本文來自微信公衆号：王智遠，作者：王智遠，題圖來自：AI 生成
看兩個現象：
上周，我和一個做電商朋友聊天，他正研究幹果品類市場趨勢。聊着聊着，他說，現在 AI 搜索不太好用。我問爲什麽，他說：
" 我想知道上個月哪種幹果賣得火，抖音上真實用戶評論怎麽樣，以及未來的銷售趨勢會如何？但是，AI 搜索後，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台下載，然後用豆包 AI 幫他做本地化總結和提煉關鍵内容。
同時，也會用誇克、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得不錯的問答，當想更深入地了解問答背後知識時，就卡殼了。
其實，我更想要其他維度的内容，類似于案例分析，數據解讀之類的。但 AI 搜索隻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。
一、什麽是具體場景？怎麽理解 AI 使用場景呢？
得從用戶任務下的行爲方式看。我們每天從早到晚活動，都圍繞完成特定任務展開，用戶使用産品、服務時，根本目的也是爲了完成任務。
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、相關話題讨論情況的提示語，然後，用它們捕捉網上每天關于品牌的評價；最後，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，衆多家長在面對孩子高考後，不知道如何填報志願、不知道怎麽選專業。
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。
從這個行爲來看，用戶主要關注兩方面：一，功能性；二，實用性。
所謂功能性，即，AI 完成搜索任務後，能基于結果進一步生成思維導圖，制作圖标，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，是把知識答案作爲起點，去解決具體問題。實際上，每個問題都是一個場景，問題的聚合代表着大量資源的挖掘。
我前段時間看徐峥導演的《逆襲人生》，想寫篇文章。
寫作過程中，我想查查全網關于徐峥的各類話題數據，我用 AI 搜索找好久，最終，隻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，然後用工具做成表格，直接拿來用。
最近各家公司都在發布财報，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、淨利做成表格，那該多好。
顯然，目前 AI 搜索産品還做不到這一點。
或者說，大家都在卷 AI 搜索、把 AI 總結前置化思維方式，限制了産品經理的思考，他們沒能從任務角度出發，用問題、話題索引信息源後，再總結，再用工具串聯起來。
Perplexity 标語叫做 "Where Knowledge Begins"（知識從這裏開始），我覺得，用這句話來形容 AI 産品的用途很合适。這意味着，AI 幫助我們從知識的起點開始，解決實際的問題。
二
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，不論是什麽樣的 AI 搜索産品，它們主要目的是什麽？
說白了，隻有一個：用 AI 力量，幫用戶找到他們真正需要的内容，讓他們能拿到更準确的信息。
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，然後一個個地輸到搜索框裏。
搜索引擎用爬蟲技術在網上抓信息，然後，按自己的邏輯排個序，列出結果。我們拿着這些信息，自己再分析、總結一番，最後才能用來支持決策。
但有了 AI 搜索産品後，一切變簡單了，你不用再走 A、B、C 三步。隻要提出問題，AI 就直接理解你的意圖，拆解問題，并找到相關網頁。然後，大模型會分析信息，最後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後，還能用工具進一步深入分析，然後再總結，最後生成報告。這才是關鍵。
這個過程像建築師設計房子：
先畫出草圖（提出問題并進行拆解），然後，找合适的材料（收集和分析信息），最後，精心挑選材料，确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。這跟以前有什麽區别呢？
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 降低了搜索産品的門檻，實際上很多産品很相似，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，那麽，自然也就出現，很多人經過一段時間嘗試之後，又回到傳統搜索引擎行爲上，因爲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。
三
因爲所有 AI 搜索，本質上，都在解決三種題型：
第一種，填空題。這種時候，用戶其實已經心裏有個問題：" 這是什麽？"
比如：他們想查查最新的新聞，或者想知道某個名人最近怎麽樣了，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，因爲…… "，他們需要的是一大堆事實來支撐這個看法。
這種情況就像老闆給你個想法，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。就像我想寫徐峥導演的《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，那就得找準确的數據。
實際上，AI 搜索産品都在嘗試解決填空題、和基礎證明題，所謂的基礎證明題，是有明确标準答案的問題，但它們處理複雜證明題的能力還需要提高。
我覺得最難的是論述題（discussion question）。
什麽是論述題呢？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别在于更像語文和數學。
數學有明确對錯，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。
搜論述題挺複雜，你找的是關于一個問題的各種觀點，本來就沒有絕對的正确或錯誤。搜完後，還得自己頭腦風暴一番，最後才能總結出個答案。
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？
現實世界裏，複雜問題很常見，因爲無論是在工作還是生活中，很多問題都沒有絕對的對錯，常常是因爲不同人的價值觀、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複雜的問題。但用過幾次後，發現 AI 沒那麽給力，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，爲了支持一個觀點，得查很多資料，還得想清楚怎麽表達得簡潔明了。
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，它回答後，你說不對，它會馬上改，改成你想要的答案，尤其是文科類。
四
那爲什麽大語言模型搞不定這類問題呢？因爲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，這些論文就特别重要。法律、醫療、政策研究、市場分析的專業報告也是一樣，這些深入和具體的内容通常不太流行，但對做決策超重要。
還有一點，AI 不太會拆解複雜問題，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、複雜論述題，就得讓用戶參與進來。
這個過程就是：AI 搜索後，用戶可以選擇優質語料、剔除不太準确的信息，然後扔進工具裏，自己再總結一下，最後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，隻能給你一些基本的信息和新聞報道。
但作爲研究者，你要找到相關的學術論文、和詳盡的環境研究報告。可是，第一次搜索結果裏，你會發現很多過時的或者不相關的内容。
這時，爲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；這一步做完後，你就可以把精選的資料扔進一個分析工具裏，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、回答的内容也能跟進最新時事。
所以，想要 AI 搜索産品脫穎而出，最關鍵條件是什麽？
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，要努力打造自己産品特色，AI 搜索産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，那麽，用戶自然更願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。每次我搜索這些内容時，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，國内 AI 搜索産品的發展路徑，不能完全模仿國外 Perplexity。外媒平台 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 是希望打造知識平台，成爲生态入口，它的定位是 LLM+ 搜索引擎的中間态，将二者優點結合，側重搜索體驗的産品力而非基模型。
對比國内的搜索環境，傳統搜索引擎已經占據通用搜索場景。如果新的 AI 搜索産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，那麽，很難在市場脫穎而出。
所以，國内 AI 搜索産品，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、更垂直細分的内容，才能有機會瓜分市場。
總結
到場景任務中去。
場景、任務裏，存在着許多尚未開采的金礦，未來 AI 搜索要麽成爲工作流中一部分，要麽，走向 UGC+AIGC 路線，但後者要具備龐大知識系統，構建起來要燒更多錢，何其容易。
本文來自微信公衆号：王智遠，作者：王智遠
