uutiset

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Ihmiskunta käynnistää räjähdysmäisen päivityksen tekoälyn alalla Jokainen askel teknologian laajentumisessa tuntemattomaan on herättänyt hämmästyttävää huomiota.

Tekoälyn rajojen laajentamisen aikana tärkeiden raiteiden teknisillä reiteillä esiintyy rinnakkain innovaatioita ja erimielisyyksiä. Teknologian pioneerien arvostelukyky ja valinnat vaikuttavat monien seuraajien jalanjälkiin.

Kuluneen vuoden aikana Heart of the Machine on yksinomaan ottanut johtoaseman esittelemällä erinomaisia ​​yrityksiä, kuten Dark Side of the Moon, Shengshu Technology, Aishi Technology ja Wuwen Core Dome kaikille, jättäen heille ensimmäisen "10 000 sanan haastattelukäsikirjoituksen" "Internet-maailmassa.. Vaiheessa, jolloin teknologiareitit eivät ole vielä lähentyneet, näemme tekoälyyrittäjien johtajuuden, jolla on todella uskoa, rohkeutta ja systemaattista kognitiota.

Siksi lanseerasimme "AI Pioneers" -sarakkeen toivoen voivamme edelleen löytää ja tallentaa yrittäjiä, joilla on johtajuutta eri tekoälyn osa-alueilla AGI-aikakaudella, ja esitellä AI-radan merkittävimmät ja potentiaalisimmat startupit. ja jakaa saavutuksiaan tekoälyn alalla Huippuluokan, selkeät käsitykset.

Kirjailija: Jiang Jingling

Koneen sydänraportti

Lähdettyään Kuaishousta perustaakseen yrityksen, "Li Yan" sai hiljaa 32 miljoonaa dollaria alkurahoitusta Kuaishoun perustajilta Su Hualta, Redpoint Venturesilta ja Matrix Partnersilta.

Kuaishoun alkuperäisen tekoälyjärjestelmän ydinhahmona Li Yan rakensi kerran ensimmäisen syväoppimisosaston Kuaishoussa ja auttoi myöhemmin Kuaishouta rakentamaan Multi-Media Understanding -teknologiajärjestelmän.

Yksi hänen sijoittajistaan ​​päätteli, että kolmesta AGI:n yrittäjäkuvasta professoreista ja tutkijoista, langattoman Internetin toimijoista ja akateemisista neroista Yuanshi Technology on ainoa, jolla on kyky integroida kolme "multimodaalista, haku- ja suositusta" A. tiimi, jolla on suuri ydinteknologiapino.

Kuitenkin, koska Li Yan vahvisti virallisesti aloittavansa yrityksen vuoden 2023 alussa, hän on melkein kadonnut yli vuodeksi.

Kuluneen vuoden aikana olemme lähettäneet useita haastattelukutsuja Li Yanin tiimille toivoen voivamme keskustella hänen kanssaan hänen yrittäjäideoistaan, mutta meidät kaikki hylättiin sanomalla "tuote ei ole vielä valmis (julkisesti saatavilla)".

Ei kauan sitten Yuanshi Technologyn tuote "Ask Xiaobai" lanseerattiin virallisesti, ja sisäinen kylmäkäynnistystesti alkoi. Tämä on myös ensimmäinen kerta, kun Li Yanin tiimi paljastaa yrittäjyyden edistymisen. Joten löysimme Li Yanin uudelleen toivoen voivamme puhua hänelle hänen yrityssuunnitelmastaan.

Tässä eksklusiivisessa haastattelussa on odottamatonta, että Li Yanin valinta ei ole pelkkä malliyritys, eikä hän edes aloita multimodaalisesta näkökulmasta.

Tuotteessa "Ask Xiaobai" käyttäjät näkevät tekoälyn tuottaman AIGC-sisällön "syötteessä" heti avattuaan näytön ja ovat mukautettuja käyttäjän kiinnostuksen kohteiden mukaan. He voivat käyttää "chat"-toimintoa ja tekoälyä tehdäkseen enemmän. sisältöön perustuvaa vuorovaikutusta milloin tahansa.

