Читать книгу: «Мир-фильтр. Как алгоритмы уплощают культуру», страница 3

Ringo тестировала различные алгоритмы для принятия решений на основе музыкальных рейтингов. Первый алгоритм измерял несходство между вкусами пользователей и основывал рекомендации на максимальном сходстве. Второй измерял сходство, а затем использовал для принятия решений положительные и отрицательные корреляции с другими пользователями. Третий определял корреляцию между различными исполнителями и рекомендовал музыкантов, которые сильно коррелировали с теми, что уже нравились данному человеку. Четвертый алгоритм (по мнению исследователей, самый эффективный) подбирал пользователей на основе того, положительно или отрицательно они оценивали одни и те же вещи – иными словами, на основе совпадения вкусов. Сходство оказалось наилучшей переменной. Чем больше пользователей включалось в систему и чем больше сведений они предоставляли, тем лучше работала Ringo – некоторые пользователи даже назвали систему “пугающе точной”. Инновация Ringo заключалась в том, что она подтверждала: наилучшим источником точных рекомендаций или лучших индикаторов релевантности, скорее всего, являются другие люди, а не анализ самого содержания. Концепция отражала повышение важности человеческого вкуса.

Первые алгоритмы интернета разработали для того, чтобы просеивать огромное количество материала в поисках вещей, важных для пользователя, и затем представлять их в связном виде. Целью были рекомендации: рекомендовать ту или иную информацию, песню, картинку или новость в социальных сетях. Алгоритмическую подачу информации иногда более формально и буквально называют “рекомендательными системами” за простой акт выбора того или иного контента.

Первым полностью общедоступным интернет-алгоритмом, с которым сталкивался практически каждый пользователь интернета, стал алгоритм поиска Google. В 1996 году, учась в Стэнфордском университете, соучредители Google Сергей Брин и Ларри Пейдж начали работу над тем, что впоследствии превратилось в PageRank – систему ранжирования страниц интернета (который на тот момент насчитывал около ста миллионов документов); она просматривала веб-страницы и определяла, какие из них окажутся полезнее или информативнее. Алгоритм PageRank подсчитывал, сколько раз на данный сайт ссылались другие, подобно тому, как авторы научных работ ссылаются на результаты предыдущих серьезных исследований. Чем больше ссылок, тем более важной считалась страница. Показатель цитирования “согласуется с субъективным представлением людей о важности”, – писали Брин и Пейдж в 1998 году в работе “Анатомия системы крупномасштабного гипертекстового интернет-поиска”. Алгоритм PageRank объединил форму совместной фильтрации с фильтрацией на основе содержания. Связывая различные страницы, люди-пользователи формировали субъективную карту рекомендаций, которую учитывал алгоритм. Он также измерял такие факторы, как количество ссылок на странице, относительное качество этих ссылок и даже размер текста – чем он длиннее, тем более релевантным может оказаться текст для конкретного поискового запроса. Страницы с высоким значением PageRank с большей вероятностью появлялись в верхней части списка результатов, которые выдавала поисковая система Google.

Прогноз Пейджа и Брина относительно того, что их система останется функциональной и масштабируемой по мере развития интернета, оказался верным. Спустя десятилетия PageRank стал почти тиранической системой, которая управляет тем, как и когда видны сайты. Для любого бизнеса или ресурса жизненно важно приспособиться к алгоритму ранжирования и попасть на первую страницу результатов поиска Google. В начале 2000-х годов мне приходилось просматривать множество выдаваемых страниц, чтобы найти то, что мне требовалось. В последнее время я почти никогда не добираюсь даже до второй страницы – в частности, благодаря тому, что поисковая система Google теперь еще и сама показывает текст, который сочла релевантным: она берет его с сайта и демонстрирует пользователю в верхней части страницы – выше фактических результатов поиска. Таким образом, пользователь, спросивший: “Можно ли кормить собаку морковью?” (я без устали искал ответ на этот вопрос, когда у меня впервые появился щенок), сразу получает ответ, и у него отпадает необходимость заходить на другой сайт, что еще сильнее укрепляет авторитет Google. “Знание – сила”, – писал Фрэнсис Бэкон в XVI веке, однако в эпоху интернета, возможно, еще больше преимуществ дает сортировка знаний. Информацию сегодня найти легко; гораздо сложнее разобраться в ней и понять, какие сведения полезны.

