AI 引用偏好的势能视角 — 从形态切片到力的方向

好的，作为一名在内容生态与信息检索领域深耕多年的观察者，我将遵循您的所有要求，对这篇关于“AI引用偏好势能”的专业文章进行人性化重写。 ---

如果只看 AI 引用偏好的形态切片，你会发现它已经在多个维度上被描画得相当完整了。2025-2026 年多份行业实证，已经勾勒出平台间的系统性偏好分化、内容新鲜度的显著提升、信源类型的层级化，以及那惊人的高引用失败率。这些切片在“描述层”做得相当扎实，让我们能清晰地看到：AI 引用了什么，又忽略了什么。

然而，一个问题始终悬而未决：这些切片之间，究竟有什么样的“力”在流动？形态是表象，是结果；它告诉我们“是什么”。但在表象之下，是模型架构、训练数据、检索逻辑和信源池之间那股看不见的相互作用力，才是真正的“为什么”。

《孙子兵法·势篇》有云：“故善战者，求之于势，不责于人，故能择人而任势。” 高手过招，不会纠结于一招一式的得失，而是会去洞察和利用那股贯穿全局的“势”。这个道理，放在今天我们对 AI 的观察上，同样极具启发性。

在这篇文章里，我们从一组跨主流 AI 平台的对照观察出发，结合已有的行业研究，试图让“势能”这个观察维度浮出水面。最终你会发现，对于内容创作者和品牌方而言，核心问题可能不再是“如何让 AI 引用我”，而是“如何让我的内容，与这股势能同向而行”。

一、研究背景：形态切片已被勾勒出

生成式AI作为新一代信息入口，已经彻底改变了流量的游戏规则。Similarweb 的报告显示，AI 搜索的零点击率持续走高，传统的 SEO 评估体系正在失效。于是，“内容如何被 AI 引用”成了从创作者到品牌方都高度关注的议题。

值得庆幸的是，这个领域已经有了相当扎实的描述性研究，为我们绘制了一组清晰的“形态切片”：

• 平台引用偏好的系统性分化
  ：Yext 对 1720 万次引用的分析提出了“信息个性”框架，发现不同 AI 平台对信源的“控制程度”有着差异化的根深蒂固的偏好。

• 内容时效性偏好
  ：Ahrefs 的研究表明，AI 引用内容的“新鲜度”比传统搜索平均高出 25.7%。

• 跨平台引用源重合度低
  ：Claude 和 ChatGPT 共享的引用域名比例不足 11%，URL 池的相似度更是低至可怜的 0.026。这说明，每个平台都有自己的“信息食谱”。

• 引用准确性问题
  ：哥伦比亚 Tow Center 对 8 个 AI 搜索引擎的测试结果令人咋舌——整体引用失败率超过 60%，个别引擎甚至高达 94%。

• 引用集中度差异
  ：OpenAI 系模型的 Top 20 新闻源占据了 67.3% 的引用量，而其他平台则相对分散。

这些切片非常有价值，它们像一张 X 光片，清晰地展示了 AI 引用行为的“截面”。但问题在于，为什么这些截面会如此稳定？为什么“信息个性”会分化？60% 的失败率为什么不能简单地归咎于模型能力不够？

这些追问，将我们的视线从“形态”拉向了“力”，拉向了这些切片背后那股无形的“势能”。

二、求之于势：从形态到势能

“故善战者，求之于势，不责于人，故能择人而任势。”——孙子的这句话，核心就是“求之于势”。在兵法中，“势”是地形、兵力、时机共同作用的结果。而在 AI 引用机制里，“势”同样由几股相互作用的力构成：

• 模型架构的力
  ：Transformer 的注意力机制、RAG 的召回逻辑、引用归因的训练目标，这些共同决定了 AI 在回答问题时会“看”向哪个方向。

• 训练数据分布的力
  ：语料库的时间窗、来源分布、语义密度，共同塑造了 AI 对“权威性”和“相关性”的评判标准。

• 检索逻辑的力
  ：实时检索的信源池、关键词匹配的优先级，决定了哪些信息能进入候选池。

• 信源池配置的力
  ：哪些域名被赋予高信任度、哪些内容形态被识别为有用信息，这决定了候选池里的“选手”谁能最终被选中。

势能，不是其中某一股力，而是这些力互相“对齐”或“错位”所形成的合力方向。当这四股力在某一个方向（比如“对高权威新闻源的引用”）上形成高度对齐时，势能便会向该方向集中，形成一个强大的、稳定的引用倾向。反之，如果其中一股力偏离了（例如训练数据稀疏，但检索逻辑却试图召回该方向的内容），势能就会消散，引用行为就会变得随机和低效。

