最近几年，全球消费市场发生了巨大的变化，跨境电商和品牌出海都面临着激烈的竞争。在出海的大潮下，无论是平台还是品牌都在寻找提升自身竞争力、优化消费者体验的突破口。人工智能的出现，无疑为零售行业带来了无限可能，从供应链管理到客户服务，从个性化推荐到店铺运营，AI 技术的应用正在重塑整个零售生态。
今天我们将聚焦「AI + 零售」 这一赛道，与资深从业者们聊聊 AI 在零售领域的应用。我们将从投资视角、技术应用和商业逻辑等多个维度来解析 AI 在零售行业的创新，同时展望在人工智能的影响下，零售行业的发展将有哪些未来趋势，又面临哪些潜在的挑战。
Diane
今年我们在聊零售的时候，跟以往最大的不同是什么？在有了像 ChatGPT 这样的 AI 赋能之后，我们以往所讲的零售科技在 2024 年发生了哪些重大变化？
Richer
作为一家投资出海的机构，跨境电商是一个无法绕开的赛道。我们从最初投资出海时就开始关注跨境电商，但随着投资时间的积累，我们发现不应该仅将视角局限于电商赛道，背后更大的方向其实是全球消费者。但是对于一家早期投资机构而言，很难获得关于品牌、大型平台的投资机会。这促使我们调整赛道方向，从最初关注跨境电商和全球消费，转向在消费领域中专注于零售科技这个赛道，主要聚焦于赋能产业链的上下游。零售科技是一个历史悠久的赛道，我们在这个领域已经观察了大量项目。
任建斌
从我们的视角来看，零售科技的发展和变化可以分成四个阶段。第一个阶段是计算机视觉，人工智能开始通过计算机视觉来解决零售的一些问题。第二个阶段是 NLP （自然语言处理，Natural Language Processing）技术的应用，典型代表是智慧工牌。以往线下零售的销售和服务过程是个「黑箱」，有了智慧工牌后，可以记录销售和服务过程，上传云端进行分析，从而了解培训、服务、销售过程中的问题。第三个阶段是元宇宙数字孪生阶段，很多原本在线下的产品设计展示开始转移到线上。第四个阶段大概是从 2023 年 3 月开始，准确说是在大模型和生成式 AI 火了之后。我们感受到客户对人工智能的关注度和投入程度都在提升，尝试应用的热情越来越高，这也让我们变得越来越忙。
从底层逻辑来看，借用零售专家的「人、货、场」理论，在前面几个阶段，人、货、场、形成一个交集，实现零售事件的数字化。通过视觉方案，系统可以识别人在特定场景中对商品的行为是正常还是异常。到了生成式大模型时代，人的数字化和智能化提升到了新的高度。很多原本需要人力解决的问题，现在可以通过人工智能和大模型来解决。如果把零售看作两个互动过程：一是市场客户与商家的互动，二是企业内部的协作（包括老板与员工、供应方的互动）。在生成式大模型阶段，用户可以用自然语言向系统描述需求，而不是仅限于关键词或具体商品。在输出方面，大模型可以生成图片、诗歌、音乐或广告内容，内容丰富、速度快、质量优良。这种变革让我们进入了第四阶段，也就是生成式 AI 赋能零售的阶段。这解释了为什么大家对这项技术如此热情，想象空间如此之大，也是我们变得格外忙碌的重要原因。
Diane
我觉得 NVIDIA 在端侧和智能商店这块有更多的解决方案和发力，是这样吗？
任建斌
是的。因为从我们负责的业务范围来看，这些年线下零售都在寻求新的解决方案，无论是提升效率还是降低成本，大家都在努力。在国内市场，我们最初主要提供硬件产品，现在则扩展到了软件领域。但我们发现客户真正需要的是完整的解决方案。因此，我们一直在努力将硬件和软件整合，打造完整的解决方案，来赋能零售企业和消费品企业。
