房子起源于奥飞寺

量子比特 |公众号QbitAI

学术打野NeurIPS 2024，人真多（周迅发声）！

我们总结了最生动、最难忘的：

不用说，NeurIPS 今年开设了几个新的工作坊，其中一个比较特别，值得一说。

特别的是，我们中国公司提出了这个概念，然后我们中国公司围绕这个概念进行组织。

而且，NeurIPS期间还选择了相同主题的竞赛——这个主题也与这家中国公司有关。公司作为第一单位与北京大学邓小铁教授、陆宗庆教授研究团队联合提交了论文。

答案揭晓！

本次研讨会是Auto-Bidding in Large-Scale Auctions（大型拍卖中的自动竞价），它是从AIGB（AI-Generate Bidding）竞价模型训练的新范式延伸出来的。

去年4月，阿里妈妈在业内率先推出了竞价模型训练的新范式：阿里妈妈生成式竞价模型AIGB（AI-Generate Bidding），创新地将自动竞价建模为生成序列决策问题。

这是生成模型在该领域的首次应用，一年来在阿里妈妈业务场景中的实际效果非常好。

因此，在比赛冠名选定后，获得比赛主办权的阿里妈妈专门设立了AIGB赛道（并成为今年国内业界唯一获得NeurIPS比赛主办权的组织）。

话说回来，举办一个 Workshop 并提交参赛作品，对于 NeurIPS 级别的顶级会议来说已经足够了，对吧？

于是，阿里巴巴妈妈也在工坊里放了一个彩蛋：

为了让更多的研究人员进入这个领域，刺激更多算法的诞生，比如全球第一个基准 AIGB，包含大规模模拟竞价系统和游戏数据集的 AuctionNet 被开源。

敲黑板，AuctionNet不仅适合自动竞价决策算法的研究，还适合大型游戏中的广泛决策智能领域。强化学习、生成模型、运筹学和机制设计等更广泛领域的研究人员也可以受益，这是非常好的。

只是库库的一键三连击？

从想法到研讨会

好的，我们先明确一下AIGB的概念。

扩展而言，AIGB 是基于 Transformer 和 Diffusion Model 等生成模型的自动投标问题的新解决方案范式。

竞价问题普遍是令广告商头疼的问题。简单的理解就是，他们要通过平台上的竞价来进行广告和精准营销。

而且是尽可能以预期成本达到最好效果的那种。

在使用大型AI模型自动投标之前，整个投标行业已经在使用第三代方法，依靠RL（强化学习）。然而，这种方法也有缺点。例如，在自动竞价等长序列决策场景中，会存在训练误差累积过多的问题。

与以往解决序列决策问题的RL思路不同，AIGB将Auto-Bidding视为策略生成问题。

也就是说，AIGB直接捕捉历史Bidding数据集中优化目标与出价策略之间的相关性，通过生成模型强大的特征相关性和分布拟合能力来优化策略。

与传统的RL方法相比，AIGB避免了价值函数估计和bootstrapping方法带来的误差，特别擅长处理Bidding面临的长序列稀疏收益问题。

阿里妈妈决策智能技术团队负责人表示，AIGB在实际网络广告平台预算AB测试中取得了显着的成绩，并在阿里妈妈的广告场景中实现了规模商业化，商家经营业绩显着提升。

更详细的内容可以查看KDD 2024之前收到的《AIGB: Generative Auto-bidding via Conditional Diffusion Modeling》，这里不再赘述。

昨天，阿里妈妈在 NeurIPS 2024 组织的研讨会聚焦了 AIGB 的一个典型话题——大规模拍卖中的自动竞价。

本次研讨会邀请了来自谷歌研究院、亚马逊、普渡大学等学术界和工业界嘉宾，分享和交流决策智能领域的前沿技术。

据桃天集团技术副总裁、算法技术负责人、阿里妈妈CTO郑波介绍，AIGB其实是从他的一个想法开始的。

郑波表示，去年年初，阿里妈妈的技术同学在生成竞价方向进行了探索和实践，在业界首次提出了竞价算法的新范式：AIGB（AI-Generate Bidding）。他认为AIGB有潜力成为大规模拍卖中的自动竞价和下一代最先进的技术。

