在一輪輪 AI 基礎建設起來之后，目前率先卷起來的應用場景，是「深度研究」。

更準確、更針對、更深入，看到「深度研究」卷成這樣，不禁要大呼：完了，搜索引擎都別干了。

別急，還未必就這樣。

Semrush 是一個監測網站的訪問流量變化的平臺，數字營銷及 SEO 在調研中發現，Semrush 統計顯示，被認為最容易受到 AI 威脅的維基百科，流量實際上并沒有如預期般走低。

月均訪問量仍然有 50 億次，誰說的 Wikipedia 馬上就要被 AI 干掉了？

甚至不同于搜索引擎，支持關鍵詞又支持完整句， 維基百科是一個「詞條」導向的檢索方式，純復古。

AI 搜索不斷進化的過程，實際也在不斷證明 Wikipedia 的重要性，或者說內容來源的重要性。

幻覺橫行的舊版本

早期把 AI 應用到搜索場景中時，它的 幻覺是一個嚴重的問題。尤其是預訓練和參數量被視為唯二法則的時候，LLM 有時會給出行文上看起來合理，但實則虛假的回答。

「一本正經地胡說八道」是最常見的形容。比如，去年兩位紐約律師遭到了法庭制裁，因為他們提交的文書中，有六個案件引文完全不存在，是律師們在用 GPT 生成時，模型憑空捏造出來的 。

這個例子多少有點離譜，卻很典型：在早期 AI 搜索沒有被質疑的時候，引用鏈接還不是常見的設計，導致 AI 直接給出的單一答案往往缺乏透明度，很難核查。

這對于某些領域的工作而言是非常致命的。2022 年，Meta 曾經發布過一版名為「Galactica」的模型，主打科研場景，但沒幾天就被科研人員大量投訴，Meta 不得不緊急撤回一個發布。

相比之下，傳統搜索引擎的排列，有一套規則和判斷方式。以 Google 去年發布的 Google’s Search Quality Rater Guidelines 中，提出了一套「EEAT」法則：

簡而言之就是， 經驗、專業性、權威性、可信度，這四個維度，共同構成了 Google 抓取內容時的標準。同時，平臺還會根據用戶反饋，調整頁面排名，使低質內容沉底。 這些機制，都對錯誤信息和低質內容起到了過濾的效果，從而保障整體信息質量。

當然，不能忽略的是，當競價廣告成為傳統搜索引擎的主要收入來源之后，這一套機制也要對營收妥協。

不過，傳統搜索引擎的形態在很長一段時間內沒有發生變化。而 AI 搜索，在過去一兩年里快速進步，在形態上發生了翻天覆地的改變。

有「深度研究」就可以不核查了嗎？

今年才過去三個月，主流的大模型廠商紛紛推出 Deep Research 服務。從 OpenAI、DeepSeek，到剛推出不久的 Grok 3，以及曾經的弄潮兒 Perplexity，「深度研究」成了一時間，家家都在卷的功能。

所有的 Deep Research 都有一點共性： 內容有來源，且來源可追 溯。

在以往，AI 生成的回答就是一個完整的段落，讓人沒法核查。有些即便提供了引用來源，溯源依然有很大的難度。

比如，模型羅列了一大堆網站和文檔，但實際只用了其中一小部分內容?；蛘呓o出的回答主要靠數據集的「記憶」來生成，而非檢索到的文檔。

而作為 Deep Research 模式的 基本操守，來源是必須有的。在 ChatGPT 的 Deep Research 中，會文內顯示來源網站的域名。

Grok 3 里面是在思考過程里列出網址，報告正文有時候會觸發出文內引用，有時候沒有，看情況。

Perplexity 的方式是數字角標，鼠標懸停時會顯示一段介紹網頁內容的話。

如果你是老網民，大概率還保留著對域名的敏感。能辨別對.org .edu .gov 這類后綴的潛臺詞：這是來自機構的網頁，有更高的可信度。

像上面 Perplexity 的例子，就是來自商務部的專欄。

Deep Research 加強了內容來源的透明度，這是符合用戶習慣的：在搜索信息時， 用戶不僅要求答案準確，還要求過程透明、結果可驗。

到這一步為止，好像都還看不出什么變化：這不都能在站內解決？還有搜索引擎什么事兒嗎？

有的，甚至不只是傳統搜索引擎，而是核查這個工作，并不是看看網頁是不是非法站點就完成了的——這恰恰讓人更加無法放棄傳統搜索引擎。

AI 搜索節省的是在搜索引擎的列表上，一路點開、查看的操作時間。如果你有一個明確熟悉的領域，效率的提升其實有限。就像 PubMed 之于醫學生，arxiv 之于技術人員，github 之于程序員，等等等，簡直像「家」一般熟悉。

但這個環節，像是把大塊的石頭放進瓶子里：兩三塊可能就塞不下了，卻還是有很多空間可以放倒碎石。碎石也倒不了了，還可以倒細沙,直到把瓶子里的每一寸空間都填滿。

這些碎石細沙，相當于 需要長尾查詢的信息，這往往涉及非常具體的細節或小眾的知識點——你只能自己判斷。

這種場景下，AI 的優勢變成了劣勢。 被高度濃縮和提煉過的信息，沒有足夠的廣度和多樣性，反而限制了做判斷時的動作幅度。

比方說你想了解一下最新的小米 15 Ultra，「了解」二字的背后其實涉及了很多層面：它價格多少、什么時候上市、與你現在的手機相比如何、它的售價相對于你的銀行存款如何、預售排隊嗎……等等等等。

購買決策是一個復雜的鏈條，它涉及到外部對比和內部對比，外部對比可以只看同類產品的競爭力，但內部對比就要考慮自己使用、偏好等各種情況——前者可以有 AI 幫忙，后者就純靠自己拿捏了。

你要對著 chatbot 把自己的家底都嘮清楚嗎？很難。你要把自己的微信支付賬單上傳給 AI，讓它分析你的財務實力嗎？很難。

千頭萬緒，你最想要了解的，還是匯成了兩個關鍵字：「小米 Ultra」「價格」。

然而這些具體又小眾的信息點，并不是人人都能用精準的語言描述出來的。它仍然是一個關鍵字探查之旅： 你最想了解的東西，就是你打出的那個關鍵字。

有這么一個說法：遇事不決拋硬幣的時候，拋出那一刻、硬幣尚未落地時，你心中冒出的念頭，就是你在找的答案。

在搜索引擎上檢索，就是在拋硬幣，一次不行拋兩次，兩次不行拋三次，直到搜集足夠多的細沙，把石頭的空隙填滿。

各類「深度研究」很好用，以后也會越來越好用，但眼下我還不能沒有搜索引擎。

我們正在招募伙伴

簡歷投遞郵箱
hr@ifanr.com

?? 郵件標題
「姓名+崗位名稱」（請隨簡歷附上項目/作品或相關鏈接）