劃重點
01Perplexity、GPT、Kimi和智譜等國內外四個爆款產品競相推出大升級搜索功能，以提高實用性和信息占有量。
02然而，這些AI搜索在理解用戶意圖方面仍存在局限，需要更深入的研究和優(yōu)化。
03AI搜索在整合海量信息、提煉有效部分方面具有優(yōu)勢，但實際應用中仍需關注資料深度和操作性。
04未來，AI搜索的競爭將更多聚焦在前者，即更深入地理解用戶意圖，提供更有針對性的服務。
以上內容由騰訊混元大模型生成，僅供參考
在 OpenAI 融資完之后，Perplexity 也在找錢了：據《華爾街日報》報道，這家一直以來廣受好評的 AI 搜索，希望以 80 億美元的估值，尋求 5 億美元的融資。
雖然自從出道以來，Perplexity 在搜索上一直很領先，但不是沒有與各大出版商鬧矛盾，而且也不是沒有對手，各家都對搜索業(yè)務，都盯得很牢。真正落實到使用層面，總有一個問題：被 AI 賦能，尤其是被大語言模型賦能之后的搜索，究竟哪里有所不同了？這篇文章里我們測評了幾個推出了「大升級」了的搜索工具，包括 Perplexity 的 Pro 模式，GPT 的新模型、Kimi 的探索版，智譜的 AI 搜索，秘塔的深度和研究版。簡而言之：更廣更多的資料、更深的信息占有量，是毋庸置疑的，但這只是一部分。還可以更有所不同的，是對用戶意圖的理解與感知。關注 AI 第一新媒體，率先獲取 AI 前沿資訊和洞察實用性測評：不僅能搜，搜完就能用如果說 AI 加持后的搜索功能有什么變化，一定是實用性上的提升，得到的信息對解決實際問題更有效了。以一個操作性非常強的問題為例，「如何在 mac 系統上，批量修改音樂文件封面」。在百度這樣的傳統搜索引擎上，輸入關鍵字，出現的是一大堆信息的羅列，而且關聯度很低。
Google 的關聯度好一點，但還是需要用戶自己點進去，逐一確認內文究竟說的方法，是不是能用。
從前的搜索引擎，是圍繞關鍵字，搜羅一大堆信息，有相似度，但不多，并且需要用戶自己做第一輪整理。而大語言模型給搜索注入靈魂之后，重新組織了海量信息，整合成了相關度最高的樣子，返送給用戶這直接省掉了第一輪整理的過程。比如下面的 ChatGPT，根據方法的類型，總結出了三類。
不過，AI 雖好但不能依賴，比如下面智譜，在「使用 Finder」和「使用 Apple Music」兩個方式下面的細節(jié)步驟，完全是一樣的。
更保險的方法是在幾個 AI 搜索里，同一個問題獲取不同的回答，橫向對比，以免其中一個出現幻覺。接下來，在操作細節(jié)上進一步詢問，也會提出相應的方法。
Kimi 探索版
相比于 4o 給出的籠統回答，Kimi 給出了更多的細節(jié)或者說，是在 4o 的基礎上，調整了回答的格式，讓回答更有操作性。不是每個 AI 搜索都擅長給具體實用的建議，像 Perplexity，就只丟出來可以用的軟件。
實用性還體現在對數據的抓取上，以 Kimi 的演示 prompt 為例「世界上最有錢的 10 個人是誰？他們都是做什么的？」，各家的表現都不太一樣。
其中，注重資料深度的 Perplexity 和 Kimi，都把具體的數字列出來了，Perplexity 更加是直接拉了個表格，每一個詞條都貼出了出處。
涉及到數字的信息，列表格是更清晰的方式。不過 Perplexity 自己的表格，和下面的總結里，排序不太一樣。甚至，這四個 AI 搜索給出的結果排序，都不太一樣自行核查還是很有必要的。接下來我嘗試了一個比較有挑戰(zhàn)性的問題，「在準備業(yè)余無線電考試期間，我可以買什么樣的設備熟悉操作？」
一個小小的備注：業(yè)余無線電是需要考證的，在牌照下來前，只能聽不能發(fā)。所以這個問題，暗地里在考驗模型會不會了解到這樣的「隱藏信息」。秘塔和 Kimi 都直接給出了設備的種類、建議的品牌。其中秘塔還從一些論壇里搜索，整合出了用戶評價。這個做法沿可以擴展到所有比價的場景上。
