今年2月18日，跃盟科技Deepleaper再次获得融资，宣布完成1.25亿元人民币的B轮融资。由沣源资本、信中利资本、华业天成基金、寻找中国创客导师基金共同投资。而在此之前，2016年7月，跃盟科技完成由倍特福莱德资本领投的天使轮融资；2017年5月，完成由洪泰基金领投的A轮融资；2018年3月，完成由智度股份等的A+轮融资。

从2016年创立至今，跃盟科技一直关注于通过人工智能AI技术，缩短信息传播路径，消除信息垃圾，提高媒体的商业信息分发精度，提升广告主的支出与收益等效率问题。近年，AI＋已经成为行业大势所趋。今年两会期间，政府工作报告针对人工智能发展表述的关键词，已经从“加快”、“加强”变为“深化”相关技术的研发应用。

在我们每个人的日常生活中，广告的“渗透”无处不在。广告最早诞生于商业交易行为，因而广告行业既是一个古老的行业，广告推送又是一个极为复杂的商业行为。随着科技的发展，广告行业从平面纸质、广播、电视，涌向PC网络，甚至移动互联网。今天广告行业已经发生了翻天覆地的改变，而人工智能AI技术的应用，也给予广告行业一些新的思考和借鉴。近日，雷锋网独家专访了跃盟科技的创始人王冉先生，就广告行业＋AI技术，以及广告行业乃至整个AI行业未来的发展，跟雷锋网进行了深度对话。

跃盟科技的核心技术团队，主要来自于百度、腾讯、阿里等搜索部门或者AI部门。基于强大的技术背景，跃盟科技自主研发的商业语义处理引擎，在人工智能自然语义处理与深度学习领域，拥有商业语义认知、智能决策、商业图谱、实时兴趣网络等相关的多项国内外技术专利。

移动互联网时代：信息分发效率急需提升

提问：先介绍一下跃盟科技，怎样通过AI技术，帮助客户实现广告的精准投放？背后逻辑何在？

王冉：我们是最早做NLP到垂直行业产业应用的公司，因为早期团队很多人出身搜索公司，我们创业选择广告行业，最开始完全凭借对信息传播演进的感觉。在PC时代，搜索是全网信息的大总管，负责抓取、排序处理所有的信息。搜索公司对信息的处理能力代表着全网信息处理效率，搜索广告在用户的关键需求路径上，为用户提供服务的同时，带来了巨大的商业价值。

 在移动互联网时代，信息分发的效率整体精度变低了。谷歌、百度均面临这样一个问题，即用户需求被细分到APP中，不再依赖搜索引擎去分发全部信息，也就意味着搜索引擎的影响力在下降。各种各样的垂直细分服务APP，让移动互联网变为“诸侯割据”的局面。每个APP信息处理能力不同，商业化逻辑各不相同，信息处理的广度增加，精度在下降。

搜索是一种高级的信息获取行为，首先需求在人脑中形成映射，这种映射需要用文本的方式描述清楚，然后输入到搜索框中，点击搜索按钮，阅读搜索结果，完成搜索行为。只有少数的人能很好的使用搜索完成信息需求，对于大多数的人来说，搜索比较难用。作为一种全新的信息获取机制，信息流很好的解决了大多数人获取信息的问题：推荐时效性的信息，平衡精准需求与多样性需求，用户只需要在列表页中不断地点击、返回与刷新，用户行为、算法和内容不断地产生交互关系，以信息找人代替人找信息，增加用户获取信息的广度与推动个性化程度的演进。

毫无疑问，广告属于信息的一种，香农对信息的定义是：“信息是一种消除不确定的东西”，显然今天的广告，从信息有效性的角度上状态非常糟糕，很多用户不满意。如果全行业的广告点击率低于1%，也就意味着99%以上信息推送，都是信息垃圾。在数字营销行业AI的产业落地，需要一套组合拳，即通过整个数据闭环即可预测用户现在或未来的消费趋势，针对特定用户推荐特定信息，实现实时计算广告，能够在媒体收益与用户价值之间更好地找到平衡，在提高媒体收益的同时，降低媒体用户接触广告的绝对数量。

