--- title: "YouTube 演算法不是「推播」是「拉取」：官方推薦系統負責人親口澄清的七個誤會" description: "YouTube 推薦系統資深總監 Todd Beaupré 受訪拆解創作者最常見的演算法誤會：推薦是為每位觀眾拉取而非推播、前幾小時數據不決定影片生死、沒有單一魔法指標、流量來源各自獨立、訂閱者點閱率低於 10% 是常態、換主題看觀眾是否重疊，以及為什麼該專注觀眾而不是演算法。文末附三個今天就能做的數據分析動作。" author: "莊哲昀（AJ）" tag: "AI 工具實戰" date: 2026-09-18 canonical: https://www.ahadigit.work/blog/youtube-algorithm-2026-pull-not-push source: "blocks" --- # YouTube 演算法不是「推播」是「拉取」：官方推薦系統負責人親口澄清的七個誤會 很多創作者心裡的演算法長這樣：我上傳一支影片，YouTube 拿去「推」給一群人試水溫，前幾個小時訂閱者反應不好，這支影片就被判死刑了。YouTube 負責推薦系統的資深總監親口拆解：**這個想像的起點就不對。**演算法不是把影片推給大眾，而是在每位觀眾打開 App 的那一刻，替那一個人「拉」出最適合的內容。 [YouTube Algorithm 2026 - What Creators Need to Know](https://www.youtube-nocookie.com/embed/rHLjxrbXmmY) 這支影片是 YouTube 官方頻道 Creator Insider 在 2026 年 9 月 1 日發布的訪談，由 YouTube 創作者聯絡人 Rene Ritchie 訪問成長與探索部門資深總監 Todd Beaupré。Todd 的團隊負責首頁、觀看頁與通知的內容推薦，也就是創作者口中那個「演算法」的本尊。Rene 說他把網路上創作者最常問的演算法問題全部蒐集起來，一題一題丟給 Todd。整場訪談幾乎每一段都在拆掉一個流傳已久的誤會。下面把重點整理成七件事，最後補上三個你今天就能在 YouTube 數據分析裡做的動作。 ## 一、演算法不是「推播」，是替每位觀眾「拉取」 Todd 說他常聽到創作者用「推」這個字：演算法把我的影片推給誰、推了多少。除了你主動開啟的通知確實是推到裝置上之外，**絕大多數的推薦是為每一位觀眾「拉」出來的**。 實際的運作順序是這樣：某位觀眾打開 App 或打開電視的那一刻，推薦系統才為這個人啟動。系統看的是它對這位觀眾的理解（過去看過什麼）加上當下的情境（現在幾點、用什麼裝置），先撈出一批可能合適的候選影片，再針對這個人排序。**每一位觀眾拿到的排序都不一樣**，同一支影片對你和對我的排名可能完全不同。 所以 Todd 建議創作者換一個角度想：系統不是看著一支影片問「這支影片的觀眾在哪裡」，而是看著一位觀眾問「此刻對這個人來說，最好的影片、貼文與其他格式是什麼」。Rene 接話：一支整體數據很漂亮的影片，你會愛，我未必。Todd 說正是如此，系統要處理的就是這種差異。 ## 二、前幾小時的數據，決定不了影片的生死 第二個廣為流傳的說法是：影片一上傳，YouTube 先拿訂閱者測試，訂閱者不買單，這支影片就「完蛋了」。Todd 拆成兩層來回答。 第一層，**最早看到影片的不只是核心粉絲**。跟頻道與主題有較多互動紀錄的觀眾，排序上大概會靠前一些，但實際資料顯示，發布後第一個小時內就有從沒看過這個頻道的人看到影片，可能只是因為他們滑得比較遠。Todd 看過一些頻道，觀眾主體可能是非訂閱者；而且就連發布後第一個小時，影片也已經觸及從沒看過這個頻道的人。 第二層，**系統不會把第一個小時所有人的反應揉成一個總分**。