Nachricht

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Die Menschheit leitet ein explosives Update auf dem Gebiet der künstlichen Intelligenz ein. Jeder Schritt bei der Ausweitung der Technologie ins Unbekannte hat erstaunliche Aufmerksamkeit erregt.

Im Prozess der Erweiterung der Grenzen der künstlichen Intelligenz koexistieren Innovation und Meinungsverschiedenheit auf den technischen Wegen wichtiger Strecken. Das Urteilsvermögen und die Entscheidungen von Technologiepionieren beeinflussen die Fußstapfen vieler Anhänger.

Im vergangenen Jahr hat Heart of the Machine exklusiv die Führung übernommen und herausragende Unternehmen wie Dark Side of the Moon, Shengshu Technology, Aishi Technology und Wuwen Core Dome allen vorgestellt und ihnen das erste „10.000-Wörter-Interview-Skript“ hinterlassen " in der Internetwelt. . In einer Phase, in der die Technologiewege noch nicht konvergiert sind, sehen wir die Führung von KI-Unternehmern, die wirklich über Vertrauen, Mut und systematische Erkenntnis verfügen.

Aus diesem Grund haben wir die Kolumne „KI-Pioniere“ ins Leben gerufen, in der Hoffnung, weiterhin Unternehmer mit Führungsqualitäten in verschiedenen Unterbereichen der künstlichen Intelligenz im AGI-Zeitalter zu finden und zu erfassen und die herausragendsten und vielversprechendsten Startups im KI-Bereich vorzustellen , und teilen Sie ihre Erfolge auf dem Gebiet der KI. Modernste, unterschiedliche Sichtweisen.

Autor: Jiang Jingling

Maschinenherzbericht

Nachdem er Kuaishou verlassen hatte, um ein Unternehmen zu gründen, erhielt „Li Yan“ stillschweigend eine Startfinanzierung in Höhe von 32 Millionen US-Dollar von Kuaishou-Mitbegründer Su Hua, Redpoint Ventures und Matrix Partners.

Als Kernfigur des ersten KI-Systems von Kuaishou baute Li Yan einst die erste Deep-Learning-Abteilung in Kuaishou auf und half Kuaishou später beim Aufbau des Multi-Media Understanding-Technologiesystems.

Einer seiner Investoren kam zu dem Schluss, dass Yuanshi Technology unter den drei AGI-Unternehmerporträts von Professoren und Wissenschaftlern, Machern des mobilen Internets und akademischen Genies das einzige ist, das in der Lage ist, die drei „Multimodalität, Suche und Empfehlung“ A zu integrieren Team mit einem großen Kerntechnologie-Stack.

Seitdem Li Yan jedoch offiziell bestätigt hat, dass er Anfang 2023 ein Unternehmen gründet, ist er seit mehr als einem Jahr fast verschwunden.

Im vergangenen Jahr haben wir mehrere Intervieweinladungen an Li Yans Team verschickt, in der Hoffnung, mit ihm über seine unternehmerischen Ideen zu sprechen, aber wir wurden alle mit der Begründung „Das Produkt ist noch nicht fertig (öffentlich verfügbar)“ abgelehnt.

Vor nicht allzu langer Zeit wurde das Produkt „Ask Xiaobai“ von Yuanshi Technology offiziell eingeführt und der interne Kaltstarttest gestartet. Dies ist auch das erste Mal, dass das Team von Li Yan seine unternehmerischen Fortschritte offenlegt. Also trafen wir Li Yan wieder und hofften, mit ihm über seinen unternehmerischen Plan zu sprechen.

Was in diesem Exklusivinterview überraschend ist, ist, dass Li Yans Wahl nicht auf ein reines Modellunternehmen fällt und er auch nicht einmal vom multimodalen Aspekt ausgeht.

Im Produkt „Ask Xiaobai“ können Benutzer von AI generierte AIGC-Inhalte im „Feed“ sehen, sobald sie den Bildschirm öffnen und basierend auf den Interessen des Benutzers personalisiert werden, und können die „Chat“-Funktion und AI nutzen, um mehr zu tun inhaltsbasierte Inhalte jederzeit.

