AI 瀏覽器:重構互聯網入口的新戰場

第三次瀏覽器戰爭正在悄然展開。回顧歷史,從上世紀90年代的Netscape、微軟的IE,再到開源精神的Firefox與Google的Chrome,瀏覽器之爭一直是平台控制權與技術範式變遷的集中體現。Chrome憑藉更新速度與生態聯動奪得霸主地位,而Google通過搜索與瀏覽器的"雙寡頭"結構,形成了信息入口的閉環。

然而今天,這一格局正在動搖。大型語言模型(LLM)的崛起,使得越來越多用戶在搜索結果頁"零點擊"完成任務,傳統的網頁點擊行爲正在減少。同時,有關Apple有意在Safari中替換默認搜索引擎的傳聞,進一步威脅Alphabet的利潤根基,市場已開始顯露出對"搜索正統"的不安。

瀏覽器本身也正面臨角色重塑。它不僅是展示網頁的工具,更是數據輸入、用戶行爲、隱私身分等多種能力的集合容器。AI Agent雖強,但若要完成復雜的頁面交互、調用本地身分數據、控制網頁元素,仍然需要借助瀏覽器的信任邊界和功能沙盒。瀏覽器正在從人類界面,變成Agent的系統調用平台。

未來瀏覽器的關鍵在於爲AI Agent設計 - 不僅能讀,還能寫和執行。像Browser Use這樣的項目正嘗試將頁面結構語義化,把可視化界面變成LLM可調用的結構化文本,實現頁面到指令的映射,極大降低交互成本。

市面上主流項目已開始試水:Perplexity構建原生瀏覽器Comet,用AI代替傳統搜索結果;Brave把隱私保護與本地推理結合,用LLM增強搜索與屏蔽功能;而Donut等Crypto原生項目,則瞄準AI與鏈上資產交互的新入口。這些項目共同特徵是:試圖重構瀏覽器的輸入端,而非美化其輸出層。

對創業者而言,機遇藏在輸入、結構與代理的三角關係中。瀏覽器作爲未來Agent調用世界的接口,意味着誰能提供可結構化、可調用、可信任的"能力塊",誰就能成爲新一代平台的組成部分。從SEO到AEO(Agent Engine Optimization),從頁面流量到任務鏈調用,產品形態與設計思維都在重構。第三次的瀏覽器戰爭,發生在"輸入"而非"展示";決定勝負的,不再是誰抓住用戶的眼球,而是誰贏得了Agent的信任,獲得調用的入口。

瀏覽器發展簡史

在上世紀90年代初,互聯網尚未成爲日常生活的一部分時,Netscape Navigator橫空出世,如同開啓新大陸的帆船,爲數以百萬計的用戶打開了通往數字世界的大門。這款瀏覽器並非第一個,但卻是第一個真正意義上走向大衆、塑造互聯網體驗的產品。彼時,人們第一次能如此輕鬆地通過圖形界面瀏覽網頁,仿佛整個世界都突然變得觸手可及。

然而,輝煌往往短暫。微軟很快意識到瀏覽器的重要性,並決定將Internet Explorer強行捆綁進Windows操作系統,讓其成爲默認瀏覽器。這一策略堪稱"平台殺手鐧",直接瓦解了Netscape的市場主導地位。許多用戶並非主動選擇IE,而是因爲系統默認便接受了它。IE借助Windows的分發能力,迅速成爲行業霸主,Netscape則陷入了衰敗的軌道。

在困境中,Netscape的工程師選擇了一條激進而理想主義的道路 - 他們將瀏覽器原始碼公開,向開源社區發出召喚。這一決定,仿佛是一次技術界的"馬其頓式讓位",預示着舊時代的終結與新力量的崛起。這段代碼後來成爲Mozilla瀏覽器項目的基礎,最初命名爲Phoenix(意爲鳳凰涅槃),卻因商標問題幾經更名,最終定名爲Firefox。

