Pew Research Center 对美国用户在Google上的大规模浏览行为分析显示，当搜索结果中出现AI摘要时，用户点击传统搜索结果的比例从15%骤降至8%，几乎减少了一半。
用户正通过对话完成探索和比较，广告也随之迁移。OpenAI已正式推出ChatGPT Ads，Google也在AI Overviews中引入广告，它们为回答添加赞助商卡片，延续了搜索引擎时代的模式。然而，信息获取范式的转变促使人们重新思考广告形态：当信息媒介从整页搜索结果变为实时生成的回答时，广告究竟应该拍卖什么？
三十年来，在线广告始终基于一个默认前提：广告位先存在，拍卖再决定谁获得它。搜索结果的名次或信息流中的展示，都是预先定义的机会。但大模型的回答是逐字生成的：某个品牌是否适合出现、在哪里出现、如何介绍，都取决于前面已写的内容。甚至先谈价格还是先谈体验，都可能为产品带来完全不同的印象。
图1：在生成式信息媒介中，广告机会在何处出现、由谁获得、如何呈现，共同影响营销效果与用户体验。
因此，生成不仅填充广告机会，还在塑造广告机会。在这个新范式中，已有研究探索段落级广告插入、候选回答竞价等拍卖方式。来自人大高瓴和斯坦福大学的研究团队，将大模型原生广告的竞争进一步推进到逐Token的生成过程中。
他们提出的LAMA，让内容生成与广告分配一同演变：每当生成一个Token，都在实时影响回答如何续写，也在影响最终谁获得广告曝光。这就是其核心思路——生成即分配（Generation as Allocation）。
图2：Token-Level Advertising
作者：Hanbing Liu、Bowei Zhang、Changyuan Yu、Yinyu Ye、Qi Qi
单位：中国人民大学高瓴人工智能学院、斯坦福大学
链接：https://arxiv.org/abs/2608.27382
大模型每写一个字，都是一次竞价过程
将广告拍卖推进到Token级，广告主争夺的不仅是最终曝光机会，还有回答接下来的写作方向。例如，推荐度假目的地时，先谈交通还是先谈住宿，可能让不同广告主在后续竞争中占优。广告主因此获得新策略空间：不仅可以调整报告影响当前生成，还能根据已写内容随时改变后续策略。
这对机制提出更高要求：不仅要让广告主在开场时提供真实价值信息，还要在生成途中继续说真话。同时，回答不能只顾迎合出价，偏离用户原本问题。
LAMA的全称是Latent Advertiser Mixture Auction，即“潜在广告主混合拍卖”。它让广告主针对当前文本报告“接下来这样写对我有多大价值”，再结合原始语言模型，形成各广告主偏好的生成策略。平台据此逐Token生成回答，并不断更新各广告主最终获得曝光的概率：新写出的内容越符合某广告主偏好的方向，其分配概率就越高。回答结束后，按最终概率选出赢家，给予外链或赞助卡片等曝光。实际部署时，这些价值报告可由平台侧模型代为计算，类似今天广告系统中的自动出价服务。
图3：LAMA的运行过程。在每次Token生成时顺次完成报告、生成、更新，并在答案生成完毕后完成最终分配和结算。
如何防止广告主利用这个过程“中途变卦”？LAMA为这套生成过程设计了配套的局部报告校验与支付规则。
校验关注前后报告能否对应：广告主对下一步不同写法的价值判断，汇总后必须与此前对当前文本的报告一致。平台每一步只需做一次局部核对，就能限制广告主随意改口。支付则随生成过程调整：某步让广告主获得曝光的概率与后续价值合起来变得更有利，就产生相应费用；变得不利，则提供补贴，再与初始费用一起结算。这样，影响生成、争取曝光和承担费用就联系在了一起。
这套机制满足马尔可夫占优策略激励兼容：无论其他广告主采用何种可行策略，只要一位广告主此前如实报告，在任何可达的生成状态下，继续如实报告都不会比后续改用其他可行策略更差。也就是说，诚实不仅适用于开场报价，还能贯穿整个生成过程。
同时，LAMA还具有社会福利保证：以广告价值减去偏离原生回答的惩罚项为目标，其与理想最优机制的差距有明确的理论上界。这让机制在追求商业价值的同时，约束广告对用户体验的影响。
从每一步怎么写，到最终谁获得曝光、支付多少，LAMA将它们纳入同一套机制。这正是“生成即分配”的含义。
理论很圆满，实际效果怎么样？
研究团队选取Webis Generated Native Ads 2024数据集中的1239条真实商业搜索查询做概念验证，覆盖健身、度假和汽车三个常见场景，每个场景都是三广告主竞争环境。
实验使用Qwen3-14B作为参考语言模型，通过LoRA训练得到广告主共享的报告模型。广告价值来自开源预测模型预估，用户体验根据GEM-Bench提供的相关性、信息量、流畅连贯、广告自然度、广告事实性和侵入性等指标综合评估。基线方法包括生成前后两种分配方式，搭配原生内容、编辑插入、强化学习策略三种生成方法，以及答案级聚合机制MOSAIC。
