借鉴墨西哥的市场经验，滴滴外卖业务在巴西重整旗鼓。

<blockquote><p>本文将深入探讨DeepResearch产品的概念、功能、应用场景以及如何评估其优劣，同时对比分析目前市面上主流的DeepResearch工具，帮助读者更好地理解这一领域，并找到适合自己的深度研究工具。</p> </blockquote>  OpenAI在今天2月推出了DeepResearch的功能后，带火了DeepResearch这个概念，碍于其之前仅有昂贵的Pro会员（200美元/月）才可使用的原因，其关注度似乎没有特别高，但是就个人而言，ChatGPT的DeepResearch是其目前最强大的Agent应用，也是个人目前愿意持续付费购买的主要原因！ 作为一个DeepResearch领域的AI创业者，三白在2023年的时候就开始关注该领域，我坚信AI应该用于生产有用的知识，而不是批量生产一堆“AI水文”，所以从23年开始，我亲自下场做了一个DeepResearch的AI应用，从一开始我的定位就是做深度研究，只输出有深度、研究级的知识内容。 因此，今天这篇文章我主要想围绕着DeepResearch领域，分享一些我个人的研究和思考！全文6000+字，我将通过这篇文章向大家科普解释一下什么是DeepResearch产品，以及向大家推荐一下目前市面上还不错的DeepResearch工具，并构建一个评估框架对比分析不同产品的差异，希望能对大家在研究工作和学习上有些帮助！ ## 一、DeepResearch工具有什么用？ 和目前普通Chatbot类产品的AI搜索问答产品不同的是，DeepResearch产品能够输出研究级的深度内容，可以帮助你深入的研究和了解一个话题，且其输出成果具备更多的信息量和知识，对于大众用户而言，可以用于帮你快速且深入的了解一个你刚兴趣的研究领域，比如你可以用它们理解一下到底什么是DeepResearch； 而更加受益的群体，主要是那些有高频的研究工作的群体，包括金融投研人群、行业研究和市场研究人群、企业战略研究、学术科研人群等，通过DeepResearch产品，可以帮助他们快速的完成基础研究和现状研究，让他们可以把更多的精力聚焦在原创研究上。 个人认为，DeepResearch类产品的出现，真正的实现了让大家能够通过AI生产高质量的知识，而不是生产互联网垃圾，所以个人比较推崇使用该类型的产品用于提升自己的认知和知识水平。 ## 二、什么是DeepResearch产品？ ### 1.DeepResearch、Deep Search、RAG三者有什么区别？ **相信大家平时会经常看到这三个词，估计也有很多人可能都还没有搞清楚这三者的区别，所以我先科普一下三者的差异！** ### 1.RAG及其局限性 RAG（增强检索生成）是去年比较火的概念，因为大模型不具备实时联网的能力，所以在问答的时候需要通过搜索引擎来检索实时的信息，所以RAG成为了一种通用AI产品的标配，RAG的原理很简单，就是大模型在执行回答的时候，先检索与用户输入的提示词相关的信息，然后阅读检索的内容，最后针对问题做出回答，整个过程中，只执行一次检索，然后直接做出回答；      RAG的局限性就是比较依赖搜索引擎和检索数据源，想要一次性就准确并且完整的检索到回答用户问题需要的参考信息难度比较大，很容易出现检索数据缺漏，或者检索结果质量深度不够的问题，比较适合快搜索以及简单问答场景。 ### 2.Deep Search是什么？ Deep Search则是在在 RAG 基础上引入**多步迭代机制**，通过「搜索→阅读→推理→再搜索」的循环流程持续的检索，直到满足某一业务设定的条件才终止，最终最大限度的获得更好的结果。  这个过程中，用户输入提示词之后，系统会初步检索，并阅读检索的结果，然后推理判断目前的检索结果是否足以很好的回答当前的问题，比如如果分析发现依然存在信息缺口后触发二次检索，直至满足预设终止条件（比如token 预算耗尽或答案结果的置信度达标）。比如近期豆包上线的深度搜索的功能，能支持“边想边搜”的功能，本质其实就是这样的一个过程； 这种设计方式，构建了一个机制，让系统能够尽可能更多的去检索更多的结果，并且在检索的过程中能够及时的发现存在的问题，并进一步努力优化，从而可以显著提升检索结果的丰富度和准确度，并且提升回答结果的准确度、完整性等。但是可想而知的是，这个方式，必然导致的是检索和响应问答的时间会延长，问答的成本会提高很多。 ### 3.Deep ReSearch是什么？ Deep Research和Deep Search的区别在于，Deep Research模式之下，系统会在回答用户的问题的时候，会先构建一个系统的提纲，然后在回答每一级提纲的内容的时候，都走一遍Deep Search的流程，假如有100个大纲，则需要执行100次Deep Search的过程；因此Deep Research模式下可以生成非常长、且有深度的内容，达到超长的研究报告的水平。  ## 三、目前市面上有哪些DeepResearch产品？ ### 1.海外的DeepResearch产品 **1）ChatGPT DeepResearch** ChatGPT的Deep Research功能是个人认为目前最强大的能力之一，目前仅针对付费用户开放使用，20美元/月的PLUS用户每月开放10次免费使用额度，200美元/月的PRO会员每月可免费使用120次；该能力基于o3模型，主打高端用户市场，面向有深度研究需求的用户群体，强调推理能力和高质量报告生成。 体验地址：https://chatgpt.com/ **2）Gemini DeepResearch** Google是最早提出 DeepResearch这个概念的企业，目前在Gemini中也推出了Gemini DeepResearch的功能，且针对免费用户每月可免费体验5次，相比ChatGPT相对更加友好，但是从个人深度体验下来，个人觉得在深度研究的产品能力上还是不如付费的ChatGPT，具体的对比我们在后面阐述。 体验地址：https://gemini.google.com/app **3）Perplexity Pro Search** 作为海外AI搜索的头部产品，Perplexity在2025年2月13日也推出了自己的Deep Research 产品，并且面向免费用户每天提供3次的使用权限，付费订阅用户每个月可使用300次，免费权益粒度比Gemini更高。 体验地址：https://www.perplexity.ai/ **4）Jina AI node-DeepResearch** 这是一个开源的DeepResearch产品，代码完全公开在github，访问链接为 https://github.com/jina-ai/node-DeepResearch，产品的基础模型基于开源模型（如DeepSeek-R1等），支持切换OpenAI等其他模型，也支持支持本地部署和二次开发，该产品不可直接体验，适用于企业研发使用。 ### 2.国内的DeepResearch产品 **1）腾讯ima Copilot：国内大厂圈接近DeepResearch的产品** 从前面可以看到，目前主流的AI产品里面（包括deepseek、豆包、元宝、kimi、通义等产品）暂时并没有看到上线DeepResearch类的产品，而在大厂圈里面，个人认为，腾讯推出的ima这块产品，有些接近DeepResearch类产品，特别在接入R1支持深度推理模型之后，再结合微信公众号数据源下的搜索能力，ima在实现DeepResearch上，有很大的优势。 但目前ima在输出内容的质量上，个人觉得还没有达到”深度“这个水平；ima目前更多的还是只支持相对深入一点的AI通用问答场景的生成，比如创作的场景目前只支持**论文、作文、文案**这种相对普通一点的研究场景，还没有支持**研究报告、商业分析、学术研究**等研究级别的应用场景。 体验地址：https://ima.qq.com/ **2）AI快研侠：小而美垂直纯粹的DeepResearch产品** 因为目前大厂圈的产品中还没有切入这个领域的产品，创业公司中，目前做DeepResearch的产品也不多，AI快研侠算的上是DeepResearch领域小而美的一个AI产品，虽然在产品能力上肯定无法跟大厂的产品相比，但是AI快研侠的产品实现粒度更加垂直，只做有深度的超长研究报告生成的场景，整个产品只专注在行业研究、产品研究、公司研究、学术研究这几个有限的场景，聚焦于把这几个垂直场景的内容生成做的更加精和专； 体验地址：https://www.kuaiyanai.com ### 3.DeepSeek-R1深度思考、豆包深度思考、Kimi探索版、秘塔搜索等算不算深度研究产品？ 严格意义上讲，个人觉得这几个产品都不能算是DeepResearch产品，这些产品开启深度思考模式之后的产品能力更多的是实现DeepSearch的效果和能力，并没有达到深度研究的水平，目前这些产品主要是将DeepSearch的实现机制应用于深度的搜索问答场景，并没有实现多轮DeepSearch实现研究报告级别的超长文本的输出，因此不能算DeepResearch，对于用户而言，你可能需要多次的使用其深度搜索的功能，最后手动汇总的结果才能达到DeepResearch产品的输出结果。 ### 4.国内大厂为何目前都没有布局DeepResearch类产品？ 个人认为，这不是一个技术和产品问题，是一个成本和商业化的问题，可想而知，要做一个DeepResearch的产品，其成本消耗是非常大的，生成一篇超过万字的研究报告，需要使用成本更高的推理模型，并且需要检索和阅读大量的参考信息并生成超长文本的输出，这个过程在模型token和API资源的消耗上非常大，根据个人的经验，可能生成一篇报告的成本要达到50~60元左右。 这样极高的成本，即使放在大厂，免费开放给用户使用，都是一个不得了的数字，所以这样的能力必须要收费，但是一涉及收费，就必须要讨论产品的商业化的问题；目前个人觉得大厂的产品，基本都是在考虑用户增长和市场规模的问题，且国内整体都免费的环境，很难让他们马上开始考虑商业化这个问题； 反而是一些小一些的创业公司，他们没法提供免费产品，产品的定位就是有限免费或直接付费，他们会努力想办法提供DeepResearch级别的产品，确保生成内容的质量和深度，但是需要向用户收取一定的费用来平摊这里的成本，对于生成结果有一定的商业价值，或者能因此节约更多成本的用户而言，他们会认可这里的收费限制，比如很多研究机构制作一份研究初稿的成本可能都要上万块。 ## 四、如何评估一个DeepResearch产品的好坏？ **接下来我们对比一下前面这几个产品的表现如何，在对比之前，我们先讨论一个问题，如何去评估一个DeepResearch产品能力的好坏，其评估框架是什么？作为该领域的AI产品经理，分享我的个人见解如下：**  ### 1.模型的思考和规划能力 思考和规划的能力通常决定了研究结果的框架和基本质量，这个环节首先定义了输出这个研究话题，需要研究和解答哪些研究方向的内容，而该过程模型规划和提出的问题的质量，基本决定了最后输出结果的研究质量和深度，简单一点讲就是你给模型一个研究主题，它能不能提出很好的问题框架，从更丰富和更高层级的角度看待问题，这对于一个深度研究而言，是一个重要的开始； 其次才是模型能不能很好的先自主规划怎么更好的解答每个研究话题的内容，以上这两点，最终的落脚点可能都是回到到深度推理模型的能力上，所以接入一个强大的推理模型，对于实现一个好的DeepResearch产品非常重要，比如使用DeepSeek R1和OpenAI O3，可预期的会比其他接入其他基础模型更好，当然，很多DeepResearch产品并没有自己的推理模型，也可以接入外部的模型，比如perplexity等。 ### 2.搜索引擎和多模态理解能力 搜索引擎的能力主要包括检索结果的准确性、时效性、丰富度、内容质量，也就是围绕一个研究主题，搜索引擎能否检索到更加准确、实时性强、内容覆盖率高、内容质量更强的检索结果，这对于最终的研究结果的输出质量至关重要，而达到这几个标准依托接入强大的搜索引擎，以及构建高质量的数据源，其中搜索引擎可能可以通过接入市面上主流的搜索引擎解决掉，比如Bing搜索、谷歌搜索等，对于大公司来说差异可能不会很大；但是高质量的数据源是一个存在门槛的竞争点，比如微信公众号拥有更高质量的知识内容数据源，小红书拥有更高质量的种草攻略的内容数据源。 其次是多模态理解能力，因为即使你检索到了很多的高质量的检索结果，但是怎么把结果完整的输入给模型，这也很重要，特别是当下很多高质量的内容一般是图文结合的，并且很多内容格式是以PDF的格式存在，所以多模态理解的能力非常重要，强大的多模态理解能力，可以准确的提取检索结果中的内容，并转换成文本等信息提交给大模型，确保最终输出的研究成果不会丢失检索结果中的关键信息。 ### 3.调用API资源和工具的能力 实现一个完整的DeepResearch类的产品，不仅需要大模型、搜索引擎、多模态理解的技术能力，还需要配套很多API资源和工具的能力，比如网页内容提取、文档结构化、图表可视化等API和工具，因此，API和工具的调用能力，也是一个DeepResearch类的产品能力的关键影响因素。 ### 4.产品工程设计和研究结果的呈现能力 产品工程的设计体现在产品经理对于研究场景的用户需求的理解，并且在产品设计上有意的满足用户的需求，比如对于深度研究的场景，研究人员一般会有固定的专业研究框架，会认可特定的权威数据源，有固定的输出范式等，产品经理在设计输出结果的时候，如果能顾忌到以上需求，会获得更多的用户认可； 对于研究结果的呈现能力，主要体现在如下几点： - 准确性：其中包括生成结果的幻觉率高低、引用来源的权威性、以及是否可追溯验证等，会影响用户对于生成结果准确性的判断； - 专业性：包括要点信息覆盖率、专业术语、案例和数据内容的占比等，会影响用户对于生成结果专业性的判断； - 可读性：包括逻辑性、信息呈现的效率、图文混合样式、图表和表格的样式等； - 创新性：最后一点， 高质量DeepResearch产品的一个关键区别还在于模型的输出结果，是否能超越表面总结，提供一些创造性的思考。 ## 五、产品能力对比：ChatGPT、Gemini、Perplexity、ima、AI快研侠 为了深入的对比以上几个产品能力的表现情况，我以“豆包AI语音聊天产品未来发展方向”这个主题为例，分别在各个应用中做生成结果测试，以下为不同产品生成的结果对比，由于内容比较多，就不全部展示出来，有兴趣的可以私我要源文档。  对比不同的产品的生成结果，个人的感受是，**从综合能力的角度上看，个人觉得ChatGPT DeepResearch整体能力最强，其次是Gemini DeepResearch和Perplexity Pro Search，两者差异不大，第三是AI快研侠，腾讯IMA目前在输出质量上，说实话还没有完全达到DeepResearch的标准，因此排最后，具体对比维度的详细见下。当然，以下也仅为个人根据目前使用多个DeepResearch产品后的实际感受对比，并非经过严格的专业测评，评估结果可能存在争议或者不准确的地方，内容仅供参考。**  - **在模型的思考和规划能力上：基于O3模型的ChatGPT 的DeepResearch能力表现个人觉得优于Gemini 2，从最终输出的结果上，其生成的结果会完全贴合研究的主题，内容虽然没有非常长，但是基本都切题，且很多预期内的要点都覆盖到了，而Gemini虽然也生成了不少质量不错的内容，但是不少内容脱离了研究主题本身；** - **在搜索引擎的能力表现：几个大公司的产品之间，个人觉得差异也没有特别大，而作为创业公司产品的AI快研侠则相对薄弱一些，只支持垂直数据源的检索，不支持通用的检索，后续有待提升，但是在部分垂直领域的检索可能也能满足用户需求；** - 多模态的理解能力方面：**ChatGPT能支持在图片中插入原文的配图，可见明显支持原文中图片等内容的识别能力，因此表现更好，其他几个产品目前暂未有所体现；** - 在调用API和工具方面：ChatGPT支持Python 工具绘制和迭代图表，在其响应中嵌入生成的图表和网站图像，而其他产品暂未有所体现； - **在产品工程设计上：AI快研侠则显得更加细致的考虑到深度研究场景的用户需求，包括其生成大纲更加符合研究报告标准，以及支持用户自定义参考索引资料，且生成结果包含表格等更多呈现形式；** - **在研究结果的呈现方面，ChatGPT表现最好，在准确性、专业性、可读性、创新性方面都表现不错，Gemini 和Perplexity Pro Search、ima在专业性和可读性方面表现一般，AI快研侠则在专业性、可读性、创新性上还不错，但在准确性上欠缺，幻觉率略高。** 综上所述，整体而言，对于用户来说，如果你的研究主题是一些单点的话题，而不是一个完整的研究报告，可以优先使用**ChatGPT DeepResearch，可能能获得比较好的生成结果，但是该功能是付费用户才可以使用，且定价比较贵；其次可以选择**Gemini DeepResearch、Perplexity Pro Search，这两个产品都可以提供免费的额度，以上三个产品都是海外产品，需要支持科学上网才可使用； 作者：三白有话说，公众号：三白有话说 本文由 @三白有话说 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。

