- ZeroSearch 通过模拟搜索大幅降低了训练 AI 模型的成本，消除了对外部搜索引擎的依赖。
- 它使用监督强化学习系统来提高 LLM 的回忆和推理能力。
- 它允许公司和开发人员以低成本训练高级模型，获得对流程的自主权和控制权。
近年来，人工智能领域的创新呈爆炸式增长，尤其是在大型语言模型（LLM）方面。 2025年最重大的进展之一是阿里巴巴开发的零搜索（ZeroSearch）技术，它正在颠覆传统的模型训练方式。零搜索究竟是什么？它为何在业界引起如此大的轰动？本文将深入探讨这一全新方法，分析其工作原理、相较于传统方法的优势，以及它将如何从各个层面改变人工智能的发展。
在科技圈，这成了热门话题：ZeroSearch 承诺将人工智能训练成本降低惊人的 88%。这种效率的飞跃绝非简单的营销噱头，它对大大小小的公司、开发者以及通用人工智能的发展都具有深远的影响。
什么是 ZeroSearch？它来自哪里？
ZeroSearch 是一种新型强化学习技术，旨在训练语言模型时无需依赖外部搜索引擎。这项创新源自阿里巴巴集团旗下的同意实验室，旨在解决使用网络搜索训练人工智能模型时遇到的两个常见问题：使用 API 的高昂成本以及检索到的文档质量难以预测。
到目前为止，开发高级助手、聊天机器人或推荐引擎需要通过付费服务向谷歌等搜索引擎发送数以万计的查询，这增加了成本并限制了可扩展性，尤其是对于预算紧张的公司而言。
ZeroSearch 通过押注于一个系统来改变游戏规则，在这个系统中，LLM 本身学习模拟搜索引擎的运行，根据查询生成相关甚至嘈杂（不相关）的文档，从而允许在没有外部交互的情况下进行训练。
ZeroSearch 如何工作？详细技术讲解
ZeroSearch 的核心是一个强化学习 (RL) 框架，它无需在训练过程中进行实际的互联网搜索。让我们根据阿里巴巴的方法以及已发表的关于该技术的全面分析，逐步了解这一过程的结构。
1. 轻量级监督调优来模拟搜索
一切都始于监督式微调（SFT），在此过程中，LLM 被训练成像信息检索模块一样运行。通过这种微调，它学会生成查询响应文档，模仿真实搜索引擎提供的文本风格和内容类型。在初始阶段，模型与搜索引擎之间的交互路径会被记录下来，从而建立查询和检索文档的日志。
成功的路径，即那些导致正确答案的路径，被标记为积极的（有用的文档），而导致错误或不正确答案的路径被标记为消极的（嘈杂的文档）。这种区分稍后将有助于模型理解和重现现实搜索的动态，包括相关结果和不太有用的结果。
2. 强化学习与课程模拟的作用
经过监督式调优后，模型进入强化训练阶段，在此阶段，良好的实践会得到强化，而失败则会受到惩罚。此时，模拟的LLM本身充当搜索引擎的角色，响应策略模型生成的查询，并返回可能有用或有问题的文档。
模型的难度会逐步增加，遵循一种循序渐进的教学策略，即逐步降低生成文档的质量。这使得系统能够先在受控环境中学习，然后随着学习的深入，逐渐接触到越来越嘈杂或复杂的示例。这种方法有助于模型在实际条件下发展出强大的搜索和推理能力。
3. 奖励和评估指标的设计
为了指导学习，ZeroSearch 使用基于 F1 分数的奖励函数，该函数通过考虑预测结果与正确答案之间的词语匹配度来平衡准确率和召回率。其目标是在不过多关注格式的情况下，最大化模型最终生成的答案的准确率，因为语言学习模型通常能够自然地生成格式良好的文本。
4. 多轮交互和推理模板
在训练过程中，使用交互模板将过程分为三个阶段： 内部推理 （在标签之间分隔，例如 <think>...</think>), 进行咨询 (<search>...</search>）Y 响应生成 (<answer>...</answer>）。这使得模型能够提高其制定相关查询和提供有根据的答案的能力。
5.兼容性和可扩展性
