2025年12月4日晚上18：00，中国营销工程与创新研究中心(以下简称“MEI”)2025-2026年第一学期第12次研讨会(以下简称“Seminar”)在MEI如期举行，参与本次研讨会的有黄敏学老师及MEI各位成员。

　　本次Seminar由贺光耀研读文章《Picture Perfect: Engaging Customers with Visual Generative AI》。

　　一、研究背景

　　图像在在线广告中占据主导地位，占广告支出的60%以上，是营销传播的关键要素。但是传统视觉内容制作(如摄影、CGI建模、后期处理)成本高、流程复杂。而生成式AI能大幅降低内容生产成本，提升创作效率，例如：可口可乐、亨氏、亚马逊等企业已开始探索视觉生成式AI在广告中的应用。

　　尽管生成式AI能生成与文本提示相关的图像，但营销内容需与消费者心理状态(如注意力、欲望)相匹配，具有高度情境依赖性。目前缺乏系统性研究探讨生成式AI是否能生成符合营销目标(如AIDA模型)的视觉内容，以及如何训练、在何种条件下最有效。

　　因此，本研究的目标是通过实证展示生成式人工智能为市场研究人员和从业者提供与营销目标相符视觉内容的机会，并识别生成式人工智能的潜在局限性。具体调查以下内容：

　　生成式AI能否通过训练，在达成营销目标方面达到与传统广告相当的水平;

　　如何训练生成式AI以生成有效的视觉广告内容;

　　在何种情况下，AI生成的内容对于实现营销目标最为有效。

　　二、理论基础

　　1.视觉传播的开发与预测试理论

　　广告创意的复杂性：视觉广告涉及概念开发、摄影、CGI建模、图像处理等多个环节，成本高昂。

　　预测试的重要性：通过市场调研对广告创意进行投放前测试，以优化信息元素，确保与目标受众产生共鸣。

　　效果层级模型：如AIDA模型(注意、兴趣、欲望、行动)，用于描述消费者信息处理阶段。

　　心态指标：用于衡量广告的中间效果，如品牌认知、态度、参与度等。

　　品牌形象构建：广告也用于塑造品牌个性，迎合特定目标群体。

　　点击率：作为数字广告效果的重要行为指标。

　　2.计算机视觉在营销研究中的应用现状

　　一、实验设计

　　本研究通过七个循序渐进的系列实验，系统地评估了视觉生成式AI在广告创作中的效能、适用性与边界条件。研究以Stable Diffusion 2.1为基座模型，构建了一套包含数据收集、模型微调、内容生成与效果评估的完整工作流程。

　　生成式AI广告工作流程构建

　　研究首先确立了一个四步法的工作流程，作为后续所有实验的方法基础：

　　数据输入与预处理：收集三类图像数据：产品视觉(目标产品的多角度图片，并移除背景)、高绩效广告视觉(从公开渠道爬取在线横幅广告，使用YOLO目标检测器筛选特定品类广告，并用OCR技术去除图中文字，避免模型“幻觉”)、品牌形象视觉(从Flickr等平台收集与目标品牌个性维度相关的图片)。

　　消费者参与度评估：通过在线调研平台(如Prolific)招募目标受众，使用7点李克特量表对收集到的传统广告在AIDA(注意、兴趣、欲望、行动)各阶段的心态指标进行评分，以识别高绩效广告作为微调素材。

　　模型微调：采用Ruiz等人(2023)的技术，但同时微调产品、绩效目标(如高AIDA)和品牌个性三个概念。通过独特的文本标识符与基础模型的类别提示相结合进行训练，防止“语言漂移”。超参数(如学习率、训练步数)通过随机搜索优化。

　　广告生成：结合微调后的概念标识符生成最终广告。

　　研究1：生成式AI广告能否在AIDA指标上超越传统广告？

　　研究目的：

　　验证微调后的生成式AI是否能在购买漏斗全阶段匹配或超越传统广告。

　　研究方法：

　　以Polestar 3汽车为对象，收集543个汽车广告并进行AIDA评分。使用评分最高的30个广告微调模型，生成50个AI广告。与10个真实的Polestar广告及499个随机竞品广告一同由潜在购车者评分。

