谷歌甩给你3300万条结果，Exa只想给你54条：把搜索引擎重造一遍

在谷歌搜“把AI用于法律的创业公司”，结果页顶部会写着“约33,000,000条结果”。Exa的创始人兼CEO Will Bryk觉得这个数字很荒谬：没有人需要3300万条结果，人要的是一份清单。

Exa（前身叫Metaphor）的处理方式完全不同。它把整个互联网当成一个数据库，每次查询都是一次过滤。搜“用AI做法律的创业公司”，返回367家；加上“湾区”这个条件，过滤到54家。数字小到你亲自看完都来得及，而且每一条都对得上你的问题。

2024年3月5日，Cognitive Revolution播客主持人Nathan Labenz和这位年轻创始人聊了一个多小时。Exa当时公开的融资只有500万美元，团队规模是个位数，却自己训练搜索基础模型、自己爬网页、自己写向量数据库。这期节目把这套系统的每个零件都拆开讲了。

搜索和研究，是两件事

Bryk先给了一个区分。谷歌是搜索引擎，服务的是“你知道自己要找什么”的场景；当你不知道自己要找什么时，你做的是研究，这才是Exa的主场。

“搜‘Taylor Swift的男朋友’，你敲进谷歌，拿到答案。搜你自己的名字，拿到关于你的内容。但当你不知道要找什么时，你做的是研究。那是Exa发光的地方。”

他打了个比方：Exa更像一座图书馆。你走到图书管理员面前说，我想找用AI做法律的创业公司。这类公司有的根本不会在官网写“AI”和“法律”这两个词，可能只说“我们用某种机器学习算法处理法律文件”。关键词搜索抓不到它们，但一个真正懂内容的图书管理员可以。

他的判断很直接：谷歌实际上限制了人们对“网上能找到什么”的想象力。最直接的证据：你每次离开谷歌，去LinkedIn找人、去PitchBook查公司、去Twitter看高质量新闻，甚至去交友软件找约会对象，都是因为谷歌没接住你，它没有能力把网上的海量信息筛成你恰好要的那一份。

他在节目里举了几个谷歌完全接不住的查询：找一批“在湾区、创始人有Rust语言经验的研究员”；找“深入论证Rust在多进程场景下比Python强的高质量文章”；或者拿着一个你喜欢的网页设计师的主页，找出风格相似的其他设计师。这些需求你连往谷歌里输的欲望都没有，因为你知道它给不了。

主持人Nathan这几年把新一代信息工具试了个遍，还给每家起了外号：Perplexity是答案引擎，要的是最快最准的答案；you.com的Research Mode是自主研究助理，会多轮搜索、读页、综合，产出多页深度报告；Elicit是结构化文献综述工具，把论文摆成表格逐栏评估。这几家的当家人，Perplexity的Aravind Srinivas、you.com的Richard Socher，还有Elicit的创始团队，都上过他的节目。轮到Exa，他起了个新名字：例子引擎（example engine）。输入不一样，结果不一样，呈现反而最传统，就是一份链接列表。他说用下来真正拉开差距的是三样东西：结果质量、可控性、深度。

Bryk对名字的态度很坦诚：连造了它几年的人也说不清该叫什么，或许该叫研究引擎。现在的界面只是把API返回的东西直接亮出来，链接列表肯定不是消费级搜索的最终形态，语言模型会占有一席之地，他们之后想做一个更像研究者工作台的界面。

造法：让模型猜链接，猜几亿次

Exa自称研究型创业公司，有自己的GPU集群，自己训练搜索基础模型。核心训练思路在节目里讲得很清楚。

互联网上到处是“人在谈论链接”的场景。比如Reddit评论区有人写：“看看这家很酷的航空航天创业公司”，后面跟一个链接。Exa把链接藏起来，让模型根据前半段文本预测后面跟的是哪个链接。这样的训练做了数亿次，模型就学会了：当有人想要“一家很棒的航空航天创业公司”时，互联网上的人通常会指向哪个网址。

Bryk管这个叫“学习出来的PageRank”。如果人们说“一篇好的融资教程”时总在引用Paul Graham的文章，模型就学会了，下次有人搜“好的融资教程”，直接上Paul Graham那篇。

主持人追问了一个关键细节：这套机制和让GPT逐个token生成网址完全是两回事。直接生成URL，模型会大量编造不存在的链接。Exa的模型预测的是文档ID，输出在嵌入向量空间里完成。而且不能拿现成的transformer直接微调来做这件事，那等于逼模型死记硬背网址，行不通。他们花了一整年研究新的训练目标，愿意为产品上线先做一年研究的创业公司，很少见。

和谷歌的架构对比也很有意思。Bryk的判断是，谷歌的BERT类技术更像最后一道重排序：先用关键词体系从全网筛出一小批结果，再用神经网络重排。问题是，如果相关的东西没进那第一道筛选，后面的重排序再聪明也救不回来。

