自从互联网商业化发展以来，不论是新闻客户端、视频网站或是电商平台……所有的平台，都是把自己默认为一个优秀的饲养员，它按照自己的想法，把内容（饲料）Push（喂）给用户。

 

这些饲养员都是受过训练的专业人士，行话叫做---由网站编辑为用户设置议程，按照大多数用户的口味挑选内容。

 

后来编辑实在忙不过来，采用机器帮忙---最简单的机器方式则是“热门推荐”，比如按照点击量或其它数据来做排序。

 

饲养员模式最大的问题是不知道食客胃口如何，这会导致两个显著的后果：一是食客不满意，用户个性化需求不能得到满足；二是自身资源浪费，大量长尾资源长期得不到曝光，增加沉没成本。

 

有人发现了机器的好处。机器可以是根据用户特征来推荐内容。正如一个高明的厨子可以根据每一个食客的口味提供饭菜，如果机器足够聪明，在一定程度上可以解决所有用户的个性化需求。这岂不是内容产业的C2M？

 

准确的说，这是内容分发的C2M，它以单个用户为对象进行沟通，跳出了大众传播/分众传播窠臼，是不是足以革了所有的搜索引擎和门户网站的命？

 

这种智能化的内容C2M有深刻的时代背景。今天，你已经站在时代边缘，眼睁睁的看着AI技术点燃了IOT的引线，接下来你将发现自己无可拒绝的进入下一个信息核爆的时代：信息终端爆炸、信息规模爆炸、信息平台爆炸……

 

在信息高速公路上，你开过的车，你走过的路，全都变了规则，你所熟悉的一切的基于饲养员模式的知识框架都面临颠覆。

 

在这个时代，饲养员模式已经失灵了，聪明的机器将成为最大的变量。

 

在钢材贸易的早期，货源信息基本靠人工收集，市场行情靠经验判断。

 

如今，越来越多的钢材交易平台开始用算法自动匹配供需信息，帮助买家快速找到合适的钢材。

 

钢材流通行业能否实现从需求到钢厂的反向定制，行不行？

 

“当然不行，钢材是大宗商品，规格标准统一，很难像消费品一样小批量定制。”如果你这样想，那就忽略了市场正在发生的变化。

 

“当然行。”如果你这么想，那就把钢材加工配送的灵活性想得太简单了。

 

真实的情况，可能和你想象的不太一样。

 

一、钢材供应链的数字化，本质是让供需信息更透明

 

作为钢铁行业信息化的一个方向，钢材交易平台的技术源头可以追溯到早期的B2B电子商务。起初只是把线下钢材市场的挂牌信息搬到网上，后来逐渐加入在线询价、电子合同等功能，现在则开始尝试用大数据和算法来优化供需匹配。

 

近些年，互联网技术不断进步，钢材交易平台也从单纯的信息展示转向了更深层的交易服务。在新技术的推动下，供需双方获取信息更加便捷，价格也越来越透明。

 

（一）钢材信息发布，从线下到线上

 

过去，找钢材主要靠熟人介绍或者去钢材市场转悠。现在，在钢铁行业网站上，卖家可以发布资源，买家可以按品名、规格、材质来搜索，平台把供需双方的信息汇集到一起，省去了不少中间环节。

 

当然，买家不仅关心有没有货，更关心价格是否合适、交期能不能保证。平台把这些信息也逐步纳入进来，帮助买家更全面地做判断。

 

最早，钢铁行业的信息化是从库存管理开始的。

 

上世纪九十年代，一些大型钢厂开始用计算机管理库存和订单，但这些系统彼此独立，数据不能互通。后来，随着互联网的普及，钢材交易信息开始在网上出现，但信息零散、更新不及时，买家依然需要打很多电话才能确认一单货。

 

接着，专业化的钢材信息平台开始出现，把不同来源的钢材资源集中展示。

 

