<blockquote><p>在企业数字化转型的浪潮中，ToB产品经理的角色愈发重要，但同时也面临着诸多挑战和误解。本文通过一个失败的数智化转型案例，揭示了ToB产品管理的核心痛点，并提出了一个系统化的ToB产品经理核心能力模型。</p> </blockquote>  ## 一次失败的数智化转型 某知名制造企业投入千万级预算启动ERP系统升级。项目启动会上，领导信心满满地宣布：“这套系统将实现全流程数字化管理，预计生产效率提升40%。”然而两年后，这个被寄予厚望的项目却以失败告终——采购部门抱怨系统无法适配供应商的多级报价体系，生产车间仍在用纸质工单传递数据，财务模块的自动化核算准确率不足60%。 复盘时发现，产品团队犯了一个致命错误：将消费品领域的用户体验思维直接套用到工业场景。他们设计了酷炫的数据可视化看板，却忽略了供应商分级管理的业务规则；开发了复杂的移动审批流程，但未考虑车间网络覆盖的实际限制。 这印证了ToB产品领域的铁律：**不理解企业业务本质的产品设计，注定沦为昂贵的数字摆设**。 ## 解码ToB产品经理真实画像 在数智化转型浪潮中，企业对产品经理的角色认知往往存在三大误区： **误区一：原型设计专家** **企业幻想**：产品经理是UI界面魔术师，能用工具绘制出完美交互原型。 **现实重击**：某集团ERP项目失败案例证明，酷炫的移动审批界面无法弥补供应商分级规则缺失的致命伤。 **误区二：功能集大成者** **企业幻想**：产品经理是功能仓库管理员，能无上限堆砌客户需求。 **现实重击**：某制造企业ERP系统300个需求中，仅20%真正影响ROI其他的完全不重要。 **误区三：技术翻译官** **企业幻想**：产品经理是人肉API接口，只需把业务语言转译成技术术语。 **现实重击**：物流企业智能调度系统，”最优路径”忽视交管政策和司机经验，频繁推荐违规路线导致罚款激增。 真正的ToB产品经理，是站在业务痛点与技术实现交汇点的架构师。他们自身需要掌握四大核心能力，这些能力直接决定产品能否穿透企业复杂的组织架构，在价值链中找到不可替代的位置。 ## ToB产品经理核心能力模型 这张图精准拆解了ToB产品经理的成长阶梯，用“段位”量化了从**基础执行者**到**战略决策者**的能力差异。  ### 入门 **核心能力**：调研单个功能、写需求文档（PRD）、管好需求池。 **典型任务**： - 分析某个按钮的用户点击频率； - 写清楚一个功能的操作步骤和界面原型； - 按“紧急/重要”四象限给需求分类。 **段位短板**：眼里只有“功能”，看不到业务全流程，更不懂为啥老板总说“要有战略眼光”。 ### 进阶 **核心能力**：设计业务流程、建方法论、平衡短期和长期需求。 **典型任务**： - 梳理销售从下单到交付的全流程，找到卡点； - 用一套模板让PRD写起来又快又规范； - 说服技术团队：“这个需求现在不做，明年成本翻倍！” **段位短板**：能优化自家业务，但面对跨行业合作或产业链难题时，依然一脸懵。 ### 高级 **核心能力**：设计产业协同规则、预判政策风向、驱动战略落地。 **典型任务**： - 拉通供应商、渠道商和客户，设计一个多方共赢的合作模式； - 从市场中嗅出未来行业的发展新方向； - 写一份50页的商业计划书，让投资人看完直接打钱。 **段位大招**：别人在“解决问题”，你在“重新定义问题”。 ## 非核心能力的边界界定 在ToB领域，产品经理的核心竞争力在于**业务价值挖掘与生态协同**，而非“样样精通”。以下4项能力虽重要，但并非核心，且均有更专业的角色承接： ### 交互设计（UXD） **为什么不是核心**： ToB决策本质是**理性采购**，企业更关注功能能否解决实际问题，如医疗系统需兼容老旧设备，而非界面是否酷炫。95%的B端用户可容忍“丑但能用”的界面，但无法接受功能缺失。 **交给谁做**：**UXD设计师，**用专业设计平衡功能与体验，由产品经理提业务诉求。 ### 项目管理 **为什么不是核心**： 项目进度把控是**标准化动作**，优秀项目经理可通过甘特图和流程等工具完成。 **交给谁做**：**专职项目经理，**用专职项目经理盯进度，为产品经理同步关键业务风险。 ### 市场推广 **为什么不是核心**： ToB成交依赖**价值自证，**如ROI测算、标杆案例，而非营销话术。客户会带着技术团队直接测试产品。 **交给谁做**：**市场部/售前顾问，**进行产品价值卖点提炼，由产品经理提供核心数据支撑。 ### 技术架构 - **为什么不是核心**： 架构稳定性是底线要求，但技术优势必须通过业务场景体现。产品经理不必懂代码，但需懂技术如何服务业务。 - **交给谁做：技术经理/架构师，**负责系统扩展性与安全性，产品经理提出业务对技术的要求。 ## 在复杂系统中寻找简单真理 ToB产品经理的真正价值，不在于掌握多少方法论工具，而在于建立”三位一体”的认知框架： - **业务显微镜**：穿透组织迷雾，看见需求背后的真实痛点。 - **价值密度计**：在功能洪流中筛选出真正的价值锚点。 - **生态坐标系**：在产业网络中定位产品的不可替代位置。 当数智化转型进入深水区，那些能够用需求管理守护客户价值，用产品定位开辟战略空间的产品经理，终将成为企业数智化转型的”首席产品架构师”。 **用业务逻辑炼金，用生态定位封神。** 本文由 @ZQ 原创发布于人人都是产品经理。未经作者许可，禁止转载 题图来自Unsplash，基于CC0协议 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务

人型机器人时代的触觉革命。

3月12日，全球最大加密货币交易所币安（Binance）宣布，获得了来自阿联酋人工智能投资公司MGX高达20亿美元的投资，MGX获得币安少数股权。根据新闻稿，这笔投资将以稳定币（stablecoin，一种具有锚定属性的加密货币，常与法币挂钩）形式支付。这是币安迄今为止获得的首笔机构投资，也是史上对加密货币公司的最大单笔投资。  MGX首席执行官Ahmed Yahia认为，机构投资者对安全、合规、可扩展的区块链基础设施的需求空前高涨，“币安长期以来一直是加密行业创新的引领者，从交易技术到代币化、质押和支付，我们期待共同打造更加包容和强大的数字金融生态。” 近年来，币安在阿联酋业务布局不断深化。据新闻稿，当前币安全球5000名员工中，约1000人位于阿联酋。同时，币安现在拥有超过2.6亿注册用户，累计交易量已超过100万亿美元。 币安首席执行官Richard Teng表示，MGX 的投资不仅是币安的重要里程碑，也对整个加密行业具有深远影响，“币安将继续与全球监管机构合作，推动透明、负责任和前瞻性的行业政策，同时加大对安全和合规的投入，以构建安全可信的数字金融生态。” 此前，币安曾在多个国家面临监管压力。2023年，币安及其创始人赵长鹏被美国证券交易委员会起诉，指控其违反证券规则。同年，赵长鹏辞去币安首席执行官一职，由曾在阿布扎比国际金融中心监管机构担任过首席执行官的Richard Teng接任。 2024年12月，Teng曾对媒体透露，币安仍在为其全球总部寻找合适的落脚点。 **MGX与阿联酋资本布局** MGX成立于2024年3月，由阿联酋主权财富基金穆巴达拉投资公司（Mubadala）与阿联酋人工智能和云计算技术巨头G42集团共同创立。 其投资策略主要集中于人工智能基础设施、半导体和人工智能核心技术与应用三大主要领域。阿联酋国家安全顾问、阿联酋总统的兄弟Sheikh Tahnoon bin Zayed Al Nahyan出任董事长一职。 在成立后，MGX积极投资人工智能及先进技术领域。 2024年10月，MGX曾参与OpenAI 66亿美元的融资。2025年，MGX还与OpenAI、软银、微软和甲骨文合资，投资建设人工智能基础设施“星际之门（Stargate）”。此外，2024年底，MGX也参与了马斯克旗下大模型平台xAI的60亿美元C轮融资。 本次投资也是MGX首次公开涉足加密货币领域。 [查看评论](https://m.cnbeta.com.tw/comment/1485388.htm)

随着标普500指数周四收盘较上月所创历史高位的跌幅超过10%，这一美国基准股指一年多以来首次正式步入了技术性回调修正区域。同时，这也是新冠疫情以来标普500指数陷入回调速度最快的一次……  现在的问题是，股市的下滑势头是否还会进一步加剧？ 在标普之前，纳斯达克综合指数上周就已率先进入了回调——截至周四收盘，已较去年12月的高点下跌逾14%。蓝筹股指数道指也同样已较其自身纪录高点下跌了逾9%。 从市值的角度看，标普500指数本轮的急速下跌，意味着其已从2月份的高点折损了逾5万亿美元的市值，与年初华尔街对特朗普的大部分议程欢呼雀跃时相比，市场情绪发生了急剧的逆转。该指数上一次出现回调还要追溯到2023年底。 业内汇编的数据显示，标普500指数从2月19日的高点迄今，仅用了16个交易日就下跌了10%，这是自1929年以来第七快的回调。七次如此大的下跌中有三次发生在特朗普总统的任期内——分别是2018年、2020年和现在。  Macro Risk Advisors首席技术策略师 John Kolovos表示，“大多数市场回调往往需要大约两个月的时间才能完成。而我们这次只花了大约两周的时间便达到了这一水平。” 那么，当前美股究竟处于了一个怎样的境地之中？技术回调又是否会演变为更凶猛的熊市？以下不妨让我们从多个维度来剖析一番： 回调会进化成熊市吗？ 根据Yardeni Research的数据分析，美股的回调本身其实相当常见，标普500指数自1929年以来总计已经历了56次回调。不过统计显示，其中只有22次进一步迈入了熊市，熊市的定义是较近期历史高点下跌20%或更多。  而如果回调没有演变成熊市，对市场造成的损害就会小得多。 数据显示，自1929年以来，未踏入熊市的回调导致股市从峰顶到谷底的平均跌幅为13.8%，而熊市期间的平均跌幅为35.6%。 当然，投资者眼下可能还不必急于重新入市。Yardeni Research的数据显示，标普500指数的平均回调期会持续115天。目前的调整迄今仅还持续了22天。 历史数据还表明，自2008年以来，标普500指数进入调整区间后的第一个月，股市通常还会继续下跌，该指数在30天后的平均回报率为负1.7%。不过，根据道琼斯市场数据，股市往往会在较长时间内反弹，标普500指数在接下来的三个月里平均能上涨 2.1%，六个月内上涨近5%。  关税问题 如果要论本轮美股回调背后的元凶，很多人第一时间无疑便会联想到美国总统特朗普。确实，特朗普2.0政府针对加拿大、墨西哥和中国等主要贸易伙伴关税举措的反反复复，在抑制投资者对高风险资产的偏好方面起到了关键作用。  不少投资者和分析师目前依然担心，不断升级的贸易紧张局势可能会加剧通胀压力，并有可能阻碍经济增长，从而引发经济衰退的幽灵。 关税的不确定性刺激了投资者的神经，也引发了对所谓的“特朗普看跌期权”(即指望总统不惜一切代价支撑股市的想法)已经不复存在的担忧。 Horizon Investment Services 首席执行官Chuck Carlson说，经济仍存在很多不确定性。其中一些不确定性当然是由关税驱动的，同时也有其他的不确定性因素，这让投资者认为，也许硬着陆终究会发生。 避险热潮 在美股下跌的同时，投资者也正纷纷寻求各种传统的避风港，以应对市场的进一步动荡。 日元因日本庞大的海外净资产和长期低利率环境而常被业内视为避险货币，年内其已累计升值了逾6.5%，美元则遭遇了全面抛售。事实上，从某种程度而言，日元的升值和套利交易的解除在一定程度上也会如去年8月的市场动荡一样，对美股下跌起到推波助澜的作用。 注：依次为日元兑美元汇率、黄金、医疗和消费两板块、20年以上美债ETF 被视为对冲不确定性工具的黄金价格本周四也创下了历史新高，纽约期金史上首度升破了3000美元/盎司大关。 美国经济停滞风险的增加还促使投资者寻求买入美国国债。债券价格的上涨已使与债券价格走势反向的基准10年期美债收益率跌至了4.296%，自1月中旬以来累计下跌了约50个基点。 即使在股票市场中，投资者也倾向于持有那些风险较低、更具防御性的市场领域，例如标普500医疗保健和消费必需品板块——这两个板块年内分别上涨了4.5%和1.3%。 经济不确定 快速变化的特朗普政府政策，也增加了企业、消费者和投资者面临的不确定性，引发了谨慎情绪的持续攀升。 美国经济政策不确定性指数最近已跃升至2024年7月以来的最高水平，该指数分析了与经济和政策不确定性相关的关键词的报纸文章，以及税法变化和其他经济数据。  政策不确定性上升不仅对股市不利，而且对商业投资和消费者支出也不利。 周一，达美航空将第一季度利润预期下调了一半，公司首席执行官表示，由于美国经济的不确定性，经济环境已经减弱。 人心惶惶 美国个人投资者协会(AAII)最新的情绪调查显示，散户投资者对美国股市短期前景的悲观情绪达到了两年多以来之最。备受关注的牛熊比率在截至周三的一周内跌至0.3，为2022年9月以来的最低。 注：AAII情绪调查 散户悲观情绪数据 情绪的变化伴随着机构投资者大幅削减股票配置。德意志银行分析师在近期的一份报告中表示，机构投资者当前股票配置比重自去年8月以来首次降至轻微低配水平。 与此同时，有着“恐慌指数”之称的美股波动率指数(VIX)——一项衡量投资者对防范市场下跌需求的期权指标已跃升至7个月高点29.57，远高于其长期均值水平17.6。 七巨头失势 过去两年领涨市场的“美股七巨头”在2025年也集体遇挫。 随着投资者变得更加规避风险，寻求更安全的投资，这些科技和成长型巨头经历的跌幅超过了大盘。自标普500指数于2月19日达到峰值以来，“七巨头”股票平均下跌了约17%，其中特斯拉下跌了约33%。 注：七巨头中，特斯拉跌幅最大，微软跑赢大盘 随着投资者减少对这些曾经走势强劲的股票的投资，市场风格可能由此切换，资金或转向其他板块寻求新领涨力量。 Horizon Investments研究主管Mike Dickson表示，“每天都有新的关税新闻，这对市场造成了压力。你会在市场中一些更敏感的领域看到这种情况，尤其是那些估值较高的‘七巨头’，现在的感觉并不好。” [查看评论](https://m.cnbeta.com.tw/comment/1485386.htm)

目前美国司法部起诉Google的反垄断案正在继续中，美国司法部拟议的补救措施就包括强制Google剥离 Chrome 浏览器并禁止Google搜索向合作伙伴提供分成，这将影响Firefox浏览器和苹果 Safari 浏览器。 [](https://static.cnbetacdn.com/article/2024/1218/04c4a1a3b5aabb9.jpg) Google搜索每年向Apple Pay 200 亿美元让Google成为 Safari 浏览器的默认搜索引擎，同时Google也向Firefox浏览器支付费用以便能够成为Firefox浏览器的默认搜索引擎。 因此如果美国司法部拟议的补救措施获得法院支持的话，Google将无法再通过付费方式成为 Safari 和 Firefox 默认搜索引擎，这对Firefox浏览器来说可能是个灾难，因为该浏览器非常依赖于Google搜索提供的分成。 **本周Mozilla基金会再次发布博客回应美国司法部拟议的补救措施，Mozilla基金会执行董事马克苏尔曼称：** 这些禁止向小型和独立浏览器支付搜索费用的拟议补救措施忽视了大局 — 受害最深的人是日常互联网用户。像 Firefox 这也的独立浏览器站在保护消费者隐私、推动浏览器创新和让人们真正选择如何体验网络的最前线，但美国司法部的拟议补救措施非但没能促进公平竞争，反而会使得竞争环境进一步向少数主导者倾斜，从而减少消费者的选择并削弱更广泛的互联网生态系统。 **Mozilla基金会在博客中列出多个反对意见：** 美国司法部希望禁止Google与浏览器之间的所有搜索协议，即使是市场占有率比较小的独立浏览器 像苹果等拥有浏览器的主导企业并不依赖于搜索交易，因为这些企业从硬件、操作系统和应用商店等其他来源也可以获得可观收入 像 Firefox 这也的独立浏览器主要通过搜索收入资助浏览器的开发，必须有这种收入才能生存、才能保持 Firefox 竞争力 惩罚独立浏览器并不能接近问题，法院发现独立浏览器仅占美国搜索查询的 1.15%，这意味着切断 Firefox 的搜索交易并不能解决问题 这些措施并不能解决Google搜索主导地位的问题，至少不是压倒性的，但对 Firefox 这样的独立浏览器来说确实是个灾难，最终可能会导致独立浏览器利益受损甚至最终危害到市场的竞争和人们的选择。 **网络不能失去 Mozilla 的浏览器引擎：** Mozilla基金会还谈到目前市场上的浏览器内核竞争问题，因为当前市场上存在的浏览器内核只有 Chromium Blink、Apple WebKit 和 Firefox Gecko。 而现实情况是大多数浏览器都使用 Chromium Blink 内核，例如 Chrome、Microsoft Edge、Brave、Opera、Vivaldi 等，而苹果的 WebKit 内核只有 Safari 使用，因此也只有 Firefox Gecko 才是 Chromium 唯一跨平台替代品。 如果美国司法部禁止Google向独立浏览器开发商支付费用，这将让 Mozilla 开发和维护 Gecko 的能力面临风险，如果 Mozilla 无法维持 Gecko 和 Firefox，这将严重影响浏览器引擎竞争，这还意味着开放网络的消亡，因为最终这将创建一个由 Google 和苹果主导的拥有更多控制权的网络。 Mozilla 呼吁美国监管机构和政策制定者认识到独立浏览器的重要作用，同时也要采取行动培育竞争和创新，在不断发展的数字环境中保护公众利益。 Mozilla 致力于确保公平竞争的互联网生态系统，让独立浏览器可以在公平环境中竞争，让消费者拥有真正的选择。 [查看评论](https://m.cnbeta.com.tw/comment/1485382.htm)

