AIGC能治好食品饮料的立异「焦虑」吗？

做出一款爆品有多难？

关于许多品牌来说，这是一个一问就会有一把辛酸泪的问题。花了许多时刻汗水精心开发的产品进入市场后却没有一点水花；花了许多钱做投进，销售额还没本钱高；其他产品不可思议火了却由于备货不行错失流量；上个月盛行的趋势下个月就过气，上产品的速度赶不上热门过气的速度......在现在想要找到一个不“卷”的赛道很难，产品同质化严峻、顾客注意力涣散，立异还能怎样做？

咱们或许能够从AI身上寻觅到新的处理方案。

曩昔几十年，每次AI都是靠打败人类出圈。但到了2023年，AI的出圈方法却是靠“生成内容”与人协作。

现在的生成式AI不只有像ChatGPT相同能够与人对话的，快速生成包装构思的Midjourney，还有能够依据概念和要害词生成一百多种产品配方的N-Wing Star......

不只如此，在生成式AI的帮忙之下，E=MC²也被从头界说为了个性化新消费年代，收益归于那些能够继续有用洞悉和满意用户需求的企业。关于食物品牌来说，E代表企业的收益(Earning)，M是产品(Merchandise)，C便是顾客(Customer)。而C²则代表了顾客在产品立异和终端购买的两层影响力——依据方针顾客喜爱规划产品，再把产品卖给方针顾客。

人货场的联系或将在生成式AI的迭代中被改写。这或许是颠覆性革新的开端，命运的齿轮从此开端滚动。

生成式AI是怎样做到的？品牌应该怎样与AIGC磨合？咱们一同从下文探究。

01  像“人”相同考虑的AIGC，都有哪些才干？

2016年，衔远科技创始人周伯文博士在IBM纽约总部提出人工智能应分为狭义人工智能、广义人工智能以及通用人工智能三个阶段。而这三个阶段别离代表的是人工智能不同的学习才干。

在狭义人工智能年代，企业运用各种小模型（比方神经网络）为实际作业供给的帮忙是建立在大数据基础上的剖析猜测（高度受监督）。它的优势在于人类永久能够明晰地知道这个人工智能模型能做什么以及不能做什么。食物饮料职业很早就在运用狭义人工智能中的多种模型去做不同的事：主动化出产、食物监控、安全检测......

狭义人工智能看起来已满意凶猛，为什么还要继续迭代呢？

狭义人工智能的限制在于它只能依据练习的模型执行任务，需求依据不同的场景布置数百个模型。但它没有办法了解这些文字背面的含义，或许是不同语境之下的潜意思。但在博学多才的中华文明里，仅仅一个简略的“啊”字在不同声调下都能表达出各种不相同的意思，这关于狭义人工智能来说更是琢磨不透了。

而现在的生成式AI现已不再仅仅停留在狭义人工智能能做的“已知、求解”的联系，而是走上了一个“不知道、得解”的路途。

它开端发生“呈现才干”，即经过预监督或自监督的方法去完结自我练习，由此具有了此前从未有过的“零样本学习才干”。与曩昔的判别式AI不同的是，它变成了一个能与人类共创的“生成式辅佐”（比方依据输入的要害词生成食物包装构思图片）。

AIGC在食物饮料的运用事例

图片来历：FBIF收拾制图

在这里咱们要提到一个近期咱们很熟悉的词语——大模型。

相较于小模型来说，大模型会运用更大规划的数据进行练习，以此来确保数据的广泛性和多样性，帮忙模型学习精确而全面的常识。不只如此，大模型能够贮存、表明更多的信息特征和联系，由此会愈加灵敏，表达和学习才干也会更强。

据周伯文介绍，现在咱们熟知的ChatGPT的大模型来自于GPT，而GPT是Transformer开展的一个分支。在整个人工智能的开展中，Transformer是引发这一轮AI浪潮的重要里程碑。

Transformer相较此前神经网络*的不同在于，它具有了一个叫做“多头自注意力”的机制。它的存在让AI*次能够做到“目下十行”、长时间回想并了解长文本内的因果联系，然后发生各种更强壮的推理才干。

