非共识解读：大模型应用2C方向怎么做更有价值？（硬广）

作为AI 2.0 时代的产品人，工作之余总会关注一些当下热门或新兴的AI应用，并思考其背后的用户场景和产品策略。这两天有朋友聊到“问答引擎 Perplexity AI 在C端崛起的背后逻辑”。这引起了作者的思考：在国内，Perplexity AI 所依托的大模型搜索能力的2C应用怎么落地更有价值？

本篇小编将针对这一问题进行一系列的思考阐述，欢迎感兴趣的朋友与小编进行讨论。

问答引擎之 Perplexity AI：

Perplexity AI 问答引擎解决了用户什么需求？
Perplexity AI 问答引擎的商业模式是什么？
Perplexity AI 问答引擎是否有望平替传统搜索引擎？

问答引擎之国内竞品：

天工AI搜索较 Perplexity AI 有哪些不同？
天工AI搜索在国内定位是问答搜索引擎吗？
天工AI搜索在国内2C场景的生存空间在哪？

01 问答引擎（海外）：Perplexity AI

由于 Perplexity AI 目前是明星级AI产品，网络上有很多大佬已经对其产品介绍、场景特点等方向进行了深度分析，小编就不在此班门弄斧了。有兴趣的朋友，可以自行查找。

1. Perplexity AI 问答引擎解决了用户什么需求？

作为产品人，在进行产品方案设计时的第一步就是要搞清楚，产品解决方案是给谁用的。因此本文的第一个思考点就从这个问题开始。

Perplexity AI 的主要产品功能，小编总结如下：

对话式问答：Perplexity AI 依托于LLM能力，通过对用户问题的语义理解，实时搜索相关文献，总结答案并显示引用来源。较传统搜索引擎的列表式回答交互，更加便捷。
搜索助手：Perplexity AI 的 Copilot功能，可在用户提问后，通过问题理解后的子标签推荐，帮助用户更好的定位问题的关键词，进一步提高回答的准确性。
垂类精搜：搜索时可选择学术、写作、YouTube等垂类领域，进行定向搜索。
链接分享：用户可以将每次搜索会话的链接分享给他人，如果这次搜索会话仍在继续，所有被分享的人也将可以同步看到。

从功能总结以及小编的使用体验后，小编分析的主要用户场景：

知识获取：Perplexity AI可以帮助用户更高效的获取知识点，无论是具体的事物还是抽象的概念，都可以通过Perplexity AI进行搜索，但仅限于有行业共识或相当标准化的知识点问答。
辅助写作：对于学生或者科研人员来说，Perplexity AI 可帮助其在写作时，对参考文献及知识进行快速的解答，提高写作效率。

看到这里，已经对 Perplexity AI 有过了解的朋友，可能会有两个疑问：

为什么是仅限于有行业共识或相对标准化的知识点问答？
Perplexity AI 的 Copilot功能可以帮助用户在生活及购物方向通过垂搜进行辅助决策，为什么小编没有提到？

对于这第一个疑问，小编先举个例子方便大家理解：

我想转行AI 2.0 产品经理，我需要懂什么？
我想转行AI 2.0 产品经理，有什么推荐的课程或分享吗？

对于第一个问题，行业内有一个相对通用的评定标准，比如要懂大模型特点及边界、要懂如何定义数据集、不同的应用赛道要懂其业务场景和用户需求等。这个问题我们用 Perplexity AI 可以得到一个相对靠谱的答案。

对于第二个问题，行业内目前是没有一个有共识的答案。Perplexity AI 在目前的回答策略下将无法给出我们一个靠谱答案。你可能会说“我可以通过不断的提问，让Perplexity 回答出我想要的答案呀。”那此时小编想说：你有这时间，用B站、小红书、微信公众号也已经搜到了，哪怕是百度都有很多参考答案。

基于以上的案例，小编得到的结论是：基于用户搜索成本考量，Perplexity AI 目前能提供的问答搜索场景的边界是仅限于有行业共识或相对标准化的知识点问答。

对于第二个疑问：为什么小编认为 Perplexity AI 无法帮助用户在生活及购物方向通过垂搜提高辅助决策？小编也通过举个例子方便大家理解：

元旦在北京，有哪些可以跨年的地方？
我想买个Windows笔记本用于AI绘画，你有什么推荐？

对于这两个问题，小编的问题出发点是“元旦跨年，在北京，我想找个攻略，或者看看别人的建议。” 和“我想买个用于AI绘画的笔记本，现在市面上哪个款式性价比高，用户评价好。”这又回到了第一个结论。在我们对某一个需要付出一定量级的试错成本时，我们需要的信息分为标准信息和参考信息。

