以是否引入价格机制为区分，市场设计理论主要包括拍卖理论与匹配理论。
大型拍卖中，有些是使用基于深度学习的出价，有些是人工最大化利润的出价；因此一场拍卖中可能会出现人和人的博弈以及人和AI的博弈以及AI和AI的博弈，是个很好的研究场景。
广告就是平台向人群传递信息，这种信息的主动传递有可能带来人群观点的极化或者一致。
信息流广告：个性化推荐用于广告，做到精准推荐、不断刷新、且没有展示位的限制。这是因为广告一方面是可以为用户带来信息价值的，另一方面此时个性化的广告不会影响用户体验。
传统推荐：以用户为中心；传统广告：从产品出发。包括拍卖在内的机制设计，考虑的都是一个已经存在的物品如何卖给参与者。但其实可以不局限卖物品，还可以卖人！这就是种草广告。可能未来还会出现，以用户为中心，定制广告，这样广告、推荐、生成式AI会结合得更加紧密。
品牌广告收入是TikTok的大头。广告主并不关心短期内投放广告挣了多少钱，而是关心品牌的影响力、追求的是长期效益。另外，因为广告主的投放方式是给一笔预算给平台，让平台帮忙花出去来提高品牌长期影响力，因此此时的广告主优化目标就不是利润最大化了（传统拍卖追求的），而是价值最大化。
价值最大化的意思就是我有一笔钱，我希望能买到最好的东西，我不在乎买了后我还剩多少。二价拍卖在买家利润最大化的时候是激励相容的（广告主说真话会带来最高收益），广义二价拍卖在买家价值最大化的时候是激励相容的。因此广义二价拍卖（GSP）广泛使用是有一定合理性的。
业界和学术界对于机制设计有着非常大的思维上的区别。主要体现在学术界追求算法或者机制的理论性（竞争比、无政府代价、均衡可计算性、算法复杂度、是否最优），但是业界追求可解释性（比如GSP就是方便向广告主解释，提出方案同行审批的时候要说明理论上获得的收益是出自哪个地方），
简单性（比如广告主何时出价、出价高低的pacing问题，实际上是一个在线算法问题（在线体现在不知道未来广告位贵还是便宜）。学界的做法primal-dual找到同步更新原变量和对偶变量的方式然后求竞争比，但业界求了对偶问题后，就拿PID来控制对偶变量进而调控出价，让其符合流量图。算法的关键是能用，易推广，易扩展），
维护广告主利益（广告投放不到量就赔付，紧急情况下手动满足广告主要求；但广告投放超量也不能多收广告主的钱），强烈启发式（各种hidden cost、出价按照前天的流量图、总之注意到哪儿有优化的点就上个算法试试效果）。
抖音广告平台在实践中发现，大规模的基于PID算法的广告出价快速且容易达到均衡，但背后的均衡原理和速率应该还不清楚。
Paper Collection of Real-Time Bidding
LLM for Ads：广告领域的scaling law可以从广告素材的角度来考虑：1. 对于现有广告素材，如何增加ctr？那就要拿更好的模型来对用户和广告素材进行理解。用户方面，可以将用户的行为数据（点击、下单、购买）用于大模型预训练，相当于加了更多不一样的数据（用户行为模态），模型性能会更好，这算广告预训练大模型中独特的scaling law；广告素材方面，直接用多模态理解大模型即可。
2. 产生新的广告素材，这个基本是生成式AI和种草广告结合，可以为品牌方定制广告，也可以为用户定制广告。预期效果是不会引起用户反感（毕竟生成了用户感兴趣的内容），又能增加广告收入。