这种赋能主要有两种模式：第一种是面向有自研能力的终端客户，他们能够利用我们的硬件和软件开发自己的解决方案，我们称这类客户为「灯塔客户」（Lighthouse Account）。第二种是在国内广泛建立和培养生态合作伙伴。这些合作伙伴可能是初创企业，也可能是有经验的系统集成商，他们希望通过人工智能技术和产品开发解决方案，拓展业务范围，服务更多客户。我们支持这些合作伙伴使用我们的硬件和软件，帮助他们更快地取得成功。这两个方向我们都在积极推进。比如在推荐广告等场景中，需要用 GPU 加速和人工智能来实现解决方案。
线下领域同样机会众多。在早期阶段，我们主要运用视觉和语音技术，本质上是为企业提供「耳目」，让企业能够实时观察客户互动和相关事件，形成闭环管理。如今，我们不仅能看得见、听得到，还能在线上进行宏观分析，甚至做出业务决策和判断，包括设计过程。在我加入 NVIDIA 的六年间，整个产品解决方案和业务需求都在不断扩展，能够满足越来越多零售企业的各种需求，无论是线上还是线下。这就是整体的发展规律。
▲ 大型零售商借助 AI 和 NVIDIA Metropolis 自动管理库存、补货和价格调整，提高运营效率。｜来源：NVIDIA 官网
NVIDIA 在这个方向上有自己的产品和合作伙伴。我们的核心目标是用科学方法解决供需错配问题。比如我们的 cuOpt 产品就在帮助 Domino's Pizza 解决配送问题。Domino's 承诺在 30 分钟内送达，但当订单量大、变量多、约束条件复杂（比如员工加班、请假等情况）时，如何计算最优配送路径和策略，并确保每个订单按时送达，这是一个很大的挑战。这类问题都在我们的关注范围内，我们正在探索如何运用技术手段和加速计算来解决这些问题，更好地满足客户和市场需求。
Diane
我想回到 AI 在不同领域的应用。刚才提到大家最大的投入是在商店分析与见解这个领域，第二个则是个性化的客户推荐。不知道在这方面大家有没有看到一些好的案例？
Richer
谈到如何更有效地触达用户和提高购买率，个性化推荐这类技术扮演着重要角色。从理想状态来说，就是拥有一个 AI 助手，不需要我们主动表达需求，它就能帮我们购买所需的东西。商店本身也会成为 AI 的一个终端，最终实现 AI 与 AI 之间的交互。当然，这样的理想状态在现阶段还很难实现，不过在具体细节上，我们已经看到一些初创企业在做出成果，特别是在硅谷。比如说虚拟人这个领域，很多企业都在探索虚拟人与真实人结合的购物逻辑。
在提高购买转化率方面，线上电商最大的痛点之一是无法试衣服。用户担心尺码不合适，这直接影响了购买决策。过去 5-10 年，很多企业尝试通过 VR、计算机视觉等技术解决这个问题。在 AI 时代，这些技术的使用门槛大幅降低。
▲ 零售商利用线上购物数据和店内交易、摄像头及传感器数据，分析客户偏好、优化促销策略，并提升购物体验。｜来源：NVIDIA 官网
任建斌
对 Richer 刚才说的观点我非常认同，我们也观察到了很多类似的案例。无论是以赋能还是部分替代的方式，AI 都在改变着线上线下零售。第一个挑战是供需错配 —— 在哪里开店、开多大的店、选择什么商品、如何制定价格促销政策等。这些问题的核心在于理解消费者。
因此，我们看到许多 AI 和数字化技术正在致力于预测未来需求，从而指导经营决策。第二个方向是推荐系统和广告系统。这个系统面临着我们称之为「四格迷途」的挑战：如何在追求个性化服务的同时实现规模化，同时还要确保成本和品质都可控。这涉及两个层面的问题：一是选择目标市场和赛道，二是内部管理运营中的竞争平衡。简单来说，「快」对应个性化，「多」对应规模，「好」对应品质，「省」对应成本。这些目标往往难以同时实现最大化。
为什么供需错配和「四格迷途」如此难以解决？主要原因在于变量和约束条件太多，而且是一个多目标任务。在没有合适技术手段的情况下，我们只能依靠人的直觉、经验和勇气来解决这些问题。但现在有了 AI 解决方案和加速计算能力，每个领域都在发生变化。这种变化不仅仅是给「马车装上仪表盘」，而是要把「马车变成自动驾驶汽车」。我们期待看到 AI 计算在商业场景中带来更大的改变。从零售企业的尝试中，我们看到他们正在朝这个方向迈进。服务需要温度，需要感性的触动，但越来越多的理性决策可以依靠数据、算法和 AI 来实现。随着 IoT 和视觉技术成本的降低，数据获取的规模和效率都在提升。
