胡润全球富豪榜今日出炉，数据显示，全球十亿美金企业家阵营再添163位新成员，总人数达到创纪录的3442位。在科技浪潮汹涌澎湃的当下，AI领域的发展依旧势如破竹，持续加速。英伟达作为人工智能GPU领域的霸主，其掌舵人黄仁勋凭借公司在该领域的绝对主导地位，财富实现了大幅增长，成功突破1000亿美元大关。 尽管他仅持有英伟达3%的股份，但英伟达在AI芯片市场的卓越表现，让黄仁勋的财富如火箭般飙升，成为全球财富舞台上的耀眼明星。 与此同时，AI领域也涌现出了新的财富标杆。来自杭州的DeepSeek创始人40岁的梁文锋，与OpenAI的39岁掌门人Sam Altman，分别以330亿元和130亿元人民币的财富首次跻身胡润全球富豪榜。 值得一提的是，梁文锋的财富比Sam Altman的两倍还多。此前，OpenAI对自身非盈利模式进行了大刀阔斧的改革重组。 从十亿美金企业家的财富来源来看，金融服务业以9.8%的占比位居榜首，成为孕育富豪的重要摇篮。紧随其后的是消费品行业，占比8.6%；医疗健康行业占比7.6%；零售和投资行业则各占7.2%。这些行业在全球经济中扮演着重要角色，为富豪们积累了巨额财富。  此外，对于未来中国首富的人选，胡润给出了五位极具竞争力的候选人。 小米集团创始人雷军，若能敏锐捕捉机器人科技浪潮带来的机遇，凭借其在科技领域的深厚积累和创新能力，有望问鼎中国首富宝座。 宁德时代掌门人曾毓群，如果新能源汽车赛道能够持续保持良好的发展态势，凭借其在动力电池领域的领先地位，也将是有力的竞争者。 梁文锋持有DeepSeek超80%的股份，若DeepSeek能够达到OpenAI如今的一万亿估值，他极有可能成为中国首富。 币安创始人赵长鹏，若虚拟货币市场持续活跃，凭借其在加密货币领域的巨大影响力，同样具备角逐中国首富的实力。 寒武纪创始人陈天石，若能持续抓住算力市场的发展机遇，凭借其在AI芯片领域的创新突破，也将是未来中国首富的有力候选人。 这五位候选人各自在不同领域展现出强大的实力和潜力，未来中国首富的归属充满了悬念与期待。  [查看评论](https://m.cnbeta.com.tw/comment/1488654.htm)

眼下，DeepSeek、OpenAI等国内外公司都在纷纷推出推理大模型。和基础模型不同的是，推理模型要先花时间对复杂问题进行“思考”，然后再给出答案。那么，AI真的能够像人类那样进行推理吗？对于一台计算机而言，思考意味着什么？这些系统真的正在朝着真正的智能发展吗？  DeepSeek R1推理模型 《纽约时报》周三发文，对AI模型的推理原理、它与早期模型的区别等问题进行了汇总解答。 **何为AI推理？** 推理仅仅意味着聊天机器人花费额外的时间解决问题。 “推理是指系统在问题提出后还要做额外的工作，”加州大学伯克利分校的计算机科学教授、AI创业公司Scaled Cognition首席技术官丹·克莱因(Dan Klein)表示。 在这一过程中，AI可能会将一个问题分解为一个个单独的步骤，或者尝试通过反复试验来解决它。以ChatGPT为例，最早版本会立即回答问题。新的推理系统在回答前则要花费几秒钟，甚至几分钟的时间来解决问题。 在某些情况下，AI推理系统会对问题的处理方法进行优化，反复尝试改进它选择的方法。其他时候，它可能会尝试几种不同的解决方法，然后选定其中之一。或者，它可能会回头检查几秒钟前做的某些工作，以确认是否正确。 总体来说，推理系统会尽一切努力回答你的问题。这有点像一名在解决数学问题时遇到困难的小学生，他会在纸上潦草地写上几种不同的解法。 **什么问题需要推理？** AI可能会对任何问题进行推理，但是在涉及数学、科学和计算机编程的问题时，推理的效果最佳。 推理模型与早期模型有何不同？你可以要求早期的聊天机器人向你展示它们是如何得出某个特定答案的，或者要求它们检查自己的工作，因为老版ChatGPT是利用互联网上的文本进行学习训练的，人们会在这些文本中展示自己是如何得出答案或者检查自己工作的，所以聊天机器人也能进行这种自我反思。  ChatGPT 但是，推理系统的能力则更为强大。它能够自行完成这类任务，无需他人指使。而且，它还能以更广泛、更复杂的方式完成这些任务。 企业之所以将它称之为推理系统，是因为它的运作方式感觉就像是一个人在思考棘手的问题。 **为什么AI推理现在变得重要了？** OpenAI等公司认为，这是改进其聊天机器人的最佳方式。 多年来，这些公司一直信奉一个简单的理念：喂给聊天机器人的互联网数据越多，它的的性能就越好。 但是到了2024年，它们几乎用尽了互联网上的所有文本数据。这意味着它们需要一种新的方法来改进聊天机器人。因此，它们开始构建推理系统。 **如何构建推理系统？** 去年，像OpenAI这样的公司开始大力依赖一种叫做强化学习的技术。 强化学习的过程可能持续数月之久。借助这一过程，AI系统可以通过大量反复试验学习行为。例如，在解决成千上万的数学问题后，它可以学会哪些方法能得到正确答案，哪些不能。 研究人员设计了一套复杂的反馈机制：当系统做对了某件事时，给它反馈；做错了时，告诉它哪里出错了。 “这有点像训练狗，”OpenAI研究员杰里·特沃雷克(Jerry Tworek)表示，“如果系统表现好，就奖励它一块饼干。如果表现不好，就说‘坏狗狗’(惩罚或提醒它)。” **强化学习管用吗？** 它在某些领域非常有效，比如数学、科学和计算机编程。在这些领域，企业能够清晰地定义好的行为和坏的行为。数学问题有明确的答案。 然而，强化学习在创意写作、哲学和伦理学等领域的表现不佳，因为在这些领域，好坏的标准往往更加难以确定。研究人员表示，即使是在回答数学和科学之外的问题时，这一过程也通常能改善AI系统的表现。 “它逐渐学会了哪些推理模式能引导它走向正确的方向，哪些不能。”AI创业公司Anthropic首席科学官贾里德·卡普兰(Jared Kaplan)表示。 强化学习和推理系统是一回事吗？ 不是。强化学习是企业用于构建推理系统的方法。它是最终能让聊天机器人具备推理能力的训练阶段。 **推理系统仍会犯错吗？** 当然会。聊天机器人的一切都是基于概率做出的。它在决策时会选择与其数据学习内容最相似的一条路径，不管这些数据是来自互联网还是通过强化学习生成的。有时它会选择一个错误或不合逻辑的选项。 **它能帮助机器达到人类智力水平吗？** AI专家对此看法不一。这些方法仍然相对较新，研究人员仍在努力理解它们的局限性。在AI领域，新的方法通常开始时进展很快，然后就会放慢速度。 [查看评论](https://m.cnbeta.com.tw/comment/1488652.htm)

3月27日，胡润研究院发布《2025胡润全球富豪榜》，这是胡润研究院连续第14年发布“全球富豪榜”。56岁的雷军是今年财富增长最快的企业家之一，他的财富增加了一倍多，达到2200亿元人民币，首次进入中国前十。  其他值得关注的中国企业家还包括宁德时代57岁的曾毓群，财富增长61%，至2700亿元；总部在北京的芯片制造商寒武纪40岁的陈天石，财富增长逾4倍，至870亿元；字节跳动数据中心基础服务供应商润泽科技65岁的周超男及其家族，财富增长逾1倍，至425亿元；总部在北京的泡泡玛特38岁的王宁及其家族，财富增长3倍，至505亿元。 字节跳动创始人42岁的张一鸣取代了71岁的“瓶装水大王”钟睒睒，成为中国首富；得益于字节跳动因AI业务的势头和前景带来的估值上涨，张一鸣的财富达到4350亿元人民币，增长了76%，即1900亿元。腾讯54岁的马化腾超过了拼多多的黄峥，以3200亿元人民币排名中国前三。 胡润百富董事长兼首席调研官胡润表示：“很多人关心未来的中国首富包括谁，我有五位候选人。雷军如果能抓住机器人科技浪潮，有望问鼎中国首富。如果新能源汽车赛道保持良好发展，曾毓群也是有力竞争者。梁文锋持有DeepSeek超80%的股份，如果DeepSeek达到OpenAI如今的一万亿估值，他有望成为中国首富。如果虚拟货币市场持续活跃，赵长鹏同样有实力角逐。寒武纪的陈天石如果能持续抓住算力市场，也将是未来中国首富的有力候选人。” [查看评论](https://m.cnbeta.com.tw/comment/1488650.htm)

3月27日，Google对Android闭源引发热议，对此Google已向Android Authority回应表示，其仍致力于公开发布Android的源代码，引发热议的调整并不意味着Android将转向闭源。 未来Google仍会持续公开新版本Android的完整源代码——例如今年晚些时候发布的Android 16系统，其源代码仍将按惯例公开。此外，Google也将继续公开Android Linux内核分支的源代码。由于该内核分支采用GPLv2协议（强制要求公开源代码），且独立于Android开源项目（AOSP），因此这一部分不会受此次调整影响。 从下周开始，所有Android系统的开发工作将集中于Google内部代码库中进行。对代码的修改将不再实时公开，而是仅在Google发布包含这些修改的新版本分支时统一对外发布。这种模式其实早已适用于Android系统大多数组件的开发流程——Google此次只是将分散的开发模式统一整合到单一代码分支中。  Google使用的基于网页的代码审查系统AOSP Gerrit的截图 需要重点关注的变化是：部分Android组件的公共源代码更新频率将降低。当前采用“AOSP优先”开发模式的组件（如构建系统、系统更新引擎、蓝牙协议栈、虚拟化框架和SELinux配置等），此前完全在公开仓库中开发。 而Android系统的核心框架等主要组件，本就主要在内部开发，尽管某些功能模块如“仅解锁设备可用的存储区域API”仍保留在AOSP公开开发。此次调整后，这些组件的公开源代码更新将统一遵循新版本发布的节奏，而非此前部分组件持续滚动更新的模式。 [查看评论](https://m.cnbeta.com.tw/comment/1488648.htm)

“世界上只有两个事情需要绝对保密，一个是政治，一个是犯罪。”亚特兰大dealer奥斯特李奇，正在用Signal给他的客户发送照片，这张照片非常简单——一棵树，树下的某个位置打了个箭头。箭头下的土里，是层层包裹的5克可卡因。  因为匿名聊天软件和加密货币的出现，犯罪正在变得前所未有的安全。 像奥斯特李奇这样的dealer正在变为主流，通常的做法是：找多个分散、偏僻且没有监控的地方，提前埋好毒品，拍下照片，接下来的2到4周，和客户的交易只需要用Signal发送照片即可。 而支付，则用加密货币USDT。 双方根本无需见面。  亚特兰大DEA分局一位匿名探员表示，现在的犯罪正在变得越来越难以追踪，Signal的端对端通信加密协议以及不保留数据的功能，让执法面临巨大挑战。 “你只要看到某棵树下有挖过的洞，那就一定埋过毒品。” “情况已经严重到，几乎每棵树下都有挖过的洞。” “Signal让问题变得越来越扩大化，现在他们开始埋军火了。没有人能想到小学后面的树林里埋着能装备一个特种突击排的武器，买卖双方连对方是谁都不需要知道。”  什么是Signal？帮派犯罪和美国官员都在用的应用程序 安全从来不是一个褒义词，不同的人谈论安全有不同的意义。 对于罪犯来说，他们的安全是所有人的威胁。 奥斯特李奇只是底层dealer，更大宗的毒品交易也在用Signal进行。 奥斯特李奇说到一个故事，他社区一个大佬，用Signal卖了150公斤可卡因。 这位大佬压根就没有亲手过货，他的上线也只是用Signal给他发了某座山里的坐标和图片，然后这位大佬安排人把150公斤毒品就地分装成5公斤的包裹，分开掩埋，再把新的坐标和图片发给其他州的买家。 全程Signal联系，加密货币支付，大佬连毒品的面都没见过就把它们给卖了。  “罪犯比政客更谨慎，从这一层面来说，他们不如聘请黑手党精英来管理国家。” 看了这两天美国高官用Signal办事捅出来的新闻，波特兰的技术犯罪大鳄“鸵鸟”表达了自己的蔑视。 “鸵鸟”是一名真正的犯罪先锋，推动了整个俄勒冈犯罪网络的通信变革，他把自己视为解放者，并认为通过加密通信网络和虚拟货币进行个人活动，是渺小个体对庞大系统的有力反抗。 这位犯罪界的普罗米修斯为各个帮派提供技术咨询，还有普及犯罪哲学，他正在被13个州通缉。 [查看评论](https://m.cnbeta.com.tw/comment/1488642.htm)

