摘要

在數(shù)字經(jīng)濟(jì)和生成式人工智能浪潮下，智能廣告從傳統(tǒng)“千人一面”向“千人千面”再向“一人千面”的深度個(gè)性化逐步演進(jìn)。生成式召回、AI數(shù)據(jù)增強(qiáng)和多模態(tài)理解三大核心技術(shù)在底層架構(gòu)上推動(dòng)智能廣告實(shí)現(xiàn)范式躍遷，生成式召回突破傳統(tǒng)素材庫(kù)的限制，實(shí)現(xiàn)廣告內(nèi)容的按需生成和創(chuàng)意涌現(xiàn)；AI數(shù)據(jù)增強(qiáng)通過擴(kuò)充訓(xùn)練樣本和提升模型泛化能力，解決數(shù)據(jù)稀缺問題并優(yōu)化廣告內(nèi)容生成；多模態(tài)理解則通過整合異構(gòu)數(shù)據(jù)，構(gòu)建更豐富立體的用戶畫像和廣告內(nèi)容表征，強(qiáng)化情境感知的精準(zhǔn)化。智能廣告也面臨著隱私與個(gè)性化的矛盾、自動(dòng)化與精品化的對(duì)抗，以及技術(shù)與算法內(nèi)生性風(fēng)險(xiǎn)等挑戰(zhàn)。智能廣告的未來需要技術(shù)創(chuàng)新、倫理規(guī)范、法律監(jiān)管，以及人機(jī)協(xié)同的全面發(fā)展，以期在提升商業(yè)價(jià)值的同時(shí)，更好地服務(wù)于用戶和社會(huì)。

關(guān)鍵詞

智能廣告 深度個(gè)性化 生成式召回 多模態(tài)理解 人機(jī)協(xié)同

Abstract

Amid the wave of the digital economy and generative artificial intelligence, intelligent advertising is gradually evolving from the traditional “one-size-fits-all” approach to “personalization for the masses” and further toward “hyper-personalization for the individual.” Three core technologies—generative recall, AI data augmentation, and multimodal understanding—are driving a paradigm shift in intelligent advertising from the underlying architecture. Generative recall breaks through the limitations of traditional creative libraries, enabling on-demand ad content generation and fostering creative emergence. AI data augmentation addresses data scarcity by expanding training samples and enhancing model generalization, thereby optimizing ad content generation. Multimodal understanding integrates heterogeneous data to construct richer and more multidimensional user profiles and ad content representations, strengthening contextual awareness and precision. At the same time, intelligent advertising faces challenges such as the tension between privacy and personalization, the conflict between automation and quality refinement, and the inherent risks of technology and algorithms. The future development of intelligent advertising requires the coordinated advancement of technological innovation, ethical norms, legal regulation, and human-machine collaboration, aiming to enhance commercial value while better serving users and society.

Keywords

Intelligent Advertising Hyper-Personalization Generative Recall Multimodal Understanding Human-Machine Collaboration

1 引言

在數(shù)字經(jīng)濟(jì)的浪潮中，廣告作為連接品牌與消費(fèi)者的核心橋梁，其形態(tài)與邏輯始終與信息技術(shù)的發(fā)展同頻共振。自21世紀(jì)初以來，計(jì)算廣告的興起，標(biāo)志著廣告業(yè)進(jìn)入了以數(shù)據(jù)和算法為驅(qū)動(dòng)的精準(zhǔn)營(yíng)銷時(shí)代。然而，隨著生成式人工智能技術(shù)的爆發(fā)式發(fā)展，廣告行業(yè)正經(jīng)歷一場(chǎng)從“千人千面”走向“一人千面”的深刻變革。這一變革的核心驅(qū)動(dòng)力，是生成式AI在廣告創(chuàng)意生成、個(gè)性化推薦和實(shí)時(shí)優(yōu)化中的廣泛應(yīng)用。谷歌在2025年推出“AI模式”，將Gemini模型嵌入搜索與廣告流程，用戶可以通過自然語言交互生成個(gè)性化推薦，提升決策效率與轉(zhuǎn)化率；Meta基于多模態(tài)大模型構(gòu)建廣告內(nèi)容與投放新范式，通過實(shí)時(shí)用戶行為分析與推薦，大幅提升廣告點(diǎn)擊率；騰訊也通過混元大模型精調(diào)生成式召回模型，結(jié)合知識(shí)融合與語義索引，提升廣告內(nèi)容的精準(zhǔn)匹配度。諸多實(shí)踐表明，大模型正通過生成式召回、數(shù)據(jù)增強(qiáng)、多模態(tài)理解三大核心能力，從根本上影響廣告引擎的底層邏輯，生成式AI正推動(dòng)廣告從靜態(tài)匹配向動(dòng)態(tài)生成演進(jìn)，為實(shí)現(xiàn)“一人千面”的個(gè)性化廣告提供技術(shù)支撐。

2 廣告深度個(gè)性化的演進(jìn)階段

廣告?zhèn)�性化的發(fā)展歷史，本質(zhì)上是一部媒介技術(shù)、數(shù)據(jù)能力與計(jì)算范式不斷演進(jìn)的歷史。它大致可以劃分為三個(gè)緊密相連又特征鮮明的階段：以大眾媒介為載體的“千人一面”時(shí)代，以互聯(lián)網(wǎng)和算法推薦為核心的“千人千面”時(shí)代，以及以生成式AI為引擎的、正在到來的“一人千面”時(shí)代。

