Kimi重新定義搜索

　　先從一次體驗經歷說起。

　　打開最新上線的Kimi探索版，你也許會發現AI搜索正在顛覆人們對搜索的傳統認知。比如想要調研一下中國科技公司的影響力，可以這樣把問題拋給Kimi：2024年《財富》中國科技50強企業中，哪些公司的總部位于北京?

　　很快，Kimi迅速檢索了今年8月發布的《財富》中國科技50強榜單，試圖找到這些中國公司中哪些出生于北京。

　　Kimi探索版的回答超出意料，在短短幾秒的回答過程中，一共檢索了270多個網頁內容，對榜單中提到的50家企業總部進行了檢索，并給出了答案:包括百度、字節跳動、京東、月之暗面在內的10家公司的總部都位于北京。

　　繼續追問Kimi探索版，《財富》中國50強企業中，哪個企業成立最晚?哪個企業成立最早?

　　要回答這個成立時間的問題，傳統方法依然需要對一個個企業查找資料進行核實，而Kimi探索版很快給出了答案：歷史最悠久的是武漢光迅科技股份有限公司，前身是1976年成立的郵電部固體器件研究所，已經有40多年的歷史，而最年輕的公司當屬月之暗面，成立于2023年。

　　把同樣的問題拋給OpenAI。

　　檢索了5個網頁之后，給出的回答是有6家科技50強企業的總部位于北京，遺漏了4家，而對成立時間早晚的問題上，則更是答對了一半，它回答50強公司中成立最早的公司是華為，而成立最晚的是月之暗面。

　　在Kimi展示的對這個復雜問題的思考過程中，分成三步，先檢索了《財富》中國50強的公司名單，然后查找50強企業的總部所在地，最終確定了答案。每一個思考過程，都有多個關鍵詞作為內容支撐，邏輯分析嚴謹。

　　在過去，Kimi一直以長文本能力而著稱，如今，Kimi探索版的能力上也開始讓人刮目相看，在處理日常任務上，Kimi更像人一樣思考和應對復雜提問了，它變被動執行搜索為自主思考和分析調研，而用戶只負責決策就可以。

　　未來的大模型搜索會進化成什么樣？這可能是影響很多人生活的重要部分，如今Kimi率先給出了自己的范式。

　　搜得更多，答得才更明白

　　過去，要解決復雜的問題，檢索一次往往是不夠的，因為互聯網里有海量的信息量，而每個人的問題往往又是獨特的，要實現精準匹配，必然要多次搜索才能達到目的。

　　對于金融市場的觀察者來說尤其如此，在不斷變化的投資市場環境中，每時每刻的交易環境都是不一樣的，這就產生了無數復雜的特定場景，但開啟探索版后，Kimi會拆解復雜問題，做更深入的搜索和調研分析，你會發現了一個更大的世界。

　　比如，通過復盤對比今年春節后*交易日的歷史信息，和9月最后一個交易日的信息，Kimi直接測算出投資比亞迪的收益率遠高于投資黃金。

　　Kimi探索版是如何聰明的做到這一點的?最直接的原因，就是它搜得比其他大模型產品更多，通過拆解復雜問題，把問題拆解成幾十個關鍵詞，進而自動閱讀幾百個網頁，窮盡海量的權威信息源。

　　跟《財富》中國科技50強榜單的問題閱讀了270個網頁一樣，同時給 Kimi和其他大模型產品進行深入搜索一個信息量更大的問題：「OpenAI公司最近發生了什么變化?變化的原因是什么?蘋果公司為什么停止投資它?」Kimi分別就這三個連續的問題進行了檢索和思考，在短時間內閱讀了135個網頁后做出回答，而同類的大模型產品閱讀的網頁數量是12個，搜索的數量級相差十倍。

　　但搜的越多，就代表回答的質量更高了嗎?更深層的原因，還要算 Kimi探索版開始模擬人類的思考方式了。

　　比如，當用戶在Kimi探索版上進行用中文檢索，而Kimi判斷英文內容可以有更好的結果，就自動切換成英文關鍵詞進行檢索，進而生成質量更高的答案，自動規劃能力這一點，很多同類AI搜索產品都做不到。

　　比如通過Kimi探索版提問：「UCLA的人形機器人課題組，2023年有哪些新畢業的博士?」這個答案顯然是英文資料更豐富也更權威，于是Kimi探索版自動切換到英文信息中，自動對這個復雜的問題進行拆解，進而給出了7位相關人才的名單，他們中間不少人已經成為人工智能行業的精英人才。

　　具身人工智能是將人工智能融入到物理實體中的重要方式，而人形機器人是具身人工智能的一種重要表現形式和應用載體，在這個趨勢中，UCLA(加利福尼亞大學洛杉磯分校)人形機器人課題組在人工智能行業處于較高的水平。

　　這個問題都答案和投資收益對比的回答一樣，Kimi可以拆解用戶的長難提問、自己規劃解答思路，并分步驟執行，這展現出了更強的邏輯分析能力。而且這種推理思考過程的結果，非常清晰明了，不再需要用戶手動搜索各種信息然后導入 Excel，通過邏輯和分析，Kimi可以直接給出計算結果。

　　國內其他家大模型廠商也推出過深度搜索功能，但相比較而言，Kimi 的深度搜索搜得更多，回答得更簡明扼要，同時具有結構化的特點，這就意味著用戶不需要花費大量時間去梳理和理解答案。

　　此前，Kimi在長文本處理能力上保持*，而現在探索版在搜索數量和質量上的飛躍，讓模型輸出了更全面、更準確的結果。滿足用戶基本需求是AI過去的任務，而給用戶超出預想需求的高質量答案，可能就是AI不斷進化的方向之一。

　　顛覆AI搜索的不只是技術

　　在PC電腦上打開搜索引擎，輸入關鍵詞，跳出無數條信息，這是過去人們在工作中的常見方式。但對內容有要求的人如何搜索?