这些平台不仅提供资源列表，还提供价格行情、钢厂动态、市场分析等内容。买家可以在一个网站上看到多个供应商的报价，对比之后再做决定，效率比过去提高不少。同时，卖家也多了一个展示资源的渠道，不再完全依赖老客户。

 

后来，又出现了一个重要的变化——在线交易与加工配送服务。

 

一些平台开始支持在线下单、在线支付，并提供剪切、开平、切割等加工服务。买家买了钢材，可以直接委托平台加工成需要的尺寸，再安排物流送到工地或工厂，省去了自己找加工厂的麻烦。

 

这些平台算不算真正的数字化？从技术角度看，它们确实用到了互联网和数据库技术，但很多环节仍然依赖人工确认，流程也不算特别智能。不过，对于钢材这种大宗商品来说，能在线完成信息收集和初步比价，已经是很大的进步。

 

如何让供需匹配更高效？如何把物流、加工、金融等服务也整合进来？行业里的从业者一直在想办法。后来，随着大数据和云计算技术的成熟，钢材交易平台也有了更多可以尝试的方向。

 

（二）数据积累开始发挥作用

 

大约在2010年前后，钢铁行业开始重视数据的价值。一些平台积累了多年的价格数据和成交记录，这些数据如果好好利用，可以帮助买卖双方更好地判断行情。比如，通过分析历史价格走势，买家可以大致判断现在是不是采购的好时机；卖家也可以根据市场需求的变化，调整自己的库存和报价。

 

这些平台积累的数据大致包括：

 

• 每天发布的大量钢材资源信息，涵盖不同品名、规格和材质。

• 每天产生的询价和成交记录，包含价格、数量、交货地等关键信息。

• 用户经常搜索和关注的钢材品类，反映了市场的热点需求。

 

显然，面对这些海量数据，单靠人工整理已经不太现实。钢铁行业需要更有效的数据分析工具，来帮助从业者从数据中获取有价值的信息。

 

一些平台开始尝试用数据模型来分析钢材价格的波动规律。比如，通过分析钢材库存、钢厂开工率、下游需求等多种因素，来预测短期价格走势。虽然不能做到百分之百准确，但至少为买卖双方提供了一个参考。

 

数据分析的核心是把看似杂乱的信息整理成有用的规律。比如，把不同地区的钢材价格放在一起对比，可以发现区域价差；把价格和库存放在一起看，可以了解供需关系的变化。这些分析如果做好了，对钢材贸易的各个环节都有帮助。

 

然而，数据分析也有局限。钢材市场受宏观经济、政策调整、国际市场等多重因素影响，很多变化难以用简单的模型预测。摆在行业面前的问题是，如果需要建立一个真正实用的钢材行情分析系统，需要投入大量的人力和时间。怎么办？

 

于是，一些平台开始把注意力转向更灵活的分析方法。比如，利用聚类分析来识别不同地区的钢材需求特点，然后针对性地提供资源推荐。当我们拥有足够的数据，就可以更细致地划分市场，从而提高匹配效率。

 

钢材行业的品种繁多，不同品种的用途和需求差异很大。数据分析可以把这些品种按照用途、规格、材质等维度分类，帮助买家更快地找到自己需要的钢材。

 

传统的钢材分类主要靠人工打标签，比如“螺纹钢”“热轧板”“冷轧板”等，但同一类钢材在不同工程中的实际需求可能差别很大。通过分析用户的搜索和采购行为，可以挖掘出更深层的关联，让资源推荐更贴合实际需求。

 

随着数据积累和分析技术的进步，钢铁行业的信息化水平逐步提高。从最初的价格行情展示，到后来的在线交易，再到现在的数据分析和智能匹配，每一步都在让钢材买卖变得更方便。

 

这些分析工具和传统的钢材贸易方式不同。比如，基于内容的推荐是分析钢材的规格和用途，然后匹配给有类似需求的买家，而不需要完全依赖历史成交记录。这需要用到自然语言处理和机器学习等技术，来理解钢材的品名和描述。

 