Es versteht sich, dass es sich hierbei um ein generatives Content-Community-Produkt handelt, das auf einem selbst entwickelten LLM-Modell basiert. Im Vergleich zu früheren Content-Community-Produkten liegt Li Yans Aktion in der „generativen Empfehlung“.

Dies ist ein hochmodernes Technologieforschungsgebiet, und bisher haben nur Meta und CMU einige praktische Ergebnisse erzielt. Er sagte mir, dass generative Empfehlungsalgorithmen im Vergleich zu früheren Empfehlungsalgorithmen nicht mehr auf kollaborativen Filterempfehlungssystemen basieren und Empfehlungen intelligenter werden werden, von der aktuellen „Tausenden von Menschen mit zehn Gesichtern“ bis zum wahren Sinn von „Tausenden von Menschen“. Menschen mit zehn Gesichtern. Menschen haben Tausende von Gesichtern.

Durch die Untersuchung der tieferen Bedürfnisse der Benutzer wird die Empfehlungseffizienz weiter verbessert und Benutzer können Informationen erhalten, die für sie besser geeignet sind. Darüber hinaus verleiht die Integration einer großen Menge an qualitativ hochwertigem Korpus in große Modelle dem generativen Empfehlungsalgorithmus „Werte“. Sie können Benutzer nicht mehr nur „erfreuen“, sondern sie dazu anleiten, auf hochwertige Informationen zu achten, die wirklich Aufmerksamkeit erfordern.

Derzeit ist das Team von Li Yan das erste Startup-Unternehmen in China, das LLM-gesteuerte generative Empfehlungsalgorithmen als Kern seiner Produkt- und Entwicklungsrichtung verwendet.

Ein Investor in Yuanshi glaubt, dassDie Kosten- und Effizienzoptimierung, die diese neue Technologie-Engine für die Content-Branche mit sich bringt, steht im Wesentlichen im Einklang mit Toutiaos Weg zum Erfolg.Auf dem Weg zur Entwicklung generativer Empfehlungsalgorithmusprodukte: „Wir haben gesehen, dass Li Yan das einzige Team mit drei Hintergründen ist: Multimodalität, Suche und Empfehlung.“

Vision:

Erstellen Sie einen höherdimensionalen Empfehlungsalgorithmus

Heart of the Machine: Lassen Sie uns zunächst vorstellen, was Yuanshi Technology zu erreichen hofft.

Li Yan: Wir hoffen, dass wir den Benutzern durch technologische Innovation und das Sammeln von Informationen dabei helfen können, in einen Flow-Zustand zu gelangen und gegen geistige Müdigkeit anzukämpfen. (Aus Mihaly Csikszentmihalyis „Flow“-Theorie)

Machine Heart: Es ist etwas abstrakt, können Sie es näher erläutern?

Li Yan:Wir glauben, dass die aktuelle Ära eine Ära der Informationsexplosion ist. Es gibt viele Kanäle für den Empfang von Informationen, aber die Kanäle, die wirklich die Informationen erhalten können, die uns wichtig sind, fehlen.

Im aktuellen WAIC sehen Sie möglicherweise überwältigende Berichte, aber jeder Bericht enthält nur wenige Wörter, aber Sie können nicht die Informationen erhalten, die Sie wirklich interessieren. Zu diesem Zeitpunkt werden Sie in eine Art Angst verfallen.

Wir verstehen dies als eine Form der „spirituellen Entropie“. Dieses Konzept wurde von einem Psychologen, Mihaly Csikszentmihalyi, vorgeschlagen und es entspricht sehr genau dem, was wir tun wollen. Was wir tun möchten, ist, jedem zu helfen, sein Glücksgefühl und Gewinngefühl zu steigern, nachdem er die Informationen gesehen hat. Dieser Zustand wird sich von dem „ängstlicheren, müderen und glücklicheren“ Zustand unterscheiden, den wir nach intensiver Nutzung einiger Informationsprodukte verspüren.

Machine Heart: Welche Art von Informationen führen dazu, dass sich Menschen glücklicher und lohnender fühlen, anstatt ängstlich und müde?

