Penyelidik mencadangkan lelong peringkat token untuk iklan yang dihasilkan AI

icon MarsBit
Kongsi
AI summary iconRingkasan
Penyelidik dari Sekolah AI Gao Ling, Universiti Renmin, dan Stanford telah mencadangkan sistem lelong iklan pada peringkat token bernama LAMA. Mekanisme ini mengintegrasikan tawaran iklan ke dalam penghasilan kandungan AI, membolehkan pengiklan mempengaruhi arah kandungan. LAMA memastikan pelaporan yang jujur dan menyeimbangkan pengalaman pengguna dengan nilai komersial. Ujian menunjukkan ia meningkatkan pendapatan platform dan pulangan pengiklan tanpa mengurangkan kualiti kandungan. Pembangunan ini berada di bawah trend berita AI + crypto yang semakin berkembang dan boleh menyokong pelancaran token baharu di ruang ini.

Dalam keputusan carian, sebarang ringkasan AI menyebabkan kebarangkalian pengguna membuka laman web biasa hampir berkurang separuh. Analisis Pew Research Center terhadap perilaku pelayaran besar-besaran pengguna Amerika di Google mendapati: dengan adanya ringkasan AI, peratusan pengguna yang mengklik keputusan carian tradisional merosot secara langsung dari 15% kepada 8%. [1]

Pengguna sedang menyelesaikan eksplorasi dan perbandingan dalam perbualan, dan iklan juga berpindah bersama mereka. OpenAI telah melancarkan ChatGPT Ads secara rasmi, sementara Google juga memperkenalkan iklan ke dalam AI Overviews, dengan meletakkan kad penyokong di jawapan mereka, secara langsung meneruskan model zaman enjin carian. [2, 3] Namun, perubahan paradigma dalam cara orang mendapatkan maklumat membuatkan kita mula memikirkan semula bentuk iklan:

Apabila media maklumat berubah daripada keputusan carian satu halaman penuh kepada jawapan yang dihasilkan secara masa nyata, apa yang sepatutnya dipertandingkan oleh iklan?

Selama tiga dekad, iklan dalam talian sentiasa berasaskan satu anggapan lalai: ruang iklan wujud terlebih dahulu, kemudian lelong menentukan siapa yang mendapatkannya. Kedudukan keputusan carian, atau tayangan mana dalam aliran maklumat, semuanya merupakan peluang yang telah ditakrifkan terlebih dahulu. Tetapi jawapan model besar dihasilkan perkataan demi perkataan: sama ada sesuatu jenama sesuai untuk muncul, di mana ia muncul, dan bagaimana ia diperkenalkan, semuanya bergantung kepada apa yang telah ditulis sebelumnya. Bahkan, sama ada membincangkan harga terlebih dahulu atau pengalaman terlebih dahulu, boleh mencipta kesan yang sama sekali berbeza terhadap produk.

Iklan dalam talian

Rajah 1: Dalam media informasi generatif, di mana peluang iklan muncul, siapa yang memperolehnya, dan bagaimana ia dipaparkan akan secara bersama-sama mempengaruhi kesan pemasaran dan pengalaman pengguna.

Oleh itu, generasi bukan sahaja mengisi peluang iklan, tetapi juga membentuk peluang iklan. Dalam paradigma baru ini, kajian yang sudah ada mulai mengeksplorasi kaedah pelelangan seperti penyisipan iklan pada peringkat paragraf dan pelelangan jawapan calon, manakala pasukan penyelidik dari Gaoling School of Renmin University dan Universiti Stanford mendorong persaingan iklan asli model besar lebih jauh ke dalam proses generasi setiap Token.

LAMA yang mereka usulkan membolehkan penghasilan kandungan dan pengagihan iklan berkembang bersama: setiap kali satu Token dihasilkan, ia secara semasa mempengaruhi cara jawapan diteruskan, serta mempengaruhi siapa yang akhirnya mendapat paparan iklan. Ini adalah idea utama yang diajukan dalam kajian ini—penghasilan sebagai pengagihan (Generation as Allocation).

Iklan dalam talian

Iklan Tingkat Token

Penulis: Hanbing Liu, Bowei Zhang, Changyuan Yu, Yinyu Ye, Qi Qi

Unit: Sekolah Kecerdasan Buatan Gaoling, Universiti Renmin Tiongkok, Universiti Stanford

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

Setiap perkataan yang ditulis oleh model besar

Semuanya adalah proses tawar-menawar sekali sahaja

Bawa lelang iklan ke peringkat Token, di mana pengiklan tidak hanya bersaing untuk peluang paparan terakhir, tetapi juga menentukan arah penulisan seterusnya. Sebagai contoh, apabila merekomendasikan destinasi percutian, sama ada membincangkan pengangkutan terlebih dahulu atau penginapan, boleh memberikan kelebihan kepada pengiklan yang berbeza dalam persaingan seterusnya. Oleh itu, pengiklan kini mempunyai ruang strategik baru: tidak hanya boleh menyesuaikan laporan untuk mempengaruhi hasil semasa, tetapi juga boleh mengubah strategi seterusnya mengikut kandungan yang telah ditulis.

