生成式人工智能模型：ChatGPT、Perplexity 和 Google AI Overviews 如何改变可见性
生成式模型能够根据查询生成经过精心构思的答案——而非像传统搜索引擎那样仅提供链接。这对企业而言，从根本上改变了可见性的游戏规则，使“生成式搜索引擎优化”成为一项新的必修学科。
什么是生成式人工智能模型？
生成式模型
需要明确的是：生成式模型不会故意捏造事实，但可能会出错。与模糊的表述相比，清晰、表述明确的来源信息被采纳时的可靠性要高得多。
众所周知的例子包括ChatGPT等聊天系统、Perplexity等答题引擎，以及直接集成在搜索功能中的GoogleAI Overviews。这三者都会针对当前问题额外调用网络内容，并在回答中引用精选来源。此类模型的训练分为多个阶段： 首先，它们从非常广泛的文本库中学习通用语言模式；随后，针对如何构建有帮助、可靠且合乎逻辑的回答进行专项训练。这一第二步在很大程度上决定了模型如何处理不确定或相互矛盾的信息。
- 提出自己独创的新答案
- 基于海量文本进行训练
- 访问网络以获取最新信息
ChatGPT、Perplexity 和 Google AI Overviews 的对比分析
这三种系统在使用方式和信息来源方面存在显著差异。 ChatGPT主要基于训练数据来回答问题，仅在必要时才会补充网络搜索结果。Perplexity从一开始就被设计为一款附有可见来源列表的答题引擎。Google AI Overviews则直接显示在传统搜索结果之上，并优先采用那些排名已较高的内容。
对企业而言，关键在于这些系统在实时性方面存在显著差异：有些系统会在每次查询时实时访问网络，而另一些则主要依赖于某个特定时间点“冻结”的知识状态，并仅进行渐进式更新。 因此，如果企业需要依赖价格、库存情况或活动等实时内容，就应当了解自己的目标群体实际上使用的是哪种系统。
- ChatGPT：知识加上针对性的网络搜索
- Perplexity：附有来源列表的答题引擎
- AI 概览：直接在 Google 搜索中查看
- 大家都更喜欢结构清晰的资料来源
对生成式搜索引擎优化的意义
由于生成式模型在每个回答中引用的来源寥寥无几，因此在AI回答内部形成了新的“可见性”竞争。那些能够精准、有条理且附有清晰定义来回答问题的内容，会更受青睐。 对于企业而言，这意味着：仅靠传统的页面优化已不再足够，此外，为了生成机器可读的回答，清晰的文本结构也至关重要。
除了纯粹的文本结构外，技术上的可访问性也起着重要作用：那些能够被爬虫可靠读取、且重要信息未被点击或表单等交互操作所掩盖的内容，会被生成式系统更准确地捕获和呈现。
- 每条AI回答对应的来源较少
- 优先考虑准确、条理清晰的回答
- 明确的定义能提高被引用的几率
- 站内SEO仍是基本前提
正确理解生成式模型
尽管备受关注，生成式模型迄今为止并未完全取代传统搜索，而是为其增添了一个新的维度。 许多用户会根据查询需求，在传统搜索引擎和聊天系统之间有意识地切换，这取决于他们是需要快速直接的回答，还是需要多个信息来源进行比较。对于企业而言，这意味着需要同时维护这两种曝光形式，而不是只专注于其中一种。
- 是对传统搜索的补充，而非替代
- 根据请求切换用户
- 同时管理这两种可见性形式
- 技术可及性仍是必要条件
正确理解生成式模型：常见误解
一个普遍的误解是，人们认为生成式模型会像传统搜索引擎那样直接检索互联网上的内容。实际上，许多系统是将训练获得的知识与针对性的、有针对性的网络搜索相结合，这意味着并非每个查询都会自动纳入最新的网络内容。 不了解这一点的人，往往会对过时或不完整的回答感到困惑。
这些模型的来源也常被混淆：并非所有看似独立产品的系统都出自同名公司之手。例如，关于OpenAI（作为ChatGPT背后最知名的供应商之一）的那篇文章就对此进行了详细说明。
- 并非每个查询都会使用实时网页搜索
- 培训知识可能会过时
- 请勿将供应商与型号混淆
- 预先核查系统的来源
为生成式模型准备内容：分步指南
如果想要针对生成式系统有针对性地整理内容，最好先对现有页面进行内容审核，以识别哪些内容已经结构清晰，哪些需要进行修订。随后，需对各个部分进行修订，使其成为针对具体问题的精准且自成体系的答案。
最后，在继续处理其他页面的内容工作之前，值得进行一次技术检查，以确认这些内容是否对爬虫开放。
- 首先对现有内容进行审核
- 将各部分改写为简明扼要的回答
- 对技术可访问性进行最终检查
- 循序渐进，而非一蹴而就
4.9 / 5.0