本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
大模型引领的AI 2.0，远比想象来得更加猛烈。
尤其是被认为最先被颠覆的搜索引擎领域，产学研界都蠢蠢欲动，对可预见的趋势展开激辩。
没有了用户点击，内容提供商/广告该怎么办？未来将靠什么来赚钱？
对话即入口的交互方式，操作系统是不是就无需存在了？
传统的智能推荐和搜索，又该往何处去？
……
带着这些问题，CCF CTO Club最新一期CCF C³来到了小红书，数位在推荐、搜索领域深耕多年的技术专家，聚焦于当下信息分发、推荐搜索等热议话题，进行了分享和探讨。
最终共吸引16000+人在线观看，直播数据创历史新高。接下来就带你来一文看尽~
大模型带来真正的个性化体验
ChatGPT会取代搜索引擎吗？这个最先叩响的产业问题，也在会上进行了深入的探讨。
他们都对ChatGPT乃至大模型采取积极拥抱、但同样谨慎审视的姿态。这其中最常提及的一个关键词，就是个性化。
天津大学教授郝建业表示，传统的推荐系统基于有限的用户数据，通过过拟合的方式进行相似内容的分发，但其实无法真正了解用户的心智变化。而有了大模型加持，能更好地理解用户，带来真正的智能化、个性化和人性化的体验。
具体提及到的一个重要价值，小红书社区技术负责人夏侯谈到了对于搜索中长尾问题的应用。
传统的通用搜索中长尾信息不足，这种情况下ChatGPT可以自动生产内容补充，以满足更多个性化需求。正如New Bing中制定菜谱、旅行计划等。
事实上，这恰好与小红书的搜索方式不谋而合。更多通用搜索不能解决的长尾问题，在小红书上都能找到答案。基于此，也构成了小红书不同于其他搜索的本质区别。
小红书技术副总裁风笛在现场分享了他们背后推荐系统的技术创新与实践，可谓是满满干货。
据透露，目前小红书app内搜索用户进入率行业第二。产品形式主要是最上边的搜索框以及下边的信息流。内容形态包括图文、视频、直播、商品等多元的内容。对应的机遇与挑战主要来自四个方面：
多模异构内容推荐、去中心化分发、兴趣多样性和人群破圈、成本控制。
首先围绕场景特点，包括多模异构内容以及双列的产品形态。风笛坦言，双列的方式并非是一个高效的产品形态，是因为给到用户可选择的权利才坚持到现在。
但推荐或搜索本质上是高效的信息分发和信息匹配。小红书又是如何解的呢？
实际设计上主要包括三个方面：从多元异构价值对齐公式到模型融合的转变；流量分配测，从PID到在线流量匹配；重排侧，则主要是Whole Page重排。
具体到多模态内容理解这一方面，传统人工定义的层次化标签，无法完整刻画图文和视频内容。
风笛透露，他们技术团队基于10亿量级的图文、视频笔记进行多模态预训练，随后运用到推荐系统中，获得内容的向量化表征。未来将打通内容表征和行为表征，两域联合建模。
另一个公认的技术挑战来自新内容冷启——新内容行为稀疏，行为表征学习不充分。他们一直在实时推荐上实现了分钟级别的更新。
与此同时，在多目标融合这块，替换掉传统人工排序公式，通过AutoML领域的ES算法来寻找到最优的个性化融合参数。
在兴趣多样性方面，风笛表示会设置各种指数遗忘策略，对用户的实时兴趣做降权，来平衡用户的长短期兴趣。
除此之外，还分享了用户增长以及成本控制、算力优化等方面的技术实践，以及留下两个问题探讨：
如何做高效的兴趣检索？以及如何做留存建模？
搜推系统将往何处去？
事实上，整个工业界也都面临着这两个难题，而且随着ChatGPT时代的到来，挑战也更加艰巨。
人机对话将更加频繁，在实际业务场景中，如何在亿级商品中抽取用户感兴趣的候选商品？搜推系统的召回阶段就非常关键，直接决定了后续精排阶段的成功与否。
形象地来说，召回决定了精排阶段的巧妇会不会面临无米之炊。
武汉大学李晨亮教授回溯了近几年搜推系统召回阶段的主要进展和主流方法，并探讨了未来的前沿趋势。
