在今年的ChinaJoy期间，极客公园再次与Moloco的机器学习首席研究员Tal Shaked进行了深度对话。这家将“重塑广告生态系统”作为其使命的公司，正通过在归因、用户识别、交叉推广等领域的持续创新，试图改变科技巨头构建的“围墙花园”的数字广告生态系统。
在科技巨头构建的“围墙花园”与开放互联网的博弈中，数字广告生态系统形成了一种微妙的平衡。然而，对身处其中的广告主和开发者而言，相对的稳态并不意味着最好的资源安排。
但总有玩家不满足于现状。他们相信，技术可以重塑规则，让价值分配更透明、更高效。他们寻找生态中的“裂缝”，并试图用算法将其撬开。
Moloco正是这样一位“破局者”。这家将“重塑广告生态系统”作为其使命的公司，正通过在归因、用户识别、交叉推广等领域的持续创新，试图改变游戏规则。
在今年的ChinaJoy期间，极客公园再次与Moloco的机器学习首席研究员Tal Shaked进行了深度对话。
距离上一次交流，Moloco 已经显著壮大：不仅在核心广告业务（Moloco Ads）上保持快速增长，同时在 Moloco Commerce Media 与 Moloco Streaming Monetization 这两个独立业务板块也实现了飞速发展并构建了增长飞轮，形成更加清晰的产品布局。
Tal Shaked，这位在谷歌搜索与广告等核心项目中浸润 16 年的技术老兵，曾亲历并推动 AI 浪潮的兴起。他的履历横跨谷歌与 Snowflake 等公司，不仅让他深知巨头体系的优势，也让他看见其中的“裂缝”与巨头之外的落地挑战。
如今，作为年入数十亿美元的 Moloco Ads 业务技术负责人，他正带领团队探索最新的技术架构演进与生成式 AI 的应用边界，并勾勒出一条通往“重塑生态”的路线图。同时，他也分享了对亚太市场的独特洞察，以及对行业人才与未来趋势的深刻思考。
以下是对话节选，由极客公园整理。
高速增长期：Moloco内部在“调参什么”？
Moloco 的故事继续高速展开：自 2020 年营收增长超十倍后，2024 年实现近20 亿美元的年化广告支出总额，且在近五年持续盈利的坚实基础上，团队已扩展至 800人多，并完善了产品矩阵 完成了组织拆分：Moloco Ads、Moloco Commerce Media 和 Moloco Streaming Monetization 三大业务独立运营。这样的扩张背后，Moloco在技术、模型和组织上的关注点，也正在发生深刻变化。
问：我们在上次ChinaJoy上也曾经见面，讲讲这一年来Moloco的一些进展吧？
Tal Shaked：过去一年，首先我们的业务规模有了显著增长，合作的客户数量大幅增加。
随着我们业务版图向电商等其他领域扩展，需要特别注意不同行业的变现特性差异。以电商行业为例：虽然用户可能产生高额消费订单，但其商业逻辑与其他领域存在根本区别——广告主的收益并非直接来自交易金额，而是基于平台与商户约定的佣金分成机制。因此，我们的系统必须能够准确识别这些不同类型商业事件之间的本质差异，从而确保模型能够在所有细分领域实现精准优化。
同时，我们正在构建新的能力，以更好地匹配客户真正关注的优化目标。比如，客户对长期转化效果的重视不断提升，我们正突破短期指标（Day 1、Day 3、Day 7），转向高价值用户的精准识别，并在合适的时机和场景触达他们。这背后需要复杂的数据处理管道，我们每天处理数十亿次竞价请求，并持续构建更精细化的用户画像体系。
问：去年您曾提到生成式AI在广告素材领域的应用潜力。目前这些构想在实际业务中取得了哪些进展？
Tal Shaked：我们确实取得了一些进展，但还有很多机会可以做更多的事。理想状态下，未来，广告素材可以根据用户的兴趣实时生成。
但是这样其实要面临很多挑战。
