互联网
3 回答
571 浏览
起底互联网金融运营的底层逻辑
管理类 有始有终 2017-03-10 13:43 发表了文章
如果把一整套运营方案比做一辆大货车，那么这个小框架就像是车架上放置的集装箱，不管是哪一辆大货车，甚至是货轮、火车，都可以根据自身情况进行安装、运输和拆卸。
互金运营常用策略
1）奖励标的
体验金、卡券（抵用券、满减券、加息券）、红包、送礼品（紧俏电子产品、现金、话费）、返现。
2）用户行为
浏览、注册、绑卡、投资、复投、赎回、收益发放、分享、邀请好友。
3）组合之后形成策略
注册送话费／现金／抵用券、分享加收益……策略可以多重组合，选择合适自己的就好。
各种套路适用的产品
结合公司阶段性业务目标和产品自身特性，运营经理可以从如下目标池中选定特定运营目标：
获取用户（拉新）
提高活跃度（促活）
提高留存率（留存）
促交易
获取收入
传播
明确了目标，掌握了运营策略，下一步就是与产品形成联结搭建运营小框架了。
1. 波士顿矩阵模型2.0
波士顿矩阵（我称之为“波士顿矩阵模型1.0”），又称市场增长率-相对市场份额矩阵，这个模型从销售增长率（外部因素）和市场占有率（内部因素）两个维度入手，划出了四个象限，用以分析企业当前产品结构和发展前景。
与模型中原有的思路不同，我倾向于认为互金公司在四个象限中的产品都有其存在的合理性，并需要针对不同象限内的产品设定不同的运营目标和运营策略，进而实现获客和交易规模的最大化。
其中最重要的原因，在于目前互联网金融行业整体上依旧处于成长期，还没有经历过一个完整的行业周期，在不同的公司里，每一类产品都有可能处于四象限中的任何一个象限——可以说，不存在“不好的产品”，只存在“不好的运营策略”。
在模型 1.0 中，被认为应该“放弃”或“收割”的问题产品，我会重点展开论述。
明星产品
销售增长率和市场占有率“双高”的产品群。
产品举例：现金管理类产品（平安财富宝的平安盈）、定期高收益产品（债权转让、票据）
运营目标：拉新、促交易、获取收入
适用运营策略举例：交易送抵用券、分享加收益
问题产品
销售增长率高、市场占有率低的产品群。
产品举例：黄金产品（账户金／黄金ETF）
运营目标：此类产品的运营目标跟产品自身属性关联度较高，简单来说，可分为如下两大类：
1）阶段性增长，具有一定周期性的产品：提高留存率、促进交易
最典型的就是黄金产品。
对专业度要求较高，真实交易群体小，受原油、汇率、国际重大事件等的影响较大。针对此类产品设计运营活动，主要目标就是为本 APP 或平台内的其他产品导流，借助热点吸引用户过来，并促成在本平台的交易。
典型的例子是 2016 年英国公投脱欧，账户金类产品和黄金 ETF 的关注度瞬间飙高，理财用户在各大平台上寻找此类产品。
从百度指数来看，本次热点 2016 年 6 月 21 日开始启动，到低谷之后的最后一个交易日（2016 年 7 月 1 日）一共 11 天 9 个交易日，存金宝（蚂蚁金服基于博时黄金 ETF 的 I 类份额包装）、平安金（平安银行的账户金）等产品赚取了大量的眼球和新用户（交易量增幅很大，但绝对值不大）。
当热潮退去时，这部分新增用户的留存率就是检验运营手段有效性的关键指标。
从上图可见，虽然 2016 年 7 月 1 日后大家对英国脱欧公投的关注度已经趋近于 0，但对黄金的关注度却在整体上了一个台阶的基础上，持续活跃了更长的一段时间。这部分流量对互金的运营经理来说，就是需要去挽留并进一步促进交易的用户。
2）持续性增长，周期不明的产品：获取用户、促进进一步传播
此类产品往往是平台新推出的品类，业务成熟度偏低、监管风险不明、投资者对产品的认知度偏低。
比如 2013 年 6 月的阿里小微金服推出的余额宝、2013 年 11 月金银猫推出的银行承兑汇票，2014 年 9 月米牛网推出的股票配资、2015 年 6 月人人行科技推出的借贷宝……这些产品中，有些成为了市场主流，有些则已经销声匿迹。
这类开拓性的产品往往因为有监管套利空间，所以推出时的收益率往往会高于市场上其他的产品。
在“收益率-流动性-风险”的分析框架下，针对此类产品的运营活动，立足（高收益率+安全性）宣传，可以适当弱化流动性，诉求上主要以获取用户和促进进一步传播为目标。
适用运营策略举例：
周期性产品：注册送体验金、绑卡/投资送券
周期不明产品：注册送体验金、绑卡/投资送券、分享加收益、邀请好友返现/加收益/送券
瘦狗产品
销售增长率和市场占有率“双低”的产品群。
产品举例：公募基金（不含宝宝类产品）
运营目标： 提高留存率、持续导入用户
这类产品一般是针对平台内的长尾用户推出的，在平台出现产品空档期、用户手头有闲钱、股市大涨等情况下，用户往往会把钱投向此类产品。
如果没有蚂蚁聚宝那么大的互联网用户体量，或是天天基金持续多年积攒的专业基金投资者，不建议在这类产品上投入太多资源。
在这个前提下，运营目标以提高留存率为主，持续导入用户为辅。
适用运营策略举例：参加活动送红包、投资送份额、注册送体验金
金牛产品
销售增长率低、市场占有率高的产品群。
产品举例：存量的宝宝类产品
运营目标： 提高活跃度、提高留存率
适用运营策略举例：生日发券、年节红包、送礼品
2. 通过运营手段促成产品布局的优化
四个象限中的产品并不是固化的，它们会随着市场、监管、用户和公司资源的调整而变化，从运营的角度考虑，有时需要引导和促成这种变化，有时需要延缓变化。
根据波士顿矩阵的基本应用法则，最理想的布局是“成功的月牙环”（多只明星产品和现金牛产品，少量问题产品和痩狗产品），应该极力避免的是“黑球失败法则（第三象限内一只现金牛产品都没有，或基本没有任何销售收入）”。
看到这里，不知道你是否默默打开了自己的应用或是数据分析平台，在心里小小地掂量一下，自己的产品在四个象限里究竟是如何分布的？
根据以上逻辑，在此针对如下两种变化略作推演：
问题产品→明星产品
演化方向：从销售增长率高／市场占有率低到销售增长率和市场占有率“双高”
演化路径：保持并提高销售增长率、进一步提高市场占有率
其实问题产品是一种处于亚稳定状态下的业务，从趋势上看，一般会在 3 个月以内发生显著位移：或者向左跃迁为明星产品，或者向下坍缩成瘦狗产品。
需要注意的是，在计划和实施这套策略之前，务必明确该产品是否为小众产品（专业度高、风险高、操作复杂、有特定的交易时段等）。如果是，那就要考虑投入产出比可能会比较不划算，进而采用长期的内容运营和社群运营等策略了。这部分内容，以后有机会再展开说，我自己涉及得也不多。
瘦狗产品→问题产品
演化方向：从销售增长率和市场占有率“双低”到销售增长率高／市场占有率低
演化路径：提高销售增长率
痩狗产品的这种转变，往往需要长时间的持续运营，切忌急功近利狂砸钱。如果能与投资者教育、投资技巧介绍、市场热点做结合，往往能收获不错的效果。比如蚂蚁聚宝的轻定投，就同时收获了口碑和用户数。同样，这部分内容将来有机会再展开说。
3. 各种套路适用的阶段
用户生命周期
需要注意的是：
用户在每个阶段都可能离开，不一定会走完一个完整的周期
上表可以分析单个用户的生命周期，也可以分析同一时期内不同用户在这些周期上的分布情况
受限于上文划定的运营策略，类似提示多久未登录、新品上线提示等手段就没有囊括进来。其实，这些方法也很有效
那么，如何设定用户生命周期以及对应的运营目标指标呢？
不同公司有不同的口径，选择符合本公司特色的就好。比如，Pinterest 定义的活跃度，是按照整体激活率来衡量的，计算公式为：
整体激活率=七日回访人数／注册用户数
而我曾经待过的某一家公司计算的活跃度为月活数，计算公式为：
一个月内访问过一次及以上的用户数／当月注册用户数
虽然口径千差万别，但却不可或缺。简言之，一切不带数据标准的生命周期划分都是耍流氓。事实上，稍微上一点规模的公司都会建立一整套完整的用户分层指标体系，光光活跃度就会有好几个指标来定义和计算，更不用说指标之间相互乘除了（日活／周活、日活／月活、周活／月活……）。
市场周期
宏观经济、金融市场、公司所属行业等也有相应的运行周期，相应的周期分析工具也非常丰富。
在这里，推荐使用美林时钟进行分析，简单明了。对于搭建整体的认知框架很有帮助。
运营经理使用美林时钟的方法：
充分认知模型缺点，批判性使用。复苏、过热、滞涨、衰退，这四个阶段其实并没有非常严格的判断指标。也就是说，你不能看着类似 CPI、70 个大中城市房价指数、基尼系数、沪深 300 指数之类的经济或金融指标，判断当前处于哪个周期，以及是否进入了新的周期。
如果能找到使用美林时钟的基本方法，可以结合本平台现有的产品，搭配相应的运营策略进行推广
作为内容运营的选题和分享文案的素材
项目复盘或年度总结时，作为整体市场环境的描述框架
抛开美林时钟不看，其实也可以根据自己的经验选择若干有代表性的指标，设定一些简单的市场趋势判断工具。我一般习惯于把 P2P 产品平均收益率、余额宝年度回报率、沪深 300 、本平台负责的产品放在一起看看，寻找一点点市场的感觉。
在工作中，你用什么样的指标或计算方式来判断市场趋势呢？欢迎留言分享。
这篇就到这里了，关键要点归纳如下：
1.一套完整的运营方案包括七大要素：目标用户、运营目标、运营策略、运营载体、运营资源和成本、数据收集、效果评估
2.“运营目标-运营策略-运营载体（产品）”这个小框架是互金运营套路最快捷的切入点，也是互金运营的三个底层逻辑
3.运营目标池：获取用户（拉新）、提高活跃度（促活）、提高留存率（留存）、促交易、获取收入、传播
4.在用户画像的基础上（本文没有涉及，但非常重要），运营策略=用户行为+奖励标的
5.运营载体（产品）可以落在波士顿矩阵的四个象限内，以此为基础结合运营目标和运营策略，互金运营的套路雏形就可以搭建起来了
6.各种套路的使用，要结合用户生命周期和市场周期的大背景。除了美林时钟，其实你也可以探索属于自己的分析指标
7.不管是做产品还是做运营，重在有节制。所有的模型只是为了保证最坏的情况下有最保底的策略，而不是设计运营方案时的首选。能用融合到产品本身实现目标的，不要做运营方案；能够通过一个方案做到的，不要做多个；能够不花钱或少花钱的，尽量少花。不要忘了，你做运营、做产品，初心是什么？
注：
本文提到的运营方案，主要针对本平台内的运营活动来说，暂未涵盖社群运营、内容运营、线下活动、数据运营等方面。实际上，可用的运营手段极其多样，在此仅选取最常见的几种进行论述。文中没有提到的其它一些运营手段，也可采用同样的模式进行组合与套用。
绘制波士顿矩阵的方法：
以 10% 的销售增长率和 20% 的市场占有率为高低标准分界线，将坐标图划分为四个象限。然后把企业全部产品按其销售增长率和市场占有率的大小，在坐标图上标出其相应位置（圆心）。定位后，按每种产品当年销售额的多少，绘成面积不等的圆圈，顺序标上不同的数字代号以示区别。定位的结果即将产品划分为四种类型。
更多内容请关注：www.imefuture.com
来源：微信公众号 人人都是产品经理 张德春 查看全部
互金运营常用策略
1）奖励标的
体验金、卡券（抵用券、满减券、加息券）、红包、送礼品（紧俏电子产品、现金、话费）、返现。
2）用户行为
浏览、注册、绑卡、投资、复投、赎回、收益发放、分享、邀请好友。
3）组合之后形成策略
注册送话费／现金／抵用券、分享加收益……策略可以多重组合，选择合适自己的就好。
各种套路适用的产品
结合公司阶段性业务目标和产品自身特性，运营经理可以从如下目标池中选定特定运营目标：
获取用户（拉新）
提高活跃度（促活）
提高留存率（留存）
促交易
获取收入
传播
明确了目标，掌握了运营策略，下一步就是与产品形成联结搭建运营小框架了。
1. 波士顿矩阵模型2.0
波士顿矩阵（我称之为“波士顿矩阵模型1.0”），又称市场增长率-相对市场份额矩阵，这个模型从销售增长率（外部因素）和市场占有率（内部因素）两个维度入手，划出了四个象限，用以分析企业当前产品结构和发展前景。
与模型中原有的思路不同，我倾向于认为互金公司在四个象限中的产品都有其存在的合理性，并需要针对不同象限内的产品设定不同的运营目标和运营策略，进而实现获客和交易规模的最大化。
其中最重要的原因，在于目前互联网金融行业整体上依旧处于成长期，还没有经历过一个完整的行业周期，在不同的公司里，每一类产品都有可能处于四象限中的任何一个象限——可以说，不存在“不好的产品”，只存在“不好的运营策略”。
在模型 1.0 中，被认为应该“放弃”或“收割”的问题产品，我会重点展开论述。
明星产品
销售增长率和市场占有率“双高”的产品群。
产品举例：现金管理类产品（平安财富宝的平安盈）、定期高收益产品（债权转让、票据）
运营目标：拉新、促交易、获取收入
适用运营策略举例：交易送抵用券、分享加收益
问题产品
销售增长率高、市场占有率低的产品群。
产品举例：黄金产品（账户金／黄金ETF）
运营目标：此类产品的运营目标跟产品自身属性关联度较高，简单来说，可分为如下两大类：
1）阶段性增长，具有一定周期性的产品：提高留存率、促进交易
最典型的就是黄金产品。
对专业度要求较高，真实交易群体小，受原油、汇率、国际重大事件等的影响较大。针对此类产品设计运营活动，主要目标就是为本 APP 或平台内的其他产品导流，借助热点吸引用户过来，并促成在本平台的交易。
典型的例子是 2016 年英国公投脱欧，账户金类产品和黄金 ETF 的关注度瞬间飙高，理财用户在各大平台上寻找此类产品。
从百度指数来看，本次热点 2016 年 6 月 21 日开始启动，到低谷之后的最后一个交易日（2016 年 7 月 1 日）一共 11 天 9 个交易日，存金宝（蚂蚁金服基于博时黄金 ETF 的 I 类份额包装）、平安金（平安银行的账户金）等产品赚取了大量的眼球和新用户（交易量增幅很大，但绝对值不大）。
当热潮退去时，这部分新增用户的留存率就是检验运营手段有效性的关键指标。
从上图可见，虽然 2016 年 7 月 1 日后大家对英国脱欧公投的关注度已经趋近于 0，但对黄金的关注度却在整体上了一个台阶的基础上，持续活跃了更长的一段时间。这部分流量对互金的运营经理来说，就是需要去挽留并进一步促进交易的用户。
2）持续性增长，周期不明的产品：获取用户、促进进一步传播
此类产品往往是平台新推出的品类，业务成熟度偏低、监管风险不明、投资者对产品的认知度偏低。
比如 2013 年 6 月的阿里小微金服推出的余额宝、2013 年 11 月金银猫推出的银行承兑汇票，2014 年 9 月米牛网推出的股票配资、2015 年 6 月人人行科技推出的借贷宝……这些产品中，有些成为了市场主流，有些则已经销声匿迹。
这类开拓性的产品往往因为有监管套利空间，所以推出时的收益率往往会高于市场上其他的产品。
在“收益率-流动性-风险”的分析框架下，针对此类产品的运营活动，立足（高收益率+安全性）宣传，可以适当弱化流动性，诉求上主要以获取用户和促进进一步传播为目标。
适用运营策略举例：
周期性产品：注册送体验金、绑卡/投资送券
周期不明产品：注册送体验金、绑卡/投资送券、分享加收益、邀请好友返现/加收益/送券
瘦狗产品
销售增长率和市场占有率“双低”的产品群。
产品举例：公募基金（不含宝宝类产品）
运营目标： 提高留存率、持续导入用户
这类产品一般是针对平台内的长尾用户推出的，在平台出现产品空档期、用户手头有闲钱、股市大涨等情况下，用户往往会把钱投向此类产品。
如果没有蚂蚁聚宝那么大的互联网用户体量，或是天天基金持续多年积攒的专业基金投资者，不建议在这类产品上投入太多资源。
在这个前提下，运营目标以提高留存率为主，持续导入用户为辅。
适用运营策略举例：参加活动送红包、投资送份额、注册送体验金
金牛产品
销售增长率低、市场占有率高的产品群。
产品举例：存量的宝宝类产品
运营目标： 提高活跃度、提高留存率
适用运营策略举例：生日发券、年节红包、送礼品
2. 通过运营手段促成产品布局的优化
四个象限中的产品并不是固化的，它们会随着市场、监管、用户和公司资源的调整而变化，从运营的角度考虑，有时需要引导和促成这种变化，有时需要延缓变化。
根据波士顿矩阵的基本应用法则，最理想的布局是“成功的月牙环”（多只明星产品和现金牛产品，少量问题产品和痩狗产品），应该极力避免的是“黑球失败法则（第三象限内一只现金牛产品都没有，或基本没有任何销售收入）”。
看到这里，不知道你是否默默打开了自己的应用或是数据分析平台，在心里小小地掂量一下，自己的产品在四个象限里究竟是如何分布的？
根据以上逻辑，在此针对如下两种变化略作推演：
问题产品→明星产品
演化方向：从销售增长率高／市场占有率低到销售增长率和市场占有率“双高”
演化路径：保持并提高销售增长率、进一步提高市场占有率
其实问题产品是一种处于亚稳定状态下的业务，从趋势上看，一般会在 3 个月以内发生显著位移：或者向左跃迁为明星产品，或者向下坍缩成瘦狗产品。
需要注意的是，在计划和实施这套策略之前，务必明确该产品是否为小众产品（专业度高、风险高、操作复杂、有特定的交易时段等）。如果是，那就要考虑投入产出比可能会比较不划算，进而采用长期的内容运营和社群运营等策略了。这部分内容，以后有机会再展开说，我自己涉及得也不多。
瘦狗产品→问题产品
演化方向：从销售增长率和市场占有率“双低”到销售增长率高／市场占有率低
演化路径：提高销售增长率
痩狗产品的这种转变，往往需要长时间的持续运营，切忌急功近利狂砸钱。如果能与投资者教育、投资技巧介绍、市场热点做结合，往往能收获不错的效果。比如蚂蚁聚宝的轻定投，就同时收获了口碑和用户数。同样，这部分内容将来有机会再展开说。
3. 各种套路适用的阶段
用户生命周期
需要注意的是：
用户在每个阶段都可能离开，不一定会走完一个完整的周期
上表可以分析单个用户的生命周期，也可以分析同一时期内不同用户在这些周期上的分布情况
受限于上文划定的运营策略，类似提示多久未登录、新品上线提示等手段就没有囊括进来。其实，这些方法也很有效
那么，如何设定用户生命周期以及对应的运营目标指标呢？
不同公司有不同的口径，选择符合本公司特色的就好。比如，Pinterest 定义的活跃度，是按照整体激活率来衡量的，计算公式为：
整体激活率=七日回访人数／注册用户数
而我曾经待过的某一家公司计算的活跃度为月活数，计算公式为：
一个月内访问过一次及以上的用户数／当月注册用户数
虽然口径千差万别，但却不可或缺。简言之，一切不带数据标准的生命周期划分都是耍流氓。事实上，稍微上一点规模的公司都会建立一整套完整的用户分层指标体系，光光活跃度就会有好几个指标来定义和计算，更不用说指标之间相互乘除了（日活／周活、日活／月活、周活／月活……）。
市场周期
宏观经济、金融市场、公司所属行业等也有相应的运行周期，相应的周期分析工具也非常丰富。
在这里，推荐使用美林时钟进行分析，简单明了。对于搭建整体的认知框架很有帮助。
运营经理使用美林时钟的方法：
充分认知模型缺点，批判性使用。复苏、过热、滞涨、衰退，这四个阶段其实并没有非常严格的判断指标。也就是说，你不能看着类似 CPI、70 个大中城市房价指数、基尼系数、沪深 300 指数之类的经济或金融指标，判断当前处于哪个周期，以及是否进入了新的周期。
如果能找到使用美林时钟的基本方法，可以结合本平台现有的产品，搭配相应的运营策略进行推广
作为内容运营的选题和分享文案的素材
项目复盘或年度总结时，作为整体市场环境的描述框架
抛开美林时钟不看，其实也可以根据自己的经验选择若干有代表性的指标，设定一些简单的市场趋势判断工具。我一般习惯于把 P2P 产品平均收益率、余额宝年度回报率、沪深 300 、本平台负责的产品放在一起看看，寻找一点点市场的感觉。
在工作中，你用什么样的指标或计算方式来判断市场趋势呢？欢迎留言分享。
这篇就到这里了，关键要点归纳如下：
1.一套完整的运营方案包括七大要素：目标用户、运营目标、运营策略、运营载体、运营资源和成本、数据收集、效果评估
2.“运营目标-运营策略-运营载体（产品）”这个小框架是互金运营套路最快捷的切入点，也是互金运营的三个底层逻辑
3.运营目标池：获取用户（拉新）、提高活跃度（促活）、提高留存率（留存）、促交易、获取收入、传播
4.在用户画像的基础上（本文没有涉及，但非常重要），运营策略=用户行为+奖励标的
5.运营载体（产品）可以落在波士顿矩阵的四个象限内，以此为基础结合运营目标和运营策略，互金运营的套路雏形就可以搭建起来了
6.各种套路的使用，要结合用户生命周期和市场周期的大背景。除了美林时钟，其实你也可以探索属于自己的分析指标
7.不管是做产品还是做运营，重在有节制。所有的模型只是为了保证最坏的情况下有最保底的策略，而不是设计运营方案时的首选。能用融合到产品本身实现目标的，不要做运营方案；能够通过一个方案做到的，不要做多个；能够不花钱或少花钱的，尽量少花。不要忘了，你做运营、做产品，初心是什么？
注：
本文提到的运营方案，主要针对本平台内的运营活动来说，暂未涵盖社群运营、内容运营、线下活动、数据运营等方面。实际上，可用的运营手段极其多样，在此仅选取最常见的几种进行论述。文中没有提到的其它一些运营手段，也可采用同样的模式进行组合与套用。
绘制波士顿矩阵的方法：
以 10% 的销售增长率和 20% 的市场占有率为高低标准分界线，将坐标图划分为四个象限。然后把企业全部产品按其销售增长率和市场占有率的大小，在坐标图上标出其相应位置（圆心）。定位后，按每种产品当年销售额的多少，绘成面积不等的圆圈，顺序标上不同的数字代号以示区别。定位的结果即将产品划分为四种类型。
更多内容请关注：www.imefuture.com
来源：微信公众号 人人都是产品经理 张德春 查看全部
如果把一整套运营方案比做一辆大货车，那么这个小框架就像是车架上放置的集装箱，不管是哪一辆大货车，甚至是货轮、火车，都可以根据自身情况进行安装、运输和拆卸。
互金运营常用策略
1）奖励标的
体验金、卡券（抵用券、满减券、加息券）、红包、送礼品（紧俏电子产品、现金、话费）、返现。
2）用户行为
浏览、注册、绑卡、投资、复投、赎回、收益发放、分享、邀请好友。
3）组合之后形成策略
注册送话费／现金／抵用券、分享加收益……策略可以多重组合，选择合适自己的就好。
各种套路适用的产品
结合公司阶段性业务目标和产品自身特性，运营经理可以从如下目标池中选定特定运营目标：
获取用户（拉新）
提高活跃度（促活）
提高留存率（留存）
促交易
获取收入
传播
明确了目标，掌握了运营策略，下一步就是与产品形成联结搭建运营小框架了。
1. 波士顿矩阵模型2.0
波士顿矩阵（我称之为“波士顿矩阵模型1.0”），又称市场增长率-相对市场份额矩阵，这个模型从销售增长率（外部因素）和市场占有率（内部因素）两个维度入手，划出了四个象限，用以分析企业当前产品结构和发展前景。
与模型中原有的思路不同，我倾向于认为互金公司在四个象限中的产品都有其存在的合理性，并需要针对不同象限内的产品设定不同的运营目标和运营策略，进而实现获客和交易规模的最大化。
其中最重要的原因，在于目前互联网金融行业整体上依旧处于成长期，还没有经历过一个完整的行业周期，在不同的公司里，每一类产品都有可能处于四象限中的任何一个象限——可以说，不存在“不好的产品”，只存在“不好的运营策略”。
在模型 1.0 中，被认为应该“放弃”或“收割”的问题产品，我会重点展开论述。
明星产品
销售增长率和市场占有率“双高”的产品群。
产品举例：现金管理类产品（平安财富宝的平安盈）、定期高收益产品（债权转让、票据）
运营目标：拉新、促交易、获取收入
适用运营策略举例：交易送抵用券、分享加收益
问题产品
销售增长率高、市场占有率低的产品群。
产品举例：黄金产品（账户金／黄金ETF）
运营目标：此类产品的运营目标跟产品自身属性关联度较高，简单来说，可分为如下两大类：
1）阶段性增长，具有一定周期性的产品：提高留存率、促进交易
最典型的就是黄金产品。
对专业度要求较高，真实交易群体小，受原油、汇率、国际重大事件等的影响较大。针对此类产品设计运营活动，主要目标就是为本 APP 或平台内的其他产品导流，借助热点吸引用户过来，并促成在本平台的交易。
典型的例子是 2016 年英国公投脱欧，账户金类产品和黄金 ETF 的关注度瞬间飙高，理财用户在各大平台上寻找此类产品。
从百度指数来看，本次热点 2016 年 6 月 21 日开始启动，到低谷之后的最后一个交易日（2016 年 7 月 1 日）一共 11 天 9 个交易日，存金宝（蚂蚁金服基于博时黄金 ETF 的 I 类份额包装）、平安金（平安银行的账户金）等产品赚取了大量的眼球和新用户（交易量增幅很大，但绝对值不大）。
当热潮退去时，这部分新增用户的留存率就是检验运营手段有效性的关键指标。
从上图可见，虽然 2016 年 7 月 1 日后大家对英国脱欧公投的关注度已经趋近于 0，但对黄金的关注度却在整体上了一个台阶的基础上，持续活跃了更长的一段时间。这部分流量对互金的运营经理来说，就是需要去挽留并进一步促进交易的用户。
2）持续性增长，周期不明的产品：获取用户、促进进一步传播
此类产品往往是平台新推出的品类，业务成熟度偏低、监管风险不明、投资者对产品的认知度偏低。
比如 2013 年 6 月的阿里小微金服推出的余额宝、2013 年 11 月金银猫推出的银行承兑汇票，2014 年 9 月米牛网推出的股票配资、2015 年 6 月人人行科技推出的借贷宝……这些产品中，有些成为了市场主流，有些则已经销声匿迹。
这类开拓性的产品往往因为有监管套利空间，所以推出时的收益率往往会高于市场上其他的产品。
在“收益率-流动性-风险”的分析框架下，针对此类产品的运营活动，立足（高收益率+安全性）宣传，可以适当弱化流动性，诉求上主要以获取用户和促进进一步传播为目标。
适用运营策略举例：
周期性产品：注册送体验金、绑卡/投资送券
周期不明产品：注册送体验金、绑卡/投资送券、分享加收益、邀请好友返现/加收益/送券
瘦狗产品
销售增长率和市场占有率“双低”的产品群。
产品举例：公募基金（不含宝宝类产品）
运营目标： 提高留存率、持续导入用户
这类产品一般是针对平台内的长尾用户推出的，在平台出现产品空档期、用户手头有闲钱、股市大涨等情况下，用户往往会把钱投向此类产品。
如果没有蚂蚁聚宝那么大的互联网用户体量，或是天天基金持续多年积攒的专业基金投资者，不建议在这类产品上投入太多资源。
在这个前提下，运营目标以提高留存率为主，持续导入用户为辅。
适用运营策略举例：参加活动送红包、投资送份额、注册送体验金
金牛产品
销售增长率低、市场占有率高的产品群。
产品举例：存量的宝宝类产品
运营目标： 提高活跃度、提高留存率
适用运营策略举例：生日发券、年节红包、送礼品
2. 通过运营手段促成产品布局的优化
四个象限中的产品并不是固化的，它们会随着市场、监管、用户和公司资源的调整而变化，从运营的角度考虑，有时需要引导和促成这种变化，有时需要延缓变化。
根据波士顿矩阵的基本应用法则，最理想的布局是“成功的月牙环”（多只明星产品和现金牛产品，少量问题产品和痩狗产品），应该极力避免的是“黑球失败法则（第三象限内一只现金牛产品都没有，或基本没有任何销售收入）”。
看到这里，不知道你是否默默打开了自己的应用或是数据分析平台，在心里小小地掂量一下，自己的产品在四个象限里究竟是如何分布的？
根据以上逻辑，在此针对如下两种变化略作推演：
问题产品→明星产品
演化方向：从销售增长率高／市场占有率低到销售增长率和市场占有率“双高”
演化路径：保持并提高销售增长率、进一步提高市场占有率
其实问题产品是一种处于亚稳定状态下的业务，从趋势上看，一般会在 3 个月以内发生显著位移：或者向左跃迁为明星产品，或者向下坍缩成瘦狗产品。
需要注意的是，在计划和实施这套策略之前，务必明确该产品是否为小众产品（专业度高、风险高、操作复杂、有特定的交易时段等）。如果是，那就要考虑投入产出比可能会比较不划算，进而采用长期的内容运营和社群运营等策略了。这部分内容，以后有机会再展开说，我自己涉及得也不多。
瘦狗产品→问题产品
演化方向：从销售增长率和市场占有率“双低”到销售增长率高／市场占有率低
演化路径：提高销售增长率
痩狗产品的这种转变，往往需要长时间的持续运营，切忌急功近利狂砸钱。如果能与投资者教育、投资技巧介绍、市场热点做结合，往往能收获不错的效果。比如蚂蚁聚宝的轻定投，就同时收获了口碑和用户数。同样，这部分内容将来有机会再展开说。
3. 各种套路适用的阶段
用户生命周期
需要注意的是：
用户在每个阶段都可能离开，不一定会走完一个完整的周期
上表可以分析单个用户的生命周期，也可以分析同一时期内不同用户在这些周期上的分布情况
受限于上文划定的运营策略，类似提示多久未登录、新品上线提示等手段就没有囊括进来。其实，这些方法也很有效
那么，如何设定用户生命周期以及对应的运营目标指标呢？
不同公司有不同的口径，选择符合本公司特色的就好。比如，Pinterest 定义的活跃度，是按照整体激活率来衡量的，计算公式为：
整体激活率=七日回访人数／注册用户数
而我曾经待过的某一家公司计算的活跃度为月活数，计算公式为：
一个月内访问过一次及以上的用户数／当月注册用户数
虽然口径千差万别，但却不可或缺。简言之，一切不带数据标准的生命周期划分都是耍流氓。事实上，稍微上一点规模的公司都会建立一整套完整的用户分层指标体系，光光活跃度就会有好几个指标来定义和计算，更不用说指标之间相互乘除了（日活／周活、日活／月活、周活／月活……）。
市场周期
宏观经济、金融市场、公司所属行业等也有相应的运行周期，相应的周期分析工具也非常丰富。
在这里，推荐使用美林时钟进行分析，简单明了。对于搭建整体的认知框架很有帮助。
运营经理使用美林时钟的方法：
充分认知模型缺点，批判性使用。复苏、过热、滞涨、衰退，这四个阶段其实并没有非常严格的判断指标。也就是说，你不能看着类似 CPI、70 个大中城市房价指数、基尼系数、沪深 300 指数之类的经济或金融指标，判断当前处于哪个周期，以及是否进入了新的周期。
如果能找到使用美林时钟的基本方法，可以结合本平台现有的产品，搭配相应的运营策略进行推广
作为内容运营的选题和分享文案的素材
项目复盘或年度总结时，作为整体市场环境的描述框架
抛开美林时钟不看，其实也可以根据自己的经验选择若干有代表性的指标，设定一些简单的市场趋势判断工具。我一般习惯于把 P2P 产品平均收益率、余额宝年度回报率、沪深 300 、本平台负责的产品放在一起看看，寻找一点点市场的感觉。
在工作中，你用什么样的指标或计算方式来判断市场趋势呢？欢迎留言分享。
这篇就到这里了，关键要点归纳如下：
1.一套完整的运营方案包括七大要素：目标用户、运营目标、运营策略、运营载体、运营资源和成本、数据收集、效果评估
2.“运营目标-运营策略-运营载体（产品）”这个小框架是互金运营套路最快捷的切入点，也是互金运营的三个底层逻辑
3.运营目标池：获取用户（拉新）、提高活跃度（促活）、提高留存率（留存）、促交易、获取收入、传播
4.在用户画像的基础上（本文没有涉及，但非常重要），运营策略=用户行为+奖励标的
5.运营载体（产品）可以落在波士顿矩阵的四个象限内，以此为基础结合运营目标和运营策略，互金运营的套路雏形就可以搭建起来了
6.各种套路的使用，要结合用户生命周期和市场周期的大背景。除了美林时钟，其实你也可以探索属于自己的分析指标
7.不管是做产品还是做运营，重在有节制。所有的模型只是为了保证最坏的情况下有最保底的策略，而不是设计运营方案时的首选。能用融合到产品本身实现目标的，不要做运营方案；能够通过一个方案做到的，不要做多个；能够不花钱或少花钱的，尽量少花。不要忘了，你做运营、做产品，初心是什么？
注：
本文提到的运营方案，主要针对本平台内的运营活动来说，暂未涵盖社群运营、内容运营、线下活动、数据运营等方面。实际上，可用的运营手段极其多样，在此仅选取最常见的几种进行论述。文中没有提到的其它一些运营手段，也可采用同样的模式进行组合与套用。
绘制波士顿矩阵的方法：
以 10% 的销售增长率和 20% 的市场占有率为高低标准分界线，将坐标图划分为四个象限。然后把企业全部产品按其销售增长率和市场占有率的大小，在坐标图上标出其相应位置（圆心）。定位后，按每种产品当年销售额的多少，绘成面积不等的圆圈，顺序标上不同的数字代号以示区别。定位的结果即将产品划分为四种类型。
更多内容请关注：www.imefuture.com
来源：微信公众号 人人都是产品经理 张德春
589 浏览
互联网产品经理装逼指南
其它类 jicheng 2017-03-10 13:06 发表了文章
产品圈，不懂一点互联网术语怎么好意思说自己是产品经理？
今天人人都是产品经理为大家奉上最全最有用的
产品专用名词学（zhuang）习（bi）指南
看完分分钟涨姿势！
收好不谢~
职称
CEO
Chief Executive Officer「首席执行官」
CTO
Chief Technology Officer「首席技术官」
COO
Chief Operations Officer「首席运营官」
PM
Product Manager「产品经理」
Project Manager 「项目经理」
OD
Operations Director「运营总监」
OP
Operations 「技术运维」
DE
Developmental Enginer「开发工程师」
HE
Hardware Engineer「硬件工程师」
FE
Front End Engineer 「前端工程师」
R&D
Research and Development engineer 「研发工程师」
DBA
Database Administrator 「数据库管理员」
QA
QA Engineer 「测试工程师」
专业名词
1. 行业术语
IP
Internet Protocol 网络之间互连的协议，它是能使连接到网上的所有计算机网络实现相互通信的一套规则，规定了计算机在因特网上进行通信时应当遵守的规则。
NFC
Near Field Communication 近距离无线通讯技术，短距高频的无线电技术,能在短距离内与兼容设备进行识别和数据交换。
SEM
Search Engine Marketing 搜索引擎营销。是一种网络营销形式，就是全面而有效的利用搜索引擎来进行网络营销和推广。
SEO
Search Engine Optimization 搜索引擎优化。利用搜索引擎的搜索规则来提高展示排名。
ASO
App Store Optimizatio 苹果应用商店搜索。指提升APP在各类APP苹果电子市场排行榜和搜索结果排名的过程。
UGC
User Generated Content 用户生成内容，用户将自己原创的内容在网上对他人呈现。
PGC
Professionally-generated Content 专业生产内容，指平台或者专家专业生产的内容。
OGC
Occupationally-generated Content 职业生产内容，视频、新闻等网站中，以提供相应内容为职业，如：记者，专栏作者等。
KOL
Key Opinion Leader 关键意见领袖，关键意见领袖通常是某行业或领域内的权威人士，为相关群体所接受或信任，并对该群体有较大影响力的人。
P2P
Person To Person 互联网金融点对点借贷平台。又称点对点网络借款，是一种将小额资金聚集起来借贷给有资金需求人群的一种民间小额借贷模式。
VC
Venture Capital 风险投资，大多是创业投资。
BP
Business Plan 商业计划书，是公司、企业或项目单位为了达到招商融资和其它发展目标，根据一定的格式和内容要求而编辑整理的一个向受众全面展示公司和项目目前状况、未来发展潜力的书面材料。
VR
Virtual Reality 虚拟现实，综合利用计算机图形系统和各种现实及控制等接口设备，在计算机上生成的，可交互的三维环境中提供沉浸感觉的技术。
AR
Augmented Reality 增强现实。它是一种将真实世界信息和虚拟世界信息“无缝”集成的新技术。真实的环境和虚拟的物体实时地叠加到了同一个画面或空间同时存在。
MR
Mixed reality 混合现实，指的是结合真实和虚拟世界创造了新的环境和可视化，物理实体和数字对象共存并能实时相互作用，以用来模拟真实物体。混合了真实、增强现实、增强虚拟和虚拟现实技术。
LBS
Location Based Service 基于位置的服务，它是通过电信移动运营商的无线电通讯网络（如GSM网、CDMA网）或外部定位方式（如GPS）获取移动终端用户的位置信息（地理坐标，或大地坐标），在地理信息系统平台的支持下，为用户提供相应服务的一种增值业务。
SOHO
Small Office Home Office 家居办公，是一种新经济、新概念，指自由、弹性而新型的生活和工作方式。
SNS
Social Networking Services 社会性网络服务。指个人之间的关系网络，这种基于社会网络关系系统思想的网站就是社会性网络网站(SNS网站)。
BBS
Bulletin Board System 电子公告板，通过在计算机上运行服务软件，允许用户使用终端程序通过Internet来进行连接，执行下载数据或程序、上传数据、阅读新闻、与其它用户交换消息等功能。
TMT
Technology、Media、Telecom 数字新媒体， TMT是电信、媒体和科技三个英文单词的缩写的第一个字头，整合在一起，实际是未来电信、媒体科技（互联网），包括信息技术这样一个融合趋势所产生的大的背景，这就是TMT产业。
IAAS
Infrastructure-as-a-Service 基础设施即服务，消费者通过Internet 可以从完善的计算机基础设施获得服务。这类服务称为基础设施即服务。
PAAS
Platform-as-a-Service 平台即服务，把服务器平台作为一种服务提供的商业模式。
SAAS
Software-as-a-Service 软件即服务，一种通过Internet提供软件的模式，厂商将应用软件统一部署在自己的服务器上，客户可以根据自己实际需求，通过互联网向厂商定购所需的应用软件服务，按定购的服务多少和时间长短向厂商支付费用，并通过互联网获得厂商提供的服务。
ASP
Application Service provider 应用服务提供商，通过构建应用系统运行平台，然后再租给各个不同的用户使用。对用户来说，是以“月租”代替“购买”。
CRM
Customer Relationship Management 客户关系管理，指用计算机自动化分析销售、市场营销、客户服务以及应用等流程的软件系统
ERP
Enterprise Resource Planning 企业资源计划，企业资源计划是指建立在信息技术基础上，以系统化的管理思想，为企业决策层及员工提供决策运行手段的管理平台。
ACG
为英文Animation、Comic、Game的缩写，是动画、漫画、游戏的总称。
B2B
Business to Business 企业对企业的电子商务，如阿里巴巴。
B2C
Business to Customer 企业对个人的电子商务，如京东。
C2C
Customer to Customer 个人对个人的电子商务，如淘宝。
O2O
Online to Offline 线上对线下，线下商务与线上推广相结合。
GA
是一个由Google所提供的网站流量统计服务。只要在欲观察的页面放入GA所提供的一小段JavaScript代码后，每当运行这个网页时，即会发送如：浏览者的所在国家、经由什么关键字进入该页等相关数据至GA服务器，并集成成易读的信息给网站站长。
暗网
暗网（深网，不可见网，隐藏网）是指那些存储在网络数据库里、但不能通过超链接访问而需要通过动态网页技术访问的资源集合，不属于那些可以被标准搜索引擎索引的表面网络。
二次元
该用法始于日本，早期的日本动画、游戏作品都是以二维图像构成的，其画面是一个平面，所以被称为是“二次元世界”，简称“二次元”，而与之相对的是“三次元”，即“我们所存在的这个次元”，也就是现实世界。
洋葱网络
洋葱网络是一种在计算机网络上进行匿名通信的技术。通信数据先进行多层加密然后在由若干个被称为洋葱路由器组成的通信线路上被传送。
共享经济
一般是指以获得一定报酬为主要目的，基于陌生人且存在物品使用权暂时转移的一种新的经济模式。
消费升级
一般指消费结构的升级，是各类消费支出在消费总支出中的结构升级和层次提高，它直接反映了消费水平和发展趋势。
新零售
未来电子商务平台即将消失，线上线下和物流结合在一起，才会产生新零售。线上是指云平台，线下是指销售门店或生产商，新物流消灭库存，减少囤货量。
（电子商务平台消失是指，现有的电商平台分散，每个人都有自己的电商平台）
2.文档术语
MRD
Market Requirements Document 市场需求文档
常见的为竞品分析，一般用于立项，基于目前市场数据及竞品等进行项目提出，一般用于提案。
PRD
Product Requirement Document 产品需求文档
一般是说明实现的过程，较为详细。有些公司为了敏捷开发需要很多时候会直接在原型图上面通过注释方式进行更直观的展示。
PMD
Program Managment Document 项目管理文档
一般包括项目进度、项目资源、责任人和项目输出物，常规通过visio进行甘特图绘制管理。该文档一般贯穿整个项目全程，衡量项目进度。
BRD
Business Requirement Document 商业需求文档
是基于商业目标或价值所描述的产品需求内容文档（报告）。其核心的用途就是用于产品在投入研发之前，由企业高层作为决策评估的重要依据。其内容涉及市场分析，销售策略，盈利预测等，通常是供决策层们讨论的演示文档，一般比较短小精炼，没有产品细节。
DRD
Design Requirement Drawing 交互设计文档
一般用来承载交互说明，并交付给前端、测试以及开发工程师参考的文档。
FSD
Functional Specifications Document 功能详细说明，定义产品功能需求的全部细节。
FSD一般通过一张张的截屏和一条条功能点来定义产品规格。这是一份可以直接让工程师创建产品的文档。
PSD
Product SpecificationsDocument 产品规格文档
PSD是一个较不流行的缩写，但是在有这样一个文档的机构中，它大体和上面描述的功能规格文档（FSD）相同。
SRS
Software RequirementsSpecification 软件需求文档，软件需求文档（SRS）是另一较不流行的缩写，在创建SRS的机构中，它在内容和细节上和上面描述的PRD或FSD有些想像。
3.运营术语
AARRR模型
Acquisition、Activation、Retention、Revenue、Refer这个五个单词的缩写，分别对应这一款移动应用生命周期中的5个重要环节。分别为：获取用户、提高活跃度、提高留存率、获取收入、自传播。
RFM用户模型
R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M (Monetary)表示客户在最近一段时间内购买的金额。
用户增长的S型曲线、J型曲线
指大多数产品，在产品发展周期中，都会遵循S型曲线的增长方式；但有些产品，可能产生J型曲线。
用户金字塔模型
第一级是社区的管理人员。第二级是用户管理工具。第三级是有价值用户，基本就是在社区里面足够活跃，并且给你的社区贡献有效价值的那些用户。第四级一般性用户。
OMTM
One metric that matters北极星指标，指唯一重要的指标。
4.交互设计术语
UI
User Interface ，用户界面，泛指用户的操作界面，UI设计主要指界面的样式，美观程度。
NUI
Natural User Interface 自然用户界面，NUI则只需要人们以最自然的交流方式（如语言和文字）与机器互动，使用NUI的计算机不需要键盘或鼠标。
GUI
Graphical User Interface 图形用户界面，指采用图形方式显示的计算机操作用户界面。
HUI
Handset User Interface 手持设备用户界面
WUI
Web User Interface 网页风格用户界面
UE or UX
User Experience 用户体验，指以用户体验为中心的设计。
UED
user experience design 用户体验设计，指以用户为中心的一种设计手段，以用户需求为目标而进行的设计。
UCD
User Centered Design 以用户为中心的设计，在设计过程中以用户体验为设计决策的中心，强调用户优先的设计模式。
HMI
Human Machine Interface 人机界面，人机界面是系统和用户之间进行交互和信息交换的媒介， 它实现信息的内部形式与人类可以接受形式之间的转换。
CLI
Command-line Interface 命令行界面，它通常不支持鼠标，用户通过键盘输入指令，计算机接收到指令后，予以执行。
UIMS
User Interface Management System 用户界面管理系统
DSC
Decision Support Center 决策支持中心，以决策支持小组为核心，为决策的全过程提供技术支持。
CHI
computer-human interaction 人机交互
HCI
human computer interaction 人机交互
OO
Object Oriented 面向对象，是一种把面向对象的思想应用于软件开发过程中，指导开发活动的系统方法，是建立在“对象”概念基础上的方法学。
OOA
Object Oriented Analysis 面向对象分析，是确定需求或者业务的角度，按照面向对象的思想来分析业务。
OOD
Object Oriented Design 面向对象设计，是OO方法中一个中间过渡环节。其主要作用是对OOA分析的结果作进一步的规范化整理，以便能够被OOP直接接受。
OOP
Object Oriented Programming 面向对象程序设计，OOP 的一条基本原则是计算机程序是由单个能够起到子程序作用的单元或对象组合而成。
5.技术术语：
API
Application Programming Interface 应用程序编程接口
是一些预先定义的函数，目的是提供应用程序与开发人员基于某软件或硬件得以访问一组例程的能力，而又无需访问源码，或理解内部工作机制的细节。
HTML
HyperText Markup Language 超文本标记语言
网页的本质就是超级文本标记语言，通过结合使用其他的Web技术可以创造出功能强大的网页。
UML
Unified Modeling Language 统一建模语言/标准建模语言
它是一个支持模型化和软件系统开发的图形化语言，为软件开发的所有阶段提供模型化和可视化支持，包括由需求分析到规格，到构造和配置。
CSS
Cascading Style Sheets 层叠样式表
是一种用来表现HTML（标准通用标记语言的一个应用）或XML（标准通用标记语言的一个子集）等文件样式的计算机语言。CSS不仅可以静态地修饰网页，还可以配合各种脚本语言动态地对网页各元素进行格式化。
JS
JavaScript 一种直译式脚本语言，是一种动态类型、弱类型、基于原型的语言，内置支持类型。
PHP
Hypertext Preprocessor 超文本预处理器，是一种通用开源脚本语言。语法吸收了C语言、Java和Perl的特点，利于学习，使用广泛，主要适用于Web开发领域。
JAVA
一门面向对象编程语言，不仅吸收了C++语言的各种优点，还摒弃了C++里难以理解的多继承、指针等概念，因此Java语言具有功能强大和简单易用两个特征。
MVC模型
Model View Controller，是模型(model)－视图(view)－控制器(controller)的缩写，一种软件设计典范，用一种业务逻辑、数据、界面显示分离的方法组织代码，将业务逻辑聚集到一个部件里面，在改进和个性化定制界面及用户交互的同时，不需要重新编写业务逻辑。
SDK
Software Development Kit 软件开发工具包，一般都是一些软件工程师为特定的软件包、软件框架、硬件平台、操作系统等建立应用软件时的开发工具的集合。
RSS
Really Simple Syndication 简易信息聚合，是一种描述和同步网站内容的格式，发布一个RSS文件后，这个RSS Feed中包含的信息就能直接被其他站点调用。
Feed
RSS中用来接收该信息来源更新的接口，满足希望以某种形式持续得到自己更新的需求而提供的格式标准的信息出口。
URL
Uniform Resoure Locator 统一资源定位器，对可以从互联网上得到的资源的位置和访问方法的一种简洁的表示。
UAT
User Acceptance Test 用户可接受测试，一般由产品运营UI客服等进行的一轮测试。
CMS
Content Management System 内容管理系统，是一种位于WEB 前端（Web 服务器）和后端办公系统或流程（内容创作、编辑）之间的软件系统。内容的创作人员、编辑人员、发布人员使用内容管理系统来提交、修改、审批、发布内容。
6.搜索引擎术语
Adsens
Google AdSense 是一种获取收入的快速简便的方法，适合于各种规模的网站发布商。它可以在网站的内容网页上展示相关性较高的 Google广告，并且这些广告不会过分夸张醒目。
PPC
Pay Per Click 点击付费广告，规则是广告主只有当使用者实际上点击广告以拜访广告主的网站时，才需要支付费用。
DSP
Demand-Side Platform 需求方平台广告，它服务于广告主，帮助广告主在互联网或者移动互联网上进行广告投放，DSP可以使广告主更简单便捷地遵循统一的竞价和反馈方式，对位于多家广告交易平台的在线广告,以合理的价格实时购买高质量的广告库存。
SSP
Sell-Side Platform 供应方平台，通过这一平台，媒体主希望他们的库存广告可以获得最高的有效每千次展示费用，而不必以低价销售出去。
DMP
Data-Management Platform 数据管理平台，数据管理平台能够帮助所有涉及广告库存购买和出售的各方管理其数据、更方便地使用第三方数据、增强他们对所有这些数据的理解、传回数据或将定制数据传入某一平台，以进行更好地定位。
RTB
Real Time Bidding 实时竞价，RTB是一种技术为王的精准营销手段，当一个用户在全网浏览过某种商品，或点击过特殊类目的广告后，其浏览痕迹都会通过cookie记录在案，而通过广告交易平台，你在下一次浏览网页的时候，将被推送符合偏好的广告。
SPAM
搜索引擎垃圾技术，搜索引擎垃圾技术是利用不道德的技巧去提高自己搜索引擎上的排名。
Sandbox
沙盒效应 由最主要的搜索引擎Google所决定的搜索引擎结果页面（搜索结果）中，新发布的网站排名越来越低。这一现象被称为“沙盒效应”。它们会对那些链接流行度迅速攀升的网站进行冷处理以防止SEOer过度优化。
7. 计费模式
CPC
Cost Per Click 每点击成本，网络广告每次点击的费用，是网络广告界最常见的定价形式。
CPS
Cost Per Sales 每销售成本，以实际销售产品数量来计算广告费用的广告，这种广告更多的适合购物类、导购类、网址导航类的网站，需要精准的流量才能带来转化。
CPT
Cost Per Time 按时间成本，这种方式的特点是按用户使用时长或使用周期计费，可以从根本上杜绝刷流量、激活作弊，是最真实的、有效的营销方式之一。
CPA
Cost Per Action 按事件成本，这种计价方式是指按广告投放实际效果，即按预先设定好的转化目标来计费，而不限广告投放量。
CPM
Cost Per Mille 每千人成本，即Cost Per Thousand Impression每千次印象数成本；广告主为它的广告显示1000次所付的费用。
CPR
Cost Per Response 每回应成本，以浏览者的每一个回应计费，这种广告计费充分体现了网络广告“及时反应、直接互动、准确记录”的特点，但是，这个只是辅助销售的一种公式。
8.数据指标
DAU
Daily Active User 日活跃用户数量，统计一日（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
WAU
Weekly Active Users 七天内登陆过产品的用户数。统计一周之内（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
MAU
Monthly Active User 月活跃用户量，统计一月之内（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
DOU
Day Old User 日老玩家用户，表示当天登录游戏的老玩家，指非当天新增的用户。
DNU
Day New User日新增用户，表示当天的新增用户。
ACU
Average concurrent users 平均同时在线人数。
PCU
Peak concurrent users 最高同时在线人数。
UV
Unique Visitor 唯一访问量，可以理解为页面被多少人看过。
PV
Page View 页面浏览量，可以理解为页面被人看过的总次数。用户每1次对网站中的每个网页访问均被记录1次。用户对同一页面的多次访问，访问量累计。
ARPU
Average Revenue Per User 平均每活跃用户收益。转化率：用户点击页面后，产生被期望的特定行为的数量，占总量的比。
ARPPU
Average Revenue Per Paying User 每付费用户平均收益。统计周期内，付费用户对产品产生的平均收入。
LTV
Life Time Value LTV 生命周期价值，是产品从用户所有的互动中所得到的全部经济收益的总和。
CAC
Customer Acquisition Cost 用户获取成本，获取用户所花费的成本。
KPI
Key Performance Indicator 关键绩效指标，是企业绩效考核的方法之一。
ROI
Return On Investment 投资回报率，投资回报率（ROI）=利润总额/投入成本总额×100%
非专业名词新解
Bigger：「逼格」源于 Bigger than Bigger
Jiaban ：「加班」
You can you up ：「你行你上」
No can no bb ：「不行别哔哔！」
4B ：「苦逼、二逼、装逼、傻逼」
Too young，too simple ：「图样图森破」
装逼概念
马太效应
Matthew Effect 指强者愈强、弱者愈弱、好的愈好，坏的愈坏，多的愈多，少的愈少的现象，广泛应用于社会心理学、教育、金融以及科学等众多领域。
羊群效应
指人们经常受到多数人影响，从而跟从大众的思想或行为，也被称为“从众效应”。人们会追随大众所同意的，将自己的意见默认否定，且不会主观上思考事件的意义。羊群效应是诉诸群众谬误的基础。
霍桑效应
指那些意识到自己正在被别人观察的个人具有改变自己行为的倾向。
病毒式营销
源于英文词汇viralmarketing。常用于进行网站推广、品牌推广等。利用的是用户口碑传播的原理，在互联网上，这种“口碑传播”更为方便，可以像病毒一样迅速蔓延，因此病毒性营销成为一种高效的信息传播方式，而且，由于这种传播是用户之间自发进行的，因此几乎是不需要费用的网络营销手段。
鲶鱼效应
鲶鱼在搅动小鱼生存环境的同时，也激活了小鱼的求生能力。鲶鱼效应是采取一种手段或措施，刺激一些企业活跃起来投入到市场中积极参与竞争，从而激活市场中的同行业企业。其实质是一种负激励，是激活员工队伍之奥秘。
沸水理论
把水煮沸后，看上去热气腾腾，但水的总量不会增加，而且需要供热成本，为了维持一个看上去热腾腾的活跃度，你需要不断添柴、加火，这些供暖成本很高的，而由此产生的热气却无法增加额外的水量， 那么还要煮沸它做什么呢？
在网络上，很多人不择手段地去追求用户的“活跃度”，却不考虑活跃度到底能带来什么收益。当我们看到一群人的活跃是个漂亮数字的时候，应该 去看看每个人活跃的背后到底意味着什么价值。
长尾理论
网络时代兴起的一种新理论，由于成本和效率的因素，当商品储存流通展示的场地和渠道足够宽广，商品生产成本急剧下降以至于个人都可以进行生产，并且商品的销售成本急剧降低时，几乎任何以前看似需求极低的产品，只要有卖，都会有人买。这些需求和销量不高的产品所占据的共同市场份额，可以和主流产品的市场份额相比，甚至更大。
幸存者偏差
驳斥的是一种常见的逻辑谬误（“谬误”而不是“偏差”），这个被驳斥的逻辑谬误指的是只能看到经过某种筛选而产生的结果，而没有意识到筛选的过程，因此忽略了被筛选掉的关键信息。这东西的别名有很多，比如“沉默的数据”、“死人不会说话”等等。
墨菲定律
如果有两种或两种以上的方式去做某件事情，而其中一种选择方式将导致灾难，则必定有人会做出这种选择。
摩尔定律
当价格不变时，集成电路上可容纳的元器件的数目，约每隔18-24个月便会增加一倍，性能也将提升一倍。换言之，每一美元所能买到的电脑性能，将每隔18-24个月翻一倍以上。这一定律揭示了信息技术进步的速度。
黑天鹅事件
指非常难以预测，且不寻常的事件，通常会引起市场连锁负面反应甚至颠覆。
金字塔原理
是一项层次性、结构化的思考、沟通技术，可以用于结构化的写作过程。
马斯洛需求理论
将人类需求像阶梯一样从低到高按层次分为五种，分别是：生理需求、安全需求、社交需求、尊重需求和自我实现需求。
社交蒸发冷却效应
是指在社交团体中，成员的价值跟液体的温度类似，因此当温度最高的液体蒸发变成气体时（价值最高的成员离开社团），剩下的液体的平均温度就会下降（社团的平均价值会进一步降低）。
囚徒困境
说明为什么甚至在合作对双方都有利时，保持合作也是困难的反映个人最佳选择并非团体最佳选择。
降维攻击：
将攻击目标本身所处的空间维度降低，致使目标无法在低维度的空间中生存从而毁灭目标。如3维空间的物体在二维空间中，物体自身微观粒子相互之间的作用力公式将发生变化，物体分子将不能保持现有的稳定状态，极可能发生解体，导致物体本身毁灭。
专业术语运用 之 终极版产品腔
场景纯属虚构，如有巧合，那……那……那也是没Sei了~~~
产品狗：Jason啊，预计这个Q上线的产品，PRD我已经搞好了，request确定了，BOSS也拍板了，这肯定是最终版本的PRD，你放心去搞吧……
猿大大：最终版本？？？有哪次需求你是不改的！老板拍板也没用！
产品狗：我立字据！这次肯定……@￥%#……%……*0）￥%#3￥&@#*^&*……
猿大大：好了好了，我知道了…….
……..
（一个月后）
产品狗：额…那个…猿大大，你那个报名表单验证还没做吧？
猿大大：必须做了，我还测了3遍，完全没问题。
产品狗：额…有个小小的change……是这样的，我们（其实是boss啦）觉得现在固定的表单灵活性太差了，要不一步到位直接做成自定义表单吧，可以后台设置表单字段以及显示顺序…….
猿大大：呵呵，这……叫小改动？我这开发都快结束了！
产品狗：我这PM 也是不容易啊，你看这么做不都是为了让业务更好的运转嘛，我们不是2B的Platform嘛，况且现在还在探索阶段，运营对表单内容调整频繁、操作量大，这样灵活；自定义化后，运营工作效率也会大大的up，用户转化率当然就no problem 啦！反正产品后期自定义表单也是必要的，这也是早晚的问题，免得以后运营也不会说咱unprofessional嘛。猿大大，我不也是为了让我们的program顺利的run下去~小小的功能做好了，运营也就有更多精力更花在Customer上，以后的PV啊，UV啊肯定乐观！这样大家皆大欢喜，简直Wonderful~您就稍微做个小修改……可别让这Program delay，到时候让leader催着跑。之前搞的CRM系统还有Christmas 活动，不都因为一个小小的功能问题，让OD说咱unprofessional，anyway把这个做好啦，review meeting肯定一次过， 完成后我请你去happy一下……
（后续如何，各位看官自行脑补……）
看完这些你准备好飞起来了么？~
来源：网络 查看全部
今天人人都是产品经理为大家奉上最全最有用的
产品专用名词学（zhuang）习（bi）指南
看完分分钟涨姿势！
收好不谢~
职称
CEO
Chief Executive Officer「首席执行官」
CTO
Chief Technology Officer「首席技术官」
COO
Chief Operations Officer「首席运营官」
PM
Product Manager「产品经理」
Project Manager 「项目经理」
OD
Operations Director「运营总监」
OP
Operations 「技术运维」
DE
Developmental Enginer「开发工程师」
HE
Hardware Engineer「硬件工程师」
FE
Front End Engineer 「前端工程师」
R&D
Research and Development engineer 「研发工程师」
DBA
Database Administrator 「数据库管理员」
QA
QA Engineer 「测试工程师」
专业名词
1. 行业术语
IP
Internet Protocol 网络之间互连的协议，它是能使连接到网上的所有计算机网络实现相互通信的一套规则，规定了计算机在因特网上进行通信时应当遵守的规则。
NFC
Near Field Communication 近距离无线通讯技术，短距高频的无线电技术,能在短距离内与兼容设备进行识别和数据交换。
SEM
Search Engine Marketing 搜索引擎营销。是一种网络营销形式，就是全面而有效的利用搜索引擎来进行网络营销和推广。
SEO
Search Engine Optimization 搜索引擎优化。利用搜索引擎的搜索规则来提高展示排名。
ASO
App Store Optimizatio 苹果应用商店搜索。指提升APP在各类APP苹果电子市场排行榜和搜索结果排名的过程。
UGC
User Generated Content 用户生成内容，用户将自己原创的内容在网上对他人呈现。
PGC
Professionally-generated Content 专业生产内容，指平台或者专家专业生产的内容。
OGC
Occupationally-generated Content 职业生产内容，视频、新闻等网站中，以提供相应内容为职业，如：记者，专栏作者等。
KOL
Key Opinion Leader 关键意见领袖，关键意见领袖通常是某行业或领域内的权威人士，为相关群体所接受或信任，并对该群体有较大影响力的人。
P2P
Person To Person 互联网金融点对点借贷平台。又称点对点网络借款，是一种将小额资金聚集起来借贷给有资金需求人群的一种民间小额借贷模式。
VC
Venture Capital 风险投资，大多是创业投资。
BP
Business Plan 商业计划书，是公司、企业或项目单位为了达到招商融资和其它发展目标，根据一定的格式和内容要求而编辑整理的一个向受众全面展示公司和项目目前状况、未来发展潜力的书面材料。
VR
Virtual Reality 虚拟现实，综合利用计算机图形系统和各种现实及控制等接口设备，在计算机上生成的，可交互的三维环境中提供沉浸感觉的技术。
AR
Augmented Reality 增强现实。它是一种将真实世界信息和虚拟世界信息“无缝”集成的新技术。真实的环境和虚拟的物体实时地叠加到了同一个画面或空间同时存在。
MR
Mixed reality 混合现实，指的是结合真实和虚拟世界创造了新的环境和可视化，物理实体和数字对象共存并能实时相互作用，以用来模拟真实物体。混合了真实、增强现实、增强虚拟和虚拟现实技术。
LBS
Location Based Service 基于位置的服务，它是通过电信移动运营商的无线电通讯网络（如GSM网、CDMA网）或外部定位方式（如GPS）获取移动终端用户的位置信息（地理坐标，或大地坐标），在地理信息系统平台的支持下，为用户提供相应服务的一种增值业务。
SOHO
Small Office Home Office 家居办公，是一种新经济、新概念，指自由、弹性而新型的生活和工作方式。
SNS
Social Networking Services 社会性网络服务。指个人之间的关系网络，这种基于社会网络关系系统思想的网站就是社会性网络网站(SNS网站)。
BBS
Bulletin Board System 电子公告板，通过在计算机上运行服务软件，允许用户使用终端程序通过Internet来进行连接，执行下载数据或程序、上传数据、阅读新闻、与其它用户交换消息等功能。
TMT
Technology、Media、Telecom 数字新媒体， TMT是电信、媒体和科技三个英文单词的缩写的第一个字头，整合在一起，实际是未来电信、媒体科技（互联网），包括信息技术这样一个融合趋势所产生的大的背景，这就是TMT产业。
IAAS
Infrastructure-as-a-Service 基础设施即服务，消费者通过Internet 可以从完善的计算机基础设施获得服务。这类服务称为基础设施即服务。
PAAS
Platform-as-a-Service 平台即服务，把服务器平台作为一种服务提供的商业模式。
SAAS
Software-as-a-Service 软件即服务，一种通过Internet提供软件的模式，厂商将应用软件统一部署在自己的服务器上，客户可以根据自己实际需求，通过互联网向厂商定购所需的应用软件服务，按定购的服务多少和时间长短向厂商支付费用，并通过互联网获得厂商提供的服务。
ASP
Application Service provider 应用服务提供商，通过构建应用系统运行平台，然后再租给各个不同的用户使用。对用户来说，是以“月租”代替“购买”。
CRM
Customer Relationship Management 客户关系管理，指用计算机自动化分析销售、市场营销、客户服务以及应用等流程的软件系统
ERP
Enterprise Resource Planning 企业资源计划，企业资源计划是指建立在信息技术基础上，以系统化的管理思想，为企业决策层及员工提供决策运行手段的管理平台。
ACG
为英文Animation、Comic、Game的缩写，是动画、漫画、游戏的总称。
B2B
Business to Business 企业对企业的电子商务，如阿里巴巴。
B2C
Business to Customer 企业对个人的电子商务，如京东。
C2C
Customer to Customer 个人对个人的电子商务，如淘宝。
O2O
Online to Offline 线上对线下，线下商务与线上推广相结合。
GA
是一个由Google所提供的网站流量统计服务。只要在欲观察的页面放入GA所提供的一小段JavaScript代码后，每当运行这个网页时，即会发送如：浏览者的所在国家、经由什么关键字进入该页等相关数据至GA服务器，并集成成易读的信息给网站站长。
暗网
暗网（深网，不可见网，隐藏网）是指那些存储在网络数据库里、但不能通过超链接访问而需要通过动态网页技术访问的资源集合，不属于那些可以被标准搜索引擎索引的表面网络。
二次元
该用法始于日本，早期的日本动画、游戏作品都是以二维图像构成的，其画面是一个平面，所以被称为是“二次元世界”，简称“二次元”，而与之相对的是“三次元”，即“我们所存在的这个次元”，也就是现实世界。
洋葱网络
洋葱网络是一种在计算机网络上进行匿名通信的技术。通信数据先进行多层加密然后在由若干个被称为洋葱路由器组成的通信线路上被传送。
共享经济
一般是指以获得一定报酬为主要目的，基于陌生人且存在物品使用权暂时转移的一种新的经济模式。
消费升级
一般指消费结构的升级，是各类消费支出在消费总支出中的结构升级和层次提高，它直接反映了消费水平和发展趋势。
新零售
未来电子商务平台即将消失，线上线下和物流结合在一起，才会产生新零售。线上是指云平台，线下是指销售门店或生产商，新物流消灭库存，减少囤货量。
（电子商务平台消失是指，现有的电商平台分散，每个人都有自己的电商平台）
2.文档术语
MRD
Market Requirements Document 市场需求文档
常见的为竞品分析，一般用于立项，基于目前市场数据及竞品等进行项目提出，一般用于提案。
PRD
Product Requirement Document 产品需求文档
一般是说明实现的过程，较为详细。有些公司为了敏捷开发需要很多时候会直接在原型图上面通过注释方式进行更直观的展示。
PMD
Program Managment Document 项目管理文档
一般包括项目进度、项目资源、责任人和项目输出物，常规通过visio进行甘特图绘制管理。该文档一般贯穿整个项目全程，衡量项目进度。
BRD
Business Requirement Document 商业需求文档
是基于商业目标或价值所描述的产品需求内容文档（报告）。其核心的用途就是用于产品在投入研发之前，由企业高层作为决策评估的重要依据。其内容涉及市场分析，销售策略，盈利预测等，通常是供决策层们讨论的演示文档，一般比较短小精炼，没有产品细节。
DRD
Design Requirement Drawing 交互设计文档
一般用来承载交互说明，并交付给前端、测试以及开发工程师参考的文档。
FSD
Functional Specifications Document 功能详细说明，定义产品功能需求的全部细节。
FSD一般通过一张张的截屏和一条条功能点来定义产品规格。这是一份可以直接让工程师创建产品的文档。
PSD
Product SpecificationsDocument 产品规格文档
PSD是一个较不流行的缩写，但是在有这样一个文档的机构中，它大体和上面描述的功能规格文档（FSD）相同。
SRS
Software RequirementsSpecification 软件需求文档，软件需求文档（SRS）是另一较不流行的缩写，在创建SRS的机构中，它在内容和细节上和上面描述的PRD或FSD有些想像。
3.运营术语
AARRR模型
Acquisition、Activation、Retention、Revenue、Refer这个五个单词的缩写，分别对应这一款移动应用生命周期中的5个重要环节。分别为：获取用户、提高活跃度、提高留存率、获取收入、自传播。
RFM用户模型
R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M (Monetary)表示客户在最近一段时间内购买的金额。
用户增长的S型曲线、J型曲线
指大多数产品，在产品发展周期中，都会遵循S型曲线的增长方式；但有些产品，可能产生J型曲线。
用户金字塔模型
第一级是社区的管理人员。第二级是用户管理工具。第三级是有价值用户，基本就是在社区里面足够活跃，并且给你的社区贡献有效价值的那些用户。第四级一般性用户。
OMTM
One metric that matters北极星指标，指唯一重要的指标。
4.交互设计术语
UI
User Interface ，用户界面，泛指用户的操作界面，UI设计主要指界面的样式，美观程度。
NUI
Natural User Interface 自然用户界面，NUI则只需要人们以最自然的交流方式（如语言和文字）与机器互动，使用NUI的计算机不需要键盘或鼠标。
GUI
Graphical User Interface 图形用户界面，指采用图形方式显示的计算机操作用户界面。
HUI
Handset User Interface 手持设备用户界面
WUI
Web User Interface 网页风格用户界面
UE or UX
User Experience 用户体验，指以用户体验为中心的设计。
UED
user experience design 用户体验设计，指以用户为中心的一种设计手段，以用户需求为目标而进行的设计。
UCD
User Centered Design 以用户为中心的设计，在设计过程中以用户体验为设计决策的中心，强调用户优先的设计模式。
HMI
Human Machine Interface 人机界面，人机界面是系统和用户之间进行交互和信息交换的媒介， 它实现信息的内部形式与人类可以接受形式之间的转换。
CLI
Command-line Interface 命令行界面，它通常不支持鼠标，用户通过键盘输入指令，计算机接收到指令后，予以执行。
UIMS
User Interface Management System 用户界面管理系统
DSC
Decision Support Center 决策支持中心，以决策支持小组为核心，为决策的全过程提供技术支持。
CHI
computer-human interaction 人机交互
HCI
human computer interaction 人机交互
OO
Object Oriented 面向对象，是一种把面向对象的思想应用于软件开发过程中，指导开发活动的系统方法，是建立在“对象”概念基础上的方法学。
OOA
Object Oriented Analysis 面向对象分析，是确定需求或者业务的角度，按照面向对象的思想来分析业务。
OOD
Object Oriented Design 面向对象设计，是OO方法中一个中间过渡环节。其主要作用是对OOA分析的结果作进一步的规范化整理，以便能够被OOP直接接受。
OOP
Object Oriented Programming 面向对象程序设计，OOP 的一条基本原则是计算机程序是由单个能够起到子程序作用的单元或对象组合而成。
5.技术术语：
API
Application Programming Interface 应用程序编程接口
是一些预先定义的函数，目的是提供应用程序与开发人员基于某软件或硬件得以访问一组例程的能力，而又无需访问源码，或理解内部工作机制的细节。
HTML
HyperText Markup Language 超文本标记语言
网页的本质就是超级文本标记语言，通过结合使用其他的Web技术可以创造出功能强大的网页。
UML
Unified Modeling Language 统一建模语言/标准建模语言
它是一个支持模型化和软件系统开发的图形化语言，为软件开发的所有阶段提供模型化和可视化支持，包括由需求分析到规格，到构造和配置。
CSS
Cascading Style Sheets 层叠样式表
是一种用来表现HTML（标准通用标记语言的一个应用）或XML（标准通用标记语言的一个子集）等文件样式的计算机语言。CSS不仅可以静态地修饰网页，还可以配合各种脚本语言动态地对网页各元素进行格式化。
JS
JavaScript 一种直译式脚本语言，是一种动态类型、弱类型、基于原型的语言，内置支持类型。
PHP
Hypertext Preprocessor 超文本预处理器，是一种通用开源脚本语言。语法吸收了C语言、Java和Perl的特点，利于学习，使用广泛，主要适用于Web开发领域。
JAVA
一门面向对象编程语言，不仅吸收了C++语言的各种优点，还摒弃了C++里难以理解的多继承、指针等概念，因此Java语言具有功能强大和简单易用两个特征。
MVC模型
Model View Controller，是模型(model)－视图(view)－控制器(controller)的缩写，一种软件设计典范，用一种业务逻辑、数据、界面显示分离的方法组织代码，将业务逻辑聚集到一个部件里面，在改进和个性化定制界面及用户交互的同时，不需要重新编写业务逻辑。
SDK
Software Development Kit 软件开发工具包，一般都是一些软件工程师为特定的软件包、软件框架、硬件平台、操作系统等建立应用软件时的开发工具的集合。
RSS
Really Simple Syndication 简易信息聚合，是一种描述和同步网站内容的格式，发布一个RSS文件后，这个RSS Feed中包含的信息就能直接被其他站点调用。
Feed
RSS中用来接收该信息来源更新的接口，满足希望以某种形式持续得到自己更新的需求而提供的格式标准的信息出口。
URL
Uniform Resoure Locator 统一资源定位器，对可以从互联网上得到的资源的位置和访问方法的一种简洁的表示。
UAT
User Acceptance Test 用户可接受测试，一般由产品运营UI客服等进行的一轮测试。
CMS
Content Management System 内容管理系统，是一种位于WEB 前端（Web 服务器）和后端办公系统或流程（内容创作、编辑）之间的软件系统。内容的创作人员、编辑人员、发布人员使用内容管理系统来提交、修改、审批、发布内容。
6.搜索引擎术语
Adsens
Google AdSense 是一种获取收入的快速简便的方法，适合于各种规模的网站发布商。它可以在网站的内容网页上展示相关性较高的 Google广告，并且这些广告不会过分夸张醒目。
PPC
Pay Per Click 点击付费广告，规则是广告主只有当使用者实际上点击广告以拜访广告主的网站时，才需要支付费用。
DSP
Demand-Side Platform 需求方平台广告，它服务于广告主，帮助广告主在互联网或者移动互联网上进行广告投放，DSP可以使广告主更简单便捷地遵循统一的竞价和反馈方式，对位于多家广告交易平台的在线广告,以合理的价格实时购买高质量的广告库存。
SSP
Sell-Side Platform 供应方平台，通过这一平台，媒体主希望他们的库存广告可以获得最高的有效每千次展示费用，而不必以低价销售出去。
DMP
Data-Management Platform 数据管理平台，数据管理平台能够帮助所有涉及广告库存购买和出售的各方管理其数据、更方便地使用第三方数据、增强他们对所有这些数据的理解、传回数据或将定制数据传入某一平台，以进行更好地定位。
RTB
Real Time Bidding 实时竞价，RTB是一种技术为王的精准营销手段，当一个用户在全网浏览过某种商品，或点击过特殊类目的广告后，其浏览痕迹都会通过cookie记录在案，而通过广告交易平台，你在下一次浏览网页的时候，将被推送符合偏好的广告。
SPAM
搜索引擎垃圾技术，搜索引擎垃圾技术是利用不道德的技巧去提高自己搜索引擎上的排名。
Sandbox
沙盒效应 由最主要的搜索引擎Google所决定的搜索引擎结果页面（搜索结果）中，新发布的网站排名越来越低。这一现象被称为“沙盒效应”。它们会对那些链接流行度迅速攀升的网站进行冷处理以防止SEOer过度优化。
7. 计费模式
CPC
Cost Per Click 每点击成本，网络广告每次点击的费用，是网络广告界最常见的定价形式。
CPS
Cost Per Sales 每销售成本，以实际销售产品数量来计算广告费用的广告，这种广告更多的适合购物类、导购类、网址导航类的网站，需要精准的流量才能带来转化。
CPT
Cost Per Time 按时间成本，这种方式的特点是按用户使用时长或使用周期计费，可以从根本上杜绝刷流量、激活作弊，是最真实的、有效的营销方式之一。
CPA
Cost Per Action 按事件成本，这种计价方式是指按广告投放实际效果，即按预先设定好的转化目标来计费，而不限广告投放量。
CPM
Cost Per Mille 每千人成本，即Cost Per Thousand Impression每千次印象数成本；广告主为它的广告显示1000次所付的费用。
CPR
Cost Per Response 每回应成本，以浏览者的每一个回应计费，这种广告计费充分体现了网络广告“及时反应、直接互动、准确记录”的特点，但是，这个只是辅助销售的一种公式。
8.数据指标
DAU
Daily Active User 日活跃用户数量，统计一日（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
WAU
Weekly Active Users 七天内登陆过产品的用户数。统计一周之内（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
MAU
Monthly Active User 月活跃用户量，统计一月之内（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
DOU
Day Old User 日老玩家用户，表示当天登录游戏的老玩家，指非当天新增的用户。
DNU
Day New User日新增用户，表示当天的新增用户。
ACU
Average concurrent users 平均同时在线人数。
PCU
Peak concurrent users 最高同时在线人数。
UV
Unique Visitor 唯一访问量，可以理解为页面被多少人看过。
PV
Page View 页面浏览量，可以理解为页面被人看过的总次数。用户每1次对网站中的每个网页访问均被记录1次。用户对同一页面的多次访问，访问量累计。
ARPU
Average Revenue Per User 平均每活跃用户收益。转化率：用户点击页面后，产生被期望的特定行为的数量，占总量的比。
ARPPU
Average Revenue Per Paying User 每付费用户平均收益。统计周期内，付费用户对产品产生的平均收入。
LTV
Life Time Value LTV 生命周期价值，是产品从用户所有的互动中所得到的全部经济收益的总和。
CAC
Customer Acquisition Cost 用户获取成本，获取用户所花费的成本。
KPI
Key Performance Indicator 关键绩效指标，是企业绩效考核的方法之一。
ROI
Return On Investment 投资回报率，投资回报率（ROI）=利润总额/投入成本总额×100%
非专业名词新解
Bigger：「逼格」源于 Bigger than Bigger
Jiaban ：「加班」
You can you up ：「你行你上」
No can no bb ：「不行别哔哔！」
4B ：「苦逼、二逼、装逼、傻逼」
Too young，too simple ：「图样图森破」
装逼概念
马太效应
Matthew Effect 指强者愈强、弱者愈弱、好的愈好，坏的愈坏，多的愈多，少的愈少的现象，广泛应用于社会心理学、教育、金融以及科学等众多领域。
羊群效应
指人们经常受到多数人影响，从而跟从大众的思想或行为，也被称为“从众效应”。人们会追随大众所同意的，将自己的意见默认否定，且不会主观上思考事件的意义。羊群效应是诉诸群众谬误的基础。
霍桑效应
指那些意识到自己正在被别人观察的个人具有改变自己行为的倾向。
病毒式营销
源于英文词汇viralmarketing。常用于进行网站推广、品牌推广等。利用的是用户口碑传播的原理，在互联网上，这种“口碑传播”更为方便，可以像病毒一样迅速蔓延，因此病毒性营销成为一种高效的信息传播方式，而且，由于这种传播是用户之间自发进行的，因此几乎是不需要费用的网络营销手段。
鲶鱼效应
鲶鱼在搅动小鱼生存环境的同时，也激活了小鱼的求生能力。鲶鱼效应是采取一种手段或措施，刺激一些企业活跃起来投入到市场中积极参与竞争，从而激活市场中的同行业企业。其实质是一种负激励，是激活员工队伍之奥秘。
沸水理论
把水煮沸后，看上去热气腾腾，但水的总量不会增加，而且需要供热成本，为了维持一个看上去热腾腾的活跃度，你需要不断添柴、加火，这些供暖成本很高的，而由此产生的热气却无法增加额外的水量， 那么还要煮沸它做什么呢？
在网络上，很多人不择手段地去追求用户的“活跃度”，却不考虑活跃度到底能带来什么收益。当我们看到一群人的活跃是个漂亮数字的时候，应该 去看看每个人活跃的背后到底意味着什么价值。
长尾理论
网络时代兴起的一种新理论，由于成本和效率的因素，当商品储存流通展示的场地和渠道足够宽广，商品生产成本急剧下降以至于个人都可以进行生产，并且商品的销售成本急剧降低时，几乎任何以前看似需求极低的产品，只要有卖，都会有人买。这些需求和销量不高的产品所占据的共同市场份额，可以和主流产品的市场份额相比，甚至更大。
幸存者偏差
驳斥的是一种常见的逻辑谬误（“谬误”而不是“偏差”），这个被驳斥的逻辑谬误指的是只能看到经过某种筛选而产生的结果，而没有意识到筛选的过程，因此忽略了被筛选掉的关键信息。这东西的别名有很多，比如“沉默的数据”、“死人不会说话”等等。
墨菲定律
如果有两种或两种以上的方式去做某件事情，而其中一种选择方式将导致灾难，则必定有人会做出这种选择。
摩尔定律
当价格不变时，集成电路上可容纳的元器件的数目，约每隔18-24个月便会增加一倍，性能也将提升一倍。换言之，每一美元所能买到的电脑性能，将每隔18-24个月翻一倍以上。这一定律揭示了信息技术进步的速度。
黑天鹅事件
指非常难以预测，且不寻常的事件，通常会引起市场连锁负面反应甚至颠覆。
金字塔原理
是一项层次性、结构化的思考、沟通技术，可以用于结构化的写作过程。
马斯洛需求理论
将人类需求像阶梯一样从低到高按层次分为五种，分别是：生理需求、安全需求、社交需求、尊重需求和自我实现需求。
社交蒸发冷却效应
是指在社交团体中，成员的价值跟液体的温度类似，因此当温度最高的液体蒸发变成气体时（价值最高的成员离开社团），剩下的液体的平均温度就会下降（社团的平均价值会进一步降低）。
囚徒困境
说明为什么甚至在合作对双方都有利时，保持合作也是困难的反映个人最佳选择并非团体最佳选择。
降维攻击：
将攻击目标本身所处的空间维度降低，致使目标无法在低维度的空间中生存从而毁灭目标。如3维空间的物体在二维空间中，物体自身微观粒子相互之间的作用力公式将发生变化，物体分子将不能保持现有的稳定状态，极可能发生解体，导致物体本身毁灭。
专业术语运用 之 终极版产品腔
场景纯属虚构，如有巧合，那……那……那也是没Sei了~~~
产品狗：Jason啊，预计这个Q上线的产品，PRD我已经搞好了，request确定了，BOSS也拍板了，这肯定是最终版本的PRD，你放心去搞吧……
猿大大：最终版本？？？有哪次需求你是不改的！老板拍板也没用！
产品狗：我立字据！这次肯定……@￥%#……%……*0）￥%#3￥&@#*^&*……
猿大大：好了好了，我知道了…….
……..
（一个月后）
产品狗：额…那个…猿大大，你那个报名表单验证还没做吧？
猿大大：必须做了，我还测了3遍，完全没问题。
产品狗：额…有个小小的change……是这样的，我们（其实是boss啦）觉得现在固定的表单灵活性太差了，要不一步到位直接做成自定义表单吧，可以后台设置表单字段以及显示顺序…….
猿大大：呵呵，这……叫小改动？我这开发都快结束了！
产品狗：我这PM 也是不容易啊，你看这么做不都是为了让业务更好的运转嘛，我们不是2B的Platform嘛，况且现在还在探索阶段，运营对表单内容调整频繁、操作量大，这样灵活；自定义化后，运营工作效率也会大大的up，用户转化率当然就no problem 啦！反正产品后期自定义表单也是必要的，这也是早晚的问题，免得以后运营也不会说咱unprofessional嘛。猿大大，我不也是为了让我们的program顺利的run下去~小小的功能做好了，运营也就有更多精力更花在Customer上，以后的PV啊，UV啊肯定乐观！这样大家皆大欢喜，简直Wonderful~您就稍微做个小修改……可别让这Program delay，到时候让leader催着跑。之前搞的CRM系统还有Christmas 活动，不都因为一个小小的功能问题，让OD说咱unprofessional，anyway把这个做好啦，review meeting肯定一次过， 完成后我请你去happy一下……
（后续如何，各位看官自行脑补……）
看完这些你准备好飞起来了么？~
来源：网络 查看全部
产品圈，不懂一点互联网术语怎么好意思说自己是产品经理？
今天人人都是产品经理为大家奉上最全最有用的
产品专用名词学（zhuang）习（bi）指南
看完分分钟涨姿势！
收好不谢~
职称
CEO
Chief Executive Officer「首席执行官」
CTO
Chief Technology Officer「首席技术官」
COO
Chief Operations Officer「首席运营官」
PM
Product Manager「产品经理」
Project Manager 「项目经理」
OD
Operations Director「运营总监」
OP
Operations 「技术运维」
DE
Developmental Enginer「开发工程师」
HE
Hardware Engineer「硬件工程师」
FE
Front End Engineer 「前端工程师」
R&D
Research and Development engineer 「研发工程师」
DBA
Database Administrator 「数据库管理员」
QA
QA Engineer 「测试工程师」
专业名词
1. 行业术语
IP
Internet Protocol 网络之间互连的协议，它是能使连接到网上的所有计算机网络实现相互通信的一套规则，规定了计算机在因特网上进行通信时应当遵守的规则。
NFC
Near Field Communication 近距离无线通讯技术，短距高频的无线电技术,能在短距离内与兼容设备进行识别和数据交换。
SEM
Search Engine Marketing 搜索引擎营销。是一种网络营销形式，就是全面而有效的利用搜索引擎来进行网络营销和推广。
SEO
Search Engine Optimization 搜索引擎优化。利用搜索引擎的搜索规则来提高展示排名。
ASO
App Store Optimizatio 苹果应用商店搜索。指提升APP在各类APP苹果电子市场排行榜和搜索结果排名的过程。
UGC
User Generated Content 用户生成内容，用户将自己原创的内容在网上对他人呈现。
PGC
Professionally-generated Content 专业生产内容，指平台或者专家专业生产的内容。
OGC
Occupationally-generated Content 职业生产内容，视频、新闻等网站中，以提供相应内容为职业，如：记者，专栏作者等。
KOL
Key Opinion Leader 关键意见领袖，关键意见领袖通常是某行业或领域内的权威人士，为相关群体所接受或信任，并对该群体有较大影响力的人。
P2P
Person To Person 互联网金融点对点借贷平台。又称点对点网络借款，是一种将小额资金聚集起来借贷给有资金需求人群的一种民间小额借贷模式。
VC
Venture Capital 风险投资，大多是创业投资。
BP
Business Plan 商业计划书，是公司、企业或项目单位为了达到招商融资和其它发展目标，根据一定的格式和内容要求而编辑整理的一个向受众全面展示公司和项目目前状况、未来发展潜力的书面材料。
VR
Virtual Reality 虚拟现实，综合利用计算机图形系统和各种现实及控制等接口设备，在计算机上生成的，可交互的三维环境中提供沉浸感觉的技术。
AR
Augmented Reality 增强现实。它是一种将真实世界信息和虚拟世界信息“无缝”集成的新技术。真实的环境和虚拟的物体实时地叠加到了同一个画面或空间同时存在。
MR
Mixed reality 混合现实，指的是结合真实和虚拟世界创造了新的环境和可视化，物理实体和数字对象共存并能实时相互作用，以用来模拟真实物体。混合了真实、增强现实、增强虚拟和虚拟现实技术。
LBS
Location Based Service 基于位置的服务，它是通过电信移动运营商的无线电通讯网络（如GSM网、CDMA网）或外部定位方式（如GPS）获取移动终端用户的位置信息（地理坐标，或大地坐标），在地理信息系统平台的支持下，为用户提供相应服务的一种增值业务。
SOHO
Small Office Home Office 家居办公，是一种新经济、新概念，指自由、弹性而新型的生活和工作方式。
SNS
Social Networking Services 社会性网络服务。指个人之间的关系网络，这种基于社会网络关系系统思想的网站就是社会性网络网站(SNS网站)。
BBS
Bulletin Board System 电子公告板，通过在计算机上运行服务软件，允许用户使用终端程序通过Internet来进行连接，执行下载数据或程序、上传数据、阅读新闻、与其它用户交换消息等功能。
TMT
Technology、Media、Telecom 数字新媒体， TMT是电信、媒体和科技三个英文单词的缩写的第一个字头，整合在一起，实际是未来电信、媒体科技（互联网），包括信息技术这样一个融合趋势所产生的大的背景，这就是TMT产业。
IAAS
Infrastructure-as-a-Service 基础设施即服务，消费者通过Internet 可以从完善的计算机基础设施获得服务。这类服务称为基础设施即服务。
PAAS
Platform-as-a-Service 平台即服务，把服务器平台作为一种服务提供的商业模式。
SAAS
Software-as-a-Service 软件即服务，一种通过Internet提供软件的模式，厂商将应用软件统一部署在自己的服务器上，客户可以根据自己实际需求，通过互联网向厂商定购所需的应用软件服务，按定购的服务多少和时间长短向厂商支付费用，并通过互联网获得厂商提供的服务。
ASP
Application Service provider 应用服务提供商，通过构建应用系统运行平台，然后再租给各个不同的用户使用。对用户来说，是以“月租”代替“购买”。
CRM
Customer Relationship Management 客户关系管理，指用计算机自动化分析销售、市场营销、客户服务以及应用等流程的软件系统
ERP
Enterprise Resource Planning 企业资源计划，企业资源计划是指建立在信息技术基础上，以系统化的管理思想，为企业决策层及员工提供决策运行手段的管理平台。
ACG
为英文Animation、Comic、Game的缩写，是动画、漫画、游戏的总称。
B2B
Business to Business 企业对企业的电子商务，如阿里巴巴。
B2C
Business to Customer 企业对个人的电子商务，如京东。
C2C
Customer to Customer 个人对个人的电子商务，如淘宝。
O2O
Online to Offline 线上对线下，线下商务与线上推广相结合。
GA
是一个由Google所提供的网站流量统计服务。只要在欲观察的页面放入GA所提供的一小段JavaScript代码后，每当运行这个网页时，即会发送如：浏览者的所在国家、经由什么关键字进入该页等相关数据至GA服务器，并集成成易读的信息给网站站长。
暗网
暗网（深网，不可见网，隐藏网）是指那些存储在网络数据库里、但不能通过超链接访问而需要通过动态网页技术访问的资源集合，不属于那些可以被标准搜索引擎索引的表面网络。
二次元
该用法始于日本，早期的日本动画、游戏作品都是以二维图像构成的，其画面是一个平面，所以被称为是“二次元世界”，简称“二次元”，而与之相对的是“三次元”，即“我们所存在的这个次元”，也就是现实世界。
洋葱网络
洋葱网络是一种在计算机网络上进行匿名通信的技术。通信数据先进行多层加密然后在由若干个被称为洋葱路由器组成的通信线路上被传送。
共享经济
一般是指以获得一定报酬为主要目的，基于陌生人且存在物品使用权暂时转移的一种新的经济模式。
消费升级
一般指消费结构的升级，是各类消费支出在消费总支出中的结构升级和层次提高，它直接反映了消费水平和发展趋势。
新零售
未来电子商务平台即将消失，线上线下和物流结合在一起，才会产生新零售。线上是指云平台，线下是指销售门店或生产商，新物流消灭库存，减少囤货量。
（电子商务平台消失是指，现有的电商平台分散，每个人都有自己的电商平台）
2.文档术语
MRD
Market Requirements Document 市场需求文档
常见的为竞品分析，一般用于立项，基于目前市场数据及竞品等进行项目提出，一般用于提案。
PRD
Product Requirement Document 产品需求文档
一般是说明实现的过程，较为详细。有些公司为了敏捷开发需要很多时候会直接在原型图上面通过注释方式进行更直观的展示。
PMD
Program Managment Document 项目管理文档
一般包括项目进度、项目资源、责任人和项目输出物，常规通过visio进行甘特图绘制管理。该文档一般贯穿整个项目全程，衡量项目进度。
BRD
Business Requirement Document 商业需求文档
是基于商业目标或价值所描述的产品需求内容文档（报告）。其核心的用途就是用于产品在投入研发之前，由企业高层作为决策评估的重要依据。其内容涉及市场分析，销售策略，盈利预测等，通常是供决策层们讨论的演示文档，一般比较短小精炼，没有产品细节。
DRD
Design Requirement Drawing 交互设计文档
一般用来承载交互说明，并交付给前端、测试以及开发工程师参考的文档。
FSD
Functional Specifications Document 功能详细说明，定义产品功能需求的全部细节。
FSD一般通过一张张的截屏和一条条功能点来定义产品规格。这是一份可以直接让工程师创建产品的文档。
PSD
Product SpecificationsDocument 产品规格文档
PSD是一个较不流行的缩写，但是在有这样一个文档的机构中，它大体和上面描述的功能规格文档（FSD）相同。
SRS
Software RequirementsSpecification 软件需求文档，软件需求文档（SRS）是另一较不流行的缩写，在创建SRS的机构中，它在内容和细节上和上面描述的PRD或FSD有些想像。
3.运营术语
AARRR模型
Acquisition、Activation、Retention、Revenue、Refer这个五个单词的缩写，分别对应这一款移动应用生命周期中的5个重要环节。分别为：获取用户、提高活跃度、提高留存率、获取收入、自传播。
RFM用户模型
R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M (Monetary)表示客户在最近一段时间内购买的金额。
用户增长的S型曲线、J型曲线
指大多数产品，在产品发展周期中，都会遵循S型曲线的增长方式；但有些产品，可能产生J型曲线。
用户金字塔模型
第一级是社区的管理人员。第二级是用户管理工具。第三级是有价值用户，基本就是在社区里面足够活跃，并且给你的社区贡献有效价值的那些用户。第四级一般性用户。
OMTM
One metric that matters北极星指标，指唯一重要的指标。
4.交互设计术语
UI
User Interface ，用户界面，泛指用户的操作界面，UI设计主要指界面的样式，美观程度。
NUI
Natural User Interface 自然用户界面，NUI则只需要人们以最自然的交流方式（如语言和文字）与机器互动，使用NUI的计算机不需要键盘或鼠标。
GUI
Graphical User Interface 图形用户界面，指采用图形方式显示的计算机操作用户界面。
HUI
Handset User Interface 手持设备用户界面
WUI
Web User Interface 网页风格用户界面
UE or UX
User Experience 用户体验，指以用户体验为中心的设计。
UED
user experience design 用户体验设计，指以用户为中心的一种设计手段，以用户需求为目标而进行的设计。
UCD
User Centered Design 以用户为中心的设计，在设计过程中以用户体验为设计决策的中心，强调用户优先的设计模式。
HMI
Human Machine Interface 人机界面，人机界面是系统和用户之间进行交互和信息交换的媒介， 它实现信息的内部形式与人类可以接受形式之间的转换。
CLI
Command-line Interface 命令行界面，它通常不支持鼠标，用户通过键盘输入指令，计算机接收到指令后，予以执行。
UIMS
User Interface Management System 用户界面管理系统
DSC
Decision Support Center 决策支持中心，以决策支持小组为核心，为决策的全过程提供技术支持。
CHI
computer-human interaction 人机交互
HCI
human computer interaction 人机交互
OO
Object Oriented 面向对象，是一种把面向对象的思想应用于软件开发过程中，指导开发活动的系统方法，是建立在“对象”概念基础上的方法学。
OOA
Object Oriented Analysis 面向对象分析，是确定需求或者业务的角度，按照面向对象的思想来分析业务。
OOD
Object Oriented Design 面向对象设计，是OO方法中一个中间过渡环节。其主要作用是对OOA分析的结果作进一步的规范化整理，以便能够被OOP直接接受。
OOP
Object Oriented Programming 面向对象程序设计，OOP 的一条基本原则是计算机程序是由单个能够起到子程序作用的单元或对象组合而成。
5.技术术语：
API
Application Programming Interface 应用程序编程接口
是一些预先定义的函数，目的是提供应用程序与开发人员基于某软件或硬件得以访问一组例程的能力，而又无需访问源码，或理解内部工作机制的细节。
HTML
HyperText Markup Language 超文本标记语言
网页的本质就是超级文本标记语言，通过结合使用其他的Web技术可以创造出功能强大的网页。
UML
Unified Modeling Language 统一建模语言/标准建模语言
它是一个支持模型化和软件系统开发的图形化语言，为软件开发的所有阶段提供模型化和可视化支持，包括由需求分析到规格，到构造和配置。
CSS
Cascading Style Sheets 层叠样式表
是一种用来表现HTML（标准通用标记语言的一个应用）或XML（标准通用标记语言的一个子集）等文件样式的计算机语言。CSS不仅可以静态地修饰网页，还可以配合各种脚本语言动态地对网页各元素进行格式化。
JS
JavaScript 一种直译式脚本语言，是一种动态类型、弱类型、基于原型的语言，内置支持类型。
PHP
Hypertext Preprocessor 超文本预处理器，是一种通用开源脚本语言。语法吸收了C语言、Java和Perl的特点，利于学习，使用广泛，主要适用于Web开发领域。
JAVA
一门面向对象编程语言，不仅吸收了C++语言的各种优点，还摒弃了C++里难以理解的多继承、指针等概念，因此Java语言具有功能强大和简单易用两个特征。
MVC模型
Model View Controller，是模型(model)－视图(view)－控制器(controller)的缩写，一种软件设计典范，用一种业务逻辑、数据、界面显示分离的方法组织代码，将业务逻辑聚集到一个部件里面，在改进和个性化定制界面及用户交互的同时，不需要重新编写业务逻辑。
SDK
Software Development Kit 软件开发工具包，一般都是一些软件工程师为特定的软件包、软件框架、硬件平台、操作系统等建立应用软件时的开发工具的集合。
RSS
Really Simple Syndication 简易信息聚合，是一种描述和同步网站内容的格式，发布一个RSS文件后，这个RSS Feed中包含的信息就能直接被其他站点调用。
Feed
RSS中用来接收该信息来源更新的接口，满足希望以某种形式持续得到自己更新的需求而提供的格式标准的信息出口。
URL
Uniform Resoure Locator 统一资源定位器，对可以从互联网上得到的资源的位置和访问方法的一种简洁的表示。
UAT
User Acceptance Test 用户可接受测试，一般由产品运营UI客服等进行的一轮测试。
CMS
Content Management System 内容管理系统，是一种位于WEB 前端（Web 服务器）和后端办公系统或流程（内容创作、编辑）之间的软件系统。内容的创作人员、编辑人员、发布人员使用内容管理系统来提交、修改、审批、发布内容。
6.搜索引擎术语
Adsens
Google AdSense 是一种获取收入的快速简便的方法，适合于各种规模的网站发布商。它可以在网站的内容网页上展示相关性较高的 Google广告，并且这些广告不会过分夸张醒目。
PPC
Pay Per Click 点击付费广告，规则是广告主只有当使用者实际上点击广告以拜访广告主的网站时，才需要支付费用。
DSP
Demand-Side Platform 需求方平台广告，它服务于广告主，帮助广告主在互联网或者移动互联网上进行广告投放，DSP可以使广告主更简单便捷地遵循统一的竞价和反馈方式，对位于多家广告交易平台的在线广告,以合理的价格实时购买高质量的广告库存。
SSP
Sell-Side Platform 供应方平台，通过这一平台，媒体主希望他们的库存广告可以获得最高的有效每千次展示费用，而不必以低价销售出去。
DMP
Data-Management Platform 数据管理平台，数据管理平台能够帮助所有涉及广告库存购买和出售的各方管理其数据、更方便地使用第三方数据、增强他们对所有这些数据的理解、传回数据或将定制数据传入某一平台，以进行更好地定位。
RTB
Real Time Bidding 实时竞价，RTB是一种技术为王的精准营销手段，当一个用户在全网浏览过某种商品，或点击过特殊类目的广告后，其浏览痕迹都会通过cookie记录在案，而通过广告交易平台，你在下一次浏览网页的时候，将被推送符合偏好的广告。
SPAM
搜索引擎垃圾技术，搜索引擎垃圾技术是利用不道德的技巧去提高自己搜索引擎上的排名。
Sandbox
沙盒效应 由最主要的搜索引擎Google所决定的搜索引擎结果页面（搜索结果）中，新发布的网站排名越来越低。这一现象被称为“沙盒效应”。它们会对那些链接流行度迅速攀升的网站进行冷处理以防止SEOer过度优化。
7. 计费模式
CPC
Cost Per Click 每点击成本，网络广告每次点击的费用，是网络广告界最常见的定价形式。
CPS
Cost Per Sales 每销售成本，以实际销售产品数量来计算广告费用的广告，这种广告更多的适合购物类、导购类、网址导航类的网站，需要精准的流量才能带来转化。
CPT
Cost Per Time 按时间成本，这种方式的特点是按用户使用时长或使用周期计费，可以从根本上杜绝刷流量、激活作弊，是最真实的、有效的营销方式之一。
CPA
Cost Per Action 按事件成本，这种计价方式是指按广告投放实际效果，即按预先设定好的转化目标来计费，而不限广告投放量。
CPM
Cost Per Mille 每千人成本，即Cost Per Thousand Impression每千次印象数成本；广告主为它的广告显示1000次所付的费用。
CPR
Cost Per Response 每回应成本，以浏览者的每一个回应计费，这种广告计费充分体现了网络广告“及时反应、直接互动、准确记录”的特点，但是，这个只是辅助销售的一种公式。
8.数据指标
DAU
Daily Active User 日活跃用户数量，统计一日（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
WAU
Weekly Active Users 七天内登陆过产品的用户数。统计一周之内（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
MAU
Monthly Active User 月活跃用户量，统计一月之内（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
DOU
Day Old User 日老玩家用户，表示当天登录游戏的老玩家，指非当天新增的用户。
DNU
Day New User日新增用户，表示当天的新增用户。
ACU
Average concurrent users 平均同时在线人数。
PCU
Peak concurrent users 最高同时在线人数。
UV
Unique Visitor 唯一访问量，可以理解为页面被多少人看过。
PV
Page View 页面浏览量，可以理解为页面被人看过的总次数。用户每1次对网站中的每个网页访问均被记录1次。用户对同一页面的多次访问，访问量累计。
ARPU
Average Revenue Per User 平均每活跃用户收益。转化率：用户点击页面后，产生被期望的特定行为的数量，占总量的比。
ARPPU
Average Revenue Per Paying User 每付费用户平均收益。统计周期内，付费用户对产品产生的平均收入。
LTV
Life Time Value LTV 生命周期价值，是产品从用户所有的互动中所得到的全部经济收益的总和。
CAC
Customer Acquisition Cost 用户获取成本，获取用户所花费的成本。
KPI
Key Performance Indicator 关键绩效指标，是企业绩效考核的方法之一。
ROI
Return On Investment 投资回报率，投资回报率（ROI）=利润总额/投入成本总额×100%
非专业名词新解
Bigger：「逼格」源于 Bigger than Bigger
Jiaban ：「加班」
You can you up ：「你行你上」
No can no bb ：「不行别哔哔！」
4B ：「苦逼、二逼、装逼、傻逼」
Too young，too simple ：「图样图森破」
装逼概念
马太效应
Matthew Effect 指强者愈强、弱者愈弱、好的愈好，坏的愈坏，多的愈多，少的愈少的现象，广泛应用于社会心理学、教育、金融以及科学等众多领域。
羊群效应
指人们经常受到多数人影响，从而跟从大众的思想或行为，也被称为“从众效应”。人们会追随大众所同意的，将自己的意见默认否定，且不会主观上思考事件的意义。羊群效应是诉诸群众谬误的基础。
霍桑效应
指那些意识到自己正在被别人观察的个人具有改变自己行为的倾向。
病毒式营销
源于英文词汇viralmarketing。常用于进行网站推广、品牌推广等。利用的是用户口碑传播的原理，在互联网上，这种“口碑传播”更为方便，可以像病毒一样迅速蔓延，因此病毒性营销成为一种高效的信息传播方式，而且，由于这种传播是用户之间自发进行的，因此几乎是不需要费用的网络营销手段。
鲶鱼效应
鲶鱼在搅动小鱼生存环境的同时，也激活了小鱼的求生能力。鲶鱼效应是采取一种手段或措施，刺激一些企业活跃起来投入到市场中积极参与竞争，从而激活市场中的同行业企业。其实质是一种负激励，是激活员工队伍之奥秘。
沸水理论
把水煮沸后，看上去热气腾腾，但水的总量不会增加，而且需要供热成本，为了维持一个看上去热腾腾的活跃度，你需要不断添柴、加火，这些供暖成本很高的，而由此产生的热气却无法增加额外的水量， 那么还要煮沸它做什么呢？
在网络上，很多人不择手段地去追求用户的“活跃度”，却不考虑活跃度到底能带来什么收益。当我们看到一群人的活跃是个漂亮数字的时候，应该 去看看每个人活跃的背后到底意味着什么价值。
长尾理论
网络时代兴起的一种新理论，由于成本和效率的因素，当商品储存流通展示的场地和渠道足够宽广，商品生产成本急剧下降以至于个人都可以进行生产，并且商品的销售成本急剧降低时，几乎任何以前看似需求极低的产品，只要有卖，都会有人买。这些需求和销量不高的产品所占据的共同市场份额，可以和主流产品的市场份额相比，甚至更大。
幸存者偏差
驳斥的是一种常见的逻辑谬误（“谬误”而不是“偏差”），这个被驳斥的逻辑谬误指的是只能看到经过某种筛选而产生的结果，而没有意识到筛选的过程，因此忽略了被筛选掉的关键信息。这东西的别名有很多，比如“沉默的数据”、“死人不会说话”等等。
墨菲定律
如果有两种或两种以上的方式去做某件事情，而其中一种选择方式将导致灾难，则必定有人会做出这种选择。
摩尔定律
当价格不变时，集成电路上可容纳的元器件的数目，约每隔18-24个月便会增加一倍，性能也将提升一倍。换言之，每一美元所能买到的电脑性能，将每隔18-24个月翻一倍以上。这一定律揭示了信息技术进步的速度。
黑天鹅事件
指非常难以预测，且不寻常的事件，通常会引起市场连锁负面反应甚至颠覆。
金字塔原理
是一项层次性、结构化的思考、沟通技术，可以用于结构化的写作过程。
马斯洛需求理论
将人类需求像阶梯一样从低到高按层次分为五种，分别是：生理需求、安全需求、社交需求、尊重需求和自我实现需求。
社交蒸发冷却效应
是指在社交团体中，成员的价值跟液体的温度类似，因此当温度最高的液体蒸发变成气体时（价值最高的成员离开社团），剩下的液体的平均温度就会下降（社团的平均价值会进一步降低）。
囚徒困境
说明为什么甚至在合作对双方都有利时，保持合作也是困难的反映个人最佳选择并非团体最佳选择。
降维攻击：
将攻击目标本身所处的空间维度降低，致使目标无法在低维度的空间中生存从而毁灭目标。如3维空间的物体在二维空间中，物体自身微观粒子相互之间的作用力公式将发生变化，物体分子将不能保持现有的稳定状态，极可能发生解体，导致物体本身毁灭。
专业术语运用 之 终极版产品腔
场景纯属虚构，如有巧合，那……那……那也是没Sei了~~~
产品狗：Jason啊，预计这个Q上线的产品，PRD我已经搞好了，request确定了，BOSS也拍板了，这肯定是最终版本的PRD，你放心去搞吧……
猿大大：最终版本？？？有哪次需求你是不改的！老板拍板也没用！
产品狗：我立字据！这次肯定……@￥%#……%……*0）￥%#3￥&@#*^&*……
猿大大：好了好了，我知道了…….
