本文来自微信公众号：表外表里（ID：excel-ers），作者：张冉冉、黑银柯、周霄，编辑：付晓玲 Reno，数据支持：洞见数据研究院，题图来自：视觉中国
“未来的搜索形式会不断地发生变化，但是它的市场规模之大，恐怕远超很多人的想象。”李彦宏4年前打出的子弹，时至今日，似乎击中了百度自己。
近期（七月底）B站投资者日上，管理层披露业务最新进展：“B站在搜索这块，有非常大的流量增长空间，今年Q2起，我们会增加搜索广告的尝试。”
而更早之前，3月初B站开始陆续出现搜索广告。比如搜索“游戏”，搜索结果中的第三个位置展示了游戏广告。
也就是说：B站给出商业化可能的答案，正是视频搜索。
实际上，这不是无源之水，也不是无本之末。行业趋势便是如此，目前视频平台的搜索趋势都愈加明显。抖快均在去年上线搜索广告，Tiktok也在今年3月放开搜索广告。
对于后面的发展，普遍信心十足。如快手2023Q1电话会议也说道：搜索流量快速增长，搜索广告转化效率更高。
巧合的是，这都是最新一个季度发生的转变。这显然离不开过去半年AIGC的大热——行业由TensorFlow时代，发展至Transformer时代。
当下，技术进步的催化，或许打开了视频搜索的可能性。过去受制于视频搜索技术、时间效率、成本（人工、硬件）等难题，正在不同程度地一一发生变化。
这自然会打破过去视频行业的商业化天花板。
相比长视频（缺乏有用性）、短视频（纯粹奶头乐）的特征，B站独特的中视频、泛知识、通俗有趣等特征，匹配搜索行为的特定需求，会产生更好的化合效应。
在AIGC时代，视频搜索或将成就B站的“野望”，同时，引发百度的“危机”。
AI实现“看视频说话”，视频平台就能坐上金矿？
很长的互联网发展周期里，视频搜索都被证明是一条很困难的赛道。
难就难在，视频搜索的整个搜索流程里（输入关键词→解析关键词→召回→结果呈现），召回和结果呈现环节，都存在很大挑战。
以召回环节来说，要实现这点——根据输入的关键词，与数据库内容进行匹配，检索出最符合的视频——不仅要求平台拥有丰富的视频内容池，还要有搜索的精准度。
内容丰富度方面，视频内容因为创作门槛高、时间短等原因，在深度与厚度沉淀上有限。
搜索精准度上，则存在更大的挑战。举个例子，在谷歌上搜索“边牧智商”，呈现的第一个搜索文章，内容里明确有边牧如何高智商的解释字眼。
但如果在YouTube上有一个视频，从能听懂人话、完成指令等各个动态维度，更直观展示了边牧智商很高，可标题、字幕等却没有提及边牧智商等文字标签，这个视频就很难被搜到。
之所以会这样，是因为视频融合了文字、图片等多模态信息，相比纯文章，内容理解要难得多——很难将视频里的狗子，识别成为边牧，更难把边牧的动作，和高智商挂钩。
事实上，2017年Transformer架构被提出之后，多模态模型已不断进化。
比如，先是谷歌由此架构提出了实现图像分类的ViT模型，将Transformer 带到了视觉领域，但该模型仍然只是单图像模态。
在其之后，OpenAI提出了CLIP模型，可以基于文本对图片进行分类，包括图像处理和文本处理两方面的内容，打破了过去二者泾渭分明的界限，实现多模态。
而且，CLIP在GPT-3的启发下，可以直接全网数据爬虫，一图一文匹配，稍微做筛选即可，几乎不需要人工标注，实现了更高的成本和时间效率。
要知道，过去的视觉模型都是基于人工标注的数据集训练，而一秒视频至少有24帧，短短一分钟的视频就能够提取出1440张图像，把其应用到视频识别上，成本极高。
但尽管CLIP在识别常见物体上表现良好，却无法处理更抽象的任务，比如输出图片中物体的个数等需要一定逻辑思维推理的任务。
也就是说，此时的图像识别，更像人的视网膜原理。但人不光是眼睛看到了当前的情况，大脑还得对情况有相应的反应。
这需要算法具备像大脑一样的语义理解能力，才能够全面理解视频，更好地支撑关键词的召回匹配和排序。
而几个月前发布的GPT-4，让这一问题有了解决的迹象。
比如在对话中输入下图，GPT-4的回答是“这是一棵生长在冰冻湖上的仙人掌，它周围长满了巨大的冰晶，远处还有白雪覆盖的山峰”。
继续问“这种景象在现实世界中是否常见”，其解释很少有这样的景象，并给出相应原因。
也就是说，最新的GPT 4已经具备了“看图说话”的能力——不仅做了物体的识别，还可以做很多语义的解读。
以此后推，随着AI模型加速迭代，“看视频说话”也指日可待。当然，反过来也能够实现文本生成视频，降低制作视频的门槛。
但GPT-4这个能力目前只在宣布阶段，还不存在一个完整的多模态大模型，需要一定时间的探索。
况且，多模态大模型要以图像和视频等作为训练数据，文件大小远大于语言类模型，算力成本极高。
比如，百度的文心一言虽然展示了视频生成能力，但因成本较高，现阶段还未对所有用户开放。
而在结果呈现环节，视频也不能像文章一样快速浏览，ctrl+F查找，一个十分钟的视频，可能到后半段才有你要的信息，再加上暂停、记录，三十分钟都搞不定。
但这个问题，国内已有音视频大模型破解：将视频信息归纳总结，想看哪一段，直接点击章节，就可以跳转到相应的时间段播放。
总的来说，随着视频AI技术的应用，视频搜索在核心的内容丰富度以及搜索精准度，都有望解决。
