2023年初，GPT3.5发布，结果震惊世界。人们陷入恐慌，人工智能时代即将到来。随之而来的是各大互联网公司纷纷与大机型展开竞争。几乎每个月都能听到和看到新的大型号，在某些参数上可以与“GPT几分”相媲美。随着大模型的不断迭代和渗透，一个关键问题出现了：谁是大模型浪潮的最大受益者？
01 最大受益者隐藏在垂直应用领域
经过两年的发展，大机型垂直应用早已成为共识。 meta上个月任命了一名AI业务负责人，帮助meta AI尽快找到商业化路径。
事实上，meta 的 Advantage+ 平台已经在应用生成式 AI 来帮助市场收入。 meta 透露，转化成本中位数降低了 7%，每次点击、潜在客户或着陆页浏览的平均成本降低了 28%。 GenAI 工具已经创建了超过 1500 万个广告，我们估计使用图像生成的企业的转化率提高了 7%。
在用户方面，人工智能驱动的新闻推送和视频推荐的改进导致用户在 Facebook 上花费的时间增加了 8%，在 Instagram 上花费的时间增加了 6%。
另一个备受瞩目的垂直应用主要是在营销领域，利用大型生成模型生成投放素材并改善投放匹配以及精准人群定位和人群画像，提高投放产出比。甚至投后分析、A/B测试和自动化流程也逐渐使用大型模型来实现。
在上述方向上，meta、Google、微软都已进入应用阶段。从这些巨头近几个季度的财报来看，大模型生态的营收正在逐渐体现大模型生态带来的效益。不过，巨头庞大，几亿美元的增量可能还需要这些巨头来增加。交易量仅为个位数，因此将其摆在桌面上可能不会令投资者兴奋。而且这些公司的业务生态复杂，难以分离出大车型的营收增量。
相反，有一些中型公司的季度营收在10亿美元左右。额外投入1亿美元甚至数千万美元就可以剥离驱动因素。这样的公司似乎更有助于我们理清大模型对公司的影响。支持路径和增量似乎让我们更清楚地看到这场淘金热可以给竞争对手带来多大的好处。
中型企业在技术和应用方面并不落后。从Applovin和Pinterest两家上市公司的财报和公开报告中，我们可以定性分析什么样的公司将成为大模型的受益者。
02 Applovin：大模型重构网络广告，市值两年增长10倍
AppLovin是一家移动广告技术公司。迄今为止，其产品包括面向广告主、发布商、素材生成的全系列移动在线营销产品。 Applovin推出之初就直奔效果营销，强调通过技术升级提高广告投入产出比。早期，AppLovin通过与开发者合作帮助APP变现。 Applovin更出名的是CPI变现，而不是传统的CPM模式。
Applovin 在公司运营层面也非常出色。公司目前的产品矩阵中很多重量级成员都来自于收购，比如从Twitter收购的Adjust、Max、MoPub。
AppLovin的商业模式主要依靠两大收入来源：软件平台，即在线广告，以及自主开发的应用内订阅收入。目前，前者是主要收入来源。
Applovin将于2021年在纳斯达克上市，在大车型东风的助力下，市值较近两年的低点增长了10倍。目前市值已达1100亿美元，PE接近100。
1、性能飞跃
2024年第三季度财务业绩：
- 总收入达到12亿美元，同比增长39%。 - 调整后EBITDA为7.22亿美元，同比增长72%，调整后EBITDA利润率为60%。 - 自由现金流达5.45亿美元，同比增长182%，环比增长22%。
其中，软件平台贡献了近70%的收入，表现更加亮眼：
- 软件平台收入8.35亿美元，同比增长66%。 - 调整后EBITDA为6.53亿美元，同比增长79%，利润率为78%。 - 环比营收与调整后 EBITDA 的转化率达到 107%，主要受益于一次性成本优势（如 Google Cloud 合同续签等）。
从下面Applovin近四年的营收和增长趋势来看，公司业绩将在2023年开始起飞，良好的业绩必然会引起资本市场的关注。
Applovin 的股价也随着其业绩的上涨而上涨。过去一年股价暴涨700%：
2.轴突2.0
Applovin的AI应用主要通过其引擎算法Axon来实现。截至2024年第三季度财报发布，Axon已迭代至2.0。
Axon于2022年首次发布，并于2023年初迭代至2.0。之前的版本更加高效、有效，定向能力和敏捷性得到提升。它的发布带来的营销效率提升，刺激了Applovin广告收入的大幅增长。
与1.0时代相比，AppDiscovery背后的AXON2.0引擎几乎在所有方面都有所改进。创始人 Adam Foroughi 曾将 1.0 到 2.0 的迭代与 ChatGPT-3.5 到 ChatGPT-4 的进展进行了比较。它通过人工智能驱动的预测模型帮助广告商更有效地投放广告。
1、自动化程度更高：AI会根据投放和目标人群设定的预算和ROI指标，自动分配预算和投放方式（包括个性化地理位置、设备、应用等多个维度），大大提高了投放的投放效率。营销人员的效率。效率。 AI算法特别适合Applovin的应用内竞价（也称为header bid），可以自动实现最优的ROAS。