目前的 Perplexity AI 由于其数据源获取和回答策略的限定，它只能回答我的标准信息，如景点特点、笔记本参配等。它无法回答我“高赞的跨年攻略是什么”“哪个笔记本的用户评价好”。因此基于以上的思考分析，小编得到的结论是：基于用户试错成本考量，Perplexity AI 目前尚不具备通过垂搜能力为用户提供行动辅助决策的能力。

那么基于这样的思考路径，又出现了两个问题：

问答引擎是否在解决了数据源获取，优化了回答策略后，就可以回答我这个问题了呢？
为什么 Perplexity AI 在当前阶段要进行在生活及购物方向进行垂搜探索？

第一个问题中提到的数据源获取，这是一件门槛极高的事情，对于各垂类领域的企业内容数据是其企业的核心竞争力之一。而公域的数据源又没办法解决用户千人千面的需求。那有没有什么间接的解决方案，小编是有一个思路的，这一点小编先卖个关子，在第三章中会给出答案。

回答策略优化这件事，在小编看是一个搜索效率和答案丰富度之间的平衡。如何即可以保证答案的聚焦性（页面简洁、无硬广、无不相关信息）又要给出足够量级的参考建议（非标答案）。这个小编才疏学浅，目前没想到什么好的方式。第二个问题，在小编看来是Perplexity AI 当前的商业模式并不足以支撑其庞大的用户增长而导致的不得不进行更多场景的可行性探索。

2. Perplexity AI 问答引擎的商业模式是什么？

了解 Perplexity AI 的朋友都知道，当前的Perplexity AI 的C端商业模式较为简单，即：订阅制。新用户可以免费使用 Perplexity AI ，如想无限次使用Perplexity AI 的 Copilot 功能及一些高级功能，需每月支付20美元。

众所周知，像 Perplexity AI 这类依托LLM能力的应用，其最大的边际成本来自于大模型的计算消耗（算力）。由于 Perplexity AI 提供的是“免费付费”的模式，少量的付费用户所带来的经济价值更多用于平衡免费用户的算力消耗。因此 Perplexity AI 当前的变现能力并不足支撑其成长到现象级应用的阶段。Perplexity AI 作为问答搜索引擎，其目前尝试的商业模式探索方向，小编理解是借鉴于传统搜索引擎的商业模式，即供需撮合模式。

图片引用：中金研究

通过中金大佬的分享，大家可以快速的理解传统搜索引擎的供需撮合模式。小编就不在此赘述了。

由于大模型的推理过程存在不可解释性的缺陷，如果想通过人工方式干预其结果，小编猜测目前仅有两类策略。

输入侧：在垂类营销领域，如汽车、旅游等，对数据源内容进行软广偏向的重写。

优势：在于输出结果时，对用户并无明显的硬广感知。
劣势：数据源重写成本巨大，短期内无法实现。

输出侧：同样在垂类营销领域，如汽车、房产等，对输出结果通过图谱方式进行硬广挂载。

优势：与传统搜索引擎当下推广呈现方式非常雷同，实现成本低。
劣势：这类呈现方式对用户体验损坏较高。

小编判断，当下的 Perplexity AI 基于实现成本考量，可能的方式是主输出侧，次输入侧。但在未来，为了保证 Perplexity AI 本身的产品调性（精准、简洁），及用户习惯的变迁。将会逐步变为主输入侧，次输出侧的方式。

为什么小编会有这样的判断？大家可以思考一下，为什么抖音、小红书的内容营销在当下更容易被用户所接受。

3. Perplexity AI 问答引擎是否有望平替传统搜索引擎？

在上文的两个小结中，小编已经分享了两条对 Perplexity AI 当前局限性的理解：

基于用户试错成本考量，Perplexity AI 目前尚不具备通过垂搜能力为用户提供行动辅助决策的能力。
基于用户搜索成本考量，Perplexity AI 目前能提供的问答搜索的场景边界是仅限于有行业共识或相对标准化的知识点问答。

