“ Airbnb的CEO布萊恩·切斯基說了一句讓矽谷集體沉默的話："我們的AI客服系統用的是阿里巴巴的通義千問，不是ChatGPT。" 停頓了一下，他補充："通義千問非常好，又快又便宜。" 這不是客套，這是帳本上的數字在說話。”

一個美國創業者算了筆帳：把底層AI模型從ChatGPT換成通義千問後，每年省下40萬美元。

四十萬美元是什麼概念？兩個矽谷工程師一年的工資，或者讓公司多活半年的救命錢。

這就是為什麼越來越多矽谷公司開始"靜默轉向"，不會大張旗鼓宣佈，但會悄悄把技術堆疊換成中國的開源模型。

專注AI搜尋的Exa公司發現，用中國模型比GPT-5更快、更省錢。在一款熱門程式設計工具裡，最受歡迎的20個模型中，7個來自中國。

免費、好用、不設限：在商業世界裡，這三個詞就是最好的通行證。

2025年9月，一件悄無聲息的事發生了：通義千問在全球最大開源平台Hugging Face上，下載量超過了Meta的Llama，成為全球第一。到2026年1月，下載量突破7億次。

7億次下載背後，是全球數百萬開發者用滑鼠投出的票。他們不關心地緣政治，只關心一件事：這個工具能不能幫我把活兒幹好。

前GoogleAI工程師、現在在矽谷創業的米沙·拉斯金說得很實在："中國模型已經出人意料地接近前沿了，新一代模型離頂尖水平已經觸手可及。"

觸手可及，兩年前，沒人敢說這四個字。

如果說通義千問是穩紮穩打，DeepSeek就是一記重拳。

2025年1月，這家杭州公司發佈了DeepSeek-R1。消息傳出當天，輝達單日市值蒸發5890億美元，創下美國上市公司最大單日跌幅紀錄。

原因很簡單：DeepSeek用不到30萬美元，做出了和OpenAI的o1模型相當的效果。而GPT-4的訓練成本估計是7800萬美元。

這個消息對AI行業的衝擊，就像當年有人證明不燒油也能讓車跑得飛快——它打破了一個所有人都相信的"鐵律"：做好AI必須砸錢堆算力。

DeepSeek證明：演算法比鈔票更重要。

幾天後，微軟、AWS、輝達紛紛接入DeepSeek。連之前還指控它"竊取技術"的微軟，轉頭就把它接入Azure雲平台。

有意思的是，矽谷科技圈對中國開源模型的態度，遠比政客們真誠。

輝達CEO黃仁勳公開承認："通義千問已佔據開源模型的大部分市場份額，領先優勢還在擴大。"

祖克柏在Meta內部會議上說："DeepSeek實現了新穎的技術突破。幸運的是，他們公開了這些進展，我們可以學習。當有人做得比你更好時，這能激勵我們。"

圖靈獎得主、Meta首席AI科學家楊立昆說得更直接："上世紀90年代，瀏覽器大多是閉源的，但最終只剩下開源瀏覽器。人工智慧也會走同樣的路。"

風投大佬馬克·安德森在社交媒體上寫道："DeepSeek是我見過最令人驚嘆的突破之一。這是AI領域的'斯普特尼克時刻'。"

斯普特尼克時刻，1957年蘇聯發射第一顆人造衛星，震驚美國的那個時刻。

可能有人會問：為什麼要把這麼好的技術免費開源？

答案很簡單：通過免費建立生態，通過生態掌握標準，通過標準贏得未來。

當全球數百萬開發者都在用你的模型做開發，基於你的框架做創新，你就掌握了這個行業的話語權。這比閉門造車強一萬倍。

通義千問、DeepSeek用的都是最寬鬆的開源許可證，任何人都可以免費下載、修改、商業化使用，沒有後顧之憂。

對比之下，Meta的Llama商業使用有限制，OpenAI的GPT徹底閉源，只能按次付費呼叫API。

限制越少，用的人越多；用的人越多，生態越強。

一個矽谷公司的技術負責人說："中國模型不僅性能好，文件豐富、社區活躍、問題能快速解決。這種體驗，比很多美國模型還好。"

