berita

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Kemanusiaan membawa pembaruan yang luar biasa di bidang kecerdasan buatan. Setiap langkah dalam perluasan teknologi ke hal-hal yang belum diketahui telah menarik perhatian yang menakjubkan.

Dalam proses memperluas batas-batas kecerdasan buatan, inovasi dan ketidaksepakatan hidup berdampingan di jalur teknis dari jalur-jalur penting. Penilaian dan pilihan pionir teknologi mempengaruhi jejak banyak pengikutnya.

Pada tahun lalu, Heart of the Machine secara eksklusif memimpin dalam memperkenalkan perusahaan-perusahaan terkemuka seperti Dark Side of the Moon, Shengshu Technology, Aishi Technology, dan Wuwen Core Dome kepada semua orang, meninggalkan mereka dengan "skrip wawancara 10.000 kata" yang pertama. " di dunia internet. . Pada tahap ketika jalur teknologi belum menyatu, kita melihat kepemimpinan wirausaha AI yang benar-benar memiliki keyakinan, keberanian, dan kognisi sistematis.

Oleh karena itu, kami meluncurkan kolom “AI Pioneers”, dengan harapan dapat terus mencari dan mendata wirausahawan yang memiliki kualitas kepemimpinan di berbagai subdivisi kecerdasan buatan di era AGI, memperkenalkan startup-startup paling berprestasi dan berpotensi tinggi di jalur AI. , dan berbagi pencapaian mereka di bidang AI dengan persepsi yang berbeda dan mutakhir.

Penulis: Jiang Jingling

Laporan Jantung Mesin

Setelah meninggalkan Kuaishou untuk memulai bisnis, “Li Yan” diam-diam menerima pendanaan putaran awal sebesar US$32 juta dari salah satu pendiri Kuaishou, Su Hua, Redpoint Ventures, dan Matrix Partners.

Sebagai tokoh inti dari sistem AI awal Kuaishou, Li Yan pernah membangun departemen pembelajaran mendalam pertama di Kuaishou, dan kemudian membantu Kuaishou membangun sistem teknologi Pemahaman Multi-Media.

Salah satu investornya menyimpulkan bahwa di antara tiga potret kewirausahaan AGI yang terdiri dari para profesor dan cendekiawan, pelaku Internet seluler, dan akademisi jenius, Yuanshi Technology adalah satu-satunya yang memiliki kemampuan untuk mengintegrasikan tiga "multi-modal, pencarian, dan rekomendasi" A tim dengan tumpukan teknologi inti yang besar.

Namun, sejak Li Yan secara resmi mengonfirmasi bahwa dirinya memulai bisnis pada awal tahun 2023, ia hampir menghilang selama lebih dari setahun.

Pada tahun lalu, kami telah mengirimkan beberapa undangan wawancara ke tim Li Yan, berharap dapat berbicara dengannya tentang ide kewirausahaannya, namun kami semua ditolak dengan alasan “produknya belum siap (tersedia untuk umum)”.

Belum lama ini, produk Yuanshi Technology "Ask Xiaobai" secara resmi diluncurkan, dan pengujian internal cold start dimulai. Ini juga pertama kalinya tim Li Yan mengungkapkan kemajuan kewirausahaannya. Jadi kami bertemu Li Yan lagi, berharap bisa berbicara dengannya tentang rencana wirausahanya.

Dalam wawancara eksklusif ini, yang tidak disangka-sangka adalah pilihan Li Yan bukanlah perusahaan model murni, bahkan tidak dimulai dari aspek multimodal.

Dalam produk "Ask Xiaobai", pengguna dapat melihat konten AIGC yang dihasilkan oleh AI di "umpan" segera setelah mereka membuka layar dan dipersonalisasi berdasarkan minat pengguna, serta dapat menggunakan fungsi "obrolan" dan AI untuk melakukan lebih banyak hal konten berbasis konten kapan saja.

