Black Hat 2023:人工智能如何改变搜索的货币化

2023-10-19 21:30

本文主要是介绍Black Hat 2023:人工智能如何改变搜索的货币化,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

新时代的搜索引擎、人工智能和货币化

在这里插入图片描述

不出所料, Black Hat 2023的开幕主题演讲主题是人工智能。具体来说,该演讲讨论了人工智能的大型语言模型(LLM)对网络安全行业和更广泛的生态系统的影响。演讲者首先谈到了谷歌和微软的投资时间表,数字很大,正如你所预料的那样;迄今为止,仅微软一家就已投资 130 亿美元。

事实上,这个数字让我偏离了演示的主题,我开始想知道为什么一家公司会花费 130 亿美元,更重要的是,为什么他们在许多专家、政府和行业评论员都急于将其推向市场时建议谨慎行事并减缓社会对人工智能的采用。

人工智能导致内容非货币化

人工智能有很多用途;所有这些都可能是原因的一部分。演讲者举了一个例子,确实给出了一个非常容易理解的观点,人工智能被用于视频会议,分析共享的视频、音频和材料,然后能够比仅仅抄写更详细地总结会议。这就是你们投资 130 亿美元的原因,还是为了占领未来搜索市场?Google 这个词会不再是动词吗?

尽管社会可能对人工智能的道德问题存在疑问,也可能没有,但我很好奇,在搜索中采用人工智能是否会导致许多内容提供商失去互联网货币化的问题。

传统搜索引擎(例如 Bing 和 Google)对内容进行索引,并使用算法来确定和提供他们认为在搜索引擎结果页面 (SERP) 中最相关的结果,并在此过程中在顶部提供一些赞助广告。如果您是内容制作者并拥有一个网站,那么您的盈利模式可能包括广告,或者内容仅针对订阅者或通过付费专区受到保护。无论哪种情况,您都可能至少部分依赖通过搜索、点击 SERP 中的链接以及直接浏览网站内容产生的流量。

当大型语言模型 (LLM) 负责提供搜索查询的答案而绕过 SERP 的需求时,会发生什么?该模型拥有搜索引擎可访问的所有内容,创建数据来训练法学硕士,以便它可以针对查询生成类似人类的答案。因此,我们最终得到了对查询的单一答案,该答案可能是使用许多不同的内容网站制定的,没有归因于用于形成答案的内容,并且内容创建者没有选择通过创建和托管来货币化内容。

这是否不再是一场技术竞赛,而更多地是关于如何抢占搜索市场份额和货币化?微软是最大的搜索引擎提供商之一; 大部分市场份额仍然属于谷歌。对每年价值 2250 亿美元的市场的任何影响都是巨大的,这也许可以解释对 AI LLM 的投资。用单个答案替换熟悉的搜索结果列表意味着创建查询的人永远不会离开这个新的“SERP”页面,从而保留搜索引擎提供商通过广告等直接获利的所有流量。

一个已经紧迫的问题

我们已经看到了一些类似的含义:例如,新闻内容有时直接显示在 SERP 或社交媒体页面上;当显示内容源的归属时,生成查询的人不需要访问新闻站点,因此不会生成广告或付费专区流量。加拿大政府率先制定了法案 C-18,以保护新闻内容创作者;它迫使使用内容的平台和创作者之间进行谈判,以补偿他们,将他们创建的内容货币化。

将此问题扩大到所有内容并删除归因。这可能会导致许多内容提供商(例如具有独特利基内容的网站)由于缺乏资金而停止提供高质量的信息。快进十年,如果法学硕士的答案基于当时可用的内容,而内容提供商已停止提供更新的相关内容,那么结果将变得不如今天可靠。

网络安全岌岌可危?

