苹果Apple Pay移动支付系统已于当地时间本周二登陆英国,不过,想要说服消费者放弃他们的信用卡和现金,苹果要走的路或许还很长。
通过Apple Pay移动支付系统,iPhone 6、iPhone 6 Plus和Apple Watch用户都可以在支持非接触式支付的商店内支付款项。此外,iPhone 6、iPhone 6 Plus、iPad Air 2和iPad mini 3拥有者还可以通过Apple Pay在应用内完成在线支付。
对消费者而言,Apple Pay的安全性是它的一大卖点:当用户向Apple Pay系统内添加银行卡或信用卡时,苹果并不会将该信息存储在用户设备中,相反,该系统会将一个唯一“设备帐号”以加密的形式分配并储存在用户的手机中。用户在支付时,需要通过一个一次性安全代码和Touch ID指纹触摸识别双重认证才能完成交易。
不过,基于几点原因,尽管Apple Pay的安全性很高,但它在英国的推出还是有些低调缓慢。
首先,并非所有银行都支持该系统。虽然美信银行(MBNA)、Nationwide、NatWest、苏格兰皇家银行、桑坦德银行和阿尔斯特银行都支持并正在提供这项服务,但其他银行如First direct、Halifax、汇丰银行(HSBC)、劳埃德银行 ( Lloyds )、马莎银行(M&S Bank)和信托储蓄银行(TSB)均为“即将”支持该服务。英国最大的银行之一巴克莱银行(Barclays)也表示,“未来”它将提供Apple Pay服务。
其次,在Apple Pay推出初期,由于该软件主要应用于大多数商店的非接触式终端,其主要交易金额将限制在20英镑以内。不过Visa表示,到今年年底,预计有五分之四左右的非接触式终端都将支持Apple Pay用户支付任意数额的款项,但是至今为止,在包括苹果、Boots、玛莎百货、Pret a Manger和汉堡包大王(Burger King)等在内的零售店中,消费较高者也只能在交易限额内使用Apple Pay支付货款。
非接触式支付依旧是一个利基市场:据万事达卡(MasterCard)的一项调查显示,只有四分之一的英国消费者表示他们打算明年通过其手机进行非接触式支付。然而,据Visa Europe的研究显示,在iOS用户中,有60%的人希望采用移动支付。
目前移动支付服务还处于初期阶段,谷歌即将发布的类似服务Android Pay也在尝试打开这一市场。事实上,在过去的五年间,各种版本的非接触式支付技术已各显其能,只是推广有限。如今,我们已攻克技术方面的难题,现在的问题是,各大供应商用什么理由来说服零售商们支持移动支付服务:它能够提高人均消费?还是能提高客户的忠诚度?亦或是它有助于他们更快结账?
调研公司Forrester表示,Apple Pay对零售商的需求要超过零售商对Apple Pay的需求,而且可以说,如今Apple Pay对消费者的需求也超过了他们对它的需要。分析师说道:“消费者想要的是一种更好的购物体验,而不是更好的支付系统。”
Forrester表示,苹果公司需要与英国消费者构建信任关系:根据该公司的数据显示,若选择手机钱包,相较于苹果,iOS用户对银行、信用卡机构、亚马逊、PayPal等更为信任。
长远来看,这些非接触式支付服务将成为各大科技公司争夺的一个新阵地。它们能够轻松地发展成为全面的金融服务(如在设备之间转账等),而这正是为何一些银行目前依旧对于提供这些移动支付服务持谨慎态度的原因。
虽然支付能力是这些移动支付系统的核心所在,但这仅仅是其起点。苹果对其移动支付服务便有着更加深远的愿景:例如,苹果很快将会在Apple Pay中加入积分服务,进一步打造一个更为充实的手机钱包。
随着越来越多的功能被添加到这些支付系统,它们很可能将更富吸引力。不过,移动支付系统目前面临的最大挑战在于如何解释这个问题:既然信用卡或现金都不需要担心电池耗尽的问题,人们为何还要选择使用智能手机支付呢?
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。