新聞資訊
News and information
-
24
11/08
軟件吞噬世界，我們錯失了什么？
想象一下兩家咖啡館：一家在PaloAlto,另一家在北京。在第一家咖啡館里，工程師們一邊喝手沖咖啡，一邊討論API集成。在第二家咖啡館里，運營經理一邊喝著奶茶，一邊集思廣益，策劃病毒式營銷活動。2010年代見證了世界兩大經濟體在科技史上最深刻的分歧。硅谷加倍投入企業(yè)軟件，而中國則將賭注押在消費者應用上。這兩種策略都以無人能預料的方式奏效了，也失敗了。共同之處是：兩者以不同的方式完成了社會經濟的數字化。疫情三年，星移斗轉，GPT橫空出世。過去的十年，我們到底錯失了什么，又應該如何進入下一個十年？一、軟件吞噬一切2011年8月，MarcAndreessen在WallStreetJournal上發(fā)表了WhySoftwareIsEatingtheWorld一文。這篇文章站在2010年代的開端，一方面回顧了互聯網、智能手機和云計算對商業(yè)社會的改變，另一方面拋出了軟件在進一步重塑汽車、零售、物流、金融、醫(yī)療保健和教育等傳統(tǒng)行業(yè)的觀點。2012年5月18日，Facebook在NASDAQ以1040億美元的市值上市，就募資金額看，是美國歷史上第三大IPO.在資本市場和媒體的一致看好之下，仍然很快跌破了發(fā)行價，到了月底，跌去了四分之一的市值。盡管如此，它還是為早期投資人和員工提供了豐厚的回報。這次史無前例的IPO產生了深遠的影響，很多早期員工年紀輕輕就財務自由，同時又深諳軟件的巨大價值，很多人轉身創(chuàng)辦新的軟件公司，Asana、Quip、Cloudera等先后浮出水面，面向企業(yè)提供服務。而面向消費者服務的Quora、Path等公司則發(fā)展較為緩慢。另一方面，Facebook在IPO之后的十年中通過自身強悍的執(zhí)行牢牢占住了社交王座，把Twitter和Snap甩開數個身位，成為唯一能在數字廣告市場上與Google競爭的科技巨頭。在收購Instagram和WhatsApp之后，Facebook逐漸形成了近乎壟斷性的行業(yè)地位，讓一路看著Facebook長大的風險投資人避免在社交賽道上與Facebook直接競爭?？梢哉f，在Google和Facebook/Meta之后，美國科技業(yè)幾乎放棄了在消費互聯網上再造流量入口的嘗試，轉而選擇了一條截然不同的路線，造就了硅谷下一個十年的繁榮。二、美國：SaaS接力移動正如MarcAndreessen預言的，軟件完美接力上一個十年中的消費移動應用，成為新十年的主流投資趨勢。新創(chuàng)辦的SaaS創(chuàng)業(yè)公司在2010年～2015年間，增速成一條45%的直線，每年都在1000家以上，直到2018年以后才逐漸下降。從投資金額來看，在2008年～2017年的十年間，風險投資逐漸達到高峰，特別是在A～C輪的成長期，每年投入的金額都在百億美元的級別。這些投資主要都集中在了北美市場的SaaS公司上。從退出的角度看，面向消費者的名字往往因為家喻戶曉而飽受關注，但SaaS公司無論是IPO還是并購，退出數量遠遠超過這個時期的消費互聯網公司?；乜催@些變化的時候，更會感受到MarcAndreessen文章的預見性。他從Netscape（更像是消費互聯網）到Loudcloud（企業(yè)云服務）的經歷，以及對2000～2010年間的趨勢變化的理解，讓他更早地認知到“這是個巨大的機會。我知道該把錢投到哪里”。所謂“巨大的機會”，無非是基礎設施的普及，成本下降，但當人浸泡在這樣的現實中的時候，就會無所知覺。反而是從前個時代穿越而來，才能感受到變化的劇烈，以及未來如何分布不均。從協(xié)作辦公，到銷售營銷，到人力財務，再到IT安全，軟件裝上了SaaS的商業(yè)模式滲透進企業(yè)業(yè)務流程的每一個環(huán)節(jié)。在Microsoft和Oracle的時代（參考：《Oracle:復雜性戰(zhàn)爭》），企業(yè)軟件往往以功能的全面性著稱，而在SaaS時代，軟件則以專注于某個環(huán)節(jié)或者某個行業(yè)著稱。自動化平臺Zapier在10年間連接了6000多個企業(yè)軟件的應用程序接口（API），成為一家僅融資一輪就盈利的獨角獸公司。API,或者說“接口”，不是為SaaS設計的，但由于SaaS需要和企業(yè)客戶對接，開放可編程接口是必備特性。同時，開源軟件社區(qū)也逐漸壯大，技術棧中越來越多的開源代碼也需要通過接口相互連接、調用，形成了一整套基于“接口”的軟件生態(tài)。在這個生態(tài)下，一家公司努力做好一件事，其他搞不定的事情，就找到其他公司的接口來解決。這既是一種軟件開發(fā)哲學，也是商業(yè)生態(tài)的網絡效應，更是資本投入的高效杠桿。三、中國：超級應用崛起中國的故事發(fā)生在消費互聯網上。字節(jié)跳動把Facebook的Newsfeed發(fā)揚光大，在沒有社交圖譜的情況下重新發(fā)明了信息流，之后又把短視頻生意做到了全世界。美團和滴滴曾經是“共享經濟”的代表，現在則是本地生活和交通出行的巨頭。拼多多從水果團購起家，現在則以匪夷所思的低價和退貨政策，成為淘寶、Amazon之外的電商新一極。所有這些公司都有一個共同的名字，叫“超級應用”。最先獲得這個稱號的其實是微信，而后，中國的消費移動應用都開始在產品增加更多相關或不相關的功能，依靠各種小紅點、推送通知或游戲化獎勵做產品內部的引流和滲透。微信依靠春晚紅包獲得了支付能力，美團從團購變成了“送啥都快”的生活小幫手，拼多多和支付寶都可以看視頻，抖音和快手則可以購物和打游戲。閉環(huán)，是中國互聯網上黑話中的黑話；入口，是中國投資人眼中的皇冠上的明珠。順著“閉環(huán)”的“入口”看進去，只剩下直播間里賣的新國貨。我曾經和一位中國的頂級風險投資人交談，他歷數了自己投資過的中國SaaS公司，這些名字遠沒有其美國同行響亮，慘淡經營，也難以看到上市退出的希望。在GPT橫空出世之后，美國SaaS公司紛紛開始向客戶提供AI功能，過去已經建立的客戶基礎和產品場景為AI提供了通路和上下文，大大提升了在AI上創(chuàng)新投入的回報確定性。在中國，AI應用卻因為缺乏場景和商業(yè)模式而進展緩慢。上一個十年的錯失，會改變未來數個十年的路徑。四、錯失了什么，為什么？我在《視頻生成：AI的十億消費者機會》一文中表達過一個觀點：消費互聯網（ConsumerInternet）鋪路，企業(yè)互聯網（以SaaS為代表）造車，后者并不是一個獨立發(fā)展的趨勢，而是前者達到臨界規(guī)模后的衍生。這句話其實和MarcAndreessen講到的“軟件吞噬世界”的先決條件沒有本質區(qū)別：正是因為互聯網在消費者側的大規(guī)模普及，才能推動云計算等基礎設施的快速鋪開，為企業(yè)軟件的成長奠定基礎。在上一個十年中，中國市場長出了短視頻，也很快把TikTok復制到了美國市場，美國本土的YouTube和Instagram也快速跟進。加上疫情居家辦公的影響，短視頻在企業(yè)營銷、教育培訓等方向愈發(fā)重要，也催生了大量的衍生基礎設施。那么，中國市場錯失的是SaaS嗎？從投資回報的角度看似乎是這樣的。但仔細看，中國的企業(yè)軟件很多沒有以獨立公司的形態(tài)存在，而是作為大廠“閉環(huán)”生態(tài)的一部分而存在的，更具體來講，往往是和云計算業(yè)務捆綁在一起。這其實很像Google/Microsoft提供的企業(yè)軟件，往往是用來敲開企業(yè)客戶購買云計算服務的敲門磚一樣。類似的，在騰訊/阿里/美團的電商生態(tài)中，也蘊藏著大量與零售、金融、物流等相關的軟件。這些來自大廠深處的企業(yè)軟件，延續(xù)了消費互聯網那種燒錢換規(guī)模，然后羊毛出在豬身上的“入口”邏輯。它們用免費+捆綁銷售的形式進入市場，憑借自身強大的市場開拓能力跑馬圈地。這種邏輯，不僅僅消耗了大量的資本，也綁住了大量的軟件工程師人才在一個高度集成的項目上，而非通過不同產品之間的“接口”進行重新組合。