
6月5日下午南京消息,由途牛主办的2015资金之巅互联网高峰论坛在南京进行。百度总监陈蕾在会上做了《展示广告—百度互联网+战略催化剂》的演讲。
百度总监陈蕾
前几天,李彦宏在证监会上用duang来形容互联网+,而“互联网+最大的变化就是全民移动”,这是百度总监陈蕾的开场白。陈蕾承认,“基于信息的检索核心,百度在其中赚了很多钱”,过去“百度做的是连接人与信息”现在百度开始“连接人与服务”。
陈蕾说,过去PC端是中心,现在移动APP在一定程度上弱化了搜索中心化的能力。“三年之后移动搜索会占到移动世界的中心,但是这个所谓的中心比以前可能要弱化,以前的中心非常强大,PC上像百度的中心能力可能超过90%,但是未来这个比例会下降,随着H5的发展,移动搜索会利用人的惰性,这决定了最终搜索在任何时候都会占到生态圈的中心去。”
陈蕾提到,在整个移动生态下,消费者的变化有这么几个趋势。
第一,即时反馈。在PC互联网生态上,用户实际上是从信息的整个闭环中进行产品的购买,因此整个流程长,消费者也比较有耐心,但是在移动生态环境下,“消费者对服务和即时反馈的要求非常高。”
第二,消费者角色的碎片化,这就对信息的丰富度和完整性提出了更高的要求。以往用户是基于大搜索进行信息转化的,如百度的搜索引擎就是“网罗所有的网民对各式各样的信息和服务需求”但是,今天百度通过垂直搜索进行用户的需求推荐。
第三,消费场景化。“我们看到消费的场景化,各个公司都在做自己的场景。”陈蕾表示。
第四,交互的多媒体化。用户不希望是简单的文字交互。
最后一个是交互的多媒体化,交互不希望是简单的文字化。这是在整个移动生态下,消费者变化的四个趋势。
而陈蕾认为:展示广告是移动互联网+的催化剂,因为“它是目前我们在搭的所有系统架构”,大数据、营销理论、媒体以及形式,最后会构成催化剂,“这个催化剂跟我们以往的广告解决不一样。
移动时代的营销是向全价值链、满足即时服务延伸。“今天我所谈的广告跟以前谈的广告不一样,以前的广告是帮你在媒体上把形象展示出来,我现在提出的广告是帮助你理解你的行业你的用户需求是什么,利用互联网的力量把用户的需求,除了按照以往的搜索这种用户主动告诉你我的需求是什么,现在新的广告技术让你挖掘到用户的需求是什么,并且能够进行需求和供给的配对。”陈蕾表示。
因为“以往所有的广告只在中间做,后来出现了社交媒体、电商,像阿里巴巴广告、淘宝广告会集中在购买上做更多的工作,百度可能在传播角度做,后来出现的微博、微信,可能是从分享角度做,但我百度现在的聚变能力主要是基于端能力的互动技术,进行技术驱动营销创新和用户体验升级。
陈蕾列举了蒙牛云端牧场的例子。他介绍了前段时间在百度联盟峰会上百度的新产品。他说蒙牛云端牧场的好处在于,当用户在搜索时可以追溯奶源,看到喝的牛奶从哪里来,也可以在线下看到商品的二维码并进行扫描二维码,从而知晓生产牛奶的厂商、甚至“可以看到给你生产牛奶的牛在干什么“,陈蕾认为这是一种“互联网+能力”。
此外,在技术营销创新和用户体验升级方面,百度一直保持非常开放的心态,包括一些纯公益的事情,百度也会当成产品来进行研发。如将二手的东西变废为宝,百度会提供线上的解决方案,用户可拍照并上传旧家电等用品,通过预定价格并上门选取。在创新性项目上,百度也希望能与其他行业的人进行合作。
在连接人与服务方面,百度直达号可以实现全程连接。传统意义上旅游,用户通过PC端搜索路径,但是“在PC上不能做到即时反馈,并且尽管峨眉山的相关搜索非常多,但实际的地理环境非常复杂,真正实用的信息不够集中。”而最近如百度与峨眉山的合作,发现用户在移动端上面对即时反馈的要求非常明确,他们会对峨眉山和相似的地方作对比,需要很高的关联度。
百度直达号的解决方案就是通过渗透线下,与其他的伙伴一起合作等,打通线上和线下,更好满足用户需求。
用陈蕾的话说“用户搜的是峨嵋山就跟峨嵋山一样靠普,明显相关度很高。峨嵋山新的APP就可以全程连接人与服务。通过陈蕾的现场演示我们可以看到峨眉山的景点介绍,图片预览,游客进入景区后百度还会提供解决方案,如“百度会告诉游客哪些是热点地区,等人少了再进去等信息。”
也就是说会渗透跟线下行业或者进行紧密合作,最终成为了线下服务的一部分。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。