无人零售的下半场

  在新零售行业内有很大关注度的广州智能设备博览会近日拉下帷幕。会场跟去年熙熙攘攘的人群有很大的反差，大家也少了踌躇满志的神情。从2016年下半年开始登场的“新零售”、亚马逊无人店，到2017年的无人货架风口，2018年资本开始退潮，及至2019年，无人零售已经进入了下半场。

无人货架潮，资本推动下的爆发与沉寂

2017年到2018年上半年，无人货架经历了野蛮生长时期。当时规模比较大的有每日优鲜便利购，猩便利，果小美，便利蜂等。除了这些初创企业，京东到家，饿了么NOW，顺丰的“丰e足食”等巨头也进入了这个行业。其中猩便利的扩张速度最引人瞩目，联合创始人司江华曾豪言目标30万点位。每日优鲜便利购在4月份公布日订单量超过30万。整个行业在资本的推动下处于很嗨的状态。然而5月份果小美突然宣布由于资金问题放弃无人货架业务，随后猩便利也爆出资金链断裂，大家隐约看到共享单车的故事重演。

截止到今天，我们了解的情况是无人货架公司在一线城市的优质点位还处于一个勉强维持状态，规模不到高峰期的十分之一。大部分公司也经历了多次的裁员调整，比如曾经独立出来融资的每日优鲜便利购已经回归到主商城业务部门。行业收缩的最主要原因有两方面，一是无人货架盗损率太高，除了顾客拿了东西不付钱以外，货损还有部分来自补货员，保安，清洁工人，还有老鼠，高峰时行业货损在50%以上。二是场景消费意愿不强，常见的零食饮料在办公场景并不是刚需，大部分点位的日消费在几十元，根本没有盈利的可能。

无人货架的起起落落，背后的是典型的中国式互联网思维：在资本的推动下占据用户流量，通过广告等模式变现。只是这个流量的成本太高，在变现还没有被充分证明前，资本已经扛不住了。

智能柜的兴起，从RFID到鱼龙混杂的视觉识别技术

随着无人货架的兴起，很多公司开始琢磨用智能技术来控制货损。比较早出现的是射频标签RFID技术。RFID行业已经存在几十年，一直没有被大规模的应用最主要是成本比较高。RFID大致分为两种，高频和超高频。其中高频的RFID标签成本在5-6毛左右，可以紧贴在商品上面。超高频标签大致成本2-3毛，一般需要在商品上像天线一样竖起来。上面的只是物料成本，不包括人工粘贴成本以及商品ID录入的成本(大致也在2毛左右)。

除了上述RFID标签成本高以外，智能柜的设备也一般在一万元以上。同时RFID还有很多运营上的限制，包括带金属镀膜的大部分零食包装对RFID信号的屏蔽等。进一步出现的问题是越来越多的顾客了解到可以通过撕标签的方式逃过支付环节，RFID智能柜的防盗功能有了很大的缺陷。

行业内最大的三家RFID运营上都遇到了一些困境。从一开始就走智能柜路线的便利蜂是行业内最大RFID智能柜运营上。我们从便利蜂设备提供厂商海信了解到，便利蜂从早些订购的1万多台一下缩减到5000台，总体运营数据并不乐观。从天天果园孵化出来的CityBox魔盒在2017年开始自研RFID智能柜，最多的时候有超过3000多台自运营设备，到目前我们了解到这个数字只有1000多了，公司从自运营转向卖柜子，最近也有从不同渠道听到公司在资金上遇到困难的消息。美的智能是在美的集团扶持下做RFID智能柜的业务，在2017年底推出了“小卖柜”，以自运营为主。截止到春节前，公司的业务发生了很大的调整，也从自运营转向设备出售和租赁，同时公司也探索计算机视觉的方案。

与RFID同时进行的还有重量感应的智能柜，原理是根据商品的重量不同来区分不同种类的商品。重量感应在技术上相对成熟，我们从星星冷链新零售总经理李汉阳先生了解到，星星自研的重量智能柜已经量产，也有不少出货量。重量智能柜最大的缺陷是对商品种类的限制太多，大部分饮料标品重量相同，通过这个方案很难区分。

在智能柜领域，最引人注目的是基于计算机视觉的AI智能柜，大家比较熟悉的有深兰科技，哈哈零兽等。深兰科技在2017年就推出掌纹识别的视觉智能柜，但是到今天在这块业务基本已经退出，在这次展会上也没有见到。关于深兰科技的各种评论网上比较多，这儿就不重复。从视觉技术来看，很多公司的产品在过去一年基本没有变化，商品只能稀疏摆放，每次识别结果是1-10分钟不等。对于不稳定的识别结果，从各方工作人员处得到的解释是：展会内网络信号不好。我们了解到，展会是提供高速有线网络服务的，而稍微有些计算机常识的也能知道，图像上传如果需要10分钟，早time out了，而且计算机处理也不会出现一会儿快一会儿慢的场景，更别说现场我们实际4G网络测试速度其实没有问题。

两年前随着人工智能热的兴起，很多公司都挂上了AI的牌子。但是到底有多少是“人工”有多少是“智能”呢?号称AI公司，实际用人眼看结果已经是同行内公开的秘密。AI智能柜在众多运营商的眼里已经被贴上“不靠谱”的标签，识别准确率低，账单返回速度慢，结果不稳定等诸多问题。每一个行业兴起的时候，总有公司通过走捷径的方式超车，实际上是对行业发展的最大伤害。无人货架如此，AI智能柜亦如此。