埃隆·马斯克周三突然造访美国国家安全局，一周前他表示这家负责收集外国情报的秘密机构需要整改。接待马斯克的是美国国家安全局和网络司令部负责人Timothy Haugh。 美国国家安全局发布声明称，这是马斯克作为美国总统特朗普削减成本的特别顾问首次来访。美国情报界早已在为马斯克的审查做准备。 “美国国家安全局需要彻底改革，”马斯克3月6日在社交媒体平台X上写道。 美国的国家安全机构应该不受马斯克削减成本的影响。但美国中央情报局局长John Ratcliffe向他的下属给出买断方案。  [查看评论](https://m.cnbeta.com.tw/comment/1485378.htm)

**全新奔驰CLA正式发布，成为MMA架构的首款车型。**未来，该架构还将衍生出CLA Shooting Brake（预计9月慕尼黑车展首发）、全新GLA、GLB以及小号“G级”等车型。 [](//img1.mydrivers.com/img/20250314/c4c6eeabb11d4791afd1833fde3c0a5f.png) **新车将于4月上海车展完成国内首秀，国产长轴距版有望在年底上市。** 外观：电动化风格明显。 全新奔驰CLA延续了概念车的设计语言，前脸配备大尺寸梯形中网，纯电动版采用封闭式设计，内部镶嵌大量可点亮的品牌LOGO，展现电动化风格； [](//img1.mydrivers.com/img/20250314/48534722ffca4ba1bd48b920089e46dc.png) 轻混和插电混动版则采用网状格栅。大灯呈倒三角形，内置三叉星状LED日行灯，搭配贯穿式灯组，前脸设计十分丰富。 侧面保留了经典的溜背造型，车顶曲线优美，肩线采用分段式设计，搭配隐藏式门把手，风阻系数仅为0.21。 [](//img1.mydrivers.com/img/20250314/7cb50739015e4cf4a4376f6c2f953d3e.png) **车身尺寸为4722×1880×1468毫米，轴距2789毫米，提供17-19英寸轮圈选择。** 车尾配备上翘的鸭尾式扰流板和贯穿式尾灯，燃油版和纯电动版造型一致，均采用隐藏式排气布局。 [](//img1.mydrivers.com/img/20250314/6ab41eb18ef44ee18dc8b124d9d34f9f.png) [](//img1.mydrivers.com/img/20250314/e2e521c212be4ae4a42a27df6e5422e4.png) **内饰：座舱大幅升级** 车内配备全新三联屏设计，由10.25英寸液晶仪表、14.6英寸中控屏和14英寸副驾娱乐屏（选装）组成，内置奔驰最新的MB.OS操作系统，支持AI语音助手和5G互联，副驾可通过手势控制实现屏幕互动。新车还支持选装12.2英寸HUD抬头显示屏，配备16扬声器Burmester音响系统。 [](//img1.mydrivers.com/img/20250314/d037c6cff32a47e4bf03648b9198983a.png) **智能驾驶方面，配备最新的MB.DRIVE系统，可实现L2+级驾驶辅助，并配备先进泊车系统。** 纯电动版成为奔驰首款配备前备厢的车型，容积为101升；传统后备厢容积为405升，后排座椅支持4/2/4比例放倒，进一步扩展储物空间。 [](//img1.mydrivers.com/img/20250314/b3b1b57b5cf24bc0a61978a29899d2bb.png) **动力：多种动力版本，支持800V架构** 新车提供轻混、插电混动和纯电动版本。 轻混版搭载1.5T发动机与48V电机，匹配8速双离合变速箱，前驱版最大功率分别为136马力和163马力，四驱版最大功率191马力； 插电混动版采用1.5T发动机与电机组合，系统综合功率300马力，纯电续航100公里。 纯电动版提供后驱和四驱版本，单电机后驱版最大功率268马力，0-96公里/小时加速6.6秒；四驱版最大功率349马力，加速4.8秒。 [](//img1.mydrivers.com/img/20250314/ad39cd54bb4e407cb26545a1b9ca80c0.png) 配备85kWh三元锂电池，后驱版WLTC工况续航792公里，四驱版771公里。 支持800V技术，最大充电功率325kW，充电10分钟可增加325公里续航。年末还将推出58kWh磷酸铁锂电池版本。 [](//img1.mydrivers.com/img/20250314/e55d2d2630104dcfa68a53c22b19f0cf.png) **MMA架构：兼容性强** MMA架构（Mercedes-Benz Modular Architecture）具备三大特点：800V电气架构、全新电驱单元和MB.OS操作系统。 **800V架构提供更高充电效率，支持高压电池功能一体化和封装技术，提升能量密度。** 全新电驱单元“EDU2.0”集成电机、两挡变速器等，主力电机为200kW永磁同步电动机，提供四轮驱动选项。 MB.OS操作系统全面整合车辆功能，包括信息娱乐、智能驾驶辅助、车身舒适功能、行驶与充电等，支持英伟达高性能水冷芯片、L2++级城区领航功能和双向充电。 此外，该架构还具备高度联网的安全功能，如儿童安全监测系统，避免高温天气下儿童被遗忘车内的风险。 [](//img1.mydrivers.com/img/20250314/6cdccb07577343a889a61c7d6ada9d74.png) 全新奔驰CLA展现了奔驰最新的设计语言和智能化升级，MMA架构的高兼容性为消费者提供了丰富选择。 国产长轴距版的推出将进一步满足国内市场需求，然而，面对国内市场的激烈竞争和消费者对价格的敏感性，全新奔驰CLA的定价策略将面临挑战。 [查看评论](https://m.cnbeta.com.tw/comment/1485376.htm)

 作者：王瑞昊 编辑：相辉 “一个随心而为的老板，再加上一个随心而为的投资者，就造就了那场直播。”哪吒汽车员工李然对雷峰网说道。 2024年3月26日在哪吒汽车桐乡工厂，时任哪吒汽车CEO张勇和投资人周鸿祎（360集团创始人）共同出镜直播，为即将上市的新车哪吒L预热，并参观哪吒汽车位于浙江桐乡的生产工厂。 本来的剧本是周鸿祎乘坐哪吒L，在聊天之余对车辆作一番正面点评，并夸赞一下哪吒汽车的制造实力为新车造势以及增加品牌关注度。 但事与愿违，直播过程中周鸿祎几乎全程“黑脸”，他不断指责张勇，“你们什么都不明白”“鬼知道你是在拆在干什么”“你看小米演示的”“你们从营销到产品规划就是老是自嗨”。”俨然将面对大众的直播变成了股东训斥高管的内部会议。 直播画风突破了很多人的想象，行业人士对这场直播的评价可以用“瞠目结舌”来形容，了解哪吒汽车的从业者则是一种“五味杂陈”的感觉，因为他们印象中的哪吒汽车不该被这样对待。 李然告诉雷峰网，“这场直播不太好，为哪吒汽车招了很多黑粉。且自从周鸿祎介入之后，很多原本的铁粉也粉转黑了。” 在这场直播发生前，哪吒汽车的经营状况已“危机四伏”。根据招股书显示，截至2023年12月31日，哪吒汽车的现金及现金等价物剩余28.37亿元；到了2024年4月30日，其现金储备只剩下4亿元，而同期的借款达37.7亿元，应付款和应付票据更是达52.8亿元。 作为投资人的周鸿祎，他不希望自己的投资“打了水漂”，试图以自己的方式将哪吒汽车重新拽回牌桌，只是哪吒汽车“觉醒”太晚，周鸿祎很难靠一己之力扶起哪吒汽车“这座摇摇欲坠的大厦”。 ### 危机会“迟到”，但不会“缺席” 2024年4月22日，筹备已久的哪吒L迎来上市，这款起售价12.99万元的新能源中型SUV，配备了零重力座椅、冷暖冰箱、后排小桌板等高端车型才有的配置，被用户称为“半价理想”。 雷峰网了解到，哪吒L其实是从此前淘汰车型方案中临时“凑”出来的。 为了增加这款车的竞争力，哪吒只能基于哪吒S的平台研发，因为着急上市来不及再做修改，这也是哪吒L各方面产品力均不像一个10万级车型，唯独前脸设计显得有点“挤眉弄眼”的原因。“空间OK、配置够高、省油省电、价格合适，就造型差点意思。”一名哪吒汽车内部员工这样评价哪吒L。 哪吒L诞生于山海平台，而这一平台是为高端化车型所设计。山海平台诞生的首款车型是2022年上市的哪吒S，起售价19.98万，最高卖到34.18万元。10万级车型对应的是另一个“云河平台”，哪吒V、哪吒U等10万级车型均诞生于云河平台。 原本这款12.99万起售的“救命车型”并不在既定的产品规划中，让张勇意外的是，哪吒L这个充当“救火”角色的车型，却意外大火——上市72小时订单破万台，上市35天订单超过3万台，只是哪吒L的“爆单”，并没有让张勇有多兴奋。 因为事先没有做“爆单”的准备，导致哪吒L交车出现大面积交付延期情况。雷峰网获悉，哪吒汽车在为哪吒L做生产规划时，将销量最高车型预计成次顶配，但结果却是顶配车型“红衣版”最受欢迎，在3万台订单里55%都选的是红衣版，“红衣版”需要替换更好的座椅、京东方双联屏、米其林轮胎等更好的零部件。 事实上供应商也没有为哪吒汽车备货，比如米其林就没有为哪吒汽车生产多余的轮胎，以至于哪吒汽车给出了先为用户提供低一级的朝阳轮胎，后续再免费赠送米其林轮胎补偿方案，只是这个方案并未获得供应商的支持。 汽车供应链有一个不成文的鄙视链：全进口＞合资＞自主品牌＞新势力，即：给大厂供过货的供应商更受欢迎。一名供应商人士向雷峰网分析，假如某供应商给哪吒汽车供过货，那么除非他同样给更高层级的主机厂供货，否则他以后就很难从新势力的供应链跳出来了。（主机厂为什么会有这样的鄙视链，欢迎添加作者微信Hugh-wangruihao交流） 哪吒汽车当时的情况是此前股东承诺的30亿融资迟迟未兑现，而其账上现金已不足4亿元。由于此前的供应商账期全面到期，再加上桐乡工厂在2024年一季度就经常放假停产，哪吒汽车给供应商留下了不好的印象。 一名内部员工告诉雷峰网，多个核心供应商已不再相信哪吒汽车，要求现款现结，这种情况下，供应商也很难再相信哪吒汽车可以到期还账，截至2023年底，哪吒汽车贸易应付款项与应付票据已达62.3亿元。 2024年以来，哪吒汽车母公司合众新能源多次被供应商起诉。例如在11月8日，供应商埃夫特将合众新能源起诉至法院。埃夫特称，合众新能源拖欠4819.5万元项目款未付，要求清偿债务并赔偿逾期损失。 订单交不上无法产生现金流，接着供应商账期到期无法提供配件，然后工厂被迫停产，最后订单无法交付。“这就形成了一个恶性循环，”一名哪吒汽车工厂员工说，“供应商不再相信哪吒汽车可以良性运作起来了。” 哪吒L大火以后，哪吒汽车在2024年6月份开始对外招聘开启双班生产，从6月到8月铆足劲干了3个月。但随着后续供应商断供，桐乡工厂在9月份生产了半个月之后再次被迫停产。 一些哪吒L死忠粉甚至等了3个月之久，希望可以将自己心心念的爱车开回家。其实，他们的订单早已生产完成并停放在工厂外的停车场，只是这些用户还不能提车，因为还差几个零配件没有装上。 接近张勇的哪吒汽车员工李然无奈表示，“勇总（张勇）也尝试了，自己出去找钱，亲自去找供应商谈判。”雷峰网获悉，在最困难的时候，张勇甚至将自己的年薪主动降到200万左右，其他管理层甚至抵押个人资产维持运营但仍然无济于事。 哪吒L的意外大火，让本在2024年三四月份就应该爆发的危机，推迟到了10月份。10月中旬，哪吒汽车已经无法给员工发足全额工资。12月6日，哪吒汽车官宣张勇不再担任首席执行官，转任公司顾问，创始人、董事长方运舟兼任首席执行官，值得注意的是张勇的名字还在哪吒汽车的飞书系统中，职位不变。 ### “直男”张勇 加入合众新能源之前，张勇所在的北汽新能源是名副其实的头部新能源车企，张勇本人也在圈内早已名声大噪。张勇仅用三年时间就把北汽新能源纯电动车送上第一梯队，EC、EU 系列销量突破10万，连续5年成为全国第一，并在2017年超过特斯拉成为当年的纯电动车全球销冠。  张勇之所以愿意加入合众新能源是因为其大学同学方运舟，二人先后在奇瑞共事，方运舟在奇瑞一直负责新能源相关技术的研发，张勇在2010年到2014年期间担任奇瑞新能源常务副总经理主管营销业务，也正是在这段时间两人形成工作默契。 方运舟在2013年到2014年期间攻读了清华大学博士，师从中国科学院院士欧阳明高，受到欧阳明高的鼓励，方运舟在2014年博士毕业后向尹同跃提交辞呈，联合清华大学背景的机构及企业，在浙江桐乡成立了合众新能源。 2014年，我国在全年出台了16项新能源汽车政策，包括推广、应用以及购置税减免等。因此2014年也是公认的新能源汽车赛道创业元年。从这一年开始，蔚来、小鹏、理想、威马、零跑等数百个造车新品牌如雨后春笋般涌现，合众新能源就是在这样的背景下成立。 成立后的最初3年，技术出身的方运舟，一心扑在研发上。他用了3年多就做出了合众新能源的第一款车型——N01。由于不擅长营销，在2018年之前，坊间很少有人听说过合众新能源这个名字。N01需要上市销售，公司也需要打开知名度，此时方运舟想到了他的大学同学、此前在奇瑞新能源共过事的张勇。 方运舟招揽张勇的办法也很简单：一是给予张勇数倍于前东家的薪酬。根据招股书显示，2021年到2023年张勇的打包薪酬分别是1166.3万元、2363.5万元、3099.4万元；二是充分信任张勇并给予充分放权，让张勇担任CEO作为企业事实上的一把手示人。 方运舟之所以这样做，一方面他的确不擅长营销，他需要张勇的帮助，将他造出来的车卖出好成绩；另一方面，作为一名技术控，方运舟希望可以退居幕后，专心钻研技术，这也是他将企业经营管理的权限全部交给张勇的原因。 李然告诉雷峰网，方董（方运舟）的普通话不好，跟别人沟通，可能对方都听不太懂方董的意思。“他更适合做幕后工作，不适合做营销。”  张勇曾评价他和方运舟配合默契，是最佳搭档。方运舟很信任张勇，事关企业发展核心的经营上也放手让张勇去干，一直信任并支持张勇的决策，在方向性问题上几乎没有不同的意见。 2018年1月张勇从方运舟手上接过经营管理权后，合众新能源开始走上大规模扩张之路。张勇招揽了大量其此前在北汽新能源和奇瑞等传统主机厂的老同事，负责生产制造的孔繁龙，是奇瑞公司原创始人之一；负责技术研发的彭庆丰也来自奇瑞；设计总监常冰则是张勇在北汽新能源时期的同事。 “大都是老朋友。”在谈及合众新能源的管理团队时，一名北汽集团内部人士这样告诉雷峰网。 2018年6月，张勇代表合众新能源发布首个产品品牌“哪吒”，按照张勇自己的说法，哪吒汽车仅一个LOGO设计就花了不止5个亿，也正是在这种势头之下哪吒汽车开启了扩张之路。公司员工规模在2018年从600人迅速扩张到超过1500人，并在2023年扩张到超过7000人，同时合众新能源还在美国硅谷设立了自动驾驶研发中心。 从2018年初张勇加盟到2022年底的这5年间，合众新能源算是在按照既定节奏前行，张勇依靠在北汽新能源和奇瑞期间验证过的成功经验，将合众新能源带到了新势力第一的位置。 张勇用了屡试不爽的两招打法让哪吒汽车快速起量，一是新车型在产品力上以大大小，同时突出性价比；二是将销售对象面向运营网约车等B端客户。 2018年11月哪吒N01上市，售价仅为5.98万元起。在这款车上市前，哪吒汽车和百余家城市合伙人签约超过5万台新车订单，确保N01车型上市即走量。此后两年，哪吒又接连推出另外两款纯电小车——哪吒U和哪吒V，前者售价10万级，后者售价5.99万元起。 两辆车发布之后哪吒汽车快速起量，张勇的策略也使得哪吒汽车很快在造车新势力中崭露头角，2021年哪吒汽车销量大涨362%，位居当年造车新势力榜第四，紧随“蔚小理”之后；2022年，哪吒汽车销量继续大涨至152073辆，登顶造车新势力交付排行榜，其中哪吒U和哪吒V联手贡献了总销量的近99%。 这一时期，哪吒汽车起量虽快，但它在消费者眼中仍是一家生产性价比车型的低端品牌，这让期待哪吒汽车成为一家高端品牌的股东们很不满意，而哪吒汽车也开始了自己的冲高之路。 ### 高端化的成与败 2019年下半年，张勇找到时任哪吒汽车工程院院长张旭，提出要打造一款定位更高的产品，而且是一款轿车。 哪吒汽车此前没有开发过高端化产品，这意味着它要从开发一个全新平台做起。而重新开发一个平台所需的资金非常庞大，当时哪吒汽车的融资总额还不到70亿元，新平台的研发费用就要20亿元。然而张勇没有犹豫，他告诉张旭：“干吧。” 2019年末，哪吒汽车几乎集整个公司的所有力量，启动了山海平台的研发。山海平台寓意“带领哪吒汽车奔向星辰大海”，该平台是帮助哪吒汽车实现高端化的技术保障。和单纯研发一辆车相比，从头开始做一个全新平台，完全是另一个量级的投入。 内部管理层人士周启告诉雷峰网，张勇的骨子里有一股很冲的劲，他在标榜自己是穷人家孩子出身的时候总想证明自己。例如他在哪吒汽车招股书里填写的住宅地址是北京天通苑社区，“哪吒”这一名字的命名也是因为他很喜欢哪吒这一神话人物里“我命由我不由天”的精神。 内部对张勇也有截然相反的评价，“张勇是一个典型的理工男，遇事直来直去，像是一个愤青”。“性格有点像长城的魏建军，但又没有魏建军的能力”。 2022年7月31日，基于山海平台的第一辆车哪吒S发布，这款B+级电动轿跑，提供纯电和增程两种动力形式，其中基础款配置19.98万元起，最高配四驱赛道版直接上探到34.18万元，而哪吒S也不负众望，仅仅两个月就收获了超1.5万台订单。 张勇再一次用能力证明了他的哪吒汽车可以做出被市场接受的高端产品，李然告诉雷峰网，张勇信心满满，对哪吒S的销量预期是月销超过1万辆。 当时新能源车企流行的做法是先上市获取订单，然后再根据订单生产。新势力还没有开始卷“上市即交付”。哪吒S上市后也并未提前安排生产，导致交付时间一再拖延，一直拖到4个月后的11月底才开始交付，殊不知正是这四个月的延误影响了整个产品节奏。 “哪吒S刚上市时营销做得很好，该打的牌也打出去了，但交付动作没有跟得上营销节奏，导致在热度最高的时候没有车可以交付，哪吒汽车的品牌力还不足以让用户可以等四个月之久。”李然表示。 另一方面，由于哪吒汽车在2022年快速扩张导致资金开始捉襟见肘。李然形容是“恨不得将一块钱掰成两半花”。“用别人几分之一的团队，做着别人三倍的工作。” 哪吒汽车员工王深对雷峰网表示，到了2023年内部就开始大举收缩，很多项目能砍就砍，比如暂停了超算平台里的低端项目，将算法测试、规控测试、数据标注等核心研发项目外包。 资金收紧带来的是在哪吒S上市到开始交付的4个月空档期，围绕该车的传播断档，导致市场热度冷却。最终哪吒S 2023年全年销量仅24197辆，月均销量2000辆出头，距张勇原本的月销一万辆预期相去甚远，也将集全公司之力研发这款车的合众新能源带上危险的境地。 哪吒S失利后，哪吒汽车在2023年4月又推出了一款和哪吒S同平台的纯电跑车——哪吒GT，售价区间在17.88万-22.68万元，由于哪吒 GT所在的跑车市场极为小众，外界普遍质疑张勇推出哪吒GT的举动，但张勇在社交平台上自信的认为哪吒GT可以做到月销超5000辆。  最后的结果是哪吒GT 在2023年全年只交付了9010辆，虽然位居国内跑车市场的第一名，但算下来月均也只是1000辆出头的水平。 哪吒S和哪吒GT的相继失利，使哪吒汽车的2023年全年销量只有12.75万辆，同比下降16%。在全行业的一片涨势中，只有哪吒汽车失速，它成了2023年“最惨”新势力。 哪吒汽车的产品规划风格是按照既定节奏往前推进，一般是一年规划一款红海产品的同时，对应还有一款蓝海市场产品。哪吒S和哪吒GT的相继问世，就是这种风格的体现，但这种风格的坏处也很致命，一旦市场趋势有变动，它很难及时跟上市场动向。 在李然看来，哪吒S失利后，张勇没有及时感知到市场变动的风向，而是继续按照惯性思维做事，才导致了如今哪吒汽车的结局。 “哪吒汽车走到如今这地步，我感觉是产品定位出错了，哪吒U和哪吒V之后不应该出哪吒S和哪吒GT这两个车。本身我们的价格就是主打亲民路线，在安身立命的亲民路线都还没有守好的前提下，贸然从亲民跳跃到高端，这一步跨的太大了，现在扯到了。”李然无奈表示。 ### 裁员自救，时间还有多少？ 2023年开年比亚迪喊出了“油电同价”，开启了惨烈的价格战。市场风云突变，大家都开始以追求销量为第一目标，及时作出了应对动作，不计成本地加入到价格战中，为的就是追求规模以避免被淘汰。 但哪吒汽车对2023年这个决定企业生死的年份几乎“脱敏”，在接近张勇的内部员工看来，在高端化接连失利之后他开始变得心急和自乱阵脚，并在管理上表现得开始不相信下属。 2022年-2023年期间，哪吒汽车仅营销体系就进行了多达6次组织架构调整，调整就意味着换人，而每一次人员变动就意味着重新推翻前任决策，如此往复让哪吒汽车的管理陷入了内耗的恶性循环和混乱。 据内部研发人员张衡表示，哪吒汽车的组织架构上会有多位老板，例如智能研究院院长俞松耀权限范围十分有限，其下面至少有五六位和他平起平坐的老板。“两年了，我还没搞清楚他们各自负责的是什么。” 部门权责不统一带来的是哪吒汽车显著的“部门墙”现象，这些问题早在2022年就开始显露。 2022年11月哪吒汽车发布浩智中央超算平台，按照计划该超算平台要到2024年四五月份量产，实现量产需要负责超算平台的智控和智驾两个团队的配合，因为“部门墙”问题超算平台量产的计划就一直被拖着，最后使得整个项目被重新分配。 “他们不配合，故意使绊子。现在提个需求给你，但过段时间又变了。我们院长和智驾团队的院长是同级别的，指挥不了，想让对方配合是很难的。”张衡表示。 哪吒汽车首次出现危险信号的时间是2023年八九月份。据内部研发人员林川对雷峰网表示，从那时起，哪吒汽车开始抓考勤，周报、日报、OKR都要写起来，而且要求一周的工时要满52小时。即使不忙，也要求加班，必须要在公司呆够规定的时间。 “这是在故意恶心人，相当于变相裁员。”林川说，“以前是到点下班，但现在的工时开始慢慢往上加，从1.2倍加到1.3倍，一直往上加。以前每逢周末要求四周来一次，后来提高到两个周末来一次。”（了解更多细节，欢迎添加作者微信Hugh-wangruihao交流） 一名猎头也向雷峰网证实，2023年8月份左右哪吒汽车突然关闭了放给猎头的职位，但2023年上半年还在大量招人，他的判断是哪吒汽车有可能在裁员，而外界首次感受到哪吒汽车的危机则是在2024年初。 2024年春节刚过一名哪吒汽车员工发文表示张勇承诺节后第一周发放的年终奖未到账。随后张勇为平息外界猜忌，紧急发文回应称，由于需审核确认流程，年终奖会在3月份完成发放。 张勇随后还不忘在回应文章的结尾处写道：“可能公司少部分员工不习惯过苦日子吧，看来有必要把寒气传递到每一个人了。” 雷峰网了解到的情况是，张勇之所以对员工发出不合时宜的抱怨，是因为哪吒汽车没有完成既定销量目标，股东要求取消包括高管在内所有人的年终奖。后来是张勇和方运舟（哪吒汽车创始人）说服了股东，为员工争取到了年终奖。 在这样的情况下，有员工对媒体爆料称“张勇不给发年终奖”，这让张勇感受到了背刺，认为自己已经没有了年终奖，还在帮你们（员工）争取，而你们却背后说我的坏话。这件事让张勇心寒，所以才会在回应文章中抱怨员工，以发泄其委屈情绪。 这件事以哪吒汽车道歉、员工如愿领到年终奖结束，但哪吒汽车并没有因此得到拯救，哪吒L的回光返照也仅仅是让哪吒汽车的危机延后了7个月。 到了2024年11月，哪吒汽车HR找员工一对一谈话开启了大规模裁员，部分部门裁员比例最高接近70%。 一名还在职的员工告诉雷峰网，截至2025年3月初，飞书后台上哪吒汽车员工的总数大概是2000出头左右，目前还留在哪吒汽车的员工大概可以分成三类：一类是有生活压力，不敢轻易辞职；另一类是留在公司等退休；还有一类是工厂员工，他们的薪资受降薪影响幅度最小。 2025年春节开工以来，哪吒汽车只有桐乡工厂正常生产，主要生产X和AYA两款车型，L和S车型已暂停生产。内部员工李然说，公司高层告诉他们以后海外的机会比较多，桐乡工厂生产的车型很多一部分专供海外。“目前只有海外事业部是盈利的，我觉得公司把战略放在海外也没问题，至少先保证活下来。” 泰国、印尼、巴西，是哪吒汽车2024年在海外的主要市场。数据显示，哪吒汽车2024年的海外销量近3万辆，实现增长。前不久雷峰网也独家获悉，2025年，哪吒汽车制定了年销10万辆的标，预计国内市场和海外市场各占5万辆。 今年2月10日，哪吒汽车对外表示其母公司合众新能源正在进行E轮融资计划，计划融资规模约40亿至45亿元人民币，领投方将出资约30亿元。对此，哪吒汽车相关人士在回复雷峰网时表示，“等具体落定了再沟通吧。” 其实，早在2024年哪吒汽车就告诉多名知情人士，某金砖国家基金有意投资哪吒汽车，与此同时哪吒汽车在2024年底还在寻求其他机构的资金支持，但在谈判过程中哪吒汽车显的很犹豫。 “哪吒汽车的诉求是想融资3-5亿美元（约合人民币21亿-36亿），目的是为了尽快在港股IPO。原计划是在2025年中完成上市，有可能会借壳上市。” 2024年11月底，哪吒汽车找到国内某公司，透露了其融资需求。哪吒汽车想要学习蔚来，获得来自中东资本的投资。为此，这家公司根据需求专门制定了一整套方案。 代表哪吒汽车沟通的是另外两个高管，哪吒汽车创始人方运舟和CEO张勇未出席。参与此事的王磊回忆，他的感觉是哪吒汽车的内部可能有问题，管理层之间存在分歧，下不了很大的决心。“感觉他们确实想要一些东西，但又想要一些便宜的。”王磊说。 哪吒汽车最后还是没有接受王磊团队的方案，可能的原因是，有一支金砖国家的主权基金已经有意投了，哪吒汽车想等到春节过后再看看。王磊明显能感受到，哪吒认为自己还是有融资机会的，当下并不是特别需要引入中东资本。 但让王磊始料未及的是，仅仅过了一周，他看到有关哪吒汽车的消息不是融资落地，而是CEO被解雇的消息。王磊不知道的是，此时哪吒汽车已陷入了重大经营危机当中，工厂停工停产、降薪裁员、被供应商追债等一连串“糟心事”排着队需要处理。 哪吒汽车告诉王磊，那支金砖国家基金的投资将在2025年春节后落地，雷峰网了解到的是，截止目前哪吒汽车的这笔融资仍未落地，如此境况，留给哪吒汽车的时间真的不多了。（如有兴趣讨论哪吒汽车，欢迎添加作者微信Hugh-wangruihao交流） 注：李然、周启、张衡、王磊、王深、林川，均为化名