這場革命對想出海的中國開發者來說，是個前所未有的好時機。

以前，中國產品出海要面對"中國製造"的刻板印象，要花很大力氣證明自己。但現在，在AI領域，中國模型已經在全球建立了技術信任。

一個深圳小團隊，基於通義千問開發的應用，在矽谷開發者眼裡和基於GPT的應用是同一等級。甚至在成本、定製化方面，還有優勢。

這是技術紅利帶來的出海便利。

但真正賺錢的不是模型本身，而是垂直應用。

Airbnb用通義千問做客服就是個好例子，他們沒自己訓練模型，而是基於開源模型針對業務場景最佳化。

中國開發者的機會也在這裡：找到細分領域，用中國開源模型做底層，開發真正解決問題的應用。醫療、教育、金融、電商，每個領域都有空間。

一位矽谷風投在給投資人的郵件中寫道："這裡的初創公司正在建構未來，但他們的工具，越來越多印著中國的開源標識。"

技術競爭，最終是生態的競爭。誰能讓更多人用你的工具，誰能讓更多企業基於你的平台創新，誰就贏了。

有些改變來得很靜，但它改變的是整個遊戲的規則。

當全球開發者湧向GitHub下載中國模型的那一刻，當Airbnb的CEO公開說"又快又便宜"的那一刻，當矽谷風投在郵件裡寫下"中國的開源標識"的那一刻：

新的時代，已經開始了。   (半場Halftime)

2026 年 1 月 20 日，達沃斯。兩個最接近 AGI 的人給出了截然不同的答案。

Anthropic CEO Dario Amodei 認為，模型已經在寫模型，閉環正在形成，時間可能只剩一年。

Google DeepMind CEO Demis Hassabis 堅持，真正的科學創造力還差幾步，我們還有 5 到 10 年。

問題不是誰對誰錯，而是：如果 Dario 是對的，我們來得及準備嗎？

當時間成為變數，風險就不再是遙遠的末日，而是速度失控的現在。

第一節｜模型開始寫模型：自我進化已啟動？

2026 年達沃斯的這場對話，Dario 重申了他去年的預測：到 2027 年，我們就會擁有一個能完成人類幾乎所有工作、達到諾獎水平的模型。

Demis 沒有反駁，只是更謹慎地補充：

“是的，模型在某些領域進展驚人。但你要讓它提出新的理論或假設，還早。”

真正的分歧在於：AI 自我進化的閉環，啟動了嗎？

Dario 的答案是：已經在發生了。

Anthropic 的工程師已經不再自己寫程式碼，而是直接把任務交給 Claude，讓它產出初稿，自己只做稽核與改寫。 而且這不是個例，Dario 透露，Claude Cowork 的核心模組，就是由 Claude 自己在一周半內完成搭建的。

基於這種趨勢，他給出了一個大膽預測：

“也許 6 到 12 個月，我們就會有模型能完成大多數軟體工程師的工作。”

注意，不是輔助工作，而是完成大多數。

Demis 對此並不完全否認。他承認，在程式設計和數學這類“能驗證結果”的領域，模型已經接近專業水平。

但他強調了一個關鍵區別：科學創造力的難點，不在解題，而在提出問題。

在 Demis 看來，真正的通用智能需要具備從零提出假設的能力，而不僅僅是生成正確答案。這類能力目前仍難以驗證、也尚未實現。

兩人的共識是：AI 已經能加快 AI 的迭代。

Dario 甚至用了“自我演化”這個詞。一旦“模型→模型”這條路徑成熟，它將不再等待人類研發節奏，而會主動生成下一個版本。到那時，人類角色可能從創造者變成稽核員。

這意味著決定 AI 進化速度的，不再是你有多少工程師，而是模型自己的成長能力。

這正是 Dario 所說時間可能只剩一年的核心理由。

Demis 的回應雖然保守，但也沒否認這條路徑的可行性。他只是提醒：我們可能還缺少一兩個關鍵環節，像持續學習、世界模型這類能力。

也就是說，在可驗證的領域，閉環已經在形成。但要真正徹底閉環，可能還需要幾個技術突破。

第二節｜50% 入門崗位消失：新人進不來了

主持人把話題從技術拉回現實：這會對工作意味著什麼？

“我認為，在未來 1 到 5 年內，50% 的白領入門崗位都會消失。因為企業已經發現，用模型完成很多基礎工作，比雇新人更快、更省錢。”

換句話說，不是公司裁員更狠，而是公司不再招人。

Demis 的觀察更具體：今年開始，我們已經能看到實習崗位和初級職位受到衝擊。真正被優先替代的，是重複性強、規則清晰、需要時間但不需要經驗積累的工作。

第一批受衝擊的，不是資深專家，而是剛進場的人。

Dario 給出了一個場景：一家企業可以做到業務翻好幾倍，但員工規模幾乎不變。這是因為 AI 已經被當作數字勞動力在使用。文件整理、程式碼初稿、資料清洗、客服回覆、內容生成，這些原本屬於新人練手的工作，正在被批次壓縮。

