智东西（公众号：zhidxcom）
作者 | 陈骏达
编辑 | 云鹏
智东西10月26日报道，生成(cheng)式AI技术正在(zai)加速渗透至搜索(suo)、推(tui)荐和广(guang)告(gao)领域，昨(zuo)日，快(kuai)手在(zai)一场技术沙龙活动(dong)中(zhong)全方位解读了生成(cheng)式技术在(zai)快(kuai)手推(tui)荐系统、电商搜索(suo)、广(guang)告(gao)出价场景中(zhong)的(de)实践与(yu)应用。
这场技术(shu)沙龙集(ji)齐了快(kuai)手在推(tui)荐、搜索(suo)、广告三(san)大(da)领域（简称“搜推(tui)广”）的四位负责人，以及(ji)来自中国人民大(da)学、香港城市(shi)大(da)学的学术(shu)专家(jia)，共同探讨生成式框(kuang)架在搜推(tui)广领域的潜力。
快手已(yi)经将(jiang)生成式技术全(quan)面(mian)运用(yong)于(yu)搜推(tui)(tui)(tui)广系统。推(tui)(tui)(tui)荐系统方面(mian)，快手的(de)OneRec实(shi)现(xian)了从传统判别(bie)式到生成式的(de)全(quan)面(mian)跃迁(qian)，具备推(tui)(tui)(tui)理与思考能(neng)力，已(yi)在主站、电(dian)商、极速(su)版(ban)等(deng)场景落地；短视频推(tui)(tui)(tui)荐排序(xu)框架通过(guo)端(duan)(duan)到端(duan)(duan)多目标(biao)融合与对比学习，实(shi)现(xian)了用(yong)户体验的(de)智能(neng)自进(jin)化。
搜(sou)索(suo)领域的(de)OneSearch以(yi)生(sheng)成式大模型取代“召回—粗排—精(jing)排”架构(gou)，显著(zhu)提升(sheng)CTR、CVR和(he)订(ding)单量；广告出(chu)价环(huan)节则引入生(sheng)成式强化学习，通过GAVE与CBD范式实现高效、低延迟、全空间优化的(de)自动出(chu)价。
圆桌对话环节中，来自学术界的(de)徐君教授与(yu)赵翔宇副教授认为，生成式范式虽面(mian)临挑战，但(dan)其“将(jiang)搜索(suo)与(yu)推(tui)荐从行为预测转向意(yi)图理解”的(de)根本性创新(xin)，正在改(gai)变整(zheng)个行业(ye)的(de)技术逻辑。
徐君指出，“伪范式”的批评(ping)并不成立(li)，因为快手等(deng)公(gong)司已在(zai)真实商业(ye)场景中验证了其价值。赵翔宇补充(chong)道，大模型凭(ping)借自回归学习能力与内置(zhi)世界知识，能够(gou)更精准地理(li)解复杂行为序列，为搜(sou)索、推(tui)荐和(he)广告建立(li)了新的理(li)论基础(chu)。
在关于(yu)成本与收益的(de)辩论中(zhong)，快手推荐大(da)模型资深算(suan)(suan)法(fa)专家(jia)王诗瑶提出：“不(bu)能用昨(zuo)天的(de)尺子量今天的(de)模型。”她(ta)认为计算(suan)(suan)成本持续(xu)下降、算(suan)(suan)法(fa)回报却(que)呈几何级(ji)增长，关键(jian)不(bu)是(shi)算(suan)(suan)得起(qi)，而是(shi)配得上算(suan)(suan)力(li)。
快(kuai)手商业化算(suan)法(fa)部负责(ze)人蔡庆芃(peng)则强调，大(da)模型基础建设是一次性(xing)成本(ben)，而收(shou)益是持(chi)续(xu)累(lei)积(ji)的(de)，只(zhi)要(yao)ROI为正，就值得投入。快(kuai)手货架电商搜索与(yu)推荐算(suan)法(fa)负责(ze)人杨一帆进一步(bu)强调，这(zhei)个(ge)账其实(shi)能算(suan)清(qing)楚，机(ji)器成本(ben)会(hui)下降，算(suan)法(fa)收(shou)益会(hui)增长，核心(xin)是技术团队要(yao)有长期视角——“要(yao)想着撬动新的(de)收(shou)益，而不是只(zhi)压缩成本(ben)。”
