Estructurado, pero consume tiempo.
El audio no es intuitivo, los usuarios siempre están preocupados antes de decidir escuchar: ¿qué pasa si no me gusta después de abrirlo? Aunque uno puede consolarse pensando que incluso si no le gusta, al menos pasó el tiempo, las personas siempre quieren tenerlo todo: pasar el tiempo y también divertirse, de lo contrario, se pierde tiempo y ánimo, quedando con las manos vacías.
En este escenario, la IA se convierte en una gran ayuda. Aunque el audio en sí no es intuitivo, se puede convertir a texto, transformándolo en un problema de NLP, permitiendo que los modelos de lenguaje grandes muestren sus fortalezas, comprendan el contenido, resuman los puntos clave y presenten el contenido de manera intuitiva, ayudando a los usuarios a filtrar y juzgar.
De hecho, siempre que se cumplan las condiciones de "estructurado" + "consume tiempo", se puede dejar que la IA entre en juego. Por ejemplo, WeChat Reading también ha lanzado la función de preguntas de IA, integrada en la plataforma. Cuando los usuarios están interesados en un concepto o problema, la función de preguntas de IA puede enlazar con páginas específicas de contenido de libros relevantes en WeChat Reading, facilitando a los usuarios la lectura y el aprendizaje en profundidad. Esto también es una especie de pequeña búsqueda basada en el propio ecosistema de WeChat Reading.
Sin embargo, en el intento de Amazon, se utiliza aún más la capacidad de diálogo de los grandes modelos para hacer recomendaciones precisas. Un enfoque similar está siendo probado por la plataforma de podcasts nacional Xiaoyuzhou, que ha lanzado una versión beta de "Preguntar a Xiaoyuzhou".
Esta función actualmente no está integrada en el lado del cliente de Xiaoyuzhou, sino que es una página web separada con un estilo de diseño muy único que imita las páginas web de navegadores antiguos, logrando un efecto de "aunque has obtenido ayuda de la IA, abre el podcast para escuchar y no sigas navegando por internet".
En comparación con el contenido estructurado, la IA será más significativa en la extracción e integración de contenido fragmentado, aunque también enfrenta más desafíos. Este es también el significado de que varias plataformas de contenido integren sucesivamente la búsqueda de IA en sus plataformas.
El más representativo es Xiaohongshu, que ha lanzado dos funciones consecutivas. Tiene un asistente de IA dedicado llamado "Da Vinci" y "Sousoushu" específico para búsquedas.
Hemos realizado evaluaciones, y ambas funciones tienen sus propias fortalezas y debilidades, actualmente todavía son bastante preliminares, y el contenido recomendado no se puede adoptar completamente, requiriendo que los usuarios salten a las notas citadas para confirmar y verificar el contenido. Una característica común es que ambas están revitalizando el rico contenido de notas en Xiaohongshu.
Para los ecosistemas de contenido arraigados en entornos específicos, es un área problemática para la búsqueda tradicional. Por un lado, debido a la protección del ecosistema, los motores de búsqueda no pueden alcanzarlo. Por otro lado, las funciones de búsqueda incorporadas generalmente no son fáciles de usar. Por ejemplo, la función de búsqueda avanzada de Weibo todavía se basa en información básica como tiempo y lugar, con una precisión muy limitada.
Esto se debe a que las redes sociales traen una gran cantidad de contenido, pero es muy fragmentado. Esto proporciona más espacio para que la búsqueda de IA se desarrolle, al mismo tiempo que plantea mayores desafíos.
A diferencia de los productos de podcasts y audiolibros más regulares, tomando Xiaohongshu como ejemplo, el contenido en estas plataformas de redes sociales es diverso, incluyendo imágenes, texto, videos y transmisiones en vivo. Además, este contenido proviene de experiencias y sentimientos personales, mezclado con una gran cantidad de memes de internet, paquetes de emojis, etc. - cualquier usuario con una velocidad de internet no lo suficientemente rápida puede tener dificultades para mantenerse al día.
Cuando los usuarios esperan recomendaciones más acordes con los gustos actuales, los algoritmos de recomendación existentes, generalmente basados en el modelado de intereses a largo plazo del usuario, necesitan recopilar lentamente datos de preferencias y comportamiento del usuario para construir un perfil, tendiendo a recomendar preferencias que el usuario ya ha mostrado.
En comparación, la búsqueda de IA es un buen punto de partida, obteniendo retroalimentación a través del comportamiento de búsqueda del usuario. Especialmente, los usuarios que navegan frecuentemente por internet generalmente solo captan vagamente ciertos puntos calientes.
En la actualidad, el interés del usuario despertado por el lenguaje popular es un poco, pero no mucho, y se necesita más comprensión para complementarlo. En este momento, cuando el usuario da activamente el paso de buscar, la búsqueda basada en grandes modelos de lenguaje puede desempeñar un mejor papel.
La búsqueda es un proceso de consulta-respuesta, mientras que la recomendación es un proceso dinámico continuo, y la intersección entre ambos es que tienen el objetivo de partir de las necesidades del usuario y ser más personalizados. La carga de "crear cámaras de eco de información" que los algoritmos de recomendación tradicionales han estado llevando, quizás pueda mejorarse a través de la búsqueda de IA integrada.