 70 万小时。平台上一天上传的内容，足以让一个人从出生一直看到死亡。

Fridman 提出一个荒诞的问题：从出生开始，在这片空间里，是否存在能让人最幸福、受教育最多或成长最快的路径？Cristos Goodrow 是谷歌工程副总裁，也是 YouTube 搜索与发现部门的负责人，他不会建议有人把醒着的每一个小时都花在这个网站上。但他会说，确实存在很好的路径。他的大女儿多年来一直看 Tyler Oakley 和 Vlog Brothers，这对她的性格产生了真实的影响。他的小女儿是芭蕾舞演员，她可以暂停、倒带，反复看专业舞者跳老师布置的同一套动作。他的儿子靠 3Blue1Brown 读懂了大学线性代数，那种效果是一块黑板很难比得上的。

Fridman 追问时间跨度。兴趣会变，节目会被弃掉。如果 YouTube 希望人们多年来一直留在这里并不断成长，它就不能只为本月的参与度做优化。Goodrow 同意。引入多样性，也就是让只看一类内容的人去尝试他们可能喜欢的其他内容，是他的团队在他任职的八年里一直在攻克的难题。从数十亿视频中随机挑选，是最简单的版本，而它行不通：抽中的内容往往连语言都不对。有用的版本则落在一个狭窄的区间里：既不能和你已经在看的太相似，又得是你真有可能点进去的东西。

Fridman 说，内容的多样性几乎无法定义。他拿自己举例：他是 3Blue1Brown 的粉丝，却直到 YouTube 把 Derek Muller 的 Veritasium 频道推给他，才知道它的存在。这是第一步，也比较容易。你在看数学讲解，系统就不再给你连续推荐同一个频道的六个视频，改为插入几个其他的科学或数学频道。Goodrow 说，这是他们几年前最先上线的一种多样性，几乎所有操作都在单个视频的层面上进行，而不是在频道的层面上。

更大的一步，是把视频嵌入（embedding）到不同的簇中，然后衡量一个微妙的条件关系：在观看 A 簇的人中，有多少人也会看一个差异很大的 B 簇？这种关系可能令人意外。喜欢科学的人，往往也喜欢爵士。一旦测量出这种共同观看的关系，系统偶尔就能推荐一段爵士视频。科学观众喜欢爵士的可能性，高于他们喜欢后院模型铁路的可能性。把这些跳跃累积起来，观察人们是否保持投入，你就有了一个真正的跳跃式推荐的依据，而不是在同一个书架上打乱重排。

Fridman 不会只待在安全的数学簇里。他大学时读过 Ayn Rand，出生在苏联，并把客观主义和共产主义都当作值得探讨的意识形态，它们的追随者都确信自己握有通往乌托邦的道路。YouTube 如何处理政治和观点，无论是下一步推荐什么，还是平台上到底允许什么？Goodrow 说，把这件事做对是团队的头号优先事项。言论自由并不等于可以说任何话；社会本来就接受诸如诽谤之类的限制。在能画出清晰界线的地方，他们就画线，并持续地调整这条线。无论把线划在哪里，边界地带总会存在。

在这条边界上，他们往往不会删除视频。他们会减少推荐，并努力提升所谓权威、可信的来源。Ayn Rand 和共产主义，他说，是两种正当的观点，人们会去争论。YouTube 并不试图裁定哪一种是对的，它要做的是确保表达这些观点的人是权威、可信的。在政治哲学中，谁来定义这些词，是一个活跃而沉重的问题。时任 YouTube 首席执行官的 Susan Wojcicki 说过一句话，Goodrow 觉得很有启发：把工作做好，让二三十年后的人回头看时，会说我们在开放与责任之间找到了平衡。