2.1 “千人一面”的傳統(tǒng)廣告時(shí)代

在互聯(lián)網(wǎng)普及之前，廣告的主流陣地是電視、廣播、報(bào)紙、雜志等傳統(tǒng)大眾媒介。傳統(tǒng)廣告投放采取的是典型的“一對(duì)多”大眾傳播模式，表現(xiàn)的核心特征為信息的標(biāo)準(zhǔn)化與受眾的匿名化[1]，即“千人一面”。

廣告運(yùn)作依賴于市場(chǎng)抽樣調(diào)查與從業(yè)者經(jīng)驗(yàn)，其本質(zhì)是面向模糊受眾群體的單向傳播。廣告主創(chuàng)造一條或一組核心的廣告信息，通過購(gòu)買大眾媒體的版面或時(shí)段，將廣告內(nèi)容無差別地推送給所有能夠接觸到該媒介的受眾[2]。個(gè)性化在這一階段幾乎是不存在的，最多只能做到基于媒介渠道的粗略劃分。例如，在高端財(cái)經(jīng)雜志上投放奢侈品廣告，在體育頻道投放運(yùn)動(dòng)品牌廣告。基于對(duì)媒介受眾群體年齡、收入、教育水平等宏觀人口統(tǒng)計(jì)學(xué)特征或興趣偏好的模糊劃分，無法實(shí)現(xiàn)對(duì)個(gè)體的精準(zhǔn)洞察與溝通，廣告資源浪費(fèi)嚴(yán)重[3]。同時(shí)，這一時(shí)代的廣告理論與實(shí)踐，主要圍繞著如何打造具有最大公約數(shù)吸引力展開，廣告創(chuàng)意的呈現(xiàn)形式通常具有單一性，致使大量受眾接收到的廣告內(nèi)容完全一致。傳統(tǒng)媒體采用無差別傳播模式，難以精準(zhǔn)識(shí)別有實(shí)際信息需求的受眾群體，因此對(duì)大多數(shù)公眾而言，廣告創(chuàng)意所傳遞的內(nèi)容屬于缺乏針對(duì)性的冗余信息[4]。廣告效果的評(píng)估也相對(duì)間接和滯后，依賴于收視率、到達(dá)率、毛評(píng)點(diǎn)等宏觀、滯后的統(tǒng)計(jì)指標(biāo)[5]，難以精確衡量單次廣告曝光與消費(fèi)者行為之間的因果關(guān)系。傳統(tǒng)廣告模式的根本局限在于技術(shù)，它缺乏收集個(gè)體用戶反饋的渠道，也缺乏處理和應(yīng)用大規(guī)模個(gè)性化數(shù)據(jù)的計(jì)算能力。雖然“千人一面”的廣告模式在今天看來效率低下，但它仍在塑造大眾文化、建立國(guó)民品牌、傳遞統(tǒng)一品牌價(jià)值方面發(fā)揮了不可替代的作用。

2.2 “千人千面”的算法推薦廣告時(shí)代

隨著互聯(lián)網(wǎng)的商業(yè)化普及，數(shù)字廣告的序幕被拉開，從最初簡(jiǎn)單的橫幅廣告，到以谷歌AdWords為代表的搜索廣告，再到以Facebook、淘寶為代表的社交與電商平臺(tái)上的展示廣告，煥然一新的廣告生態(tài)系統(tǒng)逐步形成。在大數(shù)據(jù)技術(shù)的推動(dòng)下，廣告行業(yè)已邁入以“計(jì)算”為核心、依托算法實(shí)現(xiàn)精準(zhǔn)推送的程序化投放階段，核心目標(biāo)是在特定場(chǎng)景中完成目標(biāo)用戶與適配廣告信息的最優(yōu)匹配[6]。“千人千面”的個(gè)性化廣告得以落地，主要得益于以下技術(shù)與商業(yè)模式的創(chuàng)新。