美东时间周三，美国总统特朗普宣布了将对“所有非美国制造的汽车”征收25%的关税，引发全球汽车界轰动。不过值得注意的是，这一消息虽然导致福特、通用等美国汽车巨头股价下挫，但特朗普亲密盟友马斯克的特斯拉公司股价却在盘后上涨。 [](https://n.sinaimg.cn/spider20250322/241/w1104h737/20250322/8cd1-f0a773a51451883dec0d7be8acb4e022.png) 有分析指出，特斯拉受到关税的影响会远小于多数竞争对手，因为特斯拉在美国销售的汽车全部由加州和得州的工厂组装。 这也让不少人猜疑，特朗普对海外汽车加征关税的想法，是否受到了马斯克的影响？ 对此，特朗普特别对记者强调，在作出汽车关税决定期间，马斯克并没有介入此事，“因为他可能会存在利益冲突。” 当被记者问及新关税对马斯克的特斯拉公司是否有利时，特朗普表示，其影响可能是“中性的，也可能是好的”。 他还表示，特斯拉在德克萨斯州奥斯汀和加利福尼亚州弗里蒙特都有整车装配厂，这就说明，对于“任何在美国有工厂的人来说——这些关税都是好事。” **马斯克矛盾的身份** 马斯克作为特朗普的高级顾问，领导着美国政府效率部（DOGE）；但同时，他也并没有放弃他管理的众多商业公司，如SpaceX和特斯拉等。这使得他在公共事务和个人商业之间的两重身份有时会产生冲突。而此次汽车关税所引发的外界质疑，正是这种身份冲突的体现。 尽管在周三，特朗普特别强调称，马斯克从未“在商业上向我求过任何帮助”。不过，特朗普这话可能并不一定能说服所有人。 就在本月早些时候，特朗普还曾亲自为特斯拉汽车“带货”：他把白宫南草坪上公开购买了一辆特斯拉Model S，并大赞特斯拉汽车的设计和外形，号召人们购买。 几天后，美国商务部长霍华德·卢特尼克（Howard Lutnick）在接受新闻采访时，甚至直接敦促美国公众“购买特斯拉”的股票。 **特斯拉并非不受关税冲击** 事实上，特斯拉并非完全不受关税困扰，因为其在美生产汽车所用的汽车零部件也有部分来自海外。 最近，特斯拉在给美国贸易代表的一封信中写道，“即使在美国国内积极实现供应链本地化”，“某些零部件也很难或不可能在美国国内采购。”该公司敦促美国贸易代表办公室“考虑为解决不公平贸易行为而采取的某些拟议行动的下游影响”。 据透露，特斯拉通常从墨西哥、加拿大和中国的供应商那里购买汽车前大灯、汽车玻璃、刹车、车身面板、悬挂部件和用于各种汽车电气系统的印刷电路板。 [查看评论](https://m.cnbeta.com.tw/comment/1488640.htm)

据知情人士透露，苹果将任命一位全球门店主管，此举意在精简由高管Deirdre O 'Brien领导的零售部门的管理。知情人士称，苹果将提拔Vanessa Trigub担任全球商店和零售业务副总裁。据悉，Vanessa Trigub之前负责美洲西部地区的门店管理，并同时处理零售运营事务。现在，她将监督欧洲与中东、亚太地区以及美洲东部地区的零售主管。 此次晋升及新的汇报架构赋予Vanessa Trigub更多职责，并简化了零售组织架构。Deirdre O 'Brien仍负责整体管理零售部门，而此次调整将减少她的直接下属数量。此前，她需要直接管理各个地区的零售主管，而现在，她只需管理Vanessa Trigub以及负责零售房地产、营销和在线销售的副总裁。此外，Deirdre O 'Brien仍在重组人力资源部门，前首席人事官Carol Surface在该职位上任职不到两年便离职。 苹果零售网络在全球约有535家门店。自2019年Deirdre O 'Brien上任以来，苹果零售网络的领导层一直相当稳定。苹果的知情人士认为，该公司可能正在培养Vanessa Trigub作为Deirdre O 'Brien的潜在继任者。Deirdre O 'Brien在苹果已工作超过30年，而近年来，随着多位高管接近退休年龄，苹果内部也在加紧讨论接班计划。 这是苹果近几天来第二次引人注目的管理层变动。上周，该公司首席执行官库克对AI部门负责人John Giannandrea失去信心，转而任命Vision Pro负责人Mike Rockwell接管Siri语音助手业务。此次调整凸显苹果在AI领域落后于行业对手的紧迫感，并试图通过重组技术团队扭转局面。  [查看评论](https://m.cnbeta.com.tw/comment/1488638.htm)

 发行商 Selecta Play 宣布，《泡泡幽灵 REMAKE》——基于 90 年代经典作品《泡泡幽灵》全手绘完全重制版，于 今日（3月27日）正式发售，登陆 PC（Steam），Nintendo Switch，PlayStation 5以及Epic Games Store，并同步发布全新发售宣传视频！ 本作对 90 年代的经典游戏进行了完整重制，精细调整原版 36 个关卡，以全手绘艺术风格焕然一新，为玩家带来别具一格的经典重现。  在英格兰北部的一座古老城堡，著名发明家海因里希·冯·辛克的灵魂因为某种机缘巧合化成幽灵重返人间。 与他的灵魂一起回来的还有一颗神秘的气泡，面对自己失控的发明与凶猛的怪兽，海因里希必须借助轻柔的吹拂，引导气泡穿越险境，逃离城堡。  # 熟能生巧 穿越充满危险与谜题的关卡，考验你的操作能力。沉浸在令人上瘾的游戏玩法和极具挑战性的关卡设计，你的唯一目标就是不惜一切代价保护气泡！  # 挑战强敌 迎战强大的BOSS，每一场战斗都必须全力以赴！ 只有最熟练的玩家才能取得最终的胜利！  # 重温经典 完整重制90年代的经典游戏，36个原始关卡以焕然一新的艺术风格重现。  # 荣耀排行 在竞速模式中不断挑战最佳通关时间，上传成绩，冲击全球名人堂排行榜！ # 游戏特色 - 超过40个关卡，高超技巧与巧妙解谜通关缺一不可。 - 三种难度模式，为你带来不同游玩体验。 - 全面重制的画面与音效，赋予古堡世界全新生命力。 - 通过在城堡各个房间收集隐藏道具，深入探索发掘海因里希的故事。 - 全球排行榜系统，上传你的最佳成绩，与全球顶尖玩家一较高下。 - 隐藏房间、多个结局，并解锁各种挑战成就！ 准备好迎接这场奇幻冒险了吗？ 

2025年3月27日，截止收盘，沪指涨0.15%，报收3373.75点;深成指涨0.23%，报收10668.1点;创业板指涨0.24%，报收2145.1点，两市成交额较上一交易日增加363.84亿元，合计成交11906.9亿元。

 《上古卷轴OL》“落旗”地下城游戏包以及免费的U45更新基础版游戏补丁现已登陆 Xbox One、Xbox Series X|S 、PlayStation 4 与 PlayStation 5 主机端。“流亡哨站”与“秀跃隐修院”已于3月10日登陆PC/Mac，而现在主机端玩家也可以前往这两处全新的4人地下城开始探索。  《落旗》引入了两处全新的PvE地下城，它们分别拥有专属的故事线、角色、挑战、独特Boss战与秘密。你可以与最多其他3名玩家组成4人队伍，在共同挑战新内容的同时获得物品套装、收藏品与成就等各种独一无二的奖励。 玩家需要拥有ESO Plus会员资格才能解锁《落旗》地下城内容，但官方将在今年晚些时候推出其他解锁方式。免费的U45更新基础版游戏补丁也将与《落旗》同步上线，它为所有《上古卷轴OL》玩家带来了一系列修复、新增内容以及对游戏核心体验的优化。譬如在此补丁中，部分新手区获得了视觉更新，使其能够进一步匹配游戏中其他区域较高的细节水准。  该基础版游戏补丁还带来了各种游戏体验改善功能。其中包括提升坐骑初始速度、将制作勇士星星更改为无需放入槽位即可生效，以及优化梦达思之石赐福的可见性。除此之外，贝塞斯达预计还会在今年内上线其他更新。 请于北京时间4月11日03:00准时收看ESO Direct，了解 ZeniMax Online Studios 为保持游戏新鲜感而对《上古卷轴OL》进行的改动，并分享可供玩家在今年探索的刺激新冒险。在[此处](https://www.elderscrollsonline.com/cn/news/post/67655?linkId=100000348033171)了解详情。 同时，《上古卷轴OL》于近期[宣布](https://x.com/TESOnline/status/1900234721201717592)与Kinda Funny Games联名合作，推出全新的限定播客系列。这个共分为4集的系列将邀请《上古卷轴OL》开发团队出席，共同讨论游戏走过的10年历程。第1集将于4月11日播出。

