AI懂我，甚至比我自己还准？一场关于“人类口味是否可预测”的真实实验

65 0 0

文章摘要

本文围绕AI能否预测人类口味展开，Edmar Ferreira通过自身浏览数据实验给出答案。

AI预测人类口味实验的背景与动机：很多人认为自己的品味独特难以被捕捉，机器无法复制。但随着生成式AI爆发，作者想知道如今的机器是否能读懂并预测“人类的口味”，于是决定用自己的浏览历史做实验。

实验面临的问题与挑战：品味难以“数字化”，它是人类区分于机器最后的堡垒。真正的喜好藏在暗处，且不稳定，会随人生阶段、文化接触和环境迁移而演化。不过，这也可能为新一代AI提供结构化理解的切口。

大模型与传统推荐系统的差异：传统推荐系统像懒散的媒人，无法深入理解用户喜好。而大语言模型（LLMs）能理解上下文、文化语境与概念之间的微妙联系，理论上具备更强的个性化推荐能力。

实验过程与结果：作者收集自己在Hacker News和Readwise Reader Shortlist的浏览数据。无上下文时，AI预测准确率低；添加“品味提示”后，准确率大幅提升；微小提示优化也有稳定提升；“二选一”相对判断方式效果更好，在Hacker News实验中准确率最高达80.9%。

实验揭示的深层差异与隐忧：实验验证LLMs可理解、编码并应用个体偏好，但也显示出差异。加入“品味准则”能显著提升准确率；“二选一”判断更接近人类行为逻辑；在多元内容场景下，AI预测准确率下降。

预测与不可预测之间的思考：基础模型无上下文时几乎乱猜，说明人的兴趣判断私密且非共识。但加入“品味”提示后，模型能超80%准确预测点击行为。不过，AI虽在接近人类，但真正细腻的感知、偶然的共鸣等仍保留在人类身上，只是这20%的不可预测性或许已不远。