数字社交网络、机器智能和智能和智能手机的循环互动( 二 ) 本书摘编自《炒作机器》

媒介层指的是我们与炒作机器进行互动时使用的输入与输出设备。今天，媒介层主要指的是智能手机，但明天，它或许会是AR或者VR头盔、数字隐形眼镜、虚拟人、室内音响设备或上述这些设备的某种组合。无论实际采用的是什么设备，媒介层都是极其重要的一环，因为它决定了炒作机器会在什么样的背景下了解我们，并随后影响我们。
【数字社交网络、机器智能和智能和智能手机的循环互动】你和谁联系不是你决定的
我们在网上会和谁建立联系，这在很大程度上是由一系列的好友推荐算法推动的，这种算法几乎在炒作机器的所有平台上都可以找到，无论是脸书的好友推荐算法，还是领英的PYMK算法以及其他各种各样的算法，所有算法都会向我们建议应该和谁约会、和谁做生意或者和谁交往。
拉尔斯·巴克斯托姆在成为脸书的工程副总裁之前，具体负责脸书的PYMK算法。正如他在2010年指出的那样， “在脸书上，大多数互加好友的行为”都是由脸书的好友推荐算法推动的。尽管PYMK算法是领英公司在2006年发明的，但现在，在炒作机器上把陌生人相互联系在一起的机器智能几乎无所不在。
虽然这些算法的细节属于技术专利，但毫无疑问的是，我们都知道它们会利用我们的朋友和他们的朋友的信息，以及关于我们在哪里工作、去哪里上学等这样一些信息来向我们推荐新的联系人。还有一种普遍的看法认为，炒作机器会利用不在其平台上的人的电子邮件和电话号码来增强它们对真实的、潜在的人类社交网络的理解。
2014年，脸书申请了一项专利，这项新的技术可以通过嗅探网络数据包来推断两部手机是否在同一时间出现在了同一地点，然后再以此为依据来进行好友推荐。这项专利还描述了脸书如何通过比较手机的加速度计和陀螺仪的数据来推断两个人正面对面行走，还是正朝同方向一起行走。2015年，脸书又申请了一项专利，新的专利可以通过用户拍摄照片的相机镜头上的灰尘颗粒，推断出两个人上传的照片是否出自同一台相机。我们知道， PYMK算法中的“链接预测算法”需要整个系统向其提供大量的数据，而数据的采集过程对隐私造成的影响很可能是一件非常麻烦的事情，但是在炒作机器的内部，这一部分机器智能产生的更加系统化的结果或许会带来更加广泛的影响，那就是PYMK算法会更倾向于促成“三元闭包” 。
算法如何塑造我们的思维方式？
炒作机器的智能程序不仅仅通过推荐好友来塑造社交图谱，还通过推荐我们消费的内容，即通过推荐新闻、图片、视频、故事以及广告来塑造我们的思维方式。毫不夸张地说，馈送算法在很大程度上决定了我们可以知道什么以及在什么时候知道。理解这些算法的设计可以帮助我们理解它们可能带来的后果。尽管不同的平台有不同的馈送算法，但所有的馈送算法在设计上都非常相似（虽然有些平台，比如推特，现在依然允许我们选择不参与算法的内容管理）。
当内容的供应超过了我们消费内容所需的认知能力时，主动推送的需求就自然而然地出现了。刚开始的时候，炒作机器用倒序的方式来显示内容就足够了，但是随着社交媒体上内容的数量逐渐超过了我们认知的容量，炒作机器不得不开始为我们安排这些内容的优先级。虽然这样的优先排序可以帮助我们发现与我们最密切相关的东西，但与此同时，这使得炒作机器有了巨大的权力来决定我们可以看到哪些信息。
信息流算法会根据内容的相关性对其进行排序。首先，对于每一篇内容，信息流算法都会给出一个对每个人来说都独一无二的“相关性评分” 。随后，在推送给我们的新闻中，这些内容会被按照相关性评分依次递减的顺序进行排列。这个相关性评分是由一些预测模型给出的，而这些模型会去了解是什么驱使着我们与某一段内容进行互动。