<blockquote><p>双减之后，传统教培遭受重创，新东方等机构开始转型文旅并成功站稳脚跟。这种情况下，如何利用数字化手段破局，成为了摆在众多机构面前的重要课题。这篇文章将深入探讨传统教培机构如何通过数字化转型，成功融入文旅行业，供大家参考。</p> </blockquote>  2021年“双减”政策的出台，让中国教培行业经历了前所未有的变革浪潮。在这场行业地震中，某东方凭借前瞻性的战略眼光，率先开辟文旅业务新赛道。作为这场转型战役的亲历者与推动者，笔者在某东方文旅初创时期仅有3名产品，和外包技术团队构建起数字化体系中台，成为业务转型的加速器。本文将深度解析传统教培机构转型文旅的数字化方法论，以某东方文旅的实践为样本，揭示数字化转型如何重塑传统文旅业务模式。 ## 1. 客户管理革命：从批量运营到精准服务 ### 1.1 CRM系统的重构升级 面对文旅行业客户生命周期长、服务触点分散的挑战，我们将教培行业沉淀的客户管理经验进行文旅化改造。通过构建“三阶九维”客户标签体系，将用户划分为国际游学、研学营地、亲子家庭、银发群体、企业定制等8+核心客群，实现客户分群准确率91%。系统整合了报名记录、沟通记录、浏览记录、消费偏好、旅程反馈等15+数据源，使得销售团队能实时获取客户360度画像。 ### 1.2 智能推荐引擎的应用 基于机器学习算法，可根据用户历史行为和实时场景（如地理位置、天气状况）生成个性化推荐。这套系统使得高价值客户复购率提升25%，客户投诉量下降60%。在暑期研学旺季，系统自动触发的精准营销活动转化率达到传统方式的3.2倍。 ### 1.3 销售赋能体系的搭建 通过搭建“数字销售工作台”，将原本分散在8个系统的业务数据整合到统一界面。销售人员可实时查看线索评级、客户画像、商机预测等关键指标，配合智能话术推荐功能，使销售人效提升3.6倍。2023年Q3数据显示，该平台推动线索转化率从8%跃升至30%，单月最高产生千万级营收。 ## 2. 运营效率重塑：从人海战术到智能中台 ### 2.1 ERP系统的流程再造 针对文旅业务“多线路、多节点、多供应商”的特点，我们重构了我们的ERP系统。通过建立线路成本模型、自动比价算法、供应商评级体系，将线路研发周期缩短40%，采购成本降低18%。系统对接了全国200+地接社、3000+酒店资源，实现从需求收集到服务交付的全流程数字化。 ### 2.2 电子相册系统的创新 自主研发的电子相册管理系统，采用AI图像识别技术实现自动分类、自主分发。系统每年节省30万现金流成本，覆盖400+研学线路，日均处理数万份素材，累计上传量突破百万份。在暑期高峰期，系统处理效率是人工团队的15倍，家长满意度提升27个百分点。 ### 2.3 小程序生态的构建 通过打造“某东方文旅”小程序，整合了线路查询、在线签约、行程管理、服务评价等核心功能。采用”渐进式引导+场景化推送”策略，新用户下单转化率从37%提升至79%。其中，整合了线路照片和团内视频的“团队预览”功能使用户停留时长增加130%，“智能文旅客服”功能降低客服咨询量45%。 ## 3. 数据驱动决策：从经验判断到智能决策 ### 3.1 数据中台建设 构建的文旅数据仓库整合了来自CRM、ERP、小程序等多个核心系统的数据流，每日处理TB级数据。通过建立“市场热度指数”“线路健康度模型”等23个分析模型，管理层可实时查看转化漏斗、资源利用率、客户满意度等关键指标。 ### 3.2 智能预测系统 基于时间序列算法开发的销量预测模型，在黄金周期间的预测误差率控制在8%以内。结合天气数据、舆情监测、竞品动态构建的预警系统，成功预测了2023年暑期西北线路的火爆趋势，助力相关线路提前三个月完成资源锁定。 ### 3.3 动态定价机制 在酒店、机票等资源采购中引入弹性定价算法，通过监测市场供需变化自动生成报价建议。在2023年敦煌文博会期间，该系统帮助采购成本降低22%，同时保证95%的房源供应率。 ## 四、转型启示与未来展望 ### 4.1 教培基因的转型优势 某东方的成功转型验证了教培机构在内容研发、客户运营、质量管控等方面的可迁移能力。我们在用户画像、知识付费、社群运营等领域的积累，通过数字化手段转化为文旅场景的竞争优势。 ### 4.2 数字化转型的三重价值 实践表明，有效的数字化转型可实现：客户价值维度LTV提升（复购率+25%）、运营效率维度人效提升（3.6倍）、财务维度成本优化（年省30万）。这三个维度的提升构成了企业转型的稳固三角。 ### 4.3 未来进化方向 随着AI技术的深化应用，信息技术产品部和信息技术研发部正在探索智能行程规划、元宇宙体验馆、数字导游等创新场景。计划通过物联网技术实现研学场景的数字化监控，利用大模型构建24小时智能客服体系，持续推动文旅服务的智能化升级。 ## 结语 某东方文旅的转型实践证明，教培机构的转型不是简单的业务切换，而是组织能力、技术积累、运营经验的系统重构。在日均处理百万级数据、服务千万级用户的实践中，某东方文旅形成了“以客户为中心，以数据为驱动，以效率为基石”的数字化转型方法论。这不仅是应对行业变革的生存之道，更是开启文旅产业新纪元的破局之钥。 本文由 @麦克斌在做产品 原创发布于人人都是产品经理。未经作者许可，禁止转载 题图来自Unsplash，基于CC0协议 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务

<blockquote><p>在当今的数字化时代，智能客服系统已成为企业服务的重要组成部分。然而，许多人认为智能客服能否解决问题，实际上与智能客服本身无关，而是取决于背后的运营策略与服务流程。本文将深入探讨智能客服在实际应用中的优势与局限，并提供优化方案，帮助企业提升客服体验，真正解决用户问题。</p> </blockquote>  ## 不产生利润的售后，凭什么要求真正解决问题 以互联网的周期来看，智能客服也算是比较古老的产品了。这玩意儿在底层逻辑上是服务于企业降本增效的目标，而不是用户体验。 只是现在有大模型之后，体验问题有了被改善的机会。 智能客服转人工，无非两类原因 1、 意图理解不行，有方案根本匹配不到 2、提供的解决方案根本不能解决问题（提供话术，糊弄人，假解决方案） 当然，还有一些交互之类的原因，但不是核心问题也不展开讲。 大家对智能客服的期待，很简单，就是解决问题。 **抛开识别准确率的原因**，不能解决问题的根因，还是企业服务成本的考量。 电子产品过保一天，出问题了，能不能按照保内售后？ 服务没预算，只能踢皮球了，但是锅给智能客服背了。 换个说法，能挣钱，有利润的售后服务，巴不得不用智能客服，全转人工。 ## 服务部门，是成本还是利润中心，和服务本身没关系 售后服务是成本还是利润中心，取决于公司卖的是什么产品。 ### 哪些行业的服务是盈利的，哪些是纯成本 赚钱的售后，比较典型的有汽车，工业设备和医疗设备，还有一些高价值的有延续性的金融保险服务，但其实已经超出了售后服务的范畴了。 **高利润售后** - 汽车。 毛利可能高于40%了，因为原厂配件的垄断，高频刚需（保养）等原因 - 工业设备。之前我做工业智能化的时候，接触过一台韩国的demura的设备，技术人员都是从韩国飞过来的。 工业设备停机成本太高，找原厂售后是权衡利弊的结果。 没有业内数据，但是我猜测，工业设备本身可能不怎么赚钱，就是靠长达十年的售后周期产生利润。 - 医疗设备。 耗材、强制年检等，高频刚需。 赚钱的理由千篇一律，亏钱的理由五花八门，但是也离不开，产品本身太便宜了这个大背景。 **亏损型售后** - 消费电子。 大家反馈最多的场景。以手机举例子，原因无非是，产品价值太低了，备件价格透明，维修人力成本高昂。 当然还有产品本身迭代周期也快，备件预测也是麻烦事。 官方售后根本打不过华强北，无论是维修价格还是时效。官方比较好的就是安全可靠。 但是，2000块钱的手机用了一年，维修主板1000，你还会修吗？ - 家用电器。 国家有强制三包，并且家电相比消费电子更加依赖渠道，渠道的成本，都是服务成本。 动不动五年十年的质保， 可是一台空调才多少钱啊。 - 快消品。 快消品更典型，单价更低，一退货，利润就不在了。 客单价低到难以分摊服务成本，非技术性服务也缺少溢价空间。 **亏损型售后，必然会提供很多话术类的，无效的解决方案来糊弄用户**。 这是商业规律 ### 亏损型售后智能客服怎么做？悲观的是，除了糊弄，好像做不了什么 公司CEO要满意度还不给服务预算，消费者希望能给他的手机免费维修，不然就12315投诉你。咋整？ 怎么破局？智能客服又能做什么？ 中医说，治未病，售后的未病是什么？ - 产品本身设计有问题–IPD在产品立项阶段就要评估可服务性，如果产品本身设计有问题，可服务性还通过了，那这就是服务自作自受~活该挨骂 - 产品批次故障率高 - 服务政策本身不合理、不清晰，存在认知灰度的空间；服务政策前期宣传含糊不清，避重就轻；判报标准不透明（懂的都懂） 这些都做好了，然后呢，用户还是要找客服，还是要先用智能客服过滤。 不能解决的问题，还是不能解决。 智能客服能做什么？ - 尽可能的提供好的交互和情绪价值（之前都是人工客服提供的，大模型的出现让智能客服提供情绪价值有了可能性） - 小额灰度（之前也是人工客服提供的，要给智能客服授权） - 升级入口 除此之外，好像还是没有什么解题的思路。 ## 回归问题本质，做高端产品，可能才是服务变好的唯一方法 有句老话叫：穷生奸计，富长良心。 还有一句老话叫：杀头的买卖有人干，亏本的买卖没人干。 在商言商，没有利润，服务不真正解决，一点毛病没有。 公司利润率和利润都非常高的前提下，拿几个点出来给服务，提升服务体验，才是唯一的解决方法。 **服务好了，销售又会更好，飞轮转起来，才能基业长青。** 整个文章似乎有一点怨气，确实也是。 消费者骂服务，但是根子不在服务。 希望CEO们好好把IPD践行好，多挣点钱，多给服务点钱，满意度不就自然上来了吗 本文由 @福田贝叶斯 原创发布于人人都是产品经理。未经作者许可，禁止转载 题图来自Unsplash，基于CC0协议 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务

