生成式营销 – 明略科技

admin — Fri, 06 Jun 2025 02:53:20 +0000

5�?0日，由明略科技联合复旦大学管理学院、人民邮电出版社共同举办的「生成·营销新未来」产学共创研讨会，暨《生成：AI生产力重构营销新范式》新书发布会，在上海复旦大学管理学院政立院区成功举行�?/p>

会议以“生成营销新未来”为主轴，吸引了众多营销生态产、学、研专家及从业者到场，会议现场，国内首部全方位拆解生成式AI之于营销范式变革的著作——《生成：AI生产力重构营销新范式》重磅发布。同时，来自复旦大学管理学院、明略科技、人民邮电出版社、小米公司、杜拉维特的教授、管理者依次登台，分享了营销新旧范式转换的大趋势下，“生成”对企业营销战略、组织、流程和操作系统的重塑，以及在AI技术普惠的当下及未来，智能体在企业中落地的关键场景�?/p>

会议特邀媒介360创始人、MSAI&�?平台创始人钱峻担任全场主持�?/p>

本文节选嘉宾部分观点，带大家一起回顾会议的精彩时刻�?/p>

*《生成》目前已在京东平台上线，可登录后搜索“生成式营销�?/strong>购买�?/em>

拥抱第三次营销革命——生成式营销

复旦大学管理学院教授、上海市市场学会会长蒋青云为会议致开场词，作为复旦大学管理学院与秒针营销科学院“AI+营销”产学课题组合作的见证人，他对过去两年课题组就“生成式营销”取得的研究成果给予了肯定，也非常认同《生成》一书强调的营销范式转换的主张�?/p>

复旦大学管理学院市场营销学系教授、上海市市场学会会长蒋青�?/figcaption>

在他看来，生成式营销是AI技术驱动的第三次营销革命。第一次营销革命发生�?950年代，特征是从销售导向转向了消费者导向；第二营销革命发生�?980年代，特征是从交易式营销转向了关系式营销；我们正在经历的第三次营销革命，即生成式营销，则是从基于完全信息的系统决策营销，转向了智能化决策营销，即使消费者获取的信息不完整，也能通过人工智能做出更好的决策�?/p>

和传统营销强调心智占领，即通过定位和广告影响消费者心理不同，生成式营销的关键，在于利用人工智能技术，实现营销生产力的爆发，实现与消费者即时的、个性化的交互�?/p>

蒋教授建议，营销从业者不应该把生成式营销简单地等同于AIGC（人工智能生成内容），而是要意识到它是涵盖市场洞察、营销策略和运营的全流程“生成”，“我们正在迎接第三次营销革命，必须不断学习和适应它。�?/p>

作为发起、定义并推动生成式营销落地的代表性企业，明略科技�?006年成立秒针系统开始，就专注于数字媒体、社交媒体以及线下营销数据的智能化创新和应用，过程中积累了丰富的数据，过去两年，得益于人工智能技术的进步，明略在营销智能领域又取得了新进展，持续践行创造人机同行的美好世界，推动企业高效运转和创新的使命�?/p>

会议现场，秒针系统总裁助理项久大分享了迎接和拥抱生成式营销，明略的探索和主张。包括和复旦大学管理学院以及客户共同探索生成式营销理论与实践，向行业分享相关研究成果，如何应对生成式营销带来的机遇和挑战，以及解决幻觉问题和重构生产关系等方面的探索与创新�?/p>

秒针系统总裁助理项久�?/figcaption>

他表示，针对困扰企业的模型幻觉问题，明略的建议是从源头保证输入数据的准确性，用事实性数据打败幻�?/strong>，这方面行业数据�?amp;知识库、一方数据库与知识库更具真实性、代表性和时效性�?/p>

关于新的营销生产关系下的组织重构，明略的建议是将组织看做是一个拥有“感�?认知-行动”系统的倒金字塔智能体。感知系统负责从外部到内部传递和沉淀数据资产，认知系统负责模型能力构建和数据资产积累，行动系统则将这些能力传递给对外的员工，确保他们采取正确的行动。基于这样的智能体架构，受生成式营销的启发，明略提出了营销生产力等同于洞察力的新主张，强调洞察在营销中的重要性，并将其整合到了为客户提供的多种解决方案中�?/p>

最后，项久大分享了具体业务场景中，明略为客户提供的小而美的生成式营销解决方案，包括了依托明略超图多模态大语言模型（HMLLM）研发的全球化广告创意测试及优化平台AdEff，以�?strong>社媒数据与AI技术双重驱动的传播平台DOMO多谋引擎�?/p>

全方位拆解营销范式转换�?/strong>

深挖“生成”营销红利，《生成》重磅发�?/strong>

活动现场，人民邮电出版社社科人文分社副社长、《营销科学学报》编辑部主任武恩玉代表人民邮电出版社重磅发布《生成：AI 生产力重构营销新范式》（以下简称《生成》），并介绍了书籍撰写及发布的初衷、价值及期望�?/p>

人民邮电出版社社科人文分社副社长
《营销科学学报》编辑部主任
武恩�?/figcaption>

当下，我们正处于知识爆炸与营销范式剧烈转换的时期， AI 以前所未有的深度和广度影响着营销的每一个环节。但技术的快速迭代和新工具、新应用的层出不穷，让从业者和管理者应接不暇，认知更新也难以跟上技术发展。在这样的背景下，作为科技出版的引领力量，长期深耕计算机、互联网、人工智能等前沿领域的人民邮电出版社，希望将最前沿、最实用的科技知识以专业、系统、可靠的方式传递给产业界和学术界，从而为营销行业的升级赋能�?/p>

《生成》就是这一初衷落地生花的产物，它聚焦真问题，提供了硬核解决方案，是该领域的第一本著作。书籍由明略科技集团副总裁、秒针营销科学院院长谭北平和复旦大学管理学院市场营销学系系主任、教授、博士生导师金立印共同撰写，既确保了内容的权威性，也为书籍的深度和广度提供了根本保障�?/p>
过程中，人民邮电出版社搭建平台，通过严格的出版流程，将两个研究团队的实战经验系统化、规范化地呈现给了广大读者，确保了知识的准确性和品质的可靠性�?/p>

