今年上半年，央视市场研究（CTR）发布《2025中国广告主营销趋势调查报告》，指出“超过50%的广告主，已经在生成创意内容时使用AIGC（AI-Generated Content，人工智能生成内容），并且AI营销内容占比超过10%。”
这意味着什么？按照国家市场监管总局最新的统计数据，我国广告产业在2024年的总产值已超过1.5万亿元，超过50%的广告主愿意使用AI工具，其带来的经济和市场价值，不言而喻。
但把时针往回拨动，在更早一些的2021年，当国内广告主还未对AIGC有认知，甚至对几乎占据AIGC一半市场的短视频营销都未能有清晰想象的时候，部分“有识之士”却已经对AI技术有了前置观察，并充分洞察了其在营销场景的潜能。
创业前跟100个
企业一号位聊了聊
“以后所有的公司都是AI公司，就像现在所有公司都是数字化公司一样，AI会成为底座。”
杭州奥创光年互联网科技有限责任公司（以下简称“奥创光年”）联合创始人杨海早前在谈及创办奥创光年的原因时， 曾对媒体公开表示对AI大潮前景的看好，“我觉得这是未来10年的大风口，虽然2022年才因为ChatGPT被广泛关注到，但我们之前就在观察AI的发展情况。”
成立于2021年的奥创光年，是国内首家专注于短视频市场的AI Native智能营销服务商，自成立以来一直探索前沿AIGC技术，并推动其与各行各业应用场景的落地融合。
为什么会选择从营销场景切入AIGC赛道进行创业？一部分依赖于杨海在营销行业20年经验的判断：营销行业“离钱很近”，具备商业化场景。
另一部分则来源他和另一位联合创始人徐哲的共同洞察——随着抖音等短视频平台的崛起，基于短视频内容的营销表现已经超过预期，但随着愈加卷情节丰富和画面精美，短视频营销内容的制作成本也将日渐攀高。
行业的反馈也验证了这一点。
在正式创立奥创光年之前，两人先后调研了差不多100家企业的一号位，“我们发现，虽然市面上的企业管理层对短视频营销等方面只是有模糊的观点，也并不明确自己到底想要什么，但几乎无一例外都觉得这是未来一定要去布局的东西。”
说干就干，杨海负责把握市场的商业脉搏，徐哲则聚焦打磨产品的技术能力。
截至目前，奥创光年已经面向企业级市场推出SaGa视频内容生成模型及Mogic Content AI Studio（CAS）全链路营销平台等产品，可为企业客户提供从内容洞察（CAD）、营销决策、内容生成（CMP）、智能投流到内容管理（DAM）的AI全链路营销解决方案。
千万级
数据处理需求成难点
区别于传统广告/媒体机构的视频内容生产模式，奥创光年推出的Mogic平台强调的是AI+HI，即人工智能（Artificial Intelligence）与人类智能（Human Intelligence）的结合与互补。
在企业的实际应用过程中，Mogic平台首先能通过自研工具与算法，通过算法专家团队叠加 AI 24小时全天候的大数据学习，挖掘当前社交平台爆火的视频内容特征和趋势，同时通过指标预测算法针对竞品完成市场分析。
在此基础上，Mogic还能为企业提供策洞察——除按行业匹配的策略专家团队外，基于AI能力运用还可以精准判断业务现状以此完成企业GMV目标拆解，并找准核心转化人群输出破局策略，并持续挖掘对应场景下的爆款视频生产公式/补齐缺口场景内容。
最后，在内容生产环节，Mogic可根据内容策略自动生产出成片，再交由人工审核，在这个环节，奥创光年拥有200+的交付专家团队，可随时根据企业需求无上限调整产能，同时还可按天数数据复盘迭代内容共识，不断完成批量视频内容生产的调优。
层层递进，帮助企业（品牌）告别过去强依赖人工的作坊式短视频生产链路，打破品牌营销的增长瓶颈。
然而，产业革新除了要面临市场从“旧”到“新”的观念转变挑战外，在技术本身也面临多重挑战，海量数据的高效治理就是其中之一。
由于业务迅速发展，奥创光年的日增量数据已达百万条级别，此外交互式任务数据和向量化检索数据各达千万级别，在这种数据量级的压力下，奥创光年亟需一个可实现数据统一管理的内容处理平台，同时还要兼顾算力的灵活利用，以及整个平台的高效运维。
如果按照数据处理链路来划分，可以将这个内容处理平台理解为贯穿了“数据存储”、“推理标注+数据预处理”、“数据湖管理”，已经最终可在业务层被使用的“数据分析和挖掘”四个阶段。
对奥创光年来说，难点主要题集中在第二阶段的“推理标注+数据预处理”和第三阶段的“数据湖管理”。
其中，第二阶段“推理标注+数据预处理”的难点又可以拆分为三方面：
首先，是在 加快任务开发进度，减少代码故障，实现高效代码协作与迭代 方面。
