在 ACR 成为现代电视测量的底层基建之前，很多人觉得这事根本做不到。然而，Zeev Neumeier 用实践证明，事情没有那么绝对。作为 Cognitive 的联合创始人，他参与打造了那套自动内容识别系统——ACR，把“屏幕上此刻到底在播什么广告、什么节目”这件事，从一片漆黑，变成了实时可见的数据流。

　　后来，这家公司被 VIZIO 收购，产品线以 Inscape 推向市场。今天，这套 ACR 方案已经成了整个电视行业默认认账的“数据底盘”，也是大数据测量体系仰仗的核心支柱。

　　如今，Zeev 又开启了新任务。作为 Gray Swan 的创始人，他开始把 Agentic AI 用在一团乱麻的 CTV 运营里——帮出版商和广告技术公司从庞杂的数据泥沼中，梳理出真正有意义的信号，把过去要花好几个小时埋在仪表盘里才能做出的决策，变成自动化的智能操作。

　　在最新一期《The Revisionists》播客中，Zeev 和 TVREV 主理人 Jason Damata 坐下来聊了聊：创业人生的风险与回报、流媒体商业模式这些年的演变，还有一个他始终坚持的观点——AI 的真正工作不是替代人类，而是把那些又累又碎的活儿接过去，让人终于有精力，把注意力放回“如何把飞机稳稳飞好”这件事上。

　　下面是访谈的详细对话内容，探显家进行了编译和整理。

　　访谈嘉宾：Zeev Neumeier | Gray Swan 创始人

　　访谈主持人：Jason Damata | TVREV Publisher

　　Jason Damata：欢迎来到《The Revisionists》。今天这位嘉宾，靠自己的发明，实实在在改写了电视行业。

　　Zev，我们从头聊起。我认识你至少有十年了，先给大家来个简单点的介绍吧：你是谁？你是怎么一路走到今天的？

　　Zeev Neumeier：大家好，我是 Zev。这辈子干过一大堆不一样的事。我当过一家设计公司的 CTO，在互联网还是“远古时代”的时候给人做各种炫酷网站，那会儿我对当季流行的口红色号了解得简直过分。

　　我会去看时装周，参与各种时尚活动，因为那时候我帮不少时尚品牌从零做起。后来有一天，我突然想到：电视其实特别缺好用的数据。就这么一拍脑袋，我去做了这么一个项目，结果一路做成了一家创业公司，最后打造成了如今的 Inscape。

　　Jason Damata：所以你是从 1998 年开始做互联网，那时候人还在纽约，在互联网泡沫那会儿给别人搭网站。你当时主要在做哪一类网站？

　　Zeev Neumeier：那会儿我做的东西还挺杂的。一开始是在银行和保险行业打工，后来去了几家代理公司，各种项目都接。最后进了一家设计公司，当上了 CTO，我们给很多不同行业的客户做网站，基本都是那种设计优先、体验优先的活儿。

　　ACR 的起源

　　Jason Damata：你是怎么一步步走到创办 Inscape、切入 ACR 这条路上的？ACR 显然彻底改变了电视测量和广告投放的方式，而你也被认为是这条赛道的开创者之一。你当初是怎么踏进这个领域的？

　　Zeev Neumeier：那是 2008 年，外面的世界一片“金融海啸”。但我当时没太焦虑经济要崩盘，反而更担心电视这个行业严重缺数据。我们手上有一些跟 MTV 合作的项目，我对电视多少有点了解，也很清楚当时的数据有多糟糕。

　　我知道新一代“聪明”的智能电视马上要出现了，但如果没有数据，这一切在我看来就完全说不通。于是我干脆坐下来，做了一个 ACR 的小 demo，然后就开始到处逢人就讲这个点子有多好。结果还没讲多久，原来的公司就解散了。我回到家跟我老婆说：有一个好消息和一个坏消息。坏消息是——我刚被裁了；好消息是——我好像捡到一个关于电视的好主意。

　　Jason Damata：但你不能就这么轻描淡写略过这个“突破性发明”啊。给那些还不熟悉的人解释一下：ACR 到底是什么？你当时是怎么把它做出来的？

　　Zeev Neumeier：在当时，ACR 这套东西，多少算是“疯子才想得出来”的点子，但今天它已经变成了标配。逻辑其实很简单：如果电视本身完全不知道自己现在在播什么——因为视频里根本没有带结构化的元数据——那你就得在电视上挂一个小“装置”，让它持续截取视频画面，把画面提取成某种“水印指纹”，再把这个指纹丢到云端的一台大服务器上去匹配。

