Exklusives Gespräch mit Li Yan: Gefördert von Suhua, Jingwei und Redpoint, dem ersten „Generative Recommendation“-KI-Pionier |

^{Der Mensch leitet ein explosives Update auf dem Gebiet der künstlichen Intelligenz ein. Jeder Schritt der Technologieexpansion ins Unbekannte zieht geradezu erstaunliche Aufmerksamkeit auf sich.}

^{Im Prozess der Erweiterung der Grenzen der künstlichen Intelligenz koexistieren Innovationen und Unterschiede in den technischen Routen auf wichtigen Strecken. Das Urteilsvermögen und die Entscheidungen von Technologiepionieren beeinflussen die Fußstapfen vieler Anhänger.}

^{Im vergangenen Jahr hat diese Website ausschließlich die Führung übernommen und allen herausragende Unternehmen wie Dark Side of the Moon, Shengshu Technology, Aishi Technology und Wuwen Core Dome vorgestellt und ihnen die ersten „zehntausend Worte“ hinterlassen „ in der Internetwelt. Interviewprotokoll.“ 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 starten wir die Kolumne „KI-Pioniere“, 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 Start-ups im Bereich KI vorzustellen ​verfolgen und teilen Sie verfügen über das modernste und ausgeprägteste Wissen auf dem Gebiet der KI.}

^{Autor: Jiang Jingling}

^{Diese Seite berichtet}

Nachdem „Li Yan“ Kuaishou verlassen hatte, um ein Unternehmen zu gründen, erhielt er stillschweigend eine Startfinanzierungsrunde 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 Teams „multimodal, suchen, empfehlen“ zu integrieren dieser drei Kerntechnologie-Stacks.

Seit Li Yan jedoch offiziell bestätigt hat, dass er Anfang 2023 sein eigenes Unternehmen gegründet hat, ist er seit mehr als einem Jahr fast verschwunden.

Im vergangenen Jahr haben wir viele 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)“ 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.

In diesem exklusiven Interview fiel die Wahl von Li Yan unerwarteterweise nicht auf ein reines Modellunternehmen, noch ging er überhaupt vom multimodalen Aspekt aus.

Im Produkt „Ask Xiaobai“ können Nutzer im „Feed“ bereits beim Öffnen des Bildschirms AIGC-Inhalte sehen, die von KI personalisiert auf der Grundlage von Nutzerinteressen generiert wurden, und können jederzeit die „Chat“-Funktion nutzen Die Interaktion mit KI-basierten Inhalten ist interaktiver.

Es ist verständlich, dass es sich 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 Forschungsgebiet der Spitzentechnologie, und bisher haben nur Meta und CMU einige Implementierungsergebnisse. Er sagte mir, dass generative Empfehlungsalgorithmen im Vergleich zu früheren Empfehlungsalgorithmen nicht mehr auf Empfehlungssystemen mit kollaborativer Filterung basieren und Empfehlungen intelligenter 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.

Das Team von Li Yan ist derzeit in China das erste Startup-Unternehmen, das den LLM-gesteuerten generativen Empfehlungsalgorithmus als Kern seiner Produkt- und Entwicklungsrichtung verwendet.

Ein Investor von Yuanshi glaubt, dass die Optimierung von Kosten und Effizienz, die dieser neue Technologiemotor für die Content-Branche mit sich bringt, im Wesentlichen mit dem Erfolgspfad von Toutiao übereinstimmt. Auf dem Weg zur Entwicklung generativer Empfehlungsalgorithmusprodukte: „Wir sehen, dass das einzige Team mit drei Hintergründen: Multimodalität, Suche und Empfehlung Li Yan ist.“

Vision: Einen höherdimensionalen Empfehlungsalgorithmus erstellen

Diese Seite: Lassen Sie uns zunächst vorstellen, was Yuanshi Technology zu tun hofft. ?

Li Yan: Wir hoffen, Benutzern durch technologische Innovation und das Sammeln von Informationen dabei zu helfen, in einen Flow-Zustand zu gelangen und geistige Müdigkeit zu bekämpfen. (Aus der „Flow“-Theorie von Mihaly Csikszentmihalyi)

Diese Seite: Sie ist etwas abstrakt, können Sie das näher erläutern?

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

Zum Beispiel sehen Sie im aktuellen WAIC möglicherweise überwältigende Berichte, aber jeder Bericht enthält nur wenige Wörter, aber Sie können nicht die Informationen erhalten, die Sie wirklich interessieren Angst.

