在不少人眼中，新興電商平台拼多多是一家主攻三四線城市的下沉市場電商，疫情期間，一組數據卻讓人有些意外：在不到兩個月時間裡，拼多多幫助全國超過400個農產區售出8.4萬噸農產品，大約70%的訂單來自大中城市。
「外界把我們看成電商平台，我們內部更願意把自己看成一家人工智慧公司。」拼多多副總裁陳秋說。從創立伊始，拼多多的商業邏輯就與其他電商不同。傳統電商是 「人找貨」，而拼多多選擇了 「貨找人」。兩者背後都有一套算法支撐，但技術創新的邏輯變了。
事實上，不止拼多多，在上海大力發展在線新經濟的過程中， 「貨找人」成為一種時髦玩法，小紅書、嗶哩嗶哩等當紅企業也參與其中，其背後融合了人工智慧、大數據、雲計算等技術創新。當用戶的各種需求維度被不斷展現和挖掘出來，在他們還不確定自己想買什麼、想看什麼、想找什麼之前，網際網路企業已經將客戶可能感興趣的商品推送到他們面前。
分布式人工智慧，讓用戶擁有屬於自己的「AI代理」
「當你網購了紙尿布時，平台就會給你推送嬰兒車。」這是電商平台引以為豪的關聯推送法則，但熱衷網購的人們很容易發現拼多多的與眾不同之處：當好友和你發起拼單後，拼多多不僅推薦了嬰兒車，還推薦了好友分享或者使用過的更適合你的商品。這就是所謂的 「貨找人」，背後需要一套精準的推算法則。
傳統的線下市場，或者以搜索場景為主導的傳統電商平台，其本質是 「人找貨」。比如，醬油沒了去超市買瓶醬油，過節了去某品牌的網上店鋪搜索是否有自己喜歡的衣服……這些都是 「人找貨」模式。在這種模式中，消費者需要檢索已經掌握的商品信息庫，這等於在考驗消費者的商品知識儲備量，需要自己去貨架上查找。
「人找貨」還有一個問題，不論是實體店還是網店，哪種商品能獲得比較好的位置，不是由消費者決定，而是由 「擺貨人」決定的。在線上，傳統電商平台的廣告位決定了店鋪在搜索結果中的排序，出價高的店鋪更容易被消費者看到。
如何實現「貨找人」？拼多多創新應用了分布式人工智慧技術。所謂分布式人工智慧技術，是相對於中心化的人工智慧技術而言。在中心化的人工智慧技術框架下，後台會給用戶貼上各種「標籤」，比如「價格敏感的年輕女性」「講究品牌的商務男性」等，繼而根據群體特徵為消費者推薦商品。而分布式人工智慧是給每個人提供一個「AI代理」，讓每個人的數據都可以被獨立處理，再通過不同「AI代理」之間的交互，來形成對用戶消費的理解。
試想一下，當你選擇和好友一起拼單購買一件商品，你的 「AI代理」和好友的 「AI代理」 就完成了一次交互，如此一來，好友間共同的消費興趣和習慣就在數據端建立起了聯繫。於是，下次推送時，你看到的商品就會更加精準地 「屬於你」。久而久之，客戶與推送商品之間就會建立起一種信任，隨時準備掏腰包嘗試一下。
據拼多多日前公布的2020年一季度財報，這家年輕電商的活躍買家數量同比增加了1.85億。不可否認，這其中有相當部分貢獻來自於這一全新推送法則的 「威力」。
從粉絲優先到算法優先，新社交平台快速崛起
「貨找人」模式並非電商獨有。新近崛起的一批在線新經濟當紅企業背後， 「貨找人」的理念總是若隱若現。比如，在用戶第一次打開小紅書、嗶哩嗶哩等App前，你需要選上幾個喜好的欄目，這等於給自己交了一張「簡筆畫像」，而加入平台後的每一次點擊、每一件購買商品，都會讓這張畫像更加精確。
小紅書的「種草—拔草」模式形象地解釋了內容原創平台是如何「帶貨」的：一位用戶瀏覽並且點擊了眼影的內容，在一些筆記下留言評論，且之前也有過彩妝瀏覽記錄，後台算法會認為她現在大機率對眼影等彩妝類內容感興趣，據此分發給她更多眼影盤以及如何使用等內容，其他用戶的真實消費體驗筆記在此時就會對大家的消費決策產生影響。
從某種程度上說， 「貨找人」打破了傳統社交網絡的 「早鳥效應」，即在早期網際網路平台上，越早進駐的用戶越可能快速積累粉絲。根據 「人找貨」原則，粉絲數量高的用戶在內容傳播上的優勢要遠遠大於粉絲數量少的人。而在以 「貨找人」為主要算法邏輯的平台上，粉絲數沒有以前那麼重要了。在B站上，系統會根據用戶的觀看偏好來推薦相似內容，不管是流量大咖UP主還是新人菜鳥，決定是否來到你面前的是內容本身而非創作者。
從深度學習到知識圖譜，「千人千面」精準推送
在復旦大學產業與區域經濟研究中心主任范劍勇看來，未來商業的發展趨勢應該是 「消費驅動生產」，這不是靠傳統網際網路經濟的 「長尾效應」，而是把 「個性化定製」與 「規模化生產」結合起來，依靠算法的精準性來推動生產率提升。
實現消費驅動生產的基礎，是一幅幅用戶 「工筆畫」——用戶數據的顆粒一定要細，可以說，誰能畫出更精準的用戶畫像，挖掘更多的需求維度，誰就能提供更精準的商業服務，實現更高的購買轉化率。
這幅用戶 「工筆畫」既可以通過不斷挖掘用戶本身數據的關聯度獲得，也可以通過外部環境與其交互的反饋獲得。明略科技集團營銷智能國家新一代人工智慧開放創新平台負責人表示，他們正在基於多源異構數據構建知識圖譜，挖掘數據中更深層次、更全面的關聯關係，獲得高價值的智能洞察。簡單來說，和類似 「黑箱」的深度學習相比，知識圖譜更加直觀且更具解釋力。當把數據轉換為知識，利用人工智慧輔助決策，有望實現 「千人千面」的精準匹配。
作者：沈湫莎編輯：施薇