撰文 | 郝   鑫

編輯 | 吳先之

近期，在GPT-4o創造的新範式影響下，月暗、智譜、Perplexity和OpenAI相繼上线了AI搜索推理功能。

與此前“大海撈針”不同，最近更新中AI搜索長了“腦子”，在面對問題時，能像人一樣先拆解步驟，再精准搜索，最後呈現答案。

根據“知識管理模型”，數據本身無序且缺乏意義，只有向上進化爲信息、知識、智慧才能具備價值。信息解決了“What”的問題，知識解決了“How”的問題，金字塔最頂端的智慧應對了“Why”的問題。以此進化邏輯來看，CoT（思考鏈）加持下的AI搜索已經开啓了2.0時代，從信息聚合走向規律總結和輔助決策。

用戶對AI搜索的依賴程度超出了預期，Perplexity宣稱其每周能處理1億次查詢，每月能處理約4億次。從巨頭手中搶奪用戶還遠遠不夠，更重要的是，AI搜索在商業化上釋放出了積極信號。國外最新報告顯示，隨着AI搜索的發展，谷歌搜索廣告市場份額十年來首次跌破了50%。

無論新老玩家，都盯上了谷歌們留出來的“蛋糕”。目前有兩種路徑，一種是效仿谷歌做通用型AI搜索工具，向C端售賣使用權，向B端出售廣告席位和創建AI搜索能力；另一種以應用爲載體，將AI搜索能力嵌入場景中，欲繞過搜索引擎中間商，自建分發渠道和數據入口。既能通過搜索優化用戶使用體驗感，提升付費可能性，也能防止中間商賺差價，增強盈利能力。

月暗大搞飢餓營銷，瘋狂上分，怒刷“國內首個4o搜索”存在感；靠Talkie賺到回頭錢的Minimax，將精力放在了AI應用的搜推上；就連一向溫吞慢熱的微信也在求變，灰測AI問答功能，打通混元與微信間的生態。

“越是共識，門檻越高”，有業內人士認爲，正是由於普遍看好AI搜索，才加大了競爭，“如果不突出，還是選谷歌“。

搜索+深度推理=?

深度推理模式下的AI搜索對拆解、分析能力的需求，遠遠超越了“搜”這個動作本身，搜推的底層邏輯嵌套在了尋找和解決問題答案的過程中。

結合Perplexity和Kimi的使用體驗，AI搜索推理模式的基本過程如下：提出一個可能涉及大量搜索和多個意圖的問題，針對該問題AI不急於回答，而是先解題，將一個復雜的指令拆解成幾個步驟，然後依次完成“搜索+分析”動作，最後才是呈現答案。

以前的AI搜索是“書呆子”，拿着關鍵詞在題庫裏找，开卷作答。現在的AI是“機靈鬼”，在掌握解題思路後，依照解題步驟分點作答。而且整個解題是實時動態的，邊思考邊解答。

（來源：Perplexity）

以Perplexity官方給出的case爲例，提問是“閱讀貝索斯每年所有股東信，並列出一個每年關鍵要點的表格”。爲了解決問題，AI將其分解爲了三步，分別爲“搜索並找到貝索斯所有年度的股東信”“獲取貝索斯每封股東信的內容”以及“制出貝索斯每年股東信關鍵要點表格”。如果使用Kimi探索版，會在答案生成完畢後再次搜索，完成“反思後的補充”。

“搜索+深度推理”可視爲執行搜索任務的Agent，所以能看到AI給出的是可行性的操作步驟，而不是類似“貝索斯”“股東信”“要點”一類的搜索關鍵詞。AI搜索的底層邏輯發生了變化，從“找到”轉向了“解決”，“搜”這一動作變成了解決問題底下的子集。如果把搜索視爲輔助解決問題的工具，那這個子集可以無限擴充，比如文檔、知識庫、PPT、辦公軟件等等，Agent工具的开放性和延展性爲提升搜索質量埋下了伏筆。

當然就目前而言，搜索Agent有其無法克服的自身缺陷。

光子星球在測試中發現，當去過分強調搜索步驟的完整性時，就會發生過程正確，而結果錯誤的現象。這意味着單個CoT的鏈條沒有問題，但是鏈與鏈之間的連接關系出現了錯誤。在某些問題中出現了“鬼打牆”，搜索和步驟拆解動作反復循環，這將是對算力的巨大浪費。

上述也提到好的解題思路大於搜索，當CoT代替RAG成爲標配，更要警惕出現把簡單問題復雜化的傾向。比如在一些經典的邏輯問題中，本來可以兩步到位的問題，非要強行增加分析過程，反而增加了搜索的難度。CoT不是拿數量說話，而是構建的質量。

AI搜索進階2.0

跳出單個功能語境，AI搜索離解決問題又進了一步。

搜索篩選出的內容有維度之分，最底層是信息，互聯網時代的搜索是通過關鍵詞來匹配到信息池，具體怎么找還要靠用戶手動點擊進行頁面篩選。AI搜索最先填補了上面的斷裂，聯網的AI可以在自行搜索後，得到確定而非模糊範圍的答案。

但這個階段，用戶的感知非常明顯，ChatGPT等助手只能回答類似於4W的問題，“誰、什么、何時、何地”。聚合的好處是不用打开N個網頁，來了解某個事物的最基本情況，通過prompt以上的構成要素可以隨意組合。此時，限制AI搜索是否好用的關鍵是搜索量，即搜索的範圍越大，所能涵蓋的4W越全面，也能靠量提升准確性。

