10月11日，明略科技集团副总裁、大模型基础架构负责人何敏，在2024第八届营销科学大会上了发表《生成式营销必备的体系架构思维和前沿方向》主题演讲，深入分享了生成式营销落地的六个体系架构思维与三个前沿方向。

本文目录如下：

01 生成式营销落地的六个体系架构思维：

• 架构思维一： 知识合库还是分库？
• 架构思维二： 长文本还是检索增强问答？
• 架构思维三： 思考系统的切换还是延续？
• 架构思维四： 黑盒分析还是白盒分析？
• 架构思维五： 先规划平台还是单点应用？
• 架构思维六： 分析重要还是生成重要？

02 生成式营销的三个前沿方向：

• 前沿方向一： 结果监督维度的丰富性
• 前沿方向二：基于过程监督奖励的验证器（Verifier）与最优过程探索策略
• 前沿方向三：自学推理过程，将推理的思维内隐化到模型中

01 生成式营销落地的六个体系架构思维

过去一年，很多企业做了大量尝试，我们和企业交流时发现一个问题：做demo的时候“一马平川”，一周就可以出效果，但真正落地的时候“举步维艰”，半年都上不了线。为了解决这类问题，大家的共识是：生成式营销的落地需要体系架构思维。

体系架构思维一： 知识合库还是分库？

在人人都可以搭建大模型智能体的时代，上传一个产品文档，写一个prompt，大模型的回答可以做到精准无比。当产品从一个变成十个时，大模型就从精准无比变成了胡言乱语。这是什么原因造成的呢？

一句话概括，信息浓度决定问答准确率。

只有一个产品时，单一产品信息浓度是100%；十个产品时，单一产品信息浓度会被稀释为10%。当问到A产品信息时，其它产品还会来“捣乱”，大模型的准确率自然而然就下降了。

通过上面的例子，我们可以思考，精准问答场景，适合采用合库思维，还是分库思维？

合库思维是指把所有的产品放到一个知识库；分库思维是指把A产品放在A的知识库，B产品放在B的知识库，A产品的问题到A知识库找，B产品的问题到B知识库找。显然，分库思维更适用于精准问答场景。

当品牌方进行双十一活动策划时，需要用到各种知识库，比如秒针系统有Media的知识库，Social的知识库，电商、私域、线下广告的知识库。合库思维更适用于创意探索场景，更容易找到创新点，生成的报告也会更加完整。

总的来说，数据的组织形式，决定了业务效果。

 体系架构思维二：长文本还是检索增强问答？

与此同时，数据的提取形式，也决定了业务效果。

以知识问答为例，一种方式是长文本问答，另一种方式是检索增强问答。

长文本问答，指把100页的文档丢给大模型直接回答；检索增强问答，指从100页的文档中提取2页与问题相关的信息丢给大模型。如何在这两种方式中选择？主要依赖于企业的业务场景。

长文本问答方式，更适合全文总结场景。比如总结100页文档的核心信息，或分析本周周报与上一周相比的进展。

检索增强问答方式，则适用于精准问答。比如100页的产品手册中包含产品介绍、功效、使用方法、原理、注意事项、售后服务等。当用户咨询产品功效时，只需找到相关的2页丢给大模型，无需阅读100页。它的优点是准确率更高，且成本更低。因为如果阅读100页信息，其它98页对相关的2页内容反而会产生干扰。

体系架构思维三： 思考系统的切换还是延续？

提到思考系统，我们可以联想到最近爆火的OpenAI o1模型。OpenAI o1模型在美国数学奥林匹克 (AIME) 预选赛中跻身美国前500名学生之列，在竞争性编程问题（Codeforces）中百分位排名是89%，并在物理、生物和化学问题 (GPQA) 基准测试中超越人类博士级水平。

