即刻App年轻人的同好社区
下载
“真正要遵循的只有物理规律，其他的都只是建议。”听到马斯克这句话的时候我整个人都震惊了，觉得他狂妄又理性。
结合AI找了12条基本的物理规则，并探索它们在现实生活中的映射：
1、牛顿运动定律：改变运动状态，需要施加作用力。而运动状态一旦改变，则会具有一定的惯性。——比如组织惯性，习惯的力量。
2、热力学第二定律：孤立系统中的熵不会自发的减少。现实中的开放系统需要与外界交换物质和能量才能维持局部秩序，这往往要付出一定的代价。——比如房间变乱、设备磨损、组织变混乱。一个秩序的建立不是一劳永逸的结果，而是需要持续不断的维护。
3、能量守恒定律：能量不会凭空产生或消失。能量可以从一种形式转化成另一种形式，但在完整的系统边界中，能量守恒。——比如，现实中的资金、时间、注意力都受到约束，而提高效率的方法往往不是凭空创造资源，而是减少损耗，或者把资源从低价值部分转移到高价值部分。
4、欧姆定律：电流等于电压/电阻。如果把目标当作驱动力，把组织摩擦看作阻力，那么扩大产出不一定要增加投入，也可以减少摩擦。——比如删掉某些审批环节。
5、非线性动力学与混沌：微小的差异也可能导致巨大的结果差异。——比如早期的一个决策、竞争对手的变化在不断积累后产生的不同的结果。在投放中，早期的数据积累影响到后期的结果。
6、相变：连续变化后可能引发状态的突然改变。也可以说量变引起质变。比如水加热会沸腾，水到零度结冰变为固态。早期积累没有变化，后面状态会加速改变。
7、流体力学和瓶颈：流动受系统条件和局部阻力约束。流体的流量取决于压力差、管道的形状、黏度等条件。——不断优化最好的地方无法带来整体系统的提升，反而要找到最制约的地方改变。
8、控制论中的反馈：结果会影响到下一次的行动。负反馈有助于纠正偏差，正反馈有助于强化已有的变化，在特定情况下形成放大效应。——好的反馈系统会越来越好，差的反馈系统会加剧衰亡。
9、万有引力：物体之间总存在相互吸引力。社会资源集中现象，人才向产业中心集中，资本向有竞争优势的企业集中，用户向网络平台效应强的地方集中。
10、热机效率和不可逆性：资源的转换不可能毫无代价。热量转化为功受到热源温度等条件限制，实际系统还存在摩擦、散热等损耗。资本、技术、人才都需要经过转化才能获得价值，投入学习不代表获得能力增长，获得融资不代表获得利润。
11、统计规律：个体往往不可预测，群体可能呈现稳定的模式。比如单一的气体分子很难被准确追踪，但是整体等宏观量可以被稳定描述。——比如在游戏中无法预测某一个人的精准付费，但是可以预测宏观的付费结构和付费率；无法保证某次投资结果，但可以搭建一个长期收益分布风险，寻找分布、基准率和重复验证的规律。
12、网络效应和涌现：整体可能产生个体没有的属性。系统的价值不仅取决于有多少资源，还取决于资源如何链接、组织、互动。——比如大模型的涌现，比如蚂蚁、蜜蜂的涌现形成群体智慧等等。
结合AI找了12条基本的物理规则，并探索它们在现实生活中的映射：
1、牛顿运动定律：改变运动状态，需要施加作用力。而运动状态一旦改变，则会具有一定的惯性。——比如组织惯性，习惯的力量。
2、热力学第二定律：孤立系统中的熵不会自发的减少。现实中的开放系统需要与外界交换物质和能量才能维持局部秩序，这往往要付出一定的代价。——比如房间变乱、设备磨损、组织变混乱。一个秩序的建立不是一劳永逸的结果，而是需要持续不断的维护。
