從互聯網到人工智能，我們發現了AI搜索的必然走向｜甲子光年

AI原生、智能索引庫，以及大模型調度系統，是AI搜索的三條護城河。誰能把這些護城河挖得更深，誰就有可能成爲引領下一代搜索引擎發展的主要玩家。

作者｜王藝

從遠古的巖壁記事，到現代的數字屏幕，幾千年來，人們對信息的追求與渴望從未停止。

無論是公元前記錄了演講和情報的一卷卷莎草紙，還是蒸汽印刷機的出現、收音機和電報電話的發明、廣播電視的興起，大衆傳播技術以空前的效率和速度把信息傳遞給大衆；互聯網的發明，更是將全球連接成了一個巨大的信息網絡，使得信息的獲取變得前所未有的便捷和及時。

可以說，人類發展的歷史，就是一部信息不斷進化與傳播的歷史，也是一部文明交流互鑑、知識共享與智慧碰撞的歷史。

然而，隨着技術的革新，人類社會的信息也在從稀缺走向豐盈、從匱乏走向冗餘。

如今，全世界每年產生1EB到2EB (1EB≈1018B)信息，相當於地球上每個人每年大概產生250MB信息。其中，紙質信息僅佔所有信息的0.03%，靜態網頁有上百億，動態及隱藏網頁則至少是靜態網頁的500倍。而與之相對的，人的一生只能接觸約6GB信息，大腦則只能存儲約200MB信息。

爲了解決人類“針對性尋找信息”的需求，搜索引擎應運而生。從1991年，加拿大麥吉爾大學開發了能定期搜索並分析FTP服務器上文件名的Archie開始，搜索引擎的發展一直隨着計算機技術的發展而不斷演進：從分類目錄時代的Yahoo，到文本檢索時代的AltaVista，到整合分析時代的Google、百度，再到用戶中心時代的微信、抖音、小紅書，搜索引擎不僅極大地提高了人們信息檢索的效率和準確性，更是極大推動了互聯網生態的繁榮與發展。

那在人工智能時代，搜索引擎是什麼樣的？無疑是AI搜索。

微軟CEO納德拉曾經在2023年2月對外表示，AI加持的搜索引擎，是他在任CEO 9年來微軟公司“最重要的產品”，堪比15年前的雲計算；百度創始人、CEO李彥宏也表示，“生成式AI與搜索是天作之合”。

一時間，幾乎已經有二十多年未發生重大變化的搜索引擎好像被按下了“變身按鈕”；沉寂已久的通用搜索引擎市場，也再度風雲變幻，羣雄競相逐鹿中原。

然而，各路羣雄的“打法”和“門派”卻各不相同。

1.搜索引擎3.0——Don't make me think

毫無疑問，如今AI大模型已經成爲了搜索引擎的最大變量。

如果我們以時間的維度，審視近二十年市場上陸續出現的搜索產品，那麼或許可以將搜索引擎的發展分爲三個階段：

2000至2022年是搜索引擎1.0時代，以網頁信息的分發爲主，代表產品是Google搜索、百度搜索；

2022至2024上半年是搜索引擎2.0時代，可以就網絡內容進行提煉、生成簡單答案，代表產品是Microsoft New Bing、Google AI Overviews；

2024下半年至今是搜索引擎3.0時代，可以通過對內容的結構化整合解決問題、發現和獲取新知，代表產品是Perplexity AI、360AI搜索、天工AI搜索等。

其中，2.0和3.0時代的搜索引擎幾乎都加入了AI大模型的能力，都可以稱爲“AI搜索”產品。然而，2.0時代的Microsoft New Bing、Google AI Overviews都是通過在自己原有的搜索引擎上增加了一個AI模塊的方式實現的，大模型只是對原有搜索引擎索引到的網頁進行了簡單總結提煉，仍然是一種“縫合”的思路；而3.0時代的Perplexity AI、360AI搜索等則是充分發揮了大模型的能力，用AI重構了搜索的底層鏈路，是一種真正意義上的“AI原生搜索引擎”。

