YouTube 有多大？
研究人员使用了一种巧妙的抽样技术——把 YouTube 的 64 位视频 ID 当作一个巨大的地址空间并随机探测——估计平台上大约有 130 亿个公开视频，从而可粗略推断观看量、语言分布以及艾字节级别的存储需求。评论者探讨了这一方法背后的统计假设，争论 ID 分配、自动补全行为和“作弊”可能如何引入偏差，并将其与生态学中的标记-重捕技术相比较。线程还延伸到对不透明推荐系统的担忧、隐私丑闻后 API 访问收紧，以及大型平台是否应被要求公开汇总统计数据，以便研究错误信息和媒体影响。
估计方法与统计推理
- 讨论集中在一种巧妙的抽样技术上：通过探测 ID 空间并测量命中率来估计 YouTube 视频总数。
- 若干评论将其与标记-重捕、未观测物种问题、蒙特卡洛和德国坦克问题联系起来。
- 多人认为，这个估计器并 不 要求视频 ID 均匀分布；只要探测在真实 ID 空间上是均匀的，命中概率就等于“已分配 ID / 总 ID”。
- 其他人起初担心 ID 会偏斜或有结构；回复通过小型玩具示例说明，聚集并不会改变命中概率。
- 一位评论者计算出推断标准差低于估计值的 1%，认为在巨大的有效样本量下，这种方法在统计上相当精确。
“作弊”、独立性与偏差
- 主要的“作弊”是利用 YouTube 搜索的大小写不敏感性，以及随机 ID 的 OR 链，使每次查询覆盖约 32,000 个真实 ID。
- 担忧包括：这可能会对包含字母的 ID 相对于数字/符号过度抽样，并依赖搜索引擎返回所有匹配；它还会排除私有视频，并在实践中排除未列出视频。
- 有人担心这些技巧会破坏独立性或使样本不随机；也有人认为影响很小，而且暴力穷举在计算上不可行。
- 还有人猜测 YouTube 可以如何阻挠此类研究（随机重定向、伪造结果、隐藏对随机哈希的搜索），但几位评论者指出这些反制措施成本高昂，而且往往可以被检测出来。
影响、访问与监管
- 一些人认为，这么大的平台几乎就是公用事业，应在法律上被要求公开汇总统计数据（例如点踩数、覆盖范围）以接受民主监督。
- 另一些人反驳说，YouTube 有竞争对手，监管机构应关注隐私、反垄断和内容规则，而不是强制数据披露。
- 几位评论者把 API 上锁（在 Cambridge Analytica 之后以及更广泛地说）视为“开放网络之死”的一部分，并称赞基于抓取的研究是一种变通办法。
- 有人强调欧盟《数字服务法》中要求向经过审核的研究者提供数据访问的条款很重要，但“审核”本身可能带来偏差。
YouTube 的规模、存储与影响
- 利用估计的视频数量以及粗略的码率/时长假设，评论者推导出多艾字节级别的存储需求；有人认为，考虑到多种编解码器、分辨率、复制和原始文件，实际需求很可能把 YouTube 推向几十艾字节，甚至接近 100 艾字节。
- 讨论还延伸到编解码器（H.264、VP9、AV1、HEVC）、原始上传内容，以及是否保留原始文件。
- 一条链接给出 Google 整体排放量约为每年 1000 万吨 CO₂，这让一些人对一家公司的规模感到震惊。
用户体验与推荐
- 几位用户表示，尽管 YouTube 规模巨大，但搜索和推荐体验却感觉“缩小”了：主页信息流重复、“为你推荐”内容无关，以及难以发现长尾内容。
- 解决方法包括在搜索中使用过滤器，以及依赖订阅页面；有些人还用脚本来避开主页信息流。
- 也有人指出，从 YouTube 的角度看，如果所有人都反复观看少量内容子集，成本会更低，这在发现内容与变现之间形成了张力。
杂项
- 线程提到了配套的公开统计网站，以及另一份“ YouTube dislikes ”数据集，认为它们都是有价值的研究资源。
- 一条极度阴谋论的评论声称有个“联盟”在消灭“共产主义平台”，结果被广泛嘲笑，包括其离奇的分号用法，并被用来说明边缘信念如何渗入主流讨论。