<blockquote><p>在现代企业管理中，如何实现高效的价值分配与人才管理？本文通过OKR方法论和具体案例，展示了如何将抽象的“态度”“能力”转化为可量化指标，从而精准筛选、培养和激励人才。同时，强调了竞争机制在标准制定中的关键作用，倡导用数据驱动管理，取代主观感觉，提升组织效率和人才质量。</p> </blockquote>  一个公司的经营机制，其实就是围绕价值分配的利益驱动机制。而一套合理的价值分配系统，则必须有一个合理的价值评价系统做支撑。 能够具体、清晰、可量化的定义和计量值，才能够合理地分配价值。 我在公众号反复强调，成事在人。 找到对的人，远比做正确的事更重要，也是正确做事的基础。 尤其是在后工业化时代（工业时代的流水线对工人主观能动性的要求比较低），“人”作为创造价值的主体，其重要性也越发明显。 可以说，先人后事是一个管理者最基本的认知。人不对，什么样的培训和sop都失去了意义。 所以，我的观点是，**公司人才的建设60%靠筛选，30%靠培养，10%靠激励。** 但是，筛选该往哪个方向筛选，用什么标准筛选？培养又应该往哪个方向培养，培养到什么标准算合格，什么标准算优秀？激励又应该如何去有效激励？ 这一切，都需要回到原点：**如何去定义和计量价值？** 狂朝学苑从今年开始，开启了去“盗坤”化的运作。今年狂朝学苑的第一次线上陪跑营，也基本实现了我个人的“零参与”。 而想要完全实现狂朝学苑的去盗坤化运转，依然还需要大量的工作建设，尤其是团队建设。 作为狂朝偏中层的一些管理人员，他们也都具备“先人后事”这个基本认知。 所以当我同狂朝学苑新搭建的流量部门运营主管沟通时，他也清楚知晓选人、用人、育人的重要性，并且知道应该从态度、能力、网感等几个维度去找人。但是，在如何具象化地清晰定义并计量一个同事所创造的价值时，我发现他对此依然有些模糊。而这个模糊，将直接影响我们搭建团队的效率和质量，并最终影响我们的经营效率和产出。 于是，我给他阐述了公司人事部门定义价值的案例，以此说明应该如何有效评价同事的“态度”“能力”和“网感”，并合理量化同事所创造的价值。 今天，将此案例也分享给大家。 ## 用OKR定义指标 OKR，即目标与关键结果法，旨在帮助团队和个人明确目标、聚焦关键任务并高效实现成果的管理方法论。 它的**主要思路**就是通过明确目标（Objective），并通过目标拆解出关键结果（ Key Results），从而达到信息平权和决策下放的目的，并最终实现降低团队信息传递损耗，提高员工自主决策能力，进而扩大管理半径的效果。 接下来，我将用我们某业务HR部门的具体案例来讲解这一方法论的具体实操。 狂朝传媒有一个业务是短视频带货达人孵化业务。企业经营的最终目标是实现利润的增长，而这个业务的利润增长，则需要佣金收入提高，以及运营成本的降低。  而佣金收入的提高，则与营业额、佣金率以及与达人分佣比例三个维度相关。因为本文主要讲的是HR部门的工作内容，我们就主要拆解与HR部门相关的指标：**营业额**。  - **营业额=更新达人数量 x 平均营业额。** - **更新达人数量=签约达人数量 x 更新率。 ** 平均营业额、达人更新率都是运营部门的事情，而签约达人数量则主要就是HR部门的事情了。   所以，具体细分到HR部门，他们的Objective=签约达人数量。而根据这一结果，结合业务模型推理，又可以得出部门Key Results：邀约量、到面量、提交试镜量、试镜通过量和签约量。  至此，对于HR部门的最终筛选、培养和激励方向（签约达人数量），以及细化方向（邀约量、到面量、提交试镜量、试镜通过量和最终的签约量以及对应的到面率、提交试镜率、试镜通过率、试镜签约率和最终签约率），也从抽象的“态度”“能力”，演变成了有清晰指向的概念。 而这些指向，也是我们具体培养一线HR专员的方向，对于这些方向的具体量化考核标准，其下限就是我们筛选淘汰的标准，在这个下限标准之上，也就成了我们激励的标准。 ## 用数据量化指标 把态度和能力等抽象的表述，转化为到面量、签约率等具象化概念，可以让我们筛选、培养、激励人才有更加清晰的指向。 但是，光有指向是不够的。把这些指向量化为可验证、可计量的具体数据，我们的筛选、培养和激励，才能有更加精准的判断基础，从而实现整个组织更高效率的运转。 如下图，是我们一个HR小组20天里具体工作内容的量化可视图。通过这份数据化视图，就可以直观感受到一个HR小组的具体工作内容和成果。   这个时候，站在主管层面，通过这个小组的量化视图，可以判断出这个小组的整体工作成果，以及这个组长工作能力的具体体现。 而作为一个组长，如下图所示，每个组员工作内容的量化视图，又可以让组长清晰感知到每位组员的工作成果，以及这背后的态度和能力。   就比如，最终签约人数是一个HR专员工作态度和能力的综合体现，而邀约量、到面量等则是一个HR工作态度的具体体现。 如果一个HR专员，整体签约人数落后同事很多，但是邀约量和到面量和同事保持一致，甚至是大幅领先，那么至少说明这位专员的工作态度没问题。 反之，如果不仅仅是签约人数落后同事很多，连没有技术含量，只需要靠勤奋就可以做到的邀约数量仍大幅落后于同事，在入职时限、资源配置也都完备的情况下，那么只能说明是态度问题。 工作技巧和专业技能是可以通过培养提升的，而工作态度和习惯方面的问题却是很难改变的。 所以，有了这个量化数据作为参考的时候，筛选、培养、激励人也就有了具体的参考指标，从而脱离完全依赖个人“感觉”的状态。 就比如在识人和选人方面，通过量化指标可以更加精准地判断这个人的态度和能力，再结合个人经验，从而实现更加精准的判断。 又比如在培养人的环节，也可以根据每个组员的具体数据表现，针对性的培养。有的HR邀约量和到面量是很优秀的，但是提交试镜的达人数量太少，那么就是在线下沟通环节出了问题。 这个时候，组长就可以针对性地就线下沟通环节进行培养和指导。对整个线下沟通环节重新培训，然后观摩她的沟通，给出指导意见，并进行多次实战演练。 如此，便可以更加高效地培养人才的目的。 ## 用竞争衡量标准 有了可衡量的量化数据以后，如何界定标准又是一个很大的学问了。 如何经营好一个大学？吸引优秀的教师以及优秀的学生。而如何筛选出优秀的学生，那就是高考分数线。一个公司的筛选标准，就好像一个高校的录取分数线一样，直接影响本公司的人才质量。 公司与公司的竞争，其实就是用户端的体验领先（品质、价格、服务），以及在此基础上的经营领先（成本领先、效率领先）。 而人才质量将直接影响到产品的最终体验，以及公司的经营成本和经营效率。 比如，如何界定一个HR的邀约量、签约量算合格或者优秀，将直接影响这个公司的达人签约成本和达人签约效率，并最终影响这个公司的整体成本和效率。 既然这个标准如此重要，那么这个标准又从哪里来呢？从一线战场中来，从优秀同行中来，从市场竞争中来。 首先，这个标准不应该是老板来定，也不应该“人事部门”来定（这里特指人事部门不能去定其他业务部门的标准，但是本文案例讲的就是HR部门的工作，所以还是由HR部门来定），而是应该由一线战场的基层工作人员、组长、主管、总监来定。 作为脱离一线战场的老板或者人事，是无法清晰感知一线工作的具体工作流程和工作内容的，也就无法准确量化这个筛选和激励的标准。 其次，最好的老师就是同行。 用优秀同行的标准来作为自己内部运营管理的标准，就可以击败市面上大多只是及格线的对手。 记得我们做口播短视频的时候，一个拍摄人员一天只能产出十几二十个视频，而且一个演员一天的成本需要1500-2000左右。 而在了解到同行的演员成本一天只需要1000-1500，并且他们的拍摄一天可以产出一百个视频以后，我们的标准也就演变了。 而伴随着内部筛选和激励标准的提高，就好像一个大学的录取分数线提高一样，我们的人才质量得到大大提高，最终演员成本和拍摄效率都达到了同行的水准。 当然，这个同行标准的借鉴，还要参考到公司的具体情况和发展阶段，一个三本院校直接对标清华的录取分数线是不合理的。同理，一个刚刚起步的公司用华为的标准来设计自己的选人、用人标准也是脱离实际的。 最后，这个标准还应该在竞争中不断优化。 对于体验过智能汽车的用户来说，是无法忍受丰田卡罗拉这样的“功能机”的。 但是，如果在一个没有电动汽车的市场呢？如果在一个只有燃油车的市场呢？他连优秀的标准都不知道，也就不会用智能化、智驾、冰箱、彩电、大沙发这些标准去考核当地的汽车产品。 而当这样的汽车，真正在中国市场来竞争，那么只会被打得落花流水（参考这几年中国市场的本田、尼桑、起亚…）。 充分的竞争，才可以激发市场的潜力，从而不断追求更高标准的产品服务和经营理念。 如果没有苹果手机这条鲶鱼进入中国市场，就不会有华为、小米这些手机品牌的诞生。如果没有特斯拉汽车进入中国市场，也不会有后面中国新能源汽车的百家齐鸣，更不会有现在的比亚迪、小米和问界。 所以，在公司外部要有竞争思维，在公司内部，同样需要竞争机制。 当内部缺乏竞争的时候，就好像一个陷入垄断的市场一样，只有坐享其成的思维和僵化的标准，绝不会有创新出现。 试想一下，如果电信一个公司垄断市场，能不能诞生类似微信这样的即时通讯软件出来？他根本就不需要思考把发短信、打电话这个事情变成语音短信、视频通话… 所以，回到文章开头的地方。狂朝学苑流量部门对于人才的筛选、培养和激励体系应该如何去搭建？ 一样的，从抽象到具象，从主观到客观，从封闭到开放（所有人都知道努力的方向和晋升的标准），从管理者个人感觉驱动，到员工数据驱动。 而要实现这一目标，就要根据公司最终目标去层层拆解，得到本部门的目标（Objective），并结合本部门的业务模型拆解出达成这一目标的关键结果（ Key Results）。 再然后，就是根据这个Objective和 Key Results，摸索出具体的量化考核指标，并在具体运营中，在不断竞争中优化和调整这个指标。 类比到获客的小红书运营岗位，Objective是客资数量， Key Results账号数量、笔记数量、点赞量、导粉率等指标。 客资数量是工作态度和能力的综合体现，作为重要考核指标。运营的账号数量、笔记数量等维度则是工作态度和培养方向的具体体现，作为辅助考核指标。 而这些指标的具体考核标准，也就成了我们筛选的标准，培养的目标，激励的方向。 本文由人人都是产品经理作者【盗坤】，微信公众号：【盗坤】，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。

 **重庆信通设计院简介****：** 拥有**等级保护测评**、**商用密码**应用安全性评估、**数据安全评估**等服务资质，并具有中国网络安全审查技术与认证中心、中国信息安全测评中心颁发的网络安全服务资质；依托专业的精英团队，能够为客户提供专业的等级保护、商用密码、数据安全测评及咨询服务，并致力于成为集**咨询**、**规划设计、测评、运维、攻防对抗、培训等能力于一体的综合型网络与信息安全专家**。 **荣誉与资质****：** 担任多个理事和支撑单位，如：重庆市互联网界联合会监事长单位、重庆市信息安全协会副理事长单位、重庆市互联网协会理事会成员、重庆市云计算产业协会理事单位、重庆市信息技术应用标准化技术委员会秘书单位、重庆市网络与信息安全信息通报机制-技术支持单位、市委网信办、市公安局、市通管局等的长期技术支撑单位；拥有等保测评、密评、数安评估、培训等较为丰富的网络与信息安全相关服务资质。 来源：重庆信通设计院天空实验室

据知情人士称，富士康将于4月9日在日本举行研讨会，以介绍其电动汽车战略。一位消息人士称，富士康此举旨在提高汽车制造商和供应商对其电动汽车战略的理解。 该消息人士补充称，预计富士康首席电动汽车战略官关润（Jun Seki）将在会上发言。关润曾是日产汽车高管，于2023年被富士康聘用。由于该计划尚未公开，消息人士要求匿名。 此前有消息称，富士康已敲定了为三菱生产电动汽车的协议，将在大洋洲市场销售，包括澳大利亚。 [](https://static.cnbetacdn.com/article/2023/1019/1e1f65ba8721eae.png) [查看评论](https://m.cnbeta.com.tw/comment/1488636.htm)

美国总统唐纳德·特朗普即将对进口汽车征收25%的关税，汽车行业许多公司都将成为受害者，但是有一个显而易见的赢家，就是埃隆·马斯克的特斯拉公司。这家电动汽车制造商在加利福尼亚州和德克萨斯州拥有大型工厂，生产在美国销售的所有汽车，从而在更大程度上免受特朗普对进口汽车和关键零部件征收新关税的影响。 它的主要竞争对手，韩国的现代汽车，德国的大众汽车，以及同为美国公司的通用汽车，则很快面临成本急剧上升的严峻局面。 [](https://static.cnbetacdn.com/article/2025/0315/425e9c21712f61a.jpg) “赢家少之又少。”AutoForecast Solutions全球汽车预测副总裁Sam Fiorani说，“消费者将是输家，因为他们的选择会减少、价格会更高。” 与一些竞争对手相比，福特汽车面临的影响也可能不那么严重，因为其在美国销售的汽车中约有80%是在美国国内生产的。 从下周开始，25%的新关税将适用所有进口乘用车和轻型卡车，以及诸如发动机、变速箱和电气部件等关键零部件，且是在所有已有关税基础上增加征收。 CFRA Research分析师Garrett Nelson本周在一份分析报告中写道，特斯拉由于在美国国内生产，其受新关税的影响会最小。特斯拉本身本周一直吹嘘自己的美国身份，在社交媒体平台X上发帖称，其各型汽车是“最美国造的汽车”。 不过特斯拉也不会完全不受影响。马斯克在X上发帖回复另一位用户称，“值得注意的是特斯拉并非毫发无损。关税对特斯拉的影响仍然重大。” 马斯克在特朗普政府中扮演的重要角色，引发了对可能存在利益冲突的质疑。特朗普否认与马斯克讨论过关税问题。 “他从来没有要求我在商业上帮忙。”特朗普周三在椭圆形办公室表示，“实际上我对此有点惊讶。” 这些关税为在美国大量采购零部件的汽车制造商提供了优势，特朗普还允许一项豁免：新关税将仅适用于根据与加拿大和墨西哥的自由贸易协定进口的汽车和零部件中，不产自美国的部分。 严重依赖进口汽车的外国品牌将面临最大的压力。韩国的现代汽车可能是受冲击最严重的公司之一。尽管现代汽车及其附属公司起亚在阿拉巴马州和佐治亚州设有工厂，并于本周宣布了210亿美元的美国扩张计划，但据Global Data的数字，该公司去年向美国进口了超过100万辆汽车，占其在美销量的一半以上。 [查看评论](https://m.cnbeta.com.tw/comment/1488634.htm)

美国总统特朗普宣布下个月起对所有进口汽车征收25%的关税，分析人士周四表示，此举预计将对主要依赖对美出口的韩国汽车制造商造成沉重打击。2024年，韩国向美国出口了价值347亿美元的汽车，占当年韩国汽车出口总额（708亿美元）的近一半。 [](https://n.sinaimg.cn/finance/transform/59/w550h309/20250327/9573-09770ae02b5d095481999e74062d3bff.jpg) 专家们指出，25%的关税将提高韩国汽车在美国销售的价格，最终影响到韩国经济。 韩国IBK经济研究所发表的报告预测，如果美国对进口汽车征收25%的关税，韩国对美国的汽车出口将减少18.59%。 花旗研究预测，由于美国对汽车、零部件、医药、半导体征收25%的关税，韩国国内生产总值（GDP）将减少0.203%。 [查看评论](https://m.cnbeta.com.tw/comment/1488632.htm)

微信官方宣布，在微信内搜索“附近的工作”、“兼职”、“日结”、“零工”等关键词，就能自动匹配所在城市的零工，还能根据“距离”、“薪资待遇”、“性别”等快速筛选。目前，该功能已覆盖北京、上海、广州、深圳等全国超200个地市。     [查看评论](https://m.cnbeta.com.tw/comment/1488630.htm)

2025中关村论坛年会今日开幕，在全体会议上，理想汽车创始人、董事长兼首席执行官李想发表演讲。他宣布，理想汽车推出自研操作系统理想星环OS，他表示，该操作系统可以让理想汽车每年降低几十亿BOM成本。 理想汽车推出自研操作系统理想星环OS，起因是2020年全球芯片短缺，交付严重滞后。该操作系统研发于2021年启动，投入200名研发人员，10亿人民币。  他认为，汽车操作系统是汽车行业智能化下半场的中枢，也是通往高阶智能体的基座。理想星环OS将进行开源，理想汽车成为全球首家将汽车操作系统开源的车企，让中国创新技术普惠全球。他透露，这可以让供应商和主机厂每年节省千万甚至上亿的操作系统授权费用。  [查看评论](https://m.cnbeta.com.tw/comment/1488628.htm)