一、快手搜推广技术探索全揭秘，生成式方案展现潜力
快手(shou)在推荐、搜索、广告领域的四(si)位专(zhuan)家分享了(le)快手(shou)在相(xiang)关领域的最新技术进(jin)展。
1、OneRec：如何重构推荐系统的智能边界与效率标准？
快(kuai)手(shou)推荐(jian)大(da)模型资深算(suan)法专家王(wang)诗(shi)瑶认(ren)为，大(da)模型的(de)(de)兴(xing)起让推荐(jian)系(xi)统(tong)从传(chuan)统(tong)的(de)(de)判别式(shi)范式(shi)迈向生成式(shi)范式(shi)，为突(tu)破传(chuan)统(tong)推荐(jian)的(de)(de)智能天花板提(ti)供了可(ke)能。
快(kuai)手(shou)在(zai)生(sheng)成式推荐(jian)方面的重要探索(suo)为OneRec，其演(yan)进(jin)分为三阶段。OneRec V1首次实(shi)现端(duan)到(dao)端(duan)生(sheng)成式推荐(jian)，用(yong)单一模型直(zhi)接生(sheng)成待推荐(jian)内容(rong)的对(dui)应(ying)token，突破传统多级判别结构。OneRec V2则针(zhen)对(dui)算(suan)力在(zai)Encoder和Decoder侧的不均衡分布进(jin)行了优(you)化(hua)，提出(chu)Lazy Decoder Only架构，并采用(yong)强(qiang)化(hua)学(xue)习，最终(zhong)大幅(fu)提升计算(suan)效率与(yu)可(ke)扩展性.
最(zui)新的OneRec Think则将用户(hu)行为日志视(shi)为新模(mo)态，与语言模(mo)型对齐，让推(tui)荐系统(tong)具(ju)备推(tui)理与思考(kao)能力(li)，能够解释(shi)用户(hu)偏(pian)好(hao)并生成更具(ju)洞(dong)察(cha)力(li)的推(tui)荐。
目前，OneRec已(yi)在快手主站、极速版(ban)及电(dian)商等多(duo)场景落地，带来显著(zhu)的(de)业(ye)务提升(sheng)。王诗瑶称(cheng)，团(tuan)队(dui)将继续(xu)探(tan)索(suo)生成(cheng)式(shi)推(tui)荐与大(da)模(mo)型的(de)融(rong)合，推(tui)动推(tui)荐系统(tong)向更智能、更通(tong)用的(de)方向演进。
2、下一代推荐排序：快手短视频端到端多目标融合框架详解
快手(shou)短视频(pin)推(tui)荐算(suan)法链(lian)路(lu)机制策略技术负责人徐晓晓分(fen)享了团队近半(ban)年(nian)打磨的(de)成果——端到端动(dong)目标(biao)排序机制框架。这是(shi)快手(shou)近两年(nian)在用户体验提升最显(xian)著的(de)推(tui)荐系统项目之一(yi)。
该方案以模型化替代传统的(de)人工设(she)计融合(he)公式(shi)，实现了推荐(jian)排序机制的(de)端(duan)到端(duan)智能优化。通过(guo)聚焦“四(si)大挑战(zhan)”：候选(xuan)间比较关系、用户满(man)意(yi)度(du)定义、模型可解释性及离在线一(yi)致性，团队构建了系统性解决方案。
比较关(guan)系(xi)建模方(fang)面(mian)，该方(fang)案以请(qing)求为(wei)单位组(zu)织候选(xuan)样本，引入位置(zhi)特征(zheng)与(yu)Transformer结构，捕捉候选(xuan)间相对(dui)关(guan)系(xi)。满意度(du)定义上，他们提出(chu)了“相对(dui)优势(shi)满意对(dui)度(du)与(yu)“多维(wei)满意度(du)代理”，结合(he)自进化的个性化动态权重(zhong)实现多目标平衡。