而3.0時代的AI 搜索產品， 也可以根據所面向領域的不同，劃分爲三類：

比如最爲知名的Perplexity AI，它和360AI搜索等都面向全網最廣泛的用戶，是通用AI搜索產品；Devv AI是一款面向程序員和開發者羣體的代碼搜索工具，Reportify AI則是一款利用 AI 技術爲投資者提供深度內容問答的工具，它們都屬於垂直AI搜索產品；除此之外，還有Hebbia（企業文檔和知識庫搜索）、Seek AI（企業數據庫搜索）爲代表的企業級AI搜索產品。

而這其中，用戶體量最大也最具有商業化潛力的，無疑是通用AI搜索產品。

榜單數據可以證明這一點：在今年7月的AI產品榜·全球總榜中的前二十名中，通用AI搜索產品就佔了四席（New Bing、Yandex、360AI搜索、Perplexity AI）；而在AI產品榜·國內總榜6-8月前二十名的產品裡，通用AI搜索產品也佔據了至少三席。

這其中，表現最爲亮眼的，就是360AI搜索：

2024年1月，360AI搜索Web端和App先後上線。3月份，訪問量增速高達1798.76%；4月份，訪問量達到了1188萬次；到了6月份，和360AI瀏覽器一同升級發佈之後，360AI搜索排名一躍而升至國內AI產品第二名、AI原生產品第一名。

7月，360AI搜索Web端的月訪問量達到了9369萬次，增速爲82.48%，已經超過了全球知名的AI搜索產品Perplexity AI，在AI產品榜·全球總榜中排名第十一。8月，訪問量則達到了2億次，增速爲113.92%，同時成爲國內第一個月獨立訪客量（UV）超過8000萬的AI產品。

AI產品榜·國內總榜6、7、8月前五名

在衆多通用AI搜索產品中，爲什麼360AI搜索成爲了率先跑出來的那匹黑馬？

如果要用一句話總結，這句話或許可以是“所見即所得”；如果要用一個詞來總結，這個詞或許可以是“開箱即用”。

騰訊創始人、有着“互聯網首席產品經理”之稱的馬化騰曾經給很多人推薦過一本書《Don't make me think》，書名意思爲“別讓我思考”。它講的是產品設計的一個原則，即把用戶需要的信息以最直接的形式展示出來，而且要展示得既全面又準確、讓用戶拿來就能用。

《Don't make me think》，作者Steve Krug

“Don't make me think”原則之所以重要，主要是因爲做產品是被動的藝術。從心理學的角度來說，做產品和做銷售是兩套完全不同的邏輯：做銷售需要的是“打破防禦”，一個好的銷售人員需要充分調度自己可以呈現的所有資源，抓住用戶心理上小小的滿足或不安，打破用戶的防禦，說服用戶，促成用戶的選擇；而一個好的產品經理，則可以通過提升產品“易用性”，根本不讓用戶啓動防禦。因爲意識即防禦，所有的思考，都會讓用戶產生顧慮。一個產品如果引發用戶的啓動意識，讓用戶思考，某種意義上，就是在推開用戶。

而AI搜索作爲互聯網產品的一種，同樣脫離不了這個邏輯。

在所有AI搜索產品中，360AI搜索幾乎把“所見即所得”和“開箱即用”做到了極致——不僅能給出準確性、權威性強的答案，無需進行事實覈查和交叉驗證，而且可以一鍵複製和導出，極大便利了用戶對所需答案的使用。

比如用戶在搜索中“9.11和9.8哪個大”，很多AI搜索給出的答案都是“因爲9.11的十分位數是1，9.8的十分位數是8，因此9.11大於9.8”，鬧出了笑話。

問9.11和9.8哪個大，某AI搜索給出的答案

然而，360AI搜索卻能正確比較這兩個數字小數點後的十分位數，給出正確的答案。

問9.11和9.8哪個大，360AI搜索給出的答案

比如，在9月12日上午搜索“颱風摩羯在越南造成了多少人死亡”，360AI搜索給出了截止到9月11日17:30的答案，並且還將數據精確到了各個不同的時段：

搜索“颱風摩羯在越南造成了多少人死亡”，360AI搜索給出的答案

比如，我們讓360AI搜索回答一個“將字符串hello反轉成olleh”的編程問題，它不僅給出了問題分析和步驟拆解，更是調用DeepSeek大模型給出了完整的Python代碼：