这些投入值不值？从行业实践来看，信息透明化确实减少了买卖双方的沟通成本。以前打十几个电话才能问到的价格，现在在网上一查就知道大概范围。虽然不能保证每笔交易都最划算，但至少让整个市场更有效率。

 

（三）智能匹配带来的“新变化”

 

近些年来，钢材市场的痛点越来越明显。工程项目对钢材的需求越来越多样化，规格多、批量小、交期急，传统的一对一询价方式很难快速满足。同时，钢材价格波动频繁，买家希望能在合适的时机买到合适的货。这种变化对钢材交易平台提出了更高的要求。能满足需求就能留住用户，不能满足就会被淘汰。

 

面对这些问题，一些平台开始尝试用更智能的方式来匹配供需。通过分析用户的浏览记录和采购习惯，平台可以把最合适的钢材资源优先展示给有需要的买家。近些年来，大数据技术已经比较成熟，处理海量信息的能力也更强了。

 

如果说传统的钢材信息展示像一本厚厚的黄页，那么智能匹配就像是一个熟悉市场的业务员。这种技术通过分析用户行为来“判断”用户的采购偏好，其系统基本可以分为数据采集、特征提取、匹配计算和结果排序几个步骤。当用户访问平台时，系统会根据历史数据快速给出推荐结果。

 

以一些先进的钢材交易平台为例，其推荐逻辑大致是：先根据用户的浏览和搜索记录，从海量资源中筛选出一批可能感兴趣的钢材；然后再根据价格、交期、卖家信誉等因素，对这些候选资源进行排序，把最合适的展示在前面。

 

这样生成的推荐结果与用户的需求相关度更高，用户不需要一页一页地翻找。排序环节则会综合考虑更多因素，比如用户对价格的敏感度、对交货地的偏好等，最终给出一个更合理的展示顺序。

 

在这种模式下，平台承担了更多信息筛选的工作。随着数据不断积累，推荐也越来越贴合实际需求，用户在找钢材时能节省不少时间。

 

二、钢材交易平台正在改变什么

 

钢材市场一直存在信息不对称的问题，买家怕买贵，卖家怕卖亏。—过去，钢材价格很不透明，同样规格的钢材，不同买家拿到的价格可能差很多，“主要原因”是信息不流通，买家不知道别家卖多少钱。

 

你需要从多个渠道反复比价吗？

 

这些重复的询价和比价消耗了大量时间和精力，就像你跑遍整个钢材市场，问了几十家商户，最后发现价格其实差不太多，但已经花了一整天。

 

如何解决钢材买卖中信息不对称的问题？

 

过去也尝试过一些办法，比如电话询价、传真报价、行业刊物上的价格信息，但要么效率低，要么更新慢。真正能改善这个问题的，是互联网平台的兴起。

 

钢材交易平台可以把全国各地的资源集中到一起，买家在一个网站上就能看到多个供应商的报价。其核心就在于把分散的信息汇集起来，让买卖双方更容易找到对方，这是减少信息不对称的关键。

 

但质疑的声音也不少。比如有观点认为，网上报价不一定准确，有些卖家挂低价吸引客户，实际成交时又加价；还有些平台上的资源信息更新不及时，导致买家白跑一趟。

 

支持和质疑各执一端，孰是孰非？钢材交易平台确实在进步，但也要看到面临的挑战。

 

1.支持的理由如下：

 

①信息集中，方便比价。

 

买家可以在一个平台上看到多家供应商的报价，不用再一个个打电话去问。平台把资源按品名、规格、材质、产地等分类展示，买家根据自己的需求筛选，很快就能找到合适的钢材。

 

②节省时间，提高效率

 

过去找钢材要跑市场、打电话、等报价，现在在网上几分钟就能完成初步筛选。买家可以把省下来的时间用在更重要的事情上，比如考察供应商、安排物流等。

 

③资源丰富，选择更多

 

