工业模型

大疆无人机 时间:2019-05-23 22:09:34

  他说:不,我做养猪平台。我先砸钱,做地推,收购线下养猪场,然后做个app,在线上强力推广,贴钱卖,别人卖19块一斤,我卖一块钱19斤。每天半夜12点开放预购。秒杀。维度打击。干死所有卖肉的,然后形成垄断。然后做社群,再做生态。继续卖鸡卖鸭卖牛卖羊卖蚂蚱。

  他说:我这个故事特别大,钱人全到位了,光天使轮就估值50个亿,手下地推团队整一千人,现在就准备买火车票出发全国各地了。

  其实我并不擅长回答这个问题。养猪属于畜牧业,一般而言是在非城市地区发展的。但是看着他热情燃烧的眼神,我决定还是帮助他一下。

  于是,我去打了个电话。一个计量经济学的好朋友发给了我一份全国县域经济普查数据。我找到了肉类产量这一经济指标,把它放到全国尺度去看,大概长这样:

  从产量上看,全国的肉类产量地区形成了一条明显的带型走廊,从东北地区斜着一直拉到海南,同时在四川盆地和云南一带还形成了一个连绵的地区。其中,大概统计一下的线吨以上(标注为红色)的县级单位一共有581个。

  581个县,假设每一个县的”收购养猪场地推小组”定为10人的话,为了一次性地形成平台级垄断,王大鹏起码需要5810个人。因此,尽管手握着1000人的豪华地推团队,王大鹏也不禁有些担忧了。

  好吧,送佛送到西。其实,仅仅选择肉产量的话,的确并不是那么科学,不如细化一下指标。但在此之前,我还需要先了解一下具体需求。

  于是,我问:关于这个项目,你有什么深入的想法呢?比如对这些要收购的养猪场还有什么别的要求吗?还是说这是商业机密,不能随便讲?

  养猪场周边环境好,客户体验也得好。A轮我准备再融10个亿,收购1家智能家居公司,上各种智能设备, 什么摄像头、空气净化器,每个猪圈配一个。摄像头直连客户手机,点开一看猪们全TM生活在青山绿水乡愁之中。又发烧又情怀。

  这个要求的话,用什么指标比较好呢?我灵机一动,按照中国农村的发展特性来看,工业必然带来污染,那么,工业产值越低生态环境肯定越好啊。

  我从经济普查数据里找到了工业产值的指标,标准化以后落在全国尺度地图上,大概长这样:

  从图中可以看到,颜色越绿,也就是我们认为的环境越好。总体而言,环境比较好的地区在东北、西北、东南山区和整个西南地区。

  B轮我准备再融20个亿,收购10家冷鲜物流公司,推出猪肉闪电送业务。保证晚上下单上午到。广告词我都想好了:我们不是猪,我们只是猪的搬运工。

  这个要求的话,用什么指标比较好呢?但还没等我思考新的指标选什么,他已经无法阻止地继续滔滔不绝了:

  想想看,我天使AB轮几十个亿砸进去,养猪产量立码翻上百倍,全村人全得去养猪。人力资源得够用,何况就业率一上去,县委书记们都排队等着跟我谈笑风生。

  用人得便宜。不光是养猪。C轮我还准备再融50个亿,搞一家物业公司,建保安、兽医和环卫团队,每5个猪圈配一个。一年后从猪圈物业直接升级房地产物业,弯道超车。拆分上市。

  当地网络普及水平得足够低,最好全村连个宽带接口都没有,村民没见过淘宝,手机全是诺基亚,连qq都不会用。否则我这idea这么牛逼,被BAT抄袭了怎么办?他们大资本强技术低道德无压力碾压我啊。

  本来只是抱持着帮忙态度的我,此时已被王大鹏说的热血沸腾,恨不得马上就跟着他私奔乡间,走上靠养猪改变世界的梦想之旅。但本着科学的精神,我还是弱弱地问道:你这个指标太多了,我还得再去搜索更多的数据才行,同时建模筛选验证也要不少时间,你看我下个礼拜给你算一个初步结果怎么样?

  王大鹏一拍桌子:互联网行业怎么能等结果等1个礼拜呢?必须得快,现在马上now!

  我被他的决心深深地震撼了,于是我也一咬牙:好吧,那我现在就给你选指标出来。

  3.物流速度指标。怎么搞?以该县到最近的省会城市(可能并不是本省)的距离作为速度指标吧。一般而言,中国的物流体系是按照“省市地县”的层级排序的,省会往往是地区性的物流枢纽。大差不差。已搞定。

  4.本地行业人力资源指标。怎么搞?用该县从事农业的人数来衡量吧,虽然可能种粮食种蔬菜跟养猪不是一回事,但是比起干二产三产的人而言,起码一产从业者看过猪跑吧。就选这个指标了。已搞定。

  5.本地人力成本指标。怎么搞?用县区人均储蓄水平来衡量吧。人穷成本低,逻辑很通顺。已搞定。

  6.网络普及指标。怎么搞?用淘宝网商指数来衡量吧。待会等我打个电话,动一下阿里研究院的关系。看看到底哪些县网商发展的最弱,肯定网络壁垒最深。已搞定。

  上图中按从左到右顺序,第一排和第二排分别为:肉产量分布、环境指数分布、最近省会距离分布、县区农业人口数量分布、人均储蓄分布、以及阿里网商指数分布。

  忽然,王大鹏打破了沉静,问:这些数据说不定投资人都见过,有没有更炫酷的计量模型核心算法什么的?

  这个简单。如何利用这六个指标建立一个可以应用在O2O商业模式中的模型呢?我们可以对物理学中的耦合度模型进行改造,做出一个“猪肉收购终极模型”。简单解释一下,大概是这样:

  假如,王大鹏在养猪O2O项目中,要求每一个指标都不能很差,尤其不能出现明显的指标短板,也就是说要遵循“水桶效应”的话,那么我们可以采用耦合度模型。

  假如,王大鹏在养猪O2O项目中,更希望有某些指标表现地特别突出,把一两个痛点做到极致,无所谓是否有短板的话,那么我们可以采用综合发展模型。

  假如,王大鹏在养猪O2O项目中,更希望在耦合度和综合发展上都能够稍微兼顾一点,求一个稳妥的中间路线的话,那么我们就把两个指标结合起来做个“猪肉收购终极模型”。

  我在黑板上写完这些公式,正准备解释的时候,王大鹏用他热情燃烧的眼神打断了我:

  太好了,反正投资人也听不懂,直接用兼顾的那个什么收购优选健康度模型告诉我结论吧。

  从上图可以看到,通过六大指标的模型筛选之后,在中国的养猪走廊中,只留下了几个片区更适合王大鹏的项目。分别位于东北地区、中原的河南安徽一带、湖南、广西、四川东部以及云南地区。

  考虑到王大鹏天使轮地推团队的规模,我决定帮他选出养猪O2O项目健康度最高的100个县(或县级市)。其列表如下:

  王大鹏认真地读着上图的每一个名字:恩,还好,排名靠前的好像都在同一个地方,长春。这也意味着初期地推人员还不用太过分散,更容易集中精力。不错。

  我说:是啊,你可以从农安县开始,这里似乎三个模型算出来都是最适合你的项目的。

  王大鹏用力地握住了我的手,动情地说:小团妹妹,太感谢你了,等公司在纽交所上市了,我一定带你一起去敲钟。不过在这之前,我还得再求你一件事。

  王大鹏眼中的热情燃烧地更加旺盛了,他看上去鼓足了很大的勇气一般,对我说:

  “时空信息通信技术支撑能源互联网建设”研讨会于2018年3月31日至4月1日在武汉举行。来自国内11所高等院校和科研院所以及13家企事业单位几十余位专家出席了此次会议,围绕时空信息通信技术支撑能源互联网建设的主题,从能源规划、新一代空间信息系统、复杂大电网时空信息服务平台、能源互联网时空大数据管理与应用、北斗导航应用于智慧电网等方面展开了充分的研讨,探讨了时空信息通信技术支撑能源互联网的发展思路,描绘了能源互联网时空信息的发展宏图。

  中国地理信息产业协会副秘书长李满春致欢迎辞,他指出地理信息产业是国家战略性基础信息产业,地理信息应用应以技术融合为主旋律,逐步走向行业化、大众化、多元化,旗帜鲜明地号召全体“地信人”应聚力推动时空信息通信技术的创新发展,合力支撑全球能源互联网建设。

  中国人民解放军信息工程大学教授、博导华一新在会上做了题为“新一代空间信息系统”的精彩报告,针对传统GIS存在的问题,提出了多粒度时空对象模型理论,开辟了空间信息系统的一条崭新发展路径,新一代空间信息系统正在孕育成长。

  武汉大学测绘遥感信息工程国家重点实验室教授、博导朱欣焰就复杂大电网时空信息服务平台支撑智能电网建设的主题开展交流。他指出为大电网提供全面、及时和准确的时空信息服务是一个世界性难题。项目组经过多年攻关,创建了地理空间与电气空间深度融合的电网时空信息模型;提出了复杂大电网时空拓扑的秒级实时重构技术;构建了基于北斗系统的电网资源信息可信高效更新技术体系;研发了全面支撑复杂大电网“输电、变电、配电、用电及调度”等核心业务的时空信息服务平台,为智能电网和全球能源互联网的建设提供助力。

