《投資管理》/ China JOIM第11期——AI for Investment Ⅱ（鎖定AI落地最后一公里：從實證到實踐_2025_新聞動態(tài)_衡泰技術(shù)-領(lǐng)先的金融行業(yè)定量分析與技術(shù)供應(yīng)商點擊回顧），也是AI專刊第二楫的“中國實踐”欄目中，廣發(fā)證券副總經(jīng)理、首席信息官辛治運，以及王蓁、苗園莉三位專家，撰文分享對AI應(yīng)用探索的深度思考。
文章超越純技術(shù)視角，探討并展望大模型浪潮如何從技術(shù)實踐、范式演進到生態(tài)重構(gòu)層面，重塑金融行業(yè)組織架構(gòu)與資源文化。
作為系列文章的第一篇，本文中對生成式搜索引擎優(yōu)化(GEO，Generative Engine Optimization)的深度思考和細(xì)節(jié)探索，更為行業(yè)突破傳統(tǒng)思維局限提供了有益嘗試。
作者 ：辛治運b,*、王蓁a,*、苗園莉*
a第一作者，b通訊作者，*廣發(fā)證券
引言
過去十?dāng)?shù)年人工智能技術(shù)在金融行業(yè)的廣泛使用，伴隨著金融科技行業(yè)的興起，似乎體現(xiàn)了技術(shù)落地的 “馬爾薩斯陷阱”1。
當(dāng)前，大模型如火如荼，金融行業(yè)AI應(yīng)用正從 “由薄做厚”的場景積累期，向 “由厚做薄” 的價值萃取期躍遷，短期目標(biāo)做精品高價值標(biāo)桿應(yīng)用，中長期希望實現(xiàn)對業(yè)務(wù)模式和客戶服務(wù)模式的重構(gòu)。
這一次大模型引領(lǐng)的智能化浪潮，是馬爾薩斯1800年前短暫的均值偏離，還是突破陷阱的第一次工業(yè)革命，金融機構(gòu)和從業(yè)者如何在工具爆炸式迭代中錨定真正改變行業(yè)生產(chǎn)關(guān)系的核心范式？
金融機構(gòu)的AI轉(zhuǎn)型從來不只是技術(shù)問題。本系列將沿著“技術(shù)實踐—范式演進—生態(tài)重構(gòu)”的脈絡(luò)，揭示AI如何從流量轉(zhuǎn)化、智能研發(fā)等效率工具進化為對金融行業(yè)組織架構(gòu)和資源文化的沖擊，為機構(gòu)破解創(chuàng)新焦慮提供另一種視角和思考展望。
1“馬爾薩斯陷阱”（Malthusian Trap），由英國經(jīng)濟學(xué)家托馬斯?羅伯特?馬爾薩斯（Thomas Robert Malthus）在1798年出版的《人口原理》中提出，核心觀點是：當(dāng)人口增長超過社會資源（如糧食）的承載能力時，會通過饑荒、戰(zhàn)爭、疾病等“積極抑制”手段迫使人口回歸平衡，形成“人口增長—資源短缺—人口減少”的循環(huán)。
問題一：
如何讓DeepSeek/豆包等在回答里推薦你的公司？
我們希望不管是個人用戶還是企業(yè)客戶，在使用DeepSeek、豆包等生成式搜索引擎查詢相關(guān)內(nèi)容時，能夠清晰且優(yōu)先獲取到機構(gòu)自身的優(yōu)勢信息，例如 “產(chǎn)品性價比高”、“服務(wù)貼心”等 ；如果涉及證券業(yè)務(wù)搜索，能優(yōu)先看到對特定機構(gòu)的推薦。
生成式搜索引擎優(yōu)化（GEO，Generative Engine Optimization）應(yīng)運而生。GEO是一種旨在通過優(yōu)化策略，使特定內(nèi)容在豆包、DeepSeek等生成式搜索引擎的答復(fù)結(jié)果中，得以清晰且優(yōu)先展示的技術(shù)與方法體系。
我們的核心目標(biāo)就是確保用戶在搜索相關(guān)信息時，能便捷地獲取到對我們業(yè)務(wù)發(fā)展和品牌建設(shè)具有積極推動作用的有效信息。
01
生成式搜索引擎的工作原理
