AI對營銷做了什麼？是武器還是炸藥

人工智慧觀察君編著：最近的營銷圈除了點評百雀羚圍觀谷歌I/O大會等待戛納自嗨節之外，談論的最多的就是國際象棋高手IBM沃森（ Watson）客串了一把文案。

豐田氫能源汽車Mirai是豐田的未來旗艦車型，目標受眾是各憑態度搞事情的科學怪客和大咖潮人。為了貼上這些有個性才任性的消費者，豐田公司和乙方夥伴盛世長城（Saatchi & Saatchi）也作了一手好死：顛覆傳統廣告，為每一類人群甚至每一個人都製作與眾不同的廣告。要實現這一目標，盛世長城洛杉磯辦公室請來了IBM的沃森。

在兩個半月的準備之後，由沃森操刀製作的上千條廣告上周在Facebook 開始投放。這一系列以「千言萬語就是沒毛病（Thousands of Ways to Say Yes）」 為主題的視頻，在不明真相的吃瓜群眾看來根本沒有人工智慧的痕迹。

培養一個合格的初級文案需要兩三年，而沃森只需要兩個半月。依靠最初的50條文案參考，沃森靠深度學習和自然語言處理等方法，學習YouTube油管和 Wikipedia上面的視頻，建造起一個神經網路，學習如何進行文案創意。雖然每一條文案在「出街」之前還需要人工檢查，但是這已經在動搖愚蠢人類的一個固執的信念：創意是人類的專屬，是人工智慧的極限和禁區。

從數字營銷到AI營銷

從赫淮斯托斯黃金機器人到弗蘭肯斯坦，人們扮演上帝的企圖心從未泯滅。在過去的60多年裡，人工智慧在一個又一個高潮和低谷的螺旋中發展。

今天，人工智慧的奇點臨近。谷歌的語音識別技準確率已經達到了98%，Facebook的DeepFace的人臉識別準確度接近97%，而圍棋高手和文案達人IBM的沃森在過去短短五年中「智商」已經提升了244倍。

人工智慧之於營銷，就像自動駕駛之於汽車，你可以質疑它的缺陷，但無法阻擋它的到來。

運動品牌Under Armour的應用UA Record使用機器學習技術來為健身達人提供建議和激勵。調味品牌Knorr使用認知技術來為吃貨生成個性化調味配方。乙方公司更是緊貼人工智慧。AKQA使用IBM的沃森幫客戶找到「潛在消費群體」。JWT聯手程序化創意公司Thunder改變廣告的製作和投放方式。

在即將到來的戛納國際創意節上，我們將可以欣賞到公關廣告界對人工智慧的集體跪舔。

人工智慧將解決始終纏繞數字營銷的三大問題：「相關性」、「即時性」和「個性化」。

數據挖掘和人工神經網路幫我們了解用戶並研發產品，演算法和機器學習幫我們投放廣告，自然語言處理和語音交互幫我們服務用戶。人工智慧沒有搶走文案、媒介、美工、社交賬戶運營的飯碗，但是卻正在改變了這些工作的職能範圍和價值定位。

在過去的五年中，人工智慧已經影響甚至主導了數字營銷每一次重大突破。我們越來越清晰地看到未來營銷的模樣：品牌和消費者之間的媒介不是媒體和社交網路，而是人工智慧，品牌與消費者的互動將真正實現一對一的溝通和個性化的設計和服務。

全球電信巨頭Telefónica希望依靠人工智慧實現數字化轉型。這家西班牙公司今年二月份上線了人工智慧系統Aura作為企業運營和用戶服務的「大腦」。這一決策背後的邏輯是，雖然電信員工會朝九晚五，但是電信通訊網路永不休眠。

Telefónica的用戶無時不刻都在線，隨時都希望得到針對性的服務。根據Telefónica首席數據官的分享的數據，該公司45%的熱線電話都是為了查詢話費的。而Aura可以24小時在線，並且像Amazon的Alexa 或者 Google Assistant一樣提供個性化的用戶自助「對話式」服務。

當演算法代替信息成為互聯網的新貨幣，人工智慧營銷（Artificial Intelligence Marketing）也將取代數字營銷。人工智慧能夠精確地衡量百雀羚的一鏡到底的微信廣告能創造多少銷售，同時也能幫助百事可樂評估大眾對廣告的發聵降低撤換廣告的風險。

機器一思考，人類就發笑

人工智慧或許能讓創意從一門依賴經驗和靈感的神秘手藝變成一種依靠演算法和模型的大眾工具，實際上，核心問題則是：機器能夠懂創意。

判斷機器是否能夠思考，我們可以依靠圖靈測試。圖靈測試的核心其實不是「計算機能否和人對話」，而是「計算機能否在智力行為上表現得和人無法區分」。

如果我們把圖靈測試延伸到AI創意領域，這個命題就可以簡化為「人工智慧創意是否表現的和人類作品無法區分」。

如果70%的觀眾在觀看了豐田Mirai的廣告之後，根本沒有意識到這是人工智慧的創意，我們是否就可以認定，人工智慧具備創意的能力。

反對者說即使計算機通過了圖靈測試，也不說明機器會思考。同樣，即使人們無法分辨一個創意是否由人工智慧完成，也無法證明人工智慧具備創意的能力。

人們可以用約翰·塞爾提出的「中文屋子」理想實驗來說明計算機只是依賴程序對符號進行運算，而對這些符號（比如漢字或者豐田汽車的英文文案）本身的意義一無所知。這個理想實驗簡單，完美符合直覺。

