1. 演算法及其特性有哪些
1.演算法的重要特性（1）有窮性：一個演算法必須在執行有窮步驟之後正常結束，而不能形成無窮循環。
（2）確定性：演算法中的每一條指令必須有確切的含義，不能產生多義性。
（2）可行性：演算法中的每一條指令必須是切實可執行的，即原則上可以通過已經實現的基本運算執行有限次來實現。
（4）輸入：一個演算法應該有零個或多個輸入。
（5）輸出：一個演算法應該有一個或多個輸出，這些輸出是同輸入有特定關系的量。
2.演算法描述的方法（1）框圖描述：該方法使用流程圖或N－S圖來描述演算法。
（2）自然語言描述：該方法採用自然語言，同時添加高級程序設計語言如while、for和if等基本控制語句來描述演算法。這類描述方法自然、簡潔，但缺乏嚴謹性和結構性。
（2）類語言描述：這是介於程序設計語言和自然語言之間演算法描述形式，其特徵是突出演算法設計的主體部分而有意忽略某些過於嚴格的語法細節，如類C或C＋＋的偽語言。這種演算法不能直接在計算機上運行，但專業設計人員經常使用它來描述演算法，它具有容易編寫、閱讀和格式統一的特點。
（4）程序設計語言描述：採用某種高級程序設計語言（如C或C＋＋）來描述。這是可以在計算機上運行並獲得結果的演算法描述。
本課程將採用偽C語言進行演算法描述。
2.演算法與程序的關系演算法的含義與程序十分相似，但二者是有區別的。演算法和程序都是用來表達解決問題的邏輯步驟；演算法是對解決問題方法的具體描述，程序是演算法在計算機中的具體實現；一個程序不一定滿足有窮性（死循環），而演算法一定滿足有窮性；程序中的指令必須是機器可執行的，而演算法中的指令則無此限制；一個演算法若用計算機語言來書寫，則它就可以是一個程序。因此，程序是演算法，但演算法不一定是程序。4.演算法設計要求在演算法設計中，對同一個問題可以設計出不同的求解演算法。如何評價這些演算法的優劣，從而為演算法設計和選擇提供可靠的依據？通常可從以下四個方面評價演算法的質量：
（1）正確性：演算法應該能夠正確地執行預先規定的功能，並達到所期望的性能要求。
（2）可讀性：演算法應該好讀，以有利於讀者對程序的理解，便於調試和修改。
（2）健壯性：演算法應具有容錯處理。當輸入非法數據時，演算法應對其作出反應，而不是產生莫名其妙的輸出結果。
（4）效率與低存儲量需求：效率指的是演算法執行的時間。對於同一個問題，如果有多種演算法可以求解，執行時間短的演算法效率高。演算法存儲量指的是演算法執行過程中所需要的最大存儲空間。高效率和低存儲量這兩者與問題的規模有關。
2. 論內容理解演算法
經過幾年的膨脹期，演算法的熱度快速下降，不論是AI四小龍的上市之路艱辛，還是各大頭部互聯網公司的副總裁重返學術界，以及演算法人員的招聘凍結。這里有總體經濟形勢惡化帶來的影響，也與演算法本身的能力上限有關，在各類學習任務上，演算法的性能正在逐漸進入瓶頸，通用任務效果提升的梯度在逐漸變小，有效的進展都依賴於超大規模的數據和模型參數，以通用語義表徵任務為例，完成一次超大規模的預訓練模型的成本達到數百萬元，極大地限制了中小企業參與的機會。
在業務應用方面，經過幾年的持續建設和多種類型功能的輸出，業務依賴的不同方向所對應的內容理解演算法在應用和效果層面已趨成熟，能夠帶來驚喜效果的機會變的很少。這種形勢下，作為偏後台支持的角色，如何去識別並持續深化內容理解演算法的作用變得很重要。本文試圖從價值視角分析內容理解的生存形勢，發掘未來發展的可能性以及從業人員的應對手段方面做了些不算嚴謹的闡述。
