OpenAI 正通过一系列对 ChatGPT 搜索能力的更新向 Google LLC 发起挑战,其中包括一项全新的购物体验,提供产品推荐以及一键购买链接。
公司表示,今天在 ChatGPT 上宣布的新购物功能将使用户能够搜索产品,并在点击链接后购买产品——该链接会将用户重定向至商家网站。此更新将向所有用户推出,无论是否登录账户。
Wired.com 首次报道了此次更新,该网站曾观看过新购物推荐功能的演示。用户如果向 ChatGPT 询问关于咖啡机或办公椅等产品的推荐,将会根据其表达的偏好、多来源的产品评价以及 ChatGPT 对每位用户的“存储记忆”展示出多种合适产品。
此次更新使得 OpenAI 向 Google 发起挑战。ChatGPT 的购物体验与 Google Shopping 非常相似,当用户点击一个产品图片时,会显示出来自多个零售商(例如 Amazon.com Inc. 和 Walmart Inc.)的链接及其价格。如果用户点击链接,就可以通过相应零售商进行购买。
在接受 Wired 采访时,OpenAI 搜索产品负责人 Adam Fry 表示,公司目前正在尝试多个不同的产品类别,包括美容产品、电子产品、家居用品及时尚单品。他解释说,ChatGPT 结果中展示的产品评价取自多个在线渠道,包括购买指南出版商、像 Amazon 这样的网站以及 Reddit 等论坛。用户还可以指定 ChatGPT 优先考虑某个特定的评价来源,从而缩小搜索结果范围。
Fry 强调,OpenAI 并非试图与 Google 基于算法的购物推荐方式竞争。虽然普遍认为 Google 那不透明的购物搜索算法倾向于优先展示那些评价较为充分且真实的产品,但 ChatGPT 则致力于更具体地理解这些评价与用户需求及其先前表达偏好的关联。因此,如果某人在之前的对话中曾告诉 ChatGPT 自己偏好某种风格的服装或钟爱特定品牌,系统会记住这些信息,并在推荐时予以考虑。
虽然这一体验与 Google Shopping 十分相似,Fry 迅速指出 ChatGPT 目前并未展示任何赞助产品推荐——至少现阶段是如此。
TechCrunch 引用 Fry 的话称,OpenAI 不会通过 ChatGPT 直接从促成的销售中获取收入,但 Wired 指出,此举可能会影响到第三方联盟的收益。
例如,每当有人阅读 Wired 的产品评价并点击购买该产品时,Wired 都能获得一部分收入分成。然而,ChatGPT 用户可能基于这些评价做出购买决策而不点击原文链接,从而实际上将联盟分成排除在外,尽管系统是抓取了该网站的内容。
当被问及 OpenAI 是否计划以某种方式补偿联盟时,Fry 表示,公司将“尝试”多种方式确保联盟仍能从每笔交易中获得分成,但他拒绝透露具体细节。他表示,目前公司更专注于完善其产品推荐系统。因此,对于依赖联盟收入的评价网站来说,这可能不是个好消息。
Fry 同样拒绝对此发表评论,说明 ChatGPT 未来是否会在其购物推荐中包含赞助结果。不过,如果基于 ChatGPT 的购物功能获得成功,公司恐怕难以抵挡引入赞助结果的诱惑。
除了改进的购物体验外,OpenAI 还表示,ChatGPT 现在会显示一份用户搜索的“热门流行搜索”列表。它还模仿 Google,引入了一项新的自动补全功能,因此当用户开始输入查询问题时,系统会显示相关建议,帮助用户免去输入完整问题的麻烦。
这些更新凸显了 OpenAI 在网络搜索业务中颠覆 Google 的决心。公司早在十月就首次在 ChatGPT 中推出了网页搜索功能,使其能够推荐产品并分析网络上发布的最新信息。此外,公司还推出了一款实验性“agentic” Operator 工具,该工具允许 ChatGPT 使用网页浏览器代替用户执行在线操作。
好文章,需要你的鼓励
谷歌地图将集成Gemini人工智能技术,旨在将其升级为一个"全知型副驾驶"助手。这一整合将大幅提升地图服务的智能化水平,为用户提供更加个性化和全面的导航体验。通过AI技术的加持,谷歌地图有望在路线规划、地点推荐和实时信息服务等方面实现重大突破。
这项由圣母大学和IBM研究院联合开展的研究,开发出了名为DeepEvolve的AI科学助手系统,能够像人类科学家一样进行深度文献研究并将创新想法转化为可执行的算法程序。该系统突破了传统AI要么只能改进算法但缺乏创新、要么只能提出想法但无法实现的局限,在化学、生物学、数学等九个科学领域的测试中都实现了显著的算法性能提升,为AI辅助科学发现开辟了新的道路。
微软研究人员发布新的仿真环境来测试AI智能体,研究显示当前智能体模型容易受到操纵。该名为"Magentic Marketplace"的合成平台让客户智能体与商家智能体进行交互实验。测试包括GPT-4o、GPT-5和Gemini-2.5-Flash等模型,发现智能体在面临过多选择时效率下降,且在协作方面表现不佳。研究揭示了AI智能体在无监督环境下的性能问题。
卡内基梅隆大学研究团队通过3331次大规模实验,系统揭示了代码训练如何提升AI推理能力。研究发现,代码的结构特性比语义内容更重要,适当的抽象形式(如伪代码)可以达到与原始代码相同的效果。不同编程语言产生差异化影响:低抽象语言有利于数学推理,Python更适合自然语言任务。这些发现为AI训练数据的科学化设计提供了重要指导。