  武汉大学卫星导航定位技术研究中心主任、教授、博导姜卫平做了题为“北斗卫星导航系统及其在智能电网建设中的应用”的报告,从北斗卫星导航系统发展现状、北斗高精度导航技术、电力行业对北斗的需求、北斗支撑智能电网建设四个方面,展示了北斗卫星导航系统的最新发展动态,以及在电力行业的多个应用场景,展望了北斗技术在全球能源互联网建设中的应用前景。

  香港中文大学太空与地球信息科学研究所副所长、西南交通大学长江学者讲座教授黄波做了题为“时空大数据融合、分析与应用”的报告,从时空数据表达模型、时空统计分析模型、时空多分辨率数据融合、时空大数据及环境应用等方面,展开时空大数据融合、分析及应用议题的研讨。通过时空大数据与行业大数据的融合,以及多源、多分辨率大数据的融合能够使大数据应用成果更丰富。

  来自武汉市北斗工业技术研究院的国际一流的卫星导航技术专家,武汉市北斗工业技术研究院院长、千人计划人才韩绍伟对高精度北斗芯片设计及在国家电网中的应用做了充分研讨。研讨中梳理出北斗产业整条生态链结构,北斗技术发展到当前阶段的6大核心技术。提出了高精度位置服务产业的发展必将紧密围绕“北斗卫星导航”和“互联网+”两大国家战略新兴产业,发挥自身优势、整合多方资源与各行业共谋发展。

  武汉大学测绘遥感信息工程国家重点实验室副主任,长江学者,博导吴华意教授做了题为“实时地理信息系统及其应用”的报告。在万物互联时代的背景下,实时接入、动态管理、流式计算、智能决策等业务需求强烈呼唤实时地理信息技术的发展和成熟应用。吴华意教授的报告总结了当前实时地理信息技术发展的进展,分享了有关实时地理信息技术的成果和应用,为能源互联网时代的技术背景展现了一个新的视角。

  国家电网公司原总经理助理,现任国网公司特高压专家、IEEE高级会员、中国电机工程学会常务理事兼电力建设专业委员会主任孙昕饱含着对祖国能源事业的深情,做了十三五能源(电力)规划与我国能源(电力)转型(能源互联网)的精彩演讲。他在分析了我国紧迫的能源形势之后,得出我国能源转型势在必行的结论。从建设现代能源体系、优化发展推动能源结构调整、升级建设现代能源输送网络、升级构造智慧综合能源系统四个方面入手,充分肯定了空间信息通信技术是支撑现代能源体系的关键技术之一,时代要求我们深耕这份光荣的事业,为我国能源转型出一份力。

  中国地理信息产业协会电力信息工作委员会秘书长、国网思极神往位置服务有限公司总经理刘金长表示,通过此次研讨会,思极位置公司将继续深耕时空信息通信技术领域,加快构建“一图两网·时空智能”基础设施及运营服务体系。我们希望建立更广泛地合作,共同推进时空信息通信技术支撑全球能源互联网建设。

  本次会议承办单位有中国地理信息产业协会电力信息工作委员会、国网信息通信产业集团有限公司;协办单位有国网湖北省电力公司、国网思极神往位置服务有限公司、厦门亿力吉奥信息科技有限公司。

  关注全球知名信息技术咨询公司IDC近日发布了《2018中国企业数字化发展报告》,印证了数字经济时代全面来临的大趋势。

  报告显示,近几年数字经济占GDP比重逐年增加,至2017年已经达到32.9%,规模达27.2万亿元。但相对于发达国家(美、德、英)数字经济占GDP比重超过50%,仍存在很大提升空间。目前我国数字经济市场增速将近20%,已经超过上述发达国家。IDC在报告中预测,到2021年,全球至少50%的GDP将以数字化的方式实现,数字技术将全面渗透各个行业,并实现跨界融合和创新。

  在数字经济的大趋势下,企业急需从传统IT平台向数字化转变,数字经济已经成为中国经济创新发展的主流模式,网易云因此积极卡位布局,正式发布单集群可支持5000物理节点的“瀚海”私有云,以及完整的微服务解决方案“轻舟”,工业智能平台等最新产品,并联合浪潮推出首款云计算全栈一体机,希望通过开放技术帮助到企业转型,助推数字经济的发展和起飞。

  网易副总裁、杭州研究院执行院长汪源认为,顺应数字经济转型进阶为数字企业,第一步就是要采用云计算、大数据的技术,即“上云”,但是企业上云必须考虑长远,要保证系统平滑演进、自主可控而不被云厂商锁死、以及有源源不断的生态人才,因此企业一定要选择开放的云,并且是基于开源技术,采用最主流的开放标准。

  此次网易云发布的“瀚海”私有云支持OpenStack等主流开源技术,单个集群可以支持5000个物理节点、3万台云主机。微服务解决方案“轻舟”整合了所有主流开源技术,支持DevOps,配备单个集群可支持3万节点、45万容器的容器云平台,允许企业轻松构建、治理和管控,是业界领先和完整的微服务解决方案。同时,网易云联合浪潮集团发布了首款云计算全栈一体机,融合浪潮在计算基础架构的技术与网易云的互联网级IT能力,为传统企业用户提供一站式云基础设施解决方案。

  为什么网易最坚定站在开源、开放这条路上?一个很重要的原因是开源开放基础技术已经形成了较为成熟和完整的生态,有大量的技术公司、人才、高校、政府机构和用户的参与,相对在操作系统、数据库、中间件、应用管理与运行等对标过去软件体系的每一个软件层面,都形成了完整的标准体系和参与者生态,这个市场的形态已经成熟并且可以规模化扩展。

  汪源表示,网易云是网易企业级业务(2B)的排头兵,云和大数据的市场空间非常大,而真正能让云和大数据产生价值的还是大企业,特别是行业龙头企业。对于大企业上云来说,一定要选择能够支撑系统平滑演进,可以管好、用好、有大量人才的云,那么就必须选择开放的云,基于开源技术且满足主流开放标准的云。

  IDC报告通过对六大重点行业的100家大型企业调研显示,依赖资源和行政推动力的行业,如政府机构和制造业,数字化程度仍然较低,超过50%的中国制造企业的数字化尚处于单点试验和局部推广阶段,未来发展空间巨大。数据显示,2017年制造业产值占中国GDP的29.3%。IDC认为,在全球制造业迈向新一轮发展的趋势下,加快建设制造强国,加快发展先进制造业,推动智能制造,成为当前中国制造行业的数字化重点。

  在制造企业数字化方面,网易云与万向集团合作了万向工业互联网平台,这是万向集团投资的数字经济平台,围绕工业设计、工业制造、工业服务全流程,以万向42家制造企业、800余家供应链为企业基础,目前已经经过初期建设,在工业PaaS平台构建、生产过程监控、产线能耗分析等领域取得了初步成效。例如在产线能耗分析上,万向通过把机床等设备接入云平台,采集能耗数据,结合产线机理模型,输出不同时间、不同设备和不同工况下的能耗情况,根据计算结果提出能耗优化策略。

  在政府行业方面,网易云以联合创新中心的形式与政府合作,网易联合创新中心是集技术、人才、市场和生态等于一体的创新服务平台,依托网易云计算、大数据、人工智能等互联网技术资源,以及网易在游戏动漫、文化娱乐、在线教育、新消费等领域的互联网产品资源,与地方政府共同推动数字化经济发展的平台。网易联合创新中心已经在全国10个城市落地,包括了长春园区、合肥园区、淮南园区、嘉兴园区和海南园区等。

  汪源强调,推动数字化创新进程,要选择长期陪伴企业发展、能够掌控的平台,目前网易云已经服务了45万家企业,这些客户与合作伙伴都是看重网易云的开源方案和完整生态,网易云能够通过开放技术帮助到企业转型,促进数字经济的发展,顺利完成转型和进阶。

  关注很多年前,阮一峰将美国软件工程师、大嘴巴JoelSpolsky部分博客引进中国,取名《软件随想录》。我们挖出JoelSpolsky 另外一篇很有意思的老博客,对创业者很有启发,Enjoy!

  ,必须确定你公司属于什么阵营,你需要做决定:选择缓慢而有机地成长并逐渐盈利,还是在雄厚资本支持下“爆炸式发展”?

  第一种模型开始时企业规模较小,目标也有限,需要花很长时间慢慢把生意做起来。我将其称之为美国冰淇淋品牌“Ben 模型;另一种则俗称”快速成长“(又名”圈地“)型,你需要筹集大量资金,尽快发展壮大,而且不关心盈利能力。我将其称之为”亚马逊模型“,因为亚马逊创始人杰夫·贝佐斯几乎就是这一模型完美代言。

  首先,我们来看下这两个模型差异。问自己第一个问题:你要进入的是一个存在激烈竞争的行业吗?

  如果你没面临任何真正竞争,就像当时亚马逊,你就有机会通过“圈地”获得成功。也就是说,你要尽可能快获取大量客户,这样后面竞争对手就很难进入。但如果你面对的是一个已有很多成熟竞争对手的行业,“抢地盘”是没意义的,你需要花大力气把客户从竞争对手那拉过来,才能创建你的客户群。

  第二个问题你需要问自己:你的生意,具有“网络效应”和“用户锁定”特点吗?