一直以來我們定義內容理解演算法為業務的萬金油，隨時隨地可以插拔式應用。從配合內容生產者做創作提示，幫助運營做質量分析，版權保護，相似查找，幫助搜索演算法提供長尾查詢的效率增強，幫助推薦演算法提供標簽等細粒度語義特徵，根據消費者的負向反饋進行同類型的內容屏蔽(如軟色情，惡心，不喜歡的明星)。因此很自然地，我們把內容理解演算法的使命定義為「內容流轉的全鏈路提質提效」，這里的質量包含對確定性劣質的去除，以及優質內容的免審或者高曝推薦。效率指的是把內容從生產到消費的鏈路上的時間優化到最快，包括配合運營進行快速的內容篩選，輔助分發演算法進行人群和內容的精準匹配。
這里需要回答的是，在上述相對完備的能力基礎上，內容理解演算法所能提供的最核心的價值是什麼？
首先是客戶的定義問題，內容理解演算法的客戶不是運營，不是分發演算法，也不是生產者和消費者。而是要回歸到最原始的「內容」，用於對內容進行附加值的極大化提升。
其次，參與到內容流轉各環節的角色承擔了對內容理解演算法的價值落地和放大，不論是運營所主導的平台意志實現，分發演算法對內容和消費者的高效匹配，以及生產者和消費者分別從內容供給和消費方面對內容理解演算法的訴求。
最後，內容本身是一種載體，載體背後是人對現實世界的刻畫，平台層面有對內容進行按需取用的邏輯，消費者也有用腳投票的權利，這里的內容理解演算法不應當做任何的自我傾向，按照業務訴求的多樣化能力輸出是內容理解存在的核心價值，否則通過簡單搬運學術界的開源模型便可形成表面上的業務能力堆砌，顯然是無法滿足業務的增長訴求。
因此，我們可以形成價值定義： 「內容理解演算法的核心價值是內容全生命周期內，根據服務業務的多樣化訴求，提供智能化和結構化的理解能力，其衡量標准為上述能力帶來的附加效率提升和成本下降。」
從這個定義來看，內容理解演算法似乎沒有站在主戰線上，價值被隱性地統計起來。實則不然，就如戰爭一樣，沖鋒在前的部隊只有少數，而承擔防守和輔助任務的兵種實際上是不可或缺的，很多時候也決定了戰爭的走向， 歷史 上由於後勤保障問題導致戰爭走向改變的例子比比皆是。就如定義中的效率提升，它其實不是一票式的，由於效率的提升會帶來供給者和消費者的規模增大，又會產出對內容理解演算法效率提升的更多訴求，這種正反饋式的鏈路也是內容業務可以快速實現既定目標的重要方式。
一、估值 游戲
以2021年11月小紅書的估值來看，彼時6千萬DAU和47分鍾人均時長的內容社區獲得200億美金的估值認可，這屬於一個早期內容社區經歷過較長時間的成長後才能達到的高度。考慮一個相對創新內容業務，兩到三年的時間想要達到5000萬DAU和5分鍾的人均時長其實還是比較困難的，按照對標小紅書的邏輯，估值上限為30億美金，假設內容理解演算法對業務貢獻率用3%折算，估算下來內容理解估值為9千萬美金，按照簡單的市銷率10倍計算，內容理解每年的營收為900萬美金(按照估值反推營收的原因是是內容理解演算法對業務的點狀式能力輸出難以做到精準的量化統計)。
900萬美金是非常尷尬的數字，因為內容理解演算法存在比較高昂的成本，從大頭上來看，內容理解演算法支出分為三部分，第一部分是演算法人員，以15人的支撐團隊計算（看起來有點多，實則不然，想要支撐對未來預期的增長，15個人實際並不夠用），按照單人每年的支付成本150萬計算(這個成本折算到員工回報大約為100萬左右，已經沒多大市場競爭力)，大約400萬美金/年；第二部分是資源消耗，按照百萬內容/天的規模計算，各種資源成本(包括機器，存儲、輔助軟體等)大約500萬美金/年；第三部分是配套工程人員，產品經理，外包標注支持等，這部分大約150萬美金/年。可以看到業務發展到這個階段，內容理解演算法是入不敷出的。
按照上述口徑，能夠改善內容理解價值的核心方法包括三個方向，一是業務估值的上升，需要業務DAU和時長的穩定提升。二是內容理解演算法的業務貢獻率提升，這里對內容理解演算法的要求是比較高的，不僅僅要從內容的質量，生產者的輔助，分發流量效率，業務的大盤生態，或者業務商業化上有所作為。三是降低成本，這個路徑的可行性很弱，反倒是隨著業務的成長，成本的消耗會進一步增加，能夠做的是控製成本增長的速度小於業務增長。
