2分钟内即可完成精确定位。

但是不敢ALL IN。

"If no mutually acceptable solution is reached, both the existing and possible additional EU counter-measures will automatically take effect on July 14 or earlier if circumstances require," said European Commission spokesperson Olof Gill.

<blockquote><p>作为近年来三维计算机视觉和图形学领域最具革命性的突破之一，NeRF（神经辐射场）以其从稀疏二维图像中重建出照片级真实感三维场景的能力，迅速吸引了学术界和工业界的广泛关注。本文从AI+3D产品经理的视角出发，深入解析了NeRF技术的核心原理、独特优势、当前局限以及前沿应用前景，希望能帮到大家。</p> </blockquote>  ## 引言：光影的魔法师——神经辐射场概览 在前三篇笔记中，我们逐步揭开了 AI 生成 3D 技术的面纱：从宏观的驱动力与价值（S2E01），到主流技术流派的辨析（S2E02），再到实用工具的选择与评估框架（S2E03）。在这些讨论中，一个名字被反复提及，并被誉为近年来三维计算机视觉和图形学领域最具革命性的突破之一——它就是 **NeRF (Neural Radiance Fields，神经辐射场)**。 NeRF 以其前所未有的能力，从一组稀疏的二维图像中学习并渲染出具有照片级真实感的三维场景新视图，迅速吸引了学术界和工业界的广泛关注。它不仅仅是一种三维重建技术，更是一种全新的、基于神经网络的场景表示与渲染范式。理解 NeRF 的核心原理、洞察其关键优势、正视其当前局限，并展望其广阔的应用前景，对于我们产品经理把握 AI+3D 的技术前沿、构思创新产品至关重要。  本篇笔记（S2E04）将聚焦于 NeRF 技术本身，进行一次相对深入的”技术潜航”。我们将一同探索： - **核心思想探索:** NeRF 是如何用一个简单的神经网络”记住”复杂场景的光影信息的？其核心思想是什么？ - **独特优势分析:** 相比传统三维重建和渲染方法，NeRF的独特优势体现在哪些方面？为何它能产生如此惊艳效果？ - **挑战与局限认识:** 当前NeRF技术在实际应用中面临哪些主要挑战和技术瓶颈？例如效率、可编辑性、场景规模等 - **应用前景展望:** NeRF 及其变种正在哪些前沿领域展现出巨大的应用潜力？未来的发展趋势如何？  **目标是帮助产品经理们不仅”听过”NeRF，更能”理解”NeRF，从而在未来的产品规划和技术决策中，能够更准确地评估其价值和可行性。** ## 一、 NeRF 的核心思想：用神经网络”记住”光线如何与场景互动  NeRF 的核心思想可以概括为：用一个连续的、隐式的神经场函数来表示一个静态三维场景的完整体积光学特性，并通过可微分的体积渲染技术从该表示中合成新视图。 这个看似复杂的定义，可以拆解为以下几个关键组成部分： ### 1. 隐式神经表示 (Implicit Neural Representation) 传统的三维场景表示方法，如多边形网格 (Polygon Meshes)、点云 (Point Clouds)、体素网格 (Voxel Grids)，都是显式的，即直接用离散的几何元素（顶点、面、点、小方块）来描述场景的形状。而 NeRF 则采用了一种隐式的表示方法。 **a. 场景函数** 它将整个三维场景（包括其几何形状和外观材质）表示为一个连续的函数 F_Θ。这个函数通常由一个标准的多层感知机（MLP，即一个简单的前馈神经网络）来实现，其权重参数为 Θ。 **b. 输入与输出** 这个 MLP 的输入是一个五维向量：空间中一个点的位置坐标 (x, y, z) 和一个观察该点的方向 (θ, φ)（通常用单位方向向量 (d_x, d_y, d_z) 表示）。其输出是两个值：该点在该观察方向下的体积密度 (σ) 和颜色 (c)（通常是 RGB 值）。 - **体积密度 (σ):** 这是一个非负标量，表示光线在穿过 (x, y, z) 这一点时，被吸收或散射的”概率”或”强度”。密度越大的地方，场景越”实”；密度为零的地方，场景是”空”的。体积密度主要决定了场景的几何形状。 - **颜色 (c):** 这是一个三维颜色向量 (R, G, B)，表示如果光线在该点被反射或散射出来，它会呈现什么颜色。为了模拟非朗伯体（non-Lambertian）表面的视角相关反射效果（如高光），颜色通常也依赖于观察方向 (θ, φ)。 **c. 连续性** 由于 MLP 是一个连续函数，因此 NeRF 对场景的表示也是连续的，理论上可以查询空间中任意精细位置的光学特性，这与离散表示方法有本质区别。 本质上，这个 MLP 就像一个”记忆黑盒”，通过其网络权重 Θ，”记住”了整个三维场景中每一点对光线的响应方式。 ### 2. 体积渲染方程 (Volume Rendering Equation) 拥有了场景的隐式神经表示（即训练好的 MLP F_Θ）之后，如何从这个表示中生成一张特定视角的二维图像呢？NeRF 采用了经典的体积渲染原理。 **a. 光线投射 (Ray Casting)** 对于目标图像中的每一个像素，从虚拟相机的视点（Camera Origin, o）出发，沿着该像素的方向（Ray Direction, d）投射一条光线 r(t) = o + t*d 进入场景。 **b. 沿光线采样 (Sampling along Ray)** 在这条光线的近裁剪面 t_n 和远裁剪面 t_f 之间，采样一系列离散的点 {t_i}。对于每个采样点 p_i = r(t_i)，将其空间坐标 (x_i, y_i, z_i) 和光线方向 d 输入到 MLP F_Θ 中，查询得到该点的体积密度 σ_i 和颜色 c_i。 **c. 颜色累积 (Color Accumulation)** 光线最终呈现的颜色 C(r)，是沿着光线所有采样点的颜色 c_i 根据其密度 σ_i 和前面所有点的”遮挡程度”（透射率 T_i）进行加权累积的结果。离散形式的体积渲染方程可以表示为： C(r) = Σ (T_i * α_i * c_i) 其中，α_i = 1 – exp(-σ_i * δ_i) 是第 i 个采样段的透明度（δ_i 是相邻采样点之间的距离），而 T_i = exp(-Σ_{j&lt;i} (σ_j * δ_j)) 是光线到达第 i 个采样点之前的累积透射率（即未被吸收的程度）。 这个公式直观地模拟了光线穿过一个半透明体积介质时，沿途吸收和散射光线并最终形成颜色的物理过程。 **d. 可微分性** NeRF 的一个核心创新在于，整个从 MLP 查询到体积渲染计算像素颜色的过程是完全可微分的。这意味着，如果我们知道渲染出的像素颜色与真实图像中对应像素颜色之间的差异（例如，通过均方误差损失函数计算），我们就可以通过反向传播算法（Backpropagation）计算出这个损失对于 MLP 网络权重 Θ 的梯度。 ### 3. 从多视图图像中学习 (Learning from Multi-view Images) NeRF 的训练过程正是利用了其可微分渲染的特性，通过优化 MLP 的权重 Θ，使其能够为任意输入视角渲染出与真实观测图像尽可能一致的图像。 **a. 输入数据** 训练 NeRF 需要一组从不同已知视角拍摄的关于同一静态场景的图像，以及每张图像对应的精确相机参数（包括内参如焦距、主点，和外参如相机位置、姿态）。这些相机参数通常可以通过 Structure-from-Motion (SfM) 算法（如 COLMAP）从图像中预先估计得到。 **b. 优化目标** 目标是找到一组 MLP 权重 Θ，使得对于训练集中的每一张图像 I_k 及其对应的相机位姿 P_k，从 P_k 视角通过 NeRF 渲染出的图像 I_hat_k(Θ) 与真实图像 I_k 之间的差异最小化。这个差异通常用所有像素颜色的均方误差（MSE）之和来衡量。 **c. 训练过程** - 在每次训练迭代中，随机从所有训练图像的所有像素中采样一批光线（Ray Batch）。 - 对于每条光线，沿其路径采样点，使用当前的 MLP F_Θ 查询密度和颜色。 - 通过体积渲染计算每条光线的预测颜色。 - 计算预测颜色与光线对应的真实像素颜色之间的损失。 - 根据损失反向传播梯度，更新 MLP 的权重 Θ。 - 重复此过程成千上万次（通常需要数十万到数百万次迭代），直至 MLP 收敛，能够准确地复现所有训练视图。 训练完成后，这个 MLP 就”学会”了整个场景的三维几何形状和外观材质信息，可以用来合成任意新视角的图像。 ### 4. 代表性技术/模型/工具/案例/文献与讨论 [NeRF开创性论文，首次提出神经辐射场的完整理论框架和实现方法]  [来源：NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis – https://arxiv.org/abs/2003.08934] [计算机图形学经典体积渲染技术的深入解析教程]  [来源：The Design and Evolution of Disney’s Hyperion Renderer -https://www.yiningkarlli.com/projects/hyperiondesign.html] [神经辐射场的数学原理和体积渲染理论详解]  [来源：Volume Rendering – Computer Graphics Tutorial -https://graphics.stanford.edu/courses/cs348b-01/course8.pdf] ## 二、 NeRF 的关键优势：为何它如此引人注目？  NeRF 之所以能在短时间内引起学术界和工业界的巨大反响，并迅速成为研究热点，主要归功于其相比传统三维重建和渲染方法所展现出的一系列显著优势： ### 1. 无与伦比的新视图合成质量 (Unparalleled Novel View Synthesis Quality) 这是 NeRF 最令人印象深刻的特点。对于训练数据覆盖较好的区域，NeRF 能够生成具有照片级真实感、细节极其丰富、且在不同视角间保持高度一致性的新视图图像。 **a. 精细几何细节的捕捉** 由于其连续的隐式表示，NeRF 能够捕捉到传统基于离散网格的重建方法难以表达的极其精细的几何细节，例如复杂的表面纹理、微小的孔洞、或者毛发、织物等柔软结构的微妙形态。 **b. 逼真的视角相关外观** NeRF 将观察方向作为 MLP 的输入之一来预测颜色，这使其能够准确地学习和再现视角相关的光学效应，如高光反射（Specular Highlights）、菲涅尔效应（Fresnel Effect）等，这些对于提升渲染结果的真实感至关重要。 **c. 视图间的高度连贯性** 当在不同新视点之间平滑移动相机时，NeRF 生成的图像序列通常表现出极佳的时间和空间连贯性，不会出现传统方法中可能出现的跳变、闪烁或伪影。这使得 NeRF 非常适合用于创建平滑的相机漫游动画或自由视角视频。 这种高质量的视图合成能力，使得 NeRF 在许多对视觉效果要求极高的应用（如影视特效、VR/AR 内容、数字人）中展现出巨大潜力。 ### 2. 对复杂光学现象的强大表现力 (Strong Representation of Complex Optical Phenomena) 传统三维渲染管线通常需要对场景中的材质属性（如漫反射率、镜面反射率、粗糙度、折射率等）进行显式建模，并依赖复杂的光照传输模拟（如光线追踪、路径追踪）来计算最终图像。而 NeRF 则通过其端到端的学习方式，能够隐式地学习到场景中复杂的全局光照和材质交互效果。 **a. 处理反射与折射** NeRF 能够较好地处理包含镜面反射（如金属表面、水面）或透明/半透明材质（如玻璃、烟雾）的场景，而这些对于许多传统 MVS 方法来说是极大的挑战。它通过学习光线在这些复杂介质中的传播和散射规律来实现这一点。 **b. 隐式的全局光照** 虽然基础 NeRF 模型本身不直接建模光源或阴影，但由于它学习的是从特定视角看到的”最终颜色”，这个颜色实际上已经包含了场景中所有直接光照、间接光照（全局光照 GI）、软阴影等复杂光线传播效应的综合结果。因此，其渲染结果往往比只考虑局部光照模型的方法更具真实感。 **c. 无需显式材质建模** NeRF 不需要用户预先定义场景中物体的材质类型或参数，它从图像数据中”自行”学习这些光学特性。这简化了内容创建流程，但也可能导致难以对材质进行单独编辑。 这种对复杂光学现象的强大捕捉能力，使得 NeRF 能够生成更接近真实世界光影效果的图像。 ### 3. 连续且紧凑的场景表示 (Continuous and Compact Scene Representation) NeRF 用一个相对较小的神经网络（通常只有几 MB 到几十 MB 的权重参数）来表示整个三维场景，这与一些需要存储大量离散几何数据（如高分辨率体素网格或密集点云）的表示方法相比，具有显著的存储优势。 **a. 紧凑性** 一个训练好的 MLP 网络权重文件通常比存储同等细节水平的显式几何模型（如高精度 Mesh 或密集点云）要小得多。这对于场景的存储、传输和分发非常有利。 **b. 连续性与分辨率无关性** 由于场景被表示为连续函数，理论上 NeRF 可以以任意分辨率进行渲染，其细节水平仅受限于 MLP 网络的容量和训练数据的质量，而非像体素或网格那样受限于固定的离散分辨率。这意味着可以从同一个 NeRF 模型中渲染出既适合快速预览的低分辨率图像，也适合精细查看的高分辨率图像。 **c. 隐式表示的优势** 隐式表示天然地避免了显式网格可能存在的拓扑问题（如孔洞、非流形）、自相交等，其表面通常是平滑且封闭的（如果场景本身是这样）。 这种表示方式为高效存储和传输高质量三维场景数据提供了新的可能性。 ### 4. 代表性技术/模型/工具/案例/文献与讨论 [NeRF在新视图合成方面的卓越性能和质量评估]  [来源：NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis – https://www.matthewtancik.com/nerf] [对比研究NeRF与传统多视图立体视觉方法的优势分析]  [来源：Advances in Neural Rendering – Computer Graphics Forum – https://onlinelibrary.wiley.com/doi/abs/10.1111/cgf.14507] [NeRF在处理复杂光照和反射效果方面的技术突破]  [来源：Ref-NeRF: Structured View-Dependent Appearance for Neural Radiance Fields – https://dorverbin.github.io/refnerf/] ## 三、 NeRF 的主要挑战与技术局限  尽管 NeRF 带来了革命性的进步，但它并非没有缺点。在将其广泛应用于实际产品和生产流程之前，我们必须清醒地认识到其当前面临的主要挑战和技术局限。这些局限性正是当前研究社区努力攻克的方向。 ### 1. 训练与渲染效率问题 (Training and Rendering Efficiency Issues) 这是早期 NeRF 最受诟病的问题之一，也是阻碍其在许多实时应用中落地的主要障碍。 **a. 漫长的训练时间** 原始 NeRF 模型通常需要针对单个场景进行数小时甚至一两天的训练（在单个高端 GPU 上），才能达到较好的收敛效果。这对于需要快速迭代或处理大量场景的应用来说是不可接受的。其原因是 MLP 需要查询海量光线上的海量采样点，并进行大量迭代才能充分学习场景。 **b. 缓慢的渲染速度** 从训练好的 NeRF 模型渲染一张新视图（例如 800×800 分辨率）也可能需要数十秒甚至数分钟。这是因为每条光线都需要进行密集的采样和多次 MLP 前向传播，计算量巨大。这使得实时交互式渲染（如 VR/AR 应用所需的 &gt;30 FPS）变得非常困难。 **c. 后续改进的努力** 幸运的是，效率问题是 NeRF 研究中最活跃的方向之一。后续涌现了大量旨在加速训练和渲染的工作，例如： - **基于数据结构优化的方法:** 如 PlenOctrees (Plenoxels), DVGO, TensoRF 等，它们使用稀疏体素网格或其他显式数据结构来存储部分场景信息（如特征、密度或球谐系数），从而减少 MLP 的查询次数和复杂度，或者完全替代 MLP。 - **基于哈希编码的方法:** 以 Nvidia 的 Instant-NGP (Instant Neural Graphics Primitives) 为代表，通过多分辨率哈希表编码空间坐标，极大地提高了 MLP 的学习效率和表达能力，能够将训练时间从数天缩短到数分钟甚至数秒，渲染速度也大幅提升。 - **显式点云/高斯表示:** 近期大热的 3D Gaussian Splatting 则完全抛弃了隐式的 MLP 和体积渲染，转而使用一组带有位置、旋转、缩放、颜色、不透明度等属性的 3D 高斯函数来显式表示场景，通过可微分的光栅化渲染器进行高效渲染，实现了极快的训练速度和SOTA级的实时渲染质量。 尽管效率问题已得到显著改善，但对于超大规模场景、超高分辨率渲染或极低延迟的实时交互，仍然存在挑战。 ### 2. 可编辑性与可控性的难题 (Challenges in Editability and Controllability) NeRF 将整个场景”烘焙”到一个神经网络的权重中，这种端到端的隐式表示方式虽然强大，但也带来了编辑和控制上的巨大困难。 **a. 难以进行直观的几何编辑** 相比于传统的基于 Mesh 的建模软件（用户可以直接选择、移动、变形顶点/边/面），对 NeRF 进行精细的几何修改非常困难。我们无法直接”抓住”NeRF 中的某个物体或表面进行拖拽。 **b. 材质与光照的解耦和编辑困难** NeRF 学习到的是最终的”外观颜色”，其中混合了物体的固有材质、场景的全局光照、阴影等多种因素。想要单独修改某个物体的材质（如改变颜色、粗糙度）、或者改变场景的光照条件（如移动光源、改变光照强度/颜色）并得到物理正确的结果，对于标准 NeRF 来说非常困难。 **c. 物体级别的操纵与场景组合** 标准 NeRF 将整个场景视为一个整体进行表示。如果想对场景中的单个物体进行移动、旋转、复制、删除，或者将多个独立训练的 NeRF 场景无缝地组合在一起，都面临很大挑战。 **d. 语义理解与编辑的缺乏** NeRF 本身不具备高层语义理解能力。它不知道场景中哪些部分是”桌子”，哪些是”椅子”。因此，难以进行基于语义的编辑（例如，”把所有窗户变大一点”）。 **e. 研究进展** 提升 NeRF 的可编辑性和可控性是当前非常活跃的研究方向。已经出现了一些探索性的工作，例如： - **NeRF-Editing / EditNeRF:** 尝试通过变形场或用户引导来修改 NeRF 的几何或外观。 - **Object-centric NeRF / Compositional NeRF:** 试图将场景分解为多个独立的物体级 NeRF，以便进行单独控制和组合。 - **Relighting NeRF / Material-aware NeRF:** 致力于从 NeRF 中解耦出物体的固有材质属性（如反照率、法线、粗糙度等）和场景光照，从而实现对光照和材质的独立编辑。 - **Instruct-NeRF2NeRF / EditAnything:** 结合大型语言模型或视觉语言模型，允许用户通过自然语言指令或简单的视觉提示来编辑 NeRF 场景。 尽管取得了一些进展，但要达到传统 3D 建模软件那样灵活、精确、直观的编辑体验，NeRF 还有很长的路要走。 ### 3. 对输入数据与相机位姿的敏感性 (Sensitivity to Input Data and Camera Poses) NeRF 的重建质量在很大程度上依赖于输入的多视图图像的质量和对应的相机参数的准确性。 **a. 图像质量要求** 输入图像最好清晰、曝光良好、噪声低。模糊、过曝/欠曝、或者包含运动模糊、相机抖动的图像，都会降低重建质量，导致细节丢失或产生伪影。 **b. 视角覆盖与数量** 需要有足够数量、从不同角度充分覆盖目标场景的图像。如果某些区域的视角覆盖不足（例如，物体背面完全没有拍到），NeRF 也很难准确重建这些区域，可能会产生”漂浮”或不合理的结构。 **c. 相机参数的精度** NeRF 训练高度依赖于准确的相机内参（焦距、主点、畸变参数）和外参（每张图像的精确位置和姿态）。如果通过 SfM 预处理得到的相机参数存在较大误差，会导致 NeRF 学习到的几何结构变形、模糊或无法收敛。对于某些 SfM 难以处理的场景（如对称结构、重复纹理、运动物体），获取准确相机位姿本身就是一个挑战。 **d. 处理动态元素的困难** 标准 NeRF 假设场景是完全静态的。如果训练图像中包含了移动的物体、变化的光照或相机自身的运动（如卷帘快门效应），都会对重建质量造成严重干扰，导致模糊或”鬼影”。处理动态场景是 NeRF 的一个重要扩展方向（如 D-NeRF, Nerfies, HyperNeRF 等）。 因此，在实际应用 NeRF 时，高质量的数据采集和精确的相机位姿估计是保证最终效果的关键前提。 ### 4. 动态场景与大范围场景的扩展挑战 (Challenges in Extending to Dynamic and Large-scale Scenes) 标准 NeRF 主要针对静态、小范围的场景设计，将其直接应用于复杂的动态场景或城市级别的大范围场景面临诸多挑战。 **a. 动态场景建模** 如何有效地表示和学习随时间变化的场景几何与外观？如何处理运动物体的遮挡、形变和光照变化？如何从稀疏的视频输入中重建出连贯的动态 NeRF？这些都是极具挑战性的问题。现有方法通常通过引入时间作为 MLP 的额外输入、学习形变场、或者将场景分解为静态背景和动态前景等方式来尝试解决。 **b. 大范围场景建模** 单个 MLP 的容量有限，难以精确表示一个非常大（如城市街区）或非常复杂（包含大量物体和细节）的场景。直接用单个 NeRF 训练大场景，不仅训练时间极长，效果也可能不佳（容易丢失细节或产生模糊）。因此，需要研究如何将大场景分解为多个小的、可独立建模的 NeRF 子块，并能实现它们之间的平滑过渡和高效查询。Block-NeRF, Mega-NeRF 等工作是这方面的代表。此外，如何处理大场景中光照的复杂变化（如日夜交替）也是一个难题。 ### 5. 从隐式表示到显式网格的转换 (Conversion from Implicit Representation to Explicit Mesh) 尽管 NeRF 的隐式表示有很多优点，但在许多实际应用中（如游戏引擎、物理模拟、传统建模软件编辑），我们仍然需要一个显式的、高质量的三角网格（Mesh）作为最终交付物。从 NeRF（特别是其核心的密度场 σ）中提取出高质量的表面网格是一个被称为”表面重建”或”Mesh 提取”的过程，本身也存在挑战。 **a. 经典方法 Marching Cubes 的局限** 传统上，从隐式函数（如 SDF 或密度场）提取等值面的常用方法是 Marching Cubes 算法。但直接将其应用于 NeRF 的密度场，可能会产生包含大量噪声、不平滑、或者面数过多的网格，尤其是在密度变化不剧烈或存在细小浮空结构的区域。 **b. 需要后处理与优化** 通常需要对 Marching Cubes 的输出进行平滑、简化、拓扑修复等后处理操作，才能得到可用的网格。 **c. 新的提取算法** 研究者们也在探索更适合 NeRF 的网格提取算法，例如基于可微分渲染进行网格优化的方法（如 DMTet, FlexiCubes）、或者直接从 NeRF 学习生成高质量网格的端到端方法。 **d. 纹理烘焙** 提取出网格后，还需要将 NeRF 学习到的视角相关的颜色信息”烘焙”到网格的 UV 纹理贴图上，以便在标准渲染器中使用。这个过程也需要仔细处理，以保留尽可能多的细节和光照效果。 虽然已经有很多工具和方法可以从 NeRF 中提取 Mesh，但要自动、高效地获得与 NeRF 渲染质量相媲美的高质量、低面数、优化拓扑的 Mesh 仍然是一个有待进一步完善的环节。 ### 6. 代表性技术/模型/工具/案例/文献与讨论 **效率提升工作** [NVIDIA开发的突破性神经图形原语技术，实现千倍加速训练和实时渲染]  [来源：Instant Neural Graphics Primitives with a Multiresolution Hash Encoding – https://nvlabs.github.io/instant-ngp/] [革命性的3D高斯点云表示方法，实现实时神经辐射场渲染]  [来源：3D Gaussian Splatting for Real-Time Radiance Field Rendering – https://repo-sam.inria.fr/fungraph/3d-gaussian-splatting/] [稀疏体素网格优化技术，大幅提升NeRF渲染速度]  [来源：PlenOctrees for Real-time Rendering of Neural Radiance Fields – https://alexyu.net/plenoctrees/] **可编辑性研究** [基于文本指令的NeRF场景编辑技术]  [来源：Instruct-NeRF2NeRF: Editing 3D Scenes with Instructions – https://instruct-nerf2nerf.github.io/] [神经表面重建技术，实现从NeRF到高质量网格的转换]  [来源：NeuS: Learning Neural Implicit Surfaces by Volume Rendering for Multi-view Reconstruction – https://lingjie0206.github.io/papers/NeuS/] [动态场景神经辐射场技术，处理时变几何和外观]  [来源：D-NeRF: Neural Radiance Fields for Dynamic Scenes – https://www.albertpumarola.com/research/D-NeRF/index.html] [大场景神经辐射场的分块处理方法]  [来源：Block-NeRF: Scalable Large Scene Neural View Synthesis – https://waymo.com/research/block-nerf/] [Mesh提取和几何重建的高级技术方法]  [来源：NeuS: Learning Neural Implicit Surfaces by Volume Rendering – https://arxiv.org/abs/2106.10689] ## 四、 NeRF 的前沿应用探索与未来展望  尽管面临诸多挑战，NeRF 及其快速发展的变种技术，凭借其独特的优势，已经在多个前沿领域展现出巨大的应用潜力，并预示着三维内容创建与交互方式的深刻变革。 ### 1. 数字孪生与高精度场景重建 (Digital Twins and High-fidelity Scene Reconstruction) NeRF 能够从真实世界的图像或视频中重建出高保真的三维数字副本，这使其成为构建数字孪生（Digital Twin）的理想技术之一。 **a. 城市与建筑数字化** 利用无人机拍摄的城市航拍照片或街景视频，可以训练 NeRF 模型生成整个城市街区或特定建筑的高精度三维数字模型，用于城市规划、智慧交通、建筑信息模型（BIM）可视化、灾害模拟等。 **b. 工业场景与设备数字化** 对工厂车间、生产线、复杂机械设备进行 NeRF 重建，可以用于远程监控、设备维护指导、操作流程培训、虚拟装配验证等。 **c. 文化遗产保护与展示** 对古迹、文物、艺术品进行高精度 NeRF 扫描和数字化存档，不仅可以永久保存其珍贵信息，还可以通过 VR/AR 等方式向公众提供沉浸式的虚拟参观和互动体验。 ### 2. VR/AR 内容创建与沉浸式体验 (VR/AR Content Creation and Immersive Experiences) NeRF 生成的场景具有照片级的真实感和视图间的强一致性，非常适合用于创建高质量的 VR（虚拟现实）和 AR（增强现实）内容，提供更具沉浸感的体验。 **a. 真实场景的 VR 漫游** 用户可以”走进”通过 NeRF 重建的真实场景（如旅游景点、博物馆、房产样板间）进行自由探索和互动。 **b. AR 内容与现实世界的融合** 将 NeRF 重建的虚拟物体或场景叠加到现实环境中，实现更逼真的增强现实效果，例如在真实桌面预览虚拟家具、在真实街道上进行 AR 导航指引等。 **c. 提高虚拟社交与远程协作的真实感** 在元宇宙或远程协作平台中，使用 NeRF 技术创建更逼真的虚拟环境和用户化身，可以增强临场感和社交互动体验。 ### 3. 虚拟制片与影视特效 (Virtual Production and VFX) NeRF 在影视行业的应用潜力也备受关注，尤其是在虚拟制片和视觉特效（VFX）领域。 **a. 场景预演与概念设计** 导演和美术团队可以利用 NeRF 快速将真实场景或概念草图转化为可交互的三维预览，用于镜头设计、光照测试和美术风格确认。 **b. 背景替换与环境扩展** 使用 NeRF 重建真实拍摄场景的数字副本，可以在后期制作中更方便地进行背景元素的替换、擦除或数字环境的扩展，甚至生成无法实际拍摄的极端视角。 **c. 数字演员与虚拟角色** 虽然挑战仍大，但利用 NeRF（特别是动态 NeRF）技术创建高度逼真的数字演员或虚拟角色，并能自然地融入真实或虚拟场景中，是未来的重要发展方向。 ### 4. 机器人感知与自主导航 (Robotics Perception and Autonomous Navigation) NeRF 作为一种强大的场景表示方法，也开始被应用于机器人领域，帮助机器人更好地理解和感知周围环境，并进行更智能的导航和交互。 **a. 高精度环境建图** 机器人可以利用其搭载的摄像头，在探索未知环境时实时或离线构建 NeRF 地图，这种地图比传统的点云或栅格地图包含更丰富的外观和几何信息。 **b. 自主导航与路径规划** 基于 NeRF 地图，机器人可以进行更精确的自身定位，并规划出更安全、更高效的导航路径，尤其是在包含复杂几何和外观的室内或室外环境中。 **c. 物体识别与位姿估计** NeRF 表示有助于机器人从不同视角识别场景中的物体，并估计其精确的六自由度位姿，这对于抓取、操纵等任务至关重要。 ### 5. 作为生成模型的中间表示 (Intermediate Representation for Generative Models) 正如我们在 S2E02 中讨论的，NeRF（或其变种如 SDF）由于其连续、可微的特性，已经成为许多先进的 Text-to-3D 或 Image-to-3D 生成模型（特别是基于优化的方法如 DreamFusion）首选的底层三维表示。AI 首先生成或优化一个 NeRF 场景，然后再从中提取出最终的 Mesh。NeRF 在这里扮演了连接高层语义输入（文本、图像）和低层三维几何输出的关键桥梁角色。 ### 6. 未来趋势：更快、更可控、更通用、更可交互 展望未来，NeRF 技术的发展将主要围绕以下几个方向持续演进： **a. 效率的极致追求 (Faster)** 训练和渲染速度将继续提升，目标是实现大规模场景的秒级训练和超高分辨率的实时交互渲染，使其能广泛应用于对延迟要求极高的场景。3D Gaussian Splatting 等显式表示方法在这方面已经取得了巨大进展，未来可能会与 NeRF 的思想进一步融合。 **b. 可控性与可编辑性的增强 (More Controllable &amp; Editable)** 发展更直观、更精确、更细粒度的 NeRF 编辑工具和交互方式，让用户能够像编辑传统 Mesh 一样方便地修改 NeRF 场景的几何、材质、光照，甚至进行语义级别的操纵。 **c. 通用性与泛化能力的提升 (More General &amp; Generalizable)** 训练能够理解和表示更广泛类别场景、甚至能从少量新视图快速泛化到全新场景的通用 NeRF 模型（Foundation Models for 3D Scenes）。处理无界大场景、复杂动态场景的能力也将持续增强。 **d. 与其他 AI 技术的深度融合 (Deeper Integration with other AI)** 例如，与大型语言模型（LLM）结合实现通过自然语言对话进行场景创建和编辑；与强化学习（RL）结合训练智能体在 NeRF 环境中进行交互和学习；与物理引擎结合实现对 NeRF 场景的真实物理模拟等。 **e. 走向更广泛的终端设备 (Wider Device Accessibility)** 优化 NeRF 模型和渲染算法，使其能够在算力相对有限的移动设备、VR/AR 一体机上高效运行，从而推动相关应用的普及。 NeRF 及其引发的神经场景表示研究浪潮，无疑正在深刻地改变我们创建、感知和交互三维世界的方式。 ### 7. 代表性技术/模型/工具/案例/文献与讨论 [NeRF在数字孪生和虚拟现实中的创新应用案例]  [来源：Neuralangelo: High-Fidelity Neural Surface Reconstruction – https://research.nvidia.com/labs/dir/neuralangelo/] [基于NeRF的虚拟制片和影视制作技术革新]  [来源：Neural Volumes: Learning Dynamic Renderable Volumes from Images – https://stephenlombardi.github.io/projects/neuralvolumes/] [NeRF技术在机器人视觉和自主导航中的应用前景]  [来源：NeRF for Robotics: A Survey – https://arxiv.org/abs/2309.07891] [下一代NeRF变种技术和3D生成模型的发展趋势]  [来源：Plenoxels: Radiance Fields without Neural Networks – https://alexyu.net/plenoxels/] ## 结语：NeRF——开启三维内容创作新纪元的钥匙之一 通过本篇笔记的深度剖析，我们一同探索了 NeRF (神经辐射场) 这一革命性技术的奥秘。从其精巧的核心思想——用一个简单的神经网络隐式地”记住”整个三维场景的光学特性，并通过可微分的体积渲染重现光影——到其令人惊叹的关键优势，如无与伦比的新视图合成质量、对复杂光学现象的强大表现力以及连续紧凑的场景表示。NeRF 无疑为三维计算机视觉和图形学领域带来了全新的视角和强大的工具。 然而，我们也清醒地认识到，作为一项仍在快速发展的技术，NeRF 并非没有软肋。其在训练与渲染效率、可编辑性与可控性、对输入数据的敏感性、以及向动态和大范围场景扩展等方面，仍面临着诸多亟待解决的挑战。这些挑战也正是当前学术界和工业界投入巨大热情进行攻关的方向，催生了 Instant-NGP, Gaussian Splatting, Instruct-NeRF2NeRF 等一系列令人振奋的后续工作。 对于我们产品经理而言，理解 NeRF 的原理、优势与局限，其意义远不止于增加一项技术谈资。它关系到我们能否：  - **准确评估技术可行性:** 在规划包含高保真三维场景重建、新视图合成、或沉浸式体验的产品功能时，能够判断 NeRF 类技术是否是合适的选择，其当前成熟度是否能满足项目需求。 - **洞察新的产品机遇:** NeRF 的出现正在催生或赋能一系列新的应用场景，如更易用的 3D 扫描工具、更逼真的 VR/AR 内容、更高效的虚拟制片流程等。我们需要思考如何在这些新兴领域中找到产品的切入点。 - **设定合理的产品预期:** 了解 NeRF 的局限性，有助于我们向团队、用户和市场传递准确的信息，避免过度承诺，管理好各方预期。 - **推动技术与应用的结合:** 在理解技术边界的前提下，与研发团队共同探索如何扬长避短，将 NeRF 的优势与具体的用户痛点和业务场景相结合，创造出真正有价值的产品。 NeRF 及其所代表的神经场景表示方法，无疑是开启下一代三维内容创作与交互新纪元的重要钥匙之一。它正在从实验室走向更广泛的应用，其影响力将日益深远。作为产品经理，持续关注其发展，深入理解其内涵，积极思考其应用，将是我们在这个激动人心的变革时代保持竞争力的关键。 在下一篇笔记（S2E05）中，我们将聚焦另一个 AI 生成 3D 的核心技术引擎——Diffusion Model (扩散模型)，探讨它是如何从二维图像生成的辉煌走向三维内容创造的新大陆的。 本文由人人都是产品经理作者【Mu先生Ai世界】，微信公众号：【Mu先生Ai世界】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。 题图由作者提供

