即刻App年轻人的同好社区
下载
“我之前一直对朋友说，中国会成为世界汽车业的制造中心，有人认为是痴语，会列举我们与日韩的差距，但我认为，技术、品牌、行销等一切差距都只是细节，是最容易通过时间来弥补的，哪怕它们看上去有多么不可思议的距离；而资源、市场、国民特质以及国际政经形势才是更长远发挥效力的因素。
日本是一个缺乏资源和市场的国家，过去欧美汽车业的转移并不能成为日本已经克服上述缺陷的佐证。因为，美欧有它们的立命之本，其资本市场与产业也进行着相应的结构调整，在美国发展科技信息文化等高价值产业的时候，你很难指望它们的汽车业能在资本市场中得到充沛的资本支持，也很难指望它们这个阶段的民众文化中会产生出符合制造业所要求的纪律、等级、服从、坚忍、热忱、敬业、奉献等制造业国民性格要素；而欧洲更是如此，香水、时装、酿酒等非精密的制造或许会更适合他们。
日本则不同，天生的制造业国民特性，良好的银团财阀的资本支持，美国羽翼下的政经关系和贸易条件都促成了其产业崛起。然而，时至今日，中国将会使日本现有的制造优势消弥无形，高房价、高储蓄、低保障的社会环境造就了充沛的产业投资资本和制造业劳工，大市场、宽资源的相对优势更使其难以企及，轻卡领域的锋芒已初步印证了该产业向中国转移的趋势。”
冯柳2006年的文章。
日本是一个缺乏资源和市场的国家，过去欧美汽车业的转移并不能成为日本已经克服上述缺陷的佐证。因为，美欧有它们的立命之本，其资本市场与产业也进行着相应的结构调整，在美国发展科技信息文化等高价值产业的时候，你很难指望它们的汽车业能在资本市场中得到充沛的资本支持，也很难指望它们这个阶段的民众文化中会产生出符合制造业所要求的纪律、等级、服从、坚忍、热忱、敬业、奉献等制造业国民性格要素；而欧洲更是如此，香水、时装、酿酒等非精密的制造或许会更适合他们。
日本则不同，天生的制造业国民特性，良好的银团财阀的资本支持，美国羽翼下的政经关系和贸易条件都促成了其产业崛起。然而，时至今日，中国将会使日本现有的制造优势消弥无形，高房价、高储蓄、低保障的社会环境造就了充沛的产业投资资本和制造业劳工，大市场、宽资源的相对优势更使其难以企及，轻卡领域的锋芒已初步印证了该产业向中国转移的趋势。”
冯柳2006年的文章。
4 01
很多事情，每往细拆一个颗粒度，整个的复杂度就会上升不少。很多时候能做的只是在量和下限方向上做取舍，无法完全避免糟糕的事情会发生。而糟糕一旦发生，对于经历糟糕的人就是100%的灾难。
“草台班子”理论的背后有一部分是人们对复杂度的认知还不够。
“草台班子”理论的背后有一部分是人们对复杂度的认知还不够。
1 00
“摩尔定律展示的已不是狭义的、永恒不变的物理定律，而是人类的想象力和创造力在不同阶段所能达到的极限。每次摩尔定律到了危急时刻，人们的潜能就会被激发出来，发明出新的技术，让摩尔定律获得新的验证。
它不是一个物理定律，而是关乎人类的行为。它就像一支无形的指挥棒，指挥着这条产业链上的不同角色按照特定的节奏朝着同一个方向前进。它设定的节奏就像是一种无声的召唤、一只无形的手。
在摩尔定律提出50周年时，摩尔用一句话总结了过去几十年芯片的演变和救赎之路——一切过往皆可超越(Whatever has been done can be outdone)。”
Scaling Law 会不会类似呢？
它不是一个物理定律，而是关乎人类的行为。它就像一支无形的指挥棒，指挥着这条产业链上的不同角色按照特定的节奏朝着同一个方向前进。它设定的节奏就像是一种无声的召唤、一只无形的手。
