به گزارش ساوت چاینا مورنینگ پست، پژوهشگران علی‌بابا روشی نوین به نام ZeroSearch را معرفی کرده‌اند که توانایی مدل‌های هوش مصنوعی در حوزه جست‌وجو را از طریق شبیه‌سازی ارتقا می‌دهد، بدون آنکه نیازی به تعامل مستقیم با موتورهای جست‌وجوی واقعی باشد.
روش ZeroSearch با حذف نیاز به ارسال پرس‌وجو به موتورهای جست‌وجوی تجاری (که معمولاً هزینه‌بر هستند)، می‌تواند هزینه‌ها را به‌طور چشمگیری کاهش دهد. این سیستم به مدل‌های هوش مصنوعی که پیش‌تر بر مبنای پایگاه‌های دانش گسترده آموزش دیده‌اند، اجازه می‌دهد بدون تکیه بر جست‌وجوی زنده در اینترنت پاسخ‌هایی با کیفیت تولید کنند.
در واقع، این روش مدل مرجعی را به یک موتور جست‌وجو تبدیل می‌کند که می‌تواند سایر سیستم‌های هوش مصنوعی را در پاسخ‌گویی به پرسش‌ها آموزش دهد. با این کار، وابستگی به زیرساخت‌های جست‌وجوی خارجی و پرهزینه کاهش یافته و آموزش مدل‌های جست‌وجو برای تیم‌های کوچک‌تر با منابع محدود نیز قابل‌دسترس‌تر می‌شود.
برای مثال، ارسال ۶۴ هزار پرس‌وجو به گوگل از طریق API (رابط برنامه‌نویسی کاربردی) حدود ۵۸۶.۷۰ دلار هزینه دارد، در حالی که استفاده از یک مدل هوش مصنوعی با ۱۴ میلیارد پارامتر برای تولید پاسخ، تنها ۷۰.۸۰ دلار هزینه خواهد داشت.
این نوآوری می‌تواند توانایی‌های جست‌وجوی هوش مصنوعی را بهبود دهد؛ قابلیتی که برای ارتقای استدلال و تولید محتوا در مدل‌های هوش مصنوعی حیاتی است.
قابلیت جدید که «جست‌وجوی عمیق» نام دارد، توانایی‌های استدلالی مدل‌های Qwen علی‌بابا را با جست‌وجوی آنلاین تلفیق می‌کند تا پاسخ‌های دقیق‌تری به پرس‌وجوهای پیچیده ارائه دهد. تیم Quark اعلام کرده این قابلیت هم‌اکنون روی پلتفرم‌های مختلف، از جمله دستگاه‌های موبایل و رایانه‌های شخصی، در دسترس است.
سایر شرکت‌های چینی نیز در زمینه فناوری جست‌وجوی هوش مصنوعی پیشرفت‌هایی داشته‌اند. غول جست‌وجوی اینترنتی بیدو اخیراً مدل استدلالی R1 از استارت‌آپ دیپ‌سیک را در موتور جست‌وجوی خود ادغام کرده و پاسخ‌هایی خلاصه‌شده به پرس‌وجوهای کاربران ارائه می‌دهد.
همچنین، شرکت دیپ‌سیک و استارت‌آپ مون‌شات، قابلیت جست‌وجوی بلادرنگ (real-time search) را به چت‌بات‌های خود افزوده‌اند تا پاسخ‌هایی دقیق‌تر و به‌روزتر ارائه دهند.
منبع: scmp