在这一节，小编将从另一个维度来思考，即：用户意图。

如何理解小编所说的“用户意图”呢？小编还是先说个例子：小编作为一个产品类知识分享博主：

小编想看看个人品牌在公域影响力怎么办？小编直接在百度搜索“杨三季”。
小编想看看某篇文章在公域中被转载到哪里了？小编直接在百度搜索“这篇文章的标题”。

以上两个问题，如果使用 Perplexity AI 的结果是，第一个问题答案是总结了“杨三季”这个博主信息。第二个问题答案是无法回答。

可能这里又有朋友说“你这个问题太小众了，不具有代表性。” 那换个大众热点“董宇辉事件”， Perplexity AI 的结果依然是无法回答。用户意图在小编看来，分为两类：

精准需求：用户有一个明确的问题点，希望搜索引擎给出一个明确的答案。
模糊需求：用户有一个明确的问题方向，希望搜索引擎给出一个全面的答案集。

而 Perplexity AI 这类基于LLM能力的问答引擎对于“精准需求”的回答能力是高效的，但对于“模糊需求”的回答能力远不如传统搜索引擎高效。

虽然 Perplexity AI 可以通过多轮交互得到一个用户想要的答案，但我既然能一步到位，我为什么要费时费力的问好几遍呢？

因此小编的思考后认为：

Perplexity AI 在垂搜领域下，在克服一些卡点后，有望平替传统搜索引擎。
Perplexity AI 在大搜领域下，基于用户场景，如不能跟传统搜索引擎结合，并不能平替搜索引擎。

关于以上观点，也有可能是小编见识浅薄，管中窥豹。欢迎有不同观点的行业大佬指正与交流。

02 问答引擎（国内）：天工AI搜索

聊完国外的问答搜索引擎，接下来咱们聊聊国内的，国内目前的依托于LLM能力，提供问答能力的产品蛮多的，比如文心一言，百川大模型，天工AI，讯飞星火，通义千问，月之暗面等。目前与 Perplexity AI 产品形态最为相似的是 “天工AI搜索”。小编也将基于“天工AI搜索” 这个产品来聊聊关于“在极具特色的国内C端市场中，AI搜索引擎应如何定位和发展”的思考和认知。

PS：小编要强调的一点是，关于天工AI的思考分析，仅限于天工AI面向C端市场的产品（天工AI助手）思考，并不涉及其在B端市场商业布局的思考。

1. 天工AI搜索较 Perplexity AI 有哪些不同？

跟 Perplexity AI 一样，“天工AI搜索” 网上也已有很多大佬对其产品特点等进行了深度分析，小编就不在此赘述了。小编本节主要聊一下天工AI搜索跟Perplexity AI 的功能差异性，并以此来推测天工AI搜索在国内市场的定位和方向。

通过上图，可以清晰的发现“天工AI搜索”较“Perplexity AI”在产品模块上增加了“AI对话、AI阅读、AI创作、搜索人设、热点推荐以及移动端APP”这几个功能模块。

下面小编将基于“天工AI搜索”新增的这几个功能模块做简单的功能介绍和场景分析。

通过上图，可以清晰的发现“天工AI搜索”较“Perplexity AI”在产品模块上增加了“AI阅读、AI对话、AI创作、搜索人设、热点推荐以及移动端APP”这几个功能模块。

PS：因为天工的AI搜索能力在其各个功能模块都被应用，因此小编将对这些功能模块进行分析。

1.1 功能分析：AI阅读

小编认为，天工AI的AI阅读这个模块所定位的用户场景是“信息区分”的场景。怎么理解这句话呢？小编来举个场景例子：

我们每天都会在不同的渠道（微信公号、36氪、虎嗅、知识星球等）看到很多文章，但由于时间、惰性、缺乏工具等问题，就会出现：

有时候只能简单看一下 → 收藏 → 有时间再看 → 根本想不起有这事 / 收藏太多，是哪个来着；
有时候认真看过后 → 收藏 → 有时间再写个笔记 → 根本没时间写；
有时候看着看着突然想到一个启发 → 收藏 → 一会把这个idea记下来 → 完了那个idea是啥来着；