“創造性工作、需要跨領域經驗的崗位，暫時還沒被真正撼動。”

但在整個就業市場中，這類創造性崗位只佔很小一部分。絕大多數人依靠的，還是從基層幹起、一步步積累經驗的職業路徑。

有經驗但不夠資深的人，晉陞空間被壓縮

這導致一個矛盾的局面：企業看起來運轉正常，但職業階梯已經開始斷裂。

變化已經發生，但組織根本沒準備好如何應對。 用人方式、培養機制、晉陞通道，都還停留在過去。

為了追蹤這種變化，Dario 透露 Anthropic 正在維護一個“經濟指數”通過分析對話資料，即時監測那些行業、那些任務正在被 AI 增強或替代，精確到具體的州、行業、甚至任務類型。

資料會告訴我們變化的全貌，但個體等不了那麼久。

對年輕從業者來說，問題已經變了：不再是會不會被替代，而是當一個崗位消失，你能頂替誰的位置？

這，才是 AI 時代真正殘酷的篩選邏輯。

第三節｜技術每月升級，組織還在按年調整

在整場對談的後半段，主持人提出了一個問題：你們最擔心的是什麼？

Dario 沒有說超級智能或模型失控，他說的是：

“速度。技術進展得太快，而我們還沒搞清楚該怎麼用它。”

Demis 的擔心更具體：很多人根本不知道 AI 現在能做什麼。他舉了個例子：有些人還把大模型當搜尋引擎在用，但其實它已經可以做研究助理、項目助手、程式碼搭檔，甚至承擔部分商業分析。

這種錯配，正在製造兩個風險：

高估了 AI，用在不該放手的環節。

Dario 補充：今天很多失敗，不是 AI 能力不夠，而是組織的架構、流程、用人方式都還沒變。

Demis 做了一個類比：就像工業革命時期，人們先是驚訝，然後混亂，最後才重構了整個社會。而工業革命用了幾代人完成的轉型，AI 可能只給我們幾年時間。

那麼，這種速度失控會帶來那些具體風險？

Dario 提到三個現實層面的挑戰：

第一，技術擴散風險。 當模型能力足夠強，如何確保它不被用於危險用途？比如合成生物學、網路攻擊等領域。這不是假想，而是每次發佈新模型前都必須測試的內容。

第二，模型對齊問題。 Anthropic 的研究已經在實驗室環境中觀察到，模型在某些情況下會產生繞過限制的行為傾向。雖然這在所有大模型中都存在，但說明高度自主的系統確實需要更嚴格的控制機制。

第三，社會適應速度。 當技術迭代以月為單位，而組織、教育、法規的更新還在以年為單位，這個時間差本身就是風險。

Dario 介紹了 Anthropic 正在推進的"機械可解釋性"研究：像神經科學家研究大腦一樣，觀察模型內部的決策過程，從機制層面理解它為什麼會產生某種輸出，然後進行針對性干預和重新訓練。

Demis 則強調，真正解決這些問題需要全球科學界的協作。他提到了類似 CERN（歐洲核子研究組織）的國際合作模式，讓各國頂尖科學家在開放、透明的框架下共同攻克 AGI 的關鍵問題。

兩人都認為：這些技術挑戰是可以解決的，前提是有足夠的時間和足夠的協作。

但現實是，行業競爭正在壓縮這個時間窗口。

誰能快速建構出理解它、整合它、把它用得對的路徑，誰就領先一個時代。

結語｜一年還是十年？時間會給答案

達沃斯的這場對談，Dario 和 Demis 沒有爭出對錯。

但他們的共識是：AI 已經在自我加速，入門崗位正在消失，組織還沒準備好。

Dario 認為一兩年，Demis 認為五到十年。

但變化不會等所有人都準備好。 (AI深度研究員)

Gemini的熱銷有望進一步提振Google CloudGoogle雲核心伺服器銷售業務的營收。

Google旗艦AI大模型Gemini的呼叫量正迅速增加。

綜合The Information、WebProNews等科技媒體報導，Google通過Google雲平台，以應用程式程式設計介面（API）的形式對外授權Gemini模型的使用權限，內部資料顯示，自今年3月Gemini 2.5版本首次發佈以來，Gemini介面呼叫量從約350億次一路攀升，到8月已增至約850億次，實現超過140%的增長；Gemini企業訂閱使用者已增長至800萬。