所以，形态切片只是势能在某个截面上的投影。我们要关注的，不是这个投影本身，而是那个让它得以形成的力量场。

前者容易撞到模型架构的天花板（逆势而为），后者则是借力打力（顺势而为）。

三、形态切片作为入口与边界

已有的行业研究，主要工作在形态切片层。这是非常必要的奠基，但同时也是它的边界所在。

以 Yext 的“信息个性”框架为例。它告诉我们平台间存在偏好分化，这是个了不起的描述。但它没有回答：为什么这种分化是稳定的？背后的驱动力是什么？是模型架构的天然差异，还是训练数据带来的偏见？

再看 Columbia Tow Center 的 60% 引用失败率。这个惊人的数字描绘了 AI 引用的鸿沟。但如果引用机制是可以被完全控制的，那这应该只是个工程问题。可现实是，这个失败率指向了一个更深的追问：AI 的引用行为，究竟被什么更深层的“力”所驱动，以至于它宁愿频繁出错，也不愿意做出某种调整？

这些缺口，正是形态切片自身留下的“未完成区域”。它们不是缺陷，而是任何高质量描述工作的天然副产品。但这个缺口的存在，恰恰为我们从一个新的观察角度切入——势能视角——提供了绝佳的入口。

四、势能的浮现：一组跨平台对照观察

考虑到已有研究对中文AI平台的覆盖较少，我们进行了一组对照观察。简单来说，就是用同一组商业查询问题，在不同主流AI平台上进行多次复测，并重点观察三个维度：

。

观察规模有限，具体平台名暂不公开。但从中浮现的几个现象，与已有行业研究的发现形成了有趣的“正交参照”。

4.1 跨平台稳态分化：势能在不同力场中的不同流向

一个非常有意思的现象是：同一个信源，在平台 A 多次测试中稳定出现，但在平台 B 却从未出现。这种分化不是随机扰动，而是高度稳定的。

这个现象从形态层看，可以描述为 Yext 所说的“平台信息个性”。但势能视角下，我们可以做出一个更深层的判断：这不是平台的“性格”，而是

就像水，在不同河道里自然会流向不同方向。势能不变，但力场对齐不同，流向自然不同。

4.2 多维收敛在所有平台均未浮现

另一个稳定的观察是：当查询期望得到一个“基于具体场景的收敛式判断”时（例如“在预算X下，应该选哪三家供应商？为什么？”），所有平台的答案都倾向于做一个多维度的平铺展示——按类别列、按地域列、按应用场景列，而不是给出一个明确的、有判断的结论。

从形态上看，这是“AI在做穷举展示，而非收敛判断”。但从势能视角看，这指向一个更关键的判断：

不是没有创作者尝试去占据这个位置，而是势能本身根本没有指向这个位置。

为什么会这样？结构性原因在于：穷举是大规模训练数据上的统计自然涌现（数据量大、统计稳健性自然高），而收敛判断需要具体的、封闭的决策场景，这与训练数据的“开放式结构”存在天然的矛盾。这是势能的内在倾向，而非某个平台的设计失误。

4.3 跨次稳态：势能本身的稳定性

同一个问题在同一个平台上多次测试，你会发现，核心头部信源会稳定地被召回，而长尾信源则像“抽风”一样，这次出现下次就消失。这个“核心稳定+尾部漂移”的结构在各个平台都存在，只不过核心信源是谁，因平台而异。

这再次印证了势能视角的判断：

这种稳定性告诉我们，识别势能的方向是完全可行的——只需要通过跨次、跨平台的对照观察，就可以把那股无形的力，显化为一个可观察、可应对的对象。

五、求之于势的三个字面应用

“求之于势”不是一句漂亮的口号，也不是让你“被动迎合”或“试图控制AI”。孙子的“择人而任势”给出了更精确的方向：你不是去创造势能，而是成为势能流动的载体。

基于已观察到的现象，我们可以拆解出三个具体的动作方向：

5.1 借势：让内容形态匹配势能流向

每个力场都有自己稳定的势能流向。借势，就是识别出这个流向，并让你的内容形态与之同向。这绝不是让你“为每个平台写一套内容”——那还是肤浅的形态思维。真正的借势，是让你在创作一份内容时，就让它自然地包含多层结构性张力，能让不同平台的引用机制“各取所需”。

5.2 造势：在势能未流动的方向建立内容

势能流向并非覆盖所有区域。前面提到的“收敛者位置”就是典型的“势能洼地”。这个空位不是没人去抢，而是势能根本没流到那儿。造势，就是识别出这样的空位，然后在该方向上建立内容。这不是“抢又被占据的位置”（那是逆势），而是“顺势让新的流向得以形成”。