Firefox並非簡單復制Netscape,它在用戶體驗、插件生態、安全性等方面實現了多項突破。它的誕生標志着開源精神的勝利,也爲整個行業注入新的活力。有人形容Firefox是Netscape的"精神繼承者",如同奧斯曼帝國繼承了拜佔庭的餘暉。這一比喻雖誇張,卻頗具意味。

但在Firefox正式發布前的幾年,微軟早已發布了六個版本的IE,憑藉時間優勢和系統捆綁策略,使Firefox一開始便處於追趕地位,注定這場競賽並非起跑線平等的公平競爭。

與此同時,另一個早期玩家也在悄然登場。1994年,Opera瀏覽器問世,它來自挪威,起初只是一個實驗性項目。但從2003年的7.0版本起,它引入了自研的Presto引擎,率先支持CSS、自適應布局、語音控制以及Unicode編碼等前沿技術。雖然用戶數量有限,但技術上始終走在行業前列,成爲"極客的最愛"。

同年,蘋果推出了Safari瀏覽器。這是一場別有意味的轉折。彼時,微軟曾向瀕臨破產的蘋果注資1.5億美元,以維持競爭表象、避免反壟斷審查。雖然Safari從誕生起的默認搜索引擎是Google,但這段與微軟的歷史糾葛象徵着互聯網巨頭之間復雜而微妙的關係:合作與競爭,總是如影隨形。

2007年,IE7隨Windows Vista推出,但市場反饋平平。反觀Firefox,憑藉更快的更新節奏、更友好的擴展機制以及對開發者的天然吸引力,市場份額穩步提升至約20%。IE的統治逐漸松動,風向正在改變。

谷歌則是另一種打法。雖然從2001年起就開始醞釀打造自家瀏覽器,但花了六年時間才說服CEO埃裏克·施密特批準這個項目。Chrome於2008年問世,基於Chromium開源項目與Safari所用的WebKit引擎打造。它被戲稱爲"臃腫"的瀏覽器,但憑藉谷歌對廣告投放與品牌塑造的深厚功力,迅速崛起。

Chrome的關鍵武器並非功能,而是頻繁的版本更新節奏(每六周一次)與全平台統一體驗。2011年11月,Chrome首次超越Firefox,市場份額達到27%;六個月後,又反超IE,完成了從挑戰者到主宰者的轉變。

與此同時,中國的移動互聯網也在形成自己的生態系統。阿裏巴巴旗下的UC瀏覽器在2010年代初迅速躥紅,尤其是在印度、印尼、中國等新興市場,依靠輕量級設計、壓縮數據節省流量等特性,贏得了低端設備用戶的青睞。2015年,其全球移動瀏覽器市場份額突破17%,在印度一度高達46%。但這場勝利並不持久。隨着印度政府加強對中國應用的安全審查,UC瀏覽器被迫退出關鍵市場,逐漸失去往日輝煌。

進入2020年代,Chrome的主導地位已經確立,全球市場份額穩定在約65%。值得注意的是,Google搜索引擎與Chrome瀏覽器雖然同屬Alphabet,但從市場層面看卻是兩個獨立的霸權體系 - 前者控制了全球約九成的搜索入口,後者則掌握了大多數用戶進入網路的"第一窗口"。

爲了守住這一雙重壟斷結構,谷歌不惜重金投入。2022年,Alphabet向蘋果支付約200億美元,只爲讓Google保持在Safari中的默認搜索地位。有分析指出,這筆支出相當於谷歌從Safari流量中獲取搜索廣告收入的36%。換言之,谷歌正爲護城河支付"保護費"。

