2006 年，美国专利局收到了一份申请，专利内容是“自动天生的展示页面，个中包含用户所在社交关系网络中的另一用户的信息”。
该系统可以避免人们在“分散且无序”的内容中搜索感兴趣的东西，而是会主动按“偏好顺序（preferred order）”天生“与其干系的”信息列表。

专利申请上列出的提出者是“扎克伯格等人”，对应产品是新鲜事推送（***推送，News Feed）。

向用户展示活动流的想法并不新鲜，照片共享网站 Flickr 和其他网站一贯在考试测验这种展示办法，但当时在 Facebook 上带来的变革是巨大的。
在那以前，Facebook 用户紧张通过关照、戳一戳或查看朋友的个人资料来与网站互动。

随着新鲜事推送功能的推出，用户可以看到不断更新的帖子和状态变革。
这一转变令当时利用 Facebook 的 1000 万用户感到震荡，他们不喜好自己的活动被监控，也不喜好自己曾经“沉寂已久的”个人资料被重新挖掘出来以更新信息流上的内容。

面对广泛的投诉，扎克伯格写了一篇帖子，向用户担保，“你们所做的统统不会被所有用户看到，而是与关心你近况的人和朋友分享。
”

听见用户的抱怨和谛听他们的抱怨不是一回事。
正如克瑞斯·考克斯（Chris Cox）后来在一次***发布会上指出的那样，新鲜事推送在促进平台生动度和连接用户方面取得了吹糠见米的积极效果。

用户参与度迅速翻了一番。
在该功能推出后的两周内，超过 100 万用户首次共同对一件事情表现出了兴趣。
什么事情能让这么多人联络起来？答案是一份请愿书，哀求移除这种“跟踪狂”一样的新鲜事推送功能。

事后看来，用户反感的不透明系统非常大略。
内容大多按韶光倒序涌现，并进行手动调度，以确保人们看到更受欢迎的帖子和一系列其他内容。
考克斯说：“一开始，***（新鲜事）推送的排名系统就涌现了问题。
”

在一段韶光里，这种推送办法没涌现什么大问题。
但每个人的朋友列表都在增加，Facebook 也推出了新功能，如广告、页面和兴趣小组。
随着娱乐***、热梗和商业内容开始与朋友的新鲜事发生竞争，Facebook 须要确保刚刚登录的用户能够在看到营销内容之前看到他们最好朋友的订婚照片，由于后者才是他们更在意的内容。

最初的内容排序事情，终极被命名为“EdgeRank”排序法，是一个大略的公式，根据三个紧张成分对内容进行优先排序：帖子的发帖韶光、参与度以及用户和发帖者之间的相互联系。
作为一种算法，它考虑的东西并不多，只是将“帖子是新的？盛行的？还是来自你关心的人的？”这三个问题转化为数学的一次粗浅考试测验。

这背后没什么“黑科技”或者“阴谋论”，但用户再次对 Facebook 试图掌握他们所看到的东西的举动表示反感。
与此同时，Facebook 的生动度等指标再次全面跃升。

Facebook 当时的推举系统仍处于低级阶段，但用户一壁强烈反对，一壁又狂热利用，两者之间涌现了巨大且不和谐的反差，这让公司内部涌现了一种不可避免的结论：普通人对 Facebook 机制的意见可以被忽略。
用户一直地哀求“移除”这些功能，但 Facebook 不为所动，统统都在顺利推进。

到 2010 年，该公司希望改进 EdgeRank 背后粗糙的数学公式，转而利用基于机器学习的技能推举内容，机器学习是人工智能技能的一个分支，专注于演习打算机设计自己的决策（推举算法）。
工程师们不会让 Facebook 的系统根据大略的数学对内容进行排名，而是对其进行编程，剖析用户行为并由其自己设计出排名公式。

人们所看到的将是不断实验的结果，该平台供应它预测的最有可能从用户那里得到赞的东西，并实时评估自己预测的结果。

只管 Facebook 的产品越来越繁芜，用户数据的网络规模之大前所未有，但 Facebook 对用户的理解仍旧不足，无法向他们展示个性化广告。
品牌喜好在 Facebook 上创作内容所带来的关注和轰动，但他们以为在该公司的平台和产品上付费没有吸引力。

2012 年 5 月，通用汽车取消了其在 Facebook 上的全部广告预算。
一位著名的数字广告高管流传宣传，Facebook 广告“从根本上说是网络上表现最差的广告做事之一”。

（来源：COURTESY OF THE AUTHOR）

办理这个问题的重任落在了由华金·奎诺内罗·坎德拉（Joaquin Quiñonero Candela）管理的团队身上。
奎诺内罗是一名在摩洛哥终年夜的西班牙人。
2011 年，他在英国微软从事人工智能干系事情时，他的北非朋友们开始愉快地评论辩论社交媒体上猖獗传播的抗议活动。

他用来优化必应搜索广告的机器学习技能显然可以用在社交网络上。
奎诺内罗说：“我加入 Facebook 是由于看到了阿拉伯之春。
”

