才上線7個月，它憑什麼成了國內AI搜索“鼻祖”？_風聞

本文原創於微信公眾號：差評作者：差評君

 可能你還沒啥感覺，但最近有一個玩意，讓頭部企業和大佬們都搶瘋了。

從搶光了谷歌風頭的 NewBing 炸裂登場，再到讓英偉達黃仁勳都成忠實迷弟的 Perplexity ，隨隨便便就是 5 億估值。

甚至最近，連老大哥 OpenAI 也被傳在偷偷下場。

總而言之，就是很卷，很火，很搶手。

有些敏鋭的差友應該已經猜到了，它就是 AI 搜索。

哎，這就讓差評君好奇了，海外一片火熱，那國內是誰最先想到要搞 AI 搜索的呢？

於是，就隨手在 Perplexity 和谷歌的 Gemini 上搜了下：中國第一個AI搜索產品是什麼？

 結果讓人有些意外，出來的居然不是那些老牌的熟面孔，而是崑崙萬維在 2023 年 8 月發佈的天工 AI 搜索。

Perplexity

谷歌 Gemini

有點不相信的差評君，又試了國內好幾家 AI 搜索產品。

結果，這些同行們異口同聲報出的答案，還是它。。。

抖音豆包

文心一言

差評君去翻了翻資料，發現就在前兩天 QuestMobile 發佈的 AI 報告裏，天工默默幹到了國內 AI 獨立應用月活前三，坐擁八百多萬的月活。

其實天工 AI 能有這麼多用户，差評君並不驚訝。

 就拿差評君來説吧，以前一個選題總要在搜索軟件裏泡上一兩天，才能動筆，還得時刻提防那些隱藏的廣告。

被傳統搜索折磨慘了的我們，早就是人手幾個 AI 搜索了。

每篇稿件都有一份整理的資料文檔

真正讓差評君驚訝的就是，天工 AI 是怎麼從眾多同行裏脱穎而出，成了圈子裏的頭牌的。

其實天工 AI 是咱們的老朋友了，早在去年 8 月份首發的時候，差評君就上手過了。

 以差評君的使用次數，那絕對可以説是看着天工 AI 長大的。不過才短短半年時間，他們就又鉚足了勁交了個天工大模型 3.0 的全新版本出來。

在差評君搶先體驗後覺得，這次更新可謂是脱胎換骨，甚至值得咱們再拿出來細細咂摸一番。

因為在很多中文場景下，它表現得比 Perplexity 還要不俗，更適合中國寶寶體質。

就這個話題熱搜，就太對胃口

我們簡單試試，就能明白差評君在説什麼了。

差評君就問了一個看似簡單的問題：OpenAI 要做AI搜索的信息源頭是什麼？

傳統搜索這邊，跳出來一堆文章不算，我翻遍了前兩篇，也沒找到 OpenAI 是哪家媒體先爆料的。

但對天工 AI 來説，這題簡單得夠嗆。不僅直接點出是 The Information 最先報道，還拓展補充了很多相關信息。

天工****AI

 讓我有些意外的是，把同樣的問題丟給 Perplexity 。它卻明顯理解錯了我的語義，把報道信息源理解成了 OpenAI 搜索技術提供的源頭是什麼。

Perplexity

 後面差評君又追問了一道比較難的題目，讓它們試着給我推薦餐廳。

以前試過 NewBing 的人，肯定知道這種實時的問題，向來是 AI 搜索的軟肋。還有什麼天氣情況、路線規劃等等。

但對於現在的天工 AI 來説，真的就是切瓜砍菜。

它抓取信息非常精準，甚至會幫你從視頻裏扒答案，就比如找到抖音上的美食推薦。

相對來説， Perplexity 的表現肉眼可見的略遜一籌。給我“ 貼心 ”地推薦了in77 地下車庫，還祝我用餐愉快。

到這裏，你就能感覺到在中文和國內的實時信息上，天工 AI 要強出一截。

 如果你覺得這樣還不滿意，別急，天工還上新了增強模式。開啓之後，會大大提高回覆質量。即便一次性甩過去好幾個問題，它也能逐一拆分出來。

甚至會對一些模糊的問題，做進一步的提問引導。

尤其適合解決一些複雜問題，像之前差評君做過一期 B 站視頻，講古代人是怎麼測繪地圖的。

 這個題，我們前前後後大概花了一週的時間。但甩給天工 AI，它可以瞬間幫你總結出起碼 4 個大類的信息。

