划重点
01Perplexity、GPT、Kimi和智谱等国内外四个爆款产品竞相推出大升级搜索功能，以提高实用性和信息占有量。
02然而，这些AI搜索在理解用户意图方面仍存在局限，需要更深入的研究和优化。
03AI搜索在整合海量信息、提炼有效部分方面具有优势，但实际应用中仍需关注资料深度和操作性。
04未来，AI搜索的竞争将更多聚焦在前者，即更深入地理解用户意图，提供更有针对性的服务。
以上内容由腾讯混元大模型生成，仅供参考
在 OpenAI 融资完之后，Perplexity 也在找钱了：据《华尔街日报》报道，这家一直以来广受好评的 AI 搜索，希望以 80 亿美元的估值，寻求 5 亿美元的融资。
虽然自从出道以来，Perplexity 在搜索上一直很领先，但不是没有与各大出版商闹矛盾，而且也不是没有对手，各家都对搜索业务，都盯得很牢。真正落实到使用层面，总有一个问题：被 AI 赋能，尤其是被大语言模型赋能之后的搜索，究竟哪里有所不同了？这篇文章里我们测评了几个推出了「大升级」了的搜索工具，包括 Perplexity 的 Pro 模式，GPT 的新模型、Kimi 的探索版，智谱的 AI 搜索，秘塔的深度和研究版。简而言之：更广更多的资料、更深的信息占有量，是毋庸置疑的，但这只是一部分。还可以更有所不同的，是对用户意图的理解与感知。关注 AI 第一新媒体，率先获取 AI 前沿资讯和洞察实用性测评：不仅能搜，搜完就能用如果说 AI 加持后的搜索功能有什么变化，一定是实用性上的提升，得到的信息对解决实际问题更有效了。以一个操作性非常强的问题为例，「如何在 mac 系统上，批量修改音乐文件封面」。在百度这样的传统搜索引擎上，输入关键字，出现的是一大堆信息的罗列，而且关联度很低。
Google 的关联度好一点，但还是需要用户自己点进去，逐一确认内文究竟说的方法，是不是能用。
从前的搜索引擎，是围绕关键字，搜罗一大堆信息，有相似度，但不多，并且需要用户自己做第一轮整理。而大语言模型给搜索注入灵魂之后，重新组织了海量信息，整合成了相关度最高的样子，返送给用户这直接省掉了第一轮整理的过程。比如下面的 ChatGPT，根据方法的类型，总结出了三类。
不过，AI 虽好但不能依赖，比如下面智谱，在「使用 Finder」和「使用 Apple Music」两个方式下面的细节步骤，完全是一样的。
更保险的方法是在几个 AI 搜索里，同一个问题获取不同的回答，横向对比，以免其中一个出现幻觉。接下来，在操作细节上进一步询问，也会提出相应的方法。
Kimi 探索版
相比于 4o 给出的笼统回答，Kimi 给出了更多的细节或者说，是在 4o 的基础上，调整了回答的格式，让回答更有操作性。不是每个 AI 搜索都擅长给具体实用的建议，像 Perplexity，就只丢出来可以用的软件。
实用性还体现在对数据的抓取上，以 Kimi 的演示 prompt 为例「世界上最有钱的 10 个人是谁？他们都是做什么的？」，各家的表现都不太一样。
其中，注重资料深度的 Perplexity 和 Kimi，都把具体的数字列出来了，Perplexity 更加是直接拉了个表格，每一个词条都贴出了出处。
涉及到数字的信息，列表格是更清晰的方式。不过 Perplexity 自己的表格，和下面的总结里，排序不太一样。甚至，这四个 AI 搜索给出的结果排序，都不太一样自行核查还是很有必要的。接下来我尝试了一个比较有挑战性的问题，「在准备业余无线电考试期间，我可以买什么样的设备熟悉操作？」
一个小小的备注：业余无线电是需要考证的，在牌照下来前，只能听不能发。所以这个问题，暗地里在考验模型会不会了解到这样的「隐藏信息」。秘塔和 Kimi 都直接给出了设备的种类、建议的品牌。其中秘塔还从一些论坛里搜索，整合出了用户评价。这个做法沿可以扩展到所有比价的场景上。
