全世界都在做 AI 搜索，亚马逊这个新功能卷向了不同的方向

在各个厂商推出自己的 AI 搜索产品，并且迫不及待卷起来的时候，有人在把搜索往「小」了做。

亚马逊给自家两个有声内容业务，都装上了内置的 AI 搜索，播客和有声书。其中，播客是亚马逊音乐的一部分。

周二时，亚马逊音乐推出了基于 AI 的「主题」检索功能，由人工智能分析播客内容，来确定所属的主题。不过这个功能还需要搭配人工推荐，在主题确定后，再由人工编辑到播客的主页面。

另外一项 AI 功能则是在旗下有声书产品 Audible 的「推荐管家 Maven」，该功能正在内测阶段，用户可以跟 Maven 用自然语言对话，从而获得针对性的推荐。Audible 收录了近百万部的有声书，超过 4 万部由 AI 配音的有声读物。

除了亚马逊，Reddit 也表示自己在计划推出 AI 搜索，能够从自身丰富的论坛内容中，为用户做更准确的推荐，提高用户活跃度。

亚马逊不仅旗下有内容，也有强大的技术底子——这些新功能的技术支持都是 AWS 亚马逊网络服务。为了训练生成式 AI 模型，亚马逊建设了低延迟、大规模的网络，最新的 UltraCluster 2.0 支持超过 20,000 个 GPU，延迟降低了 25%。

除此之外，亚马逊还有自己的芯片，包括 AWS Trainium 和 AWS Inferentia，与其他同类训练优化型 Amazon EC2 实例相比，AWS Trainium 旨在加快 ML 模型的训练速度并降低高达 50% 的成本。

LLM 模型厂商争先恐后地开发着自己的 AI 搜索，扩大搜索引擎的半径，覆盖更多内容，不惜和花钱外部内容平台建立合作。而这些已经有丰富资源的内容平台、社区，正在用大模型，做集成在自家平台的「小」搜索。

播客、有声书这样的内容有两个特点：结构化，但耗时。

声音不直观，用户在确定听之前，总是揣着一颗心不放：万一点开了我不喜欢呢？虽然可以安慰自己，就算不喜欢也算杀时间了，但人总是想既要又要的，消磨时间也最好是玩了个开心，不然又没了时间，又没了心情，两手空空。

这样的场景， AI 就成了很好的帮手。虽然声音本身不直观，但可以通过转换为文字，转换为 NLP 问题，让大语言模型发挥自己的长处，了解内容、总结要点，直观地呈现当中的内容，帮助用户筛选和判断。

实际上，只要是符合「结构化」+「耗时」的条件，就可以让 AI 进来发挥一下。比如微信读书也上线了 AI 问书功能，集成到平台当中。当用户对某个概念或问题感兴趣时，AI 问书可以链接到微信读书内，相关书籍的具体内容页，方便用户深入阅读和学习。这也是一种基于微信读书自身生态的小搜索。

左： 默认结果，右：AI 问书

不过，在亚马逊的尝试里，是进一步调用大模型的对话能力，做精准推荐。类似的做法，国内的播客平台小宇宙也在尝试，推出了问问小宇宙 beta 版。

这个功能暂时没有集成在小宇宙端侧，而是一个单独的网页，且设计风格很独特，模仿了古早浏览器网页，起到了一种「虽然获得了 AI 的帮助，但还是快打开播客听吧不要再继续上网了」的效果。

相比于结构化内容，AI 在碎片内容的挖掘和整合上会更有意义，当然也面对更多挑战。这也是各个内容平台，先后把 AI 搜索集成到平台里的意义。

最有代表性的是小红书，连着推出了两项功能。有专门的 AI 助手「达芬奇」和针对搜索的「搜搜薯」。

我们曾经做过 测评，两项功能都各有长短板，目前都还比较初步，推荐的内容不能完全采用，需要用户跳转到被引用的笔记，确认核实内容。共同的特点是都在盘活小红书上丰富的笔记内容。

对于扎根于特定环境的内容生态，是传统搜索的棘手地带。一方面是由于生态保护，搜索引擎的「手」够不着。另一方面，内置的搜索功能普遍不好用。例如，微博的高级搜索功能依然是基于时间、地点等基础信息，精确程度非常有限。

这是由于社交媒体在带来大量的内容，却非常碎片化。这既给 AI 搜索带去了更多发挥空间，同时也提出了更大的挑战。

和更规则的播客、有声书产品不同，以小红书为例，这类社媒平台的内容形态多样，图片、文字、视频、直播都有。而且这些内容本身来自于个人经验、感受，夹杂了大量网络梗，表情包等等——但凡上网网速速度不够快的用户，都未必跟得上。

达芬奇还不能理解网络用语

当用户在期待着更符合眼下趣味的推荐时，现有的推荐算法，通常基于长期的用户兴趣建模，需要慢慢搜集用户的偏好、行为数据来构建画像，更倾向于推荐用户已经展现出来的喜好。

相比之下，AI 搜索是一个很好的着力点，通过用户的检索行为得到反馈。 尤其是，常常上网冲浪的用户，通常也只是朦朦胧胧地捕捉到某些热点。

在当下，流行话语所挑起的用户兴趣，有一点，但不多，都需要进一步的了解来补足。 这时候，当用户主动走出检索的一步，基于大语言模型的搜索就能更好地发挥作用。

搜索是一个查询-响应的过程，而推荐是一个持续动态的过程，二者的交叉在于都有以用户需求出发、更加个性化的目标。传统的推荐算法一直在背负的「制造信息茧房」的包袱，或许能通过集成式的 AI 搜索，得到改善。