摘要

NextAd 的核心赌注是，GenAI 会把过去二三十年分离的广告素材生成与注意力匹配合成一套 AI 原生广告系统。 Jason Hu 把传统创意生产比作“精耕细作的小农经济”：Google、Meta 的 matching 已高度集约化，素材却仍靠 agency 和 in-house 团队手工生产；生成、投放、测试、迭代一体化，才是这家约十人公司拿到 a16z、Point72 等机构约 600 万美元投资的关键叙事。
巨头拥有数据、客户和分发，但 NextAd 押注的是开放互联网以及没有 legacy burden 的激进自动化。 Jason 估计围墙花园约占互联网流量 40%，更大的 open internet 和大量腰部、长尾 AI 产品仍需独立商业化体系；Google、Meta 还必须照顾既有收入、客户经理与广告主关系，startup 则能“从零开始”，把一连串不同的微决策累积成结构性差异。
New York Mets 的合作把 AI 广告从“生成图片”推进到可测量的自动实验系统。 过去球队可能一个赛季制作 10 个素材，分别 targeting 不同用户画像；NextAd 设想生成 1 万个素材，在约 5 类画像上并行测试，用两天或一周获得统计显著结果，再由 agent 自动调整，实现“自动生成、自动测试、自动迭代”。
广告能否改善体验，取决于流量主选择克制还是榨取，而 NextAd 自称提供能力、不替产品决定边界。 对体验敏感的产品可以在每 1,000 条 query 中只插约 10 条、甚至更少且确实有帮助的广告，也有产品可能要求每条都插；面对主持人关于广告是否会打断答案、侵犯隐私或让用户觉得答案是为广告服务的追问，Jason 的回答是：“具体的用户体验，这是产品所有者的问题。”NextAd 仍有儿童色情、暴力等基本底线。
NextAd 与创意 SaaS 的关键差异，是它同时拥有流量、浏览和点击等端到端反馈，优化对象因而从素材过程变成 campaign 结果。 Jason 的原话是“广告素材是给 audience 看的，而不是给广告主看的”；他把变化类比为从 Copilot 自动补全走向 Cursor、Devin 完成任务，同时强调 agent 无法独自处理亿级交互和用户—广告匹配，仍须与传统机器学习广告系统融合。
AI 应用不会在订阅与广告之间二选一，免费用户的 token cost 会把市场推向混合变现。 Jason 判断新一代产品的广告占比可能低于上一代互联网，但“肯定不会是零”，即便只占 20%-30% 也可能形成巨大市场；DeepSeek R1 引发的低价推理竞赛又让复杂 reflection 更可行，公司内部 agent 已把一项原需半天的客户 PRD 压缩到约 20-30 分钟。
Jason 对成功的定义不止是商业规模，而是建立一种不会把点击率推向“消费至死”的新广告范式。 他承认 AI 完全可以成为让用户无限沉迷、无限点击的“ultra-capitalist”系统，因此人的职责不只是给模型设 KPI，还要定义品牌、社会结果与边界：“AI 可以优化任何一个人给它设置的目标，但是 AI 不能自己定义目标。”

精读

1. 六百万美元押注的不是广告工具，而是一套新系统

Jason 现年 25 岁，毕业于芝加哥大学，创业前在湾区从事 startup 与科技工作，上一段经历是在 AI 公司 Martian 做 AI 工程师。NextAd 已融资约 600 万美元，投资方包括 a16z、Point72 等机构；团队约十人，收入、利润和估值暂不披露。
融资并非从一开始就顺利。Jason 观察，硅谷过去十年的主流模板是 enterprise SaaS，而广告科技长期缺少重大创新、市场又被 Google 和 Meta 强势控制，因此很多 VC 最初“get 不到我们为什么要做这个点”；团队只能持续 build、验证初步 traction，再让投资人理解这个“不 obvious”的长期机会。
华人 founder 的背景确实会引发担忧，但 Jason 把它主要归因于地缘政治、法规、后续投资与 PR 风险，而非种族主义——至少他自己“从来没有遇到过”。他的判断是，只要项目足够 solid、愿景足够好，这些问题大多有解决办法；Manus 等华人团队获得硅谷顶级融资，也说明它“不是 impossible”。

2. Gen AI 将广告的生成与匹配重新合并

Jason 对上一代计算广告的抽象是“广告素材和注意力的匹配”：广告主先制作图片、视频，平台再结合用户背景、所处场景和兴趣完成 matching。后者是大数据与机器学习最早、最大的 PMF 之一，前者却仍分散在 agency 和 in-house marketing team 中，像“精耕细作、小农经济”。
分离并非最佳制度，而是上一代统计机器学习不能生产素材的技术结果。Gen AI 出现后，可以更好地承担素材生产，并与匹配系统结合；NextAd 要做的正是“把广告的匹配和广告的生成合二为一”，这会同时改写 agency 与 ad tech 的分工。