在2010年～2020年中，大廠的戰(zhàn)略投資逐漸崛起，而以LP回報為目標的風險投資基金則且戰(zhàn)且退。戰(zhàn)略資本的最高目標是實現企業(yè)的戰(zhàn)略意圖，如果大廠是在超級應用上競爭，那么投資的目的也是如何更好地打造閉環(huán)，而不是打造更多的開放接口。早期創(chuàng)投的價值在于多樣性，而多樣性來源于開放性。這需要生態(tài)里面的玩家抱有“接口”心態(tài)，而不是“入口”心態(tài)。SaaS或許是因為中國企業(yè)服務市場的整體現狀而未能得到機會，但其慘淡現狀也反映出中國創(chuàng)投生態(tài)的問題。美國的生態(tài)截然不同，下面分成幾個層面來看。技術層面：以GitHub為代表，基于開源軟件生態(tài)，出現了一批開發(fā)者工具（DeveloperTools），圍繞軟件開發(fā)的各個環(huán)節(jié)，專門服務軟件工程師這個成本昂貴的群體，進而服務企業(yè)中的核心數字資產和業(yè)務流程。這意味著，軟件開發(fā)的生產效率在不斷改善，軟件工程師的人效在持續(xù)提升，軟件工程的穩(wěn)定性和可靠性也越來越有保障。產品層面：產品講求差異化，不做同質化競爭，最終導致的結果是在垂直領域和業(yè)務環(huán)節(jié)都會出現細分。要么選擇一個大的垂直領域，端到端的把業(yè)務扎下去，要么選擇一個通用性很強的環(huán)節(jié)，做寬度和覆蓋，把客戶在這個環(huán)節(jié)上的需求都吃掉。這一點是和消費互聯網非常不同的地方，后者規(guī)模經濟極強，最終往往是“一家獨大”的市場格局。市場層面：既有PLG這種以產品特性為主導，更接近消費互聯網用戶增長打法的路徑，也有SLG以銷售為主導的路徑。很多創(chuàng)業(yè)公司在起步階段就有1～2個DesignPartners,通過一定的股權綁定，作為“天使”客戶提供產品建議，并鎖定為最初的標桿客戶。同時，2010年成長起來的這些SaaS公司也培養(yǎng)了一代在經驗、能力、人脈資源都更成熟的銷售、市場人才，成為從技術到客戶之間的潤滑劑。另外，創(chuàng)投圈也是初創(chuàng)公司的客戶來源，降低冷啟動的難度。財務層面：SaaS的核心是用標準化產品來替代非標準化的服務，從而大大提升企業(yè)財務的經濟性。美國人力成本高昂，軟件公司特為尤甚，本土的核心團隊規(guī)模都不會太大，追求人效，不愿意靠堆功能、做外包來贏得客戶。很多做到億級ARR的公司，團隊規(guī)模還在500人以內。也有很多初創(chuàng)公司在百萬美元ARR的規(guī)模上就開始盈利，對風險投資的依賴也在減小。投資層面：風險資本也跟隨產業(yè)趨勢逐漸細分。特別是在早期投資的市場上，以YCombinator為代表的加速器/孵化器大量出現，AngelList上也出現了天使投資的RollingFunds,LP可以按照季度進行小額定投（每季度在1萬美元左右），還有一些VentureStudio的孵化模式，以及資金規(guī)模不高、但強調dealflow的獨特性的Microfunds.融資渠道的多樣化大大增強了資本市場對創(chuàng)新的包容性。在生態(tài)的不同層面上出現的變化，核心在于其開放性，而不是包含在某個大廠的“閉環(huán)”中。一個值得玩味的說法是：中國講“入口”，而美國講“接口”。開放性和多樣性才是中美兩個市場在過去十年最大的差異，而非消費互聯網與SaaS之爭。開放性和多樣性是持續(xù)創(chuàng)新的基礎。自2022年GPT-3問世以來，美國的AI生態(tài)從芯片和基礎模型開始，到2023年進入Infra、DevTools的階段，到了2024年，企業(yè)軟件和消費應用也逐步浮出水面。創(chuàng)新的接力賽一棒接一棒，沒有停歇的意思。中國錯失的，正是這種流水不腐的開放性與多樣性。五、如何進入下一個十年2020年代有兩個開端。一個是Covid-19的開始和結束。它對全世界的社會生活和政治經濟都有深遠的影響。對于科技行業(yè)而言，它一定程度上加速數字化的滲透率，特別是對更為傳統(tǒng)的行業(yè)而言，僅僅是遠程辦公一個變化就足以驅動很多軟件采購的快速決策。另一個是GPT-3的發(fā)布。我們仍然處在生成式AI周期的早期階段，它對人類社會的影響仍然有待展開。一個明確能夠做出的結論是，它至少可以在上一個十年“軟件吞噬世界”所留下的高度數字化的基礎上，提升整個社會智能化的水平。這兩個開端，一個是把軟件周期推向了最高潮，另一個則在高潮之上再添新力，帶領世界進入了AI周期。六、模糊的B/C邊界經過上一個十年，中美兩個市場在很多地方開始互相追平。在基礎設施建設上，美國通過軟件周期把根深蒂固的傳統(tǒng)行業(yè)進行了數字化，中國則通過移動互聯網也完成了零售、支付、物流、公共服務等領域的數字化。在人才儲備上，軟件工程師供給穩(wěn)定，開發(fā)工具和技術棧越發(fā)高效。在成本優(yōu)勢上，兩國的人力成本都有不同程度的上漲，但AI周期中也都有明顯的效率改進機會。消費互聯網的創(chuàng)業(yè)和投資不確定性更強，而最終的回報也更驚人。TikTok的崛起并不能被簡單理解為是短視頻產品形態(tài)的革新，而也要考慮到它突破了Facebook長期占據的SocialGraph,利用個性化推薦算法建立了全新的興趣圖譜（參考：TikTokandtheSortingHat和Seeinglikeanalgorithm）。AI無論在產品形態(tài)、交互界面和智能算法幾個角度上，都有機會做到全面創(chuàng)新。難點在于：如何做好用戶增長達到規(guī)模經濟所需要的臨界點？這是消費互聯網的基本功，而在過去的十年中，只有Uber這樣的共享經濟公司還存有一些know-how,除此之外，對于大量的SaaS公司，這幾乎是一項失傳的手藝。中國團隊反而在這里已經經歷過更慘烈的戰(zhàn)斗，調動過更大規(guī)模的資源，也積累了大量的經驗。在企業(yè)市場上，中國軟件公司的確需要面對更不愿意付費的客戶或更封閉的商業(yè)生態(tài)。但在“出海”已經成為共識的前提下，這不應該成為障礙。真正的難點還應該回到產品和市場契合上來，如何深入到使用場景中去，拿到更多的企業(yè)內部數據和上下文，讓AI能夠因地制宜，做出產品的厚度。以及如何構造面向全球的GTM能力，語言、文化、人脈都會成為新的問題。在灣區(qū)和一些AI領域創(chuàng)業(yè)者交流的感受是：AI在效率改進上的價值很可能并不會強烈地區(qū)分消費者和企業(yè)。比如生產力工具，很多產品起初的PMF是在專業(yè)消費者（ProfessionalConsumers）上的，但最終賺錢是在企業(yè)客戶身上——后者更有支付能力。而在AIasaService的模式下，初創(chuàng)公司用AI來提升傳統(tǒng)服務業(yè)的效率，成為AI驅動的律師和會計師，面向消費者提供服務。AI周期中的消費互聯網與SaaS邊界越來越模糊。中國的創(chuàng)業(yè)者和投資人最不應該擔心的，就是過去十年似乎錯失了SaaS的機會，特別是對于早期公司，這個區(qū)別根本不重要。對于旨在全球市場的AI創(chuàng)業(yè)者和投資人而言，更應該調整“入口”心態(tài)為“接口”心態(tài)，發(fā)揮各自的長處，分工協(xié)作，通過“接口”的網絡效應放大自身的價值；而非在“入口”上同質化競爭，降低資本效率。七、從“入口”到“接口”：開放與多樣我認為，對于中國而言，還需要做好一件事，就是補充早期投資生態(tài)的多樣性。在上個十年里，一批新投資人出現了，他們以“$500kisthenew$5million”為口號，往往有著在科技行業(yè)的工作背景和人脈，在初創(chuàng)企業(yè)更早的階段介入，最終獲得豐厚的回報?，F在，我們經常能在公司融資的新聞中看到一長串名字，其中很多人的投資金額并不高，但這些名字本身就是一種網絡效應，為初創(chuàng)公司提供了大量非現金資源。