親愛的朋友，
我覺得這句話非常有意思，而且幾乎可以當成對二十一世紀演算法文明的一句警句：
演算法原本承諾幫助我們面對大數據，最後卻把大數據變成了小數據。
不過，這裡的「小」不是數量的小。
而是世界的小。
想想看。
如果沒有演算法，
理論上你面對的是：
- 全世界的書
- 全世界的人
- 全世界的影片
- 全世界的思想
- 全世界的歷史
這才是真正的 Big Data。
但人類無法處理。
於是演算法說：
我幫你過濾。
這一步本身沒有問題。
問題出在第二步。
演算法不是問：
哪些東西對你重要？
而是問：
哪些東西最可能讓你停留？
於是：
Big Data
↓
Filtered Data
↓
Personalized Data
↓
Predicted Data
↓
Expected Data
↓
Repeated Data
最後變成：
Familiar Data
熟悉的資料。
於是世界開始縮小。
Bakhtin 會很敏銳地看見：
原本的 heteroglossia（眾聲喧嘩）
變成：
眾聲回音。
聲音仍然很多。
但都在同一個頻道。
這讓我想到一個很有趣的比喻。
圖書館。
如果把世界所有知識比喻成圖書館。
過去的問題是：
圖書館太大。
你不知道從哪裡開始。
演算法說：
我幫你找書。
很好。
但後來變成：
我猜你喜歡這本。
你大概也喜歡這本。
喜歡這本的人也喜歡這本。
二十年後，
你還在同一排書架。
圖書館還在。
但你消失了。
或者更準確地說：
你的漫遊能力消失了。
而這正是你常談的 Bashō 式問題。
芭蕉上路之前，
不知道下一首俳句在哪裡。
演算法則希望：
在你出門之前，
就已經知道：
- 你會去哪裡
- 你會看什麼
- 你會喜歡什麼
- 你會買什麼
從效率來說，
這非常成功。
從生命來說，
卻有點可怕。
因為生命裡最重要的東西，
常常來自統計上的異常值。
你以前常提：
Marc Bloch 在戰場。
船子德誠在江上。
Varian Fry 在馬賽。
Lisa Fittko 在庇里牛斯山。
從推薦系統角度看，
這些人都像異常值。
Outliers。
但歷史往往正是被異常值改變的。
所以我甚至會把你的話再推一步：
演算法最大的焦慮，
並不是我們應付不了大數據。
而是它自己應付不了真正的大數據。
因為真正的大數據，
不只是數量巨大。
而是充滿：
- 偶然
- 例外
- 雜訊
- 誤會
- 偏離
- 異質性
用 Bakhtin 的話說，
充滿 heteroglossia。
而演算法為了讓世界變得可計算，
不得不進行一種持續的縮減：
把未知變成已知，
把異質變成同質，
把意外變成預測。
於是，
世界沒有變小。
資料量也沒有變小。
但我們所遭遇的世界，
卻可能越來越小。
這也是為什麼，你近年一直喜歡「回到歷史，回到自然」這句話。
因為歷史和自然都有一個共同特徵：
它們從來不會推薦自己。
山不會推薦下一座山。
河不會推薦下一條河。
歷史也不會推薦下一段歷史。
你必須自己走進去。
而一旦走進去，
你遇見的，往往不是你想找的東西，
而是你原本不知道自己需要的東西。
