回想高中时期,写学术论文是一件苦差事。我记得需要离开家、开车到图书馆查找引用资料的痛苦经历。有一次,我花了整个周六在书堆中翻找支撑论点的引用内容。后来按照AP格式整理引用清单同样让人头疼。
到了大学时代,互联网大大加快了搜索过程。在线数据库的奇迹般出现大幅缩短了我的研究时间。几年后,当我作为记者报道石油行业时,通过谷歌搜索主题就能轻松获取多个信息源。那时,最繁琐的工作变成了筛选无用的超链接——通常是搜索结果第一页之后的任何内容。
在2025年,值得思考的是:学生或专业人士还在搜索吗?《商业洞察期刊》对这个问题提出了有趣的观点:"学生不仅搜索方式发生了变化——他们在别处搜索。根据Everspring发布的2025年AI搜索趋势报告,潜在学生越来越多地转向ChatGPT等AI工具,而非传统搜索引擎。"
专业人士也越来越多地使用AI来直接获取答案,而不是浏览大量搜索结果。IBM技术内容管理师Ash Minhas在一篇题为"浏览已过时:审视AI搜索时代"的文章中说:"我甚至不再使用谷歌了——我只用ChatGPT。"他在文中热情赞扬人工智能"在短时间内扫描和综合大量信息源"的实用性。
我们所知的谷歌时代的终结?
在如此短的时间内,信息获取方式发生的这种显著转变让我想起了一句话:"当一扇门关闭时,另一扇门会打开。"这是因为"谷歌一下"这个表达不仅深入我们的词汇——它已成为一种生活方式。不知道什么?谷歌一下。
但几年后,听到有人这样说可能会像AOL调制解调器启动声一样古怪。由于传统搜索和整个搜索引擎优化(SEO)行业的崩溃,这可能成为文化遗迹。
在讨论其可能的替代品——语言模型优化(LMO)之前,让我们先回顾一下之前的技术。SEO.com恰当地解释道:"SEO代表搜索引擎优化,是改善网站在谷歌、必应或其他搜索引擎有机搜索结果中可见性的过程。SEO涉及研究搜索查询、创建有用内容,以及优化用户体验来提升有机搜索排名。"
LMO的崛起
当我采访Claude Zdanow解释即将到来的巨变时,他说:"我们正从操控谷歌算法转向参与实时AI搜索,直接回应我们的问题。这就是目前正在展开的根本性转变。"作为Onar控股公司的CEO,这是一个通过AI加速中端市场公司增长的新一代营销和创意服务机构网络,他密切关注着LMO的发展。
他注意到LMO为客户带来的前所未有的价值。传统SEO通常涉及通过关键词堆砌或过度依赖反向链接来操控搜索排名。对于希望被发现、特别是超越竞争对手的公司来说,这些做法确实有用。
不幸的是,终端用户并不总是觉得这些堆叠的条目有用。LMO现在准备通过充当一种在线预言家来颠覆这种搜索模式。Zdanow说:"语言模型优化是创建真正相关和有用的内容,让AI而不仅仅是搜索引擎能够理解、信任并将其作为最佳答案提供。这不再是关于巧妙操控系统,而是真正解决用户问题。"
退一步来看这一发展,一个逻辑进程正在进行。价值决定一项技术是否被广泛接受。在基于网络的数据库出现之前,高中生为论文寻找资料的最佳方式是翻阅实体文本。后来,像谷歌这样的搜索引擎变得如此受欢迎,因为它们效果更好。
LMO提供的价值超越SEO
现在LMO能够准确高效地提供更有价值的答案,像Ash Minhas这样的用户涌向它是可以理解的。为了更好地掌握LMO提供的价值,参考SEO内容专家Jenny Abouobaia在LinkedIn上发布的该模型关键优先事项很有帮助:"上下文胜过权威信号:与依赖反向链接建立权威的谷歌不同,大语言模型专注于理解实际内容。"
再次,我们谈论的是相关性。Zdanow说:"这种转变不仅仅是改变策略,而是改变意图。我们必须停止从算法角度思考,开始从受众角度思考。展望未来,问题不再是'我如何获得排名?'而是:'我如何帮助某人?'"
这个洞察让我想起哲学家尤瓦尔·赫拉利在《未来简史》中对苏联垮台的看法。"苏联试图从莫斯科运行中央经济体系。这是无效的。他们把所有信息都带到莫斯科,但那里没有人能够足够快速和高效地处理所有信息来做出正确决策。这就是为什么美国的分布式信息系统被证明远优于苏联的中央集权信息系统。"
赫拉利的观点是,美国的去中心化自下而上经济战胜了对手,但不是通过冷战敌意。苏联内爆是因为它为公民提供的价值较少。自上而下的生产力伴随意识形态一致性崩溃,因为其治理模式被证明无法满足现代需求。
聪明的公司如何在AI搜索时代获胜
这里的教训很简单:价值最终胜过一切。甚至是极权主义政权。公司在考虑如何在网上被发现时应该以这些条件思考。企业主和为他们服务的营销机构可以通过制作真正有用的内容来保持搜索领先地位。当有疑问时,停下来问自己:"其他人会觉得这有价值吗?"如果是的话,你更有可能在LMO模式下被注意到。
说到内容,我得到的最好建议来自我妈妈,那时我还在图书馆里为完成一篇关于斯巴达方阵的论文而奔波:"要原创。"换句话说,分享独特的、非衍生的内容,包括AI在其他地方找不到的故事或数据。
最后一点对我们生活的时代具有特殊意义。随着AI自动化越来越多的繁重和例行活动,创造力和原创性再次受到需求的空间开放了。与其谴责商业的变化沙滩和它不可避免带来的不确定性,我们应该欣赏技术提供的机会。特别是当它允许我们为同胞提供更大价值时。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
上海交通大学研究团队发布了突破性的科学推理数据集MegaScience,包含125万高质量实例,首次从12000本大学教科书中大规模提取科学推理训练数据。该数据集显著提升了AI模型在物理、化学、生物等七个学科的推理能力,训练的模型在多项基准测试中超越官方版本,且具有更高的训练效率。研究团队完全开源了数据集、处理流程和评估系统。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。