2.材质生成：应用AI大模型后，其产品SparkLabs在生成优质材质方面的效率得到了大幅提升。根据官方博客的数据，SparkLabs利用生成语音将广告的成功率提高了118%；从视频、可玩内容以及 CTV 和 ASO 广告来看，使用生成式 AI 技术的创意素材数量增加了 220%。
3、提高精准度：2.0采用预测模型，在受众定位环节进行了改进，让广告更精准地触达目标用户。这在1.0中是支持的，但2.0更进了一步，带来的直接效果是交付端的合规率更加准确。
4. 提高广告活动效果：广告主可以开展多种类型的广告活动来获取具有不同但互补的用户保留和 ROAS 曲线的用户。这可以帮助确定哪些广告活动最适合实现特定目标并发现新的潜在受众群体。
3.Axon 2.0辅助几何？
备受好评的Axon 2.0效果如何？ Twitter（haus.io）某大型模型应用产品的创始人想验证Applovin的投放效果能否与其爆炸性的股价相匹配。他对自己的产品进行了定量实验。您可以关注此推文。
虽然最终的业绩报告在12月份就已经出来了，但目前的业绩显示Applovin的涨幅确实相当出色。
4. 只有大型模型才能实现性能提升吗？
Applovin业绩腾飞的原因，成为2023年以来所有季度财报中投资者关心的问题。从管理层的回答中，我们发现大模型的帮助并不是唯一的原因。广告商的增加也是另一个重要因素。除了公司基础游戏领域的广告主外，近两年爆发的短剧、短视频等垂直赛道的竞争也是公司营收增长的重要推动力。
回到大模型这个话题，即使是这一单一因素，也需要软硬件设施共同实现。毕竟，大型模型已经不是什么秘密，而且开发大型模型的平台也数不胜数。阿普洛文的脱颖而出并非偶然。应用和推荐AI算法不断渗透到自有产品中只是一方面。在当今竞争激烈的科技行业，人才的流动和涌现意味着算法不足以为企业构建足够深的壁垒或护城河。
Applovin 作为一家 Ad-Tech Network，拥有许多竞争对手，例如 IronSource、Admob、Vungle、InMobi 等，这些平台肯定在其产品生态系统中使用了大型模型来提高竞争力，但一直没有相关的模型改进。报告。
Unity是一家上市公司，移动APP广告网络也是其业务的一部分。到目前为止，Unity仍然只是产生ROAS来利用AI来改进平台，但其财务数据并没有改善。
众所周知，伴随大模型浪潮而来的另一个热门话题是算力以及算力所需的一套基础设施。
在Google Cloud博客中，我们可以一睹Applovin在算力方面的成本努力。其核心Axon引擎算法通过人工智能实现更高的自动化——广告定位、竞价设置等。这背后，从管理训练工作量到每天处理数十亿条自动化推荐，都需要强大的云基础设施支持。
引用Google Blog原文：
“AppLovin 通过采用最新的顶级硬件，包括 Google Cloud G2 虚拟机，升级了支持其 AI 广告算法的基础设施。 AppLovin 的目标之一是利用 Google 先进的云技术和基础设施实现其广告技术平台的现代化；他们成功实现了这一愿景，并加快了人工智能发展的时间表。
2022年，AppLovin正在大规模迁移到Google Kubernetes Engine（GKE），旨在减轻其传统基础设施的负担，减少延迟，并提高无缝扩展的能力。 2023 年初，AppLovin 开始测试 G2，这是业界首款由 NVIDIA L4 Tensor Core GPU 提供支持的云虚拟机。 G2 旨在处理 AppLovin 面临的大规模推理 AI 工作负载，使其成为理想的解决方案。 ”
有了强大的软硬件支撑，引擎算法才有发挥的空间。其次，管理层不遗余力地将大模型算法应用到其产品生态中。
03 Pinterest：大模式生态闭环的代表，增长背后也有隐忧
Pinterest也是一家受益于大模型技术实现业绩增长的公司。从2023年开始，其营收将再次同比加速。 2024年第三季度营收同比增长17.7%。 2024年三季度营收将接近25亿美元。预计2024年将达到25亿美元，全年较2023年增加约5亿美元。
Pinterest的广告业务与Applovin类似，也受益于大模型技术的驱动。在2024年第三季度财报中，管理层透露，过去几个季度，人工智能（AI）逐渐成为用户和广告商业务转型的核心。部分。 2022年底，当大型模型进入主流时，Pinterest也在加大投入，基于第一方数据开发自己的大型模型。
1、大模型助力广告平台
作为一个基于内容的社交平台，Pinterest 比 Applovin 拥有更广泛的大模型应用场景。 C端用户体验可能是大模型调用次数最多的场景。管理层透露，目前的大型模型每秒生成超过 4 亿个预测。基本上可以根据单一的浏览行为对内容进行排序，生成高度个性化的推荐内容。