一是用戶行為數(shù)據(jù)的規(guī)模化采集。網(wǎng)站、搜索引擎、社交媒體和電子商務(wù)平臺(tái)成為記錄用戶海量行為數(shù)據(jù)的“傳感器”。用戶的每一次點(diǎn)擊、搜索、瀏覽、購(gòu)買、點(diǎn)贊、分享，都通過Cookie、設(shè)備ID等技術(shù)被記錄下來，匯聚成龐大的用戶行為日志[7]，海量數(shù)據(jù)為理解用戶偏好提供了前所未有的精細(xì)化素材；二是用戶畫像技術(shù)的建立。平臺(tái)利用機(jī)器學(xué)習(xí)算法對(duì)用戶的行為數(shù)據(jù)進(jìn)行分析和挖掘，為每個(gè)用戶或設(shè)備貼上各種“標(biāo)簽”[8]，如年齡、性別、地域等人口統(tǒng)計(jì)學(xué)標(biāo)簽，運(yùn)動(dòng)愛好者、美妝達(dá)人、游戲玩家等興趣標(biāo)簽，近期搜索過某商品、高價(jià)值用戶等行為標(biāo)簽。不同的標(biāo)簽共同構(gòu)成了用戶的多維度畫像，成為個(gè)性化投放的基礎(chǔ)；三是實(shí)時(shí)競(jìng)價(jià)（RTB）機(jī)制的普及。RTB框架的誕生，讓每一次廣告展示機(jī)會(huì)都能在極短時(shí)間內(nèi)完成線上競(jìng)拍。當(dāng)用戶打開網(wǎng)頁或應(yīng)用程序時(shí)，廣告交易平臺(tái)會(huì)向多家需求方平臺(tái)（DSP）發(fā)出競(jìng)價(jià)請(qǐng)求，DSP將依據(jù)用戶標(biāo)簽與廣告主投放策略，即時(shí)判斷是否參與競(jìng)價(jià)并確定出價(jià)多少[9]。實(shí)時(shí)競(jìng)價(jià)機(jī)制推動(dòng)廣告投放邏輯從采購(gòu)媒介資源轉(zhuǎn)向鎖定目標(biāo)人群，有效達(dá)成對(duì)核心受眾的精準(zhǔn)觸達(dá)；四是預(yù)測(cè)模型的廣泛應(yīng)用。計(jì)算廣告系統(tǒng)的核心是各種預(yù)測(cè)模型，其中最關(guān)鍵的是點(diǎn)擊率（CTR）預(yù)測(cè)模型和轉(zhuǎn)化率（CVR）預(yù)測(cè)模型。這類模型利用DeepFM、DIN、DIEN等深度學(xué)習(xí)技術(shù)，綜合用戶特征、廣告特征、上下文特征，預(yù)測(cè)用戶看到某個(gè)廣告后發(fā)生點(diǎn)擊或轉(zhuǎn)化的概率[10]。廣告系統(tǒng)便可依據(jù)預(yù)測(cè)出的概率與廣告主出價(jià)，計(jì)算出eCPM（effective Cost Per Mille，每千次展示的有效成本），并以此為依據(jù)進(jìn)行排序和投放，最大化平臺(tái)收入和廣告主ROI。通過數(shù)據(jù)管理平臺(tái)（DMP）構(gòu)建用戶標(biāo)簽體系，利用協(xié)同過濾、邏輯回歸等機(jī)器學(xué)習(xí)模型進(jìn)行人群定向與點(diǎn)擊率（CTR）預(yù)估，廣告實(shí)現(xiàn)了基于歷史行為的“千人千面”投放[11]。

此階段的個(gè)性化廣告嚴(yán)重依賴歷史行為數(shù)據(jù)，實(shí)際上 仍是過去決定現(xiàn)在的靜態(tài)匹配，難以捕捉用戶動(dòng)態(tài)、瞬時(shí)的意圖與深層情感需求，容易導(dǎo)致信息繭房和算法偏見[12]。同時(shí)，創(chuàng)意庫(kù)的規(guī)模終究是有限的，無法覆蓋所有細(xì)分人群和動(dòng)態(tài)情境的組合，導(dǎo)致在長(zhǎng)尾場(chǎng)景下個(gè)性化效果不佳。隨著用戶對(duì)廣告的“免疫力”增強(qiáng)，標(biāo)準(zhǔn)化的廣告模板將越來越難以打動(dòng)人心。

2.3 “一人千面”的生成式計(jì)算廣告時(shí)代

生成式AI的發(fā)展推動(dòng)廣告進(jìn)入了以認(rèn)知為核心的階段，即認(rèn)知計(jì)算廣告或生成式計(jì)算廣告時(shí)代[13]，廣告從購(gòu)買用戶注意力轉(zhuǎn)向理解用戶心智，追求在個(gè)體層面實(shí)現(xiàn)“一人千面”。傳統(tǒng)廣告模式下，即使是“千人千面”也受限于預(yù)設(shè)的創(chuàng)意庫(kù)。然而，在生成式AI的加持下，廣告系統(tǒng)能夠以前所未有的速度和多樣性生成廣告創(chuàng)意。生成式召回技術(shù)不再局限于從現(xiàn)有物料庫(kù)中檢索，而是利用生成模型直接創(chuàng)造出新的、可能不存在于任何數(shù)據(jù)庫(kù)中的候選物料，廣告可以根據(jù)用戶當(dāng)前的瀏覽行為、情緒狀態(tài)、地理位置甚至天氣情況等多種實(shí)時(shí)情境因素，即時(shí)生成高度定制化的文案、視覺元素、音頻甚至互動(dòng)形式[14]。百度商業(yè)智能體（Agent）的引入以及Meta基于多模態(tài)大模型構(gòu)建的廣告內(nèi)容投放新范式，都體現(xiàn)了這一趨勢(shì)，通過實(shí)時(shí)用戶行為分析與推薦，顯著提升了廣告效果[15]。