印度周一发布了电动汽车制造计划的详细指南，并称将很快发布在线申请通知。印度政府表示，根据该计划，获批在印度国内生产电动汽车的申请者必须在印度投资至少415亿卢比（折约4.86亿美元），并设定明确的国内附加值目标。 [](https://n.sinaimg.cn/finance/transform/152/w550h402/20250220/03c4-5337a48c47ec9e854a51e9b09a4472be.jpg) 与此同时，年营业额超过1000亿卢比（11.7亿美元）且固定资产价值超过300亿卢比的全球制造商将在五年内享有进口最多8000辆全内置式四轮机动车的资格，每辆车的最低进口价格为3.5万美元，且享受15%的低关税。 印度重工业部长HD Kumaraswamy表示，该计划的战略目标是将印度定位为全球电动汽车的制造中心，通过规定国内增值目标，这一计划将进一步推动印度制造和印度自立计划，同时帮助全球和印度企业成为印度绿色交通革命的积极伙伴。 对特斯拉不抱期望？ 而这一计划也被视为是对特斯拉的一种招揽。此前，特斯拉首席执行官马斯克曾抱怨，印度对于汽车进口加征的关税过高，最高可达110%。 然而，针对这一猜测，Kumaraswamy强调，特斯拉对在印度制造汽车不感兴趣，但正在考虑开设两家门店。他称印度实际上对特斯拉在本地生产并不抱期望。 他还补充称，梅赛德斯-奔驰、大众-斯柯达、现代和起亚这些公司都已经表现出了兴趣，可能将根据该部门去年3月发布的这一电动汽车制造旗舰计划提出申请。 斯柯达汽车大众印度公司表示，正在密切关注印度电动汽车制造相关政策的发展并评估其影响，公司正在根据长期战略制定相关的后续步骤。 目前，印度市场的电动汽车销量由印度本土巨头塔塔汽车主导，但电动汽车总销量进展到汽车销量的2.5%。印度政府希望，到2030年将这一比例提高至30%。 而新的电动汽车制造计划有望引入更多的国际制造商。国际清洁交通理事会印度董事总经理Amit Bhatt1月时曾指出，如果所有的汽车制造商都能聚集到印度发展，这可能会让特斯拉有“错过市场”的紧迫感。 [查看评论](https://m.cnbeta.com.tw/comment/1504034.htm)

