文|FBIF食品飲料創(chuàng)新 Viola

做出一款爆品有多難？

對于很多品牌來說，這是一個(gè)一問就會(huì)有一把辛酸淚的問題。花了大量時(shí)間心血精心開發(fā)的產(chǎn)品進(jìn)入市場后卻沒有一點(diǎn)水花；花了很多錢做投放，銷售額還沒成本高；其他產(chǎn)品莫名其妙火了卻因?yàn)閭湄洸粔蝈e(cuò)過流量；上個(gè)月流行的趨勢下個(gè)月就過氣，上產(chǎn)品的速度趕不上熱點(diǎn)過氣的速度......在現(xiàn)在想要找到一個(gè)不“卷”的賽道很難，產(chǎn)品同質(zhì)化嚴(yán)重、消費(fèi)者注意力分散，創(chuàng)新還能怎么做？

我們或許可以從AI身上尋找到新的解決方案。

過去幾十年，每次AI都是靠擊敗人類出圈。但到了2023年，AI的出圈方式卻是靠“生成內(nèi)容”與人協(xié)作。

現(xiàn)在的生成式AI不僅有像ChatGPT一樣可以與人對話的，快速生成包裝創(chuàng)意的Midjourney，還有可以根據(jù)概念和關(guān)鍵詞生成一百多種產(chǎn)品配方的N-Wing Star......

不僅如此，在生成式AI的協(xié)助之下，E=MC2也被重新定義為了個(gè)性化新消費(fèi)時(shí)代，收益屬于那些能夠持續(xù)有效洞察和滿足用戶需求的企業(yè)。對于食品品牌來說，E代表企業(yè)的收益(Earning)，M是商品(Merchandise)，C就是消費(fèi)者(Customer)。而C2則代表了消費(fèi)者在產(chǎn)品創(chuàng)新和終端購買的雙重影響力——根據(jù)目標(biāo)消費(fèi)者喜好設(shè)計(jì)產(chǎn)品，再把產(chǎn)品賣給目標(biāo)消費(fèi)者。

人貨場的關(guān)系或?qū)⒃谏墒紸I的迭代中被改寫。這可能是顛覆性變革的開始，命運(yùn)的齒輪從此開始轉(zhuǎn)動(dòng)。

生成式AI是怎么做到的？品牌應(yīng)該如何與AIGC磨合？我們一起從下文探索。

一、像“人”一樣思考的AIGC，都有哪些能力？

2016年，銜遠(yuǎn)科技創(chuàng)始人周伯文博士在IBM紐約總部提出人工智能應(yīng)分為狹義人工智能、廣義人工智能以及通用人工智能三個(gè)階段。而這三個(gè)階段分別代表的是人工智能不同的學(xué)習(xí)能力。

在狹義人工智能時(shí)代，企業(yè)使用各種小模型（比如神經(jīng)網(wǎng)絡(luò)）為實(shí)際工作提供的幫助是建立在大數(shù)據(jù)基礎(chǔ)上的分析預(yù)測（高度受監(jiān)督）。它的優(yōu)勢在于人類永遠(yuǎn)可以清晰地知道這個(gè)人工智能模型能做什么以及不能做什么。食品飲料行業(yè)很早就在使用狹義人工智能中的多種模型去做不同的事：自動(dòng)化生產(chǎn)、食品監(jiān)控、安全檢測......

狹義人工智能看起來已足夠厲害，為什么還要繼續(xù)迭代呢？

狹義人工智能的局限在于它只能根據(jù)訓(xùn)練的模型執(zhí)行任務(wù)，需要根據(jù)不同的場景部署數(shù)百個(gè)模型。但它沒有辦法理解這些文字背后的意義，或者是不同語境之下的潛意思。但在博大精深的中華文化里，只是一個(gè)簡單的“啊”字在不同聲調(diào)下都能表達(dá)出各種不一樣的意思，這對于狹義人工智能來說更是琢磨不透了。

