首批集成AI功能，谷歌前高管創立搜索引擎為何被賣？
Neeva：構建自有搜索索引，首批集成 AI 功能Neeva 的計劃來自一個簡單的想法：谷歌的商業模式已經在拖累搜索引擎的進步。Ramaswamy 認為，從長遠來看，這種以廣告為基礎的模式必然導致搜索結果劣化。要想打造更好的搜索引擎，首先需要改變激勵措施。這種改變意味著不再以展示廣告為訴求，而是始終把用戶體驗放在第一位。這種新模式不需要讓用戶輸入查詢，也不需要幫廣告商收集用戶數據。其目標就是幫助人們找到自己想要的頁面，并避開途中的一切障礙。David Pierce 在一篇分析文章中指出：“從零開始構建搜索引擎既困難又昂貴，因此很多人對此根本不感興趣。他們選擇以 10 到 25 美元的價格購買 Bing 提供的 1000 條數據搜索許可，再以此為基礎添加自己的功能和界面?！倍?Neeva 對于徹底改革搜索技術有很多自己的想法，因此最終決定要控制底層數據。
Raghunathan 表示，“我們想要加快搜索速度、充實預覽內容、提供首選網站、開放個人搜索選項，但這一切都遇到了困難?！盉ing API 提供的鏈接并不支持這些額外功能，所以 Neeva 的思路就成了空想。如果真想打造一套更好的搜索引擎，那 Neeva 就必須得親自動手、從零起步。經過兩年的構建、訓練、完善、再訓練和再完善，Neeva 搜索引擎終于建立起完全自主的技術基礎。構建自有搜索索引的一大優勢就是，能給大語言模型收集到一組非常實用的訓練數據。Neeva 還是首批推出 AI 搜索助手（名為 NeevaAI）的公司之一，它能總結搜索結果，有時甚至直接在頁面頂端回答用戶的問題。Neeva 團隊還建立起了帶有更大圖像和比較信息的購物頁面，這里優先參考了 Reddit 和 Quora 等平臺的結果。體育搜索也變成了漂亮的全屏記分牌。之所以這樣做，就是希望大家在搜索“布拉德·皮特 IMDb”或“WhatsApp Web 版”時，Neeva 的自動補全功能會直接將用戶帶入網站，壓根不需要中間的結果頁面。
Neeva 干凈、簡單，早期用戶紛紛表示這種不騙人看廣告的搜索引擎才是好引擎。但打造一款好產品和讓用戶喜歡上它完全是兩碼事。畢竟 Neeva 的使用體驗太不同了，用戶得放棄自己上網時最簡單、也最根深蒂固的習慣，才能適應這種全新設計。科技行業一直有個原則，即人們不會愿意改變自己的使用習慣。Ramaswamy 在采訪中坦言，“我們面臨的最大障礙之一，確實就是扭轉用戶的固有習慣。人們忘記了谷歌的成功不僅僅是開發出了更好的產品。為了實現目標，我們必須做出一系列精準的分發決策?！睋蟮?，谷歌每年向蘋果支付高達 150 億美元，為的就是能在各類蘋果設備的 Safari 瀏覽器中成為默認搜索引擎。谷歌同時也向 Mozilla 支付費用，借此成為 Firefox 瀏覽器中的首選搜索引擎。而這筆費用高達每年 4.5 億美元。谷歌還跟其他設備制造商和瀏覽器開發商有合作，甚至跟電信運營商也有類似的交易。據《華爾街日報》報道，三星曾在 2023 年短暫考慮結束與谷歌的交易，但由于各種原因而最終放棄，其中包括“可能對與谷歌間的廣泛業務關系產生影響”。谷歌的真正優勢在于旗下的其它產品。Android 是目前全球最受歡迎的移動操作系統，市場份額約占 78%。Chrome 則是最受歡迎的網絡瀏覽器，市場占比約 62%。
在這兩大平臺上，谷歌自然也成為不可撼動的默認搜索引擎。做搜索引擎，既復雜，又簡單搜索引擎是種神奇的事物——既復雜無比，又簡單純粹。實際上，搜索引擎所做的就是編譯網頁數據庫（即「搜索索引」），之后在每次收到查詢時瀏覽該數據庫，從中提取并交付質量最高、相關度最強的一組頁面。但這過程中的每一步，都涉及著巨大的復雜性，需要做出一連串權衡。而權衡的核心有二：時間與金錢。即使創業者能建立一套不斷更新的數據庫，囊括互聯網上的數千億個頁面，但光是它產生的存儲和帶寬成本就足以讓地球上任何一家巨頭企業破產。這還不包括每天對數據庫執行無數次檢索的成本。另外，搜索響應中的每一毫秒都非常重要——谷歌會在結果上方顯示每次查詢耗費的時間。