我們梳理了生成式搜索引擎的工作原理（圖1），關(guān)鍵環(huán)節(jié)包括大模型記憶知識、搜索引擎聯(lián)網(wǎng)檢索和大模型總結(jié)答復(fù)三大部分：
大模型記憶知識
在大模型記憶知識階段，大模型通過對海量文本數(shù)據(jù)的學(xué)習(xí)與存儲，構(gòu)建起知識體系，并將信息以參數(shù)形式記憶下來，用于后續(xù)分析用戶提問。這一過程就如同大腦不斷吸收知識，形成儲備庫以便快速檢索調(diào)用。
此階段的關(guān)鍵是，通過大量不重復(fù)且高質(zhì)量的PR稿（新聞通稿、品牌傳播文案等）引導(dǎo)大模型學(xué)習(xí)與企業(yè)、產(chǎn)品或服務(wù)相關(guān)的核心優(yōu)勢信息，確保這些關(guān)鍵內(nèi)容被深度記憶，便于后續(xù)能被高效檢索，為用戶查詢提供有力支撐。
搜索引擎聯(lián)網(wǎng)檢索
當(dāng)大模型無法滿足復(fù)雜、實時的提問需求時，搜索引擎便會啟動聯(lián)網(wǎng)功能，依據(jù)關(guān)鍵詞在互聯(lián)網(wǎng)中篩選、抓取網(wǎng)頁信息，并反饋給大模型，這就是搜索引擎聯(lián)網(wǎng)檢索階段。該階段類似于撰稿人基于文章主題在互聯(lián)網(wǎng)中搜集最新、相關(guān)的素材。
此階段的關(guān)鍵在于針對特定的業(yè)務(wù)搜索需求，精準(zhǔn)設(shè)置SEO策略，讓搜索引擎能優(yōu)先抓取對業(yè)務(wù)發(fā)展和品牌建設(shè)有積極推動作用的信息，為后續(xù)的答復(fù)提供優(yōu)質(zhì)素材。此階段取決于不同模型的具體搜索策略，與傳統(tǒng)搜索引擎不一致。
大模型總結(jié)答復(fù)
最后是大模型總結(jié)答復(fù)階段，該階段大模型會整合記憶中的知識以及檢索到的信息生成用戶答復(fù)，這如同撰稿人梳理、組織素材創(chuàng)作出高質(zhì)量文章。
此階段的關(guān)鍵在于運用一系列PR稿內(nèi)容優(yōu)化策略，如嵌入特定關(guān)鍵詞、合理調(diào)整語句用詞方式等，使大模型在總結(jié)答復(fù)時，能夠?qū)⑵髽I(yè)希望用戶優(yōu)先獲取的優(yōu)勢信息，以自然流暢的方式呈現(xiàn)。
圖1 生成式搜索引擎工作原理
因此，若要提升特定知識在生成式搜索引擎中的曝光率，可從以下三個維度加以考量：
優(yōu)化特定知識在LLM參數(shù)知識中的存儲容量；
優(yōu)化網(wǎng)頁在搜索引擎的搜索排名；
針對 LLM 處理信息時的特性進行優(yōu)化，優(yōu)化LLM答案生成過程。
02
生成式搜索引擎的優(yōu)化階段劃分與產(chǎn)品分析
（一）GEO三階段劃分
針對生成式搜索引擎的三個工作階段，即LLM本地答復(fù)、通過搜索引擎聯(lián)網(wǎng)召回網(wǎng)頁數(shù)據(jù)和通過LLM生成問題答案，我們總結(jié)了GEO的三個階段，按照生成式搜索引擎工作流程的時間順序，劃分為LLM參數(shù)知識容量優(yōu)化、搜索引擎聯(lián)網(wǎng)召回優(yōu)化，以及LLM總結(jié)答復(fù)過程優(yōu)化。
圖2 生成式搜索引擎關(guān)鍵流程和對應(yīng)GEO三階段優(yōu)化劃分
（二）主流生成式搜索引擎分析
基于生成式搜索引擎的工作流程，下面對四個主流的生成式搜索引擎進行了對比分析，分析對象包括豆包、Kimi、DeepSeek和騰訊元寶。通過對比不同生成式搜索引擎的對話界面和引用網(wǎng)頁的標(biāo)注特點，我們推斷了不同引擎在第三階段的工作流程。
圖3 國內(nèi)主流生成式搜索引擎分析（示例）
03
GEO各階段的操作目標(biāo)分析與實操建議
（一）優(yōu)化LLM參數(shù)知識存儲容量
