07-技术发展

技术变革对广告行业的整体影响

技术是驱动互联网广告行业增长与变革的第一动力。从最早的门户网站展示广告（2000s）到搜索竞价（2010s），再到信息流推荐（2015s），每一次技术跃迁都改变了行业的底层逻辑和竞争格局。2024-2026年的技术主题毫无疑问是"AI全链路渗透"——AI正从辅助工具变为行业的基础设施。

AI对广告行业的影响可以用一句话概括：广告的本质从"买位置"变成了"买效率"。过去的广告投放是"我买这个广告位，平台保证1000次展示"，未来的广告投放是"我给AI一个目标和预算，它自动决定怎么花这笔钱效果最好"。

核心技术领域

1. AIGC广告素材生成

AI自动生成广告素材（AIGC）是2024-2025年最显著、影响最广泛的行业技术变革。

现状与数据：

• 快手：AIGC营销素材日均消耗约3,000万元。素材覆盖短视频、图文、文案等格式。快手提供"磁力智投"AI工具——一站式生成素材+营销方案+投放策略
• 字节跳动：巨量引擎AI创意工具支持自动生成短视频、场景化图文、AI数字人虚拟主播
• 腾讯：广告基础模型上线AI素材生成能力，广告主可以输入产品或卖点描述，系统自动生成适配各场景的广告素材

AIGC对广告素材的深刻影响：

• 降低门槛：中小企业广告主过去需要聘请专业团队制作广告素材（成本300-5,000元/条），AIGC使素材生产成本趋近于零
• 提升效率：一条AI生成的视频素材生成时间以秒为单位（传统拍摄需要1-3天）。头部广告主利用AIGC实现"千人千面"素材——不同用户看到针对其兴趣定制的广告内容
• 同质化风险：如果所有广告主都使用类似的AI工具生成素材，广告的差异化将下降。用户可能更快地产生"AI广告疲劳"
• 传统创意服务商受到冲击：以素材制作为主业的广告制作公司面临生存危机，必须向"AI+创意策略"方向转型

2. AI智能出价与自动化投放

智能出价系统是AI在广告领域应用最多的场景，也是直接提升广告收入的核心技术。

技术演进路径：人工出价（广告主手动设置出价）→规则触发出价（设置CPC上限等规则）→oCPM（系统根据转化概率自动调价）→强化学习出价（系统在不同预算约束下学习最优出价策略）。

各平台进展：

• 腾讯广告基础模型：升级后通用于微信朋友圈、视频号、公众号、小程序等全流量版位。核心能力是"全域智能投手"——AI为广告主在腾讯全生态内自动分配预算、优化投放策略。腾讯广告增长部分来自该模型改善了广告效果
• 快手G4RL：强化学习出价模型，在预算约束下自动优化出价策略，显著提升了广告主的ROI。快手2025年工程基建升级（统一调度+三层模型预估框架）提升了出价系统的稳定性，驱动约4-5%的广告收入增长
• 字节巨量千川：oCPM（优化目标CPM）全量覆盖，智能投放渗透率持续提升。字节的oCPM系统被认为是行业最先进的之一，能在大规模并发广告请求中实现毫秒级出价决策

智能出价的实际效果：数据显示，使用智能出价的广告主平均ROI提升了15-30%。AI出价减少了对人工运营的依赖——过去需要专门广告优化师团队进行出价管理的业务，现在大部分可以由AI自动完成。

3. 推荐系统技术迭代

推荐系统是短视频和信息流平台的核心技术。每一次推荐系统的升级都直接影响用户时长和广告收入。

技术演进：

• 2015-2018：Item-CF（协同过滤）→DNN（深度神经网络）→双塔模型
• 2019-2022：多目标排序（考虑CTR+CVR+时长+互动等多种目标）
• 2023-2025：大语言模型（LLM）推荐（基于预训练模型理解内容语义）

快手OneRec：端到端生成式推荐大模型，2025年Q3起应用于核心推荐场景。OneRec不是简单的"旧模型升级"而是一次架构级变革——从传统的"召回→粗排→精排→重排"多阶段架构，简化为一个端到端生成式模型，直接生成用户最可能感兴趣的内容列表。效果：时长增长、广告收入中OneRec驱动约4-5%的增长。