一方面，生成这些素材内容（无论是图像、横幅还是视频）需要大量的算力。
另一方面，这些生成内容也可能存在错误信息和“幻觉”问题。所以出于合规和品牌安全等多方面的考虑，我们需要确保这些展示给用户的广告或创意，符合发布方和广告主的要求。因此，目前仍然需要一套审核流程。也就是说，你可以批量生成多个创意内容，它们会先经过审核，然后再选择其中一部分展示给用户。
我们目前的个性化，不是为每一个用户量身定制一个创意，而是一个“创意集合”。比如说，生成十个创意，其中某个创意可能更适合这个地区、这个年龄段的女性；而另一个创意则更适合有某些兴趣的男性，而不是实时为每个用户动态生成——因为目前还不具备这样的可行性。但实时生成是我们理想中的发展方向。
现阶段重点在解决基础性问题——比如素材的智能适配（尺寸调整）和内容优化（元素补充），这些都需要持续投入。
为了更好地控制我们展示的素材类型，通过SDK来运作是更优的选择。我们开发的SDK正在被越来越多的媒体方集成应用，效果相当不错。这对发行商有利，因为这能让他们获得更好的成本结构，比其他渠道更便宜，最终意味着他们能获得更多收益。对我们来说也很有利，因为这让我们能够创建更多样化的素材，支持更多广告形式。
问：我注意到Moloco近期的宣传更多使用"AI"而非"机器学习"，这是否是对行业聚焦生成式AI的回应？
Tal Shaked：其实取决于我们的听众。当我们与技术实践者交流时，我们会使用机器学习或建模术语，因为这就是我们构建的技术本质；而当普通用户体验技术成果时，比如我妻子使用聊天机器人，他们感知到的是人工智能（AI）。这种认知差异需要术语转换来弥合。
从公司技术研发的实质来看，我们仍在同时推进机器学习（ML）和人工智能（AI）的技术发展。当前行业趋势是将所有具备自动化能力、可替代人工工作的技术都归类为AI。但从Moloco技术实现层面来看，本质上仍然是机器学习系统在构建这些预测模型，这些模型随后被集成到更宏观的人工智能系统中，通过自动化功能来创造真正的商业价值。
我个人偏爱一个早在十年前提出但如今少用的概念——"机器智能（machine intelligence）"，从技术定义的角度来看，"机器智能"或许是更贴切的概念：机器不该局限于模仿人类智能（即人工智能），而应发展其独特智能形态。机器拥有近乎无限的存储能力和相对人类而言近乎无限的计算力，它本来就是和人类不同的一种智能。
问：随着Moloco业务拓展至电商、零售媒体和流媒体变现等新领域，技术挑战有哪些变化？
Tal Shaked：在Moloco，我们能够构建一小套模型来覆盖整个业务领域——这是因为该领域具有相当高的统一性：虽然不同广告主确实拥有各自不同的营销目标，但我们完全可以通过这一小套模型来实现跨不同任务的学习能力。
这些模型可以进行大量的迁移学习，不同的模型能够相互促进，因此我们只需要维护少量核心模型即可。
在之前的在Moloco Ads业务中，我们合作的发行商以收益最大化为核心目标，因此我们会为其展示广告。同时发行商拥有内容管控权——例如可以要求"此素材内容不当，请永久停止展示"，或声明"我不希望我的应用与博彩内容产生关联"。
谈到近期我们面向电商领域的产品Moloco Commerce Media (MCM)，我们实际上是与特定电商平台建立了深度合作，而 MCM 拥有独特的数据结构、差异化的需求模式和专属的广告投放体系，这就要求我们必须开发高度定制化的专用模型。
当用户进行搜索时，系统会返回一系列与搜索直接相关的商品结果；其次是付费广告内容，即除了最相关的商品外，还会展示通过付费广告推广的相关商品。
我们面临的技术挑战也较为复杂：虽然机器学习组件令人振奋，但实际需要构建的是完整的广告技术体系——例如当平台存在搜索框时，需要开发整套广告推送系统：包括基于查询触发的广告检索机制、广告位与页面布局的响应式设计；当用户完成购买行为后，需要实现"交叉销售推荐"逻辑（如"购买了X的客户也可能需要Y和Z"）。此外还需要设计原生广告格式等多种广告呈现方式。