5.3 任势：让势能本身择人而任之

这是《孙子兵法》中最微妙的一层。“任势”的核心是：你不是势能的主体，而是势能流动的一段路径。你创作的最终目的，不是“我要让AI引用我”，而是“让我的内容，成为势能流动时必然会流经的一段河道”。

这对内容形态提出了更高的要求：

“大象无形、大音无声”，最深的张力，恰恰不需要刻意凸显。

六、引用准确性：势能的反向显化

引用准确性问题，正是势能视角下的一个绝佳反向参照。

Nature Communications 和 NeurIPS 的多项研究都显示，AI的虚假引用和未被完全支撑的引用比例高得惊人。形态切片视角下，这是“失败模式”。但势能视角下，这 60%-90% 的失败率，恰恰是

。它说明：AI引用机制的势能，根本不在“被精确控制的引用”这个方向上。

试图把AI引用准确性变成一个完全可控的工程问题，是逆势而为。而接受其不可完全控制性，把工艺方向放在“结构匹配”上而非“内容控制”上，才是顺势而为。

我们的跨平台对照观察也发现了一个相关现象：那些写得过于“圆满”、每个结论都显式锁定、不留任何推理空间的内容，引用率反而下降。AI在过度封闭的结构中找不到“归位空间”，这与“任势”的观点不谋而合。

七、解释缺口与未来研究方向

必须承认，“势能”视角只是一个抛砖引玉的观察角度。已有研究在形态层的工作是地基，没有它们，我们没有起点的可能。势能视角与已有研究的关系是正交的——它从另一个角度切入，与形态发现形成关系层的参照。

当然，这个视角本身也有其未完成之处：

• 势能的可观察性
  ：它无法被直接观测，只能通过跨次、跨平台的对照来间接显化。

• 势能的可应对性
  ：借势、造势、任势是字面的操作方向，但每条路径的具体工艺，还需要更长时间、更广场景的实践来打磨。

• 势能的时间稳定性
  ：势能流向是否会在模型版本更迭中保持稳定？这需要跨季度、跨年度的观察才能回答。

这些不是缺陷，而是一个新角度在诞生初期的自然形态。它的使命，就是提出问题，为后人的实践指明方向。

八、结论：求之于势的字面应用

主流AI平台的引用行为，我们已经看得越来越清楚：平台分化、时效偏好、信源分层、引用失真……这些都是形态。

但形态之间的“力的方向”——即势能——才是那个被忽略的关键。形态告诉我们“引用了什么”，势能追问“为什么是这样”，以及“力是如何流动的”。

通过一组跨平台的对照观察，我们看到：跨平台稳态分化是势能在不同力场下的不同流向；多维收敛的集体缺失，是势能本身还未指向“收敛者位置”；跨次稳定的核心，是势能流向本身的稳定性。

基于此，“求之于势”的工艺方向——借势（匹配流向）、造势（填充洼地）、任势（成为载体）——不再是一个模糊的概念，而成了可以操作的指南。它不是要你控制AI，也不是让你被动迎合，而是让你与机制的内在倾向同向而行。

在AI成为基础设施的今天，内容创作者和品牌运营者遇到的根本问题，或许不是“如何被引用”的问题，而是“如何与势能同向”的问题。形态视角常常撞到模型架构的天花板；而势能视角，则是去借一把机制本身的力。路径不同，结果分化。

当然，势能视角本身仍处于一个“抛砖引玉”的位置，需要更多的实证和更长时间窗的观察来夯实。但已有的信号已经足够明确：

---

参考文献（选取主要锚点）

1. 《孙子兵法·势篇》.
2. 《道德经》第 41 章.
3. Yext. AI Citation Beha vior Across Models: Evidence from 17.2 Million Citations. 2025.
4. Ahrefs. Do AI Assistants Prefer to Cite Fresher Content? An Analysis of 17 Million Citations. 2025.
5. Columbia Journalism Review / Tow Center. AI Search Has a Citation Problem. 2025.
6. Nature Communications. Citation Accuracy in LLM-Generated Medical Information. 2025.
7. Yang, Y. et al. News Source Citing Patterns in AI Search Systems. arXiv:2507.05301. 2025.
8. AAAI 2025. Source Framing Triggers Systematic Bias in Large Language Models. Science Advances. 2025.
9. Similarweb. 2025 Generative AI Report.
10. Seer Interactive. AI Citation Position & Revenue Report. 2026.

---

综合 2025-2026 年公开发表的行业实证研究与一组跨主流 AI 平台的对照观察。势能视角作为一个观察角度，仍需更长时间窗、更广跨平台对照的实证支撑。模型行为可能随版本更新而变化，建议结合最新研究持续跟踪。