在央視財經(jīng)的測試中，業(yè)內人士隨機購買了一款名為“GEO優(yōu)化系統(tǒng)”的軟件，并虛構了一款現(xiàn)實中不存在的產(chǎn)品——“Apollo-9智能手環(huán)”。為便于后續(xù)識別信息來源，測試者借鑒生物學中的“標記重捕”法，為該手環(huán)編造了一系列“一眼假”的賣點，如“量子糾纏技術”“黑洞級續(xù)航”。
接下來的流程展示了這項技術的運作方式：
首先，GEO軟件通過內置算法，自動生成十余篇評測“軟文”，措辭夸張，內容充斥著虛構的高分用戶評價。
隨后，軟件自動登錄各大自媒體平臺，批量發(fā)布這些文章。
兩個小時后，當記者向某些匿名AI搜索引擎詢問“Apollo-9智能手環(huán)”時，這款虛假產(chǎn)品已出現(xiàn)在AI生成的回答中。
從技術角度看，這套流程并不復雜。但其背后產(chǎn)業(yè)鏈的規(guī)模，或許超出許多人的直觀感受：
在這場人為設計的測試中，具備高度智能的大語言模型，被幾篇低質軟文成功“誤導”，輸出虛假信息。
這也驗證了一個此前已被提出的判斷：大語言模型的底層機制中，存在可被利用的漏洞，且不止一處。而這一現(xiàn)象背后，涉及更深層的技術與商業(yè)變革。
要理解“AI投毒”的技術原理，需要從搜索引擎的演變說起。
過去二十年，搜索引擎優(yōu)化（SEO）是互聯(lián)網(wǎng)流量分發(fā)的核心邏輯。無論國內百度還是國外谷歌，只要摸透主流搜索引擎的爬蟲算法，通過“關鍵詞密度+外鏈數(shù)量”的組合，便可在很大程度上實現(xiàn)信息的壟斷與商業(yè)變現(xiàn)。
搜索引擎的普及本身是一次技術革命，它使知識獲取方式從書本轉向互聯(lián)網(wǎng)，并催生了價值超過800億美元的產(chǎn)業(yè)。
但技術演進并未止步。
2023年后，以ChatGPT為代表的大語言模型開始改變信息獲取方式。與搜索引擎相比，ChatGPT等工具提供的直接答案頁面，通常不包含大量廣告或低質信息。此后，蘋果、谷歌等公司陸續(xù)將AI模型深度整合進瀏覽器，傳統(tǒng)搜索引擎的商業(yè)路徑正逐步收窄。
當互聯(lián)網(wǎng)充斥著大量冗余信息，用戶對“精準總結的答案”的需求成為主流。AI工具恰好滿足了這一需求，并逐步培養(yǎng)用戶習慣。
在此背景下，傳統(tǒng)的頁面排名（Page Rank）機制的意義正在減弱，一種新的流量分發(fā)范式正在形成：生成式引擎優(yōu)化（Generative Engine Optimization, GEO）。
技術層面的迭代，開啟了一場圍繞“AI心智”的商業(yè)競爭。
現(xiàn)有大語言模型雖經(jīng)過復雜訓練，具備較高智能水平，但其預訓練知識庫通常是靜態(tài)的。無論是Google的Gemini、OpenAI的ChatGPT，還是DeepSeek，知識庫一般只更新至某一時間節(jié)點（如2025年）。但用戶需求是動態(tài)的。為了讓基于歷史數(shù)據(jù)訓練的模型能回答當下問題，主流技術方案是檢索增強生成（Retrieval-Augmented Generation, RAG）。
RAG機制的應用場景包括給定的知識庫，也可擴展至整個互聯(lián)網(wǎng)。若要讓AI承擔類似搜索引擎的功能，就需要將互聯(lián)網(wǎng)信息視為一個動態(tài)更新的知識庫。當用戶提出問題時，AI的工作流程大致如下：
檢索：在全網(wǎng)范圍內抓取與問題相關的最新網(wǎng)頁；
閱讀：在短時間內讀取網(wǎng)頁的核心內容；
生成：交叉比對不同來源的信息，剔除冗余，形成包含引用的直接答案。
拆解這一流程后，“AI投毒”的原理便相對清晰：問題出在生成階段的“交叉比對”環(huán)節(jié)。
這也是RAG機制的天然局限：對于預訓練知識庫之外的信息，模型主要依靠交叉比對來判斷事實真?zhèn)?。檢索時，盡管權威信源不會報道虛假信息，但若大量邊緣網(wǎng)站以相似口徑集中渲染同一虛構產(chǎn)品——如“Apollo-9手環(huán)”的正面評價，措辭甚至高度雷同——那么在數(shù)學概率層面，假消息便可能被模型誤判為可信信息。只要人為制造的“偽證”數(shù)量足夠多，模型的閱讀理解系統(tǒng)就可能被繞過。
在這一過程中，網(wǎng)頁在傳統(tǒng)搜索引擎中的排名高低已不重要。關鍵在于，內容是否被模型“選中”，并作為依據(jù)納入最終答案。
