從電商市場(chǎng)分析到醫(yī)療行業(yè)培訓(xùn)，再到品牌聲譽(yù)監(jiān)測(cè)和高考志愿填報(bào)，用戶需要的不僅是信息的簡(jiǎn)單匯總，更重要的是能夠針對(duì)具體問題提供深度分析和實(shí)用解決方案的能力。本文將探討AI搜索在滿足這些需求方面的現(xiàn)狀、挑戰(zhàn)以及未來的發(fā)展方向，旨在為讀者提供一個(gè)全面了解AI搜索技術(shù)及其應(yīng)用的視角。

看兩個(gè)現(xiàn)象：

上周，我和一個(gè)做電商朋友聊天，他正研究干果品類市場(chǎng)趨勢(shì)。聊著聊著，他說，現(xiàn)在AI 搜索不太好用。我問為什么，他說：

我想知道上個(gè)月哪種干果賣得火，抖音上真實(shí)用戶評(píng)論怎么樣，以及未來的銷售趨勢(shì)會(huì)如何？但是，AI 搜索后，得到一堆關(guān)于整個(gè)行業(yè)的研究總結(jié)，這些信息既不夠深入，也不夠精準(zhǔn)，幫助不大。

當(dāng)時(shí)我沒太在意。結(jié)果，昨天這種情況又出現(xiàn)了。

在微信上，聊到工作流，一個(gè)在醫(yī)療行業(yè)做培訓(xùn)的朋友說，他經(jīng)常要查閱很多學(xué)術(shù)報(bào)告；報(bào)告大多從知網(wǎng)之類的平臺(tái)下載，然后用豆包 AI幫他做本地化總結(jié)和提煉關(guān)鍵內(nèi)容。

同時(shí)，也會(huì)用夸克、知乎直答垂直 AI 搜索工具。但問題是，工具能找到一些博主寫的不錯(cuò)的問答，當(dāng)想更深入地了解問答背后知識(shí)時(shí)，就卡殼了。

其實(shí)，我更想要其他維度的內(nèi)容，類似于案例分析，數(shù)據(jù)解讀之類的。但AI搜索只能給出總結(jié)性的結(jié)論，有些失望。

所以，這兩次無意識(shí)聊天讓我感受到，要讓 AI 搜索真正滿足用戶的需求，要找到具體場(chǎng)景。

01

什么是具體場(chǎng)景？怎么理解AI使用場(chǎng)景呢？

得從用戶任務(wù)下的行為方式看。我們每天從早到晚活動(dòng)，都圍繞完成特定任務(wù)展開，用戶使用產(chǎn)品、服務(wù)時(shí)，根本目也是為了完成任務(wù)。

昨天，有個(gè)朋友和我說到他使用AI搜索的方式。

他日常工作是監(jiān)測(cè)品牌聲譽(yù)，使用 AI 搜索工具會(huì)設(shè)定一些關(guān)于品牌名稱、相關(guān)話題討論情況的提示語，然后，用它們捕捉網(wǎng)上每天關(guān)于品牌的評(píng)價(jià)；最后，利用這些信息，制作成日?qǐng)?bào)，反饋給領(lǐng)導(dǎo)。

也就是說，他把 AI 搜索當(dāng)作一個(gè)信息聚合工具，利用它來索引、總結(jié)當(dāng)天的重要反饋和評(píng)論。

還有人使用AI基于話題形式。比如說高考，眾多家長(zhǎng)在面對(duì)孩子高考后，不知道如何填報(bào)志愿、不知道怎么選專業(yè)。

這時(shí)，會(huì)用AI搜索獲取幫助，AI 搜索像一個(gè)專業(yè)顧問，能夠依據(jù)家長(zhǎng)、學(xué)生提供的具體情況，（興趣愛好、學(xué)科優(yōu)勢(shì)、未來職業(yè)規(guī)劃等）進(jìn)行綜合分析，進(jìn)而做出針對(duì)性選擇。

從這個(gè)行為來看，用戶主要關(guān)注兩方面：一，功能性；二，實(shí)用性。

所謂功能性，即，AI 完成搜索任務(wù)后，能基于結(jié)果進(jìn)一步生成思維導(dǎo)圖，制作圖標(biāo)，提供多維度數(shù)據(jù)對(duì)比工具，甚至能做中英文互譯等等。

而實(shí)用性，是把知識(shí)答案作為起點(diǎn)，去解決具體問題。實(shí)際上，每個(gè)問題是一個(gè)場(chǎng)景，問題的聚合代表著大量資源的挖掘。

