在流媒体行业从“内容为王”向“体验至上”转型的关键节点，Streaming Media Connect 举办了一场极具前瞻性的圆桌讨论。

　　报告推荐|2026全球CTV（联网电视）行业:全景洞察、生态重构、市场数据与趋势预判

　　本次讨论由 Dataxis 资深分析师 Ophelie Buco 担任主持，汇聚了来自 Gracenote、Hub Entertainment Research、Xperi (TiVo) 以及 Future Today 的行业领袖。他们共同聚焦于一个核心命题：AI 如何重塑 CTV 的内容发现机制。

　　随着“峰值电视”时代带来的内容过载日益严重，传统基于协同过滤和僵化分类法的推荐算法已呈现疲态。用户不再满足于被动的信息投喂，而是渴望更直观、更自然的交互方式。讨论中，嘉宾们剖析了 AI 如何通过自然语言处理、对话式搜索以及深度元数据增强，打破内容与用户之间的壁垒。

　　本次讨论不仅局限于技术层面，更触及了商业本质：如何在提升用户体验的同时，有效控制 LLM 高昂的 Token 成本？如何确保 AI 输出的准确性，避免“幻觉”侵蚀用户信任？

　　嘉宾们有一些共识：AI 并非取代现有系统的万能药，而是一套需要与传统架构精密协同的工具集。未来的竞争高地在于对用户意图（Intent）的精准捕捉——通过混合模型架构，在确定性查询与概率性探索之间找到平衡，并解决跨应用的内容碎片化难题。这场对话为行业描绘了一幅清晰的蓝图：让电视操作回归简单与直观，让每一次点击都源于深刻的理解而非盲目的猜测。

　　以下内容为访谈的详细实录，由「探显家」编译和整理。

　　开场与嘉宾介绍

　　Ophelie：我是 Dataxis 首席分析师 Ophelie Buco，很高兴见到大家。这期是关于《高效发现：利用 AI 重塑 CTV 内容检索》的讨论，感谢各位参与。我们将围绕 AI 与 CTV 内容发现展开详细讨论。

　　今天我有幸邀请到四位嘉宾。在开始之前，我先简要梳理一下今天的议题。多年来，内容发现一直是个难题。我们一直在探索如何打造极致的发现体验。流媒体服务往往面临内容海量但展示位有限的矛盾；有时推荐算法推送的内容既不准确也不相关。

　　今天的嘉宾将分享 AI 在这一新时代带来的变革。我们通过 AI 工具让庞大的内容库更易被检索；我们将用户体验从传统的点击浏览转向对话式和自然语言搜索；我们将推荐系统从僵化的分类体系中解放出来。同时，他们也将剖析 AI 给组织乃至整个行业带来的挑战：如何进行事实校准（grounding），防止模型产生内容库片名幻觉或篡改元数据？为何可信数据是构建可信发现体验的基石？以及为何 AI 并非灵丹妙药，而是一种需要先理解其整合逻辑，才能真正提升用户参与度的工具。现在请每位嘉宾做个自我介绍。

　　Ashok：谢谢 Ophelie 的邀请。大家好，我是 Gracenote 的 AI 产品副总裁。Gracenote 是全球内容智能领域的领导者，涵盖娱乐数据和技术。我们提供关键的 AI 基础设施，帮助企业获取受众、提升参与度并实现商业化变现。谢谢。

　　AI 正在重塑 CTV 内容搜索与发现的底层逻辑

　　Jon：大家好。我是 Jon Geene，Hub Entertainment Research（简称 Hub）的创始人兼首席分析师。我们每年进行约 15 万次调查，深入研究人们如何发现、选择和消费娱乐内容，以及背后的决策逻辑。内容发现和 AI 是我们近期重点研究的两大方向。