而現(xiàn)在的生成式AI已經(jīng)不再只是停留在狹義人工智能能做的“已知、求解”的關(guān)系，而是走上了一個(gè)“未知、得解”的道路。

它開始產(chǎn)生“涌現(xiàn)能力”，即通過預(yù)監(jiān)督或自監(jiān)督的方式去完成自我訓(xùn)練，由此具備了此前從未有過的“零樣本學(xué)習(xí)能力”。與過去的判別式AI不同的是，它變成了一個(gè)能與人類共創(chuàng)的“生成式助手”（比如根據(jù)輸入的關(guān)鍵詞生成食品包裝創(chuàng)意圖片）。

在這里我們要提到一個(gè)近期大家很熟悉的詞語——大模型。

相較于小模型來說，大模型會(huì)使用更大規(guī)模的數(shù)據(jù)進(jìn)行訓(xùn)練，以此來保證數(shù)據(jù)的廣泛性和多樣性，幫助模型學(xué)習(xí)準(zhǔn)確而全面的知識(shí)。不僅如此，大模型可以儲(chǔ)存、表示更多的信息特征和關(guān)系，由此會(huì)更加靈活，表達(dá)和學(xué)習(xí)能力也會(huì)更強(qiáng)。

據(jù)周伯文介紹，目前我們熟知的ChatGPT的大模型來自于GPT，而GPT是Transformer發(fā)展的一個(gè)分支。在整個(gè)人工智能的發(fā)展中，Transformer是引發(fā)這一輪AI浪潮的重要里程碑。

Transformer相較此前神經(jīng)網(wǎng)絡(luò)最大的不同在于，它具備了一個(gè)叫做“多頭自注意力”的機(jī)制。它的存在讓AI第一次能夠做到“一目十行”、長期記憶并理解長文本內(nèi)的因果關(guān)系，從而產(chǎn)生各種更強(qiáng)大的推理能力。

下面我們簡單理解一下什么是多頭自注意力機(jī)制。

對于人類來說，視覺注意力機(jī)制是我們特有的大腦信號處理機(jī)制。我們可以通過快速掃描圖像來獲得重點(diǎn)關(guān)注的目標(biāo)區(qū)域。以下圖為例，圖上由紅到綠依次表現(xiàn)了人類視覺對這張圖不同程度的注意力分配。其中紅色區(qū)域表示視覺系統(tǒng)更關(guān)注的區(qū)域，如：嬰兒面部、標(biāo)題、文章首句、產(chǎn)品名。

而人工智能中所用的注意力機(jī)制本質(zhì)上和人類的視覺注意力機(jī)制相似，核心也是可以從眾多信息中選擇出來對當(dāng)前任務(wù)更關(guān)鍵的信息，我們可以把它理解為“聚焦”。自注意力機(jī)制（Self-Attention）就像是一個(gè)信息檢索表，通過計(jì)算權(quán)重來標(biāo)明相互關(guān)系、嵌入上下文信息。以英漢翻譯為例，當(dāng)信息在編碼器和解碼器中走了一遭時(shí)，輸出的內(nèi)容不僅要有單詞上的一一對應(yīng)，也能滿足輸入內(nèi)容的上下文關(guān)系。而多頭的概念就像我們拼樂高玩具，要先用零件拼成頭、胳膊、腿等部位（多個(gè)不同的注意力層），最后再綜合組裝形成成品。

而這種上下文學(xué)習(xí)能力意味著機(jī)器具備了隱含概念的推理能力，我們來看一個(gè)實(shí)例理解。首先，下面這個(gè)問題的答案是什么？

事實(shí)上，“是”的背后可以跟很多詞，邏輯都是成立的。

但如果我們此時(shí)給這個(gè)填空題前加上兩句話：

機(jī)器可以識(shí)別愛因斯坦和德國人、甘地和印度人之間的關(guān)系，從而判斷出來瑪麗居里后應(yīng)該跟的是國籍信息——“波蘭人”，這就是隱含概念的推理能力。

不僅如此，大模型還具備思維鏈的能力，可以根據(jù)指令對數(shù)學(xué)題、應(yīng)用題進(jìn)行解答。

比如“小明原本有5個(gè)網(wǎng)球，之后他又買了兩罐，每罐有3個(gè)網(wǎng)球，他現(xiàn)在有幾個(gè)網(wǎng)球？”如果這時(shí)只是告訴AI大模型答案是11個(gè)，那么當(dāng)用戶繼續(xù)提問“小明有23個(gè)蘋果，如果用20個(gè)做果盤，又買了6個(gè)，小明現(xiàn)在有幾個(gè)蘋果？”時(shí)，AI大模型很可能無法進(jìn)行正確推理而答錯(cuò)。

