3 ਸਾਲ ਦਾ ਪ੍ਰੋਜੈਕਟ ਆਪਣਾ ਇੰਡੀ ਰਤਨ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, “ਪਿਆਰ ਮਹਿਸੂਸ ਕਰੋ”

Google AIモードについて最後に書いたとき、私の焦点は、会話のプロンプト、メモリ駆動型のパーソナライズ、キーワードからコンテキストへの重要なピボットなど、大きな差別化要因に焦点を当てていました。 以下のQ2 ADプラットフォームの財務結果でわかるように、このシフトはパフォーマンス広告を急速に再構築しています。 AIモードは、Googleがどのようにお金を稼ぐかを再考する必要があることを意味しますが、私たちの広告主にさらに根本的な何かを再考することを強制します。 AIモードに関する記事では、プロンプトがキーワードとどの程度異なるか、「合成キーワード」が実際に一時的なバンドエイドである理由、そしてクリック昔ながらのコスト（CPC）の収益モデルに挑戦するクリックが少ない可能性がある理由を説明しました。 このフォローアップは、これらの変化が広告主として私たちにとって本当に意味すること、そしてそのキーワード時代の考え方を保持することが私たちの競争力を犠牲にする理由についてです。 検索の大きな再配線 キーワードをターゲットにしたオンライン広告を最初に手に入れて以来、最大のシフトは本格的です。人々は、これらの比較的簡潔なキーワードで検索していません。これは、Googleがクエリで特定の単語を比較検討する方法について最適化したキーワードです。 大規模な言語モデル（LLM）は、検索バーからシャックルをほぼ削除しました。これで、ユーザーは何百もの単語でプロンプトを発射し、さらに多くのコンテキストを追加できます。 GPT-5の400,000トークンのコンテキストウィンドウについて考えてみてください。これは数万語のようなものです。ありがたいことに、ほとんどの人は自分が望むものを説明するためにそれほど多くのスペースを必要としませんが、彼らは今、スタッター、そしてすべての文章で話しています。 AIモードのGoogleの内部広告は、AIモードの初期テスターがGoogleで従来の検索の2〜3倍のクエリを尋ねていることを共有しています。 また、LLMSのマルチモーダル機能のおかげで、ユーザーは画像（Googleが1か月あたり200億のレンズ検索を報告）で検索し、スケッチを描画し、さらにはビデオの送信もしています。彼らはまったく新しい方法で必要なものを見つけています。 ますます、ユーザーは、関連するもののリストを探しているだけではありません。彼らは、AIからのガイド付き回答を期待しています。AIは、個人的な好みに基づいてオプションを要約するものです。人々は、AIに、見つけるためだけでなく、彼らが決定するのを助けるように頼んでいます。 そして、ユーザーの動作の根本的な変化は、Googleから始まるこれらの検索が起こるまさにプラットフォームを再形成しています。 メイン広告プラットフォームとしてのGoogleへの影響 これはすべて、Googleの主要な収益源に対する脅威を確実に提起します。しかし、LinkedInの投稿で述べたように、トラフィックは消えませんでした。動いたばかりです。 ユーザーはGoogleを捨てませんでした。彼らは、キーワードが王様だったときのように、それを使用するのをやめました。さらに、新しいプレイヤーが出現し、検索自体が断片化されています。 これは、私たちの広告主に新たな挑戦を生み出します。これらの非常に新しい方法で意図が発生したときに実際に実行するキャンペーンをどのように設計しますか？ Q2収益レポートが検索中のAIについて私たちに教えてくれたこと Q2収益の呼び出しには、Genaiの詳細が詰め込まれていました。最も顎を落とす数字のいくつかは、予想されるインフラ投資に関係していました。 Microsoftは、今後四半期に資本支出に300億ドルの目を引く計画を支払う計画を発表し、Alphabetは来年の850億ドルの予算を推定しました。