文章核心观点 - 大语言模型的技术红利正驱动电商行业新一轮增长，行业处于从“判别式推荐”向“生成式推荐”跨越的关键节点，这将提升用户留存时长与广告转化率 [1] 生成式推荐技术发展 - 生成式推荐利用大语言模型的序列建模与推理能力，大幅提升推荐效果 [1] - 2025年2月，阿里巴巴技术团队引入大型用户模型，其性能优于最先进的DLRMs和E2E-GR方法，并展现出出色的可扩展性，重构了“人-货”匹配逻辑 [1] - 随着缩放定律在推荐领域的验证，行业正突破传统深度学习的瓶颈，能打破信息茧房并通过统一的端到端框架降低工程成本 [1] 交互界面与流量入口革新 - 千问APP公测后月活跃用户数快速提升，2026年1月14日MAU突破1亿，并将在2026年1月15日发布全新版本 [2] - 预计阿里巴巴将用集团生态反哺千问APP入口，其与豆包的差异化在于Agent与集团生态协同，可期待千问agent打通高德、淘天、闪购、飞猪等阿里生态 [2] - 亚马逊推出的AI购物助手Rufus改变了传统搜索框模式，允许用户通过自然语言提问进行比价、选品和获得建议，标志着生成式AI正式重塑电商的流量入口与分发机制 [2] 相关投资标的 - 重点推荐阿里巴巴-W(09988) [3] - 建议关注产业链标的分众传媒(002027.SZ)、值得买(300785.SZ)、壹网壹创(300792.SZ)、微盟集团(02013)、石基信息(002153.SZ)、青木科技(301110.SZ)、美登科技(920227.BJ)、每日互动(300766.SZ)、焦点科技(002315.SZ)、光云科技(688365.SH)等 [3]

行业变革：AI电商重构流量与交易逻辑 - 行业核心变革是从“人找货”的搜索或“货找人”的算法推荐，进化为“所想即所得”的生成式推荐与交易，标志着AI正从“聊天框”走向“收银台”[4][8] - 流量入口发生根本性变迁：PC时代是搜索框，移动时代是App图标，AI时代则坍塌为简单的对话框，对传统电商形成“降维打击”[6][7] - 摩根士丹利预测，到2030年，智能体式电商交易额将达到3850亿美元，占美国电商总额的20%，意味着未来五分之一的消费由AI完成[27] 阿里巴巴：战略布局与核心优势 - 公司通过千问APP打造C端超级入口，实现“意图即交易”，用户可用自然语言指令直接完成外卖、机票、酒店预订及政务办理等操作[1][9] - 千问APP基于Agent技术深度整合阿里生态，成为集团商业帝国的“总控台”，暴力打通淘宝、饿了么、高德地图、飞猪等高频场景[28][29][32] - 公司核心优势在于Qwen大模型全球下载量突破6亿次，且背靠阿里积累的电商交易、物流及本地生活数据，构成独特护城河[30][31] 商业模式：AI商业化的清晰路径 - AI切入电商后，商业模式从“卖广告”转向“卖服务”，变现路径极短，核心模式包括佣金模式和意图广告[33][35] - 数据显示，购物过程中使用亚马逊AI助手Rufus的顾客，购买转化率提升了60%，验证了AI电商模式的高效性[35] - 千问APP在2026年1月14日月活跃用户突破1亿，带动整个产业链发展，服务商在代运营、营销及SaaS工具等领域寻找机会[37][48] 竞争格局：全球巨头的“生死时速” - 全球科技巨头竞逐“AI超级入口”：谷歌Gemini整合购物流程，OpenAI制定电商协议标准并与Shopify等合作，亚马逊用Rufus守护闭环生态[39][41] - 亚马逊采取闭源自研策略，其Rufus助手在2025年月活用户同比增长140%，并通过法律手段构建数据壁垒[40] - 国内竞争激烈，字节跳动“豆包”试图突围，但在接入阿里系应用时遭遇障碍，而阿里凭借模型、数据与闭环交易基础设施形成综合优势[31][39][43]