由于视频业务场景共用单一代码仓库，功能模块之间存在高度耦合性，研发人员需全面掌握整体架构才可实现功能迭代，技术门槛高，导致开发周期延长，同时多人协作还易引发代码冲突，模块间相互影响，故障风险显著；而当出现故障时，又会因为代码结构复杂，需要耗费大量人力精力理解架构系统，导致排查效率低下。
其次，是 任务运行效率 方面。原先的架构采用传统单机 Python 脚本开发任务，缺少分布式技术框架，也难以自建与运维，分类标签任务耗时长达十几个小时以上，严重阻碍后续业务数据分析/挖掘的进展；
另一方面，自建的集群无法在短时间内实现扩展，当遇到特殊情况时难以保障引擎稳定运行，无法满足大规模数据处理需求。
最后，是在 升级改造和集成新技术 方面。业务的不断拓展及新业态的发展正在倒逼数据底座需要不断吸纳行业最新技术为我所用，奥创光年原有的技术框架单一且复杂，如果需要基于新技术进行深度改造，势必将投入大量开发成本，且技术整合/升级/迭代周期较长，隐形成本一升再升；
此外，早前业务迭代多依赖人力手动投入，在业务扩张期难以兼顾新技术探索与运行验证，影响核心业务稳定运行，同时试错成本高，制约创新业务快速落地。
而在第三阶段的“数据湖管理”，难点就相对聚焦，早先的架构中由于技术栈多、数据链路繁杂，导致数据流转效率受限，映射到业务视角，即 系统维护成本高 ，以及 系统稳定性变差 。
带着这些问题，奥创光年找到了火山引擎，并基于火山引擎提供的多模态数据湖解决方案展开合作和探索。
火山引擎多模态数据湖解决方案
一站式攻坚
火山引擎多模态数据湖解决方案，是火山引擎在2025年推出的一套全新解决方案，旨在为企业构建高效开发、高性能、低成本的多模态数据湖，并为其提供可视化、灵活的工作流编排能力，同时还支持算法的灵活复用和新业务场景搭建。
奥创光年聚焦面临的两个阶段难题，与火山引擎多模态数据湖解决方案团队厘清最终诉求、剖析阶段性卡点，最终决定从重构研发体系、采取分布式计算框架以及开放技术生态三方面进行升级。
第一步，是构建工程化、智能化的研发体系。
通过原子化封装业务功能，将复杂系统拆解为独立、可复用的功能模块，开发人员无需深入理解整体架构，即可快速定位所需模块并进行迭代更新；
同时，多模态数据湖解决方案还提供了提供端到端的业务流程编排能力，支持实时监控各节点运行状态、资源占用、执行日志等关键信息。
这两项升级意味着，开发人员无需再深入理解架构，即可快速定位所需模块并进行迭代更新，数据显示开发效率可提升 50% 以上；
当出现异常告警时，运维人员也无需再手动排查异常点，转而通过可视化界面即能及时洞察，再结合智能日志分析工具，一套组合拳下来问题排查平均耗时能缩短60%。
此外，新的研发体系还支持支持自定义监控指标（如任务执行时长、资源消耗、数据吞吐量等），并集成多通道告警，异常事件可在1分钟内触发告警，确保团队快速响应，故障事件恢复时间缩短 80%。
第二步，是分布式计算框架应用。
基于火山引擎多模态数据湖解决方案提供的分布式计算最佳实践模板，奥创光年只需调整少量代码，便将单机任务迁移至 Spark/Ray 等分布式引擎上，针对潜在的大规模数据处理需求，也能轻松实现扩展应对；
另一方面，鉴于平台自动管理分布式集群的资源调度、故障恢复、弹性扩缩容，还能保障任务稳定运行。
第三步，是开放技术生态，实现对外部创新能力的灵活集成。
火山引擎多模态数据湖解决方案支持自定义 Docker 镜像快速部署开源模型（如LLM、CV算法），并提供标准化接口与平台算子编排；
同时，其中的 AI 数据湖服务（以下简称“LAS平台”）提供多达 100+ 个预置的 AI 算子，可覆盖用户图像（目标检测、OCR、内容生成）、视频（内容理解、视频编辑）、音频（语音识别）等场景，业务团队基于现有能力可快速验证新场景可行性，从而缩短产品上线周期。
最后一步，是通过统一技术栈，降低开发与运维难度，提升数据处理效率。
目前，奥创光年基于火山引擎多模态数据湖解决方案的能力已经完成全新的内容处理平台打造，并在此基础上不断拓展业务边界，比如积极开展图片领域的探索，不断丰富企业在不同媒介投放上的内容选择。
而回归到擅长的短视频AIGC领域，奥创光年始终占据领先地位。
在实践效果上，今年618期间奥创光年为某国货品牌完成基于行业爆款特征输出的AI批量混剪视频，数据显示，这一批视频跑出率稳定在10%左右，在1个月的时间内广告消耗占比提升256%，最终助力该品牌在618大促中实现GMV同比增长超过20%。
🔥火热报名中
2025年12月18日 15:00–16:35
📍上海世博中心
邀请您共同探讨AI时代的数据新范式
见证从新基建、新能源
到新生力的演进路径
📱扫码下方二维码，立即报名