英文名是：The AI Delusion
利用坐高铁的时间把这本书看完了。
属于LLM统治之前的，比较看衰AI能力的书。
书中列举了各种拟合数据，得出没有意义的，可能就是随机噪声导致的“结论”。
……
不过话说回来，随着这两年LLM越来越完善，幻觉的机会也会变少，好的地方是，LLM确实能替代人的工作了，坏的地方是，除了替代一般智力工作，创造性的也很难见到。
也许创造力必须与幻觉并存吧。
错觉
发表评论
标签归档：AI
vibe coding
搭了一个moodle网站，上传了一些小学数学的视频课程，算是把这个项目固化下来，持续改进，也给自己的小孩一个记录学习的地方。当然了，其中也加了一些编程工作和自动化：
视频中提取音频，音频识别文本，文本提取出课程总结。用了deepseek和腾讯 asr的SDK。
然后可以继续AI编程了。
用群里分享的Kimi code开发了一个黑白棋的web游戏。
1.不注重上下文的话，频限（token）用得很快，4个小时的频限大概一个小时就能用完。Andante的周用量一天已经43%了。
2.把简单的需求给到deepseek，deepseek给出完整的需求prompt，复制到Kimi Cli环境中让它执行。这样也省了Kimi的token消耗。
3.按照群里的看法，就是不要看它的代码，坚决只看展示和测试结果，报bugs，也不用骂它。
4.context一高，消耗得就快，要及时/compact一下。
5.不满意的地方还是要F12看浏览器报错信息，一开始不肯做这个，Kimi Cli就自己去检查代码，效果并不好，反反复复检查，它还把变量名设成eval，不知道从哪里学的烂技术，好在它自己也知道这是不对的。
黑白棋用起来还可以，不算太差，如果用作个人网站的游戏，算可以了。
陈天桥——管理学的黄昏与智能的黎明——重写企业的生物学基因
这是我上个月看过的最有感触的文章，复制一遍，回头再用NotebookLM剖析一下。
引言：管理学的黄昏
管理学大师彼得·德鲁克曾说，动荡时代最大的危险不是动荡本身，而是延续昨日的逻辑行事。
今天，我们就站在这样一个危险的临界点。
从系统演化的角度来看，管理学本身就不是一个永恒的真理，这并非因为管理学理论本身的缺陷，而是因为它所服务的对象——碳基生物的大脑在即将被智能体所替代时，管理学存在的前提也会被物理性地移除。
所以，未来的企业变革不是基于 AI 的“更好的管理”，而是“管理的退出”。这不关乎对错，这关乎结构的必然。当执行不再依赖生物特征时，基于生物特征构建的制度大厦，其历史使命便已终结。
第一章：历史的代偿——管理即“纠偏系统”
现代管理学的大厦，实际上是建立在一片名为“生物局限性”的沼泽之上。过去一百年，我们所推崇的全部管理工具，本质上都是为了给人类大脑打上的“补丁”：
我们发明 KPI，并非因为它能精准衡量价值，而是因为人类大脑难以在长周期中锁定目标，“遗忘”是碳基生物的常态，我们需要路标；
我们发明科层制（Hierarchy），并非因为它高效，而是因为人类的工作记忆只能处理 7±2 个节点，为了避免认知超负荷，我们被迫通过层级来压缩信息；
我们发明激励机制，并非为了创造价值，而是为了对抗生物体天然的动机衰减与熵增。
管理学从未真正提升组织的“智能”。它是一个精密的“纠偏系统”，试图在人类心智失效之前，用制度锁定正确性。
当执行依赖人类时，企业是一个为适配大脑缺陷而构建的制度容器。
第二章：智能体的介入——一种全新的“认知解剖学”
那么，我们要引入的替代者究竟是什么？
请大家注意，当我说“智能体（Agent）”时，我指的不是一个运行速度更快的软件，而是一种在认知解剖学（Cognitive Anatomy）上与人类完全不同的存在。
如果我们将人类员工与智能体放在解剖台上对比，你会发现三处根本性的生理差异：
第一，是记忆的连续性。
人类的记忆是瞬时且易碎的，我们依赖睡眠重置，上下文经常断裂。而智能体拥有 EverMem（永恒记忆），它拥有的不是片段的工作流，而是连续的历史。它不会遗忘，不需要“交接”，它的每一次推理都建立在全量历史的基座之上。
第二，是认知的全息性。
人类受限于带宽，必须通过层级来过滤信息。而智能体拥有全量对齐（Context Alignment） 能力。它不需要通过部门周会来同步信息，整个组织的知识网络对它实时透明。它看到的是全局，而非盲人摸象般的局部。
第三，是进化的内生性。
