10 月底的週五晚上 11 點，Andrej Karpathy 很累，打開 YouTube 想隨便看點東西，結果看到滿屏誇張縮圖、同質題目的推薦，像電影《蠢蛋進化論》裡的內容，被他形容為「enshittified wall of slop」。他自己說，這套演算法大概對網路上的中位數使用者很好用，但對他不好用。

隔天早上，他把這件事交給 Claude Opus 5.5：花 2 小時做了一個以 Hacker News 留言推薦為來源的 YouTube clone——HackerTube。AI 幫他過濾掉 HN 留言裡的垃圾，留下 4 萬則推薦影片的留言，整理出 6,454 支影片、150 個主題，時間橫跨 2007 到 2026。甚至把整包原始資料開放給大家的 AI Agent 匯出重排，從抓取、篩選、分類到寫介面，全部交給 AI 完成。

很多人看到這個案例，討論的是 AI 兩小時就能搓出一個網站；但這件事真正讓我重新思考的是：

當 AI Coding 讓個人也能快速打造工具，我們是否終於有機會，不再只能接受平台「演算法」替我們安排好的資訊世界？

以前我們做不到，是因為面對海量資料，你時間不夠，只能靠平台演算法幫你過濾。但是有了 AI 的幫忙，身為讀者和觀眾，我們終於也能在這場與演算法的博弈裡佔上風。你不一定要像 Karpathy 一樣自己刻一個網站，但你可以叫 Agent 幫你 filter 今天的海量資訊。

這篇要講的，就是為什麼 AI 最應該幫你的不只是 Vibe Coding，而是當你「精神食糧」的把關者。

他手動只做三件事，卻換掉了整套推薦演算法

Karpathy 在附註裡說，他用 Claude Code 桌面版、Opus 5.5 的 Medium effort 當預設，現在只跟 Claude 講話。真正的手動工作只有三件：

  1. 去 Google Cloud UI 生一組 API key，用來查 YouTube 影片的中繼資料
  2. 開一台 VPS
  3. 買網域

之後他把 IP 丟給 Claude，叫它部署、加固、最佳化。這三件都卡在帳號、機器和付費；剩下的全交出去了。

清單裡有兩項設計最值得看：第一是拿掉誇張縮圖，改用影片 50% 處的畫面；第二是站台資料可以整包匯出給你的 agent，資料頁 hackertube.org/data 直接列出 videos.jsonl、mentions.jsonl、taxonomy.json。整條排序管線，從「哪些留言算數」到「最後怎麼排」，都可以被拿走、改寫。

為什麼平台最後都會長成一樣？自媒體創作者的殘酷實測

這不是 Karpathy 第一次對演算法資訊流出手。台灣時間 2 月 2 日，他就發文說自己最近回去用 RSS／Atom 訂閱，品質好的長文多得多，為了挑釁而生的浮濫內容少很多。貼文裡他寫了一句很精準的話：

Any product that happens to look a bit different today but that has fundamentally the same incentive structures will eventually converge to the same black hole at the center of gravity well.

任何看起來不一樣、但底層誘因結構相同的產品，最後都會掉進同一個重力井中央的黑洞。他附上 92 個 2025 年 HN 熱門部落格的 feed 清單；同一天有人問他 Substack，他直接回「another walled garden」。

HackerTube 可以看成這句話的推論：既然首頁和 Substack 走到最後是同一件事，解法就得動誘因結構——來源換成 HN 上的人推薦過的影片，狀態存在自己的瀏覽器，也不用帳號。看一個產品時先問：它的誘因是把人留住，還是幫你找到東西？

這件事，做過自媒體的人感受最深。

其實在平台上能不能紅，很多時候要先知道演算法要啥：

  • 如果演算法要「吸眼球」，你就得放不是特別相關、但夠聳動的 title；
  • 如果演算法要「增加討論」，你就得寫毀譽參半的文章（俗稱的黑紅）。

至於觀眾真正的感受？只能排第二。因為如果演算法不推、觀眾根本看不到，你內容做得再好也沒用。

就如同 Karpathy 說的一樣，當大家都在 AI 的幫助下學會 Hack 演算法，我們打開手機，最後就是看到一堆一模一樣的東西。但請不要怪自媒體工作者——因為我自己親身實測，順不順應演算法，對流量的影響可能是 100 倍。 在這個結構裡，你又能怎麼樣？