3. 半年内，十人团队先补齐人才、行业地图与真实流量

融资后约半年，第一项成果是核心团队：成员包括做过三四次 startup、拿过百万级融资的连续创业者，来自 xAI 等头部机构的研究员、Berkeley AI Lab 背景人才，以及拥有十多年互联网广告架构经验的资深工程师。Jason 强调，这是一支“人很少，但是每个同事都非常强”的队伍。
第二项工作是摸清广告业的利益结构。品牌规模、是否有 in-house 团队、agency、DSP、exchange、publisher 都会产生完全不同的客户关系；“DSP 跟直客完全不是一种客户”，即使两者都可被宽泛地称为广告主。
AI 背景、广告履历较短是一体两面的约束：团队缺少传统人脉，却也能跳出既有流程，从第一性重画行业结构。Jason 称团队已大致理解各方利益，并与中美头部参与者建立联系，越来越多合作开始主动找上门。
第三项是 traction：NextAd 已为包括 Mostscape、DVI 在内的若干全球流量排名前三十的头部 AI 产品接入广告方案；部分产品此前与传统广告公司合作，后来直接替换成 NextAd 的方案。广告主侧也已连接大型 DSP 和品牌，系统从概念进入实际运行。

4. “相关”不天然等于“体验更好”

Jason 给出的理想场景是：用户正在查询数学题，系统理解题目与文章上下文，只在确实相关时推荐 AI 学习助手。广告未必和用户利益相反；Google 有时甚至能从行为数据判断用户搜了 B、真正想要的却是 A，从而给出更有用的商业结果。
主持人的反驳值得保留：用户可能只想要答案，此时加入 app 推荐仍是打断；更微妙的风险是，用户开始怀疑答案是否为了广告而生成，或认为系统越过了隐私边界。AI 原生广告的难点不只是 semantic matching，而是同时维护答案不被广告目的牵引、商业转化和“不冒犯”的感觉。
Jason 将 NextAd 定位为技术服务商：它能把广告塑造成流量主想要的形式，但最终频次与呈现由产品决定。高要求的客户可以在 1,000 条 query 中只插约 10 条、甚至更少，并要求广告确实对用户有帮助；另一端也可以每条都插。除儿童色情、暴力等违反公序良俗的内容外，其他体验选择仍属于流量主。

5. 两端产品正在定义一种广告主不再预先控制素材格式的新格式

流量主产品面向 ChatGPT、豆包之外的大量中长尾 AI 应用。Jason 判断注意力正在转向 AI 产品，而这些应用拥有流量和变现需求，却没有围墙花园式的完整广告基础设施，NextAd 希望为其补上商业化层。
广告主产品则覆盖 creative 生成到投放的 end-to-end 流程。客户只需提交一个产品链接，系统即可抓取产品介绍、分析潜在受众、生成素材，并投放到 NextAd 自有流量及其他渠道，而不只是把一张 AI 图片交还给客户。
这也意味着一种新的行业格式：广告主不必预先控制每份素材的最终格式；平台基于具体 audience 和场景即时生成。Jason 认为，广告系统未来“不只做广告的匹配，它也做广告生成”。

6. AI 会削掉机械执行，但不会替品牌定义目的

Jason 不认同市场与创意团队会被完整替代。若只要求提高点击率，AI 可能采用色情、耸动且与产品无关的内容；点击率上升，品牌长期价值却被破坏。广告还涉及调性、目标客户、产品关系和时间跨度，不能压成单一数值。
主持人追问：CEO 或 founder 已经可以把 taste、branding message 喂给 AI，市场部为何还存在？Jason 的回答是，CEO 的目标通常非常 vague，CMO 和团队仍要把它拆成季度目标、人群定义与 marketing objective；至少目前，人必须引导 AI，因为“AI 可以优化任何一个人给它设置的目标，但是 AI 不能自己定义目标”。