Dapat dipahami bahwa ini adalah produk komunitas konten generatif berdasarkan model LLM yang dikembangkan sendiri. Dibandingkan dengan produk komunitas konten sebelumnya, tindakan Li Yan terletak pada "rekomendasi generatif".

Ini adalah bidang penelitian teknologi mutakhir, dan sejauh ini hanya Meta dan CMU yang mempunyai beberapa hasil praktis. Dia mengatakan kepada saya bahwa dibandingkan dengan algoritme rekomendasi sebelumnya, algoritme rekomendasi generatif tidak lagi didasarkan pada sistem rekomendasi pemfilteran kolaboratif, dan rekomendasi akan menjadi lebih cerdas, dari "ribuan orang dengan sepuluh wajah" saat ini menjadi "ribuan orang dengan sepuluh wajah" yang sebenarnya. orang dengan sepuluh wajah". Orang mempunyai ribuan wajah."

Dengan mengeksplorasi kebutuhan pengguna lebih dalam, efisiensi rekomendasi semakin ditingkatkan, dan pengguna bisa mendapatkan informasi yang lebih sesuai untuk mereka. Selain itu, pemasukan sejumlah besar korpus berkualitas tinggi ke dalam model besar memberikan "nilai" pada algoritma rekomendasi generatif. Anda tidak bisa lagi sekedar “menyenangkan” pengguna, namun membimbing pengguna agar memperhatikan informasi berkualitas tinggi yang benar-benar perlu diperhatikan.

Saat ini, tim Li Yan adalah perusahaan rintisan pertama di Tiongkok yang menggunakan algoritme rekomendasi generatif berbasis LLM sebagai inti produk dan arah pengembangannya.

Seorang investor di Yuanshi percaya bahwa,Pengoptimalan biaya dan efisiensi yang dibawa oleh mesin teknologi baru ini ke industri konten pada dasarnya konsisten dengan jalan Toutiao menuju kesuksesan.Dalam perjalanan untuk membuat produk algoritme rekomendasi generatif, "Kami telah melihat bahwa satu-satunya tim dengan tiga latar belakang: multi-modal, pencarian, dan rekomendasi adalah Li Yan."

Penglihatan:

Buat algoritma rekomendasi berdimensi lebih tinggi

Inti dari Mesin: Pertama-tama, mari kita perkenalkan apa yang ingin dilakukan oleh Teknologi Yuanshi?

Li Yan: Kami berharap melalui inovasi teknologi dan pengumpulan intelijen, kami dapat membantu pengguna memasuki kondisi mengalir dan melawan kelelahan mental. (Dari teori “aliran” Mihaly Csikszentmihalyi)

Machine Heart: Agak abstrak, bisakah Anda menjelaskannya lebih lanjut?

Li Yan:Kami merasa era saat ini adalah era ledakan informasi. Banyak saluran untuk menerima informasi, namun saluran yang benar-benar dapat memperoleh informasi yang kita pedulikan belum ada.

Misalnya, di WAIC baru-baru ini, Anda mungkin melihat laporan yang sangat banyak, tetapi setiap laporan hanya berisi beberapa kata, tetapi Anda tidak bisa mendapatkan informasi yang benar-benar Anda pedulikan.

Kami memahami hal ini sebagai suatu bentuk "entropi spiritual", Konsep ini dikemukakan oleh seorang psikolog, Mihaly Csikszentmihalyi, dan sangat cocok dengan apa yang ingin kita lakukan. Apa yang ingin kami lakukan adalah membantu semua orang meningkatkan kebahagiaan dan rasa memperoleh setelah melihat informasi tersebut. Keadaan ini akan berbeda dengan “lebih cemas, lebih lelah, dan lebih bahagia” yang kita rasakan setelah banyak menggunakan beberapa produk informasi.

Machine Heart: Informasi seperti apa yang akan membuat orang merasa lebih bahagia dan lebih bermanfaat, dibandingkan merasa cemas dan lelah?