上市3个月，一把手因身体原因辞任

<blockquote><p>近期小米的自动驾驶致死事故敲响了警钟，凸显了驾驶员心理安全感与实际自动驾驶能力之间可能存在的偏差，以及车联网建设中存在的漏洞。本文将从驾驶员安全感认知的偏差及其危害、智能驾驶危险驾驶时的应对措施，以及车路云一体化的车联网建设现状、问题与解决方案等方面展开深入探讨，旨在为自动驾驶技术的健康发展提供有益的思考和建议。</p> </blockquote>  随着自动驾驶行业的发展，路面上的自动驾驶车辆会越来越多，各大自动驾驶企业也在不断的探索自动驾驶安全性的问题。在自动驾驶功能的车辆发生致死交通事故后，如同一记警钟，再次敲响整个行业，安全是自动驾驶永恒的主题，而来自驾驶员的心理安全感与实际自动驾驶能力的偏差是必须正视的问题。 ## 一、安全感认知 安全感在驾驶过程中扮演着至关重要的角色，它是驾驶员对自身、车辆以及周边环境安全程度的主观感知，直接影响驾驶员的行为决策。当用户认为自动驾驶车辆具有较高的可掌控性时，会产生更高的心理安全感，进而更愿意使用该技术。而今天主要讨论的是智驾车驾驶员对自己的车子的安全感认知。 若驾驶员对自动驾驶的车辆的能力非常信服，安全感十足，甚至是爆棚，那么就会出现完全脱离监管的边睡边行驶，脚翘在仪表盘上开车，边开车边打扑克牌等无数自身和他人安全的操作，或者为了演示自己车子的智能让自己的孩子用肉身去测试智驾功能。 而若是驾驶员对自动驾驶的车辆的能力严重低估，那么就会影响车辆的销售，更有甚者虽然买了智驾的车，但是对于智驾功能一直不去使用。 长远看来过高或者过低的心理安全感对智能驾驶的发展都不好。那就需要驾驶者对车子的信任要接近车子实际智能的水平。 ### 1. 认知偏差的危害 部分车企在宣传智能驾驶功能时，过度夸大其作用，致使消费者对智能驾驶形成过高预期，安全感认知与实际情况严重偏离。驾驶员在使用智能驾驶功能时，可能做出双手脱离方向盘、注意力不集中等危险行为。一旦智能驾驶系统在复杂路况下失效，驾驶员难以及时做出正确反应，极易引发交通事故，造成严重的生命与财产损失。 ### 2. 使用智驾危险驾驶时的应对措施 **1）优化注意力提醒机制** HMI 交互设计可以借助视觉、听觉、触觉等多模态交互技术，在系统检测到驾驶员注意力不集中时，及时发出提醒。比如，通过闪烁警示灯、播放警报音、座椅震动等方式，全方位吸引驾驶员的注意力。同时，为满足不同驾驶员的需求，设计个性化提醒模式，让驾驶员能够根据自身习惯，调整提醒的强度与频率。 《智能网联汽车技术路线图2.0》明文规定，L2级的辅助驾驶，驾驶员得全程监控，随时准备接管。目前，不少车企采用 “脱手检测 + 视觉疲劳监测” 机制来提醒驾驶员。但是仅有提醒还是会被心大的驾驶员忽视无视。如何让驾驶员认识到危险性，是车企要持续改进的点。 近期，工信部颁布了新的规定，一旦检测到双手离开方向盘超过规定时间，系统会发出连续的警告，如果驾驶者未及时响应，车辆将在二十秒后被强制停车，并确保安全地靠边停放。多次违规甚至可能导致辅助驾驶功能被暂时锁定，这将使我国的智慧交通更加的完善和规范。 一点建议：警告时可以持续播放各种警示标识语，如“道路千万条，安全第一条，行车不规范，亲人两行泪” **2）应对接管异常情况** 当系统发出接管请求，而驾驶员未响应时，一般采取递进式提醒策略。首先，通过增大警报音量、增强警示灯闪烁频率等方式，强化提醒效果；若驾驶员仍未接管，系统会自动降低车速，直至车辆安全停下。 那么为什么还是会发生事故呢？实际情况是，驾驶员接管时往往为时已晚，已经接近危险，并且，驾驶员在惊慌中会导致操作不当，比如本能的猛打方向盘，踩错刹车。针对这些情况，HMI可以进一步优化，在驾驶员接管前要提醒他冷静处理和不要做某些危险操作。在危险发生时HMI 界面应实时监测驾驶操作，通过可视化引导，如在屏幕上显示正确操作步骤与建议，帮助驾驶员纠正错误行为。若有猛打方向盘的情况，识别方向盘的手力矩，感知驾驶员是否正确操作方向盘，是否需要及时的降低车速。与此同时，利用语音提示，给予驾驶员及时、明确的操作指导，避免因操作失误引发事故。这一系列措施有助于提升用户在紧急情况下对车辆的掌控感，符合提升心理安全感的需求。 ## 二、车路云一体化的车联网建设 ### 1. 车联网现状 当前，车联网技术作为智能交通系统的重要组成部分，通过车辆与车辆（V2V）、车辆与基础设施（V2I）、以及车辆与云端（V2N）之间的实时通信与数据交换，如实时路况播报、远程车辆控制等功能，为出行带来了一定便利。但在信息采集的全面性与交互的高效性方面，仍存在较大的提升空间，距离构建完善、安全的智能交通体系还有很长的路要走。  ### 2. 现存问题 这次的交通事故中，道路施工时使用的警示锥桶等关键交通要素并未接入车联网，对通行道路的改变没有及时的上次至车联网，车辆的智能驾驶系统无法提前获取准确的危险信息。而且在黑夜、雨雪雾天气等能见度不好的情况下，障碍物体积过小，或者空隙较大时，依靠视觉雷达的自动驾驶车辆高速靠近施工区域时，无法及时做出有效反应，导致事故发生。这一事件凸显出车联网在信息采集和交互环节存在的漏洞，部分关键交通要素未能纳入车联网体系，严重影响车联网功能的发挥。 ### 3. 车企与政府应该积极推动车联网的建设 车企应发挥引领作用，联合道路管理部门、施工单位等各方力量，推动道路各部门的联网化建设。与道路管理部门合作，将道路施工信息、交通管制信息等接入车联网平台；与施工单位协作，为施工设备，如施工车、警示锥桶等，配备联网功能，使其能够实时向车辆发送位置和状态信息，打破信息孤岛，实现车联网信息的全面采集和高效交互。 车企也要积极参与车联网行业标准的制定，统一数据格式和通信协议，确保不同品牌车辆、设备之间的互联互通。通过建立行业联盟或合作机制，共享技术资源和数据，加速车联网技术的研发和应用，提升车联网系统的整体性能和安全性，解决当前车联网系统因缺乏统一标准而导致的协同性差等问题。 ## 总结 智能驾驶和车联网技术的发展，为未来出行描绘了美好的蓝图。但这起交通事故警示我们，必须正视当前存在的问题。无论是产品经理还是设计团队，不能只想着用户要什么，更要明白什么是真正的对用户好，什么是对行业良性环境好，通过优化智驾到设计，帮助驾驶员纠正安全感认知偏差；车企则应肩负起推动车联网整体建设的重任，联合各方力量，打造更加安全、高效的车联网生态，让智能驾驶技术真正服务于人类出行。 本文由 @HMI怡伶设计心理 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。

The Minister of Finance vowed Canada&#39;s forceful countermeasures against the U.S. tariffs and its commitment to getting US tariffs removed as soon as possible.

<blockquote><p>从支持1000万token上下文的Scout，到4000亿参数的Maverick，再到2万亿参数的Behemoth，Llama 4以MoE架构、多模态能力和超低成本推理重新定义开源模型的性能边界。然而，面对DeepSeek和GPT-4.5的围剿，Llama 4能否真正逆袭？当参数规模不再是胜负手，开源模型的未来究竟在何方？</p> </blockquote>  **1000万上下文？2万亿参数？MoE混合架构，原生多模态**。清明假期，你是否也被Meta这波Llama 4系列模型发布后，各种酷炫数据和名词炸醒？ 曾经的开源领袖，实际已经被DeepSeek抢了各种风头。万众期待的Llama 4模型，原本使命是超越GPT和Claude等闭源模型，吊打一切的存在，然后呢？实现了吗？ ## Llama 4系列模型发布： **Llama 4 Scout（小）** 单张H100 GPU可运行，适合本地部署，支持 1000万token上下文，这是行业最牛成绩。 **Llama 4 Maverick（中）** 总参数高达4000亿，但推理时仅激活部分专家，效率更高。 多模态性能超越GPT-4o，在ChartQA、DocVQA等基准测试中领先，编程能力媲美DeepSeek v3，但参数仅一半。 **Llama 4 Behemoth（大，预览版）** Meta 2万亿参数巨兽，仍在训练中。 超大参数，据说STEM任务超越GPT-4.5、Claude3.7等。 将作为“教师模型”，用于蒸馏优化更小的Llama 4模型。 ## 测评分数高居全球第二 Llama 4 Maverick 目前在LM Arena 排行榜上排名第二，仅次于 Gemini 2.5 Pro。 而且具备原生多模态能力：Llama 4采用了早期融合（Early Fusion）技术，可以用海量的无标签文本、图片和视频数据一起来预训练模型。 ## 超长上下文： Scout 版本支持 1000万 tokens（约15000页文本！），医学、科研、代码分析等超长文档处理能力直接拉满。 在其他大模型仅有200万 tokens上下长度时，小扎掏出了大炸雷，不想和大家闲聊。 ## 几个核心技术 ### MoE架构效率炸裂： Llama 4开始转向采用混合专家模型（MoE），推理时仅激活部分参数，成本更低——Maverick 推理成本仅 $0.19/百万token，比GPT-4o便宜90%。 ### iRoPE实现超长上下文: iRoPE（交错旋转位置编码）是Meta为Llama 4设计的升级版位置编码技术。 - 局部注意力层：用旋转位置编码（RoPE）处理短上下文（如8K token），保留位置关系。 - 全局注意力层：直接去掉位置编码（NoPE），通过动态调整注意力权重处理超长内容，类似“模糊匹配”长距离关联。 - 就像读书时用书签（RoPE）标记重点段落，同时靠记忆（NoPE）串联全书脉络。 ## 埋葬RAG技术？ 相比RAG技术，iRoPE无需依赖外部知识库检索，直接通过模型内部自身处理完整信息，减少信息丢失风险，预计未来会成为大模型技术标配，以后大模型容易忘记前文的事情，基本就不会出现了。开源但有限制：商用需遵守 Meta 政策，月活超7亿的公司需额外授权，且产品名必须带“Llama”。鲸哥在Together AI上体验了Llama 4 Scout，并没有什么特别的强悍之处，DeepSeek对比之下体感还是强很多。Llama 4有点像Google，“参数没输过，实战没赢过”。  **一句话总结：**Meta 这次把开源AI卷到新高度，多模态+长上下文+超低成本，Llama 4 可能是目前最香的开源大模型之一。但下周OpenAI o3和Claude等新模型发布，Llama 4估计又会被夺走注意力。只能说模型竞争，太卷了，Llama 4要成千年追赶者了。 本文由人人都是产品经理作者【鲸选AI】，微信公众号：【鲸选AI】，原创/授权 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。

根据招商银行发布的通告，**招行将从今日起停止ATM扫码存款服务。**后续，用户可持招行银行卡，通过招行ATM或前往招行营业网点办理存款业务。ATM二维码存款业务是指用户通过手机扫描ATM屏幕上的二维码进行无卡存款的业务。 [](//img1.mydrivers.com/img/20250409/4384ac0876e8494a903c63dd9c489308.png) 用户在ATM上选择扫码存款后，**ATM屏幕上会生成二维码，用户登录手机银行扫描二维码后即可选择存款交易，根据提示放入现金即为交易完成。** [](//img1.mydrivers.com/img/20250409/a02213f276da4fb6924d14baf2c642a9.png) 相较于柜台存款，ATM扫码存款服务免去了排队、填单、签名等手续。 据媒体报道，据不完全统计，**近一年来，包括工商银行、农业银行、交通银行、民生银行等50余家银行宣布停止无卡存款、无卡取款、扫描取款等业务，覆盖国有大行、股份制银行、城商行及农商行等多类金融机构。** 2022年8月，中国银行、中国建设银行相继宣布停止ATM二维码存款业务。 2024年6月，民生银行发布公告称，将于2024年6月7日起停止个人手机银行“ATM无卡取现”功能，现金机具（包括现金智能柜、ATM等）也将不再支持该功能。 当月，兴业银行也发布公告称，自7月10日起停止手机银行中的ATM扫描取款服务。 [查看评论](https://m.cnbeta.com.tw/comment/1491578.htm)

近日，光源 3i 产业创新孵化器最新孵化项目凌云智矿宣布完成种子轮融资，由光源旗下基金联合知名企业家共同投资。此次融资将助力公司在全球矿产勘探领域的进一步发展，推动 AI 辅助勘探技术创新、市场拓展以及打造地球矿产大模型等。

<blockquote><p>在自媒体竞争激烈的当下，选题成为了决定内容能否脱颖而出的关键。一个精准的选题不仅能吸引流量，还能有效促进变现。本文将深入探讨如何打造自媒体爆款选题，通过分析流量型、专业型和转化型三种选题的特点与策略，帮助创作者找到流量与变现的双赢之路。</p> </blockquote>  在自媒体的世界里，选题如同指南针，引领着我们走向目标。而一切自媒体的选题，其核心都在于你的【目的】。 不同的选题类型，就像不同的工具，各自发挥着独特的作用。 今天，秃头老王和你分享做新媒体的三种选题：流量型选题、专业型选题和转化型选题。 ## 流量型选题：破圈的利器 流量，是自媒体的生命线。没有流量，就像是没有观众的舞台，再精彩的表演也无人喝彩。 因此，流量型选题的首要任务，就是吸引眼球，引发关注。 这类选题往往以满足大众的实用性或好奇心为导向，通过揭秘、反认知、搞对立冲突、拿来主义等方式，激发读者的兴趣和好奇心。 下面这篇文章，就是我当时蹭成都马拉松比赛写的流量选题，有争议就有转发，有转发就有流量。 我再以酒店民宿旅游行业为例，流量型选题可以是“揭秘XXX网红民宿背后的故事”； 反认知：原来这才是真正的旅行攻略、十大景美人少的宝藏旅游地等等。 这些选题不仅满足了读者对未知的好奇，还提供了实用的旅行信息，从而吸引大量流量，帮助旅游类自媒体账号破圈。 ## 专业型选题：立人设的基石 在自媒体领域，尤其是知识付费赛道，专业人设是建立信任、提升影响力的关键。 专业型选题的目的，就是展现你在某个领域的专业知识和独特见解，让别人觉得你在这方面很专业、很牛X。 这类选题通常围绕你的从业经历、行业感悟、个人特殊事迹或品牌故事展开。 我还是以酒店民宿旅游行业举例子吧，专业型选题可以包括“十年民宿主的真心话：如何挑选一间好民宿”、“从零到一开店vlog：我是如何打造一家网红酒店的”…… 这些选题通过分享你所在行业的专业知识和经验，树立了你在行业内的专业形象，增强了粉丝的粘性和信任度。 有了信任，转化和成交还会远吗？ ## 转化型选题：促成成交的催化剂 转化，是你我做自媒体运营的最终目的之一。 转化型选题的目的，就是展示你的产品或服务，激发读者的购买欲望，促成成交。 这类选题通常通过秀产品、秀肌肉、秀未来等方式，展现你的产品或服务的独特魅力和价值。 比如在酒店民宿旅游行业，转化型选题可以包括“亲身体验：XXX酒店的极致服务让我流连忘返”、“揭秘：XXX民宿的隐藏福利和超值体验”等等。 这些选题通过展示你的产品或服务的亮点和优势，激发了读者的购买欲望，为成交打下了坚实的基础。 总之，要搞懂【目的】，以【目的】来反推选题，然后探寻用户，测试吸引他们的内容。 ## 也许你会问了：流量型和转化型选题，哪种选题更容易变现？ 其实流量型和转化型选题各有其特点和优势，至于哪个更容易变现，具体问题具体分析吧，这不是是非题。 在我看来，流量型选题的特点，是侧重于吸引广泛关注和讨论，通过揭秘、反认知、搞对立冲突等方式激发读者的好奇心和兴趣。 通常具有较高的阅读量和点击率，能够迅速提升自媒体账号的知名度和影响力。像自媒体账号王耳朵先生，就是专门写流量文的。 正因为流量是变现的基础，所以高流量意味着更多的曝光机会和潜在的商业价值。 而变现方式呢，可以通过广告合作、品牌推广等方式实现变现，比如接收广告商的投放、参与品牌活动合作等。 而转化型选题，更侧重于展示产品或服务的独特魅力和价值，通过秀产品、秀服务等方式激发读者的购买欲望。 这类选题通常具有较明确的营销目标和导向，旨在促进成交和转化。 优势在于直接关联到产品或服务的销售，更容易变现。也能够建立长期的客户关系和信任，促进复购和口碑传播。 其实无论是流量型选题、专业型选题还是转化型选题，都需要紧密结合你的账号定位和目标受众，精准把握选题的方向和创作角度。 只有这样，才能在自媒体的大潮中脱颖而出，实现你的自媒体梦想。 本文由 @秃头老王聊运营 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 Pexels，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

