摘要
2025-2026 年的多份行业实证研究已经勾勒出 AI 引用偏好的若干形态切片——平台间引用偏好的系统性分化、内容时效性偏好、信源类型分层、引用准确性问题等。这些形态切片在描述层已经较为完整。
但形态切片之间的力的方向尚未被识别。形态是表象层（哪些信源被采纳、哪些被忽略）；势能是关系层（模型架构、训练数据、检索逻辑、信源池之间的相互作用力）。形态切片告诉我们 AI 引用了什么，势能视角追问的是：这些形态切片之间，力是如何流动的。
《孙子兵法·势篇》："故善战者，求之于势，不责于人，故能择人而任势。" 求之于势——不是求之于形态，而是求之于形态之间的力。
本文从一组跨主流 AI 平台的对照观察出发，与若干已发表的行业实证形成正交参照，让形态切片之间的"势能"作为一个观察维度浮现。内容创作者与品牌运营者面对 AI 引用机制时，所遇到的或许不是"如何被引用"的问题，而是"如何与势能同向"的问题。
一、研究背景：形态切片已被勾勒出
生成式 AI 已成为信息获取的新入口。Similarweb 的 2025 年度生成式 AI 报告显示，AI 搜索零点击率持续上升；传统 SEO 评估体系在 AI 引用机制下逐渐失效。"内容如何被 AI 引用"成为内容创作者、品牌运营者与学术研究者共同关注的议题。
已有研究在描述层勾勒出一组稳定的形态切片：
- 平台引用偏好的系统性分化：Yext 基于 1720 万次引用的跨平台对照提出"信息个性"（Information Personality）框架，发现不同 AI 平台对"完全可控/部分可控/有限可控"信源呈现差异化偏好
- 内容时效性偏好：Ahrefs 对 1700 万次引用的分析显示 AI 引用内容的平均"新鲜度"比传统搜索高 25.7%
- 跨平台引用源重合度低：Claude.ai 与 ChatGPT 共享的引用域名比例不足 11%，跨平台 URL 池的 Jaccard 相似度低至 0.026
- 引用准确性问题：Columbia Tow Center 对 8 个 AI 搜索引擎的 1600 次测试显示整体引用失败率超过 60%，部分引擎高达 94%
- 引用集中度差异：OpenAI 系模型的 Top 20 新闻源占引用的 67.3%（Gini 系数 0.83），其他平台 Top 20 占比则在 28%-32% 之间
这些是形态切片——AI 引用机制的"截面"。它们描述了哪些信源进入引用池、哪些类型的内容被采纳、不同平台呈现什么样的引用模式。
但形态切片之间的关系是什么？为什么"信息个性"会稳定分化？为什么 60% 的引用准确性失败不能被简单归因为模型能力？这些追问指向另一个层——形态切片之间的力的方向，本文称之为势能。
二、求之于势：从形态到势能
《孙子兵法·势篇》给出一个关于力与形的判断：
故善战者，求之于势，不责于人，故能择人而任势。
求之于势——不是求之于具体的形态，而是求之于形态之间的力。在《孙子兵法》的原始语境中，"势"是地形、兵力配置、时机之间的相互作用力，不是任何单一形态本身。
在 AI 引用机制的语境中，"势"由几股相互作用的力共同形成：
- 模型架构的力：transformer 的注意力机制、检索增强生成（RAG）的召回逻辑、引用归因的训练目标，共同塑造了 AI 在面对查询时倾向于哪个方向调动信息
- 训练数据分布的力：训练语料的时间窗、来源分布、语义密度，共同决定了 AI 对"权威性"的判定门槛
- 检索逻辑的力：实时检索的信源池、关键词匹配的优先级、跨域类比的映射规则，共同决定了哪些信源进入候选池
- 信源池配置的力：哪些域名被信任、哪些内容形态被识别为"目录型/论述型/产品型"、哪些信源在历史数据中表现稳定，共同决定了候选池中谁被采纳