Voidaan ymmärtää, että tämä on generatiivinen sisältöyhteisötuote, joka perustuu itse kehitettyyn LLM-malliin. Verrattuna aikaisempiin sisältöyhteisötuotteisiin Li Yanin toiminta perustuu "generatiiviseen suositukseen".

Tämä on huipputeknologian tutkimusala, ja toistaiseksi vain Metalla ja CMU:lla on joitain käytännön tuloksia. Hän kertoi minulle, että verrattuna aikaisempiin suositusalgoritmeihin generatiiviset suositusalgoritmit eivät enää perustu yhteistyöhön perustuviin suodatussuositusjärjestelmiin, ja suosituksista tulee älykkäämpiä nykyisestä "tuhansista ihmisistä, joilla on kymmenen kasvoa" todelliseen "tuhansien ihmisiä, joilla on kymmenen kasvoa". Ihmisillä on tuhansia kasvoja."

Tutkimalla käyttäjien syvempiä tarpeita, suosittelutehokkuus paranee entisestään ja käyttäjät voivat saada itselleen sopivampaa tietoa. Lisäksi suuren määrän korkealaatuisen korpuksen infuusio suuriin malleihin antaa generatiiviselle suositusalgoritmille "arvoja". Et voi enää vain "ilahduttaa" käyttäjiä, vaan ohjata käyttäjiä kiinnittämään huomiota laadukkaaseen tietoon, joka todella vaatii huomiota.

Tällä hetkellä Li Yanin tiimi on ensimmäinen startup-yritys Kiinassa, joka käyttää LLM-pohjaisia ​​generatiivisia suositusalgoritmeja tuote- ja kehityssuunnan ytimenä.

Yuanshi-sijoittaja uskoo, ettäKustannusten ja tehokkuuden optimointi, jonka tämä uusi teknologiamoottori tuo sisältöteollisuudelle, on periaatteessa yhdenmukainen Toutiaon menestyksenpolun kanssa.Tiellä kohti generatiivisten suositusalgoritmien tuotteita "Olemme nähneet, että ainoa tiimi, jolla on kolme taustaa: multimodaalinen, haku ja suositus, on Li Yan."

Näkemys:

Tee korkeampiulotteinen suositusalgoritmi

Koneen sydän: Esittelemme ensin, mitä Yuanshi Technology toivoo tekevänsä?

Li Yan: Toivomme, että teknologisen innovaation ja tiedon keräämisen avulla voimme auttaa käyttäjiä siirtymään flow-tilaan ja taistelemaan henkistä väsymystä vastaan. (Mihaly Csikszentmihalyin "virtaus"-teoriasta)

Machine Heart: Se on vähän abstrakti, voitko selittää sitä tarkemmin?

Li Yan:Mielestämme nykyinen aikakausi on tiedon räjähdyksen aikakautta. Tiedon vastaanottamiseen on monia kanavia, mutta kanavat, jotka voivat todella saada meille tärkeän tiedon, puuttuvat.

Esimerkiksi viimeaikaisessa WAIC:ssa saatat nähdä ylivoimaisia ​​raportteja, mutta jokainen raportti sisältää vain muutaman sanan, mutta et voi saada tietoja, joista todella välität. Tällä hetkellä joudut eräänlaiseen ahdistukseen.

Ymmärrämme tämän olevan "hengellisen entropian" muoto. Tämän konseptin on ehdottanut psykologi Mihaly Csikszentmihalyi, ja se vastaa hyvin tarkasti sitä, mitä haluamme tehdä. Haluamme auttaa kaikkia parantamaan onnellisuuttaan ja hyödyn tunnetta nähtyään tiedon. Tämä tila on erilainen kuin "levottomampi, väsyneempi ja onnellisempi", jota tunnemme joidenkin tietotuotteiden raskaan käytön jälkeen.

Machine Heart: Millainen tieto saa ihmiset tuntemaan olonsa onnellisemmiksi ja palkitsevammiksi kuin ahdistuneemmiksi ja väsyneemmiksi?