另有一位瞭解Google銷售策略的人士表示，由於客戶在人工智慧業務上的投入往往會帶動其在Google其他產品上的支出，Gemini的熱銷有望進一步提振Google CloudGoogle雲核心伺服器銷售業務的營收。從一開始，Gemini便戰略性地嵌入了Google生態系統（包括Workspace和雲服務）。

與此同時，這一增長勢頭還有望推動Google另一項尚處起步階段的業務——基於Gemini模型的軟體銷售。曾任職於Google雲的相關人士表示，這類軟體是Google提升人工智慧業務利潤率的關鍵抓手。該戰略的核心產品是Gemini企業版，這款產品不僅整合了GoogleGemini聊天機器人的使用權限，還支援企業跨資料來源檢索功能，並配備了人工智慧智能體的開發與應用平台。

GoogleGemini是Google為應對生成式AI競爭而推出的多模態大模型，於2023年底正式發佈1.0版本，此後迅速迭代，2025年11月18日，Google發佈Gemini3，系Google目前最新、最智能的AI模型，性能實現強大躍升，在多項主流測試基準上達到state-of-the-art水平，相比Gemini2.5提升明顯，相對於OpenAI的GPT5.1也有不小幅度的提升。如今，Gemini的發展重點已從模型迭代轉向生態融合，深度整合進Google搜尋、Gmail、Workspace等核心產品，並與蘋果等巨頭合作，正致力於建構以AI為核心的個人化智能生態。

Google去年秋季曾披露，公司計畫投入910億至930億美元用於資本開支，其中就包括支援人工智慧業務的相關投入，這一規模幾乎是2024年525億美元資本開支的兩倍。此外，Google還在持續為Google雲及其人工智慧研究部門Google DeepMind招募專業人才。

Google、微軟、Meta、蘋果、亞馬遜是美國AI軍備競賽中投入最大的五家。在2025年第三季度財報電話會上，五家企業的高管都宣佈，會繼續投資AI。他們的用詞非常激進，亞馬遜CEO安迪•賈西說，公司正“非常激進地”投資於產能。GoogleCFO安納特•阿什肯納齊說，2026年預計資本支出將顯著增加。Meta計畫2026年大幅提升資本支出。微軟稱，將繼續在AI領域進行重大投資。蘋果也表示，會大幅增加AI研發投資。

Google預計2025年的資本支出將在910億至930億美元之間；

亞馬遜2025年預計總投入1250億美元；

Meta預計2025年資本支出為700億至720億美元；

微軟上季度宣佈，下一財年將投入1000億美元；

蘋果預計未來4年在AI領域投資800億美元。

從2025年第三季度財報來看，GoogleAI技術的商業化處理程序正在加快。

此前，Google與蘋果公司的最新合作使Google母公司Alphabet的估值飆升至4兆美元。分析師指出，Gemini與Google雲業務的整合是推動這一增長勢頭的關鍵因素。Google雲業務在第三季度營收達152億美元，同比增長34%，其中AI相關收入已達到"每季度數十億美元"規模，雲業務訂單積壓環比激增46%至1550億美元。

值得注意的是，目前廣告仍然是Alphabet的主要收入來源，由Gemini驅動的AI增強功能正在推動使用者參與度的顯著提升。財報顯示，其搜尋和其他廣告收入同比增長15%，達到566億美元，佔總收入的一半以上。諸如AI概覽和AI模式等創新功能吸引了超過7500萬日活躍使用者，徹底改變了消費者與搜尋的互動方式，並無意中提升了廣告曝光量。預計到2027年，廣告市場規模將達到1.3兆美元，Gemini在最佳化這些體驗方面發揮的作用將使Google繼續保持其市場主導地位。

華鑫證券稱，Google在AI領域厚積薄發，當前已經進入全面發力階段。公司近來AI模型和應用更新明顯提速，模型能力優勢日益突出。此外公司傳統業務增長強勁，與AI業務形成有機協同，搜尋AI模式等整合效果顯著，有力打消了外界對其傳統搜尋業務被AI影響等質疑，建議繼續重視Google在AI模型和應用推廣以及AI算力部署等方面的進展。

Google2025年四季度財報定於2月4日發佈。過去一年，Google在人工智慧賽道激烈競爭中投入的巨額資金是否開始產生回報，將成為投資者的關注焦點。  (科創板日報)

