大模型時代廣告人坑位要保不住了？
生成式AI測評系列研究一 大模型時代廣告人坑位要保不住了？ 我們問了大模型50個關(guān)于媒介策劃的問題 2022年11月，OpenAI發(fā)布了GPT3.5，引發(fā)了行業(yè)的震動。2023年3月，GPT更新至功能更強(qiáng)大的GPT4.0，大模型所表現(xiàn)出的包括翻譯、編程、寫作、對話等在內(nèi)的出眾能力被期待能應(yīng)用于生產(chǎn)力輸出。同一時間，國內(nèi)各科技公司相繼發(fā)布類ChatGPT產(chǎn)品，3月16日，文心一言發(fā)布，并開始內(nèi)測。緊隨百度之后，阿里巴巴上線通義千問，訊飛上線訊飛星火，商量、天工等國產(chǎn)大模型紛紛宣布自己的產(chǎn)品計劃。 面對來勢洶洶的AI工具，大部分廣告人瑟瑟發(fā)抖，唯恐自己坑位不保，那么當(dāng)下的AI真的可以取代打工人嘛？如果不能取代，品類繁多的AI工具又能在多大程度上提升打工人的產(chǎn)出效率呢？ 基于此背景，我們向五家主流大模型（GPT、文心一言、訊飛星火、天工、通義千問）提出了50個關(guān)于媒介策劃的問題，針對AI大模型在品牌營銷與廣告業(yè)務(wù)上的能力進(jìn)行測試，試圖了解大模型時代下，AI將如何賦能營銷？該研究計劃將以三篇公眾號圖文的篇幅為大家展開解讀，敬請期待。 大模型時代，AI如何賦能營銷 要了解“AI將如何賦能營銷？”，我們首先要了解人工智能技術(shù)的底層邏輯，并辨析什么是“智能”，一般認(rèn)為智能是知識和智力的總和，前者是智能的基礎(chǔ)，后者是指獲取和運用知識求解的能力。由此解釋我們可以了解到，目前所認(rèn)知到“智能”包含了廣義上的“輸入”與“產(chǎn)出”兩個重要環(huán)節(jié)，而從“輸入”走向“產(chǎn)出”的過程又可進(jìn)一步區(qū)分為“處理”與“分析”。而基于認(rèn)知的不斷拓展與延伸，“優(yōu)化”作為產(chǎn)出后的后續(xù)環(huán)節(jié)被不斷激活，以促使智慧水平的創(chuàng)新迭代。至此，我們獲得了“輸入→處理→分析→產(chǎn)出→優(yōu)化”的完整智能邏輯序列。 在邏輯序列不斷推進(jìn)的過程中，人類認(rèn)知水平從“客觀解釋”走向“主觀洞察”，無序的材料與數(shù)據(jù)，經(jīng)由處理進(jìn)階為具有組織性與邏輯性的信息，而在進(jìn)一步的分析后，具有概括性與規(guī)律性的知識應(yīng)運而生，最終，智能邏輯序列驅(qū)動人類認(rèn)知走向智慧層級。
人工智能的底層技術(shù)邏輯是對于人類智能邏輯序列的模仿與提效。人工智能通過龐大的知識庫積累進(jìn)行輸入，后續(xù)通過算力實現(xiàn)大規(guī)模的信息處理，經(jīng)由“算法”實現(xiàn)對既有信息的分析，繼而推動序列向“產(chǎn)出”環(huán)節(jié)遷移。
由此，當(dāng)我們代入營銷場景，便能更好理解“AI將如何賦能營銷？”的問題。以品牌策略為抓手，我們需要在邏輯序列的上游厘清媒介理解、人群洞察和品牌環(huán)境三個重要維度的客觀事實，而AI大模型作為“智能化工具”，可通過公開資料的收集，既有數(shù)據(jù)的分析等等方式推動邏輯序列從“無序”走向“有序”，基于有組織的信息與規(guī)范的專業(yè)知識，產(chǎn)出品牌策略，并通過反饋機(jī)制不斷優(yōu)化迭代。
而受限于當(dāng)下人工智能的發(fā)展水平，“人機(jī)協(xié)同”仍在序列的各個環(huán)節(jié)發(fā)揮著重要的作用。在實際的品牌營銷場景測試中，不論是“品牌材料的補(bǔ)充”，還是對“市場分析的邏輯矯正”，以及對“大模型產(chǎn)出營銷方案的反饋”等等，交互人對大模型的輔助都在很大程度上影響著大模型的產(chǎn)出質(zhì)量與優(yōu)化創(chuàng)新。
