垃圾內容（spam content）指的是為了討好搜尋排名而產生、但對讀者沒有實質幫助的內容。它的判準不在「是不是 AI 寫的」，而在「有沒有為使用者解決問題」。自動化生成只是讓製造垃圾的成本變低，並沒有改變這個判準。
這篇文章整理的是一個 2023 年底的觀察：當自動生成內容（AIGC）大量出現、搜尋引擎也開始用生成式技術回答問題時，內容創作者該怎麼判斷自己的產出算不算垃圾。原文的架構與判斷都保留，並就名稱與時間脈絡做了校正。
什麼是 AIGC
AIGC 是 Artificial Intelligence Generated Content 的縮寫，中文常譯為自動化生成式內容。它指的是由 AI 模型產出的文字、圖像、影音等內容。
這個詞本身是中性的——它描述的是生產方式，不是品質好壞。真正的問題出在：當生產成本趨近於零，內容的供給量會暴增，而讀者的注意力並沒有跟著變多。
當時的 SGE，現在的 AI Overviews
原文寫作時（2023 年 12 月），Google 的實驗性生成式搜尋功能稱為 SGE（Search Generative Experience，生成式搜尋體驗）。它會在搜尋結果頁直接生成一段由 AI 彙整的答案。
更新說明（2026 年補註）：SGE 這個名稱屬於 2023 年的實驗階段用法。Google 後續以「AI Overviews」對外稱呼這類在搜尋結果頁直接生成摘要的功能。本文保留 SGE 這個詞是為了忠實呈現原文的寫作時點，但讀者若在 2026 年之後查找相關資訊，應以 AI Overviews 為關鍵字。各項功能的實際開放範圍與地區，請以 Google 官方公告為準，本文不代為更新。
名稱改變的背後，是同一件事：搜尋引擎不再只提供「連結清單」，而是開始直接給出「答案」。這件事對內容創作者的意義是——即使你的排名不差，使用者也可能不再點進你的頁面。
面對這個變化，Google 當時給出的方向與現在一致：把重心放在使用者身上，而不是放在排名上。
Google 從三個面向看內容品質
原文整理出三個檢查面向，可以當成寫作前的自我提問：
- 內容及品質。
是否依據實際經驗、主題性（Topic）、清楚的解釋與作者資訊等多種複合資訊構成。原文特別指出：如果只用模型產生內容，無法呈現具有可信度的內容，也就難以取得用戶信任。
- 專業度。
是否使用自身經驗（第一人稱角度）表達實驗精神與話題性，並展現領域專業、呈現高度知識經驗的豐富內容。
- 呈現及製作。
內容的形式是否易讀、結構是否清楚。這一項常被忽略，但它決定了前面兩項能不能被讀者接收到。
其中最實用的一條建議是：聚焦在以使用者為優先的內容。開箱文、體驗文、實測文這類實用性資訊，能吸引使用者注意、提供幫助，並讓使用者針對自身的搜尋需求做出決策。相對地，要主動避免製作以搜尋引擎為主要考量的內容。
Google 的機器學習技術，以及它們的限制
要理解搜尋體驗的變化，得先知道搜尋引擎本身用了哪些技術。原文先定義了三個常被混用的名詞：
- 人工智慧（AI）。
搭配使用多項技術，透過圖像辨識與生成式內容產出，用來解決與人類智慧相關的常見認知問題。
- 機器學習（ML）。
系統從大量資料中學習，並根據學習成果做出決策。
- 大型語言模型（LLM）。
使用極大型資料進行深度學習，可解讀內容、提供摘要，也能生成與預測新內容。
Google 使用機器學習的歷史比多數人想像得長，已超過 20 年，並廣泛用在 Gmail、Google Maps、Google 商家檔案等服務。在搜尋方面，機器學習被用來杜絕垃圾內容、訓練語言模型，以更深入理解網頁的內容與版面配置。原文列舉了三個代表性的系統：
| 系統 | 負責的事 |
|---|---|
| RankBrain | 針對長尾查詢，為使用者找出更適合的搜尋結果 |
| MUM | 進一步連結複雜查詢中的概念 |
| BERT | 進一步理解查詢字詞之間的關聯 |
原文列舉的三個搜尋系統
依比較面向展開，查看各項完整內容。
RankBrain
- 負責的事
- 針對長尾查詢，為使用者找出更適合的搜尋結果
MUM
- 負責的事
- 進一步連結複雜查詢中的概念
BERT
- 負責的事
- 進一步理解查詢字詞之間的關聯