为增强可解释(shi)性(xing)，该团队引入(ru)(ru)反事实样本生成与(yu)对比学习，保障(zhang)模型(xing)输(shu)出与(yu)输(shu)入(ru)(ru)特征单调性(xing)。同时，为了优化离在线(xian)一致性(xing)，他(ta)们定义了“互动(dong)效率”指(zhi)标(biao)，消(xiao)除(chu)观看(kan)时长混淆，实现离线(xian)与(yu)线(xian)上(shang)指(zhi)标(biao)统(tong)一。
落地结果显示，模(mo)型在多个(ge)链路(lu)中显著提(ti)(ti)升用户体(ti)验，特别是(shi)在快手极速版中，停留(liu)时长提(ti)(ti)升约2%，7日留(liu)存(cun)提(ti)(ti)升超(chao)3‰。项目标志(zhi)着推荐机(ji)制从(cong)规(gui)则驱动迈向智能自进(jin)化的新阶段。
3、让搜索“一步到位”，快手端到端生成式搜索框架OneSearch
快手(shou)货架(jia)电商(shang)搜(sou)索与推荐算法负责(ze)人杨一(yi)帆介绍了业界(jie)首(shou)个电商(shang)搜(sou)索端(duan)(duan)到端(duan)(duan)生成(cheng)式框(kuang)架(jia)OneSearch，该(gai)框(kuang)架(jia)以生成(cheng)式大(da)模型全面取代(dai)传(chuan)统(tong)“召回(hui)—粗(cu)排—精(jing)排”架(jia)构(gou)，提(ti)升搜(sou)索系(xi)统(tong)的相关(guan)性与个性化(hua)体验。
该框架的核心(xin)(xin)创新体现在(zai)三个方面：首先(xian)，关键词(ci)增强层(ceng)次量化编(bian)码(ma)通过结合(he)RQ与(yu)OPQ的五(wu)层(ceng)层(ceng)次编(bian)码(ma)机制，为每个商(shang)(shang)品生(sheng)成语义丰富的“智能(neng)身份证”，精准提取核心(xin)(xin)属(shu)性并区(qu)分细微(wei)差异，有效解决了商(shang)(shang)品标题(ti)堆(dui)砌关键词(ci)、属(shu)性混乱等(deng)问题(ti)。
其次(ci)，多视角用户(hu)(hu)行为(wei)建模将用户(hu)(hu)的(de)短期搜索与点击行为(wei)显式注入模型，同时隐式融合长期购买偏(pian)好(hao)，构建具有语义理解能力的(de)用户(hu)(hu)标识(shi)（UID），实现对用户(hu)(hu)即时意图(tu)与稳定兴(xing)趣(qu)的(de)精准捕捉(zhuo)。
最后，偏好感知奖励系(xi)统（PARS）结合(he)多阶段监督微调与(yu)强化学习，对齐线上精排(pai)分布，并基于(yu)真(zhen)实用户交互数据优化排(pai)序逻辑，从(cong)而捕捉更细粒度(du)的偏好信(xin)号。
实验结果(guo)显示，OneSearch在(zai)CTR、CVR、订单(dan)量(liang)等核心指标上均显著提(ti)升，订单(dan)量(liang)提(ti)高(gao)3.22%、成(cheng)本降低75%，在(zai)冷启动和长尾查(cha)询(xun)场景中表现尤为(wei)突出，标志着生成(cheng)式搜索在(zai)工业级电商领域的(de)成(cheng)功落地(di)。
4、生成式强化学习在广告自动出价场景的技术实践
快手商业(ye)化(hua)算(suan)法部负责人蔡庆芃(peng)介(jie)绍(shao)，快手广告出价技(ji)术经历(li)了(le)三次演进：从基于反馈调节(jie)的(de)PID控制，到具(ju)备预(yu)(yu)测(ce)能(neng)力的(de)MPC模(mo)型预(yu)(yu)测(ce)控制，再到多(duo)步决策(ce)优化(hua)的(de)强化(hua)学习出价。
针对(dui)传统(tong)强(qiang)化学(xue)习(xi)在(zai)序(xu)列信息利用和探(tan)索(suo)效率上的不足，快(kuai)手提出(chu)新一代生成式(shi)强(qiang)化学(xue)习(xi)出(chu)价(jia)范(fan)式(shi)，融合生成模型与强(qiang)化学(xue)习(xi)优势。