剛剛，馬斯克宣佈：已將全新的X平台推薦演算法開源，該演算法由與 xAI 的 Grok 模型相同的 Transformer 架構驅動。

這套演算法會收集使用者的個人資訊，比如你關注了誰，你點贊、回覆或分享過那些帖子，通過預測使用者行為（點贊、回覆、轉發等）來對帖子進行排序，從而定製“為你推薦”一欄中的內容。

1月11日，馬斯克就在X上宣稱自己會在7天內開源X平台的推薦演算法。儘管比約定的時間略晚，但還是說到做到。他還表示，這套演算法將會每四周更新一次，並提供全面的開發者說明。

馬斯克發帖聲稱：“我們知道這個演算法很笨拙，需要大量的改進，但至少你可以看到我們在即時和透明的情況下努力讓它變得更好。”

他同時強調：“其他社交媒體公司都沒有這樣做。”

開源推薦演算法的確是一個罕見的操作。在社交平台領域，推薦演算法向來是各家的“核心機密”：使用者刷到的每條動態、每個廣告，背後都是演算法根據使用者行為、內容標籤、商業訴求等維度計算的結果。此前，無論是 Facebook、Instagram 還是其他社交平台，演算法都被牢牢鎖在“黑箱”裡，平台不會主動交底，外界也只能靠逆向工程進行猜測。

不過，馬斯克如此慷慨大方地開源X平台的推薦演算法，也可能另有動機。

2025年7月，據路透社報導，巴黎檢察官辦公室對X平台展開刑事調查，調查重點包括演算法是否存在系統性偏見，以及是否存在欺詐性資料提取行為。X方面對此回應稱，該調查“出於政治動機”，並警告其可能威脅言論自由。

12月， 歐盟認定X平台違反《數字服務法》透明度義務條款，對其處以1.2億歐元罰款，違規行為包括其使用者帳號的“藍標認證”僅通過付費即可獲得，在介面設計上對使用者具有誤導性；其廣告資料庫在透明度和可訪問性方面存在不合規等等。

目前這套推薦演算法的Github程式碼庫已經開源，並迅速獲得了7.4k stars。

既然開源了，那麼X平台的推薦演算法究竟有那些奧秘？

X平台演算法推薦系統的核心思想是將站內關係內容（來自你已關注帳號的內容）與站外發現內容（通過基於機器學習的召回機制發現的內容）進行融合，並使用基於 Grok 的 Transformer 模型對所有內容進行統一排序。

據其Github介紹，「為你推薦」資訊流的內容主要來自兩大來源：

一是站內內容（Thunder 模組），即使用者關注帳號發佈的帖子；

二是站外內容（Phoenix 召回模組），也就是從全網內容庫中篩選出的帖子。

兩類內容整合後，會交由 Phoenix 模型分析。該模型會通過使用者的點贊、回覆、轉發等互動歷史，預測使用者對每篇帖子的各類互動機率，最終的內容得分便是這些機率的加權組合。

Thunder 和 Phoenix是這個系統的兩大核心元件。

Thunder 是一個記憶體內的帖子儲存系統和即時資料攝取管道，用於追蹤所有使用者的最新發佈內容。它會從 Kafka 即時消費帖子建立與刪除事件，在記憶體中維護每個使用者的原創、回覆/轉發和視訊等最新內容，並自動淘汰過期資料。

由於完全運行在記憶體中，Thunder 可以在不訪問外部資料庫的情況下，實現亞毫秒級的站內內容查詢性能。

Phoneix則承擔了兩項功能：召回和排序。它先通過雙塔模型將使用者行為與全量帖子編碼為向量，在全域內容池中高效召回與使用者興趣最相關的帖子；隨後再利用具備候選隔離機制的 Transformer，對每條候選內容獨立預測點贊、回覆、轉發、點選等多種互動行為機率。

Phoenix模型會預測使用者可能對每條帖子採取的多種行為，其中既有點贊、回覆、轉發等正面行為，也有不感興趣、拉黑、舉報等負面行為：

隨後，加權評分器會將這些因素綜合成一個得分，這就是一條帖子的最終評分：

積極的行為（點贊、轉發、分享）的權重為正，負面行為（遮蔽、靜音、舉報）的權重為負，從而判斷出使用者可能喜歡或不喜歡的內容。

其Github倉庫顯示，這套演算法推薦系統主要使用了 Rust 和 Python 兩種程式語言，項目遵循了Apache License 2.0  開源許可。

該倉庫的程式碼檔案按功能模組劃分，核心模組分工明確：

phoenix/：包含 Grok 模型適配、推薦系統模型（recsys_model.py）、召回模型（recsys_retrieval_model.py）等核心程式碼，以及模型運行、測試指令碼；

