深入了解 AppLovin 的 $100B 广告引擎

摘要

• AppLovin 的主线是：上市后的前18个月股价下跌92%，围绕 Axon 2 模型重建，如今成为一家1000亿美元公司，并明确提出迈向1万亿美元的路径。 Adam Foroughi 的算法是：EBITDA年化规模“超过70亿美元”，约75%转化为现金；他称，3年前的可比数字可能只有今天的1/20。要支撑1万亿美元估值，公司每年需要“超过300亿美元的现金流”，仅靠游戏用户获取（UA）做不到，因此必须进入电商，最终拓展到相邻品类。
• 技术突破在于：用可学习的语义嵌入替代 Axon 1 基于树的模型——后者包含“数十万条 if/else 分支”——再将嵌入输入深度神经网络。 CTO Giovanni Ge 表示，新模型既能外推到此前未见过的用户—商品组合，运行成本也更低，因为 GEMM 操作正是 GPU 擅长的计算，而树模型并非如此；“一旦我们能让预测更准确，广告主就能获得更好的回报，我们的业务也会增长。”
• 除了模型本身，组织设计也是这段故事的核心：工程师约100人，3年来基本没有变化；Ge 所在部门的产品经理屈指可数，业务规模扩张期间工程团队人数仍保持平稳。 Ge 的表述是：“我不希望工程师坐在 AI 旁边，我希望工程师站在 AI 之上。”在 AI 辅助下，团队还攻克了新一代模型。
• 大约18个月前进入的电商业务，回应了市场长期以来“AppLovin 只有游戏数据”的看空逻辑。 Foroughi 的反驳是：这是一群10亿人的用户，而不是10亿名游戏玩家；休闲游戏玩家略偏女性，年龄集中在30-50岁，其中很多是家庭决策者。给广告主网站埋像素，沿用了 Facebook 构建更广泛数据飞轮的路径；第一代电商数据引擎甚至是在拉斯维加斯一场会议的早餐餐巾纸上设计出来的，即便模型“非常不成熟”，ROAS 也已经不错。
• 聊天机器人和 LLM 广告可能并不适合 AppLovin 的模式：如果99%的 AI 使用场景都是搜索，聊天机器人广告大概率会像、也会呈现为漏斗下层的搜索广告，而 AppLovin 的引擎做的是漏斗上层的发现式广告。 在“3年、5年、10年”的研发周期上，公司正在探索联网电视和开放网络视频，这些环境都不同于 Apple/Google 主导的移动双寡头格局。
• 这套回撤期打法对今天遭受重创的 SaaS 公司尤其有参考价值，但 Foroughi 认为大多数公司无法复制。 AppLovin 将股权薪酬维持在固定美元金额，股价处于底部“超过1年”时完全停止投资者关系活动（“没人会买一个便宜到离谱的东西……他们想看到的是愿景”），并把公司赚到的每一美元、甚至更多资金都投入回购，以“成为自己最好的投资者”。缺乏算法式增长或现金流的企业级 SaaS 可能陷入“下行螺旋”，最终被私募股权买下。
• 两位高管的核心判断最终都指向同一个 AI时代的稀缺投入：品味。 Ge 表示：“Axon 成功的很大一部分，恰恰在于我们决定不做什么，而不完全在于我们做了什么。”AI 让构建产品变得容易，公司反而可能被“糟糕的品味和糟糕的想法”淹没；Foroughi 补充称，传统组织要转型为 AI原生公司，可能“几乎不得不替换掉大多数人”，而对多数企业来说，“没有明确答案”。
• 在几乎全自动化的系统中，广告创意仍是人工创造超额收益的来源。 没有固定公式——“如果你每周做30条广告，其中可能有1条会有意思”——社交平台的3秒注意力打法也不能直接迁移到60秒可玩广告上；生成式 AI 目前仍无法稳定产出品牌安全的30-60秒视频，因此，早期投入并掌握平台广告形式的广告主“能拿到 alpha”。

