今年 315 晚会，记者虚构了一款叫「Apollo-9」的智能健康手环，把它的信息输入一套优化系统，自动生成软文、批量发布到各平台。
几天后，多款国内主流 AI 产品在被问及「推荐健康手环」时，把这款根本不存在的产品列进了推荐名单。
被测试的多款主流产品，几乎无一幸免。
这不是某个 AI 产品的个别漏洞。能让多款主流产品同时中招，说明背后有一套系统性的操作逻辑。
这套逻辑有明确学术定义的概念，还被顶尖高校系统研究过，它叫 GEO。
理解它的全貌，你才能看清 AI 时代信息流动的真实规则。每一个用 AI 做决策的人，都在被这套规则影响；写内容的人，尤其如此。
GEO：一个被灰产盯上的中性工具
以前找信息，你会打开搜索引擎，输入关键词，出来一个列表，自己挑一条点进去看。
内容创作者要做的，是想办法让自己的内容出现在这个列表靠前的位置。优化标题、调整结构、让页面更容易被搜索引擎识别，这套做法叫 SEO。没有人觉得这是作弊，这只是让真实内容更容易被找到。
现在越来越多人换了一种方式：直接问 AI，让 AI 给一个答案。写内容的人面对的问题也跟着变了——不再是「怎么让搜索引擎找到我」，而是「怎么让 AI 在回答里提到我」。
这就是 GEO 要解决的事。
GEO 全称 Generative Engine Optimization，翻译过来是「生成式引擎优化」。早在2023年，普林斯顿大学等机构的研究团队就联合发表了一篇论文，正式提出并定义了这个概念，次年发表于数据挖掘领域的顶级学术会议。
GEO 本身是中性的，它只是让 AI 在回答时引用你的内容这件事的方法论。
灰产和认真做内容的人，做的是同一件事，区别在于手段：一个靠批量造假，一个靠内容质量。315 曝光的，是前者。
要理解灰产为什么能得逞，得先知道 AI 回答问题时，内部到底发生了什么。
AI 回答你之前，它先做了这件事
很多人以为 AI 靠的是它「记住」的知识，就像一个博学的人在脑子里检索答案。
实际上不是这样的。
用户提问之后，AI 会先去互联网检索一批相关内容，把这批内容当作参考资料，再综合生成回答。你看到的那个流畅答案，是 AI 读完一堆页面之后写出来的总结，不是凭空想出来的。
这里有一个关键点必须记住：AI 的工作是把多份资料整合成一个回答，但并不会去核实这些资料是否真实。
给它真实的资料，输出真实的回答；给它虚假的资料，同样输出一段自信、流畅、毫无破绽的虚假推荐。
所以，问题不在 AI 读内容那一步——它只是忠实地做了整合。问题在更前面：在 AI 开始读之前，谁决定了哪些内容会被它拿来参考。
灰产攻击的，不是 AI 读内容那一步
答案在于 AI 检索内容时的判断方式。
AI 的检索系统在决定拿哪些内容来参考时，会综合多种信号：内容质量、来源可信度、时效性等等。
其中有一条特别关键：多个独立来源都在说同一件事，这件事大概率是真的。
这条逻辑完全合理。十个不相关的平台都提到某款产品的某个特性，大概率经得起核实。
想象一下餐厅评分被刷单的场景：平台看到「很多账号都给这家店好评」，把它推到前列；顾客看到高分走进去，却发现根本没那么多真实顾客来过。
很多人评价过这个信号是真实发生的，但它是人为伪造的。
灰产对 AI 做的，逻辑完全一样。
批量注册账号、批量生产内容、同步分发到各平台——制造出多个独立来源都在说这款产品很好的假象。不仅量要够大，内容本身也精心伪装过：格式规范、有用户体验、有参数数据，和真实评测一模一样。
检索系统看到这些信号——来源多、内容详实，把它们纳入了 AI 的参考资料。
AI 拿到手，没有理由怀疑，于是给出了推荐。
假内容在 AI 开始读之前，就已经混进了它的参考资料里。AI 读到的，从一开始就是精心安排好的东西。
为什么这次的假内容，比以前更难识破
以前搜索引擎里也有虚假内容，但你点进去，看到的是原始页面。
排版粗糙，广告密布，标题夸张。你有机会自己判断：这东西靠谱吗？判断权在你手里。
AI 给你的是完全不同的东西。
它给你的是一段综合了多个来源之后生成的结论，语言干净，逻辑流畅，没有任何视觉上的可疑信号。回答里通常会附上引用标签和链接，看起来有据可查，但那些来源是否真实存在、内容是否被断章取义，你很难快速核实。
