AI对营销做了什么？是武器还是炸药
栗建 ( CMO俱乐部) 发表于 2017-05-24 13:04:43    点击：

从赫淮斯托斯黄金机器人到弗兰肯斯坦，人们扮演上帝的企图心从未泯灭。在过去的60多年里，人工智能在一个又一个高潮和低谷的螺旋中发展。

今天，人工智能的奇点临近。谷歌的语音识别技准确率已经达到了98%，Facebook的DeepFace的人脸识别准确度接近97%，而围棋高手和文案达人IBM的沃森在过去短短五年中“智商”已经提升了244倍。

人工智能之于营销，就像自动驾驶之于汽车，你可以质疑它的缺陷，但无法阻挡它的到来。

运动品牌Under Armour的应用UA Record使用机器学习技术来为健身达人提供建议和激励。调味品牌Knorr使用认知技术来为吃货生成个性化调味配方。乙方公司更是紧贴人工智能。AKQA使用IBM的沃森帮客户找到“潜在消费群体”。JWT联手程序化创意公司Thunder改变广告的制作和投放方式。

在即将到来的戛纳国际创意节上，我们将可以欣赏到公关广告界对人工智能的集体跪舔。

人工智能将解决始终缠绕数字营销的三大问题：“相关性”、“即时性”和“个性化”。

数据挖掘和人工神经网络帮我们了解用户并研发产品，算法和机器学习帮我们投放广告，自然语言处理和语音交互帮我们服务用户。人工智能没有抢走文案、媒介、美工、社交账户运营的饭碗，但是却正在改变了这些工作的职能范围和价值定位。

 在过去的五年中，人工智能已经影响甚至主导了数字营销每一次重大突破。我们越来越清晰地看到未来营销的模样：品牌和消费者之间的媒介不是媒体和社交网络，而是人工智能，品牌与消费者的互动将真正实现一对一的沟通和个性化的设计和服务。

全球电信巨头Telefónica希望依靠人工智能实现数字化转型。这家西班牙公司今年二月份上线了人工智能系统Aura作为企业运营和用户服务的“大脑”。这一决策背后的逻辑是，虽然电信员工会朝九晚五，但是电信通讯网络永不休眠。

Telefónica的用户无时不刻都在线，随时都希望得到针对性的服务。根据Telefónica首席数据官的分享的数据，该公司45%的热线电话都是为了查询话费的。而Aura可以24小时在线，并且像Amazon的Alexa 或者 Google Assistant一样提供个性化的用户自助“对话式”服务。

当算法代替信息成为互联网的新货币，人工智能营销（Artificial Intelligence Marketing）也将取代数字营销。人工智能能够精确地衡量百雀羚的一镜到底的微信广告能创造多少销售，同时也能帮助百事可乐评估大众对广告的发聩降低撤换广告的风险。

机器一思考，人类就发笑

人工智能或许能让创意从一门依赖经验和灵感的神秘手艺变成一种依靠算法和模型的大众工具，实际上，核心问题则是：机器能够懂创意。

判断机器是否能够思考，我们可以依靠图灵测试。图灵测试的核心其实不是“计算机能否和人对话”，而是“计算机能否在智力行为上表现得和人无法区分”。

如果我们把图灵测试延伸到AI创意领域，这个命题就可以简化为“人工智能创意是否表现的和人类作品无法区分”。

如果70%的观众在观看了丰田Mirai的广告之后，根本没有意识到这是人工智能的创意，我们是否就可以认定，人工智能具备创意的能力。

反对者说即使计算机通过了图灵测试，也不说明机器会思考。同样，即使人们无法分辨一个创意是否由人工智能完成，也无法证明人工智能具备创意的能力。

人们可以用约翰·塞尔提出的“中文屋子”理想实验来说明计算机只是依赖程序对符号进行运算，而对这些符号（比如汉字或者丰田汽车的英文文案）本身的意义一无所知。这个理想实验简单，完美符合直觉。

