广告变现（AI Advertising Monetization）

3 秒看懂

一句话定义：利用机器学习、深度学习及生成式AI技术，提升广告精准匹配、创意生产、竞价优化全链路效率，从而放大流量→广告收入转化率的变现模式。

核心等式：

广告收入 ≈ 流量规模 × 千次展示价格(eCPM) × 填充率
         ↑ AI的主要作用区域
AI提升eCPM（更精准的定向 + 更优创意 + 更智能竞价）

关键认知：AI不是广告变现的”新入口”，而是已有万亿级数字广告市场的效率倍增器——Google、Meta、字节等巨头的核心利润引擎本质上都是AI驱动的广告变现。

3 分钟产业解释

传统广告变现的核心痛点

产业全景：谁在做什么？

广告主（品牌方/效果广告主）
    ↓ 预算
广告平台（Google Ads / Meta Ads / 巨量引擎）
    ↓ 技术服务
AI中间件（DSP / DMP / 创意平台）
    ↓ 流量分发
媒体/内容平台（搜索/社交/短视频/电商）
    ↓ 用户注意力
用户

商业模式三种：

1. 搜索广告：用户主动意图 + AI语义匹配（Google、百度）
2. 信息流广告：推荐算法 + 原生内容形态（Meta、抖音）
3. 程序化广告：实时竞价（RTB）+ AI出价优化（The Trade Desk）

市场规模概览

15 分钟专家深入

AI在广告全链路的渗透

┌─────────────────────────────────────────────────────────┐
│                    广告技术全栈                            │
├─────────┬─────────┬─────────┬─────────┬─────────────────┤
│ 用户理解 │ 受众定向 │ 创意生产 │ 竞价决策 │ 效果归因/衡量    │
│         │         │         │         │                 │
│ 行为序列 │ Look-alike│ 生成式  │ 深度RL  │ 多触点归因      │
│ Embedding│ 扩展    │ 素材    │ 出价    │ 增量实验(      │
│         │         │         │         │ Lift Study)    │
│ LLM意图  │ 跨平台ID│ 动态创意│ Pacing │                 │
│ 识别    │ 打通    │ 优化(DCO)│ 预算分配│ 合规隐私测量     │
└─────────┴─────────┴─────────┴─────────┴─────────────────┘

深度学习模型架构演进

CTR预估模型（广告排序核心）：

早期: LR (逻辑回归) → 特征工程主导
  ↓
FM/FFM: 特征交叉自动化
  ↓
DNN: Wide & Deep (Google 2016)
  ↓
注意力机制: DIN/DIEN (阿里 2018/2019) - 用户兴趣动态建模
  ↓
大规模Embedding: DLRM (Meta 2019) - 工业级稀疏特征处理
  ↓
Transformer: 用户行为序列建模 (近几年主流方向)

关键参数量级（工业级系统估算）：

• 特征维度：百亿~千亿级稀疏参数（Embedding表）
• 模型参数：千万~数亿级（Dense部分）
• 推理延迟要求：单次<10ms（影响用户体验）
• 训练数据：日均十亿~百亿级样本（头部平台）

注：以上为行业公开技术分享中的典型数量级范围，各平台具体参数未完全公开。

大模型带来的新范式

1. 对话式广告/搜索广告（Search Generative Experience）

• Google SGE、New Bing等产品形态
• AI生成摘要中嵌入商业结果
• 挑战：广告展示位置、用户体验与商业化的平衡

2. 生成式创意（Generative Creative）

• Meta Advantage+：AI自动生成广告变体
• Google Performance Max：自动化素材组合
• 字节”即创”等国内工具
• 能力：文案生成、图片生成、视频片段合成