Li Yan:Ada konsep “flow” di sini, artinya hanya ketika orang melihat informasi yang benar-benar ingin dilihatnya, mereka akan memasuki keadaan mengalir dan merasakan kebahagiaan, alih-alih melihat banyak hal yang tidak berhubungan dengan dirinya tidak relevan atau tidak menarik.

Hal ini juga merupakan hasil penelitian psikologi, misalnya orang tua menyuruh anaknya mengerjakan pekerjaan rumah. Meski akhirnya dilaksanakan, anak itu pasif dan sangat kesakitan. Dia akan merasa bahagia. Jadi kami berharap dapat membantu pengguna memasuki kondisi mengalir dan melawan entropi mental.

Inti dari Mesin: Faktanya, sistem rekomendasi yang mendasari sebagian besar komunitas sosial sekarang pada dasarnya berharap untuk mencapai tujuan ini (merekomendasikan kepada pengguna apa yang sebenarnya ingin mereka lihat)?

Li Yan: Ada perbedaan. Jika kita melihat sepuluh tahun kemudian, pada tahun 2034, dan melihat sistem rekomendasi saat ini, termasuk produk dan teknologi di baliknya, sebenarnya sistem tersebut sangat terbelakang. Apa yang dilakukan produk saat ini sebenarnya belum dalam keadaan sempurna.

Heart of the Machine: Bagaimana memahami level saat ini dan level yang "lebih baik"?

Li Yan:Bisa saya analogikan, penyaluran informasi saat ini lebih seperti reaksi naluri manusia primitif, pada tahap jiwa belum terlalu kaya, mungkin naluri manusia adalah “Saya ingin makan”, “Saya ingin menangis”, "Saya ingin tertawa" ”, ini sangat lugas.

Refleksi dalam sistem rekomendasi mungkin, misalnya, jika Anda menyukai pria tampan, mereka akan selalu merekomendasikan pria tampan kepada Anda - sistem rekomendasi tidak terlalu memikirkan secara mendalam. Apa yang ingin dicapai oleh produk kami bukanlah untuk menyenangkan reaksi naluriah pengguna, namun untuk merekomendasikan dengan kebijaksanaan, perhatian, dan cinta yang lebih tinggi.

Inti dari Mesin: Ini terdengar seperti dimensi estetika yang lebih tinggi, seperti "mendidik pengguna".

Li Yan: Bukan pendidikan, tepatnya. Banyak hal yang tidak dapat terlihat jelas jika kita melihatnya dalam jangka waktu yang relatif singkat. Namun misalnya jika kita melihat seluruh sejarah perkembangan manusia, kita akan menemukan bahwa setiap kemajuan peradaban manusia akan diiringi dengan kritik, refleksi, bahkan penggulingan dan rekonstruksi ada batasan. Hal yang sama juga terjadi di dunia online. Kami berharap dapat menghadirkan lebih banyak elemen beradab dan ide-ide maju yang dikumpulkan umat manusia ke dalam distribusi konten.

Jalur pelaksanaan teknis:

Pilih data berkualitas lebih tinggi untuk melatih model sehingga model tersebut memiliki nilai

Inti dari Mesin: Saya baru saja mengatakan bahwa saya berharap dapat membuat produk konten yang membantu pengguna mencapai aliran yang lebih baik. Mengapa Anda memulai dengan membuat LLM yang lebih baik?

Li Yan: Kami percaya bahwa LLM adalah simpul yang sangat penting menuju AGI. Model bahasa besar dapat lebih memahami pengguna dan konten, serta mengetahui apa yang dipedulikan, disukai, dan tidak disukai pengguna. Semua minat dan hobi pribadi pengguna dapat diberi token, dan model besar dapat memahaminya dengan sangat baik.