私たちは皆、多くの広告をクリックして、その支払いを支援すると思います。それでは、キーワードがゆっくりとプロンプトに置き換えられているとき、これらの広告はどこから来るのでしょうか？ Googleは、このシフトのスケールを説明するためにいくつかの数字を共有しました。 AIの概要は、すでに月に20億人のユーザーに到達しています。 AIモード自体は最大1億個です。本当の問題は、AIが実際により良い広告を可能にし、したがって収益化を改善することをどのように可能にしているのかということです。 Googleレポート： 過去1年間の90を超えるパフォーマンスの最大改善により、10％以上の変換と価値が促進されました。 Googleの検索キャンペーンのAI Maxは、正確またはフレーズの一致にわたる変換または値の27％のリフトを示しています。 Microsoft Adsは同様のストーリーを語っています。 2025年第2四半期に、それは報告しました： AI関連の広告収益は130億ドル。 Copilot駆動の広告は、従来の形式の2.3倍の変換を促進しました。 ユーザーは、30分以内に変換する可能性が53％高かった。 それで、これらすべてで何をするべきか広告主は何ですか？ 広告主がすべきこと Kasim Aslamとの会話で最近共有されているように、これらの生態系は意図的な創始者になりつつあります。その古い「検索バー」は、会話、スクリーンショット、または音声コマンドでさえあります。 あなたのキャンペーンがまだ誰かがクエリを入力するのを待つことに依存している場合、あなたは遅れてパーティーに現れています。スマートな広告主は、意図に応答するだけではありません。彼らはそれを予測し、それのために位置します。 しかし、どうですか？さて、広告主の結果を推進しているGoogle製品を見てみましょう。それらは最新のAIファーストオファリングです。たとえば、パフォーマンスマックスは、フィード、クリエイティブ、オーディエンスによって駆動されるキーワードレス広告です。 このシフトに適応するためのもう1つの重要なステップは、AI Maxです。これは、最も制限のないキーワード広告と呼ばれます。 動的検索広告（DSA）の要素、自動的に作成されたアセット、および超大幅なキーワードをブレンドします。これにより、広大なマルチパートプロンプトを使用している場合でも、人々がどのように検索しても、広告が表示されます。 確かに、広告主は、検索用語レポートのレビューや自動的に作成された資産など、今日のベストプラクティスを使用して、無関係なもののネガまたは除外を追加することができます。しかし、正直に言って、それは短期的な古いモデルのアプローチです。 AIがメモリとコンテキストの理解を得ると、ADは明示的に表現されていないシナリオとユーザーの意図に基づいて表示されます。 ネガだけに頼ることはそれをカットしません。将来は、広告主が意思決定プロセスに早期に関与することに集中し、AIがブランドを擁護するためのすべての適切な情報を持っていることを確認することを要求しています。 キーワードはかつてのレバーではありません AIモードの時代では、プロンプトは単純なクエリだけではありません。それらは、コンテキストに満ちた豊かなマルチターンの会話です。 前回の記事で概説したように、これらの相互作用は過去のセッション、画像、そして深く個人的な好みを引き出すことができます。世界のキーワードリストは、そのレベルのニュアンスをキャプチャできません。 TinuitiのQ2ベンチマークレポートは、ショッピング広告の59％のパフォーマンス最大アカウントを示しており、18％のクリックスルーレートを提供します。これは、プラットフォームがターゲティングを制御していることを明確に示しています。 そして、構造化されたフィードに加えて、Googleデータによると、コンバージョンの27％のリフトがダイナミックなクリエイティブドライブである場合、それはクリエイティブ自体がターゲティングを行っているためです。 これらの旅は見えなくなります。これは、戦略が進化していない広告主にとって最大の脅威です。 本当の危険：目に見えない決定 AIモードの議論からの私の重要なポイントの1つは、「ゼロクリック」の旅のリスクでした。アシスタントが会話内でユーザーが必要とするものを配信した場合、ブランドは訪問しないかもしれません。…