……..
（一个月后）
产品狗：额…那个…猿大大，你那个报名表单验证还没做吧？
猿大大：必须做了，我还测了3遍，完全没问题。
产品狗：额…有个小小的change……是这样的，我们（其实是boss啦）觉得现在固定的表单灵活性太差了，要不一步到位直接做成自定义表单吧，可以后台设置表单字段以及显示顺序…….
猿大大：呵呵，这……叫小改动？我这开发都快结束了！
产品狗：我这PM 也是不容易啊，你看这么做不都是为了让业务更好的运转嘛，我们不是2B的Platform嘛，况且现在还在探索阶段，运营对表单内容调整频繁、操作量大，这样灵活；自定义化后，运营工作效率也会大大的up，用户转化率当然就no problem 啦！反正产品后期自定义表单也是必要的，这也是早晚的问题，免得以后运营也不会说咱unprofessional嘛。猿大大，我不也是为了让我们的program顺利的run下去~小小的功能做好了，运营也就有更多精力更花在Customer上，以后的PV啊，UV啊肯定乐观！这样大家皆大欢喜，简直Wonderful~您就稍微做个小修改……可别让这Program delay，到时候让leader催着跑。之前搞的CRM系统还有Christmas 活动，不都因为一个小小的功能问题，让OD说咱unprofessional，anyway把这个做好啦，review meeting肯定一次过， 完成后我请你去happy一下……
（后续如何，各位看官自行脑补……）
看完这些你准备好飞起来了么？~
来源：网络
今天人人都是产品经理为大家奉上最全最有用的
产品专用名词学（zhuang）习（bi）指南
看完分分钟涨姿势！
收好不谢~
职称
CEO
Chief Executive Officer「首席执行官」
CTO
Chief Technology Officer「首席技术官」
COO
Chief Operations Officer「首席运营官」
PM
Product Manager「产品经理」
Project Manager 「项目经理」
OD
Operations Director「运营总监」
OP
Operations 「技术运维」
DE
Developmental Enginer「开发工程师」
HE
Hardware Engineer「硬件工程师」
FE
Front End Engineer 「前端工程师」
R&D
Research and Development engineer 「研发工程师」
DBA
Database Administrator 「数据库管理员」
QA
QA Engineer 「测试工程师」
专业名词
1. 行业术语
IP
Internet Protocol 网络之间互连的协议，它是能使连接到网上的所有计算机网络实现相互通信的一套规则，规定了计算机在因特网上进行通信时应当遵守的规则。
NFC
Near Field Communication 近距离无线通讯技术，短距高频的无线电技术,能在短距离内与兼容设备进行识别和数据交换。
SEM
Search Engine Marketing 搜索引擎营销。是一种网络营销形式，就是全面而有效的利用搜索引擎来进行网络营销和推广。
SEO
Search Engine Optimization 搜索引擎优化。利用搜索引擎的搜索规则来提高展示排名。
ASO
App Store Optimizatio 苹果应用商店搜索。指提升APP在各类APP苹果电子市场排行榜和搜索结果排名的过程。
UGC
User Generated Content 用户生成内容，用户将自己原创的内容在网上对他人呈现。
PGC
Professionally-generated Content 专业生产内容，指平台或者专家专业生产的内容。
OGC
Occupationally-generated Content 职业生产内容，视频、新闻等网站中，以提供相应内容为职业，如：记者，专栏作者等。
KOL
Key Opinion Leader 关键意见领袖，关键意见领袖通常是某行业或领域内的权威人士，为相关群体所接受或信任，并对该群体有较大影响力的人。
P2P
Person To Person 互联网金融点对点借贷平台。又称点对点网络借款，是一种将小额资金聚集起来借贷给有资金需求人群的一种民间小额借贷模式。
VC
Venture Capital 风险投资，大多是创业投资。
BP
Business Plan 商业计划书，是公司、企业或项目单位为了达到招商融资和其它发展目标，根据一定的格式和内容要求而编辑整理的一个向受众全面展示公司和项目目前状况、未来发展潜力的书面材料。
VR
Virtual Reality 虚拟现实，综合利用计算机图形系统和各种现实及控制等接口设备，在计算机上生成的，可交互的三维环境中提供沉浸感觉的技术。
AR
Augmented Reality 增强现实。它是一种将真实世界信息和虚拟世界信息“无缝”集成的新技术。真实的环境和虚拟的物体实时地叠加到了同一个画面或空间同时存在。
MR
Mixed reality 混合现实，指的是结合真实和虚拟世界创造了新的环境和可视化，物理实体和数字对象共存并能实时相互作用，以用来模拟真实物体。混合了真实、增强现实、增强虚拟和虚拟现实技术。
LBS
Location Based Service 基于位置的服务，它是通过电信移动运营商的无线电通讯网络（如GSM网、CDMA网）或外部定位方式（如GPS）获取移动终端用户的位置信息（地理坐标，或大地坐标），在地理信息系统平台的支持下，为用户提供相应服务的一种增值业务。
SOHO
Small Office Home Office 家居办公，是一种新经济、新概念，指自由、弹性而新型的生活和工作方式。
SNS
Social Networking Services 社会性网络服务。指个人之间的关系网络，这种基于社会网络关系系统思想的网站就是社会性网络网站(SNS网站)。
BBS
Bulletin Board System 电子公告板，通过在计算机上运行服务软件，允许用户使用终端程序通过Internet来进行连接，执行下载数据或程序、上传数据、阅读新闻、与其它用户交换消息等功能。
TMT
Technology、Media、Telecom 数字新媒体， TMT是电信、媒体和科技三个英文单词的缩写的第一个字头，整合在一起，实际是未来电信、媒体科技（互联网），包括信息技术这样一个融合趋势所产生的大的背景，这就是TMT产业。
IAAS
Infrastructure-as-a-Service 基础设施即服务，消费者通过Internet 可以从完善的计算机基础设施获得服务。这类服务称为基础设施即服务。
PAAS
Platform-as-a-Service 平台即服务，把服务器平台作为一种服务提供的商业模式。
SAAS
Software-as-a-Service 软件即服务，一种通过Internet提供软件的模式，厂商将应用软件统一部署在自己的服务器上，客户可以根据自己实际需求，通过互联网向厂商定购所需的应用软件服务，按定购的服务多少和时间长短向厂商支付费用，并通过互联网获得厂商提供的服务。
ASP
Application Service provider 应用服务提供商，通过构建应用系统运行平台，然后再租给各个不同的用户使用。对用户来说，是以“月租”代替“购买”。
CRM
Customer Relationship Management 客户关系管理，指用计算机自动化分析销售、市场营销、客户服务以及应用等流程的软件系统
ERP
Enterprise Resource Planning 企业资源计划，企业资源计划是指建立在信息技术基础上，以系统化的管理思想，为企业决策层及员工提供决策运行手段的管理平台。
ACG
为英文Animation、Comic、Game的缩写，是动画、漫画、游戏的总称。
B2B
Business to Business 企业对企业的电子商务，如阿里巴巴。
B2C
Business to Customer 企业对个人的电子商务，如京东。
C2C
Customer to Customer 个人对个人的电子商务，如淘宝。
O2O
Online to Offline 线上对线下，线下商务与线上推广相结合。
GA
是一个由Google所提供的网站流量统计服务。只要在欲观察的页面放入GA所提供的一小段JavaScript代码后，每当运行这个网页时，即会发送如：浏览者的所在国家、经由什么关键字进入该页等相关数据至GA服务器，并集成成易读的信息给网站站长。
暗网
暗网（深网，不可见网，隐藏网）是指那些存储在网络数据库里、但不能通过超链接访问而需要通过动态网页技术访问的资源集合，不属于那些可以被标准搜索引擎索引的表面网络。
二次元
该用法始于日本，早期的日本动画、游戏作品都是以二维图像构成的，其画面是一个平面，所以被称为是“二次元世界”，简称“二次元”，而与之相对的是“三次元”，即“我们所存在的这个次元”，也就是现实世界。
洋葱网络
洋葱网络是一种在计算机网络上进行匿名通信的技术。通信数据先进行多层加密然后在由若干个被称为洋葱路由器组成的通信线路上被传送。
共享经济
一般是指以获得一定报酬为主要目的，基于陌生人且存在物品使用权暂时转移的一种新的经济模式。
消费升级
一般指消费结构的升级，是各类消费支出在消费总支出中的结构升级和层次提高，它直接反映了消费水平和发展趋势。
新零售
未来电子商务平台即将消失，线上线下和物流结合在一起，才会产生新零售。线上是指云平台，线下是指销售门店或生产商，新物流消灭库存，减少囤货量。
（电子商务平台消失是指，现有的电商平台分散，每个人都有自己的电商平台）
2.文档术语
MRD
Market Requirements Document 市场需求文档
常见的为竞品分析，一般用于立项，基于目前市场数据及竞品等进行项目提出，一般用于提案。
PRD
Product Requirement Document 产品需求文档
一般是说明实现的过程，较为详细。有些公司为了敏捷开发需要很多时候会直接在原型图上面通过注释方式进行更直观的展示。
PMD
Program Managment Document 项目管理文档
一般包括项目进度、项目资源、责任人和项目输出物，常规通过visio进行甘特图绘制管理。该文档一般贯穿整个项目全程，衡量项目进度。
BRD
Business Requirement Document 商业需求文档
是基于商业目标或价值所描述的产品需求内容文档（报告）。其核心的用途就是用于产品在投入研发之前，由企业高层作为决策评估的重要依据。其内容涉及市场分析，销售策略，盈利预测等，通常是供决策层们讨论的演示文档，一般比较短小精炼，没有产品细节。
DRD
Design Requirement Drawing 交互设计文档
一般用来承载交互说明，并交付给前端、测试以及开发工程师参考的文档。
FSD
Functional Specifications Document 功能详细说明，定义产品功能需求的全部细节。
FSD一般通过一张张的截屏和一条条功能点来定义产品规格。这是一份可以直接让工程师创建产品的文档。
PSD
Product SpecificationsDocument 产品规格文档
PSD是一个较不流行的缩写，但是在有这样一个文档的机构中，它大体和上面描述的功能规格文档（FSD）相同。
SRS
Software RequirementsSpecification 软件需求文档，软件需求文档（SRS）是另一较不流行的缩写，在创建SRS的机构中，它在内容和细节上和上面描述的PRD或FSD有些想像。
3.运营术语
AARRR模型
Acquisition、Activation、Retention、Revenue、Refer这个五个单词的缩写，分别对应这一款移动应用生命周期中的5个重要环节。分别为：获取用户、提高活跃度、提高留存率、获取收入、自传播。
RFM用户模型
R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M (Monetary)表示客户在最近一段时间内购买的金额。
用户增长的S型曲线、J型曲线
指大多数产品，在产品发展周期中，都会遵循S型曲线的增长方式；但有些产品，可能产生J型曲线。
用户金字塔模型
第一级是社区的管理人员。第二级是用户管理工具。第三级是有价值用户，基本就是在社区里面足够活跃，并且给你的社区贡献有效价值的那些用户。第四级一般性用户。
OMTM
One metric that matters北极星指标，指唯一重要的指标。
4.交互设计术语
UI
User Interface ，用户界面，泛指用户的操作界面，UI设计主要指界面的样式，美观程度。
NUI
Natural User Interface 自然用户界面，NUI则只需要人们以最自然的交流方式（如语言和文字）与机器互动，使用NUI的计算机不需要键盘或鼠标。
GUI
Graphical User Interface 图形用户界面，指采用图形方式显示的计算机操作用户界面。
HUI
Handset User Interface 手持设备用户界面
WUI
Web User Interface 网页风格用户界面
UE or UX
User Experience 用户体验，指以用户体验为中心的设计。
UED
user experience design 用户体验设计，指以用户为中心的一种设计手段，以用户需求为目标而进行的设计。
UCD
User Centered Design 以用户为中心的设计，在设计过程中以用户体验为设计决策的中心，强调用户优先的设计模式。
HMI
Human Machine Interface 人机界面，人机界面是系统和用户之间进行交互和信息交换的媒介， 它实现信息的内部形式与人类可以接受形式之间的转换。
CLI
Command-line Interface 命令行界面，它通常不支持鼠标，用户通过键盘输入指令，计算机接收到指令后，予以执行。
UIMS
User Interface Management System 用户界面管理系统
DSC
Decision Support Center 决策支持中心，以决策支持小组为核心，为决策的全过程提供技术支持。
CHI
computer-human interaction 人机交互
HCI
human computer interaction 人机交互
OO
Object Oriented 面向对象，是一种把面向对象的思想应用于软件开发过程中，指导开发活动的系统方法，是建立在“对象”概念基础上的方法学。
OOA
Object Oriented Analysis 面向对象分析，是确定需求或者业务的角度，按照面向对象的思想来分析业务。
OOD
Object Oriented Design 面向对象设计，是OO方法中一个中间过渡环节。其主要作用是对OOA分析的结果作进一步的规范化整理，以便能够被OOP直接接受。
OOP
Object Oriented Programming 面向对象程序设计，OOP 的一条基本原则是计算机程序是由单个能够起到子程序作用的单元或对象组合而成。
5.技术术语：
API
Application Programming Interface 应用程序编程接口
是一些预先定义的函数，目的是提供应用程序与开发人员基于某软件或硬件得以访问一组例程的能力，而又无需访问源码，或理解内部工作机制的细节。
HTML
HyperText Markup Language 超文本标记语言
网页的本质就是超级文本标记语言，通过结合使用其他的Web技术可以创造出功能强大的网页。
UML
Unified Modeling Language 统一建模语言/标准建模语言
它是一个支持模型化和软件系统开发的图形化语言，为软件开发的所有阶段提供模型化和可视化支持，包括由需求分析到规格，到构造和配置。
CSS
Cascading Style Sheets 层叠样式表
是一种用来表现HTML（标准通用标记语言的一个应用）或XML（标准通用标记语言的一个子集）等文件样式的计算机语言。CSS不仅可以静态地修饰网页，还可以配合各种脚本语言动态地对网页各元素进行格式化。
JS
JavaScript 一种直译式脚本语言，是一种动态类型、弱类型、基于原型的语言，内置支持类型。
PHP
Hypertext Preprocessor 超文本预处理器，是一种通用开源脚本语言。语法吸收了C语言、Java和Perl的特点，利于学习，使用广泛，主要适用于Web开发领域。
JAVA
一门面向对象编程语言，不仅吸收了C++语言的各种优点，还摒弃了C++里难以理解的多继承、指针等概念，因此Java语言具有功能强大和简单易用两个特征。
MVC模型
Model View Controller，是模型(model)－视图(view)－控制器(controller)的缩写，一种软件设计典范，用一种业务逻辑、数据、界面显示分离的方法组织代码，将业务逻辑聚集到一个部件里面，在改进和个性化定制界面及用户交互的同时，不需要重新编写业务逻辑。
SDK
Software Development Kit 软件开发工具包，一般都是一些软件工程师为特定的软件包、软件框架、硬件平台、操作系统等建立应用软件时的开发工具的集合。
RSS
Really Simple Syndication 简易信息聚合，是一种描述和同步网站内容的格式，发布一个RSS文件后，这个RSS Feed中包含的信息就能直接被其他站点调用。
Feed
RSS中用来接收该信息来源更新的接口，满足希望以某种形式持续得到自己更新的需求而提供的格式标准的信息出口。
URL
Uniform Resoure Locator 统一资源定位器，对可以从互联网上得到的资源的位置和访问方法的一种简洁的表示。
UAT
User Acceptance Test 用户可接受测试，一般由产品运营UI客服等进行的一轮测试。
CMS
Content Management System 内容管理系统，是一种位于WEB 前端（Web 服务器）和后端办公系统或流程（内容创作、编辑）之间的软件系统。内容的创作人员、编辑人员、发布人员使用内容管理系统来提交、修改、审批、发布内容。
6.搜索引擎术语
Adsens
Google AdSense 是一种获取收入的快速简便的方法，适合于各种规模的网站发布商。它可以在网站的内容网页上展示相关性较高的 Google广告，并且这些广告不会过分夸张醒目。
PPC
Pay Per Click 点击付费广告，规则是广告主只有当使用者实际上点击广告以拜访广告主的网站时，才需要支付费用。
DSP
Demand-Side Platform 需求方平台广告，它服务于广告主，帮助广告主在互联网或者移动互联网上进行广告投放，DSP可以使广告主更简单便捷地遵循统一的竞价和反馈方式，对位于多家广告交易平台的在线广告,以合理的价格实时购买高质量的广告库存。
SSP
Sell-Side Platform 供应方平台，通过这一平台，媒体主希望他们的库存广告可以获得最高的有效每千次展示费用，而不必以低价销售出去。
DMP
Data-Management Platform 数据管理平台，数据管理平台能够帮助所有涉及广告库存购买和出售的各方管理其数据、更方便地使用第三方数据、增强他们对所有这些数据的理解、传回数据或将定制数据传入某一平台，以进行更好地定位。
RTB
Real Time Bidding 实时竞价，RTB是一种技术为王的精准营销手段，当一个用户在全网浏览过某种商品，或点击过特殊类目的广告后，其浏览痕迹都会通过cookie记录在案，而通过广告交易平台，你在下一次浏览网页的时候，将被推送符合偏好的广告。
SPAM
搜索引擎垃圾技术，搜索引擎垃圾技术是利用不道德的技巧去提高自己搜索引擎上的排名。
Sandbox
沙盒效应 由最主要的搜索引擎Google所决定的搜索引擎结果页面（搜索结果）中，新发布的网站排名越来越低。这一现象被称为“沙盒效应”。它们会对那些链接流行度迅速攀升的网站进行冷处理以防止SEOer过度优化。
7. 计费模式
CPC
Cost Per Click 每点击成本，网络广告每次点击的费用，是网络广告界最常见的定价形式。
CPS
Cost Per Sales 每销售成本，以实际销售产品数量来计算广告费用的广告，这种广告更多的适合购物类、导购类、网址导航类的网站，需要精准的流量才能带来转化。
CPT
Cost Per Time 按时间成本，这种方式的特点是按用户使用时长或使用周期计费，可以从根本上杜绝刷流量、激活作弊，是最真实的、有效的营销方式之一。
CPA
Cost Per Action 按事件成本，这种计价方式是指按广告投放实际效果，即按预先设定好的转化目标来计费，而不限广告投放量。
CPM
Cost Per Mille 每千人成本，即Cost Per Thousand Impression每千次印象数成本；广告主为它的广告显示1000次所付的费用。
CPR
Cost Per Response 每回应成本，以浏览者的每一个回应计费，这种广告计费充分体现了网络广告“及时反应、直接互动、准确记录”的特点，但是，这个只是辅助销售的一种公式。
8.数据指标
DAU
Daily Active User 日活跃用户数量，统计一日（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
WAU
Weekly Active Users 七天内登陆过产品的用户数。统计一周之内（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
MAU
Monthly Active User 月活跃用户量，统计一月之内（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
DOU
Day Old User 日老玩家用户，表示当天登录游戏的老玩家，指非当天新增的用户。
DNU
Day New User日新增用户，表示当天的新增用户。
ACU
Average concurrent users 平均同时在线人数。
PCU
Peak concurrent users 最高同时在线人数。
UV
Unique Visitor 唯一访问量，可以理解为页面被多少人看过。
PV
Page View 页面浏览量，可以理解为页面被人看过的总次数。用户每1次对网站中的每个网页访问均被记录1次。用户对同一页面的多次访问，访问量累计。
ARPU
Average Revenue Per User 平均每活跃用户收益。转化率：用户点击页面后，产生被期望的特定行为的数量，占总量的比。
ARPPU
Average Revenue Per Paying User 每付费用户平均收益。统计周期内，付费用户对产品产生的平均收入。
LTV
Life Time Value LTV 生命周期价值，是产品从用户所有的互动中所得到的全部经济收益的总和。
CAC
Customer Acquisition Cost 用户获取成本，获取用户所花费的成本。
KPI
Key Performance Indicator 关键绩效指标，是企业绩效考核的方法之一。
ROI
Return On Investment 投资回报率，投资回报率（ROI）=利润总额/投入成本总额×100%
非专业名词新解
Bigger：「逼格」源于 Bigger than Bigger
Jiaban ：「加班」
You can you up ：「你行你上」
No can no bb ：「不行别哔哔！」
4B ：「苦逼、二逼、装逼、傻逼」
Too young，too simple ：「图样图森破」
装逼概念
马太效应
Matthew Effect 指强者愈强、弱者愈弱、好的愈好，坏的愈坏，多的愈多，少的愈少的现象，广泛应用于社会心理学、教育、金融以及科学等众多领域。
羊群效应
指人们经常受到多数人影响，从而跟从大众的思想或行为，也被称为“从众效应”。人们会追随大众所同意的，将自己的意见默认否定，且不会主观上思考事件的意义。羊群效应是诉诸群众谬误的基础。
霍桑效应
指那些意识到自己正在被别人观察的个人具有改变自己行为的倾向。
病毒式营销
源于英文词汇viralmarketing。常用于进行网站推广、品牌推广等。利用的是用户口碑传播的原理，在互联网上，这种“口碑传播”更为方便，可以像病毒一样迅速蔓延，因此病毒性营销成为一种高效的信息传播方式，而且，由于这种传播是用户之间自发进行的，因此几乎是不需要费用的网络营销手段。
鲶鱼效应
鲶鱼在搅动小鱼生存环境的同时，也激活了小鱼的求生能力。鲶鱼效应是采取一种手段或措施，刺激一些企业活跃起来投入到市场中积极参与竞争，从而激活市场中的同行业企业。其实质是一种负激励，是激活员工队伍之奥秘。
沸水理论
把水煮沸后，看上去热气腾腾，但水的总量不会增加，而且需要供热成本，为了维持一个看上去热腾腾的活跃度，你需要不断添柴、加火，这些供暖成本很高的，而由此产生的热气却无法增加额外的水量， 那么还要煮沸它做什么呢？
在网络上，很多人不择手段地去追求用户的“活跃度”，却不考虑活跃度到底能带来什么收益。当我们看到一群人的活跃是个漂亮数字的时候，应该 去看看每个人活跃的背后到底意味着什么价值。
长尾理论
网络时代兴起的一种新理论，由于成本和效率的因素，当商品储存流通展示的场地和渠道足够宽广，商品生产成本急剧下降以至于个人都可以进行生产，并且商品的销售成本急剧降低时，几乎任何以前看似需求极低的产品，只要有卖，都会有人买。这些需求和销量不高的产品所占据的共同市场份额，可以和主流产品的市场份额相比，甚至更大。
幸存者偏差
驳斥的是一种常见的逻辑谬误（“谬误”而不是“偏差”），这个被驳斥的逻辑谬误指的是只能看到经过某种筛选而产生的结果，而没有意识到筛选的过程，因此忽略了被筛选掉的关键信息。这东西的别名有很多，比如“沉默的数据”、“死人不会说话”等等。
墨菲定律
如果有两种或两种以上的方式去做某件事情，而其中一种选择方式将导致灾难，则必定有人会做出这种选择。
摩尔定律
当价格不变时，集成电路上可容纳的元器件的数目，约每隔18-24个月便会增加一倍，性能也将提升一倍。换言之，每一美元所能买到的电脑性能，将每隔18-24个月翻一倍以上。这一定律揭示了信息技术进步的速度。
黑天鹅事件
指非常难以预测，且不寻常的事件，通常会引起市场连锁负面反应甚至颠覆。
金字塔原理
是一项层次性、结构化的思考、沟通技术，可以用于结构化的写作过程。
马斯洛需求理论
将人类需求像阶梯一样从低到高按层次分为五种，分别是：生理需求、安全需求、社交需求、尊重需求和自我实现需求。
社交蒸发冷却效应
是指在社交团体中，成员的价值跟液体的温度类似，因此当温度最高的液体蒸发变成气体时（价值最高的成员离开社团），剩下的液体的平均温度就会下降（社团的平均价值会进一步降低）。
囚徒困境
说明为什么甚至在合作对双方都有利时，保持合作也是困难的反映个人最佳选择并非团体最佳选择。
降维攻击：
将攻击目标本身所处的空间维度降低，致使目标无法在低维度的空间中生存从而毁灭目标。如3维空间的物体在二维空间中，物体自身微观粒子相互之间的作用力公式将发生变化，物体分子将不能保持现有的稳定状态，极可能发生解体，导致物体本身毁灭。
专业术语运用 之 终极版产品腔
场景纯属虚构，如有巧合，那……那……那也是没Sei了~~~
产品狗：Jason啊，预计这个Q上线的产品，PRD我已经搞好了，request确定了，BOSS也拍板了，这肯定是最终版本的PRD，你放心去搞吧……
猿大大：最终版本？？？有哪次需求你是不改的！老板拍板也没用！
产品狗：我立字据！这次肯定……@￥%#……%……*0）￥%#3￥&@#*^&*……
猿大大：好了好了，我知道了…….
……..
（一个月后）
产品狗：额…那个…猿大大，你那个报名表单验证还没做吧？
猿大大：必须做了，我还测了3遍，完全没问题。
产品狗：额…有个小小的change……是这样的，我们（其实是boss啦）觉得现在固定的表单灵活性太差了，要不一步到位直接做成自定义表单吧，可以后台设置表单字段以及显示顺序…….
猿大大：呵呵，这……叫小改动？我这开发都快结束了！
产品狗：我这PM 也是不容易啊，你看这么做不都是为了让业务更好的运转嘛，我们不是2B的Platform嘛，况且现在还在探索阶段，运营对表单内容调整频繁、操作量大，这样灵活；自定义化后，运营工作效率也会大大的up，用户转化率当然就no problem 啦！反正产品后期自定义表单也是必要的，这也是早晚的问题，免得以后运营也不会说咱unprofessional嘛。猿大大，我不也是为了让我们的program顺利的run下去~小小的功能做好了，运营也就有更多精力更花在Customer上，以后的PV啊，UV啊肯定乐观！这样大家皆大欢喜，简直Wonderful~您就稍微做个小修改……可别让这Program delay，到时候让leader催着跑。之前搞的CRM系统还有Christmas 活动，不都因为一个小小的功能问题，让OD说咱unprofessional，anyway把这个做好啦，review meeting肯定一次过， 完成后我请你去happy一下……
（后续如何，各位看官自行脑补……）
看完这些你准备好飞起来了么？~
来源：网络
553 浏览
（50页PPT干货）：“互联网+”PK“工业4.0”
智能科技类 品管人生 2016-12-29 17:09 发表了文章
我们所熟知的工业和相关产业将被彻底重塑，人类正在进入一个完全智能化的时代，是的，我们正在进入到一个完全智能化的时代。互联网重塑了消费领域，而今天，互联网这个“缓慢而坚定的变革者”，正在推进工业产业加速进入下一个时代。这一波浪潮，正是互联网对工业产业重塑、今天被很多人称为的第三次工业革命，而德国人将之称为“工业4.0”。
来源：工业智造创新圈
更多内容请关注：www.imefuture.com
是电工都会的电气二次控制回路图
7-11搞起了第一支无人机队
智造家
查看全部
来源：工业智造创新圈
更多内容请关注：www.imefuture.com
是电工都会的电气二次控制回路图
7-11搞起了第一支无人机队
智造家
查看全部
我们所熟知的工业和相关产业将被彻底重塑，人类正在进入一个完全智能化的时代，是的，我们正在进入到一个完全智能化的时代。互联网重塑了消费领域，而今天，互联网这个“缓慢而坚定的变革者”，正在推进工业产业加速进入下一个时代。这一波浪潮，正是互联网对工业产业重塑、今天被很多人称为的第三次工业革命，而德国人将之称为“工业4.0”。
来源：工业智造创新圈
更多内容请关注：www.imefuture.com
是电工都会的电气二次控制回路图
7-11搞起了第一支无人机队
智造家
来源：工业智造创新圈
更多内容请关注：www.imefuture.com
是电工都会的电气二次控制回路图
7-11搞起了第一支无人机队
智造家
761 浏览
纽约时报：了不起的AI觉醒
机械自动化类 料盘挡板 2016-12-26 16:59 发表了文章
谷歌如何使用人工智能来改变谷歌翻译这项颇受欢迎的服务，以及机器学习如何重塑计算。
序言：你所读到的就是你自己
在十一月初的某个周五晚上，Jun Rekimoto（东京大学人机交互领域的杰出的教授）正准备在线演讲，他突然注意到社交媒体滚动条上有一些特别的内容。这些内容是关于谷歌翻译的，这项流行的机器翻译服务最近突然有了大幅改善。
Rekimoto开始研究谷歌翻译并用它做了一些测试，测试结果令他非常震惊。虽然已经夜深，但谷歌翻译取得的进展依然让Rekimoto久久无法入睡。
Rekimoto在一篇博客中写了他的初步发现。首先，他用谷歌翻译翻译了《了不起的盖茨比》中的一些句子，并与1957年Takashi Nozaki译版和最新的Haruki Murakami的译版进行对比。Rekimoto后来通过电子邮件向我解释，Murakami的版本语言非常细腻，具有独特的“Murakami风格”。相比之下，谷歌的翻译虽然有些不自然，但是对他来说“更透明”。
Rekimoto博客的后半部分从日译英的方向测试了谷歌翻译。他先是自己用日语翻译了海明威的《乞力马扎罗的雪》的开头部分，然后把这段话通过谷歌翻译转译成英语。他列出了此版本与海明威的原版，并让读者猜测哪个版本是机器完成的。
NO. 1:
Kilimanjaro is a snow-covered mountain 19,710 feet high, and is said to be the highest mountain in Africa. Its western summit is called the Masai “Ngaje Ngai,” the House of God. Close to the western summit there is the dried and frozen carcass of a leopard. No one has explained what the leopard was seeking at that altitude.
NO. 2:
Kilimanjaro is a mountain of 19,710 feet covered with snow and is said to be the highest mountain in Africa. The summit of the west is called “Ngaje Ngai” in Masai, the house of God. Near the top of the west there is a dry and frozen dead body of leopard. No one has ever explained what leopard wanted at that altitude.
即使是以英语为母语的人，也很难分辨出第二段是由机器完成的。这两段翻译是如此的相近，Rekimoto甚至觉得这很神奇。因为Rekimoto非常熟悉谷歌翻译之前的能力，甚至在24小时前，谷歌只能翻译成下面这段话：
Kilimanjaro is 19,710 feet of the mountain covered with snow, and it is said that the highest mountain in Africa. Top of the west, “Ngaje Ngai” in the Maasai language, has been referred to as the house of God. The top close to the west, there is a dry, frozen carcass of a leopard.Whether the leopard had what the demand at that altitude, there is no that nobody explained.
Rekimoto在Twitter上向他的十万个粉丝公布了他的发现，在接下来的几个小时里，成千上万的人发出他们使用机器翻译的结果。有些是比较成功的，但也有些是非常滑稽的。
在东京破晓之时，谷歌翻译登上了日本Twitter热度榜的第一位，甚至连人气动漫和人气偶像少女的被挤了下去。每个人都很惊奇：谷歌翻译为何能如此让人刮目相看？
四天之后，来自世界各地的上百名记者、企业家和广告客户齐聚于谷歌的伦敦办公室中，观看谷歌的特别发布会。客人们的甜点是印有翻译标志的幸运饼干，每个人的面前还放有一张纸条，一面写着不同国家的短语，另一面邀请客人们下载谷歌翻译的软件。桌子上还摆放了甜甜圈和冰沙盘，旁边的标语牌标注了各种国家的风味。过了一会，所有人来到了一个豪华的黑暗剧场中。
上图：Sundar Pichai，谷歌的首席执行官，在他加利福尼亚州山景城的办公室外。
伦敦市长Sadiq Khan首先上台演讲。演讲的开始，市长提到他有个朋友觉得市长就像谷歌一样。于是市长问朋友：“为什么？因为我什么都懂？”朋友否认道：“不是的，是因为你就像谷歌一样，总是试图把我的话补充完。”观众们纷纷被市长的幽默逗笑。随后，谷歌的首席执行官Sundar Pichai上台发表演讲。
Pichai此行的目的之一就是启动谷歌伦敦国王大道的新大楼，预示着公司完成了去年提出的转型计划的初始阶段。Pichai曾经多次在不同场合说过谷歌的未来将以“AI为先”，这在理论上听起来很复杂，引发了许多学者的推测。在实践生产中意味着，未来谷歌将不再依靠传统计算编程来生产产品，而是“机器学习”。
谷歌公司中有一个鲜少提及的部门，谷歌大脑。这个部门成立于五年前，一直遵循着一个原理：人工“神经网络”能够像婴儿一样，通过不断的尝试和犯错来认知这个世界，最终拥有像人类一样的灵活性。这其实并不是一个新理论，早在现代计算机初步发展的20世纪40年代就出现了。但当时大部分科学家并不看重，认为它过于深奥。直到2011年，谷歌大脑证明了将这个强大的方法运用在人工智能领域里可以解决此前几十年的棘手问题。例如，此前谷歌手机在语音识别方面一直效果不是很好，直到谷歌将机器学习算法移植到手机平台后，语音识别精度已经可以和人类媲美。而在图像识别领域也同样取得了良好的效果。一年前，谷歌大脑就已经将这些核心技术成功运用在消费级产品里。
谷歌翻译于2006年首次亮相，目前已经成为谷歌最可靠和最流行的应用之一。每天，谷歌翻译会面对 5 亿个月度活跃用户的 1400 亿个不同语种的单词。现在它已经不是座位一个独立的应用存在，更是已经集成到Gmail、Chrome 及许多其它谷歌产品中了，谷歌将它作为其数字商务中的一个无缝贴合的部分。Pichai在台上讲到，直至叙利亚难民危机之时，公司才意识地区间的翻译交流是何等重要。他背后屏幕的陡峭的曲线图显示，阿拉伯语与德语互译的翻译请求最近增长了五倍之多。（这个结果也符合Pichai的内心想法，他在印度出生成长，那里有几十种不同的语言。）谷歌翻译此后也在逐步增加新的语言和功能，但是过去的四年，发展速度正在逐年减缓。
截至到上个周末，谷歌翻译已经在美国、欧洲、亚洲等地区完成了基于人工智能的转换，包括西班牙语、葡萄牙语、法语、德语、中文、日语、韩语及土耳其语在内的语言与英语的互译。而其它上百种语言也即将实现互译，谷歌预计将会以每月八个的速度在年底前更新完毕。而对于谷歌工程而言，只花费九个月的时间就完成这一重大革新无疑是一个惊喜。AI系统一个通宵所取得的进展就相当于过去所取得的进展之和。
Pichai对含蓄的古典文学尤为偏爱，一个月前，他曾告诉我，在他加利福尼亚州山景城的办公室里，有些文字还是需要谷歌翻译来辅助显示，毕竟并不是所有人都像物理学家Robert Oppenheimer一样能读原版的《博伽梵歌》。因此在伦敦的发布会上，幻灯片上出现了博尔赫斯的经典名言：“Uno no es lo que es por lo que escribe, sino por lo que ha leído.”
Pichai大声地读出旧版谷歌翻译翻译出来的拙劣的句子：“One is not what is for what he writes, but for what he has read.”
而在大屏幕的右边，新的AI系统版本则翻译的更加优雅：“You are not what you write, but what you have read.”
这是有一个对新版的谷歌翻译非常恰当的描述：在某种意义上，谷歌翻译是第一条可以通过学习理解任何事物的机器。
谷歌以AI为中心重组公司。在过去的四年中，谷歌、Facebook、苹果、亚马逊、微软和中国百度等六家公司都围绕AI人才展开了一场军备竞赛，尤其是在大学。企业纷纷到顶尖的学术院校挖掘人才，给人才以丰富的资源和极大的自由。在硅谷，Facebook的CEO Mark Zuckerberg会亲自通过电话和视频聊天软件跟公司最优异的研究生进行会话，七位数的起薪根本不在话下。参加人工智能最重要的学术会议的人数增加了近四倍。大家所关注的不仅仅是小小的创新，还有该如何掌控全新的计算平台：无处不在的人工智能。
我们好像理所当然地就开始使用“人工智能”这一短语，但它其实一直是引发争议的根源。想象一下，如果你回到20世纪70年代，在大街上拦住一个路上，拿住智能手机并向她展示手机里的谷歌地图。你可能需要不停地向她解释，你并不是穿着奇怪的巫师，从口袋里掏出的手机也不是什么黑色护身符，它只是一个比阿波罗时光机更强大的电脑。实际上，谷歌地图就是能跟她展示什么是“人工智能”的例子。在某种意义上，谷歌地图确实是人工智能的例子。它能帮你规划从酒店到机场的路线，而且比人类能完成得更快更好。它还能做一些人类显然不能做的事情：它可以判断交通状况；规划最佳路线；在你走错路时，它能重新定位并进行路线的重新规划。
实际上，如今没有人会把谷歌地图跟高贵的“AI”相提并论。所以我们在使用“智能”这个词的时候，是带“情感”色彩的。人工智能可以区别HAL和其它任何用织机或手推车就可以做出的东西。我们能自动化一项任务，涉及到的相关技能会转变为单纯的机制。现在，谷歌地图似乎还不能称之为人工智能，充其量是机器人：它只接受一个明确的需求（从一个地方到另一个地方），并尽力满足这种需求。因此，“人工智能”的所对应的实际应用其实范围很小。
Pichai的终极目标是区分AI应用和“通用人工智能”。通用人工智能不涉及对显式指令的忠实遵守，它是为一般情况下的一般用途而设计通用工具。Pichai认为，他公司的未来取决于通用人工智能。想象一下，如果你告诉谷歌地图，“我想去机场，但需要在中途停一下给我的侄子买礼物。”一个通用的智能服务，就像三年前的电影《她》中，由Scarlett Johansson配音的那个无处不在的助手一样，她像好朋友一样了解你的情况：你侄子的年龄，你通常喜欢给孩子买什么礼物，以及哪里有能买礼物的商店。但是，一个真正聪明的地图能做一些好朋友考虑不到的事，比方说，你侄子学校的孩子里，最近流行什么玩具。如果聪明的机器能够辨别一些错综复杂的数据，从中找到过去我们做过的事情中暗藏的规律性，那么它就可以推断我们的想法。
AI助手是人工智能的新浪潮，苹果的Siri、Facebook的M，还有亚马逊的Echo都是机器学习的产物，作用都很相似。然而，机器学习并不一定只局限于此。今年，三星的医学成像子公司宣布其新的超声设备能够检测乳腺癌。公司也在招贤纳士，以扩大计算机的工业应用。DeepMind于2014年被谷歌收购，AlphaGo在围棋游戏中击败了人类围棋大师，尽管当时人类预测人工智能要想战胜人类还需要10年。
1950年，Alan Turi吴恩达在那篇著名的文章中提出了一个人工智能的测试：一台计算机是否能在5分钟的文本交流中成功地欺骗人类。一旦机器可以在两种自然语言之间流利地翻译，机器就能很好地“理解”人类语言，从而与人类进行对话。谷歌大脑的成员们正推动和协助监督翻译项目，他们相信这样的机器将会成为通用人工智能的助手。
谷歌的研究人员和工程师团队从最初的一两个人，扩大到三四人，甚至后来扩大到一百多人，他们在这一领域取得了巨大进步。接下来要讲的关于谷歌团队的故事非常少见，因为它跟我们对硅谷的通常印象有所不同。它并不是一些俗套的剧情。它不是一个关于技术能解决所有问题的故事，也不是一个技术会毁灭世界的故事。它跟颠覆无关，至少不是通常意义上的颠覆。
事实上，这个故事又包含了三个相关的故事，这三个故事在谷歌翻译成功转型为AI的过程中融合在一起，它们分别是：技术故事，制度故事和关于思想演变的故事。技术故事是关于一个公司的一个产品团队，以及他们对旧产品进行改进、测试并形成全新版本的过程，而且他们只用了别人预期的约为四分之一的时间就完成了这个过程。制度故事是关于该公司内的一个虽然规模不大但很有影响力的人工智能团队，以及他们凭借对一些旧的、未经证实的和广泛不适用的计算观念的直觉信念，超越了几乎其他所有公司的过程。思想的故事是关于坚持不懈的认知科学家、心理学家和工程师，他们长期以来用看似不合理的信念，最终激发了我们对技术和理论的理解，以及意识本身的范式转变。
第一个故事是谷歌翻译的故事，发生在山景城，时间跨度为九个月，故事解释了机器翻译发生的转变。第二个故事是谷歌大脑及其众多竞争对手的故事，发生在硅谷，时间跨度为五年，它解释了整个领域的转型。第三个故事是深度学习的故事，发生在苏格兰、瑞士、日本和加拿大等大部分地区的遥远实验室，时间跨度长达七十年，它可能非常有助于改变人类的自我认知。
这三个故事都跟人工智能有关。七十年的故事是关于我们对人工智能的期待。五年的故事是关于人工智能在不久的将来会带来什么。九个月的故事是关于人工智能现在可以做什么。这三个故事本身都是对概念的证明，而所有这一切都只是开始。
第一部分：学习机器
1、谷歌大脑的诞生
虽然Jeff Dean的职位是高级研究员，但是事实上，他才是谷歌大脑团队的领导者。 Dean有着长而窄的脸，深深的眼睛并且十分热情。作为医学人类学家和公共卫生流行病学家的儿子，Dean成长时期几乎周游了世界各地，包括明尼苏达州、夏威夷、波士顿、阿肯色州、日内瓦、乌干达、索马里、亚特兰大等地。在高中和大学期间，他写的软件就被世界卫生组织所采用。自1999年以来，他一直在谷歌工作，当时他才25岁，从那时起，他几乎参与了谷歌所有重大项目中核心软件系统的开发。作为公司的元老级人物，Jeff Dean Facts已经成了公司开玩笑的对象。以Chuck Norris的事实模式为例：“Jeff Dean的PIN是pi的最后四位数字。”“当Alexander Graham Bell发明电话时，他接到了一个来自Jeff Dean的未接来电。”“Jeff Dean在最高级别为10的系统中晋升到了11级。“（最后一个是真的。）
上图：谷歌工程师和谷歌大脑的领导者Jeff Dean。
来源：纽约时报的Brian Finke
2011年初的一天，Dean在谷歌校园的“微型车间”之一，也就是山景城大楼的共享休息室，遇见了年轻的斯坦福计算机科学家吴恩达教授，他兼任谷歌公司的顾问。吴恩达跟Dean介绍了Marvin项目（以著名的AI先锋Marvin Minsky命名），在这个项目中，他协助谷歌建立了一种基于大脑架构的柔韧的数字网格的“神经网络”。1990年，Dean在明尼苏达大学读本科的时候，也曾经研究过该技术的原始版本，当时神经网络的概念已经开始流行。在过去的五年中，神经网络领域从事相关研究工作的学者数量开始再次增长。吴恩达告诉Dean，Marvin项目是由谷歌的秘密X实验室负责研究的，目前已经取得了一些可观的进展。
Dean对此很感兴趣，决定花自己“20％”的时间来投入这个项目，每名谷歌员工都要将自己20%的时间贡献给他或她的核心工作以外的工作。很快，Dean向吴恩达推荐了有着神经科学背景的Greg Corrado。（在研究生院的课堂上，Corrado粗略地学习了该技术，但他对此很感兴趣，他开玩笑说道：“那天我上课的时候很专心。”）在春天，他们团队又多了一名吴恩达的得意研究生Quoc Le，他是项目团队的第一个实习生。在那之后，一些谷歌工程师用“谷歌大脑”来形容Marvin项目。
术语“人工智能”是在1956年夏天在达特茅斯的一种宪法惯例中诞生的，当时大多数研究人员认为创造AI的最佳方法是写一个非常大而全面的程序，将逻辑推理的规则和有关世界的知识写入其中。比方说，如果你想把英语翻译成日语，你需要把所有的英语语法规则、牛津英语词典中包含的所有定义、所有的日语语法规则，和日语字典中的所有单词都编入计算机。这种观点通常被称为“符号化AI”。因为它的认知定义是基于符号逻辑的，但它已经有些过时，只能算作是“好的老式的AI”。
这种老式方法有两个主要问题。一是，它非常耗费人力和时间；二是，它只有在规则和定义非常清楚的领域（比如数学或象棋）才真正起作用。然而，如果翻译采用这种方法，效果会很差，因为我们平时说的话没办法跟词典上的规则和定义完全对应。比方说，这样的系统可能会把“农业部长”翻译为“农业牧师”。但是，对于数学和国际象棋来说，这种老式方法就很奏效。
不过，这种老式方法的系统确实有限。在20世纪80年代，卡内基梅隆的机器人研究员指出，让计算机做成人能做的事情很简单，但让计算机做一个1岁的小孩可以做的事情却几乎是不可能的，比如拿起一个球或识别一只猫。到了20世纪90年代，尽管计算机能够在国际象棋上战胜世界冠军，我们离真正的人工智能还差得远。
关于AI，还有另外一种看法，计算机的学习是自下而上（从数据），而不是从上到下（从规则）学习。这个概念可追溯到20世纪40年代初，研究人员发现灵活自动智能的最佳模型就是人类大脑本身。毕竟，大脑只不过是很多神经元的集合体，神经元之间可能会相互传递电荷，或者不会传递。重要的不是单个神经元本身，而是它们之间的连接方式。这种结构很简单，为大脑提供了丰富的适应性优势。大脑可以在信息量少或缺失的情况下工作；它在承受重大的损害时，也不会完全失去控制；它可以用非常有效的方式存储大量的知识；它可以区分不同的模式，但同时保留必须的混乱来处理歧义。
所以人类开始试图用电子元件来模仿这种结构，1943年研究表明，简单的人工神经元排布可以执行基本的逻辑功能。至少在理论上，神经元可以模仿人类的方式。实际上，神经元会根据试错把相互之间的突触连接调节得更强或更弱。人工神经网络也可以做类似的事情，在不断试错的基础上逐步改变人工神经元之间的数字关系。人工神经网络不需要使用固定规则来预编程，相反，它会改变自身以反映所输入的数据中的模式。
这种观点认为人工智能是进化得来，而不是创造出来的。如果你想要一个灵活而且能适应环境的机制，不能一开始就教它国际象棋。必须从非常基本的能力，如感官知觉和运动控制开始，长此以往更先进的技能才有可能出现。人类并不是通过记忆字典和语法书来学习和理解语言的，所以我们有什么理由要让计算机通过这样的方式来学习呢？
谷歌大脑是第一个对这种思维方式进行商业投资的机构。Dean、Corrado和吴恩达利用闲暇时间进行合作并对此展开研究，很快他们便取得了进展。他们从最新的理论大纲和自20世纪八九十年代以来的已有框架中提取了他们的模型的搭建灵感，他们还利用了谷歌巨大的数据储备和庞大的计算基础设施。他们利用网络上大量的“标记”数据，让计算机不断改进从而更好地匹配现实。
某天，Dean告诉我说：“动物进化出眼睛是个巨大的发展。”我们像往常一样坐在会议室，他在白板画了一个复杂的时间线，展示了谷歌大脑以及它与神经网络的历史关系。“现在，计算机也有了眼睛，我们能够借助眼睛让计算机识别图片。机器人的能力将得到巨大提升。他们将能够在一个未知的环境中，处理各种不同的问题。”这些他们正在研发的能力可能看起来很原始，但它们的影响是深远的。
上图：Geoffrey Hinton，他在谷歌多伦多办事处提出的想法为谷歌翻译的神经网络方法奠定了基础。 图片来源：《纽约时报》的Brian Finke
2、重量级实习生
正如Dean所说，谷歌大脑诞生一年后，就在研发具有1岁小孩智力的机器中取得了不错的成绩。谷歌的语音识别团队将其旧系统的一部分转换为神经网络，并因此取得了该系统20年来的最好成效。该系统识别对象的能力提高了一个数量级。这不是因为谷歌大脑的研究人员在短短一年内就产生了很棒的新想法，而是因为谷歌终于在该领域投入了资源和人力。
Geoffrey Hinton的到来让谷歌大脑发展更为迅猛。在谷歌大脑成立的第二年，Hinton被招聘到了谷歌大脑，而吴恩达离开了谷歌（吴恩达现在领导百度1300人的AI团队）。Hinton只能离开多伦多大学在谷歌任职三个月，因此由于奥术合同的原因，他不得不被聘为实习生。在实习培训中，辅导人员说“输入您的LDAP（目录访问协议）”，他问道：“什么是LDAP？”在场其他所有25岁的职员，尽管他们可能刚刚弄清深度学习是人工智能的必要条件，都在想“那个老家伙是谁？为什么他连LDAP是什么都不知道？”
Hinton说道：“在午餐时间，团队成员里有个人惊呼‘Hinton教授！我选修了你的课程！你居然在这里？’”从那以后，大家才不对Hinton议论纷纷。
几个月后，Hinton和他的两个学生在一个称为ImageNet的开源集合运行的大型图像识别竞赛中展示了惊人的成果，他们让计算机不仅能识别猴子，而且能够区分蜘蛛猴和吼猴，以及各种不同品种的猫。谷歌很快就向Hinton和他的学生发起了聘用书，他们接收了谷歌的聘用。Hinton说道：“我本以为谷歌对我们的知识产权感兴趣，结果没想到是对我们这几个人感兴趣。”
Hinton来自英国的传统家族，像Darwins一样，他们家族非常注重教育。他伟大的曾祖父是George Boole，他在符号逻辑方面的基础工作为计算机打下基础；Hinton的祖父是一位著名的外科医生，Hinton的父亲是一位热爱冒险的昆虫学家，Hinton的父亲的表哥是洛斯阿拉莫斯研究所的研究员，等等。而Hinton曾在剑桥和爱丁堡大学读数，然后又到卡内基梅隆大学学习，最后他又到多伦多大学。（他的工作长期以来一直受到加拿大政府的慷慨支持。）我在他的办公室对他进行了采访，他顶着一头成熟的诺埃尔加拉格尔风格的黄到褪色的头发，穿着一件宽松的条纹衬衫，椭圆形的眼镜滑落到高挺的鼻子尖端。他开口说道：“计算机会比美国人更早地理解讽刺为何物。”
19世纪60年代末，Hinton在剑桥大学读本科时，就一直致力于研究神经网络，他是该领域的先驱。但大多数时候，每当他谈及机器学习，人们都觉得他在满口胡言。人们之所以觉得神经网络荒谬，主要是因为感知机（Perceptron）被过度炒作，感知机是一个人工神经网络，是康奈尔心理学家Frank Rosenblatt于20世纪50年代后期提出的。《纽约时报》曾报道，感知机的赞助商美国海军期望它“能够走路、说话、看、写作，甚至再造自己，并意识到自己的存在”。结果证明这是不切实际的。美国的Marvin Minsky曾在1954年的普林斯顿论文中研究过神经网络，但是他对于布朗克斯科学当代的Rosenblatt对神经范式的夸张描述已经厌倦了。（他也在争取国防部的投资。）Minsky与MIT的同事一起出版了一本书，来证明有一些简单问题是感知器永远不能解决的。
Minsky对感知机的抨击只是一个“层”的网络，在后来的生活中，他阐述了与当代深度学习非常相似的想法。Hinton认为，如果使用多层神经网络，就能够完成复杂的任务。神经网络的最简单的描述是，它是一个机器，能在数据中发现模式并进行分类或预测。如果只有一层神经网络，你可以找到简单的模式，但如果有多层神经网络，你应该去找模式中的模式。在图像识别的领域，主要使用的是“卷积神经网络”。（这是在1998年的一篇开创性论文中阐述的，其主要作是Yann LeCun，他在多伦多大学读博士后，是Hinton的学生，现在是Facebook人工智能实验室的负责人。）网络的第一层负责学习识别“边缘”的基本视觉效果，也就是判断一个东西（一个像素上）是否有东西。网络的每个连续层都在前一层中寻找模式。边缘的图案可以是圆形也可以是矩形，圆形或矩形的图案可能是面部。这种方法或多或少地以越来越抽象的方式将信息组合在一起，从视网膜中的光感受器将信息返回到大脑的视觉皮层。在每个步骤中，不相关的细节会被丢弃，因为如果几个边缘和圆圈合在一起成为一张面部，你无需知道发现面部的位置，只需要知道它是一张脸。
多层“深度”神经网络的问题是试错法部分非常复杂。对于单层神经网络来说，这很容易。想象一下，如果你正在和一个孩子玩。你告诉孩子，“拿起绿色的球，把它放入盒子A中”，孩子拿起一个绿色的球，但把它放入了盒子B。你会说，“再试一次把绿色球放在盒子A中”，孩子会再次尝试把球放入了盒子A中。
现在想象你告诉孩子，“拿起一个绿色的球，穿过三号门，然后把绿色的球放入盒子A。”孩子却拿起一个红色的球，穿过了二号门，把红色的球放入盒子B。那么你该如何纠正孩子呢？你不能只是不断重复初始指示，因为孩子不知道他到底错在哪一步。在现实生活中，你可以先举起红球和绿球，说“这是红球，这是绿球”。但是，机器学习的重点是避免这种明确的指导。Hinton和其他几个人研究了解决方案（或者，对旧的方案进行了改造）。对于这个分层错误问题，在20世纪70年代末和80年代初，计算机科学家重新开始对神经网络感兴趣。Hinton说道：“人们对此非常兴奋，但我们的研究超出了他们的兴趣。”很快，计算机科学家们又跟以前一样认为Hinton这样的人是怪人和神秘主义者。
这种想法在哲学家和心理学家中仍然很受欢迎，他们称之为“连接主义”或“并行分布式处理”。Hinton告诉我说，“有几个人对这个想法保持热情，这很好，因为这是真正的人工智能。但在心理学领域，很多人相信这种想法，但却没能力实现它。”尽管加拿大政府一直大力支持，但Hinton也没能实现这个想法。“因为没有足够的计算机资源或足够的数据，我们只能自我安慰道：‘是的，如果我们有这样的前提条件，这个想法肯定是行得通的。’但这却并不是一个非常有说服力的论据。”
3、深层解读深度学习
当Pichai提到“人工智能优先（A.I. First）”概念时，他不仅仅是在说谷歌的战略计划，更是把这个长期不可行的想法扔给了公司。Pichai在资源分配上，确保了像Dean和Hinton这样的人才有足够的计算资源和数据资源可用。每个大脑大约有1000亿个神经元，每个神经元与其他10000个神经元相连，这意味着大脑内突触的数量在100万亿和1000万亿之间。对于20世纪40年代提出的简单人工神经网络来说，根本不可能实现这样规模的网络。虽然目前我们也远没达到构建这种规模网络的能力，但谷歌Brain的投资让我们至少实现了可以媲美小鼠大脑的人工神经网络。
然而，理解网络规模的重要性之前，你必须了解一些技术细节，如机器智能究竟对数据做了什么。其实，我们对人工智能的恐惧，主要来自于我们认为它像一个反社会天才在图书馆挖掘知识，然后，或许某一天，曾经只会玩回形针的机器会像对待蚂蚁或莴苣一样轻松杀死人类。但这并不是人工智能的工作方式，它们所做的只是搜索并寻找共同点——首先是基本模式，然后逐渐变复杂。真正最大的危险在于，我们人类最初给它灌输的信息是否就包含个人偏见。
如果只是想了解一二，可以直接阅读下一节（内容是关于猫的），如果想理解相关技术，那请继续阅读。（当然，本节内容也是关于猫。）
如果你想在老式的符号化AI模型上生成一个“猫识别器”。那么首先，你必须花大量时间预先对机器详细明确地说明什么是“猫”。告诉机器，一只猫有四条腿、尖尖的的耳朵、晶须和尾巴等。机器将这些信息存储在内存中的“Cat”区域。接下来，提供一张图片，让机器判断是否是猫。判断过程中，首先，机器必须分离出图像中不同的元素；然后，利用内存中存储的规则处理这些元素。规则如下：如果（腿 = 4）且（耳朵 = 尖）且（胡须 = 有）且（尾巴 = 有）且（表情= 高傲），那么（猫 = 是）。但如果你提供一张苏格兰折耳猫的图片呢？我们符号化 AI模型就会根据“耳朵 != 尖”判断图片上不是猫。 这样的识别水平比蹒跚学步的小孩都差。
而现在，如果用神经网络做这个实验，就根本不需要通过一系列预先定义的规则进行判别，也根本不需要专门的空间来存储“猫”的信息，包含大量相互连接着的开关的大型blob会解决这一切。在blob的一端提供输入（待识别图像），另一端提供输出（标记信息）。然后，机器将自动化工作，通过不断调试相互连接的开关，最终将输入正确映射到对应的输出。训练过程就像是在迷宫中挖掘一系列隧道，隧道两端连接的是正确的输入和输出。可用的训练数据越多，挖掘的隧道数量和复杂性就越大。训练过程一旦完成，blob中有了足够多的隧道，神经网络就能稳定处理数据并作出可靠预测。这就是“监督学习（Supervised Learning）”。
神经网络之所以需要如此多的神经元和数据，因为它以一种类似民主的方式工作。例如，你想训练可识别五种类型物体的神经网络，它由数百万“选民”（神经元）组成，每位选民都有五张不同的卡片，分别是：猫、狗、蜘蛛猴、勺子、除颤器。拿出一张图片，问：“这是猫，狗，蜘蛛猴，勺子还是除颤器？”所有神经元分组进行投票，最终得票最多的作为最终结果：“一只狗？”
你告诉它：“不！是只猫。重新计算。”
然后，神经网络退回一步，确定哪些神经元投票“猫”，哪些不是。那些投票“猫”的神经元，下次如果还投“猫”，其权重加倍。除此之外，该神经网络也必须能准确判别其他物体类别，如狗和除颤器。而神经网络之所以如此灵活，是因为每个单独的个体针对不同的输出贡献的权重不一样。其实，最关键的不是个体投票，而是这种投票模式。如果Joe, Frank 和Mary一起投票，那就是一只狗；如果Joe, Kate和Jessica一起投票，那就是一只猫；而如果Kate, Jessica 和Frank一起投票，图片上就是一个除颤器。神经网络只需要注册大量可识别信号，这些信号表示：图片中该像素区域是“猫”。“选民”越多，投票次数就越多，微弱信号也越可能被注册。简单来说，就是如果只有Joe, Frank 和Mary三个选民，你可能仅限于区分猫、狗和除颤器；而如果有数百万选民，不同选民之间有数十亿连接，那么你就可以对数据精确分类。经过训练的“选民”组合甚至可以识别未标记图片（或许不那么精确）。
计算科学领域之所以不接受这些理念，部分原因在于机器的输出仅仅是基于模式的预测，它并不完美，而且机器永远无法确切地定义什么是“猫”。只有在看到猫的时候，机器才知道那是猫。神经元“选民”通过数百万张猫图像的训练，它们可以识别出在阳光下打盹的快乐小猫，和躲在垃圾箱阴影中的生气小猫。实际上，你需要大量的神经元“选民”和足够的已标记数据，前者用来确保神经网络可以捕捉到非常微弱的信号，如苏格兰折耳猫垂下的耳朵，后者用来尽可能确保神经网络已“见过”所有相似场景。
但是，需要注意的是，神经网络的输出结果具有概率性，这意味着它并不适用于所有任务。如果神经网路把猫误认为狗，或者偶尔推送了错误的电影，这都不是大事，但如果应用于无人驾驶，神经网络1%的失误率可能就酿成了悲剧。类似担忧还有很多。监督学习是基于已标记数据进行反复试验的过程。机器完成的只是学习过程，而人为因素仍然决定了最初对训练数据的分类。例如，训练数据中，图片上是一位男士和一位女士，某人将该图片标记为“一位女士和她的老板”，这种关系标记将影响所有后续的模式识别。因此，人类错误标记才会导致训练数据错误。机器可能通过重罪定罪数据，来确定信贷候选人贷款资格。但如果重罪定罪数据本身就是不公平的（如数据是基于歧视性禁毒法），那么机器输出的可贷款人名单也是不可靠的。
图像识别网络与我们的小猫识别器一样，也是深度学习的一种，但常常把它作为教学示例，因为人类可直观了解到图像识的具体过程：先找图像边缘，然后识别圆圈，接着识别脸。这意味着其中有错误保护措施。例如，早期，谷歌发现他们的图像识别软件无法单独识别出杠铃，哪怕用大规模运动器材图像集对其训练，结果也是一样。通过可视化工具观察发现，由于训练集中所有哑铃都是附在手臂上的，所以机器没有学习到“哑铃”的概念，而是“哑铃+手臂”的整体概念。改进一下，向训练集中加入单独的“杠铃”照片，问题就解决了。但并不是所有问题都这么容易。
4、猫识别论文
谷歌Brain部门在一到两年时间内，成功让机器具备了1岁小孩的智能。随后，该部门成功从谷歌X实验室“毕业”，并成为了更高级的研究机构。（谷歌X实验室负责人曾经指出，Brain取得的成就，让整个实验室的努力没有白费。）当时，谷歌Brain仍然只有10人不到，而对于未来，也只有一个模糊的概念。但即使在那时，他们都在积极思考接下来会发生什么。就像人一样，学会认识皮球后，我们会为之满足一段时间，但迟早，人类会产生关于皮球的问题。这就是语言产生的原因。
这一领域中，Brain迈出的第一步是发表了猫识别论文，正是这篇论文，Brain闻名世界。
这篇论文展示了一个具有超过十亿个“突触”连接的神经网络。虽然与人类大脑相比，它小了好几个数量级，但它比当时任何公开的神经网络都要大好几百倍。这个神经网络可以处理原始的、未标记数据，并识别高级的人类概念。谷歌Brain的研究人员向该神经网络展示了几百万的静态帧（来自YouTube视频），然后神经网络的感觉中枢开始运转，生成了一个稳定的模型。像小孩或花栗鼠一样聪明，该模型可以迅速识别出猫的脸。研究人员并没有预先向该神经网络输入关于“猫”概念，它直接与现实世界交互并获取“猫”这一定义。（研究人员发现，这一神经网络与核磁共振（M.R.I.）很相像，猫的脸部阴影会激发人工神经元“投票”的热情。）大多数机器学习都受限于已标记数据的数据量。但这篇论文却显示，该神经网络可以处理原始未标记数据，有时甚至是人类都还没建立起概念的数据。这不仅仅是猫识别研究的重大突破，更是整个人工智能的显著进步。
猫识别论文的第一作者是Quoc Le。Le个头不高，身形偏瘦，说话温和但语速很快，经常穿着闪亮的黑皮鞋，而且面带神秘的微笑。他在越南长大，父母都是农民，小时候家里甚至都没有电。他从小就表现出了过人的数学能力，后来，他就读于一所磁铁学校学习科学。上世纪90年代末，Le还在上学，那时候他就试图构建一个聊天机器人。他在想，这有多难呢？
“但实际上，”他告诉我，“非常不简单。”
毕业后，Le离开了越南，前往澳大利亚堪培拉的一所大学学习，主要研究机器视觉这类人工智能任务。当时人工智能的主要做法是，提前给机器灌输相关概念（如，边缘），这让他感觉像是在作弊。当时的Le不知道，全世界有很多计算机科学家和他的想法一样——机器可以从零开始学习。2006年，Le任职于德国的马克斯普朗克研究所生物控制部门。在当时的一个阅读小组中，他读到了Geoffrey Hinton写的两篇论文，他觉得自己豁然开朗。
“这两篇文章引起了争议，”他告诉我。“非常大的争议。”我们在一个小型内部会议室里，天花板又窄又高，屋子里有一张小桌子和两块白板。Le看了眼他画在背后白板上的曲线，又回过头来轻声地说，“我从没见到过这么大的争议”。
他记得，当时在阅读小组里站起来，然后说，“这就是未来。”但在当时，这是个不受欢迎的决定。Le在澳大利亚的导师不能完全理解他的想法，写邮件问到，“你为什么决定做这个？”
“那时，我想不到怎么回答这个问题，”Le说。“因为，我只是好奇。文章中提出了一个成功的范式，老实说，我只是对这个新范式感到好奇。那时还是2006年，这样的观点非常罕见。”然后，Le 加入了斯坦福的吴恩达团队，接着他开始沿着 Hinton 的道路探索。“到了2010年年底，我确信会有事情发生。”
不久之后，Le成为了Brain的首位实习生。在Brain，他继续着自己的论文工作，也就是后来发表的猫论文的前身。在一个简单层面上，Le只是想看看计算机能否被训练并自主识别给定图像中的绝对必要的信息。他向神经网络输入了一张YouTube上的静态图片。然后，指示神经网络丢弃一些信息，但并不说明哪些信息应该保留哪些应该丢弃。神经网络随机丢弃了一些信息。接着，Le又说：“刚刚是开玩笑的。现在基于你刚刚保留下来的信息，重新构建初始图像。”这种方式就像他先要求机器找到一种方式“总结”图像，然后，基于总结的信息回溯原始图像。如果总结的都是些不相关信息（如天空的颜色），而不是关键信息（如有没有胡须），计算机就无法有效重构原始图像。计算机的反应就像我们远古的祖先，他们在逃跑中建立起对剑齿虎的印象。而Le的神经网络与我们的祖先的方式不同，它需要不断地尝试。从数学角度来说，每次尝试后，它都选择不同的信息进行优化，而且表现地越来越好。然而，神经网络是个黑盒子，它确实生成了某种范式，但人类并不能直观地理解这些范式。
猫论文发表后，引起了极大凡响，而Le并未感觉到自己掌握了业界的话语权。但他强烈感觉到，应该继续自己早年聊天机器人的想法。发表了猫论文后，Le意识到，如果神经网络可以总结图片信息，那么它或许也可以总结语句信息。在接下来两年中，这一想法深深印在Le和Tomas Mikolov（Le在Brain的同事）的脑海中。
那段时间，Brain团队占据了好几个办公室，甚至一度占用了高管的地方。随后，他们收到了管理处的邮件，要求他们不要在Larry Page和Sergey Brin的 办公室门口的沙发上睡觉。后来，他们被安排到街对面的研究楼里工作，在那里，研究人员专心研究，而不必应付同事间礼貌而无效率的交谈。当然在这一过渡期，谷歌的竞争对手们也在奋力前行。（Le神情严肃地一遍一遍提及他与Tomas Mikolov的亲密合作。最后我忍不住问道，“他离开了？”Le点点头，回答道：“去了Facebook”。）
上图：2012年的谷歌 Brain团队。他们发表了著名的“猫论文”，演示论文中的神经网络处理未标记数据。研究人员向该神经网络提供几百万的静态帧（来自YouTube视频），神经网络生成了一个稳定的模型并且识别出猫。
那段时间，他们极力想构造出不仅能执行简单的静态图片分类任务，也能处理复杂的任务（如自然语言或音乐）的神经网络架构。他们的许多观点在上世纪九十年代就出现了，Le和他的同事们专门回顾了那些被忽略的概念，希望能从中得到启发。他们知道，一旦建立了一个具有基本语言预测功能的模型，也就可以基于此完成各种其他类型智能任务，如预测电子邮件的合适回复或者预测谈话过程。你可以侧重于那些从表面看起来很像思维过程的任务。
来源：人工智能学家
更多内容请关注：www.imefuture.com
北京大数据产业投资基金正式发布 扎克伯格启用AI“管家
圣诞节太多小孩被机器人吸引
智造家 查看全部
序言：你所读到的就是你自己
在十一月初的某个周五晚上，Jun Rekimoto（东京大学人机交互领域的杰出的教授）正准备在线演讲，他突然注意到社交媒体滚动条上有一些特别的内容。这些内容是关于谷歌翻译的，这项流行的机器翻译服务最近突然有了大幅改善。
Rekimoto开始研究谷歌翻译并用它做了一些测试，测试结果令他非常震惊。虽然已经夜深，但谷歌翻译取得的进展依然让Rekimoto久久无法入睡。
Rekimoto在一篇博客中写了他的初步发现。首先，他用谷歌翻译翻译了《了不起的盖茨比》中的一些句子，并与1957年Takashi Nozaki译版和最新的Haruki Murakami的译版进行对比。Rekimoto后来通过电子邮件向我解释，Murakami的版本语言非常细腻，具有独特的“Murakami风格”。相比之下，谷歌的翻译虽然有些不自然，但是对他来说“更透明”。
Rekimoto博客的后半部分从日译英的方向测试了谷歌翻译。他先是自己用日语翻译了海明威的《乞力马扎罗的雪》的开头部分，然后把这段话通过谷歌翻译转译成英语。他列出了此版本与海明威的原版，并让读者猜测哪个版本是机器完成的。
NO. 1:
Kilimanjaro is a snow-covered mountain 19,710 feet high, and is said to be the highest mountain in Africa. Its western summit is called the Masai “Ngaje Ngai,” the House of God. Close to the western summit there is the dried and frozen carcass of a leopard. No one has explained what the leopard was seeking at that altitude.
NO. 2:
Kilimanjaro is a mountain of 19,710 feet covered with snow and is said to be the highest mountain in Africa. The summit of the west is called “Ngaje Ngai” in Masai, the house of God. Near the top of the west there is a dry and frozen dead body of leopard. No one has ever explained what leopard wanted at that altitude.
即使是以英语为母语的人，也很难分辨出第二段是由机器完成的。这两段翻译是如此的相近，Rekimoto甚至觉得这很神奇。因为Rekimoto非常熟悉谷歌翻译之前的能力，甚至在24小时前，谷歌只能翻译成下面这段话：
Kilimanjaro is 19,710 feet of the mountain covered with snow, and it is said that the highest mountain in Africa. Top of the west, “Ngaje Ngai” in the Maasai language, has been referred to as the house of God. The top close to the west, there is a dry, frozen carcass of a leopard.Whether the leopard had what the demand at that altitude, there is no that nobody explained.
Rekimoto在Twitter上向他的十万个粉丝公布了他的发现，在接下来的几个小时里，成千上万的人发出他们使用机器翻译的结果。有些是比较成功的，但也有些是非常滑稽的。
在东京破晓之时，谷歌翻译登上了日本Twitter热度榜的第一位，甚至连人气动漫和人气偶像少女的被挤了下去。每个人都很惊奇：谷歌翻译为何能如此让人刮目相看？
四天之后，来自世界各地的上百名记者、企业家和广告客户齐聚于谷歌的伦敦办公室中，观看谷歌的特别发布会。客人们的甜点是印有翻译标志的幸运饼干，每个人的面前还放有一张纸条，一面写着不同国家的短语，另一面邀请客人们下载谷歌翻译的软件。桌子上还摆放了甜甜圈和冰沙盘，旁边的标语牌标注了各种国家的风味。过了一会，所有人来到了一个豪华的黑暗剧场中。
上图：Sundar Pichai，谷歌的首席执行官，在他加利福尼亚州山景城的办公室外。
伦敦市长Sadiq Khan首先上台演讲。演讲的开始，市长提到他有个朋友觉得市长就像谷歌一样。于是市长问朋友：“为什么？因为我什么都懂？”朋友否认道：“不是的，是因为你就像谷歌一样，总是试图把我的话补充完。”观众们纷纷被市长的幽默逗笑。随后，谷歌的首席执行官Sundar Pichai上台发表演讲。
Pichai此行的目的之一就是启动谷歌伦敦国王大道的新大楼，预示着公司完成了去年提出的转型计划的初始阶段。Pichai曾经多次在不同场合说过谷歌的未来将以“AI为先”，这在理论上听起来很复杂，引发了许多学者的推测。在实践生产中意味着，未来谷歌将不再依靠传统计算编程来生产产品，而是“机器学习”。
谷歌公司中有一个鲜少提及的部门，谷歌大脑。这个部门成立于五年前，一直遵循着一个原理：人工“神经网络”能够像婴儿一样，通过不断的尝试和犯错来认知这个世界，最终拥有像人类一样的灵活性。这其实并不是一个新理论，早在现代计算机初步发展的20世纪40年代就出现了。但当时大部分科学家并不看重，认为它过于深奥。直到2011年，谷歌大脑证明了将这个强大的方法运用在人工智能领域里可以解决此前几十年的棘手问题。例如，此前谷歌手机在语音识别方面一直效果不是很好，直到谷歌将机器学习算法移植到手机平台后，语音识别精度已经可以和人类媲美。而在图像识别领域也同样取得了良好的效果。一年前，谷歌大脑就已经将这些核心技术成功运用在消费级产品里。
谷歌翻译于2006年首次亮相，目前已经成为谷歌最可靠和最流行的应用之一。每天，谷歌翻译会面对 5 亿个月度活跃用户的 1400 亿个不同语种的单词。现在它已经不是座位一个独立的应用存在，更是已经集成到Gmail、Chrome 及许多其它谷歌产品中了，谷歌将它作为其数字商务中的一个无缝贴合的部分。Pichai在台上讲到，直至叙利亚难民危机之时，公司才意识地区间的翻译交流是何等重要。他背后屏幕的陡峭的曲线图显示，阿拉伯语与德语互译的翻译请求最近增长了五倍之多。（这个结果也符合Pichai的内心想法，他在印度出生成长，那里有几十种不同的语言。）谷歌翻译此后也在逐步增加新的语言和功能，但是过去的四年，发展速度正在逐年减缓。
截至到上个周末，谷歌翻译已经在美国、欧洲、亚洲等地区完成了基于人工智能的转换，包括西班牙语、葡萄牙语、法语、德语、中文、日语、韩语及土耳其语在内的语言与英语的互译。而其它上百种语言也即将实现互译，谷歌预计将会以每月八个的速度在年底前更新完毕。而对于谷歌工程而言，只花费九个月的时间就完成这一重大革新无疑是一个惊喜。AI系统一个通宵所取得的进展就相当于过去所取得的进展之和。
Pichai对含蓄的古典文学尤为偏爱，一个月前，他曾告诉我，在他加利福尼亚州山景城的办公室里，有些文字还是需要谷歌翻译来辅助显示，毕竟并不是所有人都像物理学家Robert Oppenheimer一样能读原版的《博伽梵歌》。因此在伦敦的发布会上，幻灯片上出现了博尔赫斯的经典名言：“Uno no es lo que es por lo que escribe, sino por lo que ha leído.”
Pichai大声地读出旧版谷歌翻译翻译出来的拙劣的句子：“One is not what is for what he writes, but for what he has read.”
而在大屏幕的右边，新的AI系统版本则翻译的更加优雅：“You are not what you write, but what you have read.”
这是有一个对新版的谷歌翻译非常恰当的描述：在某种意义上，谷歌翻译是第一条可以通过学习理解任何事物的机器。
谷歌以AI为中心重组公司。在过去的四年中，谷歌、Facebook、苹果、亚马逊、微软和中国百度等六家公司都围绕AI人才展开了一场军备竞赛，尤其是在大学。企业纷纷到顶尖的学术院校挖掘人才，给人才以丰富的资源和极大的自由。在硅谷，Facebook的CEO Mark Zuckerberg会亲自通过电话和视频聊天软件跟公司最优异的研究生进行会话，七位数的起薪根本不在话下。参加人工智能最重要的学术会议的人数增加了近四倍。大家所关注的不仅仅是小小的创新，还有该如何掌控全新的计算平台：无处不在的人工智能。
我们好像理所当然地就开始使用“人工智能”这一短语，但它其实一直是引发争议的根源。想象一下，如果你回到20世纪70年代，在大街上拦住一个路上，拿住智能手机并向她展示手机里的谷歌地图。你可能需要不停地向她解释，你并不是穿着奇怪的巫师，从口袋里掏出的手机也不是什么黑色护身符，它只是一个比阿波罗时光机更强大的电脑。实际上，谷歌地图就是能跟她展示什么是“人工智能”的例子。在某种意义上，谷歌地图确实是人工智能的例子。它能帮你规划从酒店到机场的路线，而且比人类能完成得更快更好。它还能做一些人类显然不能做的事情：它可以判断交通状况；规划最佳路线；在你走错路时，它能重新定位并进行路线的重新规划。
实际上，如今没有人会把谷歌地图跟高贵的“AI”相提并论。所以我们在使用“智能”这个词的时候，是带“情感”色彩的。人工智能可以区别HAL和其它任何用织机或手推车就可以做出的东西。我们能自动化一项任务，涉及到的相关技能会转变为单纯的机制。现在，谷歌地图似乎还不能称之为人工智能，充其量是机器人：它只接受一个明确的需求（从一个地方到另一个地方），并尽力满足这种需求。因此，“人工智能”的所对应的实际应用其实范围很小。
Pichai的终极目标是区分AI应用和“通用人工智能”。通用人工智能不涉及对显式指令的忠实遵守，它是为一般情况下的一般用途而设计通用工具。Pichai认为，他公司的未来取决于通用人工智能。想象一下，如果你告诉谷歌地图，“我想去机场，但需要在中途停一下给我的侄子买礼物。”一个通用的智能服务，就像三年前的电影《她》中，由Scarlett Johansson配音的那个无处不在的助手一样，她像好朋友一样了解你的情况：你侄子的年龄，你通常喜欢给孩子买什么礼物，以及哪里有能买礼物的商店。但是，一个真正聪明的地图能做一些好朋友考虑不到的事，比方说，你侄子学校的孩子里，最近流行什么玩具。如果聪明的机器能够辨别一些错综复杂的数据，从中找到过去我们做过的事情中暗藏的规律性，那么它就可以推断我们的想法。
AI助手是人工智能的新浪潮，苹果的Siri、Facebook的M，还有亚马逊的Echo都是机器学习的产物，作用都很相似。然而，机器学习并不一定只局限于此。今年，三星的医学成像子公司宣布其新的超声设备能够检测乳腺癌。公司也在招贤纳士，以扩大计算机的工业应用。DeepMind于2014年被谷歌收购，AlphaGo在围棋游戏中击败了人类围棋大师，尽管当时人类预测人工智能要想战胜人类还需要10年。
1950年，Alan Turi吴恩达在那篇著名的文章中提出了一个人工智能的测试：一台计算机是否能在5分钟的文本交流中成功地欺骗人类。一旦机器可以在两种自然语言之间流利地翻译，机器就能很好地“理解”人类语言，从而与人类进行对话。谷歌大脑的成员们正推动和协助监督翻译项目，他们相信这样的机器将会成为通用人工智能的助手。
谷歌的研究人员和工程师团队从最初的一两个人，扩大到三四人，甚至后来扩大到一百多人，他们在这一领域取得了巨大进步。接下来要讲的关于谷歌团队的故事非常少见，因为它跟我们对硅谷的通常印象有所不同。它并不是一些俗套的剧情。它不是一个关于技术能解决所有问题的故事，也不是一个技术会毁灭世界的故事。它跟颠覆无关，至少不是通常意义上的颠覆。
事实上，这个故事又包含了三个相关的故事，这三个故事在谷歌翻译成功转型为AI的过程中融合在一起，它们分别是：技术故事，制度故事和关于思想演变的故事。技术故事是关于一个公司的一个产品团队，以及他们对旧产品进行改进、测试并形成全新版本的过程，而且他们只用了别人预期的约为四分之一的时间就完成了这个过程。制度故事是关于该公司内的一个虽然规模不大但很有影响力的人工智能团队，以及他们凭借对一些旧的、未经证实的和广泛不适用的计算观念的直觉信念，超越了几乎其他所有公司的过程。思想的故事是关于坚持不懈的认知科学家、心理学家和工程师，他们长期以来用看似不合理的信念，最终激发了我们对技术和理论的理解，以及意识本身的范式转变。
第一个故事是谷歌翻译的故事，发生在山景城，时间跨度为九个月，故事解释了机器翻译发生的转变。第二个故事是谷歌大脑及其众多竞争对手的故事，发生在硅谷，时间跨度为五年，它解释了整个领域的转型。第三个故事是深度学习的故事，发生在苏格兰、瑞士、日本和加拿大等大部分地区的遥远实验室，时间跨度长达七十年，它可能非常有助于改变人类的自我认知。
这三个故事都跟人工智能有关。七十年的故事是关于我们对人工智能的期待。五年的故事是关于人工智能在不久的将来会带来什么。九个月的故事是关于人工智能现在可以做什么。这三个故事本身都是对概念的证明，而所有这一切都只是开始。
第一部分：学习机器
1、谷歌大脑的诞生
虽然Jeff Dean的职位是高级研究员，但是事实上，他才是谷歌大脑团队的领导者。 Dean有着长而窄的脸，深深的眼睛并且十分热情。作为医学人类学家和公共卫生流行病学家的儿子，Dean成长时期几乎周游了世界各地，包括明尼苏达州、夏威夷、波士顿、阿肯色州、日内瓦、乌干达、索马里、亚特兰大等地。在高中和大学期间，他写的软件就被世界卫生组织所采用。自1999年以来，他一直在谷歌工作，当时他才25岁，从那时起，他几乎参与了谷歌所有重大项目中核心软件系统的开发。作为公司的元老级人物，Jeff Dean Facts已经成了公司开玩笑的对象。以Chuck Norris的事实模式为例：“Jeff Dean的PIN是pi的最后四位数字。”“当Alexander Graham Bell发明电话时，他接到了一个来自Jeff Dean的未接来电。”“Jeff Dean在最高级别为10的系统中晋升到了11级。“（最后一个是真的。）
上图：谷歌工程师和谷歌大脑的领导者Jeff Dean。
来源：纽约时报的Brian Finke
2011年初的一天，Dean在谷歌校园的“微型车间”之一，也就是山景城大楼的共享休息室，遇见了年轻的斯坦福计算机科学家吴恩达教授，他兼任谷歌公司的顾问。吴恩达跟Dean介绍了Marvin项目（以著名的AI先锋Marvin Minsky命名），在这个项目中，他协助谷歌建立了一种基于大脑架构的柔韧的数字网格的“神经网络”。1990年，Dean在明尼苏达大学读本科的时候，也曾经研究过该技术的原始版本，当时神经网络的概念已经开始流行。在过去的五年中，神经网络领域从事相关研究工作的学者数量开始再次增长。吴恩达告诉Dean，Marvin项目是由谷歌的秘密X实验室负责研究的，目前已经取得了一些可观的进展。
Dean对此很感兴趣，决定花自己“20％”的时间来投入这个项目，每名谷歌员工都要将自己20%的时间贡献给他或她的核心工作以外的工作。很快，Dean向吴恩达推荐了有着神经科学背景的Greg Corrado。（在研究生院的课堂上，Corrado粗略地学习了该技术，但他对此很感兴趣，他开玩笑说道：“那天我上课的时候很专心。”）在春天，他们团队又多了一名吴恩达的得意研究生Quoc Le，他是项目团队的第一个实习生。在那之后，一些谷歌工程师用“谷歌大脑”来形容Marvin项目。
术语“人工智能”是在1956年夏天在达特茅斯的一种宪法惯例中诞生的，当时大多数研究人员认为创造AI的最佳方法是写一个非常大而全面的程序，将逻辑推理的规则和有关世界的知识写入其中。比方说，如果你想把英语翻译成日语，你需要把所有的英语语法规则、牛津英语词典中包含的所有定义、所有的日语语法规则，和日语字典中的所有单词都编入计算机。这种观点通常被称为“符号化AI”。因为它的认知定义是基于符号逻辑的，但它已经有些过时，只能算作是“好的老式的AI”。
这种老式方法有两个主要问题。一是，它非常耗费人力和时间；二是，它只有在规则和定义非常清楚的领域（比如数学或象棋）才真正起作用。然而，如果翻译采用这种方法，效果会很差，因为我们平时说的话没办法跟词典上的规则和定义完全对应。比方说，这样的系统可能会把“农业部长”翻译为“农业牧师”。但是，对于数学和国际象棋来说，这种老式方法就很奏效。
不过，这种老式方法的系统确实有限。在20世纪80年代，卡内基梅隆的机器人研究员指出，让计算机做成人能做的事情很简单，但让计算机做一个1岁的小孩可以做的事情却几乎是不可能的，比如拿起一个球或识别一只猫。到了20世纪90年代，尽管计算机能够在国际象棋上战胜世界冠军，我们离真正的人工智能还差得远。
关于AI，还有另外一种看法，计算机的学习是自下而上（从数据），而不是从上到下（从规则）学习。这个概念可追溯到20世纪40年代初，研究人员发现灵活自动智能的最佳模型就是人类大脑本身。毕竟，大脑只不过是很多神经元的集合体，神经元之间可能会相互传递电荷，或者不会传递。重要的不是单个神经元本身，而是它们之间的连接方式。这种结构很简单，为大脑提供了丰富的适应性优势。大脑可以在信息量少或缺失的情况下工作；它在承受重大的损害时，也不会完全失去控制；它可以用非常有效的方式存储大量的知识；它可以区分不同的模式，但同时保留必须的混乱来处理歧义。
所以人类开始试图用电子元件来模仿这种结构，1943年研究表明，简单的人工神经元排布可以执行基本的逻辑功能。至少在理论上，神经元可以模仿人类的方式。实际上，神经元会根据试错把相互之间的突触连接调节得更强或更弱。人工神经网络也可以做类似的事情，在不断试错的基础上逐步改变人工神经元之间的数字关系。人工神经网络不需要使用固定规则来预编程，相反，它会改变自身以反映所输入的数据中的模式。
这种观点认为人工智能是进化得来，而不是创造出来的。如果你想要一个灵活而且能适应环境的机制，不能一开始就教它国际象棋。必须从非常基本的能力，如感官知觉和运动控制开始，长此以往更先进的技能才有可能出现。人类并不是通过记忆字典和语法书来学习和理解语言的，所以我们有什么理由要让计算机通过这样的方式来学习呢？
谷歌大脑是第一个对这种思维方式进行商业投资的机构。Dean、Corrado和吴恩达利用闲暇时间进行合作并对此展开研究，很快他们便取得了进展。他们从最新的理论大纲和自20世纪八九十年代以来的已有框架中提取了他们的模型的搭建灵感，他们还利用了谷歌巨大的数据储备和庞大的计算基础设施。他们利用网络上大量的“标记”数据，让计算机不断改进从而更好地匹配现实。
某天，Dean告诉我说：“动物进化出眼睛是个巨大的发展。”我们像往常一样坐在会议室，他在白板画了一个复杂的时间线，展示了谷歌大脑以及它与神经网络的历史关系。“现在，计算机也有了眼睛，我们能够借助眼睛让计算机识别图片。机器人的能力将得到巨大提升。他们将能够在一个未知的环境中，处理各种不同的问题。”这些他们正在研发的能力可能看起来很原始，但它们的影响是深远的。
上图：Geoffrey Hinton，他在谷歌多伦多办事处提出的想法为谷歌翻译的神经网络方法奠定了基础。 图片来源：《纽约时报》的Brian Finke
2、重量级实习生
正如Dean所说，谷歌大脑诞生一年后，就在研发具有1岁小孩智力的机器中取得了不错的成绩。谷歌的语音识别团队将其旧系统的一部分转换为神经网络，并因此取得了该系统20年来的最好成效。该系统识别对象的能力提高了一个数量级。这不是因为谷歌大脑的研究人员在短短一年内就产生了很棒的新想法，而是因为谷歌终于在该领域投入了资源和人力。
Geoffrey Hinton的到来让谷歌大脑发展更为迅猛。在谷歌大脑成立的第二年，Hinton被招聘到了谷歌大脑，而吴恩达离开了谷歌（吴恩达现在领导百度1300人的AI团队）。Hinton只能离开多伦多大学在谷歌任职三个月，因此由于奥术合同的原因，他不得不被聘为实习生。在实习培训中，辅导人员说“输入您的LDAP（目录访问协议）”，他问道：“什么是LDAP？”在场其他所有25岁的职员，尽管他们可能刚刚弄清深度学习是人工智能的必要条件，都在想“那个老家伙是谁？为什么他连LDAP是什么都不知道？”
Hinton说道：“在午餐时间，团队成员里有个人惊呼‘Hinton教授！我选修了你的课程！你居然在这里？’”从那以后，大家才不对Hinton议论纷纷。
几个月后，Hinton和他的两个学生在一个称为ImageNet的开源集合运行的大型图像识别竞赛中展示了惊人的成果，他们让计算机不仅能识别猴子，而且能够区分蜘蛛猴和吼猴，以及各种不同品种的猫。谷歌很快就向Hinton和他的学生发起了聘用书，他们接收了谷歌的聘用。Hinton说道：“我本以为谷歌对我们的知识产权感兴趣，结果没想到是对我们这几个人感兴趣。”
Hinton来自英国的传统家族，像Darwins一样，他们家族非常注重教育。他伟大的曾祖父是George Boole，他在符号逻辑方面的基础工作为计算机打下基础；Hinton的祖父是一位著名的外科医生，Hinton的父亲是一位热爱冒险的昆虫学家，Hinton的父亲的表哥是洛斯阿拉莫斯研究所的研究员，等等。而Hinton曾在剑桥和爱丁堡大学读数，然后又到卡内基梅隆大学学习，最后他又到多伦多大学。（他的工作长期以来一直受到加拿大政府的慷慨支持。）我在他的办公室对他进行了采访，他顶着一头成熟的诺埃尔加拉格尔风格的黄到褪色的头发，穿着一件宽松的条纹衬衫，椭圆形的眼镜滑落到高挺的鼻子尖端。他开口说道：“计算机会比美国人更早地理解讽刺为何物。”
19世纪60年代末，Hinton在剑桥大学读本科时，就一直致力于研究神经网络，他是该领域的先驱。但大多数时候，每当他谈及机器学习，人们都觉得他在满口胡言。人们之所以觉得神经网络荒谬，主要是因为感知机（Perceptron）被过度炒作，感知机是一个人工神经网络，是康奈尔心理学家Frank Rosenblatt于20世纪50年代后期提出的。《纽约时报》曾报道，感知机的赞助商美国海军期望它“能够走路、说话、看、写作，甚至再造自己，并意识到自己的存在”。结果证明这是不切实际的。美国的Marvin Minsky曾在1954年的普林斯顿论文中研究过神经网络，但是他对于布朗克斯科学当代的Rosenblatt对神经范式的夸张描述已经厌倦了。（他也在争取国防部的投资。）Minsky与MIT的同事一起出版了一本书，来证明有一些简单问题是感知器永远不能解决的。
Minsky对感知机的抨击只是一个“层”的网络，在后来的生活中，他阐述了与当代深度学习非常相似的想法。Hinton认为，如果使用多层神经网络，就能够完成复杂的任务。神经网络的最简单的描述是，它是一个机器，能在数据中发现模式并进行分类或预测。如果只有一层神经网络，你可以找到简单的模式，但如果有多层神经网络，你应该去找模式中的模式。在图像识别的领域，主要使用的是“卷积神经网络”。（这是在1998年的一篇开创性论文中阐述的，其主要作是Yann LeCun，他在多伦多大学读博士后，是Hinton的学生，现在是Facebook人工智能实验室的负责人。）网络的第一层负责学习识别“边缘”的基本视觉效果，也就是判断一个东西（一个像素上）是否有东西。网络的每个连续层都在前一层中寻找模式。边缘的图案可以是圆形也可以是矩形，圆形或矩形的图案可能是面部。这种方法或多或少地以越来越抽象的方式将信息组合在一起，从视网膜中的光感受器将信息返回到大脑的视觉皮层。在每个步骤中，不相关的细节会被丢弃，因为如果几个边缘和圆圈合在一起成为一张面部，你无需知道发现面部的位置，只需要知道它是一张脸。
多层“深度”神经网络的问题是试错法部分非常复杂。对于单层神经网络来说，这很容易。想象一下，如果你正在和一个孩子玩。你告诉孩子，“拿起绿色的球，把它放入盒子A中”，孩子拿起一个绿色的球，但把它放入了盒子B。你会说，“再试一次把绿色球放在盒子A中”，孩子会再次尝试把球放入了盒子A中。
现在想象你告诉孩子，“拿起一个绿色的球，穿过三号门，然后把绿色的球放入盒子A。”孩子却拿起一个红色的球，穿过了二号门，把红色的球放入盒子B。那么你该如何纠正孩子呢？你不能只是不断重复初始指示，因为孩子不知道他到底错在哪一步。在现实生活中，你可以先举起红球和绿球，说“这是红球，这是绿球”。但是，机器学习的重点是避免这种明确的指导。Hinton和其他几个人研究了解决方案（或者，对旧的方案进行了改造）。对于这个分层错误问题，在20世纪70年代末和80年代初，计算机科学家重新开始对神经网络感兴趣。Hinton说道：“人们对此非常兴奋，但我们的研究超出了他们的兴趣。”很快，计算机科学家们又跟以前一样认为Hinton这样的人是怪人和神秘主义者。
这种想法在哲学家和心理学家中仍然很受欢迎，他们称之为“连接主义”或“并行分布式处理”。Hinton告诉我说，“有几个人对这个想法保持热情，这很好，因为这是真正的人工智能。但在心理学领域，很多人相信这种想法，但却没能力实现它。”尽管加拿大政府一直大力支持，但Hinton也没能实现这个想法。“因为没有足够的计算机资源或足够的数据，我们只能自我安慰道：‘是的，如果我们有这样的前提条件，这个想法肯定是行得通的。’但这却并不是一个非常有说服力的论据。”
3、深层解读深度学习
当Pichai提到“人工智能优先（A.I. First）”概念时，他不仅仅是在说谷歌的战略计划，更是把这个长期不可行的想法扔给了公司。Pichai在资源分配上，确保了像Dean和Hinton这样的人才有足够的计算资源和数据资源可用。每个大脑大约有1000亿个神经元，每个神经元与其他10000个神经元相连，这意味着大脑内突触的数量在100万亿和1000万亿之间。对于20世纪40年代提出的简单人工神经网络来说，根本不可能实现这样规模的网络。虽然目前我们也远没达到构建这种规模网络的能力，但谷歌Brain的投资让我们至少实现了可以媲美小鼠大脑的人工神经网络。
然而，理解网络规模的重要性之前，你必须了解一些技术细节，如机器智能究竟对数据做了什么。其实，我们对人工智能的恐惧，主要来自于我们认为它像一个反社会天才在图书馆挖掘知识，然后，或许某一天，曾经只会玩回形针的机器会像对待蚂蚁或莴苣一样轻松杀死人类。但这并不是人工智能的工作方式，它们所做的只是搜索并寻找共同点——首先是基本模式，然后逐渐变复杂。真正最大的危险在于，我们人类最初给它灌输的信息是否就包含个人偏见。
如果只是想了解一二，可以直接阅读下一节（内容是关于猫的），如果想理解相关技术，那请继续阅读。（当然，本节内容也是关于猫。）
如果你想在老式的符号化AI模型上生成一个“猫识别器”。那么首先，你必须花大量时间预先对机器详细明确地说明什么是“猫”。告诉机器，一只猫有四条腿、尖尖的的耳朵、晶须和尾巴等。机器将这些信息存储在内存中的“Cat”区域。接下来，提供一张图片，让机器判断是否是猫。判断过程中，首先，机器必须分离出图像中不同的元素；然后，利用内存中存储的规则处理这些元素。规则如下：如果（腿 = 4）且（耳朵 = 尖）且（胡须 = 有）且（尾巴 = 有）且（表情= 高傲），那么（猫 = 是）。但如果你提供一张苏格兰折耳猫的图片呢？我们符号化 AI模型就会根据“耳朵 != 尖”判断图片上不是猫。 这样的识别水平比蹒跚学步的小孩都差。
而现在，如果用神经网络做这个实验，就根本不需要通过一系列预先定义的规则进行判别，也根本不需要专门的空间来存储“猫”的信息，包含大量相互连接着的开关的大型blob会解决这一切。在blob的一端提供输入（待识别图像），另一端提供输出（标记信息）。然后，机器将自动化工作，通过不断调试相互连接的开关，最终将输入正确映射到对应的输出。训练过程就像是在迷宫中挖掘一系列隧道，隧道两端连接的是正确的输入和输出。可用的训练数据越多，挖掘的隧道数量和复杂性就越大。训练过程一旦完成，blob中有了足够多的隧道，神经网络就能稳定处理数据并作出可靠预测。这就是“监督学习（Supervised Learning）”。
神经网络之所以需要如此多的神经元和数据，因为它以一种类似民主的方式工作。例如，你想训练可识别五种类型物体的神经网络，它由数百万“选民”（神经元）组成，每位选民都有五张不同的卡片，分别是：猫、狗、蜘蛛猴、勺子、除颤器。拿出一张图片，问：“这是猫，狗，蜘蛛猴，勺子还是除颤器？”所有神经元分组进行投票，最终得票最多的作为最终结果：“一只狗？”
你告诉它：“不！是只猫。重新计算。”
然后，神经网络退回一步，确定哪些神经元投票“猫”，哪些不是。那些投票“猫”的神经元，下次如果还投“猫”，其权重加倍。除此之外，该神经网络也必须能准确判别其他物体类别，如狗和除颤器。而神经网络之所以如此灵活，是因为每个单独的个体针对不同的输出贡献的权重不一样。其实，最关键的不是个体投票，而是这种投票模式。如果Joe, Frank 和Mary一起投票，那就是一只狗；如果Joe, Kate和Jessica一起投票，那就是一只猫；而如果Kate, Jessica 和Frank一起投票，图片上就是一个除颤器。神经网络只需要注册大量可识别信号，这些信号表示：图片中该像素区域是“猫”。“选民”越多，投票次数就越多，微弱信号也越可能被注册。简单来说，就是如果只有Joe, Frank 和Mary三个选民，你可能仅限于区分猫、狗和除颤器；而如果有数百万选民，不同选民之间有数十亿连接，那么你就可以对数据精确分类。经过训练的“选民”组合甚至可以识别未标记图片（或许不那么精确）。
计算科学领域之所以不接受这些理念，部分原因在于机器的输出仅仅是基于模式的预测，它并不完美，而且机器永远无法确切地定义什么是“猫”。只有在看到猫的时候，机器才知道那是猫。神经元“选民”通过数百万张猫图像的训练，它们可以识别出在阳光下打盹的快乐小猫，和躲在垃圾箱阴影中的生气小猫。实际上，你需要大量的神经元“选民”和足够的已标记数据，前者用来确保神经网络可以捕捉到非常微弱的信号，如苏格兰折耳猫垂下的耳朵，后者用来尽可能确保神经网络已“见过”所有相似场景。
但是，需要注意的是，神经网络的输出结果具有概率性，这意味着它并不适用于所有任务。如果神经网路把猫误认为狗，或者偶尔推送了错误的电影，这都不是大事，但如果应用于无人驾驶，神经网络1%的失误率可能就酿成了悲剧。类似担忧还有很多。监督学习是基于已标记数据进行反复试验的过程。机器完成的只是学习过程，而人为因素仍然决定了最初对训练数据的分类。例如，训练数据中，图片上是一位男士和一位女士，某人将该图片标记为“一位女士和她的老板”，这种关系标记将影响所有后续的模式识别。因此，人类错误标记才会导致训练数据错误。机器可能通过重罪定罪数据，来确定信贷候选人贷款资格。但如果重罪定罪数据本身就是不公平的（如数据是基于歧视性禁毒法），那么机器输出的可贷款人名单也是不可靠的。
图像识别网络与我们的小猫识别器一样，也是深度学习的一种，但常常把它作为教学示例，因为人类可直观了解到图像识的具体过程：先找图像边缘，然后识别圆圈，接着识别脸。这意味着其中有错误保护措施。例如，早期，谷歌发现他们的图像识别软件无法单独识别出杠铃，哪怕用大规模运动器材图像集对其训练，结果也是一样。通过可视化工具观察发现，由于训练集中所有哑铃都是附在手臂上的，所以机器没有学习到“哑铃”的概念，而是“哑铃+手臂”的整体概念。改进一下，向训练集中加入单独的“杠铃”照片，问题就解决了。但并不是所有问题都这么容易。
4、猫识别论文
谷歌Brain部门在一到两年时间内，成功让机器具备了1岁小孩的智能。随后，该部门成功从谷歌X实验室“毕业”，并成为了更高级的研究机构。（谷歌X实验室负责人曾经指出，Brain取得的成就，让整个实验室的努力没有白费。）当时，谷歌Brain仍然只有10人不到，而对于未来，也只有一个模糊的概念。但即使在那时，他们都在积极思考接下来会发生什么。就像人一样，学会认识皮球后，我们会为之满足一段时间，但迟早，人类会产生关于皮球的问题。这就是语言产生的原因。
这一领域中，Brain迈出的第一步是发表了猫识别论文，正是这篇论文，Brain闻名世界。
这篇论文展示了一个具有超过十亿个“突触”连接的神经网络。虽然与人类大脑相比，它小了好几个数量级，但它比当时任何公开的神经网络都要大好几百倍。这个神经网络可以处理原始的、未标记数据，并识别高级的人类概念。谷歌Brain的研究人员向该神经网络展示了几百万的静态帧（来自YouTube视频），然后神经网络的感觉中枢开始运转，生成了一个稳定的模型。像小孩或花栗鼠一样聪明，该模型可以迅速识别出猫的脸。研究人员并没有预先向该神经网络输入关于“猫”概念，它直接与现实世界交互并获取“猫”这一定义。（研究人员发现，这一神经网络与核磁共振（M.R.I.）很相像，猫的脸部阴影会激发人工神经元“投票”的热情。）大多数机器学习都受限于已标记数据的数据量。但这篇论文却显示，该神经网络可以处理原始未标记数据，有时甚至是人类都还没建立起概念的数据。这不仅仅是猫识别研究的重大突破，更是整个人工智能的显著进步。
猫识别论文的第一作者是Quoc Le。Le个头不高，身形偏瘦，说话温和但语速很快，经常穿着闪亮的黑皮鞋，而且面带神秘的微笑。他在越南长大，父母都是农民，小时候家里甚至都没有电。他从小就表现出了过人的数学能力，后来，他就读于一所磁铁学校学习科学。上世纪90年代末，Le还在上学，那时候他就试图构建一个聊天机器人。他在想，这有多难呢？
“但实际上，”他告诉我，“非常不简单。”
毕业后，Le离开了越南，前往澳大利亚堪培拉的一所大学学习，主要研究机器视觉这类人工智能任务。当时人工智能的主要做法是，提前给机器灌输相关概念（如，边缘），这让他感觉像是在作弊。当时的Le不知道，全世界有很多计算机科学家和他的想法一样——机器可以从零开始学习。2006年，Le任职于德国的马克斯普朗克研究所生物控制部门。在当时的一个阅读小组中，他读到了Geoffrey Hinton写的两篇论文，他觉得自己豁然开朗。
“这两篇文章引起了争议，”他告诉我。“非常大的争议。”我们在一个小型内部会议室里，天花板又窄又高，屋子里有一张小桌子和两块白板。Le看了眼他画在背后白板上的曲线，又回过头来轻声地说，“我从没见到过这么大的争议”。
他记得，当时在阅读小组里站起来，然后说，“这就是未来。”但在当时，这是个不受欢迎的决定。Le在澳大利亚的导师不能完全理解他的想法，写邮件问到，“你为什么决定做这个？”
“那时，我想不到怎么回答这个问题，”Le说。“因为，我只是好奇。文章中提出了一个成功的范式，老实说，我只是对这个新范式感到好奇。那时还是2006年，这样的观点非常罕见。”然后，Le 加入了斯坦福的吴恩达团队，接着他开始沿着 Hinton 的道路探索。“到了2010年年底，我确信会有事情发生。”
不久之后，Le成为了Brain的首位实习生。在Brain，他继续着自己的论文工作，也就是后来发表的猫论文的前身。在一个简单层面上，Le只是想看看计算机能否被训练并自主识别给定图像中的绝对必要的信息。他向神经网络输入了一张YouTube上的静态图片。然后，指示神经网络丢弃一些信息，但并不说明哪些信息应该保留哪些应该丢弃。神经网络随机丢弃了一些信息。接着，Le又说：“刚刚是开玩笑的。现在基于你刚刚保留下来的信息，重新构建初始图像。”这种方式就像他先要求机器找到一种方式“总结”图像，然后，基于总结的信息回溯原始图像。如果总结的都是些不相关信息（如天空的颜色），而不是关键信息（如有没有胡须），计算机就无法有效重构原始图像。计算机的反应就像我们远古的祖先，他们在逃跑中建立起对剑齿虎的印象。而Le的神经网络与我们的祖先的方式不同，它需要不断地尝试。从数学角度来说，每次尝试后，它都选择不同的信息进行优化，而且表现地越来越好。然而，神经网络是个黑盒子，它确实生成了某种范式，但人类并不能直观地理解这些范式。
猫论文发表后，引起了极大凡响，而Le并未感觉到自己掌握了业界的话语权。但他强烈感觉到，应该继续自己早年聊天机器人的想法。发表了猫论文后，Le意识到，如果神经网络可以总结图片信息，那么它或许也可以总结语句信息。在接下来两年中，这一想法深深印在Le和Tomas Mikolov（Le在Brain的同事）的脑海中。
那段时间，Brain团队占据了好几个办公室，甚至一度占用了高管的地方。随后，他们收到了管理处的邮件，要求他们不要在Larry Page和Sergey Brin的 办公室门口的沙发上睡觉。后来，他们被安排到街对面的研究楼里工作，在那里，研究人员专心研究，而不必应付同事间礼貌而无效率的交谈。当然在这一过渡期，谷歌的竞争对手们也在奋力前行。（Le神情严肃地一遍一遍提及他与Tomas Mikolov的亲密合作。最后我忍不住问道，“他离开了？”Le点点头，回答道：“去了Facebook”。）
上图：2012年的谷歌 Brain团队。他们发表了著名的“猫论文”，演示论文中的神经网络处理未标记数据。研究人员向该神经网络提供几百万的静态帧（来自YouTube视频），神经网络生成了一个稳定的模型并且识别出猫。
那段时间，他们极力想构造出不仅能执行简单的静态图片分类任务，也能处理复杂的任务（如自然语言或音乐）的神经网络架构。他们的许多观点在上世纪九十年代就出现了，Le和他的同事们专门回顾了那些被忽略的概念，希望能从中得到启发。他们知道，一旦建立了一个具有基本语言预测功能的模型，也就可以基于此完成各种其他类型智能任务，如预测电子邮件的合适回复或者预测谈话过程。你可以侧重于那些从表面看起来很像思维过程的任务。
来源：人工智能学家
更多内容请关注：www.imefuture.com
北京大数据产业投资基金正式发布 扎克伯格启用AI“管家
圣诞节太多小孩被机器人吸引
智造家 查看全部
谷歌如何使用人工智能来改变谷歌翻译这项颇受欢迎的服务，以及机器学习如何重塑计算。
序言：你所读到的就是你自己
在十一月初的某个周五晚上，Jun Rekimoto（东京大学人机交互领域的杰出的教授）正准备在线演讲，他突然注意到社交媒体滚动条上有一些特别的内容。这些内容是关于谷歌翻译的，这项流行的机器翻译服务最近突然有了大幅改善。
Rekimoto开始研究谷歌翻译并用它做了一些测试，测试结果令他非常震惊。虽然已经夜深，但谷歌翻译取得的进展依然让Rekimoto久久无法入睡。
Rekimoto在一篇博客中写了他的初步发现。首先，他用谷歌翻译翻译了《了不起的盖茨比》中的一些句子，并与1957年Takashi Nozaki译版和最新的Haruki Murakami的译版进行对比。Rekimoto后来通过电子邮件向我解释，Murakami的版本语言非常细腻，具有独特的“Murakami风格”。相比之下，谷歌的翻译虽然有些不自然，但是对他来说“更透明”。
Rekimoto博客的后半部分从日译英的方向测试了谷歌翻译。他先是自己用日语翻译了海明威的《乞力马扎罗的雪》的开头部分，然后把这段话通过谷歌翻译转译成英语。他列出了此版本与海明威的原版，并让读者猜测哪个版本是机器完成的。
NO. 1:
Kilimanjaro is a snow-covered mountain 19,710 feet high, and is said to be the highest mountain in Africa. Its western summit is called the Masai “Ngaje Ngai,” the House of God. Close to the western summit there is the dried and frozen carcass of a leopard. No one has explained what the leopard was seeking at that altitude.