为解(jie)决对高质量(liang)数据的依赖，快(kuai)手推出了GAVE方(fang)(fang)法(fa)（Generative Auto-bidding with Value-Guided Exploration），通(tong)过(guo)Reture-To-Go模(mo)块(kuai)和价值引导(dao)探(tan)索机制(zhi)，最终实现更好的出价；CBD方(fang)(fang)法(fa)（Causal auto-Bidding via Diffusion completer-aligner）则在(zai)生成时利用trajectory-level aligner更新序列，对齐优化(hua)目标(biao)。
实验表明(ming)，该范式提升了(le)广告转化与成(cheng)本控制效果(guo)，推理延迟(chi)仅为毫秒级(ji)，可稳定在(zai)线应用(yong)。
二、六位专家激辩，生成式框架是未来还是伪范式？
在圆桌对话环节(jie)，中(zhong)国人(ren)民大(da)学(xue)高瓴(ling)人(ren)工智(zhi)能学(xue)院教(jiao)授徐君、香港城市大(da)学(xue)副教(jiao)授赵(zhao)翔(xiang)宇、快(kuai)手推(tui)荐(jian)大(da)模型(xing)资深算法(fa)专家王诗(shi)瑶(yao)、快(kuai)手货架电商搜索与(yu)推(tui)荐(jian)算法(fa)负责(ze)(ze)人(ren)杨一帆、快(kuai)手商业化算法(fa)部(bu)负责(ze)(ze)人(ren)蔡庆芃就(jiu)生成式框(kuang)架在搜推(tui)广领域的潜(qian)力展(zhan)开讨(tao)论，快(kuai)手推(tui)荐(jian)模型(xing)部(bu)排序(xu)模型(xing)技术(shu)负责(ze)(ze)人(ren)唐睿(rui)明担任主持(chi)人(ren)。
唐睿明称，当前业内的一(yi)大讨论是(shi)，在搜(sou)推广系统(tong)，生成式框架(jia)到底是(shi)不是(shi)伪范式，有没有取代传统(tong)级联架(jia)构的潜力？
徐君认为，“伪范式”的批评(ping)过(guo)于严重，因(yin)为快手等公(gong)司已经(jing)在大规模商业(ye)应用中看到了实际效(xiao)果。生成(cheng)式框(kuang)架解(jie)决(jue)了传统(tong)级联架构(gou)的问题，如错误传递(di)等。
此外，生(sheng)成式框架将过去搜(sou)索与大模型(xing)之间“若即(ji)若离”的(de)关系(xi)转变为紧密(mi)捆绑，从而(er)能更好地利(li)用大模型(xing)的(de)前沿(yan)技术。
虽(sui)然技术(shu)的迭代速(su)度在不断加快，一项技术(shu)的生命周(zhou)期从几十年(nian)缩短十几年(nian)，再到几年(nian)，但只(zhi)要(yao)技术(shu)有用，就值得拥(yong)抱和尝试。
赵翔宇认为(wei)，生(sheng)成式范式的(de)(de)(de)(de)根本性创(chuang)新(xin)(xin)在(zai)于，它将推荐系(xi)统的(de)(de)(de)(de)核心任务从传(chuan)统的(de)(de)(de)(de)行(xing)(xing)为(wei)相关性预测，转变为(wei)了(le)对用户意(yi)图(tu)的(de)(de)(de)(de)深(shen)度理(li)(li)解和推理(li)(li)。大(da)模型凭(ping)借其自回归的(de)(de)(de)(de)学(xue)习(xi)能力(li)和内置(zhi)的(de)(de)(de)(de)世界知(zhi)识，能够更(geng)精准(zhun)地解读用户复杂的(de)(de)(de)(de)行(xing)(xing)为(wei)序列，从而为(wei)搜索、推荐和广告(gao)建立了(le)一(yi)个全(quan)新(xin)(xin)的(de)(de)(de)(de)、更(geng)为(wei)强大(da)的(de)(de)(de)(de)理(li)(li)论(lun)基础(chu)和实现(xian)模式。