搜索“將字符串hello反轉成olleh”，360AI搜索給出的答案

再比如，我們同時讓360AI搜索和其他AI搜索產品解釋《金剛經》裡的一句話，360AI搜索給出的答案是最豐富、最詳盡的：

360AI搜索和其他AI搜索產品對“一切有爲法，如夢幻泡影，如露亦如電，應作如是觀”的解釋

可以看到，無論是答案長度、信息密度還是時效性、準確程度，360AI搜索的表現都是數一數二的。

“對比其他的AI搜索產品，我們生成的內容更有結構，也更長。很多AI搜索產品的答案在200字以內，而我們答案的平均長度超過 700 字，同樣一個問題，我們從更多的角度做解析，有點像是一個僱了一個百科全書的作者來幫你去寫一個答案。”在接受「甲子光年」採訪時，360集團副總裁、AI產品負責人樑志輝說。

此外，評判一個搜索引擎是否做到了讓用戶“傻瓜式操作”“所見即所得”，觀察它的用戶羣體也很重要。往往越是貼近用戶使用習慣的搜索引擎，就能獲得越多的低齡、低心智水平的用戶。

在採訪中，樑志輝向我們透露了這樣一組數據：在360AI搜索的用戶羣體中，有26%的用戶是中學生，8%的用戶是小學生，中小學生加起來的比例佔了34%。

之所以中小學生佔比較高， 主要還是因爲360AI搜索在產品設計上做到了最大程度貼近用戶。在2019年的360搜索裡，有42%的用戶在尋址，21%在找資源，37%在提問題；而到了2024年，在360AI搜索裡，尋址的用戶下降到了12%，找資源的用戶下降到了16%，剩下的72%在提問題。而在這72%“提問題”的需求中，就有很大一部分來自中小學生的作業提問。

“我們直接找了一些中小學的老師，問他們爲什麼用360AI搜索，他們說首先能語音輸入，無論是方言還是中英文混雜都能識別出來；其次360AI搜索能一鍵複製和導出。你別小看Ctrl+C、Ctrll+V，其實要教一個小學生學會複製粘貼和做文檔挺難的，但是有了語音輸入和一鍵複製、導出功能，學生不怎麼用敲鍵盤，就能搜出結果、獲得文檔”，樑志輝說。

雞兔同籠數學問題，由360AI搜索一鍵導出

360AI搜索爲什麼能給出時效性、準確性和權威性更強的答案？

一切，都要得益於AI搜索的三條護城河，它們分別是：更智能的索引庫，和更強大的底層模型系統，以及AI原生。

2.“可計算的知識”——AI搜索的第一條護城河

在傳統搜索引擎時代，索引庫就是最重要的護城河；而在AI搜索時代，更智能的索引庫則更是成爲了AI搜索產品的重中之重。

在《 》一文我們提到，AI搜索最大的壁壘是數據，要想得到準確的答案，底層數據的質量和數量至關重要：只有底層數據庫足夠大、容納的信息足夠多、信息更新的足夠及時，才能保證大模型在內容獲取的時候“有據可依”，從而輸出更準確、更有時效性的內容。因此，想要讓搜索結果變得準確，自建索引庫就很關鍵。

由於自建索引庫成本極高、技術難度極大，目前只有Google、百度、Bing等搜索大廠有這個能力，因此它們推出的AI搜索產品也能調用自家索引庫裡的內容；而一些大模型廠商推出的AI搜索產品，則更多是接入了Google、Bing等搜索引擎的API，只有很少的幾家自建了小體量的垂直索引庫。

作爲2012年就開始做搜索的老牌廠商，360自然擁有數據豐富的索引庫，這也是360AI搜索相較於其他AI搜索產品的巨大優勢。樑志輝表示，過去十年，360搜索大約爬了1000億個網頁，而且會對索引庫中的網頁做動態更新，讓索引庫中的數據動態維持在最新的1000億，降低了維護成本的同時，也增強了時效性。

