你有過這個經驗嗎，晚上十點，原本只想拿起手機設個鬧鐘。回過神來，已經過了半小時，而大拇指還在螢幕上無意識地往下滑動，看著一支接一支其實並不需要知道的短影音。

當我們為此感到懊惱，把這歸咎於自己「意志力薄弱」時，其實我們太低估了對手。

從歷史來看，1833年興起於美國的「便士報」透過極低售價匯聚大眾注意力並轉賣給廣告商，開創了現代媒體的商業模式；但從報紙到演算法，有一個本質轉變：過去是由報紙主編「一對多」決定集體閱讀內容，如今則是演算法為全球數十億人「即時客製」專屬動態牆，以千人千面的精準制約重新塑造了我們的注意力。

01. 萬物皆可公式化：預估機率 (P) × 價值權重 (V)

靠廣告盈利的社群平台，其核心商業模式可以簡化為：「盡可能拉長使用者的停留時間，藉此賣出更多廣告曝光。」

為了達到這個目標，平台在每次要決定下一則貼文前，都會計算一條基礎數學公式：
排序分數 = Σ (預估行為機率 P × 該行為的價值權重 V)

系統會先預測使用者對這篇貼文按讚、留言、分享、觀看或打賞的「機率（P）」，再乘上平台內部設定的「價值權重（V）」，兩者相乘後得分最高的內容，就會優先出現在螢幕上（Top-K）。

P 是模型的預測，不是中立的事實，本身就會有熱門度偏誤和回饋迴路。因此，最核心的差異，就在於平台想放大哪種行為？而演算法，只是用來達成 V 目標的機器。

02. 各大平台到底是如何操縱我們的注意力？目標函數與機制解剖

不同平台的目標設定與介面設計，造就了截然不同的資訊生態。以下透過公開資料，試圖還原這幾家平台的機制與演變：

Facebook：放大「憤怒」的權重拿掉之後，活躍度沒有下降

• 目標：極大化站內互動與停留時間。
• 機制與演變：根據 2021 年「Facebook 文件（Facebook Papers）」吹哨者揭露的內部報告，Meta 在 2017 年為了刺激互動，曾將包含「怒（Angry）」等表情符號權重，一律設定為一般「讚」的 5 倍；2018 年降為 4 倍。直到 2019 年的內部研究才發現，「怒」反應更常出現在錯誤資訊與有毒貼文上。
• 結果與修正：內部文件顯示，2020 年 9 月團隊將「怒」的權重直接調降為 0 之後，錯誤資訊與暴力內容減少。最關鍵的洞察是：權重調為 0 之後，平台的整體活躍度並沒有下降。 這顯示了產品經理在修正演算法外部性時，不一定非得犧牲活躍度。

X（Twitter）：互動回饋會訓練發文者，排序系統會移動使用者關注的議題

• 目標：打造即時的公共廣場與激烈的言論交鋒。
• 機制與演變：根據馬斯克在 2023 年將 X 推薦演算法開源的程式碼顯示，如果貼文作者親自回覆留言，權重高達一般讚的 150 倍（到了 2026 年公開的預設值中，權重最高的變成「複製連結分享」，是讚的 40 倍）。
• 結果：讚與轉推本身就會把發文者訓練得更憤怒；可以推測，排序系統再給回覆、分享高權重，等於替這條迴路加速。根據 2021 年《Science Advances》針對 1,270 萬則 Twitter 紀錄的分析與模擬介面實驗，當使用者前一天獲得加倍的按讚與轉推時，隔天的憤怒表達會微幅增加約 2–3%。另外一項 2026 年發表於《自然》的大型實驗則發現，與單純的「按時間排序」相比，演算法推薦會把使用者關注的政策議題往保守方向推一小步，也改變了他們追蹤的對象；但黨派認同與對另一黨的敵意沒有變化。