Li Yan:Tässä on käsite "virtaus", mikä tarkoittaa, että vain kun ihmiset näkevät tiedon, jonka he todella haluavat nähdä, he siirtyvät virtauksen tilaan ja tuntevat onnellisuutta sen sijaan, että näkisivät monia asioita, jotka eivät liity heihin ovat merkityksettömiä tai merkityksettömiä.

Tämä on myös psykologisen tutkimuksen tulos. Esimerkiksi vanhemmat pyytävät lapsiaan tekemään kotitehtäviä, mutta lapsi on passiivinen ja tuskallinen. Hän tuntee itsensä onnelliseksi. Toivomme siis auttavan käyttäjiä siirtymään flow-tilaan ja taistelemaan henkistä entropiaa vastaan.

Heart of the Machine: Itse asiassa useimpien sosiaalisten yhteisöjen taustalla olevat suositusjärjestelmät toivovat nyt saavuttavansa tämän tavoitteen (suositella käyttäjille mitä he todella haluavat nähdä)?

Li Yan: Siinä on ero. Jos katsomme kymmenen vuotta myöhemmin, vuonna 2034, ja katsomme tämän päivän suositusjärjestelmiä, mukaan lukien tuotteet ja niiden takana oleva teknologia, ne ovat itse asiassa hyvin taaksepäin. Nykyinen tuote ei itse asiassa ole täydellisessä kunnossa.

Heart of the Machine: Kuinka ymmärtää nykyinen ja "parempi" taso?

Li Yan:Voin tehdä vertauksen. Nykyinen tiedonjako on enemmän kuin primitiivisten ihmisten vaistomainen reaktio. Vaiheessa, jolloin henki ei ole liian rikas, ehkä ihmisen vaisto on "haluan syödä", "haluan itkeä". "Haluan nauraa", tämä on hyvin suoraa.

Heijastus suositusjärjestelmässä voi olla se, että jos esimerkiksi pidät komeista miehistä, he suosittelevat sinulle aina komeita miehiä - suositusjärjestelmässä ei ole liian syvällistä ajattelua. Tuotteemme eivät toivo saavuttavansa miellyttää käyttäjän vaistomaista reaktiota, vaan suositella korkeammalla viisaudella, huolella ja rakkaudella.

Heart of the Machine: Tämä kuulostaa esteettiseltä korkeammalta ulottuvuudesta, vähän "käyttäjien kouluttamisesta".

Li Yan: Ei koulutusta, tarkemmin sanottuna. Monia asioita ei voida nähdä selvästi, jos katsomme niitä suhteellisen lyhyessä ajassa. Mutta jos esimerkiksi katsomme koko ihmiskunnan kehityshistoriaa, huomaamme, että jokaiseen ihmissivilisaation edistymiseen liittyy kritiikkiä, pohdintaa ja jopa kaatamista ja jälleenrakentamista. Jotkut asiat voivat näyttää hyvältä nyt, mutta ehkä tulevaisuudessa on rajoituksia. Sama pätee verkkomaailmaan. Toivomme tuovamme sivistyneempiä elementtejä ja ihmiskunnan keräämiä edistyneitä ideoita sisällön jakeluun.

Tekninen toteutuspolku:

Valitse laadukkaampi data mallin kouluttamiseen, jotta mallilla on arvoja

Heart of the Machine: Sanoin juuri, että toivon voivani tehdä sisältötuotteen, joka auttaa käyttäjiä saavuttamaan paremman virtauksen. Miksi aloitat paremman LLM:n luomisesta?

Li Yan: Uskomme, että LLM on erittäin tärkeä solmu, joka johtaa AGI:hen. Suuret kielimallit voivat ymmärtää paremmin käyttäjiä ja sisältöä ja tietää, mistä käyttäjät välittävät, mistä pitävät ja mistä eivät pidä.