展会上，我们也遇见了另外一家计算机视觉智能柜的技术公司海深科技。这家在媒体上曝光不多的公司核心团队来自百度深度学习研究院，从介绍上看已经同京东，每日优鲜，腾讯云等多家巨头有技术合作。我们现场测试了AI零售柜，无论是跨层摆放或密集摆放，还是同时拿取多个商品，账单返回稳定时间3-4秒，而且准确无误。比较有意思的是公司的宣传语是“可信赖的人工智能”，看来需要赢得客户的信赖在这个环境下是很艰难的一件事情。

无人终端零售的下半场如何决胜

无人货架的倒塌和资本市场的退场，无人终端零售的前景如何是运营商和解决方案商都比较疑惑的问题。零售行业能否健康发展最终还是回归商业的本质：解决的是否是一个刚需，是否能够盈利。随着阿里入股友宝，娃娃机、口红机以及娱乐性终端的兴起，种种迹象表明，无人终端零售进入一个更碎片化的模式。在不同的场景下，商业的核心和场景需求都完全不同。比如在学校，医院等销量能保证的场景，场地资源是商业的核心，而采用哪种技术方案，甚至卖什么商品都不是最关键的问题。在商场环境，能吸引顾客流量的必定受欢迎，娱乐性的终端成为主流。

对于智能终端的技术提供方，在不断提升技术上的准确率稳定性等因素以外，更重要的是结合应用场景去做细分领域的解决方案。智能售货柜要争取的市场不是去替代弹簧机等传统货柜，而是根据自身的特点，利用商品SKU灵活性的优势，深度结合场景去优化。例如，在社区提供生鲜乳制品，在办公环境提供健康餐饮食品等等。在这些细分垂直领域，无论是技术解决方案，还是供应链运营，都面临更大的挑战。资本推动的互联网无人零售模式上半场已经结束，行业进入细分垂直领域内深耕细作的打磨阶段。技术和运营捆绑会更紧密，提供平台化技术解决方案服务多家的模式会越来越难。

无人店之路的前途未卜

无人店是无人售货终端规模上的一个升级。自从Amazon Go的推出，国内也兴起了一阵无人店热，包括阿里的淘咖啡，简24，云拿等。我们有幸接触到了Amazon Go的核心工程师了解到，Amazon Go项目的研发成本早已经超过了千万美元级别，早期主要是技术探索为目的，并没有商业落地的详细计划。方案的最主要问题是成本太高，除了上百个摄像头，重力感应等设备，成本最大的还是后台的视频分析所需要的GPU服务。现在做的比较好的单人跟踪性能也就100fps，视频大致每秒25帧，那么一个GPU服务器也只能跟踪4个人。这还不包括行为识别，物体识别，重识别(Re-ID)等等诸多的问题。一个Amazon Go无人店的成本超过百万美元，而且商品种类非常受限，几乎没有商业落地的可能。Amazon的工程师自嘲说，他们不经意的挖了一个大坑，引发了众多创业公司和资本往里面跳。

任何技术革新还是需要回归商业本质：是否降低成本，是否增加销售，而从目前行业内的解决方案来看，都无法做到。对顾客来说，除了好奇，也很少会因为无人技术而光顾无人店，也就是说，用户体验方面也并没有得到提升。但无人店是否就是一个行不通的方向呢?我们并不是这样认为。随着人口老龄化和人力成本的增加，智能化、无人化服务一定是个趋势。只是在这过程中采用何种技术路线去实现，还有待于探索。同时随着嵌入式芯片的成熟，低成本的无人化方案会变得更加可行。无人店的宗旨并不是没有人、没有服务，而是服务无处不在，通过智能客服，视频行为分析等方式给顾客提供更舒适的购物环境。

AI如何在零售行业落地

目前AI技术在零售行业主要有两方面的应用：一是无人化方案，前面已经做了讨论，第二个是线下数字化方案，就是通过以计算机视觉为主的技术去分析线下用户的行为。除此以外还有一些泛AI技术，以数据分析为主。目前AI技术的主流是用深度学习的方法。我们从业内资深的深度学习专家了解到，目前的深度学习只是AI技术的一个发展阶段，应该还是属于比较早期的技术，离人类的学习能力还差的太远。目前深度学习遇到的最大瓶颈是模型的泛化能力，也就是一个模型在某类数据集上可以学习的很好，但是到数据发生一些变化后，模型的准确率会大幅度下降。在零售行业，商品种类具有多样性，场景更趋复杂，而零容错的交易数据要求，使得AI技术在这个行业的落地变得异常困难。

但是事情也不总是悲观的，在一些特定可控的场景，现有的AI技术还是有可能提供比人类准确率更高的方案。这些特性决定了现有AI技术必须结合实际的业务和场景去不断的优化，才能在一个细小的垂直领域内达到足够高的可行性。这对一个AI技术公司提出了更高的要求，除了通过数据去提升算法以外，还有可能深度的参与到实际运营场景，通过运营方式等物理条件的改变去优化整体解决方案。

结语

无人零售和相关的AI技术都基本已经过了资本孵化的上半场，下半场更看重的是实际落地能力。只有深度结合细分行业，甚至会直接参与到实际的场景运营中，才可能有生存的机会。行业在19年会继续洗牌和沉淀，能活下来的才是强者。