同時，像SAFE這樣的投資工具也簡化了復雜的股權交易，抵消了因為多樣而帶來的額外成本?？梢哉J為，這是一種風險投資的“下沉”策略，更重要的是，它促進了創(chuàng)業(yè)生態(tài)中的連接性和包容性。在灣區(qū)，你很少會覺得一個想法太奇怪，或太愚蠢，或太不符合主流敘事，這不僅僅是對創(chuàng)業(yè)者而言的，也是對投資人而言——他們很多人也認為自己是一個創(chuàng)業(yè)者，也會以獨特的投資想法而贏得LP的認同。回到中國，在上一個十年中賺到的第一桶金如何能夠以更易得的形式傳遞給AI周期的面向全球市場的創(chuàng)業(yè)者？面向全球市場的天使投資、孵化器、加速器、VentureStudio、Hackerhouse都在哪里？有沒有AngelList、SAFE這樣的投資工具來簡化投資流程？創(chuàng)業(yè)本來應該是permission-less（無需許可的）。這是一種截然不同的價值創(chuàng)造方式：它需要站在未來，推導出現在可以做出的重大改變。它需要一些涓涓細流來滋養(yǎng)，而不是大力出奇跡式的大筆重注。大廠高管據說已經成為現在中國AI創(chuàng)業(yè)里面的半壁江山。他們或許有更強大的資源優(yōu)勢，更容易獲得資本的青睞。但同時，他們也有很強的路徑依賴，產品想法往往集中在少數賽道上，少了一些想象力。他們動輒千萬美金的融資或許能支撐一個偉大的愿景，但也會打擊生態(tài)的多樣性和開放性。在上一個十年的軟件周期中，美國經濟剛剛從2008年的金融危機中走出來，資本變得更加謹慎。而互聯網周期中賺得的“新錢”接替了“老錢”，以更靈活的姿態(tài)、更低的門檻支持了軟件周期中的初創(chuàng)公司。對于AI周期的中國而言，也應該出現這樣的創(chuàng)新接力。上一代的創(chuàng)業(yè)者成為新一代的投資人，提供資金、經驗和背書，既能做好資產配置，也能支持創(chuàng)新，實現長期愿景。更多的小型基金、個人投資或多種形式的孵化/加速項目，化整為零的滴灌、滋養(yǎng)未來的可能性。資本當然會追求最大的收益，但逐利性也會限制創(chuàng)新的可能性邊界。對于十年的周期而言，最壞的開局莫過于對多樣性的破壞。不要錯失本可以想象的未來。本文來源：虎嗅APP文章轉載于其他網絡，如有侵權請聯系我們及時刪除！
-
24
11/08
中國老人愛上網，但為何沒有一款做成功的垂直App？
銀發(fā)文娛是僅次于電商、排名第二的銀發(fā)人群互聯網應用熱土，垂直App、微信公眾號、小程序、抖音快手銀發(fā)網紅在過去十年依次迭興。2015年開始出現一批專注老年人的App,主打廣場舞的糖豆、主打圖文編輯的美篇、主打視頻編輯的彩視都是誕生在這一年，并先后獲得知名VC和頭部互聯網平臺的數千萬至上億元投資。2016年開始出現大量主打老年人內容的公眾號，最常見的主題是養(yǎng)老金調漲、養(yǎng)生健康、單身老人寂寞情感、社會對老人偏見不公、領袖和明星人物故事。這些內容在互聯網主流視野全放在年輕人身上的2016年，恰好填充了當時快速涌入的銀發(fā)網民的閑暇時間，老人分享轉發(fā)積極熱烈，10萬+爆文層出不窮，一時間出現許多粉絲數達到數百萬的公眾號矩陣。2017年隨著微信小程序上線，部分App和公眾號向小程序轉移，主打功能以相冊影集、小游戲、小說、短視頻為主，又在短時間內收獲了大批銀發(fā)流量。2019年抖音快手的年輕用戶增長趨緩，而銀發(fā)用戶的比重開始快速上升，一批個性獨特、思維開放的老年人自己摸索或在MCN幫助下變身銀發(fā)網紅，拍攝各種搞笑段子和換裝視頻。他們的粉絲量在短時間內迅速上漲，一批三五百萬粉絲的銀發(fā)網紅開始在短視頻平臺上占據一席之地。下面將從功能需求、流量紅利、商業(yè)變現三個方面分析銀發(fā)文娛互聯網的經驗教訓。一、打磨特定功能需求，鎖定超強粘性銀發(fā)用戶銀發(fā)互聯網領域最知名的幾個App,在發(fā)展初期就鎖定了銀發(fā)人群某個方面的強需求，比如糖豆聚焦廣場舞的視頻、學習、交流，美篇聚焦操作簡便的手機端圖文編輯工具，彩視聚焦短視頻的拍攝剪輯制作分享。而瞄準的這個需求越剛性、越粘性，產品功能對這個需求滿足得越好，初期獲得的銀發(fā)用戶就越不容易輕易流失，從而成為下一步發(fā)展起關鍵作用的種子用戶。當然，個案項目要想成功，不能僅僅滿足于人有我有的功能，因為每個賽道方向都會有很多同類競爭者，廣場舞、圖文工具、有聲影集以及以后興起的各種賽道都是如此。但大部分銀發(fā)互聯網項目做得雷同，只是簡單將現有功能模塊復制一遍，然后圖標放大、字體放大，在銀發(fā)人群中不會留下深刻印象，最終的命運只會是即用即棄。而上述項目在產品功能上確實是有特點的。比如糖豆為便于廣場舞KOL拍攝出銀發(fā)人群眼中的炫酷視頻，開發(fā)出綠幕摳像功能，可以將舞者安放在公園、廣場、山川等各種預設的背景中，還可以將單個舞者復制成三、五甚至七八個，在畫面上呈現出群舞的效果。這個功能至少在2019年就已上線，而主流視頻App幾年之后才上線類似功能。再比如美篇，為了便于銀發(fā)人群圖文創(chuàng)作，App設計了提供高清圖片、高清視頻、音樂的素材庫，并將其作為會員收費項目。與之對比的是，微信公眾號經過多年發(fā)展，影響如此之大，但后臺只提供編輯功能，圖片素材仍需要創(chuàng)作者自己解決。這些創(chuàng)新的功能點，背后蘊含著對銀發(fā)人群的深入洞察，這種洞察決定了產品好不好用、是不是真能擊中銀發(fā)人群的痛點，決定了能不能在銀發(fā)人群中建立獨特的用戶心智，決定了銀發(fā)人群是即用即棄還是來了就不想走，決定了在一堆同質化產品中是否能夠脫穎而出，走向下個決勝點。二、抓住流量紅利，順勢起飛2016年后一批專做老年內容的公眾號之所以能崛起，流量紅利所起的作用顯然占了更大的比重。在中國老人人手一臺智能手機之前，銀發(fā)人群接受信息的渠道主要是電視、報紙、雜志，信息來源的主體一般是官方媒體。但隨著智能手機在老人中的滲透率越來越高，并在2016年達到一個臨界點，中國老人從傳統(tǒng)媒體平臺大量流失，對互聯網內容的饑渴越來越大，但此時主流互聯網還將注意力放在年輕人身上，相應的老年內容供給非常缺乏。此時一批敏銳的內容創(chuàng)業(yè)者轉戰(zhàn)老年人群，聚焦在養(yǎng)老金調漲、養(yǎng)生健康、單身老人寂寞情感、社會對老人偏見不公、領袖和明星人物故事等極易引發(fā)老人共情的主題上，無需原創(chuàng)，只要將全網素材整合編輯，就能源源不斷制作出讓老人瘋狂轉發(fā)分享的10萬+爆款文。而且單獨一個公眾號顯然不能將老年流量收割干凈，開設幾十上百個公眾號形成矩陣并互相導流，組織公眾號專屬的讀者社群，再鼓勵群里的老人分享轉發(fā)到自己的群和朋友圈，形成進一步裂變。這些內容本身具有非常高的裂變屬性，再疊加上空閑時間很多、希望以轉發(fā)顯示存在感、間接“暗示”子女關心自己的銀發(fā)人群，最終會實現幾何倍數的傳播。再加上當時微信流量成本很低，大量投放花錢購買粉絲十分劃算，因此許多公眾號的粉絲也在短短幾個月內增長數十萬甚至數百萬之多。小程序在2017年后的崛起更是抓住了銀發(fā)流量紅利的典范。比如專注有聲影集和短視頻的小年糕，最早于2014年上線App,但一直不溫不火。2017年1月微信小程序面世，當年5月底小年糕就推出小程序，并與公眾號綁定，打通公眾號與小程序之間的無縫導流，從而快速擴充了小年糕的用戶群體。當時一個月之內，小年糕用戶量就從1000萬漲到2000萬。2019年時，小年糕的中老年用戶已經高達1.1億，在全體用戶中占比超過80%。類似的小程序還有很多。根據阿拉丁研究院公布的小程序TOP100榜單顯示，2017年8月開始，小年糕、卡娃電子相冊就進入榜單，之后美篇等圖文制作小程序陸續(xù)入榜。2018下半年到2019年，許多模仿跟風的流量玩家進場，在阿拉丁公布的小程序排行榜里經常會看到一些不知名的公司輪番上場。