NO. 2:
Kilimanjaro is a mountain of 19,710 feet covered with snow and is said to be the highest mountain in Africa. The summit of the west is called “Ngaje Ngai” in Masai, the house of God. Near the top of the west there is a dry and frozen dead body of leopard. No one has ever explained what leopard wanted at that altitude.
即使是以英语为母语的人，也很难分辨出第二段是由机器完成的。这两段翻译是如此的相近，Rekimoto甚至觉得这很神奇。因为Rekimoto非常熟悉谷歌翻译之前的能力，甚至在24小时前，谷歌只能翻译成下面这段话：
Kilimanjaro is 19,710 feet of the mountain covered with snow, and it is said that the highest mountain in Africa. Top of the west, “Ngaje Ngai” in the Maasai language, has been referred to as the house of God. The top close to the west, there is a dry, frozen carcass of a leopard.Whether the leopard had what the demand at that altitude, there is no that nobody explained.
Rekimoto在Twitter上向他的十万个粉丝公布了他的发现，在接下来的几个小时里，成千上万的人发出他们使用机器翻译的结果。有些是比较成功的，但也有些是非常滑稽的。
在东京破晓之时，谷歌翻译登上了日本Twitter热度榜的第一位，甚至连人气动漫和人气偶像少女的被挤了下去。每个人都很惊奇：谷歌翻译为何能如此让人刮目相看？
四天之后，来自世界各地的上百名记者、企业家和广告客户齐聚于谷歌的伦敦办公室中，观看谷歌的特别发布会。客人们的甜点是印有翻译标志的幸运饼干，每个人的面前还放有一张纸条，一面写着不同国家的短语，另一面邀请客人们下载谷歌翻译的软件。桌子上还摆放了甜甜圈和冰沙盘，旁边的标语牌标注了各种国家的风味。过了一会，所有人来到了一个豪华的黑暗剧场中。
上图：Sundar Pichai，谷歌的首席执行官，在他加利福尼亚州山景城的办公室外。
伦敦市长Sadiq Khan首先上台演讲。演讲的开始，市长提到他有个朋友觉得市长就像谷歌一样。于是市长问朋友：“为什么？因为我什么都懂？”朋友否认道：“不是的，是因为你就像谷歌一样，总是试图把我的话补充完。”观众们纷纷被市长的幽默逗笑。随后，谷歌的首席执行官Sundar Pichai上台发表演讲。
Pichai此行的目的之一就是启动谷歌伦敦国王大道的新大楼，预示着公司完成了去年提出的转型计划的初始阶段。Pichai曾经多次在不同场合说过谷歌的未来将以“AI为先”，这在理论上听起来很复杂，引发了许多学者的推测。在实践生产中意味着，未来谷歌将不再依靠传统计算编程来生产产品，而是“机器学习”。
谷歌公司中有一个鲜少提及的部门，谷歌大脑。这个部门成立于五年前，一直遵循着一个原理：人工“神经网络”能够像婴儿一样，通过不断的尝试和犯错来认知这个世界，最终拥有像人类一样的灵活性。这其实并不是一个新理论，早在现代计算机初步发展的20世纪40年代就出现了。但当时大部分科学家并不看重，认为它过于深奥。直到2011年，谷歌大脑证明了将这个强大的方法运用在人工智能领域里可以解决此前几十年的棘手问题。例如，此前谷歌手机在语音识别方面一直效果不是很好，直到谷歌将机器学习算法移植到手机平台后，语音识别精度已经可以和人类媲美。而在图像识别领域也同样取得了良好的效果。一年前，谷歌大脑就已经将这些核心技术成功运用在消费级产品里。
谷歌翻译于2006年首次亮相，目前已经成为谷歌最可靠和最流行的应用之一。每天，谷歌翻译会面对 5 亿个月度活跃用户的 1400 亿个不同语种的单词。现在它已经不是座位一个独立的应用存在，更是已经集成到Gmail、Chrome 及许多其它谷歌产品中了，谷歌将它作为其数字商务中的一个无缝贴合的部分。Pichai在台上讲到，直至叙利亚难民危机之时，公司才意识地区间的翻译交流是何等重要。他背后屏幕的陡峭的曲线图显示，阿拉伯语与德语互译的翻译请求最近增长了五倍之多。（这个结果也符合Pichai的内心想法，他在印度出生成长，那里有几十种不同的语言。）谷歌翻译此后也在逐步增加新的语言和功能，但是过去的四年，发展速度正在逐年减缓。
截至到上个周末，谷歌翻译已经在美国、欧洲、亚洲等地区完成了基于人工智能的转换，包括西班牙语、葡萄牙语、法语、德语、中文、日语、韩语及土耳其语在内的语言与英语的互译。而其它上百种语言也即将实现互译，谷歌预计将会以每月八个的速度在年底前更新完毕。而对于谷歌工程而言，只花费九个月的时间就完成这一重大革新无疑是一个惊喜。AI系统一个通宵所取得的进展就相当于过去所取得的进展之和。
Pichai对含蓄的古典文学尤为偏爱，一个月前，他曾告诉我，在他加利福尼亚州山景城的办公室里，有些文字还是需要谷歌翻译来辅助显示，毕竟并不是所有人都像物理学家Robert Oppenheimer一样能读原版的《博伽梵歌》。因此在伦敦的发布会上，幻灯片上出现了博尔赫斯的经典名言：“Uno no es lo que es por lo que escribe, sino por lo que ha leído.”
Pichai大声地读出旧版谷歌翻译翻译出来的拙劣的句子：“One is not what is for what he writes, but for what he has read.”
而在大屏幕的右边，新的AI系统版本则翻译的更加优雅：“You are not what you write, but what you have read.”
这是有一个对新版的谷歌翻译非常恰当的描述：在某种意义上，谷歌翻译是第一条可以通过学习理解任何事物的机器。
谷歌以AI为中心重组公司。在过去的四年中，谷歌、Facebook、苹果、亚马逊、微软和中国百度等六家公司都围绕AI人才展开了一场军备竞赛，尤其是在大学。企业纷纷到顶尖的学术院校挖掘人才，给人才以丰富的资源和极大的自由。在硅谷，Facebook的CEO Mark Zuckerberg会亲自通过电话和视频聊天软件跟公司最优异的研究生进行会话，七位数的起薪根本不在话下。参加人工智能最重要的学术会议的人数增加了近四倍。大家所关注的不仅仅是小小的创新，还有该如何掌控全新的计算平台：无处不在的人工智能。
我们好像理所当然地就开始使用“人工智能”这一短语，但它其实一直是引发争议的根源。想象一下，如果你回到20世纪70年代，在大街上拦住一个路上，拿住智能手机并向她展示手机里的谷歌地图。你可能需要不停地向她解释，你并不是穿着奇怪的巫师，从口袋里掏出的手机也不是什么黑色护身符，它只是一个比阿波罗时光机更强大的电脑。实际上，谷歌地图就是能跟她展示什么是“人工智能”的例子。在某种意义上，谷歌地图确实是人工智能的例子。它能帮你规划从酒店到机场的路线，而且比人类能完成得更快更好。它还能做一些人类显然不能做的事情：它可以判断交通状况；规划最佳路线；在你走错路时，它能重新定位并进行路线的重新规划。
实际上，如今没有人会把谷歌地图跟高贵的“AI”相提并论。所以我们在使用“智能”这个词的时候，是带“情感”色彩的。人工智能可以区别HAL和其它任何用织机或手推车就可以做出的东西。我们能自动化一项任务，涉及到的相关技能会转变为单纯的机制。现在，谷歌地图似乎还不能称之为人工智能，充其量是机器人：它只接受一个明确的需求（从一个地方到另一个地方），并尽力满足这种需求。因此，“人工智能”的所对应的实际应用其实范围很小。
Pichai的终极目标是区分AI应用和“通用人工智能”。通用人工智能不涉及对显式指令的忠实遵守，它是为一般情况下的一般用途而设计通用工具。Pichai认为，他公司的未来取决于通用人工智能。想象一下，如果你告诉谷歌地图，“我想去机场，但需要在中途停一下给我的侄子买礼物。”一个通用的智能服务，就像三年前的电影《她》中，由Scarlett Johansson配音的那个无处不在的助手一样，她像好朋友一样了解你的情况：你侄子的年龄，你通常喜欢给孩子买什么礼物，以及哪里有能买礼物的商店。但是，一个真正聪明的地图能做一些好朋友考虑不到的事，比方说，你侄子学校的孩子里，最近流行什么玩具。如果聪明的机器能够辨别一些错综复杂的数据，从中找到过去我们做过的事情中暗藏的规律性，那么它就可以推断我们的想法。
AI助手是人工智能的新浪潮，苹果的Siri、Facebook的M，还有亚马逊的Echo都是机器学习的产物，作用都很相似。然而，机器学习并不一定只局限于此。今年，三星的医学成像子公司宣布其新的超声设备能够检测乳腺癌。公司也在招贤纳士，以扩大计算机的工业应用。DeepMind于2014年被谷歌收购，AlphaGo在围棋游戏中击败了人类围棋大师，尽管当时人类预测人工智能要想战胜人类还需要10年。
1950年，Alan Turi吴恩达在那篇著名的文章中提出了一个人工智能的测试：一台计算机是否能在5分钟的文本交流中成功地欺骗人类。一旦机器可以在两种自然语言之间流利地翻译，机器就能很好地“理解”人类语言，从而与人类进行对话。谷歌大脑的成员们正推动和协助监督翻译项目，他们相信这样的机器将会成为通用人工智能的助手。
谷歌的研究人员和工程师团队从最初的一两个人，扩大到三四人，甚至后来扩大到一百多人，他们在这一领域取得了巨大进步。接下来要讲的关于谷歌团队的故事非常少见，因为它跟我们对硅谷的通常印象有所不同。它并不是一些俗套的剧情。它不是一个关于技术能解决所有问题的故事，也不是一个技术会毁灭世界的故事。它跟颠覆无关，至少不是通常意义上的颠覆。
事实上，这个故事又包含了三个相关的故事，这三个故事在谷歌翻译成功转型为AI的过程中融合在一起，它们分别是：技术故事，制度故事和关于思想演变的故事。技术故事是关于一个公司的一个产品团队，以及他们对旧产品进行改进、测试并形成全新版本的过程，而且他们只用了别人预期的约为四分之一的时间就完成了这个过程。制度故事是关于该公司内的一个虽然规模不大但很有影响力的人工智能团队，以及他们凭借对一些旧的、未经证实的和广泛不适用的计算观念的直觉信念，超越了几乎其他所有公司的过程。思想的故事是关于坚持不懈的认知科学家、心理学家和工程师，他们长期以来用看似不合理的信念，最终激发了我们对技术和理论的理解，以及意识本身的范式转变。
第一个故事是谷歌翻译的故事，发生在山景城，时间跨度为九个月，故事解释了机器翻译发生的转变。第二个故事是谷歌大脑及其众多竞争对手的故事，发生在硅谷，时间跨度为五年，它解释了整个领域的转型。第三个故事是深度学习的故事，发生在苏格兰、瑞士、日本和加拿大等大部分地区的遥远实验室，时间跨度长达七十年，它可能非常有助于改变人类的自我认知。
这三个故事都跟人工智能有关。七十年的故事是关于我们对人工智能的期待。五年的故事是关于人工智能在不久的将来会带来什么。九个月的故事是关于人工智能现在可以做什么。这三个故事本身都是对概念的证明，而所有这一切都只是开始。
第一部分：学习机器
1、谷歌大脑的诞生
虽然Jeff Dean的职位是高级研究员，但是事实上，他才是谷歌大脑团队的领导者。 Dean有着长而窄的脸，深深的眼睛并且十分热情。作为医学人类学家和公共卫生流行病学家的儿子，Dean成长时期几乎周游了世界各地，包括明尼苏达州、夏威夷、波士顿、阿肯色州、日内瓦、乌干达、索马里、亚特兰大等地。在高中和大学期间，他写的软件就被世界卫生组织所采用。自1999年以来，他一直在谷歌工作，当时他才25岁，从那时起，他几乎参与了谷歌所有重大项目中核心软件系统的开发。作为公司的元老级人物，Jeff Dean Facts已经成了公司开玩笑的对象。以Chuck Norris的事实模式为例：“Jeff Dean的PIN是pi的最后四位数字。”“当Alexander Graham Bell发明电话时，他接到了一个来自Jeff Dean的未接来电。”“Jeff Dean在最高级别为10的系统中晋升到了11级。“（最后一个是真的。）
上图：谷歌工程师和谷歌大脑的领导者Jeff Dean。
来源：纽约时报的Brian Finke
2011年初的一天，Dean在谷歌校园的“微型车间”之一，也就是山景城大楼的共享休息室，遇见了年轻的斯坦福计算机科学家吴恩达教授，他兼任谷歌公司的顾问。吴恩达跟Dean介绍了Marvin项目（以著名的AI先锋Marvin Minsky命名），在这个项目中，他协助谷歌建立了一种基于大脑架构的柔韧的数字网格的“神经网络”。1990年，Dean在明尼苏达大学读本科的时候，也曾经研究过该技术的原始版本，当时神经网络的概念已经开始流行。在过去的五年中，神经网络领域从事相关研究工作的学者数量开始再次增长。吴恩达告诉Dean，Marvin项目是由谷歌的秘密X实验室负责研究的，目前已经取得了一些可观的进展。
Dean对此很感兴趣，决定花自己“20％”的时间来投入这个项目，每名谷歌员工都要将自己20%的时间贡献给他或她的核心工作以外的工作。很快，Dean向吴恩达推荐了有着神经科学背景的Greg Corrado。（在研究生院的课堂上，Corrado粗略地学习了该技术，但他对此很感兴趣，他开玩笑说道：“那天我上课的时候很专心。”）在春天，他们团队又多了一名吴恩达的得意研究生Quoc Le，他是项目团队的第一个实习生。在那之后，一些谷歌工程师用“谷歌大脑”来形容Marvin项目。
术语“人工智能”是在1956年夏天在达特茅斯的一种宪法惯例中诞生的，当时大多数研究人员认为创造AI的最佳方法是写一个非常大而全面的程序，将逻辑推理的规则和有关世界的知识写入其中。比方说，如果你想把英语翻译成日语，你需要把所有的英语语法规则、牛津英语词典中包含的所有定义、所有的日语语法规则，和日语字典中的所有单词都编入计算机。这种观点通常被称为“符号化AI”。因为它的认知定义是基于符号逻辑的，但它已经有些过时，只能算作是“好的老式的AI”。
这种老式方法有两个主要问题。一是，它非常耗费人力和时间；二是，它只有在规则和定义非常清楚的领域（比如数学或象棋）才真正起作用。然而，如果翻译采用这种方法，效果会很差，因为我们平时说的话没办法跟词典上的规则和定义完全对应。比方说，这样的系统可能会把“农业部长”翻译为“农业牧师”。但是，对于数学和国际象棋来说，这种老式方法就很奏效。
不过，这种老式方法的系统确实有限。在20世纪80年代，卡内基梅隆的机器人研究员指出，让计算机做成人能做的事情很简单，但让计算机做一个1岁的小孩可以做的事情却几乎是不可能的，比如拿起一个球或识别一只猫。到了20世纪90年代，尽管计算机能够在国际象棋上战胜世界冠军，我们离真正的人工智能还差得远。
关于AI，还有另外一种看法，计算机的学习是自下而上（从数据），而不是从上到下（从规则）学习。这个概念可追溯到20世纪40年代初，研究人员发现灵活自动智能的最佳模型就是人类大脑本身。毕竟，大脑只不过是很多神经元的集合体，神经元之间可能会相互传递电荷，或者不会传递。重要的不是单个神经元本身，而是它们之间的连接方式。这种结构很简单，为大脑提供了丰富的适应性优势。大脑可以在信息量少或缺失的情况下工作；它在承受重大的损害时，也不会完全失去控制；它可以用非常有效的方式存储大量的知识；它可以区分不同的模式，但同时保留必须的混乱来处理歧义。
所以人类开始试图用电子元件来模仿这种结构，1943年研究表明，简单的人工神经元排布可以执行基本的逻辑功能。至少在理论上，神经元可以模仿人类的方式。实际上，神经元会根据试错把相互之间的突触连接调节得更强或更弱。人工神经网络也可以做类似的事情，在不断试错的基础上逐步改变人工神经元之间的数字关系。人工神经网络不需要使用固定规则来预编程，相反，它会改变自身以反映所输入的数据中的模式。
这种观点认为人工智能是进化得来，而不是创造出来的。如果你想要一个灵活而且能适应环境的机制，不能一开始就教它国际象棋。必须从非常基本的能力，如感官知觉和运动控制开始，长此以往更先进的技能才有可能出现。人类并不是通过记忆字典和语法书来学习和理解语言的，所以我们有什么理由要让计算机通过这样的方式来学习呢？
谷歌大脑是第一个对这种思维方式进行商业投资的机构。Dean、Corrado和吴恩达利用闲暇时间进行合作并对此展开研究，很快他们便取得了进展。他们从最新的理论大纲和自20世纪八九十年代以来的已有框架中提取了他们的模型的搭建灵感，他们还利用了谷歌巨大的数据储备和庞大的计算基础设施。他们利用网络上大量的“标记”数据，让计算机不断改进从而更好地匹配现实。
某天，Dean告诉我说：“动物进化出眼睛是个巨大的发展。”我们像往常一样坐在会议室，他在白板画了一个复杂的时间线，展示了谷歌大脑以及它与神经网络的历史关系。“现在，计算机也有了眼睛，我们能够借助眼睛让计算机识别图片。机器人的能力将得到巨大提升。他们将能够在一个未知的环境中，处理各种不同的问题。”这些他们正在研发的能力可能看起来很原始，但它们的影响是深远的。
上图：Geoffrey Hinton，他在谷歌多伦多办事处提出的想法为谷歌翻译的神经网络方法奠定了基础。 图片来源：《纽约时报》的Brian Finke
2、重量级实习生
正如Dean所说，谷歌大脑诞生一年后，就在研发具有1岁小孩智力的机器中取得了不错的成绩。谷歌的语音识别团队将其旧系统的一部分转换为神经网络，并因此取得了该系统20年来的最好成效。该系统识别对象的能力提高了一个数量级。这不是因为谷歌大脑的研究人员在短短一年内就产生了很棒的新想法，而是因为谷歌终于在该领域投入了资源和人力。
Geoffrey Hinton的到来让谷歌大脑发展更为迅猛。在谷歌大脑成立的第二年，Hinton被招聘到了谷歌大脑，而吴恩达离开了谷歌（吴恩达现在领导百度1300人的AI团队）。Hinton只能离开多伦多大学在谷歌任职三个月，因此由于奥术合同的原因，他不得不被聘为实习生。在实习培训中，辅导人员说“输入您的LDAP（目录访问协议）”，他问道：“什么是LDAP？”在场其他所有25岁的职员，尽管他们可能刚刚弄清深度学习是人工智能的必要条件，都在想“那个老家伙是谁？为什么他连LDAP是什么都不知道？”
Hinton说道：“在午餐时间，团队成员里有个人惊呼‘Hinton教授！我选修了你的课程！你居然在这里？’”从那以后，大家才不对Hinton议论纷纷。
几个月后，Hinton和他的两个学生在一个称为ImageNet的开源集合运行的大型图像识别竞赛中展示了惊人的成果，他们让计算机不仅能识别猴子，而且能够区分蜘蛛猴和吼猴，以及各种不同品种的猫。谷歌很快就向Hinton和他的学生发起了聘用书，他们接收了谷歌的聘用。Hinton说道：“我本以为谷歌对我们的知识产权感兴趣，结果没想到是对我们这几个人感兴趣。”
Hinton来自英国的传统家族，像Darwins一样，他们家族非常注重教育。他伟大的曾祖父是George Boole，他在符号逻辑方面的基础工作为计算机打下基础；Hinton的祖父是一位著名的外科医生，Hinton的父亲是一位热爱冒险的昆虫学家，Hinton的父亲的表哥是洛斯阿拉莫斯研究所的研究员，等等。而Hinton曾在剑桥和爱丁堡大学读数，然后又到卡内基梅隆大学学习，最后他又到多伦多大学。（他的工作长期以来一直受到加拿大政府的慷慨支持。）我在他的办公室对他进行了采访，他顶着一头成熟的诺埃尔加拉格尔风格的黄到褪色的头发，穿着一件宽松的条纹衬衫，椭圆形的眼镜滑落到高挺的鼻子尖端。他开口说道：“计算机会比美国人更早地理解讽刺为何物。”
19世纪60年代末，Hinton在剑桥大学读本科时，就一直致力于研究神经网络，他是该领域的先驱。但大多数时候，每当他谈及机器学习，人们都觉得他在满口胡言。人们之所以觉得神经网络荒谬，主要是因为感知机（Perceptron）被过度炒作，感知机是一个人工神经网络，是康奈尔心理学家Frank Rosenblatt于20世纪50年代后期提出的。《纽约时报》曾报道，感知机的赞助商美国海军期望它“能够走路、说话、看、写作，甚至再造自己，并意识到自己的存在”。结果证明这是不切实际的。美国的Marvin Minsky曾在1954年的普林斯顿论文中研究过神经网络，但是他对于布朗克斯科学当代的Rosenblatt对神经范式的夸张描述已经厌倦了。（他也在争取国防部的投资。）Minsky与MIT的同事一起出版了一本书，来证明有一些简单问题是感知器永远不能解决的。
Minsky对感知机的抨击只是一个“层”的网络，在后来的生活中，他阐述了与当代深度学习非常相似的想法。Hinton认为，如果使用多层神经网络，就能够完成复杂的任务。神经网络的最简单的描述是，它是一个机器，能在数据中发现模式并进行分类或预测。如果只有一层神经网络，你可以找到简单的模式，但如果有多层神经网络，你应该去找模式中的模式。在图像识别的领域，主要使用的是“卷积神经网络”。（这是在1998年的一篇开创性论文中阐述的，其主要作是Yann LeCun，他在多伦多大学读博士后，是Hinton的学生，现在是Facebook人工智能实验室的负责人。）网络的第一层负责学习识别“边缘”的基本视觉效果，也就是判断一个东西（一个像素上）是否有东西。网络的每个连续层都在前一层中寻找模式。边缘的图案可以是圆形也可以是矩形，圆形或矩形的图案可能是面部。这种方法或多或少地以越来越抽象的方式将信息组合在一起，从视网膜中的光感受器将信息返回到大脑的视觉皮层。在每个步骤中，不相关的细节会被丢弃，因为如果几个边缘和圆圈合在一起成为一张面部，你无需知道发现面部的位置，只需要知道它是一张脸。
多层“深度”神经网络的问题是试错法部分非常复杂。对于单层神经网络来说，这很容易。想象一下，如果你正在和一个孩子玩。你告诉孩子，“拿起绿色的球，把它放入盒子A中”，孩子拿起一个绿色的球，但把它放入了盒子B。你会说，“再试一次把绿色球放在盒子A中”，孩子会再次尝试把球放入了盒子A中。
现在想象你告诉孩子，“拿起一个绿色的球，穿过三号门，然后把绿色的球放入盒子A。”孩子却拿起一个红色的球，穿过了二号门，把红色的球放入盒子B。那么你该如何纠正孩子呢？你不能只是不断重复初始指示，因为孩子不知道他到底错在哪一步。在现实生活中，你可以先举起红球和绿球，说“这是红球，这是绿球”。但是，机器学习的重点是避免这种明确的指导。Hinton和其他几个人研究了解决方案（或者，对旧的方案进行了改造）。对于这个分层错误问题，在20世纪70年代末和80年代初，计算机科学家重新开始对神经网络感兴趣。Hinton说道：“人们对此非常兴奋，但我们的研究超出了他们的兴趣。”很快，计算机科学家们又跟以前一样认为Hinton这样的人是怪人和神秘主义者。
这种想法在哲学家和心理学家中仍然很受欢迎，他们称之为“连接主义”或“并行分布式处理”。Hinton告诉我说，“有几个人对这个想法保持热情，这很好，因为这是真正的人工智能。但在心理学领域，很多人相信这种想法，但却没能力实现它。”尽管加拿大政府一直大力支持，但Hinton也没能实现这个想法。“因为没有足够的计算机资源或足够的数据，我们只能自我安慰道：‘是的，如果我们有这样的前提条件，这个想法肯定是行得通的。’但这却并不是一个非常有说服力的论据。”
3、深层解读深度学习
当Pichai提到“人工智能优先（A.I. First）”概念时，他不仅仅是在说谷歌的战略计划，更是把这个长期不可行的想法扔给了公司。Pichai在资源分配上，确保了像Dean和Hinton这样的人才有足够的计算资源和数据资源可用。每个大脑大约有1000亿个神经元，每个神经元与其他10000个神经元相连，这意味着大脑内突触的数量在100万亿和1000万亿之间。对于20世纪40年代提出的简单人工神经网络来说，根本不可能实现这样规模的网络。虽然目前我们也远没达到构建这种规模网络的能力，但谷歌Brain的投资让我们至少实现了可以媲美小鼠大脑的人工神经网络。
然而，理解网络规模的重要性之前，你必须了解一些技术细节，如机器智能究竟对数据做了什么。其实，我们对人工智能的恐惧，主要来自于我们认为它像一个反社会天才在图书馆挖掘知识，然后，或许某一天，曾经只会玩回形针的机器会像对待蚂蚁或莴苣一样轻松杀死人类。但这并不是人工智能的工作方式，它们所做的只是搜索并寻找共同点——首先是基本模式，然后逐渐变复杂。真正最大的危险在于，我们人类最初给它灌输的信息是否就包含个人偏见。
如果只是想了解一二，可以直接阅读下一节（内容是关于猫的），如果想理解相关技术，那请继续阅读。（当然，本节内容也是关于猫。）
如果你想在老式的符号化AI模型上生成一个“猫识别器”。那么首先，你必须花大量时间预先对机器详细明确地说明什么是“猫”。告诉机器，一只猫有四条腿、尖尖的的耳朵、晶须和尾巴等。机器将这些信息存储在内存中的“Cat”区域。接下来，提供一张图片，让机器判断是否是猫。判断过程中，首先，机器必须分离出图像中不同的元素；然后，利用内存中存储的规则处理这些元素。规则如下：如果（腿 = 4）且（耳朵 = 尖）且（胡须 = 有）且（尾巴 = 有）且（表情= 高傲），那么（猫 = 是）。但如果你提供一张苏格兰折耳猫的图片呢？我们符号化 AI模型就会根据“耳朵 != 尖”判断图片上不是猫。 这样的识别水平比蹒跚学步的小孩都差。
而现在，如果用神经网络做这个实验，就根本不需要通过一系列预先定义的规则进行判别，也根本不需要专门的空间来存储“猫”的信息，包含大量相互连接着的开关的大型blob会解决这一切。在blob的一端提供输入（待识别图像），另一端提供输出（标记信息）。然后，机器将自动化工作，通过不断调试相互连接的开关，最终将输入正确映射到对应的输出。训练过程就像是在迷宫中挖掘一系列隧道，隧道两端连接的是正确的输入和输出。可用的训练数据越多，挖掘的隧道数量和复杂性就越大。训练过程一旦完成，blob中有了足够多的隧道，神经网络就能稳定处理数据并作出可靠预测。这就是“监督学习（Supervised Learning）”。
神经网络之所以需要如此多的神经元和数据，因为它以一种类似民主的方式工作。例如，你想训练可识别五种类型物体的神经网络，它由数百万“选民”（神经元）组成，每位选民都有五张不同的卡片，分别是：猫、狗、蜘蛛猴、勺子、除颤器。拿出一张图片，问：“这是猫，狗，蜘蛛猴，勺子还是除颤器？”所有神经元分组进行投票，最终得票最多的作为最终结果：“一只狗？”
你告诉它：“不！是只猫。重新计算。”
然后，神经网络退回一步，确定哪些神经元投票“猫”，哪些不是。那些投票“猫”的神经元，下次如果还投“猫”，其权重加倍。除此之外，该神经网络也必须能准确判别其他物体类别，如狗和除颤器。而神经网络之所以如此灵活，是因为每个单独的个体针对不同的输出贡献的权重不一样。其实，最关键的不是个体投票，而是这种投票模式。如果Joe, Frank 和Mary一起投票，那就是一只狗；如果Joe, Kate和Jessica一起投票，那就是一只猫；而如果Kate, Jessica 和Frank一起投票，图片上就是一个除颤器。神经网络只需要注册大量可识别信号，这些信号表示：图片中该像素区域是“猫”。“选民”越多，投票次数就越多，微弱信号也越可能被注册。简单来说，就是如果只有Joe, Frank 和Mary三个选民，你可能仅限于区分猫、狗和除颤器；而如果有数百万选民，不同选民之间有数十亿连接，那么你就可以对数据精确分类。经过训练的“选民”组合甚至可以识别未标记图片（或许不那么精确）。
计算科学领域之所以不接受这些理念，部分原因在于机器的输出仅仅是基于模式的预测，它并不完美，而且机器永远无法确切地定义什么是“猫”。只有在看到猫的时候，机器才知道那是猫。神经元“选民”通过数百万张猫图像的训练，它们可以识别出在阳光下打盹的快乐小猫，和躲在垃圾箱阴影中的生气小猫。实际上，你需要大量的神经元“选民”和足够的已标记数据，前者用来确保神经网络可以捕捉到非常微弱的信号，如苏格兰折耳猫垂下的耳朵，后者用来尽可能确保神经网络已“见过”所有相似场景。
但是，需要注意的是，神经网络的输出结果具有概率性，这意味着它并不适用于所有任务。如果神经网路把猫误认为狗，或者偶尔推送了错误的电影，这都不是大事，但如果应用于无人驾驶，神经网络1%的失误率可能就酿成了悲剧。类似担忧还有很多。监督学习是基于已标记数据进行反复试验的过程。机器完成的只是学习过程，而人为因素仍然决定了最初对训练数据的分类。例如，训练数据中，图片上是一位男士和一位女士，某人将该图片标记为“一位女士和她的老板”，这种关系标记将影响所有后续的模式识别。因此，人类错误标记才会导致训练数据错误。机器可能通过重罪定罪数据，来确定信贷候选人贷款资格。但如果重罪定罪数据本身就是不公平的（如数据是基于歧视性禁毒法），那么机器输出的可贷款人名单也是不可靠的。
图像识别网络与我们的小猫识别器一样，也是深度学习的一种，但常常把它作为教学示例，因为人类可直观了解到图像识的具体过程：先找图像边缘，然后识别圆圈，接着识别脸。这意味着其中有错误保护措施。例如，早期，谷歌发现他们的图像识别软件无法单独识别出杠铃，哪怕用大规模运动器材图像集对其训练，结果也是一样。通过可视化工具观察发现，由于训练集中所有哑铃都是附在手臂上的，所以机器没有学习到“哑铃”的概念，而是“哑铃+手臂”的整体概念。改进一下，向训练集中加入单独的“杠铃”照片，问题就解决了。但并不是所有问题都这么容易。
4、猫识别论文
谷歌Brain部门在一到两年时间内，成功让机器具备了1岁小孩的智能。随后，该部门成功从谷歌X实验室“毕业”，并成为了更高级的研究机构。（谷歌X实验室负责人曾经指出，Brain取得的成就，让整个实验室的努力没有白费。）当时，谷歌Brain仍然只有10人不到，而对于未来，也只有一个模糊的概念。但即使在那时，他们都在积极思考接下来会发生什么。就像人一样，学会认识皮球后，我们会为之满足一段时间，但迟早，人类会产生关于皮球的问题。这就是语言产生的原因。
这一领域中，Brain迈出的第一步是发表了猫识别论文，正是这篇论文，Brain闻名世界。
这篇论文展示了一个具有超过十亿个“突触”连接的神经网络。虽然与人类大脑相比，它小了好几个数量级，但它比当时任何公开的神经网络都要大好几百倍。这个神经网络可以处理原始的、未标记数据，并识别高级的人类概念。谷歌Brain的研究人员向该神经网络展示了几百万的静态帧（来自YouTube视频），然后神经网络的感觉中枢开始运转，生成了一个稳定的模型。像小孩或花栗鼠一样聪明，该模型可以迅速识别出猫的脸。研究人员并没有预先向该神经网络输入关于“猫”概念，它直接与现实世界交互并获取“猫”这一定义。（研究人员发现，这一神经网络与核磁共振（M.R.I.）很相像，猫的脸部阴影会激发人工神经元“投票”的热情。）大多数机器学习都受限于已标记数据的数据量。但这篇论文却显示，该神经网络可以处理原始未标记数据，有时甚至是人类都还没建立起概念的数据。这不仅仅是猫识别研究的重大突破，更是整个人工智能的显著进步。
猫识别论文的第一作者是Quoc Le。Le个头不高，身形偏瘦，说话温和但语速很快，经常穿着闪亮的黑皮鞋，而且面带神秘的微笑。他在越南长大，父母都是农民，小时候家里甚至都没有电。他从小就表现出了过人的数学能力，后来，他就读于一所磁铁学校学习科学。上世纪90年代末，Le还在上学，那时候他就试图构建一个聊天机器人。他在想，这有多难呢？
“但实际上，”他告诉我，“非常不简单。”
毕业后，Le离开了越南，前往澳大利亚堪培拉的一所大学学习，主要研究机器视觉这类人工智能任务。当时人工智能的主要做法是，提前给机器灌输相关概念（如，边缘），这让他感觉像是在作弊。当时的Le不知道，全世界有很多计算机科学家和他的想法一样——机器可以从零开始学习。2006年，Le任职于德国的马克斯普朗克研究所生物控制部门。在当时的一个阅读小组中，他读到了Geoffrey Hinton写的两篇论文，他觉得自己豁然开朗。
“这两篇文章引起了争议，”他告诉我。“非常大的争议。”我们在一个小型内部会议室里，天花板又窄又高，屋子里有一张小桌子和两块白板。Le看了眼他画在背后白板上的曲线，又回过头来轻声地说，“我从没见到过这么大的争议”。
他记得，当时在阅读小组里站起来，然后说，“这就是未来。”但在当时，这是个不受欢迎的决定。Le在澳大利亚的导师不能完全理解他的想法，写邮件问到，“你为什么决定做这个？”
“那时，我想不到怎么回答这个问题，”Le说。“因为，我只是好奇。文章中提出了一个成功的范式，老实说，我只是对这个新范式感到好奇。那时还是2006年，这样的观点非常罕见。”然后，Le 加入了斯坦福的吴恩达团队，接着他开始沿着 Hinton 的道路探索。“到了2010年年底，我确信会有事情发生。”
不久之后，Le成为了Brain的首位实习生。在Brain，他继续着自己的论文工作，也就是后来发表的猫论文的前身。在一个简单层面上，Le只是想看看计算机能否被训练并自主识别给定图像中的绝对必要的信息。他向神经网络输入了一张YouTube上的静态图片。然后，指示神经网络丢弃一些信息，但并不说明哪些信息应该保留哪些应该丢弃。神经网络随机丢弃了一些信息。接着，Le又说：“刚刚是开玩笑的。现在基于你刚刚保留下来的信息，重新构建初始图像。”这种方式就像他先要求机器找到一种方式“总结”图像，然后，基于总结的信息回溯原始图像。如果总结的都是些不相关信息（如天空的颜色），而不是关键信息（如有没有胡须），计算机就无法有效重构原始图像。计算机的反应就像我们远古的祖先，他们在逃跑中建立起对剑齿虎的印象。而Le的神经网络与我们的祖先的方式不同，它需要不断地尝试。从数学角度来说，每次尝试后，它都选择不同的信息进行优化，而且表现地越来越好。然而，神经网络是个黑盒子，它确实生成了某种范式，但人类并不能直观地理解这些范式。
猫论文发表后，引起了极大凡响，而Le并未感觉到自己掌握了业界的话语权。但他强烈感觉到，应该继续自己早年聊天机器人的想法。发表了猫论文后，Le意识到，如果神经网络可以总结图片信息，那么它或许也可以总结语句信息。在接下来两年中，这一想法深深印在Le和Tomas Mikolov（Le在Brain的同事）的脑海中。
那段时间，Brain团队占据了好几个办公室，甚至一度占用了高管的地方。随后，他们收到了管理处的邮件，要求他们不要在Larry Page和Sergey Brin的 办公室门口的沙发上睡觉。后来，他们被安排到街对面的研究楼里工作，在那里，研究人员专心研究，而不必应付同事间礼貌而无效率的交谈。当然在这一过渡期，谷歌的竞争对手们也在奋力前行。（Le神情严肃地一遍一遍提及他与Tomas Mikolov的亲密合作。最后我忍不住问道，“他离开了？”Le点点头，回答道：“去了Facebook”。）
上图：2012年的谷歌 Brain团队。他们发表了著名的“猫论文”，演示论文中的神经网络处理未标记数据。研究人员向该神经网络提供几百万的静态帧（来自YouTube视频），神经网络生成了一个稳定的模型并且识别出猫。
那段时间，他们极力想构造出不仅能执行简单的静态图片分类任务，也能处理复杂的任务（如自然语言或音乐）的神经网络架构。他们的许多观点在上世纪九十年代就出现了，Le和他的同事们专门回顾了那些被忽略的概念，希望能从中得到启发。他们知道，一旦建立了一个具有基本语言预测功能的模型，也就可以基于此完成各种其他类型智能任务，如预测电子邮件的合适回复或者预测谈话过程。你可以侧重于那些从表面看起来很像思维过程的任务。
来源：人工智能学家
更多内容请关注：www.imefuture.com
北京大数据产业投资基金正式发布 扎克伯格启用AI“管家
圣诞节太多小孩被机器人吸引
智造家
序言：你所读到的就是你自己
在十一月初的某个周五晚上，Jun Rekimoto（东京大学人机交互领域的杰出的教授）正准备在线演讲，他突然注意到社交媒体滚动条上有一些特别的内容。这些内容是关于谷歌翻译的，这项流行的机器翻译服务最近突然有了大幅改善。
Rekimoto开始研究谷歌翻译并用它做了一些测试，测试结果令他非常震惊。虽然已经夜深，但谷歌翻译取得的进展依然让Rekimoto久久无法入睡。
Rekimoto在一篇博客中写了他的初步发现。首先，他用谷歌翻译翻译了《了不起的盖茨比》中的一些句子，并与1957年Takashi Nozaki译版和最新的Haruki Murakami的译版进行对比。Rekimoto后来通过电子邮件向我解释，Murakami的版本语言非常细腻，具有独特的“Murakami风格”。相比之下，谷歌的翻译虽然有些不自然，但是对他来说“更透明”。
Rekimoto博客的后半部分从日译英的方向测试了谷歌翻译。他先是自己用日语翻译了海明威的《乞力马扎罗的雪》的开头部分，然后把这段话通过谷歌翻译转译成英语。他列出了此版本与海明威的原版，并让读者猜测哪个版本是机器完成的。
NO. 1:
Kilimanjaro is a snow-covered mountain 19,710 feet high, and is said to be the highest mountain in Africa. Its western summit is called the Masai “Ngaje Ngai,” the House of God. Close to the western summit there is the dried and frozen carcass of a leopard. No one has explained what the leopard was seeking at that altitude.
NO. 2:
Kilimanjaro is a mountain of 19,710 feet covered with snow and is said to be the highest mountain in Africa. The summit of the west is called “Ngaje Ngai” in Masai, the house of God. Near the top of the west there is a dry and frozen dead body of leopard. No one has ever explained what leopard wanted at that altitude.
即使是以英语为母语的人，也很难分辨出第二段是由机器完成的。这两段翻译是如此的相近，Rekimoto甚至觉得这很神奇。因为Rekimoto非常熟悉谷歌翻译之前的能力，甚至在24小时前，谷歌只能翻译成下面这段话：
Kilimanjaro is 19,710 feet of the mountain covered with snow, and it is said that the highest mountain in Africa. Top of the west, “Ngaje Ngai” in the Maasai language, has been referred to as the house of God. The top close to the west, there is a dry, frozen carcass of a leopard.Whether the leopard had what the demand at that altitude, there is no that nobody explained.
Rekimoto在Twitter上向他的十万个粉丝公布了他的发现，在接下来的几个小时里，成千上万的人发出他们使用机器翻译的结果。有些是比较成功的，但也有些是非常滑稽的。
在东京破晓之时，谷歌翻译登上了日本Twitter热度榜的第一位，甚至连人气动漫和人气偶像少女的被挤了下去。每个人都很惊奇：谷歌翻译为何能如此让人刮目相看？
四天之后，来自世界各地的上百名记者、企业家和广告客户齐聚于谷歌的伦敦办公室中，观看谷歌的特别发布会。客人们的甜点是印有翻译标志的幸运饼干，每个人的面前还放有一张纸条，一面写着不同国家的短语，另一面邀请客人们下载谷歌翻译的软件。桌子上还摆放了甜甜圈和冰沙盘，旁边的标语牌标注了各种国家的风味。过了一会，所有人来到了一个豪华的黑暗剧场中。
上图：Sundar Pichai，谷歌的首席执行官，在他加利福尼亚州山景城的办公室外。
伦敦市长Sadiq Khan首先上台演讲。演讲的开始，市长提到他有个朋友觉得市长就像谷歌一样。于是市长问朋友：“为什么？因为我什么都懂？”朋友否认道：“不是的，是因为你就像谷歌一样，总是试图把我的话补充完。”观众们纷纷被市长的幽默逗笑。随后，谷歌的首席执行官Sundar Pichai上台发表演讲。
Pichai此行的目的之一就是启动谷歌伦敦国王大道的新大楼，预示着公司完成了去年提出的转型计划的初始阶段。Pichai曾经多次在不同场合说过谷歌的未来将以“AI为先”，这在理论上听起来很复杂，引发了许多学者的推测。在实践生产中意味着，未来谷歌将不再依靠传统计算编程来生产产品，而是“机器学习”。
谷歌公司中有一个鲜少提及的部门，谷歌大脑。这个部门成立于五年前，一直遵循着一个原理：人工“神经网络”能够像婴儿一样，通过不断的尝试和犯错来认知这个世界，最终拥有像人类一样的灵活性。这其实并不是一个新理论，早在现代计算机初步发展的20世纪40年代就出现了。但当时大部分科学家并不看重，认为它过于深奥。直到2011年，谷歌大脑证明了将这个强大的方法运用在人工智能领域里可以解决此前几十年的棘手问题。例如，此前谷歌手机在语音识别方面一直效果不是很好，直到谷歌将机器学习算法移植到手机平台后，语音识别精度已经可以和人类媲美。而在图像识别领域也同样取得了良好的效果。一年前，谷歌大脑就已经将这些核心技术成功运用在消费级产品里。
谷歌翻译于2006年首次亮相，目前已经成为谷歌最可靠和最流行的应用之一。每天，谷歌翻译会面对 5 亿个月度活跃用户的 1400 亿个不同语种的单词。现在它已经不是座位一个独立的应用存在，更是已经集成到Gmail、Chrome 及许多其它谷歌产品中了，谷歌将它作为其数字商务中的一个无缝贴合的部分。Pichai在台上讲到，直至叙利亚难民危机之时，公司才意识地区间的翻译交流是何等重要。他背后屏幕的陡峭的曲线图显示，阿拉伯语与德语互译的翻译请求最近增长了五倍之多。（这个结果也符合Pichai的内心想法，他在印度出生成长，那里有几十种不同的语言。）谷歌翻译此后也在逐步增加新的语言和功能，但是过去的四年，发展速度正在逐年减缓。
截至到上个周末，谷歌翻译已经在美国、欧洲、亚洲等地区完成了基于人工智能的转换，包括西班牙语、葡萄牙语、法语、德语、中文、日语、韩语及土耳其语在内的语言与英语的互译。而其它上百种语言也即将实现互译，谷歌预计将会以每月八个的速度在年底前更新完毕。而对于谷歌工程而言，只花费九个月的时间就完成这一重大革新无疑是一个惊喜。AI系统一个通宵所取得的进展就相当于过去所取得的进展之和。
Pichai对含蓄的古典文学尤为偏爱，一个月前，他曾告诉我，在他加利福尼亚州山景城的办公室里，有些文字还是需要谷歌翻译来辅助显示，毕竟并不是所有人都像物理学家Robert Oppenheimer一样能读原版的《博伽梵歌》。因此在伦敦的发布会上，幻灯片上出现了博尔赫斯的经典名言：“Uno no es lo que es por lo que escribe, sino por lo que ha leído.”
Pichai大声地读出旧版谷歌翻译翻译出来的拙劣的句子：“One is not what is for what he writes, but for what he has read.”
而在大屏幕的右边，新的AI系统版本则翻译的更加优雅：“You are not what you write, but what you have read.”
这是有一个对新版的谷歌翻译非常恰当的描述：在某种意义上，谷歌翻译是第一条可以通过学习理解任何事物的机器。
谷歌以AI为中心重组公司。在过去的四年中，谷歌、Facebook、苹果、亚马逊、微软和中国百度等六家公司都围绕AI人才展开了一场军备竞赛，尤其是在大学。企业纷纷到顶尖的学术院校挖掘人才，给人才以丰富的资源和极大的自由。在硅谷，Facebook的CEO Mark Zuckerberg会亲自通过电话和视频聊天软件跟公司最优异的研究生进行会话，七位数的起薪根本不在话下。参加人工智能最重要的学术会议的人数增加了近四倍。大家所关注的不仅仅是小小的创新，还有该如何掌控全新的计算平台：无处不在的人工智能。
我们好像理所当然地就开始使用“人工智能”这一短语，但它其实一直是引发争议的根源。想象一下，如果你回到20世纪70年代，在大街上拦住一个路上，拿住智能手机并向她展示手机里的谷歌地图。你可能需要不停地向她解释，你并不是穿着奇怪的巫师，从口袋里掏出的手机也不是什么黑色护身符，它只是一个比阿波罗时光机更强大的电脑。实际上，谷歌地图就是能跟她展示什么是“人工智能”的例子。在某种意义上，谷歌地图确实是人工智能的例子。它能帮你规划从酒店到机场的路线，而且比人类能完成得更快更好。它还能做一些人类显然不能做的事情：它可以判断交通状况；规划最佳路线；在你走错路时，它能重新定位并进行路线的重新规划。
实际上，如今没有人会把谷歌地图跟高贵的“AI”相提并论。所以我们在使用“智能”这个词的时候，是带“情感”色彩的。人工智能可以区别HAL和其它任何用织机或手推车就可以做出的东西。我们能自动化一项任务，涉及到的相关技能会转变为单纯的机制。现在，谷歌地图似乎还不能称之为人工智能，充其量是机器人：它只接受一个明确的需求（从一个地方到另一个地方），并尽力满足这种需求。因此，“人工智能”的所对应的实际应用其实范围很小。
Pichai的终极目标是区分AI应用和“通用人工智能”。通用人工智能不涉及对显式指令的忠实遵守，它是为一般情况下的一般用途而设计通用工具。Pichai认为，他公司的未来取决于通用人工智能。想象一下，如果你告诉谷歌地图，“我想去机场，但需要在中途停一下给我的侄子买礼物。”一个通用的智能服务，就像三年前的电影《她》中，由Scarlett Johansson配音的那个无处不在的助手一样，她像好朋友一样了解你的情况：你侄子的年龄，你通常喜欢给孩子买什么礼物，以及哪里有能买礼物的商店。但是，一个真正聪明的地图能做一些好朋友考虑不到的事，比方说，你侄子学校的孩子里，最近流行什么玩具。如果聪明的机器能够辨别一些错综复杂的数据，从中找到过去我们做过的事情中暗藏的规律性，那么它就可以推断我们的想法。
AI助手是人工智能的新浪潮，苹果的Siri、Facebook的M，还有亚马逊的Echo都是机器学习的产物，作用都很相似。然而，机器学习并不一定只局限于此。今年，三星的医学成像子公司宣布其新的超声设备能够检测乳腺癌。公司也在招贤纳士，以扩大计算机的工业应用。DeepMind于2014年被谷歌收购，AlphaGo在围棋游戏中击败了人类围棋大师，尽管当时人类预测人工智能要想战胜人类还需要10年。
1950年，Alan Turi吴恩达在那篇著名的文章中提出了一个人工智能的测试：一台计算机是否能在5分钟的文本交流中成功地欺骗人类。一旦机器可以在两种自然语言之间流利地翻译，机器就能很好地“理解”人类语言，从而与人类进行对话。谷歌大脑的成员们正推动和协助监督翻译项目，他们相信这样的机器将会成为通用人工智能的助手。
谷歌的研究人员和工程师团队从最初的一两个人，扩大到三四人，甚至后来扩大到一百多人，他们在这一领域取得了巨大进步。接下来要讲的关于谷歌团队的故事非常少见，因为它跟我们对硅谷的通常印象有所不同。它并不是一些俗套的剧情。它不是一个关于技术能解决所有问题的故事，也不是一个技术会毁灭世界的故事。它跟颠覆无关，至少不是通常意义上的颠覆。
事实上，这个故事又包含了三个相关的故事，这三个故事在谷歌翻译成功转型为AI的过程中融合在一起，它们分别是：技术故事，制度故事和关于思想演变的故事。技术故事是关于一个公司的一个产品团队，以及他们对旧产品进行改进、测试并形成全新版本的过程，而且他们只用了别人预期的约为四分之一的时间就完成了这个过程。制度故事是关于该公司内的一个虽然规模不大但很有影响力的人工智能团队，以及他们凭借对一些旧的、未经证实的和广泛不适用的计算观念的直觉信念，超越了几乎其他所有公司的过程。思想的故事是关于坚持不懈的认知科学家、心理学家和工程师，他们长期以来用看似不合理的信念，最终激发了我们对技术和理论的理解，以及意识本身的范式转变。
第一个故事是谷歌翻译的故事，发生在山景城，时间跨度为九个月，故事解释了机器翻译发生的转变。第二个故事是谷歌大脑及其众多竞争对手的故事，发生在硅谷，时间跨度为五年，它解释了整个领域的转型。第三个故事是深度学习的故事，发生在苏格兰、瑞士、日本和加拿大等大部分地区的遥远实验室，时间跨度长达七十年，它可能非常有助于改变人类的自我认知。
这三个故事都跟人工智能有关。七十年的故事是关于我们对人工智能的期待。五年的故事是关于人工智能在不久的将来会带来什么。九个月的故事是关于人工智能现在可以做什么。这三个故事本身都是对概念的证明，而所有这一切都只是开始。
第一部分：学习机器
1、谷歌大脑的诞生
虽然Jeff Dean的职位是高级研究员，但是事实上，他才是谷歌大脑团队的领导者。 Dean有着长而窄的脸，深深的眼睛并且十分热情。作为医学人类学家和公共卫生流行病学家的儿子，Dean成长时期几乎周游了世界各地，包括明尼苏达州、夏威夷、波士顿、阿肯色州、日内瓦、乌干达、索马里、亚特兰大等地。在高中和大学期间，他写的软件就被世界卫生组织所采用。自1999年以来，他一直在谷歌工作，当时他才25岁，从那时起，他几乎参与了谷歌所有重大项目中核心软件系统的开发。作为公司的元老级人物，Jeff Dean Facts已经成了公司开玩笑的对象。以Chuck Norris的事实模式为例：“Jeff Dean的PIN是pi的最后四位数字。”“当Alexander Graham Bell发明电话时，他接到了一个来自Jeff Dean的未接来电。”“Jeff Dean在最高级别为10的系统中晋升到了11级。“（最后一个是真的。）
上图：谷歌工程师和谷歌大脑的领导者Jeff Dean。
来源：纽约时报的Brian Finke
2011年初的一天，Dean在谷歌校园的“微型车间”之一，也就是山景城大楼的共享休息室，遇见了年轻的斯坦福计算机科学家吴恩达教授，他兼任谷歌公司的顾问。吴恩达跟Dean介绍了Marvin项目（以著名的AI先锋Marvin Minsky命名），在这个项目中，他协助谷歌建立了一种基于大脑架构的柔韧的数字网格的“神经网络”。1990年，Dean在明尼苏达大学读本科的时候，也曾经研究过该技术的原始版本，当时神经网络的概念已经开始流行。在过去的五年中，神经网络领域从事相关研究工作的学者数量开始再次增长。吴恩达告诉Dean，Marvin项目是由谷歌的秘密X实验室负责研究的，目前已经取得了一些可观的进展。
Dean对此很感兴趣，决定花自己“20％”的时间来投入这个项目，每名谷歌员工都要将自己20%的时间贡献给他或她的核心工作以外的工作。很快，Dean向吴恩达推荐了有着神经科学背景的Greg Corrado。（在研究生院的课堂上，Corrado粗略地学习了该技术，但他对此很感兴趣，他开玩笑说道：“那天我上课的时候很专心。”）在春天，他们团队又多了一名吴恩达的得意研究生Quoc Le，他是项目团队的第一个实习生。在那之后，一些谷歌工程师用“谷歌大脑”来形容Marvin项目。
术语“人工智能”是在1956年夏天在达特茅斯的一种宪法惯例中诞生的，当时大多数研究人员认为创造AI的最佳方法是写一个非常大而全面的程序，将逻辑推理的规则和有关世界的知识写入其中。比方说，如果你想把英语翻译成日语，你需要把所有的英语语法规则、牛津英语词典中包含的所有定义、所有的日语语法规则，和日语字典中的所有单词都编入计算机。这种观点通常被称为“符号化AI”。因为它的认知定义是基于符号逻辑的，但它已经有些过时，只能算作是“好的老式的AI”。
这种老式方法有两个主要问题。一是，它非常耗费人力和时间；二是，它只有在规则和定义非常清楚的领域（比如数学或象棋）才真正起作用。然而，如果翻译采用这种方法，效果会很差，因为我们平时说的话没办法跟词典上的规则和定义完全对应。比方说，这样的系统可能会把“农业部长”翻译为“农业牧师”。但是，对于数学和国际象棋来说，这种老式方法就很奏效。
不过，这种老式方法的系统确实有限。在20世纪80年代，卡内基梅隆的机器人研究员指出，让计算机做成人能做的事情很简单，但让计算机做一个1岁的小孩可以做的事情却几乎是不可能的，比如拿起一个球或识别一只猫。到了20世纪90年代，尽管计算机能够在国际象棋上战胜世界冠军，我们离真正的人工智能还差得远。
关于AI，还有另外一种看法，计算机的学习是自下而上（从数据），而不是从上到下（从规则）学习。这个概念可追溯到20世纪40年代初，研究人员发现灵活自动智能的最佳模型就是人类大脑本身。毕竟，大脑只不过是很多神经元的集合体，神经元之间可能会相互传递电荷，或者不会传递。重要的不是单个神经元本身，而是它们之间的连接方式。这种结构很简单，为大脑提供了丰富的适应性优势。大脑可以在信息量少或缺失的情况下工作；它在承受重大的损害时，也不会完全失去控制；它可以用非常有效的方式存储大量的知识；它可以区分不同的模式，但同时保留必须的混乱来处理歧义。
所以人类开始试图用电子元件来模仿这种结构，1943年研究表明，简单的人工神经元排布可以执行基本的逻辑功能。至少在理论上，神经元可以模仿人类的方式。实际上，神经元会根据试错把相互之间的突触连接调节得更强或更弱。人工神经网络也可以做类似的事情，在不断试错的基础上逐步改变人工神经元之间的数字关系。人工神经网络不需要使用固定规则来预编程，相反，它会改变自身以反映所输入的数据中的模式。
这种观点认为人工智能是进化得来，而不是创造出来的。如果你想要一个灵活而且能适应环境的机制，不能一开始就教它国际象棋。必须从非常基本的能力，如感官知觉和运动控制开始，长此以往更先进的技能才有可能出现。人类并不是通过记忆字典和语法书来学习和理解语言的，所以我们有什么理由要让计算机通过这样的方式来学习呢？
谷歌大脑是第一个对这种思维方式进行商业投资的机构。Dean、Corrado和吴恩达利用闲暇时间进行合作并对此展开研究，很快他们便取得了进展。他们从最新的理论大纲和自20世纪八九十年代以来的已有框架中提取了他们的模型的搭建灵感，他们还利用了谷歌巨大的数据储备和庞大的计算基础设施。他们利用网络上大量的“标记”数据，让计算机不断改进从而更好地匹配现实。
某天，Dean告诉我说：“动物进化出眼睛是个巨大的发展。”我们像往常一样坐在会议室，他在白板画了一个复杂的时间线，展示了谷歌大脑以及它与神经网络的历史关系。“现在，计算机也有了眼睛，我们能够借助眼睛让计算机识别图片。机器人的能力将得到巨大提升。他们将能够在一个未知的环境中，处理各种不同的问题。”这些他们正在研发的能力可能看起来很原始，但它们的影响是深远的。
上图：Geoffrey Hinton，他在谷歌多伦多办事处提出的想法为谷歌翻译的神经网络方法奠定了基础。 图片来源：《纽约时报》的Brian Finke
2、重量级实习生
正如Dean所说，谷歌大脑诞生一年后，就在研发具有1岁小孩智力的机器中取得了不错的成绩。谷歌的语音识别团队将其旧系统的一部分转换为神经网络，并因此取得了该系统20年来的最好成效。该系统识别对象的能力提高了一个数量级。这不是因为谷歌大脑的研究人员在短短一年内就产生了很棒的新想法，而是因为谷歌终于在该领域投入了资源和人力。
Geoffrey Hinton的到来让谷歌大脑发展更为迅猛。在谷歌大脑成立的第二年，Hinton被招聘到了谷歌大脑，而吴恩达离开了谷歌（吴恩达现在领导百度1300人的AI团队）。Hinton只能离开多伦多大学在谷歌任职三个月，因此由于奥术合同的原因，他不得不被聘为实习生。在实习培训中，辅导人员说“输入您的LDAP（目录访问协议）”，他问道：“什么是LDAP？”在场其他所有25岁的职员，尽管他们可能刚刚弄清深度学习是人工智能的必要条件，都在想“那个老家伙是谁？为什么他连LDAP是什么都不知道？”
Hinton说道：“在午餐时间，团队成员里有个人惊呼‘Hinton教授！我选修了你的课程！你居然在这里？’”从那以后，大家才不对Hinton议论纷纷。
几个月后，Hinton和他的两个学生在一个称为ImageNet的开源集合运行的大型图像识别竞赛中展示了惊人的成果，他们让计算机不仅能识别猴子，而且能够区分蜘蛛猴和吼猴，以及各种不同品种的猫。谷歌很快就向Hinton和他的学生发起了聘用书，他们接收了谷歌的聘用。Hinton说道：“我本以为谷歌对我们的知识产权感兴趣，结果没想到是对我们这几个人感兴趣。”
Hinton来自英国的传统家族，像Darwins一样，他们家族非常注重教育。他伟大的曾祖父是George Boole，他在符号逻辑方面的基础工作为计算机打下基础；Hinton的祖父是一位著名的外科医生，Hinton的父亲是一位热爱冒险的昆虫学家，Hinton的父亲的表哥是洛斯阿拉莫斯研究所的研究员，等等。而Hinton曾在剑桥和爱丁堡大学读数，然后又到卡内基梅隆大学学习，最后他又到多伦多大学。（他的工作长期以来一直受到加拿大政府的慷慨支持。）我在他的办公室对他进行了采访，他顶着一头成熟的诺埃尔加拉格尔风格的黄到褪色的头发，穿着一件宽松的条纹衬衫，椭圆形的眼镜滑落到高挺的鼻子尖端。他开口说道：“计算机会比美国人更早地理解讽刺为何物。”
19世纪60年代末，Hinton在剑桥大学读本科时，就一直致力于研究神经网络，他是该领域的先驱。但大多数时候，每当他谈及机器学习，人们都觉得他在满口胡言。人们之所以觉得神经网络荒谬，主要是因为感知机（Perceptron）被过度炒作，感知机是一个人工神经网络，是康奈尔心理学家Frank Rosenblatt于20世纪50年代后期提出的。《纽约时报》曾报道，感知机的赞助商美国海军期望它“能够走路、说话、看、写作，甚至再造自己，并意识到自己的存在”。结果证明这是不切实际的。美国的Marvin Minsky曾在1954年的普林斯顿论文中研究过神经网络，但是他对于布朗克斯科学当代的Rosenblatt对神经范式的夸张描述已经厌倦了。（他也在争取国防部的投资。）Minsky与MIT的同事一起出版了一本书，来证明有一些简单问题是感知器永远不能解决的。
Minsky对感知机的抨击只是一个“层”的网络，在后来的生活中，他阐述了与当代深度学习非常相似的想法。Hinton认为，如果使用多层神经网络，就能够完成复杂的任务。神经网络的最简单的描述是，它是一个机器，能在数据中发现模式并进行分类或预测。如果只有一层神经网络，你可以找到简单的模式，但如果有多层神经网络，你应该去找模式中的模式。在图像识别的领域，主要使用的是“卷积神经网络”。（这是在1998年的一篇开创性论文中阐述的，其主要作是Yann LeCun，他在多伦多大学读博士后，是Hinton的学生，现在是Facebook人工智能实验室的负责人。）网络的第一层负责学习识别“边缘”的基本视觉效果，也就是判断一个东西（一个像素上）是否有东西。网络的每个连续层都在前一层中寻找模式。边缘的图案可以是圆形也可以是矩形，圆形或矩形的图案可能是面部。这种方法或多或少地以越来越抽象的方式将信息组合在一起，从视网膜中的光感受器将信息返回到大脑的视觉皮层。在每个步骤中，不相关的细节会被丢弃，因为如果几个边缘和圆圈合在一起成为一张面部，你无需知道发现面部的位置，只需要知道它是一张脸。
多层“深度”神经网络的问题是试错法部分非常复杂。对于单层神经网络来说，这很容易。想象一下，如果你正在和一个孩子玩。你告诉孩子，“拿起绿色的球，把它放入盒子A中”，孩子拿起一个绿色的球，但把它放入了盒子B。你会说，“再试一次把绿色球放在盒子A中”，孩子会再次尝试把球放入了盒子A中。
现在想象你告诉孩子，“拿起一个绿色的球，穿过三号门，然后把绿色的球放入盒子A。”孩子却拿起一个红色的球，穿过了二号门，把红色的球放入盒子B。那么你该如何纠正孩子呢？你不能只是不断重复初始指示，因为孩子不知道他到底错在哪一步。在现实生活中，你可以先举起红球和绿球，说“这是红球，这是绿球”。但是，机器学习的重点是避免这种明确的指导。Hinton和其他几个人研究了解决方案（或者，对旧的方案进行了改造）。对于这个分层错误问题，在20世纪70年代末和80年代初，计算机科学家重新开始对神经网络感兴趣。Hinton说道：“人们对此非常兴奋，但我们的研究超出了他们的兴趣。”很快，计算机科学家们又跟以前一样认为Hinton这样的人是怪人和神秘主义者。
这种想法在哲学家和心理学家中仍然很受欢迎，他们称之为“连接主义”或“并行分布式处理”。Hinton告诉我说，“有几个人对这个想法保持热情，这很好，因为这是真正的人工智能。但在心理学领域，很多人相信这种想法，但却没能力实现它。”尽管加拿大政府一直大力支持，但Hinton也没能实现这个想法。“因为没有足够的计算机资源或足够的数据，我们只能自我安慰道：‘是的，如果我们有这样的前提条件，这个想法肯定是行得通的。’但这却并不是一个非常有说服力的论据。”
3、深层解读深度学习
当Pichai提到“人工智能优先（A.I. First）”概念时，他不仅仅是在说谷歌的战略计划，更是把这个长期不可行的想法扔给了公司。Pichai在资源分配上，确保了像Dean和Hinton这样的人才有足够的计算资源和数据资源可用。每个大脑大约有1000亿个神经元，每个神经元与其他10000个神经元相连，这意味着大脑内突触的数量在100万亿和1000万亿之间。对于20世纪40年代提出的简单人工神经网络来说，根本不可能实现这样规模的网络。虽然目前我们也远没达到构建这种规模网络的能力，但谷歌Brain的投资让我们至少实现了可以媲美小鼠大脑的人工神经网络。
然而，理解网络规模的重要性之前，你必须了解一些技术细节，如机器智能究竟对数据做了什么。其实，我们对人工智能的恐惧，主要来自于我们认为它像一个反社会天才在图书馆挖掘知识，然后，或许某一天，曾经只会玩回形针的机器会像对待蚂蚁或莴苣一样轻松杀死人类。但这并不是人工智能的工作方式，它们所做的只是搜索并寻找共同点——首先是基本模式，然后逐渐变复杂。真正最大的危险在于，我们人类最初给它灌输的信息是否就包含个人偏见。
如果只是想了解一二，可以直接阅读下一节（内容是关于猫的），如果想理解相关技术，那请继续阅读。（当然，本节内容也是关于猫。）
如果你想在老式的符号化AI模型上生成一个“猫识别器”。那么首先，你必须花大量时间预先对机器详细明确地说明什么是“猫”。告诉机器，一只猫有四条腿、尖尖的的耳朵、晶须和尾巴等。机器将这些信息存储在内存中的“Cat”区域。接下来，提供一张图片，让机器判断是否是猫。判断过程中，首先，机器必须分离出图像中不同的元素；然后，利用内存中存储的规则处理这些元素。规则如下：如果（腿 = 4）且（耳朵 = 尖）且（胡须 = 有）且（尾巴 = 有）且（表情= 高傲），那么（猫 = 是）。但如果你提供一张苏格兰折耳猫的图片呢？我们符号化 AI模型就会根据“耳朵 != 尖”判断图片上不是猫。 这样的识别水平比蹒跚学步的小孩都差。
而现在，如果用神经网络做这个实验，就根本不需要通过一系列预先定义的规则进行判别，也根本不需要专门的空间来存储“猫”的信息，包含大量相互连接着的开关的大型blob会解决这一切。在blob的一端提供输入（待识别图像），另一端提供输出（标记信息）。然后，机器将自动化工作，通过不断调试相互连接的开关，最终将输入正确映射到对应的输出。训练过程就像是在迷宫中挖掘一系列隧道，隧道两端连接的是正确的输入和输出。可用的训练数据越多，挖掘的隧道数量和复杂性就越大。训练过程一旦完成，blob中有了足够多的隧道，神经网络就能稳定处理数据并作出可靠预测。这就是“监督学习（Supervised Learning）”。
神经网络之所以需要如此多的神经元和数据，因为它以一种类似民主的方式工作。例如，你想训练可识别五种类型物体的神经网络，它由数百万“选民”（神经元）组成，每位选民都有五张不同的卡片，分别是：猫、狗、蜘蛛猴、勺子、除颤器。拿出一张图片，问：“这是猫，狗，蜘蛛猴，勺子还是除颤器？”所有神经元分组进行投票，最终得票最多的作为最终结果：“一只狗？”
你告诉它：“不！是只猫。重新计算。”
然后，神经网络退回一步，确定哪些神经元投票“猫”，哪些不是。那些投票“猫”的神经元，下次如果还投“猫”，其权重加倍。除此之外，该神经网络也必须能准确判别其他物体类别，如狗和除颤器。而神经网络之所以如此灵活，是因为每个单独的个体针对不同的输出贡献的权重不一样。其实，最关键的不是个体投票，而是这种投票模式。如果Joe, Frank 和Mary一起投票，那就是一只狗；如果Joe, Kate和Jessica一起投票，那就是一只猫；而如果Kate, Jessica 和Frank一起投票，图片上就是一个除颤器。神经网络只需要注册大量可识别信号，这些信号表示：图片中该像素区域是“猫”。“选民”越多，投票次数就越多，微弱信号也越可能被注册。简单来说，就是如果只有Joe, Frank 和Mary三个选民，你可能仅限于区分猫、狗和除颤器；而如果有数百万选民，不同选民之间有数十亿连接，那么你就可以对数据精确分类。经过训练的“选民”组合甚至可以识别未标记图片（或许不那么精确）。
计算科学领域之所以不接受这些理念，部分原因在于机器的输出仅仅是基于模式的预测，它并不完美，而且机器永远无法确切地定义什么是“猫”。只有在看到猫的时候，机器才知道那是猫。神经元“选民”通过数百万张猫图像的训练，它们可以识别出在阳光下打盹的快乐小猫，和躲在垃圾箱阴影中的生气小猫。实际上，你需要大量的神经元“选民”和足够的已标记数据，前者用来确保神经网络可以捕捉到非常微弱的信号，如苏格兰折耳猫垂下的耳朵，后者用来尽可能确保神经网络已“见过”所有相似场景。
但是，需要注意的是，神经网络的输出结果具有概率性，这意味着它并不适用于所有任务。如果神经网路把猫误认为狗，或者偶尔推送了错误的电影，这都不是大事，但如果应用于无人驾驶，神经网络1%的失误率可能就酿成了悲剧。类似担忧还有很多。监督学习是基于已标记数据进行反复试验的过程。机器完成的只是学习过程，而人为因素仍然决定了最初对训练数据的分类。例如，训练数据中，图片上是一位男士和一位女士，某人将该图片标记为“一位女士和她的老板”，这种关系标记将影响所有后续的模式识别。因此，人类错误标记才会导致训练数据错误。机器可能通过重罪定罪数据，来确定信贷候选人贷款资格。但如果重罪定罪数据本身就是不公平的（如数据是基于歧视性禁毒法），那么机器输出的可贷款人名单也是不可靠的。
图像识别网络与我们的小猫识别器一样，也是深度学习的一种，但常常把它作为教学示例，因为人类可直观了解到图像识的具体过程：先找图像边缘，然后识别圆圈，接着识别脸。这意味着其中有错误保护措施。例如，早期，谷歌发现他们的图像识别软件无法单独识别出杠铃，哪怕用大规模运动器材图像集对其训练，结果也是一样。通过可视化工具观察发现，由于训练集中所有哑铃都是附在手臂上的，所以机器没有学习到“哑铃”的概念，而是“哑铃+手臂”的整体概念。改进一下，向训练集中加入单独的“杠铃”照片，问题就解决了。但并不是所有问题都这么容易。
4、猫识别论文
谷歌Brain部门在一到两年时间内，成功让机器具备了1岁小孩的智能。随后，该部门成功从谷歌X实验室“毕业”，并成为了更高级的研究机构。（谷歌X实验室负责人曾经指出，Brain取得的成就，让整个实验室的努力没有白费。）当时，谷歌Brain仍然只有10人不到，而对于未来，也只有一个模糊的概念。但即使在那时，他们都在积极思考接下来会发生什么。就像人一样，学会认识皮球后，我们会为之满足一段时间，但迟早，人类会产生关于皮球的问题。这就是语言产生的原因。
这一领域中，Brain迈出的第一步是发表了猫识别论文，正是这篇论文，Brain闻名世界。
这篇论文展示了一个具有超过十亿个“突触”连接的神经网络。虽然与人类大脑相比，它小了好几个数量级，但它比当时任何公开的神经网络都要大好几百倍。这个神经网络可以处理原始的、未标记数据，并识别高级的人类概念。谷歌Brain的研究人员向该神经网络展示了几百万的静态帧（来自YouTube视频），然后神经网络的感觉中枢开始运转，生成了一个稳定的模型。像小孩或花栗鼠一样聪明，该模型可以迅速识别出猫的脸。研究人员并没有预先向该神经网络输入关于“猫”概念，它直接与现实世界交互并获取“猫”这一定义。（研究人员发现，这一神经网络与核磁共振（M.R.I.）很相像，猫的脸部阴影会激发人工神经元“投票”的热情。）大多数机器学习都受限于已标记数据的数据量。但这篇论文却显示，该神经网络可以处理原始未标记数据，有时甚至是人类都还没建立起概念的数据。这不仅仅是猫识别研究的重大突破，更是整个人工智能的显著进步。
猫识别论文的第一作者是Quoc Le。Le个头不高，身形偏瘦，说话温和但语速很快，经常穿着闪亮的黑皮鞋，而且面带神秘的微笑。他在越南长大，父母都是农民，小时候家里甚至都没有电。他从小就表现出了过人的数学能力，后来，他就读于一所磁铁学校学习科学。上世纪90年代末，Le还在上学，那时候他就试图构建一个聊天机器人。他在想，这有多难呢？
“但实际上，”他告诉我，“非常不简单。”
毕业后，Le离开了越南，前往澳大利亚堪培拉的一所大学学习，主要研究机器视觉这类人工智能任务。当时人工智能的主要做法是，提前给机器灌输相关概念（如，边缘），这让他感觉像是在作弊。当时的Le不知道，全世界有很多计算机科学家和他的想法一样——机器可以从零开始学习。2006年，Le任职于德国的马克斯普朗克研究所生物控制部门。在当时的一个阅读小组中，他读到了Geoffrey Hinton写的两篇论文，他觉得自己豁然开朗。
“这两篇文章引起了争议，”他告诉我。“非常大的争议。”我们在一个小型内部会议室里，天花板又窄又高，屋子里有一张小桌子和两块白板。Le看了眼他画在背后白板上的曲线，又回过头来轻声地说，“我从没见到过这么大的争议”。
他记得，当时在阅读小组里站起来，然后说，“这就是未来。”但在当时，这是个不受欢迎的决定。Le在澳大利亚的导师不能完全理解他的想法，写邮件问到，“你为什么决定做这个？”
“那时，我想不到怎么回答这个问题，”Le说。“因为，我只是好奇。文章中提出了一个成功的范式，老实说，我只是对这个新范式感到好奇。那时还是2006年，这样的观点非常罕见。”然后，Le 加入了斯坦福的吴恩达团队，接着他开始沿着 Hinton 的道路探索。“到了2010年年底，我确信会有事情发生。”
不久之后，Le成为了Brain的首位实习生。在Brain，他继续着自己的论文工作，也就是后来发表的猫论文的前身。在一个简单层面上，Le只是想看看计算机能否被训练并自主识别给定图像中的绝对必要的信息。他向神经网络输入了一张YouTube上的静态图片。然后，指示神经网络丢弃一些信息，但并不说明哪些信息应该保留哪些应该丢弃。神经网络随机丢弃了一些信息。接着，Le又说：“刚刚是开玩笑的。现在基于你刚刚保留下来的信息，重新构建初始图像。”这种方式就像他先要求机器找到一种方式“总结”图像，然后，基于总结的信息回溯原始图像。如果总结的都是些不相关信息（如天空的颜色），而不是关键信息（如有没有胡须），计算机就无法有效重构原始图像。计算机的反应就像我们远古的祖先，他们在逃跑中建立起对剑齿虎的印象。而Le的神经网络与我们的祖先的方式不同，它需要不断地尝试。从数学角度来说，每次尝试后，它都选择不同的信息进行优化，而且表现地越来越好。然而，神经网络是个黑盒子，它确实生成了某种范式，但人类并不能直观地理解这些范式。
猫论文发表后，引起了极大凡响，而Le并未感觉到自己掌握了业界的话语权。但他强烈感觉到，应该继续自己早年聊天机器人的想法。发表了猫论文后，Le意识到，如果神经网络可以总结图片信息，那么它或许也可以总结语句信息。在接下来两年中，这一想法深深印在Le和Tomas Mikolov（Le在Brain的同事）的脑海中。
那段时间，Brain团队占据了好几个办公室，甚至一度占用了高管的地方。随后，他们收到了管理处的邮件，要求他们不要在Larry Page和Sergey Brin的 办公室门口的沙发上睡觉。后来，他们被安排到街对面的研究楼里工作，在那里，研究人员专心研究，而不必应付同事间礼貌而无效率的交谈。当然在这一过渡期，谷歌的竞争对手们也在奋力前行。（Le神情严肃地一遍一遍提及他与Tomas Mikolov的亲密合作。最后我忍不住问道，“他离开了？”Le点点头，回答道：“去了Facebook”。）
上图：2012年的谷歌 Brain团队。他们发表了著名的“猫论文”，演示论文中的神经网络处理未标记数据。研究人员向该神经网络提供几百万的静态帧（来自YouTube视频），神经网络生成了一个稳定的模型并且识别出猫。
那段时间，他们极力想构造出不仅能执行简单的静态图片分类任务，也能处理复杂的任务（如自然语言或音乐）的神经网络架构。他们的许多观点在上世纪九十年代就出现了，Le和他的同事们专门回顾了那些被忽略的概念，希望能从中得到启发。他们知道，一旦建立了一个具有基本语言预测功能的模型，也就可以基于此完成各种其他类型智能任务，如预测电子邮件的合适回复或者预测谈话过程。你可以侧重于那些从表面看起来很像思维过程的任务。
来源：人工智能学家
更多内容请关注：www.imefuture.com
北京大数据产业投资基金正式发布 扎克伯格启用AI“管家
圣诞节太多小孩被机器人吸引
智造家
423 浏览
王玉锁：互联网是不是可以解决大企业病？
管理类 料盘挡板 2016-12-13 13:21 发表了文章
我们整个的管理体系一般都是一些所谓的管理专家在做管理设计，仅仅围绕着一个管、管、管，其实企业真的不是管出来的。
2016年12月10日—11日，由《中国企业家》杂志社主办的2016（第十五届）中国企业领袖年会在北京召开，新奥集团董事局主席王玉锁在闭幕主题演讲上发表了演讲。
王玉锁认为，现在很多传统企业存在大企业病。他认为大企业病主要有三点：第一，效率非常低；第二，传统的管理跑冒滴漏；第三，我们的知识沉淀，不能够把它运用到我们的员工成长当中来。
“企业真的不是管出来的，真的是干出来的。”针对大企业病的三个问题，他也给出了建议，他认为：
首先在提高效率方面，因为互联网的出现，我们可以把原来的必须要整体管理的一些企业，把它划小划算单位元，让它成为一个一个基于最小的运营单位的组织。
第二，控风险。原来我们控风险，基本靠着有经验的团队的人员，一点一点往上走，也就是领导越高，应该经验越丰富，靠这种人治。
第三，很好的赋能力，互联网大数据的分享的特点会很好的把我们企业的不管是新近的员工还是要提升的员工，在他需要的时候都会得到很好的经验的知识的支持，使他们都能够顺利的完成交给的任务。
以下为王玉锁演讲整理：
各位新朋好友大家下午好。非常感谢何社长给我一个机会跟大家交流。
我想先给何社长的团队点个赞，这次的主题选得很好——主场中国。现在世界上不断出现一些黑天鹅事件，也就很多层出不穷的黑色科技，都在为今天的主题在起到推动作用，所以我们非常期待主场中国的进程尽快加快速度，尽快到来。
我在2013年的时候接受了何社长给我的任务，那天我也是做了发言，发言的主题就是我第一次提出了互联网能源。当时提出互联网能源的时候新奥已经做了五年的准备，从2008年、2009年开始做互联网能源的准备。那次是第一次把概念提出来。很多人都有一些疑问，能源就是能源，怎么能互联网化呢，是不是新奥在赶时髦？王玉锁在做概念？
今天我跟大家讲，又过了三年，现在大家可能都知道，特别是咱们总理批复互联网+以后，整个的能源界有一个非常大的推动。这几年不管是政策还是技术，还是商业模式探索，都有了很大的提高。就是在做互联网能源的战略整个的时间过程当中，我又发现出现了一个问题，你战略是互联网化了，或者是在逐渐用互联网提升自己的传统模式，但是在这个过程当中有一个很重要的因素对它有制约，就是管理。所以我们战略，我们的商业模式融入到这次互联网时代的大潮当中，接下来要想实现我们的战略目标，管理一定要变革。这个管理变革的方向我们感觉必须回到互联网的理念上来。所以我们又用了两年的时间探索互联网管理的重构。
互联网，这也是我今天的主题，我讲这个主题之前还是想跟大家回顾一下传统管理的一些特点，今天在座的有很多成功的企业家，也有很多管理学家，在他们面前我可能是班门弄斧，但是我将近30年的企业经营也有我自己的感受，也有自己的一些感悟，这个感悟就是在传统的管理当中首先它是一个基于管控的职能化的管理模式。大家可能都知道，我们整个的管理体系一般都是一些所谓的管理专家在做管理设计，仅仅围绕着一个管、管、管，其实企业真的不是管出来的，真的是干出来的。所以，即使这么管，我们很多的企业大家都常讲一个大企业病，这个大企业病基本上我感觉有三点：
第一，效率非常低。我们每年都在就管理的问题进行讨论，进行调整，今天分权，明天集权，今天是战略管控中心，明天是财务管控中心，后天是运营管控中心，调来调去，我们的效率是越调越低。一个决策可能真的企业稍微大的时候，一两个星期这是常事。所以大企业病已经开始制约一个企业。所以企业发展到一定程度，大家都非常在这方面是一个非常困惑的一件事。
第二，传统的管理就是跑冒滴漏，虽然我们天天在讲管控，其实我们的跑冒滴漏很多，不管是在业务发展上还是采购方面，我相信每个企业在这方面都是有很大的感受的。每年在这方面，通过我们事后的审计，审计出来的问题是很多的，每年都在审计。其实，在这方面我们也花了大量的运营成本或者管理成本，付出了很大的管理成本。
第三，我们的知识沉淀，不能够把它运用到我们的员工成长当中来。我们企业有很多的管理经验，也有很多的管理教训，过了也就过了。虽然有很多企业有大学，把自己的案例教给大家，但是因为只是在学的时候学了，用的时候找不到了。所以这个传统的管理使得我们很多的学费白教了。
互联网是不是可以解决呢？我觉得给我们一个耳目一新的感觉。大家都知道，互联网一个很大的特点就是透明，你做的所有的事在平台上都能看得见。我们也能感觉到，互联网一个很大的特点就是分享，不管是我们所有的经验教训，都能够让另外一个人分享，第一时间分享，并且在你使用的时候就可以出现。因为大数据、互联网的联系，把很多的数据我们都沉淀在服务器里面。这些个数据就会很好的支撑我们在风险管控方面的一些作用。
我们做的方法，其实讲起来我也按照这三点讲：
首先在提高效率方面，因为互联网的出现，我们可以把原来的必须要整体管理的一些企业，把它划小划算单位元，让它成为一个一个基于最小的运营单位的组织。这个组织我们现在大家都学了很多阿米巴的金融模式，其实我们在它的基础上，结合我们中国的一些实际，特别是中国民营企业的一些实际，我们叫业务精灵，让它达到自组织、自管理、自激励、自创新，这“四自”使得它的效率大大提高。真的能够实现像华为的任正非先生所讲的，让听得见炮火的人来决策。有了这个以后，接下来就是他们做规则是什么，甚至大家讲谁来控制风险，好，我们后台就用数据的方式来控制风险。也就是说，你每个业务精灵做的任何的事，不管是商务谈判、商务合同的签署，也包括激励，申请资源，都靠数据来支撑，来拿这个资源。而分配资源的人，完全解决了原来为了控制风险所做的人的结构上的一些安排。所以在这方面大大的提高了效率，减少了人力成本，特别是在这个时候我们拿数据来换资源的这个习惯的形成，会把我们每个企业将来不管是做成功还是做失败了，都能够沉淀下来一个非常好的一些经验。这是在效率方面。
第二，控风险。原来我们控风险，基本靠着有经验的团队的人员，一点一点往上走，也就是领导越高，应该经验越丰富，靠这种人治。但是，这种人治能力再强，它也就一个大脑。这个人总有一些情感的因素来制约着他，所以很难形成一个公正、高效的过程。如果我们用大数据把这个问题就很好解决了。
第三，很好的赋能力，互联网大数据的分享的特点会很好的把我们企业的不管是新近的员工还是要提升的员工，在他需要的时候都会得到很好的经验的知识的支持，使他们都能够顺利的完成交给的任务。在这个平台上，我们新员工、老员工，我们掌握的信息、经验都是一样的。
总得来讲，我们企业已经发展到互联网时代，或者互联时代，我们的管理，一定要跟上，这也是到了我们中国人颠覆所谓的我们经典的管理学的时候了。这其实扣今天会议的主题，也是到了一个主场中国的时候了。
来源：张秋颖
智造家 查看全部
2016年12月10日—11日，由《中国企业家》杂志社主办的2016（第十五届）中国企业领袖年会在北京召开，新奥集团董事局主席王玉锁在闭幕主题演讲上发表了演讲。
王玉锁认为，现在很多传统企业存在大企业病。他认为大企业病主要有三点：第一，效率非常低；第二，传统的管理跑冒滴漏；第三，我们的知识沉淀，不能够把它运用到我们的员工成长当中来。
“企业真的不是管出来的，真的是干出来的。”针对大企业病的三个问题，他也给出了建议，他认为：
首先在提高效率方面，因为互联网的出现，我们可以把原来的必须要整体管理的一些企业，把它划小划算单位元，让它成为一个一个基于最小的运营单位的组织。
第二，控风险。原来我们控风险，基本靠着有经验的团队的人员，一点一点往上走，也就是领导越高，应该经验越丰富，靠这种人治。
第三，很好的赋能力，互联网大数据的分享的特点会很好的把我们企业的不管是新近的员工还是要提升的员工，在他需要的时候都会得到很好的经验的知识的支持，使他们都能够顺利的完成交给的任务。
以下为王玉锁演讲整理：
各位新朋好友大家下午好。非常感谢何社长给我一个机会跟大家交流。
我想先给何社长的团队点个赞，这次的主题选得很好——主场中国。现在世界上不断出现一些黑天鹅事件，也就很多层出不穷的黑色科技，都在为今天的主题在起到推动作用，所以我们非常期待主场中国的进程尽快加快速度，尽快到来。
我在2013年的时候接受了何社长给我的任务，那天我也是做了发言，发言的主题就是我第一次提出了互联网能源。当时提出互联网能源的时候新奥已经做了五年的准备，从2008年、2009年开始做互联网能源的准备。那次是第一次把概念提出来。很多人都有一些疑问，能源就是能源，怎么能互联网化呢，是不是新奥在赶时髦？王玉锁在做概念？
今天我跟大家讲，又过了三年，现在大家可能都知道，特别是咱们总理批复互联网+以后，整个的能源界有一个非常大的推动。这几年不管是政策还是技术，还是商业模式探索，都有了很大的提高。就是在做互联网能源的战略整个的时间过程当中，我又发现出现了一个问题，你战略是互联网化了，或者是在逐渐用互联网提升自己的传统模式，但是在这个过程当中有一个很重要的因素对它有制约，就是管理。所以我们战略，我们的商业模式融入到这次互联网时代的大潮当中，接下来要想实现我们的战略目标，管理一定要变革。这个管理变革的方向我们感觉必须回到互联网的理念上来。所以我们又用了两年的时间探索互联网管理的重构。
互联网，这也是我今天的主题，我讲这个主题之前还是想跟大家回顾一下传统管理的一些特点，今天在座的有很多成功的企业家，也有很多管理学家，在他们面前我可能是班门弄斧，但是我将近30年的企业经营也有我自己的感受，也有自己的一些感悟，这个感悟就是在传统的管理当中首先它是一个基于管控的职能化的管理模式。大家可能都知道，我们整个的管理体系一般都是一些所谓的管理专家在做管理设计，仅仅围绕着一个管、管、管，其实企业真的不是管出来的，真的是干出来的。所以，即使这么管，我们很多的企业大家都常讲一个大企业病，这个大企业病基本上我感觉有三点：
第一，效率非常低。我们每年都在就管理的问题进行讨论，进行调整，今天分权，明天集权，今天是战略管控中心，明天是财务管控中心，后天是运营管控中心，调来调去，我们的效率是越调越低。一个决策可能真的企业稍微大的时候，一两个星期这是常事。所以大企业病已经开始制约一个企业。所以企业发展到一定程度，大家都非常在这方面是一个非常困惑的一件事。
第二，传统的管理就是跑冒滴漏，虽然我们天天在讲管控，其实我们的跑冒滴漏很多，不管是在业务发展上还是采购方面，我相信每个企业在这方面都是有很大的感受的。每年在这方面，通过我们事后的审计，审计出来的问题是很多的，每年都在审计。其实，在这方面我们也花了大量的运营成本或者管理成本，付出了很大的管理成本。
第三，我们的知识沉淀，不能够把它运用到我们的员工成长当中来。我们企业有很多的管理经验，也有很多的管理教训，过了也就过了。虽然有很多企业有大学，把自己的案例教给大家，但是因为只是在学的时候学了，用的时候找不到了。所以这个传统的管理使得我们很多的学费白教了。
互联网是不是可以解决呢？我觉得给我们一个耳目一新的感觉。大家都知道，互联网一个很大的特点就是透明，你做的所有的事在平台上都能看得见。我们也能感觉到，互联网一个很大的特点就是分享，不管是我们所有的经验教训，都能够让另外一个人分享，第一时间分享，并且在你使用的时候就可以出现。因为大数据、互联网的联系，把很多的数据我们都沉淀在服务器里面。这些个数据就会很好的支撑我们在风险管控方面的一些作用。
我们做的方法，其实讲起来我也按照这三点讲：
首先在提高效率方面，因为互联网的出现，我们可以把原来的必须要整体管理的一些企业，把它划小划算单位元，让它成为一个一个基于最小的运营单位的组织。这个组织我们现在大家都学了很多阿米巴的金融模式，其实我们在它的基础上，结合我们中国的一些实际，特别是中国民营企业的一些实际，我们叫业务精灵，让它达到自组织、自管理、自激励、自创新，这“四自”使得它的效率大大提高。真的能够实现像华为的任正非先生所讲的，让听得见炮火的人来决策。有了这个以后，接下来就是他们做规则是什么，甚至大家讲谁来控制风险，好，我们后台就用数据的方式来控制风险。也就是说，你每个业务精灵做的任何的事，不管是商务谈判、商务合同的签署，也包括激励，申请资源，都靠数据来支撑，来拿这个资源。而分配资源的人，完全解决了原来为了控制风险所做的人的结构上的一些安排。所以在这方面大大的提高了效率，减少了人力成本，特别是在这个时候我们拿数据来换资源的这个习惯的形成，会把我们每个企业将来不管是做成功还是做失败了，都能够沉淀下来一个非常好的一些经验。这是在效率方面。
第二，控风险。原来我们控风险，基本靠着有经验的团队的人员，一点一点往上走，也就是领导越高，应该经验越丰富，靠这种人治。但是，这种人治能力再强，它也就一个大脑。这个人总有一些情感的因素来制约着他，所以很难形成一个公正、高效的过程。如果我们用大数据把这个问题就很好解决了。
第三，很好的赋能力，互联网大数据的分享的特点会很好的把我们企业的不管是新近的员工还是要提升的员工，在他需要的时候都会得到很好的经验的知识的支持，使他们都能够顺利的完成交给的任务。在这个平台上，我们新员工、老员工，我们掌握的信息、经验都是一样的。
总得来讲，我们企业已经发展到互联网时代，或者互联时代，我们的管理，一定要跟上，这也是到了我们中国人颠覆所谓的我们经典的管理学的时候了。这其实扣今天会议的主题，也是到了一个主场中国的时候了。
来源：张秋颖
智造家 查看全部
我们整个的管理体系一般都是一些所谓的管理专家在做管理设计，仅仅围绕着一个管、管、管，其实企业真的不是管出来的。
2016年12月10日—11日，由《中国企业家》杂志社主办的2016（第十五届）中国企业领袖年会在北京召开，新奥集团董事局主席王玉锁在闭幕主题演讲上发表了演讲。
王玉锁认为，现在很多传统企业存在大企业病。他认为大企业病主要有三点：第一，效率非常低；第二，传统的管理跑冒滴漏；第三，我们的知识沉淀，不能够把它运用到我们的员工成长当中来。
“企业真的不是管出来的，真的是干出来的。”针对大企业病的三个问题，他也给出了建议，他认为：
首先在提高效率方面，因为互联网的出现，我们可以把原来的必须要整体管理的一些企业，把它划小划算单位元，让它成为一个一个基于最小的运营单位的组织。
第二，控风险。原来我们控风险，基本靠着有经验的团队的人员，一点一点往上走，也就是领导越高，应该经验越丰富，靠这种人治。
第三，很好的赋能力，互联网大数据的分享的特点会很好的把我们企业的不管是新近的员工还是要提升的员工，在他需要的时候都会得到很好的经验的知识的支持，使他们都能够顺利的完成交给的任务。
以下为王玉锁演讲整理：
各位新朋好友大家下午好。非常感谢何社长给我一个机会跟大家交流。
我想先给何社长的团队点个赞，这次的主题选得很好——主场中国。现在世界上不断出现一些黑天鹅事件，也就很多层出不穷的黑色科技，都在为今天的主题在起到推动作用，所以我们非常期待主场中国的进程尽快加快速度，尽快到来。
我在2013年的时候接受了何社长给我的任务，那天我也是做了发言，发言的主题就是我第一次提出了互联网能源。当时提出互联网能源的时候新奥已经做了五年的准备，从2008年、2009年开始做互联网能源的准备。那次是第一次把概念提出来。很多人都有一些疑问，能源就是能源，怎么能互联网化呢，是不是新奥在赶时髦？王玉锁在做概念？
今天我跟大家讲，又过了三年，现在大家可能都知道，特别是咱们总理批复互联网+以后，整个的能源界有一个非常大的推动。这几年不管是政策还是技术，还是商业模式探索，都有了很大的提高。就是在做互联网能源的战略整个的时间过程当中，我又发现出现了一个问题，你战略是互联网化了，或者是在逐渐用互联网提升自己的传统模式，但是在这个过程当中有一个很重要的因素对它有制约，就是管理。所以我们战略，我们的商业模式融入到这次互联网时代的大潮当中，接下来要想实现我们的战略目标，管理一定要变革。这个管理变革的方向我们感觉必须回到互联网的理念上来。所以我们又用了两年的时间探索互联网管理的重构。
互联网，这也是我今天的主题，我讲这个主题之前还是想跟大家回顾一下传统管理的一些特点，今天在座的有很多成功的企业家，也有很多管理学家，在他们面前我可能是班门弄斧，但是我将近30年的企业经营也有我自己的感受，也有自己的一些感悟，这个感悟就是在传统的管理当中首先它是一个基于管控的职能化的管理模式。大家可能都知道，我们整个的管理体系一般都是一些所谓的管理专家在做管理设计，仅仅围绕着一个管、管、管，其实企业真的不是管出来的，真的是干出来的。所以，即使这么管，我们很多的企业大家都常讲一个大企业病，这个大企业病基本上我感觉有三点：
第一，效率非常低。我们每年都在就管理的问题进行讨论，进行调整，今天分权，明天集权，今天是战略管控中心，明天是财务管控中心，后天是运营管控中心，调来调去，我们的效率是越调越低。一个决策可能真的企业稍微大的时候，一两个星期这是常事。所以大企业病已经开始制约一个企业。所以企业发展到一定程度，大家都非常在这方面是一个非常困惑的一件事。
第二，传统的管理就是跑冒滴漏，虽然我们天天在讲管控，其实我们的跑冒滴漏很多，不管是在业务发展上还是采购方面，我相信每个企业在这方面都是有很大的感受的。每年在这方面，通过我们事后的审计，审计出来的问题是很多的，每年都在审计。其实，在这方面我们也花了大量的运营成本或者管理成本，付出了很大的管理成本。
第三，我们的知识沉淀，不能够把它运用到我们的员工成长当中来。我们企业有很多的管理经验，也有很多的管理教训，过了也就过了。虽然有很多企业有大学，把自己的案例教给大家，但是因为只是在学的时候学了，用的时候找不到了。所以这个传统的管理使得我们很多的学费白教了。
互联网是不是可以解决呢？我觉得给我们一个耳目一新的感觉。大家都知道，互联网一个很大的特点就是透明，你做的所有的事在平台上都能看得见。我们也能感觉到，互联网一个很大的特点就是分享，不管是我们所有的经验教训，都能够让另外一个人分享，第一时间分享，并且在你使用的时候就可以出现。因为大数据、互联网的联系，把很多的数据我们都沉淀在服务器里面。这些个数据就会很好的支撑我们在风险管控方面的一些作用。
我们做的方法，其实讲起来我也按照这三点讲：
首先在提高效率方面，因为互联网的出现，我们可以把原来的必须要整体管理的一些企业，把它划小划算单位元，让它成为一个一个基于最小的运营单位的组织。这个组织我们现在大家都学了很多阿米巴的金融模式，其实我们在它的基础上，结合我们中国的一些实际，特别是中国民营企业的一些实际，我们叫业务精灵，让它达到自组织、自管理、自激励、自创新，这“四自”使得它的效率大大提高。真的能够实现像华为的任正非先生所讲的，让听得见炮火的人来决策。有了这个以后，接下来就是他们做规则是什么，甚至大家讲谁来控制风险，好，我们后台就用数据的方式来控制风险。也就是说，你每个业务精灵做的任何的事，不管是商务谈判、商务合同的签署，也包括激励，申请资源，都靠数据来支撑，来拿这个资源。而分配资源的人，完全解决了原来为了控制风险所做的人的结构上的一些安排。所以在这方面大大的提高了效率，减少了人力成本，特别是在这个时候我们拿数据来换资源的这个习惯的形成，会把我们每个企业将来不管是做成功还是做失败了，都能够沉淀下来一个非常好的一些经验。这是在效率方面。
第二，控风险。原来我们控风险，基本靠着有经验的团队的人员，一点一点往上走，也就是领导越高，应该经验越丰富，靠这种人治。但是，这种人治能力再强，它也就一个大脑。这个人总有一些情感的因素来制约着他，所以很难形成一个公正、高效的过程。如果我们用大数据把这个问题就很好解决了。
第三，很好的赋能力，互联网大数据的分享的特点会很好的把我们企业的不管是新近的员工还是要提升的员工，在他需要的时候都会得到很好的经验的知识的支持，使他们都能够顺利的完成交给的任务。在这个平台上，我们新员工、老员工，我们掌握的信息、经验都是一样的。
总得来讲，我们企业已经发展到互联网时代，或者互联时代，我们的管理，一定要跟上，这也是到了我们中国人颠覆所谓的我们经典的管理学的时候了。这其实扣今天会议的主题，也是到了一个主场中国的时候了。
来源：张秋颖
智造家
457 浏览
中国工业互联网市场规模及应用前景分析
电气控制类 上海明日之星科技有限公司 2016-12-07 17:54 发表了文章
当前，全球新一轮科技革命和产业变革风起云涌，增材制造、工业互联网、工业大数据、工业4.0等一批新的生产理念不断涌现。以互联网为核心的新一代信息技术融合创新，已经成为驱动信息技术与实体产业融合发展的新引擎。
一、中国工业互联网市场规模分析
当前，全球新一轮科技革命和产业变革风起云涌，增材制造、工业互联网、工业大数据、工业4.0等一批新的生产理念不断涌现。以互联网为核心的新一代信息技术融合创新，已经成为驱动信息技术与实体产业融合发展的新引擎。发达国家政府和产业界高度重视这一趋势，通过政企合作模式，建立研发应用和产业化的多方共享协作机制，不断加快新型网络化智能制造方式的发展步伐，旨在寻找新一轮增长的动力，把握未来国际经济科技竞争主动权。在我国，经历多年的探索、实践与培育，互联网与工业融合已具备相当规模的创新主体，新产品新业态新模式不断涌现，孕育新兴市场、带动长尾需求力释放。融合创新赖以实现的技术、网络、平台等基础正加速完善，以“中国互联网与工业融合创新联盟”为代表的行业平台组织相继成立，产业生态初步构筑，已具备持续规模推进的现实基础。
我国一些领先的工业企业、互联网企业和生产性服务企业已成为融合生态体系中各种创新活动的主要载体和践行者，由于各自基础和优势不同，不同类型企业融合创新的模式、路径、方向和重点有所差异。
三胜咨询顾问张祥光认为，一是传统工业企业互联网化转型明显加快。部分工业企业在互联网浪潮中主动把握发展机遇，在战略、组织、业务、管理等方面实施由内而外的全面变革，将客户、供应商、服务商、员工集聚于企业全互联阵营中，推动实现从有界向无界、垂直向扁平、制造向服务的转型，并由此成为融合创新的主力军。二是互联网企业借助新产品新服务融入工业基因。互联网企业依托其固有的通用性、交互性、开放性和共享性等属性，充分发挥其便捷、扁平、聚集等优势，通过与工业各领域各环节不断融合创造出新产品、新业态和新模式实现快速渗透。三是生产服务企业借助互联网拓展服务空间。来自不同领域的生产服务企业积极顺应工业发展需要，通过向平台企业转型，创新服务模式或拓展服务外延等方式加速向工业领域渗透，成为引领融合发展的重要力量。
图表：2013-2020年中国工业互联网行业市场规模分析及预测
数据来源：三胜咨询
中国互联网正从消费型转向企业型。目前中国的工业互联网还处于起步阶段，深度和广度有限，但中国作为仅次于美国的第二大互联网产业强国，工业互联网发展前景广阔。
二、中国工业互联网行业应用前景
1、能源互联网市场预测
市场规模巨大，根据现有数据测算，预计2020年输配侧与用户侧两端市场规模可能达到10万亿。
（一）一抓核心技术深耕细作：储能及电动汽车充电桩技术领先企业有望率先实现爆发式增长
从技术角度而言，部分技术如能源路由器虽属于能源互联网之关键，但我国尚处于研发起步阶段，短期内难以实现技术突破。相比于高精尖的能源路由器，储能及新能源汽车充电桩领域则在核心技术上已不存在明显限制，在目前能源互联网发展前景中最有望率先实现突破。
储能核心技术已取得突破，关注具有锂电池核心自主知识产权及钠硫电池研发实力的上市公司。在储能技术中，电化学领域无疑是近几年的增长主体，2000-2014年其复合增长率达到135%。国际上发展迅猛的储能技术主要有钠硫电池、锂电池，排除抽水蓄能、压缩空气储能及储热后，14年累计装机容量之和占到75%，而我国则主要以锂电池为增长主力，14年装机容量占比72%。根据我们的预测，截至2020年，未来储能产业装机容量将有望超10GW，市场份额有望达1.5万亿，储能市场潜能巨大，成长动能十足。
新能源汽车充电桩投资回报位居产业链顶端，在新能源汽车政策产销爆发下，将成为最接地气的能源互联网入口。若问能源互联网入口在哪端，我们认为新能源汽车充电桩无疑最具潜力。首先，能源汽车发展已进入政策蜜月期，产销量呈爆发性增长，14年产量较13年增长了近3.5倍。但充电基础设施建设却滞后于电动汽车的发展，根据中国储能网的数据，目前配比仅为4：1，远低于标配1：1，市场空间巨大，在新能源汽车产业爆发的背景下，充电桩有望随之爆发。除此之外，在投资效益上，相比于分布式新能源电站、能源路由器、特高压等基础设施建设，充电桩投资成本低，盈利能力却遥遥领先，投资回报优越。因此，我们认为深耕新能源汽车充电基础设施建设领域的公司有望成为能源互联网市场第一批赢家之一。
（二）二看转型期战略布局：电力电子零部件制造转型新能源、能源设施建设转型能源服务、细分产业专业化龙头转型产业链跨领域布局
电力电子零部件制造→新能源：能源互联网背景下，可再生能源的大规模并网成为不可逆转的趋势，电气零部件企业可以通过制造发电组件所积累的技术优势，大力推进技术研发，转型布局新能源。
例如保利协鑫能源便由硅片制造商转型布局分布式光伏发电站的建设及运营，自14年11月至15年1月三个月内，协鑫新能源在浙江、山西、江苏、内蒙古、新疆等地共超过10个分布式光伏电站实现并网，目前全球光伏电站装机容量近1GW，15-17年目标新增光伏装机容量2.0GW，2.5GW，2.0GW。
能源设施建设→能源服务：新电改方案公布后，电力交易市场化、需求侧管理均受到进一步的实质化推进，随之孕育而生的能源服务市场将是一块不可小觑的大蛋糕，售电平台建设势成必然，电力服务企业调频、调峰作用将更为突出。由于能源服务市场包含着大量的输配侧及用户侧的能源数据，因此我们认为具有数据采集处理能力的能源企业将会走在电力服务转型梯队的前端。
2、铁路互联网发展空间
铁路正在积极地拥抱“互联网+”时代，努力接受并促进信息技术对传统产业的改造、提升与融合。发展思维和观念的改变，将给铁路带来更广阔的发展空间。
铁路的主业和核心竞争力都是运输，打造中国铁路95306网的主要目标还是通过增加网上交易来扩充运输货源。过去铁路坐等货主上门，货改后铁路营销人员主动上门去找货主。现在铁路既要用人揽货，也要以“网”聚货。在设定好规则的前提下，铁路和快递企业会坚持差异化竞争战略，从而构建一个一个低成本、低排放、高效率的社会物流体系。
以火车货运为例，以前货品具体从哪个车站上货，哪里卸货，采取什么样的包装，都是货主操心的，而随着“互联网+”思维的运用，铁路主动为货主提供的整体解决方案。特别是铁路将借助95306网站这一平台，树立“整合资源、提升效能”的思维方式，彻底改变几十年来铁路货运订车皮的模式，取消货物受理中间环节，再造铁路运输流程，压缩运行时间，为客户提供更便捷的服务。
过去铁路将全部精力投向大宗商品运输，然而近几年，受大宗商品需求持续萎靡的影响，特别是这几年大量特高压输电项目上马，占铁路货运量1/3的煤炭运输受到了很大冲击。与此同时，散货快运业却在电子商务的快速发展中迎来爆发式增长。利用互联网获取新货源，补齐零散货物运输这块短板，可以让铁路货运结构与中国经济结构调整相匹配，铁路可以运用电子商务释放的红利，向高附加值的现代物流升级，从而带动整个物流业的发展。
3、国防互联网应用空间
网络强军既是当前军队发展形势的要求，也是未来军队发展走向的必然，如何统筹全局、突出重点、抓住关节是关键所在。
依托网络强国大局，做好网络强军整体谋划。网络强军必须突破传统的军民分离二元结构，置身于网络强国大战略中同步推进，以便从“互联网＋”行动计划中吸取更多营养。研究制定网络安全和信息化军民融合发展战略，以网络强国为依托，细化军民融合推进军队网络建设的发展目标、建设重点、融合模式和对策举措。加强网络空间和传统作战空间的融合设计，落实细化军用网络的公用和专用、骨干和接入、全域和区域建设计划，用信息网络的渗透延伸特性把战场空间有机统一起来。建立军民网络信息互动协作机制，拓展军民网络共建多赢渠道，依托军地公认的第三方测评机构，加强对军地各方承担的网络安全和信息化重大项目的评测监督，推动军队网络建设科学发展。
抓好信息力量建设，增强网络强军内生活力。网络是基础，信息力量是发掘网络战斗力的主因。在改革发展中重视信息力量，按信息力优先于火力的基本考虑科学设计军队总体力量结构，合理确定网系运用、信息服务和信息安全等不同类型部队的规模。加强信息力量的体系化建设，从做好内部“加减法”切入，采用传统部队转型、专业力量扩建、职能任务调整等方式，尽快形成适应信息化作战需求的信息力量体系。持续关注信息力量能力提升，组织军民信息力量联合运用模拟演练，着重训练军民信息力量的精确动员程序、灵活编组模式和一体攻防方法，在网络空间对抗的环境下摔打锻炼信息力量。
按照联合作战要求，探索网络强军聚能方法。网络强军，重在以网聚能。树立服务化的网络应用理念，摒弃网络建设只负责“管道”的本位主义观念，主动把网络建设与战场建设、武器装备建设和后勤保障建设有机结合起来，把信息即服务、平台即服务和软件即服务的服务体系构建起来，提升军队网络的黏合力。提高综合化的网络应用水平，变单网系运用为多网系组用，把网络运用与信息运用、火力运用、兵力运用等有机结合起来，解决网络运用与战斗力生成“两张皮”问题。挖掘并进式的网络应用效应，以用户能够充分利用和共享信息为目标，变“单一转发的链式”信息流动为“网络并进的联式”信息流动，把信息活动和火力活动放在同一架构内统一组织，用信息的聚合触发战斗力的浪涌。
查看全部
一、中国工业互联网市场规模分析
当前，全球新一轮科技革命和产业变革风起云涌，增材制造、工业互联网、工业大数据、工业4.0等一批新的生产理念不断涌现。以互联网为核心的新一代信息技术融合创新，已经成为驱动信息技术与实体产业融合发展的新引擎。发达国家政府和产业界高度重视这一趋势，通过政企合作模式，建立研发应用和产业化的多方共享协作机制，不断加快新型网络化智能制造方式的发展步伐，旨在寻找新一轮增长的动力，把握未来国际经济科技竞争主动权。在我国，经历多年的探索、实践与培育，互联网与工业融合已具备相当规模的创新主体，新产品新业态新模式不断涌现，孕育新兴市场、带动长尾需求力释放。融合创新赖以实现的技术、网络、平台等基础正加速完善，以“中国互联网与工业融合创新联盟”为代表的行业平台组织相继成立，产业生态初步构筑，已具备持续规模推进的现实基础。
我国一些领先的工业企业、互联网企业和生产性服务企业已成为融合生态体系中各种创新活动的主要载体和践行者，由于各自基础和优势不同，不同类型企业融合创新的模式、路径、方向和重点有所差异。
三胜咨询顾问张祥光认为，一是传统工业企业互联网化转型明显加快。部分工业企业在互联网浪潮中主动把握发展机遇，在战略、组织、业务、管理等方面实施由内而外的全面变革，将客户、供应商、服务商、员工集聚于企业全互联阵营中，推动实现从有界向无界、垂直向扁平、制造向服务的转型，并由此成为融合创新的主力军。二是互联网企业借助新产品新服务融入工业基因。互联网企业依托其固有的通用性、交互性、开放性和共享性等属性，充分发挥其便捷、扁平、聚集等优势，通过与工业各领域各环节不断融合创造出新产品、新业态和新模式实现快速渗透。三是生产服务企业借助互联网拓展服务空间。来自不同领域的生产服务企业积极顺应工业发展需要，通过向平台企业转型，创新服务模式或拓展服务外延等方式加速向工业领域渗透，成为引领融合发展的重要力量。
图表：2013-2020年中国工业互联网行业市场规模分析及预测
数据来源：三胜咨询
中国互联网正从消费型转向企业型。目前中国的工业互联网还处于起步阶段，深度和广度有限，但中国作为仅次于美国的第二大互联网产业强国，工业互联网发展前景广阔。
二、中国工业互联网行业应用前景
1、能源互联网市场预测
市场规模巨大，根据现有数据测算，预计2020年输配侧与用户侧两端市场规模可能达到10万亿。
（一）一抓核心技术深耕细作：储能及电动汽车充电桩技术领先企业有望率先实现爆发式增长
从技术角度而言，部分技术如能源路由器虽属于能源互联网之关键，但我国尚处于研发起步阶段，短期内难以实现技术突破。相比于高精尖的能源路由器，储能及新能源汽车充电桩领域则在核心技术上已不存在明显限制，在目前能源互联网发展前景中最有望率先实现突破。
储能核心技术已取得突破，关注具有锂电池核心自主知识产权及钠硫电池研发实力的上市公司。在储能技术中，电化学领域无疑是近几年的增长主体，2000-2014年其复合增长率达到135%。国际上发展迅猛的储能技术主要有钠硫电池、锂电池，排除抽水蓄能、压缩空气储能及储热后，14年累计装机容量之和占到75%，而我国则主要以锂电池为增长主力，14年装机容量占比72%。根据我们的预测，截至2020年，未来储能产业装机容量将有望超10GW，市场份额有望达1.5万亿，储能市场潜能巨大，成长动能十足。
新能源汽车充电桩投资回报位居产业链顶端，在新能源汽车政策产销爆发下，将成为最接地气的能源互联网入口。若问能源互联网入口在哪端，我们认为新能源汽车充电桩无疑最具潜力。首先，能源汽车发展已进入政策蜜月期，产销量呈爆发性增长，14年产量较13年增长了近3.5倍。但充电基础设施建设却滞后于电动汽车的发展，根据中国储能网的数据，目前配比仅为4：1，远低于标配1：1，市场空间巨大，在新能源汽车产业爆发的背景下，充电桩有望随之爆发。除此之外，在投资效益上，相比于分布式新能源电站、能源路由器、特高压等基础设施建设，充电桩投资成本低，盈利能力却遥遥领先，投资回报优越。因此，我们认为深耕新能源汽车充电基础设施建设领域的公司有望成为能源互联网市场第一批赢家之一。
（二）二看转型期战略布局：电力电子零部件制造转型新能源、能源设施建设转型能源服务、细分产业专业化龙头转型产业链跨领域布局
电力电子零部件制造→新能源：能源互联网背景下，可再生能源的大规模并网成为不可逆转的趋势，电气零部件企业可以通过制造发电组件所积累的技术优势，大力推进技术研发，转型布局新能源。
例如保利协鑫能源便由硅片制造商转型布局分布式光伏发电站的建设及运营，自14年11月至15年1月三个月内，协鑫新能源在浙江、山西、江苏、内蒙古、新疆等地共超过10个分布式光伏电站实现并网，目前全球光伏电站装机容量近1GW，15-17年目标新增光伏装机容量2.0GW，2.5GW，2.0GW。
能源设施建设→能源服务：新电改方案公布后，电力交易市场化、需求侧管理均受到进一步的实质化推进，随之孕育而生的能源服务市场将是一块不可小觑的大蛋糕，售电平台建设势成必然，电力服务企业调频、调峰作用将更为突出。由于能源服务市场包含着大量的输配侧及用户侧的能源数据，因此我们认为具有数据采集处理能力的能源企业将会走在电力服务转型梯队的前端。
2、铁路互联网发展空间
铁路正在积极地拥抱“互联网+”时代，努力接受并促进信息技术对传统产业的改造、提升与融合。发展思维和观念的改变，将给铁路带来更广阔的发展空间。
铁路的主业和核心竞争力都是运输，打造中国铁路95306网的主要目标还是通过增加网上交易来扩充运输货源。过去铁路坐等货主上门，货改后铁路营销人员主动上门去找货主。现在铁路既要用人揽货，也要以“网”聚货。在设定好规则的前提下，铁路和快递企业会坚持差异化竞争战略，从而构建一个一个低成本、低排放、高效率的社会物流体系。
以火车货运为例，以前货品具体从哪个车站上货，哪里卸货，采取什么样的包装，都是货主操心的，而随着“互联网+”思维的运用，铁路主动为货主提供的整体解决方案。特别是铁路将借助95306网站这一平台，树立“整合资源、提升效能”的思维方式，彻底改变几十年来铁路货运订车皮的模式，取消货物受理中间环节，再造铁路运输流程，压缩运行时间，为客户提供更便捷的服务。
过去铁路将全部精力投向大宗商品运输，然而近几年，受大宗商品需求持续萎靡的影响，特别是这几年大量特高压输电项目上马，占铁路货运量1/3的煤炭运输受到了很大冲击。与此同时，散货快运业却在电子商务的快速发展中迎来爆发式增长。利用互联网获取新货源，补齐零散货物运输这块短板，可以让铁路货运结构与中国经济结构调整相匹配，铁路可以运用电子商务释放的红利，向高附加值的现代物流升级，从而带动整个物流业的发展。
3、国防互联网应用空间
网络强军既是当前军队发展形势的要求，也是未来军队发展走向的必然，如何统筹全局、突出重点、抓住关节是关键所在。
依托网络强国大局，做好网络强军整体谋划。网络强军必须突破传统的军民分离二元结构，置身于网络强国大战略中同步推进，以便从“互联网＋”行动计划中吸取更多营养。研究制定网络安全和信息化军民融合发展战略，以网络强国为依托，细化军民融合推进军队网络建设的发展目标、建设重点、融合模式和对策举措。加强网络空间和传统作战空间的融合设计，落实细化军用网络的公用和专用、骨干和接入、全域和区域建设计划，用信息网络的渗透延伸特性把战场空间有机统一起来。建立军民网络信息互动协作机制，拓展军民网络共建多赢渠道，依托军地公认的第三方测评机构，加强对军地各方承担的网络安全和信息化重大项目的评测监督，推动军队网络建设科学发展。
抓好信息力量建设，增强网络强军内生活力。网络是基础，信息力量是发掘网络战斗力的主因。在改革发展中重视信息力量，按信息力优先于火力的基本考虑科学设计军队总体力量结构，合理确定网系运用、信息服务和信息安全等不同类型部队的规模。加强信息力量的体系化建设，从做好内部“加减法”切入，采用传统部队转型、专业力量扩建、职能任务调整等方式，尽快形成适应信息化作战需求的信息力量体系。持续关注信息力量能力提升，组织军民信息力量联合运用模拟演练，着重训练军民信息力量的精确动员程序、灵活编组模式和一体攻防方法，在网络空间对抗的环境下摔打锻炼信息力量。
按照联合作战要求，探索网络强军聚能方法。网络强军，重在以网聚能。树立服务化的网络应用理念，摒弃网络建设只负责“管道”的本位主义观念，主动把网络建设与战场建设、武器装备建设和后勤保障建设有机结合起来，把信息即服务、平台即服务和软件即服务的服务体系构建起来，提升军队网络的黏合力。提高综合化的网络应用水平，变单网系运用为多网系组用，把网络运用与信息运用、火力运用、兵力运用等有机结合起来，解决网络运用与战斗力生成“两张皮”问题。挖掘并进式的网络应用效应，以用户能够充分利用和共享信息为目标，变“单一转发的链式”信息流动为“网络并进的联式”信息流动，把信息活动和火力活动放在同一架构内统一组织，用信息的聚合触发战斗力的浪涌。
查看全部
当前，全球新一轮科技革命和产业变革风起云涌，增材制造、工业互联网、工业大数据、工业4.0等一批新的生产理念不断涌现。以互联网为核心的新一代信息技术融合创新，已经成为驱动信息技术与实体产业融合发展的新引擎。
一、中国工业互联网市场规模分析
当前，全球新一轮科技革命和产业变革风起云涌，增材制造、工业互联网、工业大数据、工业4.0等一批新的生产理念不断涌现。以互联网为核心的新一代信息技术融合创新，已经成为驱动信息技术与实体产业融合发展的新引擎。发达国家政府和产业界高度重视这一趋势，通过政企合作模式，建立研发应用和产业化的多方共享协作机制，不断加快新型网络化智能制造方式的发展步伐，旨在寻找新一轮增长的动力，把握未来国际经济科技竞争主动权。在我国，经历多年的探索、实践与培育，互联网与工业融合已具备相当规模的创新主体，新产品新业态新模式不断涌现，孕育新兴市场、带动长尾需求力释放。融合创新赖以实现的技术、网络、平台等基础正加速完善，以“中国互联网与工业融合创新联盟”为代表的行业平台组织相继成立，产业生态初步构筑，已具备持续规模推进的现实基础。
我国一些领先的工业企业、互联网企业和生产性服务企业已成为融合生态体系中各种创新活动的主要载体和践行者，由于各自基础和优势不同，不同类型企业融合创新的模式、路径、方向和重点有所差异。
三胜咨询顾问张祥光认为，一是传统工业企业互联网化转型明显加快。部分工业企业在互联网浪潮中主动把握发展机遇，在战略、组织、业务、管理等方面实施由内而外的全面变革，将客户、供应商、服务商、员工集聚于企业全互联阵营中，推动实现从有界向无界、垂直向扁平、制造向服务的转型，并由此成为融合创新的主力军。二是互联网企业借助新产品新服务融入工业基因。互联网企业依托其固有的通用性、交互性、开放性和共享性等属性，充分发挥其便捷、扁平、聚集等优势，通过与工业各领域各环节不断融合创造出新产品、新业态和新模式实现快速渗透。三是生产服务企业借助互联网拓展服务空间。来自不同领域的生产服务企业积极顺应工业发展需要，通过向平台企业转型，创新服务模式或拓展服务外延等方式加速向工业领域渗透，成为引领融合发展的重要力量。
图表：2013-2020年中国工业互联网行业市场规模分析及预测
数据来源：三胜咨询
中国互联网正从消费型转向企业型。目前中国的工业互联网还处于起步阶段，深度和广度有限，但中国作为仅次于美国的第二大互联网产业强国，工业互联网发展前景广阔。
二、中国工业互联网行业应用前景
1、能源互联网市场预测
市场规模巨大，根据现有数据测算，预计2020年输配侧与用户侧两端市场规模可能达到10万亿。
（一）一抓核心技术深耕细作：储能及电动汽车充电桩技术领先企业有望率先实现爆发式增长
从技术角度而言，部分技术如能源路由器虽属于能源互联网之关键，但我国尚处于研发起步阶段，短期内难以实现技术突破。相比于高精尖的能源路由器，储能及新能源汽车充电桩领域则在核心技术上已不存在明显限制，在目前能源互联网发展前景中最有望率先实现突破。
储能核心技术已取得突破，关注具有锂电池核心自主知识产权及钠硫电池研发实力的上市公司。在储能技术中，电化学领域无疑是近几年的增长主体，2000-2014年其复合增长率达到135%。国际上发展迅猛的储能技术主要有钠硫电池、锂电池，排除抽水蓄能、压缩空气储能及储热后，14年累计装机容量之和占到75%，而我国则主要以锂电池为增长主力，14年装机容量占比72%。根据我们的预测，截至2020年，未来储能产业装机容量将有望超10GW，市场份额有望达1.5万亿，储能市场潜能巨大，成长动能十足。
新能源汽车充电桩投资回报位居产业链顶端，在新能源汽车政策产销爆发下，将成为最接地气的能源互联网入口。若问能源互联网入口在哪端，我们认为新能源汽车充电桩无疑最具潜力。首先，能源汽车发展已进入政策蜜月期，产销量呈爆发性增长，14年产量较13年增长了近3.5倍。但充电基础设施建设却滞后于电动汽车的发展，根据中国储能网的数据，目前配比仅为4：1，远低于标配1：1，市场空间巨大，在新能源汽车产业爆发的背景下，充电桩有望随之爆发。除此之外，在投资效益上，相比于分布式新能源电站、能源路由器、特高压等基础设施建设，充电桩投资成本低，盈利能力却遥遥领先，投资回报优越。因此，我们认为深耕新能源汽车充电基础设施建设领域的公司有望成为能源互联网市场第一批赢家之一。
（二）二看转型期战略布局：电力电子零部件制造转型新能源、能源设施建设转型能源服务、细分产业专业化龙头转型产业链跨领域布局
电力电子零部件制造→新能源：能源互联网背景下，可再生能源的大规模并网成为不可逆转的趋势，电气零部件企业可以通过制造发电组件所积累的技术优势，大力推进技术研发，转型布局新能源。
例如保利协鑫能源便由硅片制造商转型布局分布式光伏发电站的建设及运营，自14年11月至15年1月三个月内，协鑫新能源在浙江、山西、江苏、内蒙古、新疆等地共超过10个分布式光伏电站实现并网，目前全球光伏电站装机容量近1GW，15-17年目标新增光伏装机容量2.0GW，2.5GW，2.0GW。
能源设施建设→能源服务：新电改方案公布后，电力交易市场化、需求侧管理均受到进一步的实质化推进，随之孕育而生的能源服务市场将是一块不可小觑的大蛋糕，售电平台建设势成必然，电力服务企业调频、调峰作用将更为突出。由于能源服务市场包含着大量的输配侧及用户侧的能源数据，因此我们认为具有数据采集处理能力的能源企业将会走在电力服务转型梯队的前端。
2、铁路互联网发展空间
铁路正在积极地拥抱“互联网+”时代，努力接受并促进信息技术对传统产业的改造、提升与融合。发展思维和观念的改变，将给铁路带来更广阔的发展空间。
铁路的主业和核心竞争力都是运输，打造中国铁路95306网的主要目标还是通过增加网上交易来扩充运输货源。过去铁路坐等货主上门，货改后铁路营销人员主动上门去找货主。现在铁路既要用人揽货，也要以“网”聚货。在设定好规则的前提下，铁路和快递企业会坚持差异化竞争战略，从而构建一个一个低成本、低排放、高效率的社会物流体系。
以火车货运为例，以前货品具体从哪个车站上货，哪里卸货，采取什么样的包装，都是货主操心的，而随着“互联网+”思维的运用，铁路主动为货主提供的整体解决方案。特别是铁路将借助95306网站这一平台，树立“整合资源、提升效能”的思维方式，彻底改变几十年来铁路货运订车皮的模式，取消货物受理中间环节，再造铁路运输流程，压缩运行时间，为客户提供更便捷的服务。
过去铁路将全部精力投向大宗商品运输，然而近几年，受大宗商品需求持续萎靡的影响，特别是这几年大量特高压输电项目上马，占铁路货运量1/3的煤炭运输受到了很大冲击。与此同时，散货快运业却在电子商务的快速发展中迎来爆发式增长。利用互联网获取新货源，补齐零散货物运输这块短板，可以让铁路货运结构与中国经济结构调整相匹配，铁路可以运用电子商务释放的红利，向高附加值的现代物流升级，从而带动整个物流业的发展。
3、国防互联网应用空间
网络强军既是当前军队发展形势的要求，也是未来军队发展走向的必然，如何统筹全局、突出重点、抓住关节是关键所在。
依托网络强国大局，做好网络强军整体谋划。网络强军必须突破传统的军民分离二元结构，置身于网络强国大战略中同步推进，以便从“互联网＋”行动计划中吸取更多营养。研究制定网络安全和信息化军民融合发展战略，以网络强国为依托，细化军民融合推进军队网络建设的发展目标、建设重点、融合模式和对策举措。加强网络空间和传统作战空间的融合设计，落实细化军用网络的公用和专用、骨干和接入、全域和区域建设计划，用信息网络的渗透延伸特性把战场空间有机统一起来。建立军民网络信息互动协作机制，拓展军民网络共建多赢渠道，依托军地公认的第三方测评机构，加强对军地各方承担的网络安全和信息化重大项目的评测监督，推动军队网络建设科学发展。
抓好信息力量建设，增强网络强军内生活力。网络是基础，信息力量是发掘网络战斗力的主因。在改革发展中重视信息力量，按信息力优先于火力的基本考虑科学设计军队总体力量结构，合理确定网系运用、信息服务和信息安全等不同类型部队的规模。加强信息力量的体系化建设，从做好内部“加减法”切入，采用传统部队转型、专业力量扩建、职能任务调整等方式，尽快形成适应信息化作战需求的信息力量体系。持续关注信息力量能力提升，组织军民信息力量联合运用模拟演练，着重训练军民信息力量的精确动员程序、灵活编组模式和一体攻防方法，在网络空间对抗的环境下摔打锻炼信息力量。
按照联合作战要求，探索网络强军聚能方法。网络强军，重在以网聚能。树立服务化的网络应用理念，摒弃网络建设只负责“管道”的本位主义观念，主动把网络建设与战场建设、武器装备建设和后勤保障建设有机结合起来，把信息即服务、平台即服务和软件即服务的服务体系构建起来，提升军队网络的黏合力。提高综合化的网络应用水平，变单网系运用为多网系组用，把网络运用与信息运用、火力运用、兵力运用等有机结合起来，解决网络运用与战斗力生成“两张皮”问题。挖掘并进式的网络应用效应，以用户能够充分利用和共享信息为目标，变“单一转发的链式”信息流动为“网络并进的联式”信息流动，把信息活动和火力活动放在同一架构内统一组织，用信息的聚合触发战斗力的浪涌。
467 浏览
范必：当前能源互联网没有得到充分发展
电气控制类 上海明日之星科技有限公司 2016-12-07 17:38 发表了文章
中国国际经济交流中心特邀研究员范必在2016首届中国能源互联网峰会上作了主旨演讲，他从互联网发展特征出发，指出我国能源与互联网时代尚有很大差距。围绕进一步发挥能源互联网的作用，深化能源体制改革等问题，记者对他进行了专访。
问题：互联网并未改变中国能源
中国能源报：互联网技术正在迸发新一轮的活力，您认为互联网并未改变中国的能源，主要基于哪些方面而言?
