Google 的突破性研究：無索引排序技術對 GEO 的深遠影響

2026 年 10 月，Google DeepMind 發表了一篇開創性論文，證明一個語言模型可以在不需要獨立索引的情況下，對無限數量的文件進行排序。Search Engine Journal 的 Duane Forrester 在自己的深入分析中指出，這項技術的實際後果是——排序列表不再是你看見的東西，而是模型在生成答案過程中的一個計算步驟。

這項研究完成了 Google 從 2021 年開始的研究路線

Forrester 詳細梳理了這項技術的演進：

• 2021 年 — Google 研究人員發表 Rethinking Search，主張搜尋系統應直接從可引用的來源給出答案，而非提供參考列表
• 2022 年 — 同一團隊推出 Differentiable Search Index (DSI)，展示一個 Transformer 可以將查詢直接映射到文件標識符，整個語料庫編碼在模型參數中
• 2026 年 1 月 — 最新論文提供了理論基礎，證明雙編碼器的嵌入維度必須隨文件數量線性增長

這個研究路線的目標非常清晰：讓搜尋從「查找」變成「生成」。

文件變成代碼，代碼決定排名

在傳統搜尋中，Google 先用索引找出相關頁面，再排序。而新的生成式排序模型則直接通過 beam search 生成最可能的文件標識符——「地址是被產生的，不是被檢索的」。

這對任何人來說，如果工作是讓內容被選中，三個含義特別重要：

1. 獨特性成為優化目標

如果一個頁面在嵌入空間中與鄰近頁面無法分離，它就無法維持穩定的、獨特的標識符。兩篇近乎相同的產品頁面不再競爭相鄰位置——它們在競爭同一個地址，其中一個會直接輸掉。

對 HK 中小企的啟示：你的網站內容必須夠獨特、夠具體。不要抄襲競爭對手的產品描述，也不要使用範本化的產業介紹。真正的市場洞察和具體的香港本地數據，是讓你的品牌在生成式排序中獲得獨特地址的關鍵。

2. 排序函數就是訓練集

模型訓練基於三重組合：查詢、文件標識符、該文件的真實排名。無論排名來源是按點擊日誌、評審判斷還是互動信號——那些成為訓練資料的內容模式，就是未來的演算法。

這表示，持續監控你的內容如何被 AI 模型引用，比追蹤傳統排名更前瞻。

3. 新鮮度成為訓練問題

在傳統索引中，新頁面會被抓取並插入。但在參數化生成索引中，新內容需要被學習。Google 自己的後續研究 DSI++ 發現，持續索引新文件會導致模型「忘記」已索引的文件。

對內容策略的影響：不要一次發布大量頁面然後不管。持續穩定地發布高品質內容，讓模型有節奏地學習你的更新，比突發性的大量發布更有效。

Beam Search 就是整個宇宙

當排序變成生成過程，第二頁就消失了。不是因為設計選擇，而是因為根本不存在。

Forrester 的描述很直接：「低於 beam 範圍的排名追蹤測量的是不存在的事物。可見度變成二元狀態：在被生成的集合中，或者完全不存在。」

這對 HK 中小企的含義很深遠：

• 傳統排名追蹤（第幾頁第幾位）的意義正在減弱
• 品牌要麼被 AI 答案生成，要麼不被——沒有中間地帶
• GEO 優化的目標從「排名」轉向「被 AI 系統選中作為引用來源」

對廣告和流量的連鎖效應

生成式排序取消了獨立最近鄰索引，也不再對每個文件逐一評分——這是生成結果的結構性成本降低。成本一直是 Google 大力推動 AI 答案作為默認體驗的隱性限制。

移除足夠多的成本，保持十條藍色連結（也是廣告庫存所在的位置）的最後一個結構性理由就會變弱。Google 早在 2026 年 5 月的 Marketing Live 就已推出 AI 搜尋的廣告格式——廣告會根據使用者具體提問的措辭即時生成。

對於 HK 中小企，這代表廣告的工作流程將從「建立廣告」轉向「提供業務數據」：產品資料、規格、資質認證、品牌約束——平台會在搜尋發生的當下組裝廣告。

行動清單

• 檢視網站內容的獨特性——你的主頁、服務頁面是否能與競爭對手清楚區分？
• 開始關注品牌被 AI 引用的次數（使用 Bing Webmaster Tools AI Performance 或第三方工具）
• 建立持續的內容發布節奏，而非一次性大量發布
• 在網站中加入具體的 香港本地資訊（地點、法規、市場數據）以建立獨特的內容指紋
• 確保結構化資料（Schema）準確反映你的業務實體，幫助模型辨識你的品牌
• 了解 Google AI Mode 和 AI Overviews 如何引用你的內容——測試你的品牌在 ChatGPT、Perplexity、Gemini 中的出現情況