Ini menuntut persyaratan yang lebih tinggi terhadap mekanisme: tidak hanya memastikan pengiklan bersedia memberikan informasi nilai sejati pada awalnya, tetapi juga memastikan mereka terus berkata jujur semasa proses penghasilan. Sementara itu, jawapan tidak boleh hanya berusaha menyesuaikan tawaran dan menyimpang daripada soalan asal pengguna.

LAMA ialah singkatan bagi Latent Advertiser Mixture Auction, iaitu "Lelang Campuran Pengiklan Potensial". Ia membenarkan pengiklan melaporkan, berdasarkan teks semasa, "Seberapa bernilainya penulisan seterusnya bagi saya", kemudian menggabungkannya dengan model bahasa asal untuk membentuk strategi penghasilan yang mencerminkan preferensi setiap pengiklan. Platform ini menghasilkan jawapan secara Token demi Token, serta terus memperbaharui kebarangkalian akhir setiap pengiklan mendapat paparan: semakin sesuai kandungan yang baru ditulis dengan arah preferensi seorang pengiklan, semakin tinggi kebarangkalian yang diberikan. Selepas jawapan selesai, pemenang dipilih berdasarkan kebarangkalian akhir, dan diberikan paparan dalam bentuk pautan luar atau kad penyokong. Dalam pelaksanaan sebenar, laporan nilai ini boleh dikira oleh model sisi platform, serupa dengan perkhidmatan auto-bidding dalam sistem iklan hari ini.

Iklan dalam talian

Rajah 3: Proses operasi LAMA. Semasa setiap penghasilan Token, laporan, penghasilan, dan pembaruan dilakukan secara berturut-turut, dan pengagihan serta penyelesaian akhir dilakukan selepas jawapan selesai dihasilkan.

Bagaimana untuk mencegah pengiklan menggunakan proses ini untuk “berubah pikiran di tengah jalan”? LAMA telah merekabentuk secara teliti semakan laporan tempatan dan peraturan pembayaran yang sepadan untuk proses penghasilan ini.

Pengesahan memastikan bahawa laporan sebelum dan selepas sepadan: penilaian nilai oleh pengiklan terhadap pelbagai versi langkah seterusnya, apabila dijumlahkan, mesti konsisten dengan laporan sebelumnya terhadap teks semasa. Platform hanya perlu melakukan pengesahan separa pada setiap langkah untuk menghalang pengiklan mengubah pendirian secara sewenang-wenang. Pembayaran disesuaikan mengikut proses penghasilan: jika satu langkah membuat kebarangkalian paparan pengiklan bersama nilai seterusnya menjadi lebih menguntungkan, maka dikenakan caj yang berkaitan; jika menjadi kurang menguntungkan, maka diberikan subsidi, kemudian disepadukan dengan caj awal untuk penyelesaian. Dengan cara ini, kesan terhadap penghasilan, usaha untuk mendapatkan paparan, dan tanggungjawab caj menjadi saling berkaitan.

Mekanisme ini memenuhi kepaduan insentif strategi Markov DSIC: tanpa mengira strategi apa yang digunakan oleh pengiklan lain, selama seorang pengiklan telah melaporkan dengan jujur sebelumnya, maka dalam sebarang keadaan generatif yang boleh dicapai, terus melaporkan dengan jujur tidak akan lebih buruk daripada menukar kepada strategi yang mungkin lain. Dengan kata lain, kejujuran tidak hanya berlaku pada tawaran awal, tetapi juga berterusan sepanjang proses penghasilan jawapan.

Sambil itu, LAMA juga mempunyai jaminan kesejahteraan sosial: dengan menjadikan nilai iklan dikurangkan dengan hukuman bagi penyimpangan daripada jawapan asli sebagai objektif, jurangnya terhadap mekanisme optimum ideal mempunyai batas teori yang jelas. Ini membatasi kesan iklan terhadap pengalaman pengguna sambil mengejar nilai komersial.

LAMA memasukkan semua langkah, dari bagaimana setiap langkah ditulis hingga siapa yang mendapat paparan dan berapa bayaran yang diberikan, ke dalam satu mekanisme yang sama. Inilah maksud “cipta dan agih”.