「按照業務貢獻對處於業務發展前期的內容理解演算法進行價值衡量，情況是非常不樂觀的」。
二、價值重塑
前面的視角是業務閉環下的價值衡量，放開到更大的視角，內容理解演算法之所以構成相對獨立的功能單元是因為它提供的能力是相對通用的，比如標簽識別演算法不僅僅可用於小紅書，也可用於抖音和快手這樣的內容業務。
因此在支撐具體的業務的過程中沉澱出通用演算法進行其他類似業務的價值輸出，是內容理解演算法的另一扇門。這裡面臨的另一個問題是如果是頭部業務，一定是要求內容理解演算法是為它量身定製的，而中小業務願意為內容理解演算法買單的價錢是有限的。針對這個問題的核心解法是在做頭部業務能力定製的時候，提供盡可能通用的能力，通過對數量眾多的中小業務形成價值輸出，實現量級的堆砌。
此外，要差異化成熟業務和創新業務，對於成熟業務而言，內容理解演算法對業務的微小提升可能是非常明顯的，以京東平台為例，如果內容理解演算法通過圖像搜索或者同款識別等能力提升業務成交0.1%，也將是數億美金每年的價值加成。對於創新業務而言，內容理解演算法應當深入業務，從內容的全生命周期為業務提供硬核的能力，用以幫助業務實現生產者和消費者體感的明顯提升，最終帶來業務的正反饋式增長，早期的抖音就是依託炫酷的AI特效體系實現用戶規模的快速增長。
「目前能看到的，讓內容理解演算法進行價值放大的有效途徑是貼身服務頭部業務的過程中，沉澱通用化能力橫向輸出盡可能多的同類型業務。針對成熟業務尋找對業務增長的確定性增長點，創新業務尋找到適合於業務快速增長的硬核能力」。
作為一名內容理解演算法沉浮六年的老兵，我對內容理解演算法的未來持謹慎樂觀的態度。原因有三個方面，一是這一輪深度學習帶來的演算法提升空間變得有限；二是互聯網用戶進入存量時代後，頭部內容會更加精耕細作，從追求效率轉向運營的精細化和粘性保持；三是對未來可能出現的下一代內容消費方式的期待和觀望。
一、相對有限的演算法提升空間
過去的幾年，內容理解演算法的演進可以分為三個方向，一次是從傳統的手工特徵到神經網路特徵的升級，通過大數據和大算力實現效果的明顯提升，也極大降低了演算法人員的准入門檻；二是對內容的理解從單一模態升級為多模態&跨模態，以及以圖神經網路為基礎的推理能力；三是極大規模數據的模型學習，即以大規模預訓練模型為基礎的統一內容表徵方式，催生了transformer家族的不斷壯大。
然則，演算法的性能逐漸接近瓶頸，不論是在看圖說話、 情感 分析、還是標簽識別等演算法任務上距離人類仍然存在一定的距離，並且這份距離看起來短期內沒有明確的突破機會。反倒是業界開始從監督學習往無監督學習靠近，試圖利用海量數據學到背後的範式，這本質上是對追趕上人類能力的背離。
以transformer為例，百億數據下訓練一次消耗數百塊GPU，數周的訓練時間才有可能獲得明顯的效果的提升，這還不包括精細的網路調整的令人沮喪時間成本。此外下游任務想要得到期待的效果，還需要進一步的遷移學習。從表象來看，只是提供一個更好的演算法學習的起點。
我們經歷了一個業務對我們翹首以待到逐漸理性的合作過程，AI演算法從來就無法成為救世主，而是有更強生產力的工具。當然我們不應當過於悲觀，起碼過往的幾年，蓬勃發展的演算法體系帶來了從業人員的准入門檻極大下降，大眾對AI演算法的廣泛認知也有助於內容理解演算法相對長期的旺盛生命力和成長。
二、存量用戶時代的內容社區的運營方式
中國互聯網用於見頂，意味著各大內容業務必須進入存量用戶階段。存量用戶階段面臨的困境是粗放式增長不復出現，用戶群體開始細分，用戶粘性變得更加艱辛，要求內容社區必須進行精細化運營。精細化運營背後的表現為對效率的要求下降，轉而對用戶心智和長期的戰術保持耐心。這種情況下內容理解演算法會成為散落到業務眾多需求列表的功能支撐點，獨當一面的機會愈發減少。