平台汇集了全国各地的钢材资源，买家不再局限于本地市场，可以找到更多供应商，比较之后选择性价比最高的。这对一些偏远地区的买家尤其有用。

 

④帮助小卖家获得曝光

 

以前小卖家没有固定的客户群，资源很难卖出去。在平台上发布信息后，全国各地的买家都可能看到，小卖家也能获得更多成交机会，避免市场被少数大贸易商垄断。

 

⑤促进价格透明

 

当买家可以方便地看到多家报价时，卖家定价也会更谨慎。价格信息越来越透明，买卖双方的信任度也会提高，整个市场的交易效率也随之提升。

 

⑥方便平台精细化管理

 

平台可以根据用户的搜索和采购行为，把钢材资源更精准地推荐给有需要的人。这样不仅买家方便，卖家也能更快地找到目标客户，平台的运营效率也更高。

 

2.质疑的观点主要有：

 

①信息真实性问题

 

网上有些报价不是实价，卖家为了吸引点击故意标低，实际询价时又报高价。买家如果只看网上的价格，容易被误导。平台需要采取措施来核实报价的真实性，但这项工作并不容易。“虚假”信息不仅浪费买家时间，也影响平台的信誉。

 

②钢材规格复杂，难以标准化

 

钢材的品名、规格、材质、执行标准等五花八门，不同钢厂的产品也有差异，单纯靠网站上的文字描述很难完全说清楚。买家如果不熟悉，很容易买错货。

 

③质量参差不齐

 

网上找的供应商，买家不一定了解其信誉和质量。有些卖家以次充好，买家收到货才发现问题。平台虽然有评价机制，但评价的真实性和全面性也需要时间检验。

 

④更新不及时，影响判断

 

钢材价格变化快，如果平台上的信息更新不及时，买家参考的价格可能已经过时。有些平台虽然信息量大，但更新频率跟不上市场变化，反而误导用户。

 

⑤同质化竞争，优势难体现

 

不同的钢材交易平台展示的资源有很多重复，买家在哪个平台买都差不多，平台之间很难形成差异化优势。最后可能变成拼价格，利润越来越薄。“平台”之间的竞争最终还是要看谁能提供更好的服务。

 

3.未来的机会在哪里？

 

未来的机会在于两个方面：一是钢材行业本身的信息化需求，二是用户对高效采购的追求。

 

①行业信息化空间大

 

钢材行业的信息化程度相比其他行业还有很大提升空间。很多中小贸易商还在用纸笔记录库存，用电话沟通订单。如果能把他们的业务流程搬到线上，整个行业的效率都会提高。

 

从找货、询价、下单到物流、加工、结算，每一个环节都有优化的余地。平台如果能把这些环节打通，提供一站式服务，对用户的吸引力会大大增加。

 

②用户对效率的追求

 

现在的工程项目节奏越来越快，采购钢材的时间窗口很紧。买家希望能在最短的时间内找到合适的钢材，并且价格合理、交货及时。传统的采购方式已经不能满足这种需求，钢材交易平台因此有了更大的发展空间。

 

要满足用户对效率的追求，平台需要更深入地理解用户的需求，把最合适的资源推送给最需要的人。这方面还有很多工作可以做。

 

4.当下需要解决的问题

 

钢材交易平台在发展过程中面临不少问题，比如信息真实性、资源更新速度、用户信任度等，这些都给平台运营带来了挑战。

 

第一，信息准确。

 

平台上的资源信息必须准确，规格、材质、价格、库存等都要及时更新。如果买家根据过时信息去询价，发现货已经卖了或者价格变了，就会对平台失去信任。

 

第二，用户信任。

 

钢材交易金额大，买卖双方都很谨慎。平台需要建立一套机制来保障交易安全，比如卖家认证、买家评价、交易担保等。只有用户信任平台，才愿意在平台上交易。

 

第三，服务质量。

 

除了提供信息，平台还需要在物流、加工、金融等方面提供配套服务。如果买家在平台上买了钢材，还要自己去找车、找加工厂，那平台的价值就大打折扣。“配套服务”、“做得好不好”，直接影响用户的留存。