下面咱们简略了解一下什么是多头自注意力机制。

关于人类来说，视觉注意力机制是咱们特有的大脑信号处理机制。咱们能够经过快速扫描图画来取得要点重视的方针区域。以下图为例，图上由红到绿顺次体现了人类视觉对这张图不同程度的注意力分配。其间赤色区域表明视觉体系更重视的区域，如：婴儿面部、标题、文章首句、产品名。

而人工智能中所用的注意力机制本质上和人类的视觉注意力机制相似，中心也是能够从许多信息中挑选出来对当前任务更要害的信息，咱们能够把它了解为“聚集”。自注意力机制（Self-Attention）就像是一个信息检索表，经过核算权重来标明相互联系、嵌入上下文信息。以英汉翻译为例，当信息在编码器和解码器中走了一遭时，输出的内容不只要有单词上的一一对应，也能满意输入内容的上下文联系。而多头的概念就像咱们拼乐高玩具，要先用零件拼成头、臂膀、腿等部位（多个不同的注意力层），最终再归纳拼装构成制品。

而这种上下文学习才干意味着机器具有了隐含概念的推理才干，咱们来看一个实例了解。首要，下面这个问题的答案是什么？

实际上，“是”的背面能够跟许多词，逻辑都是建立的。

但假设咱们此刻给这个填空题前加上两句话：

机器能够辨认爱因斯坦和德国人、甘地和印度人之间的联系，然后判别出来玛丽居里后应该跟的是国籍信息——“波兰人”，这便是隐含概念的推理才干。

不只如此，大模型还具有思想链的才干，能够依据指令对数学题、运用题进行答复。

比方“小明本来有5个网球，之后他又买了两罐，每罐有3个网球，他现在有几个网球？”假设这时仅仅告知AI大模型答案是11个，那么当用户继续发问“小明有23个苹果，假设用20个做果盘，又买了6个，小明现在有几个苹果？”时，AI大模型很或许无法进行正确推理而答错。

可是，假设用户对*个问题的答案给出更明晰的核算推理进程作为提示，比方“小明开端有5个球，新买的2罐网球每罐是3个总共6个，5 6=11，所以答案是11个”，那么再问后边的苹果问题，AI大模型就能够依照相同的推理进程去生成，然后得出正确的答案。

在这种才干的加持下，AI大模型能够完结多跳推理，即“经过从A到B、B到C、C到D的推理，直接完结从A到D的推理”。

假设对答案不满意，用户能够经过大模型的指令微调才干进行“人机磨合”。这个才干能够让AI大模型依据人的价值观去调整自己的输出逻辑，然后做到“知错就改”。假设用户让大模型给一个6岁的小孩解说什么是登月工程，它立刻就能够找到多种答案，比方：

以物理学来解说万有引力（答案A）；

站在前史视点介绍美苏暗斗导致的登月（答案B）；

用天文学阐明月球是地球的卫星（答案C）；

或是从人的美好愿望动身叙述月球上有嫦娥、有玉兔，所以人类想去月球（答案D）等等。

可是，大模型并不知道其间哪一个答案最合适6岁的小孩，所以需求为它引进人类反应机制做强化学习：经过人工打分，找到最合适6岁小孩的答复方法。当这一系列人类反应给到AI大模型后，它就能够触类旁通，并敏捷学会相似问题该怎样答复。

那么，当AI大模型具有了呈现才干、上下文学习才干、思想链才干以及依据指令进行微调的才干，它能给食物饮料职业带来什么？

02  用AIGC打造爆品的可行性有多高？

在产品立异这条路上，企业们一直在探索。前几年新消费浪潮之下，咱们能看到市场上呈现了许多或别致或风趣或荒诞的产品。有一些产品适应浪潮而生，一直走到了现在，也有产品仅仅在浪潮中稍纵即逝，很快便不见了踪迹。

那么“有把握”的立异能够凭借生成式AI来完结吗？

“生成式AI能够经过猜测下一个词，去了解顾客和产品体会之间的对应联系。”周伯文在FBIF2023现场如是说道。

生成式AI能够把一段顾客反应拆分红不同的词组然后进行联系匹配，以此来推导出什么样的产品参数、原料、文明符号、功用等等能够感动哪一类人群的顾客。

起先这样的逻辑让笔者不由想起了电商渠道的“千人千面”引荐机制，但假设品牌现已能够依托千人千面机制将产品引荐给适宜的顾客了，为什么还需求用生成式AI再做千人千面的产品呢？ 

