結構化，但耗時。
聲音不直觀，用戶在確定聽之前，總是懷著一顆心不放：萬一點開了我不喜歡呢？雖然可以安慰自己，就算不喜歡也算殺時間了，但人總是想既要又要的，消磨時間也最好是玩得開心，不然又沒了時間，又沒了心情，兩手空空。
這樣的場景，AI 就成了很好的幫手。雖然聲音本身不直觀，但可以通過轉換為文字，轉換為 NLP 問題，讓大語言模型發揮自己的長處，了解內容、總結要點，直觀地呈現當中的內容，幫助用戶篩選和判斷。
實際上，只要是符合「結構化」+「耗時」的條件，就可以讓 AI 進來發揮一下。比如微信讀書也上線了 AI 問書功能，集成到平台當中。當用戶對某個概念或問題感興趣時，AI 問書可以連結到微信讀書內，相關書籍的具體內容頁，方便用戶深入閱讀和學習。這也是一種基於微信讀書自身生態的小搜索。
不過，在亞馬遜的嘗試裡，是進一步調用大模型的對話能力，做精準推薦。類似的做法，國內的播客平台小宇宙也在嘗試，推出了問問小宇宙 beta 版。
這個功能暫時沒有集成在小宇宙端側，而是一個單獨的網頁，且設計風格很獨特，模仿了古早瀏覽器網頁，起到了一種「雖然獲得了 AI 的幫助，但還是快打開播客聽吧不要再繼續上網了」的效果。
相比於結構化內容，AI 在碎片內容的挖掘和整合上會更有意義，當然也面對更多挑戰。這也是各個內容平台，先後把 AI 搜索集成到平台裡的意義。
最有代表性的是小紅書，連著推出了兩項功能。有專門的 AI 助手「達芬奇」和針對搜索的「搜搜薯」。
我們曾經做過測評，兩項功能都各有長短板，目前都還比較初步，推薦的內容不能完全採用，需要用戶跳轉到被引用的筆記，確認核實內容。共同的特點是都在盤活小紅書上豐富的筆記內容。
對於扎根於特定環境的內容生態，是傳統搜索的棘手地帶。一方面是由於生態保護，搜索引擎的「手」夠不著。另一方面，內置的搜索功能普遍不好用。例如，微博的高級搜索功能依然是基於時間、地點等基礎信息，精確程度非常有限。
這是由於社交媒體在帶來大量的內容，卻非常碎片化。這既給 AI 搜索帶去了更多發揮空間，同時也提出了更大的挑戰。
和更規則的播客、有聲書產品不同，以小紅書為例，這類社媒平台的內容形態多樣，圖片、文字、視頻、直播都有。而且這些內容本身來自於個人經驗、感受，夾雜了大量網絡梗，表情包等等——但凡上網網速速度不夠快的用戶，都未必跟得上。
當用戶在期待著更符合眼下趣味的推薦時，現有的推薦算法，通常基於長期的用戶興趣建模，需要慢慢搜集用戶的偏好、行為數據來構建畫像，更傾向於推薦用戶已經展現出來的喜好。
相比之下，AI 搜索是一個很好的著力點，通過用戶的檢索行為得到反饋。尤其是，常常上網衝浪的用戶，通常也只是朦朦朧朧地捕捉到某些熱點。
在當下，流行話語所挑起的用戶興趣，有一點，但不多，都需要進一步的了解來補足。這時候，當用戶主動走出檢索的一步，基於大語言模型的搜索就能更好地發揮作用。
搜索是一個查詢-響應的過程，而推薦是一個持續動態的過程，二者的交叉在於都有以用戶需求出發、更加個性化的目標。傳統的推薦算法一直在背負的「製造信息茧房」的包袱，或許能通過集成式的 AI 搜索，得到改善。