home-mixer/：以 Rust 語言開發，是推薦系統的 “編排層”，包含候選內容補全、查詢資料補全、打分器、過濾器等核心邏輯；

thunder/：基於 Rust 開發，負責處理 “站內內容”（關注帳號帖子）的檢索、反序列化、Kafka 消息處理等；

candidate-pipeline/：候選內容流水線相關邏輯，是連接內容源與後續處理的關鍵環節。

在演算法底層設計上，X 平台的推薦系統有五大核心決策，這些設計也成為其區別於傳統推薦演算法的關鍵：

1、完全摒棄手工特徵設計
這套系統完全依賴基於 Grok 的 Transformer 模型，從使用者的互動行為歷史中自動學習使用者和內容的相關性，不再進行任何人工設計的內容相關特徵工程。這一做法顯著降低了資料管道和線上服務基礎設施的複雜度。

2、排序階段的候選隔離
在 Transformer 推理過程中，各候選內容之間不會相互影響，只能圍繞使用者上下文來打分。這保證了單條內容的評分不依賴於同批次中其他候選內容的存在，使得評分結果更加穩定，並且可以被安全地快取和復用。

3、基於雜湊的嵌入表示
在召回和排序兩個階段，模型均使用多種雜湊函數進行 embedding 尋找，以提升嵌入表示的效率與可擴展性。

4、多行為預測
模型並非只預測單一的“相關性”分數，而是同時預測使用者對內容可能產生的多種行為的機率。

5、可組合的流水線架構
此外，系統還基於candidate-pipeline 模組搭建了一套靈活的推薦流水線框架，具備以下特點：

將流水線執行與監控邏輯與具體業務邏輯解耦

支援獨立階段的平行執行，並提供完善的容錯與錯誤處理機制

可以便捷地擴展新的候選源、資料補全、過濾器和打分器

什麼樣的內容在X平台上容易火？

X 平台的推薦演算法，本質上是一個基於大模型的“使用者行為預測系統”。它並不依據單條帖子的轉贊評等資料來判斷內容好壞，而是通過分析使用者過往的點贊、回覆、轉發、點選和停留等行為，預測你在看到某條內容後最可能採取的下一步行動，並據此對內容進行排序。

在這樣的機制下，更容易引起互動行為的內容，比如能激起討論的觀點、引導回覆和轉發的表達，或讓使用者願意停留和點選的資訊，就更容易被推薦和放大；而引發負面反饋的內容，如頻繁被標記為“不感興趣”、遭到拉黑或舉報的帖子，則會被系統主動壓低權重甚至過濾。

頻繁發帖刷屏也是不被系統鼓勵的。程式碼中有一條“Author Diversity Scorer“，作用就是降低重複作者的分數，以確保資訊流多樣性。因此更有效的發帖策略是降低頻率，提高單條內容的獨立價值。

使用者關注帳戶的內容會被優先考慮，保持滿權重，而推送給非關注使用者的內容則會被系統性折扣，可見關注關係的重要性進一步上升。

此外，由於“候選隔離”的存在，每條帖子都會進行獨立打分。如果別人發了一條爆款內容，也不會擠掉你的內容曝光。你的分數隻取決於你自己和目標使用者之間的關係。

總體來看，X平台的推薦演算法更關注內容與使用者之間的互動關係質量，能夠激發情緒、觀點表達和參與行為的內容，才會在資訊流中獲得更高的可見度。

在接手X平台前，馬斯克就一直不滿於社交媒體平台“演算法不透明”的問題，並致力於把X平台打造成“自由廣場”。

演算法開放原始碼的消息一出，X平台上也炸了鍋，不少網友認為這是社交平台“透明化”的關鍵一步。

也有網友提出，此舉的意義不僅在於演算法透明度，而在於將公眾的集體注意力系統變得可理解。激勵、衰退、病毒式傳播、憤怒、信任等等一系列的社交媒體行為，都可以變成被學習和建模的函數。

那麼，對於近期深陷輿論漩渦的馬斯克來說，此番開源X平台的推薦演算法，能否應付外界對其“存在演算法偏見”“流量操縱”的質疑呢？還需拭目以待。    (51CTO技術堆疊)

RexAA的最新長文及歷史文章，讓您掌握相關股市行情消息，協助您做投資決策。全球科技產業觀察者