理解這些技術之後，作者提出一個重要的提醒：機器學習的排名演算法，本身就是透過人類製作的內容訓練的。這意味著模型生成的結果容易「自認了解人類的內容」，並推廣模型認知的結果。基於訓練集與資料集產出的答案，不等同於對使用者真正有幫助的內容。
把它當作參考資訊，可以更有效率地滿足日常需求、協助決策；但把它當成事實本身，就會有風險。
搜尋意圖沒有標準答案
作者提出一個常被忽略的觀察：No Right Queries——要知道搜尋意圖並沒有標準答案。搜尋使用者要的通常是一組可以比較的選項，好讓他從眾多相關結果中做出對自己更有利的選擇。
這個理解會直接改變內容的寫法。如果你的文章只給一個結論，它就只能被當成其中一個答案；如果你的文章提供了比較、判斷條件與取捨邏輯，它就更可能成為使用者做出選擇時的依據。
結構化資料：讓 Google 看懂你的內容
結構化資料是一種標準化格式（Schema），用來呈現 Google 需要索引的內容。原文以食譜（Recipe）為例說明它的用途。
一個常見的疑問是：為什麼明明做了結構化資料，卻沒有準確顯示在搜尋結果頁？原文建議使用複合式搜尋結果測試（Rich Results Test）來確認網頁資訊是否依照標準化格式完成合適的欄位。除了官方工具，也推薦同時用 Schema.org 的驗證服務，確保結構化資料在靜態狀態下也能被渲染，並善用 Search Console 追蹤成效與排解錯誤。
原文也提到知識面板（Knowledge Panel）與商家資訊的建立：可以透過 Search Console、YouTube、X（Twitter）、Facebook 等帳號驗證來聲明知識面板所有權；商家資訊若完整填寫，所獲得的可信賴度訊號會更強。此外，確保網站與其他網頁資料提供最新資訊，其他社群訊號也有利於搜尋可信度，建議建置有用的資訊頁供 Google 索引。
待作者確認：關於「商家資訊完整填寫，可信賴度訊號為原本的 2 倍」這個倍數，原文未附來源。建議補上 Google 官方說明連結，或改為定性描述（例如「有助於提升可信度訊號」），避免以未查證的數字呈現。
影片 SEO 的實作重點
原文觀察到 Google 將數百萬個網站的影片編入索引，更重視影音搜尋的覆蓋度。由於影片屬於非結構化內容，Google 另外提供影片結構化資料，協助使用者更容易理解影片內容。原文列出的實作重點包括：
- 為影片建立專屬頁面。
建立影片專屬的觀賞畫面，用於說明影片內容，且影片應該是該頁最醒目的主體。同一部影片仍可放在其他頁面中。
- 允許 Google 擷取影片檔案內容。
使用 Schema.org 的 VideoObject 標記影片，提供充分的影片資訊並以 Search Console 驗證標記。透過結構化資料提供 contentURL，務必使用穩定的網址，並先驗證 Googlebot 可爬取、可下載。
- 啟用影片片段功能。
啟用重要時刻功能，幫助使用者第一時間理解影片內容。
- 用 Search Console 追蹤影片成效。
透過影片索引報表了解成效，同時找出可修正的影片索引問題。
內容團隊如何避免不小心做出垃圾內容
把原文的判準收斂成可執行的做法，大致是四件事：
- 先決定這篇要解決誰的什麼問題，再決定關鍵字。反過來做，就會產出以搜尋引擎為主要考量的內容。
- 在內容裡放入只有你能提供的東西：實測數據、第一手經驗、內部流程、踩過的坑。這是模型無法代勞的部分。
- 標示清楚哪些是事實、哪些是推論、哪些還沒驗證。原文對 LLM 的提醒同樣適用於人類作者。
- 用結構化資料與清楚的版面，讓內容更容易被理解與索引，而不是靠堆疊關鍵字。
讀完這篇，帶走三個判斷
AIGC 讓內容生產變便宜，但沒有改變讀者判斷內容好壞的方式。以下三件事是這篇文章最值得留下來的部分。
判準：是不是 AI 寫的不是重點
垃圾內容的判準在「有沒有幫使用者解決問題」。用 AI 輔助但提供真實經驗與查證，與純粹量產，是完全不同的兩件事。
趨勢：搜尋開始直接給答案
從 SGE 到 AI Overviews，名稱換了，方向沒變：搜尋結果頁越來越常直接回答問題。這讓「有第一手經驗、可查證」的內容更稀缺，也更有價值。
做法：先決定服務誰，再決定關鍵字
選題的順序決定了內容的性質。先想清楚讀者是誰、要解決什麼，再回頭挑關鍵字，才不會寫出自己都不想讀的內容。