作为全球化妆品与美容护理业巨头,大家对于巴黎欧莱雅公司应该不会感到陌生。但是,这家公司在研究、创新与技术方面的探索同样硕果累累。事实上,自2012年以来,欧莱雅一直经营着自己的科技孵化器项目,整个集团的运营方式与初创企业非常相似,只不过仍然以美容与技术的交汇点作为主干思路。下面,我们将共同了解该公司的孵化器项目,以及包括皮肤数字化诊断在内的一系列AI应用方向。
欧莱雅公司的首个孵化器实验室建于新泽西州,此后又陆续在旧金山、巴黎以及东京开设了其它实验室。这些实验室专注于少数特定产品——例如结合应用、可穿戴设备以及配套装置,共同实现化妆器械联网并以定制化调整满足客户的特定需求。各孵化器实验室与企业家及学术界能力合作,致力于利用技术开发出最新、最好的产品。
2015年,孵化器项目推出了Makeup Genius,这是一款移动应用,允许客户在购买产品之前借助增强现实技术看到自己面部使用产品后的颜色与妆容效果。客户只需要上传自己的面部图像,或者直接使用自己设备上的相机,即可体验化妆品或者随时更换不同的发色。在应用当中,客户还可以利用滑动功能比较产品使用前后的差别。
孵化器项目推出的另一款产品,是通过与智能技术制造商Withings and Kérastase(欧莱雅公司的高端护发品牌)合作开发,旨在帮助消费者更轻松地养护头发。这款发梳上配备有电导率传感器、加速度计、陀螺仪、麦克风、蓝牙以及Wi-Fi连接,用以收集技术指标并将其上传至算法处。算法能够利用这些信息提供关于用户头发最佳护理方式的个性化产品使用建议。
除了传感器、相机以及激光器之外,IBM的Watson物联网平台也为欧莱雅带来了能够应对工业40相关挑战与机遇的新型生产设施。如今,客户的要求越来越高——他们希望有最适合自己的配方解决具体问题,或者满足个人喜好。而IBM技术的介入,帮助欧莱雅的生产设施迎来更高的响应能力与敏捷性,有望逐步满足这些韧性于个人的需求。
为了在会话当中贯彻欧莱雅公司的营销信念,美妆巨头还与Automat Technolgies合作推出了Facebook Messenger Bot,用于同客户进行更具个性化的对话(并最终促成销售)。该聊天机器人由人工智能驱动,能够以对话的方式与客户沟通,并引导消费者在轻松交流之余表达自己的个人偏好。该公司首席数字官Lubomira Rochet在采访中表示,“我坚信AI技术与互联网本身一样伟大。”
简化招聘与雇用流程
欧莱雅公司还将人工智能引入自身招聘与雇用流程当中。作为一家每年开放约15000个职位的大型企业,欧莱雅需要处理近百万份申请,因此其开始尝试利用AI技术帮助员工摆脱令人头痛的简历筛选。Mya是一款聊天机器人,它能够处理候选人提出的问题,从而在招聘早期帮助欧莱雅节约大量宝贵的时间。此外,它还能够检查各项重要细节,例如求职者是否尚未找到工作,以及签证的当前状态等。接下来,求职者需要面对Seedlink,这款AI软件负责评估他们在开放式面试问题中给出的答案。这款工具能够找到在简历审阅过程中被忽略的求职者。该公司招聘人员表示,在一次从12000名候选人中选出80名实习生的过程中,该软件帮助他们节约了200个小时的工作时间。
通过对AI/AR厂商ModiFace公司的收购,欧莱雅如今获得了通过现场视频提供美容产品试用模拟的新型技术工具,可为客户提供皮肤诊断方案。在收购当中,Rochet通过声明指出,“凭借着收购ModiFace,我们开启了欧莱雅公司的第二阶段数字化转型,即专注于通过语音、AR以及AI等技术重塑美容体验。”
利用深度学习技术,该工具利用ModiFace的AR功能配合欧莱雅的照片数据库、皮肤老化专业知识与皮肤老化映射集,能够在女性消费者将自拍照上传至公司网站后提供个性化的产品使用指导。在2019年初以Vichy SkinCounsultAI产品的形式在加拿大推出之后,这套方案将在今年年内实现全球上市。
相信欧莱雅公司将继续利用人工智能与其它新兴技术发挥自身竞争优势,努力保持自身在产品个性化领域的前沿地位,同时最大程序发挥技术成果对美容行业的驱动作用。
好文章,需要你的鼓励
亚利桑那州立大学的研究团队开发了RefEdit,这是一种新型图像编辑AI系统,能够准确理解和处理指代表达(如"中间那个人"、"右边的猫")。通过创建RefEdit-Bench基准测试,研究者们证明现有模型在多物体场景中表现不佳。他们设计了一种创新的数据生成流程,仅用2万样本就训练出的RefEdit模型超越了使用数百万样本训练的大型模型。这一突破使AI图像编辑在复杂场景中更加精确和实用。
这项研究提出了Critique-GRPO,一种创新的在线强化学习框架,将自然语言批评与数字反馈相结合,克服了传统仅用数字反馈的三大局限:性能瓶颈、自我反思效果有限和顽固性失败。实验表明,该方法使大语言模型能够从错误中学习并改进,在八项数学和通用推理任务中,将Qwen2.5-7B和Qwen3-8B模型的平均通过率分别提高了约4.5%和5%,超越了包括那些引入专家示范的方法。研究还揭示,高熵探索和长回答并不总是最有效的学习方式,质量更重要。这一方法为大语言模型的自我提升能力开辟了新路径。
这篇研究介绍了"量化LLM评价者",一个创新框架,能使大型语言模型(LLM)在评估其他AI输出时更接近人类判断。由麻省理工和Adobe联合研发的这一方法,将评估过程分为两个阶段:先让LLM生成文本评价,再用轻量级机器学习模型将这些评价转化为更准确的数值评分。研究提出了四种评价者模型,适用于不同评估场景,实验表明它们不仅能显著提高评分准确性,还比传统微调方法更节省计算资源。这一框架特别适合人类反馈有限的场景,为AI评估领域开辟了高效且可解释的新路径。
这项研究由IDEA、华南理工大学和北京大学联合开发的Rex-Thinker系统,通过模仿人类的链式思考方式来解决物体指代问题。与传统直接输出边界框的方法不同,它采用规划-行动-总结的三步骤推理,使AI能像人类一样逐步分析图像中的候选物体,并在找不到匹配物体时拒绝作答。通过构建90,824样本的HumanRef-CoT数据集和两阶段训练方法,系统在精度、可解释性和泛化能力上均取得了显著进步。