“机器万能论”主要存在于算法建模过程中，认为机器是可以最大程度的甚至几乎可以完全代替算法工程师和运营人员的手工劳动，于是，即使在很多关键的需要人工接入的步骤和节点，仍然全权交由机器去处理，盲目地、过分地依赖模型的自学习能力。其中，非常典型的表现是针对用户行为权重的调整完全交由机器来决定，不加任何处理就交给机器去完成行为权重的自动调参，然后交给领导，显示这套推荐系统是完全人工智能的，不需要任何人干预的。

“机器万能论”背后的原因在于算法工程师对于机器学习、推荐系统技术的掌握并不充分、浅尝辄止。对于业务场景中实际发生的用户表现并没有进行深刻地理解。

举例说明，某电商APP在活动推广期间，通过分享拼单的形式可以获得较大的优惠，从而获得下单。这个时候所有的优惠政策指向的都是分享行为，自然分享行为在活动期间获得大量的增长，如果机器自动来调参那么分享行为的权重会相当的高。

而当活动结束时，如果分享行为依然拥有极高的权重值，那么用户平时的浏览、收藏行为的权重相对而言就会降低许多，虽然用户浏览、收藏了许多的商品，但用户在刷新时却没有相关联的商品推荐出来，而推荐结果依然是之前的分享行为特征所推荐的商品，这个时候“智能推荐”就突然变得不那么智能了，而整个系统的行为权重值想要回归平衡、反映真实用户兴趣度的层面，则需要长时间的积累和大量用户的丢失作为代价。

我们认为在建模和权重调整的过程中，纵然没有绝对客观的经验能指导参数值，但人工的干预和调整是必不可少的，而完全交由机器做决定，是万万不可取的。因此，算法工程师建模调参的工作不是简单地代替更多的运营人员，而是真实地理解业务场景，为业务场景提供更多的商业价值。