الباحثون يقترحون مزادًا على مستوى الرموز للإعلانات المولدة بالذكاء الاصطناعي

icon MarsBit
مشاركة
AI summary iconملخص
باحثون من مدرسة غاو لينغ للذكاء الاصطناعي في جامعة رينمين وستانفورد اقترحوا نظامًا جديدًا للمزادات الإعلانية على مستوى الرموز يُسمى LAMA. يدمج هذا النظام العروض الإعلانية في إنشاء المحتوى الذكي، مما يسمح للمعلنين بالتأثير على اتجاه المحتوى. يضمن LAMA الإبلاغ الصادق ويوزن بين تجربة المستخدم والقيمة التجارية. أظهرت الاختبارات أنه يزيد من إيرادات المنصة وعوائد المعلنين دون خفض جودة المحتوى. يقع هذا التطور ضمن اتجاه الأخبار المتزايد المتعلق بـ AI + crypto، ويمكنه دعم إدراج رموز جديدة في هذا المجال.

عندما تظهر ملخصات الذكاء الاصطناعي في نتائج البحث، ينخفض احتمال قيام المستخدمين بالنقر على الصفحات العادية تقريبًا إلى النصف. وجد تحليل مركز بيو للأبحاث للسلوك الواسع للمستخدمين الأمريكيين على Google أن نسبة النقر على نتائج البحث التقليدية انخفضت مباشرة من 15% إلى 8% عندما كانت هناك ملخصات ذكاء اصطناعي. [1]

يُكمل المستخدمون الاستكشاف والمقارنة أثناء المحادثة، وانتقلت الإعلانات معهم. لقد أطلقت OpenAI رسميًا إعلانات ChatGPT، كما أدخلت Google الإعلانات إلى ملخصات الذكاء الاصطناعي، حيث تُرفق إجاباتها ببطاقات صغيرة تروّج للرعاة، مُستمرةً بذلك نموذج محركات البحث التقليدي. [2, 3] لكن التحول في نمط الحصول على المعلومات يدفعنا لإعادة التفكير في شكل الإعلانات:

عندما يتحول وسيلة المعلومات من نتائج بحث كاملة إلى إجابة مولدة في الوقت الحقيقي، ما الذي يجب أن تُزاد عليه الإعلانات؟

على مدار ثلاثين عامًا، كانت الإعلانات عبر الإنترنت دائمًا مبنية على افتراض افتراضي: حيث توجد أماكن الإعلانات أولاً، ثم تقرر المزادات من يحصل عليها. إن ترتيب نتائج البحث أو أي عرض في تدفق المعلومات كان فرصة محددة مسبقًا. لكن إجابات النماذج الكبيرة تُولَّد حرفًا بحرف: ما إذا كان مناسبًا لظهور علامة تجارية معينة، وأين تظهر، وبأي طريقة تُقدَّم، يعتمد على ما تم كتابته بالفعل. حتى ما إذا تم التحدث أولاً عن السعر أو عن التجربة يمكن أن يخلق انطباعًا مختلفًا تمامًا عن المنتج.

الإعلانات عبر الإنترنت

الشكل 1: في وسائط المعلومات التوليدية، فإن مكان ظهور فرص الإعلان، ومن يحصل عليها، وكيفية عرضها، ستؤثر معًا على فعالية التسويق وتجربة المستخدم.

لذلك، فإن التوليد لا يملأ فقط فرص الإعلان، بل يشكلها أيضًا. في هذا النموذج الجديد، بدأت الأبحاث السابقة في استكشاف طرق مزاد مثل إدراج الإعلانات على مستوى الفقرة وتنافس الإجابات المرشحة، بينما قدم فريق البحث من جامعة رينمين غاولينغ وستانفورد خطوة إضافية في تعزيز التنافس الإعلاني الأصيل للنماذج الكبيرة ليصل إلى عملية التوليد على مستوى كل Token.