过去几年，台积电稳步提高其最先进半导体工艺节点的价格——以至于一项分析表明，单个晶体管的成本十多年来一直没有下降。受关税和开发成本上升推动，价格进一步上涨，这强化了摩尔定律已然失效的观念。  据《商业时报》报道，台积电即将推出的 N2 2nm 半导体每片晶圆的成本将达到 3 万美元，比该公司的 3nm 芯片高出约 66%。预计未来节点的成本将更高，而且很可能只提供给最大的制造商。 台积电以建设2纳米制程工厂的巨额成本（最高可达7.25亿美元）为由，为这些涨价提供了合理性。据《联合日报》报道，尽管价格上涨，但预计苹果、AMD、高通、博通和英伟达等主要厂商仍将在年底前下单，这有可能使台积电位于亚利桑那州的2纳米制程工厂达到满负荷生产。 不出所料，苹果将率先采用。预计明年iPhone 18 Pro搭载的 A20 处理器将是首款基于台积电 N2 工艺的芯片。英特尔 Nova Lake 处理器（面向台式机，甚至可能是高端笔记本电脑）也将采用 N2 工艺，预计将于明年推出。 此前有报道显示，台积电 2 纳米制程的良率去年已达到 60%，此后不断提升。最新数据显示，256Mb SRAM 的良率现已超过 90%。试产工作可能已启动，并计划于今年晚些时候开始量产。 随着基于 2nm 的设计的流片量超越同一开发阶段的先前节点，台积电的目标是到 2025 年底生产数万片晶圆。 台积电还计划在明年下半年推出N2P和N2X，以延续N2的领先优势。预计N2P在相同功耗水平下性能将比N3E提升18%，在相同速度下能效将提高36%，逻辑密度也将显著提升。N2X计划于2027年量产，其最高时钟频率将提高10%。 随着半导体尺寸不断缩小，漏电问题日益凸显。台积电的 2nm 节点将采用全栅 (GAA) 晶体管架构解决这一问题，从而实现更精确的电流控制。 2nm 之后是埃时代，台积电将采用背面供电技术，进一步提升性能。未来工艺节点，例如 A16（1.6nm）和 A14（1.4nm），每片晶圆的成本可能高达 4.5 万美元。 与此同时，英特尔的目标是超越台积电的路线图。该公司最近开始风险生产其 A18 节点，该节点也具有环绕栅极和背面供电技术。这些芯片预计将于今年晚些时候在英特尔即将推出的代号为Panther Lake的笔记本电脑 CPU 中首次亮相。 [查看评论](https://m.cnbeta.com.tw/comment/1504032.htm)

微软为响应《数字市场法案》而做出了改变，包括允许其覆盖地区的 Windows 设备卸载 Edge 浏览器并从 Windows 搜索中删除必应搜索结果，但现在这项功能正在以某种有意义的方式不断扩展。 [微软周一宣布](https://blogs.windows.com/windows-insider/2025/06/02/updates-to-windows-for-the-digital-markets-act/)，将为欧洲经济区（欧盟以及冰岛、列支敦士登和挪威）的 Microsoft Windows 用户提供新功能，包括卸载 Microsoft Store，并避免出现额外的提示或要求他们将 Microsoft Edge 设置为默认浏览器（除非用户选择打开它）的程序。 包含上述改进的新版本已经在欧洲经济区上线，从 5 月 29 日推出的 Edge 版本 137.0.3296.52 开始。 [](https://platform.theverge.com/wp-content/uploads/sites/2/2025/06/default-browser-_cropped.png?quality=90&amp;strip=all&amp;crop=0%EF%BC%8C0%EF%BC%8C100%EF%BC%8C100) 此外，设置其他浏览器（例如 Chrome、Firefox、Brave 或其他浏览器）会将其固定到任务栏，除非用户选择不这样做。虽然设置其他浏览器默认设置已将其附加到一些链接和文件类型（例如 https 和 .html），但现在 EEA 中的用户将看到它应用于更多类型，例如“读取”、ftp 和 .svg。默认浏览器更改已对部分 Beta 频道用户生效，并将于 7 月在 Windows 10 和 Windows 11 上广泛推广。 [](https://winblogs.thesourcemediaassets.com/sites/44/2025/06/Web-search-_cropped.png) Windows 搜索的搜索结果同时显示多个网络搜索提供商。 [](https://winblogs.thesourcemediaassets.com/sites/44/2025/06/web-search-provider-settings-_full.png) 具有重新排序能力的网络搜索提供商的设置。 如果您居住在欧洲经济区 (EEA)，则可以关闭 Microsoft Store 快捷方式。即使从“开始”和“设置”中删除了 Store 应用，“从 Microsoft Store 安装和分发的应用仍将继续获得更新”，并且可以随时重新安装。  其他提到的变化包括自动允许第三方应用在安装时将其网页搜索结果添加到 Windows Search 中，以及根据用户偏好移动搜索提供商的选项。随着“6 月初”更新的推出，微软必应应用以及 Widgets Board 和 Lock Screen 将改为使用默认浏览器打开网页内容。 [查看评论](https://m.cnbeta.com.tw/comment/1504030.htm)

每当发现网络攻击时，科技公司都会将其公开披露，并根据其内部程序为其指定一个唯一的名称。然而，由于每家公司都有自己的命名惯例，这会导致不一致。结果，同一个网络攻击背后的威胁行为者可能会有多个名称，从而导致响应工作的延迟和混乱。  例如，微软被称为 Midnight Blizzard 的组织可能被其他安全供应商称为 Cozy Bear、APT29 或 UNC2452。为了解决这个问题，微软和 CrowdStrike 正在[合作](https://www.microsoft.com/en-us/security/blog/2025/06/02/announcing-a-new-strategic-collaboration-to-bring-clarity-to-threat-actor-naming/)。两家公司将整合各自的威胁行为者分类法，以帮助安全专业人员更清晰、更自信地应对网络攻击。  值得注意的是，微软和 CrowdStrike 并未试图创建单一的命名标准。相反，他们发布了一个映射表，列出了两家公司追踪的常见威胁行为者，并根据各自的分类法进行匹配。该映射还包含来自每个组织命名系统的相应别名。您可以查看微软的联合威胁行为者映射[以及这里的](https://learn.microsoft.com/en-us/unified-secops-platform/microsoft-threat-actor-naming)CrowdStrike 。 虽然这个威胁行为者分类映射是微软和预计未来 CrowdStrike、Google/Mandiant 和 Palo Alto Networks 的 Unit 42 也将为这一计划做出贡献。 微软公司副总裁 Vasu JakkalSecurity 就与 CrowdStrike 的此次合作表示： <blockquote><p>我们期待在不久的将来分享这些合作的最新进展。安全是共同的责任，需要全社区共同努力来改进防御措施。我们很高兴能与 CrowdStrike 合作，并期待更多人加入我们，携手共进。</p></blockquote> 随着越来越多的组织加入这一倡议，对网络威胁的集体防御无疑将得到加强。 [查看评论](https://m.cnbeta.com.tw/comment/1504024.htm)

距离 WWDC 开幕不到一周了，随着重要发布会的临近，我们将分享关于每个操作系统的详细信息。首先，我们将从下一代 macOS 开始，苹果可能会将其命名为 macOS Tahoe。由于 macOS 的当前版本是 macOS 15，因此通常会紧随其后的是 macOS 16，但苹果很可能从今年开始改变其操作系统更新的命名方案。  2025 年发布的所有产品都将以“26”编号，以反映其发布季节，涵盖 2025 年 9 月至 2026 年 9 月之间的时间段。我们将获得 macOS 26、iOS 26、iPadOS 26、tvOS 26、watchOS 26 和 visionOS 26。苹果本可以选择 25，因为那是发布的年份，但从技术上讲 26 更有意义，因为 2026 年有更多月份可以安装 26 系列更新。 有了苹果正在实施的精简命名，用户将无需记住每个操作系统的单独且令人困惑的数字。从 macOS 15 升级到 macOS 26 一开始可能会让人感到困惑，但从长远来看应该会更合理。 macOS 的独特之处在于，它总是会以加州地标名称作为其编号，这与其他操作系统不同。今年，苹果似乎将选择“太浩湖”（Tahoe），这是位于加州和内华达州之间的一个著名湖泊。太浩湖全年都是热门的度假胜地，尤其是在冬季，那里以其滑雪场而闻名。 太浩湖将加入苹果公司使用过的其他加州地标名称，包括 Mavericks、Yosemite、El Capitan、Sierra、High Sierra、Mojave、Catalina、Big Sur、Monterey、Ventura、Sonoma 和 Sequoia。 **设计大修** 我们听到的有关即将推出的软件的大多数传言都集中在 iOS 26 和 Apple 计划的设计变化上，但 macOS 26 也将获得一些相同的设计更新。  这次改版可能不会那么引人注目，但苹果希望其操作系统拥有更具凝聚力的外观和感觉，因此进行了设计改革并将名称改为“26”。  visionOS界面 基本上，苹果正在将一些 visionOS 设计元素扩展到其所有软件，重点是半透明、圆润的菜单和按钮，以及磨砂玻璃般的界面外观。在 Mac 上，苹果已经在菜单栏和 Dock 等部分元素上使用了半透明设计，但我们或许会在窗口和菜单元素中看到更多半透明效果。 应用程序图标可能会变得更圆润，窗口和其他界面元素的边角也可能会变得更圆润。苹果还可以采用一些浮动菜单栏，并增加所有元素的深度，打造更具光泽的外观和感觉。  简化的导航、菜单和布局可以让 iOS 和 macOS 的设计更加一致。预计操作系统层面和 Apple 的应用程序设计都会有所变化，Apple 还将为开发者提供新的指南和资源，帮助他们定制应用程序以符合更新后的审美。 **Apple Intelligence** macOS 26 中将推出新的Apple Intelligence功能，但苹果无疑会更加谨慎地宣布尚未准备好的功能。 苹果计划更新“快捷指令”应用，以集成 Apple Intelligence。用户将能够创建使用 Apple Intelligence 模型的操作，这将使普通用户更轻松地创建实用的快捷指令。 苹果可能会向我们透露Siri何时能够与 Gemini 以及 ChatGPT 集成，因为这项功能即将推出。 苹果在 WWDC 2024 上宣布的所有个性化 Siri 功能都将在 iOS 26 和 macOS 26 中实现，但目前尚不清楚它们是否会在 WWDC 前准备就绪。如果它们还没准备好，苹果可能不会提及，我们会在今年晚些时候获得它们。 我们正在等待个人情境功能，以便 Siri 能够追踪电子邮件、信息、文件、照片等，或者基本上追踪你设备上的任何内容。苹果还增加了屏幕感知功能，以便 Siri 能够帮助你了解屏幕上的内容，并且 Siri 还将获得更深入的应用集成，以便在应用内和跨应用时执行更多操作。 **游戏应用** 一款新的游戏应用正在开发中，将适用于 macOS、iOS、iPadOS 和 tvOS。它将包含你通常在App Store和Apple Arcade中找到的游戏，以及游戏内成就、排行榜和编辑内容等功能。 你将能够使用该应用与其他人交流，在 Mac 上，它还能运行在Mac App Store之外下载的游戏。它将取代 Game Center，成为一款功能更丰富的应用。 **其他传闻会提供的功能** 苹果预览了 macOS 26 和 iOS 26 中即将推出的几项辅助功能，此外还有传言称将推出新的 Wi-Fi 功能。 - 强制 Wi-Fi 门户同步- 当您登录强制 Wi-Fi 网络（例如在酒店或机场）时，您只需执行一次，信息就会在您的所有设备上同步。 - 放大镜 - 可让您将iPhone连接到 Mac，以使用 iPhone 的摄像头放大文本和其他您可能需要帮助查看的内容。 - 车辆运动提示- 旨在帮助您避免晕车或晕机的小点也将登陆 Mac。车辆运动提示旨在将运动感与眼睛所见相匹配。 **兼容性** macOS Tahoe 可能会放弃对部分老款 Mac 的支持，包括 2018 款MacBook Pro、2019 款iMac、2017 款 iMac Pro、2018 款Mac mini和 2020 款基于 Intel 的MacBook Air。预计此更新将与以下 Mac 兼容： - MacBook Pro（2019 年及后续机型） - iMac（2020 年及后续机型） - Mac Pro (2019 年及后续机型) - Mac mini（M1及更高版本） - Mac Studio（所有型号） - MacBook Air（M1 及更高版本） WWDC 2025主题演讲将于太平洋时间 6 月 9 日星期一上午 10:00 举行。苹果将在其网站、YouTube 和 TV 应用上直播此次活动。 [查看评论](https://m.cnbeta.com.tw/comment/1504020.htm)

2日深夜，苹果官方公众号预热WWDC25（全球开发者大会），**将于北京时间6月10日凌晨1点举办，号称“开眼在即”。**据媒体报道，苹果在WWDC25上将宣布改变系统命名方式，将每个版本的顺序版本号替换为每个版本发布后即将到来的年份。 该调整适用于苹果所有操作系统，包括iOS、iPadOS、macOS、watchOS、tvOS、visionOS。 也就是说，**iOS 18将更名为iOS 26，iPadOS 19更名为iPadOS 26，macOS 16更名为macOS 26，watchOS 13更名为watchOS 26等。** 其中，最受消费者关注的还是iOS 26。 据爆料，**iOS 26会是苹果十年来变化最大的OS，带来视觉交互、智能生态与生产力工具三大核心升级。** iOS 26将融合visionOS的空间计算理念，核心图标与交互组件将采用动态半透明材质，既增强了视觉深度，又能增加设计元素层次感，让整体界面更美观。 此外，全新iOS有望支持外接显示器，当iPhone检测到外接屏幕时，台前调度功能将自动激活，在桌面端呈现多窗口并排、应用自由分屏等类PC级多任务处理能力。 按计划，iOS 26首个测试版将在WWDC25结束后发布，正式版将于9月随iPhone 17系列登场。  [查看评论](https://m.cnbeta.com.tw/comment/1504014.htm)

6月3日消息，据媒体报道，演员贾静雯近日透露，她家有三位亲人曾患癌症，包括父亲、母亲及弟媳。据了解，贾静雯父亲早年因淋巴癌去世，年仅44岁；弟媳曾患乳腺癌，后通过积极治疗成功抗癌，**贾静雯呼吁公众重视癌症筛查，她本人与丈夫每年进行健康检查。**  资料显示，肿瘤的发生是一个复杂的过程，涉及多种因素的交互作用，**主要包括遗传因素、环境因素和基因突变。** 虽然有上述因素的存在，我们人体还有一道防线，就是免疫力，它可以帮助身体及时发现并清除异常细胞，从而降低肿瘤的发生风险。 好的免疫力需要建立在健康生活习惯的基础上，如均衡饮食、适量摄入纤维素、减少高糖高脂食物的摄入、戒烟限酒、避免熬夜等都有助于降低肿瘤风险。 此外，定期进行全面的体检对于早期发现癌症至关重要，**体检项目应根据个人的年龄、性别、家族史和健康状况进行个性化选择**，特别是对于有特定癌症风险的人群，进行针对性的检查是非常必要的。 通过这些综合性的预防措施，健康人群可以有效地降低罹患癌症的风险，并在早期阶段发现并治疗潜在的肿瘤。 [查看评论](https://m.cnbeta.com.tw/comment/1504012.htm)

<blockquote><p>随着人工智能（AI）技术的飞速发展，各大互联网巨头纷纷将其视为新的增长引擎。在电商领域，AI的应用不仅带来了效率的提升，更可能成为推动行业发展的新支点。本文深入探讨了AI如何为电商行业带来变革，供大家参考。</p> </blockquote>  当AI开始被各大玩家当成是全新的增长点，一场以AI为主导的新进化，便开始上演。对于电商来讲，亦不例外。毫不夸张地说，AI将会给未来电商的发展找到新方向，并且真正将电商行业的发展带入到新的几何级数的发展新阶段。不出意外的话，下一个十年，电商将会继续在AI的支撑之下，获得新的发展。 透过阿里巴巴在全面拥抱AI之后所获得的新变化，我们便可以看出一丝端倪。可以说，在全面拥抱AI之后，阿里巴巴的发展业已从互联网时代迈入到了AI时代。除了阿里巴巴之外，腾讯通过对于AI的全面拥抱打开的新增长，同样让我们看到了AI所释放出来的巨大潜能。随着越来越多的玩家们的加入，我们还将会看到AI释放出来的新的巨大的能量。 AI之所以会有如此巨大的能量，AI之所以会成为互联网玩家们争夺的新制高点，其中一个很重要的原因在于，AI可以给电商行业的发展找到新支点。正是因为如此，我们才会看到了那么多的玩家们投身到AI的战役里，我们才会看到了那么多的玩家们开始将AI看成是自身的战略发展新方向。综合来看，AI之所以会有如此巨大的魔力，主要包含如下几个方面的原因。 ## AI能承接互联网的优质「遗产」 当AI的浪潮汹涌来袭，我们看到了一个非常有趣的现象，即，我们看到了类似deepseek、宇树科技等新生代玩家们的出现，我们同样也看到了阿里、腾讯、百度等传统玩家们依然来留在牌桌上。无论是新玩家们，还是老巨头们，它们之所以能够在AI的新擂台上同场竞技，其中一个很重要的原因在于，它们都将互联网时代的优质「遗产」借助AI承接下来，并且有了新的进化。 对于电商行业来讲，同样如此。AI之所以可以和电商发生如此强大的化学反应，其中一个很重要的原因在于，电商行业在互联网时代积累下来的海量丰富的遗产可以给AI带来丰富的「喂料」，同时，还可以给AI的落地和应用提供一个广阔且丰富的舞台。可以说，电商就是一个AI的孪生与应用的试验场。对于每一个想要在AI时代有所作为的玩家们来讲，如何将它们在互联网时代所积累下来的优质「遗产」，与AI之间产生化学反应，并且有新的进化，才是保证它们可以获得新发展的关键。 这一点，我们可以从阿里巴巴在拥抱AI之后所产生的一系列的新变化上，看出一丝端倪。阿里巴巴丰富的应用场景，海量的用户类型，多样的商品品类给AI提供了源源不断的数据来源，可以让AI持续不断地进化，并且反哺它的新发展。正是因为AI对于电商在互联网时代的优质「遗产」的完美承接，我们才有理由相信，它将会给电商行业的发展找到新支点。 ## AI能激活互联网的内在元素 我们都知道，当互联网时代的红利不再，几乎所有的互联网玩家们都在寻找着新的发展方向，几乎都在探索着下一个发展新方向。电商行业，同样如此。从社交电商，到新零售，再到直播电商，无一不是这样一种探索的真切证明。然而，通过分析，不难发现，玩家们虽然一直都没有停下探索的脚步，但是，它们却始终都没有找到真正改造自身内在的方式和方法。 虽然这样一种方式可以给电商行业的发展带来短期的发展，但是，却无法真正破解困扰电商行业发展的最为根本的问题和痛点。欲要真正改变电商本身，欲要让电商行业的发展彻底摆脱对于互联网的依赖，必然需要找到激活互联网的内在元素的方式和方法。当AI开始成熟，特别是当AI与互联网玩家们的结合开始变得深入而完善，我们看到的是，AI开始为互联网玩家们找到激活自身内在元素的方式和方法。 当下，我们看到的各大平台上的数字人的出现，我们看到的各大平台上的基于AI推荐的新机制的成熟，我们看到的各大平台上基于AI的新进化，无一不是这样一种现象的直接体现。说到底，AI与互联网内在元素的结合，真正实现了互联网由内而外的深度改变。之于电商而言，AI对于电商内在的元素的深度激活，开始真正让电商行业发生一次全面且深刻的变化，由此，电商将会释放出新的红利。 ## AI能满足电商上下游的新需求 我们都知道，当互联网时代的发展红利不再，电商玩家们在资本市场上的表现开始受到越来越多的质疑与挑战。无论是市值的缩水，还是股价的低迷，几乎都是这一现象的直接体现。说到底，电商行业之所以难以获得新的发展，其中一个很重要的原因在于，电商业已无法满足产业上下游的需求。 从产业端来看，电商平台的流量赋能，开始无法像以往那样取得效果，流量的成本越来越高，转化的难度越来越大；从消费端来看，用户开始越来越艰难地找到自己心仪的商品，并且在获得商品的过程当中的体验开始大不如前。说到底，传统的电商模式业已无法满足电商上下游的需求，传统的电商模式开始逐渐失灵。 当AI开始出现，特别是当AI开始与电商产生越来越多的化学反应，我们看到的是，AI开始为电商满足产业上下游提供新的解决方案。对于产业端来讲，AI开始为它们提供从前段的生产到后端的营销一体化的赋能，让它们可以实现一次彻底的改头换面；对于消费端来讲，AI开始为他们提供全新的购物体验，AI开始成为破解他们在购物过程当中痛点和难题的新解决方案。 可以说，AI开始满足电商上下游的新需求，并且开始让电商从一个越来越失去存在感的存在，变成了一个开始找回自我的存在。正是因为如此，AI与电商产生化学反应之后，才会释放出新的更大的能量和红利。 ## AI能为电商找到新的角色和定位 对于很多的电商玩家们而言，它们在互联网时代的角色和定位更多地在于实现产业上下游的对接，提升产业运行的效率。一方面，让产业上游的商品可以尽可能快速的卖出去；另一方面，让产业下游的消费者可以较快、较低成本地获得心仪的商品。因此，在很多时候，电商玩家们扮演的是撮合与中介的角色和定位。 随着信息的丰富化，特别是随着上下游开始转移的线上，电商的这样一种角色和定位开始遭遇到越来越多的困难和挑战。正是因为如此，我们才看到了那么多的电商玩家们会出现问题，遭遇新的困境。对于电商玩家们来讲，找打新的角色和定位，特别是能够给产业的上下游所接受，才是真正可以继续获得新发展的关键所在。 当AI开始成熟，一切有了新的可能。对于电商来讲，它开始不再仅仅只是承担传统意义上的撮合和中介的角色，而是开始更多地承担参与到实际产业运作，开始更多地成为了产业的一份子。对于产业上游来讲，电商更多地扮演的是赋能和改造的角色，助力上游产业端可以更多地实现产业的转型和升级；对于产业下游而言，电商更多地扮演的是提供更加精准的对接，提供更加新潮的体验，提供更加个性化的服务的角色。 AI为电商赋予的新角色和定位，开始真正让电商行业的发展找到新的方向，开始真正让电商进入到新的发展阶段。回顾电商的发展，在互联网时代，电商玩家们之所以获得如此巨大的发展，其中一个很重要的原因在于找到了自身的角色和定位。同样地，在AI时代，电商玩家们找到的新角色和新定位，同样将会给电商行业的发展带来新的红利。 ## 最后的话 一场全面拥抱AI的新浪潮，正在上演。阿里巴巴全面拥抱AI，腾讯开始全方位地接入deepseek，百度开始将萝卜快跑落地，无一不是AI正在给互联网玩家们带来新的发展的证明。 这是一场全新的进化，这是一次全新的红利释放。在AI涌动之下，电商行业，同样开始被涌动起来。不出意外的话，随着AI与电商结合的深入，电商将会找到新的发展支点，从而开始撬动新的更大的市场。 如果我们将互联网看成是电商的传统支点的话，那么，AI，则是电商的新支点。认识到AI之所以会成为电商新支点的内在逻辑，并且找到与AI同频共振的正确的方式和方法，才能真正将电商行业的发展带入到新阶段，才能真正让电商行业的发展找到新的突破口，才能让电商找到下一个十年的发展新方向。 本文由人人都是产品经理作者【孟永辉】，微信公众号：【 辉观】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。 题图来自Unsplash，基于CC0协议

