程序化广告 × LLM：算法演进与下一个场景

程序化广告的算法演进：五代技术，一条隐藏的主线

要判断 LLM 会怎么改变广告，先得知道广告算法是怎么一路走过来的——以及每一代为什么被下一代取代。

第 1 代 · 规则与统计（2000–2008）

这是程序化广告的起点。核心矛盾很朴素：媒体有大量剩余库存卖不掉，广告主也不知道该买哪。

主要做法

• 静态优先级瀑布流：广告服务器按预设优先级依次询问广告源，先到先得。谁出价高、谁关系硬，谁的优先级就高。
• 规则引擎定向：写死条件——if 用户在北京 and 年龄 25–35 and 时段 19:00–22:00 then 出价 X。
• 频次控制与排期：限制同一用户最多看几次，按排期投放。

为什么被淘汰

• 规则是人工写的，覆盖不了长尾场景——写不完，也写不准；
• 无法优化效果：广告主关心的是"有没有人点、有没有转化"，而这需要模型来预估，不是规则能解决的；
• 本质上还是"资源买卖"的生意，不是"算法"生意。

第 2 代 · 预估模型（2008–2012）：分水岭

这一代确立了广告作为"算法生意"的地位。核心转变是：从"买广告位"变成"买人群"——而要买人群，就必须知道"这个人会不会点"。

核心技术：CTR 预估

方法本身在当时并不复杂：逻辑回归（LR）+ 手工特征工程。

• 特征从哪来：用户特征（年龄、性别、历史行为）、上下文特征（页面主题、时段、地域）、广告特征（品类、创意、出价）；
• 输出是什么：一个 0–1 的点击概率（这就是前面章节讲的"广告模型的输出是一个标量"的由来）；
• 怎么变现：eCPM = pCTR × 出价 × 1000——有了点击概率，就能把"按点击付费"和"按展示付费"换算到同一个尺度上比较。

瓶颈

• 只能学线性关系：LR 的本质是各特征加权求和，"年轻 + 男性 + 篮球"这类组合效应它抓不住；
• 特征交叉全靠人工：工程师要凭经验设计组合特征，覆盖率有限，且极其耗时。

第 3 代 · 特征交叉自动化（2010–2015）

这一代解决的正是上一代留下的问题：怎么让模型自己学会特征之间的组合关系。

这一代的关键词是"自动化"：把人从"设计交叉特征"这件苦活里解放出来。而这个思路一旦确立，接下来的问题就变成了：能不能更彻底地自动化？

第 4 代 · 深度学习（2016–2022）

深度学习进入广告领域后，做了三件前几代做不到的事：理解序列、理解兴趣、同时优化多个目标。

① DIN：注意力机制第一次进入广告（阿里，2018）

DIN（Deep Interest Network）的核心洞察是：用户的历史行为有成千上万条，但只有和当前候选广告相关的那些才重要。

• 做法：把候选广告与用户历史行为逐一算相关性，得到权重后加权求和——这就是注意力机制；
• 效果：用户看过"奶粉"和"键盘"，当他被推荐"机械键盘"时，模型自动更关注"键盘"这条历史。

② 特征交叉的深度自动化

DeepFM、DCN、xDeepFM 等模型，用不同的网络结构实现特征的自动交叉，进一步减少人工设计。

③ 多目标学习（MMoE 等）

广告主同时关心点击率、转化率、GMV，而这些目标往往互相冲突（点击高的可能转化低）。多门混合专家（MMoE）让不同任务共享底层表示、各自训练门控网络，第一次让多目标优化在工业界可行。

④ 序列建模

从"用户静态画像"走向"用户兴趣的动态演化"——用序列模型刻画兴趣随时间的变化。

第 5 代 · 生成式与统一模型（2023– ）

这一代刚刚开始，但方向已经清楚：不是把模型做大，而是把任务重新定义。

① HSTU / GEM：推荐即生成

把用户行为历史当成一句话，预测下一个行为——推荐问题被重构成序列生成问题。一旦任务变成这样：

• 信号密度大幅提升（每个行为都是训练目标，不再是稀疏的点击事件）；
• 可以直接复用语言模型的技术栈；
• Scaling Law 开始生效——模型越大，效果越好。

② LLM 作为组件被嵌入广告系统

③ Agent 化投放

从"人调参数"走向"人设目标"——设定目标与约束，Agent 自动完成预算分配、出价调整与素材迭代。

算法谱系详解：十二个关键算法，各自的原理与代价

上面按"代"讲了演进逻辑。这一节把所有关键算法逐个拆开——每个算法解决什么问题、原理是什么、被谁用、后来为什么被替换。

流量变迁与公司兴衰：四次重排座次

算法演进只是技术线。真正决定谁生谁死的，是流量载体的迁移。

① PC 门户时代（1995–2007）：流量在页面上

流量载体：门户首页、搜索页、内容页。用户通过浏览器访问网站，每次访问都是"一个页面"。

当时的广告怎么做

• 展示广告（Display）：按位置卖，首页 Banner 最贵——本质是"版面生意"；
• 关键词竞价（Overture 发明、Google AdWords 发扬）：把广告和搜索词绑定，第一次把"用户意图"变成了可售卖的商品。

