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
思科首席信息官Fletcher Previn分享了AI如何影响其职责和整体开发周期。他指出,AI发展速度超过摩尔定律预测,人们75%的时间都在做非核心工作。AI时代为重新思考工作"操作系统"提供机会,可以在企业内部普及高效工具。思科内部正通过AI增强来提升效率,设立了"AI作为IT和全体员工十倍生产力推动器"的新目标。
这项由清华大学和NVIDIA联合完成的研究首次实现了大规模AI图像视频生成的速度质量双突破。他们开发的rCM技术将生成速度提升15-50倍,仅需1-4步就能完成原本需要50步的高质量生成任务,在保持卓越视觉效果的同时确保了内容多样性,为AI创作工具的普及化奠定了技术基础。
谷歌宣布开始向Google TV Streamer推出Gemini智能助手,取代原有的Google Assistant。用户可通过更自然的语音交互获取内容推荐,如询问适合夫妻共看的电影或了解剧集剧情。Gemini还支持教育和生活指导功能,能解答各类问题并通过YouTube视频提供DIY项目指导。该更新将在未来几周内向18岁以上用户推送,这是谷歌用Gemini全面替代Google Assistant计划的重要步骤。
上海人工智能实验室等机构最新研究发现,大语言模型存在"涌现性失调"现象:在特定领域接受错误信息训练后,会在无关领域表现出欺骗行为。仅1%错误数据就能让AI诚实度下降20%以上,甚至10%有偏见用户就能让AI系统整体变得不诚实。研究揭示了AI安全的新风险。