在今天回顾过去一年 AI 应用层的进展，AI 搜索一定是难以忽视的一个方向。在很长的一段时间里，AI 搜索=Perplexity，在榜单上，几乎感受不到其他搜索产品的存在。
但市场，似乎在释放新的信号。AI搜索依然极具想象力，资本纷纷投票。
一方面，信息检索是能与当前大模型能力匹配的一大应用场景；另一方面，AI 搜索明星产品 Perplexity 流量仍在稳步增长，体现出用户端对搜索体验升级的新需求。即使 AI 搜索也存在种种问题，例如 PMF 的验证、尚难以难以撼动传统搜索引擎等等，且依旧被创业者视作「LLM 初期最有可能跑出 Killer APP 的领域」，很被资本看好。Perplexity 最新估值 30 亿美金，基本属于估值第一梯队的纯 AI 应用（不做模型）公司。它仅在今年上半年就完成了两次融资，两轮融资总额超过 7000 万美元。但是大家聚焦 Perplexity 这一「资本宠儿」的上半年，资本还默默投出去了 12.1 亿美金。
上半年 15 起 AI 搜索融资，不同应用场景项目占比上半年，我们根据公开信息统计了共计 15 起 AI 搜索领域的投融资，我们发现：1、面向企业\行业场景的 AI 搜索企业获投最多，前者也是最容易获得单笔大额融资的 AI 搜索落地场景；2、另一热门落地场景是电商＋AI 搜索，在获投项目中，其与通用搜索的占比均为 20%；3、播客搜索等相对「小众」的场景下也出现了融资案例。
那么，这些资本青睐的 AI 搜索产品到底都长啥样？01
音视频搜索
最后一轮融资信息：2024 年 2 月，Abstract Ventures、The General Partnership 领投 600 万美元种子轮融资，融资后估值未知。如果你经常听播客，大概率都曾遇到过一个问题，某天心血来潮想起之前在播客中听到的一个精彩洞见，想要回听，却怎么都记不起它是来自哪一位主播，哪一个单集。即使幸运地锁定单集，又在时间戳的帮助下将范围缩小到 20 分钟的片段，也只能选择自行听完或者转录成文字后查找，非常费时。Dexa 的创始人 Riley Tomasek 也曾有过类似困扰，一次耗时的查找之后，他决定打造一款面向播客场景的 AI 搜索工具。Dexa 没有详细阐释过产品的技术路线，但表示自己使用了先进的索引技术，将基于主播、单集和节目三个维度的知识图谱提供准确和高效的搜索服务，它的核心数据源来自 120 多档播客节目，并且仍在持续地添加中，包括知名的《Tim Ferriss Show》《Huberman Lab》等等。产品设计中，Dexa 的一大核心理念是「向专家提问」（如图所示），搜索时用户可以选择向特定的主播提问（或者不限定主播），健康、商业、科技、个人成长等领域的问题都是大热门。搜索结果以 AI 总结的形式呈现，并附上对应播客谈及该问题的具体时间戳，点击即可收听。搜索结果也支持用户一键分享，一部分内容有机会直接出现在 Google 的搜索结果中，从而带来网站的自然流量。但 Similarweb 数据显示，今年 6 月 Dexa 的网站月访问量大概在 29 万次左右，相较今年 2 月 100 万月访问的水平大幅度下滑。白鲸评论：产品好、场景小众。查找听过的播客实在不是一个太高频的应用场景，Dexa 目前的数据库体量也限制了它向其他应用场景拓展。截至今年 2 月，Dexa 尚未开始产生收入，TechCrunch 就播客 AI 搜索的创业方向与一些播客转录、数据库产品的创业团队交流过，他们表示 AI 搜索的成本问题是一大考量因素。（2）Twelve Labs——生成视频难，不如先「理解」视频最后一路融资信息：2024 年 6 月 1 日，New Enterprise Associates (NEA) 和 NVIDIA's NVentures 领投 5000 万美元 A 轮融资，融资后估值 2-3 亿美元。Twelve Labs 是一家致力于打造多模态「视频理解」（Video Understanding）基础设施，以实现对视频进行语义搜索的 AI 公司。技术特点：根据官网介绍，借助于旗下的 Marengo 模型，Twelve Labs 可以实现快速对大量视频内容进行索引（即转换成可以被快速检索和访问的形式），让用户能够通过自然语言来搜索和访问存储在视频中的各种信息。