指望平台改規則、或指望創作者放棄 100 倍的流量是不切實際的。唯有看內容的人自己用 AI 拿回篩選權，這局才破得了。

被演算法控制的實驗證據

「演算法會影響人，而且關掉也未必能復原」已經有實驗證據，不只主觀感受。

今年 2 月 18 日，《Nature》刊出〈The political effects of X’s feed algorithm〉。研究團隊在 2023 年夏天做了七週的實地實驗：把活躍的美國 X 用戶隨機分派成「追蹤」（時間序）和「For You」（演算法）兩種時間軸，與 X 沒有合作，也不用平台內部數據。

結論很關鍵：把演算法「打開」有效果，把演算法「關掉」沒有同等效果。

被切到演算法的人，政策優先順序、對川普相關調查的看法、對烏克蘭戰爭的態度，整體指標往保守方向移動 0.12 個標準差；但被切回時間序的人，這些態度幾乎沒動。這跟 2020 年美國大選期間與 Meta 合作的實驗對得上：把臉書、IG 的時間軸換成時間序，政治態度測不出效果。《Nature》的解釋是，一開始被餵過的人，效果會留下來。

機制也支持這點：演算法會推保守內容、壓傳統媒體（新聞機構的貼文少 58.1%），被推的人開始追蹤保守政治行動者的帳號，就算把演算法關掉之後還是繼續追。效果主要出現在共和黨與獨立選民身上；兩邊都不影響感情極化與黨派認同。

範圍要講清楚：這是 2023 年、X、美國用戶、政治態度，不能外推到所有平台，也不代表「看 YouTube 會把你變怎樣」。但它清楚證明了演算法會透過改變你的關注清單，留下長期影響。

內容供給端也一樣。Kapwing 2025 年 11 月的報告開新帳號，記錄前 500 支 YouTube Shorts：104 支（21%）是 AI 生成，165 支（33%）是 brainrot，資料到 2025 年 10 月。這是一個新帳號的樣本，不是整個 YouTube 的統計，但它量的是新帳號一開始會看到什麼。

10 月 30 日，Wharton 教授 Ethan Mollick 也說，他每則貼文底下都有幾十則明顯的 AI 浮濫回覆；更糟的是，真人回覆（他舉的例子是 Anthropic 的人來回應他的問題）不會被回覆演算法優先顯示。

我的雙軌分工：平台演算法探索未知，AI 掌握認證過的資訊源

其實我已經在用 AI 幫我過濾資訊了。現在我採用的是「雙軌分工」：

  1. 我依舊看平台——平台演算法幫我「探索未知」：即使現在有 AI，我依然會使用 X、抖音和 YouTube。因為這些平台能讓我接觸原本不知道的新事物、觀察大家正在討論什麼、哪些趨勢正在形成，持續建立自己的「網感」。
  2. AI 演算法幫我「掌握認證過的資訊源」：對於已經確定值得關注的來源，我不再等平台推播。我用 GrokBot 篩選 X 上的資訊，讓 AI 追蹤固定的 YouTube Podcast，並補充 Hacker News 上與 AI 相關的消息，每天早上自動整理成一份晨間資訊給我閱讀。

這樣的方式並沒有取代我原本使用社群平台的習慣，而是讓平台演算法幫我探索未知，AI 幫我掌握已知，而最終的選擇權，始終掌握在我自己手上。

目前我的管道順序是這樣排的：

順序 管道 我的用法 為什麼
第一優先 X 主要獲取管道（探索＋AI 篩選） 演算法目前還算 OK；用 Grok 幫忙搜尋；API 比較親民
也常看 抖音 大量 AI 新聞（探索未知） 建立網感很棒的管道
第二 YouTube 不當主要管道，更多是一種呈現方式 還是會看，固定的 Podcast 值得聽、值得看
第三 Facebook、LinkedIn、IG 還是可用 不當主要的獲取管道