 任天堂已确认，加拿大地区Nintendo Switch 2 的预购已推迟，原定于4月9日开始。  加拿大任天堂发布的一份声明中表示：“为了与美国确定的预购时间保持一致，加拿大的Nintendo Switch 2预购将不会在2025年4月9日开始。任天堂将在稍后提供更新信息。发布日期2025年6月5日保持不变。”  而在上周，任天堂称为了评估关税和不断变化的市场条件的潜在影响，推迟了Switch 2在美国的预购时间。

雷峰网独家消息，vivo巴西子品牌JOVI正式公布，其位于巴西马瑙斯市的生产工厂于今年年初竣工并成功试产，首款产品计划于今年二季度在当地市场正式发布，价格区间为3000 BRL - 5000 BRL（约合人民币3700 - 6200元），定位中高端市场，聚焦外观和影像等个性化产品体验，与母品牌vivo保持一致。 据vivo员工透露，JOVI品牌的长期目标是对标苹果和三星，未来还将推出平板电脑、智能手表等电子产品，以开拓巴西当地市场。考虑到时间和当地供应链原因，JOVI两款首发产品系列的其中一款，将通过国内渠道生产并进口至巴西，后续所有产品将全部优先在当地生产，以更好地契合本地市场需求。  _vivo位于巴西马瑙斯市的当地工厂_ “内部预期JOVI在三年内要实现250万的销量，差不多是巴西5%左右的市场份额。 ”该员工说到。 雷峰网了解到，巴西的关税复杂且税率极高，不同州之间存在不同的税务差异，不同产品和服务的税率也有所不同。同时该市场还要求本土公司资质，因此门槛较高，市场难度较大。也正因如此，此前vivo对于巴西市场一直处于观望状态。 2019年前后，vivo开始对巴西市场进行调研，并在2023年实地充分考察，随后决定成立JOVI子品牌进入巴西市场。在国内，JOVI是vivo语音助手的命名，而在巴西本地，JOVI的葡语谐音jovem，也代表年轻、活力和生活的乐趣，这一点与JOVI的品牌定位也极为契合。 有知情人士透露：“JOVI在巴西市场是选择正规渠道进入的，并且也会严格遵守当地法律法规，与当地消费者和合作伙伴长期发展。” 目前，其巴西团队成员约70人，其中70%左右为巴西本地员工。未来该团队将继续扩大本地招聘规模，继续加深本土化战略。 据悉，vivo的智能制造网络布局全球多个国家，海外市场拓展是vivo目前的重要目标。此前vivo执行副总裁、首席运营官胡柏山曾公开表示：“产品出海，是现阶段中国手机厂商最大的机会与优势，对vivo而言，海外增长潜力巨大，预计会增长50%甚至80%。”

开源大模型 Llama 4 的翻车还在持续发酵。4 月 8 日，作为大语言模型“权威榜单之一”的 Chatbot Arena（民间俗称“大模型竞技场”）发布了一则语气罕见严肃的声明。面对社群对于 Meta 新模型 Llama 4 排名的质疑，官方表示将公开 2000 多场真人对比测试的完整数据，并罕见点名 Meta： “Meta 应该更清楚地表明『Llama-4-Maverick-03-26-Experimental』是一个作为人类偏好进行优化的定制化模型。我们正在更新排行榜的策略，以避免此类混淆再次发生。”  图/ X 这条声明不只是澄清，一定程度上也是对整个大模型行业的一记警钟。 Chatbot Arena 由加州大学伯克利分校发起，是当前大模型评测中可能最具行业影响力的“真人盲测”排行榜，核心的机制是通过让开发者和 AI 爱好者会在平台上用相同问题向两款模型提问，对比回答内容并投票打分。 而这种“真人盲测”的机制，让 Chatbot Arena 有别于其他任何基准测试，也成为了外界最为信赖的大模型排行榜。可以说，一款模型是否登上“Chatbot Arena 排行榜”前列，在一定程度上直接影响其在媒体和开发者群体中的口碑与采纳率。 正因如此，当 Meta 在 4 月 5 日发布其最新一代开源大模型 Llama 4，随后快速冲上Chatbot Arena 排行榜第二，力压一众顶级大模型，仅次于 Google 前脚发布的 Gemini 2.5 Pro，自然也就引起了所有人的好奇和期待。 但很快，社区发现这一版本是未公开、定制化调优的“实验模型”，而并非 Meta 开源的正式版。于是，争议爆发：这算不算“刷榜”？Chatbot Arena 是否被利用为营销工具？Meta 为什么要这样操作？ 更糟的是，在部分官方没有展示的专业基准测试中，Llama 4 表现也不尽如人意，几乎垫底。不少第一批尝试的用户也在 Reddit、X 等社交平台上发文表达了失望，有人就在发帖中提到 Llama 4 在编程能力上的不尽如人意，并指出： “考虑到 Llama-4-Maverick 有 402B 的参数量，我为什么不直接使用 DeepSeek-V3-0324 呢？或者 Qwen-QwQ-32B 可能更合适——虽然性能相似，但它的参数量只有 32B。”  图/ Reddit 这让人不禁疑惑，曾经被开源阵营寄予厚望、凭借 Llama 2 和 Llama 3 逐渐建立口碑的 Meta，为什么就在 Llama 4 翻了车？ 01 从高光到塌房，Llama 4的72小时惊魂 时间回到 4 月 5 日，Meta 在官方博客上发布《The Llama 4 herd: The beginning of a new era of natively multimodal AI innovation》一文，正式宣布 Llama 4 系列模型面向社区开源。 这一次，Meta 公开了最新一代模型的三个版本：Llama 4 Scout、Llama 4 Maverick、还在训练中的“教师模型”Llama 4 Behemoth，均首次采用了混合专家（MoE）架构。  图/ Meta 其中最主流、最受关注的 Maverick 版本，是拥有 128 个“专家”的 170 亿活跃参数模型（总参数为 4000 亿），Meta 将其描述为“同类最佳的多模态模型”，强调其在多方面超过了 Gemini 2.0 与 GPT-4o，在编码和推理方面比 Deepseek 3.1 更有竞争力。 但就在 Llama 4 发布不久，情况迅速脱离了 Meta 的预期。 在社区层面，首批用户对 Llama 4 的表现并不买账。在多个测试中，尤其是在需要代码能力和严谨逻辑推理的场景中，Llama 4 的表现并没有兑现其超越 GPT、DeepSeek 的表现。包括在 Aider Chat 提供的 Polyglot 编程测试中，Maverick 版本的正确率仅为 16%，处于排行榜末尾。 不仅与其庞大的参数体量完全不符，甚至落后于规模更小的开源模型，比如 Google Gamma 。这种结果让不少开发者大感意外，也与官方宣传形成了强烈反差。  图/ Chatbot Arena 风评下滑之际，更严厉的质疑也接踵而至——Llama 4 是否使用了公开测试集进行训练？是否针对通用基准的 Chatbot Arena 针对性优化？这些质疑都在技术社区迅速传播、发酵，包括 Chatbot Arena 在声明中尽管并未使用“作弊”等字眼，但字里行间的语气已足够强硬和不满。 尤其是中文移民社区“一亩三分地”上，自称提交辞呈、要求从 Llama 4 技术报告中删除名字的“Meta 员工”发帖表示，随着 Deadline（截止日期）的逼近，Meta 最终选择了将各个基准测试的测试集混合在 Post-Training“后训练”（对应大模型的“预训练”阶段）之中。 不过 Meta 团队很快出面做了澄清，一位经手“后训练”的 Meta GenAI 成员实名（Licheng Yu）表示： “这两天虚心聆听各方 feedback（比如 coding、creative writing 等缺陷必须改进）希望能在下一版有提升。但为了刷点而 overfit 测试集我们从来没有做过，实名 LichengYu，两个 oss model 的 post training 有经手我这边请告知哪条 prompt 是测试集选出来放进训练集的我给你磕一个+道歉！”  图/ Licheng Yu 公开资料显示，Licheng Yu（虞立成）本科毕业于上海交通大学，2014 年获佐治亚理工学院和上海交通大学双硕士学位，2019 年获北卡罗来纳大学教堂山分校计算机科学博士学位，2023 年 6 月至今在 Meta 担任研究科学家经理，并参与了 Llama 3、Llama 4 项目。 同时，负责 Meta GenAI 的副总裁 Ahmad Al-Dahle 也在 X 平台明确表示，“Meta 没有在测试集上训练 Llama 4。”而针对 Llama-4-Maverick-03-26-Experimental，Meta 也在争议发生后选择了发布开源版本，以回应外界的批评。  图/ X 但这些回应显然都没能回避掉一个问题：Llama 4 的真实能力。事实上，不管是 Licheng Yu，还是 Ahmad Al-Dahle，都在驳斥部分质疑的同时承认了 Llama 4 在性能存在的问题。 作为开源阵营中曾经“最有希望挑战 OpenAI”的旗手，Llama 4 原本承载着开发者与产业界的高度期待。但现在，它却在发布一周内从“高光”跌入“信任危机”，成为大模型竞赛中一次罕见的口碑“滑铁卢”。 02 DeepSeek加速开源，Meta被逼到失速 如果只看表面，这次 Llama 4 的口碑翻车，似乎充满了戏剧张力——匿名离职员工爆料称，Meta 高层为了赶上内部设定的 Deadline，要求将各大测试集混入 “后训练”，只为“一个能看的结果”。甚至还传言，负责 AI 的副总裁 Joelle Pineau 也因反对这一做法而离职。 不过从目前公开的信息来看，这些说法经不起推敲。关于使用测试集进行后训练一事，前文的回应其实已经基本澄清。而 Joelle Pineau 的离职发生在发布前两天，但她并不负责生成式 AI 团队，而是领导 Meta Fundamental AI Research（FAIR）研究部门，与 Llama 4 项目并无直接关联。  发布前几天离职的 Joelle Pineau，图/ Meta 在辟除这些舆论杂音之后，真正的问题才浮出水面。追根究底，Llama 4 的问题，不在于造假，而在于开源大模型竞争加剧下的失速。 过去两年，Meta 凭借 Llama 2 和 Llama 3，逐步在开源模型市场上建立起“领先、可靠”的认知。然而到了 Llama 4，情况已经发生了巨大的变化，DeepSeek V3/R1 的发布扭转了开源与闭源模型的差距，并且大大加速了开源模型的发展速度。 这让原本作为“开源领导者”的 Llama 面临更大的压力。 尽管我们认为前文爆料很多经不起推敲，但有一点却是现实：Llama 4 确实有 Deadline。这一点从 Llama 4 Behemoth 还在训练中就得以窥见，而且在参数规模膨胀、架构复杂化（MoE）的同时，Llama 4 很可能没有留出足够的测试和改进时间，才导致发布后不稳定的性能表现。  图/ Meta 此外，Meta 也没能控制住动作的变形。Llama-4-Maverick-03-26-Experimental 针对对话模式的优化本身无可厚非，但“首发”Chatbot Arena 的目的却是路人皆知。我们也不知道，这个特调版本又牺牲了哪些？ 而从目前来看，Meta 的做法显然错了，经过能在发布之处获得更高的期待、更多的关注，但之后的实际表现不仅让人更加失望，也打破了用户对 Llama 系列“领先、可靠”的认知。 怎么看都是输。 Meta 当然还有机会补救。只是，它首先必须正面面对 DeepSeek、Qwen、Gamma 等其他大模型已经崛起、甚至超越自己的现实，才能谈重整河山。 [查看评论](https://m.cnbeta.com.tw/comment/1491572.htm)

当地时间4月8日，美国总统特朗普发表讲话称，美国将对药品征收关税。特朗普表示，美国并不生产自己的药品和其他改善健康的产品。美国支付药品的价格往往比有药品生产的国家高出很多倍。 [](https://static.cnbetacdn.com/thumb/article/2022/0124/323a4d81fba64b5.jpg) 特朗普认为，一旦对药品征收关税，制药公司将在美国开设工厂，因为美国是“最大的市场”。 上周，特朗普宣布的针对美国进口商品的广泛关税未涉及药品，但他表示药品将面临单独的关税。 欧洲制药公司当地时间8日已在与欧洲委员会主席的会议上警告称，美国的关税将加速该行业从欧洲转向美国的趋势。制药行业贸易游说组织EFPIA（其成员包括欧洲制药巨头拜耳、诺华、诺和诺德等）表示，它已呼吁欧盟主席推动“迅速而根本性的行动”，以减轻向美国“外流的风险”。 [查看评论](https://m.cnbeta.com.tw/comment/1491570.htm)

当地时间周二，华尔街对冲基金大佬、潘兴广场资本创始人比尔·阿克曼再次呼吁美国总统特朗普暂缓“对等关税”，并暗示一些人“误解”了他有关关税的言论。阿克曼曾在美国大选中公开为特朗普背书，相信特朗普担任总统将给美国经济带来积极的变化。  “有些人误解了我对关税的看法。我完全支持唐纳德·特朗普总统利用关税来消除我们贸易伙伴的关税和不公平贸易行为，并吸引更多投资和制造业进入我们国家，”阿克曼周二上午在X上发文称。 “我主张在明天实施关税之前暂停30天、60天或90天，以使谈判能够在不造成重大全球经济中断的情况下完成，以免损害我国最脆弱的公司和公民。”他写道。 上周，特朗普签署了两项关于“对等关税”的行政令，宣布美国对贸易伙伴设立10%的“最低基准关税”，并对某些贸易伙伴征收更高关税。其中，10%的“最低基准关税”已于上周六生效。对与美国贸易逆差最大的国家和地区征收的不同的、更高的 “对等关税” 将于本周三（9日）生效。 自那以来，伴随着美国经济衰退担忧加剧，美股遭遇重挫。 然而，面对市场巨震，特朗普仍坚称，在美国经济多年来被占便宜后，关税是贸易再平衡和重新定位美国经济的必要做法。 阿克曼周二表示，他支持美国政府在执行关税措施前与外国就进口税问题进行谈判。 “如果一个国家不诚心谈判，那么总统可以抡下关税锤子，但不给时间达成协议就这么做，会造成不必要的伤害。” 他写道。 这是阿克曼最近几天第二次呼吁特朗普暂缓“对等关税”。 上周日，他在X上发文称，特朗普的关税政策如同对全球发动 “经济核战”，将导致美国陷入 “经济核冬天”，并敦促特朗普暂停实施 “对等关税” 90 天，以便通过谈判解决问题。 一些人将这一严厉警告视为阿克曼倒戈，认为其对特朗普的支持发生了动摇。 白宫国家经济委员会主任哈塞特也回击了阿克曼的评论，称他 “应该缓和一下言辞”，并认为阿克曼的言论是 “完全不负责任的”，尤其是在当前经济形势不稳定的敏感时期。 [查看评论](https://m.cnbeta.com.tw/comment/1491568.htm)