Exa从第一步就是神经网络的。他承认谷歌的系统远比“关键词”两个字复杂，有知识图谱，查奥巴马时会自动补上实体信息，但底色仍然是关键词匹配。

索引策略同样反常规。他们没有爬全网。谷歌要持续爬几千亿个网页，那是巨头才养得起的开支。Exa只爬一个高质量子集，客户关心的那一部分。省下来的资源，正好用来跑更复杂的算法。

爬什么也有讲究。模型的训练目标是预测“人们会分享的链接”。没人会分享一篇塞满广告的SEO菜谱文，人们分享的是那篇真正好的菜谱。这套机制天然反SEO：模型学到的是原始、干净、值得被推荐的内容。

向量数据库也是自研的。原因很具体：他们要做的远不止最近邻查找，查询里叠着各种过滤条件。市面上的开源向量库，不支持“先用一个嵌入搜，再用另一个嵌入过滤”这类操作，而且通用库为了照顾所有场景牺牲了速度。Bryk算过账，特定场景下优化出2到5倍的性能，收益巨大。

主持人问，这套数据库会不会单独卖钱。他拒绝了。要做成这件事，爬虫、解析、模型、线上服务，每一层都得自己做到极致，但公司的使命只有一个：把全世界的知识过滤成你要的那一份，别分心。

评测同样只能自己造。拿谷歌型查询评Exa，谷歌赢；拿Exa型查询评谷歌，Exa赢；公开数据集又全是为旧式搜索设计的。他们的解法是把主观问题拆成客观能力：查“Paul Graham的文章”，返回的是Paul Graham写的吗？查“关于太空探索”，结果真是这个主题吗？按能力逐项打分，主观评测就变成了客观评测，只是数据集全是内部的。

AI当搜索者：要的东西和人不一样

Exa的定位是“为AI系统造的搜索引擎”。Bryk列了四条，AI这个搜索者和人类几乎处处相反。

• 人类懒，最多敲几个关键词；AI能瞬间生成一两段话，把要什么写得清清楚楚，搜索引擎得接得住这种复杂查询。
• 人类搜完点开两三个链接看看就走；AI能一口吞下一百条结果，所以返回数量要够。
• 人类搜"Taylor Swift"时自己也不清楚想要什么，希望结果多样；AI要什么非常明确，要100家公司就返回100家公司，中间别混进博客、LinkedIn帖子和Reddit讨论。
• 人类要链接和标题，AI要整个网页的正文内容，它不想再开浏览器去读。

他的原话是：把这样一个全新的物种，接到一个为有机人类设计的东西上，配对效果不会好。我们找信息的方式是人类体验里这么重要的一部分，凭什么给这个超级新事物用旧技术？

这也解释了Exa一个古怪的使用方式。因为模型是按“链接跟在文本后面”训练的，最好的提问姿势是让文本看起来“下一秒就该出链接”。比如想要创业公司，就在提示词结尾写"(startup:"，网页上这个符号后面通常就是创业公司官网链接，模型会被强烈地引向你要的结果。

Bryk拿GPT-3时代来类比：ChatGPT出现之前，模型是纯文本补全，提示词要写得别扭，我妈都用不了；RLHF之后好用了，可控性却下降了。Exa现在就处在“难用但极可控”的阶段。好在用户大多是公司，让ChatGPT替你写提示词就行。

从写论文到找对象：大家拿Exa干什么

节目里最有画面感的是用例部分。

一个论文写作工具，用ChatGPT给写作者不断提议“接下来可以写什么”。ChatGPT自己不够聪明，需要接搜索引擎，接上Exa之后，你可以贴一段自己的想法，问“哪篇论文自然延续这个思路”。Bryk说，学术界的人用了二十年一个受限的工具，现在突然被打开了全世界的知识，“这就是我做这件事的原因”。

一个给VC用的项目发现工具，聊天界面里ChatGPT不停推荐值得约谈的初创公司，而这些公司VC靠传统渠道根本找不到。Bryk的总结是：更好的搜索能催生新的市场。

还有更生活化的。有人拿Exa做人的相似搜索，贴进一份交友资料，返回20个相似的人。Bryk说，他认识有人真的因为Exa在现实里见到了好几回面。数字世界通向了现实世界。

主持人补充了他看到的普遍需求：他接触的几乎每家公司都想规模化某种“相似者搜索”。这是几个销售得好的客户名单，我要更多类似的；这是一份出色的候选人简历，我要更多这样的简历。语言模型已经能把触达内容个性化到接近人类水准，但清单本身从哪来？输入是垃圾，后面全流程都是垃圾。这正是Exa卡位的地方。

他还在一家叫Athena的公司做顾问，那里的AI助理要帮客户达成目标，比如“提高肺活量”。助理自己没有这种专业知识，但知识在网上。用Exa找到一批讲如何提升肺活量的专家文章，再交给语言模型加工，就能产出具体行动：买这台机器，报这门线上课程。目标被专家内容拆解成了助理真能执行的事。

Exa消费者页面一度写着“重新发现互联网”。Bryk说，那些有趣的东西一直都在网上，只是算法把它们藏起来了。换了算法，它们就显形了，有人形容像揭开一座隐藏的知识神庙。他的分工论是：Exa是知识引擎，ChatGPT是组合引擎。找到100份相关文档交给GPT-4，甚至将来的GPT-5，魔法才会发生。