提问：跃盟科技主要是通过NLP的AI技术，察觉到用户的喜好，还有其他技术吗？

王冉：在开放域不确定与不完美信息的情况下做NLP与智能决策的产业落地是个灾难。所以把问题放在单一域里，通过确定或者相对完美的信息去解决实际问题，才有机会实现从算法到产业的落地。实时计算广告是一个相对比较复杂的技术方案，一方面媒体端既需要挖掘用户的长期兴趣等静态属性与当前的用户行为计算用户的实时兴趣网络；另外一方面结构化商品、服务形成静态的知识图谱，也需要结合促销、库存等动态属性构建商业知识图谱。

提问：跃盟科技服务的客户很多，包括OPPO、小米、奥迪等企业。在用自己的技术服务客户时，广告效率或者说广告的转化率是怎样一个评判标准？

王冉：从预算的宏观角度，广告主对广告效率的要求与媒体端对收入的要求是相冲突的，假定单位用户的商业价值恒定，广告主希望用更低的价格获取该用户，媒体希望用更高的溢价做该用户的广告展示，这似乎是一对很难调和的矛盾，这也导致了当前广告模型不是一个用户价值最优的模型，价格最优模型让适用性广泛或者毛利率更高的下载、游戏、非企类广告主更容易获得广告曝光的机会，使得大量的用户实时需求无法被满足，大量的广告主无法找到目标用户。

广告主与媒体端得分开来看，站在广告主角度，关心广告投放的TA浓度（target audience，目标用户）以及ROI(return on investment)效率，媒体端商业化关心收入、ECPM(effective cost per mille)与ARPU(ARPU-AverageRevenuePerUser)值，除了这些一级指标之外，还有二级、三级指标。无论是广告主端还是媒体都需要一个综合模型来做流量/预算的精细化运营。

作为一家科技公司，希望与我们的客户一起，通过底层技术的革新推动整个数字营销行业的正向发展，所以不单单是通过产品或者算法从指标的角度上来做双端提效，还做了非常多的产品创新的努力。

提问：一方面，跃盟科技怎样说服用户，使用跃盟的技术。另一方面，目标用户庞大，在广告精准投放给目标用户之后，用户满意度的提升的结论是怎样得出来的？

王冉：首先，很难通过说服客户来使用我们的产品，只能发掘客户的需求，共同找出合适的解决方案。基本上都需要经过建立信任、小规模测试到全面合作的过程。这跟我们每个客户所处的商业化状态相关，有的时间很短，有的需要我们与客户一起从基础做起。

广告的用户满意度提升可以分为定性与定量的两个测量方向。我来举一个定量测量实际的例子。去年参加了奥迪创新实验室的项目，并且拿到了未来零售发展的冠军。在项目中我们将广告的着陆页由一个产品与活动的固定页面，变成了一个千人千面的商业信息流。

通过实时兴趣网络结合商业知识图谱，让处在不同购车生命周期的用户看到了完全不同的商业内容。通过a/b测试对比传统的着陆页，不但使得用户内容点击次数翻了5倍，甚至还产生了交易。这个行为其实把广告由针对用户push(推送)变成pull（拉取），真正站在用户需求的角度上，以商业内容满足其不同购车阶段的需求，实现用户体验与商业价值的双赢。

提问：整个评判体系从商业收入，到用户留存率很复杂，这样AI公司背负的KPI会不会过重？

王冉：指标只是客户需求的表现形式罢了。如果客户本身就背负这些指标，我们必然需要帮助用户把这些指标做的更好。这个跟是否背负指标本身无关，跟是否满足客户需求相关。当然技术不是万能的，不可能满足所有的指标需求，特别是指标体系本身就有一定的冲突性，我们也需要与客户一起找到平衡点。

提问：市场客户的广告需求量大吗？有没有迫切的愿望，希望改变自己广告的精准投放？

王冉：几乎所有的企业都有迫切的愿望去改变今天的广告现状，但一旦衡量成本以及收入难易程度时，是否有足够动力，或者用技术化的手段去改变现状，每一家的情况不同。今天流量红利已经见顶，大家比拼的是单位效率，单位效率不可能单纯通过运营的手段解决，一定是结合技术的手段去解决。