技術和內容同步更新，往往才能發揮出來更大的效用。在傳統關鍵詞索引之外，360AI搜索使用向量索引、KV索引等技術，對索引庫進行了重構，使得索引效率大幅提升。

在AI搜索中，向量索引是通過把一些信息轉換成數字形式的“向量”，這些向量就像是信息的指紋，可以用來描述信息的特點。一段文字就可以通過向量來表示，這個向量包含了這段文字的一些關鍵詞或特徵。比如，它知道“蘋果”和“西瓜”在吃的方面很接近，但和“公交車”就完全不沾邊了。靠着這樣的理解，大模型就能更準確地幫我們尋找信息和生成內容。

向量搜索原理圖，圖源：FreeAI

除了用AI能力構建更強大的索引庫，360還基於現有的高效索引庫構建了多個知識圖譜層，可以用GraphRAG的方式做檢索，比於傳統的RAG，GraphRAG顯著增強了大語言模型在處理複雜和多樣化私有數據集時的性能，可以實現更全面、深入的檢索。

樑志輝認爲，如果說以谷歌、百度爲代表的1.0時代的產品是“搜索引擎”，以New Bing爲代表的2.0時代的產品是“答案引擎”，那麼3.0時代的AI搜索產品則應該是一款“知識引擎”——在新的應用形態下，知識是可以被計算的；而知識引擎和答案引擎的區別就在於，它不只是對搜索到的若干個網頁鏈接進行簡單的總結，而是會在理解用戶問題的基礎上，充分利用大模型的能力，通過關鍵詞索引+向量索引+GraphRAG的方式充分調用索引庫和知識庫的內容，返回給用戶的不只是答案，而是內涵和外延更加豐富的“知識”。

而也是以360AI搜索爲代表的AI搜索產品和很多AI Chatbot的不同：AI Chatbot每次回答只能進行一次大模型調用，而AI搜索產品則能在充分理解問題的基礎上，進行任務的分解和規劃，這期間會涉及多輪次的模型調用，這類似於OpenAI o1的“慢思考模式”；此外，AI Chatbot返回的答案更多是模型生成的，特殊情況下才涉及RAG調用，因此生成的答案中有些是沒有參考鏈接的；而AI搜索產品則在用戶每輸入一次query（問詢）的時候都要調用索引庫和知識庫，會給出豐富的參考鏈接，同時和生成的答案做到一一對應。

同樣問“魯迅和周樹人是什麼關係”，AI搜索給出了更豐富的回答和鏈接

目前，AI加持下的360索引庫收錄了大量的高質量內容來源，包括論文、 知識視頻、訪談節目、課堂錄音、專業網站等，未來還計劃加上B站的知識視頻。這些內容以大模型最容易理解和計算的方式來抓取、索引、召回，用AI爬蟲抓內容，用AI GraphRAG建立知識連接，用 AI 做內容召回，擺脫了過去單純依靠關鍵詞匹配的侷限性，讓知識真正做到“可計算”“可理解”。

與此同時，360AI搜索給出的回答支持多種文體和風格的改寫，並會被重新收錄進索引庫中。這就通過AIGC的方式，構築起了自己的數據飛輪，也成爲了360AI搜索的內容和數據護城河。

3.“讓大模型‘慢思考’”——AI搜索的第二條護城河

衆所周知，人工智能由數據、算力、算法三大要素構成。如果說索引庫是AI搜索的數據庫，那麼大語言模型，就是AI搜索的算法，這構成了AI搜索的第二條護城河。

我們在《 》一文中提到，AI搜索的底層原理其實可以用“RAG（Retrieval-augmented Generation，檢索增強生成）”來概括，涉及Retrieval和Generation兩個步驟。其中，大部分的“Retrieval（檢索）”是由傳統搜索引擎的API來完成的，少部分採用自建索引庫的形式；而AI搜索產品主要做的事情就是拿到結果後的“Generation（生成）”，用AI代替人工， 閱讀檢索內容， 總結歸納後給到用戶一個直接的答案。

