AI 重塑浏览器：第三次浏览器战争的前夜

第三次浏览器战争正在悄然展开。从上世纪 90 年代的 Netscape、微软的 IE，到开源精神的 Firefox 与 Google 的 Chrome，浏览器之争一直是平台控制权与技术范式变迁的集中体现。Chrome 凭借更新速度与生态联动夺得霸主地位，而 Google 通过搜索与浏览器的"双寡头"结构，形成了信息入口的闭环。

但今天，这一格局正在动摇。大型语言模型（LLM）的崛起，使得越来越多用户在搜索结果页"零点击"完成任务，传统的网页点击行为正在减少。同时，有传闻称 Apple 有意在 Safari 中替换默认搜索引擎，进一步威胁 Alphabet 的利润根基，市场已开始显露出对"搜索正统"的不安。

浏览器本身也正面临角色重塑。它不仅是展示网页的工具，更是数据输入、用户行为、隐私身份等多种能力的集合容器。AI Agent 虽强，但若要完成复杂的页面交互、调用本地身份数据、控制网页元素，仍然需要借助浏览器的信任边界和功能沙盒。浏览器正在从人类界面，变成 Agent 的系统调用平台。

真正可能打破当前浏览器市场格局的，不是另一个"更好的 Chrome"，而是一种新的交互结构：不是信息的展示，而是任务的调用。未来浏览器要为 AI Agent 设计 - 不仅能读，还能写和执行。像 Browser Use 这样的项目正尝试将页面结构语义化，把可视化界面变成 LLM 可调用的结构化文本，实现页面到指令的映射，极大降低交互成本。

市面上主流项目已开始试水：Perplexity 构建原生浏览器 Comet，用 AI 代替传统搜索结果；Brave 把隐私保护与本地推理结合，用 LLM 增强搜索与屏蔽功能；而 Donut 等 Crypto 原生项目，则瞄准 AI 与链上资产交互的新入口。这些项目共同特征是：试图重构浏览器的输入端，而非美化其输出层。

对创业者而言，机遇藏在输入、结构与代理的三角关系中。浏览器作为未来 Agent 调用世界的接口，意味着谁能提供可结构化、可调用、可信任的"能力块"，谁就能成为新一代平台的组成部分。从 SEO 到 AEO（Agent Engine Optimization），从页面流量到任务链调用，产品形态与设计思维都在重构。第三次的浏览器战争，发生在"输入"而非"展示"；决定胜负的，不再是谁抓住用户的眼球，而是谁赢得了 Agent 的信任，获得调用的入口。

浏览器发展简史

在上世纪 90 年代初，互联网尚未成为日常生活的一部分时，Netscape Navigator 横空出世，如同开启新大陆的帆船，为数以百万计的用户打开了通往数字世界的大门。这款浏览器并非第一个，但却是第一个真正意义上走向大众、塑造互联网体验的产品。彼时，人们第一次能如此轻松地通过图形界面浏览网页，仿佛整个世界都突然变得触手可及。

然而，辉煌往往短暂。微软很快意识到浏览器的重要性，并决定将 Internet Explorer 强行捆绑进 Windows 操作系统，让其成为默认浏览器。这一策略堪称"平台杀手锏"，直接瓦解了 Netscape 的市场主导地位。许多用户并非主动选择 IE，而是因为系统默认便接受了它。IE 借助 Windows 的分发能力，迅速成为行业霸主，Netscape 则陷入了衰败的轨道。

在困境中，Netscape 的工程师选择了一条激进而理想主义的道路 - 他们将浏览器源代码公开，向开源社区发出召唤。这一决定，仿佛是一次技术界的"马其顿式让位"，预示着旧时代的终结与新力量的崛起。这段代码后来成为 Mozilla 浏览器项目的基础，最初命名为 Phoenix（意为凤凰涅槃），却因商标问题几经更名，最终定名为 Firefox。

Firefox 并非简单复制 Netscape，它在用户体验、插件生态、安全性等方面实现了多项突破。它的诞生标志着开源精神的胜利，也为整个行业注入新的活力。有人形容 Firefox 是 Netscape 的"精神继承者"，如同奥斯曼帝国继承了拜占庭的余晖。这一比喻虽夸张，却颇具意味。

但在 Firefox 正式发布前的几年，微软早已发布了六个版本的 IE，凭借时间优势和系统捆绑策略，使 Firefox 一开始便处于追赶地位，注定这场竞赛并非起跑线平等的公平竞争。

与此同时，另一个早期玩家也在悄然登场。1994 年，Opera 浏览器问世，它来自挪威，起初只是一个实验性项目。但从 2003 年的 7.0 版本起，它引入了自研的 Presto 引擎，率先支持 CSS、自适应布局、语音控制以及 Unicode 编码等前沿技术。虽然用户数量有限，但技术上始终走在行业前列，成为"极客的最爱"。

同年，苹果推出了 Safari 浏览器。这是一场别有意味的转折。彼时，微软曾向濒临破产的苹果注资 1.5 亿美元，以维持竞争表象、避免反垄断审查。虽然 Safari 从诞生起的默认搜索引擎是 Google，但这段与微软的历史纠葛象征着互联网巨头之间复杂而微妙的关系：合作与竞争，总是如影随形。