Sistem rekomendasi sebelumnya tidak dapat mencapai tingkat pemahaman ini. Sistem ini hanya dapat memberi label pada pengguna dengan banyak label terpisah dan mencoba mengkarakterisasi dan memahami pengguna melalui ini. Kini, model besar tidak hanya dapat lebih memahami minat pengguna yang ada, namun juga meningkatkan penggalian minat pengguna dan menyimpulkan minat dan hobi implisit pengguna.

Dengan model besar, kita dapat memampatkan korpus kualitas tertinggi di seluruh Internet, memampatkan peradaban manusia yang terdapat dalam teks, menggunakan peradaban ini, dan selanjutnya menerapkan kemampuan ini pada rekomendasi generatif, yang akan memiliki nilai-nilainya, pandangan dunianya, dan dengan demikian a sistem nilai yang direkomendasikan berdimensi lebih tinggi.

Model besar sebenarnya berperan sebagai jembatan, menghubungkan kognisi paling maju ini dengan konsumsi informasi Anda, dan kemudian semakin meningkatkan tingkat konsumsi konten Anda.

Machine Heart: Apakah konten “lanjutan” ini mengacu pada kertas? Apakah mencakup ilmu-ilmu sosial dan ilmu-ilmu alam, atau lebih fokus pada salah satunya?

Li Yan:Model besar akan membaca semua peradaban maju dan informasi yang dikumpulkan manusia di seluruh Internet, dan dapat maju dalam segala aspek.

Inti dari Mesin: Bagaimana model besar menentukan apa yang dimaksud dengan "peradaban maju"?

Li Yan:Faktanya, kita sebagai manusia telah membuat penilaian mengenai hal ini, bukan model besar. Misalnya, makalah, jurnal, dan buku resmi kita yang ditulis oleh para sarjana terkenal tidak ditentukan oleh model besar, namun informasi berkualitas tinggi yang dibuat oleh manusia sendiri. dalam jangka waktu yang lama.

Machine Heart: Nah, apa sebenarnya bagian dari data berkualitas tinggi ini? sumber?

Li Yan: Kami menghargai pengembangan kemampuan model berbasis data. Dalam model kami, kami menggunakan algoritme untuk meningkatkan jumlah data berkualitas tinggi yang tersedia lebih dari satu kali lipat. Selain itu, dalam hal pemilihan data, kami menggunakan lebih banyak buku, teori, dan makalah klasik untuk melatih model besar kami, sehingga model kami memiliki kemampuan untuk memahami pengguna lebih dalam tidak akan membiarkan pengguna tetap berada dalam kesenangan jangka pendek secara membabi buta. Sebaliknya, ada kebahagiaan jangka panjang dengan mengumpulkan informasi berkualitas tinggi.

Machine Heart: Saya baru saja menyebutkan bahwa algoritma rekomendasi generatif dapat meningkatkan pemahaman pengguna. Apakah ada standar kuantitatif untuk membandingkan pemahaman pengguna dengan algoritma rekomendasi yang berbeda?

Li Yan: Karena tujuan yang dicapai oleh perusahaan berbeda berbeda, tujuan pengoptimalannya juga berbeda. Secara umum, ini mungkin berupa durasi, rasio klik-tayang, dan retensi. Karena prinsip teknis dan arah bisnis kami adalah bidang baru, saat ini kami memiliki sistem data internal yang sangat kompleks untuk mengevaluasi masalah ini.

Heart of the Machine: Di LLM, apa keunggulan teknologi Yuanshi saat ini?

Li Yan: Mulai dari hari pertama berdirinya perusahaan, yaitu sekitar April 2023, model besar versi pertama didasarkan pada arsitektur Kementerian Lingkungan Hidup. Pemilihan rute teknis secara keseluruhan di pasar sangat berwawasan ke depan. Dari April 2023 hingga sekarang selama lebih dari satu tahun, model kami telah melakukan iterasi empat versi. Pada banyak set pengujian publik, hasil kami lebih baik dibandingkan banyak model lainnya.

