2.png)
深圳鼎盛合科技代理中微全系列芯片产品，可为客户提供软硬件方案设计开发，并提供免费取样服务
概要以大数据、人工智能、IOT为代表的智能化技术发展现状如何？新技术的发展将如何影响3-5年后的新零售格局？本篇是对《新零售三部曲》的第三部-趋势篇新技术的历史汇聚之一：人工智能和大数据的发展在《新零售三部曲第一部》中我们已经提到了，从2015年开始，新技术生产力的发展，开始催生一些新的商业模式的开花结果，这些模式的主要特征是回归线下。
而，新零售正是新技术革命在零售领域掀起的一次“人货场”零售商业模式的重构由此，有必要对我们所处的这10年内新技术、新生产力的具体发展状态做一些深入了解，才能合理的评估新生产关系的变革会多快多广多深入人工智能技术发展到今天，已经经历了60多年的历史。
在这个过程中，先后经历了三起两落从起步到专家系统，再到今天的深度学习阶段这一过程中算力不足、算法能力不足、数据有限的问题一直在被优化[邓雄John @ Plum AI原创文章]
AI三要素之一：算法突破最典型算法发展包括1968年问世的专家决策系统，是一个基于规则的推演系统；1980年代盛行的树模型；1990年代出现的SVM；从2006年开始持续发展的深度学习神经网络的模型
AI三要素之二：算力突破AI算力的发展也经历了从CPU到GPU再到专门的AI加速芯片的跃升GPU的算力较之CPU能提升超过50倍，而AI芯片的计算力提升超过GPU在100倍左右GPU的概率是NVIDIA在1999年提出的。
2016年NVIDIA进一步研发了用于边缘计算的AI专门加速芯片Tesla P100，并在2017年升级为Tesla V100，TeslaV100 可以为深度学习相关的模型训练和推断应用提供高达 125 万亿次每秒的张量计算。
2016 年，谷歌发布了用于云计算的AI加速芯片TPU，并且之后升级为 TPU 2.0 和 TPU 3.0其算力达到 180 万亿次每秒
另一方面，全球的部署的整体AI计算能力实现了巨大提升从2012年以来，这一指标已经增长了30万倍（传统18个月的周期只能让产出增加12倍），正在以1年提升10倍的速度发展例如：2012年Hilton名噪一时的深度学习网络AlexNet训练需要的算力仅在10 Tflop/s-day（即大约不超过十个1—2TFLOPS的GPU来训练一天左右）。
当发展到2017年左右，DeepMind团队开发的AlphaGo Zero模型需要的算力超过1M Tflop/s-day（即大约增加10~30万倍）
AI三要素之三：数据规模突破数据是AI算法加工的原材料，深度学习的准确度会随着数据量的增加显著提高。
互联网经历的过去20年，正是数据积累的20年相关机构评估，目前的数据规模已经接近了100ZB，在过去短短十年内，增加了50倍例如：在2015年左右，一分钟内YouTube会新增加72小时的视频；同样一分钟的淘宝会出现15万左右的独立用户登录浏览；百度会新增加400多万次搜索请求。
AI发展现状总结：辅助人，有限的场景级取代人（by 2030）由于算力、算法、数据的综合提升带来的结果，使得AI技术进入前所未有的“深度学习”阶段尤其，从2016年左右开始，在众多场景级应用上实现了“超人”突破。
例如：2016年DeepMind团队将增强学习应用于围棋中，并最终战胜了人类围棋冠军，直到今天仍持续领先于人类2017年11月，Google的Waymo自动驾驶出租车已经在凤凰城投入免费运营，背后是650万公里的行驶数据训练的深度学习模型。
[邓雄John @ Plum AI原创文章]
众多的场景级突破，使得我们对人工智能技术的现状产生了不切实际的想法“理想很丰满，现实却骨感”，对于AI的现状我们应该有一个清晰认识世界知名的咨询公司Gartner归结，2018年是深度学习的“最浮躁”之年。
