Meta 新一代 AI 广告工具：自动化仍需要解释

每年，各大平台都会朝着替你运营整个广告活动再迈进一步。10 月 6 日在纽约广告周上，Meta 一次迈出了好几步：一个具备记忆的广告助手、由静态图片生成的视频、自然语言受众发现，以及一个经过扩展、让外部 AI 工具能够操作其广告系统的服务器。都是有用的工具。但缺乏解释的自动化，是一种由你承担、而不是 Meta 替你承担的风险。

发生了什么

我无法打开 Meta 自己的公告页面，因此依据两篇详细的报道。根据 Relevant Audience 的拆解和 TechJuice 的报道，Meta 发布了：

• 由静态图片生成的 Advantage+ 创意视频（现已全面开放），以及面向符合条件广告主的目录商品视频（测试版）。
• Ads Creative Studio，一个此前仅限部分合作伙伴使用的创意工作区，开始向更多广告主推出。
• 一个具备跨对话记忆能力的商业 AI 助手，正在测试导入策略文档和品牌规范、定期报告和提醒，以及广告活动设置和预算调整等智能体操作，并提供预览和审批。
• 一个面向所有广告主开放的客户生命周期策略工具，以及“细分定位”（Detailed Targeting）中由 AI 支持的受众发现功能，广告主可以用自然语言描述理想客户。Relevant Audience 报道称，Meta 给出的时间是“年底前”。
• 一个经过扩展的 Ads MCP server，列出了包括 Databricks、Perplexity、Snowflake 和 Triple Whale 在内的十家合作伙伴，让第三方 AI 工具能够与 Meta 的广告系统协作。
• 电商功能，包括通过 Messenger 上的 Meta Business Agent 与 Shopify 合作测试直接结账，以及与 Adyen、PayPal、Shopify 和 Stripe 等合作伙伴在 Meta AI 中测试直接结账。

Meta 还声称，采纳其助手建议的广告主“通常”能在单次转化成本不变的情况下多获得 5% 的转化，而且在 Facebook 和 Instagram 上超过 60% 的时间花在视频上。Relevant Audience 指出，Meta 没有公布这些数字的计算方法。

为什么重要

其中有两项发布改变了由谁来思考。

自然语言受众发现意味着平台把你对客户的描述转化为定向设置，这是一项画像决策。由助手驱动的预算和定向调整，意味着平台还要决定如何处理这一结果。而 MCP server 则意味着你在 Meta 之外使用的 AI，如今可以在 Meta 内部采取行动。

每一步都节省了时间。但合在一起，它们把决策集中到了以平台目标为优化方向、并用平台自有数据来衡量的系统之中。当同一家公司出售广告、选择受众、生成创意并报告结果时，一个独立的视角会变得更有价值，而不是更没价值。

我的研究怎么看

用文字描述受众、再得到一个目标人群，这是我研究了很长时间的问题。我们关于跨 Twitter、Facebook 和 PersonalityCafe 的多视角用户性格画像的工作（Frontiers in Big Data，2022）表明，你对人的推断在很大程度上取决于你使用了哪些信号。一段自然语言描述，是关于你的客户的一个假设。它应当被检验，而不只是被执行。

在创意方面，我的团队一直致力于投放前评分。在SoCraft（WSDM 2023）中，我们展示了一个多模态模型，可在广告上线前利用文本、图片、定向和设置，为广告主的 Meta 广告创意打分。在Against Opacity（ACM Multimedia 2023）中，我们增加了一个大语言模型助手，用于解释预测点击率背后的驱动因素。我对平台工具采用同样的原则：一个无法解释的分数，就是一个你无法从中学习的分数。

由静态图片生成视频，会让一个品牌能够投放的版本数量成倍增加。这是好事，前提是仍有人决定哪些版本值得投入预算，并理解胜出者为什么会胜出。否则，你得到的是更多的创意、更少的认知。

广告主现在应该做什么

• 使用新的视频和创意工具，但保留一道投放前的筛选。在各版本花钱之前先审阅和打分，并记录每个版本上线的理由。
• 把自然语言受众当作实验。写好描述，与你现有的最佳受众进行对比测试，比较的是每个真实结果的成本，而不只是平台报告的转化。
• 审慎批准智能体操作。使用 Meta 所说的预览和审批功能，并制定规则，明确助手在没有人工参与的情况下可以作出哪些调整。
• 谨慎对待你导入的内容。策略文档和品牌规范都很敏感。想清楚助手真正需要什么。
• 保持独立的衡量视角。对照组、增量测试和你自己的数据分析，是对平台报告结果的制衡。

Meta 的工具已经好到让瓶颈从执行转向判断。确保行使判断的仍然是你的团队。

常见问题