不用關(guān)鍵詞也能精準搜索，新AI搜索引擎火了，網(wǎng)友：剛用5分鐘就設(shè)為默認

時間：2023-03-16 23:56:01 | 來源：電子商務(wù)

時間：2023-03-16 23:56:01 來源：電子商務(wù)

關(guān)注“FightingCV”公眾號

回復(fù)“AI”即可獲得超100G人工智能的教程

點擊進入→FightingCV交流群

來源 | 量子位總是搜不到想要的資料？試試直接給AI描述你要查的內(nèi)容！

這可不是什么“智能推薦”功能，而是一個新出爐的AI搜索引擎Metaphor。

與谷歌百度等搜索引擎不同，Metaphor搜東西靠的是提示（prompt），就像引導(dǎo)AI作畫一樣。

△直接輸入一句話，不用摳關(guān)鍵詞如果提示合適，AI就能準確理解你想要的意思，迅速從無數(shù)鏈接中抽出你想要的網(wǎng)站，按匹配度由上至下列給你，在模糊搜索上甚至比單純靠關(guān)鍵詞搜索更加精確。

Metaphor在網(wǎng)上公開測試版后大火，有網(wǎng)友用了不到5分鐘，就把它換成Chrome默認搜索引擎了：

所以它究竟是個怎樣的搜索引擎，實際使用效果又如何？

如何使用這個搜索引擎網(wǎng)站？

據(jù)作者介紹，Metaphor的原理是基于自監(jiān)督學(xué)習(xí)模型，通過輸入的文本來預(yù)測網(wǎng)址。

原理上，有點像是GPT-3基于輸入文本預(yù)測下一個單詞，以及Stable Diffusion基于文本生成圖像等操作。

使用Metaphor主要有三種方法。

第一種方法，就是直接列提示，讓Metaphor來解讀它。

這里有幾種列提示（prompt）的方法，全都是基于自動補全的原理，如句子末加冒號（:）、只說半句話、以及給對話等，總之目的是讓AI理解你要找的內(nèi)容。

例如要是想找DALL-E的教程，可以直接說“這里有個很棒的DALL-E教程：”，加個冒號后Metaphor就知道你要找的是什么網(wǎng)站了：

除此之外，也可以“把話說一半”，例如“我認為最適合學(xué)Python的方法是……”

這樣Metaphor就會自動給你搜出各種相似的網(wǎng)站了。

當然，畢竟是prompt，所以即使是用對話的方式來搜索也可以：

愛因斯坦：你好！
我：嗨，愛因斯坦！天啊，時隔這么久還能和你這樣聊天真是太棒了！
愛因斯坦：我也很高興。
我：愛因斯坦，我想知道你最喜歡的書是什么。
愛因斯坦：??！好問題。目前來看我最喜歡的書是……

第二種方法，就是直接給A搜B了。

也就是給出具體網(wǎng)站名稱，告訴Metaphor想找相似的博客，像這樣：

△我最愛的兩個博客是SlateStarCodex和……Metaphor就會給出它認為與SlateStarCodex最相似的網(wǎng)站：

如果搜博客名稱效果不好（例如有重名博客），還有一種更直接的方式。

第三種方法，就是給Metaphor一個網(wǎng)站，讓它去找相似的，這里我們用麥當勞官網(wǎng)試試：

嗯，不僅給出了麥當勞的其他網(wǎng)站，還給出了漢堡王官網(wǎng)（手動狗頭）。

不過，或許是準備收費或出于一些特殊原因，作者并沒有公開背后的詳細模型架構(gòu)，也沒有說模型多久會更新一次。

那么相比其他搜索引擎，用prompt搜索是否會有什么優(yōu)勢？

搜人更好用，但中文不行

我們簡單試用了一下，發(fā)現(xiàn)它在“找人”以及一些模糊搜索上效果特別好。

例如找航天領(lǐng)域、或是AI領(lǐng)域的一些專家：

模型很快就會給出特別明確的、而且在當前領(lǐng)域有一定影響力的人物主頁，例如SpaceX、或是OpenAI等公司的主管：

不過，模型自身也還有一些局限性，例如英文輸入表現(xiàn)雖然不錯，但目前中文搜索準確率不太行，往往與想要的答案相距甚遠。

像“馬斯克喜歡吃什么”，英文搜索的結(jié)果就非常貼切，甚至有“模仿他一周的飲食”這樣的帖子：

換成中文后，馬斯克頓時就變成了中國人（doge），喜歡吃的東西從熱狗、橙子、意面變成了硬菜、咕嚕肉和飯……

此外，輸入足球明星并以“貝克漢姆”為例，輸出的卻是羽毛球運動員，再往下甚至還能看見網(wǎng)球運動員的介紹，但就是沒有足球的……

不過無論如何，這對于搜索引擎而言都是一個新思路，想做中文搜索引擎的也可以考慮一下了~

你還有見過類似好玩的AI搜索引擎嗎？

參考鏈接：
[1]https://metaphor.systems/blog
[2]https://twitter.com/metaphorsystems/status/1590766127034298370

—完—

往期回顧




基礎(chǔ)知識

【CV知識點匯總與解析】|損失函數(shù)篇

【CV知識點匯總與解析】|激活函數(shù)篇

【CV知識點匯總與解析】| optimizer和學(xué)習(xí)率篇

【CV知識點匯總與解析】| 正則化篇

【CV知識點匯總與解析】| 參數(shù)初始化篇

【CV知識點匯總與解析】| 卷積和池化篇 （超多圖警告）




最新論文解析

WACV2022 | 一張圖片只值五句話嗎？UAB提出圖像-文本匹配語義的新視角！


CVPR2022 | Attention機制是為了找最相關(guān)的item？中科大團隊反其道而行之！


ECCV2022 Oral | SeqTR：一個簡單而通用的 Visual Grounding網(wǎng)絡(luò)


如何訓(xùn)練用于圖像檢索的Vision Transformer？Facebook研究員解決了這個問題！


ICLR22 Workshop | 用兩個模型解決一個任務(wù)，意大利學(xué)者提出維基百科上的高效檢索模型

See Finer, See More！騰訊&上交提出IVT，越看越精細，進行精細全面的跨模態(tài)對比！


MM2022｜兼具低級和高級表征，百度提出利用顯式高級語義增強視頻文本檢索


MM2022 | 用StyleGAN進行數(shù)據(jù)增強，真的太好用了

MM2022 | 在特征空間中的多模態(tài)數(shù)據(jù)增強方法

ECCV2022|港中文MM Lab證明Frozen的CLIP 模型是高效視頻學(xué)習(xí)者

ECCV2022｜只能11%的參數(shù)就能優(yōu)于Swin，微軟提出快速預(yù)訓(xùn)練蒸餾方法TinyViT

CVPR2022|比VinVL快一萬倍！人大提出交互協(xié)同的雙流視覺語言預(yù)訓(xùn)練模型COTS，又快又好！

CVPR2022 Oral｜通過多尺度token聚合分流自注意力，代碼已開源

CVPR Oral | 谷歌&斯坦福（李飛飛組）提出TIRG，用組合的文本和圖像來進行圖像檢索