精读

1. 从92%回撤到1000亿美元——以及 Gio 的逆向入场

• Foroughi 开场就把整个故事压缩成一句话：“我们刚开始时想的是，‘我要成为一家10亿美元公司’……上市时，我们想成为一家1000亿美元公司。上市后的前18个月，我们下跌了92%……但 Axon 2 之后，我们恢复了，现在已经是一家1000亿美元公司。”
• Ge 于2022年11月加入 AppLovin，原定入职前几天，一场财报电话会让股价下跌30%；在接受采访时，AppLovin 的市值约为55亿美元。Foroughi 回忆道：“我当时想，‘该死，我们可能留不住 Gio 了。’”但 Ge 看到的反而是更大的股权上行空间，于是提前加入。Ge 随后纠正了这种说法：“我当时不是这么想的……如果我只是想留在赢家队伍里，就不会选择离开。我想找的是一个能看到机会、也能真正做出改变的地方。”
• Ge 看到的是一支精简团队：Adam 和时任 CTO Basil 深度参与日常工作，但初级工程师“没有被提拔起来”，只能接手低层级任务，缺少业务背景。他把这视为机会，而不是风险信号。

2. 用代码取代会议的文化

• Ge 曾向 Basil 提议每周进行一次一对一沟通，Basil “完全不明白那是什么，因为在 AppLovin 这根本不是一回事”。两人很快取消了安排——“大部分时间都在写代码，而那高效得多”。据 Foroughi 说，在 Ge 加入之前，Basil 可能亲自写了公司约60%的代码。
• 精简组织背后的数字是：当时和现在都约有100名工程师；公司在约2、3年前从600人裁减到400人，此后员工规模一直稳定在400人左右；游戏业务后来已经出售，软件即服务公司 Adjust 则是“买下来但从未整合”。Foroughi 的工程原则是：“技术发展得非常快，你必须对手上的东西保持谦逊……必须扔掉现有架构、重新设计……可能每隔几年，甚至更快，就要重来一次。”
• Ge 所在组织几乎没有产品管理岗位，产品经理“可能不到几个”。背后的理念是，工程师应当足够理解业务问题，“自己写出架构……去解决甚至可能连业务团队都不知道存在的业务问题”。

3. Axon 2 有一部分是在12小时断网航班上完成的

• Ge 原本计划欧洲旅行后再入职，比最初日期晚2个月；Basil 说服他先工作“1周”。这1周让他彻底转变想法：他在假期里持续写代码，包括一趟飞往意大利的12小时航班。当时 ChatGPT-3.0 刚刚发布，但“绝对还不足以替你写代码”。飞机没有网络，他只能直接阅读库的源代码：“一个人被给予无限的时间……但我无法获得外部帮助。”
• 按 Ge 的叙述，一位意大利籍亲戚不断问他：“Giovanni，你还好吗？你是不是要丢掉工作了？”他回答：“不、不、不，我只是对自己做的事情非常投入。”等他返回时，Axon 2.0 的训练基础设施已经准备好，团队随即开始训练第一代模型。
• Ge 的反思是：所有人都在问他如何改变了 AppLovin，“但很少有人问 AppLovin 如何改变了我”。观察 Foroughi 和 Basil 的工作方式，让他重新理解了什么叫真正深入一线。

4. Axon 2 到底是什么：移除树模型，引入嵌入

• 旧版 Axon 1 把用户—商品组合聚类到一棵树中，包含“数十万条 if/else 分支”，无法建模那些会随时间、天气、促销和节假日变化的关系。Axon 2 通过可学习的嵌入表，将原本没有意义的 ID 编码为“具有语义意义的嵌入”，再输入深度神经网络，研究用户与商品之间的互动，并外推到“未见过的数据和未见过的用户—商品组合”。
• 更容易被低估的一点是，Axon 2 的运行成本也更低。神经网络由标准 GEMM（通用矩阵乘法）操作构成，而 GPU “针对这类计算做了高度优化”；选择树则“很难在 GPU 机器上优化”。准确率提升、基础设施成本下降，广告主回报也随之提高。

5. 闭环：60秒可玩广告与口红算术

• 这些不是横幅广告：用户会在可玩的迷你游戏中停留约60秒，其中约一半是用户主动选择、为获取游戏内奖励而观看的广告。每天看10条广告，约等于投入10分钟，“像一个由小游戏构成的广告网站”，每一次互动都能成为反馈数据点。关键在于，“对我们来说，单纯下载没有任何意义”；只有广告主数据证明用户持续活跃并产生收入，闭环才算完成。
• 这套商业模式起源于 Foroughi 承认的一项弱点：“我意识到自己并不擅长销售。”因此，与其建立销售团队，不如构建一个让广告主自行衡量利润、扩大投放的系统，让他们“急着和我们合作，而不是反过来”。这使平台聚焦于那些“你几乎从未听说过”、但拥有“规模非常大的损益表”的企业。
• Foroughi 用一支10美元口红解释为什么绩效指标能让工程问题变得清晰：口红成本5美元，留下5美元价差——“他们不可能花超过5美元来卖这支口红……工程团队，这就是我们的现状：要么做得好，要么做得差。”

