在这个 AI 时代，我们仿佛又建起了第二座巴别塔，这次不是因为语言不通，而是因为语言过于「统一」与「格式化」。
约翰霍普金斯大学的 Henry Farrell 写过一篇有关 AI 政治经济学的长文《The Map is Eating the Territory》（这篇并不是本文的主角，但非常推荐，后续有机会翻译）。其中最有趣的是他把 LLM 和搜索引擎 Google 进行类比，并认为作为「地图」的工具正在蚕食作为「疆域」的内容。
最初 Google 的工作方式是根据主题提供一系列链接和简短的文本介绍以帮助使用者定位内容。而后 Google 开始整合互联网的内容，嵌入广告和赞助商（Henry Farrell 可能还不熟悉百度）以实现商业增长。至此 Google 作为搜索引擎生成的摘要开始凌驾于链接背后的内容，因为它可以主导使用者的去向。
Henry Farrell 认为 LLM 是一个更加强大的「摘要生成器」，它会成为人和原始信息的中间媒介，并彻底改变人们和信息的交互方式。而这正是设计师 Paul Stamatiou 发现的 AI 对于互联网的颠覆影响 —— 它正在抹除互联网人为的特异性和多元化。
在这个 AI 时代，我们仿佛又建起了第二座巴别塔，这次不是因为语言不通，而是因为语言过于「统一」与「格式化」。以下为 Paul Stamatiou 的文章《Browse No More》。
我不再浏览网络；我转而消费 AI 生成的答案。
我喜爱并钟情于当今所谓的 AI 答案引擎：ChatGPT、Perplexity、Grok、Copilot 和 Gemini 等工具。我每天至少使用它们十几次，相信你也经常如此，因为它们带来了毋庸置疑的便利性。
我使用这些工具是为了减少繁琐的点击操作，但在获得便利的同时，我也放弃了对浏览过程的掌控。虽然效率提高了（不再需要为了学系温莎结或获取食谱而费力浏览那些加载缓慢且充满广告的网站），却以牺牲个性、特异性和创造力为代价，而这些恰恰是让网络感觉真实的元素。我们早已习惯于期待、追求并依赖这种真实。
使用传统搜索引擎浏览并不完全顺畅，但你掌握着主动权。你偶尔会偶然发现某个晦涩的个人网站或论坛，出乎意料地与你的兴趣完美契合。
这些神奇的迂回之旅定义了我们的网络体验，以洞见和创造力丰富我们，同时建立人与人之间的联系。如今，这些 AI 工具提供的即时答案牺牲了曾经让互联网如此引人入胜的美丽混沌。但还有希望 —— 一种新型的浏览体验可能即将出现。
我们正越来越多地体验这样的互联网。
在拥有 AI 答案引擎之前，甚至在搜索引擎出现之前，我们仅有类似 aliweb、Yahoo! Directory 和 dmoz 等网页目录组成的链接列表。你会费力地浏览这些目录，寻找并吸收你感兴趣的内容，或者仅仅是探索和摆弄。所有在线内容都是由人类创造的，每个网站都允许你窥探创作者的世界。
随着网络的发展，我们迎来了搜索引擎、博客、订阅阅读器和社交媒体等多种工具。虽然创建内容和消费内容的方式有了新的途径，但当你真正需要某些东西时，你仍会转向搜索引擎，点击浏览直到找到所需内容。
这个过程会带来许多偶发的愉悦时刻：发现另一个独特的网络声音，某个文章和兴趣与你完全契合的人，这种体验带来真正的喜悦。他们的写作风格让你一口气读完，同时你浏览他们的网站，看看如何收藏或订阅以关注他们的最新作品。
偶然发现一个随机的个人博客并不仅仅是一次有趣的经历。它还意味着发现你不知道存在的社区。就在最近，我在升级我的 iMac G3 时遇到一些问题，无意间发现了一个专门讨论 Mac OS 9 的论坛，那里充满了我正需要的内容。找到它并不容易，它也不是一次就能完成的搜索，而是通过偶然在博客视频中听到的一句话才找到的，但那一刻的收获是值得的。
在浏览网络时的偶然发现并不仅仅是网络形成方式的副产品。它通过接触多样化的声音来拓展我们的同理心，将我们推出回音室，并使我们的网络体验不至于变得单调。
这种网络冲浪的方式正在逐渐消失。社交媒体尚未完全接管的内容，或搜索引擎尚未通过将我们引导到充满广告的主流网站而稀释的内容，现在正被 AI 驱动的答案引擎稳步蚕食。
AI 答案引擎在其功能上表现非凡。我可以发送一个提示，相对快速地获取包含我所需确切信息的简短内容。它们的优秀表现不置可否。
