AI搜索与搜索OG的发展路径差异解析

OpenAI的SearchGPT一发布，AI搜索这潭水，算是彻底被搅热了。

这把火，最初由Perplexity点燃，在美国市场直接烧向了谷歌和微软。很快，火势蔓延到国内，百度、360等大厂迅速跟进，一批创业者也蜂拥而至。一时间，“AI搜索”成了科技圈最时髦的词汇。如果说之前的“百模大战”是基础模型的军备竞赛，那么眼下这场“百搜大战”，就是应用层最前沿的贴身肉搏。

在这场竞赛里，AI搜索与传统搜索引擎的界限，其实相当清晰。

Perplexity这类产品的横空出世，确实给传统搜索引擎带来了不小的震动。外界普遍认为，大厂们面临着组织惯性、竞价排名商业模式的路径依赖，以及用户流失的风险，这让他们在转型路上显得步履蹒跚。

然而，在与行业多家公司深入交流后，一个更立体的图景浮现出来：AI搜索固然是产品创新的先锋，但传统搜索引擎也绝非被动挨打的靶子。这场对决，远未到终局。

胜也推理，败也推理

提到AI搜索，很多人第一时间想到的，就是Perplexity那句著名的宣言：“我们不是AI搜索，我们是答案引擎。”用户提出问题，对话框下方直接给出结构清晰的答案，附带引用来源，还能提供关联问题引导深入探讨——这种体验，与传统搜索引擎列出十条蓝色链接的做法截然不同。

这引出了一个核心问题：AI搜索到底特殊在哪？为什么从创业公司到老牌搜索厂商，都将其视为必争之地？

关键在于，它做到了传统搜索一直想做但未能实现的事：提供精准、直接的答案，而非海量链接。

用户使用搜索的核心诉求，始终是求知。每个问题背后，都希望得到一个明确的结果。过去技术条件有限，我们只能接受“搜索-筛选”的模式，在众多网页中自行寻找答案。这个过程效率低下，且并非所有问题都有现成的网页可以完美解答。

大模型的出现改变了游戏规则。正如Perplexity创始人Ara vind Srinivas所强调的，他们的目标是打造一个“答案引擎”，在信息过载的噪音中，为用户提供简洁、可信的精准信息。这背后，是对Google创始人拉里·佩奇产品哲学的践行——永远假设用户在人机交互中是正确的。

目前，Perplexity和Character.AI被业界公认为美国大模型ToC产品中体验最佳的两款。在国内，秘塔AI搜索、Kimi等产品也遵循类似的逻辑：通过对话直接生成答案，旨在解决传统搜索中结果相关度低、专业知识难寻、无法进行多轮探讨的痛点。

相比之下，搜索引擎的AI化，更像是在原有庞大身躯上的一次“升级改造”。百度、夸克等选择在部分搜索场景中，将大模型生成的答案置顶，下方依然呈现传统搜索结果列表。

这两种路径的本质区别在于答案的生成方式。像秘塔、Kimi这类产品，其答案完全由大模型通过推理生成。而融合了AI的搜索引擎，则会对用户的搜索词（query）进行智能分类：一类是能从现有网页中直接找到标准答案的（如“北京天气”），另一类则是需求更复杂、需要综合推理的（如“如何为新生儿选择保险”）。对于前者，系统可能直接引用百科等权威来源，以降低成本；对于后者，才会调用大模型进行深度生成。

举个例子，同时用Kimi和夸克搜索“地球直径”：

Kimi给出了一个通过推理整合的完整描述，而夸克则直接呈现了百科的数值答案。

但如果将问题改为“地球直径是多少”，结果又变了：

夸克通过分析判断，后一个查询可能意味着用户想了解更详细的知识，因此提供了更丰富的生成内容。

这里就触及了问题的核心：推理是有成本的。面对海量且不可预测的C端用户需求，每一次生成都意味着算力消耗。即便未来单次推理成本降到百分之一，如果搜索需求增长千倍，总成本依然会飙升十倍。

传统搜索引擎的巨大优势正在于此：他们积累了数十年的搜索数据，能精准预测用户意图，从而将昂贵的推理计算用在“刀刃”上，有效控制成本。这是新入局的AI搜索工具短期内难以逾越的护城河。

AI搜索是“0”，搜索引擎是“1”

从技术门槛看，打造一个基础的AI搜索产品并不算高。Perplexity早期就被部分人称为“套壳产品”，因其推理能力依托于ChatGPT，搜索则接入Google和Bing的API。蜂拥而至的模仿者也证明了，从零搭建一个对话式搜索界面，在技术上并非难事。

这意味着，大模型时代的新玩家，走的是一条从零到一的道路。他们没有历史用户，没有行为数据，既无包袱，也无积累。想要突围，必须在产品差异化上做文章。

于是我们看到，Perplexity聚焦“一句话获取答案”的极简体验，Kimi则凭借超长文本处理能力树立口碑。只有形成独特的用户心智，才能在混战中占据一席之地。如果产品仅仅停留在“类GPT对话”层面，缺乏独特价值，将很快被淹没。

