LinkedIn AI升級人脈搜尋 1.3億用戶實戰秘技

LinkedIn推出全新AI驅動人物搜尋，3年後終於登場

LinkedIn今個星期正式推出新一代由人工智能驅動的人物搜尋功能，這個本應是生成式AI自然應有的應用，卻耗時三年才面世。自ChatGPT面世已三年，加上LinkedIn半年前才推出AI求職搜尋，這個時間線反映出一個企業界的重要教訓：要在真實企業環境中大規模部署生成式AI，尤其是面對13億用戶，絕非易事，而是一個緩慢且殘酷的務實優化過程。

全新AI搜尋如何運作？

用戶現在可以在LinkedIn搜尋欄輸入自然語言查詢，例如「誰在癌症治療方面有專業知識？」傳統基於關鍵詞的搜尋系統只會搜尋「癌症」這個字眼，若用戶想深入，就得分別搜尋「癌症」和「腫瘤學」等關鍵詞，再手動拼湊結果。

而新AI系統則能理解查詢背後的意圖，因為底層大型語言模型（LLM）能掌握語義關係。系統明白「癌症」和「腫瘤學」的關聯，甚至與「基因組學研究」等領域有間接關係，因此能呈現更相關的專家名單，即使他們的個人檔案未必直接提及「癌症」這字眼。

同時，系統會平衡「相關性」與「可用性」，不會只顯示全球頂尖腫瘤專家（可能是第三度人脈，難以接觸），而是會優先推介你身邊的第一度人脈，即使他們只是「相當相關」，也能成為通往專家的關鍵橋樑。

LinkedIn的AI「烹飪秘方」：逐步優化的多階段流程

LinkedIn工程副總裁張文靜（Wenjing Zhang）表示，最初嘗試打造一套涵蓋所有產品的統一AI系統時，因目標過大而陷入停滯。後來公司改為先專注於一個垂直領域——AI求職搜尋，並從中取得成功，該產品令沒有四年制學位的求職者被錄用機會提升10%。這成為他們打造人物搜尋的藍本。

這次人物搜尋的挑戰更大，因為LinkedIn用戶超過13億。求職搜尋只涉及數千萬職位，人物搜尋則要在龐大用戶圖譜中檢索和排名，技術難度大幅提升。

從數據蒐集到模型蒸餾：AI訓練的嚴謹過程

團隊先建立一套「黃金數據集」，包含數百至千條真實查詢與用戶檔案對應，並根據20至30頁的產品政策詳細評分。利用這個小數據集，促使大型基礎模型生成大量合成訓練數據。接著用這些數據訓練一個7億參數的「產品政策」模型，作為高精度的相關性評判標準。

不過，團隊花了6至9個月也無法訓練出同時兼顧政策遵守和用戶互動的單一模型。後來他們將7億參數模型蒸餾成1.7億參數的教師模型專注於相關性，再搭配其他教師模型分別預測用戶行為（例如職位申請、連接、關注等），形成多教師架構，最終學生模型透過模仿學習達到最佳平衡。

整個流程分兩階段：先用8億參數模型粗略篩選候選人，再用高度蒸餾的學生模型做精細排序。與求職搜尋600萬參數學生模型相比，人物搜尋的學生模型更為精簡，由4.4億剪裁至2.2億參數，以確保在13億用戶規模下的速度與準確度。

技術基礎設施大改造：從CPU到GPU

人物搜尋不只是排序，還涉及大規模檢索。過去CPU架構難以應付，團隊改用GPU基礎設施，實現快速響應，這是求職搜尋產品未曾面對的基礎架構挑戰。

組織層面，LinkedIn曾讓求職搜尋和人物搜尋團隊並行研發，直到求職搜尋團隊成功後，公司將其架構師拉入人物搜尋團隊，直接移植成熟「烹飪秘方」。

輸入資料壓縮帶來10倍效能提升

為了提升效率，團隊訓練另一個大型語言模型作為「摘要器」，用強化學習專門將輸入內容濃縮，令模型輸入大小縮小20倍，資訊損失極少。配合2.2億參數學生模型，整體排名吞吐量提升10倍，成功應付龐大用戶量。

務實優先，打造工具非代理人

產品工程副總裁Erran Berger強調，企業應該聚焦完善推薦系統，而非追逐「代理人」的炒作熱潮。LinkedIn選擇最有效率的模型，而非執著於特定模型。

新人物搜尋包含一個由大型語言模型驅動的智能查詢路由層，能判斷用戶查詢應該走自然語言語義搜尋還是傳統關鍵詞搜尋。整套系統被設計為未來代理人將使用的「工具」，而非代理人本身。

Berger說：「代理產品的效能取決於他們所用的工具。即使你有世界上最強的推理模型，但如果人物搜尋引擎不好，代理人也無法交付好成果。」

他透露，未來或會推出整合代理人的版本，但未提供具體時間表，也表示這套「烹飪秘方」將逐步應用於公司其他產品。

LinkedIn AI部署三大教訓：

1. 務實：別一開始就想包山包海，先攻下一個垂直領域，即使要花18個月也值得。
2. 制度化「烹飪秘方」：將勝利經驗轉化為可複製流程（政策文件、蒸餾管線、共設計）。
3. 持續優化：真正10倍提升在於模型後期的精簡、蒸餾和創新優化，例如RL訓練的摘要器。

LinkedIn的經驗告訴企業，真實世界的AI應用不應過度追求炫酷模型或代理系統，而是要掌握從設計到蒸餾再到優化的完整管線，這才是長遠且有競爭力的策略。

—

評論與啟示

LinkedIn這次人物搜尋的推出，揭示了生成式AI在企業級大規模應用中，面對的真實挑戰與解決之道。與坊間許多只講概念和理想的AI報道不同，LinkedIn展示了AI落地的「慢工出細活」——從小規模、嚴謹的標註數據出發，通過多模型蒸餾和架構創新，逐步攻克龐大用戶量和延遲要求。

這不僅是技術問題，更是組織與策略問題：一開始就想做全公司統一系統反而拖慢腳步，反而分步聚焦一個垂直領域，再將成功經驗複製推廣，才是可行之道。這種「分階段攻堅」和「制度化成功模式」的思維，值得所有企業AI團隊借鑒。

此外，LinkedIn強調推薦系統本身的價值，而非盲目追逐代理人或「智能助理」的噱頭，提醒業界勿被市場熱潮迷惑，務實打造穩定可靠的核心能力才是王道。

最後，LinkedIn在技術基礎設施上的大刀闊斧改造，從CPU轉向GPU加速，以及訓練專門的摘要模型以大幅縮減輸入規模，這些細節展現了真正大規模AI服務背後的複雜性和創新，值得香港企業在AI基建規劃時深思。

總結來說，LinkedIn的AI人物搜尋不僅是產品升級，更是企業級AI實踐的寶貴範例。對於香港和全球的企業來說，這提供了清晰的路徑與策略啟發：AI成功的關鍵，絕非一蹴而就，而是持續的精細化運營和技術優化。

以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。