但在这个过程中，我失去了一些深刻的东西 —— 意外绕道的喜悦。 我不再真正浏览网页了。充其量， 我只是浏览了 AI 对有限网络切片的解释。这是一个我并未选择且无法控制的网络切片，我的发现范围取决于这些工具决定展示什么。
不仅仅是我。传统搜索引擎正在演变为答案引擎。零点击搜索正在增加，并将持续增加。目前，近 60% 的 Google 搜索在用户未点击任何网站的情况下即告终止。而 Google 正在尝试通过「AI 模式」将这种趋势进一步提升。
传统搜索引擎正在转变为“答案引擎”。Google 推出的搜索生成体验（Search Generative Experience, 简称 SGE）正是这一趋势的代表。
1. 核心问题｜这真的是个问题吗？
这只是技术演进的又一经典案例，谁会在乎那些小网站变得更难找呢？但我看到的问题远不止网络浏览体验 —— 从宏观角度看，这些 AI 答案引擎缺乏透明性，剥夺了用户的控制权，同质化了内容，抽空了网络本应具有的多样性与活力。
图像为译者根据原文内容采用 Claude 生成
1.1 弱化信息来源
在处理信息来源方面 AI 答案引擎做得并不尽如人意。由于早期 LLM 充斥着幻觉的问题，业界开始使用微小的数字脚注来表明每句话背后都有实际的数据支持。我自己在设计和开发类似功能时也采用了这种做法（甚至还附带了缩略图截图）。
为了标榜自身性能的强大，这类工具试图展示它们的每个答案都参考了大量网页信息。但它们仅以图标或简单列表的形式堆砌信息来源，用户既无法理解为何包含这些内容，也不清楚它们如何被使用。这种来源呈现方式对用户极不友好，实际上用户也很少会仔细查阅这些来源。
AI 答案引擎以内联引用、来源栏和悬停卡等方式展示信息源。
在这些工具中，每个信息来源都以类似的视觉效果呈现。用户无法直观辨识内容是来自信誉卓著的主流新闻网站，还是来自具有深厚专业背景的个体作者，或是用户以前经常访问的网站。即使你把它们展开，通常也只是显示图标、域名、文章标题和截断的内容。
部分工具在信源展示方面做得相对较好，比如采用域名而非数字标记，或在脚注中提供更丰富的来源列表。但即便如此，它们也未能明确解释选择该来源的具体原因及其内容的使用方式。实际上，我们有很多信号可以帮助用户理解这些细节。
更深入地思考，LLM 也许可以借鉴类似 X（我在 Twitter 时称作 Birdwatch）的社区笔记机制，以澄清并丰富信息来源的背景。例如，一个表面上看似可靠的来源，或许会被 Hacker News 的完整讨论帖子指出其内容的不准确性。
Community Notes（曾名为 Birdwatch）是 Twitter/X 上的一项众包功能，允许用户添加背景信息和澄清说明来帮助解决有争议或可能具有误导性的内容。图片来自网络，由译者添加。
从更悲观的角度看，这种弱化的信息来源机制还可能产生连锁反应。内容创作者可能会更倾向于建立自己的内容王国，以便更好地掌控内容的呈现和变现方式 —— 比如转向私人通讯渠道，避开大语言模型的抓取和窥探。AI 公司或许会向大型网站购买数据授权，但绝不会惠及个人博客或小型网站。
改善信息来源或使其更显眼并不能解决所有问题，但至少能建立一种新框架，呈现更多元化的视角，为用户提供充分的信息和线索，让他们清楚地了解眼前的内容及其出现的原因。仅仅从一个主题中抓取前几个关键词的搜索结果远远不够，也难以打破信息茧房。用户仍需要在搜索过程中获得更多控制权、理解力和透明度。
1.2 AI 搜索的黑箱
此外，我们还面临另一个根本性问题 —— 透明度缺失：我们无从得知 AI 答案引擎究竟如何检索和处理网络信息来生成回答。这其中可能暗藏搜索和排序的偏见，至少存在显著的不透明性。「它们如何构建搜索索引？」、「采用什么标准对网站进行排名？」、「如何筛选呈现给用户的网络结果？」这些问题都亟待解答。
这些 AI 系统在你毫无察觉的情况下，悄然决定了信息来源的重要性和相关性。你以为获得的是全面信息，实际上只是经过算法筛选的片面内容切片。
不同工具采用迥异的搜索机制。有些依托第三方索引（如 ChatGPT 使用 Bing，Grok 采用 Brave Search），但仍保持独立的爬取和排名逻辑；另一些则完全自主运作。用户或许已适应 Google 或 DuckDuckGo 的搜索模式，也懂得通过调整关键词优化结果。