它會分開學習不同客群的反應：對訂閱者這支影片表現不好，對沒看過頻道的人卻表現不錯，這兩件事系統會分別記住，各自用在對應的觀眾身上。 > 別人不喜歡我喜歡的東西，不該妨礙我看到它。 Rene 補了一個創作者視角：他已經不看前兩小時的數據了。一個人在排隊買咖啡時收到通知，短影片可能當場點開，但一支一小時的紀錄片，他大概會等晚上回到電視前、或週末跟家人一起才看。「即時結果」這個概念已經是過去式。 Todd 用數字佐證：系統每天有數十億次曝光在流動，會持續從中學習。很多影片的高峰確實在第一天，**但也有很多長青影片的大部分觀看在一個月之後才出現**，系統不會停止替它們尋找可能有興趣的觀眾。Rene 說他頻道最大的影片就是那些長青影片，全都花了好幾個月才長起來。 > **同一支影片被推薦 19 次，觀眾沒發現** > > Todd 提到一個內部案例：有位創作者反映某位觀眾一直沒看到他的新影片，YouTube 徵得觀眾同意後去查系統，發現那些新影片其實已經被推薦給這位觀眾 19 次，他只是沒注意到。一位常看 50 個頻道的觀眾，有些日子就是沒時間，或者只滑了前 30 支就離開了。用 Rene 的話說：不是系統沒推，是他當下選了別的。 ## 三、沒有單一的「魔法指標」，權重還會隨裝置變動 Rene 替所有創作者問了那個最想聽到答案的問題：到底哪一個數字最重要？Todd 的回答從最上層開始：**YouTube 的北極星是長期的使用者價值**。不只是今天讓人多待一會兒，而是下一次有空檔時，這個人會不會還想打開 YouTube，而且這件事要能維持好幾年。 落到單一次排序決策上，系統必須同時看很多指標，因為沒有任何一個指標單獨能代表價值： - **點閱率**只說明縮圖與題目有多吸引人。Rene 觀察到爆紅影片的點閱率與平均觀看時長會隨觀看數上升而下降；Todd 確認點閱率的部分：曝光越多、觸及的觀眾越廣，整體數字就會比只打中核心粉絲時來得低。 - **觀看時間**會同時看絕對值與相對值。看一支兩小時影片看了五分鐘，跟看一支五分鐘影片看了五分鐘，意義完全不同。而且有些影片你撐到最後只是在等一個從未出現的爆點，那段時間並不等於滿意。 - **滿意度問卷**就是為了補這個洞：不只看行為，還直接問觀眾什麼讓他們滿意。 - **按讚、倒讚、留言**也都會看，但每一項都只說了故事的一部分。 接下來是這幾年最主要的變化之一：**已經沒有一組對所有人都一樣的固定權重**。系統現在能學到，不同平台上不同因素代表的價值不同。例如在電視上，觀看時間的重要性可能高於或低於點閱；在手機上，按讚或倒讚可能更有參考價值，因為那在手機上比用電視遙控器容易。所以「哪個指標權重最高」這題的答案是：沒有單一答案。 Rene 特別點出一個 YouTube 刻意設計的原則：**系統不會因為單一因素懲罰頻道**。創作者可以關閉留言、可以審核留言、可以關閉廣告。Todd 回應，系統在納入留言訊號時就特別確保不會把「關閉留言」解讀成「觀眾不互動」。它要的是真實的價值，不是資料上的假象。 ## 四、流量來源各自獨立，別為了初期點閱率關掉「通知訂閱者」 有些創作者會關閉嵌入、取消勾選訂閱動態與通知，怕嵌入時的續看率不好會拖累首頁推薦，或訂閱者不點會拖累搜尋表現。Todd 的解釋很直接：**首頁排序最有參考價值的資料，就是影片在首頁情境下的表現**。如果一個人透過嵌入、廣告或朋友傳的連結進來，行為模式跟在首頁看到影片的人差很多，那些資料對預測首頁表現沒什麼幫助，系統本來就不會給它多少權重。 至於「不通知訂閱者」這招，有些創作者試過說有效，有些說沒有。Todd 的立場是**不建議關掉**。理由回到第二點：系統分開學習訂閱者、非訂閱者、從沒看過頻道的人這三種觀眾的反應，不會拿第一個小時或前一萬人的反應替所有人做決定。你把那個勾拿掉，等於不讓系統去接觸一群本來會有興趣的訂閱者。 ## 五、訂閱者 90% 不點你的影片，這是常態 Todd 建議每位創作者去 YouTube 數據分析的流量來源，把「瀏覽功能」展開，看「訂閱內容」這一項。這是少數**幾乎不受演算法影響的切片**：訂閱動態裡的觀眾永遠是你的訂閱者，影片跟影片之間的目標客群沒有變，所以如果某支影片在這裡的點閱率比其他影片低，問題大概出在內容本身，而不是「演算法推錯人」。這是把內容表現和演算法影響分開來看最單純的方法。 看的時候你會發現一件事：**大概所有影片在這裡的點閱率都在 10% 以下**。也就是說，連你最好的影片，那群按了訂閱、還特地跑到訂閱動態去看的觀眾，九成的時間也沒有選擇點開。這說明兩件事：訂閱這個訊號沒有大家想的那麼強，它不代表「我一定會看」，只代表「我大概有一成的機率會看」；以及，一群曾經對你的頻道有興趣的人，不對每一支影片都有興趣，這完全正常。 Todd 的結論是：不必因為「訂閱者不會點」而焦慮，因為訂閱者本來就不會點你大多數的影片。系統早就知道怎麼處理「超過九成的忠實觀眾不會對每支影片有反應」這件事，它的設計就是去找出對每一支影片有興趣的那一小群訂閱者與粉絲。**不要過度解讀整體平均數字**。 Rene 補充了「新觀眾、偶爾觀看、經常觀看」這組數據帶給他的衝擊：他原本以為每支影片 10 萬觀看就是同一批 10 萬人在看，實際一看，每支影片的觀眾組成差異很大，真正看過高比例影片的人少得可憐。Todd 說創作者普遍低估自己的粉絲同時在看多少其他頻道，會看你每一支影片的人，佔比小到超乎想像。 ## 六、想換主題？看觀眾是否重疊，再決定要不要開新頻道 創作者另一個常見焦慮是：演算法是不是已經把我的頻道歸進某個分類，我一旦嘗試不同的東西就會被懲罰？Todd 的回答是，**系統從來不是在替你的頻道找一個單一分類**，它非常「以影片為中心」，甚至會在同一個頻道裡區分不同影片：如果它看到某位觀眾只看你的短影音不看長影片，或只看你的無障礙主題不看手機評測，它會把推薦集中在這位觀眾真的會看的那一部分。長影音、Shorts、Podcast、直播放在同一個頻道也是一樣的道理，觀眾對哪個子集有興趣，系統就往那邊配。 不過主題不同，觀眾規模與觀看潛力本來就不同。Rene 以自己為例：做一支大型手機評測可以預期幾十萬觀看，做一支無障礙功能影片可能只有幾千到一萬，不是演算法不懂他的觀眾，是那個題目的觀眾本來就沒那麼多，就像大片跟藝術電影的票房差距。Todd 說，創作者老是盯著頻道的歷史最高水位當目標，是不健康的。開拓新領域要給觀眾時間熟悉你，也要給自己時間把那個領域做熟。 那到底要不要開新頻道？YouTube 的建議是**讓頻道對齊觀眾**。Todd 用餐廳比喻：你原本做壽司，想拓展義大利麵。如果你認為兩邊的食客會是同一群人，放在同一個頻道試沒問題；但如果壽司是高級無菜單料理，義大利麵是快速外帶，那是兩種不同的價值主張，你大概需要一個不同的品牌。把頻道當品牌經營，讓觀眾一眼就知道該不該期待一樣的東西。 而且就算選錯了也不是世界末日。系統有跨頻道推薦的機制，會發現「看這個頻道的人也看那個頻道」並把觀眾導過去；放在同一個頻道而觀眾不一致，系統也會在頻道內部把影片區分開來。Todd 特別提醒創作者**不要用非黑即白的方式想這件事**，因為系統本來就不是那樣運作的。 Rene 補了一個更根本的提醒：這是個很個人的決定，要看你的目標。有人要最大觀看數，有人要最大收益（很多創作者觀看數少很多、收入卻多很多），有人只是想把自己的聲音送到在乎的那群人面前。Todd 也接著說，有時候一支影片的目標本來就不是衝觀看，而是向一小群真正會買的人介紹產品。先想清楚目標，再決定該把期待放在哪裡。 ## 七、水坑不會造成下雨：專注觀眾，演算法自然跟上 Todd 說他最大的體悟之一是：**水坑不會造成下雨**。下雨的時候地上有水坑，你可以看著水坑說是它造成了雨，但因果是反過來的。