Пейдж и Брин хотели, чтобы их система была относительно нейтральной и оценивала каждый сайт исключительно с точки зрения его релевантности. Задача алгоритма заключалась в предоставлении пользователю наилучшей информации. Ориентирование поиска на определенный сайт или бизнес испортило бы результаты. “Мы полагаем, что поисковые системы, финансируемые за счет рекламы, будут по своей сути отдавать предпочтение рекламодателям и не учитывать нужды потребителей”, – писали предприниматели в 1998 году. И тем не менее в 2000 году они запустили Google AdWords – пилотный продукт компании для рекламодателей (сейчас он называется Google Ads). Забавно читать их критику сегодня, когда именно реклама обеспечивает подавляющую часть доходов компании – более 80 % в 2020 году. Поскольку алгоритм PageRank привел в поисковую систему Google миллиарды людей, компания также получила возможность отслеживать, что ищут пользователи, и таким образом продавать рекламодателям позиции в выдаче при определенных поисковых запросах. Как и результаты поиска, рекламные объявления, показываемые пользователю, тоже определяются алгоритмом. И эта реклама, построенная на поисковом алгоритме, сделала Google настоящим левиафаном.

К началу 2000-х годов наш цифровой опыт уже определялся алгоритмической фильтрацией. Сайт Amazon еще в 1998 году начал использовать совместную фильтрацию при рекомендациях товаров клиентам. Однако система компании не пыталась обнаруживать сходные профили пользователей, чтобы приблизительно оценивать вкусы, как это делала Ringo; она определяла товары, которые часто покупают вместе, – например, погремушка и детская бутылочка. Статья 2017 года, созданная одним из сотрудников Amazon, описывает подобные предложения на сайте:

На главной странице выделялись рекомендации, основанные на ваших прошлых покупках и просмотренных товарах… Корзина рекомендовала добавить другие товары – возможно, спонтанные покупки, которые делаются в последнюю минуту, а возможно, дополнения к тому, что вы уже рассматривали. По окончании заказа появлялись дополнительные рекомендации, предлагающие заказать товары позже.

Такие алгоритмические рекомендации напоминают полки, расположенные непосредственно перед кассой в супермаркетах, – последний стимул купить товары, которые могут вам пригодиться. Но в данном случае рекомендации подбирались индивидуально для каждого пользователя сайта, и в результате, как утверждала статья, получался “магазин для каждого покупателя”. Amazon обнаружила, что персонализированные рекомендации товаров гораздо эффективнее с точки зрения количества кликов и продаж, чем неперсонализированные методы маркетинга – например, реклама на баннерах и списки наиболее популярных товаров, которые нельзя нацелить столь же точно. Алгоритм рекомендаций продвигал бизнес и оказался удобен для покупателя, который получил возможность находить вещи, о необходимости которых даже не подозревал. (Прямо сейчас главная страница Amazon рекомендует мне мойку с аккумуляторным питанием и японскую сковороду для омлета.)

Первые подобные алгоритмы сортировали отдельные электронные письма, музыкантов (в отличие от конкретных песен), веб-страницы и коммерческие товары. По мере развития цифровых платформ рекомендательные системы переместились в более сложные области культуры и стали оперировать гораздо большими скоростями и объемами, обрабатывая миллионы твитов, фильмов, загруженных пользователями видеороликов и даже потенциальных партнеров на свиданиях. Фильтрация стала стандартным способом работы в интернете.

Эта история напоминает также о том, что рекомендательные системы – это не всезнающие сущности, а инструменты, созданные группами технических специалистов. Они могут ошибаться. Ник Сивер – социолог и профессор Университета Тафтса, изучающий рекомендательные системы. Его исследования посвящены человеческой стороне алгоритмов – тому, что думают об алгоритмических рекомендациях создающие их инженеры. В наших беседах Сивер всегда старался прояснить двусмысленную суть алгоритма, отделяя индивидуальное уравнение от корпоративных мотивов, лежащих в основе его разработки, и конечного воздействия на пользователя. “Алгоритм – это метонимическое обозначение для компаний в целом, – говорил он мне. – Алгоритма Фейсбука не существует; существует Фейсбук. Алгоритм – это способ рассказать о решениях Фейсбука”.