کریڈٹ: ایڈریل بو بیلے “آئسی روڈز” نیو یارک میں مقیم آرٹسٹ کا ایک بصری، پرجوش آلٹ پاپ سنگل ہے۔ ایڈریل بو بیلے. سازو سامان کی ایک دلکش صف کے ساتھ انتہائی اثر انگیز آواز کی تہوں کو ملا کر، یہ ٹریک امریکی وعدے کی سیاسی طور پر باشعور تنقید پیش کرتا ہے۔ بو بیلے کمزوری…

德克萨斯州奥斯汀市的 Melinda Joy & Son of Cormack 凭借《Out of the Blue》带领听众踏上一段异想天开的浪漫之旅。这是一首合作单曲，也是梅琳达自 2020 年发行《Beautiful Illusions》以来发布的第一首歌曲。 …梦幻般的独立民谣、美式摇滚和优美平衡的歌声的异想天开的融合。 简而言之，这首歌是四分钟的梦幻独立民谣与干净的美国摇滚的混合。我个人很喜欢这首歌中的人声混合，梅琳达甜美的音调与乔治深沉的音调相平衡。这是一次美妙的第一次聆听体验，甚至在第一次旋转的一半之前我就非常兴奋地第二次播放它。 这首歌最初被认为是一首诗，但现在已经演变成它的样子。这是一首美妙的音乐，这首由衷的歌曲现在就为您带来聆听的乐趣。看完这里后，请务必关注 Melinda Joy and Son of Cormack。 在 Spotify 上的 A Taste of Americana 播放列表中找到更多类似的精彩音乐！ Source link

Alpha tattoos have stirred up quite the storm! The word ‘alpha’ instantly brings to mind a pack of wolves with their fearless leader, the ultimate symbol of strength, leadership, and dominance. The term ‘alpha’ comes from the first letter of the Greek alphabet and represents the beginning or the top spot. Alpha tattoos take inspiration…

পার্সেফোন ডার্ক সিয়াটল, WA-তে অবস্থিত এবং নতুন গান “গানের শিরোনাম” অত্যাশ্চর্য কণ্ঠ এবং আত্মার একটি সিনেমাটিক উদাহরণ। একটি জিনিস যা অবিলম্বে গেট-গো থেকে স্পষ্ট হবে তা হল কণ্ঠস্বর। এটি আশ্চর্যজনকভাবে পোশাক থেকে দ্বিতীয় রিলিজ, কিন্তু আপনি যদি আমাকে জিজ্ঞাসা করেন, এটি একটি আধুনিক সোল ক্লাসিকের সমস্ত বৈশিষ্ট্য রয়েছে বলে মনে হচ্ছে। … আধুনিক আত্মার একটি…