生成式計(jì)算廣告不僅關(guān)注用戶的顯性行為數(shù)據(jù)，更致力于洞察用戶的深層意圖和情感需求�；诙嗄B(tài)理解技術(shù)，它能夠同時(shí)處理和關(guān)聯(lián)來自文本、圖像、聲音、視頻等不同模態(tài)的數(shù)據(jù)，形成統(tǒng)一、連貫的語義表示[16]。通過分析用戶在社交媒體上發(fā)布的信息，AI系統(tǒng)能夠更精準(zhǔn)地判斷用戶當(dāng)下的真實(shí)需求與情緒，從而生成在風(fēng)格、語氣和內(nèi)容上都極度契合的廣告信息，使得廣告能夠更好地與用戶產(chǎn)生共鳴，實(shí)現(xiàn)從簡(jiǎn)單的信息傳遞到情感連接的轉(zhuǎn)變[14]。此外，生成式AI通過合成數(shù)據(jù)和知識(shí)推理，極大地提升了數(shù)據(jù)的可用性與精準(zhǔn)性。生成式AI可以“預(yù)演”新上線廣告創(chuàng)意的表現(xiàn)，通過生成數(shù)百個(gè)語義相近的文案版本或視覺變體，并利用預(yù)訓(xùn)練的效果預(yù)估模型評(píng)估其潛在的點(diǎn)擊率（CTR）和轉(zhuǎn)化率（CVR），從而在投放前獲得對(duì)新創(chuàng)意的初步判斷。針對(duì)新用戶或行為數(shù)據(jù)稀疏的用戶，生成模型可以基于少量種子用戶或相似用戶群體的行為模式，生成符合其可能偏好的虛擬行為序列，從而有效填充用戶畫像[17]，降低冷啟動(dòng)成本，并提升對(duì)長(zhǎng)尾需求的覆蓋能力。這對(duì)于實(shí)現(xiàn)“一人千面”所需的極致精細(xì)化運(yùn)營(yíng)至關(guān)重要。

盡管生成式AI在自動(dòng)化創(chuàng)意生成方面展現(xiàn)出強(qiáng)大潛力，但其生成的廣告內(nèi)容若缺乏人工引導(dǎo)和約束，易于陷入平庸和同質(zhì)化[18]。因此，“一人千面”的時(shí)代并非完全由AI主導(dǎo)，而是強(qiáng)調(diào)人機(jī)協(xié)同的工作模式[19]。AI作為強(qiáng)大的創(chuàng)意工具和靈感引擎，可以在短時(shí)間內(nèi)生成海量創(chuàng)意原型，將人類創(chuàng)意者從煩瑣的執(zhí)行中解放出來，使其專注于核心策略、審美判斷和品牌價(jià)值觀的把控。因此,人類的審美、經(jīng)驗(yàn)和戰(zhàn)略判斷力在生成式計(jì)算廣告中變得更加重要，共同推動(dòng)廣告創(chuàng)意向更高層次發(fā)展[20]�！耙蝗饲妗钡纳墒接�(jì)算廣告時(shí)代，是數(shù)字廣告領(lǐng)域的一場(chǎng)深刻革命，它通過技術(shù)創(chuàng)新，特別是生成式召回、AI數(shù)據(jù)增強(qiáng)和多模態(tài)理解，使得廣告能夠以更智能、更個(gè)性化、更具創(chuàng)造力的方式觸達(dá)用戶。

3 智能廣告?zhèn)�性化的底層邏輯

實(shí)現(xiàn)從篩選展示到理解生成的范式躍遷，要求計(jì)算廣告系統(tǒng)在底層技術(shù)架構(gòu)上進(jìn)行根本性的變革[21]。生成式計(jì)算廣告的“一人千面”主要建立在三大新興技術(shù)邏輯之上：顛覆傳統(tǒng)召回方式的生成式召回，解決數(shù)據(jù)瓶頸的AI數(shù)據(jù)增強(qiáng)，以及實(shí)現(xiàn)情境深度感知的多模態(tài)理解。這三者共同構(gòu)成了生成式計(jì)算廣告的核心引擎，最終推動(dòng)廣告從“千人千面”邁向“一人千面”的深度個(gè)性化，實(shí)現(xiàn)真正意義上的供需智能匹配。

3.1 生成式召回

在傳統(tǒng)廣告匹配機(jī)制中，“召回”階段旨在從海量的商品或廣告素材庫(kù)中，快速篩選出一個(gè)較小的、與用戶相關(guān)的候選集合，以供后續(xù)的精排模型進(jìn)行處理[22]。傳統(tǒng)的召回方法，如協(xié)同過濾（CF）[23]、基于內(nèi)容的召回以及向量化召回等，本質(zhì)上均遵循“檢索”范式。這些方法高度依賴關(guān)鍵詞、標(biāo)簽等規(guī)則化篩選，從一個(gè)預(yù)先存在且有限的素材池中找出最佳匹配項(xiàng)。然而，傳統(tǒng)“召回”模式存在顯著瓶頸。系統(tǒng)推薦與廣告邊界被素材庫(kù)的大小和多樣性所嚴(yán)格限制，如果一個(gè)潛在的、能完美匹配用戶需求的創(chuàng)意從未被制作出來，那么系統(tǒng)將永遠(yuǎn)不可能將其呈現(xiàn)給用戶。另外，對(duì)于新用戶的冷啟動(dòng)問題或興趣獨(dú)特用戶的長(zhǎng)尾問題，檢索式召回難以找到合適的匹配項(xiàng)，常常出現(xiàn)“詞不達(dá)意、意圖漏檢”的局限性[24]。

