近日，我在朋友圈里得知，快手已经开始在其产品中广泛应用基于AI大模型的推荐系统。这一消息让我既兴奋不已，又满心好奇。AI大模型究竟会给推荐系统带来哪些颠覆性的变化
推荐系统本质与分发方式
推荐系统的主要作用是帮助用户和相关信息准确匹配，通常采用两种信息推送方法。首先，系统会研究内容的特征，然后评估不同内容之间的相似性，接着向用户推荐与之前喜欢的信息相似的新内容；其次，系统还会直接向用户展示当前最受欢迎的信息。以快手为例，其采用的精排模型（SIM）在高端GPU上完成了训练和推理任务，但遗憾的是，该模型的算力利用率却只有4.6%和11.2%，这一现象造成了显著的资源浪费。
大模型应用难题
在过去两年里，在与同行业的交流中，我常常带着好奇询问，为何不把大型模型技术引入到推荐系统里。大家普遍觉得，把端到端的大模型技术整合到推荐系统中，是一项极具挑战性的工作。长期以来，推荐系统在算力利用方面效率并不高，而且技术手段相对单一。以过往的系统为例，在短视频内容繁多的情境下，它们仅能留意到表面的标签，却难以精确捕捉到用户的真实喜好。
OneRec 变革
OneRec带来了变革，它改变了推荐问题的处理方式，不再是通过多阶段、分层的筛选，而是实现了从始至终的大模型生成，直接向用户呈现可能感兴趣的视频列表。引入分词器后，模型能更精确地捕捉用户偏好内容的细节，对内容的理解也更加贴近人类的认知。这一改动使得系统不再单一地依赖用户最近的行为，它能够快速捕捉到用户兴趣的变动，并且根据这些变化来调整推荐策略。
优势凸显
我国教育部构建的组织架构显现出显著优势，在内容推荐的各个阶段，总能迅速集结最合适的专家团队，共同制定决策，有效避免了因过度依赖传统强化学习而产生的同质化内容以及激烈竞争的问题。此外，针对工业领域的应用，该模型特别设定了激励措施，包括对营销账号推广力度进行约束，为新视频提供展示平台，通过这些手段对内容分发进行灵活调整，以保证平台内容不会过于单一。
应用成效
应用成果令人振奋，通过结合生成模型和强化学习调整用户偏好，我们便取得了与原有复杂系统相当的效果。在本地生活业务方面，我们已经实现了100%的流量转换，系统正式投入使用后，关键性能指标甚至超过了灰度测试阶段，这充分展示了OneRec卓越的泛化能力。
未来展望
推荐系统已经取得了一些成绩，不过其发展潜力巨大。由于用户兴趣广泛且多变，因此模型结构和采样策略的适应性必须加强。以往，推荐系统的反应速度较慢，而像Scaling Law和强化学习这样的新技术应用也受到限制，未来需要付出更多努力来应对这些挑战。
各位对人工智能大规模模型在推荐技术领域的进展有何看法？在使用这类模型进行发展的过程中，它们可能会面临哪些困难？期待您在评论区发表您的见解，并且请不要忘记点赞和转发本篇文章。
