中美数据流通面临严峻挑战，新规加剧了数据流动的不确定性。这一政策不仅打破了美国长期标榜的“数据自由流动”原则，更将对中国跨境电商、医疗、金融等依赖数据流通的行业造成深远冲击。

如何应对合规挑战？

如何在数据割裂的夹缝中寻找新机遇？

本文深度解析政策影响，并揭秘数里行间（Shulex）如何以“合规基因”助力跨境企业突围。

01 新规核心：数据安全即国家安全

中美数据流动“硬隔离” 

美国此次新规直指中国、俄罗斯等六国，核心是通过“三把锁”限制数据跨境流动： 

1. 主体限制：禁止美国主体（公民、企业等）与“受关注国家”实体进行涉及敏感数据的交易； 
2. 数据范围扩大：精准定位、基因组、生物识别、财务健康等六大类敏感数据被严格管控； 
3. 严苛罚则：违规者最高面临20年监禁、700万人民币罚款，企业合规成本陡增。 

对跨境电商而言，这意味着： 

1. 用户数据本地化：中国卖家若使用境内服务器存储美国消费者数据，可能直接触发禁令； 
2. 供应链透明度危机：涉及精准物流追踪、支付信息、用户画像等环节需全面重构； 
3. 信任成本飙升：美国消费者对数据跨境传输的担忧加剧，品牌信任度面临挑战。

02 跨境电商“生死局”：合规成生存底线 

新规之下，跨境电商面临三大致命痛点： 

1. 数据存储合规性：企业若无法证明数据存储于美国或合规第三方，业务可能直接被“封喉”； 
2. 本地化运营能力：缺乏美国实体公司和本土团队，难以满足司法审查与快速响应需求； 
3. 技术适配成本：隐私保护设计、数据加密、审计追踪等能力需全面升级，中小卖家不堪重负。 

“这不是选择题，而是生死线。” 某跨境电商业内人士坦言。

03 破局关键：数里行间（Shulex）的“合规基因”与全链路优势 

面对政策高压，数里行间（Shulex）凭借前瞻布局与硬核能力，成为跨境企业应对挑战、突破困境的关键合作伙伴。作为一家总部位于美国硅谷的公司，Shulex严格遵守美国本土法律法规，确保公司运营的合规性。同时，Shulex与客户签署的服务合同符合美国属地合规要求，保障了跨境电商在全球运营中的合规风险管理。其核心优势直击新规痛点：

1. 数据合规“双保险”：海外服务器+美国实体公司

• 数据存储零风险：Shulex所有服务部署于Microsoft Azure微软云计算、亚马逊云科技 AWS、 Google Cloud等海外服务器，确保数据物理存储完全符合美国司法管辖要求； 
• 法律实体本地化：Shulex拥有美国注册公司及本土合规团队（VOC.AI），可直接对接监管机构，为企业提供法律背书与快速响应支持。

2. 隐私保护设计（Privacy by Design） 

• 敏感数据自动脱敏：通过AI技术对用户地理位置、支付信息等敏感字段实时加密，从源头规避违规风险； 
• 最小化数据采集：仅收集必要信息，并通过动态权限控制限制数据访问范围，符合新规“最小化原则”。 

3. 全链路合规解决方案 

• 风险评估系统：一键扫描店铺数据流，识别生物识别、基因组等高风险字段，生成合规改造清单； 
• 审计追踪报告：自动记录数据访问、传输日志，满足美国司法部“可追溯、可证明”的审查要求； 
• 本土化运营支持：Shulex在美国、日本和欧洲设有本地化团队，提供政策解读、合规培训、应急响应服务以及全面的客户成功支持与本地化运营服务，深入了解各地法规和市场需求，帮助企业高效应对当地的合规挑战、优化运营并降低企业跨国沟通成本。

Shulex具备多项国际安全认证 数据安全和隐私保护达到国际公认高标准

04 未来已来：数据主权时代，选择比努力更重要 

美国数据新规绝非孤立事件，而是全球“数字主权”争夺战的缩影。欧盟《数字市场法》、中国《数据出境安全评估办法》等政策相继落地，数据合规已成为全球化企业的核心能力。 

数里行间（Shulex）的差异化价值，正在于“植根合规，超越合规”： 

不止于“合规工具”：通过AI驱动的用户洞察、智能客服等能力，帮助企业在合规基础上提升转化率与复购率； 

全球化+本地化双引擎：以美国为支点，辐射欧洲、东南亚市场，助力企业构建多区域合规架构。 

寒冬or机遇？答案藏在选择里 

中美数据脱钩的巨浪下，跨境电商行业正经历新一轮洗牌。政策高压既是挑战，亦是淘汰低效玩家、重塑行业格局的机遇。与其被动应对，不如借力Shulex的合规护城河，将“数据安全”转化为品牌信任的筹码。 

以下，我们从智能生活体验馆挑选的Best of CES 2025，以AI智能硬件、智能家居和新生活方式三大品类，结合展会现场亮点，第一视角见证科技如何重塑未来生活。

一、AI智能硬件：从技术突破到场景落地

人工智能（AI）开始与消费硬件深度融合，为用户生活带来切实可感的变革。AI智能硬件领域，创新产品层出不穷，技术应用不断深化，从智能穿戴到语音交互，每一项技术都在推动着未来生活的边界。

1. Rokid AR Spatial：智能眼镜的极致体验

Rokid AR Spatial是一款轻量化、具备前沿技术的增强现实（AR）眼镜，专为提供沉浸式空间计算体验而设计。它支持高达300英寸的索尼Micro OLED虚拟屏幕显示，提供600尼特亮度、120Hz刷新率和100,000:1的对比度，带来震撼的视觉效果。其采用的全球首创近视智能瞳孔调节技术，能够适应不同用户的视力需求，提供个性化的清晰画质体验，为身临其境的数字互动提供了解决方案。通过与 Rokid Station 2生态系统的无缝连接，适配虚拟桌面多屏操作，兼容多种设备，如笔记本电脑、游戏主机和智能手机，适用于娱乐、游戏、办公等多种场景，实现了娱乐与生产力的完美融合。

2. RingConn Gen 2：将健康监测带到指尖

第二代RingConn智能戒指通过FDA批准的房颤检测算法，让用户能够随时监测心电图数据，并结合AI提供个性化健康建议。集成心电图（ECG）监测、血氧饱和度、心率变异性（HRV）及睡眠追踪等多项功能，专为关注健康管理的用户设计。戒指外壳采用航空级钛合金，坚固耐用，且具备5ATM防水性能。相比市场上其他健康类可穿戴设备，RingConn以极简设计和精确监测功能在展会中脱颖而出。

3. Gausscode CADI（车智见）：汽车行业大语言模型AI助手

Gausscode推出的车智见CADI（Consumer Automotive Dialogue Intelligence）基于强大的汽车垂类模型与知识底座，打造了端到端的智能化场景应用，为车企在“营销服”链路中构建了一个“会聊天、有知识、懂用户、推服务”的全方位解决方案。旨在通过先进的AI技术，全面提升汽车销售、售后服务及运营管理的效率，助力车企和经销商实现数字化转型。CADI可将车辆文档处理速度提升500%，智能问答准确率高达90%，显著降低运营成本，提升客户服务效率。借助AI预测性维护与智能诊断功能，CADI可将车辆接待、预检和维修时间缩短50%，提高车辆使用率，减少客户等待时间。CADI可无缝集成至如微信等主流平台，支持线上线下全渠道客户服务，提供24/7智能化支持，增强客户粘性和转化率。此外，CADI还具备智能预约调度、个性化售后推荐、实时数据分析及AI驱动的销售培训等多项功能，帮助汽车企业在竞争激烈的市场中占据优势地位。与汽车行业深度集成，Gausscode吸引了大量车企反馈，展示了其在智能领域的技术优势。

4. iFLYTEK Smart Translator：精准多语种沟通

科大讯飞智能翻译器支持超200种语言的即时翻译，内置AI语音识别和智能降噪算法，适用于旅行、商务、学术交流等多种场景，涵盖主流语言及多种少数民族语言，满足全球化交流需求。在无网络环境下也能实现高精度翻译，适合户外探险或国际旅行，针对不同场景（如会议、餐厅、机场）自动切换翻译模式，提升沟通效率。支持远距离录音与快速转写，离线翻译能力即使在无网络环境下也能实现高精度翻译，适合户外探险或国际旅行。iFLYTEK Smart Translator在多语种环境下的表现堪称行业标杆。

5. TOZO Golden X2 Pro：重新定义音频体验TOZO Golden X2 Pro真无线耳机支持LDAC高清音频解码，结合主动降噪（ANC）技术，带来沉浸式的听觉体验。延续前代Golden X1的双驱动单元设计，Golden X2 Pro升级搭载了双通道DAC芯片，结合12mm动态驱动单元与Knowles高频动铁单元，带来震撼低音、清晰中音与细腻高音的均衡表现，成功获得ORIGX Pro声学认证，满足发烧友对高保真音质的严苛要求。Golden X2 Pro还融入了先进的AI智能功能，支持实时翻译、语音转写、会议记录生成及语音聊天等多种实用场景。配套APP支持EQ调节，用户可根据喜好调整音频参数。耳机本体续航8小时，搭配触屏充电盒可达32小时，满足长时间使用需求。在CES现场，TOZO展示的3D空间音效和陀螺仪姿势操控演示获得了广泛好评，被誉为“新一代音频技术的代表作”。

6. Ling! AI学习伴侣：儿童成长的智能伙伴专为儿童设计的Ling! AI学习伴侣集成了互动式学习内容、情感识别系统和个性化学习路径，帮助孩子在日常中高效学习。涵盖科学、数学、语言艺术等多学科知识，配备互动游戏激发学习兴趣。AI能够识别周边环境并将其变化为学习机遇，并能感知儿童的情绪变化，及时调整教学策略，提供个性化的鼓励与反馈。家长可通过APP实时了解孩子的学习进度，进行亲子互动。据多家媒体评价称，Ling!是将AI教育技术应用于儿童学习领域的“革命性产品”。