文章核心观点 生成式人工智能正在全球范围内深刻重塑广告产业的底层逻辑、生产模式和用户体验，推动行业从程序化广告向智能广告系统演进，实现从广告生产、投放到效果归因的全链路智能化变革，并在此过程中引发流量入口、素材生成、投放机制及行业角色等多方面的结构性变化 [3][4][6] 流量入口重构 - 人工智能助手（如Siri、小爱）正在被重塑为“超级入口”，通过“去皮化”操作（如不打开App直接完成点外卖）削弱了传统超级App对流量分发的控制权 [7] - 广告分发路径正从以App为中心转向以人工智能代理为中心，导致用户接触点更碎片、广告投放入口更加多元，平台广告生态结构或将重构 [7] 素材生成自动化 - 生成式智能技术已广泛应用于文案撰写、图像延展、短视频自动拼接等基础任务，大幅提升了广告素材的生产效率和质量 [8] - 生成式召回通过理解创意内涵，从海量素材中智能、精准地为用户生成或挑选最匹配的候选广告，推动广告范式从“千人千面”向基于实时场景的“一人千面”演进 [8] - 人工智能技术正在打破高质量内容生产的门槛，使中小品牌有机会加入原本成本高昂的营销战场 [8] 个性体验极致化 - 人工智能生成广告的目标是实现“一人千面”，即真正理解每个用户的语境、场景、偏好，并实时生成定制内容，例如谷歌Gemini模型可根据复杂查询生成带有推荐理由的产品列表 [9] - 广告版本可随用户语境变化实时生成，实现“交互即投放”，广告角色从“刺激点击”转变为“促成决策” [9] - 购物智能体的兴起进一步缩短转化链路，用户可直接在与机器人对话中完成比价、下单甚至支付 [9] 广告投放机制变革 - 生成式智能正逐步渗透广告投放的底层机制，对点击率、转化率、竞价模型等核心环节带来变革 [10] - 大模型具备更强的语义理解与内容生成能力，有望提升用户兴趣识别与投放的匹配精度，实现从流量逻辑向兴趣逻辑的转变 [10] - 以美国广告技术公司AppLovin在2023年推出的AXON2.0推荐引擎为例，其在原有机器学习架构上引入人工智能优化，推动了平台业务的显著增长 [10] 广告代理商角色转型 - 人工智能正在取代代理商大量重复性、执行性工作（如批量文案生成、素材改图），促使代理商将精力转向提示词工程、消费者洞察、创意策略调度等高附加值环节 [11] - 代理机构角色从内容生产者转变为“模型优化师”、“智能素材编排师”，专注于提示词优化、A/B测试策略、内容微调等创新服务 [11] - 专注于广告模型开发、投放链路优化、广告智能体开发等的垂直AI创业团队或将成为广告产业的新型服务商 [11] 人机协作模式升级 - 生成式人工智能正从“生成工具”升级为“实时协作者”，以“智能体”等新形态推动数字广告生产模式从程序化向人机实时协作转变 [12] - 例如腾讯“妙思”、“妙问”等智能体产品，可在脚本初稿、分镜设计等环节与创作人员同步迭代，并提供即时可视化素材 [12] - 智能体可实时分析社媒数据，使市场反馈自动回流到创作端，形成“数据洞察—创意生成—市场测试—迭代优化”的闭环，在保证量产效率的同时显著缩短高品质广告的试错周期 [12] 技术应用与行业案例 - 谷歌在2025年I/O大会上发布的“AI模式”将Gemini模型深度嵌入搜索、推荐与广告生成流程，展示了广告从“被动呈现”到“主动交互”的转变 [3] - 腾讯AI广告创意平台“妙思”借自主研发的混元大模型打通创意制作、投放流程与广告审核多个环节 [3] - 在跨境电商广告投放中，生成式智能技术被广泛应用于人群洞察、素材生成与多平台投放策略优化，显著提升了投放精准度与人力资源效能 [4] - 部分品牌通过虚拟数字人开展可控化内容投放，持续产出直播内容以降低人力成本，并规避广告代言人“人设塌房”风险 [4] - 企业借助腾讯“转化宝”等工具追踪用户路径、分析归因数据，打通广告引流与私域转化的全链路 [4] - 某电商平台在“618”大促期间，利用智能投放系统为单个用户生成47版差异化广告 [16] - 某金融科技公司使用AI系统在3小时内生成并销毁12万条广告，其中违法内容虽占比不足0.3%，但绝对数量达360条 [16]