范必：互联网是典型的通用目的技术，具有创新速度快、通用性广、渗透性强的特点。互联网与任何一个产业结合，都可以创造出前所未有的生产力。虽然互联网改变了世界，但还没有改变中国能源。
从以下六个方面来看：
一是生产方式。传统工业生产方式的特点是大规模、集中式，标准化生产，工厂化制造，远距离输送。第四次工业革命以来，在互联网带动下，先进制造业发展趋势是小规模、分布式、柔性化生产，出现了智能制造、虚拟制造。技术创新周期变短，颠覆性创新增多，传播速度加快。但是能源领域如电力、油气等，仍然是以传统工业生产方式为主。由于能源装备一次性投入大、沉没成本高，以往能源技术更新往往需要几十年，实现代际更替甚至要上百年。尽管进入了互联网时代，能源领域这种长周期调整的局面尚未改观。
二是分配方式。传统分配方式一般分为初次分配和再分配，初次分配注重效率，再分配注重公平。互联网的出现使初次分配和再分配的界限变得模糊。传统分配方式的分配内容主要是货币和福利，而互联网参与下的分配，还包括服务、实物和各种虚拟回报，如积分、返点、某种权利，其价值可以与货币等同。能源领域尚未脱离初次分配和再分配的框架。在电力、油气领域的初次分配中，由于由行政部门规定价格和产量，企业收益往往难以反映效率。在再分配中，能源国企上缴的国有资本预算差强人意，这些预算又大多用于国有企业，有的能源国企还接受财政补贴。即便从传统分配角度来看，能源领域也没有完全做到效率和公平，更不要说接受互联网时代各种新的分配方式。
三是交易方式。移动互联带来了支付革命，极大地降低了交易成本，提高了资源配置效率。过去我们买东西货比三家，有了互联网可以货比无数家，使以往交易中普遍存在的信息不对称变成接近于信息对称，消费者可以买到质量、价格最优的商品。互联网上进行的交易基本都可以溯源，这又增大了失信风险，提高了信用水平。在低成本、高效率、低价格、高信用的优势作用下，互联网交易的规模急剧膨胀。但在能源领域，少数企业独买独卖，有关部门决定价格、分配产量。即便在传统交易方式中，这也是市场化程度较低、比较僵化的模式。当然，我们也可以在网上买电，但价格是定死的，消费者不会因为时间不同、消费量不同、电源点不同买到不同价格的电，交易规模也没有出现像互联网金融和电商那种井喷式的发展。
四是消费方式。互联网消费方式表现为个性化、私人订制，消费者购买的范围打破了空间限制。但对能源消费者而言，能源供给仅限于少数电网企业、油气企业，消费者没有太多的选择权。
五是经济体制。互联网世界的特点是充分竞争、非公经济为主、市场主体分散。能源领域的特点是供给侧产业集中度高、单边购买、特许经营，经营者以国有企业为主。
六是组织形态。互联网世界是扁平结构和水平网络模式。能源领域总体还是层级结构，纵向链条模式。
根源：制度安排还不具备条件
中国能源报：为什么当前能源互联网没有得到充分发展，根源在哪?
范必：当前能源互联网没有得到充分发展，主要是制度安排上还不具备条件。
首先，能源行业产业集中度过高，抑制了竞争，造成价格机制失灵和供求失衡。
其次，能源行业所有制结构单一，主要是以国有经济为主。传统国有企业的弊端，如大而全、小而全、“吃大锅饭”、效率不高、缺少自我约束机制等问题尚未解决。能源流通主要靠国营贸易，需要特许经营。
第三，行政干预较多。有关部门对能源企业的管理仍是以指标控制、行政审批为主，而恰恰需要监管的网络型垄断行业监管缺位。这些问题的存在，使能源在国民经济中仍然是一种特殊商品，而不是一般商品，很难像其它一般消费品那样在互联网上进行自由交易。
突围：让能源回归一般商品属性
中国能源报：那么能源互联网将如何突围，取得成功呢?
范必：让能源互联网找到一条突围之路，实现能源人对能源互联网的愿景，关键是让能源回归一般商品属性。
具体来说，就是要降低准入门槛，允许各种所有制的市场主体从事能源供给、流通业务。彻底打破对能源交易流通的行政垄断和行业垄断，放开能源供销价格，取消对能源价格、产量的计划管理。对能源领域中的网络型垄断行业，“实行网运分开，放开竞争性业务”的改革，形成能源供给和能源消费之间多买多卖的市场格局。这是电力体制改革和油气体制改革应当重点考虑的问题。
中国能源报：能源与互联网，怎样才是真正的结合?
范必：能源与互联网的结合，不是给每一个发电机、每一个用电户安一个IP地址就叫能源互联网;也不是利用互联网进行电力调度就叫能源互联网;而是能源利用无所不在的互联网，像其它一般消费品那样进行自由交易，这才叫能源互联网。
建立名副其实的能源互联网，前提是能源市场的充分发育。只有市场化改革到位，能源才有条件像其它消费品一样，利用价格机制灵活调节供给和需求;降低用能成本，尤其是用电、用油、用气成本;减少能源粗放利用;从根本上解决弃风弃光弃水问题;提高消费者选择权，满足多样化的能源需求。 查看全部
问题：互联网并未改变中国能源
中国能源报：互联网技术正在迸发新一轮的活力，您认为互联网并未改变中国的能源，主要基于哪些方面而言?
范必：互联网是典型的通用目的技术，具有创新速度快、通用性广、渗透性强的特点。互联网与任何一个产业结合，都可以创造出前所未有的生产力。虽然互联网改变了世界，但还没有改变中国能源。
从以下六个方面来看：
一是生产方式。传统工业生产方式的特点是大规模、集中式，标准化生产，工厂化制造，远距离输送。第四次工业革命以来，在互联网带动下，先进制造业发展趋势是小规模、分布式、柔性化生产，出现了智能制造、虚拟制造。技术创新周期变短，颠覆性创新增多，传播速度加快。但是能源领域如电力、油气等，仍然是以传统工业生产方式为主。由于能源装备一次性投入大、沉没成本高，以往能源技术更新往往需要几十年，实现代际更替甚至要上百年。尽管进入了互联网时代，能源领域这种长周期调整的局面尚未改观。
二是分配方式。传统分配方式一般分为初次分配和再分配，初次分配注重效率，再分配注重公平。互联网的出现使初次分配和再分配的界限变得模糊。传统分配方式的分配内容主要是货币和福利，而互联网参与下的分配，还包括服务、实物和各种虚拟回报，如积分、返点、某种权利，其价值可以与货币等同。能源领域尚未脱离初次分配和再分配的框架。在电力、油气领域的初次分配中，由于由行政部门规定价格和产量，企业收益往往难以反映效率。在再分配中，能源国企上缴的国有资本预算差强人意，这些预算又大多用于国有企业，有的能源国企还接受财政补贴。即便从传统分配角度来看，能源领域也没有完全做到效率和公平，更不要说接受互联网时代各种新的分配方式。
三是交易方式。移动互联带来了支付革命，极大地降低了交易成本，提高了资源配置效率。过去我们买东西货比三家，有了互联网可以货比无数家，使以往交易中普遍存在的信息不对称变成接近于信息对称，消费者可以买到质量、价格最优的商品。互联网上进行的交易基本都可以溯源，这又增大了失信风险，提高了信用水平。在低成本、高效率、低价格、高信用的优势作用下，互联网交易的规模急剧膨胀。但在能源领域，少数企业独买独卖，有关部门决定价格、分配产量。即便在传统交易方式中，这也是市场化程度较低、比较僵化的模式。当然，我们也可以在网上买电，但价格是定死的，消费者不会因为时间不同、消费量不同、电源点不同买到不同价格的电，交易规模也没有出现像互联网金融和电商那种井喷式的发展。
四是消费方式。互联网消费方式表现为个性化、私人订制，消费者购买的范围打破了空间限制。但对能源消费者而言，能源供给仅限于少数电网企业、油气企业，消费者没有太多的选择权。
五是经济体制。互联网世界的特点是充分竞争、非公经济为主、市场主体分散。能源领域的特点是供给侧产业集中度高、单边购买、特许经营，经营者以国有企业为主。
六是组织形态。互联网世界是扁平结构和水平网络模式。能源领域总体还是层级结构，纵向链条模式。
根源：制度安排还不具备条件
中国能源报：为什么当前能源互联网没有得到充分发展，根源在哪?
范必：当前能源互联网没有得到充分发展，主要是制度安排上还不具备条件。
首先，能源行业产业集中度过高，抑制了竞争，造成价格机制失灵和供求失衡。
其次，能源行业所有制结构单一，主要是以国有经济为主。传统国有企业的弊端，如大而全、小而全、“吃大锅饭”、效率不高、缺少自我约束机制等问题尚未解决。能源流通主要靠国营贸易，需要特许经营。
第三，行政干预较多。有关部门对能源企业的管理仍是以指标控制、行政审批为主，而恰恰需要监管的网络型垄断行业监管缺位。这些问题的存在，使能源在国民经济中仍然是一种特殊商品，而不是一般商品，很难像其它一般消费品那样在互联网上进行自由交易。
突围：让能源回归一般商品属性
中国能源报：那么能源互联网将如何突围，取得成功呢?
范必：让能源互联网找到一条突围之路，实现能源人对能源互联网的愿景，关键是让能源回归一般商品属性。
具体来说，就是要降低准入门槛，允许各种所有制的市场主体从事能源供给、流通业务。彻底打破对能源交易流通的行政垄断和行业垄断，放开能源供销价格，取消对能源价格、产量的计划管理。对能源领域中的网络型垄断行业，“实行网运分开，放开竞争性业务”的改革，形成能源供给和能源消费之间多买多卖的市场格局。这是电力体制改革和油气体制改革应当重点考虑的问题。
中国能源报：能源与互联网，怎样才是真正的结合?
范必：能源与互联网的结合，不是给每一个发电机、每一个用电户安一个IP地址就叫能源互联网;也不是利用互联网进行电力调度就叫能源互联网;而是能源利用无所不在的互联网，像其它一般消费品那样进行自由交易，这才叫能源互联网。
建立名副其实的能源互联网，前提是能源市场的充分发育。只有市场化改革到位，能源才有条件像其它消费品一样，利用价格机制灵活调节供给和需求;降低用能成本，尤其是用电、用油、用气成本;减少能源粗放利用;从根本上解决弃风弃光弃水问题;提高消费者选择权，满足多样化的能源需求。 查看全部
中国国际经济交流中心特邀研究员范必在2016首届中国能源互联网峰会上作了主旨演讲，他从互联网发展特征出发，指出我国能源与互联网时代尚有很大差距。围绕进一步发挥能源互联网的作用，深化能源体制改革等问题，记者对他进行了专访。
问题：互联网并未改变中国能源
中国能源报：互联网技术正在迸发新一轮的活力，您认为互联网并未改变中国的能源，主要基于哪些方面而言?
范必：互联网是典型的通用目的技术，具有创新速度快、通用性广、渗透性强的特点。互联网与任何一个产业结合，都可以创造出前所未有的生产力。虽然互联网改变了世界，但还没有改变中国能源。
从以下六个方面来看：
一是生产方式。传统工业生产方式的特点是大规模、集中式，标准化生产，工厂化制造，远距离输送。第四次工业革命以来，在互联网带动下，先进制造业发展趋势是小规模、分布式、柔性化生产，出现了智能制造、虚拟制造。技术创新周期变短，颠覆性创新增多，传播速度加快。但是能源领域如电力、油气等，仍然是以传统工业生产方式为主。由于能源装备一次性投入大、沉没成本高，以往能源技术更新往往需要几十年，实现代际更替甚至要上百年。尽管进入了互联网时代，能源领域这种长周期调整的局面尚未改观。
二是分配方式。传统分配方式一般分为初次分配和再分配，初次分配注重效率，再分配注重公平。互联网的出现使初次分配和再分配的界限变得模糊。传统分配方式的分配内容主要是货币和福利，而互联网参与下的分配，还包括服务、实物和各种虚拟回报，如积分、返点、某种权利，其价值可以与货币等同。能源领域尚未脱离初次分配和再分配的框架。在电力、油气领域的初次分配中，由于由行政部门规定价格和产量，企业收益往往难以反映效率。在再分配中，能源国企上缴的国有资本预算差强人意，这些预算又大多用于国有企业，有的能源国企还接受财政补贴。即便从传统分配角度来看，能源领域也没有完全做到效率和公平，更不要说接受互联网时代各种新的分配方式。
三是交易方式。移动互联带来了支付革命，极大地降低了交易成本，提高了资源配置效率。过去我们买东西货比三家，有了互联网可以货比无数家，使以往交易中普遍存在的信息不对称变成接近于信息对称，消费者可以买到质量、价格最优的商品。互联网上进行的交易基本都可以溯源，这又增大了失信风险，提高了信用水平。在低成本、高效率、低价格、高信用的优势作用下，互联网交易的规模急剧膨胀。但在能源领域，少数企业独买独卖，有关部门决定价格、分配产量。即便在传统交易方式中，这也是市场化程度较低、比较僵化的模式。当然，我们也可以在网上买电，但价格是定死的，消费者不会因为时间不同、消费量不同、电源点不同买到不同价格的电，交易规模也没有出现像互联网金融和电商那种井喷式的发展。
四是消费方式。互联网消费方式表现为个性化、私人订制，消费者购买的范围打破了空间限制。但对能源消费者而言，能源供给仅限于少数电网企业、油气企业，消费者没有太多的选择权。
五是经济体制。互联网世界的特点是充分竞争、非公经济为主、市场主体分散。能源领域的特点是供给侧产业集中度高、单边购买、特许经营，经营者以国有企业为主。
六是组织形态。互联网世界是扁平结构和水平网络模式。能源领域总体还是层级结构，纵向链条模式。
根源：制度安排还不具备条件
中国能源报：为什么当前能源互联网没有得到充分发展，根源在哪?
范必：当前能源互联网没有得到充分发展，主要是制度安排上还不具备条件。
首先，能源行业产业集中度过高，抑制了竞争，造成价格机制失灵和供求失衡。
其次，能源行业所有制结构单一，主要是以国有经济为主。传统国有企业的弊端，如大而全、小而全、“吃大锅饭”、效率不高、缺少自我约束机制等问题尚未解决。能源流通主要靠国营贸易，需要特许经营。
第三，行政干预较多。有关部门对能源企业的管理仍是以指标控制、行政审批为主，而恰恰需要监管的网络型垄断行业监管缺位。这些问题的存在，使能源在国民经济中仍然是一种特殊商品，而不是一般商品，很难像其它一般消费品那样在互联网上进行自由交易。
突围：让能源回归一般商品属性
中国能源报：那么能源互联网将如何突围，取得成功呢?
范必：让能源互联网找到一条突围之路，实现能源人对能源互联网的愿景，关键是让能源回归一般商品属性。
具体来说，就是要降低准入门槛，允许各种所有制的市场主体从事能源供给、流通业务。彻底打破对能源交易流通的行政垄断和行业垄断，放开能源供销价格，取消对能源价格、产量的计划管理。对能源领域中的网络型垄断行业，“实行网运分开，放开竞争性业务”的改革，形成能源供给和能源消费之间多买多卖的市场格局。这是电力体制改革和油气体制改革应当重点考虑的问题。
中国能源报：能源与互联网，怎样才是真正的结合?
范必：能源与互联网的结合，不是给每一个发电机、每一个用电户安一个IP地址就叫能源互联网;也不是利用互联网进行电力调度就叫能源互联网;而是能源利用无所不在的互联网，像其它一般消费品那样进行自由交易，这才叫能源互联网。
建立名副其实的能源互联网，前提是能源市场的充分发育。只有市场化改革到位，能源才有条件像其它消费品一样，利用价格机制灵活调节供给和需求;降低用能成本，尤其是用电、用油、用气成本;减少能源粗放利用;从根本上解决弃风弃光弃水问题;提高消费者选择权，满足多样化的能源需求。
1 回答
1 回答
3 回答
1 回答
1 回答
571 浏览
起底互联网金融运营的底层逻辑
管理类 有始有终 2017-03-10 13:43 发表了文章
如果把一整套运营方案比做一辆大货车，那么这个小框架就像是车架上放置的集装箱，不管是哪一辆大货车，甚至是货轮、火车，都可以根据自身情况进行安装、运输和拆卸。
互金运营常用策略
1）奖励标的
体验金、卡券（抵用券、满减券、加息券）、红包、送礼品（紧俏电子产品、现金、话费）、返现。
2）用户行为
浏览、注册、绑卡、投资、复投、赎回、收益发放、分享、邀请好友。
3）组合之后形成策略
注册送话费／现金／抵用券、分享加收益……策略可以多重组合，选择合适自己的就好。
各种套路适用的产品
结合公司阶段性业务目标和产品自身特性，运营经理可以从如下目标池中选定特定运营目标：
获取用户（拉新）
提高活跃度（促活）
提高留存率（留存）
促交易
获取收入
传播
明确了目标，掌握了运营策略，下一步就是与产品形成联结搭建运营小框架了。
1. 波士顿矩阵模型2.0
波士顿矩阵（我称之为“波士顿矩阵模型1.0”），又称市场增长率-相对市场份额矩阵，这个模型从销售增长率（外部因素）和市场占有率（内部因素）两个维度入手，划出了四个象限，用以分析企业当前产品结构和发展前景。
与模型中原有的思路不同，我倾向于认为互金公司在四个象限中的产品都有其存在的合理性，并需要针对不同象限内的产品设定不同的运营目标和运营策略，进而实现获客和交易规模的最大化。
其中最重要的原因，在于目前互联网金融行业整体上依旧处于成长期，还没有经历过一个完整的行业周期，在不同的公司里，每一类产品都有可能处于四象限中的任何一个象限——可以说，不存在“不好的产品”，只存在“不好的运营策略”。
在模型 1.0 中，被认为应该“放弃”或“收割”的问题产品，我会重点展开论述。
明星产品
销售增长率和市场占有率“双高”的产品群。
产品举例：现金管理类产品（平安财富宝的平安盈）、定期高收益产品（债权转让、票据）
运营目标：拉新、促交易、获取收入
适用运营策略举例：交易送抵用券、分享加收益
问题产品
销售增长率高、市场占有率低的产品群。
产品举例：黄金产品（账户金／黄金ETF）
运营目标：此类产品的运营目标跟产品自身属性关联度较高，简单来说，可分为如下两大类：
1）阶段性增长，具有一定周期性的产品：提高留存率、促进交易
最典型的就是黄金产品。
对专业度要求较高，真实交易群体小，受原油、汇率、国际重大事件等的影响较大。针对此类产品设计运营活动，主要目标就是为本 APP 或平台内的其他产品导流，借助热点吸引用户过来，并促成在本平台的交易。
典型的例子是 2016 年英国公投脱欧，账户金类产品和黄金 ETF 的关注度瞬间飙高，理财用户在各大平台上寻找此类产品。
从百度指数来看，本次热点 2016 年 6 月 21 日开始启动，到低谷之后的最后一个交易日（2016 年 7 月 1 日）一共 11 天 9 个交易日，存金宝（蚂蚁金服基于博时黄金 ETF 的 I 类份额包装）、平安金（平安银行的账户金）等产品赚取了大量的眼球和新用户（交易量增幅很大，但绝对值不大）。
当热潮退去时，这部分新增用户的留存率就是检验运营手段有效性的关键指标。
从上图可见，虽然 2016 年 7 月 1 日后大家对英国脱欧公投的关注度已经趋近于 0，但对黄金的关注度却在整体上了一个台阶的基础上，持续活跃了更长的一段时间。这部分流量对互金的运营经理来说，就是需要去挽留并进一步促进交易的用户。
2）持续性增长，周期不明的产品：获取用户、促进进一步传播
此类产品往往是平台新推出的品类，业务成熟度偏低、监管风险不明、投资者对产品的认知度偏低。
比如 2013 年 6 月的阿里小微金服推出的余额宝、2013 年 11 月金银猫推出的银行承兑汇票，2014 年 9 月米牛网推出的股票配资、2015 年 6 月人人行科技推出的借贷宝……这些产品中，有些成为了市场主流，有些则已经销声匿迹。
这类开拓性的产品往往因为有监管套利空间，所以推出时的收益率往往会高于市场上其他的产品。
在“收益率-流动性-风险”的分析框架下，针对此类产品的运营活动，立足（高收益率+安全性）宣传，可以适当弱化流动性，诉求上主要以获取用户和促进进一步传播为目标。
适用运营策略举例：
周期性产品：注册送体验金、绑卡/投资送券
周期不明产品：注册送体验金、绑卡/投资送券、分享加收益、邀请好友返现/加收益/送券
瘦狗产品
销售增长率和市场占有率“双低”的产品群。
产品举例：公募基金（不含宝宝类产品）
运营目标： 提高留存率、持续导入用户
这类产品一般是针对平台内的长尾用户推出的，在平台出现产品空档期、用户手头有闲钱、股市大涨等情况下，用户往往会把钱投向此类产品。
如果没有蚂蚁聚宝那么大的互联网用户体量，或是天天基金持续多年积攒的专业基金投资者，不建议在这类产品上投入太多资源。
在这个前提下，运营目标以提高留存率为主，持续导入用户为辅。
适用运营策略举例：参加活动送红包、投资送份额、注册送体验金
金牛产品
销售增长率低、市场占有率高的产品群。
产品举例：存量的宝宝类产品
运营目标： 提高活跃度、提高留存率
适用运营策略举例：生日发券、年节红包、送礼品
2. 通过运营手段促成产品布局的优化
四个象限中的产品并不是固化的，它们会随着市场、监管、用户和公司资源的调整而变化，从运营的角度考虑，有时需要引导和促成这种变化，有时需要延缓变化。
根据波士顿矩阵的基本应用法则，最理想的布局是“成功的月牙环”（多只明星产品和现金牛产品，少量问题产品和痩狗产品），应该极力避免的是“黑球失败法则（第三象限内一只现金牛产品都没有，或基本没有任何销售收入）”。
看到这里，不知道你是否默默打开了自己的应用或是数据分析平台，在心里小小地掂量一下，自己的产品在四个象限里究竟是如何分布的？
根据以上逻辑，在此针对如下两种变化略作推演：
问题产品→明星产品
演化方向：从销售增长率高／市场占有率低到销售增长率和市场占有率“双高”
演化路径：保持并提高销售增长率、进一步提高市场占有率
其实问题产品是一种处于亚稳定状态下的业务，从趋势上看，一般会在 3 个月以内发生显著位移：或者向左跃迁为明星产品，或者向下坍缩成瘦狗产品。
需要注意的是，在计划和实施这套策略之前，务必明确该产品是否为小众产品（专业度高、风险高、操作复杂、有特定的交易时段等）。如果是，那就要考虑投入产出比可能会比较不划算，进而采用长期的内容运营和社群运营等策略了。这部分内容，以后有机会再展开说，我自己涉及得也不多。
瘦狗产品→问题产品
演化方向：从销售增长率和市场占有率“双低”到销售增长率高／市场占有率低
演化路径：提高销售增长率
痩狗产品的这种转变，往往需要长时间的持续运营，切忌急功近利狂砸钱。如果能与投资者教育、投资技巧介绍、市场热点做结合，往往能收获不错的效果。比如蚂蚁聚宝的轻定投，就同时收获了口碑和用户数。同样，这部分内容将来有机会再展开说。
3. 各种套路适用的阶段
用户生命周期
需要注意的是：
用户在每个阶段都可能离开，不一定会走完一个完整的周期
上表可以分析单个用户的生命周期，也可以分析同一时期内不同用户在这些周期上的分布情况
受限于上文划定的运营策略，类似提示多久未登录、新品上线提示等手段就没有囊括进来。其实，这些方法也很有效
那么，如何设定用户生命周期以及对应的运营目标指标呢？
不同公司有不同的口径，选择符合本公司特色的就好。比如，Pinterest 定义的活跃度，是按照整体激活率来衡量的，计算公式为：
整体激活率=七日回访人数／注册用户数
而我曾经待过的某一家公司计算的活跃度为月活数，计算公式为：
一个月内访问过一次及以上的用户数／当月注册用户数
虽然口径千差万别，但却不可或缺。简言之，一切不带数据标准的生命周期划分都是耍流氓。事实上，稍微上一点规模的公司都会建立一整套完整的用户分层指标体系，光光活跃度就会有好几个指标来定义和计算，更不用说指标之间相互乘除了（日活／周活、日活／月活、周活／月活……）。
市场周期
宏观经济、金融市场、公司所属行业等也有相应的运行周期，相应的周期分析工具也非常丰富。
在这里，推荐使用美林时钟进行分析，简单明了。对于搭建整体的认知框架很有帮助。
运营经理使用美林时钟的方法：
充分认知模型缺点，批判性使用。复苏、过热、滞涨、衰退，这四个阶段其实并没有非常严格的判断指标。也就是说，你不能看着类似 CPI、70 个大中城市房价指数、基尼系数、沪深 300 指数之类的经济或金融指标，判断当前处于哪个周期，以及是否进入了新的周期。
如果能找到使用美林时钟的基本方法，可以结合本平台现有的产品，搭配相应的运营策略进行推广
作为内容运营的选题和分享文案的素材
项目复盘或年度总结时，作为整体市场环境的描述框架
抛开美林时钟不看，其实也可以根据自己的经验选择若干有代表性的指标，设定一些简单的市场趋势判断工具。我一般习惯于把 P2P 产品平均收益率、余额宝年度回报率、沪深 300 、本平台负责的产品放在一起看看，寻找一点点市场的感觉。
在工作中，你用什么样的指标或计算方式来判断市场趋势呢？欢迎留言分享。
这篇就到这里了，关键要点归纳如下：
1.一套完整的运营方案包括七大要素：目标用户、运营目标、运营策略、运营载体、运营资源和成本、数据收集、效果评估
2.“运营目标-运营策略-运营载体（产品）”这个小框架是互金运营套路最快捷的切入点，也是互金运营的三个底层逻辑
3.运营目标池：获取用户（拉新）、提高活跃度（促活）、提高留存率（留存）、促交易、获取收入、传播
4.在用户画像的基础上（本文没有涉及，但非常重要），运营策略=用户行为+奖励标的
5.运营载体（产品）可以落在波士顿矩阵的四个象限内，以此为基础结合运营目标和运营策略，互金运营的套路雏形就可以搭建起来了
6.各种套路的使用，要结合用户生命周期和市场周期的大背景。除了美林时钟，其实你也可以探索属于自己的分析指标
7.不管是做产品还是做运营，重在有节制。所有的模型只是为了保证最坏的情况下有最保底的策略，而不是设计运营方案时的首选。能用融合到产品本身实现目标的，不要做运营方案；能够通过一个方案做到的，不要做多个；能够不花钱或少花钱的，尽量少花。不要忘了，你做运营、做产品，初心是什么？
注：
本文提到的运营方案，主要针对本平台内的运营活动来说，暂未涵盖社群运营、内容运营、线下活动、数据运营等方面。实际上，可用的运营手段极其多样，在此仅选取最常见的几种进行论述。文中没有提到的其它一些运营手段，也可采用同样的模式进行组合与套用。
绘制波士顿矩阵的方法：
以 10% 的销售增长率和 20% 的市场占有率为高低标准分界线，将坐标图划分为四个象限。然后把企业全部产品按其销售增长率和市场占有率的大小，在坐标图上标出其相应位置（圆心）。定位后，按每种产品当年销售额的多少，绘成面积不等的圆圈，顺序标上不同的数字代号以示区别。定位的结果即将产品划分为四种类型。
更多内容请关注：www.imefuture.com
来源：微信公众号 人人都是产品经理 张德春 查看全部
互金运营常用策略
1）奖励标的
体验金、卡券（抵用券、满减券、加息券）、红包、送礼品（紧俏电子产品、现金、话费）、返现。
2）用户行为
浏览、注册、绑卡、投资、复投、赎回、收益发放、分享、邀请好友。
3）组合之后形成策略
注册送话费／现金／抵用券、分享加收益……策略可以多重组合，选择合适自己的就好。
各种套路适用的产品
结合公司阶段性业务目标和产品自身特性，运营经理可以从如下目标池中选定特定运营目标：
获取用户（拉新）
提高活跃度（促活）
提高留存率（留存）
促交易
获取收入
传播
明确了目标，掌握了运营策略，下一步就是与产品形成联结搭建运营小框架了。
1. 波士顿矩阵模型2.0
波士顿矩阵（我称之为“波士顿矩阵模型1.0”），又称市场增长率-相对市场份额矩阵，这个模型从销售增长率（外部因素）和市场占有率（内部因素）两个维度入手，划出了四个象限，用以分析企业当前产品结构和发展前景。
与模型中原有的思路不同，我倾向于认为互金公司在四个象限中的产品都有其存在的合理性，并需要针对不同象限内的产品设定不同的运营目标和运营策略，进而实现获客和交易规模的最大化。
其中最重要的原因，在于目前互联网金融行业整体上依旧处于成长期，还没有经历过一个完整的行业周期，在不同的公司里，每一类产品都有可能处于四象限中的任何一个象限——可以说，不存在“不好的产品”，只存在“不好的运营策略”。
在模型 1.0 中，被认为应该“放弃”或“收割”的问题产品，我会重点展开论述。
明星产品
销售增长率和市场占有率“双高”的产品群。
产品举例：现金管理类产品（平安财富宝的平安盈）、定期高收益产品（债权转让、票据）
运营目标：拉新、促交易、获取收入
适用运营策略举例：交易送抵用券、分享加收益
问题产品
销售增长率高、市场占有率低的产品群。
产品举例：黄金产品（账户金／黄金ETF）
运营目标：此类产品的运营目标跟产品自身属性关联度较高，简单来说，可分为如下两大类：
1）阶段性增长，具有一定周期性的产品：提高留存率、促进交易
最典型的就是黄金产品。
对专业度要求较高，真实交易群体小，受原油、汇率、国际重大事件等的影响较大。针对此类产品设计运营活动，主要目标就是为本 APP 或平台内的其他产品导流，借助热点吸引用户过来，并促成在本平台的交易。
典型的例子是 2016 年英国公投脱欧，账户金类产品和黄金 ETF 的关注度瞬间飙高，理财用户在各大平台上寻找此类产品。
从百度指数来看，本次热点 2016 年 6 月 21 日开始启动，到低谷之后的最后一个交易日（2016 年 7 月 1 日）一共 11 天 9 个交易日，存金宝（蚂蚁金服基于博时黄金 ETF 的 I 类份额包装）、平安金（平安银行的账户金）等产品赚取了大量的眼球和新用户（交易量增幅很大，但绝对值不大）。
当热潮退去时，这部分新增用户的留存率就是检验运营手段有效性的关键指标。
从上图可见，虽然 2016 年 7 月 1 日后大家对英国脱欧公投的关注度已经趋近于 0，但对黄金的关注度却在整体上了一个台阶的基础上，持续活跃了更长的一段时间。这部分流量对互金的运营经理来说，就是需要去挽留并进一步促进交易的用户。
2）持续性增长，周期不明的产品：获取用户、促进进一步传播
此类产品往往是平台新推出的品类，业务成熟度偏低、监管风险不明、投资者对产品的认知度偏低。
比如 2013 年 6 月的阿里小微金服推出的余额宝、2013 年 11 月金银猫推出的银行承兑汇票，2014 年 9 月米牛网推出的股票配资、2015 年 6 月人人行科技推出的借贷宝……这些产品中，有些成为了市场主流，有些则已经销声匿迹。
这类开拓性的产品往往因为有监管套利空间，所以推出时的收益率往往会高于市场上其他的产品。
在“收益率-流动性-风险”的分析框架下，针对此类产品的运营活动，立足（高收益率+安全性）宣传，可以适当弱化流动性，诉求上主要以获取用户和促进进一步传播为目标。
适用运营策略举例：
周期性产品：注册送体验金、绑卡/投资送券
周期不明产品：注册送体验金、绑卡/投资送券、分享加收益、邀请好友返现/加收益/送券
瘦狗产品
销售增长率和市场占有率“双低”的产品群。
产品举例：公募基金（不含宝宝类产品）
运营目标： 提高留存率、持续导入用户
这类产品一般是针对平台内的长尾用户推出的，在平台出现产品空档期、用户手头有闲钱、股市大涨等情况下，用户往往会把钱投向此类产品。
如果没有蚂蚁聚宝那么大的互联网用户体量，或是天天基金持续多年积攒的专业基金投资者，不建议在这类产品上投入太多资源。
在这个前提下，运营目标以提高留存率为主，持续导入用户为辅。
适用运营策略举例：参加活动送红包、投资送份额、注册送体验金
金牛产品
销售增长率低、市场占有率高的产品群。
产品举例：存量的宝宝类产品
运营目标： 提高活跃度、提高留存率
适用运营策略举例：生日发券、年节红包、送礼品
2. 通过运营手段促成产品布局的优化
四个象限中的产品并不是固化的，它们会随着市场、监管、用户和公司资源的调整而变化，从运营的角度考虑，有时需要引导和促成这种变化，有时需要延缓变化。
根据波士顿矩阵的基本应用法则，最理想的布局是“成功的月牙环”（多只明星产品和现金牛产品，少量问题产品和痩狗产品），应该极力避免的是“黑球失败法则（第三象限内一只现金牛产品都没有，或基本没有任何销售收入）”。
看到这里，不知道你是否默默打开了自己的应用或是数据分析平台，在心里小小地掂量一下，自己的产品在四个象限里究竟是如何分布的？
根据以上逻辑，在此针对如下两种变化略作推演：
问题产品→明星产品
演化方向：从销售增长率高／市场占有率低到销售增长率和市场占有率“双高”
演化路径：保持并提高销售增长率、进一步提高市场占有率
其实问题产品是一种处于亚稳定状态下的业务，从趋势上看，一般会在 3 个月以内发生显著位移：或者向左跃迁为明星产品，或者向下坍缩成瘦狗产品。
需要注意的是，在计划和实施这套策略之前，务必明确该产品是否为小众产品（专业度高、风险高、操作复杂、有特定的交易时段等）。如果是，那就要考虑投入产出比可能会比较不划算，进而采用长期的内容运营和社群运营等策略了。这部分内容，以后有机会再展开说，我自己涉及得也不多。
瘦狗产品→问题产品
演化方向：从销售增长率和市场占有率“双低”到销售增长率高／市场占有率低
演化路径：提高销售增长率
痩狗产品的这种转变，往往需要长时间的持续运营，切忌急功近利狂砸钱。如果能与投资者教育、投资技巧介绍、市场热点做结合，往往能收获不错的效果。比如蚂蚁聚宝的轻定投，就同时收获了口碑和用户数。同样，这部分内容将来有机会再展开说。
3. 各种套路适用的阶段
用户生命周期
需要注意的是：
用户在每个阶段都可能离开，不一定会走完一个完整的周期
上表可以分析单个用户的生命周期，也可以分析同一时期内不同用户在这些周期上的分布情况
受限于上文划定的运营策略，类似提示多久未登录、新品上线提示等手段就没有囊括进来。其实，这些方法也很有效
那么，如何设定用户生命周期以及对应的运营目标指标呢？
不同公司有不同的口径，选择符合本公司特色的就好。比如，Pinterest 定义的活跃度，是按照整体激活率来衡量的，计算公式为：
整体激活率=七日回访人数／注册用户数
而我曾经待过的某一家公司计算的活跃度为月活数，计算公式为：
一个月内访问过一次及以上的用户数／当月注册用户数
虽然口径千差万别，但却不可或缺。简言之，一切不带数据标准的生命周期划分都是耍流氓。事实上，稍微上一点规模的公司都会建立一整套完整的用户分层指标体系，光光活跃度就会有好几个指标来定义和计算，更不用说指标之间相互乘除了（日活／周活、日活／月活、周活／月活……）。
市场周期
宏观经济、金融市场、公司所属行业等也有相应的运行周期，相应的周期分析工具也非常丰富。
在这里，推荐使用美林时钟进行分析，简单明了。对于搭建整体的认知框架很有帮助。
运营经理使用美林时钟的方法：
充分认知模型缺点，批判性使用。复苏、过热、滞涨、衰退，这四个阶段其实并没有非常严格的判断指标。也就是说，你不能看着类似 CPI、70 个大中城市房价指数、基尼系数、沪深 300 指数之类的经济或金融指标，判断当前处于哪个周期，以及是否进入了新的周期。
如果能找到使用美林时钟的基本方法，可以结合本平台现有的产品，搭配相应的运营策略进行推广
作为内容运营的选题和分享文案的素材
项目复盘或年度总结时，作为整体市场环境的描述框架
抛开美林时钟不看，其实也可以根据自己的经验选择若干有代表性的指标，设定一些简单的市场趋势判断工具。我一般习惯于把 P2P 产品平均收益率、余额宝年度回报率、沪深 300 、本平台负责的产品放在一起看看，寻找一点点市场的感觉。
在工作中，你用什么样的指标或计算方式来判断市场趋势呢？欢迎留言分享。
这篇就到这里了，关键要点归纳如下：
1.一套完整的运营方案包括七大要素：目标用户、运营目标、运营策略、运营载体、运营资源和成本、数据收集、效果评估
2.“运营目标-运营策略-运营载体（产品）”这个小框架是互金运营套路最快捷的切入点，也是互金运营的三个底层逻辑
3.运营目标池：获取用户（拉新）、提高活跃度（促活）、提高留存率（留存）、促交易、获取收入、传播
4.在用户画像的基础上（本文没有涉及，但非常重要），运营策略=用户行为+奖励标的
5.运营载体（产品）可以落在波士顿矩阵的四个象限内，以此为基础结合运营目标和运营策略，互金运营的套路雏形就可以搭建起来了
6.各种套路的使用，要结合用户生命周期和市场周期的大背景。除了美林时钟，其实你也可以探索属于自己的分析指标
7.不管是做产品还是做运营，重在有节制。所有的模型只是为了保证最坏的情况下有最保底的策略，而不是设计运营方案时的首选。能用融合到产品本身实现目标的，不要做运营方案；能够通过一个方案做到的，不要做多个；能够不花钱或少花钱的，尽量少花。不要忘了，你做运营、做产品，初心是什么？
注：
本文提到的运营方案，主要针对本平台内的运营活动来说，暂未涵盖社群运营、内容运营、线下活动、数据运营等方面。实际上，可用的运营手段极其多样，在此仅选取最常见的几种进行论述。文中没有提到的其它一些运营手段，也可采用同样的模式进行组合与套用。
绘制波士顿矩阵的方法：
以 10% 的销售增长率和 20% 的市场占有率为高低标准分界线，将坐标图划分为四个象限。然后把企业全部产品按其销售增长率和市场占有率的大小，在坐标图上标出其相应位置（圆心）。定位后，按每种产品当年销售额的多少，绘成面积不等的圆圈，顺序标上不同的数字代号以示区别。定位的结果即将产品划分为四种类型。
更多内容请关注：www.imefuture.com
来源：微信公众号 人人都是产品经理 张德春 查看全部
如果把一整套运营方案比做一辆大货车，那么这个小框架就像是车架上放置的集装箱，不管是哪一辆大货车，甚至是货轮、火车，都可以根据自身情况进行安装、运输和拆卸。
互金运营常用策略
1）奖励标的
体验金、卡券（抵用券、满减券、加息券）、红包、送礼品（紧俏电子产品、现金、话费）、返现。
2）用户行为
浏览、注册、绑卡、投资、复投、赎回、收益发放、分享、邀请好友。
3）组合之后形成策略
注册送话费／现金／抵用券、分享加收益……策略可以多重组合，选择合适自己的就好。
各种套路适用的产品
结合公司阶段性业务目标和产品自身特性，运营经理可以从如下目标池中选定特定运营目标：
获取用户（拉新）
提高活跃度（促活）
提高留存率（留存）
促交易
获取收入
传播
明确了目标，掌握了运营策略，下一步就是与产品形成联结搭建运营小框架了。
1. 波士顿矩阵模型2.0
波士顿矩阵（我称之为“波士顿矩阵模型1.0”），又称市场增长率-相对市场份额矩阵，这个模型从销售增长率（外部因素）和市场占有率（内部因素）两个维度入手，划出了四个象限，用以分析企业当前产品结构和发展前景。
与模型中原有的思路不同，我倾向于认为互金公司在四个象限中的产品都有其存在的合理性，并需要针对不同象限内的产品设定不同的运营目标和运营策略，进而实现获客和交易规模的最大化。
其中最重要的原因，在于目前互联网金融行业整体上依旧处于成长期，还没有经历过一个完整的行业周期，在不同的公司里，每一类产品都有可能处于四象限中的任何一个象限——可以说，不存在“不好的产品”，只存在“不好的运营策略”。
在模型 1.0 中，被认为应该“放弃”或“收割”的问题产品，我会重点展开论述。
明星产品
销售增长率和市场占有率“双高”的产品群。
产品举例：现金管理类产品（平安财富宝的平安盈）、定期高收益产品（债权转让、票据）
运营目标：拉新、促交易、获取收入
适用运营策略举例：交易送抵用券、分享加收益
问题产品
销售增长率高、市场占有率低的产品群。
产品举例：黄金产品（账户金／黄金ETF）
运营目标：此类产品的运营目标跟产品自身属性关联度较高，简单来说，可分为如下两大类：
1）阶段性增长，具有一定周期性的产品：提高留存率、促进交易
最典型的就是黄金产品。
对专业度要求较高，真实交易群体小，受原油、汇率、国际重大事件等的影响较大。针对此类产品设计运营活动，主要目标就是为本 APP 或平台内的其他产品导流，借助热点吸引用户过来，并促成在本平台的交易。
典型的例子是 2016 年英国公投脱欧，账户金类产品和黄金 ETF 的关注度瞬间飙高，理财用户在各大平台上寻找此类产品。
从百度指数来看，本次热点 2016 年 6 月 21 日开始启动，到低谷之后的最后一个交易日（2016 年 7 月 1 日）一共 11 天 9 个交易日，存金宝（蚂蚁金服基于博时黄金 ETF 的 I 类份额包装）、平安金（平安银行的账户金）等产品赚取了大量的眼球和新用户（交易量增幅很大，但绝对值不大）。
当热潮退去时，这部分新增用户的留存率就是检验运营手段有效性的关键指标。
从上图可见，虽然 2016 年 7 月 1 日后大家对英国脱欧公投的关注度已经趋近于 0，但对黄金的关注度却在整体上了一个台阶的基础上，持续活跃了更长的一段时间。这部分流量对互金的运营经理来说，就是需要去挽留并进一步促进交易的用户。
2）持续性增长，周期不明的产品：获取用户、促进进一步传播
此类产品往往是平台新推出的品类，业务成熟度偏低、监管风险不明、投资者对产品的认知度偏低。
比如 2013 年 6 月的阿里小微金服推出的余额宝、2013 年 11 月金银猫推出的银行承兑汇票，2014 年 9 月米牛网推出的股票配资、2015 年 6 月人人行科技推出的借贷宝……这些产品中，有些成为了市场主流，有些则已经销声匿迹。
这类开拓性的产品往往因为有监管套利空间，所以推出时的收益率往往会高于市场上其他的产品。
在“收益率-流动性-风险”的分析框架下，针对此类产品的运营活动，立足（高收益率+安全性）宣传，可以适当弱化流动性，诉求上主要以获取用户和促进进一步传播为目标。
适用运营策略举例：
周期性产品：注册送体验金、绑卡/投资送券
周期不明产品：注册送体验金、绑卡/投资送券、分享加收益、邀请好友返现/加收益/送券
瘦狗产品
销售增长率和市场占有率“双低”的产品群。
产品举例：公募基金（不含宝宝类产品）
运营目标： 提高留存率、持续导入用户
这类产品一般是针对平台内的长尾用户推出的，在平台出现产品空档期、用户手头有闲钱、股市大涨等情况下，用户往往会把钱投向此类产品。
如果没有蚂蚁聚宝那么大的互联网用户体量，或是天天基金持续多年积攒的专业基金投资者，不建议在这类产品上投入太多资源。
在这个前提下，运营目标以提高留存率为主，持续导入用户为辅。
适用运营策略举例：参加活动送红包、投资送份额、注册送体验金
金牛产品
销售增长率低、市场占有率高的产品群。
产品举例：存量的宝宝类产品
运营目标： 提高活跃度、提高留存率
适用运营策略举例：生日发券、年节红包、送礼品
2. 通过运营手段促成产品布局的优化
四个象限中的产品并不是固化的，它们会随着市场、监管、用户和公司资源的调整而变化，从运营的角度考虑，有时需要引导和促成这种变化，有时需要延缓变化。
根据波士顿矩阵的基本应用法则，最理想的布局是“成功的月牙环”（多只明星产品和现金牛产品，少量问题产品和痩狗产品），应该极力避免的是“黑球失败法则（第三象限内一只现金牛产品都没有，或基本没有任何销售收入）”。
看到这里，不知道你是否默默打开了自己的应用或是数据分析平台，在心里小小地掂量一下，自己的产品在四个象限里究竟是如何分布的？
根据以上逻辑，在此针对如下两种变化略作推演：
问题产品→明星产品
演化方向：从销售增长率高／市场占有率低到销售增长率和市场占有率“双高”
演化路径：保持并提高销售增长率、进一步提高市场占有率
其实问题产品是一种处于亚稳定状态下的业务，从趋势上看，一般会在 3 个月以内发生显著位移：或者向左跃迁为明星产品，或者向下坍缩成瘦狗产品。
需要注意的是，在计划和实施这套策略之前，务必明确该产品是否为小众产品（专业度高、风险高、操作复杂、有特定的交易时段等）。如果是，那就要考虑投入产出比可能会比较不划算，进而采用长期的内容运营和社群运营等策略了。这部分内容，以后有机会再展开说，我自己涉及得也不多。
瘦狗产品→问题产品
演化方向：从销售增长率和市场占有率“双低”到销售增长率高／市场占有率低
演化路径：提高销售增长率
痩狗产品的这种转变，往往需要长时间的持续运营，切忌急功近利狂砸钱。如果能与投资者教育、投资技巧介绍、市场热点做结合，往往能收获不错的效果。比如蚂蚁聚宝的轻定投，就同时收获了口碑和用户数。同样，这部分内容将来有机会再展开说。
3. 各种套路适用的阶段
用户生命周期
需要注意的是：
用户在每个阶段都可能离开，不一定会走完一个完整的周期
上表可以分析单个用户的生命周期，也可以分析同一时期内不同用户在这些周期上的分布情况
受限于上文划定的运营策略，类似提示多久未登录、新品上线提示等手段就没有囊括进来。其实，这些方法也很有效
那么，如何设定用户生命周期以及对应的运营目标指标呢？
不同公司有不同的口径，选择符合本公司特色的就好。比如，Pinterest 定义的活跃度，是按照整体激活率来衡量的，计算公式为：
整体激活率=七日回访人数／注册用户数
而我曾经待过的某一家公司计算的活跃度为月活数，计算公式为：
一个月内访问过一次及以上的用户数／当月注册用户数
虽然口径千差万别，但却不可或缺。简言之，一切不带数据标准的生命周期划分都是耍流氓。事实上，稍微上一点规模的公司都会建立一整套完整的用户分层指标体系，光光活跃度就会有好几个指标来定义和计算，更不用说指标之间相互乘除了（日活／周活、日活／月活、周活／月活……）。
市场周期
宏观经济、金融市场、公司所属行业等也有相应的运行周期，相应的周期分析工具也非常丰富。
在这里，推荐使用美林时钟进行分析，简单明了。对于搭建整体的认知框架很有帮助。
运营经理使用美林时钟的方法：
充分认知模型缺点，批判性使用。复苏、过热、滞涨、衰退，这四个阶段其实并没有非常严格的判断指标。也就是说，你不能看着类似 CPI、70 个大中城市房价指数、基尼系数、沪深 300 指数之类的经济或金融指标，判断当前处于哪个周期，以及是否进入了新的周期。
如果能找到使用美林时钟的基本方法，可以结合本平台现有的产品，搭配相应的运营策略进行推广
作为内容运营的选题和分享文案的素材
项目复盘或年度总结时，作为整体市场环境的描述框架
抛开美林时钟不看，其实也可以根据自己的经验选择若干有代表性的指标，设定一些简单的市场趋势判断工具。我一般习惯于把 P2P 产品平均收益率、余额宝年度回报率、沪深 300 、本平台负责的产品放在一起看看，寻找一点点市场的感觉。
在工作中，你用什么样的指标或计算方式来判断市场趋势呢？欢迎留言分享。
这篇就到这里了，关键要点归纳如下：
1.一套完整的运营方案包括七大要素：目标用户、运营目标、运营策略、运营载体、运营资源和成本、数据收集、效果评估
2.“运营目标-运营策略-运营载体（产品）”这个小框架是互金运营套路最快捷的切入点，也是互金运营的三个底层逻辑
3.运营目标池：获取用户（拉新）、提高活跃度（促活）、提高留存率（留存）、促交易、获取收入、传播
4.在用户画像的基础上（本文没有涉及，但非常重要），运营策略=用户行为+奖励标的
5.运营载体（产品）可以落在波士顿矩阵的四个象限内，以此为基础结合运营目标和运营策略，互金运营的套路雏形就可以搭建起来了
6.各种套路的使用，要结合用户生命周期和市场周期的大背景。除了美林时钟，其实你也可以探索属于自己的分析指标
7.不管是做产品还是做运营，重在有节制。所有的模型只是为了保证最坏的情况下有最保底的策略，而不是设计运营方案时的首选。能用融合到产品本身实现目标的，不要做运营方案；能够通过一个方案做到的，不要做多个；能够不花钱或少花钱的，尽量少花。不要忘了，你做运营、做产品，初心是什么？
注：
本文提到的运营方案，主要针对本平台内的运营活动来说，暂未涵盖社群运营、内容运营、线下活动、数据运营等方面。实际上，可用的运营手段极其多样，在此仅选取最常见的几种进行论述。文中没有提到的其它一些运营手段，也可采用同样的模式进行组合与套用。
绘制波士顿矩阵的方法：
以 10% 的销售增长率和 20% 的市场占有率为高低标准分界线，将坐标图划分为四个象限。然后把企业全部产品按其销售增长率和市场占有率的大小，在坐标图上标出其相应位置（圆心）。定位后，按每种产品当年销售额的多少，绘成面积不等的圆圈，顺序标上不同的数字代号以示区别。定位的结果即将产品划分为四种类型。
更多内容请关注：www.imefuture.com
来源：微信公众号 人人都是产品经理 张德春
589 浏览
互联网产品经理装逼指南
其它类 jicheng 2017-03-10 13:06 发表了文章
产品圈，不懂一点互联网术语怎么好意思说自己是产品经理？
今天人人都是产品经理为大家奉上最全最有用的
产品专用名词学（zhuang）习（bi）指南
看完分分钟涨姿势！
收好不谢~
职称
CEO
Chief Executive Officer「首席执行官」
CTO
Chief Technology Officer「首席技术官」
COO
Chief Operations Officer「首席运营官」
PM
Product Manager「产品经理」
Project Manager 「项目经理」
OD
Operations Director「运营总监」
OP
Operations 「技术运维」
DE
Developmental Enginer「开发工程师」
HE
Hardware Engineer「硬件工程师」
FE
Front End Engineer 「前端工程师」
R&D
Research and Development engineer 「研发工程师」
DBA
Database Administrator 「数据库管理员」
QA
QA Engineer 「测试工程师」
专业名词
1. 行业术语
IP
Internet Protocol 网络之间互连的协议，它是能使连接到网上的所有计算机网络实现相互通信的一套规则，规定了计算机在因特网上进行通信时应当遵守的规则。
NFC
Near Field Communication 近距离无线通讯技术，短距高频的无线电技术,能在短距离内与兼容设备进行识别和数据交换。
SEM
Search Engine Marketing 搜索引擎营销。是一种网络营销形式，就是全面而有效的利用搜索引擎来进行网络营销和推广。
SEO
Search Engine Optimization 搜索引擎优化。利用搜索引擎的搜索规则来提高展示排名。
ASO
App Store Optimizatio 苹果应用商店搜索。指提升APP在各类APP苹果电子市场排行榜和搜索结果排名的过程。
UGC
User Generated Content 用户生成内容，用户将自己原创的内容在网上对他人呈现。
PGC
Professionally-generated Content 专业生产内容，指平台或者专家专业生产的内容。
OGC
Occupationally-generated Content 职业生产内容，视频、新闻等网站中，以提供相应内容为职业，如：记者，专栏作者等。
KOL
Key Opinion Leader 关键意见领袖，关键意见领袖通常是某行业或领域内的权威人士，为相关群体所接受或信任，并对该群体有较大影响力的人。
P2P
Person To Person 互联网金融点对点借贷平台。又称点对点网络借款，是一种将小额资金聚集起来借贷给有资金需求人群的一种民间小额借贷模式。
VC
Venture Capital 风险投资，大多是创业投资。
BP
Business Plan 商业计划书，是公司、企业或项目单位为了达到招商融资和其它发展目标，根据一定的格式和内容要求而编辑整理的一个向受众全面展示公司和项目目前状况、未来发展潜力的书面材料。
VR
Virtual Reality 虚拟现实，综合利用计算机图形系统和各种现实及控制等接口设备，在计算机上生成的，可交互的三维环境中提供沉浸感觉的技术。
AR
Augmented Reality 增强现实。它是一种将真实世界信息和虚拟世界信息“无缝”集成的新技术。真实的环境和虚拟的物体实时地叠加到了同一个画面或空间同时存在。
MR
Mixed reality 混合现实，指的是结合真实和虚拟世界创造了新的环境和可视化，物理实体和数字对象共存并能实时相互作用，以用来模拟真实物体。混合了真实、增强现实、增强虚拟和虚拟现实技术。
LBS
Location Based Service 基于位置的服务，它是通过电信移动运营商的无线电通讯网络（如GSM网、CDMA网）或外部定位方式（如GPS）获取移动终端用户的位置信息（地理坐标，或大地坐标），在地理信息系统平台的支持下，为用户提供相应服务的一种增值业务。
SOHO
Small Office Home Office 家居办公，是一种新经济、新概念，指自由、弹性而新型的生活和工作方式。
SNS
Social Networking Services 社会性网络服务。指个人之间的关系网络，这种基于社会网络关系系统思想的网站就是社会性网络网站(SNS网站)。
BBS
Bulletin Board System 电子公告板，通过在计算机上运行服务软件，允许用户使用终端程序通过Internet来进行连接，执行下载数据或程序、上传数据、阅读新闻、与其它用户交换消息等功能。
TMT
Technology、Media、Telecom 数字新媒体， TMT是电信、媒体和科技三个英文单词的缩写的第一个字头，整合在一起，实际是未来电信、媒体科技（互联网），包括信息技术这样一个融合趋势所产生的大的背景，这就是TMT产业。
IAAS
Infrastructure-as-a-Service 基础设施即服务，消费者通过Internet 可以从完善的计算机基础设施获得服务。这类服务称为基础设施即服务。
PAAS
Platform-as-a-Service 平台即服务，把服务器平台作为一种服务提供的商业模式。
SAAS
Software-as-a-Service 软件即服务，一种通过Internet提供软件的模式，厂商将应用软件统一部署在自己的服务器上，客户可以根据自己实际需求，通过互联网向厂商定购所需的应用软件服务，按定购的服务多少和时间长短向厂商支付费用，并通过互联网获得厂商提供的服务。
ASP
Application Service provider 应用服务提供商，通过构建应用系统运行平台，然后再租给各个不同的用户使用。对用户来说，是以“月租”代替“购买”。
CRM
Customer Relationship Management 客户关系管理，指用计算机自动化分析销售、市场营销、客户服务以及应用等流程的软件系统
ERP
Enterprise Resource Planning 企业资源计划，企业资源计划是指建立在信息技术基础上，以系统化的管理思想，为企业决策层及员工提供决策运行手段的管理平台。
ACG
为英文Animation、Comic、Game的缩写，是动画、漫画、游戏的总称。
B2B
Business to Business 企业对企业的电子商务，如阿里巴巴。
B2C
Business to Customer 企业对个人的电子商务，如京东。
C2C
Customer to Customer 个人对个人的电子商务，如淘宝。
O2O
Online to Offline 线上对线下，线下商务与线上推广相结合。
GA
是一个由Google所提供的网站流量统计服务。只要在欲观察的页面放入GA所提供的一小段JavaScript代码后，每当运行这个网页时，即会发送如：浏览者的所在国家、经由什么关键字进入该页等相关数据至GA服务器，并集成成易读的信息给网站站长。
暗网
暗网（深网，不可见网，隐藏网）是指那些存储在网络数据库里、但不能通过超链接访问而需要通过动态网页技术访问的资源集合，不属于那些可以被标准搜索引擎索引的表面网络。
二次元
该用法始于日本，早期的日本动画、游戏作品都是以二维图像构成的，其画面是一个平面，所以被称为是“二次元世界”，简称“二次元”，而与之相对的是“三次元”，即“我们所存在的这个次元”，也就是现实世界。
洋葱网络
洋葱网络是一种在计算机网络上进行匿名通信的技术。通信数据先进行多层加密然后在由若干个被称为洋葱路由器组成的通信线路上被传送。
共享经济
一般是指以获得一定报酬为主要目的，基于陌生人且存在物品使用权暂时转移的一种新的经济模式。
消费升级
一般指消费结构的升级，是各类消费支出在消费总支出中的结构升级和层次提高，它直接反映了消费水平和发展趋势。
新零售
未来电子商务平台即将消失，线上线下和物流结合在一起，才会产生新零售。线上是指云平台，线下是指销售门店或生产商，新物流消灭库存，减少囤货量。
（电子商务平台消失是指，现有的电商平台分散，每个人都有自己的电商平台）
2.文档术语
MRD
Market Requirements Document 市场需求文档
常见的为竞品分析，一般用于立项，基于目前市场数据及竞品等进行项目提出，一般用于提案。
PRD
Product Requirement Document 产品需求文档
一般是说明实现的过程，较为详细。有些公司为了敏捷开发需要很多时候会直接在原型图上面通过注释方式进行更直观的展示。
PMD
Program Managment Document 项目管理文档
一般包括项目进度、项目资源、责任人和项目输出物，常规通过visio进行甘特图绘制管理。该文档一般贯穿整个项目全程，衡量项目进度。
BRD
Business Requirement Document 商业需求文档
是基于商业目标或价值所描述的产品需求内容文档（报告）。其核心的用途就是用于产品在投入研发之前，由企业高层作为决策评估的重要依据。其内容涉及市场分析，销售策略，盈利预测等，通常是供决策层们讨论的演示文档，一般比较短小精炼，没有产品细节。
DRD
Design Requirement Drawing 交互设计文档
一般用来承载交互说明，并交付给前端、测试以及开发工程师参考的文档。
FSD
Functional Specifications Document 功能详细说明，定义产品功能需求的全部细节。
FSD一般通过一张张的截屏和一条条功能点来定义产品规格。这是一份可以直接让工程师创建产品的文档。
PSD
Product SpecificationsDocument 产品规格文档
PSD是一个较不流行的缩写，但是在有这样一个文档的机构中，它大体和上面描述的功能规格文档（FSD）相同。
SRS
Software RequirementsSpecification 软件需求文档，软件需求文档（SRS）是另一较不流行的缩写，在创建SRS的机构中，它在内容和细节上和上面描述的PRD或FSD有些想像。
3.运营术语
AARRR模型
Acquisition、Activation、Retention、Revenue、Refer这个五个单词的缩写，分别对应这一款移动应用生命周期中的5个重要环节。分别为：获取用户、提高活跃度、提高留存率、获取收入、自传播。
RFM用户模型
R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M (Monetary)表示客户在最近一段时间内购买的金额。
用户增长的S型曲线、J型曲线
指大多数产品，在产品发展周期中，都会遵循S型曲线的增长方式；但有些产品，可能产生J型曲线。
用户金字塔模型
第一级是社区的管理人员。第二级是用户管理工具。第三级是有价值用户，基本就是在社区里面足够活跃，并且给你的社区贡献有效价值的那些用户。第四级一般性用户。
OMTM
One metric that matters北极星指标，指唯一重要的指标。
4.交互设计术语
UI
User Interface ，用户界面，泛指用户的操作界面，UI设计主要指界面的样式，美观程度。
NUI
Natural User Interface 自然用户界面，NUI则只需要人们以最自然的交流方式（如语言和文字）与机器互动，使用NUI的计算机不需要键盘或鼠标。
GUI
Graphical User Interface 图形用户界面，指采用图形方式显示的计算机操作用户界面。
HUI
Handset User Interface 手持设备用户界面
WUI
Web User Interface 网页风格用户界面
UE or UX
User Experience 用户体验，指以用户体验为中心的设计。
UED
user experience design 用户体验设计，指以用户为中心的一种设计手段，以用户需求为目标而进行的设计。
UCD
User Centered Design 以用户为中心的设计，在设计过程中以用户体验为设计决策的中心，强调用户优先的设计模式。
HMI
Human Machine Interface 人机界面，人机界面是系统和用户之间进行交互和信息交换的媒介， 它实现信息的内部形式与人类可以接受形式之间的转换。
CLI
Command-line Interface 命令行界面，它通常不支持鼠标，用户通过键盘输入指令，计算机接收到指令后，予以执行。
UIMS
User Interface Management System 用户界面管理系统
DSC
Decision Support Center 决策支持中心，以决策支持小组为核心，为决策的全过程提供技术支持。
CHI
computer-human interaction 人机交互
HCI
human computer interaction 人机交互
OO
Object Oriented 面向对象，是一种把面向对象的思想应用于软件开发过程中，指导开发活动的系统方法，是建立在“对象”概念基础上的方法学。
OOA
Object Oriented Analysis 面向对象分析，是确定需求或者业务的角度，按照面向对象的思想来分析业务。
OOD
Object Oriented Design 面向对象设计，是OO方法中一个中间过渡环节。其主要作用是对OOA分析的结果作进一步的规范化整理，以便能够被OOP直接接受。
OOP
Object Oriented Programming 面向对象程序设计，OOP 的一条基本原则是计算机程序是由单个能够起到子程序作用的单元或对象组合而成。
5.技术术语：
API
Application Programming Interface 应用程序编程接口
是一些预先定义的函数，目的是提供应用程序与开发人员基于某软件或硬件得以访问一组例程的能力，而又无需访问源码，或理解内部工作机制的细节。
HTML
HyperText Markup Language 超文本标记语言
网页的本质就是超级文本标记语言，通过结合使用其他的Web技术可以创造出功能强大的网页。
UML
Unified Modeling Language 统一建模语言/标准建模语言
它是一个支持模型化和软件系统开发的图形化语言，为软件开发的所有阶段提供模型化和可视化支持，包括由需求分析到规格，到构造和配置。
CSS
Cascading Style Sheets 层叠样式表
是一种用来表现HTML（标准通用标记语言的一个应用）或XML（标准通用标记语言的一个子集）等文件样式的计算机语言。CSS不仅可以静态地修饰网页，还可以配合各种脚本语言动态地对网页各元素进行格式化。
JS
JavaScript 一种直译式脚本语言，是一种动态类型、弱类型、基于原型的语言，内置支持类型。
PHP
Hypertext Preprocessor 超文本预处理器，是一种通用开源脚本语言。语法吸收了C语言、Java和Perl的特点，利于学习，使用广泛，主要适用于Web开发领域。
JAVA
一门面向对象编程语言，不仅吸收了C++语言的各种优点，还摒弃了C++里难以理解的多继承、指针等概念，因此Java语言具有功能强大和简单易用两个特征。
MVC模型
Model View Controller，是模型(model)－视图(view)－控制器(controller)的缩写，一种软件设计典范，用一种业务逻辑、数据、界面显示分离的方法组织代码，将业务逻辑聚集到一个部件里面，在改进和个性化定制界面及用户交互的同时，不需要重新编写业务逻辑。
SDK
Software Development Kit 软件开发工具包，一般都是一些软件工程师为特定的软件包、软件框架、硬件平台、操作系统等建立应用软件时的开发工具的集合。
RSS
Really Simple Syndication 简易信息聚合，是一种描述和同步网站内容的格式，发布一个RSS文件后，这个RSS Feed中包含的信息就能直接被其他站点调用。
Feed
RSS中用来接收该信息来源更新的接口，满足希望以某种形式持续得到自己更新的需求而提供的格式标准的信息出口。
URL
Uniform Resoure Locator 统一资源定位器，对可以从互联网上得到的资源的位置和访问方法的一种简洁的表示。
UAT
User Acceptance Test 用户可接受测试，一般由产品运营UI客服等进行的一轮测试。
CMS
Content Management System 内容管理系统，是一种位于WEB 前端（Web 服务器）和后端办公系统或流程（内容创作、编辑）之间的软件系统。内容的创作人员、编辑人员、发布人员使用内容管理系统来提交、修改、审批、发布内容。
6.搜索引擎术语
Adsens
Google AdSense 是一种获取收入的快速简便的方法，适合于各种规模的网站发布商。它可以在网站的内容网页上展示相关性较高的 Google广告，并且这些广告不会过分夸张醒目。
PPC
Pay Per Click 点击付费广告，规则是广告主只有当使用者实际上点击广告以拜访广告主的网站时，才需要支付费用。
DSP
Demand-Side Platform 需求方平台广告，它服务于广告主，帮助广告主在互联网或者移动互联网上进行广告投放，DSP可以使广告主更简单便捷地遵循统一的竞价和反馈方式，对位于多家广告交易平台的在线广告,以合理的价格实时购买高质量的广告库存。
SSP
Sell-Side Platform 供应方平台，通过这一平台，媒体主希望他们的库存广告可以获得最高的有效每千次展示费用，而不必以低价销售出去。
DMP
Data-Management Platform 数据管理平台，数据管理平台能够帮助所有涉及广告库存购买和出售的各方管理其数据、更方便地使用第三方数据、增强他们对所有这些数据的理解、传回数据或将定制数据传入某一平台，以进行更好地定位。
RTB
Real Time Bidding 实时竞价，RTB是一种技术为王的精准营销手段，当一个用户在全网浏览过某种商品，或点击过特殊类目的广告后，其浏览痕迹都会通过cookie记录在案，而通过广告交易平台，你在下一次浏览网页的时候，将被推送符合偏好的广告。
SPAM
搜索引擎垃圾技术，搜索引擎垃圾技术是利用不道德的技巧去提高自己搜索引擎上的排名。
Sandbox
沙盒效应 由最主要的搜索引擎Google所决定的搜索引擎结果页面（搜索结果）中，新发布的网站排名越来越低。这一现象被称为“沙盒效应”。它们会对那些链接流行度迅速攀升的网站进行冷处理以防止SEOer过度优化。
7. 计费模式
CPC
Cost Per Click 每点击成本，网络广告每次点击的费用，是网络广告界最常见的定价形式。
CPS
Cost Per Sales 每销售成本，以实际销售产品数量来计算广告费用的广告，这种广告更多的适合购物类、导购类、网址导航类的网站，需要精准的流量才能带来转化。
CPT
Cost Per Time 按时间成本，这种方式的特点是按用户使用时长或使用周期计费，可以从根本上杜绝刷流量、激活作弊，是最真实的、有效的营销方式之一。
CPA
Cost Per Action 按事件成本，这种计价方式是指按广告投放实际效果，即按预先设定好的转化目标来计费，而不限广告投放量。
CPM
Cost Per Mille 每千人成本，即Cost Per Thousand Impression每千次印象数成本；广告主为它的广告显示1000次所付的费用。
CPR
Cost Per Response 每回应成本，以浏览者的每一个回应计费，这种广告计费充分体现了网络广告“及时反应、直接互动、准确记录”的特点，但是，这个只是辅助销售的一种公式。
8.数据指标
DAU
Daily Active User 日活跃用户数量，统计一日（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
WAU
Weekly Active Users 七天内登陆过产品的用户数。统计一周之内（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
MAU
Monthly Active User 月活跃用户量，统计一月之内（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
DOU
Day Old User 日老玩家用户，表示当天登录游戏的老玩家，指非当天新增的用户。
DNU
Day New User日新增用户，表示当天的新增用户。
ACU
Average concurrent users 平均同时在线人数。
PCU
Peak concurrent users 最高同时在线人数。
UV
Unique Visitor 唯一访问量，可以理解为页面被多少人看过。
PV
Page View 页面浏览量，可以理解为页面被人看过的总次数。用户每1次对网站中的每个网页访问均被记录1次。用户对同一页面的多次访问，访问量累计。
ARPU
Average Revenue Per User 平均每活跃用户收益。转化率：用户点击页面后，产生被期望的特定行为的数量，占总量的比。
ARPPU
Average Revenue Per Paying User 每付费用户平均收益。统计周期内，付费用户对产品产生的平均收入。
LTV
Life Time Value LTV 生命周期价值，是产品从用户所有的互动中所得到的全部经济收益的总和。
CAC
Customer Acquisition Cost 用户获取成本，获取用户所花费的成本。
KPI
Key Performance Indicator 关键绩效指标，是企业绩效考核的方法之一。
ROI
Return On Investment 投资回报率，投资回报率（ROI）=利润总额/投入成本总额×100%
非专业名词新解
Bigger：「逼格」源于 Bigger than Bigger
Jiaban ：「加班」
You can you up ：「你行你上」
No can no bb ：「不行别哔哔！」
4B ：「苦逼、二逼、装逼、傻逼」
Too young，too simple ：「图样图森破」
装逼概念
马太效应
Matthew Effect 指强者愈强、弱者愈弱、好的愈好，坏的愈坏，多的愈多，少的愈少的现象，广泛应用于社会心理学、教育、金融以及科学等众多领域。
羊群效应
指人们经常受到多数人影响，从而跟从大众的思想或行为，也被称为“从众效应”。人们会追随大众所同意的，将自己的意见默认否定，且不会主观上思考事件的意义。羊群效应是诉诸群众谬误的基础。
霍桑效应
指那些意识到自己正在被别人观察的个人具有改变自己行为的倾向。
病毒式营销
源于英文词汇viralmarketing。常用于进行网站推广、品牌推广等。利用的是用户口碑传播的原理，在互联网上，这种“口碑传播”更为方便，可以像病毒一样迅速蔓延，因此病毒性营销成为一种高效的信息传播方式，而且，由于这种传播是用户之间自发进行的，因此几乎是不需要费用的网络营销手段。
鲶鱼效应
鲶鱼在搅动小鱼生存环境的同时，也激活了小鱼的求生能力。鲶鱼效应是采取一种手段或措施，刺激一些企业活跃起来投入到市场中积极参与竞争，从而激活市场中的同行业企业。其实质是一种负激励，是激活员工队伍之奥秘。
沸水理论
把水煮沸后，看上去热气腾腾，但水的总量不会增加，而且需要供热成本，为了维持一个看上去热腾腾的活跃度，你需要不断添柴、加火，这些供暖成本很高的，而由此产生的热气却无法增加额外的水量， 那么还要煮沸它做什么呢？
在网络上，很多人不择手段地去追求用户的“活跃度”，却不考虑活跃度到底能带来什么收益。当我们看到一群人的活跃是个漂亮数字的时候，应该 去看看每个人活跃的背后到底意味着什么价值。
长尾理论
网络时代兴起的一种新理论，由于成本和效率的因素，当商品储存流通展示的场地和渠道足够宽广，商品生产成本急剧下降以至于个人都可以进行生产，并且商品的销售成本急剧降低时，几乎任何以前看似需求极低的产品，只要有卖，都会有人买。这些需求和销量不高的产品所占据的共同市场份额，可以和主流产品的市场份额相比，甚至更大。
幸存者偏差
驳斥的是一种常见的逻辑谬误（“谬误”而不是“偏差”），这个被驳斥的逻辑谬误指的是只能看到经过某种筛选而产生的结果，而没有意识到筛选的过程，因此忽略了被筛选掉的关键信息。这东西的别名有很多，比如“沉默的数据”、“死人不会说话”等等。
墨菲定律
如果有两种或两种以上的方式去做某件事情，而其中一种选择方式将导致灾难，则必定有人会做出这种选择。
摩尔定律
当价格不变时，集成电路上可容纳的元器件的数目，约每隔18-24个月便会增加一倍，性能也将提升一倍。换言之，每一美元所能买到的电脑性能，将每隔18-24个月翻一倍以上。这一定律揭示了信息技术进步的速度。
黑天鹅事件
指非常难以预测，且不寻常的事件，通常会引起市场连锁负面反应甚至颠覆。
金字塔原理
是一项层次性、结构化的思考、沟通技术，可以用于结构化的写作过程。
马斯洛需求理论
将人类需求像阶梯一样从低到高按层次分为五种，分别是：生理需求、安全需求、社交需求、尊重需求和自我实现需求。
社交蒸发冷却效应
是指在社交团体中，成员的价值跟液体的温度类似，因此当温度最高的液体蒸发变成气体时（价值最高的成员离开社团），剩下的液体的平均温度就会下降（社团的平均价值会进一步降低）。
囚徒困境
说明为什么甚至在合作对双方都有利时，保持合作也是困难的反映个人最佳选择并非团体最佳选择。
降维攻击：
将攻击目标本身所处的空间维度降低，致使目标无法在低维度的空间中生存从而毁灭目标。如3维空间的物体在二维空间中，物体自身微观粒子相互之间的作用力公式将发生变化，物体分子将不能保持现有的稳定状态，极可能发生解体，导致物体本身毁灭。
专业术语运用 之 终极版产品腔
场景纯属虚构，如有巧合，那……那……那也是没Sei了~~~
产品狗：Jason啊，预计这个Q上线的产品，PRD我已经搞好了，request确定了，BOSS也拍板了，这肯定是最终版本的PRD，你放心去搞吧……
猿大大：最终版本？？？有哪次需求你是不改的！老板拍板也没用！
产品狗：我立字据！这次肯定……@￥%#……%……*0）￥%#3￥&@#*^&*……
猿大大：好了好了，我知道了…….