二、智能家居：技术与生活的无缝结合

家庭场景正成为智能科技竞争的核心领域，CES 2025展出了多款从功能到美学全面升级的智能家居产品。

1. Dreame Z1 Pro：最前沿泳池清理工具

Dreame Z1 Pro是一款智能泳池清洁机器人，专为提升泳池清洁效率和用户体验而设计。它摆脱了传统泳池清洁设备对电缆的依赖，真正实现了无绳、免缠绕、全自动化的便捷操作，大幅简化了泳池清洁流程。Dreame Z1 Pro采用高性能内置电池，支持长时间清洁，无需外接电源或拖曳电缆，确保设备在水中灵活自如，适应各种泳池环境。内置先进的智能路径规划算法，能够自动识别泳池形状，精准规划清洁路线，确保池底和池壁的全面覆盖，提升清洁效率，减少遗漏。配备高效无刷电机，提供强劲吸力，轻松吸附细小灰尘、沙粒、树叶等杂质。同时搭载多层过滤系统，确保水质清澈，过滤精度高达微米级别。无论是矩形泳池、圆形泳池，还是不规则泳池，Z1 Pro都可通过多种清洁模式灵活应对，用户可根据需要自定义清洁方案，精准满足个性化需求。具备出色的越障能力，能够轻松跨越泳池中的小台阶、斜坡等障碍物，同时自动调整吸力和速度，确保不同水深和表面的清洁效果。

2. Lockin Veno Pro：掌静脉解锁的创新门锁

LockinVeno Pro是全球首款无接触掌静脉视频智能门锁，融合了尖端生物识别技术与极简美学设计，重新定义了家庭安防体验。它采用先进的Lockin Venokey™掌静脉识别系统，仅需挥动手掌即可快速解锁，精准度高达99.8%，无需钥匙、指纹或密码，既安全又卫生。配备180°全景双传感器和AI智能检测技术，能够实时监测门前动态，搭配智能APP实现远程管理。内置太阳能应急电源，具备IP65级防水性能，确保全天候稳定运行，是现代家庭追求安全、便捷与科技感的理想之选。

3. Valerion VisionMaster Max：沉浸式影音体验

Valerion VisionMaster Max是一款专业级RGB激光投影机，搭载ProVision Engine™和AI-SoC平台MT9618，提供影院级画质和沉浸式观影体验。它支持8K 分辨率，集成智能色彩优化和自动对焦技术，适用于家庭影院和商务展示。结合语音助手集成功能，轻松实现智能家居的无缝连接。其卓越的影像表现和出色的音效体验被评为“家庭娱乐领域标杆”。

4. Litheli EASYSURGE 18.5″ Lawn Mower：环保与设计的平衡

EASYSURGE 18.5″智能割草机是Litheli在CES 2025上推出的旗舰产品，融合了前沿科技与极简设计，重新定义了家用园艺工具。它搭载独有的EasySurge超频系统，最高转速可达4100RPM，在应对湿滑、密集或不平整的草坪时依然表现卓越。其创新的SurgePanel™控制系统让用户只需一键即可调节切割高度、行驶速度和工作模式，极大简化了操作流程，适合所有使用者。EASYSURGE不止于割草机，它还与HOME-TO-WORLD能源生态系统无缝连接，使用的U20 Ultra电池不仅支持长达24,500平方英尺的割草范围，还可为手机、笔记本电脑等设备提供便携电源。其可折叠设计可减少76%的存储空间，搭配高达 96%可回收组件，兼具环保与高效，真正实现了智能、便捷、可持续的家居户外新体验。

5. Lepro E1：人工智能照明推荐Lepro E1智能照明系统内置AI灯光设计助手，可根据用户需求自动生成定制化照明效果。它支持多场景联动与语音控制，提供节能高效的照明解决方案。其智能感应技术能够根据环境变化自动调节亮度和色温，打造舒适、健康的家居氛围。

6. SECURAM全屋智能安防解决方案：全方位保护SECURAM全屋智能安防解决方案是一套集成化的智能安防系统，旨在为家庭提供全方位的安全保护。它通过智能门锁、AI智能可视门铃、户外防水门锁、高清摄像头、智能开关与调光器、Wi-Fi保险箱锁、保险箱监测器以及具备离线工作能力的报警中心等设备，构建起覆盖家庭内外的安全防护网络。用户可通过SECURAM Guard App实现远程管理，实时监控家中动态，随时随地掌握家庭安全状况。这一系统不仅融合了先进的人工智能技术和精准的运动检测，还具备断网时仍可正常报警的离线防护功能，确保家庭在任何情况下都能获得稳定可靠的安全保障。

三、新生活方式：创新科技让日常更美好

除了技术突破，CES 2025更探索了如何通过创新科技提升生活的品质与乐趣。

1. Insta360 X4：全景拍摄的革新

作为全景相机的代表，Insta360 X4支持8K30fps或5.7K60fps视频拍摄、慢动作和延时摄影等功能，搭配坚固防水设计，是内容创作者和媒体人员的理想选择。HDR捕捉功能在光线混杂的环境中非常方便，而慢动作子弹时间和延时摄影功能则能带来无限创意。这款相机具有防水功能，也能经受粗暴的操作，因此适合安装和捕捉动作。Insta360的软件工具让X4更上一层楼，因为它们能以新颖的方式轻松编辑和重构球形视频。

2. Hohem iSteady M7：视频创作者的终极工具

Hohem iSteady M7是Hohem最新旗舰Al跟踪智能手机云台，结合AI追踪与手势控制，为拍摄高质量视频提供了极大便利，成为博主和视频制作者的首选。iSteadyM7引入了独特的可拆卸遥控器，为独立电影和短片制作带来了创新。采用先进的Al跟踪技术，超越了应用程序和系统的限制，现在只需用手指在触摸屏上轻扫一下，就能毫不费力地跟踪任何物体。能够掌控每一个动作，让专业视频创作如此简单。

3. LIVALL PikaBoost 2：重新定义自行车体验

LIVALL PikaBoost 2是一款创新型电助力自行车转换套件，能够在不到一分钟内轻松将普通自行车升级为智能电助力自行车。这款电动自行车改装套件通过紧凑的一体化设计，将传统自行车变身为智能电动车，满足通勤与越野需求。它集成了高效电机、可拆卸电池、智能控制系统以及LED尾灯和防摔检测等安全功能，兼容多种车型和轮胎尺寸。PikaBoost 2不仅提供强劲的动力支持，还具备能量回收系统，延长续航里程，帮助骑行者轻松应对爬坡、长途骑行和复杂路况，是一款兼具便捷性、安全性和环保性的智能骑行解决方案。

4. Soocas NEOS II：口腔护理的两合一创新

Soocas NEOS II是全球首款将电动牙刷和冲牙器融为一体的2合1口腔护理设备。突破了传统牙刷功能的局限，为消费者带来了全新的健康体验。它采用创新的MultiClean多效清洁技术，结合高频声波震动刷牙与超细0.6mm水流冲洗，有效清除牙齿表面及缝隙中的牙菌斑和食物残渣。凭借全球最小一体化水泵和中空声波马达，NEOS II实现了专业级的深度清洁效果，帮助用户在家中也能轻松达到牙医级的护理标准。设备具备100%牙菌斑去除率，3天内可显著提亮牙齿，同时拥有 30天超长续航、防水设计及环保包装，适合现代快节奏的生活方式。

5. Yaber T2/T2 Plus投影仪：多场景小巧投屏体验Yaber T2/T2 Plus凭借创新的光学技术与高亮度表现，提供出色的画质和沉浸式观影体验。其小巧便携的设计与静音散热技术，适合家庭、商务及户外多场景使用。自动梯形校正与无线投屏功能，带来便捷智能的用户体验。同时其高性价比和全球适配性，使其在市场中具有强大竞争力。

6. PawSwing AutoComb：智能仿生猫咪梳理PawSwing AutoComb是首款全自动猫咪梳理装置，专为满足猫咪的自然梳理需求而设计。它采用仿生技术，模拟猫舌头的独特结构，能够温和高效地去除猫咪身上的浮毛，减少毛球的形成，帮助保持毛发健康亮泽。设备可自动适应不同体型的猫咪，内置智能收集系统将梳理下的毛发集中存储，保持家庭环境整洁。此外，PawSwing AutoComb还配备了智能感应和奖励机制，能够记录猫咪的使用频率，并通过内置零食发放器激励猫咪主动参与，打造轻松愉悦的梳理体验

展会亮点与洞察：全球科技的汇聚

今年的CES展会不仅是创新产品的竞技场，更是全球科技行业的前沿风向标。从增强现实到AI对话，从家居智能化到个性化健康管理，展会呈现出一幅科技与生活深度融合的未来图景。中国企业的强劲表现成为本届展会的重要亮点。不仅参展企业数量大幅增长，其技术实力与全球市场的适配能力也在展会上得到充分展现。中国品牌在展会上多次成为话题焦点，展现出中国科技的全球竞争力。这些产品和解决方案正一步步改变我们的日常体验。未来已来，让我们共同期待科技如何继续塑造更加智能、高效和美好的生活。

随着智能出行市场的爆发式增长，客服场景的复杂性日益凸显，不同地区的服务标准差异、多元文化的沟通壁垒，以及快速响应用户需求的压力，都考验着企业的运营能力。

01 海外市场下，智能代步工具出海的中国品牌企业在客服场景面临的痛点集中在跨区域服务能力、本地化适配和技术支持效率等方面：

01 跨语言与时区的沟通瓶颈 

以电动滑板车为例，根据QY Research报告，北美地区是全球最大的消费市场，欧洲紧随其后。

除了需要覆盖英语、西班牙语、法语等主流语言，小语种（如北欧语言）服务更为稀缺，专职翻译或外包成本高昂。此外，由于时区差异，传统客服模式常常无法提供24小时实时的本地化客服。欧美用户夜间咨询常需等待8-12小时，响应时间过长，用户体验受到影响。

02 复杂技术问题的远程支持难度

智能代步工具涉及电池系统、智能控制、移动应用等多个技术维度。海外用户可能在操作或连接过程中遇到问题，客服团队需要具备较强的技术支持能力，快速诊断并解决问题。

一项用户调研显示：平均一个技术故障需要4-5轮来回沟通才能确认问题本质，导致用户满意度直线下降。特别是在没有本地维修网点的情况下，远程指导用户自查和维修成为一大难题。

02 面对这些挑战，Shulex 的AI数字化员工 Solvea 提供了新解法：

多语言昼夜无休服务 全球消费者获专属客服体验

在传统人工客服模式下，一名成熟客服每天处理约 70 份工单，人工成本较高且难以快速扩容。引入Shulex AI数字员工后，AI 员工每日高效处理 40 份工单，覆盖了大部分高频和重复性任务。特别是在处理多语言工单时，AI 员工能够自动识别客户语言并生成精准回复，无需人工翻译环节，不仅大幅提升了服务效率，还降低了多语种客服的运营成本。

此外，在人工客服非工作时间段，AI 员工接管所有首轮工单处理，第一时间响应客户需求，显著缩短了因时差或节假日造成的响应延迟以及来回沟通的时间成本。

以Shulex服务的一家头部智能短途出行企业为例，通过7×24小时不间断服务，不仅提升了客户满意度，还帮助企业优化了客服资源配置，节省了至少一名成熟客服的人力成本，实现了降本增效的目标，为企业在旺季工单激增时提供了高效且可持续的服务支持。

