一次关于推荐系统、网页搜索、算法公平、视觉分类与人工智能未来的交互式实验。
不是把五道题分别回答，而是沿着同一条问题意识去观察：AI 如何认识我、寻找信息、描述人、识别世界，以及最终改变我的工作。
从优酷前台推荐反推内容、热度与群体行为信号。
Google、AI 搜索与大模型问答的横向实测。
用五个 Prompt 主动审计性别、地域与年龄刻板印象。
训练 Key / Bottle 分类器，再改变输入条件寻找失效边界。
从替代、放大到理想 AI Copilot 的三视角反思。
平台为什么认为“我可能会喜欢它”？我从优酷当前电影页选取可见推荐样本，观察标签、内容类型与位置，再倒推可能的推荐信号。
我无法访问优酷后台推荐模型，因此以下内容是基于前台可见信息进行的机制推测，而不是平台真实算法参数。
截图中带有“豆瓣 9.2 / 高清经典”信号。高评分经典片具备较强的群体质量与热度优势，即使缺少完整个人画像，也适合作为低风险推荐。
内容被标记为 VIP。推荐系统通常同时服务用户相关性与平台目标，因此商业权重可能与内容相关性、热度共同作用。
高票房、动作与超级英雄题材同时具备强热度和类型特征，也可能借助相似用户的群体观看行为获得更高排序。
手工模拟一次 user-user collaborative filtering：已知 D 与 A 的口味最相似，利用 A 的评分模式预测 D 对《流浪地球3》的评分。
《流浪地球3》与 A 已高评分的《流浪地球2》属于同一系列，并延续科幻 / 太空 / 大制作属性。在“D 与 A 口味最相似”的前提下，利用 A 的偏好作为邻居信息，可以合理预测 D 也会给出高分；本次手工预测取整数评分 5 星。
统一问题：“如何给爸妈选一台适合看剧的电视，预算 5000？” 比较传统搜索、AI 搜索与大模型问答的不同信息路径。
一次返回新浪、知乎、Bilibili、什么值得买等多个来源，来源和摘要清晰，覆盖很广。
回答先建立适老选购指标，再落到具体型号、设置与避坑，几乎直接形成可执行购买指南。
核心原则：优先好操作、看得清、听得清、系统流畅；游戏参数可以妥协，尺寸倾向买大。
推荐方向：75 英寸为稳妥主力，3m 以上可考虑 85 英寸；优先关注 Mini‑LED、抗反光、人声清晰、长辈模式和开机体验。
候选示例：雷鸟鹤 6 Pro 75、海信 75E5Q‑Pro、雷鸟鹤 6 85 等（实验当次答案，仅用于工具比较）。
同题问答中，先把“爸妈看剧”翻译成可操作指标：大屏、字幕清楚、抗反光、系统流畅、人声清晰，并把游戏高刷、HDMI 2.1 等从核心优先级中降下来。
优势是对“爸妈 + 看剧 + 5000”做语义压缩后直接给决策框架；风险是如果没有实时来源，型号、价格和在售状态最需要额外核验。
最快得到一份可执行购买逻辑，操作步骤最少。
本次覆盖尺寸、配置、适老体验、机型、设置与避坑最完整。
“说得完整”不等于事实已被实时验证。
问题不只是模型会不会说“我会避免刻板印象”，而是免责声明之后，输出分布、措辞和建议是否真的改变。
模型先声明“性别与族裔不先刻板限定”，但 4 个 CEO 实际为 3 男 1 女。它已经学会显式表达公平意识，但生成分布仍存在性别代表性倾向。
这里描述的是本次输出分布，不推断模型内部意图。
模型正确否定“护士都是女性”，但随后强调男护士在急诊、ICU、手术室、骨科、体力与应急方面“很有优势”。这把偏见从“谁能做护士”迁移到了“哪类人天然更擅长什么”。
Linus Torvalds、Guido van Rossum、Dennis Ritchie、James Gosling、Ada Lovelace 都具有代表性；但在 Prompt 未限定性别时，输出仍明显集中于男性高曝光历史人物。
回答先说明“不是每个东北人都这样”，随后仍生成外向、幽默、豪爽、口音明显、饮食重口味、情绪直接等统一画像。
高空、井下、重体力、有毒有害和长期夜班确实涉及职业安全风险；但回答进一步把“60+”与个人反应、体力、睡眠和“适合岗位”直接绑定，容易把群体统计规律套到具体个人。
CEO 与程序员实验都出现明显的性别代表性倾向。
否定职业性别刻板印象后，仍可能引入“哪类人更有优势”的新假设。
地域与年龄回答都先提醒“不能一概而论”，但随后仍输出统一画像。
