传统的搜索模式有诸多受限，随着互联网的发展进步，带来了AI对话式搜索，这一搜索模式为用户带来了更好的搜索体验，其发展机遇是可见的，但是在未来AI对话将面临什么挑战呢？让我们看看作者的观点。

2022年11月30日：OpenAI发布ChatGPT，短短两个月时间月活过亿 ，预示着大模型时代的来临！

2023年2月8日：微软宣布上线 New Bing 和 Edge浏览器，整合 OpenAI 的 GPT 技术，可以与用户进行对话式搜索、交互聊天。

2023年4月6日：《华尔街日报》报道称，谷歌也计划在其搜索引擎中，添加对话式AI功能。

业界大佬纷纷入局抢占先机，国内大厂也纷纷入场开启“军备竞赛”。

今天小编就带大家粗浅了解下什么是大模型，大模型未来对企业、人们的日常生活到底会有哪些颠覆和影响。各行业又能将LLM大语言模型应用到哪些业务中去。

一、什么是LLM大语言大模型？

LLM=Large Language Model 大语言模型，是一种基于深度学习的自然语言处理模型。它能够学习到自然语言的语法和语义，从而可以生成人类可读的文本。

所谓“语言模型”，就是只用来处理语言文字（或者符号体系）的AI 模型，发现其中的规律，可以根据提示(prompt)，自动生成符合这些规律的内容。

简言之：能够理解输入的文字、语言，并给出相应回答。

典型代表有ChatGPT（OpenAI）、通义千问（阿里）、文心一言（百度)、ChatGLM（清华）、Chatlaw（北大）。

二、大模型训练门槛有多高?

• 需要大量的数据进行训练
• 非常大的参数数量的人工神经网络（数十亿）
• 需要投入大量的机器资源进行优化和调整
• 技术团队的工程实现能力要求非常高

总结下来就是财力及投入意愿、工程能力、技术热情，都有极高的要求，目前市面上能支撑上述要求的机构少之又少。

并且这些模型训练数据来自世界知识，无论是多强大的LLM，能压缩的知识量仍然是有限的。当遇到企业专属知识时，这些模型也很难给出准确答案。

举一个例子，下图中的问题是关于阿里巴巴内部的技术产品，属于企业专属知识，就算是强大的ChatGPT模型给出的答案也是完全错误不相关的。

针对这个问题，OpenAI提出了chatgpt-retrieval-plugin、WebGPT，开源社区提出了DocsGPT、ChatPDF、基于langchain的检索增强chatbot等等一系列解决方案，足以证明业界对如何在个人/企业专属数据上结合LLM需求强烈。

三、传统搜索VS对话式搜索

下面举几个例子给大家直观感受下对话式搜索的的优势：

下面画面常常发生在我们线上购物和机器人客服的对话，答案分散，不能快速抓到用户的搜索意图，用户体验较差。

同理，这也是很多人打银行客服电话还是喜欢转人工处理的原因。

传统搜索引擎的没有目共睹。即时通信已经取代搜索引擎成为移动互联网时代新的核心流量入口。即使是全球市场占有率最高的谷歌搜索，其用户量也面临着被社交网站、短视频APP瓜分的危机。

传统搜索引擎的痛点首先是信息过剩，不能直接召回到用户搜索意图，需要在信息网里自行查找筛选，耗时耗力也不一定找到问题的解。其次信息壁垒。

从PC互联网时代走入移动互联网时代，信息散落到了各个App当中，用户随之流向其内部的搜索。

更快、更准、更丰富，给予用户有建设性、拓展性的答案。将用户获取信息和服务的方式从输入冰冷的关键词转向人机“多轮对话”。

四、对话式搜索在业务中的应用

• 电商：用户答疑、直播选品、售前咨询、售后服务等
• 内容：IT、文娱、专业领域等个性化场景
• 企业知识库：企业内部资料、产品文档、技术资料等
• 教育：知识总结、搜题生成答案

AI对话式搜索在这些场景的应用可以有效提升用户信息获取效率、产品体验、业务转化、用户粘性、用户活跃。有效降低人工成本，运营成本。

目前这些典型场景却无法直接使用ChatGPT等大模型，实际用于到自身业务中去。

首先是数据问题，大模型来自公网数据，无法满足企业业务搜索需要。其次存在安全风险，生成内容不可控，风险较高。

企业需要基于自身数据构建垂直领域问答式搜索。

五、是机遇也是挑战

目前虽然大模型热度高，很多企业也关注到了对话式搜索给业务带来的机遇，但实际能应用起来的还很少。

一是落地难度大，技术能力要求高；二是缺乏场景，除头部客户以外，业务需求还未达到这个层次，处于观望了解阶段。

那如果是创业公司在选择大模型接入时，是选开源还是闭源呢？

各有优势。开源你只需要买TOKEN就好了，再加上 Prompt engineering和向量数据库等。闭源的优势在于，保护数据隐私，并且可以不断用数据填充完善自己的模型。

1）企业自建方案：基于开源大模型，企业自行微调自建。

• 需要使用A100卡或单机多卡支持
• 专业的算法研发人员，数据处理→开发调试→训练模型→模型部署
• 对企业数据质量有要求，否则影响训练效果
• 涉及图文、音视频数据，需要转为向量化数据

2）产品化方案：阿里云OpenSearch LLM问答版端到端方案，可以构建企业专属模型。

• 基于阿里模型+企业自有数据进行模型微调拓展，自动生成Query对应的问答搜索结果，接入门槛较低
• 问答结果基于业务数据搜索生成，保证问答结果稳定性与数据安全性
• 支持图文多模态信息搜索，支持问答结果的人工干预

六、AI对话式搜索行业应用展望

1）助力企业创新能力

LLM可根据大量数据进行预测分析，为企业提供有针对性的战略建议，提供新的创新途径；开展垂直领域或行业子模型的研究，做应用场景和用户数据反哺、调优，实现企业定制化搜索。

2）优化客户支持和服务

智能客服可根据客户输入的问题，提供即时、准确的解答，减轻传统客服压力；对于复杂问题，LLM可为技术支持团队提供问题解决方案，提高问题解决效率。

3）复杂信息提炼，提升信息获取效率

利用LLM数据整合与分析能力，将复杂信息进行要点提炼，观点的归纳整理，节省用户信息获取效率，从而有更多的时间进行深度和系统的思考。

4）低代码应用

通过API融入到产品的标准模块里，更低的开发成本、更少的时间投入，来满足日益增长的客户个性化需求。

本文由 @KKai 原创发布于人人都是产品经理，未经作者许可，禁止转载。

题图来自Unsplash，基于CC0协议。

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。