Twelve Labs 认为视频最为接近人们体验的「现实」，而大语言模型在视频领域的能力有限。而其打造的多模态大模型 Marengo-2.6 最快能在 15 分钟内索引 1 个小时的视频，并实现文本到视频、文本到音频以及图片到视频的搜索任务。应用场景：目前 Twelve Labs 已与媒体和娱乐、广告、自动化及安全等多领域的客户展开合作，例如借助 AI 视频搜索实现快速标记赛事精彩瞬间、查找监控录像等。在 AI 视频搜索之外，Twelve Labs 最新大模型 Pegasus 能够实现视频到文本的转换，目前正在 Beta 测试中。Pegasus 能够进一步理解复杂视频，具备总结、查询、回答及分析能力。据悉 Twelve Labs 在训练基础模型时，会同时训练模型的多个部分，使得模型的整体大小只有原来的 1\5，也提高了计算效率和能源效率。02
电商搜索
（1）DayDream——强大的创始团队，能搞定一个新入口需要的流量吗？最后一轮融资金额：2024 年 6 月 20 日，Forerunner Ventures 和 Index Ventures 共同领投 5000 万美元种子轮融资。购物或许是快乐的，但是购买决策常让一些消费者感觉「筋疲力尽」，为解决上述问题，一批电商场景的 AI 搜索产品应运而生，DayDream 就是其中之一。它支持用户使用自然语言或者图像识别进行搜索，使用时，用户只用说明使用场景就能找到心仪产品。比如提问「这个夏天我要去海边参加婚礼，请给我一些着装建议」；再比如，用户可以上传一张蓝色裙子的照片，并提问，「我很喜欢这条裙子的款式，但是我想要一条红色的。」改进的重点在于使得整个交互体验更加个性化，推荐更具针对性。为实现上诉搜索体验，DayDream 选择将现成大模型微调，并创建了一个包含众多产品类目的数据集。它计划于今年秋天在美国开启 Beta 测试，上线之初 DayDream 将专注在时尚领域，合作对象包括 Net-A-Porter, Altuzarra, Jimmy Choo, Doen, Alo Yoga and La DoubleJ. 在内的 2000 余个时尚品牌。白鲸评论：今年上半年，电商领域的 AI 搜索融资不少，但是像 DayDream 直接打造 ToC 产品却不多，主要是因为竞争相当激烈。像亚马逊、Google 以及 TikTok 等巨头都在自研用 AI 优化购物体验，体量小一点的电商平台也在尝试接入外部解决方案来集成 AI 搜索（下文还会提及）。这一波趋势里，一个全新的商品发现入口需要的流量成本估计高得惊人。目前看起来，DayDream 受资本认可的一大原因是团队背景很强。DayDream 的创始人 Bornstein 此前创立的 AI 购物初创公司 The Yes 被 Pinterest 成功收购，其 CPO 和 CTO 分别来自 Google 的人工智能研究小组和微软的数据和应用科学团队，CCO 和 CSO 也分别曾在 Google 的时尚商务拓展部门和 Pinterest 的购物策略团队任职。从技术到市场，都有人在。（2）Constructor——「十年老兵」的思考，AI 搜索落点在转化创始人：Eli Finkelshteyn 和 Dan McCormick最后一轮融资信息：2024 年 6 月 17 日，完成由 Sapphire Ventures 领投的 2500 万美元 B 轮融资，融资后估值未知。应用场景：Constructor 是一家成立近 10 年的电商服务商，专注于为电商客户提供产品发现相关的配套服务，涵盖从搜索到浏览、推荐、收藏、商家智能（数据分析）、用户测试、AI 购物助手（ASA）在内的各个方面。其最新推出的 ASA 解决方案与 DayDream 提供相似功能，即当购物网站选择集成后，用户可以通过自然语言交互的方式获得个性化的商品推荐，而商家通过消费体验的改善提升客户满意度和销售额。技术特点：ASA 的原理是通过用户的点击行为数据、Transformers 模型和大语言模型来快速识别用户的搜索意图。而除了优化搜索体验之外，Constructor 也会向商家提供配套的数据分析功能来提升转化率。