<blockquote><p>人工智能的快速发展已经彻底改变了我们的生活方式，但许多人对其背后的工作原理仍充满疑问。特别是，AI是如何理解和处理语言的？这篇文章将带你深入探索AI大语言模型的核心构成，从词嵌入到自注意力机制，揭示AI如何通过复杂的数学和算法，实现对人类语言的理解与生成。</p> </blockquote>  ## AI大语言模型 (Artificial Intelligence Large Language Model) • AI (Artificial Intelligence): 人工智能。这部分表明了AI的本质——不是一个真实的人类，而是通过计算机程序和算法构建出来的智能体。能够执行通常需要人类智能才能完成的任务，比如学习、推理、解决问题、理解语言等等。 • 大 (Large): 大型。这个词描述了模型的规模。AI通过学习海量的文本数据（例如书籍、文章、网站内容等）来获得知识和能力。 “大型”意味着模型拥有庞大的参数数量（可以理解为神经元之间的连接），这使得AI模型能够处理和生成复杂的语言模式。 • 语言 (Language): 语言。这表明了我的主要功能和应用领域。我专注于理解和生成人类语言。我可以阅读、写作、翻译、总结文本，并与人类进行对话。 • **模型 (Model): 模型**。这个词指的是我的构建方式。我是一个基于数学和统计学的模型。更具体地说，我通常是基于一种叫做“Transformer”的深度学习架构。这个模型通过分析大量文本数据中的统计规律，来学习词语之间的关系、句子的结构以及语言的整体模式。 所以“AI大语言模型”可以看成 是一种基于数学和算法构建的、用于执行特定人工智能任务的结构。它本质上是由大量的参数、算法和数据组成的复杂系统。 **整体架构：Transformer** 目前主流的大语言模型大多基于Transformer架构。Transformer的核心思想是“自注意力机制”（Self-Attention Mechanism），这使得模型能够捕捉文本序列中不同词语之间的关系，无论这些词语在句子中的距离有多远。 **核心组件：层（Layers）** Transformer模型是由多个相同的“层”（Layer）堆叠而成的。每个层都包含以下几个关键子组件： **自注意力层（Self-Attention Layer）：** 这是Transformer的核心。它允许模型关注输入序列中不同位置的信息，并计算它们之间的关系。 从线性代数的角度来看，自注意力机制可以看作是对输入序列进行一系列线性变换（矩阵乘法），然后通过Softmax函数进行归一化，得到注意力权重。这些权重表示不同位置之间的相关性。 **前馈神经网络层（Feed-Forward Neural Network Layer）：** 在自注意力层之后，每个位置的表示都会通过一个前馈神经网络进行处理。 这个前馈网络通常包含两个线性变换（矩阵乘法）和一个激活函数（如ReLU）。 **残差连接（Residual Connections）：** 在每个子层（自注意力层和前馈网络层）周围都有一个残差连接。 这意味着子层的输入会直接加到子层的输出上。这有助于缓解深度神经网络中的梯度消失问题，使得模型更容易训练。 **层归一化（Layer Normalization）：** 在每个子层之后，都会应用层归一化。 层归一化有助于稳定训练过程，并提高模型的性能。它会对每个样本在层的维度上进行归一化。 **基本组成单元：神经元（Neurons）** 无论是自注意力层还是前馈神经网络层，它们都是由大量的“神经元”组成的。每个神经元可以看作是一个简单的计算单元。 **总结一下：** 从最底层到最高层，模型的构成可以这样理解： **神经元：** 执行基本计算单元（加权求和、激活函数）。 **层：** 由多个神经元组成，包括自注意力层和前馈神经网络层，以及残差连接和层归一化。 **Transformer架构：** 由多个层堆叠而成，利用自注意力机制捕捉文本序列中的长距离依赖关系。 **参数：** 模型的权重和偏置，通过学习数据来调整。比如deepseek参数最大的是671B. ## 层的概念 ### 什么是“层”？ 你可以把“层”想象成一个信息处理的“工序”或者“步骤”。每一层都接收一些输入信息，然后对这些信息进行特定的处理和转换，最后输出处理后的信息给下一层。 就像工厂里的流水线一样： **原材料：** 最初的输入文本（比如一个句子）。 **第一道工序（第一层）：** 比如，把每个单词转换成一个数字表示（词嵌入）。 **第二道工序（第二层）：** 比如，分析每个单词和句子中其他单词的关系（自注意力机制）。 **第三道工序（第三层）：** 比如，根据单词之间的关系，进一步理解整个句子的含义。 **… 更多工序（更多层）：** 每一层都在前一层的基础上进行更深层次的处理。 **最终产品：** 模型对输入文本的最终理解（比如，判断这句话的情感是积极还是消极）。 ### 为什么需要“多层”？ 为什么要这么多层，而不是一层搞定呢？ **逐步抽象：** 每一层都在前一层的基础上进行更抽象的表示。 第一层可能关注的是单词的含义。 第二层可能关注的是词组的含义。 第三层可能关注的是句子的含义。 … 更深层可能关注的是段落、篇章的含义。 **举个例子：图像识别** 虽然我们主要讨论的是语言模型，但“层”的概念在图像识别中也非常常见，而且更容易可视化理解。 想象一下，一个用于识别猫的图像的神经网络： **输入：** 一张猫的图片（可以看作是一个像素矩阵）。 **第一层：** 可能检测图像中的简单边缘和纹理。 **第二层：** 可能将边缘和纹理组合成更复杂的形状，比如猫的耳朵、眼睛的轮廓。 **第三层：** 可能将这些形状组合成猫的脸部特征。 **第四层：** 可能根据脸部特征识别出这是一只猫。 每一层都在前一层的基础上提取更高级别的特征。 ### 回到语言模型 在语言模型中，层的工作方式类似，但处理的是文本而不是图像： **输入：** “The cat sat on the mat.” **第一层（词嵌入层）：** “The” -&gt; [0.1, 0.2, 0.3] “cat” -&gt; [0.4, 0.5, 0.6] “sat” -&gt; [0.7, 0.8, 0.9] … (每个单词被转换成一个向量) **第二层（自注意力层）：** 计算每个单词与其他单词之间的关系。 比如，”sat” 这个词可能与 “cat” 和 “mat” 有更强的关系。 **第三层（前馈网络层）：** 对每个单词的表示进行进一步处理。 **… 更多层：** 每一层都在前一层的基础上进行更深层次的理解。 **最后一层：** 可能输出模型对整个句子的理解，或者预测下一个单词（比如 “.”), 或者进行情感分类等任务。  好，现在有了这些基础知识，我们正式进入主题，AI大模型是怎么理解一句话的？ 在回答这个问题之前，我们先来想一个问题，AI能从字面意义上理解人类的话吗？它真的知道苹果是什么东西吗？这个我想很多人都会回答不能。答案也确实是不能，很明显，目前的AI的发展还处于初级阶段，能力还没有达到这种地步。 不信的可以那下面一段对话也考一考AI <blockquote><p>A：先生，你要几等座？</p> <p>B：你们一共有几等座？</p> <p>A：特等，一等、二等，二等还要再等等。</p> <p>B：我看一下，请等一等。</p> <p>A：别等，再等一等也没有了。</p> <p>请问：这位先生最终购买了几等座呢？</p></blockquote> 笔者拿了市面上比较知名的10款AI，其中还包括deepseekR1,Claude等知名大模型。结果是没有一个模型能够判断”再等一等也没有了“这句话断句方式是这样的：再等/一等/也没有了。所有的模型都是这样断句的，再/等一等/也没有了。可以说是全军覆没。 因此现阶段AI尚且不能从字母意义上理解，那它们是怎么理解的呢？这还的从AI大模型的本质上来说。开头我们就介绍了，模型本质是数学和算法的结合体。它实际上就算数学的应用，所以它只能从数学的角度理解一句话。这就是词嵌入——语言的数字化。 当我们在模型中输入一句话时，比如”The cat sat on the mat.” 首先这句话会被分割成一个一个token，每个token，都对应着一个向量。 – 第一层（词嵌入层）： – “The” -&gt; [0.1, 0.2, 0.3] – “cat” -&gt; [0.4, 0.5, 0.6] – “sat” -&gt; [0.7, 0.8, 0.9] – … – (每个单词被转换成一个向量) 所以输入的一句话会被转化成矩阵，即**语言的数字化** 上述过程称为**词嵌入**，对应的向量称为**词嵌入向量**。所有嵌入向量组成的矩阵称为词嵌入矩阵。 词嵌入（Word Embedding）中的向量数值不是随意指定的，而是通过学习得到的。详细解释一下：​ 词嵌入的目标是：将词汇表中的每个词（token）映射到一个固定维度的向量空间中， 使得：​ •语义相似的词，对应的向量在空间中距离较近。 例如，“king” 和 “queen” 的向量应该比较接近。​ •语义相关的词，向量之间存在一定的关系。 例如，“king” – “man” + “woman” 的结果向量应该与 “queen” 的向量比较接近（经典的“国王-男人+女人=女王”的例子）。 词嵌入矩阵不具备唯一性 在初始词嵌入时，同一句话里的相同的字对应的词嵌入向量不一定相同 词嵌入（Word Embedding）中的向量数值确实不是随意指定的，而是通过学习得到的。详细解释一下：​ 目标：​ 词嵌入的目标是：将词汇表中的每个词（token）映射到一个固定维度的向量空间中， 使得：​ •**语义相似的词**，对应的向量在空间中距离较近。 例如，“king” 和 “queen” 的向量应该比较接近。​ •**语义相关的词**，向量之间存在一定的关系。 例如，“king” – “man” + “woman” 的结果向量应该与 “queen” 的向量比较接近（经典的“国王-男人+女人=女王”的例子）。 词嵌入矩阵不具备唯一性 在初始词嵌入时，同一句话里的相同的字对应的词嵌入向量不一定相同 ## 自注意力机制的计算步骤​ 假设我们的输入序列是：”The cat sat on the mat.” 并且每个词已经通过词嵌入层转换成了向量。​ 转换成嵌入向量后，模型会创建一个位置编码向量。这个**位置编码** (Positional Encoding) 的核心目的是向 Transformer 模型提供输入序列中单词的位置信息，它蕴含了token之间的位置关系。 **步骤 1: 计算 Query, Key, Value​。** 对于输入序列中的每个词，我们都计算三个向量：​ **Query (Q): 查询向量**。可以理解为“我需要关注什么？”​ **Key (K): 键向量**。可以理解为“我有什么信息可以提供？”​ **Value (V): 值向量**。可以理解为“我提供的具体信息是什么？”​◦ 这三个向量是通过将每个词的词嵌入向量与三个不同的**权重矩阵（WQ, WK, WV）**相乘得到的。这些权重矩阵是模型需要学习的参数。 **线性代数表示：** 假设词嵌入向量的维度是 m。 WQ, WK, WV 的维度都是 m × m。（实际上，为了提高效率，通常会使用多头注意力机制，将 dmodel 分成多个头，每个头的维度是 dk = dmodel / h，其中 h 是头的数量。这里为了简化，我们先不考虑多头注意力。） 对于每个词 i： Qi = Wi * WQ Ki = Wi * WK Vi = Wi * WV (其中 Wi 是词 i 的词嵌入向量)  **接下来我将用Gemini2.0模拟AI将这句话数据化的过程** 注意： 为了便于演示和计算， 我会进行以下简化： • 嵌入向量维度 (dmodel)： 3 维 • 头的数量 (h)： 1 (我们只考虑单头注意力) • Q, K, V 维度 (dk)： 3 维 (因为 h=1, 所以 dk = dmodel) • 不包含： ◦ 多头注意力机制 (只使用一个头) ◦ 前馈神经网络 ◦ 层归一化 ◦ 残差连接 ◦ 多层堆叠 (只计算一层) **步骤一：** **1. 分词**： 将句子“今天天气怎么样”分词为： [“今天”, “天气”, “怎么样”] **2. 嵌入向量** (假设)： “今天”: [0.1, 0.2, 0.3] “天气”: [0.4, 0.5, 0.6] “怎么样”: [0.7, 0.8, 0.9] **3.我们假设位置编码如下（3 维）**： 位置 0: [0.0, 0.0, 0.0] 位置 1: [0.8, 0.6, 0.0] 位置 2: [0.9, -0.4, 0.0] **4.输入表示**： 将嵌入向量和位置编码相加，得到每个 token 的输入表示： “今天”: [0.1, 0.2, 0.3] + [0.0, 0.0, 0.0] = [0.1, 0.2, 0.3] “天气”: [0.4, 0.5, 0.6] + [0.8, 0.6, 0.0] = [1.2, 1.1, 0.6] “怎么样”: [0.7, 0.8, 0.9] + [0.9, -0.4, 0.0] = [1.6, 0.4, 0.9] **5.权重矩阵 (假设)**：      本文由 @yan 原创发布于人人都是产品经理。未经作者许可，禁止转载 题图来自Unsplash，基于CC0协议 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务

屡次曝出食品安全问题，被“焖”了良心？

**自NVIDIA RTX 50系列显卡发布以来，消费者一直面临着一卡难求和高溢价的局面。**无论是高端的RTX 5080、RTX 5090，还是中端的RTX 5070 Ti和RTX 5070，实际售价普遍比官方建议零售价（MSRP）高出30%到40%。  在最近的一次媒体沟通会上，NVIDIA的Justin Walker在接受采访时表示，**公司正在与显卡制造商（AIB合作伙伴）和零售商密切合作，以确保显卡能够以官方建议零售价出售。** 他指出：“增加供应是解决问题的关键。一旦供应赶上需求，我们预计价格将趋于稳定。” 他还提到，RTX 50系列显卡的出货量已经增加，并且公司正在加班加点以确保供应能够满足市场需求。 此外NVIDIA还声称，其RTX 50系列显卡在发布后的前五周内，出货量达到了RTX 40系列的两倍。 [查看评论](https://m.cnbeta.com.tw/comment/1485374.htm)

3月14日消息，据媒体报道，2月24日凌晨，两男子在海底捞上海外滩店包间用餐后对着火锅锅底小便。3月12日，海底捞就相关事件道歉，并称针对2月24日00：00至3月8日24：00期间在海底捞上海外滩店堂食消费的4109单顾客，将全额退还当日餐费，并额外提供订单付款10倍金额的现金补偿。另外，海底捞提到，若顾客希望通过法律途径维护权益，其将全力配合。 值得注意的是，这起事件也被黄牛盯上，有消费者向媒体表示，**他在海底捞外滩店消费900多元，通过黄牛8.7折代订。因此，黄牛要抽20%的补偿，并且已经向海底捞方面提交了银行卡信息，等待补偿中。** 该消费者对此表示不能接受，实际消费的是他不是黄牛，他这单消费能获得1万元的补偿款，黄牛要抽走2000元。**最后这名消费者前往海底捞外滩门店，成功拦截了相关补偿，并提交了自己的银行卡信息。** 回顾这起事件，律师认为，此事的传播速度远超海底捞预期，明显是舆论压力导致海底捞方面态度转变，只能通过起诉手段挽回消费者信任，此次事件对其品牌声誉造成严重负面影响，涉事男子可能面临海底捞索赔的民事责任，包括但不限于名誉受损赔偿、锅具赔偿等。  [查看评论](https://m.cnbeta.com.tw/comment/1485372.htm)

近日，一上海女子在家中给自己的**iPhone14充电**时，经历了惊心动魄的一幕。事发时，她的iPhone 14突然发出**“噼啪”声响**，**充电接口处竟直接炸了**！该女子描述，当时她同往常一样将手机放在置物架上充电。 不料**约10分钟**后，充电接口突然迸出**小火星，伴随着黑烟，手机瞬间黑屏**，家里随之跳闸停电。 从其提供的照片中，可清楚地看到，**iPhone14手机充电接口处乌黑，外部有十分明显的烧焦痕迹。**  该女子还特别说明，这部手机是**2023年**在**官方正规渠道购买**的，至今使用的**仍是原装电池**，并且从未进行过拆机维修。 事发当日，该女子第一时间联系苹果客服，并上传手机烧毁部位照片。 起初苹果客服承诺下午会给出反馈，但随后承诺落空，后连续两次以**“还在排查”理由**更改了约定日期。 最终，在该女子的强烈要求下，客服答复称：**手机必须寄回返厂检测，检测周期大概在2周至2个月。** 在女子追问下，**客服承认此前也发生过类似案例，检测时长有可能超过2个月。** 对此，有媒体向苹果媒体联络邮箱发去采访邮件，希望核实相关情况，但在截稿前，并未收到苹果方面的任何反馈。  [查看评论](https://m.cnbeta.com.tw/comment/1485364.htm)