陕西咸阳一网友日前发布视频称，中通快递“九识无人车”在送货途中发生异常——车辆左前轮卡住一辆倒地的电动车后未停止行驶，“浑然不知”继续拖行，引发公众对无人配送车安全性的关注。 据悉，涉事车辆为“九识智能科技公司”生产的“九识无人车”，该车于2023年逐步投入商用，主打“无接触配送”。不过，目前该无人车上标有明显的中通快递Logo，疑似为中通快递运营车辆。 对于无人车事故一事，截至发稿中通方面暂无回应。不过，九识智能科技公司回应称，经初步核实，自动驾驶物流车在通过事发路口时，与先前交通事故中遗留的倒地电动自行车发生接触。车辆安全系统随即触发防御机制进行减速制动，全程未造成人员伤亡，涉事车辆已暂停运营并配合交警调查。 九识智能科技表示，对此次事件给公众带来的关切深表歉意，将以最高标准配合监管部门工作，严格履行企业主体责任，持续提升自动驾驶系统的场景适应能力。  [查看评论](https://m.cnbeta.com.tw/comment/1491566.htm)

最近，差评君在招人时遇到个怪事——疑似碰到 AI 面试者。有个小伙（ 下称小 A ）投来简历，求职方向是科技编辑。我让小 A 写一篇试稿，关于科技巨头护城河。虽然小 A 文风不是很匹配，但角度还挺全面的，可以面试一波。因为我当时在国外，HR 在公司，就约了线上视频面试。  面试过程中小 A 的表现，我都不太满意，有几个疑点↓  其实在面试时，我已经有点往 AI 面试作弊这块想了，而面试结束后 HR 发的一条信息，让我更确定了。 HR 说对面网络断了好几次。 嘶，明显的读稿感——和文章水平相矛盾的科技常识——好几次回答问题时突然断线——这个小 A 是不是在利用 AI 辅助面试？ 所谓断线，不过是在掩饰 AI 输出答案的时间。  当然这事儿，差评君没法实锤嗷。为了不影响当事人，当中不少细节我也替换了。 大家可以当个故事听，但故事背后确实有一个不太好的趋势： 你我身边，要有越来越多的 AI 面试者了。 在社交媒体平台，以“ AI 辅助面试 ”为关键词搜索，就能看到面试中利用 AI 作弊已经成了一个现象。 有人分享面试中如何用 AI 帮自己回答问题，有人教你在面试中怎么作弊才不会被发现。  而另外一边—— 也有 HR 在吐槽大家能不能别再用 AI 面试，大部分都能看出来； 还有面试官直接写了一篇长文《 我和 AI 面试的攻防战 》，分享如何破解 AI 作弊。  其实这个现象出现的原因，不难猜—— 市面上悄然兴起了一堆 AI “ 辅助 ”面试的 App。  这些 App 会在各大视频、社交平台上传实操视频，配上诱人的标题，来宣传自己的卖点。 什么“远程截图笔试黑科技”、“Java 后端跳槽成功 35K”。  差评君大概看了几款 App，功能大差不差，而且有手就能用—— 在面试前打开 App，手机藏电脑旁就行。 此时 App 会一边监听语音，一边转录面试官问题，然后利用 AI 实时呈现答案。 你要做的，就是照着读就行。  就算是程序员技术笔试，这些 App 似乎也能应付过来。 直接接入一个远程截图功能，自动识别题目，答案秒出。  当然吹牛皮谁都会，于是差评君就下了一款 App 来测试。 你别说，功能还挺完整。 它会要求你填上工作岗位、职责和要求，然后再上传简历。这样 AI 能根据你的经历和优势，让答案更匹配你。  为了防止你不会用，App 还有一个“ 模拟面试 ”。支持选择面试官性格、问题偏好、回答问题的长度。 开始模拟后，面试官问一句，答案就生成一句，你跟着读就行。  最后 App 还会让你读一段文字，添加你的声音特征。差评君猜测，这是为了区别你和面试官的声音，方便识别问题。 可能有差友看到这，有一点点心动。 但我劝你在使用前，练个两年半演技，再备 50 瓶速效救心丸，最后做好当韭菜的心理准备。 首先，你必须充钱才能用 App “ 正式面试 ”功能。 半小时 108，2 小时 188。  不是哥们，收钱我理解。 但人 ChatGPT、Cladue 都是按月算钱，一个月才 120，你这 2 小时 120，是不是夸张了点。 我要多面试 2 轮，大几百不是没了？ 行，来都来了，今天哥们就当一把好韭菜。 差评君拉了一个同事当面试官，我负责扮演一个叫王海洋的人，准备面试算法工程师。 “ 正式面试 ”后，App 最底下一行会实时识别面试官语音，接着生成问题，最后呈现答案，我只要装模作样照着念就行。  看着是还行，识别也挺准。 但问题是，延迟很严重。 正常人类沟通，一方说完话 0.5 秒，另一方就能回答问题了（毕竟很多话听到一大半，就知道啥意思）。 但这个面试助手的 AI，需要面试官把话彻底说完，过个 0.5 秒再生成问题，再过 0.5 秒出答案。 等看到答案，你反应过来开始读，还得再要个 0.5 秒。 所以，你回答问题时总有 1.5 秒～ 2 秒的延迟，这么高的 ping，大部分人都能看出来吧？  你说你可以演，可以找借口。 的确，差评君在“ 面试 ”时，为了掩饰延迟，时而“ emm+托腮思考 ”，时而“ 不好意思，网卡了 ”…… 但总不能每次这样吧。你不尬，面试官都尬。  延迟高就算了，它还有个最致命的问题：翻车。 或许是我没全照原文读，或许是声音识别不准，总之 App 好几次把“我的话”识别成“面试官的提问”。 我 TM 正读答案呢，App 突然刷新答案了！  兄弟！！ 本来面试就够紧张了，我还在作弊，“ 神器 ”又突然翻车。 就问那个当下谁大脑不宕机，谁 CPU 不烧。要是我，我也拔网线啊。 “ 面试 ”结束后，差评君问了下“ 面试官 ”啥感觉，他说：差点没绷住。 综上呢，差评君真觉得这玩意不行，靠不住。割韭菜不说，心脏病都能犯好几次。 说是这么说，但网上已经有很多活生生的 AI 面试作弊例子。 程序员论坛 V2EX 就有不少老哥遇到过这情况。大家都表示，用 AI 作弊太明显了。 对方回答问题时，往往都是先愣住几秒，接着突然口若悬河，滔滔不绝，舌灿莲花，顽石点头。 但一扩展到没有固定答案的题目，一问一个不吱声。    同样的事情，在国外也发生过。 波兰一家远程工作的公司，招人时就遇到一个“ 香饽饽 ”。 这哥们简历是无敌的，从名牌大学毕业，也在知名企业工作过，技术面试中也是第一个 2 小时内完成所有编程任务的人。  老板都差点发 offer 了，结果最终面试时，觉得这哥们背景实在有点可疑。比如他从波兰华沙理工大学毕业，但不会说波兰语，就算了。 最骚的是，2 个月后那哥们用 DeepFake 换脸技术又来了，简历和技术依旧是乱杀。 最后咋发现的呢？老板让他把手张开，挡在自己的脸前面。 结果那个人拒绝了。  当然，这些年也确实有人用 AI 作弊成功了。 一个叫 Roy Lee 的哥伦比亚大学计算机系学生，就靠自己开发的 AI 工具，前后拿到 Amazon、Capital One、Meta、TikTok 四家巨头的 offer。 要不是他狼人自爆，估计现在都没人知道。  可能有差友看到这会说： AI 作弊确实不对，但这关我啥事， 这不 HR、老板操心的问题么。 那我们换个角度看：一个水平差你一大截的人，靠 AI 作弊，赚得比你还多，你也不答应吧。 虽说目前还是有不少 HR 可以看出 AI 面试——看应聘者的回答延迟、说话风格，问一些更细节的问题。 但我们也要考虑到 AI 还在发展以及幸存者偏差——没识别出作弊的 HR，也不会在网上说这些。 差评君是觉得，这样下去： HR 们迟早要被倒逼去学一些识破 AI 的技能，甚至面试软件也要接入 AI 表情判断，眼球追踪系统。  AI 攻防战，不会要在职场面试里打响第一枪吧？ 写文章时，差评君看到有人提出疑问： 牛马何必为难牛马。如果一个人能用 AI 解决所有问题，这不挺牛逼的么，不就说明他有这个能力吗？ 乍一看好像没法反驳，但其实漏洞太多。  首先，真正的面试，是思想的交锋，是实力的展示，而不是比谁 AI 工具用得“ 好 ”。 HR 想知道的是你的思想，你给的却是别人的声音—— 这不是所谓的辅助，这都是灵魂外包了。 其次， AI 不可能解决所有问题。 面试是面试，AI 能帮你通过面试，并不意味着它能搞定实际工作中每一个项目，每一个用屁股决策的甲方。 你要知道： 人有“ 一双 ”眼睛还是“ 两双 ”，“ 大家 ”后面是“ 好 ”还是“ 坏 ”，这些答案不过是 AI 从数据库里通过计算概率，猜出的最佳选项。 猜错答案、出现幻觉、胡说八道，也是 AI 的常态。 这种充满不确定、不稳定的外部技能，并不能称为自己的能力，更不能把日常工作完全托付给它。 否则： 你的每一次工作，都在把 AI 当成许愿机，然后双手合十，如赛博修女，静静祷告出现在面前的，是正确答案。 [查看评论](https://m.cnbeta.com.tw/comment/1491558.htm)

在停更多日、小米15周年发声后又短暂“停更”至今后，雷军终于现身了。今日，雷军现身北京小米总部，与几位同事一起站在楼下，目送客人离开。    不知是哪位重要客人来访，雷总亲自下楼送客。只见雷总双手握拳、略显拘谨，面带笑容欢送客人乘车离开。  有两辆商务车驶出了小米园区。   网友评论：“雷总瘦了，憔悴了”，“军军都憔悴了，心疼一分钟”，“没有之前那种快乐的感觉了”。 确实如网友所说，视频中的雷总憔悴了，与往日的神采奕奕相比，差别巨大。这与最近的事情不无关系。 小米SU7的事故不需再多提，自那之后，雷军的社交平台以往的节奏被打乱。 雷军在4月1日发声回应事故，称心情非常沉重，觉得不应该再等了，必须站出来，代表小米承诺：无论发生什么，小米都不会回避，将持续配合警方调查，跟进事情处理的进展，并尽最大努力回应家属和社会关心的问题。 此后，雷军的微博停更了5天。 直到4月6日，小米成立15周年的日子，雷军发微博称：“今天，小米的创业路已走过了15年。这只是开始，我们会继续努力。” 当天，小米众高管齐发微博庆贺小米15周年。 然后到今天，雷军又“沉默”了两天。 SU7事故相关家属的社交账号也不再更新，大家都在等待调查结果。无论这个结果是什么，我们猜测，雷军的社交平台多多少少会发生变化。具体分析请看下列文章。 [查看评论](https://m.cnbeta.com.tw/comment/1491554.htm)

腾讯今日发布截至2024年的年报，年报显示，截至2024年12月31日，腾讯大股东Prosus通过MIHInternet Holdings持有2214863800股，持股比例为24.01%，腾讯CEO马化腾持有804859700股，持股比例为8.72%。   截至2024年12月31日，腾讯股权结构 腾讯执行董事为马化腾，非执行董事分别为JacobusPetrus (Koos) Bekker、Charles St Leger Searle；独立非执行董事分别为李东生、Ian Charles Stone、杨绍信、柯杨、张秀兰。 截至今日收盘，腾讯股价为440.4港元，市值为40531亿港元。以此计算，马化腾持有的股权价值为3534亿港元。 今年以来，腾讯股价上涨了5.61%。不过，腾讯今年股价一度突破540港元，但自发布2024年第四季度的财报以来，腾讯股价已缩水超过20%。 最近几个交易日，腾讯每日都进行回购，每次金额为6亿港元。 分析认为，腾讯对股价策略是“托而不举”——腾讯当前股价处于相对高的位置，腾讯并未像2024年曾经有段时间每个交易日10亿港元的规模进行回购，近期港股波动中，腾讯就一天下跌超12%，直接从497港元跌至435港元，这使得投资者不仅很难从这样的回购规模中进行套利，还损失惨重。 **2024年斥资1120亿港元进行回购** 当然，相比于小米、比亚迪逢高配售，募资超过400亿的做法，腾讯对投资者更友善，也更让投资者尊重。  腾讯2024年一共斥资1120亿港元进行回购，购回合共307，238，500股股份。购回的股份其后已被注销。进行回购旨在长远提高股东价值。 于2024年，腾讯通过派发现金股息每股3.40港元（约320亿港元），及回购总值约等于1120亿港元的股份，向股东提供了可观的资本回报。 2025年，腾讯增加年度股息32%至每股4.50港元（约等于410亿港元），派息日前为2025年5月30日，并计划至少回购价值800亿港元的股份。  截至2024年12月31日，腾讯持有的现金及现金等价物为1325.19亿元，定期存款及其他为2828.94亿元，借款为1994亿元，应付票据为1392亿元，现金净额为767.98亿元。 **年营收6602.57亿** 年报显示，腾讯2020年、2021年、2022年、2023年、2024年营收分别为4820.64亿元、5601.18亿元、5545.52亿元、6090亿、6602.57亿；毛利分别为2215.32亿元、2459.44亿元、2387.46亿元、2931.09亿元、3492.46亿元。  腾讯2020年、2021年、2022年、2023年、2024年经营利润分别为1261.97亿元、1246.56亿元、1108.27亿元、1600.74亿元、2081亿元；年度盈利分别为1601.25亿元、2278.1亿元、1887亿元、1180.48亿元、1964.67亿元。  腾讯2024年来自增值服务营收为3192亿元，较上年同期的2984亿元增长7%，占营收的比例为49%；来自营销服务营收为1213.74亿元，较上年同期的1014.82亿元增长20%，占比为18%；来自金融科技及企业服务的营收为2119.56亿元，较上年同期的2037.63亿元增长4%，占比为32%。  按非国际财务报告准则，腾讯2024年经营盈利为2378亿元（331亿美元），同比增长24%；经营利润率由上年的32%上升至36%；年度盈利为2272亿元（316亿美元），同比增长40%；年度公司权益持有人应占盈利为2227亿元（310亿美元），同比增长41%。 腾讯2020年、2021年、2022年、2023年、2024年经调整净利分别为1432.41亿元、1527.29亿元、1432亿元、1918.86亿元、2378.11亿元。 [查看评论](https://m.cnbeta.com.tw/comment/1491552.htm)