Li Yan:Hier gibt es ein Konzept des „Flusses“, was bedeutet, dass Menschen nur dann in einen Zustand des Flusses gelangen und Glück empfinden, wenn sie die Informationen sehen, die sie wirklich sehen möchten, anstatt viele Dinge zu sehen, die nichts mit ihnen zu tun haben sind irrelevant oder uninteressant.

Dies ist auch ein Ergebnis psychologischer Forschung: Eltern bitten ihre Kinder zwar, Hausaufgaben zu machen, das Kind ist jedoch passiv und kann nur das tun, was es tun möchte. Er wird sich glücklich fühlen. Deshalb hoffen wir, den Benutzern dabei zu helfen, in einen Flow-Zustand zu gelangen und gegen die mentale Entropie anzukämpfen.

Heart of the Machine: Tatsächlich hoffen die zugrunde liegenden Empfehlungssysteme der meisten sozialen Communities mittlerweile im Wesentlichen darauf, dieses Ziel zu erreichen (Benutzern das zu empfehlen, was sie wirklich sehen möchten)?

Li Yan: Da ist ein Unterschied. Wenn wir zehn Jahre später, im Jahr 2034, die heutigen Empfehlungssysteme einschließlich der Produkte und der Technologie dahinter betrachten, sind sie tatsächlich sehr rückständig. Was das aktuelle Produkt leistet, ist tatsächlich nicht in einem perfekten Zustand.

Heart of the Machine: Wie kann man das aktuelle Level und das „bessere“ Level verstehen?

Li Yan:Ich kann eine Analogie ziehen. Die aktuelle Informationsverteilung ähnelt eher der instinktiven Reaktion primitiver Menschen. In der Phase, in der der Geist nicht zu reich ist, ist der menschliche Instinkt vielleicht „Ich möchte essen“, „Ich möchte weinen“. „Ich möchte lachen““, das ist sehr direkt.

Die Widerspiegelung im Empfehlungssystem kann beispielsweise sein, dass, wenn Sie gutaussehende Männer mögen, sie Ihnen immer gutaussehende Männer empfehlen werden – das Empfehlungssystem hat nicht allzu viel tiefgründige Überlegungen. Das Ziel unserer Produkte besteht nicht darin, die instinktive Reaktion des Benutzers zu erfreuen, sondern sie mit höherer Weisheit, Sorgfalt und Liebe zu empfehlen.

Heart of the Machine: Das klingt nach einer höheren Dimension der Ästhetik, ein bisschen nach „Benutzerschulung“.

Li Yan: Um genau zu sein, nicht Bildung. Viele Dinge sind nicht klar zu erkennen, wenn wir sie in relativ kurzer Zeit betrachten. Aber wenn wir zum Beispiel die gesamte Geschichte der menschlichen Entwicklung betrachten, werden wir feststellen, dass jeder Fortschritt der menschlichen Zivilisation von Kritik, Reflexion und sogar Umsturz und Wiederaufbau begleitet sein wird. Manche Dinge sehen jetzt vielleicht gut aus, aber in der Zukunft vielleicht Es gibt Einschränkungen. Das Gleiche gilt für die Online-Welt. Wir hoffen, zivilisiertere Elemente und fortschrittliche Ideen, die die Menschheit gesammelt hat, in die Verbreitung von Inhalten einzubringen.

Technischer Umsetzungspfad:

Wählen Sie Daten höherer Qualität, um das Modell zu trainieren, damit das Modell Werte hat

Heart of the Machine: Ich habe gerade gesagt, dass ich hoffe, ein Content-Produkt zu entwickeln, das den Benutzern hilft, einen besseren Ablauf zu erreichen. Warum beginnen Sie damit, ein besseres LLM zu entwickeln?

Li Yan: Wir glauben, dass LLM ein sehr wichtiger Knotenpunkt für AGI ist. Große Sprachmodelle können Benutzer und Inhalte besser verstehen und wissen, was Benutzern wichtig ist, was sie mögen und was nicht. Alle persönlichen Interessen und Hobbys des Benutzers können tokenisiert werden, und große Modelle können sie sehr gut verstehen.

Das bisherige Empfehlungssystem war nicht in der Lage, diesen Grad an Verständnis zu erreichen. Es konnte den Benutzer nur mit vielen diskreten Etiketten kennzeichnen und versuchen, den Benutzer dadurch zu charakterisieren und zu verstehen. Jetzt können große Modelle nicht nur die bestehenden Interessen der Benutzer besser verstehen, sondern auch die Analyse von Benutzerinteressen verbessern und auf implizite Interessen und Hobbys der Benutzer schließen.