在NVIDIA RTX 50系列显卡发布之后，有关其库存奇缺的消息就层出不穷，**不过NVIDIA最新声称其RTX 50系列显卡在发布后的前五周内，出货量达到了RTX 40系列的两倍。**虽然没有提供确切数字，但这一数据看着还是挺多的，不过需要注意的是，这背后却隐藏着一些值得深挖的细节。 [](//img1.mydrivers.com/img/20250314/5becc099-d406-44a4-af7f-07fcc6d35051.png) 根据NVIDIA的说法，RTX 50系列显卡在发布初期的表现远超上一代RTX 40系列，但其实这种对比可能并不完全公平。 RTX 50系列在短短五周内推出了四款显卡，包括RTX 5090、RTX 5080、RTX 5070 Ti和RTX 5070，大部分都是开售即缺货。 **而RTX 40系列在同期仅推出了RTX 4090一款显卡，RTX 4080则是在五周后才发布，这意味着，RTX 50系列在数量上本身就占据了优势。** 而且RTX 4090本身就是旗舰卡，高昂的价格使得大部分普通用户都不会选择购买。 所以NVIDIA这句话应该是“在前五周，RTX 50系列的销量是RTX 4090的两倍”，这样看起来是不是就没那么多了。 [查看评论](https://m.cnbeta.com.tw/comment/1485362.htm)

今年以来，美国接二连三出现飞机事故。据媒体报道，当地时间3月13日下午，**美国航空公司一架波音737-800型客机在科罗拉多州丹佛国际机场起火，现场浓烟滚滚。**报道称，机上172名乘客和6名机组人员目前已被紧急疏散，暂无人员伤亡报告。 据了解，该客机在飞行途中，**机组人员报告发动机发生振动，在大约4900米的高度中止爬升。**  在空中飞行21分钟后，飞机折返并改道飞往丹佛国际机场并安全降落，但在着陆滑行到登机口时，飞机右侧发动机起火。   另外，**当地时间3月13日早，美国一架塞斯纳“奖状”公务机起飞后不久便坠入机场附近树林中，事发时机上只有飞行员一人，已当场死亡。** 事故未造成地面人员伤亡或建筑受损，目前坠机原因尚在调查中。 据悉，在今年美国发生的多起飞机事故中，最严重的一起事故造成67人遇难。 当地时间1月29日晚，首都华盛顿的里根国家机场附近一架客机与一架军用直升机相撞，飞机爆炸后坠河，机上67人无人生还。 [查看评论](https://m.cnbeta.com.tw/comment/1485360.htm)

早在 2024 年年初微软就在测试 Microsoft Edge for Android 的扩展程序支持，在早期测试阶段用户需要手动启用安卓扩展实验性选项后才能访问扩展程序页面。经过 1 年多的测试后现在适用于安卓版的扩展程序功能已经正式推出，现在 Microsoft Edge 稳定版也可以安装扩展程序，首批支持的包括暴力猴等多个比较知名的扩展程序。  需要提醒的是尽管目前稳定版的 Microsoft Edge 已经支持安装扩展程序，但扩展程序商店页面仍然被标记为 Beta 版，也就是微软可能还需要更多时间进行完善。 当然这种情况也不让人意外，大多数扩展程序都是为桌面平台开发的因此在移动设备上存在显示问题，而微软支持的这些扩展程序通常都已经针对移动设备进行优化以方便用户正常使用。 所以在实际使用中用户仍然可能会碰到潜在的问题，这些也属于正常情况，如果碰到问题也可以积极联系扩展程序开发者或微软提交反馈信息。  **下面是在 Microsoft Edge for Android 安装扩展程序步骤：** 1. 将 Microsoft Edge 升级到 v134.0.3124.57 及后续版本 2. 启动 Microsoft Edge 浏览器并点击右下角菜单按钮、点击扩展程序 3. 此时将会启动扩展程序页面，在这里你可以安装你想要的扩展程序 4. 如果需要禁用扩展程序请转到右下角菜单按钮、扩展程序、管理扩展程序、菜单、取消勾选启用按钮 目前已经支持的热门扩展程序包括 Tampermonkey、Dark Reader、Bitwarden 密码管理器、Immerive Translate、Cookie-Editor、User-Agent Switcher 等。 [查看评论](https://m.cnbeta.com.tw/comment/1485358.htm)

近日，NAND闪存全面涨价的趋势开始显现，首先是闪迪宣布将从4月1日起涨价，幅度超过10％，所有渠道和消费类产品都不例外。随后，美光透露将上调渠道经销商拿货价格，三星电子、SK海力士也很可能会在4月份紧随其后。 来自渠道的最新消息称，**在国外闪存原厂全面涨价的形势下，长江存储旗下零售品牌致态，也将从4月起上调渠道提货价格，具体幅度不详，但有可能超过10％。** 根据CFM闪存市场的报价，从2月份开始，部分渠道SSD、小容量eMMC的价格已经开始上涨。  对于这一波闪存涨价潮，CFM闪存市场分析认为，**随着各个领域的存储需求的高扬，存储市场保持合理稳定的价格是极为重要的，这有助于推动客户向大容量升级，进而推动存储行业的持续发展。** 同时，**三星、SK海力士等都在今年初采取了减产措施**，预计全年产量会减少超过10％，对全球整个闪存市场都带来了重大影响，闪存供应开始趋紧，价格上涨不可避免。  而就在近日举办的CFM|MemoryS 2025闪存市场峰会上，大容量存储成为行业趋势之一，尤其是**企业级应用中，32TB SSD已经大规模量产并铺开，64TB、128TB的需求也在快速增加，PCIe 5.0 SSD同样会加速普及，预计今年占比可达30％左右，明年增至50％左右。** 同时在AI PC、AI手机领域，终端设备对存储容量的需求也即将显著增加，需求非常旺盛，尤其是A**I手机的占比将从2024年的10％左右，迅速增长至2025年的30％左右、2026年的50％左右。** 值得一提的是，DeepSeek的出现，大大降低了对GPU算力的需求，有利于推动AI的普惠化，让更多的用户有机会在云端和本地部署、体验AI大模型，这也大大推动了对存储的进一步需求。  峰会期间，长江存储也宣布了下一代企业级SSD PE511，**首次支持PCIe 5.0，首次增加16TB、32TB容量，首次增加E3.S接口形态，整体性能提升100％**，符合行业趋势发展。 [查看评论](https://m.cnbeta.com.tw/comment/1485356.htm)

3月14日，彭博社报道，Shein执行董事长Donald Tang表示，**尽管面临特朗普重振全球贸易平衡运动的冲击，公司仍致力于首次公开募股（IPO）。**Donald Tang表示，上市将有助于赢得公众信任并提高Shein的透明度。  Shein 几周前有投资者表示，**Shein应将其估值下调逾三分之二至约300亿美元。**Donald Tang拒绝对Shein的估值置评。 在寻求说服投资者支持其IPO之际，**Shein正面临特朗普政府拟取消中国小商品免税进口政策的挑战。**长期以来，价值低于800美元的包裹一直免于关税。如果取消最低限度豁免导致Shein提价，习惯了购买8美元T恤和12美元连衣裙的美国消费者可能会望而却步。 Donald Tang表示：“**我们希望确保无论面临何种风暴，消费者都不会受到影响。**”他补充说，公司尚未看到美国市场出现任何放缓迹象。他表示，**Shein将尝试通过集中打包更多产品和减少浪费来降低成本。**Donald Tang还表示，在美国囤积商品可能会适得其反，导致公司积压滞销库存。 他表示：“这会成为负担，因为你必须仓储、融资，还要想办法处理这些商品。如果最后不得不将其填埋，对地球也没有好处。” **Donald Tang称Shein将遵守新规，并“找到办法”保护消费者。**他表示：“我们相信这对我们来说不是问题。” Shein在2023年一轮融资中的估值为660亿美元，2022年估值一度高达1000亿美元。**今年6月，该公司向伦敦证交所提交了上市保密文件。** Donald Tang在采访中表示：“通过上市，我们可以更有效地赢得最大程度的公众信任，**这对公司发展至关重要。**” [查看评论](https://m.cnbeta.com.tw/comment/1485354.htm)

根据中国房地产指数系统百城价格指数，2025年2月，**百城**二手住宅均价环比下跌0.42%，跌幅收窄0.1个百分点，同比下跌7.26%；**十大城市**二手住宅均价环比下跌0.25%，同比下跌6.32%。 图：2025年2月十大城市二手住宅挂牌均价及环同比  数据来源：中指数据CREIS 图：2020年7月至2025年2月十大城市二手住宅均价及环比变化  数据来源：中指数据CREIS 各城市来看，**环比方面，**2月**成都**二手住宅价格上涨0.08%，**已连续4个月保持上涨。** 武汉和南京环比跌幅较大，分别为0.68%、0.56%；广州、重庆（主城区）、天津和杭州环比跌幅均在0.2%-0.4%之间；上海、北京和深圳环比跌幅均在0.1%-0.2%之间。 **同比方面，**2月武汉和南京同比跌幅分别为9.90%、9.67%；杭州、重庆（主城区）同比分别下跌7.35%和7.02%；北京、上海、天津和广州同比跌幅均在5%-7%之间；成都和深圳同比跌幅则均在5%以内，其中深圳跌幅最小，为3.45%。 ### **北京：春节后二手房市场热度逐渐恢复，成交量同比连续5个月保持增长** **成交方面，**春节结束后，北京二手房市场热度有所回升，购房者看房节奏较节前明显加快，周度成交量逐步走高。2月，北京二手住宅成交11876套，同比增长87.6%，同比已连续5个月保持增长，1-2月累计同比增长29.7%。 图：2020年7月至2025年2月北京二手住宅成交套数及二手住宅价格环比走势  数据来源：中指数据CREIS **价格方面，**2月，北京二手住宅价格环比下跌0.17%，同比下跌6.91%，同比跌幅连续4个月收窄。不同辖区来看，西城、东城、朝阳等区域价格保持相对稳定，远郊区域仍通过“特价房源”等方式加速去化。 图：2025年2月北京各市辖区二手住宅挂牌均价及环同比  数据来源：中指数据CREIS ### **上海：2月二手房价格同环比跌幅均收窄，低基数下成交量同比大幅增长** **成交方面，**节后上海中心城区地铁房、学区房市场热度较快恢复，2月，二手住宅成交14982套，同比增长127.1%，1-2月累计同比增长47.2%。 图：2020年7月至2025年2月上海二手住宅成交套数及二手住宅价格环比走势  数据来源：中指数据CREIS **价格方面，**2月，上海二手住宅价格环比下跌0.18%，跌幅较上月收窄0.02个百分点，同比下跌6.49%，同比跌幅连续5个月收窄。 图：2025年2月上海各市辖区二手住宅挂牌均价及环同比  数据来源：中指数据CREIS ### **广州：二手房市场以价换量现象延续，价格环比跌幅收窄** **成交方面，**春节节后二手房市场热度快速恢复，买家入市积极性提高，其中南沙、荔湾、黄埔等拥有优质教育资源的房源表现突出，但由于当前广州二手房挂牌量仍处高位，市场成交仍以降价幅度较大的房源为主。2月，广州二手住宅成交5184套，同比增长10.5%，1-2月累计同比增长23.7%。 图：2020年7月至2025年2月广州二手住宅成交套数及二手住宅价格环比走势   数据来源：中指数据CREIS **价格方面，**2月，广州二手住宅价格环比下跌0.39%，跌幅较上月小幅收窄，同比下跌5.62%。 图：2025年2月广州各市辖区二手住宅挂牌均价及环同比  数据来源：中指数据CREIS ### **深圳：节后二手房成交持续恢复，价格同比跌幅连续5个月收窄** **成交方面，**春节后二手房市场快速恢复，成交套数连续3周呈现环比增长态势，2月深圳二手住宅成交套数3677套，叠加低基数下影响，同比增长106.0%，1-2月累计同比增长56.8%。 图：2020年7月至2025年2月深圳二手住宅成交套数及二手住宅价格环比走势  数据来源：中指数据CREIS **价格方面，**2月，深圳二手住宅价格环比下跌0.13，同比下跌3.45%，同比跌幅连续5个月收窄。 图：2025年2月深圳各市辖区二手住宅挂牌均价及环同比  数据来源：中指数据CREIS ### **杭州：二手房成交同环比均增长，价格环比跌幅连续4个月收窄** **成交方面，**节后市场逐渐回温，尤其是下半月二手房带看量提升明显，2月，杭州二手住宅成交4714套，环比增长3.7%，同比增长220.9%，1-2月累计同比增长62.7%。 图：2020年7月至2025年2月杭州二手住宅成交套数及二手住宅价格环比走势  数据来源：中指数据CREIS **价格方面，**2月，杭州二手住宅价格环比下跌0.26%，跌幅较上月收窄0.12个百分点，环比跌幅已连续4个月收窄。不同区域来看，核心区域优质的次新房价格较稳，远郊刚需盘如临平东湖板块部分房源挂牌价下调明显。 图：2025年2月杭州各市辖区二手住宅挂牌均价及环同比  数据来源：中指数据CREIS ### **南京：高挂牌量下，短期二手房市场继续承压** **成交方面，**春节节后，购房者看房积极性和置业意愿有所提升，市场信心有所修复。但由于南京二手房挂牌量处于高位，议价空间较大，买方市场特征仍明显。2月，南京二手住宅成交7847套，低基数下同比增长17.7%，1-2月累计同比增长5.2%。 图：2020年7月至2025年2月南京二手住宅成交套数及二手住宅价格环比走势  数据来源：中指数据CREIS **价格方面，**2月，南京二手住宅价格环比下跌0.56%，跌幅较上月基本持平。 图：2025年2月南京各市辖区二手住宅挂牌均价及环同比  数据来源：中指数据CREIS ### **武汉：短期二手房价格仍有下行预期** **二手房市场购房者预期偏弱，价格短期仍承压。**2月，武汉二手住宅价格环比下跌0.68%，同比下跌9.90%。 图：2020年7月至2025年2月百城、十大城市及武汉二手住宅价格环比走势对比  数据来源：中指数据CREIS 分区域来看，各市辖区二手住宅价格环比均继续下跌，多数区域跌幅较上月扩大。3月伴随“小阳春”传统旺季到来，市场活跃度或小幅回升，但价格企稳尚需时间。 图：2025年2月武汉各市辖区二手住宅挂牌均价及环同比  数据来源：中指数据CREIS ### **成都：二手房市场维持一定活跃度，价格环比连续4个月上涨** **成交方面，**随着节后返城复工，成都二手房市场交易热度逐步上升，但市场分化仍为显著，“5+2”区域整体表现较好，市场议价空间有所收窄，二圈层如青白江、新都等区域去化压力仍较大，仍依赖低价策略。 2月，成都二手住宅成交17546套，环比增长2.1%，同比增长88.8%，1-2月累计同比增长31.5%。 图：2020年7月至2025年2月成都二手住宅成交套数及二手住宅价格环比走势  数据来源：中指数据CREIS **价格方面，**2月，成都二手住宅价格环比上涨0.08%，连续4个月环比上涨。3月传统旺季叠加政策效应，预计核心区二手房市场或将持续活跃。 图：2025年2月成都各市辖区二手住宅挂牌均价及环同比  数据来源：中指数据CREIS ### **重庆（主城区）：2月二手房价格延续下行态势，核心区房源价格相对平稳** **价格方面，**2月初，重庆全面取消限售政策，一些地段不佳、配套不完善住房或者老旧房源，因竞争加剧出现价格下行压力，而核心区优质房源及学区房表现相对较好。 图：2020年7月至2025年2月百城、十大城市及重庆二手住宅价格环比走势对比  数据来源：中指数据CREIS 2月，重庆二手住宅整体环比下跌0.37%，同比下跌7.02%。3月，在楼市传统“小阳春”行情及教育需求释放的推动下，重庆二手房市场调整压力或有所缓解。 图：2025年2月重庆（主城区）各市辖区二手住宅挂牌均价及环同比  数据来源：中指数据CREIS ### **天津：前期学区政策驱动下，2月部分核心区市场表现活跃，但价格下跌态势未改** 2月春节假期结束后，天津二手住宅市场持续回暖，其中河西、南开、河东等具备学区属性的区域表现活跃。 图：2020年7月至2025年2月百城、十大城市及天津二手住宅价格环比走势对比  数据来源：中指数据CREIS **价格方面，**2月，天津二手住宅价格环比下跌0.34%，同比下跌6.26%。3月，在两会政策利好及市场情绪驱动下，潜在购房需求有望继续释放，或带动天津二手房市场进一步修复。 图：2025年2月天津各市辖区二手住宅挂牌均价及环同比  数据来源：中指数据CREIS ### **结语** 整体来看，春节假期结束后，重点城市二手房市场活跃度逐渐恢复，市场交易回归常态。同时二手房价格表现相对平稳，其中成都价格环比已连续4个月上涨，多数城市环比跌幅收窄。3月，在“金三银四”传统旺季、教育需求入场及政策利好带动下，居民置业情绪有望得到修复，二手房成交量继续恢复。 “止跌回稳”仍是今年房地产政策核心目标，今年两会政府工作报告把“稳住楼市股市”写进总体要求，并再次强调要“持续用力推动房地产市场止跌回稳”，为市场传递信心；同时也提到“因城施策调减限制性措施…充分释放刚性和改善性住房需求潜力”。若北上深等核心城市加快优化限购限贷政策，将有助于加快市场企稳。 另外，当前部分城市二手房价格已几乎调整至合理水平，随着教育需求释放，短期核心城市二手房市场热度有望持续。

