01 14 第二章 零售数字化行业概览 � 全球零售行业概览 �.� 零售行业的定义和分类 �.� 零售行业的演变历程 �.� 零售行业的复杂性 � 主要零售数字化企业全球化拓展概况 �.� 多点数智有限公司Dmall Inc �.� 其他零售数字化企业出海 � 亚洲零售数字化行业概览 � 自由切换线上 线下场景，如线上下单产品后线下自提或者线下体验产品后线上下单购买。零售 商通过数据驱动可以实现精准运营，优化选品和营销策略，实现商品的智能库存 管理和个性化推荐。 供应商管理的复杂性。零售业供应商管理的主要特点之一是供应商和销售终端的 平均规模较小，数量众多且分布零散，这极大地增加了零售企业的市场覆盖成本 和供应商管理难度。大型零售企业通常需要与更多类别的供应商建立联系，供应 门店需求与供应商供应之间的壁垒，从而降低零售企业的运营成本，提高业务效 率。 �.� 零售行业的复杂性 助力零售赢在数字时代 Empower Retailers to Thrive in the Digital Age �� 区域差异性。零售市场呈现出高度差异化的区域特征，地理环境、消费习惯与经济 水平发展的多元性共同塑造了复杂的商业格局。一、二线城市以规模化连锁业态 为主导，标准化超市与便利店形成密集网络；而三、四线及下沉市场仍广泛分布着

进行训练，在文本分析、机器翻译、机器写作等自然语言处理应用领域表现出色。 l2022 年 12 月， OpenAI 发布基于 GPT-3.5 的聊天机器人模型 ChatGPT ，具有出色的文字 聊天和 复杂语言处理能力。 ChatGPT 的发布引爆 AI 领域，海内外科技公司纷纷宣布发布大 语言模型， 而用户爆发式增长对大语言模型的算力需求同样带来挑战， AI 芯片成为算力提 升关键。 版本 GPT 芯片比较 种类 定制化程度 可编辑性 算力 价格 优点 缺点 应用场景 GPU 通用型 不可编辑 中 高 通用型较强、适合大规模并行运算；设计和制造工艺成熟。 并行运算能力在推理段无法完全发挥。 高级复杂算法和通用性人工智能平台。 FPGA 半定制化 容易编辑 高 中 可通过编程灵活配置芯片架构适应算法迭代，平均性能较高；功耗较低； 开发时间较短。 量产单价高；峰值计算能力较低；硬件编程困难。 91.9% ，依然是实现数据中心加速 的首选。 GPU 通用型较强、适合大规模并行运算，设计和制造工艺成熟，适用于高级复杂算法和通用性人工智能平台。 lAI 芯片又称 AI 加速器或计算卡，是专门用于处理人工智能应用中大量 计算任务的模块。随着数据海量增长、算法模型趋向复杂、处理对象异 构、计算性能要求高， AI 芯片能够在人工智能的算法和应用上做针对性 设计，高效处理人工智能应用中日渐多样繁杂的计算任务。

AI 大模 型在边缘端落地，有望推动新一轮换机潮。 以大语言模型为核心，以语言为接口，控制多 AI 模型系统，构建“贾维斯” 式智能管家。我们认为大语言模型不仅可以实现对话、创意，未来也有望作 为众多复杂 AI 模型的控制中心，同时也是接受用户指令的交互窗口，实现 《钢铁侠》电影中“贾维斯”式综合智能管家。23 年 5 月，Google 推出 PaLM 2 轻量版 Gecko，其可在最新的旗舰机型上离线运行。同月，OpenAI ......................12 “贾维斯”式智能管家，引领全新换机需求 ....................................... 16 大语言模型有望成为复杂 AI 系统的控制中心和交互入口 .................................... 16 当前旗舰机款手机芯片仅可运行优化版十亿参数级大模型 ............... 模型（语言由简单的向量表示），到更复杂的 RNN 模型、LSTM 神经网络，再到 2017 年 Google Brain 提出 Transformer。Transformer 不再基 于对每个单词的单独理解进行处理，而是将句子和段落作为一个整体进行处理， 使 LLM 能够从自然语言中深入理解人类的意图，并让一系列应用成为可能：从描 述中生成艺术创作、将大量非结构化数据提炼成简洁的摘要、更准确的翻译、回 答复杂的查询等。

