在不少人眼中，新兴电商平台拼多多是一家主攻三四线城市的下沉市场电商，疫情期间，一组数据却让人有些意外：在不到两个月时间里，拼多多帮助全国超过400个农产区售出8.4万吨农产品，大约70%的订单来自大中城市。
“外界把我们看成电商平台，我们内部更愿意把自己看成一家人工智能公司。”拼多多副总裁陈秋说。从创立伊始，拼多多的商业逻辑就与其他电商不同。传统电商是 “人找货”，而拼多多选择了 “货找人”。两者背后都有一套算法支撑，但技术创新的逻辑变了。
事实上，不止拼多多，在上海大力发展在线新经济的过程中， “货找人”成为一种时髦玩法，小红书、哔哩哔哩等当红企业也参与其中，其背后融合了人工智能、大数据、云计算等技术创新。当用户的各种需求维度被不断展现和挖掘出来，在他们还不确定自己想买什么、想看什么、想找什么之前，互联网企业已经将客户可能感兴趣的商品推送到他们面前。
分布式人工智能，让用户拥有属于自己的“AI代理”
“当你网购了纸尿布时，平台就会给你推送婴儿车。”这是电商平台引以为豪的关联推送法则，但热衷网购的人们很容易发现拼多多的与众不同之处：当好友和你发起拼单后，拼多多不仅推荐了婴儿车，还推荐了好友分享或者使用过的更适合你的商品。这就是所谓的 “货找人”，背后需要一套精准的推算法则。
传统的线下市场，或者以搜索场景为主导的传统电商平台，其本质是 “人找货”。比如，酱油没了去超市买瓶酱油，过节了去某品牌的网上店铺搜索是否有自己喜欢的衣服……这些都是 “人找货”模式。在这种模式中，消费者需要检索已经掌握的商品信息库，这等于在考验消费者的商品知识储备量，需要自己去货架上查找。
“人找货”还有一个问题，不论是实体店还是网店，哪种商品能获得比较好的位置，不是由消费者决定，而是由 “摆货人”决定的。在线上，传统电商平台的广告位决定了店铺在搜索结果中的排序，出价高的店铺更容易被消费者看到。
如何实现“货找人”？拼多多创新应用了分布式人工智能技术。所谓分布式人工智能技术，是相对于中心化的人工智能技术而言。在中心化的人工智能技术框架下，后台会给用户贴上各种“标签”，比如“价格敏感的年轻女性”“讲究品牌的商务男性”等，继而根据群体特征为消费者推荐商品。而分布式人工智能是给每个人提供一个“AI代理”，让每个人的数据都可以被独立处理，再通过不同“AI代理”之间的交互，来形成对用户消费的理解。
试想一下，当你选择和好友一起拼单购买一件商品，你的 “AI代理”和好友的 “AI代理” 就完成了一次交互，如此一来，好友间共同的消费兴趣和习惯就在数据端建立起了联系。于是，下次推送时，你看到的商品就会更加精准地 “属于你”。久而久之，客户与推送商品之间就会建立起一种信任，随时准备掏腰包尝试一下。
据拼多多日前公布的2020年一季度财报，这家年轻电商的活跃买家数量同比增加了1.85亿。不可否认，这其中有相当部分贡献来自于这一全新推送法则的 “威力”。
从粉丝优先到算法优先，新社交平台快速崛起
“货找人”模式并非电商独有。新近崛起的一批在线新经济当红企业背后， “货找人”的理念总是若隐若现。比如，在用户第一次打开小红书、哔哩哔哩等App前，你需要选上几个喜好的栏目，这等于给自己交了一张“简笔画像”，而加入平台后的每一次点击、每一件购买商品，都会让这张画像更加精确。
小红书的“种草—拔草”模式形象地解释了内容原创平台是如何“带货”的：一位用户浏览并且点击了眼影的内容，在一些笔记下留言评论，且之前也有过彩妆浏览记录，后台算法会认为她现在大概率对眼影等彩妆类内容感兴趣，据此分发给她更多眼影盘以及如何使用等内容，其他用户的真实消费体验笔记在此时就会对大家的消费决策产生影响。
从某种程度上说， “货找人”打破了传统社交网络的 “早鸟效应”，即在早期互联网平台上，越早进驻的用户越可能快速积累粉丝。根据 “人找货”原则，粉丝数量高的用户在内容传播上的优势要远远大于粉丝数量少的人。而在以 “货找人”为主要算法逻辑的平台上，粉丝数没有以前那么重要了。在B站上，系统会根据用户的观看偏好来推荐相似内容，不管是流量大咖UP主还是新人菜鸟，决定是否来到你面前的是内容本身而非创作者。
从深度学习到知识图谱，“千人千面”精准推送
在复旦大学产业与区域经济研究中心主任范剑勇看来，未来商业的发展趋势应该是 “消费驱动生产”，这不是靠传统互联网经济的 “长尾效应”，而是把 “个性化定制”与 “规模化生产”结合起来，依靠算法的精准性来推动生产率提升。
实现消费驱动生产的基础，是一幅幅用户 “工笔画”——用户数据的颗粒一定要细，可以说，谁能画出更精准的用户画像，挖掘更多的需求维度，谁就能提供更精准的商业服务，实现更高的购买转化率。
这幅用户 “工笔画”既可以通过不断挖掘用户本身数据的关联度获得，也可以通过外部环境与其交互的反馈获得。明略科技集团营销智能国家新一代人工智能开放创新平台负责人表示，他们正在基于多源异构数据构建知识图谱，挖掘数据中更深层次、更全面的关联关系，获得高价值的智能洞察。简单来说，和类似 “黑箱”的深度学习相比，知识图谱更加直观且更具解释力。当把数据转换为知识，利用人工智能辅助决策，有望实现 “千人千面”的精准匹配。