　　Hub 2026 报告解读：电视广告的真相与迷思

　　Chris：大家好，我是 Chris Brosi，在 Xperi（TiVo）内部负责 Discovery 团队。Xperi 业务广泛，涵盖 TV OS 和 IP TV 设备等，而我主要负责搜索推荐、语音交互及元数据管理，旨在为用户打造愉悦的使用体验。谢谢邀请。

　　Alok：谢谢 Ophelie。我是 Alok Ranjan，Future Today 的创始人兼 CEO。我们运营着面向特定人群和儿童家庭（Happy Kids）的热门 OTT 服务。

　　Ophelie：好的，谢谢。如大家所见，我们今天汇集了行业四个关键视角的代表：Jon 将从消费者视角出发，Chris 代表 OS 和平台方，Ashok 代表数据提供商，Alok 代表内容分发方。我想逐一了解 AI 是如何融入你们的业务流程，以及如何改变你们对内容发现的思考。先从 Jon 开始吧。你一直在观察 AI 对消费者习惯的影响。在深入其他嘉宾的具体实践之前，我们先听听你对市场宏观趋势的观察。

　　消费者视角：AI 如何简化电视体验

　　Jon：我们开展了几项研究，一项关注 AI 的普及情况，另一项则深入探讨 AI 在娱乐领域的应用。我认为有两个显著趋势。首先，AI 正迅速成为人们的日常习惯。在最近的一项研究中，约 75% 的受访者表示至少使用过一种 AI 引擎，而前一年这一比例仅为 50%。这甚至包括了那些无意中使用了嵌入在 Google 搜索等功能中的 AI 服务的用户。可以说，很多人已经在无意识中成为了 AI 用户。

　　就内容发现而言，我们之所以高度关注，是因为 AI 特别擅长以自然人能理解的方式，综合来自不同来源的信息。这对改善电视内容发现堪称完美。如今，电视内容发现是用户面临的最大痛点。希望电视更易用的用户数量，与希望电视更便宜的用户数量相当，甚至在某些群体中更多。在服务提供商不愿降价、甚至需要涨价以维持运营的环境下，提升价值的最佳途径是让服务更易用。更重要的是，要简化用户在多个服务间的切换体验。这正是 AI 的强项。相比对 AI 生成演员或视频等存在主义威胁的担忧，消费者对这一实用价值更感兴趣。因此，这对服务提供商、AI 公司和观众而言，是一个三赢的局面。

　　内容分发视角：为利基受众打造“魔法”体验

　　Ophelie：观点非常独到。接下来请教 Alok，从内容分发商的视角来看，AI 是如何整合到你的 OTT 服务发现体验中的？它是否改变了观众与内容的互动方式？

　　Alok：是的，我们的核心目标是让观看者的生活更轻松。用户不想无休止地浏览和搜索，AI 不应成为他们的额外负担，而应让生活变得轻松甚至具有“魔法”般的体验。这就是我们使用 AI 的逻辑。我们不会繁琐地问用户“你喜欢这个还是那个”，而是利用 AI 深度理解受众的真实需求，并通过 AI 增强数据，将两者结合以提供那种神奇的体验。我们面临的挑战之一是拥有近 60,000 部电影和电视剧的庞大目录。我们的价值主张是服务于利基乃至超利基受众。

　　OTT 的核心价值在于，无论你在何处、有何种独特品味，都能找到所需内容。随着 AI 成本降低及多模态技术的发展，我们利用这些技术在正确的时间为受众提供正确的服务。数据显示，我们的推荐位参与度提升了约 20%，跳出率也显著下降。

　　平台与 OS 视角：消除点击摩擦与解释“为什么”

　　Ophelie：很有趣。Chris，能否也从你的角度谈谈，AI 如何改变内容消费方式，并整合到你的平台体验中？

　　Chris：我常思考用户手指悬停在播放键或遥控器确认键上犹豫的那一片刻。Jon 提到了这一点，这确实是痛点。调查显示，用户声称花费 10 到 20 分钟搜索内容。