 

还有一个问题也值得重视。有些平台上的资源信息重复率高，同一批货多个卖家都在发，买家很难分辨谁是真货主。这种情况不仅浪费买家时间，也影响平台的用户体验。

 

曾经有买家反映，在一些平台上找货，打了好几个电话，发现都是同一个卖家。资源重复发布的问题不解决，平台的效率就上不去。

 

未来，钢材交易平台如何在信息真实性和服务效率上继续改进，将是一个重要的课题。

 

三、行业正在探索的方向

 

其实，无论有多少质疑，钢材交易平台已经吸引了大量从业者参与。

 

目前在市场上，不同平台采取的策略各有不同。有的侧重资源信息，有的侧重在线交易，有的侧重加工配送服务。这些不同的路线，反映了行业对未来发展方向的探索。

 

（一）路线一：以资源信息为核心

 

1.信息平台的做法，不断更新资源

 

一些钢材信息平台把重点放在资源信息的数量和更新速度上。它们与全国各地的钢材市场、贸易商合作，每天更新大量资源信息，让买家能第一时间看到最新的货源。

 

这类平台的核心是信息采集和发布。它们通常有专门的团队负责收集资源信息，然后按照统一的格式发布到网站上。买家可以通过搜索和筛选，快速找到自己需要的钢材。

 

①资源分类：按品名、规格、材质、产地、仓库等维度对钢材资源进行分类，方便买家筛选。“分类”越细，买家找货越方便。—②信息更新：每天定时更新资源信息，确保买家看到的是最新的货源。

 

更新频率是关键。

 

信息更新“越快，越能反映市场的真实情况。”。“越快，越能反映市场的真实情况。”越及时，用户的体验就越好。

 

2.为不同用户提供不同服务

 

有些平台针对不同的用户群体提供不同的服务。比如，针对大型工程项目，提供钢材采购方案；针对中小贸易商，提供资源代发服务。

 

这些服务包括：给买家推荐合适的供应商、帮卖家推广资源、提供行情分析等。

 

①给买家推荐供应商：根据买家的采购需求，推荐符合条件的供应商，减少买家筛选的时间。

 

②帮卖家推广资源：通过平台流量和推荐位，帮助卖家把资源展示给更多潜在买家。

 

③提供行情分析：定期发布钢材价格走势、市场供需分析等内容，帮助用户判断市场。

 

④搜索词推荐：根据用户的搜索历史，推荐相关的钢材品类和规格，帮助用户发现更多选择。

 

3.信息平台的三个阶段

 

以一些发展较早的钢材信息平台为例，它们的技术和运营经历了三个阶段：

 

早期阶段，主要是把线下的钢材资源信息搬到网上，以人工录入为主，更新频率也不高。这个阶段解决了信息从无到有的问题。

 

中期阶段，开始用数据库和搜索技术来管理资源信息，用户可以通过关键词搜索来查找钢材。同时，平台也加入了价格行情、市场分析等内容，增加了用户粘性。

 

当前阶段，一些平台开始尝试用大数据技术来优化资源推荐。通过分析用户的浏览和搜索行为，把最可能符合用户需求的资源优先展示，提高匹配效率。

 

这些平台为何能发展起来？原因在于，钢材行业的信息化是一个逐步推进的过程。从最初的人工采集到后来的数据库管理，再到现在的数据分析，每一步都在解决当时最迫切的问题。

 

（二）路线二：以在线交易为核心

 

另一条路线是直接切入在线交易，让买卖双方在平台上完成下单和支付。

 

在线交易相比信息展示，涉及更多环节，比如合同签订、支付结算、物流安排等。要跑通这些环节，平台需要投入更多资源。

 

当传统的线下交易方式已经不能满足用户对效率的要求时，一些平台开始尝试把交易流程搬到线上。我们以一些钢材电商平台为例来分析。

 