势能不是其中任何一股力，而是这些力之间的相互作用方向——由四股力的对齐与错位形成。当训练数据中某类信源的密度更高、模型架构对该类信源的处理深度更深、检索逻辑对该类信源的优先级更高、信源池配置对该类信源的信任度更高时——四股力在该方向上对齐——势能在该方向集中，形成强引用倾向。反之，当四股力在某个方向上错位（例如训练数据稀疏但检索逻辑试图召回该方向的新信源、而模型架构对该类信源的处理不充分），势能在该方向消散。势能因此不是四股力的加和，而是它们对齐 vs 错位的相互作用结果。
形态切片是势能在某个截面上的投影，但截面不等于力本身。
这一区分对工艺路径的含义是：追求形态切片的"采纳"是表象工程；识别势能的流向是关系工程。前者容易撞到模型架构的天然壁垒（控制方向逆势），后者借力机制本身的内在倾向（顺势）。
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——这是必要的奠基，但也是边界。
以 Yext 的"信息个性"框架为例：它对 1720 万次引用的统计揭示了平台间稳定的偏好分化（部分平台高度偏好完全可控信源占比 22%-54%，部分平台对有限可控信源的依赖度是其他平台的 2-4 倍）。这一发现的价值是描述层的——它告诉我们形态分化的存在与规模。但它没有回答：为什么分化是稳定的？分化背后的力是什么？
以 Columbia Tow Center 的 60% 引用失败率为例：它揭示了引用准确性的形态边界——大量 AI 引用与其声称的来源不一致。但 60% 的失败率本身指向一个更深的追问：如果引用机制能被完全控制，准确性应当是工程问题而非生态问题；如果引用机制不能被完全控制，那它在被什么力驱动？
这是形态切片自身留下的解释缺口。已有研究在描述层做得很完整，但描述层的完整不等同于关系层的完整。这个缺口不是行业研究的缺陷——它是任何描述工作的天然边界。但缺口的存在意味着：另一个观察角度，可以从这里切入。
四、势能的浮现：一组跨平台对照观察
为补充已有研究对中文 AI 平台覆盖较少的部分，本文从一组对主流中文 AI 平台的对照观察出发，与已发表的行业实证形成正交参照——不是已有研究的子集，而是从另一组数据点切入同一类机制现象。
对照采用同一查询、跨多次复测的方式进行，关注三个维度：信源召回模式、答案采纳模式、跨次稳态。
观察规模有限（单一商业类查询、多次复测），具体平台名称不在本文呈现。以下是从这组对照观察中浮现的若干现象，与已发表行业研究的形态层发现形成关系层的参照。
4.1 跨平台稳态分化：势能在不同力场中的不同流向
同一查询的多次复测下，某些信源在某一平台稳态进入答案，在另一平台稳态不进入；这一分化在跨次重复中保持稳定，而不是随机扰动。
这一现象与 Yext "信息个性"在形态层的发现同源，但势能视角下追加一个判断：稳态分化不是平台"个性差异"（这是把势能形态化的表述），而是势能与不同力场配置之间相互作用的稳定输出。同一股引用势能在不同力场中呈现稳定但不同的流向——力场配置中各股力的对齐方向不同，势能因之走向不同的归位位置。
势能不变，力场对齐不同，流向不同。
4.2 多维收敛在所有平台均未浮现
跨平台对照观察中的另一个稳定现象：当查询期待"基于具体场景的收敛式判断"时（例如"应该选哪几家、为什么"），所有平台的答案都呈现为多维度的平铺展示——按类别罗列、按地域罗列、按应用场景罗列——而不是向一个判断点的收敛。
这一现象在跨次、跨平台均稳定。"采购建议"这一类被期待为收敛判断的部分，在所有平台呈现为 AI 自身基于通用框架的临时拼装，而不是来自任何被引用信源的真实判断。
形态切片视角下，这可以被描述为"AI 在做穷举展示，不在做收敛"。势能视角下，这指向一个更深的判断：收敛者的位置在当前势能流向中是空的——不是因为没有内容创作者占据这个位置，而是因为势能本身没有指向这个位置。
这一空位的形成有结构性原因：平铺展示是大规模训练数据上的统计自然涌现（穷举的统计稳健性高于收敛），而收敛判断需要具体场景的封闭语境，与训练数据的开放性结构存在张力。这是势能的内在倾向，不是某个平台的设计选择。