TikTok：優化極致沉浸的代價：美國大學生中 60% 活躍用戶陷入「負福利」

• 目標：極致的沉浸感與無縫的注意力劫持。
• 機制：TikTok 介面的強大在於「全螢幕」。傳統動態牆一次顯示多則貼文，雜訊較高；全螢幕「一次一支影片」，讓每一次滑走或停留，都成為雜訊少得多的 「乾淨訓練標註（Clean Label）」 。而根據《華爾街日報》的機器人帳號實驗顯示，系統光靠「觀看停留時間」這單一指標，就能在數十分鐘到數小時內，收斂到研究者預先設定的興趣標籤。
• 結果：高參與度不等於對使用者有益。根據 Bursztyn 等人發表於 2025 年《美國經濟評論》的研究（樣本為美國大學生），若將「不用就會被社交排擠」的外部性算進去，60% 的 TikTok 活躍使用者是從產品中得到「負福利」的。另外，同一研究也發現，有 33% 的使用者表示，如果可以重新選擇，他們寧願 TikTok 根本不存在；如果大家約好一起停用，他們平均願意付 24 美元。這可能是因為害怕錯失交流話題，使得個體陷入了「集體行動的困境」：只要別人在用，自己就不得不跟著用。

Threads：強制抽離政治後，迎來的平衡點是「軟性流量誘餌」

• 目標：打造一個遠離政治與戾氣的「無害互動」空間。
• 機制與演變：根據 Meta 官方公告與 Instagram 負責人亞當・莫塞里（Adam Mosseri）的聲明，Threads 從 2024 年 2 月起不主動推薦未追蹤帳號的政治內容。針對後來平台上逐漸增加的「互動誘餌（Engagement Bait）」，Mosseri 於 2024 年 10 月表示正在設法控制。然而在 2025 年初，Meta 坦承壓抑政治的做法「相當粗糙」並逐步放回政治內容。到了 2026 年初，平台則開始逐步將廣告推廣至全球使用者。
• 結果：個人體感，Threads 早期的演算法特別像傳統的內容推薦，你喜歡看什麼主題，河道幾乎就完全充斥該主題，也更容易困在同溫層。確實，相較其他平台，Threads 河道上特別容易出現「生活或天馬行空的提問」、「有情緒共鳴的貼文」。這似乎反映了平台內容生態的某種自然演化；推測是，當平台抽離政治憤怒，系統與創作者便會尋找新的互動平衡點，進而催生出大量這類「軟性流量誘餌（Soft Engagement Bait）」來湊足停留時間。不過，隨著廣告逐步上線與官方打擊誘餌，Threads 終究還是在無害互動與商業變現之間，玩起了權重平衡遊戲。

對照組 Netflix：訂閱制的目標函數，才能「大致」與用戶福利對齊

• 目標：最小化退訂率（Minimize Churn Rate）。
• 機制：根據 Netflix 工程團隊（Gomez-Uribe & Hunt）發表的系統論文， 如果訂閱制平台只推薦熱門大片，觀眾看完後就會覺得「沒東西看」而取消訂閱。因此，Netflix 推薦系統的真正機制，是深入龐大且冷門的「長尾片庫」中，精準挖出符合個別特殊品味的作品。
• 結果：該論文指出，這套系統影響了約 80% 的觀看時數， 個人化讓「有效片庫」約是只照熱門度排序的 4 倍。 這套系統每年為公司省下超過 10 億美元的退訂損失。相較於純廣告制，訂閱制的目標函數「大致對齊」了使用者的長期滿意度（不過 Netflix 自 2022 年起也加入了含廣告方案，誘因已不再是純訂閱制）。