文章核心观点 - 大模型正推动搜索、广告与推荐系统进行全链路智能重构，但当前行业距离端到端的统一pipeline仍有较大差距，更多工作集中在pipeline的单点与大模型结合[4] - 搜广推场景中的scaling law依然成立且处于快速上升阶段，但需在模型规模、收益与算力/时延成本间找到平衡[4][17] - 落地策略应务实，低价值场景用小模型覆盖，高价值场景用大模型争取额外收益，技术革命是逐步积累的过程[4][19] 大模型对搜广推的改变 - **特征工程变革**：大模型（尤其是大语言模型）为特征构建提供了更丰富的补充，能生成标签化或向量化的语义特征，减少线上模型对统计类、交叉类特征的依赖，提升推理效率[6] - **数据与样本构建的系统化转向**：从传统特征工程转向更系统化的数据与样本构建，需要大量基础性工作（如数据清洗、高质量思维链样本构建、多模态语义对齐）来确保大模型发挥价值[8] - **能力聚焦于语义理解与推理**：大模型的核心价值在于强语义理解和一定程度的推理能力，适合传统算法语义理解弱或逻辑链路长的任务（如电商从兴趣到决策的长链路），而非毫秒级短反馈链路[10] 系统架构的演进路径 - **渐进式叠加而非全面重构**：由于全面重构pipeline成本高且收益难量化，行业普遍采取在现有pipeline环节（如特征工程、召回、重排）逐步叠加或替代大模型能力的渐进策略[9] - **端到端方案当前收益有限**：期望大模型端到端输出推荐/搜索结果的做法在多数场景中无收益甚至负向，因此需系统性拆解问题，在各环节单独验证收益[10] - **当前处于“多点突破”阶段**：行业与学界均未实现一体化推荐链路，更多工作是在pipeline的单点与大模型结合，属于多点突破而非全链路重构[12] 搜广推场景中的Scaling Law - **Scaling Law明确成立且未达上限**：搜广推领域的模型同样存在scaling law，且边际效益远未触及上限，尚未像大语言模型那样出现明显边际递减[13] - **有效参数规模比总参数规模更关键**：研究发现，小模型能力不足常因有效参数比例低，当有效参与推理的参数规模扩大时，性能提升趋势明显[15][16] - **存在通用规律但受约束限制**：推荐领域可以研究通用的scaling规律（如提出的P-law），但线上推理受实时性（如300毫秒预算）、算力与工程成本约束，限制了模型规模的线上释放[14][15][17] - **放宽约束后效果显著提升**：实验表明，若放宽实时限制（如允许3-30秒推理）并使用更大规模模型（如200B–300B），或放宽输入限制（纳入丰富描述），模型效果有显著提升[16] 模型规模、收益与成本的平衡 - **分层策略**：低价值场景使用小模型或通用小模型覆盖；高价值场景（如开屏、信息流、搜索核心位）在ROI能覆盖成本时，才使用更大规模模型争取额外收益[18][19][20] - **优化小模型能力**：通过模型蒸馏、分层剪枝、MoE机制减少激活参数量来降低线上成本[18]；或利用大模型生成更高质量的训练数据，帮助小模型突破性能瓶颈[19] - **ROI是核心决策依据**：模型是否合格取决于在特定场景中能否达到目标效果，关键在于资源的最优分配，而非一味追求更大规模[19][20] 工程挑战与应对经验 - **实时数据与模型快速迭代的难题**：搜广推高度依赖用户实时数据，传统模型可分钟/小时级更新，但大模型训练推理在线下，同步更新困难，需设计高效数据流pipeline并探索部分参数冻结等增量更新方式[21][22] - **离在线不对齐与新模型上线难**：离线表现良好的新模型，因在线模型长期积累历史数据，或线上环境存在结构性误差，常难以在短期内打败旧模型[22][34] - **模型适配与线上Serving的高成本**：开源模型与业务数据、训练平台、线上serving的时延资源要求存在巨大适配gap，且模型结构微调常需重写线上serving图，迭代成本高[23] - **解决方案探索**：开发多智能体强化学习模拟器构建沙箱环境，让新旧模型在模拟中对比以获得更客观评价；对于新旧模型差距，需判断新模型的scaling潜力，或通过AB实验检验其随时间收敛的能力[24][25][35] 生成式能力的应用与未来展望 - **当前应用集中于内容理解与生成**：生成式技术在多模态广告/营销素材自动生成、创意文案、会议纪要生成等辅助任务上已大规模应用[27][28][29] - **向核心业务环节渗透**：正在探索生成式推荐承担全流程线上推断的可能性，以简化工程体系并提升效果；也在尝试用于item筛选、广告策略规划等更核心任务[27][29] - **未来期待高度灵活的智能体**：当前智能体多基于人工预设workflow，未来期待具备自主规划与研究能力，能在更少人工干预下完成复杂任务[30] 