  “网络效应”意思是:你已有客户越多,你未来客户也就越多,该效应基于梅特卡夫定律:一个网络的价值,等于其用户数的平方。而所谓用户“锁定”,就是这项业务存在某些特质,让用户不想随便更换。即使服务不是很好,也没人想换掉,因为用户觉得修改电子邮件很麻烦。

  以下是快速发展案例研究:1998年,AOL支出大幅增长,每五周就增加一百万客户,AOL 有聊天室和即时通讯等功能,这些可实现对用户的隐形锁定。一旦你找到一群聊得来的朋友,你就不会更换网络供应商。AOL每月可以收取22 美元,而很多互联网提供商费用不过是每月10美元,在我看来隐形锁定就是关键原因。

  当我在Juno工作,大众都开始上网,但我的管理层未能理解这一点,错过最好的超越AOL机会。他们不想因新一轮募资稀释股权,所以没花大力气吸引顾客,对 IM聊天,他们也没战略性思考,所以也没开发任何可实现隐形锁定的软件功能。现在Juno约有300万用户,平均每月支付5.50美元,而AOL约有 2100万用户,平均每月支付17美元。“哎!”

  现在说结论:如果你进入某个行业,它具有网络效应和用户锁定(比如电子商务或即使通讯),并且没竞争对手,那么你最好使用亚马逊模式,要不然其他人就会捷足先登。但如果你进入的是一个成熟市场,快速增长只会浪费大量资金,你最好做一些可持续增长、盈利的事,这样接下来几年,你可以慢慢取代你竞争对手。

  亚马逊快速筹集资金,又迅速花掉。这么做是有原因的,他们需要尽快发展。如果这个行业还没竞争对手和网络效应,这是快速发展的最好时机,每一天都很重要。Ben 则未必如此,他们起步初只需要少量资金,甚至只是一张信用卡额度,同时可能快速盈利。

  第一,使用已装修好的行政办公室,不使用传统办公室。成本:大约是普通办公室3 倍。节省时间:几个月到一年,时间长短取决于市场;第二,支付高工资,为程序员提供“宝马”作为创业奖金。成本:技术人员工资支出高出约25%.节省时间:可在3 周内招到需要的人才,一般情况下需要6个月。第三,雇佣顾问代替员工,成本:约3 倍。节省时间:你可以马上咨询顾问,迅速执行决策。第四,如果你顾问没给你足够时间和关注,用现金贿赂他们,让他们只想为你工作。第五,大把花现金,尽快解决问题。如果你新招来的明星程序员工作量不够,整天忙着安置新家,那就雇一个高级搬家公司,帮他们搞定。如果新办公室安装电话很费时,那就买几打手机。同样,如果网络问题降低了工作效率,再找两家网络供应商做备份网络。雇佣前台,为所有员工提供干洗、预订服务、安排豪华轿车到机场等等。

  当公司每年增长速度超过100%,导师就无法向新员工传递企业价值观。如果一个昨天刚招聘的程序员今天就被提升为经理,突然间要听取5 个报告,这样就不可能传递企业文化。网景就是很典型例子,一年内程序员人数从5人暴增到2000 人,因此,他们文化是来自不同人的不同价值观的大杂烩,不能形成文化的合力。

  对一些公司,这可能是好事。但对另一些公司来说,企业文化是公司本身一个重要组成部分。“Ben 的存在源自创始人价值观,他们不会让企业发展增速,超过企业文化传递的速度。

  让我们以软件为例。假设你想。现在,这个市场似乎已被微软垄断,但你会发现一个小众市场,不管出于什么原因,他们都不接受自己的文字处理程序崩溃。这时,你可以去开发一款超稳健的工业级文字处理软件,它永远不会崩溃。你可以溢价出售给靠文字处理软件为生的人群。

  然后现在,你的企业文化可能包括各种编写高度健壮代码的技术:单元测试、正式代码评审、编程惯例、大的QA 部门等等。这些技术不是微不足道的,员工们必须花费一段时间来学习。当新程序员要学习如何编写健壮代码时,他们需要更有经验的人提供指导。

  一旦公司增长快到不可能进行新人辅导,你就只能放弃传递这些很重要的企业文化。新员工不了解这些,就会写出不可靠的代码,他们的程序会因为考虑不周而崩溃。也没人有时间审查他们代码,教会他们正确方法,你的产品针对 MicrosoftWord的整个竞争优势就不复存在。

  所以,对“Ben 模型来说,企业文化很重要,但对亚马逊模式,文化变得不是重要的事。不过需要提醒:公司增长过快会忽视细节,铸成大错,尤其是会花费过多钱。亚马逊用约 180000000美元股票收购了一家比较购物公司 Junglee,然后突然意识到:比较购物服务对他们业务不利,又把它关掉。充足的现金流很容易掩盖一些愚蠢错误。

  当然,企业迅速成长会让人觉得这是一家成功企业,当潜在员工看到你每周招聘30人,他们会觉得自己有可能是即将IPO 的公司一员。这些人可能不会注意到一家有12名员工和一条狗的“不活跃的小公司”,即使这家公司利润可观,同时正发展为一家基业长青的公司。

  那如果你必须快速成长怎么办呢?根据一项经验法则,你要么提供一个良好的工作环境,要么向员工承诺他们会快速致富,否则你招聘不到人才。一些员工对即将IPO 的公司感兴趣,通常这类公司会发放大量股票期权。这类人即使讨厌公司安排的工作,也愿在公司呆三到四年,因为他们指望着IPO之后的那一桶金。

  如果公司缓慢而有机增长,这一桶金看起来更加遥远。在这种情况下,你别无选择,只能努力营造一个良好的工作环境。它不可能是忙碌的80 小时工作制,办公室不可以是巨大的嘈杂的阁楼,里面挤满折迭桌和硬木椅,你要给员工不错的假期,员工之间关系友善,友谊超越同事之情。经理要开明,要获得大家支持,他不能是 Dilbertesque式的细节型经理,如果你做到以上这一切,就会吸引很多人,他们已经被下次IPO 就成为百万富翁的梦想愚弄太多次;现在,他们寻找的是稳定发展的公司。

  在Ben 模型中,如果你足够聪明,肯定会成功。或许有些费劲,有些起伏,但除非迎来又一次大萧条,你不会损失太多钱,因为本来也没投入太多。而亚马逊模式问题在于:现在所有人都只想到亚马逊,实际上你应该想想其他 95%的公司,他们烧掉数量惊人的风险投资,然后无一例外失败,因为没人想购买他们产品。如果遵循Ben 模型,你至少知道,如果没人想要你的产品,你的投入就不会超过你最初获得的那点风险投资即一张信用卡的额度。

  还不能决定吗?还有其他事需要考虑。比如你的个人价值观,你愿意开一家亚马逊这样的公司,还是Ben式公司?创业者首先要去了解一些企业史,比如亚马逊和 Ben,即使它们已明显被神化,你也要看看哪个更符合你核心价值观。

  同时想想你风险/回报。你35岁时,想不想赌一把成为亿万富翁,即使这样做的可能性比中彩票还低?Ben式公司不会让你实现这个梦想。

  但你最不能做或者最糟糕的事是:当你决定,随后,你的表现却是Ben 式的(尽管你可能否认)。亚马逊式公司会尽一切可能用现金争取时间,但你可能认为你聪明又节俭,能找到愿接受一般水平工资的程序员,而实际上你没那么聪明,这么做会花掉六个月而不是两个月、4 个月的时间,这可能意味你已错过圣诞购物季,所以这实际上会浪费你一年,而这一年很可能会使你整个商业计划流产。或者你可能认为同时开发Mac版本和Windows 版本的软件是明智的,但这么做需要程序员构建兼容层,最后会花掉两倍时间,而客户总数只增长了15%.

  两种发展模式,你必须选择一个,并坚持下去,否则你会莫名其妙地发现错了,却不知道错在哪里。

  关注7月21日,极客公园发布了“2018中国最具投资价值TOP50公司榜单”,在TOP50榜单里,鳍源是唯一一家上榜的水下机器人企业,从而获得业内广泛关注。

  根据IDC预测,全球机器人和无人机支出将在2018年达到1031亿美元(约合6700亿人民币)。比2017年增长22.1%。相较于快速增长期过后监管日趋严格的无人机市场,水下机器人作为尚待开发的新型应用,面临前所未有的市场机遇。鳍源科技作为最早一批入局水下无人机的企业之一,在全球范围内都是行业中的技术领先者。团队坚持用创新的技术突破行业壁垒,做到整个水下机器人设计、生产验证、技术全掌控、在不断研发及打磨产品的同时也致力于水下无人机商业化的探索,树立专业的消费级水下机器人行业标准。

  6月底,FIFISHP3登陆北美B&H,B&H是美国专业的摄影器材网站,是北美地区影响力最广、体量最大的摄影器材售卖平台。FIFISHP3在如此短时间内,在如此专业的摄影器材售卖平台,获得众多摄影爱好者的认可。

  据B&H销售负责人介绍,FIFISHP3一经推出就受到发烧友的狂热追捧,首周便获得了TopSeller,成为北美水下无人机的销售冠军。

  除了销售数据喜人外,FIFISHP3在市场合作方面也取得重大突破,凭借其出色的水下拍摄效果得到了专业机构的认可。在商业拍摄领域,在海外与《国家地理》杂志、Discovery探索频道、FoxNewsChannel等专业机构深度合作,提供专业水下视频拍摄支持;在专业纪录片领域,参与国庆献礼系列纪录片《水下中国》录制;在自媒体领域,与国内潜水大V、影视制作团队开展内容深度合作,完成水下直播、旅游真人秀、网路综艺等水下内容策划拍摄,在全球各大互联网视频平台引发全民热议......