网络喷子是另一种灰色地带。讽刺权威的喜剧可以很精彩，也可能变得残忍。Goodrow 听过很多次，创作者必须对一定程度的恶意变得坚韧。YouTube 的工具包括评论排序，尽量把有建设性的讨论推到前面；还有让用户屏蔽和管理的功能。他希望将来上传者不必再忍受这些，同时他也认为，应对这种情况的能力仍将是创作者身份的一部分。按他的描述，整个项目的目标是让 YouTube 对孩子和对社会都有益，同时不假装这份责任可有可无。

Fridman 想知道一个划分：内容筛选中，有多少可以纯粹靠数据上的机器学习完成，又有多少需要人坐在一起，决定什么是真相、该推广哪些理念。Goodrow 的经验是两者都需要。机器学习最先需要的是数据，而数据是人制造的。要找出错误信息或处于边界的违规内容，第一步是让人判定哪些视频属于哪个类别。随后，这个带标签的数据集会被推广到数十亿个视频上。没有人，就无从开始；没有模型，人就无法完成。

他说，大量工作是 YouTube 的员工在争论政策，并检查这些政策的结果是否就是他们想看到的。一旦达成共识，评估员和审核员就会生成训练数据，模型再把它推得更远。Fridman 来自自动驾驶领域，他指出标注员的水平参差不齐，标汽车比标树木更在行，并问到视频审核员的偏见问题。Goodrow 说得很直接。有些偏见是他们会明确下指令的：偏向科学共识，偏向被证明的专业能力、可信度和权威性。另一些偏见则是他们努力去除的：把同一条内容发给多位审核员，并且从不同背景和地区选人。不公平的偏见仍然可能从训练数据本身渗入，尤其是在受保护群体的问题上，他们一直在对模型做调整，以减少这类偏见。

Fridman 最后问，所谓的 YouTube 算法到底在看什么。Goodrow 把这个问题拆开。搜索借用了谷歌的检索体系：查询词是否出现在标题里，再加上更丰富的句法和语义匹配，以及一个行为信号，即搜了这个词之后，这个视频是否被大量观看？“接下来观看”（watch-next）是另一套系统，第一个真正奏效的尝试是协同过滤：观察哪些视频被同一个人先后看完。画一张图，让被很多人共同观看的视频彼此靠近，很少被一起观看的视频相距很远。他们称之为关联图（related graph）。

这张图会长出没有人编写过的结构。同一语言的视频会聚成堆，体育视频会聚成堆，大多数音乐视频也会聚成堆。系统里既没有语言特征，也没有体育本体，这只是 YouTube 上人们行为的结果。它已经在数百万个视频上解决了大量最容易解决的问题。有一位研究者曾提议做一个项目，理论是 YouTube 不可能为双语用户做好推荐。她是美国的一位学者：搜索学术话题，得到的是英文，接下来观看也一直是英文，于是 YouTube 一定以为她只会说英语。她其实来自土耳其。她搜索果仁蜜饼（baklava），播放了一个土耳其烹饪视频，结果接下来观看就切换成了土耳其语。她简直不敢相信。关联图里的英语区和土耳其语区彼此相邻，却是分开的，因为两边都有足够多的人在持续地连看。她一跳，图也跟着跳。

Fridman 很想看一张属于他自己的簇图：多年的猫视频，和人们摔倒的视频，像一面镜子。YouTube 本来就提供观看历史，团队也曾尝试过向用户展示他们沉浸过的话题。Goodrow 说，更深的一层是，推荐系统“看见”的用户，恰恰就是这份历史。你可以把自己想成你看过的所有视频构成的 DNA 链，或者想成 YouTube 全部视频空间中的一个向量。相近的向量代表口味相似的人。他们喜欢而你还没看过的视频，就是多样化推荐的候选。两个人点击同一个视频，却会得到不同的接下来观看列表，因为他们的向量并不在同一个位置。新用户看起来表现很差，是因为他的向量还没有形成。

Fridman 看过一些只有五十七次观看的视频，他认为它们非常出色，想知道优质内容是如何被看见的。Goodrow 说，这取决于领域。新闻和医学依赖新闻部门、事实核查者以及权威性。最高质量的恶作剧视频或《Minecraft》视频，可能是那种人们喜欢并且会看完的视频，也可能是你第二天问他们时，他们仍然认可的视频。自从他加入以来，YouTube 的娱乐业务一直在追求更好的质量、满意度和获得感的衡量方式。