而在工(gong)业界，现实情况则更为多元。尽管像快(kuai)手这样的先行者已经通(tong)过一(yi)个模(mo)(mo)型的统(tong)(tong)一(yi)范(fan)式取得了(le)显(xian)著收益，证明了(le)其解决传(chuan)统(tong)(tong)级(ji)联(lian)架构中目标不(bu)对齐、误差累积和资源利用率低等(deng)问题的巨大潜力，但(dan)许多公(gong)司因现状(zhuang)所限，短期内更可能将(jiang)生成式推荐作为现有成熟体系的一(yi)种补充(chong)或增强。毕竟，传(chuan)统(tong)(tong)的级(ji)联(lian)模(mo)(mo)式在低时(shi)延、高(gao)并发的场景下已经高(gao)度优化且稳(wen)定。
同时，生成式框架(jia)当前仍(reng)面临即(ji)生成效(xiao)率问题。值(zhi)得(de)欣喜(xi)的是，业界和学界已(yi)经涌现出许多工作来攻克(ke)这一难题。
王诗瑶(yao)认(ren)为，生(sheng)成(cheng)式推荐可能是(shi)未(wei)(wei)来，也可能只(zhi)是(shi)通向(xiang)更好技术的(de)中间(jian)形(xing)态。如果未(wei)(wei)来出现更具优势(shi)的(de)新技术，她会毫(hao)不犹豫地拥抱变化。但此刻，生(sheng)成(cheng)式就(jiu)是(shi)最值得用(yong)好的(de)技术。
她(ta)举例(li)说，如今的(de)推(tui)荐系统(tong)多(duo)是(shi)“瀑布式”的(de)，被动(dong)展(zhan)示内(nei)容，而未来可能(neng)进入对话式推(tui)荐场景，用(yong)户(hu)会(hui)多(duo)轮(lun)表达(da)意图，这(zhei)些(xie)意图可能(neng)相互(hu)关联(lian)、甚至(zhi)矛盾。面对这(zhei)种复杂(za)输入，传统(tong)系统(tong)靠(kao)规(gui)则拼(pin)接是(shi)“技(ji)术的(de)倒退”，而生成式模(mo)型能(neng)更自然地理(li)解并生成结(jie)果(guo)。
她还提到，类似的(de)技术演(yan)进已在其他领域出现(xian)(xian)，例如特斯拉用端到端模型替代了数十万(wan)行手写(xie)代码，正是数据(ju)与(yu)模型驱动的(de)胜利。王(wang)诗(shi)瑶认为，现(xian)(xian)在正是用好生成式技术的(de)时(shi)刻。
杨一帆从搜索视角出(chu)发，认为生(sheng)成式不是(shi)终局，但(dan)无疑是(shi)一次(ci)值得兴奋的变革。他(ta)指(zhi)出(chu)，在搜索中，对意(yi)图理(li)解、检索空间(jian)与推理(li)能(neng)力的要求更高(gao)，而生(sheng)成式模型(xing)改(gai)变了传统“筛选优化”的逻辑，转(zhuan)向“智能(neng)生(sheng)成”。
同时，生成式(shi)范式(shi)能(neng)(neng)更(geng)自然地(di)与当下大模型的发(fa)展结(jie)合，引入推理、知识等能(neng)(neng)力(li)。最后他强调(diao)，技(ji)术变(bian)革也会带来(lai)产(chan)品形(xing)态的革新，如(ru)对话式(shi)搜(sou)索等新交互(hu)方式(shi)，未来(lai)的搜(sou)索推荐可能(neng)(neng)由此形(xing)成新的循环。
蔡庆芃从广告角度出(chu)发，认为生(sheng)(sheng)成(cheng)式架构的最大(da)优(you)势是(shi)“全空(kong)间优(you)化”。传(chuan)统多阶(jie)段模型目标不(bu)一致、数据分散，优(you)化上限受限。端(duan)到端(duan)生(sheng)(sheng)成(cheng)能在完整(zheng)空(kong)间中找到最优(you)的广告投放策略。
他(ta)提(ti)到，生(sheng)成式方法(fa)与强(qiang)化学习结(jie)合的(de)(de)潜(qian)力巨大，能(neng)更好地(di)定义状(zhuang)态、动作、奖励，推动真(zhen)正意义上的(de)(de)业务价值优(you)化。过(guo)去广(guang)告系统的(de)(de)割裂让(rang)强(qiang)化学习难以落地(di)，而生(sheng)成式范(fan)式能(neng)解(jie)决这个问题(ti)，让(rang)广(guang)告优(you)化不再局限(xian)于局部模块(kuai)。
