你有没有过类似这样的经历：在谷歌图片搜索「没有条纹的衬衫」，然后屏幕上铺满了各式各样的 …… 条纹衬衫。
熟练使用关键词搜索的人可能对这个场景已经习以为常，但这恰恰暴露了我们每天使用的搜索引擎的问题——其最底层的运作逻辑：核心机制是匹配关键词，它们识别并抓取网页中的「衬衫」和「条纹」这两个词，但通常会忽略「没有」这个否定词所承载的复杂逻辑。它们匹配字符，但不理解意图。
这就引出了一个核心问题：我们已经进入了能够与人工智能进行复杂对话的时代，为什么最基础的信息获取工具——搜索引擎，其核心逻辑似乎仍停留在关键词匹配的阶段？
极客公园最近体验了一款叫做 Websets 的 AI 搜索工具。与谷歌搜索不同，Websets 试图理解人类的复杂意图。它并非为日常查询设计，而是专门处理传统搜索引擎难以完成的复杂任务，例如寻找具备特定复合经验的专业人士，或筛选符合多重标准的公司实体。
栏目作者召集
极客公园的新栏目「AI 上新」，将带大家体验最新的 AI 应用和硬件，让你成为 AI 时代「最靓的仔」！
现在，我们也向所有喜欢尝鲜和体验 AI 的同学发出召集，只要你发现并体验了新的 AI 应用或者功能，按照格式（参考案例：这款 AI 调研神器，让我一键产生 1000 个「种子用户」｜AI 上新）向栏目投稿，在极客公园公众号发布，不仅能获得相应稿费，且会为你「报销」AI 应用的订阅费用。
同时，优秀作者还有机会进入极客公园 AI 体验群，获得最新 AI 应用和工具的内测资格，参加极客公园专属相关 AI 活动，和 AI 应用创始人一对一沟通。
AGI 太久，只争朝夕，让一部分人先 AI 起来吧！投稿、进群请扫描下方二维码添加极客小助手微信
01
魔镜魔镜，谁是世界上最漂亮的女人？
我觉得魔镜就是最完美的搜索引擎。
在童话《白雪公主》中，王后问魔镜：「魔镜魔镜，谁是世界上最漂亮的女人？」魔镜给出了一个明确的回答。这面魔镜，可以视为理想搜索引擎的终极形态：
它能理解复杂、主观、且包含绝对性条件的查询，并给出精准、唯一的答案。
假如我们认真评估回答「谁是世界上最漂亮的女人」这个问题的可行性，就会发现其难度极高。
首先，它需要构建一个「美」的通用标准。这本身就是一个非常主观的问题——世界上并不存在唯一的美的标准。其次，它需要一个覆盖全球所有女性、并包含各项可量化特征的实时数据库。
这两个条件在现实中都无法实现。
不过，我们倒是可以借这个极端问题来观察：不同搜索引擎，是如何应对那些模糊、带有强烈主观色彩的提问的。
当我向谷歌提出「谁是世界上最漂亮的女人」时，它返回了海量的链接。排在前面的，是各类文章、榜单和视频，内容涵盖了「2024 年全球最美女性」、「全球最美女星榜单」以及一部 Netflix 的同名电影。
谷歌没有直接回答问题，而是提供了与「漂亮」和「女人」这两个关键词高度相关、且在网络上拥有高点击率和高权重的链接。这是关键词搜索的核心逻辑：不直接解答，而是提供最受欢迎的相关信息索引。
Websets 的应对方式则不同。由于它被设计为处理结构化查询，面对这样一个开放式问题，它会试图将其转化为一个可执行的、基于数据的检索任务。
这项操作失败了，因为正如上文所说，要回答「谁是世界上最漂亮的女人」的两个条件在现实中都无法实现。
Websets 告诉我：
无法根据查询内容构建搜索：「谁是世界上最漂亮的女人？」。请尝试重新组织您的查询语句，或手动选择实体类型并在下方添加搜索条件。
这并不是一次失败的搜索，而是一次失败的提问。系统并没有尝试去寻找答案然后失败了，而是在搜索开始之前，就判定你的问题无法被转化为一个可执行的数据查询任务。
实际上，你可以把 Websets 当成一个数据工程师，它的工作不是「理解」你的哲学问题，而是把你这句话翻译成一行精确的数据库查询代码，然后去一个巨大的、装满了「人」、「公司」等实体的数据库里进行筛选。
这个对比揭示了新旧两种搜索引擎的核心差别：
谷歌把「定义和判断」的责任留给了用户。它给你海量信息，让你自己去定义谁最漂亮。它善于处理事实类查询（「法国的首都是哪里？」），但面对需要深度理解和多重条件过滤的任务时，就会退化为提供一堆相关度不高的链接。
