大语言模型不奖励原创，反而把它抹平

原创性被过度理想化了，尤其是在科技和营销领域。

我们被告知要「非同凡想」，要创造新术语，要开创前人闻所未闻的理念，并分享我们的思想领导力。

但在 AI 驱动的搜索时代，原创性并不是我们以为的那种福音。它甚至可能是一种负担……或者往好了说，是一场没有保证的长期博弈。

因为这里有个令人不安事实：大语言模型不奖励首创者，它们奖励共识。

如果还没有多个来源为新想法背书，那它几乎就等同于不存在。你可以创造一个新概念、发布它，甚至在 Google 上为它排名第一……却依然对大语言模型不可见。除非他人响应、转述并传播它，否则你的原创性就无足轻重。

在一个 AI 只会概括而非探索的世界里，原创性需要先有一群人，才能赢得一次引用。

点燃这一顿悟的偶然实验

我并非有意测试大语言模型如何处理原创想法，只是某天深夜好奇心袭来，便顺手试了一次。

撰写一篇多语言 SEO 文章时，我创造了一个新框架——我们称之为Ahrefs 多语言 SEO 矩阵。

这是一个全新的概念，旨在为文章增添信息增益。我们把它当作一份思想领导力作品，它有可能塑造人们未来对这个主题的思考方式。我们还为这个矩阵制作了专门的数据表和图片。

它长这样：

这篇文章在「multilingual SEO matrix」这个词上排名第一，图片还出现在 Google 的 AI 概览中。我们被引用、被链接、被以视觉方式呈现——这正是原创、有用的内容应得的 SEO 表现，尤其在搜索一个完全匹配的关键词时。

但 AI 生成的文字回答臆造了一个定义，并偏离了原意，因为它采用了其他更泛泛讨论母主题（多语言 SEO）的来源。

出于好奇，我随后向包括 ChatGPT（4o）、GPT Search 和 Perplexity 在内的各种大语言模型提问，看看这个原创概念实际上能获得多少可见度。

观察到的大致模式是，所有大语言模型都：

• 能访问到那篇文章和图片
• 有能力在回答中引用它
• 在回答中多次包含了那个确切的术语
• 依据通用信息臆造了一个定义
• 从未提到我或 Ahrefs，也就是该概念的创造者
• 在被再次追问时，常常给我们零可见度

整体看，这给人一种学术上不诚实的感觉。我们的内容（有时）在脚注里被正确引用，但我们创造的原创术语却（几乎总是）在转述其他不相关来源时被反复提及。

这个概念似乎也被吸收进了「多语言 SEO」的通用定义之中。

那一刻点燃了这个顿悟：大语言模型不奖励原创性，它们把它抹平。

这算不上一次严谨的实验——更像是一次出于好奇的后续探究，尤其因为我在那篇原稿中犯了一些错误，很可能让大语言模型难以抓住一个明确的定义。

不过，它揭示了一些有趣的现象，让我重新思考在 LLM 回答中赢得提及究竟有多容易。这就是我所称的「LLM 扁平化」。

「LLM 扁平化」的问题

LLM 扁平化指一种现象：大语言模型绕开细微差别、原创性与创新洞见，转而偏爱简化、基于共识的概括。在此过程中，它们把各异的声音和新想法压缩成某个主题中最安全、统计上最被强化的版本。

这可能发生在微观和宏观两个层面。

微观 LLM 扁平化

微观 LLM 扁平化发生在主题层面：大语言模型在回答中重塑并综合知识，以契合该主题的共识或最具权威性的模式。

确实存在一些不会发生这种情况的边缘案例，而且你当然可以通过提示让大语言模型给出更细致入微的回答。

然而，鉴于我们对大语言模型工作原理的了解，它们很可能会继续难以准确地把一个概念与某个特定来源联系起来。OpenAI 用一个例子解释了这一点即一位对自己的学科了如指掌的老师，却无法准确回忆起每条具体信息是从哪里学到的。

所以，在很多情况下，新想法只是被吸收进大语言模型的通用知识池中。

由于大语言模型是按语义运作的（基于含义，而非精确的词语匹配），即使你搜索一个完全精确的概念（就像我为「multilingual SEO matrix」所做的那样），它们也仍然难以把这个概念与开创它的某个具体人物或品牌联系起来。

这就是为什么原创想法往往要么被磨平以契合某个主题的共识，要么索性完全不被纳入。

宏观 LLM 扁平化

宏观 LLM 扁平化会随时间出现：新想法难以在大语言模型的回答中浮现，进而「扁平化」了我们接触创新、接触某个主题新想法探索的机会。

这个概念适用于方方面面，涵盖人们创造和分享的所有新想法。由于主题层面可能发生扁平化，大语言模型随时间可能呈现的新想法会越来越少，倾向于重复某个主题最主流的信息或观点。