<blockquote><p>本文深入浅出地介绍了机器学习领域中7种经典的分类算法，包括朴素贝叶斯、决策树、随机森林、逻辑回归、支持向量机、K近邻法和自适应增强算法。通过生动的比喻、实际的应用场景和算法之间的对比，帮助读者理解每种算法的核心原理、优缺点以及适用场景，为初学者提供了一份清晰易懂的学习指南。</p> </blockquote>  受LLM大模型的影响，传统机器学习算法也在今年开始逐渐有更多客户愿意尝试了；而以前我也对算法这件事充满了向往和好奇，觉得是一门很厉害的技术。于是最近准备恶补一下机器学习算法基础。 机器学习常见的传统模型有分类算法、聚类算法、关联分析和连接分析，每一种算法类型都适用于不同的任务场景，其中也拥有众多具体的算法模型。  以分类算法为例，顾名思义，主要是用来做分类任务的，常见场景有垃圾邮件过滤（例如分析某些垃圾单词，去分析其是垃圾邮件的概率）、情感分析（如客户/读者对于内容的正面/中立/负面情绪）、主题分类（例如一篇新闻该分到哪个主题下）。 而在具体的分类算法类型中，也有决策树、随机森林等好几种算法，适用于不同场景、各有优劣。 那么，本期，我们先从分类算法讲起，主要包含7种常见且经典的分类算法模型： 1. 朴素贝叶斯NB（Naive Bayes）：假设所有特征独立的概率计算法 2. 决策树DT（Decision Tree）：算出一套规则来画一棵分类树 3. 随机森林RF（Random Forest）：随机抽取特征、算出多套规则来画多棵分类树（三个臭皮匠、赛过诸葛亮） 4. 逻辑回归LR（Logistic Regression）：如果呈现线性关系，用一条线来区分 5. 支持向量机SVM（Support Vector Machine）：如果呈现非线性关系，用一个超平面来区分 6. K近邻法KNN（K-Nearest Neighbors）：近朱者赤、近墨者黑，找和你最相似的群体，看看他们是好是坏 7. 自适应增强AdaBoost（Adaptive Boosting）：用错题集的方式持续迭代和纠正，以达到最优效果 ## 一、朴素贝叶斯 托马斯·贝叶斯（Thomas Bayes，1702-1761），18世纪英国神学家、数学家、数理统计学家和哲学家，概率论理论创始人，贝叶斯统计的创立者，“归纳地”运用数学概率，“从特殊推论一般、从样本推论全体”的第一人。 先不要被这个名字唬到了，贝叶斯是一个人，他提出了一套贝叶斯概率理论，而朴素英文则是naive（朴素、天真），这是因为其对原始贝叶斯理论做了一层假设——即各个特征（如身高、体重、学历）之间是独立且互相没有关联的，这其实在现实生活中是不现实的，因为身高和体重某种程度上还是具有一定联系，所以称其为naive（朴素、天真），但其大大简化了算法模型的难度，在一定简单的场景下高效且适用。 朴素贝叶斯的原理就是我们上学时候所做的数学题：比如在A和B两个盒子里放了一定已知数量的红球和白球，最后求取出1颗红球属于哪个盒子。  这个公式虽然不是很复杂，但是有点绕，大家感兴趣可以下来自行了解。但是朴素贝叶斯背后隐含的含义就是：通过计算过去特征在不同条件下的概率（比如，在盒子A里红球的概率）、红球本身的概率、选择2个盒子的概率，来计算出当拿出来一颗红球后，该球属于盒子A和盒子B谁的概率更大，更大的那个就被选择作为最终的分类结果。 整体来看，显而易见，因为足够朴素足够naive，所以朴素贝叶斯计算简单、速度快、适合大规模的文本数据；但缺点也同样明显，这种前提假设导致无法挖掘特征背后关联，同时，同义词如果较多，也可能会高估对应的概率（可以考虑通过同义词特征做组合、选择独立和相关性高的特征来做优化）。 ## 二、决策树&amp;随机森林 到了决策树和随机森林就好理解多了，毕竟它是有图像符号、有直观规则可以去看的；其本身就是模拟人类决策过程，所以和我们日常去做一些决策时画的思维导图有点类似。 以下图为例，这就是一个保险客户是否会续保的决策树，每一个节点都是影响分类结果（是否会续保）的特征节点。例如第1个节点是年龄，第2个节点则是婚姻状况。  这张图很直观很好理解，那么，这里最关键的点就在于这棵树是怎么画出来的？ 其实是计算机会根据数据集中的每一个特征去计算「不纯度减少量」，选择其中最大的结果作为分裂特征。那么，这个「不纯度减少量」怎么理解呢？其背后含义是——这个特征在数据集中的分布，能够最大程度区分不同的类别，在当下n个特征中，它与目标变量的关系最为显著。 例如，以上图为例，通过计算年龄、婚姻状况等特征和目标变量（是否续保）的关系，通过计算发现——年龄是最显著影响续保结果的1个特征，这时候就会将其作为第一个节点，同时选择使得分裂后子集纯度最高的阈值（即这里按照年龄&lt;=29.5去做拆分）。 随后，循环这个过程，这棵树就出来了。 在这个过程中，决策树是应用了全量特征和全量训练集中的数据；而接下来我们要讲的随机森林和决策树核心逻辑类似，但区别则在于——多棵树+样本随机+特征随机。 随机森林的实现方式则是多次先随机且有放回的抽取N条训练集中的数据来训练、再随机地从M个特征中指定m个特征子集作为特征，从而最终生成多棵树——应用多个弱分类器（因为每个都是随机且部分的）来组成一个强分类器。  这样的好处就是不用单棵决策树来做预测，增加了预测准确率，不容易过拟合（即模型过度适应当前数据集呈现出来的特征，看起来当前预测很优秀，但缺乏了泛化能力；一旦拿到实际生产环境做预测，就无法准确应用了）。 整体而言，决策树适合小规模、低维度且对模型可解释性要求较高的场景，而随机森林则更适合处理大规模、高维度且需要高准确性和抗过拟合能力的场景。 ## 三、逻辑回归&amp;支持向量机 逻辑回归和支持向量机SVM则是一组按照边界去进行分类的方式，逻辑回归支持将符合线性关系的数据通过线性边界进行划分、而向量机不仅能支持线性可分的数据，还能支持通过几何边界（超平面）对线性不可分的数据进行分类划分。 我们先来看逻辑回归：如左图所示，如果能够应用一条线将数据清晰的划分为2类，那么则可以应用逻辑回归进行建模（例如，当房子面积为50时，房价为100万；而当房子面积为100时，房价为200万）；而像右侧，则无法应用一条不封闭的线来进行区分、而需要一个圆，此时就无法应用逻辑回归进行处理，而要用到支持向量机SVM。  那么，支持向量机会如何去区分这个圆呢？ 对于非线形数据，对应的处理方式则可以用到核技巧——先是使用一个变换将原空间的数据映射到新空间(例如更高维甚至无穷维的空间)，然后在新空间里用线性方法从训练数据中学习得到模型。  形象但不精确一点的解释就是：在一堆点中找出一个「核」拎出来，原本平面的数据就变成了立体的数据，这样就可以找到一个超平面去将2个数据区分开来了。 其中，离这个超平面最近的向量则叫做——支持向量，相当于2堵将2个类别的数据隔开的墙壁；而支持向量机的核心思路就是想要各类样本点到超平面的距离达到最远，也就是找到最大间隔超平面。 总结而言，二者都相对更多应用于二分类场景（即只分成2类）中，但由于数据特征是否呈现线性关系来进行建模的区分。 逻辑回归因为简单好搭建、解释性更强，所以经常会在需要多次调优的算法建模中当作基线baseline、从而可以和后续调优后的算法效果进行对照；而支持向量机整体能够支持处理复杂决策边界和精度要求高的场景，但在实际操作过程中需要配置一些会影响结果的超参数，导致分类在一定程度上具有不可解释性。 ## 四、K近邻法 前面已经把最经典和稍显复杂的5种类型讲完了，这里我们就简单来讲一讲什么叫做K近邻法。 K近邻法本质上其实和我们古话中的「近朱者赤、近墨者黑」的原理一样。假设有一组特征，基于样本之间的相似性，找出它最近的K个邻居，看这些邻居中分类最多的是什么，则这组特征最终就被分类为什么。 比如，有一个人身高165、体重100斤，而假设原始数据集中有3组数据「164cm、99斤、女」「162cm、100斤、女」「180cm、100斤、男」「180cm、180斤、男」，那么与其最相邻的3组数据则是「164cm、99斤、女」「162cm、100斤、女」「180cm、100斤、男」，这里男1女2，因此，判断这个人为女生。  如上图所示，待分类的数据中，找出了2个绿色和1个红色的结果，那么，则该类型就被判断为绿色。但是K近邻法的难度就在于到底该圈几个邻居，如上图所示，如果圈3个，为绿色居多；如果圈7个，则变成了红色居多。 K近邻法在理论上比较成熟，同时也是最简单的机器学习算法之一。它整体简单，适用于数据分布均匀、特征空间连续、快速构建的场景，但因为其仅仅通过相邻分类的结果来做判断、未提供明确的决策规则或概率输出，故可解释性相对较差。 ## 五、自适应增强 最后一种则是Adaboost自适应增强算法，这是一种和前面6种都不太一样的思路：它不是直接正面去做分类和计算，而是迭代式思维+逆向思维——通过先快速应用一些基础模型（如1层深度的决策树）搭建一个弱学习器（指比胡乱分类效果好那么一丢丢的效果），再不断让模型刷错题本（一出错就回过头来调高误分类的权重）来优化下一次的弱学习器，从而组合成一个强学习器（分类效果相对较准），提升最终的分类效果。  如上图所示，要对红白蓝3个数据进行分类，第1次，红色正确，白蓝错误；第二次，降低红色权重，提升白蓝权重（作为错题本），再次进入第2个弱学习器中学习，得到了白色错误、蓝色正确；那么，第三次，自然就是提升白色权重，降低红蓝权重，最终达到3个都分类正确。 Adaboost的原理比较好理解，其实现也较为简单和灵活，但其对错误数据加权重的方式也可能会让算法给异常数据和噪声给予更高的权重，导致模型表现不佳。 ## 总结和对比 学完7种模型，估计大家已经和我一样有点眼花缭乱了，那这里我们再汇总做一下对照和总结：  若追求高准确性，选择支持向量机、随机森林、自适应增强；若需要高解释性，选择逻辑回归、决策树；若计算资源有限，选择朴素贝叶斯、逻辑回归；若需要兼顾速度和准确性，选择随机森林。当然，这并不是绝对，最终在实践过程中既要结合实际场景和数据来做选择，也可以选择多个相对合适的场景来进行效果对比，最终选择合适模型。 本文由人人都是产品经理作者【冰冰酱】，微信公众号：【冰冰酱啊】，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。