但是，如果用戶對第一個(gè)問題的答案給出更清晰的計(jì)算推理過程作為提示，比如“小明開始有5個(gè)球，新買的2罐網(wǎng)球每罐是3個(gè)一共6個(gè)，5+6=11，所以答案是11個(gè)”，那么再問后面的蘋果問題，AI大模型就可以按照同樣的推理過程去生成，從而得出正確的答案。

在這種能力的加持下，AI大模型可以完成多跳推理，即“通過從A到B、B到C、C到D的推理，直接完成從A到D的推理”。

如果對答案不滿意，用戶可以通過大模型的指令微調(diào)能力進(jìn)行“人機(jī)磨合”。這個(gè)能力可以讓AI大模型根據(jù)人的價(jià)值觀去調(diào)整自己的輸出邏輯，從而做到“知錯(cuò)就改”。假如用戶讓大模型給一個(gè)6歲的小孩解釋什么是登月工程，它馬上就可以找到多種答案，比如：

以物理學(xué)來解釋萬有引力（答案A）；

站在歷史角度介紹美蘇冷戰(zhàn)導(dǎo)致的登月（答案B）；

用天文學(xué)說明月球是地球的衛(wèi)星（答案C）；

或是從人的美好愿望出發(fā)講述月球上有嫦娥、有玉兔，所以人類想去月球（答案D）等等。

但是，大模型并不知道其中哪一個(gè)答案最適合6歲的小孩，所以需要為它引入人類反饋機(jī)制做強(qiáng)化學(xué)習(xí)：通過人工打分，找到最適合6歲小孩的回答方式。當(dāng)這一系列人類反饋給到AI大模型后，它就可以舉一反三，并迅速學(xué)會(huì)類似問題該如何回答。

那么，當(dāng)AI大模型擁有了涌現(xiàn)能力、上下文學(xué)習(xí)能力、思維鏈能力以及根據(jù)指令進(jìn)行微調(diào)的能力，它能給食品飲料行業(yè)帶來什么？

二、用AIGC打造爆品的可行性有多高？

在產(chǎn)品創(chuàng)新這條路上，企業(yè)們一直在摸索。前幾年新消費(fèi)浪潮之下，我們能看到市場上涌現(xiàn)了許多或新奇或有趣或怪誕的產(chǎn)品。有一些產(chǎn)品順應(yīng)浪潮而生，一直走到了現(xiàn)在，也有產(chǎn)品只是在浪潮中曇花一現(xiàn)，很快便不見了蹤影。

那么“有把握”的創(chuàng)新可以借助生成式AI來實(shí)現(xiàn)嗎？

“生成式AI可以通過預(yù)測下一個(gè)詞，去理解消費(fèi)者和商品體驗(yàn)之間的對應(yīng)關(guān)系?！敝懿脑贔BIF2023現(xiàn)場如是說道。

在筆者的理解中，這個(gè)過程其實(shí)和現(xiàn)有各大平臺(tái)正在做的“打標(biāo)簽”邏輯相似，生成式AI可以把一段消費(fèi)者反饋拆分成不同的詞組然后進(jìn)行關(guān)系匹配，以此來推導(dǎo)出什么樣的產(chǎn)品參數(shù)、材質(zhì)、文化符號、功能等等可以打動(dòng)哪一類人群的消費(fèi)者。

起初這樣的邏輯讓筆者不禁想起了電商平臺(tái)的“千人千面”推薦機(jī)制，但如果品牌已經(jīng)可以依托千人千面機(jī)制將產(chǎn)品推薦給合適的消費(fèi)者了，為什么還需要用生成式AI再做千人千面的產(chǎn)品呢？