「從演算法學習的角度來看，人的創意，玩法設計，互動屬性是目標(ground truth)的天花板，因此此時此刻保持工具屬性是相對合理的態度」。
三、下一代的內容消費方式
互聯網時代的內容消費經歷了文本到圖像的升級，再到視頻的升級，每一次內容消費升級背後產出對內容理解演算法的爆發式增長，那麼下一代的內容消費方式又是什麼呢？
業界目前正在押注元宇宙，facebook甚至把名字都改成了meta。過去有幾波VR/AR的熱潮，看起來除了在某些線上成人網站和線下 游戲 設備之外，並未有足夠顛覆我們日常生活方式的輸出。
人類對更高級的感知外部環境和與他人無時空差別的交互需求是明確存在的，只是它是否由「元宇宙」承載卻是個未知數。如果元宇宙是這個載體的話，那麼虛擬世界的感情識別，觸感生成，自然交互，生態的 健康 治理，超大規模內容消費下的負載下降會是內容理解演算法可以嘗試去攻克和深耕的全新地帶，也會承擔更為核心的角色。
「下一代的內容理解消費方式有機會成為內容理解的下一個主戰場，但是目前的形勢並不明朗，需要我們保持耐心地思考和觀望」。
四、其他的可能
拋開頭部綜合性AI大廠商如網路，騰訊，阿里巴巴，華為等企業作為內容理解多樣性需求輸出的第一極之外，還有以內容理解演算法作為平台能力輸出的第二極，比較有名的是AI四小龍(商湯、曠視、依圖，雲從)，以及深度結合各民生領域的產業AI能力輸出。
醫療AI，解決醫療資源匱乏導致看病需求無法被滿足，人工看診時間長等問題。比較典型的case是COVID-Moonshot眾包協議，由500多名國際科學家共同參與，以加速COVID-19的抗病毒葯物研發。
教育AI，解決優質教育資源匱乏導致的分配不公，及教師和學生的信息不對稱問題，雖然國家正在推新教育雙減政策，但是教育作為一項基本的人身權利應當得到更好的滿足，比較知名的企業有松鼠AI，猿輔導等。
製造AI，解決製造車間設備、數量、功能增多、調度分配難度大、需求端個性化要求等問題，利用AI，自動化，IOT，邊緣計算，雲，5G等手段，充分利用生產車間的海量價值數據，把人從簡單重復的勞動中解放出來以從事更高級的任務，幫助提高產量的同時降低缺陷率，比較知名的企業有正在香港上市的創新奇智和創新型工業AI-PASS平台提供商遠舢智能等。
此外，還有在智能駕駛、智慧城市、晶元AI等產業領域深度耕耘的各種公司，他們正在充分發揮大數據和AI演算法的能力，為各大產業帶來源源不斷的創新能力。
回到內容理解演算法的現存生存環境，仍然存在一定的潛力可以挖掘。在下一代內容消費方式到來之前，可以做得更好，形成與上下游的積極聯動，在現在的舞台上展現出更佳的風采。
一、產品
內容理解演算法的產品是不是剛需，這個話題有點爭議，有人說演算法的產出速度是比較慢的，讓昂貴的產品角色參與建設本身會存在浪費的情況。我個人認為內容理解演算法所對應的產品角色必須具備，因為在龐大的業務體系後面，如果缺失了面向業務需求的自頂向下的內容理解演算法體系設計和建設，非常容易出現業務賦能的水土不服。
產品需要考慮的核心問題是如何衡量長期和短期投入，演算法是比較精細的工作，對結果的預期是非確定性的，因此需要做好對業務預期的管理以及同業務需求的及時交互。為了保障演算法最終在業務的使用效果，前期可以通過簡化版本或者半成品演算法的產品化方案進行快速試錯，幫助業務決策的同時給演算法的長期迭代爭取空間。此外，針對演算法長期迭代設計有效的樣本數據迴流機制，通過配置化輸出給到業務盡可能多的試錯方式，以及業務上線使用後的效果實時監控等都是產品需要思考的工作。
二、運營