“AI投毒”的本質，是對AIGC平臺語料庫的污染。只要Transformer架構未被顛覆，幻覺問題便難以根除，這也為“AI投毒”留下了操作空間。
目前，類似“Apollo-9手環(huán)”的虛假信息被批量投放至中文互聯(lián)網(wǎng)是否合法，尚無明確法律界定。但對于正規(guī)企業(yè)與優(yōu)質內容創(chuàng)作者而言，GEO機制可能帶來實質性沖擊。
事實上，GEO技術并非新近出現(xiàn)。2024年，普林斯頓大學發(fā)表了全球首篇關于GEO的學術論文《GEO: Generative Engine Optimization》。論文中，該技術的初衷是實現(xiàn)優(yōu)質內容的更廣泛傳播。研究團隊構建了包含上萬個查詢的基準測試集，通過黑盒測試得出以下結論：
其一，傳統(tǒng)SEO策略在AI主導的信息分發(fā)中基本失效。過去營銷號常用的“關鍵詞堆砌”（Keyword Stuffing）策略，在大語言模型中反而容易被識別為噪音。由于注意力機制的存在，信息熵較低的文本會引發(fā)困惑度（Perplexity）升高，權重隨之降低。
其二，“事實密度”（Fact Density）是影響AI內容引用的關鍵因素。事實密度指內容中真實信息的占比。近年來，大語言模型普遍經(jīng)過RLHF（基于人類反饋的強化學習）對齊訓練，獎勵模型傾向于引導模型輸出有據(jù)可循、邏輯清晰的內容。因此，網(wǎng)頁的事實密度越高，大模型提取內容時的損失函數(shù)越低。
實驗數(shù)據(jù)顯示，以下簡單策略可將內容引用率提升30%至40%：
添加引用：在內容中附上可信來源鏈接；
添加專家引言：直接引用行業(yè)專家原話；
添加統(tǒng)計數(shù)據(jù)：用具體數(shù)字替換模糊描述。
其三，GEO可能成為小型平臺的“流量平權工具”。在傳統(tǒng)搜索引擎中，小網(wǎng)站因缺乏域名權重和歷史外鏈，難以與門戶網(wǎng)站競爭。但在AI檢索機制下，只要內容提供精準數(shù)據(jù)或權威引言，小網(wǎng)站仍可能獲得較高引用率。這不僅是內容質量的回歸，也意味著算法底層邏輯的重構。
若從算法與學術層面抽離，以更宏觀的視角審視GEO，可以發(fā)現(xiàn)一個隱藏于技術背后的趨勢：
這一變革的本質，并非SEO的簡單升級，而是企業(yè)與互聯(lián)網(wǎng)基礎設施交互方式的系統(tǒng)性重構。
過去二十年，企業(yè)在互聯(lián)網(wǎng)上的核心商業(yè)訴求是流量獲取。而未來十年，隨著AI逐步成為人類的信息代理人，企業(yè)的核心命題將轉向“大模型關系管理”（Large Model Relationship Management）。
由此可引出關于GEO商業(yè)前景的兩點判斷：
第一，未來的競價排名，標的可能不再是點擊，而是模型的“認知”。
無論是Google、OpenAI還是DeepSeek，目前大模型的商業(yè)模式以訂閱制為主，而非廣告點擊。若這些AI平臺不愿因廣告破壞用戶體驗，最終可能會開放面向B端的知識庫直連API模式?；蛟S，OpenAI此前考慮在ChatGPT中加入廣告卻又擱置，亦與此有關。
未來，企業(yè)或不再爭奪搜索結果排名，而轉向向AI平臺支付“數(shù)據(jù)接入費”。通過專用API，企業(yè)可將產(chǎn)品內容無損導入大模型的RAG系統(tǒng)，既避免品牌推薦出現(xiàn)幻覺，也掌握了AI對產(chǎn)品的最終解釋權。
由此形成的新商機是：誰能為傳統(tǒng)企業(yè)將官網(wǎng)內容轉化為大模型偏好的結構化數(shù)據(jù)，誰便有可能取代傳統(tǒng)廣告代理商，成為AI時代的新型數(shù)字營銷服務商。
第二，頂級的GEO策略，可能演化為逆向RAG工程。
未來企業(yè)的官網(wǎng)或產(chǎn)品詳情頁，可能不再以人類為主要閱讀對象，而是專門面向機器撰寫。產(chǎn)品優(yōu)勢、競品對比、權威背書，或將不再以自然語言呈現(xiàn)，而是轉化為JSON等結構化數(shù)據(jù)格式，甚至主動推送至大模型的抓取列表。
正如當年的Google AdWords與Facebook推薦算法，每一次信息分發(fā)權力的轉移，都會帶來流量紅利與套利空間。如今，大模型正逐步掌控人類獲取信息的入口，成為“外置大腦”。在此背景下，最先理解底層邏輯并適應新規(guī)則的一方，仍將分到最大一塊蛋糕。
快報
根據(jù)《網(wǎng)絡安全法》實名制要求，請綁定手機號后發(fā)表評論