“生成式召回”的出現(xiàn)徹底顛覆了這一邏輯，它不再局限于從現(xiàn)有素材池中檢索，而是利用生成式模型直接創(chuàng)造出新的、可能在任何數(shù)據(jù)庫(kù)中都不存在的候選素材。這一思想的轉(zhuǎn)變，將召回階段從一個(gè)傳統(tǒng)的“大海撈針”過程，轉(zhuǎn)變?yōu)橐粋�(gè)動(dòng)態(tài)的“按需造物”過程[22]。顯然，生成式召回的優(yōu)勢(shì)是具有革命性的：它極大地?cái)U(kuò)展了創(chuàng)意的可能性空間，理論上可以達(dá)到無窮大，它不僅能從知識(shí)庫(kù)中檢索元素，更能根據(jù)對(duì)用戶需求和品牌調(diào)性的深度語義理解，即時(shí)生成全新的文案、視覺組合甚至互動(dòng)敘事，從而突破素材庫(kù)的限制，實(shí)現(xiàn)真正的創(chuàng)意涌現(xiàn)[25]；它為解決冷啟動(dòng)和長(zhǎng)尾問題提供了全新的思路，即使沒有歷史數(shù)據(jù)，也可以基于用戶的基本屬性和即時(shí)情境生成相關(guān)內(nèi)容。生成式召回作為生成式計(jì)算廣告的核心組成部分，通過其獨(dú)特的生成能力，正在改變廣告業(yè)的面貌，為實(shí)現(xiàn)深度個(gè)性化提供了堅(jiān)實(shí)可靠的技術(shù)支撐。

3.2 AI數(shù)據(jù)增強(qiáng)

在智能廣告領(lǐng)域，AI數(shù)據(jù)增強(qiáng)技術(shù)旨在克服數(shù)據(jù)稀缺、提升模型泛化能力并優(yōu)化用戶體驗(yàn)[26]，在實(shí)現(xiàn)“一人千面”的深度個(gè)性化推薦中扮演著核心角色。

AI數(shù)據(jù)增強(qiáng)是應(yīng)對(duì)智能廣告中數(shù)據(jù)稀缺性挑戰(zhàn)的有效手段。深度學(xué)習(xí)模型，特別是用于個(gè)性化推薦的復(fù)雜模型，對(duì)高質(zhì)量、多樣化的訓(xùn)練數(shù)據(jù)有巨大需求[27]。但在實(shí)際落地場(chǎng)景中，大規(guī)模標(biāo)注數(shù)據(jù)的獲取通常伴隨較高成本與較長(zhǎng)周期，易使模型在有限樣本下出現(xiàn)過擬合現(xiàn)象，進(jìn)而降低模型在新數(shù)據(jù)上的泛化性能[27]。數(shù)據(jù)增強(qiáng)技術(shù)借助對(duì)已有數(shù)據(jù)實(shí)施多類型變換處理，可人工生成全新訓(xùn)練樣本，從而顯著擴(kuò)大訓(xùn)練數(shù)據(jù)集的規(guī)模[26]。例如，對(duì)于廣告圖像，可以通過旋轉(zhuǎn)、縮放、裁剪、亮度調(diào)整等幾何變換和光度變換生成大量變體，這些變體在語義上與原始圖像保持一致，但呈現(xiàn)出不同的視覺特征[28]。這種方法能夠有效降低模型的方差，使其更專注于學(xué)習(xí)與任務(wù)相關(guān)的、具有不變性的核心特征，而非僅僅記憶訓(xùn)練樣本的表面細(xì)節(jié)，從而提升模型的泛化能力和魯棒性[29]。

通過促進(jìn)廣告內(nèi)容的生成與優(yōu)化，AI數(shù)據(jù)增強(qiáng)直接賦能了“一人千面”的實(shí)現(xiàn)。以生成對(duì)抗網(wǎng)絡(luò)（GANs）和大型語言模型（LLMs）為代表的生成式AI技術(shù)，在智能廣告的創(chuàng)意生成和內(nèi)容優(yōu)化方面展現(xiàn)出巨大潛力[30]，能夠根據(jù)用戶畫像、產(chǎn)品特點(diǎn)和廣告目標(biāo)，自動(dòng)生成高度個(gè)性化的廣告文案、圖片甚至視頻[31]。例如，生成式AI可以根據(jù)用戶的歷史瀏覽行為和興趣偏好，生成符合其口味的廣告標(biāo)題和描述，甚至調(diào)整廣告圖片的風(fēng)格和元素[32]。AI數(shù)據(jù)增強(qiáng)通過為這些生成模型提供多樣化的訓(xùn)練數(shù)據(jù)，使其學(xué)習(xí)到更廣泛的廣告創(chuàng)意模式和用戶反饋規(guī)律，進(jìn)而可產(chǎn)出更具吸引力與精準(zhǔn)性的廣告內(nèi)容。這種能力使得廣告主可以為不同的用戶群體甚至每個(gè)個(gè)體生成定制化的廣告[33]，推動(dòng)實(shí)現(xiàn)“一人千面”的營(yíng)銷策略。

