您每天滑開手機，不論是逛momo購物網、蝦皮，還是在YouTube上觀看影片，都活在一個由「推薦演算法」精心打造的世界裡。它像一位隱形的管家，猜測您的喜好，推播您可能感興趣的商品與內容。然而，您是否也曾感到厭倦，覺得推薦的內容越來越狹隘，彷彿被困在一個資訊的同溫層，也就是俗稱的「資訊繭房」？這個困擾著全球數十億網路使用者與各大科技巨擘的難題，如今正迎來一個革命性的解答——「生成式推薦」（Generative Recommendation）。這不僅是一次技術升級，更可能是一場重塑網路商業版圖的巨大變革，其重要性不亞於當年搜尋引擎的誕生與社群媒體的崛起。這項新技術究竟有何魔力？它又將如何為Meta、阿里巴巴、快手等巨擘開啟下一個黃金十年，並為身在台灣的我們帶來何種投資啟示？
從搜尋到演算法：我們親歷的兩次網路革命
在理解「生成式推薦」的顛覆性之前，我們必須回顧過去二十年，網路世界賴以運作的兩次底層技術革命。每一次革命，都造就了一批王者，也淘汰了無數跟不上時代的玩家。
第一波浪潮：搜尋引擎的黃金十年
約在2000年至2012年間，網路的入口由搜尋引擎主宰。誰能最精準地匹配使用者的「關鍵字」與網頁資訊，誰就能掌握流量命脈。在這個時代，Google與中國的百度，憑藉其領先的機器學習技術，建立了無可撼動的霸權。根據公開資料，在2005年至2015年這十年間，Google的廣告收入複合年增長率高達23.9%，而百度更是驚人地達到了70.3%。反觀當時的巨擘Yahoo，由於技術跟進緩慢，廣告收入呈現長期負成長。這段歷史清晰地揭示了一個鐵律：資訊匹配的效率，直接決定了商業價值的天花板。這就如同日本的樂天（Rakuten）早期依靠龐大的商品庫存取勝，但後來也必須不斷優化其搜尋排序技術，才能在激烈的電商競爭中維持地位。
第二波浪浪潮：深度學習演算法，餵養我們的內容帝國
2012年後，隨著智慧型手機普及，使用者行為從「主動搜尋」轉變為「被動接收」。網路的戰場從搜尋框轉移到了資訊流。這時，以深度學習為核心的推薦演算法應運而生。Google的Wide&Deep模型、阿里巴巴為電商場景量身打造的DIN模型、以及字節跳動賴以成功的雙塔模型（Two-Tower），成為了這個時代的核心引擎。
這些演算法不再只是簡單匹配，而是深度挖掘使用者的隱含興趣，預測他們下一步想看什麼、想買什麼。這股技術紅利帶來了驚人的商業回報。在2015年至2019年，深度學習技術高速發展期，Google的廣告業務年均增速比前一個五年提升了4.5個百分點，也比同樣擁有搜尋廣告業務的微軟高出4.7個百分點。在亞洲，阿里巴巴的電商業務更是經典案例，其非佣金的客戶管理收入（主要為廣告費）的「貨幣化率」（Take Rate），在2015到2020財年之間，從2.4%大幅提升至3.74%，增加了超過五成，這背後最大的功臣正是更懂消費者的推薦演算法。字節跳動旗下的抖音與TikTok，更是將演算法推薦發揮到極致，成為全球使用者時長的「超級黑洞」。
然而，如同機器學習遭遇瓶頸一樣，深度學習推薦系統也逐漸觸碰到了天花板。模型越來越複雜，但效果提升卻越來越有限，也就是所謂的「縮放定律（Scaling Law）失效」。同時，傳統的「召回、粗排、精排」多階段推薦架構，不僅維護成本高昂，各階段目標不一致也導致了系統整體的次優解。整個產業都在尋找下一個突破口。
生成式推薦：為何是網路技術的下一頂皇冠？
在ChatGPT引爆全球後，生成式AI的強大能力讓推薦系統的科學家們看到了新的曙光。傳統推薦模型是「判別式」的，它像個考官，從上百個候選項目中「判斷」哪一個得分最高；而生成式推薦則是「生成式」的，它更像個創作者，根據對你的深刻理解，直接「創造」出一個你最可能喜歡的項目列表。
這看似微小的差異，背後卻是典範轉移。我們認為生成式推薦將成為AI時代網路技術的皇冠，主要基於四大顛覆性優勢：
