作者 | AICon 全球人工智能开发与应用大会 策划 | 罗燕珊 编辑 | 宇琪 当大模型从通用技术探索深入产业场景，搜索、广告与推荐系统作为连接用户需求与业务价值的 核心链路，正迎来全链路智能重构。那么，生成式推荐真正落地后的关键挑战是什么？又应该如 何解决？ 近日 InfoQ《极客有约》X AICon 直播栏目特别邀请了 京东内容推荐架构负责人颜林 担任主持 人，和 荣耀 AI 算法专家冯晓东、京东算法总监张泽华、中科大计算机学院副教授王皓 一 起，在 AICon 全球人工智能开发与应用大会 2025 北京站 即将召开之际，共同探讨生成式推 荐的落地洞察。 部分精彩观点如下： 完整直播回放可查看： https://www.infoq.cn/video/0ViWrdqyQwNvO7TdQpyD 以下内容基于直播速记整理，经 InfoQ 删减。 行业真正做到端到端的统一 pipeline 仍有较大差距，更多工作还是在 pipeline 的单点与大模型 结合。 搜广推场景中的 scaling law 依然成立，并且仍在快速上升阶段。 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。 不应拘泥于某项技术 ...

行业与公司 * 纪要涉及的行业是互联网科技行业，具体聚焦于AI驱动的生成式推荐系统技术及其在各大互联网平台的应用 [1] * 涉及的公司包括Meta、谷歌、快手、阿里巴巴、字节跳动、小红书、腾讯、哔哩哔哩、百度、爱奇艺、Applovin和汇量科技等 [1][5][13] 核心观点与论据 * 生成式推荐是AI时代互联网技术的核心突破，通过用户行为序列生成下一个交互物品，解决了传统推荐系统在创造和生成方面的局限性 [1][4] * 生成式推荐技术重要的四个原因包括缩放定律有效性、数据特征扩充提升效果上限、端到端统一框架简化工程并降低成本、支持多样性推荐打破信息茧房 [2] * 传统推荐系统主要为判别式模型，解决排序和匹配问题，而生成式推荐是生成模型，解决创造和生成问题 [4] * 在生成式推荐系统应用上，厂商分为两类：一类是将生成模型融合到传统系统（如阿里巴巴、字节跳动、小红书），另一类是直接落地端到端生成式推荐（如Meta和快手） [5][9] * 端到端生成式架构比融合式架构具有更大的技术潜力和更高的效果天花板 [8][9] * 生成式推荐系统能有效提升用户活跃度和使用时长，例如Rex Mixer的AB实验显示用户活跃天数提升0.3%，总使用时长提升1% [8] * 生成式推荐技术的应用显著提升了商业指标：Meta的广告收入增速自2023年第一季度起连续10个季度超过谷歌，2025年第二季度广告转化率提升3-5个百分点 [6] 快手通过WangRank算法在用户停留时长和短视频观看时长方面取得明显收益 [1][6] * 电商平台等具有海量信息分发与匹配、用户数据连贯性高且数据相对稳定特征的业务场景更适合应用生成式推荐模型 [10][11] * 中型厂商可能更快受益于生成式推荐浪潮，测算显示各公司收益弹性排序为：快手最高，其次是哔哩哔哩，再次是阿里巴巴，最后是腾讯控股 [3][12] * 预计未来两到三年内，积极拥抱生成式推荐技术的公司能够实现超越行业平均水平的商业价值 [13] 其他重要内容 * 阿里巴巴在深度学习技术红利期（2015-2020财年）的GMV复合增速达到22%，电商客户管理收入复合增速高达33.2%，货币化率提升1.34% [12] * 对阿里巴巴的未来测算显示，假设货币化率提升30%和50%，增量收入分别为80亿和158亿，对CMR复合增速提升分别为4.7个百分点和8.8个百分点 [12] * 对快手的测算显示，在中性假设下（DAU时长增长10%、广告加载率增长10%），其广告收入增速将提高7.5至14.6个百分点，公司整体收入提高4.5至8.9个百分点 [12] * 推广生成式推荐技术面临的风险包括产业代际推进节奏不及预期、供应链风险（大规模算力需求及芯片供应稳定性）、宏观政策变更风险 [14]