　　云端那台服务器维护有一张巨大的查询表，你把这个指纹丢进去一查，就能知道这段视频到底是什么。然后你就可以说：“我知道这台电视现在在播一条 30 秒的福特汽车广告。” 此时你就拥有了关于“屏幕上发生了什么”的元数据。接下来，你可以把这些数据存下来，再回传给电视，让它做更多事情，比如弹出一条提示：“我注意到你正在看福特的广告，要不要顺便预约个试驾？”

　　要撑起这一切，得攻克下两个技术难点。第一，是在电视端做指纹生成——在当年，大部分工程师听完都摇摇头，认为“这不现实”。第二，是云端这一侧：要扛得住“几百万台设备，每秒往云端服务器传输一堆指纹信息”这样的规模。你知道的，在 2008 年，这几乎是个不可能完成的任务，很多人直接的反应就是——“你这简直疯了。”

　　创业精神与幸运

　　Jason Damata：你当时有笃定它一定会成吗？

　　Zeev Neumeier：完全没有。老实说，要当创业者，你多少得带点“自我催眠”。我们干的这事，从外面看就是疯了。任何一个正常人，只要看一眼这个项目的风险画像，大概率都会觉得“不可能成”的——挑战巨大，而且一开始根本不知道具体要怎么解。要愿意投身这种事里，你就得相信自己能啃下一块在旁人看来“根本不值得去啃”的骨头。

　　后来 Cognitive（Zev 早期的那家公司最初就叫 Cognitive）被 VIZIO 收购，VIZIO 在此基础上把 Inscape 商业化推向市场。现在 Inscape 已经成了电视行业默认认账的那套“数据底盘”，ACR 技术也拿到了艾美奖，相当于给一个极度缺数据的行业，狠狠打了一针“数据强心剂”。

　　但有意思的是——一开始我们其实并不知道 ACR 将来会为什么而重要。那时候我们以为，它最大的价值是在于帮助测量线性电视，事实证明这一点没错。但 ACR 真正开花结果的地方，其实是在流媒体上，这点我们当年完全没预料到。一个点子要真正跑起来，得是技术、商业环境和用户行为三股力量一起拧到一块儿，才会“咔哒”一声卡进时代的齿轮里。

　　Gray Swan：下一步

　　Jason Damata：你自己很清楚，第一次创业有多折腾。那现在的 Gray Swan 又是个什么故事？你现在主要在做什么？

　　Zeev Neumeier：我老婆老说我是个“受虐狂”。但这个行业就是这样，一旦上瘾，就下不来了。昨天还有人问我，要不要辞职去创业，我只跟他说了一句：做能让你开心的事。对我来说，凌晨一点爬起来折腾这些“破事儿”，反而是一种快乐。我就是喜欢解决问题，尤其是那种别人一看就头大的难题。

　　Gray Swan 本质上是一个 Agentic（代理型）的 AI 平台，它先把你的业务数据全部吃进去，从底层真正搞懂这些数据，然后你就可以像对同事一样，随便问它任何跟业务相关的问题，甚至直接把具体活儿丢给它去干。我们现在主要是把这套东西用在流媒体和广告技术这块的数据上。

　　问题与解决方案

　　Zeev Neumeier：我之所以开始做 Gray Swan，是因为在 Inscape 之后，我们已经有能力把海量数据都收集起来。但当我真正摊开这些数据看时，我脑子里只有一个念头：这些数据还能干的事情，远远不止现在这些。AI 的崛起，让“用数据做事”这件事变得真正可行了。与此同时，流媒体上升为主战场，也带来了一个全新的现实：公司被数据彻底淹没，却根本不知道该怎么消化，怎么用。很多团队其实一直是在“闭着眼睛”开公司。

　　真正让我下定决心的，是看到很多人每天早上醒来，先看一眼数据看板，就因为某个指标出问题而一阵恐慌，然后花上三小时去排查到底发生了什么。结果十次里有九次，什么事都没有——要么是新投放上线了，要么是有人启用了新的标签。但还有那十分之一，确实出了严重问题，他们却没发现，因为真正的信号被埋在噪音里了。

