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
这篇研究提出了OThink-R1,一种创新的大型推理模型,能够像人类一样在快速直觉思维和慢速深度推理之间自动切换。研究者发现,现有推理模型即使面对简单问题也会生成冗长的推理过程,导致计算资源浪费。通过分析推理轨迹并使用LLM评判员区分冗余和必要推理,OThink-R1能根据问题复杂度动态调整思考深度。实验表明,该方法平均减少了23.4%的生成文本量,同时保持或提高了准确率,代表了向更高效、更人性化AI推理系统迈出的重要一步。
这项研究提出了SHARE,一种新型文本到SQL修正框架,它利用三个小型语言模型(SLM)协同工作,实现高效精准的SQL错误修正。SHARE首先通过基础行动模型将SQL转换为行动轨迹,再经过模式增强模型和逻辑优化模型的层次化精细化修正。研究团队还创新性地提出了层次化自演化训练策略,大大提高了训练数据效率。实验结果表明,SHARE在多个基准测试上显著提升了SQL生成准确率,计算成本仅为传统方法的十分之一,并展现出强大的泛化能力,适用于各种生成器模型和SQL方言。
这项由香港大学和南京大学等机构研究人员联合开发的双专家一致性模型(DCM)解决了高质量视频生成中的效率难题。研究团队发现扩散模型蒸馏过程中存在优化冲突:早期阶段负责语义布局与运动,后期阶段关注细节精修,两者学习动态差异显著。DCM创新性地将这两个任务分配给不同的专家模型,通过参数高效的实现方式,使模型仅需4步即可生成接近50步原始模型质量的视频,大幅提升生成速度,为实用化AI视频创作铺平道路。
这项研究介绍了QARI-OCR,一种基于Qwen2-VL-2B-Instruct模型微调的阿拉伯文字识别系统。研究团队通过三阶段合成数据训练,成功解决了阿拉伯文字识别中的主要挑战:曲线连笔特性、上下文变化的字母形状和发音符号。QARI v0.2模型创下了0.061的字符错误率和0.160的单词错误率,超越了现有开源解决方案,为阿拉伯文化遗产的数字化保存提供了重要工具。