X 放第一有一個現實理由：它的 API 是 pay-per-use，沒有訂閱制，Posts: Read 一筆 $0.005，同一則貼文在同一個 UTC 日內重複讀取不算第二次錢。每天盯幾十個認證帳號的小工具，成本算得出來。

Grok 則是讓我搜尋方便很多。Brian Roemmele 用 Grok Tasks 做每天早上的 X 摘要，形容成「取代噪音時間軸與無止盡手動滑動」：從「平台餵你」變成「你去要」。

別人怎麼換掉演算法？

目前大家換掉演算法的做法可以分成三層：自己訂閱來源、自建聚合器、委託 AI 寫稿的管線。

  • 向陽喬木的 Obsidian RSS 插件，9 月更新時一次加了 600 個資訊源。
  • 卡爾的 AI 沃茨重做了一版資訊工作流，他的觀察是：如果只是讓 AI 從全網找回前 10%，結果會跟平台給你的資訊流高度重複。
  • swyx 把 Opus 5.5 跑出來的 AINews 跟 6 Sol 並排比較，差距「night and day」，之後 Opus 5.5 成了預設。

第二層的規則你改得到，第三層的標準你通常看不到。

AI filter 當然也有偏見，重點是誰設定標準

把資訊交給 AI filter，不代表沒有偏見。

X 也是演算法，《Nature》那篇講的就是 X，所以「目前還算 OK」只代表目前，不代表中立。Nikita Bier 今年 7 月（時任 X 產品負責人）時說過，custom timeline 上的停留時間與互動，會塑造你的 For You。另外，X 開源的 For You 程式碼寫的是用 transformer 排序；他說由 Grok 排序與標註的是 AI custom timeline，兩件事別混。

HackerTube 也有偏見，它把排序權交給 HN 的品味。發布當天就有人說「it all so bad」；也有人回，最新的影片是五個月前，「closer to a time capsule」。

再往下，品味到底是人的還是模型的？圈內人自己也吵：

  • Chamath 說判斷與品味仍是人類獨有的領域；
  • Marc Andreessen 說頂尖模型在長期規劃、點子生成和品味上都「quite good」；
  • Ethan Mollick 說在 agent 時代還講 AI 沒有品味是「obviously false」，但也承認他比較能接受對「AI 選擇的品質或多樣性」的質疑；
  • Paul Graham 講的是創作端：人人都能做東西之後，差別在你選擇做什麼。

放回資訊攝取，品味與標準的問題不會消失，只會換人扛。但是你可以選擇讓 AI 篩選，也可以選擇自己探索；可以接受平台推薦，也可以建立自己的資訊來源。真正要問的是：誰設定標準？你能不能改？ HackerTube 的資料可以整包匯出，這題它答得出來；平台首頁答不出來。

可以做的四件事

想讓 AI 當你精神食糧的把關者，現在可以做四件事：

  1. 把管道順序與角色寫出來。 哪一條負責「探索未知、建立網感」，哪一條負責「掌握認證過的資訊源」，寫給自己看。
  2. 把篩選標準寫清楚，再交給 AI。 「找一些好的討論」不算標準，「本人第一手、附原始連結、整理成每日晨間簡報」才算。標準寫出來，之後才改得動。
  3. 至少留一條不經演算法的來源。 RSS、newsletter、一支固定的 Podcast 都可以。它不會更聰明，但它不會因為你這週多滑了兩分鐘就換內容。
  4. 定期看 AI 漏了什麼。 每週挑一次，自己手動搜尋對照。

資訊自主權，不是拒絕平台演算法，而是擁有選擇、調整的權利。

之前你時間不夠，無法即時過濾海量資訊；現在有了 AI，它最應該幫你的，不只是 Vibe Coding，而是當你「精神食糧」的把關者。但那是要動手才有的結果，不是換一個工具就自動發生。

延伸閱讀

參考資料