應用層 開放閱讀

廣告變現

AI Advertising Monetization

概念 ID
ai-advertising-monetization
更新時間
2026-05-29
來源數量
待補

廣告變現（AI Advertising Monetization）

3 秒看懂

一句話定義：利用機器學習、深度學習及生成式AI技術，提升廣告精準匹配、創意生產、競價最佳化全鏈路效率，從而放大流量→廣告營收轉化率的變現模式。

核心等式：

廣告營收 ≈ 流量規模 × 千次展示價格(eCPM) × 填充率
         ↑ AI的主要作用區域
AI提升eCPM（更精準的定向 + 更優創意 + 更智慧競價）

關鍵認知：AI不是廣告變現的”新入口”，而是已有萬億級數字廣告市場的效率倍增器——Google、Meta、位元組等巨頭的核心獲利引擎本質上都是AI驅動的廣告變現。

3 分鐘產業解釋

傳統廣告變現的核心痛點

痛點表現AI解決方案
定向粗糙人口統計學標籤，轉化率低行為序列建模、意圖即時識別
創意產能瓶頸人工設計成本高、週期長生成式AI批次生產素材
競價低效人工出價、規則引擎深度強化學習自動調價
歸因黑箱難以量化廣告效果多觸點歸因模型、因果推斷

產業全景：誰在做什麼？

廣告主（品牌方/效果廣告主）
    ↓ 預算
廣告平台（Google Ads / Meta Ads / 巨量引擎）
    ↓ 技術服務
AI中介軟體（DSP / DMP / 創意平台）
    ↓ 流量分發
媒體/內容平台（搜尋/社交/短影片/電商）
    ↓ 使用者注意力
使用者

商業模式三種：

  1. 搜尋廣告：使用者主動意圖 + AI語義匹配（Google、百度）
  2. 資訊流廣告：推薦演算法 + 原生內容形態（Meta、抖音）
  3. 程式化廣告：即時競價（RTB）+ AI出價最佳化（The Trade Desk）

市場規模概覽

指標資料來源口徑
全球數字廣告市場~6000億美元[行業報告估算，2024年]
Google廣告營收~2400億美元[Alphabet 2023財報]
Meta廣告營收~1320億美元[Meta 2023財報]
字節跳動廣告營收未公開，估算>500億美元[行業估算]
AI直接貢獻增量難以精確分離，估算提升eCPM 20-50%[行業共識估算]

15 分鐘專家深入

AI在廣告全鏈路的滲透

┌─────────────────────────────────────────────────────────┐
│                    廣告技術全棧                            │
├─────────┬─────────┬─────────┬─────────┬─────────────────┤
│ 使用者理解 │ 受眾定向 │ 創意生產 │ 競價決策 │ 效果歸因/衡量    │
│         │         │         │         │                 │
│ 行為序列 │ Look-alike│ 生成式  │ 深度RL  │ 多觸點歸因      │
│ Embedding│ 擴充套件    │ 素材    │ 出價    │ 增量實驗(      │
│         │         │         │         │ Lift Study)    │
│ LLM意圖  │ 跨平台ID│ 動態創意│ Pacing │                 │
│ 識別    │ 打通    │ 最佳化(DCO)│ 預算分配│ 合規隱私測量     │
└─────────┴─────────┴─────────┴─────────┴─────────────────┘

深度學習模型架構演進

CTR預估模型（廣告排序核心）：

早期: LR (邏輯迴歸) → 特徵工程主導
  ↓
FM/FFM: 特徵交叉自動化
  ↓
DNN: Wide & Deep (Google 2016)
  ↓
注意力機制: DIN/DIEN (阿里 2018/2019) - 使用者興趣動態建模
  ↓
大規模Embedding: DLRM (Meta 2019) - 工業級稀疏特徵處理
  ↓
Transformer: 使用者行為序列建模 (近幾年主流方向)

關鍵引數量級（工業級系統估算）：

  • 特徵維度：百億~千億級稀疏引數（Embedding表）
  • 模型引數：千萬~數億級（Dense部分）
  • 推論延遲要求：單次<10ms（影響使用者體驗）
  • 訓練資料：日均十億~百億級樣本（頭部平台）

注：以上為行業公開技術分享中的典型數量級範圍，各平台具體引數未完全公開。

大型模型帶來的新範式

1. 對話式廣告/搜尋廣告（Search Generative Experience）

  • Google SGE、New Bing等產品形態
  • AI生成摘要中嵌入商業結果
  • 挑戰：廣告展示位置、使用者體驗與商業化的平衡

2. 生成式創意（Generative Creative）

  • Meta Advantage+：AI自動生成廣告變體
  • Google Performance Max：自動化素材組合
  • 位元組”即創”等國內工具
  • 能力：文案生成、圖片生成、影片片段合成