商业上，Exa定价10美元1000次搜索，每次最多返回25条结果，要100条更贵。主持人第一反应是贵，毕竟API产品的常见价是1到2美元1000次调用。听完用例他改了口：结果质量高，省下的迭代时间和下游处理成本远超差价，他还判断Exa的API生意在可见的未来会相当兴旺。

Bryk说客户很少抱怨价格，因为很多人是先用Bing API或谷歌的封装，发现拿不到想要的东西才找过来的。他们要的是“只返回人”“只返回公司”“只返回新闻”这种可控性，别处买不到，Exa把自己定位成高级搜索，用量大的走企业定制。使用模式大致三类：检索增强生成（RAG）、自动化分析，还有最夸张的，一次拉几十万甚至上百万条结果去微调模型。

分歧：嵌入向量是未来还是过去

这期节目最好看的一段，是主持人和嘉宾对嵌入向量（embeddings）的判断完全相反。

Nathan说他有个长期假设：未来系统跟系统通信会越来越多地用嵌入向量做媒介，两端都是原生在嵌入空间里工作的AI，硬要翻译成自然语言字符串再解析回去，低效且有损。他觉得Exa像是这个未来的一瞥。

Bryk的回应很直接：嵌入向量给我的感觉是过去。嵌入是起点，如果未来大家还靠它传递知识，我会失望。理由是信息损失：把一段文本压成一个向量，再跟索引里的文档向量做点积，这个操作天然有损，扛不住复杂查询。“湾区、用AI做法律、创始人有Rust经验”这种不断叠加条件的查询，指望一个向量加一次点积搞定，不可能。

他给了一个很有解释力的框架：从嵌入点积到完整transformer打分，中间是一条光谱。一端是查询向量和文档向量做点积，计算极便宜，可以扫全网；另一端是把查询原文和文档原文一起塞进transformer的上下文窗口，过一遍全部权重再打分，强大得多，但不可能对全网这么做。中间那些地带，几乎没人探索过。

至于怎么突破，他确认了主持人的直觉：把复杂查询拆解是对的，人类就是这么干的，公司也正在为此招人。但还有拆解也救不了的场景，比如信息分散在不同文档里：讲法律AI的网站不会顺带介绍创始人的Rust经历，得去全网别处把信息拼起来。方向是知识图谱式的结构，但要一直待在神经的、模糊的空间里。一旦做成“奥巴马的书、书的作者”这种离散元数据，查询就被元数据锁死了；全放在嵌入空间里，才能对整个图做任意复杂的查询。

他认为语言模型在生成文本、图像、视频上被翻来覆去研究，改进搜索算法这个方向却出奇地冷清，已经没有多少博士生写网页搜索的论文了。Nathan接了句玩笑：我们这代最聪明的人还在琢磨思维链呢。Bryk的结论是，这片空白需要一个激励结构对的公司去填。

价值观、小团队，和明天的行动清单

公司价值观里有一条直接来自产品哲学：“以最优的速度精度权衡做事”。Bryk的解释是，每条查询不该消耗同样的算力。谷歌默认什么查询都几百毫秒返回，但有些复杂查询值得在网上翻几秒甚至几分钟。这条迁移到经营上也成立：一个问题可以花一天也可以花一年，别无脑求快，也别无脑求稳，永远优化投入的确切数量。

另一条是“负责任地使用力量”。搜索引擎是人们通往世界知识的门，控制别人看到什么知识，就是控制力量，谷歌甚至影响了人们创作什么内容。Exa的哲学是把权力交给用户：不替用户判断对错、不给结果加偏向，让用户能明确说出自己想要什么，多复杂都行。Bryk承认这里有道德争议，但他认为在transformer技术终于能精确满足需求的前提下，这是最好的用法。

团队画面也值得一提：一群二十多岁的年轻人合住一栋房子，办公室就在里面，七个人像玩一样地工作。Bryk的原话是，七个把这事当玩的年轻人，会比五十个把它当工作的快得多。

至于格局，他认为信息检索的市场本身会大幅变大，多玩家共存的可能性比以前高了，但他依然觉得Exa会成为主导者。

最后是三件明天就能做的事。

• 改写你的查询。下次谷歌甩给你“约33,000,000条结果”，先别怀疑自己，把需求改写成一次数据库过滤：对象类型、限定条件、要的数量。“某类公司+某地+某特征+给我54条”，这个句式本身就是一份好需求。
• 花半小时试一次Exa（exa.ai）。提示词按“链接即将出现”的格式写，结尾加"(startup:"或"(article:"这类钩子；懒得学就让ChatGPT替你写。做销售获客、招聘寻源、找相似案例的人，把“给我更多像这个一样的”跑通一遍，感受一下差别。
• 先求能用，再求省钱。搭AI工作流时记住Nathan的顺序：先用最好的工具把东西做出来，别过早优化成本。10美元1000次搜索贵不贵，取决于它是不是唯一能给你对的结果的那一个。流程验证了，再谈降本。