……..
（一个月后）
产品狗：额…那个…猿大大，你那个报名表单验证还没做吧？
猿大大：必须做了，我还测了3遍，完全没问题。
产品狗：额…有个小小的change……是这样的，我们（其实是boss啦）觉得现在固定的表单灵活性太差了，要不一步到位直接做成自定义表单吧，可以后台设置表单字段以及显示顺序…….
猿大大：呵呵，这……叫小改动？我这开发都快结束了！
产品狗：我这PM 也是不容易啊，你看这么做不都是为了让业务更好的运转嘛，我们不是2B的Platform嘛，况且现在还在探索阶段，运营对表单内容调整频繁、操作量大，这样灵活；自定义化后，运营工作效率也会大大的up，用户转化率当然就no problem 啦！反正产品后期自定义表单也是必要的，这也是早晚的问题，免得以后运营也不会说咱unprofessional嘛。猿大大，我不也是为了让我们的program顺利的run下去~小小的功能做好了，运营也就有更多精力更花在Customer上，以后的PV啊，UV啊肯定乐观！这样大家皆大欢喜，简直Wonderful~您就稍微做个小修改……可别让这Program delay，到时候让leader催着跑。之前搞的CRM系统还有Christmas 活动，不都因为一个小小的功能问题，让OD说咱unprofessional，anyway把这个做好啦，review meeting肯定一次过， 完成后我请你去happy一下……
（后续如何，各位看官自行脑补……）
看完这些你准备好飞起来了么？~
来源：网络 查看全部
今天人人都是产品经理为大家奉上最全最有用的
产品专用名词学（zhuang）习（bi）指南
看完分分钟涨姿势！
收好不谢~
职称
CEO
Chief Executive Officer「首席执行官」
CTO
Chief Technology Officer「首席技术官」
COO
Chief Operations Officer「首席运营官」
PM
Product Manager「产品经理」
Project Manager 「项目经理」
OD
Operations Director「运营总监」
OP
Operations 「技术运维」
DE
Developmental Enginer「开发工程师」
HE
Hardware Engineer「硬件工程师」
FE
Front End Engineer 「前端工程师」
R&D
Research and Development engineer 「研发工程师」
DBA
Database Administrator 「数据库管理员」
QA
QA Engineer 「测试工程师」
专业名词
1. 行业术语
IP
Internet Protocol 网络之间互连的协议，它是能使连接到网上的所有计算机网络实现相互通信的一套规则，规定了计算机在因特网上进行通信时应当遵守的规则。
NFC
Near Field Communication 近距离无线通讯技术，短距高频的无线电技术,能在短距离内与兼容设备进行识别和数据交换。
SEM
Search Engine Marketing 搜索引擎营销。是一种网络营销形式，就是全面而有效的利用搜索引擎来进行网络营销和推广。
SEO
Search Engine Optimization 搜索引擎优化。利用搜索引擎的搜索规则来提高展示排名。
ASO
App Store Optimizatio 苹果应用商店搜索。指提升APP在各类APP苹果电子市场排行榜和搜索结果排名的过程。
UGC
User Generated Content 用户生成内容，用户将自己原创的内容在网上对他人呈现。
PGC
Professionally-generated Content 专业生产内容，指平台或者专家专业生产的内容。
OGC
Occupationally-generated Content 职业生产内容，视频、新闻等网站中，以提供相应内容为职业，如：记者，专栏作者等。
KOL
Key Opinion Leader 关键意见领袖，关键意见领袖通常是某行业或领域内的权威人士，为相关群体所接受或信任，并对该群体有较大影响力的人。
P2P
Person To Person 互联网金融点对点借贷平台。又称点对点网络借款，是一种将小额资金聚集起来借贷给有资金需求人群的一种民间小额借贷模式。
VC
Venture Capital 风险投资，大多是创业投资。
BP
Business Plan 商业计划书，是公司、企业或项目单位为了达到招商融资和其它发展目标，根据一定的格式和内容要求而编辑整理的一个向受众全面展示公司和项目目前状况、未来发展潜力的书面材料。
VR
Virtual Reality 虚拟现实，综合利用计算机图形系统和各种现实及控制等接口设备，在计算机上生成的，可交互的三维环境中提供沉浸感觉的技术。
AR
Augmented Reality 增强现实。它是一种将真实世界信息和虚拟世界信息“无缝”集成的新技术。真实的环境和虚拟的物体实时地叠加到了同一个画面或空间同时存在。
MR
Mixed reality 混合现实，指的是结合真实和虚拟世界创造了新的环境和可视化，物理实体和数字对象共存并能实时相互作用，以用来模拟真实物体。混合了真实、增强现实、增强虚拟和虚拟现实技术。
LBS
Location Based Service 基于位置的服务，它是通过电信移动运营商的无线电通讯网络（如GSM网、CDMA网）或外部定位方式（如GPS）获取移动终端用户的位置信息（地理坐标，或大地坐标），在地理信息系统平台的支持下，为用户提供相应服务的一种增值业务。
SOHO
Small Office Home Office 家居办公，是一种新经济、新概念，指自由、弹性而新型的生活和工作方式。
SNS
Social Networking Services 社会性网络服务。指个人之间的关系网络，这种基于社会网络关系系统思想的网站就是社会性网络网站(SNS网站)。
BBS
Bulletin Board System 电子公告板，通过在计算机上运行服务软件，允许用户使用终端程序通过Internet来进行连接，执行下载数据或程序、上传数据、阅读新闻、与其它用户交换消息等功能。
TMT
Technology、Media、Telecom 数字新媒体， TMT是电信、媒体和科技三个英文单词的缩写的第一个字头，整合在一起，实际是未来电信、媒体科技（互联网），包括信息技术这样一个融合趋势所产生的大的背景，这就是TMT产业。
IAAS
Infrastructure-as-a-Service 基础设施即服务，消费者通过Internet 可以从完善的计算机基础设施获得服务。这类服务称为基础设施即服务。
PAAS
Platform-as-a-Service 平台即服务，把服务器平台作为一种服务提供的商业模式。
SAAS
Software-as-a-Service 软件即服务，一种通过Internet提供软件的模式，厂商将应用软件统一部署在自己的服务器上，客户可以根据自己实际需求，通过互联网向厂商定购所需的应用软件服务，按定购的服务多少和时间长短向厂商支付费用，并通过互联网获得厂商提供的服务。
ASP
Application Service provider 应用服务提供商，通过构建应用系统运行平台，然后再租给各个不同的用户使用。对用户来说，是以“月租”代替“购买”。
CRM
Customer Relationship Management 客户关系管理，指用计算机自动化分析销售、市场营销、客户服务以及应用等流程的软件系统
ERP
Enterprise Resource Planning 企业资源计划，企业资源计划是指建立在信息技术基础上，以系统化的管理思想，为企业决策层及员工提供决策运行手段的管理平台。
ACG
为英文Animation、Comic、Game的缩写，是动画、漫画、游戏的总称。
B2B
Business to Business 企业对企业的电子商务，如阿里巴巴。
B2C
Business to Customer 企业对个人的电子商务，如京东。
C2C
Customer to Customer 个人对个人的电子商务，如淘宝。
O2O
Online to Offline 线上对线下，线下商务与线上推广相结合。
GA
是一个由Google所提供的网站流量统计服务。只要在欲观察的页面放入GA所提供的一小段JavaScript代码后，每当运行这个网页时，即会发送如：浏览者的所在国家、经由什么关键字进入该页等相关数据至GA服务器，并集成成易读的信息给网站站长。
暗网
暗网（深网，不可见网，隐藏网）是指那些存储在网络数据库里、但不能通过超链接访问而需要通过动态网页技术访问的资源集合，不属于那些可以被标准搜索引擎索引的表面网络。
二次元
该用法始于日本，早期的日本动画、游戏作品都是以二维图像构成的，其画面是一个平面，所以被称为是“二次元世界”，简称“二次元”，而与之相对的是“三次元”，即“我们所存在的这个次元”，也就是现实世界。
洋葱网络
洋葱网络是一种在计算机网络上进行匿名通信的技术。通信数据先进行多层加密然后在由若干个被称为洋葱路由器组成的通信线路上被传送。
共享经济
一般是指以获得一定报酬为主要目的，基于陌生人且存在物品使用权暂时转移的一种新的经济模式。
消费升级
一般指消费结构的升级，是各类消费支出在消费总支出中的结构升级和层次提高，它直接反映了消费水平和发展趋势。
新零售
未来电子商务平台即将消失，线上线下和物流结合在一起，才会产生新零售。线上是指云平台，线下是指销售门店或生产商，新物流消灭库存，减少囤货量。
（电子商务平台消失是指，现有的电商平台分散，每个人都有自己的电商平台）
2.文档术语
MRD
Market Requirements Document 市场需求文档
常见的为竞品分析，一般用于立项，基于目前市场数据及竞品等进行项目提出，一般用于提案。
PRD
Product Requirement Document 产品需求文档
一般是说明实现的过程，较为详细。有些公司为了敏捷开发需要很多时候会直接在原型图上面通过注释方式进行更直观的展示。
PMD
Program Managment Document 项目管理文档
一般包括项目进度、项目资源、责任人和项目输出物，常规通过visio进行甘特图绘制管理。该文档一般贯穿整个项目全程，衡量项目进度。
BRD
Business Requirement Document 商业需求文档
是基于商业目标或价值所描述的产品需求内容文档（报告）。其核心的用途就是用于产品在投入研发之前，由企业高层作为决策评估的重要依据。其内容涉及市场分析，销售策略，盈利预测等，通常是供决策层们讨论的演示文档，一般比较短小精炼，没有产品细节。
DRD
Design Requirement Drawing 交互设计文档
一般用来承载交互说明，并交付给前端、测试以及开发工程师参考的文档。
FSD
Functional Specifications Document 功能详细说明，定义产品功能需求的全部细节。
FSD一般通过一张张的截屏和一条条功能点来定义产品规格。这是一份可以直接让工程师创建产品的文档。
PSD
Product SpecificationsDocument 产品规格文档
PSD是一个较不流行的缩写，但是在有这样一个文档的机构中，它大体和上面描述的功能规格文档（FSD）相同。
SRS
Software RequirementsSpecification 软件需求文档，软件需求文档（SRS）是另一较不流行的缩写，在创建SRS的机构中，它在内容和细节上和上面描述的PRD或FSD有些想像。
3.运营术语
AARRR模型
Acquisition、Activation、Retention、Revenue、Refer这个五个单词的缩写，分别对应这一款移动应用生命周期中的5个重要环节。分别为：获取用户、提高活跃度、提高留存率、获取收入、自传播。
RFM用户模型
R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M (Monetary)表示客户在最近一段时间内购买的金额。
用户增长的S型曲线、J型曲线
指大多数产品，在产品发展周期中，都会遵循S型曲线的增长方式；但有些产品，可能产生J型曲线。
用户金字塔模型
第一级是社区的管理人员。第二级是用户管理工具。第三级是有价值用户，基本就是在社区里面足够活跃，并且给你的社区贡献有效价值的那些用户。第四级一般性用户。
OMTM
One metric that matters北极星指标，指唯一重要的指标。
4.交互设计术语
UI
User Interface ，用户界面，泛指用户的操作界面，UI设计主要指界面的样式，美观程度。
NUI
Natural User Interface 自然用户界面，NUI则只需要人们以最自然的交流方式（如语言和文字）与机器互动，使用NUI的计算机不需要键盘或鼠标。
GUI
Graphical User Interface 图形用户界面，指采用图形方式显示的计算机操作用户界面。
HUI
Handset User Interface 手持设备用户界面
WUI
Web User Interface 网页风格用户界面
UE or UX
User Experience 用户体验，指以用户体验为中心的设计。
UED
user experience design 用户体验设计，指以用户为中心的一种设计手段，以用户需求为目标而进行的设计。
UCD
User Centered Design 以用户为中心的设计，在设计过程中以用户体验为设计决策的中心，强调用户优先的设计模式。
HMI
Human Machine Interface 人机界面，人机界面是系统和用户之间进行交互和信息交换的媒介， 它实现信息的内部形式与人类可以接受形式之间的转换。
CLI
Command-line Interface 命令行界面，它通常不支持鼠标，用户通过键盘输入指令，计算机接收到指令后，予以执行。
UIMS
User Interface Management System 用户界面管理系统
DSC
Decision Support Center 决策支持中心，以决策支持小组为核心，为决策的全过程提供技术支持。
CHI
computer-human interaction 人机交互
HCI
human computer interaction 人机交互
OO
Object Oriented 面向对象，是一种把面向对象的思想应用于软件开发过程中，指导开发活动的系统方法，是建立在“对象”概念基础上的方法学。
OOA
Object Oriented Analysis 面向对象分析，是确定需求或者业务的角度，按照面向对象的思想来分析业务。
OOD
Object Oriented Design 面向对象设计，是OO方法中一个中间过渡环节。其主要作用是对OOA分析的结果作进一步的规范化整理，以便能够被OOP直接接受。
OOP
Object Oriented Programming 面向对象程序设计，OOP 的一条基本原则是计算机程序是由单个能够起到子程序作用的单元或对象组合而成。
5.技术术语：
API
Application Programming Interface 应用程序编程接口
是一些预先定义的函数，目的是提供应用程序与开发人员基于某软件或硬件得以访问一组例程的能力，而又无需访问源码，或理解内部工作机制的细节。
HTML
HyperText Markup Language 超文本标记语言
网页的本质就是超级文本标记语言，通过结合使用其他的Web技术可以创造出功能强大的网页。
UML
Unified Modeling Language 统一建模语言/标准建模语言
它是一个支持模型化和软件系统开发的图形化语言，为软件开发的所有阶段提供模型化和可视化支持，包括由需求分析到规格，到构造和配置。
CSS
Cascading Style Sheets 层叠样式表
是一种用来表现HTML（标准通用标记语言的一个应用）或XML（标准通用标记语言的一个子集）等文件样式的计算机语言。CSS不仅可以静态地修饰网页，还可以配合各种脚本语言动态地对网页各元素进行格式化。
JS
JavaScript 一种直译式脚本语言，是一种动态类型、弱类型、基于原型的语言，内置支持类型。
PHP
Hypertext Preprocessor 超文本预处理器，是一种通用开源脚本语言。语法吸收了C语言、Java和Perl的特点，利于学习，使用广泛，主要适用于Web开发领域。
JAVA
一门面向对象编程语言，不仅吸收了C++语言的各种优点，还摒弃了C++里难以理解的多继承、指针等概念，因此Java语言具有功能强大和简单易用两个特征。
MVC模型
Model View Controller，是模型(model)－视图(view)－控制器(controller)的缩写，一种软件设计典范，用一种业务逻辑、数据、界面显示分离的方法组织代码，将业务逻辑聚集到一个部件里面，在改进和个性化定制界面及用户交互的同时，不需要重新编写业务逻辑。
SDK
Software Development Kit 软件开发工具包，一般都是一些软件工程师为特定的软件包、软件框架、硬件平台、操作系统等建立应用软件时的开发工具的集合。
RSS
Really Simple Syndication 简易信息聚合，是一种描述和同步网站内容的格式，发布一个RSS文件后，这个RSS Feed中包含的信息就能直接被其他站点调用。
Feed
RSS中用来接收该信息来源更新的接口，满足希望以某种形式持续得到自己更新的需求而提供的格式标准的信息出口。
URL
Uniform Resoure Locator 统一资源定位器，对可以从互联网上得到的资源的位置和访问方法的一种简洁的表示。
UAT
User Acceptance Test 用户可接受测试，一般由产品运营UI客服等进行的一轮测试。
CMS
Content Management System 内容管理系统，是一种位于WEB 前端（Web 服务器）和后端办公系统或流程（内容创作、编辑）之间的软件系统。内容的创作人员、编辑人员、发布人员使用内容管理系统来提交、修改、审批、发布内容。
6.搜索引擎术语
Adsens
Google AdSense 是一种获取收入的快速简便的方法，适合于各种规模的网站发布商。它可以在网站的内容网页上展示相关性较高的 Google广告，并且这些广告不会过分夸张醒目。
PPC
Pay Per Click 点击付费广告，规则是广告主只有当使用者实际上点击广告以拜访广告主的网站时，才需要支付费用。
DSP
Demand-Side Platform 需求方平台广告，它服务于广告主，帮助广告主在互联网或者移动互联网上进行广告投放，DSP可以使广告主更简单便捷地遵循统一的竞价和反馈方式，对位于多家广告交易平台的在线广告,以合理的价格实时购买高质量的广告库存。
SSP
Sell-Side Platform 供应方平台，通过这一平台，媒体主希望他们的库存广告可以获得最高的有效每千次展示费用，而不必以低价销售出去。
DMP
Data-Management Platform 数据管理平台，数据管理平台能够帮助所有涉及广告库存购买和出售的各方管理其数据、更方便地使用第三方数据、增强他们对所有这些数据的理解、传回数据或将定制数据传入某一平台，以进行更好地定位。
RTB
Real Time Bidding 实时竞价，RTB是一种技术为王的精准营销手段，当一个用户在全网浏览过某种商品，或点击过特殊类目的广告后，其浏览痕迹都会通过cookie记录在案，而通过广告交易平台，你在下一次浏览网页的时候，将被推送符合偏好的广告。
SPAM
搜索引擎垃圾技术，搜索引擎垃圾技术是利用不道德的技巧去提高自己搜索引擎上的排名。
Sandbox
沙盒效应 由最主要的搜索引擎Google所决定的搜索引擎结果页面（搜索结果）中，新发布的网站排名越来越低。这一现象被称为“沙盒效应”。它们会对那些链接流行度迅速攀升的网站进行冷处理以防止SEOer过度优化。
7. 计费模式
CPC
Cost Per Click 每点击成本，网络广告每次点击的费用，是网络广告界最常见的定价形式。
CPS
Cost Per Sales 每销售成本，以实际销售产品数量来计算广告费用的广告，这种广告更多的适合购物类、导购类、网址导航类的网站，需要精准的流量才能带来转化。
CPT
Cost Per Time 按时间成本，这种方式的特点是按用户使用时长或使用周期计费，可以从根本上杜绝刷流量、激活作弊，是最真实的、有效的营销方式之一。
CPA
Cost Per Action 按事件成本，这种计价方式是指按广告投放实际效果，即按预先设定好的转化目标来计费，而不限广告投放量。
CPM
Cost Per Mille 每千人成本，即Cost Per Thousand Impression每千次印象数成本；广告主为它的广告显示1000次所付的费用。
CPR
Cost Per Response 每回应成本，以浏览者的每一个回应计费，这种广告计费充分体现了网络广告“及时反应、直接互动、准确记录”的特点，但是，这个只是辅助销售的一种公式。
8.数据指标
DAU
Daily Active User 日活跃用户数量，统计一日（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
WAU
Weekly Active Users 七天内登陆过产品的用户数。统计一周之内（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
MAU
Monthly Active User 月活跃用户量，统计一月之内（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
DOU
Day Old User 日老玩家用户，表示当天登录游戏的老玩家，指非当天新增的用户。
DNU
Day New User日新增用户，表示当天的新增用户。
ACU
Average concurrent users 平均同时在线人数。
PCU
Peak concurrent users 最高同时在线人数。
UV
Unique Visitor 唯一访问量，可以理解为页面被多少人看过。
PV
Page View 页面浏览量，可以理解为页面被人看过的总次数。用户每1次对网站中的每个网页访问均被记录1次。用户对同一页面的多次访问，访问量累计。
ARPU
Average Revenue Per User 平均每活跃用户收益。转化率：用户点击页面后，产生被期望的特定行为的数量，占总量的比。
ARPPU
Average Revenue Per Paying User 每付费用户平均收益。统计周期内，付费用户对产品产生的平均收入。
LTV
Life Time Value LTV 生命周期价值，是产品从用户所有的互动中所得到的全部经济收益的总和。
CAC
Customer Acquisition Cost 用户获取成本，获取用户所花费的成本。
KPI
Key Performance Indicator 关键绩效指标，是企业绩效考核的方法之一。
ROI
Return On Investment 投资回报率，投资回报率（ROI）=利润总额/投入成本总额×100%
非专业名词新解
Bigger：「逼格」源于 Bigger than Bigger
Jiaban ：「加班」
You can you up ：「你行你上」
No can no bb ：「不行别哔哔！」
4B ：「苦逼、二逼、装逼、傻逼」
Too young，too simple ：「图样图森破」
装逼概念
马太效应
Matthew Effect 指强者愈强、弱者愈弱、好的愈好，坏的愈坏，多的愈多，少的愈少的现象，广泛应用于社会心理学、教育、金融以及科学等众多领域。
羊群效应
指人们经常受到多数人影响，从而跟从大众的思想或行为，也被称为“从众效应”。人们会追随大众所同意的，将自己的意见默认否定，且不会主观上思考事件的意义。羊群效应是诉诸群众谬误的基础。
霍桑效应
指那些意识到自己正在被别人观察的个人具有改变自己行为的倾向。
病毒式营销
源于英文词汇viralmarketing。常用于进行网站推广、品牌推广等。利用的是用户口碑传播的原理，在互联网上，这种“口碑传播”更为方便，可以像病毒一样迅速蔓延，因此病毒性营销成为一种高效的信息传播方式，而且，由于这种传播是用户之间自发进行的，因此几乎是不需要费用的网络营销手段。
鲶鱼效应
鲶鱼在搅动小鱼生存环境的同时，也激活了小鱼的求生能力。鲶鱼效应是采取一种手段或措施，刺激一些企业活跃起来投入到市场中积极参与竞争，从而激活市场中的同行业企业。其实质是一种负激励，是激活员工队伍之奥秘。
沸水理论
把水煮沸后，看上去热气腾腾，但水的总量不会增加，而且需要供热成本，为了维持一个看上去热腾腾的活跃度，你需要不断添柴、加火，这些供暖成本很高的，而由此产生的热气却无法增加额外的水量， 那么还要煮沸它做什么呢？
在网络上，很多人不择手段地去追求用户的“活跃度”，却不考虑活跃度到底能带来什么收益。当我们看到一群人的活跃是个漂亮数字的时候，应该 去看看每个人活跃的背后到底意味着什么价值。
长尾理论
网络时代兴起的一种新理论，由于成本和效率的因素，当商品储存流通展示的场地和渠道足够宽广，商品生产成本急剧下降以至于个人都可以进行生产，并且商品的销售成本急剧降低时，几乎任何以前看似需求极低的产品，只要有卖，都会有人买。这些需求和销量不高的产品所占据的共同市场份额，可以和主流产品的市场份额相比，甚至更大。
幸存者偏差
驳斥的是一种常见的逻辑谬误（“谬误”而不是“偏差”），这个被驳斥的逻辑谬误指的是只能看到经过某种筛选而产生的结果，而没有意识到筛选的过程，因此忽略了被筛选掉的关键信息。这东西的别名有很多，比如“沉默的数据”、“死人不会说话”等等。
墨菲定律
如果有两种或两种以上的方式去做某件事情，而其中一种选择方式将导致灾难，则必定有人会做出这种选择。
摩尔定律
当价格不变时，集成电路上可容纳的元器件的数目，约每隔18-24个月便会增加一倍，性能也将提升一倍。换言之，每一美元所能买到的电脑性能，将每隔18-24个月翻一倍以上。这一定律揭示了信息技术进步的速度。
黑天鹅事件
指非常难以预测，且不寻常的事件，通常会引起市场连锁负面反应甚至颠覆。
金字塔原理
是一项层次性、结构化的思考、沟通技术，可以用于结构化的写作过程。
马斯洛需求理论
将人类需求像阶梯一样从低到高按层次分为五种，分别是：生理需求、安全需求、社交需求、尊重需求和自我实现需求。
社交蒸发冷却效应
是指在社交团体中，成员的价值跟液体的温度类似，因此当温度最高的液体蒸发变成气体时（价值最高的成员离开社团），剩下的液体的平均温度就会下降（社团的平均价值会进一步降低）。
囚徒困境
说明为什么甚至在合作对双方都有利时，保持合作也是困难的反映个人最佳选择并非团体最佳选择。
降维攻击：
将攻击目标本身所处的空间维度降低，致使目标无法在低维度的空间中生存从而毁灭目标。如3维空间的物体在二维空间中，物体自身微观粒子相互之间的作用力公式将发生变化，物体分子将不能保持现有的稳定状态，极可能发生解体，导致物体本身毁灭。
专业术语运用 之 终极版产品腔
场景纯属虚构，如有巧合，那……那……那也是没Sei了~~~
产品狗：Jason啊，预计这个Q上线的产品，PRD我已经搞好了，request确定了，BOSS也拍板了，这肯定是最终版本的PRD，你放心去搞吧……
猿大大：最终版本？？？有哪次需求你是不改的！老板拍板也没用！
产品狗：我立字据！这次肯定……@￥%#……%……*0）￥%#3￥&@#*^&*……
猿大大：好了好了，我知道了…….
……..
（一个月后）
产品狗：额…那个…猿大大，你那个报名表单验证还没做吧？
猿大大：必须做了，我还测了3遍，完全没问题。
产品狗：额…有个小小的change……是这样的，我们（其实是boss啦）觉得现在固定的表单灵活性太差了，要不一步到位直接做成自定义表单吧，可以后台设置表单字段以及显示顺序…….
猿大大：呵呵，这……叫小改动？我这开发都快结束了！
产品狗：我这PM 也是不容易啊，你看这么做不都是为了让业务更好的运转嘛，我们不是2B的Platform嘛，况且现在还在探索阶段，运营对表单内容调整频繁、操作量大，这样灵活；自定义化后，运营工作效率也会大大的up，用户转化率当然就no problem 啦！反正产品后期自定义表单也是必要的，这也是早晚的问题，免得以后运营也不会说咱unprofessional嘛。猿大大，我不也是为了让我们的program顺利的run下去~小小的功能做好了，运营也就有更多精力更花在Customer上，以后的PV啊，UV啊肯定乐观！这样大家皆大欢喜，简直Wonderful~您就稍微做个小修改……可别让这Program delay，到时候让leader催着跑。之前搞的CRM系统还有Christmas 活动，不都因为一个小小的功能问题，让OD说咱unprofessional，anyway把这个做好啦，review meeting肯定一次过， 完成后我请你去happy一下……
（后续如何，各位看官自行脑补……）
看完这些你准备好飞起来了么？~
来源：网络 查看全部
产品圈，不懂一点互联网术语怎么好意思说自己是产品经理？
今天人人都是产品经理为大家奉上最全最有用的
产品专用名词学（zhuang）习（bi）指南
看完分分钟涨姿势！
收好不谢~
职称
CEO
Chief Executive Officer「首席执行官」
CTO
Chief Technology Officer「首席技术官」
COO
Chief Operations Officer「首席运营官」
PM
Product Manager「产品经理」
Project Manager 「项目经理」
OD
Operations Director「运营总监」
OP
Operations 「技术运维」
DE
Developmental Enginer「开发工程师」
HE
Hardware Engineer「硬件工程师」
FE
Front End Engineer 「前端工程师」
R&D
Research and Development engineer 「研发工程师」
DBA
Database Administrator 「数据库管理员」
QA
QA Engineer 「测试工程师」
专业名词
1. 行业术语
IP
Internet Protocol 网络之间互连的协议，它是能使连接到网上的所有计算机网络实现相互通信的一套规则，规定了计算机在因特网上进行通信时应当遵守的规则。
NFC
Near Field Communication 近距离无线通讯技术，短距高频的无线电技术,能在短距离内与兼容设备进行识别和数据交换。
SEM
Search Engine Marketing 搜索引擎营销。是一种网络营销形式，就是全面而有效的利用搜索引擎来进行网络营销和推广。
SEO
Search Engine Optimization 搜索引擎优化。利用搜索引擎的搜索规则来提高展示排名。
ASO
App Store Optimizatio 苹果应用商店搜索。指提升APP在各类APP苹果电子市场排行榜和搜索结果排名的过程。
UGC
User Generated Content 用户生成内容，用户将自己原创的内容在网上对他人呈现。
PGC
Professionally-generated Content 专业生产内容，指平台或者专家专业生产的内容。
OGC
Occupationally-generated Content 职业生产内容，视频、新闻等网站中，以提供相应内容为职业，如：记者，专栏作者等。
KOL
Key Opinion Leader 关键意见领袖，关键意见领袖通常是某行业或领域内的权威人士，为相关群体所接受或信任，并对该群体有较大影响力的人。
P2P
Person To Person 互联网金融点对点借贷平台。又称点对点网络借款，是一种将小额资金聚集起来借贷给有资金需求人群的一种民间小额借贷模式。
VC
Venture Capital 风险投资，大多是创业投资。
BP
Business Plan 商业计划书，是公司、企业或项目单位为了达到招商融资和其它发展目标，根据一定的格式和内容要求而编辑整理的一个向受众全面展示公司和项目目前状况、未来发展潜力的书面材料。
VR
Virtual Reality 虚拟现实，综合利用计算机图形系统和各种现实及控制等接口设备，在计算机上生成的，可交互的三维环境中提供沉浸感觉的技术。
AR
Augmented Reality 增强现实。它是一种将真实世界信息和虚拟世界信息“无缝”集成的新技术。真实的环境和虚拟的物体实时地叠加到了同一个画面或空间同时存在。
MR
Mixed reality 混合现实，指的是结合真实和虚拟世界创造了新的环境和可视化，物理实体和数字对象共存并能实时相互作用，以用来模拟真实物体。混合了真实、增强现实、增强虚拟和虚拟现实技术。
LBS
Location Based Service 基于位置的服务，它是通过电信移动运营商的无线电通讯网络（如GSM网、CDMA网）或外部定位方式（如GPS）获取移动终端用户的位置信息（地理坐标，或大地坐标），在地理信息系统平台的支持下，为用户提供相应服务的一种增值业务。
SOHO
Small Office Home Office 家居办公，是一种新经济、新概念，指自由、弹性而新型的生活和工作方式。
SNS
Social Networking Services 社会性网络服务。指个人之间的关系网络，这种基于社会网络关系系统思想的网站就是社会性网络网站(SNS网站)。
BBS
Bulletin Board System 电子公告板，通过在计算机上运行服务软件，允许用户使用终端程序通过Internet来进行连接，执行下载数据或程序、上传数据、阅读新闻、与其它用户交换消息等功能。
TMT
Technology、Media、Telecom 数字新媒体， TMT是电信、媒体和科技三个英文单词的缩写的第一个字头，整合在一起，实际是未来电信、媒体科技（互联网），包括信息技术这样一个融合趋势所产生的大的背景，这就是TMT产业。
IAAS
Infrastructure-as-a-Service 基础设施即服务，消费者通过Internet 可以从完善的计算机基础设施获得服务。这类服务称为基础设施即服务。
PAAS
Platform-as-a-Service 平台即服务，把服务器平台作为一种服务提供的商业模式。
SAAS
Software-as-a-Service 软件即服务，一种通过Internet提供软件的模式，厂商将应用软件统一部署在自己的服务器上，客户可以根据自己实际需求，通过互联网向厂商定购所需的应用软件服务，按定购的服务多少和时间长短向厂商支付费用，并通过互联网获得厂商提供的服务。
ASP
Application Service provider 应用服务提供商，通过构建应用系统运行平台，然后再租给各个不同的用户使用。对用户来说，是以“月租”代替“购买”。
CRM
Customer Relationship Management 客户关系管理，指用计算机自动化分析销售、市场营销、客户服务以及应用等流程的软件系统
ERP
Enterprise Resource Planning 企业资源计划，企业资源计划是指建立在信息技术基础上，以系统化的管理思想，为企业决策层及员工提供决策运行手段的管理平台。
ACG
为英文Animation、Comic、Game的缩写，是动画、漫画、游戏的总称。
B2B
Business to Business 企业对企业的电子商务，如阿里巴巴。
B2C
Business to Customer 企业对个人的电子商务，如京东。
C2C
Customer to Customer 个人对个人的电子商务，如淘宝。
O2O
Online to Offline 线上对线下，线下商务与线上推广相结合。
GA
是一个由Google所提供的网站流量统计服务。只要在欲观察的页面放入GA所提供的一小段JavaScript代码后，每当运行这个网页时，即会发送如：浏览者的所在国家、经由什么关键字进入该页等相关数据至GA服务器，并集成成易读的信息给网站站长。
暗网
暗网（深网，不可见网，隐藏网）是指那些存储在网络数据库里、但不能通过超链接访问而需要通过动态网页技术访问的资源集合，不属于那些可以被标准搜索引擎索引的表面网络。
二次元
该用法始于日本，早期的日本动画、游戏作品都是以二维图像构成的，其画面是一个平面，所以被称为是“二次元世界”，简称“二次元”，而与之相对的是“三次元”，即“我们所存在的这个次元”，也就是现实世界。
洋葱网络
洋葱网络是一种在计算机网络上进行匿名通信的技术。通信数据先进行多层加密然后在由若干个被称为洋葱路由器组成的通信线路上被传送。
共享经济
一般是指以获得一定报酬为主要目的，基于陌生人且存在物品使用权暂时转移的一种新的经济模式。
消费升级
一般指消费结构的升级，是各类消费支出在消费总支出中的结构升级和层次提高，它直接反映了消费水平和发展趋势。
新零售
未来电子商务平台即将消失，线上线下和物流结合在一起，才会产生新零售。线上是指云平台，线下是指销售门店或生产商，新物流消灭库存，减少囤货量。
（电子商务平台消失是指，现有的电商平台分散，每个人都有自己的电商平台）
2.文档术语
MRD
Market Requirements Document 市场需求文档
常见的为竞品分析，一般用于立项，基于目前市场数据及竞品等进行项目提出，一般用于提案。
PRD
Product Requirement Document 产品需求文档
一般是说明实现的过程，较为详细。有些公司为了敏捷开发需要很多时候会直接在原型图上面通过注释方式进行更直观的展示。
PMD
Program Managment Document 项目管理文档
一般包括项目进度、项目资源、责任人和项目输出物，常规通过visio进行甘特图绘制管理。该文档一般贯穿整个项目全程，衡量项目进度。
BRD
Business Requirement Document 商业需求文档
是基于商业目标或价值所描述的产品需求内容文档（报告）。其核心的用途就是用于产品在投入研发之前，由企业高层作为决策评估的重要依据。其内容涉及市场分析，销售策略，盈利预测等，通常是供决策层们讨论的演示文档，一般比较短小精炼，没有产品细节。
DRD
Design Requirement Drawing 交互设计文档
一般用来承载交互说明，并交付给前端、测试以及开发工程师参考的文档。
FSD
Functional Specifications Document 功能详细说明，定义产品功能需求的全部细节。
FSD一般通过一张张的截屏和一条条功能点来定义产品规格。这是一份可以直接让工程师创建产品的文档。
PSD
Product SpecificationsDocument 产品规格文档
PSD是一个较不流行的缩写，但是在有这样一个文档的机构中，它大体和上面描述的功能规格文档（FSD）相同。
SRS
Software RequirementsSpecification 软件需求文档，软件需求文档（SRS）是另一较不流行的缩写，在创建SRS的机构中，它在内容和细节上和上面描述的PRD或FSD有些想像。
3.运营术语
AARRR模型
Acquisition、Activation、Retention、Revenue、Refer这个五个单词的缩写，分别对应这一款移动应用生命周期中的5个重要环节。分别为：获取用户、提高活跃度、提高留存率、获取收入、自传播。
RFM用户模型
R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M (Monetary)表示客户在最近一段时间内购买的金额。
用户增长的S型曲线、J型曲线
指大多数产品，在产品发展周期中，都会遵循S型曲线的增长方式；但有些产品，可能产生J型曲线。
用户金字塔模型
第一级是社区的管理人员。第二级是用户管理工具。第三级是有价值用户，基本就是在社区里面足够活跃，并且给你的社区贡献有效价值的那些用户。第四级一般性用户。
OMTM
One metric that matters北极星指标，指唯一重要的指标。
4.交互设计术语
UI
User Interface ，用户界面，泛指用户的操作界面，UI设计主要指界面的样式，美观程度。
NUI
Natural User Interface 自然用户界面，NUI则只需要人们以最自然的交流方式（如语言和文字）与机器互动，使用NUI的计算机不需要键盘或鼠标。
GUI
Graphical User Interface 图形用户界面，指采用图形方式显示的计算机操作用户界面。
HUI
Handset User Interface 手持设备用户界面
WUI
Web User Interface 网页风格用户界面
UE or UX
User Experience 用户体验，指以用户体验为中心的设计。
UED
user experience design 用户体验设计，指以用户为中心的一种设计手段，以用户需求为目标而进行的设计。
UCD
User Centered Design 以用户为中心的设计，在设计过程中以用户体验为设计决策的中心，强调用户优先的设计模式。
HMI
Human Machine Interface 人机界面，人机界面是系统和用户之间进行交互和信息交换的媒介， 它实现信息的内部形式与人类可以接受形式之间的转换。
CLI
Command-line Interface 命令行界面，它通常不支持鼠标，用户通过键盘输入指令，计算机接收到指令后，予以执行。
UIMS
User Interface Management System 用户界面管理系统
DSC
Decision Support Center 决策支持中心，以决策支持小组为核心，为决策的全过程提供技术支持。
CHI
computer-human interaction 人机交互
HCI
human computer interaction 人机交互
OO
Object Oriented 面向对象，是一种把面向对象的思想应用于软件开发过程中，指导开发活动的系统方法，是建立在“对象”概念基础上的方法学。
OOA
Object Oriented Analysis 面向对象分析，是确定需求或者业务的角度，按照面向对象的思想来分析业务。
OOD
Object Oriented Design 面向对象设计，是OO方法中一个中间过渡环节。其主要作用是对OOA分析的结果作进一步的规范化整理，以便能够被OOP直接接受。
OOP
Object Oriented Programming 面向对象程序设计，OOP 的一条基本原则是计算机程序是由单个能够起到子程序作用的单元或对象组合而成。
5.技术术语：
API
Application Programming Interface 应用程序编程接口
是一些预先定义的函数，目的是提供应用程序与开发人员基于某软件或硬件得以访问一组例程的能力，而又无需访问源码，或理解内部工作机制的细节。
HTML
HyperText Markup Language 超文本标记语言
网页的本质就是超级文本标记语言，通过结合使用其他的Web技术可以创造出功能强大的网页。
UML
Unified Modeling Language 统一建模语言/标准建模语言
它是一个支持模型化和软件系统开发的图形化语言，为软件开发的所有阶段提供模型化和可视化支持，包括由需求分析到规格，到构造和配置。
CSS
Cascading Style Sheets 层叠样式表
是一种用来表现HTML（标准通用标记语言的一个应用）或XML（标准通用标记语言的一个子集）等文件样式的计算机语言。CSS不仅可以静态地修饰网页，还可以配合各种脚本语言动态地对网页各元素进行格式化。
JS
JavaScript 一种直译式脚本语言，是一种动态类型、弱类型、基于原型的语言，内置支持类型。
PHP
Hypertext Preprocessor 超文本预处理器，是一种通用开源脚本语言。语法吸收了C语言、Java和Perl的特点，利于学习，使用广泛，主要适用于Web开发领域。
JAVA
一门面向对象编程语言，不仅吸收了C++语言的各种优点，还摒弃了C++里难以理解的多继承、指针等概念，因此Java语言具有功能强大和简单易用两个特征。
MVC模型
Model View Controller，是模型(model)－视图(view)－控制器(controller)的缩写，一种软件设计典范，用一种业务逻辑、数据、界面显示分离的方法组织代码，将业务逻辑聚集到一个部件里面，在改进和个性化定制界面及用户交互的同时，不需要重新编写业务逻辑。
SDK
Software Development Kit 软件开发工具包，一般都是一些软件工程师为特定的软件包、软件框架、硬件平台、操作系统等建立应用软件时的开发工具的集合。
RSS
Really Simple Syndication 简易信息聚合，是一种描述和同步网站内容的格式，发布一个RSS文件后，这个RSS Feed中包含的信息就能直接被其他站点调用。
Feed
RSS中用来接收该信息来源更新的接口，满足希望以某种形式持续得到自己更新的需求而提供的格式标准的信息出口。
URL
Uniform Resoure Locator 统一资源定位器，对可以从互联网上得到的资源的位置和访问方法的一种简洁的表示。
UAT
User Acceptance Test 用户可接受测试，一般由产品运营UI客服等进行的一轮测试。
CMS
Content Management System 内容管理系统，是一种位于WEB 前端（Web 服务器）和后端办公系统或流程（内容创作、编辑）之间的软件系统。内容的创作人员、编辑人员、发布人员使用内容管理系统来提交、修改、审批、发布内容。
6.搜索引擎术语
Adsens
Google AdSense 是一种获取收入的快速简便的方法，适合于各种规模的网站发布商。它可以在网站的内容网页上展示相关性较高的 Google广告，并且这些广告不会过分夸张醒目。
PPC
Pay Per Click 点击付费广告，规则是广告主只有当使用者实际上点击广告以拜访广告主的网站时，才需要支付费用。
DSP
Demand-Side Platform 需求方平台广告，它服务于广告主，帮助广告主在互联网或者移动互联网上进行广告投放，DSP可以使广告主更简单便捷地遵循统一的竞价和反馈方式，对位于多家广告交易平台的在线广告,以合理的价格实时购买高质量的广告库存。
SSP
Sell-Side Platform 供应方平台，通过这一平台，媒体主希望他们的库存广告可以获得最高的有效每千次展示费用，而不必以低价销售出去。
DMP
Data-Management Platform 数据管理平台，数据管理平台能够帮助所有涉及广告库存购买和出售的各方管理其数据、更方便地使用第三方数据、增强他们对所有这些数据的理解、传回数据或将定制数据传入某一平台，以进行更好地定位。
RTB
Real Time Bidding 实时竞价，RTB是一种技术为王的精准营销手段，当一个用户在全网浏览过某种商品，或点击过特殊类目的广告后，其浏览痕迹都会通过cookie记录在案，而通过广告交易平台，你在下一次浏览网页的时候，将被推送符合偏好的广告。
SPAM
搜索引擎垃圾技术，搜索引擎垃圾技术是利用不道德的技巧去提高自己搜索引擎上的排名。
Sandbox
沙盒效应 由最主要的搜索引擎Google所决定的搜索引擎结果页面（搜索结果）中，新发布的网站排名越来越低。这一现象被称为“沙盒效应”。它们会对那些链接流行度迅速攀升的网站进行冷处理以防止SEOer过度优化。
7. 计费模式
CPC
Cost Per Click 每点击成本，网络广告每次点击的费用，是网络广告界最常见的定价形式。
CPS
Cost Per Sales 每销售成本，以实际销售产品数量来计算广告费用的广告，这种广告更多的适合购物类、导购类、网址导航类的网站，需要精准的流量才能带来转化。
CPT
Cost Per Time 按时间成本，这种方式的特点是按用户使用时长或使用周期计费，可以从根本上杜绝刷流量、激活作弊，是最真实的、有效的营销方式之一。
CPA
Cost Per Action 按事件成本，这种计价方式是指按广告投放实际效果，即按预先设定好的转化目标来计费，而不限广告投放量。
CPM
Cost Per Mille 每千人成本，即Cost Per Thousand Impression每千次印象数成本；广告主为它的广告显示1000次所付的费用。
CPR
Cost Per Response 每回应成本，以浏览者的每一个回应计费，这种广告计费充分体现了网络广告“及时反应、直接互动、准确记录”的特点，但是，这个只是辅助销售的一种公式。
8.数据指标
DAU
Daily Active User 日活跃用户数量，统计一日（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
WAU
Weekly Active Users 七天内登陆过产品的用户数。统计一周之内（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
MAU
Monthly Active User 月活跃用户量，统计一月之内（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
DOU
Day Old User 日老玩家用户，表示当天登录游戏的老玩家，指非当天新增的用户。
DNU
Day New User日新增用户，表示当天的新增用户。
ACU
Average concurrent users 平均同时在线人数。
PCU
Peak concurrent users 最高同时在线人数。
UV
Unique Visitor 唯一访问量，可以理解为页面被多少人看过。
PV
Page View 页面浏览量，可以理解为页面被人看过的总次数。用户每1次对网站中的每个网页访问均被记录1次。用户对同一页面的多次访问，访问量累计。
ARPU
Average Revenue Per User 平均每活跃用户收益。转化率：用户点击页面后，产生被期望的特定行为的数量，占总量的比。
ARPPU
Average Revenue Per Paying User 每付费用户平均收益。统计周期内，付费用户对产品产生的平均收入。
LTV
Life Time Value LTV 生命周期价值，是产品从用户所有的互动中所得到的全部经济收益的总和。
CAC
Customer Acquisition Cost 用户获取成本，获取用户所花费的成本。
KPI
Key Performance Indicator 关键绩效指标，是企业绩效考核的方法之一。
ROI
Return On Investment 投资回报率，投资回报率（ROI）=利润总额/投入成本总额×100%
非专业名词新解
Bigger：「逼格」源于 Bigger than Bigger
Jiaban ：「加班」
You can you up ：「你行你上」
No can no bb ：「不行别哔哔！」
4B ：「苦逼、二逼、装逼、傻逼」
Too young，too simple ：「图样图森破」
装逼概念
马太效应
Matthew Effect 指强者愈强、弱者愈弱、好的愈好，坏的愈坏，多的愈多，少的愈少的现象，广泛应用于社会心理学、教育、金融以及科学等众多领域。
羊群效应
指人们经常受到多数人影响，从而跟从大众的思想或行为，也被称为“从众效应”。人们会追随大众所同意的，将自己的意见默认否定，且不会主观上思考事件的意义。羊群效应是诉诸群众谬误的基础。
霍桑效应
指那些意识到自己正在被别人观察的个人具有改变自己行为的倾向。
病毒式营销
源于英文词汇viralmarketing。常用于进行网站推广、品牌推广等。利用的是用户口碑传播的原理，在互联网上，这种“口碑传播”更为方便，可以像病毒一样迅速蔓延，因此病毒性营销成为一种高效的信息传播方式，而且，由于这种传播是用户之间自发进行的，因此几乎是不需要费用的网络营销手段。
鲶鱼效应
鲶鱼在搅动小鱼生存环境的同时，也激活了小鱼的求生能力。鲶鱼效应是采取一种手段或措施，刺激一些企业活跃起来投入到市场中积极参与竞争，从而激活市场中的同行业企业。其实质是一种负激励，是激活员工队伍之奥秘。
沸水理论
把水煮沸后，看上去热气腾腾，但水的总量不会增加，而且需要供热成本，为了维持一个看上去热腾腾的活跃度，你需要不断添柴、加火，这些供暖成本很高的，而由此产生的热气却无法增加额外的水量， 那么还要煮沸它做什么呢？
在网络上，很多人不择手段地去追求用户的“活跃度”，却不考虑活跃度到底能带来什么收益。当我们看到一群人的活跃是个漂亮数字的时候，应该 去看看每个人活跃的背后到底意味着什么价值。
长尾理论
网络时代兴起的一种新理论，由于成本和效率的因素，当商品储存流通展示的场地和渠道足够宽广，商品生产成本急剧下降以至于个人都可以进行生产，并且商品的销售成本急剧降低时，几乎任何以前看似需求极低的产品，只要有卖，都会有人买。这些需求和销量不高的产品所占据的共同市场份额，可以和主流产品的市场份额相比，甚至更大。
幸存者偏差
驳斥的是一种常见的逻辑谬误（“谬误”而不是“偏差”），这个被驳斥的逻辑谬误指的是只能看到经过某种筛选而产生的结果，而没有意识到筛选的过程，因此忽略了被筛选掉的关键信息。这东西的别名有很多，比如“沉默的数据”、“死人不会说话”等等。
墨菲定律
如果有两种或两种以上的方式去做某件事情，而其中一种选择方式将导致灾难，则必定有人会做出这种选择。
摩尔定律
当价格不变时，集成电路上可容纳的元器件的数目，约每隔18-24个月便会增加一倍，性能也将提升一倍。换言之，每一美元所能买到的电脑性能，将每隔18-24个月翻一倍以上。这一定律揭示了信息技术进步的速度。
黑天鹅事件
指非常难以预测，且不寻常的事件，通常会引起市场连锁负面反应甚至颠覆。
金字塔原理
是一项层次性、结构化的思考、沟通技术，可以用于结构化的写作过程。
马斯洛需求理论
将人类需求像阶梯一样从低到高按层次分为五种，分别是：生理需求、安全需求、社交需求、尊重需求和自我实现需求。
社交蒸发冷却效应
是指在社交团体中，成员的价值跟液体的温度类似，因此当温度最高的液体蒸发变成气体时（价值最高的成员离开社团），剩下的液体的平均温度就会下降（社团的平均价值会进一步降低）。
囚徒困境
说明为什么甚至在合作对双方都有利时，保持合作也是困难的反映个人最佳选择并非团体最佳选择。
降维攻击：
将攻击目标本身所处的空间维度降低，致使目标无法在低维度的空间中生存从而毁灭目标。如3维空间的物体在二维空间中，物体自身微观粒子相互之间的作用力公式将发生变化，物体分子将不能保持现有的稳定状态，极可能发生解体，导致物体本身毁灭。
专业术语运用 之 终极版产品腔
场景纯属虚构，如有巧合，那……那……那也是没Sei了~~~
产品狗：Jason啊，预计这个Q上线的产品，PRD我已经搞好了，request确定了，BOSS也拍板了，这肯定是最终版本的PRD，你放心去搞吧……
猿大大：最终版本？？？有哪次需求你是不改的！老板拍板也没用！
产品狗：我立字据！这次肯定……@￥%#……%……*0）￥%#3￥&@#*^&*……
猿大大：好了好了，我知道了…….
……..
（一个月后）
产品狗：额…那个…猿大大，你那个报名表单验证还没做吧？
猿大大：必须做了，我还测了3遍，完全没问题。
产品狗：额…有个小小的change……是这样的，我们（其实是boss啦）觉得现在固定的表单灵活性太差了，要不一步到位直接做成自定义表单吧，可以后台设置表单字段以及显示顺序…….
猿大大：呵呵，这……叫小改动？我这开发都快结束了！
产品狗：我这PM 也是不容易啊，你看这么做不都是为了让业务更好的运转嘛，我们不是2B的Platform嘛，况且现在还在探索阶段，运营对表单内容调整频繁、操作量大，这样灵活；自定义化后，运营工作效率也会大大的up，用户转化率当然就no problem 啦！反正产品后期自定义表单也是必要的，这也是早晚的问题，免得以后运营也不会说咱unprofessional嘛。猿大大，我不也是为了让我们的program顺利的run下去~小小的功能做好了，运营也就有更多精力更花在Customer上，以后的PV啊，UV啊肯定乐观！这样大家皆大欢喜，简直Wonderful~您就稍微做个小修改……可别让这Program delay，到时候让leader催着跑。之前搞的CRM系统还有Christmas 活动，不都因为一个小小的功能问题，让OD说咱unprofessional，anyway把这个做好啦，review meeting肯定一次过， 完成后我请你去happy一下……
（后续如何，各位看官自行脑补……）
看完这些你准备好飞起来了么？~
来源：网络
今天人人都是产品经理为大家奉上最全最有用的
产品专用名词学（zhuang）习（bi）指南
看完分分钟涨姿势！
收好不谢~
职称
CEO
Chief Executive Officer「首席执行官」
CTO
Chief Technology Officer「首席技术官」
COO
Chief Operations Officer「首席运营官」
PM
Product Manager「产品经理」
Project Manager 「项目经理」
OD
Operations Director「运营总监」
OP
Operations 「技术运维」
DE
Developmental Enginer「开发工程师」
HE
Hardware Engineer「硬件工程师」
FE
Front End Engineer 「前端工程师」
R&D
Research and Development engineer 「研发工程师」
DBA
Database Administrator 「数据库管理员」
QA
QA Engineer 「测试工程师」
专业名词
1. 行业术语
IP
Internet Protocol 网络之间互连的协议，它是能使连接到网上的所有计算机网络实现相互通信的一套规则，规定了计算机在因特网上进行通信时应当遵守的规则。
NFC
Near Field Communication 近距离无线通讯技术，短距高频的无线电技术,能在短距离内与兼容设备进行识别和数据交换。
SEM
Search Engine Marketing 搜索引擎营销。是一种网络营销形式，就是全面而有效的利用搜索引擎来进行网络营销和推广。
SEO
Search Engine Optimization 搜索引擎优化。利用搜索引擎的搜索规则来提高展示排名。
ASO
App Store Optimizatio 苹果应用商店搜索。指提升APP在各类APP苹果电子市场排行榜和搜索结果排名的过程。
UGC
User Generated Content 用户生成内容，用户将自己原创的内容在网上对他人呈现。
PGC
Professionally-generated Content 专业生产内容，指平台或者专家专业生产的内容。
OGC
Occupationally-generated Content 职业生产内容，视频、新闻等网站中，以提供相应内容为职业，如：记者，专栏作者等。
KOL
Key Opinion Leader 关键意见领袖，关键意见领袖通常是某行业或领域内的权威人士，为相关群体所接受或信任，并对该群体有较大影响力的人。
P2P
Person To Person 互联网金融点对点借贷平台。又称点对点网络借款，是一种将小额资金聚集起来借贷给有资金需求人群的一种民间小额借贷模式。
VC
Venture Capital 风险投资，大多是创业投资。
BP
Business Plan 商业计划书，是公司、企业或项目单位为了达到招商融资和其它发展目标，根据一定的格式和内容要求而编辑整理的一个向受众全面展示公司和项目目前状况、未来发展潜力的书面材料。
VR
Virtual Reality 虚拟现实，综合利用计算机图形系统和各种现实及控制等接口设备，在计算机上生成的，可交互的三维环境中提供沉浸感觉的技术。
AR
Augmented Reality 增强现实。它是一种将真实世界信息和虚拟世界信息“无缝”集成的新技术。真实的环境和虚拟的物体实时地叠加到了同一个画面或空间同时存在。
MR
Mixed reality 混合现实，指的是结合真实和虚拟世界创造了新的环境和可视化，物理实体和数字对象共存并能实时相互作用，以用来模拟真实物体。混合了真实、增强现实、增强虚拟和虚拟现实技术。
LBS
Location Based Service 基于位置的服务，它是通过电信移动运营商的无线电通讯网络（如GSM网、CDMA网）或外部定位方式（如GPS）获取移动终端用户的位置信息（地理坐标，或大地坐标），在地理信息系统平台的支持下，为用户提供相应服务的一种增值业务。
SOHO
Small Office Home Office 家居办公，是一种新经济、新概念，指自由、弹性而新型的生活和工作方式。
SNS
Social Networking Services 社会性网络服务。指个人之间的关系网络，这种基于社会网络关系系统思想的网站就是社会性网络网站(SNS网站)。
BBS
Bulletin Board System 电子公告板，通过在计算机上运行服务软件，允许用户使用终端程序通过Internet来进行连接，执行下载数据或程序、上传数据、阅读新闻、与其它用户交换消息等功能。
TMT
Technology、Media、Telecom 数字新媒体， TMT是电信、媒体和科技三个英文单词的缩写的第一个字头，整合在一起，实际是未来电信、媒体科技（互联网），包括信息技术这样一个融合趋势所产生的大的背景，这就是TMT产业。
IAAS
Infrastructure-as-a-Service 基础设施即服务，消费者通过Internet 可以从完善的计算机基础设施获得服务。这类服务称为基础设施即服务。
PAAS
Platform-as-a-Service 平台即服务，把服务器平台作为一种服务提供的商业模式。
SAAS
Software-as-a-Service 软件即服务，一种通过Internet提供软件的模式，厂商将应用软件统一部署在自己的服务器上，客户可以根据自己实际需求，通过互联网向厂商定购所需的应用软件服务，按定购的服务多少和时间长短向厂商支付费用，并通过互联网获得厂商提供的服务。
ASP
Application Service provider 应用服务提供商，通过构建应用系统运行平台，然后再租给各个不同的用户使用。对用户来说，是以“月租”代替“购买”。
CRM
Customer Relationship Management 客户关系管理，指用计算机自动化分析销售、市场营销、客户服务以及应用等流程的软件系统
ERP
Enterprise Resource Planning 企业资源计划，企业资源计划是指建立在信息技术基础上，以系统化的管理思想，为企业决策层及员工提供决策运行手段的管理平台。
ACG
为英文Animation、Comic、Game的缩写，是动画、漫画、游戏的总称。
B2B
Business to Business 企业对企业的电子商务，如阿里巴巴。
B2C
Business to Customer 企业对个人的电子商务，如京东。
C2C
Customer to Customer 个人对个人的电子商务，如淘宝。
O2O
Online to Offline 线上对线下，线下商务与线上推广相结合。
GA
是一个由Google所提供的网站流量统计服务。只要在欲观察的页面放入GA所提供的一小段JavaScript代码后，每当运行这个网页时，即会发送如：浏览者的所在国家、经由什么关键字进入该页等相关数据至GA服务器，并集成成易读的信息给网站站长。
暗网
暗网（深网，不可见网，隐藏网）是指那些存储在网络数据库里、但不能通过超链接访问而需要通过动态网页技术访问的资源集合，不属于那些可以被标准搜索引擎索引的表面网络。
二次元
该用法始于日本，早期的日本动画、游戏作品都是以二维图像构成的，其画面是一个平面，所以被称为是“二次元世界”，简称“二次元”，而与之相对的是“三次元”，即“我们所存在的这个次元”，也就是现实世界。
洋葱网络
洋葱网络是一种在计算机网络上进行匿名通信的技术。通信数据先进行多层加密然后在由若干个被称为洋葱路由器组成的通信线路上被传送。
共享经济
一般是指以获得一定报酬为主要目的，基于陌生人且存在物品使用权暂时转移的一种新的经济模式。
消费升级
一般指消费结构的升级，是各类消费支出在消费总支出中的结构升级和层次提高，它直接反映了消费水平和发展趋势。
新零售
未来电子商务平台即将消失，线上线下和物流结合在一起，才会产生新零售。线上是指云平台，线下是指销售门店或生产商，新物流消灭库存，减少囤货量。
（电子商务平台消失是指，现有的电商平台分散，每个人都有自己的电商平台）
2.文档术语
MRD
Market Requirements Document 市场需求文档
常见的为竞品分析，一般用于立项，基于目前市场数据及竞品等进行项目提出，一般用于提案。
PRD
Product Requirement Document 产品需求文档
一般是说明实现的过程，较为详细。有些公司为了敏捷开发需要很多时候会直接在原型图上面通过注释方式进行更直观的展示。
PMD
Program Managment Document 项目管理文档
一般包括项目进度、项目资源、责任人和项目输出物，常规通过visio进行甘特图绘制管理。该文档一般贯穿整个项目全程，衡量项目进度。
BRD
Business Requirement Document 商业需求文档
是基于商业目标或价值所描述的产品需求内容文档（报告）。其核心的用途就是用于产品在投入研发之前，由企业高层作为决策评估的重要依据。其内容涉及市场分析，销售策略，盈利预测等，通常是供决策层们讨论的演示文档，一般比较短小精炼，没有产品细节。
DRD
Design Requirement Drawing 交互设计文档
一般用来承载交互说明，并交付给前端、测试以及开发工程师参考的文档。
FSD
Functional Specifications Document 功能详细说明，定义产品功能需求的全部细节。
FSD一般通过一张张的截屏和一条条功能点来定义产品规格。这是一份可以直接让工程师创建产品的文档。
PSD
Product SpecificationsDocument 产品规格文档
PSD是一个较不流行的缩写，但是在有这样一个文档的机构中，它大体和上面描述的功能规格文档（FSD）相同。
SRS
Software RequirementsSpecification 软件需求文档，软件需求文档（SRS）是另一较不流行的缩写，在创建SRS的机构中，它在内容和细节上和上面描述的PRD或FSD有些想像。
3.运营术语
AARRR模型
Acquisition、Activation、Retention、Revenue、Refer这个五个单词的缩写，分别对应这一款移动应用生命周期中的5个重要环节。分别为：获取用户、提高活跃度、提高留存率、获取收入、自传播。
RFM用户模型
R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M (Monetary)表示客户在最近一段时间内购买的金额。
用户增长的S型曲线、J型曲线
指大多数产品，在产品发展周期中，都会遵循S型曲线的增长方式；但有些产品，可能产生J型曲线。
用户金字塔模型
第一级是社区的管理人员。第二级是用户管理工具。第三级是有价值用户，基本就是在社区里面足够活跃，并且给你的社区贡献有效价值的那些用户。第四级一般性用户。
OMTM
One metric that matters北极星指标，指唯一重要的指标。
4.交互设计术语
UI
User Interface ，用户界面，泛指用户的操作界面，UI设计主要指界面的样式，美观程度。
NUI
Natural User Interface 自然用户界面，NUI则只需要人们以最自然的交流方式（如语言和文字）与机器互动，使用NUI的计算机不需要键盘或鼠标。
GUI
Graphical User Interface 图形用户界面，指采用图形方式显示的计算机操作用户界面。
HUI
Handset User Interface 手持设备用户界面
WUI
Web User Interface 网页风格用户界面
UE or UX
User Experience 用户体验，指以用户体验为中心的设计。
UED
user experience design 用户体验设计，指以用户为中心的一种设计手段，以用户需求为目标而进行的设计。
UCD
User Centered Design 以用户为中心的设计，在设计过程中以用户体验为设计决策的中心，强调用户优先的设计模式。
HMI
Human Machine Interface 人机界面，人机界面是系统和用户之间进行交互和信息交换的媒介， 它实现信息的内部形式与人类可以接受形式之间的转换。
CLI
Command-line Interface 命令行界面，它通常不支持鼠标，用户通过键盘输入指令，计算机接收到指令后，予以执行。
UIMS
User Interface Management System 用户界面管理系统
DSC
Decision Support Center 决策支持中心，以决策支持小组为核心，为决策的全过程提供技术支持。
CHI
computer-human interaction 人机交互
HCI
human computer interaction 人机交互
OO
Object Oriented 面向对象，是一种把面向对象的思想应用于软件开发过程中，指导开发活动的系统方法，是建立在“对象”概念基础上的方法学。
OOA
Object Oriented Analysis 面向对象分析，是确定需求或者业务的角度，按照面向对象的思想来分析业务。
OOD
Object Oriented Design 面向对象设计，是OO方法中一个中间过渡环节。其主要作用是对OOA分析的结果作进一步的规范化整理，以便能够被OOP直接接受。
OOP
Object Oriented Programming 面向对象程序设计，OOP 的一条基本原则是计算机程序是由单个能够起到子程序作用的单元或对象组合而成。
5.技术术语：
API
Application Programming Interface 应用程序编程接口
是一些预先定义的函数，目的是提供应用程序与开发人员基于某软件或硬件得以访问一组例程的能力，而又无需访问源码，或理解内部工作机制的细节。
HTML
HyperText Markup Language 超文本标记语言
网页的本质就是超级文本标记语言，通过结合使用其他的Web技术可以创造出功能强大的网页。
UML
Unified Modeling Language 统一建模语言/标准建模语言
它是一个支持模型化和软件系统开发的图形化语言，为软件开发的所有阶段提供模型化和可视化支持，包括由需求分析到规格，到构造和配置。
CSS
Cascading Style Sheets 层叠样式表
是一种用来表现HTML（标准通用标记语言的一个应用）或XML（标准通用标记语言的一个子集）等文件样式的计算机语言。CSS不仅可以静态地修饰网页，还可以配合各种脚本语言动态地对网页各元素进行格式化。
JS
JavaScript 一种直译式脚本语言，是一种动态类型、弱类型、基于原型的语言，内置支持类型。
PHP
Hypertext Preprocessor 超文本预处理器，是一种通用开源脚本语言。语法吸收了C语言、Java和Perl的特点，利于学习，使用广泛，主要适用于Web开发领域。
JAVA
一门面向对象编程语言，不仅吸收了C++语言的各种优点，还摒弃了C++里难以理解的多继承、指针等概念，因此Java语言具有功能强大和简单易用两个特征。
MVC模型
Model View Controller，是模型(model)－视图(view)－控制器(controller)的缩写，一种软件设计典范，用一种业务逻辑、数据、界面显示分离的方法组织代码，将业务逻辑聚集到一个部件里面，在改进和个性化定制界面及用户交互的同时，不需要重新编写业务逻辑。
SDK
Software Development Kit 软件开发工具包，一般都是一些软件工程师为特定的软件包、软件框架、硬件平台、操作系统等建立应用软件时的开发工具的集合。
RSS
Really Simple Syndication 简易信息聚合，是一种描述和同步网站内容的格式，发布一个RSS文件后，这个RSS Feed中包含的信息就能直接被其他站点调用。
Feed
RSS中用来接收该信息来源更新的接口，满足希望以某种形式持续得到自己更新的需求而提供的格式标准的信息出口。
URL
Uniform Resoure Locator 统一资源定位器，对可以从互联网上得到的资源的位置和访问方法的一种简洁的表示。
UAT
User Acceptance Test 用户可接受测试，一般由产品运营UI客服等进行的一轮测试。
CMS
Content Management System 内容管理系统，是一种位于WEB 前端（Web 服务器）和后端办公系统或流程（内容创作、编辑）之间的软件系统。内容的创作人员、编辑人员、发布人员使用内容管理系统来提交、修改、审批、发布内容。
6.搜索引擎术语
Adsens
Google AdSense 是一种获取收入的快速简便的方法，适合于各种规模的网站发布商。它可以在网站的内容网页上展示相关性较高的 Google广告，并且这些广告不会过分夸张醒目。
PPC
Pay Per Click 点击付费广告，规则是广告主只有当使用者实际上点击广告以拜访广告主的网站时，才需要支付费用。
DSP
Demand-Side Platform 需求方平台广告，它服务于广告主，帮助广告主在互联网或者移动互联网上进行广告投放，DSP可以使广告主更简单便捷地遵循统一的竞价和反馈方式，对位于多家广告交易平台的在线广告,以合理的价格实时购买高质量的广告库存。
SSP
Sell-Side Platform 供应方平台，通过这一平台，媒体主希望他们的库存广告可以获得最高的有效每千次展示费用，而不必以低价销售出去。
DMP
Data-Management Platform 数据管理平台，数据管理平台能够帮助所有涉及广告库存购买和出售的各方管理其数据、更方便地使用第三方数据、增强他们对所有这些数据的理解、传回数据或将定制数据传入某一平台，以进行更好地定位。
RTB
Real Time Bidding 实时竞价，RTB是一种技术为王的精准营销手段，当一个用户在全网浏览过某种商品，或点击过特殊类目的广告后，其浏览痕迹都会通过cookie记录在案，而通过广告交易平台，你在下一次浏览网页的时候，将被推送符合偏好的广告。
SPAM
搜索引擎垃圾技术，搜索引擎垃圾技术是利用不道德的技巧去提高自己搜索引擎上的排名。
Sandbox
沙盒效应 由最主要的搜索引擎Google所决定的搜索引擎结果页面（搜索结果）中，新发布的网站排名越来越低。这一现象被称为“沙盒效应”。它们会对那些链接流行度迅速攀升的网站进行冷处理以防止SEOer过度优化。
7. 计费模式
CPC
Cost Per Click 每点击成本，网络广告每次点击的费用，是网络广告界最常见的定价形式。
CPS
Cost Per Sales 每销售成本，以实际销售产品数量来计算广告费用的广告，这种广告更多的适合购物类、导购类、网址导航类的网站，需要精准的流量才能带来转化。
CPT
Cost Per Time 按时间成本，这种方式的特点是按用户使用时长或使用周期计费，可以从根本上杜绝刷流量、激活作弊，是最真实的、有效的营销方式之一。
CPA
Cost Per Action 按事件成本，这种计价方式是指按广告投放实际效果，即按预先设定好的转化目标来计费，而不限广告投放量。
CPM
Cost Per Mille 每千人成本，即Cost Per Thousand Impression每千次印象数成本；广告主为它的广告显示1000次所付的费用。
CPR
Cost Per Response 每回应成本，以浏览者的每一个回应计费，这种广告计费充分体现了网络广告“及时反应、直接互动、准确记录”的特点，但是，这个只是辅助销售的一种公式。
8.数据指标
DAU
Daily Active User 日活跃用户数量，统计一日（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
WAU
Weekly Active Users 七天内登陆过产品的用户数。统计一周之内（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
MAU
Monthly Active User 月活跃用户量，统计一月之内（统计日）之内，登录或使用了某个产品的用户数（去除重复登录的用户）。
DOU
Day Old User 日老玩家用户，表示当天登录游戏的老玩家，指非当天新增的用户。
DNU
Day New User日新增用户，表示当天的新增用户。
ACU
Average concurrent users 平均同时在线人数。
PCU
Peak concurrent users 最高同时在线人数。
UV
Unique Visitor 唯一访问量，可以理解为页面被多少人看过。
PV
Page View 页面浏览量，可以理解为页面被人看过的总次数。用户每1次对网站中的每个网页访问均被记录1次。用户对同一页面的多次访问，访问量累计。
ARPU
Average Revenue Per User 平均每活跃用户收益。转化率：用户点击页面后，产生被期望的特定行为的数量，占总量的比。
ARPPU
Average Revenue Per Paying User 每付费用户平均收益。统计周期内，付费用户对产品产生的平均收入。
LTV
Life Time Value LTV 生命周期价值，是产品从用户所有的互动中所得到的全部经济收益的总和。
CAC
Customer Acquisition Cost 用户获取成本，获取用户所花费的成本。
KPI
Key Performance Indicator 关键绩效指标，是企业绩效考核的方法之一。
ROI
Return On Investment 投资回报率，投资回报率（ROI）=利润总额/投入成本总额×100%
非专业名词新解
Bigger：「逼格」源于 Bigger than Bigger
Jiaban ：「加班」
You can you up ：「你行你上」
No can no bb ：「不行别哔哔！」
4B ：「苦逼、二逼、装逼、傻逼」
Too young，too simple ：「图样图森破」
装逼概念
马太效应
Matthew Effect 指强者愈强、弱者愈弱、好的愈好，坏的愈坏，多的愈多，少的愈少的现象，广泛应用于社会心理学、教育、金融以及科学等众多领域。
羊群效应
指人们经常受到多数人影响，从而跟从大众的思想或行为，也被称为“从众效应”。人们会追随大众所同意的，将自己的意见默认否定，且不会主观上思考事件的意义。羊群效应是诉诸群众谬误的基础。
霍桑效应
指那些意识到自己正在被别人观察的个人具有改变自己行为的倾向。
病毒式营销
源于英文词汇viralmarketing。常用于进行网站推广、品牌推广等。利用的是用户口碑传播的原理，在互联网上，这种“口碑传播”更为方便，可以像病毒一样迅速蔓延，因此病毒性营销成为一种高效的信息传播方式，而且，由于这种传播是用户之间自发进行的，因此几乎是不需要费用的网络营销手段。
鲶鱼效应
鲶鱼在搅动小鱼生存环境的同时，也激活了小鱼的求生能力。鲶鱼效应是采取一种手段或措施，刺激一些企业活跃起来投入到市场中积极参与竞争，从而激活市场中的同行业企业。其实质是一种负激励，是激活员工队伍之奥秘。
沸水理论
把水煮沸后，看上去热气腾腾，但水的总量不会增加，而且需要供热成本，为了维持一个看上去热腾腾的活跃度，你需要不断添柴、加火，这些供暖成本很高的，而由此产生的热气却无法增加额外的水量， 那么还要煮沸它做什么呢？
在网络上，很多人不择手段地去追求用户的“活跃度”，却不考虑活跃度到底能带来什么收益。当我们看到一群人的活跃是个漂亮数字的时候，应该 去看看每个人活跃的背后到底意味着什么价值。
长尾理论
网络时代兴起的一种新理论，由于成本和效率的因素，当商品储存流通展示的场地和渠道足够宽广，商品生产成本急剧下降以至于个人都可以进行生产，并且商品的销售成本急剧降低时，几乎任何以前看似需求极低的产品，只要有卖，都会有人买。这些需求和销量不高的产品所占据的共同市场份额，可以和主流产品的市场份额相比，甚至更大。
幸存者偏差
驳斥的是一种常见的逻辑谬误（“谬误”而不是“偏差”），这个被驳斥的逻辑谬误指的是只能看到经过某种筛选而产生的结果，而没有意识到筛选的过程，因此忽略了被筛选掉的关键信息。这东西的别名有很多，比如“沉默的数据”、“死人不会说话”等等。
墨菲定律
如果有两种或两种以上的方式去做某件事情，而其中一种选择方式将导致灾难，则必定有人会做出这种选择。
摩尔定律
当价格不变时，集成电路上可容纳的元器件的数目，约每隔18-24个月便会增加一倍，性能也将提升一倍。换言之，每一美元所能买到的电脑性能，将每隔18-24个月翻一倍以上。这一定律揭示了信息技术进步的速度。
黑天鹅事件
指非常难以预测，且不寻常的事件，通常会引起市场连锁负面反应甚至颠覆。
金字塔原理
是一项层次性、结构化的思考、沟通技术，可以用于结构化的写作过程。
马斯洛需求理论
将人类需求像阶梯一样从低到高按层次分为五种，分别是：生理需求、安全需求、社交需求、尊重需求和自我实现需求。
社交蒸发冷却效应
是指在社交团体中，成员的价值跟液体的温度类似，因此当温度最高的液体蒸发变成气体时（价值最高的成员离开社团），剩下的液体的平均温度就会下降（社团的平均价值会进一步降低）。
囚徒困境
说明为什么甚至在合作对双方都有利时，保持合作也是困难的反映个人最佳选择并非团体最佳选择。
降维攻击：
将攻击目标本身所处的空间维度降低，致使目标无法在低维度的空间中生存从而毁灭目标。如3维空间的物体在二维空间中，物体自身微观粒子相互之间的作用力公式将发生变化，物体分子将不能保持现有的稳定状态，极可能发生解体，导致物体本身毁灭。
专业术语运用 之 终极版产品腔
场景纯属虚构，如有巧合，那……那……那也是没Sei了~~~
产品狗：Jason啊，预计这个Q上线的产品，PRD我已经搞好了，request确定了，BOSS也拍板了，这肯定是最终版本的PRD，你放心去搞吧……
猿大大：最终版本？？？有哪次需求你是不改的！老板拍板也没用！
产品狗：我立字据！这次肯定……@￥%#……%……*0）￥%#3￥&@#*^&*……
猿大大：好了好了，我知道了…….
……..
（一个月后）
产品狗：额…那个…猿大大，你那个报名表单验证还没做吧？
猿大大：必须做了，我还测了3遍，完全没问题。
产品狗：额…有个小小的change……是这样的，我们（其实是boss啦）觉得现在固定的表单灵活性太差了，要不一步到位直接做成自定义表单吧，可以后台设置表单字段以及显示顺序…….
猿大大：呵呵，这……叫小改动？我这开发都快结束了！
产品狗：我这PM 也是不容易啊，你看这么做不都是为了让业务更好的运转嘛，我们不是2B的Platform嘛，况且现在还在探索阶段，运营对表单内容调整频繁、操作量大，这样灵活；自定义化后，运营工作效率也会大大的up，用户转化率当然就no problem 啦！反正产品后期自定义表单也是必要的，这也是早晚的问题，免得以后运营也不会说咱unprofessional嘛。猿大大，我不也是为了让我们的program顺利的run下去~小小的功能做好了，运营也就有更多精力更花在Customer上，以后的PV啊，UV啊肯定乐观！这样大家皆大欢喜，简直Wonderful~您就稍微做个小修改……可别让这Program delay，到时候让leader催着跑。之前搞的CRM系统还有Christmas 活动，不都因为一个小小的功能问题，让OD说咱unprofessional，anyway把这个做好啦，review meeting肯定一次过， 完成后我请你去happy一下……
（后续如何，各位看官自行脑补……）
看完这些你准备好飞起来了么？~
来源：网络
553 浏览
（50页PPT干货）：“互联网+”PK“工业4.0”
智能科技类 品管人生 2016-12-29 17:09 发表了文章
我们所熟知的工业和相关产业将被彻底重塑，人类正在进入一个完全智能化的时代，是的，我们正在进入到一个完全智能化的时代。互联网重塑了消费领域，而今天，互联网这个“缓慢而坚定的变革者”，正在推进工业产业加速进入下一个时代。这一波浪潮，正是互联网对工业产业重塑、今天被很多人称为的第三次工业革命，而德国人将之称为“工业4.0”。
来源：工业智造创新圈
更多内容请关注：www.imefuture.com
是电工都会的电气二次控制回路图
7-11搞起了第一支无人机队
智造家
查看全部
来源：工业智造创新圈
更多内容请关注：www.imefuture.com
是电工都会的电气二次控制回路图
7-11搞起了第一支无人机队
智造家
查看全部
我们所熟知的工业和相关产业将被彻底重塑，人类正在进入一个完全智能化的时代，是的，我们正在进入到一个完全智能化的时代。互联网重塑了消费领域，而今天，互联网这个“缓慢而坚定的变革者”，正在推进工业产业加速进入下一个时代。这一波浪潮，正是互联网对工业产业重塑、今天被很多人称为的第三次工业革命，而德国人将之称为“工业4.0”。
来源：工业智造创新圈
更多内容请关注：www.imefuture.com
是电工都会的电气二次控制回路图
7-11搞起了第一支无人机队
智造家
来源：工业智造创新圈
更多内容请关注：www.imefuture.com
是电工都会的电气二次控制回路图
7-11搞起了第一支无人机队
智造家
761 浏览
纽约时报：了不起的AI觉醒
机械自动化类 料盘挡板 2016-12-26 16:59 发表了文章
谷歌如何使用人工智能来改变谷歌翻译这项颇受欢迎的服务，以及机器学习如何重塑计算。
序言：你所读到的就是你自己
在十一月初的某个周五晚上，Jun Rekimoto（东京大学人机交互领域的杰出的教授）正准备在线演讲，他突然注意到社交媒体滚动条上有一些特别的内容。这些内容是关于谷歌翻译的，这项流行的机器翻译服务最近突然有了大幅改善。
Rekimoto开始研究谷歌翻译并用它做了一些测试，测试结果令他非常震惊。虽然已经夜深，但谷歌翻译取得的进展依然让Rekimoto久久无法入睡。
Rekimoto在一篇博客中写了他的初步发现。首先，他用谷歌翻译翻译了《了不起的盖茨比》中的一些句子，并与1957年Takashi Nozaki译版和最新的Haruki Murakami的译版进行对比。Rekimoto后来通过电子邮件向我解释，Murakami的版本语言非常细腻，具有独特的“Murakami风格”。相比之下，谷歌的翻译虽然有些不自然，但是对他来说“更透明”。
Rekimoto博客的后半部分从日译英的方向测试了谷歌翻译。他先是自己用日语翻译了海明威的《乞力马扎罗的雪》的开头部分，然后把这段话通过谷歌翻译转译成英语。他列出了此版本与海明威的原版，并让读者猜测哪个版本是机器完成的。
NO. 1:
Kilimanjaro is a snow-covered mountain 19,710 feet high, and is said to be the highest mountain in Africa. Its western summit is called the Masai “Ngaje Ngai,” the House of God. Close to the western summit there is the dried and frozen carcass of a leopard. No one has explained what the leopard was seeking at that altitude.
NO. 2:
Kilimanjaro is a mountain of 19,710 feet covered with snow and is said to be the highest mountain in Africa. The summit of the west is called “Ngaje Ngai” in Masai, the house of God. Near the top of the west there is a dry and frozen dead body of leopard. No one has ever explained what leopard wanted at that altitude.
即使是以英语为母语的人，也很难分辨出第二段是由机器完成的。这两段翻译是如此的相近，Rekimoto甚至觉得这很神奇。因为Rekimoto非常熟悉谷歌翻译之前的能力，甚至在24小时前，谷歌只能翻译成下面这段话：
Kilimanjaro is 19,710 feet of the mountain covered with snow, and it is said that the highest mountain in Africa. Top of the west, “Ngaje Ngai” in the Maasai language, has been referred to as the house of God. The top close to the west, there is a dry, frozen carcass of a leopard.Whether the leopard had what the demand at that altitude, there is no that nobody explained.
Rekimoto在Twitter上向他的十万个粉丝公布了他的发现，在接下来的几个小时里，成千上万的人发出他们使用机器翻译的结果。有些是比较成功的，但也有些是非常滑稽的。
在东京破晓之时，谷歌翻译登上了日本Twitter热度榜的第一位，甚至连人气动漫和人气偶像少女的被挤了下去。每个人都很惊奇：谷歌翻译为何能如此让人刮目相看？
四天之后，来自世界各地的上百名记者、企业家和广告客户齐聚于谷歌的伦敦办公室中，观看谷歌的特别发布会。客人们的甜点是印有翻译标志的幸运饼干，每个人的面前还放有一张纸条，一面写着不同国家的短语，另一面邀请客人们下载谷歌翻译的软件。桌子上还摆放了甜甜圈和冰沙盘，旁边的标语牌标注了各种国家的风味。过了一会，所有人来到了一个豪华的黑暗剧场中。
上图：Sundar Pichai，谷歌的首席执行官，在他加利福尼亚州山景城的办公室外。
伦敦市长Sadiq Khan首先上台演讲。演讲的开始，市长提到他有个朋友觉得市长就像谷歌一样。于是市长问朋友：“为什么？因为我什么都懂？”朋友否认道：“不是的，是因为你就像谷歌一样，总是试图把我的话补充完。”观众们纷纷被市长的幽默逗笑。随后，谷歌的首席执行官Sundar Pichai上台发表演讲。
Pichai此行的目的之一就是启动谷歌伦敦国王大道的新大楼，预示着公司完成了去年提出的转型计划的初始阶段。Pichai曾经多次在不同场合说过谷歌的未来将以“AI为先”，这在理论上听起来很复杂，引发了许多学者的推测。在实践生产中意味着，未来谷歌将不再依靠传统计算编程来生产产品，而是“机器学习”。
谷歌公司中有一个鲜少提及的部门，谷歌大脑。这个部门成立于五年前，一直遵循着一个原理：人工“神经网络”能够像婴儿一样，通过不断的尝试和犯错来认知这个世界，最终拥有像人类一样的灵活性。这其实并不是一个新理论，早在现代计算机初步发展的20世纪40年代就出现了。但当时大部分科学家并不看重，认为它过于深奥。直到2011年，谷歌大脑证明了将这个强大的方法运用在人工智能领域里可以解决此前几十年的棘手问题。例如，此前谷歌手机在语音识别方面一直效果不是很好，直到谷歌将机器学习算法移植到手机平台后，语音识别精度已经可以和人类媲美。而在图像识别领域也同样取得了良好的效果。一年前，谷歌大脑就已经将这些核心技术成功运用在消费级产品里。
谷歌翻译于2006年首次亮相，目前已经成为谷歌最可靠和最流行的应用之一。每天，谷歌翻译会面对 5 亿个月度活跃用户的 1400 亿个不同语种的单词。现在它已经不是座位一个独立的应用存在，更是已经集成到Gmail、Chrome 及许多其它谷歌产品中了，谷歌将它作为其数字商务中的一个无缝贴合的部分。Pichai在台上讲到，直至叙利亚难民危机之时，公司才意识地区间的翻译交流是何等重要。他背后屏幕的陡峭的曲线图显示，阿拉伯语与德语互译的翻译请求最近增长了五倍之多。（这个结果也符合Pichai的内心想法，他在印度出生成长，那里有几十种不同的语言。）谷歌翻译此后也在逐步增加新的语言和功能，但是过去的四年，发展速度正在逐年减缓。
截至到上个周末，谷歌翻译已经在美国、欧洲、亚洲等地区完成了基于人工智能的转换，包括西班牙语、葡萄牙语、法语、德语、中文、日语、韩语及土耳其语在内的语言与英语的互译。而其它上百种语言也即将实现互译，谷歌预计将会以每月八个的速度在年底前更新完毕。而对于谷歌工程而言，只花费九个月的时间就完成这一重大革新无疑是一个惊喜。AI系统一个通宵所取得的进展就相当于过去所取得的进展之和。
Pichai对含蓄的古典文学尤为偏爱，一个月前，他曾告诉我，在他加利福尼亚州山景城的办公室里，有些文字还是需要谷歌翻译来辅助显示，毕竟并不是所有人都像物理学家Robert Oppenheimer一样能读原版的《博伽梵歌》。因此在伦敦的发布会上，幻灯片上出现了博尔赫斯的经典名言：“Uno no es lo que es por lo que escribe, sino por lo que ha leído.”
Pichai大声地读出旧版谷歌翻译翻译出来的拙劣的句子：“One is not what is for what he writes, but for what he has read.”
而在大屏幕的右边，新的AI系统版本则翻译的更加优雅：“You are not what you write, but what you have read.”
这是有一个对新版的谷歌翻译非常恰当的描述：在某种意义上，谷歌翻译是第一条可以通过学习理解任何事物的机器。
谷歌以AI为中心重组公司。在过去的四年中，谷歌、Facebook、苹果、亚马逊、微软和中国百度等六家公司都围绕AI人才展开了一场军备竞赛，尤其是在大学。企业纷纷到顶尖的学术院校挖掘人才，给人才以丰富的资源和极大的自由。在硅谷，Facebook的CEO Mark Zuckerberg会亲自通过电话和视频聊天软件跟公司最优异的研究生进行会话，七位数的起薪根本不在话下。参加人工智能最重要的学术会议的人数增加了近四倍。大家所关注的不仅仅是小小的创新，还有该如何掌控全新的计算平台：无处不在的人工智能。
我们好像理所当然地就开始使用“人工智能”这一短语，但它其实一直是引发争议的根源。想象一下，如果你回到20世纪70年代，在大街上拦住一个路上，拿住智能手机并向她展示手机里的谷歌地图。你可能需要不停地向她解释，你并不是穿着奇怪的巫师，从口袋里掏出的手机也不是什么黑色护身符，它只是一个比阿波罗时光机更强大的电脑。实际上，谷歌地图就是能跟她展示什么是“人工智能”的例子。在某种意义上，谷歌地图确实是人工智能的例子。它能帮你规划从酒店到机场的路线，而且比人类能完成得更快更好。它还能做一些人类显然不能做的事情：它可以判断交通状况；规划最佳路线；在你走错路时，它能重新定位并进行路线的重新规划。
实际上，如今没有人会把谷歌地图跟高贵的“AI”相提并论。所以我们在使用“智能”这个词的时候，是带“情感”色彩的。人工智能可以区别HAL和其它任何用织机或手推车就可以做出的东西。我们能自动化一项任务，涉及到的相关技能会转变为单纯的机制。现在，谷歌地图似乎还不能称之为人工智能，充其量是机器人：它只接受一个明确的需求（从一个地方到另一个地方），并尽力满足这种需求。因此，“人工智能”的所对应的实际应用其实范围很小。
Pichai的终极目标是区分AI应用和“通用人工智能”。通用人工智能不涉及对显式指令的忠实遵守，它是为一般情况下的一般用途而设计通用工具。Pichai认为，他公司的未来取决于通用人工智能。想象一下，如果你告诉谷歌地图，“我想去机场，但需要在中途停一下给我的侄子买礼物。”一个通用的智能服务，就像三年前的电影《她》中，由Scarlett Johansson配音的那个无处不在的助手一样，她像好朋友一样了解你的情况：你侄子的年龄，你通常喜欢给孩子买什么礼物，以及哪里有能买礼物的商店。但是，一个真正聪明的地图能做一些好朋友考虑不到的事，比方说，你侄子学校的孩子里，最近流行什么玩具。如果聪明的机器能够辨别一些错综复杂的数据，从中找到过去我们做过的事情中暗藏的规律性，那么它就可以推断我们的想法。
AI助手是人工智能的新浪潮，苹果的Siri、Facebook的M，还有亚马逊的Echo都是机器学习的产物，作用都很相似。然而，机器学习并不一定只局限于此。今年，三星的医学成像子公司宣布其新的超声设备能够检测乳腺癌。公司也在招贤纳士，以扩大计算机的工业应用。DeepMind于2014年被谷歌收购，AlphaGo在围棋游戏中击败了人类围棋大师，尽管当时人类预测人工智能要想战胜人类还需要10年。
1950年，Alan Turi吴恩达在那篇著名的文章中提出了一个人工智能的测试：一台计算机是否能在5分钟的文本交流中成功地欺骗人类。一旦机器可以在两种自然语言之间流利地翻译，机器就能很好地“理解”人类语言，从而与人类进行对话。谷歌大脑的成员们正推动和协助监督翻译项目，他们相信这样的机器将会成为通用人工智能的助手。
谷歌的研究人员和工程师团队从最初的一两个人，扩大到三四人，甚至后来扩大到一百多人，他们在这一领域取得了巨大进步。接下来要讲的关于谷歌团队的故事非常少见，因为它跟我们对硅谷的通常印象有所不同。它并不是一些俗套的剧情。它不是一个关于技术能解决所有问题的故事，也不是一个技术会毁灭世界的故事。它跟颠覆无关，至少不是通常意义上的颠覆。
事实上，这个故事又包含了三个相关的故事，这三个故事在谷歌翻译成功转型为AI的过程中融合在一起，它们分别是：技术故事，制度故事和关于思想演变的故事。技术故事是关于一个公司的一个产品团队，以及他们对旧产品进行改进、测试并形成全新版本的过程，而且他们只用了别人预期的约为四分之一的时间就完成了这个过程。制度故事是关于该公司内的一个虽然规模不大但很有影响力的人工智能团队，以及他们凭借对一些旧的、未经证实的和广泛不适用的计算观念的直觉信念，超越了几乎其他所有公司的过程。思想的故事是关于坚持不懈的认知科学家、心理学家和工程师，他们长期以来用看似不合理的信念，最终激发了我们对技术和理论的理解，以及意识本身的范式转变。
第一个故事是谷歌翻译的故事，发生在山景城，时间跨度为九个月，故事解释了机器翻译发生的转变。第二个故事是谷歌大脑及其众多竞争对手的故事，发生在硅谷，时间跨度为五年，它解释了整个领域的转型。第三个故事是深度学习的故事，发生在苏格兰、瑞士、日本和加拿大等大部分地区的遥远实验室，时间跨度长达七十年，它可能非常有助于改变人类的自我认知。
这三个故事都跟人工智能有关。七十年的故事是关于我们对人工智能的期待。五年的故事是关于人工智能在不久的将来会带来什么。九个月的故事是关于人工智能现在可以做什么。这三个故事本身都是对概念的证明，而所有这一切都只是开始。
第一部分：学习机器
1、谷歌大脑的诞生
虽然Jeff Dean的职位是高级研究员，但是事实上，他才是谷歌大脑团队的领导者。 Dean有着长而窄的脸，深深的眼睛并且十分热情。作为医学人类学家和公共卫生流行病学家的儿子，Dean成长时期几乎周游了世界各地，包括明尼苏达州、夏威夷、波士顿、阿肯色州、日内瓦、乌干达、索马里、亚特兰大等地。在高中和大学期间，他写的软件就被世界卫生组织所采用。自1999年以来，他一直在谷歌工作，当时他才25岁，从那时起，他几乎参与了谷歌所有重大项目中核心软件系统的开发。作为公司的元老级人物，Jeff Dean Facts已经成了公司开玩笑的对象。以Chuck Norris的事实模式为例：“Jeff Dean的PIN是pi的最后四位数字。”“当Alexander Graham Bell发明电话时，他接到了一个来自Jeff Dean的未接来电。”“Jeff Dean在最高级别为10的系统中晋升到了11级。“（最后一个是真的。）
上图：谷歌工程师和谷歌大脑的领导者Jeff Dean。
来源：纽约时报的Brian Finke
2011年初的一天，Dean在谷歌校园的“微型车间”之一，也就是山景城大楼的共享休息室，遇见了年轻的斯坦福计算机科学家吴恩达教授，他兼任谷歌公司的顾问。吴恩达跟Dean介绍了Marvin项目（以著名的AI先锋Marvin Minsky命名），在这个项目中，他协助谷歌建立了一种基于大脑架构的柔韧的数字网格的“神经网络”。1990年，Dean在明尼苏达大学读本科的时候，也曾经研究过该技术的原始版本，当时神经网络的概念已经开始流行。在过去的五年中，神经网络领域从事相关研究工作的学者数量开始再次增长。吴恩达告诉Dean，Marvin项目是由谷歌的秘密X实验室负责研究的，目前已经取得了一些可观的进展。
Dean对此很感兴趣，决定花自己“20％”的时间来投入这个项目，每名谷歌员工都要将自己20%的时间贡献给他或她的核心工作以外的工作。很快，Dean向吴恩达推荐了有着神经科学背景的Greg Corrado。（在研究生院的课堂上，Corrado粗略地学习了该技术，但他对此很感兴趣，他开玩笑说道：“那天我上课的时候很专心。”）在春天，他们团队又多了一名吴恩达的得意研究生Quoc Le，他是项目团队的第一个实习生。在那之后，一些谷歌工程师用“谷歌大脑”来形容Marvin项目。
术语“人工智能”是在1956年夏天在达特茅斯的一种宪法惯例中诞生的，当时大多数研究人员认为创造AI的最佳方法是写一个非常大而全面的程序，将逻辑推理的规则和有关世界的知识写入其中。比方说，如果你想把英语翻译成日语，你需要把所有的英语语法规则、牛津英语词典中包含的所有定义、所有的日语语法规则，和日语字典中的所有单词都编入计算机。这种观点通常被称为“符号化AI”。因为它的认知定义是基于符号逻辑的，但它已经有些过时，只能算作是“好的老式的AI”。
这种老式方法有两个主要问题。一是，它非常耗费人力和时间；二是，它只有在规则和定义非常清楚的领域（比如数学或象棋）才真正起作用。然而，如果翻译采用这种方法，效果会很差，因为我们平时说的话没办法跟词典上的规则和定义完全对应。比方说，这样的系统可能会把“农业部长”翻译为“农业牧师”。但是，对于数学和国际象棋来说，这种老式方法就很奏效。
不过，这种老式方法的系统确实有限。在20世纪80年代，卡内基梅隆的机器人研究员指出，让计算机做成人能做的事情很简单，但让计算机做一个1岁的小孩可以做的事情却几乎是不可能的，比如拿起一个球或识别一只猫。到了20世纪90年代，尽管计算机能够在国际象棋上战胜世界冠军，我们离真正的人工智能还差得远。
关于AI，还有另外一种看法，计算机的学习是自下而上（从数据），而不是从上到下（从规则）学习。这个概念可追溯到20世纪40年代初，研究人员发现灵活自动智能的最佳模型就是人类大脑本身。毕竟，大脑只不过是很多神经元的集合体，神经元之间可能会相互传递电荷，或者不会传递。重要的不是单个神经元本身，而是它们之间的连接方式。这种结构很简单，为大脑提供了丰富的适应性优势。大脑可以在信息量少或缺失的情况下工作；它在承受重大的损害时，也不会完全失去控制；它可以用非常有效的方式存储大量的知识；它可以区分不同的模式，但同时保留必须的混乱来处理歧义。
所以人类开始试图用电子元件来模仿这种结构，1943年研究表明，简单的人工神经元排布可以执行基本的逻辑功能。至少在理论上，神经元可以模仿人类的方式。实际上，神经元会根据试错把相互之间的突触连接调节得更强或更弱。人工神经网络也可以做类似的事情，在不断试错的基础上逐步改变人工神经元之间的数字关系。人工神经网络不需要使用固定规则来预编程，相反，它会改变自身以反映所输入的数据中的模式。
这种观点认为人工智能是进化得来，而不是创造出来的。如果你想要一个灵活而且能适应环境的机制，不能一开始就教它国际象棋。必须从非常基本的能力，如感官知觉和运动控制开始，长此以往更先进的技能才有可能出现。人类并不是通过记忆字典和语法书来学习和理解语言的，所以我们有什么理由要让计算机通过这样的方式来学习呢？
谷歌大脑是第一个对这种思维方式进行商业投资的机构。Dean、Corrado和吴恩达利用闲暇时间进行合作并对此展开研究，很快他们便取得了进展。他们从最新的理论大纲和自20世纪八九十年代以来的已有框架中提取了他们的模型的搭建灵感，他们还利用了谷歌巨大的数据储备和庞大的计算基础设施。他们利用网络上大量的“标记”数据，让计算机不断改进从而更好地匹配现实。
某天，Dean告诉我说：“动物进化出眼睛是个巨大的发展。”我们像往常一样坐在会议室，他在白板画了一个复杂的时间线，展示了谷歌大脑以及它与神经网络的历史关系。“现在，计算机也有了眼睛，我们能够借助眼睛让计算机识别图片。机器人的能力将得到巨大提升。他们将能够在一个未知的环境中，处理各种不同的问题。”这些他们正在研发的能力可能看起来很原始，但它们的影响是深远的。
上图：Geoffrey Hinton，他在谷歌多伦多办事处提出的想法为谷歌翻译的神经网络方法奠定了基础。 图片来源：《纽约时报》的Brian Finke
2、重量级实习生
正如Dean所说，谷歌大脑诞生一年后，就在研发具有1岁小孩智力的机器中取得了不错的成绩。谷歌的语音识别团队将其旧系统的一部分转换为神经网络，并因此取得了该系统20年来的最好成效。该系统识别对象的能力提高了一个数量级。这不是因为谷歌大脑的研究人员在短短一年内就产生了很棒的新想法，而是因为谷歌终于在该领域投入了资源和人力。
Geoffrey Hinton的到来让谷歌大脑发展更为迅猛。在谷歌大脑成立的第二年，Hinton被招聘到了谷歌大脑，而吴恩达离开了谷歌（吴恩达现在领导百度1300人的AI团队）。Hinton只能离开多伦多大学在谷歌任职三个月，因此由于奥术合同的原因，他不得不被聘为实习生。在实习培训中，辅导人员说“输入您的LDAP（目录访问协议）”，他问道：“什么是LDAP？”在场其他所有25岁的职员，尽管他们可能刚刚弄清深度学习是人工智能的必要条件，都在想“那个老家伙是谁？为什么他连LDAP是什么都不知道？”
Hinton说道：“在午餐时间，团队成员里有个人惊呼‘Hinton教授！我选修了你的课程！你居然在这里？’”从那以后，大家才不对Hinton议论纷纷。
几个月后，Hinton和他的两个学生在一个称为ImageNet的开源集合运行的大型图像识别竞赛中展示了惊人的成果，他们让计算机不仅能识别猴子，而且能够区分蜘蛛猴和吼猴，以及各种不同品种的猫。谷歌很快就向Hinton和他的学生发起了聘用书，他们接收了谷歌的聘用。Hinton说道：“我本以为谷歌对我们的知识产权感兴趣，结果没想到是对我们这几个人感兴趣。”
Hinton来自英国的传统家族，像Darwins一样，他们家族非常注重教育。他伟大的曾祖父是George Boole，他在符号逻辑方面的基础工作为计算机打下基础；Hinton的祖父是一位著名的外科医生，Hinton的父亲是一位热爱冒险的昆虫学家，Hinton的父亲的表哥是洛斯阿拉莫斯研究所的研究员，等等。而Hinton曾在剑桥和爱丁堡大学读数，然后又到卡内基梅隆大学学习，最后他又到多伦多大学。（他的工作长期以来一直受到加拿大政府的慷慨支持。）我在他的办公室对他进行了采访，他顶着一头成熟的诺埃尔加拉格尔风格的黄到褪色的头发，穿着一件宽松的条纹衬衫，椭圆形的眼镜滑落到高挺的鼻子尖端。他开口说道：“计算机会比美国人更早地理解讽刺为何物。”
19世纪60年代末，Hinton在剑桥大学读本科时，就一直致力于研究神经网络，他是该领域的先驱。但大多数时候，每当他谈及机器学习，人们都觉得他在满口胡言。人们之所以觉得神经网络荒谬，主要是因为感知机（Perceptron）被过度炒作，感知机是一个人工神经网络，是康奈尔心理学家Frank Rosenblatt于20世纪50年代后期提出的。《纽约时报》曾报道，感知机的赞助商美国海军期望它“能够走路、说话、看、写作，甚至再造自己，并意识到自己的存在”。结果证明这是不切实际的。美国的Marvin Minsky曾在1954年的普林斯顿论文中研究过神经网络，但是他对于布朗克斯科学当代的Rosenblatt对神经范式的夸张描述已经厌倦了。（他也在争取国防部的投资。）Minsky与MIT的同事一起出版了一本书，来证明有一些简单问题是感知器永远不能解决的。
Minsky对感知机的抨击只是一个“层”的网络，在后来的生活中，他阐述了与当代深度学习非常相似的想法。Hinton认为，如果使用多层神经网络，就能够完成复杂的任务。神经网络的最简单的描述是，它是一个机器，能在数据中发现模式并进行分类或预测。如果只有一层神经网络，你可以找到简单的模式，但如果有多层神经网络，你应该去找模式中的模式。在图像识别的领域，主要使用的是“卷积神经网络”。（这是在1998年的一篇开创性论文中阐述的，其主要作是Yann LeCun，他在多伦多大学读博士后，是Hinton的学生，现在是Facebook人工智能实验室的负责人。）网络的第一层负责学习识别“边缘”的基本视觉效果，也就是判断一个东西（一个像素上）是否有东西。网络的每个连续层都在前一层中寻找模式。边缘的图案可以是圆形也可以是矩形，圆形或矩形的图案可能是面部。这种方法或多或少地以越来越抽象的方式将信息组合在一起，从视网膜中的光感受器将信息返回到大脑的视觉皮层。在每个步骤中，不相关的细节会被丢弃，因为如果几个边缘和圆圈合在一起成为一张面部，你无需知道发现面部的位置，只需要知道它是一张脸。
多层“深度”神经网络的问题是试错法部分非常复杂。对于单层神经网络来说，这很容易。想象一下，如果你正在和一个孩子玩。你告诉孩子，“拿起绿色的球，把它放入盒子A中”，孩子拿起一个绿色的球，但把它放入了盒子B。你会说，“再试一次把绿色球放在盒子A中”，孩子会再次尝试把球放入了盒子A中。
现在想象你告诉孩子，“拿起一个绿色的球，穿过三号门，然后把绿色的球放入盒子A。”孩子却拿起一个红色的球，穿过了二号门，把红色的球放入盒子B。那么你该如何纠正孩子呢？你不能只是不断重复初始指示，因为孩子不知道他到底错在哪一步。在现实生活中，你可以先举起红球和绿球，说“这是红球，这是绿球”。但是，机器学习的重点是避免这种明确的指导。Hinton和其他几个人研究了解决方案（或者，对旧的方案进行了改造）。对于这个分层错误问题，在20世纪70年代末和80年代初，计算机科学家重新开始对神经网络感兴趣。Hinton说道：“人们对此非常兴奋，但我们的研究超出了他们的兴趣。”很快，计算机科学家们又跟以前一样认为Hinton这样的人是怪人和神秘主义者。
这种想法在哲学家和心理学家中仍然很受欢迎，他们称之为“连接主义”或“并行分布式处理”。Hinton告诉我说，“有几个人对这个想法保持热情，这很好，因为这是真正的人工智能。但在心理学领域，很多人相信这种想法，但却没能力实现它。”尽管加拿大政府一直大力支持，但Hinton也没能实现这个想法。“因为没有足够的计算机资源或足够的数据，我们只能自我安慰道：‘是的，如果我们有这样的前提条件，这个想法肯定是行得通的。’但这却并不是一个非常有说服力的论据。”
3、深层解读深度学习
当Pichai提到“人工智能优先（A.I. First）”概念时，他不仅仅是在说谷歌的战略计划，更是把这个长期不可行的想法扔给了公司。Pichai在资源分配上，确保了像Dean和Hinton这样的人才有足够的计算资源和数据资源可用。每个大脑大约有1000亿个神经元，每个神经元与其他10000个神经元相连，这意味着大脑内突触的数量在100万亿和1000万亿之间。对于20世纪40年代提出的简单人工神经网络来说，根本不可能实现这样规模的网络。虽然目前我们也远没达到构建这种规模网络的能力，但谷歌Brain的投资让我们至少实现了可以媲美小鼠大脑的人工神经网络。
然而，理解网络规模的重要性之前，你必须了解一些技术细节，如机器智能究竟对数据做了什么。其实，我们对人工智能的恐惧，主要来自于我们认为它像一个反社会天才在图书馆挖掘知识，然后，或许某一天，曾经只会玩回形针的机器会像对待蚂蚁或莴苣一样轻松杀死人类。但这并不是人工智能的工作方式，它们所做的只是搜索并寻找共同点——首先是基本模式，然后逐渐变复杂。真正最大的危险在于，我们人类最初给它灌输的信息是否就包含个人偏见。
如果只是想了解一二，可以直接阅读下一节（内容是关于猫的），如果想理解相关技术，那请继续阅读。（当然，本节内容也是关于猫。）
如果你想在老式的符号化AI模型上生成一个“猫识别器”。那么首先，你必须花大量时间预先对机器详细明确地说明什么是“猫”。告诉机器，一只猫有四条腿、尖尖的的耳朵、晶须和尾巴等。机器将这些信息存储在内存中的“Cat”区域。接下来，提供一张图片，让机器判断是否是猫。判断过程中，首先，机器必须分离出图像中不同的元素；然后，利用内存中存储的规则处理这些元素。规则如下：如果（腿 = 4）且（耳朵 = 尖）且（胡须 = 有）且（尾巴 = 有）且（表情= 高傲），那么（猫 = 是）。但如果你提供一张苏格兰折耳猫的图片呢？我们符号化 AI模型就会根据“耳朵 != 尖”判断图片上不是猫。 这样的识别水平比蹒跚学步的小孩都差。
而现在，如果用神经网络做这个实验，就根本不需要通过一系列预先定义的规则进行判别，也根本不需要专门的空间来存储“猫”的信息，包含大量相互连接着的开关的大型blob会解决这一切。在blob的一端提供输入（待识别图像），另一端提供输出（标记信息）。然后，机器将自动化工作，通过不断调试相互连接的开关，最终将输入正确映射到对应的输出。训练过程就像是在迷宫中挖掘一系列隧道，隧道两端连接的是正确的输入和输出。可用的训练数据越多，挖掘的隧道数量和复杂性就越大。训练过程一旦完成，blob中有了足够多的隧道，神经网络就能稳定处理数据并作出可靠预测。这就是“监督学习（Supervised Learning）”。
神经网络之所以需要如此多的神经元和数据，因为它以一种类似民主的方式工作。例如，你想训练可识别五种类型物体的神经网络，它由数百万“选民”（神经元）组成，每位选民都有五张不同的卡片，分别是：猫、狗、蜘蛛猴、勺子、除颤器。拿出一张图片，问：“这是猫，狗，蜘蛛猴，勺子还是除颤器？”所有神经元分组进行投票，最终得票最多的作为最终结果：“一只狗？”
你告诉它：“不！是只猫。重新计算。”
然后，神经网络退回一步，确定哪些神经元投票“猫”，哪些不是。那些投票“猫”的神经元，下次如果还投“猫”，其权重加倍。除此之外，该神经网络也必须能准确判别其他物体类别，如狗和除颤器。而神经网络之所以如此灵活，是因为每个单独的个体针对不同的输出贡献的权重不一样。其实，最关键的不是个体投票，而是这种投票模式。如果Joe, Frank 和Mary一起投票，那就是一只狗；如果Joe, Kate和Jessica一起投票，那就是一只猫；而如果Kate, Jessica 和Frank一起投票，图片上就是一个除颤器。神经网络只需要注册大量可识别信号，这些信号表示：图片中该像素区域是“猫”。“选民”越多，投票次数就越多，微弱信号也越可能被注册。简单来说，就是如果只有Joe, Frank 和Mary三个选民，你可能仅限于区分猫、狗和除颤器；而如果有数百万选民，不同选民之间有数十亿连接，那么你就可以对数据精确分类。经过训练的“选民”组合甚至可以识别未标记图片（或许不那么精确）。
计算科学领域之所以不接受这些理念，部分原因在于机器的输出仅仅是基于模式的预测，它并不完美，而且机器永远无法确切地定义什么是“猫”。只有在看到猫的时候，机器才知道那是猫。神经元“选民”通过数百万张猫图像的训练，它们可以识别出在阳光下打盹的快乐小猫，和躲在垃圾箱阴影中的生气小猫。实际上，你需要大量的神经元“选民”和足够的已标记数据，前者用来确保神经网络可以捕捉到非常微弱的信号，如苏格兰折耳猫垂下的耳朵，后者用来尽可能确保神经网络已“见过”所有相似场景。
但是，需要注意的是，神经网络的输出结果具有概率性，这意味着它并不适用于所有任务。如果神经网路把猫误认为狗，或者偶尔推送了错误的电影，这都不是大事，但如果应用于无人驾驶，神经网络1%的失误率可能就酿成了悲剧。类似担忧还有很多。监督学习是基于已标记数据进行反复试验的过程。机器完成的只是学习过程，而人为因素仍然决定了最初对训练数据的分类。例如，训练数据中，图片上是一位男士和一位女士，某人将该图片标记为“一位女士和她的老板”，这种关系标记将影响所有后续的模式识别。因此，人类错误标记才会导致训练数据错误。机器可能通过重罪定罪数据，来确定信贷候选人贷款资格。但如果重罪定罪数据本身就是不公平的（如数据是基于歧视性禁毒法），那么机器输出的可贷款人名单也是不可靠的。
图像识别网络与我们的小猫识别器一样，也是深度学习的一种，但常常把它作为教学示例，因为人类可直观了解到图像识的具体过程：先找图像边缘，然后识别圆圈，接着识别脸。这意味着其中有错误保护措施。例如，早期，谷歌发现他们的图像识别软件无法单独识别出杠铃，哪怕用大规模运动器材图像集对其训练，结果也是一样。通过可视化工具观察发现，由于训练集中所有哑铃都是附在手臂上的，所以机器没有学习到“哑铃”的概念，而是“哑铃+手臂”的整体概念。改进一下，向训练集中加入单独的“杠铃”照片，问题就解决了。但并不是所有问题都这么容易。
4、猫识别论文
谷歌Brain部门在一到两年时间内，成功让机器具备了1岁小孩的智能。随后，该部门成功从谷歌X实验室“毕业”，并成为了更高级的研究机构。（谷歌X实验室负责人曾经指出，Brain取得的成就，让整个实验室的努力没有白费。）当时，谷歌Brain仍然只有10人不到，而对于未来，也只有一个模糊的概念。但即使在那时，他们都在积极思考接下来会发生什么。就像人一样，学会认识皮球后，我们会为之满足一段时间，但迟早，人类会产生关于皮球的问题。这就是语言产生的原因。
这一领域中，Brain迈出的第一步是发表了猫识别论文，正是这篇论文，Brain闻名世界。
这篇论文展示了一个具有超过十亿个“突触”连接的神经网络。虽然与人类大脑相比，它小了好几个数量级，但它比当时任何公开的神经网络都要大好几百倍。这个神经网络可以处理原始的、未标记数据，并识别高级的人类概念。谷歌Brain的研究人员向该神经网络展示了几百万的静态帧（来自YouTube视频），然后神经网络的感觉中枢开始运转，生成了一个稳定的模型。像小孩或花栗鼠一样聪明，该模型可以迅速识别出猫的脸。研究人员并没有预先向该神经网络输入关于“猫”概念，它直接与现实世界交互并获取“猫”这一定义。（研究人员发现，这一神经网络与核磁共振（M.R.I.）很相像，猫的脸部阴影会激发人工神经元“投票”的热情。）大多数机器学习都受限于已标记数据的数据量。但这篇论文却显示，该神经网络可以处理原始未标记数据，有时甚至是人类都还没建立起概念的数据。这不仅仅是猫识别研究的重大突破，更是整个人工智能的显著进步。
猫识别论文的第一作者是Quoc Le。Le个头不高，身形偏瘦，说话温和但语速很快，经常穿着闪亮的黑皮鞋，而且面带神秘的微笑。他在越南长大，父母都是农民，小时候家里甚至都没有电。他从小就表现出了过人的数学能力，后来，他就读于一所磁铁学校学习科学。上世纪90年代末，Le还在上学，那时候他就试图构建一个聊天机器人。他在想，这有多难呢？
“但实际上，”他告诉我，“非常不简单。”
毕业后，Le离开了越南，前往澳大利亚堪培拉的一所大学学习，主要研究机器视觉这类人工智能任务。当时人工智能的主要做法是，提前给机器灌输相关概念（如，边缘），这让他感觉像是在作弊。当时的Le不知道，全世界有很多计算机科学家和他的想法一样——机器可以从零开始学习。2006年，Le任职于德国的马克斯普朗克研究所生物控制部门。在当时的一个阅读小组中，他读到了Geoffrey Hinton写的两篇论文，他觉得自己豁然开朗。
“这两篇文章引起了争议，”他告诉我。“非常大的争议。”我们在一个小型内部会议室里，天花板又窄又高，屋子里有一张小桌子和两块白板。Le看了眼他画在背后白板上的曲线，又回过头来轻声地说，“我从没见到过这么大的争议”。
他记得，当时在阅读小组里站起来，然后说，“这就是未来。”但在当时，这是个不受欢迎的决定。Le在澳大利亚的导师不能完全理解他的想法，写邮件问到，“你为什么决定做这个？”
“那时，我想不到怎么回答这个问题，”Le说。“因为，我只是好奇。文章中提出了一个成功的范式，老实说，我只是对这个新范式感到好奇。那时还是2006年，这样的观点非常罕见。”然后，Le 加入了斯坦福的吴恩达团队，接着他开始沿着 Hinton 的道路探索。“到了2010年年底，我确信会有事情发生。”
不久之后，Le成为了Brain的首位实习生。在Brain，他继续着自己的论文工作，也就是后来发表的猫论文的前身。在一个简单层面上，Le只是想看看计算机能否被训练并自主识别给定图像中的绝对必要的信息。他向神经网络输入了一张YouTube上的静态图片。然后，指示神经网络丢弃一些信息，但并不说明哪些信息应该保留哪些应该丢弃。神经网络随机丢弃了一些信息。接着，Le又说：“刚刚是开玩笑的。现在基于你刚刚保留下来的信息，重新构建初始图像。”这种方式就像他先要求机器找到一种方式“总结”图像，然后，基于总结的信息回溯原始图像。如果总结的都是些不相关信息（如天空的颜色），而不是关键信息（如有没有胡须），计算机就无法有效重构原始图像。计算机的反应就像我们远古的祖先，他们在逃跑中建立起对剑齿虎的印象。而Le的神经网络与我们的祖先的方式不同，它需要不断地尝试。从数学角度来说，每次尝试后，它都选择不同的信息进行优化，而且表现地越来越好。然而，神经网络是个黑盒子，它确实生成了某种范式，但人类并不能直观地理解这些范式。
猫论文发表后，引起了极大凡响，而Le并未感觉到自己掌握了业界的话语权。但他强烈感觉到，应该继续自己早年聊天机器人的想法。发表了猫论文后，Le意识到，如果神经网络可以总结图片信息，那么它或许也可以总结语句信息。在接下来两年中，这一想法深深印在Le和Tomas Mikolov（Le在Brain的同事）的脑海中。
那段时间，Brain团队占据了好几个办公室，甚至一度占用了高管的地方。随后，他们收到了管理处的邮件，要求他们不要在Larry Page和Sergey Brin的 办公室门口的沙发上睡觉。后来，他们被安排到街对面的研究楼里工作，在那里，研究人员专心研究，而不必应付同事间礼貌而无效率的交谈。当然在这一过渡期，谷歌的竞争对手们也在奋力前行。（Le神情严肃地一遍一遍提及他与Tomas Mikolov的亲密合作。最后我忍不住问道，“他离开了？”Le点点头，回答道：“去了Facebook”。）
上图：2012年的谷歌 Brain团队。他们发表了著名的“猫论文”，演示论文中的神经网络处理未标记数据。研究人员向该神经网络提供几百万的静态帧（来自YouTube视频），神经网络生成了一个稳定的模型并且识别出猫。
那段时间，他们极力想构造出不仅能执行简单的静态图片分类任务，也能处理复杂的任务（如自然语言或音乐）的神经网络架构。他们的许多观点在上世纪九十年代就出现了，Le和他的同事们专门回顾了那些被忽略的概念，希望能从中得到启发。他们知道，一旦建立了一个具有基本语言预测功能的模型，也就可以基于此完成各种其他类型智能任务，如预测电子邮件的合适回复或者预测谈话过程。你可以侧重于那些从表面看起来很像思维过程的任务。
来源：人工智能学家
更多内容请关注：www.imefuture.com
北京大数据产业投资基金正式发布 扎克伯格启用AI“管家
圣诞节太多小孩被机器人吸引
智造家 查看全部
序言：你所读到的就是你自己
在十一月初的某个周五晚上，Jun Rekimoto（东京大学人机交互领域的杰出的教授）正准备在线演讲，他突然注意到社交媒体滚动条上有一些特别的内容。这些内容是关于谷歌翻译的，这项流行的机器翻译服务最近突然有了大幅改善。
Rekimoto开始研究谷歌翻译并用它做了一些测试，测试结果令他非常震惊。虽然已经夜深，但谷歌翻译取得的进展依然让Rekimoto久久无法入睡。
Rekimoto在一篇博客中写了他的初步发现。首先，他用谷歌翻译翻译了《了不起的盖茨比》中的一些句子，并与1957年Takashi Nozaki译版和最新的Haruki Murakami的译版进行对比。Rekimoto后来通过电子邮件向我解释，Murakami的版本语言非常细腻，具有独特的“Murakami风格”。相比之下，谷歌的翻译虽然有些不自然，但是对他来说“更透明”。
Rekimoto博客的后半部分从日译英的方向测试了谷歌翻译。他先是自己用日语翻译了海明威的《乞力马扎罗的雪》的开头部分，然后把这段话通过谷歌翻译转译成英语。他列出了此版本与海明威的原版，并让读者猜测哪个版本是机器完成的。
NO. 1:
Kilimanjaro is a snow-covered mountain 19,710 feet high, and is said to be the highest mountain in Africa. Its western summit is called the Masai “Ngaje Ngai,” the House of God. Close to the western summit there is the dried and frozen carcass of a leopard. No one has explained what the leopard was seeking at that altitude.