<blockquote><p>随着AI技术的飞速发展，AI产品经理这一新兴角色逐渐成为行业热点，但其定义和边界却依然模糊不清。本文从一位资深产品经理的视角出发，深入探讨了AI产品经理的真正内涵，供大家参考。</p> </blockquote>  最近有个朋友跟我吐槽，说自己做了11年产品经理，从2014年就开始设计推荐系统、用户画像，现在满大街都在讲 **“AI产品经理”**，搞得他很困惑：难道我一直在做的就是AI产品经理？还是说只有做ChatGPT、Midjourney这种对话工具的才算？ 这个问题很有意思，也很现实。现在打开任何一个招聘网站，”AI产品经理”的岗位描述五花八门，有的要求懂算法模型，有的只要会用AI工具写PRD就行。培训机构更是把这个概念炒得火热，动不动就说 **“AI产品经理薪资高30%”**、 **“不懂AI就要被淘汰”**。 说实话，这种焦虑营销挺让人反感的。作为在这个行业摸爬滚打了20年的老产品人，我想从更务实的角度聊聊这个话题。 ## 一、到底什么是AI产品经理？ 其实这个概念没那么玄乎，我们可以分两个层次来看： **第一种是”技术驱动型”**，就是那些直接用AI技术做产品核心功能的同学。比如做推荐系统、语音识别、图像处理这些，需要跟算法工程师天天打交道，参与模型训练、调参、上线。这些朋友确实需要懂一些技术原理，至少能听懂工程师在说什么。 **第二种是”工具应用型”**，就是在传统产品工作中深度使用AI工具的产品经理。他们可能做的还是电商、社交、工具类产品，但会用AI来提升工作效率，比如用**DeepSeek分析用户反馈、生成竞品报告、优化文档写作**等。 我那个朋友的情况很典型。**推荐系统本身就是机器学习的经典应用**，用户行为数据训练模型，预测用户喜好，这不就是AI吗？只不过当年没有”AI产品经理”这个说法而已。 所以，**别被这些新概念吓住**。很多时候，我们已经在做AI相关的工作，只是没有贴上这个标签。 ## 二、AI产品经理需要什么能力？ 说到能力要求，确实跟传统产品经理有些不同： ### 技术敏感度要强一些 **不需要会写代码，但要能理解技术边界**。比如知道什么场景适合用机器学习，什么时候用规则引擎就够了。跟算法同学沟通时，不会因为听不懂而变成传话筒。 我记得刚开始做推荐系统时，经常被工程师的各种专业术语搞晕。后来发现，其实不需要深入到数学公式，**理解业务逻辑就够了**。比如协同过滤，说白了就是”买了这个商品的人还买了什么”；内容推荐，就是”你喜欢这类内容，给你推荐类似的”。 ### 数据思维要更系统 **AI产品的核心是数据，数据质量直接影响效果**。需要关注数据采集、清洗、标注的全流程，而不是只看最终的报表数字。 最痛苦的经历就是花了几个月优化推荐算法，效果还是不理想，后来发现是**数据标注有问题**。用户的”点击”行为被错误地当成了”喜欢”，而实际上很多点击是误触或者好奇。 ### 要有风险意识 **AI技术容易产生意想不到的问题**。算法偏见、隐私泄露、内容审核失效，这些都可能让产品翻车。 比如某个短视频平台的推荐算法，因为没有考虑内容多样性，导致用户沉浸在单一类型内容里，被媒体批评**”信息茧房”**。作为产品经理，要在功能设计时就考虑这些风险。 ### 学会跟AI”对话” 这是最近两年新出现的技能。**会写Prompt不难，难的是理解AI的思维方式**，知道怎么引导它给出更好的结果。 刚开始用ChatGPT写PRD时，总是得不到想要的格式。后来发现，需要**先给它设定角色，再提供具体的模板和要求，最后分步骤让它完成**。就像管理团队一样，沟通方式很重要。 ## 三、AI工具到底能帮我们做什么？ 很多产品经理对AI工具的印象还停留在”写个文案、翻译个文档”的层面，其实**它的价值远不止这些**。 ### 需求分析变得更高效 以前分析用户反馈，要么靠人工一条条看，要么用简单的关键词统计。现在用DeepSeek这类工具，可以**快速提取用户痛点，甚至发现一些隐性需求**。 我们之前做一个功能优化，人工分析了几千条反馈，结论是”界面不够美观”。后来用AI重新分析，发现真正的问题是**“入口太深，用户找不到”**。这种洞察的深度确实超出了传统方法。 ### 竞品分析不再是体力活 原来做竞品分析，要一个个下载App，做表格对比，写报告。现在可以让AI自动抓取信息，**生成结构化的分析报告**。虽然还需要人工验证，但效率提升明显。 关键是**AI能发现一些我们容易忽略的细节**。比如竞品在某个功能上的微创新，或者不同版本间的变化趋势。 ### 文档写作告别加班 **PRD、MRD、竞品分析报告，这些结构化文档最适合AI来处理**。给它一个框架和要点，它能快速生成初稿，然后我们再优化调整。 最大的价值是**保证了文档的完整性**。AI不会像人一样遗漏某个模块，也不会因为赶时间而草草了事。 ### 数据分析变得更智能 以前写SQL查数据，写完还要画图表，分析趋势。现在直接把需求告诉AI，它能**生成查询语句，甚至直接给出分析结论**。 当然，**核心的业务判断还是要靠人**。AI可以告诉你”用户留存率下降了15%”，但为什么下降、怎么解决，这些还需要结合业务场景来思考。 ## 四、未来趋势：从工具到伙伴 AI技术发展很快，产品经理的工作方式也在快速变化。我觉得有几个趋势值得关注： ### 垂直化越来越明显 通用的AI工具已经很多了，接下来会出现更多**针对特定岗位的专用工具**。比如专门为产品经理设计的需求分析工具，为运营人员开发的内容生产工具。 ### 人机协作成为常态 **AI不会取代产品经理，但会改变我们的工作方式**。未来的产品经理需要学会跟AI”搭档”，各自发挥优势。 **AI擅长处理数据、生成内容、发现模式；人擅长创新思考、情感理解、价值判断**。两者结合，效果会更好。 ### 伦理和合规越来越重要 随着AI应用的普及，相关的法律法规也在完善。产品经理需要更多地考虑**AI使用的合规性**，避免踩红线。 比如用AI处理用户数据时，要确保隐私保护；用AI生成内容时，要避免版权纠纷。这些都需要提前规划。 ## 五、你算不算AI产品经理？ 回到文章开头的问题，如何判断自己是否属于AI产品经理？ 我觉得**关键不在于标签，而在于思维方式**： - 你是否主动思考**AI技术在业务中的应用价值**？ - 你是否系统性地使用**AI工具提升工作效率**？ - 你是否理解**AI技术的边界和风险**？ - 你是否具备与**AI”对话”的能力**？ 如果这些问题的答案都是肯定的，那你就是一个**合格的AI时代产品经理**，不管别人怎么定义这个概念。 我那个朋友后来想明白了，他从2014年就开始做推荐系统，**本身就在AI领域深耕了近10年**。现在只需要补充一些新的技能，比如Prompt工程、大模型应用等，就能很好地适应这个时代。 ## 六、写在最后 AI产品经理这个概念会继续演变，技术也会不断更新。但有一点不会变：**好的产品经理永远要关注用户价值，理解业务本质，具备创新思维**。 **AI只是工具**，就像当年的移动互联网、大数据一样。掌握新工具很重要，但更重要的是**保持学习能力和开放心态**。 **不要被概念和标签绑架，也不要因为技术焦虑而失去方向**。踏实做好产品，用好新工具，这就够了。 毕竟，无论技术怎么发展，**解决用户问题、创造用户价值，这才是产品经理的核心使命**。AI时代也不例外。 本文由 @产品经理独孤虾 原创发布于人人都是产品经理。未经许可，禁止转载 题图来自Unsplash，基于CC0协议 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。

<blockquote><p>本文从元器件电商的角度出发，深入探讨了B端直播带货的现状与挑战，分析了如何通过限时让利、专业主持和创新直播形式来吸引客户并提升销售效果。</p> </blockquote>  我们在各大视频平台上最常看到的带货直播，已经非常普遍了。最近发现在我生活工作的周围，总能不经意间就看见一些直播设备店铺，在展会上也经常看得到一些人在直播，甚至在一些企业靠窗的地方能看得到补光灯和三脚架，这也说明了直播带货已经成为了我们日常获得订单的非常重要的渠道。 ## 直播带货可能是一个爆发点 这些热火朝天的直播背后是原本个人玩的直播带货现在逐渐转变成企业在玩，个人单打独斗的多半干不过专业的。不过就目前来看这些大都是To C的，对于To B的直播频次还是要少得多，直播带货就更少了。特别是我们电子元器件行业，搞研讨会直播也已经不少，但是直播带货的还是很少，或者说是大家可能都觉得这个行业直播带货还不是时候。 C端的直播带货教育了我们很多B端的客户，但是B的交易总是理性的，需要走一些特定流程的。冲动消费在B端看来是被压的完全没有脾气了。我们要想做好B端的直播带货，这其中价格是一个很重要的因素，同时我们还要考虑到客户需要走这个流程需要有一定的时间，需要经过一些人的审批，这些是我们需要去攻克的点。 如果我们真的把一些商品价格做到足够低，我相信还是有机会能够获得一些客户的，当然这要建立在不亏本或者企业能把控得住这些亏损的前提下。我们做直播带货真正需要的应该是限时让利，让客户觉得在你这个直播间买货，就是可以得到比较大的优惠，而且我们直播的频次还不会很高，或者一些商品就只在特定的场次限定促销，真正的机不可失，失不再来。 ## 好的主持要懂行 既然要搞直播，那就还是需要有一个主持的，我看过很多同行的直播，说句实在话并没有让我特别满意的主持人。我自己也曾跟人合伙上直播，我自己都不满意我自己，为什么？ 因为好的主持需要的不只是主持的水平，更需要懂行，就拿买一个电源模块来说好了，我们总应该要知道电源模块的品牌在市场上的地位如何，知道这个电源模块的参数如何，要不然你那什么跟看客互动，又怎么样让看客相信你或者你的企业做这个有实力。总不能搞个直播，就把商品挂出来，让客户自己去挑吧。可能这个说法有些绝对了，但是我们想要把直播带好，还是要搞得像在C端的那些直播带货那样看起来热热闹闹的，我始终相信的一点是生意是建立在相信的基础上的，相信你这个人，相信你这个企业才更愿意跟你们继续合作。 不止是直播带货，就平时搞个研讨会吧，很多时候你的嘉宾很可能是一个技术大拿，或者企业老板，你拿什么跟对方进行交流，这就是现在研讨会看起来总是那样平淡的原因，缺乏对等的交流。 ## 打破平淡 我也算是看过比较多的同行搞的直播了，说实在的感觉效果很一般，要么是一成不变的研讨会，最后还是变成了品牌宣传；要么就是赤裸裸的品牌宣传，有些场次直播看起来热热闹闹，那基本是红包堆起来的人气，很多看客一旦没有了利益吸引就会销声匿迹；直播带货更是显得那么平静呆板。正在能够吸引看客的直播非常少见。相比C端的直播带货，我们行业的直播花样和玩法要简单的多，能够正在吊住看客胃口的太少。 如此，我们是不是可以把这些一成不变的平淡给打破了，研讨会直播为什么总是和和气气，为什么不能激烈碰撞，相互碰撞，我们的研讨会能不能聚焦在“讨”字上面；品宣直播为什么总是赤裸裸的方案或者商品宣传，为什么不能是手把手教看客某些知识；可能这些想法有些激进，但是我作为一个局外在看这些，这就是我想看到的呀，我想看热闹，我想学到东西，这是我们看直播的原始出发点。 本文由 @青山郭员外 原创发布于人人都是产品经理。未经作者许可，禁止转载 题图来自Unsplash，基于CC0协议 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务

 《街头霸王6》今日公开了 Year 2 追加角色维加、特瑞、舞、艾琳娜“装扮3”的游玩画面，将于6月5日(四)和艾琳娜同时上线！  &lt;内嵌内容，请前往机核查看&gt; 自由选择喜爱的装扮，尽情对战吧！