他谈到，当前召回的主要目标，就是在保证低时延的情况下，更大地利用好用户的场景信息和他的历史行为数据。随后重点谈到了自深度学习兴起，召回逐步经历了表示学习、交互式学习两种方法。
以表示学习为例，主要有四个研究方向：双塔模型/深度网络模型、多兴趣建模、长尾数据处理、外部数据丰富场景语义，以此提炼商品和用户的表征，识别用户需求。
而在这两年兴起的交互式学习方面，李晨亮教授分享了他们目前的做法，简言之就是在商品侧和产品侧做交互式学习来分别提升他们的表征，进而来优化计算、降低开销。
未来，低时延依旧是一个无法逾越的障碍，召回也将来到大模型Cover一切场景或任务，也就是多场景、多任务学习的一种趋势。
用户大模型可破之？
在主题报告分享结束后，来自中国人民大学教授徐君、天津大学教授郝建业、中科院副研究员敖翔、汇量科技首席人工智能官朱小强、小红书社区技术负责人夏侯全面展望了智能推荐和搜索的未来。
首先论及的，就是大模型、AIGC的爆发带来的机遇和挑战。
搜索研究方向的徐君教授结合New Bing的例子谈到大模型改变传统互联网的搜索习惯和广告盈利模式。
以往是以点击网页排序的方式进入到内容提供商的网页。网站可以依靠广告来维持他们的运营。未来用户不愿点击，搜索引擎不能为网站引流，他们将靠什么活下去？
敖翔则表示偏乐观的态度，他提出要积极拥抱新工具，一方面不要完全相信模型给出的结果，需要根据不同场景进行评估，另一方面要多思考如何利用大模型，实现更多的价值。
来自工业界的朱小强持短期保守、长期激进的态度。短期内，大语言模型为企业提供私有数据之外的常识；而从长期来看，当人们获取信息方式发生变化，信息分发技术会迎来新的冲击，原有的推荐形态和模型可能需要重新构建，这是一把悬在我们头上的剑。
夏侯提出未来3至5年面临的挑战：传统的搜索和推荐都是基于用户点击触发的行为模式。过去单纯以用户点击而驱动的算法分发模式，正走向用户行为+内容理解双轮并驱的分发模式，能否真正实现搜推一体化，更好地提升用户行为效率呢？
既然趋势已定，智能推荐和搜索引擎又该往何处去呢？
敖翔与郝建业教授都谈到了用户大模型的趋势。
敖翔表示不管是做什么应用，归根结底都是在做用户画像。
能不能做一些使用者的基础大模型，理解用户行为，把用户很多数据拿出来做分析，然后去做更精准的画像。这是下一阶段应该考虑的。
郝建业教授则是谈及RLHF（基于人类反馈的强化学习）对推荐系统的启发。
他谈到，以往因为数据的片面和有限，导致用户奖励函数也就是兴趣建模非常不准。
现在一方面，可从跨场景用户的联合建模这个角度来思考；另一方面，基于用户长期兴趣建模。将不同场景数据真正融合起来，去训练一个推荐领域的用户奖励函数大模型，但这就要求企业各部门数据的打通以及数据的高质量。
最后，针对这段时间高密度的技术爆发，每位专家都对未来的智能推荐进行了展望。
夏侯表示如果ChatGPT代表的是一种未来的操作系统，那么推荐有可能变成一种底层操作系统的基本能力，就像今天的文档打开或存储一样，将会反映在生活的方方面面，而非现在某个APP的几个页面。
朱小强和郝建业都谈到了交互方式的改变。
朱小强则谈到了交互方式的重构，一切服务都会以新的入口的方式呈现。正如当年搜索引擎诞生，围绕在旁的是“是能力还是入口”这一思考。
此外，他还谈到现在都在说ChatGPT代表着操作系统，如果更激进一点的看法可能远远不止这样，我们为什么还需要操作系统呢？
敖翔也认同“入口”这一观点，他感叹既然观点就这么趋同了，那就得自我革命了——看准了直接往里杀，别犹豫。
郝建业则表示，以往大家习惯于用鼠标和键盘，现在变成触屏，未来这些东西可能都不复存在。
徐君教授则朝着更多领域方向展开想象。以往人工智能都是从其他行业“薅羊毛”借鉴灵感，现在是否有可能朝着反向输出，比如帮助了解大脑，真正变成一件科学的事情。
