正在播放国产一区_亚洲精品字幕在线观看|HD中文字幕在线播放,少妇莹莹的放荡生活,日韩欧美综合一区,国产欧美一区二区三区96精品

編者按：2023年11月15日，由秒針營銷科學院發起，明略科技集團及旗下秒針系統承辦，以“‘大’有可為”為主題的2023第七屆營銷科學大會，于上海安莎國際會議中心圓滿落幕。大會匯集了40多位營銷科學的實踐者，共同為超過1000+位現場參與者和過百萬在線觀看人次，帶來了一場對未來營銷科技的深度探討。

在本次大會中，營銷科學實踐者的精彩分享讓我們洞察到了未來營銷的無限可能：中國“大”市場有可為、出海、破圈… 新品類、新品牌層出不窮；“大”需求有可為，消費升級與消費分級并重，高性價比品牌、高附加值品牌并駕齊驅；“大”模型，有可為，我們正處于一場深刻技術變革浪潮的開端，AI將有望在各個領域提升生產力效率。這不僅為品牌帶來營銷效率，也將為整個生態帶來新生；營銷“大”生態有可為，雖然當前行業挑戰很大，在更深刻的層面思考，在產品、生意模式的源頭去創新破局，聯動更廣泛的伙伴，巨大生態繁榮發展，共建美好品牌；最后，數據安全、隱私保護，一切以消費者為中心，“大”責任，更有可為。

明略科技創始人、董事長兼首席執行官吳明輝，在2023“大”有可為第七屆營銷科學大會上發表了主題為《大模型時代的營銷智能：數據、知識、與人的全新組合》的演講，深入淺出地探討了大模型時代營銷數據的價值，及企業實現差異化的關鍵要素。

以下為明略科技企業級一站式大模型Co-pilot“小明助理”，輔助編輯整理的演講全文，希望為您帶來更多啟示和靈感。

其他精彩內容，將在后續文章中呈現，盡請期待。

---

生成式人工智能是一個更廣闊的課題 Generative AI > AIGC

我相信，2023年將成為科技史上的一個重要里程碑。我們每個人都深刻地感受到，今年是人類歷史上的一個重要年份。ChatGPT引領了大模型技術的發展，讓我們重新審視未來的工作和生活規劃。同樣對營銷科學產生了深遠的影響，為我們開啟了一種全新的、以數據和生成式AI為驅動的營銷模式變革。

我于2000年在北大讀數學，2004年研究生轉向計算機系，專門研究人工智能。在北大期間，我的碩士論文寫的就是語言模型，當時還沒有使用”大模型”這個詞，只有語言模型的概念。然后在2019年，我返回北大，繼續攻讀我的博士學位，發現我之前學習的一些內容已經不再適用，被視為上一個時代的技術。

在過去的半年里，人工智能的發展主要集中在內容生成的領域。各大商業公司都在不斷地迭代并發布他們的模型，特別是在多模態領域，迭代的速度更是快速。全球最杰出的一群人每天都在努力推動這項技術的發展。然而，這也引起了許多營銷科學工作者的憂慮，他們擔心強大的人工智能可能會威脅到他們的工作機會，廣告公司也因此感到不安。

作為一個學習人工智能的人，我仍然堅定地相信自己的價值。舍我其誰呢？當然，我也清醒地意識到，在大模型的基礎技術上，中國實際上稍微落后于美國，這項技術依然是硅谷的原創。

今年8月，我去了趟美國，停留了超過兩周的時間。在這期間，我首先拜訪了皮克斯公司，這是迪士尼的全資子公司，也是全球第一個全面使用計算機生成動畫片的公司，堪稱內容生成領域的領導者。

我懷著滿心的期待來到他們公司，然而在我約見他們的導演組負責人時，他告訴我他們公司實行了一項明確的AI保護措施：人工智能不能用于編寫或者修改文學材料，而且AI生成的材料也不會被視作MBA（基礎協議）下的原創作品。我聽后感到非常意外。

