科技行者 12月20日 潮州消息(文/孙封蕾): 2018年12月18日,庆祝改革开放40周年大会上,人民大会堂台上的每个杯子,都来自一家位于广东潮州的叫做松发陶瓷的工厂,这家工厂因为生产人民大会堂国宴餐具和人民大会堂专用的“胜利杯”,也被称作“现代官窑”。
这家公司,还有一个爆款,那就是在拼多多上19.9元包邮的“三只装陶瓷保鲜碗”。同样在12月18日,庆祝改革开放40周年大会的当天,松发陶瓷正式加入了拼多多“新品牌计划”,以“居图”的副品牌,主打平价高质,通过拼多多来普及大众市场。
“新品牌计划”就是由拼多多发起的聚焦中国中小微制造企业成长的系统性平台。通过“新品牌计划”,拼多多将扶持1000家覆盖各行业的工厂品牌,帮助他们更有效触达3.855亿消费者市场,以最低成本培育品牌。
具体而言,“新品牌计划”将通过三大举措,来实现品牌培育的过程。
首先,打通生产端与需求端之间的信息流,令产品设计、生产、制造全流程可视化,令平价高质看得见,让消费者所见即所得。其次,全程监督品牌主,工厂将上传原料采购记录、检测报告、生产日志等信息,同步至拼多多数据系统进行备案,以实现商品的全链路追溯,确保产品品质。同时,对品牌进行流量与大数据扶持。针对“新品牌计划”的1000家工厂,拼多多将提供大数据、专家诊断、研发建议等扶持,并在合适的条件下,倾斜流量资源以支持工厂发展。
随着“新品牌计划”一期工程正式启动,拼多多将试点20家工厂。到2019年,拼多多将重点扶持100家工厂,覆盖中国主要产业带,以及平台爆款商品类目;未来,随着C2M战略深入,拼多多将扶持1000家工厂,平台所有商品类目均会涉及。
在“新品牌计划”中,拼多多将重点扶持以代工、外销为主的工厂和企业,帮助其拥抱内需大市场。
松发正是符合拼多多“新品牌计划”的品牌主。松发陶瓷去年出口销售额为4.41亿元,中国市场销售额为1.27亿元,出口比重高达78%。
得知“新品牌计划”的第一时间,松发便主动报名参加。“现在要做好天猫我觉得压力很大,做好京东压力很大,所以我们现在在寻找一个新的机会,拼多多这个计划以及现在拼多多的这种方式非常适合我们。”
应“可视化平台”的要求,松发主动加入生产线直播功能,向消费者透明展示产品制造流程。
图1:消费者在拼多多APP内搜索“拼工厂”,即可找到“新品牌计划”试点工厂,实时观看生产流程
我们就是要告诉广大消费者,内销出口同线同质,便宜有好货。外贸转内销,产品是最好的品牌认知。过去,我们都是盯着北上广深来做,现在下沉到三四线城市,大众化消费品有着巨大空间。同款出口产品,英美市场零售19英镑,压缩供应链后实现19.9元包邮,薄利多销。
同样,可视化平台也是“新品牌计划”产品端的重要一环,即通过直播技术打通生产端与需求端之间的信息流,令产品设计、生产、制造全流程可视化。
“通过可视化平台技术,拼多多将构建新的‘信任机制’。消费者可以更了解产品,更了解中国制造。”拼多多联合创始人达达表示:“对于所有加入‘新品牌计划’的工厂,拼多多都将提供技术支持,让更多‘神秘’的生产线像面包店一样清晰透明。我们内部将之称为‘鹰眼计划’,平台和消费者可以像‘鹰眼’一样,一键监督,所见即所得。”
从注浆、修胚、上水,到定型、素烧、上釉、烤花,每一件松发瓷器,都要经21道工序,过9位陶瓷工艺师之手,再由1300余度的窑炉高温烧制,最终方能问世,整个过程要历时三到四天。这个过程,也是松发展示自己品质的一种手段,让消费者知道“居图”的产品都是值得信赖的产品。
图2:爆款的背后,是21道工序和9位陶瓷工艺师的精雕细琢
谈到如何将19英镑的产品做到19.9包邮,卢少鑫介绍,日用陶瓷分淡季和旺季,拼多多稳定的订单,有效撑起了工厂淡季的产能,使得工厂整体的成本进一步摊销。以前一条窑烧3万只陶瓷,里面会有不同品类、不同大小的产品,降低了空间利用率,容易出现落渣、黑点、变形等问题。但现在一条窑可以只烧1个产品,产能利用率至少提升30%以上,良品率也大幅提升。供应链管理提升,规模化生产和边际成本下降,就可以生产出爆款。
图3:松发的自动化生产设备
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。