　　这种摩擦正是我们引入 AI 的关键切入点。令我兴奋的是，我们现在能向用户提供“上下文”。长期以来，行业都在屏幕上放置轮播图或轨道，虽然在确保内容相关性上做得不错，但从未很好地解释“为什么”推荐该内容。现在，大型语言模型可以用用户熟悉的语言解释：“因为你知道你喜欢 A、B 和 C，而这部作品刚好包含了 A、B 和 C 元素。”回想过去，屏幕上只显示“匹配度 98%”，用户并不理解其含义。相比之下，“这是一部带有黑暗基调的英国犯罪剧”这样的描述，用户能瞬间理解，从而克服点击摩擦。

　　这一刻至关重要，也是我对此感到兴奋的原因。

　　Ophelie：也就是说，我们从单纯的发现体验进化到了可解释的推荐。Ashok，从元数据角度来看，AI 带来了哪些整合和新功能？

　　数据与元数据视角：从确定性到概率性的范式转变

　　Ashok：Gracenote 有幸通过与众多合作伙伴的合作，深入了解行业全貌。正如 Jon 和 Chris 所言，用户通过自然语言查找内容的范式正在转变。这正成为常态，尤其在 Alpha 世代中。研究发现，约 80% 的 Alpha 世代期望以聊天机器人或对话形式获取所有内容。这是第一个范式转变。

　　其次，我们在内部工作流中发现，AI 使技术更易用、更友好，包括对开发者友好。例如，我们不再需要传统搜索推荐平台中昂贵的数据管道。AI 能轻松学习上下文，这是另一大优势。

　　第三点让我们意识到必须着手解决的问题是：随着 AI 的引入，系统不再具有确定性。过去，查询很简单，如搜索《亢奋》（Euphoria），结果明确。但现在用户提出复杂查询，带来的是概率性结果，需要验证。我们发现，约 75% 的用户仍会验证 AI 结果，因为缺乏信心。在 AI 时代，信任变得尤为重要。而这正是 Gracenote 凭借数据优势发挥作用的地方。

　　核心挑战：理解意图与减少摩擦

　　Ophelie：非常有趣。退一步看，发现的黄金法则是：在正确的时间，向正确的用户，推荐正确的内容。但在电视上实现这一点极具挑战。Chris 提到需减少摩擦。我们如何平衡这一目标？从哪里入手？Chris，请你指点迷津。

　　Chris：我认为核心在于理解用户意图。在“正确的时间”这一维度上，挑战最大。内容海量，但关键在于迅速捕捉用户坐下或打开设备时的目标。有时意图非常明确，如直接搜索《亢奋》，此时发现系统的任务是“让路”，让用户快速到达内容页，而非引导其浏览。

　　Samsung 携手 Gracenote，推动 AI 内容发现的下一步：谁掌握对话层，谁就掌控电视？

　　数据可以说明意图的重要性。“继续观看”始终是我们支持平台中点击率最高的部分，约为 25%。周末时，用户更倾向于浏览模式。当用户结束一部剧集时，70% 的情况存在流失风险，因为他们可能认为“这里没内容了，要去别处”。这是留住用户的关键时刻。因此，LLM 和 AI 必须知道何时“向前倾斜”（在浏览模式下发挥作用），何时“向后倾斜”（让用户主导）。

　　Ophelie：很精彩。Jon，你认为哪些平台在捕捉意图和提高参与度方面做得最好？

　　Jon：尚无人完全掌握，但我们的研究与 Chris 的观点一致。我们最近完成了一项大型研究，考察什么使 App 对用户最有价值。受访者表示，高价值 App 的标志是：打开即见所需。

　　以 TikTok 为例，没有发现旅程，没有磁贴阵列。打开即播放，算法随即聚焦于用户为何在此。用户对电视 App 的一大挫折是，大量版面用于展示“你可能喜欢”的其他内容，导致用户需滚动很久才能找到初衷想看的内容。最常见的挫折是，用户想继续观看之前的内容，却需筛选大量干扰项。