要“Generation”，就涉及對大模型的調用。目前，大部分的AI搜索產品只會在搜索過程中調用了一次大模型，單個模型能力有限，無法及時對抓取到的網頁內容“去粗取精”“去僞存真”，生成的答案也難免帶有“幻覺”和“噪聲”。

怎麼辦？一個模型不行，那就上多個；一次調用不行，那就多次調用。發揮集體的力量，一個好漢三個幫。

360AI搜索，就是這種“一個好漢三個幫”的典型代表。在360AI搜索的整個工作過程中，會涉及對大模型的多次調用，“我們一次AI搜索的背後包含了至少7—15次的大模型調用”，樑志輝說。

以搜索“爲什麼人只吃肉不會長胖，吃水果和麪包會長胖”爲例，360AI搜索對大模型的調用包括以下幾個步驟：

對大模型的密集調用，不僅會對AI搜索的響應速度造成影響，更是對算力造成了巨大的壓力。大模型加持下的AI搜索，想要實現和傳統搜索一樣快速、精準的問答，算力和模型能力都需要做出巨大的提升。

但專業性（有更多特定領域的知識）、經濟性（節省算力成本）和泛用性（回答內容無所不包）向來是大模型的“不可能三角”。有沒有一種方法，既兼顧回答的通用性和專業性、保持回答的速度和準確度，又能不消耗過多算力呢？

底層的模型架構就很關鍵。

在很長一段時間以來，MoE（Mixture-of-Experts）架構的稀疏混合專家模型都被認爲是Transformer之後大模型下一個發展趨勢。MoE模型可以只選擇某一專家模型來處理數據，這使得模型在推理過程中更爲高效，因爲大部分專家處於未激活狀態，從而減少了不必要的計算。

圖源：《Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity》

然而，儘管MoE架構的模型有着比稠密模型更快的推理速度，但是它仍然有缺點：

MoE模型的專家之間存在競爭關係，每個輸入通常只由一個或少數幾個專家處理，其餘專家不參與，這讓檢索答案的過程不夠靈活；

MoE依賴於路由機制分配任務，如果路由錯誤或某個專家出現故障，可能會影響AI搜索回答的整體性能。

爲了解決這一問題，360推出了首創的CoE（Collaboration-of-Experts，專家協同）架構。與MoE模型不同的是，MoE架構一次只能調用其中的一個專家模型回答，但CoE架構則能讓多個模型分工協作、並行作戰，執行多步推理。

CoE模型推理過程 圖源：《Collaboration of Experts: Achieving 80% Top-1 Accuracy on ImageNet with 100M FLOPs》

這種多個模型分工協作的方式使得每個專家都能“發揮專長”，同時“互相補充”，讓AI搜索在面對不確定或複雜輸入時表現出更好的穩定性，輸出更準確、更具有時效性和權威性的內容。

綜上，我們可以復現出360AI搜索完整的工作鏈路：首先構建意圖分類模型，對用戶的問題進行意圖識別，接着打造任務路由模型對問題進行拆解，不同的問題可以劃分成“簡單任務”“多步任務”和“複雜任務”，對多個模型進行調度；最後構建AI工作流，使多個大模型協同運作。比如面對一道古詩詞中譯英題目，路由模塊就會調用起翻譯、反思等多個模型，讓這些模型分工配合、共同完成任務。

在古詩詞翻譯任務中，360AI搜索會調用多個模型協同完成任務 圖源：360

360AI搜索底層CoE架構中的專家模型，由16家大模型廠商的產品共同組成——360與百度、騰訊、阿里巴巴、智譜AI、月之暗面、Minimax等16家主流大模型廠商合作，構建了一個大模型的“專家集羣”，這些專家集羣共同支撐了CoE架構的混合模型。該混合大模型在翻譯、寫作等12項指標的測試中取得了80.49分的綜合成績，超越了GPT-4o的69.22分；特別是在“弱智吧”和“詩詞賞析”這類比較具有中文特色的問題上，CoE的領先優勢更加明顯。