Wir verstehen, dass dies eine Art „geistige Entropie“ ist. Dieses Konzept wurde von dem Psychologen Mihaly Csikszentmihalyi vorgeschlagen und es entspricht sehr genau dem, was wir tun wollen. Unser Ziel ist es, 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.

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

Li Yan: Es gibt hier ein Konzept des „Flows“. Das bedeutet, dass Menschen nur dann in den Flow-Zustand gelangen, wenn sie die Informationen sehen, die sie wirklich sehen möchten anstatt viele Dinge zu sehen, die nichts mit dir zu tun haben oder die dich nicht interessieren.

Dies ist auch ein Ergebnis psychologischer Forschung: Eltern bitten ihre Kinder, Hausaufgaben zu machen, obwohl dies letztendlich passiv ist er möchte etwas tun, 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.

Diese Seite: 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: Es gibt einen Unterschied. Wenn wir zehn Jahre später, im Jahr 2034, das heutige Empfehlungssystem inklusive der Produkte und der Technologie dahinter betrachten, ist es tatsächlich sehr rückständig. Was das aktuelle Produkt leistet, ist tatsächlich nicht in einem perfekten Zustand.

Diese Seite: Wie versteht man das aktuelle Niveau und das „bessere“ Niveau?

Li Yan: Die aktuelle Informationsverteilung ähnelt eher der instinktiven Reaktion primitiver Menschen. 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 zu viel in die Tiefe gedacht. Das Ziel unserer Produkte besteht nicht darin, die instinktive Reaktion des Benutzers zu erfreuen, sondern sie mit höherer Weisheit, Sorgfalt und Liebe zu empfehlen.

Diese Seite: Das klingt nach einer höheren ästhetischen Dimension, ein bisschen wie „Benutzer aufklären“.

Li Yan: Um genau zu sein, es ist keine 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 Implementierungspfad: Wählen Sie Daten höherer Qualität, um das Modell zu trainieren, damit das Modell Werte hat

Diese Seite: Ich habe gerade gesagt, dass ich hoffe, Inhalte zu erstellen, die helfen Benutzer erreichen einen besseren Produktfluss. Warum beginnen Sie mit der Entwicklung eines besseren LLM?

Li Yan:Wir glauben, dass LLM ein sehr wichtiger Knotenpunkt ist, der zu AGI führt. 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 konnte diesen Grad an Verständnis nicht erreichen. Es konnte den Benutzer nur mit vielen diskreten Etiketten kennzeichnen und damit versuchen, den Benutzer 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 und die im Text enthaltene menschliche Zivilisation komprimieren, wodurch diese Zivilisationen genutzt und diese Fähigkeiten weiter auf generative Empfehlungen angewendet werden ​​und Weltanschauung und verfügen somit über ein höherdimensionales Werteempfehlungssystem.

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

Diese Seite: Beziehen sich diese „fortgeschrittenen“ Inhalte auf Aufsätze? 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.

Diese Seite: Wie bestimmt das große Modell, was „fortgeschrittene Zivilisation“ ist?

Li Yan: Tatsächlich haben wir Menschen zu diesem Thema bereits Urteile gefällt, und nicht etwa unsere maßgeblichen Aufsätze und Zeitschriften sowie Bücher von bekannten Wissenschaftlern Dabei handelt es sich nicht um große Modelldefinitionen, sondern um qualitativ hochwertige Informationen, die der Mensch über einen langen Zeitraum selbst erstellt hat.

Diese Seite: Was genau ist dieser Teil hochwertiger Daten? Quelle?

Li Yan: Wir legen Wert auf die Konstruktion datengesteuerter Modellfunktionen. 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.

Diese Seite: Ich habe gerade erwähnt, dass der generative Empfehlungsalgorithmus das Verständnis der Benutzer verbessern kann. Gibt es einen quantitativen Standard, um das Verständnis der Benutzer durch verschiedene Empfehlungsalgorithmen zu vergleichen?

Li Yan:Da verschiedene Unternehmen unterschiedliche Ziele verfolgen, 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.

Diese Seite: Was sind die aktuellen technischen Vorteile von Yuanshi bei LLM?

Li Yan:Ab dem ersten Tag der Firmengründung, 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 dafür, dass die Qualität der Antworten sehr hoch ist und das Modell die Fähigkeit besitzt, tief zu denken. 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.

Diese Seite: Warum ist MoE Ihrer Meinung nach der bessere Weg?

