最近幾年，全球消費市場發生了巨大的變化，跨境電商和品牌出海都面臨著激烈的競爭。在出海的大潮下，無論是平臺還是品牌都在尋找提升自身競爭力、最佳化消費者體驗的突破口。人工智慧的出現，無疑為零售行業帶來了無限可能，從供應鏈管理到客戶服務，從個性化推薦到店鋪運營，AI 技術的應用正在重塑整個零售生態。

今天我們將聚焦「AI + 零售」 這一賽道，與資深從業者們聊聊 AI 在零售領域的應用。我們將從投資視角、技術應用和商業邏輯等多個維度來解析 AI 在零售行業的創新，同時展望在人工智慧的影響下，零售行業的發展將有哪些未來趨勢，又面臨哪些潛在的挑戰。

作為一家投資出海的機構，跨境電商是一個無法繞開的賽道。我們從最初投資出海時就開始關注跨境電商，但隨著投資時間的積累，我們發現不應該僅將視角侷限於電商賽道，背後更大的方向其實是全球消費者。但是對於一家早期投資機構而言，很難獲得關於品牌、大型平臺的投資機會。這促使我們調整賽道方向，從最初關注跨境電商和全球消費，轉向在消費領域中專注於零售科技這個賽道，主要聚焦於賦能產業鏈的上下游。零售科技是一個歷史悠久的賽道，我們在這個領域已經觀察了大量專案。

從我們的視角來看，零售科技的發展和變化可以分成四個階段。第一個階段是計算機視覺，人工智慧開始透過計算機視覺來解決零售的一些問題。第二個階段是 NLP （自然語言處理，Natural Language Processing）技術的應用，典型代表是智慧工牌。以往線下零售的銷售和服務過程是個「黑箱」，有了智慧工牌後，可以記錄銷售和服務過程，上傳雲端進行分析，從而瞭解培訓、服務、銷售過程中的問題。第三個階段是元宇宙數字孿生階段，很多原本線上下的產品設計展示開始轉移到線上。第四個階段大概是從 2023 年 3 月開始，準確說是在大模型和生成式 AI 火了之後。我們感受到客戶對人工智慧的關注度和投入程度都在提升，嘗試應用的熱情越來越高，這也讓我們變得越來越忙。

從底層邏輯來看，借用零售專家的「人、貨、場」理論，在前面幾個階段，人、貨、場、形成一個交集，實現零售事件的數字化。透過視覺方案，系統可以識別人在特定場景中對商品的行為是正常還是異常。到了生成式大模型時代，人的數字化和智慧化提升到了新的高度。很多原本需要人力解決的問題，現在可以透過人工智慧和大模型來解決。如果把零售看作兩個互動過程：一是市場客戶與商家的互動，二是企業內部的協作（包括老闆與員工、供應方的互動）。在生成式大模型階段，使用者可以用自然語言向系統描述需求，而不是僅限於關鍵詞或具體商品。在輸出方面，大模型可以生成圖片、詩歌、音樂或廣告內容，內容豐富、速度快、質量優良。這種變革讓我們進入了第四階段，也就是生成式 AI 賦能零售的階段。這解釋了為什麼大家對這項技術如此熱情，想象空間如此之大，也是我們變得格外忙碌的重要原因。

是的。因為從我們負責的業務範圍來看，這些年線下零售都在尋求新的解決方案，無論是提升效率還是降低成本，大家都在努力。在國內市場，我們最初主要提供硬體產品，現在則擴充套件到了軟體領域。但我們發現客戶真正需要的是完整的解決方案。因此，我們一直在努力將硬體和軟體整合，打造完整的解決方案，來賦能零售企業和消費品企業。

這種賦能主要有兩種模式：第一種是面向有自研能力的終端客戶，他們能夠利用我們的硬體和軟體開發自己的解決方案，我們稱這類客戶為「燈塔客戶」（Lighthouse Account）。第二種是在國內廣泛建立和培養生態合作伙伴。這些合作伙伴可能是初創企業，也可能是有經驗的系統整合商，他們希望透過人工智慧技術和產品開發解決方案，拓展業務範圍，服務更多客戶。我們支援這些合作伙伴使用我們的硬體和軟體，幫助他們更快地取得成功。這兩個方向我們都在積極推進。比如在推薦廣告等場景中，需要用 GPU 加速和人工智慧來實現解決方案。

線下領域同樣機會眾多。在早期階段，我們主要運用視覺和語音技術，本質上是為企業提供「耳目」，讓企業能夠即時觀察客戶互動和相關事件，形成閉環管理。如今，我們不僅能看得見、聽得到，還能在線上進行宏觀分析，甚至做出業務決策和判斷，包括設計過程。在我加入 NVIDIA 的六年間，整個產品解決方案和業務需求都在不斷擴充套件，能夠滿足越來越多零售企業的各種需求，無論是線上還是線下。這就是整體的發展規律。

