- ZeroSearch verlaagt de kosten voor het trainen van AI-modellen via gesimuleerde zoekopdrachten aanzienlijk, waardoor u niet langer afhankelijk bent van externe zoekmachines.
- Er wordt gebruikgemaakt van een systeem van supervised reinforcement learning dat het herinnerings- en redeneervermogen van LLM's verbetert.
- Bedrijven en ontwikkelaars kunnen hiermee geavanceerde modellen tegen lage kosten trainen en krijgen zo autonomie en controle over het proces.
De innovatie op het gebied van kunstmatige intelligentie is de laatste tijd explosief gestegen, met name wat betreft grote taalmodellen (LLM's). Een van de belangrijkste ontwikkelingen van 2025 is ZeroSearch, een technologie ontwikkeld door Alibaba die de manier waarop deze modellen worden getraind radicaal verandert. Wat is ZeroSearch precies en waarom wekt het zoveel enthousiasme op in de sector? In dit artikel duiken we in deze nieuwe methodologie, hoe het werkt, welke voordelen het biedt ten opzichte van traditionele methoden en hoe het de ontwikkeling van AI op alle niveaus zou kunnen veranderen.
In de techwereld is het hét gesprek van de dag: ZeroSearch belooft de kosten voor AI-training met maar liefst 88% te verlagen . Deze enorme efficiëntieverbetering is veel meer dan een marketingtruc; het heeft diepgaande gevolgen voor grote en kleine bedrijven, ontwikkelaars en natuurlijk voor de vooruitgang van kunstmatige intelligentie in het algemeen.
Wat is ZeroSearch en waar komt het vandaan?
ZeroSearch is een nieuwe techniek voor reinforcement learning, ontworpen om taalmodellen te trainen zonder tijdens het trainingsproces afhankelijk te zijn van echte externe zoekmachines. Deze innovatie komt van Alibaba's Tongyi Lab en heeft als doel twee veelvoorkomende problemen op te lossen bij het trainen van AI-modellen die webzoekopdrachten gebruiken: de hoge kosten van het gebruik van API's en de onvoorspelbaarheid van de kwaliteit van de gevonden documenten.
Tot nu toe was het voor de ontwikkeling van geavanceerde assistenten, chatbots en aanbevelingsmachines nodig om tienduizenden zoekopdrachten via betaalde diensten naar zoekmachines als Google te sturen. Dit verhoogde de kosten en beperkte de schaalbaarheid, vooral voor bedrijven met een krap budget.
ZeroSearch verandert de spelregels door te kiezen voor een systeem waarin het LLM zelf leert de werking van een zoekmachine te simuleren , relevante of zelfs ruisende (irrelevante) documenten te genereren als reactie op zoekopdrachten en zo training mogelijk te maken zonder externe interactie.
Hoe werkt ZeroSearch? Gedetailleerde technische uitleg
De kern van ZeroSearch wordt gevormd door een framework voor reinforcement learning (RL) dat de noodzaak voor daadwerkelijke internetzoekopdrachten tijdens de training overbodig maakt. Laten we stap voor stap bekijken hoe dit proces is gestructureerd volgens de aanpak van Alibaba en de uitgebreide analyses die over de techniek zijn gepubliceerd.
1. Lichtgewicht begeleide afstemming om zoekopdrachten te simuleren
Het begint allemaal met supervised fine-tuning (SFT), waarbij het LLM wordt getraind om zich te gedragen als een informatiezoekmodule. Door deze tuning leert het model antwoorddocumenten te genereren op zoekopdrachten, waarbij de tekstuele stijl en het inhoudstype worden nagebootst die een echte zoekmachine zou bieden. Tijdens deze initiële fase worden interactiepaden tussen het model en een zoekmachine vastgelegd, waardoor logboeken van zoekopdrachten en opgehaalde documenten worden gecreëerd.
Succesvolle paden, dat wil zeggen paden die naar het juiste antwoord leiden, worden gemarkeerd als positief (nuttige documenten), terwijl paden die fouten of onjuiste antwoorden opleveren, worden gemarkeerd als negatief (documenten met veel ruis). Deze differentiatie helpt het model later om de dynamiek van een realistische zoekopdracht te begrijpen en te reproduceren, inclusief relevante en minder bruikbare resultaten.