Li Yan: Wir glauben, dass wir zur Herstellung unserer eigenen Produkte die Fähigkeit benötigen, die zugrunde liegenden Verknüpfungen des Modells zu integrieren, was oft der Fall ist bedeutet, dass die Anzahl der Parameter größer ist. Wenn jedoch die Kosten für die Modellinferenz hoch sind, funktioniert es als A-zu-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.

Diese Seite: 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, selbst große Modelle zu entwickeln, ist, dass wir denken, dass die Modelle anderer Leute unseren Zielen nicht dienen. Ja, wir sind ein Produktunternehmen, das von unserem eigenen großen Modell angetrieben wird.

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 bessere Dienste in einem festen Szenario und bietet ein Erlebnis, das zuvor völlig unerreichbar war.

Außerdem stellt sich heraus, dass die Möglichkeiten zur Feinabstimmung von Änderungen begrenzt sind. 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.

Diese Seite: Sie sind auch einer der ersten Entdecker 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: Kann den personalisierten Bedürfnissen der Benutzer mehr Aufmerksamkeit schenken

Diese Seite: Die Produktform von Yuanshi Technology unterscheidet sich tatsächlich von fast allen großen C-End-Modellen Produkte 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 an 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 die Benutzer zu kümmern und sie aktiv an die 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.

Diese Seite: Kann man sie also als Content-Produkt mit KI-Funktionen verstehen?

Li Yan: Ja, außerdem ist es auch ein Echtzeit-Online-Freund, der Ihre Vorlieben versteht. Als Benutzer können Sie ihn veranlassen, etwas zu tun, wenn Sie etwas zu tun haben. und es kann Sie beobachten und sehen, ob Sie nichts zu tun haben, um etwas zu tun, das Ihnen helfen kann.

Diese Seite: Sind alle Inhalte des Feed-Streams von AIGC? Wie kann die Qualität dieser Inhalte sichergestellt werden?

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

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

Li Yan: Zuallererst legen wir mehr Wert auf die personalisierten Bedürfnisse der Benutzer. 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 auch andere Menschen, die dieses Thema mögen, eher schöne Frauen und gutaussehende Männer 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, um weiter zu wachsen. Das Problem besteht jedoch darin, dass die persönlichen Interessen und Nischeninteressen der Benutzer untergraben werden, was es schwierig macht, die Benutzer im Detail zu verstehen.

Und das machen 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.

Ein Empfehlungssystem, das intelligent genug ist, sollte also theoretisch in der Lage sein, alle Interessen der Benutzer zu berücksichtigen. Egal, ob es sich um Ihre allgemeinen Interessen oder um personalisierte Nischeninteressen handelt. Bisher wurde nicht genug getan.

Diese Seite: Warum haben Sie bei der Unternehmensgründung diese Richtung gewählt, statt der derzeit üblichen Produktform Chatbot oder emotionale Begleitung?

Li Yan:Wir glauben, dass die LLM-Integration mit Empfehlungen die Möglichkeit bietet, eine neue Art der Interaktion zu definieren, ein reibungsloses Erlebnis, das keine „aktive“ Interaktion erfordert. Derzeit gelten für reine 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.

Diese Seite: Inhaltsbasierte Produkte stehen derzeit jedoch grundsätzlich vor dem Dilemma unklarer Vermarktungswege und sind nicht sehr erfolgreich. Was denken Sie darüber?

Li Yan: Wir sind immer noch in der Phase, in der wir den Wert unserer Nutzer umfassender demonstrieren wollen. 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.

Diese Seite: Zurück zum Produkt: Welchen Wert hat eine bessere 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 erkennen 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.

Diese Seite: Welche Auswirkungen könnte die allmähliche Reife generativer Empfehlungsalgorithmen bei optimistischer Betrachtung auf die Content-Branche haben? Wie könnte in Ihrer Vorstellung ein reifer „Ask Novice“ aussehen?

Li Yan: Generative Empfehlungen verleihen dem Content-Track neue Vitalität und ermöglichen es, in diesem Bereich große Veränderungen vorzunehmen, anstatt aufwändige Verbesserungen.

Derzeit machen große Modelle und andere verwandte Technologien sprunghafte Fortschritte, aber es gibt einen offensichtlichen Engpass in der Mensch-KI-Kommunikation. 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.

Das obige ist der detaillierte Inhalt vonExklusives Gespräch mit Li Yan: Gefördert von Suhua, Jingwei und Redpoint, dem ersten „Generative Recommendation“-KI-Pionier |. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!