天涯明月刀

多部门推出活跃县域消费十八条举措——激发县域市场消费潜力_我的网站

A |     贾浩楠 发自 副驾寺     智能车参考 | 公众号 AI4Auto          ChatGPT能记住你的聊天历史，知道你的表达习惯，甚至可以根据过去的交流调整回答方式。         现在，这种“记忆能力”开始进入物理世界。         马斯克一条推文，透露了Tesla FSD正在发生的新变化：          FSD开始拥有“千人千面”的能力。    游客在安徽省芜湖市繁昌区孙村镇中分村的一处房车露营地休闲游玩。         从停车偏好，到驾驶干预，再到长期驾驶习惯，FSD正在尝试记住每一个人的不同。肖本祥摄（人民视觉）  近日，商务部、国家发展改革委、财政部等部门印发《关于进一步激发下沉市场活力 活跃县域消费的意见》（以下简称《意见》）。         从“一个AI服务所有用户”，走向“每个人都有自己的AI”。

B | 8月18日，国新办举行新闻发布会，介绍《意见》有关情况。  发展各具特色的县域商业  为何要活跃县域消费？商务部部长助理袁晓明表示，下沉市场覆盖城乡、连接产销、服务民生，承载全国最广泛的消费群体，蕴藏最具潜力的消费需求，县域是其重要组成部分。

C |          马斯克确认：FSD开始拥有“长期记忆”          事情起源于马斯克最近两次公开回复。  “我国县域地区约占全国九成国土面积、五成常住人口、四成的经济总量，县乡消费占社会消费品零售额的比重稳步提升，已成为扩消费最重要的潜力来源。         6月的一次，是关于停车习惯。”袁晓明说。  《意见》聚焦县域地区和线下消费，提出了18条具体举措。  具体看，为优化县域商业环境，《意见》提出加快存量商业设施更新，优化商业网点布局，完善商业服务配套，盘活闲置资源资产；同时，提高城乡流通网络效能，畅通城乡双向流通渠道，引导线上线下协同发展。  在丰富县域消费供给方面，《意见》提出，引导连锁企业加速下沉，促进本地品牌守正创新，因地制宜发展新业态。扩大优质优价商品供应，加快完善“一老一小”等服务业态，促进商农文旅体融合发展。         有用户提出，希望FSD能够记住自己在固定地点的停车方式，比如回家停哪里、去公司停哪里。

D |          马斯克回应：          FSD很快会记住用户的停车偏好。         最近的这一次，更加关键。  在增强消费保障能力方面，《意见》提出，推动稳岗就业拓展增收途径，强化创业安居释放消费潜力。支持一批企业总部和平台企业在县域布局，提供更多就业岗位，培育扎根县域的新形态就业群体。         有用户反馈，FSD在一些驾驶决策上不符合自己的习惯，比如车道选择、变道时机等。

E |          马斯克表示，未来车辆会记住用户具体的接管行为，并逐渐匹配每个人的驾驶偏好。

F |          两次回复本质上是同一件事：          FSD开始从一次性的驾驶任务，走向长期理解驾驶员。

G |          过去，自动驾驶面对的是一个抽象用户。  “我国市辖区以外的县级行政区有1869个，情况千差万别。         无论谁坐进车里，背后的模型都是同一个。

H | ”商务部流通发展司司长李佳路表示，人口密集、经济实力强的县域重在“提质”“引领”，人口和经济基础适中的县域重在“固本挖潜”“特色赋能”，人口较少、经济体量相对较小的县域重在“兜底”“保障”。         它知道：这里是什么道路，前方有什么车辆，应该如何规划路线。         但它不知道：你喜欢提前变道，还是宁愿多等几秒；你喜欢跟车近一点，还是更关注舒适；你回家时习惯停在哪里。下一步将充分考虑人口分布、市场需求等实际情况，发展各具特色的县域商业。  顺应县域消费需求变化  更多县城出现了商业综合体品牌门店，不少乡镇的商贸中心货品更丰富……随着县域商业建设提速，中国正在逐步构建覆盖城乡的商业网络。         这些属于人的驾驶习惯，一直没有进入自动驾驶系统。         而现在，Tesla让这些信息成为AI决策的一部分。  袁晓明介绍，中国县域商业体系建设有力带动了农民收入和农村消费提升。

I |          和之前我们谈论FSD不同的是，“长期记忆”不是让FSD重新学习“怎么开车”，这件事已经由基础模型完成。         它学习的是：在安全范围内，你希望它如何开。2021年以来，中国建设改造县城综合商贸服务中心3159个、乡镇商贸中心1.5万个、村级便民商店16.8万个，基本实现县乡村三级商业网点全覆盖；累计支持升级改造县乡物流配送网点3600多个，每天超1亿件包裹进出农村；支持建设农产品分拣、预冷、初加工等设施近4000个。

