假设你对葡萄酒了解不多，但仍然有兴趣在网上购买一些品质优良的葡萄酒。进入任何电商葡萄酒商店，你都可以搜索其数据库中的照片、视频和文字。但是，对于一个你并不真正了解的事物，你又如何进行搜索？
你最可能做的，大概是根据价格和受欢迎程度来挑选葡萄酒。毕竟，如果那么多人都喜欢这款“排名靠前”的葡萄酒，它们应该懂些门道，对吧？不妨对比一下另一种体验：你有幸向一位专业侍酒师咨询。你告诉对方想买些葡萄酒，但不知道自己可能喜欢哪一种。对方会与你交谈，以便更好地了解你，然后推荐一家意大利鲜为人知的酒庄，它的品质和价格都恰到好处，而最重要的是，其风格与你个人的口味相契合。
如果这种极具个人色彩的体验能够在在线搜索中重现，那岂不美妙？
让在线搜索更具个性化，并非只是“锦上添花”。在数字内容浩如烟海的世界里，搜索的经济影响极为巨大。随着存储的信息量膨胀到大脑已无法靠自身记忆的程度，我们完全依赖搜索引擎，以及时且有意义的方式查找和获取内容。
遗憾的是，正如任何一次搜索都会显示的那样，你最终得到的结果主要基于流行度和语义语境。如果你只在网络搜索框中输入“红葡萄酒”，那么意大利那位鲜为人知、却恰好酿出适合你的葡萄酒的酒庄，几乎不可能通过其数字内容找到你—— 除非你事先了解他们并按其名称搜索。对于任何泛化的查询，你最可能得到的结果，来自那些有大笔数字营销预算的企业。换言之，当今全球数字媒体格局是一个极不均衡的领域，偏向富人和有权势者——这正是当前搜索运作方式的直接后果。
在线搜索的问题
搜索至少存在两大主要问题。第一个较为容易解决的问题是，搜索难以理解人类查询的含义。谷歌正投入大量资金和人才来解决这一问题，例如让搜索具备模式识别能力。拉里·佩奇在2014年一次罕见的TED访谈中自豪地透露，当给谷歌搜索展示一张猫的图片时，它能够识别出那是一只猫。谷歌在这方面走在正确的道路上，其在机器学习领域的投入正在产生回报。能够以自然语言交流的人工智能，例如IBM Watson，将进一步增强我们与搜索的互动。Siri和Cortana已经让搜索变得更加智能和便捷。科幻电影“Her”（2013）中所设想的故事，几年之内就可能成为日常体验。
但搜索的第二个问题，即数字不平等的主要成因，将更难解决。我们不妨称之为“未知的未知问题”。当我完全不了解某样东西时，我该如何搜索它？一旦解决这个问题，搜索就将从全球数字经济的壁垒制造者，转变为拉平竞争场地的力量。
为了更好地理解这一问题的重要性，并看清它可能如何被解决，我们先来看看今天的搜索如何运作。每当我们使用搜索时，本质上都是在进行一场两步式的问答式查询。这段简短的“对话”以搜索引擎返回最符合我们查询的结果而告终，而该结果是基于一系列参数得出的，这些参数构成引擎算法的依据，包括内容相关性的社会认可度。引擎借助群体智慧，将较不受欢迎的内容推到成千上万、往往多达数百万页的结果页的靠后位置，以便向你呈现“最受欢迎”的内容。
这种方法看似高效，但其基于一个隐含假设：你寻求的是对你的问题的“最受欢迎”答案。当你明确知道自己要找什么时，它运作得十分良好。但正如那位对葡萄酒一无所知、却想买酒的顾客，当你并不真正知道该问什么时，搜索便会失灵。与此同时，小型企业注定会被埋没在无数页搜索结果之下，因为它们没有足够的资源在Web 2.0上制造足够的“口碑”，从而出现在“热门赢家”之列，即大多数人停止阅读的第一页或第二页搜索结果中。
要克服这一问题，我们需要搜索引擎与人之间展开一种全新且不同的对话；这种对话应更像两个头脑相互学习、各自帮助对方发现自己想要什么。它更像我们那位虚构的葡萄酒顾客与侍酒师之间的交谈。但要进行这样的对话，机器不仅须理解人类提出的问题，还须理解提问者是谁，以及他或她究竟在以怎样的方式“思考”。机器必须以某种方式获得我们大脑的共情能力，即心理学家所称的“心智理论”。但我们如何才能让计算机具备理解我们心智的能力？
