最後更新於 2025年11月21日 16:07
在瞬息萬變的人工智慧領域,「生成式人工智慧」通常會讓人聯想到聊天機器人寫詩或模型創作超現實藝術作品。但這項技術最賺錢的應用或許已經悄悄到來,它並非出現在聊天窗口,而是在你的社群媒體動態中。
見面Meta GEM(生成式廣告模型)這是該公司最先進的廣告基礎模型,也是近年來推薦系統(RecSys)架構最重大的飛躍。
對於資料科學家、行銷人員和技術愛好者來說,理解 GEM 至關重要。它代表著從傳統的、分散的推薦演算法向統一的、大規模的「大腦」的轉變,能夠以前所未有的精確度理解用戶意圖。
Meta GEM是什麼?
GEM代表生成式廣告模型它是專為推薦系統設計的基礎模型。
與 Llama 等通用大型語言模型 (LLM) 不同,後者旨在預測句子中的下一個詞,而 GEM 旨在預測內容和廣告與用戶的相關性。然而,它大量借鑒了…受LLM啟發的範式。
傳統上,廣告推薦系統依賴龐大的嵌入表和針對不同任務的獨立模型。 GEM 透過使用基於 Transformer 的架構來同時處理多模態輸入(文字、圖像、視訊和互動歷史),從而改變了這一現狀。
為什麼 GEM 如此重要
1. 規模空前
根據Meta工程部門的官方公告GEM 是「業界規模最大的推薦系統基礎模型」。訓練如此龐大的模型需要堪比頂級 LLM 的基礎設施。我們所說的模型需要在數千個 GPU 上進行訓練,並利用先進的平行技術來處理 Facebook 和 Instagram 用戶產生的 PB 級資料。
2. 多模態理解
GEM 的一大優點在於它能夠「看懂」並「解讀」廣告創意本身。以往的系統嚴重依賴元資料(標籤、類別)。 GEM 處理影像的像素級視覺資料和文字的語義,並將其與使用者的互動歷史結合。
這意味著該模型理解為什麼用戶可能會停下來觀看某個特定的影片——不僅僅是因為它被歸類為“體育”,而是因為它包含了用戶喜歡的特定視覺風格或動態效果。
3. 跨領域情報
Meta 的生態系統非常龐大:包括 Facebook 動態、Instagram 快拍、Reels 等等。以往,針對這些不同平台進行最佳化往往需要各自為政。而 GEM 則將這些工作整合起來。它能夠從跨平台互動中學習,這意味著來自 Instagram Reels 的訊號可以立即提升 Facebook 動態中廣告的相關性。
4. 效率與準確性兼備
或許最令人印象深刻的工程壯舉是 GEM 的效率。儘管它是一個龐大的基礎模型,但 Meta 的工程師們已經對其進行了優化,使其效率極高。效率提高 4 倍與前幾代模型相比,這使得 Meta 能夠部署更聰明、更強大的模型,而不會造成過高的推理成本。
對廣告商的影響
對於數位行銷人員來說,演算法這個「黑盒子」變得更加聰明了。
- 更高的投資報酬率:透過了解內容透過更深入的廣告分析,GEM 可以更有效地將小眾創意與小眾受眾配對。
- 冷啟動問題:沒有歷史記錄的新廣告通常很難獲得曝光。由於 GEM 可以立即理解視覺/文字內容,理論上它可以更快地將新廣告配對到合適的用戶,甚至在廣告獲得點擊量之前就能做到。
結論
Meta GEM標誌著「簡單」推薦演算法時代的終結。我們正邁向一個這樣的世界:決定我們看到什麼內容的系統,其複雜程度和功能將與編寫程式碼或生成圖像的系統一樣強大。
隨著 Meta 繼續在其廣告技術堆疊中推廣 GEM,它為廣告技術樹立了新的標準:廣告預測不再只是一個數學問題;它還是一個語言和視覺理解問題。
你最近有沒有註意到資訊流裡出現了更多相關的廣告?這或許要歸功於(或者說要歸咎於)GEM。歡迎在下方留言處分享你對LLM和推薦系統融合的看法!