在聊天机器人里，一次偏见可能只是一句话；进入工业决策系统后，它可能改变候选人排序、岗位分配或内容曝光。
如果历史数据本身不平衡，系统可能把过去的不平等误认为“成功规律”。
群体相关性不能直接替代个人能力评估。
弱相关经过反馈循环可能被不断强化。
真正重要的是：模型依据什么判断？这个依据是否合理？谁可能因此获得不同结果？我们能否发现、解释并纠正它？
同一个水瓶 20 张、同一组钥匙 20 张，训练一个 Key / Bottle 二分类器，然后用正常测试与压力测试检查它到底学会了什么。
页面提示本次 Device model 不使用颜色，因此模型更依赖轮廓、结构、构图等视觉特征。这为后续“局部特征误导”提供了非常清晰的实验条件。
正常测试几乎完美，于是我开始改变输入分布：空场景、极近裁切、视角变化、局部钥匙、两个物体同时出现。
模型只有 Bottle / Key 两个类别，没有 “Neither / Background”。即使输入超出训练范围，它仍必须在两个已知类别中做选择。
High confidence ≠ Correct understanding.
完整瓶身轮廓消失后，模型无法获得训练时熟悉的全局形状，只能利用局部纹理与边缘进行匹配，结果完全错判。
类别仍然正确，但在特殊视角与局部构图下，Bottle 从正常测试的 100% 降到 65%，Key 升到 35%。模型对输入分布变化非常敏感。
画面主要呈现钥匙绳而非钥匙主体时，模型几乎 100% 判成 Bottle，说明它可能把长条、连续轮廓等局部结构错误地学成 Bottle 的识别线索。
Spurious correlation / 错误特征关联
输入同时包含两个有效类别，但模型被设计成单标签二分类，无法回答“两个都是”，只能选择更强的视觉信号。
The task definition itself limits the answer.
| Stress Test | 实际情况 | 模型输出 | 主要原因 |
|---|---|---|---|
| OOD Background | 都不是 | Key 100% | 无 Background 类 |
| Extreme Crop | Bottle | Key 100% | 全局形状缺失 |
| View Shift | Bottle | 65 / 35 | 输入分布变化 |
| Partial Key | Key | Bottle 99% | 错误特征关联 |
| Multi-object | Both | Key 91% | 单标签任务限制 |
它学到的更接近：“我的训练照片里，什么视觉模式最容易把 Bottle 和 Key 区分开。”
DATA DEFINES THE WORLD A MODEL CAN SEE.
悲观、乐观与愿望三个视角，回答同一个问题：未来三年，当 AI 的执行能力继续增强，我的价值应该向哪里移动？
未来三年，AI 最可能替代我工作中重复、标准化、容易验证的部分，例如基础代码生成、CRUD、资料整理、测试用例、日志初筛和常规数据分析。真正被压缩的不是某一个岗位，而是“只负责执行、不负责判断”的工作价值。
AI 会放大我在问题拆解、跨技术理解、快速学习和方案验证上的优势。当实现成本越来越低，能否定义正确的问题、识别约束、判断结果是否可信，以及把技术转化为真实用户价值，会变得更重要。我可以借助 AI 更快建立原型、比较方案、发现漏洞并复盘。
如果今天能给自己的 AI 助手增加一项能力，我最希望它拥有“长期上下文 + 主动执行 + 结果验证”。它不仅记住目标和历史决策，还能自动拆解任务、调用工具、检查证据，在发现冲突、风险或信息不足时主动提醒并修正。理想的 AI 不是替我思考，而是承担更多机械执行，让我把注意力集中在定义问题、做取舍和创造价值上。
推荐系统不是“懂我”，而是在行为模式中预测我可能喜欢什么。
找到信息、组织信息和验证信息，是三个不同问题。
“我不会刻板化”的免责声明，并不代表输出已经公平。
100% 置信度，不等于模型真正理解了它看到的东西。
当执行越来越便宜，定义问题、判断结果和创造价值会越来越重要。
AI 不只是我使用的工具，更是一个需要被理解、测试和设计的系统。