有趣的是，差异化路径各不相同。以秘塔科技为例，其团队最初深耕法律垂直领域。一位接触过该项目的投资人曾形容其为“一个神奇的项目”：法律赛道天花板明显，团队在融资受挫后认清现实，凭借其在知识整理与搜索方面的技术积累，果断转向通用AI搜索，意外踩中风口，一炮而红。

反观传统搜索公司，稳定的产品形态既是创新的枷锁，也是宝贵的财富。他们的长处不在于炫酷的产品交互，而在于深厚的数据积淀。通过对海量历史搜索数据的分析，他们能更精准地预测用户真实需求，甚至建立个性化画像。这是Perplexity或Kimi等新玩家目前尚不具备的能力。

此外，大模型“预训练”的技术特点，使其擅长记忆与归纳，但也可能带来“用户茧房”。例如，Perplexity的极简风格可能吸引偏好快速获取答案的用户，但对需要进行长文本深度分析的专业用户吸引力有限；Kimi则相反。如何打破这种因产品定位带来的潜在局限，是AI搜索公司需要思考的问题。

在了解用户、提升结果精准度方面，传统搜索引擎在AI时代依然跑在前面。StatCounter的数据显示，截至2024年1月，谷歌搜索在全球的市场份额仍高达91.46%，微软搜索为3.43%，格局并未因AI搜索的兴起而发生根本性动摇。

当然，巨头们并未沉睡。谷歌早在去年5月就内测生成式搜索体验（SGE），今年5月更是全面推出“AI概览”功能，将生成式答案置于搜索结果顶部。谷歌搜索副总裁Liz Reid对此的解释是，为了帮助用户快速整合信息。

不过，有投资人评价，谷歌的反击目前看来更像是一种“防御性集成”，只是在原有搜索中加入了AI功能，体验上与传统搜索区别不大。真正的战火，似乎吸引了更多场外选手。今年4月，有传闻称苹果考虑收购Perplexity，为其手机业务注入AI能力；同时，Meta和亚马逊也被认为是潜在的买家。AI搜索的战局，正变得愈发复杂。

技术驱动与用户驱动

尽管入局者众，但纵观AI搜索的探索路径，大致可归纳为两大流派：一类是聊天机器人式的AI问答搜索引擎（如Perplexity、Kimi），另一类则是基于传统搜索引擎的对话框升级（如百度、夸克）。

而在AI搜索新生代内部，也分化出两种模式：一种是如Kimi般“先技术后产品”，另一种则是如Perplexity般“先产品后技术”。

Perplexity是“产品先行”的典型代表。其创始人Ara vind Srinivas曾直言：“一个拥有十万用户的套壳产品，远比一个拥有自研模型却没有用户的产品更有意义。”因此，尽管早期其“套壳”争议不断，但团队的核心思路非常清晰：快速验证产品市场匹配度。实际上，Perplexity虽然调用第三方模型（如Mistral AI、Meta的Llama系列），但团队基于产品需求进行了深度微调，并最终推出了自研的pplx系列模型。

除了模型，Perplexity的另一项核心技术是RAG（检索增强生成）。这项技术让大模型能够实时检索外部信息源，确保答案的时效性与准确性，并附上引用来源，这构成了其产品可靠性的基石。

传统搜索引擎代表则展现出强烈的“用户驱动”意识。以夸克为例，其发展路径更像是在用户需求的洪流中不断“缝缝补补”。推荐引擎火了，就加入信息流；大模型时代来了，就在搜索结果顶部增加生成内容。他们的进化逻辑是紧跟甚至预判用户需求的变化，至于这些新功能与旧体系如何有机融合，有时可能需要在奔跑中调整姿势。

这引申出一个根本性的分野：AI搜索本质上是技术驱动催生的新物种，它意味着更大的想象空间，有望诞生真正原生于AI时代的创新应用。而用户驱动的产品进化，虽然路径相对确定，但其想象空间的天花板也似乎更早可见。

另一个无法回避的问题是商业化。多位经历过互联网周期的业内人士指出，依赖流量卖广告的商业模式，从谷歌开启，在字节跳动达到巅峰，但其黄金时代可能正在过去。AI时代需要新的价值创造与捕获方式。如果AI搜索产品无法摆脱旧时代的思维定式，恐怕难以成为新时代最大的商业沃土。

因此，技术驱动诞生的AI搜索，在努力进行产品形态创新的同时，还面临着开拓用户、探索可持续商业模式的巨大压力，其未来仍充满不确定性。

结语

AI搜索公司轻装上阵，充满想象，能够源源不断地带来令人眼前一亮的功能创新。传统搜索公司则底蕴深厚，手握海量数据与对用户习惯的深刻理解，在精准满足需求方面优势明显。

短期内，格局或许难以碘伏。Perplexity取代谷歌，或者Kimi、秘塔取代百度、夸克，都非易事。像夸克这样的玩家，可以投入重金训练千亿参数的全栈自研大模型，构建底层架构，其服务的目标用户，仍然是那80%寻求确定性答案的传统搜索用户。

而Perplexity、Kimi们要争夺的，是传统搜索引擎未能很好覆盖的、那20%的复杂、深度、需要推理的搜索需求市场。有趣的是，这块蛋糕，谷歌、百度们同样虎视眈眈，正在通过AI升级全力争夺。

这场“百搜大战”刚刚拉开序幕，最终鹿死谁手，远未见分晓。