Grok、Perplexity 和 ChatGPT 中显示的扩展网络资源，所有这些资源都缺乏关于这些网站类型、选择它们的原因以及使用方式的背景信息。
但现在，我们面对的是全新的搜索范式 —— 用户被剥夺了调整关键词、翻页浏览、自主决定何时更换搜索条件等基本权利。虽然可以不断追问或补充说明，但始终无法掌控 AI 如何将你的提问转化为搜索关键词。
以 Perplexity 为例，其 Pro 搜索模式试图提升透明度，明确展示使用的搜索关键词。但这种做法反而可能引发用户疑虑：原本期待 AI 展现超凡的智能，却看到他们精心构思的问题被简化为 4 个单词的搜索。用户对这个过程没有控制权，也不知道它何时决定继续搜索。
Perplexity Pro 搜索根据问题显示用于网络搜索的不同关键词。而这正是问题的核心所在。比如近期全网热议 Gruber 关于 Apple Intelligence 的文章，这本应是重要信源，但我们完全不了解 AI 如何检索、排序和选择这些主流网站的内容。
当然，这种界面形式在处理耗时较长的任务时能有效传达进度提示。更为复杂的界面（如 ChatGPT、Perplexity、Gemini 和 Grok 的深度研究界面）甚至能让用户瞥见其内部的推理过程（CoT）。比如，ChatGPT 在深度研究模式下做了一个新尝试，展示了引用来源的具体使用片段，这种做法值得肯定。
ChatGPT 的深度研究开始为信息来源的用途添加一些上下文：这是朝着正确方向迈出的可喜一步。
但风险依然存在：用户可能误将 AI 答案当作终极真理。实际上后台搜索可能并不彻底，这点在小众话题上尤为明显（比如 Grok 表现极差，甚至完全不引用任何网站）。要获取可靠信息，用户仍需自行进行全面网络搜索。如果 AI 工具仅进行简单关键词搜索，就完全不够格——因为它们既不知道何时该深入搜索，也不懂主动要求用户澄清。必须承认的是，不断调整搜索引擎虽然能带来掌控感，但有时也确实繁琐。而我无意对此过于轻描淡写。
另一方面不容忽视的是，大语言模型在理解用户意图和细微差别方面表现卓越，这至关重要——毕竟大多数用户仍不善于准确表述问题。我认为行业应该在用户引导方面投入更多，比如 Elicit 就通过出色的 UI 设计，帮助用户优化提问方式。
研究工具 Elicit 会针对用户输入的问题进行质量评估，并会提出三个方向的改进建议。
事实上，我们完全有理由期待更好的搜索体验。既然 AI 确实能如此精准地理解用户意图，它们就应该提供更自然、生动、多元的搜索结果，让用户感觉如同置身专家研讨会一般。
1.3 摘要同质化与模式崩溃
你知道那种感觉。AI 生成的内容往往不太令人满意。它总显得有些奇怪 —— 模糊、机械、缺乏惊喜。LLM 本质上是共识引擎。在追求「零偏见」的过程中，它们会系统性地抹去通过已然不够多元的网络来源带来的任何新颖观点或独特视角。
模型在后期训练中失去创造力的现象通常被称为「模式崩溃」。这也是为什么 LLM 在应对创意写作等任务时显得格外不合适。AI 写作工具 Sudowrite 在推出其新写作模型时就特别指出了这个「AI 主义」问题。最近，OpenAI 也表示正在开发专为创意写作设计的新模型。
当你试图取悦所有人时，往往也难以真正打动任何人。
LLM 的训练与构建方式正是导致这一问题的根源。我当然可以继续深入这个话题，探讨为什么 LLM 需要在创造力方面做得更好。即使你无法准确说出问题所在，也一定能感受到那种「哪里不对劲」的感觉。
图片来自网络，由译者添加，另外推荐特德姜的文章《Why A.I. Isn’t Going to Make Art》
很多人都能感受到 Sonnet 3.7 比 3.5 稍显逊色；而 GPT-4.5 的功能更强大，尽管它并不是一个击穿基准的模型，却令许多用户印象深刻。我个人在使用 GPT-4.5 时也有强烈感受，并持续订阅了 Pro 版。我只希望整个行业在关注编码和推理能力之外，也能给予创造力同等的重视。