提问：流量的精细化、广告主的精细化、用户的精细化，三者关系如何，能不能同时增加变得更好？一个算法公司或者一个创业公司能否做到？

王冉：从信息的演进方向来看，一定是向着缩短路径，提高传播有效性的方向发展，在信息有效性的角度来看，流量的精细化、广告主的精细化、用户的精细化是推动整个行业向前发展的基石。媒体端以前还有流量红利、新增流量，现在媒体流量变成了“零和游戏”。这会导致媒体端精细化运营需求愈发强烈，渴望通过精细化运营的方式，使得流量获取的效率变高，缓解背负的KPI压力。广告主端获客成本急剧增加，在严格考核的基础之上，怎么发挥第一方数据价值，深挖运营转化漏斗，提升路径转化效率也变成了刚性需求。

而从投入产出的角度来看，技术的投入是永无止境的，任何一个公司的投入成本是有上限的。通过第三方去解决问题是一个更理性的选择。无论是体量、规模还是专业性，创业公司都更有动力把这件事做好。具体是不是能真的做到，一方面看创业公司的持续投入能力，另外一方面也看最终的产出效果。

提问：从需求一侧来看，对广告投放需求强烈的公司，互联网性质的企业是否偏多？智能硬件公司广告投放的应用在哪里？

王冉：目前从预算规模来看，电商、资讯、教育、金融、汽车、旅游这些头部客户行业中互联网性质的企业的确偏多，但趋势也在发生一些变化：随着app下载类的预算难以维继，品牌、表单类的广告主正在成为新增预算的主要贡献者。

从媒体端的发展来看，头部集中效应在减弱，流量红利消失之后的存量市场，大型综合媒体用户的注意力总是被新兴的垂直媒体掠夺，同时设备流量的兴起，也变成潜力巨大的腰部媒体。OS本身是非常好的自生流量源，对于用户而言，操作系统提供的服务越来越贴心。系统内置应用加上微信基本上可以满足绝大部分的用户需求，中国的安卓生态在未来也许会更近一步，提供更短路径的内容与服务。

人工智能AI企业：数据隐私的边界在哪里？

提问：例如字节跳动旗下的短视频产品，抖音等，发展后期通过广告精准投放营销，实现盈利。那么，对于大企业而言，对于数据的把控能力更强。不愿意将自己的数据泄漏给第三方公司，更愿意自己去做数据处理、精准分发，跃盟科技怎样说服大企业客户？

王冉：我认为首先整体行业现在是非常糟糕的互相不信任状态，无论是巨头，还是创业公司之间，在合作的过程中都需要很长一段时间建立信任机制。而数据是一个笼统的概念，涉及到用户隐私数据，的确不应该以任何形式泄露给任何第三方公司。通过脱敏、去隐私化之后的用户行为数据，可以通过某种共识机制为用户提供更好的服务，我认为会逐渐开放出来。当然这个开放是缓慢与逐步的，一方面要求使用这些数据的公司严守底线，三观要正，另外一方面从法律法规上要进行逐步规范。跃盟有一套完善的数据对接方案，针对不同的客户诉求，提供满足其需求的解决方案。

提问：数据规范方面，欧洲有GDPR准则。有一部分观点认为，GDPR准则可能会限制AI的发展，过于严苛反而适得其反，您怎么看待这个问题？

王冉： GDPR目前来看对于隐私数据与用户行为数据显然一刀切了，出于对法律的敬畏，的确会限制AI技术公司的发展。尽管AI的发展本质上对数据是有依赖的，但它依赖的不应该是隐私数据。针对GDPR也有一些解决方案，例如建立起一种新的机制，本地计算与云端计算相结合，数据存储在本地，用模型下发与上传的方式提供更好的解决方案。

提问：采集得用户的数据越多，绘制用户肖像更完整，从而广告投放的也愈加精准，这个说法是否正确？

王冉：我们今天谈论数据时，大多数公司或者个人都认为，要拼命拿到用户的所有数据，才能更好的刻画用户。其实没有必要绘制完整的用户肖像，这个问题不能以整体了解局部。也与生活常识相违背，真正好的广告应该是实时计算，基于当前需求、建立长期性、综合的实时兴趣网络，在网络中帮助用户去拉选整个互联网端的所有商品和服务。所以，最好的广告是Pull（拉选），而不是Push（强推）。