這些小程序的操作非常簡單，相冊類小程序可以直接一鍵更換模板，模板隨著節(jié)假日及時間變化，每到節(jié)假日期間，這種相冊類小程序就會瞬間火爆，帶來大量流量。2019年開始，受快速崛起的抖音快手短視頻平臺帶動，流量玩家又轉戰(zhàn)短視頻領域，各種短視頻小程序從2019年開始集中涌現。這些小程序中的內容多是來自各個視頻平臺，部分視頻中還留有騰訊、西瓜、火山等平臺的水印。并且這些新進入玩家大量鋪設相同主題相同內容的小程序以及公眾號矩陣，目的也是簡單直接，只為盡量做大流量，為下一步變現做準備。在前述垂直App的發(fā)展過程中，流量紅利也曾經起到重要作用，不過場景發(fā)生在手機上的應用市場，時間窗口也比較短。業(yè)內人士透露，2015-2017年時在應用市場上去做廣場舞App的廣告投放，獲客成本只要1.5到2元，這種方式支撐了少數頭部廣場舞App的快速起量并接連獲得大筆融資。不過在應用市場的投放成本逐漸走高之后，這種模式不再走得通，用戶增量開始枯竭，之后受到抖音快手的虹吸效應，更是出現用戶大量流失的情況。三、變現路在何方？變現是銀發(fā)文娛在走過產品、流量兩個關口后必經的第三個關口。下面就來看看銀發(fā)文娛都走過哪些變現之路，它們的表現又是如何。廣告上面提到過的流量型銀發(fā)文娛項目，一般公司規(guī)模很小，團隊只有個位數，但因為掌握著大量老年流量，通過廣告變現，高峰時一個月能實現數百萬元的凈利潤。但這個模式能夠成功的關鍵一是在于流量成本必須很低，二是在于有源源不斷地愿意支付高額廣告費用的廣告主。不過有能力有意愿支付高額廣告費的廣告主是稀缺資源，時常有不正規(guī)的保健品、化妝品甚至詐騙團伙隱匿其中，對銀發(fā)文娛項目來說存在很高的法律風險。因此一旦流量成本提高或者平臺監(jiān)管趨嚴，這個模式就很難維持下去。糖豆、美篇等代表性App,對外宣稱用戶過億，如糖豆2020年中老年用戶超2億、55歲以上用戶占比超過50%，美篇2019年累計注冊用戶超1.2億、65%以上中老年用戶。但他們均未披露過廣告收入的數據，只能猜測這些數據并不像想象中那么亮眼。知識付費/會員權益美篇在2019年推出過價格29.9元起/本的中老年回憶錄，根據官方宣稱，2019年雙11期間達6000單/天，交易額破百萬。彩視營收亦無公開數字，有媒體報道會員權益可占到50%，付費人數在數十萬量級，包含兩檔68元/3個月和198元/年，權益包括會員身份標識、視頻制作特權（特殊模板與素材、高清）、社交功能特權（類似陌陌）等。主播打賞多個App都先后推出過視頻直播和主播打賞。據了解，彩視的直播分成在高峰期可占營收50%，活躍用戶月支出在五六十元左右。美篇曾向外透露，2018年全平臺的打賞月流水曾達到千萬級。但真正屬于銀發(fā)人群的知識主播和草根主播并不多，反而是顏值主播貢獻的收入比重更大。這看起來更像是一個成熟的主播團隊在做透年輕人平臺后，又選擇一個新的未被開墾的老年人平臺繼續(xù)賺錢。旅游旅居旅游旅居在銀發(fā)文娛的各種變現方式中相對走得比較成功。疫情前的2019年，多個數百萬粉絲的公眾號矩陣能夠將旅游旅居收入做到千萬量級。另外，一家位于上海地區(qū)的老年退休生活平臺，以電視節(jié)目、公眾號、直播間、老年報、線下活動為運營載體，據稱擁有一百多萬老年會員，2019年旅游收入曾達到數億元。變現之路如何打通以上梳理足以說明，銀發(fā)文娛的大多數變現方式仍未走通，像旅游旅居這種驗證走通的模式在過去幾年又受到疫情的阻擊，仍需要一定時間恢復。而銀發(fā)文娛之所以如此難以變現，背后邏輯可以用一個簡化的等式幫助說明，即變現收入等于用戶規(guī)模乘以用戶平均收入。一般來說，超大用戶規(guī)模匹配低用戶平均收入或者中低用戶規(guī)模匹配高用戶平均收入，兩種方式都能實現理想的收入，前者代表是雁過拔毛的互聯網廣告，后者代表是重度氪金的游戲。恰好銀發(fā)文娛在過去十年的發(fā)展里，常常是中低用戶規(guī)模匹配中低用戶平均收入，與上述兩種情況都不相關，變現收入自然提不上來。在用戶規(guī)模上，銀發(fā)文娛項目在經歷前期用戶高增的流量紅利后，不久就會受到同類競爭者和新興平臺的擠壓影響，用戶規(guī)模很容易出現增長放緩進而大量流失。上文提到糖豆2020年中老年用戶超過2億，但具有實際商業(yè)變現價值的月活用戶肯定顯著低于用戶總量，而且在經歷同為短視頻競爭對手的抖音、快手、微信視頻號的輪番爭奪后，這個數字無疑會進一步降低。根據QuestMobile數據，2022年8月糖豆的銀發(fā)人群月活躍用戶僅為311.8萬。這一數字顯著低于同期頭部短視頻平臺的廣場舞KOL.根據QuestMobile,2022年8月銀發(fā)人群用戶在典型廣場舞KOL月活躍用戶規(guī)模，“小帥健身廣場舞”為946.7萬，“華州敏兒廣場舞”為726.4萬，另外還有多位KOL月活躍用戶在300萬-400萬之間。主打視頻制作的彩視也受到新對手的強大競爭。根據QuestMobile,2022年8月銀發(fā)人群在視頻工具App行業(yè)月活躍用戶規(guī)模排名中，彩視僅排名第五，月活躍用戶僅58萬，而排名第一的是2019年上線、抖音官方推出的剪映，月活躍用戶高達848萬。微信和抖音、快手上雖然有一大批專注銀發(fā)人群的公眾號矩陣和銀發(fā)網紅，但粉絲量大多集中在三五百萬量級，與動輒千萬粉絲的劇情段子、顏值主播等大號爭搶廣告收入毫無競爭優(yōu)勢，如果選擇直播帶貨，與美妝、服裝大號競爭的專業(yè)度又顯得很不夠，后者百萬粉絲卻可以年銷上億，靠的不只是粉絲數量，更是對產品設計和供應鏈的掌握。在用戶平均收入上，前文已梳理，大多數情況下銀發(fā)付費用戶對線上業(yè)務能夠貢獻的收入在幾十元至一兩百元之間，而且付費用戶在整個銀發(fā)用戶里占比并不高。之所以線上收入提不起來，是因為大多數App和公眾號、小程序、抖音號、快手號，主要精力都放在內容的制作和傳播上，與銀發(fā)用戶缺乏線下場景深度互動，銀發(fā)用戶看完即走，雙方之間缺乏情感維系和信任感，從而無法形成強粘性和持續(xù)變現能力。因此銀發(fā)文娛項目要想走通變現模式，無非是兩條路，一條是做大用戶規(guī)模之路，初期依靠流量紅利、內容紅利積攢大批銀發(fā)用戶后，不要留戀這個單一用戶群體，而是果斷迅速向全年齡段尤其是中青年人群進發(fā)，就如B站、小紅書初期圈定90后年輕用戶后，果斷向80后甚至70后進軍，然后依靠超大用戶規(guī)模賺取廣告收入；另一條是做深用戶信任之路，初期依靠線上方式積攢大批銀發(fā)用戶后，果斷加強線下運營，線上線下雙輪驅動，做深做透銀發(fā)用戶對平臺的信任感，然后用高客單價的產品進行變現。本文來源;虎嗅APP文章轉載于其他網絡，如有侵權請聯系我們及時刪除！
-
24
11/02
校園，超級App下一個必爭之地
超級App,競逐校園。超級App正涌入校園細分場景。校園，正成為超級App們眼中的“價值洼地”。近日，餓了么APP上線“學生版”。目前，全國5000多所高等院校的學生已可體驗新版本功能。當學生用戶將配送地址切換至具體高校，并完成學生賬戶認證后，餓了么APP將顯示定制化的學生版主頁以及學生專屬福利：既包括學生群體特別偏愛使用的甜品飲品、爆紅包等功能，還包含校園食堂、學生拼團、品牌學生價等定制化功能。此外，作為餓了么APP學生版的特色核心服務，餓了么還為學生提供了配送入校、送到宿舍、校園食堂、校內“同學說”等升級服務。餓了么學生版相關負責人鐘朝平透露：“在所有外賣人群中，學生用戶的需求很特別，一個是他們更關注價格和優(yōu)惠，另一方面出于校園環(huán)境的特殊性，他們也需要更多特制化的服務，例如點校園食堂訂單、外賣送到宿舍、同宿舍一起拼團下單等?！碑斎唬I了么在校園場景想做、能做的事遠不止外賣服務——即時零售是其更核心的著眼點?！凹磿r零售”是指用戶在線下單商品，一小時或半小時內即可送達的業(yè)態(tài)。根據艾瑞咨詢最新發(fā)布的《中國即時配送行業(yè)研究報告》測算，2023年即時配送行業(yè)規(guī)模約為3410億元，預計2028年行業(yè)規(guī)模將超8100億元。