<blockquote><p>面试是求职者与企业相互了解的重要环节，但对于产品经理（PM）来说，面试不仅是展示能力的机会，更是深入了解行业和自身定位的契机。本文从一位资深面试官的视角出发，详细剖析了面试官在面试产品经理时的思考逻辑与考察重点。</p> </blockquote>  这一年身边有一些朋友找我询问进入某大厂的内推机会，在各种地方也看到不少网友分享的产品面经，大部分是面试题目和作为面试者的个人心得，正好最近刚从某宇宙厂出来，加上这几年频繁面试了几百人积累了一些经验，所以和有需要的PM们分享下作为面试官是怎么准备面试的，希望对于那些想进入大厂从事产品工作的同学能知己知彼，多一些参考，帮助他们有机会在自己的成长之路上迎接新的挑战。 ## 面试前：描绘候选人画像，准备问题List 面试之于我是一种很好的了解行业信息，接触年轻产品人思维方式的重要渠道之一，在每次面试前我也往往会按这三步做下准备，对岗位负责，对候选人也会更负责。 **首先是解读岗位需要，形成初步的候选人画像。**社招岗位大约会花费5-10分钟，了解岗位工作内容需要哪些领域的项目经验，是偏C端体验增长，还是B端供应链和平台设计；了解上下游协作过程中遇到的挑战在哪，是运营更为强势还是技术中台改造需要更大；了解岗位所负责的产品是处于哪个阶段，高速增长还是寻求创新期等。对于校招岗位会更看重对产品的热情和基础素质，比如沟通/结构思考以及抗压能力等。 **接下来是阅读候选人简历，寻找疑问点**。一般来自相似项目经验看是否有重要的突破，跳槽的时间是否过于频繁，工作经验是否有连续性等等。 **最后会准备业务有关的3个左右的开放问题**，基本来自于日常思考中遇到的问题随笔，包括：业务策略类问题（大部分和平台关联度较高，比如网约车派单封闭场景下的零和博弈怎么选）；产品设计类问题（大部分和候选人生活场景有关，比如如何改造现有图书馆预定系统，如何优化工作日电梯等待体验等）；团队协作类问题（比如运营需求，老板需求和你的价值判断产生冲突该怎么办） ## 面试过程：关注思维方法而非答案 ### 自我介绍反映了你对自我的认知程度 面试的开场往往都会从自我介绍开始，常规的做法一般是介绍姓名和做过的几个比较有代表性的产品项目。从我的角度看，自我介绍的内容代表了候选人的第一印象： **代表产品/项目是否能用简单的话说明内容和结果，可以看出候选人过往经验的复杂度水平以及概括抽象能力和目标感**。社招面试的候选人里约30%会流水账一样把每个经历的项目都说一遍，约60%的候选人会非常简单的描述在哪里工作过，或者做过哪些项目，但是忘了说结果。对于校招生来说项目经历不够丰富，但是也可以拿比赛经历/学校实践/实习项目来做相应的内容准备。一般这些项目我也会作为后续项目经历延展面试的重要锚点，尝试展开询问这些项目的难点/挑战/收获/反思。 **是否有简单的关键词概括个人特点。**我一般常会用于校招面试，希望观察这名候选人对于自己的特点是否有认知，答案本身并不重要，重要的是这些词是否很快直接的传达给我以及是否有具体的事例来体现每个词，如果能用事例证明自己在某些方面有异于周围同学的特殊性就更好了。这么问的原因在于产品经理的长期发展离不开个人对自我认识的变化。**越早期对自我的特点有认知，在未来的职业发展过程中越有可能少走弯路，通过项目历练和反思提升自我。** **个人选择产品经理这个职业的使命是什么/成就动机是什么。**清晰的使命会让职业生涯的很多选择更加简单，也会减少弯路，也能让我对候选人的成就因素有一个明确的认识，对于未来和业务/团队的契合度评价里会作为重要的输入因素。我一般会在开头或者结尾询问社招候选人，了解他在职业生涯的选择以及成就因素，再去和他的职业路线做些关联匹配，看知行合一的程度是怎样的。校招生相对问的会很少，除了那些对于产品经理的职位表现出极大热情的同学～ ### 项目经历：Why -&gt; What -&gt;How 一般情况下我会以最有挑战的项目，或者最有成就感的项目，或者是和具体岗位相关性很高的项目问起，让候选人谈一谈这个项目。但大多数候选人会从项目背景聊到具体做了什么，以及拿到什么样的业务结果，按顺序的讲完了，虽然有些时候会遇到结构化表达不错的同学，但整个项目信息我很难知晓**这个过程中你作为产品负责经历了怎样的决策判断：做与不做，先做与后做是怎么思考的。在我的经验判断里，这个决策判断的质量也是区别PM能力水平的关键考察点**。建议大家沿用why-what-how的思考逻辑，换一种方式论述项目经历： - **首先从究竟为何而做这件事开始讲，讲项目目标是什么，讲和业务战略的关联和重要性信息。**一般在初高级PM面试中作为信息输入项，着重在业务目标-项目一级目标到二级目标的拆解过程。而对专家级的PM会关注目标是怎么定义的，目标体系（一级目标，二级目标，观察目标）是怎么设计和迭代的，业务战略变化后目标是怎么变化的。 - **第二在方案设计阶段，和市场竞品对比的情况如何，过程中经历了怎样的冲突和取舍。**一般在初高级PM面试中会关注过程方案选择上的细节，偏向A用户还是偏向B用户的判断过程。通过这个问题观察PM的方案选择是从哪些维度考虑的，是否符合逻辑，以及是否能围绕项目目标做出取舍。而专家级PM会重点考察行业上其他玩家的设计是怎样的，为什么会有差异，以及其他行业类似的问题是怎么解的，有什么异同。通过这个问题观察PM的行业视角是否完整，是否有意愿跨行业输入和类比思考。 - **最后，描述业务结果。大部分候选人选择的项目业务结果都是很好的，但是一般会根据最开始的题干问题做些延伸**。比如开头如果问的是最有挑战的项目是什么，那这一part会询问候选人整个项目最有挑战的地方在哪里（看候选人经历项目的复杂性以及可能的短板）以及是否有遗憾的地方，下一次再做会怎样避免（看候选人的反思）。再比如开头问的如果是 最有成就感的项目，那这一part 我会展开询问候选人成就的具体点是什么，以初步判断候选人的激励因素是否适合当前组织发展的需要。 ### 开放题目：用户思维是否是你的直觉反应 大部分面试，尤其在二面和三面都会有各种各样的开放性问题。有的是和面试公司的业务强相关，有的会是一道开放题目，在这种没有标准答案，且信息高度不对称的情况下该怎么回答呢？从我的经验来看，**每一道开放问题都是希望在限制条件和目标下看到候选人的判断和验证方式。**因为信息和目标的不明确，大部分答案是不具备借鉴价值的，**因此在面试环节更重要的是你的思维方法，即遇到新问题时，是否始终能从用户和场景的定位开始，思考用户的需求和旧体验的满足方式，在目标之下分析约束条件，寻找新的要素或者借鉴行业的其他解法改变旧体验，创造出新的价值**，然后定义关键里程碑，设计MVP方案验证可行性。有的时候，我会增加一些限制条件，比如时间，成本，观察候选人在不同约束条件下方案的选择是怎样的，考察其逻辑能力。如果是管理经验的面试，一般我会在面试前准备一些模拟场景，观察候选人如何激发问题成员的动力，观察候选人如何与上级沟通，观察候选人如何应对与组织协作部门的冲突等等 ### 职业规划：评估你的诉求和平台发展的匹配度 前面的问题结束后，最后是和候选人职业规划相关的问题。 **这一类问题最核心想要了解候选人的内容依然是对自己的认知程度，是否了解自己的优点，缺点，是否有自我发展的意识，在职业选择中的偏好是基于个人的需要，外界的压力还是大众的倾向**。 我所接触的大部分候选人对于自己的职业规划鲜有清晰的路径，大部分给出了一个抽象的答案，继续深问下去很难理性解释原因，更多是感性的描述，大部分候选人表达了未来希望能更理解业务和行业，但这一目标和自己的优缺点，激励因素很难关联上，当下也鲜有具体的动作来帮助自己实现这一目标。其实也反映了我们教育体系可以改善的地方，**解决开放性的甚至自己提出的假设，自己定义事情做成的标准，而不是因解决那些确定的问题而受到激励。** 当候选人大致描述了这些内容后，再根据当前岗位所处平台发展阶段就可以基本判断出候选人和岗位的匹配度。 **如果业务正在增量市场上竞争，准备抢占先机，我会偏向寻找未来嗜好挑战和短期激励，目标感，执行力和专注力比较好的候选人；如果业务在存量市场上寻求突破，需要改变旧模式下各方利益的平衡，我会偏向寻找善于系统思考和多方博弈，有延迟满足倾向的候选人；如果业务刚刚起步，还处于验证模式的阶段，我会偏向寻找有激情，希望参与行业变革，反思迭代比较好的候选人等等。** ## 面试结束：能力无高低，只有适不适合 面试结束后，会在一个小时内根据产品经理的能力模型和我记录的面试表现给出综合评价。参考俞老师在前司定义的产品经理的评价体系，基本分四个维度：如下图所示  但PM本身的能力评价是很难标准化的，叠加上很多项目经验的不可复制性，候选人和面试官的临场状态，面试官的价值选择，同一个人在同一公司不同面试官的评价可能是有很大方差的。**但不管怎样，面试官去判断的始终不是评价候选人能力或者经验好与不好，而是适合与否：是否适合当前业务发展阶段，是否适合当前团队文化，是否适合候选人个人的发展阶段等。** 如果只从能力上看（这也是我们最能掌控的），我会根据面试过程中的表达内容和状态来做相关的判断，不同年限的产品考察侧重略有不同。**实习生会侧重好奇心和执行力，1年内正式岗位（含校招）会侧重好奇心，基础的逻辑能力和表达以及成就因素（为什么选择这个行业/领域/岗位），2-6年的社招执行岗位会侧重经验的匹配度/反思能力和归纳演绎能力；团队管理者则会侧重行业经验的深度和迁移性，管理经验（管事，管人还是管目标）以及成就因素（为什么选择做管理）。** 不管取得怎样的面试结果，重要的是把每一次的面试当成一次照镜子的机会，放平心态，享受过程。 作者：Hej0330；公众号：何出此盐 本文由@Hej0330 原创发布于人人都是产品经理，未经作者许可，禁止转载。 题图来自Unsplash，基于CC0协议。 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。

U.S. recently had multiple discriminatory restrictive measures against China, included issuing guidance on AI chip export controls, halting sales of chip design software to China, and announcing the revocation of visas for Chinese students, said a spokesperson for the Ministry of Commerce.

<blockquote><p>淘宝近期推出的“一码双赢”退货功能，通过巧妙的产品设计，极大地简化了退货流程，既节省了用户的时间和金钱，又提高了快递员的工作效率。本文将深入剖析淘宝这一创新功能背后的逻辑，探讨它是如何通过一个简单的取件码设计，平衡用户灵活性与物流效率，同时消除用户在退货时的顾虑，实现用户与平台的双赢。</p> </blockquote>  自从公寓楼下的快递柜搬走后，在淘宝退货的退款方式由“自行寄回”改为“上门取件”了。经历多次上门取件后，体验感受是很不错的，简直太方便了！ 下面，一起看看淘宝是怎么把线下退货场景的流程“搬到” 线上的？ ## 一、线上退货退款流程 在退货体验中，感受惊喜的是：同一家店的多个商品，在 app操作退款后，每个商品的取件码都相同。 一个取件码对应一个退货单，多件商品打包成同一件货发出，顾客只需要支付一笔运费即可。打消了一直以来不使用上门取件的顾虑！ 顾客痛点：原以为app只能按单个商品退货，与商品是否属于同一家店无关。顾客担心同一家店的n件商品需要支付n笔运费。这样相比线下寄件要多支付（n-1）笔运费，成本也太高啦。 ### 1、操作流程  ### 2、查看取件码  ## 二、拆解线上退货场景 ### 1、为什么同一家店的多个商品，在 app操作退款后，每个商品的取件码都相同呢？ 1）线下退货场景： 在寄件点同时寄出多件相同收件地址的商品，多件商品一起称重，一起打包，物流单号是同一个。 将线下退货场景“搬到”线上： 多个需要退款的商品取件码是同一个，代表n 件商品将一起打包成 1 个快递，一起发出，即只有一个物流单号。 对快递小哥来说，仅需填写 1 次取件码即可。 如果线上生成了 n 个不同的取件码： 按每个取件码代表一个不同的物流单号来看，那么 n 件商品会产生 n 个物流单号，也就是说 n 件商品需要打包成 n 个快递分别发出。 对快递小哥来说，需要分别填写 n 次取件码，增加了快递小哥的操作成本。 2）线下计费规则： **总重量不超过首重：**有运费险，则不需要支付运费，否则需要支付首重费用； **总重量超过首重：**有运费险，A=“（首重费+超重费）-运费补贴”大于零，需要支付超过补贴的费用；如A不大于零，无需支付运费。 无运费险，需要支付的费用为 “A=首重费+超重费”元，如未超重，则只需要支付首重费用。 将线下支付场景“搬到”线上：按线上 n 件商品取件码相同，不论总重量是否超过首重，顾客仅需要操作1 次支付线上均仅需要支付一笔按 n 件商品总重量计算的运费， **如果线上生成了 n 个不同的取件码：** 线上需要分别按单个商品的是否超过首重，顾客需要支付 n 次，另单独计算单个商品的运费（y元）。 假设是 n 件相同重量的商品，那么顾客需要支付的运费是 n 倍的 y元。（不符合真实退货场景，不顾客自然会放弃线上退款啦！） 由此可见，n件商品生成 1 个相同的取件码，不仅在操作上方便了快递小哥和顾客，同时是为了还原真实的寄件收费场景，确保顾客无损失。 ### 2、为什么同一家店的 n 件商品一起操作退款后，要生成 n 个待退货订单？ 1）线下退货场景： **场景 1：**顾客操作 n 件商品退款后，去寄件点寄件时，确定 n 件商品需要一起退回，那么 n 件商品一起打包发出即可。 场景 2：顾客操作 n 件商品退款后，去寄件点寄件时，改变主意了，有 2 件商品不需要退回了，那么有 2 件商品不需要寄出。仅需将（n-2）件商品一起打包发出。 2）**将线下退货场景“搬到”线上：** **场景 1：**顾客操作 n 件商品退款后，在快递小哥上门取件时，确定 n 件商品需要一起退回，那么 n 件商品全部打包发出即可。 **场景 2：**顾客操作 n 件商品退款后，在快递小哥上门取件前，改变主意了，有 2 件商品不需要退回了，那么有 2 件商品需要顾客手动取消退款，系统自动取消取件码。在快递小哥上门取件时，仅需取回（n-2）件商品一起打包发出。 **如果线上将 n 件退货商品合成了同 1 个退货订单：** 可以满足场景 1：顾客在线上将 n 件退货商品一起打包退回； 不能满足场 景2：顾客临时需要取消部分商品退回，如需取消，需要将 n 件商品一起取消退货，然后重新操作退款，选择需要退回的多件商品；这样大大增加了顾客的操作成本！ 由此可见，n 件商品生成 n 个待退货订单，是考虑到需要退回的商品数量减少时，方便顾客临时操作取消部分商品退货，提高操作的便利性。 ## 三、淘宝退货设计的好在哪？ ### 1、淘宝用了一个聪明的办法处理“同一家店退多件商品” **1）给顾客户同一个取件码：**这样多件商品就能**打包成一个包裹**寄回，顾客**只付一次运费**（就像线下寄快递一样），省钱省心。 2）但退货订单还是分开的：这样如果顾客想**临时取消其中一两件的退货**，可以直接操作，不用全部重新来，非常灵活。 ### 2、顾客体验感受 1）顾客方便：坐等上门取件，不用担心多付运费，退货也灵活。 2）快递员方便：一次只处理一个包裹（一个取件码），操作简单。 ### 3、我们能从中学到什么产品设计方法？ **1）抓本质，不照搬形式** a.线下退货的核心好处是**多件一起寄只算一次运费**。 b.淘宝没傻乎乎地把“多个商品”变成“多个线上寄件单”（那会导致多次运费），而是抓住了“**合并成一个包裹寄**”这个**本质**，用“**同一个取件码**”来代表。这就完美还原了线下的核心优势。 **2）平衡“效率”和“灵活性”的矛盾** a.物流操作要效率：快递员处理一个包裹（一个取件码）最快最准。所以淘宝让多件商品**共享一个取件码（代表一个包裹）**。 b.顾客决策要灵活：顾客可能会改变主意，不想退某件了。所以淘宝**保持订单独立**，方便顾客单独取消。 c.怎么做到的？用“**一个取件码绑定多个独立订单**”这个创新设计，鱼和熊掌兼得！这是最大的亮点。 **3）消灭看不见的“麻烦”和“担心”** a.操作麻烦：避免让顾客多次操作寄件、多次付运费；避免让快递员填写多次取件码。淘宝的方案把这些都简化了。 b.心理担心：顾客怕线上操作会多收运费？淘宝用“同一取件码”的设计明确告诉顾客：不会！跟线下一样，只算一次。打消顾客的顾虑，让顾客放心用。 **4）让各角色都感到舒服** 好的设计不能只方便顾客，还得考虑执行的人（比如快递员）。淘宝让快递员操作变简单（一次填写一个包裹的取件码），快递员效率高了，服务更好，最终顾客也更满意。这是**双赢/多赢**。 淘宝这个设计告诉我们，**好的线上产品不是把线下流程原样搬上线，而是深刻理解线下为什么好（比如合并寄件省运费）、顾客怕什么（比如多付钱、不灵活），然后用技术手段（比如“一码绑多单”）更聪明地实现核心价值，甚至做得更好。**它解决了线上化过程中天然存在的效率与灵活性的矛盾，是“**理解人性，善用技术**”的典范。 本文由人人都是产品经理作者【Nana】，微信公众号：【娜是产品经理】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。 题图来自Unsplash，基于 CC0 协议。

日前，苹果中国官网上架M2 iPad Air官方翻新版，可选11英寸和13英寸，提供Wi-Fi版和Wi-Fi+蜂窝两种版本。其中，**11英寸M2 iPad Air Wi-Fi翻新版售价3699元起（128GB），比全新版（4799元）便宜1100元，13英寸Wi-Fi翻新版售价5199元起（128GB），比全新版（6499元）便宜1300元。** 据了解，翻新版均经过清洁、检查和测试，并视需要采用了苹果正品更换部件，所有产品均为全新包装，并享受免费送货和退货服务。 **所有苹果认证的翻新产品均提供标准的一年有限保修服务，**购买AppleCare服务计划可享额外保障。 [](//img1.mydrivers.com/img/20250603/ce500d02cfd1400a997314b36b8d8a25.png) [](//img1.mydrivers.com/img/20250603/bc7edff38512484b82ffcfb6072bbe03.png) 据悉，M2 iPad Air首次推出双尺寸，更大的尺寸可在办公、学习时提供更方便的操作，影音娱乐也更沉浸。 **该机搭载苹果M2芯片，配备8核CPU（包括4颗高性能核心和4颗高能效核心）以及9核GPU。** 该芯片基于台积电5nm工艺打造，新SoC由大约200亿个晶体管组成，比原来的M1多40亿（25%），比原生A15多50亿。 [查看评论](https://m.cnbeta.com.tw/comment/1504010.htm)

这个端午假期国内科技圈最火的，莫过于雷军、余承东的掐架，一些吃瓜网友看的好不热闹。5月31日，在粤港澳大湾区车展论坛上，余承东提到“其他行业公司只做一款车就卖爆”，直言：“虽然它的产品可能不是那么好……无论它的质量，甚至它的智驾能力都很……”。 **“我们做的产品，做得比他还好啊，质量好、体验好、性能好，各方面都好，你还卖不过它，甚至还卖不过他的零头。”余承东说。** 尽管未点名小米，矛头所指不言自明。这次余承东率先开炮，话里话外是有些酸的。 这场交锋迅速升级为公关战。小米直接拉起团战架势：先是小米总裁卢伟冰以“十倍投入做一辆好车”，驳斥产品力质疑，率先用出了诋毁，本身就是一种仰望。 随后，小米公关总经理王化则引用解缙名联“山间竹笋，嘴尖皮厚腹中空”，暗讽对手言论空洞。 6月1日雷军发博，再重复了一次“诋毁，本身就是一种仰望。”，把这场口水战推向了另一个新高峰。 其实在这之前双方已经多次发生了口水战，从手机到汽车，最近的一次是2023年，华为终端CEO余承东在花粉年会上不点名批评友商：“ 不尊重华为知识产权，拿过去随便编个名字就说自己的，将双旋水滴铰链技术改名’龙骨’就宣称自研，龙骨根本不存在”。 对于这样的发声音，随后小米通过发言人微博发布声明，直指余承东言论“与事实严重不符”，要求其“遵循科学与严谨规则，勿抹黑同行”。 两者还因为汽车上的手机支架，镀银玻璃信号战等隔空喊话，这些背后本质上是流量时代企业的一种生存策略。 **有专家直言，口水仗已经成为大佬们低成本、高曝光的游戏，一条引发争议的微博便能空降热搜，其传播效力远超团队精心策划的常规营销。** **有趣的是，去年接受李翔专访时（《详谈》丛书作者），雷军说，“我跟老余关系还可以”，李翔没忍住笑了。** [](//img1.mydrivers.com/img/20250603/a5f49ef2c8bb4cec9eae7780e158cfe9.jpg) 近日余承东还公开表示，某个人拖后腿害行业遭殃，这是个灾难！“我们要鼓励真牛逼，要打击吹牛逼。避免一个什么样的，就像在学校里，用全班、全年级最差的学生的成绩来作为标准，来限制我们，以最差学生成绩来定义整个的教学的进度。所以我想说，不能以最差生的这个能力，来限制整个行业的这个能力的标准。要鼓励突破、鼓励进步、鼓励提升，但是我非常支持，打击这种盲目乱吹，不顾生命安全的乱吹，瞎吹的这种做法，这种做法是不负责任的，也会造成了非常严重的问题。” 此外，余承东还直言，我们要鼓励大家前进，有能力的，有水平的，用他的东西，能够给大家创造更大的价值。 “因为我的语文不太好，我这个说话，表达的可能不太恰当的意思。但我希望如果有歧义的话，我希望大家明白我说的意思。” **余承东最后还重申，我们还要鼓励一些优秀生的发挥，否则我们这个社会就没法进步了。某一个人拖后腿乱搞，然后整个集体遭殃，这对整个产业是个灾难，对用户体验是个灾难，对整个行业也是不好。** [查看评论](https://m.cnbeta.com.tw/comment/1504008.htm)