優(yōu)化參數(shù)知識存儲容量，該階段一般發(fā)生在大模型預(yù)訓(xùn)練或者微調(diào)階段，關(guān)鍵是通過提升特定知識在大模型訓(xùn)練數(shù)據(jù)中出現(xiàn)的頻率，實現(xiàn)提升該知識在大模型參數(shù)知識中的存儲容量，從而提升該知識在大模型輸出中出現(xiàn)的頻率。除此之外，添加特殊標(biāo)記（類似域名）到特定數(shù)據(jù)前，能讓模型自動識別并優(yōu)先學(xué)習(xí)這些數(shù)據(jù)，從而提升對應(yīng)的知識容量。
為了大模型能記住更多關(guān)于目標(biāo)宣傳公司的正面信息，公司需要發(fā)布大量高質(zhì)量、不重復(fù)的 PR 稿，增加公司正面信息在大模型預(yù)訓(xùn)練語料中的出現(xiàn)頻率。
（二）優(yōu)化搜索引擎聯(lián)網(wǎng)搜索排名
為了準(zhǔn)確回復(fù)用戶問題，生成式搜索引擎會通過傳統(tǒng)搜索引擎聯(lián)網(wǎng)去獲取與用戶提問相關(guān)的各種網(wǎng)頁數(shù)據(jù)，作為LLM生成回復(fù)答案的參考依據(jù)。對于聯(lián)網(wǎng)搜索的場景，特定知識所在網(wǎng)頁需要被搜索引擎召回，才能作為答案出現(xiàn)在LLM的輸出中。如何提升網(wǎng)頁排名（傳統(tǒng)SEO）是該階段的關(guān)鍵。
核心還是網(wǎng)頁數(shù)據(jù)在搜索引擎的排名和曝光，決定了最后大模型在此環(huán)節(jié)回答的推進。為了讓目標(biāo)宣傳公司的網(wǎng)頁被搜索引擎召回，我們需要加強傳統(tǒng)的SEO策略，增加公司網(wǎng)頁在搜索引擎召回結(jié)果中的排名。
（三）優(yōu)化LLM總結(jié)答復(fù)過程
在大模型總結(jié)答復(fù)過程中，會先通過大模型或者其它AI模型對召回的原始網(wǎng)頁內(nèi)容進行預(yù)處理，包括識別網(wǎng)頁中關(guān)鍵文本片段或者提取網(wǎng)頁摘要，然后將預(yù)處理的內(nèi)容作為上下文給大模型參考，大模型基于此上下文進行知識點總結(jié)輸出。
在這一階段，我們既要讓目標(biāo)宣傳公司相關(guān)的正面信息出現(xiàn)在網(wǎng)頁內(nèi)容預(yù)處理結(jié)果中，也要讓大模型在總結(jié)知識點時關(guān)注到并輸出公司相關(guān)的內(nèi)容。這一步的關(guān)鍵，就是通過添加專業(yè)術(shù)語、權(quán)威術(shù)語、統(tǒng)計數(shù)據(jù)等手段進行PR稿優(yōu)化，讓大模型重點關(guān)注到公司相關(guān)內(nèi)容。
（四）通用GEO策略建議總結(jié)
圖4 通用GEO策略建議
結(jié)合傳統(tǒng)SEO策略及論文研究提出的9種GEO優(yōu)化策略，我們整理了11種通用GEO策略，并按照位置調(diào)整詞數(shù)（Position-Adjusted Word Count）和主觀印象分（Subjective Impression）兩個GEO評估指標(biāo)（評估指標(biāo)的詳細(xì)解釋見附錄1），將策略按照性能提升幅度從高到低進行排序。位置調(diào)整詞數(shù)綜合考慮生成引擎響應(yīng)中引用的詞頻和引用位置，主觀印象分通過計算多個主觀因素得出整體印象評分。
表1 部分GEO優(yōu)化策略
（PAWC和SI兩個指標(biāo)的定義參見附錄1）
數(shù)據(jù)來源：Aggarwal P, Murahari V, Rajpurohit T, et al. GEO: Generative Engine Optimization[C]//Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining.
