所谓大语言模型，英文简称LLM（Large Language Model），指的就是一种使用大量语言文本，通过智能数据训练，得出人们所需要的文本的计算机模型。

比较经典的LLM，有美国的OpenAI、Gemini、Claude、中国的DeepSeek、豆包、千问等等。

在LLM大规模流行开以后，公众被其近似于人类语言的输出模式所震撼，甚至试图把一切决策都交给LLM，认为大语言模型这种人工智能（AI，Artificial Intellgence）会颠覆整个世界。

但是很快，大家又发现，LLM其实没法代替人类的思考。在诸如“我家到洗车店50米，所以我应该开车去还是走路去”这样的问题中，许多LLM都翻了车。

原因很简单，LLM其实本质上并不会思考这个世界，而是通过整理人类现有的大量语言文本，推理出近似的答案。这就是AI专家李飞飞所说的“AI没有感知现实世界的能力”。顺便多说一句，因为同样的原因，当面对迎面飞来的一块铁皮和一辆汽车时，智能驾驶模型往往也很难分辨哪个威胁更大。

由于根本没有人会在互联网上问“我家到洗车店50米，所以我应该开车去还是走路去”这样的蠢问题，同时会有不少文本描述“50米是一个近距离”以及“对于近距离走路比开车方便”，加上LLM其实根本不了解这个世界，所以许多LLM在这个看似愚蠢的问题上都翻了车，表示你应该走着去。

不管LLM带来了多大的冲击，以及这种冲击究竟能持续多久，但是在互联网商业世界中，一个不可否认的事实是：LLM的出现和普及，很可能会极大冲击传统搜索引擎的生意。

原因很简单，相对于传统的搜索引擎，LLM的效率实在是太高了。当我们只是简单搜索特定内容，而不是要求LLM进行逻辑思考时，会发现大语言模型比搜索引擎好用很多。

比如，如果我们想知道“巴塞尔协议对资本充足率的要求”，而不是“巴塞尔协议对资本充足率的要求是否合理”，就会发现，大语言模型简直是效率小能手。它能迅速给出你所需要的数字（我们往往会记不住其中一些细节），而且如果你需要的话，它还能给出这些数字的网络出处，以便你自己手动核实。

但是，对于传统搜索引擎来说，你需要做的是手动输入需要搜索的内容，然后在给出的网页里一条条去看。一般来说，你需要点开至少四、五个网站，看上七、八屏幕的文字，才能找到自己需要的内容。这个效率，比LLM低了可不止一点半点。

需要指出的是，由于LLM会出现的一些错误（比如众所周知的大语言模型被原始数据污染），所以LLM得出的结论，其准确性并不如自己在搜索引擎上一个个浏览网页以后得到的结果。

也就是说，LLM更适合模糊知道答案的询问者，而不是一无所知的询问者。比如我在询问“明朝皇帝的平均寿命是多少岁”时，我模糊知道这个数字应该在35到50之间，这时候如果LLM给出一个60或者70的答案，我会知道它又犯错了。

而如果对明朝历史完全没有了解，那么LLM一旦给出离谱的答案，就会给带到沟里去（比如认为因为只有50米的距离所以就应该走着去洗车，而不是开车去）。

也就是说，LLM在降低了一定的精确度的同时，极高地提高了搜索的效率。由于精确度略有降低，因此对有一定知识储备的询问者来说，使用LLM会比什么都不知道的小白更加方便，因为他可以判断答案是否大致正确。

我的好友张一云将这种现象比喻为搜索界的马太效应：有知识储备的研究者，会因为大语言模型迅速变得更强。他们和小白之间的差距，会因为LLM而变得更大。

在LLM极大地提高了搜索工作的效率以后，传统的搜索引擎变得相形见绌。而传统搜索引擎业务所依赖的广告生意，也会因为流量涌向LLM，而受到明显压制。

从这次大语言模型对传统搜索引擎行业带来的巨大冲击，我们可以发现互联网的变化之快，也可以从中理解为什么极其重视长期眼光的沃伦·巴菲特，即使身处互联网最发达的美国，也极少，或者说没有投资过互联网行业的公司（他投资过的苹果公司只能说和互联网行业略有搭边）。

要知道，曾几何时，搜索引擎行业被认为是互联网行业中最好的商业模式。当一个搜索引擎被越多人使用的时候，它的规模就越大；规模越大，就越会有网站愿意接入搜索引擎，越多的公司愿意给它广告费；随着公司脉络的延伸，就会有越多的用户使用搜索引擎。

于是，在几乎各个市场上，我们都可以看到，在LLM流行以前，头部搜索引擎公司几乎垄断了搜索市场。这种优势一度被认为是无可撼动的（包括我在早年的分析中也错误地这样认为，人总是难免会犯错），是“城头变幻大王旗”的互联网行业中，为数不多的中流砥柱。

但是，随着LLM的流行，搜索引擎公司的护城河正在被快速侵入。这种变化之迅速、冲击力之广，在传统行业中很难出现。比如，我们难以想象，一种新的饮品会立刻颠覆中国人对茶叶的喜好、或者欧洲人对咖啡的执着。而这次大语言模型对搜索引擎带来的巨大挑战，也就给我们上了一堂生动的商业分析课：永远不要低估互联网行业中的变化与挑战。

（作者陈嘉禾，系九圜青泉科技首席投资官）

（本文内容仅代表作者个人观点）

责编：梁秋燕

校对：陶谦