他解釋說，現在好萊塢正在經歷罷工，演員和制片人都認為大模型將會顛覆我們的行業，因此編劇們拒絕“為AI打工”。他們希望只將ChatGPT等生成型人工智能作為一個輔助研究或者促進腳本創意的工具，而不是用來替代他們的工具。

更大的問題在于，像皮克斯這樣以IP知識產權為核心盈利模式的公司，如今面臨著一個困境：在美國，人工智能生成的內容并未受到版權保護。即使版權得到保護，也存在很大的挑戰。例如，我編寫一段代碼，可以一次性生成上萬個內容，如果這些內容都受到版權保護，那么后續的創作還有何意義？對于像皮克斯這樣的公司來說，這是無法接受的。因此，他們對使用人工智能生成內容的態度極為謹慎，其中最核心的考慮因素就是版權問題。

雖然像皮克斯這樣的公司并未在內容生成方面領先如我所想，但在美國，依然有許多公司在大模型技術的應用上做得非常出色。我參觀了一家金融公司，標準普爾公司，在和一位同學的交談中，他告訴我他現在對大模型非常看好。

自從畢業以來，他已經積累了至少十年以上的金融行業分析模型的編程經驗。然而，在過去的半年中，他已經全面放棄了這些傳統的代碼，轉而使用大模型，結合計算機語言對它們進行了重構。經過重構后，他現在每天只需要花費半小時的時間，就能完成原本一整天的工作任務。

過去，他編寫的所有代碼都是靜態的，而市場的變化卻是動態的，金融行業也同樣充滿了各種變動。他每天的工作就是根據金融市場的動態變化，不斷調整他的代碼，并每天運行一次。然而現在，他直接使用GPT進行調整，讓人工智能自動適應外部環境的變化，這樣他每天只需要半小時就能完成所有的工作任務。

如今，使用人工智能技術最出色的公司，并不僅僅是那些專注于內容生成的企業。在我與許多朋友的交流中，我們經常會提到一個詞——AIGC，也就是人工智能生成內容。然而，對于營銷行業的從業者，特別是營銷科學的從業者來說，僅僅了解這個詞是遠遠不夠的。我們應該去深入理解生成式人工智能，Generative AI。

事實上，人工智能可以生成幾乎所有類型的智力活動，包括編寫代碼、數據分析，甚至協助企業的高級管理者進行各種智慧決策和戰略規劃。作為明略科技的首席執行官，我雖然不需要親自撰寫廣告文案或進行繪圖，但我每天都會使用我們公司的人工智能產品超過20次。

生成式人工智能是一個更廣闊的課題，AIGC不僅僅是指ChatGPT，營銷行業從業者對它的認知必須超越生成內容的范疇。盡管由于版權原因，您所在的組織可能無法直接使用它來生成廣告，但仍然有許多其他事情可以做。

人工智能本質上就是在構建函數，大模型的推理能力才是企業落地AI的關鍵

在過去的半年中，大模型的迭代發展持續進行。那么，它的核心迭代是什么呢？一個多月前，我有幸與智譜AI的創始人唐杰教授進行了一次交流，他向我解釋說，核心在于推理能力，而不僅僅是多模態或生成圖像的能力。

那么，什么是推理能力呢？讓我舉一個例子來具體解釋，每當新版本的大模型發布后，我總是會提一個問題進行測試：“美國有哪些州與其他州不接壤？”標準答案應該是阿拉斯加和夏威夷。然而，在測試后，我發現雖然許多人聲稱他們的模型已經非常接近GPT-4，但能回答正確這個問題的模型卻寥寥無幾。

這就是一個涉及邏輯推理的復雜問題，它不僅需要理解美國的地理知識，還需要明白“接壤”這個概念，以及什么樣的情況下可以被定義為“與其他州不接壤”。

在過去的幾年中，大模型在人工智能領域曾經有些像“人工智障”，但現在卻突然變得聰明起來，這主要得益于大模型已經學習了人類在互聯網上公開的大量基礎知識。然而，就像人類一樣，即使掌握了所有的知識，使用這些知識時仍然會遇到許多問題，其中最核心的就是推理問題。大模型的推理能力是一階還是二階，將直接影響到它在數學等領域的表現。