大模型时代搜广推系统的生态与团队影响 - **特征工程可能被知识工程取代**：模型可能直接基于用户原始行为语料构建，并通过大模型构建的知识库等增量知识补充信息，以应对冷启动等问题[30] - **智能体将扮演更重要角色**：特征工程或模型训练流程可能以智能体编排方式推进，算法工程师角色可能向“跑模工程师”演变[31] - **需明确基础模型与任务定义**：需厘清搜广推基础模型的决策机制（如如何处理离散ID），并形式化定义任务边界与结构，才能使智能体有效工作[31] - **业务场景定义差异大**：不同环节（召回/粗排 vs 精排/重排）所需辅助信息不同，涉及item关系、用户兴趣变化、多样性指标及多模态信息等[32] 实践中的认知转变与建议 - **认知转变：序列建模成为核心方向**：曾认为语言Token建模不完全适用于推荐，但HSTU等序列模型的出现展示了处理用户长行为序列的潜力，成为推荐领域的核心方向[36][37] - **数据是决定性因素**：业界共识是“有多少人工，就有多少智能”，高质量数据是工业场景中发挥模型能力的基础，需沉淀专业化的知识工程体系[38] - **重新思考推荐系统解决的用户问题**：推荐系统需根据用户不同意图状态（如随意浏览、明确搜索、深度对比）调整策略，利用大模型的推理能力辅助用户决策[38] - **给从业者的建议**：拆解业务链路，找到与大模型结合的合适切入点，不必过度关注短期效果爆发，重视逐步积累[39]；不设过强边界，所有核心业务问题最终都需被解决[41]；思考自身场景的优势与差异化能力，构建产品力与生态价值[40]

直播核心信息 - 直播主题为大模型时代下的搜广推系统实践 探讨生成式推荐如何上量等关键挑战 [2][4] - 直播时间为11月26日20:00-21:30 嘉宾来自荣耀 华为 京东及中科大等企业与学术机构 [3][4] - 直播将提供120+大模型实战干货解析 覆盖金融风控 智能制造 零售推荐等多行业应用案例 [7] 行业核心挑战与议题 - 生成式推荐落地后关键挑战包括 scaling law 在搜广推场景的有效性边界及线上推理延迟与成本的平衡 [2][4] - 大模型正推动搜索 推荐与广告系统进行全链路升级 多模态与行为大模型如何融入全链路成为焦点 [2][4][7] - 行业关注生成式内容 特征及策略在推荐与广告系统中的实际价值与应用路径 [4][7]

生成式推荐新范式概述 - 传统“召回+排序”级联式推荐架构收益触顶，生成式推荐成为行业热门话题[2] - 生成式推荐利用层次化语义ID表示用户历史序列，直接生成用户下一批可能交互的物品列表，显著提升模型智能上限并引入Scaling Law可能性[2] - 快手OneRec通过端到端推荐大模型实现资源可控且带来真实线上收益的推荐革命[2] MiniOneRec开源框架核心贡献 - 提供生成式推荐领域首个完整开源方案，实现全链路、一站式、端到端训练与研究平台[4] - 代码、数据集、模型权重全部开源，仅需4-8卡A100同级算力即可轻松复现[6] - 框架提供丰富SID Construction工具箱，集成RQ-VAE、RQ-Kmeans、RQ-VAE-v2等先进量化算法[9] 生成式推荐Scaling Law验证 - 在Amazon Review公开数据上训练从0.5B到7B的模型版本，验证模型规模增大时训练损失和评估损失持续下降[7][8] - 结果显示生成式推荐范式在参数利用效率上具有优势[8] 世界知识对推荐性能的影响 - 引入大模型世界知识能显著提升生成式推荐性能[13] - 基于预训练LLM初始化并进行语义对齐的MiniOneRec性能始终优于未对齐变体，表明通用序列处理能力和世界知识带来显著额外收益[15] - 框架将SID token添加至LLM词表，在SFT和RL阶段共同优化推荐与对齐任务[16] 面向推荐的强化学习优化 - 采用Constrained Beam-Search替代传统采样策略，高效生成多样化候选物品[21] - 在准确性奖励外引入排名奖励，对高置信度困难负样本施加额外惩罚以强化排序信号区分度[21] - 在同一Amazon基准上，MiniOneRec在HitRate@K和NDCG@K指标上全面领先传统推荐、生成式推荐及LLM推荐范式[22] 生成式推荐行业应用与展望 - 行业存在“改革派”与“革命派”两条路径：美团MTGR、淘天URM利用生成式架构能力进行增量改进；快手OneRec则颠覆传统方案实现端到端生成[25][26] - 生成式范式已在部分大厂走出可行性验证阶段，开始创造真实业务收益[27] - 生成式推荐展现出作为下一代推荐系统新范式的显著潜力[24]