人类的动力依赖于多巴胺和外部奖赏，容易衰减。而智能体的行动源于奖励模型（Reward Model）的结构张力。它不需要被“哄”着工作，它的每一次行动都是为了让目标函数收敛。
这不是更强的员工，这是基于不同物理法则运转的新物种。
第三章：基石的崩塌——当新物种遇到旧容器
现在，当我们把这种具备“连续记忆、全息认知、内生进化”的新物种，强行塞进为人类设计的旧管理容器时，会发生什么？
系统性的排异反应开始了。那些曾经支撑现代企业的五大基石，正在从“必要的保障”异化为“智能的束缚”：
KPI 的崩塌：从“导航”变为“天花板”
我们要 KPI，原本是因为人类容易迷路。但对于时刻锁定目标函数的智能体而言，死板的 KPI 指标反而限制了它在无限解空间中寻找更优路径的可能性。这就好比你给自动驾驶汽车画死了一条轨道，却期待它能躲避突发的障碍。
层级结构的崩塌：从“过滤器”变为“阻断器”
我们要层级，原本是因为人类大脑处理不了太多信息。但对于能处理千级上下文的智能体，层级结构不再是过滤器，而成了阻碍数据自由流动的“血栓”。在智能网络中，任何中间层都是对信息的无谓损耗。
激励机制的崩塌：从“动力源”变为“噪音”
用外在激励去驱动智能体，就像试图用糖果去奖励万有引力一样，是无效且滑稽的。它不需要多巴胺，它需要的是精准的数据反馈。
长期规划的崩塌：从“地图”变为“模拟”
我们要五年规划，是因为我们无法在高频变化中维持长周期的推演。但在智能体手中，静态的战略地图被实时的世界模型模拟（World Model Simulation）所取代。既然能每秒钟推演一万次未来的可能性，为什么还要死守那张半年前打印出来的旧地图？
流程与监督的崩塌：从“纠偏”变为“冗余”
传统的监督机制，原本是为了盯着人别犯错。但在智能体内部，理解即执行，感知即行动。监督不再基于对执行过程的怀疑，而是基于对目标定义的再校准。
第四章：终极形态——AI-Native 企业的五项根性定义
如果抛弃了这些生物学的拐杖，一家真正的 AI-Native 企业，它的终极形态究竟长什么样？
这不再是关于一家公司应该购买什么软件，而是关于一家公司应该以何种生物学形式存在。真正的 AI-Native 企业，必须在基因层面完成以下五项重写：
1. 架构即智能（Architecture as Intelligence）
传统企业架构是社会学产物，旨在解决人际摩擦。而 AI-Native 的架构是计算机科学产物。
整个组织本质上是一个巨大的、分布式的计算图（Computational Graph）。部门不再是权力的领地，而是特定功能的模型节点；汇报线不再是行政命令的通道，而是高维数据流转的总线。企业架构的设计目标，从“管控风险”转变为“最大化数据吞吐与智能涌现”。
2. 增长即复利（Growth as Compounding）
传统增长依赖线性的人力堆叠，边际成本随规模递增。AI-Native 增长依赖认知复利。
智能体的核心特征是“零边际学习成本”。一次成功的边缘案例处理，其实验结果会瞬间同步给全网智能体。企业的估值逻辑将彻底改变——不再取决于 headcount 的规模，而取决于认知结构复利的速度（Rate of Cognitive Compounding）。
3. 记忆即演化（Memory as Evolution）
没有记忆的智能只是算法，拥有记忆的智能才是物种。
传统企业的记忆是离散且易碎的“死数据”。AI-Native 企业必须拥有一个可读写、可进化的长期记忆中枢（Long-term Memory）。所有的决策逻辑、交互历史与隐性知识，都被实时向量化，沉淀为组织的“潜意识”。这是企业实现时间结构（Temporal Structure）的基础，也是智能跨越时间进行自我演化的前提。
4. 执行即训练（Execution as Training）
在旧范式中，执行是消耗过程，价值交付即终点。在 AI-Native 范式中，执行是探索过程。
不存在单纯的“执行部门”，所有部门本质上都是“模型训练部门”。每一次业务交互，都是对企业内部“世界模型”的一次贝叶斯更新（Bayesian Update）。业务流即训练流，行动即学习。
5. 人即意义（Human as Meaning）
这是企业伦理的重构。人类从“燃料”的角色中退出，升维为“意图策展人（Intent Curator）”与“认知架构师（Cognitive Architect）”。
智能体负责在无限的解空间中解决“如何做（How）”的问题，进行路径的极值优化；而人类负责处理那些不可计算的模糊性——定义“为何做（Why）”，定义审美、伦理与方向的价值函数（Reward Function）。智能负责扩展可能性的边界，人类负责裁定方向的意义。