在我们每天获取的大量信息后，我们需要区分出哪些信息是对自身有价值的。而AI阅读可以快速的帮我完成数据整理，通过输出“AI摘要”的方式，让我们快速分辨哪些信息是有价值的，哪些信息是与我无关的。天工的AI阅读对应的用户场景，小编认为是非常刚需的，但天工的AI阅读这个产品方案，不管从横向面（基于信息区分的前一步或后一步场景）还是纵向面（信息区分这一步的用户体验），做的都很一般，更像是一个Demo。

可能有朋友会问横向或纵向，小编认为天工的AI阅读哪里做的不如意？

就基于小编展示的AI阅读功能的这张截图，先简单说几点“信息区分”这个单点的用户体验吧：

AI摘要部分，摘要出的第一条和倒数第二条是重复的。那小编想问，这样情况的托底方案是什么？我作为用户，肉眼可见的问题出现时，我如何反馈？点那个“差评小手”吗？然后，等待你们输出一个正确的结果给我吗？
AI摘要部分，显示的那个索引1~5，点击后，左侧的原文会进行跳转，但你跳转后原文锚点是哪句话呢？你让我从哪开始看？
你的提问模块，答案输出的来源是什么？你到底是基于原文内容的搜索，还是全网的搜索？如果是全网搜索，它放在这里是解决我什么问题呢？用户场景是什么？

就先说这么几个显而易见的问题吧，如果被天工的同学看到可能会说“ you can you up！nocanno bb！”。小编就简单说一下如果我来做这个模块，可能会怎么做：

刚才小编提到“AI阅读”针对“信息区分”是一个解决方案，但反过来“信息区分”的解决方案是“AI阅读”吗？这个小编认为不精准，“信息区分”用户追求的是快速获取有价值的信息。“AI阅读”可以分为“AI精读”和“AI速读”。“信息区分”对标场景应该“AI速读”。

AI速读：对于获取的大量文章信息进行快速区分，判断哪些是有价值的，值得精读的。
AI精读：对已判断为精读的文章内容，进行细读，知识点查阅，笔记记录。

基于这样的思路，AI阅读页面，顶部可分为两个页签：AI速读，AI精读；

1.1.1 AI速读

从左至右，进行三个纵向模块区分（文章列表、AI摘要、AI问答）；

文章列表：

标题名称全量展现、文章头图、文章引言展现，通过列表信息对文章信息快速了解。
标题名称全量展现、文章头图、文章引言展现，通过列表信息对文章信息快速了解。
已读/未读：通过功能快速的区分当下要处理的信息。
标星/未标星（置顶/未置顶）：通过功能快速的打标区分哪些要精读的信息。
删除：这个功能很通用，但在“信息区分”这个场景下，是低优先功能。大家可以设想一下，你会进行“收藏”行为的微信文章，哪怕这篇文章当下对你没价值，但你什么场景下会删除呢，频率多高呢？

AI摘要：

这一部分如果定位在AI速读的场景中，其实索引并不是高优需求，而是对内容的总结维度。比如一句话概括的能力，文章的内容关键词；
在AI速读部分，用户不太会关注原文内容，因此AI摘要的效果反馈可不加。
在AI速读部分，分享这个功能其实相对更重要。场景“我看到一篇内容，通过概要发现这篇内容还不错，我身边XXX可能需要，我可以将这个摘要分享给他~”

AI问答：

在AI速读阶段的场景“我看到摘要后，我可能会对这摘要中的某段信息感兴趣，那我这里想知道的是，关于摘要中提到的信息，原文中是如何阐述的。”因此AI问答在这个场景中，针对的搜索范围应该是对应的文章，而不是全域搜索。

1.1.2 AI精读

模块，从左至右，进行三个纵向模块区分（原文展现、AI导读、AI搜索），列表收起；

原文展现：

内容不可以编辑，但支持划线，这个点可以参考“微信读书”；
划线后的操作项：纯划线、写思考、关联导读大纲、分享、AI搜索；

AI导读：

一句话概述，关键词标签，文章脉络梳理（显示索引）；
以上内容支持编辑，当用户完成编辑并跳出这个页面时，将编辑的数据当做这个功能的badcase传给算法侧。进行优化。