Edellinen suositusjärjestelmä ei kyennyt saavuttamaan tätä ymmärryksen tasoa. Se pystyi merkitsemään käyttäjää vain useilla erillisillä tunnisteilla ja yrittänyt luonnehtia ja ymmärtää käyttäjää tämän avulla. Nyt suuret mallit eivät vain pysty ymmärtämään paremmin käyttäjien olemassa olevia kiinnostuksen kohteita, vaan myös tehostavat käyttäjien kiinnostuksen kohteiden louhintaa ja päättelevät käyttäjien implisiittisiä kiinnostuksen kohteita ja harrastuksia.

Suuren mallin avulla voimme pakata koko Internetin korkealaatuisimman korpuksen, pakata tekstin sisältämän ihmissivilisaation, käyttää näitä sivilisaatioita ja soveltaa näitä ominaisuuksia edelleen generatiivisiin suosituksiin, sillä on arvonsa, maailmankuvansa ja siten myös korkeamman ulottuvuuden suositeltu arvojärjestelmä.

Suuri malli toimii itse asiassa sillana, joka yhdistää nämä edistyneimmät kognitiiviset kokemukset tiedonkulutuksesi kanssa ja parantaa sitten sisällönkulutustasoasi.

Machine Heart: Viittaavatko nämä "edistyneet" sisällöt papereihin? Sisältääkö se sekä yhteiskuntatieteet että luonnontieteet vai keskittyykö se enemmän yhteen?

Li Yan:Suuri malli lukee kaiken edistyneen sivilisaation ja ihmisten keräämän tiedon koko Internetistä, ja sitä voidaan kehittää kaikilta osin.

Koneen sydän: Miten suuri malli määrittää, mikä "edistynyt sivilisaatio" on?

Li Yan:Itse asiassa me ihmiset olemme jo tehneet tuomioita tästä asiasta, emme suuria malleja. Esimerkiksi tunnettujen tutkijoiden kirjoittamia arvovaltaisia ​​artikkeleita, lehtiä ja kirjoja eivät määritä suuret mallit, vaan ihmisten itsensä luoma korkealaatuinen tieto. pitkän ajan kuluessa.

Machine Heart: No, mikä tämä osa korkealaatuista dataa oikein on? lähde?

Li Yan: Arvostamme tietopohjaisen mallin kehittämistä Mallissamme käytämme algoritmeja, jotka lisäävät saatavilla olevan korkealaatuisen datan määrää yli suuruusluokan. Lisäksi käytämme tietojen valinnassa klassisempia kirjoja, teorioita ja papereita suurten malliemme kouluttamiseen, jotta mallimme pystyvät ymmärtämään käyttäjiä tarkemmin, mitä tulee sisältösuosituksiin ei sokeasti anna käyttäjien jäädä lyhyen aikavälin ilo. Sen sijaan korkealaatuisen tiedon kerääminen on pitkän aikavälin onnea.

Machine Heart: Mainitsin juuri, että generatiiviset suositusalgoritmit voivat parantaa käyttäjien ymmärtämistä.

Li Yan: Koska eri yritysten tavoitteet ovat erilaisia, myös optimointitavoitteet ovat erilaisia. Yleisesti ottaen se voi olla kesto, napsautussuhde ja säilyttäminen. Koska tekniset periaatteemme ja liiketoimintasuuntamme ovat uusia alueita, meillä on tällä hetkellä erittäin monimutkainen sisäinen tietojärjestelmä asian arvioimiseksi.

Heart of the Machine: Mitä etuja Yuanshi-teknologialla on tällä hetkellä LLM:ssä?

Li Yan: Yrityksen perustamispäivästä lähtien eli huhtikuun 2023 tienoilla suuren mallin ensimmäinen versio perustui MoE-arkkitehtuuriin. Markkinoiden yleinen tekninen reittivalikoima on hyvin tulevaisuuteen suuntautunut. Huhtikuusta 2023 tähän päivään yli vuoden ajan malliamme on iteroitu neljä versiota. Monissa julkisissa testisarjoissa tulokset ovat parempia kuin monet muut mallit.

