Netflix AI Discover 在熟悉的推薦以外加入按心情瀏覽功能

Netflix 於 11 月 3 日推出 Netflix AI Discover，讓部分電視用戶可按心情選擇下一套觀看內容。這項實驗在根據過往觀看紀錄產生的推薦以外，讓用戶可明確表達當刻想看的內容。核心問題很實際：詢問觀眾當下的觀看情境，能否足以改善選擇體驗，值得另設一個瀏覽入口？

這個分別相當重要，因為觀看紀錄與即時偏好回答的是不同問題。喜歡犯罪劇的人，今晚可能想看一套輕鬆的喜劇。新分頁讓這種暫時偏好在探索過程中有明確位置，觀眾毋須先知道片名。

Netflix 早前已探索這個方向，包括在 iOS 推出對話式搜尋，以及提供更貼近即時喜好的電視推薦。Prime Video 亦曾運用 AI 整理觀看建議。如今壓力落在瀏覽體驗本身：選擇主題必須幫助用戶找到滿意內容，而不是增加工作量。

Netflix AI Discover 先以有限度電視實驗推出

Netflix 在其按心情探索公告中，介紹了一個面向少量會員的新分頁。首輪推出涵蓋美國使用支援電視裝置的英語 Netflix 用戶。Netflix 表示，未來數周將逐步擴大使用範圍。

首個體驗會展示配有片段的主題。觀眾選擇一個選項後，會收到相符的建議，並可透過更多主題逐步收窄興趣範圍。他們亦可要求轉換方向。Netflix 表示，AI 協助建立這些主題，而體驗亦會一路解釋結果。

最直接的改變，是在選擇片名之前新增一種提供偏好的方式。 觀眾可從觀看情境、可用時間或期望感受開始。這讓部分選擇流程早於熟悉的「哪一部電影或劇集吸引」的決定。

試想一個示例家庭在晚飯後決定看甚麼。大家同意想看輕鬆一點的內容，但沒有人心中有特定電影。以心情為導向的起點，讓他們可在討論個別片名前，先表達共同偏好。這個例子描述預期用途，而非已獲驗證的用戶成效。

同樣的分別亦適用於獨自瀏覽的用戶。一個人可能知道自己只想投入較短時間，卻不知道哪種題材適合。這項限制在推薦出現前已很有用。一個片名可以符合某人的一般口味，卻仍不適合他們當下可用的時間。

Netflix 的公告亦提到，在這項實驗中可保留推薦，或要求某片名不再出現的控制選項。這些控制讓不同意見成為探索的一部分。服務不必間接解讀每項被拒絕的建議，而是提供更明確的回應機制。

不過，這次推出仍是一項實驗。Netflix 將這個入口描述為可嘗試、並會隨時間改變的體驗場所。這種表述為個別功能的演變、消失或併入較廣泛服務留下空間，並不代表現時介面就是 Netflix 的最終方案。

這個分別應影響外界期望。早期開放證明 Netflix 正在測試一個產品方向，卻不能證明按心情瀏覽能提升滿意度、覆蓋每個支援的家庭，或在不同觀看情況下同樣有效。

對觀眾而言，可否使用與是否實用是兩回事。收到這個分頁代表用戶符合嘗試資格；它能否成為日常習慣的一部分，取決於建議能否切合當刻需要。

今晚的意圖為基於昨日的推薦帶來壓力

推薦可以符合一個人的口味，卻不適合當下情境。 這是認真看待按心情瀏覽的最有力理由。過往行為可提供偏好證據，而即時選擇則可表達暫時性的例外。

想像一個平日常看需要專注投入的劇集的人，在準備晚飯時只想播放一些可作背景的娛樂內容。再推薦一部廣受好評的劇集，或許準確反映其觀看紀錄，卻仍無法尊重當下情況。問題在於推薦時機，而非片名質素。

這對負責個人化功能的產品團隊帶來壓力，也就是按個人情況調整建議的過程。他們需要決定，即時偏好何時應凌駕既有模式；亦要分辨一次性的要求與口味的長期改變。

若系統把每晚的選擇視為永久偏好，便有可能扭曲日後建議；若忽略明確表達的偏好，又可能令互動顯得毫無意義。設計上的挑戰，是讓當下意圖有足夠影響力，同時保留早前行為帶來的有用資訊。