Речь здесь не о технологии – нельзя обвинять сам алгоритм в плохих рекомендациях, как нельзя обвинять мост в его инженерных недостатках. Чтобы огромные хранилища контента на цифровых платформах стали доступными, необходима определенная степень упорядочивания. Негативные аспекты Мира-фильтра, возможно, возникли потому, что технология применяется слишком широко, учитывая скорее интересы рекламодателей, нежели опыт пользователей. Рекомендации в том виде, в котором они сейчас существуют, больше не работают для нас; они вызывают у нас все большее отчуждение.

Первые социальные сети

Мои первые значимые воспоминания о социальных сетях связаны с Фейсбуком, в котором я зарегистрировался после того, как поступил в колледж при Университете Тафтса. Дело было летом 2006 года, и в то время потенциальным пользователям требовался официальный адрес электронной почты в домене. edu, чтобы получить доступ к части платформы, которая относилась к колледжам. Тот первый вариант Фейсбука почти неузнаваем по сравнению с сегодняшней структурой. Аудитория строго ограничивалась; я использовал сеть в основном как средство связи с другими студентами университета. Если сегодня Фейсбук можно сравнить с лихорадочной трассой с выездами и заездами через каждые несколько секунд, то в нулевые годы он больше напоминал школьную комнату отдыха, где одновременно могли общаться лишь несколько человек. Вы создавали профиль, обновляли свой статус в нем, вступали в группы по общим интересам – но не более того.

Фейсбук стал едва ли не первым способом социального общения в интернете. Его предшественниками были Friendster и MySpace. Сервисы обмена сообщениями – Instant Messenger компании AOL и gChat компании Google – обеспечивали увлекательные способы общения с друзьями в режиме реального времени. К 2006 году я уже провел сотни часов на более старых форумах, где обсуждались видеоигры и музыка. Однако именно Фейсбук Цукерберга первым грамотно и последовательно связал онлайн-идентичность с офлайновым миром. Платформа поощряла пользователей использовать свои настоящие имена, а не таинственные псевдонимы, и влияла на реальные планы в маленьком мире колледжа: организацию вечеринок, планирование учебной деятельности и завязывание отношений. Тем самым она проложила путь к распространению социальной жизни в интернете для миллионов, а затем и миллиардов пользователей.

В сентябре 2006 года, вскоре после моего появления в Фейсбуке, там появилось одно из крупнейших нововведений – функция, которая определила его будущее в качестве онлайн-гипермаркета, торгующего всем подряд. Главным атрибутом платформы стала лента новостей, бегущий список обновлений, постов и оповещений. Ею нельзя было пренебречь – как только что построенным шоссе, прорезавшим тихую деревню. “Теперь всякий раз, когда вы входите в систему, вы получаете последние новости, связанные с активностью ваших друзей и социальных групп”, – сообщалось в официальном обновлении Фейсбука.

Патент на ленту новостей, поданный в том же году, но полученный только в 2012-м, описывал ее назначение: “Система и метод предоставляют динамически выбранный медиаконтент человеку, использующему электронное устройство в среде социальной сети”. Иными словами, лента новостей представляла собой поток информации, продиктованный алгоритмом, который определял, что именно показывать пользователю. В другом патенте была заявлена возможность “генерировать динамический контент, основанный на взаимоотношениях и персонализированный для участников социальной сети на веб-основе”. Сначала эта лента новостей представляла собой просто поток уведомлений об изменении статуса отношений и новых фотографий в профиле. Это не вызывало особых подозрений.

Более полное описание патентной заявки на ленту новостей говорит о системе совместной фильтрации, действующей в гораздо больших масштабах, нежели системы электронной почты 1990-х годов. Его стоит процитировать полностью, потому что оно предсказывает, во что превратится в следующем десятилетии большая часть онлайн-жизни (от социальных сетей до потоковой передачи данных и электронной торговли): множество автоматизированных лент, диктуемых в большей степени корпорациями, а не пользователями, которые постепенно формируют более пассивные отношения между пользователями и подачей контента.