我前段時(shí)間看徐崢導(dǎo)演的《逆襲人生》，想寫篇文章。

寫作過程中，我想查查全網(wǎng)關(guān)于徐崢的各類話題數(shù)據(jù)，我用 AI 搜索找好久，最終，只能找到一些其他媒體的數(shù)據(jù)；其實(shí)，我更希望當(dāng)我問 AI 時(shí)，它能幫我搜索、總結(jié)一下，然后用工具做成表格，直接拿來用。

最近各家公司都在發(fā)布財(cái)報(bào)，我如果能對(duì) AI 搜索說，幫我找一下瑞幸 2024 年中期報(bào)告，比較一下和 2023 年的數(shù)據(jù)，并把毛利、凈利做成表格，那該多好。

顯然，目前 AI 搜索產(chǎn)品還做不到這一點(diǎn)。

或者說，大家都在卷AI搜索、把AI總結(jié)前置化思維方式，限制了產(chǎn)品經(jīng)理的思考，他們沒能從任務(wù)角度出發(fā)，用問題、話題索引信息源后，再總結(jié)，再用工具串聯(lián)起來。

Perplexity標(biāo)語叫做 “Where Knowledge Begins”（知識(shí)從這里開始），我覺得，用這句話來形容 AI 產(chǎn)品的用途很合適。這意味著，AI 幫助我們從知識(shí)的起點(diǎn)開始，解決實(shí)際的問題。

02

把用戶任務(wù)前置化的思維方式很重要。不信，冷靜下來想一想，不論是什么樣的 AI 搜索產(chǎn)品，它們主要目的是什么？

說白了，只有一個(gè)：用 AI 力量，幫用戶找到他們真正需要的內(nèi)容，讓他們能拿到更準(zhǔn)確的信息。

過去用傳統(tǒng)搜索引擎時(shí)，很多用戶需求都沒被好好滿足。如果我們要找個(gè)答案，可能得先把問題分成 A、B、C 三部分，然后一個(gè)個(gè)地輸?shù)剿阉骺蚶铩?/p>

搜索引擎用爬蟲技術(shù)在網(wǎng)上抓信息，然后，按自己的邏輯排個(gè)序，列出結(jié)果。我們拿著這些信息，自己再分析、總結(jié)一番，最后才能用來支持決策。

但有了AI 搜索產(chǎn)品后，一切變簡(jiǎn)單了，你不用再走 A、B、C 三步。只要提出問題，AI 就直接理解你的意圖，拆解問題，并找到相關(guān)網(wǎng)頁。然后，大模型會(huì)分析信息，最后整理成結(jié)構(gòu)化的結(jié)果直接給你。

但問題是，單單列出 A、B、C 還不夠。我們希望在信息被列出后，還能用工具進(jìn)一步深入分析，然后再總結(jié)，最后生成報(bào)告。這才是關(guān)鍵。

這個(gè)過程像建筑師設(shè)計(jì)房子：

先畫出草圖（提出問題并進(jìn)行拆解），然后，找合適的材料（收集和分析信息），最后，精心挑選材料，確保每一步都非常精準(zhǔn)，這樣才能建造并完成精裝，保證房子既堅(jiān)固又好看。

可問題是：現(xiàn)在 AI 幫我們收集和分析了信息，但選擇材料的權(quán)利沒給用戶，也沒提供足夠的工具，就直接總結(jié)了。這跟以前有什么區(qū)別呢？

因此，在創(chuàng)造新需求之前，AI 搜索要先滿足傳統(tǒng)搜索沒解決好的需求；也就是說，過程中被忽視的需求。

雖然現(xiàn)在看起來 AI 降低了搜索產(chǎn)品的門檻，實(shí)際上很多產(chǎn)品很相似，都像 AI 版知乎直答，它們主要任務(wù)是簡(jiǎn)化搜索流程，把來自不同渠道的信息集中起來。

所以，我說 AI 搜索卷錯(cuò)了方向，那么，自然也就出現(xiàn)，很多人經(jīng)過一段時(shí)間嘗試之后，又回到傳統(tǒng)搜索引擎行為上，因?yàn)閭鹘y(tǒng)搜索引擎提供的信息更全面。

顯然，如果想讓用戶把 AI 搜索變成一個(gè)真正提高效率的工具，必須深挖并滿足傳統(tǒng)搜索技術(shù)沒滿足的需求，這才是剛需。

03

因?yàn)樗蠥I搜索，本質(zhì)上，都在解決三種題型：

第一種，填空題。這種時(shí)候，用戶其實(shí)已經(jīng)心里有個(gè)問題：“這是什么？”

比如：他們想查查最新的新聞，或者想知道某個(gè)名人最近怎么樣了，又或者想知道一家公司去年掙了多少錢。這些問題，傳統(tǒng)互聯(lián)網(wǎng)搜索已經(jīng)能解決得很好了。

