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
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。