3.3 多模態(tài)理解

用戶生活在一個(gè)由文本、圖像、聲音、視頻等多模態(tài)信息構(gòu)成的世界里。用戶的意圖和情感，也往往通過跨模態(tài)的方式流露出來[34]�！耙蝗饲妗钡纳疃葌�(gè)性化，要求廣告系統(tǒng)必須具備強(qiáng)大的多模態(tài)理解能力，才能從用戶接觸到的復(fù)雜信息流中，精準(zhǔn)捕捉其狀態(tài)和需求。過去，廣告引擎如同 “摸象的盲人”，它無法真正看懂圖片與視頻，對(duì)內(nèi)容的理解僅停留在標(biāo)簽層?而多模態(tài)理解則讓AI能夠同時(shí)處理和關(guān)聯(lián)來自不同模態(tài)的數(shù)據(jù)，并形成一個(gè)統(tǒng)一、連貫的語義表示。由此超越了僅處理文本或僅處理圖像等單一模態(tài)的分析，帶來更深層次的洞察。

多模態(tài)理解技術(shù)通過融合異構(gòu)數(shù)據(jù)，能夠構(gòu)建更豐富的用戶畫像和廣告內(nèi)容表征，超越了單一模態(tài)的局限[34]。例如，通過分析用戶在社交媒體上發(fā)布的照片、點(diǎn)贊的視頻內(nèi)容，系統(tǒng)可以將用戶的視覺偏好、聽覺偏好等信息被融入用戶畫像，使得廣告系統(tǒng)能夠更精確地理解用戶的品位和情感傾向。多模態(tài)深度學(xué)習(xí)模型能夠有效地從這些異構(gòu)數(shù)據(jù)中提取特征，并將它們整合到一個(gè)統(tǒng)一的向量空間中，從而形成對(duì)用戶和廣告內(nèi)容更全面、多維度的表示，能夠捕捉到用戶興趣的細(xì)微之處,以及廣告內(nèi)容的深層語義。此外，在場(chǎng)景經(jīng)濟(jì)視角下，智能廣告強(qiáng)調(diào)在特定情境下為用戶提供高度相關(guān)的廣告服務(wù)，多模態(tài)理解能夠識(shí)別和分析用戶所處的即時(shí)情境信息[35]。將情境信息與用戶的多模態(tài)興趣畫像相結(jié)合，廣告系統(tǒng)能夠?qū)崟r(shí)生成并推送高度情境化的廣告，讓廣告觸達(dá)更為精準(zhǔn)高效，同時(shí)顯著優(yōu)化用戶體驗(yàn)與廣告投放成效。得益于多模態(tài)大模型（LMM）對(duì)文本、圖像、語音、視頻甚至傳感器數(shù)據(jù)的融合理解能力，通過分析用戶上傳的圖片、語音語調(diào)、視頻背景等信息，廣告系統(tǒng)能夠更精準(zhǔn)地判斷用戶當(dāng)下真實(shí)需求與情緒，從而實(shí)現(xiàn)“場(chǎng)景智能匹配”，讓廣告匹配的維度從二維的標(biāo)簽世界躍升至三維的真實(shí)感官世界?

4 智能廣告深度個(gè)性化的現(xiàn)實(shí)挑戰(zhàn)

智能廣告在實(shí)現(xiàn)“一人千面”深度個(gè)性化過程中面臨著多重現(xiàn)實(shí)挑戰(zhàn)，涉及隱私倫理、效率與創(chuàng)意平衡以及技術(shù)內(nèi)生風(fēng)險(xiǎn)三個(gè)主要方面。

4.1 隱私與個(gè)性化的矛盾

智能廣告深度個(gè)性化的核心在于，通過收集、分析用戶的行為數(shù)據(jù)、偏好以及情境信息，從而精準(zhǔn)推送高度相關(guān)的廣告內(nèi)容[36]。然而，深度個(gè)性化服務(wù)與用戶日益增長(zhǎng)的隱私保護(hù)需求之間存在顯著沖突[37]，源于數(shù)據(jù)效用與隱私保護(hù)的根本性權(quán)衡（Privacy-Utility Trade-off）[38]。為了實(shí)現(xiàn)更精準(zhǔn)的個(gè)性化推薦，智能廣告系統(tǒng)需要獲取更多、更細(xì)致的用戶數(shù)據(jù)，包括用戶的身份信息、地理位置、興趣偏好、行為軌跡，甚至生物特征等，具有高度敏感性。多模態(tài)數(shù)據(jù)通常包含更豐富的個(gè)人信息，如通過圖像識(shí)別用戶所處環(huán)境，通過語音識(shí)別用戶對(duì)話內(nèi)容。對(duì)這些多模態(tài)數(shù)據(jù)的深入理解和利用，雖然能顯著提升個(gè)性化水平，但也意味著更高的隱私泄露風(fēng)險(xiǎn)[37]。