不过，这几个 AI 搜索都没有涉及到是否具备发射资格的问题，秘塔和智谱提到了要确认设备是否具备发射核准，但这是针对设备而不是用户的。Kimi 模糊地提到需要遵守通联流程和礼仪，比较像是按惯例写了点安全守则。
「在准备考试期间」已经非常明牌了，这就是还没有取得牌照的阶段。只能说 AI 在真正理解用户的处境这方面，还是能力有限。简单小结一下是：基于大模型的 AI 搜索更有实用性，能够整合海量信息，提炼出最有效的部分。资料深度：是搜索就下一百层在测评实用性的过程中，我发现 Kimi 随机提供的一些演示案例里有这样一个问题：标注三国战役地点，对应现代城市和地区。很自信喔。三国是中国历史上非常有趣的一个历史时期，群雄割据，人物和事件多变。而且正史和野史齐飞，三国演义和三国志傻傻分不清。更有趣的是，在中文以外的世界也有很多研究对三国感兴趣，欧美和日本有不少针对汉代和三国的研究学者，是一个信息存量很丰富的时期。这样一个问题，就非常考验对资料和信息的占有量。这一次我直接把 ChatGPT 踢出战局了，因为不提供具体出处，没办法判断它的占有深度。我决定用主打文库检索的秘塔代替它的位置。
可以看到中间 Perplexity 和智谱，表现无功无过，都以官渡之战作为三国的开端来计算，周期大概是公元 200 年到 230 年之间。而 Kimi 展现出了一些不同的理解：以公元 184 年的黄巾起义为开端，把后汉末尾、三国前夜的几场战事都包含了进去。我问了一下为什么这么做，它回答：我不是，我没有。
而秘塔搜索展示出了完全不一样的资料占有量。就像上面说，在文库和深入模式下，它不仅有相关教科书上的研究，囊括了非中文的相关文献。
可能是时效性还可以提高，这两年出版的一些新书没有囊括进去。但是这个资料占有量的广度和丰富度，已经相当不错了。不过秘塔有一个迷惑的 bug：居然翻查了 Kimi 的测评网页……
AI 生成 AI 搜，闭环了属于是。这个 bug 反而能看出来，AI 搜索再先进，也会有无效网页，本质上还是基于对 prompt 更细的拆解，切分出更小单位的关键词至于有没有后探到关键词所属的知识领域，那就不一定了。这是中文资料的检索。接下来我做了另一个检索，更偏向于非中文资料：1978 年，哲学与心理学协会举办了一场座谈会，最后这演变成了几位哲学家对于 AI 的辩论，其中包括诺姆乔姆斯基（Noam Chomsky）、杰里福多（Jerry Fodor）、罗杰尚克（Roger Schank）和特沃温诺格拉德（Terry Winograd）。具体的情况是什么？
四个搜索给出的回答都大同小异：整理了这场辩论的正反方人物、各自的观点、这场辩论所带来的影响，等等，算是打了个平手。不过，考虑到这次主要看的是资料深度，秘塔的表现更好，资料深度很惊艳。
实际上，1978 年的这次辩论没有太多原始记录，只有哲学家 Daniel Dennett 的一篇论文中提到了一下。Perplexity 和 Kimi 都需要追问一下，智谱则是在追问环节直接卡住了。秘塔第一次就收录到了这篇论文，放在了引用目录里，点击可以直接找到相关的段落。
总结一下，大语言模型对于搜索而言最有意义的是两点：一，基于语义的用户理解，提供有操作性的信息。二，跳出关键字的圈圈，后探到更深的知识领域。这两点说起来容易，做起来很难。两者当中，都涉及对用户意图的理解。但是了解用户的意图，难度堪比读空气打过工的人都知道，这里面的门道有多深。不要说模型对人的意图理解，就是日常生活中人与人之间、同事与同事之间、同事与领导之间，想要理解彼此的意图，都要付出沟通成本。模型想要通过用户的提问来揣测意图，前提是提问越清晰越好，然而用户自己可能也并不百分百清楚自己要的是什么。相比之下，后者的容错率更高一点：不知道用户到底想要什么，那就有什么给什么，资料深度直下一百层，总有一份能击中目标。这可能也是为什么各家 AI 搜索，在推出 Pro 版、plus 版、深度版等等高级服务时，都主打一个搜索又大又全。而这场竞争的下一个赛点，可能恰恰在前者，毕竟那涉及到人类对人工智能的终极幻想：想我所想，懂我所懂。