AI搜索：

帮助用户对文章内陌生信息进行全域搜索，提高用户的阅读理解能力；

说完基于“AI阅读”的单点优化（纵向），小编也简单说一下基于“信息区分”的前后场景（横向）的建议吧。

1.1.3 向前一步场景

首先看一下用户对应感兴趣的文章的收藏流程：

常规用户流程：“使用手机 → 各种垂类信息平台（微信公号、36氪、虎嗅等APP）中看到好文 → APP收藏（小编是APP分享 → 微信的文件传输助手）”；
天工AI阅读的用户流程：“使用手机 → 各种垂类信息平台中看到好文 → 复制链接 → 跳出当前APP → 找到天工APP → 打开AI阅读 → 粘贴链接”。

用户的使用多了4个补助，用户成本高了很多，这里可以借鉴一下“印象笔记的AI阅读”或“知了阅读”的逻辑。即：“使用手机 → 各种垂类信息平台中看到好文 → APP分享 → 微信的AI阅读的公众号/服务号/企微机器人”；

1.1.4 向后一步的场景

从用户场景链路来看，小编聚焦一下用户画像：

对信息或知识有明确需求；
对互联网接受程度较高；
希望通过AI阅读的能力提高信息获取的效率。

换句话说，AI阅读最先触达的用户群体可能是互联网从业者和大学生群体。

那对于这类用户，当完成“信息区分”后，下一步可能就是“知识总结”了。那“知识总结”该怎么做？

通过知识图谱，将用户完成AI阅读后文章内容，进行同类型（颗粒度可从文章 → 章节 → 段落）信息点关联，完成用户的个人知识库的建设。
既然天工AI提供AI创作模块，那用户完成AI阅读后的文章数据是否可以作为AI创作中的文本素材库呢？将AI阅读的数据与AI创作的数据连接起来。

关于AI阅读这个功能，由于要控制篇幅，小编就先说这些吧（有点跑题了~~~）。

1.2 功能分析：AI创作

说到“AI创作”，小编有点没搞清楚这个页面对标的用户场景中，到底是内容创作为主，还是AI创作为主。

如果是内容创作为主，那页面主视图为什么是AI模块？
如果是AI创作为主，那现在AI创作的生成能力能完成像上图案例这样的深度分析内容吗？

另一个让小编疑惑的问题是“AI创作中的聊天创作模块”和“AI对话中的助手中心的助手类型”重合度很高。如果硬要区分，那可能AI创作面向的是长文创作，AI对话面向的是短文创作？

如果要让小编给点建议：

AI创作的布局可以参照notionAI或者印象笔记进行调整，主文本创作模块，AI能力放在右侧（可收起）。
对于不同的模版内容方向，要结合场景痛点针对性输出，不要拿大模型能力直接堆砌功能。比如：分析类/报告类模版，用户痛点更多是不知道如何列大纲，整理主题脉络。会议纪要类/日报周报类模板，用户痛点更多是如何将口语化/零散内容提取总结并关键词等。
对于AI输出的内容，整篇添加的可能性大，还是摘取部分内容添加的可能性大？

“AI对话、热点推荐、搜索人设等功能”小编就暂不展开聊了，只能说功能堆砌挺多，但有一种仅是为了做而做，而非为了解决用户痛点而做的感受。

2. 天工AI搜索在国内定位是问答搜索引擎吗？

通过以上的功能介绍及场景分析，其实不难发现，“天工AI搜索”与“Perplexity AI”的产品定位并不相通。

Perplexity AI：定位于知识问答场景，产品形态以问答搜索引擎为主，致力于深耕搜索引擎的回答效率及更多的场景覆盖。
天工AI搜索：定义于知识学习及办公创作场景，产品形态以知识搜集、整理、创作等工具矩阵为主，致力于提高用户在知识学习及办公创作的效率。

