大模型和AIGA在营销领域的应用与未来发展

ChatGPT 背后能力的应用，并不仅局限于 AIGC 领域。AIGC 仅仅聚焦于机器与人的交互问题，如语言交互、视觉交互等。而面对机器控制、群体协作、业务规划等系统决策性的问题，AIGC 是无法解决的。因此，围绕其核心技术 - 生成式大模型，已出现了 AIGA(AI Generated Actions)，AIGS(AI Generated Software) 等一系列衍生概念。

那么，什么是 AIGA 呢？AIGA 指的是由人工智能（AI）生成的行动。如果拿人来比喻，AIGA 就像是人类大脑的一个决策中枢，根据输入的信息和经验规则，生成具体的行动方案。与人类大脑类似，AI 也可以通过不断学习和优化，不断提高其生成行动的准确性和效率。例如，当人类大脑接受到刺激（例如看到一只猫），大脑会自动判断这是猫，并生成相应的行动（如拍照或抚摸猫）。同样，当 AI 接收到输入的数据（如图像），它也可以自动地识别图像中的物体，并生成相应的行动（如自动驾驶汽车的控制）。尽管 AIGA 的操作是由 AI 自动生成的，但其结果通常需要经过人类审核和监督来确保其正确性和安全性，就如同人类的行动也需要遵循规则和道德准则一样。随着数据、算法和算力的不断发展，如今的大模型越来越强大，它不仅可以准确识别用户的需求，同时也能基于其学习到的海量数据生成更准确的内容或方案。然而，如何将生成的内容和系统决策指令对齐，让系统更好的执行动作，才是 AIGA 要去解决的关键问题，也是构建产业顶级 AGI 能力最重要的一环。

由于大模型在逻辑推理、任务规划方面能力的涌现，越来越多的研究人员开始关注 Action 的生成。在营销领域，AIGA 技术可以对软件工具进行重新的赋能，例如帮助营销人员制定目标、策略和流程，对营销活动进行自动化管理等。这些原本由企业员工去执行的动作，演变成由大模型，即智能体去自动化的执行。

因此，AIGA 将是新一代决策系统的趋势，不仅可以减少设计和执行方案的时间和人力成本，还能够提高执行方案的准确性和效率。

生成式大模型已经成为各领域实现复杂任务的重要工具之一。而在实际应用中，如何驱动软件执行也显得尤为关键。对此，下文将从四个主要步骤进行详细介绍。

首先，大模型的驱动过程以任务规划为开始，制定好任务后再进一步进行模块的规划和设计。这个步骤非常关键，需要考虑到整个系统中所有模块、任务的顺序和关系，任务规划的好坏直接关乎整个程序执行的效率和准确度。

接下来是模块唤醒，它指的是根据任务规划中的先后顺序，逐个调用模块，让整个大模型逐步“唤醒”。这个步骤包括模块的初始化和参数的配置，并且需要对模块的运行状态进行实时监测，以确保程序的稳定性和可靠性。

第三个步骤是模块执行，即各个任务执行完毕后，模块进行具体的执行工作。在这一步骤中，模块需要对大量数据进行处理，从而实现任务的完成。同时，模块需要结合任务规划中的指令来调用其他模块，并及时反馈执行结果给调用方。

最后一个步骤是回答生成，它是整个大模型执行过程的精华所在。当模块执行完毕后，需要根据任务规划中的指令，按照一定的方式对数据进行处理、分析，最终生成输出结果。这个过程非常复杂，需要考虑到数据处理的效率和准确度。

总而言之，大模型如何驱动软件执行，是一个极为复杂和系统的过程。只有针对每一个步骤进行严格的规划和监测，才能够确保整个程序的效率和准确性。

结合过去在金融和零售领域的经验，李飞博士所在的数势科技团队将生成式大模型驱动企业经营的四要素总结提炼出来，并以大模型作为自动驾驶舱，实现“目标拆解”、“分析诊断”、“策略制定”和“迭代优化”四个核心要素（GASO 模型）的全流程闭环，提高人员的使用效率，进而提高企业经营效率。这是营销产品和大模型在底层方法论的融合。

首先是制定目标，确定决策的标准。具体指企业营销团队如何联动公司今年的 OKR 或 KPI 制定营销活动的目标，并基于目标的制定和拆解，设计相应的衡量指标，指导后续数据分析和策略的制定。

第二步是分析，洞察数据背后的业务规律。这一步需要基于目标，对当前业务进行全面的分析，挖掘业务异常原因，并预测业务发展趋势。

第三步是制定策略，设计和选择合理的具体方案。基于目标和分析结果，结合人类知识经验和人工智能算法模型，来制定合理的行动方案。

最后是优化，即根据策略后数据的实时反馈进行策略优化。在这一步，全面的 AB 测试以及实施的数据采集和分析必不可少，它们让每一次行动都能迅速全面地得到反馈和优化。通过这一步我们能够获知这一场营销策略执行的效果到底和最开始制定的目标之间多大差距，那么团队又需要通过什么样的优化手段，如工具或模型，来进行弥补，让策略能够不断迭代，缩小最终效果与目标之间的差距。