《生成》作者谭北平和金立印相继登台，分享了《生成》创作的幕后故事、目录结构、理论框架，并对重点章节的内容做了精要解读�?/p>

《生成》作者、明略科技集团副总裁、秒针营销科学院院�? 谭北�?/figcaption>

据谭北平介绍，《生成》的诞生，源于秒针营销科学院和复旦大学管理学院组成的产学课题组，对生成式AI之于营销领域变革的深刻洞察。它的研究基础，源于蒋青云教授提出的一个重要命题：AI 是一项简单的应用技术，还是会改变营销的整个流程和决策方式�?/strong>书本的创作，则基于团�?023-2024年的研究成果展开，过程中凝结了众多产学专家的群体智慧，并在出版社的专业指导下最终成型�?/p>
《生成》的内容涵盖�?AI变革营销的多个方面，全书共分四大篇章�?strong>生成的趋势、生成的力量、生成的运用和生成的部署，系统地阐述�?AI 变革营销的底层逻辑、营销范式的重构，不同场景中生成式营销的应用以及企业内部部署生成式营销的策略�?/p>
在他看来，从分析�?AI 到生成式 AI，再到未来的AGI，AI 的发展正深刻改变营销的方式。AI 带来了营销生产力的大爆发，将洞察、创意和媒介相结合，推动了营销的变革。在企业内部，AI 不仅改变了营销运营，还将渗透到组织管理、营销战略制定等多个方面。书�?strong>具体探讨�?AI 在广告、社媒、内容、电商、用户管理、创新管理等不同场景中的应用，并提出了相应的原则和场景想�?/strong>�?/p>
在企业内部部署方面，《生成》提出了四步走的普惠策略：全员使用、心智共享、智能转型、组织进�?/strong>，以帮助企业更好地运�?AI 技术。此外，书中还讨论了消费者对 AI 的使用，并提出�?strong>通过影响人工智能来影响消费�?/strong>”的观点，强调了�?AI 时代，企业需要重新思考与消费者的互动方式�?/p>
《生成》作为一本定位营销从业者AI实战指南的著作，大部分篇幅聚焦于生成式营销的应用和部署，但同时也兼具学理性，从营销范式演变的角度，详细介绍了生成式营销对企业营销管理革新的重要性。会议现场，金立印教授对营销范式转换做了深入解读�?/p>

《生成》作者，复旦大学管理学院市场营销学系系主任，教授金立�?/figcaption>

在他看来，营销的本质，简单概括就是通过洞察用户需求，实现价值发现与高效供给，最终完成价值匹配与交付的过程。AI时代，营销的范式发生了根本性变革，需求洞察从传统的问卷调查转向AI交互，消费者通过与AI的对话明确需求，价值的发现更加精准。营销操作系统从工业经济时代的线下实体店选购，电商时代的主动搜索，进化为AI时代的交互生成需求，价值匹配与交付也从低效率的个性化、高效率的标准化，进化为高效率的个性化，效率与个性化服务能力大幅提升，整个流程也发生了根本性变化�?/p>

未来，流量将从传统搜索向AI交互大幅转移，企业营销预算也将向AI倾斜。AI不仅改变了营销的方式、效率与效果，还重构了营销战略、组织与流程。AI时代的企业需重新思考如何用好AI的能力，同时关注伦理与社会责任�?/p>

金立印建议，企业在部署AI时，不能仅仅将其定位为“技术工具”，而是将其视为一�?strong>“社会存在”与“生态伙伴�?/strong>。AI的发展应该注重价值导向与社会责任，人类要避免将定义价值的权力完全让渡给机器�?/p>

从智能到行动

生成式营销正在多场景落�?/strong>

会议最后，围绕大模型的发展趋势、生成式营销在企业内的具体应�?/strong>，复旦大学管理学院蒋青云教授、杜拉维特亚太市场及电商总监王双江、小米公司互联网业务部商业营销品牌业务总经理陈高铭，明略科技集团副总裁、秒针营销科学院院长谭北平进行了圆桌探讨�?/p>

从左到右：杜拉维特亚太市场及电商总监王双江，小米公司互联网业务部商业营销品牌业务总经理陈高铭，明略科技集团副总裁、秒针营销科学院院长谭北平，复旦大学管理学院教授蒋青云，媒�?60&MSAI&�?平台创始人钱�?/figcaption>

就大模型的未来发展趋势，王双江分享了自身的判断，他认为未来生成式营销的发展主要体现在两个方面：一�?strong>多模态融�?/strong>，即从单纯的文本到图像、声音、视频等多种形式的整合，这将极大地丰富营销的创造力；二�?strong>进阶式理�?/strong>，随着知识的累积和正反馈的增加，AI将能够回答更复杂的问题，而不仅仅是简单的问答系统。他认为在未来的12个月内，这些领域都将取得显著进展�?/p>

就如何选择 AI 应用的场景，王双江分享了自己的经验。他认为，企业在应用 AI 时，首先�?strong>明确自己的问题所在，然后判断 AI 是否能真正解决问题并带来立竿见影的效�?/strong>。过程中�?strong>数据的真实性和安全�?/strong>是需要重点关注的问题，此外，公司还需要对 AI 应用的风险做预判和约束，以规避可能产生的风险�?/p>

陈高铭从企业实践的角度分享了他对生成式AI及生成式营销应用的看法。他预判AI的发展将对搜索行业产生重大冲�?/strong>，未来也将出现更多新的应用场景。他同时强调了效率和公平的重要性，认为AI的发展应该以人为本，以提升人们的生活质量为目�?/strong>，而不是让人们的生活变得更加复杂�?/p>

在他看来，公司老板�?AI 的认知将直接影响 AI 在企业中的应用效果，企业应用 AI ，应该以提升业绩和利润为目标，而不仅仅是降低成本或减少人力。在应用方向上，他认为AI的个性化和差异化应用将是未来主要的发展方向，企业必须通过AI创造独特的价值，才能具备差异化竞争优�?/strong>，AI 的应用也应该贯穿企业经营的各个环节，包括产品、渠道、品牌等等，而不仅仅是营销�?/p>

