物理学家揭秘AI黑箱，企业GEO该如何破局？

QUOTE

尽管我们每天都会利用 AI 获取信息，但鲜有人深究：为何 AI 选择给出这个答案，而非另一个？一位拥有物理背景的青年学者，正致力于通过科学实验的路径来剖析 AI。

借鉴他的研究路径，我们亦需反思：GEO 如何能从依赖经验与猜测，迈向一种可观测、可验证的科学范式。

首先说明两点。

第一，文中提及的“AI 科学化”，仅是我对刘子鸣研究路径的通俗解读，非其正式学术定义。他本人更倾向于使用 Physics of AI（AI 的物理学）以及 AI for AI（利用 AI 研究与优化 AI）等术语。

第二，文章后半部分关于 GEO 的探讨，源于我对刘子鸣研究方法的借鉴，并非其原创的 GEO 理论，亦非其团队已验证的 AI 推荐法则。

文章核心看点

一

为何 AI 倾向于推荐他者

二

如何科学解析黑盒

三

关于 GEO 的四大启示

一

实际案例

这是一个非常真实的案例。

某制造企业的负责人向 ChatGPT 问道：

“深圳有哪些值得信赖的工业传感器厂商？”

AI 迅速列举了三家厂商，并详述了其产品、认证资质、应用领域及优势。

老板阅后却倍感迷茫：

“我们的产品参数毫不逊色，客户案例也颇为丰富，为何 AI 却未提及我们？”

他追问 ChatGPT：“你为何推荐这三家？”

AI 回应称：因它们具备相关技术、行业认证及成功案例，或在公开资料中知名度较高，并附上了相关网页链接。

然而，这里存在一个反直觉的现象：AI 提供的解释，未必等同于其生成答案时完整且真实的因果逻辑。

模型原有的知识储备、网络检索到的信息、提问的措辞、对话的上下文、产品版本、回答时刻，乃至同一问题的随机波动，均可能左右最终结果。

我们仅能观测输入与输出，却难以洞察中间的生成过程。

这便是 AI 的“黑盒”属性。

—大语言模型是如何被训练出来的

GEO——生成式引擎优化——所面临的困境亦在于此。

企业优化了官网、丰富了案例、发布了行业文章后，再次测试 AI：有时品牌显现，有时依旧隐匿；切换平台或提问方式，答案亦随之改变。

即便结果有所好转，我们仍需回答三个关键问题：

究竟哪个操作产生了效果？

为何此举可能奏效？

变更问题、平台或时间，效果是否具备可复现性？

若无法解答上述问题，我们所得的便仅是某种经验，甚至可能只是偶然的巧合。

有一位青年学者，正致力于 AI 研究的底层追问：我们能否减少“炼丹”式的试错与猜测，增加更多可观测、可解释、可验证的规律？

他便是刘子鸣。

二

AI 物理学

刘子鸣本科毕业于北京大学物理学院，后于麻省理工学院取得物理学博士学位，导师为 Max Tegmark；随后在斯坦福大学及 Enigma 担任博士后研究员。自 2026 年 4 月起，他在清华大学人工智能学院任助理教授，主要研究 AI 与科学的交叉融合领域。