当我们回望2023年，那是一个注定会被载入史册的年份。那被称为“AI大模型的元年”，从OpenAI接连推出的GPT系列版本，到全球范围内大模型的密集发布，技术与应用的突破、行业生态的初步形成，以及其对社会影响的广泛渗透，构成了一幅波澜壮阔的技术变革图景。在这一波浪潮中，我们见证了从单纯的“对话框”向“智能搜索”与“智能体（Agents）”的范式转移。

最近，关于各类AI搜索工具的“专业评分”在技术圈和开发者社区内引发了广泛讨论。有人认为这些评分受限于测试集（Benchmark）的局限性，有人则认为其过于主观。但在深度观察了这一轮技术演进的逻辑后，我个人的感觉是：这些专业评分，尤其是基于任务完成度、逻辑推理与工具调用能力的评估，还是比较客观的。

这种“客观性”并非来源于某种权威的定论，而是源于AI能力的底层逻辑正在发生根本性的重构。

首先，AI搜索正在经历从“信息检索”向“答案生成”的范式转变，而这种转变可以通过极其明确的指标来衡量。以目前极具代表性的Perplexity为例，其增长逻辑并非依赖于大规模的营销投入，而是依赖于一种“飞轮效应”。正如其增长负责人在访谈中所言，他们基本没有进行大规模的付费推广，其用户增长更多源于产品本身带来的价值回馈。这种价值回馈在专业评分中表现为极其直观的“响应准确率”与“信源可靠性”。当一个搜索工具能够像黄仁勋所评价的那样，成为用户最信赖的搜索工具时，其背后的技术指标——即对网页信息的抓取、清洗、总结与引用的精准度——是无法通过营销来粉饰的。这种基于事实准确性的评分，天然具备一种由数据支撑的客观性。

其次，评估维度的增加，使得评分体系正从“语言理解”转向“执行能力”。在红杉中国第三届AI Day上，一个核心主题是“AI Agents：从Copilot到Col规（From Copilot to Colleague）”。这意味着，我们评价一个AI搜索或AI工具的标准，不再仅仅看它能否“说得漂亮”，而是在于它能否“做得专业”。当AI从一个简单的助手（Copilot）向一个能够独立承担任务的伙伴（Colleague）演进时，评估标准也随之变得硬核。

这种演进在Anthropic的技术实践中得到了具象化的体现。例如，关于“HTML是否是AI输出的新标准”的讨论，实际上触及了AI交互能力的深层变革。Anthropic发布了专为AI Agent系统打造的专业领域工具规范（Skills），这不仅是MCP（Model Context Protocol）的强大补充，更是通过降低门槛与资源消耗，为AI提供了更具结构化的输出能力。如果一个AI在处理结构化数据、生成可执行的HTML代码、或是调用外部API时表现出更高的稳定性，那么在专业评分体系中，这种“技能（Skills）”的维度就是极其硬性的。这种基于代码正确率、协议兼容性和任务闭环能力的评估，具有极高的技术确定性，很难产生主观偏差。

然而，这种技术的狂飙突进也伴随着一层挥之不去的阴影。BBC的一篇深度报道曾提出一个尖锐的问题：“为什么AI公司想让你害怕？”这种恐惧来源于算法黑盒对信息流的重塑，以及AI生成内容对人类认知边界的侵蚀。这种情绪化的讨论，虽然在社会学层面具有深远的意义，但在技术评估层面，它实际上为“安全性”和“对齐（Alignment）”这一评估指标提供了新的权重。一个优秀的AI搜索工具，其专业评分不仅要看其“聪明程度”，还要看其“边界感”——即在处理敏感信息、避免幻觉、遵守伦理性准则方面的表现。这种安全性的评估，正逐渐从定性的讨论转向定量的测试。

与此同时，Google Gemini等巨头的入场，进一步强化了这种竞争格局的客观性。当Google将其深厚的搜索基因与大规模多模态模型结合时，它所面临的评测压力是全方位的。对于巨头而言，任何一次模型能力的微小波动，都会在长期的用户留存和专业测评中呈现出来。这种大规模的市场竞争，本质上是一场由真实用户反馈和硬核技术指标共同构建的、无法作弊的“大评测”。

综上所述，我认为目前的AI搜索专业评分之所以显得客观，是因为评价的锚点已经从“主观的语感”转移到了“客观的任务达成率”。当AI的能力边界扩展到可以理解HTML标准、可以作为Agent执行复杂指令、可以利用飞轮效应驱动自主增长时，衡量它的尺子也就变得越来越清晰——那便是逻辑的严密性、工具调用的准确性、以及对人类意图的还原度。

我们正处在一个从“搜索信息”到“搜索答案”，再到“搜索行动”的过渡阶段。在这个过程中，尽管技术迭代带来的不确定性令人不安，但那些建立在算法鲁棒性、工程规范化和数据真实性之上的评分体系，正为我们提供一个相对可靠的坐标系，让我们在AI的迷雾中，能够清晰地辨别出哪些是真正的技术突破，哪些仅仅是营销的泡沫。