不過，這幾個 AI 搜索都沒有涉及到是否具備發(fā)射資格的問題，秘塔和智譜提到了要確認設備是否具備發(fā)射核準，但這是針對設備而不是用戶的。Kimi 模糊地提到需要遵守通聯流程和禮儀，比較像是按慣例寫了點安全守則。
「在準備考試期間」已經非常明牌了，這就是還沒有取得牌照的階段。只能說 AI 在真正理解用戶的處境這方面，還是能力有限。簡單小結一下是：基于大模型的 AI 搜索更有實用性，能夠整合海量信息，提煉出最有效的部分。資料深度：是搜索就下一百層在測評實用性的過程中，我發(fā)現 Kimi 隨機提供的一些演示案例里有這樣一個問題：標注三國戰(zhàn)役地點，對應現代城市和地區(qū)。很自信喔。三國是中國歷史上非常有趣的一個歷史時期，群雄割據，人物和事件多變。而且正史和野史齊飛，三國演義和三國志傻傻分不清。更有趣的是，在中文以外的世界也有很多研究對三國感興趣，歐美和日本有不少針對漢代和三國的研究學者，是一個信息存量很豐富的時期。這樣一個問題，就非�？简瀸Y料和信息的占有量。這一次我直接把 ChatGPT 踢出戰(zhàn)局了，因為不提供具體出處，沒辦法判斷它的占有深度。我決定用主打文庫檢索的秘塔代替它的位置。
可以看到中間 Perplexity 和智譜，表現無功無過，都以官渡之戰(zhàn)作為三國的開端來計算，周期大概是公元 200 年到 230 年之間。而 Kimi 展現出了一些不同的理解：以公元 184 年的黃巾起義為開端，把后漢末尾、三國前夜的幾場戰(zhàn)事都包含了進去。我問了一下為什么這么做，它回答：我不是，我沒有。
而秘塔搜索展示出了完全不一樣的資料占有量。就像上面說，在文庫和深入模式下，它不僅有相關教科書上的研究，囊括了非中文的相關文獻。
可能是時效性還可以提高，這兩年出版的一些新書沒有囊括進去。但是這個資料占有量的廣度和豐富度，已經相當不錯了。不過秘塔有一個迷惑的 bug：居然翻查了 Kimi 的測評網頁……
AI 生成 AI 搜，閉環(huán)了屬于是。這個 bug 反而能看出來，AI 搜索再先進，也會有無效網頁，本質上還是基于對 prompt 更細的拆解，切分出更小單位的關鍵詞至于有沒有后探到關鍵詞所屬的知識領域，那就不一定了。這是中文資料的檢索。接下來我做了另一個檢索，更偏向于非中文資料：1978 年，哲學與心理學協會舉辦了一場座談會，最后這演變成了幾位哲學家對于 AI 的辯論，其中包括諾姆喬姆斯基（Noam Chomsky）、杰里福多（Jerry Fodor）、羅杰尚克（Roger Schank）和特沃溫諾格拉德（Terry Winograd）。具體的情況是什么？
四個搜索給出的回答都大同小異：整理了這場辯論的正反方人物、各自的觀點、這場辯論所帶來的影響，等等，算是打了個平手。不過，考慮到這次主要看的是資料深度，秘塔的表現更好，資料深度很驚艷。
實際上，1978 年的這次辯論沒有太多原始記錄，只有哲學家 Daniel Dennett 的一篇論文中提到了一下。Perplexity 和 Kimi 都需要追問一下，智譜則是在追問環(huán)節(jié)直接卡住了。秘塔第一次就收錄到了這篇論文，放在了引用目錄里，點擊可以直接找到相關的段落。
總結一下，大語言模型對于搜索而言最有意義的是兩點：一，基于語義的用戶理解，提供有操作性的信息。二，跳出關鍵字的圈圈，后探到更深的知識領域。這兩點說起來容易，做起來很難。兩者當中，都涉及對用戶意圖的理解。但是了解用戶的意圖，難度堪比讀空氣打過工的人都知道，這里面的門道有多深。不要說模型對人的意圖理解，就是日常生活中人與人之間、同事與同事之間、同事與領導之間，想要理解彼此的意圖，都要付出溝通成本。模型想要通過用戶的提問來揣測意圖，前提是提問越清晰越好，然而用戶自己可能也并不百分百清楚自己要的是什么。相比之下，后者的容錯率更高一點：不知道用戶到底想要什么，那就有什么給什么，資料深度直下一百層，總有一份能擊中目標。這可能也是為什么各家 AI 搜索，在推出 Pro 版、plus 版、深度版等等高級服務時，都主打一個搜索又大又全。而這場競爭的下一個賽點，可能恰恰在前者，畢竟那涉及到人類對人工智能的終極幻想：想我所想，懂我所懂。