يقدمون LAMA، الذي يسمح لتكوين المحتوى وتوزيع الإعلانات بالتطور معًا: كلما تم توليد رمز، فإنه يؤثر في الوقت الفعلي على كيفية استمرار الإجابة، وكذلك على من سيحصل في النهاية على ظهور الإعلان. هذا هو الفكرة الأساسية التي تطرحها هذه الدراسة — التوليد كتوزيع (Generation as Allocation).

الإعلانات عبر الإنترنت

الإعلان على مستوى الرمز

المؤلفون: هانبينغ ليو، بويي زhang، تشانغيوان يو، يينيو يي، تشى تشى

الوحدة: كلية هاولينغ للذكاء الاصطناعي، جامعة رينمين الصينية، جامعة ستانفورد

الرابط: https://arxiv.org/abs/2608.27382

كل كلمة يكتبها النموذج الكبير

إنها عملية مزايدة واحدة.

قم بدفع مزاد الإعلانات إلى مستوى الرمز المميز، حيث لا يتنافس المعلنون فقط على آخر فرصة عرض، بل أيضًا على تحديد الاتجاه التالي للكتابة. على سبيل المثال، عند التوصية بوجهة عطلة، قد يمنح التحدث أولاً عن وسائل النقل أو أولاً عن الإقامة ميزة تنافسية للمعلنين المختلفين في المنافسة اللاحقة. وبالتالي، يحصل المعلنون على مساحة استراتيجية جديدة: يمكنهم ليس فقط تعديل التقارير للتأثير على التوليد الحالي، بل أيضًا تغيير استراتيجياتهم اللاحقة في أي وقت بناءً على المحتوى الذي تم كتابته بالفعل.

هذا يفرض متطلبات أعلى على الآلية: لا يكفي أن يرغب المعلنون في تقديم معلومات قيمة حقيقية في البداية، بل يجب أيضًا أن يستمروا في قول الحقيقة أثناء التوليد. في الوقت نفسه، لا يمكن للإجابة أن تركز فقط على التكيف مع العرض، مما يبعد عنها السؤال الأصلي للمستخدم.

يُقصد بـ LAMA "Latent Advertiser Mixture Auction" أو "مزاد المزيج المُحتمل للمعلنين". فهو يسمح للمعلنين بالإبلاغ عن "ما مدى قيمة هذا النص التالي بالنسبة لي"، ثم يدمج هذه التقارير مع نموذج اللغة الأصلي لتشكيل استراتيجيات توليد تتماشى مع تفضيلات كل معلن. تقوم المنصة بتوليد الإجابة حسب وحدات التوكن، وتحديث احتمالية حصول كل معلن على ظهور نهائي: فكلما كان المحتوى الجديد أكثر توافقًا مع اتجاه تفضيل معلن معين، زادت احتمالية تخصيصه له. بعد اكتمال الإجابة، يتم اختيار الفائز بناءً على الاحتمالات النهائية، وتقديم ظهور على شكل روابط خارجية أو بطاقات رعاية وغيرها. عند التنفيذ الفعلي، يمكن للنماذج من جانب المنصة حساب هذه التقارير القيمية تلقائيًا، تمامًا مثل خدمة التسعير التلقائي (Auto-bidding) المستخدمة في أنظمة الإعلانات اليوم.

الإعلانات عبر الإنترنت

الشكل 3: عملية تشغيل LAMA. أثناء توليد كل رمز، يتم إكمال التقرير والتكوين والتحديث بالتسلسل، ثم يتم إكمال التوزيع والتسوية النهائية بعد إكمال إنشاء الإجابة.

كيف يمكن منع المعلنين من تغيير رأيهم أثناء هذه العملية؟ قام LAMA بتصميم نظام متكامل من فحص التقارير الجزئية وقواعد الدفع مخصصًا لهذه العملية.

