YouTube上线AI自定义推荐流：用一句话重写你的算法

2026年9月23日，据 TechCrunch 记者 Sarah Perez 报道，YouTube 正在推出一项名为「自定义推荐流」（custom feeds）的新功能：用户不再只能被动接受首页那一列由算法排好的视频，而是可以用自己的话——一句自然语言描述——告诉平台想看什么，再由 Google 的 Gemini 模型围绕这段描述，实时构建出一个专属的推荐信息流。

用户可以用自己的话描述他们想看的视频，Gemini 会围绕这一请求构建个性化的推荐流。

乍看之下，这只是一个交互层面的小改动。但如果把它放进推荐系统二十年的演进史里，它的分量要重得多：过去是算法替你决定你是谁、你爱看什么；现在，第一次轮到用户开口，直接对算法下指令。

从「猜你喜欢」到「我说你听」

自 YouTube 2016 年全面转向深度学习驱动的推荐系统以来，平台的核心逻辑一直是「预测」：基于点击、完播、停留、点赞等行为信号，推测用户最可能继续观看的下一条视频。这套系统效率惊人，却也长期背负两个骂名——不可解释，以及不可控。用户不知道自己为什么被推了这些内容，也无法有效地告诉平台「我不是这样的人」。

自定义推荐流试图解决的正是这个痛点。它的关键变化在于把「隐式信号」与「显式表达」并列：用户输入的一句描述，成为与观看历史同等重要的推荐信号。这意味着一个平时只看游戏视频的人，可以临时建一个「想看点安静的纪录片」的信息流，而不必再靠反复点「不感兴趣」去慢慢调教一个从未真正听话的算法。

Gemini 如何把一句话变成一条信息流

从技术路径上看，这类功能的实现通常包含三层工作。第一层是意图解析：Gemini 需要把「想看点轻松的、不用动脑子的、二十分钟以内的科技新闻」这类口语化表达，拆解为可执行的约束条件——主题、时长、情绪基调、内容形式。第二层是候选召回与重排：在 YouTube 的庞大视频库中筛选符合约束的内容，再用语义匹配而非单纯的协同过滤打分排序。第三层是持续校准：用户在新信息流中的每一次点击与跳过，都会反过来微调这个「个人算法」。

值得关注的是，这种自定义信息流很可能是可保存、可多开的。用户可以同时拥有「学习」「解压」「深度长视频」几个平行的推荐入口，随时切换——这实际上是把一条公共推荐流，拆解成了若干个由用户自己定义的频道。

对创作者意味着什么

如果推荐的分发逻辑中加入了「语义匹配」这一环，创作者的内容策略也会随之改变。过去十年，创作者被训练成优化点击率、封面图和前五秒完播率的专家；而当一个由大模型驱动的推荐入口开始读取视频的标题、描述、字幕和实际语义时，内容的「可被描述性」将变得前所未有地重要。

换句话说，一条视频能否被用户用一句话描述出来并被系统准确命中，可能决定了它能否出现在这些自定义信息流里。垂直、主题清晰、标签明确的内容，有望比模糊的泛娱乐内容更容易被「点名」。这对中小创作者或许是个好消息——他们不必再和头部账号在同一套流量逻辑里硬碰硬。

隐忧：过滤气泡的 2.0 版本

但这项功能并非没有风险。传统算法造成的「过滤气泡」，至少还可以归咎于平台的推荐机制；而当用户亲手写下自己的偏好时，内容窄化就变成了用户与算法的共谋。用户描述得越具体，信息流就可能越封闭，「我喜欢的东西」与「我需要知道的东西」之间的裂缝也会越来越大。

此外还有几个现实问题悬而未决：用户自定义的信息流里，广告如何投放？广告主是否愿意接受一个自己无法预判的内容环境？如果用户用自然语言描述出违规或边缘内容，平台的审核边界在哪里？Gemini 的生成与排序能力意味着极高的推理成本，这项功能最终会向所有用户开放，还是被锁定在付费订阅之后？

编者按

YouTube 此举的意义，或许不在于「自定义」本身，而在于它释放出的一个信号：推荐算法的竞争维度，正在从「谁猜得更准」，转向「谁更可控、更可解释」。当大模型让自然语言成为操控算法的界面，平台的角色也就从「算法的提供者」变成了「算法的工具箱」。

对用户而言，这是一种权力回归，也是一种新的责任——你终于可以造一个属于自己的算法了，但你也得为自己的选择负责。这既是技术的进步，也是信息素养的一次考试。

本文编译自 TechCrunch