運營應該是內容理解演算法打交道最頻繁的相關方，內容理解演算法的評價標准和業務適配都需要運營來進行構建和監控。內容理解演算法是運營進行內容供給生態和消費生態運營的智能助手，從內容結構化標簽角度提供到運營各種分析使用方式，如內容審核、內容圈選，內容人群定投等。
和運營打交道對內容理解演算法提出高要求，如何快速衡量需求的合理性及可行性非常關鍵。有時候內容理解演算法做了過度承諾，導致上線效果不佳，影響業務的發展。有時候對演算法實現效果的不自信或產品化用法借力不夠從而拒絕需求導致業務失去寶貴的試錯機會。因此內容理解演算法應當對內容運營的鏈路有相當的掌握，可以和運營一起定義全鏈路演算法能力，從應用的視角推進演算法需求的合理有序的開展。
三、生產者
生產者對於平台來說至關重要，巧婦難為無米之炊，不論運營和分發演算法多麼牛逼，缺少了高質量的內容生產來源，業務是不可能有持續增長的。通常情況下兩千優質生產者加上數萬的普通生產者即可支撐起千萬DAU的業務，如何服務好這部分生產者對平台來說非常關鍵。
內容理解演算法和生產者目前的主要交互方式包括幾個方面，一是在內容生產的時候給到生產者的內容元素的智能推薦，如話題，標題，配樂的推薦等；二是進行內容展現效果的提升，如濾鏡，貼紙，美顏，畫質增強等；三是從質量層面給予生產者指導和管控，包括從業務視角給到生產者發布的內容大致因為何種理由不被平台採納，內容高熱趨勢消費榜單，內容的版權保護等。
從生產者視角來看，盡可能多地從平台獲取流量或者商業化價值是根本追求，因此往往會出現對平台規則的不斷試探以攫取利益，如發布大量的擦邊球或危言聳聽的內容。內容理解演算法需要在內容供給規模不斷變大的情況下幫助平台保持 健康 的生態和有效的流量分配同時盡可能給到生產者更多指導。這種相愛相殺的關系也給內容理解演算法帶來了不少的挑戰和生存空間。
四、分發演算法和消費者
把分發演算法和消費者放在一起的核心邏輯是內容理解演算法絕大部分情況下是需要通過分發演算法和消費者打交道的。從消費者視角觀察，高活用戶代表主流心智，如何服務好這波群體關繫到業務的生存問題。中低活用戶是平台的增量所在，持續加強這部分用戶的平台粘性是關鍵任務(這里會有部分用戶的出逃，為了維護平台的心智，這部分的犧牲是可接受的)。分發演算法承擔了把海量內容做負載下降後根據用戶的長短期興趣進行推薦的使命，分發演算法是需要秉承平台意志的，用於進行內容的流量調配用於影響消費者的體感和心智，給平台帶來源源不斷的生機。
早期編輯為主的內容分發模式下，消費者是被教育的對象，一天之內能夠看到的新鮮內容是非常少的，這種情況導致消費者的瀏覽深度和時長是受限的。個性化推薦模式下，用戶的興趣被極致放大，由於相關內容和新鮮內容的快速推送，消費者會感受到強烈的沉浸式消費體感。然而內容的多樣性，消費體感的持續維護，興趣的拓展等變得非常重要，這給分發演算法的精準性提出很高要求。提供分發演算法細粒度的識別能力是內容理解演算法可以大展身手的機會，內容是否具備不錯的分發潛力以加大分發流量？內容的適合人群是什麼？用戶無序瀏覽背後的核心興趣是什麼？軟色情/部分人群不喜好內容(蛇蟲寵物)如何精準識別用以分發調控等問題都是分發演算法難以觸達的地方，這些命題正是內容理解演算法可以深入研究並影響內容分發和消費的重要方面。
除了特定的場景(如互動玩法，個性化封面圖等)，內容理解演算法應當恪守自己在內容生命周期的參與廣度。涉及到內容的分發和消費，內容理解演算法應當把自己定義為分發演算法不可或缺的助力，而不是試圖去做替換，站在內容理解演算法視角，分發演算法可以約等於消費者。以飯館運作為例，分發演算法是大廚，根據消費者的口味和食材和菜譜提供個性化的食物服務。內容理解演算法可以對食材進行質量管控，研發新的菜譜，在必要的時候提供半成品的菜品。和消費者的交互交由分發演算法來處理，畢竟術業有專攻，內容理解演算法可以在對內容的深度理解和消費者洞察上做縱向的深入，提供更多的可能性，包括生態、多樣性、內容保量等。