J | “十四五”时期，中国农村网络零售额突破3万亿元，累计增长1万亿元，农村网商数超2000万家。

K |   如何继续促进县域消费市场发展？  “我们近期开展的问卷调查显示，49.4%的农村居民认为商品种类少是线下消费最重要的核心痛点。         这也是Tesla第一次公开走向Personalized FSD：          从“一个模型服务所有司机”，走向“基础模型+个人驾驶偏好”。”李佳路介绍，商务部将从销售和生产两端发力，丰富优质商品供给。一方面，大力推动新能源汽车、绿色智能产品等下乡，扩大农村充电设施覆盖范围，优化购买使用环境；另一方面，鼓励企业开发符合县域消费特色的优质产品，支持商贸流通企业打造更多自有品牌，“以需定产”构建柔性供应链。         为什么是现在？          “千人千面”“越开越懂你”，智能汽车行业其实喊了很多年。

L |          但真正落地很难，用户体验完全依赖车企OTA的“自觉性”和能力高低，系统更新后体验下降的事也不罕见。  在县城因地制宜打造便民生活圈，扩大餐饮住宿、休闲娱乐、文化旅游等领域优质供给，增加适老化、适幼化服务设施和项目，引导更多品牌连锁企业向县域下沉，支持发展承载地方文化的小店、老字号、作坊式品牌……李佳路表示，中国将顺应县域消费需求变化，通过“抓重点和补短板并举”“引进来和育本土协同”，多措并举繁荣消费市场。  惠及更多下沉市场经营主体  农产品消费一头连着百姓餐桌，另一头连着农业生产，在活跃县域消费中发挥着重要作用。如何让优质农产品“卖得好”？  农业农村部市场与信息化司负责人宋丹阳表示，农业农村部将继续抓好品牌培育、产销对接、消费场景打造，促进农产品消费：让农产品卖出好价钱，深入实施农业品牌精品培育计划，利用平台载体讲好品牌故事；让农产品找到好销路，推动大型电商平台、批发市场、连锁超市与主产区建立稳定对接关系，指导电商平台培育扎根乡土的农民主播；让农产品融进新业态，引导城乡居民就近消费、融合消费。  在服务消费领域，“奔县游”、乡村游将成为下沉市场消费新热点。  文化和旅游部产业发展司负责人辜科伟介绍，文旅部将指导113个县开展文化产业赋能乡村振兴试点，引导各地挖掘特色文旅资源，丰富民宿、农耕研学、自驾露营、民俗体验等“小而美”的乡村文旅业态。  在供给端，个体工商户是下沉市场中最多的经营主体。

M | 截至7月底，下沉市场在册个体工商户数量超7800万户，其中86%从事服务业相关行业。

N |          因为截至目前，绝大多数自动驾驶玩家竞争，还停留在模型、数据层面，本质上都是在解决：如何让AI成为一个更好的司机。

o |          而特斯拉在V14完成端到端重构之后，开始率先探索另一个问题：          如何让AI成为你的专属司机。         这背后，对应的是近几年自动驾驶领域兴起的几个研究方向：          Driver Modeling、Preference Learning以及Human-in-the-loop Learning。

p |          最早出现的是Driver Modeling，也就是“驾驶员建模”。“个转企”证照联办、个体工商户“一照多址”等制度创新，将为其带来更多实惠。  国家市场监管总局登记注册局负责人杜林亚介绍，去年7月市场监管总局等9部门印发《关于推进高效办成个体工商户转型为企业“一件事”加大培育帮扶力度的指导意见》以来，共有38万个体工商户享受“个转企”证照联办政策红利，直接转型为企业。“一照多址”，则让个体工商户可在其登记机关辖区内申请登记多个实体经营场所，并将所有实体经营场所都记载于营业执照上。

q | 《个体工商户登记管理规定》于去年施行后，许多个体经营者从“一址一照”迈向“一张执照、多点经营”，实现了商誉积累、经营扩围。         简单来说，就是给每个驾驶员建立一个数字画像，比如：有人开车更激进，喜欢更短跟车距离，喜欢更快完成变道；有人更保守，倾向提前减速，更少主动超车。

r | （记者 汪文正）。         传统自动驾驶系统会把这些差异忽略，默认存在一个“平均驾驶员”。         而Driver Modeling希望解决的问题是：AI应该知道，坐在驾驶位上的到底是哪一种司机。         技术上，这类方案通常会从历史驾驶数据中提取特征，比如方向盘操作、油门刹车变化、车速变化、变道频率、跟车距离。然后通过一个额外的模型，生成驾驶员特征向量（Driver Embedding）。         这个向量不会改变基础驾驶能力，而是作为规划系统的输入，影响后续决策。         但Driver Modeling仍然存在一个问题：它更多是在判断“你是什么类型的人”，而不是理解：“你具体喜欢什么”。

