文|FBIF食品飲料創新 Viola
做出一款爆品有多難？
對于很多品牌來說，這是一個一問就會有一把辛酸淚的問題?；舜罅繒r間心血精心開發的產品進入市場后卻沒有一點水花；花了很多錢做投放，銷售額還沒成本高；其他產品莫名其妙火了卻因為備貨不夠錯過流量；上個月流行的趨勢下個月就過氣，上產品的速度趕不上熱點過氣的速度......在現在想要找到一個不“卷”的賽道很難，產品同質化嚴重、消費者注意力分散，創新還能怎么做？
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“生成內容”與人協作。
現在的生成式AI不僅有像ChatGPT一樣可以與人對話的，快速生成包裝創意的Midjourney，還有可以根據概念和關鍵詞生成一百多種產品配方的N-Wing Star......
不僅如此，在生成式AI的協助之下，E=MC2也被重新定義為了個性化新消費時代，收益屬于那些能夠持續有效洞察和滿足用戶需求的企業。對于食品品牌來說，E代表企業的收益(Earning)，M是商品(Merchandise)，C就是消費者(Customer)。而C2則代表了消費者在產品創新和終端購買的雙重影響力——根據目標消費者喜好設計產品，再把產品賣給目標消費者。
人貨場的關系或將在生成式AI的迭代中被改寫。這可能是顛覆性變革的開始，命運的齒輪從此開始轉動。
生成式AI是怎么做到的？品牌應該如何與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，銜遠科技創始人周伯文博士在IBM紐約總部提出人工智能應分為狹義人工智能、廣義人工智能以及通用人工智能三個階段。而這三個階段分別代表的是人工智能不同的學習能力。
在狹義人工智能時代，企業使用各種小模型（比如神經網絡）為實際工作提供的幫助是建立在大數據基礎上的分析預測（高度受監督）。它的優勢在于人類永遠可以清晰地知道這個人工智能模型能做什么以及不能做什么。食品飲料行業很早就在使用狹義人工智能中的多種模型去做不同的事：自動化生產、食品監控、安全檢測......
狹義人工智能看起來已足夠厲害，為什么還要繼續迭代呢？
狹義人工智能的局限在于它只能根據訓練的模型執行任務，需要根據不同的場景部署數百個模型。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，只是一個簡單的“啊”字在不同聲調下都能表達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。
而現在的生成式AI已經不再只是停留在狹義人工智能能做的“已知、求解”的關系，而是走上了一個“未知、得解”的道路。
它開始產生“涌現能力”，即通過預監督或自監督的方式去完成自我訓練，由此具備了此前從未有過的“零樣本學習能力”。與過去的判別式AI不同的是，它變成了一個能與人類共創的“生成式助手”（比如根據輸入的關鍵詞生成食品包裝創意圖片）。
在這里我們要提到一個近期大家很熟悉的詞語——大模型。
相較于小模型來說，大模型會使用更大規模的數據進行訓練，以此來保證數據的廣泛性和多樣性，幫助模型學習準確而全面的知識。不僅如此，大模型可以儲存、表示更多的信息特征和關系，由此會更加靈活，表達和學習能力也會更強。
據周伯文介紹，目前我們熟知的ChatGPT的大模型來自于GPT，而GPT是Transformer發展的一個分支。在整個人工智能的發展中，Transformer是引發這一輪AI浪潮的重要里程碑。
Transformer相較此前神經網絡最大的不同在于，它具備了一個叫做“多頭自注意力”的機制。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的因果關系，從而產生各種更強大的推理能力。
下面我們簡單理解一下什么是多頭自注意力機制。
對于人類來說，視覺注意力機制是我們特有的大腦信號處理機制。我們可以通過快速掃描圖像來獲得重點關注的目標區域。以下圖為例，圖上由紅到綠依次表現了人類視覺對這張圖不同程度的注意力分配。其中紅色區域表示視覺系統更關注的區域，如：嬰兒面部、標題、文章首句、產品名。
而人工智能中所用的注意力機制本質上和人類的視覺注意力機制相似，核心也是可以從眾多信息中選擇出來對當前任務更關鍵的信息，我們可以把它理解為“聚焦”。自注意力機制（Self-Attention）就像是一個信息檢索表，通過計算權重來標明相互關系、嵌入上下文信息。以英漢翻譯為例，當信息在編碼器和解碼器中走了一遭時，輸出的內容不僅要有單詞上的一一對應，也能滿足輸入內容的上下文關系。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。
而這種上下文學習能力意味著機器具備了隱含概念的推理能力，我們來看一個實例理解。首先，下面這個問題的答案是什么？
事實上，“是”的背后可以跟很多詞，邏輯都是成立的。
但如果我們此時給這個填空題前加上兩句話：
機器可以識別愛因斯坦和德國人、甘地和印度人之間的關系，從而判斷出來瑪麗居里后應該跟的是國籍信息——“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，可以根據指令對數學題、應用題進行解答。