3. 智能体广告（Agentic Ads）——前沿探索

• AI Agent代替用户进行购买决策
• 广告形式可能从”推送”转向”服务推荐”
• 尚处早期，商业模式未清晰

头部玩家AI广告布局对比

技术原理

核心系统一：广告排序引擎（CTR/CVR预估）

目标函数：

eCPM = pCTR × pCVR × Bid
其中：
- pCTR: 预估点击率 (模型预估)
- pCVR: 预估转化率 (模型预估)
- Bid: 广告主出价

深度CTR模型架构（以DLRM为代表）：

Input Layer
├── Sparse Features (用户ID, 物品ID, 上下文ID...)
│   └── Embedding Lookup → [batch, n_sparse, emb_dim]
│       └── MLP交互层
├── Dense Features (统计数据, 实时特征...)
│   └── Bottom MLP
│
Interaction Layer
├── Dot-product / Concat交互
└── 输出向量
    │
    ▼
Top MLP (多层全连接)
    │
    ▼
Sigmoid → pCTR [0, 1]

训练与推理规模：

• 训练：通常使用GPU集群，日级/小时级更新模型
• 推理：CPU/GPU混合，要求P99延迟<10ms
• 特征工程：实时特征（用户最近行为）+ 离线特征（画像标签）

关键挑战：

• 样本不均衡：点击率通常1-5%，需要负采样或Focal Loss
• 特征稀疏：长尾item/embedding学习不充分
• 延迟-精度权衡：模型复杂度受推理延迟约束

核心系统二：实时竞价（RTB）

用户请求 → SSP(媒体方) → 广告交易平台(Ad Exchange)
                                    │
                                    ▼
                            发送竞价请求(Bid Request)
                                    │
                                    ▼
                            DSP(需求方平台)
                            ├── 用户画像查询
                            ├── AI出价决策
                            └── 返回出价(Bid Response)
                                    │
                                    ▼
                            Ad Exchange 竞价排名
                            ├── 第一价格拍卖 / 第二价格拍卖
                            └── 返回胜出广告
                                    │
                                    ▼
                            用户看到广告

AI在竞价中的应用：

• 出价优化：根据转化概率和广告主ROI目标动态出价
• Pacing：将日预算均匀分配到全天，避免过早耗尽
• 赢率预估：预测当前竞价的胜出概率，优化出价策略

核心系统三：生成式创意引擎

技术栈：

文本生成: LLM (GPT-4o, Claude, 通义千问等)
  ├── 广告文案生成
  ├── 落地页描述优化
  └── 多语言本地化

图像生成: Diffusion Model (Stable Diffusion, DALL-E等)
  ├── 产品图生成/编辑
  ├── 场景化背景替换
  └── A/B测试素材批量生产

视频生成: 仍在发展中
  ├── 短视频广告片段合成
  └── 动态素材拼接

个性化适配:
  ├── DCO (Dynamic Creative Optimization)
  └── 根据用户特征实时调整素材元素

效果衡量：

• 创意生产效率提升：估算可提升5-10倍（行业共识）
• 但优质创意仍需人工把关，AI提升的是”下限”和”数量”

技术演进史

关键转折点：

• 2016年：Google Wide&Deep模型，深度学习正式进入工业级广告系统
• 2021年：苹果ATT（App Tracking Transparency），迫使行业转向隐私保护下的AI归因
• 2023年：生成式AI在创意领域的规模化应用

技术路线对比

上下游

上游：AI广告的技术与资源供给

下游：AI广告的需求方

关键指标

广告效果指标

AI广告系统指标

供需与市场数据

市场规模

供需结构

需求侧：

• 广告主预算持续向数字广告迁移
• 效果广告占比提升（相比品牌广告更依赖AI）
• 中小广告主自助投放需求增长（需要AI简化操作）

供给侧：

• 头部平台AI广告产品成熟度提升
• 开源模型降低AI创意生产门槛
• 隐私法规倒逼AI技术替代传统追踪手段

关键驱动与制约因素

代表公司与资本映射

海外核心标的

中国核心标的

AI广告技术/工具层