7. New York Mets 把创意生产变成持续实验

Jason 介绍，Point72 的创始人 Steven Cohen 在纽约买了一支棒球队 New York Mets。NextAd 目前与球队的 marketing、data 部门合作。球队既在线下投放，也使用 Google、Meta 等线上渠道；合作一面探索 chatbot 广告，另一面改造既有投放系统。
传统流程可能是一个赛季由 marketing team 生成 10 个不同素材，分别 targeting 不同的用户画像。NextAd 的目标是把规模扩到 1 万个素材，每个素材在约 5 类用户画像上测试，并按所需数据量与统计显著性，在两天或一周内结束一轮实验。
Agent 随后根据结果自动改动素材。Jason 举例，若布鲁克林家庭人群对不同族裔形象的素材反应不同，系统就可以提出并验证相应假设：当地黑人较多，面向黑人的另一种广告效果可能更好，而不是依赖 marketer 事前猜测；用户兴趣变化时，下一轮实验继续更新判断。
他同时承认，批量生成不一定达到高预算广告片的精细程度，但多数广告只获得用户“一扫一眼”的注意力。真正难预测的是第一眼触发了什么潜意识吸引点，因此系统的价值是“自动生成、自动测试、自动迭代”，而非每张图都成为精品。

8. Meta 的相同愿景没有消灭 startup 机会

主持人援引 Zuckerberg 在 Ben Thompson 的 Stratechery 播客中的表述：Meta 希望让广告主只给产品链接、预算和 ROI 要求，其余 targeting、素材生成与监测全部由平台完成。这与 NextAd 的描述“百分之九十九相似”，也构成投资人最常提出的 challenge。
Jason 的第一层回答是，大公司资源齐全却有结构性惰性：“Google 既有人才，又有算力，又有钱”，仍没有率先做出 ChatGPT。Intel 当年基于芯片单价、利润率和新产线成本拒绝为第一代 iPhone 供货，是理性最大化现有股东利益，却错失移动互联网浪潮的典型。
更直接的广告案例来自 Microsoft：它约三年前就提供 chatbot 广告 API，但最初的两三个客户后来仍是那两三个；NextAd 起步更晚，客户数量却增长更快。Jason 将差异归因于决策流程，而非大公司不知道方向。
主持人用周鸿祎的判断继续施压：“不确定的共识”才属于创业者，确定的共识则属于巨头。Jason 的回应是，共识具有层级：大家二十年前就知道 AI 重要，但架构、推理路线、publisher 选择等微决策仍高度不确定；小公司可以更快下注，这些选择累积后才可能形成 DeepSeek 式的大变化。

9. 真正壁垒是闭环数据，而不是多一个素材生成器

NextAd 选择比 Meta、Google 更激进的端到端自动化，因为它没有既有 revenue base、全球客户经理和成熟广告主关系需要保护。巨头必须渐进兼容 legacy，创业公司则能先问“长期对广告主最有用的方案是什么”。
与创意 SaaS 相比，广告平台拥有流量、浏览、点击等端到端数据和流量上下文，可让 AI 直接依据 audience 反馈优化。Jason 的核心表达是：“广告素材是给 audience 看的，而不是给广告主看的”；广告主最终关心 campaign 效果，并不真正关心素材长什么样。
他把产品跃迁类比为从 Copilot 自动补全代码，走到 Cursor、Devin 直接完成网站任务，即从过程导向变成目标导向。主持人指出，同时建设广告系统与生成能力是两件极难的事；Jason 没有否认，只回答这是“难而正确的事儿”。

10. 订阅先行不会让广告归零，开放互联网也不会消失

新一代 AI 产品通常先尝试收费，不像上一代互联网默认先接广告；但 Jason 认为两条路线最终会“殊途同归”。总有用户长期停留在免费版，产品要么持续承担其 token cost，要么用广告回收部分成本，而广告本身还可能提高付费意愿。
他的谨慎预测是，AI 产品的广告占比“可能比上一代互联网产品低”，主要收入仍可来自订阅，但最优比例不会是 0% 广告、100% 付费。即使广告只占 C 端 AI 应用市场的 20%-30%，绝对规模依然足够大。
Jason 把互联网广告分成围墙花园和 open internet：Google、Meta、百度、字节掌握从广告主到流量的完整链路，这部分可能约占流量 40%；第三方网站和 app 构成更大的开放侧。AppLovin、The Trade Desk 已证明开放侧也能生长出市值几百亿、上千亿美元的广告公司。
AI 生态同样会出现头部产品，但目前腰部、长尾应用占比仍相当高。NextAd 不必与围墙花园“你死我活”：Google 的广告主可以到开放侧买量，开放侧广告主也能采购 Google 流量，现实中的广告生态本就彼此流动、错综共生。