截至今年上半年，Constructor 已为超过 1000 亿次客户互动提供支持，该公司的客户量在过去一年中增加了 50%，并且在过去三年中保持了 98.5% 的平均客户留存率，丝芙兰、Target 在内的知名电商平台都是其客户。最后一轮融资信息：今年 5 月，从 Spero Ventures、Stripe、Shine Capital、Neo、Sugar Capital 等共计 12 名投资者中获得 1030 万美元种子轮融资。同样是帮助用户进行购物决策，如果说 DayDream、Constructor 专注于搜索环节的优化，Remark 则尝试建立另外一种匹配机制，它引入真人专家，想给予用户 VIP 般的购物体验。技术特点与数据来源：Remark 引入的真人专家包括艺术家、音乐家、造型师、高尔夫球手以及滑雪教练等，它将服务集成在品牌的独立站中，用户可以随时向真人专家寻求购物建议。而如今 Remark 开始用 50000 名专家的数据训练 AI，当专家离线时，AI 也能提供服务，并且成交后会抽取一部分佣金给到专家。应用场景：一个典型的应用场景是，当进入一个滑雪户外产品独立站时，新手用户可能会对区分滑雪板的型号、尺寸和适用场景等无从下手，它通过 Remark 的专家匹配服务获得极具针对性和专业的购买建议。Remark 目前主要与户外用品、婴儿用品、美容护肤品等行业的客户合作，其公布的数据显示集成相关服务后客户的收入增长了 9%，转化率提高了 30%。白鲸评论：相较于用 AI 取代人工客服的「大趋势」，Remark 积极引入专家导购可谓是出了一个奇招，并且即使加入了 AI 也是异常克制地、仅起到辅助专家的作用。印象颇为深刻的是，Remark 团队其实非常强调消费者在购物中的情感体验，而他们认为正是人的加入让这一体验得以完整，这也是过去在线电商所忽视的部分。某种程度上，你可以认为 Remark 打造的购物决策流程是希望兼顾理性和感性的，足够理想化，但其涉及到相当高的沟通成本，或许只会在高客单价、有认知门槛的品类中有生存空间。03
通用搜索
最后一轮融资：2024 年 4 月 25 日完成 300 万美金种子轮美金，由 Hash Global 领投，融资后估值未透露。技术特点：Adot 是一款采取去中心化架构的搜索引擎，不依赖中心服务器，把数据存储在多个节点中。此外，Adot 还引入了激励机制，使用搜索引擎或者参与数据收集、索引、分析、整理的用户，都可以获得虚拟货币奖励。应用场景：Adot 是一个通用搜索引擎，但大多数用户会通过 Adot 获取对于加密货币市场的洞察和与 Web3 相关的知识和新闻。数据来源：Adot 融合了 Web2 和 Web3 的数据，除了传统网页外，它还包含区块链数据、社交媒体数据、Web3 交易数据等。（2）Genspark——「小红书版」AI 搜索引擎创始人：景鲲，前小度 CEO；朱凯华，前小度 CTO最后一轮融资信息：6 月 18 日，完成由蓝驰创投领投的 6000 万美元融资，投后估值为 2.6 亿美元。2023 年，Bing 在全球搜索引擎中的市占率虽然不到 4%，但是其全年收入却达到了 120 亿美元。换句话说，AI 搜索即使仅从传统搜索引擎中抢到 1% 的市场份额，也是相当大的一块蛋糕。这句话是 Perplexity 创始人对自己的「安慰」，也同样适用于 Genspark。Genspark 将自己定位为一个 AI Agent 引擎，面对各类问题，有专门 AI Agent 进行执行研究并产出名为 Sparkpages 的自定义页面。这一页面的输出原则是，摒弃所有的偏见和 SEO 驱动的内容，综合可信信息，提供有价值的结果和节省用户时间。具体来说，Genspark 目前主攻旅行、商品两大垂类方向的内容搜索业务，Sparkpages 作为 AI Agent 生成的优质网页承接最终搜索结果。例如当用户输入「北京三日游出行建议」的问询，将跳转自 Sparkpages 页面，它将以类似小红书图文信息流的形式呈现多个结果，用户可以点击感兴趣的结果查看详细信息和进行进一步问询，这种图文结合的内容组织形式其实也比较匹配 Genspark 目前切入的旅行和商品的品类，体现差异化的同时也能够迅速占领用户心智。04