结语：智能的黎明
这与我们在科学领域提出的发现式智能（Discoverative Intelligence）殊途同归。
发现式智能的核心定义是：智能不应止于对既有知识的拟合，而应具备构建模型、提出假设、并在与世界的交互中修正认知的能力。
AI-Native 企业，正是发现式思维在组织层面的投射。它要求企业本身成为一个发现式结构的平台，而非操作流程的容器。
如果组织的形式正在发生物种级的演化，那么承载它的数字容器也必须随之突变。
这就引出了一个我们不得不面对的命题：我们脚下的基础设施——那些为了固化流程而生的 ERP，那些为了切割职能而建的 SaaS——真的还能容纳这种液态的智能吗？这些系统本质上是旧时代管理逻辑的数字化投影，它们通过“打补丁”的方式或许能带来暂时的安宁，但这终究是在用旧地图寻找新大陆。
AI-Native 企业呼唤一种全新的操作系统。 一种不再致力于“资源规划（Resource Planning）”，而是致力于“认知演化（Cognitive Evolution）”的全新神经系统。
当管理退出，认知升起。
管理学不会消失，但它将第一次真正建立在智能（Intelligence）的地基之上，而非生物学（Biology）的废墟之上。
纯种RPA在消亡
看到一篇文章，说“嗅到了有些RPA产品公司，会陆续出现倒闭迹象”。
文章中说到收到不少的RPA运维需求，有国内和国外的，这些公司已经不会继续投入运维业务，从而出现运维外包的情况。
也就是说RPA需求在减少。
我个人认为，纯种的RPA肯定会消失，真正的挑战来自于AI，然而AI的能力延伸又必须以各种粒度的高可靠的自动化任务为基础，所以AI + RPA才是下一个阶段的着力点。
然而AI + RPA又可以支持多久，大概率不会出现通适型的解决方案，然而是以解决方案顾问（一人或数人）为主，动用大模型和成熟的RPA，构建出真正定制化的方案。
骤一看跟项目制差不多，但解决和实施上，AI的空间非常大，有可能是一个人就可以撬动和完成一个项目。
有业务闭环是前提，后面的交给AI和RPA，以及手中无刀，心中也无刀的人。
转一下关于大模型的风格/技术哲学
花姐姐在AI群里说的：
我的感觉是OpenAI的技术哲学有其独到之处，它的内核是数学 + C++，它认为这两样东西足以描述整个世界。
这里的数学是科学家和工程师用的数学，计算数学和应用数学。
在这方面国内几个模型大概还没摸到边。Google也不行，Gemini的数学是数学竞赛的数学。
基础语言肯定也不是C++，是什么我说不准。
Qwen的基础语言一定是Javascript。
模型的个性就在这里产生。
Deepseek是Python。
Mistral的内核语言是法语文学。
个性过于明显不可能感知不到。
Gemini的数学追求抽象和绝对的精确，但是众所周知，这会丢失信息。
挺有意思的，如果花姐姐的感觉是对的话，基本上也能分析出这些大模型各自持续演进后的天花板所在了。
An Unresistable Literary Storm: A Review of Rebecca Yarros’s Fourth Wing
By Mimic J B
In today’s literary landscape saturated with “must-read” lists, it’s difficult to distinguish genuine masterpieces from fleeting trends. Yet, every so often, a work like Rebecca Yarros’s Fourth Wing arrives, sweeping through like a dragon’s breath, impossible to ignore. After immersing myself in the novel and the chorus of fervent reader reactions, I must concede that the hype is real—this is a raw, romantic, and fiercely powerful reading experience whose pull feels nearly as irresistible as dragon magic.