集各家所長的混合大模型能力超越 GPT-4o，圖源：360

這種調度多個模型共同完成推理任務的方式，就是在用大模型“慢思考”的能力做AI搜索。

“人腦有快思考、慢思考兩種方式。大模型常見的是快思考，問2+2等於幾，它脫口而出。但是真的有複雜的問題，比如寫一篇論文、做分析，人類是需要慢思考，需要調動規劃和反思、邏輯推理能力，速度慢，但準確性高。大模型目前只有快思考沒有慢思考的能力，我們提出用Agent的框架打造慢思考的系統，通過知識和工具、增強大模型的規劃，打造大模型的慢思考的能力。”在ISC.AI 2024大會的演講中，周鴻禕表示。

從技術層面來說，360獨創的CoE架構模型，也是在模型的“慢思考”——推理上下功夫。如今，在衆多廠商瘋狂囤算力訓練大模型的情況下，推理的價值被大大低估了：以OpenAI最新發布的OpenAI o1模型爲例，該模型用強化學習的方式增強了推理能力，使得模型在作出回答之前會像人類一樣進行10—20秒的“深思熟慮”，產生一個長長的內部思路鏈，能夠嘗試不同的策略並識別自身的錯誤。這也證明了Scaling Law在推理領域的有效性，硅基流動創始人袁進輝就認爲，在推理上多花點算力比在訓練上繼續投入算力收益要大得多。

OpenAI o1模型在預訓練、訓練和推理階段的投入 圖源：X @Jim Fan

但面對CoE模型， 也有人提出了質疑——調用這麼多模型，AI搜索的經濟賬如何算？一次AI搜索的成本會不會太高？

答案是：並不會。

首先，在激烈的價格戰之後，國內很多第三方模型的價格已經很低了，每百萬Token的價格從1塊錢降低到了8毛錢、5毛錢，甚至直接免費；其次，360採用的並不是千億參數的大模型，而是一些百億，甚至十幾億參數的小模型，參數的減少加上360獨有的推理技術共同降低了推理成本；第三，很多大模型廠商極其渴望用戶，爲了獲取用戶甚至不惜虧本賣，而360擁有5億瀏覽器用戶和10億桌面用戶，“他們API的價格比我們自己的還低很多”，樑志輝坦言。

2024年5月，單次搜索的成本還高達2毛的360AI搜索，得益於上述種種舉措，今天單次搜索的成本已經降低到了1—2分，可能是國內AI搜索產品裡最低的。目前，360AI搜索已經實現了商業閉環，也就是說收入基本上能夠跟推理成本打平，“只要能夠做到不虧，未來我們就有機會通過擴大用戶規模賺到更多差額”，樑志輝說。

在衆多AI產品還在燒錢運營、燒錢換用戶的情況下，360AI搜索率先打平了成本甚至獲得了些許盈利，無疑是給市場帶來的一個驚喜。360的AI搜索的成功也證明，AI對於搜索來說並不是僞命題，反而是搜索引擎發展的最大變量。誰能抓住這一波AI的機會，誰就有可能成爲引領下一代搜索引擎發展的主要玩家。

4.“AI原生”——AI搜索的第三條護城河

AI時代來臨後，各家企業都加大了對於“AI原生應用（AI Native App）”的探索。不少從業者認爲，如果企業實現了AI 原生，將會給企業帶來質的飛躍。麥肯錫也表示，“向 AI 原生過渡可能是推動企業增長和更新的關鍵。”

然而，關於什麼纔是“AI原生產品”應用的定義，市場上的觀點卻不一而足：有人認爲建立在大模型之上的Chatbot、文生圖等應用就是AI原生產品；也有人認爲能夠用自然語言交互且充分利用大模型的理解、生成、推理、記憶等能力的產品纔是AI原生產品。

在360集團副總裁樑志輝看來，AI原生產品需要的不只是用戶交互等“前臺”的變革，更需要“後臺”技術鏈路的同步革新；此外，一款產品能不能把AI的“長處”（如數據處理、自動化和決策支持）發揮出來，也是判斷它能否被稱之爲“AI原生產品”的標準。

