以命运的编织者命名
在北欧神话中，三位诺伦女神坐在世界树尤克特拉希尔的树根下。乌尔德、薇儿丹蒂和诗蔻蒂。她们编织每一个世界的命运，神与人皆然。
我们选择这个名字，因为预测是同一门手艺。仔细读懂已经发生的事。密切关注正在发生的事。然后，未来就不再是猜测。
乌尔德
已经发生的事
每一条成功的帖子，以及每一条失败的帖子。Norn 从跨行业、跨平台、跨形式的表现历史中学习。
薇儿丹蒂
正在发生的事
趋势、对话与崛起中的形式。Norn 读懂正在展开的当下，让一个想法落在属于它的时刻。
诗蔻蒂
接下来会发生的事
预测本身。你的受众最可能回应的那个想法，在你开口之前就已送到。
基于四种信号训练
大多数模型被训练来生成。Norn 被训练来预测。四种信号让模型的每一条建议都扎根于观察到的人类行为。
社交表现
实际发生了什么。跨平台、跨行业、跨形式的互动数据，让每一次预测都建立在真实结果之上，而不是观点之上。
Berger & Milkman 2012 · Khosla et al. 2014
阅读研究接受率
人们留下了什么。用户接受、编辑或拒绝的每一条建议，都在教 Norn 什么是好想法。我们称之为品味，并已发表相关研究。
Hu et al. 2008 · Christiano et al. 2017
阅读研究对这个品牌
俄亥俄州一位弄臣型水管工
新账号，声音鲜明。原型与时机主导判断。
- 品牌原型38%
- 社交表现16%
- 趋势数据30%
- 接受率16%
从情境到想法
Norn 位于世界与生成内容的模型之间。模型不制作视频。它决定视频应该是什么。
情境输入
- 你的网站
- 品牌原型
- 社交表现
- 趋势数据
Norn
预测
一个生成模型
- 文本模型
- 图像模型
- 视频模型
这个想法会化为精确的指令，交给最擅长呈现它的模型。
内容
- 视频
- 图像
- 文本
- 1
情境输入
你的网站、你的原型、公开数据，以及我们能收集到的其他相关信息。Norn 从你是谁、你在哪里开始。
- 2
Norn 预测
模型让四种信号相互权衡，预测出你的受众最可能回应的想法。
- 3
输出一个想法
想法以精确情境的形式离开 Norn，交给最擅长实现它的模型，比如 ChatGPT、Claude 或 Grok。文本、图像或视频。媒介会变。想法不变。
Norn 负责预测。其余的交给 Native。
预测只有在你无需思考就能执行时才有用。Native 是围绕这个模型的系统。它把 Norn 的想法变成一条完成的帖子，并放进任何人都能使用的界面里。
你看到的是完成的建议，不是设置项。喜欢就通过。制作、排期、发布和回复都由 Native 处理。
由 Norn 建议
水管冻裂可不管今天是不是星期天。我们管。当天修好，绝不啰嗦。
一个实例
俄亥俄州的一位水管工
一位水管工从俄亥俄州登录 Native。品牌原型是弄臣。
Norn 不会随手拿出一条通用的水管工帖子。模型预测的是这位水管工应该如何与自己的受众说话。家政服务行业的弄臣可以开到什么程度的玩笑。哪些玩笑能传达关于信任与手艺的讯息。俄亥俄州的人们在一年中的这个时候会回应什么。
返回的还不是内容。那是一个预测：这个具体品牌今天能做的最佳动作。剩下的交给 Native。
实时预测 · 示意
一条冻管抢修的前后对比短片，配一句关于周日急修的冷面吐槽。周四 18:00 发布。
这是想法，还不是内容。剩下的交给 Native。
立足于已发表的研究
Norn 不是押注于直觉。模型的每一个部分都遵循一条经同行评审的研究脉络，从原型心理学到从人类选择中学习品味。以下是我们所依据研究的一部分。
+40%
当讯息契合读者心理时，点击量的提升幅度
Matz et al. 2017, PNAS
+50%
心理契合的广告带来的购买量提升幅度
Matz et al. 2017, PNAS
2.3M
用于证明热度可在发布前预测的图片数量
Khosla et al. 2014, WWW
<1%
模型学会「什么算好」所需的人类反馈互动占比
Christiano et al. 2017, NeurIPS
这些是该领域已发表的成果，不是 Norn 自己的数据。模型的基准会随模型一同到来，我们会在这里公布。
预测行为
- Kosinski, Stillwell & Graepel (2013). Private traits and attributes are predictable from digital records of human behavior. PNAS, 110(15).
