สรุปสั้น ๆ (TL;DR)
- นักวิจัยจาก Google DeepMind, UMass Amherst และ UT Austin เสนอ Autoregressive Ranking (ARR) ที่ให้ LLM ตัวเดียวสร้างรหัสเอกสารเรียงอันดับทีละ token
- ARR จะมาแทนระบบสองขั้นแบบเดิม คือ dual encoder ที่เร็วสำหรับค้นคืน และ cross encoder ที่แพงสำหรับจัดอันดับรอบสอง
- บน WordNet ARR ทำได้ใกล้เคียง cross encoder และดีกว่า dual encoder มาก แต่บนคำค้นสินค้า ESCI มีเวอร์ชันหนึ่งจัดผลลัพธ์อันดับแรกได้แย่ลง
- Search Engine Journal รายงานงานวิจัยเมื่อ 10 กันยายน 2569 และไม่มีส่วนใดบอกว่า Google Search ใช้ ARR หรือมีกรอบเวลานำไปใช้
นักวิจัยจาก Google DeepMind, University of Massachusetts Amherst และ University of Texas at Austin เผยแพร่งานวิจัยที่เสนอว่าโมเดลภาษาขนาดใหญ่เพียงตัวเดียวอาจแทนที่ระบบค้นคืนและจัดอันดับแบบสองขั้นที่ระบบค้นหาส่วนใหญ่ใช้อยู่ วิธีนี้ชื่อ Autoregressive Ranking (ARR) ให้โมเดลสร้างรายการรหัสเอกสารที่เรียงอันดับแล้วออกมาโดยตรง Search Engine Journal รายงานงานวิจัยนี้เมื่อวันที่ 10 กันยายน 2569 นี่คืองานวิจัย ไม่ใช่การประกาศผลิตภัณฑ์ และไม่มีส่วนใดในงานนี้บอกว่า Google Search ใช้วิธีนี้
ถึงอย่างนั้น งานวิจัยนี้ก็ควรทำความเข้าใจ เพราะอธิบายอีกวิธีหนึ่งที่เครื่องจักรใช้ตัดสินว่าหน้าไหนควรขึ้นก่อน บทความนี้อธิบายระบบสองขั้นในปัจจุบัน สิ่งที่ ARR เปลี่ยน ผลการทดลองแสดงอะไรและไม่ได้แสดงอะไร และเจ้าของเว็บไซต์ควรนำอะไรไปใช้ได้จริงในวันนี้
การจัดอันดับการค้นหาส่วนใหญ่ทำงานอย่างไรในปัจจุบัน: สองขั้นตอน
งานวิจัยชื่อ "Autoregressive Ranking: Bridging the Gap Between Dual and Cross Encoders" เริ่มจากสถาปัตยกรรมมาตรฐาน ระบบค้นหามักแบ่งงานเป็นสองขั้น เพราะการทำทั้งหมดในขั้นเดียวมีต้นทุนสูงเกินไป
ขั้นที่หนึ่ง: dual encoder
dual encoder (DE) แปลงคำค้นเป็นเวกเตอร์ และแปลงเอกสารแต่ละชิ้นเป็นเวกเตอร์แยกกัน เนื่องจากเวกเตอร์ของเอกสารคำนวณล่วงหน้าและเก็บไว้ได้ การหาเอกสารที่เวกเตอร์ใกล้กับเวกเตอร์ของคำค้นที่สุดจึงเร็วและถูก แม้ในดัชนีขนาดใหญ่มาก สิ่งที่ต้องแลกคือความแม่นยำ คำค้นกับเอกสารไม่เคย "มองเห็น" กันระหว่างการแปลง ความแตกต่างเล็ก ๆ ระหว่างสองหน้าที่คล้ายกันจึงพลาดได้ง่าย
ขั้นที่สอง: cross encoder