A股巨头排队赴港IPO。

快手的AI故事开了个好头，但市场尚未买单。

出海与破局。

<blockquote><p>AI硬件领域曾涌现诸多创新产品，但部分明星产品如AI Pin、Rabbit R1等却遭遇滑铁卢。这些失败案例背后隐藏着怎样的教训？文章将深入剖析这些产品的困境，总结出三条关键经验，为AI硬件创业者和科技爱好者揭示行业前行的方向。</p> </blockquote>  去年，被称为AI硬件元年。 但到了今年，你会发现，“下一代计算平台”的神话正在祛魅。 - 明星穿戴设备AI Pin被惠普以1.16亿美元“捡尸”收购； - Rabbit R1套壳安卓丑闻曝光后，每天活跃用户仅5000人； - 美国AI陪伴机器人公司Embodied AI宣布破产； - Vision Pro也因卖不动，宣布停产。 而那些真正跑出来的，反而是那些看起来没那么突破性的AI硬件。 - 没有加入任何 VR、AR 等增强显示效果的Meta眼镜，却比以往任何时候都更接近一款好的眼镜； - 仅仅增加了AI功能的第四代智能戒指Oura Ring 4，最新估值50亿美金； - 贴在iPhone背面的AI录音卡片Plaud Note，已交付超30万台，年化收入1亿美金。 事实证明，从智能硬件到AI硬件，十年过去后，没有变过的只有“硬件”这两个字。 这背后也揭示了AI硬件的底层逻辑：**没有人会为下一代计算中心买单，他们只会为AI硬件所带来的更好体验付费。** ## 01 AI硬件退潮，从明星产品开始 去年，AI硬件领域呈现“高开低走”，我们整理了一份明星AI硬件的“死亡名单”。 ### **①Humane AI Pin技术激进，需求错位** 可穿戴设备AI Pin，是第一个明星AI硬件，由前苹果软件工程总监 Bethany Bongiorno和前苹果设计师Imran Chaudhri共同开发，曾拿下2.4亿美元的投资。 发布开始，这个产品就获得了极大的关注度。 因为AI Pin足够酷，它几乎没有物理按键，用户只用语音、手势和触控就能控制Ai Pin。Ai Pin会通过激光投影将信息显示在用户的手掌上，显示分辨率为720P，所有交互内容由ChatGPT来进行回应支持。 而当去年4月12日，AI Pin产品正式解禁，一切的美好幻想就被现实打破了。 毫不夸张的说，Ai Pin的用户体验甚至用糟糕来形容，长达5-10秒的响应时间、只有2-4个小时的续航时间等等原因，导致Ai Pin的退货率超过50%。 The Verge 获得的内部销售数据显示，从5月到8月，AI Pins 的退货数量超过了购买数量。 最终，截至去年8月，从699美元降价至499美元的AI Pin只卖了一万多台。 不久前，Ai Pin的制造商Humane被惠普以1.16亿美元收购，主要包括软件、技术人员以及 300 多项专利。 伴随Humane被收购，Ai Pin也已经与Humane的服务器断开连接，所有的AI服务随之失效。这意味着，Ai Pin除了能显示剩余电量外，已经一无是处。 ### **②Rabbit R1功能鸡肋，深陷套壳质疑** 除了Ai Pin外，Rabbit R1也是去年另一款引发巨大关注的明星AI硬件。 其故事始于2023年CES展的高光时刻：这一款设备拥有2.88 英寸触摸屏、可旋转摄像头和滚轮按钮，创始人吕骋以“大型动作模型（LAM）”为卖点，宣称Rabbit R1能通过语音指令无缝操作应用。售价199美元的Rabbit R1，预售即售出10万台。  Rabbit R1实体图 然而，2024年上市后，用户发现其功能鸡肋，如无法打电话、续航仅4小时，且性能孱弱，更被曝系统实为安卓套壳，引发信任崩塌。尽管官方紧急转向开发“跨平台智能体”自救，但市场已对其失去信心。 最终，Rabbit R1在推出五个月后，10万注册用户中只有5000人每天还在使用。尽管创始人随后辟谣，R1的日活量并非5000，而是「每时每刻有5000个活跃用户」。 但不可否认的是，Rabbit R1并没有取得想象中的成功。 ### **③AI陪伴机器人Moxie倒下了** 去年年初，美国AI陪伴机器人公司Embodied AI宣布破产，其主打产品、面向儿童的情感支持机器人Moxie也将随之停止工作。 Moxie是一款旨在为儿童提供情感陪伴和社交互动的机器人，具备人脸识别、语音交互等功能，能够与孩子进行简单的对话和互动游戏，售价高达800美元（约人民币5785元）。 Embodied失败的原因主要有两个：成本过高加上没抓准用户需求。 先说成本，Moxie的单机成本超500美元，这极大限制了产品的定价空间和潜在人群。在用户体验上，Moxie与孩子的交互方式过于机械，深度不足。 正如Embodied CEO在关停声明中反思所说：“我们沉迷于让机器人‘更像人’，却忘了孩子真正需要的是‘更像伙伴’。” 同样，美国Wonder Workshop也因为过度强调编程功能却忽视低龄儿童操作门槛，最终沦为“极客玩具”。 ### ④Vision Pro也卖不动了 曾经被誉为苹果跨时代产品的Vision Pro，也卖不动了。  图源：科技博主ronak patel 去年4月，根据天风国际分析师郭明錤此前披露的信息，苹果对Vision Pro的出货量预测，从最早时的70-80万下调至后来的40-45万台。 Apple Vision Pro应用生态系统的增长速度也低于预期。 苹果当初许诺会推出600多个专属的应用和游戏。但根据数据公司Appfigures的数据，截至9月份，App Store约有1770款可用于Apple Vision Pro的应用。 其中只有34%的应用程序是专门为Apple Vision Pro，其余都是现有应用的移植版本，只是额外添加了空间计算支持。而去年9月份仅有10个应用程序添加到Vision Pro应用商店。 去年10月，The Information援引多位供应链人士消息称，由于销量太低，苹果 Vision Pro 已经基本进入停产状态。 ## 02 AI硬件失败的三条教训 回顾这些AI硬件的失败，乌鸦君大致总结三条教训： ### 第一，要离手机更远一点。 作为过去二十年最成功的硬件，手机几乎就是一个六边形战士，集体积小、更随身、智能化、交互自然等优势于一身， 很多AI硬件受限于技术和成本等原因，很难做到性能和使用体验的平衡。比如，AI Pin看上去做了一些创新，但并没有简化手机的交互，甚至还增加了一个更加复杂的基于激光投影的交互形态。 由于技术不成熟，这种看似新颖的交互形式，却给了用户糟糕的体验：不仅面临着发热和电池续航时间短等问题，就连手掌投影显示器在实际使用中的表现也不尽人意。 服务过超过50家硬件公司Global OneClick（出海一叮）的创始人易宛尧说： <blockquote><p>“手机就像是一个黑洞型产品，凡是跟手机紧密相关、贴近的产品，做起来其实都非常有难度。</p></blockquote> <blockquote><p>但凡跟手机「近」的品类，差异化是唯一的出路。因为手机面向的是大众市场，考虑的是普适性需求，做得越垂直，就越有机会。”</p></blockquote> ### 第二，与其敢为天下先，不如敢为天下后。基于已有硬件的需求，从「+AI」开始。 做新的硬件产品一般有两种思路：一种是定义全新的品类，AI原生硬件；另一种是在已有品类上做创新和提升，比如AI眼镜。从目前看，基于已有成熟硬件品类，在保证优秀基础体验的前提下，用大模型来锦上添花是一条更为稳妥的路线。 以现在大火的智能眼镜为例，最重要的并不是AI功能有多强大，而是眼镜的重量和佩戴舒适度。 现在AI眼镜里，卖得最好的当属Meta。截至目前，Meta的AI眼镜已经在全球销售了超100万台。 与初代相比，Meta眼镜在功能做了很多升级，但有一点始终没有变化，那就是轻量级的设计。 初代Meta眼镜的官方重量为49.2克，这一代Meta眼镜的官方重量为48克，始终维持在消费者佩戴眼镜的舒适区内。也正因为如此，Meta眼镜可以真实地在生活中长时间地使用。 很多人忽略了一个问题，手机之所以能成为现在最核心的计算中心，并不是因为它更智能，而更是因为它更便捷，容易访问。 也就是说，在功能升级基础上，产品越接近传统眼镜，它就越能替代它们。 ### 第三，不要做加法，要做减法，在细分垂直领域去寻找极致的PMF。 在去年中国AI硬件公司里，PLAUD AI应该是商业化表现最好的公司之一。 PLAUD AI主打的产品叫Plaud Note，是一款AI卡片录音机。它能贴在iPhone背面的卡片，接入了大模型，能够实现录音、整理和摘要等功能。 就这样一款看似简单的产品，却交出了极其优秀的商业成绩单。截至目前，Plaud Note已交付超30万台，年化收入1亿美金，连续2年达10倍增长。 在相当长时间里，录音笔赛道被认为是一个很小的赛道，录音笔全球出货量只有五六百万。像索尼、飞利浦等上一代录音笔巨头已经不在这个领域进行投入，产品形态已经十年没有创新了。 而这恰恰带来了机会。用PLAUD AI CEO许高的话说，“录音笔最后就变成了一个大厂看不上，小公司搞不定的一个事情。”由于海外市场没有AI录音笔，Plaud Note替代的过程也相对顺利。 开发Ropet机器人的公司萌友智能创始人何嘉斌也曾在采访中屡次提到，产品做减法的重要性。 产品功能的边界和定义应根据目标人群和使用场景来确定，避免过于复杂的用户体验。 “就好比你要放置物品，选择哪张桌子是很重要的。要是一个东西到处都能摆，那么人们对它的预期和目标受众群体就会变得模糊不清了。” ## 03 总结 当所有炫目的投影熄灭、激进的算法沉寂，“下一代计算平台”的神话正在祛魅。 过去两年，AI硬件创业者沉迷于用大模型与交互革命炮制新故事，却常被卡在用户不买账的尴尬里。 但回过头来想，消费硬件的逻辑从来就没有变过。谁能成为新时代的计算中心这事，不是由产品形态本身决定的，而是由产品体验决定的。 毕竟，手机之所以能成为现在最核心的计算中心，并不是因为它更智能，而是因为它更便捷。 文/朗朗 本文由人人都是产品经理作者【乌鸦智能说】，微信公众号：【乌鸦智能说】，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。

 华纳兄弟影业于今日公布了《死神来了6：血统》的首个预告，本片排定2025年5月16日于美国上映。《死神来了6：血统》由亚当·史坦和查克·利普夫斯基共同执导，盖·布西克和洛莉·伊凡斯·泰勒编剧。 &lt;内嵌内容，请前往机核查看&gt; 电影将聚焦于先遣急救员身上，并以急救人员、消防员和警察为主要角色。系列创作者杰佛瑞·雷狄克透露，尽管新作不太可能像《死神来了5》一样与系列第一集剧情联系起来，但他认为这不是一部重启电影。

 今天，我要和大家分享一个超级实用的引流获客公式，这个公式不仅简单易学，而且马上就能上手实操。 无论你是开母婴店、美容院、餐饮、超市、还是财务公司，还是其他行业，这个公式都能帮你快速吸引精准客户，提升营业额。 这两年，实体门店的日子真的不好过。倒闭关门的比比皆是，甚至有些街道上都没几家开着的店。 但仔细观察你会发现，那些运营得好的实体门店，大多都和互联网+有关。所以，学会从公域平台引流，从私域微信变现，已经成为实体老板的必修课。 引流获客公式：在XXX平台上，为XXX人群提供XXX元的XXX优惠服务/活动，解决XXX的问题 这个公式不仅适用于门店，也适用于个人IP。今天，我们就通过这个公式，一步步拆解如何设计引流方案。 ## 第一步：找渠道（确定引流平台） 找渠道，其实就是确定你要在哪个或哪些平台引流。每个平台的玩法和调性都不一样，建议大家根据自己的行业属性，主攻一个平台，其它平台为辅。 主流平台推荐：美团、大众点评、支付宝口碑、抖音、小红书 其它平台推荐：微博、百家号、闲鱼、本地生活平台、本地贴吧论坛 重点推荐：抖音和小红书，这两个平台流量大，内容做好了，后续流量源源不断。 平台选择公式：行业属性 + 用户活跃 + 成本可控 本地生活类：美团 / 大众点评（高意向客户） 内容平台：抖音 / 小红书（适合展示服务过程） 社交平台：微信社群（低成本裂变） ## 第二步：确定目标人群 平台里也有不同年龄层、职业、收入、地域、性别的用户。 所以，确定目标人群画像非常重要。 年龄：少儿、大学生、25-35岁、35-45岁…职业：学生、白领、蓝领、宝妈、店家…收入：低收入、中产阶层、有钱人…地域：同城、同省、其它城市…性别：男、女 根据你的服务人群属性，确定引流内容和钩子，吸引越精准的客户，成交转化率越高。 要想精准引流，就得先弄清楚自己的目标客户是谁。是年轻的宝妈、上班族，还是老年人。 他们的消费习惯、兴趣爱好、收入水平又是什么？ 把这些信息整理出来，就像给客户画了一幅画像，这样你才能对症下药。 ## 第三步：设钩子（设计引流钩子） 设钩子就是要确定：提供XXX元的XXX优惠服务/活动，用极大的优惠力度吸引成交。 钩子类型： - 实物诱饵：实物的成本固定，数量越多成本越大，但相对价值较高，对客户有吸引力。 比如：公众号关注送书籍，进群送口红，转发送面膜等。 - 虚拟诱饵：虚拟诱饵通常无成本或边际成本为零，价值靠塑造和包装。比如：赠送XX资料、课程资格、进群名额、免费咨询等。 诱饵产品设计要遵循**“三高一低”的原则：高价值、高关联、高吸引力、低成本** 高关联：诱饵产品最好和卖的产品/服务具有相关性。比如：卖美妆产品的客户，诱饵应该是前端的美妆或美容类型的产品。 低成本：在可控的范围内，跟主营产品相比，具有价格优势。最好是虚拟产品或边际成本为零的产品。 ## 第四步：执行引流方案 1. 直击客户痛点 在执行引流方案时，要明确你的诱饵能解决客户的什么问题。 比如，一家形象美学培训机构，推出的100元/天的线下课程，就是针对那些想提升形象但又不知道从何入手的客户。 这个课程既能吸引精准客户，又能为后续的大课转化打下基础。 2. 填写公式 把前面的步骤整合到一个公式里： “在XXX平台上，为XXX人群提供XXX元的XXX优惠服务/活动，解决XXX的问题” 比如，“在抖音平台上，为年轻宝妈提供9.9元的婴儿游泳体验券，解决她们想带宝宝游泳又担心水质和环境的问题”。 要懂得列出客户的至少3个核心痛点（例：奶茶店→想喝奶茶又怕胖） 要懂得列出客户的至少3个典型场景（例：健身房→穿婚纱前紧急塑形） 3.获客四要素 ①明确目标人群 ②找到精准渠道 ③在渠道投放高吸引力、低成本、高价值的引流品 ④将客户引流到私域/引流到店 只要你按照这个公式一步步来，精准引流，设计好钩子，执行到位，引流获客就会变得很简单。 本文由人人都是产品经理作者【老陈的深度思考】，微信公众号：【老陈的深度思考】，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。