ZeroSearch 与主流语言模型兼容，例如 Qwen-2.5 系列、Qwen-2.5、LLaMA-3.2 以及指令优化或基础变体。此外，它还可以使用不同的强化学习算法（例如 PPO、GRPO 等）来实现，从而便于在各种开发环境中应用。
真实世界数据：ZeroSearch 节省了多少数据以及其性能如何？
阿里巴巴开展的实验，以及相关文献和资料库中的记录表明，ZeroSearch 的性能与传统商业搜索引擎相比毫不逊色，甚至更胜一筹。尤其值得一提的是，它还能显著节省成本：
- 使用 Google Search API 执行 64.000 次查询的成本约为 $ 586,70 （约 540 欧元）。
- 使用 ZeroSearch 生成和管理的 14.000 亿参数 LLM 的相同查询量将成本降低至 $ 70,80 （约€65）。
- 这种差异意味着 节省88%的培训成本，消除对外部 API 的依赖并实现更高的可扩展性。
另一方面，其质量结果令人印象深刻：实验表明，7B 参数检索模块的性能可与基于 Google 搜索的系统的性能相匹配，而具有 14B 参数的模型甚至在使用单跳和复杂推理数据集的问答任务中表现更佳。
对人工智能行业的关键优势和影响
ZeroSearch 的出现标志着公司和开发人员训练高级模型的方式发生了根本性的转变：
- 大幅减少经济壁垒：为之前受商业 API 成本阻碍的中小企业、初创企业和独立开发者提供获取先进 AI 技术的机会。
- 更好地控制训练通过生成模拟文档，团队可以准确定义模型接收的信息，并调整难度和质量以满足他们的需求。
- 提高技术自主性：最大限度地减少对国外大型技术平台的依赖，促进定制化人工智能解决方案的本地化发展。
- 适应性和模块化ZeroSearch 可以部署在各种模型上，并根据不同的工作流程和业务需求进行定制。
与以往策略的区别：RAG、真实搜索和模拟
在 ZeroSearch 之前，为 LLM 提供最新和准确信息的最常见解决方案是使用 RAG（检索增强生成），其中模型使用真实世界的搜索来查询外部来源。然而，这也带来了一些明显的问题：
- 高成本：持续使用 API 可能会导致预算猛增。
- 可变质量：根据搜索和 API 本身，检索到的文档可能非常不一致。
- 法律和隐私限制：依赖第三方服务涉及法律和政治风险，尤其是在使用敏感信息进行培训时。
ZeroSearch 消除了不断参考外部来源的需要，允许模型在模拟与搜索引擎交互的体验时学习“在自身内部”搜索。
影响和实际应用：从夸克到人工智能的民主化
阿里巴巴已将零搜索技术集成到其商业产品中。得益于这项技术，其Quark应用（由Qwen模型驱动）在推理能力和复杂查询的准确响应方面都取得了显著提升。但或许最重要的是，零搜索技术为规模较小的公司打开了一扇大门，使它们无需昂贵的外部基础设施即可设计自己的高级模型。
研究社区可以访问 GitHub 和 Hugging Face 上的代码库、数据集和预训练模型，这正在促进全球的采用和实验。
借助 ZeroSearch，AI 训练的未来将会是什么样子？
随着这些技术的成熟，我们将看到大量具备高级搜索功能的智能助手涌现，它们不再依赖于谷歌、必应或类似的搜索引擎服务。这将为教育、商业和研究领域带来新的机遇，同时也可能削弱主流搜索引擎在人工智能领域的统治地位。
对于西班牙和欧洲来说，这代表着自主增长的可能性、减少技术依赖和成本，以及对关键信息系统的更大战略控制。
ZeroSearch 的崛起标志着一个新时代的开始，在这个时代，训练人工智能模型不再是少数人的专属特权，而将成为一种普及、可扩展且日益精密的工具。通过教会人工智能在自身环境内进行搜索，阿里巴巴在开发能够适应任何需求的自给自足、高效系统的道路上迈出了重要一步。这不再仅仅关乎降低成本，而是要重塑整个人工智能行业的游戏规则。