cross encoder (CE) อ่านคำค้นและเอกสารผู้สมัครไปพร้อมกัน แล้วให้คะแนนว่าเข้ากันแค่ไหน การอ่านร่วมกันนี้แม่นยำกว่ามาก และแพงกว่ามาก เพราะต้องทำงานหนึ่งครั้งต่อคู่คำค้นกับเอกสารทุกคู่ ระบบจึงใช้ dual encoder คัดรายชื่อผู้สมัคร แล้วใช้ cross encoder เรียงลำดับรายชื่อที่คัดมา
สำหรับงาน SEO การแบ่งแบบนี้เป็นกรอบคิดที่มีประโยชน์มาหลายปี คือต้องถูกค้นคืนก่อน แล้วจึงต้องชนะในการจัดอันดับรอบสอง ARR เสนอให้รวมทั้งสองขั้นไว้ในโมเดลเดียว
Autoregressive Ranking เปลี่ยนอะไร
ใน ARR โมเดลภาษาถูก fine-tune ให้รับคำค้นแล้วสร้างรหัสเอกสาร (docID) ออกมาทีละ token เรียงตามอันดับ แทนที่จะเปรียบเทียบเวกเตอร์หรือให้คะแนนเป็นคู่ ความน่าจะเป็นของ token ถัดไปของโมเดลเองจะตัดสินว่าเอกสารไหนมาเป็นลำดับแรก ลำดับสอง และต่อไปเรื่อย ๆ docID แต่ละตัวอาจยาวหลาย token และชุด docID ที่ใช้ได้จริงถูกจัดเป็นโครงสร้าง prefix tree เพื่อบังคับให้โมเดลสร้างเฉพาะรหัสที่มีอยู่จริง
ความเสี่ยงที่ชัดที่สุดของการให้โมเดลสร้างรหัสคือโมเดลอาจแต่งรหัสที่ไม่ตรงกับเอกสารใดเลย หรือจัดเอกสารที่ไม่เกี่ยวข้องไว้อันดับสูงเพียงเพราะเป็นลำดับ token ที่น่าจะเกิด วิธีฝึกโมเดลในงานวิจัยนี้ออกแบบมาเพื่อแก้ปัญหานี้โดยตรง
วิธีฝึก: SToICaL
นักวิจัยเรียกฟังก์ชัน loss ของตนว่า SToICaL ย่อจาก Simple Token-Item Calibrated Loss ตามที่ Search Engine Journal สรุป วิธีนี้สอนการจัดอันดับสองทาง ทางแรก เอกสารที่ควรอยู่อันดับสูงได้น้ำหนักในการฝึกมากกว่า และเอกสารที่ควรอยู่อันดับต่ำได้น้ำหนักน้อยกว่า ทางที่สอง ใช้อันดับที่ถูกต้องจากข้อมูลฝึกเพื่อดันความน่าจะเป็นไปยัง token ที่นำไปสู่เอกสารอันดับสูงกว่า งานวิจัยอธิบายว่าเป็นการถ่วงน้ำหนักระดับรายการร่วมกับ prefix-tree marginalisation เพื่อกระจายความน่าจะเป็นไปยัง token ของ docID ที่ถูกต้องตามระดับความเกี่ยวข้อง
| วิธี | จัดอันดับอย่างไร | ข้อแลกเปลี่ยนตามงานวิจัย |
|---|---|---|
| Dual encoder (DE) | เวกเตอร์คำค้นและเอกสารแยกกัน ค้นคืนเวกเตอร์ที่ใกล้ที่สุด | เร็วและถูก แต่แม่นยำน้อยกว่า ขนาด embedding ต้องโตตามจำนวนเอกสารจึงจะแสดงลำดับใดก็ได้ |
| Cross encoder (CE) | อ่านคำค้นกับเอกสารพร้อมกันแล้วให้คะแนนทีละคู่ | แม่นยำ แต่แพงเกินไปสำหรับการค้นคืนขนาดใหญ่ จึงใช้กับรายชื่อที่คัดแล้วเท่านั้น |