阿里妈妈首席算法架构师、高级总监奚宇表示，自动竞价是广告最具特色的技术领域之一，一直希望吸引更多从业者和非从业者关注这一领域。

此次阿里妈妈借助NeurIPS举办的研讨会，为大家提供了一个交流的平台。

大部分在场嘉宾不仅高度评价了AIGB技术本身的前沿性和创新性，也对其在各行业的广泛应用价值和未来潜力表示了充分肯定和期待。

谷歌研究院赵博士以“网络广告中的自动竞价”为主题，简要分享了他对最新自动竞价技术的见解。

“生成模型和大规模模型推动了该领域的快速发展并带来新的突破。”赵博士表达了自己的观点：“我看到了将生成模型应用于自动竞价的各种潜在优势。生成模型可以帮助广告商更好地了解他们的偏好，并帮助生成更复杂和更具适应性的出价策略。”

来自全球1500多支队伍参赛，排名将在会上发布

本次工作坊也为“大型拍卖自动化竞价”竞赛的参赛选手和团队带来了闪光时刻。

基于不同的基础生成模型，选手们提出了多种不同于DiffBid（基于扩散模型的出价算法）的AIGB解决方案，并涌现出不少亮点。

比赛分为两个赛道，分别是：

AlGB Track Winner的两支队伍KGAB Team和CleanDiffuser Team作为获胜队伍的代表，在工作坊里做了前期工作~

参赛队伍代表也阐述了对AIGB的看法以及对未来的判断。

国内学术界一位助理教授表示，他非常肯定AIGB的价值。在他看来，AI生成竞价技术正在迅速成为广告和竞价优化领域的核心驱动力。 “随着广告生态系统的复杂性和动态性的不断增强，传统的规则驱动的竞价方法逐渐显现出局限性，而基于人工智能的竞价技术可以通过实时的数据处理、动态的数据处理，实现更加高效、精准的资源分配。预测和适应性策略制定。”

他结合自己的研究和学术视野，愉快地分享了一些自己的见解：

在未来的发展中，我认为个性化的竞价策略以及基于广告主行为数据构建高度定制的竞价模型将是一个有趣的方向。

多位来自国内顶级互联网公司的算法专家均表示，基于Transformer或Diffusion的探索将推动生成​​技术在竞价方向的全面落地。相信随着众多从业者的探索和完善，AIGB技术将会变得更加成熟，解决传统方法无法解决的问题。

一位算法专家表示，他的团队正在探索AIGB模型的实现，旨在实现基于复杂环境上下文的端到端智能竞价，并取得了良好的效果。

据业内人士透露，此次竞赛的结果与阿里妈妈去年提出的DiffBid效果相当。 AIGB范式下的技术迭代非常快。据阿里妈妈算法专家介绍，阿里妈妈经过近一年的努力，开发出了基于DiffBid的新一代出价算法。当自动竞价竞争如火如荼的时候，它已经在双十一期间悄然启动，并取得了令人瞩目的成绩。

官方统计显示，本次比赛共有1861人报名，其中AIGB赛道948人（海外70人），普通赛道913人（海外90人），包括全球顶尖大学、研究机构、科技和金融公司。参赛的企业团队，以及众多跨组织和个人的团队。

最终，AIGB田径队793支，普通田径队729支，共有1522支队伍参加比赛。报名队伍包括北京大学、清华大学、哥伦比亚大学、加州大学圣地亚哥分校、慕尼黑工业大学、南洋理工大学、首尔大学等世界知名大学的队伍，以及微软、微软等科技或金融公司的队伍。腾讯、蚂蚁集团、快手、虾皮、中国建设银行、字节跳动、阿里巴巴等

还有很多组织间的队伍和个人名义的队伍参赛。

令人羡慕的非焦点，2个赛道总共12支队伍可以获得赛事奖金，最高可达6000美元！

当然，由于是阿里妈妈举办的，获奖者将获得阿里巴巴实习机会、校招绿色通道、访问学者资格。

“原神”上线，自动竞价决策领域Benchmark正式开源

最后，我们来说说大型拍卖中自动竞价的一个令人惊讶的点——

《源神》开播！

阿里妈妈宣布，计划正式开源自动竞价领域的Benchmark“AuctionNet”，其中包含48个不同代理商相互竞价的轨迹，总计超过5亿条记录，占用80GB存储空间。