Lisäksi laadukas korpusmme tekee vastausten laadun erittäin korkeaksi ja mallissa on kyky ajatella syvällisesti. Kolmanneksi suuren mallimme nopeus on myös erittäin kilpailukykyinen, ja latenssi on erittäin pieni. Olemme tehneet äärimmäisiä optimointeja mallikoulutuksessa ja päättelyssä, mikä on alentanut huomattavasti suurten mallien koulutuksen kustannuksia. Olemme nyt ilmaisia, eikä ruuhka-aikoina tarvitse maksaa.

Machine Heart: Miksi MoE on mielestäsi parempi reitti?

Li Yan: Uskomme, että tehdäksemme omia tuotteitamme, tarvitsemme kykyä integroida mallin taustalla olevat linkit Suurten mallien aikakaudella mallivaikutus on parempi, mikä tarkoittaa usein sitä, että sen parametrit ovat suurempia. Mutta TO C -tuotteena, jos mallipäätelmän hinta on korkea, se ei toimi kaupallisesti. Siksi tarvitsemme sekä suuren määrän parametreja että alhaiset päättelykustannukset. Kaupallisen toteutettavuuden edellytyksenä voimme lopulta valita vain MoE. Ajattelimme tätä ongelmaa selkeästi ensimmäisestä päivästä lähtien, ja ensimmäinen kirjoittamamme koodirivi oli MoE.

Koneen sydän: Koska Yuanshi on sovellusyhtiö, oletko harkinnut joidenkin avoimen lähdekoodin mallien käyttöä tutkimus- ja kehitysprosessin aikana, mikä saattaa olla taloudellisempaa?

Li Yan:Tavoitteemme ei ole olla mallitason yritys, mutta syy siihen, miksi päätämme silti kehittää omia suuria malleja, on se, että uskomme, että muiden mallit eivät palvele tavoitteitamme. Olemme omien suurten malliemme vetämä tuote. yhtiö.

Emme ole yrittäneet kehittää liiketoimintamallia mallitasolla. Tämä liittyy henkilökohtaisiin tietoihini. Jotkut ajattelevat, että suuret mallit ovat vettä ja sähköä, mikä tarkoittaa, että kun teen hyvän ison mallin, sitä ei tarvitse tehdä, vaan voitte kaikki käyttää minun kykyjäni. Uskomme kuitenkin, että suuren mallin suurempi merkitys on sen kyvyssä palvella käyttäjiä äärimmäisyyksiin ja sen skenaarioihin perustuvissa ominaisuuksissa. Se palvelee käyttäjiä paremmin kiinteässä skenaariossa ja tarjoaa kokemuksen, joka ei ollut ennen täysin saatavilla.

Lisäksi kyky hienosäätää muutoksia osoittautui rajalliseksi. Koska olemme tässä melko innovatiivisia, meidän on tehtävä suuria muutoksia taustalla olevaan malliarkkitehtuuriin. Käytämme myös itse kehitettyjä mallejamme verrataksemme avoimen lähdekoodin malleihin Faktat ovat osoittaneet, että sisäisten itse kehitettyjen malliemme tulokset ovat paljon parempia kuin avoimen lähdekoodin malleilla. Koska tämä malli on täysin rakennettu skenaariooni, on tehty paljon työtä harjoitustietojen rakentamisesta algoritmin suunnitteluun.

Machine Heart: Olet myös yksi varhaisista multimodaalisuuden tutkijoista. Onko sinulla aikataulu multimodaaliselle?

Li Yan: Tällä hetkellä tekstin suuri malli on edelleen ytimen ydin. Se on älykkyyden perusta.

tuotteen arvo:

Kyky kiinnittää enemmän huomiota käyttäjien yksilöllisiin tarpeisiin

Koneen sydän: Yuanshi Technologyn tuotemuoto eroaa melkein kaikista markkinoilla olevista suurista C-pään tuotteista. Miksi haluat määritellä sellaisen tuotteen?

