热搜
您的位置:首页 >> 金融

本文发于新智元作者随一2019iyiou

2019年05月14日 栏目:金融

【编者按】在北大AI公开课第五讲上,小米科技联合创始人黄江吉与与北大人工智能创新中心主任、百度七剑客之一、酷我音乐创始人雷鸣一起,就人工智能

【编者按】在北大AI公开课第五讲上,小米科技联合创始人黄江吉与与北大人工智能创新中心主任、百度七剑客之一、酷我音乐创始人雷鸣一起,就人工智能硬件领域发展展开了深入的讨论和交流。黄江吉反复强调了产品化对于AI技术特别是深度学习发展的意义,认为产品的数据搜集效用可以和云端的机器学习一道,形成一个良性循环,同时认为只要2C的产品做得好,用户活跃度会相当高。

本文发于“新智元”,作者随一/张易;经亿欧,供行业人士参考。

北京大学“人工智能前沿与产业趋势”第五讲昨晚开课。本讲将由小米科技联合创始人黄江吉老师亲临现场,与北大人工智能创新中心主任、百度七剑客之一、酷我音乐创始人雷鸣老师共同参与,就人工智能硬件领域发展展开了深入的讨论和交流。

在个人宣讲部分,黄江吉老师反复强调了产品化对于AI技术特别是深度学习发展的意义,认为大家近经常谈论的“A(AI)、B(Big DATA)、C(Cloud Computing)”,其实不妨表述为“产品+大数据+机器学习”,产品应该扮演引导开发、搜集数据的先锋角色。通过产品,将用户产生的大数据用机器学习技术整合分析,再反哺给用户,并不断迭代产品。黄江吉老师自豪地说,他们的产品都是2C的,只要产品做得好,用户的活跃度相当高。这一点和公开课第二讲余凯老师所描述的新兴技术从2B到2C的发展路径,可以对照来读。

个人宣讲之后,照例是大家非常期待的雷鸣老师和黄江吉老师的对话过程。两位老师就此前智能硬件开发中出现的一些问题及相应对策展开了讨论,得出了一些非常简明扼要的结论。同时,也谈到了智能制造企业的外部合作和内部竞争,并对大家关心的物联时代数据安全问题做了阐释。

一、KK黄江吉个人宣讲

今天真的很开心,可以在这里跟同学们分享人工智能。一进来,我觉得场面超乎预期。我知道雷鸣兄的号召力很强,但是我今天还是感觉很震撼。两个月前雷鸣跟我聊起这个项目,我当场和他报了名。我知道今天又这个行业里面很多公司的AI专家、机器学习专家。甚至北大的很多老师,我相信每个人都可以把里面的核心技术跟我讲的很好。同学们为什么要踊跃报名听我来讲?我特别希望可以从一个产品,通过一些硬件产品,来展现人工智能如何落地到我们的真实生活里,下面从这个角度和大家分享。

今天,雷鸣给我另一个要求是希望我更多的从产业角度去讲,也不能帮小米卖广告。这个对我来讲是一个巨大的挑战。所以今天,你们看见任何有关小米的产品,你们就把它当做是产业的一部分,不要留意里面有价格、配置。我希望能够从人工智能如何落地到产品中,给同学们一些启发。近和朋友聊人工智能的时候,大家常说,我们怎么没有听到小米已经在做人工智能。然后我就说,那是你们不懂,我们从6年半前刚创办小米,我们就已经开始做人工智能,我为什么这么说?

今天,大家更多地谈论ABC,A是AI,B是big data,C是cloud computing。但是以我们的经验,更多的是CBA,先是有产品导致的云服务,然后才有可能产生bigdata,之后才有人工智能。在我们看来,人工智能的三大前提是:产品+大数据+机器学习。我们先从产品开始,大家熟悉的是6年前的小米,小米通过6年的不断迭代,我们积累了2亿的日活跃用户。在系统中,日活跃用户超过1000万的系统app已经超过21个。月活跃用户超过1000万的已经超过49个。接下来的问题是,公司如何将用户产生的数据反哺给用户,并不断地迭代产品,让产品变得更好,这才是数据背后的意义。3年前,我们通过同样的模式,切入智能硬件,开始做智能电视,智能路由器,也开始做生态链。我们与其他创业者,一起打造小米生态链,我们已经投资了70多家类似的公司。一会儿我会提及,我们如何既能够做到不同产品单点切入,又能够将其连成有价值的生态链,使他们在云端产生价值。

