
在离“双11”还有起码两个11天的时候,各种双11预热广告,已经打在了电梯间的公屏里。但有篇文章标题却这样写道,这几年想在双11省钱,简直比做奥数题还难,消费者实在算不清优惠券到底该怎么用才能真正省钱。
当双11越来越让消费者和商家挠头的时候,我们当然不能忘了,双11的诞生,曾是一个伟大的创意。
图片来源/Rudy and Peter Skitterians
在11年前的2009年,淘宝刚出生的第2年,网络购物还只是一个少数人参与的游戏。很多人即使在网上下单,依然要当面持现金交易,以防上当受骗。
那年年底,阿里巴巴现任主席张勇带着团队,掀起了一场模仿美国感恩节促销的双11网络大促销,终于一战成名,搞出中国网络购物的启蒙性营销事件。
这场营销策划的意义怎么夸大都不为过,通过一个创纪录的大手笔促销,淘宝在无数消费者心智中植入了“网络购物更省钱”的概念。
而零售的本质,即更低的成本,更有竞争力的价格。低价标签对零售业变革是如此的有效,直到今天,拼多多能在正面战场挑战京东淘宝,靠的依然是低价。
因此,无数消费者就这样被双11吸引,踏上一去不复返的网络购物之旅。一个连带效应是,因为要应对如此高弹性的网络负载,中国的互联网技术平台体系,也在极限施压之下得到快速成长的机会。
与之相比,具有讽刺意味的是,当年本该让人更放心的线下购物,却因为缺乏透明可见的评价体系,逐渐流失客户,甚至杀鸡取卵般变成宰客的各种“灰店”,其中最出名的就是中关村某些电脑城。
曾经一度要对标美国硅谷的中关村,在告别电脑城之后,成了小升初、初升高、拼娃拼家长的培训班大本营,也是没人能预料到的。
双11的成就不可磨灭。
但是,当一个人走了太远的时候,往往会忘了为什么要出发。
11年之后,双11以及它的各种继任者节日,似乎已经忘了它出发的意义。
商家、消费者、甚至平台本身,似乎都不再享受这场游戏。
对于商家而言,两大电商平台二选一,几乎预定了每年年底的头条新闻,有了拼多多之后,恐怕未来还会变成三选一。
对于商家而言,促销正在成为平台的陪绑者。不是“我要促销”,是“你要我陪着你促销”。
对平台自身而言,失去推动零售革命的初心后,促销的价值也在大幅缩水。其唯一的价值,大概只剩下销售记录的比拼,俨然这是一场中国零售业的颁奖晚会,商家从各种角度为自己找到销量第一的称号。
于是,促销周期也从一天,到三天,甚至更长,只为最终突破那个记录,与同行比个高下。或者也分不出高下,只有口水战而已。
电商平台,开始像它们曾经很鄙视的线下百货那样,搞出各种赠券返利的花样。
对消费者来说,当年那个“到时间放入购物车,就可以简单等着降价,零点支付”的时代自然也一去不复返。
网络购物节,这个本来是敢为天下先的壮举,也已经成了庸俗不堪的营销创意。
电梯广告持续不断地告诉我们,中国消费者简直是全世界最幸福的人,每个月都有节日可过,家电节、购车节、美容节……
世上本没有路,走得人多了,也就成了路,但是如果走的人太多了,这路也就走没了。
每天都在过节,也就没了节日;每天都在促销,也就不存在真正的促销。
如果生产者供给过剩,零售商有库存要消灭,消费者有货要囤积,促销的利益链条尚且顺畅。可当平台自己都在高呼C2M的时候,这条路的未来根基甚至也不存在了。
在开篇提到的文章留言里,一个用户写道:“你们别算了,不买可以省100%”。想一想,好像还挺对的吧?
好文章,需要你的鼓励
这项由IIT马德拉斯与BITS Pilani联合发布的研究(arXiv:2604.21523,2026年4月)构建了FOCUS元评估基准,系统检验了评审型视觉语言大模型的可靠性。通过向超过4000个图文和图像样本中注入40种受控错误,研究发现顶尖评审AI的检测失败率在某些条件下超过50%,物理合理性和视觉细节类错误尤为难以被发现,两两比较是最可靠的评审范式。
这篇由Sylph.AI发布的技术报告提出了一套两层自动化框架,核心思想是让AI自动优化自身的运行脚手架,再进一步让AI学会如何更高效地做这种优化。内层的脚手架进化循环通过工人代理、评估代理和进化代理的协作,自动迭代改进单个任务的运行配置;外层的元进化循环则在多个任务上训练,学习一套能快速适应任何新场景的通用进化蓝图,从而彻底消除人工脚手架工程的需求。
这篇由英伟达等顶尖机构联合发表的论文提出了一种名为Voyager的新型智能体。研究团队以《我的世界》为实验平台,通过引入自动课程规划、技能库存储以及迭代反馈机制,成功让大语言模型主导的AI在完全无人类干预的情况下,实现了在复杂开放世界中的自主探索与终身学习。实验数据表明,Voyager在物品收集、探索范围及技能解锁速度上均呈现出远超传统方法的压倒性优势,为未来开发能够自主解决真实物理世界复杂任务的通用人工智能奠定了关键的理论与实践基础。
这项由伊利诺伊大学、斯坦福大学、英伟达和麻省理工学院联合发布的研究(arXiv:2604.25917,2026年4月)提出了RecursiveMAS框架,让多个异构AI模型通过轻量级模块RecursiveLink在内部信号层面直接传递"潜在思想",形成循环协作,彻底绕开了传统多AI系统依靠文字传话的低效方式。配合两阶段内外循环训练策略,整个系统只需优化极少量参数,就能在数学、科学、代码生成和搜索问答等9个基准测试上取得平均8.3%的精度提升,同时实现最高2.4倍推理加速和75.6%的token用量削减。