  “FIFISHP3作为全球首款消费级水下机器人,以专业的拍摄效果、稳定的水下运动姿态和领先行业的产品可靠度,打造全新的水下拍摄体验,树立了专业的消费级水下机器人行业标准。”鳍源科技CEO张翀介绍,在FIFISHP3的设计上,选择挑战最符合消费品审美的外观,专业的摄像系统,三推进器排布,最终还实现了产品稳定的水下运动姿态,这些无形中增加的设计难度,使得鳍源科技的技术积累在整个行业中拥有巨大的优势。

  业内专家指出,整个水下机器人市场总量非常可观,消费人群基数大,市场潜力没有被充分开发。虽然目前消费级水下机器人在全球范围内还处于属于市场培育与普及阶段,但近两年由于水下机器人在全球消费级市场应用范围远超出大众想象,整体普及性呈现高速度增长。由于海外的人群文化沉淀、潜水用户的比例等原因,消费级水下无人机目前主战场在国外,鳍源科技目前也更侧重开拓国外市场。

  今年伊始,鳍源科技便捷报频传。旗下消费级水下无人机FIFISHP3从2018年初在海外上市以来,不断从欧美、日本、澳大利亚、新西兰等国家和地区的代理商、经销商获得高度评价,截止目前已获得超过数千万的订单。鳍源科技以其骄人的成绩持续领跑全球水下机器人市场。

  “一款专业的水下无人机,我们挑战的是比天空更高的技术门槛。”鳍源张翀介绍“仅从拍摄效果来说,因为水下环境和介质的不同,需要解决包括感光、畸变、折射、杂质滤除等客观存在的问题。要达到专业的水下拍摄效果,整个的拍摄系统不能沿用岸上已有的拍摄系统。FIFISHP3的摄像系统完全自主研发,1寸靶面162°超广角,是全球唯一一家使用专业单反技术参数的水下无人机。水下随着深度的增加,环境会越来越幽暗红光也会被吸收,P3配置了4000流明补光灯,仿照正午12点阳光的色温,弥补拍摄时候的光照不足和水下色彩还原;通过智能算法降低图像噪点和滤除水中杂质。另外功能上可以支持手动参数设定、自动对焦与微距拍摄,极大降低水下拍摄门槛,提升拍摄体验。

  “水下100米的防水密封本身就是一个很大的挑战,我们需要保证设计生产的是一个专业可靠的电子产品而不是一次性的玩具。”水下的环境远比天空更为复杂,一是操作环境复杂,各类水下生物、暗礁、水流,在操作的过程中会存在许多不确定的环境因素;二是反复使用损耗严重,海水具有强腐蚀性、细沙对电机的磨损,这些客观的问题都是考验产品可靠度上的一个个难关;另外一款工业级的水下机器人每次使用完毕都会有严格的维护、检修规范要求,甚至由此衍生出一个专门做产品维护的服务行业,但是对于一款消费级的水下机器人来说,不可能期待要求所有的消费者每次使用完毕以后都去做专业的产品维护。FIFISHP3通过领先行业的专业设计与大量可靠度实验验证确保产品可靠度,从核心零组件突破到系统化技术全掌控。鳍源突破了200次水下连续撞击测试验证;防水密封突破100米深度,颠覆性地采用无点胶罐体密封技术,罐体密封性最大可达到水下150米,经过300次的反复100米水压测试;在电机防水、防沙方面成功申请多项专利,通过包括1000多小时沙水环境运转等测试。目前FIFISHP3的产品可靠度创造行业新标准。

  水下运动姿态的稳定性源于多维流体力学与精密姿态算法的完美配合,是整个行业面临的巨大技术门槛。鳍源不仅是目前水下运动姿态最平稳、操控最灵活,并且充分的掌握了整个设计上的方法论。首先FIFISHP3在外观设计上做出了远比同行更大的突破,产品做成传统的箱式结构或者规则几何结构不管是压差变化还是迎流面阻力都是有规律可循的,运动姿态也更利于控制。而作为一款消费电子产品,鳍源没有沿用工业产品的方式,在外观上做了更大胆的突破;同时由于P3使用了一寸大靶面的镜头,使得在水下的迎流面阻力是行业产品的数倍之多;为了拥有良好的操控体验,通过姿态算法的调整,不仅在平静的水下环境还是在有流、有浪的情况下,实现了稳定的水下运动姿态。“一款专业的水下机器人一定要站在更高的角度,以过硬的技术来切合用户的真实需求,通过不断突破技术壁垒来赢取市场。”张翀介绍,正因有这样的决心,使得鳍源科技在行业建立技术壁垒,形成领先行业的护城河。

  FIFISHP4无线产品曝光技术布局水下大数据、内容IP、硬件服务及教育三大领域

  鳍源科技在全球范围内都是行业中的技术领先者。最新曝光的新品FIFISHP4将实现革命性的行业突破,成为新一代探索海洋的神器。FIFISHP4是全球首款实现无线连接的消费级水下机器人。实现水下无线操控,智能锁定、自动跟拍,让水下拍摄更智能更简单。P4保持了FIFISH系列一贯优异的拍摄性能,达到类鱼眼的拍摄效果,在增加了侧推及云台的设计后,增加平移维度的运动姿态,从而实现侧拍、绕拍、仰拍、俯拍等各角度画面捕捉,满足用户在不同场景下的不同需求。据悉,FIFISHP4的售价预计会低于1万元人民币,如此超高的性价比将会彻底颠覆整个行业的格局。目前产品已经进入实测阶段,预计将于下半年面市。

  布局专业的消费级水下机器人只是鳍源在抢占探索海洋入口的第一步。由于水下拍摄场景内容的独特性,拍摄视频与画面具有强烈的传播属性,利用社交媒体和互联网进行内容传播,以内容创作、社交、娱乐为主体,呈现独特的水下IP品牌,必将带来巨大的影响力,引领场景化消费模式。目前FIFISH在FB/INS等海外主流社交平台,粉丝数量、粉丝活跃度均排名同行业第一,扩展地区以美国,日本,澳大利亚,新西兰,欧洲,东南亚旅游国家为主。地球表面的71%被海洋所覆盖,但被人类探索过的海洋面积不足5%。海洋对地球生态环境、气候变化、生命起源、地震预报等多个领域承担着十分关键的作用。鳍源在水下数据领域的布局:水下数据的收集,水下服务数据平台建立与商业挖掘,源于看好水下大数据在水下行业应用的巨大价值,随着海洋开发程度的深入,数据服务在海洋商业开发利用方面的市场前景也会逐渐凸显。以海洋生物识别、商业应用海图建立为原点,通过不断积累的水下大数据,为水下行业提供整体的解决方案。

  回顾中国过去的商业发展模式,从代工到互联网,技术创新上或多或少落后于国外先进水平。但在人工智能发展的时代,中国和世界是站在同一起跑线上,这对以技术为驱动的创新型企业来说,是一个绝佳的机会。鳍源CEO张翀认为,对于一个需要以科技创新来开拓的新领域,用以往的价格竞争和山寨模式很难做到市场空间的突围,做水下机器人需要站在更高的角度,以过硬的技术来切合用户的真实需求,通过模式创新来赢取未来市场。“未来在技术上,开辟行业绝对创新和绝对领先的技术,引领水下机器人行业。用技术开拓市场,用市场验证驱动技术升级、创新,逐渐循环拓展更大的市场空间。建立全球品牌和全球销售网络,加大力度稳打稳扎,获得更多的市场占有率。”

  关注谷歌工程部总监兼知名科学家雷蒙德·库茨魏尔曾说过“人工智能将在2029年左右达到人类智力的水平。再进一步,比如说,到2045年,我们将会把智能技术,人类文明所创造的生物机器智能的能力扩大10亿倍。”

  人工智能近几年发展火热,或许你不了解它的具体原理,但几乎人人都听说过它。其实,人工智能发展至今已经有60多年的历史,早在上世纪四五十年代,数学家和计算机工程师就已经开始探讨机器模拟智能的可能。1950年,艾伦·麦席森·图灵在他的论文《计算机器与智能》中提出了着名的图灵测试。在图灵测试中,一位人类测试员会通过文字与密室里的一台机器和一个人自由对话。如果测试员无法分辨与之对话的两个实体哪个是人哪个是机器人,则参与对话的机器就被认为通过测试。虽然图灵测试的科学性受到过质疑,但这对人工智能的发展产生了深远的影响。

  人工智能(ArtificialIntelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能作为计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能自诞生以来,理论和技术日益成熟,应用领域也在不断的扩大。总的来说,人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。