基于對人工智能技術(shù)與時興的大模型底層邏輯的認(rèn)知與理解，群邑智庫進(jìn)一步落地了AI大模型在營銷場景下的應(yīng)用，總結(jié)了檢索歸納、代碼編輯、英語翻譯、邏輯分析、文案寫作與學(xué)習(xí)更新的大模型6大營銷應(yīng)用場景。
01、檢索與歸納
Chat+Search=新搜索效率工具？
作為PC時代的流量入口，在移動數(shù)字媒介穩(wěn)健發(fā)展的當(dāng)下，“搜索+”的概念被反復(fù)提及。區(qū)別于移動端主流的信息流分發(fā)模式，搜索往往被認(rèn)為是針對性更強(qiáng)，也更接近消費者決策鏈路后端的分發(fā)模式。那么，風(fēng)頭正勁的“AI大模型”又會給搜索注入哪些新的亮點。經(jīng)過測試，我們總結(jié)了“Chat+Search”的三大使用模式。
針對性搜索
基于大模型高質(zhì)量的語義交互功能，大模型能向用戶反饋針對性更強(qiáng)的搜索結(jié)果，比如在特定的辦公場景下，可以針對性地向大模型提出檢索需求，具體到獲取信息的平臺：
2020年中國的廣告投放量是多少？請你多方查找，匯總幾個不同數(shù)據(jù)來源的估算值，并標(biāo)注數(shù)據(jù)來源和相關(guān)網(wǎng)頁鏈接，整理成表格的形式。
– 點我一下，看看AI怎么回答 –
通過測試我們發(fā)現(xiàn)，雖然大模型能依據(jù)“交互人”的需求，以符合要求的格式反饋相關(guān)數(shù)據(jù)表格，但當(dāng)我們想要通過大模型給到的鏈接對數(shù)據(jù)進(jìn)行復(fù)核時卻發(fā)現(xiàn)大部分鏈接均無法打開，對數(shù)據(jù)真實性的考證亦無從下手。
理解性搜索
針對搜索到的數(shù)據(jù)，可要求大模型就數(shù)據(jù)進(jìn)行簡單總結(jié)與分析，以提升閱讀分析與理解數(shù)據(jù)的效率。
比如：請以表格的形式匯總近30年，上海、北京、廣州、深圳與中國的GDP總量，并分別計算以上城市GDP總量對全國的占比。
就以上數(shù)據(jù)檢索與分析結(jié)果，我們進(jìn)行多維度測評發(fā)現(xiàn)，雖然大模型給出的數(shù)據(jù)分析文本邏輯通順連貫，能就數(shù)據(jù)給出一定的歸納總結(jié)。但通過與公開數(shù)據(jù)的復(fù)核我們發(fā)現(xiàn)，數(shù)據(jù)存在明顯錯誤，甚至因此影響了數(shù)據(jù)分析的洞察，比如近30年來，上海的GDP一直領(lǐng)先另外三個城市，并未出現(xiàn)答案反饋的2000年前北京領(lǐng)先上海的情況。
除了前文提及的搜索信息準(zhǔn)確性不足之外，大模型的檢索范圍同樣存在問題。根據(jù)公開信息，在五家測試模型中，僅文心一言與訊飛星火可免費接入互聯(lián)網(wǎng)，具備檢索即時信息的技術(shù)基礎(chǔ)。而其余大模型仍主要采取“知識庫檢索”，即信息獲取范圍僅局限于知識庫，不具備獲取當(dāng)下及知識庫外信息的能力。同樣受限于知識庫范圍，部分海外大模型也無法準(zhǔn)確檢索特定中文內(nèi)容。這在很大程度上局限了“Chat+Search”模式的可用性。
而另一個突出的問題是互聯(lián)網(wǎng)上的大部分信息不是文本式的，當(dāng)下的AI技術(shù)對人類的微妙情緒與承載信息量更為多元的視頻畫面解讀能力不足，這也導(dǎo)致了AI檢索內(nèi)容的偏差。
總之，AI大模型所帶來的新生態(tài)確實為眼下互聯(lián)網(wǎng)的信息分發(fā)模式提供了新路徑，具有大范圍提升用戶獲取信息效率的潛力。但在具體的測試過程中，我們發(fā)現(xiàn)大模型對部分專業(yè)問題與垂類內(nèi)容檢索存在局限。
02、代碼編輯