随着技术的成熟，很多外部变量都变得可以预测。比如我们开发的 Earth-2（气候数字孪生平台）可以对未来一段时间内的气候和局部天气进行相当准确的预测。这对零售企业的供应链和物流管理带来了新的可能性。
Diane
客户体验需要高度个性化，同时还要保持较低成本。我记得上次聊到永辉超市的案例，他们需要胖东来帮助调整进货、货品摆放以及自营产品的生产规模。当时您提到一个很有趣的观点：虽然胖东来和永辉都是做零售超市的，但他们的商业逻辑其实并不相同。您能详细说说这个观点吗？
任建斌
这是我的个人观察。从商业运营的角度来看，我们与客户的关系可以分为三层，也就是「两个漏斗，一个抽屉」。第一个漏斗是流量漏斗，把消费者从 nobody 转化为 somebody。不管是线上还是线下，都是要完成这样的转化。第二个漏斗是从 somebody 到 Mr./Ms. Right 的阶段。每个人都是独立且需要被尊重的个体，这是一个建立连接的逻辑。从 somebody 到 Mr./Ms. Right 的核心在于经营信任和连接，也就是信任和共同利益。这两个要素需要不断深化。比如当用户购买会员时，从普通会员到深度会员，就代表着共同利益在加深。当会员等级提升时，我们可能会给予 2% 的返利。这就是在经营客户连接的不同层次，让信任和连接逐步加深，最终达到最佳状态。第三个是「抽屉逻辑」，也就是成为「大众情人」。当一个品牌的形象和品质得到广泛认可，即使是不熟悉的人也会传播其正面故事，认为这是值得信任的品牌。
为什么叫抽屉呢？因为能被大众记住的机会是有限的。比如在日常生活中，高频刚需场景是有限的。早餐可能想到麦当劳、肯德基，外卖想到美团，打车想到滴滴，这些都是已经被占据的「抽屉」。新进入者要么开辟新抽屉，要么颠覆现有格局。零售企业通常会同时在这三个层面发力：通过流量将 nobody 转化为 somebody，通过建立连接培养信任，最终争取成为用户心中的「大众情人」。当品牌建立起足够的美誉度，就能成为那个「大众情人」，获得广泛的认可和信任。品牌需要占据一个「抽屉」位置，或者占据别人的抽屉，才能确立品牌形象。这是我们在商业实践中观察到的普遍现象。如果经营得当，再加上一些运气，就有可能占据一个抽屉位置。或者在现有抽屉旁边开辟新空间，形成新的细分市场。一旦达到这个层级，生意的性质就会发生质的改变。
流量运营、连接建立和平台打造这三种思路是截然不同的。我们需要思考会员制的本质，以及品牌建立的过程。在这个过程中，技术扮演着重要角色。流量漏斗和连接建立最终都可以用数据和算法来优化。考虑到变量众多、约束条件复杂，加上存在多个目标任务，如何确定性地获得结果并持续优化，这些都需要借助人工智能寻找新的解决方案。
Diane
那生成式 AI 在零售领域是否有一些爆发性的应用或创业公司呢？
任建斌
我们在深圳观察到很多这样的尝试。零售本质上是一个「要」和「给」的互动过程，这在人工智能领域体现得非常明确。生成式 AI 就是「要」和「给」的技术体现。过去我们想要某样东西时，无法使用自然语言表达。比如过生日要买蜡烛和蛋糕，春节要送礼物时希望能与收礼人、季节、产地相关，这些复杂的需求都无法直接告诉搜索引擎。但现在我们可以用自然语言表达需求，AI 能生成相应的场景画面。我们可以描述目的和具体情境，然后通过不断调整，包括预算高低等因素，最终确定一个满意的方案。