为什么它会获得这样好的成绩？原因是o1采用了体系思考的模式。在训练与推理阶段，思考计算的时间越长，模型的准确率就会越高。

同时，o1模型的发布将《思考：快与慢》这本书带入大众视野。书中提到人类有两种思考模式，分别是系统1和系统2。系统1指的是快思考，类似于直觉思考；系统2指的是慢思考，是有意识、深思熟虑的思考。就像我们解最后一道数学大题时，要理解问题、分析问题、拆解步骤，进行推理，才能得出答案。

接下来，我们就来介绍与思考系统相关的体系思维。

还是从最简单的选择题开始。让大模型执行分类任务，判断帖子属于ABCD哪一类，是做大模型应用的常见问题。

通过实验，我们发现一个非常有趣的现象：如果先选择结论后分析原因，大模型的答案往往飘忽不定，结论选A，分析后的答案选C；如果先分析原因后选择结论，分析与结论往往一致。这是什么原因造成的？

回到刚才提到的思考系统，人类在做一道选择题时，系统1的思维模式是下意识地先给结论，告诉你这道题肯定选A；当我们采用系统2的思维，一步步拆解后会发现答案应该选C。

所以结论的不一致是因为我们的大脑进行了系统1与系统2思维模式的切换。大模型也是类似的道理。基于分析给出结论，答案的一致性、可靠性会更好，因为始终处在同一个系统思维模式里。

 体系架构思维四： 黑盒分析还是白盒分析？

我们经常收到企业市场部的需求，洞察100篇帖子中的内容策略。最简单的做法是黑盒分析，把这些帖子都丢给大模型。这样做的好处是速度快，可以做定性分析；缺点是可解释性较差，难以给出结论背后的原因。

另一种做法是白盒分析，同样把100篇帖子丢给大模型，但不输出总结，而是先输出ABCD等所有特征，然后通过小模型采用聚类分析的方法统计ABCD哪些权重更高，最后再输出内容策略。白盒分析的好处是可解释、可回溯。大模型给出的结果基于ABCD权重最高的元素而产生，并且还能找到ABCD的原帖进行分析。因此，白盒分析更适合做定量、可解释、可回溯的分析。

 体系架构思维五：先规划平台还是单点应用？

前面我们讲到数据的组织形式、提取形式决定了业务的最终效果。同样地，只有确定了业务目标，才能更好地定义效果、数据与训练方法。所以，业务优先、目标优先，是更加落地的方式。相比平台式的规划，在实战中，我们通常建议企业优先选择单点。

在帮助企业客户落地的过程中，我们有四层单点应用的业务目标。

• 第一层是元素解析，基于视频、图片、文本解析出素材中的客观元素与主观情感；
• 第二层是角度探索，挖掘社媒热点、总结内容核心信息等等；
• 第三层是策略生成，不仅可以应用于营销内容生成，还可以应用于选品、产品研发策略制定等等；
• 第四层是内容生成，即AIGC，包括文案、图片、视频等多种内容形态。

体系架构思维六：分析重要还是生成重要？

上午场明略科技集团创始人、董事长兼首席执行官吴明辉提到了奥运营销大学生素人发帖的例子，这些学生利用明略科技提供的SocialGrow、SocialX、小明助理等AI工具，通过挖掘奥运热点来指导创作方向，在生成海量内容后，从中挑选出优质帖发布，并进行了监测与调优，形成了一个正向的创作循环。

整个过程共计发布了1237篇帖子，总互动量23万+，爆帖率15%。值得注意的是，一些学生的粉丝只有几十个，但小红书单帖互动最高做到了7万+，抖音单帖最高互动做到了6000+。

通过上面的例子可以看出，分析和生成结合起来更重要。分析的产出可以作为生成的输入，带来更好的内容效果。这也是InsightFlow CMS（洞察驱动的内容管理平台）背后的思考逻辑。

02 生成式营销的三个前沿方向

生成式营销有很多前沿的研究主线，其中一条，我们可以沿着OpenAI o1模型的思路进行探索。o1的发布引用了OpenAI的一篇文章《Let’s Verify Step by Step》。这篇文章提出了两种奖励机制，结果监督的奖励机制和过程监督的奖励机制。