两年前IoT很火爆。当浪潮退去,很多IoT公司跟我们说,IoT是不是被吹出来的,不过只是一个个泡沫。我肯定是个不同意的。因为到今天为止,小米推出的智能设备(不算),全部的IoT设备联设备,出口量就已经是5000万。一会儿我会解释,为什么我认为IoT的春天马上就要到来。通过我们的小米产品(它们全部都是联的)。我们的产品全部都是2C的,所以只要产品做得好,用户的活跃度是相当高的。

小米全部产品加起来,每天产生的数据量一天是300T。为了存储这个300T,每天我们付出的存储成本是天文数字。为什么我们要存储大量昂贵的数据,其实我们等AI这个弯道已经等了很久。终于在去年迎来爆发点。现在,我们有可能利用前沿的技术,比如深度学习,对抗性络来发展。现在技术发展是以周计算。这对于我们都是好消息。因为技术发展到这个点的时候,我们已经准备了很多大数据去使用。这些技术可以用来验证算法是否靠谱,可以把我们的产品变得更智能化的话,真正实现闭环。大数据其实讲了很多年。我刚进入微软的第二年,就开始做datawarehouse,当时已经存了海量数据,都觉得大数据很有价值。但是还是停留在数据分析,analytics,即如何在数据里面找到一些规律做商业策略。直到这两年,我认为才找到了一个完美的闭环。如果可以把高质量有效的数据整理对,反过来可以让我们的开发工作,让我们的算法更加优化。所以,我们对于数据增长很开心,并不在意成本。

我们的产品走到现在,才开始有一些大数据的积累。然后可以和大家进一步分享小米的大数据渠道,如何用?其实不同的公司都有不同的数据的来源。以小米为例,从、电商、家庭路由器、电视云平台、互娱市场、生态链都不断产生数据。这些数据都非常原始,需要清洗。我认为如果一个公司专注做数据清洗,都会很赚钱。因为数据量相当大,数据清洗上的技术要突破。之后是数据挖掘,数据智能。

每个公司都在干这个事情:当我们有海量的数据,而且这个数据的来源很广泛,就可以做一个非常完整的用户画像。

,深度理解我们的用户。我们在理解这个用户时,甚至利用机器计算去补充用户没有告诉我们的信息。基于多种维度,我们甚至可以总结用户性别。通过数据的聚合,特征提取,推测性别数据,我们的覆盖率是90%,里面的准确率能达到89%。还有年龄段,职业等,准确度越来越高;

第二,用户真实性。小米从天卖,的敌人是黄牛。一开始,他们模拟真实的用户去抢,一开始,我们每人每天都写很多代码去互相攻防。后来,我们开始机器学习了,把用户的全部维度,全部输入到机器里面,让他判断真实的用户是这样。之后,每一个用户进来,可以瞬间判断到底是不是一个真实用户。因为黄牛可以通过一两个维度,甚至使用10个、20个、100个维度去模仿真实的用户,但是不可能做到1000个维度。所以我们基本上可以判断出黄牛。有时候算法太好了,让一个稍微有一些异常的真实用户被判断黄牛,因此还要把它往下调一点。这就是我们怎么样用大数据反过来验证现实上的真实度。为了画像更,我们不断地要提高我们的内容词、知识图库。

那么如何让大数据落地到你的产品?今天下午,小米发布了的电视,的亮点是人工智能的部分。这不是一个新的概念,但要把它做得靠谱,整个行业花了很多年。我们可以通过语音搜索片子,找到很多关于电影的信息,演员的各种信息。过去可能要花20个遥控器的操控,今天通过一个自然的语音,就可以找到。

之前我意识到,我们把人工智能落实到可以摸得着、用的好、买得到的设备,才可以说把人工智能带给用户。其实做人工智能技术的公司很多。今年越来越多的人工智能技术将落实到产品上。比如小米电视,已经可以做到在看电视的时候,问这个演员是谁,他就马上告诉你,是邓超。还可以问邓超今年几岁,老婆是谁,我要看邓超的老婆的电影。基本上用户问的越多,这个系统就会越来越自然。我想,除了语音、人脸识别技术,里面核心的一点是自然语言处理。怎么把度达到百分之90的语音识别后的文字转成语义,之后进行分析。比如复杂的一句话,老情人的老情人的老情人的老情人的老情人的干女儿,这样人理解起来都比较麻烦的句子,现在都可以理解了。