这个最终确定的方案会转化为购物清单。在这个「要」和「给」的互动中，大模型不仅能准确理解自然语言表达的需求，还能给出越来越精准和快速的响应。这种模式在零售领域有广泛应用，从消费者和商家的互动，到供应链各环节的协作，再到公司内部的客户支持、法务、财务等各个部门，本质上都是「要」与「给」的关系。因此，这种应用场景非常普遍。比如在广告内容生成方面，。有些全球化企业需要根据当地环境和模特特征来生成本地化广告。他们甚至希望能针对特定市场中某类用户特征，生成更容易引发共鸣、提高转化率的广告场景。这样的需求在每个细节环节都体现了「要」和「给」的特点，而 AI 能够随时响应这些需求。
Richer
从我们的角度来看，有两点想要补充。第一是文生图领域，我们目前最看好的是视频人物、虚拟人物相关的应用。另外，整个创投圈也在寻找一些 AI 原生的应用场景。
关于 Agent 这块，在零售和线上平台领域，无论是 SaaS 还是 to B，Agent 目前是比较有商业价值的细分赛道。Agent 在处理工作流程时，是基于对人类传统工序的理解，进行 AI 和自动化方面的尝试。未来，AI 可能会彻底改变我们的工序和工作流程，包括购物流程。这就像从小卖部转向超市的变革，从中心化导购员分配物品，转变为顾客自主选购。未来一定会出现新的零售形式,这正是我们在寻找的所谓「AI 原生」企业，也是大家最为关注的方向。
任建斌
从零售视角来看，未来有两个关系需要正确的建立和处理，从而让 AI 更好地服务这个行业。
第一个关系是企业需要重新梳理、建立和管理与人工智能的关系，特别是与大模型生成式 AI 这类新技术生产力的关系。虽然 AI 能赋能和加速各种流程，但在空间价值、情绪价值方面，它并非简单的合成。比如在线下零售中，女性顾客寻求的不仅是商品本身的价值，还包括空间价值和情绪价值。技术或许无法直接提供这些价值，但可以通过观察和量化来帮助我们更好地管理这些维度。在 NVIDIA，我们称之为 NVAIE（AI Enterprise 服务企业的软件平台），它是一个帮助企业梳理和管理与 AI 大模型关系的工具。
第二个重要关系是组织与物理世界的关系。对零售而言，尽管很多业务已经转移到了线上，但仍有大量工作在线下进行。无论是实体店面、空间价值、心理价值，还是供应链、仓储都在线下运作。这部分需要特别注意规划和管理，否则整个零售的困境将难以突破，供需错配等问题会持续存在。
最终的解决方案就是实现数字孪生，包括门店、仓库和制造环节的数字孪生。这能让我们实时掌握当下发生的事情，实现可视化、可协同、可管理，最重要的是可预测。通过数字孪生，我们可以利用历史数据和外部数据来预测未来趋势，并进行实时调整。比如在产品和空间设计方面，一些客户拥有数千家门店，他们希望开设新店时能够优化销售额和客户体验。通过利用现有门店的数据，我们可以生成更优的新店布局方案。这种可预测性变得越来越重要。这实际上是将线下物理世界的业务引入数字化通道。通过视觉、语音和 IoT 设备，我们可以获取实时、全量、准确的数据。随着成本不断降低，数据分析和数字孪生的应用将极大改善管理效率。
▲ 虚拟世界正推动零售业变革，全球领先的零售公司利用 NVIDIA Omniverse™ 的数字孪生和模拟技术优化门店运营，提升客户与员工体验。｜来源：NVIDIA 官网
Diane
您刚提到需要收集物理世界的大量数据来形成数字孪生，进而预测未来门店的发展。在数据质量和准确性方面，目前是否存在一些瓶颈？
任建斌
数据的完整性、质量和时效性，这些都是形成整体解决方案的关键因素。从整体来看，我们的数据收集方式在不断增多，技术也在不断进步。外部数据的获取规模也在持续扩大。现有技术已经可以对数据进行清洗和整理，使其能够为我们所用。在具体操作中，这是一个不断探索的过程。我们需要针对具体场景做定制化方案，同时也要考虑规模化发展，这其中难免会遇到成本和品质的挑战。但随着技术发展，成本必然会降低，质量也会不断提升。从长远来看，我们对此持乐观态度。
Diane
