X教AI学社交：互关好友的帖子为何差点被遗忘？

社交平台最擅长什么？多数人会回答“连接人和人”。但X平台最近发现的真相正好相反：它的推荐算法和最核心的“互关好友”之间，其实长期处于一种若即若离的状态。产品负责人尼基塔·比尔近日透露，即使双方的互相关注关系在代码层面早就被记录在案，算法在决定该把谁的帖子推到你面前时，却始终没有认真使用过这层信息。

这一缺位带来的后果比想象的更隐蔽。几乎所有社交媒体都有一个默认的运行逻辑：评论区越热闹越容易被推荐，而来自你真正认识的人的评论，反而可能被淹没在陌生账号的互动洪流中。比尔表示，平台已经从数据层面确认，在过往的排序机制中，“互关”这个信号几乎是被遗忘的。过去你关注了一个人，他也关注了你，但算法并不因此认为你的帖子对他而言具有更高优先级，反而是那些能引发更多点击、更长停留、更激烈争辩的内容，更容易被推到双方的信息流里。

现在X试图扭转这一点。根据比尔的说法，平台正着手对算法进行一次针对性调整：当两个账户彼此关注时，任一方的发帖将在另一方的信息流中获得更高的可见度权重。更关键的是，一旦这些互关好友在帖子下参与讨论，他们的回复也会在帖子作者所看到的评论序列中被前置，不再埋没在陌生账户营造的嘈杂声中。换言之，原本应该由社交关系定义的“亲近”，有望首次在机器排序中得到明确兑现。

比尔对这个微调抱有更大的期待：他相信，重新拾起互关信号可能帮助用户围绕共同兴趣自然聚拢，形成小型社交圈。这个愿景听起来很像社交网络诞生之初的蓝图——人们因为关注彼此而看到彼此。但问题是，当下主流的推荐系统早已偏离了“你关注谁就看见谁”的方向，它们更偏爱预测你的行为。算法用点赞、点踩、阅读时长、回复冲动来推断接下来该推什么，而不是老老实实地参考你已经划定的人际边界。一个陌生人留下的愤怒反驳，在系统眼里与好友的温和建议并无区别，都只是“产生了一次互动”。当这种互动被不断叠加，平台很容易变成所有人对喷的战场，而真正让你感到归属感的那些声音，反而被稀释到几乎消失。

所以，重新为现有连接赋予权重，在逻辑上是一种将部分注意力从“病毒式传播”拉回“关系维系”的尝试。只不过，这种尝试最终能产生多少肉眼可见的变化，完全取决于这个信号在执行层面能有多大的话语权。如果给予互关帖子的加分微乎其微，而其他互动指标仍然主导全局，那么用户真正感知到的转变将非常有限。

更耐人寻味的地方在于，X的算法代码里其实早就有识别互关关系的工具。平台曾在2026年5月的一次更新中，向公开的推荐算法代码中加入了“互关图谱”，并将其融入用户上下文信息里；同时，在为推荐进行候选帖子打分时，这套数据也被设计成可以生成对应的关系分数。这意味着至少从纸面上看，系统已经具备了“知道谁是你的双向好友”的能力，也理应能把这一信息作为排序因子之一。

然而比尔的最新表态却暗示，这些现成的工具并没有在真正的排序流程中被有效调用，或者即使被调用了，也未按照预期影响推荐结果。X公司至今没有解释到底是哪里出了问题，外界无从判断这究竟是一个功能上的缺失、一个权重上的失误，还是其他更复杂的工程原因。但可以确定的是，一个在技术层面早已被实现的图谱能力，居然需要一个产品负责人来公开宣布要“重新引入”，这本身就指向推荐系统内部曾发生过某种不易察觉的脱节。

要理解这种脱节，有必要看看驱动X推荐的核心引擎之一：基于Grok的预测模型。该模型被设计来估算一条帖子获得回复或点击的概率，这些预测能精准地筛选出那些保持用户活跃的内容。然而问题也恰恰出在这里——“活跃”不等于“愉快的活跃”。算法很容易学会一个简单的模式：争吵能产生大量回复，用刺激性言论能迅速铺开点击量。但它无法从用户日益疲惫的交互里读出厌烦，也无法理解为什么参与争吵的双方最后都带着糟糕的情绪离开。机器眼里的成功指标，落在人类体验中可能就是一场无谓的情绪消耗。

让算法学会“识人”已经不易，让它分辨“什么样的交流才值得”则更难。推荐系统依靠互关信号来提升熟悉度，相对是一个清晰的数学操作：在排序公式中添加一个代表互关关系的特征，为其设置一个可调的权重。但即便完成了这一步，也并不会自动清除那些以激怒他人为目标的搅局内容，更无法直接消解平台上已经惯于引战的账号所带来的负面影响。关于这次调整，X既没有公开权重到底设得多大，也不曾说明提升可见度这个动作是否只限于帖子和评论的呈现范围，以及未来将依据何种标准判断项目成败。公司描绘了期望中的“更友好”的对话氛围，却没有给出可被观测量化的路径。

可以预见的是，当熟悉的头像和名字更频繁地出现在评论区时，交流的随机性和攻击性会有所下降，至少会让人觉得是一个关于某件事的熟人间的交谈。但排序调整本身不等于内容治理，它无法替代对恶意行为本身的打击。教会算法谁是你的朋友这件事，在工程上不算太难，毕竟互关状态就是一个可被直接查询的二值关系。然而，想教会算法“每一次争吵都不等于有价值的参与”，则是截然不同的命题，因为它要求机器去理解人的意图、情感和社交底线——而这些，恰好是目前依赖标签化预测的推荐系统还无法触及的深度。