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
清华大学团队突破性开发"零样本量化"技术,让AI模型在不接触真实数据的情况下完成高效压缩,性能反超传统方法1.7%,为隐私保护时代的AI部署开辟新路径。
普林斯顿大学研究团队开发出"LLM经济学家"框架,首次让AI学会为虚拟社会制定税收政策。系统包含基于真实人口数据的工人AI和规划者AI两层,通过自然语言交互找到最优经济政策,甚至能模拟民主投票。实验显示AI制定的税收方案接近理论最优解,为AI参与社会治理提供了新路径。
K Prize是由Databricks和Perplexity联合创始人推出的AI编程挑战赛,首轮比赛结果显示,获胜者巴西工程师Eduardo Rocha de Andrade仅答对7.5%的题目就获得5万美元奖金。该测试基于GitHub真实问题,采用定时提交系统防止针对性训练,与SWE-Bench 75%的最高得分形成鲜明对比。创始人承诺向首个在该测试中得分超过90%的开源模型提供100万美元奖励。
南开大学研究团队提出了一种新的3D高斯泼溅重光照方法,通过在高斯原语上直接编码离散化SDF值,避免了传统方法需要额外SDF网络的问题。该方法设计了投影一致性损失来约束离散SDF样本,并采用球形初始化避免局部最优。实验表明,新方法在保持高质量重光照效果的同时,仅需现有方法20%的显存,显著提升了训练和渲染效率。