零售领域传统上并不是一个人才密集型行业。那么在培训员工使用 AI 工具，以及企业软硬件部署方面，会面临哪些挑战和风险？
任建斌
确实存在挑战。如果要给零售企业家或创业者一些建议，我认为需要重新梳理三个边界。第一个是环境边界，因为我们的环境中出现了新的「物种」，这必然会对我们产生影响。第二个是客商边界。我们与客户的边界正在发生变化，他们可能在知乎提问、在微博抱怨、在朋友圈评价。如果仍然认为只有线下门店或呼叫中心才是与客户的接触点，那就已经落后了。我们需要关注客户边界的每个触点，加强线上线下的全面管理。第三个也是最重要的是人机边界。组织内部需要重新审视哪些工作该由机器完成，哪些必须依靠人来做，这就是人机边界。有时是人进机退，有时是机进人退。机器应该专注于自己最擅长的领域，人也要专注于发挥人的独特价值。这种思考会带来商业模式的改变，因为环境的变化可能让我们也成为一个新物种。
管理团队需要重新思考这三个边界，制定相应的解决方案。可以运用 AI 大模型、视觉技术和传统语音方案来减轻负担，让员工专注于最适合他们的工作，实现高效且愉快的工作状态。这需要开发合适的工具，培养使用习惯，让员工在工具和机器的配合下发挥更大价值。首先要理清业务本质，明确岗位定位，然后思考如何重新规划和培养人才。传统的「三规」培训模式（规定时间、地点、内容）效率较低。现在我们看到更多互动式的解决方案，通过 XR 技术、AI 等进行培训，让学习变得更加灵活和个性化。这种方式不仅提高了培训效率，也让排班更智能化、人性化，缩短了培训周期，提升了整体价值创造能力。
▲ 全球零售商每年损耗超过 1000 亿美元，智能视频分析（IVA）通过优化资产保护和减少盗窃，帮助零售商实时防损并大幅降低损失。｜来源：NVIDIA 官网
Diane
预测一下，下一个独角兽可能会从哪个领域爆发出来？有没有一些你们觉得市场上面蛮有机会的应用角度或者产品？
Richer
会关注视频端相关的，包括线上线下解决方案以及独立站平台，还有 AI 相关或其他零售科技相关的领域。同时，关注提效之外的 AI 创新逻辑，即 AI 原生领域。以招聘领域为例，有的企业利用虚拟人或 Chatbot 对话匹配数据，替代了传统简历筛选模式，这种逻辑也可应用于零售领域，未来可能每个人有自己的 Agent，与企业的 Agent 对话就能完成购物，颠覆现有购物流程。
任建斌
NVIDIA 作为平台性公司，客户需要的是方案。从零售视角看，比较关注新的软件平台对未来形成新解决方案的贡献，以及由此构成的新生态。利用这些最新能力技术，帮助客户建立、梳理和管理与人工智能新生产力以及物理世界的关系。目前很多伙伴和客户在这方面有需求、尝试和创新，未来会花更多时间关注和投入。
Diane
对零售行业的从业者还有什么最后的建议？
任建斌
从长期和宏观角度看，对 AI 赋能零售的方向非常乐观，遇到的问题和挑战都是暂时的。一个组织若想在人工智能赋能或数字化方面成功，需具备五个要素：一是要有场景，场景意味着数据来源；二是要有资源，即做人工智能方向的预算准备；三是要有团队，公司内部要有熟悉业务流程和产品，且能从技术和人工智能角度提出需求的人员，拥有自研能力更佳；四是要有伙伴，借助生态力量，NVIDIA 愿意成为底层AI基础设施伙伴，还有其他生态伙伴可供选择；五是一把手和高管团队要有认知和决心，重视并投入时间精力，甚至亲自参与。具备这五个要素，零售企业在业务实践和商业模式创新上会有新机会，期待与国内零售企业交流合作。
以上对话整理自
声动活泼旗下播客「科技早知道」
想更多了解 NVIDIA
欢迎点击收听
也可在各大音频、播客平台搜索本期节目
原创/「科技早知道」
审校/雅娴
编辑/Riley
运营/George
文章封面及配图均来源于 NVIDIA 官网
Like
Share
Popular
Comment