1.在线交易的关键环节

 

在线交易涉及多个环节，每一个环节都需要处理好，才能保证交易顺利进行。“交易”环节的顺畅程度，直接影响用户的体验。

 

相比传统的电话询价和线下签合同，在线交易平台面临几个主要的挑战：

 

①供应规模。现有绝大多数可行的钢材推荐方案，在处理大型钢材市场的海量产品就力不从心了。

 

②更新频率。钢材产品“交易”库不仅仅是储量巨大，每时每刻新增的钢材规格和材质也是源源不断。推荐系统要及时针对用户上传的内容进行分析建模，同时要兼顾已有钢材和新上传钢材的平衡。

 

③信息噪声。由于用户行为的稀疏性和不可观测的影响因素，用户的历史记录本质上难以预测。

 

为了解决这些问题，钢材推荐系统将研究重点转移到深度学习，使用Google Brain开发的TensorFlow（Google研发的第二代人工智能学习系统）系统为推荐系统带来了开发测试上的灵活性。

 

钢材推荐系统主要由两个深度神经网络组成：第一个神经网络用来生成候选钢材列表；第二个神经网络用来对输入钢材列表打分排名，以便将排名靠前的钢材推荐给用户。

 

候选钢材生成是依靠协同过滤算法产生一个宽泛的针对用户的个性化推荐候选名单。排名神经网络是基于第一个候选生成网络的列表，提供更精细的区分细化，从来达到较高的推荐命中率。通过定义目标函数来提供一系列描述钢材和用户的特征，排名网络则根据目标函数来给每一个钢材打分。分数最高的一组钢材就被推荐给用户。

 

正是钢材市场海量级别的产品数据才产生了深度学习的需要，有效弥补了协同过滤存在地处理数据耗时长等问题。

 

2.Facebook迈出的一大步

 

Facebook近10年来一直沿用其Newsfeed功能实现个性化推荐。2006年9月份，NewsFeed（信息流）问世，同时问世的还有MiniFeed（个人动态）。NewsFeed是一个系统自动整合生成的内容信息流，它自行来决定我们读到哪些新闻、动态、事件。它所覆盖的范围，其信息推送的精准度，以及其影响力远超过我们的想象，可以说NewsFeed是Facebook在人工智能上所走的一大步。

 

Facebook是如何利用深度学习来评价内容和用户的呢？

 

第一，在检视文本方面，Facebook使用“自然语言处理”技术来扫描每个人发的“状态”和“日志”，以便“真正理解文本的语义”，不仅如此还要将它们评级。日志在扫描的过程中，系统会自动识别出“过度标题党”或者“过度商业化”的内容，而且这样的内容在NewFeed里面是越来越少见到了。

 

第二，在内容翻译上，当在处理非英语的语言时，Facebook工程师专门开发了一个深度学习平台，每一天会对100多种语言所写成的文本进行分析，翻译。比如当一个朋友以德语发表了一条动态时，NewsFeed会以英语体现出来给一个美国的朋友，营造了一个能够跨过语言障碍的，人人实现互联互通的数字虚拟环境。

 

第三，在识别物体方面，Facebook也在利用深度学习技术来识别照片和视频里面的物体，不仅如此，它还能进一步地去探究谁有可能对这些照片感兴趣，或者这些照片跟哪些用户相关联，从而推荐给目标用户。

 

（三）深度学习之困境

 

深度学习能打遍天下无敌手吗？

 

至少目前来看，深度学习只是在Speech和Image这种比较“浅层”的智能问题上效果是比较明显的，而对于语言理解和推理这些问题效果就有点失分，也许未来的深度神经网络可以更“智能”的解决这个问题，但目前还差点火候。

 

深度学习在推荐系统领域的研究与应用还处于早期阶段。即使深度学习被认为能够解决协同过滤的冷启动、数据处理较慢的问题，但是风光之下，它也有自己的难言之隐。

 

