梦晨 衡宇 发自 凹非寺

(相关资料图)

量子位 | 公众号 QbitAI

AI大模型搅局搜索这事，又热闹起来了。

谷歌 除了推出Bard，也开始在传统搜索上实验AI增强； 微软必应 悄悄增加GPT-4启用开关；创业公司 也出了新版本。

国内方面，也出现一个新物种：首款AI搜索产品 “天工AI搜索” ，来自大模型黑马玩家 昆仑万维 。

如果不算大模型插件形式的实验，那么这就是国内首款正式落地，并投入应用的独立AI搜索产品了。

之前网友们预言的“搜索引擎给一页10个蓝蓝的链接，就像老式拨号电话的转盘一样成为历史”难道真的要应验了？柯达时刻既视感。

量子位第一时间参加了天工AI搜索的内测，实际体验了一波，玩起来和传统搜索体验确实大不一样——

就像是雇了一个助理在帮你资料，找完还给出总结汇报。

现在天工AI搜索也已经正式上线并开启内测申请 （链接：） ，大家可以尽情体验了。

AI搜索这个新物种，一般长啥样？

以天工AI搜索为例，首页乍一看和普通搜索引擎似乎没什么不同。

试着搜索一些问题，才看到区别所在。

从推荐问题也可以看出，官方在有意引导 用自然语言提问 ，不再需要用户自己去提炼关键词，想问什么就像问身边的人一样去问即可。

在展示搜索结果环节，传统搜索占主要篇幅的搜索结果，被压缩成了一小块 “参考”。

只展示对回答这个问题有参考价值的筛选后结果，屏蔽了广告和低质量内容。

占页面正中C位的变成 “回答” ，也就是AI大模型根据问题和参考生成的内容了，经过AI整合提炼，避免了冗余无效信息，更高效和精准。

这部分也可以看出借鉴了AI聊天机器人应用，有反馈的点赞点踩按钮，一键复制，以及不满意可以重答。

再往下，大家熟悉的分页组件也不需要了。

取而代之的是 “追问” ，也就是AI预测接下来你还可能想问什么，点一下就可以继续延续上文聊下去。

这样将搜索引擎与大模型结合起来，有什么好处？

借助大模型的理解能力可以按 整句分析用户的真实意图 ，而不是仅依赖于关键词匹配。

对于无法直接搜索到的内容，AI搜索也可以在理解的基础上作答。

还可以借助大模型的能力 对搜索到的信息重新组织、整理、再按指定方式输出 。

比如要对比两个事物的异同，AI搜索不光省去了筛选信息的过程，甚至可以一步到位直接让AI把搜索出来的结果绘制成表格，一目了然。

注意表格中每一句话后面都会附上来源，提供了 信息溯源能力 ，解决了单纯的大模型生成内容大模型提供信息不容易验证的问题。

大模型的 多轮对话能力 也为搜索增加了新的玩法。

比如在学习一个思维模型时，不光可以让AI把方法介绍出来：

还可以通过继续“追问 ” 这个话题，调动大模型对复杂问题的推理能力，回答“举例说明这个方法如何应用”这种开放式问题：

最后，AI搜索还可以从聊天机器人借鉴 保存和分享对话记录 。

在自己的搜索历史中再次搜索，可以解决 “我上次搜出来一个什么但是忘记是怎么搜的了” 这个问题。

为每一次搜索会话编上一个id，就可以分享出去， 在不同设备查看，或者让其他人也看到同样的搜索结果，以及继续新的对话。

在试用中也发现一些有趣的现象，搜索结果不光影响AI生成的内容，还影响着AI生成的风格。

比如搜到的参考信息是繁体，AI容易也被带跑用了部分繁体字。

问专业性较强的问题，AI的回答也容易晦涩难懂。问日常生活问题，AI的回答又容易质量不高。

不过好在，大模型的那些 提示工程技巧 在这里同样适用。

看来AI搜索虽好，但要最大程度发挥其价值，就要去学习掌握大模型提示工程技巧了。

刚刚看到AI搜索的种种特点，都是借助大模型的能力才实现。

但这也不光是搜索从大模型身上得到好处，对于大模型来说，搜索同样是很好的增强和辅助。

在AI研究界，近期一个热点就是 检索增强生成 （RAG，Retrieval Augmented Generation） ，用外部数据提高大模型回答问题的准确率、减少幻觉。

