支付宝的信用体系会不会带来货币贬值？

这个问题的关键在于支付宝和商家是怎么接上的。

如果支付宝是贷款给个人买家，直接付给商家现金，那么三者的资产负债表是这么变的：

商家：（资产）-存货，（资产）+现金

支付宝：（资产）-现金，（资产）+应收款：个人

个人：（资产）+商品，（负债）+应付款：支付宝

如果是这种情况，其实没有创造具有“货币”属性的东西。对个人的应收款属于流动性较差的资产，想变现一般要通过发行ABS完成，流动性的上限就是ABS的流动性了。

如果支付宝贷款给个人买家后，不是直接付给商家现金，而是先欠着，那么三者的资产负债表是这么变的（红色标记的地方是和支付宝立马付现金的区别）：

商家：（资产）-存货，（资产）+应收款：支付宝

支付宝：（负债）+应付款：商家，（资产）+应收款：个人

个人：（资产）+商品，（负债）+应付款：支付宝

商业信用的流动性好于个人信用。现在的口径下，有一部分商业信用被划到了M3（商业票据）里。注意，M1到M3的定义是根据流动性来的。不是说一个东西划到了某一层，就永远只能停在某一层。像支付宝等大型支付平台的商业信用，其流动性是好于一般的商业信用。而且，这些支付平台对供应链整合得越完整，它的商业信用的流动性就越好。现在不能排除这几个平台的商业信用流动性达到存款的水平，以至于足以让央行决定纳入M2口径计算的可能性。

至于假如支付平台通过消费者贷款产生的对商户的商业信用纳入M2，会不会导致货币贬值，这个问题挺复杂。如果这一天真的到来，很难假设基础货币供应和对支付平台商业信用的监管还会是今天这样，不对其做出任何反应。对于央行来说，这个东西既容易测算，又容易提出监管方式，我觉得不太可能真失控。

奢侈品的主要消费群体已经是 25～35 岁了吗？为什么会发生这样的变化？

从纵向商业角度来看，奢侈品走向年轻化是奢侈品品牌商的整體策略，这也的确是一个持续发展的趋势。

典型的如LV。在发展初期，LV主要是为了服务权贵阶层。其后，LV 家族的好女婿Henry Racamier通过一系列商业运作，开始扩大服务受众，把一件小众的生意变成了可以实现品牌间协同的集团。被外姓人Bernard Arnault夺权后， Arnault 通过售卖奢侈品获得巨额的利润和稳定的现金流，用一种近乎“工业化”的方式收购和整合，甚至改造品牌：品牌美誉+先锋设计+广告攻势。

而在高端市场赚得盆满钵满之后，有潜力的新人群也成为了重点开拓对象：亚洲新贵（以极度从众、自尊心强，认为奢侈品反映了自己精益求精的心态，尤其还能反映社会地位差距的日本人为首）。

与此同时，产品不再局限于皮质手袋，而是将产品线扩大至小型皮具（钱包、钥匙扣）和香水，并且大肆开展品牌授权业务。这使得定价直接下降了一个数量级，也使产品的受众可以接近大众消费市场，而这里面大部分是年轻人。

从偏社会学角度来分析，可以说是年轻消费者积极主动地把自己推到了奢侈品的射程之内。消费方式是技术、政治、经济、社会语境、社群和个体综合作用的结果，简单的“衣食无忧”显然已经无法承揽年轻人的欲望。在消费主义的社交反馈之下，每个人都越来越被鼓励追求多元、个性的生活方式。但很多年轻人并不知道自己真正喜欢什么，他们需要被什么“击中”，从而接受“什么值得买”的引导。

此时，品牌商出面承担这个引导者的角色可谓众望所归。那么，具体什么品牌最有资格充当“布道者”的角色呢？当然是神坛上的那些品牌，以其“不食人间烟火”的高冷气质，回应年轻人对“站在鄙视链顶端”的向往。于是，本身就不“大众”的奢侈品品牌优雅而客套地伸出了橄榄枝，既然捕获新消费群体是品牌的天性，那么年轻人显然是最好的“猎物”。