在过去四个交易日中，苹果股价暴跌 23%，这再次让微软成为了全球市值最高的上市公司。截至周二收盘，微软的市值为 2.64 万亿美元，而苹果的市值为 2.59 万亿美元。 [](https://static.cnbetacdn.com/article/2025/0327/481ad0f92f3331d.jpg) 虽然唐纳德・特朗普总统的大规模关税计划让整个市场都遭受了重创，但在科技巨头公司中，苹果受到的冲击最为严重，原因是这家 iPhone 制造商对海外市场存在依赖。 在过去四个交易日里，纳斯达克指数下跌了 13%，因为特朗普总统决定对来自 100 多个国家的进口商品征收关税，这引发了人们对物价上涨可能导致经济衰退的担忧。瑞银集团的分析师周一预测，iPhone 16 Pro Max 在美国的售价可能会上涨至多 350 美元。 在最近的股票抛售潮之前，苹果、微软以及芯片制造商英伟达的市值都曾超过 3 万亿美元。 今年 1 月，微软发布的营收预期令人失望。尽管如此，上周，当杰富瑞集团的分析师下调了许多软件股的目标价时，他们写道，微软是那些 “我们认为受关税不确定性影响较小” 的公司之一。 在 2024 年初，微软也曾是所有上市公司中市值最高的，但苹果很快又夺回了这一头衔。  [查看评论](https://m.cnbeta.com.tw/comment/1491550.htm)

触底重生后，出海计划加速。

“冲商单”撕开B站生态的深层矛盾。

 由 EMINOMA 团队开发的《军团要塞2 经典版》 模组现已获V社批准。作为游戏模组，《军团要塞2 经典版》旨在重新构想原版游戏的首发时代。模组新增了游戏系列的经典元素，比如平民角色和四队模式。团队也会定期更新，加入新武器、地图和游戏模式。 游戏特色包括：  - “据点战”、“区域控制战”和“VIP竞速”等。这些都可以在专业品质的地图上畅玩，后续还会有更多模式陆续推出。 - 跳跃垫、高爆散弹炮、砖块、缠着铁链的拳头……这些都是团队自制的武器，不只是单纯的武器替换，而是会从根本上改变你的游戏方式。 - 游戏还支持超强的模组系统，玩家可以自定义游戏外观，服务器也能运行各种高级定制武器包和地图。 - 画面也有了全面升级：更细致的贴图、模型优化、地图功能增强，还有在正式版里几乎没出现过的卡通渲染风格也被重新加回来了。 - 还有只鸡……我们是这么听说的。  《军团要塞2 经典版》从2014年开始开发，并在2020年7月正式发布。团队中也有一群成员在不间断地进行内容创作、平衡调整和修复bug。 模组增加了一些提升玩家体验的功能，重制和完善了之前被放弃的内容，并且通过全新的大型更新，致敬TF2那种永不过时的风格和氛围。 &lt;内嵌内容，请前往机核查看&gt;

 ## 一、背景与目标 ### 1.1 背景 在生鲜电商领域，低客单价订单的配送成本问题一直是平台面临的挑战。用户购买的商品总价可能低于配送成本，导致平台在这些订单上出现亏损。为了解决这一问题，一般会采用基于起送价限制的解决方案：用户在下单时，商品金额需满足一定额度才能完成下单，否则无法下单 ### 1.2 目标 本文将详细梳理该方案的背景、规则、交互逻辑以及实际案例说明，帮助理解如何通过起送价机制优化平台的盈利能力。 ## 二、解决方案思路 ### 2.1 设计思路 为解决生鲜品类等低客单价商品小额订单配送亏损问题，设计基于购物车金额校验的起送价机制。系统将实时计算用户所选商品的优惠前/后金额，通过智能差值计算、多场景校验和异常拦截机制，确保订单金额满足平台经营要求而设计的功能需求 ### 2.2 设计要点 **1）起送价的计算规则** （1）按商品优惠前合计金额： - 指起送价按不使用优惠券的合计金额计算，满足起送价即可下单，即原价商品范围： - 据购物车用户已选且可购买的商品合计金额进行实时计算是否满足起步价 - 公式：商品合计金额 = 当前商品销售价 x 数量 （2）按商品优惠后合计金额 - 指起送价按使用优惠券的合计金额计算，使用后合计金额满足起送价即可下单，即优惠后价格 - 商品范围：根据购物车用户已选且可购买的商品优惠后的合计金额进行实时计算是否满足起步价 - 公式：商品优惠后合计金额 = 购物车已选且可购买的商品合计总价 – 当前用户命中最优的优惠券金额 **2）交互规则** （1）满足起送价时的交互： - 合计金额 ≥ 起送价；可正常去结算 - APP结算按钮红色+显示“去结算” （2）不满足起送价时的交互： - 合计金额 ＜ 起送价，且需计算差额返回前端（差额=起送价-合计金额） - APP结算按钮置灰+显示“差X元起送” **3）试算范围** - 进入购物车时的试算 - 购物车勾选商品时或变更加购数量时的校验 - 提交订单时的二次校验 - 起送价信息的展示 ## 三、功能设计 ### 3.1 起送价计算引擎 1）**双模式校验机制** 设计两种校验模式：优惠前金额校验和优惠后金额校验。系统会根据配置的起送价模式，实时计算用户购物车的金额是否满足条件。 - 优惠前金额校验：计算用户购物车中所有商品的原价合计。 - 优惠后金额校验：计算用户购物车的原价合计减去最优优惠券金额后的金额  通过这两种模式，系统能够灵活应对不同场景下的起送价要求 **2）动态差额算法** - 差额计算公式为：差额=max(起送价−当前金额,0) - 该算法能够实时计算用户需要再添加多少金额才能满足起送价要求 **公式解释：** - max(a, b) 表示取两个数中较大的那个值。 - 起送价 − 当前金额：若结果为正数，说明当前金额不足，需要补足差额；若结果为负数或0，说明已达到起送价，差额为0。 **公式举例说明：** 假设某商家店铺的起送价是30元： （1）当前金额 = 25元 差额 = max(30 − 25, 0) = max(5, 0) = 5元 需再凑5元才能下单。 （2）当前金额 = 30元 差额 = max(30 − 30, 0) = max(0, 0) = 0元 金额刚好满足起送价，可以下单 （3）当前金额 = 35元 差额 = max(30 − 35, 0) = max(-5, 0) = 0元 金额已超过起送价，无需再凑单 ### 3.2 交互控制规则 **1）处理规则** 为了确保用户体验和系统稳定性，设计以下交互规则：  **2）案例说明** 案例1：优惠前金额满足起送价 场景描述： 用户在购物车中选择了两件商品，商品A售价为15元，商品B售价为10元，起送价为25元。用户未使用优惠券。 计算过程 - 商品合计金额 = 15元（商品A） + 10元（商品B） = 25元 - 起送价为25元，商品合计金额等于起送价。 交互结果 满足起送价，结算按钮显示为红色，用户可正常结算。 案例2：优惠后金额满足起送价 场景描述 用户在购物车中选择了两件商品，商品A售价为20元，商品B售价为15元，起送价为30元。用户使用了一张满10元减5元的优惠券。 计算过程 - 商品合计金额 = 20元（商品A） + 15元（商品B） = 35元 - 优惠后金额 = 35元 – 5元（优惠券） = 30元 - 起送价为30元，优惠后金额等于起送价。 交互结果 满足起送价，结算按钮显示为红色，用户可正常结算。 案例3：不满足起送价的处理 场景描述 用户在购物车中选择了两件商品，商品A售价为10元，商品B售价为8元，起送价为20元。用户未使用优惠券。 计算过程 - 商品合计金额 = 10元（商品A） + 8元（商品B） = 18元 - 起送价为20元，商品合计金额小于起送价。 - 差额 = 20元 – 18元 = 2元 交互结果 - 不满足起送价，结算按钮置灰，显示“差2元起送”。 - 用户点击结算按钮时，弹窗提示“20元起送，差2元”，点击“我知道了”后返回购物车页面。 **3）推荐凑单处理** 案例1：生鲜凑单场景 用户选择了以下商品： - 白菜 5元×2件 - 鸡蛋 8元×1盒 起送价配置为20元。 优惠前计算： - 5×2+8×1=18元 - 差额为2元。 系统会引导用户添加推荐商品，例如”生姜3元”，使总金额达到21元，满足起送价要求。 ## 四、异常处理机制 **1）并发修改场景：多人操作同一个商品** 在多人同时修改购物车时，系统会通过分布式锁控制，确保数据一致性 **处理流程：**用户A添加商品。用户B删除同一商品。服务器通过Redis缓存校验，返回最新数据。强制刷新客户端购物车  **2）其他异常处理**  **3）数据一致性保障** - WAL机制：确保计算日志可追溯。 - 本地缓存：设置5秒本地缓存，提供强制刷新按钮。 - 异步补偿队列：处理1%以内的计算误差 ## 五、总结与展望 本方案通过建立实时计算引擎、异常熔断机制和多层校验体系，在保证用户体验的前提下有效控制小额订单的配送成本。 实施时，建议采用灰度发布策略，首期在生鲜品类试点后逐步扩展。通过持续优化和监控，平台可以在提升用户满意度的同时，实现成本的有效控制 最后通过起送价机制，平台能够有效控制低客单价订单的配送成本，减少亏损风险。该方案在购物车和提交订单环节均进行了严格的校验，确保用户在满足起送价后才能完成下单。未来，可以进一步优化起送价的动态调整机制，根据用户购买行为和市场情况灵活设置起送价，提升用户体验的同时最大化平台收。 本文由 @pemg的笔记 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

 网飞动画剧集《爱，死亡和机器人》于今日公布第四季先导预告。本季共10集，将于5月15日一次性放出。大卫·芬奇和蒂姆·米勒将继续担任执行制片人，吕寅荣回归担任导演。据悉，第四季将带来对主题的全新诠释。 &lt;内嵌内容，请前往机核查看&gt; 

<blockquote><p>在仓储管理系统（WMS）中，权限管理是保障运营安全的关键环节。然而，现实中却常常因为权限管理的漏洞引发一系列令人哭笑不得的事故，比如货物被误发到南极、离职员工账号深夜删数据、管理员权限全员共享等。这些看似离谱的事件，其实背后反映出的是权限设计不合理、操作审核形同虚设、日志记录缺失等诸多问题。</p> </blockquote>  「实习生手滑一点，3000件货直奔南极科考站！」 「管理员权限全员共享，仓库秒变“公共厕所”！」 —– 这是不是权限管理失控的经典剧情？ 今天要扒一扒：**权限管理如何用100种姿势让仓库崩盘**，以及如何用“防呆黑科技”让系统比老板的保险柜还安全。 ## 一、死亡案例：一场权限引发的“南极快递” 某跨境母婴仓曾因权限漏洞导致： - **实习生核弹级操作：**新员工误将3000件纸尿裤的发货地设为“南极长城站”，物流公司连夜找破冰船 - **权限全员大锅饭：**保洁阿姨账号竟能删除库存，只因权限分配“一刀切” - **审计日志失踪案：**事故后查无记录，技术团队背锅到怀疑人生 **尸检报告**： - 权限设计逻辑堪比“皇帝的新衣”——全员裸奔 - 高危操作无复核机制，系统秒变“自杀按钮” - 日志记录只写“有人改了数据”，具体是谁？系统：“你猜？” ## 二、作死设计大赏 ### 1. 权限分配玄学派 - **全员管理员：**从实习生到扫地僧，人手一把“删库密钥” - **库位开盲盒：**权限按“部门”分配，结果食品仓员工能操作母婴仓库存 - **永久权限：**员工离职三年，账号仍在深夜登录删数据 ### 2. 操作审核躺平派 - **高危操作零门槛：**删除10万库存只需点一次“确定”，比卸载APP还简单 - **复核机制形同虚设：**所谓“双人审核”其实是同一账号切两个角色 **日志记录如天书：**“用户123修改了字段456”——具体改啥？系统笑而不语 ### 3. 权限生命周期摆烂派 - **僵尸账号横行：**离职员工账号权限永不回收，黑客直呼“贴心” - **新人保护期倒挂：**实习生首日获得“删库权”，老员工反而只能扫码 ## 三、让权限管理比老板的保险柜还安全 ### 1. 权限颗粒度手术刀：从“大锅饭”到“米其林分餐” **目标**：让实习生碰不到核按钮，让老板睡上安稳觉 **解决方案**： **1）三维权限矩阵** - **角色维度：**管理员、拣货员、质检员分设基础操作权限（如管理员可调拨，拣货员仅能扫码） - **库位维度：**按仓库-区域-货架逐级收缩权限（例：A仓员工摸不到B仓螺丝钉） - **操作维度：**高危功能（删除/调拨/改价）需二次认证 **2）新人保护期** - 入职前3天仅开放“只读模式”，随培训进度逐步解锁功能 - 敏感操作强制弹窗提示（“您正在删除1000件商品，确定吗？”） **案例**： 某美妆仓上线三维矩阵后，误操作归零，实习生再也没机会“手滑”。 ### 2. 动态权限调整：让系统比HR更懂“谁在搞事” **目标**：权限分配活起来，危险操作沉下去 **解决方案**： **1）行为标签系统** - 根据操作记录打标（如“手速狂魔”“路痴萌新”） - “手速狂魔”优先派发爆品单，“路痴萌新”禁止跨区任务 **2）权限生命周期管理** - 自动回收规则：连续7天未登录自动降级为“访客模式” - 高危操作触发冻结：单日超3次异常操作，系统自动锁定账号并通知主管 **案例**： 某3C电商通过行为标签，揪出深夜试图删库的“内鬼程序员”，立功系统获颁“年度最佳保安”。 ### 3. 操作审计与追溯：让每个动作都自带“监控摄像头” **目标**：甩锅？不存在的！ **解决方案**： 1）全链路审计日志 - 记录权限变更（谁、何时、改了啥）、敏感操作（如删除库存）、登录异常（异地/IP突变） - 支持穿透查询：点击任意记录可追溯完整操作链（例：从删库指令查到实习生账号） 2）权限热力图 权限地图实时显示高风险账号（如“10个实习生拥有删除权”）  异常操作自动弹窗预警（例：“账号李四1分钟删除1000商品，是否封禁？”）**案例**： 某食品仓通过审计黑匣子，5分钟锁定误删数据的“真凶”——老板的猫踩了键盘。 ### 4. 多级熔断机制：让误操作“闯关失败” **目标**：宁可错杀一千，不可放过一个手滑党 **解决方案**： **1）双人复核防火墙** - 高危操作需两人确认（如主管+财务） - 复核人必须非同部门（防止“自己审自己”） **2）自杀式拦截规则** - 删除超过100件商品需邮件审批+老板短信确认 - 修改国际订单地址触发“地理围栏检测”（南极？系统：“你不对劲！”） **3）审批流拦截** - 设置敏感操作白名单（仅允许特定角色发起） - 审批链支持自定义（例：删除库存需部门经理→财务总监→老板三级审批） **案例**： 某母婴仓上线双人复核后，高危操作事故归零，老板感叹：“终于不用半夜接锅了！” 作者：双栖产品手记，公众号：双栖产品手记 本文由 @双栖产品手记 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