答案的關(guān)鍵詞還是：消費(fèi)者。

里斯戰(zhàn)略定位咨詢?nèi)駽EO、中國區(qū)主席張?jiān)圃诮邮芤淮尾稍L中提到，產(chǎn)品創(chuàng)新有兩種，一種是技術(shù)上和產(chǎn)品事實(shí)的創(chuàng)新，另外一種則是認(rèn)知?jiǎng)?chuàng)新。在現(xiàn)實(shí)情況中，我們不難發(fā)現(xiàn)有許多企業(yè)在做產(chǎn)品創(chuàng)新時(shí)停留在了技術(shù)與事實(shí)層面的創(chuàng)新，但卻忽略了認(rèn)知層面的創(chuàng)新。不過，筆者認(rèn)為認(rèn)知層面的產(chǎn)品創(chuàng)新并不是指我們要去做一個(gè)從來沒有出現(xiàn)過的產(chǎn)品，為消費(fèi)者創(chuàng)造需求，而是要在已有認(rèn)知里面去尋找還未被完全解決問題的領(lǐng)域去開發(fā)產(chǎn)品。但想要靠人力做到徹底了解消費(fèi)者并不現(xiàn)實(shí)，生成式AI的涌現(xiàn)能力，似乎是為此而生的。

這一次生成式AI要做的，不再是把已有的貨推送給被匹配的人，而是從一開始就根據(jù)目標(biāo)人群開發(fā)匹配他們的貨。這可能意味著產(chǎn)品試錯(cuò)率下降以及研發(fā)成本下降。

據(jù)周伯文介紹，他將AI大模型的能力定義為5D全生命周期：機(jī)會(huì)洞察（Discover）、爆品定義（Define）、方案設(shè)計(jì)（Design）、驅(qū)動(dòng)研發(fā)（Develop）以及營銷轉(zhuǎn)化（Distribute）。如果想要實(shí)現(xiàn)人類和AI的高效互動(dòng)，大模型必須同時(shí)具備通用能力和相關(guān)領(lǐng)域的專業(yè)性——情商+智商+品商。

這意味著大模型不僅能夠處理海量的信息、尋找到不同詞段之間的概率關(guān)系、對語言有理解能力、能根據(jù)人類的指令去糾正錯(cuò)誤，還要能夠理解消費(fèi)者反饋背后的情緒，做到對商品的深刻理解。

不僅如此，每個(gè)企業(yè)還可將過去積累的數(shù)據(jù)與大模型進(jìn)行結(jié)合，包括企業(yè)經(jīng)營、管理、運(yùn)營、培訓(xùn)等，以此構(gòu)建專屬定制大模型底座，訓(xùn)練自己的Product GPT，完成5D全流程的數(shù)字化和智能化。在這個(gè)新的框架下，所有的數(shù)字化和流程都將沉淀在對話平臺(tái)上，由其調(diào)用不同的后臺(tái)數(shù)字化工具。

不僅是產(chǎn)品研發(fā)，生成式AI在營銷界也能攪動(dòng)風(fēng)云。

AIGC做的營銷內(nèi)容可以稱得上是提前預(yù)判消費(fèi)者的喜好。當(dāng)其和現(xiàn)有各大平臺(tái)的產(chǎn)品推薦機(jī)制結(jié)合起來時(shí)，這種互補(bǔ)的關(guān)系會(huì)讓營銷效率發(fā)生變化。

對于平臺(tái)來說，無論他們怎么優(yōu)化推薦算法，核心目的就是提高轉(zhuǎn)化率和成交率，他們會(huì)通過給用戶和產(chǎn)品進(jìn)行雙向的標(biāo)簽匹配來盡可能提高消費(fèi)者的購買決策概率。所以假如我們搜索某品牌酸奶時(shí)，我們不僅會(huì)看到該產(chǎn)品，也會(huì)在推薦頁面中看到和它相似的產(chǎn)品。平臺(tái)解決的是：有了產(chǎn)品如何推薦給想買它的人，也就是觸達(dá)。