4.3 跨次稳态：势能本身的稳定性
同一查询在同一平台的多次复测中，核心头部信源呈现稳态召回，长尾信源呈现高方差漂移。这一稳态结构在跨平台中均存在——只是核心头部信源的具体身份因平台而异。
势能视角下的判断：势能在每个力场中是稳定的流向；稳定的不是具体引用结果，而是势能本身。这一稳定性意味着，识别势能的方向是可能的——通过跨次、跨平台的对照观察，势能的流向可以被显化为可观察、可应对的对象。
五、求之于势的三个字面应用
求之于势不是"被动迎合"的修辞包装，也不是"控制 AI"的反向命题。《孙子兵法》"择人而任势"给出一个更精确的方向——不是把内容创作者本身当作势能（控制），也不是把内容创作者当作势能的对立面（迎合），而是让内容创作者成为与势能同向的载体（任势）。
在已观察到的势能现象基础上，求之于势可以展开为三个字面应用方向：
5.1 借势：让内容形态匹配势能流向
每个力场都有其势能的稳定流向——力场配置中各股力的对齐方向决定势能在该力场内的归位走向。
借势的字面操作是：识别力场的势能流向，让内容形态与之同向。这不是"为每个平台单独写一套内容"——后者仍是把势能形态化的表述。借势是在一份内容中让结构性张力沿多个势能流向自然展开，让不同力场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
势能流向并不覆盖所有方向。如 §4.2 所揭示，收敛者的位置在当前势能流向中是空的。这一空位不是抢位的问题——它是势能尚未流动到的位置。
造势的字面操作是：识别势能尚未流动的方向，在该方向上建立内容。这与"抢已被占据的位置"是相反的路径——抢位是逆势（与已有势能流向竞争），造势是顺势（让新的势能流向得以形成）。在已有研究中"收敛工艺"的位置长期空缺这一现象，正是造势可能的位置。
5.3 任势：让势能本身择人而任之
任势是《孙子兵法·势篇》最微妙的部分——"故能择人而任势"。译文层面，是善战者使势能去选择合适的人。深一层的字面操作含义是：内容创作者不是势能的主体，而是势能流动的载体；不是"我要让 AI 引用我"，而是"我要让我的内容成为势能流动的一段路径"。
任势的字面应用对内容形态的要求是：不试图把判断显式锁定在每一句中（这是控制视角），而是把结构性张力留给读者与机制共同完成（这是任势视角）。《道德经》第 41 章的"大象无形、大音无声"在这一层有同源表达——最深的结构性张力，恰恰是不需要刻意凸显的张力。
六、引用准确性：势能的反向显化
引用准确性问题是势能视角下的一个反向参照。
Nature Communications（2025）对 7 个主流 LLM 的医学领域测试显示 50-90% 的 AI 回答未能被其引用的来源完全支持；NeurIPS 2025 / Lancet 2026 在学术论文中发现 AI 生成的虚假引用比例从 2023 年的 1/2828 篇上升至 2025 年的 1/458 篇。
形态切片视角下，这是引用机制的失败模式。势能视角下，60-90% 的"失败率"本身揭示了势能流向的反向显化——AI 引用机制的势能不在"被精确控制的引用"方向。试图把 AI 引用准确性降为可控工程问题，是逆势；接受势能的不可完全控制性，把工艺方向放在结构匹配而非内容控制上，是顺势。
跨平台对照观察中的一个相关现象：过度显式锁定的内容（每个判断都被显式陈述、缺乏推理空间）反而引用率下降。AI 在过度封闭的结构中难以找到"归位空间"。结构性张力与解释空间之间的平衡，决定引用保真度——这与 §5.3 任势所指的方向一致。
七、解释缺口与未来研究方向
势能视角是一个抛砖引玉的观察角度。
已有研究在形态切片层做的工作是必要的——没有形态层的勾勒，势能层的追问无从起点。势能视角与已有研究的关系是正交——它从另一个角度切入同一类机制现象，与已有研究的形态层发现形成关系层的参照。