Элементы медиаконтента выбираются для пользователя на основе его отношений с одним или несколькими другими пользователями. Эти отношения пользователя с другими пользователями отражаются в выбранном медиаконтенте и его формате. Элементам медиаконтента присваивается некоторый порядок (например, на основе их предполагаемой важности для пользователя), и именно в этом порядке их представляют пользователю. Пользователь может изменить порядок элементов медиаконтента. Взаимодействие пользователя с медиаконтентом, доступным в среде социальной сети, отслеживается, и это взаимодействие используется для выбора дополнительных элементов медиаконтента для пользователя.

Этот фрагмент содержит все элементы алгоритмической ленты – системы, которая прогнозирует относительную важность информации для конкретного пользователя, определяемую на основе наблюдения за контентом, который он просматривал в прошлом; затем система продвигает в начало списка тот контент, который, на ее взгляд, с максимальной вероятностью будет столь же интересен. Цель – отфильтровать контент, чтобы выбрать наиболее вовлекающий. Это побуждает пользователя потреблять больше информации и подписываться на большее количество аккаунтов в целом. Социальные сети обрели жизнеспособность, поскольку пользователи могли чаще пользоваться ими и дольше оставаться на сайтах. Если наши друзья не активны в Фейсбуке (у меня, например, как раз такой случай), то и мы, скорее всего, снизим свою активность.

Сначала ленту новостей упорядочивали исключительно в хронологическом порядке, и на первом месте находились самые свежие обновления; однако постепенно она стала подчиняться более алгоритмической логике. По мере развития Фейсбука и увеличения активности пользователей, которые добавляли все больше связей, переходя от личных отношений к публикациям и брендам, объем отдельных обновлений увеличивался. Со временем обычные заметки от друзей дополнились сообщениями от групп, ссылками на новости и объявлениями о распродажах. Обычные пользователи уже не могли рассчитывать, что им удастся следить за хронологической лентой при таком объеме и разнообразии сообщений, но даже если бы попытались, то их либо завалило бы информацией, либо они пропустили бы важное сообщение – что могло вызвать недовольство платформой. В конце концов масштаб и скорость потребления в Фейсбуке привели к тому, что агрессивная алгоритмическая фильтрация стала необходимой.

В 2009 году в Фейсбуке появилась кнопка Like в виде поднятого большого пальца; она стала показывать, насколько пользователю интересен тот или иной контент. Порядок в ленте определяла вовлеченность пользователей, измеряемая лайками, комментариями и предыдущими взаимодействиями аккаунтов между собой. Эта алгоритмическая система получила название EdgeRank, и Фейсбук определил ее основные параметры: совместимость, вес действий и время. Под действием понималось любая деятельность людей в Фейсбуке, которая затем отправляется в ленту новостей в виде фиксируемого обновления. Совместимость отражала степень связи пользователя с автором поста и силу этой связи (например, постоянное комментирование постов друзей). Комментарий оценивался выше, чем лайк, а недавние взаимодействия – выше, чем старые. Показатель веса оценивал различные категории взаимодействий: обновление у друга, разместившего новую фотографию, могло иметь больший вес для алгоритма, нежели размещение ссылки на новость или вступление в новую группу. Время отражало возраст действий: при прочих равных условиях недавние действия с большей вероятностью оказывались в верхней части ленты новостей, нежели старые. Показатель EdgeRank не оставался вечным, как результат баскетбольного матча в турнире; он постоянно менялся. И эти три категории – не просто отдельные, нейтральные единицы данных; это совокупность данных, упакованных и интерпретированных Фейсбуком особым образом.

Отследить эволюцию алгоритмической ленты Фейсбука сложно, поскольку она постоянно обновляется, а компания раскрывает подробности лишь время от времени. Все, что мы знаем о ней помимо официальных заявлений, сводится к журналистским расследованиям и опыту пользователей, которые ощущают эффекты обновленных алгоритмов задолго до того, как те становятся достоянием общественности. Когда меняется механизм подачи информации, знакомые веб-сайты могут начать восприниматься иначе. Например, вы обнаруживаете, что реже видите в Фейсбуке сообщения своих друзей и чаще – посты групп или компаний или что Инстаграм никогда не показывает в вашей ленте посты определенного друга, и вам приходится искать их с помощью поиска.