这是世界上第一个标准化的大型叫牌模拟系统和大型博彩数据集。相关成果已作为Spotlight论文纳入NeurIPS 2024（接受率约为3%）。

特别是，AuctionNet不仅适合广告拍卖中竞价决策算法的研究，也适合大型博弈中决策的研究。

这是因为自动竞价属于决策智能的范畴，可以广泛应用于游戏、自动驾驶、营销、推荐系统、金融量化投资等领域。

谷歌研究院赵博士表示，开源Benchmark的标准化评估和可重复性将推动该领域的技术创新，从而促进学术研究和实际应用。

不仅如此，它还将促进协作和知识共享，使该领域的更多人受益。

平心而论，阿里妈妈在自动竞价决策领域的开源Benchmark确实为搭建各方共赢的桥梁奠定了最重要的第一块砖。

毕竟，时至今日，在线广告在互联网经济中仍然发挥着至关重要的作用：

统计显示，2023年全球网络广告市场规模将突破6000亿美元；在全球范围内，Google、Meta、TikTok、阿里巴巴等都有相应的网络广告平台。就连AI 2.0时代的潮流引领者OpenAI，最近也传出考虑在产品中引入在线广告的消息。

在该领域，自动竞价模式的出现打破了传统广告技术体系，成为当前网络广告发展的核心驱动力。

但一切都不会完美。作为近年来业界的研究热点，自动竞价领域仍然存在许多具有挑战性和有价值的科研问题。

例如，由于转化稀疏、转化率预测不确定等问题，仍然需要仔细设计如何适当满足交付端点的成本约束；例如，随着时间的推移，行业内的竞价环境不再是传统的单坑下的普惠制拍卖机制。 ，如何在更加复杂的拍卖环境中找到最优的竞价策略仍然是一个未解决的问题。

从表面上看，解决这些问题会提升商业效益，但更深层次上，还可以促进相关技术领域的可持续发展。

然而，自动竞价领域的研究难度不仅仅在于技术本身。由于各平台对数据保护严格，缺乏更贴近行业的广告竞价环境，目前对其高价值问题的研究主要集中在少数机构。 。

只是一层一层地添加，使其变得更加困难。

其中，阿里妈妈是少数能够在自动竞价领域大规模实施强化学习的公司之一。一直积极推动自动竞价技术的发展，先后发布了多个算法升级。

当然，在RL不够用的时候，阿里妈妈敢于站出来，愿意站出来，开源数据集，希望更多的人参与研究，共同推广。优势不仅仅在于技术本身。

从行业来看，它是中国领先的营销平台，拥有数百万广告主，80%以上的广告主使用自动竞价服务。它具有完整的数据链路闭环，从用户点击到订单流程路径中的所有数据均可获取。

据阿里妈妈技术同学介绍，为了让更多的研究人员深入了解广告平台的运营细节，参与广告平台核心自动竞价算法的研究，团队构建了一个标准广告竞价环境并设置了各种适合行业的现实场景特征，包括多重陷阱、多样化的流量价值分布、转化估算不确定性、稀疏转化等。

一位阿里妈妈技术同学对量子位表示：“希望这个Benchmark能够为学术界和工业界提供强有力的支持，也期待通过开源推动AI技术和应用在决策智能领域的快速发展。”

我还得多说几句。开源的意义一直都包含着共享、协作、共同探索。

还包括一种自信，一种立足前沿的自信，一种不怕挑战的自信，一种自己就是“活水源头”的自信并愿创造更好的生态氛围。

从去年的DiffBid到今年双十一期间验证的新一代竞价算法，阿里妈妈持续引领行业创新和变革。

正如RL方法时代一样，阿里妈妈也将作为自动竞价技术发展的领导者，在AIGB方法时代再次扬帆起航。

GitHub 链接：