答案的要害词仍是：顾客。

里斯战略定位咨询全球CEO、我国区主席张云在接受一次采访中提到，产品立异有两种，一种是技能上和产品实际的立异，别的一种则是认知立异。在实际情况中，咱们不难发现有许多企业在做产品立异时停留在了技能与实际层面的立异，但却疏忽了认知层面的立异。不过，笔者以为认知层面的产品立异并不是指咱们要去做一个历来没有呈现过的产品，为顾客发明需求，而是要在已有认知里边去寻觅还未被完全处理问题的范畴去开发产品。但想要靠人力做到完全了解顾客并不实际，生成式AI的呈现才干，似乎是为此而生的。

这或许意味着产品试错率下降以及研制本钱下降。

据周伯文介绍，他将AI大模型的才干界说为5D全生命周期：时机洞悉（Discover）、爆品界说（Define）、方案规划（Design）、驱动研制（Develop）以及营销转化（Distribute）。假设想要完结人类和AI的高效互动，大模型有必要一起具有通用才干和相关范畴的专业性——情商 智商 品商。

这意味着大模型不只能够处理海量的信息、寻觅到不同词段之间的概率联系、对言语有了解才干、能依据人类的指令去纠正过错，还要能够了解顾客反应背面的心情，做到对产品的深刻了解。

不只如此，每个企业还可将曩昔堆集的数据与大模型进行结合，包含企业经营、办理、运营、练习等，以此构建专属定制大模型底座，练习自己的Product GPT，完结5D全流程的数字化和智能化。在这个新的框架下，一切的数字化和流程都将沉积在对话渠道上，由其调用不同的后台数字化东西。

不只仅产品研制，生成式AI在营销界也能搅动风云。

AIGC做的营销内容能够称得上是提早预判顾客的喜爱。当其和现有各大渠道的产品引荐机制结合起来时，这种互补的联系会让营销功率发生改变。

关于渠道来说，不管他们怎样优化引荐算法，中心意图便是进步转化率和成交率，他们会经过给用户和产品进行双向的标签匹配来尽或许进步顾客的购买决议计划概率。所以假设咱们查找某品牌酸奶时，咱们不只会看到该产品，也会在引荐页面中看到和它相似的产品。渠道处理的是：有了产品怎样引荐给想买它的人，也便是触达。

关于品牌来说，仅仅让产品触达顾客还不行，怎样让他们看见产品就会有消费激动是要在更前端处理的问题。生成式AI能够结合现有顾客对各品类产品的反应，剖分出顾客中心介意的产品要素以及会影响他们购买的条件，以此完结在预备阶段就做好千人千面的营销案牍及图片。

在公域流量里抢重视，还能在私域流量里进一步进步顾客体会，乃至能够经过数据的不断学习迭代，向上倒逼产品做到更匹配顾客的需求和习气。

不过，提到营销投进，咱们不得不把KOL的影响力归入评论规模。一篇好的种草推行，中心是要让人发生消费激动，这份激动能够来自于具有烘托才干的案牍、能够是精巧的图片、乃至能够是一种顾客看到要害词就能联想到的对更美好生活的幻想和期盼。但仅仅仅仅做好内容还不行，品牌们通常会倾向于挑选有必定粉丝基数的KOL进行投进，看中的便是他们极强的影响力和引导才干。

关于影响力较小的KOL来说，好的案牍是有必要条件。但关于影响力大的KOL来说，他或许只需求说一句“姐妹们，买它”就能让产品卖到断货。具有强影响力的KOL或许明星带来的销量当然诱人，但并非每一个品牌，尤其是新锐品牌，都能接受其背面的本钱。