十月稻田公司深度报告核心观点 - 报告核心观点为健康饮食行业趋势下，十月稻田通过持续孵化爆品和发力高势能渠道驱动快速增长 [1][6] - 预计公司2025-2027年营业收入分别为69.51亿元、83.71亿元、98.84亿元，同比增速分别为+21%、+20%、+18% [6] - 预计公司2025-2027年净利润分别为4.16亿元、7.03亿元、8.50亿元，同比增速分别为+103%、+69%、+21% [6] - 预计公司2025-2027年经调整净利润分别为6.16亿元、7.53亿元、9.00亿元，对应PE分别为12.3x、10.1x、8.4x [6] 十月稻田公司增长逻辑 - 公司增长超预期点包括新品销售超预期和新渠道放量超预期 [6] - 除大米产品外，玉米产品成为第二成长曲线，玉米浆包、饭团等新品契合健康减脂需求 [6] - 灵活的渠道策略是公司重要竞争优势，发力山姆、胖东来、小象超市等高势能渠道 [6] - 公司业绩增长催化剂包括玉米浆包、饭团等新品销售放量以及拼多多、小象超市等新渠道放量 [7] 机械设备行业策略核心观点 - 行业核心观点为周期反转、成长崛起、自主可控 [8] - 观点变化为贸易战硝烟再起，重视自主可控、低估值标的 [8] - 驱动因素是自主可控重要性凸显，国产替代势在必行 [8] A股策略周报核心观点 - 核心观点预计后续有部分资金进行风格切换和行业再平衡，建议绝对收益资金关注大金融、地产、中字头基建、红利等 [9] - 市场看法为双创指数已有效跌破上升趋势线，后市大概率进行周线级整理，而上证和上证50仍保持在趋势线上方 [9] - 驱动因素是指数走势分化，大金融（尤其券商）将是权重指数重新展开攻势的核心变量 [9] 国防军工行业策略核心观点 - 核心观点为军工板块内需确定性增强，外贸空间打开有望估值重估 [10] - 市场看法为板块估值处历史较高分位，若短期涨幅过大或有风险 [10] - 观点变化为预计25Q3业绩增速或超预期，内需装备加速现代化，军贸引领价值重估 [10] - 驱动因素包括军工订单落地、十五五规划确定、军贸拓展进度等 [10] 通信行业策略核心观点 - 核心观点为持续看好25Q4通信板块机会，全球算力投资有望保持高景气，关注卫星互联网、运营商等板块结构性机会 [10] - 市场看法为通信行业稳健增长，算力持续高景气 [10] - 观点变化为运营商主营业务持续改善，卫星互联网有望打造新成长级 [10] - 驱动因素包括国内商用火箭试飞成功 [10] 互联网电商行业深度核心观点 - 主要事件为AI时代互联网搜推模型向生成式推荐演进，该技术潜力大并蕴含巨大商业价值 [11] - 生成式推荐能为互联网厂商带来新的技术红利，有望突破深度学习的技术瓶颈 [11] - 预计未来2-3年，生成式推荐将大范围实现业务场景落地，拥抱该技术的公司能实现可观的、超越行业平均的商业价值 [11] - 相关重点公司包括阿里巴巴、快手、腾讯、哔哩哔哩等 [11] - 技术催化剂包括Meta广告转化率提升、国内互联网厂商全量落地生成式推荐、技术理论进步 [11]

阿里妈妈LMA 2广告大模型系列 - 阿里妈妈LMA 2广告大模型系列中的URM通用召回大模型在TongAI大会上首次国内亮相 [1] - 该模型属于AIGR（生成式推荐）领域的最新进展 [1] TongAI大会 - 首届国际通用人工智能大会TongAI大会成为阿里妈妈展示技术成果的平台 [1] - 大会聚焦通用人工智能领域的前沿技术发布 [1] 技术进展 - URM通用召回大模型是阿里妈妈在生成式推荐技术上的重要突破 [1] - 该模型属于LMA 2广告大模型系列的核心组成部分 [1]