大模型出来以后，身边不少人觉得搜索要完了。
毕竟把问题丢给 AI，几秒钟就吐出一段完整的回答，谁还去翻那一排排蓝色链接？我也一度这么想。
但用久了才发现，这事没那么简单。在日常工作过程中我会发现，我还是离不开搜索。
一个容易被忽略的事实：大模型的基础，仍然是搜索
模型自己并不是什么都知道。它回答问题时，知识主要来自训练阶段读过的资料，这些资料被压缩成了参数。模型能理解概念、做推理，却没法保证记住的每个事实都准确，更不会自动知道训练结束之后，世界上又发生了什么。
所以很多看起来"张口就来"的回答，背后往往是模型在调用外部信息：先去查资料、确认关键事实，再基于这些信息组织语言。我们看到的不少高质量回答，是模型能力和搜索能力共同作用的产物。换句话说，搜索是给大模型补上"它不知道、或者已经过时"的那部分。
搜索能用来校验大模型的幻觉
幻觉这个词大家不陌生了。模型遇到不确定的内容，有时会继续生成一个听起来很合理、其实根本不对的答案。这时候如果只信模型给的结论，很容易被带偏。
搜索的价值在这儿就显出来了。拿不准的事实，去搜一下原始出处、交叉比对几个来源，模型的"合理编造"往往就露馅。模型给的是"它认为的答案"，搜索给的是"世界实际发生了什么"，两相对照，才靠得住。
前阵子我想确认一项个税专项附加扣除的口径，直接把问题丢给 AI。它秒回，条理清晰，连"根据某某文件第几条"都标了出来，我差点就信了。但我还是顺手搜了一下税务总局的原文，结果发现：AI 把扣除的年限和门槛都写错了，那个条文编号也是它现编的。单独看它的回答，滴水不漏；一对官方原文，破绽一目了然。
大模型和搜索，从来不是谁取代谁
所以大模型和搜索，从来不是谁取代谁，而是相辅相成。
这一点在底层就成立。很多系统的做法，是让模型先检索、再生成，检索到的材料质量，直接决定了生成的上限。在使用层也一样：随手问个浅问题，模型基本能应付；但想做深度探索，比如核实一个政策口径、追一条产业链的源头、确认一组数据的口径，那就不能只听模型一面之词，得顺着它的线索去搜、去核实。越是较真的事，越要把搜索当陪练，而不是把模型当标准答案。
这里想单独说一下豆包。它在尝试把大语言模型和搜索更紧地拧在一起，这个方向我觉得挺对路。不同用户的需求本来就不一样：有人只想快速拿到一个答案，有人习惯自己顺着链接深挖，有人要在两者之间来回切。把模型能力和搜索能力放在同一个入口里，这几类人用起来都会顺手，不用在"问 AI"和"自己搜"之间反复切换。
我越来越觉得，搜索不是被 AI 干掉了，而是换了个位置继续干活。过去它把链接交给人，后面的事靠人完成；现在它把信息送进模型，再由模型组织后返还给人。
对普通人来说，记住一句就够：AI 给的答案很香，但重要的事一定再验证一下，别只图省事。
(文章配图由AI生成)
在 AI 重塑信息获取的时代，品牌如何让 AI 更准确地理解并推荐自己，正是 GEO 诊断与监测 要解决的问题。