<blockquote><p>在合同管理系统领域，竞争日趋激烈，如何在全生命周期管理赛道中脱颖而出，成为企业关注的焦点。这篇报告将深入分析各大合同管理系统的核心功能与优势，揭示其在市场中的生存逻辑，并探讨突破现状的有效策略，助力企业找到适合自己的最佳解决方案。</p> </blockquote>  ## 一、市场全景：谁是我们的敌人，谁是朋友？ 当前合同管理系统（CLM）市场呈现“功能趋同，策略分化”的格局，可拆解为五大阵营： - 电子签章派：法大大、契约锁等，以电子签章为入口，逐步延伸至合同管理全流程，但核心收入仍依赖签署量抽成； - 法律科技派：幂律智的MeFlow等，专注AI合同审查，构建垂直行业合规壁垒； - 生态寄生派：钉钉智能合同等，依托协同场景嵌入轻量审批功能，主打中小客户； - 全生命周期管理派：蓝凌、泛微、肇新合同等，宣称覆盖合同起草到履约全流程，但内部策略分化严重。 **关键结论**：根据我公司软件的内容，前四类厂商并非直接对手，因为他们针对的场景和所拥有的壁垒不是我们可比拟和超越的。真正的威胁来自我们公司产品的同行-全生命周期管理赛道的同类玩家（蓝凌、泛微、肇新合同）。而且三者拥有相似的功能，实则生存逻辑迥异。 ## 二、深度对决：高端定制VS源码交付的生死局 ### 2.1 产品定位与客群真相 **蓝凌**：国企与大型集团公司的“数字化包工头”。 典型场景：某央企要求合同审批流程适配其18个部门、37类分支条件，蓝凌投入20人团队耗时8个月完成定制； 商业模式：项目制收费（100万起步），赚的是“复杂流程落地”的手工钱。 **泛微**：民营企业OA协同场景的“深度绑定者”。 典型场景：某连锁酒店集团将合同审批与门店预算、店长绩效挂钩，泛微通过OA数据联动实现自动管控； 商业模式：年费制（50万+）叠加模块定制费，本质是“系统集成服务费”。 **肇新合同**：中小企业的“源码贩子”，集成商的“技术苦力”。 典型场景：某区域IT服务商采购肇新源码，二次开发后以“自研产品”名义卖给当地中小企业； 商业模式：源码授权（5万20万），靠走量分摊研发成本，利润依赖生态分润。 ### 2.2 功能对比：全流程的虚实 **合同起草：** 蓝凌/泛微：提供人工维护的模板库，AI仅用于基础条款推荐； 肇新：支持AI生成草稿，但需人工校准，实际节省时间不超过30%。 **履约监控：** 蓝凌：人工设置关键节点（如付款日），到期前邮件提醒； 肇新：宣称AI自动监控，实则依赖人工录入履约条款（如“验收后7日内付款”）。 残酷真相：当前没有厂商能真正实现“全流程自动化”，所谓AI能力多为营销话术。 ### 2.3 商业模式的本质冲突 **蓝凌/泛微的困境：** 优势：高客单价（100万+）、客户粘性强； 死穴：人力成本占比超60%，10人团队一年只能接4、5个项目，规模化无解。 **肇新合同的隐患：** 优势：边际成本低，源码可无限复制； 死穴：渠道失控（集成商拿源码后自立品牌）、功能同质化（中小企业只关心价格）。 ## 三、破局建议：打不过就重新定义规则 ### 3.1 功能分层：切割战场 **基础层：** 提供开源版核心功能（如合同起草、审批），对标肇新争夺中小客户； 盈利点：开放API接口收费（如与电子签厂商数据打通）。 **增值层：** 开发AI合规审查模块（采购MeFlow算法授权），主攻金融、医疗客户； 盈利点：按审查次数抽成（如0.5元/次）。 ### 3.2 生态合谋：与敌人交朋友 与蓝凌/泛微合作： 为其定制项目提供AI模块（如履约监控），抽成15%-20%； 本质：成为巨头的“技术外包商”。 ### 3.3 与钉钉共生 在钉钉应用市场发布极速版，功能限定为“审批+签署”，免费换流量； 转化策略：引导至付费版（如AI合规审查试用）。 ## 四、行动清单：活下去比理想更重要 ### 4.1 客户验证 走访3家蓝凌KA客户，测试其AI模块付费意愿； 接触5家肇新集成商，评估渠道合作可能性。 ### 4.2 成本测算 开源版研发投入（6个月，150万） vs 预期收益（年授权费300万）； AI模块外采成本（MeFlow接口费50万/年） vs 抽成收益。 ### 4.3 风险备案 若巨头（如钉钉）封杀，保留私有化部署能力； 若政策收紧（如AI合规审查资质），转向人工审核辅助工具。 ## 写在最后 写完这篇文章，我摸了摸所剩无几的头发，突然意识到：在ToB市场，所谓“技术领先”往往敌不过“成本控制”与“渠道霸权”。或许我们应该少谈点理想，多研究怎么让客户心甘情愿掏钱——哪怕只是为了一丁点效率提升。后续我会继续把我的感想写进来的，要是老板允许的话，把我的竞品报告也发进来。兄弟们有想要的加我，我可以先给你们发零散资料。PS：编辑大大，为啥不让我插图片啊，一插图片就显示网络错误。 本文由 @合同管理吴彦祖 原创发布于人人都是产品经理。未经作者许可，禁止转载 题图来自Unsplash，基于CC0协议 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务

 Epic 宣布与高通合作，为EOS反作弊服务（又称“轻松反作弊”服务）添加对 Windows on Snapdragon 的支持，并将在今年晚些时候在 Windows on Snapdragon 设备上推出《堡垒之夜》。这将帮助开发者将更多游戏带到更多设备上。  在过去的一年中，基于Windows 11 Arm的笔记本电脑的出现改变了PC产业的格局，高通的 Snapdragon X 系列处理器代表了PC游戏市场中一个快速增长的领域。然而，当今大多数PC游戏都是针对x64编译的，这并不能直接转换为 Windows on Snapdragon 架构。由于反作弊软件与x64功能的协同方式，需要额外的工具才能与这些设备兼容。 当今的数百款多人游戏（包括《堡垒之夜》）都依赖轻松反作弊服务来对抗多人电脑游戏中的黑客攻击和作弊行为。除了为《堡垒之夜》发布对 Windows on Snapdragon 的反作弊支持之外，官方还将通过特制的Epic在线服务SDK版本为开发人员提供此支持。这样，使用轻松反作弊服务(EAC）的开发者就能够将此项兼容性引入到他们自己的游戏中。  对《堡垒之夜》进行 Windows on Snapdragon 反作弊支持的实战测试将有助于确保在其他游戏中的顺利实施。Epic期待让玩家能够在由 Snapdragon X 系列驱动的最新 Windows 设备上享受他们最喜欢的、支持Epic在线服务反作弊功能的游戏。 全球各地的游戏开发者均可免费使用Epic 在线服务，无论他们的游戏采用何种引擎开发，以及将会登陆哪个PC商城进行销售。

<blockquote><p>传统电商平台和线下渠道的流量成本不断攀升，用户粘性和复购率却难以提升。面对这些挑战，私域运营成为品牌突破困境的关键路径。本文将分享一家国内头部家电品牌如何通过构建私域流量池，实现用户精细化运营，最终将复购率提升40%以上的成功经验。</p> </blockquote>  ## 一、品牌背景 ### 基础信息 所属行业：家电行业 该品牌是国内一家家电类头部品牌，主营产品有空调、冰箱、洗衣机、厨房家电、生活家电、热水净水等等，主要面向C端用户智能化场景搭建。这种类型业务属于典型的，高客单，低复购，交叉销售机会大，售后服务属性强，非常适合做私域。 ### 业务痛点 作为一家头部的家电品牌，其实他们在京东、淘宝等传统电商，以及线下门店，经销商等传统渠道，已经取得了很好的成绩。但是随着竞争越来越激烈，他们业务也存在以下痛点： - **全域数据割裂**：公私域数据未打通，难以对用户做洞察，找到业务增长点。 - **公域依赖严重**：天猫、京东等平台流量成本上涨30%，用户复购依赖促销活动； - **用户粘性不足**：缺乏持续触达渠道，触达效率低，新品推广依赖广告投放； - **服务效率低下**：数据未打通，加上售前售后问题重人工响应，没有工具，咨询响应慢。 ### 私域目的 - 搭建全域用户池，实现线上线下流量互通； - 通过精细化运营提升用户LTV，复购率目标提升40%+； - 建立”专业顾问+即时服务”私域体系，降低人工成本30%。 ## 二、私域人设  ## 三、私域引流 **功能使用：渠道活码、企微标签、好友欢迎语、新好友运营、好友裂变** ### 包裹卡引流  首先，是电商场景最常见的包裹卡引流，引流的利益点包括积分秒杀、免费抽家电礼包，以及因为是高客单的耐用品，所以还有一些客户比较关心的，食谱、使用指南等。基本都是围绕客户画像和客户需求设计的利益点，可以做到加粉率20%以上。 ### AI智能加粉  其次，品牌自有CRM其实也积累了很多历史线索，只有电话号码的情况下，触达渠道也是非常有限的，所以他们也将这些历史线索做了分层，然后通过AI外呼配合主加+短信的方式，将这些线索筛选、激活，尽最大可能沉淀到企业微信私域。全链路借助工具实现了自动化，人工只需要前期配置就好，通过这种方式，极大提升效率和通过率，实现私域好友快速沉淀。 ### 公众号/视频号/小程序引流  公众号/视频号/小程序也多触点布局了引流，尽量将私域内其他应用的流量，也加到可以多次触达的企业微信。比方在公众号的欢迎语、公众号菜单栏、公众号的文章内，都设有引流触点。利益点包括0元试用、限时秒杀、限时特惠、隐藏福利、代金券等。 ## 四、私域运营  ### 数据打通 **功能使用：全渠道订单数据打通、渠道自动打标签、消费标签、企微标签** 首先是全域数据打通，因为转化率的提升，其实非常依赖于客户洞察，给合适的客户针对性推送不同的内容。但是以往客户做私域，由于没有打通客户的消费数据，所以营销信息只能是盲发，盲推，导致私域业绩一直上不去，客户流失也比较严重，每群发一次，就流失一批客户。 所以专门针对这个痛点，通过全渠道订单绑定的形式，打通客户的公私域消费数据，自动计算并打上对应的消费标签，丰富标签体系，这样就可以针对客户的消费偏好精准推送，大幅提升转化率，降低流失率。 不得不说，精细化运营的基础，就是数据打通以及标签体系的建立，他们的标签体系大致分为以下几个维度： ### 1v1运营 **功能使用：客服工作台、素材库、新好友运营、指定好友SOP、高级群发、复购提醒** 1）新好友自动接待 新好友刚添加的节点是极其重要的节点，因为这个时候客户是有兴趣的，是否能在这2分钟留住客户，决定了后续的转化。  所以他们在一开始就使用新好友SOP功能，尽可能的让新加进来的用户，做更多的动作：领取售后权益、积分抽奖、食谱、产品使用指南，以及收集客户生日，在生日的时候赠送优惠券，促进节日转化。此外，在欢迎语的环节，用的新好友运营功能，设置了入群邀请链接，最大化提升入群率。 2）SOP自动培育 为了最大化提升转化率，他们还针对不同的人群，不同的阶段，设置了自动化智能触达的策略，例如： - **高净值用户**：针对消费金额、频次高的高净值用户，每月推送新品优先体验邀请； - **价格敏感用户**：针对主要是关注促销、领券的用户，推送优惠券、满减券等活动促转化； - **沉默用户**：对于一直无回应的沉默用户，定期推送种草类文案，激发需求； - **复购提醒**：对于一些明显有消耗属性的电器品类，例如电动牙刷需要定期更换刷头、净水器需要更换滤芯等，可以自动识别客户的复购周期，自动化精准推送复购提醒。 3）客服接待 对于他们这种服务和知识属性比较重的产品来讲，每天售前售后问题都会相对比较多。现在的用户都没什么耐心，客服需要秒回才能给到客户一个相对还不错的体验，否则几分钟不回可能都会被拉黑或者投诉。所以企微客服接待如何尽最大可能提效，也是一个很关键的问题。 为了用最少的人力，最高效的回复客户的咨询，他们使用了工作台来进行接待，同时配合自动回复，大幅度提效，提升客户体验。 ### 社群运营 **功能使用：客服工作台、群聊群发、群防骚扰、群关键词回复、群欢迎语、社群分析** 1）社群种草  在社群内的基本上已经是购买过产品的客户，为了提升留存活跃和复购，会针对这类客户的潜在痛点和需求点，发送不同的营销内容。例如以旧换新、老带新活动、知识科普、健康科普等。 2）新品试用  在新品上新的时候，会联合不同的品牌，在社群内进行宣传推广，收集新品反馈建议。 3）社群答疑 对于社群中的售后问题，常见问题使用关键词回复，而个性化的问题，使用客服工作台筛选消息进行人工回复，高效率统一解答，大幅度提升客户满意度。 ### 朋友圈运营 **功能使用：朋友圈定向群发、朋友圈自动评论、自动打标签**  朋友圈也是私域运营中一个非常重要的触达渠道，用户每天在刷朋友圈的过程中强化对品牌的认知，简直就是免费的广告。朋友圈发送的内容主要分为以下几类： - **活动推广**：例如会员日、品牌日的活动推广，通过特定节日优惠引导转化； - **新品宣发**：产品上新需要市场推广，通过新品试用+问卷获取市场反馈，优化产品和营销； - **生活分享**：为了打造私域人设，在节假日或者日常，也会发送一些生活感悟类朋友圈； - **产品种草**：结合特定场景痛点，输出解决方案并植入产品广告，例如菜谱和美食制作方法。 总之，自从使用智能化全域运营以来，他们有效解决了人效低的问题，通过SOP自动化，帮助企业大幅提升了触达&amp;服务效率，促进了用户的转化复购。 一些链路，需要相关的SCRM功能做配合才能实现，也不是所有的SCRM都可以实现。 **专栏作家** 猫雯私域研究社，微信公众号：猫雯私域研究社，人人都是产品经理专栏作家。专注于客户关系管理研究，包括私域流量运营、社群运营、用户运营等细分方向。 本文原创发布于人人都是产品经理，未经作者许可，禁止转载 题图来自 unsplash，基于 CC0 协议 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。

 由 Cygames 制作的二次元卡牌游戏新作《影之诗：超凡世界》将于6月17日推出。游戏新增“超进化”和“乐园功能”等新元素和新内容， 这将成为一款迈进新次元的电子卡牌游戏。 无论是《影之诗》的老玩家，还是新玩家， 都可以在进化后的影之诗中获得全新体验。 &lt;内嵌内容，请前往机核查看&gt; 值得一提的是，团队宣布“世界”中的非卡牌对战游戏要素，如钓鱼、麻将、RPG等，经过重新评估后决定暂停开发，专注于打造增加卡牌对战趣味的虚拟空间“影之诗乐园”。在“影之诗乐园”中，主战者们依然可以进行与大厅中的其他玩家对战、与公会的朋友们聚会等等活动。未来也将在“乐园“内举办线上比赛，以及可以让所有影之诗玩家参加的大型活动。         超进化需要使用与普通进化不同的“超进化点”，先后手各有2点“超进化点”。所有随从都可以进行超进化。超进化后的随从不仅攻击力和生命值各增加3点，还会获得【突进】能力，并在该回合结束前所受到的伤害将为0，且不会被任何能力破坏。如果超进化后的随从击倒了对方的随从，会将对方的随从击飞并撞向对方主战者，对主战者造成1点伤害。超进化的加入会让卡牌对战更具策略性和爽快感。另外，超进化时会发动随从的“进化时能力”和“超进化时能力”。

Akira 勒索软件团伙被发现利用不安全的网络摄像头，对受害者网络发起加密攻击，且成功绕过了用于阻止 Windows 中加密器的端点检测和响应（EDR）系统。这一不寻常的攻击方式，是网络安全公司 S-RM 团队在近期对一位客户的事件响应过程中发现的。 值得关注的是，Akira 勒索软件团伙最初尝试在 Windows 系统上部署加密器，不过被受害者的 EDR 解决方案阻止。在此之后，他们才转而利用网络摄像头实施攻击。 **Akira 的非常规攻击链** Akira 的攻击链条十分复杂。威胁行为者起初通过目标公司暴露的远程访问解决方案，可能是利用被盗凭证或者暴力破解密码，得以访问公司网络。获取访问权限后，他们部署了合法的远程访问工具 AnyDesk，并窃取公司数据，为后续的双重勒索攻击做准备。接着，Akira 利用远程桌面协议（RDP）进行横向移动，将自身影响范围扩展到尽可能多的系统，随后尝试部署勒索软件负载。最终，威胁行为者投放了一个受密码保护的 ZIP 文件（win.zip），里面包含勒索软件负载（win.exe），但受害者的 EDR 工具检测到并隔离了该文件，使得这次攻击暂时受阻。 在这次失败后，Akira 开始探索其他攻击途径。他们扫描网络，寻找可用于加密文件的其他设备，发现了网络摄像头和指纹扫描仪。S-RM 解释称，攻击者选择网络摄像头，是因为其容易受到远程 shell 访问，且可被未经授权地观看视频。此外，网络摄像头运行的是与 Akira 的 Linux 加密器兼容的 Linux 操作系统，并且没有安装 EDR 代理，因此成为远程加密网络共享文件的理想设备。  Akira 攻击步骤概览（ 来源：S-RM） S-RM 向 BleepingComputer 证实，威胁者利用网络摄像头的 Linux 操作系统，挂载了公司其他设备的 Windows SMB 网络共享。随后，他们在网络摄像头上启动 Linux 加密器，以此加密 SMB 上的网络共享，成功绕过了网络上的 EDR 软件。S-RM 指出：“由于该设备未被监控，受害组织的安全团队并未察觉到从网络摄像头到受影响服务器的恶意服务器消息块（SMB）流量增加，否则他们可能会收到警报。” 就这样，Akira 得以成功加密受害者网络上的文件。 S-RM 告知 BleepingComputer，针对网络摄像头漏洞已有相应补丁，这意味着此次攻击，至少是这种攻击方式，本可以避免。这一案例表明，EDR 保护并非全面的安全解决方案，组织不能仅依赖它来防御攻击。此外，物联网设备不像计算机那样受到密切监控和维护，却存在重大风险。所以，这类设备应与生产服务器和工作站等更敏感的网络隔离。同样重要的是，所有设备，包括物联网设备，都应定期更新固件，修补可能被攻击的已知漏洞。 此外，物联网设备不像计算机那样受到密切的监控和维护，但仍然存在重大风险。 因此，这些类型的设备应该与更敏感的网络（如生产服务器和工作站）隔离。  同样重要的是，所有设备，甚至是物联网设备，都应该定期更新其固件，以修补可能被攻击的已知漏洞。