在摩尔定律提出50周年时，摩尔用一句话总结了过去几十年芯片的演变和救赎之路——一切过往皆可超越(Whatever has been done can be outdone)。”
Scaling Law 会不会类似呢？
0 00
Chris Olah 谈人工神经网络和生物神经网络，以及可解释性：
我认为解释神经网络的一个有趣方法是，我们并不是直接“编写”它们，而更像是在“培养”它们。我们设计了神经网络的架构，也设定了训练的目标函数。神经网络的架构就像是一个“支架”，而训练目标则像是“光源”，它们引导神经网络中的“电路”生长。
我们从随机初始化开始，然后通过训练，逐步形成一种类似于生物体的结构。与传统的软件工程不同，最终我们得到的是一个能够完成各种复杂任务的“产物”，比如写作、翻译、图像识别等等。而这些能力，我们实际上并不知道如何用传统编程方法去直接实现。这是因为我们“培养”了这个网络，而不是编写了它。
所以，到最后一个关键问题就浮现出来：这些系统内部到底发生了什么？这是一个非常深奥、激动人心的科学问题，也在呼唤我们去寻找答案。此外，从安全性的角度来看，这个问题也很重要。
为了说明机制可解释性研究的独特之处，我先举个例子：早期有很多关于“显著性图”（Saliency Map）的研究，这些研究尝试回答“模型认为这是一只狗，图像的哪个部分让模型做出了这个判断？”这类问题。显著性图可能告诉我们模型在意图像的哪些部分，但并不能真正解释模型内部运行了什么样的算法、做出了怎样的决策。
可以把神经网络看作一个编译后的计算机程序，其中权重是二进制代码，网络运行时的激活值则相当于程序的内存。我们的任务是理解这些权重与算法的对应关系。为了实现这一点，理解激活值也至关重要，因为激活值就像内存中的数据，解释指令时需要知道它们操作的数据是什么。
机制可解释性研究往往会涉及到权重和激活值的深入分析，这两个部分密不可分。有很多研究工作专注于这方面，例如“探针”（Probing），它可以被视为机制可解释性的一部分，但并非所有从事这类研究的人都会自认为是在做机制可解释性。
在机制可解释性研究中，还有一个独特的观点：梯度下降比我们聪明。
我们之所以需要理解这些模型，是因为我们一开始就不知道如何编写它们，而梯度下降找到了更优的解决方案。因此，我们的研究方法带有一种“谦逊”的态度——不提前假设模型内部会出现什么，而是采用“自下而上”的方法，从底层出发，探索和发现模型内部实际存在的结构和机制。
这正是机制可解释性研究令人兴奋的地方：我们能够从中学到许多出乎意料的东西，正如你和其他研究者在过去的工作中所展示的那样。
机械解释性研究确实是一种微观方法，着重于非常细致的层面，比如分析个别神经元和其连接方式。但我们真正关心的，往往是神经网络的宏观行为，例如模型整体的决策模式和大规模特征。问题在于，这种微观方法虽然更容易验证，但离我们关心的宏观现象有很大距离，所以我们需要爬上这座“梯子”，找到一种方法，从微观解释跳跃到宏观理解。
如果我们将解释性研究比作对神经网络的“解剖学”研究，目前大部分的机械解释性工作相当于在研究神经网络的“微小血管”——即个别神经元和它们之间的回路连接。然而，生物解剖学中的主要抽象层次是器官，比如心脏、大脑，甚至整个呼吸系统等。我们不禁要问：在人工神经网络中，是否也存在类似“器官”级别的结构，比如“呼吸系统”或“心脏”？
这种层次的抽象在科学中很常见，比如在生物学中有分子生物学、细胞生物学、组织学、解剖学、生态学等多个层级。物理学中从粒子物理到统计物理，再到热力学，也有不同的抽象层次。目前的机械解释性研究如果成功，可以类比为神经网络的“微生物学”，但我们希望能发展出类似“解剖学”的抽象层次，以便更好地理解这些模型。