日前，2025年《财富》美国500强排行榜发布，从盈利能力来看，科技和金融行业仍是最赚钱行业。**Alphabet去年盈利1001.18亿美元，较上一年大幅增长约35.7%，超越苹果公司位居利润榜榜首。** 苹果去年盈利937.36亿美元，较上一年下降约3.4%，滑落至利润榜第二位。 伯克希尔·哈撒韦公司去年盈利较上一年下降约7.5%，为889.95亿美元，在利润榜中位列第三。 据了解，在最赚钱前十家公司中，有6家为科技公司。 其中，**英伟达去年盈利达到了创纪录的728.8亿美元，比上一年增长144.9%，上升至利润榜第五位。** 不过，500强中有42家上榜公司未实现盈利，**英特尔成为榜上亏损最多公司，亏损额超过187亿美元，**波音位列亏损榜第二位，亏损额超过118亿美元。  《财富》美国500强中最赚钱50家公司 [查看评论](https://m.cnbeta.com.tw/comment/1504006.htm)

近日据外媒报道，美国商务部已暂停部分美国公司向中国商飞出售产品和技术的许可证，这些产品和技术被用于开发C919飞机。据悉，中国商飞制造的国产大飞机C919在中国研发和生产，但许多零部件来自全球采购，比如发动机是美国GE航空航天与法国赛峰集团合资生产的LEAP-1C发动机。 这样的断供也让不少人关切，国产发动机的进展如何？  据悉，国产长江-1000A发动机被寄予厚望，作为中国第一款商用航空发动机，科研团队正在积极研发，预计配备在C919机型上。 尺寸更大、性能更强的长江-2000大涵道比涡扇发动机紧随其后，国产民用航空发动机的国产化率有望逐步提高。 2023年3月开始，国产长江-1000A发动机在运-20军用运输机上进行飞行测试，这是最后阶段的测试飞行。 **中国航发集团董事史坚忠在2025年3月江苏太仓举办的航空技术大会上透露，长江-1000A发动机的试运行表现“远超预期”。** 关于长江-1000发动机的研发，“中国航发之父”、中国工程院院士刘大响曾指出，长江-1000在性能指标相当于国际上第五代发动机的水平，研发难度极大。因为1949年以来中国从未研究过大型民用发动机，要从第一代发动机直接跨越到第五代，所需突破的关键技术很多，需要做大量的试验研究工作。 刘大响说，为了牢牢掌握C919飞机研制的主动权，早在研发之初，就计划要使用国产飞机发动机，名为长江-1000，主要性能指标与LEAP-1C相近，位于上海的中国商用发动机公司是研发单位。 **如今，长江-1000已经突破了多项关键技术，中国的发动机研制正在一步一个脚印地稳步推进。但由于民机要求很高，发动机研制今后还有很长的路子要走，持之以恒才能取得圆满成功。** [查看评论](https://m.cnbeta.com.tw/comment/1504000.htm)

6月3日消息，近期，美国对华芯片出口管制持续收紧，迫使像DeepSeek等中国AI开发者在有限的算力资源下，探索更高效的模型训练方法。两位中国投资人和一位初创企业创始人表示，尽管面临这种困境，但中国AI行业的创新势头仍将持续。 [](https://static.cnbetacdn.com/article/2025/0515/2489f604b8485e8.png) AI初创企业ReOrc的创始人兼CEO Tony Ren表示：“当看到DeepSeek V3模型的表现时，我们意识到，可以基于该模型在中国本土开发出新的AI功能。”蓝驰创投的管理合伙人谭锐（曾投资月之暗面等多家AI模型公司）也指出，应用开发者正在尝试混合调用DeepSeek V3、阿里通义千问等多个大模型，而不再依赖单一技术，这加剧了各大模型开发商之间的竞争。 然而，由于中美关系紧张以及高端AI芯片禁售的影响，中国AI产业的发展仍然存在不确定性。伯恩斯坦资深半导体分析师林庆元认为，美国的芯片出口管制实际影响可能并不像外界预期的那样严重：“监管漏洞削弱了政策效果，同时中国企业在国产AI芯片研发方面已取得显著进展。” 同时，这些出口管制措施也为华为等本土AI芯片厂商创造了赶超英伟达的机会。林庆元指出，尽管目前中国大多数AI开发者仍然偏好英伟达的CUDA软件，但出口管制正促使他们逐渐转向并依赖本地软件生态系统。 DeepSeek的崛起也刺激了华为等芯片设计商增加对AI技术的投资。林庆元提到，华为最初在扩展AI芯片开发方面保持谨慎态度，但在DeepSeek证明其能够在较低性能的英伟达芯片上完成模型训练后，华为随即调整了策略，积极加大投入。 鉴于获取AI系统所需的高端芯片面临严格限制，许多初创企业被迫采取“双轨战略”，即同时针对中美两大市场进行布局。 **以下是针对Tony Ren、谭锐以及林庆元的访谈摘要：** **问：你们的应用基于哪些基础模型构建？DeepSeek跻身全球顶级模型行列是否改变了你们的选择策略，比如开源与闭源？** **Tony Ren：**我们采取全球化布局，中国团队服务本土市场，海外团队覆盖亚太及其他地区。去年，当DeepSeek尚未崛起时，我们面临着找不到合适的基础模型来开发符合中国市场合规要求的应用。最初，我们选择了性价比突出、适合开发的DeepSeek V2，这个版本虽然在token成本上没有太大压力，但性能与OpenAI和Anthropic等顶尖模型相比仍有一定差距。 然而，DeepSeek V3的崛起彻底改变了局面。现在，我们能够基于该模型在中国部署智能体，并在数据平台上提供各种AI功能。目前，我们的中国业务主要依赖DeepSeek V3和阿里Qwen 3，而海外智能体功能则基于Claude 3.7构建。如果未来工程资源充足，我们也会考虑整合Claude Sonnet 4，但目前模型迭代速度实在太快。 **问：阿里Qwen 3在某些方面可能优于DeepSeek，这是否会挤压月之暗面等企业的生存空间？中国“六小龙”及独立大模型开发商在激烈竞争中前景如何？** **谭锐：**月之暗面等公司必须不断提升大模型的质量，并且要构建生态系统，吸引更多合作伙伴来使用他们的模型。作为投资人，我认为行业的发展不应仅仅局限于单一模型的竞争。事实上，整个AI领域正在向智能体应用转型。例如，我们投资的智能体公司GenSpark就采取了“模型中立”策略，即根据客户的不同需求调用多个模型和智能体的组合。最终，客户关注的仅仅是结果，而不是具体使用了哪些模型，因此开发者在选择工具时必然会趋向多元化。 **问：美国芯片出口管制是否仍将继续成为中国在AI领域创新的制约因素？** **林庆元：**美国的芯片出口管制确实带来了很大挑战，尤其是在获取先进计算能力方面，但其效果并不像外界预期的那样有效。中国实际上已经在加速7纳米半导体的生产能力，预计今年本土7纳米芯片产能将翻倍。如果每月增加10,000片先进逻辑生产晶圆，这意味着每年可以生产大约200万颗AI芯片。此外，我们预计今年中国还可能再增加每月20,000片晶圆的产量。这些来自中国本土的额外供应将在为国内AI产业提供计算资源方面发挥重要作用。而且，出口管制反而催生了国产AI芯片市场的崛起，逐步替代了英伟达的市场份额。 **问：为何华为的芯片未被中国的模型开发商广泛采用？是否因为缺乏媲美CUDA的软件生态？** **林庆元：**这主要基于两个原因：一方面是华为的供应能力确实受限，它需要优先供应给中国电信等国企，面对民营企业供应相对较为困难；另一方面，华为自主研发的Cann软件生态系统相比于CUDA还显得不够成熟。不过，出口管制的实施正在促使开发者逐渐转向本土方案，DeepSeek的成功甚至改变了华为此前在AI芯片投入方面的保守态度。 **问：中国企业素来不愿为软件服务付费，如今企业客户对AI应用的付费意愿是否发生了改变？** **谭锐：**中国的企业市场仍然不够成熟，但我们已经看到一些面向企业的智能体应用初创公司正在崛起。关键在于能够解决按效果付费，而非单纯靠销售工具的商业模式。目前，消费级智能体应用（如字节跳动、腾讯推出的免费应用）更受欢迎，但它们的可持续变现模式仍有待观察。然而，毫无疑问的是，智能体的发展速度非常快，尤其是我们看到，这种趋势不仅限于企业市场，像Claude 4这样的能力已经在消费者层面取得了显著进展。因此，我们预计，未来会有更多面向消费者的智能体应用，而不仅仅是面向企业。 **问：开发智能体Manus的中国团队正在拓展全球市场，这种成功是否可以复制？** **Tony Ren：**毫无疑问，这种成功是可以复制的！目前，已有大量中国创业者在全球范围内开发专业级AI应用，Manus和GenSpark可能是其中最为突出的两个。我们看到，许多面向全球专业消费者的智能体应用，都是由中国创始人主导开发的。虽然开发基础模型存在不少限制，但如果只关注应用层面的创新，最重要的就是工程能力。而在这一点上，中国工程师无论在质量还是数量上，都具备巨大的优势。 **谭锐：**智能体本就不应与模型或芯片绑定，因为对智能体公司来说，最终目标是满足企业客户的需求。在AI时代，客户只会为结果付费。只要合法，采用中国本土生态的平价方案也是完全可行的。而且在全球顶尖的AI人才中，华裔占据了相当大的比例，这将推动应用层面的创新迎来爆发式增长。 **问：在中美及中西方关系紧张的背景下，中国企业如何拓展海外业务？** **Tony Ren：**合法合规是拓展海外业务的核心。我们采用了“双轨战略”：在中国市场，我们依托阿里云、DeepSeek和Qwen等本土方案；在海外市场，则使用谷歌云和更为尖端的全球模型。尤其在亚太市场，客户更看重服务能力，而非团队的地域背景。企业客户更关注的是流程合规性，而非厂商的国籍。 **问：海外企业如何获取中国的AI人才？** **谭锐：**两三年前，中国大语言模型领域的人才大多集中在科研机构和高校。但随着智能体应用的兴起，越来越多的人才来自移动互联网时代的中国企业创业者。此外，美国也有大量华裔AI人才。因此，这些人才的分布已经非常广泛，并且随着市场的演变在不断发生变化。 **Tony Ren：**人才选拔标准与国籍无关。如今，许多中国工程师渴望参与在国内无法开展的全球项目，这为海外企业提供了更大的人才窗口。 **问：华为与中芯国际使用旧版制程设备并获得政府补贴，这对芯片成本有何影响？** **林庆元：**政府补贴在推动中国芯片制造发展中起着至关重要的作用。半导体行业本身需要大量资本投入且回报周期长，只有通过规模效应才能实现盈利。中芯国际的资本支出大致与其营收相当，而台积电等盈利丰厚的公司，其资本支出也占收入的30%-40%。 芯片制造成本仅占整体营收的一小部分。即便华为由于采用非最尖端的制程技术导致成本增加三倍，毛利率从90%降至80%，它依然保持强大的市场竞争力。更关键的是，华为昇腾384芯片因需求强劲，售价甚至高于英伟达的NVL72。真正的挑战在于客户是否愿意转向华为的软件生态系统。 此外，芯片价格也受能效的影响。由于华为无法采用最先进的制造工艺，其芯片功耗相对较高。中国本土公司正在积极优化芯片设计，以减少这一影响。而在中国，所有运营成本，包括电力成本，普遍较低，这在一定程度上弥补了功耗较高所带来的劣势。 **问：当华为芯片需求在中国市场饱和后，是否能够在全球市场与英伟达竞争？** **林庆元：**在未来三到五年内，我认为华为应该能够在中国市场获得足够的份额。如果你看看云服务提供商的资本支出，中国市场的规模仅为美国的20%，而华为仍远未满足这20%的需求。因此，华为眼下更紧迫的问题是如何构建完整的中国本土生态系统。 **问：中国能否自研EUV光刻机？** **林庆元：**中国一定会成功研发EUV光刻机，这只是时间问题。EUV本质上是一个工程技术难题，中国需要解决精密制造和构建完整的供应链生态。全球约20%的先进逻辑芯片需求来自中国。如果中国能够突破EUV技术，那么将会有20%的市场等待它。然而，当前精密制造仍是中国在这一领域的关键缺口。 问：专注欧美市场的中国智能体初创企业如何与本土公司竞争？ **Tony Ren：**关键在于效率和成本。硅谷的AI公司往往受限于高昂的人才成本，而中国团队不仅能够保持较高的工程效率，还具备明显的成本优势。尤其是在初期阶段，跨国团队的分散布局往往会拖慢进度。因此，集中力量、专注于一个市场是制胜的关键。 **谭锐：**AI领域的竞争日益激烈，因此无论是亚洲还是美国的创业者，都需要极致的专注。如果一个中国团队打算主攻美国市场，他们必须全身心投入到美国市场，深入理解并融入当地的生态系统。 [查看评论](https://m.cnbeta.com.tw/comment/1503990.htm)

人工智能不仅威胁着编程和咨询等白领工作，而且还威胁着有史以来最古老的职业之一——士兵。Google前首席执行官、科技界杰出人物埃里克·施密特 （Eric Schmidt） 在最近一次关于人工智能变革性影响的讨论中阐明了这种对未来冲突的严峻愿景。  施密特的见解描绘了一幅画面，人类战斗人员变得过时，取而代之的是自主系统在数字和物理领域与之作战。他的言论深入探讨了战争的核心本质，表明与数千年来以人类为中心的冲突截然不同。 施密特假设战争的进行方式将发生巨大转变：“几千年来，我们一直有这样一种观念，即一个人拿着枪与另一个男人和枪搏斗，或者与马或其他什么东西搏斗。我们现在永远切断了这种联系，因为战争将通过互联网以某种形式进行起诉。他详细阐述了这个令人不安的未来，他说：”相当于莫斯科和基辅，人们将在这些战争被起诉时喝咖啡，而实际的战斗将发生在这些本质上是机器人的东西之上。“这个图像表明，战争的直接人员代价是脱离的，战斗是由机器人人工智能驱动的代理进行的。 根据 Schmidt 的说法，这种范式转变使传统的军事资产变得多余。“这意味着，例如，拥有一架载有人类的战斗机绝对没有意义。因此，突然之间，我们军队所做的一切的逻辑就没有任何意义了。”然后，他概述了这种技术演变的逻辑结论：“你应该为防御和进攻构建可归因的自动化机器人系统。 Schmidt 进一步强调了 AI 在未来战略规划中的关键作用：“如果没有 AI，尤其是强化学习，没有人可以计划一场攻击或防御你的攻击的战斗。”他以清晰的愿景总结了他的技术评估：“当我作为一名计算机科学家看待它时，我认为这是最终状态，即强化学习规划，双方同时防御和攻击，从而优化结果。 施密特的预测与自主武器和人工智能军事系统方面不断增长的研发成果相吻合。全球主要大国都在这一领域进行大量投资。例如，能够独立决策的无人机群、人工智能驱动的网络战能力和自主地面车辆的开发已经在进行中。“杀手机器人”——无需人工干预即可选择和攻击目标的全自主武器——的道德影响是联合国等论坛上激烈国际辩论的话题。 向 AI 驱动战争的转变既带来了潜在优势，例如减少战区的伤亡，也带来了重大风险，包括意外升级的可能性、算法偏见和问责制的侵蚀。施密特的评论清楚地提醒我们，冲突的未来正在迅速发展，需要全世界的政策制定者、军事战略家和伦理学家紧急考虑，以应对战争越来越多地由机器进行的世界的复杂性。 [查看评论](https://m.cnbeta.com.tw/comment/1503988.htm)

6月3日，据《华尔街日报》报道，考虑到英伟达在中国销售AI芯片受到了美国的种种限制，这家公司为什么还要坚守中国市场呢？ 答案是：它根本承受不起放弃中国市场的代价。英伟达上周借其第一财季财报，向特朗普政府传达了一个严峻信息：若将美国芯片公司排除在中国AI市场之外，后果将十分严重。  黄仁勋 “无论有没有美国芯片，中国的AI技术都会继续向前发展。”英伟达CEO黄仁勋(Jensen Huang)在财报电话会议上表示。他强调，全球一半的AI开发者都在中国，如果美国企业被禁止参与这个市场竞争，美国最终可能失去在全球AI行业中的领先地位。 黄仁勋表示：“最终，赢得AI开发者的平台，才是真正赢得AI的未来。出口管制的目的本应是强化美国的平台，而不是把全球一半的AI人才推向我们的竞争对手。” **为何离不开？** 英伟达也有充分的财务理由坚守中国市场。美国政府在4月份决定禁止该公司向中国市场出售其H20芯片，这一决定导致该公司在截至4月底的第一财季损失了大约25亿美元的销售额，并将在截至7月底的本财季再损失80亿美元。这是因为H20芯片是专门为中国市场设计的，以符合之前的美国出口限制规定，所以它在其他任何地方都不具备销售价值。 英伟达的AI芯片在世界其他地区的需求依然十分旺盛，因此中国市场的销售额下滑在短期内对其影响不大。但是，英伟达目前的市值约为3.3万亿美元，是排名第二的芯片公司市值的三倍，如此高的市值恰恰是因为投资者认为该公司仍有很长一段显著增长期。根据金融信息公司FactSet的数据，华尔街分析师预计，英伟达的年营收今年将突破2000亿美元大关，并在2028年达到3000亿美元。  H20芯片禁令冲击英伟达收入 如果没有中国市场，英伟达的这一增长很难实现。作为全球第二大经济体，中国正积极推进AI发展。根据摩根士丹利上个月发布的一份报告，2000年至2023年期间，中国支持的风投基金向AI创业公司投资了1840亿美元。英伟达估计，中国AI加速器(用于AI计算的主要芯片)的市场规模将达到500亿美元左右。 “中国占据全球市场的四分之一，这是一个非常庞大的数字，”瑞银分析师蒂姆·阿库里(Tim Arcuri)在一次采访中表示。他补充说，如果英伟达能够参与竞争，它将在中国市场拥有“主导地位”。 目前，华尔街分析师们并未放弃对英伟达重返中国AI市场的期望。摩根士丹利分析师乔·摩尔(Joe Moore)在英伟达最新财报发布后写道：“我们仍然坚信，英伟达在中国市场的机会至少会有一定程度恢复。” **美国需改变** 但是，美国若要此时改变现行政策，那么特朗普政府要么得撤回限制，要么得大幅修改目前对销往中国的芯片算力施加严格限制的规则。 瑞银分析师阿库里认为，允许对华销售更高性能芯片的修改仍有可能符合美国政府的目标，因为对先进芯片制造设备的限制依然会阻碍中国实际生产最先进处理器。 而且，英伟达缺席中国AI市场，正让华为等本土竞争对手获得优势。摩根士丹利估计，目前中国约有34%的AI芯片需求由本土供应商满足，这一“自给率”预计将在2027年达到82%。即使英伟达能够重返市场，也将不得不面对中国将自主技术置于所有关键产业核心的目标。 目前，英伟达在技术上领先其所有竞争对手数年之久，其不断壮大的芯片、整套解决方案及面向AI开发者的软件工具生态，对于那些希望在全球范围内保持AI竞争力的中国企业来说，仍具有强大吸引力。英伟达必须重返中国市场，但这条路必须获得白宫的批准。 [查看评论](https://m.cnbeta.com.tw/comment/1503986.htm)