最初的近似是观看人数。东西可以有很多观众，却仍然是垃圾，尤其是人们点进去又立刻放弃的时候。于是他们转向了观看时长，前提是时长与价值相关，即使不完全相关。那是一个真正的进步，但仍然不够。Goodrow 自己就曾深夜刷电视，最后看完了《Under Siege 2》。第二天被问到是否庆幸看了，他会说，他宁愿去睡觉、去看书，或者做几乎任何别的事。几年前，有人提出在观看之后向用户做调查。这样的反馈训练模型，不仅预测你会点击或坚持看完什么，还预测你明天会给什么打四颗或五颗星。

信号列表已经很丰富：点击、播放量、观看时长、相对观看时长、点赞、点踩、评论、分享，还有那些问卷。订阅是另一个信号，它比看上去要混乱。用户研究发现，有些人从少数几个频道看了大量内容，却从不订阅，因为他们“付不起钱”。团队必须解释，订阅是免费的，它只是告诉 YouTube 你关注这位创作者。还有些人订阅了很多频道，却几乎不看任何更新，他们只是想给对方点个赞。Goodrow 自己也这样做：对于一个很棒、但不在他兴趣范围内的人，他会订阅以示祝贺，却从来不点开视频。Fridman 也承认自己这样做过。你不能闭上眼睛，说别人用错了。你得接纳世界使用订阅、点赞和点踩的每一种方式。

标题、描述和关键词，仍然是搜索和聚类的主要抓手。理解画面，是 Goodrow 在 YouTube 任职期间一直在做的项目，其中也包括公开的计算机视觉数据集。目前的能力仍然粗糙。系统能分辨出音乐视频和体育视频，也能看出是有人在踢足球。但它大概分不出曼联和他女儿的球队。这种粗略的标签仍然有用：它为簇提供信息，并且在标题忘了写的时候，可以补上“足球”一词。他请创作者帮忙把标题和描述写好。

几年前，YouTube 直播了一场重要的《魔兽世界》（World of Warcraft）比赛。如果你在搜索框里输入“World of Warcraft”，是找不到它的。标题写的是第七场，A 队对 B 队。标题里也许有“Warcraft”，但没有“World of Warcraft”。Fridman 指出，在网上太直白并不酷：机智和迂回正是好标题的写法，而模型却希望你直接说清楚内容是什么。Goodrow 同意，两者都要兼顾。但如果你希望人类在搜索结果中选中你的视频，就把搜索词放进标题里。搜索结果页上满是“World of Warcraft”，唯独一个故作含蓄的例外，即使对人来说，也像是搜索出了错。

Fridman 提出反驳：如果算法聪明到能知道那是 WoW，那么一个只写着“Winning”、配着一张悲伤兽人缩略图的标题，本来会是更美的体验。Goodrow 的现实态度是：有些人会直接跳过，而那些不跳过的人会很开心。协同过滤本身往往也是从人们通过搜索找到视频开始的，所以可发现性就是这一切的起点。他不清楚探索型用户与那些永远只看同一类内容的人，比例有多大。但他知道，确实有人和机器在试图把不相关的视频硬凑在一起，因为这样有利可图，系统必须对此保持韧性。诱导点击的缩略图也属于相似的情况。Derek Muller 说过，他会继续做高质量的视频，并配上诱导点击的标题。Goodrow 用他的书架来打比方：一排清一色黄色封面的 Springer 数学教材，和封面很抓眼的科普书。吸引人的封面并不是罪过。全大写、过多的感叹号、会冒犯用户的露骨缩略图，这些内容会被降权，而降权的依据正是它们冒犯到的那些人。