新发现的剪贴板劫持操作 “MassJacker”，利用至少 778,531 个加密货币钱包地址，从受感染计算机中窃取数字资产。 据发现 MassJacker 活动的 CyberArk 称，在分析时，与该行动相关的大约 423 个钱包内共有 95,300 美元。不过，历史数据显示，其涉及的交易金额曾更大。此外，威胁行为者似乎将一个 Solana 钱包作为中央收款中心，截至目前，该钱包已累计完成超过 30 万美元的交易。 CyberArk 怀疑整个 MassJacker 行动与特定威胁组织有关联。因为在整个活动过程中，从命令和控制服务器下载的文件名，以及用于解密文件的加密密钥始终保持一致。然而，该操作也有可能遵循恶意软件即服务模式，由中央管理员向各类网络犯罪分子出售访问权限。  CyberArk 将 MassJacker 称为加密劫持操作，虽然 “加密劫持” 这一术语通常更多用于描述利用受害者的处理 / 硬件资源进行未经授权的加密货币挖掘行为。实际上，MassJacker 依赖于剪贴板劫持恶意软件（clippers）。这种恶意软件会监视 Windows 剪贴板中复制的加密货币钱包地址，并将其替换为攻击者控制下的地址。如此一来，受害者在不知情的情况下，就会把原本要汇给他人的钱，错汇给攻击者。剪辑器这种工具虽简单，却极为有效。由于其功能和操作范围有限，特别难以被察觉。 **技术细节** MassJacker 通过 pesktop [.] com 进行分发，该网站既托管盗版软件，也存在恶意软件。从该站点下载的软件安装程序会执行一个 cmd 脚本，该脚本进而触发一个 PowerShell 脚本，PowerShell 脚本会获取一个 Amadey 机器人以及两个加载器文件（PackerE 和 PackerD1）。Amadey 启动 PackerE，随后 PackerE 解密并将 PackerD1 加载到内存中。 PackerD1 具备五种嵌入式资源，用以增强其逃避检测和反分析的性能。这些资源包括即时（JIT）挂钩、用于混淆函数调用的元数据令牌映射，以及用于命令解释的自定义虚拟机（并非运行常规的.NET 代码）。PackerD1 解密并注入 PackerD2，最终解压缩并提取出最终有效负载 MassJacker，并将其注入合法的 Windows 进程 “InstalUtil.exe” 中。  MassJacker 利用正则表达式模式，对剪贴板中的加密货币钱包地址进行监视。一旦发现匹配的地址，就会将其替换为加密列表中攻击者控制的钱包地址。 CyberArk 呼吁网络安全研究界密切关注 MassJacker 这类大型加密劫持行动。尽管此类行动造成的经济损失可能相对较低，但却能够泄露许多威胁行为者的宝贵身份信息。

<blockquote><p>通过深入解析用户需求与行为，产品团队能够更精准地规划和优化产品路线图。在这篇文章中，我们将全面解读用户故事地图的核心概念、操作流程以及如何在实践中进行高效优化，为你的产品开发提供强有力的支持。</p> </blockquote>  ## 一、用户故事地图到底是个啥？ 想象一下，你是个导演，用户是主角，产品就是这部电影。用户故事地图就是你给这部电影画的“分镜头脚本”——把用户从打开产品到完成任务的所有动作、痛点、爽点，像拼图一样摊在桌面上，让团队一眼看明白用户到底在经历什么。 举个接地气的例子： 你团队要做个买菜App，大家七嘴八舌说功能：“得有个智能推荐！”“加个直播卖菜吧！”。这时候如果用用户故事地图，你们会先冷静下来，把用户买菜的真实流程还原出来： **“出门前打开App→比价选菜→凑满减→纠结怎么配送→付款后担心菜品质量→收到货检查→不爽了给差评”** 这时候突然发现：哎？用户最头疼的其实是**“凑满减浪费时间”**，而不是你们以为的“直播功能”。这时候，团队立马知道该优先做“智能凑单”功能，而不是跟风搞直播。这就是用户故事地图的魔力——**让所有人回到用户真实场景，而不是自嗨式开发**。  ## 二、手把手教你画地图：别搞复杂，记住这4步就行 ### 第1步：准备阶段——先搞清楚“为谁做”和“为啥做” **别急着画图！先拉齐认知**： 找张白板（或者打开在线协作工具），先和团队吵清楚： **用户到底是谁**？宝妈？上班族？退休大爷？（比如宝妈最关心配送时间准不准，上班族可能想要“30秒极速下单”） **产品核心要解决什么**？是帮用户省时间？省钱？还是减少决策焦虑？ （曾经有个团队做健身App，以为用户想要酷炫课程，结果用户调研发现大家最需要的是“防摸鱼监督功能”…） **工具越简单越好**： 别被工具绑架！便利贴+白板就够用，颜色区分动作（黄色）、任务（蓝色）、痛点（红色）。实在要线上协作，推荐用**boardmix**（模板多）或**Miro**（协作方便），但记住：**工具只是辅助，脑子才是关键**。 ### 第2步：集体脑暴——把用户旅程“撕碎了再拼起来” **先让所有人闭麦写便签**： 每人独立写用户动作，比如“搜索商品”、“看差评”、“和客服撕逼”，写够20张再停。这招专治“老板说啥就是啥”的团队马屁精，避免漏掉真实场景。 **贴便签也有玄机**： **横向按时间排**：左边是用户第一步（比如“打开App”），右边是最后一步（比如“晒单评价”）。 **纵向按重要性分**：上层是必须有的功能（比如“加入购物车”），下层是锦上添花（比如“智能推荐相似商品”）。 （重点来了！一定要边贴边问：“用户这时候在想啥？生气还是开心？”比如付款环节突然弹广告，用户可能直接卸载！） ### 第3步：砍需求比做需求更重要 **第一版只做“活下去”的功能**： 拿把尺子横向一划，只保留用户**不完成就活不下去**的主干流程。比如外卖App的第一版，只要有“选餐馆→点菜→付款→查看配送”就够了，什么会员积分、小游戏统统砍掉！ **学会用“KANO模型”怼人**： 当有人非要加个“AR试穿”这种炫技功能时，直接甩出三类需求： - **基本需求**（没有就死）：比如商品详情页 - **期望需求**（有了更好）：比如价格对比 - **兴奋需求**（没有也行）：比如虚拟试妆 （曾经有个团队在医疗App里加“AI算命测健康”，结果用户吐槽：“连预约挂号都卡，算个毛线！”） ### 第4步：边做边改——地图不是用来裱墙的！ **每周拿用户反馈打脸**： 做完第一个版本，别自嗨！赶紧找真实用户来用，然后把他们的吐槽直接贴到地图对应位置。比如用户说“搜索太难用”，你就找到地图里的“搜索商品”环节，贴上：“用户实际输入3次才找到想要的口红色号”。 **版本规划像下棋**： 把地图纵向切成几个版本，比如： - **V1.0**：能跑通核心流程（让用户活着） - **V2.0**：优化体验痛点（让用户爽） - **V3.0**：加差异化功能（让用户尖叫） （比如某读书App，V1只做“扫码查书价”，V2加“比价提醒”，V3才做“书友社交”，避免一开始铺太开） ## 三、血泪教训：新手最容易踩的3个坑 **把用户当傻子，以为自己最懂** **反面教材**：某团队给老年人做App，把字体调成炫彩渐变，结果用户根本看不清。 **救命招**：直接拉用户参与画地图！哪怕请个外卖小哥来办公室，让他边吐槽边贴便签，比你们猜100遍都有用。 **沉迷细节，忘了主线** **反面教材**：讨论“健身课程页面”时，纠结按钮圆角用2px还是3px，结果忘了课程加载慢才是痛点。 **救命招**：给每个环节设个“3分钟闹钟”，时间一到必须推进，细节留到开发阶段再抠。 **把地图当一次性作业** **反面教材**：地图画完拍个照，从此再没更新过，结果需求越加越乱。 **救命招**：把它当成“产品族谱”，每次迭代前全员对着地图开10分钟站会，用马克笔直接修改，保持动态更新。 ## 四、说人话的终极心法 用户故事地图不是什么高端黑科技，它本质上是一种**“强迫团队走出办公室”**的工具。记住三个关键词： **真实**：用户怎么做，你就怎么画，别自己加戏 **聚焦**：80%的精力死磕20%的核心流程 **灵活**：边做边改不丢人，一条路走到黑才要命 本文由 @佳简几何 原创发布于人人都是产品经理，未经许可，禁止转载 题图来自 Unsplash，基于 CC0 协议 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。

 Steam 春季特卖火热进行中，活动将持续至 3 月 20 日！与精彩的主题特卖不同，季节性特卖的“主题”就是——任何种类的游戏都可能享受折扣！本周不妨花点时间，浏览一下最爱的游戏类型和类别。以下是值得注意的好价： &lt;内嵌内容，请前往机核查看&gt; &lt;内嵌内容，请前往机核查看&gt; &lt;内嵌内容，请前往机核查看&gt; &lt;内嵌内容，请前往机核查看&gt; &lt;内嵌内容，请前往机核查看&gt; &lt;内嵌内容，请前往机核查看&gt; &lt;内嵌内容，请前往机核查看&gt; &lt;内嵌内容，请前往机核查看&gt; &lt;内嵌内容，请前往机核查看&gt; &lt;内嵌内容，请前往机核查看&gt; &lt;内嵌内容，请前往机核查看&gt; &lt;内嵌内容，请前往机核查看&gt; &lt;内嵌内容，请前往机核查看&gt; &lt;内嵌内容，请前往机核查看&gt; &lt;内嵌内容，请前往机核查看&gt; &lt;内嵌内容，请前往机核查看&gt; &lt;内嵌内容，请前往机核查看&gt; &lt;内嵌内容，请前往机核查看&gt; &lt;内嵌内容，请前往机核查看&gt; &lt;内嵌内容，请前往机核查看&gt; &lt;内嵌内容，请前往机核查看&gt; &lt;内嵌内容，请前往机核查看&gt; &lt;内嵌内容，请前往机核查看&gt;