NVIDIA 在這個方向上有自己的產品和合作夥伴。我們的核心目標是用科學方法解決供需錯配問題。比如我們的 cuOpt 產品就在幫助 Domino's Pizza 解決配送問題。Domino's 承諾在 30 分鐘內送達，但當訂單量大、變數多、約束條件複雜（比如員工加班、請假等情況）時，如何計算最優配送路徑和策略，並確保每個訂單按時送達，這是一個很大的挑戰。這類問題都在我們的關注範圍內，我們正在探索如何運用技術手段和加速計算來解決這些問題，更好地滿足客戶和市場需求。

談到如何更有效地觸達使用者和提高購買率，個性化推薦這類技術扮演著重要角色。從理想狀態來說，就是擁有一個 AI 助手，不需要我們主動表達需求，它就能幫我們購買所需的東西。商店本身也會成為 AI 的一個終端，最終實現 AI 與 AI 之間的互動。當然，這樣的理想狀態在現階段還很難實現，不過在具體細節上，我們已經看到一些初創企業在做出成果，特別是在矽谷。比如說虛擬人這個領域，很多企業都在探索虛擬人與真實人結合的購物邏輯。

在提高購買轉化率方面，線上電商最大的痛點之一是無法試衣服。使用者擔心尺碼不合適，這直接影響了購買決策。過去 5-10 年，很多企業嘗試透過 VR、計算機視覺等技術解決這個問題。在 AI 時代，這些技術的使用門檻大幅降低。

對 Richer 剛才說的觀點我非常認同，我們也觀察到了很多類似的案例。無論是以賦能還是部分替代的方式，AI 都在改變著線上線下零售。第一個挑戰是供需錯配 —— 在哪裡開店、開多大的店、選擇什麼商品、如何制定價格促銷政策等。這些問題的核心在於理解消費者。

因此，我們看到許多 AI 和數字化技術正在致力於預測未來需求，從而指導經營決策。第二個方向是推薦系統和廣告系統。這個系統面臨著我們稱之為「四格迷途」的挑戰：如何在追求個性化服務的同時實現規模化，同時還要確保成本和品質都可控。這涉及兩個層面的問題：一是選擇目標市場和賽道，二是內部管理運營中的競爭平衡。簡單來說，「快」對應個性化，「多」對應規模，「好」對應品質，「省」對應成本。這些目標往往難以同時實現最大化。

為什麼供需錯配和「四格迷途」如此難以解決？主要原因在於變數和約束條件太多，而且是一個多目標任務。在沒有合適技術手段的情況下，我們只能依靠人的直覺、經驗和勇氣來解決這些問題。但現在有了 AI 解決方案和加速計算能力，每個領域都在發生變化。這種變化不僅僅是給「馬車裝上儀表盤」，而是要把「馬車變成自動駕駛汽車」。我們期待看到 AI 計算在商業場景中帶來更大的改變。從零售企業的嘗試中，我們看到他們正在朝這個方向邁進。服務需要溫度，需要感性的觸動，但越來越多的理性決策可以依靠資料、演算法和 AI 來實現。隨著 IoT 和視覺技術成本的降低，資料獲取的規模和效率都在提升。

隨著技術的成熟，很多外部變數都變得可以預測。比如我們開發的 Earth-2（氣候數字孿生平臺）可以對未來一段時間內的氣候和區域性天氣進行相當準確的預測。這對零售企業的供應鏈和物流管理帶來了新的可能性。

這是我的個人觀察。從商業運營的角度來看，我們與客戶的關係可以分為三層，也就是「兩個漏斗，一個抽屜」。第一個漏斗是流量漏斗，把消費者從 nobody 轉化為 somebody。不管是線上還是線下，都是要完成這樣的轉化。第二個漏斗是從 somebody 到 Mr./Ms. Right 的階段。每個人都是獨立且需要被尊重的個體，這是一個建立連線的邏輯。從 somebody 到 Mr./Ms. Right 的核心在於經營信任和連線，也就是信任和共同利益。這兩個要素需要不斷深化。比如當用戶購買會員時，從普通會員到深度會員，就代表著共同利益在加深。當會員等級提升時，我們可能會給予 2% 的返利。這就是在經營客戶連線的不同層次，讓信任和連線逐步加深，最終達到最佳狀態。第三個是「抽屜邏輯」，也就是成為「大眾情人」。當一個品牌的形象和品質得到廣泛認可，即使是不熟悉的人也會傳播其正面故事，認為這是值得信任的品牌。