<blockquote><p>本文聚焦于如何建立小红书运营SOP，从选题、素材库搭建、封面设计、标题撰写、正文结构、标签设置、仿写技巧到发布时间选择，为新手商家提供了一套完整的、可复用的运营流程指南，助力其高效开启小红书品牌营销之路</p> </blockquote>  如何制作1篇小红书笔记，建立小红书运营SOP指南？ 我根据运营经验整理出这张运营表。新手商家可以直接复用，通过此表建立素材库，建立自己账号运营SOP流程。  图：小红书运营运营SOP指南 如何去创作一条笔记？可以从选题-素材库-封面-标题-正文-标签-仿写-发布8个步骤。 ## 一、选题：文化母体，反复持续 选题即用户关心的点，是一种文化母体，持续反复出现；所以你会发现同样的选题，换个形式依旧火爆。 小红书选题分为起号泛模版+行业干货+品牌介绍+促销笔记+产品介绍5类。方法是通过灰豚、搜索关键词、或同行对标情况，把这5类选题整理好。 备注刚开始做账号，先发泛流量模版，再通过行业干货积累用户，再发相关销售型笔记，依次逐步深入，拉升账号权重。  图：小红书行业爆文类型 ## 二、素材库：反复使用变矩阵 运营的尽头是矩阵，矩阵的核心就是要有大量的素材，拍摄各种素材视频。在运营过程中，要对素材进行分类。 如装修商家，可分为施工过程、装修案例对比、不同小区等素材，把素材分门别类整理好，建立素材库。可以快速进行笔记的组合，写各类小红书笔记。 ## 三、封面：自明性&amp;视觉冲击力 有了素材库后，接下来就是封面的设计，封面包括画面和文案； 画面：3:4尺寸，具有3个特点； 第一要义是自明性，用户第一眼就知道是做什么的，做装修相关，就要有装修的画面； 第二要有购买利益相关，用户购买你的产品和服务，有什么好处；第三是有冲击力刺激，用户看到的你的封面，想主动去点击； 文案：即封面的文案； 第一自带购买理由，用户看到购买后的好处；第二购买理由是口语话，有词根，且一句话就能读懂；第三封面中有主文案，也有次文案，次文案就充当补充证明作用； 如下图案例： 举例图1，首先封面是云南风景图，自明性做到，用户一看就知道是云南旅游，封面购买利益一般； 再看文案，第一视觉点，云南1080六天5晚，就是购买理由。  图：小红书跑量优秀封面参考 ## 四、标题：传递卖点和购买理由 原则：20个字内； 标题是一方面给系统看，让系统知道你写的是什么；另一方面给用户，传递你的核心卖点和购买理由； 公式：人群+场景+痛点+解决方案+情绪价值+行动指令+冲突感；  图：小红书标题公式 ## 五、正文：购买理由一气呵成 原则：1000个字 结构：场景需求+结论先行+购买理由+购买证据+购买指南+购买行动 小红书笔记所有的动作一气呵成，让用户乘坐正文，直接滑到收银机，完成所有购买动作； 基本是从一个场景开始，点明用户痛点，推荐自己的产品，提出购买理由和购买证据，促使用户购买；  图：小红书正文参考 ## 六、标签：让系统快速读懂 标签数量：10个左右；标签的作用，就是让系统快速读取是做什么的； 标签等级：一级标签、二级标签、三级标签。一级标签以品牌词、品类词；二级标签是细分分类词，成交词；三级标签主要以地域、细分品类词。七、仿写：AI仿写提升效率 如何用Deep seek仿写？我截图清华大学Deepseek 小红书运营指南，根据提示词就可以快速做标题和正文，用AI来提效；  图：文案创作的提示语示例 ## 八、发布：人群特点来发布写 写完笔记，什么时候发布？第一根据小红书用户流量峰值，一般是早晨8-10点、中午10-12点、晚上6-8点； 第二去设身处地想，用户在哪个时间段最多出现，什么时候刷小红书最多，以下图聚光投放优质时段为例，就可完全来对照。  图：小红书聚光投放优质时间段 以上，就是如何建立笔记运营SOP 本文由人人都是产品经理作者【江河聊营销】，微信公众号：【江河聊营销】，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。

<blockquote><p>本文围绕ChatGPT文生图能力的更新展开，探讨了其从依赖DALL·E模型到采用非自回归模型的转变，分析了新模型在图像生成准确性、效率及多模态融合等方面的优势，同时对比了不同文生图工具的表现，思考了OpenAI技术路线调整背后的原因与意义</p> </blockquote>  昨晚，Open AI更新了ChatGPT文生图能力。 准确来说，这次升级是一次小革命。以前，它借助DALL—E来生成图像，现在功能直接融入到ChatGPT里面了。 新能力能让ChatGPT生成的图片更准确。什么叫准确？按照官方意思，能贴合你的要求。要让它生成一个戴眼镜的猫咪，它会先思考一下，然后画出来一个更详细的戴眼镜的猫咪。 最后一项是修改图像。哪些细节不满意，直接告诉它就能修改。 官方直播活动中，也演示了几个例子。有两名研究人员和奥特曼拍了一张合影，然后他们让ChatGPT把这张普通的照片变成动画风格的画。结果，ChatGPT轻松地就完成了这个任务。 另一个是，团队要求ChatGPT在生成的图像上加一些文字，比如在图片上写上“Feel The AGI”。ChatGPT也顺利地做到了。 看不少介绍的文章后，感觉有些吹捧，于是上午见完朋友，下午回来赶紧试了试。问题是，怎么区分不同模型之间的能力差异呢？ 我让Qwen帮我写了个提示词： “想象一个赛博朋克风格的场景，霓虹灯一闪一闪的，到处都是高楼大厦，楼上有大广告屏，街上跑着悬浮车，天上飞着无人机，还有一轮紫色的月亮挂在天上，地上的行人穿着高科技的衣服。从高处往下看整个城市，画面要高清，细节越多越好”。 写完后，把提示词分别给了GPT和即梦AI。不到20秒，GPT出图了，它和即梦AI的图对比来说，每个模型对提示词的理解不同，两张图都有赛博朋克的感觉，但细节上各有特点。 要评价的话，两张图片都比较模糊。但即梦AI操作起来比较方便，直接点击细节修复、超清功能，就能有效提升清晰度，效果明显。 GPT在这方面稍显不足，我让它生成高清一点的图，结果它又生成了一张图，遗憾的是，依然没有达到我的预期。  图释：左，Chat GPT；右，即梦AI 因此，从图像清晰度控制的可控性来看，GPT可能稍弱一些。不过它也有自己的优势；比如：在调整尺寸上，我提出要1:1尺寸的图片时，它会给到两个不同的解决方案，并问我，你觉得哪个更高？更倾向哪个？ 重复试了好几个提示词，结果依然这样。 我又试了一下它的新能力：世界知识的功能。官方说，这功能让AI在生成图片时，能更好地理解，并用上现实世界里的知识，做出的图更贴合用户的要求，也更符合实际逻辑。 说白了，AI在作图时，会考虑现实里的细节，像地理位置、文化背景、还有物理规矩啥的。比如，画个雪山就不会冒出热带植物，画个古代场景不会突然冒出手机。 于是，我让Qwen帮我又写了一个提示词： “生成一张图，用两个站在滑板上的人推对方的动作来解释牛顿第三定律。要求画面直观，能清楚展示作用力和反作用力的关系。” 给到它后，怎么评价呢？像那么回事。它能展示两个人在滑板上互相推开的关系，而且还增加了一些箭头和英文解释；但是，我为什么觉得这个能力像一个图像PPT功能呢。 紧接着，我又测试几轮，分别生成一个人的头部骨骼、身体骨骼。如果满分是10分，我最多给6分，因为大部分能力字节、腾讯的文生图模型都能做到。 Sam Altman对这款产品评价很高，表示难以相信这是AI生成的，认为大家会喜欢，并期待用户用它创作出更多创意内容。 他的目标是尽量避免生成冒犯性内容，认为将创作自由和控制权交给用户是正确的，但也会关注实际使用情况并听取社会意见。 Altman希望大家理解，他们在努力平衡自由和责任的关系，确保AI的发展符合大家的期望和道德标准。这些都是老生常谈的话。 我觉得，比起它目前的生成能力，更应该关注它为什么要替代DALL·E模型。要知道，DALL·E模型是OpenAI在2021年1月发布的模型。作为老模型，难道不应该持续迭代，让它更强大吗？ 实际上，关键在于DALL-E模型核心架构是自回归模型。 什么是自回归模型呢？ 它利用自身历史的数据来预测未来的数据。工作方式是把图像拆解为一系列token（类似于文字中的单词），然后像写作文一样，一个token一个token地生成图像。 举个例子： 你要画一只猫，你先画了猫的头，然后根据头的样子再画眼睛，再根据眼睛和头的关系画鼻子，一步步来，不能跳过任何一个步骤。这就是自回归模型的工作方法。 优点是能保证细节，缺点很明显，一，速度跟不上、二，前面要是画错了，后面很难调整；因此，OpenAI选择用新的模型来替代它。 那么，替代后的模型什么样呢？答案是非自回归模型（Non-autoregressive models），它改变了核心架构。 这个架构会先理解整个图的结构和细节，更像学生先听完老师讲完题目，把整张画的轮廓搞出来，再一点点填细节。比如：画只猫，先勾勒出猫的外形，再去细化毛发、眼睛。 这种模型采用一种特殊的编码、解码架构来实现目标。简单来说，编码器负责“读题”，理解你输入的文字；解码器负责“作答”，根据文字生成图片。 优势在于，一，不再像老方法那样一步步、逐像素地生成图像，效率更高，二，整体表现更强，特别是在复杂场景里，能更好地处理多个物体之间的关系，生成的图片更逼真。 好比画一个桌子上有杯子、书本和台灯的场景，非自回归模型能更自然地处理东西的位置和光影效果，不会显得乱七八糟。而且，它对复杂的文字指令理解得更好，生成的图片和描述基本能做到符合逻辑。 还有一个特点：这种模型灵活性强，能融合到多模态里，比如，把它塞进ChatGPT 4.0里，它不仅能看图，还能结合音频或已有的图像，进而生成更多样化的内容。 因此，Open AI这一步本质做了一次小小的自我革命。 春节时，DeepSeek发布一款文生图模型Janus-Pro，关注过的人应该知道，它采用了非自回归的框架。Janus系列中的Janus-Pro-7B模型，在GenEval的准确率上达到了80%，甚至超过DALL-E 3的61%。 我查了一下，这种非自回归模型最早在2018年的ICLR会议上提出，最初应用于神经机器翻译（Neural Machine Translation, NMT）领域，目的是加速推理速度。 从论文综述来看，微软在2022年5月13日进行了进一步研究。而国内2023年左右，阿里巴巴、科大讯飞、昆仑万维、云从科技等一系列企业已经引入这一技术。 本文由人人都是产品经理作者【王智远】，微信公众号：【王智远】，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。

