电子邮件曾是首批AI推荐引擎的用户界面

在 1990 年代中期，面对互联网初期的信息爆炸，以 Ringo 为代表的早期推荐系统利用电子邮件作为用户界面兴起。这些系统并非依赖复杂的 AI 算法，而是通过“社交过滤”——即汇集和匹配大量用户的评分与偏好——来推荐音乐和电影。它们成功解决了信息过载问题，并让用户对这些看似智能的代理产生了信任甚至情感连接，为现代推荐引擎和 AI 的发展奠定了基础。

信息爆炸催生的新需求

在 1990 年代初，发现新音乐主要依赖电台和唱片店店员的推荐。但随着万维网从 1991 年的单个网站爆炸式增长到 1994 年底的一万多个，知识的增长反而带来了信息过载的困扰。传统的目录和分类已不足以应对，人们迫切需要一种新的发现机制。

无限的知识和内容如果没有发现它的方法，又有什么用呢？

当时的研究者们意识到，仅靠搜索功能已无法让用户跟上信息产生的速度。技术需要帮助人们筛选出真正想要的内容，并过滤掉不相关的干扰。

“社交过滤”：群众的意外智慧

解决方案来自一个“看似简单得具有欺骗性”的想法，即社交过滤。这个概念由麻省理工学院（MIT）的团队提出，其核心逻辑非常直接。

• 核心理念： 过去意见一致的人，未来也很可能再次达成一致。
• 应用场景： 如果你和另一个人喜欢同一首歌，那么你们很可能也会喜欢对方推荐的新艺术家。
• 目标： 将“社交过滤”作为互联网的一种组织原则，帮助用户在海量信息中进行探索和发现。

来自施乐（Xerox）、贝尔实验室（Bell Labs）、斯坦福和 MIT 的多个团队都认为，社交过滤是未来的完美发现机制，关键在于如何准确地收集和处理每个人的偏好。

电子邮件：通用的人机界面

在那个存储成本高昂、并非人人都有强大电脑的时代，电子邮件成为了连接用户的最佳桥梁。它被视为“网络连接的最低共同标准”，几乎人人可用。

• Tapestry (Xerox PARC): 1992 年，施乐 PARC 团队开发了 Tapestry，一个协作式电子邮件应用。用户可以为自己喜欢的邮件或文档添加“背书”，系统会根据背书数量对信息进行排序，让其他人能快速找到高质量内容。

• SIFT (Stanford): 1994 年，斯坦福大学的 SIFT 工具更进一步，它完全基于电子邮件工作。用户通过邮件订阅感兴趣的主题（如“水下考古学”），SIFT 会定期发送相关文章摘要。用户回复邮件索取全文，这一行为本身就成为一次“投票”，帮助系统优化未来的推荐。该服务大受欢迎，在发布后的十天内就吸引了上千名用户。

• Bellcore 的电影推荐: 1993 年，贝尔实验室的一个团队利用邮件来解决“看哪部电影”的选择困难。用户可以通过邮件主题行发送指令，为看过的电影打分（1-10分）。系统会匹配品味相似的用户，并在几分钟内通过邮件回复推荐的电影。

贝尔实验室的团队预测：“虚拟社区也可能围绕音乐、书籍和目录产品等其他领域迅速发展。”

Ringo：一个有人格的音乐“朋友”

在贝尔电影推荐项目关闭两个月后，MIT 的 Ringo 项目启动，它将社交过滤应用到了更复杂的音乐领域，并为其注入了“人格”。Ringo 的邮件回复写得像一个真诚的朋友，例如“我建议你看看这些艺术家……”。

用户通过邮件与 Ringo 互动，为 125 位艺术家评分（从 1 分的“快把耳塞递给我”到 7 分的“我的最爱之一！”）。Ringo 随后会匹配品味相似的用户，并回复一份包含 8 位推荐艺术家的邮件。

尽管 Ringo 并非总是准确，但用户对其表现出了极大的热情和信任。

• 建立信任： 即便 Ringo 早期的推荐并不完美，用户依然表现出极大的热情，他们期望它能起作用，于是它就起作用了。
• 感觉被理解： 有些用户甚至在 Ringo 无法提供推荐时感到“受宠若惊”，因为它表明自己的品味足够独特。
• 情感连接： 用户很快将 Ringo 视为一个朋友，认为它的推荐是“自我品味的反映”，从而更愿意相信其预测。

真正的智能：人，而非机器

这些早期系统的成功秘诀不在于算法或界面，而在于汇集了大量用户的真实选择。它们证明了群体智慧的力量。

我在很大程度上认为，伟大的人工智能是由聚合的人类决策组成的，而不是机器生成的决策。

随着时间推移，这些项目也演变成了我们今天熟悉的产品。SIFT 最终商业化，而其背后的斯坦福图书馆项目则资助了谷歌搜索的诞生。Ringo 后来被微软收购，其基于电子邮件的登录系统演变成了 Microsoft Passport。

社交过滤的理念至今仍然存在于 Google 的 PageRank、Facebook 的信息流算法、Netflix 的推荐以及 Spotify 的每日歌单中。它提醒我们，即使在今天这个由复杂 AI 驱动的时代，那些最受欢迎、最值得信赖的推荐，其核心依然是人的选择与偏好。