升级至四代，模型能力 高速提升。2023 年 3 月 15 日，OpenAI 正式官宣了多模态大模型 GPT- 4，ChatGPT4 将输入内容扩展到 2.5 万字内的文字和图像，较 ChatGPT 能够处理更复杂、更细微的问题。最新版的 GPT-4 在 ChatGPT 的 GPT- 3.5 基础上主要提升了语言模型方面的能力，并添加了多模态功能，在 不同语言情景和内部对抗性真实性评估的表现都显著优于 GPT-3 技术进展的成果。2023 年 3 月 15 日，OpenAI 正式官宣 了多模态大模型 GPT-4，ChatGPT4 将输入内容扩展到 2.5 万字内的文字和图像，较 ChatGPT 能够处理更复杂、更细微的问题。 表1：历代 GPT 表现情况 模型 发布时间 参数量 预训练数据量 Tokens 学习目标 GPT-1 2018 年 6 月 1.17 亿 约 5GB 1.3B 局限性。边缘计算指的是将计算和数据存储能力移动到接近数据源的边缘设备，如 AI 边缘计算盒子、物联网设备等，而不仅仅依赖于远程的云服务器。边缘计算在成本、时 延、隐私上具有天然优势，也可以作为桥梁，预处理海量复杂需求，并将其导向大模型。 人工智能的未来既需要终端侧 AI，也需要云端 AI。在终端侧运行 AI 应用可提升成本效 益、增强隐私性、个性化并降低时延；与仅在 CPU 或 GPU 上进行 AI 工作负载处理比

制了企业对全局数据的综合 分析和利用能力。 2）异构系统对接困难 服饰时尚企业使用的系统通常来自不同的供应商，存在技术平台和数据格式的差异。这给系统对接带来了困难，需要克服数据 交换和转换的复杂性，且增加了系统集成的成本和风险。系统之间的信息交互受限，导致数据无法实时、准确地在不同系统间 流动，进一步影响了数据管理的效率和一体化视角的实现。 3）数据一致性问题 由于存在烟囱式系统建设 式，服饰时尚行业的供应链能够更好地适应市场需求，并实现持续增长和竞争优势。 2.3.1 多品牌多法人多组织 2.3.2 价格和营销策略 2.3 消费者体验升级 进行全渠道整合时，服饰时尚企业往往面临着多品牌、多法人和多组织等复杂情况。特别是在跨渠道结算方面，企业信息化 系统必须具备支持多组织的能力，以满足不同法人主体的结算需求。虽然直营体系相对较为简单，但当直营门店接到一个 由加盟商发货的订单时，就会引发一系列问题。 等方面。 1）结算痛点 手工操作与繁琐流程：传统的结算流程通常依赖于手工操作和纸质文档，这不仅耗费大量的时间和人力资源，还容易出现 错误和延误。例如，手写账单、填写结算单、核对付款等环节等环节复杂且耗时，导致结算效率低下。 资金流动性不稳定：过去，服饰时尚行业通常依赖于订货会，这种模式使得资金流动性变得不稳定。客户支付的及时性难以 保障，企业可能面临长时间的等待甚至拖欠款项的风险，从而影响企业的现金流和正常运营。

吸引了资本投资的激增，尤其是转向合资企业、贷款 /信贷设施和收购。这种转变反映了获取投机融资的 难度越来越大，以及新校园规模的不断扩大，现在需 要显著更多的资金。产品供应不足加速了新的发展， 大型、复杂的建筑吸引了创纪录的资本。不久前，5 0MW被认为是一个大型园区，但现在100MW以上的 园区已是常态。平均每兆瓦的建设成本为1100万美 元 2 ，一所校园现在可能需要数十亿美元的投资— —对于 超大规模主导地位 来源：摩根士丹利 2025年超大规模资本支出（以十亿美元为单位估算） 亚马逊 谷歌 元 微软 2024年，超大规模企业主导了美国数据中 心市场。这些公司凭借其庞大的规模、技术 复杂度、运营效率、强大的信用评级和全球 影响力来保持竞争优势。除了建设新设施外 ，它们还租赁现有数据中心以满足不断增长 的需求。它们巨大的购买力已将第三方托管 业务变成了一场争夺其首选市场空间的竞赛 。下方的图表展示了这种控制力。 复合年增长率（Com 自2019年以来 来源：Colliers U.S. Research, Green Street 库存（兆瓦） 委派 计划 有限的可开发土地、电力短缺以及竞争加剧 使得权益过程变得更加复杂和耗时。 芝加哥提供了数据中心友好的税收优惠政策， 并于2019年通过了关于数据中心设备的具体法 律。 该地区寒冷的气候和丰富的淡水支持了人工 智能工作负载的效率冷却，同时自然灾害的 风险较低。

AI Agent 行业研究报告》，华泰研究 人 指示AI 人 指挥AI 人 指导AI AI AI AI 绝大多数工作可 以由AI完成 绝大多数工作仍然 由人完成 借助复杂的提示词完成自动 通过设定目标完成自动化 化 / 人类负责设定目标、提供资 源和监督结果，AI完成任务 拆分，工具选择，进度控制， 实现目标后自主结束工作 人类和AI进行协作，工作量 相当。AI根据人类prompt完 系统，强化虚 拟助手 Bixby，为用户提供丰富多样的应用服务。据 Techweb，Google 有望在 10 月推出 Pixel9 系列，预计将搭载基于最新 Gemini 模型的 AI 助手，执行复杂的多模态任务。芯片 方面，下半年将发布的骁龙 8Gen4 较上一代产品有望进一步支持 AI 应用。 图表7： AI 手机典型应用及趋势 资料来源：OPPO《AI 手机白皮书》（2024 2024 年 6 月举行的苹果 WWDC 2024 大会推出全新个人化智能系统 Apple Intelligence， 由苹果端侧大模型、云端大模型、ChatGPT 共同组成，算力足够下依赖终端，复杂场景则 使用私密云计算或 ChatGPT，能够 1）增强 Siri 理解能力，配备多轮对话、总结信息、屏 幕内容感知、应用智能交互等能力，2）提供邮件智能回复、通知整理，备忘录和通话录音 /撰写/摘