Li Yan: Emme ole tietylle ihmisryhmälle suunnattu tuote, kohdistamme laajan joukon ihmisiä, emmekä ole vertikaalinen sisältöyhteisö. Uskomme, että tekoälyn tuotanto- ja jakelukykyjen paranemisen myötä tulevaisuuden sisältökategorioiden rajat tekoälyaikakaudella hämärtyvät.

Tuotetasolla tuotteellamme on tällä hetkellä kaksi toimintoa, joista toinen on Feed ja toinen Chat. Kutsumme sitä "Kysy Xiaobailta". Yksi näkökohta on, että käyttäjät voivat kysyä häneltä mitä tahansa kysymyksiä elämässään. Toisaalta Xiaobai "kysyy" Käyttäjien tekoälyltä esittämien kysymysten perusteella Xiaobai tekee myös aloitteen välittääkseen käyttäjistä ja työntää niitä aktiivisesti käyttäjille. Nimi on Xiaobai, toivoen, että käyttäjät kokevat turvallisuuden ja läheisyyden tunteen, hylkäävät kylmän tekoälyn tai väkivaltaisen tekoälyn ja voivat olla läheisessä yhteydessä käyttäjiin.

Machine Heart: Voidaanko se siis ymmärtää sisältötuotteeksi, jossa on tekoälytoimintoja?

Li Yan:Kyllä, tämän lisäksi se on myös reaaliaikainen online-ystävä, joka ymmärtää mieltymyksiäsi jotain mitä se voi auttaa.

Koneen sydän: Onko kaikki syötevirran sisältö AIGC:ltä? Kuinka varmistaa tämän sisällön laatu?

Li Yan: Jos sisällön tuottamiseen käytetään suurta mallia, sen on ensin tiedettävä, minkälaisesta sisällöstä käyttäjät pitävät, ja sitten luoda ja organisoida laadukasta artikkelisisältöä näiden aiheiden pohjalta. Nämä kaksi tasoa ovat toisaalta ymmärtämiskyky ja toisaalta sukupolvikyky. Tämä on myös syy, miksi aloitimme yrityksen, koska uskomme, että meillä on kyky parantaa tätä asiaa huomattavasti.

Koneen sydän: Tuote näyttää vähän Zhihun, Xiaohongshun ja Toutiaon tekoälyversiolta, mitä eroja ja etuja on näihin verrattuna?

Li Yan: Kiinnitämme ensin enemmän huomiota käyttäjien yksilöllisiin tarpeisiin. Kaikille tuotteille, joista juuri puhuit edellisessä sukupolvessa, niiden suositusjärjestelmän perusperiaate on yhteistyösuodatus, toisin sanoen jos yksi käyttäjä pitää A:sta ja B:stä ja toinen käyttäjästä A ja C, niin B ja C ovat myös samanlaisia. Sitten suosittelemme sinulle B:tä ja C:tä. Tässä yhteistyöhön perustuvassa suodatusmenetelmässä on hyvin ilmeinen ongelma, toisin sanoen se suosittelee sinulle aina joitain selkärangan luokkia.

miksi? Se johtuu siitä, että jos pidät mistä tahansa aiheesta, on suuri todennäköisyys, että sinä, kuten muut tästä aiheesta pitävät ihmiset, olet taipuvaisempia pitämään kauniista naisista ja komeista miehistä, ja he kaikki pitävät viihteestä. Joten järjestelmä päättää lopulta, että pidät viihteestä ja komeista miehistä ja kauniista naisista.

Tällä menetelmällä on etunsa, sillä se voi nopeasti kuluttaa käyttäjän aikaa ja jatkaa kasvuaan. Mutta sen ongelma on, että se hautaa käyttäjien henkilökohtaiset intressit ja markkinaraon, mikä vaikeuttaa käyttäjien ymmärtämistä yksityiskohtaisesti.

Ja teemme tämän suurten mallien perusteella. Ensinnäkin toivomme huolehtivamme henkilökohtaisista kiinnostuksen kohteistasi sen sijaan, että suosittelisimme sinulle komeita miehiä, kaunottajia tai viihdesisältöä. Tässä tapauksessa tämä suositusjärjestelmä ei ole todella henkilökohtainen suositusjärjestelmä.