<blockquote><p>腾讯 QQ 官方宣布，短视频功能将于 2025 年 4 月 2 日正式下线，用户将无法发布新作品或浏览他人视频。这一调整是 QQ 运营策略优化的一部分，旨在聚焦核心社交功能，同时整合腾讯内部资源。此次调整引发了用户对 QQ 功能优化及未来发展方向的广泛讨论。</p> </blockquote>  各位小伙伴，前几天，腾讯QQ扔下了一颗“重磅炸弹”——**从2025年4月2日起，QQ短视频功能将“正式下线”，用户不能再发布新作品，也不能再刷别人的视频了！ **是的，你没看错，那个曾经陪伴无数人记录生活、分享趣事的“QQ小世界”，即将成为历史。 ## 一、发生了什么？ 根据腾讯QQ官方公告，这次调整的原因是**“运营策略优化”**。具体来说：   - 功能下线：4月2日起（特殊情况下可能延后），QQ短视频将不再支持发布新作品、浏览他人作品等核心功能。   - 数据迁移：用户过去发布的短视频不会被删除，而是自动保存到QQ空间。也就是说，你的“黑历史”不会消失，只是换个地方继续“躺平”。   - 团队调整：有消息称，负责短视频业务的“QQ小世界”团队或将面临岗位缩减，涉及约300名员工。 ## 二、你的作品怎么办？ 如果你是QQ短视频的忠实用户，现在最关心的可能是：**“我的视频会去哪儿？”**   - **无需手动操作**：腾讯明确表示，所有历史作品会自动迁移到QQ空间，用户无需自行备份。   - **未来还能看吗？** 当然可以！只要你的QQ空间还在，这些视频就能继续查看。不过，**互动数据（如点赞、评论）是否会保留**，官方尚未详细说明。 ## 三、QQ为何要“砍掉”短视频？ 虽然官方解释是“优化体验”，但背后的原因可能更复杂：   - **主动“瘦身”**：内部人士透露，QQ近年因功能繁杂被吐槽“太臃肿”，这次调整是“断舍离”的一环，目的是**聚焦核心社交功能**，比如聊天、文件传输等。   - **资源整合**：腾讯旗下已有微信视频号这一成熟的短视频生态，QQ与其“左右互搏”意义不大。集中资源发展视频号，或许是更明智的选择。   - **用户数据压力**：截至2024年底，QQ月活用户为5.24亿，同比下滑5%，而微信月活已近14亿。QQ急需通过“轻量化”留住用户。 消息一出，评论区瞬间炸锅：   - “爷青结！”：90后、00后网友集体感慨，QQ短视频承载了学生时代的无数回忆，比如社团活动、毕业旅行、甚至是偷偷暗恋的“仅TA可见”。   - “早该关了！”：也有用户表示，QQ功能太多导致卡顿，砍掉非核心业务反而能提升体验，“刷短视频我去抖音就行”。 这次调整或许只是开始。据内部人士分析，QQ后续可能继续**精简功能**，比如优化小程序入口、调整动态页面设计等，同时探索新方向，比如**AI社交或虚拟形象互动**。   QQ短视频的“退场”，像极了青春里的某次告别——猝不及防，却又在情理之中。或许，这就是互联网产品的宿命：没有永恒的形态，只有不断迭代的生存法则。   **温馨提示**：如果你有特别珍视的QQ短视频，记得在4月2日前截图留念！毕竟，有些回忆，连“自动迁移”也带不走它的温度。 本文由人人都是产品经理作者【产品经理龙哥】，微信公众号：【产品经理龙哥】，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。

<blockquote><p>在市场营销的复杂棋局中，价格和渠道策略是影响消费者决策的关键因素。本文深入剖析了如何在4P理论框架下，通过精准的价格策略和高效的渠道布局，激发消费者的购买意愿，实现销售转化。</p> </blockquote>  在昨天的营销必修课文章中，我们聚焦于如何基于产品特性与卖点刺激消费行动。今天，我们将视角转向价格与渠道两个关键维度，深度剖析如何通过这两个要素的有效运作，进一步激发消费者的购买意愿，完成转化提升。 ## 一、价格策略：高低有道，撬动心弦 价格，在营销的棋盘上，是影响消费者决策的关键棋子，它关乎盈利模式的塑造、市场份额的争夺，以及企业阶段发展目标的权衡，是企业运营的核心枢纽。 ### 1. 高价产品：价值锚定，让高价成为吸引力 高价产品，凭借其充足利润空间，为企业的产品创新、渠道拓展和市场推广提供强有力的支撑，助力企业在竞争中占据高地。然而，如何让消费者心甘情愿为高价买单？答案在于要提供有力的购买理由。 - **提供政治正确的理由**：这是一把能撬动消费者心理的钥匙。针对特定人群，如父母为孩子学习与健康成长的投入，白领在高压下对品质生活的追求对自我的追求，这些理由都是直击痛点，极具说服力。同时，对标其他品类，如：当一款沐浴露卖到200元时，就应与价值1000元香水做对比，能为消费者提供清晰的价值锚点，进一步强化购买动机。 - **提供足够丰富的信息**：高客单产品的购买决策往往伴随着高参与度。在引导购买的过程中，无论是产品包装、电商详情页，还是线下展示，都应提供详尽信息，扮演消费者的智囊角色，消解其决策疑虑。 - **提供此时此刻的优势**：消费者在面对高价时，常常犹豫不决。此时，突出优惠的紧迫性、限时限量的奖励、独家的增值服务，甚至是一句“加急发货”的承诺，都能成为撬动行动的有效钩子。 - **提供没有担忧的承诺**：这是给消费者的一颗定心丸，也是将其引入私域流量池的关键。通过完善的售后保障，不仅能解决消费者的后顾之忧，还能为企业建立稳固的客户关系。 值得注意的是，高价格本身就是一把双刃剑。一方面，它促使消费者自动为其寻找合理性，只要企业提供足够丰富的信息作为支撑，就能撬动消费者的心理认同；另一方面，高价产品在平台算法的加持下，往往能吸引更优质的人群流量，为企业带来更高的品牌曝光度和市场关注度。  ### 2. 低价产品：超预期与理由支撑，让低价更能刺激行动 低价产品，看似容易引发冲动消费，但其背后逻辑并不简单。消费者对低客单价产品的购买参与度往往较低，他们更倾向于相信大品牌，遵循“一分钱一分货”的常识。因此，如何让低价产品成功转化，成为营销人必须攻克的难题。 - **加入超预期的元素**：这是让低价产品脱颖而出的关键。无论是黑科技元素、专利技术的创新应用，还是通过DIY展示放大产品的最佳效果，都能让消费者感受到超预期的价值，尤其是美妆和食品行业。对于难以从产品自身挖掘超预期元素的情况，可以尝试从欢迎度入手，突出产品的已有XXX人买，激发消费者的从众心理。 - **明确低价的理由**：在给消费者超预期呈现的同时，还需提供一个合乎情理的低价理由，让其安心购买。小米的“综合硬件利润率永远不会超过5%”的承诺，就是一个经典的营销案例。尽管从财务角度看，这一承诺具有一定的迷惑性，但在营销层面，它成功地强化了小米“质优价廉”的品牌形象，为低价策略提供了强有力的支撑。  ## 二、渠道策略：找到消费者，让渠道帮我们卖货 渠道，是产品通往消费者的桥梁，不同类型的企业在渠道铺设上呈现出显著差异。从抽象层面看，渠道推广的核心在于两件大事：一是找到消费者，二是让渠道帮我们卖货。 ### 1. 找到消费者：精准捕获，高效转化 **建立蜘蛛网，精准收割公域流量** 以学习机为例，将流量分为泛品类流量、品类流量、竞品流量和品牌产品流量四类，借助电商平台的投放工具和直投工具进行多次触达。针对不同类型的流量，采用差异化的转化钩子，如强化产品卖点、突出品牌优势、直接发放优惠券等，确保每一滴流量都能被充分利用。对于难以打动的消费者，将公域流量转化为私域流量，进行一对一的转化引导，进一步提升转化效率。 **构筑多元化、个性化、利益导向的转化钩子** 针对不同类型的流量，设计多样化的转化钩子，满足消费者的个性化需求，激发其购买欲望。 **公域转私域，实现转化效率最大化** 通过个性化购买咨询、福利优惠引导和增值服务提供，将公域流量引入私域流量池，实现流量的高效利用和客户关系的深度维护。 ### 2. 让渠道帮我们卖货：激活渠道，共赢增长 渠道是品牌营销的强力盟友，品牌越能组织和动员更多力量，就越能在共同利益框架下实现共赢。巩固渠道的核心在于打造双赢的利益共同体。 - **绑定合作意愿强的渠道伙伴**：一些亲子早教品牌在发展初期，通过与亲子社区或公众号社群合作，借助粉丝信任背书获取首批种子用户，实现从0到1的突破。在收益平衡的基础上，发展尽可能多的合作共同体，实现效益最大化。 - **为渠道创造新的增量**：通过为渠道引入新人群、增加客户流量，或以刚需稳定的客群提升渠道活跃度，为渠道创造新的增长点。例如，拼多多通过引入知名品牌入驻，开拓新的消费市场，为品牌和平台实现双赢。 总之，今天我们从价格和渠道两个维度深入探讨了刺激消费者行动的策略。在价格端，针对高价和低价产品分别制定相应的行动刺激方案；在渠道上，通过找到消费者和让渠道帮我们卖货的双向赋能，获取流量并撬动用户行动，为企业营销注入强劲动力。  本文由 @在下卓一航 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>在产品江湖里，GTM（Go-to-Market）策略就像是武林高手的秘籍，而深挖客户需求则是秘籍里的核心心法。很多产品人常常对着客户需求的“迷雾”发愁：客户到底想要什么？是“需要”还是“想要”？是理性还是感性？这篇文章就像是一位经验丰富的“需求侦探”，带着你从场景、痛点、数据等多个角度，一层一层揭开客户需求的神秘面纱。别再让产品设计靠“拍脑袋”了，快来一起探索如何精准抓住客户的心！</p> </blockquote>  了解客户到底怎么想的，从来都不容易。 过去常用的定量问卷调研和定性焦点小组（focus group)都有很大的局限性。 问卷调研并不能了解客户内心真实的想法。比如“想购买什么价位的手机？”我可能会回答“2000元以下…”但实际上，我是乱填的，我根本不需要新手机。 焦点小组定向邀请10-20人参加讨论，了解需求更深入，但参与者很难跳出自己的认知框框，也容易受人影响，更有样本偏差，常常被认为见树不见林。 不少企业干脆不花精力去了解客户需求了，反正乔布斯也说过“客户也不知道他们想要什么”。 于是很多的产品设计，要么拍脑袋靠灵感，要么照搬竞争对手，要么凭经验直觉… 在市场和技术都在飞速变化的当下，客户的需求和期望值日新月异。不愿意深入了解客户需求，必然会带来产品失败的风险。 根据哈佛商业评论的调研，超过34%的初创公司失败也是因为他们找不到合适的PMF，大白话是“产品不是客户想要的，纯自嗨”。 现在，客户开始在AI上直接提需求找答案。如果不能在产品营销时讲清楚“我的产品能解决什么问题，带来什么价值，创造怎样的体验”等问题，也许不会被AI发现并推荐。 那么如何深挖客户需求？过去我写过一篇文章《市场人如何了解客户需求与痛点》，这篇文章作为姊妹篇，从场景、痛点、数据等角度展开。（重要前提：产品已经明确了目标客户是谁，有了相对清晰的用户画像） ## 1. 思考“客户使用产品要做什么？” 丹尼斯.J.哈普特利在《打造真正的新产品》一书中谈到“产品功能”和“产品用来做什么”之间的区别，用水龙头举例，浅显易懂。 他说：“无论是用在厨房、卫生间、还是花园，水龙头的功能都是汲水，但在不同的场合的完成的任务是不同的。如果错把功能当成任务，就只会在颜色、外观、款式上下功夫，不会让水龙头更好用，也不能更好地完成任务。”  显而易见，使用者对厨房清洗餐具的水龙头和花园接软管的水龙头需求是不同的，产品设计以及卖点也应该不同。 那怎么找消费者的痛点？以卫生间洗手为例，普通人大概分9步：  浪费了很多水，而且你发现了吗？第9步关水龙头的时候，可能手又脏了，白洗了。 脚踩、感应等水龙头，就是为减少步骤以及节约用水的需求而设计的。 丹尼斯对于了解“客户想用产品做什么”的建议是：分析使用场景，在客户体验中观察痛点、提出建议，并在推出后尽快获得试用客户的反馈。 如果需求抓准了，可能会听到客户说“这正是我想要的”。如果错误，会听到质疑、忽视甚至“那又怎样”的不屑，用这样的方法一步步确认客户是不是真的需要。 这个方法在B2B行业里也有成功的案例。某CRM SaaS创业团队，为投行、基金公司客户简化了他们服务高净值客户的流程，提升了效率，并在隐私、圈子、安全性等痛点问题上有专门的解决方案。 你看，高明的管理者思考如何跳出PK产品功能的困境，强调带给客户的独特价值，只有这样才能价格战中脱颖而出。 如何做到？最好的方法就是去客户现场仔细观察每一个工作步骤，问问他们哪个问题急需解决，也许你就有答案了。 ## 2. 解析“客户想要什么？” 人的需求分为需要、想要等等。英文分别对应Need、Want。 “需要”是客观的、理性的“不得不”，比如需要保暖，需要吃饭，需要住房子，需要穿鞋子… “想要”更加强调主观的愿望，比如想要获得更好的工作，想要去旅行… 想要更加感性，暗含痛点。需要更理性，潜在买点。 以企业咨询为例，比如目标客户在面对“不知道如何开始改变，想找到方向”继续深入，具体的痛点也许是当下内卷造成的压力，产品价格战以及AI焦虑…止痛药是增长咨询服务，可以理清思路，找到改变的方法。  不仅仅是营销，还包括销售、研发、运营支持团队都需要了解客户的各种想要和需要。 随着产品进化、GTM团队对客户理解的不断深化，“我们为什么要制造”以及“目标客户为什么要买它“的讨论会一直延续。 ## 3.多问“为什么” 《从为什么开始》的作者Simon Sinek曾经在演讲视频上举过苹果电脑用黄金圈法则做宣传的例子。  常见的宣传一台新电脑的描述会是：“这是一台最棒的电脑，用户体验良好，使用简单，设计精美，买一台吧！” 苹果公司的宣传方式却是：“我们做的每一件事情，都是为了突破和创新，与众不同。我们挑战现状的方式是通过设计精美，使用简单和界面友好。我们在这个过程中做出了最棒的电脑。想买一台吗？” 前者的说法实际上是大部分商家市场营销所采取的方式，罗列说自己的产品是什么，有什么优势，如何的好…苹果触达了客户想与众不同的潜在需求，提供了购买理由。 心理学大师丹尼尔.卡尼曼的研究结论指出，人的决策并不是全理性的，程序化的。 简单询问客户要什么徒劳无益，你必须进入客户的头脑，去了解真正激励他们的是什么。 比如客户追求价格，看上去理性，但激励这个人的并不是价格，而是他能获得最合算交易的那种自信、能干和掌控的感觉… 追求服务，激励他的是为了少了麻烦，轻松的感觉.. 追求知名品牌，也许是成功的感觉… 追求科技含量，也许是体现身份、凸显自己的前瞻性… 要想能够直击客户需求，就是不断地追问“为什么”，逼着自己站在客户的角度思考。 为什么要有这些功能？能完成什么任务？—&gt;回到第1点 为什么客户会在这个时候有这些痛点？—&gt;回到第2点 为什么客户要选择我们？—&gt;决定产品定位 ## 4. 善用数据分析 前面这些都是定性的需求调研，从使用场景和体验、理性与感性需求出发，并且用不断追问的方式了解冰山之下的原因。 不过在AI时代，用数据分析和预测客户的需求也是可以尝试的方法。 比如分析现网站流量、社交媒体讨论、购买记录、客服反馈等更深入了解客户的画像以及需求。 也可以通过AI 语义分析，用 NLP（自然语言处理）分析客户评论、社交媒体、问卷反馈，找出高频关键词和潜在需求。 而用DeepSeep等大语言模型可以扫描社交媒体和新闻报道，定期识别最新的潮流、热点话题、新增需求等。AI 通过实验设计，测试不同产品功能、价格、文案对用户行为的影响。 《痛点-挖掘小数据满足用户需求》的作者马丁.林斯特龙认为大数据连接了千百万的数据点，可以准确地产生相互关系。 但人们按照自己的习惯行动时，大数据通常不会十分准确，因此发掘用户需求的时候，在大数据之外，还是要通过小群体的亲身观察和小数据尝试。 每个人的想法都是复杂的，多变的…如果想尽量了解多一点，最好的方法还是先用数据分析，再走进他们，真诚的坐下来好好聊聊。 文中提到的几本书都非常好，推荐给你。  本文由人人都是产品经理作者【Hanni】，微信公众号：【时光笔记簿】，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。