通过这两种奖励机制，o1模型在数学领域有了大幅提升。我们认为，这两种监督奖励方式对生成式营销的研究也有启发。围绕这个思路，我们将阐述以下三个生成式营销的前沿研究方向。

生成式营销前沿方向一： 结果监督维度的丰富性

这一研究方向主要借鉴明略科技在ACMMM，以及Adobe在ICLR人工智能顶会发布的论文，阐述未来大模型输出结果的丰富性。

目前，大模型输入的内容形态有视频、语音、文本，输出的主要是文本，未来在营销领域会有怎样的变化？

1. 输入层引入圈层人群，例：提问不同圈层的群体对同一广告视频、短剧是否感兴趣？
2. 输出层引入感观指标，例：包括脑电、眼动等指标，比如25岁的年轻人观看短剧后是否感兴趣，脑电波是否有波动，眼睛主要关注哪几帧画面？
3. 输出层引入效果指标，例：不同类型受众对广告视频的点击率与完播率如何？

通过引入感观指标、效果指标，我们在丰富大模型输出维度的同时，还可以辅助企业优化内容策略。

生成式营销前沿方向二： 基于过程监督奖励的验证器（Verifier）与最优过程探索策略

这一方向主要借鉴Google DeepMind 8月发表的两篇文章。

基于过程监督奖励的验证器，类似妈妈陪我写作业场景。相当于在生成大模型Generator的基础上（想象成“孩子写作业大模型”），引入一个新的大模型Verifier（想象成“妈妈陪读大模型”）。这个Verifier盯着Generator输出时，不仅看结果，还能指出每一步的对错。因此，基于Verifier的过程监督，生成大模型Generator的成绩就很容易得到提高。

什么叫作最优过程探索策略？

举个例子，生成大模型Generator这个“孩子”解不出题，困在迷宫里了，怎么办？可以一下子变成七个葫芦娃兄弟分身，用不同的思路去解。最厉害的是它还结合了“妈妈陪读大模型”Verifier，可以监督每一步，帮助孩子在迷宫里找到最优策略。打个比方，大娃走了这条路走不通，妈妈就可以告诉二娃，这条路走不通了，继续找新的路，直到七娃最后走出迷宫，这就是最优解。

应用到营销领域，这个Verifier相当于营销策划的智囊团，当营销的Generator提供各种营销策划方案时，Verifier可以帮助我们验证营销的策略、数据、逻辑关系等，同时找到最佳的营销策略或方法。比如一笔预算到底选哪些渠道，哪类圈层人群，采用何种内容策略，有成千上万种组合，可以在ROI里找到最优的路径。

生成式营销前沿方向三：自学推理过程，将推理的思维内隐化到模型中

这一方向主要借鉴斯坦福大学的STaR和Quiet-STaR两篇文章。STaR是Self-Taught Reasoner的缩写，是自学推理过程。

我们继续前面的比喻，妈妈陪我写作业写了1亿次，我变成葫芦娃兄弟走迷宫走了1亿次，我们便积累了1亿次的自我反思以及1亿次多角度探索的过程经验数据。我们可以使用这些过程数据，用来训练大模型Generator，提升“孩子”的体系思考能力。当生成大模型自己学会独立思考之后，就不需要妈妈指导，不需要其他六个兄弟同时做好多遍题找最终的答案，而是在每次解题过程中进行自我反思和多角度思考，再输出最终答案。这个过程我们称作思维的内隐化，它形成的思维链叫作隐式思维链。再通俗一点，这就是内功心法的修炼过程。

应用到营销领域，营销大模型可以学习行业和企业的各种决策经验，包括各种A/B Test经验数据，从而给出更加落地的答案。此时的大模型就像沉淀了行业最佳实践、企业多年实战经验和体系架构思维的扫地僧，即使简单输出几十token，实际上威力无穷、效果炸裂。因为每一个token输出的背后都进行了大量思考和计算，其他大模型难以与之相比。类似奥运营销发帖的例子，素人大学生在体系思考的大模型内功心法加持下，也能一招打出成千上万的互动效果。

内力凝精髓，普招也暴击！