Mit dem großen Modell können wir den Korpus höchster Qualität im gesamten Internet komprimieren, die im Text enthaltene menschliche Zivilisation komprimieren, diese Zivilisationen nutzen und diese Fähigkeiten weiter auf generative Empfehlungen anwenden, um ihre Werte, ihre Weltanschauung und damit eine zu erhalten höherdimensionales empfohlenes Wertesystem.

Das große Modell fungiert tatsächlich als Brücke, indem es diese fortschrittlichsten Erkenntnisse mit Ihrem Informationskonsum verknüpft und dann Ihren Inhaltskonsum weiter verbessert.

Machine Heart: Beziehen sich diese „fortgeschrittenen“ Inhalte auf Papiere? Umfasst es sowohl Sozialwissenschaften als auch Naturwissenschaften oder konzentriert es sich eher auf eines?

Li Yan:Das große Modell wird die gesamte fortgeschrittene Zivilisation und die von Menschen im gesamten Internet gesammelten Informationen lesen und kann in allen Aspekten weiterentwickelt werden.

Heart of the Machine: Wie bestimmt das große Modell, was „Hochkultur“ ist?

Li Yan:Tatsächlich haben wir Menschen in dieser Angelegenheit bereits Urteile gefällt, nicht große Modelle. Beispielsweise basieren unsere maßgeblichen Arbeiten, Zeitschriften und Bücher, die von bekannten Wissenschaftlern verfasst wurden, nicht auf großen Modellen, sondern auf qualitativ hochwertigen Informationen, die von Menschen selbst erstellt wurden über einen langen Zeitraum.

Machine Heart: Was genau ist dieser Teil hochwertiger Daten? Quelle?

Li Yan: Wir legen Wert auf den datengesteuerten Aufbau von Modellfähigkeiten. In unserem Modell verwenden wir Algorithmen, um die Menge der verfügbaren hochwertigen Daten um mehr als eine Größenordnung zu erhöhen. Darüber hinaus verwenden wir in Bezug auf die Datenauswahl mehr klassische Bücher, Theorien und Artikel, um unsere großen Modelle zu trainieren, damit unsere Modelle die Benutzer besser verstehen können. Genauer gesagt, wenn es um Inhaltsempfehlungen geht lässt Benutzer nicht blind im kurzfristigen Vergnügen bleiben. Stattdessen gibt es das langfristige Glück, qualitativ hochwertige Informationen zu sammeln.

Machine Heart: Ich habe gerade erwähnt, dass generative Empfehlungsalgorithmen das Verständnis der Benutzer verbessern können. Gibt es einen quantitativen Standard, um das Verständnis der Benutzer durch verschiedene Empfehlungsalgorithmen zu vergleichen?

Li Yan: Da die Ziele, die verschiedene Unternehmen verfolgen, unterschiedlich sind, sind auch die Optimierungsziele unterschiedlich. Im Allgemeinen kann es sich um Dauer, Klickrate und Bindung handeln. Da es sich bei unseren technischen Grundsätzen und unserer Geschäftsausrichtung um neue Bereiche handelt, verfügen wir derzeit über ein sehr komplexes internes Datensystem, um diese Angelegenheit zu bewerten.

Heart of the Machine: Welche Vorteile bietet die Yuanshi-Technologie derzeit im LLM?

Li Yan: Ab dem ersten Tag der Unternehmensgründung, also etwa im April 2023, basierte die erste Version des großen Modells auf der MoE-Architektur. Die gesamte technische Routenauswahl im Markt ist sehr zukunftsweisend. Von April 2023 bis jetzt, seit mehr als einem Jahr, hat unser Modell vier Versionen iteriert. Bei vielen öffentlichen Testsätzen sind unsere Ergebnisse besser als bei vielen anderen Modellen.