Сама алгоритмическая лента не развивается последовательно и не двигается линейно к какому-то конечному идеалу. Она меняется в зависимости от приоритетов компании. В 2011 году Фейсбук назвал ленту новостей “вашей персональной газетой”, намекая на то, что ее цель – объединить новости от ваших знакомых с известиями из внешнего мира. В 2013 году компания заявила, что ее алгоритм работает над “выявлением высококачественного контента”. Однако погоня за тем, что компания считала “высоким качеством”, в 2010-е годы превратилась в какую-то абсурдную игру. Если вы хотели привлечь внимание к своим постам в Фейсбуке – а это серьезная проблема для журналистских изданий и писателей-фрилансеров, – вам приходилось угадывать, какой материал получает приоритет. Ситуация оказалась почти противоположной: вас слышали, только если вы “обманули” алгоритм. Вы больше не могли рассчитывать на то, что пользователи, которые подписались на вас или добавились в друзья, увидят ваши посты.

В какой-то момент своей карьеры журналиста-фрилансера я вспомнил про слухи о том, что ссылки на статьи уже не имеют большого веса в этом алгоритме. Поэтому вместо вставки в пост прямой ссылки на свои работы я, как и многие другие журналисты, принялся добавлять ссылку только в комментарий к посту. Предполагалось, что этот трюк способствует алгоритмическому продвижению, хотя он и создавал неудобства для читателя. Потом мне стало ясно, что текст, напоминающий брачное объявление, и комментарии со словами “поздравляю” проталкивают посты в верхнюю часть ленты. Поэтому я стал делиться своими статьями с фальшивыми свадьбами или другими жизненными событиями. Следующие явления демонстрируют, как алгоритмы могут искажать сам язык, когда пользователи пытаются либо обмануть их, либо избежать обнаружения. Совсем недавно в ТикТоке появились эвфемизмы для терминов, которые заставляют алгоритм блокировать или замедлять видеоролик; журналист Тейлор Лоренц из Washington Post приводит примеры: unalive (“разоживить”) вместо убийства, SA вместо сексуального насилия, spicy eggplant (“пикантный баклажан”) вместо вибратора. Такую лексику прозвали algospeak (“алгояз”): язык, вылепленный по образу алгоритма.

Я не знал, сработают ли трюки, использованные мною в Фейсбуке, но был готов пробовать все, чтобы привлечь потенциальных читателей. Это походило на создание сайта для оптимизации работы поисковой машины Google: журналисты оптимизировали контент под параметры алгоритма или, по крайней мере, под то, что мы ими считали. Этот процесс казался манипулятивным, а порой и кафкианским; мы сражались с невидимым, непонятным, постоянно меняющимся противником.

Примерно в 2015 году Фейсбук решил отдавать предпочтение видеоконтенту, поэтому алгоритм рекомендаций занялся активным продвижением видеороликов. В погоне за аудиторией медиакомпании переориентировались на создание таких роликов – иногда обращаясь за финансированием к самому Фейсбуку. Подобная политика продлилась всего несколько лет, после чего Фейсбук снова лишил видеоконтент приоритета, что привело к волнам увольнений в этих медиакомпаниях, включая BuzzFeed, Mashable и MTV. (После завершения программы выяснилось, что Фейсбук также лгал о трафике видеороликов, завышая показатели в девять раз, если верить судебному разбирательству.) Алгоритмическая лента продолжала меняться. В 2016 году Фейсбук добавил к постам “реакции”, чтобы зрители могли поставить не только лайк, но и различные смайлики. Посты с большим количеством смайликов продвигались выше. Однако это нововведение привело к обратному эффекту: высоко поднимались посты, получившие много сердитых смайликов (например, политические истории, вызывавшие у людей злость), а это портило эмоциональный фон всего сайта. То, что подобные посты привлекали больше пользователей, не обязательно означало, что они были более ценными.