  在2016年和2017年阿尔法狗(AlphaGo)与阿尔法元(AlphaGoZero)以无可争辩的能力战胜了李世乭、柯洁等人类围棋高手而名噪一时。早在IBM的深蓝程序1997年在国际象棋棋盘上曾击败世界冠军GarryKasparov,类似的人类精英不敌人工智能的案例还有很多,去年1月,卡耐基梅隆大学(CMU)开发的AI程序Libratus击败了全球四大顶级德州扑克玩家。近日更有消息称AI与AI之间已经学会了如何团队合作,它们开始组队打DOTA2,而且还打赢了人类。在无人驾驶领域,人工智能也在大显身手;图像识别、语音识别技术的日益成熟也给我们的生活带来了极大的便利。

  近几年,深度学习(DeepLearning)更是逐渐成为人工智能领域中炙手可热的“香饽饽”,其本身是神经网络算法的衍生,在图像,语音等富媒体的分类和识别上取得了巨大的成功,使机器学习能够实现众多的应用,拓展了人工智能的领域范围。

  早在2012年6月,谷歌研究人员JeffDean和吴恩达从YouTube视频中提取了1000万个未标记的图像,训练一个由16000个电脑处理器组成的庞大神经网络。在没有给出任何识别信息的情况下,人工智能通过深度学习算法准确的从中识别出了猫科动物的照片。作为人工智能深度学习的首次案例,它意味着人工智能开始有了一定程度的“思考”能力。

  而在今年6月的AWS上海站的技术峰会上,亚马逊最新发表了他们的人工智能版图。其主要由应用、平台、框架三大部分组成,在AI应用层,能够提供基于深度学习的图像和视频分析等;在AI平台层,能够实现对象检测、面孔识别和人员跟踪等AI功能;在AI框架层,AWS基于多样的深度学习框架,构建AmazonSageMaker平台,能够实现Amazon各种人工智能应用服务,也在意味着深度学习在人工智能的版图上又迈进一步。

  伴随着深度学习应用的普及,很多应用场景为我们的生活带来了便利。当你乘坐高铁回家,只需刷脸便可进站,再也不用人挤人排长队;当你去银行办理业务时,只需要用机器扫描身份证,信息便已经在表单上填写完成,大大缩短了业务办理时间同时提高了银行办事效率和安全性;当有儿童、老人走失时,道路上的视频监控会被进行人脸分析,而这正与警方数据库相连,帮助警方找寻走失儿童、老人,还可识别在逃罪犯等,在这一切的背后都有AI在为你勤奋的工作着。

  人工智能技术在近几年的迅猛发展,对于七牛云来说是一个难得的契机。作为国内领先的以视频和图片处理见长的云服务厂商,同时,视觉又是人工智能提升最大的人类感知领域,因此,七牛云人工智能实验室AtLab创立之初就将计算机视觉作为研究的首选。虽说七牛云人工智能实验室AtLab成立仅两年,却成长飞快,当下已拥有超过100人的研发团队。AtLab发起人彭垚在深度学习算法和富媒体大数据分析领域有着超过十年的产品研发经验,在美国、法国发表数篇专业领域发明专利。

  对于内容产业来说,机器学习算法的极高分发效率为其打开了一扇全新的大门,这让信息流、短视频等发展如火如荼。但当海量内容出现,内容上的不可控已经成为内容产业当前最大的问题。针对这种现状,不一定非要靠成千上万的人工来做。作为一家致力于机器视觉研究的云服务公司,对此,彭垚表示:“七牛云计算机视觉产品的目标,就是打造一套能够完整支撑、充分理解视频内容的产品体系。”

  基于此理念,七牛云AIVideoOS应运而生。据彭垚介绍,七牛云AIVideoOS包含三个层次,第一层为DORA智能多媒体API平台,能够提供丰富的基于海量数据深度学习算法的计算机视觉服务;第二层为深度学习平台,是一个端到端的人工智能深度学习平台,可以高效输入算法模型,服务于算法工程师;第三层为上述两层的积淀,最后积累成富媒体行业的知识库,可以对处理过的视频和图片数据进行结构化。这三层是一个非常完整的闭环系统,更是一个互补的过程。

  当婴儿刚刚出生的时候,最先能够认出的就是他的父母的脸。目前,机器已经能够像人类一样,能够在场景中找到脸的位置,并识别出这张脸是否属于某个熟悉的人。在这里不得不提一下DORA智能多媒体API平台,支持每日数百亿次的图片、音视频基础处理请求,更提供丰富的基于海量数据深度学习算法的计算机视觉服务,包括内容审核(色情内容识别、暴恐识别)、通用场景识别(360+类)、通用物体识别(200+类)、OCR识别、燃气电表识别、人脸识别等。七牛云智能多媒体API的优秀属性使它能够灵活应对各种不同处理的组合,满足用户多样化的产品需求,而日均能够处理百亿级文件的智能多媒体API在实际使用中获得了用户的广泛认可。

  “与传统的模型发布流程相比,七牛云的深度学习平台可以节省80%的人力成本,缩短50%的实现周期。”彭垚如是说。深度学习平台AVA,是一个端到端的人工智能深度学习平台,可以将复杂的富媒体数据传输至平台的人工智能神经网络中进行分析和处理,专注为计算机视觉领域提供一套完整的数据集和模型生产工具链。其中包括了每日撰写迭代训练脚本;新数据的增删和管理;增量学习和迭代学习;搭建半监督打标系统;模型的比较和融合等。基于此架构,七牛云弹性深度学习平台能大量减少标注人员的工作,短期内提升模型的能力。

  在智能多媒体API平台提供服务,深度学习平台迭代算法之外,七牛云还搭建了大数据富媒体知识库,用于沉淀所有学习的东西。“大数据富媒体知识库主要分为三个模块:1、视频结构化,可以对处理过的视频和图片数据进行结构化,把较大的图片和视频变成随时可被提取的小组件;2、知识图谱,通过关联知识图谱中的政治人物,能够快速将对应的人物导进视频中;3、大数据检索,与传统主要针对文本内容的检索系统不同的是,七牛云的产品涉及人物特征、图像特征、视频特征等,特征上会有更复杂的系统结构。而七牛云大数据检索系统不仅支持普通的全文检索,还可在富媒体数据,包括视觉特征基础上做出检索。“彭垚说道。

  作为一家技术型互联网公司,七牛云一直都有着一个非常明确的使命,就是缩短想法到成功产品的距离。此前,七牛云的人工智能实验室就曾提出了AI创新服务计划,主要是根据客户各种各样的定制化需求,如识别生产线问题、识别快递订单等识别任务,七牛云有一套独立的创新定制化体系来满足需求,以更好的帮助各行业解决产品落地中的一些困难。

  在自身业务不断发展壮大外,七牛云人工智能实验室AtLab也在深耕于一些重点应用,据彭垚介绍团队接下来将主要聚焦于内容审核、城市之眼、媒资智能三方面,具体如:

  1、内容审核,主要包括色情内容识别,暴力恐怖物品和场景的识别,敏感人物和敏感图片的识别。在此基础之上,提供图片内容的通用物品和场景识别。

  2、城市之眼智能监控,主要是利用人工智能机器视觉技术,对“人、物、场景”进行快速高效的“检测、识别与行为分析”,如人脸识别、车辆识别,在城市治理方面,如人群的密集程度、人群走向等,满足用户在“身份核验”、“智能安防”、“大规模图片视频检索”等方面的场景化需求。

  3、媒资智能,在与广电行业伙伴的合作过程中,七牛云在智能媒资领域有着丰富的实战经验。在鉴黄、鉴恐等内容审核服务中能够为图片UGC应用和网站省去大量的人工审核成本,规避违规风险;配合内容去挖掘更进一步的智能媒资智能管理能力。

  依靠自身强大的技术优势和良好口碑,七牛云现已在广电、金融、传媒、安防等多行业落地,客户更是涵盖熊猫直播、淡蓝、新华社、中央人民广播电台、北京网信办等数千家互联网企业和政企机构。七牛云人工智能团队在竞争激烈的市场中做到脱颖而出,在彭垚看来,“普通的计算机视觉公司只是通过传统的软件、硬件形式将最新的技术服务于客户,而七牛云凭借多年来在云存储上积累的优势,拥有与AI密切相关的整套产品,如云存储、直播、音视频等,而这些产品结合AI的能力就能够形成一整套的AI服务体系,让七牛云在人工智能领域走出了一条新路。”

  一直深扎于技术研究的七牛云人工智能实验室AtLab,在国际上的各大计算机视觉挑战赛中也在逐渐崭露头角。早在ACMMultimedia大规模视频分类挑战赛(LSVC2017)中七牛云人工智能实验室AtLab荣获大赛亚军,计算机视觉能力便受到了国际的认可。今年6月17日,在计算机视觉和模式识别领域的顶级会议—CVPR2018中,由MIT-IBMWatson人工智能实验室主持的MomentsinTime挑战赛中的FullTrack挑战赛,七牛云人工智能团队更是凭借超高准确率获得了优异成绩。

  更令人惊叹的是,七牛云深度学习平台AVA在7天之内针对全新数据集完成了算法改进、模型训练迭代,完成了其他参赛队伍耗时近60天的训练任务,以明显优势超越了IBM、CMU等世界一流计算机视觉研究团队,取得了大赛季军的优异成绩。