第二種，證明題。這時(shí)，用戶已經(jīng)有了自己的想法，可能會(huì)說：“我覺得是這樣，因?yàn)椤?，他們需要的是一大堆事?shí)來支撐這個(gè)看法。

這種情況就像老板給你個(gè)想法，你得去找證據(jù)來證明它是對(duì)的。這種任務(wù)，聽起來簡(jiǎn)單，其實(shí)挺費(fèi)勁的，要花不少人力、物力和時(shí)間。

比如說：

如果要證明某家公司的某個(gè)看法，我得去翻這家公司過去幾年的各種數(shù)據(jù)和信息。就像我想寫徐崢導(dǎo)演的《逆襲人生》，本質(zhì)上也是個(gè)證明題，要通過數(shù)據(jù)來證明我的觀點(diǎn)，那就得找準(zhǔn)確的數(shù)據(jù)。

實(shí)際上，AI搜索產(chǎn)品都在嘗試解決填空題、和基礎(chǔ)證明題，所謂的基礎(chǔ)證明題，是有明確標(biāo)準(zhǔn)答案的問題，但它們處理復(fù)雜證明題的能力還需要提高。

我覺得最難的是論述題（discussion question）。

什么是論述題呢？這種題像：“我也不太清楚，幫我在網(wǎng)上找找看？”這種問題和前兩種的區(qū)別在于更像語文和數(shù)學(xué)。

數(shù)學(xué)有明確對(duì)錯(cuò)，語文沒有。高級(jí)證明、論述，就像寫作文一樣，沒有固定對(duì)錯(cuò)，分?jǐn)?shù)更多是老師主觀給的。

搜論述題挺復(fù)雜，你找的是關(guān)于一個(gè)問題的各種觀點(diǎn)，本來就沒有絕對(duì)的正確或錯(cuò)誤。搜完后，還得自己頭腦風(fēng)暴一番，最后才能總結(jié)出個(gè)答案。

可以看出來，這三種題型，難度一級(jí)比一級(jí)高。要回答好“高級(jí)證明題”和論述題，不光需要工具，還得人工參與一下。

這是啥意思呢？

現(xiàn)實(shí)世界里，復(fù)雜問題很常見，因?yàn)闊o論是在工作還是生活中，很多問題都沒有絕對(duì)的對(duì)錯(cuò)，常常是因?yàn)椴煌说膬r(jià)值觀、看法不同。

我們?nèi)祟愑钟悬c(diǎn)懶，總希望AI能一步到位幫我們搞定這些復(fù)雜的問題。但用過幾次后，發(fā)現(xiàn)AI沒那么給力，用的次數(shù)就少了。

還有，要回答這些問題，比如我找了好多論據(jù)，到底哪個(gè)最靠譜，哪個(gè)最有力，你得一個(gè)個(gè)篩選；如同寫論文一樣，為了支持一個(gè)觀點(diǎn)，得查很多資料，還得想清楚怎么表達(dá)得簡(jiǎn)潔明了。

現(xiàn)在，ChatGPT都解決不了高級(jí)證明題和論述問題。比如，你問它一個(gè)問題，它回答后，你說不對(duì)，它會(huì)馬上改，改成你想要的答案，尤其是文科類。

04

那為什么大語言模型搞不定這類問題呢？因?yàn)榇笳Z言模型是根據(jù)前一個(gè)詞來推理下一個(gè)詞，它是在猜高頻詞。

但問題是，出現(xiàn)最多的詞，不一定是最好的答案，有些詞或句子出現(xiàn)的次數(shù)很少，但可能就是關(guān)鍵的見解。

比如：

好的學(xué)術(shù)論文，平時(shí)可能沒多少人看，用得也不多，但要你想深入研究一個(gè)問題，這些論文就特別重要。法律、醫(yī)療、政策研究、市場(chǎng)分析的專業(yè)報(bào)告也是一樣，這些深入和具體的內(nèi)容通常不太流行，但對(duì)做決策超重要。

還有一點(diǎn)，AI不太會(huì)拆解復(fù)雜問題，我們得把問題拆得特細(xì)，一步步來，才能找到答案。所以，要解決證明題、復(fù)雜論述題，就得讓用戶參與進(jìn)來。

這個(gè)過程就是：AI搜索后，用戶可以選擇優(yōu)質(zhì)語料、剔除不太準(zhǔn)確的信息，然后扔進(jìn)工具里，自己再總結(jié)一下，最后才能得到滿意的答案。