据路透社报道，市场情报公司 Sensor Tower 称，拼多多控股旗下全球折扣电商平台 Temu 的美国每日用户数量 5 月份下降了 58%，这是该电子零售商在中美贸易战中面临的众多阻力之一。 [](https://static.cnbetacdn.com/article/2025/0522/7f9474f0c27924b.jpg) 5 月 2 日，白宫终止了所谓的最低限度做法（允许中国公司免关税向美国运送低价值包裹），此后，Temu 决定削减在美国的广告支出，并改变其订单履行策略。 多年来，Temu 和快时尚巨头 Shein 一直利用这一规定，将商品从中国供应商直接运送到美国消费者手中，从而保持低价。 根据咨询公司贝恩公司收集的数据，自美国总统唐纳德·特朗普宣布全面征收贸易关税以来，Temu 和 Shein 的销售额增长和客户增长率都大幅下降，但 Temu 的趋势比其竞争对手更糟糕。 数据显示，关税迫使两个平台都提高了价格，但与一年前相比，Shein 的每位客户的消费金额有所增加，而 Temu 则陷入了困境。 Temu 尚未回应有关美国每日用户数量下降或其在美国市场面临的阻力的评论请求。 摩根士丹利股票分析师西缅·古特曼 (Simeon Gutman) 在 5 月份的一份报告中表示，豁免期结束后，Temu 的参与度大幅下降。 古特曼表示：虽然关税环境不确定，但如果现状持续较长时间，我们认为 Temu 的竞争威胁将继续减弱。 上周，拼多多第一季度的盈利未达到增长预期，高管在财报电话会议上告诉分析师，关税给商家带来了巨大压力。 他们重申了 Temu 早先的承诺，即保持价格稳定并与各地区商家合作，并提到了 5 月初宣布的向本地履行模式的转变。 Temu 之前的商业模式是让商家负责订购和供应产品，而这家中国公司则负责管理大部分物流、定价和营销。 汇丰银行分析师在一份报告中指出，现在 Temu 的商家可以将单个订单从中国运送到 Temu 合作的美国仓库，但他们需要处理关税、海关费用和文书工作。Temu 将继续负责在购物者附近完成订单、定价和在线运营。 汇丰银行在上周的报告中表示，Temu 在非美国市场的增长已经回升，第二季度非美国用户占其 4.05 亿全球月活跃用户的 90%。 分析师写道：在较不富裕的市场中，新用户增长最快。 [查看评论](https://m.cnbeta.com.tw/comment/1503984.htm)

 韩国游戏工作室 NCsoft 于日前揭晓了《永恒之塔2》的首个预告。本作由虚幻引擎5打造，预计年内在 PC 、安卓以及 iOS 推出。游戏的地图规模是前作的30余倍，任何地点即可自由飞行。在游戏开始时，玩家将选择“天族”或“魔族”其一阵营， 带来丰富的副本内容和激烈的首领战斗。 &lt;内嵌内容，请前往机核查看&gt;   在天魔战争的尾声，永恒之塔倒塌。对彼此的不信任导致结界无法建立最终三个种族的冲突吞噬了世界之光。那一天的悲剧，后世称之为「最后的战争」。结界消失的那一天，魔界彻底失去防备。穿越黑暗蜂拥而来的龙族，像波涛般席卷了一切。主神们凝聚最后的火花，在莫尔海姆和贝鲁斯兰之间建起光壁魔界就此被孤立于寂静与阴影之中。

<blockquote><p>在互联网流量成本日益攀升的当下，企业面临着新客获取难、老客价值挖掘浅的双重困境。私域运营作为突破这一瓶颈的关键策略，正逐渐成为企业增长的核心引擎。本文将从私域运营的底层逻辑出发，系统性地剖析如何通过精细化运营提升客户终身价值（LTV）。</p> </blockquote>  在互联网流量成本突破200元/人的今天，企业增长正面临双重挑战：新客获取难以为继，老客价值挖掘却停留在“促销轰炸”的初级阶段。 数据显示，私域运营成熟的企业，客户终身价值（LTV）平均高出行业均值40%，而70%的品牌仍未真正激活私域的复利效应。**如何通过私域运营实现LTV的可持续增长？**这已成为企业穿越周期的关键命题。 这篇文章我将从私域运营的底层逻辑出发，系统解析提升LTV的核心策略与实战路径： - 重新定义私域 LTV：为什么私域里的客户价值能比公域翻 3 倍？ - 破解三大增长杠杆：用户基数、人均客单价、用户平均购买次数，私域如何精准撬动这三个核心数据？ - 私域独有的增长优势：2个原因揭露私域的护城河本质； - 3步执行法：从用户习惯养成，从提升用户消费频次，手把手教你搭建 LTV 增长模型； - 母婴行业实战案例：看头部品牌如何用私域让用户生命周期延长，呈现从用户分层、场景化触达到会员体系搭建的完整落地链路。 无论你是品牌运营负责人、私域操盘手，还是关注商业增长的从业者，都能从本文获得可复用的方法论。 如果你觉得文章不错，欢迎点赞、转发以及在看，我们正式开始今天的文章。 ## 01 私域运营增长LTV到底是什么？ 在私域运营的关键体系里，LTV（客户终身价值）始终是衡量用户价值与品牌长期收益的核心指标。但究竟如何定义私域运营增长LTV？这一概念需从多维度深入剖析。 **我先聚焦狭义语境，从基础公式拆解其核心构成，明确交易层面的价值计算逻辑；再延展至广义视角，挖掘其背后隐含的关系价值、传播价值等深层内涵。** ### 01 狭义语境下的LTV：核心收入指标 在狭义语境中，LTV（客户终身价值）是衡量品牌从特定用户获取收入的核心指标，其公式为**LTV = 用户基数 × 人均客单价 × 单用户平均购买次数。**  这一公式从基础交易维度，清晰拆解了用户为品牌贡献的经济价值： - **用户基数，**代表品牌触达的用户总量，是价值积累的基础； - **人均客单价，**反映每次交易中用户的平均支出水平，体现单次消费能力； - **单用户平均购买次数，**体现用户重复消费的频率，彰显用户对品牌的持续选择倾向。 该公式直观呈现用户在一定周期内的消费潜力与整体贡献。它聚焦于交易层面的核心变量，帮助品牌明确“用户数量、单次消费额、消费频次”三大发力点，为运营策略提供基础数据支撑，是私域运营中评估用户价值的重要起点。 ### 02 广义语境下的LTV：重新定义客户终身价值 我们为什么要谈在私域运营下的场景，因为用户提供的不仅是单纯的收入，还有其他附加价值。 在广义语境中，私域运营增长LTV是品牌通过深度运营用户关系，实现多维价值融合的集中体现，其核心由**交易价值、关系价值、传播价值共同构成**。 - **交易价值是基础盘**，指用户在私域场景下通过复购、增购、跨品类购买等行为，直接为品牌贡献的经济收益，这一过程因私域的高频触达与精准推荐变得更为高效。 - **关系价值则是私域运营的隐性财富**，借助1v1信任关系的建立，用户从单纯的消费者演变为品牌忠实拥趸，他们主动提供需求反馈、参与产品共创，甚至成为品牌价值观的认同者，这种稳固关系大幅提升了用户抗竞品干扰能力，延长了消费周期。 - **传播价值是私域裂变的关键**，当用户因信任与体验主动分享推荐，便形成了低成本的自传播链条，每一次口碑扩散都可能为品牌捕获新流量，实现用户基数的自然增长。 私域特有的1v1信任关系，彻底扭转了“一次性流量”的短效局面，将用户转化为可长期复用的资产。 通过持续运营，品牌不仅能挖掘用户当下的消费潜力，更能在情感联结与价值认同中，不断解锁关系与传播层面的深层价值，让用户成为品牌成长的长期贡献者，最终实现价值的持续开采与几何级增长。 ## 02 为什么要通过私域去提升LTV？  第一部分，我们在理解 LTV 的定义基础上，尤其是私域赋予 LTV 的独特价值维度后，我们来探讨一个关键命题：为何私域会成为提升 LTV 的核心引擎？ 其实也很好理解，这个是私域运营对比公域流量的优势。 公域流量红利日益消退，新用户获取成本不断攀升，传统大众营销方式难以持续挖掘用户深层价值，品牌亟需从粗放转向精细化运营，而私域正是破局的关键。 公域流量属于平台用户资产，品牌需高价购买且受平台规则制约，流量成本高企，即时转化依赖平台分发，用户粘性弱、难以沉淀。私域则截然不同，它是品牌自主掌控的“私有资产”，用户获取成本更低，且能通过企微、公众号、1V1私聊等多元触点，与用户建立可控互动，深度培育关系。 这种持续连接使品牌能精准把握用户需求，通过精细化运营提升复购、增购，延长用户生命周期，最终实现LTV（生命周期价值）的最大化。 简言之，**私域解决了公域流量不可控、成本高、用户易流失的痛点，是提升LTV、实现可持续增长的核心阵地，助力品牌从“流量收割”转向“价值深耕”。** ## 03 破解LTV增长密码：私域撬动的三大核心数据杠杆 上面我们提到了，广义语境下的 LTV，深刻诠释了私域运营的独特魅力，它远非单一的变现途径那么简单，而是对用户终身价值的全面重构与深度挖掘。然而，**理解 LTV 的深层逻辑，需先回归基础**。 接下来，我从狭义语境切入，以公式为原点，从三个关键维度展开细致拆解，清晰呈现 LTV 的构成要素。 在私域运营中，LTV（客户终身价值）的增长依赖于三大核心数据的协同发力。  ### 01 用户基数：构建价值增长的“基本盘” 用户基数包含新客与老客两大群体。新客是开拓市场的先锋，老客则是稳定收益的基石。 其运营关键在于老客留存与降低新客获取成本。通过强化品牌与用户的互动频率，如专属问候、个性化服务提醒，提升用户留存率；借助私域的社交裂变属性，以老带新，降低新客获取成本。 参考留存率或拉黑率等指标，可直观评估用户基数的健康度，为运营策略调整提供依据。 ### 02 人均客单价：挖掘单客价值的“深度密码” 聚焦私域存量用户，人均客单价的提升依赖于巧妙的组套营销，后面我会用实战的母婴行业的实战案例为你解释什么叫组套营销，以及如何做组套营销。 通过流量款与互补品的组合推荐，激发用户连带购买需求；依据用户偏好差异，精准推送个性化货品，提升购买意愿；利用长尾内容推荐，拓展用户对品牌多元产品的认知。 ### 03 用户平均购买次数 针对私域活跃用户，核心是增加购买场景触点。 提供新品试用，以新鲜感刺激消费；为明星单品设置专属福利，如限量周边、会员专享折扣，培养用户忠诚度；借助RFM模型定向推送营销活动，精准唤醒高潜力用户。用户购买频次这一指标，直接反映出场景营销与运营手段对复购行为的拉动效果。 这三大数据分别从用户规模、单客消费力、消费频次维度，勾勒出私域LTV的增长框架，它们相互关联又各有侧重。 我们在下一个部分将深入探讨如何通过精细化运营策略，让这些数据实现突破性增长，真正释放私域LTV的强大势能。 ## 04 如何提升LTV？ 当我们明白了LTV到底是什么、私域运营提升LTV的优势，那接下来进入到本篇文章最核心的内容，我会详细为大家介绍如何提升LTV？ 这部分我会遵循总分总的策略，为大家分享提升LTV的总策略，然后再说具体的3个操作步骤，最后结合母婴行业的实战案例来进行全景归纳总结。  ### 01 提升LTV的总策略 提升LTV（用户生命周期价值）是私域运营的核心目标，需通过系统化策略整合运营、模型、系统及指标监测，构建完整的增长闭环，具体可从以下方面深入展开： **一、明确私域目标，构建多维运营体系** 以“流量运营+内容运营+RFM数据分析转化”为核心路径，全方位提升用户生命周期价值。 流量运营：分为“获取”与“培养”两步。在获取阶段，通过精准渠道（如品牌自有APP、线下门店引流等）吸引用户进入私域池；在培养阶段，借助企业微信1对1沟通、社群互动等方式，增强用户与品牌的连接，例如定期推送专属福利信息，逐步建立用户信任与依赖。 内容运营：打造高价值内容增强用户粘性。针对母婴行业，可输出“育儿知识干货”“产品使用测评”等内容，解决用户痛点；同时，通过用户故事、达人分享等扩展内容价值，激发用户潜在需求，如分享“宝宝成长记录”带动相关产品消费。 RFM数据分析转化：依据用户最近一次消费（Recency）、消费频率（Frequency）、消费金额（Monetary）进行分层，对高价值用户推送定制化福利（如限量产品优先购），对沉睡用户设计唤醒活动（如专属优惠券+温馨提醒），实现自动化精准营销，提升转化效率。 **二、依托私域模型，实现精细化运营管理** 渠道埋点模型：在品牌官网、小程序等自有渠道部署数据埋点，实时采集用户浏览、点击等行为数据；结合企业微信监测用户沟通反馈数据，全面勾勒用户画像，为后续运营提供精准数据支撑。例如，通过埋点发现用户多次浏览某款产品但未购买，可针对性推送产品优惠信息。 用户交互模型：通过签到打卡、话题讨论等活动培养用户交互习惯，定期收集用户反馈构建满意度体系。如母婴社群中设置“育儿经验交流日”，提升用户参与度与满意度，增强品牌认同感。 内容运营模型：针对不同用户分层（如新手妈妈、资深宝妈）设计精细化内容主题。新手妈妈侧重“孕期护理”“婴儿用品选择指南”等；资深宝妈可推送“儿童早教”“亲子互动”等内容，提升用户参与度与对品牌的依赖。 RFM模型：将用户分为重要价值、潜力、沉睡等层级，打通会员体系。对重要价值用户提供专属客服、会员日双倍积分；对潜力用户设置升级奖励（如积分兑换优惠券），激励消费；对沉睡用户通过定向福利（如“回归专享礼包”）唤醒，实现差异化运营。 **三、借助私域系统，优化运营效率与体验** 小程序矩阵：搭建功能细分的小程序，如“产品购买小程序”“会员服务小程序”，简化用户操作路径，提升购物便捷性。母婴品牌可设置“一键囤货”小程序，方便家长快速复购奶粉、纸尿裤等必需品。 企业微信工具：利用企业微信标签功能对用户分类，实现精准消息推送；通过快捷回复、客户朋友圈等功能，增强与用户的日常互动，如推送“宝宝今日护理小贴士”，提升服务温度。 全域会员系统：整合线上线下会员数据，统一积分规则与权益体系。用户无论在电商平台还是线下门店消费，均可累积积分兑换礼品，提升会员忠诚度。 用户标签引擎与智能营销系统：根据用户行为、偏好生成多维标签（如“价格敏感型”“品质追求型”），智能营销系统依据标签自动匹配营销活动。如“价格敏感型”用户可收到满减优惠券，“品质追求型”用户推送高端新品体验活动。 用户数据平台（CDP）：汇总多源数据（小程序、企业微信、会员系统等），形成统一用户视图，为前端运营工具提供数据支持，确保营销与服务的精准性。 **四、强化指标监测，聚焦关键增长因子** 提升留存率（LT）： 优化私域池基数扩充效率，通过老用户推荐奖励（如“推荐好友得积分”）、新用户注册礼包等吸引用户加入。 提供持续价值输出，如母婴品牌定期推送“宝宝发育里程碑”指南、专属育儿顾问在线答疑，让用户感受到品牌的陪伴与实用价值，从而长期留存。 提升消费频次： 结合RFM模型设置周期性营销活动，如“每月会员日”推出限时折扣、秒杀活动；针对母婴用户，可在“开学季”“换季时”等节点推送相关产品优惠。 完善用户运营体系，采用标签化管理与会员积分制。用户每消费一次或参与一次互动（如填写问卷、分享内容）均可获得积分，积分可兑换礼品或优惠券，激励用户多次消费。 提升消费金额： 组合SKU销售，如母婴品牌推出“奶粉+奶瓶+辅食碗”超值套装，提高客单价；或根据用户历史购买记录，推送关联产品（如买过奶粉的用户推荐益生菌）。 拓展营销新场景，利用社群团购模式，发起“拼团更优惠”活动，鼓励用户邀请好友成团，既提升消费金额，又实现裂变传播。 有了上面大体的框架，我们再来分点介绍下如何提升LTV，包含提升留存率（LT）、提升消费频次以及提升消费金额。 ### 02 提升用户留存LT 在私域运营中，提升用户留存LT（用户生命周期）是增强用户粘性、实现LTV增长的关键一环。以下从多个维度深入剖析提升用户留存的策略，结合具体场景与案例，构建完整的留存体系：  **一、快速扩充私域池，奠定留存基础** 私域池是用户留存的载体，需通过多元化渠道策略扩大用户基数。以母婴品牌为例，可在线下与妇幼医院、早教中心合作，为新手父母提供育儿手册，手册中设置专属二维码，扫码加入私域社群即可领取“新生儿护理大礼包”（包含试用装、育儿课程兑换券）；线上通过社交媒体平台投放精准广告，如在妈妈论坛、母婴APP推送“免费领取宝宝成长记录手账”活动，吸引潜在用户进入私域。这种线上线下结合的方式，能高效扩充私域池，为后续留存运营积累对象。 **二、培养用户交互习惯，增强情感连接** 提升交互频次与价值：设计多样化互动形式，融入游戏化元素。例如推出“签到打卡赢积分”活动，连续签到7天可解锁一张满100减20的优惠券；设置“育儿知识小挑战”，答对题目可获得积分，积分可兑换产品小样。每次互动都围绕用户核心需求，如母婴社群中每日固定时段分享“宝宝辅食制作小贴士”，让用户形成“每日查看”的习惯，逐渐将品牌纳入日常生活场景。 强化社交属性：打造用户间交流平台，如设立“宝妈树洞”专区，供妈妈们分享育儿困惑、家庭趣事。定期组织“育儿经验分享会”，邀请活跃用户分享心得，给予积分奖励或专属徽章。通过用户彼此间的互动，形成“品牌—用户—用户”的良性社交网络，使用户因群体归属感更易留存，例如一位妈妈可能因在社群中结识了志同道合的朋友，而持续留在私域中。 **三、构建交互满意度体系，优化体验细节** 完善基础服务库：建立全面且动态更新的Q&amp;A话术库、产品信息库与售后服务流程。例如，当用户咨询某款奶粉的奶源地时，客服能迅速调取详细的产品库信息，不仅告知奶源地，还附上质检报告链接；售后服务设置“专属客服通道”，用户提交售后申请后，24小时内必有响应，48小时内给出解决方案。 定期回收反馈：通过问卷调研、社群投票、1对1访谈等方式收集用户满意度。例如每月第一个周五定为“用户体验反馈日”，推出“填写问卷赢免单”活动。若某阶段用户反馈“社群信息过于杂乱”，则优化社群公告栏设置，明确区分“优惠信息”“育儿知识”“闲聊区”等板块，让用户体验更清爽。这种基于反馈的持续优化，使用户感受到品牌的重视与用心。 **四、提供高价值内容，满足核心需求** 精准把握需求，细化用户分层：深入分析调研数据，不仅关注整体偏好（超60%用户希望通过社群获取优惠与新品信息，超40%偏好图文形式），还细化不同年龄层、消费阶段的用户需求。如年轻妈妈可能更关注时尚育儿产品（如高颜值婴儿车、潮流母婴服饰），资深妈妈则更关注孩子教育方法（如早教课程、阅读习惯培养）。在19-21点用户活跃时段，除推送通用优惠图文外，还通过标签定向发送内容：给年轻妈妈推“新品时尚母婴好物开箱”，给资深妈妈推“儿童阅读习惯养成攻略”。 丰富内容形式，构建多维矩阵：除图文外，增加视频、直播、音频等形式。母婴品牌可定期举办“育儿专家直播讲座”，解答家长常见问题，如“如何应对宝宝入园焦虑”；制作“一分钟辅食教程”短视频，在社群内分享；推出“睡前故事”音频栏目，满足家长哄睡需求。同时，私域作为触达桥梁，鼓励用户反馈内容偏好，例如直播中设置弹幕互动“下期想听什么内容”，根据反馈调整选题，形成“品牌输出—用户反馈—内容优化”的闭环，让用户因持续获得契合自身需求的价值而留存。 ### 03 提升用户消费频次 在提升用户留存，让用户与品牌建立交互习惯后，如何进一步激发用户频繁消费？ 这就需要聚焦提升用户消费频次的策略。接下来，我们从精细化运营、标签完善、产品与场景结合三方面展开，看如何精准发力，推动用户消费频次提升。 **一、精细化运营了解用户是基础** 提升用户消费频次，需以精细化运营深入了解用户为根基。基于用户与品牌的交互频率及关系强弱，可将用户划分为广泛用户、潜客、一般用户、高净值用户及KOC（关键意见消费者）等层级。 通过社群、朋友圈、1V1私聊、企微服务场景等多触点高频覆盖，强化情感纽带。例如针对高净值用户，提供个性化服务与专属关怀，满足其深层次需求；对广泛用户与潜客，侧重品牌教育认知与需求引导，大量获客并建立社交联系。随着用户成长路径推进，不断丰富用户画像，为精准运营提供支撑，进而有效提升消费频次。 **二、完善个人标签和行为标签** 完善标签体系是实现精准运营的关键。标签分为手动与自动两类：手动标签源于运营对用户行为的人为判断，如一周内订单超一定金额标注为“土豪”，一月内订单超3笔为“高频消费”，群内活跃参与活动的标记为“活动敏感”，愿输出观念的定义为“KOC”。 自动工具标签则从CRM、表单工具、订单信息等提取，涵盖会员标签（如X卡、黑卡）、基础标签（性别、年龄）、个性标签（兴趣、产品偏好）、消费行为标签（购买渠道、频次）。这些标签多维度勾勒用户特征，助力运营者精准把握用户需求与偏好，为后续针对性营销奠定基础，从而有效刺激用户消费频次提升。 **三、“产品” + “场景”推进日常销售** 以“产品”结合“场景”的策略，可高效推进日常销售，提升消费频次。在产品层面，设置明星单品特殊福利、新品试用体验、指定单品定向推荐等类型；场景上，提供用户进入私域后包邮或付费完成首次订单、根据购买记录进行一对一二次触达等。 例如针对明星单品爽肤水，新引流用户下单即送，销售额持续提升10%；新品沐浴露通过付邮试用场景，有效提升新品销售额。同时，运营需依据历史购买时间、单品及不同品相常规复购周期等要求，确保策略贴合用户消费习惯，实现消费频次的稳步增长。 ### 04 提高消费金额 提高消费金额是提升LTV的重要一环，组套销售模式便是行之有效的方式。组套销售通过巧妙搭配产品，激发用户更多消费需求。 从类型看，有明星流量款与互补性推荐款组合，借助明星产品吸引力带动关联产品销售；长尾型内容推荐，挖掘用户潜在兴趣拓展消费；利用货品本身差异性，满足不同用户偏好。 场景上，依据季节、生活、场景构建社群，如秋冬滋补专场、户外运动主题等，活动结束后同步推荐组合款。要求上，按相同属性用户分类，如肤质相同的护肤用户，或按活动形式分类。例如双十一推出全套护肤组套（水+精华+乳液+霜），客单价较电商提升1倍；秋季护肤推出259元三件套，户外主题组合防晒+防蚊+帐篷等，均有效提升客单价，通过组套销售，满足用户多样化需求，实现消费金额增长，为LTV提升注入动力。 ## 05 母婴行业实战案例：从0到1拆解私域LTV提升路径 前面我们系统梳理了提升私域LTV的核心策略，从用户留存的粘性培养，到消费频次的精准刺激，再到消费金额的多元提升，每一步都蕴含着精细化运营的逻辑。但理论的价值，终究要在实战中得以验证与升华。 母婴行业作为私域运营的“潜力赛道”，其用户决策链长、需求场景化强的特性，让LTV提升策略更具发挥空间。接下来，我将用我调研的一个品牌的母婴行业实战案例，为你解析如何从0到1落地这些策略，把抽象的方法论转化为可操作的增长路径，为从业者提供真实可复用的参考。 ### 01 用户分层推送针对性内容提升用户留存 某母婴品牌通过精准的用户分层运营，显著提升了用户留存率，其核心在于依据宝宝月龄划分用户阶段，匹配针对性内容与策略。  对于宝宝月龄0 – 12个月的用户，品牌聚焦“传递品牌价值，占领用户市场份额”。通过哺乳知识普及、奶粉营养知识讲解，辅以母婴专家直播种草产品，构建专业可信赖的形象，塑造“值得买”的消费心智。此阶段注重搜集宝宝月龄、用户特点等标签，为精准运营奠基。 当宝宝月龄处于12 – 36个月时，品牌转向“制造焦虑，打造购买场景”。开展活动打卡、问答游戏、社群专属福利等互动，同时持续进行奶粉营养知识科普与产品种草，刺激用户即时消费，促成“立刻买”的决策。 针对宝宝月龄36个月以上的用户，品牌以“传递产品优势，锁定消费”为目标。借助微商城新人礼、买赠活动、直播安利等形式，强化产品优势认知，培养用户长期消费习惯，实现“持续买”的心智占领。同时，结合购买时间、产品、消费金额等属性标签，深入理解用户行为。 通过这种分层投放策略，该品牌精准触达不同阶段用户需求，有效提升用户粘性，最终实现用户月留存率高达90%，为私域LTV增长筑牢根基。 ### 02 工具以及自动化标签体系 某母婴品牌借助“工具+人工”模式，构建起完善的标签体系，精准驱动运营决策。在标签计算逻辑上，多维度定义标签：状态标签依据离预产期时间划分，如离预产期大于1个月、小于1个月等；即将转段标签按宝宝月龄界定，如5个半月到6个半月将转二段；预估库存通过上次购买罐数、时间等计算，区分库存充足、即将补货、清零状态；生命周期标签以购买时间间隔筛选保留老客；沟通渠道偏好则统计会员在各渠道的频次与响应率。 这些标签深度应用于多元场景。会员精准营销中，依据生命周期标签管理会员，针对不同阶段提供专属策略；会员事件营销里，借助宝宝生日关怀增强情感连接；通过主题营销活动、联合营销活动等提升参与度，如转段营销、积分到期提醒等；沟通渠道上，灵活运用短信、图文、导购1V1、朋友圈、社群等，确保信息有效触达。该品牌通过工具精准计算与人工经验结合，让标签体系贯穿营销全链路，实现对用户的深度理解与精准运营，有效提升用户参与度与消费转化，为私域LTV增长提供了强有力的支撑。 ### 03 自动化营销 某母婴品牌通过贯穿消费者生命周期的运营策略，结合自动化精准营销，有效提升用户购买频次。在不同时间节点推送针对性关怀：宝宝1个月时给予母乳喂养关怀，4个月时关注产后复工关怀，6个月提供半岁关怀，9个月进行大动作发育关怀，贴合母婴不同阶段需求，增强用户粘性。 同时设置全程贯穿任务：首购3天后提醒，关心产品使用情况，拉近与用户距离；复购提醒则依据购买情况，适时引导再次消费，培养消费习惯。数据层面，聚焦喂养方式标签、身份属性标签搜集，为精准运营提供支撑，确保关怀与提醒贴合用户实际，提升营销效率。这种全周期、自动化的精准运营，让品牌持续触达用户需求，在不同阶段给予贴心关怀与消费引导，有效促进购买频次提升，深化用户与品牌的连接，为私域LTV增长注入持续动力。 ## 06 结语 私域运营的核心在于精准把握用户生命周期价值（LTV），而这离不开用户留存、消费频次与消费金额的协同提升。 从用户留存看，某母婴品牌以分层运营为钥，依据宝宝月龄推送针对性内容，如0 – 12个月传递品牌价值，12 – 36个月制造场景焦虑，36个月以上锁定产品优势，实现月留存率90%，印证“留存是LTV增长的基石”。 消费频次上，通过工具+人工完善标签体系，贯穿消费者生命周期的自动化营销（如首购提醒、复购引导），让每一次触达都精准匹配需求，诠释“频次是激活LTV的引擎”。消费金额提升则依赖组套销售等策略，以场景化组合刺激需求，拓展消费深度。 **私域运营不是简单的流量聚合，而是对用户需求的深度理解与持续满足。** 正如商业的本质是赢得人心，私域的终极价值，在于以精细化运营构建用户与品牌的深度连接，让每一次互动都成为价值增长的阶梯，每一次消费都成为信任累加的印记，最终在用户生命周期的长河中，绽放持久的商业光芒。 作者：私域深度运营 公众号：私域深度运营 本文由 @私域深度运营 原创发布于人人都是产品经理。未经作者许可，禁止转载 题图来自Unsplash，基于CC0协议 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务