　　研究结论：

　　AI生成的广告平均AIDA评分(4.55)显著高于真实Polestar广告(3.80)和市场竞品广告(3.79)，且没有任何一个真实广告的平均分超过AI广告。

　　研究2a&2b：生成式AI能否平衡绩效目标与品牌形象？

　　研究目的：

　　探究AI能否在保持高AIDA绩效的同时，有效传达特定品牌个性(如“粗犷”或“奢华”)，并实现针对细分人群(如追求“粗犷”的消费者)的精准触达。

　　研究方法：

　　在AIDA和产品微调基础上，增加对“粗犷”或“奢华”风格图片的微调。生成对应广告后，测量受众对其品牌个性的感知及AIDA评分。

　　研究结论：

　　2a：AI能成功生成被感知为“粗犷”或“奢华”的广告，且这些广告的AIDA评分仍显著高于竞品。

　　2b：通过回归分析发现，对于个人“粗犷”渴望程度高的消费者，由“粗犷”风格模型生成的广告能引发更积极的品牌态度，证明了AI支持个性化定向的潜力。

　　研究3：心态指标的优势能否转化为行为指标（CTR）？

　　研究目的：

　　检验基于AIDA心态指标优化的AI广告，在真实广告环境中的点击率是否也优于传统广告。

　　研究方法：

　　在Meta广告平台上进行A/B测试，将AI生成的广告(基于AIDA+奢华风格)与真实的Polestar广告同台竞价，比较点击率。

　　研究结论：

　　AI广告的综合CTR(2.04%)显著高于传统广告(1.37%)，提升幅度达48.9%，证明心态指标的优势可转化为实际行为效果。

　　研究4：训练数据质量的关键作用

　　研究目的：

　　比较不同训练策略(如使用随机广告、高低绩效混合广告、仅用提示词工程)与本文提出的“高绩效广告微调”策略的效果差异。

　　研究方法：

　　训练多个采用不同数据策略的模型，并比较其生成广告的AIDA评分、品牌个性感知及美学得分。

　　研究结论：

　　仅基于高绩效广告微调的模型效果最佳。使用随机广告、描述性提示或混合高低绩效广告进行训练，其效果均显著逊色，甚至不及部分传统广告。这凸显了基于优质消费者反馈数据微调的重要性。

　　研究5：品牌熟悉度的调节作用

　　研究目的：

　　检验当品牌不为人熟知时，AI生成广告是否依然有效。

　　研究方法：

　　复制研究1的流程，但将对象更换为当时在西方市场不熟悉的中国电动车品牌NIO。

　　研究结论：

　　AI为NIO生成的广告(AIDA=4.94)依然显著优于其真实广告(4.02)及市场竞品(3.75)。表明AI广告的有效性并非依赖于既有品牌资产。

　　研究6：品类扩展：从耐用品到快消品

　　研究目的：

　　测试生成式AI工作流程在快速消费品(防晒霜Bondi Sands)上的适用性。

　　研究方法：

　　将研究流程应用于防晒霜品类，收集并评估广告。

　　研究结论：

　　AI生成的防晒霜广告(AIDA=4.61)同样显著优于竞品广告(3.61)和该品牌传统广告(4.24)，证明该方法可跨品类迁移。

　　研究7：产品差异化边界

　　研究目的：

　　探究当产品具有高度差异化、小众化的利益点时(如Smart Fortwo的极致城市通勤特性)，AI生成广告的效果是否受限。

　　研究方法：

　　2(AI vs 真实)×2(Polestar 3大众车 vs Smart Fortwo差异化小车)全因子实验。301名持驾照者，每组75人。

　　研究结论：

　　对于Polestar 3，AI广告仍优于真实广告。但对于Smart Fortwo，AI广告的AIDA评分(3.62)略低于其真实广告(3.81)。交互效应显著，表明AI在生成凸显高度差异化、小众化产品利益的创意内容方面可能存在局限，其优势更集中于大众市场产品。

　　二、研究启示

　　1.     高效能广告生成得以实现：研究表明，生成式AI并非只能生产“通用”图像。当基于消费者心态反馈(如AIDA指标、品牌个性)进行针对性微调时，其生成的视觉广告在注意力、兴趣、欲望等心理指标以及实际点击率(CTR)上，能够匹配甚至显著超越传统方式生产的广告。这为营销者提供了在不牺牲效果的前提下，实现大幅降本增效与内容规模化生产的革命性工具。

　　2.     方法具备广泛的适用性与灵活性：该工作流程的成功并非个案。它在不同情境下均被证明有效，包括：

　　品牌熟悉度：无论对于知名品牌(如Polestar)还是陌生品牌(如NIO)，AI广告均表现优异。

　　产品品类：可成功应用于耐用品(汽车)和快消品(防晒霜)。

　　营销目标：能够同时整合并优化绩效目标和品牌形象目标，实现了广告效果的平衡与复合提升。

　　3.     赋能新型营销能力，开启精准化时代：生成式AI超越了简单的替代，创造了新的可能：

　　超个性化定向：能够经济高效地针对特定消费者细分市场(如渴望“粗犷”风格的购车者)生成定制化广告创意，实现“千人千面”的沟通。

　　无限创意变体：为对抗广告疲劳、实施持续优化测试(A/B/n测试)提供了近乎无限的创意素材来源，可支持新颖的商业模式。

　　至此，本次Seminar文章研读完毕。

　　之后，由彭沁缘、王紫灵、朱雅阁、朱伊平分享研究进展，由赵文青分享AI相关案例与行业应用，老师与同学们提出了建议，并明确了进一步的研究计划至此，本学期第12次Seminar圆满结束。

　　文字 /张宇瑄

　　排版 /张宇瑄

　　审核/左翎