直接跳到宏观结构非常困难，部分原因是超叠加现象。要理解宏观结构，首先需要在微观层面找到正确的分解方式，然后研究这些微观结构如何相互连接形成宏观行为。我相信神经网络中存在比特征和回路更大的结构，我们有机会构建出一种包含更高层次抽象的解释体系。
神经科学家的工作比我们的困难得多。我们拥有许多优势。首先，我们可以记录所有神经元的活动数据，并且可以随时访问任意量的数据。神经元在研究过程中不会发生变化，我们可以自由地干预、激活或抑制神经元，甚至可以编辑神经元之间的连接，然后再撤销这些修改。
我们知道模型的完整连接图（connectome），不仅仅是像线虫那样的小规模图谱，而是非常大的模型。而且，我们不仅知道神经元之间的连接，还知道每个连接的权重，甚至可以计算梯度，理解每个神经元的计算功能。
相比之下，神经科学家想要获得生物大脑的连接图是极其困难的，更不用说了解每个神经元的具体功能。因此，即使我们拥有这些优势，要理解人工神经网络已经足够困难了。这让我更加敬佩神经科学家们在那些严苛限制下所取得的成就。
有时我会想，人工神经网络研究是否可以作为神经科学的“训练场”。在人工神经网络中，我们有更强的控制权，可以更方便地进行实验和测试。这为我们提供了一个简化版的环境来研究“神经系统”的工作原理。如果我们能够在这个较为“容易”的环境中取得突破，未来或许可以将这些发现应用于更复杂的生物神经科学。
我有一些神经科学家同事，他们或许也会觉得人工神经网络是一个有趣的挑战，因为它既简单又复杂，提供了一个可以更快看到成果的研究领域。在解锁了人工神经网络的奥秘之后，我们也许能够更好地反哺生物神经科学，帮助理解真实的大脑结构和功能。
我觉得有些人对神经网络感到有些失望。他们可能认为神经网络只是一些简单的规则，通过大规模工程化实现，然后就能取得非常好的效果。
他们会想，“这其中有什么复杂的科学思想呢？这看起来并不那么美妙啊。”这种想法让我想到有人抱怨进化过程太单调：“进化这么无聊，只是一堆简单的规则，重复进行很长时间，最后才形成了生物多样性，真是个无趣的过程。哪里有复杂的规则呢？”
但实际上，美感恰恰在于这些简单规则能够产生复杂性。生物学的美感就在于，进化这个简单的过程能够产生我们周围所看到的所有生命和生态系统的复杂性。同样地，神经网络也能够在内部构建出巨大的复杂性和结构，而大多数人并没有尝试去理解这些，因为理解它们确实很困难。但是，我相信在神经网络内部蕴含着极其丰富的结构，如果我们愿意花时间去探索和理解，会发现其中深邃的美感。
对我来说，有一个问题总是呼之欲出，那就是：我们不知道如何直接编写计算机程序来实现这些功能，但神经网络却可以做到这些奇迹般的事情。我们能够创造出这些我们自己都无法直接编写出来的系统，这本身就是一个巨大的谜题。如果你有任何一点好奇心，都会感到这是一个必须回答的问题：我们是如何创造出这些能够完成我们无法编写的任务的人工制品？
我喜欢把神经网络比作一种有机的生长过程。它们在“目标函数的光芒”指引下生长，就像向光生长的植物。我们设定了架构和目标函数，然后神经网络就像生物体一样，自动地朝着目标演化和优化。我们最终得到的是一种我们无法完全预见的结构，但它能够执行各种复杂的任务。这种不可预知性和内部结构的涌现，正是神经网络之美的核心所在。
我认为解释神经网络的一个有趣方法是，我们并不是直接“编写”它们，而更像是在“培养”它们。我们设计了神经网络的架构，也设定了训练的目标函数。神经网络的架构就像是一个“支架”，而训练目标则像是“光源”，它们引导神经网络中的“电路”生长。