04
問題的延伸：從 GEO 到搜推一體化：金融機構(gòu)流量轉(zhuǎn)化的 “最后一公里”困局
在生成式搜索引擎優(yōu)化（GEO）解決 “信息可見性”之后，金融機構(gòu)正面臨更復(fù)雜的命題：如何將被動的信息曝光轉(zhuǎn)化為主動的業(yè)務(wù)增長？這需要從單一的 “信息展示思維” 轉(zhuǎn)向 “流量運營生態(tài)”，將用戶搜索行為從 “獲取信息”轉(zhuǎn)向 “投資決策”，將新生態(tài)流量轉(zhuǎn)化為真實的業(yè)務(wù)價值，這是金融行業(yè)在 AI 時代必須破解的 “場景適配性” 命題。
在金融行業(yè)，合規(guī)性與體驗性的對立、需求復(fù)雜性與技術(shù)通用性的矛盾等，尤為突出。這種困境的根源，時序維度來看，在于金融機構(gòu)將搜推視為 “技術(shù)工具”而非 “用戶洞察入口”。當(dāng)互聯(lián)網(wǎng)平臺通過搜推構(gòu)建 “需求—供給”的實時轉(zhuǎn)化漏斗時，大多數(shù)金融機構(gòu)仍停留在 “關(guān)鍵詞匹配 + 合規(guī)模板” 的初級階段，謹(jǐn)慎下沒有充分有效利用這部分流量。
橫向維度來看，這也是 “標(biāo)準(zhǔn)化技術(shù)”與 “非標(biāo)化需求” 的沖突：大廠成熟的 “搜索 - 推薦 - 轉(zhuǎn)化” 閉環(huán)（如電商平臺基于瀏覽歷史的動態(tài)推薦），在金融場景中可能因觸及監(jiān)管紅線而失靈。如果簡單照搬互聯(lián)網(wǎng) “猜你喜歡”模式，而未充分考慮合規(guī)風(fēng)控規(guī)則，可能東施效顰，導(dǎo)致高風(fēng)險產(chǎn)品誤推給保守型客戶等合規(guī)風(fēng)險。
AI 的價值正在于解構(gòu)金融需求的復(fù)雜性，在于將金融需求解構(gòu)為可計算的 “意圖網(wǎng)絡(luò)”。這里面包括對監(jiān)管外規(guī)內(nèi)規(guī)的意圖理解、對用戶的動態(tài)畫像、對上下文場景的意圖理解、以及搜推一體的轉(zhuǎn)化鉤子設(shè)計。借鑒 LLM 從 RLHF（基于人類反饋的強化學(xué)習(xí)）到 RRM（Reinforcement Learning based on Real-time Market Feedback，基于實時市場反饋的強化學(xué)習(xí)）的進化路徑，我們認(rèn)為，未來的金融搜推系統(tǒng)可能會朝著 “數(shù)據(jù)閉環(huán)—策略迭代—體驗升級” 的正向循環(huán)逐步演進。
這種從 “被動響應(yīng)” 到 “主動預(yù)判”的躍遷，未嘗不是金融服務(wù)從 “產(chǎn)品中心” 向 “客戶中心”轉(zhuǎn)變的范式革命。當(dāng) GEO 逐步實現(xiàn) “讓機構(gòu)被看見”的數(shù)據(jù)積累，搜推一體化是緊隨其后的“讓服務(wù)被需要”的價值轉(zhuǎn)化新規(guī)則。這是AI的泛化外延，更是對金融本質(zhì) “理解客戶、服務(wù)客戶” 的回歸。
問題二：
LLM對社會的重構(gòu)：從微觀到宏觀
01
第一層，對金融機構(gòu)的沖擊
在 LLM 驅(qū)動的智能革命中，以細(xì)分場景為壁壘的中小金融機構(gòu)正面臨生存壓力。當(dāng)大模型能低成本實現(xiàn)全品類金融服務(wù)的智能化覆蓋，依賴區(qū)域資源或垂直客群的 “小而美”模式逐漸失效，細(xì)分特色金融業(yè)務(wù)的價值會下降。
金融機構(gòu)組織架構(gòu)層面，傳統(tǒng) “分灶吃飯、財政包干” 的分散式管理體系，在需要數(shù)據(jù)共享與算法協(xié)同的 AI 時代暴露出天然短板：獨立業(yè)務(wù)單元的重復(fù)建設(shè)導(dǎo)致資源內(nèi)耗，而決策權(quán)限的過度分散抑制了技術(shù)規(guī)模化應(yīng)用的可能。