　　因此，AI 将使这一过程更高效：理解用户为何在此，避免用非即时需求的内容 cluttering（堆砌）体验。尤其是年轻人，他们将电视 App 与 YouTube 或 TikTok 对比，差异巨大。他们已知内容无限，无需通过罗列来说服。他们更需要精简、个性化且直击兴趣的界面。

　　深层策略：元数据增强与时机把握

　　Ophelie：Alok，你拥有庞大内容库并服务于特定受众。面对海量选项，你如何满足他们的需求？

　　Alok：好问题。我们与近 500 个内容合作伙伴合作，但元数据质量参差不齐。因此，我们利用 AI 大量增强元数据。除了使用 Gracenote，我们也有自有团队和多模态 AI 模型来深度理解视频。这是第一步。

　　第二步是结合理解受众和时机。例如，早上 8:30 我可能做瑜伽；下午 4 点家长陪孩子可能看家庭电影；午夜我可能看犯罪惊悚片。同一个人，不同时间，意图截然不同。因此，人与意图需结合考量。我们通过统计分析理解这一规律。

　　此外，我们是 AVOD，还需确保广告的相关性。例如，不向家庭受众推送酒精广告，或在合适时间推送合适广告。这也是 AI 的应用层面。我们对前景感到兴奋，因为它正在优化 AVOD 体验。

　　Ophelie：希望一切向好。

　　Alok：确实在向好，因为我们在每个环节都设有“人在回路”（Human in the loop）。我们不完全信任 AI，团队工作量反而增加。人们误以为 AI 会减少工作，实则 AI 提升了质量要求。我告诉团队，AI 不是取代你，而是助你成为更高阶的人才。

　　Ophelie：是的，AI 扩展了规模，但仍需指导。Ashok，从架构角度看，你们如何整合 AI？哪些任务潜力最大？哪些未达预期？

　　Ashok：这是个重要话题。通用推荐系统中，AI 存在空白。例如，AI 擅长主观和自然语言查询，但不擅长事实性或近期信息（如过去 7 天）。因此，理解用户的查询意图至关重要。一旦明确意图，即可设计系统匹配不同查询类型。

　　事实查询可回退至传统系统或图数据库（存储演员关系等事实）。复杂查询则可以由 Agent 调用 LLM 决策。在 Gracenote，我们发现构建 AI 与数据的通信层至关重要。为此我们推出了 Gracenote MCP Server。其主要用例是处理复杂查询，并用事实信息对 LLM 结果进行事实校准。

　　Ophelie：坚实的数据基础设施是前提。Chris，你的系统如何围绕 AI 构建？

　　Chris：我们的系统可视为不同模型的“篮子”，这与意图密切相关。不同意图需不同响应和建模方式。知道我最喜欢的球队与知道我下一部想看的电影，是完全不同的任务。因此，系统基于混合灵活性：知道何时调用何种模型信号，何时混合，针对何人、何时、何设备。AI 融入其中。

　　几年前，行业主流是基于机器学习的协同过滤模型，效果不错。但约 5-6 年前，神经网络因性能更佳、召回率更高而占据主导。如今，GenAI 作为另一个模型加入混合行列。由于各应用、服务、设备的需求各异，必须具备灵活性，不能“一招鲜吃遍天”。

　　应对幻觉：Grounding 与信任构建

　　Ophelie：AI 是一套工具集。面对 AI 幻觉和结果输出不稳定的挑战，你们如何处理？如何确保扎根于事实？Alok，你提到的元数据丰富化，如何确保准确性？“人在回路”如何介入？