The core of Fourth Wing is built on a deliciously enticing yet brutal premise: Basgiath War College. Here, survival is the curriculum, and death is a common form of dropout. We enter this world through Violet Sorrengail, a protagonist destined for the quiet life of a scholar-scribe, who is instead thrust into this lethal arena by the command of her mother, the formidable General. Yarros’s world-building is both skillful and efficient; she doesn’t drown the reader in exposition but lets the harsh rules, pervasive danger, and rigid hierarchy of Basgiath seep in, quickly pulling you into a breathing, perilous universe.
Violet herself is the story’s brightest spark. She is not a traditionally physically powerful heroine; her weapons are intellect, resilience, and near-stubborn perseverance. Watching her be consistently underestimated and outmaneuver challenges through wit, forging her own kind of strength in the crucible of adversity, is both heartbreaking and inspiring. Her growth arc feels earned because she is not flawless; her vulnerability is as crucial as her toughness. The circle of friends around her are not mere props; they are distinct and form a loyal, engaging support system, and the losses within it sting with genuine impact.
Of course, in terms of sheer allure, few can rival the “shadow daddy,” Xaden Riorson. This wingleader, burdened by a legacy of revenge and a blood feud with Violet’s family, is the engine of the enemies-to-lovers dynamic. Their relationship crackles with electric banter, undeniable sexual tension, and a slow-burning respect. While some readers might find the initial shift in their dynamic a touch swift, there’s no denying the potent entertainment value of their chemistry, and as layers are peeled back, Xaden is revealed to be far more complex than his brooding exterior suggests.
What truly elevates Fourth Wing, however, are the dragons. These magnificent creatures are far more than mere mounts; they are powerful beings with their own wills, intelligence, and ancient secrets. From the formidable Tairn to the unique Andarna, each dragon is a fully realized character, and the psychic bond they share with their riders is some of the most compelling magic in the story. The scene of Violet’s bonding during the “Threshing” is one of the book’s most brilliantly executed, heart-pounding sequences, showcasing Yarros’s command of high-stakes action and emotional payoff.
To be sure, the book is not without minor imperfections. Some readers, and I found this myself in certain early passages, may feel that some of the dialogue, particularly the sexual innuendo, can occasionally feel a bit clunky or “cringey.” Violet’s initial pining for Xaden can also veer towards the overly persistent. Yet, the remarkable thing is that even with these quibbles, the overall entertainment value and relentless pace of Fourth Wing make them easy to overlook. Yarros’s narrative is like a runaway train, charging at full throttle from the first page, especially in the final hundred pages where secrets erupt, plots twist, and battles rage, culminating in a cliffhanger ending guaranteed to send any reader scrambling for the sequel, Iron Flame.
In conclusion, Fourth Wing is a expertly blended fantasy cocktail: it mixes a deadly war college, complex political intrigue, a gripping enemies-to-lovers romance, and—most importantly—breathtakingly cool dragon companions. It may not be flawless, but its majestic imagination, compelling characters, and addictive narrative momentum cement its status as one of the most talked-about and downright entertaining “romantasy” offerings in recent years. If you’re looking for a world to get lost in, one that will keep you reading late into the night, the gates of Basgiath War College are open—just be warned, you might need a moment to recover from this literary storm.
Rating: 4.5/5 Stars
Try AI to generate some book reviews.
From Idea to Automation: How AI Agents Can Turn Creativity into Scalable Ventures
Have you ever had a creative idea that you wished could be developed into a full-fledged project—without the traditional overhead of time, money, or manual effort?