3、能量守恒定律：能量不会凭空产生或消失。能量可以从一种形式转化成另一种形式，但在完整的系统边界中，能量守恒。——比如，现实中的资金、时间、注意力都受到约束，而提高效率的方法往往不是凭空创造资源，而是减少损耗，或者把资源从低价值部分转移到高价值部分。
4、欧姆定律：电流等于电压/电阻。如果把目标当作驱动力，把组织摩擦看作阻力，那么扩大产出不一定要增加投入，也可以减少摩擦。——比如删掉某些审批环节。
5、非线性动力学与混沌：微小的差异也可能导致巨大的结果差异。——比如早期的一个决策、竞争对手的变化在不断积累后产生的不同的结果。在投放中，早期的数据积累影响到后期的结果。
6、相变：连续变化后可能引发状态的突然改变。也可以说量变引起质变。比如水加热会沸腾，水到零度结冰变为固态。早期积累没有变化，后面状态会加速改变。
7、流体力学和瓶颈：流动受系统条件和局部阻力约束。流体的流量取决于压力差、管道的形状、黏度等条件。——不断优化最好的地方无法带来整体系统的提升，反而要找到最制约的地方改变。
8、控制论中的反馈：结果会影响到下一次的行动。负反馈有助于纠正偏差，正反馈有助于强化已有的变化，在特定情况下形成放大效应。——好的反馈系统会越来越好，差的反馈系统会加剧衰亡。
9、万有引力：物体之间总存在相互吸引力。社会资源集中现象，人才向产业中心集中，资本向有竞争优势的企业集中，用户向网络平台效应强的地方集中。
10、热机效率和不可逆性：资源的转换不可能毫无代价。热量转化为功受到热源温度等条件限制，实际系统还存在摩擦、散热等损耗。资本、技术、人才都需要经过转化才能获得价值，投入学习不代表获得能力增长，获得融资不代表获得利润。
11、统计规律：个体往往不可预测，群体可能呈现稳定的模式。比如单一的气体分子很难被准确追踪，但是整体等宏观量可以被稳定描述。——比如在游戏中无法预测某一个人的精准付费，但是可以预测宏观的付费结构和付费率；无法保证某次投资结果，但可以搭建一个长期收益分布风险，寻找分布、基准率和重复验证的规律。
12、网络效应和涌现：整体可能产生个体没有的属性。系统的价值不仅取决于有多少资源，还取决于资源如何链接、组织、互动。——比如大模型的涌现，比如蚂蚁、蜜蜂的涌现形成群体智慧等等。
0 00
我发现在和AI聊天的时候，AI的回复很少用比喻句。
我倒不是说AI或者说大语言模型不会造比喻句，而是少了“像”这个过程，这个过程就是人的“感觉”。
AI是从结果到语言，人是从“感觉”到语言。
人的“感觉”会逐渐变得稀缺，相应的品味、体验和情感可能会重新升值。
那些拥有独特的经历、特定的视角，别样的审美将会越来越被重视，发挥着在人与人情感链接的重要作用。
我倒不是说AI或者说大语言模型不会造比喻句，而是少了“像”这个过程，这个过程就是人的“感觉”。
AI是从结果到语言，人是从“感觉”到语言。
人的“感觉”会逐渐变得稀缺，相应的品味、体验和情感可能会重新升值。
那些拥有独特的经历、特定的视角，别样的审美将会越来越被重视，发挥着在人与人情感链接的重要作用。
0 00
可能性的减少也是一种熵减的过程。
随着年龄的增加，人生的可能性也在主动和被动的坍缩，最终找到你的那个“命中注定”。
茨维格在《人类群星闪耀时》说：“一个人生命中最大的幸运，就是在年富力强的壮年阶段找到自己的使命。”
如果你思想足够成熟，价值观排序充满秩序而又坚定；或者一开始就只有一条艰难，充满泥泞却又充满使命感的路要走，那这未尝不是“天赐的礼物”。