От хронологической ленты к увеличению алгоритмических рекомендаций перешел не только Фейсбук: этим путем в 2010-е годы проследовали почти все крупные социальные сети. В середине десятилетия, когда алгоритмизация усилилась, начал формироваться Мир-фильтр.

Фейсбук приобрел Инстаграм в 2012 году, когда там работало всего тринадцать человек. За прошедшие годы это приложение для обмена фотографиями стало больше походить на сам Фейсбук, перейдя от линейной ленты фотографий, загруженных друзьями, к потоку видео, рекламы и рекомендуемых постов. Лента Инстаграма начала переходить от хронологического к алгоритмическому расположению в марте 2016 года. Сначала нововведение тестировалось на небольших группах пользователей, а затем распространялось на все большее количество, пока не коснулось всех. Все более хаотичная лента вызывала чувство растерянности и тревоги – сродни ощущению, когда кто-то без вашего ведома переставляет мебель в вашем доме. Раньше, прокручивая ленту, вы постепенно перемещались в прошлое. Теперь же в верхней части вашей ленты могло внезапно появиться сообщение двухдневной давности.

В начале 2016 года менее хронологическим стал и Твиттер, на короткое время сделав алгоритмическую ленту выбором по умолчанию при входе пользователей в приложение – явная проблема для сайта, который многие использовали в качестве ленты новостей в реальном времени. (Хронологический вариант назывался Twitter Classic, словно любимый вкус какой-то вредной пищи.) Позже приложение начало автоматически через некоторое время переключать пользователей на алгоритмическую ленту, вынуждая их отказаться от хронологии. Хотя рекомендации контента Netflix уже давно были алгоритмическими, в 2016 году этот стриминговый сервис начал менять интерфейс главной страницы, определяя приоритет рекомендаций и индивидуализируя их для каждого пользователя.

За этим сдвигом последовали более масштабные последствия для культуры, неожиданные для пользователей и, возможно, для самих компаний – примерно как запруда на реке меняет всю экосистему. Алгоритмизированные ленты начинают выглядеть по-разному для разных людей: невозможно узнать, что видит другой человек в данный момент, а значит, сложнее ощутить онлайн чувство общности с другими людьми – то чувство единения, которое вы, возможно, испытываете, когда смотрите фильм в кинотеатре или собираетесь с друзьями перед телевизором. Появление Мира-фильтра привело к уходу в монокультуру. У нее есть определенные преимущества (теперь мы можем потреблять более широкий спектр медиа), однако имеются и минусы. Культура должна быть коллективной; она требует определенной степени согласованности между аудиториями; без такой общности она теряет часть своего существенного влияния.

Проблема фрагментации усугубляется тем, что обновления рекомендательной системы не распространяются одновременно на всех пользователей приложения. В течение года или двух после 2016 года моя личная лента Инстаграма сохраняла строгую хронологичность, в то время как все вокруг жаловались, что не видят того, что хотят. В конце концов моя лента тоже переключилась, и я понял, на что жаловались мои знакомые. Мы привыкли, что наши ленты работают определенным образом, и когда они изменились, изменилось и наше поведение как потребителей. Мы застряли в алгоритмическом потоке, движимые теми переменными, на поиск которых его запрограммировали.

Развитие алгоритмической ленты, как и самого интернета, продвигалось медленно, но затем произошел всплеск. В начале 2020-х годов, когда я пишу эти строки, системы рекомендаций представляются неизбежными посредниками при нашем потреблении всех видов цифровых медиа. Зачастую кажется, что какая-то технология является чем-то из разряда далекого будущего, но внезапно щелкает выключатель, и скачок вперед становится совершенно обыденным фактом повседневной жизни.

