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

　　过去几年，CTV 测量一直在解决一个越来越具体的问题：一条广告到底触达了谁。从 ACR 到受众测量，再到近几年逐渐受到关注的 Co-viewing（多人共视），行业对电视屏幕前的观看行为有了越来越多的数据和洞察。

　　我们可以知道电视播放了什么内容，可以判断有多少设备处于活跃状态，也开始尝试识别一台电视前究竟有多少人在观看。但这些数据距离广告主真正关心的问题，仍然有一段距离。广告播放了，不意味着用户一定看到了；用户坐在电视前，也不意味着注意力一直停留在屏幕上；即便用户看到了广告，也很难判断他究竟注意到了人物、产品还是品牌 Logo。

　　这让 Attention 开始成为 CTV 测量中越来越值得研究的一层。而这件事，恰好也是“探显家”一直在关注的：在屏幕无处不在的世界，我们的注意力究竟如何被影响？如果你也在关注这个问题，欢迎点个关注。

　　从观看行为，到注意力

　　这其实并不是一个突然出现的新问题。此前我分享过对一家 SSP——ShowHeroes 的采访，当时我们就聊到过他们开展的一系列 CTV 用户行为研究。

　　访谈｜ShowHeroes 全球 CTV 副总裁拆解大屏广告的商业本质与未来增量

　　研究团队曾经让参与者佩戴眼动追踪设备，同时结合 EEG 等方式，观察用户面对电视屏幕时的实际行为。他们关注的问题并不只是“用户怎么看电视”，还包括用户到底注意了多久、注意力如何变化，以及广告体验与其他屏幕上的广告体验有什么区别。

　　这背后有一个很现实的原因。当用户被问到“你为什么使用某个流媒体服务”“你平时会不会认真看广告”时，他能够给出的答案往往来自自己的主观认知。但很多观看行为并没有进入意识层面。用户可能认为自己没有注意某条广告，却在之后对其中的品牌或信息产生了记忆。因此，问卷可以帮助研究人员理解用户的态度和动机，眼动等行为研究则提供了另外一层信息。

　　ShowHeroes 当时特别关注的一个问题就是广告时长。在移动端，6 秒广告已经非常常见，那么 CTV 是否也应该尽可能缩短广告时间？他们的研究发现，在特定测试环境下，30 秒广告的品牌记忆表现可能优于更短的广告。这个结果当然不能简单理解为“CTV 广告就应该做 30 秒”，广告内容、创意、品牌知名度和观看环境都会影响结果。但它至少说明了一件事情：电视广告的价值不能只用“播放了多少次”来解释。用户的注意力，以及注意力之后形成的记忆，同样值得被测量。

　　从真人眼动，到 AI 预测注意力

　　问题随之而来。如果眼动研究能够帮助我们理解用户的注意力，那么有没有可能把这种研究做得更大规模？传统眼动实验的价值很明确，但成本和效率也摆在那里。让受试者佩戴设备，完成实验，再对大量眼动数据进行分析，更适合研究特定问题，很难成为广告创意生产中的日常工具。

　　过去十多年，研究人员一直在尝试利用计算机视觉和机器学习模型预测人类的视觉注意力。Saliency Model（视觉显著性模型）就是其中一个比较典型的方向，它根据画面中的对比度、颜色、尺寸、位置、人物、运动等视觉特征，预测哪些区域更容易吸引视线。

　　最近看到 Dan White 分享的一组内容，觉得挺有意思。其中一张图引用了 Lumen Research 的数据，对比了不同媒体上的平均“眼睛停留时间”（Eyes-on Dwell Time）：30 秒电视广告约为 13.8 秒，15 秒电视广告约为 7.5 秒，而 Instagram、Facebook Feed、移动端等场景大多只有 1–2 秒。

　　与此同时，他还分享了一个 AI 注意力预测的实验，将真人眼动研究产生的热力图，与 AI 模型预测出的视觉注意力结果进行对比。从一些案例来看，两者确实呈现出相似的视觉规律，人物的脸、强对比元素、大尺寸物体等通常更容易吸引视线。这个实验也引起了一些讨论，其中一个很有意思的问题是：视觉显著性并不等于人的实际注意力。

　　一个元素在画面上很醒目，不代表它对观众最重要。观众正在寻找什么、是否认识画面中的人物、是否熟悉某个品牌、观看了多长时间，都会影响视线。不同的人，也可能因为年龄、文化背景和个人经验产生不同的观看路径。因此，AI 预测出来的热力图看起来和真人实验很接近，并不能单独证明模型已经准确理解了人类注意力。

　　还有一个容易被忽略的问题：用于训练模型的真人数据本身是否可靠。

　　如果实验设计、样本选择或者测量方法存在偏差，那么模型即使很好地复现了这些数据，也未必能够准确描述真实世界中的消费者行为。这也是近期相关研究讨论比较多的问题。AI 注意力模型的能力，很大程度上取决于它所使用的行为数据，以及这些数据背后的实验方法。