2007 年，IE7 随 Windows Vista 推出，但市场反馈平平。反观 Firefox，凭借更快的更新节奏、更友好的扩展机制以及对开发者的天然吸引力，市场份额稳步提升至约 20%。IE 的统治逐渐松动，风向正在改变。

Google 则是另一种打法。虽然从 2001 年起就开始酝酿打造自家浏览器，但花了六年时间才说服 CEO 埃里克·施密特批准这个项目。Chrome 于 2008 年问世，基于 Chromium 开源项目与 Safari 所用的 WebKit 引擎打造。它被戏称为"臃肿"的浏览器，但凭借 Google 对广告投放与品牌塑造的深厚功力，迅速崛起。

Chrome 的关键武器并非功能，而是频繁的版本更新节奏（每六周一次）与全平台统一体验。2011 年 11 月，Chrome 首次超越 Firefox，市场份额达到 27%；六个月后，又反超 IE，完成了从挑战者到主宰者的转变。

与此同时，中国的移动互联网也在形成自己的生态系统。某知名公司旗下的浏览器在 2010 年代初迅速蹿红，尤其是在印度、印尼、中国等新兴市场，依靠轻量级设计、压缩数据节省流量等特性，赢得了低端设备用户的青睐。2015 年，其全球移动浏览器市场份额突破 17%，在印度一度高达 46%。但这场胜利并不持久。随着印度政府加强对中国应用的安全审查，该浏览器被迫退出关键市场，逐渐失去往日辉煌。

进入 2020 年代，Chrome 的主导地位已经确立，全球市场份额稳定在约 65%。值得注意的是，Google 搜索引擎与 Chrome 浏览器虽然同属 Alphabet，但从市场层面看却是两个独立的霸权体系 - 前者控制了全球约九成的搜索入口，后者则掌握了大多数用户进入网络的"第一窗口"。

为了守住这一双重垄断结构，Google 不惜重金投入。2022 年，Alphabet 向苹果支付约 200 亿美元，只为让 Google 保持在 Safari 中的默认搜索地位。有分析指出，这笔支出相当于 Google 从 Safari 流量中获取搜索广告收入的 36%。换言之，Google 正为护城河支付"保护费"。

但风向又一次变化。随着大型语言模型（LLM）的崛起，传统搜索开始受到冲击。2024 年，Google 的搜索市场份额自 93% 跌至 89%，虽仍称霸，但裂痕初现。更具颠覆性的，是关于苹果或将推出自有 AI 搜索引擎的传闻 - 若 Safari 默认搜索改投自家阵营，这不仅将改写生态格局，更可能撼动 Alphabet 的利润支柱。市场反应迅速，Alphabet 股价从 170 美元应声下跌至 140 美元，反映的不仅是投资者的恐慌，更是对搜索时代未来走向的深度不安。

从 Navigator 到 Chrome，从开源理想到广告商业化，从轻量浏览器到 AI 搜索助手，浏览器之争始终是一场关于技术、平台、内容与控制权的战争。战场不断迁移，但本质从未改变：谁掌握入口，谁就定义未来。

在 VC 眼中，依托 LLM 和 AI 时代人们对搜索引擎的新需求，第三次浏览器战争正在逐步展开。

现代浏览器的老旧架构

谈及浏览器的架构，经典的传统架构如下图所示：

客户端 - 前端入口

查询经 HTTPS 送达最近的 Google Front End，完成 TLS 解密、QoS 采样和地理路由。若检测到异常流量（DDoS、自动抓取）可在此层限流或挑战。

查询理解

前端需要理解用户键入的单词的含义，有三个步骤：神经拼写校正，将"recpie"纠正为"recipe"；同义词扩展，将"how to fix bike"，拓展到"repair bicycle"。意图解析，判定查询是资讯、导航还是交易意图，并分配 Vertical请求。

候选召回

某知名搜索引擎使用的查询技术被称为：倒排索引。在正序索引中，我们都是给定一个 ID 就可以索引到文件。但是用户不可能知道想要的内容在上千亿个文件中的编号，因此其采用了非常传统的倒排索引，通过内容来查询到哪些文件有对应的关键字。接下来，采用向量索引用于处理语义搜索，即查找与查询含义相似的内容。它将文本、图像等内容转换为高维向量（embedding），并根据这些向量之间的相似性进行搜索。例如，即使用户搜索"如何制作披萨面团"，搜索引擎也能返回与"披萨面团制作指南"相关的结果，因为它们在语义上相似。经历了倒排索引和向量索引，大约十万量级的网页会被初筛出来。

多级排序

系统通常通过 BM25、TF-IDF、页面质量分等数千维轻特征，将十万级规模的候选页面筛选至约 1000 篇，构成初步候选集。这类系统被统称为推荐引擎。其依赖多种实体生成的海量特征，包括用户行为、页面属性、查询意图与上下文信号。例如，会综合用户历史、其他用户的行为反馈、页面语义、查询含义等信息，同时还考虑上下文要素，如时间（一天中时段、一周中的具体日子）与实时新闻等外部事件。

深度学习进行主排序

在初步检索阶段，使用 RankBrain 和 Neural Matching 等技术来理解查询的语义，并从海量文档中筛选出初步相关的结果。RankBrain 是于 2015 年引入的机器学习系统，旨在更好地理解用户查询的含义，尤其是首次出现的查询。它通过将查询和文档转换为向量表示，计算它们之间的相似性，从而找到最相关的结果。例如，对于查询"如何制作披萨面团"，即使文档中没