Goodrow 说，“我不想看这个”按钮是一个绝对强烈的信号。Fridman 喜欢它，就像特斯拉车主觉得自己在训练 Autopilot，或者维基百科编辑者觉得自己在共同建设什么。YouTube 并不总是提醒人们，点赞也在帮助整个系统，而不仅仅是他们自己的首页。Goodrow 记下了这条意见。底层的个性化非常强：两个登录同一个视频的人，接下来观看和首页会相当不同，因为有时你想要更多这一类内容，有时你已经看腻了，想看你真正订阅的频道的最新内容。在极限情况下，成功的样子是每一次接受问卷的观看都得到五星；如果你问他们这是不是他们在 YouTube 上看过的最好视频，他们每次都会说是。他不指望能达到这一点，但他愿意朝这条渐近线去接近。改天还会再来，是某人觉得有价值的简单指标。单看观看时长，本身并不是重点。

被问到 YouTube 如何改变社会时，Goodrow 从开放性说起：与早期的媒体不同，在 YouTube，没有人会在你上传之前决定你的视频值不值得存在。Tyler Oakley 说过，没有这一点，他不会有今天的观众。识字率较低地区的同事告诉他，YouTube 可以教人一项工作或一项维修技能，而不需要对方先会读字。在这份工作做了快九年后，每当陌生人听说他在哪里工作，他们总会说自己喜欢 YouTube。他们从来没有夸过搜索或推荐。他们说出的是某个频道、某位创作者、某个话题、某个社群。这让他明白，产品是视频与连接，其他一切都应该让开一条路。

创作者与视频之间的区别，对留存很重要。如果 YouTube 只是下一个走红的片段，今天是钢琴上的猫，明天是孩子打断记者，那你就不知道自己为什么要回来。粉丝与创作者之间是一种关系，它可以延续到未来。Fridman 问到倦怠（burnout），问到创作者们谈论的那些起伏，还有害怕自己一停下，派对就散了的恐惧。Goodrow 说，首要的工作，是确保 YouTube 的系统没有制造这种压力。从研究和观察来看，休息完全没问题。他们见过的，回来后更受欢迎的人，和相反的情况，一样多。他想打破的一个迷思是：暂停一段时间，必然意味着频道会死掉。照顾好自己是第一要务。被倦怠折磨的工作通常做不出最好的作品；休息反而可能让之后的视频变得更好。

Fridman 问，所谓的“算法”更像是一套由补丁和启发式规则拼成的自动驾驶系统，还是一个巨大的模型，由人在边缘做调整。Goodrow 通常并不把它看成一个算法。它是分布在不同服务上的一堆系统：代码、机器学习、启发式规则，与每天到来的所有人的行为绑定在一起。如果明天没有人来，它就无法运转。当外界说算法做了这个或那个时，有时其实只是观众在这样做，而那套机器在更细的情境中跟踪并做出反应。

它的演进路径，看起来和大多数生产环境中的机器学习一样。你先从一个简单的启发式规则开始：推荐最热门的视频。收集数据，减少错误，再把启发式规则逐步替换成能从过往情境中学习的东西。多样性的第一个版本几乎有点好笑：同一个频道的视频不能连续超过三个。它管用。谁还需要连续六个？随着时间推移，他们让它变得更精细，用能够对个体做出反应的机制，替代了全局规则。几乎每一项改动，都要先经过大规模 A/B 实验才能上线，实验时长从一周到几个月不等，同时用置信区间测量数百个变量。更少的“不感兴趣”，更多的五星问卷回答，是那些算作观众体验改善的变化。用户研究也同步进行。他们还会在上线前观察对频道的影响。

怎样制造一个病毒式走红的视频？Goodrow 不知道。他们试图检测走红的苗头，比如播放量的一阶导数和二阶导数，流量是否来自 Twitter 而不是搜索，但从未真正做得很好。要人为制造一个，就更遥不可及了，除非你能让孩子走进一段现场新闻的镜头。事后，他们可以看到视频在哪里被推荐、谁在看、通过哪里找到的。人们确实期望：如果有他们会喜欢的东西正在走红，YouTube 会把它展示给他们。满足这种期望，才是目标，而不是为了走红本身去追逐病毒式传播。