Spotify：平台要求音樂人降版稅，才能換取對聽眾「不標示」的推薦權重

• 目標：極大化播放總時長與無縫發現，並降低版權成本。
• 機制：Spotify 的核心體驗是「背景播放（Lean-back Experience）」，目標是讓聽眾順暢收聽而不按跳過。而根據《Music Business Worldwide》等產業報導，Spotify 在 2020 年 11 月以測試形式推出「Discovery Mode」機制——如果音樂人願意接受較低的版稅分潤（據報約少 30%），演算法就會在電台或自動播放中給予他們更高的推薦權重。
• 結果：這看似是一個極佳的 P × V 商業化案例，平台直接把「對平台的利潤貢獻」寫進了權重（V）裡。但這項機制推出後引發了強烈反彈，包括獨立廠牌的抗議，以及國會議員去信質詢。UMAW 等批評者指責這是變相的數位電台黑錢（Digital Payola）；國會議員在質詢信中也警告，它可能讓音樂人陷入版稅逐底競爭（Race to the bottom）。然而這些反彈並沒有成功，Spotify 不僅沒有取消，還在 2023 年進一步擴大了這項功能。 對聽眾來說，目前依然沒有任何標示能看出哪些歌是「降版稅換來的推薦」，這正是平台將商業利益不透明地寫入演算法權重的一個赤裸的案例。

03. 為什麼我們停不下來？

如果 P × V 是系統端的引擎，那它究竟是勾住了大腦的哪個機制，才能讓人們在深夜裡像被催眠般無限滑動？這並非單一的心理學技巧，而是將「獎勵、觸發、移除停止線索」無縫接合成了一條神經迴路：

1. 觸發端（Trigger）：由外在的推播通知（Push Notification）將人拉回 App，接著透過情境觸發（例如排隊、無聊、甚至只是手機螢幕亮起），制約成一種自動化的習慣。
2. 停止端（Stopping Cues）的消失：這是最危險的一環。傳統的媒介（如報紙的底版、電視節目的片尾）都有天然的「停止線索」，但在「無限捲動（Infinite Scroll）」與「自動播放（Autoplay）」的設計下，這些煞車被全數拔除。
3. 獎勵端（Reward）與預測誤差：神經科學中的「獎勵預測誤差（Reward Prediction Error, RPE）」理論指出，多巴胺神經元對意料之外的獎勵反應最劇烈。舒爾茨（Wolfram Schultz）團隊 2003 年的猴子實驗更進一步把獎勵機率從 0 調到 1，發現機率 0.5、也就是最不確定時，多巴胺神經元的持續活動最高。這正是「變動回報（Variable Reward）」的處境：滑動者不知道下一支影片是無聊還是爆笑。雖然目前沒有直接量測人類滑手機時的多巴胺，但這種不確定性確實會驅動對回報強烈的「想要（Wanting）」，即便這並不等於真正「喜歡（Liking）」這些內容。

當大腦受制於對不確定回報的「想要」，而系統又永遠不給予結束的提示時，使用者就會進入歐盟監管機構所稱的「自動駕駛模式（Autopilot Mode）」，在恍惚中流失數小時。

04. 為什麼靠意志力戒社群很難撐住？消費者該如何反向操作？

戒斷不是不可能。史丹佛大學經濟學家亨特・奧爾考特（Hunt Allcott）等人在 2018 年隨機付錢請一群美國使用者停用 Facebook 4 週，停用組的主觀幸福感確實提升，實驗結束後也用得比以前少。但他們大多還是回到了 Facebook。另一項請受試者封鎖手機行動網路兩週的實驗，也只有約四分之一的人做到。所以比起一次戒乾淨，更實際的是循序漸進，把環境調成「比較難滑下去」：

1. 與其打開後再忍，不如讓它難打開：不要相信自己能「看到一半立刻關掉」。有研究追蹤 280 名 one sec 使用者，這類工具會在打開 App 前強制停頓、深呼吸，6 週下來，開啟 App 的嘗試減少約 57%。我自己的做法是把不想常用的 App 藏到比較深的地方，要多點好幾下才打得開，用量也明顯下降。
2. 打開了也別責備自己，罪惡感常常有反效果：滑了一小時之後罵自己「連這都管不好」，很容易變成「反正都破功了，乾脆繼續滑」。

