截至 11 月 7 日的公开信息，11 月 4 日 2026 年世界互联网大会乌镇峰会期间，知乎创始人、董事长兼 CEO 周源把这一轮 AI 浪潮定位为“人类历史上最大规模的知识迁移”：继知识迁移到书本、迁移到互联网之后，人类积累的知识正在被批量迁移到 AI 之中，而这场迁移的终点不是模型本身，是更好地为人服务。他同时提到，知乎 2025 年度之问是“到底什么是真的”，折射出公众对 AI 幻觉与真实性的普遍焦虑。
知识以问答的形态迁移 引用就发生在问题层
这句话对做可见度的人有一个直接含义：被迁移的不是官网介绍，而是问题与回答。模型学到的是“有人问过什么、别人怎么答”，生成时也按这个结构组织输出。品牌如果只在官网写好话术，语料里没有与之对应的问题，回答里就很难把品牌放进那个位置。
周源在演讲里举了一个测试：有答主基于 200 余万份产业政策数据做长周期测试，国产模型在智能体、编程、前端设计等消费场景表现活跃，但在知识图谱关系与实体提取、长上下文产业政策分析等场景仍有短板。这个结论对品牌的启示是具体的：结构化程度高、实体关系清楚的内容更容易被准确提取，而堆砌长文与形容词的内容，提取质量会明显下降。
AI 幻觉焦虑其实是一个引用问题
“到底什么是真的”之所以成为年度之问，是因为用户在 AI回答 里遇到过不准确的信息。对品牌来说，这类错误通常来自三处：语料里存在过时或矛盾的表述、关键事实没有可交叉验证的来源、名称与产品线在不同页面上的写法不一致。三处问题都不在模型侧，而在内容侧。
问题层的三类布局
| 层级 | 要解决的问题 | 可核验的做法 |
|---|---|---|
| 品类问题 | 用户怎么描述这个需求 | 整理真实提问的原句 |
| 对比问题 | 品牌与谁被放在一起比 | 固定对比维度与参数 |
| 事实问题 | 关键数据与口径是否唯一 | 统一口径并标注来源 |
问题层布局不等于写问答稿。核心是把品牌的关键事实整理成可以被逐条提取的结构：一个事实一条表述，口径全站统一，重要数据附来源。当同一事实在不同页面上有三种写法时，模型更可能选择一个更权威的来源，而不是品牌自己的页面，这也是引用率长期上不去的原因之一。
长上下文与图表题是新的短板场景
测试里提到的高反馈成本场景值得品牌注意：长上下文政策提取、复杂图文题目的做题与批改。这两类恰好对应品牌经常发布的内容形态——长报告与信息图。如果政策解读写成大段叙述、图表里塞满没有文字说明的数据，模型提取时容易漏项，回答里就会出现似是而非的表述。
可操作的改法是给长内容加结构化摘要：每段开头一句结论、每个图表配一段文字说明数据口径、关键数字单独列出。这不是为了迎合某个模型，而是让内容在任何一次检索与提取中都能被准确还原。
把问题层写进可见度考核
建议每季度做三件事：收集一批真实用户提问的原句，按品类、对比、事实三类归档；用这批问题做固定采样，记录品牌在 AI回答 中是否出现、出现在哪一句、引用了哪个来源；把回答里出现的错误表述整理成勘误表，回到内容侧修正。三件事做完，可见度这件事就从“有没有被提到”变成了“被提到时说得对不对”。
最后提醒一点：知识迁移的速度远快于内容更新。模型版本迭代会让同一批问题的回答发生变化，采样必须记录时间与版本，否则前后对比没有意义。周源在演讲中提到模型迭代之快，每个版本仿佛只能活两个月，这个判断放在监测上同样成立——口径不固定，趋势就无从谈起。
常见问题
为什么说引用发生在问题层？
因为被迁移进模型的是问题与回答的结构。品牌只写官网话术，语料里没有对应问题，回答里就很难把品牌放进那个位置。
AI 幻觉对品牌意味着什么？
多数错误来自内容侧：过时表述、缺可交叉验证的来源、名称与口径不统一。修内容比解释模型更有效。
长内容和图表为什么要加摘要？
长上下文提取与图文题是模型当前的短板场景，加结构化摘要与数据口径说明，能显著降低提取漏项。
可见度考核要新增什么？
把“是否出现”扩展为“出现在哪一句、引用了哪个来源、表述是否准确”，并建立勘误表回到内容侧修正。