AI员工接管：释放客服团队新潜力

AI回复解决基础问题，让人工处理更专业的需求

对于智能代步产品出海的企业来说，来自全球用户的海量咨询往往涉及：

· 产品性能（如电动滑板车的续航和爬坡能力）

· 使用指导（如平衡车校准和滑板车折叠方式）

· 物流配送（如国际订单的送达时间及税费）

· 售后服务（如维修流程和保修政策）等问题

传统客服模式中，所有工单均需人工审核和回复，处理效率受到明显限制。AI 员工Solvea 秒级首轮响应，快速解析客户问题，通过精准意图识别和调用企业知识库中的标准答案，实现简单问题即时回复，复杂问题自动转人工。

例如，当客户咨询“电动滑板车的爬坡能力”时：

AI 会先询问客户咨询的具体是哪一款电动滑板车，然后在数秒内生成针对性的专业回复：“XX 型号的电动滑板车支持20度最大爬坡能力，适合日常城市道路使用。”

对于此类明确、标准化的简单问题，AI员工直接回复客户，参与率平均达50%，准确率平均达80%，大幅减少了人工客服的工作负担。

注：

1、AI参与率指AI在总工单量中参与首轮回复处理的份额。

2、AI准确率是指AI客服在处理客户问题或提供解决方案时，回复内容或执行操作的正确率。

场景化智能服务升级

AI助力精细化客户支持

Solvea深入支持更多场景化需求，提供更加精细化和个性化的客户服务。比如：

通过配置物流查询Agent，快速响应客户关于物流状态的所有问询需求。客户仅需输入订单号或简单关键字，AI便能实时获取物流状态，包括当前运输位置、预计送达时间以及异常情况说明等。

针对售后服务中更复杂的场景需求，如损坏部件确认和追问，Solvea支持更多标准化动作的智能配置。

客户描述问题后，AI能够通过追问收集更多细节，如损坏部件的具体部位、型号或问题原因，并根据收集到的信息提供初步解决方案或转交专业人员。通过场景化的AI引导，售后问题的解决率将大幅提升，同时减少人工客服在重复性信息收集中的时间投入。

03 Solvea 正在帮助越来越多的企业打造高效、精准、本地化的客户服务新范式:

• 从单一响应到智能协同AI 负责处理高频、重复性的问题，人工客服则专注于解决更复杂、高价值的用户需求。
• 从零散化到系统化通过整合企业知识库、渠道集成等多维度数据，构建了一个完整的服务体系。
• 从本地化到全球化通过 AI 的多语言支持、时区覆盖和文化适配能力，实现真正的全球化服务。
• 从被动服务到创新升级每次客诉都是产品迭代契机，将客诉数据转化为产品创新的源泉，构建起从用户反馈到产品优化的高效闭环。

通过引入 Solvea，Shulex 服务的一家品牌实现了以下成果：

在竞争日益激烈的市场中，谁能更快地响应用户需求，谁就能赢得先机。当AI化繁为简，人工才能聚焦价值，让每一次服务都精准直达用户需求。

只有真的理解用户需求的客服，才可以更好的解决客户问题！SHULEX升级意图识别能力，采用最领先的AI技术，帮助你准确识别全球多语言 95%以上用户问题！

为什么AI客服总是会遇到牛头不对马嘴的回答？这是因为你的AI客服没有了解到用户咨询的真实目的！

该如何样判断用户咨询的目的到底是什么，从而提供更加准确、有针对性的回复。我们称之为“意图识别”。例如，用户在一句话中，打了招呼、提到账户问题、同时要求退款。这个时候他的目的是什么呢？

通过意图识别的AI客服，可以精准判断该用户需要进行退款！Shulex的AI客服该怎么配置意图呢？

💡意图配置💡意图配置，可以解决识别特定的问题，SHULEX意图识别采用最领先的AI技术，帮助你准确识别全球多语言 95%以上用户问题。

管理意图：基于多年电商行业服务经验，系统为您预装了常见的消费者客诉意图，包括：产品使用、故障排查、发票、付款问题、物流信息问题、购买咨询等20+行业意图，行业经验沉淀，帮助你快速开启使用。

Shulex AI客服机器人-意图配置

• 可以查看各意图的名称/调用次数/所属分类/类型/创建者/配置状态/启用状态

• 类型：意图包含“自定义”和“系统”两种类型。
• 系统意图是内置的，不可编辑&删除，但可以关闭和关键信息的配置
• 配置状态：用于展示该意图是否有做关键信息提取的配置

第一步：新建自定义意图
您可根据下方描述根据指引轻松进行意图建立。

Shulex AI客服机器人-意图管理

• 意图名称：如“优惠政策”
• 意图描述：向AI详细解释这个意图，如 “客户期望有关于折扣/优惠等相关问题”，描述越准确，后续识别准确率越高。建议可以撰写样本案例，如“How can I use code？”
• 样本库：包含正向样本和负向样本，你可以通过excel上传，或添加你认为符合该意图的正向样本。或不符合该意图的负向样本。系统会自动学习这些你上传的示例，更精准的识别意图。
• 索要关键信息：开启后，系统会主动向用户索取下述关键问题，如问询产品名称，订单号等。并且可以设置最多反问几次的限制设置，避免用户方案7例如，当用户没有给到完整信息时，您可以让智能助理进行反问。您可以自定义反问的最大次数，超过最大次数，AI会将会话转人工处理

第二步：意图训练此步骤旨在通过历史对话批量训练意图，符合用户提问习惯，增强意图识别准确性！

点击保持并测试，系统会开始对过去30天最多1000条历史对话进行分析，从中找到符合该意图的对话。你可以选择错误的意图，点击保存。系统将记录到错误样本库，今后不会再出现符合该意图的问题。

第三步：查看历史对话中的意图分布
进入Inbox（收件箱）历史对话中，可以查看每一个对话的意图，如果发现不正确，可以点击修改。修改后，类似对话会被分类到正确的意图中。

经过多次校准修改正确意图后的AI客服机器人，将越来越“聪明”，成为您工作的好助手

最全面Shulex评论分析报告使用指导，欢迎刚了解的小伙伴们跟着动手操作起来！

Part1通过插件创建报告

在亚马逊搜索结果页、榜单页、商品详情页都可快速找到 Shulex 插件的添加按钮来快速创建报告到网页版

Part2 通过网页版创建报告

【方式1】搜索框搜索创建报告

支持搜索品类词、品牌词、单 Asin来快速创建报告到网页版（多 Asin 请移步 2. 创建按钮添加）

【方式2】创建按钮创建报告

 输入报告名称（不是想看的 Asin），选择好对应站点；输入或上传 Asin 文件（输入时多 Asin 要注意格式）

⚡️小贴士：

目前创建报告仅展示近2年评论。

建立报告时需要选择对应的站点，默认为上一次选择的站点

非英文的报告内容产出需要翻译，所用时间略长请耐心等待 

Part3 如何查看分析

⚡️小贴士：

如要进入市场了，但我不懂用户；更不知道她们在想啥

如要打造爆品了，但我不知痛点；更不能够差异化竞争

如要开模上市了，但我不敢备货，更不了解哪种可畅销

用 Shulex 一次看个万把条就是快，看得广阔、从竞争者到各品类；看得立体、从消费者到产品各模块

1. 商品列表

点击分析报告商品最右侧的编辑进入商品列表页，该页面提供当前报告所分析的所有商品信息。可以在商品列表页面进行商品增删，从而更新报告分析范围。

注意：在本页面上，会进行变体折叠，如果你上传的Asin是同一个父Asin下的，则会展示父Asin和变体数量。

翻译功能：界面上翻译字样左侧的复选框，可以翻译各模块为当前设置的系统语言

下载功能：可以下载出当前提取的标签情况，包含提及次数、占比、*说明、*正负向

2.  用户画像和使用场景

以国内客户的画像照搬到海外是不负责任的，跨越语言式的做问卷调研又是不现实的；现在Shulex通过自研算法模型分析当前产品的消费者是谁，在什么时间、地点以及如何使用当前的产品。若有一天你需要备货，用 Shulex 先看看人群、时刻吧；销售不好的对象和季节咱就少备点、减少库存防风险～

消费者画像包括：人物特征、使用时刻、使用地点、行为，数据来自当前报告添加Asin 的所有评论；该模块的 AI 智能模型会先识别出相关的评论再进行抽取。比如：我的孩子每天都会在体育馆跑步时使用 airpods，则将会提取出孩子、每天、健身场所、锻炼；Shulex 专属算法会进行自动汇总统计。

从图表上可以看到各个标签的数量，以0为界的红绿色代表着是用户对此的情感；绿色表示满意、红色表示不满意。点击查看分析可进行下钻，即跳转到该标签详情：趋势图—按月份提及数量、提及商品情况—哪款商品提及该标签较多（也可切换到占比、正向、负向最多的情况）、查看对应原声—消费者真实表达（每句原声都带有 AI 智能标签）

点击深度分析可进入详细分析页面，首先能将看到的是更多关于人物特征、使用时刻、使用地点、行为的标签

可自主切换到表格甚至趋势形态、以便可以在相同的时间点或周期内对比等；发现更多不易察觉的变化。

使用时刻、使用地点、行为支持与当前报告内所涵盖的商品价格、品牌卖家做交叉分析，如利用价格（品牌）与使用地点交叉可获得在何处的价位（品牌）更被讨论、也支持切换到星级或商品数；来更细致分析评分及产品布局情况。

使用场景处会统计提及情况、对该场景进行举例解读（仅作为解释左侧标签的说明，不表示其仅含或全含以下情况）数据来自当前报告添加Asin 的所有评论；该模块的 AI 智能模型会先识别出相关的评论再进行抽取。比如：当我试着用这个耳机听一首歌时，我只能听到乐器的声音，而人声却不在那里。则将会提取出听音乐这个场景，Shulex 专属算法会进行自动汇总统计；不错漏下任何可能的情况。

从图表上可以看到各个标签的数量（目前展示 Top10），占比为该标签数除以在报告中评论中提取出的总标签数；排在 Top10 外的可通过下载按钮下载。（目前最多下载 30 个，小于 30 即按实际数量下载）

点击标签可进行下钻，即跳转到该标签详情：趋势图—按月份提及数量、提及商品情况—哪款商品提及该标签较多（也可切换到占比、正向、负向最多的情况）、查看对应原声—消费者真实表达（每句原声都带有 AI 智能标签）

案例：例如Anker产品经理通过使用场景发现Travel的场景在增多，因此将充电宝研发得更便携；考虑Listing页面设计突出在旅行途中便携的氛围图。

3. 星级监控

洞察出这么多有价值的点却不知道哪个对消费者更重要，自己的直觉和经验往往是碰运气尤其在未知的行业；做市场拼得就是谁能更先满足消费者更关注的点。现在 Shulex 智能从事实中获取并得出占比来结合星级，你可以直接拿到最刚的需求；咱们先设计出其产品占领市场、销量这不也就随之而来了么～