在線外賣用戶規(guī)模達5.3億人，占全國網民數量比重近50%，基于高比例的外賣滲透，消費者即時電商消費習慣逐步養(yǎng)成。據餓了么平臺數據顯示，最近一年來自高校的訂單已達超10億單規(guī)模，學生群體對外賣的需求已經不止用餐：從三餐到零售，學生群體對供給的品類、品質需求都在不斷提高，美妝、娛樂等悅己生活服務消費占比正在快速提升。餓了么于8月發(fā)布“數字校園生態(tài)聯盟計劃”，宣布將全面升級“智慧校園”數字化服務，并繼續(xù)加大對高校場景的平臺投入。近日，杭州師范大學資產經營有限公司下屬師達公司與餓了么合作，聯合上線高校數智校園生活服務平臺校園“隨e達”。據介紹，校園“隨e達”平臺整合了校園內的各項供給，目前已上線的美食外賣、校園超市、校園文創(chuàng)、師達云超、隨e行、校內商業(yè)等服務內容，涵蓋校園生活飲食、購物、出行等方面。同時，“隨e達”可以為管理者提供校園數據的管理和分析。目前，杭州師范大學校內師生已可通過“釘釘師大生活”進入平臺，選擇商品下單后，可以通過支付寶或校園卡進行支付，餓了么騎手會將商品或餐品配送至校內宿舍樓外賣柜或者辦公樓。通過與餓了么共同推出校園“隨e達”平臺，除了通過數字化提升了校內的電商購物體驗，也將即時配送的物流網絡規(guī)范化地引入校園。據介紹，校園“隨e達”上線前三天，外賣訂單量已突破10000單。目前餓了么針對校園環(huán)境定制了專屬高校配送方案，比如騎手將身著統(tǒng)一標識的工作服，并配戴工牌，便于校方管理人員及師生快速識別身份；騎手將經過培訓與考核，以掌握安全知識、服務禮儀、校規(guī)校紀；在校內騎行時，騎手會遵循25公里每小時的限速，并且不得在上下學高峰期時在人流中快速穿行……同時盯上校園市場的，還有二手交易平臺閑魚。同樣在9月，閑魚正式上線“學生魚”新功能，這是閑魚為學生群體打造的專屬交易交流頻道。當搜索到“學生魚”時，點擊頂部入口即可進入閑魚的校園頻道?！皩W生魚”不僅將各大高校的校園集市搬到了線上，還設置了熱帖、興趣交流、拼團、校園新鮮事等特色功能。接下來，閑魚還將與高校大學生合作，開啟“閑魚校園精英計劃”，邀請學生參與本?！皩W生魚”頻道的運營。更早前，針對大學生群體，一些互聯網平臺也有所動作。例如，在2021年，bilibili校園便上線。bilibili校園是一個專門為同校同學推出的校園社區(qū)，它鼓勵用戶討論所在學校的新鮮事，分享學習感悟和經驗、展示才藝技能等。自2013年起，長租公寓平臺自如啟動針對畢業(yè)生的“海燕計劃”，至今已有370萬畢業(yè)生受益，自如累計提供的租房支持金額達12億元。據介紹，今年的“海燕計劃”預計將為畢業(yè)生提供超億元租房支持，包括押金減免及安家基金。當前，一些線下連鎖品牌也在進駐高校。9月19日，老鄉(xiāng)雞的首家校園店武漢大學校園店開業(yè)，這意味著老鄉(xiāng)雞正式布局高校市場，也是其對年輕消費者市場的一次深度挖掘。更早前，海底撈等品牌也將實體店開進大學校園。由于客流量穩(wěn)定，在校園的商業(yè)業(yè)態(tài)迭代過程中，教輔、培訓等教育高相關度品類最早聚焦校園市場；此后，各業(yè)態(tài)逐步布局。如今，校園人群也日趨注重價值消費、體驗消費、社交消費、個性化消費，以餓了么、閑魚為代表的泛受眾類超級App正在將校園視為典型細分場景。這背后，是日益龐大的大學生市場。從用戶體量來看，根據官方數據，2023年，各種形式的高等教育在學總規(guī)模4763.19萬人，比上年增加108.11萬人，增長2.32%。從消費水平來看，根據天貓商家成長團隊發(fā)布的《青春消費陣線——校園市場的無限潛力與蓬勃前景》報告，中國高校在校生消費規(guī)模預計在2024年至2028年間從約13000億元上升至約16000億元。同時，人均年消費水平也在不斷提高，從2015年的1.6萬元增長到2023年的2.9萬元，預計到2028年將達3.5萬元。另據艾媒咨詢發(fā)布的《2024中國大學生消費行為調查研究報告》數據顯示，七成以上的受訪大學生月均支出水平集中在1000-2000元之間，其中，超四成的受訪大學生月均收入在1501-2000元。其粗估2024年中國在校大學生的年度消費規(guī)模約為8500億元。本文來源：36氪文章轉載于其他網絡，如有侵權請聯系我們及時刪除！
-
24
11/02
語言模型驅動的軟件工具思考：可解釋與可溯源
語言模型在軟件開發(fā)的應用與挑戰(zhàn)。語言模型正在變革軟件開發(fā)流程的各個環(huán)節(jié)，包括代碼的生成、編輯、測試、調試等。在開發(fā)和訓練代碼語言模型時，人們需要統(tǒng)一的收集清理數據、訓練模型、更新調整等。因此，我們預期，針對模型訓練的分析技術將成為新的一層架構來回答“模型是如何產生某個預測的”、“模型預測是如何逐漸訓練得到的”、以及“我們應該怎么做去修改和增強某個預測”等問題。在今年8月份舉辦的AICon全球人工智能開發(fā)與應用大會上，上海交通大學計算機系副教授林云做了專題演講分享“語言模型驅動的軟件工具思考：可解釋與可溯源”，深入探討了如何分析模型、追溯訓練樣本，并構建數字孿生環(huán)境來測試代碼編輯模型，最后展望了未來大模型對軟件開發(fā)范式的影響。以下是演講實錄（經InfoQ進行不改變原意的編輯整理）。非常榮幸能夠在這里與大家分享我們團隊的最新研究成果。我們一直在探索如何利用語言模型來生成代碼，并深入理解這些模型背后的原理。目前，語言模型在軟件工程領域的應用日益廣泛，已經逐步介入到設計、編程、測試和調試等多個環(huán)節(jié)。我們的研究團隊致力于將語言模型融入這些環(huán)節(jié)中。在語言模型出現之前，我們已經有了傳統(tǒng)的代碼編輯的技術，但語言模型的介入使得編輯過程變得更加智能化，我們稱之為“生成式編輯”。它能夠輔助我們完成整個代碼棧的工作。接下來，我會介紹我們與字節(jié)跳動合作的一個項目，該項目旨在自動定位代碼編輯的位置，并在特定行生成所需的編輯內容。在語言模型生成代碼之前，我們也在解決測試用例生成的問題。按照傳統(tǒng)方式，我們會將測試用例的生成視為一個約束求解問題，關注如何實現分支覆蓋和路徑覆蓋。但語言模型的出現讓我們開始思考，我們是否可以實現需求覆蓋，即不僅僅覆蓋特定的分支，而是結合需求和分支，生成更符合項目特點的測試用例。此外，我們也在探索如何讓語言模型自動調試代碼。過去，開發(fā)者常常自嘲說，自己寫的bug含淚也要修復完。但現在，也許我們要含著淚修復AI幫我們寫的bug.AI時代的代碼調試問題也許是一個新的挑戰(zhàn)。因此，我們也希望有新的智能化技術能夠幫助開發(fā)者發(fā)現并修復bug.在這項工作中，我們的目標是將調試問題轉化為在代碼執(zhí)行軌跡上找到第一個出錯的步驟，然后讓語言模型在這個軌跡上通過交互不斷定位錯誤，并指導開發(fā)者了解錯誤是如何發(fā)生的。訓練軟件工程語言模型的“套路”當我們深入研究語言模型在軟件工程中的應用時，我們逐漸發(fā)現了一個反復出現的模式，或者稱之為“套路”。在這個套路中，我們是這么做的。首先，我們需要收集和清洗來自Git、JIRA、Jenkins等軟件工具的數據，將它們轉換成訓練數據集。這些數據集隨后被用來訓練代碼模型，最終這些模型被集成到集成開發(fā)環(huán)境（IDE）中。無論是進行測試生成、調試、代碼生成還是測試用例生成，我們通常會遵循這個方式。但隨著時間的推移，我們意識到，盡管這個套路在業(yè)界得到了廣泛應用，但在實際應用中卻并不簡單。例如，當我們訓練出一個模型后，我們首先想知道的是，模型為什么會做出這樣的預測。畢竟，模型本質上是將大量的數據集壓縮編碼到代碼中，然后利用其泛化能力進行各種生成任務。那模型的預測是如何產生的？我們知道，模型并非一蹴而就，而是經過數小時甚至數天的訓練，經過多次迭代才得到的。因此，我們想要了解模型預測的具體生成過程。最終，我們希望能夠提出一些方案，自動矯正模型中不符合我們期望的行為。上述套路解決的是"AIforSE"，即我們提出了AI解決方案來幫助程序員完成任務。