向量搜索
最后一轮融资：2024 年 1 月 23 日完成 2800 万美金 A 轮融资，由 Spark Capital 领投，融资后估值未公布。技术特点：Qdrant 是一个开源向量数据库和和向量相似性搜索引擎，用 Rust 语言编写。互联网上的文字、图片、音视频等模态的数据都可以转换为向量，并在向量数据库存储，这种存储方式的好处是，可以用更少的空间存储数量更庞大的数据，并可以更方便地对数据进行快速检索和高效管理。而向量相似性搜索引擎中的向量，可以看作传统搜索引擎中的关键词和网站链接。通过向量搜索引擎，用户可以快速找到数据库中与输入向量相似的向量，然后再将向量转换为相应的文字、图像、音视频等信息来使用。应用场景：向量数据库及搜索引擎是一个重要的基础设施，主要通过 API 和客户端库供开发者使用，它广泛地应用于个性化推荐、文本/图像的处理与识别、实时数据分析与监测等领域，用来快速查找向量数据库中相似的向量，并转换为常规数据进行使用或分析。数据来源：向量数据库中的数据来自公开数据集、网络爬虫、第三方数据服务商等渠道的文字、图片、视频、音频等模态的向量数据。最后一轮融资：2024 年 2 月 15 日完成 1250 万美金 A 轮融资，由 Lightspeed 领投，融资后估值未公布。技术特点：Marqo 提供的功能与 Qdrant 类似，但 Marqo 使用更大众化的 Python 语言编写，可以无缝集成 Python 机器学习项目和数据库，更适合中小开发者使用，在 Python 开发者社区中也非常受欢迎。但是 Marqo 在处理高并发需求、大规模数据等复杂业务场景的性能不如 Qdrant。应用场景：Marqo 更适合 Python 项目或中小开发者相对简单的项目，而 Qdrant 更适合需要处理大量数据和高并发请求的大企业使用。05
企业/行业场景搜索
（1）Glean——估值已经 22 亿美金的打工人搜索引擎最后一轮融资：2024 年 2 月 27 日完成 2 亿美金 D 轮融资，由 Adams Street 领投，融资后估值为 22 亿美金。技术特点：Glean 是一款以搜索为核心的工作助手。它可以在公司内部各数据源中（包括 Outlook、Office、Google Workspace、Salesforce 等）进行交叉搜索，给出用户需要的文件、数据，或直接就问题给出答案。AI 会针对搜索者的职位和搜索习惯优化呈现的结果，即使搜索相同的关键词，同公司不同岗位的员工，也会获得不同的结果。除了传统模式的搜索引擎之外，用户还可以在 AI Chat 功能中直接询问 AI 或者用自然语言进行搜索，AI 在给出答案的同时，还会给出该内容出自哪个文档。此外，用户还可以在所有的文档中看到与这个文档有关的同事（比如作者、审批者等），方便公司进行信息的管理和协作。除了搜索功能外，Glean 还提供 AI 生成文字内容、管理日程安排、预定会议、快速访问常用文档和应用等便捷功能。据媒体报道，Glean 使用了包括 GPT 在内的多款大语言模型。应用场景：Glean 并没有特别针对的行业，算是一款工作场景通用的效率工具。（2）Hebbia——金融行业起步，ARR 已过千万美金最后一轮融资：2024 年 7 月 9 日完成 1.3 亿美金 B 轮融资，由 a16z 领投，融资后估值为 7 亿美金。
技术特点：Hebbia 的核心产品名为 Matrix，是一款主打专业化数据处理的 AI 工具。它可以从多个形式不同的文件中检索和提取多种数据，交叉核对后，在文档或表格中输出用户需要的数据。用户可以自定义任务内容，也可以将本次任务保存为模板，以便在日后的工作中使用。同时，在 AI 执行任务的过程中，用户可以监控 AI 每一步检索和校对的过程，了解这些数据的出处。用户还可以基于 Matrix 接入的所有数据源，询问 AI 相关问题，比如，让 AI 直接给出所有目标公司中年增长率超过 5 倍的公司名单。应用场景：Hebbia 目前专注于金融行业，它使用的 AI 模型也针对金融行业进行了特别训练，用于市场研究、证劵、投资、审计等多个细分场景。目前 Hebbia 的 ARR（年度经常性收入）已经达到了 1300 万美金，其 7 亿美金的估值约为 ARR 的 54 倍。