普通的数字痕迹就足以预测一个人是谁。行为远比我们感觉的更可预测。
- Matz, Kosinski, Nave & Stillwell (2017). Psychological targeting as an effective approach to digital mass persuasion. PNAS, 114(48).
在覆盖 350 万人的实地实验中，契合个人心理的讯息表现最多提升 40%。
原型
- Jung (1959). The Archetypes and the Collective Unconscious. Collected Works vol. 9.1, Princeton University Press.
原型古老而共通。无需别人告知，人们自然认得出弄臣或贤者。
- Aaker (1997). Dimensions of Brand Personality. Journal of Marketing Research, 34(3).
品牌个性是可以测量的。消费者沿着稳定、可检验的维度解读品牌。
- Mark & Pearson (2001). The Hero and the Outlaw. McGraw-Hill.
强大的品牌坚守一个原型，并一直坚守下去。这正是 Norn 为每个品牌学习的方法论。
- Malär, Krohmer, Hoyer & Nyffenegger (2011). Emotional Brand Attachment and Brand Personality. Journal of Marketing, 75(4).
当品牌个性契合受众的真实自我时，情感依恋会增强。契合度才是那根杠杆。
表现
- Berger & Milkman (2012). What Makes Online Content Viral? Journal of Marketing Research, 49(2).
高唤醒度的情绪能够传播。什么会被分享是有规律的，而规律是可以学习的。
- Khosla, Das Sarma & Hamid (2014). What Makes an Image Popular? WWW ’14.
在发布任何内容之前，就能从内容特征预测出热度。
时机
- Choi & Varian (2012). Predicting the Present with Google Trends. Economic Record, 88(s1).
搜索数据比官方数字更早读出当下。时机是可以测量的。
- Asur & Huberman (2010). Predicting the Future with Social Media. IEEE/WIC/ACM WI-IAT.
在预测票房上，社交讨论量胜过市场专家。注意力预示着结果。
品味
- Bourdieu (1984). Distinction: A Social Critique of the Judgement of Taste. Harvard University Press.
品味不是随机的。它有结构、有社会性，因此是可以学习的。
- Hu, Koren & Volinsky (2008). Collaborative Filtering for Implicit Feedback Datasets. IEEE ICDM.
人们做了什么、留下什么、跳过什么，比他们说的更能揭示偏好。
- Christiano, Leike, Brown, Martic, Legg & Amodei (2017). Deep Reinforcement Learning from Human Preferences. NeurIPS 30.
模型可以从人类在两个选项之间的简单选择中学会什么算好。接受与拒绝就已足够。
做营销这件事的终结
营销是应用心理学。我们的愿景是预测人类行为，因为这正是优秀营销人真正在做的事。他们在动手之前就知道什么会奏效。
我们构建 Norn，是为了让这个判断比任何其他模型都更准，并在将来胜过人类直觉。模型基于真实行为训练，目标是知道对世界上任何一位水管工、面包师或创业者来说，什么才是好想法。
使命很简单。你再也不用做营销。Norn 负责预测。Native 负责生产。你专心经营自己的业务。
Norn 由 Native 在奥斯陆自主研究与开发。它尚未上线。本页描述的是我们正在构建中的模型。