ZeroSearch: Революцията на Alibaba за ефективно и автономно обучение на изкуствен интелект

Информатек Дигитал » Изкуствен интелект » ZeroSearch: Революцията на Alibaba за ефективно и автономно обучение на изкуствен интелект

Иновациите в областта на изкуствения интелект претърпяха бум през последните години, особено по отношение на големите езикови модели (LLM). Един от най-значимите пробиви на 2025 г. е ZeroSearch, технология, разработена от Alibaba, която разклаща основите на начина, по който се обучават тези модели. Какво точно представлява ZeroSearch и защо генерира толкова голям шум в индустрията? В тази статия ще разгледаме подробно тази нова методология, включително как работи, какви предимства предлага пред традиционните методи и как може да промени развитието на изкуствения интелект на всички нива.

В технологичните среди разговорите са изцяло за това: ZeroSearch обещава да намали разходите за обучение на модели с изкуствен интелект с не по-малко от 88%.. Този скок в ефективността, далеч не е просто маркетингов трик, има дълбоки последици за големи и малки предприятия, разработчици и, разбира се, за развитието на изкуствения интелект като цяло.

Какво е ZeroSearch и откъде идва?

ZeroSearch е нова техника, базирана на обучение с подсилване, предназначена да обучава езикови модели, без да се разчита на реални външни търсачки по време на процеса на обучение. Тази иновация идва от лабораторията Tongyi на Alibaba, с цел решаване на два често срещани проблема при обучението на модели с изкуствен интелект, които използват уеб търсения: висока икономическа цена за използването на API и непредсказуемост в качеството на възстановените документи.

Досега разработването на усъвършенствани асистенти, чатботове или системи за препоръки изискваше изпращане на десетки хиляди заявки към търсачки като Google чрез платени услуги, което увеличаваше разходите и ограничаваше мащабируемостта, особено за компании с ограничени бюджети.

ZeroSearch променя правилата на играта, като залага на система, в която Самият LLM се учи да симулира работата на търсачка, генерирайки релевантни или дори „шумни“ (нерелевантни) документи в отговор на запитвания и по този начин позволявайки обучение без външно взаимодействие.

Как работи ZeroSearch? Подробно техническо обяснение

В основата на ZeroSearch е рамка за обучение с подсилване (RL), която елиминира необходимостта от действително търсене в мрежата по време на обучение. Нека разгледаме този процес стъпка по стъпка, въз основа на подхода на Alibaba и обширните публикувани анализи на техниката.

1. Лека контролирана настройка за симулиране на търсения

Всичко започва от едно контролирано фино регулиране (SFT) в който LLM е обучен да се държи като модул за извличане на информация. Чрез тази настройка, то се научава да генерира документи за отговори на заявки, имитирайки текстовия стил и типа съдържание, които би предложила истинска търсачка. По време на тази начална фаза се събират траектории на взаимодействие между модела и търсачката, като се установяват записи на заявки и извлечени документи.

Успешните пътища, т.е. тези, които водят до правилния отговор, са обозначени като положителни (полезни документи), докато тези, които водят до грешки или неправилни отговори, са обозначени като отрицателни (шумни документи). Тази диференциация по-късно ще помогне на модела да разбере и възпроизведе динамиката на реалистично търсене, включително релевантни резултати и по-малко полезни.

2. Ролята на обучението с подсилване при симулация на учебната програма

След контролирано настройване, моделът преминава във фазата на обучение с подсилване, където добрите практики се подсилват и грешките се санкционират. Тук симулираният LLM действа като търсачка, отговаряйки на заявки, генерирани от модела на политиката, и връщайки документи, които могат да бъдат полезни или „шумни“.

Трудността на модела нараства прогресивно, следвайки учебна стратегия, която бавно влошава качеството на генерираните документи, така че Системата първоначално се учи в контролирани среди и с напредването си се сблъсква с все по-шумни или сложни примери.. Този подход помага на модела да развие стабилни възможности за търсене и разсъждение при реалистични условия.

3. Дизайн на награди и показатели за оценка

За да насочва обучението, ZeroSearch използва функция на награда въз основа на резултата от F1, който балансира прецизността и припомнянето, като взема предвид съвпадението на думите между прогнозата и правилния отговор. Целта е да се увеличи максимално точността на крайните отговори, които моделът е в състояние да генерира, без да се притеснявате прекомерно за форматирането, тъй като LLM обикновено генерират добре форматирани текстове по естествен път.

4. Шаблони за многократно взаимодействие и разсъждение

По време на обучението се използват шаблони за взаимодействие, които разделят процеса на три етапа: вътрешно разсъждение (разделено между тагове като <think>...</think>), провеждане на консултацията (<search>...</search>) Y генериране на отговори (<answer>...</answer>). Това позволява на модела да подобри способността си да формулира подходящи заявки и да предоставя добре обосновани отговори.

5. Съвместимост и мащабируемост

ZeroSearch поддържа основни езикови модели, като например семейството Qwen-2.5, Qwen-2.5, LLaMA-3.2 и базови или настроени с инструкции варианти. Освен това, може да се реализира с различни алгоритми за подсилване (PPO, GRPO и други), което улеснява приемането му в различни среди за разработка.

