生成式AI技術正以迅猛之勢重塑搜索、推薦和廣告三大核心領域。近日，一場技術沙龍活動上，快手集中展示了其在生成式框架下的創(chuàng)新實踐，覆蓋推薦系統(tǒng)、電商搜索及廣告出價等關鍵場景，并邀請學術界與產(chǎn)業(yè)界專家共同探討技術潛力與挑戰(zhàn)。

在推薦系統(tǒng)領域，快手的OneRec技術實現(xiàn)了從傳統(tǒng)判別式到生成式的范式躍遷。通過端到端生成模型，系統(tǒng)直接輸出推薦內(nèi)容的對應標識，突破了多級判別結(jié)構(gòu)的限制。其最新版本OneRec Think更引入用戶行為日志作為新模態(tài)，使推薦系統(tǒng)具備推理能力，能夠解釋用戶偏好并生成更具洞察力的結(jié)果。目前，該技術已在快手主站、極速版及電商場景落地，顯著提升了業(yè)務指標。

短視頻推薦排序機制方面，快手團隊構(gòu)建了端到端多目標融合框架。該方案以模型化替代人工設計公式，通過Transformer結(jié)構(gòu)捕捉候選內(nèi)容間的相對關系，并結(jié)合動態(tài)權(quán)重實現(xiàn)多目標平衡。實驗數(shù)據(jù)顯示，在快手極速版中，用戶停留時長提升約2%，7日留存率提高超3‰，標志著推薦機制從規(guī)則驅(qū)動向智能自進化的轉(zhuǎn)型。

電商搜索領域，快手推出的OneSearch框架以生成式大模型取代傳統(tǒng)“召回—粗排—精排”架構(gòu)。通過層次量化編碼技術，系統(tǒng)為商品生成語義豐富的“智能身份證”，精準提取核心屬性并區(qū)分細微差異。同時，多視角用戶行為建模與偏好感知獎勵系統(tǒng)（PARS）的結(jié)合，使搜索結(jié)果的相關性與個性化體驗大幅提升。數(shù)據(jù)顯示，該框架使訂單量增長3.22%，成本降低75%，尤其在冷啟動和長尾查詢場景中表現(xiàn)突出。

廣告出價環(huán)節(jié)，快手引入生成式強化學習技術，提出GAVE與CBD兩種范式。GAVE通過價值引導探索機制減少對高質(zhì)量數(shù)據(jù)的依賴，而CBD則利用軌跡級對齊優(yōu)化目標，實現(xiàn)毫秒級推理延遲的穩(wěn)定在線應用。實驗表明，新范式在廣告轉(zhuǎn)化與成本控制方面效果顯著，為全空間優(yōu)化提供了可能。

學術界專家對生成式框架的價值給予肯定。中國人民大學教授徐君認為，該技術解決了傳統(tǒng)級聯(lián)架構(gòu)的錯誤傳遞問題，其在大規(guī)模商業(yè)應用中的實際效果已證明“偽范式”的批評不成立。香港城市大學副教授趙翔宇補充道，生成式范式的根本創(chuàng)新在于將推薦任務從行為預測轉(zhuǎn)向意圖理解，大模型的自回歸學習能力與世界知識為技術建立了新理論基礎。

針對成本與收益的爭議，快手商業(yè)化算法部負責人蔡慶芃強調(diào)，大模型基礎建設屬于一次性投入，而收益是持續(xù)累積的。只要投資回報率為正，技術迭代就值得推進。推薦算法專家王詩瑤則提出，計算成本持續(xù)下降而算法回報呈幾何級增長，當前應關注如何開發(fā)配得上算力的技術，而非過早限制模型規(guī)模。

在人才需求方面，專家們普遍認為，未來從業(yè)者需兼具算法深度與工程能力。趙翔宇指出，學生應深入理解傳統(tǒng)搜推體系與大模型全流程技術，并從真實產(chǎn)業(yè)問題中尋找研究方向。徐君提醒，科研價值不應被論文數(shù)量綁架，數(shù)學與邏輯的嚴謹性仍是基礎?？焓重浖茈娚特撠熑藯钜环珡钠髽I(yè)角度補充，技術人員需具備業(yè)務抽象能力，將實際問題轉(zhuǎn)化為模型優(yōu)化目標，同時保持對技術歷史脈絡的認知。

生成式技術正在重新定義搜推廣領域的底層邏輯。從具備推理能力的推薦系統(tǒng)到端到端搜索引擎，再到智能廣告出價，快手的實踐為行業(yè)提供了可借鑒的路徑。隨著技術不斷演進，這一領域的創(chuàng)新競爭將持續(xù)升級。