Google DeepMind i el futur del ranking: l'arribada de l'IA autoregressiva
- Google DeepMind proposa l'Autoregressive Ranking (ARR) per substituir el sistema actual de dues etapes (Dual i Cross Encoders).
- El mètode SToICaL permet entrenar LLMs per classificar documents amb precisió sense perdre eficiència.
- BlockRank democratitza la cerca semàntica avançada mitjançant l'optimització de l'atenció en el processament de dades.
- Aquests canvis podrien redefinir profundament les estratègies de visibilitat digital per a les empreses.
La infraestructura que sosté la cerca de Google, el motor més influent del món, està començant a experimentar una mutació profunda. No es tracta només d'afegir una capa de generació de respostes com les AI Overviews, sinó de canviar el cor del sistema: com es decideix quin document és més rellevant que un altre. Google DeepMind està liderant una recerca que podria eliminar la arquitectura tradicional de recuperació de dades per implementar models de llenguatge gran (LLM) directament en el procés de ranking.
L'estratègia per eliminar el sistema de dues etapes
Actualment, la majoria dels sistemes de cerca operen amb una estructura dividida. En primera instància, un Dual Encoder (DE) converteix les consultes i els documents en vectors per recuperar ràpidament una llista de candidats potencials. Aquest procés és computacionalment barat i extremadament ràpid, però manca de precisió quirúrgica. En segona instància, entra en joc el Cross Encoder (CE), que analitza detalladament aquests candidats per classificar-los finalment. El problema és que el Cross Encoder és massa costós en termes de recursos per processar milions de pàgines en temps real.
La proposta de Google DeepMind, detallada en el paper Autoregressive Ranking: Bridging the Gap Between Dual and Cross Encoders, és substituir aquest duality per un sistema únic anomenat Autoregressive Ranking (ARR). L'objectiu és que un sol LLM sigui capaç de generar la llista classificada de documents, eliminant la necessitat de separar la recuperació del ranking.
SToICaL: el motor d'aprenentatge del nou ranking
Perquè un model de llenguatge pugui classificar documents amb eficàcia, no basta amb la seva capacitat generativa; ha de ser entrenat específicament per entendre la jerarquia de la rellevància. Aquí és on entra el mètode SToICaL (Simple Token-Item Calibrated Loss). Aquesta tècnica d'entrenament ensenya al model a assignar pesos diferents segons la posició que hauria d'ocupar un document.
El sistema SToICaL funciona prioritzant els documents que han de figurar en les primeres posicions, donant-los més pes durant l'aprenentatge, mentre que reduceix la importància d'aquells que han de quedar més avall. Aquesta calibració permet que l'ARR no només entengui el contingut, sinó que aprengui la lògica de la classificació, tancant la bretxa d'eficiència que existia entre els Dual Encoders i els Cross Encoders.
BlockRank i la democratització de la cerca semàntica
Paral·lelment al desenvolupament de l'ARR, Google DeepMind ha presentat BlockRank, un model que busca escalar l'In-Context Ranking (ICR). L'ICR és una tècnica on es proporciona al model instruccions, els documents candidats i la consulta de l'usuari per classificar-los directament. Tot i ser potent, l'ICR patia un problema d'escalabilitat: a mesura que augmentava el nombre de documents, la potència de càlcul requerida creixia de manera exponencial perquè el model havia d'atendre cada paraula de cada document en relació amb totes les altres.
Els investigadors han descobert un patró anomenat inter-document block sparsity. Han observat que, quan el model llegeix un grup de documents, tendeix a centrar-se en cada document de manera individual en lloc de comparar-los constantment entre si. BlockRank aprofita aquesta observació per optimitzar el procés d'atenció, reduint la càrga computacional i permetent que eines de cerca semàntica avançada siguin accessibles no només per a gegants tecnològics, sinó també per a organitzacions més petites.
L'implementació de BlockRank pot democratitzar l'accés a eines potents de descobriment de informació, permetent que la cerca semàntica de nivell professional sigui viable per a entitats amb menys recursos computacionals.
Impacte en el SEO i l'AEO
El canvi cap a un sistema autoregressiu i unificat té implicacions profundes per a qualsevol empresa que depengui de la visibilitat orgànica. Si el ranking deixa de dependre d'una seqüència de vectors i passa a ser el resultat d'un LLM que processa el context de manera holística, les regles del joc canvien. L'optimització per a motors de cerca (SEO) i l'optimització per a experiències de resposta (AEO) convergiran en una sola disciplina.