那么自然语言处理也好,去了解特定场景下的用户习惯也好,现在我们采用的主要方法都是机器学习。过去我们是用问卷等方式,用人工的方式去迭代。但是,现在基本上是通过机器学习,加一部分人工干预的方式,让它更频繁的迭代,不是一周一个迭代,而是每个小时在迭代。我认为它的进步是用一个非线性的速度在提升,举个例子吧。我们总是说智能硬件对不对?你说这个灯是智能灯,但是你有没有想过,如果你们用过这些所谓的智能灯,当然有两个选择,一个是过去直接用手按对不对,第二个方式就是打开你的,解开你的锁屏,好不容易找到APP再打开,等了一两秒钟,然后你再关灯开灯。你基本上试上几次,都不会有什么用对不对?

我认为今后大家会看见真正懂你的灯,而且懂你一个人。因为每个人开灯、关灯的习惯千差万别。如果要找全世界强的工程师把它做出来的话,十万个规则都做不好。而且这个代码量惊人。正确的做法是,通过灯的维度,知道你的特征,通过家里全部的智能硬件来掌握你的特征,比如家里wifi与你的状态,家里电视的状态,音箱的状态,客厅净化器的状态,房间的净化器的状态,可能要上百个特征。就根据过去一个月的使用历史进行分析,知道在这些特征成立下,你会开灯,你会关灯,这样才有可能做出一个真的是懂你的灯。

有很多人说用一个摄像头、传感器就知道了。这其实是远远不够的。比如,晚上下班回去,他就开灯,然后打扰到你的室友。真的要做这个,难度远超大家的想象,因为这些维度不应该是人去学习的。当你家里的设备越来越多,他们的状态全部都可以被分析,被记录,我只要跟随一个礼拜,就可以理解你的习惯。我认为他会比任何一个工程师可以做的10万个规则都更符合你想要的。

另外一个案例,就是智能手环。把这个东西做很不容易,要靠算法判断是在走路还是在跑步?然后不断的调试,每个人挥手的方式不一样。所以,工程师拍脑袋去想办法,然后把算法变成了代码。

其实有一个更好的方法,就是让足够多的用户带着他去跑步,打羽毛球,玩排球,打篮球,上山下山,OK,然后机器学习,我们就可以很方便的知道各种各样的活动里面的规律。如果机器学习发挥好,可能过去十个工程师才可以做到的事情,未来可能只需要两个工程师,非常擅长收集高质量的大数据,知道怎么样用机器学习。

雷鸣刚问我,对于这一波人工智能的看法是什么?其实在小米看来,可以做两个事情,就已经非常了不起了。,可以让全部开发者意识到机器学习是一个的一个生产力。借用雷鸣的话,他可能是继这个工业革命之后,伟大的生产力。

昨天还问我们那个负责深度学习平台的同学,现在小米内部到底有多少个业务正在使用这个平台。他给我一个列表,已经有十几个二十个业务都在申请机器去用这个平台。我们那些CPU已经有十几个业务都在使用机器学习,替代过去的算法。我们可能要做一个基础的算法,困难的可能是如何让这个应用被用户使用,从而产生大量的数据,你才可以跑顺。有一天,产生的数据已经足够到可以把之前写的代码逻辑取代,之后迭代数学模型就好了;第二是产品里面怎么样可以落地语音交互。就像今天小米电视一样。我认为人工智能如果可以做好这两个的话,已经非常好了。

第二个比较大的投入是视觉,我们在人脸识别上做的投入还挺大的。从去年开始,你就已经可以看见我们可以根据人脸,帮你自动分类,而且度越来越高了。因为数据量很大,现在已经可以做到人脸识别,性别识别,甚至年龄识别。小孩子的年龄差了一岁了,我们已经可以做到超过80%的度,因为小孩子的变化比较大。大人可能中间需要相差几岁。当你做这一些事件之后,给用户提供的实际功能的想象力非常大。我们的相册上,在做物体识别。可以在相册里面,帮你分类,比如要找到上次和雷鸣吃饭的照片,各种各样自动化的分类。

