谷歌藏了20年数据，这帮人用3个信号算出了AI搜索量

传统搜索时代，我们有个奢侈的特权——数据。想知道"最佳AI营销工具"每月被搜多少次？谷歌关键词规划师给你精确到个位。但踏进AI搜索的世界，灯突然灭了。ChatGPT、Claude、Gemini、Perplexity，没有一个平台开放查询量API。数千万用户每天在这些黑箱里提问，而外面的人只能干瞪眼。

Aditya Mangal，一个做数据产品的工程师，决定自己动手造一盏灯。他的目标：用间接信号估算AI搜索量（AI Search Volume，简称ASV），把不可见的变成可见的。

黑箱里的脚印：为什么AI搜索成了测量盲区

谷歌搜索的商业模式建立在数据透明上。广告主需要知道关键词热度，SEO从业者需要追踪趋势，这套基础设施运转了二十多年。但AI搜索的商业模式完全不同——订阅制、对话式、无广告位，平台没有动力公开查询数据。

这造成一个荒诞局面：企业想优化AI可见性却找不到北，研究者想分析趋势却无从下手，创业者想验证需求却像在雾里开车。Mangal在文章里打了个比方：「每个查询都在互联网上留下脚印，我们只是需要收集并解读它们。」

他的解决方案不碰任何平台的内部数据，而是向外看——找那些AI查询会必然触达的外部痕迹。

五层漏斗：从用户问题到ASV分数

整个系统像一台逆向工程的信号解码器。用户输入一个种子查询，比如"最佳AI营销工具"，系统先进行语义扩展——不是简单的同义词替换，而是理解意图后的变体生成。营销工具可能拆成"AI文案工具""自动化营销软件""小红书运营AI"等十几个方向。

扩展后的查询群进入多源数据采集层。Mangal没透露具体用了哪些源，但从技术逻辑推断，可能包括：公开论坛的讨论热度、社交媒体的相关提及、传统搜索引擎的关联查询建议、以及AI平台自身泄露的片段信息（比如Perplexity的"相关问题"推荐）。

数据清洗后进入分析模块，核心是比较信号强度的时间序列变化。最后一个环节是加权评分，不同源的置信度不同，老论坛的帖子和推特热搜的权重显然不该一样。最终输出一个标准化的ASV分数，大致对应"这个查询在AI生态中的月度活跃讨论量"。

关键洞察：ASV不是搜索次数的精确复刻，而是相对需求的可信排序。它回答不了"ChatGPT上被问了100万次还是200万次"，但能告诉你"这个查询比那个查询热3倍"。

信号考古学：当测量本身成为产品

Mangal的项目有个微妙之处——它把"测量不可测量之物"本身做成了可售卖的能力。传统SEO工具卖的是数据访问权限，ASV工具卖的则是推理方法论。买家得到的不是标准答案，而是一套经过校准的估算逻辑。

这有点像早期谷歌的PageRank。当网页质量无法直接量化时，用链接关系间接推断。区别在于，PageRank后来成了谷歌的核心资产，而ASV估计器可能永远只能是第三方补丁——平台越封闭，补丁越有价值，也越脆弱。

文章发布于2026年4月，Mangal在文末留了句轻松的讨赏：「创作者靠咖啡运转。」但评论区有个问题悬着：如果AI平台突然开始部分开放数据，这套系统是会贬值，还是因校准了更长时间序列而变得更准？

测量黑箱的人，最终也成了黑箱的一部分。当ASV估计器被足够多的企业采用，它会不会反过来影响企业的AI优化策略，进而扭曲它试图测量的原始信号？