6. 电商始于一张餐巾纸，也回应了游戏数据看空逻辑

• 分析师、投资者和其他跟踪这项业务的人一直质疑：“你们只有游戏数据，怎么可能做成？”Foroughi 的回答是：“另一边是10亿人，而不是10亿个只玩游戏、除此之外什么都不做的人。”他们借鉴 Facebook 的做法，开始给广告主网站埋像素；结果显示，休闲游戏用户略偏女性，年龄集中在30-50岁，其中很多人是家庭决策者。
• Ge 讲起这段起源时，Foroughi 也是第一次在这档播客上听到：Basil 和几位高管在拉斯维加斯参加 Google 会议时，用早餐餐巾纸画出了第一代电商数据流引擎；回到旧金山前，原型已经完成，并在几个月内与测试广告主上线。“即便模型非常不成熟，我们也能看到有人完成购买。ROAS 还不错，于是我们想，‘好，这事能成。’”
• Ge 将其概括为一条通用经验：有一支优秀的工程团队，“很多时候你不需要猜”，快速做出原型，让结果来结束争论。

7. Alpha 仍在创意端，而创意没有公式

• 在广告行业工作21年的 Foroughi 说：“我不知道有什么公式，能告诉你如何创作一条好广告……我们谁也无法真正预测消费者会回应什么。”核心是增加出手次数——“如果你每周做30条广告，其中可能有1条会有意思”——同时要有差异化概念，而且没有任何打法能跨品牌直接复制。
• 社交平台的 UGC 方法并不能直接迁移到 AppLovin。社交平台的注意力“非常容易分散”，只有3秒时间抓住用户；而 AppLovin 上 Solitaire/Mahjong 用户的“思维结构不同”，停留时间则有60秒。约18个月前进入电商业务、较早学会这种广告形式的广告主，“创造了 alpha……并以成功的指标做出了规模大得多的广告活动”；直接把社交创意整套搬过来的广告主则做不到。
• 生成式 AI 广告方面，短视频片段已经有效，但能产出一支30-60秒、品牌安全且“不会搞砸任何东西”的视频，技术还没到位。Ge 区分了两条产品路径：一条是完全自动化，这是 AppLovin 的目标，因为“我们要服务所有广告主”；另一条是人机协作工具，目前采用更广泛。至于收购 Higgsfield 这类工具，问题在于它面向的是网红，而不是 Wayfair 这样的品牌——“我们在市场上还没看到任何能解决这个问题的产品”，因此团队也必须自己开发。

8. 工程师要站在 AI 之上，并为 AI 辅助决策负责

• Ge 最具代表性的表述是：“我不希望工程师坐在 AI 旁边，我希望工程师站在 AI 之上。”随着 AI 的边界从修复语法、自动补全扩展到生成完整 PR，人类的职责也要转向 AI 仍然无法完成的部分，尤其是长周期规划。
• 现在还需要学写代码吗？Ge 的答案是：“此刻需要”，但“我不确定未来我的答案是否还会一样”。AI “经常仍会做出糟糕的编码决策”，不会写代码的工程师也就无法识别这些问题。公司对核心系统的规则是：“作为人类，你要为 AI 替你做出的每一个决定负责。‘我不知道，是 AI 做的’——这是不可接受的。”原型和临时仪表盘可以没那么稳健；核心基础设施则必须“绝对干净”。
• Foroughi 的补充是，AI 正在使代码商品化，因此 alpha 来自那些能“以特定方式引导 AI”的聪明人；广告创意也是同样的道理——“如果 AI 开始写所有广告创意，最终它们都会看起来一样”。

