Google搜索软件工程总监Nikola Todorovic在《Search Off the Record》节目中，深入解析了AI技术在Google搜索内部的演进路径。作为SafeSearch工程团队负责人及拥有15年搜索部门经验的高管，他指出机器学习（ML）在搜索系统中的广泛部署面临挑战：复杂模型相较于简单系统更难理解与修复，常呈现“黑盒”特性，导致调试困难。
SafeSearch：AI模型的早期试验场
Todorovic表示，SafeSearch是Google早期成功部署AI模型的场景之一。其核心优势在于能将AI系统与主排名流程隔离，独立运行图像和视频分类器以生成内容安全信号。这种架构允许工程师在不干扰整体搜索体验的前提下对模型进行迭代优化。约12年前卷积神经网络技术的进步提升了图像理解能力，使SafeSearch成为搜索内部机器学习的自然切入点。
AI概览与传统搜索系统的融合机制
Todorovic将AI概览定义为叠加在传统检索和排名系统之上的功能层。底层仍沿用经典的检索逻辑，但引入了查询发散（query fan-out）机制，即并行执行多个相关子查询并整合结果。AI概览随后会对源文本、摘要片段及页面上下文进行合并与总结。相比之下，AI模式虽遵循类似逻辑，但具备更高的独立性，拥有更专属的基础设施平台。
传统搜索基础的核心价值
关于“黑盒”的讨论需置于完整语境中理解。Todorovic旨在说明ML部署的技术难点，而非暗示缺乏监管。这一观点印证了传统搜索系统对AI功能的支撑作用：即便Google增加了摘要生成与查询发散等上层能力，经典检索与排名机制依然是AI概览及相关功能的基石。这意味着无论结果呈现形式如何演变，传统搜索基础设施的相关性依然稳固。
AI模式扩展带来的潜在影响
随着AI模式的持续扩展，其与AI概览在架构上的差异值得关注。Todorovic指出AI概览相对隔离于主搜索流程，而AI模式则依托更多自有基础设施。这种结构性区别未来可能影响Google对可见性的解释方式、衡量标准体系以及SEO优化指导策略。