個人偏好與家庭決定之間亦有差異。個人檔案的觀看紀錄未必能描述所有坐在沙發上的人。即使帳戶屬於特定人士，共同觀看情境亦可帶來屬於整個群體的限制條件。

對 Netflix 而言，這令探索不只是預測問題，也是協調問題。有用的介面應協助觀眾表達共識，毋須完美理解情緒，只需呈現令下一個決定更容易的選項。

作為一項推論，商業邏輯很直接：當觀眾無法選定吸引的內容時，可觀看的娛樂內容價值便有限。更好的探索方式，能令既有片庫更有用。不過，這個推論並不能證明對留存率或觀看時間有已量度的影響。

這項實驗亦把責任轉向介面。當觀眾提供偏好時，他們會期待看到明確回應。服務既然已直接詢問他們想要甚麼，泛泛的結果便更難辯解。這項要求建立了一個可衡量下一個畫面的標準。

對 AI 產品用戶而言，這種期望不限於串流服務。詢問優先事項的助手，應在回答中反映這些優先事項。只有輸出內容作出恰當改變時，蒐集脈絡才有價值；否則，互動只是多加一步。

對開發者與產品經理而言，相關問題是：一個人要提供多少資訊，才可獲得更好的結果？若額外選擇能消除之後的不確定性，便值得加入；若重複選擇只是在重新排列熟悉的選項，便會成為負擔。

因此，Netflix AI Discover 對一項特定假設帶來壓力：只觀察行為已足以理解一個人下一步想看甚麼。直接提問提供另一種證據來源，而產品仍須證明這些證據何時能改善體驗。

主題選擇提供有別於對話式搜尋的途徑

Netflix 於 2025 年 5 月 7 日公布的電視體驗重新設計，已強調能回應即時興趣的推薦功能。同一公告亦推出小規模、可選用的 iOS 搜尋測試，讓用戶使用日常語句搜尋。這些早期嘗試為目前實驗建立了清晰脈絡。

選擇主題與輸入要求，對觀眾提出不同要求。 對話式介面要求人們構思自己想要甚麼；主題式介面則提供可行的起點。兩種方式均不會自動產生更好推薦，但各自改變了開始所需的投入。

輸入要求具備彈性。用戶可用自己的說法結合氣氛、場景、節奏及排除條件；代價是必須決定如何表達這些偏好。當一個人只知道目前沒有任何內容吸引時，這可能會令人感到彆扭。

主題則反轉了這種互動。服務提供一套詞彙，觀眾指出哪個方向最接近自己想法。這可幫助難以描述自身興趣的人辨認偏好，但亦意味可供選擇的項目會影響哪些興趣較容易表達。

在電視上，這個分別尤其相關。用遙控器選擇選項，與輸入一句文字所需的投入不同。因此，引導式選擇是一項合理的產品假設；不過，公告未有證明它相較打字或語音要求的表現。

整個業界已有 AI 輔助整理的例子。Amazon 的串流 AI 功能資料提到，Prime Video 提供個人化微類型輪播列及 AI 生成的搜尋結果。這提供一個相關競爭參考，但不能證明各項服務採用等同技術。

這個比較意味，單靠獨特措辭難以帶來明顯差異。多個平台均可提供比熟悉類型標籤更具體的分類。更重要的分別在於，這些分類是否能帶領觀眾找到想看的內容，並讓他們在建議不合時作出調整。

這令主要競爭回到行為層面。介面能否減少不確定性？觀眾能否理解某片名為何出現？他們能否毋須重新開始整個流程，便可重定結果方向？相比一個主題是否聽來特別具體，這些問題對日常實用性更重要。

服務呈現多少選擇，亦存在取捨。寬泛主題容易理解，但可能提供很少指引；狹窄主題方向更清晰，卻可能令人覺得受限。有效的流程，應由容易接受的起點逐步引向有用的分別。

例如，觀眾可能先表達想看喜劇的廣泛意願；下一個有意義的分別，可能與情緒基調有關，而不是更窄的類型。另一名觀眾可能更在意投入程度，或內容是否適合一起觀看的人。這些屬分析例子，並非已確認的介面流程。