在拿到融资后，Hebbia 开始把应用场景扩展到法律、咨询、政府、军工、制造业、制药等多个行业中。数据来源：公开信息、企业内部数据库、第三方数据库。（3）Alphasense——已经快上市的金融行业专用搜索引擎最后一轮融资：2024 年 6 月 11 日完成 6.5 亿美金 D 轮融资，Viking Global Investors 和 BDT & MSD Partners 共同牵头，Google 参与，融资后估值为 40 亿美金。技术特点：AlphaSense 又是一款专为企业和金融专业人士设计的搜索引擎，它整合了网络上关于金融市场的公开信息和一些内部信息，用户可以通过关键词搜索或与 AI 对话来搜寻信息。AI 在给出信息和行业观点后还会提供根据，以便用户进行交叉验证。AlphaSense 自行研发了适应金融领域的大模型 AlphaSense Large Language Model，这款模型可以理解复杂的金融术语和市场动态，基于大模型能力，AlphaSense 可以从大量文件中提取相关信息，进行分析，并输出行业观点。根据高盛的数据，AlphaSense 的 ARR 高达 2 亿美金，目前正在准备上市。应用场景：AlphaSense 的主要用户群体有金融分析师、企业战略决策者、市场研究人员等，用来快速搜索市场数据，辅助他们做出分析与决策。数据来源：公司文件、公开的财务数据、市场研究报告、专家分析、新闻报道、企业内部报告等。（4）CuspAI——材料专用 Search Engine创始人：Max Welling 教授和 Chad Edwards 博士最后一轮融资：2024 年 6 月 18 日完成 3000 万美金种子轮融资，由 Hoxton Ventures 领投，融资后估值未公布。技术特点：CuspAI 是一个材料学「搜索引擎」，用户输入用户理想中材料所需具备的特点与属性，AI 就会依据掌握的知识快速筛选不同的分子结构，给出一个或是几个可行的材料分子结构，供研究人员进一步研究。应用场景：CuspAI 主要应用于各种科研场景。最近，团队正在用 CuspAI 设计一种可供捕获和存储碳的材料，它可以吸收空气中的二氧化碳，并存储下来。（5）EXA——「针对」SEO，准确的链接优先于关键词创始人：Will Bryk 和 Jeff Wang（华裔）最后一轮融资：2024 年 7 月 16 日完成 1700 万美金 A 轮融资，由 Lightspeed 领投，融资后估值未公布。技术特点：EXA 是一款适应人工智能时代的搜索引擎，可以在复杂搜索场景下，满足 Google 和 Bing 无法满足的搜索需求。与 Google 最大的不同是，EXA 的 AI 模型使用了 Transformer 架构，搜索引擎可以直接理解用户的语义，并直接给出与语义最相关的链接，而不是靠关键词进行搜索，再让 AI 基于关键词搜索的结果进行整合。这样的模式能使获得的结果更加精准，也能够排除 SEO 的影响，尤其适合复杂场景下的搜索。应用场景：EXA 的使用场景主要是面向 B 端的，虽然 C 端用户也可以在网站端使用，但绝大多数用户是通过 API 调用，使用 EXA 的服务的。比如 AI 写作助手可以调用 EXA 的 API 直接查找与用户具有相似想法的论文或者 Blog，并将答案整合进输出中，提高内容的质量。EXA 还可以应用在企业市场调研、金融、法律等对信息质量要求较高，任务也相对复杂的搜索场景。写在最后
查找投融资信息时，我们也尝试查找国内 AI 搜索产品的投融资线索，结果发现，国内公司做 AI 的思路基本上都是将搜索功能整合进「大而全」的 AI 产品中，很难将其定义为单纯的 AI 搜索产品，比如虽然大模型公司月之暗面在 5 月 22 日进行了一笔融资，但我们很难将其归于 AI 搜索领域的投融资。而除了很难界定的产品外，我们并没有找到做 AI 搜索且在上半年获得融资的产品。这个原因可能是，目前市场上用户数量较多的 AI 产品，比如字节的豆包 、百度的文新一言、昆仑万维的天工等产品都包含了 AI 搜索功能，其他小公司靠做 AI 搜索似乎确实比较难拿到融资。转载原创文章请添加微信：founderparker