يتم التحقق من توافق التقارير السابقة واللاحقة: يجب أن يتوافق التقييم الجماعي للإعلانيين للقيم المختلفة للخطوة التالية مع التقرير السابق المتعلق بالنص الحالي. يكفي أن تقوم المنصة بإجراء مراجعة محلية واحدة في كل خطوة للحد من تغيير الإعلانيين لأقوالهم بشكل عشوائي. يتم تعديل الدفع وفقًا لعملية الإنشاء: إذا جعلت خطوة ما احتمالية حصول الإعلاني على ظهور، مع القيمة اللاحقة، أكثر فائدة، يتم فرض رسوم مناسبة؛ وإذا أصبحت أقل فائدة، يتم تقديم دعم، ثم إجراء التسوية مع الرسوم الأولية. بهذه الطريقة، ترتبط التأثير على الإنشاء، والسعى للظهور، وتحمل التكاليف معًا.

تُحقق هذه الآلية التوافق الحافزية للإستراتيجية الماركوفية المتفوقة (Markov DSIC): بغض النظر عن الاستراتيجية الممكنة التي يتبعها المعلنون الآخرون، ما دام معلن ما قد أبلغ بصراحة في السابق، فإن الاستمرار في الإبلاغ بصراحة في أي حالة توليدية قابلة للوصول لن يكون أسوأ من تغيير الاستراتيجية إلى استراتيجية ممكنة أخرى لاحقًا. بمعنى آخر، الصدق لا ينطبق فقط على العرض الأولي، بل يمتد عبر عملية توليد الإجابات.

في الوقت نفسه، تضمن LAMA أيضًا مزايا اجتماعية: حيث يتم تحديد الهدف بقيمة الإعلان ناقص عقوبة الانحراف عن الإجابة الأصلية، ويوجد حد نظري واضح للفجوة بينها وبين الآلية المثلى المثالية. وهذا يقيد تأثير الإعلانات على تجربة المستخدم أثناء السعي وراء القيمة التجارية.

من كيفية كتابة كل خطوة حتى من يحصل على التعرض وكم يُدفع، دمجت LAMA كل ذلك في آلية واحدة. هذا هو بالضبط معنى "الإنشاء كتوزيع".

النظرية مثالية جدًا

How effective is it in practice?

اختار فريق البحث 1239 استعلام بحث تجاري حقيقي من مجموعة بيانات Webis Generated Native Ads 2024 كدليل مفاهيمي، وتغطي ثلاث سيناريوهات شائعة: اللياقة البدنية، والعطلات، والسيارات، حيث يكون كل سيناريو بيئة تنافسية بين ثلاثة معلنين.

تم استخدام Qwen3-14B كنموذج لغوي مرجعي لتدريب نموذج التقارير المشترك من قبل المعلنين عبر LoRA. تأتي قيمة الإعلان من التقديرات التي تنبأ بها نموذج التنبؤ المفتوح المصدر، بينما تم تقييم تجربة المستخدم بشكل شامل بناءً على مؤشرات GEM-Bench المتعلقة بالصلة، والقيمة المعلوماتية، والانسيابية والاتساق، وطبيعة الإعلان، ودقة محتوى الإعلان، ودرجة التدخل. تشمل الطرق الأساسية طرقين لتوزيع الإعلانات قبل وبعد التوليد، بالاقتران مع ثلاث طرق لتوليد المحتوى: المحتوى الأصلي، والإدراج المحرر، واستراتيجيات التعلم المعزز، بالإضافة إلى آلية تجميع على مستوى الإجابات MOSAIC.

الإعلانات عبر الإنترنت

الشكل 4: جدول التجربة الرئيسية

وصلت LAMA إلى أعلى مستوى في جميع المؤشرات الأربعة، حيث حققت نجاحًا مزدوجًا في إيرادات المنصة (+10.7%) وقيمة المعلنين (+3.8%) دون التضحية بأي شكل من الأشكال بتجربة المستخدم.