Pinterest拥有海量的二次用户行为数据，如内容发布、搜索、交互等。在产品端，Pinterest自然生成用户发布的“产品”信息。这些数据对于模型训练来说是有价值的喂养语料库。 Pinterest可以全面上线。适合您自己的产品和用户喜好的大型号产品。
商业方面，AI驱动的页面优化技术让广告库存调整更加灵活，投放更加精准。 Performance+将于2024年10月1日正式向公众推出。Performance+是一个架构类似于meta的Advantage+和Google的Pmax的广告平台，可以结合AI驱动的预算分配、竞价和定位功能，同时减少广告主的工作量。
根据 Pinterest 内多个级别的 alpha 和 beta 测试定量评估 Performance+ 套件的有效性。例如，从第三季度财报相关信息来看，管理层透露，效果+ROAS出价可以根据用户需求自动优化出价，实现广告收入最大化。通过使用效果+广告支出回报率出价，大多数广告客户的广告支出回报率至少提高了 15%。 。 Performance+ 的自动化设置可以通过流程自动化将传统营销活动设置时间减少 50%。
除了最初的自动化工具套件之外，Performance+ Creative 还可以帮助广告商生成和优化投放材料。内部 Beta 测试表明，使用效果+广告素材的广告商的转化率平均提高了 14%，每个广告系列的成本降低了 9%。
Performance+在架构上没有革命性的创新。大模型技术已经渗透到营销的各个环节，带动整个流程的自动化率和ROAS。从某种程度上来说，Performance+代表了社交平台利用大模型技术构建自己的营销生态的通用模式。尽管它和meta一样大，但它的Advantage+在结构上是相似的。
在这个模型中，社交平台根据自己积累的用户内容和用户数据来训练自己的大模型。该模型不仅可以反馈和改善C端用户体验，还可以用于营销产品生成素材，提高投放过程的自动化程度，提高投放效率。
目前，我们从近几个季度的财报中看到，不少企业都在投入这项工作。我相信，我们将在未来几个季度看到大规模模型接触的成果。
2. Pinterest的隐忧
尽管广告收入在大模型的帮助下重新加速增长，但 Pinterest 仍处于亏损状态。主要问题在于研发成本过高。对于社交平台来说，营销费用是维持新用户群的重要手段。 Pinterest 每个季度的市场投资约占其收入的 30%。
大机型投入后，研发费用占营收比重持续维持在30%以上，两者已经吃掉了超过60%的营收。研发成本仍需要几个季度才能摊销，如何将不断增长的用户量转化为广告库存也是当前的核心命题。
04 如何成为大模特浪潮的受益者？
大车型一定会给公司带来积极的效益吗？
并非所有加入大型模特赛道的公司都是受益者。我们发现，很多企业虽然有大模型产品已经投入使用，但并没有直接转化为收入。造成这种情况的重要原因之一是缺乏大模型基础设施以及C端改进的体验尚未转化为商业收入，但成本端是实实在在的投入，比如算力、存储成本、人员投入、 ETC。
前一个案例是Unity，其主要业务是游戏引擎，无法兼顾大型模型所需的软硬件和人力投入，导致广告业务起色甚微。 2022年7月，Unity宣布与ironSource合并，足以在规模上与Applovin竞争。合并后，Unity也在积极布局大型AI模型，并在Unity应用商店推出了AI Hub，其中包括多种基于AI的音乐、图片和文本制作工具。两款3D资源制作AI工具Muse和Sentis将于2023年推出。不幸的是，Unity的投资集中在游戏业务上。 ironSource曾经是Applovin的竞争对手，但在大型号的趋势上并没有跟上并超越Applovin。步伐。
后者就像 Snapchat。 Snap 已连续几个季度将生成式人工智能应用于其过滤器产品。它推出了GenAI Suite，包括动画混合、身体变形和图标生成功能，帮助用户创建更丰富的内容。从用户角度来看，它确实提供了更丰富、更有趣的体验，但这背后是Snap承担的巨大模型成本。
除了过滤场景之外，Snapchat还与谷歌云合作，为该公司的AI聊天机器人提供更多生成式AI功能。它还引入了记忆功能来改善其聊天体验。
看起来，Snapchat 在大规模模型的跟进上并不落后，但更可惜的是，无论是辅助生成内容，还是优化聊天机器人产品，现阶段都无法直接产生更多的广告加载，而且订阅费用的增加将是微乎其微的，这两种场景都不能直接转化为商业利益，但其背后的算力和存储成本并不低。
现阶段，大型号的成本并不低。如果想要利用大模型来提升公司业绩，纯用户端应用需要承担巨大的成本。网络广告业务可以直接或间接地将大模特的成本转移到投放端。这样的成本投入反过来又产生更高的产出比，从而形成理想的业务闭环。