我们正在开展的另一项业务是CTV。在CTV中，挑战更特殊：用户在电视上看到广告，却在手机上完成购买。我们要做的是将跨设备的行为关联起来，判断广告是否真的带来了转化。
这不仅需要机器学习组件，更需要新的功能工程与建模逻辑。重要的是要能够判断用户“是否在电视上看到了广告，半天后这个家庭中的某个人完成了购买”这一事实。我们可能会通过查看 IP 地址或其他信息，来把这两个信息连接在一起。然后我们会创建功能并建立模型，来学习“这个广告实际上是有效的，它促成了这次购买”。因此，这些是不同类型的技术挑战。你能获取的数据越多，这些模型就会越好。
问：我理解你们在新业务线中有很多定制化需求。这是否改变了工程师招聘策略？对整个团队又产生了哪些影响？ Tal Shaked：这个问题非常好。虽然我们定位是机器学习或人工智能公司，但实际上大量工作并不直接涉及模型开发，而是聚焦三大基础架构：首先是构建产品成功所需的功能工程体系，其次是建立数据获取能力，最后是实现全球规模的广告投放基础架构。
不同产品线对于人才的需求是很不同的。以Moloco Ads为例，我们需要与众多广告交易平台（如Kakao、小米等优质流量）进行深度对接，这要求特定的技术能力——比如当我们通过SDK将广告服务嵌入第三方应用时，就需要熟悉iOS或Android平台的SDK开发专家。相比之下，流媒体场景的广告投放又需要另一套基础架构来支持其特有功能。因此我们会根据具体用例招募不同技术专长的人才，同时考虑区域化需求。
相比我们上次交流时，我的职责范围已有所调整。具体来说，除继续担任机器学习首席研究员外，我现在将主要精力集中在Moloco Ads业务线上，我会直接管理该业务线的产品与工程技术团队。这一调整的背景是 Moloco Commerce Media和Moloco Streaming Monetization现已作为独立产品板块运营，由不同的负责人根据各自业务特性进行专业化管理。
我们进行这样的组织调整，核心目的是让每条产品线都能按照最适合自身发展的节奏快速推进。Moloco Ads是每年数十亿美元规模的成熟业务，建立在过去十余年搭建的系统架构之上，其发展策略侧重于现有体系的持续优化和边际创新；相比之下，Moloco Streaming Monetization尚处早期发展阶段，需要完全不同的推进节奏和方法论，就可能涉及更激进的技术试验或商业模式探索。通过赋予各业务线独立运营权，我们确保从成熟业务到新兴领域都能采用差异化的演进路径：前者像精密的瑞士钟表般持续校准，后者则如同初创公司般敏捷试错。
一般来说，我们彼此之间的模型并不会直接复用。如果已构建了跨平台的用户画像体系，那么某些模型组件——特别是功能工程层面的抽象要素（如用户价值分层模型、兴趣标签预测器等）——确实存在部分共享的可能性。
重构规则：把价格还给价值
开放互联网像一只多方拼盘：MMP、DSP、SSP与各类调优工具分食价值，信息割裂、动机不一致，发行商与广告主常被“平均主义”稀释了收益。
问：在广告领域，最近有哪些行业趋势或需求变化？
Tal Shaked：虽然各区域存在细微的用户场景差异，但我们也看到显著的共性趋势。
这就催生了新型广告形式的需求。以动态产品广告（DPA）为例：这种在电商领域快速普及的形式，同样适用于其他行业——甚至拓展至交友应用等场景。正如我们遇到的一位客户案例所示，根据用户画像动态展示个性化内容（比如可滑动浏览的多组推荐项），正成为满足客户需求的重要创新方向。