奎诺内罗创造，Facebook 构建产品的办法险些与他们的结果一样具有革命性。
应一位朋友的约请，他参不雅观了 Facebook 的门洛帕克园区，当他看到一位工程师对 Facebook 的代码进行了一次主要但无监督的更新时，他感到十分震荡。

一周后，奎诺内罗收到了 Facebook 的事情约请，这解释该公司的流程推进速率比微软快得多。
奎诺内罗开始从事广告推举算法干系的事情，他的机遇再好不过了。

机器学习和打算速率的进步使 Facebook 不仅可以将用户分类到细致的人口统计领域，比如“旧金山 20 多岁的单身异性恋女性，对露营和萨尔萨舞感兴趣”，还可以创造他们点击的内容之间的干系性，然后利用这些信息预测他们更适宜看到哪些广告。

最开始，这套系统对如何最大化广告点击率一无所知，它推送的广告险些是随机的预测。
该系统随后会从点击和未点击的结果中吸取教训，利用反馈来完善其预测哪些广告最有可能成功的模型。
它并非无所不知，推举的广告常常令人费解。

但数字广告的成功门槛很低：哪怕只有 2% 的用户点击了一个广告，就可以算是成功的。
由于 Facebook 平台每天供应数十亿条广告，纵然是只能产生一样平常收益的算法调度也可能增加数千万或数亿美元的收入。

奎诺内罗的团队创造，这种算法可以大量地修正和试错。
“我见告我的团队要行动迅速，每周更新。
”他说。

快速行动很有效果。
该团队的人工智能模型不仅改进了收入，还改进了人们对该平台的感想熏染。

更有针对性的广告意味着，Facebook 可以在不增加广告量的情形下提高自己从每个用户身上赚到的钱，而且不会带来更多问题。
就算 Facebook 向青少年缺点地推销假牙安固膏，也不会有人因此去世掉。

广告是 Facebook 运用机器学习技能的前沿阵地，很快每个人都想从等分一杯羹。
对付须要增加用户生动度的产品高管来说，包括加入群组、添加朋友和发布帖子数量，该技能的吸引力显而易见。

如果奎诺内罗的技能可以提高用户点击广告的频率，那么它们也可以提高用户在平台上参与其他统统活动的频率。

每一个卖力内容排名或推举的团队都争先恐后地对其系统进行全面检修，这引发了 Facebook 产品繁芜性的爆炸性增长。
员工们创造，最大的收成每每不是来自寻思熟虑的举措，而是来自大略的“试错”。

工程师们没有重新设打算法（由于这很慢），而是通过快速而肮脏的机器学习实验得到了好结果。
这些实验相称于将数百种现有算法的变体扔到现实天下里，看看哪些版本行不通，哪些版本的用户表现最好。

他们不一定知道为什么一个变量很主要，也不一定知道一种算法在预测评论的可能性方面如何优于另一种算法。
但他们可以连续调试，直到机器学习模型产生了一种在统计学上优于现有算法的算法，这就足够了。

很难想象一种构建系统的方法能更详细地表示“快速行动，冲破统统”的口号。
Facebook 还想要更多。
扎克伯格向专注于深度学习的法国打算机科学家杨立昆（Yann LeCun）示好，希望构建能够以受人类思维启示的办法处理信息的打算机系统。

杨立昆因创造了使面部识别成为可能的根本人工智能技能而有名，他被扎克伯格任命卖力一个部门，该部门旨在将 Facebook 置于人工智能根本研究的前沿。

在广告方面取获胜利后，奎诺内罗被授予了同样艰巨的任务：尽快将机器学习融入公司的血液之中。

他最初领导了 20 多名员工，卖力构建新的核心机器学习工具并将其供应给公司其他部门的团队，这个团队的规模在接下来的三年里不断壮大。
但它仍旧远远不足大，无法帮助每一个须要机器学习帮助的产品团队。

从头开始构建模型的技能太专业了，工程师们无法轻易节制，而且你无法通过四处砸钱来增加机器学习博士的数量。

他们找到的办理方案是构建 FB Learner，这是一种机器学习的“临摹”版本。
它将繁芜深奥的技能打包成一个模板，供那些完备不理解自己在做什么的工程师利用。

FBLearner 在 Facebook 内部推进机器学习的运用，就像 WordPress 等做事曾经在网站构建领域所做的那样，它让网站构建不再须要利用 HTML 或配置做事器。

然而，这些良莠不齐的工程师正在扰乱这个迅速成为环球最大通信平台的内核。

Facebook 的许多员工都意识到公司外的人对人工智能的担忧进步神速。

由于算法的拙劣设计，本来旨在褒奖好医院的算法变成了惩罚治疗重病患者的医院，而旨在量化假释者再次犯罪风险的模型被证明会倾向于将黑人关进监狱。
但在社交网络上，这些问题彷佛很迢遥。

FBLearner 的一位重度用户（员工）后来将机器学习在 Facebook 内部的大规模传播描述为“将火箭发射器送给 25 岁的工程师”。
但当时，奎诺内罗和该公司称之为一场胜利。

