Netflix Leverages AI to Combat Content Overload

•Netflix 的 AI 應用已超越單純的內容推薦，更涵蓋動態調整影片串流品質、分析觀眾趨勢以指導內容製作決策，以及透過 AI 驅動的客戶支援服務。
•Netflix 正在測試由 OpenAI 提供技術支援的 AI 搜尋功能，允許用戶以自然語言（例如根據心情或特定情境）來尋找內容，而非僅依賴傳統的類型或演員名稱。
•Netflix 的 AI 系統不僅個人化推薦內容，還能根據用戶的觀看歷史，為同一部影片生成不同的縮圖封面，以最大化點擊率，此策略已證實能提升 20% 至 30% 的觀看量。
•Netflix 正將其推薦系統從多個獨立模型整合為一個受大型語言模型（LLM）啟發的「統一 AI 大腦」，能更全面地學習用戶的觀影行為，包括觀看時間、裝置和內容風格。
•Netflix 的 AI 策略也延伸至內容製作環節，運用生成式 AI 於視覺特效、角色年輕化處理及服裝與場景的預可視化設計，旨在賦能創作者而非取代他們。

Netflix 早期的推薦系統採用協同過濾（Collaborative Filtering）技術，如 Cinematch 演算法，並結合矩陣分解技術。
2010 年代中期，Netflix 引入深度學習技術，用於影片內容分析、圖像識別和自然語言處理，以進行精確分類和自動標籤。
用於個人化縮圖的系統包括 Aesthetic Visual Analysis (AVA) 系統、Contextual Bandit 演算法和因果推論機器學習（Causal ML）框架。AVA 系統利用電腦視覺技術，從數萬幀影片中自動篩選最佳縮圖候選者，並分析人臉偵測、表情、鏡頭類型、亮度、對比度及動態估計等視覺元數據。
新一代推薦系統正朝向「統一 AI 大腦」發展，靈感來自大型語言模型，採用「行為片段切割」（Interaction Tokenization）、「稀疏注意力技術」（Sparse Attention）和「混合式嵌入」（Hybrid Embedding）等技術，以提升「冷啟動推薦」的精準度。
Netflix Research 持續在推薦系統、情境強盜演算法（contextual bandits）、強化學習（reinforcement learning）、自然語言處理和基礎模型等領域進行研究。
2025 年 5 月，Netflix 發表了新的推薦系統「FM-Intent」，旨在預測用戶的會話意圖。
2026 年 4 月，Netflix 開源了其首個 AI 影片模型 VOID（Video Object and Interaction Deletion），該模型用於後期製作，可從影片中刪除物件和互動。

Netflix 將透過 AI 實現內容的「科學化製作」，從而提高熱門作品的產出效率。

AI 分析觀眾趨勢和喜好，指導內容製作決策，並加速劇本 A/B 測試、字幕、配音及預告片剪輯，甚至應用於視覺特效和角色年輕化，有望自動產製膾炙人口的作品。

用戶與 Netflix 平台的互動將變得更加自然語言化和情境化。

導入 OpenAI 支援的 AI 搜尋功能，允許用戶根據情緒或特定情境進行口語化搜尋，並結合觀看歷史、裝置類型和使用環境提供推薦。

Netflix 將利用 AI 進一步拓展其在遊戲領域的影響力，提供更具沉浸感的互動式遊戲體驗。

AI 技術將應用於遊戲設計中，透過分析用戶行為數據，協助開發互動式遊戲，並可能發展出全互動式的 AI 作品。

2000年代初期

Netflix 建立個性化推薦系統 Cinematch，採用協同過濾技術

2006-10

Netflix Prize 百萬美元競賽啟動，旨在改進推薦演算法

2010年代中期

Netflix 引入深度學習技術，用於內容分析、圖像識別及自動生成影片封面

2023-10

Elizabeth Stone 晉升為 Netflix 技術長 (CTO)

2025-05

Netflix 宣布在手機 App 導入由 OpenAI 支援的生成式 AI 搜尋功能，並推出新的電視介面設計

2026-04

Netflix 開源其首個 AI 影片模型 VOID，用於後期製作

Netflix 利用 AI 解決內容過載問題