CNET科技資訊網 7月28日 北京消息:“零售和科技之間的化學反應才能催生新零售,這意味,所有零售商要跟科技公司結合才能擁抱這個快速變化的數(shù)字創(chuàng)新時代。”7月27日,阿里巴巴集團CEO張勇在上海出席銀泰三位一體大會時表示,零售企業(yè)和零售企業(yè)的同緯度合作,很難疊加出適應數(shù)字時代的新的商業(yè)形態(tài)。
張勇指出,新零售的本質是用大數(shù)據(jù)重構“人貨場”等商業(yè)要素。“人貨場”的數(shù)字化只是第一步,第二步將全面重構品牌、消費者乃至企業(yè)內部的生產關系。
在張勇看來,線上零售企業(yè)如果只把貨放到線上去賣,那還是傳統(tǒng)零售商,品牌和消費者之間仍然存在一堵高墻。只有通過與掌握互聯(lián)網、大數(shù)據(jù)等技術的科技公司結合,零售業(yè)才能擁抱這個快速變化的數(shù)字創(chuàng)新時代。
當天,阿里巴巴集團市值首次突破4000億美元,越來越多的國際投資機構意識到“科技與零售”結合之后,天貓新零售戰(zhàn)略所蘊含的巨大價值和潛力。
(圖說:2016年天貓雙11以總成交額1207億元創(chuàng)下商業(yè)史上的新紀錄,阿里巴巴集團CEO張勇表示,這是新零售的起點)
新零售的基礎是數(shù)字化。張勇以新近完成私有化的銀泰為例。過去兩年,銀泰首先從“人貨場”中的“人”切入,完成了數(shù)字化會員累積,使得對這些客戶可觸達,可識別,可運營。銀泰目前正在進行貨品的數(shù)字化,只有通過對貨的洞察,進行人貨的適合匹配,才能讓整個經營效率獲得提升。而銀泰最終要完成的是,是對整個商業(yè)場景的數(shù)字化重構。
“最近盒馬鮮生橫空出世,靠的是頂層設計,構建了全新的人貨場。”張勇以新零售“網紅”盒馬與銀泰比較,前者是無中生有,平地起高樓,才順利完成了人貨場的數(shù)字化重構。后者因為有太多存量,類似舊城改造。
在這場與銀泰商家面對面的大會上,張勇也透露了私有化銀泰的另一個重要意義,即重構適應新零售的生產關系,包括重構品牌和消費者關系,重構企業(yè)與企業(yè)之間的關系,重構企業(yè)內部的關系。這也決定了,單純把零售商搬到網上的路一定走不通。
私有化銀泰,讓天貓與銀泰線上線下合二為一;品牌內部也將完成合二為一,已經有很多電子商務部門升級為數(shù)字運營部門,成為整個品牌公司的橫向部門。這也是零售業(yè)與科技公司的完美結合全面擁抱新零售的基礎。最終的目的是讓消費者在線上線下獲得無差別的體驗。
“阿里巴巴不是零售商,也不只是一家科技公司。”張勇認為,阿里巴巴通過提供從商業(yè)場景、支付、金融、云計算、大數(shù)據(jù)、物流各個環(huán)節(jié)的商業(yè)基礎設施,致力于讓每一個零售商能夠更好地服務消費者。
今年7月,阿里巴巴宣布成立“五新執(zhí)行委員會”,由CEO張勇出任委員會主席,領軍阿里生態(tài)內全部力量建設“五新”,并提出以Made inInternet助力對于當下中國經濟至關重要的供給側改革。張勇表示,在新零售的戰(zhàn)略下,不斷完善并提升基礎設施的服務能力、推動產業(yè)穩(wěn)步升級,是天貓的責任和義務;建設開放、共享的基礎設施,將之蘊含的能力和潛力向所有新零售的參與者開放,是天貓的使命所系;而共同營造公平、透明的良性市場環(huán)境,促進市場的穩(wěn)定繁榮,則是天貓所追求的最終目標。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術通過融合多幀圖像的"圖結構"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術利用圖像間的不變幾何關系,結合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構聯(lián)合提出SparseLoRA技術,通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。