在 2025 年亚太地区 Google 搜索中心直播深入探讨会上，Cherry Prommawin 和 Gary Illyes 主持了一场关于人工智能如何融入搜索的会议[k]。
他们询问我们是否需要为生成式引擎优化 （GEO） 和答案引擎优化 （AEO） 建立单独的框架[k]。
他们的见解表明，GEO 和 AEO 不需要全新的学科[k]。
AI 功能只是功能
Cherry Prommawin 解释说，AI Mode、AI Overviews、圈子搜索和镜头的行为类似于特色片段或知识面板[k]。
这些功能利用了与传统搜索相同的排名信号和数据源[k]。
它们都在 Google 的核心索引和排名引擎上运行，无需独立平台。添加 AI 组件只需引入额外的解释层即可[k]。
Gary Illyes 强调，人工智能驱动的工具和经典搜索服务共享一个统一的基础设施。此底层基础结构处理所有结果类型的索引、排名和服务[k]。
部署新的 AI 功能意味着将其他模型集成到同一系统中。Circle to Search 和 Lens 只需在顶部添加它们的查询理解模块即可[k]。
爬行
所有 AI Overviews 和 AI Mode 功能都依赖于 Googlebot 的同一个抓取工具。该爬虫访问页面、点击链接并收集新鲜内容[k]。
Gemini 被视为 Google 爬虫生态系统中的一个独立系统，并在 Google 生态系统中使用自己的机器人将数据输入其模型[k]。
索引
在 AI 搜索中，核心索引过程反映了传统搜索所用的方法。对已抓取的页面进行分析并组织到索引中，然后应用统计模型和 BERT 来优化该数据[k]。
这些统计模型已经使用了 20 多年，最初是为了支持“您的意思吗”功能并帮助捕获垃圾邮件而创建的[k]。
BERT 增加了对自然语言的更深入理解[k]。
服务
构建索引后，系统必须解释每个用户查询。它查找停用词，识别关键术语，并将查询分解为有意义的部分[k]。
然后，排名阶段根据各种信号对数百个潜在结果进行排序。不同的格式，例如文本、图像和视频，具有不同的权重[k]。
RankBrain 应用机器学习来调整这些信号，而 MUM 则采用多模态、多任务方法来理解复杂的查询并将其与最佳答案相匹配[k]。
这意味着什么：使用 SEO 的相同原则
鉴于 AI 功能与标准搜索的紧密集成，创建不同的 GEO 或 AEO 程序可能会重复现有的工作[k]。
作为 SEO，我们应该能够将现有的优化实践应用于 AI 搜索和“传统”搜索产品。专注于人工智能增强功能如何适应当前的工作流程，让团队能够利用他们的专业知识[k]。
分散资源以构建单独的框架可能会将注意力从影响更大的任务上转移开[k]。
Cherry Prommawin 和 Gary Illyes 在会议结束时强调 AI 是搜索产品中的另一个功能[k]。
SEO 专业人员可以使用指导传统搜索引擎优化的相同原则继续完善他们的策略[k]。