我们从随机初始化开始，然后通过训练，逐步形成一种类似于生物体的结构。与传统的软件工程不同，最终我们得到的是一个能够完成各种复杂任务的“产物”，比如写作、翻译、图像识别等等。而这些能力，我们实际上并不知道如何用传统编程方法去直接实现。这是因为我们“培养”了这个网络，而不是编写了它。
所以，到最后一个关键问题就浮现出来：这些系统内部到底发生了什么？这是一个非常深奥、激动人心的科学问题，也在呼唤我们去寻找答案。此外，从安全性的角度来看，这个问题也很重要。
为了说明机制可解释性研究的独特之处，我先举个例子：早期有很多关于“显著性图”（Saliency Map）的研究，这些研究尝试回答“模型认为这是一只狗，图像的哪个部分让模型做出了这个判断？”这类问题。显著性图可能告诉我们模型在意图像的哪些部分，但并不能真正解释模型内部运行了什么样的算法、做出了怎样的决策。
可以把神经网络看作一个编译后的计算机程序，其中权重是二进制代码，网络运行时的激活值则相当于程序的内存。我们的任务是理解这些权重与算法的对应关系。为了实现这一点，理解激活值也至关重要，因为激活值就像内存中的数据，解释指令时需要知道它们操作的数据是什么。
机制可解释性研究往往会涉及到权重和激活值的深入分析，这两个部分密不可分。有很多研究工作专注于这方面，例如“探针”（Probing），它可以被视为机制可解释性的一部分，但并非所有从事这类研究的人都会自认为是在做机制可解释性。
在机制可解释性研究中，还有一个独特的观点：梯度下降比我们聪明。
我们之所以需要理解这些模型，是因为我们一开始就不知道如何编写它们，而梯度下降找到了更优的解决方案。因此，我们的研究方法带有一种“谦逊”的态度——不提前假设模型内部会出现什么，而是采用“自下而上”的方法，从底层出发，探索和发现模型内部实际存在的结构和机制。
这正是机制可解释性研究令人兴奋的地方：我们能够从中学到许多出乎意料的东西，正如你和其他研究者在过去的工作中所展示的那样。
机械解释性研究确实是一种微观方法，着重于非常细致的层面，比如分析个别神经元和其连接方式。但我们真正关心的，往往是神经网络的宏观行为，例如模型整体的决策模式和大规模特征。问题在于，这种微观方法虽然更容易验证，但离我们关心的宏观现象有很大距离，所以我们需要爬上这座“梯子”，找到一种方法，从微观解释跳跃到宏观理解。
如果我们将解释性研究比作对神经网络的“解剖学”研究，目前大部分的机械解释性工作相当于在研究神经网络的“微小血管”——即个别神经元和它们之间的回路连接。然而，生物解剖学中的主要抽象层次是器官，比如心脏、大脑，甚至整个呼吸系统等。我们不禁要问：在人工神经网络中，是否也存在类似“器官”级别的结构，比如“呼吸系统”或“心脏”？
这种层次的抽象在科学中很常见，比如在生物学中有分子生物学、细胞生物学、组织学、解剖学、生态学等多个层级。物理学中从粒子物理到统计物理，再到热力学，也有不同的抽象层次。目前的机械解释性研究如果成功，可以类比为神经网络的“微生物学”，但我们希望能发展出类似“解剖学”的抽象层次，以便更好地理解这些模型。
直接跳到宏观结构非常困难，部分原因是超叠加现象。要理解宏观结构，首先需要在微观层面找到正确的分解方式，然后研究这些微观结构如何相互连接形成宏观行为。我相信神经网络中存在比特征和回路更大的结构，我们有机会构建出一种包含更高层次抽象的解释体系。
神经科学家的工作比我们的困难得多。我们拥有许多优势。首先，我们可以记录所有神经元的活动数据，并且可以随时访问任意量的数据。神经元在研究过程中不会发生变化，我们可以自由地干预、激活或抑制神经元，甚至可以编辑神经元之间的连接，然后再撤销这些修改。