再也不用為了兩行代碼加班加點？
“代碼編輯”已成為眼下日常辦公的剛需，大部分廣告人雖然不是專門的程序員，但若具備簡單的代碼能力也能在批量操作、數(shù)據(jù)分析、內(nèi)容分揀等場景下提升產(chǎn)出效率。
從大模型的產(chǎn)品介紹來看，基于對話語言交互模式，通過用戶對特定代碼場景的語言描述，就可以讓大模型產(chǎn)出可實現(xiàn)相關(guān)需求的代碼，并可以通過多次交互，對代碼進(jìn)行訂正修改。那么，在代碼編輯上，大模型真正落地了“哪里不會，點哪里”的代碼產(chǎn)出傻瓜模式了嗎？就此，我們以excelVBA代碼為例進(jìn)行了測試。
幫我寫一個excel VBA的代碼：
你將獲得一個excel，里面包含幾個sheet，每個sheet的A列都有包含“回想的信息渠道 by Header-交叉”和包含“影響的信息渠道 by Header-交叉”內(nèi)容的單元格，我們分別稱其為“回想單元格”與“影響單元格”。我需要你在每個sheet內(nèi)找到這兩個單元格，并找到以“回想單元格”為第一行，以“影響單元格”為最后一行的區(qū)域，選中對應(yīng)區(qū)域的AB列內(nèi)容，并將他們?nèi)恳来螐?fù)制到一個新的sheet中，并在C列備注內(nèi)容來源sheet的名稱。
通過對五家主流大模型的“代碼能力”測試，我們發(fā)現(xiàn)就上述需求而言，僅一家能實現(xiàn)代碼產(chǎn)出的一次成功，即能夠輔助完全不具備代碼能力的同事實現(xiàn)相關(guān)需求。而更多的大模型，僅能給出實現(xiàn)需求的代碼語言框架，需要針對產(chǎn)出代碼進(jìn)行反復(fù)的訂正修改，才能實現(xiàn)需求場景。也就是說，在“代碼編輯”的人機(jī)交互場景下，與大模型交互的人必須具備相當(dāng)?shù)拇a語言基礎(chǔ)，具有對大模型產(chǎn)出代碼查漏補(bǔ)缺的能力才能實現(xiàn)產(chǎn)出。而同樣，對代碼需求的描述也非?？简灐敖换ト恕钡恼Z言表達(dá)與對相關(guān)代碼語言的掌握能力。
除此之外，我們還測試了大模型對專業(yè)統(tǒng)計工具spss的代碼輔助情況，我們發(fā)現(xiàn)受限于工具的專業(yè)性，所有參與測試的大模型均不具備syntax指令的撰寫能力，部分平臺能在“交互人”給到相關(guān)需求的正確指令后，通過模仿與學(xué)習(xí)反饋syntax語句，但語句仍無法直接支持產(chǎn)出相關(guān)數(shù)據(jù)處理結(jié)果。
總的來說，大模型對代碼編輯的整體提效的效果不如熟練掌握相關(guān)技能的專業(yè)人才。
以上就是本周的“AI大模型賦能營銷”系列研究的全部內(nèi)容。綜上所述，眼下時興的人工智能大模型依循“輸入→處理→分析→產(chǎn)出→優(yōu)化”的智能邏輯序列。人工智能的底層技術(shù)邏輯是對于人類智能邏輯序列的模仿與提效。而就檢索歸納的應(yīng)用場景來看，“Chat+Search”不論是作為信息分發(fā)模式，還是作為檢索信息的效率放大器都具備相當(dāng)?shù)陌l(fā)展?jié)摿?。同樣，在代碼撰寫上，大部分情況下大模型僅能架構(gòu)需求實現(xiàn)的代碼語言框架，還不能一步到位地直接產(chǎn)出代碼。大模型對代碼編輯的整體提效的效果不如熟練掌握相關(guān)技能的專業(yè)人才。
總體來看，受限于當(dāng)下AI大模型“語料不足”的客觀事實，大模型對專業(yè)問題與垂類內(nèi)容檢索與產(chǎn)出存在局限與偏差。因此，我們可得出的結(jié)論是，雖然當(dāng)下的AI技術(shù)已獲得了跨越式的進(jìn)步，但在營銷場景下的專業(yè)應(yīng)用仍有待時日。
想了解更多網(wǎng)絡(luò)營銷的內(nèi)容，請訪問：網(wǎng)絡(luò)營銷