  眼下在大学新生报考专业中,除了传统专业比如传媒类、金融类、医学类备受关注,不少高校还带着刚开设的新潮专业招生,像广西科技大学就带来了新增的“智能科学与技术”专业,主要研究方向就是人工智能。而七牛云人工智能实验室自诞生至今,也在一直积极与各高校进行合作互助,先后与复旦大学、浙江大学等国内顶尖学府建立联合实验室。

  为了让更多的师生使用AVA深度学习平台,七牛云推出了计算机视觉(CV)学术创新计划,免费向所有高校师生开放申请,该计划包含免费的数据图床存储空间、计算机视觉主流公开数据集、自主标注的多领域数据,免费的数据集存储,以及整套的深度学习平台。为研究者提供数据标注、预处理、训练、在线上线labAPI的完整能力。对此,彭垚表示:“七牛云希望能够成为学术的发动机,推动人工智能的学术及产业的发展。更希望能够通过CV学术创新计划,构建开放的平台能够与更多的计算机视觉科研的伙伴进行合作,为计算机视觉创新而共同奋斗。”

  关注2017年8月才进行了5.0升级的微软小冰,在几天前又发布了6.0的全新版本。微软小冰是微软亚洲互联网工程院在中国推出的人工智能语音机器人,在2014年的初代版本中,小冰仅能实现与人类简单对话这一基础功能,但在此次升级中,小冰摇身一变,从一个初级的智能语音交互平台,成为了一个拥有“思维”能力的智能内容生产者。

  然而,在人工智能的大世界中,通过对大数据的分析运用实现智能化却不是小冰的专属武器。在教育领域中,智能技术的应用和发展,也是遵循着由数据积累到智能运用的逻辑来进行的,甚至还要略胜一筹——小冰虽然拥有高超的内容生产技术,却还没开始探寻有效利用这些内容的方式!而一位智能教育界的“元老”,早在2015年就打起了通过大数据进行个性化内容推荐的主意,并在长期实践中收获了丰厚的成果。

  成立于2011年的K12智能教育企业一起教育科技,最早是一个以帮助老师、学生减负增效为目标,联结老师、学生、家长三方,实现家校互动的作业平台。2015年,已经获取了超千万用户的一起作业(一起教育科技旗下较为着名的子品牌)开始向手持移动端转型,并开始看到大量用户行为数据背后的价值,率先将人工智能技术应用到产研中,向探索个性化内容推荐进发。

  与微软小冰相似,一起教育科技初代的智能化教学产品仅实现了通过分析数据到简单的学生能力评测的功能。但在2016-2018年间,用户数量的不断扩大与AI技术团队对学生能力评测模型的优化升级,让一起教育科技在数据中找到了探索个性化教育的捷径。

  首先,采用B端进校模式的一起教育科技,能够获取大量真实有效、来自于日常教学活动场景的学习数据;其次,覆盖近12万所学校、超过6000万用户的庞大基数也提供一起教育科技可供挖掘的丰厚数据基础。而这两方面的优势都使得一起教育科技在分析数据时能够更加精准地诊断出每个学生的学习薄弱点并搭建出能力评测模型,从而为每个学生、每个班级提供与地区教学进度、教学水平高度匹配的同步习题以及个性化练习内容推荐。

  “今天中国不同的老师打开一起作业的平台的时候,哪怕他们来自同一个学校,教同一个年级,使用同一本教材,但当他们打开我们的平台,里面的内容推荐已经变成了完全不一样的。所以当教育变成以班级为单位的个性化,甚至是以学生个体为单位的个性化的时候,才能回答大部分人一直以来的一个疑问,就是大数据到底能做些什么?那么今天我们可以站在这自豪地说,大数据的价值就是让老师能够因材施教,让学生用更少的时间,取得更好的结果。”一起教育科技的创始人兼CEO刘畅说道。

  目前,借助大数据,人工智能主要为人类带来两大便利:一是如微软小冰一样,通过对人类数据的大量学习和模仿,帮助人类以高效高质的方式进行可复制的内容生产;另外就如一起教育科技的个性化内容推荐一般,人工智能强大的计算能力能够满足随着社会经济发展不断细化的人类需求,将“定制化”做到极致。

  实际上,人工智能大数据的价值却不绝于此。除了自动生成高质量内容和实现内容的个性化匹配外,在时间够长、数据量够大的情况下,通过对个人数据的分析和挖掘,人工智能还能总结出每个个体的学习规律和学习模型,以为其提供量身定制的能力提升方案。

  在今年3月20日的新春发布会上,一起教育科技对外发布的Socrates智能学习系统,就以提升学生知识之外的跨学科能力为目标,探索出了数据之外的延伸价值——在借助智能技术诊断出学生的知识薄弱点后,系统会在为学生匹配相关的错题练习时,智能推荐一系列针对知识点的素质教育内容,并自动生成专属于每个学生的个性化提升报告,以期让学生在长期的“定制化”训练中,获得知识和素养的双重提升,成长为一个能够举一反三、拥有跨学科思考能力的综合型人才。

  这是一个飞速发展时代,也是一个数据为王的时代。无论是微软小冰还是一起教育科技,都让人看到了当今企业对人工智能大数据的运用而创造出的惠及人类和时代的最新成果。但即便如此,互联网时代每天以几何式增长的数据依旧像一座巨大的宝库,其中未被发掘的价值还需要等待更多的人去挖掘和开采。而也只有如此,才能让智能化时代真正到来。

  这是2011年诺贝尔经济学奖获得者托马斯·萨金特(ThomasJ.Sargent)近期在中国公开演讲时对AI的结论。

  AI研究者纷纷坐不住了,其中,阿里AI负责人、阿里巴巴达摩院机器智能技术实验室主任金榕,决定逐条批驳萨金特的观点。

  量子位将问答实录编辑如下,最后也附录了萨金特演讲实录,孰是孰非,一辩便明。

  问:萨金特说,“人工智能其实就是统计学,只不过用了一个很华丽的辞藻,其实就是统计学。好多的公式都非常老,但是所有的人工智能利用的都是统计学来解决问题。”

  金榕:这位宏观经济学家也许是习惯了用统计去寻找经济的因果关系,因而认为AI也是这样。即使是他提到的动态规划(dynamic programming),也不属于统计学范畴。

  除了统计,AI中的“学习”“推理”和“决策”中还使用了代数、逻辑、最优化等许多其他学科知识与方法。此外,有了算法后如何有效实现也非常重要。所以单纯说AI就是统计学,或者说“所有的AI都是利用统计学来解决问题的”都是片面和不准确的。

  在这里我们首先需要定义什么是人工智能背后的核心技术。现在人工智能技术的成功背后,是基于对海量数据的学习,因此大量的大数据处理、优化以及分布式计算基础设施都扮演了非常重要的角色。

  此外,AI还涉及到一个关键因素,就是如何实现最优的智能决策(例如AI打游戏)。一些理论和实证研究已经发现,神经网络就非常善于在复杂的条件下做出最优的决策。神经网络也不是统计学范畴。

  还有,人工智能在计算机视觉、语音识别等领域取得的突破,还得益于硬件的日趋成熟。类似智能音箱天猫精灵、Echo的成功不仅来自于成熟的语音识别算法,也源于麦克风阵列等硬件设备变得越来越可靠。

  那如何比较准确的表述统计学和AI的关系呢?应该说,统计学是人工智能若干重要基础之一,但远不是全部。

  就像我上文提到的除了统计学,AI的核心能力还来自于数学(博弈论、数值分析、逻辑学等)、运筹学(优化)、计算机科技(分布式计算、并行计算、CPU、NPU)、神经科学,甚至心理学。

  金榕:AlphaGo使用了蒙特卡洛树搜索、神经网络、增强学习等方法,因为算法规模大,所以采用了分布式计算来实现。棋力更强的AlphaGo Zero没有使用人类数据,而是从自我博弈中学习。

  所以这更说明AI远比统计学来得广泛。所以推动这一波AI浪潮的正是神经网络的迅速发展,以及能够让大量数据发挥作用的算法和算力。

  问:托马斯·萨金特也谈到了交叉学科研究推动的科技进步,您是否认同?如何评价这种观点?在这波深度学习为推动力的AI浪潮中,哪些学科的交叉起到了推动作用?

  金榕:这一观点我很认同,这也是很多学者的共识。就像我上面提到的,AI不是独自成长起来的。1956年的达特茅斯会议(Dartmouth Conference)被学术界公认为是人工智能的起源。

  今天有人说现在是人工智能的春天,其实这都源于我之前提到的一系列技术的发展与进步。特别是我刚刚提到的硬件,诸如麦克风阵列技术的成熟对语音识别的发展起到了重要作用。还有超强的算力,不论是GPU或者是云计算,都给我们带来了强大的计算能力和灵活度。

  我们在自然语言对话机器人的开发中,还会应用到许多心理学知识。所以说人工智能的繁荣是诸多学科交叉相互影响,共同促进的结果。

  问:下一波大的AI技术跃迁,您觉得会有赖于哪些领域/学科的交叉研究成果?

