生成式搜索重塑信息检索：从结果排序到答案生成的范式转移
过去三十年，传统网络搜索始终基于相关性与权威性呈现列表式结果。随着大型语言模型（LLM）的崛起，搜索正从“结果排序”向“答案生成”转型。德国鲁尔大学与马克斯普朗克研究所的最新研究，系统对比了谷歌传统搜索与Google AI Overview、Gemini、GPT-4o Search及GPT-4o Tool四种生成式搜索引擎在政治、科学、商品等六大领域的表现，揭示了信息来源、知识依赖与内容结构的深刻变革。
信息来源更广但结构更趋专业化
生成式搜索引擎在信息来源广度上显著优于传统搜索。以Google AI Overview（AIO）为例，其平均53%的信息来源不在传统搜索前十结果中，27%甚至未进入前一百名。AIO生成答案时平均调用8.6个网页，而GPT-4o Tool仅调用0.4个，显示出模型间外部信息依赖度的巨大差异。尽管如此，GPT-4o Tool仍能覆盖全部主题中71%的概念，表明减少检索量并未显著降低主题完整性。
在来源结构方面，传统搜索结果89%来自全球访问量前一百万的域名，而GPT类模型这一比例降至81%。生成式引擎更多引用排名较低或非主流域名，提升了信息的多样性与新颖度。同时，其引用偏好转向企业网站与百科类内容，社交媒体与论坛类来源显著减少，呈现出更专业化的信息面貌。
输出形态转为叙事且存在多极分化
生成式搜索的输出已从“列表”转变为“叙事”。AIO平均生成1656字符的答案，Gemini长达2500字符，而GPT-4o Tool约为1000字符。通过LLooM主题识别模型分析发现，尽管各系统总体主题覆盖度相近（传统搜索与GPT-Search均为0.78，Gemini为0.77），但不同系统呈现的概念集合重叠度低，信息呈“多极分化”态势。
在处理歧义性强的查询（如同名人物或多义词）时，传统搜索仍具优势。其对模糊问题的主题覆盖率达67%，而生成式引擎则降至48%，显示出在复杂语义理解上的局限性。
实时话题表现分化与未来评价体系重构
时间敏感性是区分各类引擎的关键指标。面对“2025艾美奖获奖名单”等实时话题，Google AIO几乎不触发生成（仅3%），而依赖外部搜索的GPT-Search与Gemini表现更佳，主题覆盖率分别达72%和66%。相反，主要依赖内部知识的GPT-4o Tool因缺乏时效信息，在16%的案例中出现理解偏差或事实错误。
总体而言，生成式搜索以更广的来源、更高的概念压缩度和连贯的叙事结构重塑了人机交互方式。但其内部知识依赖与来源不透明性可能引发观点偏移与事实模糊风险。未来的搜索评价体系需从单一的“排名精度”转向涵盖“内容综合度”、“信息多样性”与“时间敏感性”的多维指标。搜索正从“找信息”迈向“整合知识”，如何在高效与多元之间取得平衡，将决定下一代搜索引擎的公信力与认知影响力。