What if AI could take your initial concept and expand it into a complete, replicable technical and commercial plan?
This is now possible.
With advanced AI systems like DeepSeek, we can refine raw ideas into structured, executable strategies. The real transformation lies in breaking these strategies down into actionable tasks that AI agents can automate—significantly reducing the cost and resources required for implementation.
Human involvement remains essential, but its role evolves. Instead of executing repetitive tasks, people now provide the creative spark—the initial vision, stylistic choices, and subtle nuances that AI may not replicate. Humans inspire and steer; AI builds and scales.
This approach doesn’t just streamline production—it opens the door for more innovation at a lower barrier. Whether you’re exploring content creation, product design, or business development, AI automation allows ideas to flourish faster and more efficiently than ever.
The future belongs to those who can imagine—and to those who let AI do the rest.
沃尔玛的人工智能代理应用
沃尔玛将启用哪四位AI超级代理？
在演讲中，Doug McMillon 透露了人工智能超级代理的名称和功能：
1. Sparky：顾客的智能助手
Sparky 是专注于消费者的超级客服。这款智能助手现已上线沃尔玛移动应用程序，位于界面底部，旨在成为产品发现、搜索、购买、订单跟踪和退货的工具。
“Sparky 是我们应用程序底部面向客户的微笑助手。如今的 Sparky 将我们从传统搜索带向智能 AI 助手，”董明伦解释道。
Sparky 不仅能响应指令，还将逐步融入更复杂的代理功能，让用户以更自然、更高效的方式与沃尔玛互动。它的目标是：成为数字购物体验中不可或缺的一部分。
另请阅读。 沃尔玛旗下的电话公司 Bait 在墨西哥取得了成功：它是如何做到的？
2.员工超级代理
第二位超级客服人员将成为沃尔玛员工（包括门店、配送中心和办公室员工）的综合工具。该助理将整合排班、访问销售指标、培训和内部沟通等功能。
这种方法与公司的首要任务之一——员工体验——相契合。通过人工智能赋能员工，沃尔玛不仅提高了效率，还改善了工作条件，减少了运营摩擦。
3.供应商、卖家和广告商的超级代理
该代理将服务于沃尔玛的商业生态系统，提供订单管理、广告活动、产品上线、绩效分析以及与市场的直接沟通等工具。
沃尔玛的广告和会员收入持续增长，而这位超级代理旨在巩固这一趋势。通过该系统，供应商和商业合作伙伴将更高效地运营，并基于数据和智能自动化做出决策。
4.开发人员的超级代理
第四个超级代理旨在加速公司内部的创新。它是一款面向程序员的人工智能，旨在促进新内部产品、服务和工具的创建、测试和发布。
这一技术层面是沃尔玛在与电商和软件巨头竞争中保持竞争力的关键。自动化开发流程并提供统一平台的访问权限，将使公司能够更快、更经济地进行迭代。
