中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

從電商市場分析到醫療行業培訓，再到品牌聲譽監測和高考志愿填報，用戶需要的不僅是信息的簡單匯總，更重要的是能夠針對具體問題提供深度分析和實用解決方案的能力。本文將探討AI搜索在滿足這些需求方面的現狀、挑戰以及未來的發展方向，旨在為讀者提供一個全面了解AI搜索技術及其應用的視角。

看兩個現象：

上周，我和一個做電商朋友聊天，他正研究干果品類市場趨勢。聊著聊著，他說，現在AI 搜索不太好用。我問為什么，他說：

我想知道上個月哪種干果賣得火，抖音上真實用戶評論怎么樣，以及未來的銷售趨勢會如何？但是，AI 搜索后，得到一堆關于整個行業的研究總結，這些信息既不夠深入，也不夠精準，幫助不大。

當時我沒太在意。結果，昨天這種情況又出現了。

在微信上，聊到工作流，一個在醫療行業做培訓的朋友說，他經常要查閱很多學術報告；報告大多從知網之類的平臺下載，然后用豆包 AI幫他做本地化總結和提煉關鍵內容。

同時，也會用夸克、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的問答，當想更深入地了解問答背后知識時，就卡殼了。

其實，我更想要其他維度的內容，類似于案例分析，數據解讀之類的。但AI搜索只能給出總結性的結論，有些失望。

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

01

什么是具體場景？怎么理解AI使用場景呢？

得從用戶任務下的行為方式看。我們每天從早到晚活動，都圍繞完成特定任務展開，用戶使用產品、服務時，根本目也是為了完成任務。

昨天，有個朋友和我說到他使用AI搜索的方式。

他日常工作是監測品牌聲譽，使用 AI 搜索工具會設定一些關于品牌名稱、相關話題討論情況的提示語，然后，用它們捕捉網上每天關于品牌的評價；最后，利用這些信息，制作成日報，反饋給領導。

也就是說，他把 AI 搜索當作一個信息聚合工具，利用它來索引、總結當天的重要反饋和評論。

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

這時，會用AI搜索獲取幫助，AI 搜索像一個專業顧問，能夠依據家長、學生提供的具體情況，（興趣愛好、學科優勢、未來職業規劃等）進行綜合分析，進而做出針對性選擇。

從這個行為來看，用戶主要關注兩方面：一，功能性；二，實用性。

所謂功能性，即，AI 完成搜索任務后，能基于結果進一步生成思維導圖，制作圖標，提供多維度數據對比工具，甚至能做中英文互譯等等。

而實用性，是把知識答案作為起點，去解決具體問題。實際上，每個問題是一個場景，問題的聚合代表著大量資源的挖掘。

我前段時間看徐崢導演的《逆襲人生》，想寫篇文章。

寫作過程中，我想查查全網關于徐崢的各類話題數據，我用 AI 搜索找好久，最終，只能找到一些其他媒體的數據；其實，我更希望當我問 AI 時，它能幫我搜索、總結一下，然后用工具做成表格，直接拿來用。

最近各家公司都在發布財報，我如果能對 AI 搜索說，幫我找一下瑞幸 2024 年中期報告，比較一下和 2023 年的數據，并把毛利、凈利做成表格，那該多好。

顯然，目前 AI 搜索產品還做不到這一點。

或者說，大家都在卷AI搜索、把AI總結前置化思維方式，限制了產品經理的思考，他們沒能從任務角度出發，用問題、話題索引信息源后，再總結，再用工具串聯起來。

Perplexity標語叫做 “Where Knowledge Begins”（知識從這里開始），我覺得，用這句話來形容 AI 產品的用途很合適。這意味著，AI 幫助我們從知識的起點開始，解決實際的問題。

02

把用戶任務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 搜索產品，它們主要目的是什么？

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

過去用傳統搜索引擎時，很多用戶需求都沒被好好滿足。如果我們要找個答案，可能得先把問題分成 A、B、C 三部分，然后一個個地輸到搜索框里。

搜索引擎用爬蟲技術在網上抓信息，然后，按自己的邏輯排個序，列出結果。我們拿著這些信息，自己再分析、總結一番，最后才能用來支持決策。

但有了AI 搜索產品后，一切變簡單了，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，并找到相關網頁。然后，大模型會分析信息，最后整理成結構化的結果直接給你。

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，還能用工具進一步深入分析，然后再總結，最后生成報告。這才是關鍵。

這個過程像建筑師設計房子：

先畫出草圖（提出問題并進行拆解），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，這樣才能建造并完成精裝，保證房子既堅固又好看。

可問題是：現在 AI 幫我們收集和分析了信息，但選擇材料的權利沒給用戶，也沒提供足夠的工具，就直接總結了。這跟以前有什么區別呢？

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

雖然現在看起來 AI 降低了搜索產品的門檻，實際上很多產品很相似，都像 AI 版知乎直答，它們主要任務是簡化搜索流程，把來自不同渠道的信息集中起來。

所以，我說 AI 搜索卷錯了方向，那么，自然也就出現，很多人經過一段時間嘗試之后，又回到傳統搜索引擎行為上，因為傳統搜索引擎提供的信息更全面。

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

03

因為所有AI搜索，本質上，都在解決三種題型：

第一種，填空題。這種時候，用戶其實已經心里有個問題：“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，傳統互聯網搜索已經能解決得很好了。