被观察者与观察者，共舞
设想这种“下一代搜索”技术的一种方式，是重新审视早期控制论中的一些有趣思想。早期控制论学者试图解决的问题之一便是学习：系统如何增进对其环境的认知，包括与之互动的其他系统，从而调整自身行为？
反馈为解读自然界的学习机制提供了一个出色的概念。例如，生物系统感知并处理关于世界的信息，然后采取行动，其行动随后作为输入被反馈回来，以便重新处理，如此循环往复。控制工程师运用反馈概念来实现复杂工业过程的自动化。在早期的实验中，是人类观察并监督这一过程，并调整系统的控制装置，以获得所需的输出。但人类逐渐被计算机算法取代，后者以更好、更快、更安全的方式执行监督工作。人类观察者与系统之间的距离越来越远。搜索同样是一个控制论系统：我们输入一个输入（即我们的查询），并观察系统返回的输出（即结果列表）。但如果我们成为搜索的一部分呢？如果我们将自身嵌入反馈回路，使“搜索加上我们”演变为所谓的“二阶控制论”系统，又会怎样？
在学习中探索二阶控制论的先驱之一是英国科学家 戈登·帕斯克。帕斯克并不赞同人工智能的假设，即知识是一种可被存储、处理和分析的“物品”或“商品”。相反，他认为知识是参与对话的两个智能实体之间多重反馈互动的结果。因此，“理解”与“学习”并非通过模式匹配或数据分析产生，而是通过构建一种共鸣的控制论系统而出现，这类似于两个人共舞，彼此跟随对方的舞步，在相互学习对方动作的过程中，努力跳出和谐的舞蹈。
帕斯克的思想在其所处时代受到广泛关注，但此后已与早期控制论的许多其他原创思想一样，逐渐淡出集体记忆。人工智能中数学上更为严密的方法最终占了上风。借助海量计算能力，机器学习如今被有效地用于理解我们数字化经济每毫秒产生的海量数据洪流。
然而，机器学习的分析与预测能力虽然令人印象深刻，却永远受限于逻辑处理的边界。正如哥德尔和图灵所证明的，将人类心智简化为符号集合存在绝对的极限。超越这一极限，人类便变得直觉化、富有创造力，并且极其难以预测。除非机器能以某种方式形成关于我们的“心智理论”，否则它们永远无法充分理解我们是谁、我们如何思考，或我们真正想要或需要什么。
二阶控制论为实现这一目标提供了一种范式。结合认知计算，人们可以设想，下一代搜索将更像是一种发现。人们可以在并不真正清楚自己想要或需要什么的情况下开始搜索，并通过与机器的对话，找到与自己最相关的内容。这种真正个性化的搜索将打开通往媒体和信息的通道，而这些内容目前正被“网络多数”的算法暴政所遮蔽。下一代搜索可以让数字媒体变得智能，并使其能够找到你，与你能够找到它们的程度相当，从而拉平数字经济的竞争场地。
您是否读过？
数字媒体如何改变我们的工作方式？
你的个性是否决定你如何使用社交媒体？
没有人应被数字革命抛在身后
作者：乔治·扎尔卡达基斯博士 担任Towers Watson传播与变革管理业务部门的数字业务负责人，并著有书籍“In our own image – will artificial intelligence save us or destroy us?”。
本文系博客系列文章之一，由 “Human Implications of Digital Media”项目发布。
图片：法国国家就业局（Pole Emploi）的一名员工于2014年11月13日在德国与法国边境、靠近斯特拉斯堡的凯尔（Kehl）德法联合就业中心办公室，同时处理法国和德国 employement 就业网站的工作。路透社／文森特·凯斯勒（REUTERS/Vincent Kessler）