铁打的营盘，流水的兵。 ### 01 余凯时代：无人车起步 2011年底，百度向在国际人工智能领域崭露头角的余凯伸出橄榄枝。彼时，百度财力雄厚，李彦宏登顶中国首富，百度市值位居中国互联网企业之首。 在这样的背景下，百度有底气招揽世界顶级研究人员。当年春节前，李彦宏与余凯在北京见面，这次交流成为双方命运的关键一步。2012年春天，余凯正式加入百度，开启了他在百度的三年。在他加入之前，王海峰刚将视觉团队从搜索部门独立，成立了VIS（视觉技术搜索）。余凯的老本行是视觉，他直接合并了视觉和语音，组建了多媒体部。后来，余凯又将视觉拿到IDL，语音则还给了王海峰。  （余凯） 2012年10月，余凯加入百度半年后，辛顿团队的AlexNet算法在计算机视觉会议上震惊了学术界和产业界。余凯意识到与辛顿合作对百度在深度学习领域弯道超车的重要性，立刻联系辛顿表达合作意愿，不过结果未能如愿。 虽有遗憾，但这次竞标也让李彦宏深刻意识到深度学习的潜力与重要性。一个月后，百度宣布成立深度学习研究院（IDL），李彦宏亲自挂帅，余凯出任常务副院长。 IDL的成立在中国互联网行业是前所未有的创举，其规格之高、布局之广，显露出百度在深度学习领域的雄心壮志，甚至被国际媒体誉为全球几大黑科技实验室之一。 IDL成立后，余凯迅速开启人才招揽。他凭借过往在NEC任职时展现出的领导和组织能力，吸引了众多顶尖人才加入。张潼、徐伟、吴韧等功成名就的科学家率先加入，成为百度IDL的“导师团队”。 有了这些“大神”坐镇，很快各路年轻人纷至沓来。有从百度VIS部和多媒体部转岗过来的：余轶南、黄畅、陶吉、夏添、王亮；有实习过来的：张天雷、闫俊杰、任少卿、常惠雯、王小龙、吴佳俊；有全职加入的：单羿、邓亚峰、杨文利、孙刚、刘文志、颜深根；还有通过“少帅计划”加入的：顾嘉唯、李磊、倪凯、李沐。 当时，IDL还开展了众多子项目，涵盖异构计算、搜索、人脸识别、机器人、智能眼镜、无人机、无人车等多个前沿领域。其中，无人车项目尤为引人注目，如今在武汉街头随处可见的“萝卜快跑”，正是这一项目的成果。从最初在实验室的雏形，到如今的广泛应用，“萝卜快跑”经历了从研究院到事业部，再到事业群的转变，成为百度历史上数一数二的长寿项目。 实际上，在IDL一众项目里，无人车其实是立项相对较晚的一个，始于2013年底。 一方面，那会儿IDL成员们都很年轻，他们赶上了深度学习爆发的历史性时刻，发现过去那些看似无解的技术难题，在深度学习面前变得轻而易举，迫不及待想将它用到过去产品中。 百度搜索里的“以图搜图”功能就是最好的例子。当时，Google在这个领域已经做得不错，但百度总差那么一点。直到IDL团队利用深度学习技术，打造了一个中文版的‘ImageNet’，用海量数据训练出更精准的图像检索系统，百度的图搜功能才一骑绝尘，直接超越了Google。 另一方面，无人车毕竟是个软硬件结合的大工程，余凯在调研上花了一段时间。 也是这个过程中，余凯的感觉愈发强烈：百度必须向物理世界延伸，布局一些能够影响未来十年甚至二十年的项目。 Google从2009年就开始布局无人车，当时已经进入上路测试阶段。余凯意识到，百度不能再落后。他的想法很简单：用无人驾驶技术彻底消除人为驾驶的危险。他们手头有一个触目惊心的数据——中国每天有500人死于车祸，相当于一架大型客机坠毁。至于商业化、Robotaxi、L2+这些概念，当时根本没想那么多。 于是，2013年底，无人车项目在IDL悄然启动。倪凯、杨文利、陶吉、潘屹峰，成了这个项目的首批核心成员。此外，张天雷是百度无人车第一名实习生，那时候还在清华读博，所以没有全职。 他们都是IDL的精英，年轻、有冲劲，更重要的是，他们都对无人车项目充满了热情。 当时的百度无人车项目几乎是“一穷二白”——没有车、没有方案、没有供应商、没有钱，甚至连像样的办公室都没有。他们最初在百度C座三层的LOFT办公，条件极其简陋。北京夏天一下大雨，办公室里就跟水帘洞一样，电脑都得撑伞。办公室是玻璃顶的，直接照在电脑屏幕上，代码都看不清楚。 第一年主要做高精地图和建图。倪凯有地图定位背景，作为整体技术leader，并负责地图定位；杨文利负责决策规控仿真，同时带着张天雷；陶吉作为技术经理负责整体推进。余凯则作为团队的核心人物，负责整体战略规划，直接向李彦宏汇报。 当时，他们一边谈合作、一边招人、一边搞技术研发和路测。 首先，他们需要确定将自动驾驶技术应用到什么车上。研发自动驾驶软件系统，必须先选好车型并确定硬件，因为硬件的性能和布局会直接影响软件的开发和优化。好在这方面他们没费太多精力，百度地图与宝马此前就有合作基础，顺势将宝马介绍给了IDL无人车团队。宝马中国非常给力，借给IDL两台宝马3系GT，非常高配，裸车价格高达60万元一台。 顺便一提，百度地图那边有顾维灏（现毫末智行CEO）、张少宇（现腾讯地图副总裁）、郎咸鹏（现理想智驾负责人）等人，他们不想局限于地图，也想涉足自动驾驶，于是在2016年9月启动了L3项目（有限条件下的自动驾驶），还派人到IDL接受培训。 随着时间推移，无人车团队人员逐渐增多，包括李林涛（现小马智行）、刘振亚（现文远知行）、潘屹峰（现长安）、李博（现长安）、杨德刚（现地平线派驻长安）、李晓晖（现戴姆勒）、李文俊（现四维图新）、张京（现四维图新）等，大概十几号人。 百度C座三层有一间会议室叫“庆千秋”，就是IDL无人车团队的专属“根据地”，他们每天都在这里召开全体会议。随着团队规模逐渐扩大，会议也变得更加细分，比如杨文利组织规控组的讨论，倪凯组织感知组的讨论，遇到跨组的相关议题时，就临时把人叫过去。 回首那段时光，那无疑是他们技术推进非常迅猛的时期。通常，早上发现一个bug，中午就能迅速修复，下午就能将修复后的系统装车测试验证。  说到测试，其实当时要找到一个理想的测试场地绝非易事。 一方面，无人车技术正处于快速迭代阶段，必须通过频繁的测试和调整来推动技术进步；另一方面，直接上路测试风险过高，他们急需一个车辆稀少、风险可控的场地。在北京，满足这些条件的地方少之又少。经过一番寻找，亦庄交通部测试场最终愿意开放一小块区域供他们使用。  然而，仅过了几天，他们就被要求离开。由于测试中车辆出现各种故障，对方认为测试活动过于危险，要求他们提交详尽的测试规划，并且必须保证测试过程万无一失。这显然陷入了悖论——如果能保证绝对不出事，那还来测试场做什么？直接在大马路上测试不就完了？有人抱怨：每天提交各种繁琐的文件，这显然不是搞创新的路子。 不仅如此，开会时他们只能挤在测试场分配给他们的一个二三十平方米的小屋里。二十多个人挤在一起，开会时几乎人贴人，找个空位都困难。 这样的环境，无疑给他们的研发工作带来了额外的挑战。 直到2015年下半年，李泽湘（大疆）来百度交流无人机项目时，听说了这事便说：“我在松山湖有个机器人产业基地，你们去那儿测吧，随便测！我给你们免费提供办公室，还能协调当地交警封路测试。”  当时，整个团队22个人，带着大量设备乘坐高铁前往松山湖，甚至有人把插排和路由器都带上了。那时的松山湖虽然还没有华为，但已经聚集了不少机器人初创公司，大多是港科大背景的，大疆也在那儿设了点。 百度团队在松山湖租下了一处场地，开启了两个月的封闭开发模式。 这种模式在百度的历史上并不多见，也格外“不百度”。百度一直以来以开放、灵活的互联网文化著称，员工们习惯于在办公室里获取最新的技术和信息。而这次封闭开发更像是传统制造业的“攻坚模式”。 2015年10月，这帮人带着成果回到北京，经过两个月的精心调试，车辆能够在开放道路上行驶。确切说，至此，百度无人车实现了城市道路、环路及高速混合路况下的全自动驾驶。  百度公布的路测路线显示，百度无人驾驶车从位于北京中关村软件园的百度大厦附近出发，驶入G7京新高速公路，经五环路，抵达奥林匹克森林公园，并随后按原路线返回。百度无人驾驶车往返全程均实现自动驾驶，并实现了多次跟车减速、变道、超车、上下匝道、调头等复杂驾驶动作，完成了进入高速(汇入车流)到驶出高速(离开车流)的不同道路场景的切换。测试时最高速度达到100公里/小时。  当时，有一张特别的照片，被称为“口罩照”，记录了百度无人车团队第一次成功完成整个自动驾驶流程的珍贵瞬间。那天，北京的雾霾指数高达400，空气能见度低，整个北京笼罩在一片灰蒙蒙之中。这样的天气条件对于自动驾驶技术来说无疑是一个巨大的考验，但同时也为团队提供了一个极具现实意义的测试场景。 多年后当事人透露，当时其实有两辆宝马，只有一台能跑。那台宝马在新闻联播里露脸11秒，虽然时间短，但那是CCTV的新闻联播，含金量极高。那一刻，他们成为媒体口中的“未来交通变革的创造者”。 甚至在那时，百度就提到，未来会将大数据、人机交互语音识别等技术应用到无人车项目中，无人车项目将作为百度生态的新入口。包括在无人车系统中内置搜索、音乐、阅读、视频等百度产品，以及通过百度连接3600行的O2O服务生态闭环，在车上实现预定餐厅、酒店等服务。 2015年底，百度无人车亮相乌镇世界互联网大会。那一年，习大大视察“互联网之光”博览会，原本计划在百度展台停留3分钟，结果听了李彦宏的汇报后，足足站了8分钟。习大大当场表示，中国一定要搞自动驾驶，需要百度这样的公司来牵头。 在这之后，无人车项目终于出头，从百度IDL的实验探索项目，变成了百度总监会上的主要议题。 不过，余凯没赶上这份荣光，他早在2015年5月离职创业地平线了。所以，当百度无人车团队终于苦尽甘来，真正让车跑起来的时候，他早已不在现场。 后来吴恩达曾短暂接手无人车项目，围绕无人车、语音和研究院的三大体系更新了百度美国研究所的团队。但他远在美国，只能远程指挥。这种状态维持了几个月。2015年下半年，百度无人车项目迎来关键人物——王劲。  （王劲） 王劲于2010年加入百度，是百度的资深高管。他曾一手掌控TG一一拥有5000名员工，同时执掌凤巢——百度的核心广告变现部门，在公司内部拥有极强的话语权。然而，后来因某些原因，王劲被调离凤巢，TG的管理权也被收回。 彼时，IDL（深度学习实验室）恰好在王劲的管理架构之下，余凯在离开前也一直向他汇报工作。于是，无人车项目顺理成章地成为王劲手中的“第三张牌”。  关于汇报关系，这里需要补充说明一下：余凯此前直接向李彦宏汇报工作，但由于经常需要出差，频繁的差旅费审批等琐事让李彦宏感到繁琐，不愿再过问这些细节，因此，余凯的汇报对象改为王劲。  从王劲开始，百度无人车进入了一个既充满高光，又极具动荡的时期。王劲自己，也成了百度自动驾驶史上颇具争议的一人。 ### 02 王劲时代：高光与混乱 2015年底，王劲将自动驾驶团队从IDL中独立出来，正式成立了百度自动驾驶事业部（ADU），并迅速扩充团队规模。 彼时，王劲对其规划：开发出完全不需要驾驶员的无人车，用于街头载客——这正是如今的Robotaxi无人出租车模式的雏形。他对外宣布，将在3年内实现自动驾驶汽车的商用化，5年内实现量产，10年内彻底改变人们的出行方式。  王劲亲自挂帅，担任总经理，李震宇和林元庆担任副总经理，吴恩达则出任首席科学家。 紧接着，王劲将体系内其他部门的人（含总监），包括大数据部、系统部、搜索部和测试部等，都划归ADU，还从谷歌、Waymo、微软挖来了不少人，ADU团队规模迅速扩充至约300人。 此前，无人车团队规模较小，仅约三十人，期间还流失了十来人。经过此次整合与扩充，无人车团队的总监人数上升至十多人，这便是百度历史上罕有的“十总监”局面。作为对比，当时百度全公司也仅有两百左右总监。 目前已知的部分总监和分工是： 2016年上半年，李震宇在国内负责百度自动驾驶事业部的筹建及初期运营工作。林元庆（国内）负责感知系统，与在美国的韩旭搭档。王京傲（在美）负责百度自动驾驶开源平台、彭军（在美）负责操作系统、鲍君威（在美）负责硬件系统、楼天城（在美）负责路径规划与控制系统、孙勇义（国内）负责仿真系统、陶吉（国内）作为技术总监，负责整体技术迭代和系统集成、潘思宁（国内）则负责百度无人驾驶产品管理和用户界面交互。  （李震宇、林元庆、韩旭、王京傲、彭军、鲍君威、楼天城、孙勇义、陶吉、潘思宁） 实际上，在那个时期加入百度自动驾驶团队的人，如今大多已成为自动驾驶行业的知名人物。这在一定程度上反映了王劲在人才选拔和团队组建方面的能力。他能够识别并吸引到那些具有潜力的专家和工程师，将他们汇聚在一起，共同为自动驾驶技术的研发和应用而努力。 然而，问题也逐渐浮现。 王劲引入的300人中，并非全部集中在国内，而是有一部分被安排在美国。 这样的布局在当时是合理的，毕竟美国在自动驾驶技术的研发和创新方面一直处于领先地位，汇聚了全球顶尖的科研资源和人才。而且一开始就挖人回国，难度太大。 但随着时间的推移，美国团队希望按自己的节奏走，中国团队也希望按自己的打法来，甚至跨时区、跨交规、跨车型（中国先用了宝马，后用了奇瑞，再后来用了北汽，下文展开，美国用了林肯）等种种因素，硬生生把代码库劈成两半。两边各自为政，等到后来想重新拼起来，几乎是不可能了。 当时王劲喊出‘one team, one dream’的口号，试图用规模化、集团化的军事作战模式来整合团队。 但这套模式反而让效率问题雪上加霜——前面的人提交bug，数据上传，后面的人审核，层层审批，跨部门协作全靠邮件沟通和走流程，以前一天能搞定的事，现在至少得拖一个月。 再后来，中国团队觉得自己不是亲儿子，美国团队也觉得自己不是亲儿子。 对着国内团队而言，他们认为自己是创始团队，从0到1都是他们一手搞起来的，想按自己的路子走。美国团队来了之后，觉得国内代码写得糙，工程能力不行。毕竟美国团队大多是从Google挖来的，代码写作更规范，受过Google的工程化训练，觉得自己才是“嫡系”。 多年后有人开玩笑，张天雷后来出去创业，公司叫“主线科技”，就是想说“你们都别争了，我才是主线。” 当时一片混沌中，也曾有人提议参考腾讯阿里的赛马机制，或者按市场、按模块分工，或者美国团队搞前瞻性研发，中国团队专注工程化应用。但新旧理念和团队文化碰撞，不是那么容易重塑的。 当时，团队内部的氛围也受到了一定影响。 有一次，几位同事一同乘坐电梯，其中一人突然问道：“咱们的无人驾驶项目会不会失败？”话音刚落，便有人调侃道：“如果我们的自动驾驶项目失败了，那我们就得请吴韧老师（时任百度IDL杰出科学家）来当我们的司机了，这不就成‘吴韧（无人）驾驶’了。” 2016年底，ADU（百度自动驾驶事业部）经历了一场大规模的离职潮，总监级别的人几乎全部离开。（这一现象并非单一因素导致，而是多种内外部因素交织的结果，下文将逐一展开分析） 至于百度与宝马合作出现裂痕的原因，实际上，双方的合作由来已久，本不应轻易断裂。然而，一次关键的合作会议却成为转折点。 宝马方面极为重视此次会议，从全球研究负责人、亚洲研究负责人到宝马中国负责人，再到相关部门的高管，几乎全员出动。反观百度，彼时自动驾驶事业部（ADU）刚刚成立不久，王劲主导会议，李震宇负责商务对接，再加上两名技术专家。 在会议室内，宝马一方坐了十几个人，百度一方坐了三四个人。无论是在人数还是职级上，双方都显得极不匹配。 在会议上，宝马方面提出了一个要求：希望百度能够共享一部分知识产权或技术框架。他们表示，如果百度能够满足这一要求，宝马将提供更多支持，开放更多车型，包括电动车辆，并共享底层通信协议。 这一要求本身并非不可接受，宝马也没有具体说明需要共享哪些技术细节。无论是神经网络的核心代码，还是百度自研的深度学习框架PaddlePaddle，这些都可以在双方进一步沟通的基础上进行讨论。 然而，在宝马面前，王劲表现得极为强势。 双方对谁是核心技术方、谁是主导方的认知存在巨大差异。王劲坚信未来无人驾驶技术的主导权必然掌握在百度手中，而宝马的想法显然不同。 会议中途，宝马全球研发总裁在他的笔记本上画了一个大大的“STOP”，示意宝马这边的人。 最终，合作协议到期后，之前用于合作的宝马车被拆除了自动驾驶设备，恢复原状后归还给了宝马。 多年后据知情人士复盘这段经历，他们意识到，合作谈崩的原因并非哪一方不够诚意，而是百度内部存在一些派系问题。王劲认为与宝马的合作并非他一手建立，他更倾向于重新寻找自己合作车企。 后来，王劲重新谈了和奇瑞的合作。 据知情人士透露，当时奇瑞董事长尹同跃在与王劲的会面中表现得相当谦逊。毕竟，对于自动驾驶这一新兴技术，奇瑞还处于学习阶段，需要借助百度的技术实力来推动自身发展。 双方很快确定了合作的首款车型——奇瑞艾瑞泽5。 然而，那些曾经在宝马车上进行过测试的工程师们，在换到奇瑞车后，第一感觉就是这辆车的线控系统质量不佳。适配和改装耗费了大量时间，但最终效果仍不尽如人意。 后来，合作车型更换为奇瑞EQ1。这款车轻巧且小巧，当30多斤的感知设备安装在车顶时，行驶稳定性极差。安全员甚至反馈说，这车在转弯时轻飘飘的，一旦车速稍快，可能就翻了。更明显的是，关上宝马车门时，那是一声沉稳有力的“砰”，而关上奇瑞EQ1的车门，稍微用点力，车门就会弹开。 当时也快到2016年底，乌镇世界互联网大会即将开幕，王劲觉得，百度有了上次的亮相后，这次自然更不能缺席。 他提到，过去百度只是将一辆无人车作为静态展示品摆放在展厅，为何不借此机会让多台无人车真正跑起来，在乌镇园区接送嘉宾，展示百度自动驾驶技术的真正实力？ 然而，这一想法的难度系数无疑大幅提高。 彼时，ADU内部正处于权力重组的敏感时期，没有人愿意接手这个充满挑战且稍有差池就会引发负面关注的项目。 彼时，王劲的副手李震宇即将轮岗至百度AI体系，在离开前，他推荐了陶吉来负责这一艰巨任务。 陶吉接下了乌镇项目，带领百余人团队驻扎乌镇，两个月的时间硬是啃下了这块硬骨头。 任务的难点在于必须确保万无一失的稳定性——任何一次故障都可能给这些重量级嘉宾留下不良印象，进而影响百度在行业内的声誉。为了保险起见，车上依然配备了安全员，但这些安全员基本全程双手放在膝盖上，没有触碰过方向盘，真正将车辆的控制权交给了自动驾驶系统。 终于，在乌镇的3天运营中，18辆百度无人车顺利接待了300多位国内外重要嘉宾，任务圆满完成。  当时参与乌镇项目的百度员工中，有邬学斌（现奇瑞）、狄迪、王亮（现百度）、曾文达（现新石器）、朱磊（现白犀牛）、毛继明（现极佳科技）、刘盛翔（现无问智行）、孙浩文（后来与陶吉共同创立千挂科技）等。如今，他们早已成为自动驾驶行业的中流砥柱，各自在不同领域引领着技术的突破与发展。