11. 生成式界面打开新硬件，也打碎旧广告归因

Jason 认为下一代消费界面的本质变化，是从固定展示转向 generative interface：系统理解用户、持续交互并替用户完成问题。它未必绑定手机、电脑或眼镜，关键是产品逻辑从“展示”变成“理解与行动”。
Alexa 可能需要成千上万人的团队编写意图到规则的映射，面对长尾表达仍效果一般；如今一家 startup 用 Cursor vibe code，一个下午就可能做出“六七分”的软件能力。AI 因而释放了 Rabbit、AI Pin、眼镜、戒指、手环等缺少大屏幕设备的交互潜力。
但广告基础设施会落后于媒介创新：语音助手说出一段推荐后，平台难以确认用户是否听见，也难把稍后的搜索、购买归因回来。Jason 因此认为，现在定义 AI 原生硬件广告仍“为时过早”；媒介必须先证明有长期 sticky、能 capture attention 的流量。

12. DeepSeek R1 的价值首先是推理成本下行

NextAd 融资时 DeepSeek R1 尚未发布。Jason 认为它最深远的作用是开启下一轮推理军备竞赛和 token 价格下行，让应用公司能够更频繁、更低成本地使用复杂 reflection，而不只是换用某个单一模型。
广告生成绝非把一句需求直接扔给生成模型：系统要同时分析既往 campaign 的好坏、用户兴趣、品牌想传达的理念，再 synthesize 成广告想法与素材。这个链路需要低成本、低延迟、高可用的推理模型，才能持续做判断和复盘。
NextAd 当前并未使用 DeepSeek R1，但受益于它推动的竞争；团队曾使用 DeepSeek，现在更多使用 Gemini 2.5 Pro。Jason 强调，影响来自整个成本与能力曲线，而非对某一模型的忠诚。
公司内部也被当成 AI 产品来设计：业务会议录音、聊天、文档、代码与数据统一 indexing。面对新客户，agent 可自行检索四五次历史会谈、内部讨论、产品资料和实现代码，再写出 PRD；原本约半天的任务，现在大致需要 20-30 分钟。

13. Agent 是组件，不是完整广告系统

Jason 拒绝把 NextAd 简化为 marketing agent。Agent 擅长拟人式、自然语言的深度思考，却不能逐条读完 1 亿次用户交互，也无法直接在 1 亿用户和 1,000 万广告之间完成匹配；这仍需要传统机器学习和计算广告基础设施。
因此真正架构是 agent 与上一代广告体系的融合：agent 负责生成假设、创意与 reflection，传统机器学习系统负责大规模统计匹配和反馈。NextAd 按最终效果交付，而“agent 本身不能 deliver 效果”。
Jason 日常同时使用 Grok、ChatGPT、Manus、DeepSeek、千问、Claude 和 Gemini；deep research 首选 Gemini，也会让 ChatGPT、Grok 并行回答。ChatGPT 的全站 memory 带来更个性化的黏性，但公司自建 contextual layer，使团队可以在模型快速更替时迁移上下文。
Manus 更适合“下载 50 张图片”一类 operations task，搭网站则仍会用 Cursor。湾区 startup 也开始使用海外外包；NextAd 在湾区有办公室，但团队全球分布并协作。Jason 观察，同阶段中国公司可能已有二三十人，而湾区团队更倾向少人、全能，并把 founding team 的每个人都当 founder 使用。

14. 最终目标是创造范式，同时约束它的社会结果

Jason 感受到的氛围差异是：湾区更爱谈第一性、AGI 与人类未来，国内更常谈赚钱、流量和落地，但他反复强调这不是绝对划分。高昂的人力与生活成本，也促使新一代湾区 startup 用更小团队和全球分布式协作运行。
前辈支持提供了行业捷径。Databricks 联合创始人 Reynold Xin 让他看到学术成果商业化并非直线上升：今天看似指数增长的公司，早期同样经历找不到客户、产品定义不清；投资人 Troy 则带来 Unity 广告业务等广告行业连接以及持续 advice。
Jason 把创业者分成顺应趋势与创造趋势两类：推荐系统和字节跳动式分发具有技术必然性，张一鸣的强项是极早看见并抓住；Elon Musk 的 SpaceX、Tesla 则是在缺少共识时“硬生生”创造趋势。Jason 还提到宜家创始人的案例：一张 39 元的北欧风茶几代表“设计的民主化”，没有宜家的创始人，就绝对不会有宜家。
对自己的终局定义，Jason 借鉴了 OpenAI 式的问题意识：既要定义 AI 在广告中的新范式，也要 ensure 它带来更好的 social outcome。AI 可以把系统优化成令人无限沉迷、无限点击、最终“消费至死”的 ultra-capitalist 机器；他不想建立这种公司，而希望商业成功、用户利益与行业生态能够长期一致。

104. 和Rokid祝铭明聊，吴妈、阿里、硬件创业黑森林的第11年 Dinakar Singh——父亲的行动号召——[Invest Like the Best，第428期]