• 多倫多大學心理學家珍妮特・波利維（Janet Polivy）把這種全有或全無的反應叫做「管他的效應」（what-the-hell effect）。這種現象最早在節食研究裡被觀察到：赫曼（Peter Herman）與麥克（Deborah Mack）1975 年讓受試者先喝奶昔，再參加冰淇淋「試吃」。平常沒在節食的人喝過奶昔後吃得比較少；正在節食的人反而比沒喝奶昔時多吃了約三分之二。破戒一次，反而讓人放棄自我控制。
• 反過來，加拿大卡爾頓大學的沃爾（Michael Wohl）與皮秋（Timothy Pychyl）等人追蹤 134 名大一新生，發現第一次期中考前拖延、事後原諒自己的學生，第二次期中考前比較不拖延。
• 所以比起追求完全不碰，更好的做法是一步步減少：先設一個時間，或者換一個沒那麼舒服的姿勢滑，例如站著、邊運動邊看，讓自己比較容易停下來。

3. 主動「反向訓練」動態牆：演算法會記下每一次停留與點擊。與其被動防守，不如主動出擊：刻意去搜尋、停留、按讚或儲存你真正想多看的內容，推薦就會逐漸往這些主題靠。但要小心，演算法優化的終究是「你會不會留下來互動」，訓練得越好，它越能留住你，使用時間可能反而增加。所以這一招要和第一點的「打開前阻斷」搭配使用。

其他小技巧：

• 按「不要推薦此頻道」，而不是「不感興趣」：根據 Mozilla 在 YouTube 上的研究，「不感興趣」只擋掉約 11% 的類似推薦，「不要推薦此頻道」約 43%。
• 切換時間序有得有失：Facebook 的實驗顯示，把動態改成時間序之後，使用時間確實大幅下降；但時間序不會過濾來源品質，不可信來源的曝光反而增加 68.8%。X 的實驗也發現，演算法期間新增的追蹤關係，關掉演算法後仍然留著。所以切換時間序之後，記得一併清理追蹤名單，才能真正拿回策展權。

然而，在談「反向操作」時，其實會遇到一個更深層的難題：我們真的清楚自己想要什麼嗎？

有研究顯示，演算法（如 YouTube 推薦）很多時候只是延續我們原本的偏好；也有實驗（如 X 的動態排序）證明，演算法確實能微幅改變使用者關注的政策議題。無論是狂熱地追星、嗑 CP，還是出於焦慮一直去看自己討厭的言論，我們其實都在用行動告訴系統：「多給我這類內容」。

在責怪演算法劫持注意力的同時，如果我們沒有先釐清自己真正想要的是什麼，最後被系統無限放大、不斷餵養的，或許也包括人性底層的貪嗔癡。

05. 當「追求留存率」造成外部傷害，產品經理該如何抉擇？

不可諱言，在產品生命週期早期，PM 的首要任務是追求規模化與留存率，利用心理學機制來推升數據是常見的做法。

唯數據論的盲點：不知不覺的品牌透支？

現實情況是：有一項關於線上資料保護方案的實驗顯示，推銷時溫和的「暗黑模式（Dark Patterns）」能讓付費方案接受率從 11.3% 升到 25.8%，而且在漏斗數據上中途退出的人數極少，也測不出惱怒。除了推銷型，退訂型也極為氾濫；大家是不是也遇過，想退訂時遇到重重阻撓、甚至有些連退訂按鈕都很難找？FTC 與國際消費者保護執法網絡在 2024 年調查 26 國、642 個訂閱型網站與 app，約 76% 至少使用一種暗黑模式。

