Estruturado, mas demorado.
O áudio não é intuitivo, e os usuários sempre ficam apreensivos antes de decidir ouvir: e se eu não gostar depois de clicar? Embora possam se consolar dizendo que mesmo que não gostem, pelo menos passaram o tempo, as pessoas sempre querem o melhor dos dois mundos - passar o tempo de forma agradável. Caso contrário, perdem tempo e ficam de mau humor, saindo de mãos vazias.
Nesse cenário, a IA se torna uma ótima assistente. Embora o áudio em si não seja intuitivo, ele pode ser convertido em texto, transformando-o em um problema de PLN, permitindo que os grandes modelos de linguagem usem seus pontos fortes para entender o conteúdo, resumir os pontos principais e apresentar o conteúdo de forma intuitiva, ajudando os usuários a filtrar e julgar.
Na verdade, sempre que as condições de "estruturação" + "demorado" forem atendidas, a IA pode entrar em ação. Por exemplo, o WeChat Reading também lançou uma função de IA para perguntar sobre livros, integrada à plataforma. Quando os usuários estão interessados em um conceito ou questão específica, a IA pode vincular a páginas de conteúdo específicas de livros relevantes no WeChat Reading, facilitando a leitura e o aprendizado aprofundados dos usuários. Isso também é uma espécie de pequena pesquisa baseada no próprio ecossistema do WeChat Reading.
No entanto, na tentativa da Amazon, ela vai um passo além, utilizando as capacidades de diálogo dos grandes modelos para fazer recomendações precisas. Uma abordagem semelhante está sendo testada pela plataforma de podcast chinesa Xiaoyuzhou, que lançou a versão beta do "Ask Xiaoyuzhou".
Essa função ainda não está integrada ao lado do cliente do Xiaoyuzhou, mas é uma página da web separada com um estilo de design muito único que imita as antigas páginas da web do navegador, criando um efeito de "embora você tenha obtido ajuda da IA, ainda é melhor abrir o podcast e ouvir em vez de continuar navegando na web".
Em comparação com o conteúdo estruturado, a IA será mais significativa na mineração e integração de conteúdo fragmentado, embora também enfrente mais desafios. Esse é o significado de várias plataformas de conteúdo integrarem sucessivamente a pesquisa de IA em suas plataformas.
O exemplo mais representativo é o Xiaohongshu, que lançou duas funções consecutivas. Há um assistente de IA dedicado chamado "Da Vinci" e um "Sousou Shu" específico para pesquisa.
Fizemos uma avaliação e ambas as funções têm seus pontos fortes e fracos, sendo ainda bastante preliminares no momento. O conteúdo recomendado não pode ser totalmente adotado e os usuários precisam pular para as notas citadas para confirmar e verificar o conteúdo. A característica comum é que ambas estão revitalizando o rico conteúdo de notas no Xiaohongshu.
Para ecossistemas de conteúdo enraizados em ambientes específicos, essa é uma área espinhosa para a pesquisa tradicional. Por um lado, devido à proteção do ecossistema, os mecanismos de busca não conseguem alcançá-lo. Por outro lado, as funções de pesquisa incorporadas geralmente não são boas. Por exemplo, a função de pesquisa avançada do Weibo ainda é baseada em informações básicas como tempo e local, com precisão muito limitada.
Isso ocorre porque as mídias sociais trazem uma grande quantidade de conteúdo, mas é muito fragmentado. Isso oferece mais espaço para a pesquisa de IA se destacar, ao mesmo tempo em que apresenta maiores desafios.
Diferentemente de produtos mais regulares como podcasts e audiolivros, usando o Xiaohongshu como exemplo, o conteúdo dessas plataformas de mídia social é diversificado, incluindo imagens, texto, vídeos e transmissões ao vivo. Além disso, esse conteúdo vem de experiências e sentimentos pessoais, misturado com muitos memes da internet, emojis, etc. - qualquer usuário com velocidade de internet não rápida o suficiente pode não conseguir acompanhar.
Quando os usuários esperam recomendações mais alinhadas com seus gostos atuais, os algoritmos de recomendação existentes geralmente se baseiam na modelagem de interesses de longo prazo do usuário, precisando coletar lentamente dados de preferências e comportamento do usuário para construir um perfil, tendendo a recomendar preferências que o usuário já demonstrou.
Em comparação, a pesquisa de IA é um bom ponto de partida, obtendo feedback através do comportamento de pesquisa do usuário. Especialmente para usuários que frequentemente navegam na internet, geralmente captam apenas vagamente certos tópicos populares.
Atualmente, o interesse do usuário despertado pelo discurso popular é um pouco, mas não muito, e precisa de mais compreensão para ser complementado. Nesse momento, quando o usuário dá proativamente o passo de pesquisar, a pesquisa baseada em grandes modelos de linguagem pode desempenhar melhor seu papel.
A pesquisa é um processo de consulta-resposta, enquanto a recomendação é um processo dinâmico contínuo. A interseção entre os dois está no objetivo de partir das necessidades do usuário e ser mais personalizada. O fardo de "criar bolhas de informação" que os algoritmos de recomendação tradicionais sempre carregaram pode ser melhorado através da pesquisa de IA integrada.