　　你掌握的数据越多，流媒体业务规模越大，营收从线性电视转向 CTV，这些数据就会呈指数级膨胀。如果你不能真正“抓住”这些数据，你就没法真正运营好这门生意。我们常对客户说：你做的已经不是传统的媒体生意了，而是一门“航空公司”的生意。你的库存，是一段段广告时段组成、既易腐又不均匀的广告资源；你的需求，同样是既易腐又高度不均匀的广告主需求。你的成败，关键不在于你是否拥有“宇宙最牛的内容”，而在于你有没有能力把这种易腐、又不均匀的需求，高效装载进同样易腐、又不均匀的库存里——就像把乘客从国家的一端，尽可能顺畅地送到另一端。为此，你必须牢牢掌控自己的数据，就像航空公司必须实时掌握“亚特兰大那边是不是有恶劣天气”，好决定是不是要在达拉斯暂时按住一架飞机一样。

　　AI 工作原理

　　Zeev Neumeier：我们先把这些数据统统吃进来，在此基础上搭了一个真正“懂你数据”的 AI 语境。这一步才是真正难的地方——不是随手把数据丢给一个 AI 就完事了，而是要专门去训练一套模型，让它能听懂 CTV 这门生意，听懂你的数据，明白为什么 CTV 跟发电、卖花这种生意完全不是一回事。

　　你得先给这些数据补充“故事背景”，搞清楚每件事是什么时候发生的、为什么会发生。等这两步基础打好之后，你手里就有了一个几乎能接你任何活儿的模型。我们之所以从“异常检测”切入，就是因为要搞定异常，前提是先让模型吃透这门生意的常态是什么——连“正常”长什么样都不知道，就不可能说清楚哪里出了异常。“Gray Swan”这个名字的灵感也来自这里：我们要找的，不是极端的“黑天鹅”或者一眼就能看到的“白天鹅”，而是那些天天出现、却真正在你的业务里持续产生影响的“灰天鹅”。模型真正要做的事，就是在一片嘈杂里，把这些对生意有实际影响的关键信号挑出来。、

　　核心能力

　　Zeev Neumeier：之所以说它是 Agentic 的，是因为它能把一堆洞察变成你真的可以去执行的动作。这个 AI 对整个 CTV 行业而言是有“行业常识”的——它知道什么是广告主、什么是 Campaign、什么是曝光（impression）、什么是填充率（fill rate）。它唯独不知道、而且是我们刻意不告诉它的，是你这家具体公司的业务细节。

　　我们更愿意让你自己的数据来“教”它：到底什么对你的生意是关键，什么是噪音。你有结果数据，就把结果数据喂进去，模型会自己去琢磨这些结果意味着什么；如果你没有报价数据或者填充率数据，它也能自己分辨出你手头有哪些、缺哪些，然后很老实地告诉你：“这个问题我现在没法给出靠谱答案——因为你目前还没有提供足够的数据。”

　　实际应用

　　Zeev Neumeier：我们被问得最多的问题之一是：有哪些广告主在程序化渠道上购买很积极，但在直销这边却完全缺席？换句话说，就是——“到底是谁在程序化里悄悄买走了我的库存，而我的销售团队一个电话都没打过去？”按传统打法，这类问题首先得有人脑洞够大先想到要问，然后再拉一个人去搭报表、做一堆交叉分析，甚至还要麻烦数据科学家出模型。

　　真正让它变成 Agentic 的地方在于，你把这些又累又机械的琐事，从整条工作闭环里抽走了。你并不想把人完全踢出这个闭环——人自己也不愿意被踢出去。你真正想要的，是把以前丢给人的那些任务，交给 AI 去干。比如一句话：“帮我找一批新的潜在客户。”这原本是你派给销售或运营同事的活儿，现在你可以把它交给 AI。它会自己去跑数、挖名单，最后回来跟你说：“好，这几家公司值得你优先去合作拓展。”

　　所以，Agentic 的关键点不在于它替你做主、替你拍板，而在于它把原来要你花大把时间“研究、整理、分析”的事情，变成随时可执行的动作。原来你可能要花六个小时翻数据、查系统，现在 AI 三十秒就能跑完，还顺手把结论整理好。你只需要把这份结果端给老板看，而不是每次等老板醒了、临时想到什么，再让你现炒一堆报告。

　　Jason Damata：你的客户现在最常拿它来干什么？到底什么点会让他们拍板说一句“行，我上车了”？

　　Zeev Neumeier：用得最多的大致分两类人。第一类是要“真正在一线干活”的运营同学。你可以把它想象成一个“战力放大器”，或者一个 7×24 小时在线的虚拟同事。尤其是在现在这个电视行业整体收缩、人越来越少的阶段，留下来的那些人被迫要用同样的时间撑起更大的盘子——你不可能整天都在追着各种异常、报表和细节满地跑，但你又必须对盘子里发生的事心里有数。