在自然语言处理,我们的投入也很大。我刚才讲有多少人工就有多少智能,加上机器学习,这里可以突破的空间很大。

我很相信技术,基础科研。因为我本身也是一个工程师,知道做技术的重要性。但是这7年,让我有一个很深刻的体验。今天,我讲得很多,也比较分散,但如果说我希望你记住KK讲过的一个点,那就是:一定要把技术做到产品里面,做到服务里面,它的价值才可以化地发挥出来。我在这里建议同学们,你们在做各种各样的探索研究,重要的就是永远要想如何可以化得突破这些技术。如果可以把它用在用户真的需求里面,才有可能把人工智能或者其他研究做好,真正影响到我们的生活。我甚至认为,因为我们高度关注产品,贴近用户,用户往往会告诉你,我们下一步的方向是什么,他真正的需求是什么,然后我们再研究产品、工程方向,往往才能够取得更直接的突破。所以,今天希望通过产品这个角度跟大家分享一下我们是怎么看待公司的。OK,谢谢大家。

二、KK黄江吉和雷鸣的对话

(以下“雷”代表雷鸣老师,“KK”代表黄江吉老师)

雷:非常感谢KK的分享。下面我们进入到对话环节。三年前其实我们看到了一个智能硬件的热潮,比如智能手环等等,但一年前投资和研发都有些沉寂了。现在这个趋势又回来了。想问问KK,这个产业变化的原因是什么?你如何看下一步的发展?

KK:两年前我们确实看到有很多做智能硬件的厂商,但大部分都做得不够好。我们深刻的分析了其中的原因。原因有三:1、市场需求不旺盛、不明显。消费者认为他们使用的东西已经够好了,没有必要再加入智能了。比如开一盏灯,用开关就很方便了;2、当时的智能产品还不够好。我们能感觉到,一个加了所谓智能功能的产品,有时还不如普通的、没有智能的产品好用和方便;3、在前两个前提下,你智能产品的价格比非智能的还贵。这三个问题在当时做智能硬件的企业中广泛存在。

针对这三个问题,我们想了三条对策:1、我们的智能产品,它本身的功能要比传统产品的相应功能还要好。智能只是消费者使用很顺畅以后,发现的额外亮点。比如说,我们生产的智能空气净化器卖得非常好,但它卖得好的原因不是因为它有多智能,而是因为它空气净化的功能本身就做得非常好。智能化只是消费者后来会慢慢发现的惊喜。

2、我们做了一个很简单的优化,却大大方便了使用者:当你买回去一个智能净化器的时候,通上电,你的上就会接到一个Push,提醒你新发现了一个设备,是否能允许它加入你的家庭络。你点击允许,它就可用了。不需要你设wifi、下APP、设密码等等。就这样一个功能,我认为就可以成功转化大量的小白用户。当然你会问我,这个功能你们在技术上是如何做到的?我们在设备里面加入了一个wifimodule,通上电以后,就会发现它还没有联。我们把它做到了芯片层面。用起来很神奇,但其实这个不难,只要用心就可以做到。消费者会觉得这是超出预期的,它本来的功能比相似产品还好用,又有智能这个加分项,使用者当然愿意推荐给朋友了。

3、成本问题。我想加一个智能的功能,比如刚才说的wifi module,但初我们调查了一下,发现wifimodule本身的价格就要60块,但产品本身,比如一个插座,可能才40块,我们把它变成智能插座,价格就要150块——因为整合wifimodule还需要一些其他成本。这样的话消费者是无法接受的。于是雷军就跟我们说,你们一定要把wifimodule这一块降到10块钱以内。我们开始觉得很难,但后来慢慢发现,原来的wifimodule里面有很多不需要的功能——因为它本身不好卖,所以功能越来越多,希望能变得好卖一些——我们把它做减法,只要它核心的功能。成本降低了,生产量上去了,成本又进一步降低了,从开始的40多块,终真的降到了10块以内。还是举净化器的例子。一开始我们内部都有很多人有疑问,净化器为什么还需要联?加wifimodule有什么用?但因为成本不高,10块钱嘛,先加上再说。慢慢的,不能在APP中查看家中的PM2.5值,就变得不可思议了。所以说当你把它的成本降下来以后,才可能:1、为你将来的智能化做准备;2、只有联,才能为将来数据的收集和利用打下基础。