舉個(gè)通俗的例子：

你想研究全球變暖，對(duì)北極熊生存環(huán)境的影響。一般AI搜索，只能給你一些基本的信息和新聞報(bào)道。

但作為研究者，你要找到相關(guān)的學(xué)術(shù)論文、和詳盡的環(huán)境研究報(bào)告?？墒?，第一次搜索結(jié)果里，你會(huì)發(fā)現(xiàn)很多過時(shí)的或者不相關(guān)的內(nèi)容。

這時(shí)，為了拿到真正有用的數(shù)據(jù)，你就不得不一個(gè)個(gè)地篩選包含嚴(yán)格科學(xué)研究和具體數(shù)據(jù)分析的文章；這一步做完后，你就可以把精選的資料扔進(jìn)一個(gè)分析工具里，或利用某些功能，做成圖表、PPT，插入一個(gè)頁面中，最終制作出自己需要的報(bào)告。

前一段時(shí)間，GitHub熱榜上，曾經(jīng)有位AI 大神僅用 500 行代碼就打造了一個(gè)AI 搜索引擎的Demo ，我還體驗(yàn)了一次，不僅響應(yīng)速度快、回答的內(nèi)容也能跟進(jìn)最新時(shí)事。

所以，想要AI搜索產(chǎn)品脫穎而出，最關(guān)鍵條件是什么？

一方面，是數(shù)據(jù)，尤其是垂直細(xì)分的數(shù)據(jù)。垂直細(xì)分的數(shù)據(jù)要通過具體的場(chǎng)景、話題、主題來引導(dǎo)用戶分享，并參與提問。

另一方面，想應(yīng)對(duì)低門檻挑戰(zhàn)，要努力打造自己產(chǎn)品特色，AI 搜索產(chǎn)品是由用戶需求驅(qū)動(dòng)的，不是單純的技術(shù)驅(qū)動(dòng)。

用戶價(jià)值可以通過這樣的公式來表達(dá)：用戶價(jià)值 = 新體驗(yàn) – 舊體驗(yàn) – 遷移成本。想想看，如果一個(gè)AI搜索工具能提供明顯優(yōu)于傳統(tǒng)搜索的結(jié)果，但，同時(shí)使用起來又非常簡(jiǎn)單，那么，用戶自然更愿意轉(zhuǎn)向使用這種新工具。

我最近老看大模型的文章，文章都在哪找的呢？

主要是兩個(gè)地方：一個(gè)是技術(shù)社區(qū)，另一個(gè)是知乎直答上的一些專門寫這方面的博主。每次我搜索這些內(nèi)容時(shí)，它們幾乎總能給我找到需要的東西，所以，我現(xiàn)在挺依賴它的。

這就是用戶價(jià)值。

因此，從這個(gè)角度看，國(guó)內(nèi)AI搜索產(chǎn)品的發(fā)展路徑，不能完全模仿國(guó)外Perplexity。外媒平臺(tái)Decoder一周前發(fā)表了一篇文章，介紹了Perplexity的現(xiàn)狀。

文章中提到，Perplexity首席業(yè)務(wù)官Dmitry Shevelenko表示，Perplexity每個(gè)月要處理2.5億個(gè)問題，增長(zhǎng)速度令人驚訝。雖然谷歌仍然是搜索市場(chǎng)的主導(dǎo)者，每天處理85億次查詢，但Perplexity的增長(zhǎng)速度也非常迅速。

Perplexity是希望打造知識(shí)平臺(tái)，成為生態(tài)入口，它的定位是LLM+搜索引擎的中間態(tài)，將二者優(yōu)點(diǎn)結(jié)合，側(cè)重搜索體驗(yàn)的產(chǎn)品力而非基模型。

對(duì)比國(guó)內(nèi)的搜索環(huán)境，傳統(tǒng)搜索引擎已經(jīng)占據(jù)通用搜索場(chǎng)景。如果新的AI搜索產(chǎn)品知識(shí)庫規(guī)模不夠大，使用效率不夠高的情況下，還在努力處理填空題、基礎(chǔ)證明題，那么，很難在市場(chǎng)脫穎而出。

所以，國(guó)內(nèi)AI搜索產(chǎn)品，每家要找到自己獨(dú)特的發(fā)展路徑，或許，在特定垂直領(lǐng)域深耕，利用AI優(yōu)勢(shì)來提供更精準(zhǔn)、更垂直細(xì)分的內(nèi)容，才能機(jī)會(huì)瓜分市場(chǎng)。

總結(jié)

到場(chǎng)景任務(wù)中去。

場(chǎng)景、任務(wù)里，存在著許多尚未開采的金礦，未來AI搜索要么成為工作流中一部分，要么，走向UGC+AIGC路線，但后者要具備龐大知識(shí)系統(tǒng)，構(gòu)建起來要燒更多錢，何其容易。