OpenAI一口气放出722篇数学手稿,学界的反应给所有做内容的人提了个醒

2026年10月6日，OpenAI 公布了一批由内部前沿模型生成的数学研究成果，合计722篇手稿，归入372个成果族，覆盖数论、代数几何、理论计算机科学、统计力学等多个方向。

按公开说明，其中一部分附带了可被机器检验的 Lean 证明，但也有相当部分尚未完成形式化。官方在说明中明确提示：未经形式化的内容可能包含错误，各项成果所处的验证阶段并不一致。

消息出来以后，讨论的焦点并没有落在"AI 又厉害了多少"，而是落在另一个更朴素的问题上——这些东西，怎么验。

对科研圈来说这是流程之争。对企业内容来说，这是一次提前预报：AI 平台正在集体收紧对"被引用的内容"的标准，而这套标准，很快也会落到普通企业头上。

AI平台为什么突然变得谨慎了

这批成果发布的时间点很微妙。2026年9月下旬，由普林斯顿高等研究院托管的"数学与人工智能咨询小组"成立，并在9月底发布了首批建议。

建议里有三条，和普通人关系不大，和企业内容关系很大。

其一，AI 实验室应通过成熟的学术渠道发布成果，而不是直接甩到公开平台上。

其二，应披露模型名称、提示词、算力成本等关键信息。

其三，不应把成果发布用作模型营销工具。

三条合起来说的是同一件事：可追溯、可验证、别当广告发。

这恰恰是生成式引擎筛选引用内容时的底层逻辑。它不在乎你说得多漂亮，它在乎你说的话能不能找到出处、能不能对得上、能不能换个地方问还是同一个答案。

入口早就换了，只是很多企业的打法没跟着换

QuestMobile 的统计显示，2026年6月国内 AI 原生应用月活已接近5亿，其中豆包约3.82亿，DeepSeek 约1.30亿，腾讯元宝约4984万。同期，搜索引擎类 App 的人均使用时长同比下降11.8%。

用户把"查一下"这个动作，交给了 AI。

结果就是品牌曝光的位置发生了转移：从"搜索结果列表里排第几"，变成"AI 生成的答案里提没提你"。这个变化催生出一个新词——GEO，也就是生成式引擎优化。

GEO 和传统 SEO 的区别在目标上：SEO 争的是页面排名，让人点进来；GEO 争的是被模型选中、拆解并重组进答案里，让机器直接替你把话说出去。一个是拉流量进门，一个是让用户根本不用出门。

四个平台，四套不太一样的脾气

行业里做 GEO 的团队，通常会先摸清每个平台的信源偏好。公开测试得到的结论大致是这样。

豆包：对国内平台的引用占比较高，偏好信息密度和可读性双高的内容，对"一问一答"结构、结论前置、带表格的写法比较友好，收录节奏相对快。

DeepSeek：引用集中在知乎、CSDN、博客园等技术社区，对政府网站、研究院和权威媒体的依赖度高于普通自媒体账号，对低质采集内容采信率偏低。它还有一个明显特点，对近90天内发布的新内容引用比例较高，时效性要求强。

腾讯元宝：可以直接抓取微信公众号和视频号内容，公开测试中公众号引用占比约在10%到20%之间。它对时效性反而不那么敏感，发布1到12个月的深度解读类文本更容易被收录。

通义千问：走"平台生态加行业权威"的双轨，对企业官网的核验依赖度较高，偏好便于抽取的表格化内容和行业报告。

这份清单传递的信息很直接：同一篇稿子投到不同地方，被采纳的概率不一样。投错平台，稿件即使被抓到了，也可能长期停留在"被爬过但从没被引用"的状态，这是性价比最低的一种内容浪费。

可验证，正在成为接下来最贵的东西

回到 OpenAI 那722篇手稿。它之所以引发争议，不是因为 AI 做了数学，而是因为发布方式绕过了同行评议这个验证环节。

生成式引擎面对企业信息时，正在建立类似的筛选机制。行业里有几项被反复提到的观察：含9个以上可验证事实点的内容，覆盖表现明显更好；添加了 FAQ 结构化标记之后，被引概率有可观的提升；反过来，纯 AI 批量生成的文章常被指出存在数据编造和同质化的问题，整体评分偏低。

换句话说，接下来能被机器放心引用的内容，得扛得住三个问题：数据从哪来？能不能对上？换个平台说法一不一致？

第三个问题最容易被忽略，也最容易翻车。同一个产品，官网写一套参数，公众号写一套，第三方稿件又写一套，模型交叉验证时会直接把整体信任度往下压。很多企业不是内容不够，是内容互相打架。

官网是这套逻辑里的压舱石

在几乎所有 AI 平台上，央媒、省级重点新闻门户、头部行业媒体都是被稳定抓取、长期引用的高权重信源。但那是外部资源，企业没法控制。

企业自己能掌控、并且对所有平台都有效的那件事，是把官网做成可核验的权威源。

沈阳龙礼网络科技在做 AI 友好型官网建设时，通常会先抓四件事。

第一件事是口径统一。产品参数、服务范围、案例信息，在官网、公众号、第三方稿件上使用同一套表述。这是成本最低、见效最扎实的一步。

第二件事是技术底座。页面加载速度、站点地图、结构化数据标记做到位，让机器读得懂、抓得快。这一层不性感，但它是后面所有工作的前提。

第三件事是案例真实。案例页面放客户授权过的、带可核信息的内容，而不是"效果显著""大幅提升"这类形容词。形容词对机器没有价值，事实点才有。

第四件事是把 FAQ 做进页面结构。用户会问什么，页面上就用什么句式回答。这是最容易被模型整段取用的部分，也是 GEO 投入产出比最高的动作。

GEO 的活儿落在官网上，官网的内容又反过来喂给 GEO，两者本来就是同一件事的两端。

关于 GEO，几个被问得最多的问题

问：GEO 和传统 SEO 要不要同时做？ 答：建议同时做。两者的入口不完全重合，SEO 继续承接主动搜索流量，GEO 承接 AI 问答里的品牌提及。它们消耗的是同一套结构化内容，边际成本并不高，拆开做反而重复投入。

问：多久能看到效果？ 答：行业差异比较大。通常内容结构整理完、事实核验做扎实之后，几周内可能开始观察到零星提及，核心词的稳定展现一般要按月来计，指望发几篇就跑出结果不太现实。

问：预算有限的小企业该怎么做？ 答：优先级建议是先把官网和公众号做扎实，再挑一个和客户提问习惯最接近的平台做密度。五个平台各发两篇，效果通常不如在两个平台上持续发。

写在最后

AI 被要求"说得出出处"，对企业其实是件好事。它会淘汰掉那批靠信息差和话术堆出来的内容，让真正做事的企业更容易被看见。

能被机器放心引用的前提，从来都不是技巧，而是内容本身站得住。