我国药企国际舞台影响力与日俱增，国际合作深化迈进。

<blockquote><p>前面一篇有提到AI在营销获客流程的应用，本篇将从客户成交的角度介绍一下AI的应用。AI应用最终重要之一是：深入业务场景，AI不是独立的能力，需要切入到具体的业务流程中发挥作用。</p> </blockquote>  ## 01 智能产品推荐：破解【价值认知差】的博弈 成熟的传统的SaaS公司一般会有各类的产品：按时长计费、按使用量计费、按一次性交付计费、或混合以上几种计费类型。而续约会比新签更受重视，因为新签客户拓客成本高，需要以不断的续约来实现ARR的稳定增加。以此基础上，AI产品和定价推进就是未来一个比较重要的方案 客户的成交产品和成交金额一般会基于购买诉求、购买力等以下几个维度的信息，然后结合AI对于客户购买产品进行推荐： - 客户官网、百度百科、天眼查等公开信息 - 客户历史购买数据、付款及时性等数据 - 客户使用数据，包括但不限于活跃账号数、使用时长、高频使用功能 - 客户所属同一个行业或类似体量的客户的合同金额、ARR等相关数据 再在此基础上，集合商务的人工提示词的输入，以生成客户可能购买商品清单、购买数量、预计折扣率、后台金额等。类似参考如Zendesk的定价引擎分析 ## 02 成交预测系统：【续约概率】的先知预警 SaaS的行业特性，注定了非常注重客户成功，非常主动NRR，不管是在客户运营团队的配置上，还是公司资源的倾斜上，而客户的续约概率是有一定的可预知性的，往往不会突然某一天就断约，而是会在日常使用工具或日常沟通中反应处理。利用BI或AI能为SaaS公司搭建客户成功预警或断约预警的系统。 核心的数据源包括： **（1）客户行为数据** - 使用深度：核心产品能力的使用、留存等数据，具体的指标每个公司都不一样，可以慢慢探索 - 交互质量：与商务等同学的交互质量，日常客服咨询、对新产品的感兴趣程度、上门拜访接受度、客户沟通记录等 - 支付行为：公司付款及时性、增购下单等数据 **（2）外部环境感知** - 工商变更：客户法人、股权等重要信息变更（接入天眼查、企查查等API） - 行业舆情：对外公开的社交媒体信息更新、社交媒体提及或负面新闻等其他公开的信息 在以上的数据输入，针对各客户输出以成交概率或断约概率数据。在这个基础上，以客户的实际续约或断约来反馈给模型，不断提高模型的数据准确性。Zoho CRM等公司有相关的产品，可以通过官网了解。 ## 03 智能合同系统：【履约保障】的范式升级 AI是一种能力一种工具，重点是如何将AI能力与现有的系统进行结合，利用其提高工作效率或流程准确度。虽然SaaS公司是以软件作为售卖的商品，但是在我国的实际情况是，SaaS公司的客户有很多中小客户，或者对公服务，这些存在非常多非标的、线下的流程或服务，比如以下几种常见，而作为企业数字化的一部分，纸质的也是需要变为线上的，所以AI能力在**产品落地包括：结构化识别（营业执照认证、关键合同条款提取、流水截图信息提取等）、动态合规检查（订单审批识别、合同高频风险点识别等）。** 针对以上场景，来看看AI图片识别等AI能力能在其中怎么应用。除了以上场景以外，还有其他交易过程中可能存在的文件识别，比如发票报销、交易异常检测。 ### 3.1 客户营业执照认证 SaaS公司合作中，客单价比较低的客户一般不会签订合同，而是以线上协议确认等方式实现。而针对于这部分客户，客户认证对于客户信息管理、公司内部撞单管理、内控规范要求等方面就比较重要了，客户提供营业执照是作为认证一种常规的方式。客户营业执照自动认证的流程一般为： （1）获取客户的客户名称、营业执照等文件信息。这个可以由销售从客户处获取从系统上传，或客户自助进行上传 （2）图片识别能力提供。AI 的 OCR 系统能够利用深度学习模型的强大学习能力，对各种复杂情况进行学习和适应，从而显著提高识别准确率。营业执照的样式比较标准，其样式就那么几种，可以通过图片识别的能力，对营业执照进行识别，提取包括统一社会信用代码、公司名称、类型、成立时间、营业期限、主营业务等内容 （3）提取信息与系统已有信息对比。通过图片识别的信息，与系统中销售维护和跟进的客户名称、合同签约抬头等进行进行比对，如果比对一致，则认为营业执照通过认证，如果比对不一致或者无法比对，则由人工进行介入判断 由此，提高了营业执照认证的效率，降低了人工成本投入 ### 3.2 纸质合同条款识别 虽然电子合同在近几年非常的活跃，但是在SaaS公司，纸质合同还是一种很常见的签约方式，特别是面向中大企业的非标合同，纸质合同的比例就非常高，而纸质合同的管理比电子合同更复杂。如何实现“合同”与“履约”的一致性，如果有效识别合同中的“高频”风险项，就变得非常重要。 纸质合同识别的使用场景： - **合同与履约的一致性：**针对纸质合同中的关键条款（如合同金额、合同实际、购买商品等）通过AI识别提取，自动与订单中填写的内容进行对比，由此可以提高合同与履约的一致性，减少审批的工作量 - **合同高频风险点识别：**搭建公司的法务知识图谱的知识库，将识别的合同进行预警，针对异常合同条款预警法务重点关注。特别是非标合同，合同内容提取可用于与公司内部的法务知识库和外部法律法规数据库进行对比，通过自动识别和检查合同的合规性，以帮助企业避免因合同违规而导致的法律纠纷和经济损失。但是不能完全替代法务，可以作为提供法务效率、减少法务风险的一种工具 在SaaS公司，内部的订单管理作为合同履约的“媒介”，合同识别的流程一般为： （1）上传合同输入数据，可以是pdf、word等格式的合同文件上传 （2）AI识别合同，与算法的同学合作，由算法同学使用infoextract（主要用于从图片、文档中进行文本提取并结构化输出）提供接口 （3）按规则打分，可以对不同内容的识别结果进行打分，分数的规则可以按照业务重要程度和易错程度综合考虑，如合同是否合法、时间范围是否准确、价格是否符合业务等分别设置分数 （4）数据组装及输出，输出的使用场景一般会与现有CRM系统相结合，嵌入至现有商务链路中：如下所示： - 嵌入订单履约流程：自动提取内容填入订单中，商务可以根据实际情况对订单内容进行修改和提交；在订单审批过程中，提示订单中哪些内容与合同识别一致，哪些不一致，让订单审批中进行重点关注； - 合同中自动标记预警：针对上传的纸质合同，有单独的产品能力可以查看合同原稿、AI预警风险点、AI修改建议稿等  ### 3.3 付款截图自动识别 传统的SaaS公司还有一部分在使用线下支付。线下支付，并不只是说刷卡，而有可能是付款到公司的固定支付码，或者对公转账到公司的银行账号，而作为公司资金管理的一部分，需要将流水与合同或订单的匹配，由此就产生了常见的回款流程，销售将客户付款截图上传到公司系统，公司财务与流水进行对账，从而确认匹配关系 支付到固定码的流水与订单的关联就变得很重要，不管是商务日常管理还是财务数据处理。信息固定码付款流程一般为： - 商务给客户提供公司的固定收款码 - 客户将付款截图发给商务 - 商务在内部系统-回款管理中选择订单，并将付款信息填入，提交付款截图 - 财务按回款单中填写内容，与三方流水进行对应，针对能匹配到流水信息的回款单进行审批及对账 而这个过程中的第二步和第三步可以运用AI图片识别和流水的自动化对接，从而实现自动对账。 （1）流水的自动化对接。需要与三方系统，如支付宝、微信、银行等对接对接，自动化同步流水信息。这里需要注意的一点是，流水的同步有可能是实时的，也可能是T+1同步，由此自动对账的时间就不一样，这部分单独写文说明 （2）回款管理支持订单关联付款信息。搭建回款单管理，作为实时管理。由商务同学经过回款单功能将付款的截图进行图片上传，系统自动抓取和识别付款方、流水号等字段，需要注意的是，支付宝、微信、银行付款截图中的样式和内容都不一样，能识别的内容也不一样，需要分别进行训练 （3）自动化对账，通过AI结构化识别的信息，与流水进行对账，不同的付款方式可以由不同的对账规则。如流水号一致的直接对账成功，付款方式+付款时间+付款金额+付款方名称等一致也可以作为对账成功的方式之一 （4）人工介入对账，对无法自动化对账的回款单，由人工进行介入识别和审批 以上几个场景，需要与公司的内部系统进行打通，需要结合本身系统已有的一些能力，如果公司本身是采购的系统或者自建但没有对应的产品功能，就需要灵活调整产品方案，在这里，再次强调2点： - **深入业务场景**，AI需要在动态的业务流程中某些典型场景去使用，而不是一个完全独立的工具 - **加强而非替代**，在现有的工作中，AI能做到的往往是提高搜索信息效率、提高工作效率，在准确性上还很能完全取代人工，所以现阶段的AI更多的是辅助是加强，而不是完全的替代，这里说的是大部分场景，非绝对 本文由 @亚亚的半亩产品田 原创发布于人人都是产品经理。未经作者许可，禁止转载 题图来自 Unsplash，基于CC0协议 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务