生成即分配：Token级AI广告拍卖新机制
当搜索结果从一排排等待点击的链接，变成大模型实时生成的自然回答，互联网广告的底层逻辑已经迎来了一次根本性的重构。用户不再需要逐个浏览网页摘要来获取信息，AI已经帮他们完成了初步的整理和总结，但这也让广告的投放逻辑从“抢占固定位置”变成了“嵌入生成过程”。
用户行为的迁移
据行业观察的最新数据显示，当搜索结果中出现AI摘要时，用户点击传统网页链接的概率会被大幅削减。一项针对900名美国成年人的真实浏览行为追踪分析，覆盖了近7万次搜索后发现，AI摘要出现在18%的搜索结果中，一旦出现，用户点击常规搜索结果的比例从15%降到了8%，而直接点击摘要来源链接的比例仅为1%。
不过，用户的点击并没有真正消失，而是发生了更精准的迁移。数据分析显示，2024年7月到2025年5月期间，零售网站来自生成式AI的访问量增长到原来的35倍。到2025年5月，这类访问的跳出率比其他渠道低27%，单次停留时间长38%，浏览的页面数量也多出10%，说明AI带来的流量质量更高，更接近最终的转化行为。
平台的商业化布局
面对这种变化，各大科技平台已经率先开始布局商业化尝试。2026年2月，OpenAI在美国启动了ChatGPT广告测试，面向免费和高级用户开放；谷歌则将搜索和购物广告扩展到AI概览功能中，还在AI模式里测试了嵌入回答的广告位。谷歌官方展示的桌面端示例直观体现了这种变化：AI先完成问题回答，再在下方展示带有“赞助”标识的商品卡片。
这些平台动作的背后，是一个正在快速膨胀的生成式搜索广告市场。据行业预测机构在2026年中期的报告，生成式搜索广告首次被单独列为广告渠道，预计其全球广告收入将从2026年的51亿美元增长到2030年的1000亿美元以上，有望成为史上扩张最快的新兴广告渠道之一。
核心问题：广告应该拍卖什么？
当用户看到的不再是链接列表，而是一段实时生成的回答，广告的拍卖逻辑应该如何调整？这比“AI里能不能放广告”的问题更复杂，也更关键。传统互联网广告的核心前提是“广告位先存在，拍卖再决定归属”——不管是搜索广告的排名、信息流的曝光位置，还是展示广告的区域，都是预先定义好的，竞价只是决定谁能获得这个固定位置。
目前落地的生成式广告大多还是沿用了这个思路：比如ChatGPT的广告出现在回答结尾，和内容本身视觉分离；谷歌的赞助广告作为独立单元放在AI回答下方。但生成式界面的核心特点是，内容是逐字生成的，某个品牌是否适合出现、出现在哪里、以什么方式呈现，都取决于回答的上下文。广告机会不再是等待填充的固定位置，而是随着生成过程本身被创造出来的。
LAMA机制：生成即分配
针对这个问题，研究团队提出了一种全新的解决方案。他们在论文中提出了名为LAMA的机制，全称是潜在广告主混合拍卖，核心思路是将广告主的竞争直接嵌入大模型的自回归生成过程，让内容生成、广告分配和支付结算在同一套序贯机制中完成，也就是“生成即分配”——每生成一个Token，都同时推进内容的形成和广告的分配。
这个机制有三个核心特点：首先，重新定义了拍卖的对象，不再以生成好的文本或固定槽位为拍卖目标，而是让广告分配随着生成轨迹逐Token动态演化；其次，提供了动态激励保证，即使广告主中途看到部分回答并想调整策略，继续诚实报告依然是最优选择，同时保证了个体理性和接近最优的社会福利；最后，这套机制可以落地为可运行的系统，平台通过共享的广告主条件模型代为生成逐Token报告，不需要广告主直接理解语言模型的词表，大幅降低了使用门槛。
此前的相关研究已经在往生成过程中融入广告分配，但大多还是基于已经成形的内容单元：比如在生成前确定广告主和内容占比，或者将广告机会定义在段落或上下文相关的固定位置，又或者先为每个广告主生成完整的候选回答再进行选择。而LAMA则更进一步，不等回答生成完毕就开始分配，让分配过程直接参与回答的生成，将广告对内容的影响推进到最细的Token粒度，扩展了生成式原生广告的技术边界。
LAMA的具体流程