Darüber hinaus sorgt unser hochwertiger Korpus für eine sehr hohe Qualität der Antworten und das Modell verfügt über die Fähigkeit, tiefgreifend nachzudenken. Drittens ist auch die Geschwindigkeit unseres großen Modells sehr konkurrenzfähig, mit extrem geringer Latenz. Wir haben das Modelltraining und die Inferenz extrem optimiert, was die Kosten für das Training großer Modelle erheblich reduziert hat. Wir sind jetzt kostenlos und müssen für die Nutzung in Spitzenzeiten nicht bezahlen.

Machine Heart: Warum ist MoE Ihrer Meinung nach ein überlegener Weg?

Li Yan: Wir glauben, dass wir zur Herstellung unserer eigenen Produkte in der Lage sein müssen, die zugrunde liegenden Verknüpfungen des Modells zu integrieren. Im Zeitalter großer Modelle ist der Modelleffekt besser, was oft bedeutet, dass seine Parameter größer sind. Wenn jedoch die Kosten für die Modellinferenz hoch sind, funktioniert es als TO C-Produkt nicht kommerziell. Daher benötigen wir sowohl eine große Anzahl von Parametern als auch niedrige Inferenzkosten. Als Voraussetzung für die kommerzielle Machbarkeit können wir letztendlich nur MoE wählen. Wir haben vom ersten Tag an klar über dieses Problem nachgedacht und die erste Codezeile, die wir geschrieben haben, war MoE.

Heart of the Machine: Da Yuanshi als Anwendungsunternehmen positioniert ist, haben Sie darüber nachgedacht, während des Forschungs- und Entwicklungsprozesses einige Open-Source-Modelle zu verwenden, die möglicherweise wirtschaftlicher sind?

Li Yan:Unser Ziel ist es nicht, ein Unternehmen auf Modellebene zu sein, aber der Grund, warum wir uns immer noch dafür entscheiden, unsere eigenen großen Modelle zu entwickeln, ist, dass wir glauben, dass die Modelle anderer Leute unseren Zielen nicht dienen. Wir sind ein Produkt, das von unseren eigenen großen Modellen angetrieben wird. Unternehmen.

Wir haben keine Versuche zum Geschäftsmodell auf Modellebene unternommen. Dies hängt mit meinem persönlichen Wissen zusammen. Manche Leute denken, dass große Modelle Wasser und Strom sind, was bedeutet, dass Sie, sobald ich ein gutes großes Modell erstellt habe, es nicht mehr tun müssen und alle meine Fähigkeiten nutzen können. Wir glauben jedoch, dass die größere Bedeutung des großen Modells in seiner Fähigkeit liegt, Benutzer bis zum Äußersten zu bedienen, und in seinen szenariobasierten Fähigkeiten. Es bietet Benutzern in einem festen Szenario bessere Dienste und bietet ein Erlebnis, das zuvor völlig unerreichbar war.

Darüber hinaus erwies sich die Möglichkeit zur Feinabstimmung von Änderungen als begrenzt. Da wir dabei recht innovativ sind, müssen wir große Änderungen an der zugrunde liegenden Modellarchitektur vornehmen. Wir werden unsere selbst entwickelten Modelle auch intern verwenden, um sie mit Open-Source-Modellen zu vergleichen. Es hat sich gezeigt, dass die Ergebnisse unserer intern selbst entwickelten Modelle weitaus besser sind als die von Open-Source-Modellen. Da dieses Modell vollständig für mein Szenario erstellt wurde, wurde von der Erstellung der Trainingsdaten bis zum Entwurf des Algorithmus viel Arbeit geleistet.

Machine Heart: Sie gehören auch zu den ersten Forschern der Multimodalität in China. Haben Sie einen Zeitplan für Multimodalität?

Li Yan: Derzeit ist das Text-Großmodell immer noch der Kern des Kerns. Es ist die Grundlage der Intelligenz.

Produktwert:

Fähigkeit, den individuellen Bedürfnissen der Benutzer mehr Aufmerksamkeit zu schenken

Herz der Maschine: Die Produktform von Yuanshi Technology unterscheidet sich tatsächlich von fast allen großen C-End-Produkten auf dem Markt. Warum möchten Sie ein solches Produkt definieren?