可以说，“Perplexity AI”是基于知识问答这个单点进行纵向能力深耕，而“天工 AI”是基于知识问答这个点进行横向链路的打通。

为什么这两个产品的切入点相同，但产品路径截然不同呢？小编认为可以从文化差异、市场环境、商业模式，这三个方面来进行思考：

文化差异：国内在某些前沿领域的技术研究仍与海外存在一定差距。（好吧，小编自认对学术科研没太多了解~）。但从小编观察到的现象看，周围的技术同学在做技术调研时，基本都是梯子到海外看文献。从这个点也可以判断出：海外的学术问答引擎相较于国内更有痛点。
市场环境：国内的C端用户的付费意愿较弱，工具型产品的特点是使用频次不高、使用时间短，用户忠诚度低，产品可替代性强，流失率高，并且门槛低，难以形成壁垒。因此在国内“天工AI搜索”无法按“Perplexity AI”的商业模式进行变现。
商业模式：由于市场环境的国内外差异性，仅满足单点需求的工具型产品很难进行良性的商业变现，因此“天工AI搜索”的方向，从问答场景中拆分出技能学习和办公创作两个细分领域，并在这两个领域中通过产品矩阵满足用户的更多的痛点需求，以期望提高用户的留存，通过用户数据优化其大模型输出效果，从中进行变现能力的可行性探索。

因此“天工AI搜索”在国内的C端产品定位并不是问答搜索引擎，而是知识学习&办公提效平台。

3. 天工AI搜索在国内C端市场的生存空间在哪？

按照SimilarWeb的监测数据，7月份OpenAI的网站访问量15亿，平均每个用户访问时间是4分钟22秒。有42.24%的用户只访问OpenAI的一个页面，平均每个用户访问4.36个页面，那么可以这样估算，假设ChatGPT Plus用户也是平均访问4.36个页面，那么付费用户的比例约200万*4.36/15亿，也就是约千分之5.8的用户是付费用户。那么，简单的估算就是ChatGPT的付费订阅比例约0.58%左右。也就是说1000个人中可能有6个人付费，那么相比较免费用户承担的计算成本，这个比例还是有点低哦（注意，这是十分粗略的估算）

判断一个产品在市场中是否有足够的生存空间，其核心是判断这个产品能给用户带来的多大价值。ChatGPT已然是目前AI赛道公认的用户量No.1 产品了。但其付费率仅不足1%，这1个点的付费收益能打平其他99%未付费用户的算力消耗吗？在其高昂的技术成本下，什么情况下能盈利呢？

陈紫冰：首先请教一下方汉总，昆仑万维在做自己的大模型，也在AI方向深耕多年，能不能跟我们分享一下具体我们布局了哪些方面，或更看好哪些行业？
方汉：我们从2022年初思考判断这个事，这波AI浪潮应该不会比2000年、2010年互联网浪潮小。这波浪潮中长的比较大公司，一是C端公司，二是一定是免费的模式。爆发出来的巨头行业，也一定是C端的公司。由于C端公司增长模式确定，他大概率不是以订阅模式存在，而是以免费模式存在。

从昆仑万维董事长兼CEO方汉先生的表述中，可以清晰的感知到：“天工AI” 面向C端市场，一定是免费的模式。

做过C端提效工具的产品朋友都知道，在面向国内的C端时，提效工具通过订阅制是极难变现的。那么通过AI搜索能力落地到C端市场的应用，是否只有问答引擎 → 替代传统搜索引擎部分场景 → 通过撮合品牌主&创作者&消费端的方式进行广告变现呢？

这一点上小编有不同的思考。AI 2.0 爆火后，直接带火了AIGC赛道，最明显的市场表现是AI文本创作，AI绘画，AI视频所覆盖的行业出现了大量的“超级个体”，通过自身的行业经验，加持AIGC技术，进行专业技能的变现。

在出现大量靠自身手艺变现的超级个体后，又带火了“知识付费”领域。比如：当下互联网职场中最火的知识付费主题“如何转行干AI相关业务”。

而AI问答搜索引擎目前的场景就是在辅助用户完成某一项知识的获取 → 补全 → 打磨的过程。那基于这样的出发点，是否可以通过AI搜索能力为核心，赋能于用户的技术树从0-1的过程呢？比如天工AI的产品布局下，做深每个功能模块，并将功能模块基于“数据获取 → 信息区分 → 知识归类 → 技能总结 → 知识获利”的链路建立连接，并通过产品策略打通知识赋能侧和知识消费侧的连接。从而完成从“工具价值（低溢价）→ 流程价值（低溢价）→ 知识价值（高溢价）→ 人脉价值（高溢价）”的升级呢？

小编对此有一套相对完整且闭环的项目方案构思，但由于篇幅太长（第三章：1W字），就不在此继续展开了。后续有机会再分享给大家。

参考文章：