LAMA的全称虽然看起来复杂，但理解起来并不需要复杂的公式。首先需要明确的是，广告主并不是直接为每个Token报价，而是针对当前的文本前缀，报告不同候选Token被选中后，整段回答对自己的延续价值。在实际部署中，这些复杂的报告可以由平台侧的模型代为计算，类似现在广告系统里的自动出价服务。
整个流程可以分为四个步骤： 第一步是报告阶段：针对当前的文本前缀，每个广告主提供一组“继续生成的价值”，平台将这些价值和原始语言模型的下一词分布结合，得到每个广告主偏好的下一个Token策略； 第二步是生成阶段：平台维护一个关于广告分配的后验概率，每一步先根据当前后验选择一位引导生成的潜在广告主，再从该广告主对应的策略中采样下一个Token，最终使用的下一词分布是所有广告主策略按当前后验加权得到的混合分布； 第三步是更新阶段：新的Token生成后，平台会检查它在不同广告主策略下的出现概率，并用贝叶斯规则更新后验分布，某个Token越符合广告主偏好的生成方向，该广告主的后验分配概率就会越高； 第四步是结算阶段：回答生成结束后，最终的后验分布成为广告分配的依据，平台据此抽取一名赢家，赢家将获得超链接、可点击回答块或赞助卡片等最终曝光，并按照整条生成轨迹完成支付结算。
这里的关键在于，生成状态和分配状态始终绑定在一起。每生成一个Token，回答的前缀就会发生变化，而前缀的变化又会改变各广告主的延续价值和分配后验。因此，最终出现的广告机会并不是一个预先等待填充的位置，而是整条生成路径自然演化的结果。
激励机制的设计与保障
这种Token级的拍卖机制也面临一个核心挑战：广告主可以通过操纵生成过程来获得优势。比如，一位广告主可以在生成初期故意压低价值报告，让回答进入对自己有利的方向，等到前缀成型后再突然抬高报价争夺最终曝光。传统的一次性拍卖只需要管控初始报价，但Token级的机制必须保证，在回答生成到任何一个可达前缀后，中途改变策略都无法获得更高收益。
LAMA通过两层约束解决了这个问题：第一层是“贝尔曼一致性账本”，平台为每个广告主保存当前状态的标量价值，广告主在下一步提交的子状态价值必须能够通过软贝尔曼方程聚合回父状态价值，确保广告主不能随意改口；第二层是沿生成路径变化的支付规则，如果某个Token让广告主的“后验概率乘延续价值”的前景改善，机制将向其收费，反之则可能给予补贴。虽然单步转移可能为负，但整条路径的支付会通过望远镜求和前后抵消，最终在终点完成结算。
这套机制最终实现了三个核心保证：一是马尔可夫占优策略激励兼容，确保在任何可达前缀下，诚实报告都是最优选择；二是个体理性与预算平衡，诚实参与的广告主可以获得非负的期望效用，平台在期望意义下实现弱预算平衡；三是接近最优的KL正则化福利，能够在广告价值和回答的自然生成度之间取得平衡。
系统实现的关键优化
从理论到落地，LAMA还需要解决一个现实问题：每个文本前缀后面都有一个词表规模的分支，所有可能的回答共同组成一棵巨大的Token树，直接展开计算显然不现实。研究团队的解决方案是，不需要计算整棵树，只需要记住两类量：根价值，也就是用户问题刚出现时，这次广告机会对广告主的整体价值；以及局部优势，也就是在当前前缀下选择某个Token相比平均延续带来的价值变化。
通过这种方式，只要知道根价值，再沿着实际生成的路径逐步累加局部优势，就能恢复每个已访问前缀的价值。在实际系统中，研究团队使用了共享的广告主条件模型，所有广告主共享同一套主干参数，只需要通过条件提示输入广告主的身份、创意、落地页和定向信息，模型一端通过偏好数据学习局部优势，另一端通过标量回归头预测根价值。广告主只需要提供业务信息和最终价值信号，由平台代为生成逐Token报告，整个流程类似自动出价服务，大幅降低了使用门槛。
当然，这种优化也带来了一定的成本：在线服务时，系统需要先通过常规广告漏斗召回少量候选广告主，再对候选集合进行条件前向计算。实验显示，三广告主设置下，端到端平均延迟约为自然回答的3.5到3.9倍，每Token耗时约为3.5到3.6倍，和“候选广告主数+1”的理论计算量基本一致。
