技术深度解析
ChatGPT广告价格腰斩，绝不仅仅是一项商业决策；它深深植根于大语言模型推理经济学的演变之中。由于多项架构和工程改进，在ChatGPT对话中投放广告的边际成本已大幅下降。
推理效率提升： OpenAI在其GPT-4o和o1系列模型中部署了推测解码、KV缓存量化以及混合专家路由等技术。与原始GPT-4相比，这些技术将每个token的浮点运算量降低了30%至50%。例如，推测解码允许一个更小、更便宜的草稿模型生成多个候选token，然后由更大的模型并行验证，从而降低延迟和成本。结果是，根据API定价变化推断的内部成本模型，GPT-4o每百万token的成本已从发布时的约10美元降至如今的约3至4美元。
广告投放架构： ChatGPT的广告系统很可能采用两阶段检索流水线。首先，一个轻量级嵌入模型（可能是text-embedding-3-small的蒸馏版本）将对话上下文与预索引的广告目录进行匹配。其次，一个排序模型（基于GPT-4o-mini微调）对候选广告的相关性和点击概率进行评分。这种架构在计算上比针对每个广告位运行完整的GPT-4o生成要便宜得多。降价反映了每次广告展示的平均成本已从约0.02美元降至约0.01美元，从而在保持70%以上毛利率的同时实现更低定价。
数据反馈循环： 真正的技术护城河是应用于广告定向的基于人类反馈的强化学习循环。用户与广告的每一次交互——点击、悬停、关闭或后续提问——都会生成一个训练信号。OpenAI可以利用这些数据微调其排序模型，从而随时间推移提升相关性。这形成了一个良性循环：更多广告主 → 更多数据 → 更好的定向 → 更高的转化率 → 更多广告主愿意在后期支付溢价。当前的降价正是为了启动这一循环而进行的投资。
GitHub参考： 开源社区也探索了类似思路。仓库`llm-ad-server`（1.2k星标）提供了一个使用本地LLM投放上下文广告的参考实现，展示了如何通过提示工程在不损害用户体验的情况下插入广告位。另一个项目`ad-rlhf`（850星标）则尝试使用RLHF来优化广告投放，兼顾收入与用户满意度——这很可能是OpenAI内部采用的技术。
| 指标 | 降价前（2025年Q1） | 降价后（2025年Q2） | 变化 |
|---|---|---|---|
| GPT-4o每百万token成本 | ~$10 | ~$3.50 | -65% |
| 预估广告CPM（每千次展示成本） | $25 | $12 | -52% |
| 每次广告展示的推理成本 | ~$0.02 | ~$0.01 | -50% |
| 预估广告毛利率 | 80% | 71% | -9个百分点 |
数据要点： 降价幅度与推理成本下降紧密相关，表明OpenAI是在传递效率提升的成果，而非亏本运营。利润率压缩幅度不大（9个百分点），且随着规模扩大很可能是暂时的。
关键玩家与案例研究
OpenAI： 先驱者。ChatGPT周活跃用户已突破4亿，OpenAI拥有AI原生广告最大的分发渠道。其策略与Google早期的AdWords如出一辙：以低价吸引此前被AI广告价格挡在门外的小型和中型企业。早期采用者包括Notion和Canva等SaaS公司，它们利用ChatGPT广告向已处于AI工作流中的用户直接推广AI驱动功能。
Google（Gemini）： Google正通过其现有的Google Ads网络将广告整合进Gemini，但面临一个矛盾：Gemini的对话式界面与传统搜索广告的兼容性较差。Google正在尝试“赞助答案”——将广告结果编织进事实性回复中——但早期用户反馈不佳。Google的优势在于其超过1000万广告主的现有基础，但劣势在于Gemini的广告格式比ChatGPT那种微妙、上下文感知的投放方式显得更具侵入性。
Anthropic（Claude）： Anthropic已公开声明不会在Claude上投放广告，优先考虑用户信任。然而，这一立场可能是暂时的。Claude专注于企业市场，意味着它未来可能推出面向商业用户的“赞助洞察”模式，但就目前而言，它正在将消费者广告市场拱手让给OpenAI。
Perplexity AI： 这家搜索初创公司推出了“赞助问题”，品牌付费让它们的答案在特定查询的回复中置顶展示。Perplexity的方式更为透明（广告有明确标注），但集成度较低。其用户基数较小（约3000万月活跃用户），限制了规模，但据报道其广告CPM更高（30-40美元），原因是用户群体更具研究导向且参与度更高。