蒋青云教授强调了洞察消费者需�?/strong>的重要性，他认为洞察需�?生成内容-推荐-交易是一个完整的营销闭环，网上的行为数据并不一定能完全代表消费者的真实需求，因此企业需要更深入地了解消费者�?/p>

对于AI的应用场景，他觉�?strong>企业家的自身认知和政策支持是产业发展的前�?/strong>，目前，在营销流程和运营方面，AI应用进展显著，但在营销战略制定层面则有待提升，未来，AI有望在品牌定位、市场选择等方面发挥更大作用�?/p>

谭北平从技术与产业结合的角度对AI发展的方向进行了预判，他认为接下来大模型的迭代将更加注重技术的进化和应用场景的深化。应用深化方面，上海在智能体领域的布局更为领先，许多企业正在探索如�?strong>将本地化的语料库与大模型相结合，以克服幻觉等问题，提升模型的准确性和实用性�?/p>

生成式营销 – 明略科技

admin — Wed, 06 Nov 2024 03:55:55 +0000

多模态大模型（MLLM�?/strong>作为兴起的新人工智能热点，可以利用强大的大语言模型（LLM）作为大脑，执行多模态任务。多模态技术，涉及机器学习和人工智能领域，可以处理和分析文本、图像、音频、视频等多种数据类型，相较单一模态，�?strong>营销领域应用场景更为广泛，提升内容洞察速度、增强内容洞察质量�?/p>
明略科技旗下秒针系统，依�?8年沉淀的营销行业数据及经验，依托多模态大模型（MLLM）技术，实现创新融合，目前已经形成了�?strong>人群发现-分析-聚类-内容生成“的完整闭环，并已经在美妆行业率先落地。生成式营销浪潮下，明略科技依托多模态数据智�?/mark>�?a href="//pgsoft-game.org/knowledgegraph/" data-type="link" data-id="//pgsoft-game.org/knowledgegraph/" target="_blank" rel="noreferrer noopener">企业级知识图�?/mark>�?a href="//pgsoft-game.org/dataprivacy/" target="_blank" rel="noreferrer noopener">隐私保护技�?/mark>，将助力更多品牌抓住新技术红利，实现精准营销和业务增长�?/p>

本文目录如下�?/p>

01 举例说明：什么是多模态大模型（MLLM）？

02 聚焦营销领域：多模态大模型（MLLM）将在内容洞察领域发挥更大作�?/li>
03 未来展望：多模态大模型（MLLM）的下一�?/li>

01 举例说明：什么是多模态大模型（MLLM）？

多模态大模型（MLLM�?/strong>也是一种人工智能模型，相较于单一模态大模型，多模态大模型（MLLM）的优势在于�?strong>能够处理多种类型的数�?/strong>，如文本、图像、音频和视频等。结合自然语言处理（NLP）、计算机视觉、语音处理等多领域技术，多模态大模型可以支持更多不同类型数据的理解、分析和生成�?/p>
举例而言，多模态大模型（MLLM）常见的情况下可以用于执行以下任务：

图像描述：对图像内容生成自动描述

视频分类：对视频素材进行分类和标�?/li>
视频摘要：从视频素材中提取关键帧或关键片段，生成视频摘要信息

多模态翻译：将不同语言的文本、图像或音频内容进行翻译和转�?/li>
视觉问答：基于图像内容，进行知识问答，还可以结合图像和文本进行推�?/li>
语音识别：将音频内容转换为文本内�?/li>
语音合成：将文本内容转换为语音语�?/li>

02 聚焦营销领域：多模态大模型（MLLM）将在内容洞察领域发挥更大作�?/strong>

�?）上一代人工智能技术对营销领域的影�?/h3>
消费者洞察、创意制作、媒介采买、消费者沟通等是营销行业的核心要素。当前，媒介、流量、采买和智能分发等多个环节已经受益与上一代人工智能技术，能回答以下关键问题：

把内容分发给�?/strong>

把信息推荐给�?/strong>

�?�?strong>新一代人工智能技术对营销领域的影�?/strong>

借助多模态大模型（MLLM）技术，营销可以更进一步。广告媒介和社交媒体内容形态进一步多元化，借助多模态技术，广大品牌主可以获取“更深入的消费者洞察”，反哺内容营销，做到真正的“千人千面”，不仅解决流量分发、信息推荐问题，还能回答以下关键问题�?/p>

�?strong>什�?/strong>内容分发给谁

�?strong>什�?/strong>信息推荐给谁

让企业建立的DMP、CDP，不仅可以划分人群，形成“WHO”相关策略，还能基于多模态大模型（MLLM）技术实现“分�?聚类-内容生成”，形成“WHAT”相关策略�?/p>
03 流程梳理：多模态大模型（MLLM）赋能社媒洞察五步走

�?）第一步：优质物料筛�?/h3>
依据品牌的调性及内容，多模态大模型（MLLM）可以辅助筛选优质物料�?/p>
�?）第二步：多模态打�?/h3>
多模态大模型（MLLM）支持针对文本、图像、音频、视频等多种数据类型分析和打标，且场景化更强、颗粒度更细�?/p>
例如，针对美妆的优质物料打标，不仅可以针对功效、质地、成分、人群打标，还可以总结痛点、情绪价值、种草贴类型，进行打标�?/p>
�?）第三步：聚类与统计

在多模态打标后，依托多模态大模型（MLLM）进行多维度信息聚类，锁定头部的人群、场景、痛点�?/p>

多模态聚类统计demo数据，来源：明略科技

�?）第四步：交叉分�?/h3>
获取统计数据后，可以让多模态大模型（MLLM）开展进一步交叉分析，挖掘用户核心痛点。对比单一模态和人工分析手段，多模态大模型（MLLM）交叉分析，能挖掘更多细节信息，可能发现新的用户痛点场景等�?/p>
�?）第五步：画像故事生�?/h4>
基于分析结果，生成目标人群画像故事。整个工作流程，更少人力投入、更快交付速度、更稳交付质量�?/p>
03 未来展望：多模态大模型（MLLM）的下一�?/strong>