2. De rol van reinforcement learning bij curriculumsimulatie
Na de gecontroleerde afstemming gaat het model over naar de fase van versterkingstraining, waarin goede praktijken worden versterkt en fouten worden bestraft. Hier fungeert het gesimuleerde LLM zelf als een zoekmachine, die reageert op vragen die door het beleidsmodel worden gegenereerd en documenten retourneert die nuttig of problematisch kunnen zijn.
De moeilijkheidsgraad voor het model neemt geleidelijk toe, volgens een leerstrategie die de kwaliteit van de gegenereerde documenten langzaam afneemt. Hierdoor kan het systeem eerst leren in gecontroleerde omgevingen en, naarmate het vordert, steeds complexere of ruisrijkere voorbeelden tegenkomen . Deze aanpak helpt het model robuuste zoek- en redeneermogelijkheden te ontwikkelen onder realistische omstandigheden.
3. Ontwerp van beloningen en evaluatiemetrieken
Om het leerproces te sturen, gebruikt ZeroSearch een beloningsfunctie gebaseerd op de F1-score . Deze functie balanceert nauwkeurigheid en recall door rekening te houden met de woordovereenkomst tussen de voorspelling en het juiste antwoord. Het doel is om de nauwkeurigheid van de uiteindelijke antwoorden die het model kan genereren te maximaliseren, zonder al te veel aandacht te besteden aan de opmaak, aangezien LLM's doorgaans van nature goed opgemaakte tekst produceren.
4. Multi-turn interactie- en redeneersjablonen
Tijdens de training worden interactiesjablonen gebruikt die het proces in drie fasen verdelen: interne redenering (gescheiden tussen tags zoals <think>...</think>), het uitvoeren van de consultatie (<search>...</search>) En responsgeneratie (<answer>...</answer>). Hierdoor kan het model beter relevante vragen stellen en goed onderbouwde antwoorden geven.
5. Compatibiliteit en schaalbaarheid
ZeroSearch is compatibel met de belangrijkste taalmodellen, zoals de Qwen-2.5-familie, Qwen-2.5 , LLaMA-3.2 en instructie-afgestemde of basisvarianten. Bovendien kan het worden geïmplementeerd met verschillende versterkingsalgoritmen (PPO, GRPO, enzovoort), waardoor het in diverse ontwikkelomgevingen kan worden toegepast.
Gegevens uit de praktijk: Hoeveel bespaart ZeroSearch en wat zijn de prestaties?
Experimenten uitgevoerd door Alibaba en gedocumenteerd in gespecialiseerde publicaties en archieven tonen aan dat ZeroSearch vergelijkbare, en zelfs betere, prestaties levert dan traditionele commerciële zoekmachines . De kostenbesparingen zijn met name aanzienlijk:
- Het uitvoeren van 64.000 zoekopdrachten met behulp van de Google Search API kan ongeveer Dollar 586,70 (ongeveer € 540).
- Hetzelfde queryvolume, gegenereerd en beheerd met een LLM van 14.000 miljard parameters met behulp van ZeroSearch, verlaagt de kosten tot slechts Dollar 70,80 (ongeveer € 65).
- Dit differentieel impliceert een 88% besparing op opleidingskostenwaardoor de afhankelijkheid van externe API's wordt geëlimineerd en er een grotere schaalbaarheid mogelijk is.
De kwaliteitsresultaten zijn daarentegen indrukwekkend: experimenten laten zien dat een ophaalmodule met 7B-parameters qua prestaties overeenkomt met systemen die zijn gebaseerd op Google Zoeken, terwijl het model met 14B-parameters het zelfs overtreft in vraag-en-antwoordtaken, waarbij zowel single-hop- als complexe inferentiedatasets worden gebruikt.
Belangrijkste voordelen en impact op de kunstmatige intelligentiesector
De komst van ZeroSearch betekent een radicale verandering in de manier waarop bedrijven en ontwikkelaars geavanceerde modellen kunnen trainen :
- Drastische verlaging van de economische barrière:Maakt het voor het MKB, startups en zelfstandige ontwikkelaars mogelijk om toegang te krijgen tot geavanceerde AI-technieken, die voorheen werden belemmerd door de kosten van commerciële API's.