随着年龄的增加，人生的可能性也在主动和被动的坍缩，最终找到你的那个“命中注定”。
茨维格在《人类群星闪耀时》说：“一个人生命中最大的幸运，就是在年富力强的壮年阶段找到自己的使命。”
如果你思想足够成熟，价值观排序充满秩序而又坚定；或者一开始就只有一条艰难，充满泥泞却又充满使命感的路要走，那这未尝不是“天赐的礼物”。
0 00
AI把过往量化比较难，分析收益比较小的文案部分的模糊也逐渐量化了。
比如扒了竞品相关的文案给AI聚合分析，在不同品类之间可以清楚的看到之间的差异、相似之处，主打的人群动机和人群需求，进而可以看到不同人群类型之间的差异。
在这个基础上，可以拉竞品的top100，也可以结合自家产品做一些世界观、题材向的素材作出区分度。
比如扒了竞品相关的文案给AI聚合分析，在不同品类之间可以清楚的看到之间的差异、相似之处，主打的人群动机和人群需求，进而可以看到不同人群类型之间的差异。
在这个基础上，可以拉竞品的top100，也可以结合自家产品做一些世界观、题材向的素材作出区分度。
0 00
分享一些自己对游戏试玩广告的理解：
1、试玩广告打开时间短、体积小的物理限制要求试玩玩法必须做轻，反馈必须做快。有明确的箭头引导给予玩家操作指令，并在3s内给玩家操作反馈，操作直观好上手是试玩广告的基础。
2、试玩的沉浸感来源于对玩家“多线程的调用”和“压力的给予”，但这个压力必须是玩家可控制可解决的。玩家一旦在“威胁出现→玩家做出选择→局面立刻改善/恶化→反馈明确”的循环结构产生兴趣，才更有可能从广告中进入游戏，并实现更长线的增长。
3、试玩广告头部主流有两种思路/数据模型，一种是试玩广告和游戏实际内容不符，则通过玩法机制让玩家疯狂点击，提高CTR扩大前端漏斗，试玩时长一般在60s内；另一种是追求CVR，从试玩中就有明显的AB面或更深入的玩法结构，提高人群筛选效率，试玩时长在60s-120s，部分试玩超过120s。
从人群筛选角度来看，追求高点击模型和追求高转化模型本质上是漏斗筛选的优化，并非单纯CTR和CVR的二选一。更合理的方式是，根据实际跑量模型和达成情况优化试玩创意效率，甚至可以考虑加入D1留存和回收系数等权重。
4、试玩广告很难像普通视频或图片素材一样有较高的借鉴性，原因在于试玩和游戏本身强绑定，当广告承诺与游戏本身不一致的时候用户很容易流失。更长线且更合理的方式是，将游戏真实资产和试玩玩法结合，快速拆成试玩组件，埋点定位流失节点，研发则能够在 1–2 周内完成有假设的迭代。把“素材机制库、模块化代码、参数化关卡、统一埋点、自动化报表”作为长期能力建设。
5、试玩广告的核心是用最短路径完成一次可理解的价值证明。玩家是否在前 3 秒理解目标，在 5–15秒内完成一次操作，在15-30 秒左右看到因果反馈，并在 30–60 秒内经历一次爽感闭环。试玩只有在足够短的时间内满足用户动机（爽感割草、经营扩张、塔防防守），才有可能带来玩家在游戏中更长线的价值。
1、试玩广告打开时间短、体积小的物理限制要求试玩玩法必须做轻，反馈必须做快。有明确的箭头引导给予玩家操作指令，并在3s内给玩家操作反馈，操作直观好上手是试玩广告的基础。
2、试玩的沉浸感来源于对玩家“多线程的调用”和“压力的给予”，但这个压力必须是玩家可控制可解决的。玩家一旦在“威胁出现→玩家做出选择→局面立刻改善/恶化→反馈明确”的循环结构产生兴趣，才更有可能从广告中进入游戏，并实现更长线的增长。