三、生成式范式经济账怎么算，工业界、学术界究竟需要何种人才？
在关于成本与收(shou)益的(de)(de)讨论中，王(wang)诗(shi)瑶提出(chu)：“不(bu)能(neng)用(yong)昨天(tian)的(de)(de)尺子量今天(tian)的(de)(de)模型(xing)(xing)。”她认(ren)为算(suan)(suan)法(fa)同学往往被“算(suan)(suan)力(li)固定(ding)”的(de)(de)假设束缚(fu)，但(dan)事实上计(ji)算(suan)(suan)成本持续下降，而收(shou)入增长(zhang)潜力(li)巨(ju)大(da)。哪怕在高毛利要求下，公司也完全有(you)能(neng)力(li)承载更大(da)的(de)(de)模型(xing)(xing)规(gui)模。她鼓励技(ji)术(shu)人(ren)员(yuan)更多去思考如何开发配得(de)上算(suan)(suan)力(li)的(de)(de)好技(ji)术(shu)，而不(bu)是过早自限。
杨一(yi)帆补(bu)充说，这个(ge)账是能算清(qing)楚(chu)的(de)。机器成本(ben)会(hui)随(sui)时间下降，工程优化会(hui)不(bu)(bu)断(duan)提升。关(guan)键是技(ji)术团(tuan)队要保持长(zhang)期视角，通过算法创(chuang)新撬动新的(de)收益，而(er)不(bu)(bu)是只(zhi)想着压缩成本(ben)。
蔡庆芃则(ze)认为，大模型的基础建(jian)设(she)是(shi)一次性成(cheng)本，而收入增长是(shi)持续累积(ji)的。只要ROI为正(zheng)，成(cheng)本问题(ti)就不是(shi)阻碍(ai)。此外，他还强调，通过(guo)蒸馏等手(shou)段完全可以(yi)在保持收益的前(qian)提下用(yong)更小模型上线。
谈到(dao)研究(jiu)方向时，赵翔(xiang)宇提到(dao)两个(ge)重点：一是(shi)构建更通用(yong)的词表，将语义、交互、地理等(deng)多模态信息(xi)融合进来；二(er)是(shi)设(she)计(ji)新的词表评估体系(xi)，让token层的质(zhi)量与推荐效果形成可解释(shi)的闭环。
杨一帆(fan)则(ze)希望探(tan)索更(geng)统一的多模态编码，使(shi)不同(tong)物料（商品(pin)、视频(pin)、直播）在同(tong)一空(kong)间中(zhong)建模，同(tong)时(shi)提升(sheng)模型的推理能力(li)，从而催(cui)生新的交互形态。
蔡庆芃关注广告出(chu)价(jia)与推荐(jian)中的(de)生成(cheng)机制，他(ta)认为广告决(jue)策(ce)是连续的(de)，需要新的(de)生成(cheng)结构(gou)，并对“非自(zi)回归(gui)”生成(cheng)方式非常感兴趣(qu)——人类思考(kao)不是逐字生成(cheng)，而是从核心(xin)意(yi)图出(chu)发再补全细节(jie)。他(ta)还提到，可(ke)以通过推理(li)(li)能力更好地理(li)(li)解用(yong)户心(xin)理(li)(li)，预测他(ta)们真(zhen)正的(de)兴趣(qu)。
在对未来1到3年的展(zhan)望(wang)中，徐君认(ren)为，未来搜索、推荐和广告不再(zai)是分(fen)离(li)的模块，而会统一为“个人信息助手”的形态。届时，用户(hu)无(wu)需再(zai)区分(fen)搜推广，系统将直接呈现他们真(zhen)正(zheng)想要的内容。
他(ta)还预(yu)测，下一代系(xi)统会从(cong)“语义匹配”升级到“语用理解(jie)”，真正理解(jie)用户行(xing)为背后的动机，实(shi)现从(cong)工具到智能助(zhu)手的演进(jin)。
