大家想到 TikTok第一个impression是一个 entertainment 平台，但是实际上从平台视角来看，是希望能有更多的高价值内容如更多给予情绪价值、教育意义的内容融入的。所以 TikTok 在去年的一年到一年半的时间内，实际上一直在 promote 1min+的PGC内容，甚至在前一段时间 TikTok 开放了 10 分钟甚至更长的内容，希望在内容层面上能有更多信息量的内容去娱乐化。

这块从 Creator的中视频monetization 规则也可以看出来。monetization 在近一两年的算法迭代中要求首先你要是 PGC的创作者，第二个就是你做的内容一定是需要一分钟加的内容，这样才能拿到对应资金池里的变现。

对于特殊场景如短剧，什么样的内容在北美比较的有吸引力，这个东西我觉得需要数据来说明。第一是本身平台其实是已经有一些数据了。哪些东西投放得好、投放得坏，其实是有相对应数据的。第二，我理解你们想做localization，按我们这边经验，至少从创作者增长这个角度上来讲，每一个市场的喜好都不太一样。比如说我们和 MCN 公司合作，然后去引入创作者，这种方法论在日韩就做得很好，但是在美国做得并不是非常乐观，因为每一个地区的生态、user 的喜好以及 user 的 behavior 都是不一样的。

所以我个人觉得基于你们公司现在已有的数据，再加上比如在这边影视中大家喜欢什么样的视频，或是在 local 招一些这块的人去一起写编剧的文案，然后拿到市场上测试，做再一次的数据验证。

从内容的生成，到我们真的 deliver 到用户手上，到用户与其产生一些互动，到最终我们得到想要的一些结果，比如用户的增长，或者说是一些金钱的转换，它其实总共也就涉及到三个过程。

第一个过程是 creation 的过程，这部分可能在总体内容里占 70% 。第二步部分我将其称作 retrieval 的一个过程，就是你从大量制作的东西里找到适合的内容去进行下一次分发，最终我们筛选出 20% 内容落到了这一个环节。最终一个环节就是我们点对点进行recommendation，也就是用户的推荐，在这个过程环节它最终浓缩到了 10% 左右。

所以一个内容的产生到最终一个用户对这个内容产生相应的反馈，可能里面流失掉了很多的机会，最终用户看到的就是 10% 甚至更少的部分。我们其实想要 AI 去在每一个环节中都做一些帮助。传统上的话，我们可能更多会关注到我后面说的 30% 的过程，也就是如何去 retrieval 从里面找到一些用户可能爱看的东西，去从大量的内容中作为一个筛选，这个筛选的过程往往会是一些 rule base 的filter，用 rule base 也是为了节约资源。在这个过程可以看到它是否合法，是否符合我们所制定的质量规则上面的要求。

除此之外，之前的 machine learning 可能更多的会关注 ranking 和 recommendation 的东西。其实这件事情已经不是一个很新的内容了，其实在以往我们就已经做了这样的事，当我们收集到很多的用户数据之后，里面可能包含了比如说点击、喜爱、收藏、转发、 video 观看的比率等一些自定义的metrics。像 ShortTV 这种之前已经有一些用户积累量的情况下，你们肯定会有大量的这样的数据。

有了这个数据 AI 其实做的第一件很简单的事情，就是我们针对每一种不同的单剧去做prediction、相应地去 training 这样的 prediction model，which means 在一个新的 short video 进来的时候，我们就可以预测未来的情况，比如说它被用户点击的概率是多少、喜爱的概率是多少。有了这个模型之后，我们其实可以把它用到几个阶段，目前来说用得比较多的还是在 recommendation 的阶段，往往这种模型会是一个 user to content level 的模型，针对不同的用户去做一个精确的 personalization 的推荐。

当然你也可以做纯粹 content level 的东西，比如说只看content。最传统的一种做法就是打tagging，是一个很节约资源的方式。在我们之前可能所有的内容场景都是针对这一块，也就是 retrieval 和 ranking 的方向去做了一些探索。现在因为 generative AI 出来了、LLM 出来了，大家就逐渐地把目光投入到之前说的 70% 没有完全被开发的领域，也就是如何让 AI 去生成这些content，或者说 AI guide creator去生成一些更高质量、更好的content。如果你要跟 short video 结合的话，我能想到几个场景，最经典的也就是给予 ChatGPT 一个比较好 understanding 的结构化框架，当然你可以把这个东西叫做 prompt。

我们之前的一个问题说， Prompt engineering 和 fine tuning 它们之间的关系以及效果好不好？这个东西我可以负责任地告诉你，就是说fine tuning 肯定是有用的，我们就拿 high quality data，比如我们从 ShortTV 里最热款的编剧，我们把它的编剧结构拆解出来，然后喂给 GPT 4 这样的模型去做 fine tuning，让它更加好地去理解一个好的剧本结构是怎么样的。这种 fine tuning 肯定是会有一定效果的提升的。

在这个基础上，我们还是可以通过 prompt engineering 的方法，以最简单的方式去做质量提升。比如你可以更结构化你的prompt，让它把人物的关系、情节的发展方式等不同的东西更加地拆解出来、结构化地去给模型，使它更好地去 understand 这个东西。

这两者（Prompt engineering 和 fine tuning）的关系是你两件事情都做，都是一定会有提升的，但是不是necessary一定要去做这个 fine tuning ，我觉得不是，原因就是会存在成本的问题，有的时候也许做到大概 85 分已经足够，去做 fine tuning 的回报率不一定高。现在随着模大模型的更新迭代，他们能 understand 的问题是越来越多的。尤其是编剧的场景对于大模型来说并不是一个需要非常深入知识的领域。往往有可能你不做 fine tuning 的话，在你最终的用户的结果上并不会有特别大的一个改变。这也是可以根据实际的数据去做 understanding 的一件事情。

另外一件事情，在这个基础上我们如何去先验？先验有两种方式，第一种方式就是用你传统的历史数据来 guide creation。我们通过剧本在以往用户市场上的反馈告诉模型好的编剧是什么，比如说点击率有多少、revenue 有多高、转化率有多高等等，把这些喂给 AI 让它更多地生成类似于这种短剧的东西。 

第二种方式，你把它做成一个validator。用你的 AI 技术根据一段内容randomly生成不同 diversity 的剧本，然后你用以前剧本的知识去做预测模型，给不同的剧本评分。用它来做成一种后续的评分方式，而不放在前面去做一个验证。最终我们可以根据分数的高低去筛选。

当然我们刚刚说了很多可能只是编剧的东西，现在我们可能已经技术越来越牛了，甚至我们变成了AI 对于图片的编辑创作，甚至对于 short video，我们可能都会进行 AI 的创新生成，不一定要完全停留在剧本上面。但是同样的，对于 video generate，我觉得大家可能还是在属于一个探索阶段，也没有说完全落地。