您可能會期望類似下圖的內容

如果我為您視覺化它，您處理計算，然後整合法律，解決該問題，然後繼續進行使用者體驗，等等。有道理，對吧？ 嗯，不完全是。這些層相互交織、錯綜複雜，並遵循不可預測的軌跡。它們構成了複雜網路系統的一部分，使得預測障礙變得極具挑戰性。更像這樣的東西： 現在，還記得組合爆炸嗎？祝您好運，無需在搜尋引擎中使用結構化模式標記資料即可在複雜性層之上處理該問題。正如Perplexity.ai聯合創始人兼首席技術長 Denis Yarats 所說： 「我認為谷歌是其中之一 人類有史以來建造的最複雜的系統。 就複雜性而言，它甚至可能超越飛向月球” 產生人工智慧的挑戰 我在此部落格上撰寫了幾篇有關生成式 AI、SEO 大型語言模型 (LLM) 和 Google 搜尋的部落格文章。


然而，到目前為止，我還沒有具體的數字來說明在提示他們時獲取資訊所需 丹麥 電話號碼 的時間。 檢索資訊本質上是具有挑戰性的設計 我看到了Zdenko Danny Vrancedic 的分析，該分析強調了從ChatGPT、Google 和 Wikidata獲取同一問題的答案所需的時間成本： “誰是紐約市長？” 在最初的比較中，正如 Denny 所建議的那樣，ChatGPT 在可購買的頂級硬體上運行。在第二種情況下，Google使用公眾無法使用的最昂貴的硬體。同時，在第三種情況下，維基資料在單一普通伺服器上運行。這就提出了一個問題：運行單一伺服器的人如何能夠比 Google 和 OpenAI 更快提供答案？這怎麼可能？ 法學碩士面臨這個問題是因為他們缺乏即時信息，缺乏知識圖譜的堅實基礎，阻礙了他們快速訪問此類數據的能力。



更令人擔憂的是它們產生不準確響應的可能性。這裡對法學碩士的關鍵聲明是，他們需要更頻繁地接受再培訓，以提供最新且正確的信息，除非他們更具體地使用RAG和 GraphRAG。 另一方面，谷歌遇到了這一挑戰，因為它依賴與頁面排名相關的資訊檢索過程。相比之下，維基數據並沒有解決這些問題。它在類似圖形的資料庫中有效地組織數據，存儲事實並根據需要及時檢索它們。 總之，如果執行得當，生成式人工智慧將被證明是非常有用且有趣的。然而，如果不使用架構標記等結構化數據，快速獲取準確的最新資訊的任務仍然是一個挑戰。挑戰還不止於此。 文字到視訊模型如何污染線上資料空間 輸入 SORA，OpenAI 最新的文字轉視訊模型。雖然影片製作的民主化無疑是積極的，但請考慮 SORA 對未經驗證和非專業編輯內容中的錯誤訊息的影響。