Li Yan: Wir sind kein Produkt, das sich an eine bestimmte Gruppe von Menschen richtet, wir richten uns an ein breites Spektrum von Menschen und wir sind keine vertikale Content-Community. Wir glauben, dass mit der Verbesserung der KI-Generierungs- und -Verteilungsfähigkeiten die Grenzen zukünftiger Inhaltskategorien im KI-Zeitalter zunehmend verschwimmen werden.

Auf Produktebene verfügt unser Produkt derzeit über zwei Funktionen, eine ist Feed und die andere ist Chat. Wir nennen es „Ask Xiaobai“. Ein Aspekt ist, dass Benutzer ihm alle Fragen in ihrem Leben stellen können. Auf der anderen Seite „fragt“ Xiaobai. Basierend auf den Fragen, die Benutzer der KI stellen, wird Xiaobai auch die Initiative ergreifen, sich um Benutzer zu kümmern und sie aktiv an Benutzer weiterzuleiten. Der Name lautet Xiaobai und hofft, dass Benutzer ein Gefühl von Sicherheit und Intimität entwickeln, kalte KI oder gewalttätige KI aufgeben und engen Kontakt mit Benutzern haben können.

Machine Heart: Kann man es also als Content-Produkt mit KI-Funktionen verstehen?

Li Yan:Ja, darüber hinaus ist es auch ein Echtzeit-Online-Freund, der Ihre Vorlieben versteht. Als Benutzer können Sie ihn veranlassen, etwas zu tun, wenn nichts passiert, und ihn proaktiv tun etwas, um zu sehen, womit es Ihnen helfen kann.

Heart of the Machine: Sind alle Inhalte des Feed-Streams von AIGC? Wie kann die Qualität dieser Inhalte sichergestellt werden?

Li Yan: Wenn ein großes Modell zur Erstellung von Inhalten verwendet wird, muss es zunächst wissen, welche Art von Inhalten Benutzern gefallen, und dann basierend auf diesen Themen hochwertige Artikelinhalte generieren und organisieren. Diese beiden Ebenen sind einerseits die Verständnisfähigkeit und andererseits die Generierungsfähigkeit. Aus heutiger Sicht gibt es in diesen beiden Aspekten noch viel Raum für Verbesserungen bei großen Fähigkeitsmodellen. Dies ist auch der Grund, warum wir ein Unternehmen gegründet haben, weil wir glauben, dass wir die Möglichkeit haben, diese Angelegenheit erheblich zu verbessern.

Herzstück der Maschine: Das Produkt ähnelt ein wenig der KI-Version von Zhihu, Xiaohongshu und Toutiao. Was sind im Vergleich dazu die Unterschiede und Vorteile?

Li Yan: Wir legen zunächst mehr Wert auf die personalisierten Bedürfnisse der Nutzer. Für alle Produkte, über die Sie gerade in der vorherigen Generation gesprochen haben, ist das grundlegendste Prinzip ihres Empfehlungssystems die kollaborative Filterung. Das heißt, wenn ein Benutzer A und B mag und ein anderer Benutzer A und C mag, dann B und C sind auch ähnlich. Dann empfehlen wir Ihnen jeweils B und C. Bei dieser kollaborativen Filtermethode gibt es ein ganz offensichtliches Problem: Sie empfiehlt Ihnen immer einige Wirbelkategorien.

Warum? Denn wenn Ihnen ein Thema gefällt, besteht eine hohe Wahrscheinlichkeit, dass Sie, wie andere Menschen, die dieses Thema mögen, eher dazu neigen, schöne Frauen und gutaussehende Männer zu mögen, und sie alle neigen dazu, Unterhaltung zu mögen. Das System wird also irgendwann feststellen, dass Sie tatsächlich Unterhaltung mögen und gutaussehende Männer und schöne Frauen mögen.

Diese Methode hat ihre Vorteile: Sie kann die Benutzerzeit schnell steigern und weiter wachsen. Das Problem besteht jedoch darin, dass die persönlichen Interessen und Nischeninteressen der Benutzer vergraben werden, was es schwierig macht, die Benutzer im Detail zu verstehen.

Und das tun wir anhand großer Modelle. Zunächst einmal möchten wir uns um Ihre persönlichen Interessen kümmern, anstatt Ihnen hübsche Männer, Schönheiten oder Unterhaltungsinhalte zu empfehlen. In diesem Fall handelt es sich bei diesem Empfehlungssystem nicht um ein wirklich personalisiertes Empfehlungssystem.