Siksi riittävän älykkään suositusjärjestelmän pitäisi teoriassa pystyä huolehtimaan kaikista käyttäjien eduista. Olipa kyse sitten yleisistä kiinnostuksen kohteistasi tai niche-henkilökohtaisista kiinnostuksen kohteistasi. Toistaiseksi ei ole tehty tarpeeksi.

Machine Heart: Miksi valitsit tämän suunnan perustaessasi yritystä tällä hetkellä yleisen chatbotin tai tunnetuotemuodon sijaan?

Li Yan: Uskomme, että LLM:n integraatio suositusten kanssa antaa mahdollisuuden määritellä uudenlaisen vuorovaikutuksen, sujuvan kokemuksen, joka ei vaadi "aktiivista" vuorovaikutusta. Tällä hetkellä puhtaalla chat-tyyppisellä vuorovaikutuksella on edelleen tietyt käyttökynnykset käyttäjille, ja käyttäjien on aktiivisesti esitettävä kysymyksiä. Se rajoittaa jossain määrin myös laajemman käyttäjäjoukon tunkeutumista ja käyttöä. Kaikkien nykyään käyttämiemme suositeltujen tuotteiden lisäksi, vaikka käyttäjät käyttävät niitä paljon, näemme käyttäjien poistavan niitä toistuvasti. Toistuva teeskentely tarkoittaa, että hän ei voi elää ilman sitä, mutta toistuva lykkääminen tarkoittaa, että hän ei ole 100% tyytyväinen. Tämä on seikka, joka saa meidät ajattelemaan, että suositelluilla tuotteilla on edelleen suuria mahdollisuuksia.

Tältä pohjalta uskomme, että tiimimme tausta on erittäin sopiva tähän.

Machine Heart: Sisältöpohjaiset tuotteet kohtaavat kuitenkin tällä hetkellä yleisesti epäselvien kaupallistamispolkujen ongelman eivätkä ole kovin menestyviä. Mitä mieltä olet tästä?

Li Yan: Olemme edelleen siinä vaiheessa, että meidän on osoitettava paremmin käyttäjiemme arvo. On järkevää puhua vain suureen käyttäjäarvoon perustuvasta kaupallisesta arvosta. Monet tuotteet ovat tarjonneet erittäin onnistuneita esimerkkejä suurten sisältötuotteiden, kuten Kuaishoun, vahvoista kaupallistamismahdollisuuksista.

Machine Heart: Mitä arvoa on parempi vastata tuotteeseen, kun tarkastellaan tuotetta taaksepäin?

Li Yan: Luulen, että niitä on kaksi. Ensimmäinen on, että mitä parempia vastauksesi ovat, sitä suurempi on käyttäjän tahmea. Tässä tapauksessa voit tietää enemmän käyttäjäsignaaleja ja ymmärtää käyttäjiä paremmin. Lopulta järjestelmä voi käyttää näitä luodakseen käyttäjille sisältöä, josta he pitävät ja joita he todella tarvitsevat. Muodosta jatkuvasti positiivinen kokemus ja tietokierto.

Machine Heart: Optimistisesti ajateltuna, mikä vaikutus generatiivisten suositusalgoritmien asteittaisella kypsymisellä voi olla sisältöteollisuudessa? Miltä kypsä "Kysy Novice" voisi kuvitella?

Li Yan:Generatiiviset suositukset tuovat uutta elinvoimaa sisältörataan, mikä mahdollistaa valtavien muutosten tekemisen tällä alalla sen sijaan, että kehitettäisiin parannuksia.

Tällä hetkellä suuret mallit ja muut niihin liittyvät teknologiat kehittyvät harppauksin, mutta ihmisten ja tekoälyn välillä on ilmeinen pullonkaula. Kysy Xiaobailta, Xiaobai kysyy, toivomme voivamme edistää suuresti tekoälyteknologian osallisuutta ja antaa tavallisille käyttäjille, jotka tarvitsevat tekoälyä enemmän, tuntea tekoälyn voimat.