在 B 站做内容和运营时，我们经常会提出新的产品需求。
有时，得到的解释是：推荐系统是一个「黑盒」。
这句话并没有错。一个成熟平台的分发机制本来就很复杂，运营看见的内容表现，只是系统运行后的结果。但它也让我产生了一个很强的好奇：产品和技术到底怎样理解问题？他们在意哪些约束，又怎样把业务目标翻译成系统里的选择？
如果我能听懂他们的语言，是不是就能更好地推进自己想做的事情？
我想学的不是一个答案，而是另一边的思考方式
那时我已经做了很多运营工作，但从来没有把自己只当成一个运营。
我关心的不是完成多少条内容、做了多少场活动，而是结果为什么发生。用户为什么点开，平台为什么分发，需求为什么排不上，原本合理的业务目标为什么到了产品和技术那里会变形？
当一个合作卡住时，最容易把原因归结为「对方不理解业务」。可如果我只会用自己的语言描述问题，也很可能看不见另一边必须面对的成本、数据、架构和长期影响。
「黑盒」真正刺激我的，不是我想亲手拆开一个推荐算法，而是我不愿意把无法理解的部分永远交给别人解释。
我希望自己能问出更好的问题：我们究竟不知道什么？现有数据能证明到哪里？这是技术不能做、暂时不值得做，还是我们根本没有把需求说清楚？
重新学习，是我扩大行动边界的方式
刚好那时，我看到香港浸会大学开设了人工智能与数字媒体的新专业，于是决定试一试。
我一边上班一边准备英语。每天凌晨五点起床，先学一段；中午吃完饭，再去公司附近的奶茶店继续。
现在回头看，分数并不是这段经历最重要的部分。真正推动我的是一种很具体的不甘心：我已经能够看见业务问题，却不想永远停在提出需求的位置。
回到校园以后，我没有因此变成工程师，也没有获得一套可以解释所有算法的万能知识。许多系统依然复杂，跨部门协作也没有因为一张学位证书变得轻松。
变化发生在更细小的地方。
我开始更习惯把一个模糊目标拆成输入、过程和可观察的结果；知道数据能回答什么，也知道它不能替代什么；讨论技术时，不再只问「能不能做」，而会继续问成本、边界、迭代方式和验证条件。
后来开始做 AI 产品，这些语言终于接到了一起。用户说出来的是生活里的困惑，模型提供的是概率性的能力，产品要做的，是在两者之间设计一条可靠、可理解、能够被验证的路径。
理解黑盒，不等于消灭所有未知
读一个相关专业并不是跨越岗位边界的唯一方法。
有人通过长期和研发一起做项目学会技术语言，有人靠数据实验、系统阅读或亲手搭原型建立理解。学历本身也不能保证一个人真正懂产品，更不能替代对用户和业务的判断。
对我来说，重新回到学校的意义，是主动承认自己不知道，并为这种不知道付出一段完整的时间。
我没有把推荐系统彻底变成透明盒子。现实中的产品、组织和人，本来就有很多无法完全解释的部分。
但我不再因为一句「这是黑盒」就停在那里。
我可以继续追问、拆解、验证，也可以在内容、业务、产品和技术之间做翻译。重新学习没有给我一份标准答案，它给我的是进入问题更深处的能力。