下图是Gartner每年都会发布的技术成熟度模型从中可以看到，深度学习正处在被人们过渡期望的状态
从本质上讲：10年内人工智能仍然很难在大部分行业和场景中完全取代人，它更多的是扮演“辅助人、在很有限场景下取代人”的职能换句话说，现阶段的人工智能有非常实质的局限性，他可以对我们的大部分生产生活的场景仅形成一些辅助和赋能的作用。
详细来说，今天我们在80%以上的时间和场合谈人工智能，还仅属于数据科学的范畴：我们希望把目前所有的，不管是学术界研究成果，还是产业界项目研发过程中积累的经验，足够产品化，工程化，形成一些能真实落地实际的案例，并能在一定条件下通用化。
底层处理逻辑是对数据的全生命周期的处理任务的工具化、工程化后者产品化，诸如：采集、清洗、挖掘、建模、可视化等例如：AutoML就是一个将数据进行算法建模过程足够自动化、傻瓜化的“AI工程化”工具，希望通过这一工具极大的降低机器学习或者深度学习建模过程的人力或者时间成本。
有极少数有先发优势或者资源优势的公司，可能在考虑真正意义上的机器学习或者深度学习的事情（上图中间部分），例如：商汤、旷世、科大讯飞、地平线这些公司在特定的人工智能领域做大量的算法研究或者算力提升但是，算法的范畴也仍然主要集中在深度学习或者机器学习领域。
深度学习作为机器学习的一部分，其基本原理仍然是从海量数据中找寻潜在关联关系为前提，所以算法重度依赖于数据没有足够的数据，就没有差强人意的模型效果例如之前提到的Waymo的自动驾驶出租车，其核心优势来自于650万公里的行驶数据（这一数据比国内自动驾驶公司的数据可能高一个数量级）。
换言之，如上图，从AI技术发展现状来讲（其实是ML/DL技术），AI的技术本质仅是海量互联数据驱动的智能化如果把这些具体的技术进展做一个细分，可以分成三个大的部分：平台级AI技术，AI芯片硬件级技术和大数据技术。
AI平台技术又细分为在视频图像，语音和语像，自然语言，预测和决策问题的机器学习和深度学习解决方案这是目前AI技术的现状真正的人工智能可能发生20年之后那个时候人工智能对我们来讲可能真正意义上的机器取代人。
为了达到这一个过程，还需要更实质的技术突破，诸如：仅依赖少样本数据的因果学习技术、实质提升计算能力的量子计算技术、以及在更多更广泛的领域沉淀和收集足够的数据，诸如：农业总结来说，人工智能技术通过深度学习、大数据、巨大提升的算力的加持下，已经能够在视频、语音语义、自然语言处理、决策及预测方面带来较好辅助人的智能能力
十年内智能化技术的本质是：互联数据驱动的智能化这是现今新技术革命的重大成果新技术的历史汇聚之二：IOT的发展IOT技术发展到今天，已经能在设备移动性、上下行数据规模、续航时间等方面实现较好的传感器支持例如：安全摄像头就是一类固定、上传数据量较大的传感器应用；车联网中车辆定位管理设备是一类高移动性，需频繁切换，上行数据不太大的传感器应用；而智能门禁、智能电表等则属于固定、数据量小、可容忍一定时延的传感器应用。
深圳鼎盛合科技代理中微全系列芯片产品，可为客户提供软硬件方案设计开发，并提供免费取样服务
IOT实现了各类智能传感器的相互通信能力，并且跟现有的通信网络较好的整合下图转自电子发烧友，如图所示，类似HTTPS + 4G的通信模式用于手机的互联，IOT的设备互联可以采用MQTT / CoAP + NB-IOT的通信模式，其优点是不需要的额外的网关设备就能直连运营商网路，但收费较高；也可以采用ZigBee/蓝牙实现短距离互联，再利用4G连接运营商，其优点是功耗低、便宜，但是需要额外的网关设备。
IOT技术的引入从根本上改变了世界互联的模式，从传统的移动互联网，较单一智能设备发展到万物互联，多样的设备互联更关键的是，这一模式，使得可获取的数据的维度和时空范围都大大增加这是现阶段智能化的关键