星级影响度是两条坐标轴来分隔而成的四象限组成，横轴是对应的星级评分；纵轴是对应的提及次数（占比）。数据来自当前报告添加Asin 的所有评论，同时该模块的 AI 智能模型会提取出对应标签（消费者关注点）。左上角的象限开始，此为当前报告对应的用户提及最多且评分较低的关注点，左下方的象限是提及不多但评分较低的关注点；以上两个象限都需要密切关注严防出现类似情况而降低评分。右下方的象限是提及较少但评分较高的关注点，右上方的象限是提及较多且评分较高的关注点；以上这两个象限也需要密切关注寻求迭代对应设计来提升评分。

从图表上可以看到各个标签，位置表示其对应的评分和提及情况；红绿色代表着是用户对此的情感、红色表示不满意。当鼠标放置在该关注点上时，即可看到其对应的平均评分和占比（计数）；占比是该关注点除以在其正或负的所有关注点数量。

点击查看分析可进行下钻，即跳转到该标签详情：趋势图—按月份提及数量、提及商品情况—哪款商品提及该标签较多（也可切换到占比、正向、负向最多的情况）、查看对应原声—消费者真实表达（每句原声都带有 AI 智能标签）

案例：例如Anker产品经理通过星级监控发现影响星级和提及高的有贴合度差和低电池容量，因此将耳机研发得更好贴合和大的电池容量；考虑Listing页面设计也突出这两个特点。

4.   产品优劣势

越成熟的品类竞争越是白热化，为了占领更多的市场；不断发生同质化、价格战、瞎改进的情况。看起来他的产品销售得好不能只是外面看看，直接看他的用户对其的真实体验；取其精华并找机会超越。现在 Shulex 有效把成功的原因剥开了给你看，针对性的迭代或避免、爆款不就有迹可循并指日可待了么～

产品体验处会统计提及情况、对该观点进行举例解读（仅作为解释左侧标签的说明，不表示其仅含或全含以下情况）数据来自当前报告添加Asin 的所有评论；该模块的 AI 智能模型会先识别出相关的评论再进行抽取。比如：我使用它只有4个月，但右侧耳塞已损坏；它不能正常工作。则将会提取出耐久性差这个产品体验，Shulex 专属算法会进行自动汇总统计；不错漏下任何可能的情况。

从图表上可以看到各个标签的数量（目前展示 Top10），占比为该标签数除以在报告中评论中提取出的总标签数；排在 Top10 外的可通过下载按钮下载。（目前最多下载 30 个，小于 30 即按实际数量下载）

点击标签可进行下钻，即跳转到该标签详情：趋势图—按月份提及数量、提及商品情况—哪款商品提及该标签较多（也可切换到占比、正向、负向最多的情况）、查看对应原声—消费者真实表达（每句原声都带有 AI 智能标签）

案例：例如Anker产品经理通过产品体验洞察了解到某款耳机产品关注维度中对佩戴贴合与舒适上不满意高，那可以优化该部分的设计；考虑配套尺寸不同的耳塞等来防止高频掉落的不佳体验。

5. 购买动因

大多数用户很乐意分享选到好货的喜悦，想要购买时的真切想法不再是不能知的秘密；得到并持续引导更多用户此购买的冲动。现在 Shulex 实现找准其深层次的驱动力的方法，你只需要不断提供与其匹配的服务

购买动机处会统计提及情况、对该观点进行举例解读（仅作为解释左侧标签的说明，不表示其仅含或全含以下情况）数据来自当前报告添加Asin 的所有评论；该模块的 AI 智能模型会先识别出相关的评论再进行抽取。比如：我对他们很满意，它们很容易设置并立即开始使用；我强烈推荐这些耳机。则将会提取出易于使用这个购买动机，Shulex 专属算法会进行自动汇总统计；不错漏下任何可能的情况。

从图表上可以看到各个标签的数量（目前展示 Top10），占比为该标签数除以在报告中评论中提取出的总标签数；排在 Top10 外的可通过下载按钮下载。（目前最多下载 30 个，小于 30 即按实际数量下载）

点击标签可进行下钻，即跳转到该标签详情：趋势图—按月份提及数量、提及商品情况—哪款商品提及该标签较多（也可切换到占比、正向、负向最多的情况）、查看对应原声—消费者真实表达（每句原声都带有 AI 智能标签）

案例：例如Anker产品经理通过购买动因洞察到某款耳机产品购买动机中对保修服务与充电方式很在意，那可以使用相对应的服务，实行适中有效免费的更换等来推动用户购买的更大动力。

6.  用户预期

当一群用户开始不被满足代表着有新机会，更早洞察出趋势能帮助更优先的布局产品；而往往消费者也会对需求表达的更明确。现在 Shulex 监测代表新兴机会的能力的方式，你只需要抓住趋势落地对应的设计～

用户预期处会统计提及情况、对该观点进行举例解读（仅作为解释左侧标签的说明，不表示其仅含或全含以下情况）数据来自当前报告添加Asin 的所有评论；该模块的 AI 智能模型会先识别出相关的评论再进行抽取。比如：20美元的 jlab 的是伟大的，但这些100美元的我想更好的噪音消除。则将会提取出噪音消除这个用户预期，Shulex 专属算法会进行自动汇总统计；不错漏下任何可能的情况。

从图表上可以看到各个标签的数量（目前展示 Top10），占比为该标签数除以在报告中评论中提取出的总标签数；排在 Top10 外的可通过下载按钮下载。（目前最多下载 30 个，小于 30 即按实际数量下载）

点击标签可进行下钻，即跳转到该标签详情：趋势图—按月份提及数量、提及商品情况—哪款商品提及该标签较多（也可切换到占比、正向、负向最多的情况）、查看对应原声—消费者真实表达（每句原声都带有 AI 智能标签）

案例：例如Anker产品经理通过用户预期洞察到某款耳机产品未被满足需求中对耳机降噪、舒适性的是需要被提升的，那可以针对性做更好提升，实现更快的针对降噪和舒适性迭代等来满足用户的真实需求。

7. 评论原文

亚马逊限制 100 条评论可见，因此你在市面上找不到一款能看到当前 Asin 所有评论的工具

Shulex 支持筛选和搜索、仅看图片，每条评论也有对应 AI 提取的消费者关注点（包括 AI 标签工具生成的）

可在其他筛选中的检索框输入关键词定位含该词的原文（不能搜索标签，标签在洞察模块点击来下钻），支持圈选仅看图片的评论、按星级或时间筛选对应评论。也支持按点赞数量进行倒序和下载当前选好的评论。

Shulex 分析便携空调品类 BSR 前 20 市场销量情况

又到了可以领“高温补贴”的季节，便携空调的需求量随着温度的提升越来越旺盛！商家们纷纷推出各种型号和功能的便携空调，今天我们来看看 BSR 卖得最好的便携式空调，到底好在哪里呢？

Shulex 支持输入 ASIN 一键分析商品评论，生成 AI 消费者洞察报告

Shulex 分析便携空调品类 BSR 前 6 商品

Part1 消费者画像分析

通过 Shulex 分析，我们了解到消费者最常提到的人群特征是“儿子”，同时也提到了女儿丈夫等画像。使用时刻是“夏天/晚上”，使用地点是“房间”，行为多是“睡眠时刻”。通过批量评论生成的消费者画像我们可以了解到大概率是“家长/母亲”为家庭准备该商品。

Part2 使用场景分析

Shulex 支持 AI 分析评论并且总结具体使用场景，且可以深度分析。

我们发现该商品的使用场景被提及最多的是用于房间冷却，提及占比达到了 49.2% 。每个空调都有冷却的效果，那么这一款便携空调具体好在哪里，我们可以继续深度查看。

Shulex 根据消费者评论进行 AI 标签洞察，为我们整理分析提到房间冷却的 4 个合适理由：

1. 冷却卧室 ：许多用户提到用它来冷却他们的卧室，尤其是晚上睡觉时。这允许在不运行整个房子空调的情况下冷却单个房间。

2. 为办公室降温 ： 一些评论讨论了在家庭办公室中使用它来提供超出其中央空调所能提供的冷却，特别是对于产生额外内部热量的办公室。 

3. 补充中央空调 ： 一些人提到用它来补充他们的中央空调，并通过冷却卧室等特定房间来减轻主系统的负荷。 

4. 为备用房间降温 ：至少有一篇评论提到需要将备用房间或辅助生活空间冷却到其主要空调所能达到的范围之外。

通过以上总结我们发现，不论是用于卧室、备用房间、办公室等，其实便携式空调的冷却能力都被用于“补充”存在，它可以节省成本、减轻中央空调负荷、单独使用。

Part3 购买动机分析

大多数消费者对于该款便携空调的购买动机都在于，认为它“物有所值”。那么具体表现在哪里呢？我们深度洞察到：

以下是从评论中总结的“物有所值”标签的 4 个原因： 

1. 实惠的价格：许多评论家提到，与其他品牌或中央空调相比，他们能够以低得多的价格获得这款便携式空调，使其物有所值。 
2. 有效冷却：许多人提到它可以快速有效地冷却房间，使房间比没有空调时明显凉爽。这为所花的钱提供了价值。 
3. 节能：一些人提到他们的能源费用没有增加太多，或者它不是能源消耗者，随着时间的推移可以节省能源。
4. 经久耐用：他们使用超过一年的几个设备运行良好，这表明从长远来看，与经常更换更便宜的设备相比，它可以节省资金。

同时 Shulex 支持您查看消费者评论原声，我们可以进一步论证 AI 结论的严谨性。

Part4 购买动机分析

除了上面提到的，Shulex 还能总结星级影响度、差评点、未被满足的需求……

我们来看看，如果该款产品需要提升，主要关注哪些用户需求呢？根据用户提及希望改进该产品的设计，我们深度了解一下：

1. 排气软管连接：排气软管和空调之间的连接不牢固，软管经常脱落，让热空气回流到房间内。需要更牢固的锁定连接。 
2. 窗户安装套件：窗户安装套件要么不适合标准窗户尺寸，要么密封性不好，让热空气进入房间。需要更好的配件或额外的尺寸。
3. 排水系统：排水系统注水过快或倾斜时溢出水，需要经常清空。需要更大的排水水库或无溢漏设计。
4. 遥控器：遥控器屏幕不带背光，在弱光条件下难以看清和使用。添加背光将提高可用性。