所以回到雷鸣老师刚才的问题,为什么三年前很多的厂商做不下去了,我想是因为他们没有抓对产品本质的东西,或者是没有做好,或者是在这个过程中让客户承担的压力太多。生产的所谓智能化其实是伪智能。而今天,我们发现市场对智能模块、智能化的需求已经比三年前旺盛多了。这也是我所说的,IoT的春天很快就要到来了。

雷:你说的这个问题我深有感触。一个灯,本来价格合理,一按就亮,但现在你买了个智能灯,又要联又要注册用户名密码,你说你会选择哪个?我以前还买过一个智能秤,没有显示,你站到上面,需要在APP上看自己的体重。(笑)

KK:一个不能显示体重的秤。(笑)

雷:后来它的系统还自己升级,我又需要重新设置密码。我只好把它扔掉了。又比如,初的功能是打,后来附加的功能越来越多,才变成了智能。但它原始的功能你仍然要把它做好啊。又比如美国有个智能音箱,叫SONOS,价格在美元,在中国大概卖4000多人民币。你们会花4000多买一个音箱吗?KK老师也许你会买?(笑)

KK:我觉得它给我们留下了很多机会。(笑)

雷:后来就出了亚马逊的ECHO,价格在200美元。所以智能化本身也是需要时间的。另外KK说到智能家居的人机交互需要对话系统,实际上我们知道今天的对话系统,语音理解已经过关了,语义理解我认为慢慢也会过关,但仍然有个问题,就是知识库。我们回答一个提问时,其实不仅需要对问题的理解,更需要有相关的知识。我们看今天谷歌和百度是全球做得的知识库了,但它仍然不能在你搜索的时候,在结果的位就显示你想要的结果,对吧?所以说这就是一个问题。

KK:对,这点我非常认同。实际上我们说对话系统,其实用户真正需要的并不是要和它对话,而是能高效地为你服务。比如一个人在亚马逊买过高尔夫球。那么亚马逊就知道,你的高尔夫球很快就会打没了。它隔一段时间就会主动问你,你需不需要再买些高尔夫球。这比你去页上自己找高尔夫球然后再下单购买要便捷多了。但这本质上不是对话,不是要连续和你对话多少次你还分辨不出它是机器,不是要展现这个,而是能在短时间内、是一句话给你答案。

雷:好,我们再问一个问题。很多传统厂商在做智能化,有一些会寻求互联公司的协助。在这个过程中,企业会担心自己沦为一个只做硬件的低附加值的厂商,高附加值的部分都被互联公司拿走了。你是怎么看待未来企业间的这些合作的?

KK:因为现在整个环境还是一个高度竞争的环境,所以我更倾向于认为未来会是一个高度兼容的生态。经过竞争,肯定会有几个协议、平台或者说入口诞生出来,但是它们为了把它们的用户服务到,肯定会把别家的服务也兼容接纳进来。每家公司都不可能把什么事情都做到的。哪怕是BAT,他们今天的竞争也是非常激烈的。所以只要他们是以用户为核心的,因为用户肯定是希望一站式解决所有的问题。那么多家平台之间可以有协议,在这个场景下,你是主我是辅,在那个场景下我是主你是辅,咱们共同来吸引用户,或者给用户更好的体验,实现商业价值的化。我想之前会有一个博弈的过程,但终企业都会理性的选择对自己有利的方案。当它们尝试在别的领域发展的时候,也会开始反思,是不是和别人合作,从成本上或者从效果上会更好。

我还是以亚马逊的ECHO为例,ECHO已经进入了美国很多家庭。那些传统的做灯、做音箱等等小家电的厂商,就会开始考虑,我究竟是自己从头开始做智能化比较有利,还是尽早进入到ECHO的生态里面,分享它的红利比较有利?这样我还可以走在传统的竞争对手前面。企业本质都应该是理性的,永远从化自身利益的角度出发。他们会考虑,如果自己做能够实现利益的化,那么就自己做。当然自己开始做以后,就会发现其中各种各样的坑。试过几次,可能就会有别的选择。这种选择短期可能是不理性的,但是长期来看都是理性的。这和以前其实一样,都是为了自己核心业务竞争力的提升。

雷:好的。今天咱们提到了NLP。国内也有一些专门做NLP的公司。同时刚才你也讲了,小米对这一块也很重视。包括语音识别、语义理解、问答等等。那么你认为,一个企业如果想研发或者提升一种技术,是从外部寻求合作好呢?还是调动自身内部的资源来把它做大做强好呢?

