2024年3月13日,上海——英特尔亮相第二十四届中国零售业博览会(China Shop 2024)。会上,英特尔发布了《零售门店数字化赋能专项报告(2024年)》。该报告系在全球范围内对零售行业门店数字化进行系统化梳理的率先尝试,为零售行业的数字化转型提供了重要参考,彰显了英特尔在这一领域创新的技术、领先的产品组合,以及深耕多年的生态版图。同时,英特尔也宣布了卓越POS认证计划的全面升级,并在现场展示了丰富的落地应用与实际案例。
《零售门店数字化赋能专项报告(2024年)》发布仪式
出席此次博览会的中国连锁经营协会会长彭建真指出,目前,企业数字化转型的路径越来越清晰,但是对于具体的零售门店而言,如何提升数字化能力还有待进一步探索。因此,2023年,协会联合英特尔中国发起了“零售门店数字化赋能专项”行动,目的是梳理出一套科学的零售门店数字化技术方案体系,帮助线下门店提升数字化运营能力。如果做到这一步,我们的门店就会初步具备数字化能力、获取数据能力以及基本分析能力。下一步,协会还将联合项目组各方,就如何进一步通过人工智能、边缘计算等零售科技手段,更好地用好这些数据,指导企业决策和执行。
英特尔公司市场营销集团副总裁、中国区网络与边缘及渠道数据中心事业部总经理郭威表示:“为加速零售门店构建敏捷数智化能力,英特尔致力于为数字门店一体化方案提供创新技术支持,以出色的端到端技术、强大的底层算力和丰富的产品组合为基础,覆盖终端、边缘和云端各个环节,满足数据计算、存储和转发、数据分析以及计算机视觉处理等多种工作负载的需求,从而帮助零售门店用户构建高效的管理系统并创造价值。”
数字化管理模型解构零售业务场景,发掘未来机遇
在博览会期间,英特尔携手行业伙伴发布了《零售门店数字化赋能专项报告(2024年)》,提出了适应中国市场的零售门店数字化管理5P模型,即用户互动(People)、员工赋能(Personnel)、商品展现(Product)、供应链高效(Process)、设施完备(Premise)。英特尔认为,模型中的员工赋能、商品展现、供应链高效和设施完备四项驱动力将促进数字化场景不断迭代,助力零售业态创新发展、企业蓝图协同一致、零售生态开放合作和数字技术领先升级。这也是英特尔与生态系统合作伙伴携手创新的重要方向。
数字化应用创造新价值,打造行业新生态
在报告中,英特尔不仅展望了零售细分行业的未来发展,分析了数字化应用趋势,也列举了具有创新意义的零售门店技术方案蓝图与案例:
英特尔全面升级卓越POS认证计划
卓越POS认证计划由英特尔联合零售行业生态合作伙伴共同发起,旨在通过权威且全面的设备认证测试,打造POS产品的卓越标准,构建中国零售行业的数字化生态。本次升级将带来更综合的评估与更精准的分级,包括卓越POS尊选产品和卓越POS智选产品,并与专业的第三方机构合作,为送测产品提供更权威的测试。
英特尔始终坚信,开放、协作、共建是行业应用成功的必要条件。在搭建安全高效边缘计算平台的产品策略指引下,英特尔将继续秉承“水利万物而不争”的生态哲学,与行业领袖合作,开拓创新应用,通过提升供应链效率、确保资产与数据安全、改进客户体验以及拓展业务边界,助力零售行业探索数字化升级新路径。
好文章,需要你的鼓励
这项研究介绍了一种名为FlowPathAgent的神经符号代理系统,用于解决流程图归因问题。研究团队提出了流程图精细归因这一新任务,构建了FlowExplainBench评估基准,并开发了结合视觉分割、符号图构建和基于代理的图形推理的方法。实验表明,该方法在归因准确性上比现有基线提高了10-14%,特别在处理复杂流程图时表现出色,为提升人工智能系统在处理结构化视觉-文本信息时的可靠性和可解释性提供了新途径。
这项研究首次从神经元层面揭示了大型语言模型(LLM)评估中的"数据污染"机制。研究团队发现当模型在训练中接触过测试数据时,会形成特定的"捷径神经元",使模型无需真正理解问题就能给出正确答案。他们提出了一种新方法,通过识别并抑制这些神经元(仅占模型总神经元的约1%),成功恢复了模型的真实能力表现。实验证明,该方法与权威可信基准测试结果高度一致(相关系数>0.95),并在不同基准和参数设置下都表现出色,为解决LLM评估可信度问题提供了低成本且有效的解决方案。
这份来自向量研究所、康奈尔大学和格罗宁根大学研究团队的综述分析了基于大语言模型的代理型多智能体系统中的信任、风险和安全管理框架(TRiSM)。研究系统地探讨了代理型AI从概念基础到安全挑战,提出了包含治理、可解释性、模型运营和隐私/安全四大支柱的TRiSM框架。文章还详细分析了威胁向量、风险分类,并通过真实案例研究展示了潜在脆弱性。
这项研究提出了一种名为ConfiG的创新方法,通过生成针对性的数据增强样本来解决知识蒸馏中的协变量偏移问题。研究团队利用教师模型和学生模型之间的预测差异,引导扩散模型生成那些能挑战学生模型的样本,从而减少模型对训练数据中欺骗性特征的依赖。实验表明,该方法在CelebA、SpuCo Birds和Spurious ImageNet数据集上显著提升了模型在缺失组别上的性能,为资源受限环境下的AI应用提供了实用解决方案。