Appearance
Kyle Chayka — 抵抗同质化
Algorithmic recommendations have made the world more alike, flattening culture into a universal sameness.
— Kyle Chayka, Filterworld (2024)为什么是 Chayka
前面的导师都在教你"如何拥有好品味"。Chayka 提出了一个更根本的问题：
在算法时代，你以为是你的品味——真的是你的吗？
2024 年他的《Filterworld》揭示了一个残酷现实：Netflix 推给你的不是"最好的"——是"和你相似的人点击最多的"。Spotify 的"个性化"实际上在把所有同类人推向同一批歌。全世界的"网红咖啡店"长得一模一样——因为同一个算法在奖励同一种审美。
AI 时代这个问题加剧了十倍：
- AI 训练在大量数据的平均值上——它天然倾向于"最大公约数"的品味
- AI 工具让所有人用同样的方法做事——同质化从消费端蔓延到生产端
- 当每个人都能用 AI 做出"还不错"的东西——"还不错"变成了新的平庸
品味的最终考验不是"你有没有"——是"你能不能抵抗消解"。
核心论点
1. Filterworld：被过滤的世界
我们生活在一个经过层层算法过滤的世界中。你看到的信息、你发现的餐厅、你听到的音乐——都经过了优化。
问题是：优化的目标是参与度，不是品质。好品味和高点击率是完全不同的两件事。
算法不直接"降低品味"——它做的是：把所有人的品味推向中间值。结果是：每个人的品味都"还行"但没有人的品味是"独特"的。
2. 同质化的机制
一家店因为 X 风格获得高分
↓
算法把它推给更多人
↓
后来者看到"X 风格 = 成功"，复制
↓
消费者看到 X 风格 = 联想到"品质"
↓
算法进一步强化 X 风格的曝光
↓
全世界的店都变成了 X 风格这个循环在 AI 时代加速了——因为 AI 让"复制已被验证的风格"变得零成本。结果：独特性的生存空间被进一步压缩。
3. 主动策展 vs 被动投喂
对抗算法同质化的唯一方式是主动选择：
| 被动投喂 | 主动策展 |
|---|---|
| 打开推荐流 | 自己去找 |
| 看排行榜 | 问真人、问专家 |
| 选评分最高 | 选"有意思"的 |
| 走算法优化的路径 | 走没走过的路 |
| 追求效率 | 允许摩擦和偶然 |
品味需要摩擦。算法消灭摩擦。所以算法消灭品味的独特性。
4. 什么时候算法有用
Chayka 不是纯粹的"反算法"——辩证地看：
算法有用：当你在一个完全陌生的领域零知识起步时。此时算法是一个还行的入门地图。
算法有害：当你已经有了基本判断力却继续依赖它。此时算法把你困在"舒适区循环"里——你听了 A → 推 B（和 A 相似）→ 你以为在发现新东西，其实在同一条路上走更远。
品味的成熟标志：知道什么时候用算法（起步），什么时候关掉算法（想要真正的成长）。
AI 时代的 Signal Collapse
Chayka 的论述放到 AI 时代有一个延伸——信号崩溃：
以前判断品质的信号正在失效：
- "文章写得好" → 可能是 AI 写的
- "作品集很精美" → 可能是 AI 生成的
- "评论很多好评" → 可能是 AI 刷的
- "这个人发表了很多" → 量不再代表能力
旧的品质信号失效了。你需要新的判断方式——不能依赖表面指标，必须回到直接感知品质本身的能力。
这就是为什么 Hume 的五个条件在 AI 时代变得更重要——当外部信号不可靠时，你的内在判断力是唯一的锚。
训练方法
练习 1：算法断食
选一天完全不使用推荐流：不刷信息流、不看"猜你喜欢"、不依赖排行榜。
只看你主动搜索的、朋友推荐的、或随机遇到的东西。
记录这一天你发现了什么不同——以及这个过程有多不舒服。不舒服是正常的——品味的成长需要这种摩擦。
练习 2：品味来源审计
列出你最近"喜欢上"的 5 样东西。追溯每一样的来源：
- 你自己发现的？
- 朋友推荐的？
- 算法推送的？
计算"算法占比"。如果超过 80%——你的品味可能不如你以为的"属于你"。
练习 3：反同质化行动
在一个常做的选择中，有意识地选一个"算法不会推给你"的选项：
- 不选排名前十的餐厅——走进一家没有线上存在的小店
- 不听推荐歌单——问一个和你品味不同的朋友推荐
- 不看热门文章——去一个你从未浏览过的领域随机阅读
即使不喜欢也有价值——"不喜欢的新东西"比"喜欢的旧东西"更能帮你理解自己的品味边界。
练习 4：地方性探索
不用搜索引擎、不看点评 App，只靠走路和观察来发现一家有特色的店。
关键标准：它是不是"只属于这里"的？如果它可以在任何城市存在而不违和——它可能是算法审美的产物。
嵌入式练习
用 Chayka 的"反算法"视角判断——哪个选择更体现独立品味？
发现新餐厅
你想在一个陌生城市找一家好餐厅吃晚饭
音乐消费
周末想听一些新音乐
AI 工具使用
你要写一篇关于你行业的分析文章
案例分析
正面：独立书店策展人
一家由真人策展的书店——书架上每一本都经过店主的判断。你在这里遇到的书是"一个有品味的人觉得值得读的"，而非"购买数据排名最高的"。
这种人类策展力在 AI 时代变得更有价值——因为它是不可被算法复制的。一个好的策展人不是在"推荐"——是在用自己的品味为你创造一种发现的可能性。
正面：拒绝优化的创作者
一个音乐人/设计师/作家不为算法优化作品，坚持做小众的、个人化的东西。
短期没有流量。长期这些作品有可能成为独特的文化资产。
他们的选择是：宁可被 100 个人真正理解，也不要被 100 万人"点赞但滑走"。
反面："INS 风"的全球蔓延
从首尔到墨西哥城——同一种绿植+粉色霓虹灯+大理石桌面的咖啡店美学。每一家都"有设计感"——但所有的"设计感"一模一样。
当你在巴厘岛的咖啡店和成都的咖啡店分不清区别时——你没有在"旅行"，你在"确认"。
反面：AI 驱动的内容工厂
用 AI 生成大量"还不错"的内容，SEO 优化标题，追踪热点关键词。每篇文章都"可读"——但没有一篇有观点、有立场、有独特性。
这是 AI 时代的 Filterworld 最终形态：不是算法推荐让品味同质化——是 AI 生产让内容本身同质化。所有人用同样的工具 + 同样的方法 → 同样的输出。
关键启示
Chayka 的品味是一种抵抗力——在同质化的洪流中保持独特性。
AI 时代这种抵抗变得更难也更重要：
- AI 工具让所有人趋向相同的方法和输出
- 推荐算法让所有人消费相同的内容
- 数据驱动让所有人优化相同的指标
- 结果：全球性的品味趋同
抵抗不是"拒绝用 AI"——是用 AI 但保持你独特的判断力和方向感。
你的品味应该指导 AI 为你工作——而不是 AI 的默认输出消解你的品味。
最终问题：去掉所有算法推荐、去掉所有 AI 辅助、去掉所有外部参考——你还剩下什么？剩下的那个，才是真正属于你的品味。
最小行动
做一次"品味来源审计"——列出你这周喜欢上的 3 样东西。追溯来源：算法推的？自己发现的？朋友推荐的？如果全是算法推的——明天尝试一次"不靠算法"的发现。