同时，乌镇也逐渐崛起为智能网联汽车领域的重要示范地，或许正是百度当年的两次展示，悄然撒下了火种。 随着乌镇活动的顺利推进，无人驾驶项目在资本圈内迅速引发了广泛关注，成为热门话题。许多投资人跑到百度楼下，鼓励团队成员出来创业。在这一热潮的推动下，短短几年间，无人驾驶领域出了一批又一批的创业公司。 据不完全梳理有，这些公司包括：DeepMap（2016年4月，吴夏青）、Momenta（2016年7月，孙刚）、普思英察（2016年8月，刘少山）、图达通（2016年11月，鲍君威、李义民）、小马智行（2016年12月，彭军、楼天城）、领骏科技（2016年12月，杨文利）、主线科技（2017年3月，张天雷、李博）、景驰科技，后更名文远知行（2017年4月，王劲、韩旭）、Roadstar（2017年5月，佟显乔、衡量、周光）、禾多科技（2017年6月，倪凯），等等。 然而，投资人制造的这种浮躁风气在百度内部愈演愈烈，除了总监级别外，一些低级别员工也受到感染，萌生去意。加上百度中美团队的持续分歧，许多人变得无心做事。期间，百度曾发起过一系列整风行动。 ### 03 陆奇时代：统一与开放 直到2017年3月，陆奇空降百度。 陆奇（时任总裁兼首席运营官）一到任，便迅速提出‘All in AI’战略，大刀阔斧地组建了百度智能驾驶事业群组（IDG）。他将L4（王劲团队）、L3（顾维灏团队）和车联网团队（徐勇明团队）整合在一起，并推出了具有里程碑意义的Apollo开源计划。这次调整，王劲从百度离职。后续，雷峰网将推出百度车联网事业部的故事，欢迎了解此事的同道添加作者吴彤微信交流（微信号:lI__O0o） 据知情人士分析，对于开源，陆奇考虑很多：  当时自动驾驶行业正处于投资热潮的顶峰，百度的员工只要拿着简历就能轻松融资，陆奇希望通过开源来打击这种现象。  陆奇发现百度内部存在众多小平台，像一盘散沙。他提出将这些小平台集中起来，但很快意识到，集中后可能会出现某方需求得不到满足，解决方法就是做成开源平台。 最后，陆奇意识到自动驾驶是一场长期战，他希望借鉴安卓的成功路径，吸引车企、供应商和开发者共同构建一个开放的生态体系。  当时，陆奇明确表示：百度不做硬件，不造车，只做技术赋能者。然而，这也意味着他主导的开放生态模式推翻了王劲主导的全栈自研模式。但最终，这一模式并未完全走通。Apollo开源后，并没有吸引到太多第三方的实质性贡献，基本还是百度在单打独斗。开源也未能带来类似安卓那样的商业价值，车企并不愿意贡献数据。到了2024年，清华AIR（清华人工智能研究院）甚至有意接手Apollo的整个项目。这都是后话了。 在分工上，中国团队承担了自动驾驶技术的核心迭代任务，因为他们更贴近实际的业务场景和道路环境，美国团队则专注于“阿波罗”开源平台的开发与维护。 在用人方面，李震宇当时正在百度AI体系内轮岗，被陆奇召回，全面负责自动驾驶事业部的产品和技术研发工作。与此同时，百度无人车项目的创始成员陶吉被提拔为百度自动驾驶部门（L4）的技术总监。 李震宇和陶吉早已熟识，而且乌镇项目更是看出李震宇对陶吉的信任。如今，陶吉担任长安汽车的智能驾驶负责人，李震宇也成为了长安独立董事。  （陆奇、李震宇） 在陆奇执掌IDG时期，最重要的工作是主导百度向上游（Tier1厂商）和下游（整车厂）构建了一个产业联盟，其策略与后来华为的打法不谋而合。 上游有大陆集团、博世集团、德赛西威、理工雷科、联合汽车电子、航盛电子、博泰电子等顶尖Tier1厂商；下游则有一汽、广汽、东风汽车、长安汽车、福特、戴姆勒、长城、奇瑞、江淮、北京汽车、北汽新能源、蔚来、车和家、金龙客车、福田汽车、一汽解放、威马等众多知名车企，以及后来的合资公司集度（后更名为极越）。 百度在2017年就开始布局这些合作，比行业内的许多玩家都要早。 据曾参与于此的百度前员工告诉雷峰网，陆奇本人在这一过程中发挥了关键作用，他凭借在微软积累的To B业务经验和思维模式，给百度攒下了很多先发优势。如果当时百度在推广和执行上更加热闹一些，其在自动驾驶领域的影响力可能会更加深远，甚至可能彻底改写行业竞争格局。 不过，陆奇重心放在IDG的时间并不长。2017年8月，李震宇从陆奇手中接过了IDG总经理的职位。这年年底，百度接到了一个任务——上春晚。 ### 04 李震宇时代：初试商业化 陶吉因为有乌镇的成功经验，春晚项目成了不二之选。 当时，港珠澳大桥刚刚建成，尚未通车，央视决定在珠海设春晚分会场，并在桥上展开“海陆空三界无人战队”表演。陶吉带领百度团队从1月中旬起奔赴大桥进行彩排，由于白天施工，只能夜间排练，团队戏称过着“美国时间”。 改装无人车不难，但要为春晚呈现喜庆且富有创意的节目效果，才是真正的技术挑战。最终，团队将直行方案改为“走8字”，即让无人车在两条车道上交叉前进形成“8”字轨迹。可以说，这是对无人车精确控制的极限挑战，因为在春晚的拍摄中，俯视、平视等各种视角都有，要保证无人车队间距均匀、转幅一致，整体造型美观。  陶吉作为总负责人，在珠海待了大半个月，每天在桥上调试排练。他原以为当时的珠海会暖和些，结果桥上海风凛冽，左右无遮挡，团队裹着军大衣都快被吹成冰雕。人虽然扛住了，但机器却不行——大风、低温，加上车内大量钢铁结构让电磁环境变得异常复杂。 最终，在连续熬了几十个夜、吃了几十顿盒饭，顶着大风和暴雨后，这个方案终于圆满完成。 春晚当晚，海陆空战队在绚丽灯光和节奏音乐的配合下，赢得满堂彩，成为家喻户晓的话题。当时百度内部员工调侃道，“无人车上春晚的轰动效应，不亚于之前李彦宏上五环吃罚单。” 更为关键的是，当时国家刚刚成立了四大人工智能国家平台，其中自动驾驶平台花落百度。春晚之后，百度在“国家队”中的地位愈发稳固。此外，就在春晚前一个月，陆奇还在美国CES（国际消费类电子产品展览会）上展示了百度的阿波罗自动驾驶平台，将百度的展示舞台从中国乌镇带到了美国拉斯维加斯。彼时，这几场活动一场接着一场，让百度自动驾驶声名和百度股价在很长一段时间里都居高不下。  从那时起，外界对百度无人车上路的期待值被拉得极高，百度也逐步明确了量产路径。 从技术上说，这自然意味着需要开辟新的测试区域。 最初，测试主要在北京的几个地点展开。亦庄主城区是其中之一，这里车辆和行人较少，测试环境相对理想。此外，介于五环和六环之间的海淀稻香湖附近路段，也是重要的测试基地。这条大约20公里的开放道路，位于百度科技园西北方向，紧邻驾校，具备多种测试场景，包括城市道路、乡村道路、环岛、隧道、公共汽车站、雨区道路、雾区道路、学校区域、湿滑路面和夜间行驶等。 有趣的是，最初测试车辆的表现甚至不如驾校学员的车。但几个月后，测试车辆的性能逐渐提升，最终超过了驾校学员的驾驶水平。如今，亦庄和稻香湖周边道路都已成为第一批开放的智能网联示范道路。 不过从成本上看，当时这些车距离民用还相去甚远。 车顶那台Velodyne的64线激光雷达（看起来像银色花盆）就价值60万元人民币，再加上摄像头、毫米波雷达、车载计算机等设备，一辆无人驾驶车的成本飙升至100万到150万元。 因此，陶吉当时在百度负责推动一件事：将这套软硬件一体化的方案带到主机厂，与车厂合作，将作坊式的“后改装”模式直接搬到现代化的流水线上，迈向“前装量产”。这不仅涉及零部件与原车的深度结合，还包括产线改造、工人培训、质检自动化工具等一系列复杂问题，每一项都需要与主机厂反复磨合。 陶吉首先想到与小鹏汽车合作。小鹏方面表现出浓厚兴趣，但最终合作未能达成，原因之一是小鹏当时更专注于打造面向消费者的乘用车，而非Robotaxi。 很快，百度的商务团队联系到了一汽。百度与一汽的合作堪称“天作之合”：百度是自动驾驶领域的“国家队”，一汽红旗则是中国汽车工业的“国家队”。  （百度与红旗联合研发的红旗EV Robotaxi） 当时，百度招募了许多熟悉汽车产线的专业人才，还对合作款车型的外观提出优化建议。 例如，百度计划在车上安装大量传感器，尤其是车头下方的雷达。然而，这些雷达可能会挡住原车的进气口，进而影响散热效果。这需要红旗方面重新开模，并重新测算空气流动方向，以优化车辆的热管理性能。同时，所有新增传感器的走线都必须预先设计好，所有孔位必须在白车身阶段完成，再送往涂装车间进行电泳和涂装。这是因为以往的后改装方式中，现场打孔容易导致锈蚀问题。 在此基础上，百度不断引入新的设计巧思。比如，在车顶一排小摄像头前加装了一套喷水气刀装置，因为这些摄像头常常会被雨水或泥污弄脏。 2018年底，首批前装量产的自动驾驶车辆正式下线，仅用了7到8个月的时间，且成本已经大幅降低至五六十万元。2019年9月，三四十辆无人驾驶出租车率先驶上长沙街头，开启了商业化运营的序幕。 实际上，在正式运营之前，百度下了很大的功夫。 运营的复杂性远超技术开发，它不仅包括车辆的集中运维、OTA集中升级、充电管理，更涉及实际运营中不断涌现的新问题。比如，哪些路段适合无人车行驶？如果某些路段无法识别怎么办？如何管理路网？如何快速将施工路段标记为禁行区，确保车辆只走安全的路线？用户如何通过APP叫车？在哪些站点上车？如果用户手机定位不准确怎么办？如果想在全国范围内运营，拓展到新的城市，开城的标准又是什么？ 当时，百度也曾前往美国“取经”。 当时Waymo还处于测试阶段，并未正式运营载客，他们就在凤凰城的路边观察Waymo车辆的行驶路线、停车方式、出库和入库流程。由于美国道路上行人较少，他们一连多日在路口徘徊，结果被人报警，引来了美国警察的过问。 从美国回来后，这群人迅速结合中国道路的实际情况，推进运营落地。百度很快在长沙、河北沧州、北京亦庄、广州黄埔、重庆永川等多个城市铺开运营版图。 从量产角度看，百度与红旗合作的Robotaxi在中国处于领先地位，也曾吸引其他公司的关注。一个例子是，一汽曾投资小马智行，后者向一汽索要一辆Robotaxi用于拆解分析，但最终发现百度的Robotaxi技术难以复制，小马智行作为创业公司，资源有限，只能专注于最紧急的事务。 ### 05 王云鹏时代：技术与盈利的平衡术 2019年，百度在长沙落地的项目不仅包括无人驾驶出租车，还有车路协同项目。 简而言之，自动驾驶车辆要实现高效运行，仅靠车辆本身的智能是不够的，道路也必须变得更加智能。这意味着要在道路上安装各种传感器和通信设备，从而使车辆能够提前获取路况信息，例如红绿灯的变化时间、前方道路施工情况，以及是否有行人突然横穿马路等。 百度为何会承担这一项目？这背后有着一段渊源。 早在2015年，百度还在小规模开展自动驾驶研发时，一个国家级重大项目《5G支持ICT融合自动驾驶的关键技术》正式立项。该项目由通信领域的巨头牵头，包括中国电信、中兴通讯、信通院和北邮等，百度也参与了进去，陶吉也因机缘巧合成为了项目负责人。 在接到这一项目之后，百度就尝试提高路侧感知，同时联合Apollo生态中的道路基础设施商、交通管理部门一起测试。但初步结论是：技术上是可行的，但在短期内难以找到明确的商业化方向。 如果要实现路侧感知与L4级自动驾驶车辆的协同，就需要在路边安装传感器、优化算法，并进行规模化部署。但如此大规模的投入之后，如何解决商业化问题？车路协同究竟是通过运营收费，还是像红绿灯一样作为基础设施由政府投资建设？如果不进行规模化部署，协同效果就会大打折扣。 不过很快事情走向就有了变化。 2018年下半年，公路交通研究院也搞了一个类似的项目。以及当时阿里也宣布进军车路协同，以王刚带领的达摩院开始对外宣传。紧接着，国家的新基建战略也出台了，明确提出要让地方政府搞智能交通示范区，还专门拨了财政预算支持。有了国家的号召，芯片、传感器、通信设备、高精度地图、数据管理这些相关领域的企业，都开始摩拳擦掌，从自己的强项出发，纷纷切入这个赛道。 于是，智能交通的浪潮就这么被掀起来了。 长沙政府当然也不想错过这波机会，表态要和百度一起，打造“自动驾驶与车路协同创新示范城市”，先把30个路口改造成车路协同路口。如此一来，长沙反而成了百度智能驾驶事业群组（IDG）成立以来接到的第一个大单。这一合作带来的示范效应非常明显，长沙在全国智能网联城市排名中，从不知名的位置一下子冲到了第二，紧随北京之后。  （2018年10月） 2019年11月，百度IDG进行了一次重大组织架构调整：L3事业部的技术部分并入L4，车路协同业务升级为智能交通业务部。 随后的2020年和2021年，百度的车路协同业务迎来了爆发式增长。当时，全国各地的示范区项目如雨后春笋般涌现，市场规模接近100亿。百度凭借先发优势，第一年就做到了4亿元的收入规模，第二年更是直接飙升到18亿元，一举冲进行业前3。 不过，2021年，陶吉已经在考虑创业的事情。接替他的是时任百度副总裁的尚国斌。2022年5月，百度地图从CTO王海峰旗下转入IDG智能交通事业部，百度地图总经理季永志也转向尚国斌汇报。 尚国兵是战略出身，需要一个懂产品研发的人来辅助，便把刘常康（此前宇视科技研发总裁）调了过来。加上百度IDG商务一把手吴书林，彼时形成了尚、刘、吴三人合作的模式。至于三人合作是否顺畅，据知情人士透露，是否定的。 与此同时，各地对智慧交通项目的财政拨款减少，几个原因综合下来，百度车路协同在2022年的收入大幅减少。后来，百度智能交通业务部市场收缩，直到2023年6月被划到百度云。 2023年，大模型技术的爆发让百度的资源天平开始倾斜，研发费用涌入大模型领域，这也引发了外界对“百度是否放弃自动驾驶”的讨论。而此时，百度IDG的故事已围绕王云鹏展开。  （王云鹏） 2023年11月，王云鹏接任李震宇成为百度智能驾驶事业群组（IDG）负责人，向李彦宏汇报。 王云鹏的故事可以简单追溯一下。在王劲时代，王云鹏是负责工程效率的中层管理。2015年底王劲计划自动驾驶事业部（ADU）成立时，王云鹏负责撰写商业计划书（BP）。“有点像王劲的御用写手一一王云鹏既是王劲的业务助理，也是项目管理办公室PMO的角色。”BP经过几轮迭代后，ADU成立了。但王劲觉得王云鹏的背景主要是工程效率，而不是那种技术光环很强的高管，于是将他调离了核心岗位。 直到2017年李震宇正式接手IDG总经理后，王云鹏回归。 然而，当王云鹏接手百度IDG时，他所面临的局面比任何一位前任都要严峻。摆在他面前的有两个核心任务：一是保持技术优势，二是实现IDG盈利。 事实上，百度在自动驾驶领域的领先地位，是靠每年上百亿的投入换来的。自2015年成立ADU以来，百度的研发投入持续攀升，每年不低于100亿元，10年来总投入已超过1500亿元。甚至在2021年到2023年，连续3年研发投入都超过200亿元。 不赚钱的IDG就像一个无底洞，百度显然早已察觉。 2021年，百度发布一季报后，李彦宏公布了自动驾驶的三条商业路径：一是为汽车制造商提供技术方案；二是百度自己造车；三是运营Robotaxi“萝卜快跑”。 然而，第一条路径上，百度面临华为的竞争，主机厂也不愿被单一供应商“代工”。曾选择百度Apollo的威马在2023年破产，让百度新势力商业路径受阻。第二条路径中，百度造车的集度（后改名极越）在2024年解散。第三条路径上，萝卜快跑的对上不只有滴滴、T3出行、曹操出行等传统传统网约车巨头，还有特斯拉、Waymo、小马智行和文远知行等科技少壮，能否突围还需时间检验。 这一时期，平衡技术和商业，更考验王云鹏这位掌舵者的能力。 据接近王云鹏的人士称，王云鹏的优势是管理能力很强，能把业务梳理得井井有条，也有魄力。如果公司定了目标，比如要完成多少单、要营收、要什么时候转正、毛利要转正，这些就会变成他追求的强目标。他更多的是因为出身于工程效率测试领域，更注重安全稳定和关键绩效指标的达成，非常目标驱动。 不过问题是：在这个阶段，百度更重要的究竟是探索技术天花板，还是追求商业盈利？ 在面向C端的无人车出租车领域，百度和谷歌是唯二持续在这一领域深耕的大公司，如果这条路能走通，百度多年的投入可能会换来更大的回报。然而，这个逻辑本身是否成立仍是一个问题。尤其是华为等其他公司在辅助驾驶领域的盈利已经很高，这是否算作百度错判了市场。 从现有结果看，王云鹏的业绩尚佳。 在他的任期内，百度无人车实现了全无人运营。以前驾驶位需要坐人，现在在武汉和亦庄等地，驾驶位已经可以空出来，车辆自己运行。这背后涉及许多工程化工作，包括冗余风险运营等。 他还主导了商业化相关的工作，比如扩大车队规模、提高单量、降低成本以计算毛利等。关于第六代无人车的成本降低到25万，这也是王云鹏的一项重要业绩。更重要的是，第六代无人车是百度自己定义并找代工厂制造的。 2024年，百度的商业化曾在国内面临一些复杂路况和舆论压力。例如，在武汉的无人车运营曾一度引发关注，遭遇了一些抵制，尽管这些抵制并没有实质性影响。 但为了应对国内的复杂情况，百度也在海外布局。 根据协议，百度计划在迪拜市区部署超过1000台全无人驾驶汽车，并与阿联酋自动驾驶出行公司Autogo达成战略合作，共同在阿布扎比地区打造规模最大的无人车队。 此外，新加坡副总理王瑞杰近期到访百度Apollo Park，并试乘了萝卜快跑第六代无人驾驶汽车。他对百度的技术给予了高度评价，并表示欢迎萝卜快跑进入新加坡市场。这被视为百度无人驾驶技术拓展东南亚市场的重要信号。 显然，百度明显把商业化提上了日程。这背后，其实藏着一个很现实的问题：自动驾驶技术再牛，如果只闷头搞研发，不实际跑起来，那数据从哪儿来？没有海量的数据，技术优化、用户体验提升都无从谈起，长期研发也难以为继。百度显然意识到了这一点。 这也说明，自动驾驶行业到了一个十字路口，是继续按部就班地从低级别自动驾驶慢慢往上爬，还是直接冲向高级别自动驾驶，大家都在观望、试探。 百度走到今天这一步，是很多人一路接力跑出来的。当年，那些最早一头扎进自动驾驶里的人，满心都是要把这事儿干成。他们熬过无数个通宵，啃过无数个硬骨头，可后来，有的因为看不到短期内的回报，有的因为投资条件具备，有的因为团队内耗，离开了不少人。 不过，铁打的营盘，流水的兵，人来人往很正常。但只要百度IDG这个“营盘”还在，哪怕今天的人走了，明天总会有新的血液注入，只要方向对，机会永远都在。 这也是为什么，再度谈起和百度并肩过的日子，很多人会说：如果无人出租车彻底成功，百度就不算赶了晚集。 **本文作者吴彤致力于挖掘汽车领域的历史脉络与最新变革，欢迎同道添加微信交流（微信号:lI__O0o）**