即使是今年最先進的大模型GPT-4，在數學水平上也只相當于中國普通初中生的水平。很多人都聽說過大模型有幾十億或上百億個參數，但很多人并不清楚參數的作用。今天我想用簡單易懂的方式，用初中數學的方法和大家一起探討一下這個基礎原理。

所有的人工智能本質上就是在構建函數。舉個例子，如果我今天的演講被錄了下來，語音識別技術就能將這個語音文件轉換成文本，這就是一個函數。這個函數的輸入x是語音文件，輸出y是一段文字，這個過程就是將聲音波形轉換為文字。同樣地，圖像識別也是一個函數，比如，如果攝影師今天在這里拍了一張照片，上傳到云相冊時，系統會判斷這張照片里是否有吳明輝。輸入的x是一張照片，輸出的y是判斷結果——有或沒有。

如今的GPT也是一個函數，所有的人工智能最終要解決的問題，就是要找到那個函數。我們一起來看一道初中數學題，一次函數的表達式為y=ax+b，如果給定這個函數經過兩個點，我們就可以確定出a和b這兩個系數，并將其代入函數中。a和b被稱為參數。一旦a和b確定了，我們再給定任何一個x，都可以計算出對應的y值，這就是人工智能的本質。

然而，真正的ChatGPT并不是簡單的一次函數，它的解析并不只需要兩個數據求出a、b兩個參數。例如，GPT-3.5擁有1750億個參數，并且這是一個非線性函數。它并不像一次函數那么簡單，它是分層的，每一層在深度學習中都是復合函數的一部分，形成了函數嵌套的過程。第一層是f1，第二層是f2，第一層函數的輸出結果作為第二個函數的輸入x，第二個函數的輸出y又作為第三個函數的輸入z，據說GPT-3.5有96層，GPT-4則有120層。對于這樣的非線性方程，我們需要尋找近似解，進行曲線擬合。這時，為了求解出1750億的參數，我們可能需要借助100萬億的數據。但無論如何，這個過程的本質仍然是在解方程。

OpenAI的偉大之處在于，它是全世界第一家敢于投入數千萬乃至上億美元來解方程的公司。這需要有足夠的資金，同時也需要有足夠的膽識。

大模型時代的營銷智能，核心之核心是數據，一定要積累大模型所沒有的數據

今天，GPT之所以如此強大，是因為他們使用了互聯網幾乎所有的數據。為什么以前沒有人想到這一點呢？因為互聯網上的數據太雜亂了，沒有經過標注，以前所有的人工智能都使用的是經過標注的數據。而今天聰明的人們終于意識到一個事實，互聯網上的數據實際上已經被標注了。

我們畫小貓、小狗或其他動物植物，為什么能夠畫出來呢？因為我們將互聯網上的所有網頁都截取下來了。例如，周杰倫在百度百科上的頁面，周杰倫照片和照片下的描述，這不就是x和y嗎（照片與名字關聯）？

互聯網上有非常豐富的數據，這些數據的規模不是幾百萬或幾千萬，而是數百億級別的。今天大模型之所以如此強大，就是因為它利用了這些海量數據。作為營銷科學工作者，我們需要思考的問題是，我們的公司應該積累什么樣的數據？如果我們沒有積累大模型所缺乏的數據，那么我們的團隊以及公司可能都將失去價值。

談到數據，我們還需要考慮數據、知識和人的組合。在人工智能領域，有一個非常經典的模型叫做DIKW模型，它闡述了從數據到信息，從信息到知識，從知識到智慧的轉化過程。

知識是什么呢？無論是ChatGPT還是國產的大模型，如果你直接問它明略科技的創始人是誰，每天的答案可能都會不同。可能有時它會回答是李開復，有時又會說是李彥宏，但它從未回答過吳明輝。這是因為大模型的學習基于互聯網上的網頁和公開課程的PDF語料，雖然這些內容中可能包含明略科技和吳明輝的信息，但在它的學習過程中，這些正確信息的權重都相對較低，所以它并沒有充分掌握這些知識。