腾讯混元大模型：应用于推荐系统，提升内容理解和用户匹配精度。腾讯的推荐系统能力与字节相比还有差距，但混元大模型的应用正在缩小这一差距。

4. 用户画像与后隐私技术

个保法和IDFA政策大幅提升了广告定向的技术门槛，催生了"隐私计算"技术方向的发展。

关键技术手段：

• 联邦学习：在不共享原始数据的前提下进行联合模型训练。多个数据方将模型参数（而非原始数据）上传到中心服务器，服务器聚合后下发。淘宝的电商数据和微信的社交数据可以在不直接交换原始数据的情况下用于联合建模
• 多方安全计算（MPC）：多个参与方在不泄露各自数据的前提下完成联合计算，归因时可以多家联合分析
• 差分隐私：在数据中添加随机噪声，使个体的数据无法被还原，同时保持群体的统计特征有效性
• 第一方数据闭环：各平台强化自有身份体系和数据资产。腾讯的RACE技术体系——广告主提供的第一方数据在安全环境下与腾讯的生态资产进行安全匹配，不直接交换原始数据

腾讯的RACE技术体系：广告主上传第一方数据（消费者ID、电话号码哈希值等），与微信的用户数据在安全计算环境下匹配，实现对已有用户的再触达（Retargeting）和Look-alike相似人群扩展。RACE解决了"广告主自己掌握的用户数据怎么在微信生态内使用"的问题。

5. 归因技术

跨平台归因是广告行业长期以来的技术难题。挑战在于：一个用户可能在抖音看到广告、在百度搜索品牌、在淘宝完成购买——"哪个广告促成了这次购买"？

当前趋势：

• MMM（营销混合模型）：基于宏观总量数据的归因方法，评估各媒体渠道对销量的综合贡献。不受隐私政策影响，但颗粒度粗、时效差
• MTA（多触点归因）：基于用户级数据的归因，擅长微观优化。但受IDFA/隐私政策影响，用户级追踪越来越困难
• 增量测试：通过随机对照实验（A/B测试）来评估广告的增量效果——"投了广告 vs 没投广告"两组消费者的购买差。方法论上最严谨，但实施成本高
• 平台自建归因：各平台建立自有的归因体系（微信RACE、巨量云图、阿里数据银行），将归因链路封闭在生态内。广告主面临"每家平台都说自己的广告最有效"的困惑

6. 新兴技术方向

• 对话式广告：大语言模型驱动的交互式广告——用户可以直接与AI广告进行对话提问（"这个产品多少钱？""有什么优惠？""适合我吗？"），广告从"展示"变为"对话"
• AI数字人直播：AI数字人代替真人主播进行24小时直播带货，在快手和抖音已经开始规模应用
• 多模态广告理解：AI同时理解视频画面、语音、文字、音乐等多模态信息，提升广告场景匹配精度
• 程序化创意：AI不仅生成素材，还自动选择素材、标题、CTA组合并进行A/B测试和优化

技术竞争的关键判断

1. AI能力正在从"加分项"变为"入场券"——2-3年内，不具备AI全链路能力的广告平台将无法获得预算增量
2. 推荐系统仍然是AI竞争的核心战场——推荐效果每提升1%，对数亿DAU的平台意味着数亿级别的广告收入影响
3. AIGC将改变广告行业的成本结构——素材生产成本趋近于零将大幅降低中小广告主进入门槛
4. 技术差距将加剧马太效应——AI投入需要大规模的算力和数据，头部平台的竞争优势将持续放大
5. 多模态AI能力将成为平台间的分水岭——谁能更好地理解和匹配不同类型的广告创意和用户需求，谁就能获得更高溢价

AI技术在广告营销全链路的应用细节

受众洞察

传统受众洞察依赖问卷调研、Focus Group等人工方式，周期长（数周至数月）且样本量有限。AI大模型通过对海量行为数据（用户浏览、搜索、购买、互动记录）进行语义分析和模式识别，实现"实时的、动态更新的用户画像"。AI还能发现人工难以发现的受众聚类模式——比如"养猫且看美剧且喝手冲咖啡"的用户群体可能对特定消费品有超高的转化率。