3. 智慧代理廣告（Agentic Ads）——前沿探索

  • AI Agent代替使用者進行購買決策
  • 廣告形式可能從”推送”轉向”服務推薦”
  • 尚處早期，商業模式未清晰

頭部玩家AI廣告版面配置對比

公司AI廣告核心能力差異化優勢
Google搜尋意圖理解 + Performance Max自動化搜尋入口壟斷 + 雲端端AI基礎設施
MetaAdvantage+ + 跨App使用者圖譜社交圖譜 + 端到端自動化投放
位元組推薦演算法 + 即創創意平台內容平台流量閉環 + 電商融合
Amazon購買意圖精準 + 閉環歸因購買行為資料 + 零售媒體網路
The Trade Desk程式化競價AI + UID 2.0獨立DSP + 開放網際網路廣告

技術原理

核心系統一：廣告排序引擎（CTR/CVR預估）

目標函式：

eCPM = pCTR × pCVR × Bid
其中：
- pCTR: 預估點選率 (模型預估)
- pCVR: 預估轉化率 (模型預估)
- Bid: 廣告主出價

深度CTR模型架構（以DLRM為代表）：

Input Layer
├── Sparse Features (使用者ID, 物品ID, 上下文ID...)
│   └── Embedding Lookup → [batch, n_sparse, emb_dim]
│       └── MLP互動層
├── Dense Features (統計資料, 即時特徵...)
│   └── Bottom MLP
│
Interaction Layer
├── Dot-product / Concat互動
└── 輸出向量
    │
    ▼
Top MLP (多層全連線)
    │
    ▼
Sigmoid → pCTR [0, 1]

訓練與推論規模：

  • 訓練：通常使用GPU叢集，日級/小時級更新模型
  • 推論：CPU/GPU混合，要求P99延遲<10ms
  • 特徵工程：即時特徵（使用者最近行為）+ 離線特徵（畫像標籤）

關鍵挑戰：

  • 樣本不均衡：點選率通常1-5%，需要負取樣或Focal Loss
  • 特徵稀疏：長尾item/embedding學習不充分
  • 延遲-精度權衡：模型複雜度受推論延遲約束

核心系統二：即時競價（RTB）

使用者請求 → SSP(媒體方) → 廣告交易平台(Ad Exchange)
                                    │
                                    ▼
                            傳送競價請求(Bid Request)
                                    │
                                    ▼
                            DSP(需求方平台)
                            ├── 使用者畫像查詢
                            ├── AI出價決策
                            └── 返回出價(Bid Response)
                                    │
                                    ▼
                            Ad Exchange 競價排名
                            ├── 第一價格拍賣 / 第二價格拍賣
                            └── 返回勝出廣告
                                    │
                                    ▼
                            使用者看到廣告

AI在競價中的應用：

  • 出價最佳化：根據轉化機率和廣告主ROI目標動態出價
  • Pacing：將日預算均勻分配到全天，避免過早耗盡
  • 贏率預估：預測當前競價的勝出機率，優化出價策略

核心系統三：生成式創意引擎

技術棧：

文本生成: LLM (GPT-4o, Claude, 通義千問等)
  ├── 廣告文案生成
  ├── 落地頁描述最佳化
  └── 多語言本地化

影像生成: Diffusion Model (Stable Diffusion, DALL-E等)
  ├── 產品圖生成/編輯
  ├── 場景化背景替換
  └── A/B測試素材批次生產

影片生成: 仍在發展中
  ├── 短影片廣告片段合成
  └── 動態素材拼接

個性化適配:
  ├── DCO (Dynamic Creative Optimization)
  └── 根據使用者特徵即時調整素材元素

效果衡量：

  • 創意生產效率提升：估算可提升5-10倍（行業共識）
  • 但優質創意仍需人工把關，AI提升的是”下限”和”數量”

技術演進史

時期階段核心技術代表事件
1990s-2000s規則時代人工規則、固定位廣告橫幅廣告興起
2000-2005搜尋廣告關鍵詞匹配Google AdWords (2000)
2005-2010統計學習LR、協同過濾Facebook Ads (2007)
2010-2015機器學習GBDT、特徵工程RTB程式化廣告興起
2015-2020深度學習DNN、Wide&Deep、DLRMGoogle Wide&Deep (2016), Meta DLRM (2019)
2020-2023大規模模型Transformer、超大Embedding表Privacy Sandbox、AppleIDFA限制
2023-生成式AILLM、DiffusionMeta Advantage+、Google SGE

關鍵轉折點：

  • 2016年：Google Wide&Deep模型，深度學習正式進入工業級廣告系統
  • 2021年：AppleATT（App Tracking Transparency），迫使行業轉向隱私保護下的AI歸因
  • 2023年：生成式AI在創意領域的規模化應用

技術路線對比

維度搜尋廣告資訊流廣告程式化展示廣告生成式AI廣告
使用者意圖主動明確被動興趣被動/上下文主動+服務推薦
AI核心技術語義匹配、query理解推薦演算法、行為建模即時競價、出價最佳化LLM+Diffusion生成
eCPM水平高（估算$50-100+）中高（估算$10-50）中低（估算$2-20）待驗證
資料依賴搜尋詞+點選歷史社交/行為圖譜Cookie/ID（受挑戰）創意資料+效果反饋
頭部玩家Google、百度Meta、位元組TTD、Criteo各平台自建
隱私影響相對小大（依賴跨站追蹤）大中等
發展階段成熟成熟成長期早期探索