第一，成本太高。数据对深度学习的进一步发展和应用至关重要。然而过分倚重有标注的大数据也恰恰是深度学习的局限性之一。数据收集是有成本的，而且标注成本已经开始水涨船高，这就使得深度学习的成本过高。而且对于体量较小、数据较少的众多小公司来说，即使有能力用深度学习改善个性化推荐结果，也面临着没有数据支撑的尴尬境地。

 

第二，降低成本的方案有没有？有，但是难以实现。深度学习分为有监督学习和无监督学习，大量无监督数据的获取成本却是微乎其微的。目前一般用的都是监督学习，但本质上基于监督学习的大多数推荐模型都很难彻底规避现存问题从而提高推荐质量。无监督学习由于无需对数据进行加标签等原因成本较有监督学习较低，但目前深度学习对无监督数据的学习能力严重不足，因此深度学习在推荐系统中的应用仍处于早期阶段。

 

新老派两大力量相互抗争、相互促进但又相互交融。传统推荐技术在深度学习的冲击下不断完善，深度学习带着赶超传统推荐技术的强势劲头不断革新但也面临着发展窘境。但正是在多个平台的这种自我发展和革新的过程中，新老派的界限也变得越来越模糊，越来越走向融合。即使坚持完善传统推荐技术的公司也开始慢慢涉足到深度学习的领域中，深度学习发展较为成熟的新派也并没有完全摒弃老派技术，那么，未来到底何派为王？

 

四．未来鹿死谁手？

 

内容C2M，本质上是对人心的一种洞察和预测。技术与人心的斗法，并非一朝一夕便能奏功。人类思想的根本特征在于“意识”，即个体理解自己与他人的心理状态，包括情绪意图、期望、思考和信念等，并借此信息预测和解释他人行为的一种能力。

 

但是，当前的人工智能领域中存在着一个很严重的问题：人们误解了深度学习模型的工作机理，并高估了网络模型的能力。

 

通过深度学习，我们可以训练出一个模型，它可以根据图片内容生成文字描述。这个过程被视作机器“理解”了图片和它生成的文字。当某个图像存在轻微改变，导致模型开始产生相当荒谬的字幕时，结果就会让人非常惊讶—模型失灵了。机器能找出一只猫，但机器仍然不能识别跟猫相关的所有信息。

 

回顾历史不难发现，技术一直追求的目标，与其说是让机器替代人类，而不如说是制造聪明的机器来提高效率。协同过滤技术的发展便是个明显的例子。

 

最近几年来，互联网巨头制造“聪明的机器”的积极性异常高涨，也是效率使然。根据微软研究院的估计，亚马逊网站上大约30%的页面浏览来自于推荐系统；Netflix首席产品官声称80%以上的电影观看来自于推荐系统，并称Netflix推荐系统的价值每年高达十亿美元；据阿里巴巴披露数字，2013年当天由推荐直接引导的成交总额为56.8亿元。今日头条则将公司核心业务架构在推荐引擎上，是当今最重视推荐技术的公司之一……

 

在内容C2M发展历程中，尽管深度学习存在许多不足，但深度学习主导未来是大概率事件。我们看到代表着传统推荐技术和深度学习的新老派在相互促进和相互融合，在全球流量前20的平台中，虽然有不少公司依然沿用采用协同过滤技术，比如Google新闻，LinkedIn等，但是其中一些公司也已经准备甚至已经采用深度学习等技术来改进自身不足。而YouTube、Facebook等先行者已开始享受深度学习的红利。

 

从饲养员模式到聪明的机器，内容产业的C2M已然成势，颠覆日，不远了。

 

我们可以相信，虽然深度学习还存在着一些制约因素，但是，随着AI技术和产业的强劲发展，技术上的瓶颈终究会被突破。

 

需要警惕的是，在C2M跨越了准确、隐私两座大山后，人类通过AI掌握了新的力量，掌握者的欲望和野心，也应该受到一定的控制，尤其是价值观问题，将显得越发重要。