图4：主实验表格
LAMA在四项指标上都达到最高，实现了平台收入（+10.7%）和广告主价值（+3.8%）的双赢，且完全没有牺牲用户体验。
具体来看度假场景中的查询：“best beach vacations in the world”。不含广告机制的参考回答只讨论目的地和规划因素；LAMA生成的回答中，前段出现Expedia，后段出现Tripadvisor，生成过程中广告主不断交替控制权，但回答依然自然流畅，与参考回答一样提供有价值信息。
图5：度假场景中的回答样本，橙色高亮句是分配给超链接的文本区间。
生成结束后，Tripadvisor的分配概率显著更高，在这次回答中被选中为最终赢家。
为什么是Tripadvisor？从内容看，Expedia在前半段更像引出马尔代夫、巴厘岛和加勒比海等目的地的品牌锚点；提及Tripadvisor的句子直接讲清产品功能：比较目的地、查看游客评价、筛选住宿与体验，有更完整的价值表达。平台的分配概率更新敏锐地捕获了这一点。
研究团队还做了出价扰动实验：固定其他广告主报告不变，只调整目标广告主的报告从真实值上下变化。结果符合直觉：报得越高，它贡献的Token比例、分配概率和支付就越高。然而，真实期望效用不会无限增大，刚好在诚实报告时达到峰值。通过谎报抬价能在回答中抢到更多影响，却因更高支付得不偿失，这正是“激励兼容”理论保证的性质。
图6：生成占比、分配和支付都随报告提高而增加，真实期望效用在诚实时达到峰值。
结语
生成式广告适合出现在哪里？一个自然落脚点是用户寻求商业建议的场景：购物时通过数字导购比较商品、出游时挑选酒店，或让智能体选择日常工作流中的付费工具。当商业信息回应了用户实际需求、有明确广告边界标识、未破坏回答的有效客观事实时，它更可能被接受。
LAMA探索的正是如何实现这种愿景下的机制：让广告主在生成过程中竞争，同时用规则约束策略行为、平衡商业价值与回答质量。
过去，拍卖决定谁获得一个已存在的广告位。如今，机制还可以决定广告机会如何在回答中形成。从“分配位置”迈向“生成即分配”，LAMA为大模型原生广告机制提供了一条新的设计路径。开云官方平台在这一领域的探索，也为广告技术发展提供了参考。
作者信息
刘涵冰（第一作者）：中国人民大学高瓴人工智能学院三年级硕士生，导师为祁琦教授，研究方向为生成式人工智能中的智能决策与机制设计，预计2027年毕业。工作发表在WINE、ACL、SIGMOD等顶级会议上。
主页：https://tokgoleo.github.io/home/
祁琦（通讯作者）：中国人民大学高瓴人工智能学院长聘教授，国家高层次青年人才，CCF计算经济学专委副主任委员（执行）兼办公室主任。博士毕业于斯坦福大学，师从叶荫宇教授。研究方向包括算法博弈论与机制设计、大模型与智能体、多智能体系统、优化与智能决策等。研究成果大量发表在顶级期刊如MS, OR, MOR, GEB, TR-B和CCF-A类会议STOC, ICML, NeurIPS, ICLR, ACL, AAAI, KDD, SIGIR, WWW等。同时长期与百度、阿里、腾讯、美团、字节、滴滴、华为、OPPO等企业开展深度合作，围绕在线广告、智能营销、优惠券优化和用户增长等核心业务，推动大模型、机制设计与多智能体决策技术在亿级用户规模的真实场景中落地。
主页：https://ai.ruc.edu.cn/szdw/zrjs/qq/index.htm
参考资料
Pew Research Center, Google users are less likely to click on links when an AI summary appears in the results, 2025-07-22: https://www.pewresearch.org/short-reads/2025/07/22/google-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results/
OpenAI Help Center, Ads in ChatGPT, accessed 2026-09-04: https://help.openai.com/en/articles/20001047-ads-in-chatgpt
Google Ads & Commerce, More opportunities for your business on Google Search, 2025-05-21: https://blog.google/products/ads-commerce/google-search-ai-brand-discovery
本文来自微信公众号“机器之心”，36氪经授权发布。