Websets 把「定义和判断」的责任前置给了用户。它要求你必须先把「漂亮」的定义想清楚，并转化为一组机器能懂的、客观的筛选指令，然后它才能为你执行。
这种差别，来源于 Websets 运作的底层逻辑与传统搜索不同。它不依赖于关键词索引，而是采用一种被称为「嵌入」（Embeddings）的技术。
可以这样理解：
首先，它使用一个深度学习模型，读取并理解一个网页的全部内容，包括其核心论点、上下文和语境，然后将这些复杂的「含义」压缩成一个由数百个数字组成的独特列表。这可以被称为该网页的「语义指纹」。
当用户输入一个查询时，即便是长句或复杂问题，系统也会用同样的模型将其转换为一个代表用户真实意图的「语义指纹」。
搜索的过程，就变成了在数十亿个网页的「语义指纹」库中，通过计算，找出与用户查询的「语义指纹」最相似的那些。
这个方法在技术上原生支持对复杂逻辑的理解，因为它处理的是整体含义而非孤立的词汇，所以它能分辨「有条纹」和「没有条纹」这两个「指纹」之间存在的巨大差异。
02
重生之我在西贝当贾总
为了更具体地展示 Websets 对复杂语义的理解能力，我们设定一个高压商业场景：
假设你是某餐饮连锁品牌的 CEO，公司因「预制菜」问题陷入了一场全国性的公关风暴。你需要立即找到具备特定经验的专业人士来应对危机。
你向 Websets 发出指令：
「寻找在大型餐饮连锁集团担任过品牌公关总监或以上职位（条件 1）、且有处理创始人个人言论引发的公关危机经验的消费品牌公关专家（条件 2）。」
Websets 返回了一份结构化的电子表格，按照条件一和条件二在 LinkedIn 上筛选出符合条件的候选人，并按照满足程度排列优先级。
对于条件一，系统准确地从公开信息中找到了在德州公路扒房（Texas Roadhouse）、麦当劳（McDonald's）、棒约翰（Papa John's）等大型餐饮连锁集团中，担任「高级公关总监」、「企业传播副总裁」等符合条件的高管。这部分任务，它完成得相当精确。
条件二就颇有一些难度，因为「处理创始人个人言论引发的公关危机经验」是一个相对难验证的事情。系统并没有给出简单的「是」或「否」。相反，它在右侧生成了额外的验证列，并给出了「Match」（匹配）或「Unclear」（不明确）的标注。
事实也是如此，同时满足两个条件的只有 Travis Dorster。他在德州公路扒房担任传播与公共事务高级总监。在新冠疫情期间，他处理过创始人因为新冠后遗症自杀的而引发的公共事件。
这个过程揭示了 Websets 的核心价值。Websets 在此场景下扮演的，并非信息入口的角色，而是决策支持工具。它没有提供一份需要用户自行研究的「阅读清单」，而是直接交付了一份经过初步分析和验证的「候选人短名单」。它将原本需要数天人工筛选的工作，压缩进了几分钟的机器执行时间里。
但是，这个结果也显示了 Websets 的局限性。列表中的信息来源 URL 全部指向领英（LinkedIn），存在数据源的偏向性。如果一位顶尖专家没有详尽的、公开的领英档案，或者其关键经验体现在非文本的采访视频中，系统就可能无法发现他。
更重要的是，这种对特定数据源的依赖，也使其在处理中国市场相关查询时效果大打折扣。中国的候选人更多使用脉脉等本土化的职业社交平台，或者根本不使用。因此，用同样的指令去寻找一位符合条件的中国专家，其结果的可靠性和全面性将远低于这个案例所展示的水平。
但这并非其算法的失败，而是其数据基础的局限。
03
另一种搜索路径
截至目前，Websets 的公司主体 Exa 声称其索引了「数十亿」级别的网页。这个数字本身虽然可观，但与谷歌宣称的「万亿」级别索引相比，仍有几个数量级的差距。
这意味着 Websets 的搜索结果可能是「更精确」的，却不一定是「最全面」的。它或许在一个经过筛选的高质量信息池中找到了最优解，但用户无法确定在更广阔的、未被索引的互联网中是否存在更好或更重要的信息。
这是一个与成本高度相关的「缺陷」。语义计算是资源密集型任务，将海量网页和复杂查询转化为「语义指纹」并进行大规模比对，需要庞大的算力支持，其背后是高昂的硬件投入与运营开销。
2021 年，Exa 获得了 500 万美元（约合 3560 万元人民币）的种子轮融资，他们把一半的钱，都花在了建设第一个 GPU 集群上，