即使引用的是正确的网页来源，我们对 AI 答案引擎如何使用这些内容的了解也仍然非常有限。就像搜索偏见的问题一样，我们缺乏关于它们如何评估每个来源、又是依据哪些信号来决定是否纳入回答内容的透明机制。在缺乏明确指引的情况下，LLM 往往更倾向于「平均」，而非「放大」那些独特、少数或深具洞察力的观点。
好吧，也许我们终于触及到了问题的本质。但这种「有意的指导」究竟应从何而来？
2. 有意的个性化：理解你、同你成长的工具
今天的 AI 问答引擎正面临根本性挑战，这种挑战远远超越了人们对旧版互联网的怀旧感、对偶遇式发现的美好幻想，或对独立内容涌现的期盼。真正的问题在于弱化的信息来源归属、黑盒式的决策机制以及同质化的答案，这些问题会让我们使用互联网的体验趋于扁平，而非更加丰富。浏览网络本不该，也绝非能被单一模式所满足。
新一代的 AI 工具正面临一个巨大难题：如果它们对你一无所知，又如何能带来惊喜和满足感呢？
解决方案并不是堆砌更多的控制选项、提供无限的自定义配置机会，或展示异常醒目的网站卡片和来源标记。用户本已在选择使用哪个模型，或在决定是普通搜索、专业搜索还是深度搜索间迷茫不已了。
2.1 真正的个性化意味着什么
这些工具需要对你更具个性化，更贴合你的需求。我知道，「个性化」这个词经常被滥用，很多时候带有负面的意味，让人联想到侵入式的广告追踪。但我们可以采取更好的方式。
AI 的个性化并不意味着它必须全面掌握你的生活细节，或制造你的数字克隆。我们一直抗拒向公司过度提供个人数据，现在更没理由妥协。你无需被数字化克隆就能获得有效帮助。即便只是少量关于你过去互动、目标和兴趣的信息，也足以极大地提升与你共鸣的体验。
2.2 更好的方式
你可能会意外，但我并不认为我们需要打造一个所谓“自动生效”、像魔法一样懂你所有的 AI 工具，让它们完全理解你、模仿你并代替你行动。我相信，一个更有意图性、更透明的方法才能更好地满足我们，主要原因有：
- 行为 ≠ 意图： 我在电脑、手机或浏览器上的行为，并不总代表我真正想做或成为的样子。人的目标本来就是动态的。用户也许阅读了大量流行文化新闻，但这并不意味着他们对其他未能主动发现的内容缺乏兴趣。因此，简单粗暴地摄取用户数据远远不够。
- 情境至关重要： 你的需求和动机瞬息万变，这取决于时间、地点、任务或身边的人。当你专注于特定项目时，你并不希望个性化的结果受其他时候的行为干扰。我喜欢把这类情况比作浏览器的不同用户档案 —— 当我为工作研究特定行业或话题时，我不希望个人兴趣混入我的结果，反之亦然。这不仅限于简单的「工作」和「家庭」区隔，实际情况更加复杂。
- 透明性不可妥协： 用户有权清晰地了解自己的数据如何影响了他们的体验。这意味着要明确展示个性化何时启动，并提供直观的控制机制。哪怕只是简单到高亮你喜欢的一段内容、请求对感兴趣的话题进行更深入的探索，或修正 AI 对你知识水平的错误判断。
给予用户足够的透明度和控制权，让他们能随时调整 AI 对自己的理解，有助于及时发现、强化或纠正系统作出的推测和判断。这种探索需要整个行业共同投入。这类工具本身非常复杂，我们很难指望第一次就能做到完美，适当借助用户的引导与反馈是不可或缺的。
作为用户，我并不介意花些精力去主动塑造自己的体验，而且这并非只能通过文字来完成。举个简单的例子，假设 AI 用一张简洁的兴趣图谱来展示它对你的理解，你可以删去无关的部分、突出重要节点，甚至主动增加 AI 可能忽略的新兴趣点。
这种方式并不新鲜，只是我们过去一直专注于让基础模型拥有更强大的能力，或者提升具体的单项技能（例如推理），却尚未做好准备去广泛探索这种个性化体验。OpenAI 之前推出的 Memory（记忆）以及 Custom Instructions & Traits（自定义指令与特质）功能，实际上已经是在朝这个方向逐渐试探了。
ChatGPT 朝着个性化迈出的第一步：记忆功能和自定义指令。
目前这些功能还未达到我设想的个性化标准。举例来说，ChatGPT 如何决定存储哪些记忆还不明确，这些记忆通常显得过于随机或过于具体。此外，自定义指令虽然适合存放一些高层次的用户信息，但类似「特质」这样的设置则显得更偏向特定的任务或提示场景，并不一定适合长期、固定地绑定在账号层面上。（译者按：或许 AI 可以判断在当前的任务中调用哪个自我更合适，就像我们在工作上也会有不同的人格。）
