注：本文由中国百货商业协会译自aws.amazon.com，文章是亚马逊产业观察的一部分，阐述了生成式AI在2025的几个大趋势。中国百货商业协会持续关注最新技术发展，一直对零售AI技术和应用进行深入追踪和研究，下一步还将开展行业性的应用调查。
每年的这个时候，专家们都会对明年为零售业的发展提出意见，特别是零售业的主要技术趋势。本文将重点介绍生成式AI，以及一些值得关注的关键趋势。
如果说2023年是生成式AI大放异彩的一年，2024年是实验之年，那么2025年很可能是该技术进一步成熟的一年。我们越来越接近Gartner的“启蒙斜坡（slope of enlightenment）”，但我们还没有完全达到那个目标。
很多人厌倦了听到生成式AI，这可以同情，但没有人可以否认生成式AI对我们的世界产生了重大影响。因此，以下是2025年值得关注的三个特定于零售的案例（虚拟购物助手、超个性化、虚拟试妆）和三项技术（AI代理、特定于域的基础模型、计算机使用）：
虚拟购物助手 Virtual Shopping Assistants
概念很简单，当购物者不确定要买什么时，他们可以向店内员工寻求专业建议——至少在理论上是这样。但是，如果您在网上购物怎么办？进入AI驱动的虚拟购物助手，它精通商品知识、数字网络和潮流时尚等各种主题。例如，哪种Wi-Fi路由器在户外效果最好？时尚的滑雪手套有什么推荐？获得这些问题的答案是Amazon推出的虚拟购物助手Rufus背后的算法。
Rufus特别有用的一点是它是对话式的，允许与购物者互动交流，直到他们对答案感到满意。就像人类专家一样，虚拟购物助手会提出问题以帮助了解购物者的需求和偏好。有些人可能会考虑这种对话式搜索。
这肯定不会取代传统的搜索，零售商应该从改进他们的搜索和产品发现解决方案开始，然后决定聊天机器人和虚拟助手是否对他们有意义。这些解决方案可能会增强买家的信心，从而提高销售额，并可能减少退货。
超个性化 Hyper-personalization
个性化的机器学习已经使用了25年，当时 Amazon首次开始使用协同筛选，根据类似客户的好恶来预测特定客户的偏好。下一波浪潮是将机器学习与生成式AI相结合，为购物者创造个性化的体验。这包括超个性化的营销通信、搜索结果、产品详细信息页面，甚至聊天机器人对话。
最终，每个网店会话都可以为个人购物者进行定制，使用吸引人的主题、量身定制的分类和基于他们个人喜好的精选优惠向他们展示产品。零售商应考虑如何利用过去的销售、产品数据和第三方客户数据等，更好地对每一次购物者互动进行超个性化。
虚拟试衣/试妆 Virtual
Try-on
购物者缺乏信心会阻碍在线销售，尤其是在时尚等领域。如果无法概念化产品，他们可能不愿意购买，或者他们可能会订购多个型号或规格并退回未选择的型号或规格。生成式AI开启了在上下文中更直观地描述产品的可能性，因此购物者可以虚拟试穿产品。这是通过组合两张图片来实现的，比如一个人加一件毛衣，或者一把椅子加一个客厅，这样购物者就可以更直观地评估外观效果。
Stable Diffusion和Amazon
Titan Image Generator等AI模型用于智能组合图像，向购物者展示预期内容并提高他们的购买信心。销售服装、时装、配饰、家具或其他受益于可视化效果的产品的零售商应考虑此项功能。
AI自主智能体 AI
Agents
AI Agent是 “以大语言模型为大脑驱动的系统，具备自主理解、感知、规划、记忆和使用工具的能力，能够自动化执行完成复杂任务的系统。AI Agent不同于传统的人工智能，它具备通过独立思考、调用工具去逐步完成给定目标的能力。与聊天机器人或虚拟助手聊天可以提供信息，但很少以行动为导向。另一方面，自主智能体在实现目标方面发挥着作用。他们通常是自主的，并拥有帮助他们完成特定任务的工具。您甚至可以将自主智能体视为您团队的一部分，对销售做出贡献。Amazon Bedrock Agent等产品可以使用思维链推理来分解和解决复杂的问题。例如，您可能有一个定价自主智能体，它可以在竞争对手的网站上抓取价格、检查产品利润率并在其定义的规则内提出价格建议。
想象一下，当您购买预测软件时，它带有一个预测自主智能体，可以代表您操作该软件，根据需要更新和分发您的预测。零售商应该寻找可以与自主智能体一起自动化的任务，从而提高团队的整体生产力。
垂直域基础模型 Domain-specific Foundation
Models
大多数基础模型（FM），如大型语言模型（LLM），都是在公共数据资料库上训练的，因此它们具有一般知识，但也可以从头开始构建模型以专注于特定领域。Amazon Science 团队创建了一个特定于零售的LLM供Rufus使用，该LLM已针对其庞大的产品目录、买家评论和其他类似数据进行了培训，旨在增强购物体验。希望它的重点使其更小，因此运行成本更低，但仍能产生卓越的输出。
当然，建立LLM是一项艰巨的任务，而且大多数零售商可能都无法做到。因此，大多数会选择使用自己的数据对现有模型进行微调。零售商应考虑这种经济高效的方法来提高生成式AI的输出。
电脑自动操控 Computer Use
目前,Computer use主要依靠API来驱动自动化指令,当开发者通过API向Claude 发送指令时,Claude会运用其自然语言处理能力解析指令。虽然仍处于早期阶段，但可以让FM（例如 Claude 3.5）控制您的计算机并像您一样使用它。例如，您可以请求它为您创建一个采购订单，然后它将“查看”您的屏幕，接管您的鼠标并填写表格。生成式AI还可用于回归测试，确保对Web Store的更改按预期工作。例如，从消费者的角度来看，购物者可以要求查找并购买价格最低的Apple AirPod Pro，让它进行研究并最终选择要购买的产品。
由于FM接受过使用软件（尤其是浏览器）的培训，他们将能够自动执行一些日常任务，从而使人类将更多时间花在创造性追求上。现在采用这项技术还为时过早，但请密切关注 2025年的全面可用性。