当推荐系统遇上大模型:三条正在成形的演进路线
在这场Recsys主题演讲中,Eugene Yan没有讨论“要不要用大模型”,而是回答了“该怎么用”。他用一系列真实案例,提出了三条正在落地的路径:语义化ID、基于大模型的数据增强,以及统一模型,展示了推荐与搜索系统在LLM时代的真实进化方式。
在这场Recsys主题演讲中,Eugene Yan没有讨论“要不要用大模型”,而是回答了“该怎么用”。他用一系列真实案例,提出了三条正在落地的路径:语义化ID、基于大模型的数据增强,以及统一模型,展示了推荐与搜索系统在LLM时代的真实进化方式。
这场演讲由前Google PaLM与Gemini核心研究者Aakanksha Chowdhery分享,系统回顾了大语言模型从“规模化”到“推理能力”再到“自动编程”的演进脉络。她的核心观点是:当模型具备推理能力后,真正的瓶颈转向了如何通过强化学习,让模型在真实任务中自我改进。
Datalab CEO Vik Paruchuri分享了他如何用不到15人的极小团队,训练最前沿的模型、拿到七位数ARR,并获得4万GitHub Star。他用亲身创业和裁员经历,挑战了“人越多越高效”的硅谷共识。
Alex Duffy提出一个反直觉却极具力量的观点:AI基准测试不是中立工具,而是像“模因”一样会传播、进化,并最终塑造模型能力与人类价值。通过Pokémon、Diplomacy等生动案例,他揭示了谁在定义评测,谁就在定义AI要变成什么。
这是一份来自一线内容创作者的AI使用清单:不是评测参数,而是解释“在什么场景下用什么模型”。从播客剪辑、写作、研究到策略思考,作者分享了他每天反复验证过的选择逻辑,以及他认为AI依然做不好的那些事。
Dropbox AI产品副总裁Morgan Brown分享了他如何在几乎所有工作环节中使用AI作为“第二大脑”,从会议预演、跨文档搜索到重塑产品经理角色。这不仅是一套工具用法,更是一种关于效率、决策和产品工作的全新方法论。
这是一场偏实战的工作坊,Nick Nisi 与 Zack Proser 用一个“生成表情包”的完整案例,讲清楚了 Mastra 如何在纯 TypeScript 中构建 AI workflows、tools 与 agents。视频最大的价值不在概念,而在于他们如何把看似复杂的 Agent 系统拆成可组合、可调试、可落地的工程结构。
本文带你深入了解Perplexity创始人Aravind Srinivas如何以极致速度和技术创新挑战Google、OpenAI等巨头,揭秘AI搜索与智能代理的未来,以及创业路上的真实故事和独特洞见。
这是一次来自Google DeepMind一线的内部复盘。Logan Kilpatrick用不到12分钟,讲清了Gemini过去一年真正的转折点:为什么2.5 Pro意义重大,DeepMind为何从“纯研究”转向“研究+交付”,以及他们眼中多模态、Agent和“无限上下文”的下一站。
Google DeepMind研究员Jack Rae从研究视角解释了Gemini中“thinking”的来龙去脉:它并非简单让模型回答更慢,而是试图解决大语言模型在推理、验证和人类理解层面的核心瓶颈。这场演讲揭示了DeepMind内部对智能进展的判断框架。