為什麼叫抽屜呢？因為能被大眾記住的機會是有限的。比如在日常生活中，高頻剛需場景是有限的。早餐可能想到麥當勞、肯德基，外賣想到美團，打車想到滴滴，這些都是已經被佔據的「抽屜」。新進入者要麼開闢新抽屜，要麼顛覆現有格局。零售企業通常會同時在這三個層面發力：透過流量將 nobody 轉化為 somebody，透過建立連線培養信任，最終爭取成為使用者心中的「大眾情人」。當品牌建立起足夠的美譽度，就能成為那個「大眾情人」，獲得廣泛的認可和信任。品牌需要佔據一個「抽屜」位置，或者佔據別人的抽屜，才能確立品牌形象。這是我們在商業實踐中觀察到的普遍現象。如果經營得當，再加上一些運氣，就有可能佔據一個抽屜位置。或者在現有抽屜旁邊開闢新空間，形成新的細分市場。一旦達到這個層級，生意的性質就會發生質的改變。

流量運營、連線建立和平臺打造這三種思路是截然不同的。我們需要思考會員制的本質，以及品牌建立的過程。在這個過程中，技術扮演著重要角色。流量漏斗和連線建立最終都可以用資料和演算法來最佳化。考慮到變數眾多、約束條件複雜，加上存在多個目標任務，如何確定性地獲得結果並持續最佳化，這些都需要藉助人工智慧尋找新的解決方案。

我們在深圳觀察到很多這樣的嘗試。零售本質上是一個「要」和「給」的互動過程，這在人工智慧領域體現得非常明確。生成式 AI 就是「要」和「給」的技術體現。過去我們想要某樣東西時，無法使用自然語言表達。比如過生日要買蠟燭和蛋糕，春節要送禮物時希望能與收禮人、季節、產地相關，這些複雜的需求都無法直接告訴搜尋引擎。但現在我們可以用自然語言表達需求，AI 能生成相應的場景畫面。我們可以描述目的和具體情境，然後透過不斷調整，包括預算高低等因素，最終確定一個滿意的方案。

這個最終確定的方案會轉化為購物清單。在這個「要」和「給」的互動中，大模型不僅能準確理解自然語言表達的需求，還能給出越來越精準和快速的響應。這種模式在零售領域有廣泛應用，從消費者和商家的互動，到供應鏈各環節的協作，再到公司內部的客戶支援、法務、財務等各個部門，本質上都是「要」與「給」的關係。因此，這種應用場景非常普遍。比如在廣告內容生成方面，。有些全球化企業需要根據當地環境和模特特徵來生成本地化廣告。他們甚至希望能針對特定市場中某類使用者特徵，生成更容易引發共鳴、提高轉化率的廣告場景。這樣的需求在每個細節環節都體現了「要」和「給」的特點，而 AI 能夠隨時響應這些需求。

從我們的角度來看，有兩點想要補充。第一是文生圖領域，我們目前最看好的是影片人物、虛擬人物相關的應用。另外，整個創投圈也在尋找一些 AI 原生的應用場景。

關於 Agent 這塊，在零售和線上平臺領域，無論是 SaaS 還是 to B，Agent 目前是比較有商業價值的細分賽道。Agent 在處理工作流程時，是基於對人類傳統工序的理解，進行 AI 和自動化方面的嘗試。未來，AI 可能會徹底改變我們的工序和工作流程，包括購物流程。這就像從小賣部轉向超市的變革，從中心化導購員分配物品，轉變為顧客自主選購。未來一定會出現新的零售形式,這正是我們在尋找的所謂「AI 原生」企業，也是大家最為關注的方向。

從零售視角來看，未來有兩個關係需要正確的建立和處理，從而讓 AI 更好地服務這個行業。

第一個關係是企業需要重新梳理、建立和管理與人工智慧的關係，特別是與大模型生成式 AI 這類新技術生產力的關係。雖然 AI 能賦能和加速各種流程，但在空間價值、情緒價值方面，它並非簡單的合成。比如線上下零售中，女性顧客尋求的不僅是商品本身的價值，還包括空間價值和情緒價值。技術或許無法直接提供這些價值，但可以透過觀察和量化來幫助我們更好地管理這些維度。在 NVIDIA，我們稱之為 NVAIE（AI Enterprise  服務企業的軟體平臺），它是一個幫助企業梳理和管理與 AI 大模型關係的工具。

第二個重要關係是組織與物理世界的關係。對零售而言，儘管很多業務已經轉移到了線上，但仍有大量工作線上下進行。無論是實體店面、空間價值、心理價值，還是供應鏈、倉儲都線上下運作。這部分需要特別注意規劃和管理，否則整個零售的困境將難以突破，供需錯配等問題會持續存在。