人工智能在自然语言处理上尚且如此，就更不用提图像识别和情绪判断了。长久以来，质疑人工智能的反对者们一个有力的证据就是即使最先进的人工智能也不能在识别出图片中的小猫。而人类的婴儿就可以轻而易举地做到。

但在这个问题上，我们还不能急于下结论。2012 年，Google 的秘密实验室 X lab 就进行了相关的研究。Google的深度学习系统Google Brain模拟包含三百万神经元的一个巨大组织，学习如何在没有人接入的情况下，从 YouTube 视频中提取的图片中识别猫咪和人类。

Google 的实验使用的是一种被称为无监督学习的方法。采用这个方法的机器将会被喂给一些粗略的数据，并且必须在无人介入的情况下自行分辨这些数据。

这种深度学习和人工神经网络的技术正在被应用到广告视频创意领域。

 20世纪福克斯公司2016年出品的人工智能题材电影《Morgan（摩根）》算不上一个好电影。但是，这部被《纽约时报》评价为“情节简单，智商欠费”的影片直到今天依然是人们讨论的热点。这主要是因为这部影片的预告片是由真正的人工智能IBM Watson一手操办的。

搞定这个创作，Watson面临两个挑战：第一，它要学习什么是恐怖。第二，它要引发绝大数观众的恐怖情绪。第二点挑战难度不小。电影和小说、音乐以及绘画等其他艺术形式一样，很大程度是“主观”的。特别是我们对恐怖电影的看法，有人认为《贞子咒怨》、《电锯寂静岭》这种赤裸直接最吓人，有人却认为《闪灵》、《第六感》、《小岛惊魂》这种细思恐极才可怕。对不同的人来说，恐怖的模式（Pattern）和种类（Types）各异，如何找到一个大多数认可并接受的“恐怖”模式并不简单。

IBM的科学家John R. Smith和同事们先是让Watson看了100部恐怖片的预告片，学习如何营造恐怖和悬疑。这一系列机器学习包括视觉分析（识别人物、物体和场景。每一个场景都会被打上情绪标签，包括20种情绪和超过两万中情绪场景）、听觉分析（人物的声音语调和背景音乐），以及每个场景的组成分析（场景、镜头以及灯光等组成），来分析和学习恐怖片预告片的“套路”。然后Watson观看了电影《Morgan（摩根）》，和制片方一起完成了预告片场景的选择、编辑和制作。

一切归于算法

即使上面的例子可以用来说明“人工智能可以理解符号的意义，甚至可以学习什么是恐怖”，但依然会被质疑这里真正的创意还相差很远。比如，IBM沃森可能只是在模仿和复制，而无法进行创新。虽然它可以深度学习，但是“关于什么是恐怖”事先已经由人工定义，并且由人类限定并最终审定创意方向和最终创意作品。

但这要看我们如何去定义创意以及理解创意是如何产生的：它到底源于知识经验的累积，还是源自从天而降的灵感。

艺术家们有一种倾向，相信灵感，相信所谓的神启。艺术作品、诗歌、哲学等就像一道神圣的光从天上而来。但尼采认为，所有伟大的艺术家都是伟大的工作者。好的艺术家或者好的思想家即产生好的作品，也产生坏的作品。他们会用磨砺自己的判断力，对所有好的坏的想法和作品进行过滤、筛选、组合以及重新加工。就像我们现在能从贝多芬的笔记和手稿中看到的，每一个精妙旋律的背后都需要时间的酝酿和反馈非修改。

创意是一点点积累起来的，它绝不是一下子从天上掉下来的，如果某一个想法或者灵感突然出现，它必然经历过一段时间的酝酿和急剧。这种欺骗，时间久了，我们自己都会信以为真。

如果人类的思考和想象力也是一种算法呢？

在17世纪中，莱布尼兹，托马斯·霍布斯和笛卡儿就开始尝试将理性的思考系统化为代数学或几何学那样的体系。英国政治哲学家托马斯·霍布斯在其著作《利维坦》中有一句名言：“推理即计算（reason is nothing but reckoning）。”

2016年6月，Google开启了Magenta项目，探索机器学习在艺术领域的潜力，让人工智能成为艺术家。

也许很快就能成为现实。