同样值得关注的是长期效果优化趋势。虽然行业普遍采用7日广告支出回报率（D7 ROAS）作为核心指标，但这本质上是对365日生命周期价值（LTV）的替代测算。随着广告主成熟度提升——尤其是亚太和中国市场涌现出大量资深广告主——我们越发认识到：当内部团队的组织架构与客户目标深度对齐时，业务成效就会显著提升。这种对齐体现在三个层面：算法团队需突破短期转化指标局限，产品团队要构建365日价值归因体系，而客户成功团队则必须掌握客户行业的LTV计算模型。
这种技术演进正推动着更长期的优化指标（如D28 ROAS）的应用。通过我们的研究数据发现：有大量用户直到第7天后才完成首次购买转化，因此如果仅基于D7数据训练模型，系统会天然忽略这部分用户群体。但事实上，这些"慢转化"用户可能具有更高的长期价值：由于竞争较少，其获客成本往往更低，而生命周期价值（LTV）却可能更高。这就解释了为何我们越来越关注长期效果优化。
与此同时，在电商领域仍存在需要短期优化的场景。比如当广告主的核心目标是促使用户在安装首日就完成购买时，我们必须聚焦D1 ROAS指标。值得注意的是，电商的ROAS计算有其特殊性：它可能以购物车金额（而非应用内购金额）作为核算基础。这些洞察部分来源于我近期在客户拜访中获得的实际案例，虽然属于个案观察，但清晰地展现了不同业务场景对优化目标的差异化需求。
另一个关键差异在于：部分广告主专注于应用内购买优化，而另一些则致力于应用内广告变现。这两个领域都至关重要，虽然Moloco传统上更侧重应用内购买业务，但我们也看到应用内广告变现存在巨大市场机遇，客户对此表现出强烈兴趣。因此我们正着力提升三大能力：更完善的功能、更精准的模型，以及优化“网络效应”，从而为应用内广告主创造更大价值。因为这些广告主本质上也是其他应用的推广者，理解这种双重角色关系将能扩大整个生态的价值空间，这正是我们过去未充分关注的领域。
这里的独特之处在于：我们始终以广告主价值最大化为核心目标。但当广告主同时扮演发行商角色时，就必须兼顾流量方的收益。这种双重价值优化在亚太等地区需求日益凸显，我们已在此取得显著进展，并由此对战略进行了重大调整。
问：能否请您总结未来重点的改进领域吗？
Tal Shaked：我们有五个重点改进领域，可以说都属于"方向明确、只需高效执行"的范畴。
如前所述，由于系统固有的一些限制，我们过去无法有效支持或优化某些特定的素材形式。但通过我们的SDK，我们现在能够更灵活地处理多样化的广告形式和素材，这一能力已被证实能显著提升效果指标。关于素材优化的最佳实践方法论，行业或已有共识。例如：进行系统性测试、采用三层嵌套卡片创意（以导览视频开场，接续游戏实景画面，最终跳转至含特定素材组合的落地页）就是经过验证的标准化方案。
素材本身是第二大关键要素。
第三大核心在于用户身份识别——这在iOS和LAT（限制广告追踪）环境中尤为突出，因其用户数据获取受限。我们已验证在受限环境下存在更优的用户建模方案，并基于同业已验证的方法，形成了多项创新性解决方案。这一方法将大幅提升我们对用户价值的理解能力，从而更精准地为广告主识别高价值用户。
第四，正如之前提到的，由于我们许多广告主同时兼具发行商角色，这为优化提供了新思路。通过完善这一双重角色的协同机制，我们可创造比当前更高的长期价值，即所谓的网络效应。
第五大重点领域是归因分析。在与客户交流时，许多广告平台会有动机宣称“这次安装来自我的广告”。但如何确定它真正是由我们平台还是其他方带来的？这就是归因的核心问题。
我们的目标是提供正确的工具和管控措施，以完全透明的方式帮助客户清晰理解归因来源——无论是来自我们平台还是其他渠道。通过这种方式，我们相信既能提升自身表现，也能帮助客户优化他们的效果。广告投放和归因确实存在能为客户创造真实价值的合理方式，但也存在可能涉及不当操作的情况。我们希望帮助识别这些情况，让客户能够确保他们从我们或其他渠道的广告支出中获得最大增量价值。
