诞生12年后，双11仍然续写答卷，也留下了问卷：当购物峰值不再是最大挑战，下一代技术创新，将会出现在哪里？
“好的创新是在高压的场景下产生的，‘双11’创造了一个个高压的场景，让最前沿的技术和最前沿的商业模式，能够产生高速的碰撞。”昨晚，阿里巴巴集团首席技术官程立的双11收官阶段演讲时说，双11的技术挑战将进入新的历史阶段。
今年的双11史上跨度最长，加上新冠疫情背景，有2000多个产业带、30万个外贸工厂和3万多个海外品牌的加入——当有机会将4000万新商品，推向8亿以上消费者时，每一个关键环节，都有诞生新一代技术的可能性。
相比程立这样“12年全程参与的工程师”，人们并不能即刻感知技术工程的全部价值，许多项目刚开始设计时，说穿了是为消费者和商家节省几分钟、几块钱；从社会成本上，需要把一个峰值，在时间或空间上烫平；最终，还是回到如何让每一个订单稳定、高效的达成。
就像程立所说的，今年双11，在新品研发、生产制造、用户触达、供应链、物流配送等环节，技术和商业的共振产生了大量创新。而它们的最终方向是让“商业要素在线化、数字化，在这个基础上，构成一个真正数字化的商业网络”。
也因为时间窗口最长，这次双11也让我们从更长的产业链条上，预测一下未来还会有的新东西：
C2M技术会替代“电商”，就像云计算替代传统IT
C2M（用户直连制造）也许还是一个定义不清的词汇，更没有“C2M技术包括什么”的共识。但是，就像云计算公司，代替了IT公司，这届双11让未来的C2M技术集群变得更加清晰。
阿里巴巴至少有三个不同的技术模块，尝试深度打通C2M。
天猫精灵背后的AIoT技术和多模态交互模组，已经影响了许多家电、家居厂商的智能化设计研发。
也带动了一些小家电产业带、外贸工厂的快速增长。
整体技术、设计资源的开放度仍然是全行业最高的。
躺平智造为代表从终端到本地的工业化数字技术，其中3D/AR前端渲染模型，家装设计师的设计软件和建材工厂的生产数据库完成了连接。
双11的10万样板间还只是开始，未来半年还会有2万个门店进入全屋定制业务。
犀牛智造在数据智能技术支持下的智能工厂和柔性产线，犀牛智造带给产业带工厂的机会，不仅仅是小样本的测款，更有大数据下的丰富机会。
家装、家电、家居和服饰都增长明显，这些行业也都存在制造端柔性与消费者个性的强烈趋势，市场规模已经足够巨大。诸如本地化配送组装这类问题，阿里巴巴已有很强技术的末端问题。
加上阿里云在工业大脑领域多个基础性行业的积累，也许不需要太久，淘宝天猫就会从一个电商平台，孵化出一个C2M技术集群，或者智能制造平台。
数字供应链成为大型企业数字化的突破口
如果云是调度线上的资源，供应链则对应企业线下的资源，无疑异常重要。因此，程立在演讲中多次援引了阿里巴巴一个叫DChain的项目。通过这当中的智能预测技术，在双11前，已经将超过11亿商品提前分配进离潜在消费者最近的物流仓库；让一些零售企业直接省去了仓储物流成本，直接从工厂进行发货；甚至，在主播的直播间开启前夜，也可以去预测千万级规模的订单，可能会分布在哪里。
这套系统目前应该通过菜鸟数字仓储体系，和阿里云的新零售中台产品等界面，都可以让企业接触使用。可以想见，在淘宝特价版或者零售通这样非常下沉的商品管理中，这种能力会更大幅度提升过去由人工管理的供给效率。但是，仅此而已吗？
企业的供应计划，是整个经营资源决策的核心，相比过去解决的客户关系问题，过去会被认为因为库存进出频率不高，而没有率先进入数字化。
而实际上很可能是因为没有足够多真的可以优化供应的数据和算法。
很少有机构的数字供应链可以聚集阿里巴巴现在这么多维度链路。
并且已经将影响供应链的订单消息，与几乎所有这个领域的140多家服务商有深度的技术对接；
一旦大型企业可以参考，则会带动上下游大量生态企业。
这个领域也不需要新的软件，而是需要新的数据处理和算法框架，例如在阿里巴巴商家服务和数据仓库产品中已经大量存在的流批一体架构。
双11积累的经验，似乎越来越靠近产品化了。
此外，还有淘宝天猫新品平台，这样直接帮助品牌研发早期的技术平台。对于一些需要用爆品来决定企业计划的行业，将非常关键。
对消费者和产业的理解，可能催生出新的智能计算框架
11月3日的阿里巴巴双11技术沟通会上，首次详解了认知智能引擎，在商业AI体系中的重要作用。紧接着11月9日，这个团队就受邀在中国科协、中国科学院、中国工程院主办的顶级会议上，发布开源一站式图计算引擎GraphScope。
这个开源框架还没有公布特别多细节，但是从项目组的介绍看，它直接来自于双11中每天数千亿次调用的智能场景是无疑的：
在阿里巴巴的场景里，因为有产业、地域、经济行为等概念化的图谱存在，对于计算的需求与一般的深度学习场景是不同的。
具有这种遍历图的能力后，针对不同行业，更高认知水平的智能技术才有可能产生。
图计算性能近年来已经进步的数10倍，但仍然存在三个大规模应用挑战：
一是相关领域问题复杂，计算模式多样，大量解决方案碎片化；
二是学习难度大，对于非专业编程人士门槛很高；
三是跨域数据量大、计算效率仍然偏低。
GraphScope与TensorFlow等框架，在系统上会有一个协同关系，即将深度学习和传统的图模型做更紧密的结合，取得更好的效果。
外界对平台型公司的观察，往往颗粒度差异很大。尤其对阿里巴巴科技，每个人摸到的部位不同，评价不一。因为涉猎的行业最丰富，阿里巴巴似乎一直是最愿意向客户展示最新研发产出的大型公司：有的在天上，有的长在地里，有中台这样探索中的架构理念，也有云栖大会连续抛出达摩院、平头哥这样的爆炸性新闻。
如果回到公司战略之一：云计算与大数据，在历年双11的催化下，阿里巴巴自研云计算、数据库的故事，都最终实现了这种要素级的技术创新。云计算在中国规模与增速同时保持第一、数据库在中国已经超过Oracle位列第一；不仅支撑了双11，而且是许多国民应用的基础设施。
与一般封闭集中式的垄断平台不同，高科技发展，一定是开放和利他的。从一个个路径越来越丰富的双11订单也能看出，坚持大规模的开放接口，保持高频率的社会协同，本身就是最可持续的创新。