主流玩家与结局

② 移动 App 时代（2008–2015）：流量进入 App，ID 建立

流量载体：手机 App。用户时间从浏览器迁移到 App 里，而 App 之间是互相隔离的——这带来一个技术问题：怎么知道"同一个用户在不同 App 里的行为"？

关键基础设施：ID 体系

• 苹果的 IDFA、安卓的 GAID：设备级唯一标识；
• 有了它，跨 App 追踪成为可能——用户在这个游戏里看过球鞋广告，在另一个 App 里就能被继续推荐；
• 整个移动广告行业的技术底座，就此建立在 ID 之上。

主流玩家：广告网络群雄并起

③ 隐私冲击时代（2016–2022）：地基被抽走

三件事接连发生，彻底改变了行业：

谁受损、谁受益

④ AI 生成时代（2023– ）：变量重新出现

AI 给这个格局带来了两个新变量，恰好对墙外玩家有利：

但也要清醒：墙内花园同样在用 AI（甚至用得更好，因为它们的数据更完整），所以这不是"墙外反超"，而是墙外重新获得参赛资格。

当前格局：墙内花园的新算法，与墙外的生存空间

理解今天的广告行业，要先把"墙内"和"墙外"这两个生态分清楚。

一、墙内花园：从"卖定向"到"卖结果"

墙内花园的定义很清晰：拥有自有账号体系、自有流量、数据不出墙的封闭生态。Google、Meta、Amazon、Apple、TikTok 都在此列。

它们的新算法在做什么：把定向藏进黑箱

为什么是这个方向？三个原因

• 隐私合规的必然：不能再把"用户标签"卖给广告主，但可以在内部使用——能力保留，透明度降低；
• 模型能力的变现：当模型足够强，自动投放的效果超过人工优化，广告主会主动交出去；
• 商业模式的升级：从"卖流量"变成"卖增长"，议价能力更强（因为广告主无法比价）。

二、墙外开放网络：靠什么活下来

开放网络指墙内花园之外的一切流量：独立 App、独立网站、联网电视（CTV）、部分零售媒体。

三、墙内与墙外：能力对比

一句话总结：墙内卖"确定的人"，墙外卖"可能的意图"。隐私政策削弱了后者，而 AI 正在用语义理解重建后者。

墙外玩家的机会与挑战：三家头部公司

技术史与格局谈完，落到具体公司。以下分析基于公开信息与产品逻辑，不构成投资建议。

一、汇量科技（Mintegral）：全栈自建的中长尾玩家

它的位置

• 模式：DSP + 交易平台 + SSP 三合一全栈——在同一套系统内完成从需求到供给的全流程；
• 流量：以中长尾 App 与新兴市场（东南亚、拉美、中东）为主；
• 客户：主打中国开发者出海，以及全球超休闲/中度游戏厂商。

机会

挑战

• 规模劣势：在数据量上小于 AppLovin、Google 等对手，模型效果受样本量约束；
• 客户集中度：收入对游戏行业依赖较高，行业周期波动会直接传导；
• 对平台政策的依赖：iOS/安卓的隐私与归因政策变化，会直接影响投放效率。

跟踪点

In-App Bidding 的转型进度（决定其能否吃到中介层的价值）、非游戏品类的拓展情况、AI 素材能力的实际落地。

二、AppLovin：算法领先 + 中介入口

它的位置

• 模式演进：从"自有游戏 + 广告网络"转向"软件优先"——把核心资产变成算法（AXON 系列深度模型）与中介平台（MAX）；
• 关键资产：MAX 中介平台掌握着大量 App 的竞价入口，同时自有 App 组合提供了初始训练数据；
• 市场表现：凭借算法效果与软件业务占比提升，成为近年广告技术领域最受关注的公司之一。

机会

挑战

• 生态依赖：业务深度绑定 iOS 与 Android 的移动生态，政策变化直接影响基本面；
• 估值与预期的压力：高估值意味着必须持续兑现增长，容错空间小；
• 监管关注：中介平台的市场地位可能引来反垄断视角的审视。

三、Unity：引擎生态 + 中介平台

它的位置

• 独特资产：全球最大的游戏引擎之一——开发者生态本身就是一个巨大的数据与库存入口；
• 广告侧：Unity Ads + ironSource 合并后的 LevelPlay 中介平台；
• 现实的困难：引擎业务波动（订阅模式调整引发的争议）、广告业务整合效果不及预期、与 AppLovin 在游戏广告市场竞争激烈。

机会与挑战

四、墙外玩家的共同处境：三个机会，三个约束

下一个被 LLM 改变的应用和场景是什么

这个问题不能用"哪个行业热"来回答，得用"哪个领域的信号具备条件"来判断。

一、最先被改变的：结果能自动验证的领域

① 编程与数据分析（已经发生）

• 为什么快：代码能运行、能测试、能比对结果——信号是自动产生的，不需要人来标注；
• 改造程度：已从"辅助补全"走到"端到端生成 + 自动测试"；
• 启示：这也是为什么 AI 编程工具是目前商业化最成功的 AI 应用类别。

