AI 重塑瀏覽器：第三次瀏覽器戰爭的前夜

第三次瀏覽器戰爭正在悄然展開。從上世紀 90 年代的 Netscape、微軟的 IE，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。

但今天，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，有傳聞稱 Apple 有意在 Safari 中替換默認搜索引擎，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。

真正可能打破當前瀏覽器市場格局的，不是另一個"更好的 Chrome"，而是一種新的交互結構：不是信息的展示，而是任務的調用。未來瀏覽器要爲 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。

Google 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 Google 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。某知名公司旗下的瀏覽器在 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，該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，Google 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 Google 從 Safari 流量中獲取搜索廣告收入的 36%。換言之，Google 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。

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

某知名搜索引擎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，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，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，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