但隨著AI解決方案的增多，我們發(fā)現需要一個"SEforAIforSE"的基礎框架，以支持和管理這些AI解決方案。案例研究：交互式代碼編輯(CoEdPilot)在具體介紹上述框架解決思路前，我想先跟大家介紹下我們與字節(jié)跳動合作的一個研究案例，這個案例恰恰符合我們之前討論的“套路”。我們稱這個過程為“編代碼、編輯定位”。在現代代碼倉庫中，編寫代碼并不總像Copilot那樣，給出一個注釋后自動生成十幾行代碼。更多的時候，我們面臨的是編輯任務：根據需求修改某一行代碼，刪除一行，或者更改一行中的幾個字符串。這種編輯往往是跨文件的，一次編輯可能會影響到多個文件。在我們的案例中，我們首先關注的是編輯定位問題。當出現一個需求或者一個編輯請求時，我們希望能夠迅速定位這個編輯在整個項目中如何傳播。接下來，我們想要解決的是編輯生成問題。一旦我們知道某一行需要修改，我們就想進一步推薦出這一行具體應該改成什么樣子。我們希望通過人機交互來實現這一點，利用人的反饋來進一步推薦下一輪的編輯定位和編輯生成。我們的工作目前集中在開發(fā)一個VisualStudioCode插件上，這個插件旨在幫助用戶根據輸入的需求自動定位代碼修改的位置。用戶一開始會輸入需求，插件會生成一個定位提示，顯示整個文件中可能需要修改的地方。在這個提示中，紅色標記代表可能需要修改的地方，而綠色標記則表示可能需要添加內容的位置。當用戶選擇某個特定的位置后，插件會通過一個差異比較（DIFF）視圖來展示這一行代碼可能的修改方式。用戶可以從多個選項中選擇。一旦用戶接受了某些建議或者拒絕了某些建議，這些反饋就會被收集起來，作為新一輪輸入和迭代的數據。這個插件的核心思想在于，我們通過收集代碼提交的信息來訓練模型。每個提交通常包含多個代碼修改，這些修改也被一并收集。通過訓練，模型能夠在整個項目中滑動窗口，識別出需要修改的地方，并推薦出具體的修改內容。代碼編輯的基本設計思路我們的基本設計思路是將代碼編輯任務分解為幾個小模型來實現，避免直接將整個代碼庫喂給一個大模型，這樣做的原因主要是為了減輕模型的計算負擔，包含兩個核心部分：任務分解和矯正反饋。首先，任務分解的目標是將一個大模型拆分成幾個小模型，這樣可以減少模型的輸入量。例如，輸入1萬行代碼與輸入30行代碼的效果是有很大差異的。我們使用三到四個小模型來完成這個任務。其次，我們希望通過與用戶的交互來實現矯正反饋。具體來說，我們首先使用一個小模型，通過滑動窗口來預測文件中可能需要修改的位置。核心思想是比較兩段代碼的語義相似度和依賴關系，以判斷它們是否會產生協(xié)同變化。在得到這些信息后，我們使用另一個小模型，將問題轉化為一個分類問題。給定一個滑動窗口，窗口中有多行代碼，我們根據之前的編輯來預測每一行可能發(fā)生的編輯類型。這樣，我們不需要處理一個很大的窗口，只需要對每一行進行分類即可。訓練模式采用的是指令微調，即給定一個指令（如替換或保留），然后讓模型預測每一行的編輯類型。得到編輯類型后，我們使用另一個基于Transformer的編碼器-解碼器模型來生成具體的內容。當我們確定某一行需要添加或替換時，就讓這個Transformer生成相應的內容。這樣，我們就大大減少了活動窗口的大小。最后，我們使用另一個模型來學習之前的編輯，將之前的編輯作為Transformer輸入和反饋設計的一部分。通過這種方式，我們在定位的準確性和生成內容的準確性上都達到了一個可接受的程度。哪些訓練數據影響了這次預測?當我們構建并訓練了代碼模型后，我們希望它能夠自動定位代碼編輯的需求，并最終集成到IDE中。然而，我們發(fā)現在某些情況下，模型的表現并沒有達到我們的預期。為了解決這個問題，我們首先需要進行訓練歸因分析，以了解為什么模型會做出特定的預測。我們想要回答的核心問題是：為什么模型認為某行代碼需要修改，或者需要插入代碼？為了解決這個問題，我們從三個角度進行思考：樣本歸因、表征歸因和仿真驗證。歸因問題在機器學習領域是一個經典問題。我們想要了解的是，哪些訓練數據真正影響了模型的預測。當我們面對一個嚴格的數學問題陳述時，我們可以這樣表述問題：給定一個訓練樣本Zi,如果我們對這個樣本進行權重調整（增加或減少?），模型會發(fā)生什么變化？因為模型是在看到數據后才進行神經元調整的，所以我們想要了解哪些預測相關的神經元是由哪些數據調整的。在數學層面上，這個問題可以通過一個公式來描述。我們有一個測試集_X_test和一個訓練集_X_train.我們想要了解_X_train和_X_test之間的關系。如果我們發(fā)現_X_train和_X_test的值是一個大的正數，這意味著如果我們更多地訓練_X_train這個樣本，模型在預測_X_test這個樣本時的表現會變得更好。相反，如果_X_train和_X_test的值是一個大的負數，比如說-0.9，這意味著如果我們更多地訓練_X_train這個樣本，_X_test這個測試樣本的預測會變得更糟，說明這兩個樣本之間存在矛盾。如果_X_train和_X_test的影響因素是0，那就意味著無論我們增加還是減少對_X_train的訓練，對_X_test的預測都沒有影響。要理解模型預測的影響關系，我們可以從理論上推導出三個決定性因素。首先，模型對測試樣本_X_test的擬合程度會影響其預測。每個測試樣本都有其損失函數和標簽，模型在擬合這些樣本時會朝某個方向移動，這個方向反映了參數空間的調整。其次，模型對訓練樣本_X_train的擬合方向也是一個重要因素。如果模型在擬合_X_test和_X_train時方向一致，那么它們之間會有正向影響；如果方向相反，則會產生負向影響；如果方向的夾角為零，則它們之間沒有影響。最后，Hessian矩陣及其逆矩陣代表了所有樣本之間的交互效應。Hessian矩陣是損失函數對所有參數的二階導數的矩陣，其逆矩陣反映了樣本間的相互作用。然而，計算Hessian矩陣的逆在實際中是非常困難的，尤其是當模型參數達到百萬或千萬級別時。為了解決這個問題，我們提出了一種改進的想法，即通過多次變異模型來模擬Hessian矩陣的效果。我們可以通過在參數空間上進行抽樣來模擬Hessian矩陣，觀察模型在多次變異后對訓練樣本和測試樣本的影響。如果變異后的模型在訓練樣本和測試樣本上都顯示出對抗性或正相關/負相關的影響，那么我們就可以認為它們之間存在相互影響。通過這種技術，我們發(fā)現模型預測中的一些問題并不總是源于模型架構，而是可能源自訓練數據集本身。例如，在開源數據集上運行模型時，我們可能會發(fā)現模型的某些錯誤預測實際上可以歸因于訓練數據的標注問題。例如，在服裝分類任務中，開源數據集可能會將非常相似的服裝款式標注為不同的類別，而人類觀察者可能會認為這些款式是相近的。這種令人困惑的標注會影響模型預測的性能。為此我們設計了新的影響函數在很多開源數據集上找到了很多標注bug,并發(fā)表在了NeurIPS’22的會議論文《DebuggingandExplainingMetricLearningApproaches:AnInfluenceFunctionBasedPerspective》上。將影響函數應用于代碼編輯生成任務我們將影響函數應用于代碼編輯生成任務中，以評估每個預測背后的有益和有害訓練樣本。有益的訓練樣本是指那些通過增加訓練量可以提升特定測試樣本表現的樣本，而有害樣本則是指增加訓練量會降低某些測試樣本表現的樣本。我們發(fā)現，對于任何一個測試樣本，有害樣本和有益樣本的數量通常都非常少。通過這種方式，我們可以發(fā)現模型預測的具體影響。例如，當我們的模型預測需要將代碼中的版本號從0.01更改為0.02時，使用影響函數進行歸因分析，我們可以看到與數字變動相關的訓練樣本，這與模型的表征空間是相關的。在函數調用中添加參數時，模型應該定位到代碼窗口中的某一行，并預測需要替換的行以添加類似的參數。對于這樣的測試樣本，模型的預測和歸因分析將揭示出形狀相似的代碼標注，指出在語法上需要添加子節(jié)點。這種歸因分析有助于我們理解哪些訓練樣本對預測有重大貢獻，從而發(fā)現可能存在的標注問題。