KK:这里可能有两个角度,不同角度会得出不同的结论。一个是从行业投资人的角度,来看技术公司的发展。这个角度我们先不谈了。另一个角度是从产品公司的角度看。我们首先觉得,越多这样的技术选择,我们越欢迎。那么刚才雷鸣老师问了,有些业务其实是很核心的,比如NLP,你们小米不做吗?当然做。但是从技术评测的角度来看,我们不认为内部做出的技术和外面的有何不同。

我们始终会选择的技术提供者。虽然我们花费了资源来做这件事情,但除非内部团队比第三方做得更好,否则我们会毫不犹豫地选择第三方的技术或产品。我认为以前很多大企业都有这样的弊病,他们花了钱花了力气去做一项技术,就因为做了,所以就一定要用,哪怕做的不好。这样就好像被内部的技术团队绑架了。而越是这样,内部团队可能就做的越不好,因为缺乏市场竞争。而使用了不好的技术,终也会使你企业的产品力下降。有些技术我们当然要去学习、去做,但如果不如第三方,我们不会犹豫。正因为这样,我们发现我们自己的技术团队才越做越好,因为这样才有压力。我们给了他们更好的资源和扶持,他们理应做得比别人好才对,如果没有,那只能怪自己的能力。我认为只有这样,才能保持竞争力。

雷:看来内部竞争也是很激烈的。

KK:才有动力!!

雷:关于深度学习,你们现在主要是在云上做的,那么有没有计划,或者说已经开始在端上考虑插入深度学习的模块,或者说芯片呢?

KK:这是个很有意思的问题,我们反复也在讨论这件事情。我们的考虑主要是:1、因为深度学习离不开大数据,所以AI的家终肯定还是在云端,这是前提;2、当你为了不断提升用户体验,你经常需要把云端的AI能力或者是经过训练的模型在端上执行。我认为这是一个平衡。当你需要在本地进行零延迟的运算或者是提升用户体验时,确实需要AI的本地化。数据在云端,但是怎么做加速等等这些事情,本地优化提升的空间是巨大的。在芯片层面能做的事情也很多。

雷:这个讲得很好。上次余凯也讲到,当对反应时间有特别高的要求时,比如自动驾驶,如果这个处理也回到云再回到车里,时间就来不及了。另外还有一种说法就是在云上训练,训练和压缩完毕之后把模型直接放在端上,直接实施就可以了。然后定期update这个模型,这也是一种策略。

KK:对,当它有很多很多source,需要做很多判断的时候,会有一个局限。

雷:好。这个问题是咱们的同学问的:因为智能家居的发展,物联的发展,必然伴随着数据隐私的问题。想请问一下,你是怎么看这个问题的?

KK:很好的问题。我的回答就是:如果把安全性作为优先级的事情去做的话。机器学习,可能会提供比以往任何时代都安全的信息服务。因为以前是人去处理数据,和这些数据打交道,而我们的发展方向是,只有机器去看这些数据,只有机器去处理这些数据。在机器看来,全部的数据是一个大的归类,它不是到具体某个人的Identity去操作。这样就避免了人为的错误。这是其一。

其二就是我们要尊重数据,把数据分成不同的维度,比如哪些是隐私数据,哪些是和隐私信息关系不大的环境数据、通用数据,哪些是需要用户授权才可以使用的数据,哪些是任何时候都不可以使用的数据。我们要把这些数据分得非常清楚。尊重游戏规则,当我们要为你扩展一个功能,需要你的一些数据的时候,会跟你协商清楚,会用到你哪些数据,怎么用。同时有一些数据是只有你可以访问的,你有密钥才能访问自己的私人数据。如果你忘了的话,我们都帮不了你,没有机器能够再访问那个数据。我觉得要做到这一点。有时大家会探讨一些深刻的问题,比如随着技术发展,机器都变得不可控了。我想如果我们现在连数据的安全性这样的问题都保证不了的话,我们也就先不要去考虑超级智能的威胁这样的问题了。

1P模式
2016零售企业发展:电商增速明显放缓零售实体店小幅回升
2012年南京B+轮企业