لنتناول مثالًا محددًا لاستعلام في سياق العطلات: "best beach vacations in the world". الإجابة المرجعية التي لا تحتوي على آليات إعلانية تناقش فقط الوجهات وعوامل التخطيط؛ بينما تضمنت إجابة LAMA في مقدمتها Expedia وفي خاتمتها Tripadvisor، حيث تناوب أصحاب الإعلانات على السيطرة أثناء عملية التوليد، لكن الإجابة ظلت طبيعية وسلسة، وقدمت معلومات قيمة بنفس مستوى الإجابة المرجعية.

الإعلانات عبر الإنترنت

الشكل 5: عينة إجابات في سيناريو عطلة، حيث يتم تخصيص النص المُحدد باللون البرتقالي كرابط تشعبي.

بعد الانتهاء من التوليد، كانت احتمالية توزيع Tripadvisor أعلى بشكل ملحوظ، وتم اختيارها كالفائز النهائي في هذا الرد.

لماذا تريب أدفايزور؟ من حيث المحتوى النصي، يبدو أن إكسبيديا في الجزء الأول بمثابة نقطة ربط علامة تجارية لاستهداف وجهات مثل جزر المالديف وجزيرة بالي وبحر الكاريبي؛ بينما الجملة التي تذكر تريب أدفايزور توضح مباشرةً ما يمكن للمنتج فعله: مقارنة الوجهات، وعرض تقييمات الزوار، وتصفية أماكن الإقامة والتجارب، مما يوفر تعبيرًا أكثر شمولاً عن القيمة. وقد استجاب تحديث احتمالات توزيع المنصة بدقة لهذا الأمر.

قامت فريق البحث أيضًا بتجربة تشويش عرض مباشرة: تم تثبيت تقارير المعلنين الآخرين دون تغيير، مع تعديل تقرير المعلن المستهدف ككل لأعلى أو لأسفل من القيمة الحقيقية. كانت النتائج متوافقة تمامًا مع المنطق السليم: كلما زاد العرض، زادت نسبة التوكن التي يساهم بها، واحتمالية التخصيص، والمبلغ المدفوع. ومع ذلك، فإن المنفعة المتوقعة الحقيقية لا تزداد بلا حدود، بل تصل إلى ذروتها بالضبط عند الإبلاغ الصادق. على الرغم من أن الإبلاغ الكاذب بزيادة العرض يمكن أن يحقق تأثيرًا أكبر في النتيجة، إلا أن الدفع الأعلى يجعله غير مربح، وهو بالضبط ما تضمنه خاصية "التوافق الحافز" من الناحية النظرية.

الإعلانات عبر الإنترنت

الشكل 6: تزداد النسبة المولدة، والتوزيع، والدفع مع تحسن التقرير، ويصل الاستخدام المتوقع الحقيقي إلى ذروته عند الصدق.

خاتمة

أين يناسب ظهور الإعلانات التوليدية؟ نقطة هبوط طبيعية هي السيناريوهات التي يبحث فيها المستخدمون أصلاً عن نصائح تجارية: أثناء التسوق عند مقارنة المنتجات عبر دليل رقمي، أو عند اختيار فندق أثناء السفر، أو السماح للوكيل باختيار الأدوات المدفوعة المستخدمة في سير العمل اليومي. عندما تستجيب المعلومات التجارية لاحتياجات المستخدم الحقيقية، وتحتوي على علامات واضحة تحدد حدود الإعلان، دون المساس بالحقائق الموضوعية الفعالة للإجابة، فإنها تصبح أكثر احتمالاً للقبول.

ما تبحث عنه LAMA هو كيفية تنفيذ الآليات ضمن هذا الرؤية: جعل المعلنين يتنافسون أثناء عملية التوليد، مع فرض قواعد للحد من السلوكيات الاستراتيجية وموازنة القيمة التجارية وجودة الإجابات.

في الماضي، حددت المزادات من يحصل على موقع إعلاني موجود مسبقًا. اليوم، يمكن للآلية أيضًا تحديد كيفية تشكيل فرص الإعلان في الردود. ومن "توزيع المواقع" إلى "الإنشاء ثم التوزيع"، يقدم LAMA مسارًا تصميميًا جديدًا لآلية إعلانية أصلية للنماذج الكبيرة.

