结构化，但耗时。
声音不直观，用户在确定听之前，总是心存疑虑：万一点开后不喜欢呢？虽然可以安慰自己，即使不喜欢也算是打发时间了，但人总是贪心的，希望消磨时间的同时也能玩得开心，否则既浪费了时间，又影响了心情，两手空空。
在这种情况下，AI就成了很好的助手。虽然声音本身不直观，但可以通过转换为文字，转化为NLP问题，让大语言模型发挥其优势，理解内容、总结要点，直观地呈现其中的内容，帮助用户筛选和判断。
实际上，只要符合"结构化"和"耗时"的条件，就可以让AI发挥作用。例如，微信读书也推出了AI问书功能，集成到平台中。当用户对某个概念或问题感兴趣时，AI问书可以链接到微信读书内相关书籍的具体内容页，方便用户深入阅读和学习。这也是一种基于微信读书自身生态的小型搜索。
然而，在亚马逊的尝试中，是进一步利用大模型的对话能力，进行精准推荐。国内的播客平台小宇宙也在尝试类似的做法，推出了问问小宇宙beta版。
这个功能目前没有集成在小宇宙客户端，而是一个独立的网页，设计风格非常独特，模仿了早期浏览器网页，给人一种"虽然获得了AI的帮助，但还是快打开播客听吧，不要再继续上网了"的感觉。
相比于结构化内容，AI在碎片内容的挖掘和整合上会更有意义，当然也面临更多挑战。这也是各个内容平台陆续将AI搜索集成到平台中的意义所在。
最具代表性的是小红书，连续推出了两项功能。有专门的AI助手"达芬奇"和针对搜索的"搜搜薯"。
我们曾经做过测评，两项功能都各有优缺点，目前都还比较初步，推荐的内容不能完全采用，需要用户跳转到被引用的笔记，确认核实内容。共同的特点是都在盘活小红书上丰富的笔记内容。
对于扎根于特定环境的内容生态，是传统搜索的难题。一方面是由于生态保护，搜索引擎无法触及。另一方面，内置的搜索功能普遍不好用。例如，微博的高级搜索功能仍然基于时间、地点等基础信息，精确程度非常有限。
这是由于社交媒体带来了大量内容，却非常碎片化。这既为AI搜索提供了更多发挥空间，同时也提出了更大的挑战。
与更规范的播客、有声书产品不同，以小红书为例，这类社交媒体平台的内容形式多样，包括图片、文字、视频、直播等。而且这些内容本身来自个人经验、感受，夹杂了大量网络梗、表情包等——网速不够快的用户可能都跟不上节奏。
当用户期待更符合当前趣味的推荐时，现有的推荐算法通常基于长期的用户兴趣建模，需要慢慢收集用户的偏好、行为数据来构建画像，更倾向于推荐用户已经表现出的喜好。
相比之下，AI搜索是一个很好的切入点，可以通过用户的检索行为获得反馈。特别是，经常上网冲浪的用户通常只是模糊地捕捉到某些热点。
在当前，流行话题引发的用户兴趣可能只有一点，但不多，都需要进一步了解来补充。这时，当用户主动进行检索时，基于大语言模型的搜索就能更好地发挥作用。
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，两者的交叉点在于都以用户需求为出发点，追求更加个性化的目标。传统推荐算法一直背负的"制造信息茧房"的包袱，或许能通过集成式的AI搜索得到改善。