<blockquote><p>在数字化转型的浪潮中，电商售后作业的自动化成为提升客户服务质量和效率的关键。本文深入探讨了售后作业自动化的现状与挑战，分析了咨询类和售后作业处理类两大类售后作业的特点，并提出了利用OCR、区块链、AI等先进技术优化售后流程的具体方案。</p> </blockquote>  随着数字化转型的推进，“云移大物智”技术的迭代速度的加快，电商售后的场景更加的丰富，仅依靠传统的“被动响应”来解决售后问题已经无法满足企业对于客户服务的需求，越来越多的企业正在寻求“主动预防”来提升售后作业的效率，确保电商售后场景的安全，提升用户的体验。 售后作业大体可定义为两个方面： - 咨询类 - 售后作业处理类 下面，将对这两类作业进行解析，并分析如何应用新技术来提升作业效率，重塑企业面向消费者的服务体系。 ## 咨询类 简单来说，就是消费者主动发起的咨询动作，用来解决「产品如何使用？」、「售后/物流进度？」、「条款/政策是什么？」、「专业技术咨询或答疑？」等的一些类咨询服务。 这类作业必然的要求是快速响应、可通过知识库/FAQ来减少重复性的咨询、对一些高频问题可反哺产品功能或性能优化 在咨询类作业中，常使用的电商的客服体系。传统类的电商客服服务流程是智能客服+人工客服协同，通常采用的流程如下：  这种模式下，存在以下问题： - 答非所问，对于一些复杂的多条件的问题，或者使用方言进行描述的问题，智能客服无法解决，需要反复转人工，造成服务时间延长。 - 对于一些新的业务问题或者比较小众的问题，智能客服可能会一直回复“我不明白”，或者循环的点击菜单 - 当在高峰期咨询量激增时，用户会一直在排队中，或者等待的时间过长，从而直接影响了购物体验 - 当人机层协同断层时，会出现问题重复提交，缺乏对上下文的理解，影响的用户的售后体验 - 除此之外，智能客服的数据与人工客服的数据存在数据孤岛，导致人工无法提前预判当前用户的情绪或者历史的问题。 …… 等等。 随着大模型的诞生，衍生除了诸多的AI客服系统，但是目前大部分的AI客服还停留在SOP模型或者Copilot协作模式，其中Copilot模型指的是，系统内设定任务目标，其中标记某几个任务由AI完成初稿，人类来进行修改并确认调整的人类+AI协同工作模型。 但是也会出现，前后端没有配置，就无法回答、只能机械式的完成单论的问答、使用一些幻觉问题来误导用户、答非所问情况依然存在。 为了让AI客服更加的智能化，出现了很多新的解决方案，如可利用抖音的Coze 平台、fastgpt等平台创建客服Agents来构建AI客服场景下的人机协作的新服务范式。这种范式是由人类设立目标并提供相应的资源，由AI全权代理。 在这种模式下 - AI智能客服可以直面面对用户，未用户提供服务。通过智能体，结合之前的规划过程中累积的常见问题以及对应的问题解决方案，不仅能够更快的回答客户，还能越“训练”越“准确”，甚至有些一部分场景甚至可以完全的取代人工。 - 在回复内容存在风险的情况下，真人客服可以对AI回复的内容进行人工监管。同时通过评分标准，来有效的评估模型的能力以及评估坐席干预的合理性，即“AI回答的好不好”、“人工客户纠正的对不对”。 以抖音的Coze平台创建智能客服为例，对应的系统架构如下。  在以上架构下，如何将传统的客服的工作智能，抽象为可以数据化和智能化的服务主体，一般可以采取如下步骤 **步骤1：解构客服的服务流程**  **步骤2：工作流架构的抽离设计** 2.1 主流程来串联完整的服务链路，判断绘画的基本面并通过路由，流转到响应的Agent； 2.2 在Agent节点上，由于该节点是可以承接处理的智能的，故进行阶段设置的时候，需要包含寒暄、收尾、问题澄清、场景路由、判断解决方案、协商方案、执行方案等。 2.3 配置节点，如配置知识库节点、判断条件配置、LLM模型参数配置等 2.4 代码节点，如IM通信、特征解析、实验参数的获取等。 ## 售后作业处理类 简单来说，就是需要公司主动介入的来解决的实质性售后问题，一般情况可能会涉及到工单系统或者线下操作。常见的售后作业场景有： - 维修服务类，比如对硬件的检测及部件的更换、软件BUG的修复等等 - 退换货服务类，比如仅退款、退款退货、补货、换货、售后物流的咨询、售后工单的审核咨询等等 - 投诉处理类，比如问题需要升级投诉、投诉的赔偿协商、投诉引发的情绪的安抚 - 现场服务类，比如家电的送货上门并安装服务、设备的检修和巡检等 等等，这些售后作业都需要依赖标准的流程的，比如退换货服务中的质检环节等；是会依赖工单系统的，通过工单系统来协调技术人员等；重视业务的闭环反馈，如满意度调查等。 通过对当前主流的电商平台的售后作业自动化进行调研，其中调研内容如下：  在调研中发现，目前主流的电商厂商已经在售后作业流程中一个或者多个节点应用了先进的“云移大物智”技术重塑了作业流程，使其实现了自动化，做到了“预防为主，响应为辅”。 所谓“功欲利其器，必先利其器”，下面举例说明如何利用这些先进的工具改进售后业务。 ### 场景1：利用OCR技术来识别退货商品的信息，来提升退货质检流程。  在OCR识别过程中 Step1，做图像采集，常用的拍摄工具有手机、RF枪、扫描仪、工业相机等；拍摄扫码的内容有&lt;商品标签&gt;、&lt;商品条形码&gt;、&lt;发票&gt;、&lt;退货单&gt;等。拍摄时要求尽量保持背景简单、确保拍摄的内容能够足够的清晰，内容确保完整，避免出现反光或者光线不足造成无法识别的情况； Step2，图像预处理这步，主要是用来优化图像的质量，来进一步提升OCR识别的准确率。预处理常用的工具有OpenCV、PIL，预处理的关键步骤有：图像灰度化，来减少计算的复杂度；二值化，通过阈值的处理，将图像转为黑白色，来进一步突出文字的区域；降噪，主要是用来去除噪点；倾斜校正，如果图像倾斜，则使用霍夫变换或者边缘检测来矫正图像的倾斜度；锐化，这步主要是增强文字的边缘的清晰度；区域剪裁，这步就是仅保留包含退货信息的区域。 Step3，OCR文本识别这步，是从Step2这步处理后的图像中处理相关的文字信息，通过通用的OCR引擎或者定制化的OCR模型来输出结构化或者半结构化的文本数据，输出类型为JSON或者CSV格式。 Step4，信息解析与提取这步，是根据Step3输出的文本数据，使用正则表达式或自然语言处理或者企业内置的模板来匹配并提取出关键的字段，一般退货的关键字段有&lt;订单号&gt;、&lt;商品SKU&gt;、&lt;退货数量&gt;、&lt;退货原因&gt;、&lt;客户ID&gt;、&lt;退货日期&gt;等。 Step5，数据验证与纠错这步，是确保提取出的信息与系统中的数据进行匹配，确定存在的。通过系统内置逻辑来检验是否正确，比如退货数量是否为数字、退货原因是否为系统预设的原因，如“破损”等。识别通过后，如果存在置信度低的识别结果，则需要转人工进行审核，并且需要标注该条数据人工参与了审核以及审核的原因等。 通过这一些列的操作，可以显著的减少人工错误率，但这并不能一劳永逸，也需要不断的结合实际的业务场景对涉及的模型进行持续的优化，需要特殊说明，消费者个人的敏感信息需要严格保密。 ### 场景2：利用区块链+AI技术，通过记录碳足迹来优化逆向物流路径  在数据输入过程中 Step1,物流环节数据指的是：在运输工具上（汽车、卡车、船舶等）、仓库中，部署传感器，传感器用来实时的采集运输工具的&lt;燃料消耗&gt;、&lt;运输里程&gt;、&lt;路线&gt;、&lt;载重&gt;、&lt;速度&gt;；仓库的&lt;温度&gt;、&lt;耗电&gt;等、货品的包材、货品的数量等等数据，并安装GPS，使用GPS来跟踪运输工具的运输路径。外部数据指的是：第三方的碳排放因子数据库或者能源供应商的绿色能源认证数据。 Step2,获取到Step1的数据后，对数据进行清洗，清洗出异常值。对碳排放进行计算，公式为：碳排放量=活动数据×排放因子 Step3,计算到碳排放量后，开始将相关的数据上链，可以选择联盟链（Hyperledger Fabric）或者公链（以太坊）都行，依据需求而定。利用智能合约技术，校验数据格式并上链，确保数据不可被修改。常见的可上链的格式如下 <blockquote><p>{</p> <p>“timestamp”: “2025-03-27T14:30:00Z”,</p> <p>“transport_id”: “TRUCK-001”,</p> <p>“route”: “从北京仓库到天津分拣中心”,</p> <p>“distance_km”: 166,</p> <p>“fuel_used_l”: 34,</p> <p>“co2_kg”: 121,</p> <p>“block_hash”: “0x3a7b…d41c”</p> <p>}</p></blockquote> 并采用PBFT实用拜占庭容错技术或者PoA权威证明技术来验证数据在多参与方的数据都是一致的。 在输入数据中，我们需要考虑运输工具的容量、仓库的处理能力、碳排放的上限、交通的情况、天气的情况等，基于这些条件下，秉承成本最优的原则，计算出最优的路线。 在构建模型的时候，将路径的规划转化为多目标的优化问题，支持VRP变种。可通过使用强化学习算法RL训练智能体在动态的环境中如何快速的做决策；通过遗传算法GA生成路径，并持续迭代的优化路径；通过图神经网络GNN算法处理复杂节点的关系，比如与仓库的关系、与客户的关系等关系拓扑图。 分配路径，调度资源后，车辆在实际的运输的过程中，可以根据交通的拥堵情况、天气情况、订单的状态等各种因素来实时的调整实际的运输路线，之后，实际的运输路线以及实际的碳排放量都会被写入区块链，形成验证闭环。 等等，除这两个场景外，还有诸多的场景中都运用了先进的科技技术，但是需要技术带来的风险和挑战。比如AI风控模型可能会误判低信用用户，所以在AI风控的场景下需要持续的对模型进行校准和优化。消费者行为数据的上链或者运输数据的上链的时候，需要确保行为是符合GDPR等相关的法律法规的，也确保消费者的隐私协议必须符合平台的规则的。 本文由 @COFCO 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。