AI 能「深度研究」了，但我还是离不开百度和 Google

在一轮轮 AI 基础建设起来之后，目前率先卷起来的应用场景，是「深度研究」。

更准确、更针对、更深入，看到「深度研究」卷成这样，不禁要大呼：完了，搜索引擎都别干了。

别急，还未必就这样。

Semrush 是一个监测网站的访问流量变化的平台，数字营销及 SEO 在调研中发现，Semrush 统计显示，被认为最容易受到 AI 威胁的维基百科，流量实际上并没有如预期般走低。

月均访问量仍然有 50 亿次，谁说的 Wikipedia 马上就要被 AI 干掉了？

甚至不同于搜索引擎，支持关键词又支持完整句， 维基百科是一个「词条」导向的检索方式，纯复古。

AI 搜索不断进化的过程，实际也在不断证明 Wikipedia 的重要性，或者说内容来源的重要性。

幻觉横行的旧版本

早期把 AI 应用到搜索场景中时，它的 幻觉是一个严重的问题。尤其是预训练和参数量被视为唯二法则的时候，LLM 有时会给出行文上看起来合理，但实则虚假的回答。

「一本正经地胡说八道」是最常见的形容。比如，去年两位纽约律师遭到了法庭制裁，因为他们提交的文书中，有六个案件引文完全不存在，是律师们在用 GPT 生成时，模型凭空捏造出来的 。

这个例子多少有点离谱，却很典型：在早期 AI 搜索没有被质疑的时候，引用链接还不是常见的设计，导致 AI 直接给出的单一答案往往缺乏透明度，很难核查。

这对于某些领域的工作而言是非常致命的。2022 年，Meta 曾经发布过一版名为「Galactica」的模型，主打科研场景，但没几天就被科研人员大量投诉，Meta 不得不紧急撤回一个发布。

相比之下，传统搜索引擎的排列，有一套规则和判断方式。以 Google 去年发布的 Google’s Search Quality Rater Guidelines 中，提出了一套「EEAT」法则：

简而言之就是， 经验、专业性、权威性、可信度，这四个维度，共同构成了 Google 抓取内容时的标准。同时，平台还会根据用户反馈，调整页面排名，使低质内容沉底。 这些机制，都对错误信息和低质内容起到了过滤的效果，从而保障整体信息质量。

当然，不能忽略的是，当竞价广告成为传统搜索引擎的主要收入来源之后，这一套机制也要对营收妥协。

不过，传统搜索引擎的形态在很长一段时间内没有发生变化。而 AI 搜索，在过去一两年里快速进步，在形态上发生了翻天覆地的改变。

有「深度研究」就可以不核查了吗？

今年才过去三个月，主流的大模型厂商纷纷推出 Deep Research 服务。从 OpenAI、DeepSeek，到刚推出不久的 Grok 3，以及曾经的弄潮儿 Perplexity，「深度研究」成了一时间，家家都在卷的功能。

所有的 Deep Research 都有一点共性： 内容有来源，且来源可追 溯。

在以往，AI 生成的回答就是一个完整的段落，让人没法核查。有些即便提供了引用来源，溯源依然有很大的难度。

比如，模型罗列了一大堆网站和文档，但实际只用了其中一小部分内容。或者给出的回答主要靠数据集的「记忆」来生成，而非检索到的文档。

而作为 Deep Research 模式的 基本操守，来源是必须有的。在 ChatGPT 的 Deep Research 中，会文内显示来源网站的域名。

Grok 3 里面是在思考过程里列出网址，报告正文有时候会触发出文内引用，有时候没有，看情况。

Perplexity 的方式是数字角标，鼠标悬停时会显示一段介绍网页内容的话。

如果你是老网民，大概率还保留着对域名的敏感。能辨别对.org .edu .gov 这类后缀的潜台词：这是来自机构的网页，有更高的可信度。

像上面 Perplexity 的例子，就是来自商务部的专栏。

Deep Research 加强了内容来源的透明度，这是符合用户习惯的：在搜索信息时， 用户不仅要求答案准确，还要求过程透明、结果可验。

到这一步为止，好像都还看不出什么变化：这不都能在站内解决？还有搜索引擎什么事儿吗？

有的，甚至不只是传统搜索引擎，而是核查这个工作，并不是看看网页是不是非法站点就完成了的——这恰恰让人更加无法放弃传统搜索引擎。

AI 搜索节省的是在搜索引擎的列表上，一路点开、查看的操作时间。如果你有一个明确熟悉的领域，效率的提升其实有限。就像 PubMed 之于医学生，arxiv 之于技术人员，github 之于程序员，等等等，简直像「家」一般熟悉。

但这个环节，像是把大块的石头放进瓶子里：两三块可能就塞不下了，却还是有很多空间可以放倒碎石。碎石也倒不了了，还可以倒细沙,直到把瓶子里的每一寸空间都填满。

这些碎石细沙，相当于 需要长尾查询的信息，这往往涉及非常具体的细节或小众的知识点——你只能自己判断。

这种场景下，AI 的优势变成了劣势。 被高度浓缩和提炼过的信息，没有足够的广度和多样性，反而限制了做判断时的动作幅度。

比方说你想了解一下最新的小米 15 Ultra，「了解」二字的背后其实涉及了很多层面：它价格多少、什么时候上市、与你现在的手机相比如何、它的售价相对于你的银行存款如何、预售排队吗……等等等等。

购买决策是一个复杂的链条，它涉及到外部对比和内部对比，外部对比可以只看同类产品的竞争力，但内部对比就要考虑自己使用、偏好等各种情况——前者可以有 AI 帮忙，后者就纯靠自己拿捏了。

你要对着 chatbot 把自己的家底都唠清楚吗？很难。你要把自己的微信支付账单上传给 AI，让它分析你的财务实力吗？很难。

千头万绪，你最想要了解的，还是汇成了两个关键字：「小米 Ultra」「价格」。

然而这些具体又小众的信息点，并不是人人都能用精准的语言描述出来的。它仍然是一个关键字探查之旅： 你最想了解的东西，就是你打出的那个关键字。

有这么一个说法：遇事不决抛硬币的时候，抛出那一刻、硬币尚未落地时，你心中冒出的念头，就是你在找的答案。

在搜索引擎上检索，就是在抛硬币，一次不行抛两次，两次不行抛三次，直到搜集足够多的细沙，把石头的空隙填满。

各类「深度研究」很好用，以后也会越来越好用，但眼下我还不能没有搜索引擎。

我们正在招募伙伴

简历投递邮箱
hr@ifanr.com

✉️ 邮件标题
「姓名+岗位名称」（请随简历附上项目/作品或相关链接）