AI 时代的搜索引擎正在成为一个非常热门的领域，不仅有类似 Perplexity 这种比较通用的 AI 搜索引擎，AI 与电商搜索也在最近成为一个新趋势。
我在前段时间介绍了由两位百度高管做的 Genspark，则希望通过对 Web 的底层数据结构进行彻底的改革，来提供一种新的搜索体验。
他们提到了对底层数据结构的改革，我觉得是 AI 时代搜索引擎产品非常大的一个特点。因为打通底层数据，是 AI 最核心的一个能力，但打通什么类型的数据、如何打通以及打通后如何组织和呈现数据信息，可能正在成为 AI 搜索引擎产品的差异化所在。
包括我上一篇文章里提到的用 AI 寻找销售线索的产品，之所以增长那么快，目前的核心我觉得也是在打通数据并对其以适合企业营销增长为目的进行重新组织，包括大量不公开的数据。
上周，TC 报道称又一个 AI 搜索引擎 Hebbia 完成了 1 亿美金的 B 轮融资，由 a16z 领投，估值接近 8 亿美金，但目前这个融资还没有公开。Hebbia 这个产品我觉得非常有价值，它在 2022 年 9 月份完成 3000 万美金的 A 轮融资时我关注过，当时由 Index 领投。
其它投资人包括了雅虎创始人 Jerry Yang、Google 创始董事会成员兼首批投资者之一 Ram Shriram、Scale AI 创始人 Alexandr Wang 以及 Peter Thiel 等一大批个人投资人。
当时它给我印象最深的是这一点：Hebbia 的人工智能可以读取并理解没有被接触到的非结构化私人数据。其官方博客称Google 只索引了全球 4% 的数据，而 Hebbia 想处理的就是剩下的那 96% 的数据。
因此看得出核心也是在数据的处理这块，而它瞄准的更是那些大量不公开的数据。其应用场景基本上都是知识工作类型，比方说金融分析师、律师和咨询顾问等，他们工作有很大一部分是筛选演示文稿、仔细研究冗长的文档以及从大量电子表格中整理数据。
其工作的本质是在改造非结构化的数据，因此 Hebbia 希望通过改变我们与非结构化数据的交互方式来我们的工作方式。
创始人兼 CEO George Sivulka 说：理解人类语言的人工智能将成为未来十年最具影响力的发明，我们首先要改变金融服务业。
因此 Hebbia 严格来说是一个面向 ToB 的 AI 搜索引擎，一开始聚焦在金融行业，世界上一些最大的私募股权公司、对冲基金、咨询公司在 2 年前就已经是其付费客户。现在覆盖的场景除了金融行业外，还包括了律所和制药等领域。
它声称其人工智能可以同时查看数十亿份文件，包括 PDF、PPT、图像、邮件、电子表格和记录稿等任何文档类型，并返回具体的答案。
本质上可以认为它解决的是如何从大量散落在各种不公开的文档里找到自己想要的数据信息，今年 3 月份 Hebbia 推出的 Matrix 是最新的一个解决方案。Hebbia 说他们在 2020 年就部署了第一个 RAG 系统，但 RAG 在 84% 的用户查询中都失败了。
他们认为像“评估这个投资机会”这样的任务不是提示，而是过程；像“顶级游戏公司增长最快的收入部分是什么？”这样的问题从未在数据中说明过，它们与数据有关——远远超过单个上下文窗口所能容纳的数据。即使引用了来源和最有能力的模型，用户在不了解模型的思维过程的情况下就不能信任生成。
Hebbia 认为这不是技术问题，而是一个产品问题，其产品理念就是“AGI 是一个产品问题”，因此希望通过 Matrix 这个产品来改变大家的工作方式：
没有太过复杂的问题；
再多的数据也不算多；
响应不应该是一个黑匣子；
整个 Matrix 的解决方案和吴恩达之前谈到的 Agent 工作流非常类似《吴恩达谈 Agent 4个模式：Agent 工作流可实现 GPT-3.5 > GPT-4》，传统的 LLM 工作方式就像让一个人从头到尾写一篇文章，中间不能使用退格键。尽管这很难，但目前的大语言模型也完成得不错。
相比之下，Agent 式工作流是这样的：让 AI 编写文章大纲，看是否需要做一些研究，然后写初稿，阅读初稿并思考哪些部分需要修改，然后修改草稿，如此反复。这个工作流程更加迭代，在其中你可能让语言模型做一些思考，然后修改文章，然后做更多的思考，如此迭代多次，如下图。
因此 Matrix 的第一步就是对问题的分解。Hebbia 说，有了世界级的分解，就不会有太复杂的问题了（No question is too complex）。
当用户提出问题时，Matrix 会将复杂的任务……
VIP课程推荐
APP专享直播
热门推荐
收起
24小时滚动播报最新的财经资讯和视频，更多粉丝福利扫描二维码关注（sinafinance）