另一方面，Websets 使用的「嵌入」技术本身存在信息损失的风险。这项技术的核心是将一篇长文甚至一部巨著的全部信息，压缩成一个固定长度的数字列表。这个过程必然是有损的。
正如 Diffbot 公司 CEO Mike Tung 在面对《MIT 科技评论》时所指出的，「将一本《战争与和平》压缩成单个的嵌入，几乎会丢失书中所有具体的事件，最终只留下关于其类型和时代的模糊感觉」。
这意味着，该方法在把握宏观主题上表现出色，但在需要无损检索文本内部具体细节时，存在天然的技术缺陷。
因此，Websets 及其代表的语义搜索范式，并非谷歌的替代品。它更像是一种为特定目的，如深度行业研究、人才挖掘或学术分析而设计的「重型装备」。
它的出现，其重要性不在于它本身能否颠覆市场，而在于揭示了搜索技术演进的另一种可能性。
04
回归本质——我们为什么要搜索？
谷歌（Alphabet）每年从关键词搜索及其相关广告业务获得的收入大约在 1750 亿– 2000 亿美元，大致占其总收入的 55 – 60%。正是靠着这台由全球用户无数次点击驱动的印钞机，支撑起了谷歌那些近乎科幻的探索：从自动驾驶汽车（Waymo），到用人工智能（DeepMind）破解蛋白质的折叠奥秘，甚至尝试通过 Calico 项目延长人类的寿命。
这一切的背后，都源于那个我们每天都在使用的、看似简单的搜索框。这就让我们回到一个更根本的问题：如果搜索这个行为能支撑起如此庞大的商业帝国和对未来的探索，那么对我们个人而言，搜索究竟意味着什么？我们到底为什么要搜索？
要理解搜索的本质，必须先回到它的起点。人类之所以需要搜索，最底层的是一种生存本能。远古的祖先必须在环境中搜索食物、水源、庇护所以及危险的信号，搜索是活下去的前提。
当生存需求得到基本满足，驱动力便转向内在的认知延伸。人类的大脑似乎天然厌恶「信息真空」，当我们遇到知识的空白或矛盾时，会产生一种认知张力，我们称之为「好奇心」。搜索，便是缓解这种张力、填补认知缺口的行为。
这些动机恒久未变，但实现它们的方式却因技术而发生了两次剧烈的变革。
在前互联网时代，搜索是一种「路径式学习」。信息被安放在物理或逻辑的结构中：图书馆的杜威十进制分类法、百科全书的条目索引、学术期刊的卷宗。获取信息需要遵循既定的路径，你必须先理解这个知识体系的「地图」，然后亲自「行走」在这张地图上。
从产生一个问题，到查阅卡片目录，再到从书架上取下那本书，翻到对应的页码——这个过程本身就是学习的一部分。你不仅获得了知识，更重要的是，你理解了知识是如何被组织和验证的，抵达答案的路径清晰可见。
互联网，特别是以谷歌为代表的现代搜索引擎，则开启了「结果式消费」的时代。信息不再是稀缺的、结构化的，而是过剩的、碎片化的。你无需再理解复杂的知识地图，只需在输入框中敲下几个关键词，算法就会在瞬间为你呈现一个看似最优的结果。
它极大地降低了信息获取的门槛，但整个搜索过程被彻底「黑箱化」了。我们得到了答案，却完全不知道这个答案是如何从海量数据中被筛选、排序并最终呈现在我们面前的。构建知识和获取信息的差别正在于此，
更进一步，商业模式的介入不可避免地扭曲了信息的呈现。广告、搜索引擎优化（SEO）和对点击率的无尽追逐，使得我们最终看到的，往往不是最真实或最权威的结果，而是那个最希望被我们看到的结果。
如今，生成式 AI 的出现，并未创造一个全新的问题，它更像是一个催化剂，将「结果式消费」的趋势推向了极致。AI 承诺的，是一个连「结果列表」都无需我们筛选的世界，它将直接提供那个唯一的、完美的「答案」。
很多人会幻想存在一种更理想的搜索工具，它能将控制权交还给我们，过程透明，鼓励探究。但这或许忽略了一个根本性的事实：「黑箱」并非一个需要修复的缺陷，它本身就是被市场验证过的、最受欢迎的功能。现代搜索的整个演进史，都指向一个清晰的商业规律：对效率和便利的追求，其优先级远高于对过程和本源的探究。
本质上，这是一种交易。我们用探寻过程的精力，换取了即时获得结果的便利。这并非工具的缺陷，因为追求便利是人性的自然延伸。
关键在于，每个人都应该清楚地明白自己需要付出什么，可以自主做出自己的选择，并且不为此感到后悔。
* 头图来源：Wikipedia
本文为极客公园原创文章，转载请联系极客君微信 geekparkGO