创意概念

AI辅助创意的进化路径：从"AI提供素材选项"（素材库推荐、模板选择）到"AI生成创意脚本"（基于产品信息和目标受众生成完整的广告创意文案、分镜脚本）再到"AI创意策略"（AI根据品牌调性和市场趋势生成年度广告策略）。腾讯广告基础模型已经具备全自动创意生成能力，可以根据投放目标和受众特征实时生成差异化创意。快手AIGC素材已经覆盖短视频、图文、文案、虚拟主播等多种格式。

AI创意的效率革命案例：传统模式下，快消品品牌一个季度需要制作50-100套广告素材，耗时2-3个月，成本50-100万元。AI模式下，同一品牌可以生成1,000-10,000套个性化素材，耗时以小时计算，成本下降90%以上。

投放执行

AI投放系统实现了"智慧环"式的闭环优化：设定投放目标（如CPA=50元）→系统自动分配预算→实时监控效果→自动调整出价和受众定向→优化素材排序→持续迭代。整个过程基本不需要人工干预。广告优化师的职责从"手动调出价"变为"设定策略、监控异常、优化模型"。广告主投放团队的理想规模正在缩小——过去一个大品牌需要5-10人的投放团队，现在2-3人配AI工具即可。

效果衡量

AI驱动的归因技术正在打破"IDFA失效"带来的归因困境。联邦学习+MMM（营销混合模型）的组合方案：MMM从宏观层面（总销量=各渠道贡献量+基线销量+外部因素贡献量）评估各媒体渠道对总销量的贡献比例，基于同态加密的隐私计算技术实现对用户级跨平台归因的同时保护个人隐私。AI归因的挑战在于：MMM的颗粒度不足以支撑微观优化，隐私计算的精度仍然不及IDFA时代的精准归因。

智能售后

广告投放后的数据闭环越来越完整：用户点击广告→下单→复购→流失→召回的全周期都被纳入AI模型的训练数据。广告平台可以向广告主提供"不是一次性ROI账单，而是用户全生命周期价值（LTV）预测"——"你花100元获取的这个用户，根据我们的模型预测，未来12个月将产生300元的价值"。

AI面临的障碍与局限性

1. 数据孤岛问题：各平台的数据不互通，AI模型的训练数据局限在各平台的自有数据范围内。跨平台的用户行为链无法被AI完整理解
2. 算力成本高企：AI模型训练和推理的算力成本高昂。据估算，头部广告平台每年AI相关算力投入超过50亿元。对于中小平台来说，AI竞争就是"烧钱竞争"
3. 算法同质化风险：当所有平台都使用类似的技术（大模型推荐、强化学习出价、AIGC素材），算法的差异化可能缩小，竞争回归到数据和用户规模本身
4. AI幻觉与合规风险：AI生成的广告素材可能存在事实性错误（AI幻觉）或违反广告法（绝对化用语、虚假宣传），需要人工审核把关。平台需要训练专门的"合规过滤器"配合AI生成流程
5. 用户对AI广告的不信任：如果用户意识到自己看到的广告、内容、推荐全部由AI生成，可能产生"数字世界被操控"的不适感和不信任感

未来3年技术展望

1. 2026年：AI生成的广告素材占比超过50%，AI智能出价渗透率超过80%。视频号等新平台的推荐系统全面AI化
2. 2027年：多模态AI广告成为主流——一条广告可以自动适配短视频、图文、直播、音频等不同格式。用户接触到的广告中约30%是AI针对个人实时生成的个性化版本
3. 2028年：AI驱动的"全自动营销"出现——广告主只需设定年度目标和预算，AI系统全年自动执行投放、优化、归因、报告全流程。广告优化师的角色从"广告操作员"变为"AI策略师"

这场由AI驱动的广告技术变革，不仅是效率提升，更是一场产业链底层逻辑的重塑——广告的核心从"买位置"变成了"买效率"，从"被动展示"变成了"主动对话"，从"一次性投放"变成了"全生命周期管理"。