20周年大改款，被提早3年拿出来讲故事，苹果焦虑了吗？

 《女神异闻录3 Reload》免费试玩版现已上架Steam、Xbox Series X|S、PS5|4，可免费游玩游戏的序章内容，并且支持存档继承至正式版。 

<blockquote><p>本篇文章以一个具体的用户画像为例，带你从实操视角分析品牌营销部门各个模块怎么落地才能合力打赢一场营销传播战役，最后有全流程实操。</p> </blockquote>  之前听钦文的访谈节目，有这样一段对话让我印象很深刻：人，一旦细化成各个标签，我们就束缚住了自己，这当然可以帮我们快速找到对应人群，但是也会让我们失去一部分机会。 这让我对品牌营销中的关键模块“用户画像”进行了比较深度的思考。最开始，我也是很相信用户画像的，但是随着实操的深入发现往往越精准的用户画像我们收获的越小，每次我们都觉得找对了用户、应该会爆，但结果就是不尽人意。 不仅如此，这个还会让团队内部陷入推诿风波。之前，我的营销策划同学出了一份看起来很合理、很精准的用户画像，可是到媒介同学手里一投放，就是拿不到想要的结果，最后策划、媒介互相扯皮、指责。 <blockquote><p>写这篇文章之前，我和朋友圈的品牌伙伴们做了一个37人的小调研。</p> <p>关于用户画像的必要性，我收到32份意思差不多的回答：觉得做精细的用户画像是逻辑正确的安全感工作，主要是能给批预算的老板安全感。至于用户画像的有效性，我收到29个比较明确的回答“没用”，有一个说甚至试过用户画像精细到用户几点爱干什么、浏览路径，结果预算上去了，但是转化却奇低。索性，他们在后来的工作中就按照自己的手感来做用户标签选择。这次调研，还有一个核心收集点：除了6家品牌反馈他们的用户画像有用户行为特征外，其余都是静态的标签式画像，几乎没人能说出动态行为决策干预体系。</p></blockquote> 我们绝大多数的用户画像都是用年龄、性别、收入、地域、工作类型、爱好等等来定义的静态标签式画像。这种描述性静态用户画像，在当今营销环境中忽视了动态决策行为的影响，且静态用户画像很容易给我们带来平均用户陷阱和用户连贯性误差。 *写到这里，我们先拉齐一个共识：用户画像绝不是简单的投放工具，而是消费决策促进体系，只有您也认为这样，才有读下去的必要。 **首先，在用户画像这个模块里，我们都太想知道我们服务的是哪一群人，而忽视了无数个产生瞬间决策的行为动机。** 同样是“25-35岁，女性，单身，一线城市，年入18-25万，喜欢追求质感“的美妆或者保健品用户画像，在不同场景下的购买决策逻辑完全不一样，所以内容结构和投放方式可能就会受到很大的影响。 比如，在高社会化参与的环境中（通勤路上、午休、同事八卦闲聊、姐妹下午茶），她们几乎决策更短，往往可能仅是因为捕捉到到地铁车厢里谁在用、同事谁在用，或者被领导气到想补偿自己等等等等理由，直接进行购买；但，在低社会化参与的晚上/周末在家的场景下，她们的价格、性能敏感度更高，更加对性价比有着较高的要求，甚至会搜平替来进行决策验证。 **其次，我们拿着这样的静态用户画像很容易掉进我们创造的一个可能并不存在的“平均用户陷阱”里来。** 比如，同样是“35-45岁，有小孩，一线城市，家庭收入50-80万的家庭，注重品牌价值和科技感“的一个家电用户画像，背后可能会因为年龄再细分而导致主要决策条件失衡，甚至由于这些家庭的关联家庭单位不同而导致决策的千差万别，你就不能用标签化的打法。 如果单纯从年龄上来看，大量的案例证明35-38岁的人群最影响决策的是科技、外观和价值感；40-45岁更关注售后、性能和长期性。另外，无论是家电还是汽车，这样一个画像人群背后的父母是否生活居住在一线城市、是否有退休金医疗保险、是否有储蓄，都会对最后的消费决策产生至关重要的影响。 **还有一点，传统用户画像的生成是建立在消费者行为一致性的假设上，也就是认为人是连贯的，一个追求高品质的人会在各个领域都追求高品质，形成具有迁移性的行为统一模式。但实际上，同一个人在不同场景下会激活完全不同的消费身份。** 比如，一个买戴森吹风机的用户，可能转身就会为了省20块打车钱而骑3块钱的共享单车回家。你想一下，身边是不是也有很多人背着正品LV，也在拼多多上抢特价纸巾的。 以上。我们对用户过度精细的标签刻画，非但不能提效，反而可能还会让营销期待落空、营销效果坍塌。我们对于精准确定的执念，恰恰正在系统性地摧毁转化的可能。 **那是不是，我们要做更复杂的用户画像才能解决这个问题？** 不是的。我们只需要在策划阶段就记住：我们的用户不是具体的“谁”，而是“在什么样的场景、什么样的状态下，需要什么”。 当然，有经验的操盘手第一轮，完全可以凭借市场嗅觉、投放触觉来进行测试型盲打，测试后通过真实的用户反馈来完善丰富用户行为特征和决策依据，然后追加资源进行精准狙击。但，前提是品牌回收的数据不能作假，一旦非自然数据提升手段进来，这条路基本堵死。 **接下来，我们来梳理一个实操案例：针对“30岁到35岁，女性，单身，月入20K+，一线城市”的画像推广一个产品，你怎么做？** 传统策划会认为这已经是一个比较成熟的用户画像。但我觉得具有创新意识的策划是能够把这部分人立体到“既会被情绪价值触动，但更为实用价值买单；周末会有独处时间，也愿意犒赏自己的都市人……” 这样我们的社媒内容和营销投流方案就会更具象化，不仅包含了谁在用，还兼顾了什么时候触达、以怎样的形式触达。 即使这样，营销过程中，我们也依然要用实时反馈代替预设路径的推演。特别是营销设计，我们在设计前期都会模拟用户的决策路径来放置产品信息。但实际上，很多用户并不会按照我们预设的来。目前，很多平台不仅能够捕捉用户的停留时间、还能捕捉到用户的停留位置，我们可以根据这个适当调整视觉展示方案，以将重要决策参考信息能够及时有效提供给用户。 品牌传播和新媒体运营的同学则不要再去猜想或假设用户喜欢什么，而是思考什么样的价值主张能够打动用户，让TA产生当下决策行为。场景化是基础，除此以外特别是在文案与视觉的结合输出素材上，要让用户从“现实自我”延展感受到“理想自我”。 媒介投放模块一定要摆脱一个bug：过于相信博主的粉丝画像。大量的投放实战告诉我，40%头部KOL的粉丝画像有问题，而90%的KOC粉丝画像更是不实。解决这个问题其实也不难，舒泽觉得就按照“假设”——“验证”——“调整”的路径来进行： 以策划梳理出的创新画像作为“假设”选项，设计可复用的假设验证机制，在第一轮投放中拿出30%的预算进行48小时快速测试投放。同时，建立测试数据反馈机制，及时更新调整，以便为第二轮50%预算的效果种草投放做好明确指引，提升预算利用效率。最后一轮根据更为精细的用户反馈、平台声量，做决策收割性内容投放。 *注：这是舒泽之前讲AB测试在媒介用户画像投放模块的一个延伸，第一个测试环节的投放效果偏差太大，则应该问责策划；第二个环节验证投放效果差则是媒介的工作策略失误，责任清晰、效果明显，是舒泽比较喜欢的环节管理办法。 其实，更为完整的用户介入体系，应该是以“流转”的眼光做品牌营销PUSH。  如图，是舒泽提出的“用户决策闭环动态种草流转体系”。在这个体系下可以根据“静态用户画像+立体人物行为+决策影响场景”做流转环节中的决策促进，为品牌转化提效。 主要策略就是：用“意图触发”的思路做内容，用“情景主导”的思路做投放，用“心理路长“的思路做决策引导，在这个过程中识别到目标用户的行为触发点，设计无缝切入点，构建渐进式行为推进锚定点。 以上。 我们并不需要去否定现有的用户画像系统，而是在这个基础上从了解用户是谁，到理解此刻用户在做什么，我们要用怎样的传播表达来让用户选择我们。 这种“以更好的营销策略去适配用户实际决策过程”的同频共振才是效率提升的关键，还是舒泽说过的那句话：品牌即效率，效率即生死。 本文由 @舒泽品牌手记 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

商业最终还是要回归到朴实的常识中——以技术创新为根基，以用户价值为核心。