生成式AI技术进一步发展，多模态大模型（MLLM）应用进一步拓展，生成式营销时代以来。正如明略科技集团创始人、董事长兼首席执行官吴明辉指出的，“我们正从企业生产制造管理进入到消费者营销与销售端管理的时代，这是一个时代的变化。�?/p>
未来，内容将成为继人、财、物之后企业管理的第四大要素，每个企业都可能需要一个新�?strong>由生成式人工智能驱动的新一代CMS（内容管理系统），积累内容生成所需的核心资源，以来内容解码能力、鉴别能力、数据能力，获取更大竞争优势�?/p>

admin — Tue, 05 Nov 2024 02:58:47 +0000

10�?1日，明略科技集团创始人、董事长兼首席执行官吴明辉，�?024第八届营销科学大会上，发表了《生成式营销时代的内容营销，按下新一轮红利按钮》主题演讲，为品牌营销提供生成式营销时代的全新解题思路，以下为演讲全文整理要点�?/p>

明略科技集团创始人、董事长兼首席执行官吴明�?/figcaption>

01 明略科技的生成式营销有效尝试

过去一段时间，明略科技和很多科研机构与高校合作，和复旦大学用两年的时间进行了大量人工智能和营销行业结合的相关研究。今�?月底，正式发布了�?024 AI+：生成式营销产业研究蓝皮书》�?/p>
今年暑期正值奥运，我们和东华大学合作，�?0名大学生利用我们提供的生成式营销工具，运营自己的社交媒体账号�?strong>这些大学生平均粉丝量只有几十个，却在整个奥运期间，发布了1000多篇帖子，总互动量达到�?0多万，抖音最高单帖互动量�?000+，小红书最高单帖互动量�?0000+，爆帖率非常高�?/strong>一些营销行业同行告诉我，很多品牌投入高额预算可能也达不到这个效果�?/p>
其中一个爆帖是奥运期间适合中国人的不熬夜版赛程表。这个洞察是通过我们秒针SocialX分析热词发现的，因为法国和中国有时差，熬夜看比赛是观众的一个痛点，这个帖子得到了很多观众的点赞和转发。还有一个“兵乓球术语列表”的帖子也非常有意思。很多用户都在讨论乒乓球比赛讲解的术语又多又难懂，但其实总结术语很简单，用小明助理联网搜索总结，很快就可以对各类比赛的专业术语进行解释。前提是我们要洞察到消费者的这个痛点需求。善于运用社交媒体洞察工具非常关键�?/p>

02 生成式营销时代红利：当内容可被测量，营销创造力将迎来大爆发

去年营销科学大会，我曾讲过一个公式：y=f(x)，所有人工智能的任务都可以用这个函数来表示。当我们和大模型应用对话时，x就是Prompt，大模型反馈的信息就是y。这个函数可以进行多轮对话，你可以给它第二个x、第三个x，把上一个y作为新的x继续迭代。过去一年，我们看到很多企业有落地生成式AI的决心，但效果却没有达到预期，问题就在于大家还没有为生成式AI做好准备�?/p>
企业要想把生成式AI引入企业内部成为生产力，首先需要生产资料和生产工具�?/strong>f就是生产工具，x是生产资料。我经常打一个比方，生成式AI进入企业，好比一个大学生进入公司工作，没有生产资料和生产工具就无法工作�?strong>�?/strong>内容生成的场景来看，只有洞察到消费者需求，才能写出准确且有价值的Prompt，调用大模型的内容生成能力，产出消费者喜闻乐见的内容�?/strong>

当我们知道了大模型可以给我们提高生产力的时候，又一个挑战就来了，即如何保持内容质量和内容数量之间的平衡。我们都希望生成好的内容，好的内容可以得到消费者的浏览量和更多的互动，但这些内容需要形成一定规模，然而内容数量越多，内容质量就会越低，这之间存在一个天然的矛盾�?/p>
我们在过去一段时间服务了很多客户做KOS（Key Opinion Sales）的内容生成�?C、餐饮行业在全国有很多门店，每一个门店销售都有抖音号、小红书号、快手号，这对每个企业来说都是非常宝贵的内容阵地。如果每一个销售都能在抖音号、小红书上给企业品牌发内容，每天肯定会产生很多流量。但当全员生产内容时，每个人不可能都像市场部一样经过专业的训练，知道品牌营销的定位，思考消费者的需求，做好洞察，最后生成一个好内容�?/p>
今天，AI能不能帮我们做这件事情？答案是肯定的。但AI生成的内容仍然面临挑战，因为生成的内容要标准化，不能让大模型一本正经的胡说八道，必须要严格按照产品的功能、特性、应用场景、痛点；另一方面，如果围绕产品特性、功能去生产内容，还不能千篇一律，否则也很难获得流量，这是一个非常复杂的问题，通用模型无法解决，目前我们已经在帮客户解决这一难题�?/p>
刚刚我提到的是社交媒体KOS的内容投放，同时我们也在帮客户做信息流平台的RTA投放，某种程度上属于硬广投放。基本上，利用RTA平台帮客户优化广告投放，可以大幅降低CPM，即媒介采买的成本。与此同时，我们也发现，信息流媒体的一个最大特点是，任何一个创意内容上线一周之后，它的流量一定会下降。和传统的电视台、户外广告不同，消费者在信息流的环境下拥有了可以随时划走视频的权力，如果信息流平台不赋予消费者划走的权力，就拿不到消费者真实的需求，没办法更好地做内容推荐和分发�?/p>
我们对这些素材进行混检优化后发现，通过小幅度的创意优化有效降低了价格，但总体流量趋势还是比上线的前几天少很多。这就是真实的媒体环境，品牌方需要生产大量内容，如果内容只是小幅度的修改，重复度高，依然买不到量，因为消费者可以随时把你划走�?/p>

过去，营销行业里最核心的要素，包括消费者洞察、创意制作，以及媒介采买和消费者的沟通。上一代人工智能在媒介、流量、采买和智能分发上已经做得非常完备。在生成式AI大行其道之前，我们可以解决who的问题，也就是把内容分发给谁，即流量分发、信息推荐的问题。但这背后有一个更大的问题，虽然很多企业建立了DMP、CDP，可以划分人群，但最后依然难以做到千人千面。因为人群划分好之后，缺少丰富的内容素材用于投放�?/p>
今天，在生成式AI的加持下，营销不仅能解决who的问题，还能解决what的问题。我们可以针对不同的人群产出不同的创意内容。让不同的消费者看到不同的内容。前提是要有消费者洞察，营销的生产力才能彻底释放，这是一个重要解题的思路�?/strong>只有千人千面的划分，没有千人千面的内容，很难产生好的营销效果�?/p>
03 明略经验：内容营销差异化的关键，是数据