| Autoregressive Ranking (ARR) | LLM ตัวเดียวที่ fine-tune แล้วสร้าง docID เรียงอันดับทีละ token | ทำได้ใกล้เคียง cross encoder บน WordNet แต่มีเวอร์ชันหนึ่งจัดผลลัพธ์ที่ดีที่สุดไว้อันดับแรกได้แย่ลงในคำค้นสินค้า |
ผลการทดลองแสดงอะไร
ทีมวิจัยทดสอบกับชุดข้อมูลสองชุด คือ WordNet ซึ่งเป็นฐานข้อมูลคำศัพท์ และ ESCI ซึ่งเป็นชุดคำค้นสินค้าที่มีการให้ระดับความเกี่ยวข้องของสินค้า ตามรายงาน ผลที่ได้ออกมาหลากหลายในแบบที่ควรระบุให้แม่นยำ
- SToICaL ช่วยให้ ARR จัดอันดับได้ดีขึ้น โดยนักวิจัยเขียนว่าการฝึกแบบคำนึงถึงอันดับช่วยปรับปรุงตัวชี้วัดการจัดอันดับได้อย่างมีนัยสำคัญ เกินกว่าแค่การค้นคืนผลลัพธ์อันดับแรก
- บน WordNet วิธีที่คำนึงถึงอันดับลดความผิดพลาดในการวางเอกสารที่ไม่เกี่ยวข้องไว้เหนือเอกสารที่เกี่ยวข้องได้มาก
- ในการเปรียบเทียบอีกชุดบน WordNet ARR ทำได้ใกล้เคียง cross encoder และดีกว่า dual encoder อย่างชัดเจน
- บนข้อมูลสินค้า ESCI มีเวอร์ชันหนึ่งของวิธีนี้ที่จัดผลลัพธ์ที่เกี่ยวข้องที่สุดไว้อันดับแรกได้แย่ลง แม้จะเรียงลำดับรายการโดยรวมได้ดีขึ้น
ข้อสุดท้ายสำคัญ สำหรับการค้นหาเชิงพาณิชย์จำนวนมาก ผลลัพธ์อันดับแรกได้รับความสนใจเป็นสัดส่วนใหญ่ ระบบที่เรียงรายการได้ดีขึ้นแต่พลาดที่อันดับหนึ่งจึงไม่ได้ดีกว่าอย่างตรงไปตรงมา นักวิจัยระบุว่าเป็นประเด็นที่ต้องศึกษาต่อ
ข้อสรุปเชิงทฤษฎีและขีดจำกัด
ข้อโต้แย้งเชิงทฤษฎีหลักของงานวิจัยเกี่ยวกับความจุ นักวิจัยแสดงว่า dual encoder จะแสดงลำดับใดก็ได้ของเอกสาร k ชิ้น ขนาด embedding ต้องโตเป็นเส้นตรงตาม k ส่วนโมเดล ARR นักวิจัยพิสูจน์ว่าในทางทฤษฎีสามารถจัดอันดับเอกสารจำนวนเท่าใดก็ได้ด้วยขนาด hidden dimension คงที่ ภายใต้เงื่อนไขไม่เข้มงวดเกี่ยวกับเมทริกซ์ embedding ของ token ที่ใช้เป็น docID
Search Engine Journal ระบุอย่างระมัดระวังว่านี่คือผลลัพธ์เชิงทฤษฎี การพิสูจน์ว่าโมเดลมีพื้นที่พอจะแสดงลำดับใดก็ได้ ไม่เท่ากับการแสดงว่าโมเดลจะจัดอันดับได้ดีบนดัชนีเว็บจริงที่มีหลายพันล้านหน้า มีการอัปเดตตลอดเวลา และมีเนื้อหาที่พยายามปั่นอันดับ การทดลองใช้ชุดข้อมูลวิจัยสองชุด ไม่ใช่ทราฟฟิกการค้นหาจริง
สิ่งที่แหล่งข่าวไม่ได้บอก