总结来说，关于人工智能未来十年的定位，我们不能对它要求太高它主要能力集中在实现海量数据的更好价值变现，构建智能化、精细化、人性化的服务体验智能新零售未来五大趋势（by2025）对技术现状和未来状态的了解，可以从根源上帮助判断新零售发展状态和趋势。
在未来5到10年内，新零售将在一些特定的场景上实现突破，这一突破将大大提升零售的购物体验，实质降低运营成本、提升人货场效率这也是零售业从传统线下门店连锁到线上电商，再到线下线上结合的新零售业态始终如一，持续优化的问题。
趋势一：新零售场景级智能化水平逐步提高，实现智能化、精细化、人性化由于智能技术的进展，零售在各个环节的降本增效成为可能：实现场景级的智能化会是智能新零售的重要突破方向那场景到底是什么？场景（scene），可以理解为一个有明确目标的任务。
只有明确的目标设定，人工智能学习才有方向例如：在购物场景群中，就有很多明确目标的任务，也就是场景，包括：商品挑选、商品的识别、支付结算等其中，商品挑选的场景，可以建模为一个商品的主动推荐问题：用户通过语音询问智能客服，智能客服根据用户的过去的购物习惯和当前的购物状态，主动推荐商品给用户，并引导客户到特定的货架。
再比如，商品的识别，传统的方式是通过基于人工收银台或者RFID标签扫描识别商品，有大量的人工成本通过多传感器数据采集（电子秤、摄像头）和图像识别技术，可以实现在一定规模的SKU基础上，商品识别的100%准确度。
这个过程的智能化大大提升了购物效率
零售主要且关键的场景群包括：获客、购物、配送、仓储、广告、门店管理和客服这七大场景群的持续智能化效能提升，会大大提升用户体验、降低运营时间和人力成本特别值得一提的是，由于前述提到的当前AI技术的局限（未来十年AI不是一个真正意义上的人工智能，是基于数据的智能化，数据互联的智能，算法、数据和算力本身都没有达到真正取代一切的状态），解决这些场景级问题的时候，我们应该使用系统化的解决方案来实现。
这种方案应该是一个业务经验规则、领域先验知识和AI算法结合的方案，由AI产品经理、业务专家、应用产品经理、AI工程师的共同参与确定的方案这种方案仍然优于纯AI模型的方案这样，我们会把一个具体的场景问题变成一个系统化的解决方案，通过对业务逻辑的梳理弥补算法不足，通过数据收集实现算法提升。
趋势二：新零售全生态链数据化沉淀，提升人货场效率如前所述，相关的研究表明，深度学习的性能随着数据量的增加明显的提升智能新零售未来发展第二大趋势是全零售生态链数据化我们知道为什么零售是AI能快速落地的行业？主要是因为零售行业本身具有较好的数据基础。
例如：在传统连锁门店时代，大量的信息化系统，诸如：会员系统、刷卡支付系统、供应链管理系统等，已经得到了普及；在电商时代，更多的数据，诸如：用户线上浏览数据、支付数据、大量商品数据、物流数据等都得以保留以这个为基础，当新零售重新回到线下的时候，可以很好的结合二者的数据优势，实现真正意义上的零售全生命周期、线上线下立体数据的获取和使用。
更重要的是，由于新零售的线下实体逐步无人化的本质，使得获取的数据能够做到全天候24小时另外，由于新零售强调IOT技术的推广使用，使得能在更多维度获取到数据例如：门店的摄像头数据会被实质的收集和利用
在《新零售三部曲的第一部》和《第二部》中，我们都提到了，新零售较之传统门店和电商的实质优势之一，就在于可以获取到全链条无偏的数据在未来，新零售竞争的主战场之一就是数据之争谁拥有了更无偏更丰富的零售数据，谁就将更及时更准确的了解用户购物意愿，更好的优化用户的体验、掌握更可控的柔性供应链系统、更低的人力成本、更实质的GMV增加。
趋势三：计算机视觉和自然语言处理技术在新零售中发挥主要及关键作用新零售的将零售的主战场从线上拉回到线下，这一客观的商业模式的变化，对AI的技术要求发生的巨大提升：从虚拟世界非关键场景到物理世界关键场景的转化。