实验验证与结果分析
研究团队选取了1239条真实商业搜索查询进行概念验证，覆盖健身、度假、汽车三个垂类，每个垂类都有对应的候选广告主。实验使用参考语言模型，通过训练共享报告模型，广告价值采用模型预测的展示点击价值，用户侧质量则根据相关性、信息量、流畅度、广告自然度等多个维度综合评估。
实验结果显示，LAMA在四项核心指标上都表现最优：平台福利达到0.5205，最佳基线为0.5080；平台收入为0.8305，比最佳基线提升约10.7%；广告主价值为0.8568，最佳基线为0.8253；用户质量为66.5239，和最佳基线的66.4785基本持平。这说明LAMA在提升广告收入和平台福利的同时，并没有明显牺牲回答质量。
举一个度假场景的例子，用户搜索相关关键词，不含广告机制的参考回答只讨论目的地和规划因素，而LAMA生成的回答中前段出现了某旅行平台，后段出现了另一个平台，最终赢家是后者。从内容来看，前者更像是引出目的地的品牌锚点，而后者所在的句子更清晰地说明了产品的价值，因此获得了更高的终点分配概率。需要注意的是，文本中提到某个品牌并不等于它获得了最终广告曝光，赢家品牌会以特定方式标识，对应的高亮片段才会被分配为超链接区域。
研究团队还进行了出价偏移实验，固定其他广告主，只将目标广告主的报告整体从诚实值上下平移。结果显示，报价越高，广告主贡献的Token比例、最终分配概率和支付金额都越高，但按真实价值计算的期望效用会在诚实报告处达到峰值，过度抬价虽然能获得更多影响力，但会被更高的支付抵消，直观证明了诚实报告的最优性。
实际呈现形式与场景
很多人看到相关的机制名称，会误以为每个Token都需要展示广告标签，但实际上并非如此。这里的Token级指的是影响生成和更新分配的粒度，并不要求最终界面逐Token展示广告。该机制采用的是单赢家场景，整段回答完成后，最终曝光可以采用用户熟悉的形式，比如为赢家品牌添加标注超链接、将相关回答设为可点击内容块，或者在回答下方附加赞助卡片。机制负责后台的内容生成、分配和支付，而前台的广告披露、用户信任保护和避免误导，则需要依靠产品政策和安全系统共同完成。
该机制的核心贡献并不是为现有广告位设计新的排序公式，而是将机制设计的边界向前推进了一步：过去的拍卖决定谁获得一个已经存在的机会，而在生成式界面中，机制还可以决定这个机会如何出现。
至少有三个现实的商业场景适合应用这套机制：
数字导购，当用户主动询问商品推荐时，品牌价值和回答内容天然耦合，机制可以让商业信息在生成过程中竞争，同时用参考模型约束内容的自然度；
本地生活服务，比如餐厅、酒店、旅行服务等候选集合较小，用户有明确的决策意图，适合先召回少量候选，再让广告分配随着回答逐步演化；
智能体自动化工作流，当智能体执行多步流程时，每一步都可能调用不同的付费工具，未来的“赞助工具选择”不再是静态列表，而是可以嵌入决策轨迹的序贯机制。
当前的局限与未来方向
不过，这套机制目前还处于概念验证阶段，距离实际投放还有不少需要完善的地方：比如仅研究了单次单赢家的机会，尚未覆盖多赢家、跨请求预算、ROI约束和长期竞价；精确的激励保证依赖精确的报告，但有限数据训练出的模型只能近似恢复这些报告；广告价值目前来自离线模型预测，而非真实投放中的点击和转化；三广告主设置已经带来了约3.5到3.9倍的端到端延迟，扩大候选集后的系统优化仍是关键；此外，真实性、披露、隐私、品牌安全和用户信任等问题，并不会由拍卖机制自动解决。
总结
总的来说，这套机制更像是一张新的地图，而不是一套可以直接上线的广告产品。它提醒我们，生成式广告的核心问题已经不再是“把广告放在哪里”，而是“当内容、机会和分配同时被生成时，如何为人、模型和商业主体设计一套共同遵守的规则”。如果用一句话概括核心，那就是“生成即分配”：传统广告拍卖分配的是货架上的位置，而这套机制试图回答的，是货架本身如何在生成过程中自然长出来。