比直接用提示词提供上下文支持的数据量更多、质量更高，又比重新训练或微调大模型的成本低。

△ 来自

一个经典用法是接入企业本地数据作为大模型的外部“知识库”。

大模型如果搜索到确切信息，自然就不用瞎编了，如果明确没搜索到结果，也更容易促使大模型答出“我不知道”。

在天工AI搜索测试中，也可以观察到互联网上搜索不到提问相关内容时回答“未搜索到”的情况。

AI搜索则是在此基础上更进一步，直接把整个互联网作为大模型的“知识库”。

具体来说，天工AI搜索使用了在处理长篇文档和复杂问题上具有天然优势的 Dense Passage Retrieval （DPR） 技术。

对问题和潜在相关文档 （例如维基百科页面或论坛帖子） 进行编码，并计算它们之间的相似度，确保准确无误地检索到与问题高度相关的文档及其关键段落。

同时，搜索引擎也能给训练数据固定的大模型提供最新的知识，保证生成方案的时效性。

比如大模型已经学到了各地景点的知识，但不知道未来几天的天气。

搜索补上这个缺口，就可以按照查到的天气信息有针对性的安排旅行计划。

在这个过程中， 向量语义检索 发挥了重要作用。

通过高维向量空间映射，排序系统能够快速筛选和定位网页中与用户问题最相关的段落，确保为大模型提供优质的信息输入。

再利用向量相似度算法，系统能够捕捉到内容间的微妙差异和多样性。这确保了传递给大模型的信息来源不仅是高度相关的，同时也保持了广泛的视角和维度，从而实现搜索结果的丰富性和深度。

最后通过召回用户之前查询的搜索结果，提高搜索结果与用户交互的连贯性，打造了一种更自然、流畅的搜索对话体验。

ChatGPT问世至今半年，行业逐渐达成了一个共识，即AI搜索确实是一个新的搜索范式。

它将搜索引擎与AI大模型结合，使搜索更加智能和人性化。

加上语义理解和多轮互动，让智能搜索不仅可以解析用户的搜索意图，还能根据上下文进行多轮提问，提供更精准的结果。

那么，这样一次重要的技术升级，能延展出什么新玩法？

昆仑万维作为局中人，给出了两种方向：

第一种，成为零成本、高效率的新一代生产力助手。

主要承担的任务，有材料收集、文案撰写、科研学习、智力外脑等功能。

沿着这条路线，未来AI搜索有可能作为互联网基础设施，以及超级流量入口的，最终形成新形态生产力工具的门户。

第二种，作为全天候私人管家。

基础版本的AI管家可以为用户的衣食住行提供个性化决策，并且妥善安排好日程。

进一步连锁，也可以在学习用户的偏好和习惯方向加强，提供更个性化的搜索体验，成为人手一个的个人助理。

言而总之，AI搜索产品这个形态，融合了大模型理解语义、记忆系统存储信息、以及交互工具与用户互动，和最近大火的AI 智能体Agent 天然适配。

“大模型+记忆+工具使用”这样的配置，距离OpenAI华人科学家翁丽莲给出的“配方”，也只差一步“主动规划”。

随着产品不断完善，未来可以在AI主动分解任务、缺少条件的时候AI可以主动反问用户等方向探索，如国外的Perplexity已经在往这方面探索。

而我们获悉，昆仑万维对AI搜索接下来的探索方向放在了大模型的另一个重要趋势： 多模态 。

除了文字，AI搜索可以集成图像、声音等多种输入方式，允许用户通过各种方式搜索信息。例如，用户可以上传一张植物的照片来查询它的名称和相关信息。

在传统搜索的文字搜文字，文字搜图、以图搜图之外，又能打开一个以图搜文字的新玩法维度。

AI搜索取得的这些进展，不禁让人想到万维网发明者Tim-Bernes Lee和那一辈先驱们的梦想：

在互联网实现人与人之间高效协作后，把机器引入进来与人交互，再次释放生产力。

为此他们提出改造整个互联网的“语义网” （Semantic Web） 概念，在人能看懂的文字图片之外添加机器能看懂的元数据，实现信息和知识的发现、自动处理和重新组织，最终每个人都能拥有 智能个人助理 （Intelligent Personal Assistant） 。

不过由于技术太复杂、工程规模太大等种种原因，这个梦想至今也没有完全实现。

兜兜转转近30年，大模型横空出世带来新的转机。

这一次人们不用去手动改造整个互联网了，而是AI通过机器学习去理解互联网中的知识，以及人们使用互联网的方式。

而AI搜索这个新物种，就是迈向智能个人助理的重要一步了。

看到这里，你打算如何利用AI搜索？期待未来人手一个的AI助理吗？

欢迎在评论区留言聊聊。

点击左下方 “阅读原文” ，申请加入“天工AI搜索”内测

天工AI搜索内测申请地址：

参考链接： [1]/blog/four-ways-that-enterprises-deploy-llms

— 完 —

量子位 QbitAI · 头条号签约

关注我们，第一时间获知前沿科技动态

标签：