比如“小明原本有5個網球，之后他又買了兩罐，每罐有3個網球，他現在有幾個網球？”如果這時只是告訴AI大模型答案是11個，那么當用戶繼續提問“小明有23個蘋果，如果用20個做果盤，又買了6個，小明現在有幾個蘋果？”時，AI大模型很可能無法進行正確推理而答錯。
但是，如果用戶對第一個問題的答案給出更清晰的計算推理過程作為提示，比如“小明開始有5個球，新買的2罐網球每罐是3個一共6個，5+6=11，所以答案是11個”，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能力進行“人機磨合”。這個能力可以讓AI大模型根據人的價值觀去調整自己的輸出邏輯，從而做到“知錯就改”。假如用戶讓大模型給一個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：
以物理學來解釋萬有引力（答案A）；
站在歷史角度介紹美蘇冷戰導致的登月（答案B）；
用天文學說明月球是地球的衛星（答案C）；
或是從人的美好愿望出發講述月球上有嫦娥、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答案最適合6歲的小孩，所以需要為它引入人類反饋機制做強化學習：通過人工打分，找到最適合6歲小孩的回答方式。當這一系列人類反饋給到AI大模型后，它就可以舉一反三，并迅速學會類似問題該如何回答。
那么，當AI大模型擁有了涌現能力、上下文學習能力、思維鏈能力以及根據指令進行微調的能力，它能給食品飲料行業帶來什么？
二、用AIGC打造爆品的可行性有多高？
在產品創新這條路上，企業們一直在摸索。前幾年新消費浪潮之下，我們能看到市場上涌現了許多或新奇或有趣或怪誕的產品。有一些產品順應浪潮而生，一直走到了現在，也有產品只是在浪潮中曇花一現，很快便不見了蹤影。
那么“有把握”的創新可以借助生成式AI來實現嗎？
“生成式AI可以通過預測下一個詞，去理解消費者和商品體驗之間的對應關系?！敝懿脑贔BIF2023現場如是說道。
在筆者的理解中，這個過程其實和現有各大平臺正在做的“打標簽”邏輯相似，生成式AI可以把一段消費者反饋拆分成不同的詞組然后進行關系匹配，以此來推導出什么樣的產品參數、材質、文化符號、功能等等可以打動哪一類人群的消費者。
起初這樣的邏輯讓筆者不禁想起了電商平臺的“千人千面”推薦機制，但如果品牌已經可以依托千人千面機制將產品推薦給合適的消費者了，為什么還需要用生成式AI再做千人千面的產品呢？
答案的關鍵詞還是：消費者。
里斯戰略定位咨詢全球CEO、中國區主席張云在接受一次采訪中提到，產品創新有兩種，一種是技術上和產品事實的創新，另外一種則是認知創新。在現實情況中，我們不難發現有許多企業在做產品創新時停留在了技術與事實層面的創新，但卻忽略了認知層面的創新。不過，筆者認為認知層面的產品創新并不是指我們要去做一個從來沒有出現過的產品，為消費者創造需求，而是要在已有認知里面去尋找還未被完全解決問題的領域去開發產品。但想要靠人力做到徹底了解消費者并不現實，生成式AI的涌現能力，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目標人群開發匹配他們的貨。這可能意味著產品試錯率下降以及研發成本下降。
據周伯文介紹，他將AI大模型的能力定義為5D全生命周期：機會洞察（Discover）、爆品定義（Define）、方案設計（Design）、驅動研發（Develop）以及營銷轉化（Distribute）。如果想要實現人類和AI的高效互動，大模型必須同時具備通用能力和相關領域的專業性——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系、對語言有理解能力、能根據人類的指令去糾正錯誤，還要能夠理解消費者反饋背后的情緒，做到對商品的深刻理解。
不僅如此，每個企業還可將過去積累的數據與大模型進行結合，包括企業經營、管理、運營、培訓等，以此構建專屬定制大模型底座，訓練自己的Product GPT，完成5D全流程的數字化和智能化。在這個新的框架下，所有的數字化和流程都將沉淀在對話平臺上，由其調用不同的后臺數字化工具。
不僅是產品研發，生成式AI在營銷界也能攪動風云。
AIGC做的營銷內容可以稱得上是提前預判消費者的喜好。當其和現有各大平臺的產品推薦機制結合起來時，這種互補的關系會讓營銷效率發生變化。
對于平臺來說，無論他們怎么優化推薦算法，核心目的就是提高轉化率和成交率，他們會通過給用戶和產品進行雙向的標簽匹配來盡可能提高消費者的購買決策概率。所以假如我們搜索某品牌酸奶時，我們不僅會看到該產品，也會在推薦頁面中看到和它相似的產品。平臺解決的是：有了產品如何推薦給想買它的人，也就是觸達。