內容理解演算法和分發演算法的理想態是正和 游戲 ，零和 游戲 對雙方都是沒有意義的，因此這里額外對內容理解演算法提出的要求是在內容消費場景建立一套相對客觀的評價體系，通過演算法的標准化評估進行上線流程的加速，通過不斷的快速試錯給分發演算法提供更多槍支彈葯。
五、工程&數據分析
一個好漢三個幫，內容理解演算法背後也站著一群小夥伴，面向演算法生產的大規模工程基礎設施和面向演算法洞察的數據分析能力可以幫助內容理解演算法更好的發展。在內容爆炸式增長的今天，高效的演算法工程體系非常關鍵，甚至是拉開不同公司差距的最重要手段之一。有個非常明顯的例子，在業界舉辦的各種演算法大賽上，只要是大型互聯網公司參賽基本上都會出現霸榜的情況，這背後是模型訓練效率的強大先發優勢，擁有百塊級別GPU並發訓練能力的高校是非常少的。此外以通用向量檢索功能為例，百億級的向量索引能力在有限的算力和內存消耗下穩定運行起來是需要大量的工程優化手段的，而這個功能對演算法的高效使用至關重要。
服務於內容理解演算法，數據分析有非常多的應用。根據消費統計行為構建面向內容興趣的用戶畫像，風向趨勢內容消費對供給的指導，層次耦合的內容標簽的合理掛靠關系，演算法上線前的有效性分析，及演算法上線後持續監控和異常告警等。
內容理解演算法需要做的是面向業務場進行完整的架構設計，從演算法的效率角度，包括演算法服務效率，演算法洞察視角等方面聯動工程&數據分析提供強大的生產力，通過規模和系統厚度構建足夠的技術門檻。
2021年對中國互聯網，甚至是中國 社會 的前行都是不同尋找的一年，在全球經濟下行，國家間人為壁壘構建的情況下，恰恰又遭遇了國內人口增長的停滯，國家對互聯網平台的強管控，以及互聯網用戶滲透的見頂。
內容理解演算法背後的AI演算法體系多少也收到了波折，不過從整體形勢來看，AI演算法體系和產業化仍然在往前走。基礎理論研發體系中對應的論文發表、會議舉辦及大賽的舉行和參賽人員的規模都在增長。這兩年的遇冷問題主要是受到市場大環境的影響，AI占總體投資的比重仍然在上升。從國內方面來看，全球經濟的技術封鎖進一步堅定了中國立足自主創新的決心和信心，國家十四五計劃也明確提出了大數據，人工智慧，VR/AR的產業發展規劃，AI產業仍然有很強的潛力值得挖掘。
作為依附於業務的內容理解演算法，需要有清晰的自我認知和定位。我們的核心價值是什麼？它如何得到有效的定義和量化？作為服務於業務眾多角色中的一員，如何做好同其他角色的正向互動？上述問題背後的答案代表了內容理解演算法的核心作用。現在的演算法界有一股投機風，什麼熱門就搞什麼，有號稱無需數據標注的無監督學習，有號稱可以效果對標大量標注樣本的小樣本學習，有號稱單個演算法模型打遍天下的多模態預訓練學習等等。如果從問題抽象簡化的角度去研究基礎的理論體系和演算法學習範式是沒有問題的，但是如果業務的算同學也把這類概念擺在嘴上是有問題的，脫離了業務場景的核心訴求去談技術創造新商業，是一種對客戶的傲慢，屬於典型的機械主義。
作為深度結合業務的內容理解演算法，應當從業務場景出發，結合演算法的可行性去 探索 用於業務賦能的核心技術，對於明確可以產生正向業務價值的演算法技術，哪怕需要較長一段時期的打磨，也要敢於投注建設，在演算法研發的過程中不斷地思索業務的更多可能性，逐漸把業務的不確定性轉化為技術的相對確定性。對於較長時間無法形成對業務貢獻的演算法，應當果斷放棄深入研究，當然作為技術觀望跟進是沒有問題的。
從目前形勢來看，內容理解演算法的發展確實碰到了一些困難，但我們可以保持對未來的謹慎樂觀，期待下一代內容消費形態的來臨，同時盡可能多地進行業務場景的細化進行能力輸出和加強，把存量業務價值做好放大，通過演算法自身的持續建設，為將來可能來臨的那一刻做好技術儲備。