最終的解決方案就是實現數字孿生，包括門店、倉庫和製造環節的數字孿生。這能讓我們即時掌握當下發生的事情，實現視覺化、可協同、可管理，最重要的是可預測。透過數字孿生，我們可以利用歷史資料和外部資料來預測未來趨勢，並進行即時調整。比如在產品和空間設計方面，一些客戶擁有數千家門店，他們希望開設新店時能夠最佳化銷售額和客戶體驗。透過利用現有門店的資料，我們可以生成更優的新店佈局方案。這種可預測性變得越來越重要。這實際上是將線下物理世界的業務引入數字化通道。透過視覺、語音和 IoT 裝置，我們可以獲取即時、全量、準確的資料。隨著成本不斷降低，資料分析和數字孿生的應用將極大改善管理效率。

資料的完整性、質量和時效性，這些都是形成整體解決方案的關鍵因素。從整體來看，我們的資料收集方式在不斷增多，技術也在不斷進步。外部資料的獲取規模也在持續擴大。現有技術已經可以對資料進行清洗和整理，使其能夠為我們所用。在具體操作中，這是一個不斷探索的過程。我們需要針對具體場景做定製化方案，同時也要考慮規模化發展，這其中難免會遇到成本和品質的挑戰。但隨著技術發展，成本必然會降低，質量也會不斷提升。從長遠來看，我們對此持樂觀態度。

確實存在挑戰。如果要給零售企業家或創業者一些建議，我認為需要重新梳理三個邊界。第一個是環境邊界，因為我們的環境中出現了新的「物種」，這必然會對我們產生影響。第二個是客商邊界。我們與客戶的邊界正在發生變化，他們可能在知乎提問、在微博抱怨、在朋友圈評價。如果仍然認為只有線下門店或呼叫中心才是與客戶的接觸點，那就已經落後了。我們需要關注客戶邊界的每個觸點，加強線上線下的全面管理。第三個也是最重要的是人機邊界。組織內部需要重新審視哪些工作該由機器完成，哪些必須依靠人來做，這就是人機邊界。有時是人進機退，有時是機進人退。機器應該專注於自己最擅長的領域，人也要專注於發揮人的獨特價值。這種思考會帶來商業模式的改變，因為環境的變化可能讓我們也成為一個新物種。

管理團隊需要重新思考這三個邊界，制定相應的解決方案。可以運用 AI 大模型、視覺技術和傳統語音方案來減輕負擔，讓員工專注於最適合他們的工作，實現高效且愉快的工作狀態。這需要開發合適的工具，培養使用習慣，讓員工在工具和機器的配合下發揮更大價值。首先要理清業務本質，明確崗位定位，然後思考如何重新規劃和培養人才。傳統的「三規」培訓模式（規定時間、地點、內容）效率較低。現在我們看到更多互動式的解決方案，透過 XR 技術、AI 等進行培訓，讓學習變得更加靈活和個性化。這種方式不僅提高了培訓效率，也讓排班更智慧化、人性化，縮短了培訓週期，提升了整體價值創造能力。

會關注影片端相關的，包括線上線下解決方案以及獨立站平臺，還有 AI 相關或其他零售科技相關的領域。同時，關注提效之外的 AI 創新邏輯，即 AI 原生領域。以招聘領域為例，有的企業利用虛擬人或 Chatbot 對話匹配資料，替代了傳統簡歷篩選模式，這種邏輯也可應用於零售領域，未來可能每個人有自己的 Agent，與企業的 Agent 對話就能完成購物，顛覆現有購物流程。

NVIDIA 作為平臺性公司，客戶需要的是方案。從零售視角看，比較關注新的軟體平臺對未來形成新解決方案的貢獻，以及由此構成的新生態。利用這些最新能力技術，幫助客戶建立、梳理和管理與人工智慧新生產力以及物理世界的關係。目前很多夥伴和客戶在這方面有需求、嘗試和創新，未來會花更多時間關注和投入。

從長期和宏觀角度看，對 AI 賦能零售的方向非常樂觀，遇到的問題和挑戰都是暫時的。一個組織若想在人工智慧賦能或數字化方面成功，需具備五個要素：一是要有場景，場景意味著資料來源；二是要有資源，即做人工智慧方向的預算準備；三是要有團隊，公司內部要有熟悉業務流程和產品，且能從技術和人工智慧角度提出需求的人員，擁有自研能力更佳；四是要有夥伴，藉助生態力量，NVIDIA 願意成為底層AI基礎設施夥伴，還有其他生態夥伴可供選擇；五是一把手和高管團隊要有認知和決心，重視並投入時間精力，甚至親自參與。具備這五個要素，零售企業在業務實踐和商業模式創新上會有新機會，期待與國內零售企業交流合作。