對于品牌來說，只是讓產品觸達消費者還不夠，如何讓他們看見產品就會有消費沖動是要在更前端解決的問題。生成式AI可以結合現有消費者對各品類產品的反饋，分析出消費者核心在意的產品因素以及會影響他們購買的條件，以此實現在準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容能夠應用到的不僅是在公域流量里搶關注，還能在私域流量里進一步提高消費者體驗，甚至可以通過數據的不斷學習迭代，向上倒逼產品做到更匹配消費者的需求和習慣。
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，核心是要讓人產生消費沖動，這份沖動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者看到關鍵詞就能聯想到的對更美好生活的想象和期盼。但僅僅只是做好內容還不夠，品牌們通常會傾向于選擇有一定粉絲基數的KOL進行投放，看中的便是他們極強的影響力和引導能力。
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”就能讓產品賣到斷貨。具有強影響力的KOL或者明星帶來的銷量固然誘人，但并非每一個品牌，尤其是新銳品牌，都能承受其背后的成本。
“我們之前用AI寫的內容做過AB test，直接與KOL進行競爭。結果發現AI寫的這種千人千面的營銷文字的轉化率會比KOL組合整體的文字轉化率高30%?！敝懿脑诓稍L中回憶道，“對于品牌來講，大家都會考慮到成本效益。假如我現在用一半的錢投入到AI里，就能達到和找十個頂級KOL代言一樣的轉化率，品牌也會做出自己的選擇?！?/p>
在周伯文看來，現在的時代肯定會存在號召力，但我們也確實進入到了一個消費者越來越個性化的時候。對于品牌來講，AIGC此時就能成為他們打造品牌IP去促進購買轉化的有力幫手。
三、品牌如何理解并擁抱AIGC？
無論是哪一種技術的發展對于行業來說都是新的生產力。在科技快速變革之際，企業家們都需要做好準備去擁抱AIGC這個新型生產力。
在FBIF2023圓桌討論上，蒙牛集團首席數智官李琤潔提出了企業應該做好的三項準備：
第一，企業要積累有足夠量級的內部知識。不一定是結構化的數據，大語言模型的出現使得非結構性數據也擁有了更多的應用可能，但無論如何，企業要有自己的知識銀行（企業自有數據），才能構建出適配企業自身的大模型應用。
第二，企業要對技術的使用做好合規方面的準備。不同行業的監管力度不同，比如金融行業就非常敏感，是強監管領域。因此，企業需要對積極關注政策變化帶來的影響，才能既快又穩地應用好AI技術。
第三，企業要具備根據應用場景去匹配模型的能力。短期來說，顯著影響AIGC應用效果的是prompt engineering的能力；但從長期出發，能否有一套自動把復雜事務解構化的能力，對企業來說尤為重要。大模型其實各有特點，其本身的知識量、理解力、生成能力、推理能力、處理多任務能力，甚至價值觀導向都會是不一樣的。所以應用的時候，要選擇不同類型的模型在不同的場景里面進行安排。對企業來說，要有綜合性的了解、要有區別性的試驗，然后才能做好模型和場景的匹配。
那么，AI大模型生成的內容可靠嗎？這個問題可能是阻礙許多企業深度擁抱AIGC的關鍵。
對于使用過ChatGPT的人來說，有時會發現它所表現出來的成果頗有“外行看著像內行，內行看著純外行”的感覺。
“生成式AI不僅僅是生成一個東西直接拿給人用，而是讓它以Copilot（Copilot一詞源于飛行術語，指副駕駛員。在飛行過程中，Copilot是協助主駕駛員操作飛機的人。放到人機協作中來理解的話，AI承擔的就是類似Copilot的角色，我們可以通過和它對話來獲得信息。比如讓它進行信息提煉總結等。）的角色去和人進行交互、對話，來理解業務場景和業務需求。”周伯文在FBIF2023營銷創新論壇上分享道，“我們要把所有理解變成生成式內容，再交給人來判斷。在這樣的反復迭代過程中，我們可以通過這樣人機協同的機制來促進生成式AI在產業的落地?！?/p>
“諾貝爾經濟學獎得主丹尼爾·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1是根據大腦快速決策，系統2是經過慎重考慮來決策。這兩種模式非常適合現在人工智能的落地方式，人類員工負責做系統1的決策，因為人容易做，對專業要求也沒有那么高。系統2對專業性要求很高，現在生成式AI能把大部分系統2的工作給做了?！敝懿倪M一步分享道。
四、結語
我們不得不承認，在當下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，現有的深層次AI已經具備的涌現能力和人工反饋機制，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的溝通交流來打造一個最懂我們的好幫手。
訓練AI大模型的這條路上，需要產業的更早加入和賦能。
參考來源：
[1] 水論文的程序猿，預訓練語言模型的前世今生，博客園，2022年7月12日
[2] 玉堃，Transformer：注意力機制（attention）和自注意力機制（self-attention）的學習總結_注意力機制和自注意力機制，CSDN博客，2022年9月6日
[3] 中國消費品牌創新窘境何在？｜營銷人說，第一財經YiMagazine，2023年4月26日