產品亦必須支援改變主意。瀏覽往往幫助人們發現偏好，而非只表達他們原本已掌握的偏好。一項推薦可讓人清楚知道自己不想要甚麼。有用的互動應保留這些資訊，而非強迫用戶過早確定。

正是在這一點上，Netflix 的心情推薦成為產品設計問題，而非展示對話能力。服務毋須完美模仿一段對話，而是要令每次互動都促成更好的娛樂選擇。

更具體的建議仍需要更好選擇的證據

描述更詳細的推薦，並不等於觀看體驗更令人滿意。 Netflix 已公布一項體驗，並說明其預期運作方式；其推出資料並未提供比較滿意度結果，以證明這個分頁優於一般瀏覽。

這在產品機制與產品成果之間留下了明顯落差。系統可以生成吸引人的主題、解釋其建議並回應回饋，但仍可能推薦不合適的片目。每項能力都有助於探索，但沒有任何一項本身足以證明成功。

Netflix 的推薦控制項文件令界限更清晰。參與屬自願性質，兒童帳戶不適用，而一般 Netflix 服務仍可照常使用。公司亦警告，這項體驗可能會出錯。

一項特別相關的限制涉及負面回饋。根據 Netflix 的說明頁面，選擇不推薦某個片目，只會在 AI Discover 內移除它。該操作不會改變服務其他部分的推薦結果。因此，觀眾應理解這項控制只適用於這項體驗。

這可能造成期望落差。有人或會合理地認為，拒絕一項建議會傳達更廣泛的偏好。若該片目在其他地方再次出現，即使服務正遵循其已說明的設計，也可能顯得健忘。清晰溝通很重要，因為用戶會評價整個產品。

拒絕一個片目與拒絕其語境之間也有分別。觀眾可能不喜歡某部電影、已經看過它，或只是覺得它不適合今晚觀看。這些回應意味著不同的後續行為。單一負面訊號未必能揭示哪一種解釋適用。

當推薦涉及情緒化語言時，問題會更複雜。人們對「療癒」、「緊張」和「輕鬆」等詞語的理解各有不同。系統可以套用看似合理的標籤，卻未必符合個人的詮釋。因此，自信的呈現方式不能取代有用的修正機制。

尋找溫和內容的觀眾，可能會反對另一個人認為無害的主題。尋找懸疑內容的人，可能覺得表面上合適的片目過於可預測。這些例子說明主觀偏好的模糊性，並不證明 Netflix 的實驗存在特定失誤。

獨立研究亦提醒我們，不應把推薦改善視為對所有人都一致有效。2026 年 10 月一篇關於推薦實驗結果的預印本，研究了另一項 Netflix 推薦測試。作者報告指出，重度互動用戶出現正面效果，但對較不活躍及偏好重看內容的用戶，受惠證據有限。

該論文沒有評估新的 Discover 分頁。它的方法論意義在於：不同群組可能對同一項推薦改動作出不同反應。有利的平均結果，可能掩蓋了觀看習慣與最活躍參與者不同的人群所獲得的較弱成效。

就這項實驗而言，偶爾觀看的用戶尤其值得關注。他們可能受惠於更清晰的引導，亦可能覺得多一個目的地令人困惑。常看用戶可能欣賞更細緻的分類，也可能發現新標籤底下仍是熟悉的目錄。沒有證據前，不應假設任何一種結果。

成功的衡量方式也應區分好奇心與持久的實用價值。開啟一項新功能代表有興趣。當新鮮感消退後仍自願回訪，才更有力證明它解決了重複出現的問題。開始播放一個片目後立即放棄，與選到令人滿意的內容，是兩種不同情況。

私隱問題同樣需要審慎處理。公告並不支持有關隱藏式情緒偵測、未披露模型供應商或特定資料保留做法的說法。以心情為導向的呈現方式，不應被視為 Netflix 能判定觀眾情緒狀態的證據。

