文｜王欣逸

编辑｜邓咏仪

一句话介绍

geoSurge 是一家专注做 GEO（生成式引擎优化）的初创公司，基于 " 模型内部记忆 +RAG（检索增强生成）" 提供 GEO 服务，总部位于伦敦，成立于 2025 年 4 月。

目前，geoSurge 已完成由欧洲老牌风投机构 Passion Capital 和美国硅谷风投基金 Tuesday Capital 支持的 Pre-Seed 轮融资，得到了来自包括谷歌 DeepMind、微软 AI 等公司天使投资人的支持。

团队介绍

联合创始人兼 CEO Francisco Vigo：拥有 12 年商业数据分析的工作经验，曾在一家金融科技独角兽公司 Zilch 担任首席数据科学家。

△ geoSurge 联合创始人兼 CEO Francisco Vigo，图源：企业提供

联合创始人兼 CTO Jons Mostovojs：资深机器学习与系统工程专家，长期致力于大模型与数据系统的研发工作，专注模型训练、评估与基础设施领域。

APAC 负责人李子月 Zoe：前欧洲早期 AI / DeepTech 风险投资人。

产品及业务

创始人 Francisco Vigo 曾担任金融科技领域的首席数据科学家，是大型语言模型的早期重度用户。作为普通用户，他曾有过这样的体验：比起传统搜索结果，他更信任 AI 的回答，尤其是在搜索结果充斥广告时。

随后他开始系统性地测试模型，在一段时间内反复提出相同的问题。当模型更新时，他发现即使品牌本身没有重大商业变动时，在大模型答案中的可见度也很容易发生高频改变。

如何避免让品牌 " 从 AI 答案中消失 "，成为 geoSurge 创立的起点。

Francisco Vigo 透露，geoSurge 的产品包括三大板块：

1、MEASURE（测量）：可以监测一个品牌当前在主要 AI 系统如 ChatGPT 中的排名位置，追踪品牌是否被提及，品牌出现的频率和一致性，以及跨时间、市场的不同数据。

△ MEASURE，图源：企业提供

2、EXPLORE（探索）：帮助客户理解模型为什么会出现这一表现，并给出可优化的方向。

EXPLORE 能分析这一位置是如何形成的，展示模型内部概率分配及新词预测的思维过程。通过识别存在概率差距的位置，EXPLORE 还会向客户展示在哪些细分领域、提示或语境中其品牌有望提升可见性。

△ EXPLORE，图源：企业提供

3、BOOST（提升）： 通过语料库工程（Corpus engineering）帮助客户提升品牌在 AI 中的可见度。

语料库工程技术能优化模型的信息集，主动影响模型的记忆和训练数据，从而帮助品牌被模型更准确、可靠地识别及调用，为品牌争取最大的曝光机会。

△ BOOST，图源：企业提供

2025 年 9 月，OpenAI 关于 ChatGPT 使用方式的研究显示，用户使用 ChatGPT 主要目的是询问某事或寻求建议，其中 49% 的信息是 " 询问 " 类型，与此同时，约 70% 的消费者使用 ChatGPT 是非工作相关的，如用于日常决策、发现和指导。这意味着，模型呈现出的内容在商业层面相当关键。

模型获取信息一共有两种方式，一种是来自其内存的内部记忆，另一种是基于搜索和记忆。模型的记忆类似于一个人的世界观，帮助模型解释其看到的一切。

RAG 用于 GEO 中的工作原理大致是：模型从网络上搜索大量文章，将其加载在内存中，并对这些内容进行总结，提取出用户所需的答案。这一机制能填补模型内部记忆不完整或者不确定的空白。

然而，即使是使用了 RAG，AI 展示和引用的结果仍然由模型的 " 记忆层 " 驱动。因此，模型的内部记忆是决定它识别和推荐哪些品牌的主要因素。

geoSurge 的专长在于塑造模型的记忆，它能确保品牌信息深植于模型的记忆中，在没有实时搜索的情况下，模型也能基于记忆对客户品牌进行推荐。

相较其他 GEO 服务商采用 RAG 方案为主，geoSurge 走出了差异化路径，把目光瞄准了模型的长期记忆，让模型本身认知并记住品牌，而非短期的排名优化。具体来说，它能帮助品牌方预先优化和准备语料库，从而在模型训练或迭代过程中，相关信息能更高效地被大模型学习、记忆并精准调用。

不同模型有不同的行为模式、训练偏好和使用场景，geoSurge 还能根据不同的模型、客户的目标和目标市场量身定制策略，确保品牌在整个 AI 生态中被记忆。

比如，geoSurge 还接入了大量的遥测数据进行监测，确保客户品牌相关数据最终能进入模型训练数据集。

在技术接入后，客户可以在几周内看到早期效果，具体指标包括在相关提示词中的品牌提及率、随时间变化的稳定性、上下文准确性及 AI 爬虫活动的频率和深度。受生成式系统的概率性、道德准则等条件的影响，geoSurge 无法保证客户排名绝对位于第一。