В своей эпопее начала XX века “В поисках утраченного времени” Марсель Пруст исследует такие тонкие изменения в личных ощущениях на фоне развивающихся технологий. В одном из отрывков рассказчик Пруста называет телефон “сверхъестественным инструментом, чудесам которого некогда так дивились и которым теперь пользуются почти бессознательно для вызова портного или заказа мороженого”¹⁴. Телефон изобрели только в конце XIX века, когда происходит действие романа Пруста. К 1899 году в Париже насчитывалось семь тысяч телефонных абонентов. И тем не менее телефоны уже превратились в обыденность. Даже во время одного из первых телефонных разговоров рассказчика устройство не восхищает его, а раздражает. Пруст писал: “И все же привычка требует так мало времени для совлечения тайны со священных форм, с которыми мы соприкасаемся, что, не получив соединения немедленно, я подумал только о том, как это все долго, неудобно, и уже готов был обратиться с жалобой”¹⁵.

В 1933 году японский писатель Дзюнъитиро Танидзаки запечатлел другой момент технологических перемен, написав книгу “Похвала тени” – огромное эссе о появлении электрического освещения в Токио. Метафорический выключатель щелкнул; за время жизни Танидзаки (он родился в 1886 году) электрический свет, прежде неизвестный в его стране, распространился повсеместно – благодаря контактам с Западом, на волне растущей глобализации и последующих столкновений культур. Танидзаки писал о европейцах: “Не прекращают они своего движения в поисках света, стремясь рассеять последние остатки тени”¹⁶. В эссе писатель оплакивает уникальные формы японской культуры, которые вдохновлялись старой тусклостью света свечей, – от блеска позолоты на раздвижной бумажной двери дома до супа мисо “цвета красной глины” в полутемных домах: “Наши национальные блюда неразрывно связаны с темнотой и основным тоном своим имеют «тень»”.

И все же Танидзаки не мог игнорировать привлекательность электричества и других новых устройств: фарфоровых унитазов, обогревателей и неоновых вывесок. “Мы ничего не имеем против принятия всех современных достижений цивилизации”, – писал он. В своих художественных произведениях романист сообщал, что любит кинотеатры и современную архитектуру так же сильно, как он ценит традиции. В книге “Похвала тени” прослеживается, как менялись технологии, адаптировалась культура и трансформировались личные вкусы – та же схема, которую мы видим сегодня в Мире-фильтре.

С появлением новых технологий чудесное быстро становится обыденным, любой сбой в их работе воспринимается как неприятность, и в конце концов на них просто перестают обращать внимание – чудо исчезает. Мы забываем, что жизнь не всегда была такой: мы не могли напрямую разговаривать с людьми на больших расстояниях, комнаты не освещались потолочными светильниками, а машины не фильтровали информацию автоматически. Так и с присутствием алгоритмической подачи информации в нашей жизни; алгоритм часто остается незамеченным – предметом мебели, на который обращают внимание только тогда, когда он не работает так, как положено, как в случае со светофором или водопроводом.

Алгоритмическая тревожность

Если несколько веков назад играющий в шахматы механический турок оказался (ложной) встречей с чудесной технологией, принимающей решения независимо от человека, то теперь мы сталкиваемся с подобным десятки раз в день – в цифровых пространствах, на которые привыкли полагаться. Повсеместное влияние машин трудно переоценить. Если судить по общедоступным показателям, у Фейсбука сегодня почти три миллиарда пользователей. Инстаграм – около двух миллиардов. ТикТок – более одного миллиарда. Spotify – свыше пятисот миллионов. Твиттер – четыреста миллионов. Netflix – более двухсот миллионов. Каждое взаимодействие людей на этих платформах, каждый момент пассивного потребления определяется алгоритмическими рекомендациями. Даже если некоторые пользователи отказались от алгоритмической ленты, их участие вносит вклад в данные, которые служат основой для рекомендаций другим пользователям. Захват неизбежен. Для значительной части населения планеты социальные сети и стриминговые сервисы стали основным способом поглощения информации – будь то музыка, развлечения или искусство. Мы живем в эпоху алгоритмической культуры.

Технологические компании уже давно стремятся достичь таких масштабов. Монопольный рост для них важнее, чем качество пользовательского опыта, и уж точно важнее, чем справедливое распределение культуры по лентам сервисов. (Цифровая платформа не несет такой кураторской ответственности, как, скажем, художественный музей.) Согласно идеологии Кремниевой долины, стремление к масштабу перевешивает любые возможные негативные последствия. Это демонстрирует служебная записка, составленная в 2016 году Эндрю Босуортом из Фейсбука.