伴随移动数字化、5G、AIGC等相关技术的发展,“数智生活”正以不同的方式提升人们的生活效率,智能效率应用进一步渗透在用户日常的生活、工作、学习等各个场景中。
根据第三方数据机构QuestMobile发布的《2023年轻人群智能效率应用研究》报告,35岁以下年轻人群是智能效率办公、学习领域的核心用户。凭借网盘、扫描、文档等智能工具和内容产品,夸克App在智能效率行业图谱中跨场景多领域应用,泛学生人群和新生代职场人的用户占比最高,年轻用户使用时长位列行业第一。
年轻人群青睐智能效率应用
在人口流量红利消失的时代,用户对互联网应用的使用深度成为关键。根据QuestMobile数据,2023年7月,35岁及以下年轻人群的使用时长占据全网时长的52.8%。其中,24岁以下的泛学生人群达到2.61亿,25岁至35岁的新生代职场人群规模达2.86亿人。

从用户对互联网行业的使用粘性看,尤其是35岁以下的年轻人群更加强调以数字应用提升自己办公效率。数据显示,智能效率办公行业的年轻人群用户占比高于各行业均值,同时中高粘性占比高于其他行业 。目前,智能效率办公行业用户规模稳定在5亿左右,年轻人群的使用规模长期维持在3亿左右。
24岁及以下人群成为智能效率应用的重点用户群体,而相较于职场人群,使用场景主要是泛学生人群在校园学习中,使用智能效率相关应用,查找资料、复习练习,提升学习效率。
新兴应用抢占智能办公行业风口
QuestMobile报告提出,智能效率办公行业尚未出现绝对的龙头应用,行业新兴应用有机会通过差异化布局,获取市场份额,成为行业造风者。
凭借网盘、扫描、文档等智能工具和内容板块,夸克App在智能效率办公行业图谱中跨场景多领域应用。数据显示,2023年7月,在年轻人群使用规模最高的TOP10智能效率App中,夸克的年轻用户占比最高,泛学生人群占比达到33.7%,新生代职场人群占比达到48.8%。

年轻人群对智能效率办公应用的较强需求,体现在使用时长上较强的用户粘性。夸克产品涉及云盘存储、扫描工具以及文档资源等多个办公常用功能,满足年轻人群在职场办公中不同的场景需求,吸引年轻人群对夸克App的使用。在用户使用时长、人均单日使用时长上,夸克App均位列第一。
智能在线学习应用场景需求凸显
除办公场景以外,夸克App用户对在线学习类工具使用偏好亦较为突出,集中在高等教育和语言学习方面,主要面向高等教育、高考、考研及考取职业资格等年轻人群。
近年来,夸克App加强线上学习场景的业务布局,凭借智能工具、文档资源、学习频道等多个针对学习场景的产品功能,对泛学生人群的心智占据较为突出。数据显示,泛学生群体对夸克的使用时长高于其他各个人群。使用次数方面,泛学生群体略低于新生代职场人群,但也高于全网人群。

QuestMobile报告显示,相较于在线学习行业相关应用,年轻人群对夸克App的使用规模已经进入TOP10。同时,从年轻人群以及泛学生人群对该TOP10App的人均使用时长来看,夸克均位列首位。
大模型、AIGC赋能效率应用创新
展望效率应用领域,基于大模型的AIGC技术成为行业创新发展的加速器。QuestMobile报告分析认为,新鲜事物吸引年轻人群成为主要的使用者。AIGC的先驱用户注重高效、精准的办公解决方案,重点关注AI对办公、学习场景的赋能。
近期,夸克扫描王App发布,进一步强化AI大模型技术应用于精准、高效地识别、分析与理解复杂内容的能力。从使用时长与使用次数方面看,相较于其他的智能效率应用,AIGC先驱用户对夸克App使用偏好显著,源于夸克App中部分功能已开始涉及AIGC的实际应用,进而对用户产生吸引。
好文章,需要你的鼓励
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。