Facebook 在 2016 年宣告：“工程师和团队，纵然险些没有专业知识，也可以轻松地构建和运行实验，并比以往更快地将人工智能驱动的产品支配莅临盆中。
”Facebook 吹嘘 FB Learner 每天摄入数万亿个用户行为数据点，工程师每月在这些数据点上进行 50 万次实验。

Facebook 网络的大量数据，以及广告定向投放结果如此之好，以至于用户常常（缺点地）疑惑该公司窃听了他们的离线对话，乃至引发了“Facebook 理解你的统统”的说法。

这不太精确。
机器学习的奇迹粉饰了它的局限性。
Facebook 的推举系统是根据用户行为之间的原始干系性来事情的，而不是通过识别用户的口味和兴趣，然后根据它们供应内容。

新鲜事推送无法分辨你是喜好滑冰还是骑越野自行车，喜好嘻哈还是 K-pop，也无法用人的措辞阐明为什么一个帖子涌如今你的推送中，而不是另一个帖子。

只管这种不可阐明性是一个明显的缺陷，但基于机器学习的推举系统表明了扎克伯格对数据、代码和个性化的武断信念。
他相信，Facebook 的算法摆脱了人类的局限、缺点和偏见，具有无与伦比的客不雅观性，大概更主要的是，它的高效率。

另一项机器学习事情致力于弄清楚 Facebook 推举的帖子中到底有什么内容。
这些被称为分类器的人工智能系统被演习用于对大量数据集进行模式（规律）识别。

在 Facebook 创立的几年前，分类器就已经证明了自己在打击垃圾邮件方面的主要浸染。
它使得电子邮件做事商不再依赖大略的关键词过滤器，手段也不仅限于纯挚的屏蔽。

通过网络和比较大量的电子邮件，有些被标记为垃圾邮件，有些不是垃圾邮件，机器学习系统可以开拓自己的标准来区分它们。

一旦这个分类器被“演习”完成，它就会被支配到现实天下中，剖析用户收到的每一封电子邮件，并预测每封邮件属于收件箱、垃圾箱或者该当直接被屏蔽的可能性。

当机器学习专家开始进入 Facebook 时，其分类器要回答的问题列表已经远远超过了“这是垃圾邮件吗？”，这在很大程度上要归功于像杨立昆这样的人。
扎克伯格看好该技能未来的进展及其在 Facebook 产品中的运用。

早在 2016 年，扎克伯格就预测分类器将在未来五到十年内超越人类的感知、识别和理解能力，使公司能够及时阻挡不当行为，在连接天下方面取得巨大飞跃。
事实证明，这一预测过于乐不雅观。

纵然技能进步了，数据集增加了，处理速率加快了，机器学习的一个缺陷仍旧存在：该公司生产的算法一贯无法阐明它做出的决策。

工程师可以通过测试分类器来评估它的成功，比如通过它的判断结果来评估准确率（precision）和召回率（recall）。
（注：这两个是机器学习领域常用的模型评估指标。
）

但由于该系统正在教会自己如何根据自己设计的逻辑来识别某些东西，以是当它出错时，很难找到符合人类认知的缘故原由。

有时缺点看起来毫无意义。
其他时候，它们可能是系统性的，反响出了人为缺点。
阿尔图罗·贝加尔（Arturo Bejar）回顾道，在 Facebook 支配分类器来检测色情内容的早期，该系统常常试图选出床的图像。

换句话说，模型没有学会如何识别图像中的色情内容，而是教会了自己如何识别人们最常常在哪些家具上进行色情活动。

这个问题很随意马虎办理，工程师只须要用更多正常的床垫场景来演习模型。
这听起来有点搞笑，但你仔细想想，这些工程师刚刚搞砸的机器学习形式是 Facebook 内部利用的最基本的形式之一。

类似的根本性缺点不断涌现，只管该公司开始依赖更前辈的人工智能技能来做出比“判断色情/非色情”更主要、更繁芜的决定。
该公司全力投入人工智能，既要确定人们该当看到什么，也要办理可能涌现的任何问题。

毫无疑问，打算机科学散发着刺目耀眼的光芒，其成果也是清晰可见的。
但是 Facebook 采取机器学习的速率、广度和规模因此可理解性为代价的。
为什么 Facebook 的“猜你喜好页面”算法彷佛如此专注于推举某些主题？

一段关于栽种牙的打算机动画片段是如何打破一亿次浏览的？为什么一些***媒体只是重写了其他媒体宣布过的故事，却能常常保持病毒式的传播量？

面对这些问题，Facebook 的沟通团队会把稳到，该公司的系统对人们的行为做出了回应，但没有考虑“品味”。

这些都是难以回嘴的不雅观点。
他们还粉饰了一个令人不安的事实：Facebook 正在以它不完备理解的办法实现其增长。

在宣告开始利用机器学习推举内容和个性化广告的五年内，Facebook 的系统将严重依赖那些自我演习的人工智能。
杨立昆曾自满地流传宣传，如果没有机器学习这项技能，该公司的产品不过便是“一地尘土”而已。

支持：Ren