蔡庆芃则认为(wei)，未来的最大(da)机(ji)会不在于对现(xian)有模块(kuai)进行小修小改，而是(shi)用(yong)(yong)生(sheng)成式技术重塑广(guang)告系统，不只是(shi)提升ROI，而是(shi)重新(xin)定义广(guang)告体系。此(ci)外(wai)，Agent在广(guang)告场(chang)景的应用(yong)(yong)，有望实现(xian)从(cong)素材(cai)生(sheng)产到预算投放实现(xian)全链路智能化。
王诗瑶进(jin)一步畅想，未(wei)来推荐也许由“个(ge)人助(zhu)理”主导，这个(ge)助(zhu)理深知用户的偏好、经历与购买记录，能主动生(sheng)成最(zui)契合(he)的内容(rong)。同(tong)时，她提到(dao)视频内容(rong)可(ke)能被(bei)“实时生(sheng)成”，用户不(bu)再被(bei)动浏览，而是看到(dao)“为我生(sheng)成”的动态视频世界(jie)。
最(zui)后在关(guan)于“学生(sheng)(sheng)培养与人(ren)才选择”的(de)(de)(de)话题(ti)中，赵(zhao)翔(xiang)宇认为，当下(xia)的(de)(de)(de)学生(sheng)(sheng)需要(yao)具备纵向的(de)(de)(de)算法深度与横向的(de)(de)(de)大模(mo)型(xing)工程(cheng)能力(li)。既要(yao)深入理(li)解(jie)传(chuan)统(tong)搜(sou)推体系(xi)（协同(tong)过滤(lv)、矩阵分解(jie)、强化学习(xi)等），也要(yao)掌握大模(mo)型(xing)的(de)(de)(de)全流程(cheng)技术（微调(diao)(diao)、特征(zheng)工程(cheng)、prompt设计等）。他强调(diao)(diao)，最(zui)有价值(zhi)的(de)(de)(de)科研往(wang)往(wang)来源于真实问题(ti)，希望学生(sheng)(sheng)能在实习(xi)或合作中找到能落地(di)的(de)(de)(de)研究方向。
徐君补充说，基(ji)础仍然是关键，特别是数(shu)学与逻辑(ji)的(de)严谨性。学生要在“顶天(tian)立地(di)”至少(shao)找到一(yi)个抓手，要么(me)做理论深度的(de)研(yan)究(jiu)，要么(me)能解决真(zhen)实产业问(wen)题。他还提醒(xing)，科研(yan)的(de)意(yi)义不应被论文数(shu)量(liang)绑架，而(er)应关注实际(ji)价(jia)值。
杨(yang)一帆从企业(ye)角度(du)指出，工(gong)业(ye)界看重的是(shi)(shi)业(ye)务理解力和(he)快速学习力。搜(sou)推(tui)是(shi)(shi)高度(du)业(ye)务驱动的领域(yu)，技术人员(yuan)必(bi)须能抽象业(ye)务问题并将其(qi)转(zhuan)化为(wei)模型。他建议学生保持好奇心(xin)和(he)学习热情(qing)，因为(wei)技术迭代太快，只有持续(xu)学习，才能不(bu)被时代落下。
此外，他也(ye)希(xi)望学(xue)(xue)生(sheng)在学(xue)(xue)习(xi)前沿技术(shu)时，不(bu)应只停留在当下的应用层面，而(er)应当了(le)解(jie)技术(shu)发展的历(li)史与脉络。如今很多“AI原生(sheng)代”同学(xue)(xue)直接(jie)接(jie)触的是Transformer、大模型等(deng)最新成(cheng)果，却不(bu)了(le)解(jie)这些技术(shu)从(cong)早期(qi)模型一(yi)路演进的过程(cheng)。他建议学(xue)(xue)生(sheng)应多学(xue)(xue)习(xi)计算机与人工(gong)智能技术(shu)史，理解(jie)技术(shu)的迭代逻辑(ji)和背后的思想脉络。
结语：生成式技术改变搜推广
从(cong)端到端的(de)推荐系统(tong)，到具备(bei)推理能力的(de)搜索(suo)引擎，再到更为智能的(de)广(guang)告出价系统(tong)，生成(cheng)式(shi)技术正(zheng)在改变搜推广(guang)的(de)底(di)层逻辑(ji)。
正如多位嘉宾所言，生成式不是终(zhong)点，而(er)是通(tong)往更智能系(xi)统的起点。未来，快手在该领域的探索，值得持续关注。