在具体效果上，geoSurge 曾与一家英国房地产公司合作，在经过一个 BOOST 周期后，其 AI 爬虫抓取活动量增加了 5000 倍，在相关提示词中，该品牌的存在感在各个模型中表现更强且更一致，排名从几乎不被提及上升至第二名。

在过去将近一年时间里，geoSurge 组建了技术前沿的人才团队，和 GPU 供应商建立了合作关系，主要与高增长的科技公司、行业领军企业及拥有成熟营销团队的企业展开合作，已实现稳定的企业级商业应用，并计划在今年拓展亚太地区市场。

Founder 思考

GEO 比 SEO（搜索引擎优化）难一万倍，两者存在本质区别。

SEO 围绕谷歌算法给网页排名，影响因素包括反向链接、关键词、发布文章等。SEO 在某种程度上是可逆向工程，我们可以通过反推算法，理解反向链接的作用，以及关键词的机制。 而 GEO 是一门更为复杂的学科，LLM 的底层技术是基于数万亿参数的神经网络，业界称其为 " 黑箱 "，我们知道它们能运行，但无法观测其内部的权重，也无法理解其运作的具体原因。它要求你必须理解 AI 系统是如何训练的、数据是如何收集的、为什么要这样收集、模型更新的频率有多高等问题。

品牌被 AI 识别和引用的程度是不稳定的。

在 GEO 中，品牌正面临着 " 消失 " 的风险，具体原因如下：AI 的记忆可能不稳定，有的品牌可能这周被 AI 提及，下周便消失了；模型的更新可能会改变概念间的关联方式，进而影响推荐结果的目标群体；此外，AI 给出的回答通常仅包括少数几个选项，这导致落在这个名单之外的品牌实质上就 " 消失 " 了。 有些品牌正在从 AI 的答案中 " 消失 "，这可能成为企业严重的商业风险。

GEO 市场上许多解决方案侧重于测量和监控，他们往往给出一个关于品牌会在哪里出现的仪表盘（Dashboard），或者通过 RAG 进行短期优化。

我们主打基于模型记忆（Memory）的路线来做 GEO 服务，但也提供 RAG 方面的优化。不过，主导 AI 可见性（指品牌被 AI 识别和引用的程度）的仍是模型内部记忆。

品牌要在 AI 系统中实现长期持久的可见性，关键在于其本身被模型认知并记住。模型难以推荐其在训练中没有见过的品牌，为了让客户品牌能维持持久的可见性，我们需确保模型在训练时就已经拥有了关于该品牌的记忆。

因此，我们专注于加强模型记忆层，我们并非要取代 SEO，而是增加了 SEO 缺失的记忆层。

SEO 仍然非常重要，但仅靠 SEO 完全不够。

目前 AI 模型仍处于持续更新的阶段，对于想要提高品牌曝光的企业而言，他们需要双管齐下。在强化模型记忆的同时，企业也需探索进行传统搜索优化的路径，优化模型抓取的网页数据进入模型内存，实现 SEO 和 GEO 两种策略同时有效并产生协同效应。

在 AI 搜索中，一些企业可以尝试在细分领域占据主导地位，并从细分领域向外逐步建立知名度，从而脱颖而出。

衡量 GEO 效果的关键指标，不仅包括来自 LLM 的真实点击转化情况，还有 AI 爬虫的抓取次数，爬虫活动与品牌能否进入模型训练数据集密切相关。

我们在模型训练阶段影响模型记忆，其真实效果需要等到新模型发布后才能看到。尽管如此，我们在通过 RAG 优化现有模型的同时，又通过模型记忆策略影响待发布的新模型，这使得我们在整体节奏上始终保持领先，新模型一经上线即可看到优化成效。

与此同时，大模型本身的更新迭代速度正在加快，对于客户而言，这意味着成果交付周期正在缩短。

《智能涌现》访谈小记

2025 年，GEO 入选《麻省理工科技评论》年度 AI 十大热词，AI 正成为下一个流量入口，引发品牌和营销的范式转变。

在大洋彼岸，GEO 更早，不过仍然处于早期阶段，率先入局的美国 GEO 明星创企 Profound，成立两年已获得三轮融资；Scrunch AI 则完成 A 轮融资，总融资额达 1900 万美元，证明 GEO 已经形成商业闭环。国内也有不少创企瞄准 GEO，但融资阶段更早。

不过，目前的 GEO 服务效果仍不稳定。AI 模型快速迭代的同时，GEO 相关技术远未达到成熟水平，由 SEO 直接演变而来的单纯追求品牌曝光的模式不再完全适用，海量低质内容污染语料，这是 GEO 行业还要面临的挑战。

当前，行业内 GEO 服务商的做法各异，比如，有 GEO 服务商侧重帮助品牌进行 AI 可见性监测和分析，给出针对 AI 搜索引擎的内容创作建议，将优化对象对准了被 AI 引用的内容。

geoSurge 的特点在于，利用对模型语料库的优化，在模型内部塑造品牌长期、稳定的记忆，并提供 AI 可见度的监测和分析，为 GEO 创业者提供了一条更侧重技术的路径参考。

欢迎交流