　　Alok：我们有“人在回路”验证一切。首先，AI 必须从结构化目录层级中选择，不能发明或幻觉。它只能从定义结构中提取。额外信息存入单独字段作为次要信息。

　　其次，所有生成内容经团队审查。准确数据是基础，数据错误则后续算法无效。因此我们投入大量时间确保准确性。

　　我们不允许 AI 幻觉。即使用户随意表达，最终也需归结为结构化查询进行匹配。我们对 AI 的未来持开放态度，但目前依赖结构和人工。

　　Ophelie：Ashok，你有类似方法吗？

　　Ashok：补充一点，除了用事实数据校准 LLM，还需理解其运行上下文。例如，用户问 “Netflix 上 Top5 的喜剧”，AI 应仅从 Netflix 目录提取。因此，理解查询意图至关重要。若是事实性或近期查询，应立即通过 Gracenote MCP Server 等连接数据库，直接用事实约束 LLM 结果。

　　Ophelie：Chris，从 OS 视角，你如何在多数据源中确保 grounded？

　　Chris：回答类似。我想强调的是“脚手架”的重要性，即权利和业务规则过滤。这些虽不性感，却是基础。必须在 UI 中只展示用户有权访问的内容。若用户未订阅某 App，就不应从该 App 推荐。这种过滤和权利管理是建立信任的基本功。

　　跨应用搜索与成本优化

　　Ophelie：谈到挫折，Jon，AI 如何改善整体体验而不致更糟？

　　Jon：研究显示，推荐不可看内容是激怒用户的最快方式。但 AI 的最大机会在于观看前的发现阶段。我们发现，平均消费者约一半时间在坐下观看前已完成发现。他们心中已有目标，通常使用 App 内推荐。

　　但因需更多上下文，他们会转向第三方来源：Google Search（含 AI 结果）、Rotten Tomatoes、Reddit、TikTok 或 ChatGPT。例如输入：“想要像《黄石》那样的现代西部片，多谋杀和家庭戏剧。” 他们希望跨服务获取结果，创建观看列表，再去特定 App 观看。

　　这是巨大的机会，因为这是用户的真实寻找方式。此外，让用户观看契合度高的节目是促使其注册服务的最佳方式。TV OS 的巨大影响力在于支持跨 App 搜索，这比单 App 内搜索更有价值。理想情况下，用户希望能搜索所有可访问甚至不可访问的内容。

　　Ophelie：Chris，指望你在 OS 层面解决内容碎片化。另一个挑战是成本。如何限制支出？确定性任务是否需经过 AI？

　　Chris：好问题。直接回答：不需要。我们设有“流量调度”机制。基于对意图的快速理解，区分无需 LLM 的简单任务和需对话的复杂任务。目前比例约为 85% 对 15%。85% 的时间用户执行具体搜索或频道切换；15% 的时间是对话性质的。处理好这一点即可管理 Token 支出。

　　结合其他模型，关键在于明智地使用 GenAI。另一维度是响应时间。音量调节需毫秒级响应，不能等 LLM 解析；而询问剧情时，用户愿等待以换取更好结果。因此，可通过控制成本和响应时间来平衡。这需要工具和严谨管理。

　　Ashok：同意 Chris 的观点。补充两点：一是 Token 节约。在复杂查询中，可将 LLM 仅作意图解析器，再匹配向量数据库。向量空间具有语义相似性，可作为低成本回退方案。二是 UX 策略。可采用流式响应，即先展示 LLM 正在思考或首个结果，而非等待完美答案。测试显示用户对此反应积极。

　　Ophelie：确实如此。这也说明用户正在逐渐适应 AI 的响应节奏。接下来，让我们深入探讨一下，AI 能在哪些具体应用场景中真正发挥颠覆性的作用。

　　长尾内容与剪辑经济

　　Ophelie：先谈长尾内容。Alok，你的内容库目录庞大，在元数据丰富化和新型上下文信息方面有何最佳实践？特别是针对以前分类不佳的利基标题。

　　Alok：可谓“瑞士军刀”法，即用正确工具解决正确问题。我告诉团队“勿用坦克打蟑螂”。80%-85% 的挑战由传统推荐和标准元数据解决就可以了。部分高阶案例（用户愿等待更好结果）才引入高级开源工具。