如果你還不滿意，我們還可以進一步追問，直到把問題梳理清楚。

 除了把基礎實力打磨得更紮實，在國產廠商們擅長的用户體驗上，天工 AI 也花了不少心思。

差評君用下來覺得很舒服，像很多問題大模型給一堆文字，不如一張圖片來得清晰明瞭。

所以，除了文本回答之外，天工 AI 的回答還會附帶圖片、甚至是視頻。

如果是一些涉及對比的問題，比如兩款手機對比、旅遊城市對比，天工 AI 可以自動做出一張對比表格，好壞優劣一目瞭然。

之後，還會新增搜圖片、搜視頻、搜音頻的垂直能力，以及更多具有實用性的展現形式。

 差評君這裏就不一一展示了，留給大家自己去上手。

研究模式和思維導圖輸出

看到這，很多差友可能會好奇。士別才三日，怎麼就得刮目相看了？

自己還停留在 NewBing 時代呢，這才半年時間，天工 AI 就把水準往上拔了大一截了？

不僅檢索精準度變高了，連視頻都能扒了，也不像曾經大部分 AI 那樣一本正經胡説八道了。

其實秘密就藏在崑崙萬維這次新上的兩個狠貨裏，也是兩個目前圈子裏大熱的前沿技術架構，一個是 MoE，一個是 RAG。

 你不要一聽到專業術語就慌，差評君一分鐘就能給你講明白咯。

首先是這個 MoE ，也叫混合專家模型。顧名思義，就是內置了數個專家模型的大模型。

舉個例子吧，比如我們輸入：金毛火鍋今年 7 歲了，未來五年內會不會得糖尿病？

這一個小問題，其實涉及了性別、年齡、品種、糖尿病的成因等各種方面。

天工 AI 就會把它拆分成一個一個小任務，再由一個專門負責分配的模型，把任務下發給手下最擅長的專家模型。比如有的研究性別，有的研究品種。

 這跟咱們寫文章很像，**像小發擅長寫遊戲，世超挖掘好用的軟件更有一套。**把專業的事交給專業的人辦，才能把效率和效果都拉滿。

而且，那些用不着的模型還能中途偷個懶，把算力節省下來。

這邊有專業團隊負責輸出內容，那邊崑崙萬維又準備了 RAG 技術，來負責把控大模型的知識庫。

這個 RAG 技術理解起來其實更簡單，就是檢索 + 文字生成。

以前我們提出一個問題，大模型會直接拿着這個問題去茫茫大海中打撈信息，然後直接輸出結果。

但 RAG 在交給大模型生成答案之前，還多了一步單獨的檢索步驟。

 先拆解我們的問題，然後找到大量相關的信息和內容，比如金毛的體質、糖尿病的生成原因等等。

再從這些內容裏，檢索出和關鍵詞最相關的信息。

把這些信息和我們的問題，一起整理出一份新的、更專業的 Prompt，最後才會餵給大模型去輸出內容。

這多出的整理步驟，不僅提高了信息查找的效率，也讓每一個回答，也都有可以追溯的源頭，減少大模型出現幻覺的概率。

 這個技術，早已經在慢慢取代那些簡單的問答 bot 機器。

也正是裝上了這兩個最前沿的技術，使得天工 AI 和傳統搜索，甚至是初代 AI 搜索的差距越拉越大。

在 MEET 智能大會上，崑崙萬維董事長兼 CEO 方漢曾經分享過一組對比數據。

傳統搜索的時代，我們輸入一個問題，然後再去閲讀大量網頁，最後分析總結出結果，這個過程一般耗時 3-10 分鐘。

任何人都很難再縮短這個時間。

 但在大模型時代，每次獲取結果的時間，可以被壓縮到 5-10 秒。

在這樣的高效率面前，傳統搜索們給AI搜索讓路，是一個必然的結果了。

雖然現在取代傳統搜索還為時尚早。但由奢入儉難，用過了這種高效的 AI 搜索模式，就很難再換回去。

搜索引擎的下半場，註定要進入高效的 AI 時代。**以天工 AI為代表的生成式搜索模式，**將會後來居上。雖然説不好誰能笑到最後，但誰先入場，站穩腳跟，也就贏了一半了。

平靜了 30 年多年的搜索引擎市場，恐怕要迎來一場變革。

圖片、資料來源：

知乎@Luca

天工 AI 搜索

盧向東：大模型主流應用RAG的介紹——從架構到技術細節

《 QuestMobile 2024 生成式 AI 及 AIGC 應用洞察報告 》