高度竞争的市场：大小企业各自分工不同

提问：搜索公司、电商公司、短视频公司，目前都在做用户广告或者内容方面的精准投放。从调用资源的角度来讲，会不会更加容易一些？

王冉：从大公司出来创业，对大公司以及小公司的差别体会很深。大公司的好处在于可以集中精力办大事，特别是大规模集团军作战的能力非常强，当然也有它的局限与弊端，一个是人才更多流向稳定的核心业务，大家都不乐意做tough（艰深）的领域，另外既有的业务往往成为包袱，没有破釜沉舟的决心去做即使战略上认定对的事情。小公司就灵活的多，同时人才的流动使得在局部，小公司的精英程度甚至要比大公司强一些，做事欲望更强烈一些，这也是往往创新都来自于小公司的主要原因。创业公司早期做的很多事情往往是大公司看不上的，创业公司的领域是tough（艰深）又利润微薄的。创新性与底层技术革新，使得整个互联网行业的更新迭代不断发生着，即使巨头林立，小公司的机会仍然很大。

提问：跟国内外环境有关系吗？国内环境更加多元化，成长环境，对于创业型公司更加包容？

王冉：Facebook、谷歌也都是从小公司成长起来的，每一代人对于互联网产品的需求是完全不一样的。现在的00后用的很多应用是我们没有听过、用过的。行业的革新在于实现更好的服务、更短的信息路径，把更好的结构化的产品摆在用户面前。我一直认为，大公司有大公司的优势，创业公司有创业公司的长处。比如，大公司很多的决策流程是很痛苦的，业务分工高度细分、垂直化，每个人有自己的既有优势，同时，在某种方面也限制了个人全方面的发展。不管是什么公司，产品一定具有先进性，而往往先进性的产品是小公司最先做出来的。除了先进性，更需要协同性，在领域中扎根足够深。随后思维、认知、产品、算法到商业模式的先进性都会涌现出来。只要视角不断快速迭代，验证之后再往前跑。创业型公司也可以收获成功。

提问：大型企业与创业型公司在AI领域各自的角色是什么？大公司侧重于基础性的技术研究，创业公司侧重于应用、前沿性研究是吗？

王冉：是的，大公司扮演行业推动者的角色，小公司扮演产业落地的角色。

提问：大公司在对业绩有所帮助的新领域，抓得比较牢靠，不希望第三方公司插手？另外对于传统实业型企业，既没有互联网调性，也没有硬件基因的企业，服务这种企业容易吗？

王冉：这个问题的前提是，大公司做出了这样的选择。从现有的经验来看，大公司跨领域往往做的不是很好。因为它没有发自内心的渴望，而只是把它当成了Business（商业），就是有限的投入，获得相应的产出。当然，它们从改善自身业务的角度投入，是非常正常的。而将投入的事情改变行业，则非常难。因为业务逻辑不通，很难以自己的角度说服其他人。互联网人，往往缺乏对传统领域的理解与足够的尊重。我们认为重要的东西，他们不一定认为很重要。我们认为AI能改变一切，对他们来讲则是行不通的。任何一家公司跳到新领域里面，面对的都是陌生的，这是各家公司的不同选择，各有利弊。

提问：跃盟科技的企业性质是to B，从去年开始，很多大型公司都开始重视这个领域，坚决要“变革”全力to B。to B和to C差异很大，您认为创业企业和大企业相比to B的优势在哪里？

王冉：我没觉得to B 还是to C有那么大的差异，本质上还是以用户为中心，提供价值服务。即使所有的大公司都开始to B，小公司也是仍然有机会的。因为一定有一个空间、缝隙，是大公司不能服务好的事情，做不好的事情。反过来to C也是一样，今天这个领域仍然有机会，毕竟能提供长期价值的服务，永远都会有竞争力。

前行中的AI行业：开放域到单一域的抉择

提问：从AI整体行业来看，一些独角兽企业现在都在找落地场景，您认为AI领域哪些落地场景您比较看好？

王冉：我当初选择广告场景，就是因为看好这个方向。在AI平台化的时代里，有两种产品逻辑。一种是，横向逻辑，通过AI通用平台延伸到垂直领域的解决方案。另外一种是，垂直领域深挖。总体上是，一个大垂直横向的平台和垂直行业的横向平台都比较有机会，当然我们选择了垂直领域深挖。