我们知道模型的完整连接图（connectome），不仅仅是像线虫那样的小规模图谱，而是非常大的模型。而且，我们不仅知道神经元之间的连接，还知道每个连接的权重，甚至可以计算梯度，理解每个神经元的计算功能。
相比之下，神经科学家想要获得生物大脑的连接图是极其困难的，更不用说了解每个神经元的具体功能。因此，即使我们拥有这些优势，要理解人工神经网络已经足够困难了。这让我更加敬佩神经科学家们在那些严苛限制下所取得的成就。
有时我会想，人工神经网络研究是否可以作为神经科学的“训练场”。在人工神经网络中，我们有更强的控制权，可以更方便地进行实验和测试。这为我们提供了一个简化版的环境来研究“神经系统”的工作原理。如果我们能够在这个较为“容易”的环境中取得突破，未来或许可以将这些发现应用于更复杂的生物神经科学。
我有一些神经科学家同事，他们或许也会觉得人工神经网络是一个有趣的挑战，因为它既简单又复杂，提供了一个可以更快看到成果的研究领域。在解锁了人工神经网络的奥秘之后，我们也许能够更好地反哺生物神经科学，帮助理解真实的大脑结构和功能。
我觉得有些人对神经网络感到有些失望。他们可能认为神经网络只是一些简单的规则，通过大规模工程化实现，然后就能取得非常好的效果。
他们会想，“这其中有什么复杂的科学思想呢？这看起来并不那么美妙啊。”这种想法让我想到有人抱怨进化过程太单调：“进化这么无聊，只是一堆简单的规则，重复进行很长时间，最后才形成了生物多样性，真是个无趣的过程。哪里有复杂的规则呢？”
但实际上，美感恰恰在于这些简单规则能够产生复杂性。生物学的美感就在于，进化这个简单的过程能够产生我们周围所看到的所有生命和生态系统的复杂性。同样地，神经网络也能够在内部构建出巨大的复杂性和结构，而大多数人并没有尝试去理解这些，因为理解它们确实很困难。但是，我相信在神经网络内部蕴含着极其丰富的结构，如果我们愿意花时间去探索和理解，会发现其中深邃的美感。
对我来说，有一个问题总是呼之欲出，那就是：我们不知道如何直接编写计算机程序来实现这些功能，但神经网络却可以做到这些奇迹般的事情。我们能够创造出这些我们自己都无法直接编写出来的系统，这本身就是一个巨大的谜题。如果你有任何一点好奇心，都会感到这是一个必须回答的问题：我们是如何创造出这些能够完成我们无法编写的任务的人工制品？
我喜欢把神经网络比作一种有机的生长过程。它们在“目标函数的光芒”指引下生长，就像向光生长的植物。我们设定了架构和目标函数，然后神经网络就像生物体一样，自动地朝着目标演化和优化。我们最终得到的是一种我们无法完全预见的结构，但它能够执行各种复杂的任务。这种不可预知性和内部结构的涌现，正是神经网络之美的核心所在。
2 01
简单体验了目前国内智驾的前三，华为ADS 3.0，小鹏天玑5.4.0，理想6.4的端到端+VLM。全自动驾驶或许已来到GPT 3.5时刻，下限能接受。可以开始思考等监管放开后，全自动驾驶可能带来的商业形态的演变了。
2 00
叶国福访谈中的一些点：
满足中国十几亿人对美好生活向往的载体：胖东来版永辉（胖东来调改后的永辉超市）。希望永辉产品品质和选品对标山姆，经营理念文化以及产品规格对标胖东来，不办会员卡、不打折促销、不搞大包装，这个更适合中国家庭消费。最终把永辉打造成胖东来模式的中国山姆，让永辉的好产品好环境好服务让更多人知道并过来感受，成为一个个城市现象级的品牌，成为中国人身边最幸福的超市。