为什么这对网络安全很重要?缺乏资金可能会导致网站所有者停止更新软件或付费以保护其网站,当查询结果生成错误信息时可能会缺乏信任,网络犯罪分子可能会开始发布自己的内容来博弈法学硕士,原因很多。重要的是,在这一转变中,需要考虑内容创建者的困境,以便互联网仍然是收入来源,从而成为事实和准确信息的来源。

这篇关于Black Hat 2023:人工智能如何改变搜索的货币化的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/242472

相关文章

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

认识、理解、分类——acm之搜索

普通搜索方法有两种:1、广度优先搜索;2、深度优先搜索; 更多搜索方法: 3、双向广度优先搜索; 4、启发式搜索(包括A*算法等); 搜索通常会用到的知识点:状态压缩(位压缩,利用hash思想压缩)。

hdu1240、hdu1253(三维搜索题)

1、从后往前输入,(x,y,z); 2、从下往上输入,(y , z, x); 3、从左往右输入,(z,x,y); hdu1240代码如下: #include<iostream>#include<algorithm>#include<string>#include<stack>#include<queue>#include<map>#include<stdio.h>#inc

hdu 4517 floyd+记忆化搜索

题意: 有n(100)个景点,m(1000)条路,时间限制为t(300),起点s,终点e。 访问每个景点需要时间cost_i,每个景点的访问价值为value_i。 点与点之间行走需要花费的时间为g[ i ] [ j ] 。注意点间可能有多条边。 走到一个点时可以选择访问或者不访问,并且当前点的访问价值应该严格大于前一个访问的点。 现在求,从起点出发,到达终点,在时间限制内,能得到的最大

AI基础 L9 Local Search II 局部搜索

Local Beam search 对于当前的所有k个状态,生成它们的所有可能后继状态。 检查生成的后继状态中是否有任何状态是解决方案。 如果所有后继状态都不是解决方案,则从所有后继状态中选择k个最佳状态。 当达到预设的迭代次数或满足某个终止条件时,算法停止。 — Choose k successors randomly, biased towards good ones — Close

hdu4277搜索

给你n个有长度的线段,问如果用上所有的线段来拼1个三角形,最多能拼出多少种不同的? import java.io.BufferedInputStream;import java.io.BufferedReader;import java.io.IOException;import java.io.InputStream;import java.io.InputStreamReader;

CSP 2023 提高级第一轮 CSP-S 2023初试题 完善程序第二题解析 未完

一、题目阅读 (最大值之和)给定整数序列 a0,⋯,an−1,求该序列所有非空连续子序列的最大值之和。上述参数满足 1≤n≤105 和 1≤ai≤108。 一个序列的非空连续子序列可以用两个下标 ll 和 rr(其中0≤l≤r<n0≤l≤r<n)表示,对应的序列为 al,al+1,⋯,ar​。两个非空连续子序列不同,当且仅当下标不同。 例如,当原序列为 [1,2,1,2] 时,要计算子序列 [

论文翻译:ICLR-2024 PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS

PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS https://openreview.net/forum?id=KS8mIvetg2 验证测试集污染在黑盒语言模型中 文章目录 验证测试集污染在黑盒语言模型中摘要1 引言 摘要 大型语言模型是在大量互联网数据上训练的,这引发了人们的担忧和猜测,即它们可能已

基于人工智能的智能家居语音控制系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 随着物联网(IoT)和人工智能技术的发展,智能家居语音控制系统已经成为现代家庭的一部分。通过语音控制设备,用户可以轻松实现对灯光、空调、门锁等家电的控制,提升生活的便捷性和舒适性。本文将介绍如何构建一个基于人工智能的智能家居语音控制系统,包括环境准备

HNU-2023电路与电子学-实验3

写在前面: 一、实验目的 1.了解简易模型机的内部结构和工作原理。 2.分析模型机的功能,设计 8 重 3-1 多路复用器。 3.分析模型机的功能,设计 8 重 2-1 多路复用器。 4.分析模型机的工作原理,设计模型机控制信号产生逻辑。 二、实验内容 1.用 VERILOG 语言设计模型机的 8 重 3-1 多路复用器; 2.用 VERILOG 语言设计模型机的 8 重 2-1 多