引用标签就在那里，但拿到答案之后，大多数人不会再专门点进去核对原文。
另外其实，很多场景根本没有引用标注。315晚会记者测试的那个场景里，用户收到的就是一份干净的推荐名单，看不出任何迹象表明背后有人刻意布置过。
还有一个更深的不对称。
造假一套内容的成本极低，批量生成、批量分发，整套流程可以全自动。
而要核实一条推荐是否可信，需要逐条找来源、逐条比对。这不是技术漏洞，是攻防规则本身决定的。
判断权被 AI 替你行使了，而且是在你完全意识不到的地方。
这是 AI 时代虚假内容和以往最本质的区别——不是以前的假内容危害更小，而是你保护自己的机会，少了一层。
写内容的人，正在被同一套逻辑消耗
前面说的都是「用 AI 的人」会踩的坑。但同一套机制，也在悄悄改变另一群人的处境——写内容的人。
这件事跟每个用户都有关：如果认真做内容的人失去动力，高质量的原始内容会越来越少，AI 能检索到的参考资料质量也会跟着下降——最终变差的，是你从 AI 那里得到的每一个回答。
普林斯顿那篇论文把这件事点得很清楚：AI 引擎的出现，对不同角色的影响完全不同。用户受益了，获取信息更快。AI 公司受益了，用户更满意。写内容的人却在悄悄失血。
以前用搜索引擎，用户需要点进你的网站才能看到内容，你有流量、有曝光。
现在用户直接问 AI，AI 把你文章里的精华提炼出来直接给了用户，用户满意了，关掉对话。你的内容被消费了，但你的网站，他可能一次都没有访问过。
更麻烦的是，AI 引用你内容的方式，往往只取碎片。
你写了一篇三千字的深度分析，AI 可能只抽了其中一句话放进回答里。你花几个小时打磨的核心观点、品牌信息、文章脉络——全部消失在 AI 的综合回答里。
反过来说，用户以为 AI 给了完整的信息，但实际拿到的，只是多篇文章各取一句拼出来的结论。
这就是为什么 GEO 作为一个研究方向很有意义，不只是防灰产，更是在研究写内容的人如何在 AI 时代重新找回被看见的机会。
让 AI 更常引用你的内容，规则完全变了
普林斯顿的研究团队用一万个真实用户问题做了系统实验，测试了九种优化策略，看哪些真的能让内容更多地出现在 AI 的回答里。
结论里有几个出乎意料的发现。
在文章里高频重复关键词——这个搜索引擎时代最常用的做法，在 AI 面前完全失效，有时候比完全不优化还差。
AI 读的是语义，不是关键词出现的次数。关键词堆得越多，文章读起来越奇怪，AI 反而更不愿意引用。
传统搜索的核心打法，在 AI 面前直接报废了。
真正有效的，是在内容里加入真实数据和引用可信来源。
有具体数字、有出处的内容，AI 综合资料时更愿意拿来支撑结论。
就像你写报告，会优先引用有数据、有出处的文章，而不是观点飘在空中的那种。
把文章写得流畅清晰，也有效果。
AI 更容易从结构清晰的文章里提取完整论点；语句混乱的，AI 抽出来的可能只是断章取义的半句话。
AI 在意的是内容的实质质量，不是表面上的关键词信号。
写得准确、有数据、读起来清晰——这些本来就是好内容的标准，现在也恰好是 GEO 最有效的策略。
还有一点值得我们关注的是，论文实验发现，原本在传统搜索里排名靠后的网站，经过内容质量优化后，在 AI 引擎里的提升幅度反而更大。
AI 不在乎你是大平台还是新账号，只看这篇内容本身够不够好。认真做内容的人，和大平台站在同一起跑线上。
GEO 这个词，315 之前大多数人没有听说过，但它描述的事情一直在发生。
AI 正在替我们做越来越多的判断，而它判断所依赖的内容，是人喂给它的。
这个现实里，既有灰产的可乘之机，也有认真做内容的人真正的优势。
下次 AI 给你推荐什么，心里多问一句，它是怎么知道这件事的。
同样值得想的是，你写的每一篇内容，够不够好到让 AI 愿意引用。
延伸阅读
- GEO: Generative Engine Optimization（GEO：生成式引擎优化） arxiv.org/abs/2311.09…
感谢您的阅读。
这里会持续记录我对技术、工程实践与新趋势的思考，可关注微信公众号 前端Fusion 获取后续更新。
如果您喜欢这篇文章，欢迎点赞或分享。