現(xiàn)有研究表明，傳統(tǒng)的匿名化技術(shù)在面對(duì)強(qiáng)大的數(shù)據(jù)分析能力時(shí)已顯得日益脆弱，難以阻止個(gè)人被重新識(shí)別[39]。歐盟的《通用數(shù)據(jù)保護(hù)條例》（GDPR）和我國(guó)的相關(guān)數(shù)據(jù)保護(hù)法規(guī)，均對(duì)個(gè)人數(shù)據(jù)的收集、處理和使用提出了嚴(yán)格要求[40]。智能廣告在追求“一人千面”的同時(shí)，必須遵守這些法律法規(guī)，確保用戶數(shù)據(jù)在收集、存儲(chǔ)、處理和共享過程中的安全與合規(guī)[41]。為了緩解這一矛盾，差分隱私（Differential Privacy, DP）等技術(shù)被提出并應(yīng)用于保護(hù)用戶隱私。差分隱私通過在數(shù)據(jù)發(fā)布或模型訓(xùn)練過程中添加經(jīng)過校準(zhǔn)的噪聲，確保任何單個(gè)個(gè)體的數(shù)據(jù)變更不會(huì)顯著影響分析結(jié)果，從而為隱私提供了嚴(yán)格的數(shù)學(xué)保障[42]。然而，差分隱私的實(shí)施往往伴隨著模型效用的損失，即更強(qiáng)的隱私保護(hù)可能導(dǎo)致個(gè)性化推薦的精準(zhǔn)度下降。因此，如何在隱私和效用之間找到最佳平衡點(diǎn)，是智能廣告深度個(gè)性化需要持續(xù)面臨的挑戰(zhàn)。

4.2 自動(dòng)化與精品化的對(duì)抗

智能廣告的深度個(gè)性化離不開自動(dòng)化技術(shù)，從廣告內(nèi)容生成到投放優(yōu)化，AI工具極大地提升了效率[43]。但廣告高度自動(dòng)化與廣告創(chuàng)意追求的精品化和藝術(shù)性之間，常常存在一種內(nèi)在的對(duì)抗。自動(dòng)化追求的是標(biāo)準(zhǔn)化、可復(fù)制性和效率最大化，通過算法批量生產(chǎn)廣告內(nèi)容，實(shí)現(xiàn)千人千面的快速響應(yīng)[44]。生成式AI技術(shù)能夠根據(jù)用戶畫像和營(yíng)銷目標(biāo)自動(dòng)生成廣告文案、圖片、視頻乃至整個(gè)廣告活動(dòng)方案[21]。這種能力使得廣告主可以針對(duì)不同用戶群體甚至每個(gè)個(gè)體生成定制化的廣告，有效提升了廣告的觸達(dá)效率。

然而，廣告的精品化往往需要人類的獨(dú)特創(chuàng)意、情感共鳴和文化洞察[45]。自動(dòng)化生成的內(nèi)容，雖然能夠滿足個(gè)性化需求，但在藝術(shù)性、情感深度和文化契合度方面可能難以達(dá)到人類創(chuàng)意者的高度。當(dāng)AI以“共創(chuàng)者”的身份參與創(chuàng)作時(shí)，人類的角色需從單純的任務(wù)執(zhí)行者轉(zhuǎn)向“主導(dǎo)者”與“把關(guān)者”，并在創(chuàng)意思維、場(chǎng)景研判及內(nèi)容真實(shí)性管控等層面發(fā)揮不可替代的核心價(jià)值[46]。盡管各類生成式模型在時(shí)空連續(xù)性和多模態(tài)理解方面表現(xiàn)出色，但在生成具有深刻文化內(nèi)涵和情感張力的廣告內(nèi)容時(shí)，仍然需要人類的介入和指導(dǎo)[47]。過度依賴自動(dòng)化可能導(dǎo)致廣告內(nèi)容的同質(zhì)化和缺乏靈魂，甚至產(chǎn)生不符合品牌形象或社會(huì)價(jià)值觀的低質(zhì)量?jī)?nèi)容。因此，智能廣告在追求效率的同時(shí)，需要探索自動(dòng)化與精品化相結(jié)合的路徑，實(shí)現(xiàn)人機(jī)協(xié)作的優(yōu)化范式[46]。這意味著AI應(yīng)作為輔助工具，賦能創(chuàng)意人員，而非完全取代其角色。通過人機(jī)協(xié)同，發(fā)揮AI在數(shù)據(jù)分析和內(nèi)容生成方面的優(yōu)勢(shì)，同時(shí)保留人類在創(chuàng)意構(gòu)思、情感表達(dá)和價(jià)值判斷上的核心作用，以實(shí)現(xiàn)既高效又富有創(chuàng)意的個(gè)性化廣告[48]。

4.3 技術(shù)與算法的內(nèi)生性風(fēng)險(xiǎn)

當(dāng)我們將廣告創(chuàng)意這一復(fù)雜且?guī)в猩鐣?huì)文化屬性的任務(wù)交給技術(shù)與算法時(shí)，也必須警惕技術(shù)本身所固有的、可能帶來負(fù)面影響的內(nèi)生性風(fēng)險(xiǎn)，它們可能對(duì)用戶、廣告主乃至社會(huì)產(chǎn)生負(fù)面影響。