Daher sollte ein ausreichend intelligentes Empfehlungssystem theoretisch in der Lage sein, alle Interessen der Nutzer zu berücksichtigen. Egal, ob es sich um Ihre allgemeinen Interessen oder um personalisierte Nischeninteressen handelt. Bisher wurde nicht genug getan.

Machine Heart: Warum haben Sie bei der Unternehmensgründung diese Richtung gewählt, statt der derzeit üblichen Chatbot- oder Emotional Companion-Produktform?

Li Yan: Wir glauben, dass die Integration von LLM mit Empfehlungen die Möglichkeit bietet, eine neue Art der Interaktion zu definieren, ein reibungsloses Erlebnis, das keine „aktive“ Interaktion erfordert. Derzeit gibt es bei reinen Chat-Interaktionen noch bestimmte Nutzungsschwellen für Benutzer, und Benutzer müssen aktiv Fragen stellen. In gewissem Maße schränkt es auch die Durchdringung und Nutzung eines breiteren Nutzerkreises ein. Neben allen empfohlenen Produkten, die wir heute verwenden, sehen wir, obwohl Benutzer sie häufig verwenden, immer noch, dass Benutzer sie wiederholt deinstallieren. Wiederholtes Vortäuschen bedeutet, dass er nicht ohne leben kann, aber wiederholtes Aufschieben bedeutet, dass er nicht hundertprozentig zufrieden ist. Das ist ein Punkt, der uns glauben lässt, dass empfohlene Produkte tatsächlich noch große Chancen haben.

Auf dieser Grundlage glauben wir, dass der Hintergrund unseres Teams dafür sehr gut geeignet ist. Ich persönlich und das Team verfügen über umfassende Erfahrung in den Bereichen Suche, KI-Forschung und groß angelegte Produktimplementierung.

Machine Heart: Content-basierte Produkte stoßen derzeit jedoch generell auf das Dilemma unklarer Kommerzialisierungspfade und sind nicht sehr erfolgreich. Was halten Sie davon?

Li Yan: Wir befinden uns immer noch in der Phase, in der wir den Wert unserer Benutzer umfassender demonstrieren müssen. Es macht nur Sinn, über kommerziellen Wert zu sprechen, der auf einem großen Benutzerwert basiert. Viele Produkte haben sehr erfolgreiche Beispiele für die starke Monetarisierungsfähigkeit großvolumiger Content-Produkte geliefert, wie beispielsweise Kuaishou.

Machine Heart: Was ist im Rückblick auf das Produkt der Wert einer besseren Antwortfähigkeit auf das Produkt?

Li Yan: Ich glaube, es sind zwei. Der erste Grund ist, dass die Benutzerbindung umso höher ist, je besser Ihre Antworten sind. In diesem Fall können Sie mehr Benutzersignale kennen und die Benutzer besser verstehen. Letztendlich kann das System daraus Inhalte für Benutzer erstellen, die ihnen gefallen und die sie wirklich brauchen. Bilden Sie kontinuierlich einen positiven Erfahrungs- und Datenkreislauf.

Machine Heart: Wenn wir optimistisch denken: Welche Auswirkungen könnte die allmähliche Reife generativer Empfehlungsalgorithmen auf die Content-Branche haben? Wie könnte in Ihrer Vorstellung ein reifer „Ask Novice“ aussehen?

Li Yan:Generative Empfehlungen verleihen dem Content-Track neue Dynamik und ermöglichen es, in diesem Bereich statt aufwändiger Verbesserungen große Veränderungen vorzunehmen.

Derzeit machen große Modelle und andere verwandte Technologien sprunghafte Fortschritte, aber es gibt einen offensichtlichen Engpass in der Kommunikation zwischen Mensch und KI. Wir haben die Möglichkeit, in beiden Aspekten bessere Ergebnisse zu erzielen. Fragen Sie Xiaobai, fragt Xiaobai, wir hoffen, die Inklusivität der KI-Technologie erheblich zu fördern und normalen Benutzern, die KI benötigen, mehr die Kraft der KI spüren zu lassen.