Teori sangat sempurna

Apakah kesan sebenarnya?

Pasukan penyelidik mengambil 1,239 permintaan carian komersial sebenar daripada set data Webis Generated Native Ads 2024 sebagai bukti konsep, yang merangkumi tiga senario biasa: kecergasan, percutian, dan kereta, dengan setiap senario merupakan persekitaran persaingan tiga pengiklan.

Eksperimen menggunakan Qwen3-14B sebagai model bahasa rujukan, dan memperoleh model laporan yang dikongsi oleh pengiklan melalui latihan LoRA. Nilai iklan berasal dari anggaran yang diprediksi oleh model ramalan sumber terbuka, manakala pengalaman pengguna dinilai secara komprehensif berdasarkan indikator yang disediakan oleh GEM-Bench, termasuk relevansi, kandungan informasi, kelancaran dan keterkaitan, kealaman iklan, kefaktaan iklan, dan tingkat gangguan. Kaedah asas termasuk dua cara pengagihan sebelum dan selepas penghasilan, dipadankan dengan tiga kaedah penghasilan—kandungan asli, penyisipan suntingan, dan strategi pembelajaran penguatan—serta mekanisme pengumpulan pada tahap jawapan MOSAIC.

Iklan dalam talian

Rajah 4: Jadual eksperimen utama

LAMA mencapai tertinggi dalam keempat-empat indikator, tidak hanya mencapai kemenangan bersama dalam pendapatan platform (+10.7%) dan nilai pengiklan (+3.8%), tetapi juga tanpa mengorbankan pengalaman pengguna.

Mari kita lihat satu permintaan dalam konteks percutian pantai: “best beach vacations in the world (tempat percutian pantai terbaik di dunia)”. Jawapan rujukan tanpa mekanisme iklan hanya membincangkan destinasi dan faktor perancangan; jawapan yang dihasilkan oleh LAMA menampilkan Expedia di bahagian awal dan Tripadvisor di bahagian akhir, dengan pengiklan bergilir-gilir mengawal proses penghasilan, namun jawapan yang dihasilkan tetap alami, lancar, dan memberikan maklumat bernilai seperti jawapan rujukan.

Iklan dalam talian

Rajah 5: Contoh jawapan dalam skenario cuti, teks yang ditekankan dengan warna oren ialah julat teks yang ditetapkan sebagai pautan hyperlink.

Selepas penghasilan selesai, kebarangkalian pengagihan Tripadvisor jauh lebih tinggi dan dipilih sebagai pemenang akhir dalam jawapan ini.

Mengapa Tripadvisor? Dari segi kandungan teks, Expedia lebih berfungsi sebagai titik rujukan merek untuk memperkenalkan destinasi seperti Maladewa, Bali, dan Karibia pada separuh pertama; ayat yang menyebut Tripadvisor secara langsung menjelaskan apa yang boleh dilakukan produk tersebut: membandingkan destinasi, melihat ulasan pelancong, dan menyaring penginapan serta pengalaman, dengan ungkapan nilai yang lebih lengkap. Pembaruan kebarangkalian pengagihan platform dengan cekap menangkap titik ini.

Pasukan penyelidik juga menjalankan eksperimen gangguan tawaran yang intuitif: mengekalkan laporan pengiklan lain tanpa perubahan, sambil mengubah keseluruhan laporan pengiklan sasaran secara seragam ke atas atau ke bawah dari nilai sebenar. Keputusannya selari dengan intuisi: semakin tinggi tawaran, semakin tinggi proporsi Token, kebarangkalian pengagihan, dan pembayaran yang disumbang. Namun, kegunaan jangkaan sebenar tidak meningkat tanpa had, tetapi mencapai puncaknya tepat ketika laporan jujur diberikan. Walaupun penipuan dengan menaikkan tawaran boleh memperoleh lebih banyak pengaruh dalam jawapan, ia menjadi tidak menguntungkan kerana pembayaran yang lebih tinggi—sifat ini tepat seperti yang dijamin oleh teori “kesesuaian insentif”.

Iklan dalam talian

Rajah 6: Peratusan penghasilan, agihan, dan pembayaran semuanya meningkat seiring dengan laporan yang lebih jujur, dengan utiliti jangkaan sebenar mencapai puncaknya apabila jujur.