รายงานไม่ได้บอกว่า Google มีแผนนำ ARR ไปใช้ ไม่ได้บอกว่าผลิตภัณฑ์ใดของ Google ใช้วิธีนี้ และไม่ได้บอกกรอบเวลาของการเปลี่ยนแปลงใด ๆ ไม่มีตัวเลขเรื่องความหน่วงหรือต้นทุนของการรันระบบจัดอันดับแบบ generative ในระดับเครื่องมือค้นหา ซึ่งเป็นอุปสรรคเชิงปฏิบัติที่ระบบลักษณะนี้ต้องเจอ ไม่ได้อธิบายว่าความสดใหม่ของข้อมูล การต้านสแปม หรือการอัปเดตดัชนีจะทำงานอย่างไรเมื่อเอกสารถูกระบุด้วย token ที่โมเดลสร้าง และไม่ได้รายงานการทดสอบบนข้อมูลการค้นหาเว็บ ผู้อ่านจึงควรถือว่าคำกล่าวอ้างว่า "Google กำลังเปลี่ยนระบบจัดอันดับ" ไม่มีหลักฐานจากงานวิจัยนี้รองรับ
ทำไมยังสำคัญต่อ SEO และการมองเห็นบน AI
ข้อสรุปของ Search Engine Journal เองมีสองด้าน งานวิจัยแสดงว่า dual encoder และ cross encoder ยังเป็นรากฐานของการจัดอันดับในวันนี้ และแสดงด้วยว่างานวิจัยกำลังขยับไปสู่ระบบที่โมเดลเดียวตัดสินใจทั้งหมด จากตรงนี้มีข้อคิดเชิงปฏิบัติสามข้อ ซึ่งไม่มีข้อไหนขึ้นกับว่า ARR จะถูกนำไปใช้จริงหรือไม่
ทั้งการค้นคืนและการจัดอันดับคือการตัดสินใจของโมเดล
ไม่ว่าการจัดอันดับจะยังเป็นสองขั้นหรือกลายเป็นขั้นเดียวแบบ generative การตัดสินใจก็เกิดจากโมเดลที่อ่านเนื้อหาของคุณเทียบกับคำค้น หน้าที่บอกชัดว่าเกี่ยวกับอะไร ตอบคำถามเฉพาะด้วยภาษาเรียบง่าย และใช้ชื่อ entity อย่างสม่ำเสมอ ทำให้สถาปัตยกรรมเหล่านี้ต้องเดาน้อยลง หลักนี้ใช้ได้กับ cross encoder และยังใช้ได้กับระบบจัดอันดับแบบ generative
คำค้นสินค้ามีพฤติกรรมต่างออกไป
ผลจาก ESCI เตือนว่าการค้นหาสินค้ามีความยากเฉพาะตัว ความเกี่ยวข้องแบบมีระดับ เช่น ตรงทุกประการ ใช้แทนกันได้ ใช้ร่วมกัน หรือไม่เกี่ยวข้อง เรียงลำดับได้ยากกว่าการจับคู่แบบใช่หรือไม่ใช่ สำหรับเว็บอีคอมเมิร์ซ ข้อมูลสินค้าที่สะอาด ชื่อสินค้าที่แยกกันชัด และคุณสมบัติที่แยกรุ่นย่อยที่ใกล้เคียงกันออกจากกัน ช่วยให้โมเดลจัดอันดับใดก็ตามแยกแยะสินค้าได้
ระบบ generative จัดอันดับแหล่งข้อมูลอยู่แล้ว
เครื่องมือตอบคำถามด้วย AI เลือกอยู่แล้วว่าจะอ้างอิงหน้าไหน และการเลือกนั้นก็คือปัญหาการจัดอันดับ งานวิจัย ARR ไม่ได้อธิบาย AI Overviews หรือ AI Mode แต่เป็นแนวคิดตระกูลเดียวกัน คือโมเดลภาษาเป็นผู้ตัดสินลำดับ งานด้าน AI SEO และ GEO คือการทำให้เนื้อหาถูกระบบเหล่านี้เลือกและอ้างอิงได้ง่าย
ควรทำอะไรตอนนี้
- ไม่ต้องเปลี่ยนอะไรเพียงเพราะงานวิจัยนี้ เป็นงานวิจัยบนชุดข้อมูลสองชุด อันดับจะไม่ขยับเพราะงานนี้ถูกเผยแพร่
- ทำเนื้อหาให้ไม่กำกวม หนึ่งหน้าหนึ่งหัวข้อหลัก คำตอบอยู่ใกล้ส่วนบน และใช้ชื่อ entity อย่างสม่ำเสมอ