淘宝算不算完全竞争的市场？为什么淘宝上的同样商品定价会不同？

现实中没有完全竞争这回事情。因为就算质量一样，都是真货，人们也不可能在一瞬间知道淘宝上所有该商品的价格信息，总有一个时间上的先后顺序。所以，一切信息获取的过程本质上都是序贯的，没有绝对的“同时”。

这个时候就存在一个信息获取成本—也就是搜寻的问题了。简单起见，我们先假设所有人的耐心是一样的，那么第一页的商品就比后面的商品更有优势。尽管这一点优势非常微弱，但却依然可以体现到销售额上。换句话说，第一页的商品获得了一个“显著”的位置。

如果多浏览几个网页所消耗的精力和时间值0.1元的话，那么第一页的商品定价就可以比第二页、第三页的商品多0.1元，让消费者在第一页购买或者继续浏览之间无差异。

而现实中，人和人的耐心是不一样的，这时候情况就有一点复杂了。因为不耐心的人，也就是搜寻成本很高的人，就直接在第一页购买了；而比较耐心的人可能就会多看几页。这样的话，根据搜寻成本，也就是耐心程度的不同，就形成了二级价格歧视：不耐心的人需要花费更贵的价钱来购买同样的产品，而耐心的人有一定的概率可以淘到便宜的。

久而久之，如果这种排列顺序是按照某种和质量、价格无关的因素固定的话，比如按照字母顺序，那么就会出现第一页定价显著比第二页高，或者第一页质量比第二页普遍要低的情况。一个现成的例子就是电话黄页。产品质量相对不好而要价比较贵的公司，更喜欢以A开头，也喜欢在电视上做更多的宣传；而产品质量较好，价格比较适中的公司则没有这个现象。这也是为什么淘宝、苹果App Store等有排名的平台，总是希望能够持续优化排名算法，让排名“流动”起来的原因之一。

未来 3～5 年，哪个方向的机器学习人才最紧缺？

既然已经身在工业界，那么我就谈谈工业界未来几年需要什么样的机器学习人才。相较而言，工业界对人才的需求更加保守，这和学术界不同。这受限于很多客观因素，如硬件运算能力、数据安全、算法稳定性、人力成本开支等。不过这个答案可能更适合两类人：在读学生和工作不久想要转行机器学习的朋友，特别厉害的技术大牛建议探索适合自己的路线。

首先，打好基本功。机器学习说到底还是需要一定的专业知识，这可以通过学校学习或者自学完成。主要有回归模型、分类模型、神经网络、数据压缩/可视化。很多人会疑惑有没有必要通晓数学，擅长优化呢？我的看法是不需要的，只需了解基本的数学统计知识即可。我对于算法的看法是大部分人不要造轮子，只要理解自己在做什么，知道选择什么模型，直接调用API和现成的工具包就好了。

其次，结合自身领域落地实践。有了基本功只能说明你可以输出了，必须要结合领域知识才能使得你的基本功不是屠龙之术。所以我一直劝很多朋友不要盲目转机器学习从零做起。而学生朋友们可以更多的关注自己感兴趣的领域，思考如何把机器学习运用于这个领域。已经有了工作/研究经验的朋友，要试着将自己的工作经验利用起来。不要做机器学习里面最擅长投资的人，而要做金融领域中最擅长机器学习的专家。最重要的是，机器学习的基本功没有大家想的那么高不可攀，没有必要放弃自己的本专业全职转行，沉没成本太高。

最后，这个时代的科技迭代速度很快。我们需要尽量关注、学习，了解已经成熟和已有实例的新热点，但也不要凡热点必追。如果你有这些基本功和良好的领域结合能力，三年五年绝不是职业的瓶颈期，甚至十年都还太早。科技时代虽然给了我们很大的变革压力，但也带给了我们无限的可能。技术总会过时，热点总会过去，但不会过去的是我们不断追求新科技和挑战自我的热情。