1. 縮放定律重新生效：如同大型語言模型一樣，生成式推薦模型的規模越大（更多的資料、更大的參數），其推薦效果就越好。Meta的實驗已經證實，當模型參數擴大時，推薦的精準度也隨之線性提升，這打破了深度學習的天花板。
2. 更深度的使用者理解：傳統模型受限於計算能力，通常只能分析使用者近期的行為。而生成式推薦善於處理超長序列資料，能夠將一位使用者長達數年的歷史行為全部納入模型，從而建構出遠比以往更全面、更深刻的使用者樣貌。
3. 降低成本、提升效率的端到端架構：以Meta的HSTU和快手的OneRec為代表的先進模型，用一個統一的生成式框架取代了過去複雜的多階段架構。這不僅避免了各階段目標衝突造成的損耗，還大幅簡化了工程結構。快手的報告指出，傳統架構竟有50%的資源浪費在各系統間的溝通與快取上，而新架構能將寶貴的算力更專注於高精度的計算。
4. 打破資訊繭房，提升多樣性：判別式模型傾向於推薦與使用者歷史興趣高度相似的內容，容易導致資訊繭房。而生成式模型具備一定的「推理」與「創造」能力，能夠生成一些使用者從未接觸過但可能感興趣的新奇內容，從而提升推薦的多樣性與驚喜感。
兩大流派的對決：Meta與快手的「端到端」革命 vs. 阿里與字節的「融合」策略
面對這場技術浪潮，全球網路巨擘並非採取單一策略，而是根據自身的技術累積、業務需求與資源稟賦，分化為兩大主要流派：「革命派」與「務實派」。
革命派代表Meta：用AI逆轉蘋果隱私衝擊的教科書案例
Meta可謂是生成式推薦領域最激進的領跑者。2021年，蘋果推出ATT隱私新政，限制了應用程式追蹤使用者資料的能力，這對高度依賴精準投放的Meta廣告業務造成了毀滅性打擊。2022年，其廣告收入增速一度跌至谷底。然而，自2023年起，Meta的業績卻上演了驚天逆轉，廣告收入增速持續維持雙位數，甚至超越了受影響較小的Google。
這背後最大的功臣，就是其內部代號為HSTU的工業級生成式推薦系統。Meta的科學家們將推薦問題重新定義為一個序列生成任務，徹底顛覆了過去十年的技術架構。根據其發表的論文，HSTU在排序和召回任務上的效果，相比傳統頂級模型分別提升了12.4%和6.2%。更重要的是，Meta成功驗證了推薦系統的縮放定律。這意味著只要持續投入算力與資料，其推薦效果的天花板將遠高於競爭對手。這場豪賭不僅幫助Meta擺脫了蘋果隱私政策的枷鎖，更為其建構了全新的技術護城河。
中國急先鋒快手：OneRec如何用更少成本創造更高價值
在中國，短影音平台快手是「端到端」生成式推薦最堅定的實踐者。其推出的OneRec系統，是中國首個真正意義上在工業級大規模應用中，用單一模型取代傳統級聯架構的成功案例。
OneRec的成果令人驚豔。線上A/B測試顯示，在處理快手主站25%流量的情況下，新系統讓使用者的單日停留時長提升了0.467%至0.741%。對於快手這樣體量的平台而言，0.1%的時長提升已是極其顯著的勝利。更令人矚目的是其極致的效率：OneRec的營運成本僅為傳統推薦系統的10.6%，而模型的計算效率（MFU，衡量GPU利用率的指標）卻提升了數倍。這證明了生成式推薦不僅效果更好，還可能更「便宜」。目前，OneRec已在快手的本地生活服務場景100%全量上線，並推動GMV實現了超過20%的增長。
務實派的選擇：為何阿里、字節跳動選擇融合路線？
相較於Meta和快手的激進革命，阿里巴巴和字節跳動則選擇了一條更為務實的「融合」路線。他們並未完全拋棄現有的、已高度優化的深度學習推薦系統（DLRMs），而是將生成式模型作為一個強大的「外掛」或「增強模組」來使用。
例如，阿里巴巴提出的LUM（大型使用者模型）範式，其核心思路分為三步：首先，用生成式模型預訓練，從海量使用者行為中學習深刻的興趣分佈；接著，將這些學到的知識（使用者興趣向量）提取出來；最後，將這些高品質的特徵輸入到現有的傳統排序模型中，以提升其預測的精準度。線上A/B測試顯示，LUM讓淘寶的點擊率（CTR）和千次展示收入（RPM）分別提升了2.9%和1.2%。