<blockquote><p>随着人工智能技术的飞速发展，大语言模型及相关应用正成为推动科技变革的核心力量。然而，背后支撑这些模型高效运行的基础设施（Infra）却鲜为人知。本文将深度解读DeepSeek开源周的内容，通过通俗易懂的语言，剖析DeepSeek在模型训练、推理优化以及基础设施建设方面的创新成果。</p> </blockquote>  本篇内容是对DeepSeek Infra开源周内容的一次费曼学习结果 阅读前最好能看过前置内容[《万字长文：DeepSeek 647天铸就的登神长阶》](https://whjlnspmd6.feishu.cn/wiki/Xo5WwnpmoiL6k2kD69wcz0b3nvd)。否则虽然也能看懂，但会无法建立全局视野，摄入的知识产生折扣。 阅读的时候可以先跳过每个章节的“术语说明”，看不懂了，再回去翻术语说明。不然没有上下文硬啃术语是挺难受的。 ## DAY1 FlashMLA 地址：https://github.com/deepseek-ai/FlashMLA，11.2K stars ### 术语说明 - MLA（Multi-Head Latent Attention），DeepSeek-V2中首次提出，用以取代他们在DeepSeek-67B中使用的GQA。是一种成本低，效果好的注意力算法。 - Flash，来自FlashAttention这个项目，Flash是闪光、快速，Attention是注意力。这是一个老牌的，专门优化注意力计算/内存效率的项目。 - FlashMLA，所以FlashMLA，就是DeepSeek开源的，借鉴了FlashAttention项目中的一些理念，然后专门针对他们自研MLA进行优化的CUDA内核。 - 所以，通俗来讲，MLA是MLA，FlashMLA是“如何更好在机器上跑MLA”的优化方法。 - SM（Streaming Multiprocessor，流式多处理器），这是GPU上的计算单元，H800上有132个SM。 - Wrap，是SM上线程调度的基本单位，你可以想象为流水线。所以GPU→SM→Wrap，DeepSeek很多精细化的工作是在Wrap层级上进行的。 ### 项目特点 **① Hopper专用** Hopper是英伟达的显卡系列名称，换成耳熟能详的就是H800、H100。 也就是说这个项目如果在其他卡上直接运行，例如华为昇腾、英伟达的A100，都是行不通的。至于为什么，下面会说。 **② 对KV缓存进行分块** 每块大小64。分块后，整个计算和内存的效率会得到相当大的提升。 这就像以前以订单为单位去做仓库管理，有的订单10000个货品，有的订单100个货品，这时候可能出现某个卡车1订单装不下或者1订单装不满的情况，利用率很低。 这个时候平台推动了改革，不再以订单为单位做管理，而是跟踪到每个SKU。那么这个时候你的管理颗粒度上升，虽然会带来更多管理成本，但整体的物流仓管效率也会因为细粒度而得到巨额提升。 不过这个不是DeepSeek的独特发明，而是来自FlashAttention的理念。 **③ 极致利用共享内存** 共享内存（Shared Memory）的访问速度很快，但容量很小，英伟达的Hopper系列，每个SM（GPU计算单元）上最大的共享内存为228K（[数据来源英伟达官网](https://developer.nvidia.com/zh-cn/blog/nvidia-hopper-architecture-in-depth/)）。 而DeepSeek在项目中将KV计算的中间结果都放在共享内存上了，每个SM单元下利用其中的224K（[此数据来源知乎ling ye](https://zhuanlan.zhihu.com/p/26080342823)）,从而实现了224/228=98.2%的利用率。 一方面，这极大利用了共享内存的高速特性，但也将这个项目牢牢限定在Hopper系列上，因为别的系列很难支持228K/SM的共享内存（例如A100仅有164KB）。 **④ Wrap级别的精雕细琢** 前面讲到DeepSeek将每个SM的共享内存利用得淋漓尽致，那么这里讲的就是他对每个SM计算、内存通信上的性能压榨。 DeepSeek将整个KV的计算分为两个Wrap Group，其中一个主要负责计算，一个主要负责加载内存，在64分块大小下，刚好每次完成一个分块的计算。 如下图所示，warp0负责Gemm1 这个矩阵的计算+Gemm2一半的计算。Wrap1则负责整个计算过程Q、K、V的内存加载搬运+Gemm2另一半的计算。 p.s，请记住Gemm这个概念，在两天后的第三个项目就会提到他。  **⑤ 动态输入序列的适配** 在实际的场景中，输入的序列是长度不一的，特别是R1类推理模型或阅读理解类任务，输入序列会很长。 在这个项目里DS采用了双线程缓冲的模式，会进行一个动态负载进行计算。如果短序列就采用计算优先模式，长序列就采用内存优先模式。（[此部分细节需要要看代码，我的参考来自ZOMI酱的解说](https://www.bilibili.com/video/BV1P9PeezEkx/?vd_source=3cc2d19451098ce946dc21b953c43f51)） ### 总结 最终，在H800 SXM5这个卡上，FlashMLA实现了内存带宽3000GB/S（上限是3.2TB，利用率已经接近90%了），计算浮点数580 TFLOPS的表现 DeepSeek利用了KV分块+共享内容利用+精细化的Wrap设计把H800的性能压榨得一干二净。 ### 有趣的点 我翻了一下issue和fork，已经有人复现了基于A100的 FlashMLA出来了，我相信基于升腾、H20、V100等其他卡的应该也在路上。 项目最末有一堆社区支持，我看了一下，国内芯片很多都在，唯一一个海外的芯片厂商就是AMD了。 另外知名推理框架vLLM也已经完成对FlashMLA的集成支持。 这也是开源的优势所在，MLA一下子从DeepSeek独家的一个注意力机制，变为热门方案，社区涌现出的许多创意方案又能再次反哺到DeepSeek的研发推进当中。 ## DAY2 DeepEP 地址：https://github.com/deepseek-ai/DeepEP?tab=readme-ov-file，7.1Kstars ### 术语说明 EP（expert parallelism），专家并行性。大参数的Moe模型必须部署在多机多卡上。而训练或推理的时候，要把输入的Token分发给各个专家处理，处理完后要重新合并。可是分发和合并的专家们却分布在多个GPU上，这就是专家并行性。 全对全通信（ALL to ALL），全对全通信和点对点通信（P2P）是计算机通信里的两种概念。 如下图，某张卡的数据要发给4个专家处理，这4个专家又在四张卡上，这就需要黄色的这个“0卡”，与4张卡进行4次通讯。以此类推，1、2、3卡也要做这样的事情，这就产生了4X4=16次通讯。 点对点就简单了，0卡把数据发给1卡，结束。所以全对全通信的通信压力是非常大的。  但偏偏，全对全通信在大参数的Moe架构必定会发生，这是因为两点：① Moe架构的输入需要分发给多个专家处理，然后再从多个专家中回收结果合并输出；② 而大参数的Moe模型，必定需要部署在多机多卡上，所以专家们是分布在多个GPU上的，这就导致整个分发和合并的过程必定要跨GPU进行。 Dispatch&amp;combine（分发和整合）。在DeepSeek V2中提到一个门控路由，可以对输入的序列进行处理，然后只分发给TOP-N个专家进行处理（在V3中是TOP-8），这个分发就是Dispatch。当专家们处理完后，再对结果进行回收，统一输出结果，这个整合过程就是combine。 NCCL（NVIDIA Collective Communications Library）&amp; NVSHMEM。NCCL是英伟达开发的集合通信库，专门用于多节点和多GPU的通信。而NVschmen则把多节点的内存地址做了统一，可以将多个节点上的GPU内存视为一个虚拟的超大GPU，从而直接对多个不同节点的内存进行操作。这一段应该比较晦涩，可以放到后面的项目亮点中一起理解。[参考内容：英伟达NVschmen技术文档](https://developer.nvidia.com/nvshmem) NVlink&amp;RDMA。NVlink是一台服务器内多个GPU的通信方式，H800的带宽名义双向400GB/s，DeepSeek实测单向160GB/s，其延迟是纳米级别的。而RDMA则是多个服务器之间的通信方式，带宽50GB/s，延迟为微米级别。 ### 项目特点 **① 放弃中台，完全贴合业务定制** 我们能够看得出来，这个项目是为了解决Moe模型在训练、推理过程中的全对全通信问题。而这个问题过去是通过NCCL或其他类似通信库来解决的。为什么DeepSeek非要自己用NVSHMEM自己手写呢？ 如果我们将计算机通信比作物流（同样是搬运，区别只是搬运数据/商品），NCCL就像是淘宝、京东搭建的通用物流平台，已经能够便捷地帮你发货了。可是你现在创业了，做了一个去中心的跳蚤平台，每个人即是卖家，也是卖家，NCCL中的很多设计和封装对你来说都是冗余的。 偏偏你非常在乎这个通信效率，想压榨出最极致的性能。所以你选择NVshcmen，把每个用户的地址都统一映射为一个巨大无比的虚拟地址簿，然后在这个基础上进行完全贴合你业务的改写。 再用一个互联网中比较常见的概念——中台之殇。中台的原意是抽象通用业务，加快新业务的建立。但中台越维护，就越不好用，越发在业务竞争中陷入技术劣势。尤其在LLM这种耗资巨大的明星项目中，更是无法忍受一丝一毫的效益浪费。 更直观的概念可以看下面这张图（左边变成右边），整个系统中过去常用、完善的通信库，被DeepSeek用NVSHMEM直接重写，改成了完全适配自己Moe模型的通信（物流）方法了。  **② 训练&amp;推理全兼容** 在训练中，输入序列通常固定且长，例如4096Token。在推理的预填充阶段，会一次性对所有输入Token进行并行计算（例如一次性把“你好，请帮我解释一下xxx”这几个字并行计算）。这两个场景中都会要求极大的吞吐量。 而在推理的解码阶段（即一字一字往外输出），则要求低延迟性，以保证用户体验。 为此这个项目中DeepSeek准备了两种CUDA内核方案。 第一种，通过NVlink（160GB/s）+RDMA网卡（50GB/s）结合进行，适配训练+推理预填充阶段的需求 第二种，则是纯粹RDMA网卡进行，适应推理解码阶段的低延迟需求（因为减少了NVlink到RDMA的转发）。 **③ 原生支持FP8数据分发** 随着DeepSeek的开源（包括论文和Github项目），FP8训练越来越成为业内的共识。 但这可能也是DeepSeek选择 NVSHMEM手搓通信的一个原因，因为NCCL 对FP8精度的支持不是那么 p.s 这条不保真，原文来自英伟达24年4月的一条技术博客——[“NVIDIA NCCL 仅支持高精度规约操作 （reduction），所以现在仍然需采用 FP16 进行 reduction，完成后再转化为 FP8。”](https://developer.nvidia.com/zh-cn/blog/nvidia-gpu-fp8-training-inference/) **④ 计算与通信重叠** 在旧的方案里，我们正常的顺序是： 获取注意力结果→分发给不同专家（通信）→专家们计算→将专家们结果合并（通信）→decode解码。 其中通信部分可以理解为数据传输，数据没到，流水线就得等，不能计算——流水线就跑不满，效率下降。 而在新的方案里，DeepSeek将同时计算两个批次的结果。所有通信的行为，都发生在计算中，从而消除流水线气泡。 如果用通俗例子说，可以用在厨房做两道菜来举例： 第一种是，我在厨房里进行备菜+炒菜，要完成番茄炒蛋+宫保鸡丁。我先完成番茄炒蛋的备菜，然后炒熟它，再进行宫保鸡丁的备菜，再炒熟它。 资本家看不下去了，于是提出第二种方案。我先做番茄炒蛋的备菜，然后炒它，在等它熟的时候，我就去做宫保鸡丁的备菜。等宫保鸡丁备菜好了，番茄炒蛋也熟了，就紧跟着把宫保鸡丁炒了。 当然Deepseek会更邪恶，他会把备菜（通信）和炒菜（计算）的时间对得刚刚好，让我一个时间单位就做完两道菜。 如下图所示，原本dispatch（分发）和combine（整合）都是通信，是要浪费整个流水线上用于计算的时间的，现在转换后，都隐藏到计算的背后去了。  ### 总结 DeepEP，说白了就是DeepSeek抛弃了传统的NCCL通信库，自己用更底层的NVSHMEM自己手搓了一套通信方法。 这套方法可能不如NCCL那么全面，但在独特的Moe大模型场景下，却是绝对效率最好的。 本章节参考文档： [英伟达NVschmen技术文档](https://developer.nvidia.com/nvshmem) [B站Zomi的解读，再次推荐这个博主](https://www.bilibili.com/video/BV1bN9PYeEak?vd_source=3cc2d19451098ce946dc21b953c43f51&amp;spm_id_from=333.788.videopod.sections) ### 有趣的点 我在找NVSHMEN资料的时候，不小心看到下面这张图，来自2022年5月。两位GIT佬在交流NCCL和MVSHMEM的看法。这个对话或许有助于你理解两者的区别。截图来源：https://github.com/NVIDIA/nccl/issues/679  DeepSeek在项目中声明了一个“未定义的PTX用法”。PTX可以理解为CUDA再往下的一层语言，通常是CUDA/C++→PTX→SASS（机器码）。 所谓未定义即，英伟达官方文档中没有说可以这样用，但结果发现可以用，性能还提升了。 这下真的诠释了什么叫“你只是个做显卡的，你懂什么芯片”。 最后，这个DeepEP在DeepSeek-v3论文中提及过，原文是：“In order to ensure sufficient computational performance for DualPipe, we customize efficient cross-node all-to-all communication kernels (including dispatching and combining) to conserve the number of SMs dedicated to communication” ## DAY3 DeepGEMM 地址：https://github.com/deepseek-ai/DeepGEMM，4.9Kstars ### 术语说明 GEMM（General Matrix Multiplication，通用矩阵乘法）。是大模型训练推理中经常用到的一种计算方式，在门控路由（推荐TOP-N专家），注意力分数的计算，专家前馈网络，训练梯度的反向更新等等都会用到。 GEMM操作几乎占大模型推理计算量的70%以上。所以只要优化GEMM，就能将计算效率推高一截。 ### 项目特点 **① 削履适足** 事实上GEMM在过去有一个经典的库，即英伟达的[CUTLASS](https://github.com/nvidia/cutlass)。但和上个项目DeepEP一样，CUTLASS太过经典通用，在极致的业务适配上并没有达到极限。 在项目的说明中，他提及了大量相对于CUTLASS项目的改进，我们在下面展开。事实上DeepGEMM相对CUTLASS的性能改进，正是这些细细碎碎的改进叠加起来的。 **② JIT设计** 传统的编译方式，最终执行的代码是固定的。而JIT则是边运作边生成代码。 在这个生成过程中，他可以根据情况选择更好的内存分配、减少条件判断等等，他的代码性能会比传统方式更好。 **③ 支持非2次方的块** SM通常只支持2的幂次方块大小，例如256,128等。但这回答导致工作效率拉不满（经典的DeepSeek资本家邪恶风格）。 DeepGEMM通过支持非2幂次的块大小来优化特定形状的效率。 例如传统128分块，在M=256，N=7168（M可以近似理解为输入序列长度，N是FNN的维度）时，(256 / 128) * (7168 / 128) = 112个块。但H800中有132个SM（计算单元），只分到112个块，利用率就太小了（112/132=84%）。 而如果采用112分块，同样情况下，则(256 / 128) * (7168 / 112) = 128个分块结果，利用率为128/132=96%。 **④ 针对最底层的SASS机器码动刀** 还记得我们前面说到的，CUDA/C++＞PTX＞SASS（机器码）吗？ 在V3/R1论文中，DeepSeek动了PTX，就被人惊呼绕过了CUDA，英伟达已死（全是bullshit言论）。而在这里他们干脆对最底层的SASS二进制编码动刀了。 他们的发现过程很有意思，先是注意到NVCC 在12.2和12.3之间，传统GEMM项目 CUTLASS FP8的内核提升了。 啊？这是为什么呢？他们进一步比对了最底层的SASS二级制编码，发现FADD这个指令中会发生周期性交错反转。进一步调研后，怀疑这个指令通过控制warp线程的释放提高了效率。 于是他们借鉴这个思路，干脆开发了一个二进制的脚本来控制另一个指令FFMA，让他也能实现类似的效果。最后发现某些情况能够提升10%以上的性能! 说实在的，这段话，我只能理解一个大概。但是什么FADD、FFMA指令，什么yield位，reuse位是真的不懂，我打算学习Infra，但真没想过我要学到二进制机器码这个地步。 但透过这个记录，我好像看到一个得意的研究员，美滋滋地敲下这段GITHUB说明。 这个世界真正的光芒，总是闪耀在细微之地啊，干杯！ ### 总结 针对大模型训练推理中占据计算资源最多的GEMM操作，DeepSeek仍然自己做了更底层（甚至到机器码）的实现以追逐最极致的性能 他们在不同尺寸的矩阵中做了测试，这也是网上很多媒体所说“2.7倍提升”的由来。 但实际上，在Dense（稠密）模型上是1.0倍~2.7倍，其中2.7倍只是极特别的一个场景。 看这个M，N，K的数据，大概是一个低输入长度，低参数的模型。例如向deepseek-7B提问：”你好呀”。(此条举例可能有错，欢迎指出)  事实上我更关心他在Moe结构上的效果 结合下图来看，在连续布局（预填充）和掩码布局下基本上都有1.1X的提升，这已经非常了不起了！ 这就类似突然有人和你说全中国的电力成本，能再下降10个百分点…那我马上把全屋空调开起来！(广东开始进入夏天了T T)  ### 有趣的点 这个GEMM库虽然了不起，但需要特别注意的是：他并不支持训练环节，因为训练环节不仅需要GEMM，还需要其他的融合内核，而他们希望这个库干净整洁，所以仅仅发布了面向推理的GEMM内核。 但——DeepSeek内 部正在讨论是否发布可用于预训练的相关内核。（[相关信源](https://github.com/deepseek-ai/DeepGEMM/issues/10)） ## DAY4 DualPipe&amp;EPLB https://github.com/deepseek-ai/DualPipe , 2.6K stars https://github.com/deepseek-ai/eplb 1.1Kstars ### DualPipe DualPipe，双向流水线。区别于单线流水线。在DeepSeek-V3中有一个专门的篇幅提及这个方法。 事实上Dualpipe并非DeepSeek首创，根据知乎[Fazzie](https://www.zhihu.com/people/fazzie)在文章中的说法，其最早可以追溯到 21年[SC奇美拉](https://zhida.zhihu.com/search?content_id=252530476&amp;content_type=Article&amp;match_order=1&amp;q=SC%E5%A5%87%E7%BE%8E%E6%8B%89&amp;zhida_source=entity) [Chimera: Efficiently Training Large-Scale Neural Networks with Bidirectional Pipelines](https://link.zhihu.com/?target=https%3A//arxiv.org/abs/2107.06925) 这篇文章。 但为什么直到今天才由DeepSeek重新提出并发扬光大呢？ ① 在过去，双向流水线，意味着显存要加载双份模型的参数，这个成本太高了，显存X2。 ② 但是现如今大参数的MOE模型，其模型专家是稀疏的，并且可以通过加大专家并行规模来进一步缓解显存消耗(即每个GPU放更少专家，增加集群的规模)。这就导致在今天特别针对大参数量的MOE模型时，其显存成本并非2倍，而只是1倍多 具体数据我没找到，DeepSeek-V3论文中的原文是：”尽管DualPipe要求保留模型参数的两个副本，但由于我们在训练期间使用了较大的EP大小，因此这并没有显著增加内存消耗” ③ 如果仅仅是显存开支不大，也不是决定性因素。更重要的是Moe架构需要进行的全对全通信（前面DeepEP项目中提到）。这个全对全通信恰好可以让模型训练在进行后向传播（更新权重）时，把另一个Moe的全对全通信（Dispatch或者combine）给做了，从而实现近乎1:1的计算-通信全覆盖。  [本部分参考内容来自知乎Fazzie](https://zhuanlan.zhihu.com/p/17542710424) 但是Dualpipe注定只能成为大玩家的工具。 ① 只有在训练期间，才需要做backward（后向传播），才能有空余精力去做全对全通信，从而实现计算-通信全覆盖。 ② 只有大参数、MOE架构的模型，才配得上用这个方法，所有单机/少量卡能训的模型，非MOE架构的模型，都不适用。 所以这个项目的issue只有可怜的三个，实在是受众太少了。 ### EPLB EPLB（Expert Parallelism Load Balancer），专家并行负载均衡器。这个内容也在V3论文中有提及。 大概原理是：在多级多卡条件下，每个GPU会托管不同的MOE专家，但可能有一些专家总是被访问（例如deepseek Moe方案中独特的共享专家)。 于是Deepseek就给这些劳累的专家做一下克隆，准备多一个备份放到同个机器上备用，称之为冗余专家。 在预填充阶段，他们会将专家平均分配到每个机器上（一个服务器8张GPU）。然后将复制的冗余专家平均分配给每个GPU。以V3为例，最后每个GPU托管8个专家+1个冗余专家。 在解码阶段，由于内存的高要求，部署的最小单元从32个GPU，变为320个GPU，从而每个GPU只托管一个专家，其中64个GPU托管冗余专家和共享专家。 其实这个项目我不是很感兴趣，有点乏味了。唯一有趣的点在于，在V3论文中，他们提及正在尝试动态冗余专家方案，例如每个GPU托管16个专家，但只激活9个。 如果这个尝试能够成功，成本应该会进一步下降。 ### 总结 专用于大参数、Moe架构的训练流水线设计，能够显著减少大型玩家的训练成本，但对于小玩家训练成本或推理成本而言没有帮助。 ## DAY5 3FS文件系统 地址：https://github.com/deepseek-ai/3FS，7.8Kstars ### 术语 Fire-Flyer File System (3FS) 这是一个专用于大模型场景的分布式文件系统，我们先拿U盘举例子，搞明白文件系统是什么。 我之前买过一个1T的固态硬盘，结果发现插到MAC上识别不了。百度一下才发现原来U盘用的是Windows特有的NTFS格式，而MAC只支持FAT32等，就是不支持NTFS。这里的NTFS，FAT32就是文件系统对应的文件格式。 每个文件系统都有自己进行读、写操作的方法，不同的平台也会有不同的文件系统。 而比起我们日常用电脑的场景，现代大数据会有进一步的奇葩的要求：要求极大吞吐，例如PB级别的内容，要求高频操作，例如1S内读写10000次。所以就产生了如HDFS， Lustre这种针对分布式场景的文件系统。 而DeepSeek的3FS，是对如HDFS这类分布式文件系统的再升级，专门定制以用于大模型训练推理。 DRAM、VRAM、SSD DRAM就是CPU的内存，VRAM是显卡的内存，SSD可以理解为硬盘 这三者的价格，我给一个不精准的数字： ① VRAM: 4090显卡 24G 18000元，H100显卡 80G 25万元； ② DRAM: 32G DRAM，320元 ③ SSD: 1T 300元 很显然，显存最贵，内存其次，SSD（硬盘）便宜如土。 ### 项目特点 **① 有助于预训练的一些改进** DeepSeek实测在180节点集群中吞吐6.6TiB/s，25节点集群中吞吐3.66TiB/min。我不了解传统分布式文件系统如HDFS在同等规模节点的性能表现如何（因为DeepSeek没做对比，我也找不到资料）。 但从社区的反馈来看，这个结果非常棒，甚至认为建立了大模型训练文件系统的新标准。 **② 我更感兴趣的是推理成本的改进！** 我们先了解一个概念叫KVCache。例如你进行了一个20轮的上下文对话，或者有很多人预置了Prompt模板 那么这部分输入是可以重复利用的，只需要把他先存起来，就可以节约每次重复计算的成本。大概的示例可以看下面这张图  在过去，这部分KV缓存一般会放在内存或显存中，而DeepSeek通过几个方法的结合将他放到了SSD。 Deepseek依靠的方法： ① 基于MLA注意力机制，可以将KV缓存压缩为低秩数据，从而降低93.3%的内存占用（来自DeepSeek-V2论文数据） ② 而收益于MLA带来的内存空间减少，使得KV缓存可以利用本项目的3FS实现在SSD上的高速读取，吞吐速度为50GB/s 在3月1日DeepSeek公布的推理成本说明中，实际上服务部署运行中KV缓存的命中率为56.3%。也就是有将近一半的KV缓存成本，可以实现90%+的降本。 ### 总结 3FS是一个专门针对大语言模型模型训练&amp;推理所开发的文件系统。其性能提升有助于训练提速 但基于3FS+KVCache所带来的推理成本降低对我来说更有趣。 ### 有趣的点 网友查看开源的3FS文件，发现他最早的开发时间是2014年5月。  但是…2014年幻方还没成立呢。 按照网上检索的信息，2008年到2014年间，梁文锋通过自己的量化算法，实现亿万身家。2015年幻方才成立，2016年幻方才上线第一个完全基于深度学习的量化模型。2019年幻方的深度学习平台萤火一号才上线。 所以，这行14年的代码不会是梁文锋亲自写的吧？ 我又找出来一篇我漏掉的DeepSeek论文，关于3FS的，论文标题为：[Fire-Flyer AI-HPC: A Cost-Effective Software-Hardware Co-Design for Deep Learning](https://arxiv.org/abs/2408.14158)，其中梁文锋真的在作者清单里。  2014年5月，我的朋友们，你们在做什么呢？ 我当时应该在大学宿舍里打英雄联盟。 这个事情的玄幻程度就像1644年崇祯上吊，而同时期英国爆发了资产阶级革命（摊手.jpg）。 ## 3月1日 Deep推理成本公布 地址：https://zhuanlan.zhihu.com/p/27181462601（官方中文版！五星好评） 这篇内容我就不解读了，是前述多个项目的整合说明版本，对大模型推理成本感兴趣的可以自己去看一下。 重点说说很多媒体无脑转发的成本收益率545%，其实是存在一些偏差的（DeepSeek自己也有说明）： ① 整个计算混合了V3和R1两个模型，而V3价格比R1价格要低，但最终按R1计算收入，所以偏高。 ② 把免费服务和降价的夜间服务都按满额费用计算了，所以也偏高了。 作者：马丁的面包屑 公众号：马丁的面包屑 本文由@马丁的面包屑 原创发布于人人都是产品经理，未经许可，禁止转载。 题图来自 Unsplash，基于 CC0 协议 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。