6
0以Perplexity为代表的AI搜索与传统搜索很重要的一个区别在于：直接给出答案。这对内容创作会有什么影响呢？
传统搜索会根据搜索关键词的相关性对内容链接（信源）进行排序，并且以相关性强以及相关联的内容广（多）为特色，抓取尽可能多的内容，为商业化提供尽可能大的空间。用户根据搜索引擎提供的链接自己寻找答案。
AI生成式搜索则是直接给出答案，然后提供与答案相关联的内容链接。在这个过程中，AI不仅会对答案进行整理和输出，更重要的是会对不同信源的内容进行筛选和判断。
根据搜索的问题，判断哪些内容是有价值的哪些是没有的，并过滤掉很多信源内容。Perplexity的创始人说，这样的生成方式或许会倒逼内容创作者创作更加优质的内容，而不是仅靠“标题党”和情绪价值来吸引眼球。
如何判断什么是优质的好内容呢？Perplexity的创始人表示信源的“权威性”很重要。但是随着内容创作生态的越来越丰富，信源的权威性也需要多维度的指标进行判断，换句话说“权威性”这一个指标对内容进行好坏判断很显然是太单一了。在《如何解决信息割裂和茧房问题》文章里提到对内容进行判断时，在互动数据的基础上加上“人群属性”数据。在这里希望对这个问题如何实践进行讨论。
对内容判断有两个维度：
1、对单一内容质量的判断；
2、对内容创作账号（信源）质量的判断。
在互动数据以及信源信息的基础上如何加入人群属性数据对两者的质量进行判断呢？
在《如何解决信息割裂和茧房问题》文章里提到：
大众娱乐信息覆盖的人群越广人群属性越丰富越均衡，就意味着质量越高，也就是说大众娱乐信息需要在广大的人群中达成共识；专业和深度信息则是需要在权威专业人群里达成共识。
在实践中如何操作呢？
首先是对内容进行分类，然后选取某个分类里面50-100个优质的内容，然后对这个内容的人群属性进行大数据分析生成数据指标模型，然后再用这个模型去衡量其他内容的人群属性，匹配度越高就意味着内容质量好的可能性越大。
这里有两个问题：
1、由专业人员组成的专业评审团选取50-100个优质内容案例；
2、50-100个优质内容案例是动态的。
这个方法适用于单一内容，也适用于内容创作的账号，这里的关键是筛选出优质内容和账号人群属性的共性模型。这里有一个很重要的逻辑是不单纯依靠机器推荐算法，引入专业权威人员的判断和筛选。在现实生活中，依赖专业评审对内容进行判断的案例并不少见，比如学术论文的评审、诺贝尔奖的评审、奥斯卡的评审等等。
归根结底，内容分发的目的是把优质的内容分发给更多的用户，而不是让用户只看到自己喜欢的内容，打破“小我”，寻找“大我”，这个理论依据在《如何解决信息割裂和茧房问题》做过简单描述。