  金榕:我认为首先可能来自于AI芯片、量子计算这些全新的计算基础设施对算力的巨大提升上。

  此外还有神经科学的一些重要突破,可能将揭示大脑中神经元如何处理信息与做出决策的,这对人工智能的发展也有重要意义。

  问:人工智能的概念提出已经60多年了,许多算法和模型在几十年前就曾提出了,但在过去的发展中,碍于计算力和数据的局限,此前的发展并没有像如今这样迅速,这是不是从侧面印证人工智能也算是统计学的一种呢?

  金榕:计算力和数据的增长是人工智能发展的必要条件。AI的发展还要感谢Hinton,LeCun, Bengio等研究者的长期坚持。当然统计学也在发展,但由于深度学习的迅速发展,它们反而变得没有以前那么重要了。

  除了统计学,对现在人工智能发展起到举足轻重作用的,神经网络的一些研究工作,也是在50年前进行的,但它被广泛应用是从2010年后开始的。

  在2010年前,许多上一代机器学习成果的确是基于统计学的,他们被归类于统计机器学习。但技术是持续进步的,近几年推动人工智能进入发展快车道的深度学习技术,并不能归因于统计学。

  问:在您能看来,应该如何定义人工智能,如果要跟大众普及的话,应该传递一个什么样的概念?

  金榕:我认为智能化的目的,不是让机器像人一样。上一个世纪,在工业时代,我们基本上把人变得越来越像机器,而未来我们真正应该走的道路是,让机器更像机器,人更像人。我们发明了机器,不一定要机器按照人的思考。

  机器要有自己的学习方式、思考的方式、解决问题的方式,所以我们提出“机器智能”。机器智能不应该是,让机器人复制人类的智能,而是发展出自己独特的智能。我们应该让机器做人类做不到的东西,让机器去发展自己智能的力量、尊重机器、敬畏机器。所以在阿里我们是以“机器智能”为目标。

  举几个例子,诸如人工智能客服,它能7*24小时的工作,对海量用户的接待能力远超人类。人工智能应用于城市大脑,通过智能决策和管理能大幅缩短交通拥堵时间,甚至提高救护车到达现场的时间。

  AI在工业领域的应用,诸如将计算机视觉应用于产品质检,已经为许多制造企业节省了数十亿元。这些都是AI比人类更擅长的领域。而在艺术、文学等创造性工作上,人工智能可能永远无法替代人类。

  问:还有一种观点是认为算法、计算力和数据是人工智能技术能否成功的三个关键,你是否也这样认为?阿里AI在这三方面现状如何?

  金榕:历史上人工智能经历了多次黄金时期。到了今天,我们迎来了新的一波热潮。

  那么这次的人工智能热潮有哪些不一样的地方呢。就是由于我们在算法、计算力、数据上都有了重要突破。

  首先人类首次拥有了超强的计算能力,不论是GPU还是云计算。给我们带来了强大的计算能力和灵活度。这点阿里具有很大的优势。阿里云在中国拥有最大的云计算服务,同时我们也在积极探索量子计算。

  其次,也是很重要的一点,就是大量的数据的产生。海量的数据使AI模型的大规模训练成为可能。阿里巴巴积累了海量的数据与应用场景,这些数据将成为阿里在人工智能领域快速突破的基础。

  最后,就是算法领域的突破。深度学习等新技术已经在各个领域得到广泛应用,比如计算机视觉、语音识别、自然语言处等,多点开花。阿里也在算法领域做了很多探索。诸如在语音识别领域,阿里推出了新一代语音识别模型——DFSMN,不仅被谷歌等国外巨头在论文中重点引用,更将全球语音识别准确率纪录提升至96.04%(基于世界最大的免费语音识别数据库LibriSpeech)。

  而在机器翻译领域,在此前结束的WMT2018国际机器翻译大赛上,达摩院机器智能-NLP翻译团队打败多个国外巨头与研究机构,在所有提交的5项比赛中,全数获得冠军。这5个项目包括英文-中文翻译、英文-俄罗斯语互译、英文-土耳其语互译。短短一年时间,我们已经在20多个各领域的国际人工智能大赛上获得冠军。

  托马斯·萨金特:1943年生,1968年获哈佛哲学博士,先后执教于明尼苏达大学、芝加哥大学和哈佛大学,2003年起任教纽约大学至今。

  自70年代初以来,萨金特一直是理性预期学派的领袖人物,为新古典宏观经济学体系的建立和发展作出了杰出贡献。

  2011年,萨金特与普林斯顿大学西姆斯教授一起获得诺贝尔经济学家,得奖理由是:“对宏观经济中因果的实证研究”。

  首先我对刚才几位嘉宾讲的话非常感兴趣,我想先谈一谈我的感受,然后再讲讲我的部分。

  第一,能不能扮演上帝。作为科学家,很多领域的科学家,我们都需要用统计数据说话。其实在这个时候我们已经在扮演上帝的角色了。

  什么意思?有好多应用科学像工程学、物理学、经济学都是应用科学,我们会建立一些模型模拟世界运营,我们的理论也是一样,都是由一系列的等式所构成,有一些随机组成部件。

  我们的目的是希望解释我们所观察到的世界上的现象,而我们关键的工具是使用模型,然后放到电脑里模拟。把模拟后的数据拿来,利用数学方法,去微调它的参数,希望尽量接近于现实。

  在这个过程中,我们扮演上帝的角色。所以写参数、模拟过程中是在假装,我们是在假装是上帝产生了这些数据。我们尽量想接近这个准确度。我们想接近或者模拟上帝的做法。

  这个说起来容易做起来非常难,两百年、三百年前人们认为这是个好主意,但是当年的人不知道怎么操作。为什么?因为比如说你写下一个粒子的模型没有办法运算,算不出来。

  但是到了二十世纪尤其是二战结束以后,我们出现了一些技术的巨将,包括诺尔曼,来自于奥地利的一个移民。我的岳父泰勒是研究核弹的,他们发明了蒙特卡洛模型,都是50多岁的时候发明的。

  但是三、四年以后统计学家来了,搞清楚了可以做统计分析。所以这时候来了一场革命,影响了各行各业的科学家的研究工作,这就是技术创新带来的好处。其实这个过程中我们都在扮演上帝的角色。

  我怎么讲到这儿来了呢?人工智能首先是一些很华丽的辞藻。人工智能其实就是统计学,只不过用了一个很华丽的辞藻,其实就是统计学。

  好多的公式都非常老,但是我们说所有的人工智能利用的都是统计学来解决问题。有一些新发展,过去二三十年,今天我们统计学的完成质量更高,首先电脑运算速度更快,有新的算法,好多是源于物理学发展,还有统计力学等等,这是过去3到4年从物理学拿来,加速了我们做系列统计学方面的进步。

  过去写下来公式,但是没有办法求解,过去你放计算机,但是能力太差,做不了。后来有了AlphaGo,就是一个动态编程,太大了。两三年前的解决之道就是特别大、特别快的计算机,利用一块一块的算法去运算。我觉得亚当斯密百分之百正确,多少年前说应该有专业分工,这是正确的。

  今天有很多工具,如果统计学家一点也不懂物理学,很多人类科技进步就不能变成现实。所以我想作为企业家大家也应该做通才,我们应该去考虑来自不同技术的融合或者是相互促进,这就是为什么有了阿尔法GO的成功。

  还有一两点,是刚才听了前面发言人的一些感受。到底什么是金融?金融的含义是什么?问一个高中生什么是金融,他觉得是太华丽的一个辞藻。

  什么是金融?金融就是有人存钱有人不存钱,有人花的多挣的少,有人想投资,人是不一样的。什么是储蓄?什么是金融?有一些人就是来做中介,存钱的和需要花钱的人做中介,这个业务就是金融。

  这个业务包含以下几方面。首先很容易受到欺诈侵害。第二很容易受到不信任的伤害。如果我攒了钱,把钱交给别人帮我打理,我交给的人是我信任的人,他没有不还钱的动机。他为什么还钱给我。金融体系要验证,我把钱借给你之后会不会还我,这就是金融的关键。如何让别人相信你?金融该是信任和验证相关的活动。在这些方面是有技术发展的,就是验证和信任的工具。

  是谁作为主体,是国家做还是谁做?你以自己的生活为例,你和你的家人为例,家人之间也有很多的信任和验证。

  比如,阿里巴巴或者亚马逊是“国中国”,因为他们的工作是创造交易平台,人们可以参与买方卖方在他们的交易平台上活动,无论是阿里巴巴还是亚马逊都是发挥警察作用,既管理买方也管理卖方,相当于电子警察,他们开发技术,改良交易平台的信任和验证。

  像20到25年前你们的工作。就是前沿的工作,当时就在讲这样的问题的理论,这个理论的技术不断进步。

  最后我还想一点,有新的领域的出现,我应该意识到算法机制设计。这个涉及了几个领域。

  首先,它讲的是如何运转一个国家或者是运转一个公司像阿里巴巴,或者运转一个拍卖,如何保证人们付款。它结合了什么?结合了计算机科学、博弈论、计算、数学运算,也就是说,上过这门课的人了解了好多东西。他要了解各种各样的学科,所以说专家和通才一起开创新的领域,这些都是值得大家追踪的新的领域。

  关注近日,第四范式中标上海银行机器学习平台项目,将为上海银行建设“第四范式先知”企业AI核心系统。未来,“先知”将在风控、营销、运营、合规等方面发挥AI平台作用,为智能化银行业务赋能。