Penutup

Iklan generatif sesuai diletakkan di mana? Titik masuk yang semula alami ialah situasi di mana pengguna sedang mencari nasihat perniagaan: semasa berbelanja dengan membandingkan produk melalui pembimbing digital, memilih hotel semasa bepergian, atau membiarkan agen memilih alat berbayar yang digunakan dalam alur kerja harian. Apabila maklumat perniagaan menanggapi keperluan sebenar pengguna dan disertai tanda batas iklan yang jelas tanpa merosakkan fakta objektif yang sah dalam jawapan, ia lebih mungkin diterima.

LAMA mengkaji bagaimana merealisasikan mekanisme di bawah visi ini: membolehkan pengiklan bersaing dalam proses penghasilan, sambil mengawal perilaku strategik melalui peraturan dan menyeimbangkan nilai komersial dengan kualiti jawapan.

Dahulu, lelong menentukan siapa yang mendapat tempat iklan yang sudah wujud. Kini, mekanisme ini juga boleh menentukan bagaimana peluang iklan dibentuk dalam jawapan. Dari “mengalokasikan tempat” ke arah “jana-sekaligus-alokasikan”, LAMA memberikan laluan reka bentuk baharu untuk mekanisme iklan asli model besar.

Maklumat penulis

Liu Hanbing (penulis pertama): Pelajar master tahun ketiga di Sekolah Kecerdasan Buatan Gaoling, Universiti Rakyat Tiongkok, dibimbing oleh Profesor Qi Qi, dengan bidang penyelidikan dalam keputusan pintar dan reka bentuk mekanisme dalam kecerdasan buatan generatif, dijangka tamat pada 2027. Karya beliau telah diterbitkan di persidangan terkemuka seperti WINE, ACL, dan SIGMOD.

Laman utama: https://tokgoleo.github.io/home/

Qi Qi (korresponden penulis): Profesor tetap di Sekolah Kecerdasan Buatan Gaoling, Universitas Renmin Tiongkok, bakat muda tingkat nasional, Wakil Ketua (Pelaksana) dan Ketua Pejabat Komite Spesialis Ekonomi Komputasi CCF. Memperoleh gelar doktor dari Universitas Stanford di bawah bimbingan Profesor Ye Yinyu. Bidang penelitian mencakup teori permainan algoritmik dan reka bentuk mekanisme, model besar dan agen, sistem agen jamak, pengoptimuman dan keputusan cerdas, dsb. Hasil penelitiannya banyak diterbitkan di jurnal-jurnal terkemuka seperti MS, OR, MOR, GEB, TR-B dan konferensi kelas CCF-A seperti STOC, ICML, NeurIPS, ICLR, ACL, AAAI, KDD, SIGIR, WWW. Selain itu, secara berterusan bekerja sama secara mendalam dengan perusahaan-perusahaan seperti Baidu, Alibaba, Tencent, Meituan, ByteDance, Didi, Huawei, dan OPPO, mendorong penerapan teknologi model besar, reka bentuk mekanisme, dan keputusan agen jamak dalam skenario nyata berskala miliaran pengguna dalam bidang-bidang inti seperti iklan daring, pemasaran cerdas, pengoptimuman kupon, dan pertumbuhan pengguna.

Laman utama: https://ai.ruc.edu.cn/szdw/zrjs/qq/index.htm

Rujukan

1. Pew Research Center, pengguna Google kurang cenderung mengklik pautan apabila ringkasan AI muncul dalam hasil, 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. Pusat Bantuan OpenAI, Iklan di ChatGPT, diakses pada 2026-09-04: https://help.openai.com/en/articles/20001047-ads-in-chatgpt

3. Google Ads & Commerce, Lebih Banyak Peluang untuk Perniagaan Anda di Google Search, 2025-05-21: https://blog.google/products/ads-commerce/google-search-ai-brand-discovery

Artikel ini berasal daripada akaun微信公众号 "Mesin Jiwa"

Penafian: Maklumat yang terdapat pada halaman ini mungkin telah diperoleh daripada pihak ketiga dan tidak semestinya menggambarkan pandangan atau pendapat KuCoin. Kandungan ini adalah disediakan bagi tujuan maklumat umum sahaja, tanpa sebarang perwakilan atau waranti dalam apa jua bentuk, dan juga tidak boleh ditafsirkan sebagai nasihat kewangan atau pelaburan. KuCoin tidak akan bertanggungjawab untuk sebarang kesilapan atau pengabaian, atau untuk sebarang akibat yang terhasil daripada penggunaan maklumat ini. Pelaburan dalam aset digital boleh membawa risiko. Sila menilai risiko produk dan toleransi risiko anda dengan teliti berdasarkan keadaan kewangan anda sendiri. Untuk maklumat lanjut, sila rujuk kepada Terma Penggunaan dan Pendedahan Risiko kami.