Part 5 总结

该款 BSR 排名第一的便携空调总体上受到了用户的好评，特别是在便携性和制冷效果方面表现突出。通过分析发现，在产品设计上以及耐用性等方面存在不足，需要引起重视。通过一些针对性改进的建议，这款产品有望在市场中获得更高的认可度和更广泛的用户群体

Shulex 将此报告的 10 个重点议题分为 10 次内容为您进行翻译和更新，以下为此次报告的基础介绍及第一章 :研究与发展部分的具体内容！如果您希望尽快学习整篇内容，您可以扫码咨询Shulex小助手领取《2024年人工智能指数报告》（Artificial Intelligence Index Report 2024）英文版原版PDF文件，谢谢！

2024年AI指数报告介绍

欢迎来到第七版AI指数报告。2024年指数是我们迄今为止最全面的指数，在AI对社会的影响从未如此明显的重要时刻到来。今年，我们扩大了研究范围，更广泛地涵盖了AI的技术进步、公众对该技术的看法以及围绕其发展的地缘政治动态等基本趋势。该版本提供了比以往更多的原始数据，介绍了对AI培训成本的新估计，对负责任的AI前景的详细分析，以及专门介绍AI对科学和医学影响的全新章节。AI指数报告跟踪、整理、提炼和可视化与人工智能(AI)相关的数据。

我们的使命是提供公正、严格审查、来源广泛的数据，以便政策制定者、研究人员、高管、记者和公众对复杂的AI领域有更全面、更细致的了解。AI指数是全球公认的最可信、最权威的人工智能数据和见解来源之一。之前的版本曾被《纽约时报》、《彭博社》、《卫报》等主要报纸引用，积累了数百次学术引用，并被美国、英国、欧盟等地的高层决策者引用。今年的版本在规模、规模和范围上都超过了以往的所有版本，反映了AI在我们生活中越来越重要。

联合致辞：

十年前，世界上最好的AI系统还无法像人类一样对图像中的物体进行分类。AI难以理解语言，也无法解决数学问题。如今，AI系统在标准基准上的表现经常超过人类。2023年，这一进程加速。像GPT-4、Gemini和Claude 3这样最先进的新系统是令人印象深刻的多模态:它们可以生成数十种语言的流畅文本，处理音频，甚至解释模因。随着AI的进步，它越来越多地进入我们的生活。公司正在竞相开发基于人工智能的产品，AI越来越多地被公众使用。但目前的AI技术仍然存在重大问题。它不能可靠地处理事实，执行复杂的推理，或者解释它的结论。AI面临两个相互关联的未来。

首先，技术不断改进并被越来越多地使用，对生产力和就业产生重大影响。它可以有好的用途，也可以有坏的用途。在第二个未来，AI的采用受到技术局限性的限制。无论未来如何展开，各国政府都越来越关注。他们正在介入以鼓励有利的一面，例如资助大学研发和激励私人投资。政府也致力于管理潜在的负面影响，例如对就业、隐私问题、错误信息和知识产权的影响。随着AI的迅速发展，AI指数旨在帮助AI社区、政策制定者、商业领袖、记者和公众应对这一复杂的局面。它提供了持续、客观的快照，跟踪几个关键领域:AI能力的技术进步，推动AI开发和部署的社区和投资，对当前和潜在未来影响的公众舆论，以及为刺激AI创新而采取的政策措施，同时管理其风险和挑战。

通过全面监测AI生态系统，该指数是了解这一变革性技术力量的重要资源。在技术方面，今年的AI指数报告称，2023年全球发布的新型大型语言模型的数量比前一年翻了一番。其中三分之二是开源的，但表现最好的模型来自拥有封闭系统的行业参与者。

Gemini Ultra成为第一个在大规模多任务语言理解(MMLU)基准上达到人类水平的LLM;自去年以来，在基准测试上的性能提升了15个百分点。此外，GPT-4在语言模型综合整体评估(HELM)基准上取得了令人印象深刻的0.96平均胜率得分，其中包括MMLU和其他评估。虽然全球对AI的私人投资连续第二年减少，但对生成式AI的投资却飙升。财富500强公司的财报电话会议中提到AI的次数比以往任何时候都多，新的研究表明，AI确实提高了员工的生产率。在政策制定方面，全球立法程序中对AI的提及从未如此之高。美国监管机构在2023年通过的人工智能相关法规比以往任何时候都多。

尽管如此，许多人对AI制造深度造假和影响选举的能力表示担忧。公众对AI的意识越来越强，研究表明，他们的反应是紧张。Ray Perrault and Jack ClarkCo-directors, AI Index

十大启示：

1. A人工智能在某些任务上胜过人类，但并非在所有任务上。在一些基准测试中，人工智能的表现已经超过了人类，包括在图像分类、视觉推理和英语理解方面。然而，在竞赛级数学、视觉常识推理和规划等更复杂的任务上，人工智能却落后于人类。 

2. 工业界继续主导人工智能前沿研究。2023 年，产业界产生了 51 个著名的机器学习模型，而学术界只贡献了 15 个。2023 年，产学合作还产生了 21 个著名模型，创下新高。2023年，工业界产生了51个值得注意的机器学习模型，而学术界仅贡献了15个。 

3. 前沿模型越来越昂贵。据 AI Index 估计，最先进的人工智能模型的训练成本已经达到了前所未有的水平。例如，OpenAI 的 GPT-4 估计使用了价值 7800 万美元的计算资源进行训练，而谷歌的 Gemini Ultra 则耗费了 1.91 亿美元的计算资源。 根据AI指数的估计，最先进的AI模型的培训成本已经达到了前所未有的水平。 

4. 美国领先于中国、欧盟和英国，成为顶级人工智能模型的主要来源国。2023 年，61 个著名的人工智能模型源自美国的机构，远远超过欧盟的 21 个和中国的 15 个。2023年，61个著名的AI模型来自美国的机构，远远超过欧盟的21个和中国的15个。

5.目前严重缺乏对 LLM 责任的可靠和标准化评估。 包括 OpenAI、谷歌和 Anthropic 在内的领先开发者主要根据不同的责任人工智能基准来测试自己的模型。这种做法使得系统地比较顶级人工智能模型的风险和局限性的工作变得更加复杂。  

 6.  生成式人工智能投资激增。尽管去年整体人工智能私人投资有所下降，但用于生成式人工智能的资金却激增，比2022年增长了近八倍，达到252亿美元。生成式人工智能领域的主要参与者，包括 OpenAI、Anthropic、Hugging Face 和 Inflection，都报告了一轮可观的融资。生成式AI领域的主要参与者，包括OpenAI、Anthropic、hugs Face和Inflection，都报告了大量融资。

7. 数据显示人工智能让工人更有生产力，工作质量更高。2023 年，几项研究评估了人工智能对劳动力的影响，表明人工智能使工人能够更快地完成任务，并提高产出质量。这些研究还表明，人工智能有可能缩小低技能和高技能工人之间的技能差距。不过，其他研究也提醒说，在没有适当监督的情况下使用人工智能可能会导致绩效下降。

 8.  得益于人工智能，科学进步进一步加速。2022 年，人工智能开始推动科学发现。然而，2023 年，与科学相关的更重要的人工智能应用相继问世–从提高算法排序效率的 AlphaDev，到促进材料发现过程的 GNoME。 然而，2023年，我们看到了更重要的与科学相关的AI应用程序的推出——从提高算法排序效率的AlphaDev，到促进材料发现过程的GNoME。

9.  美国人工智能法规数量急剧增加。美国人工智能相关法规的数量在过去一年和过去五年中大幅增加。2023 年，人工智能相关法规将从 2016 年的 1 项增加到 25 项。仅去年一年，人工智能相关法规的总数就增长了 56.3%。到2023年，有25项人工智能相关法规，而2016年只有一项。 

10. 益普索的一项调查显示，在过去的一年里，认为AI将在未来三到五年内极大地影响他们生活的人的比例从60%上升到66%。此外，52%的人对AI产品和服务表示紧张，比2022年上升了13个百分点。在美国，皮尤研究中心的数据显示，52%的美国人对AI感到担忧甚于兴奋，而2022年这一比例为37%。以下为报告相关贡献者及组织：（此处不做翻译）

本篇内容主要为您分享，第一章：研究与发展！

第 一 章 :研究与发展

概述

本章研究了AI研究与发展的趋势。它首先检查趋势出版物和专利，然后检查著名的AI系统和基础模型的趋势。最后分析了AI会议出席情况和开源AI软件项目。

第 一 章 :研究与发展

1. 工业界继续主导前沿人工智能研究

2023年，工业界产生了51 个值得注意的机器学习模型，而学术界只贡献了15个。2023年产学合作产生的值得注意的模型也有21个，再创新高。

2. 更多的基金会模型和更开放的基金会模型。

2023年，共有149个基金会发布了款型，比2022年发布的数量增加了一倍多。在这些新发布的机型中，开源机型占65.7%，而2022年和2021年这一比例分别仅为44.4%和33.3%。

3. 前沿机型的价格要贵得多。

根据人工智能指数的估计，最先进的人工智能模型的培训成本已经达到了前所未有的水平。例如，OpenAI的GPT-4使用了价值约7800万美元的计算进行训练，而谷歌的Gemini Ultra则花费了1.91亿美元的计算成本。

4. 美国领先中国、欧盟和英国，成为顶级人工智能模型的主要来源。

2023年，61个著名的人工智能模型来自美国的机构，远远超过欧盟的21个和中国的15个。

5. 人工智能专利数量激增。

从2021年到2022年，全球人工智能专利授权大幅增长62.7%。自2010年以来，获得授权的人工智能专利数量增长了31倍以上。

6. 中国主导着人工智能专利。

2022年，中国以61.1%的比例领先全球人工智能专利起源，显著超过美国的20.9%。自2010年以来，美国在人工智能专利中的份额从54.1%下降。

7. 开源人工智能研究爆发。 

自2011年以来，GitHub上的人工智能相关项目数量持续增长，从2011年的845个增长到2023年的180万个。值得注意的是，仅在2023年，GitHub人工智能项目总数就急剧增长了59.3%。GitHub上人工智能相关项目的星级总数在2023年也大幅增加，从2022年的400万增加到1220万，增加了两倍多。

8. 人工智能出版物的数量持续上升。

2010年至2022年间，人工智能出版物的总数几乎增加了两倍，从2010年的约8.8万篇增加到2022年的24万多篇。与去年相比，这一增幅仅为1.1%。

part1 1.1 出版物

概 述

以下数字显示了2010年至2022年全球英语和中文人工智能出版物的数量，按隶属关系类型和跨部门合作分类。此外，本节还详细介绍了人工智能期刊文章和会议论文的出版数据。

人工智能出版物总数

图1.1.1显示了人工智能出版物的全局计数。2010年至2022年间，人工智能出版物的总数几乎增加了两倍，从2010年的约8.8万篇增加到2022年的24万多篇。与去年相比，这一增幅仅为1.1%

