对于数字营销和广告科技行业而言,分散的未来可以说是前景一片光明,因此业界出现了一系列的区块链项目。
区块链技术为数字营销和广告科技行业里最紧迫的挑战(例如广告欺诈)提供了解决方案。网络机器人流量以及欺骗性假域名对于广告科技行业每个人来说都是一个令人头痛的大问题。根据最近的市场统计数据显示,该问题每年导致的损失高达72亿美元,另一方面,点击欺诈的年增长率高达50%。分散式系统和区块链技术背后的原理可以解决此问题的核心。
此外,区块链技术还可以降低交易成本、增强可见度跟踪及为所有相关方提供一个实现完全透明的方法。更准确地说,区块链可以创建一个系统记录每笔交易,并确保没有隐藏的费用和偷工减料的情况。截至目前为止,广告客户或发布商都无法确定额外费用的数目。
区块链有望成为一剂良方,但业内人士却远未充分利用区块链技术的优势,可以预计,广告科技可望在2020年全面利用区块链解决方案的全部优势。
以下是五个主要问题大有可能阻碍区块链技术在广告科技行业的实施。
分散系统简介
广告科技行业是个高度细碎的行业,几百家公司都在提供服务。其中一些公司尚未全面实施程序化购买流程。只有在行业里的主要参与者都采用区块链时,分散系统才能真正发挥其优势。
从转型程序化购买需要的时间考虑,所有人都到位需要两到三年的时间,而现在已经出现了等待程序化解决方案的情况。也有些公司拨了预算做好了将其用于程序化技术的准备,但必须等待几个月才能解决所有的技术问题。而区块链则更加先进和前卫一些,因此节点和分散分类帐的存储之间的连接就更加复杂了。
实际操作的差距显然是实施区块链技术的一个大问题。已经有人在各种场合提到,由于实时出价(RTB)每秒钟里的大量操作,区块链技术尚未能很好地用于实时出价。原来的技术只能允许每秒10次的交易,而实时出价的交易量可达300万次。目前存在一些解决方案能将极限速度提高到每秒1600个请求,例如微软的Coco Framework。
虽然取得了显而易见的进展,但区块链技术要填补实际操作差距进行实时出价操作处理还需要一些时间。从比特币衍生的SegWit2X(已被叫停)的目标之一是尝试增加块的大小,这可能会提高交易容量。由于缺乏共识,SegWit2X分支已被取消。由于比特币生态系统对区块链技术的影响巨大,比特币生态系统的采用而导致的一些问题也将影响到广告科技行业。
广告科技行业在应对不明确的定价和费用等问题上举步维艰,同时还在试图解决透明度问题。但也有许多第三方公司在提升行业生态系统,这些公司提供了一些解决独特供应或需求、数据以及过滤带宽过载的方法。
区块链系统本质上是可以剔除第三方的介入。但是,要将区块链技术用于碎的广告科技生态系统,我们却有需要另一个第三方:一个负责支持和维护整个区块链系统的实体。因此,区块链分散系统这个最大的资产也将受到这样的一家公司的影响的制约。
然后总还存在一些问题,例如应该用哪个链、谁来控制和验证交易,垄断问题因此也成了大家关注的焦点。另外还有一件需要考虑的事情,挖矿的是否需要这样做。
广告科技行业仍然缺乏组织化和标准化。虽然也存在像IAB这样的组织在制定一些指南,但这些指南的应用仍在进行中。前面提到过,数字广告行业中有几百个组织和科技公司,要找到汇集有时候可能会很难。业界存在定制协议、库存不符合规格的情况以及还在折腾OpenRTB 2.3(发布于2014年)的公司。这些都可能成为区块链的严重问题,因为区块链生态系统十分依赖标准化规则和协议。
由于炒作,区块链成了流行词。公关团队想也不想就会用上这个词,在行业里一起了混乱。营销专业人员对区块链通常都颇感兴趣,但他们没有看到区块链技术的可能应用范围、潜在回报以及区块链究竟是如何运作的。因而在行业里开展相关的教育亟不可待。
IAB已经成立了工作组,目标是为在营销中使用区块链技术制定教育指导方针。目前,该小组正在制定优先事项、最佳实践和技术标准。
尽管存在各种问题,但有些解决方案正在实现用于广告科技的区块链技术。ICO(首次代币发行)初创公司在增多,提供即用型区块链解决方案的公司也在增多。业内的共识是,这一类的公司不应该在研发和试验上花太多钱。应该致力于发展业务,而不是无休止的折腾代码。
总而言之,广告交换区块链广告堆栈存在商机。除非对业务有利,否则花几百万美元购买区块链解决方案是毫无意义的。不过,除非各家都参与区块链系统,大家都到达交易奇点,否则我们也就无法全面利用区块链技术的优势。要接近交易奇点需要三年的时间。尽管如此,区块链的优势是显而易见的,而且,用区块链技术实现各种数字广告和流程可能对广告科技公司是有利的。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。