　　我最喜欢的一句反馈是这样的：“你这是给我做了个 AI 版的老板。” 原来有个家伙每天都会被老板叫进办公室，被问同样两个问题：“昨天发生了什么？为什么仪表盘上这里突然冒了个尖峰？”同事只能说：“我也不知道啊。你每天叫我来问一遍，我每次都得花四个小时把这事扒清楚。” 现在我们用 AI 把这个角色“复制”了一遍，那个人省下来的时间，终于可以真正用在把业务跑得更好这件事上。

　　诀窍在于，这门生意本质上更像航空公司，而不是卖内容的。你的供给和需求都是“又易腐、又不均匀”的——航班时刻一过就再也卖不出第二张票了，广告时段也是一样。如果你在关键开关上“打盹”一个小时，这一个小时的机会就永远回不来了，那都是实打实落在地上的收入。所以，这套东西带来的不只是“让你日子过得轻松一点”，而是让你能真正坐在驾驶舱里飞这架飞机，而不是被一堆杂事拖得连抬头看仪表的时间都没有。

　　第二类用得多的是销售团队，他们想得很简单：怎么多赚点钱。最热门的问题之一是：“我的 deal rate 到底是多少？这个水平算不算健康？”就拿一个填充率只有 30% 的频道来说，要搞清楚你真实的填充情况，其实一点都不简单。你随便去问一个人“你们的 fill rate 是多少？”，十有八九会冒出十六个答案，而且一个都不准。

　　更棘手的是，你表面上看播放量、曝光量都挺亮眼，但受众高度集中在一两个细分圈层里，于是你在这个受众画像上的商业潜力其实早就被掏空了。全世界真正在乎这帮人的广告主可能也就仨。结果就是：你的 fill rate 长期趴在 10%，你又搞不明白为什么——库存一大把，钱却始终进不来。真正的答案是：你的供给高度集中，而且传统方法几乎不可能帮你把这个结构性问题剥离出来看清楚。

　　Jason Damata：如果它真能做到这些，那你们会给用户什么样的提醒？有告警之类的东西吗？

　　Zeev Neumeier：我们是有告警功能的，你可以在特定事情发生时订阅提醒。不过老实讲，这个功能用得不算多，是有它的原因的。反而是第二个功能——每日简报——异常受欢迎。每天早上你会收到一封邮件，开头就一句话：“今天的盘面是这样的，你该注意这些点。” 很多人特别吃这一套。第三个功能是我们现在重点在推的：你可以像派任务一样，给一组 Agent 下达长期“监控任务”。当它们发现你关心的事情真的发生了，就会直接在 Slack 上“拍你一下”，说咱们该聊聊了。

　　举个例子，你可以跟它说：“看着点供应伙伴 X，符合下面这几个条件，一旦出现优化机会就提醒我。” 相当于把一条长期盯盘的活儿丢给 Agent。它就自己在后台默默跑，三周之后忽然来找你：“还记得你让我关注的那事吗？现在触发了，你要不要出手做点什么？”

　　说到底，Gray Swan 不是做一个“非要你天天点开登录”的产品界面，而是更像一层可以嵌进别人系统里的基础设施。有些客户会直接买我们的整套产品，用刚才 demo 里看到的 GUI 去操作一切；对没有自建系统或数据仓库的团队来说，我们可以帮他们“一键起盘”，几乎不用额外投入。而另一些客户本身系统很完备，他们需要的只是把我们的能力以集成的方式接进去。

　　我们所有支持的能力，底层全部都有对应的 API，等于是把能力拆成“中餐点菜式”的模块在卖。有些合作更深的客户，会和我们建立战略合作关系，由我们为他们整个产品线的 AI 能力“供电”。这次和 Operative 宣布的战略合作，就是在他们的平台里，由我们来驱动一大批新的 AI 功能，直接面向他们的客户。

　　所以 Gray Swan 不是又多了一个大家必须单独去登录的后台，而是一套可以嵌入别人生态里的 AI 基建。我们更愿意把自己看成“AI 组件界的 Home Depot”——在这个行业里，每家厂商都从零开始去训练一个“认识广告主是什么”的模型，是完全没有意义的。那不如由我们把这些通用能力做扎实，然后把这块“底座”提供给所有需要的人。

责任编辑：赵莹