معلومات المؤلف

ليو هان بينغ (المؤلف الأول): طالبة ماجستير في السنة الثالثة في كلية تشينغ للذكاء الاصطناعي بجامعة人民大学، مُشرفة من قبل الأستاذة تشيو تشيان، تركز أبحاثها على اتخاذ القرار الذكي وتصميم الآليات في الذكاء الاصطناعي التوليدي، ومن المتوقع أن تتخرج عام 2027. نُشر عملها في مؤتمرات مرموقة مثل WINE وACL وSIGMOD.

الصفحة الرئيسية: https://tokgoleo.github.io/home/

تشي تشيشي (الكاتب المراسل): أستاذ دائم في كلية هوايلين للذكاء الاصطناعي، جامعة رينمين الصينية، وعضو من طبقة عالية وطنية من الشباب، نائب رئيس لجنة الحوسبة الاقتصادية في CCF (تنفيذي) ومدير المكتب. حصل على درجة الدكتوراه من جامعة ستانفورد تحت إشراف الأستاذ ييه يينيو. تشمل مجالات بحثه نظرية الخوارزميات والألعاب وتصميم الآليات، والنماذج الكبيرة والوكلاء، وأنظمة الوكلاء المتعددة، والتحسين واتخاذ القرار الذكي. نُشرت نتائج بحثه على نطاق واسع في المجلات الرائدة مثل MS وOR وMOR وGEB وTR-B، ومؤتمرات فئة CCF-A مثل STOC وICML وNeurIPS وICLR وACL وAAAI وKDD وSIGIR وWWW. كما يتعاون منذ فترة طويلة مع شركات مثل بايدو، علي بابا، تينسنت، ميتوان، ديزني، ديدي، هواوي، OPPO وغيرها، لدفع تطبيق تقنيات النماذج الكبيرة وتصميم الآليات واتخاذ القرار متعدد الوكلاء في سيناريوهات حقيقية بحجم مستخدمين بمليارات المستخدمين، في مجالات رئيسية مثل الإعلانات عبر الإنترنت، التسويق الذكي، تحسين القسائم، ونمو المستخدمين.

الصفحة الرئيسية: https://ai.ruc.edu.cn/szdw/zrjs/qq/index.htm

المراجع

1. مركز بيو، مستخدمو Google أقل احتمالًا للنقر على الروابط عندما يظهر ملخص ذكي في النتائج، 2025-07-22: https://www.pewresearch.org/short-reads/2025/07/22/google-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results/

2. مركز مساعدة OpenAI، الإعلانات في ChatGPT، تم الوصول إليه في 2026-09-04: https://help.openai.com/en/articles/20001047-ads-in-chatgpt

3. Google Ads & Commerce، مزيد من الفرص لعملك على بحث Google، 2025-05-21: https://blog.google/products/ads-commerce/google-search-ai-brand-discovery

هذا المقال من حساب WeChat "Machine Heart"

إخلاء المسؤولية: قد تكون المعلومات الواردة في هذه الصفحة قد حصلت عليها من أطراف ثالثة ولا تعكس بالضرورة وجهات نظر أو آراء KuCoin. يُقدّم هذا المحتوى لأغراض إعلامية عامة فقط ، دون أي تمثيل أو ضمان من أي نوع ، ولا يجوز تفسيره على أنه مشورة مالية أو استثمارية. لن تكون KuCoin مسؤولة عن أي أخطاء أو سهو ، أو عن أي نتائج ناتجة عن استخدام هذه المعلومات. يمكن أن تكون الاستثمارات في الأصول الرقمية محفوفة بالمخاطر. يرجى تقييم مخاطر المنتج بعناية وتحملك للمخاطر بناء على ظروفك المالية الخاصة. لمزيد من المعلومات، يرجى الرجوع إلى شروط الاستخدام واخلاء المسؤولية.