商业活动所花费的时间（天）。 Source: Word Bank Doing Business Sub-national reports. 智慧的地球从城市发生 09 • 商业：城市的发展需要从满足城市系统复杂的调整性要求和满足减少不必要的行政性开支的 需要之间找到平衡 城市以商业系统作为它繁荣的基础。一个没有效率的行政系统可能在某些经济领域内要花费 国内生产总值的6.8%。行政花费减少25% 消耗在今后20年将翻一倍。水支撑着所有 的经济活动，像2000加仑的水用来生产一 加仑的牛奶或者39，000加仑的水用来制造 一台车。水对于城市的健康也是一个非常 重要的因素，随着水污染影响着全世界 成百上万的人。这些错综复杂的内部关系 详见（图8）。 图8 城市核心系统之间关系的样图 智慧的地球从城市发生 12 智能城市之道 城市所面临的挑战范围，贯穿在城市的核心系统。这意味着商业本身不像过去一样是一个 相关的方法和工具。 智慧的城市在中国突破 36 数学模型和“云计算”，听上去非常高深玄妙，实际上，用一个简单的例子就可以让大家清楚地 理解其中的含义。比如一个城市的水资源管理，一直是一个非常复杂的系统，其中包括自然 降水、水库蓄水、河流湖泊的流域水源、工业用水、农业用水、居民用水、市政用水、自来水系统、 环保监控和污水处理；涉及包括水务、水利、环保、城建、农业和市政等多个部门及相关企业。

过数字化来解决业务痛点、创造真实 价值。根据华为的数据，制造业、金融保险、零售、能源电力等产业的数字化潜在价值均在 2 万亿美元以上；以作为支柱性工业的制造业为 例，多为重资产企业，且流程复杂，需要在制造、运输、管理等多个环节进行数字化应用以实现降本增效，转型诉求强，数字化创造的潜在 价值达 6 万亿美元。 图 ：数字化潜在价值 ASIC 等，其中 GPU 是前期较为成熟的 芯片架构，属 于通用型芯片； ASIC 属于为 AI 特定场景定制的芯片。由于 GPU 通用型较强、适合大规模并行运算，设计和制造工艺成熟，适用于高级复杂算法和通 用性人工智能平台。 由于 ASIC 根据产品的需求进行特定设计和制造的集成电路，能够更有针对性地进行硬件层次的优化，因此具有更高的处理速度和更低的能耗； 相比于其他 AI 芯片， ASIC 2024E AI 服务器搭载 AI 芯片仍以 GPU 为主，英伟达占据绝对的供应 地位 当客户处在某个特殊场 景 ， 可 以为 其 独 立 设 计 一套专业智能算法软件。 高级复杂算法和通用 性人工智能平台。 应用场景 请务必阅读正文之后的免责声明及其项下所有内容 图：搭载不同 AI 芯片的 AI 服务器占比 图：搭载 GPU 的 AI 服务器市场格局 算力

单车智能 AVP 的优点是无需场侧改造，对场侧设备依赖较少，主机厂把控力强， 容易形成商业闭环。缺点是缺乏场侧信息支持，对车端的感知能力和计算能力要求较 高，单车成本相应增加；在停车场不标准、反光等复杂环境下功能使用受限，功能可 靠性低；无法解决障碍物遮挡、全局调度等问题。 （2）场侧智能方案 以场为主导的自动代客泊车方案基于停车场侧安装的摄像头或激光雷达等传感 器，场侧通过环境感知技 进行实施。特别是面向驾 驶员泊车辅助和自动驾驶泊车的新阶段智慧停车系统，在传统停车设施的基础上，还 需要引入车场通信、感知计算、高精度定位等智能化设备和技术，融合先进的人工智 能算法，完成更加复杂的智慧停车服务。新阶段智慧停车系统建设在停车行业还处于 起步阶段，作为参考，本章将对新阶段智慧停车系统的框架和组成进行说明，并以路 外停车场作为主要场景，对所需的智能化设备和关键技术、以及相应的运营管理需求 智慧停车发展及智慧停车系统白皮书 15 V2X 通信技术是车路协同实现环境感知的重要技术之一，与传统车载激光雷达、 毫米波雷达、摄像头、超声波等车载感知设备优势互补，为智能网联汽车提供雷达无 法实现的超视距和复杂环境感知能力。V2X 通信通过和周边车辆、道路、基础设施进 行通信，从时间、空间维度扩大了车辆对交通与环境的感知范围，能够提前获知周边 车辆操作信息、视觉盲区等周边环境信息。可见，V2X 的应用能够增强环境感知能力、