上下游

上游：AI廣告的技術與資源供給

層級要素代表供應商
算力GPU/TPU用於模型訓練與推論NVIDIA、AMD、雲端廠商
基礎模型LLM、視覺生成模型OpenAI、Anthropic、百度文心
資料使用者行為資料、第三方資料平台自有 + 資料商（Acxiom等）
工具鏈MLOps、特徵平台雲端廠商AI平台、獨立ISV

下游：AI廣告的需求方

角色需求AI價值訴求
品牌廣告主品牌曝光、心智佔領精準觸達目標人群、創意最佳化
效果廣告主ROI、轉化降低獲客成本、提升轉化率
中小廣告主簡單易用自動化投放、降低操作門檻
內容創作者流量變現廣告與內容融合、提升填充率

關鍵指標

廣告效果指標

指標含義典型範圍（估算）
CTR點選率搜尋3-10%，資訊流0.5-3%
CVR轉化率電商1-5%，App下載5-20%
CPM千次展示成本$1-50+（差異巨大）
CPC單次點選成本$0.1-5+
CPA單次轉化成本視行業而定
ROAS廣告支出回報率通常期望>3x

AI廣告系統指標

指標含義工業級要求（估算）
推論延遲單次預測耗時P99 < 10ms
模型AUC預估準確度>0.75（越高越好）
創意生成速度單個素材生成時間秒級-分鐘級
自動化投放佔比無需人工干預的投放比例頭部平台>70%

供需與市場資料

市場規模

市場規模（估算）增長率來源
全球數字廣告~6000億美元10-15%/年[行業報告估算]
程式化廣告~2000-3000億美元15-20%/年[行業估算]
AI廣告技術（直接）難以獨立估算，嵌入整體——
廣告創意AI工具早期，估算數十億美元級高速增長[行業估算]

供需結構

需求側：

  • 廣告主預算持續向數字廣告遷移
  • 效果廣告佔比提升（相比品牌廣告更依賴AI）
  • 中小廣告主自助投放需求增長（需要AI簡化操作）

供給側：

  • 頭部平台AI廣告產品成熟度提升
  • 開源模型降低AI創意生產門檻
  • 隱私法規倒逼AI技術替代傳統追蹤手段

關鍵驅動與制約因素

驅動因素制約因素
大型模型能力提升隱私法規（GDPR/ATT/中國個保法）
廣告主ROI壓力廣告攔截技術
短影片/社交電商增長使用者對廣告疲勞
跨平台歸因需求AI生成內容的合規風險

代表公司與資本對映

海外核心標的

公司AI廣告定位核心優勢風險
Alphabet (GOOGL)搜尋+展示廣告霸主搜尋入口、YouTube、雲端AISGE可能稀釋廣告位
Meta (META)社交資訊流廣告Advantage+自動化、社交圖譜使用者增長放緩、競爭
Amazon (AMZN)零售媒體網路購買意圖資料、閉環歸因品牌廣告能力待驗證
The Trade Desk (TTD)獨立DSP平台程式化AI競價、UID 2.0頭部平台圍牆花園威脅
Criteo (CRTO)零售媒體+重定向電商廣告AI獨立DSP市場份額承壓
AppLovin (APP)移動廣告+遊戲自動化投放引擎、收購整合遊戲行業週期性

中國核心標的

公司AI廣告定位核心優勢風險
騰訊 (0700.HK)社交+內容廣告微信生態、小程式閉環影片號商業化節奏
百度 (BIDU/9888.HK)搜尋廣告+AI生成文心大型模型、搜尋入口搜尋份額被侵蝕
字節跳動（未上市）短影片資訊流廣告抖音流量、推薦演算法上市不確定性
快手 (1024.HK)短影片廣告+電商下沉市場、私域流量eCPM提升空間
嗶哩嗶哩 (BILI/9626.HK)社群內容廣告年輕使用者、內容深度商業化效率偏低

AI廣告技術/工具層

公司方向備註
JasperAI營銷文案生成估值高峰期後調整
Canva設計+AI創意整合生成式AI功能
Adob

相關推薦

同產業鏈：app

同產業鏈 · 相關公司

百融雲端創6608.HK標普全球SPGI多鄰國DUOL廣聯達002410.SZ海天瑞聲688787.SS藍色游標300058.SZ塗鴉智慧2391.HK薛定諤SDGR

相關概念

建築工程人工智慧（AEC AI）Agent 市場A2A 協議（Agent-to-Agent Protocol）AI 附加模組AI 瀏覽器視覺增強屬性訪問控制差分隱私
source: 公開揭露與公開資料整理 本頁僅用於產業鏈學習、資訊檢索和研究輔助；不構成投資建議，不預測漲跌，不提供買賣、部位或目標價建議。
完整概念頁 複盤 13 節結構 公司投研頁 沿產業鏈找到受益公司 投資課 把概念轉成可跟蹤模型