2.3 不越界的个性化
好吧，让用户稍微控制一下 AI 的理解过程当然没问题……但我们这里谈的具体是哪些数据源呢？
从个性化的角度看，控制操作系统或浏览器是最具优势的位置。虽然大部分公司很难直接在操作系统层面竞争，但已有不少企业开始在浏览器领域布局：比如 The Browser Company 与 Perplexity 已经宣布正在开发新型 AI 浏览器，也许 OpenAI 未来也会加入其中。
即便只是基础的浏览数据，也蕴藏着巨大的个性化潜力。哪些内容让你深入互动？哪些只是随意浏览？哪些是你主动创造的，哪些仅仅是你被动消费的？哪些主题长期稳定地吸引你的注意？这些隐性的行为模式往往比你明确表达的偏好更有价值。
当然，数据获取的方式远不止于此：从操作系统的文件访问，到消息类应用的详细数据抓取，再到链接各种云服务（电子邮件、文档、书签等），甚至只是了解你在完成特定任务时使用或安装了哪些应用。不过，这些更深入的整合往往更难落地，也伴随着更复杂的隐私问题。
也许我有点扯远了，但在无法创造一个自己主导并广泛流行的操作系统或浏览器的情况下，我认为更现实的路径是深入到以任务为核心的个性化方式中去，通过明确询问、持续澄清并主动展示如何运用你的上下文信息（这一点前文提到过）。当然，这也不简单。你得建立一套系统，在每次调用 LLM 时高效地存储、查询这些偏好，而不是在每次交互中机械地塞进大量上下文信息。
关键在于如何平衡有意图的个性化和用户的自主性。
2.4 个性化到底为什么重要
即便是轻量级的个性化，也能让 AI 问答引擎显著地为你量身定制回答内容。例如，AI 能明白你在某个领域非常专业和资深，于是自动略过基础知识，直接深入探讨技术细节；它知道你写了 20 年科技文章，尤其热衷于追求事物背后的运行原理，因此每次都能满足你更深入的好奇心。还有很多看似微不足道的细节，叠加起来就形成了真正契合你需求的体验。
个性化工具能在适当程度上了解你过往的互动、兴趣、目标，从而在尊重你个人时间和智识的前提下，为你提供恰当的引导，而不会越界。经过深思熟虑的个性化系统将会：
- 连点成线：将新概念和新话题与你过去了解的内容关联起来，形成有效的参考框架。
- 识别并管理信息茧房：适时推送新颖的视角，帮助你突破信息茧房。
- 充分利用可信任的信息源：在兼顾你已有的信息来源之外，也提供你可能想要的新观点。
- 提前预测需求：在你尚未提出明确请求之前，就主动推荐可能感兴趣的内容，甚至主动帮你完成某些任务。这种主动代理的个性化功能本身就值得专门写一篇文章来阐述。
能够在一定程度上理解用户并提供上述帮助的技术，其实并不是什么全新的概念。但当我们设计、迭代并构建这些广泛使用的 AI 工具时，千万不能忽视这一点。
3. 守护互联网的魔力
别误会，我是真心喜欢 ChatGPT、Perplexity、Gemini、Grok 等等这些 AI 工具的，它们早已成为我日常工作流的重要组成部分，在很大程度上取代了传统的搜索引擎。然而，如果它们不能更细致地进化，就可能会将互联网原本丰富多元的声音简化为单调乏味的标准答案，从而抹去互联网最初吸引我们的魔力。
开发这些工具的巨头们都有足够的动机去深入且细致地了解用户。过去几个月的市场已经清晰地表明，这些公司并没有坚不可摧的护城河。用户的迁移成本前所未有地低：打开应用商店，随时能找到另一款热门的 AI 工具，这一周是 DeepSeek，下周可能就是 Grok。
通过在产品中融入更有意图、更具针对性的个性化设计，这些公司不仅能巩固自己的优势、提供更加贴合用户需求的内容，还能彰显并保留互联网上那些独特的声音与视角。
这样做会直接帮助它们实现通用人工智能（AGI）吗？未必。但当 AI 工具真正开始个性化时，它们给用户带来的体验可能会更快地逼近 AGI 的感受。
要实现这一目标，需要一步一步向有意图的个性化靠拢，精细化 AI 产品功能，增加系统决策及个性化逻辑的透明度，并提供直观易用的用户控制界面，让用户能够轻松引导 AI，而非被繁杂的选项所淹没。这种方式能帮助我们增强人类的好奇心与创造力，而不是取而代之。
浏览互联网的魔力并未真正消失，但它正等待着被重新发明。 🆃