按出版类型划分

图1.1.2显示了全球AI发布类型随时间的分布情况。2022年，大约有23万篇AI期刊文章，而大约有4.2万篇会议论文。自2015年以来，ai期刊和会议出版物以可比的速度增长。2022年，会议出版物和期刊出版物的数量分别是2015年的2.6倍和2.4倍。

按研究领域划分

图1.1.3显示了自2010年以来按研究领域划分的AI出版物总数。机器学习出版物在过去十年中增长最快，自2015年以来增长了近7倍。继机器学习之后，2022年发表最多的AI领域是计算机视觉(21,309篇)、模式识别(19,841篇)和流程管理(12,052篇)。

部门本节介绍了AI出版物在全球范围内的分布情况，包括教育、政府、行业、非营利组织和其他部门，以及具体在美国、中国、欧洲联盟加联合王国的分布情况。2022年，学术部门贡献了大部分人工智能出版物(81.1%)，在过去十年中保持了其在所有地区AI研究全球领先来源的地位(图1.1.4和图1.1.5)。工业参与在美国最为显著，其次是欧洲联盟加联合王国和中国(图1.1.5)。

AI期刊图1.1.6显示了2010 – 2022年AI期刊发表总数。从2010年到2015年，AI期刊出版物的数量略有增长，但自2015年以来增长了约2.4倍。在2021年至2022年期间，AI期刊出版物增长了4.5%。

AI会议出版物

图1.1.7显示了自2010年以来AI会议出版物的总数。在过去的两年里，AI会议出版物的数量有了显著的增长，从2020年的22727篇上升到2021年的31629篇，到2022年达到41174篇。仅去年一年，AI会议出版物就增加了30.2%。自2010年以来，AI会议出版物的数量增加了一倍多。

part2

本节研究了全球AI专利的长期趋势，这可以揭示AI创新、研究和开发演变的重要见解。此外，分析AI专利可以揭示这些进步是如何在全球分布的。与出版物数据类似，AI专利数据的可用性也有明显的延迟，2022年是可访问数据的最近一年。本节数据来自CSET。

1.2 专利

AI专利

概述：

图1.2.1考察了2010年至2022年全球AI专利授权的增长情况。在过去十年中，AI专利数量显著增加，近年来增长尤为迅猛。例如，2010年至2014年间，AI专利授权总量增长了56.1%。然而，仅从2021年到2022年，AI专利数量就增长了62.7%。

按归档状态和地区划分

以下部分按AI专利的申请状态(是否授予)以及其发表的地区进行了分类。图1.2.2按申请状态对全球AI专利进行比较。2022年，未授权的AI专利数量(128952件)是授权数量(62264件)的两倍多。随着时间的推移，AI专利审批的格局发生了显著变化。直到2015年，申请的AI专利中获得授权的比例更大。然而，从那以后，大多数AI专利申请都没有获得批准，差距显著扩大。例如，2015年，42.2%的AI专利申请未获批准。到2022年，这一数字已上升至67.4%。

在包括中国、欧盟和英国以及美国在内的所有主要专利起源地理区域，授权和未授权AI专利之间的差距都很明显(图1.2.3)。近年来，这三个地理区域的AI专利申请总数和专利授权数量都有所增加。

图1.2.4展示了授权AI专利的区域细分。截至2022年，世界上大部分已授予的AI专利(75.2%)来自东亚和太平洋地区，北美是第二大贡献者，占21.2%。截至2011年，北美在全球AI专利数量方面处于领先地位。然而，从那时起，发生了重大转变，来自东亚和太平洋地区的AI专利比例不断增加。

按地理区域划分，世界上大多数授予的AI专利来自中国(61.1%)和美国(20.9%)(图1.2.5)。来自美国的AI专利份额从2010年的54.1%下降。

图1.2.6和图1.2.7显示了哪些国家在人均AI专利方面领先。2022年，每10万居民中获得AI专利最多的国家是韩国(10.3)，其次是卢森堡(8.8)和美国(4.2)。(图)相对于1.2.6。图1.2.7显示了2012年至2022年人均AI专利授权的变化。在此期间，新加坡、韩国和中国的人均AI专利申请量增幅最大。

2012年 与 2022年各国每 10万居民获批人工智能专利的百分比变化

part3

本节探讨AI研究的前沿。虽然每年都会推出许多新的AI模型，但只有一小部分样本代表了最先进的研究。诚然，什么是先进或前沿研究多少有些主观。前沿研究可以反映一个模型在基准上发布一个新的最先进的结果，引入一个有意义的新架构，或者行使一些令人印象深刻的新功能。

人工智能指数研究两类前沿人工智能模型的趋势:“显著模型”和基础模型人工智能指数数据提供商Epoch使用“著名的机器学习模型”一词来指定精心挑选的在人工智能/机器学习生态系统中特别有影响力的值得注意的模型。相比之下，基础模型是在大量数据集上训练的非常大的人工智能模型，能够执行大量的下游任务。基础模型的例子包括GPT-4、Claude 3和Gemini。虽然很多粉底模特可能有资格成为知名模特，但并非所有知名模特都是粉底模特。

在本节中，人工智能指数从不同的角度探讨了著名模型和基础模型的趋势，包括原始组织、原产国、参数计数和计算使用情况。分析最后对机器学习培训成本进行了考察。

1.3 前 沿 人 工 智 能 研 究

通用机器学习模型

概述

Epoch人工智能是一组致力于研究和预测先进人工智能进化的研究人员。他们维护着一个自20世纪50年代以来发布的人工智能和机器学习模型数据库，根据最先进的技术进步、历史意义或高引用率等标准选择条目。通过分析这些模型，可以全面概述近年来和过去几十年机器学习领域的演变数据集中可能缺少一些模型;然而，数据集可以相对地揭示趋势。

行 业 分 析

直到2014年，学术界主导了机器学习模型的发布。从那以后，工业界就走在了前面。2023年，工业界产生了51个值得注意的机器学习模型，而学术界只有15个(图1.3.1)。值得注意的是，2023年有21个值得注意的模型是由行业/学术合作产生的，创历史新高。创建尖端的人工智能模型现在需要大量的数据、计算能力和财政资源，而这些在学术界是无法获得的。在去年的人工智能指数报告中，首次强调了这种向领先人工智能模型增加行业主导地位的转变。尽管今年差距略有缩小，但这一趋势在很大程度上仍然存在。

国家关系

为了说明不断变化的人工智能地缘政治格局，人工智能指数研究团队分析了著名模型的原产国。图1.3.2显示了归因于研究人员附属机构位置的显著机器学习模型的总数2023年，美国以61个著名机器学习模型领跑，中国以15个紧随其后，法国以8个紧随其后。自2019年以来，欧盟和英国生产的著名人工智能模型数量首次超过中国(图1.3.3)。自2003年以来，美国比英国、中国和加拿大等其他主要地理区域生产了更多的模型(图1.3.4)。

2003-23年按地理区域划分的著名机器学习模型数量 (sum)参数的趋势

机器学习模型中的参数是在训练过程中学习到的数值，它决定了模型如何解释输入数据并进行预测。在更多数据上训练的模型通常会比在更少数据上训练的模型有更多的参数。同样，具有更多参数的模型通常优于具有更少参数的模型。图1.3.5展示了Epoch数据集中机器学习模型的参数计数，按模型起源的部门进行分类。自2010年代初以来，参数数量急剧上升，反映了AI模型设计任务的日益复杂、数据的可用性、硬件的改进以及更大模型的有效性。高参数模型在工业领域尤其引人注目，这凸显了OpenAI、Anthropic和Google等公司承担海量数据训练的计算成本的能力。

计算趋势

AI模型中的术语“计算”是指训练和操作机器学习模型所需的计算资源。一般是指模型的复杂程度和训练数据集的大小直接影响所需的计算量。模型越复杂，底层训练数据越大，训练所需的计算量就越大。图1.3.6可视化了过去20年著名机器学习模型所需的训练计算量。最近，著名的AI模型的计算使用量呈指数级增长这一趋势在过去五年中尤为明显。计算需求的快速增长具有至关重要的意义。例如，需要更多计算的模型通常具有更大的环境足迹，公司通常比学术机构拥有更多的计算资源。

图1.3.7突出显示了2012年以来著名机器学习模型的训练计算。例如,AlexNet是推广使用gpu改进AI模型的标准做法的论文之一，该论文估计需要470千万亿次浮点运算来进行训练。最初的Transformer于2017年发布，需要大约7400千万亿次浮点运算。谷歌的Gemini Ultra是目前最先进的基础模型之一，需要500亿次千万亿次浮点运算。

亮 点 :

模型会耗尽数据吗 ?

如上所示，最近很大一部分算法进步，包括强大的llm背后的进步，都是通过在越来越大的数据量上训练模型来实现的。正如Anthropic联合创始人兼AI指数指导委员会成员杰克·克拉克(Jack Clark)最近指出的那样，基金会模型已经在互联网上存在的所有数据中进行了有意义的训练。AI模型对数据的依赖性越来越大，这引发了人们的担忧，即未来几代计算机科学家将耗尽数据，无法进一步扩展和改进他们的系统。Epoch的研究表明，这些担忧在某种程度上是有道理的。

Epoch的研究人员已经对AI研究人员可能会在何时耗尽数据进行了历史和基于计算的预测。历史预测是基于观察到的用于训练基础模型的数据规模的增长率。计算预测根据计算可用性的预测来调整历史增长率。例如，研究人员估计，到2024年，计算机科学家可能会耗尽高质量语言数据的库存，在20年内耗尽低质量语言数据，并在2030年代末至2040年代中期耗尽图像数据(图1.3.8)。从理论上讲，数据可用性有限的挑战可以通过使用合成来解决类型对ML数据耗尽的预测:中位数和90% CI日期来源:Epoch, 2023 |表:2024 AIIndex报告

数据，这是AI模型本身产生的数据。例如，可以使用一个LLM生成的文本来训练另一个LLM。使用合成数据训练AI系统特别有吸引力，不仅因为它是潜在数据耗尽的解决方案，而且因为生成式AI系统原则上可以在自然发生的数据稀少的情况下生成数据，例如，罕见疾病或代表性不足的人口的数据。直到最近，使用合成数据训练生成式AI系统的可行性和有效性还没有得到很好的理解。然而，今年的研究表明，在合成数据上训练模型存在局限性。例如，一个由英国和加拿大研究人员组成的团队发现，模型主要是在合成数据经验模型上训练的崩溃，一种现象，随着时间的推移，他们失去了记住真实底层数据分布的能力，并开始产生一个狭窄的输出。

