入华一年,苹果没有披露过Apple Pay在中国的进展情况,去年上线当天3000多万张银行卡绑定会不会成了僵尸数据?相对于微信、支付宝在移动支付场景上的努力,Apple Pay缺的不是技术,而是地推般拼命的战术素养。
一份来自波士顿零售合作伙伴(Boston Retail Partners)的调查报告显示,在美国,Apple Pay刚刚超越了PayPal成为了当地移动支付市场新老大。数据显示,目前全美已有36%的商家开始支持Apple Pay,而同期PayPal的支持率为34%。BRP的调查表明,大约22%的商户计划在未来12个月内支持Apple Pay服务,另有11%的商户预计在未来1-3年内支持Apple Pay。
两年时间,Apple Pay在美国成了移动支付第一,但在中国市场,除了上线当天就有3000多万张银行卡绑定了Apple Pay,并没有更多具有说服力的数据出现。多数情况下,业界在探讨微信支付或者支付宝支付如何攻城略地,比如支付宝口碑的“双12”,比如微信支付的8月8日“无现金日”。
微信和支付宝的争夺自带“眼球效应”,即便是与星巴克合作这样看起来“单点单调”的消息,也能被传媒引申为移动支付战争的又一次升级。但Apple Pay的命运只是商户橱窗或者收银台的一种标志,跟银联的尴尬如出一辙。
易观数据显示,截至2016年上半年,支付宝和财付通以55.4%与32.1%的市场占有率占去了移动支付领域近90%的份额,Apple Pay的市场份额微乎其微。
对本土化的支持程度不够是Apple Pay最大的失误,曾有人以商户的身份在Apple中国官网获取支付业务支持时,点击查询页面的链接,不时会跳转到英文页面,这对一名普通中国商户来说,学习门槛高得惊人。
Apple Pay仅靠支付动作上能短几秒钟的时间优势,并不足以让用户扭转自己的使用习惯。它没有补贴,没有优惠券,没有使用场景,甚至在最基础的工作上,对商户都有理解上的麻烦。
反观微信和支付宝,2000亿美元市值的中国互联网双雄,在支付场景的争夺上用的都是大战略小心思,比如微信支付与星巴克的合作,可以给朋友送出一张优惠券;比如支付宝和中国联通的合作,一次线下扫码可以换取10M的流量……甚至晚于Apple pay很久的小米Pay,也有支持虚拟公交卡的功能,为自己移动支付场景加分。
不只是苹果不努力,它的那些中国队友银联和银行也已经生了二心,他们在去年底发布了银联二维码支付标准并开始大力推广自家产品银联钱包。银联和商业银行曾经是Apple Pay在中国市场的主要推动者,但主打Apple Pay产品“云闪付”推广效果并没有达到预期。
数据显示,2016年上半年,移动支付市场整体交易规模达134776亿元,但银联仅占据其中0.91%,这让银联和银行们不再为二维码支付举棋不定。从去年7月开始,各家商业银行也开始推广自己的二维码支付产品。
有媒体分析,NFC近场支付为技术原理的Apple Pay相当依赖终端环境,也就是需要硬件终端改造(非接触式支付的POS机)。数据显示,在人均POS机数量上,中国大概是185台/万人,而支持NFC的POS机约为75台/万人。在金融消费市场更成熟的日本和韩国,这个数据大概是600台/万人。对商户来说,贴个二维码几乎没有成本,但支持Apple Pay需要升级POS设备——说不定还没人会用呢。
内忧外患,Apple Pay在华惨淡成了必然结果。“无论是应用商店还是支付,都不是苹果在华的主要目标,销售硬件巨大的利润让苹果无暇他顾,作为硬件的配角和补充,Apple Pay又能如何。”不愿透露姓名的业内人士指出。
好文章,需要你的鼓励
随着员工自发使用生成式AI工具,CIO面临影子AI的挑战。报告显示43%的员工在个人设备上使用AI应用处理工作,25%在工作中使用未经批准的AI工具。专家建议通过六项策略管理影子AI:建立明确规则框架、持续监控和清单跟踪、加强数据保护和访问控制、明确风险承受度、营造透明信任文化、实施持续的角色化AI培训。目标是支持负责任的创新而非完全禁止。
NVIDIA研究团队开发的OmniVinci是一个突破性的多模态AI模型,能够同时理解视觉、听觉和文本信息。该模型仅使用0.2万亿训练样本就超越了使用1.2万亿样本的现有模型,在多模态理解测试中领先19.05分。OmniVinci采用三项核心技术实现感官信息协同,并在机器人导航、医疗诊断、体育分析等多个实际应用场景中展现出专业级能力,代表着AI向真正智能化发展的重要进步。
英国正式推出DaRe2THINK数字平台,旨在简化NHS全科医生参与临床试验的流程。该平台由伯明翰大学和MHRA临床实践研究数据链开发,能够安全传输GP诊所与NHS试验研究人员之间的健康数据,减少医生的管理负担。平台利用NHS现有健康信息,安全筛查来自450多家诊所的1300万患者记录,并使用移动消息系统保持试验对象参与度,为传统上无法参与的人群开辟了研究机会。
Salesforce研究团队发布BLIP3o-NEXT,这是一个创新的图像生成模型,采用自回归+扩散的双重架构设计。该模型首次成功将强化学习应用于图像生成,在多物体组合和文字渲染方面表现优异。尽管只有30亿参数,但在GenEval测试中获得0.91高分,超越多个大型竞争对手。研究团队承诺完全开源所有技术细节。