企业若能够研发基于大模型的智能决策引擎，在引擎的最下层，需要包含数据智能处理中枢、智能规则中心、垂域模型中心、公有大模型服务中心和运行监控中心等模块，通过联动，形成基于大模型的自动驾驶舱，将这些模块有机地结合，形成用户智能、分析智能以及策略智能的 AI 能力，再向上赋能到具体的行业应用，智能地服务到各个业务场景。

具体实现来讲，在构建基于大模型的自动驾驶舱之前，需要在以下四个方面进行细化，即产品信息补全、Prompt 设计、意图规划和知识库构建等。

产品信息补全：补全功能和规则信息并“喂”给大模型，帮助大模型对齐和理解使用意图，示例如下：

Prompt 设计：包括页面当前信息、用户角色信息以及用户需达成的目标、任务和示例信息，即 Context+Role+Goal+Example；

意图规划：由于大模型的上下文字数限制，我们可以设计一套基于产品模块和页面的意图分级模型，然后在判断用户在当前模块输入的内容意图时，进行一轮初筛，以便于模型能够更精准的判断其意图类别；

知识库构建：主要是指私域知识库的构建，通过大模型将已有营销领域专家的知识和常见策略形成知识库，用于模型理解调用，示例如下：

AIGA 在营销领域的应用将赋能策略编排，具体实践路径分为“辅助驾驶”和“自动驾驶”两个阶段。“辅助驾驶”是通过大模型的能力简化了传统的构建策略画布的步骤，由过去通过业务人员手动拖拉拽各类控件构建方法，升级为通过对话交互式方式，自动转化生成策略组件和逻辑，再按需微调控件内容，提升策略画布生成效率。而未来，大模型将基于数据工程、知识工程和算法工程能力，赋能策略自动生成和编排，实现业务人员通过语义描述某一行业下的营销策略，即可实现端到端的智能化策略画布生成，并支持微调策略画布的复杂程度和具体控件内容，如自动填充零售行业和金融行业的文案内容，更高效地触达客户。具体步骤如下：

数势科技的营销云则是一个很好的案例，通过大模型赋能，产品交互变得更加简单，能够在人群圈选、人群分层、物料匹配、渠道选择和文案生成等方面实现营销链路自动闭环，降低运营人员使用成本。比如，数势科技智能营销云不但能够通过规则或者私域算法圈选触达人群包，还能够通过大模型去判断适合的人群包，然后自动去填充到营销控件中，并匹配合适的物料和触达渠道。值得注意的是，针对某一具体的垂直行业营销，如零售和金融行业，数势科技营销云也结合业务知识，不断完善知识库搭建，提升大模型赋能下的策略生成精准度。

接下来要分享的是大模型在某证券公司的落地应用案例。金融领域的大模型应用，解决数据安全问题是第一要义。因此，数势科技营销云的大模型应用，会做非敏感数据和敏感数据的区分，针对于资讯内容等非敏感的数据，可以直接用 API 的方式赋能，降本增效；而对于敏感数据的查询和分析，如涉及到用户数据和公司内部数据，数势科技会基于开源模型的微调和生态合作伙伴的模型裁剪，以私有化的方式进行部署，以实现大模型提效的目标。此外，针对输入数据和生成数据分别会做敏感性过滤和合规性识别等。总的来说，业务问题的端到端解决并不单纯依赖于一种模型的解决方案。

虽然大模型在营销领域的应用和探索进行得如火如荼，但当前我们确实面临着一些问题。譬如，大模型在和产品交互的过程中次数普遍多，效率较低，成本较高，那么如何减少模型交互次数，提高生成性能是亟待解决的问题；另外，大模型的通用属性较高，如何进一步与细分场景结合下钻，提升行业效率是另一个问题；最后是关于知识产权和数据安全，如何更全面地实现敏感性和合规性过滤，防止模型中的内容或是生成给到客户的内容涉及敏感和合规的问题也值得重视。

但我们可以相信的是，大模型 /AIGA 在营销领域应用的未来发展值得期待。在针对 B 端用户的应用方面，大模型未来将能够提供更加细致入微的客户洞察、灵活的营销策略设计体验以及及时主动的指标响应机制；对于 C 端应用，它也将为客户带来高度定制化的客户体验、顾问式智能服务模式以及极简交互方式，从而带来强大的品牌忠诚度；在技术革新和行业发展方面，它也将让多模态行业模型的行动成为可能，甚至推动行业标准的重新定义，释放营销人员效能，让专业的人更加专注创造性、创新性的内容生产，实现营销效率的大幅提升。

李飞博士，数势科技算法专家。负责数势科技智能算法的开发，包括内容推荐，文本生成，知识图谱挖掘等算法技术。英国纽卡斯尔大学博士，在智能算法领域学术与工作经验丰富。在学术研究方面，拥有 10 项智能算法相关专利并发表 4 篇国际期刊，也曾主导由欧洲玛丽居里计划资助的国际项目，在研究期间，共发表了 3 篇期刊文章、1 篇会议文章和 1 篇 Chapter；在工作方面，曾就职于京东零售数据中台，负责人工智能技术在营销领域的相关落地，多次获得优秀员工及集团战略项目奖。QCon 广州 2023 演讲嘉宾。