很多創作者對演算法的判斷都犯了這個錯。 最典型的例子是「YouTube 現在在推長影片」。真相是觀眾越來越多在電視上看 YouTube，在電視上他們想看更長的內容，系統只是照著觀眾的行為去配。Todd 的工作是聽觀眾在告訴 YouTube 什麼，而這幾年聽到的核心訊息是：**觀眾有時會被太多選擇壓得喘不過氣**。短影音在整個市場成功，原因之一是它減輕了決策的負擔，你不必挑，「給我下一個」就好；電視上則是觀眾不想每五到十分鐘拿一次遙控器，所以系列型內容在電視上特別有效，決定一次就可以看好幾個小時。這種決策疲勞同時推高了超長與超短兩種格式，不是 YouTube 想要哪一種。 另一個常被問的是桌面版首頁改成大縮圖之後，是不是減少了長影片的曝光。Todd 說這個改版大概已經快兩年，結果是長影片的注意力與互動反而增加。他們過去以為縮圖越小、密度越高、選擇越多越好，實際學到的是**少即是多**：選擇太多，觀眾反而什麼都不選。改版前跑過大量實驗，如果會降低觀看，就不會上線。 Rene 提到，社群上常有人說「首頁改版了」，其實往往只是一個小規模實驗。Todd 說沒錯，任何時間點都有數百個實驗同時在跑。他用登山比喻：要到山頂，通常沒辦法直直往上走，得走之字形的髮夾彎。如果你太在意每一段的方向，會一直覺得「他們往這邊走了、又往那邊走了」，但目標始終是山頂，也就是觀眾價值的最大化。 另一個常被問的是新頻道：一個從沒發過影片的頻道，沒有任何觀眾跟它有互動紀錄，系統怎麼推？Todd 說系統有一部分不依賴觀眾與該頻道的歷史，而是用其他訊號去配對，例如觀眾的主題偏好與系統對這支影片內容的理解，先找到一些有興趣的觀眾，再從那裡長出去。找不到，這支影片可能就不會再拿到更多曝光。YouTube 內部會追蹤「每天有多少影片被看到」以及「創作者有沒有在生態系裡成長、收入是否足以持續」，這些都是有設目標要改善的數字。 ## 看完影片，你可以今天就做的三件事 整場訪談 Todd 給創作者的方向其實很一致：與其猜測演算法，不如像 YouTube 一樣，從觀眾身上去找價值的證據。把他提到的分析方法整理成三個具體動作： 1. **用「訂閱內容」流量來源當對照組。**流量來源 → 瀏覽功能 → 展開看訂閱內容。這裡的觀眾固定是你的訂閱者，影片之間的點閱率與觀看時間差異，反映的是內容差異，不是演算法差異。看到 10% 以下的點閱率不要慌，那是常態。 2. **跟自己的其他影片比，不看單一數字。**把長度相近的影片放在一起比觀看百分比與觀看時長，找出相對落後的那幾支；打開觀眾續看率曲線，看人是在哪一段相對流失的；比較各支影片的按讚率。相對之下的落差，才是可以學習的訊號。 3. **認真看「新觀眾、偶爾觀看、經常觀看」。**你的觀眾不是同一批人，有核心粉絲、有路過的、有第一次看到你的。規劃內容時讓這三群人都有東西可看，並且依照題目的觀眾規模設定期待：訴求廣的題目觀看自然多，小眾題目觀看少不代表失敗。 然後別只看數字，Todd 反覆強調：**聽你的觀眾在說什麼**。當你真正滿足了觀眾，推薦系統的目標與你是同一個，它會跟上。 > 那個數位協助企業與公部門規劃 AI 內訓，也經營《欸那個 AJ》AI 知識頻道。想把 AI 工具接進內容製作、行銷或教學的實際流程？歡迎與我們聊聊。 ## 資料來源 - [影片：YouTube Algorithm 2026 - What Creators Need to Know（Creator Insider，2026-09-01）](https://www.youtube.com/watch?v=rHLjxrbXmmY) - [延伸閱讀：「創作者週報」YouTube 最新功能盤點](https://www.ahadigit.work/blog/youtube-creator-roundup-2026-06)