對于品牌來說，只是讓產(chǎn)品觸達(dá)消費(fèi)者還不夠，如何讓他們看見產(chǎn)品就會(huì)有消費(fèi)沖動(dòng)是要在更前端解決的問題。生成式AI可以結(jié)合現(xiàn)有消費(fèi)者對各品類產(chǎn)品的反饋，分析出消費(fèi)者核心在意的產(chǎn)品因素以及會(huì)影響他們購買的條件，以此實(shí)現(xiàn)在準(zhǔn)備階段就做好千人千面的營銷文案及圖片。

而這種千人千面的內(nèi)容能夠應(yīng)用到的不僅是在公域流量里搶關(guān)注，還能在私域流量里進(jìn)一步提高消費(fèi)者體驗(yàn)，甚至可以通過數(shù)據(jù)的不斷學(xué)習(xí)迭代，向上倒逼產(chǎn)品做到更匹配消費(fèi)者的需求和習(xí)慣。

不過，說到營銷投放，我們不得不把KOL的影響力納入討論范圍。一篇好的種草推廣，核心是要讓人產(chǎn)生消費(fèi)沖動(dòng)，這份沖動(dòng)可以來自于具有渲染能力的文案、可以是精美的圖片、甚至可以是一種消費(fèi)者看到關(guān)鍵詞就能聯(lián)想到的對更美好生活的想象和期盼。但僅僅只是做好內(nèi)容還不夠，品牌們通常會(huì)傾向于選擇有一定粉絲基數(shù)的KOL進(jìn)行投放，看中的便是他們極強(qiáng)的影響力和引導(dǎo)能力。

對于影響力較小的KOL來說，好的文案是必須條件。但對于影響力大的KOL來說，他可能只需要說一句“姐妹們，買它”就能讓產(chǎn)品賣到斷貨。具有強(qiáng)影響力的KOL或者明星帶來的銷量固然誘人，但并非每一個(gè)品牌，尤其是新銳品牌，都能承受其背后的成本。

“我們之前用AI寫的內(nèi)容做過AB test，直接與KOL進(jìn)行競爭。結(jié)果發(fā)現(xiàn)AI寫的這種千人千面的營銷文字的轉(zhuǎn)化率會(huì)比KOL組合整體的文字轉(zhuǎn)化率高30%?！敝懿脑诓稍L中回憶道，“對于品牌來講，大家都會(huì)考慮到成本效益。假如我現(xiàn)在用一半的錢投入到AI里，就能達(dá)到和找十個(gè)頂級KOL代言一樣的轉(zhuǎn)化率，品牌也會(huì)做出自己的選擇?！?/p>

在周伯文看來，現(xiàn)在的時(shí)代肯定會(huì)存在號召力，但我們也確實(shí)進(jìn)入到了一個(gè)消費(fèi)者越來越個(gè)性化的時(shí)候。對于品牌來講，AIGC此時(shí)就能成為他們打造品牌IP去促進(jìn)購買轉(zhuǎn)化的有力幫手。

三、品牌如何理解并擁抱AIGC？

無論是哪一種技術(shù)的發(fā)展對于行業(yè)來說都是新的生產(chǎn)力。在科技快速變革之際，企業(yè)家們都需要做好準(zhǔn)備去擁抱AIGC這個(gè)新型生產(chǎn)力。

在FBIF2023圓桌討論上，蒙牛集團(tuán)首席數(shù)智官李琤潔提出了企業(yè)應(yīng)該做好的三項(xiàng)準(zhǔn)備：

第一，企業(yè)要積累有足夠量級的內(nèi)部知識(shí)。不一定是結(jié)構(gòu)化的數(shù)據(jù)，大語言模型的出現(xiàn)使得非結(jié)構(gòu)性數(shù)據(jù)也擁有了更多的應(yīng)用可能，但無論如何，企業(yè)要有自己的知識(shí)銀行（企業(yè)自有數(shù)據(jù)），才能構(gòu)建出適配企業(yè)自身的大模型應(yīng)用。

第二，企業(yè)要對技術(shù)的使用做好合規(guī)方面的準(zhǔn)備。不同行業(yè)的監(jiān)管力度不同，比如金融行業(yè)就非常敏感，是強(qiáng)監(jiān)管領(lǐng)域。因此，企業(yè)需要對積極關(guān)注政策變化帶來的影響，才能既快又穩(wěn)地應(yīng)用好AI技術(shù)。