NO. 2:
Kilimanjaro is a mountain of 19,710 feet covered with snow and is said to be the highest mountain in Africa. The summit of the west is called “Ngaje Ngai” in Masai, the house of God. Near the top of the west there is a dry and frozen dead body of leopard. No one has ever explained what leopard wanted at that altitude.
即使是以英语为母语的人，也很难分辨出第二段是由机器完成的。这两段翻译是如此的相近，Rekimoto甚至觉得这很神奇。因为Rekimoto非常熟悉谷歌翻译之前的能力，甚至在24小时前，谷歌只能翻译成下面这段话：
Kilimanjaro is 19,710 feet of the mountain covered with snow, and it is said that the highest mountain in Africa. Top of the west, “Ngaje Ngai” in the Maasai language, has been referred to as the house of God. The top close to the west, there is a dry, frozen carcass of a leopard.Whether the leopard had what the demand at that altitude, there is no that nobody explained.
Rekimoto在Twitter上向他的十万个粉丝公布了他的发现，在接下来的几个小时里，成千上万的人发出他们使用机器翻译的结果。有些是比较成功的，但也有些是非常滑稽的。
在东京破晓之时，谷歌翻译登上了日本Twitter热度榜的第一位，甚至连人气动漫和人气偶像少女的被挤了下去。每个人都很惊奇：谷歌翻译为何能如此让人刮目相看？
四天之后，来自世界各地的上百名记者、企业家和广告客户齐聚于谷歌的伦敦办公室中，观看谷歌的特别发布会。客人们的甜点是印有翻译标志的幸运饼干，每个人的面前还放有一张纸条，一面写着不同国家的短语，另一面邀请客人们下载谷歌翻译的软件。桌子上还摆放了甜甜圈和冰沙盘，旁边的标语牌标注了各种国家的风味。过了一会，所有人来到了一个豪华的黑暗剧场中。
上图：Sundar Pichai，谷歌的首席执行官，在他加利福尼亚州山景城的办公室外。
伦敦市长Sadiq Khan首先上台演讲。演讲的开始，市长提到他有个朋友觉得市长就像谷歌一样。于是市长问朋友：“为什么？因为我什么都懂？”朋友否认道：“不是的，是因为你就像谷歌一样，总是试图把我的话补充完。”观众们纷纷被市长的幽默逗笑。随后，谷歌的首席执行官Sundar Pichai上台发表演讲。
Pichai此行的目的之一就是启动谷歌伦敦国王大道的新大楼，预示着公司完成了去年提出的转型计划的初始阶段。Pichai曾经多次在不同场合说过谷歌的未来将以“AI为先”，这在理论上听起来很复杂，引发了许多学者的推测。在实践生产中意味着，未来谷歌将不再依靠传统计算编程来生产产品，而是“机器学习”。
谷歌公司中有一个鲜少提及的部门，谷歌大脑。这个部门成立于五年前，一直遵循着一个原理：人工“神经网络”能够像婴儿一样，通过不断的尝试和犯错来认知这个世界，最终拥有像人类一样的灵活性。这其实并不是一个新理论，早在现代计算机初步发展的20世纪40年代就出现了。但当时大部分科学家并不看重，认为它过于深奥。直到2011年，谷歌大脑证明了将这个强大的方法运用在人工智能领域里可以解决此前几十年的棘手问题。例如，此前谷歌手机在语音识别方面一直效果不是很好，直到谷歌将机器学习算法移植到手机平台后，语音识别精度已经可以和人类媲美。而在图像识别领域也同样取得了良好的效果。一年前，谷歌大脑就已经将这些核心技术成功运用在消费级产品里。
谷歌翻译于2006年首次亮相，目前已经成为谷歌最可靠和最流行的应用之一。每天，谷歌翻译会面对 5 亿个月度活跃用户的 1400 亿个不同语种的单词。现在它已经不是座位一个独立的应用存在，更是已经集成到Gmail、Chrome 及许多其它谷歌产品中了，谷歌将它作为其数字商务中的一个无缝贴合的部分。Pichai在台上讲到，直至叙利亚难民危机之时，公司才意识地区间的翻译交流是何等重要。他背后屏幕的陡峭的曲线图显示，阿拉伯语与德语互译的翻译请求最近增长了五倍之多。（这个结果也符合Pichai的内心想法，他在印度出生成长，那里有几十种不同的语言。）谷歌翻译此后也在逐步增加新的语言和功能，但是过去的四年，发展速度正在逐年减缓。
截至到上个周末，谷歌翻译已经在美国、欧洲、亚洲等地区完成了基于人工智能的转换，包括西班牙语、葡萄牙语、法语、德语、中文、日语、韩语及土耳其语在内的语言与英语的互译。而其它上百种语言也即将实现互译，谷歌预计将会以每月八个的速度在年底前更新完毕。而对于谷歌工程而言，只花费九个月的时间就完成这一重大革新无疑是一个惊喜。AI系统一个通宵所取得的进展就相当于过去所取得的进展之和。
Pichai对含蓄的古典文学尤为偏爱，一个月前，他曾告诉我，在他加利福尼亚州山景城的办公室里，有些文字还是需要谷歌翻译来辅助显示，毕竟并不是所有人都像物理学家Robert Oppenheimer一样能读原版的《博伽梵歌》。因此在伦敦的发布会上，幻灯片上出现了博尔赫斯的经典名言：“Uno no es lo que es por lo que escribe, sino por lo que ha leído.”
Pichai大声地读出旧版谷歌翻译翻译出来的拙劣的句子：“One is not what is for what he writes, but for what he has read.”
而在大屏幕的右边，新的AI系统版本则翻译的更加优雅：“You are not what you write, but what you have read.”
这是有一个对新版的谷歌翻译非常恰当的描述：在某种意义上，谷歌翻译是第一条可以通过学习理解任何事物的机器。
谷歌以AI为中心重组公司。在过去的四年中，谷歌、Facebook、苹果、亚马逊、微软和中国百度等六家公司都围绕AI人才展开了一场军备竞赛，尤其是在大学。企业纷纷到顶尖的学术院校挖掘人才，给人才以丰富的资源和极大的自由。在硅谷，Facebook的CEO Mark Zuckerberg会亲自通过电话和视频聊天软件跟公司最优异的研究生进行会话，七位数的起薪根本不在话下。参加人工智能最重要的学术会议的人数增加了近四倍。大家所关注的不仅仅是小小的创新，还有该如何掌控全新的计算平台：无处不在的人工智能。
我们好像理所当然地就开始使用“人工智能”这一短语，但它其实一直是引发争议的根源。想象一下，如果你回到20世纪70年代，在大街上拦住一个路上，拿住智能手机并向她展示手机里的谷歌地图。你可能需要不停地向她解释，你并不是穿着奇怪的巫师，从口袋里掏出的手机也不是什么黑色护身符，它只是一个比阿波罗时光机更强大的电脑。实际上，谷歌地图就是能跟她展示什么是“人工智能”的例子。在某种意义上，谷歌地图确实是人工智能的例子。它能帮你规划从酒店到机场的路线，而且比人类能完成得更快更好。它还能做一些人类显然不能做的事情：它可以判断交通状况；规划最佳路线；在你走错路时，它能重新定位并进行路线的重新规划。
实际上，如今没有人会把谷歌地图跟高贵的“AI”相提并论。所以我们在使用“智能”这个词的时候，是带“情感”色彩的。人工智能可以区别HAL和其它任何用织机或手推车就可以做出的东西。我们能自动化一项任务，涉及到的相关技能会转变为单纯的机制。现在，谷歌地图似乎还不能称之为人工智能，充其量是机器人：它只接受一个明确的需求（从一个地方到另一个地方），并尽力满足这种需求。因此，“人工智能”的所对应的实际应用其实范围很小。
Pichai的终极目标是区分AI应用和“通用人工智能”。通用人工智能不涉及对显式指令的忠实遵守，它是为一般情况下的一般用途而设计通用工具。Pichai认为，他公司的未来取决于通用人工智能。想象一下，如果你告诉谷歌地图，“我想去机场，但需要在中途停一下给我的侄子买礼物。”一个通用的智能服务，就像三年前的电影《她》中，由Scarlett Johansson配音的那个无处不在的助手一样，她像好朋友一样了解你的情况：你侄子的年龄，你通常喜欢给孩子买什么礼物，以及哪里有能买礼物的商店。但是，一个真正聪明的地图能做一些好朋友考虑不到的事，比方说，你侄子学校的孩子里，最近流行什么玩具。如果聪明的机器能够辨别一些错综复杂的数据，从中找到过去我们做过的事情中暗藏的规律性，那么它就可以推断我们的想法。
AI助手是人工智能的新浪潮，苹果的Siri、Facebook的M，还有亚马逊的Echo都是机器学习的产物，作用都很相似。然而，机器学习并不一定只局限于此。今年，三星的医学成像子公司宣布其新的超声设备能够检测乳腺癌。公司也在招贤纳士，以扩大计算机的工业应用。DeepMind于2014年被谷歌收购，AlphaGo在围棋游戏中击败了人类围棋大师，尽管当时人类预测人工智能要想战胜人类还需要10年。
1950年，Alan Turi吴恩达在那篇著名的文章中提出了一个人工智能的测试：一台计算机是否能在5分钟的文本交流中成功地欺骗人类。一旦机器可以在两种自然语言之间流利地翻译，机器就能很好地“理解”人类语言，从而与人类进行对话。谷歌大脑的成员们正推动和协助监督翻译项目，他们相信这样的机器将会成为通用人工智能的助手。
谷歌的研究人员和工程师团队从最初的一两个人，扩大到三四人，甚至后来扩大到一百多人，他们在这一领域取得了巨大进步。接下来要讲的关于谷歌团队的故事非常少见，因为它跟我们对硅谷的通常印象有所不同。它并不是一些俗套的剧情。它不是一个关于技术能解决所有问题的故事，也不是一个技术会毁灭世界的故事。它跟颠覆无关，至少不是通常意义上的颠覆。
事实上，这个故事又包含了三个相关的故事，这三个故事在谷歌翻译成功转型为AI的过程中融合在一起，它们分别是：技术故事，制度故事和关于思想演变的故事。技术故事是关于一个公司的一个产品团队，以及他们对旧产品进行改进、测试并形成全新版本的过程，而且他们只用了别人预期的约为四分之一的时间就完成了这个过程。制度故事是关于该公司内的一个虽然规模不大但很有影响力的人工智能团队，以及他们凭借对一些旧的、未经证实的和广泛不适用的计算观念的直觉信念，超越了几乎其他所有公司的过程。思想的故事是关于坚持不懈的认知科学家、心理学家和工程师，他们长期以来用看似不合理的信念，最终激发了我们对技术和理论的理解，以及意识本身的范式转变。
第一个故事是谷歌翻译的故事，发生在山景城，时间跨度为九个月，故事解释了机器翻译发生的转变。第二个故事是谷歌大脑及其众多竞争对手的故事，发生在硅谷，时间跨度为五年，它解释了整个领域的转型。第三个故事是深度学习的故事，发生在苏格兰、瑞士、日本和加拿大等大部分地区的遥远实验室，时间跨度长达七十年，它可能非常有助于改变人类的自我认知。
这三个故事都跟人工智能有关。七十年的故事是关于我们对人工智能的期待。五年的故事是关于人工智能在不久的将来会带来什么。九个月的故事是关于人工智能现在可以做什么。这三个故事本身都是对概念的证明，而所有这一切都只是开始。
第一部分：学习机器
1、谷歌大脑的诞生
虽然Jeff Dean的职位是高级研究员，但是事实上，他才是谷歌大脑团队的领导者。 Dean有着长而窄的脸，深深的眼睛并且十分热情。作为医学人类学家和公共卫生流行病学家的儿子，Dean成长时期几乎周游了世界各地，包括明尼苏达州、夏威夷、波士顿、阿肯色州、日内瓦、乌干达、索马里、亚特兰大等地。在高中和大学期间，他写的软件就被世界卫生组织所采用。自1999年以来，他一直在谷歌工作，当时他才25岁，从那时起，他几乎参与了谷歌所有重大项目中核心软件系统的开发。作为公司的元老级人物，Jeff Dean Facts已经成了公司开玩笑的对象。以Chuck Norris的事实模式为例：“Jeff Dean的PIN是pi的最后四位数字。”“当Alexander Graham Bell发明电话时，他接到了一个来自Jeff Dean的未接来电。”“Jeff Dean在最高级别为10的系统中晋升到了11级。“（最后一个是真的。）
上图：谷歌工程师和谷歌大脑的领导者Jeff Dean。
来源：纽约时报的Brian Finke
2011年初的一天，Dean在谷歌校园的“微型车间”之一，也就是山景城大楼的共享休息室，遇见了年轻的斯坦福计算机科学家吴恩达教授，他兼任谷歌公司的顾问。吴恩达跟Dean介绍了Marvin项目（以著名的AI先锋Marvin Minsky命名），在这个项目中，他协助谷歌建立了一种基于大脑架构的柔韧的数字网格的“神经网络”。1990年，Dean在明尼苏达大学读本科的时候，也曾经研究过该技术的原始版本，当时神经网络的概念已经开始流行。在过去的五年中，神经网络领域从事相关研究工作的学者数量开始再次增长。吴恩达告诉Dean，Marvin项目是由谷歌的秘密X实验室负责研究的，目前已经取得了一些可观的进展。
Dean对此很感兴趣，决定花自己“20％”的时间来投入这个项目，每名谷歌员工都要将自己20%的时间贡献给他或她的核心工作以外的工作。很快，Dean向吴恩达推荐了有着神经科学背景的Greg Corrado。（在研究生院的课堂上，Corrado粗略地学习了该技术，但他对此很感兴趣，他开玩笑说道：“那天我上课的时候很专心。”）在春天，他们团队又多了一名吴恩达的得意研究生Quoc Le，他是项目团队的第一个实习生。在那之后，一些谷歌工程师用“谷歌大脑”来形容Marvin项目。
术语“人工智能”是在1956年夏天在达特茅斯的一种宪法惯例中诞生的，当时大多数研究人员认为创造AI的最佳方法是写一个非常大而全面的程序，将逻辑推理的规则和有关世界的知识写入其中。比方说，如果你想把英语翻译成日语，你需要把所有的英语语法规则、牛津英语词典中包含的所有定义、所有的日语语法规则，和日语字典中的所有单词都编入计算机。这种观点通常被称为“符号化AI”。因为它的认知定义是基于符号逻辑的，但它已经有些过时，只能算作是“好的老式的AI”。
这种老式方法有两个主要问题。一是，它非常耗费人力和时间；二是，它只有在规则和定义非常清楚的领域（比如数学或象棋）才真正起作用。然而，如果翻译采用这种方法，效果会很差，因为我们平时说的话没办法跟词典上的规则和定义完全对应。比方说，这样的系统可能会把“农业部长”翻译为“农业牧师”。但是，对于数学和国际象棋来说，这种老式方法就很奏效。
不过，这种老式方法的系统确实有限。在20世纪80年代，卡内基梅隆的机器人研究员指出，让计算机做成人能做的事情很简单，但让计算机做一个1岁的小孩可以做的事情却几乎是不可能的，比如拿起一个球或识别一只猫。到了20世纪90年代，尽管计算机能够在国际象棋上战胜世界冠军，我们离真正的人工智能还差得远。
关于AI，还有另外一种看法，计算机的学习是自下而上（从数据），而不是从上到下（从规则）学习。这个概念可追溯到20世纪40年代初，研究人员发现灵活自动智能的最佳模型就是人类大脑本身。毕竟，大脑只不过是很多神经元的集合体，神经元之间可能会相互传递电荷，或者不会传递。重要的不是单个神经元本身，而是它们之间的连接方式。这种结构很简单，为大脑提供了丰富的适应性优势。大脑可以在信息量少或缺失的情况下工作；它在承受重大的损害时，也不会完全失去控制；它可以用非常有效的方式存储大量的知识；它可以区分不同的模式，但同时保留必须的混乱来处理歧义。
所以人类开始试图用电子元件来模仿这种结构，1943年研究表明，简单的人工神经元排布可以执行基本的逻辑功能。至少在理论上，神经元可以模仿人类的方式。实际上，神经元会根据试错把相互之间的突触连接调节得更强或更弱。人工神经网络也可以做类似的事情，在不断试错的基础上逐步改变人工神经元之间的数字关系。人工神经网络不需要使用固定规则来预编程，相反，它会改变自身以反映所输入的数据中的模式。
这种观点认为人工智能是进化得来，而不是创造出来的。如果你想要一个灵活而且能适应环境的机制，不能一开始就教它国际象棋。必须从非常基本的能力，如感官知觉和运动控制开始，长此以往更先进的技能才有可能出现。人类并不是通过记忆字典和语法书来学习和理解语言的，所以我们有什么理由要让计算机通过这样的方式来学习呢？
谷歌大脑是第一个对这种思维方式进行商业投资的机构。Dean、Corrado和吴恩达利用闲暇时间进行合作并对此展开研究，很快他们便取得了进展。他们从最新的理论大纲和自20世纪八九十年代以来的已有框架中提取了他们的模型的搭建灵感，他们还利用了谷歌巨大的数据储备和庞大的计算基础设施。他们利用网络上大量的“标记”数据，让计算机不断改进从而更好地匹配现实。
某天，Dean告诉我说：“动物进化出眼睛是个巨大的发展。”我们像往常一样坐在会议室，他在白板画了一个复杂的时间线，展示了谷歌大脑以及它与神经网络的历史关系。“现在，计算机也有了眼睛，我们能够借助眼睛让计算机识别图片。机器人的能力将得到巨大提升。他们将能够在一个未知的环境中，处理各种不同的问题。”这些他们正在研发的能力可能看起来很原始，但它们的影响是深远的。
上图：Geoffrey Hinton，他在谷歌多伦多办事处提出的想法为谷歌翻译的神经网络方法奠定了基础。 图片来源：《纽约时报》的Brian Finke
2、重量级实习生
正如Dean所说，谷歌大脑诞生一年后，就在研发具有1岁小孩智力的机器中取得了不错的成绩。谷歌的语音识别团队将其旧系统的一部分转换为神经网络，并因此取得了该系统20年来的最好成效。该系统识别对象的能力提高了一个数量级。这不是因为谷歌大脑的研究人员在短短一年内就产生了很棒的新想法，而是因为谷歌终于在该领域投入了资源和人力。
Geoffrey Hinton的到来让谷歌大脑发展更为迅猛。在谷歌大脑成立的第二年，Hinton被招聘到了谷歌大脑，而吴恩达离开了谷歌（吴恩达现在领导百度1300人的AI团队）。Hinton只能离开多伦多大学在谷歌任职三个月，因此由于奥术合同的原因，他不得不被聘为实习生。在实习培训中，辅导人员说“输入您的LDAP（目录访问协议）”，他问道：“什么是LDAP？”在场其他所有25岁的职员，尽管他们可能刚刚弄清深度学习是人工智能的必要条件，都在想“那个老家伙是谁？为什么他连LDAP是什么都不知道？”
Hinton说道：“在午餐时间，团队成员里有个人惊呼‘Hinton教授！我选修了你的课程！你居然在这里？’”从那以后，大家才不对Hinton议论纷纷。
几个月后，Hinton和他的两个学生在一个称为ImageNet的开源集合运行的大型图像识别竞赛中展示了惊人的成果，他们让计算机不仅能识别猴子，而且能够区分蜘蛛猴和吼猴，以及各种不同品种的猫。谷歌很快就向Hinton和他的学生发起了聘用书，他们接收了谷歌的聘用。Hinton说道：“我本以为谷歌对我们的知识产权感兴趣，结果没想到是对我们这几个人感兴趣。”
Hinton来自英国的传统家族，像Darwins一样，他们家族非常注重教育。他伟大的曾祖父是George Boole，他在符号逻辑方面的基础工作为计算机打下基础；Hinton的祖父是一位著名的外科医生，Hinton的父亲是一位热爱冒险的昆虫学家，Hinton的父亲的表哥是洛斯阿拉莫斯研究所的研究员，等等。而Hinton曾在剑桥和爱丁堡大学读数，然后又到卡内基梅隆大学学习，最后他又到多伦多大学。（他的工作长期以来一直受到加拿大政府的慷慨支持。）我在他的办公室对他进行了采访，他顶着一头成熟的诺埃尔加拉格尔风格的黄到褪色的头发，穿着一件宽松的条纹衬衫，椭圆形的眼镜滑落到高挺的鼻子尖端。他开口说道：“计算机会比美国人更早地理解讽刺为何物。”
19世纪60年代末，Hinton在剑桥大学读本科时，就一直致力于研究神经网络，他是该领域的先驱。但大多数时候，每当他谈及机器学习，人们都觉得他在满口胡言。人们之所以觉得神经网络荒谬，主要是因为感知机（Perceptron）被过度炒作，感知机是一个人工神经网络，是康奈尔心理学家Frank Rosenblatt于20世纪50年代后期提出的。《纽约时报》曾报道，感知机的赞助商美国海军期望它“能够走路、说话、看、写作，甚至再造自己，并意识到自己的存在”。结果证明这是不切实际的。美国的Marvin Minsky曾在1954年的普林斯顿论文中研究过神经网络，但是他对于布朗克斯科学当代的Rosenblatt对神经范式的夸张描述已经厌倦了。（他也在争取国防部的投资。）Minsky与MIT的同事一起出版了一本书，来证明有一些简单问题是感知器永远不能解决的。
Minsky对感知机的抨击只是一个“层”的网络，在后来的生活中，他阐述了与当代深度学习非常相似的想法。Hinton认为，如果使用多层神经网络，就能够完成复杂的任务。神经网络的最简单的描述是，它是一个机器，能在数据中发现模式并进行分类或预测。如果只有一层神经网络，你可以找到简单的模式，但如果有多层神经网络，你应该去找模式中的模式。在图像识别的领域，主要使用的是“卷积神经网络”。（这是在1998年的一篇开创性论文中阐述的，其主要作是Yann LeCun，他在多伦多大学读博士后，是Hinton的学生，现在是Facebook人工智能实验室的负责人。）网络的第一层负责学习识别“边缘”的基本视觉效果，也就是判断一个东西（一个像素上）是否有东西。网络的每个连续层都在前一层中寻找模式。边缘的图案可以是圆形也可以是矩形，圆形或矩形的图案可能是面部。这种方法或多或少地以越来越抽象的方式将信息组合在一起，从视网膜中的光感受器将信息返回到大脑的视觉皮层。在每个步骤中，不相关的细节会被丢弃，因为如果几个边缘和圆圈合在一起成为一张面部，你无需知道发现面部的位置，只需要知道它是一张脸。
多层“深度”神经网络的问题是试错法部分非常复杂。对于单层神经网络来说，这很容易。想象一下，如果你正在和一个孩子玩。你告诉孩子，“拿起绿色的球，把它放入盒子A中”，孩子拿起一个绿色的球，但把它放入了盒子B。你会说，“再试一次把绿色球放在盒子A中”，孩子会再次尝试把球放入了盒子A中。
现在想象你告诉孩子，“拿起一个绿色的球，穿过三号门，然后把绿色的球放入盒子A。”孩子却拿起一个红色的球，穿过了二号门，把红色的球放入盒子B。那么你该如何纠正孩子呢？你不能只是不断重复初始指示，因为孩子不知道他到底错在哪一步。在现实生活中，你可以先举起红球和绿球，说“这是红球，这是绿球”。但是，机器学习的重点是避免这种明确的指导。Hinton和其他几个人研究了解决方案（或者，对旧的方案进行了改造）。对于这个分层错误问题，在20世纪70年代末和80年代初，计算机科学家重新开始对神经网络感兴趣。Hinton说道：“人们对此非常兴奋，但我们的研究超出了他们的兴趣。”很快，计算机科学家们又跟以前一样认为Hinton这样的人是怪人和神秘主义者。
这种想法在哲学家和心理学家中仍然很受欢迎，他们称之为“连接主义”或“并行分布式处理”。Hinton告诉我说，“有几个人对这个想法保持热情，这很好，因为这是真正的人工智能。但在心理学领域，很多人相信这种想法，但却没能力实现它。”尽管加拿大政府一直大力支持，但Hinton也没能实现这个想法。“因为没有足够的计算机资源或足够的数据，我们只能自我安慰道：‘是的，如果我们有这样的前提条件，这个想法肯定是行得通的。’但这却并不是一个非常有说服力的论据。”
3、深层解读深度学习
当Pichai提到“人工智能优先（A.I. First）”概念时，他不仅仅是在说谷歌的战略计划，更是把这个长期不可行的想法扔给了公司。Pichai在资源分配上，确保了像Dean和Hinton这样的人才有足够的计算资源和数据资源可用。每个大脑大约有1000亿个神经元，每个神经元与其他10000个神经元相连，这意味着大脑内突触的数量在100万亿和1000万亿之间。对于20世纪40年代提出的简单人工神经网络来说，根本不可能实现这样规模的网络。虽然目前我们也远没达到构建这种规模网络的能力，但谷歌Brain的投资让我们至少实现了可以媲美小鼠大脑的人工神经网络。
然而，理解网络规模的重要性之前，你必须了解一些技术细节，如机器智能究竟对数据做了什么。其实，我们对人工智能的恐惧，主要来自于我们认为它像一个反社会天才在图书馆挖掘知识，然后，或许某一天，曾经只会玩回形针的机器会像对待蚂蚁或莴苣一样轻松杀死人类。但这并不是人工智能的工作方式，它们所做的只是搜索并寻找共同点——首先是基本模式，然后逐渐变复杂。真正最大的危险在于，我们人类最初给它灌输的信息是否就包含个人偏见。
如果只是想了解一二，可以直接阅读下一节（内容是关于猫的），如果想理解相关技术，那请继续阅读。（当然，本节内容也是关于猫。）
如果你想在老式的符号化AI模型上生成一个“猫识别器”。那么首先，你必须花大量时间预先对机器详细明确地说明什么是“猫”。告诉机器，一只猫有四条腿、尖尖的的耳朵、晶须和尾巴等。机器将这些信息存储在内存中的“Cat”区域。接下来，提供一张图片，让机器判断是否是猫。判断过程中，首先，机器必须分离出图像中不同的元素；然后，利用内存中存储的规则处理这些元素。规则如下：如果（腿 = 4）且（耳朵 = 尖）且（胡须 = 有）且（尾巴 = 有）且（表情= 高傲），那么（猫 = 是）。但如果你提供一张苏格兰折耳猫的图片呢？我们符号化 AI模型就会根据“耳朵 != 尖”判断图片上不是猫。 这样的识别水平比蹒跚学步的小孩都差。
而现在，如果用神经网络做这个实验，就根本不需要通过一系列预先定义的规则进行判别，也根本不需要专门的空间来存储“猫”的信息，包含大量相互连接着的开关的大型blob会解决这一切。在blob的一端提供输入（待识别图像），另一端提供输出（标记信息）。然后，机器将自动化工作，通过不断调试相互连接的开关，最终将输入正确映射到对应的输出。训练过程就像是在迷宫中挖掘一系列隧道，隧道两端连接的是正确的输入和输出。可用的训练数据越多，挖掘的隧道数量和复杂性就越大。训练过程一旦完成，blob中有了足够多的隧道，神经网络就能稳定处理数据并作出可靠预测。这就是“监督学习（Supervised Learning）”。
神经网络之所以需要如此多的神经元和数据，因为它以一种类似民主的方式工作。例如，你想训练可识别五种类型物体的神经网络，它由数百万“选民”（神经元）组成，每位选民都有五张不同的卡片，分别是：猫、狗、蜘蛛猴、勺子、除颤器。拿出一张图片，问：“这是猫，狗，蜘蛛猴，勺子还是除颤器？”所有神经元分组进行投票，最终得票最多的作为最终结果：“一只狗？”
你告诉它：“不！是只猫。重新计算。”
然后，神经网络退回一步，确定哪些神经元投票“猫”，哪些不是。那些投票“猫”的神经元，下次如果还投“猫”，其权重加倍。除此之外，该神经网络也必须能准确判别其他物体类别，如狗和除颤器。而神经网络之所以如此灵活，是因为每个单独的个体针对不同的输出贡献的权重不一样。其实，最关键的不是个体投票，而是这种投票模式。如果Joe, Frank 和Mary一起投票，那就是一只狗；如果Joe, Kate和Jessica一起投票，那就是一只猫；而如果Kate, Jessica 和Frank一起投票，图片上就是一个除颤器。神经网络只需要注册大量可识别信号，这些信号表示：图片中该像素区域是“猫”。“选民”越多，投票次数就越多，微弱信号也越可能被注册。简单来说，就是如果只有Joe, Frank 和Mary三个选民，你可能仅限于区分猫、狗和除颤器；而如果有数百万选民，不同选民之间有数十亿连接，那么你就可以对数据精确分类。经过训练的“选民”组合甚至可以识别未标记图片（或许不那么精确）。
计算科学领域之所以不接受这些理念，部分原因在于机器的输出仅仅是基于模式的预测，它并不完美，而且机器永远无法确切地定义什么是“猫”。只有在看到猫的时候，机器才知道那是猫。神经元“选民”通过数百万张猫图像的训练，它们可以识别出在阳光下打盹的快乐小猫，和躲在垃圾箱阴影中的生气小猫。实际上，你需要大量的神经元“选民”和足够的已标记数据，前者用来确保神经网络可以捕捉到非常微弱的信号，如苏格兰折耳猫垂下的耳朵，后者用来尽可能确保神经网络已“见过”所有相似场景。
但是，需要注意的是，神经网络的输出结果具有概率性，这意味着它并不适用于所有任务。如果神经网路把猫误认为狗，或者偶尔推送了错误的电影，这都不是大事，但如果应用于无人驾驶，神经网络1%的失误率可能就酿成了悲剧。类似担忧还有很多。监督学习是基于已标记数据进行反复试验的过程。机器完成的只是学习过程，而人为因素仍然决定了最初对训练数据的分类。例如，训练数据中，图片上是一位男士和一位女士，某人将该图片标记为“一位女士和她的老板”，这种关系标记将影响所有后续的模式识别。因此，人类错误标记才会导致训练数据错误。机器可能通过重罪定罪数据，来确定信贷候选人贷款资格。但如果重罪定罪数据本身就是不公平的（如数据是基于歧视性禁毒法），那么机器输出的可贷款人名单也是不可靠的。
图像识别网络与我们的小猫识别器一样，也是深度学习的一种，但常常把它作为教学示例，因为人类可直观了解到图像识的具体过程：先找图像边缘，然后识别圆圈，接着识别脸。这意味着其中有错误保护措施。例如，早期，谷歌发现他们的图像识别软件无法单独识别出杠铃，哪怕用大规模运动器材图像集对其训练，结果也是一样。通过可视化工具观察发现，由于训练集中所有哑铃都是附在手臂上的，所以机器没有学习到“哑铃”的概念，而是“哑铃+手臂”的整体概念。改进一下，向训练集中加入单独的“杠铃”照片，问题就解决了。但并不是所有问题都这么容易。
4、猫识别论文
谷歌Brain部门在一到两年时间内，成功让机器具备了1岁小孩的智能。随后，该部门成功从谷歌X实验室“毕业”，并成为了更高级的研究机构。（谷歌X实验室负责人曾经指出，Brain取得的成就，让整个实验室的努力没有白费。）当时，谷歌Brain仍然只有10人不到，而对于未来，也只有一个模糊的概念。但即使在那时，他们都在积极思考接下来会发生什么。就像人一样，学会认识皮球后，我们会为之满足一段时间，但迟早，人类会产生关于皮球的问题。这就是语言产生的原因。
这一领域中，Brain迈出的第一步是发表了猫识别论文，正是这篇论文，Brain闻名世界。
这篇论文展示了一个具有超过十亿个“突触”连接的神经网络。虽然与人类大脑相比，它小了好几个数量级，但它比当时任何公开的神经网络都要大好几百倍。这个神经网络可以处理原始的、未标记数据，并识别高级的人类概念。谷歌Brain的研究人员向该神经网络展示了几百万的静态帧（来自YouTube视频），然后神经网络的感觉中枢开始运转，生成了一个稳定的模型。像小孩或花栗鼠一样聪明，该模型可以迅速识别出猫的脸。研究人员并没有预先向该神经网络输入关于“猫”概念，它直接与现实世界交互并获取“猫”这一定义。（研究人员发现，这一神经网络与核磁共振（M.R.I.）很相像，猫的脸部阴影会激发人工神经元“投票”的热情。）大多数机器学习都受限于已标记数据的数据量。但这篇论文却显示，该神经网络可以处理原始未标记数据，有时甚至是人类都还没建立起概念的数据。这不仅仅是猫识别研究的重大突破，更是整个人工智能的显著进步。
猫识别论文的第一作者是Quoc Le。Le个头不高，身形偏瘦，说话温和但语速很快，经常穿着闪亮的黑皮鞋，而且面带神秘的微笑。他在越南长大，父母都是农民，小时候家里甚至都没有电。他从小就表现出了过人的数学能力，后来，他就读于一所磁铁学校学习科学。上世纪90年代末，Le还在上学，那时候他就试图构建一个聊天机器人。他在想，这有多难呢？
“但实际上，”他告诉我，“非常不简单。”
毕业后，Le离开了越南，前往澳大利亚堪培拉的一所大学学习，主要研究机器视觉这类人工智能任务。当时人工智能的主要做法是，提前给机器灌输相关概念（如，边缘），这让他感觉像是在作弊。当时的Le不知道，全世界有很多计算机科学家和他的想法一样——机器可以从零开始学习。2006年，Le任职于德国的马克斯普朗克研究所生物控制部门。在当时的一个阅读小组中，他读到了Geoffrey Hinton写的两篇论文，他觉得自己豁然开朗。
“这两篇文章引起了争议，”他告诉我。“非常大的争议。”我们在一个小型内部会议室里，天花板又窄又高，屋子里有一张小桌子和两块白板。Le看了眼他画在背后白板上的曲线，又回过头来轻声地说，“我从没见到过这么大的争议”。
他记得，当时在阅读小组里站起来，然后说，“这就是未来。”但在当时，这是个不受欢迎的决定。Le在澳大利亚的导师不能完全理解他的想法，写邮件问到，“你为什么决定做这个？”
“那时，我想不到怎么回答这个问题，”Le说。“因为，我只是好奇。文章中提出了一个成功的范式，老实说，我只是对这个新范式感到好奇。那时还是2006年，这样的观点非常罕见。”然后，Le 加入了斯坦福的吴恩达团队，接着他开始沿着 Hinton 的道路探索。“到了2010年年底，我确信会有事情发生。”
不久之后，Le成为了Brain的首位实习生。在Brain，他继续着自己的论文工作，也就是后来发表的猫论文的前身。在一个简单层面上，Le只是想看看计算机能否被训练并自主识别给定图像中的绝对必要的信息。他向神经网络输入了一张YouTube上的静态图片。然后，指示神经网络丢弃一些信息，但并不说明哪些信息应该保留哪些应该丢弃。神经网络随机丢弃了一些信息。接着，Le又说：“刚刚是开玩笑的。现在基于你刚刚保留下来的信息，重新构建初始图像。”这种方式就像他先要求机器找到一种方式“总结”图像，然后，基于总结的信息回溯原始图像。如果总结的都是些不相关信息（如天空的颜色），而不是关键信息（如有没有胡须），计算机就无法有效重构原始图像。计算机的反应就像我们远古的祖先，他们在逃跑中建立起对剑齿虎的印象。而Le的神经网络与我们的祖先的方式不同，它需要不断地尝试。从数学角度来说，每次尝试后，它都选择不同的信息进行优化，而且表现地越来越好。然而，神经网络是个黑盒子，它确实生成了某种范式，但人类并不能直观地理解这些范式。
猫论文发表后，引起了极大凡响，而Le并未感觉到自己掌握了业界的话语权。但他强烈感觉到，应该继续自己早年聊天机器人的想法。发表了猫论文后，Le意识到，如果神经网络可以总结图片信息，那么它或许也可以总结语句信息。在接下来两年中，这一想法深深印在Le和Tomas Mikolov（Le在Brain的同事）的脑海中。
那段时间，Brain团队占据了好几个办公室，甚至一度占用了高管的地方。随后，他们收到了管理处的邮件，要求他们不要在Larry Page和Sergey Brin的 办公室门口的沙发上睡觉。后来，他们被安排到街对面的研究楼里工作，在那里，研究人员专心研究，而不必应付同事间礼貌而无效率的交谈。当然在这一过渡期，谷歌的竞争对手们也在奋力前行。（Le神情严肃地一遍一遍提及他与Tomas Mikolov的亲密合作。最后我忍不住问道，“他离开了？”Le点点头，回答道：“去了Facebook”。）
上图：2012年的谷歌 Brain团队。他们发表了著名的“猫论文”，演示论文中的神经网络处理未标记数据。研究人员向该神经网络提供几百万的静态帧（来自YouTube视频），神经网络生成了一个稳定的模型并且识别出猫。
那段时间，他们极力想构造出不仅能执行简单的静态图片分类任务，也能处理复杂的任务（如自然语言或音乐）的神经网络架构。他们的许多观点在上世纪九十年代就出现了，Le和他的同事们专门回顾了那些被忽略的概念，希望能从中得到启发。他们知道，一旦建立了一个具有基本语言预测功能的模型，也就可以基于此完成各种其他类型智能任务，如预测电子邮件的合适回复或者预测谈话过程。你可以侧重于那些从表面看起来很像思维过程的任务。
来源：人工智能学家
更多内容请关注：www.imefuture.com
北京大数据产业投资基金正式发布 扎克伯格启用AI“管家
圣诞节太多小孩被机器人吸引
智造家 查看全部
谷歌如何使用人工智能来改变谷歌翻译这项颇受欢迎的服务，以及机器学习如何重塑计算。
序言：你所读到的就是你自己
在十一月初的某个周五晚上，Jun Rekimoto（东京大学人机交互领域的杰出的教授）正准备在线演讲，他突然注意到社交媒体滚动条上有一些特别的内容。这些内容是关于谷歌翻译的，这项流行的机器翻译服务最近突然有了大幅改善。
Rekimoto开始研究谷歌翻译并用它做了一些测试，测试结果令他非常震惊。虽然已经夜深，但谷歌翻译取得的进展依然让Rekimoto久久无法入睡。
Rekimoto在一篇博客中写了他的初步发现。首先，他用谷歌翻译翻译了《了不起的盖茨比》中的一些句子，并与1957年Takashi Nozaki译版和最新的Haruki Murakami的译版进行对比。Rekimoto后来通过电子邮件向我解释，Murakami的版本语言非常细腻，具有独特的“Murakami风格”。相比之下，谷歌的翻译虽然有些不自然，但是对他来说“更透明”。
Rekimoto博客的后半部分从日译英的方向测试了谷歌翻译。他先是自己用日语翻译了海明威的《乞力马扎罗的雪》的开头部分，然后把这段话通过谷歌翻译转译成英语。他列出了此版本与海明威的原版，并让读者猜测哪个版本是机器完成的。
NO. 1:
Kilimanjaro is a snow-covered mountain 19,710 feet high, and is said to be the highest mountain in Africa. Its western summit is called the Masai “Ngaje Ngai,” the House of God. Close to the western summit there is the dried and frozen carcass of a leopard. No one has explained what the leopard was seeking at that altitude.
NO. 2:
Kilimanjaro is a mountain of 19,710 feet covered with snow and is said to be the highest mountain in Africa. The summit of the west is called “Ngaje Ngai” in Masai, the house of God. Near the top of the west there is a dry and frozen dead body of leopard. No one has ever explained what leopard wanted at that altitude.
即使是以英语为母语的人，也很难分辨出第二段是由机器完成的。这两段翻译是如此的相近，Rekimoto甚至觉得这很神奇。因为Rekimoto非常熟悉谷歌翻译之前的能力，甚至在24小时前，谷歌只能翻译成下面这段话：
Kilimanjaro is 19,710 feet of the mountain covered with snow, and it is said that the highest mountain in Africa. Top of the west, “Ngaje Ngai” in the Maasai language, has been referred to as the house of God. The top close to the west, there is a dry, frozen carcass of a leopard.Whether the leopard had what the demand at that altitude, there is no that nobody explained.
Rekimoto在Twitter上向他的十万个粉丝公布了他的发现，在接下来的几个小时里，成千上万的人发出他们使用机器翻译的结果。有些是比较成功的，但也有些是非常滑稽的。
在东京破晓之时，谷歌翻译登上了日本Twitter热度榜的第一位，甚至连人气动漫和人气偶像少女的被挤了下去。每个人都很惊奇：谷歌翻译为何能如此让人刮目相看？
四天之后，来自世界各地的上百名记者、企业家和广告客户齐聚于谷歌的伦敦办公室中，观看谷歌的特别发布会。客人们的甜点是印有翻译标志的幸运饼干，每个人的面前还放有一张纸条，一面写着不同国家的短语，另一面邀请客人们下载谷歌翻译的软件。桌子上还摆放了甜甜圈和冰沙盘，旁边的标语牌标注了各种国家的风味。过了一会，所有人来到了一个豪华的黑暗剧场中。
上图：Sundar Pichai，谷歌的首席执行官，在他加利福尼亚州山景城的办公室外。
伦敦市长Sadiq Khan首先上台演讲。演讲的开始，市长提到他有个朋友觉得市长就像谷歌一样。于是市长问朋友：“为什么？因为我什么都懂？”朋友否认道：“不是的，是因为你就像谷歌一样，总是试图把我的话补充完。”观众们纷纷被市长的幽默逗笑。随后，谷歌的首席执行官Sundar Pichai上台发表演讲。
Pichai此行的目的之一就是启动谷歌伦敦国王大道的新大楼，预示着公司完成了去年提出的转型计划的初始阶段。Pichai曾经多次在不同场合说过谷歌的未来将以“AI为先”，这在理论上听起来很复杂，引发了许多学者的推测。在实践生产中意味着，未来谷歌将不再依靠传统计算编程来生产产品，而是“机器学习”。
谷歌公司中有一个鲜少提及的部门，谷歌大脑。这个部门成立于五年前，一直遵循着一个原理：人工“神经网络”能够像婴儿一样，通过不断的尝试和犯错来认知这个世界，最终拥有像人类一样的灵活性。这其实并不是一个新理论，早在现代计算机初步发展的20世纪40年代就出现了。但当时大部分科学家并不看重，认为它过于深奥。直到2011年，谷歌大脑证明了将这个强大的方法运用在人工智能领域里可以解决此前几十年的棘手问题。例如，此前谷歌手机在语音识别方面一直效果不是很好，直到谷歌将机器学习算法移植到手机平台后，语音识别精度已经可以和人类媲美。而在图像识别领域也同样取得了良好的效果。一年前，谷歌大脑就已经将这些核心技术成功运用在消费级产品里。
谷歌翻译于2006年首次亮相，目前已经成为谷歌最可靠和最流行的应用之一。每天，谷歌翻译会面对 5 亿个月度活跃用户的 1400 亿个不同语种的单词。现在它已经不是座位一个独立的应用存在，更是已经集成到Gmail、Chrome 及许多其它谷歌产品中了，谷歌将它作为其数字商务中的一个无缝贴合的部分。Pichai在台上讲到，直至叙利亚难民危机之时，公司才意识地区间的翻译交流是何等重要。他背后屏幕的陡峭的曲线图显示，阿拉伯语与德语互译的翻译请求最近增长了五倍之多。（这个结果也符合Pichai的内心想法，他在印度出生成长，那里有几十种不同的语言。）谷歌翻译此后也在逐步增加新的语言和功能，但是过去的四年，发展速度正在逐年减缓。
截至到上个周末，谷歌翻译已经在美国、欧洲、亚洲等地区完成了基于人工智能的转换，包括西班牙语、葡萄牙语、法语、德语、中文、日语、韩语及土耳其语在内的语言与英语的互译。而其它上百种语言也即将实现互译，谷歌预计将会以每月八个的速度在年底前更新完毕。而对于谷歌工程而言，只花费九个月的时间就完成这一重大革新无疑是一个惊喜。AI系统一个通宵所取得的进展就相当于过去所取得的进展之和。
Pichai对含蓄的古典文学尤为偏爱，一个月前，他曾告诉我，在他加利福尼亚州山景城的办公室里，有些文字还是需要谷歌翻译来辅助显示，毕竟并不是所有人都像物理学家Robert Oppenheimer一样能读原版的《博伽梵歌》。因此在伦敦的发布会上，幻灯片上出现了博尔赫斯的经典名言：“Uno no es lo que es por lo que escribe, sino por lo que ha leído.”
Pichai大声地读出旧版谷歌翻译翻译出来的拙劣的句子：“One is not what is for what he writes, but for what he has read.”
而在大屏幕的右边，新的AI系统版本则翻译的更加优雅：“You are not what you write, but what you have read.”
这是有一个对新版的谷歌翻译非常恰当的描述：在某种意义上，谷歌翻译是第一条可以通过学习理解任何事物的机器。
谷歌以AI为中心重组公司。在过去的四年中，谷歌、Facebook、苹果、亚马逊、微软和中国百度等六家公司都围绕AI人才展开了一场军备竞赛，尤其是在大学。企业纷纷到顶尖的学术院校挖掘人才，给人才以丰富的资源和极大的自由。在硅谷，Facebook的CEO Mark Zuckerberg会亲自通过电话和视频聊天软件跟公司最优异的研究生进行会话，七位数的起薪根本不在话下。参加人工智能最重要的学术会议的人数增加了近四倍。大家所关注的不仅仅是小小的创新，还有该如何掌控全新的计算平台：无处不在的人工智能。
我们好像理所当然地就开始使用“人工智能”这一短语，但它其实一直是引发争议的根源。想象一下，如果你回到20世纪70年代，在大街上拦住一个路上，拿住智能手机并向她展示手机里的谷歌地图。你可能需要不停地向她解释，你并不是穿着奇怪的巫师，从口袋里掏出的手机也不是什么黑色护身符，它只是一个比阿波罗时光机更强大的电脑。实际上，谷歌地图就是能跟她展示什么是“人工智能”的例子。在某种意义上，谷歌地图确实是人工智能的例子。它能帮你规划从酒店到机场的路线，而且比人类能完成得更快更好。它还能做一些人类显然不能做的事情：它可以判断交通状况；规划最佳路线；在你走错路时，它能重新定位并进行路线的重新规划。
实际上，如今没有人会把谷歌地图跟高贵的“AI”相提并论。所以我们在使用“智能”这个词的时候，是带“情感”色彩的。人工智能可以区别HAL和其它任何用织机或手推车就可以做出的东西。我们能自动化一项任务，涉及到的相关技能会转变为单纯的机制。现在，谷歌地图似乎还不能称之为人工智能，充其量是机器人：它只接受一个明确的需求（从一个地方到另一个地方），并尽力满足这种需求。因此，“人工智能”的所对应的实际应用其实范围很小。
Pichai的终极目标是区分AI应用和“通用人工智能”。通用人工智能不涉及对显式指令的忠实遵守，它是为一般情况下的一般用途而设计通用工具。Pichai认为，他公司的未来取决于通用人工智能。想象一下，如果你告诉谷歌地图，“我想去机场，但需要在中途停一下给我的侄子买礼物。”一个通用的智能服务，就像三年前的电影《她》中，由Scarlett Johansson配音的那个无处不在的助手一样，她像好朋友一样了解你的情况：你侄子的年龄，你通常喜欢给孩子买什么礼物，以及哪里有能买礼物的商店。但是，一个真正聪明的地图能做一些好朋友考虑不到的事，比方说，你侄子学校的孩子里，最近流行什么玩具。如果聪明的机器能够辨别一些错综复杂的数据，从中找到过去我们做过的事情中暗藏的规律性，那么它就可以推断我们的想法。
AI助手是人工智能的新浪潮，苹果的Siri、Facebook的M，还有亚马逊的Echo都是机器学习的产物，作用都很相似。然而，机器学习并不一定只局限于此。今年，三星的医学成像子公司宣布其新的超声设备能够检测乳腺癌。公司也在招贤纳士，以扩大计算机的工业应用。DeepMind于2014年被谷歌收购，AlphaGo在围棋游戏中击败了人类围棋大师，尽管当时人类预测人工智能要想战胜人类还需要10年。
1950年，Alan Turi吴恩达在那篇著名的文章中提出了一个人工智能的测试：一台计算机是否能在5分钟的文本交流中成功地欺骗人类。一旦机器可以在两种自然语言之间流利地翻译，机器就能很好地“理解”人类语言，从而与人类进行对话。谷歌大脑的成员们正推动和协助监督翻译项目，他们相信这样的机器将会成为通用人工智能的助手。
谷歌的研究人员和工程师团队从最初的一两个人，扩大到三四人，甚至后来扩大到一百多人，他们在这一领域取得了巨大进步。接下来要讲的关于谷歌团队的故事非常少见，因为它跟我们对硅谷的通常印象有所不同。它并不是一些俗套的剧情。它不是一个关于技术能解决所有问题的故事，也不是一个技术会毁灭世界的故事。它跟颠覆无关，至少不是通常意义上的颠覆。
事实上，这个故事又包含了三个相关的故事，这三个故事在谷歌翻译成功转型为AI的过程中融合在一起，它们分别是：技术故事，制度故事和关于思想演变的故事。技术故事是关于一个公司的一个产品团队，以及他们对旧产品进行改进、测试并形成全新版本的过程，而且他们只用了别人预期的约为四分之一的时间就完成了这个过程。制度故事是关于该公司内的一个虽然规模不大但很有影响力的人工智能团队，以及他们凭借对一些旧的、未经证实的和广泛不适用的计算观念的直觉信念，超越了几乎其他所有公司的过程。思想的故事是关于坚持不懈的认知科学家、心理学家和工程师，他们长期以来用看似不合理的信念，最终激发了我们对技术和理论的理解，以及意识本身的范式转变。
第一个故事是谷歌翻译的故事，发生在山景城，时间跨度为九个月，故事解释了机器翻译发生的转变。第二个故事是谷歌大脑及其众多竞争对手的故事，发生在硅谷，时间跨度为五年，它解释了整个领域的转型。第三个故事是深度学习的故事，发生在苏格兰、瑞士、日本和加拿大等大部分地区的遥远实验室，时间跨度长达七十年，它可能非常有助于改变人类的自我认知。
这三个故事都跟人工智能有关。七十年的故事是关于我们对人工智能的期待。五年的故事是关于人工智能在不久的将来会带来什么。九个月的故事是关于人工智能现在可以做什么。这三个故事本身都是对概念的证明，而所有这一切都只是开始。
第一部分：学习机器
1、谷歌大脑的诞生
虽然Jeff Dean的职位是高级研究员，但是事实上，他才是谷歌大脑团队的领导者。 Dean有着长而窄的脸，深深的眼睛并且十分热情。作为医学人类学家和公共卫生流行病学家的儿子，Dean成长时期几乎周游了世界各地，包括明尼苏达州、夏威夷、波士顿、阿肯色州、日内瓦、乌干达、索马里、亚特兰大等地。在高中和大学期间，他写的软件就被世界卫生组织所采用。自1999年以来，他一直在谷歌工作，当时他才25岁，从那时起，他几乎参与了谷歌所有重大项目中核心软件系统的开发。作为公司的元老级人物，Jeff Dean Facts已经成了公司开玩笑的对象。以Chuck Norris的事实模式为例：“Jeff Dean的PIN是pi的最后四位数字。”“当Alexander Graham Bell发明电话时，他接到了一个来自Jeff Dean的未接来电。”“Jeff Dean在最高级别为10的系统中晋升到了11级。“（最后一个是真的。）
上图：谷歌工程师和谷歌大脑的领导者Jeff Dean。
来源：纽约时报的Brian Finke
2011年初的一天，Dean在谷歌校园的“微型车间”之一，也就是山景城大楼的共享休息室，遇见了年轻的斯坦福计算机科学家吴恩达教授，他兼任谷歌公司的顾问。吴恩达跟Dean介绍了Marvin项目（以著名的AI先锋Marvin Minsky命名），在这个项目中，他协助谷歌建立了一种基于大脑架构的柔韧的数字网格的“神经网络”。1990年，Dean在明尼苏达大学读本科的时候，也曾经研究过该技术的原始版本，当时神经网络的概念已经开始流行。在过去的五年中，神经网络领域从事相关研究工作的学者数量开始再次增长。吴恩达告诉Dean，Marvin项目是由谷歌的秘密X实验室负责研究的，目前已经取得了一些可观的进展。
Dean对此很感兴趣，决定花自己“20％”的时间来投入这个项目，每名谷歌员工都要将自己20%的时间贡献给他或她的核心工作以外的工作。很快，Dean向吴恩达推荐了有着神经科学背景的Greg Corrado。（在研究生院的课堂上，Corrado粗略地学习了该技术，但他对此很感兴趣，他开玩笑说道：“那天我上课的时候很专心。”）在春天，他们团队又多了一名吴恩达的得意研究生Quoc Le，他是项目团队的第一个实习生。在那之后，一些谷歌工程师用“谷歌大脑”来形容Marvin项目。
术语“人工智能”是在1956年夏天在达特茅斯的一种宪法惯例中诞生的，当时大多数研究人员认为创造AI的最佳方法是写一个非常大而全面的程序，将逻辑推理的规则和有关世界的知识写入其中。比方说，如果你想把英语翻译成日语，你需要把所有的英语语法规则、牛津英语词典中包含的所有定义、所有的日语语法规则，和日语字典中的所有单词都编入计算机。这种观点通常被称为“符号化AI”。因为它的认知定义是基于符号逻辑的，但它已经有些过时，只能算作是“好的老式的AI”。
这种老式方法有两个主要问题。一是，它非常耗费人力和时间；二是，它只有在规则和定义非常清楚的领域（比如数学或象棋）才真正起作用。然而，如果翻译采用这种方法，效果会很差，因为我们平时说的话没办法跟词典上的规则和定义完全对应。比方说，这样的系统可能会把“农业部长”翻译为“农业牧师”。但是，对于数学和国际象棋来说，这种老式方法就很奏效。
不过，这种老式方法的系统确实有限。在20世纪80年代，卡内基梅隆的机器人研究员指出，让计算机做成人能做的事情很简单，但让计算机做一个1岁的小孩可以做的事情却几乎是不可能的，比如拿起一个球或识别一只猫。到了20世纪90年代，尽管计算机能够在国际象棋上战胜世界冠军，我们离真正的人工智能还差得远。
关于AI，还有另外一种看法，计算机的学习是自下而上（从数据），而不是从上到下（从规则）学习。这个概念可追溯到20世纪40年代初，研究人员发现灵活自动智能的最佳模型就是人类大脑本身。毕竟，大脑只不过是很多神经元的集合体，神经元之间可能会相互传递电荷，或者不会传递。重要的不是单个神经元本身，而是它们之间的连接方式。这种结构很简单，为大脑提供了丰富的适应性优势。大脑可以在信息量少或缺失的情况下工作；它在承受重大的损害时，也不会完全失去控制；它可以用非常有效的方式存储大量的知识；它可以区分不同的模式，但同时保留必须的混乱来处理歧义。
所以人类开始试图用电子元件来模仿这种结构，1943年研究表明，简单的人工神经元排布可以执行基本的逻辑功能。至少在理论上，神经元可以模仿人类的方式。实际上，神经元会根据试错把相互之间的突触连接调节得更强或更弱。人工神经网络也可以做类似的事情，在不断试错的基础上逐步改变人工神经元之间的数字关系。人工神经网络不需要使用固定规则来预编程，相反，它会改变自身以反映所输入的数据中的模式。
这种观点认为人工智能是进化得来，而不是创造出来的。如果你想要一个灵活而且能适应环境的机制，不能一开始就教它国际象棋。必须从非常基本的能力，如感官知觉和运动控制开始，长此以往更先进的技能才有可能出现。人类并不是通过记忆字典和语法书来学习和理解语言的，所以我们有什么理由要让计算机通过这样的方式来学习呢？
谷歌大脑是第一个对这种思维方式进行商业投资的机构。Dean、Corrado和吴恩达利用闲暇时间进行合作并对此展开研究，很快他们便取得了进展。他们从最新的理论大纲和自20世纪八九十年代以来的已有框架中提取了他们的模型的搭建灵感，他们还利用了谷歌巨大的数据储备和庞大的计算基础设施。他们利用网络上大量的“标记”数据，让计算机不断改进从而更好地匹配现实。
某天，Dean告诉我说：“动物进化出眼睛是个巨大的发展。”我们像往常一样坐在会议室，他在白板画了一个复杂的时间线，展示了谷歌大脑以及它与神经网络的历史关系。“现在，计算机也有了眼睛，我们能够借助眼睛让计算机识别图片。机器人的能力将得到巨大提升。他们将能够在一个未知的环境中，处理各种不同的问题。”这些他们正在研发的能力可能看起来很原始，但它们的影响是深远的。
上图：Geoffrey Hinton，他在谷歌多伦多办事处提出的想法为谷歌翻译的神经网络方法奠定了基础。 图片来源：《纽约时报》的Brian Finke
2、重量级实习生
正如Dean所说，谷歌大脑诞生一年后，就在研发具有1岁小孩智力的机器中取得了不错的成绩。谷歌的语音识别团队将其旧系统的一部分转换为神经网络，并因此取得了该系统20年来的最好成效。该系统识别对象的能力提高了一个数量级。这不是因为谷歌大脑的研究人员在短短一年内就产生了很棒的新想法，而是因为谷歌终于在该领域投入了资源和人力。
Geoffrey Hinton的到来让谷歌大脑发展更为迅猛。在谷歌大脑成立的第二年，Hinton被招聘到了谷歌大脑，而吴恩达离开了谷歌（吴恩达现在领导百度1300人的AI团队）。Hinton只能离开多伦多大学在谷歌任职三个月，因此由于奥术合同的原因，他不得不被聘为实习生。在实习培训中，辅导人员说“输入您的LDAP（目录访问协议）”，他问道：“什么是LDAP？”在场其他所有25岁的职员，尽管他们可能刚刚弄清深度学习是人工智能的必要条件，都在想“那个老家伙是谁？为什么他连LDAP是什么都不知道？”
Hinton说道：“在午餐时间，团队成员里有个人惊呼‘Hinton教授！我选修了你的课程！你居然在这里？’”从那以后，大家才不对Hinton议论纷纷。
几个月后，Hinton和他的两个学生在一个称为ImageNet的开源集合运行的大型图像识别竞赛中展示了惊人的成果，他们让计算机不仅能识别猴子，而且能够区分蜘蛛猴和吼猴，以及各种不同品种的猫。谷歌很快就向Hinton和他的学生发起了聘用书，他们接收了谷歌的聘用。Hinton说道：“我本以为谷歌对我们的知识产权感兴趣，结果没想到是对我们这几个人感兴趣。”
Hinton来自英国的传统家族，像Darwins一样，他们家族非常注重教育。他伟大的曾祖父是George Boole，他在符号逻辑方面的基础工作为计算机打下基础；Hinton的祖父是一位著名的外科医生，Hinton的父亲是一位热爱冒险的昆虫学家，Hinton的父亲的表哥是洛斯阿拉莫斯研究所的研究员，等等。而Hinton曾在剑桥和爱丁堡大学读数，然后又到卡内基梅隆大学学习，最后他又到多伦多大学。（他的工作长期以来一直受到加拿大政府的慷慨支持。）我在他的办公室对他进行了采访，他顶着一头成熟的诺埃尔加拉格尔风格的黄到褪色的头发，穿着一件宽松的条纹衬衫，椭圆形的眼镜滑落到高挺的鼻子尖端。他开口说道：“计算机会比美国人更早地理解讽刺为何物。”
19世纪60年代末，Hinton在剑桥大学读本科时，就一直致力于研究神经网络，他是该领域的先驱。但大多数时候，每当他谈及机器学习，人们都觉得他在满口胡言。人们之所以觉得神经网络荒谬，主要是因为感知机（Perceptron）被过度炒作，感知机是一个人工神经网络，是康奈尔心理学家Frank Rosenblatt于20世纪50年代后期提出的。《纽约时报》曾报道，感知机的赞助商美国海军期望它“能够走路、说话、看、写作，甚至再造自己，并意识到自己的存在”。结果证明这是不切实际的。美国的Marvin Minsky曾在1954年的普林斯顿论文中研究过神经网络，但是他对于布朗克斯科学当代的Rosenblatt对神经范式的夸张描述已经厌倦了。（他也在争取国防部的投资。）Minsky与MIT的同事一起出版了一本书，来证明有一些简单问题是感知器永远不能解决的。
Minsky对感知机的抨击只是一个“层”的网络，在后来的生活中，他阐述了与当代深度学习非常相似的想法。Hinton认为，如果使用多层神经网络，就能够完成复杂的任务。神经网络的最简单的描述是，它是一个机器，能在数据中发现模式并进行分类或预测。如果只有一层神经网络，你可以找到简单的模式，但如果有多层神经网络，你应该去找模式中的模式。在图像识别的领域，主要使用的是“卷积神经网络”。（这是在1998年的一篇开创性论文中阐述的，其主要作是Yann LeCun，他在多伦多大学读博士后，是Hinton的学生，现在是Facebook人工智能实验室的负责人。）网络的第一层负责学习识别“边缘”的基本视觉效果，也就是判断一个东西（一个像素上）是否有东西。网络的每个连续层都在前一层中寻找模式。边缘的图案可以是圆形也可以是矩形，圆形或矩形的图案可能是面部。这种方法或多或少地以越来越抽象的方式将信息组合在一起，从视网膜中的光感受器将信息返回到大脑的视觉皮层。在每个步骤中，不相关的细节会被丢弃，因为如果几个边缘和圆圈合在一起成为一张面部，你无需知道发现面部的位置，只需要知道它是一张脸。
多层“深度”神经网络的问题是试错法部分非常复杂。对于单层神经网络来说，这很容易。想象一下，如果你正在和一个孩子玩。你告诉孩子，“拿起绿色的球，把它放入盒子A中”，孩子拿起一个绿色的球，但把它放入了盒子B。你会说，“再试一次把绿色球放在盒子A中”，孩子会再次尝试把球放入了盒子A中。
现在想象你告诉孩子，“拿起一个绿色的球，穿过三号门，然后把绿色的球放入盒子A。”孩子却拿起一个红色的球，穿过了二号门，把红色的球放入盒子B。那么你该如何纠正孩子呢？你不能只是不断重复初始指示，因为孩子不知道他到底错在哪一步。在现实生活中，你可以先举起红球和绿球，说“这是红球，这是绿球”。但是，机器学习的重点是避免这种明确的指导。Hinton和其他几个人研究了解决方案（或者，对旧的方案进行了改造）。对于这个分层错误问题，在20世纪70年代末和80年代初，计算机科学家重新开始对神经网络感兴趣。Hinton说道：“人们对此非常兴奋，但我们的研究超出了他们的兴趣。”很快，计算机科学家们又跟以前一样认为Hinton这样的人是怪人和神秘主义者。
这种想法在哲学家和心理学家中仍然很受欢迎，他们称之为“连接主义”或“并行分布式处理”。Hinton告诉我说，“有几个人对这个想法保持热情，这很好，因为这是真正的人工智能。但在心理学领域，很多人相信这种想法，但却没能力实现它。”尽管加拿大政府一直大力支持，但Hinton也没能实现这个想法。“因为没有足够的计算机资源或足够的数据，我们只能自我安慰道：‘是的，如果我们有这样的前提条件，这个想法肯定是行得通的。’但这却并不是一个非常有说服力的论据。”
3、深层解读深度学习
当Pichai提到“人工智能优先（A.I. First）”概念时，他不仅仅是在说谷歌的战略计划，更是把这个长期不可行的想法扔给了公司。Pichai在资源分配上，确保了像Dean和Hinton这样的人才有足够的计算资源和数据资源可用。每个大脑大约有1000亿个神经元，每个神经元与其他10000个神经元相连，这意味着大脑内突触的数量在100万亿和1000万亿之间。对于20世纪40年代提出的简单人工神经网络来说，根本不可能实现这样规模的网络。虽然目前我们也远没达到构建这种规模网络的能力，但谷歌Brain的投资让我们至少实现了可以媲美小鼠大脑的人工神经网络。
然而，理解网络规模的重要性之前，你必须了解一些技术细节，如机器智能究竟对数据做了什么。其实，我们对人工智能的恐惧，主要来自于我们认为它像一个反社会天才在图书馆挖掘知识，然后，或许某一天，曾经只会玩回形针的机器会像对待蚂蚁或莴苣一样轻松杀死人类。但这并不是人工智能的工作方式，它们所做的只是搜索并寻找共同点——首先是基本模式，然后逐渐变复杂。真正最大的危险在于，我们人类最初给它灌输的信息是否就包含个人偏见。
如果只是想了解一二，可以直接阅读下一节（内容是关于猫的），如果想理解相关技术，那请继续阅读。（当然，本节内容也是关于猫。）
如果你想在老式的符号化AI模型上生成一个“猫识别器”。那么首先，你必须花大量时间预先对机器详细明确地说明什么是“猫”。告诉机器，一只猫有四条腿、尖尖的的耳朵、晶须和尾巴等。机器将这些信息存储在内存中的“Cat”区域。接下来，提供一张图片，让机器判断是否是猫。判断过程中，首先，机器必须分离出图像中不同的元素；然后，利用内存中存储的规则处理这些元素。规则如下：如果（腿 = 4）且（耳朵 = 尖）且（胡须 = 有）且（尾巴 = 有）且（表情= 高傲），那么（猫 = 是）。但如果你提供一张苏格兰折耳猫的图片呢？我们符号化 AI模型就会根据“耳朵 != 尖”判断图片上不是猫。 这样的识别水平比蹒跚学步的小孩都差。
而现在，如果用神经网络做这个实验，就根本不需要通过一系列预先定义的规则进行判别，也根本不需要专门的空间来存储“猫”的信息，包含大量相互连接着的开关的大型blob会解决这一切。在blob的一端提供输入（待识别图像），另一端提供输出（标记信息）。然后，机器将自动化工作，通过不断调试相互连接的开关，最终将输入正确映射到对应的输出。训练过程就像是在迷宫中挖掘一系列隧道，隧道两端连接的是正确的输入和输出。可用的训练数据越多，挖掘的隧道数量和复杂性就越大。训练过程一旦完成，blob中有了足够多的隧道，神经网络就能稳定处理数据并作出可靠预测。这就是“监督学习（Supervised Learning）”。
神经网络之所以需要如此多的神经元和数据，因为它以一种类似民主的方式工作。例如，你想训练可识别五种类型物体的神经网络，它由数百万“选民”（神经元）组成，每位选民都有五张不同的卡片，分别是：猫、狗、蜘蛛猴、勺子、除颤器。拿出一张图片，问：“这是猫，狗，蜘蛛猴，勺子还是除颤器？”所有神经元分组进行投票，最终得票最多的作为最终结果：“一只狗？”
你告诉它：“不！是只猫。重新计算。”
然后，神经网络退回一步，确定哪些神经元投票“猫”，哪些不是。那些投票“猫”的神经元，下次如果还投“猫”，其权重加倍。除此之外，该神经网络也必须能准确判别其他物体类别，如狗和除颤器。而神经网络之所以如此灵活，是因为每个单独的个体针对不同的输出贡献的权重不一样。其实，最关键的不是个体投票，而是这种投票模式。如果Joe, Frank 和Mary一起投票，那就是一只狗；如果Joe, Kate和Jessica一起投票，那就是一只猫；而如果Kate, Jessica 和Frank一起投票，图片上就是一个除颤器。神经网络只需要注册大量可识别信号，这些信号表示：图片中该像素区域是“猫”。“选民”越多，投票次数就越多，微弱信号也越可能被注册。简单来说，就是如果只有Joe, Frank 和Mary三个选民，你可能仅限于区分猫、狗和除颤器；而如果有数百万选民，不同选民之间有数十亿连接，那么你就可以对数据精确分类。经过训练的“选民”组合甚至可以识别未标记图片（或许不那么精确）。
计算科学领域之所以不接受这些理念，部分原因在于机器的输出仅仅是基于模式的预测，它并不完美，而且机器永远无法确切地定义什么是“猫”。只有在看到猫的时候，机器才知道那是猫。神经元“选民”通过数百万张猫图像的训练，它们可以识别出在阳光下打盹的快乐小猫，和躲在垃圾箱阴影中的生气小猫。实际上，你需要大量的神经元“选民”和足够的已标记数据，前者用来确保神经网络可以捕捉到非常微弱的信号，如苏格兰折耳猫垂下的耳朵，后者用来尽可能确保神经网络已“见过”所有相似场景。
但是，需要注意的是，神经网络的输出结果具有概率性，这意味着它并不适用于所有任务。如果神经网路把猫误认为狗，或者偶尔推送了错误的电影，这都不是大事，但如果应用于无人驾驶，神经网络1%的失误率可能就酿成了悲剧。类似担忧还有很多。监督学习是基于已标记数据进行反复试验的过程。机器完成的只是学习过程，而人为因素仍然决定了最初对训练数据的分类。例如，训练数据中，图片上是一位男士和一位女士，某人将该图片标记为“一位女士和她的老板”，这种关系标记将影响所有后续的模式识别。因此，人类错误标记才会导致训练数据错误。机器可能通过重罪定罪数据，来确定信贷候选人贷款资格。但如果重罪定罪数据本身就是不公平的（如数据是基于歧视性禁毒法），那么机器输出的可贷款人名单也是不可靠的。
图像识别网络与我们的小猫识别器一样，也是深度学习的一种，但常常把它作为教学示例，因为人类可直观了解到图像识的具体过程：先找图像边缘，然后识别圆圈，接着识别脸。这意味着其中有错误保护措施。例如，早期，谷歌发现他们的图像识别软件无法单独识别出杠铃，哪怕用大规模运动器材图像集对其训练，结果也是一样。通过可视化工具观察发现，由于训练集中所有哑铃都是附在手臂上的，所以机器没有学习到“哑铃”的概念，而是“哑铃+手臂”的整体概念。改进一下，向训练集中加入单独的“杠铃”照片，问题就解决了。但并不是所有问题都这么容易。
4、猫识别论文
谷歌Brain部门在一到两年时间内，成功让机器具备了1岁小孩的智能。随后，该部门成功从谷歌X实验室“毕业”，并成为了更高级的研究机构。（谷歌X实验室负责人曾经指出，Brain取得的成就，让整个实验室的努力没有白费。）当时，谷歌Brain仍然只有10人不到，而对于未来，也只有一个模糊的概念。但即使在那时，他们都在积极思考接下来会发生什么。就像人一样，学会认识皮球后，我们会为之满足一段时间，但迟早，人类会产生关于皮球的问题。这就是语言产生的原因。
这一领域中，Brain迈出的第一步是发表了猫识别论文，正是这篇论文，Brain闻名世界。
这篇论文展示了一个具有超过十亿个“突触”连接的神经网络。虽然与人类大脑相比，它小了好几个数量级，但它比当时任何公开的神经网络都要大好几百倍。这个神经网络可以处理原始的、未标记数据，并识别高级的人类概念。谷歌Brain的研究人员向该神经网络展示了几百万的静态帧（来自YouTube视频），然后神经网络的感觉中枢开始运转，生成了一个稳定的模型。像小孩或花栗鼠一样聪明，该模型可以迅速识别出猫的脸。研究人员并没有预先向该神经网络输入关于“猫”概念，它直接与现实世界交互并获取“猫”这一定义。（研究人员发现，这一神经网络与核磁共振（M.R.I.）很相像，猫的脸部阴影会激发人工神经元“投票”的热情。）大多数机器学习都受限于已标记数据的数据量。但这篇论文却显示，该神经网络可以处理原始未标记数据，有时甚至是人类都还没建立起概念的数据。这不仅仅是猫识别研究的重大突破，更是整个人工智能的显著进步。
猫识别论文的第一作者是Quoc Le。Le个头不高，身形偏瘦，说话温和但语速很快，经常穿着闪亮的黑皮鞋，而且面带神秘的微笑。他在越南长大，父母都是农民，小时候家里甚至都没有电。他从小就表现出了过人的数学能力，后来，他就读于一所磁铁学校学习科学。上世纪90年代末，Le还在上学，那时候他就试图构建一个聊天机器人。他在想，这有多难呢？
“但实际上，”他告诉我，“非常不简单。”
毕业后，Le离开了越南，前往澳大利亚堪培拉的一所大学学习，主要研究机器视觉这类人工智能任务。当时人工智能的主要做法是，提前给机器灌输相关概念（如，边缘），这让他感觉像是在作弊。当时的Le不知道，全世界有很多计算机科学家和他的想法一样——机器可以从零开始学习。2006年，Le任职于德国的马克斯普朗克研究所生物控制部门。在当时的一个阅读小组中，他读到了Geoffrey Hinton写的两篇论文，他觉得自己豁然开朗。
“这两篇文章引起了争议，”他告诉我。“非常大的争议。”我们在一个小型内部会议室里，天花板又窄又高，屋子里有一张小桌子和两块白板。Le看了眼他画在背后白板上的曲线，又回过头来轻声地说，“我从没见到过这么大的争议”。
他记得，当时在阅读小组里站起来，然后说，“这就是未来。”但在当时，这是个不受欢迎的决定。Le在澳大利亚的导师不能完全理解他的想法，写邮件问到，“你为什么决定做这个？”
“那时，我想不到怎么回答这个问题，”Le说。“因为，我只是好奇。文章中提出了一个成功的范式，老实说，我只是对这个新范式感到好奇。那时还是2006年，这样的观点非常罕见。”然后，Le 加入了斯坦福的吴恩达团队，接着他开始沿着 Hinton 的道路探索。“到了2010年年底，我确信会有事情发生。”
不久之后，Le成为了Brain的首位实习生。在Brain，他继续着自己的论文工作，也就是后来发表的猫论文的前身。在一个简单层面上，Le只是想看看计算机能否被训练并自主识别给定图像中的绝对必要的信息。他向神经网络输入了一张YouTube上的静态图片。然后，指示神经网络丢弃一些信息，但并不说明哪些信息应该保留哪些应该丢弃。神经网络随机丢弃了一些信息。接着，Le又说：“刚刚是开玩笑的。现在基于你刚刚保留下来的信息，重新构建初始图像。”这种方式就像他先要求机器找到一种方式“总结”图像，然后，基于总结的信息回溯原始图像。如果总结的都是些不相关信息（如天空的颜色），而不是关键信息（如有没有胡须），计算机就无法有效重构原始图像。计算机的反应就像我们远古的祖先，他们在逃跑中建立起对剑齿虎的印象。而Le的神经网络与我们的祖先的方式不同，它需要不断地尝试。从数学角度来说，每次尝试后，它都选择不同的信息进行优化，而且表现地越来越好。然而，神经网络是个黑盒子，它确实生成了某种范式，但人类并不能直观地理解这些范式。
猫论文发表后，引起了极大凡响，而Le并未感觉到自己掌握了业界的话语权。但他强烈感觉到，应该继续自己早年聊天机器人的想法。发表了猫论文后，Le意识到，如果神经网络可以总结图片信息，那么它或许也可以总结语句信息。在接下来两年中，这一想法深深印在Le和Tomas Mikolov（Le在Brain的同事）的脑海中。
那段时间，Brain团队占据了好几个办公室，甚至一度占用了高管的地方。随后，他们收到了管理处的邮件，要求他们不要在Larry Page和Sergey Brin的 办公室门口的沙发上睡觉。后来，他们被安排到街对面的研究楼里工作，在那里，研究人员专心研究，而不必应付同事间礼貌而无效率的交谈。当然在这一过渡期，谷歌的竞争对手们也在奋力前行。（Le神情严肃地一遍一遍提及他与Tomas Mikolov的亲密合作。最后我忍不住问道，“他离开了？”Le点点头，回答道：“去了Facebook”。）
上图：2012年的谷歌 Brain团队。他们发表了著名的“猫论文”，演示论文中的神经网络处理未标记数据。研究人员向该神经网络提供几百万的静态帧（来自YouTube视频），神经网络生成了一个稳定的模型并且识别出猫。
那段时间，他们极力想构造出不仅能执行简单的静态图片分类任务，也能处理复杂的任务（如自然语言或音乐）的神经网络架构。他们的许多观点在上世纪九十年代就出现了，Le和他的同事们专门回顾了那些被忽略的概念，希望能从中得到启发。他们知道，一旦建立了一个具有基本语言预测功能的模型，也就可以基于此完成各种其他类型智能任务，如预测电子邮件的合适回复或者预测谈话过程。你可以侧重于那些从表面看起来很像思维过程的任务。
来源：人工智能学家
更多内容请关注：www.imefuture.com
北京大数据产业投资基金正式发布 扎克伯格启用AI“管家
圣诞节太多小孩被机器人吸引
智造家
序言：你所读到的就是你自己
在十一月初的某个周五晚上，Jun Rekimoto（东京大学人机交互领域的杰出的教授）正准备在线演讲，他突然注意到社交媒体滚动条上有一些特别的内容。这些内容是关于谷歌翻译的，这项流行的机器翻译服务最近突然有了大幅改善。
Rekimoto开始研究谷歌翻译并用它做了一些测试，测试结果令他非常震惊。虽然已经夜深，但谷歌翻译取得的进展依然让Rekimoto久久无法入睡。
Rekimoto在一篇博客中写了他的初步发现。首先，他用谷歌翻译翻译了《了不起的盖茨比》中的一些句子，并与1957年Takashi Nozaki译版和最新的Haruki Murakami的译版进行对比。Rekimoto后来通过电子邮件向我解释，Murakami的版本语言非常细腻，具有独特的“Murakami风格”。相比之下，谷歌的翻译虽然有些不自然，但是对他来说“更透明”。
Rekimoto博客的后半部分从日译英的方向测试了谷歌翻译。他先是自己用日语翻译了海明威的《乞力马扎罗的雪》的开头部分，然后把这段话通过谷歌翻译转译成英语。他列出了此版本与海明威的原版，并让读者猜测哪个版本是机器完成的。
NO. 1:
Kilimanjaro is a snow-covered mountain 19,710 feet high, and is said to be the highest mountain in Africa. Its western summit is called the Masai “Ngaje Ngai,” the House of God. Close to the western summit there is the dried and frozen carcass of a leopard. No one has explained what the leopard was seeking at that altitude.
NO. 2:
Kilimanjaro is a mountain of 19,710 feet covered with snow and is said to be the highest mountain in Africa. The summit of the west is called “Ngaje Ngai” in Masai, the house of God. Near the top of the west there is a dry and frozen dead body of leopard. No one has ever explained what leopard wanted at that altitude.
即使是以英语为母语的人，也很难分辨出第二段是由机器完成的。这两段翻译是如此的相近，Rekimoto甚至觉得这很神奇。因为Rekimoto非常熟悉谷歌翻译之前的能力，甚至在24小时前，谷歌只能翻译成下面这段话：
Kilimanjaro is 19,710 feet of the mountain covered with snow, and it is said that the highest mountain in Africa. Top of the west, “Ngaje Ngai” in the Maasai language, has been referred to as the house of God. The top close to the west, there is a dry, frozen carcass of a leopard.Whether the leopard had what the demand at that altitude, there is no that nobody explained.
Rekimoto在Twitter上向他的十万个粉丝公布了他的发现，在接下来的几个小时里，成千上万的人发出他们使用机器翻译的结果。有些是比较成功的，但也有些是非常滑稽的。
在东京破晓之时，谷歌翻译登上了日本Twitter热度榜的第一位，甚至连人气动漫和人气偶像少女的被挤了下去。每个人都很惊奇：谷歌翻译为何能如此让人刮目相看？
四天之后，来自世界各地的上百名记者、企业家和广告客户齐聚于谷歌的伦敦办公室中，观看谷歌的特别发布会。客人们的甜点是印有翻译标志的幸运饼干，每个人的面前还放有一张纸条，一面写着不同国家的短语，另一面邀请客人们下载谷歌翻译的软件。桌子上还摆放了甜甜圈和冰沙盘，旁边的标语牌标注了各种国家的风味。过了一会，所有人来到了一个豪华的黑暗剧场中。
上图：Sundar Pichai，谷歌的首席执行官，在他加利福尼亚州山景城的办公室外。
伦敦市长Sadiq Khan首先上台演讲。演讲的开始，市长提到他有个朋友觉得市长就像谷歌一样。于是市长问朋友：“为什么？因为我什么都懂？”朋友否认道：“不是的，是因为你就像谷歌一样，总是试图把我的话补充完。”观众们纷纷被市长的幽默逗笑。随后，谷歌的首席执行官Sundar Pichai上台发表演讲。
Pichai此行的目的之一就是启动谷歌伦敦国王大道的新大楼，预示着公司完成了去年提出的转型计划的初始阶段。Pichai曾经多次在不同场合说过谷歌的未来将以“AI为先”，这在理论上听起来很复杂，引发了许多学者的推测。在实践生产中意味着，未来谷歌将不再依靠传统计算编程来生产产品，而是“机器学习”。
谷歌公司中有一个鲜少提及的部门，谷歌大脑。这个部门成立于五年前，一直遵循着一个原理：人工“神经网络”能够像婴儿一样，通过不断的尝试和犯错来认知这个世界，最终拥有像人类一样的灵活性。这其实并不是一个新理论，早在现代计算机初步发展的20世纪40年代就出现了。但当时大部分科学家并不看重，认为它过于深奥。直到2011年，谷歌大脑证明了将这个强大的方法运用在人工智能领域里可以解决此前几十年的棘手问题。例如，此前谷歌手机在语音识别方面一直效果不是很好，直到谷歌将机器学习算法移植到手机平台后，语音识别精度已经可以和人类媲美。而在图像识别领域也同样取得了良好的效果。一年前，谷歌大脑就已经将这些核心技术成功运用在消费级产品里。
谷歌翻译于2006年首次亮相，目前已经成为谷歌最可靠和最流行的应用之一。每天，谷歌翻译会面对 5 亿个月度活跃用户的 1400 亿个不同语种的单词。现在它已经不是座位一个独立的应用存在，更是已经集成到Gmail、Chrome 及许多其它谷歌产品中了，谷歌将它作为其数字商务中的一个无缝贴合的部分。Pichai在台上讲到，直至叙利亚难民危机之时，公司才意识地区间的翻译交流是何等重要。他背后屏幕的陡峭的曲线图显示，阿拉伯语与德语互译的翻译请求最近增长了五倍之多。（这个结果也符合Pichai的内心想法，他在印度出生成长，那里有几十种不同的语言。）谷歌翻译此后也在逐步增加新的语言和功能，但是过去的四年，发展速度正在逐年减缓。
截至到上个周末，谷歌翻译已经在美国、欧洲、亚洲等地区完成了基于人工智能的转换，包括西班牙语、葡萄牙语、法语、德语、中文、日语、韩语及土耳其语在内的语言与英语的互译。而其它上百种语言也即将实现互译，谷歌预计将会以每月八个的速度在年底前更新完毕。而对于谷歌工程而言，只花费九个月的时间就完成这一重大革新无疑是一个惊喜。AI系统一个通宵所取得的进展就相当于过去所取得的进展之和。
Pichai对含蓄的古典文学尤为偏爱，一个月前，他曾告诉我，在他加利福尼亚州山景城的办公室里，有些文字还是需要谷歌翻译来辅助显示，毕竟并不是所有人都像物理学家Robert Oppenheimer一样能读原版的《博伽梵歌》。因此在伦敦的发布会上，幻灯片上出现了博尔赫斯的经典名言：“Uno no es lo que es por lo que escribe, sino por lo que ha leído.”
Pichai大声地读出旧版谷歌翻译翻译出来的拙劣的句子：“One is not what is for what he writes, but for what he has read.”
而在大屏幕的右边，新的AI系统版本则翻译的更加优雅：“You are not what you write, but what you have read.”