- Meer controle over de trainingDoor gesimuleerde documenten te genereren, kunnen teams precies definiëren welke informatie het model ontvangt, en de moeilijkheidsgraad en kwaliteit aanpassen aan hun behoeften.
- Versterking van de technische autonomie: Minimaliseert de afhankelijkheid van grote buitenlandse technologieplatformen en bevordert de lokale ontwikkeling van op maat gemaakte AI-oplossingen.
- Aanpassingsvermogen en modulariteitZeroSearch kan op verschillende modellen worden ingezet en worden afgestemd op verschillende workflows en zakelijke vereisten.
Verschillen met eerdere strategieën: RAG, echte zoekopdrachten en simulaties
Vóór ZeroSearch was RAG (Retrieval-Augmented Generation) de meestgebruikte oplossing om LLM's van actuele en nauwkeurige informatie te voorzien. Hierbij raadpleegt het model externe bronnen met behulp van zoekopdrachten in de echte wereld. Dit brengt echter een aantal duidelijke problemen met zich mee:
- Hoge kosten:Voortdurend gebruik van API's kan budgetten de pan uit laten rijzen.
- Variabele kwaliteit:Opgehaalde documenten kunnen erg inconsistent zijn, afhankelijk van de zoekopdrachten en de API zelf.
- Juridische en privacybeperkingen:Het vertrouwen op diensten van derden brengt juridische en politieke risico's met zich mee, vooral als u traint met gevoelige informatie.
Met ZeroSearch is het niet langer nodig om voortdurend externe bronnen te raadplegen. Hierdoor kan het model leren om ‘binnen zichzelf’ te zoeken, terwijl het de ervaring van interactie met een zoekmachine simuleert.
Impact en toepassingen in de praktijk: van Quark tot de democratisering van AI
Alibaba heeft ZeroSearch al geïntegreerd in zijn commerciële producten. De Quark-applicatie, die gebruikmaakt van Qwen-modellen, heeft dankzij deze techniek opmerkelijke verbeteringen laten zien in redeneervermogen en nauwkeurige antwoorden op complexe vragen. Maar misschien nog wel belangrijker is dat ZeroSearch kleinere bedrijven de mogelijkheid biedt om hun eigen geavanceerde modellen te ontwerpen zonder de noodzaak van dure externe infrastructuur.
De onderzoeksgemeenschap heeft toegang tot de codeopslag, datasets en vooraf getrainde modellen op zowel GitHub als Hugging Face, wat wereldwijde acceptatie en experimenten stimuleert.
Hoe ziet de toekomst van AI-training eruit dankzij ZeroSearch?
Naarmate deze technieken zich verder ontwikkelen, zullen we een wildgroei zien aan intelligente assistenten met geavanceerde zoekmogelijkheden die niet afhankelijk zijn van Google, Bing of vergelijkbare diensten. Dit opent nieuwe mogelijkheden in het onderwijs, het bedrijfsleven en onderzoek, terwijl het mogelijk de dominantie van grote zoekmachines in de sector van kunstmatige intelligentie ondermijnt.
Voor Spanje en Europa biedt dit de mogelijkheid tot autonome groei, minder technologische afhankelijkheid en kosten en meer strategische controle over cruciale informatiesystemen.
De opkomst van ZeroSearch markeert het begin van een nieuw tijdperk waarin het trainen van kunstmatige intelligentiemodellen geen luxe meer is voor een selecte groep, maar een toegankelijk, schaalbaar en steeds geavanceerder instrument wordt. Door AI te leren zoeken zonder de eigen omgeving te verlaten, heeft Alibaba een enorme stap gezet richting de ontwikkeling van zelfvoorzienende, efficiënte systemen die aan elke behoefte kunnen worden aangepast . Het gaat niet langer alleen om kostenbesparing, maar om het herdefiniëren van de spelregels voor de gehele kunstmatige intelligentie-industrie.