不難發現，無論是問題識別、意圖改寫、信息源檢索、索引庫的構建還是RAG，360用AI重構了搜索的每一個鏈路：

比如在意圖識別環節，依託多年做搜索積累的意圖分類、技能分類以及領域分類知識，對用戶需求予以分析，訓練出能夠識別超 1 億種意圖分類的專用模型，支持4000種意圖分類、100種技能分類和1000種領域分類；

比如在任務路由環節，通過技術攻關，訓練出了具有超強能力的任務路由模型，通過任務拆解和多步推理的機制，大幅度提升了複雜問題的解決率；

比如在CoE專家網絡模型的推理環節，依據千萬數量級用戶的日常反饋，揀選真實搜索題目，構建起具有可持續性的大模型能力測試平臺，可以將合作方的16家大模型一一匹配適宜的場景、按需進行統籌調度，實現了知“模”善用；

再比如在構建AI工作流環節，在CoE專家網絡模型之外，還建立起了200多個“垂搜（onebox）”，這些垂搜覆蓋了列車時刻表、天氣、資訊等不同的領域，可以從多個來源獲取實時的消息，爲AI搜索提供更準確、更具有時效性的答案。

360AI搜索工作流程圖 圖源：360

可以說，相比於其他的AI搜索產品，360AI搜索重塑的不只是用戶交互環節，更是後端的一整個流程。

「甲子光年」曾經在一文中提到了套殼的五重進階：

圖源：《大模型套殼祛魅：質疑套殼，理解套殼 | 甲子光年》

而360AI搜索的“主力模型+16家大模型聯合調用”的CoE模式，真正做到了“第五重進階”，也就是從預訓練階段就開始發力，從主力模型（360智腦）就開始爲後來推出AI搜索產品做準備，真正做到了不僅用AI變革前端鏈路，更是把後端鏈路做厚、做深。

和360AI搜索思路類似的還有其他的一些AI產品：比如AI翻譯產品彩雲小譯，就在原有產品的基礎上，加入了AI翻譯大模型和多個不同功能的智能體，可以實現視頻字幕翻譯、候選詞替換、翻譯過程中的AI問答等多個功能；再比如最近大火的、讓所有程序員都爲之瘋狂AI編程產品Cursor，不僅推出了可以補全和多行編輯代碼的Cursor Tab，更是可以自動將僞代碼轉換爲可執行代碼，還支持AI review（用AI檢查最近改動的代碼、生成修改建議）、Composer（在單文件多行修改PR的基礎上，進一步支持多文件編輯PR的生成）以及用AI Chat進行交互。這些產品都做到了用大模型改造後端鏈路、將AI能力滲透到了流程的每一個環節，進而實現了更智能化的使用體驗。

可以說，在未來，只有從底層就開始用AI做變革、將AI能力浸潤到每一個環節的產品，才能真正吸引用戶、構築起自身的護城河，也才能稱得上是真正的“AI原生產品”。

從最初的Chatbot到多Agent聯用的AI翻譯、AI編程、AI客服產品，從簡單加個LLM作總結到如今有着CoE架構、可以多次調用大模型實現更精準、全面回答的AI搜索產品，AI產品的發展過程，是工作流從簡單到複雜、從一元到多元的過程，也是一個不斷自我迭代、更新與融合的過程。在這一過程中，我們見證了技術從簡單向複雜的邁進，也見證了互聯網產品從滿足用戶基本需求到深度理解用戶意圖的轉變。 其中的每一步進展，都凝聚着科研人員的不懈努力和對技術邊界的持續探索。

未來，隨着算法的不斷優化、算力的持續提升以及數據的日益豐富，AI產品也將展現出更加強大的能力，更加緊密地融入到人們的工作生活中，開啓一個更加令人激動的智能時代。

就像一棵樹，只有樹根扎得越深、越牢固，這棵樹才能長得枝繁葉茂，才能開出美麗的花、長出甜蜜的果實。

（封面圖來源：「甲子光年」使用AI工具生成）