第二種，證明題。這時，用戶已經有了自己的想法，可能會說：“我覺得是這樣，因為……”，他們需要的是一大堆事實來支撐這個看法。

這種情況就像老板給你個想法，你得去找證據來證明它是對的。這種任務，聽起來簡單，其實挺費勁的，要花不少人力、物力和時間。

比如說：

如果要證明某家公司的某個看法，我得去翻這家公司過去幾年的各種數據和信息。就像我想寫徐崢導演的《逆襲人生》，本質上也是個證明題，要通過數據來證明我的觀點，那就得找準確的數據。

實際上，AI搜索產品都在嘗試解決填空題、和基礎證明題，所謂的基礎證明題，是有明確標準答案的問題，但它們處理復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，幫我在網上找找看？”這種問題和前兩種的區別在于更像語文和數學。

數學有明確對錯，語文沒有。高級證明、論述，就像寫作文一樣，沒有固定對錯，分數更多是老師主觀給的。

搜論述題挺復雜，你找的是關于一個問題的各種觀點，本來就沒有絕對的正確或錯誤。搜完后，還得自己頭腦風暴一番，最后才能總結出個答案。

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

這是啥意思呢？

現實世界里，復雜問題很常見，因為無論是在工作還是生活中，很多問題都沒有絕對的對錯，常常是因為不同人的價值觀、看法不同。

我們人類又有點懶，總希望AI能一步到位幫我們搞定這些復雜的問題。但用過幾次后，發現AI沒那么給力，用的次數就少了。

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

現在，ChatGPT都解決不了高級證明題和論述問題。比如，你問它一個問題，它回答后，你說不對，它會馬上改，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？因為大語言模型是根據前一個詞來推理下一個詞，它是在猜高頻詞。

但問題是，出現最多的詞，不一定是最好的答案，有些詞或句子出現的次數很少，但可能就是關鍵的見解。

比如：

好的學術論文，平時可能沒多少人看，用得也不多，但要你想深入研究一個問題，這些論文就特別重要。法律、醫療、政策研究、市場分析的專業報告也是一樣，這些深入和具體的內容通常不太流行，但對做決策超重要。

還有一點，AI不太會拆解復雜問題，我們得把問題拆得特細，一步步來，才能找到答案。所以，要解決證明題、復雜論述題，就得讓用戶參與進來。

這個過程就是：AI搜索后，用戶可以選擇優質語料、剔除不太準確的信息，然后扔進工具里，自己再總結一下，最后才能得到滿意的答案。

舉個通俗的例子：

你想研究全球變暖，對北極熊生存環境的影響。一般AI搜索，只能給你一些基本的信息和新聞報道。

但作為研究者，你要找到相關的學術論文、和詳盡的環境研究報告?？墒?，第一次搜索結果里，你會發現很多過時的或者不相關的內容。

這時，為了拿到真正有用的數據，你就不得不一個個地篩選包含嚴格科學研究和具體數據分析的文章；這一步做完后，你就可以把精選的資料扔進一個分析工具里，或利用某些功能，做成圖表、PPT，插入一個頁面中，最終制作出自己需要的報告。

前一段時間，GitHub熱榜上，曾經有位AI 大神僅用 500 行代碼就打造了一個AI 搜索引擎的Demo ，我還體驗了一次，不僅響應速度快、回答的內容也能跟進最新時事。

所以，想要AI搜索產品脫穎而出，最關鍵條件是什么？

一方面，是數據，尤其是垂直細分的數據。垂直細分的數據要通過具體的場景、話題、主題來引導用戶分享，并參與提問。

另一方面，想應對低門檻挑戰，要努力打造自己產品特色，AI 搜索產品是由用戶需求驅動的，不是單純的技術驅動。

用戶價值可以通過這樣的公式來表達：用戶價值 = 新體驗 – 舊體驗 – 遷移成本。想想看，如果一個AI搜索工具能提供明顯優于傳統搜索的結果，但，同時使用起來又非常簡單，那么，用戶自然更愿意轉向使用這種新工具。

我最近老看大模型的文章，文章都在哪找的呢？

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

這就是用戶價值。

因此，從這個角度看，國內AI搜索產品的發展路徑，不能完全模仿國外Perplexity。外媒平臺Decoder一周前發表了一篇文章，介紹了Perplexity的現狀。

文章中提到，Perplexity首席業務官Dmitry Shevelenko表示，Perplexity每個月要處理2.5億個問題，增長速度令人驚訝。雖然谷歌仍然是搜索市場的主導者，每天處理85億次查詢，但Perplexity的增長速度也非常迅速。

Perplexity是希望打造知識平臺，成為生態入口，它的定位是LLM+搜索引擎的中間態，將二者優點結合，側重搜索體驗的產品力而非基模型。

對比國內的搜索環境，傳統搜索引擎已經占據通用搜索場景。如果新的AI搜索產品知識庫規模不夠大，使用效率不夠高的情況下，還在努力處理填空題、基礎證明題，那么，很難在市場脫穎而出。

所以，國內AI搜索產品，每家要找到自己獨特的發展路徑，或許，在特定垂直領域深耕，利用AI優勢來提供更精準、更垂直細分的內容，才能機會瓜分市場。

總結

到場景任務中去。

場景、任務里，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系統，構建起來要燒更多錢，何其容易。