例如，我們可能會發(fā)現原本認為相似的代碼樣本實際上在語義上有很大差異，這表明我們的標注可能存在問題，或者標注的語義不夠豐富。此外，在代碼編輯中，commitmessage的質量非常重要。相似的commit或者過長的commit可能會導致信息量減少，從而形成打架效應。這意味著，為了提高代碼編輯的質量，我們需要確保commitmessage的書寫質量非常高，避免使用過于冗長或含糊不清的描述。我們覺得未來可能會有好幾個方向可以嘗試，第一是通過影響函數，可以幫助我們去做數據分析，判斷到底哪些是臟數據，或者說非預期的訓練數據產生了壞的影響。第二個是當產生壞的影響之后，有可能我們需要對整個數據進行重標注，所以我們也在嘗試在訓練過程當中動態(tài)地去更新某一些標注，因為我們永遠不能保證人標的東西就一定是對的，或者說預期的標注就是我們想要的。最后是想去觀測，如果有些訓練樣本有非常高的互影響的話，就意味著整個訓練數據集有可能是冗余的。我們大量地在收集數據集，但是數據集過大真的是件好事嗎？對此我們其實也是存疑的，我們有沒有可能利用一個小但質量非常高的數據集產出一樣的效果？這對模型訓練效率的影響其實是非常大的。表征歸因在討論完樣本歸因之后，我們來談談表征歸因。表征歸因是深度學習的核心，因為深度學習本質上是表征學習。無論是處理圖像、聲音還是文本，深度學習的目標是將這些輸入轉換成向量，然后進行矩陣運算。以文本為例，深度學習模型需要將每個單詞映射到向量空間中。在這個空間里，語義相近的詞匯（如“男孩”和“女孩”）的表征應該彼此接近，而語義相距較遠的詞匯（如“貓”和“狗”）的表征則應該相距較遠。在自然語言處理（NLP）中，我們希望模型能夠通過單詞的embedding來捕捉這種語義關系。如果我們能夠訓練模型，使其對每個樣本或單詞的表征具有這樣的語義效果，那么模型就能逐漸發(fā)展出接近人類的預測能力，從而能夠進行更自然的交流。然而，我們面臨的一個主要挑戰(zhàn)是，真實的表征空間可能是512維、1024維或768維，而人類很難直觀理解高維空間中的變化。模型訓練初期，樣本的表征通常是隨機分布在高維空間中的。隨著訓練的進行，這些表征會逐漸變化，最終形成一種分布，反映出人類的理解能力。我們可以將模型訓練過程視為樣本表征在高維空間中的運動。一開始，這些表征是無序的，但最終會形成一個有結構的分布。我們希望能夠在二維空間中幫助人們理解這些表征是如何變化的，例如，貓和狗的表征是否真的接近。這將能為提供巨大的信息量，幫助我們更好地理解和改進模型。在過去的工作中，我們的目標是將模型的訓練過程可視化。模型訓練本質上是樣本表征在高維空間中的變化過程，但由于這些維度通常是數百甚至數千維，這使得直觀理解變得困難。因此，我們希望能夠將這一過程投影到二維空間，使人們能夠直觀地看到，例如，兩只貓的樣本表征如何逐漸靠近，而貓和狗的樣本表征如何逐漸遠離。將訓練過程轉化為二維動畫后，我們不僅可以觀察到模型在表征空間中的運動，而且還可以與動畫進行交互和分析。在模型訓練過程中，我們通過可視化技術觀察到了一個有趣的現象，即干凈數據和噪音數據在表征空間中的運動軌跡存在顯著差異。例如，在某個訓練階段，我們可以將橘黃色的點視為干凈數據，而黑色的點代表噪音數據。如果我們觀察到最后一個訓練階段，比如模型學習"apple"這個詞匯時，會發(fā)現無論是干凈數據還是噪音數據，模型最終都能達到很高的準確度。然而，它們在訓練過程中的運動軌跡卻大相徑庭。干凈數據在經過一兩次訓練迭代后，很快就能定位到它應該在的區(qū)域。相比之下，噪音數據則表現得像“釘子戶”，在初始位置上停留很長時間，直到訓練的后期，由于模型內部的某種“拉力”作用，它們才最終被拉回到適當的位置。這種現象不僅揭示了噪音數據在訓練過程中的頑固性，也為我們提供了一種新的思路，即如何在訓練過程中有效地去除噪音。通過觀察數據在表征空間中的運動，我們可以識別出那些不易被模型正確學習的噪音樣本，并采取相應措施。回到代碼任務本身，我們注意到基于檢索的生成（RAG）是一個非常熱門的領域。在這種情況下，檢索能力變得至關重要。在這個語義空間中，我們可以觀察到代碼表征的分布情況，同樣也可以觀察到代碼描述的表征分布。這種映射允許我們在給定一個自然語言描述時，在整個語義空間中搜索與其最接近的代碼表征。這樣，與描述最相關的代碼就可以被檢索出來?；旧?，這是一種在高維空間中進行代碼檢索的方法。通過這種方式，我們可以根據代碼的自然語言描述快速找到相應的代碼實現，從而提高代碼檢索的效率和準確性。這種方法利用了深度學習模型的能力，將文本描述和代碼映射到同一個高維空間，使得相關代碼的檢索變得更加直接和有效。高層語義編輯距離在深入研究模型訓練過程中的表征時，我們有時會發(fā)現模型可能只是學習到了表面現象，而并沒有真正理解人類所理解的概念。例如，當我們探討高層語義編輯距離時，可以通過比較兩個序列或字符串來觀察這一點。我們可以將字符串進行匹配，就像在本科課程中學到的字符串匹配算法那樣。這種方法也可以應用于代碼，因為代碼中的每個token也都有一個高維的語義表征向量。例如，return這個詞在代碼中會有一個語義表示，我們可以計算兩個return之間的語義相似度，從而判斷它們在語義上是否大致相似。通過這種方式，我們可以對整篇代碼進行理解。如果我們使用像CodeBERT這樣的模型來訓練代碼，使用表征距離或高維空間的語義表征來對齊兩篇代碼。但是，在訓練的初期，代碼可以被正確對齊，但在訓練的后期，模型可能會將versiondownload這個詞與if的表征關聯得最近，而將data的表征與return的表征關聯得更近。這種現象表明，盡管模型似乎學習到了預測代碼和描述之間相似性的能力，但它的理解仍然與人類的理解存在較大差距。這提示我們在模型訓練和評估時，需要更加關注模型是否真正理解了代碼的語義，而不僅僅是表面形式上的相似性。通過深入分析表征，我們意識到在模型訓練過程中需要加強代碼和描述之間的對齊能力。目前，我們主要采用對比學習的方法來訓練模型，但為了進一步提升模型的性能，我們計劃在訓練中加入更多的對齊機制。仿真驗證（數字孿生）這部分我們想討論的是一種稱為仿真驗證的技術，也就是數字孿生。在模型訓練完成后，我們經常會遇到模型的評估指標，如準確率、召回率和F1分數等，看起來非常高的情況。這些數字并不總能代表模型在實際應用中能顯著提升程序員的工作效率。有時候，即使模型的BLEU分數只差一點點，程序員可能仍需花費大量時間進行調整。另一方面，即使BLEU分數差異很大，也不一定意味著模型的預測結果不對。這是一個非常微妙的問題。為了解決這個問題，我們提出了數字孿生驗證技術。在我們與字節(jié)跳動的合作中，我們進行了用戶實驗，讓學生實際使用我們的工具進行編碼。我們發(fā)現，即使在學術環(huán)境中，驗證模型的預測是否真正有用是一項工作量非常龐大的工作。因此，我們希望通過代碼提交，即編輯歷史的一個結果，來恢復過去的開發(fā)過程。我們稱這個項目為“Historian”，就像考古學家通過文物來還原歷史一樣，我們希望通過已知的代碼提交來恢復程序員過去的代碼編輯過程。在這個過程中，我們需要解決一些問題，例如兩個編輯之間可能存在的偏序關系，確定哪個編輯先發(fā)生，哪個后發(fā)生。通過恢復整個代碼編輯的開發(fā)過程，我們可以在這個過程中引入模型，并觀察在什么情況下模型真正有助于提升生產力，或者是否實際上在拖累開發(fā)。我們需要評估模型的表現是否真的有助于提高效率，或者它是否與不使用模型時的表現相當。基本思路：從提交歷史重現“當年的”開發(fā)過程在我們的工作中，我們建立了一個復雜的工作流程，旨在通過提交歷史來重現程序員當年的開發(fā)過程。這個流程的出發(fā)點是確定在何種程度的BLEU分數下，模型應該采取下一步行動。我們的目標是利用歷史記錄來創(chuàng)建一個虛擬的程序員，這個虛擬的程序員能夠基于單個提交（commit）恢復出多種可能的編輯過程。在這些編輯過程中，我們的模型將被引入。我們允許對這個虛擬程序員的行為進行配置，例如：在檢查推薦時需要花費多少時間？如果推薦錯誤，他將被延誤多長時間？如果推薦正確，他將花費多少時間進行審查？我們會根據不同情況來設定這些參數。在這個過程中，我們會模擬實際的編輯場景。