传统的超市卖场就是大量的后台费，条码费、上架费、进场费、促销费，往往后台费用大于前台费用大于产品毛利，前台费用就是产品差价，收你15个点就行了，但是后台费用要20个点，加起来35个点。胖东来模式是没有后台费用，毛利20%几，净利润5个点就够了。传统卖场35个点依然做不下去，他们没有把心思用在研究产品上，而是用来研究一些不重要的后台费用上，至于产品上架后好不好卖，顾客需不需要，喜不喜欢，他不关心，谁给的费用多谁就上。
现金收购比较简单，我们公司现在账上现金60多亿，几乎没有负债，我们通过银行低利息拿到30多亿现金，我们自己出了不到20亿现金，就可以把这笔交易做掉了。
永辉+名创优品，相当于是必选和可选的完美组合，以及中国本土和全球化的组合。
名创优品核心用户群是14-28岁，次核心用户是7-35岁。永辉是从小朋友到老年人都是他的用户。
名创优品内部未来规划是4万家店，一年2000亿的销售额。但如果加上必选，想象空间就很大了，沃尔玛4万亿，Costco 1.4万亿，美国3亿人口，中国14亿人口。
并购不会影响海外扩张，海外大部分是轻资产模式，只有一部分国家是直营店，比如美国、加拿大、印尼等，即使再扩张对资金的需求量也很有限。从公司经营角度讲这笔投资还会优化资本结构，公司现在没有债，全是现金，没有债ROI很低，如果适当举债，反而赚钱效率会更高。
优秀的零售逻辑相通，好产品排第一位、对员工好、对顾客好。产品好要做到就是去掉KA卖场模式，改为资产模式，和供应商联合开发产品的模式。
于东来一直把胖东来定义为一个学校，胖东来免费教永辉，派出的几十个人的工资，甚至酒店吃饭都是胖东来自己出。
Trader Joe's 是美国坪效最高的，它的坪效和胖东来是一样的，一平方一年14万左右，但是美国的人均收入是中国的5倍以上。Trader Joe's 工资比其他的高30%以上。
胖东来调改永辉成功，说明胖东来可以走出许昌。
高福利要先付出，很多人学胖东来就学个皮毛，回去一调工资就调要求，这就很失败。先把工资调高，不调绩效，让员工先开心起来先接受，而不是说工资涨一倍绩效也涨一倍，员工工资高了，投入工作了，绩效自然就来了。
过去的超市购物环境很差，现在的胖东来，地板、货架、灯关、氛围打造都很好，于东来虽然没读多少书，但是产品都还挺不错的。中国有美感的企业家不多，但做消费品一定要有美感。美感也是品质的一部分。调改后的永辉，强制动线没有了，通道打开，货架变矮到一米六，环境变漂亮，灯光很舒适。
观察了几个月，调改后的永辉即使较刚调改完有回落，也比过去好很多，不要说6倍，翻个3倍就不得了了，现在700多亿，3倍就是2000多亿的公司了，现在远超3倍，远超预期。
胖东来这种模式做了20多年，零售不复杂，于东来说你们用心做抄就行了，没那么高深复杂。没有多少技术含量，在于你愿不愿意干，相不相信这种模式能做成。
2019年 Costco 进中国第一家店开业，Costco 用最朴素的方式诠释了零售最朴素的本质，洞察人性、克制贪婪、控制毛利、聚焦产品，长期主义。当时考察完 Costco 他们的人和我说，你要慎重选择你的供应商，这句话的背后是你要给消费者开发好的产品，供应商选对了产品才能对。
会员模式也是 Costco 进中国这几年才火的，山姆1996年进中国，过去二十年默默无闻， Costco 进来后又把这种模式推向高潮，就像名创收购永辉，把胖东来模式推向高潮。Costco 的模式本质上还是好的产品、有差异化的产品，其次才是会员。
名创在国内外都是10万以上人口开一家店的标准，基于永辉必选的属性，5万人以上就可以开一家店。
名创走到现在做对的事情是，深刻洞察了消费趋势的变化。名创2013年起来，小米2010年成立，优衣库2002年进中国，2010-2020年是性价比消费的天下。2020年初我提出兴趣消费时代到来，开始转型IP战略。