从去年营销科学大会到现在，大模型又进一步产生了新的技术迭代。迭代的核心是f变得越来越强大，成本逐渐降低，推理能力不断提升�?/p>
一个特别重大的变化是从单一模态逐渐进入�?a href="//pgsoft-game.org/news/4716/" data-type="post" data-id="4716" target="_blank" rel="noreferrer noopener">多模�?/mark>，对语音、图像与视频的识别、理解和生成也越来越强，这意味着f可以接纳更多的x。之前的x只是一个Prompt、一段文本，但今天可以是图片或视频等多种形态的内容�?/p>
每个品牌在充分拥抱新的生产力的同时，要准备好生产资料x，这个x决定了最后的结果会不会与众不同。所有人都拥有的能力，不叫创造力，在所有人都拥有的能力之上长出来的部分才叫创造力。因此，x的差异化非常重要�?/strong>

我们通过三个维度帮助品牌挖掘到更为精细的x�?strong>一是解码内容词元，从客观内容看广告创意内容的描述对象；二是激发受众反馈，从消费者主观视角出发，把握不同的消费者看到相同内容的主观感受差异；三是对齐品牌价值，基于品牌的价值理解，了解不同品牌对于内容的差异化要求�?/strong>通过更为深入的内容分析，基于每一个客户、每一个品牌不同的视角对内容进行理解、解码，然后有针对性、精准化的实现内容生成，这是我们非常重要的工作�?/p>

我们是如何做到的�?/p>
第一个维度，客观部分的词元理解。把一个具体的产品特征生成海量不同的视角，靠人力是很难的，但人工智能可以做到。因为人工智能对词语进一步的拆解能力、对细颗粒度内容的掌握远远超过人类。根据一项统计，一个人一辈子能学�?0亿左右的词元，而GPT-3已经学习了几千亿个token�?/p>
第二个维度，主观部分的反馈解读。这件事要回到Social Listening，社交媒体用户的行为、偏好，实际上也是真实世界消费者的一种反映。除了对所有消费者进行洞察，我们每年还会发布圈层报告，目前已经涵盖了170多个基于中国消费者深度理解的圈层划分，每一个圈层背后都有对应的词元，这些圈层群体每天在社交媒体上关注什么都可以挖掘出来。通过这些挖掘到的信息，我们才有可能生成不一样的内容�?/p>

值得一提的是，我们在模拟人类主观响应方面，也做出了创新性、可落地的尝试。下方视频是一个很多营销人都看过的沃尔沃卡车经典广告。画面右边是我们明略的明敬大模型，可以解读解读消费者看到视频后的情绪变化，下面的曲线有三个维度：消费者是否理解视频内容、消费者看到视频后的情绪是正面还是负面的，消费者的注意力是否被视频吸引�?strong>完全从消费者主观视角看，通用的基础模型是做不到的。在这个模型里面，我们把沉淀下来的广告前测的脑电、眼动数据与多模态大模型训练到一起，最终形成了明敬大模型�?/strong>大家可以看到，下面的曲线模拟了人类观看视频的真实感受，从最开始看不懂广告，情绪是低落的，到后面镜头往后拉，看到这个人站在两个卡车之间时，情绪一下子被调动起来�?/p>
除此之外，我们还可以对不同的人群进一步分解，对比不同人群观看视频后的反应差异。以某美妆产品广告为例，我们选取了不同的人群，一个是所有人，另外一个是28岁的女性，两个视频的曲线是不一样的。前段时间，AI教母李飞飞提到基础大模型永远不可能像人类一样拥有主观的理解能力。因为基础大模型学习的是互联网上的通用文本，不可能像一个具体的人一样去理解视频。我们研发的多模态大模型就在试图解决这个问题，可以通过AI模拟不同类型的人群，将人类脑电、眼动，以及社交媒体内容进行差异化的学习，再重新对视频广告内容进行理解，这就是基于受众主观响应的理解维度�?/p>
第三个维度，品牌的价值主张。不同的品牌有自己核心的价值主张，当我们分析客观描述和基于消费者情绪的主观描述后，还要对品牌价值观再做一层剥离，这样才能对内容做更有针对性的测量和分析�?/p>

04 展望未来：未来每个企业都需要生成式AI驱动的新一代CMS

整个互联网发展到今天，当我们在商超看到每一个SKU有那么多产品在竞争的时候，它们在竞争的是消费者心智，已经不仅仅是生产管理的能力。我们正从企业生产制造管理进入到消费者营销与销售端管理的时代，这是一个时代的变化。过去，企业内部会用EPR管理人、财、物，这是企业最核心的三个生产要素�?strong>未来，内容将成为继人、财、物之后企业管理的第四大要素，每个企业都需要一个由生成式AI驱动的新一代CMS（内容管理系统），积累内容生产所需的核心资源�?/strong>

上一代CMS侧重于信息发布，新一代CMS系统的原材料是消费者洞察，即Insight，同时具备内容解码能力、鉴别能力、把x拆分成更多细分的能力�?/strong>这是它和上一代CMS最大的区别，我们称其为InsightFlow CMS�?/p>

与此同时，持续的、反复的迭代反馈也特别重要。明略秒针的RTA投放能力，可以把消费者分为成百上千种，投放不同类型的素材，结合进一步的反馈又可以作为新的x，输入到模型里�?strong>InsightFlow CMS可以对接投放，及时获得闭环的反馈效果。这样一来，内容生产越来越高效，同时也越来越有价值。y=f（x）不再是一次性的，将演变�?y’=f（x，z），z就是评估反馈�?/strong>这也是我们接下来要为大家提供的服务�?/p>

