當代平台上大量出現怪誕、失衡、反審美的內容，並獲得高於傳統審美物件的曝光。這個現象是被技術結構放大的系統性偏向。演算法的運作基於計算規則。在這些規則之下，醜成為比美更容易被推送、產生互動、在資訊過載中生存的形態。要理解這種偏好，需要從演算法的輸入、處理與輸出結構出發。

演算法的核心任務是最大化注意力的單位。注意力是稀缺資源，平台需要迅速捕捉它。所以演算法傾向優先推送能引起驚訝、困惑或不協調反應的內容。這些反應比愉悅更強烈，也更容易被量化。傳統美學強調和諧，而和諧的情緒訊號在演算法裡沒有優勢。演算法只能讀取互動速度與幅度。怪異視覺的刺激強度高，因此較容易觸發停留、重看、評論與分享。換言之，醜是更具技術相容性。

反審美內容的第二個優勢來自其視覺差異度。演算法處理的內容量巨大，任何高相似度的內容都會迅速被淹沒。精緻美學的作品往往遵守相似的格式，所以容易在視覺模式中被歸類為「已有」。相反，醜具有高度的不可預測性與非標準性，使其在第一幀畫面就能被視覺模型標記為異常。異常物件在排序中會獲得測試性推送，因為平台需要驗證它能否吸引互動。醜因此在「初次曝光」階段就佔據優勢。這與人類審美無關，只是與系統如何處理異常值有關。

演算法偏愛醜的第三個原因是成本結構。反審美內容的視覺結構簡單，創作者不需要高度技巧也能生產具衝擊性的圖像。所以這類內容的生成速度比精緻作品更快，數量更大，更新更頻密。演算法在相同時間內能檢測更多樣本，使其更容易找到表現突出的異常內容。平台的「內容池」因此被大量低成本反審美內容占據。演算法並沒有審美偏好，但它依賴可用樣本的特徵。當反審美內容佔據更高比例，演算法自然更可能推送它。

反審美的第四項技術優勢在於它能引起分類困難。演算法需要對內容進行分類，而分類的明確度會影響推薦邏輯。美學內容容易被分類為既有類別，演算法傾向以穩定方式推送它。而醜具有跨類型特徵，使系統在分類時出現更高的不確定性。為了處理這種不確定性，平台會進行更廣泛的探索性推送，以便蒐集互動數據。醜因此比美更常被「試探性曝光」。這是一種由模型設計引出的副作用。

反審美內容也更容易產生情緒波動。演算法利用情緒的起伏，而反審美比審美更能引發不一致的情緒反應。驚訝、不解、愕然、好奇等反應的量化結果通常較高，而且會誘發用戶進行留言或討論。平台會把這些互動理解為「內容有效」，並加強推送力度。傳統美學帶來的愉悅反應較平穩，難以生成高幅度的情緒波動，也因此在演算法的競爭裏不佔優勢。

最後，反審美具有可迷因化的特質。平台偏好能迅速裂變、可以被二次創作的內容。反審美的造型具強烈輪廓，因此具有迷因結構的可塑性。用戶可以輕易將其放入不同語境，加上新的表情、字幕或情緒語氣。這種可迷因化能力使反審美內容更容易在社群中擴散。演算法會識別此擴散模式，並把它視為價值指標。美學作品不具這種彈性，所以更難在迷因環境中維持生命力。

反審美獲得技術優勢並不表示美被取代。它表示美不再是唯一能獲得曝光的形式。當審美、注意力與技術系統解耦後，美不再具有制度性的特權。反審美的增長反映演算法的運作方式。技術不理解美與醜，它只理解能否刺激互動的信號。反審美符合這些信號因而在技術環境中取得位置。

未來的審美結構會形成多層語氣。反審美會作為其中一層持續存在，但它不會永遠佔主導。當演算法重新調整權重，當消費者對反審美產生疲勞，當平台的增長模型進入新階段，美與醜的競爭會再次迭代。理解這一點能避開對文化衰落的誤解，也能看見技術制度如何重寫人類的視覺經驗。

反審美的成功是制度重組。演算法未能增加美的可見度，但成功增加反規範的曝光。這是技術與注意力的結構條件。醜之所以能在平台上生存是因為它更能滿足演算法的輸入要求，而這種現象的本質是計算。