Google vanity search已死？OpenAI前員工打造「In the Weights」用AI卷起矽谷新虛榮風暴

當你在Google上鍵入自己的名字，試圖瀏覽那些由演算法拼湊出的個人足跡時，是否也察覺到一絲異樣？不可否認，傳統網頁搜索的權威性與體驗正在急速下滑。在這個資訊媒介劇烈轉型的節點，人們獲取公眾人物、同事甚至自身資訊的渠道，正悄然轉移至各類AI聊天機器人與大語言模型（LLM）。

正是敏銳地捕捉到這一文化轉變，曾因創辦的設計初創公司 Global Illumination 被 OpenAI 收購而加入該團隊的 Thomas Dimson 與 Joey Flynn，在離職後共同開發了一個帶有諷刺意味卻又極具洞察力的自戀式搜索網站——「In the Weights」（在權重中）。這個網站的誕生，宣告了傳統「Google虛榮搜索（Vanity Search）」的過時，取而代之的是一場探尋自己在AI「大腦」中是否擁有立足之地的全新遊戲。

被機器記住，成了新時代的「身分勳章」

「In the Weights」的核心邏輯非常硬核：它旨在衡量一個人在不借助聯網搜索等外部工具的情況下，能多大程度被AI模型直接「回憶」起來。

網站名稱中的「權重（Weights）」，指的就是那些在訓練過程中決定AI模型輸出結果的數值參數。正如創始團隊所言，如果你的名字能被編碼進這些浮點數中，意味著你在數字世界中的存在感已經足夠高，高到被納入了創造「超人級人工智能」的基因庫中。被納入權重，彷彿成了新時代的一枚隱形身分勳章。

為了精準測量這種「機器記憶力」，該網站會同時向 Grok、Gemini、多個版本的 GPT、Claude、Llama 以及部分小眾模型發問：——「[某某人] 是誰？」。

系統會抓取每個模型給出的前10個結果，包含簡短描述與模型的置信度。隨後，後台算法會將相似的語義描述進行聚類（Cluster），並據此計算出一個「強度評分（Strength Score）」。分數越高、排行榜名次越靠前，說明你在AI世界裡的曝光率越穩固。目前，該榜單正頻繁變動，影星麥考利·克金（Macaulay Culkin）與傳奇歌劇家盧奇亞諾·帕瓦羅蒂（Luciano Pavarotti）均曾以逼近滿分的姿態傲視群雄。

逃離大廠後，一場關於「數字永生」的趣味實驗

談及創作初衷，Thomas Dimson 透露，他和 Joey Flynn 在離開 OpenAI 後，急需重新激發技術創作的靈感。 Dimson 一直在思考一個問題：隨著全球網絡流量不可逆地湧向大語言模型，傳統的網頁搜索將在2026年徹底失去其作為「個人影響力坐標軸」的功能。人類的一生，最終竟然會縮影為人工智能大腦裡的一堆浮點數。

網站的視覺設計採用了帶有復古感的任天堂遊戲風格，與其探討的超前AI概念形成了一種奇妙的互文。 Dimson 表示，原本這只是團隊內部的一個趣味項目，但上線後的反響卻超乎想像地熱烈——它精準地觸碰到了人類內心深處那種「渴望在超級智能中獲得永生」的微妙心理。

當然，這種新型的虛榮搜索也伴隨著雜音與娛樂性。AI批評家 Anthony Moser 就曾冷嘲熱諷道，這本質上「就跟找來13個聊天機器人圍著你、對你品頭論足沒什麼區別」。此外，模型之間的偏見與胡言亂語（幻覺）也暴露無遺，例如某個測試版本的微型模型，就會將某些編輯的名字誤判為含義模糊的縮寫。

當公共知識的定義權移交給機器

無論「In the Weights」最終會演變成一個長青的社交工具，還是一陣曇花一現的矽谷極客風潮，它都敏銳地揭示了一場正在發生的文化海嘯：大語言模型生成的答案，正在實質性地重塑公共知識與個人聲譽。

Dimson 的下一步計劃更加深入，他打算探究為什麼同一系列的升級模型會得出截然相反的結論、哪些模型對特定群體持有隱形偏見，以及去尋找那些明明夠資格擁有維基百科條目、卻被AI遺忘的邊緣群體。在機器決定我們「是誰」的時代，這場關於權重的虛榮遊戲，才剛剛開始。

FAQ 模塊

1. 「In the Weights」這個網站的核心功能是什麼？

   這個網站通過向多個主流 AI 模型發問，測試這些模型在「不聯網」的情況下對特定人物的記憶與描述能力。系統會將各模型的回答進行語義聚類，並量化出一個「強度評分」，以此來衡量該人物在 AI 訓練數據和權重中的存在感。

2. 該網站是由什麼背景的人團隊開發的？

   它由 Thomas Dimson 和 Joey Flynn 共同創建。兩人曾是知名設計初創公司 Global Illumination 的創始成員，該公司被 OpenAI 收購後，兩人隨之加入 OpenAI 負責核心設計與產品工作，隨後他們選擇離開大廠獨立創業。

3. 高評分代表了什麼？網站未來的發展方向為何？

   高評分代表該人物的名字和事蹟已經被深度編碼進了多個 AI 模型的底層參數中。創始團隊計劃未來進一步深入研究不同模型之間的偏見問題、同一系列模型的認知差異，以及探討傳統維基百科標準與 AI 權重記憶之間的落差。