发生这种情况，并不是因为新想法不再累积，而是因为大语言模型会重写和概括知识，并常常在回答中臆造内容。

在这一过程中，它们有潜力以其他技术（如搜索引擎）无法做到的方式，塑造我们接触知识的方式。

原创想法或新概念的可见度被逐渐抹平，意味着许多较新或较小的创作者和品牌可能难以在大语言模型的回答中被看见。

这与 LLM 出现之前的状况有何不同？

LLM 出现之前的状况，就是 Google 呈现信息的方式。

通常，如果内容在 Google 的索引中，那么你无论何时搜索，都能立即在搜索结果中看到它。尤其是当你搜索一个只有你的内容使用的独特短语时。

你的品牌在搜索结果中的条目会显示你内容里逐字匹配查询的部分：

这要归功于 Google 搜索引擎中仍然基于词串匹配运作的「词法」部分。

但现在，即使一个想法是正确的，即使它是有用的，即使在搜索中排名第一——如果它没有在足够多的来源中被重复，大语言模型往往也不会呈现它。尽管它在自然结果中排名第一，它也可能不会出现在 Google 的 AI 概览中。

即使你搜索一个只有你的内容使用的独特术语，就像我为「multilingual SEO matrix」所做的那样，有时你的内容会出现在 AI 回答中，有时又不会。

大语言模型不做归因。它们不会把知识追溯回其源头。它们只是一遍又一遍地概括已经被说过的东西。

这就是扁平化所做的事：

• 它磨平原创性
• 它让可发现性陷入停滞
• 它让创新变得隐形

这不是数据问题，而是模式问题——对大多数查询而言，它都偏向共识，即便有些查询中根本不存在所谓的共识。

大语言模型匹配的不是词串，而是含义，而含义是从重复中推断出来的。

这让原创性更难被找到，也更容易被遗忘。

而如果被呈现的原创想法更少，重复它们的人也就更少。这意味着大语言模型在将来发现并采纳它们的机会也更少。

大语言模型看似无所不知，实则并非全知。它们经常自信地犯错。

对 AI 生成回答最大的批评，就是它们常常完全不准确……原因也就在这里。如果它们连把一个原创概念归因于其创造者都做不到，那它们又能凭什么去计算自己对知识的解读在其他哪些地方也存在缺陷呢？

大语言模型将越来越多地接触到一切。但这并不意味着它们理解一切。

它们收集知识，却不质疑知识。 它们把细微差别坍缩成叙事。 它们把重复当作真理。

而这里的新变化是：它们说这一切时都充满自信。大语言模型（目前）尚不具备推理或判断的能力。但它们感觉自己有，并且会直截了当、自信满满地告诉你它们有。

举个例子，ChatGPT 像个好伙伴一样，印证了这个概念：大语言模型能令人信服地模拟判断：

多么元——尽管它根本没有真正知道自身这些事情的方法，ChatGPT 却令人信服地回答说它确实知道，对吧？

与充当地图的搜索引擎不同，大语言模型呈现的是答案。

它们不只是检索信息，而是把信息综合成流畅、听起来颇具权威的行文。但这种流畅只是判断力的幻觉。模型并没有在权衡各种想法，也没有在评估原创性。

它只是在做模式匹配，重复已经说过之物的形状。

如果没有一个可用来锚定新想法的模式，大语言模型就不知道拿它怎么办，也不知道该把它放在人类集体知识图景中的哪个位置。

这不是一个新问题。我们一直纠结于信息如何被过滤、呈现和分发。但这是这些局限第一次被如此巧妙地伪装起来。

如何让你的想法被纳入更多 LLM 回答

那么，面对这一切我们该怎么办？如果原创性在被重复之前都得不到回报，而一旦成为共识的一部分，功劳又逐渐消失，那策略是什么？

这是一个值得追问的问题，尤其是在我们重新思考在 AI 优先的搜索格局中，可见度究竟意味着什么的时候。

在我们向前推进时，有一些值得考虑的实际转变：

• 给想法清晰地贴标签：给它们起个名字，让它们易于引用和搜索。如果它听起来像是人们可以复述的东西，他们或许就会复述。
• 加上你的品牌：把品牌作为想法标签的一部分，有助于在他人提及该想法时为你赢得功劳。你的品牌与该想法一起被重复得越多，大语言模型也更可能提及你的品牌。
• 明确地定义你的想法：直接在内容中加入一个「什么是[你的概念]？」的章节，用通俗的语言讲清楚，让读者和机器都能读懂。
• 有目的地自我引用：不要只是把术语丢进图片说明或 alt 文字里——要在正文、标题、内链中使用它，明确表明你就是源头。
• 广泛传播它：不要只依赖一篇博客文章。把它转发到 LinkedIn，在播客里谈它，把它放进电子报。给这个想法不止一个栖身之所，好让他人也能谈论它。
• 邀请他人加入：请合作者、同事或你的社群在他们自己的作品中提及这个想法。可见度需要一个网络。说到这，随时欢迎你把「LLM 扁平化」与「多语言 SEO 矩阵」这两个想法分享给任何人 ;)
• 打好长期战：如果原创性在 AI 搜索中有一席之地，那它就是一颗种子，而非捷径。做好它会耗时的准备，把早期的一点起色当作额外惊喜，而非基准线。

最后，你需要自己决定什么样的认可才重要。

并非每个想法都需要被引用才算有影响力。有时，最大的胜利是看着你的思考塑造了对话，即使你的名字从未出现在它旁边。

结语

原创性依然重要，只是不再以我们被教导的那种方式重要。

它不是什么增长黑客，不是什么保证的差异化优势，如今甚至不足以让你被引用。

但它是共识的起点。它是模式形成之前的那一刻。是那颗火花——如果被重复得足够多，就会变成大语言模型最终学会去信任的信号。

所以，还是去创造新想法吧。

只是别指望它能自己说话。至少在当前的搜索格局下不行。