并且，很多我們想了解的知識，實際上是在大模型學習訓練之后才出現的互聯網內容。例如，前幾天ChatGPT發布了一些最新的功能，大模型肯定是不知道的，因為它還沒有學習過這些新的信息。

一個企業或組織想要充分利用大模型，需要解決企業知識積累的問題，專注積累那些大模型尚未掌握的知識，并且要想辦法將大模型已經學過但沒有每天運用的知識喚醒。否則，你會發現它只是一本正經地胡說八道。

大模型可以把營銷數據的價值提升100倍，從結果數據到過程數據

我們常常打個比方，一個基礎大模型相當于一個清華北大本科畢業生，他來到你們公司，什么都不知道，如果不給他公司現有的知識，他什么也做不了。我們需要幫助每個客戶重新治理他們企業的數據和知識，包括陳述性知識和程序性知識。這兩類知識可以簡單地描述為Know-what和Know-how。例如，在服裝行業中，了解最熱門的趨勢是Know-what，如果我作為一個北大本科畢業生，讓我寫一個關于美拉德妝容的文案，包括美拉德妝容的圖片樣式，這些都屬于Know-what。

每個企業都應該投入一些資源來解決知識積累這個問題，這也是我們明略科技和秒針系統的商業機會，我們幫助客戶解決這些問題。明略科技和秒針系統的定位非常簡潔，就是幫助大家建立連接器，持續為企業提供數據治理和連接服務，幫助企業連接基礎大模型和和內部數據、知識，并形成反饋閉環。并在這個閉環中持續積累新的數據，樹立企業的獨特價值。

以往更有價值的是結果數據，而如廣告監測搜集的數據、小程序搜集的數據等中間過程的數據，大家只是簡單地看一下這些數據，然后結束了。但有了大模型之后，我們完全有機會將我們過去積累的這些營銷的中間過程數據的價值放大100倍。面對擁有非常復雜維度的過程數據，以前的人類數據分析師可能很難深入地了解每個維度、參數與最終結果之間的關系，但今天有了大模型，只要你將數據原理告訴它，數據治理的過程它就可以幫你完成。

模型會越來越強大，我們不用糾結于使用哪個模型，我們應該關注的是，我們公司的數據資產是什么樣的，我們如何進一步治理數據，真正將其與大模型連接起來。

大模型時代營銷科學工作者的獨特作用，與消費者情感綁定的品牌，永遠不會被AI取代

今年年初，陸奇博士曾經分享了一個觀點，他說我們迎來了一個新的范式。過去，互聯網和移動互聯網引入了信息系統，現在，以ChatGPT為代表的大模型則引入了決策系統和模型系統，我們的認知能力和感知能力結合在一起，最終轉化為行動。

在許多行業中，行動是非常復雜的。例如，在工廠中，即使模型做出了決策，生產制造仍然沒有實現柔性制造，無法實現智能制造的流水線，無法形成新范式。但在廣告行業，廣告投放本身就是基于程序化的基礎設施，每個互聯網平臺都提供了程序化投放的接口，新范式的形成就相對容易。在反饋閉環、內容生成、數據決策等方面，我們還沒有做得很好，我們雖然擁有海量的數據，但是我們還有很多工作要做。

我們需要清楚地知道，在營銷場景中，AI的應用處于哪個階段。借助大模型的幫助，我嘗試給營銷智能的L0~L5定義。首先，我在互聯網上找到了一篇文章，文章的標題是“無人駕駛的L0~L5”。接著，明略科技的一站式大模型Copilot“小明助理”閱讀并理解了這篇文章，根據自動駕駛AI的L0～L5的邏輯標準，推導出了營銷場景下的L0～L5描述，我只對其中的10%的細節進行了修改。我還詢問了小明，L2和L3有什么區別，它告訴我L2只是確定好目標人群后就結束，而L3則可以實時優化，在投放過程中每秒都能觀察到消費者的反饋，并進行自動調優，我覺得它的描述已經非常到位。