第三，企業(yè)要具備根據(jù)應(yīng)用場景去匹配模型的能力。短期來說，顯著影響AIGC應(yīng)用效果的是prompt engineering的能力；但從長期出發(fā)，能否有一套自動(dòng)把復(fù)雜事務(wù)解構(gòu)化的能力，對企業(yè)來說尤為重要。大模型其實(shí)各有特點(diǎn)，其本身的知識(shí)量、理解力、生成能力、推理能力、處理多任務(wù)能力，甚至價(jià)值觀導(dǎo)向都會(huì)是不一樣的。所以應(yīng)用的時(shí)候，要選擇不同類型的模型在不同的場景里面進(jìn)行安排。對企業(yè)來說，要有綜合性的了解、要有區(qū)別性的試驗(yàn)，然后才能做好模型和場景的匹配。

那么，AI大模型生成的內(nèi)容可靠嗎？這個(gè)問題可能是阻礙許多企業(yè)深度擁抱AIGC的關(guān)鍵。

對于使用過ChatGPT的人來說，有時(shí)會(huì)發(fā)現(xiàn)它所表現(xiàn)出來的成果頗有“外行看著像內(nèi)行，內(nèi)行看著純外行”的感覺。

“生成式AI不僅僅是生成一個(gè)東西直接拿給人用，而是讓它以Copilot（Copilot一詞源于飛行術(shù)語，指副駕駛員。在飛行過程中，Copilot是協(xié)助主駕駛員操作飛機(jī)的人。放到人機(jī)協(xié)作中來理解的話，AI承擔(dān)的就是類似Copilot的角色，我們可以通過和它對話來獲得信息。比如讓它進(jìn)行信息提煉總結(jié)等。）的角色去和人進(jìn)行交互、對話，來理解業(yè)務(wù)場景和業(yè)務(wù)需求?！敝懿脑贔BIF2023營銷創(chuàng)新論壇上分享道，“我們要把所有理解變成生成式內(nèi)容，再交給人來判斷。在這樣的反復(fù)迭代過程中，我們可以通過這樣人機(jī)協(xié)同的機(jī)制來促進(jìn)生成式AI在產(chǎn)業(yè)的落地?！?/p>

“諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)得主丹尼爾·卡尼曼有一本非常著名的書《思考，快與慢》，里面提出兩種思維決策模式：系統(tǒng)1是根據(jù)大腦快速?zèng)Q策，系統(tǒng)2是經(jīng)過慎重考慮來決策。這兩種模式非常適合現(xiàn)在人工智能的落地方式，人類員工負(fù)責(zé)做系統(tǒng)1的決策，因?yàn)槿巳菀鬃?，對專業(yè)要求也沒有那么高。系統(tǒng)2對專業(yè)性要求很高，現(xiàn)在生成式AI能把大部分系統(tǒng)2的工作給做了?！敝懿倪M(jìn)一步分享道。

四、結(jié)語

我們不得不承認(rèn)，在當(dāng)下AI大模型還很難一次性滿足所有需求。但是，我們不能忽略的是，現(xiàn)有的深層次AI已經(jīng)具備的涌現(xiàn)能力和人工反饋機(jī)制，能夠幫助他們在溝通中與人類之間的磨合越來越好。這就像交朋友一樣，我們從來不能指望能夠遇到一個(gè)不需要交流就能全身心契合的靈魂伴侶，但我們可以通過持續(xù)的溝通交流來打造一個(gè)最懂我們的好幫手。

訓(xùn)練AI大模型的這條路上，需要產(chǎn)業(yè)的更早加入和賦能。

參考來源：

[1] 水論文的程序猿，預(yù)訓(xùn)練語言模型的前世今生，博客園，2022年7月12日

[2] 玉堃，Transformer：注意力機(jī)制（attention）和自注意力機(jī)制（self-attention）的學(xué)習(xí)總結(jié)_注意力機(jī)制和自注意力機(jī)制，CSDN博客，2022年9月6日

[3] 中國消費(fèi)品牌創(chuàng)新窘境何在？｜營銷人說，第一財(cái)經(jīng)YiMagazine，2023年4月26日