AI搜索正在颠覆传统信息获取方式，但其背后隐藏着对内容生态的掠夺性商业模式。本文作者深度体验Perplexity、ChatGPT Search等主流产品两个月后，从技术原理、用户价值与内容生态三大维度，揭示AI搜索如何通过RAG技术实现信息整合，却又在无形中侵蚀着内容创作者的生存空间。当63%的准确率遇上37%的幻觉率，我们该如何理性看待这个效率与风险并存的新时代工具？

故事是这样的。

我花了两个月，把 Perplexity、ChatGPT Search、Grok、秘塔、Kimi、元宝全深度用了一遍。不是那种”打开问一个问题就关了”的用法，是真的拿来当生产力工具，研究问题、写稿子、追踪动态那种用法。

然后我的结论是：AI搜索是真的有价值，但这个行业的商业模式，建立在对内容创作者的抢劫上。

而大多数讨论这个话题的人，根本没说到点子上。

说实话，我看到的大部分文章，要么在吹产品功能，要么在对比参数体验，要么在分析市场格局。

这些都重要。但都不是最重要的事。

我想认真聊三个维度：技术到底是怎么工作的、用户到底得到了什么、以及——这个没人认真讲的——整个内容生态正在被AI搜索慢慢吃掉这件事。

先说技术，因为很多人把这件事想得太简单了

我先问一个问题：AI搜索和传统搜索的本质区别是什么？

很多人会说：就是加了个AI摘要啊。

不是的。这个误解太普遍了，我觉得必须先把这个说清楚。

传统搜索引擎是什么？爬虫→建索引→关键词匹配→返回链接列表。你自己去读，自己判断。搜索引擎就是个搬运工，把最相关的链接找出来，剩下的你自己来。

AI搜索是另一套逻辑。底层靠的是 RAG，检索增强生成。听着很技术，但翻译成人话就四步：

第一步，理解你要查什么。不只是抽关键词，是判断你的意图——你到底是想了解一个概念，还是在做产品对比，还是在追踪一个事件的最新进展。意图不同，搜法完全不同。

第二步，去搜。不是静态索引匹配，是实时抓取相关内容。你问的问题越复杂，AI拆出来的子查询越多。

第三步，处理抓回来的内容。

这一步，我认为是整个链路里最被低估的。

搜回来的网页充满了噪音，广告、导航栏、各种干扰元素。正文解析、相关性排序、去重合并、按语义切段，全在这步完成。很多AI搜索答不准，不是模型不够聪明，是喂进去的上下文本身就是垃圾。Garbage in，garbage out。

第四步，LLM基于这些上下文生成答案，并标注来源。

就这四步，看起来简单，但每一步都有巨大的工程坑。

这里有两条完全不同的技术路线，绝大部分人分不清，但分清了之后你看产品的眼光会完全不一样。

路线A，工具调用型。LLM先自己想”我需要知道什么”，然后去搜，搜完继续想”我还缺什么”，继续搜。代表是 DeepSeek、ChatGPT。DeepSeek 用 R1 推理模型驱动搜索，是目前最极端的路线A，复杂推理问题用它明显更强。

路线B，Pipeline型。问题进来，固定跑一遍搜索→处理→生成的流程。代表是 Perplexity 早期、秘塔。速度更快，成本更低，但复杂问题容易答不全。

没有绝对更好的路线，只有适合的场景。你要查一个快速事实，路线B够用了。你要做深度研究，路线A明显更靠谱。

还有一个点我必须强调，因为中文互联网上聊得太少了：Embedding 模型的选择，对中文搜索体验的影响，可能比换 LLM 更显著。

Embedding 是把文字转成向量的模型，它决定了”语义相近的内容能不能被找到”。很多人不知道这个链路有多重要。

Query和文档都要被编码成向量，在向量空间里语义相近的内容会靠近。关键词匹配是”精确但召回有限”——”iPhone售价超预期”这句话，搜不到没有原词但讨论同一件事的内容。向量语义搜索能弥补这个缺口，但向量检索的质量，完全取决于Embedding模型对中文语义的理解深度。

百度和腾讯有多年中文语料积累，秘塔针对搜索场景专门训练过Embedding——这就是为什么一个没有大模型优势的创业公司，产品体验能打赢很多大厂。这不是玄学，这是有技术根因的。