05 和明略一起抓住红利：未来已来�?strong>拥抱生成式营销新范�?/strong>

最后我想跟大家分享大会主题里的一个关键词“范式”，这个词最早由《科学革命的结构》的作者托马斯·库恩提出。这本书里清晰地介绍了什么是范式。当一个新的事物诞生，继而让其他事物也和它产生连接，并和上一个时代的事物脱钩，那么这个新的事物就可以被称之为新范式。历史上，达尔文的进化论是新范式，日心说和地心说见证了新旧范式的交替�?/p>

也就是说，当一个新的重大科学发现之后，很多其他学科也跟着发生变化，我们才称之为新范式的诞生。今天，生成式人工智能毫无疑问是一个全新的范式。最近，图灵奖得主Geoffrey E. Hinton获得诺贝尔物理学奖的新闻，意味着更多学科将与人工智能产生关联和影响。实际上，这并不是人工智能和诺贝尔奖第一次产生联动，第一个同时获得诺贝尔奖和图灵奖的是赫伯特·西蒙，他也是我的偶像级老师。今天我们从事人工智能的同学进入到了一个令人兴奋的时代，人工智能一定会颠覆每个行业，让每个行业进入到新范式的轨道里面�?/p>
“范”这个词在中文里是模具的意思，实际上它也象征着旧范式里的每一个人的思想约束。提到范式，就会有旧范式和新范式。《世界观》这本书里提到，每一次范式迁移的过程中，旧范式和新范式之间都会产生抵抗和冲突。书中提出了一个概念叫“拼图”，上一个范式的人在思维中有一个拼图，它会被不断地验证、增强，这些拼图之间互为枷锁，互为加持�?/p>
今天，新范式到来的时候，我们需要重新思考生成式人工智能的生产关系问题，思考新的生产力如何与上一代的生产关系更好协同�?strong>我们每个人未来都要和AI有更好的协作，这个“人”既包含了消费者，也包含了营销工作者。在这个过程中，我们应该正面积极地思考，短期肯定是挑战，长期要想清楚新范式里有哪些板块是正确的，并用这个板块审视旧范式中的哪些拼图可以被替换�?/strong>比如，今天我们都知道内容营销很重要，我们需要有用的信息、有价值的消费者洞察，才有可能好的内容，而恰恰新的人工智能可以方便地帮助消费者和品牌去搜集、整理、加工信息。再比如，生成式AI有强大的推理能力，很多人类不擅长解决的问题，如今它都可以协助我们解决�?/p>
还有一个更重要的板块，我们知道所有的人工智能背后一定是依赖于数据的。每一个企业在应用人工智能时也一定要利用好自己独特的数据，而数据来自于交互，来自于互动，它既来自于品牌，每一支广告创意与消费者之间的沟通，消费者与品牌之间的互动，也来自于人和AI之间的互动，还来自于机器和机器的互动。其中，机器与机器的互动，未来可能会成为B2B行业的主流。我们做产生任何一个创意之前，都可以让机器与机器互相博弈，看看这个创意另一个机器怎么看�?strong>在机器互动产生大量数据之后，我们再去投放，这将是未来新范式的发展趋势�?/strong>

我想说，未来已来。在新范式来临前，我们需要做好准备。我希望大家都行动起来，一起拥抱生成式AI带来的生成式营销的红利�?/p>

admin — Mon, 28 Oct 2024 03:24:16 +0000

10�?1日，明略科技集团副总裁、大模型基础架构负责人何敏，�?024第八届营销科学大会上了发表《生成式营销必备的体系架构思维和前沿方向》主题演讲，深入分享�?strong>生成式营销落地的六个体系架构思维与三个前沿方�?/strong>�?/p>

明略科技集团副总裁、大模型基础架构负责�?何敏

本文目录如下�?/p>
01 生成式营销落地的六个体系架构思维�?/p>

架构思维一：知识合库还是分库？

架构思维二：长文本还是检索增强问答？

架构思维三：思考系统的切换还是延续�?/li>
架构思维四：黑盒分析还是白盒分析�?/li>
架构思维五：先规划平台还是单点应用？

架构思维六：分析重要还是生成重要�?/li>

02 生成式营销的三个前沿方向：

前沿方向一：结果监督维度的丰富�?/li>
前沿方向二：基于过程监督奖励的验证器（Verifier）与最优过程探索策�?/li>
前沿方向三：自学推理过程，将推理的思维内隐化到模型�?/li>

01 生成式营销落地的六个体系架构思维

过去一年，很多企业做了大量尝试，我们和企业交流时发现一个问题：做demo的时候“一马平川”，一周就可以出效果，但真正落地的时候“举步维艰”，半年都上不了线。为了解决这类问题，大家的共识是：生成式营销的落地需要体系架构思维�?/p>
体系架构思维一�?strong> 知识合库还是分库�?/strong>

在人人都可以搭建大模型智能体的时代，上传一个产品文档，写一个prompt，大模型的回答可以做到精准无比。当产品从一个变成十个时，大模型就从精准无比变成了胡言乱语。这是什么原因造成的呢�?/p>
一句话概括�?strong>信息浓度决定问答准确�?/strong>�?/p>
只有一个产品时，单一产品信息浓度�?00%；十个产品时，单一产品信息浓度会被稀释为10%。当问到A产品信息时，其它产品还会来“捣乱”，大模型的准确率自然而然就下降了�?/p>

通过上面的例子，我们可以思考，精准问答场景，适合采用合库思维，还是分库思维�?/p>
合库思维是指把所有的产品放到一个知识库；分库思维是指把A产品放在A的知识库，B产品放在B的知识库，A产品的问题到A知识库找，B产品的问题到B知识库找。显然，分库思维更适用于精准问答场景�?/p>
当品牌方进行双十一活动策划时，需要用到各种知识库，比如秒针系统有Media的知识库，Social的知识库，电商、私域、线下广告的知识库。合库思维更适用于创意探索场景，更容易找到创新点，生成的报告也会更加完整�?/p>
总的来说，数据的组织形式，决定了业务效果�?/p>