胖东来不卷价格，卷服务卷品质，把产品做好，把服务做好，开在你身边，你没有理由不到我这里来买。胖东来的熟食和生鲜，线上根本替代不了，没有这样的供应商，找不到这样的供应商。
对于名创优品可选的产品来说，消费者喜欢兴趣消费，兴趣消费的背后是情绪价值，情绪价值的背后是引进了IP战略作为打造兴趣消费的核心手段和路径。
德国昨天新开的店，很多人排队，5年前我们进德国失败了，当时没有IP，走性价比，产品卖过去消费者没感觉。今天用兴趣消费这盘货到了德国，一天卖了33万。美国过去7年都没赚钱，最近2年开始赚钱了。中国现在走性价比已经很难赚钱了，要走差异化，性价比+兴趣消费双条腿在走路。
新的零售模式如果就是这么公开透明的话，很多零售业老兵仍改不过来，是因为他们没有办法给自己动手术，这也是为什么永辉需要胖东来来改，需要外力进来。
零售模式的演变在中国变化最大，中国发达的电商，用高效率把那些没有竞争力和差异化的零售商干掉了。现在是制造型零售，产品和渠道融为一体。
名创优品在海外的知名度和地位要比国内高很多，国内要进行品牌升级。墨西哥最知名的2个中国品牌，一个是比亚迪，一个是名创优品。
我们的国际化战略非常成功、非常正确、非常超前。先做东南亚国家，离中国近成本低，先练好兵。
蛇吞象的收购案例，往往成功概率高，蛇要吞掉象，往往要做充分的准备，而且很小心专注地去做。
名创优品在国内还有2000多个县没开店，四五线城市名创优品的知名度还不够。
满足中国十几亿人对美好生活向往的载体：胖东来版永辉（胖东来调改后的永辉超市）。希望永辉产品品质和选品对标山姆，经营理念文化以及产品规格对标胖东来，不办会员卡、不打折促销、不搞大包装，这个更适合中国家庭消费。最终把永辉打造成胖东来模式的中国山姆，让永辉的好产品好环境好服务让更多人知道并过来感受，成为一个个城市现象级的品牌，成为中国人身边最幸福的超市。
传统的超市卖场就是大量的后台费，条码费、上架费、进场费、促销费，往往后台费用大于前台费用大于产品毛利，前台费用就是产品差价，收你15个点就行了，但是后台费用要20个点，加起来35个点。胖东来模式是没有后台费用，毛利20%几，净利润5个点就够了。传统卖场35个点依然做不下去，他们没有把心思用在研究产品上，而是用来研究一些不重要的后台费用上，至于产品上架后好不好卖，顾客需不需要，喜不喜欢，他不关心，谁给的费用多谁就上。
现金收购比较简单，我们公司现在账上现金60多亿，几乎没有负债，我们通过银行低利息拿到30多亿现金，我们自己出了不到20亿现金，就可以把这笔交易做掉了。
永辉+名创优品，相当于是必选和可选的完美组合，以及中国本土和全球化的组合。
名创优品核心用户群是14-28岁，次核心用户是7-35岁。永辉是从小朋友到老年人都是他的用户。
名创优品内部未来规划是4万家店，一年2000亿的销售额。但如果加上必选，想象空间就很大了，沃尔玛4万亿，Costco 1.4万亿，美国3亿人口，中国14亿人口。
并购不会影响海外扩张，海外大部分是轻资产模式，只有一部分国家是直营店，比如美国、加拿大、印尼等，即使再扩张对资金的需求量也很有限。从公司经营角度讲这笔投资还会优化资本结构，公司现在没有债，全是现金，没有债ROI很低，如果适当举债，反而赚钱效率会更高。
优秀的零售逻辑相通，好产品排第一位、对员工好、对顾客好。产品好要做到就是去掉KA卖场模式，改为资产模式，和供应商联合开发产品的模式。
于东来一直把胖东来定义为一个学校，胖东来免费教永辉，派出的几十个人的工资，甚至酒店吃饭都是胖东来自己出。