这是有一个对新版的谷歌翻译非常恰当的描述：在某种意义上，谷歌翻译是第一条可以通过学习理解任何事物的机器。
谷歌以AI为中心重组公司。在过去的四年中，谷歌、Facebook、苹果、亚马逊、微软和中国百度等六家公司都围绕AI人才展开了一场军备竞赛，尤其是在大学。企业纷纷到顶尖的学术院校挖掘人才，给人才以丰富的资源和极大的自由。在硅谷，Facebook的CEO Mark Zuckerberg会亲自通过电话和视频聊天软件跟公司最优异的研究生进行会话，七位数的起薪根本不在话下。参加人工智能最重要的学术会议的人数增加了近四倍。大家所关注的不仅仅是小小的创新，还有该如何掌控全新的计算平台：无处不在的人工智能。
我们好像理所当然地就开始使用“人工智能”这一短语，但它其实一直是引发争议的根源。想象一下，如果你回到20世纪70年代，在大街上拦住一个路上，拿住智能手机并向她展示手机里的谷歌地图。你可能需要不停地向她解释，你并不是穿着奇怪的巫师，从口袋里掏出的手机也不是什么黑色护身符，它只是一个比阿波罗时光机更强大的电脑。实际上，谷歌地图就是能跟她展示什么是“人工智能”的例子。在某种意义上，谷歌地图确实是人工智能的例子。它能帮你规划从酒店到机场的路线，而且比人类能完成得更快更好。它还能做一些人类显然不能做的事情：它可以判断交通状况；规划最佳路线；在你走错路时，它能重新定位并进行路线的重新规划。
实际上，如今没有人会把谷歌地图跟高贵的“AI”相提并论。所以我们在使用“智能”这个词的时候，是带“情感”色彩的。人工智能可以区别HAL和其它任何用织机或手推车就可以做出的东西。我们能自动化一项任务，涉及到的相关技能会转变为单纯的机制。现在，谷歌地图似乎还不能称之为人工智能，充其量是机器人：它只接受一个明确的需求（从一个地方到另一个地方），并尽力满足这种需求。因此，“人工智能”的所对应的实际应用其实范围很小。
Pichai的终极目标是区分AI应用和“通用人工智能”。通用人工智能不涉及对显式指令的忠实遵守，它是为一般情况下的一般用途而设计通用工具。Pichai认为，他公司的未来取决于通用人工智能。想象一下，如果你告诉谷歌地图，“我想去机场，但需要在中途停一下给我的侄子买礼物。”一个通用的智能服务，就像三年前的电影《她》中，由Scarlett Johansson配音的那个无处不在的助手一样，她像好朋友一样了解你的情况：你侄子的年龄，你通常喜欢给孩子买什么礼物，以及哪里有能买礼物的商店。但是，一个真正聪明的地图能做一些好朋友考虑不到的事，比方说，你侄子学校的孩子里，最近流行什么玩具。如果聪明的机器能够辨别一些错综复杂的数据，从中找到过去我们做过的事情中暗藏的规律性，那么它就可以推断我们的想法。
AI助手是人工智能的新浪潮，苹果的Siri、Facebook的M，还有亚马逊的Echo都是机器学习的产物，作用都很相似。然而，机器学习并不一定只局限于此。今年，三星的医学成像子公司宣布其新的超声设备能够检测乳腺癌。公司也在招贤纳士，以扩大计算机的工业应用。DeepMind于2014年被谷歌收购，AlphaGo在围棋游戏中击败了人类围棋大师，尽管当时人类预测人工智能要想战胜人类还需要10年。
1950年，Alan Turi吴恩达在那篇著名的文章中提出了一个人工智能的测试：一台计算机是否能在5分钟的文本交流中成功地欺骗人类。一旦机器可以在两种自然语言之间流利地翻译，机器就能很好地“理解”人类语言，从而与人类进行对话。谷歌大脑的成员们正推动和协助监督翻译项目，他们相信这样的机器将会成为通用人工智能的助手。
谷歌的研究人员和工程师团队从最初的一两个人，扩大到三四人，甚至后来扩大到一百多人，他们在这一领域取得了巨大进步。接下来要讲的关于谷歌团队的故事非常少见，因为它跟我们对硅谷的通常印象有所不同。它并不是一些俗套的剧情。它不是一个关于技术能解决所有问题的故事，也不是一个技术会毁灭世界的故事。它跟颠覆无关，至少不是通常意义上的颠覆。
事实上，这个故事又包含了三个相关的故事，这三个故事在谷歌翻译成功转型为AI的过程中融合在一起，它们分别是：技术故事，制度故事和关于思想演变的故事。技术故事是关于一个公司的一个产品团队，以及他们对旧产品进行改进、测试并形成全新版本的过程，而且他们只用了别人预期的约为四分之一的时间就完成了这个过程。制度故事是关于该公司内的一个虽然规模不大但很有影响力的人工智能团队，以及他们凭借对一些旧的、未经证实的和广泛不适用的计算观念的直觉信念，超越了几乎其他所有公司的过程。思想的故事是关于坚持不懈的认知科学家、心理学家和工程师，他们长期以来用看似不合理的信念，最终激发了我们对技术和理论的理解，以及意识本身的范式转变。
第一个故事是谷歌翻译的故事，发生在山景城，时间跨度为九个月，故事解释了机器翻译发生的转变。第二个故事是谷歌大脑及其众多竞争对手的故事，发生在硅谷，时间跨度为五年，它解释了整个领域的转型。第三个故事是深度学习的故事，发生在苏格兰、瑞士、日本和加拿大等大部分地区的遥远实验室，时间跨度长达七十年，它可能非常有助于改变人类的自我认知。
这三个故事都跟人工智能有关。七十年的故事是关于我们对人工智能的期待。五年的故事是关于人工智能在不久的将来会带来什么。九个月的故事是关于人工智能现在可以做什么。这三个故事本身都是对概念的证明，而所有这一切都只是开始。
第一部分：学习机器
1、谷歌大脑的诞生
虽然Jeff Dean的职位是高级研究员，但是事实上，他才是谷歌大脑团队的领导者。 Dean有着长而窄的脸，深深的眼睛并且十分热情。作为医学人类学家和公共卫生流行病学家的儿子，Dean成长时期几乎周游了世界各地，包括明尼苏达州、夏威夷、波士顿、阿肯色州、日内瓦、乌干达、索马里、亚特兰大等地。在高中和大学期间，他写的软件就被世界卫生组织所采用。自1999年以来，他一直在谷歌工作，当时他才25岁，从那时起，他几乎参与了谷歌所有重大项目中核心软件系统的开发。作为公司的元老级人物，Jeff Dean Facts已经成了公司开玩笑的对象。以Chuck Norris的事实模式为例：“Jeff Dean的PIN是pi的最后四位数字。”“当Alexander Graham Bell发明电话时，他接到了一个来自Jeff Dean的未接来电。”“Jeff Dean在最高级别为10的系统中晋升到了11级。“（最后一个是真的。）
上图：谷歌工程师和谷歌大脑的领导者Jeff Dean。
来源：纽约时报的Brian Finke
2011年初的一天，Dean在谷歌校园的“微型车间”之一，也就是山景城大楼的共享休息室，遇见了年轻的斯坦福计算机科学家吴恩达教授，他兼任谷歌公司的顾问。吴恩达跟Dean介绍了Marvin项目（以著名的AI先锋Marvin Minsky命名），在这个项目中，他协助谷歌建立了一种基于大脑架构的柔韧的数字网格的“神经网络”。1990年，Dean在明尼苏达大学读本科的时候，也曾经研究过该技术的原始版本，当时神经网络的概念已经开始流行。在过去的五年中，神经网络领域从事相关研究工作的学者数量开始再次增长。吴恩达告诉Dean，Marvin项目是由谷歌的秘密X实验室负责研究的，目前已经取得了一些可观的进展。
Dean对此很感兴趣，决定花自己“20％”的时间来投入这个项目，每名谷歌员工都要将自己20%的时间贡献给他或她的核心工作以外的工作。很快，Dean向吴恩达推荐了有着神经科学背景的Greg Corrado。（在研究生院的课堂上，Corrado粗略地学习了该技术，但他对此很感兴趣，他开玩笑说道：“那天我上课的时候很专心。”）在春天，他们团队又多了一名吴恩达的得意研究生Quoc Le，他是项目团队的第一个实习生。在那之后，一些谷歌工程师用“谷歌大脑”来形容Marvin项目。
术语“人工智能”是在1956年夏天在达特茅斯的一种宪法惯例中诞生的，当时大多数研究人员认为创造AI的最佳方法是写一个非常大而全面的程序，将逻辑推理的规则和有关世界的知识写入其中。比方说，如果你想把英语翻译成日语，你需要把所有的英语语法规则、牛津英语词典中包含的所有定义、所有的日语语法规则，和日语字典中的所有单词都编入计算机。这种观点通常被称为“符号化AI”。因为它的认知定义是基于符号逻辑的，但它已经有些过时，只能算作是“好的老式的AI”。
这种老式方法有两个主要问题。一是，它非常耗费人力和时间；二是，它只有在规则和定义非常清楚的领域（比如数学或象棋）才真正起作用。然而，如果翻译采用这种方法，效果会很差，因为我们平时说的话没办法跟词典上的规则和定义完全对应。比方说，这样的系统可能会把“农业部长”翻译为“农业牧师”。但是，对于数学和国际象棋来说，这种老式方法就很奏效。
不过，这种老式方法的系统确实有限。在20世纪80年代，卡内基梅隆的机器人研究员指出，让计算机做成人能做的事情很简单，但让计算机做一个1岁的小孩可以做的事情却几乎是不可能的，比如拿起一个球或识别一只猫。到了20世纪90年代，尽管计算机能够在国际象棋上战胜世界冠军，我们离真正的人工智能还差得远。
关于AI，还有另外一种看法，计算机的学习是自下而上（从数据），而不是从上到下（从规则）学习。这个概念可追溯到20世纪40年代初，研究人员发现灵活自动智能的最佳模型就是人类大脑本身。毕竟，大脑只不过是很多神经元的集合体，神经元之间可能会相互传递电荷，或者不会传递。重要的不是单个神经元本身，而是它们之间的连接方式。这种结构很简单，为大脑提供了丰富的适应性优势。大脑可以在信息量少或缺失的情况下工作；它在承受重大的损害时，也不会完全失去控制；它可以用非常有效的方式存储大量的知识；它可以区分不同的模式，但同时保留必须的混乱来处理歧义。
所以人类开始试图用电子元件来模仿这种结构，1943年研究表明，简单的人工神经元排布可以执行基本的逻辑功能。至少在理论上，神经元可以模仿人类的方式。实际上，神经元会根据试错把相互之间的突触连接调节得更强或更弱。人工神经网络也可以做类似的事情，在不断试错的基础上逐步改变人工神经元之间的数字关系。人工神经网络不需要使用固定规则来预编程，相反，它会改变自身以反映所输入的数据中的模式。
这种观点认为人工智能是进化得来，而不是创造出来的。如果你想要一个灵活而且能适应环境的机制，不能一开始就教它国际象棋。必须从非常基本的能力，如感官知觉和运动控制开始，长此以往更先进的技能才有可能出现。人类并不是通过记忆字典和语法书来学习和理解语言的，所以我们有什么理由要让计算机通过这样的方式来学习呢？
谷歌大脑是第一个对这种思维方式进行商业投资的机构。Dean、Corrado和吴恩达利用闲暇时间进行合作并对此展开研究，很快他们便取得了进展。他们从最新的理论大纲和自20世纪八九十年代以来的已有框架中提取了他们的模型的搭建灵感，他们还利用了谷歌巨大的数据储备和庞大的计算基础设施。他们利用网络上大量的“标记”数据，让计算机不断改进从而更好地匹配现实。
某天，Dean告诉我说：“动物进化出眼睛是个巨大的发展。”我们像往常一样坐在会议室，他在白板画了一个复杂的时间线，展示了谷歌大脑以及它与神经网络的历史关系。“现在，计算机也有了眼睛，我们能够借助眼睛让计算机识别图片。机器人的能力将得到巨大提升。他们将能够在一个未知的环境中，处理各种不同的问题。”这些他们正在研发的能力可能看起来很原始，但它们的影响是深远的。
上图：Geoffrey Hinton，他在谷歌多伦多办事处提出的想法为谷歌翻译的神经网络方法奠定了基础。 图片来源：《纽约时报》的Brian Finke
2、重量级实习生
正如Dean所说，谷歌大脑诞生一年后，就在研发具有1岁小孩智力的机器中取得了不错的成绩。谷歌的语音识别团队将其旧系统的一部分转换为神经网络，并因此取得了该系统20年来的最好成效。该系统识别对象的能力提高了一个数量级。这不是因为谷歌大脑的研究人员在短短一年内就产生了很棒的新想法，而是因为谷歌终于在该领域投入了资源和人力。
Geoffrey Hinton的到来让谷歌大脑发展更为迅猛。在谷歌大脑成立的第二年，Hinton被招聘到了谷歌大脑，而吴恩达离开了谷歌（吴恩达现在领导百度1300人的AI团队）。Hinton只能离开多伦多大学在谷歌任职三个月，因此由于奥术合同的原因，他不得不被聘为实习生。在实习培训中，辅导人员说“输入您的LDAP（目录访问协议）”，他问道：“什么是LDAP？”在场其他所有25岁的职员，尽管他们可能刚刚弄清深度学习是人工智能的必要条件，都在想“那个老家伙是谁？为什么他连LDAP是什么都不知道？”
Hinton说道：“在午餐时间，团队成员里有个人惊呼‘Hinton教授！我选修了你的课程！你居然在这里？’”从那以后，大家才不对Hinton议论纷纷。
几个月后，Hinton和他的两个学生在一个称为ImageNet的开源集合运行的大型图像识别竞赛中展示了惊人的成果，他们让计算机不仅能识别猴子，而且能够区分蜘蛛猴和吼猴，以及各种不同品种的猫。谷歌很快就向Hinton和他的学生发起了聘用书，他们接收了谷歌的聘用。Hinton说道：“我本以为谷歌对我们的知识产权感兴趣，结果没想到是对我们这几个人感兴趣。”
Hinton来自英国的传统家族，像Darwins一样，他们家族非常注重教育。他伟大的曾祖父是George Boole，他在符号逻辑方面的基础工作为计算机打下基础；Hinton的祖父是一位著名的外科医生，Hinton的父亲是一位热爱冒险的昆虫学家，Hinton的父亲的表哥是洛斯阿拉莫斯研究所的研究员，等等。而Hinton曾在剑桥和爱丁堡大学读数，然后又到卡内基梅隆大学学习，最后他又到多伦多大学。（他的工作长期以来一直受到加拿大政府的慷慨支持。）我在他的办公室对他进行了采访，他顶着一头成熟的诺埃尔加拉格尔风格的黄到褪色的头发，穿着一件宽松的条纹衬衫，椭圆形的眼镜滑落到高挺的鼻子尖端。他开口说道：“计算机会比美国人更早地理解讽刺为何物。”
19世纪60年代末，Hinton在剑桥大学读本科时，就一直致力于研究神经网络，他是该领域的先驱。但大多数时候，每当他谈及机器学习，人们都觉得他在满口胡言。人们之所以觉得神经网络荒谬，主要是因为感知机（Perceptron）被过度炒作，感知机是一个人工神经网络，是康奈尔心理学家Frank Rosenblatt于20世纪50年代后期提出的。《纽约时报》曾报道，感知机的赞助商美国海军期望它“能够走路、说话、看、写作，甚至再造自己，并意识到自己的存在”。结果证明这是不切实际的。美国的Marvin Minsky曾在1954年的普林斯顿论文中研究过神经网络，但是他对于布朗克斯科学当代的Rosenblatt对神经范式的夸张描述已经厌倦了。（他也在争取国防部的投资。）Minsky与MIT的同事一起出版了一本书，来证明有一些简单问题是感知器永远不能解决的。
Minsky对感知机的抨击只是一个“层”的网络，在后来的生活中，他阐述了与当代深度学习非常相似的想法。Hinton认为，如果使用多层神经网络，就能够完成复杂的任务。神经网络的最简单的描述是，它是一个机器，能在数据中发现模式并进行分类或预测。如果只有一层神经网络，你可以找到简单的模式，但如果有多层神经网络，你应该去找模式中的模式。在图像识别的领域，主要使用的是“卷积神经网络”。（这是在1998年的一篇开创性论文中阐述的，其主要作是Yann LeCun，他在多伦多大学读博士后，是Hinton的学生，现在是Facebook人工智能实验室的负责人。）网络的第一层负责学习识别“边缘”的基本视觉效果，也就是判断一个东西（一个像素上）是否有东西。网络的每个连续层都在前一层中寻找模式。边缘的图案可以是圆形也可以是矩形，圆形或矩形的图案可能是面部。这种方法或多或少地以越来越抽象的方式将信息组合在一起，从视网膜中的光感受器将信息返回到大脑的视觉皮层。在每个步骤中，不相关的细节会被丢弃，因为如果几个边缘和圆圈合在一起成为一张面部，你无需知道发现面部的位置，只需要知道它是一张脸。
多层“深度”神经网络的问题是试错法部分非常复杂。对于单层神经网络来说，这很容易。想象一下，如果你正在和一个孩子玩。你告诉孩子，“拿起绿色的球，把它放入盒子A中”，孩子拿起一个绿色的球，但把它放入了盒子B。你会说，“再试一次把绿色球放在盒子A中”，孩子会再次尝试把球放入了盒子A中。
现在想象你告诉孩子，“拿起一个绿色的球，穿过三号门，然后把绿色的球放入盒子A。”孩子却拿起一个红色的球，穿过了二号门，把红色的球放入盒子B。那么你该如何纠正孩子呢？你不能只是不断重复初始指示，因为孩子不知道他到底错在哪一步。在现实生活中，你可以先举起红球和绿球，说“这是红球，这是绿球”。但是，机器学习的重点是避免这种明确的指导。Hinton和其他几个人研究了解决方案（或者，对旧的方案进行了改造）。对于这个分层错误问题，在20世纪70年代末和80年代初，计算机科学家重新开始对神经网络感兴趣。Hinton说道：“人们对此非常兴奋，但我们的研究超出了他们的兴趣。”很快，计算机科学家们又跟以前一样认为Hinton这样的人是怪人和神秘主义者。
这种想法在哲学家和心理学家中仍然很受欢迎，他们称之为“连接主义”或“并行分布式处理”。Hinton告诉我说，“有几个人对这个想法保持热情，这很好，因为这是真正的人工智能。但在心理学领域，很多人相信这种想法，但却没能力实现它。”尽管加拿大政府一直大力支持，但Hinton也没能实现这个想法。“因为没有足够的计算机资源或足够的数据，我们只能自我安慰道：‘是的，如果我们有这样的前提条件，这个想法肯定是行得通的。’但这却并不是一个非常有说服力的论据。”
3、深层解读深度学习
当Pichai提到“人工智能优先（A.I. First）”概念时，他不仅仅是在说谷歌的战略计划，更是把这个长期不可行的想法扔给了公司。Pichai在资源分配上，确保了像Dean和Hinton这样的人才有足够的计算资源和数据资源可用。每个大脑大约有1000亿个神经元，每个神经元与其他10000个神经元相连，这意味着大脑内突触的数量在100万亿和1000万亿之间。对于20世纪40年代提出的简单人工神经网络来说，根本不可能实现这样规模的网络。虽然目前我们也远没达到构建这种规模网络的能力，但谷歌Brain的投资让我们至少实现了可以媲美小鼠大脑的人工神经网络。
然而，理解网络规模的重要性之前，你必须了解一些技术细节，如机器智能究竟对数据做了什么。其实，我们对人工智能的恐惧，主要来自于我们认为它像一个反社会天才在图书馆挖掘知识，然后，或许某一天，曾经只会玩回形针的机器会像对待蚂蚁或莴苣一样轻松杀死人类。但这并不是人工智能的工作方式，它们所做的只是搜索并寻找共同点——首先是基本模式，然后逐渐变复杂。真正最大的危险在于，我们人类最初给它灌输的信息是否就包含个人偏见。
如果只是想了解一二，可以直接阅读下一节（内容是关于猫的），如果想理解相关技术，那请继续阅读。（当然，本节内容也是关于猫。）
如果你想在老式的符号化AI模型上生成一个“猫识别器”。那么首先，你必须花大量时间预先对机器详细明确地说明什么是“猫”。告诉机器，一只猫有四条腿、尖尖的的耳朵、晶须和尾巴等。机器将这些信息存储在内存中的“Cat”区域。接下来，提供一张图片，让机器判断是否是猫。判断过程中，首先，机器必须分离出图像中不同的元素；然后，利用内存中存储的规则处理这些元素。规则如下：如果（腿 = 4）且（耳朵 = 尖）且（胡须 = 有）且（尾巴 = 有）且（表情= 高傲），那么（猫 = 是）。但如果你提供一张苏格兰折耳猫的图片呢？我们符号化 AI模型就会根据“耳朵 != 尖”判断图片上不是猫。 这样的识别水平比蹒跚学步的小孩都差。
而现在，如果用神经网络做这个实验，就根本不需要通过一系列预先定义的规则进行判别，也根本不需要专门的空间来存储“猫”的信息，包含大量相互连接着的开关的大型blob会解决这一切。在blob的一端提供输入（待识别图像），另一端提供输出（标记信息）。然后，机器将自动化工作，通过不断调试相互连接的开关，最终将输入正确映射到对应的输出。训练过程就像是在迷宫中挖掘一系列隧道，隧道两端连接的是正确的输入和输出。可用的训练数据越多，挖掘的隧道数量和复杂性就越大。训练过程一旦完成，blob中有了足够多的隧道，神经网络就能稳定处理数据并作出可靠预测。这就是“监督学习（Supervised Learning）”。
神经网络之所以需要如此多的神经元和数据，因为它以一种类似民主的方式工作。例如，你想训练可识别五种类型物体的神经网络，它由数百万“选民”（神经元）组成，每位选民都有五张不同的卡片，分别是：猫、狗、蜘蛛猴、勺子、除颤器。拿出一张图片，问：“这是猫，狗，蜘蛛猴，勺子还是除颤器？”所有神经元分组进行投票，最终得票最多的作为最终结果：“一只狗？”
你告诉它：“不！是只猫。重新计算。”
然后，神经网络退回一步，确定哪些神经元投票“猫”，哪些不是。那些投票“猫”的神经元，下次如果还投“猫”，其权重加倍。除此之外，该神经网络也必须能准确判别其他物体类别，如狗和除颤器。而神经网络之所以如此灵活，是因为每个单独的个体针对不同的输出贡献的权重不一样。其实，最关键的不是个体投票，而是这种投票模式。如果Joe, Frank 和Mary一起投票，那就是一只狗；如果Joe, Kate和Jessica一起投票，那就是一只猫；而如果Kate, Jessica 和Frank一起投票，图片上就是一个除颤器。神经网络只需要注册大量可识别信号，这些信号表示：图片中该像素区域是“猫”。“选民”越多，投票次数就越多，微弱信号也越可能被注册。简单来说，就是如果只有Joe, Frank 和Mary三个选民，你可能仅限于区分猫、狗和除颤器；而如果有数百万选民，不同选民之间有数十亿连接，那么你就可以对数据精确分类。经过训练的“选民”组合甚至可以识别未标记图片（或许不那么精确）。
计算科学领域之所以不接受这些理念，部分原因在于机器的输出仅仅是基于模式的预测，它并不完美，而且机器永远无法确切地定义什么是“猫”。只有在看到猫的时候，机器才知道那是猫。神经元“选民”通过数百万张猫图像的训练，它们可以识别出在阳光下打盹的快乐小猫，和躲在垃圾箱阴影中的生气小猫。实际上，你需要大量的神经元“选民”和足够的已标记数据，前者用来确保神经网络可以捕捉到非常微弱的信号，如苏格兰折耳猫垂下的耳朵，后者用来尽可能确保神经网络已“见过”所有相似场景。
但是，需要注意的是，神经网络的输出结果具有概率性，这意味着它并不适用于所有任务。如果神经网路把猫误认为狗，或者偶尔推送了错误的电影，这都不是大事，但如果应用于无人驾驶，神经网络1%的失误率可能就酿成了悲剧。类似担忧还有很多。监督学习是基于已标记数据进行反复试验的过程。机器完成的只是学习过程，而人为因素仍然决定了最初对训练数据的分类。例如，训练数据中，图片上是一位男士和一位女士，某人将该图片标记为“一位女士和她的老板”，这种关系标记将影响所有后续的模式识别。因此，人类错误标记才会导致训练数据错误。机器可能通过重罪定罪数据，来确定信贷候选人贷款资格。但如果重罪定罪数据本身就是不公平的（如数据是基于歧视性禁毒法），那么机器输出的可贷款人名单也是不可靠的。
图像识别网络与我们的小猫识别器一样，也是深度学习的一种，但常常把它作为教学示例，因为人类可直观了解到图像识的具体过程：先找图像边缘，然后识别圆圈，接着识别脸。这意味着其中有错误保护措施。例如，早期，谷歌发现他们的图像识别软件无法单独识别出杠铃，哪怕用大规模运动器材图像集对其训练，结果也是一样。通过可视化工具观察发现，由于训练集中所有哑铃都是附在手臂上的，所以机器没有学习到“哑铃”的概念，而是“哑铃+手臂”的整体概念。改进一下，向训练集中加入单独的“杠铃”照片，问题就解决了。但并不是所有问题都这么容易。
4、猫识别论文
谷歌Brain部门在一到两年时间内，成功让机器具备了1岁小孩的智能。随后，该部门成功从谷歌X实验室“毕业”，并成为了更高级的研究机构。（谷歌X实验室负责人曾经指出，Brain取得的成就，让整个实验室的努力没有白费。）当时，谷歌Brain仍然只有10人不到，而对于未来，也只有一个模糊的概念。但即使在那时，他们都在积极思考接下来会发生什么。就像人一样，学会认识皮球后，我们会为之满足一段时间，但迟早，人类会产生关于皮球的问题。这就是语言产生的原因。
这一领域中，Brain迈出的第一步是发表了猫识别论文，正是这篇论文，Brain闻名世界。
这篇论文展示了一个具有超过十亿个“突触”连接的神经网络。虽然与人类大脑相比，它小了好几个数量级，但它比当时任何公开的神经网络都要大好几百倍。这个神经网络可以处理原始的、未标记数据，并识别高级的人类概念。谷歌Brain的研究人员向该神经网络展示了几百万的静态帧（来自YouTube视频），然后神经网络的感觉中枢开始运转，生成了一个稳定的模型。像小孩或花栗鼠一样聪明，该模型可以迅速识别出猫的脸。研究人员并没有预先向该神经网络输入关于“猫”概念，它直接与现实世界交互并获取“猫”这一定义。（研究人员发现，这一神经网络与核磁共振（M.R.I.）很相像，猫的脸部阴影会激发人工神经元“投票”的热情。）大多数机器学习都受限于已标记数据的数据量。但这篇论文却显示，该神经网络可以处理原始未标记数据，有时甚至是人类都还没建立起概念的数据。这不仅仅是猫识别研究的重大突破，更是整个人工智能的显著进步。
猫识别论文的第一作者是Quoc Le。Le个头不高，身形偏瘦，说话温和但语速很快，经常穿着闪亮的黑皮鞋，而且面带神秘的微笑。他在越南长大，父母都是农民，小时候家里甚至都没有电。他从小就表现出了过人的数学能力，后来，他就读于一所磁铁学校学习科学。上世纪90年代末，Le还在上学，那时候他就试图构建一个聊天机器人。他在想，这有多难呢？
“但实际上，”他告诉我，“非常不简单。”
毕业后，Le离开了越南，前往澳大利亚堪培拉的一所大学学习，主要研究机器视觉这类人工智能任务。当时人工智能的主要做法是，提前给机器灌输相关概念（如，边缘），这让他感觉像是在作弊。当时的Le不知道，全世界有很多计算机科学家和他的想法一样——机器可以从零开始学习。2006年，Le任职于德国的马克斯普朗克研究所生物控制部门。在当时的一个阅读小组中，他读到了Geoffrey Hinton写的两篇论文，他觉得自己豁然开朗。
“这两篇文章引起了争议，”他告诉我。“非常大的争议。”我们在一个小型内部会议室里，天花板又窄又高，屋子里有一张小桌子和两块白板。Le看了眼他画在背后白板上的曲线，又回过头来轻声地说，“我从没见到过这么大的争议”。
他记得，当时在阅读小组里站起来，然后说，“这就是未来。”但在当时，这是个不受欢迎的决定。Le在澳大利亚的导师不能完全理解他的想法，写邮件问到，“你为什么决定做这个？”
“那时，我想不到怎么回答这个问题，”Le说。“因为，我只是好奇。文章中提出了一个成功的范式，老实说，我只是对这个新范式感到好奇。那时还是2006年，这样的观点非常罕见。”然后，Le 加入了斯坦福的吴恩达团队，接着他开始沿着 Hinton 的道路探索。“到了2010年年底，我确信会有事情发生。”
不久之后，Le成为了Brain的首位实习生。在Brain，他继续着自己的论文工作，也就是后来发表的猫论文的前身。在一个简单层面上，Le只是想看看计算机能否被训练并自主识别给定图像中的绝对必要的信息。他向神经网络输入了一张YouTube上的静态图片。然后，指示神经网络丢弃一些信息，但并不说明哪些信息应该保留哪些应该丢弃。神经网络随机丢弃了一些信息。接着，Le又说：“刚刚是开玩笑的。现在基于你刚刚保留下来的信息，重新构建初始图像。”这种方式就像他先要求机器找到一种方式“总结”图像，然后，基于总结的信息回溯原始图像。如果总结的都是些不相关信息（如天空的颜色），而不是关键信息（如有没有胡须），计算机就无法有效重构原始图像。计算机的反应就像我们远古的祖先，他们在逃跑中建立起对剑齿虎的印象。而Le的神经网络与我们的祖先的方式不同，它需要不断地尝试。从数学角度来说，每次尝试后，它都选择不同的信息进行优化，而且表现地越来越好。然而，神经网络是个黑盒子，它确实生成了某种范式，但人类并不能直观地理解这些范式。
猫论文发表后，引起了极大凡响，而Le并未感觉到自己掌握了业界的话语权。但他强烈感觉到，应该继续自己早年聊天机器人的想法。发表了猫论文后，Le意识到，如果神经网络可以总结图片信息，那么它或许也可以总结语句信息。在接下来两年中，这一想法深深印在Le和Tomas Mikolov（Le在Brain的同事）的脑海中。
那段时间，Brain团队占据了好几个办公室，甚至一度占用了高管的地方。随后，他们收到了管理处的邮件，要求他们不要在Larry Page和Sergey Brin的 办公室门口的沙发上睡觉。后来，他们被安排到街对面的研究楼里工作，在那里，研究人员专心研究，而不必应付同事间礼貌而无效率的交谈。当然在这一过渡期，谷歌的竞争对手们也在奋力前行。（Le神情严肃地一遍一遍提及他与Tomas Mikolov的亲密合作。最后我忍不住问道，“他离开了？”Le点点头，回答道：“去了Facebook”。）
上图：2012年的谷歌 Brain团队。他们发表了著名的“猫论文”，演示论文中的神经网络处理未标记数据。研究人员向该神经网络提供几百万的静态帧（来自YouTube视频），神经网络生成了一个稳定的模型并且识别出猫。
那段时间，他们极力想构造出不仅能执行简单的静态图片分类任务，也能处理复杂的任务（如自然语言或音乐）的神经网络架构。他们的许多观点在上世纪九十年代就出现了，Le和他的同事们专门回顾了那些被忽略的概念，希望能从中得到启发。他们知道，一旦建立了一个具有基本语言预测功能的模型，也就可以基于此完成各种其他类型智能任务，如预测电子邮件的合适回复或者预测谈话过程。你可以侧重于那些从表面看起来很像思维过程的任务。
来源：人工智能学家
更多内容请关注：www.imefuture.com
北京大数据产业投资基金正式发布 扎克伯格启用AI“管家
圣诞节太多小孩被机器人吸引
智造家
423 浏览
王玉锁：互联网是不是可以解决大企业病？
管理类 料盘挡板 2016-12-13 13:21 发表了文章
我们整个的管理体系一般都是一些所谓的管理专家在做管理设计，仅仅围绕着一个管、管、管，其实企业真的不是管出来的。
2016年12月10日—11日，由《中国企业家》杂志社主办的2016（第十五届）中国企业领袖年会在北京召开，新奥集团董事局主席王玉锁在闭幕主题演讲上发表了演讲。
王玉锁认为，现在很多传统企业存在大企业病。他认为大企业病主要有三点：第一，效率非常低；第二，传统的管理跑冒滴漏；第三，我们的知识沉淀，不能够把它运用到我们的员工成长当中来。
“企业真的不是管出来的，真的是干出来的。”针对大企业病的三个问题，他也给出了建议，他认为：
首先在提高效率方面，因为互联网的出现，我们可以把原来的必须要整体管理的一些企业，把它划小划算单位元，让它成为一个一个基于最小的运营单位的组织。
第二，控风险。原来我们控风险，基本靠着有经验的团队的人员，一点一点往上走，也就是领导越高，应该经验越丰富，靠这种人治。
第三，很好的赋能力，互联网大数据的分享的特点会很好的把我们企业的不管是新近的员工还是要提升的员工，在他需要的时候都会得到很好的经验的知识的支持，使他们都能够顺利的完成交给的任务。
以下为王玉锁演讲整理：
各位新朋好友大家下午好。非常感谢何社长给我一个机会跟大家交流。
我想先给何社长的团队点个赞，这次的主题选得很好——主场中国。现在世界上不断出现一些黑天鹅事件，也就很多层出不穷的黑色科技，都在为今天的主题在起到推动作用，所以我们非常期待主场中国的进程尽快加快速度，尽快到来。
我在2013年的时候接受了何社长给我的任务，那天我也是做了发言，发言的主题就是我第一次提出了互联网能源。当时提出互联网能源的时候新奥已经做了五年的准备，从2008年、2009年开始做互联网能源的准备。那次是第一次把概念提出来。很多人都有一些疑问，能源就是能源，怎么能互联网化呢，是不是新奥在赶时髦？王玉锁在做概念？
今天我跟大家讲，又过了三年，现在大家可能都知道，特别是咱们总理批复互联网+以后，整个的能源界有一个非常大的推动。这几年不管是政策还是技术，还是商业模式探索，都有了很大的提高。就是在做互联网能源的战略整个的时间过程当中，我又发现出现了一个问题，你战略是互联网化了，或者是在逐渐用互联网提升自己的传统模式，但是在这个过程当中有一个很重要的因素对它有制约，就是管理。所以我们战略，我们的商业模式融入到这次互联网时代的大潮当中，接下来要想实现我们的战略目标，管理一定要变革。这个管理变革的方向我们感觉必须回到互联网的理念上来。所以我们又用了两年的时间探索互联网管理的重构。
互联网，这也是我今天的主题，我讲这个主题之前还是想跟大家回顾一下传统管理的一些特点，今天在座的有很多成功的企业家，也有很多管理学家，在他们面前我可能是班门弄斧，但是我将近30年的企业经营也有我自己的感受，也有自己的一些感悟，这个感悟就是在传统的管理当中首先它是一个基于管控的职能化的管理模式。大家可能都知道，我们整个的管理体系一般都是一些所谓的管理专家在做管理设计，仅仅围绕着一个管、管、管，其实企业真的不是管出来的，真的是干出来的。所以，即使这么管，我们很多的企业大家都常讲一个大企业病，这个大企业病基本上我感觉有三点：
第一，效率非常低。我们每年都在就管理的问题进行讨论，进行调整，今天分权，明天集权，今天是战略管控中心，明天是财务管控中心，后天是运营管控中心，调来调去，我们的效率是越调越低。一个决策可能真的企业稍微大的时候，一两个星期这是常事。所以大企业病已经开始制约一个企业。所以企业发展到一定程度，大家都非常在这方面是一个非常困惑的一件事。
第二，传统的管理就是跑冒滴漏，虽然我们天天在讲管控，其实我们的跑冒滴漏很多，不管是在业务发展上还是采购方面，我相信每个企业在这方面都是有很大的感受的。每年在这方面，通过我们事后的审计，审计出来的问题是很多的，每年都在审计。其实，在这方面我们也花了大量的运营成本或者管理成本，付出了很大的管理成本。
第三，我们的知识沉淀，不能够把它运用到我们的员工成长当中来。我们企业有很多的管理经验，也有很多的管理教训，过了也就过了。虽然有很多企业有大学，把自己的案例教给大家，但是因为只是在学的时候学了，用的时候找不到了。所以这个传统的管理使得我们很多的学费白教了。
互联网是不是可以解决呢？我觉得给我们一个耳目一新的感觉。大家都知道，互联网一个很大的特点就是透明，你做的所有的事在平台上都能看得见。我们也能感觉到，互联网一个很大的特点就是分享，不管是我们所有的经验教训，都能够让另外一个人分享，第一时间分享，并且在你使用的时候就可以出现。因为大数据、互联网的联系，把很多的数据我们都沉淀在服务器里面。这些个数据就会很好的支撑我们在风险管控方面的一些作用。
我们做的方法，其实讲起来我也按照这三点讲：
首先在提高效率方面，因为互联网的出现，我们可以把原来的必须要整体管理的一些企业，把它划小划算单位元，让它成为一个一个基于最小的运营单位的组织。这个组织我们现在大家都学了很多阿米巴的金融模式，其实我们在它的基础上，结合我们中国的一些实际，特别是中国民营企业的一些实际，我们叫业务精灵，让它达到自组织、自管理、自激励、自创新，这“四自”使得它的效率大大提高。真的能够实现像华为的任正非先生所讲的，让听得见炮火的人来决策。有了这个以后，接下来就是他们做规则是什么，甚至大家讲谁来控制风险，好，我们后台就用数据的方式来控制风险。也就是说，你每个业务精灵做的任何的事，不管是商务谈判、商务合同的签署，也包括激励，申请资源，都靠数据来支撑，来拿这个资源。而分配资源的人，完全解决了原来为了控制风险所做的人的结构上的一些安排。所以在这方面大大的提高了效率，减少了人力成本，特别是在这个时候我们拿数据来换资源的这个习惯的形成，会把我们每个企业将来不管是做成功还是做失败了，都能够沉淀下来一个非常好的一些经验。这是在效率方面。
第二，控风险。原来我们控风险，基本靠着有经验的团队的人员，一点一点往上走，也就是领导越高，应该经验越丰富，靠这种人治。但是，这种人治能力再强，它也就一个大脑。这个人总有一些情感的因素来制约着他，所以很难形成一个公正、高效的过程。如果我们用大数据把这个问题就很好解决了。
第三，很好的赋能力，互联网大数据的分享的特点会很好的把我们企业的不管是新近的员工还是要提升的员工，在他需要的时候都会得到很好的经验的知识的支持，使他们都能够顺利的完成交给的任务。在这个平台上，我们新员工、老员工，我们掌握的信息、经验都是一样的。
总得来讲，我们企业已经发展到互联网时代，或者互联时代，我们的管理，一定要跟上，这也是到了我们中国人颠覆所谓的我们经典的管理学的时候了。这其实扣今天会议的主题，也是到了一个主场中国的时候了。
来源：张秋颖
智造家 查看全部
2016年12月10日—11日，由《中国企业家》杂志社主办的2016（第十五届）中国企业领袖年会在北京召开，新奥集团董事局主席王玉锁在闭幕主题演讲上发表了演讲。
王玉锁认为，现在很多传统企业存在大企业病。他认为大企业病主要有三点：第一，效率非常低；第二，传统的管理跑冒滴漏；第三，我们的知识沉淀，不能够把它运用到我们的员工成长当中来。
“企业真的不是管出来的，真的是干出来的。”针对大企业病的三个问题，他也给出了建议，他认为：
首先在提高效率方面，因为互联网的出现，我们可以把原来的必须要整体管理的一些企业，把它划小划算单位元，让它成为一个一个基于最小的运营单位的组织。
第二，控风险。原来我们控风险，基本靠着有经验的团队的人员，一点一点往上走，也就是领导越高，应该经验越丰富，靠这种人治。
第三，很好的赋能力，互联网大数据的分享的特点会很好的把我们企业的不管是新近的员工还是要提升的员工，在他需要的时候都会得到很好的经验的知识的支持，使他们都能够顺利的完成交给的任务。
以下为王玉锁演讲整理：
各位新朋好友大家下午好。非常感谢何社长给我一个机会跟大家交流。
我想先给何社长的团队点个赞，这次的主题选得很好——主场中国。现在世界上不断出现一些黑天鹅事件，也就很多层出不穷的黑色科技，都在为今天的主题在起到推动作用，所以我们非常期待主场中国的进程尽快加快速度，尽快到来。
我在2013年的时候接受了何社长给我的任务，那天我也是做了发言，发言的主题就是我第一次提出了互联网能源。当时提出互联网能源的时候新奥已经做了五年的准备，从2008年、2009年开始做互联网能源的准备。那次是第一次把概念提出来。很多人都有一些疑问，能源就是能源，怎么能互联网化呢，是不是新奥在赶时髦？王玉锁在做概念？
今天我跟大家讲，又过了三年，现在大家可能都知道，特别是咱们总理批复互联网+以后，整个的能源界有一个非常大的推动。这几年不管是政策还是技术，还是商业模式探索，都有了很大的提高。就是在做互联网能源的战略整个的时间过程当中，我又发现出现了一个问题，你战略是互联网化了，或者是在逐渐用互联网提升自己的传统模式，但是在这个过程当中有一个很重要的因素对它有制约，就是管理。所以我们战略，我们的商业模式融入到这次互联网时代的大潮当中，接下来要想实现我们的战略目标，管理一定要变革。这个管理变革的方向我们感觉必须回到互联网的理念上来。所以我们又用了两年的时间探索互联网管理的重构。
互联网，这也是我今天的主题，我讲这个主题之前还是想跟大家回顾一下传统管理的一些特点，今天在座的有很多成功的企业家，也有很多管理学家，在他们面前我可能是班门弄斧，但是我将近30年的企业经营也有我自己的感受，也有自己的一些感悟，这个感悟就是在传统的管理当中首先它是一个基于管控的职能化的管理模式。大家可能都知道，我们整个的管理体系一般都是一些所谓的管理专家在做管理设计，仅仅围绕着一个管、管、管，其实企业真的不是管出来的，真的是干出来的。所以，即使这么管，我们很多的企业大家都常讲一个大企业病，这个大企业病基本上我感觉有三点：
第一，效率非常低。我们每年都在就管理的问题进行讨论，进行调整，今天分权，明天集权，今天是战略管控中心，明天是财务管控中心，后天是运营管控中心，调来调去，我们的效率是越调越低。一个决策可能真的企业稍微大的时候，一两个星期这是常事。所以大企业病已经开始制约一个企业。所以企业发展到一定程度，大家都非常在这方面是一个非常困惑的一件事。
第二，传统的管理就是跑冒滴漏，虽然我们天天在讲管控，其实我们的跑冒滴漏很多，不管是在业务发展上还是采购方面，我相信每个企业在这方面都是有很大的感受的。每年在这方面，通过我们事后的审计，审计出来的问题是很多的，每年都在审计。其实，在这方面我们也花了大量的运营成本或者管理成本，付出了很大的管理成本。
第三，我们的知识沉淀，不能够把它运用到我们的员工成长当中来。我们企业有很多的管理经验，也有很多的管理教训，过了也就过了。虽然有很多企业有大学，把自己的案例教给大家，但是因为只是在学的时候学了，用的时候找不到了。所以这个传统的管理使得我们很多的学费白教了。
互联网是不是可以解决呢？我觉得给我们一个耳目一新的感觉。大家都知道，互联网一个很大的特点就是透明，你做的所有的事在平台上都能看得见。我们也能感觉到，互联网一个很大的特点就是分享，不管是我们所有的经验教训，都能够让另外一个人分享，第一时间分享，并且在你使用的时候就可以出现。因为大数据、互联网的联系，把很多的数据我们都沉淀在服务器里面。这些个数据就会很好的支撑我们在风险管控方面的一些作用。
我们做的方法，其实讲起来我也按照这三点讲：
首先在提高效率方面，因为互联网的出现，我们可以把原来的必须要整体管理的一些企业，把它划小划算单位元，让它成为一个一个基于最小的运营单位的组织。这个组织我们现在大家都学了很多阿米巴的金融模式，其实我们在它的基础上，结合我们中国的一些实际，特别是中国民营企业的一些实际，我们叫业务精灵，让它达到自组织、自管理、自激励、自创新，这“四自”使得它的效率大大提高。真的能够实现像华为的任正非先生所讲的，让听得见炮火的人来决策。有了这个以后，接下来就是他们做规则是什么，甚至大家讲谁来控制风险，好，我们后台就用数据的方式来控制风险。也就是说，你每个业务精灵做的任何的事，不管是商务谈判、商务合同的签署，也包括激励，申请资源，都靠数据来支撑，来拿这个资源。而分配资源的人，完全解决了原来为了控制风险所做的人的结构上的一些安排。所以在这方面大大的提高了效率，减少了人力成本，特别是在这个时候我们拿数据来换资源的这个习惯的形成，会把我们每个企业将来不管是做成功还是做失败了，都能够沉淀下来一个非常好的一些经验。这是在效率方面。
第二，控风险。原来我们控风险，基本靠着有经验的团队的人员，一点一点往上走，也就是领导越高，应该经验越丰富，靠这种人治。但是，这种人治能力再强，它也就一个大脑。这个人总有一些情感的因素来制约着他，所以很难形成一个公正、高效的过程。如果我们用大数据把这个问题就很好解决了。
第三，很好的赋能力，互联网大数据的分享的特点会很好的把我们企业的不管是新近的员工还是要提升的员工，在他需要的时候都会得到很好的经验的知识的支持，使他们都能够顺利的完成交给的任务。在这个平台上，我们新员工、老员工，我们掌握的信息、经验都是一样的。
总得来讲，我们企业已经发展到互联网时代，或者互联时代，我们的管理，一定要跟上，这也是到了我们中国人颠覆所谓的我们经典的管理学的时候了。这其实扣今天会议的主题，也是到了一个主场中国的时候了。
来源：张秋颖
智造家 查看全部
我们整个的管理体系一般都是一些所谓的管理专家在做管理设计，仅仅围绕着一个管、管、管，其实企业真的不是管出来的。
2016年12月10日—11日，由《中国企业家》杂志社主办的2016（第十五届）中国企业领袖年会在北京召开，新奥集团董事局主席王玉锁在闭幕主题演讲上发表了演讲。
王玉锁认为，现在很多传统企业存在大企业病。他认为大企业病主要有三点：第一，效率非常低；第二，传统的管理跑冒滴漏；第三，我们的知识沉淀，不能够把它运用到我们的员工成长当中来。
“企业真的不是管出来的，真的是干出来的。”针对大企业病的三个问题，他也给出了建议，他认为：
首先在提高效率方面，因为互联网的出现，我们可以把原来的必须要整体管理的一些企业，把它划小划算单位元，让它成为一个一个基于最小的运营单位的组织。
第二，控风险。原来我们控风险，基本靠着有经验的团队的人员，一点一点往上走，也就是领导越高，应该经验越丰富，靠这种人治。
第三，很好的赋能力，互联网大数据的分享的特点会很好的把我们企业的不管是新近的员工还是要提升的员工，在他需要的时候都会得到很好的经验的知识的支持，使他们都能够顺利的完成交给的任务。
以下为王玉锁演讲整理：
各位新朋好友大家下午好。非常感谢何社长给我一个机会跟大家交流。
我想先给何社长的团队点个赞，这次的主题选得很好——主场中国。现在世界上不断出现一些黑天鹅事件，也就很多层出不穷的黑色科技，都在为今天的主题在起到推动作用，所以我们非常期待主场中国的进程尽快加快速度，尽快到来。
我在2013年的时候接受了何社长给我的任务，那天我也是做了发言，发言的主题就是我第一次提出了互联网能源。当时提出互联网能源的时候新奥已经做了五年的准备，从2008年、2009年开始做互联网能源的准备。那次是第一次把概念提出来。很多人都有一些疑问，能源就是能源，怎么能互联网化呢，是不是新奥在赶时髦？王玉锁在做概念？
今天我跟大家讲，又过了三年，现在大家可能都知道，特别是咱们总理批复互联网+以后，整个的能源界有一个非常大的推动。这几年不管是政策还是技术，还是商业模式探索，都有了很大的提高。就是在做互联网能源的战略整个的时间过程当中，我又发现出现了一个问题，你战略是互联网化了，或者是在逐渐用互联网提升自己的传统模式，但是在这个过程当中有一个很重要的因素对它有制约，就是管理。所以我们战略，我们的商业模式融入到这次互联网时代的大潮当中，接下来要想实现我们的战略目标，管理一定要变革。这个管理变革的方向我们感觉必须回到互联网的理念上来。所以我们又用了两年的时间探索互联网管理的重构。
互联网，这也是我今天的主题，我讲这个主题之前还是想跟大家回顾一下传统管理的一些特点，今天在座的有很多成功的企业家，也有很多管理学家，在他们面前我可能是班门弄斧，但是我将近30年的企业经营也有我自己的感受，也有自己的一些感悟，这个感悟就是在传统的管理当中首先它是一个基于管控的职能化的管理模式。大家可能都知道，我们整个的管理体系一般都是一些所谓的管理专家在做管理设计，仅仅围绕着一个管、管、管，其实企业真的不是管出来的，真的是干出来的。所以，即使这么管，我们很多的企业大家都常讲一个大企业病，这个大企业病基本上我感觉有三点：
第一，效率非常低。我们每年都在就管理的问题进行讨论，进行调整，今天分权，明天集权，今天是战略管控中心，明天是财务管控中心，后天是运营管控中心，调来调去，我们的效率是越调越低。一个决策可能真的企业稍微大的时候，一两个星期这是常事。所以大企业病已经开始制约一个企业。所以企业发展到一定程度，大家都非常在这方面是一个非常困惑的一件事。
第二，传统的管理就是跑冒滴漏，虽然我们天天在讲管控，其实我们的跑冒滴漏很多，不管是在业务发展上还是采购方面，我相信每个企业在这方面都是有很大的感受的。每年在这方面，通过我们事后的审计，审计出来的问题是很多的，每年都在审计。其实，在这方面我们也花了大量的运营成本或者管理成本，付出了很大的管理成本。
第三，我们的知识沉淀，不能够把它运用到我们的员工成长当中来。我们企业有很多的管理经验，也有很多的管理教训，过了也就过了。虽然有很多企业有大学，把自己的案例教给大家，但是因为只是在学的时候学了，用的时候找不到了。所以这个传统的管理使得我们很多的学费白教了。
互联网是不是可以解决呢？我觉得给我们一个耳目一新的感觉。大家都知道，互联网一个很大的特点就是透明，你做的所有的事在平台上都能看得见。我们也能感觉到，互联网一个很大的特点就是分享，不管是我们所有的经验教训，都能够让另外一个人分享，第一时间分享，并且在你使用的时候就可以出现。因为大数据、互联网的联系，把很多的数据我们都沉淀在服务器里面。这些个数据就会很好的支撑我们在风险管控方面的一些作用。
我们做的方法，其实讲起来我也按照这三点讲：
首先在提高效率方面，因为互联网的出现，我们可以把原来的必须要整体管理的一些企业，把它划小划算单位元，让它成为一个一个基于最小的运营单位的组织。这个组织我们现在大家都学了很多阿米巴的金融模式，其实我们在它的基础上，结合我们中国的一些实际，特别是中国民营企业的一些实际，我们叫业务精灵，让它达到自组织、自管理、自激励、自创新，这“四自”使得它的效率大大提高。真的能够实现像华为的任正非先生所讲的，让听得见炮火的人来决策。有了这个以后，接下来就是他们做规则是什么，甚至大家讲谁来控制风险，好，我们后台就用数据的方式来控制风险。也就是说，你每个业务精灵做的任何的事，不管是商务谈判、商务合同的签署，也包括激励，申请资源，都靠数据来支撑，来拿这个资源。而分配资源的人，完全解决了原来为了控制风险所做的人的结构上的一些安排。所以在这方面大大的提高了效率，减少了人力成本，特别是在这个时候我们拿数据来换资源的这个习惯的形成，会把我们每个企业将来不管是做成功还是做失败了，都能够沉淀下来一个非常好的一些经验。这是在效率方面。
第二，控风险。原来我们控风险，基本靠着有经验的团队的人员，一点一点往上走，也就是领导越高，应该经验越丰富，靠这种人治。但是，这种人治能力再强，它也就一个大脑。这个人总有一些情感的因素来制约着他，所以很难形成一个公正、高效的过程。如果我们用大数据把这个问题就很好解决了。
第三，很好的赋能力，互联网大数据的分享的特点会很好的把我们企业的不管是新近的员工还是要提升的员工，在他需要的时候都会得到很好的经验的知识的支持，使他们都能够顺利的完成交给的任务。在这个平台上，我们新员工、老员工，我们掌握的信息、经验都是一样的。
总得来讲，我们企业已经发展到互联网时代，或者互联时代，我们的管理，一定要跟上，这也是到了我们中国人颠覆所谓的我们经典的管理学的时候了。这其实扣今天会议的主题，也是到了一个主场中国的时候了。
来源：张秋颖
智造家
457 浏览
中国工业互联网市场规模及应用前景分析
电气控制类 上海明日之星科技有限公司 2016-12-07 17:54 发表了文章
当前，全球新一轮科技革命和产业变革风起云涌，增材制造、工业互联网、工业大数据、工业4.0等一批新的生产理念不断涌现。以互联网为核心的新一代信息技术融合创新，已经成为驱动信息技术与实体产业融合发展的新引擎。
一、中国工业互联网市场规模分析
当前，全球新一轮科技革命和产业变革风起云涌，增材制造、工业互联网、工业大数据、工业4.0等一批新的生产理念不断涌现。以互联网为核心的新一代信息技术融合创新，已经成为驱动信息技术与实体产业融合发展的新引擎。发达国家政府和产业界高度重视这一趋势，通过政企合作模式，建立研发应用和产业化的多方共享协作机制，不断加快新型网络化智能制造方式的发展步伐，旨在寻找新一轮增长的动力，把握未来国际经济科技竞争主动权。在我国，经历多年的探索、实践与培育，互联网与工业融合已具备相当规模的创新主体，新产品新业态新模式不断涌现，孕育新兴市场、带动长尾需求力释放。融合创新赖以实现的技术、网络、平台等基础正加速完善，以“中国互联网与工业融合创新联盟”为代表的行业平台组织相继成立，产业生态初步构筑，已具备持续规模推进的现实基础。
我国一些领先的工业企业、互联网企业和生产性服务企业已成为融合生态体系中各种创新活动的主要载体和践行者，由于各自基础和优势不同，不同类型企业融合创新的模式、路径、方向和重点有所差异。
三胜咨询顾问张祥光认为，一是传统工业企业互联网化转型明显加快。部分工业企业在互联网浪潮中主动把握发展机遇，在战略、组织、业务、管理等方面实施由内而外的全面变革，将客户、供应商、服务商、员工集聚于企业全互联阵营中，推动实现从有界向无界、垂直向扁平、制造向服务的转型，并由此成为融合创新的主力军。二是互联网企业借助新产品新服务融入工业基因。互联网企业依托其固有的通用性、交互性、开放性和共享性等属性，充分发挥其便捷、扁平、聚集等优势，通过与工业各领域各环节不断融合创造出新产品、新业态和新模式实现快速渗透。三是生产服务企业借助互联网拓展服务空间。来自不同领域的生产服务企业积极顺应工业发展需要，通过向平台企业转型，创新服务模式或拓展服务外延等方式加速向工业领域渗透，成为引领融合发展的重要力量。
图表：2013-2020年中国工业互联网行业市场规模分析及预测
数据来源：三胜咨询
中国互联网正从消费型转向企业型。目前中国的工业互联网还处于起步阶段，深度和广度有限，但中国作为仅次于美国的第二大互联网产业强国，工业互联网发展前景广阔。
二、中国工业互联网行业应用前景
1、能源互联网市场预测
市场规模巨大，根据现有数据测算，预计2020年输配侧与用户侧两端市场规模可能达到10万亿。
（一）一抓核心技术深耕细作：储能及电动汽车充电桩技术领先企业有望率先实现爆发式增长
从技术角度而言，部分技术如能源路由器虽属于能源互联网之关键，但我国尚处于研发起步阶段，短期内难以实现技术突破。相比于高精尖的能源路由器，储能及新能源汽车充电桩领域则在核心技术上已不存在明显限制，在目前能源互联网发展前景中最有望率先实现突破。
储能核心技术已取得突破，关注具有锂电池核心自主知识产权及钠硫电池研发实力的上市公司。在储能技术中，电化学领域无疑是近几年的增长主体，2000-2014年其复合增长率达到135%。国际上发展迅猛的储能技术主要有钠硫电池、锂电池，排除抽水蓄能、压缩空气储能及储热后，14年累计装机容量之和占到75%，而我国则主要以锂电池为增长主力，14年装机容量占比72%。根据我们的预测，截至2020年，未来储能产业装机容量将有望超10GW，市场份额有望达1.5万亿，储能市场潜能巨大，成长动能十足。
新能源汽车充电桩投资回报位居产业链顶端，在新能源汽车政策产销爆发下，将成为最接地气的能源互联网入口。若问能源互联网入口在哪端，我们认为新能源汽车充电桩无疑最具潜力。首先，能源汽车发展已进入政策蜜月期，产销量呈爆发性增长，14年产量较13年增长了近3.5倍。但充电基础设施建设却滞后于电动汽车的发展，根据中国储能网的数据，目前配比仅为4：1，远低于标配1：1，市场空间巨大，在新能源汽车产业爆发的背景下，充电桩有望随之爆发。除此之外，在投资效益上，相比于分布式新能源电站、能源路由器、特高压等基础设施建设，充电桩投资成本低，盈利能力却遥遥领先，投资回报优越。因此，我们认为深耕新能源汽车充电基础设施建设领域的公司有望成为能源互联网市场第一批赢家之一。
（二）二看转型期战略布局：电力电子零部件制造转型新能源、能源设施建设转型能源服务、细分产业专业化龙头转型产业链跨领域布局
电力电子零部件制造→新能源：能源互联网背景下，可再生能源的大规模并网成为不可逆转的趋势，电气零部件企业可以通过制造发电组件所积累的技术优势，大力推进技术研发，转型布局新能源。
例如保利协鑫能源便由硅片制造商转型布局分布式光伏发电站的建设及运营，自14年11月至15年1月三个月内，协鑫新能源在浙江、山西、江苏、内蒙古、新疆等地共超过10个分布式光伏电站实现并网，目前全球光伏电站装机容量近1GW，15-17年目标新增光伏装机容量2.0GW，2.5GW，2.0GW。
能源设施建设→能源服务：新电改方案公布后，电力交易市场化、需求侧管理均受到进一步的实质化推进，随之孕育而生的能源服务市场将是一块不可小觑的大蛋糕，售电平台建设势成必然，电力服务企业调频、调峰作用将更为突出。由于能源服务市场包含着大量的输配侧及用户侧的能源数据，因此我们认为具有数据采集处理能力的能源企业将会走在电力服务转型梯队的前端。
2、铁路互联网发展空间
铁路正在积极地拥抱“互联网+”时代，努力接受并促进信息技术对传统产业的改造、提升与融合。发展思维和观念的改变，将给铁路带来更广阔的发展空间。
铁路的主业和核心竞争力都是运输，打造中国铁路95306网的主要目标还是通过增加网上交易来扩充运输货源。过去铁路坐等货主上门，货改后铁路营销人员主动上门去找货主。现在铁路既要用人揽货，也要以“网”聚货。在设定好规则的前提下，铁路和快递企业会坚持差异化竞争战略，从而构建一个一个低成本、低排放、高效率的社会物流体系。
以火车货运为例，以前货品具体从哪个车站上货，哪里卸货，采取什么样的包装，都是货主操心的，而随着“互联网+”思维的运用，铁路主动为货主提供的整体解决方案。特别是铁路将借助95306网站这一平台，树立“整合资源、提升效能”的思维方式，彻底改变几十年来铁路货运订车皮的模式，取消货物受理中间环节，再造铁路运输流程，压缩运行时间，为客户提供更便捷的服务。
过去铁路将全部精力投向大宗商品运输，然而近几年，受大宗商品需求持续萎靡的影响，特别是这几年大量特高压输电项目上马，占铁路货运量1/3的煤炭运输受到了很大冲击。与此同时，散货快运业却在电子商务的快速发展中迎来爆发式增长。利用互联网获取新货源，补齐零散货物运输这块短板，可以让铁路货运结构与中国经济结构调整相匹配，铁路可以运用电子商务释放的红利，向高附加值的现代物流升级，从而带动整个物流业的发展。
3、国防互联网应用空间
网络强军既是当前军队发展形势的要求，也是未来军队发展走向的必然，如何统筹全局、突出重点、抓住关节是关键所在。
依托网络强国大局，做好网络强军整体谋划。网络强军必须突破传统的军民分离二元结构，置身于网络强国大战略中同步推进，以便从“互联网＋”行动计划中吸取更多营养。研究制定网络安全和信息化军民融合发展战略，以网络强国为依托，细化军民融合推进军队网络建设的发展目标、建设重点、融合模式和对策举措。加强网络空间和传统作战空间的融合设计，落实细化军用网络的公用和专用、骨干和接入、全域和区域建设计划，用信息网络的渗透延伸特性把战场空间有机统一起来。建立军民网络信息互动协作机制，拓展军民网络共建多赢渠道，依托军地公认的第三方测评机构，加强对军地各方承担的网络安全和信息化重大项目的评测监督，推动军队网络建设科学发展。
抓好信息力量建设，增强网络强军内生活力。网络是基础，信息力量是发掘网络战斗力的主因。在改革发展中重视信息力量，按信息力优先于火力的基本考虑科学设计军队总体力量结构，合理确定网系运用、信息服务和信息安全等不同类型部队的规模。加强信息力量的体系化建设，从做好内部“加减法”切入，采用传统部队转型、专业力量扩建、职能任务调整等方式，尽快形成适应信息化作战需求的信息力量体系。持续关注信息力量能力提升，组织军民信息力量联合运用模拟演练，着重训练军民信息力量的精确动员程序、灵活编组模式和一体攻防方法，在网络空间对抗的环境下摔打锻炼信息力量。
按照联合作战要求，探索网络强军聚能方法。网络强军，重在以网聚能。树立服务化的网络应用理念，摒弃网络建设只负责“管道”的本位主义观念，主动把网络建设与战场建设、武器装备建设和后勤保障建设有机结合起来，把信息即服务、平台即服务和软件即服务的服务体系构建起来，提升军队网络的黏合力。提高综合化的网络应用水平，变单网系运用为多网系组用，把网络运用与信息运用、火力运用、兵力运用等有机结合起来，解决网络运用与战斗力生成“两张皮”问题。挖掘并进式的网络应用效应，以用户能够充分利用和共享信息为目标，变“单一转发的链式”信息流动为“网络并进的联式”信息流动，把信息活动和火力活动放在同一架构内统一组织，用信息的聚合触发战斗力的浪涌。
查看全部
一、中国工业互联网市场规模分析
当前，全球新一轮科技革命和产业变革风起云涌，增材制造、工业互联网、工业大数据、工业4.0等一批新的生产理念不断涌现。以互联网为核心的新一代信息技术融合创新，已经成为驱动信息技术与实体产业融合发展的新引擎。发达国家政府和产业界高度重视这一趋势，通过政企合作模式，建立研发应用和产业化的多方共享协作机制，不断加快新型网络化智能制造方式的发展步伐，旨在寻找新一轮增长的动力，把握未来国际经济科技竞争主动权。在我国，经历多年的探索、实践与培育，互联网与工业融合已具备相当规模的创新主体，新产品新业态新模式不断涌现，孕育新兴市场、带动长尾需求力释放。融合创新赖以实现的技术、网络、平台等基础正加速完善，以“中国互联网与工业融合创新联盟”为代表的行业平台组织相继成立，产业生态初步构筑，已具备持续规模推进的现实基础。
我国一些领先的工业企业、互联网企业和生产性服务企业已成为融合生态体系中各种创新活动的主要载体和践行者，由于各自基础和优势不同，不同类型企业融合创新的模式、路径、方向和重点有所差异。
三胜咨询顾问张祥光认为，一是传统工业企业互联网化转型明显加快。部分工业企业在互联网浪潮中主动把握发展机遇，在战略、组织、业务、管理等方面实施由内而外的全面变革，将客户、供应商、服务商、员工集聚于企业全互联阵营中，推动实现从有界向无界、垂直向扁平、制造向服务的转型，并由此成为融合创新的主力军。二是互联网企业借助新产品新服务融入工业基因。互联网企业依托其固有的通用性、交互性、开放性和共享性等属性，充分发挥其便捷、扁平、聚集等优势，通过与工业各领域各环节不断融合创造出新产品、新业态和新模式实现快速渗透。三是生产服务企业借助互联网拓展服务空间。来自不同领域的生产服务企业积极顺应工业发展需要，通过向平台企业转型，创新服务模式或拓展服务外延等方式加速向工业领域渗透，成为引领融合发展的重要力量。
图表：2013-2020年中国工业互联网行业市场规模分析及预测
数据来源：三胜咨询
中国互联网正从消费型转向企业型。目前中国的工业互联网还处于起步阶段，深度和广度有限，但中国作为仅次于美国的第二大互联网产业强国，工业互联网发展前景广阔。
二、中国工业互联网行业应用前景
1、能源互联网市场预测
市场规模巨大，根据现有数据测算，预计2020年输配侧与用户侧两端市场规模可能达到10万亿。
（一）一抓核心技术深耕细作：储能及电动汽车充电桩技术领先企业有望率先实现爆发式增长
从技术角度而言，部分技术如能源路由器虽属于能源互联网之关键，但我国尚处于研发起步阶段，短期内难以实现技术突破。相比于高精尖的能源路由器，储能及新能源汽车充电桩领域则在核心技术上已不存在明显限制，在目前能源互联网发展前景中最有望率先实现突破。
储能核心技术已取得突破，关注具有锂电池核心自主知识产权及钠硫电池研发实力的上市公司。在储能技术中，电化学领域无疑是近几年的增长主体，2000-2014年其复合增长率达到135%。国际上发展迅猛的储能技术主要有钠硫电池、锂电池，排除抽水蓄能、压缩空气储能及储热后，14年累计装机容量之和占到75%，而我国则主要以锂电池为增长主力，14年装机容量占比72%。根据我们的预测，截至2020年，未来储能产业装机容量将有望超10GW，市场份额有望达1.5万亿，储能市场潜能巨大，成长动能十足。
新能源汽车充电桩投资回报位居产业链顶端，在新能源汽车政策产销爆发下，将成为最接地气的能源互联网入口。若问能源互联网入口在哪端，我们认为新能源汽车充电桩无疑最具潜力。首先，能源汽车发展已进入政策蜜月期，产销量呈爆发性增长，14年产量较13年增长了近3.5倍。但充电基础设施建设却滞后于电动汽车的发展，根据中国储能网的数据，目前配比仅为4：1，远低于标配1：1，市场空间巨大，在新能源汽车产业爆发的背景下，充电桩有望随之爆发。除此之外，在投资效益上，相比于分布式新能源电站、能源路由器、特高压等基础设施建设，充电桩投资成本低，盈利能力却遥遥领先，投资回报优越。因此，我们认为深耕新能源汽车充电基础设施建设领域的公司有望成为能源互联网市场第一批赢家之一。
（二）二看转型期战略布局：电力电子零部件制造转型新能源、能源设施建设转型能源服务、细分产业专业化龙头转型产业链跨领域布局
电力电子零部件制造→新能源：能源互联网背景下，可再生能源的大规模并网成为不可逆转的趋势，电气零部件企业可以通过制造发电组件所积累的技术优势，大力推进技术研发，转型布局新能源。
例如保利协鑫能源便由硅片制造商转型布局分布式光伏发电站的建设及运营，自14年11月至15年1月三个月内，协鑫新能源在浙江、山西、江苏、内蒙古、新疆等地共超过10个分布式光伏电站实现并网，目前全球光伏电站装机容量近1GW，15-17年目标新增光伏装机容量2.0GW，2.5GW，2.0GW。
能源设施建设→能源服务：新电改方案公布后，电力交易市场化、需求侧管理均受到进一步的实质化推进，随之孕育而生的能源服务市场将是一块不可小觑的大蛋糕，售电平台建设势成必然，电力服务企业调频、调峰作用将更为突出。由于能源服务市场包含着大量的输配侧及用户侧的能源数据，因此我们认为具有数据采集处理能力的能源企业将会走在电力服务转型梯队的前端。
2、铁路互联网发展空间
铁路正在积极地拥抱“互联网+”时代，努力接受并促进信息技术对传统产业的改造、提升与融合。发展思维和观念的改变，将给铁路带来更广阔的发展空间。
铁路的主业和核心竞争力都是运输，打造中国铁路95306网的主要目标还是通过增加网上交易来扩充运输货源。过去铁路坐等货主上门，货改后铁路营销人员主动上门去找货主。现在铁路既要用人揽货，也要以“网”聚货。在设定好规则的前提下，铁路和快递企业会坚持差异化竞争战略，从而构建一个一个低成本、低排放、高效率的社会物流体系。
以火车货运为例，以前货品具体从哪个车站上货，哪里卸货，采取什么样的包装，都是货主操心的，而随着“互联网+”思维的运用，铁路主动为货主提供的整体解决方案。特别是铁路将借助95306网站这一平台，树立“整合资源、提升效能”的思维方式，彻底改变几十年来铁路货运订车皮的模式，取消货物受理中间环节，再造铁路运输流程，压缩运行时间，为客户提供更便捷的服务。
过去铁路将全部精力投向大宗商品运输，然而近几年，受大宗商品需求持续萎靡的影响，特别是这几年大量特高压输电项目上马，占铁路货运量1/3的煤炭运输受到了很大冲击。与此同时，散货快运业却在电子商务的快速发展中迎来爆发式增长。利用互联网获取新货源，补齐零散货物运输这块短板，可以让铁路货运结构与中国经济结构调整相匹配，铁路可以运用电子商务释放的红利，向高附加值的现代物流升级，从而带动整个物流业的发展。
3、国防互联网应用空间
网络强军既是当前军队发展形势的要求，也是未来军队发展走向的必然，如何统筹全局、突出重点、抓住关节是关键所在。
依托网络强国大局，做好网络强军整体谋划。网络强军必须突破传统的军民分离二元结构，置身于网络强国大战略中同步推进，以便从“互联网＋”行动计划中吸取更多营养。研究制定网络安全和信息化军民融合发展战略，以网络强国为依托，细化军民融合推进军队网络建设的发展目标、建设重点、融合模式和对策举措。加强网络空间和传统作战空间的融合设计，落实细化军用网络的公用和专用、骨干和接入、全域和区域建设计划，用信息网络的渗透延伸特性把战场空间有机统一起来。建立军民网络信息互动协作机制，拓展军民网络共建多赢渠道，依托军地公认的第三方测评机构，加强对军地各方承担的网络安全和信息化重大项目的评测监督，推动军队网络建设科学发展。
抓好信息力量建设，增强网络强军内生活力。网络是基础，信息力量是发掘网络战斗力的主因。在改革发展中重视信息力量，按信息力优先于火力的基本考虑科学设计军队总体力量结构，合理确定网系运用、信息服务和信息安全等不同类型部队的规模。加强信息力量的体系化建设，从做好内部“加减法”切入，采用传统部队转型、专业力量扩建、职能任务调整等方式，尽快形成适应信息化作战需求的信息力量体系。持续关注信息力量能力提升，组织军民信息力量联合运用模拟演练，着重训练军民信息力量的精确动员程序、灵活编组模式和一体攻防方法，在网络空间对抗的环境下摔打锻炼信息力量。
按照联合作战要求，探索网络强军聚能方法。网络强军，重在以网聚能。树立服务化的网络应用理念，摒弃网络建设只负责“管道”的本位主义观念，主动把网络建设与战场建设、武器装备建设和后勤保障建设有机结合起来，把信息即服务、平台即服务和软件即服务的服务体系构建起来，提升军队网络的黏合力。提高综合化的网络应用水平，变单网系运用为多网系组用，把网络运用与信息运用、火力运用、兵力运用等有机结合起来，解决网络运用与战斗力生成“两张皮”问题。挖掘并进式的网络应用效应，以用户能够充分利用和共享信息为目标，变“单一转发的链式”信息流动为“网络并进的联式”信息流动，把信息活动和火力活动放在同一架构内统一组织，用信息的聚合触发战斗力的浪涌。
查看全部
当前，全球新一轮科技革命和产业变革风起云涌，增材制造、工业互联网、工业大数据、工业4.0等一批新的生产理念不断涌现。以互联网为核心的新一代信息技术融合创新，已经成为驱动信息技术与实体产业融合发展的新引擎。
一、中国工业互联网市场规模分析
当前，全球新一轮科技革命和产业变革风起云涌，增材制造、工业互联网、工业大数据、工业4.0等一批新的生产理念不断涌现。以互联网为核心的新一代信息技术融合创新，已经成为驱动信息技术与实体产业融合发展的新引擎。发达国家政府和产业界高度重视这一趋势，通过政企合作模式，建立研发应用和产业化的多方共享协作机制，不断加快新型网络化智能制造方式的发展步伐，旨在寻找新一轮增长的动力，把握未来国际经济科技竞争主动权。在我国，经历多年的探索、实践与培育，互联网与工业融合已具备相当规模的创新主体，新产品新业态新模式不断涌现，孕育新兴市场、带动长尾需求力释放。融合创新赖以实现的技术、网络、平台等基础正加速完善，以“中国互联网与工业融合创新联盟”为代表的行业平台组织相继成立，产业生态初步构筑，已具备持续规模推进的现实基础。
我国一些领先的工业企业、互联网企业和生产性服务企业已成为融合生态体系中各种创新活动的主要载体和践行者，由于各自基础和优势不同，不同类型企业融合创新的模式、路径、方向和重点有所差异。
三胜咨询顾问张祥光认为，一是传统工业企业互联网化转型明显加快。部分工业企业在互联网浪潮中主动把握发展机遇，在战略、组织、业务、管理等方面实施由内而外的全面变革，将客户、供应商、服务商、员工集聚于企业全互联阵营中，推动实现从有界向无界、垂直向扁平、制造向服务的转型，并由此成为融合创新的主力军。二是互联网企业借助新产品新服务融入工业基因。互联网企业依托其固有的通用性、交互性、开放性和共享性等属性，充分发挥其便捷、扁平、聚集等优势，通过与工业各领域各环节不断融合创造出新产品、新业态和新模式实现快速渗透。三是生产服务企业借助互联网拓展服务空间。来自不同领域的生产服务企业积极顺应工业发展需要，通过向平台企业转型，创新服务模式或拓展服务外延等方式加速向工业领域渗透，成为引领融合发展的重要力量。
图表：2013-2020年中国工业互联网行业市场规模分析及预测
数据来源：三胜咨询
中国互联网正从消费型转向企业型。目前中国的工业互联网还处于起步阶段，深度和广度有限，但中国作为仅次于美国的第二大互联网产业强国，工业互联网发展前景广阔。
二、中国工业互联网行业应用前景
1、能源互联网市场预测
市场规模巨大，根据现有数据测算，预计2020年输配侧与用户侧两端市场规模可能达到10万亿。
（一）一抓核心技术深耕细作：储能及电动汽车充电桩技术领先企业有望率先实现爆发式增长
从技术角度而言，部分技术如能源路由器虽属于能源互联网之关键，但我国尚处于研发起步阶段，短期内难以实现技术突破。相比于高精尖的能源路由器，储能及新能源汽车充电桩领域则在核心技术上已不存在明显限制，在目前能源互联网发展前景中最有望率先实现突破。
储能核心技术已取得突破，关注具有锂电池核心自主知识产权及钠硫电池研发实力的上市公司。在储能技术中，电化学领域无疑是近几年的增长主体，2000-2014年其复合增长率达到135%。国际上发展迅猛的储能技术主要有钠硫电池、锂电池，排除抽水蓄能、压缩空气储能及储热后，14年累计装机容量之和占到75%，而我国则主要以锂电池为增长主力，14年装机容量占比72%。根据我们的预测，截至2020年，未来储能产业装机容量将有望超10GW，市场份额有望达1.5万亿，储能市场潜能巨大，成长动能十足。
新能源汽车充电桩投资回报位居产业链顶端，在新能源汽车政策产销爆发下，将成为最接地气的能源互联网入口。若问能源互联网入口在哪端，我们认为新能源汽车充电桩无疑最具潜力。首先，能源汽车发展已进入政策蜜月期，产销量呈爆发性增长，14年产量较13年增长了近3.5倍。但充电基础设施建设却滞后于电动汽车的发展，根据中国储能网的数据，目前配比仅为4：1，远低于标配1：1，市场空间巨大，在新能源汽车产业爆发的背景下，充电桩有望随之爆发。除此之外，在投资效益上，相比于分布式新能源电站、能源路由器、特高压等基础设施建设，充电桩投资成本低，盈利能力却遥遥领先，投资回报优越。因此，我们认为深耕新能源汽车充电基础设施建设领域的公司有望成为能源互联网市场第一批赢家之一。
（二）二看转型期战略布局：电力电子零部件制造转型新能源、能源设施建设转型能源服务、细分产业专业化龙头转型产业链跨领域布局
电力电子零部件制造→新能源：能源互联网背景下，可再生能源的大规模并网成为不可逆转的趋势，电气零部件企业可以通过制造发电组件所积累的技术优势，大力推进技术研发，转型布局新能源。
例如保利协鑫能源便由硅片制造商转型布局分布式光伏发电站的建设及运营，自14年11月至15年1月三个月内，协鑫新能源在浙江、山西、江苏、内蒙古、新疆等地共超过10个分布式光伏电站实现并网，目前全球光伏电站装机容量近1GW，15-17年目标新增光伏装机容量2.0GW，2.5GW，2.0GW。
能源设施建设→能源服务：新电改方案公布后，电力交易市场化、需求侧管理均受到进一步的实质化推进，随之孕育而生的能源服务市场将是一块不可小觑的大蛋糕，售电平台建设势成必然，电力服务企业调频、调峰作用将更为突出。由于能源服务市场包含着大量的输配侧及用户侧的能源数据，因此我们认为具有数据采集处理能力的能源企业将会走在电力服务转型梯队的前端。
2、铁路互联网发展空间
铁路正在积极地拥抱“互联网+”时代，努力接受并促进信息技术对传统产业的改造、提升与融合。发展思维和观念的改变，将给铁路带来更广阔的发展空间。
铁路的主业和核心竞争力都是运输，打造中国铁路95306网的主要目标还是通过增加网上交易来扩充运输货源。过去铁路坐等货主上门，货改后铁路营销人员主动上门去找货主。现在铁路既要用人揽货，也要以“网”聚货。在设定好规则的前提下，铁路和快递企业会坚持差异化竞争战略，从而构建一个一个低成本、低排放、高效率的社会物流体系。
以火车货运为例，以前货品具体从哪个车站上货，哪里卸货，采取什么样的包装，都是货主操心的，而随着“互联网+”思维的运用，铁路主动为货主提供的整体解决方案。特别是铁路将借助95306网站这一平台，树立“整合资源、提升效能”的思维方式，彻底改变几十年来铁路货运订车皮的模式，取消货物受理中间环节，再造铁路运输流程，压缩运行时间，为客户提供更便捷的服务。
过去铁路将全部精力投向大宗商品运输，然而近几年，受大宗商品需求持续萎靡的影响，特别是这几年大量特高压输电项目上马，占铁路货运量1/3的煤炭运输受到了很大冲击。与此同时，散货快运业却在电子商务的快速发展中迎来爆发式增长。利用互联网获取新货源，补齐零散货物运输这块短板，可以让铁路货运结构与中国经济结构调整相匹配，铁路可以运用电子商务释放的红利，向高附加值的现代物流升级，从而带动整个物流业的发展。
3、国防互联网应用空间
网络强军既是当前军队发展形势的要求，也是未来军队发展走向的必然，如何统筹全局、突出重点、抓住关节是关键所在。
依托网络强国大局，做好网络强军整体谋划。网络强军必须突破传统的军民分离二元结构，置身于网络强国大战略中同步推进，以便从“互联网＋”行动计划中吸取更多营养。研究制定网络安全和信息化军民融合发展战略，以网络强国为依托，细化军民融合推进军队网络建设的发展目标、建设重点、融合模式和对策举措。加强网络空间和传统作战空间的融合设计，落实细化军用网络的公用和专用、骨干和接入、全域和区域建设计划，用信息网络的渗透延伸特性把战场空间有机统一起来。建立军民网络信息互动协作机制，拓展军民网络共建多赢渠道，依托军地公认的第三方测评机构，加强对军地各方承担的网络安全和信息化重大项目的评测监督，推动军队网络建设科学发展。
抓好信息力量建设，增强网络强军内生活力。网络是基础，信息力量是发掘网络战斗力的主因。在改革发展中重视信息力量，按信息力优先于火力的基本考虑科学设计军队总体力量结构，合理确定网系运用、信息服务和信息安全等不同类型部队的规模。加强信息力量的体系化建设，从做好内部“加减法”切入，采用传统部队转型、专业力量扩建、职能任务调整等方式，尽快形成适应信息化作战需求的信息力量体系。持续关注信息力量能力提升，组织军民信息力量联合运用模拟演练，着重训练军民信息力量的精确动员程序、灵活编组模式和一体攻防方法，在网络空间对抗的环境下摔打锻炼信息力量。
按照联合作战要求，探索网络强军聚能方法。网络强军，重在以网聚能。树立服务化的网络应用理念，摒弃网络建设只负责“管道”的本位主义观念，主动把网络建设与战场建设、武器装备建设和后勤保障建设有机结合起来，把信息即服务、平台即服务和软件即服务的服务体系构建起来，提升军队网络的黏合力。提高综合化的网络应用水平，变单网系运用为多网系组用，把网络运用与信息运用、火力运用、兵力运用等有机结合起来，解决网络运用与战斗力生成“两张皮”问题。挖掘并进式的网络应用效应，以用户能够充分利用和共享信息为目标，变“单一转发的链式”信息流动为“网络并进的联式”信息流动，把信息活动和火力活动放在同一架构内统一组织，用信息的聚合触发战斗力的浪涌。
467 浏览
范必：当前能源互联网没有得到充分发展
电气控制类 上海明日之星科技有限公司 2016-12-07 17:38 发表了文章
中国国际经济交流中心特邀研究员范必在2016首届中国能源互联网峰会上作了主旨演讲，他从互联网发展特征出发，指出我国能源与互联网时代尚有很大差距。围绕进一步发挥能源互联网的作用，深化能源体制改革等问题，记者对他进行了专访。
问题：互联网并未改变中国能源
中国能源报：互联网技术正在迸发新一轮的活力，您认为互联网并未改变中国的能源，主要基于哪些方面而言?
范必：互联网是典型的通用目的技术，具有创新速度快、通用性广、渗透性强的特点。互联网与任何一个产业结合，都可以创造出前所未有的生产力。虽然互联网改变了世界，但还没有改变中国能源。
从以下六个方面来看：
一是生产方式。传统工业生产方式的特点是大规模、集中式，标准化生产，工厂化制造，远距离输送。第四次工业革命以来，在互联网带动下，先进制造业发展趋势是小规模、分布式、柔性化生产，出现了智能制造、虚拟制造。技术创新周期变短，颠覆性创新增多，传播速度加快。但是能源领域如电力、油气等，仍然是以传统工业生产方式为主。由于能源装备一次性投入大、沉没成本高，以往能源技术更新往往需要几十年，实现代际更替甚至要上百年。尽管进入了互联网时代，能源领域这种长周期调整的局面尚未改观。
二是分配方式。传统分配方式一般分为初次分配和再分配，初次分配注重效率，再分配注重公平。互联网的出现使初次分配和再分配的界限变得模糊。传统分配方式的分配内容主要是货币和福利，而互联网参与下的分配，还包括服务、实物和各种虚拟回报，如积分、返点、某种权利，其价值可以与货币等同。能源领域尚未脱离初次分配和再分配的框架。在电力、油气领域的初次分配中，由于由行政部门规定价格和产量，企业收益往往难以反映效率。在再分配中，能源国企上缴的国有资本预算差强人意，这些预算又大多用于国有企业，有的能源国企还接受财政补贴。即便从传统分配角度来看，能源领域也没有完全做到效率和公平，更不要说接受互联网时代各种新的分配方式。
三是交易方式。移动互联带来了支付革命，极大地降低了交易成本，提高了资源配置效率。过去我们买东西货比三家，有了互联网可以货比无数家，使以往交易中普遍存在的信息不对称变成接近于信息对称，消费者可以买到质量、价格最优的商品。互联网上进行的交易基本都可以溯源，这又增大了失信风险，提高了信用水平。在低成本、高效率、低价格、高信用的优势作用下，互联网交易的规模急剧膨胀。但在能源领域，少数企业独买独卖，有关部门决定价格、分配产量。即便在传统交易方式中，这也是市场化程度较低、比较僵化的模式。当然，我们也可以在网上买电，但价格是定死的，消费者不会因为时间不同、消费量不同、电源点不同买到不同价格的电，交易规模也没有出现像互联网金融和电商那种井喷式的发展。
四是消费方式。互联网消费方式表现为个性化、私人订制，消费者购买的范围打破了空间限制。但对能源消费者而言，能源供给仅限于少数电网企业、油气企业，消费者没有太多的选择权。
五是经济体制。互联网世界的特点是充分竞争、非公经济为主、市场主体分散。能源领域的特点是供给侧产业集中度高、单边购买、特许经营，经营者以国有企业为主。
六是组织形态。互联网世界是扁平结构和水平网络模式。能源领域总体还是层级结构，纵向链条模式。
根源：制度安排还不具备条件
中国能源报：为什么当前能源互联网没有得到充分发展，根源在哪?
范必：当前能源互联网没有得到充分发展，主要是制度安排上还不具备条件。
首先，能源行业产业集中度过高，抑制了竞争，造成价格机制失灵和供求失衡。
其次，能源行业所有制结构单一，主要是以国有经济为主。传统国有企业的弊端，如大而全、小而全、“吃大锅饭”、效率不高、缺少自我约束机制等问题尚未解决。能源流通主要靠国营贸易，需要特许经营。
第三，行政干预较多。有关部门对能源企业的管理仍是以指标控制、行政审批为主，而恰恰需要监管的网络型垄断行业监管缺位。这些问题的存在，使能源在国民经济中仍然是一种特殊商品，而不是一般商品，很难像其它一般消费品那样在互联网上进行自由交易。
突围：让能源回归一般商品属性
中国能源报：那么能源互联网将如何突围，取得成功呢?
范必：让能源互联网找到一条突围之路，实现能源人对能源互联网的愿景，关键是让能源回归一般商品属性。
具体来说，就是要降低准入门槛，允许各种所有制的市场主体从事能源供给、流通业务。彻底打破对能源交易流通的行政垄断和行业垄断，放开能源供销价格，取消对能源价格、产量的计划管理。对能源领域中的网络型垄断行业，“实行网运分开，放开竞争性业务”的改革，形成能源供给和能源消费之间多买多卖的市场格局。这是电力体制改革和油气体制改革应当重点考虑的问题。
中国能源报：能源与互联网，怎样才是真正的结合?
范必：能源与互联网的结合，不是给每一个发电机、每一个用电户安一个IP地址就叫能源互联网;也不是利用互联网进行电力调度就叫能源互联网;而是能源利用无所不在的互联网，像其它一般消费品那样进行自由交易，这才叫能源互联网。
建立名副其实的能源互联网，前提是能源市场的充分发育。只有市场化改革到位，能源才有条件像其它消费品一样，利用价格机制灵活调节供给和需求;降低用能成本，尤其是用电、用油、用气成本;减少能源粗放利用;从根本上解决弃风弃光弃水问题;提高消费者选择权，满足多样化的能源需求。 查看全部
问题：互联网并未改变中国能源
中国能源报：互联网技术正在迸发新一轮的活力，您认为互联网并未改变中国的能源，主要基于哪些方面而言?
范必：互联网是典型的通用目的技术，具有创新速度快、通用性广、渗透性强的特点。互联网与任何一个产业结合，都可以创造出前所未有的生产力。虽然互联网改变了世界，但还没有改变中国能源。
从以下六个方面来看：
一是生产方式。传统工业生产方式的特点是大规模、集中式，标准化生产，工厂化制造，远距离输送。第四次工业革命以来，在互联网带动下，先进制造业发展趋势是小规模、分布式、柔性化生产，出现了智能制造、虚拟制造。技术创新周期变短，颠覆性创新增多，传播速度加快。但是能源领域如电力、油气等，仍然是以传统工业生产方式为主。由于能源装备一次性投入大、沉没成本高，以往能源技术更新往往需要几十年，实现代际更替甚至要上百年。尽管进入了互联网时代，能源领域这种长周期调整的局面尚未改观。
二是分配方式。传统分配方式一般分为初次分配和再分配，初次分配注重效率，再分配注重公平。互联网的出现使初次分配和再分配的界限变得模糊。传统分配方式的分配内容主要是货币和福利，而互联网参与下的分配，还包括服务、实物和各种虚拟回报，如积分、返点、某种权利，其价值可以与货币等同。能源领域尚未脱离初次分配和再分配的框架。在电力、油气领域的初次分配中，由于由行政部门规定价格和产量，企业收益往往难以反映效率。在再分配中，能源国企上缴的国有资本预算差强人意，这些预算又大多用于国有企业，有的能源国企还接受财政补贴。即便从传统分配角度来看，能源领域也没有完全做到效率和公平，更不要说接受互联网时代各种新的分配方式。
三是交易方式。移动互联带来了支付革命，极大地降低了交易成本，提高了资源配置效率。过去我们买东西货比三家，有了互联网可以货比无数家，使以往交易中普遍存在的信息不对称变成接近于信息对称，消费者可以买到质量、价格最优的商品。互联网上进行的交易基本都可以溯源，这又增大了失信风险，提高了信用水平。在低成本、高效率、低价格、高信用的优势作用下，互联网交易的规模急剧膨胀。但在能源领域，少数企业独买独卖，有关部门决定价格、分配产量。即便在传统交易方式中，这也是市场化程度较低、比较僵化的模式。当然，我们也可以在网上买电，但价格是定死的，消费者不会因为时间不同、消费量不同、电源点不同买到不同价格的电，交易规模也没有出现像互联网金融和电商那种井喷式的发展。
四是消费方式。互联网消费方式表现为个性化、私人订制，消费者购买的范围打破了空间限制。但对能源消费者而言，能源供给仅限于少数电网企业、油气企业，消费者没有太多的选择权。
五是经济体制。互联网世界的特点是充分竞争、非公经济为主、市场主体分散。能源领域的特点是供给侧产业集中度高、单边购买、特许经营，经营者以国有企业为主。
六是组织形态。互联网世界是扁平结构和水平网络模式。能源领域总体还是层级结构，纵向链条模式。
根源：制度安排还不具备条件
中国能源报：为什么当前能源互联网没有得到充分发展，根源在哪?
范必：当前能源互联网没有得到充分发展，主要是制度安排上还不具备条件。
首先，能源行业产业集中度过高，抑制了竞争，造成价格机制失灵和供求失衡。
其次，能源行业所有制结构单一，主要是以国有经济为主。传统国有企业的弊端，如大而全、小而全、“吃大锅饭”、效率不高、缺少自我约束机制等问题尚未解决。能源流通主要靠国营贸易，需要特许经营。
第三，行政干预较多。有关部门对能源企业的管理仍是以指标控制、行政审批为主，而恰恰需要监管的网络型垄断行业监管缺位。这些问题的存在，使能源在国民经济中仍然是一种特殊商品，而不是一般商品，很难像其它一般消费品那样在互联网上进行自由交易。
突围：让能源回归一般商品属性
中国能源报：那么能源互联网将如何突围，取得成功呢?
范必：让能源互联网找到一条突围之路，实现能源人对能源互联网的愿景，关键是让能源回归一般商品属性。
具体来说，就是要降低准入门槛，允许各种所有制的市场主体从事能源供给、流通业务。彻底打破对能源交易流通的行政垄断和行业垄断，放开能源供销价格，取消对能源价格、产量的计划管理。对能源领域中的网络型垄断行业，“实行网运分开，放开竞争性业务”的改革，形成能源供给和能源消费之间多买多卖的市场格局。这是电力体制改革和油气体制改革应当重点考虑的问题。
中国能源报：能源与互联网，怎样才是真正的结合?
范必：能源与互联网的结合，不是给每一个发电机、每一个用电户安一个IP地址就叫能源互联网;也不是利用互联网进行电力调度就叫能源互联网;而是能源利用无所不在的互联网，像其它一般消费品那样进行自由交易，这才叫能源互联网。
建立名副其实的能源互联网，前提是能源市场的充分发育。只有市场化改革到位，能源才有条件像其它消费品一样，利用价格机制灵活调节供给和需求;降低用能成本，尤其是用电、用油、用气成本;减少能源粗放利用;从根本上解决弃风弃光弃水问题;提高消费者选择权，满足多样化的能源需求。 查看全部
中国国际经济交流中心特邀研究员范必在2016首届中国能源互联网峰会上作了主旨演讲，他从互联网发展特征出发，指出我国能源与互联网时代尚有很大差距。围绕进一步发挥能源互联网的作用，深化能源体制改革等问题，记者对他进行了专访。
问题：互联网并未改变中国能源
中国能源报：互联网技术正在迸发新一轮的活力，您认为互联网并未改变中国的能源，主要基于哪些方面而言?
范必：互联网是典型的通用目的技术，具有创新速度快、通用性广、渗透性强的特点。互联网与任何一个产业结合，都可以创造出前所未有的生产力。虽然互联网改变了世界，但还没有改变中国能源。
从以下六个方面来看：
一是生产方式。传统工业生产方式的特点是大规模、集中式，标准化生产，工厂化制造，远距离输送。第四次工业革命以来，在互联网带动下，先进制造业发展趋势是小规模、分布式、柔性化生产，出现了智能制造、虚拟制造。技术创新周期变短，颠覆性创新增多，传播速度加快。但是能源领域如电力、油气等，仍然是以传统工业生产方式为主。由于能源装备一次性投入大、沉没成本高，以往能源技术更新往往需要几十年，实现代际更替甚至要上百年。尽管进入了互联网时代，能源领域这种长周期调整的局面尚未改观。
二是分配方式。传统分配方式一般分为初次分配和再分配，初次分配注重效率，再分配注重公平。互联网的出现使初次分配和再分配的界限变得模糊。传统分配方式的分配内容主要是货币和福利，而互联网参与下的分配，还包括服务、实物和各种虚拟回报，如积分、返点、某种权利，其价值可以与货币等同。能源领域尚未脱离初次分配和再分配的框架。在电力、油气领域的初次分配中，由于由行政部门规定价格和产量，企业收益往往难以反映效率。在再分配中，能源国企上缴的国有资本预算差强人意，这些预算又大多用于国有企业，有的能源国企还接受财政补贴。即便从传统分配角度来看，能源领域也没有完全做到效率和公平，更不要说接受互联网时代各种新的分配方式。
三是交易方式。移动互联带来了支付革命，极大地降低了交易成本，提高了资源配置效率。过去我们买东西货比三家，有了互联网可以货比无数家，使以往交易中普遍存在的信息不对称变成接近于信息对称，消费者可以买到质量、价格最优的商品。互联网上进行的交易基本都可以溯源，这又增大了失信风险，提高了信用水平。在低成本、高效率、低价格、高信用的优势作用下，互联网交易的规模急剧膨胀。但在能源领域，少数企业独买独卖，有关部门决定价格、分配产量。即便在传统交易方式中，这也是市场化程度较低、比较僵化的模式。当然，我们也可以在网上买电，但价格是定死的，消费者不会因为时间不同、消费量不同、电源点不同买到不同价格的电，交易规模也没有出现像互联网金融和电商那种井喷式的发展。
四是消费方式。互联网消费方式表现为个性化、私人订制，消费者购买的范围打破了空间限制。但对能源消费者而言，能源供给仅限于少数电网企业、油气企业，消费者没有太多的选择权。
五是经济体制。互联网世界的特点是充分竞争、非公经济为主、市场主体分散。能源领域的特点是供给侧产业集中度高、单边购买、特许经营，经营者以国有企业为主。
六是组织形态。互联网世界是扁平结构和水平网络模式。能源领域总体还是层级结构，纵向链条模式。
根源：制度安排还不具备条件
中国能源报：为什么当前能源互联网没有得到充分发展，根源在哪?
范必：当前能源互联网没有得到充分发展，主要是制度安排上还不具备条件。
首先，能源行业产业集中度过高，抑制了竞争，造成价格机制失灵和供求失衡。
其次，能源行业所有制结构单一，主要是以国有经济为主。传统国有企业的弊端，如大而全、小而全、“吃大锅饭”、效率不高、缺少自我约束机制等问题尚未解决。能源流通主要靠国营贸易，需要特许经营。
第三，行政干预较多。有关部门对能源企业的管理仍是以指标控制、行政审批为主，而恰恰需要监管的网络型垄断行业监管缺位。这些问题的存在，使能源在国民经济中仍然是一种特殊商品，而不是一般商品，很难像其它一般消费品那样在互联网上进行自由交易。
突围：让能源回归一般商品属性
中国能源报：那么能源互联网将如何突围，取得成功呢?
范必：让能源互联网找到一条突围之路，实现能源人对能源互联网的愿景，关键是让能源回归一般商品属性。
具体来说，就是要降低准入门槛，允许各种所有制的市场主体从事能源供给、流通业务。彻底打破对能源交易流通的行政垄断和行业垄断，放开能源供销价格，取消对能源价格、产量的计划管理。对能源领域中的网络型垄断行业，“实行网运分开，放开竞争性业务”的改革，形成能源供给和能源消费之间多买多卖的市场格局。这是电力体制改革和油气体制改革应当重点考虑的问题。
中国能源报：能源与互联网，怎样才是真正的结合?