3、试玩广告头部主流有两种思路/数据模型，一种是试玩广告和游戏实际内容不符，则通过玩法机制让玩家疯狂点击，提高CTR扩大前端漏斗，试玩时长一般在60s内；另一种是追求CVR，从试玩中就有明显的AB面或更深入的玩法结构，提高人群筛选效率，试玩时长在60s-120s，部分试玩超过120s。
从人群筛选角度来看，追求高点击模型和追求高转化模型本质上是漏斗筛选的优化，并非单纯CTR和CVR的二选一。更合理的方式是，根据实际跑量模型和达成情况优化试玩创意效率，甚至可以考虑加入D1留存和回收系数等权重。
4、试玩广告很难像普通视频或图片素材一样有较高的借鉴性，原因在于试玩和游戏本身强绑定，当广告承诺与游戏本身不一致的时候用户很容易流失。更长线且更合理的方式是，将游戏真实资产和试玩玩法结合，快速拆成试玩组件，埋点定位流失节点，研发则能够在 1–2 周内完成有假设的迭代。把“素材机制库、模块化代码、参数化关卡、统一埋点、自动化报表”作为长期能力建设。
5、试玩广告的核心是用最短路径完成一次可理解的价值证明。玩家是否在前 3 秒理解目标，在 5–15秒内完成一次操作，在15-30 秒左右看到因果反馈，并在 30–60 秒内经历一次爽感闭环。试玩只有在足够短的时间内满足用户动机（爽感割草、经营扩张、塔防防守），才有可能带来玩家在游戏中更长线的价值。
0 00
和平面美术交流了一些关于图片拆解的角度思考：
从美术角度考虑：
第一层拆解的是用户的点击动机，主要是从用户心理和人性角度去拆解，比如好奇、恐惧、给到一个用户的行为动机；
第二层拆解的是美术层面，比如画面的构图、第一人称视角的实机感、某个角色精致的展现等等。
对于投放买量而言，我自己的理解是可以简单拆解成画风和卖点两个方面，二者共同作用于点击率和转化率。
画风就是美术层面的色彩、构图、明暗关系等等；
卖点就是游戏中的付费点的呈现，比如角色培养、比如武器装备、比如战斗搭配等。
第三个是在不同游戏中都比较好用的框架，这些是经验层面的沉淀，比如教科书、比如today推荐，比如角色展示框+战斗内核等等；美术上则是一些构图上的积累。
而对于AI skill工作流而言，最重要的其实就是给AI“建立标准”这件事。
目前的思路是喂给AI足够多的“范式”，然后在根据想要的画风或者卖点去做新的排列组合。可以在一定程度上解决AI批量生图后质量不高，或者更准确的说是买量表达不精准的问题。
从美术角度考虑：
第一层拆解的是用户的点击动机，主要是从用户心理和人性角度去拆解，比如好奇、恐惧、给到一个用户的行为动机；
第二层拆解的是美术层面，比如画面的构图、第一人称视角的实机感、某个角色精致的展现等等。
对于投放买量而言，我自己的理解是可以简单拆解成画风和卖点两个方面，二者共同作用于点击率和转化率。
画风就是美术层面的色彩、构图、明暗关系等等；
卖点就是游戏中的付费点的呈现，比如角色培养、比如武器装备、比如战斗搭配等。
第三个是在不同游戏中都比较好用的框架，这些是经验层面的沉淀，比如教科书、比如today推荐，比如角色展示框+战斗内核等等；美术上则是一些构图上的积累。
而对于AI skill工作流而言，最重要的其实就是给AI“建立标准”这件事。
目前的思路是喂给AI足够多的“范式”，然后在根据想要的画风或者卖点去做新的排列组合。可以在一定程度上解决AI批量生图后质量不高，或者更准确的说是买量表达不精准的问题。