体系架构思维二：长文本还是检索增强问答？

与此同时，数据的提取形式，也决定了业务效果�?/p>

以知识问答为例，一种方式是长文本问答，另一种方式是检索增强问答�?/p>
长文本问答，指把100页的文档丢给大模型直接回答；检索增强问答，指从100页的文档中提�?页与问题相关的信息丢给大模型。如何在这两种方式中选择？主要依赖于企业的业务场景�?/p>
长文本问答方式，更适合全文总结场景�?/strong>比如总结100页文档的核心信息，或分析本周周报与上一周相比的进展�?/p>
检索增强问答方式，则适用于精准问答�?/strong>比如100页的产品手册中包含产品介绍、功效、使用方法、原理、注意事项、售后服务等。当用户咨询产品功效时，只需找到相关�?页丢给大模型，无需阅读100页。它的优点是准确率更高，且成本更低。因为如果阅�?00页信息，其它98页对相关�?页内容反而会产生干扰�?/p>
体系架构思维三：思考系统的切换还是延续�?/em>

提到思考系统，我们可以联想到最近爆火的OpenAI o1模型。OpenAI o1模型在美国数学奥林匹�?(AIME) 预选赛中跻身美国前500名学生之列，在竞争性编程问题（Codeforces）中百分位排名是89%，并在物理、生物和化学问题 (GPQA) 基准测试中超越人类博士级水平�?/p>
为什么它会获得这样好的成绩？原因是o1采用了体系思考的模式�?strong>在训练与推理阶段，思考计算的时间越长，模型的准确率就会越高�?/strong>

同时，o1模型的发布将《思考：快与慢》这本书带入大众视野。书中提到人类有两种思考模式，分别是系�?和系�?。系�?指的是快思考，类似于直觉思考；系统2指的是慢思考，是有意识、深思熟虑的思考。就像我们解最后一道数学大题时，要理解问题、分析问题、拆解步骤，进行推理，才能得出答案�?/p>

接下来，我们就来介绍与思考系统相关的体系思维�?/p>
还是从最简单的选择题开始。让大模型执行分类任务，判断帖子属于ABCD哪一类，是做大模型应用的常见问题�?/p>
通过实验，我们发现一个非常有趣的现象：如果先选择结论后分析原因，大模型的答案往往飘忽不定，结论选A，分析后的答案选C；如果先分析原因后选择结论，分析与结论往往一致。这是什么原因造成的？

回到刚才提到的思考系统，人类在做一道选择题时，系�?的思维模式是下意识地先给结论，告诉你这道题肯定选A；当我们采用系统2的思维，一步步拆解后会发现答案应该选C�?/p>
所以结论的不一致是因为我们的大脑进行了系统1与系�?思维模式的切换。大模型也是类似的道理。基于分析给出结论，答案的一致性、可靠性会更好，因为始终处在同一个系统思维模式里�?/strong>

体系架构思维四：黑盒分析还是白盒分析�?/em>

我们经常收到企业市场部的需求，洞察100篇帖子中的内容策略。最简单的做法是黑盒分析，把这些帖子都丢给大模型。这样做的好处是速度快，可以做定性分析；缺点是可解释性较差，难以给出结论背后的原因�?/p>
另一种做法是白盒分析，同样把100篇帖子丢给大模型，但不输出总结，而是先输出ABCD等所有特征，然后通过小模型采用聚类分析的方法统计ABCD哪些权重更高，最后再输出内容策略�?strong>白盒分析的好处是可解释、可回溯。大模型给出的结果基于ABCD权重最高的元素而产生，并且还能找到ABCD的原帖进行分析。因此，白盒分析更适合做定量、可解释、可回溯的分析�?/p>

体系架构思维五：先规划平台还是单点应用？

前面我们讲到数据的组织形式、提取形式决定了业务的最终效果�?strong>同样地，只有确定了业务目标，才能更好地定义效果、数据与训练方法。所以，业务优先、目标优先，是更加落地的方式�?/strong>相比平台式的规划，在实战中，我们通常建议企业优先选择单点�?/p>

在帮助企业客户落地的过程中，我们有四层单点应用的业务目标�?/p>

第一层是元素解析，基于视频、图片、文本解析出素材中的客观元素与主观情感；

第二层是角度探索，挖掘社媒热点、总结内容核心信息等等�?/li>
第三层是策略生成，不仅可以应用于营销内容生成，还可以应用于选品、产品研发策略制定等等；

第四层是内容生成，即AIGC，包括文案、图片、视频等多种内容形态�?/li>

体系架构思维六：分析重要还是生成重要�?/em>

上午场明略科技集团创始人、董事长兼首席执行官吴明辉提到了奥运营销大学生素人发帖的例子，这些学生利用明略科技提供的SocialGrow、SocialX、小明助理等AI工具，通过挖掘奥运热点来指导创作方向，在生成海量内容后，从中挑选出优质帖发布，并进行了监测与调优，形成了一个正向的创作循环�?/p>

整个过程共计发布�?237篇帖子，总互动量23�?，爆帖率15%。值得注意的是，一些学生的粉丝只有几十个，但小红书单帖互动最高做到了7�?，抖音单帖最高互动做到了6000+�?/p>
通过上面的例子可以看出，分析和生成结合起来更重要。分析的产出可以作为生成的输入，带来更好的内容效果。这也是InsightFlow CMS（洞察驱动的内容管理平台）背后的思考逻辑�?/p>

02 生成式营销的三个前沿方�?/h1>
生成式营销有很多前沿的研究主线，其中一条，我们可以沿着OpenAI o1模型的思路进行探索。o1的发布引用了OpenAI的一篇文章《Let’s Verify Step by Step》。这篇文章提出了两种奖励机制，结果监督的奖励机制和过程监督的奖励机制�?/p>
通过这两种奖励机制，o1模型在数学领域有了大幅提升。我们认为，这两种监督奖励方式对生成式营销的研究也有启发。围绕这个思路，我们将阐述以下三个生成式营销的前沿研究方向�?/p>

生成式营销前沿方向一�?strong> 结果监督维度的丰富�?/strong>

这一研究方向主要借鉴明略科技在ACMMM，以及Adobe在ICLR人工智能顶会发布的论文，阐述未来大模型输出结果的丰富性�?/p>

目前，大模型输入的内容形态有视频、语音、文本，输出的主要是文本，未来在营销领域会有怎样的变化？

输入层引入圈层人�?/strong>，例：提问不同圈层的群体对同一广告视频、短剧是否感兴趣�?/li>
输出层引入感观指�?/strong>，例：包括脑电、眼动等指标，比�?5岁的年轻人观看短剧后是否感兴趣，脑电波是否有波动，眼睛主要关注哪几帧画面�?/li>
输出层引入效果指�?/strong>，例：不同类型受众对广告视频的点击率与完播率如何�?/li>