范必：能源与互联网的结合，不是给每一个发电机、每一个用电户安一个IP地址就叫能源互联网;也不是利用互联网进行电力调度就叫能源互联网;而是能源利用无所不在的互联网，像其它一般消费品那样进行自由交易，这才叫能源互联网。
建立名副其实的能源互联网，前提是能源市场的充分发育。只有市场化改革到位，能源才有条件像其它消费品一样，利用价格机制灵活调节供给和需求;降低用能成本，尤其是用电、用油、用气成本;减少能源粗放利用;从根本上解决弃风弃光弃水问题;提高消费者选择权，满足多样化的能源需求。
501 浏览
蔡文胜：我在中国互联网行业这16年
智能科技类 料盘挡板 2016-11-14 14:48 发表了文章
在中国“高大上”的互联网领域，蔡文胜先生是个传奇。自2000年进入互联网领域从事域名投资，到2005到2007年连续举办了三届中国互联网站长大会，被广大站长尊称为个人网站教父，再到2008年进入天使投资领域，先后投资4399游戏、美图秀秀、暴风影音以及58同城等数十个互联网项目，成为中国著名的天使投资人，他见证并记录了整个中国互联网的起起伏伏。美图秀秀董事长、隆领投资创始人蔡文胜毫无保留地全面分享了自己在中国互联网行业16年的闯荡与感受，猛料多多，干货多多，堪称饕餮大餐，编录于此，共飨格隆汇诸君。
以下为蔡文胜先生演讲实录：
大家早上好，各位格隆汇的朋友好，很荣幸今天来这里跟大家分享。
最近，因为美图上市的原因，所以很少出来一些公共场合。
我之前讲的都是跟互联网相关的，今天格隆汇邀请我来，一开始想应该讲什么，因为我们今天的主题应该是旨在港股，是跟投资有关的。我想，其实世界上大部分的事情都是相关的，包括我自己在互联网十几年，其实干的事情，不管是自己创业也好，或者做一些投资也好，其实都是相关的。
主持人刚才在介绍我，说我一开始就成为了互联网的主流，这句话是不对的。如果一开始一个人成为主流的话，他其实不可能在这个领域连续活16年。人一开始一定要有一个默默的时间，这样才能积累一定的力量。我就从这里讲起。
我大概是2000年进入互联网行业，一开始其实跟股票有关，而且跟港股也有关。
1999年以前，其实我都是做传统的生意，1999年9月份，如果我没有记错，应该是9月26号，我买了我人生的第一支股票，是在香港，盈科数码，当时代码是1186，也就是李嘉诚的儿子李泽楷做的。当时1999年9月份我买的时候是5.8港币，后来我是在2000年1月份卖掉，20块钱卖掉。非常幸运，因为刚好99年、2000年是互联网的一个大泡沫。它最高的时候是在2000年3月份，涨到28块，后来我们知道，就跌到几毛钱，后来把5股拼成一股，才有今天的几块钱。
这个股票从1999年开始启动的时候只有一毛钱。当时它创造了香港的很多记录，盈科数码曾经收购0008号香港电讯，市值曾经达到2000亿港币。当然这个股票也是香港人最心痛的股票，因为让香港人几乎都亏了钱，这个股票是非常有意思的。这也是香港人后来不愿意听互联网的故事，香港人不再信互联网的创业，应该就是从这个股票受伤开始的。
我就是因为当时买了这个股票，为了看这个股票的信息，我才开始学上网的。当时香港的报价，这个信息都非常慢，所以在这个过程里面让我开始对互联网非常感兴趣。因为我发现我从股票能赚到钱，因为我觉得互联网太神奇了，我竟然不用去港交所，不用去证券公司，我就能在网上可以下单，赚钱。当时下单比较难，只是在网上看信息然后用电话去下单，所以我就回到大陆，在厦门开始互联网的创业。
一开始我瞄准了一个方向，是域名投资，因为当时看了两个新闻对我触动很大。一个是当时李泽楷成功以后，李嘉诚同样也发展互联网，就买了个域名叫tom.com。当时这个域名花了300万港币再加3%的期权，然后把这个买下来并包装上市，当时创造了香港的新股认购记录，这是第一个新闻。
第二个新闻就是当时有一个域名叫Business，中文意思就是商务的意思，这个域名当时卖出了750万美金，我就觉得这太神奇了，因为当时注册一个域名只是220块人民币，我就觉得220块就能赚到几十万、几百万、几千万，这太符合我的胃口了，因为我就喜欢干那种一块钱赚一百块的事，一块钱赚五块的事实在太慢了。
所以2000年我就专注做这一方面，但那一年我是失败的，从两个方面来说都失败。
第一，因为赚到盈科的钱，让我觉得做股票实在是太爽了，不用天天跟人家打交道，就看着电脑研究各种资料就能发财。但后来2000年我几乎把赚的钱全部吐回去了，因为互联网泡沫破灭所有人都亏了。
第二，我当时就狂注册了一千多个域名，想着注册完，就等着发财了！因为当时人家卖几百万、几千万，我想我一个卖50万就可以了，结果一千多个，基本没有人来问价，偶尔有一两个来问价，我都开50万，然后就没有消息了。那时候，谁都想通过股票、域名这么简单的方式来赚钱，我相信这是很多人的梦想。
所以2000年我又陷入到了一个非常大的低潮。
我在反省，发现注册的一千多个域名都是垃圾。为什么呢？因为域名的出现是在上世纪八十年代开始的，当时还是免费的，后来真正商业化的开展是在1991年到1992年，那时候就开始了第一批的抢注热潮，但是那时候大部分好的域名基本都被抢完了。到了第二批也就是1998、1999年，因为互联网又带动了第二批热潮，把能注册的域名基本上也都注册完了。等2000年我进入的时候，我能想到的域名一定都是人家不要的，那能有什么好域名？基本是没有什么价值的域名。
但这事最后其实还是成就了我，后来我发现好域名虽然都被人家注册完了，但是有的人可能就忘记交钱了，就会掉下来，后来我才理解到，是因为互联网泡沫破灭，很多人也不交钱了。
所以2001年后我反而开始注册到好域名了，那时候我重新疏理了一下，以前我注册域名是买了一个英文字典，把每一个英文单词都往下输，我也把中国的商标库给导下来，每个商标都去看，后来当然全部没了。后来我就自己建立了一个库，盯着这些域名，发现他们什么时候会掉下来，然后是不是可以重新注册到，因为这已经是别人认同的，别人已经有价值的，我们可以重新拿到，有些刚好域名的价格也下降了，从220下降到110，下降到80块，后来我们批量的注册以后就60块钱。
所以从2001年到2003年，这个时候，我注册到了很多好的域名。当然这里面也有无数多的技巧，我在这里也给大家分享下。
当时很多人关注域名，全世界关注域名的应该有几十万人，在中国我估计大概有十万，跟我一样怀揣着梦想，希望天上能掉馅饼、能够发财的最少有十万人。那十万人里面你怎么胜出呢？
举个例子，比如我当时注册到FM365，这个域名是联想推出来的一个门户，当时他和这个美国的AOL在最高峰的时候一年拿了一亿美金出来发展这个FM365网站，当时的广告雇的还是谢霆锋。这个域名在1999年10月21号注册，到了2003年到期了，联想也不做这个门户了，他们其实是提前倒在了黎明前。
中国互联网的复苏是在2004年以后，联想在2003年就决定把这个门户放弃了，也不交钱了。当时关注这个域名想要掉出来，最少应该有10万多人都在关注，大家都认为他会在2003年10月21号过期，都要抢，但事实上前期就有一百多个注册商，不同的注册商域名掉出来的时间是不一样的，有的当天到期就会掉出来，有的一个月后才会删除，有的两个月，有的甚至最长一年都不掉出来，所以10万个人里面90%人就等着2003年10月21号这一天要抢注，但是他们做不到，这个域名的规则差不多要70天才掉，所以应该是在12月1号才掉出来，那这样就可能淘汰了90%的竞争对手。
只有一万个人知道是在12月1号掉，一万个人知道，我也只有万分之一的机会，怎么办？
正常的流程是你查到可以注册，然后写下你的名字，你的地址，你的邮箱，这个流程最快的时间要花10秒钟左右。我们有经验的就把这个资料提前都填写了，然后提交，这样你可能一秒钟就能提交一次，这肯定比慢慢的填写的更快。
然后这样又可以淘汰90%，一千个人也是这样干的，你还不能保证你是最好的。后来我就在想，当时是在厦门，那么这个注册总部是在美国，我从厦门到福州，福州再到上海，上海再通过太平洋电缆再到美国总部，这个一定很慢，所以我就在上海租了一台服务器。
我从上海发出这个指令，这样我又淘汰了90%的人，只剩下100个人跟我这样干，这一百个人你还不能说你是最好的，那么这里面其实还是可以提高的，怎么提高？后来我发现几个小细节，我发现填写的这些资料大概要花50个字节，后来我发现这个信息事后其实是可修改的，所以我想我名字干嘛写蔡文胜，所以我名字就填写一个1，我的地址也是1，我的邮箱是1@COM，这样我的信息可能才5个字节，那我这样一定比人家更快，我就这样干了。第二，有一天我在提交的时候，我提交的时候反馈一个信息给我，他说你的注册不成功，因为DNS不对，就每个域名注册都要配一个DNS服务器，相信所有的人下一个动作就是填上正确的DNS再提交，当时我就琢磨，我想既然要验证DNS，证明他要有这样一个环节，那我是不是能够不填DNS，他就少掉一个验证的环节，所以我就把DNS删除提交，竟然成功了。
这里面的小细节至少不下于十个或几十个，其实是有这样一个关注细节的过程才会让你在竞争中脱颖而出的，我可以骄傲的讲，在当时只要任何域名掉下来，我肯定是前三名能拿到的。今天好域名还是财富，徐俊的game.com刚作价一亿入股“游戏矩阵”徐乐的公司，而uber.com也是换了2%的股份的，所以域名抢注现在还在做，现在的服务器都是放在中科院抢注的，因为中国.cn的域名总部是在中科院。
第二点，2000年到2004年我一直就留在厦门做这样的事情，身边只有几个员工，我刚进入互联网的时候我连打字都不会。2000年当时就在网上招了第一个员工，是武汉人，是个程序高手。在网上我跟他交流，就把他忽悠到厦门，他当时一个月只有2000块工资，我说你到厦门跟我，我保证你赚5倍，所以他成了我的技术人员。
其实我也挺怀念那个日子，因为那个日子比较轻松，但那时候让我对中国互联网有一个深入的了解，因为我通过一个域名就开始把中国排名前一万名的网站都了解透了，了解搜狐是怎么回事，新浪是怎么回事，他们为什么做的好，这个时候其实奠定了我一个很好的基础，包括很多人都不知道新浪是怎么创建的，他之前的域名叫richwin四通立方，可能全中国不到10个人会知道其实他更早的域名是srsnet.com，因为那个域名掉了，所以后来才改成sina.com。
还有无数的故事。
那我要说的就是前面这四年其实是我卧薪尝胆的时期。有一个法则叫一万小时法则，我觉得这是非常对的，一个人要做成一件事，必须要有一万个小时的锻炼，这个其实也会决定你未来会成为什么样的人。
我们再举例，比如巴菲特，很多人都想学巴菲特，为什么先不从他的学习能力学起？巴菲特在1955年回到老家奥马哈那个小镇的时候。当时美国大概也只有三千多个股票，但是巴菲特把三千多个股票所有的财报全部都了解的一清二楚，只要谁问他，他都能给你说出这个财报的亮点和不足等等各个方面，这也奠定了他能够快速的找到真正有价值的东西。
后来2004年我去了北京，我就创建了265.com，2008年我把它卖给了谷歌，2004年到北京非常幸运，得到了IDG和谷歌的投资，2008年卖掉是两千万美金，当时觉得已经非常好了，现在回头看真的是太便宜了。后来，我有个朋友在我卖掉以后也创建了一个叫2345.com的导航网站，后来这个网站卖给了A股公司，现在这个公司的市值是几百亿人民币。
我不后悔便宜卖掉，我知道人生必须要有不同阶段的成功。
因为卖掉了265，我又回到厦门，当时已经在北京开始有点小名气，2007年以前实话讲，我是没什么名气的，2008年有点小名气，找我的人越来越多，后来我又选择回到了厦门，这也才能创造出4399游戏跟美图秀秀。
在2004-2008年这个阶段我还开始做了一些投资的项目，天使投资，包括58，2005年的时候我投了50万人民币，这个回报现在应该是几亿美金。暴风影音也是2005年投的，当时投资是180万人民币，现在回报也是几亿人民币。
上面这两个故事给我的启发是，投资是需要时间的。
很多人现在已经看到，比如我觉得暴风跟58是很成功的，但两个都是2005年投的到现在，整整十年的时间，这也是为什么大部分的基金不管是IDG、红杉他们都不会赚到很多钱的原因，他们熬不住。全中国所有的VC加起来赚到的钱都不如一家公司赚的多，就是南非一个叫MIH的公司。
当时南非公司MIH是2200万美金从IDG跟盈科数码手里接走腾讯45%的股份。IDG当时为什么卖，我曾经问了IDG的周全，他说，小蔡，我们是从1996年成立IDG基金，到2001年手里一百多个项目，我要给LP一个交代，已经有六年了，当时能够回报最好的就是腾讯，所以只好卖掉腾讯。
就像你买了很多股票，你需要钱的时候往往把最赚钱的卖掉，把那些暂时亏的反而留着，这是人性。
所以IDG，包括李泽楷就把腾讯给卖掉了，我们知道MIH现在还有多少，2000年开始投资，他现在还持有34%腾讯的股份，据说上市到现在一股没卖，按照腾讯今天两万亿的市值他应该是差不多七千亿港币。
全中国所有VC包括后面新创的所有加起来，他们有赚到7千亿吗？我估计是没有的。
所以这里也是给我很大启发，一样的，2005年、2006、2007年，我其实投了差不多有七八十个项目，后来也在反省，真正能让你赚钱的就是两三个公司，两三个股票。同样我自己也犯了错，一般都是把赚钱的先卖掉，所以投资有时候一定是要反人性的。
当然这也说明一点，如果用投资基金的方式去做投资，一般不会好，同样你去买基金产品也不会让你赚大钱。很简单，因为基金经理更多想的是管理费，他只要管理费就可以了，巴菲特曾经说过一句话，你自己是一个百万富翁，你去听那些坐公交车上班的股评家分析，你会发财吗？
那同样你的钱你交给基金经理，他就是为了赚管理费，你能够赚到很多钱吗？挺难的。同样我自己有一个原则，如果一开始有很多出名的天使投资人投的项目，我都不会参与，我觉得一定不会成功。
比如我跟李开复、徐小平我们曾经有一个天使会，我们成立了一个基金，里面投的项目没有一个成功的。
为什么？很简单的道理，第一，我们都觉得大家都投了，大家都会去帮忙，我就不帮忙了，那些拿着我们这些大佬的钱，他们总是以为我们会帮很多忙，其实谁也没办法帮很多忙。
第二，一个东西能成功，就像今天你去看，很多人都说没有买腾讯，那些基金都说没有投资腾讯和百度，错过了!实话讲，当时你们要是投了，他们也不会成为今天，因为最终赚钱的一定是少数的。所以我们现在去看，所谓的白马，大家看清楚这个公司的时候，其实这个公司已经普通的再普通不过了，因为你已经能够用手指头算出它的PE各个方面。
投资真的是需要远见的。
那什么是好的投资呢，我觉得巴菲特我还是非常崇拜的，他投资的道理是有的，就是买消费类产品，所有的东西都是围绕消费品，巴菲特的逻辑是什么？他在喝可口可乐他就买可口可乐的股票，他在嚼箭牌口香糖他就买箭牌口香糖的股票，他在看华盛顿邮报就去买华盛顿邮报的股票，这其实是一个非常朴素的道理。
今天唯一的差别就是消费品在改变，因为我们慢慢不再看报纸，我们的报道有更多的选择了，现在的口香糖千奇百怪，现在的消费品变成什么了，你在刷微信你就赶紧买腾讯的股票，你在用美图秀秀你就应该买美图秀秀的股票，你用小米手机就去买小米手机的股票，这其实就是个简单朴素的道理。
其实消费品已经从实体转到虚拟了。30年前，因为我是70年出生的，我那时候我记得10岁以前我是穿不到新裤子的，我的裤子膝盖要补，屁股也要补，都是我哥哥穿过了，我妈给我补一下我再穿。所以那时候我们那个地方创业的人，安踏他就做鞋给我，七匹狼做衣服衬衫给我，就一定发财，因为那时候物资匮乏。后来我们为了改善生活我们喝水，所以娃哈哈卖水给你，为了吃的方便，所以康师傅卖你方便面，康师傅就发财了。后来我们觉得老房子不好，所以万科、万达就做了一大堆房子给我们，这些人在不同的阶段都发财了。
但到了今天，大部分的物资其实都是过剩的，所以这也是为什么这些企业现在不太好的原因。
80年代、90年代为什么日本电器索尼松下挣那么多钱，而为什么现在又亏钱？
因为他们把效率提高到极限，最终其实一定是亏钱的。以前我们穿衣服是因为一定要保暖，现在不是因为这个原因，是为了时尚或者其他方面的原因，以前也都是穿破了才去换。日本人做的家用电器，说实话如果因为用破你才去换，你一百年也不会用坏，所以他会进入破产阶段，所以一个新的消费品，虚拟网络出来了，我们把更多的娱乐放到了虚拟上面。
以前男人赚钱了就泡夜总会，所以当时北京的天上人间各个城市的夜总会都发财了，现在男人流行到网站、映客、陌陌上去看直播，它其实就是网上的夜总会，所以这是一个虚拟的消费品升级。
另外一个升级是什么？同样是这些实体公司，他需要有情感的需求，现在有句话说的很好，代表大部分女生，也代表25岁以下男生的消费需求，三句话：爱美，怕死，缺爱。
这几乎是现在所有消费的重点，你只要围绕这三句话，围绕这三个去做消费品都是对的。
所以你可以看到，美图秀秀为什么这么多人用，因为所有人都爱美。你们去看看现在的朋友圈，你会发现大部分都在锻炼身体，在跑马拉松，因为都怕死。为什么我们的社交网络现在这么流行，因为现在的小孩除了学校就是家庭，应该是缺乏爱的，所以他们要在网上找各种各样的爱。
刚才我们说的从消费的角度，我们其实一样是可以看到，那么你们就会说腾讯的股票已经那么贵了，大家都说股票那么贵，怎么办？
首先这么贵了他还会再贵，你看香港股市，有个很搞笑的地方，大部分公司喜欢把股票不断拆分，拆成几毛钱，就是因为他抓住了人性，大家都贪便宜，不愿意买贵的股票，却不知道好东西就是贵的。好东西你觉得贵的时候，其实是因为你买不起，当你有了钱一定还去买，但是你因为便宜去买一个东西，你卖不出去的，你只有找到一个人跟你一样贪便宜才能把这个东西卖掉。
所以你买到贵的不用担心，你会喜欢，别人也会喜欢，你看到好的东西，你买不起只是现在没有钱，但咬咬牙买下来，没有钱可以先买一半也没有关系，但是如果你贪便宜，你一定会买到更便宜的东西。
我们都在说现在很难再出现BAT这样的公司了，但我认为一定还会有新的大公司出现。现在很多人就有一个逻辑，BAT是做什么，就是做互联网。
错。
我们知道中国最早的互联网就是三大门户，网易、搜狐、新浪，你知道在12年前，也就是2004年，有谁会知道BAT会崛起吗？在北京当时我记得很清楚，技术人员都不愿意去百度，因为大家不看好。腾讯、阿里也差不多，都是算第二梯队，但这十年过来，他们三个成为最强者。同样的道理，你认为他们三个未来就是最强的吗？不，一定会有新的去打破他们，你就需要找到他们。
那就有这样一个启发，那个新的颠覆者要具备什么特征呢？
首先，我们去看互联网的发展，我觉得互联网的发展就像一百多年前的电力发展是一模一样的。
我们知道电的诞生是1895年爱迪生在纽约第五大道开的世界上第一个电厂，发电机是英国人发明的，但美国的爱迪生发明了电力，作为世界上第一个电厂它可以集中供电，这家公司也是今天的GE，GE公司就是这样由来的。
当时电力刚出现的时候，就像我们十几年前看互联网我们都觉得挺神秘，当时GE出来的时候，大家都觉得电力公司就是老大，但GE并未成为当时最赚钱的公司。现在的谷歌、Facebook，雅虎、苹果他们就像一百多年前的电力公司，中国的BAT也是，那些陆陆续续在做基础建设的，未来真正赚钱的一定不是他们。
比如有了电，整个世界产业都发生了变化。福特就因为有了电站，1920发明了世界上第一条汽车流水线。以前德国人做一部汽车大概要花10个人工花半年时间才敲出一部汽车。但福特的汽车流水线很简单，生产汽车的效率极大的提高。他卖T型车，当时在德国卖一部车子大概需要五千美金，他卖500美金。T型车从1920年存在大概到1970年，所以福特成为了美国最富有的人。
那有了电我们可以发明什么，发明电冰箱、电风扇、电视机、收音机一大堆电器，这些都改变了我们的生活。而且在电的基础上发明这些的，都成了最有钱的人，也不是之一。他怎么改变我们的？比如你再看电冰箱在发展，他其实就改变了当时整个世界经济的格局。我们知道波士顿是一个美国有钱的城市，我们路演都要去波士顿，因为那边人很有钱。波士顿最早靠什么起家，靠捕鲸鱼，运冰船这两个产业起家。捕鲸鱼是为了做蜡烛，运冰船是把冰运到欧洲储存食物，但有了电发明以后，这些行业都消灭了。
比如电熨斗。为什么我们今天有男女平等，就因为有了电熨斗的出现。为什么呢，当时一个女人一天大概要花8个小时做家务，其中2到3个小时在烫衣服，后来有了电熨斗，女人的家务工作时间变短了，女人也可以走出家门去工作了。正因为走出家门工作，才开始有了经济独立，有了经济独立也就可以参加更多的社交活动。
这时候你再看香奈儿包，现在很多女人都在买她的包，但是香奈儿它真正厉害的不是它的包包，而是她的创造性。
当时女人的裙子都很长，她们出来工作后都觉得不方便，后来香奈儿在巴黎，她就把裙子剪到膝盖这里，当时这是她第一个这样干，后来也就成了今天职业装的由来。香奈儿还发明了什么，她还发明了运动服装。为什么她会发明这个，因为她有个情侣是俄罗斯人，一个作曲家，只有俄罗斯人穿秋裤，她从这里得到启发，把秋裤加了两个口袋，就成了今天的运动服装。
其实我在说这些比喻，也是在说到今天互联网一切都好，BAT，Facebook也好，都把基础建设都搭好了，就像我们30年前的中国经济腾飞要先修桥造路一样，但那些修桥造路的不一定是最赚钱的，你去买A股里面的那些高速公路，你不会赚钱，一样的，互联网接下来进入下一场，就是一定要用这些基础建设做出创造，这些创造者就是颠覆者。
举个例子，比如Uber，Airbnb就是两个典型的例子，这两个公司严格意义上并不是互联网公司，Airbnb的创始人只是个设计师，Uber的创始人也不是互联网公司出来的，是做投行的，但这两家其实就是利用互联网去颠覆我们现有的东西。他们这两个颠覆的为什么会比较快成功？是因为这两个体量特别大，一个是车，一个是房。
未来其实还有太多可以颠覆的，你们去想想，比如房子为什么可以这样做，为什么一定要一房一厅，两房一厅，一个厨房，一个客厅，一个卫生间，为什么一定要这样？为什么不能是其他样子？这里面其实都可以思考，你看我们的会议室。前段时间我们去香港，看到香港的公司都会有一个会议室，但是那个会议室的利用率我估计平均下来一天估计也就一次。其实香港是一个地价蛮贵的地方，为什么不在设计里面调整share一下呢。我要说的就是未来其实所有的东西都是可以被颠覆的，这是一个趋势，也是一个方向。
颠覆者第二是要能够把复杂的事情简单化的东西。
其实美图是什么？当时我们做美图的时候也没想过要女孩子能够修脸，当时其实就是做傻瓜化。因为我们知道要修图就一定要用Photoshop，但它太复杂了，我们其实就是把它傻瓜化。这个傻瓜化也很简单，比如你要修眼睛，你要进到Photoshop后台，调这个参数，调哪个参数，这得多专业才行啊？其实干吗要那么复杂，你不就是要把眼睛弄大吗？其实就是要把眼睛弄大，无非是小大，中大，大大。那干脆我的技术就先把这个模型调好，然后让你选择，一键修复，这就很简单的逻辑，这就是最开始的美图。
当然美图后面已经优化了东西，但切入点一般都是一个很简单的，能把复杂的事情简单化，那么这个公司跟这个产品未来就能够得到巨大的发展。
第三，就是能够颠覆我们原来的这种商业模式，我们的运输途径的。
比如小米，小米为什么成功，我现在还是认为他成功，雷军他现在只是在成长的路上有一个暂时平台期。
很简单，联想当时要卖一台手机，要找一大堆的市场调查人员去调查，然后要生产两百万台，然后开始广告铺渠道，整个过程太复杂了。雷军把中间全部砍掉，他不用调查人员，在微博发一个大家需要什么样的手机，一大堆人给他反馈，这个比调查更有效。第二，他一定要生产多少台让大家看到，大家说要买一百万台，他还不放心，那你们一人交50块定金才下单。下完单以后开始开卖，他也不通过渠道，就直接从厂家发货给你，这个过程少了多少费用？
我觉得雷军这个人真的非常棒，他前面三年其实都在网上卖，这个效率是非常高的。只不过后来他想卖更多，卖个一亿台，两亿台，所以切入传统渠道，才把自己变重了。
有了这个思路，你再看娃哈哈他卖水。他牛在哪里，不就是他做的广告和他铺的渠道，就这两个强。那我们为什么没有人就拿我们这里的水在网上打品牌，去掉中间商直接批发去卖，一瓶水一块钱？说实话，你在村庄卖1快钱的利润中，娃哈哈大概只拿到3毛钱，7毛钱都被中间商拿走了。那我们为什么不做一个APP，让各个村庄的小卖店就下一个单，要十箱、二十箱，然后再送到，可以弄个微信、支付宝付钱，也不用给什么供应链、金融之类一大堆的东西赚钱。所以这里面还有非常多的空间。
最后我想说说，也是昨天大家关注的特郎普当选。确实让很多人大跌眼镜，因为大部分的精英大部分的主流都没想到特郎普会当选。这其实也说明很多问题。
第一层意思，我们现在大部分人听主流意见。其实所谓的主流所谓的精英不一定靠谱，因为他代表不了广大的人民群众，吃瓜群众。所以这是一个颠覆了的想法，昨天其实又有第二层意思，很多人担心的是股票跌了，后来其实美股竟然涨了，这出乎所有人的意料。我们都要找原因，这说明大家也接受了特郎普。世界都在变，特郎普他也在改变，所以刚才有嘉宾说今年是黑天鹅湖，我认为不是，因为这已经成为常态。这世界变化太快，没有什么所谓的黑天鹅，其实接下来每个月乃至每天都在发生这样的事情。
我记得2008年我们举办奥运会的时候，一个月后也没有人提到。今天再大的事情这个消息都只会存在一两天，我估计一个星期后没有人再去议论这个事情了。原因也就是因为信息太多，所以黑天鹅其实也会慢慢的变成就像白天鹅一样频繁。
第三层，更有意思的是，因为当时主流传统媒体去猜希拉里赢，他们的错误是情有可原的，但是为什么社交媒体包括谷歌、包括Facebook也会觉得希拉里会赢呢？
昨天两点我看到一张统计图（编者注：见下图）：
这张图是说，如果只统计18岁到25岁这个年龄群的投票，那么希拉里是以504VS23的绝对优势胜出。我明白了一个道理，你看为什么主流包括我说的社交网络，因为我们社交网络做一个调查，一般的信息是愿意表达意见的那部分人的信息，所以这个调查大部分是错的。如果你从哪里听到哪个媒体在网络上做的调查达到了百分之八十多，我认为大部分是错的，因为那个只是代表那帮愿意表达意见的人的观点。
所以在美国18到25岁几乎全部是支持希拉里的，就是压倒性的赢了川普，于是就会形成社交媒体都认为希拉里是会赢的，但是最后才知道是错的。因为中西部的那些中老年人根本不表达意见，也不参与调查。英国的脱欧也是一样的道理，当时主流的媒体都报道不赞成脱欧，因为都是年轻人在表达意见，那些老年人都是沉默的。
这也是非常悲哀的事情，悲哀在哪里，所有的重大的决策其实都是为了年轻人，但投票结果都是由老年人来决定年轻人的未来。
最后我想说的，因为我们都是做投资的，投资真的是一个很开心的事情，不用跟谁打交道，也不用太多的应酬。把这个事情做好是很有意义的，当然成功不会那么容易，必须要花一定的时间去研究调查，能够有独立的思考能力才有机会成功。
所以在这里也祝大家能够成功，成功完了也能像格隆那样，有一定的情怀，能够对社会做出推动，这样你的人生就会非常完美，谢谢大家。
来源：蔡文胜 36氪
智造家提供 查看全部
以下为蔡文胜先生演讲实录：
大家早上好，各位格隆汇的朋友好，很荣幸今天来这里跟大家分享。
最近，因为美图上市的原因，所以很少出来一些公共场合。
我之前讲的都是跟互联网相关的，今天格隆汇邀请我来，一开始想应该讲什么，因为我们今天的主题应该是旨在港股，是跟投资有关的。我想，其实世界上大部分的事情都是相关的，包括我自己在互联网十几年，其实干的事情，不管是自己创业也好，或者做一些投资也好，其实都是相关的。
主持人刚才在介绍我，说我一开始就成为了互联网的主流，这句话是不对的。如果一开始一个人成为主流的话，他其实不可能在这个领域连续活16年。人一开始一定要有一个默默的时间，这样才能积累一定的力量。我就从这里讲起。
我大概是2000年进入互联网行业，一开始其实跟股票有关，而且跟港股也有关。
1999年以前，其实我都是做传统的生意，1999年9月份，如果我没有记错，应该是9月26号，我买了我人生的第一支股票，是在香港，盈科数码，当时代码是1186，也就是李嘉诚的儿子李泽楷做的。当时1999年9月份我买的时候是5.8港币，后来我是在2000年1月份卖掉，20块钱卖掉。非常幸运，因为刚好99年、2000年是互联网的一个大泡沫。它最高的时候是在2000年3月份，涨到28块，后来我们知道，就跌到几毛钱，后来把5股拼成一股，才有今天的几块钱。
这个股票从1999年开始启动的时候只有一毛钱。当时它创造了香港的很多记录，盈科数码曾经收购0008号香港电讯，市值曾经达到2000亿港币。当然这个股票也是香港人最心痛的股票，因为让香港人几乎都亏了钱，这个股票是非常有意思的。这也是香港人后来不愿意听互联网的故事，香港人不再信互联网的创业，应该就是从这个股票受伤开始的。
我就是因为当时买了这个股票，为了看这个股票的信息，我才开始学上网的。当时香港的报价，这个信息都非常慢，所以在这个过程里面让我开始对互联网非常感兴趣。因为我发现我从股票能赚到钱，因为我觉得互联网太神奇了，我竟然不用去港交所，不用去证券公司，我就能在网上可以下单，赚钱。当时下单比较难，只是在网上看信息然后用电话去下单，所以我就回到大陆，在厦门开始互联网的创业。
一开始我瞄准了一个方向，是域名投资，因为当时看了两个新闻对我触动很大。一个是当时李泽楷成功以后，李嘉诚同样也发展互联网，就买了个域名叫tom.com。当时这个域名花了300万港币再加3%的期权，然后把这个买下来并包装上市，当时创造了香港的新股认购记录，这是第一个新闻。
第二个新闻就是当时有一个域名叫Business，中文意思就是商务的意思，这个域名当时卖出了750万美金，我就觉得这太神奇了，因为当时注册一个域名只是220块人民币，我就觉得220块就能赚到几十万、几百万、几千万，这太符合我的胃口了，因为我就喜欢干那种一块钱赚一百块的事，一块钱赚五块的事实在太慢了。
所以2000年我就专注做这一方面，但那一年我是失败的，从两个方面来说都失败。
第一，因为赚到盈科的钱，让我觉得做股票实在是太爽了，不用天天跟人家打交道，就看着电脑研究各种资料就能发财。但后来2000年我几乎把赚的钱全部吐回去了，因为互联网泡沫破灭所有人都亏了。
第二，我当时就狂注册了一千多个域名，想着注册完，就等着发财了！因为当时人家卖几百万、几千万，我想我一个卖50万就可以了，结果一千多个，基本没有人来问价，偶尔有一两个来问价，我都开50万，然后就没有消息了。那时候，谁都想通过股票、域名这么简单的方式来赚钱，我相信这是很多人的梦想。
所以2000年我又陷入到了一个非常大的低潮。
我在反省，发现注册的一千多个域名都是垃圾。为什么呢？因为域名的出现是在上世纪八十年代开始的，当时还是免费的，后来真正商业化的开展是在1991年到1992年，那时候就开始了第一批的抢注热潮，但是那时候大部分好的域名基本都被抢完了。到了第二批也就是1998、1999年，因为互联网又带动了第二批热潮，把能注册的域名基本上也都注册完了。等2000年我进入的时候，我能想到的域名一定都是人家不要的，那能有什么好域名？基本是没有什么价值的域名。
但这事最后其实还是成就了我，后来我发现好域名虽然都被人家注册完了，但是有的人可能就忘记交钱了，就会掉下来，后来我才理解到，是因为互联网泡沫破灭，很多人也不交钱了。
所以2001年后我反而开始注册到好域名了，那时候我重新疏理了一下，以前我注册域名是买了一个英文字典，把每一个英文单词都往下输，我也把中国的商标库给导下来，每个商标都去看，后来当然全部没了。后来我就自己建立了一个库，盯着这些域名，发现他们什么时候会掉下来，然后是不是可以重新注册到，因为这已经是别人认同的，别人已经有价值的，我们可以重新拿到，有些刚好域名的价格也下降了，从220下降到110，下降到80块，后来我们批量的注册以后就60块钱。
所以从2001年到2003年，这个时候，我注册到了很多好的域名。当然这里面也有无数多的技巧，我在这里也给大家分享下。
当时很多人关注域名，全世界关注域名的应该有几十万人，在中国我估计大概有十万，跟我一样怀揣着梦想，希望天上能掉馅饼、能够发财的最少有十万人。那十万人里面你怎么胜出呢？
举个例子，比如我当时注册到FM365，这个域名是联想推出来的一个门户，当时他和这个美国的AOL在最高峰的时候一年拿了一亿美金出来发展这个FM365网站，当时的广告雇的还是谢霆锋。这个域名在1999年10月21号注册，到了2003年到期了，联想也不做这个门户了，他们其实是提前倒在了黎明前。
中国互联网的复苏是在2004年以后，联想在2003年就决定把这个门户放弃了，也不交钱了。当时关注这个域名想要掉出来，最少应该有10万多人都在关注，大家都认为他会在2003年10月21号过期，都要抢，但事实上前期就有一百多个注册商，不同的注册商域名掉出来的时间是不一样的，有的当天到期就会掉出来，有的一个月后才会删除，有的两个月，有的甚至最长一年都不掉出来，所以10万个人里面90%人就等着2003年10月21号这一天要抢注，但是他们做不到，这个域名的规则差不多要70天才掉，所以应该是在12月1号才掉出来，那这样就可能淘汰了90%的竞争对手。
只有一万个人知道是在12月1号掉，一万个人知道，我也只有万分之一的机会，怎么办？
正常的流程是你查到可以注册，然后写下你的名字，你的地址，你的邮箱，这个流程最快的时间要花10秒钟左右。我们有经验的就把这个资料提前都填写了，然后提交，这样你可能一秒钟就能提交一次，这肯定比慢慢的填写的更快。
然后这样又可以淘汰90%，一千个人也是这样干的，你还不能保证你是最好的。后来我就在想，当时是在厦门，那么这个注册总部是在美国，我从厦门到福州，福州再到上海，上海再通过太平洋电缆再到美国总部，这个一定很慢，所以我就在上海租了一台服务器。
我从上海发出这个指令，这样我又淘汰了90%的人，只剩下100个人跟我这样干，这一百个人你还不能说你是最好的，那么这里面其实还是可以提高的，怎么提高？后来我发现几个小细节，我发现填写的这些资料大概要花50个字节，后来我发现这个信息事后其实是可修改的，所以我想我名字干嘛写蔡文胜，所以我名字就填写一个1，我的地址也是1，我的邮箱是1@COM，这样我的信息可能才5个字节，那我这样一定比人家更快，我就这样干了。第二，有一天我在提交的时候，我提交的时候反馈一个信息给我，他说你的注册不成功，因为DNS不对，就每个域名注册都要配一个DNS服务器，相信所有的人下一个动作就是填上正确的DNS再提交，当时我就琢磨，我想既然要验证DNS，证明他要有这样一个环节，那我是不是能够不填DNS，他就少掉一个验证的环节，所以我就把DNS删除提交，竟然成功了。
这里面的小细节至少不下于十个或几十个，其实是有这样一个关注细节的过程才会让你在竞争中脱颖而出的，我可以骄傲的讲，在当时只要任何域名掉下来，我肯定是前三名能拿到的。今天好域名还是财富，徐俊的game.com刚作价一亿入股“游戏矩阵”徐乐的公司，而uber.com也是换了2%的股份的，所以域名抢注现在还在做，现在的服务器都是放在中科院抢注的，因为中国.cn的域名总部是在中科院。
第二点，2000年到2004年我一直就留在厦门做这样的事情，身边只有几个员工，我刚进入互联网的时候我连打字都不会。2000年当时就在网上招了第一个员工，是武汉人，是个程序高手。在网上我跟他交流，就把他忽悠到厦门，他当时一个月只有2000块工资，我说你到厦门跟我，我保证你赚5倍，所以他成了我的技术人员。
其实我也挺怀念那个日子，因为那个日子比较轻松，但那时候让我对中国互联网有一个深入的了解，因为我通过一个域名就开始把中国排名前一万名的网站都了解透了，了解搜狐是怎么回事，新浪是怎么回事，他们为什么做的好，这个时候其实奠定了我一个很好的基础，包括很多人都不知道新浪是怎么创建的，他之前的域名叫richwin四通立方，可能全中国不到10个人会知道其实他更早的域名是srsnet.com，因为那个域名掉了，所以后来才改成sina.com。
还有无数的故事。
那我要说的就是前面这四年其实是我卧薪尝胆的时期。有一个法则叫一万小时法则，我觉得这是非常对的，一个人要做成一件事，必须要有一万个小时的锻炼，这个其实也会决定你未来会成为什么样的人。
我们再举例，比如巴菲特，很多人都想学巴菲特，为什么先不从他的学习能力学起？巴菲特在1955年回到老家奥马哈那个小镇的时候。当时美国大概也只有三千多个股票，但是巴菲特把三千多个股票所有的财报全部都了解的一清二楚，只要谁问他，他都能给你说出这个财报的亮点和不足等等各个方面，这也奠定了他能够快速的找到真正有价值的东西。
后来2004年我去了北京，我就创建了265.com，2008年我把它卖给了谷歌，2004年到北京非常幸运，得到了IDG和谷歌的投资，2008年卖掉是两千万美金，当时觉得已经非常好了，现在回头看真的是太便宜了。后来，我有个朋友在我卖掉以后也创建了一个叫2345.com的导航网站，后来这个网站卖给了A股公司，现在这个公司的市值是几百亿人民币。
我不后悔便宜卖掉，我知道人生必须要有不同阶段的成功。
因为卖掉了265，我又回到厦门，当时已经在北京开始有点小名气，2007年以前实话讲，我是没什么名气的，2008年有点小名气，找我的人越来越多，后来我又选择回到了厦门，这也才能创造出4399游戏跟美图秀秀。
在2004-2008年这个阶段我还开始做了一些投资的项目，天使投资，包括58，2005年的时候我投了50万人民币，这个回报现在应该是几亿美金。暴风影音也是2005年投的，当时投资是180万人民币，现在回报也是几亿人民币。
上面这两个故事给我的启发是，投资是需要时间的。
很多人现在已经看到，比如我觉得暴风跟58是很成功的，但两个都是2005年投的到现在，整整十年的时间，这也是为什么大部分的基金不管是IDG、红杉他们都不会赚到很多钱的原因，他们熬不住。全中国所有的VC加起来赚到的钱都不如一家公司赚的多，就是南非一个叫MIH的公司。
当时南非公司MIH是2200万美金从IDG跟盈科数码手里接走腾讯45%的股份。IDG当时为什么卖，我曾经问了IDG的周全，他说，小蔡，我们是从1996年成立IDG基金，到2001年手里一百多个项目，我要给LP一个交代，已经有六年了，当时能够回报最好的就是腾讯，所以只好卖掉腾讯。
就像你买了很多股票，你需要钱的时候往往把最赚钱的卖掉，把那些暂时亏的反而留着，这是人性。
所以IDG，包括李泽楷就把腾讯给卖掉了，我们知道MIH现在还有多少，2000年开始投资，他现在还持有34%腾讯的股份，据说上市到现在一股没卖，按照腾讯今天两万亿的市值他应该是差不多七千亿港币。
全中国所有VC包括后面新创的所有加起来，他们有赚到7千亿吗？我估计是没有的。
所以这里也是给我很大启发，一样的，2005年、2006、2007年，我其实投了差不多有七八十个项目，后来也在反省，真正能让你赚钱的就是两三个公司，两三个股票。同样我自己也犯了错，一般都是把赚钱的先卖掉，所以投资有时候一定是要反人性的。
当然这也说明一点，如果用投资基金的方式去做投资，一般不会好，同样你去买基金产品也不会让你赚大钱。很简单，因为基金经理更多想的是管理费，他只要管理费就可以了，巴菲特曾经说过一句话，你自己是一个百万富翁，你去听那些坐公交车上班的股评家分析，你会发财吗？
那同样你的钱你交给基金经理，他就是为了赚管理费，你能够赚到很多钱吗？挺难的。同样我自己有一个原则，如果一开始有很多出名的天使投资人投的项目，我都不会参与，我觉得一定不会成功。
比如我跟李开复、徐小平我们曾经有一个天使会，我们成立了一个基金，里面投的项目没有一个成功的。
为什么？很简单的道理，第一，我们都觉得大家都投了，大家都会去帮忙，我就不帮忙了，那些拿着我们这些大佬的钱，他们总是以为我们会帮很多忙，其实谁也没办法帮很多忙。
第二，一个东西能成功，就像今天你去看，很多人都说没有买腾讯，那些基金都说没有投资腾讯和百度，错过了!实话讲，当时你们要是投了，他们也不会成为今天，因为最终赚钱的一定是少数的。所以我们现在去看，所谓的白马，大家看清楚这个公司的时候，其实这个公司已经普通的再普通不过了，因为你已经能够用手指头算出它的PE各个方面。
投资真的是需要远见的。
那什么是好的投资呢，我觉得巴菲特我还是非常崇拜的，他投资的道理是有的，就是买消费类产品，所有的东西都是围绕消费品，巴菲特的逻辑是什么？他在喝可口可乐他就买可口可乐的股票，他在嚼箭牌口香糖他就买箭牌口香糖的股票，他在看华盛顿邮报就去买华盛顿邮报的股票，这其实是一个非常朴素的道理。
今天唯一的差别就是消费品在改变，因为我们慢慢不再看报纸，我们的报道有更多的选择了，现在的口香糖千奇百怪，现在的消费品变成什么了，你在刷微信你就赶紧买腾讯的股票，你在用美图秀秀你就应该买美图秀秀的股票，你用小米手机就去买小米手机的股票，这其实就是个简单朴素的道理。
其实消费品已经从实体转到虚拟了。30年前，因为我是70年出生的，我那时候我记得10岁以前我是穿不到新裤子的，我的裤子膝盖要补，屁股也要补，都是我哥哥穿过了，我妈给我补一下我再穿。所以那时候我们那个地方创业的人，安踏他就做鞋给我，七匹狼做衣服衬衫给我，就一定发财，因为那时候物资匮乏。后来我们为了改善生活我们喝水，所以娃哈哈卖水给你，为了吃的方便，所以康师傅卖你方便面，康师傅就发财了。后来我们觉得老房子不好，所以万科、万达就做了一大堆房子给我们，这些人在不同的阶段都发财了。
但到了今天，大部分的物资其实都是过剩的，所以这也是为什么这些企业现在不太好的原因。
80年代、90年代为什么日本电器索尼松下挣那么多钱，而为什么现在又亏钱？
因为他们把效率提高到极限，最终其实一定是亏钱的。以前我们穿衣服是因为一定要保暖，现在不是因为这个原因，是为了时尚或者其他方面的原因，以前也都是穿破了才去换。日本人做的家用电器，说实话如果因为用破你才去换，你一百年也不会用坏，所以他会进入破产阶段，所以一个新的消费品，虚拟网络出来了，我们把更多的娱乐放到了虚拟上面。
以前男人赚钱了就泡夜总会，所以当时北京的天上人间各个城市的夜总会都发财了，现在男人流行到网站、映客、陌陌上去看直播，它其实就是网上的夜总会，所以这是一个虚拟的消费品升级。
另外一个升级是什么？同样是这些实体公司，他需要有情感的需求，现在有句话说的很好，代表大部分女生，也代表25岁以下男生的消费需求，三句话：爱美，怕死，缺爱。
这几乎是现在所有消费的重点，你只要围绕这三句话，围绕这三个去做消费品都是对的。
所以你可以看到，美图秀秀为什么这么多人用，因为所有人都爱美。你们去看看现在的朋友圈，你会发现大部分都在锻炼身体，在跑马拉松，因为都怕死。为什么我们的社交网络现在这么流行，因为现在的小孩除了学校就是家庭，应该是缺乏爱的，所以他们要在网上找各种各样的爱。
刚才我们说的从消费的角度，我们其实一样是可以看到，那么你们就会说腾讯的股票已经那么贵了，大家都说股票那么贵，怎么办？
首先这么贵了他还会再贵，你看香港股市，有个很搞笑的地方，大部分公司喜欢把股票不断拆分，拆成几毛钱，就是因为他抓住了人性，大家都贪便宜，不愿意买贵的股票，却不知道好东西就是贵的。好东西你觉得贵的时候，其实是因为你买不起，当你有了钱一定还去买，但是你因为便宜去买一个东西，你卖不出去的，你只有找到一个人跟你一样贪便宜才能把这个东西卖掉。
所以你买到贵的不用担心，你会喜欢，别人也会喜欢，你看到好的东西，你买不起只是现在没有钱，但咬咬牙买下来，没有钱可以先买一半也没有关系，但是如果你贪便宜，你一定会买到更便宜的东西。
我们都在说现在很难再出现BAT这样的公司了，但我认为一定还会有新的大公司出现。现在很多人就有一个逻辑，BAT是做什么，就是做互联网。
错。
我们知道中国最早的互联网就是三大门户，网易、搜狐、新浪，你知道在12年前，也就是2004年，有谁会知道BAT会崛起吗？在北京当时我记得很清楚，技术人员都不愿意去百度，因为大家不看好。腾讯、阿里也差不多，都是算第二梯队，但这十年过来，他们三个成为最强者。同样的道理，你认为他们三个未来就是最强的吗？不，一定会有新的去打破他们，你就需要找到他们。
那就有这样一个启发，那个新的颠覆者要具备什么特征呢？
首先，我们去看互联网的发展，我觉得互联网的发展就像一百多年前的电力发展是一模一样的。
我们知道电的诞生是1895年爱迪生在纽约第五大道开的世界上第一个电厂，发电机是英国人发明的，但美国的爱迪生发明了电力，作为世界上第一个电厂它可以集中供电，这家公司也是今天的GE，GE公司就是这样由来的。
当时电力刚出现的时候，就像我们十几年前看互联网我们都觉得挺神秘，当时GE出来的时候，大家都觉得电力公司就是老大，但GE并未成为当时最赚钱的公司。现在的谷歌、Facebook，雅虎、苹果他们就像一百多年前的电力公司，中国的BAT也是，那些陆陆续续在做基础建设的，未来真正赚钱的一定不是他们。
比如有了电，整个世界产业都发生了变化。福特就因为有了电站，1920发明了世界上第一条汽车流水线。以前德国人做一部汽车大概要花10个人工花半年时间才敲出一部汽车。但福特的汽车流水线很简单，生产汽车的效率极大的提高。他卖T型车，当时在德国卖一部车子大概需要五千美金，他卖500美金。T型车从1920年存在大概到1970年，所以福特成为了美国最富有的人。
那有了电我们可以发明什么，发明电冰箱、电风扇、电视机、收音机一大堆电器，这些都改变了我们的生活。而且在电的基础上发明这些的，都成了最有钱的人，也不是之一。他怎么改变我们的？比如你再看电冰箱在发展，他其实就改变了当时整个世界经济的格局。我们知道波士顿是一个美国有钱的城市，我们路演都要去波士顿，因为那边人很有钱。波士顿最早靠什么起家，靠捕鲸鱼，运冰船这两个产业起家。捕鲸鱼是为了做蜡烛，运冰船是把冰运到欧洲储存食物，但有了电发明以后，这些行业都消灭了。
比如电熨斗。为什么我们今天有男女平等，就因为有了电熨斗的出现。为什么呢，当时一个女人一天大概要花8个小时做家务，其中2到3个小时在烫衣服，后来有了电熨斗，女人的家务工作时间变短了，女人也可以走出家门去工作了。正因为走出家门工作，才开始有了经济独立，有了经济独立也就可以参加更多的社交活动。
这时候你再看香奈儿包，现在很多女人都在买她的包，但是香奈儿它真正厉害的不是它的包包，而是她的创造性。
当时女人的裙子都很长，她们出来工作后都觉得不方便，后来香奈儿在巴黎，她就把裙子剪到膝盖这里，当时这是她第一个这样干，后来也就成了今天职业装的由来。香奈儿还发明了什么，她还发明了运动服装。为什么她会发明这个，因为她有个情侣是俄罗斯人，一个作曲家，只有俄罗斯人穿秋裤，她从这里得到启发，把秋裤加了两个口袋，就成了今天的运动服装。
其实我在说这些比喻，也是在说到今天互联网一切都好，BAT，Facebook也好，都把基础建设都搭好了，就像我们30年前的中国经济腾飞要先修桥造路一样，但那些修桥造路的不一定是最赚钱的，你去买A股里面的那些高速公路，你不会赚钱，一样的，互联网接下来进入下一场，就是一定要用这些基础建设做出创造，这些创造者就是颠覆者。
举个例子，比如Uber，Airbnb就是两个典型的例子，这两个公司严格意义上并不是互联网公司，Airbnb的创始人只是个设计师，Uber的创始人也不是互联网公司出来的，是做投行的，但这两家其实就是利用互联网去颠覆我们现有的东西。他们这两个颠覆的为什么会比较快成功？是因为这两个体量特别大，一个是车，一个是房。
未来其实还有太多可以颠覆的，你们去想想，比如房子为什么可以这样做，为什么一定要一房一厅，两房一厅，一个厨房，一个客厅，一个卫生间，为什么一定要这样？为什么不能是其他样子？这里面其实都可以思考，你看我们的会议室。前段时间我们去香港，看到香港的公司都会有一个会议室，但是那个会议室的利用率我估计平均下来一天估计也就一次。其实香港是一个地价蛮贵的地方，为什么不在设计里面调整share一下呢。我要说的就是未来其实所有的东西都是可以被颠覆的，这是一个趋势，也是一个方向。
颠覆者第二是要能够把复杂的事情简单化的东西。
其实美图是什么？当时我们做美图的时候也没想过要女孩子能够修脸，当时其实就是做傻瓜化。因为我们知道要修图就一定要用Photoshop，但它太复杂了，我们其实就是把它傻瓜化。这个傻瓜化也很简单，比如你要修眼睛，你要进到Photoshop后台，调这个参数，调哪个参数，这得多专业才行啊？其实干吗要那么复杂，你不就是要把眼睛弄大吗？其实就是要把眼睛弄大，无非是小大，中大，大大。那干脆我的技术就先把这个模型调好，然后让你选择，一键修复，这就很简单的逻辑，这就是最开始的美图。
当然美图后面已经优化了东西，但切入点一般都是一个很简单的，能把复杂的事情简单化，那么这个公司跟这个产品未来就能够得到巨大的发展。
第三，就是能够颠覆我们原来的这种商业模式，我们的运输途径的。
比如小米，小米为什么成功，我现在还是认为他成功，雷军他现在只是在成长的路上有一个暂时平台期。
很简单，联想当时要卖一台手机，要找一大堆的市场调查人员去调查，然后要生产两百万台，然后开始广告铺渠道，整个过程太复杂了。雷军把中间全部砍掉，他不用调查人员，在微博发一个大家需要什么样的手机，一大堆人给他反馈，这个比调查更有效。第二，他一定要生产多少台让大家看到，大家说要买一百万台，他还不放心，那你们一人交50块定金才下单。下完单以后开始开卖，他也不通过渠道，就直接从厂家发货给你，这个过程少了多少费用？
我觉得雷军这个人真的非常棒，他前面三年其实都在网上卖，这个效率是非常高的。只不过后来他想卖更多，卖个一亿台，两亿台，所以切入传统渠道，才把自己变重了。
有了这个思路，你再看娃哈哈他卖水。他牛在哪里，不就是他做的广告和他铺的渠道，就这两个强。那我们为什么没有人就拿我们这里的水在网上打品牌，去掉中间商直接批发去卖，一瓶水一块钱？说实话，你在村庄卖1快钱的利润中，娃哈哈大概只拿到3毛钱，7毛钱都被中间商拿走了。那我们为什么不做一个APP，让各个村庄的小卖店就下一个单，要十箱、二十箱，然后再送到，可以弄个微信、支付宝付钱，也不用给什么供应链、金融之类一大堆的东西赚钱。所以这里面还有非常多的空间。
最后我想说说，也是昨天大家关注的特郎普当选。确实让很多人大跌眼镜，因为大部分的精英大部分的主流都没想到特郎普会当选。这其实也说明很多问题。
第一层意思，我们现在大部分人听主流意见。其实所谓的主流所谓的精英不一定靠谱，因为他代表不了广大的人民群众，吃瓜群众。所以这是一个颠覆了的想法，昨天其实又有第二层意思，很多人担心的是股票跌了，后来其实美股竟然涨了，这出乎所有人的意料。我们都要找原因，这说明大家也接受了特郎普。世界都在变，特郎普他也在改变，所以刚才有嘉宾说今年是黑天鹅湖，我认为不是，因为这已经成为常态。这世界变化太快，没有什么所谓的黑天鹅，其实接下来每个月乃至每天都在发生这样的事情。
我记得2008年我们举办奥运会的时候，一个月后也没有人提到。今天再大的事情这个消息都只会存在一两天，我估计一个星期后没有人再去议论这个事情了。原因也就是因为信息太多，所以黑天鹅其实也会慢慢的变成就像白天鹅一样频繁。
第三层，更有意思的是，因为当时主流传统媒体去猜希拉里赢，他们的错误是情有可原的，但是为什么社交媒体包括谷歌、包括Facebook也会觉得希拉里会赢呢？
昨天两点我看到一张统计图（编者注：见下图）：
这张图是说，如果只统计18岁到25岁这个年龄群的投票，那么希拉里是以504VS23的绝对优势胜出。我明白了一个道理，你看为什么主流包括我说的社交网络，因为我们社交网络做一个调查，一般的信息是愿意表达意见的那部分人的信息，所以这个调查大部分是错的。如果你从哪里听到哪个媒体在网络上做的调查达到了百分之八十多，我认为大部分是错的，因为那个只是代表那帮愿意表达意见的人的观点。
所以在美国18到25岁几乎全部是支持希拉里的，就是压倒性的赢了川普，于是就会形成社交媒体都认为希拉里是会赢的，但是最后才知道是错的。因为中西部的那些中老年人根本不表达意见，也不参与调查。英国的脱欧也是一样的道理，当时主流的媒体都报道不赞成脱欧，因为都是年轻人在表达意见，那些老年人都是沉默的。
这也是非常悲哀的事情，悲哀在哪里，所有的重大的决策其实都是为了年轻人，但投票结果都是由老年人来决定年轻人的未来。
最后我想说的，因为我们都是做投资的，投资真的是一个很开心的事情，不用跟谁打交道，也不用太多的应酬。把这个事情做好是很有意义的，当然成功不会那么容易，必须要花一定的时间去研究调查，能够有独立的思考能力才有机会成功。
所以在这里也祝大家能够成功，成功完了也能像格隆那样，有一定的情怀，能够对社会做出推动，这样你的人生就会非常完美，谢谢大家。
来源：蔡文胜 36氪
智造家提供 查看全部
在中国“高大上”的互联网领域，蔡文胜先生是个传奇。自2000年进入互联网领域从事域名投资，到2005到2007年连续举办了三届中国互联网站长大会，被广大站长尊称为个人网站教父，再到2008年进入天使投资领域，先后投资4399游戏、美图秀秀、暴风影音以及58同城等数十个互联网项目，成为中国著名的天使投资人，他见证并记录了整个中国互联网的起起伏伏。美图秀秀董事长、隆领投资创始人蔡文胜毫无保留地全面分享了自己在中国互联网行业16年的闯荡与感受，猛料多多，干货多多，堪称饕餮大餐，编录于此，共飨格隆汇诸君。
以下为蔡文胜先生演讲实录：
大家早上好，各位格隆汇的朋友好，很荣幸今天来这里跟大家分享。
最近，因为美图上市的原因，所以很少出来一些公共场合。
我之前讲的都是跟互联网相关的，今天格隆汇邀请我来，一开始想应该讲什么，因为我们今天的主题应该是旨在港股，是跟投资有关的。我想，其实世界上大部分的事情都是相关的，包括我自己在互联网十几年，其实干的事情，不管是自己创业也好，或者做一些投资也好，其实都是相关的。
主持人刚才在介绍我，说我一开始就成为了互联网的主流，这句话是不对的。如果一开始一个人成为主流的话，他其实不可能在这个领域连续活16年。人一开始一定要有一个默默的时间，这样才能积累一定的力量。我就从这里讲起。
我大概是2000年进入互联网行业，一开始其实跟股票有关，而且跟港股也有关。
1999年以前，其实我都是做传统的生意，1999年9月份，如果我没有记错，应该是9月26号，我买了我人生的第一支股票，是在香港，盈科数码，当时代码是1186，也就是李嘉诚的儿子李泽楷做的。当时1999年9月份我买的时候是5.8港币，后来我是在2000年1月份卖掉，20块钱卖掉。非常幸运，因为刚好99年、2000年是互联网的一个大泡沫。它最高的时候是在2000年3月份，涨到28块，后来我们知道，就跌到几毛钱，后来把5股拼成一股，才有今天的几块钱。
这个股票从1999年开始启动的时候只有一毛钱。当时它创造了香港的很多记录，盈科数码曾经收购0008号香港电讯，市值曾经达到2000亿港币。当然这个股票也是香港人最心痛的股票，因为让香港人几乎都亏了钱，这个股票是非常有意思的。这也是香港人后来不愿意听互联网的故事，香港人不再信互联网的创业，应该就是从这个股票受伤开始的。
我就是因为当时买了这个股票，为了看这个股票的信息，我才开始学上网的。当时香港的报价，这个信息都非常慢，所以在这个过程里面让我开始对互联网非常感兴趣。因为我发现我从股票能赚到钱，因为我觉得互联网太神奇了，我竟然不用去港交所，不用去证券公司，我就能在网上可以下单，赚钱。当时下单比较难，只是在网上看信息然后用电话去下单，所以我就回到大陆，在厦门开始互联网的创业。
一开始我瞄准了一个方向，是域名投资，因为当时看了两个新闻对我触动很大。一个是当时李泽楷成功以后，李嘉诚同样也发展互联网，就买了个域名叫tom.com。当时这个域名花了300万港币再加3%的期权，然后把这个买下来并包装上市，当时创造了香港的新股认购记录，这是第一个新闻。
第二个新闻就是当时有一个域名叫Business，中文意思就是商务的意思，这个域名当时卖出了750万美金，我就觉得这太神奇了，因为当时注册一个域名只是220块人民币，我就觉得220块就能赚到几十万、几百万、几千万，这太符合我的胃口了，因为我就喜欢干那种一块钱赚一百块的事，一块钱赚五块的事实在太慢了。
所以2000年我就专注做这一方面，但那一年我是失败的，从两个方面来说都失败。
第一，因为赚到盈科的钱，让我觉得做股票实在是太爽了，不用天天跟人家打交道，就看着电脑研究各种资料就能发财。但后来2000年我几乎把赚的钱全部吐回去了，因为互联网泡沫破灭所有人都亏了。
第二，我当时就狂注册了一千多个域名，想着注册完，就等着发财了！因为当时人家卖几百万、几千万，我想我一个卖50万就可以了，结果一千多个，基本没有人来问价，偶尔有一两个来问价，我都开50万，然后就没有消息了。那时候，谁都想通过股票、域名这么简单的方式来赚钱，我相信这是很多人的梦想。
所以2000年我又陷入到了一个非常大的低潮。
我在反省，发现注册的一千多个域名都是垃圾。为什么呢？因为域名的出现是在上世纪八十年代开始的，当时还是免费的，后来真正商业化的开展是在1991年到1992年，那时候就开始了第一批的抢注热潮，但是那时候大部分好的域名基本都被抢完了。到了第二批也就是1998、1999年，因为互联网又带动了第二批热潮，把能注册的域名基本上也都注册完了。等2000年我进入的时候，我能想到的域名一定都是人家不要的，那能有什么好域名？基本是没有什么价值的域名。
但这事最后其实还是成就了我，后来我发现好域名虽然都被人家注册完了，但是有的人可能就忘记交钱了，就会掉下来，后来我才理解到，是因为互联网泡沫破灭，很多人也不交钱了。
所以2001年后我反而开始注册到好域名了，那时候我重新疏理了一下，以前我注册域名是买了一个英文字典，把每一个英文单词都往下输，我也把中国的商标库给导下来，每个商标都去看，后来当然全部没了。后来我就自己建立了一个库，盯着这些域名，发现他们什么时候会掉下来，然后是不是可以重新注册到，因为这已经是别人认同的，别人已经有价值的，我们可以重新拿到，有些刚好域名的价格也下降了，从220下降到110，下降到80块，后来我们批量的注册以后就60块钱。
所以从2001年到2003年，这个时候，我注册到了很多好的域名。当然这里面也有无数多的技巧，我在这里也给大家分享下。
当时很多人关注域名，全世界关注域名的应该有几十万人，在中国我估计大概有十万，跟我一样怀揣着梦想，希望天上能掉馅饼、能够发财的最少有十万人。那十万人里面你怎么胜出呢？
举个例子，比如我当时注册到FM365，这个域名是联想推出来的一个门户，当时他和这个美国的AOL在最高峰的时候一年拿了一亿美金出来发展这个FM365网站，当时的广告雇的还是谢霆锋。这个域名在1999年10月21号注册，到了2003年到期了，联想也不做这个门户了，他们其实是提前倒在了黎明前。
中国互联网的复苏是在2004年以后，联想在2003年就决定把这个门户放弃了，也不交钱了。当时关注这个域名想要掉出来，最少应该有10万多人都在关注，大家都认为他会在2003年10月21号过期，都要抢，但事实上前期就有一百多个注册商，不同的注册商域名掉出来的时间是不一样的，有的当天到期就会掉出来，有的一个月后才会删除，有的两个月，有的甚至最长一年都不掉出来，所以10万个人里面90%人就等着2003年10月21号这一天要抢注，但是他们做不到，这个域名的规则差不多要70天才掉，所以应该是在12月1号才掉出来，那这样就可能淘汰了90%的竞争对手。
只有一万个人知道是在12月1号掉，一万个人知道，我也只有万分之一的机会，怎么办？
正常的流程是你查到可以注册，然后写下你的名字，你的地址，你的邮箱，这个流程最快的时间要花10秒钟左右。我们有经验的就把这个资料提前都填写了，然后提交，这样你可能一秒钟就能提交一次，这肯定比慢慢的填写的更快。
然后这样又可以淘汰90%，一千个人也是这样干的，你还不能保证你是最好的。后来我就在想，当时是在厦门，那么这个注册总部是在美国，我从厦门到福州，福州再到上海，上海再通过太平洋电缆再到美国总部，这个一定很慢，所以我就在上海租了一台服务器。
我从上海发出这个指令，这样我又淘汰了90%的人，只剩下100个人跟我这样干，这一百个人你还不能说你是最好的，那么这里面其实还是可以提高的，怎么提高？后来我发现几个小细节，我发现填写的这些资料大概要花50个字节，后来我发现这个信息事后其实是可修改的，所以我想我名字干嘛写蔡文胜，所以我名字就填写一个1，我的地址也是1，我的邮箱是1@COM，这样我的信息可能才5个字节，那我这样一定比人家更快，我就这样干了。第二，有一天我在提交的时候，我提交的时候反馈一个信息给我，他说你的注册不成功，因为DNS不对，就每个域名注册都要配一个DNS服务器，相信所有的人下一个动作就是填上正确的DNS再提交，当时我就琢磨，我想既然要验证DNS，证明他要有这样一个环节，那我是不是能够不填DNS，他就少掉一个验证的环节，所以我就把DNS删除提交，竟然成功了。
这里面的小细节至少不下于十个或几十个，其实是有这样一个关注细节的过程才会让你在竞争中脱颖而出的，我可以骄傲的讲，在当时只要任何域名掉下来，我肯定是前三名能拿到的。今天好域名还是财富，徐俊的game.com刚作价一亿入股“游戏矩阵”徐乐的公司，而uber.com也是换了2%的股份的，所以域名抢注现在还在做，现在的服务器都是放在中科院抢注的，因为中国.cn的域名总部是在中科院。
第二点，2000年到2004年我一直就留在厦门做这样的事情，身边只有几个员工，我刚进入互联网的时候我连打字都不会。2000年当时就在网上招了第一个员工，是武汉人，是个程序高手。在网上我跟他交流，就把他忽悠到厦门，他当时一个月只有2000块工资，我说你到厦门跟我，我保证你赚5倍，所以他成了我的技术人员。
其实我也挺怀念那个日子，因为那个日子比较轻松，但那时候让我对中国互联网有一个深入的了解，因为我通过一个域名就开始把中国排名前一万名的网站都了解透了，了解搜狐是怎么回事，新浪是怎么回事，他们为什么做的好，这个时候其实奠定了我一个很好的基础，包括很多人都不知道新浪是怎么创建的，他之前的域名叫richwin四通立方，可能全中国不到10个人会知道其实他更早的域名是srsnet.com，因为那个域名掉了，所以后来才改成sina.com。
还有无数的故事。
那我要说的就是前面这四年其实是我卧薪尝胆的时期。有一个法则叫一万小时法则，我觉得这是非常对的，一个人要做成一件事，必须要有一万个小时的锻炼，这个其实也会决定你未来会成为什么样的人。
我们再举例，比如巴菲特，很多人都想学巴菲特，为什么先不从他的学习能力学起？巴菲特在1955年回到老家奥马哈那个小镇的时候。当时美国大概也只有三千多个股票，但是巴菲特把三千多个股票所有的财报全部都了解的一清二楚，只要谁问他，他都能给你说出这个财报的亮点和不足等等各个方面，这也奠定了他能够快速的找到真正有价值的东西。
后来2004年我去了北京，我就创建了265.com，2008年我把它卖给了谷歌，2004年到北京非常幸运，得到了IDG和谷歌的投资，2008年卖掉是两千万美金，当时觉得已经非常好了，现在回头看真的是太便宜了。后来，我有个朋友在我卖掉以后也创建了一个叫2345.com的导航网站，后来这个网站卖给了A股公司，现在这个公司的市值是几百亿人民币。
我不后悔便宜卖掉，我知道人生必须要有不同阶段的成功。
因为卖掉了265，我又回到厦门，当时已经在北京开始有点小名气，2007年以前实话讲，我是没什么名气的，2008年有点小名气，找我的人越来越多，后来我又选择回到了厦门，这也才能创造出4399游戏跟美图秀秀。
在2004-2008年这个阶段我还开始做了一些投资的项目，天使投资，包括58，2005年的时候我投了50万人民币，这个回报现在应该是几亿美金。暴风影音也是2005年投的，当时投资是180万人民币，现在回报也是几亿人民币。
上面这两个故事给我的启发是，投资是需要时间的。
很多人现在已经看到，比如我觉得暴风跟58是很成功的，但两个都是2005年投的到现在，整整十年的时间，这也是为什么大部分的基金不管是IDG、红杉他们都不会赚到很多钱的原因，他们熬不住。全中国所有的VC加起来赚到的钱都不如一家公司赚的多，就是南非一个叫MIH的公司。
当时南非公司MIH是2200万美金从IDG跟盈科数码手里接走腾讯45%的股份。IDG当时为什么卖，我曾经问了IDG的周全，他说，小蔡，我们是从1996年成立IDG基金，到2001年手里一百多个项目，我要给LP一个交代，已经有六年了，当时能够回报最好的就是腾讯，所以只好卖掉腾讯。
就像你买了很多股票，你需要钱的时候往往把最赚钱的卖掉，把那些暂时亏的反而留着，这是人性。
所以IDG，包括李泽楷就把腾讯给卖掉了，我们知道MIH现在还有多少，2000年开始投资，他现在还持有34%腾讯的股份，据说上市到现在一股没卖，按照腾讯今天两万亿的市值他应该是差不多七千亿港币。
全中国所有VC包括后面新创的所有加起来，他们有赚到7千亿吗？我估计是没有的。
所以这里也是给我很大启发，一样的，2005年、2006、2007年，我其实投了差不多有七八十个项目，后来也在反省，真正能让你赚钱的就是两三个公司，两三个股票。同样我自己也犯了错，一般都是把赚钱的先卖掉，所以投资有时候一定是要反人性的。
当然这也说明一点，如果用投资基金的方式去做投资，一般不会好，同样你去买基金产品也不会让你赚大钱。很简单，因为基金经理更多想的是管理费，他只要管理费就可以了，巴菲特曾经说过一句话，你自己是一个百万富翁，你去听那些坐公交车上班的股评家分析，你会发财吗？
那同样你的钱你交给基金经理，他就是为了赚管理费，你能够赚到很多钱吗？挺难的。同样我自己有一个原则，如果一开始有很多出名的天使投资人投的项目，我都不会参与，我觉得一定不会成功。
比如我跟李开复、徐小平我们曾经有一个天使会，我们成立了一个基金，里面投的项目没有一个成功的。
为什么？很简单的道理，第一，我们都觉得大家都投了，大家都会去帮忙，我就不帮忙了，那些拿着我们这些大佬的钱，他们总是以为我们会帮很多忙，其实谁也没办法帮很多忙。
第二，一个东西能成功，就像今天你去看，很多人都说没有买腾讯，那些基金都说没有投资腾讯和百度，错过了!实话讲，当时你们要是投了，他们也不会成为今天，因为最终赚钱的一定是少数的。所以我们现在去看，所谓的白马，大家看清楚这个公司的时候，其实这个公司已经普通的再普通不过了，因为你已经能够用手指头算出它的PE各个方面。
投资真的是需要远见的。
那什么是好的投资呢，我觉得巴菲特我还是非常崇拜的，他投资的道理是有的，就是买消费类产品，所有的东西都是围绕消费品，巴菲特的逻辑是什么？他在喝可口可乐他就买可口可乐的股票，他在嚼箭牌口香糖他就买箭牌口香糖的股票，他在看华盛顿邮报就去买华盛顿邮报的股票，这其实是一个非常朴素的道理。
今天唯一的差别就是消费品在改变，因为我们慢慢不再看报纸，我们的报道有更多的选择了，现在的口香糖千奇百怪，现在的消费品变成什么了，你在刷微信你就赶紧买腾讯的股票，你在用美图秀秀你就应该买美图秀秀的股票，你用小米手机就去买小米手机的股票，这其实就是个简单朴素的道理。
其实消费品已经从实体转到虚拟了。30年前，因为我是70年出生的，我那时候我记得10岁以前我是穿不到新裤子的，我的裤子膝盖要补，屁股也要补，都是我哥哥穿过了，我妈给我补一下我再穿。所以那时候我们那个地方创业的人，安踏他就做鞋给我，七匹狼做衣服衬衫给我，就一定发财，因为那时候物资匮乏。后来我们为了改善生活我们喝水，所以娃哈哈卖水给你，为了吃的方便，所以康师傅卖你方便面，康师傅就发财了。后来我们觉得老房子不好，所以万科、万达就做了一大堆房子给我们，这些人在不同的阶段都发财了。
但到了今天，大部分的物资其实都是过剩的，所以这也是为什么这些企业现在不太好的原因。
80年代、90年代为什么日本电器索尼松下挣那么多钱，而为什么现在又亏钱？
因为他们把效率提高到极限，最终其实一定是亏钱的。以前我们穿衣服是因为一定要保暖，现在不是因为这个原因，是为了时尚或者其他方面的原因，以前也都是穿破了才去换。日本人做的家用电器，说实话如果因为用破你才去换，你一百年也不会用坏，所以他会进入破产阶段，所以一个新的消费品，虚拟网络出来了，我们把更多的娱乐放到了虚拟上面。
以前男人赚钱了就泡夜总会，所以当时北京的天上人间各个城市的夜总会都发财了，现在男人流行到网站、映客、陌陌上去看直播，它其实就是网上的夜总会，所以这是一个虚拟的消费品升级。
另外一个升级是什么？同样是这些实体公司，他需要有情感的需求，现在有句话说的很好，代表大部分女生，也代表25岁以下男生的消费需求，三句话：爱美，怕死，缺爱。
这几乎是现在所有消费的重点，你只要围绕这三句话，围绕这三个去做消费品都是对的。
所以你可以看到，美图秀秀为什么这么多人用，因为所有人都爱美。你们去看看现在的朋友圈，你会发现大部分都在锻炼身体，在跑马拉松，因为都怕死。为什么我们的社交网络现在这么流行，因为现在的小孩除了学校就是家庭，应该是缺乏爱的，所以他们要在网上找各种各样的爱。
刚才我们说的从消费的角度，我们其实一样是可以看到，那么你们就会说腾讯的股票已经那么贵了，大家都说股票那么贵，怎么办？
首先这么贵了他还会再贵，你看香港股市，有个很搞笑的地方，大部分公司喜欢把股票不断拆分，拆成几毛钱，就是因为他抓住了人性，大家都贪便宜，不愿意买贵的股票，却不知道好东西就是贵的。好东西你觉得贵的时候，其实是因为你买不起，当你有了钱一定还去买，但是你因为便宜去买一个东西，你卖不出去的，你只有找到一个人跟你一样贪便宜才能把这个东西卖掉。
所以你买到贵的不用担心，你会喜欢，别人也会喜欢，你看到好的东西，你买不起只是现在没有钱，但咬咬牙买下来，没有钱可以先买一半也没有关系，但是如果你贪便宜，你一定会买到更便宜的东西。
我们都在说现在很难再出现BAT这样的公司了，但我认为一定还会有新的大公司出现。现在很多人就有一个逻辑，BAT是做什么，就是做互联网。
错。
我们知道中国最早的互联网就是三大门户，网易、搜狐、新浪，你知道在12年前，也就是2004年，有谁会知道BAT会崛起吗？在北京当时我记得很清楚，技术人员都不愿意去百度，因为大家不看好。腾讯、阿里也差不多，都是算第二梯队，但这十年过来，他们三个成为最强者。同样的道理，你认为他们三个未来就是最强的吗？不，一定会有新的去打破他们，你就需要找到他们。
那就有这样一个启发，那个新的颠覆者要具备什么特征呢？
首先，我们去看互联网的发展，我觉得互联网的发展就像一百多年前的电力发展是一模一样的。
我们知道电的诞生是1895年爱迪生在纽约第五大道开的世界上第一个电厂，发电机是英国人发明的，但美国的爱迪生发明了电力，作为世界上第一个电厂它可以集中供电，这家公司也是今天的GE，GE公司就是这样由来的。
当时电力刚出现的时候，就像我们十几年前看互联网我们都觉得挺神秘，当时GE出来的时候，大家都觉得电力公司就是老大，但GE并未成为当时最赚钱的公司。现在的谷歌、Facebook，雅虎、苹果他们就像一百多年前的电力公司，中国的BAT也是，那些陆陆续续在做基础建设的，未来真正赚钱的一定不是他们。
比如有了电，整个世界产业都发生了变化。福特就因为有了电站，1920发明了世界上第一条汽车流水线。以前德国人做一部汽车大概要花10个人工花半年时间才敲出一部汽车。但福特的汽车流水线很简单，生产汽车的效率极大的提高。他卖T型车，当时在德国卖一部车子大概需要五千美金，他卖500美金。T型车从1920年存在大概到1970年，所以福特成为了美国最富有的人。
那有了电我们可以发明什么，发明电冰箱、电风扇、电视机、收音机一大堆电器，这些都改变了我们的生活。而且在电的基础上发明这些的，都成了最有钱的人，也不是之一。他怎么改变我们的？比如你再看电冰箱在发展，他其实就改变了当时整个世界经济的格局。我们知道波士顿是一个美国有钱的城市，我们路演都要去波士顿，因为那边人很有钱。波士顿最早靠什么起家，靠捕鲸鱼，运冰船这两个产业起家。捕鲸鱼是为了做蜡烛，运冰船是把冰运到欧洲储存食物，但有了电发明以后，这些行业都消灭了。
比如电熨斗。为什么我们今天有男女平等，就因为有了电熨斗的出现。为什么呢，当时一个女人一天大概要花8个小时做家务，其中2到3个小时在烫衣服，后来有了电熨斗，女人的家务工作时间变短了，女人也可以走出家门去工作了。正因为走出家门工作，才开始有了经济独立，有了经济独立也就可以参加更多的社交活动。
这时候你再看香奈儿包，现在很多女人都在买她的包，但是香奈儿它真正厉害的不是它的包包，而是她的创造性。
当时女人的裙子都很长，她们出来工作后都觉得不方便，后来香奈儿在巴黎，她就把裙子剪到膝盖这里，当时这是她第一个这样干，后来也就成了今天职业装的由来。香奈儿还发明了什么，她还发明了运动服装。为什么她会发明这个，因为她有个情侣是俄罗斯人，一个作曲家，只有俄罗斯人穿秋裤，她从这里得到启发，把秋裤加了两个口袋，就成了今天的运动服装。
其实我在说这些比喻，也是在说到今天互联网一切都好，BAT，Facebook也好，都把基础建设都搭好了，就像我们30年前的中国经济腾飞要先修桥造路一样，但那些修桥造路的不一定是最赚钱的，你去买A股里面的那些高速公路，你不会赚钱，一样的，互联网接下来进入下一场，就是一定要用这些基础建设做出创造，这些创造者就是颠覆者。
举个例子，比如Uber，Airbnb就是两个典型的例子，这两个公司严格意义上并不是互联网公司，Airbnb的创始人只是个设计师，Uber的创始人也不是互联网公司出来的，是做投行的，但这两家其实就是利用互联网去颠覆我们现有的东西。他们这两个颠覆的为什么会比较快成功？是因为这两个体量特别大，一个是车，一个是房。
未来其实还有太多可以颠覆的，你们去想想，比如房子为什么可以这样做，为什么一定要一房一厅，两房一厅，一个厨房，一个客厅，一个卫生间，为什么一定要这样？为什么不能是其他样子？这里面其实都可以思考，你看我们的会议室。前段时间我们去香港，看到香港的公司都会有一个会议室，但是那个会议室的利用率我估计平均下来一天估计也就一次。其实香港是一个地价蛮贵的地方，为什么不在设计里面调整share一下呢。我要说的就是未来其实所有的东西都是可以被颠覆的，这是一个趋势，也是一个方向。
颠覆者第二是要能够把复杂的事情简单化的东西。
其实美图是什么？当时我们做美图的时候也没想过要女孩子能够修脸，当时其实就是做傻瓜化。因为我们知道要修图就一定要用Photoshop，但它太复杂了，我们其实就是把它傻瓜化。这个傻瓜化也很简单，比如你要修眼睛，你要进到Photoshop后台，调这个参数，调哪个参数，这得多专业才行啊？其实干吗要那么复杂，你不就是要把眼睛弄大吗？其实就是要把眼睛弄大，无非是小大，中大，大大。那干脆我的技术就先把这个模型调好，然后让你选择，一键修复，这就很简单的逻辑，这就是最开始的美图。
当然美图后面已经优化了东西，但切入点一般都是一个很简单的，能把复杂的事情简单化，那么这个公司跟这个产品未来就能够得到巨大的发展。
第三，就是能够颠覆我们原来的这种商业模式，我们的运输途径的。
比如小米，小米为什么成功，我现在还是认为他成功，雷军他现在只是在成长的路上有一个暂时平台期。
很简单，联想当时要卖一台手机，要找一大堆的市场调查人员去调查，然后要生产两百万台，然后开始广告铺渠道，整个过程太复杂了。雷军把中间全部砍掉，他不用调查人员，在微博发一个大家需要什么样的手机，一大堆人给他反馈，这个比调查更有效。第二，他一定要生产多少台让大家看到，大家说要买一百万台，他还不放心，那你们一人交50块定金才下单。下完单以后开始开卖，他也不通过渠道，就直接从厂家发货给你，这个过程少了多少费用？
我觉得雷军这个人真的非常棒，他前面三年其实都在网上卖，这个效率是非常高的。只不过后来他想卖更多，卖个一亿台，两亿台，所以切入传统渠道，才把自己变重了。
有了这个思路，你再看娃哈哈他卖水。他牛在哪里，不就是他做的广告和他铺的渠道，就这两个强。那我们为什么没有人就拿我们这里的水在网上打品牌，去掉中间商直接批发去卖，一瓶水一块钱？说实话，你在村庄卖1快钱的利润中，娃哈哈大概只拿到3毛钱，7毛钱都被中间商拿走了。那我们为什么不做一个APP，让各个村庄的小卖店就下一个单，要十箱、二十箱，然后再送到，可以弄个微信、支付宝付钱，也不用给什么供应链、金融之类一大堆的东西赚钱。所以这里面还有非常多的空间。
最后我想说说，也是昨天大家关注的特郎普当选。确实让很多人大跌眼镜，因为大部分的精英大部分的主流都没想到特郎普会当选。这其实也说明很多问题。
第一层意思，我们现在大部分人听主流意见。其实所谓的主流所谓的精英不一定靠谱，因为他代表不了广大的人民群众，吃瓜群众。所以这是一个颠覆了的想法，昨天其实又有第二层意思，很多人担心的是股票跌了，后来其实美股竟然涨了，这出乎所有人的意料。我们都要找原因，这说明大家也接受了特郎普。世界都在变，特郎普他也在改变，所以刚才有嘉宾说今年是黑天鹅湖，我认为不是，因为这已经成为常态。这世界变化太快，没有什么所谓的黑天鹅，其实接下来每个月乃至每天都在发生这样的事情。
我记得2008年我们举办奥运会的时候，一个月后也没有人提到。今天再大的事情这个消息都只会存在一两天，我估计一个星期后没有人再去议论这个事情了。原因也就是因为信息太多，所以黑天鹅其实也会慢慢的变成就像白天鹅一样频繁。
第三层，更有意思的是，因为当时主流传统媒体去猜希拉里赢，他们的错误是情有可原的，但是为什么社交媒体包括谷歌、包括Facebook也会觉得希拉里会赢呢？
昨天两点我看到一张统计图（编者注：见下图）：
这张图是说，如果只统计18岁到25岁这个年龄群的投票，那么希拉里是以504VS23的绝对优势胜出。我明白了一个道理，你看为什么主流包括我说的社交网络，因为我们社交网络做一个调查，一般的信息是愿意表达意见的那部分人的信息，所以这个调查大部分是错的。如果你从哪里听到哪个媒体在网络上做的调查达到了百分之八十多，我认为大部分是错的，因为那个只是代表那帮愿意表达意见的人的观点。
所以在美国18到25岁几乎全部是支持希拉里的，就是压倒性的赢了川普，于是就会形成社交媒体都认为希拉里是会赢的，但是最后才知道是错的。因为中西部的那些中老年人根本不表达意见，也不参与调查。英国的脱欧也是一样的道理，当时主流的媒体都报道不赞成脱欧，因为都是年轻人在表达意见，那些老年人都是沉默的。
这也是非常悲哀的事情，悲哀在哪里，所有的重大的决策其实都是为了年轻人，但投票结果都是由老年人来决定年轻人的未来。
最后我想说的，因为我们都是做投资的，投资真的是一个很开心的事情，不用跟谁打交道，也不用太多的应酬。把这个事情做好是很有意义的，当然成功不会那么容易，必须要花一定的时间去研究调查，能够有独立的思考能力才有机会成功。
所以在这里也祝大家能够成功，成功完了也能像格隆那样，有一定的情怀，能够对社会做出推动，这样你的人生就会非常完美，谢谢大家。
来源：蔡文胜 36氪
智造家提供
734 浏览
互联网＋智能监控让“毒跑道”无处遁形
设计类 简爱2016 2016-06-22 19:47 发表了文章
近日，关于北京几所小学的塑胶跑道存在异味的报道成为公众关注焦点，报道揭开了骇人听闻的“毒跑道”事件黑幕。原来，塑胶跑道是用打碎了的废轮胎、废电缆等黑色塑胶垃圾作为原料与胶水混合制作而成。建成以后的塑胶跑道挥发着刺鼻难闻的毒气体。事件曝光后又一次将校园安全问题推上了风口浪尖。
“毒跑道”
据不完全统计，近十年来，北至黑龙江、南至广东、西至新疆、东到上海的全国13个省市范围内被媒体报道的“毒跑道事件”笼罩。就目前而言“毒跑道事件”已经上升为全国性的安全问题，呈现涉事地域范围广，根源深，危害大，时间长等特点。就以此次北京小学“毒跑道事件”为例，北京平谷区第六小学的塑胶跑道铺设面积1700平方米，从完工到使用，不到10天，学校里就出现部分学生不同程度的流鼻血、过敏、头晕、恶心等症状。
虽然把废旧轮胎用做橡胶跑道是获得业内认可，但据央视爆光，“毒跑道”是由打碎了的废轮胎、废电缆等黑色塑胶垃圾作为原料与胶水混合制作而成，至于什么比例和标准，全凭感觉。为更大的利润，施工队无所不用其极，什么成分的塑料颗粒都会掺到跑道里。建成后的塑胶跑道挥发出的难闻毒气体正是因为跑道制作过程中使用的溶剂、含重金属的催干剂、以及有毒塑化剂等。
如此真相，真是令人发指。孩子们在这样的跑道上跑步锻炼，真是将他们推入了死亡的怀抱。今后孩子们的校园生活怎么能让父母放心？
其实，随着物联网、云计算等科学技术的发展，“互联网＋”让各个领域之间的联系变得更加紧密。在这个即将到来的物联网时代，要想让毒跑道无处遁形并不难，智能监控可以解决这个难题。家长们一直在谴责监管不严，那么怎样的监管才算严格呢？
答案很简单——让每个环节都用上“互联网＋”。学校在启动塑胶跑道项目建设前招标到项目开始建设等阶段所有的信息都统一公开，并通知家长。在跑道建设时期，在施工现场安装有毒气体报警仪器，有毒气体泄露报警仪器，并将这些仪器设备链接互联网通过物联网平台进行实时监测，监测结果大众可随时通过互联网查阅。
据了解，有毒气体报警器用于检测大气中的有毒气体，浓度用ppm（百万分之一）表示，氧气用盈亏表示（%VOL)。采用工业级高可靠性的电化学或红外传感器，使其具有高稳定性和无需维护的特点。有毒气体探测器的核心是一个功能强大的10位的微处理器（即单片机），它可以实现自诊断、零点自动跟踪、数据分析、迟滞循环等功能。在石油、燃气、化工、油库等存在有毒气体的石油化工行业已经得到了广泛使用。当被测场所存在有毒气体时，探测器将气信号转换成电压信号或电流信号传送到报警仪表，仪器显示出有毒气体爆炸下限的百分比浓度值。
说到这，肯定会有人质疑这样的仪器和系统可行性。事实上，施工现场范围广阔，空气流通性大确实会影响到仪器检测的实际效果，不过随着技术的不断进步，这个问题将不再是难题。其实，在招标起对承建企业资质进行严格鉴定；相关部门加强监管力度，制定全国性统一标准，严格打击不良企业；在塑胶跑道成品在完成之时进行严格质检；在每个环节进行实时监控并进行联网公示，让家长们有了知情权与监督权，他们才会觉得安心。
总而言之，在“互联网＋”时代，智能检测让“毒跑道”无处遁形，那时必将给予孩子一个让家长放心的健康校园生活。
来源：网络 查看全部
“毒跑道”
据不完全统计，近十年来，北至黑龙江、南至广东、西至新疆、东到上海的全国13个省市范围内被媒体报道的“毒跑道事件”笼罩。就目前而言“毒跑道事件”已经上升为全国性的安全问题，呈现涉事地域范围广，根源深，危害大，时间长等特点。就以此次北京小学“毒跑道事件”为例，北京平谷区第六小学的塑胶跑道铺设面积1700平方米，从完工到使用，不到10天，学校里就出现部分学生不同程度的流鼻血、过敏、头晕、恶心等症状。
虽然把废旧轮胎用做橡胶跑道是获得业内认可，但据央视爆光，“毒跑道”是由打碎了的废轮胎、废电缆等黑色塑胶垃圾作为原料与胶水混合制作而成，至于什么比例和标准，全凭感觉。为更大的利润，施工队无所不用其极，什么成分的塑料颗粒都会掺到跑道里。建成后的塑胶跑道挥发出的难闻毒气体正是因为跑道制作过程中使用的溶剂、含重金属的催干剂、以及有毒塑化剂等。
如此真相，真是令人发指。孩子们在这样的跑道上跑步锻炼，真是将他们推入了死亡的怀抱。今后孩子们的校园生活怎么能让父母放心？
其实，随着物联网、云计算等科学技术的发展，“互联网＋”让各个领域之间的联系变得更加紧密。在这个即将到来的物联网时代，要想让毒跑道无处遁形并不难，智能监控可以解决这个难题。家长们一直在谴责监管不严，那么怎样的监管才算严格呢？
答案很简单——让每个环节都用上“互联网＋”。学校在启动塑胶跑道项目建设前招标到项目开始建设等阶段所有的信息都统一公开，并通知家长。在跑道建设时期，在施工现场安装有毒气体报警仪器，有毒气体泄露报警仪器，并将这些仪器设备链接互联网通过物联网平台进行实时监测，监测结果大众可随时通过互联网查阅。
据了解，有毒气体报警器用于检测大气中的有毒气体，浓度用ppm（百万分之一）表示，氧气用盈亏表示（%VOL)。采用工业级高可靠性的电化学或红外传感器，使其具有高稳定性和无需维护的特点。有毒气体探测器的核心是一个功能强大的10位的微处理器（即单片机），它可以实现自诊断、零点自动跟踪、数据分析、迟滞循环等功能。在石油、燃气、化工、油库等存在有毒气体的石油化工行业已经得到了广泛使用。当被测场所存在有毒气体时，探测器将气信号转换成电压信号或电流信号传送到报警仪表，仪器显示出有毒气体爆炸下限的百分比浓度值。
说到这，肯定会有人质疑这样的仪器和系统可行性。事实上，施工现场范围广阔，空气流通性大确实会影响到仪器检测的实际效果，不过随着技术的不断进步，这个问题将不再是难题。其实，在招标起对承建企业资质进行严格鉴定；相关部门加强监管力度，制定全国性统一标准，严格打击不良企业；在塑胶跑道成品在完成之时进行严格质检；在每个环节进行实时监控并进行联网公示，让家长们有了知情权与监督权，他们才会觉得安心。
总而言之，在“互联网＋”时代，智能检测让“毒跑道”无处遁形，那时必将给予孩子一个让家长放心的健康校园生活。
来源：网络 查看全部
近日，关于北京几所小学的塑胶跑道存在异味的报道成为公众关注焦点，报道揭开了骇人听闻的“毒跑道”事件黑幕。原来，塑胶跑道是用打碎了的废轮胎、废电缆等黑色塑胶垃圾作为原料与胶水混合制作而成。建成以后的塑胶跑道挥发着刺鼻难闻的毒气体。事件曝光后又一次将校园安全问题推上了风口浪尖。
“毒跑道”
据不完全统计，近十年来，北至黑龙江、南至广东、西至新疆、东到上海的全国13个省市范围内被媒体报道的“毒跑道事件”笼罩。就目前而言“毒跑道事件”已经上升为全国性的安全问题，呈现涉事地域范围广，根源深，危害大，时间长等特点。就以此次北京小学“毒跑道事件”为例，北京平谷区第六小学的塑胶跑道铺设面积1700平方米，从完工到使用，不到10天，学校里就出现部分学生不同程度的流鼻血、过敏、头晕、恶心等症状。
虽然把废旧轮胎用做橡胶跑道是获得业内认可，但据央视爆光，“毒跑道”是由打碎了的废轮胎、废电缆等黑色塑胶垃圾作为原料与胶水混合制作而成，至于什么比例和标准，全凭感觉。为更大的利润，施工队无所不用其极，什么成分的塑料颗粒都会掺到跑道里。建成后的塑胶跑道挥发出的难闻毒气体正是因为跑道制作过程中使用的溶剂、含重金属的催干剂、以及有毒塑化剂等。
如此真相，真是令人发指。孩子们在这样的跑道上跑步锻炼，真是将他们推入了死亡的怀抱。今后孩子们的校园生活怎么能让父母放心？
其实，随着物联网、云计算等科学技术的发展，“互联网＋”让各个领域之间的联系变得更加紧密。在这个即将到来的物联网时代，要想让毒跑道无处遁形并不难，智能监控可以解决这个难题。家长们一直在谴责监管不严，那么怎样的监管才算严格呢？
答案很简单——让每个环节都用上“互联网＋”。学校在启动塑胶跑道项目建设前招标到项目开始建设等阶段所有的信息都统一公开，并通知家长。在跑道建设时期，在施工现场安装有毒气体报警仪器，有毒气体泄露报警仪器，并将这些仪器设备链接互联网通过物联网平台进行实时监测，监测结果大众可随时通过互联网查阅。
据了解，有毒气体报警器用于检测大气中的有毒气体，浓度用ppm（百万分之一）表示，氧气用盈亏表示（%VOL)。采用工业级高可靠性的电化学或红外传感器，使其具有高稳定性和无需维护的特点。有毒气体探测器的核心是一个功能强大的10位的微处理器（即单片机），它可以实现自诊断、零点自动跟踪、数据分析、迟滞循环等功能。在石油、燃气、化工、油库等存在有毒气体的石油化工行业已经得到了广泛使用。当被测场所存在有毒气体时，探测器将气信号转换成电压信号或电流信号传送到报警仪表，仪器显示出有毒气体爆炸下限的百分比浓度值。
说到这，肯定会有人质疑这样的仪器和系统可行性。事实上，施工现场范围广阔，空气流通性大确实会影响到仪器检测的实际效果，不过随着技术的不断进步，这个问题将不再是难题。其实，在招标起对承建企业资质进行严格鉴定；相关部门加强监管力度，制定全国性统一标准，严格打击不良企业；在塑胶跑道成品在完成之时进行严格质检；在每个环节进行实时监控并进行联网公示，让家长们有了知情权与监督权，他们才会觉得安心。
总而言之，在“互联网＋”时代，智能检测让“毒跑道”无处遁形，那时必将给予孩子一个让家长放心的健康校园生活。
来源：网络
“毒跑道”
据不完全统计，近十年来，北至黑龙江、南至广东、西至新疆、东到上海的全国13个省市范围内被媒体报道的“毒跑道事件”笼罩。就目前而言“毒跑道事件”已经上升为全国性的安全问题，呈现涉事地域范围广，根源深，危害大，时间长等特点。就以此次北京小学“毒跑道事件”为例，北京平谷区第六小学的塑胶跑道铺设面积1700平方米，从完工到使用，不到10天，学校里就出现部分学生不同程度的流鼻血、过敏、头晕、恶心等症状。
虽然把废旧轮胎用做橡胶跑道是获得业内认可，但据央视爆光，“毒跑道”是由打碎了的废轮胎、废电缆等黑色塑胶垃圾作为原料与胶水混合制作而成，至于什么比例和标准，全凭感觉。为更大的利润，施工队无所不用其极，什么成分的塑料颗粒都会掺到跑道里。建成后的塑胶跑道挥发出的难闻毒气体正是因为跑道制作过程中使用的溶剂、含重金属的催干剂、以及有毒塑化剂等。
如此真相，真是令人发指。孩子们在这样的跑道上跑步锻炼，真是将他们推入了死亡的怀抱。今后孩子们的校园生活怎么能让父母放心？
其实，随着物联网、云计算等科学技术的发展，“互联网＋”让各个领域之间的联系变得更加紧密。在这个即将到来的物联网时代，要想让毒跑道无处遁形并不难，智能监控可以解决这个难题。家长们一直在谴责监管不严，那么怎样的监管才算严格呢？
答案很简单——让每个环节都用上“互联网＋”。学校在启动塑胶跑道项目建设前招标到项目开始建设等阶段所有的信息都统一公开，并通知家长。在跑道建设时期，在施工现场安装有毒气体报警仪器，有毒气体泄露报警仪器，并将这些仪器设备链接互联网通过物联网平台进行实时监测，监测结果大众可随时通过互联网查阅。
据了解，有毒气体报警器用于检测大气中的有毒气体，浓度用ppm（百万分之一）表示，氧气用盈亏表示（%VOL)。采用工业级高可靠性的电化学或红外传感器，使其具有高稳定性和无需维护的特点。有毒气体探测器的核心是一个功能强大的10位的微处理器（即单片机），它可以实现自诊断、零点自动跟踪、数据分析、迟滞循环等功能。在石油、燃气、化工、油库等存在有毒气体的石油化工行业已经得到了广泛使用。当被测场所存在有毒气体时，探测器将气信号转换成电压信号或电流信号传送到报警仪表，仪器显示出有毒气体爆炸下限的百分比浓度值。
说到这，肯定会有人质疑这样的仪器和系统可行性。事实上，施工现场范围广阔，空气流通性大确实会影响到仪器检测的实际效果，不过随着技术的不断进步，这个问题将不再是难题。其实，在招标起对承建企业资质进行严格鉴定；相关部门加强监管力度，制定全国性统一标准，严格打击不良企业；在塑胶跑道成品在完成之时进行严格质检；在每个环节进行实时监控并进行联网公示，让家长们有了知情权与监督权，他们才会觉得安心。
总而言之，在“互联网＋”时代，智能检测让“毒跑道”无处遁形，那时必将给予孩子一个让家长放心的健康校园生活。
来源：网络
855 浏览
1000字能说清工业4.0吗？
机械自动化类 天黑请闭眼 2016-06-12 16:25 发表了文章
1.为啥要搞工业4.0？
话说自动化这个行业太厉害了，生产速度越来越快，因此，产能过剩了—竞争越来越激烈，你要是没点新鲜的吸引消费者，你就会被淘汰。
以前，你只要生产的速度快，就能依靠规模效应降低成本，但是这样的话，就没有什么特色，大家就拼价格，其实，以后还是拼价格—但是，你得在个性化的情况下还得成本低—这就是难点，因为，这两者往往是矛盾，个性化往往意味着高成本和周期比较长。
好了，目的明确了“生产的个性化，还得低成本，还得质量好，还得快速生产”，让人活不？所以，说做制造业，哪里有房地产好啊！哪里有金融好啊！
苦逼的行业啊！
归根结底一句话“钱不好赚了”。得想点办法了。
2.怎么个性化？还成本低？
据说智能制造的话就能实现个性化生产，还成本能降低？真的这么神奇吗？
如果你印一本书，成本是印刷机的开机成本和制版、人工成本的总合，但是，如果你印10000册，这些公摊成本如制版就可以被降低到最小，量越大每本书的成本越低。
那如果采用数字印刷，就像打印机那样，不就可以了吗？对的，这就是为啥3D打印有潜力，但是3D打印材料局限还蛮啊！怎么才能快呢？把机器连接起来，然后削减中间环节，让生产的产品量在时间上下降就可以降低成本，但是，个性化怎么办？
用机器人，各种伺服电机，参数根据生产变化调整，每个都不一样，这样的话，就得把各种生产产品参数、工艺参数实时发送给每个生产单元。
这些机器之间得相互通信，才能交互数据，实现互联，但是，这数据分为机器的参数和管理的数据，一个叫水平方向集成，一个叫垂直方向集成，还有一个端对端啥意思？就是不同的单元和单元之间进行交互，就是自动化一个群的人和物流的一个群、设计部门、生产部门之间进行交互。
归根结底一句话“想个性化还想低成本—你们一起开个会商量一下”
3.难点在哪里？
你要把机器连接起来？他们相互之间还能协调？可是这机器有的说英语，有的说法语，谁也听懂谁的，咋办？就算有翻译还有问题，因为有的人是计算机专业的，有得是汽车专业的，还得让他们用相同的术语理解相互之间的目的和意思，所以得先制定一个标准。制定统一的数据交互标准是基础，否则，你们就别提怎么智能制造了。
归根结底”你们买的设备都是外国的，听不懂中文，还经常整高大上的术语”
4.互联互通这个事情说明白点好吗？
明白了，先得通信，什么数据交互，整那么专业干嘛？
大致意思就是：
首先，你得用网线把设备连起来，然后呢！告诉他们你们的数据格式得统一；
第二是我想要的数据给我，我不想要的数据你不要给我；
第三我MES让你们干啥你们得听明白-我是管理你们的，你们得听我调度。
5.那MES是干嘛的？
每次说这个智能制造都说MES,MES这个词听上去那么高大上，其实，就是个制造执行系统，就是家里的媳妇，协调上面的公公婆婆和下面的孩子和自己的老公，承上启下。
6.ERP是干嘛的？
就是老板，就是MES的公公婆婆，公公婆婆管的事情可多了，而且让你干啥就干啥？职位上说就是总经理。
专业术语就是叫企业资源计划—这个词我20年前就听过了，其实，也不知道还能流行多久。
7.机器人是干啥的？
好多人都说智能制造，机器人前景广阔，其实，我跟你们说实话，机器人就是个跑腿的，你们非把它整那么高大上，说不好听，他比人强的地方就是可以不停的干活，还不偷懒，干的活还漂亮，多快好省啊！
国内那么多做机器人的，其实，赚不了什么钱，不过，他们又不能没有，真是鸡肋，弃之可惜，食之无味。
不就是个家里的仆人嘛! 你们还把她弄得那么正经八百，尊重人是要的，可是不能供着，那谁干活啊？
8.人工智能是干啥的？
你说它是干啥的？就是智慧呗，经验丰富了，一个人干活干的久了，就有自己的思考能力了，能够把混乱的知识总结成更条理的工作呗。
9.物联网是干啥的？
IoT是干啥的？其实，我也不知道，据说是应用范围很广的，不过，它本身不是为工业的，但是，它部分功能可以为工业提供数据。
来源：网络。想了解更多资讯，请点击：http://bbs.imefuture.com/article 微信号:IMEfuture，二维码:
查看全部
话说自动化这个行业太厉害了，生产速度越来越快，因此，产能过剩了—竞争越来越激烈，你要是没点新鲜的吸引消费者，你就会被淘汰。
以前，你只要生产的速度快，就能依靠规模效应降低成本，但是这样的话，就没有什么特色，大家就拼价格，其实，以后还是拼价格—但是，你得在个性化的情况下还得成本低—这就是难点，因为，这两者往往是矛盾，个性化往往意味着高成本和周期比较长。
好了，目的明确了“生产的个性化，还得低成本，还得质量好，还得快速生产”，让人活不？所以，说做制造业，哪里有房地产好啊！哪里有金融好啊！
苦逼的行业啊！
归根结底一句话“钱不好赚了”。得想点办法了。
2.怎么个性化？还成本低？
据说智能制造的话就能实现个性化生产，还成本能降低？真的这么神奇吗？
如果你印一本书，成本是印刷机的开机成本和制版、人工成本的总合，但是，如果你印10000册，这些公摊成本如制版就可以被降低到最小，量越大每本书的成本越低。
那如果采用数字印刷，就像打印机那样，不就可以了吗？对的，这就是为啥3D打印有潜力，但是3D打印材料局限还蛮啊！怎么才能快呢？把机器连接起来，然后削减中间环节，让生产的产品量在时间上下降就可以降低成本，但是，个性化怎么办？
用机器人，各种伺服电机，参数根据生产变化调整，每个都不一样，这样的话，就得把各种生产产品参数、工艺参数实时发送给每个生产单元。
这些机器之间得相互通信，才能交互数据，实现互联，但是，这数据分为机器的参数和管理的数据，一个叫水平方向集成，一个叫垂直方向集成，还有一个端对端啥意思？就是不同的单元和单元之间进行交互，就是自动化一个群的人和物流的一个群、设计部门、生产部门之间进行交互。
归根结底一句话“想个性化还想低成本—你们一起开个会商量一下”
3.难点在哪里？
你要把机器连接起来？他们相互之间还能协调？可是这机器有的说英语，有的说法语，谁也听懂谁的，咋办？就算有翻译还有问题，因为有的人是计算机专业的，有得是汽车专业的，还得让他们用相同的术语理解相互之间的目的和意思，所以得先制定一个标准。制定统一的数据交互标准是基础，否则，你们就别提怎么智能制造了。
归根结底”你们买的设备都是外国的，听不懂中文，还经常整高大上的术语”
4.互联互通这个事情说明白点好吗？
明白了，先得通信，什么数据交互，整那么专业干嘛？
大致意思就是：
首先，你得用网线把设备连起来，然后呢！告诉他们你们的数据格式得统一；
第二是我想要的数据给我，我不想要的数据你不要给我；
第三我MES让你们干啥你们得听明白-我是管理你们的，你们得听我调度。
5.那MES是干嘛的？
每次说这个智能制造都说MES,MES这个词听上去那么高大上，其实，就是个制造执行系统，就是家里的媳妇，协调上面的公公婆婆和下面的孩子和自己的老公，承上启下。
6.ERP是干嘛的？
就是老板，就是MES的公公婆婆，公公婆婆管的事情可多了，而且让你干啥就干啥？职位上说就是总经理。
专业术语就是叫企业资源计划—这个词我20年前就听过了，其实，也不知道还能流行多久。
7.机器人是干啥的？
好多人都说智能制造，机器人前景广阔，其实，我跟你们说实话，机器人就是个跑腿的，你们非把它整那么高大上，说不好听，他比人强的地方就是可以不停的干活，还不偷懒，干的活还漂亮，多快好省啊！
国内那么多做机器人的，其实，赚不了什么钱，不过，他们又不能没有，真是鸡肋，弃之可惜，食之无味。
不就是个家里的仆人嘛! 你们还把她弄得那么正经八百，尊重人是要的，可是不能供着，那谁干活啊？
8.人工智能是干啥的？
你说它是干啥的？就是智慧呗，经验丰富了，一个人干活干的久了，就有自己的思考能力了，能够把混乱的知识总结成更条理的工作呗。
9.物联网是干啥的？
IoT是干啥的？其实，我也不知道，据说是应用范围很广的，不过，它本身不是为工业的，但是，它部分功能可以为工业提供数据。
来源：网络。想了解更多资讯，请点击：http://bbs.imefuture.com/article 微信号:IMEfuture，二维码:
查看全部
1.为啥要搞工业4.0？
话说自动化这个行业太厉害了，生产速度越来越快，因此，产能过剩了—竞争越来越激烈，你要是没点新鲜的吸引消费者，你就会被淘汰。
以前，你只要生产的速度快，就能依靠规模效应降低成本，但是这样的话，就没有什么特色，大家就拼价格，其实，以后还是拼价格—但是，你得在个性化的情况下还得成本低—这就是难点，因为，这两者往往是矛盾，个性化往往意味着高成本和周期比较长。
好了，目的明确了“生产的个性化，还得低成本，还得质量好，还得快速生产”，让人活不？所以，说做制造业，哪里有房地产好啊！哪里有金融好啊！
苦逼的行业啊！
归根结底一句话“钱不好赚了”。得想点办法了。
2.怎么个性化？还成本低？
据说智能制造的话就能实现个性化生产，还成本能降低？真的这么神奇吗？
如果你印一本书，成本是印刷机的开机成本和制版、人工成本的总合，但是，如果你印10000册，这些公摊成本如制版就可以被降低到最小，量越大每本书的成本越低。
那如果采用数字印刷，就像打印机那样，不就可以了吗？对的，这就是为啥3D打印有潜力，但是3D打印材料局限还蛮啊！怎么才能快呢？把机器连接起来，然后削减中间环节，让生产的产品量在时间上下降就可以降低成本，但是，个性化怎么办？
用机器人，各种伺服电机，参数根据生产变化调整，每个都不一样，这样的话，就得把各种生产产品参数、工艺参数实时发送给每个生产单元。
这些机器之间得相互通信，才能交互数据，实现互联，但是，这数据分为机器的参数和管理的数据，一个叫水平方向集成，一个叫垂直方向集成，还有一个端对端啥意思？就是不同的单元和单元之间进行交互，就是自动化一个群的人和物流的一个群、设计部门、生产部门之间进行交互。
归根结底一句话“想个性化还想低成本—你们一起开个会商量一下”
3.难点在哪里？
你要把机器连接起来？他们相互之间还能协调？可是这机器有的说英语，有的说法语，谁也听懂谁的，咋办？就算有翻译还有问题，因为有的人是计算机专业的，有得是汽车专业的，还得让他们用相同的术语理解相互之间的目的和意思，所以得先制定一个标准。制定统一的数据交互标准是基础，否则，你们就别提怎么智能制造了。
归根结底”你们买的设备都是外国的，听不懂中文，还经常整高大上的术语”
4.互联互通这个事情说明白点好吗？
明白了，先得通信，什么数据交互，整那么专业干嘛？
大致意思就是：
首先，你得用网线把设备连起来，然后呢！告诉他们你们的数据格式得统一；
第二是我想要的数据给我，我不想要的数据你不要给我；
第三我MES让你们干啥你们得听明白-我是管理你们的，你们得听我调度。
5.那MES是干嘛的？
每次说这个智能制造都说MES,MES这个词听上去那么高大上，其实，就是个制造执行系统，就是家里的媳妇，协调上面的公公婆婆和下面的孩子和自己的老公，承上启下。
6.ERP是干嘛的？
就是老板，就是MES的公公婆婆，公公婆婆管的事情可多了，而且让你干啥就干啥？职位上说就是总经理。
专业术语就是叫企业资源计划—这个词我20年前就听过了，其实，也不知道还能流行多久。
7.机器人是干啥的？
好多人都说智能制造，机器人前景广阔，其实，我跟你们说实话，机器人就是个跑腿的，你们非把它整那么高大上，说不好听，他比人强的地方就是可以不停的干活，还不偷懒，干的活还漂亮，多快好省啊！
国内那么多做机器人的，其实，赚不了什么钱，不过，他们又不能没有，真是鸡肋，弃之可惜，食之无味。
不就是个家里的仆人嘛! 你们还把她弄得那么正经八百，尊重人是要的，可是不能供着，那谁干活啊？
8.人工智能是干啥的？
你说它是干啥的？就是智慧呗，经验丰富了，一个人干活干的久了，就有自己的思考能力了，能够把混乱的知识总结成更条理的工作呗。
9.物联网是干啥的？
IoT是干啥的？其实，我也不知道，据说是应用范围很广的，不过，它本身不是为工业的，但是，它部分功能可以为工业提供数据。
来源：网络。想了解更多资讯，请点击：http://bbs.imefuture.com/article 微信号:IMEfuture，二维码:
话说自动化这个行业太厉害了，生产速度越来越快，因此，产能过剩了—竞争越来越激烈，你要是没点新鲜的吸引消费者，你就会被淘汰。
以前，你只要生产的速度快，就能依靠规模效应降低成本，但是这样的话，就没有什么特色，大家就拼价格，其实，以后还是拼价格—但是，你得在个性化的情况下还得成本低—这就是难点，因为，这两者往往是矛盾，个性化往往意味着高成本和周期比较长。
好了，目的明确了“生产的个性化，还得低成本，还得质量好，还得快速生产”，让人活不？所以，说做制造业，哪里有房地产好啊！哪里有金融好啊！
苦逼的行业啊！
归根结底一句话“钱不好赚了”。得想点办法了。
2.怎么个性化？还成本低？
据说智能制造的话就能实现个性化生产，还成本能降低？真的这么神奇吗？
如果你印一本书，成本是印刷机的开机成本和制版、人工成本的总合，但是，如果你印10000册，这些公摊成本如制版就可以被降低到最小，量越大每本书的成本越低。
那如果采用数字印刷，就像打印机那样，不就可以了吗？对的，这就是为啥3D打印有潜力，但是3D打印材料局限还蛮啊！怎么才能快呢？把机器连接起来，然后削减中间环节，让生产的产品量在时间上下降就可以降低成本，但是，个性化怎么办？
用机器人，各种伺服电机，参数根据生产变化调整，每个都不一样，这样的话，就得把各种生产产品参数、工艺参数实时发送给每个生产单元。
这些机器之间得相互通信，才能交互数据，实现互联，但是，这数据分为机器的参数和管理的数据，一个叫水平方向集成，一个叫垂直方向集成，还有一个端对端啥意思？就是不同的单元和单元之间进行交互，就是自动化一个群的人和物流的一个群、设计部门、生产部门之间进行交互。
归根结底一句话“想个性化还想低成本—你们一起开个会商量一下”
3.难点在哪里？
你要把机器连接起来？他们相互之间还能协调？可是这机器有的说英语，有的说法语，谁也听懂谁的，咋办？就算有翻译还有问题，因为有的人是计算机专业的，有得是汽车专业的，还得让他们用相同的术语理解相互之间的目的和意思，所以得先制定一个标准。制定统一的数据交互标准是基础，否则，你们就别提怎么智能制造了。
归根结底”你们买的设备都是外国的，听不懂中文，还经常整高大上的术语”
4.互联互通这个事情说明白点好吗？
明白了，先得通信，什么数据交互，整那么专业干嘛？
大致意思就是：
首先，你得用网线把设备连起来，然后呢！告诉他们你们的数据格式得统一；
第二是我想要的数据给我，我不想要的数据你不要给我；
第三我MES让你们干啥你们得听明白-我是管理你们的，你们得听我调度。
5.那MES是干嘛的？
每次说这个智能制造都说MES,MES这个词听上去那么高大上，其实，就是个制造执行系统，就是家里的媳妇，协调上面的公公婆婆和下面的孩子和自己的老公，承上启下。
6.ERP是干嘛的？
就是老板，就是MES的公公婆婆，公公婆婆管的事情可多了，而且让你干啥就干啥？职位上说就是总经理。
专业术语就是叫企业资源计划—这个词我20年前就听过了，其实，也不知道还能流行多久。
7.机器人是干啥的？
好多人都说智能制造，机器人前景广阔，其实，我跟你们说实话，机器人就是个跑腿的，你们非把它整那么高大上，说不好听，他比人强的地方就是可以不停的干活，还不偷懒，干的活还漂亮，多快好省啊！
国内那么多做机器人的，其实，赚不了什么钱，不过，他们又不能没有，真是鸡肋，弃之可惜，食之无味。
不就是个家里的仆人嘛! 你们还把她弄得那么正经八百，尊重人是要的，可是不能供着，那谁干活啊？
8.人工智能是干啥的？
你说它是干啥的？就是智慧呗，经验丰富了，一个人干活干的久了，就有自己的思考能力了，能够把混乱的知识总结成更条理的工作呗。
9.物联网是干啥的？
IoT是干啥的？其实，我也不知道，据说是应用范围很广的，不过，它本身不是为工业的，但是，它部分功能可以为工业提供数据。
来源：网络。想了解更多资讯，请点击：http://bbs.imefuture.com/article 微信号:IMEfuture，二维码:
