给AI投毒，一场关于“最终答案”的信任战争

刚刚结束的 315 晚会上，一款从未存在过的产品，成为了 AI 的推荐答案。

它叫 Apollo-9 智能手环，没有公司，没有生产线，没有真实用户。

这款产品唯一存在的地方，是互联网上的十几篇文章。

这些文章几乎在同一时间出现，内容高度相似：

两个小时后，当测试者向多款 AI 助手提问：

" 有什么值得推荐的智能手环？"

Apollo-9 出现在了答案里。

AI 给出的理由，几乎逐字复述了那些文章里的描述。

唯一的问题是：这款产品，从来没有存在过。

后来人们才知道，这一切来自一套新的工具：GEO 优化系统。

它的工作方式很简单，自动生成软文，批量发布内容，等待 AI 抓取。

运营者甚至给这套技术起了一个非常直白的名字：

给 AI 投毒。

通过持续投喂内容，让模型逐渐形成一种 " 共识 "。当这种共识足够多时，AI 就会在回答中重复它。

这看起来像是一次黑灰产业曝光。

但如果把视角拉远一点，会发现一件熟悉的事情正在发生：互联网历史，正在重演。

20 年前，人们对搜索引擎有一种近乎天真的信任。

输入关键词，排名靠前的网页，就代表更权威的信息。

直到 SEO 产业出现。

企业开始研究如何影响搜索排名：关键词堆叠、外链交易、站群网络、内容农场 ……

很快，互联网上出现了大量只为搜索引擎存在的内容。

最早遭遇冲击的是 Google。2010 年前后，搜索结果一度被 " 内容农场 " 占据，你搜索任何问题，出来的都是低质量的堆砌文章，它们唯一的目的，不是回答你，而是让算法相信它很重要。