一是算法偏見與歧視問題。智能廣告算法在模型訓(xùn)練階段，若用于學(xué)習(xí)的原始數(shù)據(jù)帶有偏見傾向，算法便可能將此類偏見加以吸收并進(jìn)一步放大，從而導(dǎo)致對(duì)特定群體的歧視性廣告推送[49]。例如，算法可能會(huì)錯(cuò)誤地將特定產(chǎn)品只推薦給特定性別或收入群體，限制了其他用戶接觸信息的權(quán)利。算法偏見不僅會(huì)降低用戶體驗(yàn)，還可能引發(fā)社會(huì)公平性風(fēng)險(xiǎn)。在個(gè)性化推薦系統(tǒng)中，如果算法傾向于推薦用戶已有的興趣內(nèi)容，可能會(huì)導(dǎo)致“信息繭房”效應(yīng)，使用戶無法接觸到多樣化的信息和觀念[50]。二是模型“黑箱”問題與可解釋性挑戰(zhàn)。當(dāng)前許多用于智能廣告的深度學(xué)習(xí)模型，尤其是多模態(tài)大模型（LLMs），具有復(fù)雜的內(nèi)部結(jié)構(gòu)和決策機(jī)制，被稱為黑箱模型，其決策過程難以被人類理解和解釋[51]。透明度的缺乏在廣告創(chuàng)意生成和個(gè)性化推薦中可能引發(fā)信任危機(jī)。廣告主可能無法理解為什么某個(gè)廣告創(chuàng)意被推薦給特定用戶，也無法有效診斷廣告效果不佳的原因[52]。對(duì)于用戶而言，無法理解為何接收到某些廣告，可能導(dǎo)致反感，甚至對(duì)算法產(chǎn)生抵觸情緒。在人工智能時(shí)代，廣告設(shè)計(jì)需要避免陷入倫理“陷阱”，并加強(qiáng)對(duì)算法的監(jiān)管[53]。三是技術(shù)濫用風(fēng)險(xiǎn)。智能廣告的深度個(gè)性化能力如果被不當(dāng)利用，可能成為操縱用戶行為的工具。例如，利用用戶的情緒狀態(tài)或認(rèn)知偏見，推送具有誘導(dǎo)性的廣告內(nèi)容，這可能導(dǎo)致用戶作出非理性消費(fèi)決策[54]。因此，智能廣告在實(shí)現(xiàn)“一人千面”深度個(gè)性化的道路上，必須正視并積極應(yīng)對(duì)復(fù)雜技術(shù)和算法帶來的內(nèi)生性風(fēng)險(xiǎn)，這需要技術(shù)創(chuàng)新、倫理規(guī)范、法律監(jiān)管，以及人機(jī)協(xié)同的全面發(fā)展，才能確保智能廣告在提升商業(yè)價(jià)值的同時(shí)，更好地服務(wù)于用戶和社會(huì)[55]。

5 結(jié)語

智能廣告在生成式AI技術(shù)的推動(dòng)下，正經(jīng)歷著從“千人千面”到“一人千面”的深刻變革，其核心驅(qū)動(dòng)力在于生成式召回、AI數(shù)據(jù)增強(qiáng)和多模態(tài)理解三大技術(shù)。生成式召回通過按需創(chuàng)造廣告內(nèi)容，極大地?cái)U(kuò)展了廣告創(chuàng)意的可能性空間，有效解決了傳統(tǒng)召回模式中素材庫(kù)有限和長(zhǎng)尾效應(yīng)的問題。AI數(shù)據(jù)增強(qiáng)則通過對(duì)現(xiàn)有數(shù)據(jù)的智能化處理和新樣本的生成，克服了深度學(xué)習(xí)模型對(duì)海量高質(zhì)量數(shù)據(jù)的依賴，顯著提升了模型的泛化能力和廣告內(nèi)容的生成效率。而多模態(tài)理解則使得廣告系統(tǒng)能夠從文本、圖像、音頻、視頻等多種模態(tài)數(shù)據(jù)中全面、深入地洞察用戶需求和情感，并精準(zhǔn)感知用戶所處的情境，從而實(shí)現(xiàn)高度情境化的廣告推送。這三項(xiàng)技術(shù)的協(xié)同作用，共同構(gòu)成了智能廣告實(shí)現(xiàn)深度個(gè)性化的核心引擎，推動(dòng)廣告從被動(dòng)匹配向主動(dòng)生成演進(jìn)，最終為每個(gè)用戶提供獨(dú)一無二的定制化廣告體驗(yàn)。

然而，在追求“一人千面”的深度個(gè)性化過程中，智能廣告也面臨著一系列現(xiàn)實(shí)挑戰(zhàn)。隱私與個(gè)性化的永恒博弈，在深度認(rèn)知時(shí)代被推向了新的高度，迫使我們重新思考數(shù)據(jù)權(quán)利的邊界；自動(dòng)化帶來的極致效率，與人類創(chuàng)意所追求的精品化和品牌精神之間產(chǎn)生了激烈碰撞，要求我們重構(gòu)人機(jī)協(xié)同的新型生產(chǎn)關(guān)系；而技術(shù)本身固有的偏見、不可靠性和不可解釋性等內(nèi)生性風(fēng)險(xiǎn)，則像懸在品牌頭上的達(dá)摩克利斯之劍，警示著我們?cè)趽肀Ъ夹g(shù)紅利的同時(shí)，必須建立起審慎、負(fù)責(zé)的治理體系。展望未來，智能廣告將更加強(qiáng)調(diào)以人為本，在技術(shù)賦能的同時(shí)，充分發(fā)揮人類在創(chuàng)意、情感和價(jià)值判斷上的獨(dú)特優(yōu)勢(shì)，最終構(gòu)建一個(gè)既高效精準(zhǔn)又富有溫度、負(fù)責(zé)任的廣告生態(tài)系統(tǒng)。

作者簡(jiǎn)介

段淳林，華南理工大學(xué)新聞與傳播學(xué)院教授、博士生導(dǎo)師

王晶晶，華南理工大學(xué)新聞與傳播學(xué)院碩士研究生

注釋