　　所以，与其把这类技术简单理解为 AI Eye Tracking（AI 眼动追踪），不如把它看作传统注意力研究的一种延伸：真人眼动研究提供行为数据，AI 则有机会从这些数据中学习规律，并把注意力预测扩展到更多创意和更多场景。

　　当 Attention 进入 CTV，问题会变得更复杂

　　对于广告行业来说，这种能力如果能够成熟，价值其实比较直接。一条广告上线之前，品牌可以提前判断人物、产品、Logo 和核心信息在画面中的视觉层级，创意团队也可以在大量素材之间进行快速比较。以前可能只有预算充足的品牌，才会对广告进行系统的眼动测试。随着预测模型的发展，这类分析有机会进入更加日常的创意优化流程。

　　但到了 CTV，这个问题又会复杂很多。电视不是一张静态图片。广告是一段持续变化的视频，用户的注意力也会随着时间不断移动。体育直播里有球员、比分、字幕和场边广告；新闻节目里有主持人、Ticker 和图表；流媒体界面里又存在推荐内容、UI 元素和广告。再加上电视天然存在多人共视的情况，同一块屏幕前的不同人，也可能处于不同的注意力状态。

　　所以，未来的 CTV 注意力测量如果继续发展，可能需要回答的问题会越来越细化：谁在看？什么时候在看？注意力停留在哪里？持续了多久？视线为什么发生变化？最后又记住了什么？

　　这时候，Attention 就和过去几年 CTV 测量的几条技术路线连接起来了。

　　ACR 解决的是屏幕上播放了什么；Audience Measurement（受众测量）试图回答谁在观看；Co-viewing Measurement（共同观看）进一步理解电视前有多少人；Attention Measurement（注意力测量）则开始进入观看行为本身。如果把这些能力串起来，CTV 测量正在经历一个从“设备”到“人”，再从“人”走向“注意力”的过程。

　　全球平均每台智能电视背后有 4 台 智能手机，但屏幕前到底有几个人？初创公司 Vuer 想用手机找答案

　　这也是我之前在 Omdia 和 Vuer 相关分析中一直比较关注的一条线。电视的价值最终并不只来自一台设备处于在线状态，而来自真实的人在这块屏幕前共同观看、共同注意和共同产生影响。

　　Attention 之后，还有 Memory

　　不过，Attention 仍然只是其中的一层。广告主最终关心的并不是用户的视线在某一帧停留了多少毫秒，而是这些注意力有没有留下东西。一个品牌广告可能有非常漂亮的视觉效果，明星代言人也获得了大量关注，但如果消费者记住的是明星代言人，而不是品牌，那么这次传播的效果可能和预期完全不同。

　　这也是为什么注意力研究最终仍然需要和记忆、品牌提升以及转化等指标连接起来。从这个角度看，CTV 测量可以被理解成一条逐渐向用户行为深处延伸的链条：

　　Exposure→Presence→Attention→Memory→Outcome（曝光→观看→注意力→记忆→效果）

　　过去行业重点解决的是曝光，确认广告有没有播放、播放了多少次。随后，受众测量和共同观看开始解决观看的问题，试图理解电视前究竟是谁。现在，注意力开始成为下一层问题。如果未来注意力预测足够成熟，行业甚至可能进一步研究不同广告创意如何影响记忆，以及这种记忆最终如何转化为品牌和商业结果。

　　这条路还很长。尤其是在 CTV 场景下，真实观看环境、多人共视、第二屏以及动态视频都会让注意力测量比实验室里的静态图片复杂得多。但方向已经越来越清楚。我们过去习惯用“播放”“曝光”和“观看”来描述电视广告。随着 CTV 测量继续深入，行业开始需要理解屏幕前的人究竟看到了什么，又注意到了什么。

　　从“看到了什么”到“注意了什么”，可能是 CTV 测量下一阶段一个值得持续观察的变化。

　　而更难的问题可能在后面：当 Attention 真正进入交易与决策层面时，行业会如何使用它？它会成为新的“货币”，还是仅仅停留在研究与创意优化的辅助指标？在真实的客厅环境里，我们又愿意为测量多付出多少技术、成本和隐私代价？

　　这些问题恐怕短期内都没有标准答案。但也正因为如此，今天围绕 CTV 的每一次测量尝试，才有机会影响未来注意力被理解、被定价、甚至被重新分配的方式。

　　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

　　2026年10月29-30日，诚邀您相聚江西南昌。让思想先于趋势，用实践回应未来，在每一次能力涌现中寻找机遇，在每一次时代争流中定义未来。

责任编辑：赵莹