我们用第一性原理来拆解“Bilibili 的推荐算法是好的”这个命题。核心是：不接受任何行业共识或用户直觉，只保留最底层事实，再重新推导。
一、基础事实（去掉所有常见假设）
先去掉这些常见假设：
-
“推荐算法应该让用户看到喜欢的内容”
-
“推荐算法应该公平”
-
“推荐算法应该帮助创作者”
-
“推荐算法越精准越好”
这些都是价值判断或行业叙事，不是基础事实。
保留最基础事实：
事实1：平台是商业组织
Bilibili 是一家上市互联网公司，其生存依赖：
-
收入（广告 / 会员 / 游戏 / 电商）
-
用户规模
-
用户活跃度
如果无法维持这些，公司无法持续存在。
事实2：用户时间是平台的核心资源
所有内容平台竞争的是：
用户注意力 / 用户时间
每个用户每天只有有限时间。
平台之间竞争：
-
TikTok
-
YouTube
-
Instagram
-
Bilibili
本质是：
谁能占用更多时间
事实3：推荐算法的输入是用户行为数据
推荐系统依赖数据，例如：
-
点击
-
停留时长
-
完播率
-
点赞
-
投币
-
评论
-
分享
算法不能直接理解内容价值，只能理解：
行为信号
事实4：算法优化的是可量化指标
机器学习系统必须优化明确指标，例如：
-
CTR（点击率）
-
Watch Time（观看时长）
-
Retention（留存）
-
Engagement（互动）
无法直接优化：
-
内容深度
-
社会价值
-
知识质量
因为这些难以量化。
二、逻辑推导
从上述事实推导。
推导1：平台目标 → 最大化用户时间
事实：
-
平台依赖用户活跃度
-
用户时间有限
因此平台理性选择：
最大化用户停留时间
推导2：算法只能优化行为信号
由于算法只能读到：
-
点击
-
停留
-
互动
因此算法的目标函数本质是：
最大化行为指标
例如：
max (watch time + engagement)
推导3：行为指标 ≠ 内容质量
一个内容可能：
高点击 + 高停留
但并不代表：
高质量 / 高价值
例如：
-
情绪刺激
-
戏剧冲突
-
信息密度低但娱乐性强
这些往往更容易产生行为信号。
推导4：算法会强化“可传播内容”
因为推荐系统是反馈系统：
更多互动
→ 更多推荐
→ 更多曝光
→ 更多互动
最终结果：
强者愈强
推导5：算法不追求公平
算法不会主动平衡：
-
新人 vs 头部
-
小众 vs 大众
-
深度 vs 娱乐
因为公平不是优化目标。
三、可能结论
从第一性推导，会得到几种不同结论。
结论1（平台视角）
Bilibili 的推荐算法是好的。
理由：
它有效实现了平台目标：
-
提升用户停留时间
-
提升互动
-
增加广告价值
从商业角度：
算法是成功的。
结论2（用户体验视角）
推荐算法未必是好的。
原因：
行为优化可能导致：
-
内容同质化
-
情绪刺激内容增加
-
深度内容曝光下降
即：
算法优化的是“看得久”，不是“看得好”。
结论3（创作者视角）
算法是：
选择性友好
对某些创作者友好：
-
高频
-
娱乐化
-
强情绪
但对一些创作者不友好：
-
长内容
-
学术类
-
小众领域
四、这种推导与常见观点的不同
常见观点通常是：
观点A：算法好/不好
用户讨论：
-
推荐准不准
-
内容多不多
-
公平不公平
这是体验层讨论。
第一性原理的不同
第一性推导问的是：
算法的目标函数是什么？
而不是：
我们希望它是什么。
常见思维：
推荐算法应该让用户看到好内容
第一性思维：
推荐算法只是在最大化某些指标
换句话说：
常见讨论是：
算法应该做什么
第一性推导是：
算法实际上在做什么
五、一句话总结
第一性原理下：
推荐算法不是“好内容发现系统”，
而是“用户行为最大化系统”。
当理解这一点后，
很多现象都会变得可解释。
如果你愿意，我还可以继续用第一性原理拆解一个更深的问题：
为什么几乎所有内容平台的推荐算法最终都会越来越像 TikTok。
这个推导其实非常有意思，而且几乎是平台演化的必然结果。