说到技术，我想认真聊一个数据。

因为这个数据太重要了，但出现在任何一篇文章里都像是在”黑”AI搜索，所以大部分人选择不聊。

2024年，剑桥大学等机构发布了一个基准测试，叫 CRAG（Comprehensive RAG Benchmark，arXiv:2406.04744）。测的是什么？是当前最先进的 RAG 系统，在真实问题上的表现。

结果是这样的：

最先进的大语言模型，单独使用，不接RAG，在CRAG上的准确率是34%。

加上标准RAG之后，提升到了44%。

当前最先进的工业级RAG解决方案，准确率是63%。

也就是说，即使是最先进的工业级方案，仍然有37%的问题存在幻觉或错误。

我当时看到这组数据的时候，第一反应是：37%？这个数字比我想象的低多了。

但后来我仔细想了想，不是37%很低，是这个领域太新了，门槛太低了，低到很多人没意识到这个问题的严重性。而且这个63%，是工业级方案的平均水平，不是每个产品都能达到。更重要的是，CRAG测试的是”有没有幻觉”，不是”答案质量高不高”。就算没有幻觉，答案也可能是不完整、不深入的。

还有一个研究也得提一下。2024年发表的ReDeEP研究发现：即使RAG的检索结果本身是准确的，LLM在生成阶段仍然可能输出与检索内容冲突的结论。这不是”找不到信息”的问题，是”找到了但整合错了”的问题。这个现象有个专门的名字，叫confabulation，就是”自信地胡说八道”。

所以你问我AI搜索可不可靠？

我的看法是：它比一年前可靠多了，但还远没有可靠到可以不加判断地相信。尤其是医疗、法律、投资这些高风险领域的结论，别交给AI搜索。

用户价值是真实的，但有边界

说了这么多技术，不是为了吓你。AI搜索的核心价值，我用完之后认为是真实的：它让你从”找信息+读信息+整合信息”的重复劳动中解放出来。

举一个我感受最深的场景：研究一个完全陌生的领域。

传统搜索需要读5到10篇文章才能建立基本认知。AI搜索5分钟给你全貌，概念、技术原理、主流方案、最新动态。你把时间花在判断上，而不是搬运上。这个价值是真实的，我每天都在用。

多源对比也是明显优势。选购一款产品，AI搜索可以同时整合参数对比、用户评价，专业测评。传统搜索需要你自己去串这些信息，AI搜索帮你做了这件事。

有具体的数据支撑吗？有的。SERanking 2024年发布的对比研究显示，AI搜索在信息收集类任务上比传统搜索快约40%，用户满意度高约30%。

但是，这是平均值。在需要深度判断的任务上，AI搜索的错误答案反而导致用户花更多时间去核实。你以为AI帮你省了时间，结果你在核实错误答案上花了更多时间。

所以我必须说清楚AI搜索的局限边界。

高风险决策不要交给AI搜索。医疗、法律、投资，幻觉率不可接受。你不能因为AI说得自信就信了。Forbes 2025年的一篇报道引用的研究表明，大多数用户无法有效识别AI搜索答案中的事实错误——不是因为他们不聪明，是因为AI整合出来的答案看起来太专业、太自信了。

复杂推理问题AI搜索只能给框架，给不了深度。比如”俄乌战争对全球能源价格的影响，及对中国新能源出口的连锁效应”，AI搜索能给出分析框架，但深度远不及专业研报。这要承认。

���有一点我的真实感受。

用了两个月AI搜索，我反而更重视批判性思维了。

因为AI给了你一个看起来很专业的答案，你必须有意识地去质疑它：这个结论来源可靠吗？有没有其他视角？这个信息有没有时效性问题？

AI搜索用得越多，我越觉得批判性思维不是选修课，是必修课。

内容生态的影响，是我最想说的部分

大多数讨论AI搜索的文章都把重点放在竞争格局和产品比较上。但我觉得这些都是次要的。

真正重要的问题是：AI搜索正在摧毁它所依赖的内容生态。

路透社《2025年数字新闻报告》显示，随着AI Overview等功能在搜索中的普及，新闻网站的推荐流量出现了显著下滑。Buzzfeed、Condé Nast这些出版商已经在报告流量大幅下滑。部分研究机构的估算更悲观：AI搜索产品每增长10%的市场份额，出版商的推荐流量就下降15%到20%。