  上海银行扎根上海本土,以“精品银行”为愿景,推进专业化经营和精细化管理,是我国银行体系中最具生机和活力的商业银行之一。作为我国城商行的优秀代表,上海银行重视探索银行科技业务的深度融合和科技创新应用,始终坚持“智慧金融、专业服务”的核心理念,紧紧围绕客户需求,持续加强金融科技创新应用,不断升级智慧金融服务水平,全力打造智慧产品、智慧渠道、智慧体验、智慧运营和智慧内控的发展体系。

  城市商业银行是中国银行业的重要组成,是为地方经济及地方居民提供金融服务的重要力量,区别于国有银行和股份制商业银行,城商行有自己的业务特色和需求,同时也面临着如何定位、向上发展等特殊问题。基于此,第四范式匹配城商行的业务类型、规模、用户、技术能力等多方面特点,为城商行提供最适宜的AI产品和AI能力支持,用科技力量赋能城商行提升运营效率和盈利能力。比如第四范式基于“先知”,专为面向中小企业贷款问题的城商行打造的供应链金融平台,联合拥有资金优势的金融机构以及掌握技术优势的顶尖科技公司,为产业链上下游企业提供亟需的金融服务与科技服务,实现产融联动、科技赋能,将促进形成产融协同发展的良好生态。

  从大数据时代迈入AI时代,数据所蕴含的可挖掘价值和场景更加丰富。我国城商行的数据治理体系正在不断完善和加强,“先知”平台能够进一步帮助银行打通业务场景与数据、模型的闭环,建立面向AI的数据治理标准。结合银行拥有海量数据的丰富场景,“先知”将充分发挥高维机器学习模型的领先技术优势,帮助业务和管理部门实现安全、闭环的决策智能化,全面提升经营能力与效率。

  第四范式希望结合过往的丰富落地经验和服务大型银行的领先理念,给正在寻求AI价值的城市商业银行快速、高效地带来实际使用效果,与此同时,帮助这些商业银行机构逐步打造拥有自主创建并应用AI的能力,从而实现“AIforEveryone”的愿景,为更多的中小企业、地区居民创造价值。

  诺贝尔经济学奖获得者罗伯特·索洛发现,除了土地、劳动力和资本三要素之外,还存在大量剩余要素在推动经济增长。虽然,这些剩余要素的贡献率高达80%,但是传统经济学在此前200年间并没有能力,也没有意愿去解释剩余要素。

  传统经济学似乎一直在静止均衡态中徘徊,生产的任务永远是满足市场需求,并努力将供给等于需求。即使是当下,也有诸如来自美国西北大学的经济学家罗伯特·戈登这种保守派,他宣称经济增长是是人类历史中的特殊事件。言外之意,这不是经济学要解决的问题。

  这种诡辩并没有为经济学解围,因为我们似乎一直生活在全球经济增长的氛围里,即使土地资源和劳动力资源面临新的问题,我们也总在想办法用新驱动形式加速迈进未来。

  这种新的驱动形式在美国经济记者戴维·沃什眼里是“知识”。正是因为知识没有极限的增长,才可以起到那80%剩余要素的作用。将“知识”作为要素引入到经济学理论中,是一大突破。我们会发现,人类自工业革命以来所取得成就远远大于传统数据。

  比如从蜡烛到煤气灯,再到煤油灯,照明成本的大幅度降低看似微不足道,却直接把人类推进了光明世界。正是这种“微不足道”,却带来了供给量的无限攀升,才会到来更多资源的利用。这些,在传统经济学理论中是没有模型对应的。

  “知识”的地位提升也第一次把“人”的作用重点凸显出来。无论是熊彼特,还是德鲁克,“企业家”作为重要的知识整合者和创造者起着“信息熵”的作用。他们这些屈指可数、却又无法复制的商业天才代表了创新本身。

  “企业家”要素的地位提升,让我们不得不重新思考人类自身以及由此产生的相关概念:价值。企业家可以凭借一己之力撬动文明的黑暗板块,撬动的过程就是价值产生的过程。就像德鲁克所言,创新带来的不是效率,而是效力。

  传统“价值”观念有两种:中学教科书里关于马克思批判资本主义时用的意识形态概念;组织在实践中追求的利润。无论哪一种,都没有提到“人”。即使有了“人”,有了知识经济,在管理学的种种概念里,价值究竟为何物,也并没有被真正的主张和讨论。

  正是因为“价值”概念的含糊不清,使得管理学和经济学一样,长期被困于静态模型中,典型的莫过于波特的五力模型。无论是作为艺术,还是作为技艺,还是作为科学,管理在实践中常被人局限于内部组织流程,而忽略了流动的人群。

  在经济学假设中产生的管理学理论有了致命缺陷,从赫尔曼·西蒙开始,有大量的西方学者开始了跨界研究,信息论、计算机科学、神经科学、量子物理这些以活跃个体为研究对象的学科的介入,“管理”才算真的有了活力。

  克里斯滕森曾经对“商业模式”这个概念进行了含蓄的批评,他认为所谓“商业模式”追求的不过是高于行业平均利润率,对创新并没有什么帮助。的确如此,“商业模式”就像是一个住着军队的城堡,城门死守,战墙高筑。我们如果将“商业模式”的几个要素拆解来看的话,会发现核心资源能力和产生现金流能力本质上是一回事,即独有产生规模,规模产生效益。

  究其根本,“商业模式”理论模型中没有“人”,没有因为“人”产生的“价值”。而能带来价值的创新,往往在初期不具备效率,因此大公司会为了保全利润要素而放弃创新的可能性。这就回到了克里斯滕森的“创新者窘境”。

  2005年,《经济学人》信息部的一项大范围调查表明,50%以上的受访高管都认为商业模式的创新比产品和服务创新更重要。事实却是,在此前的十年时间里,能做到商业模式创新的公司少之又少。换言之,诱惑很大,但想通过模式创新获取增长的难度更大。

  当表征线性思维的“商业模式”理论遭遇信息化之后,组织原本努力构建的战墙便会瞬间坍塌。活跃的个体让组织认为外界无法了解到的知识和组织无法了解到的外界知识流动起来。这些个体就像是游动的餐车,随时可以出现用户面前,而“用户”既可以是老板也可以是消费者,总之餐车上的食物可以满足任何人“填饱肚子”的需求。

  个体知识的释放带来了经济增长的无限潜能。知识的增长则带来了供给的全面丰盈,我们面对的都将是信息化的产品。

  因此,我们理解“丰盈经济”更应该站在信息—人—价值这样的思维立场。信息是前提,人是核心,价值是商业活动的落脚点。

  何谓价值?这个问题似乎一直没有得到回答。尼采在《重估一切价值》中提出,那个将我们固化在世俗中,却内心并不尊重的“上帝已死“。在尼采看来,价值是一个与生命有关的一个概念。价值的状况,就是生命的状况。重估一切价值,就是重估我们生命的条件。

  价值之于商业活动,便是关乎在此活动中的一切人的生命状况。这里的“生命”具有更宏大的意义,它是一种尼采式的体验,将被异化的生命重新用产品的形式植入自己的人生场景。换言之,价值必须要被重构。

  这是一个极为高级的概念,却又是我们在创业或者转型时不得不面对的。在资本全球化的今天,“独角兽”易有,幸存者难得。创业似乎是一个人人可以做的事情,如若认识不到价值重构的意义,便会陷入到群体的狂热,当潮水褪去,面临的一定是惊悚的峭壁。

  在重构价值之前,敏锐地捕捉价值的主张是起始点。关于“价值主张”,我们可以理解为用户痛点,更可以理解成作为企业家,希望可以在用户的生命过程中哪一个方面做出改变。毫不夸张地说,企业家或者创业者必须要扮演上帝,要对用户的生命过程做出有意义的指导。

  指导过程便是产生价值创造的过程,这完全不同于传统商业模式理论。前者追求用户利益在先,后者追求组织利润在先。这是信息时代的必然,更是所有百年基业公司的使然。

  在提供价值的同时,在整个价值链条里寻求为组织捕获价值的机会,机会则来自于所有跟组织相关的利益群体,来自于盈利模式的设计。这样的机会也许不会一蹴而就,也许不会墨守陈规,它存在的前提是先产生用户价值,并可以和价值创造保持动态平衡。

  至此,以“价值主张”为圆点,“价值创造”和“价值捕获”为交叉十字线的“价值模式”初具雏形。模型内的具体要素和组织形式,正是我们在本书中要探讨的内容。

  总之,无论是不是在互联网时代,“价值”都是商业活动中永恒的核心。互联网的到来,加速了现代性社会的瓦解,经历过一段时间曲解的“价值”势必面临回归和重构。简单追求商业模式的壁垒效应,无论是对于转型中的传统企业,还是初创公司,最后都会面临共同的困境:用户选择的自主性会越来越强,他们只在乎自己生命中不曾有过的惊异体验。

  在在这个新旧交替的漫长时期里,衰亡者地悲惨和新生命的朝气并存。让我们面向新生命,告别陈词滥调。

版权声明:以上文章中所选用的图片及文字来源于网络以及用户投稿,由于未联系到知识产权人或未发现有关知识产权的登记,如有知识产权人并不愿意我们使用,如果有侵权请立即联系:123456789@qq.com,我们立即下架或删除。

热门文章