人工智慧在自然語言處理上尚且如此，就更不用提圖像識別和情緒判斷了。長久以來，質疑人工智慧的反對者們一個有力的證據就是即使最先進的人工智慧也不能在識別出圖片中的小貓。而人類的嬰兒就可以輕而易舉地做到。

但在這個問題上，我們還不能急於下結論。2012 年，Google 的秘密實驗室 X lab 就進行了相關的研究。Google的深度學習系統Google Brain模擬包含三百萬神經元的一個巨大組織，學習如何在沒有人接入的情況下，從 YouTube 視頻中提取的圖片中識別貓咪和人類。

Google 的實驗使用的是一種被稱為無監督學習的方法。採用這個方法的機器將會被餵給一些粗略的數據，並且必須在無人介入的情況下自行分辨這些數據。

這種深度學習和人工神經網路的技術正在被應用到廣告視頻創意領域。

20世紀福克斯公司2016年出品的人工智慧題材電影《Morgan（摩根）》算不上一個好電影。但是，這部被《紐約時報》評價為「情節簡單，智商欠費」的影片直到今天依然是人們討論的熱點。這主要是因為這部影片的預告片是由真正的人工智慧IBM Watson一手操辦的。

搞定這個創作，Watson面臨兩個挑戰：第一，它要學習什麼是恐怖。第二，它要引發絕大數觀眾的恐怖情緒。第二點挑戰難度不小。電影和小說、音樂以及繪畫等其他藝術形式一樣，很大程度是「主觀」的。特別是我們對恐怖電影的看法，有人認為《貞子咒怨》、《電鋸寂靜嶺》這種赤裸直接最嚇人，有人卻認為《閃靈》、《第六感》、《小島驚魂》這種細思恐極才可怕。對不同的人來說，恐怖的模式（Pattern）和種類（Types）各異，如何找到一個大多數認可並接受的「恐怖」模式並不簡單。

IBM的科學家John R. Smith和同事們先是讓Watson看了100部恐怖片的預告片，學習如何營造恐怖和懸疑。這一系列機器學習包括視覺分析（識別人物、物體和場景。每一個場景都會被打上情緒標籤，包括20種情緒和超過兩萬中情緒場景）、聽覺分析（人物的聲音語調和背景音樂），以及每個場景的組成分析（場景、鏡頭以及燈光等組成），來分析和學習恐怖片預告片的「套路」。然後Watson觀看了電影《Morgan（摩根）》，和製片方一起完成了預告片場景的選擇、編輯和製作。

一切歸於演算法

即使上面的例子可以用來說明「人工智慧可以理解符號的意義，甚至可以學習什麼是恐怖」，但依然會被質疑這裡真正的創意還相差很遠。比如，IBM沃森可能只是在模仿和複製，而無法進行創新。雖然它可以深度學習，但是「關於什麼是恐怖」事先已經由人工定義，並且由人類限定並最終審定創意方向和最終創意作品。

但這要看我們如何去定義創意以及理解創意是如何產生的：它到底源於知識經驗的累積，還是源自從天而降的靈感。

藝術家們有一種傾向，相信靈感，相信所謂的神啟。藝術作品、詩歌、哲學等就像一道神聖的光從天上而來。但尼采認為，所有偉大的藝術家都是偉大的工作者。好的藝術家或者好的思想家即產生好的作品，也產生壞的作品。他們會用磨礪自己的判斷力，對所有好的壞的想法和作品進行過濾、篩選、組合以及重新加工。就像我們現在能從貝多芬的筆記和手稿中看到的，每一個精妙旋律的背後都需要時間的醞釀和反饋非修改。

創意是一點點積累起來的，它絕不是一下子從天上掉下來的，如果某一個想法或者靈感突然出現，它必然經歷過一段時間的醞釀和急劇。這種欺騙，時間久了，我們自己都會信以為真。

如果人類的思考和想像力也是一種演算法呢？

在17世紀中，萊布尼茲，托馬斯·霍布斯和笛卡兒就開始嘗試將理性的思考系統化為代數學或幾何學那樣的體系。英國政治哲學家托馬斯·霍布斯在其著作《利維坦》中有一句名言：「推理即計算（reason is nothing but reckoning）。」

2016年6月，Google開啟了Magenta項目，探索機器學習在藝術領域的潛力，讓人工智慧成為藝術家。

也許很快就能成為現實。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！