这五个重点领域在业内已有共识，我们正在加大投入以便为客户创造更大价值。还有三个是我们视为战略投资的领域：非游戏领域，拓展广告触达场景（从应用间推广走向移动网页端），第三是推动生态系统演进，为广告主和发行商创造更多价值。
问：可以展开聊聊我们觉得生态系统现在有什么问题，以及未来可以做点什么吗？
Tal Shaked：核心问题在于开放互联网并不真正归属于任何一个单一实体。这个领域就像一个大拼盘，挤满了形形色色的参与者——移动监测平台（MMPs）、广告需求方平台（DSPs）、流量供应方平台（SSPs）、各类中介平台，以及专门从事第三方用户数据的公司。虽然我们整合所有这些要素来创造价值，但每家公司都独立运作，各有自己的想法，大家既想扩大整体市场，又试图获取更大的份额。这种微妙的想法和关系，往往会让真正创造价值的广告主和发行商利益受损。
相比之下，我在谷歌任职时，情况截然不同。在搜索广告领域，并不像其他广告模式那样存在多方参与者。谷歌自有广告投放流量——即搜索查询本身。所有广告主都通过谷歌进行竞价拍卖。因此，谷歌具备充分动力和全局视野，既致力于为广告主创造最大价值，也为用户优化体验，同时通过精心设计的机制确保自身获得可观收益。这种模式实现了多方共赢。当前生态中没有任何其他参与者能掌握这种端到端的全局视角。因此各方呈现出既合作又竞争的关系。我认为目前形成的平衡状态，虽然对每个参与者个体而言都具合理性，但可能并非广告发行商的最优解。
我们正在研究如何推动生态系统发展，这样广告主和发行商就能获得更多价值。而我们可以发挥作用，把这块蛋糕做得更大。举个例子来说，假设你是个发行商，有十款应用。有个用户下载了其中一款游戏，玩了一个月左右。现在他们觉得无聊了。这时你该怎么做？你可以投放其他应用的广告，用户可能就下载别的应用去玩了。或者你可以推广自己另外九款应用。如果他们下载了其中一款，就会继续用你的产品，这样显然更好。我们管这叫交叉推广（cross promotion）。核心理念是：与其展示其他公司的应用广告（可能导致用户流失），不如向他们推荐你自己的其他应用。
如此，用户就能留在你自己的生态里，这就是价值所在。设想一下，你是愿意花高价给已有的应用打广告，还是更想要折扣价，毕竟这流量最终是回流给自己。这就是我们提升生态价值的思路，发行商会发现，用更低成本推广自家应用、把用户留在生态内，比靠外部广告赚更多钱更划算。
这就是我们说的交叉推广。虽然技术难度不小，但对部分发行商来说确实能创造额外价值，甚至可能改变行业现状。比如，就算要在自己的App里推广自己的其他应用，也还是得支付平台使用费。当然，我们还在探索更多可能性，既要帮广告发行商实现价值最大化，也要提升我们自身的影响力。
再举个例子，目前只有少数几家服务商提供流量调优服务。一些发行商会质疑：“既然使用第三方调优会导致数据分散，为何还要付费？何不自己管理？”事实上，部分发行商已经采用“内部调优”方案，即完全自主掌控整个流程。他们的理由很明确：“我们已达到足够规模。我们需要直接控制竞价机制，而不是付费让第三方来规定条件。通过自有系统，我们能够自由优化以实现价值最大化。”
这本质上是提出了自建还是采购的挑战，大公司希望构建完全符合自身需求的方案，但小企业缺乏资源投入，所以采购第三方方案成了可行选择——对他们来说够用就行。我认为这种做法合理，但当垄断平台施压时就会出问题，巨头们如果说：不用我们的调优服务，就断供优质广告源。这样一来中小发行商拿不到优质广告源，就无法实现变现价值最大化。当巨头这样利用优势时，就造成了系统性失衡——这才是核心问题。
发行商自建调优系统的尝试，本质上是另一种打破现状的努力。但难点在于：多数企业无法获得足够的广告源来匹配第三方服务的表现，最终往往又回到原来的解决方案，认为还是用现成的效果更好。但若能改变这个局面，广告主和发行商都将获得额外价值。
问：Moloco是否希望未来通过打造一款全新的科技产品来改变生态系统?
