半年12.8亿美金，以为没什么机会的赛道，疯狂融资
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。
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。
这些资本青睐的 AI 搜索产品到底都长啥样？
Dexa ——搜索播客知识点，向“专家”提问
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。
Twelve Labs——生成视频难，不如先“理解”视频
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。
DayDream——强大的创始团队，能搞定一个新入口需要的流量吗？
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。
Constructor——“十年老兵”的思考，AI搜索落点在转化
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。
Remark——真人工·智能
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。
Adot——web3 与 AI 搜索
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。
Genspark——“小红书版”AI搜索引擎
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。
Qdrant
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。
Marqo
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。
数据来源：与 Qdrant 相同。
Glean ——估值已经 22 亿美金的打工人搜索引擎
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。
数据来源：互联网公开信息、企业内部数据。
Hebbia—— 金融行业起步，ARR 已过千万美金
总部所在地：美国纽约
视频来源：a16z
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。
Alphasense——已经快上市的金融行业专用搜索引擎
总部所在地：美国纽约
创始人：Jack Kokko
创立时间：2023 年
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。
CuspAI——材料专用 Search Engine
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。
数据来源：专业数据库。
EXA——“针对”SEO，准确的链接优先于关键词
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。
数据来源：互联网公开数据。
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。