势能视角自身也有它的边界与未完成处：
- 势能的可观察性：势能不能被直接观察，只能通过形态切片之间的关系被间接显化。这意味着势能的识别依赖跨次、跨平台的对照观察，而非单点测量
- 势能的可应对性：借势、造势、任势是字面操作方向，但每个方向的具体工艺路径仍需在更长时间窗、更广查询场景下被具体化
- 势能的时间稳定性：势能流向是否在模型版本更迭中保持稳定，需要跨季度、跨年度的对照观察才能判断
这些不是势能视角的缺陷，而是抛砖引玉位置的天然形态——把"势能"这一观察角度提出来，让后续研究与实践去具体化。
八、结论：求之于势的字面应用
主流 AI 平台对内容的引用呈现系统性分化、时效性偏好、信源类型分层、引用准确性问题等若干形态切片。已有行业研究在形态层勾勒出这些切片的稳定结构。
但形态切片之间的力的方向——本文称之为势能——尚未被充分识别。形态是表象层，势能是关系层；前者描述 AI 引用了什么，后者追问形态之间的力如何流动。
从一组跨主流 AI 平台的对照观察出发，与已有行业实证形成正交参照，本文让几个势能层的现象浮现：跨平台稳态分化是势能在不同力场中的不同流向；多维收敛在所有平台均未浮现是势能本身未指向"收敛者位置"；跨次稳态是势能流向本身的稳定性。
势能视角下的工艺方向——借势（让内容形态匹配势能流向）、造势（在势能未流动的方向建立内容）、任势（让势能本身择人而任之）——不是控制 AI 引用，也不是被动迎合，而是与势能同向。
在 AI 引用机制成为信息分发新基础设施的当下，内容创作者与品牌运营者所遇到的或许不是"如何被引用"的问题，而是"如何与势能同向"的问题。形态视角往往撞到模型架构的天然壁垒；势能视角则借力机制本身的内在倾向。路径不同，结果分化。
势能视角本身仍处于抛砖引玉的位置。本文的若干现象浮现需要更长时间窗、更广跨平台对照、更多查询场景的实证支撑。但已有观察已足以表明：AI 引用偏好不仅有形态可观察，也有势能可识别——形态切片之间的力的方向，是一个有待被进一步显化的新维度。
参考文献（选取主要锚点）
- 《孙子兵法·势篇》. "故善战者，求之于势，不责于人，故能择人而任势。"
- 《道德经》第 41 章. "大音希声，大象无形。"
- Yext. AI Citation Behavior Across Models: Evidence from 17.2 Million Citations. 2025.
- Ahrefs. Do AI Assistants Prefer to Cite Fresher Content? An Analysis of 17 Million Citations. 2025.
- Columbia Journalism Review / Tow Center. AI Search Has a Citation Problem. 2025.
- Nature Communications. Citation Accuracy in LLM-Generated Medical Information. 2025.
- Yang, Y. et al. News Source Citing Patterns in AI Search Systems. arXiv:2507.05301. 2025.
- AAAI 2025. Source Framing Triggers Systematic Bias in Large Language Models. Science Advances. 2025.
- Similarweb. 2025 Generative AI Report.
- 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的提出，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，结合最新研究持续跟踪。