知識在信息的基礎上進一步被提煉出來，它涉及到對信息的深度理解和處理，是通過大量搜索、對比後發現的規律、趨勢。智慧是知識的進一步升維，是運用規律後的指導決策和執行。

2.0階段的AI搜索處於知識與智慧中間，例如可以追加提問“貝索斯經常提到的關鍵詞”“貝索斯提到的關鍵點對亞馬遜發展產生了怎樣影響”等問題。也可以上傳《孫子兵法》文檔，讓AI提出亞馬遜發展建議。以上都脫離了4W層面，來到了How、Why問題的探討。正是因爲搜索處理信息維度升高，其價值才水漲船高。

就目前而言，开卷考試和自主思考兩種搜索方式的差距並不大，同樣的問題用關鍵詞搜索也能獲取差不多水平的答案。從信息到智慧，AI 2.0搜索押注的是長期價值，但鑑於目前後訓練推理投入不充分，這仍需時間。

除了CoT方式，AI搜索也有其他增強方式。信息搜索是地基，基於此衍生出三條思路，一是擴大搜索量和範圍。Kimi探索版的搜索量是普通版的十倍，一次搜索可精讀超過500個頁面。

Kimi探索版產品負責人曾下過一個結論：“如果 Kimi搜不到的信息，那大概率用戶也很難自己通過傳統搜索引擎找到”。其潛台詞充滿了對Kimi搜索量的自信，但也忽略了一個問題，“全”不能與“准確”“優質”劃等號。

這就誕生了第二條思路，優質化搜索。核心是提前過濾冗余、低質的信息，確保搜索池質量的基礎上再开發搜索能力。相當於建立了一個搜索漏鬥池，頂部是未經篩選的信息，第二層按照AI搜索公司或用戶定制標准進行過濾，第三層進一步細分，比如關聯性強弱、相似程度、優先級等，將重新分配信息的把關權、分發權。

（來源：Perplexity）

最後一種是直接補充信息來源，因爲無論怎么在數量、質量上做取舍，都可能不符合用戶預期。如果這樣，不如讓用戶自己上傳數據和文本。Perplexity目前支持用戶自建AI研究和協作中心，用戶可以上傳內部知識庫，結合網絡搜索來獲得針對性的答案。

瓜分“谷歌”，人人有份

傳統搜索退，AI搜索進，趨勢日益凸顯。當下，AI搜索成爲了必爭之地。

招聘信息顯示，AI六小虎中重押AI搜索推理方向的是月暗，大量涉及推理和工程優化方向的崗位顯示在招。功能上，越來越像Perplexity。Minimax同時也在招聘搜索推薦相關的工程師，但思路有所差異，聚焦在旗下AI應用裏的算法、廣告投放優化。

（來源：招聘平台）

誰也不知道留給新玩家的窗口期有多久，盡快吞下顯現出的“蛋糕”迫在眉睫。此前積累的用戶規模和留存淪爲了AI搜索的“餌”，到了廣告變現時刻。據悉，Perplexity即將在本季度在其應用內投放廣告，可投放廣告位有“問題回答”的媒體贊助，搜索答案下方的“相關問題”以及”顯眼位置“的視頻投放。

 （來源：Perplexity、Kimi）

參照Perplexity，Kimi探索版一改免費版界面，新增搜索展示頁面，預留廣告招商位。Kimi本身免費使用，其公司月暗也沒有其他業務，投流、算力、人力成本的投入急需輸血，To B廣告商收入是選擇項之一。

“二次售賣”達成的前提是將“用戶”售賣出去，用戶構成決定了賣給誰。有數據顯示，Perplexity中65%用戶爲“高收入職業白領”（醫學、法律、軟件工程），30%處於“高級領導職位”。這決定Perplexity瞄准的是高端廣告市場，科技、金融、藝術等領域。媒體報道，Perplexity的CPM(每千次展示成本)廣告收費爲50多美元，是市場平均水平的4.5-20倍。

對Kimi們不算友好，其普遍用戶畫像爲大學生、初入職場白領、寶媽、老師等。對廣告主來說，上述用戶的消費和轉化能力相對有限。Perplexity的用戶定價與ChatGPT持平，一年多的時間已完成了用戶篩選。國內AI搜索和助手類應用，爲了爭奪市場，採取免費策略至今。投流打響了知名度，卻也讓收費更加難以推行，更廣泛的用戶意味着更模糊的廣告投放市場。

值得注意的是，Perplexity借鑑Notion協作空間提供了AI搜索to小B的模式。Perplexity對外开放了AI搜索能力，既能共享知識庫，也能提升檢索、分析問題的效率，取代了一部分“RAG+知識庫”的解決方案。在該版本上，有很大想象空間，比如提供AI搜索融入軟件生態的渠道。像Notion一樣，开放自身也允許其他產品API接入，既能彌補能力缺陷，也能提高用戶使用率。

（來源：Perplexity）

在這基礎上，訂閱收費模式進一步分層。除了原先的專業版收費模式，還會按照企業規模數量爲標准收費，小規模、中等規模、大規模和定制化解決方案。

種種跡象表明，AI行業正在步入營收和利潤導向階段。搜索被譽爲“離錢最近的領域”，AI搜索如果能打響大模型商業化的第一站，無疑是一針強心劑。谷歌們後退，誰能喫掉第一口“蛋糕”？

       原文標題 : 當AI搜索开始賺錢養家

---

標題：當AI搜索开始賺錢養家

地址：https://www.utechfun.com/post/441777.html