　　数据增强方面，500 个合作伙伴提供的元数据质量不一。我们结合人工和多层 AI，多模态分析每个视频场景。例如，识别母女场景，但需判断其是否为影片核心主题，避免过度标记。我们使用 AI 和人工进行分类和强度量化（如快乐程度 1-10 分）。

　　此外，需结合隐式行为（历史偏好）和显式询问（当前搜索），匹配内容。这是一项持续优化的任务。过去几年在 AI 帮助下进展显著。

　　Ophelie：自然语言交互是今年的革命。Ashok，作为元数据提供商，你如何看待角色演变及行业方向？

　　Ashok：我们观察到两个显著趋势。首先，内容方正积极利用 AI 激活后端片库，长尾内容的价值日益凸显。其次，他们意识到同一部作品对不同受众而言，其核心吸引力可能截然不同。

　　Gracenote 的价值不仅在于数据整理，更在于图像标准化和“视频描述符”的构建。我们发现，视频描述符在盘活后端片库方面作用巨大。以个性化海报为例：针对不同的搜索查询，同一部电影可以展示截然不同的海报，从而实现超个性化推荐。

　　此外，我们正密切关注“剪辑”这一新兴趋势，即突出内容的特定高光片段。目前，行业缺乏针对剪辑内容的标准化 ID 体系。因此，我们正在该领域加大投入，研究如何在场景级和时刻级深度理解内容，并在恰当的时机向合作伙伴提供这些数据。我认为，这将是 AI 发挥最大价值的潜在蓝海。

　　Ophelie：Jon，你对剪辑和场景分析有何看法？

　　Jon：年轻人发现新节目的最常见方式是通过 TikTok 或 YouTube 上的剪辑。长尾内容和百年 IP 是被严重低估的资产。年轻消费者不在乎新旧，只在乎“对我是否新鲜”。目录内容因剧集量大而具吸引力。像 Paramount 和 Warner Brothers 虽然没有 Netflix 丰厚的新内容预算，但拥有百年 IP。

　　AI 若能找出“粗糙中的钻石”（如突然爆火的旧剧《Gunsmoke》或《Suits》），将是传统媒体公司的游戏规则改变者。目前 IP 所有者并不知晓哪些旧作会爆火，AI 有望解决这一盲区。

　　冷启动问题与语音搜索的未来

　　Ophelie：观众提问：如何处理新用户冷启动问题？Alok 对此怎么看？

　　Alok：这涉及隐式信号和显式信号。新用户到来时，我们有位置、时间、语言等粗略数据。随后提供可选屏幕，让用户选择喜好流派，若不选也无妨。一旦开始浏览，我们观察点击行为，将最佳内容和流派浏览置于顶部。若用户搜索特定内容（如韩剧），我们据此调整。随着使用增多，通过统计分析和时间分析，即使多人共用电视，也能逐渐构建用户画像。上下文为王，我们不断构建上下文以提升理解速度。

　　Ophelie：Chris，OS 层面如何处理冷启动？

　　Chris：我们同样采取隐式与显式相结合的策略。在显式层面，我们会弹出少量内容供用户进行偏好选择（例如在恐怖片与体育内容之间二选一）。数据分析显示，用户仅需完成六次点击，30 天后该群体的流失率便降低了 7%。而在隐式层面，算法只需捕捉两三次点击行为（例如用户先后点击了动作片和卡通片），便能开始构建对用户的初步认知。

　　Ophelie：最后谈谈对话式搜索和语音搜索。随着 GenAI 发展，消费者反应如何？Jon，你怎么看？

　　Jon：语音指令的使用率和用户偏好均大幅攀升，这一趋势始于手机和智能音箱中的语音助手（如 Alexa 和 Siri）。如今，用户已习惯于对话式交互。在描述内容时，人们不再拘泥于传统的流派分类，而是基于主观印象。以《Ted Lasso》为例，有人将其视为剧情片，有人则认为是喜剧。AI 能够根据用户的提问方式，精准捕捉内容的相关侧面。这就像转动魔方一样，为同一部作品挖掘出多种应用场景，而非将其禁锢在单一的描述标签中。