Trader Joe's 是美国坪效最高的，它的坪效和胖东来是一样的，一平方一年14万左右，但是美国的人均收入是中国的5倍以上。Trader Joe's 工资比其他的高30%以上。
胖东来调改永辉成功，说明胖东来可以走出许昌。
高福利要先付出，很多人学胖东来就学个皮毛，回去一调工资就调要求，这就很失败。先把工资调高，不调绩效，让员工先开心起来先接受，而不是说工资涨一倍绩效也涨一倍，员工工资高了，投入工作了，绩效自然就来了。
过去的超市购物环境很差，现在的胖东来，地板、货架、灯关、氛围打造都很好，于东来虽然没读多少书，但是产品都还挺不错的。中国有美感的企业家不多，但做消费品一定要有美感。美感也是品质的一部分。调改后的永辉，强制动线没有了，通道打开，货架变矮到一米六，环境变漂亮，灯光很舒适。
观察了几个月，调改后的永辉即使较刚调改完有回落，也比过去好很多，不要说6倍，翻个3倍就不得了了，现在700多亿，3倍就是2000多亿的公司了，现在远超3倍，远超预期。
胖东来这种模式做了20多年，零售不复杂，于东来说你们用心做抄就行了，没那么高深复杂。没有多少技术含量，在于你愿不愿意干，相不相信这种模式能做成。
2019年 Costco 进中国第一家店开业，Costco 用最朴素的方式诠释了零售最朴素的本质，洞察人性、克制贪婪、控制毛利、聚焦产品，长期主义。当时考察完 Costco 他们的人和我说，你要慎重选择你的供应商，这句话的背后是你要给消费者开发好的产品，供应商选对了产品才能对。
会员模式也是 Costco 进中国这几年才火的，山姆1996年进中国，过去二十年默默无闻， Costco 进来后又把这种模式推向高潮，就像名创收购永辉，把胖东来模式推向高潮。Costco 的模式本质上还是好的产品、有差异化的产品，其次才是会员。
名创在国内外都是10万以上人口开一家店的标准，基于永辉必选的属性，5万人以上就可以开一家店。
名创走到现在做对的事情是，深刻洞察了消费趋势的变化。名创2013年起来，小米2010年成立，优衣库2002年进中国，2010-2020年是性价比消费的天下。2020年初我提出兴趣消费时代到来，开始转型IP战略。
胖东来不卷价格，卷服务卷品质，把产品做好，把服务做好，开在你身边，你没有理由不到我这里来买。胖东来的熟食和生鲜，线上根本替代不了，没有这样的供应商，找不到这样的供应商。
对于名创优品可选的产品来说，消费者喜欢兴趣消费，兴趣消费的背后是情绪价值，情绪价值的背后是引进了IP战略作为打造兴趣消费的核心手段和路径。
德国昨天新开的店，很多人排队，5年前我们进德国失败了，当时没有IP，走性价比，产品卖过去消费者没感觉。今天用兴趣消费这盘货到了德国，一天卖了33万。美国过去7年都没赚钱，最近2年开始赚钱了。中国现在走性价比已经很难赚钱了，要走差异化，性价比+兴趣消费双条腿在走路。
新的零售模式如果就是这么公开透明的话，很多零售业老兵仍改不过来，是因为他们没有办法给自己动手术，这也是为什么永辉需要胖东来来改，需要外力进来。
零售模式的演变在中国变化最大，中国发达的电商，用高效率把那些没有竞争力和差异化的零售商干掉了。现在是制造型零售，产品和渠道融为一体。
名创优品在海外的知名度和地位要比国内高很多，国内要进行品牌升级。墨西哥最知名的2个中国品牌，一个是比亚迪，一个是名创优品。
我们的国际化战略非常成功、非常正确、非常超前。先做东南亚国家，离中国近成本低，先练好兵。
蛇吞象的收购案例，往往成功概率高，蛇要吞掉象，往往要做充分的准备，而且很小心专注地去做。
名创优品在国内还有2000多个县没开店，四五线城市名创优品的知名度还不够。
7 02