s |          于是近几年出现了Preference Learning，也就是偏好学习，它关注的不再是这个司机属于激进型还是保守型，而是这个司机在具体场景下更喜欢哪个选择。例如同样遇到慢车，方案A是提前变道，提高效率；方案B是保持车道，更加舒适。         AI通过长期观察用户选择，逐渐学习这个特定用户更倾向哪一种。         这与大模型的Preference Learning逻辑非常类似，模型能力是基础，用户反馈决定个性。         而Tesla这次提到的Intervention，其实更接近这一方向。

t |          当然还有第三个方向，是Human-in-the-loop，它解决的问题是如何让人在自动驾驶学习过程中持续参与。         传统机器学习通常依赖大量标注数据。但自动驾驶里，真正有价值的数据，往往不是正常驾驶，而是：AI不知道该怎么办的时候。

u |          特斯拉过去大量收集车队数据，本质上就是利用全球车辆作为数据采集网络。而未来，如果把这些反馈进一步和个人账号绑定，那么数据价值会发生变化：          它不只是帮助Tesla优化一个统一模型，还可以帮助车辆理解某一个用户。         Tesla目前没有公开FSD个性化功能的具体架构，但结合FSD V12之后的端到端路线，可以做一个合理推测：单独训练一个“每人一个模型”的可能性最低。

v |          原因很简单，如果每个用户都有独立模型，那么会导致训练成本巨大，更新困难，也会破坏Tesla统一模型的优势。         更符合FSD现有体系的方案，可能是：基础端到端模型 + 用户偏好记忆层。也就是底层模型负责视觉理解、道路判断、安全驾驶、通用规划。         上层增加一个轻量化的User Preference Layer，记录停车习惯、驾驶节奏、路线偏好、历史接管行为。         基础模型负责“能不能这么开”，偏好模型负责“你是不是喜欢这么开”。

w |          这其实和今天大模型的发展路径高度类似：GPT不会因为每个人重新训练一次。

x | 而是通过Memory、User Profile等机制实现个性化。         不过，真正的难点也在这里：个性化不能突破安全边界。

y | AI要明白不能学习你喜欢超速、喜欢危险变道等等行为。         这也是特斯拉此次探索最值得关注的地方：它不是让AI变成另一个你，而是“在安全约束内，越来越像用户”。         AI汽车进入“千人千面”时代          说过去几年，自动驾驶竞争的核心是：谁的数据更多，谁的模型更强，谁的能力更接近人类驾驶员。

z |          但特斯拉的Personalized FSD一出，下一阶段，竞争可能会发生变化。         今天，大多数智能汽车仍然依靠统一策略服务所有人。

| 但未来，AI司机可能会越来越像真人司机，不是因为它拥有情绪，而是因为它了解你的习惯。         这意味着，User Model可能成为自动驾驶新的能力层。

|          马斯克一石二鸟，解决了两个问题，首先是再次给智能汽车新卖点指出方向，而且是避免高度同质化、低效内卷的路径。         在车位到车位自动驾驶逐渐普及之后，量产车上的AI司机如何建立差异，会成为新的问题。

|          所有车辆都能完成基础导航和智能驾驶，那么下一步比拼的就是：谁更懂你、谁更符合你的驾驶习惯、谁更像一个长期陪伴你的司机。         当然，对技术能力的要求更高了。         尤其是对于“one for all”的自动驾驶供应商来说，可能很难腾出资源去开发这样的功能，而即使他们愿意开放权限给车企在基础模型上自由开发，有代码级AI能力的OEM却寥寥无几。         所以，利好全栈自研玩家！          其次，之前有一句话把老马问道语塞：特斯拉造车卖车的模式，跟自动驾驶追求的目标，是不是本质上矛盾？          完全自动驾驶普及后，好像的确没有再买私家车的必要。         所以，Personalized FSD也给马斯克解了一个燃眉之急——Robotaxi落地如火如荼，但私家车，以及把AI司机搭载在私家车上依然有价值、有必要。         毕竟Robotaxi用一个AI服务所有用户就是最优解，不可能给出千人千面的高级定制体验。         Personalized FSD路径，其实与生成式AI的发展非常相似。         ChatGPT通过Memory变得更加个性化，AI Agent通过长期记忆完成复杂任务。

|          未来，汽车作为连接物理世界的重要入口，也可能拥有自己的长期记忆，当然，这并不意味着自动驾驶已经进入成熟阶段。         Tesla的具体实现方式、安全约束机制，以及个性化能力的边界，都还有待进一步验证。         但至少，一个趋势已经出现。

Current article:http://5u9.qingfanceliangsangniang.cfd/o3q/3ylyet.html

Published on:07:02:34