人工智能将在沃尔玛的全球战略中扮演什么角色？
部署这些超级代理并非孤例。沃尔玛多年来一直在投资强大的技术平台，如今更设立了一个专门的职位，以加速公司层面人工智能的采用。
董明伦表示：“我们已经好几年没有对向首席执行官汇报的职位进行结构性调整了，这次我们这样做是因为我们明确了要加速发展的道路。”
曾任 Instacart 和 Uber 高管的 Daniel Danker 被任命为 AI 加速主管，领导此次转型。此外，公司还在首席技术官 Suresh Kumar 领导下设立了一个新职位，专门负责 AI 平台。
该战略还包括开发数字孪生（设施的数字复制品）以及能够预测物流问题或提高配送时间准确性的智能系统。沃尔玛预计到年底将为95%的美国家庭提供动态配送服务。
这些变化将如何影响零售业的未来？
沃尔玛的战略不仅限于内部效率，其愿景旨在重新定义未来零售业的购物和运营体验。
借助超级代理，沃尔玛正迈向更智能、更灵活、以用户为中心的全渠道模式。零售不再仅仅关乎价格和库存，而是关乎个性化、速度和可靠性。
从仓库自动化到实时了解消费者的背景，人工智能将使沃尔玛不仅能够与其他零售商竞争，还能与亚马逊和阿里巴巴等科技平台竞争。
沃尔玛对其人工智能代理的表现有何期望？
尽管超级代理的财务影响尚未完全显现，但沃尔玛预计其将带来切实的收益。首席财务官约翰·戴维·雷尼表示：“我们50%的增量利润（不包括非经常性成本）来自广告、会员和市场等业务。”
这表明科技投资已对盈利能力产生积极影响。随着Sparky和其他智能体的推出，生产力预计将提升，新的收入来源也将涌现。
沃尔玛也认识到，人工智能并非替代，而是一种力量倍增器：“最让我兴奋的是沃尔玛的速度越来越快。我们的客户对我们的配送速度做出了积极的反应。”沃尔玛美国首席执行官约翰·弗纳 (John Furner) 表示。
沃尔玛在人工智能引领方面面临哪些挑战和机遇？
主要的挑战在于确保这些技术对于从消费者到店员等各级用户来说都易于访问且直观易用。界面必须可靠且易于使用。
该公司还需要解决数据隐私、算法偏见和任务自动化等道德问题。不过，沃尔玛对其长期以来赢得客户信赖的声誉充满信心。
“信任也是一种竞争优势。多年来，我们一直以低价为客户提供服务，这建立了持久的关系，这种关系也延伸到了人工智能领域。”沃尔玛国际首席执行官凯瑟琳·麦克莱说道。
计算机视觉在零售场景中的应用
看这个方向也有十年了，不妨总结一下。当然了，零售场景也不应该只是店内，结合安全、忠诚度管理、更好的顾客体验，理应将范围扩展到店外，包括停车场、店门口、马路边等。
零售业是计算机视觉技术应用最活跃的领域之一，它能显著提升效率、优化体验、增强安全并驱动商业决策。以下总结了涵盖店外和店内场景的主要应用：
核心目标： 提升运营效率、优化顾客体验、减少损耗、增强安全、驱动精准营销与决策。
一、 店外场景
- 停车场管理：
- 车位检测与引导： 识别空闲车位，通过显示屏引导顾客快速停车，减少寻找车位时间。
- 车牌识别： 用于会员车辆自动识别、停车时长计算、缴费管理、VIP车位管理等。车牌识别同时也可以提前将顾客到店的信息通知到AI后台，后台可以提前准备备货（到店提货）、营销策略等等。
- 违规停车检测： 识别占用消防通道、残疾人车位等违规行为。
- 人流/车流计数： 统计进入停车场的车辆和人数，预测门店客流量。
- 入口区域：
- 人流量统计： 精确统计进出店人数（入店率、离店率），计算客流量峰值，用于排班、促销活动效果评估。
- 顾客属性初步分析： (需谨慎处理隐私) 大致识别顾客性别、年龄段（如成人/儿童/老人），用于客群画像和营销策略调整。
- 排队监测： 检测入口处排队长度和等待时间，及时调配人员或引导顾客。
- 异常行为预警： 检测入口区域的可疑滞留、徘徊、聚集等行为，提升安防等级。
二、 店内场景
- 顾客行为与动线分析：
- 热力图： 追踪顾客在店内的移动轨迹和聚集区域，可视化展示热门和冷门区域，优化商品布局、货架摆放和促销位选择。
- 动线追踪： 分析顾客的行走路径，了解购物习惯，优化店面设计以减少死角。
- 停留时间分析： 统计顾客在不同区域、货架前的停留时长，识别高关注度商品，评估促销效果。
- 客流密度监测： 实时监控店内各区域拥挤程度，进行人流疏导、限流或优化收银通道开放。