字節跳動的RankMixer模型也體現了類似的思路，它專注於改造傳統推薦系統中最核心的「精排」環節，引入了類似Transformer但計算效率更高的混合器（Mixer）結構，在不增加太多推理成本的前提下，大幅提升了模型的規模與特徵交叉能力。
這種融合路線的優點在於風險更低、遷移成本更小，可以充分利用公司現有的技術設施與人才儲備。這反映出，即使是技術實力雄厚的巨擘，在面對架構性變革時，也會謹慎權衡革命的收益與成本。
對台灣投資人的啟示：誰將是這波浪潮的最大贏家？
這場由生成式推薦引領的技術變革，不僅是工程師們的盛宴，更蘊含著巨大的商業價值與投資機會。對於台灣的投資人與企業家而言，理解這場變革的底層邏輯至關重要。
場景決定含金量：電商 > 內容 > 廣告
從目前技術落地的難易度與潛在收益來看，不同網路場景的受益順序可能存在差異。我們認為，最先 reaping a harvest 的將是電商平台，其次是內容平台，最後是廣告平台。
- 電商平台：使用者的購買意圖相對穩定，對推薦的即時性要求不高，這給了複雜的生成式模型更充裕的計算時間。同時，電商平台打通「商業流量」（廣告）與「自然流量」（免費推薦）的「全站推」產品，能讓更高效的推薦演算法直接轉化為更高的成交總額（GMV）與貨幣化率，商業閉環最短。
- 內容平台（尤其是短影音）：推薦效果直接關係到使用者停留時長，生成式推薦的多樣性優勢能有效對抗使用者倦怠，提升黏性。快手的成功已證明了這點。
- 廣告平台：廣告場景的使用者行為定義更複雜，且對即時反應要求極高，技術挑戰最大。
台灣與日本的機會與挑戰
在這場競賽中，美國的Meta和中國的快手、阿里、字節無疑已佔據第一梯隊。相比之下，台灣與日本的本土廠商則面臨著不小的挑戰。當Meta和快手在打造AI核動力航母時，台灣的momo、PChome，日本的樂天（Rakuten）、Mercari，更像是在升級他們既有的驅逐艦引擎。技術的代差是客觀存在的。以台灣電商為例，其推薦系統大多仍處於深度學習的應用階段，對於長序列使用者行為的建模、端到端架構的探索，仍有很長的路要走。在台灣市場佔據重要地位的蝦皮（Shopee），其背後的母公司Sea集團擁有更強的跨國研發實力，這或許會讓它在未來的技術競爭中相對本土電商更具優勢。
然而，巨大的差距也意味著追趕的潛力。對於這些區域領先者而言，能否下定決心投入資源、引進人才，跟上這波生成式推薦的浪潮，將是決定其未來五年市場地位的關鍵。
潛力股在哪裡？關注基期較低的中型挑戰者
一個有趣的觀點是，這波技術紅利的最大受益者，可能不是已經處於巔峰的巨擘，而是那些基期較低（baseline）的中型挑戰者。因為生成式推薦在一定程度上降低了對傳統「特徵工程」的依賴，這曾是頂級大廠利用資料優勢碾壓對手的法寶。如今，一個優秀的生成式模型架構，可能比海量的、瑣碎的特徵更重要。這為中型公司提供了彎道超車的可能性。例如，中國的Bilibili，其廣告與電商業務的貨幣化效率相比抖音、快手仍有較大差距，若能成功落地生成式推薦，其業績的邊際改善彈性將會非常可觀。
眺望新大陸：生成式AI不只是工具，更是重塑賽局的規則
回顧歷史，從Google的搜尋引擎到TikTok的演算法，每一次資訊分發效率的革命性突破，都深刻地重塑了我們的數位生活與全球商業格局。如今，生成式推薦正站在第三次革命的浪尖上。它不僅僅是一個更聰明的演算法，更是一種全新的思維方式，一種從「匹配」到「創造」的典範轉移。
對於企業而言，這意味著誰能率先掌握並規模化應用這項技術，誰就能在未來的使用者時長爭奪戰、電商轉化率競賽以及廣告效率比拼中，獲得難以逾越的「代差」優勢。對於投資人而言，這提醒我們在評估一家網路公司時，除了關注當前的使用者數、營收、利潤等傳統指標外，更需要前瞻性地審視其AI研發的深度與決心。因為在AI驅動的未來，技術的領先，將比以往任何時候都更快、更直接地轉化為實實在在的商業價值。這片由資料與模型構成的新大陸，正等待著勇敢的開拓者。
