
高速發(fā)展的產(chǎn)業(yè),也帶來了一些問題和機遇。此前火爆的P2P網(wǎng)貸行業(yè)就亟待一套行之有效的方法加以監(jiān)管。5月8日,第三方數(shù)據(jù)服務平臺TalkingData發(fā)布移動金融應用行業(yè)數(shù)據(jù)報告。報告顯示,P2P網(wǎng)貸行業(yè)利率正在回歸理性化;而問題平臺數(shù)量激增,行業(yè)或?qū)⒋笠?guī)模洗牌;同時,P2P向移動端快速滲透,移動端將成為未來一段時間各家企業(yè)必爭之地。此外,HCE的崛起,讓互聯(lián)網(wǎng)公司進入NFC支付領域成為可能;手機廠商直接參與移動支付漸成趨勢;免密支付這種新興的形式,將助力移動支付飛速發(fā)展。
移動互聯(lián)網(wǎng)拉近了人與一切服務之間的距離,金融行業(yè)很自然的過度到了“移動互聯(lián)時代”。甚至,在網(wǎng)絡、電商極度發(fā)達的情況下,結(jié)合互聯(lián)網(wǎng)行業(yè)靈活、迅捷的特性,催生了不少新興的金融產(chǎn)品形式,由此開啟了一扇通往無數(shù)可能性的大門。而移動應用,順理成章地成了這些“新金融”、“新模式”天然的入口。
經(jīng)過近2年的發(fā)展,互聯(lián)網(wǎng)金融的規(guī)模發(fā)展迅速,覆蓋用戶數(shù)量巨大。從用戶規(guī)模上來看,2014年第一季度,移動金融應用的用戶數(shù)量為3.3億;而2015年的第一季度,這一數(shù)字達到了7.6億,增幅高達130%。
移動金融用戶性別分布較為均衡,整體來看,女性用戶較多;從細分行業(yè)來看,男性用戶相對喜歡證券和理財產(chǎn)品,而女性用戶更偏愛銀行和生活應用;而在這些用戶中,80后是絕對的主力。
從用戶的地域分布上來看,移動金融應用的用戶主要分布在東部沿海及中部經(jīng)濟相對發(fā)達的地區(qū),不過從增長速度上來看,三線城市起點較低,因此增長迅猛,潛力巨大。
應用類型方面,主要集中在理財和證券兩類上,二者之和高達58.4%;而生活應用、支付類應用,則因行業(yè)內(nèi)存在巨頭,所以總體數(shù)量相對較少;從用戶規(guī)模細分來看,移動保險、移動理財產(chǎn)品整體用戶數(shù)量相對較少,發(fā)展空間巨大。
事實上,在每個用戶的設備中,安裝的移動金融App數(shù)量遠不及其他類型的應用,日常打開這些應用的頻率也并不高。一方面,金融類應用背后依托的是金融機構(gòu)提供的服務,服務遷移成本較高,用戶粘性好;另一方面,對于絕大多數(shù)金融類應用而言,往往只有在需要的時候用戶才會開啟,目的明確,不會像工具、游戲等類型的應用需要經(jīng)常打開使用。
而不同城市的用戶對金融應用的喜好也有所不同。相對而言,北京用戶更偏愛理財類應用;上海用戶更喜歡股票證券類應用;而廣州的用戶則對銀行客戶端情有獨鐘。從金融應用的使用情況來看, 證券類應用日常使用次數(shù)最多,可見小小股票牽動著億萬群眾的心。
目前,各大銀行、券商,甚至是互聯(lián)網(wǎng)企業(yè),都有在移動金融領域的布局,從目前的情況來看,大體的產(chǎn)業(yè)布局幾近完成,各個金融細分領域,都有對應的移動應用和服務可供用戶選擇??梢姡苿咏鹑谝呀?jīng)進入高速發(fā)展期,支付、銀行、證券等細分行業(yè)相繼成熟,記賬、信用卡管理等更多移動金融新形態(tài)出現(xiàn),并且逐漸在功能及用戶體驗方面高速演進。
除了傳統(tǒng)金融行業(yè),互聯(lián)網(wǎng)企業(yè)在金融領域的布局也已經(jīng)初現(xiàn)端倪。無論是BAT還是京東,都已經(jīng)開始憑借龐大的用戶群,借助互聯(lián)網(wǎng)及移動互聯(lián)網(wǎng)向金融領域滲透;而傳統(tǒng)金融企業(yè),也正在逐漸加速向移動互聯(lián)過渡。
好文章,需要你的鼓勵
浙江大學團隊提出動態(tài)專家搜索方法,讓AI能根據(jù)不同問題靈活調(diào)整內(nèi)部專家配置。該方法在數(shù)學、編程等任務上顯著提升推理準確率,且不增加計算成本。研究發(fā)現(xiàn)不同類型問題偏愛不同專家配置,為AI推理優(yōu)化開辟新路徑。
清華大學研究團隊提出SIRI方法,通過"壓縮-擴張"交替訓練策略,成功解決了大型推理模型"話多且準確率低"的問題。實驗顯示,該方法在數(shù)學競賽題上將模型準確率提升43.2%的同時,輸出長度減少46.9%,真正實現(xiàn)了效率與性能的雙重優(yōu)化,為AI模型訓練提供了新思路。
南洋理工大學與騰訊聯(lián)合研究團隊開發(fā)出Rolling Forcing技術(shù),實現(xiàn)AI視頻實時流式生成的重大突破。該技術(shù)通過滾動窗口聯(lián)合去噪、注意力錨點機制和高效訓練算法三項創(chuàng)新,解決了長視頻生成中的錯誤累積問題,可在單GPU上以16fps速度生成多分鐘高質(zhì)量視頻,延遲僅0.76秒,質(zhì)量漂移指標從傳統(tǒng)方法的1.66降至0.01,為交互式媒體和內(nèi)容創(chuàng)作開辟新可能。
華中科技大學研究團隊發(fā)現(xiàn),通過讓AI模型學習解決幾何問題,能夠顯著提升其空間理解能力。他們構(gòu)建了包含約30000個幾何題目的Euclid30K數(shù)據(jù)集,使用強化學習方法訓練多個AI模型。實驗結(jié)果顯示,幾何訓練在四個空間智能測試基準上都帶來顯著提升,其中最佳模型達到49.6%準確率,超越此前最好成績。這項研究揭示了基礎幾何知識對培養(yǎng)AI空間智能的重要價值。