为了治理这些问题，Google 推出了 Panda、Penguin 等一系列算法更新，这场治理持续了十多年。

在中国，这段历史更加典型。

在搜索市场长期占据主导地位的百度周围，曾经形成过一个庞大的 SEO 产业。企业做品牌推广时，几乎一定会做三件事：买竞价排名、发 SEO 软文、优化搜索结果。

许多企业的市场预算里，有一项固定开支就叫 "SEO 费用 "。

那一代互联网人后来逐渐意识到一件事：

搜索结果并不是客观秩序，它是一种被不断博弈出来的秩序。

而今天，大模型正在成为新的信息入口。

SEO 也开始出现新的名字：GEO（Generative Engine Optimization）。

每一代信息入口，都会诞生一代 " 优化产业 "。

搜索时代，人们优化的是排名。AI 时代，人们开始优化的是答案。

如果再把时间轴拉长一点，会发现 GEO 并不是第一次出现。

互联网历史上，每一代 " 入口 " 都会被迅速研究如何操控。

搜索时代，人们研究 SEO。

移动互联网时代，人们研究 App Store 刷榜，刷下载、刷评分、刷评论，催生出完整产业链。

信息流时代，品牌开始研究算法推荐机制。买量、刷点击、刷互动，成了另一套生意。

直播电商时代，刷销量、刷评价、刷直播人气，同样的逻辑再次上演。

这些行为背后，其实是同一件事：

只要一个平台控制了流量入口，就一定会有人研究如何影响它。

这不是某个坏人的选择，这是商业的本能。

今天，AI 正在成为新的入口。

所以 GEO 出现，其实是一件非常 " 互联网式 " 的事情。

唯一的问题是，这一次，赌注更高。

很多人看到 315 实验时的第一反应是：AI 是不是还不够成熟？

但问题其实更深。

搜索引擎的工作方式是：检索信息，找到网页，展示给用户。

用户仍然需要自己判断。

而大模型做的是另一件事：生成答案。

它会综合互联网上的信息，然后给你一个总结后的结论。

这听起来更方便，但也带来一个根本性的风险。

如果互联网上出现大量重复信息，模型会把这种重复当作 " 共识 "。

这正是 315 实验能够成功的原因。

十几篇软文，模型看到的不是一家在推广，而是多个来源都在提到。

这就导致它会判断：这可能是一个被广泛认可的产品。

于是直接把这些信息整理成答案，推荐给你。

从模型角度看，这是合理推理。

但问题在于：

概率并不等于真实。

搜索引擎操控的是 " 你能看到什么 "。

AI 操控的是 " 你以为真相是什么 "。

在 AI 时代，谎言不需要被证明，只需要被重复。

GEO 只是一个表象。

更深层的问题，是 AI 产业正在遇到一个新的工程挑战。

过去几年，大模型竞争的焦点是模型规模、算力投入、训练效率。

但随着模型越来越强，一些研究者开始意识到另一件事：

真正稀缺的，可能不是算力，而是干净的数据。

大模型的训练数据主要来自互联网：新闻、论坛、博客、百科 …… 这些内容构成了模型理解世界的基础。

但互联网本身正在发生变化。

越来越多的内容，其实是 AI 生成的内容、SEO 优化的内容、GEO 投喂的内容。

当这些内容不断增加，大模型的训练就会出现一个危险现象：

模型开始学习模型生成的内容。

AI 研究界把这种现象称为 Model Collapse（模型塌缩），模型不断学习被污染的数据，逐渐偏离真实世界。

OpenAI 和 Anthropic 都曾公开讨论过一个话题：高质量训练数据正在枯竭。

如果互联网越来越多的内容是自动生成的，未来 AI 学习到的，很可能只是自己产生的回声。

一个只学习自己声音的 AI，最终会变成什么？

没有人知道。

如果说数据污染是技术问题，那 AI 产业接下来面对的，是一个更宏观的挑战：

信息治理。

早期大模型竞争，本质是工程能力竞争，谁的模型更大，谁的算力更多，谁的训练更快。

但未来，大模型公司可能需要建立另一种能力：

管理信息的能力。

这包括数据来源可信度、知识溯源机制、信息更新体系。

这也是为什么越来越多 AI 产品开始强调引用来源、可验证知识、检索增强（RAG）。

AI 产业正在从模型竞争，走向另一个阶段：

知识体系竞争。

谁能建立一套更干净、更可信、更难被污染的知识体系，谁才能在下一阶段真正胜出。

这场竞争，才刚刚开始。

回看 315 曝光的那个实验，它其实只是一个很小的案例。

但它揭示的，是一个更深层的变化。

在搜索时代，人们争夺的是排名，谁排在第一页，谁就获得流量。

但在 AI 时代，用户往往不会再点开十几个网页。

他们直接接受一个总结后的答案。

于是新的竞争开始出现：谁能影响答案。

过去 20 年，互联网上的信息结构大致是这样的：网站生产内容，搜索引擎负责索引，用户自己判断。搜索引擎只是入口，它决定 " 你能看到什么 "，但不替你做结论。

而大模型改变了这件事。

AI 不仅是入口，它还是解释者。

用户不再需要浏览十几个网页，也不再需要比较不同观点。AI 会直接给出一个总结后的答案。

当信息结构从信息分发变成答案生成，一个新的问题就出现了：

谁在决定答案？

在搜索时代，人们争夺的是排名。

在 AI 时代，人们争夺的是：知识在 AI 里的位置。

如果一个品牌长期出现在 AI 推荐中，它就会逐渐变成一种默认选择。

答案即流量，流量即权力。

而一旦答案本身可以被优化、操控、投喂，AI 就会面临一个更古老的挑战：

信任。

搜索时代，用户还可以点击不同网页交叉验证。但在 AI 时代，你看到的，往往只有一个结论。

如果这个结论被操控，你甚至很难意识到。

20 年前，人们学会了一件事：如何让搜索引擎相信自己。

20 年后，一群人正在研究另一件事：如何让 AI 相信谎言。

所以 AI 产业真正需要解决的问题，也许不是模型能力。而是另一件更古老的事情：

如何建立可信的信息秩序。

未来几年，AI 行业很可能迎来一场新的战争。不是算力战争，不是模型战争，而是：

信任战争。