La capacitat de BlockRank per processar la semàntica de manera més eficient suggereix que el contingut que ofereix una resposta directa, estructurada i contextulment rica tindrà un avantatge competitiu. Ja no es tractarà només de coincidències de paraules clau o d'autoritat de domini, sinó de com el model de llenguatge interpreta la relació entre la consulta de l'usuari i la substància del document.
L'evolució cap a una infraestructura unificada
L'estratégia de Google sembla clara: simplificar la infraestructura del back-end. En lloc de mantenir múltiples sistemes que s'interconnecten, l'empresa busca un model unificat que gestioni tot el flux, des de la recepció de la consulta fins a la presentació de la llista final. Aquesta tendència cap a la unificació, tal com indica Optimixed, indica que el machine learning no és només un complement, sinó el nou nucli de la cerca.
Aquesta transició implica que el temps de resposta i la precisió podrien millorar dràsticament, però també que el comportament dels algorismes de ranking es tornarà més dinàmic i, potser, menys previsible per als analistes de dades tradicionals. La dependència de models com l'ARR i BlockRank farà que la qualitat del contingut i la seva coherència semàntica siguin els únics factors realment sostenibles a llarg termini.
Implicacions per a l'ecosistema empresarial de Catalunya i Espanya
Per a les empreses catalanes i el mercat espanyol, aquest gir tecnològic arriba en un moment crític de regulació i transformació digital. L'ecosistema d'emprenedoria de Barcelona, molt enfocat en la IA i el SaaS, ha de preveure que la visibilitat digital ja no dependrà de tècniques d'optimització superficials, sinó de la capacitat de generar valor semàntic que els LLMs puguin processar eficientment.
L'entrada en vigor de l'AI Act de la Unió Europea també jugarà un paper determinant. Qualsevol canvi en la manera com Google classifica la informació ha de respectar els principals de transparència i no discriminació. Les empreses locals que utilitzen la cerca per captar clients hauran de centrar-se en la creation de dades estructurades i continguts d'alta qualitat, ja que els models com BlockRank facilitaran que els competidors amb millor contingut semàntic ascentin ràpidament, independentment de la seva mida.
En resum, el teixit empresarial català, des de les startups del 22@ fins a les PIMES industrials, ha de moure's cap a una estratègia de continguts basada en l'autoritat i la precisió. La democratització de la cerca semàntica que promet BlockRank pot ser una oportunitat per a les empreses locals per competir en nivells globals, sempre que siguin capaces d'adaptar la seva comunicació a la lògica dels models autoregressius.
Preguntes freqüents
Què és l'Autoregressive Ranking (ARR)?
És un nou sistema de Google DeepMind que proposa utilitzar un sol model de llenguatge gran (LLM) per classificar documents, eliminant el sistema tradicional de dues etapes format per Dual i Cross Encoders.
En què consisteix el mètode SToICaL?
SToICaL (Simple Token-Item Calibrated Loss) és la tècnica d'entrenament utilitzada per ensenyar al model ARR a classificar els documents, assignant més pes a aquells que han de tenir una posició més alta en els resultats de cerca.
Quina és la diferència principal de BlockRank respecte a l'ICR tradicional?
Mentre que l'In-Context Ranking (ICR) requereix una potència de càlcul exponencial a mesura que augmenten els documents, BlockRank optimitza el procés d'atenció mitjançant la block sparsity, fent que la cerca semàntica avançada sigui més escalable i accessible.
Com afecta això al SEO per a les empreses?
L'impacte és profund perquè el ranking es torna més semàntic i contextual. Les estratègies basades en paraules clau perden pes davant la coherència del contingut i la seva capacitat de respondre directament a la intenció de l'usuari.
Fonts: Searchenginejournal (2), Optimixed ·
glacom · Intel·ligència artificial per a empreses: els models corren als teus servidors, les dades no surten →Scrivila qui: Susanna, l assistente AI di glacom, ti risponde via email con un approfondimento gratuito.
Nessuna consulenza personalizzata (finanziaria, legale o medica): solo informazione e fonti. Email usata solo per rispondere.
oppure scrivile su: WhatsApp · Telegram · SimpleX · Delta Chat · Email