Selain itu, korpus kami yang berkualitas tinggi membuat kualitas jawaban menjadi sangat tinggi, dan model memiliki kemampuan berpikir secara mendalam. Ketiga, kecepatan model besar kami juga sangat kompetitif, dengan latensi yang sangat rendah. Kami telah melakukan pengoptimalan ekstrem dalam pelatihan model dan inferensi, yang sangat mengurangi biaya pelatihan model besar.

Machine Heart: Menurut Anda mengapa MoE adalah jalur yang lebih unggul?

Li Yan: Kami percaya bahwa untuk membuat produk sendiri, kami harus memiliki kemampuan untuk mengintegrasikan tautan yang mendasari model. Di era model besar, efek model lebih baik, yang sering kali berarti parameternya lebih besar. Namun sebagai produk TO C, jika biaya inferensi model tinggi, maka model tersebut tidak akan berfungsi secara komersial. Oleh karena itu, diperlukan sejumlah besar parameter dan biaya inferensi yang rendah sebagai prasyarat kelayakan komersial, pada akhirnya kita hanya dapat memilih KLH. Kami memikirkan masalah ini dengan jelas sejak hari pertama, dan baris kode pertama yang kami tulis adalah MoE.

Inti dari Mesin: Karena Yuanshi diposisikan sebagai perusahaan aplikasi, sudahkah Anda mempertimbangkan untuk menggunakan beberapa model sumber terbuka selama proses penelitian dan pengembangan, yang mungkin lebih ekonomis?

Li Yan:Tujuan kami bukanlah menjadi perusahaan setingkat model, namun alasan mengapa kami masih memilih untuk mengembangkan model besar kami sendiri adalah karena kami percaya bahwa model orang lain tidak memenuhi tujuan kami. Kami adalah produk yang didorong oleh model besar kami sendiri. perusahaan.

Kami belum melakukan upaya apa pun pada model bisnis di level model. Ini terkait dengan pengetahuan pribadi saya. Ada yang mengira model besar adalah air dan listrik, artinya setelah saya membuat model besar yang bagus, Anda tidak perlu melakukannya, dan Anda semua bisa menggunakan kemampuan saya. Namun kami percaya bahwa signifikansi yang lebih besar dari model besar terletak pada kemampuannya untuk melayani pengguna secara ekstrem dan kemampuan berbasis skenarionya. Model ini melayani pengguna dengan lebih baik dalam skenario tetap dan memberikan pengalaman yang sama sekali tidak tersedia sebelumnya.

Selain itu, kemampuan untuk menyempurnakan perubahan terbukti terbatas. Karena kami cukup inovatif dalam melakukan hal ini, kami perlu melakukan perubahan besar pada arsitektur model yang mendasarinya. Kami juga akan menggunakan model yang kami kembangkan sendiri secara internal untuk membandingkan dengan model sumber terbuka. Fakta membuktikan bahwa hasil model yang dikembangkan sendiri secara internal jauh lebih baik daripada model sumber terbuka. Karena model ini sepenuhnya dibuat untuk skenario saya, banyak pekerjaan yang telah dilakukan mulai dari pembuatan data pelatihan hingga desain algoritme.

Machine Heart: Anda juga salah satu penjelajah awal multi-modalitas di Tiongkok.

Li Yan: Saat ini, model teks besar masih menjadi inti dari inti. Ini adalah dasar dari kecerdasan.

nilai produk:

Kemampuan untuk lebih memperhatikan kebutuhan individu pengguna

Inti dari Mesin: Bentuk produk Yuanshi Technology sebenarnya berbeda dari hampir semua produk C-end model besar yang ada di pasaran.

Li Yan: Kami bukan produk yang ditargetkan pada sekelompok orang tertentu, kami menargetkan banyak orang, dan kami bukan komunitas konten vertikal. Kami percaya bahwa dengan peningkatan kemampuan generasi dan distribusi AI, batasan kategori konten masa depan di era AI akan menjadi semakin kabur.

