全世界都在做这件事 AI 搜索，亚马逊这一新功能卷入了不同的方向。

在各厂商推出自己的产品 AI 搜索产品，并且迫不及待地要卷起来，有人往往会搜索。「小」了做。

亚马逊为自己的两个有声内容业务，全部安装内置。 AI 搜索，播客和有声书籍。在这些音乐中，播客是亚马逊音乐的一部分。

亚马逊音乐于星期二推出。 AI 的「主题」搜索功能由人工智能分析播客内容来决定。但是，这个功能需要与人工推荐相匹配。主题确认后，由人工编辑到播客主界面。

此外一项 AI 其功能在其旗下是有声书商品。 Audible 的「推荐管家 Maven」，该功能正处于内部测试阶段，客户可以跟随。 Maven 使用自然语言进行对话，从而得到有针对性的推荐。Audible 收录了近百万本有声书，超过了 4 万部由 AI 有声读物配音。

除亚马逊外，Reddit 还表示自己正在计划推出计划 AI 搜索，可以从自己丰富的论坛内容中，为用户提供更精确的推荐，提高用户活跃度。

亚马逊不仅拥有内容，而且拥有强大的技术基础——这些新功能的技术支持是 AWS 亚马逊网络服务。生成式训练 AI 模型，亚马逊构建了最新的低延迟、大规模的网络。 UltraCluster 2.0 支持超出 20,000 个 GPU，延迟减少了 25%。

此外，亚马逊还拥有自己的芯片，其中包括 AWS Trainium 和 AWS Inferentia，和其他类似的训练提升型 Amazon EC2 案例相比，AWS Trainium 旨在加速 ML 模型训练速度和降低高达 50% 的成本。

LLM 模型制造商争先恐后地开发自己的模型 AI 搜索，扩大搜索引擎半径，覆盖更多内容，不惜与外部内容平台建立合作关系。这些资源丰富的内容平台和社区正在使用大模型来整合自己的平台「小」搜索。

播客、有声书等内容有两个特点：结构化，但耗时。

声音不直观。在确定听之前，用户总是带着一颗心:如果我不喜欢打开它呢？虽然你可以安慰自己，即使你不喜欢它，它也会杀死时间，但人们总是想既要又要，所以最好在消磨时间的时候玩得开心，否则你会失去时间，失去情绪，失去双手。

这种场景， AI 成了好帮手。虽然声音本身并不直观，但是可以转换成文字，转换成文字。 NLP 提问，让大语言模型充分发挥自身优势，理解内容，总结要点，直观地呈现内容，帮助用户选择和判断。

实际上，只要是一致的「结构化」 「耗时」条件，可以让 AI 进去玩玩吧。比如微信阅读也上线了。 AI 提问功能，集成到平台中。如果顾客对某个概念或问题感兴趣，AI 问书可以链接到微信阅读中相关书籍的具体内容页面，方便用户深入阅读和学习。这也是一个基于微信阅读生态的小搜索。

左： 默认结果，右：AI 问书

然而，在亚马逊的尝试中，我们进一步调用了大模型的对话能力，并做出了准确的推荐。类似的做法，国内播客平台小宇宙也在尝试，推出了问小宇宙。 beta 版。

这个功能暂时不集成在小宇宙的一侧，而是一个独立的网页，设计风格独特。它模仿了古代浏览器网页，发挥了作用。「尽管获得了 AI 支持，不过快打开播客听听吧，不要再继续上网了。」的效果。

与结构化内容相比，AI 挖掘和整合碎片内容会更有意义，当然也会面临更多的挑战。这也是每一个内容平台，一个接一个 AI 在平台上搜索集成的意义。

最具代表性的是小红书，它连续推出了两个功能。还有特别的 AI 助手「达芬奇」以及针对搜索的「搜搜薯」。

我们已经做到了 评价方面，两个功能各有长处和短处，目前还比较初步。推荐内容不能完全选择，用户需要跳转到被引用的笔记，以确定验证内容。共同的特点是在小红书中盘活丰富的笔记内容。

内容生态是一般搜索的棘手区域，根植于特定环境。一方面是因为生态保护，搜索引擎「手」够不着。另一方面，内置搜索功能一般不容易使用。比如微博的高级搜索功能还是基于时间、地点等基本信息，准确度非常有限。

因为社交媒体带来了大量的内容，但是非常碎片化。。这既给 AI 在提出更大挑战的同时，搜索带来了更多的发挥空间。

与更规则的播客和有声书产品不同，以小红书为例。这个社交媒体平台有各种各样的内容形式，包括照片、文字、视频和直播。而且这些内容本身来源于个人经验和感受，夹杂着大量的网络梗、表情图等。——但是任何网速不够快的用户都可能跟不上。

达芬奇仍然无法理解网络用词。

当用户期待更有趣的推荐时，现有的推荐系统一般都是基于用户的长期兴趣进行建模，需要慢慢收集用户的喜好和行为数据来构建画像，更倾向于推荐用户已经表现出来的爱好。

相比之下，AI 通过用户的搜索行为获得反馈，搜索是一个很好的发力点。 尤其是，经常上网冲浪的用户，一般也只是模模糊糊地捕捉到一些热点。

目前流行语引起的用户兴趣，有一点，但不多，都需要进一步的了解来补充。 此时，当用户主动走出搜索步骤，基于大语言模型的搜索就可以充分发挥作用。

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。两者的交叉在于，他们都有一个基于用户需求的更个性化目标。传统的推荐系统一直在承担「制作信息茧房」包袱，或许可以通过集成来实现。 AI 搜索，改进。

本文来自微信微信官方账号“APPSO”，作者：Selina，36氪经授权发布。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com