这不是预测。是正在发生的事。

为什么？因为AI搜索整合了内容，却不把用户导流回原文。出版商的广告收入直接受损。用户获取了价值，但价值的来源——内容创作者——什么都没得到。

2025年底，纽约时报正式起诉Perplexity侵犯版权，道琼斯（WSJ的出版商）也跟进了。

核心诉求是：内容授权费用。

这件事比大多数报道的更根本。它不只是两家公司的法律纠纷，它是在问一个核心问题：AI搜索有没有权利免费使用内容创作者的劳动成果？

我的看法是：没有。

传统搜索引擎给出版商带来流量，所以出版商容忍被索引。AI搜索不给流量，还直接整合内容，这个逻辑在道义上是站不住脚的。

有人会说：AI搜索可以向出版商支付授权费用，像Spotify那样。

这个想法听起来合理，但现实问题很多。

Spotify的音乐授权模式，不能简单复制到内容领域。音乐行业的授权结构相对集中，三大唱片公司控制主要版权，谈判框架成熟。文字内容的版权高度分散，任何一家出版商都无法代表整个行业，授权谈判的成本极高。

授权费会大幅推高AI搜索的运营成本。Perplexity每月的API推理成本已经高得离谱，加上授权费，财务模型更难看。

而且，只有头部大出版商有议价能力。NYT和WSJ能拿到钱，独立的优质创作者什么都拿不到。行业集中度会进一步上升。

所以我看到的内容生态走向，很可能是两极分化的格局：

大型出版商建立封闭的订阅墙。NYT、WSJ已经在做了，优质内容只给付费用户，AI搜索付授权费才能索引。独立创作者转向Substack、付费newsletter，依赖直接向读者收费，不再依赖平台搜索引擎的分发。Substack 2024年的订阅收入同比增长100%+，就是这种趋势的一个缩影。

公共互联网上可免费获取的优质内容会持续减少。

因为创作者没有通过搜索引擎变现的路径了。

这会形成一个自我强化的负向螺旋：优质内容减少→AI搜索索引质量下降→用户体验下降→更多人不愿为内容付费→优质内容进一步减少。

AI搜索最终会杀死它所依赖的内容生态。

这是我最担忧的事。目前没有看到任何AI搜索公司提出了有效的解法。

技术、用户价值和生态，三个维度必须放在一起理解

我之前写文章喜欢把每个部分分开讲，但这次用下来，我觉得这三个维度必须放在一起理解，因为它们相互依存。

技术原理决定了用户体验的上限和下限。CRAG的数据说明，即使是最先进的工业级RAG方案，幻觉率仍然高达37%。这个数字告诉我们：技术没有很多人以为的那么成熟，优化链路前几步比换LLM更有效。Rerank做不好，内容处理做不好，再强的模型也救不了。

用户价值决定了AI搜索能否普及，也决定了用户会不会形成健康的依赖方式。用得好是效率工具，用得不好会加速错误信息的传播。

内容生态决定了AI搜索能否持续。没有优质内容，AI搜索的索引就是垃圾进垃圾出。

三个维度相互依存，而整个行业目前的商业逻辑是：消耗内容生态来为用户提供价值，但不给内容创作者任何回报。

这不可持续。

我的结论

AI搜索是有真实价值的技术。我每天都在用，以后也会继续用。

但这个行业有几个根本问题没有解决。

第一，版权问题没有清晰的法律框架。出版商起诉是第一步，但谁来制定规则、内容怎么定价、创作者权益怎么保护，这些问题还远没有答案。

第二，商业模式没有自洽的逻辑。免费向用户收费不可持续，广告模式会破坏产品价值，订阅模式限制了普及速度。目前所有AI搜索公司都在靠VC资金撑着，这不是正常的商业生态。

第三，内容生态的崩塌在加速，而行业里的大多数人还在讨论产品功能和竞争格局，没有认真面对这个问题。

我不是说AI搜索没有未来。

我是说，这个行业的从业者需要认真思考他们的商业模式，而不是靠投资人的钱一直烧到IPO。

对普通用户的建议：把AI搜索用好，但用它的时候保持清醒。

它是一个强大的工具，但不是一个可靠的权威。

你仍然是需要做判断的那个人。

主要参考来源：

CRAG Benchmark，arXiv:2406.04744，2024——最先进RAG系统准确率63%，LLM单独使用34%

ReDeEP，2024——RAG系统中LLM confabulation问题研究

Reuters Institute，Digital News Report 2025——新闻出版商流量变化数据

SERanking，2024——AI搜索与传统搜索用户效率对比研究

Forbes，2025——AI搜索答案用户识别能力相关报道

Substack Earnings Report，2024——订阅平台增长数据

纽约时报、道琼斯2025年对Perplexity版权诉讼文件