0 00
投放这个岗位天然不欢迎新手，尤其在AI时代更加剧了这一趋势。
媒体平台和算法模型已经把投放的执行层彻底消灭了，但是对数据的理解、对发行侧的理解，对素材的理解，少说不花个几千万上亿很难建立起一套完整的认知。
而很多公司是不愿意把钱花在培养人身上的，现在投放这个岗位几乎不招校招生，甚至不招初级岗位了，因为一个决策的判断错误可能至少都是几十万浪费掉了。
AI和算法的发展对执行的要求降低了，但对人的决策和判断要求更高了，主要体现在：
1、计划调控更少：过去还能靠堆基建来“勤能补拙”，而现在算法开始逐步限制人工调计划、预算、出价的空间，留给模型自己探索。这就会导致把观察的空间从之前的单条计划，转向对营销目标、推广产品、优化目标、以及部分版位、定向、出价的共同组合。所以过去堆基建的效率会越来越低，更重要的是对项目整体和发行阶段的理解和判断。
2、资产和素材的价值上升：素材将成为识别用户兴趣、判断人群匹配和获取流量的重要方式。素材供给从追求爆款素材到追求可持续的结构性的素材供给，并且追求更高的素材-产品匹配度，更深的素材测试度，人群在商业化后端的匹配。
3、模型学习更快。AI的深入能够帮助模型获取更多维度的用户数据，学习速度更快，但也对模型学习的质量更敏感。对数据回传的质量要求更高，前期人群获取和人群拓展更为重要。尤其要避免广告买量和自然量的回传混淆，测试服和正式服的数据混用等。
4、对人的要求更高。投手的操作减少，判断增多过去的盯盘、手动调价、根据经验加预算已经不太重要了。更重要的是对：1、发行阶段的判断；2、出价工具的判断；3、素材测试矩阵；4、放量和回收节点的把控；5、数据波动的定位和排查；6、版更和素材的跟进变化
媒体平台和算法模型已经把投放的执行层彻底消灭了，但是对数据的理解、对发行侧的理解，对素材的理解，少说不花个几千万上亿很难建立起一套完整的认知。
而很多公司是不愿意把钱花在培养人身上的，现在投放这个岗位几乎不招校招生，甚至不招初级岗位了，因为一个决策的判断错误可能至少都是几十万浪费掉了。
AI和算法的发展对执行的要求降低了，但对人的决策和判断要求更高了，主要体现在：
1、计划调控更少：过去还能靠堆基建来“勤能补拙”，而现在算法开始逐步限制人工调计划、预算、出价的空间，留给模型自己探索。这就会导致把观察的空间从之前的单条计划，转向对营销目标、推广产品、优化目标、以及部分版位、定向、出价的共同组合。所以过去堆基建的效率会越来越低，更重要的是对项目整体和发行阶段的理解和判断。
2、资产和素材的价值上升：素材将成为识别用户兴趣、判断人群匹配和获取流量的重要方式。素材供给从追求爆款素材到追求可持续的结构性的素材供给，并且追求更高的素材-产品匹配度，更深的素材测试度，人群在商业化后端的匹配。
3、模型学习更快。AI的深入能够帮助模型获取更多维度的用户数据，学习速度更快，但也对模型学习的质量更敏感。对数据回传的质量要求更高，前期人群获取和人群拓展更为重要。尤其要避免广告买量和自然量的回传混淆，测试服和正式服的数据混用等。
4、对人的要求更高。投手的操作减少，判断增多过去的盯盘、手动调价、根据经验加预算已经不太重要了。更重要的是对：1、发行阶段的判断；2、出价工具的判断；3、素材测试矩阵；4、放量和回收节点的把控；5、数据波动的定位和排查；6、版更和素材的跟进变化
1 00
注意力是一种极其隐蔽的资源，隐蔽到自己很多时候都会忽视它的存在。