Tal Shaked：问题的关键在于，谁最后重塑市场。如果是大企业，他们自然希望重塑后自己获得更大利益。我们在意的是靠模型进行驱动，所以我认为当行业在归因分析、素材优化和用户识别等关键维度实现公平时，我们基于深度用户洞察的建模能力，将成为推动广告变现效率提升的核心推手。
问题核心在于：假设我们在建模技术领先的同时，却在素材和数据应用方面存在短板。
我们追求公平竞争，但其他平台可能持相反立场。例如广告主在某渠道制作的素材，却被限制“仅限本平台使用”，这种封闭生态实质损害了广告主价值。这种机制人为抑制市场增长：通过强制排他性让个别平台获益，却压缩了生态整体价值。正如我们探讨的，健康状态应是通过做大市场实现价值共享。但某些玩家宁愿维持小规模市场以确保自身份额优势。
当前行业价值的很大部分正被中间环节占据——包括移动监测平台(MMPs)、需求方平台(DSPs)和流量调优平台。这意味着发行商无法获得应有的价值份额。如果我们能通过精简冗余环节或重构价值链来优化生态系统，发行商将获得比以往更多的价值——这对他们的业务将产生实质性的提升。这正是我无法准确预测变革具体形态的原因。但我可以援引历史上类似的颠覆性案例：这种转变往往难以预见，通常需要数年时间酝酿，往往需要真正具有颠覆性的创新突破。
问：过去一年，GEO成为一个新兴词汇。GEO的基本逻辑就像你问ChatGPT“我想买电脑”，它会根据合作厂商需求给你推荐特定笔记本。重点在于如何确保推荐既符合用户兴趣，又满足广告主曝光需求。您认为广告预算将逐步转向这里吗？毕竟这也算新型游戏广告？
Tal Shaked：过去企业优化网页内容获取关键词排名，现在转向优化聊天界面呈现，这是必然趋势。如同所有竞争优势，先行者获得红利，直到所有人跟进。企业终将逆向解析聊天机器人算法，确保自身被推荐。
其实这和网红营销异曲同工：创作者说“赞助我，我有粉丝，测评时会更积极”。AI游戏伴侣也一样——用了它的攻略功能，后续推荐的游戏自然偏向付费广告主。
从本质上说，这就是一种广告形式，你从服务中获得价值，但代价是要接受应用的影响。乍看之下，这就是一种常见的广告模式。
Moloco在这里能做什么现在判断还为时过早。我想再次强调目前我们的使命，即重塑互联网经济的生态增长引擎。我们一直在寻找为合作伙伴和客户创造更多价值的机会。如果这个GEO渠道确实能发挥我们在用户洞察方面的优势，那当然值得考虑。
具体来说，如果我们足够了解用户，可以有两种玩法：要么直接推荐这些智能代理，要么优化代理的推荐算法——比如一个能推荐10个应用的代理，至少要优先推荐用户最可能下载的那个。那么我认为，如果这样做能创造价值，而且凭借我们的数据和理解能力具备独特优势，这应该是我们考虑的一个选项。
我们完全可以利用我们的优势，帮助这些智能代理做出更精准的推荐，从而提升广告的效果。当然，其他拥有不同数据维度的玩家也会参与竞争。最终可能会形成一个竞价市场——这些代理需要在特定时机（比如向用户推荐时）实时出价。而且不只是出价金额的问题，推荐形式本身（比如纯文本）也会成为竞争维度。这可能就是另一个形态的程序化交易市场。
Tal Shaked的前瞻与下注：从AI Agent到下一轮自动化红利
问：AI技术发展经历了多次起伏周期。您个人如何判断哪些技术趋势值得投入时间和精力？
Tal Shaked：这是个好问题。作为ML/AI领域的投资人，我确实会亲自参与一些公司的投资决策。我想分享一个典型案例：多年前我团队的一位成员离职创业，最近他带着15年广告行业经验回来找我投资。他洞察到一个关键痛点——广告主面临多渠道投放的复杂管理难题。