目前而言，站得住腳的評估較為狹窄。這個介面提供了另一個表達偏好的渠道。它的價值取決於系統如何詮釋、修正，以及最終促成的選擇。Netflix 的心情推薦仍是一項實驗，其實用性應透過行為評估，而非從 AI 標籤推斷。

未來數月將顯示引導式探索能否贏得重複使用

最有用的下一批訊號，涉及可用性、持續採用，以及在回饋後有所改善的決策。 這些訊號回答不同問題。綜合而言，它們比截圖、新鮮感或服務可展示的主題數量，更能提供清晰評估。

首先，留意 11 月至 2 月初之間的推出情況。Netflix 表示，未來數星期會擴大存取範圍。後續公告或說明文件應會釐清，資格是否擴展至更多裝置、語言或市場，以及初始體驗會否在過程中改變。

擴展顯示持續投資，以及願意讓該功能面對更多觀看情境。但這並不能證明推薦更好。相反，有限度推出也不必然代表失敗。團隊處理技術或可用性問題時，實驗可以維持在小範圍內。

相關證據在於具體程度。清晰的資格更新，比泛泛而談未來可用性的說法，能為觀眾提供更多資訊。有文件記錄的體驗改動，也能揭示 Netflix 認為哪些部分值得進一步發展。兩者都不應被誤作獨立驗證。

第二，留意持續使用及有意義的成果報告。Netflix AI Discover 需要在首次造訪以外贏得用戶注意。若有證據顯示人們會自願回訪，便能更有力說明引導式瀏覽滿足了重複出現的需求。單純曝光只會提供較弱訊號。

任何已發表的結果都應區分不同觀眾與情境。圍繞即時意圖設計的功能，應按不同意圖評估。尋找熟悉內容重看的用戶，與探索陌生娛樂內容的用戶，面對的是不同任務。把這些情況混合計算，可能掩蓋介面真正有幫助的地方。

有用的報告也應區分互動與滿意度。更多選擇可以代表投入探索，也可以代表難以找到合適結果。較少瀏覽可以表示效率，也可以反映放棄。指標需要足夠語境，才能令其詮釋具可信性。

第三，留意回饋控制項及其範圍的發展。現時 Discover 與 Netflix 其他部分之間的界限十分明確。若未來文件顯示更廣泛的偏好處理、更清晰的修正選項，或更完善的解釋，將反映公司如何在推出後發展這項體驗。

這個訊號很重要，因為推薦系統應能從錯誤中恢復。首次建議不合適不一定是決定性問題。反覆忽略已表達的偏好則更具破壞性。若有證據顯示系統能可靠修正，便會更有力支持要求觀眾提供額外輸入的做法。

相反的結果會削弱這個論點。若人們反覆拒絕片目，卻看不到可理解的回應，這種互動便要求用戶付出努力，卻未能建立任何好處。再吸引人的主題，也無法無限期彌補回饋彷彿石沉大海的感覺。

對競爭串流服務而言，這些訊號比該分頁的品牌定位更有用。成功的模式，會讓用戶容易表達暫時意圖，並讓這些意圖得到可見的應用。若只複製詞彙而不改善決策流程，便只會複製這個構想的表面。

對 AI 產品團隊而言，更廣泛的教訓在於克制地詮釋用戶訊號。一項操作可以表達好奇心、暫時偏好或持久反感。當產品聲稱能夠適應時，圍繞這些差異進行設計至關重要。更多輸入帶來更多機會，但也帶來更大責任，要作出連貫回應。

若這個分頁出現在你的電視上，請以一個平常晚上的選擇來衡量 Netflix AI Discover。由一項真實偏好開始，留意建議是否反映它，並觀察當某些內容感覺不對時，體驗如何回應。把所需心力與你平常的瀏覽方式比較，而不是只憑第一印象評價功能。一個有用的探索工具，應幫助你作出令自己滿意的選擇，同時保留改變方向的空間。隨著 Netflix 擴大測試並報告其學到的內容，請牢記這項標準：表達今晚的心情，是否令選擇更容易，還是熟悉的瀏覽方式仍能讓你更快找到想看的內容？