Данни от реалния свят: Колко спестява ZeroSearch и как се представя?

Експерименти, проведени от Alibaba и докладвани в специализирани публикации и хранилища, показват, че ZeroSearch постига производителност, сравнима с и дори превъзхождаща тази, получена чрез реални търговски търсачки.. Спестяванията на разходи са особено забележими:

• Извършването на 64.000 XNUMX заявки чрез Google Search API може да струва около Щатски долара 586,70 (приблизително 540 евро).
• Същият обем на заявките, генериран и управляван с LLM с 14.000 милиарда параметъра, използващ ZeroSearch, намалява разходите до само Щатски долара 70,80 (около 65 евро).
• Този диференциал предполага 88% спестявания от разходи за обучение, елиминирайки зависимостта от външни API и позволявайки по-голяма мащабируемост.

От друга страна, резултатите по отношение на качеството са впечатляващи: експериментите показват, че модул за извличане на 7B параметри съответства на производителността на системи, базирани на Google Search, докато с 14B параметри моделът дори го превъзхожда в задачи с въпроси и отговори, използвайки както еднократни, така и сложни набори от данни.

Ключови предимства и въздействие върху индустрията за изкуствен интелект

Появата на ZeroSearch представлява радикална промяна в начина, по който компаниите и разработчиците могат да подхождат към обучението на напреднали модели.:

• Драстично намаляване на икономическата бариераУлеснява достъпа до усъвършенствани техники за изкуствен интелект за малки и средни предприятия, стартиращи компании и независими разработчици, които преди това бяха възпрепятствани от цената на търговските API.
• По-голям контрол върху обучениетоЧрез генериране на симулирани документи, екипите могат да определят точно каква информация получава моделът, като коригират трудността и качеството според своите нужди.
• Повишаване на техническата автономностМинимизира зависимостта от големи чуждестранни технологични платформи, насърчавайки местното разработване на персонализирани решения с изкуствен интелект.
• Адаптивност и модулностZeroSearch може да бъде внедрен в различни модели и да бъде пригоден към различни работни процеси и бизнес изисквания.

Разлики от предишни стратегии: RAG, реални търсения и симулации

Преди ZeroSearch, най-разпространеното решение за предоставяне на актуална и точна информация на LLMs беше използването на RAG (Retrieval-Augmented Generation), където моделът запитва външни източници, използвайки търсения в реалния свят. Това обаче поражда някои очевидни проблеми:

• Висока ценаПродължаващото използване на API може да увеличи драстично бюджетите.
• Променливо качествоИзвлечените документи могат да бъдат много непоследователни в зависимост от търсенията и самия API.
• Правни и поверителни ограниченияРазчитането на услуги на трети страни е свързано с правни и политически рискове, особено ако обучавате с чувствителна информация.

ZeroSearch елиминира необходимостта от непрекъснато препращане към външни източници, позволявайки на модела да се научи да търси „в себе си“, докато симулира опита на взаимодействие с търсачка.

Въздействие и приложения в реалния живот: от Quark до демократизацията на изкуствения интелект

Alibaba вече е интегрирала ZeroSearch в търговски продукти. Тяхното приложение Quark, задвижвано от Qwen модели, е постигнало значителни подобрения в разсъжденията и точните отговори на сложни запитвания благодарение на тази техника. Но може би най-важното е, че ZeroSearch отваря вратата за по-малките компании да проектират свои собствени усъвършенствани модели, без да е необходима скъпа външна инфраструктура..

Свързана статия:

Всичко, което трябва да знаете за Manus, AI агентът, който иска да върши вашата работа

Изследователската общност има достъп до хранилището с код, наборите от данни и предварително обучените модели както в GitHub, така и в Hugging Face, което насърчава глобалното приемане и експериментиране.

Как ще изглежда бъдещето на обучението по изкуствен интелект благодарение на ZeroSearch?

С развитието на тези техники ще видим разпространението на интелигентни асистенти с разширени възможности за търсене, без да се разчита на Google, Bing или други подобни. Това отваря нови възможности в образованието, бизнеса и научните изследвания, като същевременно потенциално подкопава господството на големите търсачки в сектора на изкуствения интелект.

За Испания и Европа това представлява възможност за автономен растеж, намалена технологична зависимост и разходи, както и по-голям стратегически контрол върху критичните информационни системи.

Възходът на ZeroSearch бележи началото на нова ера, в която обучението на модели с изкуствен интелект ще престане да бъде лукс, достъпен само за избрани, и ще се превърне в достъпен, мащабируем и все по-усъвършенстван инструмент. Като обучава изкуствения интелект да търси, без да напуска собствената си среда, Alibaba направи гигантска крачка към разработването на самодостатъчни, ефективни системи, които се адаптират към всякакви нужди.. Вече не става въпрос само за намаляване на разходите, а за преоткриване на правилата на играта за цялата индустрия за изкуствен интелект.

Свързана статия:

Какво е електронна търговия: 10 ключа за разбиране на електронната търговия