1月23日外卖超人CEO刘凯先生出席了中国第十一届营销领袖年会,在年会中发表了主题为M2M时代的演讲,首次提出移动互联网M2M模式,阐述了M2M新模式的含义和意义,以及与O2O模式的差别。M2M模式一提出便轰动全场,新模式新理念颠覆了以往很多关于O2O行业和模式的认识,M2M模式或是移动互联网发展的未来。
(中国第十一届营销领袖年会 外卖超人CEO 刘凯(Lucas Englehardt))
M2M时代
M2M,Mobile to Mobile,指用户通过手机移动端获取商家在手机移动端提供的服务,用户在移动端进行消费、支付和社交,商家在移动端完成经营、收费和管理。M2M新模式的核心就是未来商家、企业对大众提供私人订制且移动的服务。刘凯在演讲中表示M2M是一种更注重服务的新模式。“产品容易通过互联网获得,而很多服务在网上不容易获取。对于产品,用户更在意价格,而对于服务,其实更重要的是价值和品质,尤其是可定制的服务。”
他表示,随着中国经济的快速发展,人们对服务的要求越来越高,现在最火的O2O模式已经不能满足人们日益增长的需求了,大部分O2O企业仍以低价、折扣等价格优惠的方式来吸引用户、留住用户,这依旧是一种把服务当产品一样售卖的思维模式,而真正的服务要求的是品质,品质是不容打折的,是由人去提供的,与规模化生产出来的产品不同,要求更高,是可以任何时间、任何地点、任何产品和服务都可以依照用户需求来定制满足的。如此就需要一种新模式的诞生,那就是M2M模式。
关于M2M模式,刘凯讲了两个案例。理发服务的获取,目前受到很多限制,比如时间和地点,人们必须选择一个自己较空闲的时间去理发店才能获取该服务,而未来M2M模式下,人们可以在家中通过移动端获取理发服务,商家在移动端接收到该业务,派专业理发师上门完成服务。打车软件也已经逐渐由O2O模式向M2M模式发展,专车、拼车、家用闲置车租给有需求的人,这些业务正是由于人们对打车服务的需求越来越高而演变和产生的。
M2M下的I模型
刘凯在演讲中还提出一个新模型概念,它是支撑M2M模式的重要框架,即I模型。此模型是T模型的衍生和发展,T模型比较常见于当前O2O企业中,横为平台,竖为业务,而I模型下面多出来的一横是“商家和服务”,I模型更注重和商家的合作以及商家的利益,也更注重平台服务和商家服务。突出服务的重要性,这是M2M模式下必定会发生的。
(中国第十一届营销领袖年会 外卖超人CEO 刘凯(Lucas Englehardt))
刘凯表示团购就是一种典型的不利于商家的模式,它的模型结构也是典型的T型,没有注重“商家和服务”这一环。相关数据显示70%的用户是到店后购买团购的,所以团购并不是商家的营销方式,而是让利模式,商家赔本赚吆喝。
餐饮M2M模式
餐饮行业未来的发展也会M2M模式化,比如,当用户不想叫外卖,也不想去餐厅吃饭,可以在移动端预定专业大厨到家中来做一顿美味的大餐,也可以租用别人闲置的家中、花园顶楼享受大厨上门服务。这种餐饮服务需求更高,是目前O2O模式所覆盖不了的。
餐饮M2M模式下的I模型,平台与商家之间的关系更为融洽,为商家提供更好的服务支持,带去更多的利益。商家与用户、平台与用户、平台与商家,这三者之间由服务支撑和联系。
外卖超人目前提供网上订餐服务,用户使用移动端进行点餐,商家配送,用户拿到外卖,即获取到订餐服务。现在外卖超人的I模型已经架构,但让用户随时随地获取到想要的任何订餐服务,这一阶段还没有达成,还不是M2M模式,未来会注重建设这一模式。
随着社会发展进程加快,人们的物质生活水平提高,M2M模式的应用将更加普及。刘凯表示兴许几年、十几年之后,M2M模式会涉及移动互联网的各行各业,包括医疗、健身、餐饮、美容、美发、美甲、服装、家政等,那时,人们愿意付出更高的成本获取服务,商家提供货的服务的价值与品质更高,整个社会对于服务将会有一番新认识。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。