在《机器学习原理深入浅出三部曲之一：监督机器学习本质原理》中，我们曾经提到，在过去20年的互联网上半场中，主要的人工智能应用场景是在网站或者APP中出现的大量“预测及决策”类场景，比如：我们熟悉的“猜你喜欢”，也就是商品推荐系统。
而到了互联网下半场，实体经济作为了主体存在，人工智能开始大量转向人与真实的硬件的交互和相互理解上，例如：自动驾驶和无人便利店都是需要计算机对实体世界，诸如：人的语言和动作、物品的形态，进行感知和精准判断。
这使得计算机视觉、人类自然语言的理解、语音的识别迅速成为主要的人工智能应用领域有很多零售的场景需要用到图像和语言的AI理解能力回顾一下《新零售三部曲的第二部》中提到的AI重构“人货场”的众多场景，诸如：智能防盗（图像）、客流分析（图像）、智能客服（语言）、身份认证（图像）等，几乎50%以上都跟计算机视觉和自然语言处理这两方面AI技术有关系。
趋势四：智能客服对提升购物体验和提升人效发挥重要作用第四大趋势，我认为是智能客服的成熟和广泛应用我判断智能客服将为未来新零售提升购物体验和提升人效发挥至关重要的重用在趋势一中，我们已经提到了客服是一个重要的AI可以落地的场景群。
在这里为什么要单独再提出来呢？智能客服未来的流行跟我之前一直在提到的互联网下半场大趋势有重要关联
大家应该知道了美国智能音箱的用户在2017年已经占到整个人口的六分之一，很多美国家庭不止拥有一个Alexa智能音箱这里音箱不是重点，重点是智能助手Gartner提到一个数据：2020年之后，智能助手，一般是以硬件形态出现，将占据30%的用户流量。
很大一部分用户将慢慢不使用APP，而通过与AI只接对话或者手势等新的交互方式实现信息获取，实现生活服务换句话说，过去20年的互联网上半场，当APP逐步取代了网站，手机逐步取代了PC成为主要的流量入口的同时，互联网下班场正在进行时，APP开始被智能助手取代，手机开始被更多元的场景级覆盖的智能硬件取代。
这一趋势，在新零售领域里来说，就是智能客服的使用试想，当用户在零售门店外路过时，智能客服通过摄像头后者其他智能传感器识别到了用户，可以不失时机的打招呼，并播放一段个性化推荐商品、打折信息语音来获客；当用户刚步入门店时，智能客服自动识别，取代传统的门店导购，精准的说出，“XX小姐/先生，欢饮光临”，“XX天没见”，“你喜欢的XX商品正在打折”，“你要的XX货物在XX排XX货架上”。
以上场景，目前的AI技术能在很高的准确度上办到！趋势五：供应链智能化水平将决定零售企业价格竞争力 新零售竞争的另一个关键战场在供应链能力柔性可预测性的比拼这是因为供应链能力是零售的核心竞争力之一，供应链智能化水平将决定商品尤其是商品价格的竞争能力。
零售的体验好坏，先天（部分）的决定于商品或者服务的价格用户在零售场景中喜闻乐见的看到更便宜实惠的优质商品智能新零售模式，一方面逐步实现了人效提升、成本控制；另一方面通过多维度的硬件矩阵实现综合坪效的提升，例如：办公室里身边的咖啡机、500米内的咖啡小店、3公里范围类的shopingmall内的咖啡体验旗舰店；第三方面，高效、可定制的供应链将最终导致高性价比的商品。
在智能供应链体系里我们把价格库存计划和商品做智能化的管理，这是未来的趋势通过好的价格定价助力库存优化，通过好的库存计划驱动库存管理，通过好的商品的理解来实时定价进行算法建模实现价格最优化，通过商品指导库存的计划和策略。
最后，汇总一下之前的新零售三部曲的内容如下，欢迎转发《大数据智能化产业应用系列：新零售三部曲第一部：智能新零售概述》《大数据智能化产业应用系列：新零售三部曲第二部：智能新零售进阶》《大数据智能化产业应用系列：新零售三部曲第三部：趋势》。
关注Plum AI，分享快乐
深圳鼎盛合科技代理中微全系列芯片产品，可为客户提供软硬件方案设计开发，并提供免费取样服务
.png)