图1.3.9展示了变分自编码器(VAE)模型的模型崩溃过程，变分自编码器是一种广泛使用的生成式AI架构。随着后续每一代的训练额外的合成数据，模型产生的输出越来越有限。如图1.3.10所示，从统计学角度来看，随着合成代数的增加，分布的尾部消失，代密度向均值偏移这种模式意味着，随着时间的推移，主要在合成数据上训练的模型的世代变化越来越小，分布也不那么广泛。作者证明，这种现象发生在各种模型类型中，包括高斯混合模型和法学硕士。这项研究强调了人工生成数据对训练有能力的法学硕士的持续重要性，这些数据可以产生各种各样的内容。

在2023年发表的类似研究中使用对于生成成像模型中的合成数据，研究人员发现，仅在合成数据周期上训练的生成图像模型——或者在真实人类数据不足的情况下训练的生成图像模型，输出质量会显著下降。作者将这种现象标记为模型自噬障碍(MAD)，参考疯牛病。该研究检查了两种类型的训练过程:完全合成，即模型完全根据合成数据进行训练，以及合成增强，其中，模型在合成数据和真实数据的混合上进行训练。在这两种场景中，随着训练代数的增加，图1.3.1生成的图像下降。

图1.3.11突出显示了使用合成数据增强的模型的退化图像世代;例如，第7步和第9步生成的人脸越来越多地显示出奇怪的hash标记。来自统计数据合成数据和合成增强循环生成的图像具有较高的FID分数(表明与真实图像的相似性较低)，较低的精度分数(表明真实感或质量降低)和较低的召回分数(表明多样性降低)(图1.3.12)。而合成增强循环，其中包含了一些真实的数据显示出比完全合成环路更少的退化，但随着进一步的训练，这两种方法的收益都会递减。

基础模型

基础模型代表了一个快速发展和流行的AI模型类别。它们在庞大的数据集上训练，用途广泛，适用于众多下游应用。诸如GPT-4、Claude 3和羊驼2等基础模型展示了非凡的能力，并且越来越多地部署在现实场景中。生态系统图于2023年推出，是斯坦福大学的一个新的社区资源，用于跟踪基础模型生态系统，包括数据集、模型和应用程序。本节使用来自生态系统图的数据来研究基础模型随时间的趋势

Model Release

基础模型可以通过不同的方式访问。无访问模型，比如谷歌的PaLM-E，只有开发者可以访问。有限访问模型，如OpenAI的GPT-4，通常通过公共API提供对模型的有限访问。开放模型，如Meta的羊驼2，完全释放模型的重量，这意味着模型可以修改和自由使用。图1.3.13可视化了2019年以来按接入类型划分的基础模型总数。近年来，基础模型数量急剧上升，自2022年以来增长了一倍多，自2019年以来增长了近38倍。在2023年发布的149款基础款中，98款是开放的，23款是受限的，28款是不可访问的。

2023年，大多数基础模型都是开放获取的(65.8%)，18.8%的模型没有访问权限，15.4%的模型有限制访问权限(图1.3.14)。从2021年开始，以开放获取方式发布的模型比例有了明显的提升。

人事关系

图1.3.15绘制了自2019年以来基金会模型的起源部门。2023年，大部分基础模型(72.5%）来源于工业。2023年只有18.8%的基础模型来源于学术界。自2019年以来，越来越多的基础模型来自工业界。

图1.3.16突出显示了2023年发布的各种基础模型的来源 。Google推出的模型最多 (18个 )，其次是 Meta(11图1.3.16突出显示了2023年发布的各种基础模型的来源。Google推出的模型最多(18个)，其次是Meta(11个)和微软(9个)。2023年发布最多基础模型的学术机构是加州大学伯克利分校(3个)。

2019年以来，Google发布的基础模型最多，共40个，其次是OpenAI, 20个(图1.3.17)。清华大学在非西方机构中脱颖而出，发布了7个基础模型，而斯坦福大学则是美国领先的学术机构，发布了5个。

国家关系

鉴于基础模型在前沿AI研究中具有相当的代表性，从地缘政治的角度来看，了解它们的国家归属是很重要的。图1.3.18、1.3.19和1.3.20可视化了各种基础模型的国家隶属关系。与本章前面提出的值得注意的模型分析一样，如果为该模型作出贡献的研究人员隶属于总部设在该国的机构，则该模型被视为隶属于该国。2023年，世界上大部分的基础模型都来自美国(109个)，其次是中国(20个)和英国(图1.3.18)。自2019年以来，美国一直领先于大多数基础模型的起源(图1.3.19)。

图1.3.20描绘了自2019年以来发布并归属于各自国家的基础模型的累计计数。2019年以来发布的基础模型数量最多的国家是美国(182个)，其次是中国(30个)和英国(21个)。

训练费用

在关于基础模型的讨论中，一个突出的话题是它们的推测成本。虽然AI公司很少披露训练模型所涉及的费用，但人们普遍认为，这些成本高达数百万美元，而且还在上升。例如，OpenAI的首席执行官萨姆·奥特曼(Sam Altman)提到，GPT-4的培训成本超过1亿美元。培训费用的上涨实际上排除了传统的AI研究中心大学开发自己的前沿基础模型的可能性。作为回应，政策倡议，如拜登总统关于AI的行政命令，试图通过创建国家AI，在产业界和学术界之间创造公平的竞争环境研究资源，这将为非工业参与者提供进行更高级别人工智能研究所需的计算和数据。

了解训练AI模型的成本很重要，但关于这些成本的详细信息仍然很少。在去年的出版物中，人工智能指数是首批提供基础模型培训成本估算的机构之一。今年，人工智能指数与AI研究机构Epoch AI合作，大幅提高和巩固其AI培训成本估算的稳健性为了估算尖端模型的成本，Epoch团队利用与模型相关的出版物、新闻稿或技术报告中的信息，分析了训练持续时间，以及训练硬件的类型、数量和利用率图1.3.21显示了基于云计算租赁价格的与选定AI模型相关的估计培训成本。人工智能指数的估计证实了近年来模型培训成本显著增加的怀疑。例如，2017年，最初的Transformer模型引入了支撑几乎所有现代LLM的架构，其培训成本约为900美元112019年发布的RoBERTa Large在SQuAD和GLUE等许多规范理解基准上取得了最先进的结果，其训练成本约为16万美元。时间快进到2023年，OpenAI的GPT-4和谷歌的Gemini Ultra的培训成本估计分别在7800万美元和1.91亿美元左右。

图1.3.22可视化了AI指数估算的所有AI模型的训练成本。如图所示，随着时间的推移，模型训练成本急剧增加。

正如之前的AI指数报告所述，AI模型的训练成本与其计算需求之间存在直接关联。如图1.3.23所示，具有更大计算训练需求的模型的训练成本要高得多。

part4AI会议是研究人员展示他们的发现并与同行和合作者建立联系的重要平台。在过去的二十年里，这些会议在规模、数量和声望上都有所扩大。本节探讨出席主要AI会议的趋势。

1.4 AI会议

参加会议

图1.4.1自2010年以来AI会议的出席情况。AI指数报告称，在出席率下降(可能是由于转向完全面对面的形式)之后，从2022年到2023.12年，会议出席率有所增加，具体而言，去年总出席率增长了6.7%。自2015年以来，每年的与会者人数增加了约5万人，这不仅反映了人们对AI研究的兴趣日益浓厚，也反映了新的AI会议的出现。

神经信息处理系统(NeurIPS)仍然是参加人数最多的AI会议之一，在2023年吸引了大约16,380名参与者(图1.4.2和图1.4.3)。在主要的人工智能会议中，NeurIPS、ICML、ICCV和AAAI的出席人数逐年增加。然而，在过去的一年里，CVPR、ICRA、ICLR和IROS的出席人数略有下降。

part5GitHub是一个基于web的平台，使个人和团队能够托管，审查和协作代码库。GitHub被软件开发人员广泛使用，有助于代码管理、项目协作和开源软件支持。本节利用来自GitHub的数据，提供了对学术出版数据中未反映的开源人工智能软件开发的更广泛趋势的见解。

1.5 开源人工智能软件

GitHub项目由一组文件组成，包括源代码、文档、配置文件和图像，这些文件共同构成了一个软件项目。图1.5.1显示了github 人工智能项目随时间变化的总数。自2011年以来，与人工智能相关的GitHub项目数量持续增长，从2011年的845个增长到2023年的180万个。值得注意的是，仅去年一年，GitHub人工智能项目总数就急剧增长了59.3%。

图1.5.2报告了2011年以来按地理区域划分的GitHub人工智能项目。截至2023年，GitHub人工智能项目的很大一部分位于美国，占贡献的22.9%。印度是第二大贡献者，占19.0%，紧随其后的是欧洲联盟和英国，占17.9%。值得注意的是，自2016年以来，美国开发者在GitHub上的人工智能项目比例一直在稳步下降。

明星

GitHub用户可以通过“点赞”来表达他们对某个存储库的兴趣，这一功能类似于在社交媒体上给帖子点赞，表示对开源项目的支持。其中最受欢迎的库是TensorFlow、OpenCV、Keras和PyTorch等库，它们在人工智能编码社区的软件开发人员中广受欢迎。例如，TensorFlow是一个用于构建和部署机器学习模型的流行库。OpenCV是一个为计算机视觉提供各种工具的平台，例如对象检测和特征提取。GitHub上人工智能相关项目的星级总数在去年大幅增加，从2022年的400万增加到2023年的1220万，增加了两倍多(图1.5.3)。GitHub明星数量的急剧增加，以及此前报道的项目数量的增加，突显了开源人工智能软件开发的加速增长。

2023年，美国是获得GitHub星级最多的国家，共计1050万颗(图1.5.4)。包括欧盟和英国、中国和印度在内的所有主要地理区域，授予其所在国家的项目的GitHub星级总数都在逐年增加。

这一突破性升级，通过亚马逊和社媒VOC的结合，旨在为赋能商业决策，让您在瞬息万变的市场环境中始终保持领先地位。

PART 1  高效洞察，一次搜索洞察多个主流平台最新舆情

SHULEX VOC 将深度覆盖海外主流社交媒体及各类网站信息，实时监控全球市场的细微变化。透视海外市场脉搏，洞悉消费者舆情.