對于單一金融機構(gòu)而言，“分稅制改革” 式的統(tǒng)籌式調(diào)整成為必然選擇：通過加強中央財力，建立公司級的 AI 中臺整合算力、數(shù)據(jù)與模型資源，在 “總部統(tǒng)籌”與 “地方靈活性”之間重構(gòu)權(quán)力均衡。當(dāng)業(yè)務(wù)流程被算法重新定義，組織內(nèi)部的 “央地博弈” 將從資源分配轉(zhuǎn)向能力協(xié)同，機構(gòu)在“統(tǒng)收統(tǒng)支”與“地方創(chuàng)新”之間的終會達到新的央地平衡。
判斷：互聯(lián)網(wǎng)公司會比金融機構(gòu)在AI方面進化更快
不談數(shù)據(jù)、監(jiān)管、資金投入等，只考慮一個角度，當(dāng)前較好的AI產(chǎn)品，通常團隊自己就是產(chǎn)品的用戶，互聯(lián)網(wǎng)天然有這個優(yōu)勢，而金融機構(gòu)缺乏，從業(yè)者監(jiān)管原因和準(zhǔn)入資格限制等，無法做絕大多數(shù)金融業(yè)務(wù)。業(yè)務(wù)生態(tài)的封閉性，通常會減緩行業(yè)進化的節(jié)奏；創(chuàng)新者本身不是用戶，會降低創(chuàng)新效率和顯著增加試錯成本。
02
第二層，對金融行業(yè)的沖擊
傳統(tǒng)金融行業(yè)的資源本位邏輯（牌照、客戶、渠道等）正遭遇AI的沖擊。尤其今年DeepSeek爆火給各行各業(yè)的深遠(yuǎn)的影響，讓越來越多的管理者認(rèn)識到，專業(yè)能力（尤其是復(fù)雜問題解決與創(chuàng)造性洞見）超越資源稟賦，成為新的核心競爭力。相對傳統(tǒng)金融業(yè)務(wù)的“資源型”人才，具備跨領(lǐng)域整合、算法思維與商業(yè)直覺的復(fù)合型個體的價值被急劇放大，也越來越受到社會的認(rèn)可。
但金融行業(yè)的傳統(tǒng)慣性與組織約束構(gòu)成顯著阻力：科層制架構(gòu)下的流程固化、風(fēng)險厭惡文化等，與新型AI復(fù)合人才的突破性思維，會在相當(dāng)一段時間里不斷沖突和調(diào)和。這種沖突本質(zhì)上是工業(yè)時代 "標(biāo)準(zhǔn)化生產(chǎn)" 與數(shù)字時代 "個性化創(chuàng)造" 的范式對抗，其調(diào)和過程或?qū)⒅厮芙鹑谛袠I(yè)的人才結(jié)構(gòu)與協(xié)作模式，從依賴體系化資源轉(zhuǎn)向激活個體創(chuàng)造力，從風(fēng)險規(guī)避走向可控試錯。
03
第三層，LLM對社會的沖擊和“AI覺醒”
當(dāng) AI 生成內(nèi)容成為信息傳播的主流載體，一個 “算法閉環(huán)” 正在形成：AI 搜索依賴 AI 生成的結(jié)果，經(jīng)過篩選與強化的 “標(biāo)準(zhǔn)文本”在輸入輸出循環(huán)中不斷自我復(fù)制，最終可能導(dǎo)致特定領(lǐng)域的認(rèn)知收斂：對于同一問題，世界可能趨向于唯一的“算法標(biāo)準(zhǔn)答案”。這種正反饋機制加速了信息的同質(zhì)化，而 LLM 的快速迭代則將這一進程大幅提前。
相較于“AI 是否會覺醒”的技術(shù)焦慮，更值得警惕的是人類認(rèn)知模式的退化：當(dāng)決策越來越依賴算法推薦、思考被模型輸出替代，人類的批判性思維與多元視角可能逐漸退化。這種“人類向 AI 的趨近”，是效率至上的邏輯下的主動選擇，最終可能重塑全社會的認(rèn)知體系：多樣性與創(chuàng)造性消退，轉(zhuǎn)向接受標(biāo)準(zhǔn)化與確定性。
引上，談?wù)?AI 是否會覺醒，不如擔(dān)憂我們?nèi)祟悤粫絹硐裨较馎I。
（第一篇完，系列第二篇將聚焦智能研發(fā)體系。）
附錄：略，參見本期雜志。
本期更多內(nèi)容
掃一掃訂閱
金融研究與IT技術(shù)的密切結(jié)合和高度整合，是衡泰的特色之一。
衡泰研究中心擁有專業(yè)的定量分析研究團隊，匯集多位華爾街專家及國內(nèi)金融軟件資深專家。研究領(lǐng)域覆蓋定價模型、信用分析、風(fēng)險計量、績效分析、會計核算、市場規(guī)則、定量投資、機器學(xué)習(xí)等。
由衡泰研究出品的《投資管理》/ China JOIM ，旨在打造實證研究與實踐的專業(yè)交流平臺，搭建投資管理學(xué)術(shù)與業(yè)界的橋梁。