人工智能的能力是真實而強大的。過去，我們以為人工智能只能幫助我們完成那些我們不愿意做的工作，而復雜和高級的工作仍需要我們來完成。然而，現在我們可以看到，人工智能幾乎能夠做任何事情，無論是邏輯推理，還是對人類情感的理解，它都能勝任。它現在甚至能創作音樂，寫詩。因此，作為營銷人員，我們應該思考在未來我們應該做什么。

在思考這個問題的時候，讓我們回顧一下2010年我剛開始接觸廣告領域時看到的一張圖，這張圖展示了北美數字廣告中各個角色的分工情況。

前幾天，我又看到了美國最新發布的一張圖，未來的情況可能是GPT將所有的角色都兼顧了，你沒有什么事情可做，甚至整個公司可能無事可做。現在的方向是人工智能AGI，通用算力，未來機器人也將進入通用的行動類機器人，最可怕的是，它們還可以制造自己，工廠也將失去價值，所有的東西都可以由機器生成指令，工廠實現自動制造，制造業也將被顛覆。

那么，人類到底能做什么？這是我最近陷入深深哲學思考的問題。我閱讀了許多書籍，比如著名的數學家、人工智能認知科學家，控制論的創始人，寫的這本《人有人的用處》。

馬克思講到了商業社會產品價值由人類的無差別勞動決定。這句話可能需要改變，應該說，商業社會產品價值由人類加上人工智能的無差別勞動決定，計算機可以復制的東西將失去價值。

作為營銷科學工作者，我們真正可以積累的獨特優勢是什么？我覺得可能有兩個點。

首先，我們企業和品牌能夠在自己的業務場景下積累的獨特數據。我們應該重視并妥善管理這部分數據，而不是整天只關注模型的問題。其次，是消費者對企業品牌的情感綁定。如果今天消費者與企業品牌的綁定是功能性的，你今天可能會賣得很好，但未來所有產品的能力都會極大豐富，只有情感的綁定才能持續地在消費者的記憶中存在。品牌廣告還要使勁打，不能天天想著效果廣告，品牌建設很重要。

明略科技和秒針系統，將幫助企業持續建設自己品牌的第一方數據資產，連接各種各樣的數據，并將這些數據和能力與原有的IT系統和外部系統、與大模型進行連接。

企業使用大模型時，需要關注數據的保密性和推理任務的復雜性。處理的任務特別復雜，但處理任務所需的數據保密程度低，那么放心大膽地調用在線最牛的大模型即可，不用擔心數據安全的問題。處理的任務沒那么復雜，但數據是公司高度機密的數據，那么部署智譜這樣的私有化模型，簡單地調優后在自己的云上調用更好。處理的任務較簡單，且處理任務所需的數據保密程度低，調云上的大模型還是私有化模型都可以，優先考慮成本為問題。最難的是，數據需要非常復雜的人類智力參與，一起做數據脫敏，把數據做好脫敏后再調用大模型的能力，這也是明略科技和秒針系統未來持續為企業提供的服務。

最后，我引用OpenAI CEO 山姆·阿爾特曼（Sam Altman）的一句話，希望大家趕快往前跑。據我所知，瑞幸咖啡內部已經設立了“大模型BP”這樣的崗位，公司有各種各樣的Prompt魔法咒語群，每個崗位每天都有人研究如何用大模型改造和優化公司內的各個崗位。向先進學習，鼓勵大家盡快行動起來。

我相信每一位營銷科學工作者都能找到自己的位置，做好自己的工作，但首先我們需要會使用這些新工具。因為，如果我們的競爭對手已經擁有原子彈，我們還停留在冷兵器時代，我們將無法打好這場仗。