9. 为什么许多公司可能难以完成 AI 转型

• Foroughi 的直白估计是：“现在使用 AI 的人里，可能99%只是把它当搜索引擎用。”AI 原生创业公司没有这个问题；AppLovin 长期保持精简组织和很高的人才门槛，因此员工“理论上应该是 AI 原生的……如果不是，他们可能无法在这里生存”。但对那些有人因为想证明自身工作价值而“抵制 AI 使用”的传统组织，他认为“几乎不得不替换掉大多数人并重建文化……没有明确答案”。单纯把 token 预算拉满，只会产出“一堆垃圾”——“所有人都在为同样的东西向 Anthropic 和 OpenAI 付费。”
• Ge 对同一失败模式的判断是：AI 让构建产品变得容易，人们反而会执行“大量糟糕的决策和浪费资源、品味糟糕的想法”，抵消 AI 带来的好处。他的原话是：“AI 确实帮助我们解决问题，但它并没有改变我们必须解决的问题。”真正的差异化不在构建能力，而在“品味——知道该构建什么，以及什么时候不要构建的品味”。
• 对是否需要为 AI时代重建公司，Ge 不接受这个前提：“我其实不想重建……我们明确是在现有基础上继续构建。”工程师人数保持不变而业务持续增长，是因为增长“与 AI 的进步完全同步”；在 AI 辅助下，团队还能够攻克新一代模型，其能力将进一步超过 Axon 2。

10. 如果聊天机器人使用主要是搜索，其广告可能像搜索广告——AppLovin 的下一批流量入口是 CTV 和开放网络

• 这套框架很清楚：搜索位于漏斗下层，用户已经知道自己想买哪双鞋；AppLovin 做的是漏斗上层的发现式广告，类似 Instagram 上的逛街式浏览——“我们想启动漏斗，然后完成闭环”。如果99%的 AI 使用都是搜索，聊天机器人广告“可能会看起来、感觉起来都很像搜索广告”，而那已经是别人的优质生意。
• 在“3年、5年、10年”的时间周期上，研发方向包括联网电视和开放网络上的视频广告位；两者都可能成为发现式广告入口，也都比移动市场更加分散，不受双寡头控制，因为目前看，前沿模型实验室并不像要成为操作系统。

11. 1万亿美元的算术与回撤期打法

• 算法是这样的：EBITDA年化规模“超过70亿美元”，扣除 SBC 后约75%转化为现金；3年前的可比数字可能只有今天的1/20。若按一个可能较高的倍数计算，1万亿美元估值需要“每年超过300亿美元的现金流”。移动游戏 UA “规模不够大”，所以公司要进入消费和电商；再往后，通往1万亿美元的模板是：先主导一个产品，再“拓展到相邻品类并以极高水平执行”。公司没有成为超级云厂商的野心——“我们的资本开支并不多”。
• 这套应对92%回撤的打法，对今天股价遭重创的 SaaS 公司有直接参考价值：首先，将股权薪酬维持在固定美元金额；如果一家公司通常发行相当于股本2-3%的股份，而股价下跌90%，要维持相同的美元价值，可能需要约30%的稀释，“你永远不可能从这种稀释中恢复过来”。其次，完全跳过投资者关系活动——“我们在底部超过1年都没有做任何投资者关系……没人会买一个便宜到离谱的东西，他们想看到的是愿景”。最后，把公司赚到的每一美元、甚至更多资金投入回购：“我们要成为自己最好的投资者。”
• Foroughi 警告，企业级 SaaS 平台可能无法复制这套打法：它们“稳健但不是算法式增长”，在股价下跌时靠增加销售和市场团队来加速收入，反而可能形成“下行螺旋”。处于这种位置的公司，可能被私募股权收购，通过加杠杆重组后退市。

12. 没有兴奋感、低自我，以及 AppLovin 之后尚无计划

• Foroughi 对自身情绪状态的描述是：“我不会兴奋……一切都是苦干。”公司以300亿美元市值上市时，他没有庆祝，而是想：“天啊，我们得让这些人赚到钱。”Ge 也有类似感受——一种“不想让别人失望的欲望”，让他“很难按下暂停键，享受那个时刻”。Foroughi 的概括是：对能力极强的人来说，“没有哪个时刻足够好……代价是很难获得满足感”。
• 对奇点，Ge 的答案坦率而不确定：“有时我必须相信奇点时刻永远不会到来……作为人类，我必须捍卫人的价值。”Foroughi 则把问题拉回现实：世界上的大多数人并不生活在 Twitter 舆论场里——“人们其实喜欢购物……人类需要人与人之间的互动。”
• 招聘筛选看重智力与低自我：能接受反馈、主动反思和质疑自己；高绩效者恰恰可能因为身边没人质疑而变得脆弱。Foroughi 还会观察候选人面对逆境时的反应。至于 AppLovin 之后做什么，他说：“世界上没有多少人有幸与一群人一起，从0构建出一个超过1000亿美元的东西……我真的没法坐在那里思考这之后是什么。”