如图所示案例：我们使用 SHULEX VOC  搜索：安克充电宝（anker charger）。会发现，在搜索当日，#安克充电宝 这一关键词在Tiktok， Facebook、Twitter、Youtube、 以及新闻报道中总计出现了 1429 次。搜索结果中的社媒声音可以查看、分享、下载以及深入分析。

社媒洞察能力概念演示，产品具体能力以实际交付为准

同时，AI自动挖掘社媒热点场景和话题趋势，消费者舆情。

下图展示内容为：同样以安克充电宝为概念展示，我们可以第一时间在社媒上看到该关键词的帖子数、评论、评论、转发量、正面/负面观点，了解指定品牌内容的传播以及互动量变化情况。

PART 2 持续监控，AI机器人识别负面舆情并通知

AI机器人，持续监控该品牌或关键词相关的社媒内容，自动判定内容的情感，监测出负面舆情，并推送邮件等提醒。实现负面舆情的即时发现与预警，助力您快速响应，优化市场推广活动，有效提升品牌形象。

社媒洞察能力概念演示，产品具体能力以实际交付为准

PART 3 精准分析，掌握目标市场人群用户需求

依托Shulex 2年来的AI技术，自动提炼潜在市场人群的产品体验以及未被满足需求，生成精准的用户画像，锁定运营推广人群，挖掘用户需求，改进产品优化方向和体验，在激烈的市场竞争中占得上风。

见下图：我们可以了解关键词洞察出的潜在用户画像，通过分析该关键词在社媒上高频提及的使用场景，可以精准聚焦到相应使用场景下用户的好差评，帮助您挖掘用户的痛点、需求，领先对手洞察出市场优势机会！

PART 4 监控竞对市场推广舆情

竞对监控，可以让您清晰洞察竞争对手的市场营销动作，了解用户评价，洞察用户需求求，在激烈的市场竞争中占得上风。

Shulex 社媒洞察的补充为您增加了更多渠道对您品牌、产品、产品使用场景、 竞品等相关联内容的观测及深度洞察。辅助您更好赢得市场机会！

社媒VOC 即将推向市场，我们诚挚邀请您加入 100位客户内测计划。

我们为参与内测的客户提供：

1. 提前试用Shulex社媒能力

2. 正式产品付费享受至少9折优惠

3. 您的想法和建议将被产品团队优先纳入需求池进行研发！

大家好，我是一个小白，没有做过亚马逊，但是现在想要入手，从朋友那了解到 Shulex 是基于 AI 的能力帮我打造新产品、选品和了解市场，于是我简单用了一下，看看 ta 到底能帮我做什么！

【使用产品】：Shulex VOC「产品属性分析」、「消费者洞察」

【研究产品】：家用电脑桌

我随机找了一个 BSR 榜单（最佳销售榜），选择了“家用电脑桌”这个品类

Prat1 看市场

作为一个小白，我并不太清楚这个产品的市场大概是什么样的。

于是我在 Shulex【产品属性分析】中建立了一个 BSR 榜单报告，我了解到：

1. 通过 100 个 ASIN 的分析，可以看到该品类 100 个 asin 的 30 天销量在 24 万美元左右，同时商品的均价在 103 美元。
2. 仅仅 100 个 ASIN 中，就涵盖了 48 个品牌的商品，足以可见，这个市场的竞争力还是很大的！
3. 该品类的市场销量趋势整体是呈现向上的趋势，虽然在 12 月到 2 月期间去年的销量要超过今年的销量，但是 3 月已经转好。

总结：想要在家用电脑桌这个品类上发力，会遇到很多的竞争对手，不过整个市场的份额都在逐步提升，也给了更多人入场的机会。怎么样切入一个细分的市场，很关键！

Part2 找标杆

我想先从学习别人开始，想看看什么产品卖得好，为什么卖得好。

在上面说的【产品属性分析】报告中，我可以找到「热销榜单」，我发现：

1. 热销排名第 1 这个商品，确实卖得好，销量增加了 237%，这肯定是做了什么不得了的事情！再一看，这个商品的上架时间比较短，销量激增也是情有可原。
2. 第 3 这个商品，已经卖了这么多年了还能有 111%的增长，并且他也是当前周期买的最好的商品！我要看看 ta 到底是为什么卖的好！

于是，我用第 3 这个商品的 ASIN 创建了一个【消费者洞察】报告，都说 Shulex VOC 可以通过“消费者原声”帮助卖家了解自己的产品 看看这个家用办公桌到底为什么卖的这么好！

Part3 学标杆

总结说在前面：

足够大的空间支持多台设备放置、可以节省空间、容易组装且价廉物美是这个办公桌被选择的主要原因。

如果要做一个更优秀的办公桌，可以在原材料质量提升、增加桌下空间、增加桌上桌等方式来升级迭代！

通过 Shulex 基于消费者原声分析的报告，首先可以看到基础的「消费者画像」，这款桌子多是父母买给小孩，妻子买给丈夫用，并且比较适合用来玩游戏和日常工作。

通过重点看购买动机，我可以发现，客户对于大容量且物廉价美的桌子更有购买动机。点击进去看具体评论可以通过买家秀发现这样一张桌子可以放下 2-3 张显示器，2 个键盘，并且转角桌的结构也确实节省了占地面积！

那么如果我要做一张升级款的办公桌，我可以怎么做呢？

Shulex 直接给出了我答案，我可以点击用户期望具体查看，比如我在“更好的质量”中发现，有客户说，螺栓的质量需要严格控制！再比如，客户说希望更深的办公桌是什么意思呢？通过具体了解评论会发现，原来有些个子高的客户是需要更大的桌下空间！

有了上面的报告我发现，原来了解消费者、了解市场也并不是那么难的事情。

Shulex 可以很好的站在消费者的视角总结品牌方/卖家需要了解的产品信息，并且可以用在产品优化/选品依据、市场卖点提炼、市场趋势洞察等多用户体验环节～

VOC 智能消费者洞察

钩针编织套装，简称钩织套装，是一种传统材料包，主要由钩针工具及线材组成。

自16~21世纪以来，不少美国人就开始学习编织技术，并随着时间的推移，手工编织艺术逐渐融入到衣物、配饰和家居用品中，并成为社交活动的一部分。在智媒时代，将传统工艺与现代化设计相结合更是潮流趋势。年轻人喜欢精神消费，喜欢将手工与DIY组合，赋予自己兴趣以“个性化”标签

为支持手工传统工艺，亚马逊还在美国市场推出Amazon Handmade板块，为手工艺卖家提供销售平台。而这些所有的发展必需的物质基础之一，就是钩织套装。

本期Shulex VOC洞察系篇，带你走进钩针编织套装( Crochet Kits )，希望为亚马逊跨境卖家及行业相关者，提供有价值的信息。

01｜分析目的

通过对Amazon US站DIY 编制套装商品VOC分析，挖掘客户画像，痛点与爽点，从使用场景洞察产品需求与机会。

重点分析：

● 品类用户画像解析

● 使用场景与需求解析

● 消费者痛点与爽点解析

● 综合可行性建议

数据源

● Asin数量：68

● Rreview数量：2489

● Marketplace：Amazon US

● Last Update：2023/09/05

02｜人群概述

1）基础人群画像

从基础人群画像中我们可以看出，DIY编织套装的基本消费人群画像为：以女性为主的群体使用者；节假日在家中，或在路途上的闲暇时刻制作手工，可以帮助他们放松心情，消磨时间，获得实物的成就感。

2）新人群画像挖掘

从人群身份趋势与场地数据中，以下3类细分人群是我们的主要目标人群：

● 针织爱好者：有28.3%的Review提及到自己是针织爱好者，但未尝试过钩针手工艺品的人群，他们都爱好手工制品，有一定相关经验。

● 初学者：有14.3%的review提及到自己是钩针编织新手，他们购入产品去学习钩针基础知识并完成制作

● 学生群体/女童子军：老师给学生/童子军购买, 或者学生自己购买

3）人群解析

● 从基础人群画像看出，钩针编织产品与普遍的针织产品最大的不同是成品简单小巧。通常，入门针织制品会需要较长的时间投入，以便于成品可以投入日常生活的使用，实用性较强，但对与钩针这种小巧的手工艺品来说，主要承担日常减压、消磨时间的产品，美观简单易上手对日常的上班族、12岁以上的儿童以及初学者这类的消费者来说更为重要。

● 面对不同的小众人群，我们需要强调产品为之匹配的价值。比如初学者突出细致的教学视频和教学说明，面向针织爱好者更多突出产品的多样性和丰富性，可定制颜色款式等，制作独一无二的编制工艺品。

03｜使用场景

1）基础使用场景分布

● 送礼物被认定为的最高频场景，结合人群分析，在圣诞节、复活节和生日场景中做为给孩子的礼物送出。

● 手工艺品制作和钩针学习为第二阶梯场景，对应到产品设计，需要突出成品美观、款式多样，简单易学，美观的成品同时也有利于客户二次传播

● 消磨时间，买来应对长时间的出行旅途或度过一个悠闲在家的下午，其他娱乐方式的替代

2）新场景挖掘

● 场景应季性：除每年Amazon销售季以外（7月Prime Day），场景需求的高峰期在于每年冬季12月。结合冬季季节属性和高频节日假期场景，11月～12月是产品场景化营销的最佳时期。

3）价格场景差异化

● $18.99～20.99价格区间产品，场景提及度最高，主要集中在生日礼物这个场景下，由此可见，产品的赠与属性在中低价格带有更好的体现。

04｜NR/PR分布

1）NR/PR分布AI解析

● 最影响产品星级下滑的因素有以下两个：纱线不足、糟糕的教程，提及率超平均水平，同时客户给出的评分也低于3星

2）NR/PR解析

NR/PR 主要表现出消费者的满意程度与产品质量，也是低星/高星的直接原因。而产品星级也是购物转化的影响因子之一。从上述AI总结的NR/PR的原因中可分为以下几类：

从上述NR/PR中可结论，我们在运营过程中要不断强调产品作为配饰时的特色外观及制作的简易性，并且以场景氛围化来表达。同时在不断提高产品材质、配件质量的同时，我们要利用纸质说明书，客服，QA，图片，视频等手段让客户清晰的知道产品的制作步骤，加强消费者的自查自排故自修能力。

05｜综合可行性建议

1）产品设计建议

● 产品的基础要求：简易、纱线材质过关、样式有趣

● 产品的独特优势：配件五金材质升级，详细的使用教程，包装紧凑易携带

● 款式多样化：除了青少年群体以外，可以适当扩展日常工作的上班族作为用户群，增加成人也感兴趣的样式和图案，扩展其他纱线材料，根据季节售卖不同质感的套装

2）运营优化建议

● 卖点强调多种形式的使用说明，包教包会

● 卖点强调多场景氛围化，悠闲氛围：节日礼物、在家休闲、旅游出行

● FAQ，客服，操作手册辅助客户故障排除，提升服务

3）市场推广建议

● 重点着手冬季节假日旺季，做礼品营销。

● 除新手外，尝试针织难度划分，样式也有所区分，款式可以和经典影视形象结合自带流量如星战、海绵宝宝或加入生日星座形象等

● 组合或团采模式：可将配件进行组合销售，也可以将不同样式的线团组合为一套玩偶，组合售卖，满足收集心理