但數據沒測到反彈，不代表使用者沒有察覺或沒有受傷。 許多使用者即便當下摸摸鼻子付了錢，心裡也可能對品牌產生長期的不信任。如果團隊只看眼前亮眼的 P × V 數據、把機制催到極限，而忽略了這會透支無形的品牌信任，最終往往會引來法規的強制介入。

例如，2026 年 3 月，洛杉磯陪審團首次認定 Meta 與 YouTube 在通知、按讚數、外貌濾鏡等功能的設計上有過失；而歐盟已依《數位服務法（DSA）》初步認定，TikTok 與 Meta 的無限捲動、自動播放等成癮設計違反規定。這些都釋出了非常明確的信號：利用心理弱點過度劫持注意力，已經開始被視為平台必須負責的「設計問題」。

參與度與用戶福利的終極拉扯

產品策略的真正考驗，在於看穿指標被推升的代價。短期參與度（Engagement）與長期用戶福利（Welfare）之間往往存在落差—— 核心的區別在於，這究竟是「使用者主動發起的任務」，還是「系統製造的下一個（其實不存在的）需求」。

雖然在大公司與現實的商業壓力下，單一個體不一定能完全實踐這樣的理念，妥協也往往難以避免；但是，將這份認知與「演算法的副作用」放進團隊的視野，或許是當代產品經理能為用戶多做的一點把關。

代理時代：注意力的爭奪，從眼球移到模型的候選清單

更務實地說，這套遊戲規則即將發生典範轉移。當然，人類還是會親自滑社群媒體、還是會因為渴望刺激而被娛樂內容吸引；但在許多高價值的場景中——例如購物決策、資料爬梳、新聞策展——使用者會開始把「注意力過濾」的工作委託給 AI Agent。當我們習慣與 Agent 進行原生的深度協作時，注意力爭奪的戰場，就會從「人類的眼球」移到「模型的候選清單」。

也就是說，贏得 Agent 的信任是下一階段的關鍵。

雖然我們無法用紅點通知去劫持一個沒有情緒的模型，但操縱手法並未消失，而是轉向利用模型的位置偏誤（容易過度重視出現在提示詞開頭或結尾的資訊）、第一提案偏誤（傾向直接接受並偏好最先出現的選項）、營造「權威」與「社會認同」這類經典說服手法，以及提示注入（Prompt Injection）等方式，來影響 Agent 的最終選擇。

核心關鍵：AI 代理是否具備「忠誠義務」？

這背後有一個常被忽略的前提與防線：代理應對使用者負有「忠誠義務（Duty of Loyalty）」。

所謂的忠誠義務，是指 Agent 必須不受未揭露的利益衝突影響，不能私下圖利平台或第三方。

雖然，目前各主要市場都還沒有法律要求個人 AI 要負擔此義務，市場的發展方向也正好相反，例如：部分 AI 伴侶 app 開始對使用者進行情緒操縱、用按讚訓練的模型也容易變得諂媚、另一方面，ChatGPT 在 2026 年也開始在部分國家的免費方案中測試與上線廣告（OpenAI 表示廣告與回答分開且會標示、不影響回答，但目前沒有外部稽核）、這可能讓它逐步成為同時服務使用者與廣告主的「雙面代理」——表面上幫你找答案，實際上可能暗藏著付費推薦。

但，老實說，如果 Agent 沒有忠誠義務的克制，它就只是另一個披著對話皮的推薦引擎。

內容生態的洗牌：信賴度將取代流量誘餌

不過這場新戰局也並非只有悲觀的一面。當模型越來越被要求引用可信來源，且使用者能對 Agent 下達明確的任務條件時、個人 Harness 產品也越來越成熟時，過去那套單純依賴「情緒煽動與流量誘餌」的內容農場，可能就會因為被模型判定為低信賴度來源，而面臨被降權或過濾的風險。

可以預期的是，在代理時代，推薦與排序的邏輯正在經歷一次洗牌。即使操縱的手段依然存在，演算法爭奪注意力的手段，將走向截然不同的下一代競爭。