Pada level produk, produk kami saat ini memiliki dua fungsi, yang satu adalah Feed dan yang lainnya adalah Chat. Kami menyebutnya "Tanya Xiaobai". Salah satu aspeknya adalah pengguna dapat menanyakan pertanyaan apa pun dalam hidup mereka. Di sisi lain, Xiaobai "bertanya". Berdasarkan pertanyaan yang diajukan pengguna kepada AI, Xiaobai juga akan mengambil inisiatif untuk peduli terhadap pengguna dan secara aktif mendorong mereka ke pengguna. Namanya Xiaobai, berharap pengguna memiliki rasa aman dan keintiman, meninggalkan AI dingin atau AI kekerasan, serta dapat melakukan kontak dekat dengan pengguna.

Machine Heart: Jadi apakah bisa dipahami sebagai produk konten dengan fungsi AI?

Li Yan:Ya, selain itu, ia juga merupakan teman daring waktu nyata yang memahami preferensi Anda, sebagai pengguna, Anda dapat mengaturnya untuk melakukan sesuatu jika ada yang harus dilakukan sesuatu untuk melihat apa yang dapat membantu Anda.

Heart of the Machine: Apakah semua konten feed stream berasal dari AIGC? Bagaimana cara memastikan kualitas konten ini?

Li Yan: Jika model besar digunakan untuk menghasilkan konten, pertama-tama model tersebut perlu mengetahui jenis konten yang disukai pengguna, lalu menghasilkan dan mengatur konten artikel berkualitas tinggi berdasarkan topik tersebut. Kedua level ini adalah kemampuan pemahaman di satu sisi, dan kemampuan generasi di sisi lain. Melihatnya saat ini, masih banyak ruang untuk perbaikan dalam model kemampuan yang besar dalam kedua aspek tersebut. Ini juga alasan mengapa kami memulai bisnis ini, karena kami yakin bahwa kami memiliki kemampuan untuk meningkatkan masalah ini secara signifikan.

Inti dari Mesin: Produk ini terlihat seperti versi AI dari Zhihu, Xiaohongshu, dan Toutiao. Dibandingkan dengan ini, apa perbedaan dan kelebihannya?

Li Yan: Kami pertama-tama lebih memperhatikan kebutuhan pengguna yang dipersonalisasi. Untuk semua produk yang baru saja Anda bicarakan di generasi sebelumnya, prinsip paling dasar dari sistem rekomendasi mereka adalah pemfilteran kolaboratif. Artinya, jika satu pengguna menyukai A dan B, dan pengguna lain menyukai A dan C, maka B dan C juga serupa. Kemudian kami akan merekomendasikan B dan C kepada Anda masing-masing. Ada masalah yang sangat jelas dengan metode pemfilteran kolaboratif ini, yaitu metode ini selalu merekomendasikan beberapa kategori tulang belakang kepada Anda.

Mengapa? Pasalnya, jika Anda menyukai topik apa pun, kemungkinan besar Anda, seperti orang lain yang menyukai topik tersebut, lebih cenderung menyukai wanita cantik dan pria tampan, dan mereka semua cenderung menyukai hiburan. Jadi sistem pada akhirnya akan menentukan bahwa Anda benar-benar menyukai hiburan dan menyukai pria tampan dan wanita cantik.

Cara ini mempunyai kelebihan, dapat mempercepat waktu pengguna dan terus berkembang. Namun masalahnya adalah ia mengubur kepentingan pribadi dan kepentingan khusus pengguna, sehingga sulit untuk memahami pengguna secara detail.

Dan kami melakukan ini berdasarkan model besar. Pertama-tama, kami berharap dapat menjaga minat pribadi Anda, daripada merekomendasikan pria tampan, wanita cantik, atau konten hiburan kepada Anda. Dalam hal ini, sistem rekomendasi ini bukanlah sistem rekomendasi yang benar-benar dipersonalisasi.