　　Ophelie：Chris，TiVo 在集成语音搜索和新 AI 功能方面有何经验？

　　Netflix 开始测试基于 OpenAI 驱动的搜索工具：让找剧更简单！

　　Chris：从历史数据来看，语音功能的使用率约为三分之一，且使用频率较低。但如今这一比例正在发生变化，这也印证了 Jon 的观点。这给我们带来了新的挑战：用户越来越信任对话式体验，同时却极度缺乏滚动屏幕的耐心——数据显示，仅有 15% 的用户会浏览首屏以下的内容。这种“偏好语音交互”与“拒绝深度滚动”的结合，正在彻底重塑我们对屏幕版面利用的思考逻辑。与此同时，用户的参与度也在持续增长。

　　Ophelie：最后一个问题。用户意图变化，如何保持推荐相关性？Chris？

　　Chris：这涉及我们系统架构中模型层的 “hypervisor”（监控程序），它就像乐队的指挥。用户的兴趣平衡点并非一成不变，而是随着每天、每周甚至每月都在动态变化。试图锁定某一时刻的平衡状态，其有效性只能维持很短的时间。因此，我们需要一种能够动态调整的模型混合机制，使其能够跟随用户的变化而实时演进。

　　Ashok：补充一点，Chris 提到的模型通过 Agent 来实施，这一思路非常有趣。Agent 能够对变化的信号做出快速响应，这为 LLM 和 Agents 的应用提供了一个极佳的切入点。

　　结语：行业挑战与未来展望

　　Ophelie：最后，请各位总结一下：现阶段行业面临的最大挑战是什么？对未来几个月或几年有何向好预期？Jon，你先来？

　　Jon：我认为最大的挑战是让电视变得更易用。用户并不渴求更多的节目，而是希望在现有的服务中，能更简单地找到他们喜爱的内容。TV OS 之所以更具价值，正是因为它支持跨 App 的内容发现。AI 将在其中发挥至关重要的作用，因为它擅长综合分散的信息源，并通过自然语言交互，帮助用户以最少的点击次数找到下一部心仪之作。

　　Alok：我们的目标始终未变：提供最佳的娱乐和教育体验。AI 只是我们工具箱中的一件新的利器，旨在增强内容表现、深化受众理解、节省用户时间并提升幸福感。我们希望 AI 能做“正确的事”，为用户带来那种近乎魔法般的体验。

　　Chris：我目前正纠结于一个有趣的问题，那就是货币化模式的演变。行业一直擅长在用户处于“放松”状态时进行变现（例如通过主页推荐位）。但当用户通过语音和主动意图驱动更多参与时，传统的变现模式将如何适应？这是我正在探索的平衡点。顺便提一句，很抱歉我没能把开场曲《Tears of a Clown》巧妙地融入我的回答中，我个人非常喜爱这首歌。

　　Ophelie：如果你能破解这个货币化难题，记得告诉其他科技巨头，他们还在摸索中。Ashok，你有什么想补充的吗？

　　Ashok：我认为行业存在一个误区，即把 AI 当作知识库并盲目信任其输出。实际上，事实校准比人们想象的更为关键。许多人——包括行业高管——常常混淆前沿模型与其聊天机器人界面，却未意识到后者必须经过数据 grounding 才能提供可靠答案。因此，建立信任将是公司面临的一大挑战。其次是成本管理，特别是 Token 成本。企业需要创造性地管理支出，例如区分哪些查询需要调用 LLM，哪些则不需要。这可能是一段为期两年的探索旅程。

　　Ophelie：时间稍微超了一些。感谢各位嘉宾的精彩分享，希望观众能像我也一样，从这次讨论中获益良多。

　　本文来源：【探显家Attention】公众号

　　版权归原作者所有，仅用于分享交流。

责任编辑：赵莹