但風向又一次變化。隨着大型語言模型(LLM)的崛起,傳統搜索開始受到衝擊。2024年,Google的搜索市場份額自93%跌至89%,雖仍稱霸,但裂痕初現。更具顛覆性的,是關於蘋果或將推出自有AI搜索引擎的傳聞 - 若Safari默認搜索改投自家陣營,這不僅將改寫生態格局,更可能撼動Alphabet的利潤支柱。市場反應迅速,Alphabet股價從170美元應聲下跌至140美元,反映的不僅是投資者的恐慌,更是對搜索時代未來走向的深度不安。

從Navigator到Chrome,從開源理想到廣告商業化,從輕量瀏覽器到AI搜索助手,瀏覽器之爭始終是一場關於技術、平台、內容與控制權的戰爭。戰場不斷遷移,但本質從未改變:誰掌握入口,誰就定義未來。

在VC眼中,依托LLM和AI時代人們對搜索引擎的新需求,第三次瀏覽器戰爭正在逐步展開。以下是部分知名AI瀏覽器賽道的項目的融資情況。

現代瀏覽器的老舊架構

談及瀏覽器的架構,經典的傳統架構如下圖所示:

客戶端 - 前端入口

查詢經HTTPS送達最近的Google Front End,完成TLS解密、QoS採樣和地理路由。若檢測到異常流量(DDoS、自動抓取)可在此層限流或挑戰。

查詢理解

前端需要理解用戶鍵入的單詞的含義,有三個步驟:神經拼寫校正,將"recpie"糾正爲"recipe";同義詞擴展,將"how to fix bike",拓展到"repair bicycle"。意圖解析,判定查詢是資訊、導航還是交易意圖,並分配Vertical請求。

候選召回

Google使用的查詢技術被稱爲:倒排索引。在正序索引中,我們都是給定一個ID就可以索引到文件。但是用戶不可能知道想要的內容在上千億個文件中的編號,因此其採用了非常傳統的倒排索引,通過內容來查詢到哪些文件有對應的關鍵字。接下來,Google採用向量索引用於處理語義搜索,即查找與查詢含義相似的內容。它將文本、圖像等內容轉換爲高維向量(embedding),並根據這些向量之間的相似性進行搜索。例如,即使用戶搜索"如何制作披薩面團",搜索引擎也能返回與"披薩面團制作指南"相關的結果,因爲它們在語義上相似。經歷了倒排索引和向量索引,大約十萬量級的網頁會被初篩出來。

多級排序

系統通常通過BM25、TF-IDF、頁面質量分等數千維輕特徵,將十萬級規模的候選頁面篩選至約1000篇,構成初步候選集。這類系統被統稱爲推薦引擎。其依賴多種實體生成的海量特徵,包括用戶行爲、頁面屬性、查詢意圖與上下文信號。例如,Google會綜合用戶歷史、其他用戶的行爲反饋、頁面語義、查詢含義等信息,同時還考慮上下文要素,如時間(一天中時段、一周中的具體日子)與實時新聞等外部事件。

深度學習進行主排序

在初步檢索階段,Google使用RankBrain和Neural Matching等技術來理解查詢的語義,並從海量文檔中篩選出初步相關的結果。RankBrain是Google於2015年引入的機器學習系統,旨在更好地理解用戶查詢的含義,尤其是首次出現的查詢。它通過將查詢和文檔轉換爲向量表示,計算它們之間的相似性,從而找到最相關的結果。例如,對於查詢"如何制作披薩面團",即使文檔中沒有完全匹配的關鍵詞,RankBrain也能識別出與"披薩基礎"或"面團制作"相關的內容。

Neural Matching是Google於2018年推出的另一項技術,旨在更深入地理解查詢和文檔之間的語義關係。它使用神經網路模型來捕捉詞語之間的模糊關係,幫助Google更好地匹配查詢和網頁內容。例如,對於查詢"爲什麼我的筆記本電腦風扇聲音很大",Neural Matching能夠理解用戶可能在尋找有關過熱、灰塵積聚或高CPU使用率的故障排除信息,即使這些詞語沒有直接出現在查詢中。

深度重排:BERT模型的應用

在初步篩選出