② 广告与营销素材（已经发生）

• 为什么快：素材效果可以被投放数据验证（点击率、转化率），且试验成本极低——可以大规模 A/B；
• 改造程度：素材生产环节已经基本重构（生成成本趋近于零）；
• 一个反直觉的推论：当素材可以无限生成时，"筛选能力"比"生成能力"更值钱——谁能从海量素材里找到对的那一条，谁就拿到效果。

二、正在被改变的：需要人工造信号的领域

③ 客服与销售支持（快速推进中）

• 信号来源：客户满意度、问题解决率、人工接管率——需要人来评估，但可获得；
• 关键约束：错一次的成本不低（客户体验、合规），所以现实形态是"AI 处理 → 疑难转人工"；
• 观察指标：人工接管率是否持续下降——这才是能力提升的真实证据，而不是"答对率 95%"。

④ 内容推荐（正在从模式二走向模式三）

• 信号：点击、完播、停留时长——稀疏但有反馈；
• 正在发生的变化：HSTU 式的"生成式推荐"——把推荐重构成序列预测；
• 需要跟踪：主流平台是否开始用统一的序列模型替代"每个业务线一套模型"。

⑤ 企业知识工作（受制于数据治理）

• 信号：答案的正确性需要人来判断，反馈慢；
• 真正的瓶颈不在模型：而在数据散乱、权限复杂、评测缺失（详见另册《企业级 AI 落地手册》）；
• 判断标准：谁能把"数据治理"这件苦活低成本做完，谁就拿到入场券。

三、最难的：判断质量难以验证的领域

⑥ 投研与尽调（刚起步）

• 信号问题：一个投资判断对不对，可能要三五年后才知道——反馈极慢、且充满运气成分（信噪比低）；
• 短期定位：AI 在这里的角色是"放大器"而非"替代者"——快速处理资料、生成初稿、发现遗漏，但判断仍由人做出；
• 可以做的事：把非结构信息结构化（纪要、访谈、公告）、做一致性检查、跟踪假设与验证节点；
• 不能做的事：替代"下注"这个动作本身——因为那需要承担不确定性，而模型不承担后果。

⑦ 法律与合规（中期）

信号是"判例结果"与"合规事件"，可获取但延迟长；且错误代价高，所以会长期停留在"AI 初稿 + 律师终审"。

⑧ 医疗诊断（长期）

理论上有最强的信号（诊断正确性可验证），但受制于责任归属、数据隐私、监管审批——技术不是主要障碍，制度成本才是。

四、把场景放进"三种改造模式"里

五、投资视角：三类值得关注的机会

投资视角：用信号框架看广告技术公司

回到本书的核心框架——把广告技术公司放进"信号质量"这把尺子上衡量。

一、广告公司都处在弱信号区，差别在"造信号"能力

二、四个可以持续跟踪的指标

三、三个需要警惕的叙事

• "我们用了类 Transformer 结构"——追问：训练信号从哪来？架构不是分野，信号才是（见第一部分图 3）；
• "我们有数据优势"——追问：有转化闭环吗？还是只有曝光数据？只有曝光数据的"优势"价值有限；
• "AI 会让我们效率翻倍"——追问：效率提升能否转化为议价能力？如果不能，效率红利会被广告主拿走。

四、这一轮变化对墙外公司的三个判断

1. 技术层面的分水岭是"语义定向"——谁先做到"不依赖 ID 也能准确定向"，谁就拿到了隐私时代的通行证；
2. 竞争维度会从"算法精度"转向"素材筛选效率"——当素材可以无限生成，价值就从"造得出来"转移到"挑得出来"；
3. 长期风险是结构性的——墙外玩家的天花板，最终取决于 Apple 与 Google 把围墙建到多高。

回到广告：这一轮变化会从哪里来

把两个部分合起来看，可以得到对广告行业最实际的三条判断。

判断一：广告不会出现"GPT 时刻"，但会出现"效率断崖"

因为广告的瓶颈在学习信号（稀疏、延迟、有偏），这一点没有变。但 LLM 已经把素材生产、语义理解、投放优化三块的效率推高了一个量级——这不会让广告变成一个新物种，但会让没有跟上的人直接出局。

判断二：真正的结构性变化，是"广告位"向"意图入口"迁移

如果用户的购买决策越来越多地发生在 AI 助手里，广告的形态就会从"展示位竞价"变成"被推荐的资格"。这是搜索广告的逻辑升级版——对广告业而言，这是比算法升级更深远的冲击。

判断三：短期最值钱的能力，是"筛选"与"闭环"

• 筛选：当素材和创意可以无限生成，"从海量选项里挑出对的那一条"成为新的瓶颈；
• 闭环：弱信号领域里，谁的反馈路径更短，谁就能用更少的样本学到更多——自有场景的价值因此上升。