提问：近期，外媒报道欧洲四成自称为人工智能AI初创企业的实体，事实上并不使用人工智能技术，只是把AI当作一个噱头。请问从技术本身的角度来看，AI是刚性需求吗？

王冉：除了PR（公关）的包装需求，归根到底，取决于公司的业务场景是否适合应用AI技术。小样本量、小数据量的场景没必要用算法或者非常复杂的深度学习网络解决问题。一个行业火了之后，难免会出现大家都往风口凑的这种情况。行业的浮躁跟产业、金融、资本之间的关系，信息差、信息不对称等因素都相关，不完全是创业公司的问题。

提问：跃盟科技在2016年就成立了，早于AI元年2017年，在当时您从大公司出来创业背后的考量是什么？

王冉：其实，也没想那么多。创业很大程度上是自己跟世界对话的一种方式，当你的认知跟行业大多数人的认知不同，就只能选择自己努力去推动它。因为路途艰辛，可能真正让你痛苦的事情才能坚持下来。信息的垃圾率让我很痛苦，我想为之努力，尝试改变这个状态。

提问：目前为止，跃盟科技已经融资多轮，未来有没有想过被大企业收购，日子过得舒服一些？

王冉：这还真没想过。虽然创业是苦点，整体精神上还是很愉悦的。毕竟一点一滴的去推动理想中的信息世界，苦一点还是很值得的。无论是产业资本还是战略投资，能帮助我们，推动加速都欢迎。更多衡量的是能否推动事情加速，舒服这个不太重要。

提问：就像工业互联网一样，不同行业的壁垒很深，经验不能复制。毕竟，广告行业分类较多，户外广告、电视广告、互联网广告等等。对于AI+广告行业存在这种问题吗？

王冉：当然存在，细分领域之间的壁垒也比较高。但是工业互联网的难点在于，以前数据的存储、清理、应用是局部的，今天把他们穿起来变成一张大网，环境跟环境之间要有协同，行业跟行业，产业上下游之间要有协同。现在的互联网已经习惯于数据的生产、存储、交换，这种方式天然存在，所以只要这个维度打通，垂直领域之间的衔接就有机会，需要的是把协同效率提高。

提问：跃盟科技跟传统企业的广告业务对接的多吗？

王冉：很多，传统企业的这个标签非常不好，在垂直领域他们才是最先进的企业。例如，汽车行业的客户平均购车生命周期是6个月，大致分为3个月的对比期、1个月的交易期、2个月的售后期，从业者是非常清晰的，但受限于对TA的需求细分能力，广告更多是在找交易期的用户。而对比期与售后期的用户从看到针对交易期的促销广告，是没太多价值的。针对对比期的用户，提高品牌认知与车系与车型的专业知识的覆盖，针对交易期的用户及时提供试乘试驾体验与促销信息，到了售后期有一整套的内容让用户更方便的使用车辆，以此方式通过互联网来定位出用户的不同生命周期阶段，给他提供这个阶段里面的有效、个性化信息。互联网技术可以实现站在用户角度上个性化需求的满足，这是最近我们与客户共同探讨与实践的营销方向。

提问：创业几年，对行业有什么感受？整体看好吗？

王冉：非常看好，数字营销支撑着整个互联网的经济基础，占据着绝大部分的行业收入，提高这件事的整体效率，会让整个行业变得更好，是值得付出绝大部分人生奋斗的事情，探寻一种更高效的信息分发方式，提高行业信息效率很迷人，但很艰辛。容易的事都被聪明人做了，那我们就踏踏实实做点艰辛的事好了。

提问：一些AI＋广告的公司非常垂直、细分，比如只做视频方面的广告投放。和这些公司相比，跃盟科技在企业策略以及技术上有什么优势？

王冉：AI行业的垂直细分非常多，落地场景也多种多样，视觉、语音、语义在多种场景下都会产生非常多的交叠。视频场景是一个很好的方向，也有很多做的非常棒的公司，市场空间也很巨大，我们也与其中一些优秀的公司正在合作，探讨行业更好的解决方案。

提问：现阶段，国内投身AI行业的企业非常多，您对AI行业的企业有什么建议吗？

王冉：这次的AI浪潮是历史上最大的一次，我也希望它影响更广，能在更多场景落地，我是坚信AI对人类社会积极那一面的，所以也希望越来越多的创业者大家一起努力把这个行业做好 。尽管今天还有各种各样的瓶颈，在开放域里不确定不完美信息的情况下，NLP与智能决策的落地难度很大，所以大家都需要把需求聚焦，在单一域里相对确定与完美的信息角度去解决实际问题。