Oleh karena itu, sistem rekomendasi yang cukup cerdas secara teoritis harus mampu memenuhi semua kepentingan pengguna. Baik itu minat umum Anda atau minat khusus yang dipersonalisasi. Sejauh ini belum cukup banyak hal yang dilakukan.

Machine Heart: Mengapa Anda memilih arah ini ketika memulai bisnis, daripada bentuk produk chatbot atau pendamping emosional yang umum saat ini?

Li Yan: Kami percaya bahwa integrasi LLM dengan rekomendasi memiliki peluang untuk menentukan jenis interaksi baru, pengalaman lancar yang tidak memerlukan interaksi "aktif". Saat ini, interaksi jenis obrolan murni masih memiliki ambang batas penggunaan tertentu bagi pengguna, dan pengguna harus secara aktif mengajukan pertanyaan. Sampai batas tertentu, hal ini juga membatasi penetrasi dan penggunaan oleh lebih banyak pengguna. Selain semua produk rekomendasi yang kami gunakan saat ini, meskipun pengguna sering menggunakannya, kami masih melihat pengguna mencopot pemasangannya berulang kali. Berpura-pura berulang kali berarti dia tidak bisa hidup tanpanya, tetapi berulang kali menundanya berarti dia tidak puas 100%. Hal inilah yang membuat kita berpikir bahwa produk yang direkomendasikan sebenarnya masih memiliki peluang yang besar.

Atas dasar ini, kami yakin bahwa latar belakang tim kami sangat cocok untuk melakukan hal ini. Saya pribadi dan tim memiliki pengalaman mendalam dalam pencarian, penelitian AI, dan implementasi produk skala besar.

Machine Heart: Namun, produk berbasis konten saat ini umumnya menghadapi dilema jalur komersialisasi yang tidak jelas dan tidak terlalu berhasil.

Li Yan: Kami masih berada pada tahap di mana kami perlu menunjukkan secara lebih penuh nilai dari pengguna kami. Masuk akal jika membicarakan nilai komersial berdasarkan nilai pengguna yang besar. Banyak produk telah memberikan contoh sukses mengenai kemampuan monetisasi yang kuat dari produk konten bervolume besar, seperti Kuaishou.

Machine Heart: Melihat kembali produknya, apa nilai dari kemampuan menjawab yang lebih baik terhadap produk tersebut?

Li Yan: Saya pikir ada dua. Yang pertama adalah semakin baik jawaban Anda, semakin tinggi tingkat keterikatan pengguna. Dalam hal ini, Anda dapat mengetahui lebih banyak sinyal pengguna dan memahami pengguna dengan lebih baik. Pada akhirnya, sistem dapat menggunakannya untuk membuat konten bagi pengguna yang mereka sukai dan butuhkan. Terus membentuk pengalaman dan siklus data yang positif.

Machine Heart: Berpikir optimis, apa dampak kematangan bertahap algoritma rekomendasi generatif terhadap industri konten? Dalam imajinasi Anda, seperti apa rupa "Tanya Pemula" yang dewasa?

Li Yan:Rekomendasi generatif memberikan vitalitas baru ke dalam jalur konten, sehingga memungkinkan dilakukannya perubahan besar di sektor ini daripada perbaikan yang rumit.

Saat ini, model berukuran besar dan teknologi terkait lainnya mengalami kemajuan pesat, namun terdapat hambatan yang jelas dalam komunikasi antara manusia dan AI. Kita memiliki kemampuan untuk melakukan yang lebih baik dalam kedua aspek tersebut. Tanya Xiaobai, Xiaobai bertanya, kami berharap dapat mempromosikan inklusivitas teknologi AI dan membuat pengguna biasa yang lebih membutuhkan AI merasakan kekuatan AI.