如今的广告生态包含谷歌搜索广告、Meta信息流广告、本地化投放平台等多重渠道，每个平台都有独特的API接口和优化逻辑。他的创业项目就是开发一个智能代理系统，这个系统能够：1）理解各渠道特性；2）通过API自动创建和优化广告活动；3）动态调整预算分配。
他的设计逻辑是：广告主直接与AI代理交互，而代理会给出优化建议——比如建议在Moloco（而非其他渠道）增加预算，因为我们的平台具备独特优势。
更具突破性的是，这个代理还能协调品牌广告（上漏斗）与效果广告（下漏斗）的联动。因为品牌认知度提升后，效果广告的转化率会显著提高。这本质上是用AI重构传统广告代理的业务逻辑——不是简单替代人力，而是通过深度理解全渠道生态来实现智能决策。
这正是令我振奋的创新方向——过去无法实现的跨渠道智能营销管理，如今通过自然语言交互界面已成为可能。该系统能统筹不同目标的营销渠道，协同优化企业的全局营销目标，堪称广告自动化领域的“圣杯级”难题。我们可以想象这样的场景：企业只需设定预算和目标，AI代理就能自动完成全渠道投放优化。这正是我选择投入时间和资金的关键案例，既因为创始人的专业背景，即我们共事多年彼此熟悉，更因其能帮助我深入理解行业核心挑战。
创新往往诞生于新兴技术与客户需求的交叉点。最近我在一个创新主题演讲中提到，关键在于：理解客户真实需求，提出正确问题，并快速进行原型验证。我认为自己的职责之一，就是持续关注那些几年前不可能、但现在可以实现的技术突破，思考如何用它们解决我们在实际工作中遇到的问题。
好创意无处不在，但将其落地往往困难重重。而现在，这个实现过程正变得越来越容易，这让我感到十分兴奋。
问：未来AI可能替代人类直接编写算法吗？
Tal Shaked：一个能理解个人偏好的AI代理应该是这样的：它能记录你喜欢/讨厌的事物、让你开心/不开心的因素，然后据此推荐更多符合你喜好的内容，从某个角度上已经像是一个算法。虽然现阶段系统不会明确说“我正在用这些标签训练深度学习模型”，但其行为模式会表现出类似的学习能力。与传统机器学习不同，它可能不需要专门训练数据，而是通过海量文本学习直接做出预测。
我在制定本地运营策略时，会先给AI提供背景信息：“这是现有的几套运营方案，这是我想达成的目标，你有什么建议？” AI会分析五个方案的优劣并推荐最优解。有时我会反驳：“基于你要实现的目标，我认为应该采用另一个方案”——通过这种对话，AI会不断调整建议。虽然这不是传统意义上的机器学习，但确实展现了学习能力。
技术上，如果想让AI代理自学国际象棋并开发出AlphaGo级别的算法，目前可能还做不到，但随着未来技术进步，这确实是个值得探讨的方向。
问：未来一年，您预计广告领域会出现哪些新的机器学习应用？更广泛地说，您个人最期待哪些AI突破？
Tal Shaked：如果要用一个词总结，那一定是“自动化”——这就要回到我先前的AI Agent系统例子：你只需设定营销目标和广告预算，它就能自动实现效果最大化。虽然离这个终极目标还有距离，但它就像北极星一样指引着方向。
要实现这个愿景需要解决一系列子问题。虽然我们讨论过自动生成素材这类挑战，但Moloco当前重点攻关的是开发一个能智能配置广告campaign的AI Agent系统——它需要精准理解营销目标、合理分配预算，并确保所有技术参数正确设置。当广告campaign开始运行后，这个AI Agent能够分析当前表现的原因，并持续指导你如何优化活动效果以获得更好的长期表现。虽然这只是迈向自动化的一小步，但却是一个切实可行的突破，我们预计在几个月内就能取得进展。
