
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
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。