Derek Muller 的《Why Are 96 Million Black Balls on This Reservoir?》在几天之内就获得了约 3000 万次播放，也正是这个视频，让 Fridman 发现了 Veritasium。在 MIT 公开课的日常投喂之中，它突然冒出一张兴奋的书呆子式缩略图。Goodrow 说，从系统内部看，它做的正是任何推荐系统都会做的事：先展示给一些人看，他们喜欢它；找到和他们有点像的人，他们也喜欢；扩大圈子；一直推下去，直到反馈告诉你已经推得太远。照搬黑球这个题材，并不会让你的视频成为经典；Muller 的那一个，可能才是经典。至于剪辑片段，他认为没有什么神秘的。一条 NBA 视频，可以用“Warriors versus Rockets”搜到，也可以用“Steph Curry”搜到。某个投篮的集锦，则是另一扇门。你永远无法预知人们会怎样搜索你做的东西，所以要多剪一些片段，加上标题，尽可能让人们容易找到。

Fridman 梦想有一个系统，能自动剪出足球比赛中精彩的部分，也能剪出一段四十个话题的对话。Goodrow 的团队已经尝试过。这取决于对视频的理解，而那目前还很粗糙。足球比赛中的进球也许可以被找到，但是谁进的球，可能仍需要人来判断。对话文字稿中连贯的话题，他们也不会一下子做得很好。Google 搜索已经能带你直接跳到一段长视频里讲洗碗机滤网的那一段，但目前这条路径还是基于创作者的标注。自动化的版本正在进行中。YouTube 的很多系统几乎完全从观众行为起步；内容理解则是之后才到来的精修。

视频与语言相比，难点具体在于数量和精度。你要把它分进大约一百万个类别之中，而类别之间的区别很微小：球衣号码、胸前的标志、那一下是不是进球、那一刻是否有趣。Fridman 引用了 Yann LeCun 的一个押注：只要在足够多的视频上做自监督的下一帧预测，就能学到物理和常识。Goodrow 说，YouTube 确实已经有系统在看所有视频，但它们是有监督的分类器，在寻找特定的东西。他不确定下一帧预测能否让你走向理解。这大致就是视频编解码器所做的事：预测下一帧，再修正残差。帧数太多，每一帧里的一个微小误差都可能导致截然不同的视频。理想中的压缩，是一句话，比如两个人在谈论这件事，这正是开放式的希望。世界比它得到的评价要复杂。他们至少已经尝试了八年，用文字总结视频。如果八年前是 0%，而完成是 100%，那么他们大概还不到四分之一。

十年、二十年、三十年之后，Goodrow 认为 YouTube 正在演变，以取代电视。他在 1970 年代长大，看了大量电视；人们告诉他的母亲，电视会把他的脑子看坏，她应该把机器关掉。对他自己的家庭来说，YouTube 是更好的版本：随选随看，可以按每个孩子的喜好量身定制，还能推出电视永远不会安排的内容。他从观察自家人如何使用它的过程中，看到了这个方向：人们用它的方式，就像他小时候用电视那样。

在搜索与发现领域，仍然让他兴奋的，是把人们引向平台上本来就存在的更多内容。他在 YouTube 工作了八年，直到去年才发现，自己可以看 1970 年代的南加大（USC）橄榄球比赛，这些内容在他加入时就已经在平台上了。注意到它花了七年。机会在于，让更多人知道 YouTube 实际上拥有什么，同时去掉开放所带来的负面后果，也许有一天，让每一次观看都让人觉得是某人看过的最好视频。虚拟世界他并不太常想，谷歌在想，如果 VR 真的兴起，他会希望 YouTube 在场。他还没有看到它兴起。Fridman 以普鲁斯特收尾：真正的旅行，不在于寻找新风景，而在于拥有新的眼睛。