通过引入感观指标、效果指标，我们在丰富大模型输出维度的同时，还可以辅助企业优化内容策略�?/p>
生成式营销前沿方向二：基于过程监督奖励的验证器（Verifier）与最优过程探索策�?/em>

这一方向主要借鉴Google DeepMind 8月发表的两篇文章�?/p>

基于过程监督奖励的验证器，类似妈妈陪我写作业场景。相当于在生成大模型Generator的基础上（想象成“孩子写作业大模型”），引入一个新的大模型Verifier（想象成“妈妈陪读大模型”）。这个Verifier盯着Generator输出时，不仅看结果，还能指出每一步的对错。因此，基于Verifier的过程监督，生成大模型Generator的成绩就很容易得到提高�?/p>

什么叫作最优过程探索策略？

举个例子，生成大模型Generator这个“孩子”解不出题，困在迷宫里了，怎么办？可以一下子变成七个葫芦娃兄弟分身，用不同的思路去解。最厉害的是它还结合了“妈妈陪读大模型”Verifier，可以监督每一步，帮助孩子在迷宫里找到最优策略。打个比方，大娃走了这条路走不通，妈妈就可以告诉二娃，这条路走不通了，继续找新的路，直到七娃最后走出迷宫，这就是最优解�?/p>

应用到营销领域，这个Verifier相当于营销策划的智囊团，当营销的Generator提供各种营销策划方案时，Verifier可以帮助我们验证营销的策略、数据、逻辑关系等，同时找到最佳的营销策略或方法�?/strong>比如一笔预算到底选哪些渠道，哪类圈层人群，采用何种内容策略，有成千上万种组合，可以在ROI里找到最优的路径�?/p>
生成式营销前沿方向三：自学推理过程，将推理的思维内隐化到模型�?/em>

这一方向主要借鉴斯坦福大学的STaR和Quiet-STaR两篇文章。STaR是Self-Taught Reasoner的缩写，是自学推理过程�?/p>

我们继续前面的比喻，妈妈陪我写作业写�?亿次，我变成葫芦娃兄弟走迷宫走了1亿次，我们便积累�?亿次的自我反思以�?亿次多角度探索的过程经验数据。我们可以使用这些过程数据，用来训练大模型Generator，提升“孩子”的体系思考能力。当生成大模型自己学会独立思考之后，就不需要妈妈指导，不需要其他六个兄弟同时做好多遍题找最终的答案，而是在每次解题过程中进行自我反思和多角度思考，再输出最终答案。这个过程我们称作思维的内隐化，它形成的思维链叫作隐式思维链。再通俗一点，这就是内功心法的修炼过程�?/p>

应用到营销领域，营销大模型可以学习行业和企业的各种决策经验，包括各种A/B Test经验数据，从而给出更加落地的答案�?/strong>此时的大模型就像沉淀了行业最佳实践、企业多年实战经验和体系架构思维的扫地僧，即使简单输出几十token，实际上威力无穷、效果炸裂。因为每一个token输出的背后都进行了大量思考和计算，其他大模型难以与之相比。类似奥运营销发帖的例子，素人大学生在体系思考的大模型内功心法加持下，也能一招打出成千上万的互动效果�?/p>
内力凝精髓，普招也暴击！

生成式营销 – 明略科技

生成式营销 – 明略科技

拥抱第三次营销革命——生成式营销

全方位拆解营销范式转换�?/strong>

深挖“生成”营销红利，《生成》重磅发�?/strong>

从智能到行动

生成式营销正在多场景落�?/strong>

生成式营销 – 明略科技

01 举例说明：什么是多模态大模型（MLLM）？

02 聚焦营销领域：多模态大模型（MLLM）将在内容洞察领域发挥更大作�?/strong>

�?�?strong>新一代人工智能技术对营销领域的影�?/strong>

03 流程梳理：多模态大模型（MLLM）赋能社媒洞察五步走

�?）第一步：优质物料筛�?/h3> 依据品牌的调性及内容，多模态大模型（MLLM）可以辅助筛选优质物料�?/p>

�?）第三步：聚类与统计

�?）第五步：画像故事生�?/h4> 基于分析结果，生成目标人群画像故事。整个工作流程，更少人力投入、更快交付速度、更稳交付质量�?/p>

03 未来展望：多模态大模型（MLLM）的下一�?/strong>

01 明略科技的生成式营销有效尝试

02 生成式营销时代红利：当内容可被测量，营销创造力将迎来大爆发

03 明略经验：内容营销差异化的关键，是数据

04 展望未来：未来每个企业都需要生成式AI驱动的新一代CMS

05 和明略一起抓住红利：未来已来�?strong>拥抱生成式营销新范�?/strong>

01 生成式营销落地的六个体系架构思维

体系架构思维一�?strong> 知识合库还是分库�?/strong>

体系架构思维二：长文本还是检索增强问答？

体系架构思维三： 思考系统的切换还是延续�?/em>

体系架构思维四： 黑盒分析还是白盒分析�?/em>

体系架构思维五：先规划平台还是单点应用？

体系架构思维六：分析重要还是生成重要�?/em>

生成式营销前沿方向一�?strong> 结果监督维度的丰富�?/strong>

生成式营销前沿方向二： 基于过程监督奖励的验证器（Verifier）与最优过程探索策�?/em>

生成式营销前沿方向三：自学推理过程，将推理的思维内隐化到模型�?/em>

�?）第一步：优质物料筛�?/h3>
依据品牌的调性及内容，多模态大模型（MLLM）可以辅助筛选优质物料�?/p>

�?）第五步：画像故事生�?/h4>
基于分析结果，生成目标人群画像故事。整个工作流程，更少人力投入、更快交付速度、更稳交付质量�?/p>

体系架构思维三：思考系统的切换还是延续�?/em>

体系架构思维四：黑盒分析还是白盒分析�?/em>

生成式营销前沿方向二：基于过程监督奖励的验证器（Verifier）与最优过程探索策�?/em>