何况视频本身比文本就更加直观生动，更具吸引力——截至2022年6月，国内网民每天一半的网上娱乐时间都花在短视频平台上。
种种利好叠加，到那时，视频或能代替文本成为搜索的主流。当下在海外，这种苗头已经出现。
Chowdhury机构调研显示，近40%的年轻人在寻找吃饭的地方时，会在TikTok进行，而不是谷歌搜索。
可以看到，海外年轻人平均每天都要沉浸在TikTok上近两个小时。在这两个小时内，但凡看到有趣的内容，自然触发搜索行为。
这样的情况，让谷歌深感威胁。据透露，谷歌数百名员工被分配到一个被称为“重要的搜索转移”的项目中工作，该项目的内容是让搜索结果显示更多图像和视频。
显然，这对百度来说，也可能是未来会遇到的情况。
但“惊喜”，远不止此。
不同于文字，视频能润物细无声地植入广告，吸引用户点击。最早上线视频搜索广告的YouTube曾表示，视频搜索广告带来的点击次数比插播广告，高出近五倍。
不止点击率，广告价格方面也是一样。视频平台本身在算法推荐上就具备优势，再与搜索结合，广告精准度提升，就有人买单。
总的来说，视频搜索场景下，搜索广告的几大驱动因子——流量、加载率、点击率、价格等都有了进一步提高的可能。
这样一来，意味着一旦技术突破，视频搜索可能会重构搜索广告的生态与逻辑，视频平台相当于坐上了金矿。
“泼天富贵”终于轮到B站？
B站14周年庆上（6月召开），陈睿当着全国年轻人的面，向中长视频UP主服软称，“要用更真实的播放分钟数去替代播放次数，作为B站视频的主要外显数字。”
那么，为何B站会口风大变呢？
其实，管理层可能不是在讨好中长视频UP主们，而是要迎接自己的时代。
众所周知，一直以来，抖快以沉浸式娱乐内容，在日活、用户时长上，压了视频号、B站等以泛知识内容为主的平台一头。
但视频搜索场景下，两者的处境截然相反。
YouTube相关负责人曾提到：“YouTube上，每周经由关键词搜索而产生的视频浏览量有数十亿次，许多风格偏实用的视频正是通过这种方式被发现的。”
其所说的实用视频正是How to（如何......）类视频——YouTube上每天有数以百万计的搜索关键词当中包含“How to”，用户花在“How to”类视频的时间是“宠物和动物”的10倍。
原因在于：视频搜索是有目的性的，偏知识类的内容，更符合搜索需求。
而这也是B站的舒适区，可以看到，截至今年3月份，B站泛知识内容占比41%，“学习网站”的名头无意中越来越夯实。
如此就不难理解，为何“睿帝”低头，调整激励方式。
不过，内容优质只是一方面，视频搜索效率高，还要能提取足够多的关键词。
从这一点来看，同一关键词分别在抖音、B站搜索到的标题汇总显示：抖快视频标题很长，但大多数采用现成的tag，或者“标题党”类标题；
相比之下，B站的标题简单，可大多具备关键词汇，也更加专业。
搜索内容呈现也是一样，以“山东地震”为例，抖音搜索结果聚焦在“肯定要先跑出去呀”“啊啊啊啊啊，地震了”等博主本人感受。
B站搜索到的诸如“山东为何突然爆发地震？”等知识科普，创作者更多运用“板块运动”“断裂带”等专业词汇讲解。
也就是说，无论标题、内容，还是时长方面，中视频比短视频都更易提取关键词，与视频搜索更适配。
且短视频平台的创作者想转向做中长视频，恐怕也有难度。可以看到，过去一年，不少千万粉丝的抖音创作者入驻B站后，粉丝量表现均不佳。
此外，用户自己搜索所需下，优质的内容能够获得更长的生命周期。
仍以YouTube为例，上述所说的How to（如何......）类视频生命周期极长，即使过去很长时间，依然能维持较高的热度，甚至是逆袭式的消费曲线。
B站自己也有这样的畅想，2022Q4电话会议曾提到：B站上面有很多知识类内容，都有很好的历史价值，几年以后大家也都会去看它。ChatGPT的搜索体验，它可以把B站的内容积累的价值，更充分地发挥出来。
这样一来，会激励创作者产出更多优质内容，而不是像当下的Story Mode模式，不断冲击站内的中长视频UP主基本盘。
有了更多的优质内容，就能够扩大搜索流量池，广告主闻利而来，创作者也能获得更多收益，社区生态整个良性循环。
换言之，如果技术实现突破，相比可能让B站陷入“死亡螺旋”的Story Mode模式，视频搜索广告才是良药。（详情请参考《B站能否避开死亡螺旋？》一文）
更何况除了拉动正循环，搜索场景下，平台还掌握着宏观调控的权力。
如YouTube，2020年提升了how-to类内容和高商业化KOL分发权重，当年广告营收达到198亿美元，相比2017年翻了超过3倍。
就B站来说，可以将搜索流量分发至更多中腰部up主的推广视频中，一定程度上可以带着up主“共同富裕”。
小结
视频搜索的蓝图，让所有人垂涎。AI大模型加持下，技术正在突破ing，广阔的商业化变现空间，隐隐招手。
而B站尤甚，中视频与视频搜索更适配，这意味着盘活平台的创作者生态，促进新一轮的生态发展。
当然，预期总是美好的，但这一块短中期落地方面，仍存在较大的挑战。
比如，视频训练成本极高，同时AI联想能力并不可控，可能会导致不恰当关键词投放，让广告主落入负面风险中。
本文来自微信公众号：表外表里（ID：excel-ers），作者：张冉冉、黑银柯、周霄，编辑：付晓玲 Reno，数据支持：洞见数据研究院