- สำหรับแคตตาล็อกสินค้า ลงทุนกับคุณภาพของคุณสมบัติสินค้า ผลจากข้อมูลสินค้าแสดงว่ารุ่นที่ใกล้เคียงกันคือจุดที่โมเดลจัดอันดับทำได้ยาก
- ระวังผู้ขายที่เสนอบริการ "ปรับแต่งเพื่อ ARR" เพราะยังไม่มีระบบที่ใช้งานจริงให้ปรับแต่ง
เรื่องนี้มีความหมายอย่างไรกับนักการตลาดไทย
งานวิจัยไม่ได้กล่าวถึงภาษาไทยหรือภาษาอื่นนอกจากชุดข้อมูลวิจัยภาษาอังกฤษ จึงไม่มีพื้นฐานสำหรับการกล่าวอ้างว่า ARR จะจัดการคำค้นภาษาไทยอย่างไร สิ่งที่ธุรกิจไทยนำไปใช้ได้คือทิศทาง การค้นหากำลังขยับไปสู่การให้โมเดลภาษาตัดสินเรื่องอันดับมากขึ้น และโมเดลภาษาพึ่งพาข้อความที่อ่านและจับคู่ได้อย่างมั่นใจ เว็บไทยที่เผยแพร่หน้าที่แปลด้วยเครื่องโดยไม่ตรวจ ใช้ชื่อสินค้าไทยปนอังกฤษไม่สม่ำเสมอ หรือซ่อนคำตอบไว้ใต้บทนำยาว ๆ ทำให้โมเดลใดก็ตามทำงานยากขึ้น โครงสร้างเนื้อหาแบบ SEO Thailand ที่ชัดเจนช่วยได้ทั้งกับระบบจัดอันดับในวันนี้และสิ่งที่จะตามมา
คำถามที่พบบ่อย
Google ใช้ Autoregressive Ranking ใน Search แล้วหรือยัง
ไม่มีหลักฐานว่าใช้ งานวิจัยนี้มาจาก Google DeepMind และมหาวิทยาลัยสองแห่ง และรายงานไม่ได้บอกว่านำไปใช้ในผลิตภัณฑ์ใดของ Google หรือให้กรอบเวลาใด ๆ
dual encoder กับ cross encoder ต่างกันอย่างไร
dual encoder แปลงคำค้นและเอกสารเป็นเวกเตอร์แยกกันเพื่อค้นคืนได้เร็ว ส่วน cross encoder อ่านคำค้นกับเอกสารแต่ละชิ้นพร้อมกันเพื่อให้คะแนนแม่นยำกว่าแต่แพงกว่า ระบบค้นหามักใช้ตัวแรกคัดรายชื่อ และใช้ตัวที่สองเรียงลำดับรายชื่อนั้น
ARR เอาชนะวิธีจัดอันดับที่มีอยู่หรือไม่
ได้บางส่วน บน WordNet ARR ทำได้ใกล้เคียง cross encoder และดีกว่า dual encoder อย่างชัดเจน แต่ในคำค้นสินค้ามีเวอร์ชันหนึ่งที่จัดผลลัพธ์ที่เกี่ยวข้องที่สุดไว้อันดับแรกได้แย่ลง
ควรเปลี่ยนกลยุทธ์ SEO เพราะงานวิจัยนี้หรือไม่
ไม่ควร หากอาศัยงานวิจัยเพียงชิ้นเดียว บทเรียนที่ใช้ได้ยาวคือทำหน้าเว็บให้ชัดและเจาะจง ซึ่งช่วยได้กับทุกสถาปัตยกรรมการจัดอันดับ รวมถึงระบบ AI ที่เลือกแหล่งอ้างอิงอยู่แล้ววันนี้
งานวิจัยช่วยให้เห็นว่าการค้นหาอาจไปทางไหน ตราบใดที่อ่านเพื่อดูว่าพิสูจน์อะไรได้จริงและไม่เกินไปกว่านั้น หากต้องการสร้างเนื้อหาที่ทำงานได้กับระบบจัดอันดับและระบบอ้างอิงของ AI ในวันนี้ พูดคุยกับ Relevant Audience ได้เลย