　　過去最常見的方式，就是在搜索引擎中手動打開高級搜索功能，并自定義設置各種關鍵詞、檢索時間范圍和檢索某個網站等，方便查找到更精確的信息內容，但這也意味著找到專業內容需要的時間更久。

　　AI時代的搜索會怎么做?打開大模型對話框，輸入一個完整的問題，大模型會自動給你生成一個完整回答。但對復雜的問題呢?

　　要想讓大模型回答的更精準，就需要將一個復雜問題變成多個簡單問題，我們需要仔細的問，再分別借助AI獲取信息和知識，最終輔助決策，問得越仔細，往往回答就越準確。

　　也就是說，精準的搜索對用戶來說永遠都有價值，技術的進化帶來的進步之一，就是用戶與AI之間可以進行一種直觀而精準的雙向對話，再也沒有了過去搜索廣告的煩惱。

　　事實上，從縱向的時間發展角度看，大模型給AI搜索帶來的變化是肉眼可見的直觀，而從橫向的競爭角度看，大模型給搜索帶來的變革還遠沒有停止， Kimi探索版把AI搜索帶入了新階段，率先顛覆了傳統搜索無法像人一樣思考。

　　Kimi探索版中還有一個重要的進步，就是Kimi回答結束時，如果 Kimi認為自己的搜索結果還可以更全面、更有價值，會進行反思和補充，這意味Kimi可以思考自己的回答質量、自我修正、自我迭代，這就很像人對思考方式，因為人類能夠自我反思和提升。

　　比如，把「清朝天地會起源的時間和地點」這一有歷史爭議的話題拋給Kimi，它的回答會先寫明「康熙十三年」和「乾隆二十六年」這兩個史學主流觀點，地點都位于福建漳州，但這一問題在史學界仍有歷史爭議，所以Kimi最后的回答中還是給出了另外的參考答案，分別是「雍正十二年」和「乾隆三十二年」。

　　兼聽則明，復雜的問題往往意味著不止一種答案，尤其是連特定的專家學者們都無法明確答案的時候，更豐富的答案才能給人更科學的決策空間。

　　再比如對「黑悟空今年最終銷售數據是多少」這一未知問題的預測性回答，Kimi探索版在窮盡海量的權威信息源之后，給出3000萬 -4000萬份之間的回答，然后又做了反思，把Steam平臺好評率等一系列關鍵信息作為了補充，這都幫助用戶做出更科學的判斷。

　　究其本質，Kimi探索版更像人一樣的反思回答，一方面意味著回答得不夠全面，需要做出補充，另外一方面則證明，初答結果和其他結果有沖突，需要給用戶另外一個角度信息作為參考。

　　寫在最后

　　回到今天的主題。

　　之所以說Kimi探索版顛覆了搜索，就在于它一方面抬高了AI搜索的上限，窮盡海量的權威信息源和即時反思補充結果，意味著Kimi搜不到的，人工搜索或其他產品也搜不到。

　　而另外一方面是降低了AI搜索的門檻，把找到專業內容的搜索時間和難度降低了，通過像人類思考一樣自動規劃回答策略，AI開始逐步輔助我們解決復雜的搜索和調研問題，幫助用戶獲得更準確的答案。

　　AI適應的場景很多，它可以化身老師、健身教練或是程序員，總之它是提升生產力的全能助手，可以完成不同特定場景下的日常工作任務。尤其是對知識工作者和大學生們來說，Kimi無疑將成為一個更好用的調研和生產力工具。

　　根據 Similarweb 數據，從今年以來，在代表生產力的PC網頁端，Kimi的月訪問量從140多萬增長到2400多萬，增長了16.7倍。目前 Kimi的PC網頁版，也是國內AI助手產品中*月訪問量穩定超過 2000萬。

　　縱觀大模型公司的發展，模型能力的強弱，使用價格的高低，模型落地的簡易與否，這三個維度已經成為大模型廠商們在各自差異化的進階之路上的賽點。尤其是落地的可靠程度，意味著是否能夠為大多數用戶所使用，以及能否為大多數用戶帶來更好的使用習慣和更高的頻次。

　　因為真正顛覆AI搜索的，不只是AI技術本身，而是AI技術不斷滿足人們日益進化的實際需求。

　　隨著Kimi探索版帶來的AI搜索能力，Kimi的智商、邏輯分析能力進一步上升，更多生活中常見的問題都將獲得更可靠和簡易的回答，這讓Kimi在長本文能力之后，進一步擴大了自己的差異化能力;但是，要進化成智能體走向更多人的廣闊生活，還有一段很長的路要走。

　　序幕已然拉開。