演算法「猜你喜歡」愈來愈準，導致人們方便之餘，也只能看到自己喜歡的內容，一來很容易沉迷，二則長期下來，就無法接觸到新的想法和訊息，逐漸隔絕在特定的意識形態領域中。演算法其實只是工具，沒有好壞區別，個人的認知與選擇方能嘗試「對抗演算法」。
第一次體驗特斯拉的自駕系統時，相信不少人會有「哇！好厲害」的驚喜感。
「給個目的地位置，它會先告訴我到達的預定時間，然後車子就開始在高速公路上自己行駛了起來。碰到前方有龜速車輛，它還會自動變換車道超車、自己轉彎下交流道，」這就是特斯拉的獨到之處。
事實上，馬路上面的狀況充滿了不確定性，特斯拉是透過演算法（Algorithm）結合車輛感測器，並將大規模車主的駕駛資料作為基準，方才建立出適合車輛運行的「決策系統」，提供給駕駛使用。
為了決策而誕生的演算法
演算法最終的目的，其實就是為了幫助決策，所以先回頭來了解一下什麼是演算法？
與人人都學過（上底+下底）乘以高除以2的梯形面積「公式」不同，演算法並不僅只是公式，更多的部分是處理流程及邏輯上面的判斷，透過工程師與科學家將之轉換成公式再程式化後得到結果。
而這一系列有條理的步驟，能用於計算、解決問題、做出決定者，就通稱為演算法。隨著科技的進步，演算法被大量的應用在人們的生活之中，例如更精準的判斷颱風的動向等。
除了公共服務外，例如上購物網站想幫家裡買點符合過年氣氛的春年裝飾品時，購物網站除了顯示出要找的春聯、吊飾外，通常也會「引導」你去看看相關其他的商品，來增加客單價。
而這個「引導」的過程，就是由「依照你的喜好」客製化（customized）後的演算法來執行的。
另外，平常在Google搜尋出來的結果，臉書、Instagram、TikTok上看到的朋友動態，亦或者YouTube上顯示的影片內容，網站上面看到的廣告，這些顯示在你眼前的，皆是由演算法「加工過」為你量身打造的結果。
同溫層現象，演算法讓人開始自我封閉
無論網際網路或者社群媒體，在發展之初都是為了突破空間與時間限制。例如，不用特地到圖書館就可以查到你要的資料，點選幾下，十多年不見的老同學又在社群上相遇了。
不可諱言，在演算法的加持下，確實讓人們更容易找到與自己屬性相關聯的人事物。
舉個例子，所有人都知道要配戴「口罩」防疫，演算法就會「投其所好」把所有跟口罩相關的消息都推薦給我們，無論好壞真假。
言猶在耳的在2020年疫情期間，刑事局就宣布偵破「民眾散播衛生紙為口罩原料假訊息案」，嫌犯涉嫌於臉書及LINE群組內張貼假訊息，刻意捏造「口罩缺貨，所有相關原物料都會拿去做口罩，會讓衛生紙缺貨」一事。假訊息一開始從臉書及LINE群組內發酵，在演算法的加持下，不到一週的時間，更擴及到實體店面，影響網友在現實中的決策行為，造成民眾搶購的「衛生紙之亂」。
正因為這些人事物都是與每個人息息相關，所以大眾會更願意去點擊或觀看這類的內容，更加深了業者對他們所建立出來的演算法結果感到滿意，因為點擊率的提升，代表「命中用戶所喜愛的」。就在這個循環下，演算法會開始一面倒的「只」會顯示個人感興趣或者關注的訊息斷推送給你，如同洗腦般地反覆。
最終就出現，相同興趣或想法的人「很容易找到同樣的結果」或是「被平台推薦同樣資訊內容」。
久而久之，我們會忘記真實社會是存在有很多不同的聲音，世界上也還有其他的事情也正發生中，逐漸演變為一種同溫層效應（Echo ChamberEffect）。
例如「5G會傳染新冠病毒！」「接種疫苗會改變體內的DNA或被植入晶片，所以要拒打疫苗 」即使已經有不少文章已經證明皆為不實的訊息了。但在透過演算法的推波助瀾下，讓一些意見相近的聲音不斷重複，即是內容已被誇張或扭曲，但依舊能讓處於相對封閉環境中的大多數人，認為這些扭曲的訊息就是事實的全部，開始無視於外人的看法走上極端。
而這樣的人並非少數，甚至如名人網球球王喬柯維奇（Novak Djokovic）、NBA籃網隊球星厄文（Kyrie Irving）至今都是深信上述的假訊息，而拒絕施打疫苗。
只為了強化演算法？ 需要更多「關於你」
不過，即使人工智慧的演算法也無法一步到位地推敲到個人的想法，所以為了要強化演算法的能力，首要條件就是需要更多關於你的數據。
我們在網路上的行為其實都是被紀錄、追蹤與測量，舉凡看了哪個影片？看了多久？有什麼樣的互動？什麼時候在家？從事什麼工作？喜歡什麼樣子的異性？什麼時候看了前妻的照片等？你半夜都在做些什麼？愈多愈完整你及你的家人好友的大數據庫，愈能提升演算法的結果。
時至今日，演算法被大量的應用在商業用途，業者為了達到目標，他們會盡可能地提升用戶間的互動（User Engagement），以致達到更高的使用率（Usage Rate）、用戶留存（Retention）、收益（Revenue），此時就必須持續不斷改進演算法，才能提升上述的數字。
無庸置疑的，收益絕對是業者最重視的一環。
例如，目前大多數的搜尋、影音、社群服務平台，主要的收益都來自廣告。平台業者透過演算法的結果可以將用戶分類，讓想打廣告的廠商能夠精準找到合適的客群，這樣的原則下其實沒什麼問題。但由於追求最大收益的情況下，大多數廣告的委託平台都是公開並接受任何人來購買廣告，也就因此產生了一個相當嚴重的問題。
當決策系統被左右時，渾然不覺
在演算法的運作下，可以透過「一連串的呈現」去影響個人的決策。
例如將素未謀面，但卻有相同興趣或觀點的人群聚在一起，透過平台去建立彼此的關係，就像因為喜歡了寵物加入了寵物的社群、因為想了解星座運勢，追蹤了某一個網紅。
而當「收益」被視為最重要指標下，若沒有嚴格的第三方審核機制，任何人只要肯出價，就有機會透過平台的機制去操弄這些特定的族群。
例如2019年發生的劍橋分析事件（Cambridge Analytica），便是利用演算法的特性，用來精準分析群眾的性格、生活滿意度、政治立場以及是否相信星座等資訊，來操作民意，打擊對手。
另外像是台灣2021年網路詐騙金額高達30億元，其中常見的投資詐騙、一頁式購物詐騙，也是歹徒利用演算法的特性，精準地找到上網想買東西或是找股票資訊的民眾來進行詐騙。
演算法有限，自我的認知及選擇才是無窮
「演算法」其實沒有好壞區別，它就是一個規則，一把科技雙面刃，為人們帶來前所未有的客製化體驗與更精準的決策過程，只是也同時帶來了新的問題。
尤其，近年來隨著演算法衍生的問題被重視後，有愈來愈多的大廠例如Google、 Facebook、Tesla等等，都已經可以讓用戶選擇是否要提供自己的喜好或習慣給原廠，或者哪樣的資訊用戶願意接收，讓用戶都可以透過個人帳號中的隱私設定選項去選擇。
「對抗演算法」或許是來自網友戲謔的說法，大家更想表達的其實應該是「人們在享受科技帶來的便利同時，不該被科技的框架所侷限，而失去了對其他人事物的認知。」