谷歌研究院發表了一篇論文，研究如何使生成式人工智慧系統產生的答案不僅僅是聽起來合理的。研究人員表示，他們的 ALDRIFT 框架“開闢了令人興奮的途徑”，超越了僅僅具有高機率的答案。 這篇論文的標題是“透過粗略學習能力對生成先驗進行樣本有效優化，」研究了一個問題，其中生成的答案必須在模型下保持可能，同時也朝著單獨的目標邁進。該研究指出了解決人工智慧合理性陷阱的新途徑。 谷歌始終 論文中的證據集中在一個名為 ALDRIFT（演算法驅動的目標迭代擬合）的框架上。此方法反覆細化產生模型以獲得更低成本的答案，並使用校正步驟來減少過程中的累積誤差。 論文也介紹了「粗略的可學習性」。該術語意味著學習的模型不需要完全匹配理想目標。它需要對答案空間的重要部分保持足夠的覆蓋，這樣有用的可能性就不會過早失去。在這個假設下，作者證明 ALDRIFT 可以用多項式數的樣本來近似目標分佈。 ALDRIFT 的運作分為兩部分 ALDRIFT 的運作分為兩部分： 生成模型表示在該模型下仍可能出現哪些類型的答案。 外部評分過程衡量候選答案是否在目標目標上表現良好。 作者將該分數描述為「成本」。 「成本」一詞是指分配給候選答案的測量懲罰。較低的成本意味著候選人根據所檢查的要求做得更好。 ALDRIFT 並不簡單地尋找任何低成本的答案。它尋找得分良好的答案，同時在生成模型下仍然有可能。 一些人工智慧答案需要整體發揮作用 研究人員專注於人工智慧解決問題的答案，這些問題的回應必須在現實世界中發揮作用，例如路線規劃和會議規劃的範例。 路線規劃：本文解釋說，法學碩士可以評估各個路線段是否風景優美，但可能很難確保這些路線連接成有效的路徑。 會議規劃：法學碩士可以按主題對會議進行分組，而可能需要經典演算法將這些會議安排到時間表中而不發生衝突。 這些例子說明了為什麼本文將看似合理的答案僅視為問題的一部分。更困難的問題是，當單獨的部分必須作為一個完整的解決方案一起工作時，產生保持一致的答案。 粗略的可學習性假設 該論文將此視為引導生成模型得出將所有部分結合在一起的答案的問題。作者將問題與推理時間對齊聯繫起來，即根據特定答案是否可以作為完整的解決方案在使用過程中調整模型。這種關聯賦予了研究實際意義，儘管本文的貢獻仍然是理論上的並且取決於粗略的可學習性假設。 「粗略可學習性假設」一詞意味著論文的理論依賴於這樣一個假設：模型可以在獲得更好答案的同時保留足夠的有用可能性。 這並不意味著模型必須完美地學習目標。這意味著模型必須保留足夠的答案空間覆蓋範圍，以便該過程不會過早陷入困境或失去可能的更好答案。 現有的最佳化方法留下樣本有限的差距 該論文指出如何理解現有最佳化方法的幾個差距： 現有方法的限制： 基於經典模型的最佳化方法依賴於「漸近收斂論證」。這意味著它們在理論上可以在大量採樣後被理解，但不一定在樣本有限的實際環境中。 表達模型的失敗： 該論文表示，當使用神經網路等表達生成模型時，這些經典假設就會「失效」。 理解上的差距： 作者表示，在這種情況下優化的「有限樣本行為」「理論上沒有特徵」。這意味著該理論無法完全解釋當只有有限的樣本可用時這些方法的行為。 論文的解決方案是引入「粗略可學習性」來解釋如何將生成模型推向更好的答案，同時保持足夠的有用可能性。 法學碩士證據有限 該論文的主要證明適用於分析生成模型，該模型比現代法學碩士更容易進行數學分析。 LLM 的證據範圍更窄：作者在簡單的調度和圖形相關問題中使用 GPT-2，顯示了支持該想法的行為，但沒有證明相同的假設適用於現代 LLM。 該研究為未來研究奠定了基礎 本文為研究產生模型如何與外部檢查過程結合提供了理論基礎。 研究表明，Google研究人員正在探索一個解決「合理答案」問題的框架，作者寫道，「該框架為未來的研究開闢了令人興奮的途徑。」他們的結論是，這項研究「為自適應生成模型奠定了原則基礎」。 重點 「覆蓋範圍」要求：粗略的可學習性意味著模型不必完美地學習目標。它需要避免在丟失答案空間中可能存在更好解決方案的有用區域。 糾正步驟很重要：當模型被推向更好的答案時，ALDRIFT 使用校正步驟使搜尋更接近預期目標。 兩部分方法：該框架採用分工。生成模型處理定性或語義偏好，而單獨的過程則檢查答案是否可以作為完整的解決方案。 有限的法學碩士證據：GPT-2 的測試顯示了支持簡單調度和圖形相關示例中想法的行為，但不能證明相同的假設適用於現代法學碩士。 現實世界的使用是更大的目標：這項研究對…