一文读懂传统搜索与 AI 搜索：从网页排名到答案生成，YouTube 53.1% 案例解析

一文读懂传统搜索与 AI 搜索：从网页排名到答案生成，YouTube 53.1% 案例解析

为什么一个 YouTube 视频，会比 NIH、Cleveland Clinic 等专业网站更频繁地出现在 Google AI Overview 中？

这个问题背后，其实藏着搜索技术正在发生的一次重大变化：传统搜索是在帮你"找网页"，而 AI 搜索正在尝试帮你"找答案"。

最近，一项针对 Google AI Overview 的研究引起了不少关注。Searcherries 对 50 个维生素和膳食补充剂相关搜索进行了连续 7 天的跟踪。在 350 次 AI Overview 中，YouTube 被引用了 186 次，也就是出现在 53.1% 的回答中。

与此同时，各网站的引用频率为：

也就是说，在这组特定搜索中，YouTube 的 AI 引用出现频率甚至超过了很多传统医疗健康网站。

但是，如果我们仅仅把这个现象理解成"YouTube 的 SEO 做得很好"，其实并没有抓住真正的问题。真正值得研究的是：

为什么传统搜索中的"排名靠前"，正在逐渐变成 AI 搜索中的"被引用"？

这背后，是搜索系统架构发生了变化。

一、先看这个有意思的 53.1%：YouTube 为什么如此突出？

Searcherries 在 2026 年 8 月 30 日到 9 月 5 日期间，每天对相同的 50 个维生素和补充剂相关搜索进行测试。搜索环境是：美国英语、Desktop、New York 地区、关闭个性化、关闭缓存、每天相同的 50 个 Query、连续 7 天。

最终获得：350 次有效搜索，每次都出现 AI Overview，共 5,036 次引用、572 个不同页面、218 个不同网站。其中 YouTube 出现在 186 / 350 = 53.1% 的 AI Overview 中。

更有意思的是，YouTube 并不是每天都绝对第一——它和 GoodRx 实际上一直在竞争：

所以这里真正值得关注的不是"YouTube 是第一名"，而是：

AI Overview 为什么会把 YouTube、GoodRx、Healthline、Cleveland Clinic、NIH 等完全不同类型的内容放在一起？

答案要从搜索系统本身找。

二、传统搜索到底在做什么？

我们先回到最熟悉的 Google 搜索。比如你搜索 vitamins for hair growth，传统搜索系统的核心目标可以简单理解为：从互联网中找到与 Query 最相关的网页，然后把这些网页排序。

这里最核心的对象是 Document（网页）。因此传统搜索可以非常粗略地概括为 Document Retrieval + Ranking，也就是"找到网页 + 给网页排序"。

三、传统搜索的"第一名"是什么意思？

假设搜索 best vitamins for hair growth，传统搜索返回 Website A、B、C、D、E……用户接下来需要自己做三件事：点击（打开网页）、阅读（寻找真正有用的信息）、比较（打开多个网页，自己判断哪个说法更可信）。

一句话概括：搜索引擎负责"找"，用户负责"理解"。

四、AI 搜索出现以后，发生了什么？

现在假设我们问 What vitamins are good for hair growth?，AI Search 的目标开始发生变化。它不再只是告诉你"这里有 10 个网页"，而是希望直接给你一段综合答案，同时给出来源 A、B、C、YouTube 视频等。

这时候系统完成的任务已经不只是"找到网页"，而变成了"找到信息 → 理解信息 → 综合信息 → 生成答案 → 给出来源"：

这就是传统搜索和 AI 搜索最大的区别。

五、传统搜索 vs AI 搜索

把两套系统放在一起看，就非常清楚了：

所以我们可以用一句话总结：

传统搜索是 Document Retrieval，AI 搜索正在向 Information Retrieval + Answer Generation 演进。

六、最重要的变化：从"网页排名"变成"信息选择"

这是理解 AI Search 最关键的一步。以前的问题是"哪个网页应该排第一？“，现在的问题是"哪些信息应该进入最终答案？”——两者不是同一个问题。

传统搜索主要解决 A > B > C > D > ...（谁排第一），而 AI 搜索更像是从多个来源里挑证据组合成答案：

它可能从 A 拿一个事实、从 C 拿一个解释、从 F 拿一个例子、从 YouTube 拿一个视频观点、从 NIH 拿一份研究资料，然后生成一个综合答案。因此：

AI 搜索不一定需要找到"一个最好的网页"，它可能需要找到"一组能够共同支撑答案的信息"。

七、这也解释了一个非常重要的现象：Organic Ranking ≠ AI Citation

Searcherries 的研究恰好观察到了这一点。在这 350 次搜索中，只有 32.4% 的 AI 引用页面同时出现在同一次搜索记录下的传统 Organic Results 中，也就是说 67.6% 的被引用页面并没有出现在他们记录的传统 Organic Results 列表里。

如果按网站 Domain 比较，相同网站占 52.5%、不同网站占 47.5%。这意味着：

AI Overview 的来源选择，与传统 Organic Search 的结果并不是完全相同的一套东西。

当然，这并不意味着"Google 完全不看传统排名"，也不能简单推导出"排名已经没用了"。更准确的理解应该是：

传统排名和 AI 引用是两个相关但不等价的可见性机制。

八、为什么 AI Search 不需要简单地"复制搜索结果"？

因为用户的问题越来越复杂。例如传统 Query TensorRT 很好处理，但用户可能会问：“TensorRT 和 ONNX Runtime 有什么区别？如果我的模型部署在 NVIDIA GPU 上应该选哪个？如果还需要 INT8，两者的部署流程又有什么区别？”

这个问题实际上包含多个子问题：