实体商业正在以前所未有的速度互联网化。引领这股潮流的并非只有那些一直处在舆论风口的明星科技公司,还有长期深耕实体商业的“传统巨头”。坐拥深厚的产业资源,当后者已学会互联网的玩法,它们的涉足往往能够撼动整个产业。
成立仅仅不到一年的万达网络科技集团如今正扮演着这样一个开创者、撼动者的角色。它背靠万达甚至整个实体产业,肩负着为中国实体商业科技化数字化转型谋求出路的使命。8月30日,在2017年上海国际商业年会上,万达网络科技集团发布“蓝海”实体商业数字化开放平台,“蓝海”是科技企业眼中的实体操作系统,是实体商业眼中的app store。
蓝海项目负责人表示:“万达多年来已经在人、货、场方面铺取得了丰富的成果,但这对整个实体商业的全面效率提升和转型发展来讲,还远远不够。我们需要聚集全社会的力量,共同为实体商业转型提供各种各样的解决方案。搭建蓝海平台、汇聚更多企业来共同服务实体商业,就成为行业迫切的需求,蓝海平台应运而生。”
新商业科技解决方案涵盖客流解决方案、互动营销解决方案、ERP解决方案、智能硬件解决方案、统一收银解决方案、数据解决方案、餐饮解决方案等实体商业业务全流程所需的软硬件整合解决方案。
作为聚合全球科技企业的开放平台,蓝海提供应用市场、API市场、硬件市场,以及接入实体门店经营所需的各类管理工具、开放实体商业数字化科技企业所需的各种服务接口。面向实体商户,开放市场将提供助力实体门店创造个性化、场景化营销方案的组建市场和助力门店打造线上线下融合解决方案的硬件市场。
此外,蓝海还计划在实体终端推出智能创新实验店,以汇聚硬件、应用和工具。硬件包括飞凡硬件、蓝海硬件、第三方硬件,应用分为飞凡应用和第三方应用,工具则包括经营工具和营销工具。
这意味着,蓝海平台通过标准化的协议和接口,面向实体商业科技企业和实体商家协同服务。对科技企业,蓝海扮演着操作系统的角色,科技企业通过协议把优秀解决方案轻松搭建起来,直接落地到商业场景,而不用去关心创建人、货、场的基础方案,只需要专注自己的解决方案。从而使方案落地更快、投入更小、效果更好。
对实体商家,蓝海就是实体商业的APP Store。实体商业不用去识别各种质量参差不齐、复杂的应用,直接从应用市场、组件市场、硬件市场随时下载到优秀的各种解决方案,而且应用间可以实现内容整合,避免信息孤岛。
一直以来,实体商业都面临着粗放式发展、经营效率低下、管理水平较低、营销手段单一等问题。对实体商业而言,在科技化转型路上也面临着反应慢、获取服务难、安装部署繁、使用效果差等难题。同样的,科技企业在将科技产品和服务下沉到实体商业的过程中也存在资源缺乏、难以形成闭环、资金短缺等短板。
因此,蓝海的发布和实施完美的解决了实体商家和实体商业数字化科技企业各自的痛点问题。将给中国实体商业带来革命性的影响,极大的提升实体商业的运营效率和服务水平,推动实体商业数字化转型。
蓝海平台除了为实体商家带来丰富的业务解决方案外,还能开放共享飞凡海量的人、货、场数字化数据、提供万达集团品牌背书的第三方品质保证以及更大的价格优势。而对科技企业而言,蓝海将在业务资源、基础设施资源、数据资源、资金资源等方面对科技企业全面共享,是连接实体商业最理想的合作平台。
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。