總而言之，創業者恐怕沒有足夠的時間逐個查看整個數據庫。此外，搜索引擎的構建還要從一個基本哲學問題開始：什么叫高質量網頁？創業者必須決定哪些分歧是合理的，而哪些信息屬于純粹的胡說八道，必須搞清廣告占比到多少才不會過度。那些由 AI 編寫且充斥著 SEO 垃圾的網站當然不好，但個人認真撰寫、且同樣充斥 SEO 垃圾的美食博客則還不錯。一旦完成了上述討論并設定出明確的邊界，那搜索引擎中就基本確定了需要保留的幾千個域名。其中包括 CNN 和 Breitbart 等新聞網站，Reddit、Stack Overflow 和 Twitter 的熱門討論板，維基百科和 Craigslist 等工具服務，YouTube 和 Amazon 等服務平臺，還有各類最頂級的食譜 / 體育 / 購物網絡。有時候，創業者可以跟這些網站洽談合作，以結構化方式直接獲取數據，不再單獨瀏覽各個頁面。值得一提的是很多大平臺都有專門的團隊，有時甚至愿意免費配合。之后就該放出爬蟲了。這些機器人能爬取給定網頁上的內容，之后查找并跟蹤頁面上的各個鏈接、索引全部頁面內容，就這樣完成鏈接、索引的查找與跟蹤循環。而每次爬蟲訪問一個頁面時，都會根據之前設定的高質量網頁標準對其做評估。被認定為高質量的內容將被下載至某臺服務器上，于是搜索索引開始迅速膨脹。當然，爬蟲也不是在哪里都受歡迎。爬蟲每次打開網頁，都會給內容提供商帶來帶寬成本?，F在想象一下，一套搜索引擎每秒都會對網站上的各個頁面進行加載和保存，這樣的更新成本將很快超出提供商的承受能力。
因此，大多數網站都設置一個名為 robots.txt 的文件，用于定義哪些爬蟲可以訪問其內容、哪些爬蟲不行，以及允許爬蟲爬取哪些 URL。從技術上講，搜索引擎完全可以不理會 robots.txt 上的規則，但這是 Web 結構和文化中的一部分。幾乎所有網站都愿意接納谷歌和 Bing，因為它們帶來的可發現性已經超過了帶寬成本。也有很多人會阻止特定的服務商，例如不希望亞馬遜爬取并分析他們的購物網站。其他人則制定一攬子規則：除了谷歌和 Bing 外，其余爬蟲概不接待。很快，爬蟲就會帶回相當廣泛的互聯網快照。接下來的工作就是針對搜索引擎可能收到的每條查詢，按順序對全部頁面做排名。大家可以按主題對頁面做排序，這樣就能劃分成更小、更易于搜索的索引，而不是包羅萬象的龐然大物。簡單來講，就是本地結果與本地結果匹配，購物與購物匹配，新聞與新聞匹配。我們需要使用大量機器學習技術來收集特定頁面的主題和內容，同時也離不開人工協助。此外，還會引入評分團隊，向他們展示查詢和結果，并要求他們從 0 到 10 為結果的真實性打分。有時候問題很明顯，如果有人搜索「Facebook」，但響應結果的第一條居然不是 facebook.com，那肯定不能接受。但大多數情況下，我們會合并來自大量輸入的評分，并將其饋送到索引和主題模型當中，之后不斷重復這個過程。到這里，問題才剛剛解決了一半。我們還得提高所謂“查詢理解”能力，也就是意識到搜索“巨石強森”和搜索“道恩·約翰遜”的人其實是想找同樣的信息。最終，我們將積累起一個龐大的同義詞和相似性庫，并據此重寫查詢以降低搜索難度。而且如谷歌所說，每天他們的引擎中都有 15% 的全新搜索，所以這場理解人們真實需求和擴充新知識的賽跑將永遠沒有終點。
一段時間之后，搜索引擎正式上線了，開始獲得更多人的關注、點擊和偏好。這里還有一項黃金標準：如果用戶在點擊鏈接后，不再立即搜索和點擊其他鏈接，就代表當前結果的質量令人滿意。而另一方面，用戶們的點擊量越大，就越能了解他們真正想要的是什么。此外，運行搜索引擎還需要不斷在速度、成本和質量三者中取得平衡。比如，當有人輸入“YouTube”并按下回車時，如果搜索整個數據庫會耗費太長時間、造成不必要的帶寬和存儲成本；如果保留一個容納整個互聯網的數據庫，不但存儲成本高昂，搜索速度也會太過緩慢；如果設定只顯示網絡上最受歡迎的 100 個網站，就能保證速度和成本，但會存在內容不全面、質量不可靠的情況。同時，各個網站本身也在不斷變化，搜索引擎的爬蟲和排名系統也要持續跟進。