“咱们之前用AI写的内容做过AB test，直接与KOL进行竞赛。效果发现AI写的这种千人千面的营销文字的转化率会比KOL组合全体的文字转化率高30%。”周伯文在采访中回想道，“关于品牌来讲，咱们都会考虑到本钱效益。假设我现在用一半的钱投入到AI里，就能到达和找十个*KOL代言相同的转化率，品牌也会做出自己的挑选。”

AIGC此刻就能成为他们打造品牌IP去促进购买转化的有力辅佐。

03  品牌怎样了解并拥抱AIGC？

不管是哪一种技能的开展关于职业来说都是新的出产力。在科技快速革新之际，企业家们都需求做好预备去拥抱AIGC这个新式出产力。

在FBIF2023圆桌评论上，蒙牛集团首席数智官李琤洁提出了企业应该做好的三项预备：

*，企业要堆集有满意量级的内部常识。不必定是结构化的数据，大言语模型的呈现使得非结构性数据也具有了更多的运用或许，但不管怎样，企业要有自己的常识银行（企业自有数据），才干构建出适配企业自身的大模型运用。

第二，企业要对技能的运用做好合规方面的预备。不同职业的监管力度不同，比方金融职业就十分灵敏，是强监管范畴。因而，企业需求对积极重视方针改变带来的影响，才干既快又稳地运用好AI技能。

第三，企业要具有依据运用场景去匹配模型的才干。短期来说，明显影响AIGC运用作用的是prompt engineering的才干；但从长时间动身，能否有一套主动把杂乱事务解构化的才干，对企业来说尤为重要。大模型其实各有特点，其自身的常识量、了解力、生成才干、推理才干、处理多任务才干，乃至价值观导向都会是不相同的。所以运用的时分，要挑选不同类型的模型在不同的场景里边进行组织。对企业来说，要有归纳性的了解、要有区别性的实验，然后才干做好模型和场景的匹配。

那么，AI大模型生成的内容牢靠吗？这个问题或许是阻止许多企业深度拥抱AIGC的要害。

关于运用过ChatGPT的人来说，有时会发现它所体现出来的效果颇有“外行看着像熟行，熟行看着纯外行”的感觉。

“生成式AI不只仅是生成一个东西直接拿给人用，而是让它以Copilot（Copilot一词源于飞翔术语，指副驾驶员。在飞翔进程中，Copilot是帮忙主驾驶员操作飞机的人。放到人机协作中来了解的话，AI承当的便是相似Copilot的人物，咱们能够经过和它对话来取得信息。比方让它进行信息提炼总结等。）的人物去和人进行交互、对话，来了解事务场景和事务需求。”周伯文在FBIF2023营销立异论坛上共享道，“咱们要把一切了解变成生成式内容，再交给人来判别。在这样的重复迭代进程中，咱们能够经过这样人机协同的机制来促进生成式AI在工业的落地。”

“诺贝尔经济学奖得主丹尼尔·卡尼曼有一本十分闻名的书《考虑，快与慢》，里边提出两种思想决议计划形式：体系1是依据大脑快速决议计划，体系2是经过慎重考虑来决议计划。这两种形式十分合适现在人工智能的落地方法，人类职工担任做体系1的决议计划，由于人简单做，对专业要求也没有那么高。体系2对专业性要求很高，现在生成式AI能把大部分体系2的作业给做了。”周伯文进一步共享道。

04  结语

咱们不得不供认，在当下AI大模型还很难一次性满意一切需求。可是，咱们不能疏忽的是，现有的深层次AI现已具有的呈现才干和人工反应机制，能够帮忙他们在沟通中与人类之间的磨合越来越好。这就像交朋友相同，咱们历来不能盼望能够遇到一个不需求沟通就能全身心符合的魂灵伴侣，但咱们能够经过继续的沟通沟通来打造一个最懂咱们的好辅佐。

练习AI大模型的这条路上，需求工业的更早参加和赋能。

参阅来历：

[1] 水论文的程序猿，预练习言语模型的宿世此生，博客园，2022年7月12日

[2] 玉堃，Transformer：注意力机制（attention）和自注意力机制（self-attention）的学习总结_注意力机制和自注意力机制，CSDN博客，2022年9月6日

[3] 我国消费品牌立异困境安在？｜营销人说，*财经YiMagazine，2023年4月26日