- 拿取/放回行为识别： 识别顾客拿起、查看、放回商品的动作，分析商品吸引力、试穿率（服装）等。
- 购物篮/推车分析： 识别顾客使用的购物工具（篮、车）及大致商品种类，用于服务需求预测。
- 智能货架与商品管理：
- SKU识别与货架审计： 自动识别货架上商品的种类、品牌、规格，检查陈列是否符合计划，替代人工巡检。
- 缺货检测： 实时监控货架商品数量，在缺货或低库存时自动告警，提升补货效率，减少销售损失。
- 错放商品检测： 识别被顾客放错位置的商品，便于及时归位。
- 价格标签比对： 检查电子价签或纸质价签显示的价格是否与系统一致。
- 促销执行监控： 检查促销商品的陈列位置、堆头状态、海报悬挂是否符合要求。
- Planogram合规性检查： 自动比对货架实际陈列与预设的陈列图是否一致。
- 自助结账与防损：
- 商品自动识别： 在自助收银台快速准确地识别商品（尤其是生鲜、无条码商品），提高结账速度。
- 扫描动作验证： 确保顾客在扫码时确实将商品对准了扫描区域。
- 防损监控：
- 未扫码商品检测： 识别顾客是否有商品未经过扫码直接放入购物袋。
- 商品调换检测： 识别低价商品条码覆盖高价商品的行为。
- 购物袋/购物车底部检测： 检查顾客是否将商品藏匿在袋底或车底。
- 异常行为识别： 检测顾客在收银区的可疑行为（如长时间遮挡、频繁操作失误等）。
- 运营效率与员工管理：
- 员工行为合规性： (需谨慎处理) 监测员工是否按规定流程操作（如收银流程、食品安全操作）、是否在岗等。
- 清洁度检查： 自动检测地面是否有垃圾、水渍、污迹，提醒清洁。
- 设备状态监控： 监测冷藏柜门是否关闭、设备运行指示灯状态等。更进一步，可以识别店内设施的使用情况，比如购物车（有人/无人/错误放置堵路/损坏等）
- 安全与安防：
- 跌倒检测： 自动识别顾客或员工意外跌倒，及时报警救助。
- 异常行为识别： 检测店内打架斗殴、偷窃行为（配合商品检测）、可疑物品遗留、人员异常聚集等。
- 禁区闯入报警： 监控仓库、员工区等限制区域是否有未经授权人员进入。
- 消防通道堵塞检测： 确保安全通道畅通。
- 增强顾客体验：
- 智能试衣镜： 虚拟试穿、尺寸推荐、搭配建议。
- 互动信息屏： 通过手势或人脸识别（可选）触发商品信息、促销活动展示。
- 无感支付/Just Walk Out： (结合传感器融合) 顾客选取商品后直接离店，系统自动识别商品并扣款（如Amazon Go）。
三、 数据整合与决策支持
- 将上述不同场景采集的视觉数据（脱敏后）与其他业务系统（POS、CRM、库存系统）数据整合。
- 进行深度分析，生成洞察报告：客流量预测、商品关联性分析、促销效果评估、门店布局优化建议、损耗分析、人力需求预测等。
- 驱动精准营销：基于顾客店内行为（停留区域、关注商品）推送个性化优惠券或信息。
关键技术与挑战
- 技术： 深度学习（目标检测、图像分类、姿态估计、行为识别）、多目标跟踪、传感器融合（结合重量传感器、RFID）、边缘计算。
- 挑战： 隐私保护（数据脱敏、合规性）、算法鲁棒性（光照变化、遮挡）、系统部署与维护成本、不同场景算法的泛化能力、数据整合与分析能力。
总结
计算机视觉正在深刻重塑零售业的每一个环节。从店外的流量引导和安防，到店内的顾客行为洞察、智能货架管理、高效自助结账、精细化运营和主动安防，它提供了前所未有的数据维度和自动化能力。随着技术的不断成熟和成本的降低，CV应用将更加普及和深入，成为未来智慧零售不可或缺的核心基础设施，持续推动零售业向更智能、高效、个性化和安全的方向发展。
NoCode LowCode的转型
翻之前的电脑，发现20/21年时候，下载的一些No Code／Low Code的行业报告，想起来当年14/15年的时候也做过一些No Code的产品，也给客户用过。
再联想到现在AI编程已经逐渐普及，相比之下，不知道低代码这个行业现在运作得怎么样了。
于是检索了两家榜上的低代码公司，一家22年后已经不再有什么新闻了，另一家则频繁有动作，还把AI编程合进了低代码产品中。
所以，to B的市场一直存在，AI编程并不能直接抛给客户，相反，可以做一些包装，以保证产品继续演进，又有更好的能力应对to B世界里面的无穷定制化的需要。