AI带给人除了金钱、媒体、人力之外的第四种杠杆——效率杠杆。
但这种效率的有效放大又极度依赖于人的认知和判断。
而产生认知和判断的基础是在有价值的事情上持续投入自己的注意力。
这种注意力决定了人生围绕哪些事情展开，也明确了方向，AI则给了这个方向一种加速度。
所以当大家都在讨论能源、算力这些AI时代的基础设施的时候，注意力又何尝不是AI时代的基础设施之一呢？
AI带给人除了金钱、媒体、人力之外的第四种杠杆——效率杠杆。
但这种效率的有效放大又极度依赖于人的认知和判断。
而产生认知和判断的基础是在有价值的事情上持续投入自己的注意力。
这种注意力决定了人生围绕哪些事情展开，也明确了方向，AI则给了这个方向一种加速度。
所以当大家都在讨论能源、算力这些AI时代的基础设施的时候，注意力又何尝不是AI时代的基础设施之一呢？
0 00
作为一个游戏发行从业人员分享一下自己的玩家画像的拆解角度：
1、玩家的基础社会学属性。年龄、性别、设备占比、地域分布、成长阶段——指导基本定向和流量选择。
2、玩家的兴趣行为偏好。对哪些感兴趣，游戏动机，为什么玩（竞争胜利、建造养成、社交陪伴、剧情体验、世界探索等）。
——作素材方向参考，创意主题和卖点表达。
3、玩家的行为特征。了解玩家新手完成时间、留存率、关键行为动作完成率（比如建造几级，入联盟率）等。
——了解玩家在游戏内的初步承接，指导新手引导的优化。
4、玩家的付费特征。玩家的付费结构分层，首充率、不同年龄段的付费增长倍率，7日付费次数、ARPPU、付费间隔多少。
——指导付费设计与商业化调整
5、渠道和媒介偏好。不同渠道之间用户的LTV差异
——做素材测试和渠道预算分配上的指导
6、用户的生命周期。用户在不同时间节点的流失率、转化率
——做用户分层和分阶段运营和召回，指导买量阶段和素材策略
7、品类经验和替代选择。用户同时在玩什么游戏，为什么换游戏玩，弃游的原因是什么？
——用户对品类的熟悉程度、迁移成本、进度和社交关系。同类玩家需要差异化替代理由、相邻玩家需要理解关联、新手玩家需要降低术语和学习成本，指导品类竞争发行侧重点。
暂时想到这些，欢迎讨论补充。
1、玩家的基础社会学属性。年龄、性别、设备占比、地域分布、成长阶段——指导基本定向和流量选择。
2、玩家的兴趣行为偏好。对哪些感兴趣，游戏动机，为什么玩（竞争胜利、建造养成、社交陪伴、剧情体验、世界探索等）。
——作素材方向参考，创意主题和卖点表达。
3、玩家的行为特征。了解玩家新手完成时间、留存率、关键行为动作完成率（比如建造几级，入联盟率）等。
——了解玩家在游戏内的初步承接，指导新手引导的优化。
4、玩家的付费特征。玩家的付费结构分层，首充率、不同年龄段的付费增长倍率，7日付费次数、ARPPU、付费间隔多少。
——指导付费设计与商业化调整
5、渠道和媒介偏好。不同渠道之间用户的LTV差异
——做素材测试和渠道预算分配上的指导
6、用户的生命周期。用户在不同时间节点的流失率、转化率
——做用户分层和分阶段运营和召回，指导买量阶段和素材策略
7、品类经验和替代选择。用户同时在玩什么游戏，为什么换游戏玩，弃游的原因是什么？
——用户对品类的熟悉程度、迁移成本、进度和社交关系。同类玩家需要差异化替代理由、相邻玩家需要理解关联、新手玩家需要降低术语和学习成本，指导品类竞争发行侧重点。
暂时想到这些，欢迎讨论补充。
1 00