在此基础上，我们将逐步扩展功能：能否为不同地区生成差异化素材？投放几周后能否自动优化素材？能否设置素材对比实验？能否尝试不同目标（比如转化活动与ROAS活动）？能否平衡长期ROAS与短期ROAS？数据是否足够支撑这些功能？通过这些渐进式改进，我们终将实现端到端的广告自动化。这个目标其实可以追溯到我2008年在谷歌工作时，当时我们就在思考“为什么要优化点击量？我们真正应该优化的是转化率”，而现在我们正在把这个理念推向新的高度。
广告行业一直的问题是：我不知道哪些投入广告的钱是真正创造价值的，他们可以弄清楚这一点，并不断调整支出以获得最大价值。我认为这是AI Agent能够做好的。
更广泛地说，我个人很关注医疗和教育领域的进展。
AI Agent可以完全客观地分析所有医疗报告。虽然构建完整能力涉及政府监管、保险体系等复杂因素，但基础技术已经具备变革性影响的潜力。
教育是另一个重点。我不认为人人都必须走高中-大学-研究生这条路。我们学习方式各不相同，试想难道20人或50人的大课堂真是最佳学习方式吗？想象有个互动AI助手，可以随时回答问题、提供指导练习。就像三四岁孩子学说话时，如果有个能即时纠正发音的AI陪练，肯定比家长一遍遍教要高效得多。研究表明个性化辅导效果最好，但现实中很少有人负担得起。现在七八岁孩子问的问题就经常难倒家长。比如"灯为什么会亮？"家长只能说"去网上查查"。从教育角度看，AI潜力巨大。
在研究AI之前，我是一个职业国际象棋选手，以国际象棋为例：现在人们棋艺进步更快，因为AI能指出每一步最佳走法。教育也应该这样——根据孩子兴趣(比如我儿子喜欢卡车)提供个性化学习。AI可以做到：听你弹琴后指出优点，分析演讲时的肢体语言，甚至像心理医生那样察觉情绪变化。所以虽然我不认为AI能完全替代教育，但它确实能帮助人们更好地掌握技能。这让我非常兴奋。比如我太太用聊天机器人辅助写作，完成了以前不可能写的书。AI正在帮助人们发掘自己都不知道的才能。
问：最后，能否给年轻人一些职业建议？
Tal Shaked：我的建议是：既要追随内心，也要多请教过来人，真正了解每条道路的实际体验。
以我为例——我父亲有博士学位，母亲是硕士，他们那代人认为读研是必经之路。但现在回想17岁时的选择，我反而会建议自己：先进入最好的本科院校，然后直接加入或创立公司，这更符合我的兴趣特质。只是当年我并不知道这一点。
所以要多与有经验的人交流，这能帮你更明智地“追随内心”。因为核心问题在于：年轻人往往缺乏对行业的真实认知。我妻子曾是满怀理想的建筑师，梦想设计城市地标，现实却是整天改造车库预算方案。直到转型玩具设计师才找到职业激情。这印证了关键一点：年轻人亟需行业前辈的“真实工作体验”——比如“选建筑学意味着80%时间在协调施工队”这类残酷真相。现在她实现了转型，成为一名玩具设计师。但当初她没能获得业内人士的指导——没人告诉她“如果选择建筑专业，未来日常工作是怎样的”。
还有一个建议是，无论考虑哪家公司，都要主动接触其现员工，最好是曾在这家公司工作但已离职的员工——因为他们能提供更客观的评价。
这是我从自身教训中学到的：过去跳槽时没这么做，结果错失了全面了解公司优劣的机会。公司就像国家一样，没有绝对的“最好”，只有“最适合”。不同文化背景的公司差异显著——虽然我缺乏在中国企业工作的直接经验，但从与美国/中国客户的接触中，能明显感受到这种差异。
