
苹果公司近期正加大搜索机器人的活跃度,范围几乎覆盖到互联网的各个角落。搜索机器人是一类网站扫描工具,负责对网站进行排名与索引,帮助用户快速获取搜索结果。事实上,我们今天在搜索引擎上查找内容时,显示的结果都有一定的排列次序,其中与查询需求最相符的结果将被显示在最前列。
这一动态不禁让人联想到英国竞争委员会发布的指令。该委员会认为苹果与谷歌之间价值数十亿美元的“蜜月协定”(sweetheart deal)有失公允,即将谷歌设定为苹果iOS设备上的默认搜索引擎。如今,不少人猜测苹果可能很快会推出自己的搜索引擎。
早在苹果进军搜索引擎的11年之前,微软就凭借自家Bing率先做出尝试,这也是迄今为止唯一能与谷歌过上几招的竞争对手。尽管微软公关团队宣称,Bing业务并没能获得显著的商业成功;事实上,与谷歌无处不在的搜索服务相比,Bing在收益表现与市场份额方面显得非常苍白无力。我的一位同事甚至每学期都会在剑桥大学的MBA班上将Bing作为反面案例,提醒大家不要贸然向已经根深蒂固的优势平台发起挑战。但与微软Bing的不同之处在于,苹果有着自己的业务运营思路,也确实有可能闯出一条属于自己的发展道路。
颠覆市场参与规则
微软当初推出Bing时犯下的最大错误,就是继续遵循谷歌所采取的广告收益商业模式。在这种商业模式中,搜索引擎除了显示用户们需要的内容之外,还会显示他们可能感兴趣的相关广告。为了帮助企业盈利,搜索服务提供方首先需要具备足够大的用户搜索量,其次需要吸引到愿意承包广告位的广告商,最后才是之前提到的、使用搜索机器人扫描数百万网站。只有将这三大因素融合起来,才能在为用户提供有用搜索结果的同时,将用户与适当的广告内容匹配起来。
很明显,谷歌公司更善于将合适的广告内容与正确的受众群体匹配起来,因此获得的回报就更高。搜索次数越多,结果的准确性就越高;准确性越高,广告定位就越有效。Bing虽然也意识到了这样一种良性循环,但却从未在规模上达到能够与谷歌相比肩的高度。
如果之前关于苹果的商业模式属实,那么他们的搜索引擎将走上一条完全不同的发展道路。苹果近年来始终高度强调用户隐私,具体案例包括但不限于拒绝向联邦调查局(FBI)提供设备解锁服务。作为这一基本思路的延续,苹果很可能决定不通过广告发布来赚钱。相反,他们可以直接把这部分利润纳入设备定价以及订阅服务当中,让注重隐私的用户花钱换个安心。也正因为走的根本不是同一条路,所以苹果与谷歌之间也就没那么多直接对抗。
“好产品”谬误
事实上,决定一款产品命运的,从来就不单纯是产品本身“好不好”。Bing刚刚推出时,就包含不少谷歌当时并不具备的功能,包括搜索结果“悬停预览”,以及针对旅行、购物、本地企业及健康等搜索内容的特殊化呈现。就搜索结果质量而言,微软宣称Bing完全能够达到甚至超过谷歌引擎。而尽管Bing具有明显的产品优势,但其一天也没能在市场竞争中超越谷歌。
在这方面,苹果再一次站在了有利位置,因为其并不需要与谷歌彻底割裂开来。实际上,谷歌的搜索结果只要“过得去”就足以被用户们所接纳。这一事实从2012年苹果推出自家地图应用时就得到了证明。尽管该应用在地理覆盖能力方面饱受诟病,但仍在不到一年时间里就征服了全英60%的iPhone用户。苹果音乐也是如此,虽然Spotify连续9年一骑绝尘,但苹果音乐仍迅速成为全球第二大流媒体音乐播放软件。
颠覆下的副作用
随着最新一代iOS 14的更新,苹果已经开始使用自家搜索引擎替代谷歌搜索结果。而大多数iOS用户几乎完全没有注意到这一变化。当然,这招釜底抽薪也带来了一些挑战。
默认使用自家搜索引擎来替代谷歌引擎,会导致苹果很快受到各类市场竞争委员会的垄断行为指控。此外,苹果的介入也可能令整个互联网广告行业感到坐立不安。苹果的客户群体之所以如此重要,是因为其平均购买力水平确实比安卓机更高。而通过帮助这部分客户避开广告宣传,苹果很可能给整个广告行业带来结构性的冲击。
谷歌在互联网搜索领域的统治地位当然不会随着苹果的介入而终结,但随着消费者们对于个人隐私关注度的日益提升,谷歌地位势必有所下降。鉴于谷歌与苹果在商业模式层面的巨大差异,搜索巨头可能不得不探索如何渗透进苹果的搜索引擎当中,而非一味与之对抗。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。