例如，如果我們輸入一個描述并產生編輯，這個過程可能需要77秒，這包括了第一次編輯、加載語言模型的時間（因為模型不是憑空產生的），以及推薦編輯位置所需的時間。如果我們的推薦正確，我們將計算產生的延遲；如果錯誤，我們將計算延誤的時間。我們還會模擬用戶檢測推薦所需的時間。通過這樣的模擬，我們可以與正常的編輯過程進行比較，以確定模型是在幫助用戶還是影響用戶。通過這種方式，我們基本上可以觀察到，當模型被應用于實際的開發(fā)過程時，所有的性能指標，如準確率和召回率，實際上都會出現一定程度的下降。這是因為在現實世界中，模型的表現受到多種因素的影響，包括與人類用戶的交互。這個就是我們的SEfor（AIforSE）框架，旨在探索和改進人工智能在軟件工程中的應用。在這個框架中，我們預見到未來業(yè)界將越來越多地采用這種模式。程序員的工作方式正在發(fā)生變化，他們不再只是調用和開發(fā)API或修改第三方庫，而是可能會需要收集訓練數據來微調模型，就像調整第三方庫一樣。模型本質上是一種特殊的第三方庫，程序員在未來可能需要學習如何編寫更有效的提示（prompt）來與這些模型交互。這可能會形成新的工作模式。隨著這些新工作流程的出現，我們面臨著如何進一步提升和賦權這些模式的問題。目前的模型是概率模型，每次輸出可能并不穩(wěn)定，同時還需要解決模型輸出的幻覺問題。為了解決這些問題，我們嘗試提出了一些方法。例如，樣本歸因可以幫助我們追溯并理解對特定預測產生貢獻的訓練樣本。通過分析學習后的樣本表征，我們可以在表征空間上進行更深入的交互式分析。我們還提出了一個仿真驗證過程，也就是數字孿生的概念。通過創(chuàng)建一個虛擬的程序員來進行編輯操作，我們可以模擬實際的開發(fā)過程，并觀察模型在其中的作用。我們希望這種虛擬仿真的方法能夠幫助程序員或大型企業(yè)驗證模型的實際效用。如果我們想在生產環(huán)境中引入一個新模型，我們需要說服生產團隊這個模型確實能夠帶來產能增值。通過數字孿生技術，我們可以模擬模型在實際開發(fā)過程中的表現，從而預估它可能帶來的效益。展望：AI原生的軟件工程實踐隨著人工智能時代的到來，軟件工程的實踐將發(fā)生根本性變化。過去，編程主要是為了交付軟件產品。但在AI時代，編程不僅僅是為了交付，它還具有數據標注的意義。我們編寫的每一行代碼、提交的每一個commit、撰寫的每一個需求，都可能被用來訓練模型。這意味著代碼編輯和整個編輯過程實際上在無形中完成了數據的標注工作。由于模型訓練對數據質量有很高的要求，我們預見未來將出現一種AI原生的軟件工程實踐。我們將利用現有的數據來訓練模型，然后評估這些模型是否符合我們的預期。有了新模型后，我們可以反向工作，利用模型預測的好壞來評估過去的編程實踐是否合適。這個過程類似于梯度下降，從模型預測到生產過程或代碼標注的反向優(yōu)化。我們可以通過模型的性能和對數據質量的分析，反過來指導整個開發(fā)實踐，告訴我們何時應該如何編寫代碼、如何記錄代碼歷史，或者如何提出問題。以前，我們通常依據一些軟性指標來推薦最佳實踐，未來我們將有更硬性的理由來證明為何要這樣編寫代碼。因為這樣做可以使模型訓練得更好。通過這種方式，我們可以不斷調整實踐，形成一個AI原生的軟件工程范式，最終推動整個過程的自動化。本文來源：36氪文章轉載于其他網絡，如有侵權請聯系我們及時刪除！
-
24
10/25
低代碼/無代碼如何打破“雞肋”困境？
前言：??低代碼及無代碼領域從2019年開始被資本市場關注，在爭議中不斷發(fā)展，至今仍存在諸多尚未厘清的概念有待探討，因此我們全面研究梳理了低代碼/無代碼行業(yè)最新情況，試圖探討以下核心問題：??無代碼/低代碼是不是偽需求？??近幾年無代碼/低代碼行業(yè)快速崛起的驅動因素是什么？??無代碼/低代碼行業(yè)和快速興起的基于云的生意關系是什么？??國內外無代碼/低代碼領域在近一兩年有哪些新的行業(yè)趨勢或變化？??本次Scale?Partners?勢乘資本將力求全面、客觀地分析這一行業(yè)，并在此基礎上闡述我們當前的看法，并對未來趨勢做出預判。??01?核心結論匯總??總體來說，當前無/低代碼行業(yè)在中國面臨專業(yè)編程人員不常用到，業(yè)務人員不易熟練使用的痛點。但是我們認為，在企業(yè)數字化轉型的需求逐步強烈、IT開發(fā)人員的供給越發(fā)呈現出相對短缺的背景下，無/低代碼產品的價值會逐步被市場認可。另外，隨著未來適配VR等設備的虛擬內容數量的劇增，這部分內容創(chuàng)作的需求一方面需要依靠AI來滿足，另一部分預計需要人借助低代碼工具來滿足。??表單驅動型無/低代碼廠商可能難以解決跨行業(yè)、多場景的復雜需求，我們認為模型驅動型產品會逐漸成為主流。對低代碼公司來說，提升產品力需要從兩方面入手：一是提升底層技術實力，豐富數據模型的豐富度;同時要通過與專業(yè)的咨詢公司、深耕行業(yè)的解決方案服務商等機構合作，加深對客戶所處行業(yè)、業(yè)務開展的具體場景的理解。??考慮到低代碼平臺對用戶的代碼能力有一定要求，把控低代碼平臺上服務商的數量和質量很重要。良好的ISV生態(tài)不僅有利于企業(yè)低代碼產品的推廣，還有助于企業(yè)在特定區(qū)域市場內構建壁壘。??在軟件開發(fā)和應用領域，開源的勢頭越來越猛，但考慮到行業(yè)內無/低代碼平臺的使用者的創(chuàng)新能力在推動產品精進方面的能力有限，我們認為無/低代碼行業(yè)不太存在被開源產品降維打擊的風險。??由于無/低代碼企業(yè)將加強云計算企業(yè)的服務能力，云計算企業(yè)會繼續(xù)保持對無/低代碼行業(yè)的關注，并通過投資整合的方式將企業(yè)納入自己的生態(tài)范圍。從獲客和增長的角度看，無代碼企業(yè)傾向于與用戶基數巨大的平臺合作，低代碼企業(yè)適合與提供定制化程度高的軟件企業(yè)合作。??目前各個無/低代碼平臺上的模型、數據和應用程序可移植性不佳。這種局面可能是無/低代碼平臺和合作綁定的云計算廠商所樂見的，因為這將增強客戶對自家產品的依賴程度。在無/低代碼企業(yè)之間的競爭背后，我們一定能看到云計算大廠的影子。??眾多國外無/低代碼廠商在2021年初左右宣布進入中國市場，2021年互聯網巨頭也加大了在這個方向的投入力度。我們判斷這個行業(yè)在未來會出現大量深耕特定行業(yè)或場景的“小巨人”，但單個“小巨人”可能不足以支撐起很大的估值，未來行業(yè)內的整合并購會非?；钴S。??行業(yè)可能面臨的潛在風險有：市場需求不及預期、技術研發(fā)進度遲緩、市場競爭加劇、數據安全和隱私保護等政策收緊等。??02?市場環(huán)境??1.?無/低代碼行業(yè)的定義及邊界??我們首先明確一下“無代碼開發(fā)”、“低代碼開發(fā)”的具體含義：所謂的“低代碼開發(fā)”是指一種可視化應用開發(fā)方法，旨在讓不同經驗水平的開發(fā)人員能夠通過圖形用戶界面，使用拖放式組件和模型驅動邏輯來創(chuàng)建?Web、軟件和移動應用。??廣義來說，“低代碼開發(fā)”一詞包括了“低代碼開發(fā)”和“無代碼開發(fā)”。這兩者的區(qū)別直觀體現在完成應用程序開發(fā)所需代碼量上——前者仍然需要編寫少量代碼，而后者不需要書寫代碼。因此，低代碼應用主要面向企業(yè)內部開發(fā)人員，無代碼應用主要面向業(yè)務人員。在后端，低代碼和無代碼的差異主要體現在對代碼的模塊化封裝程度上。??低代碼和無代碼分貝通過程序和封裝模塊實現特定功能??我們很容易看出，低代碼平臺屬于PaaS層，架設在IaaS上，通過“應用程序平臺即服務(aPaaS,application?Platform?as?a?Service)+集成平臺即服務(iPaaS,integration?Platform?as?a?Service)”共同構建。??2.?行業(yè)歷史及階段??(1)行業(yè)整體發(fā)展歷程概覽??低代碼開發(fā)的理念最早可以追溯至20世紀80年代第四代編程語言的提出，2000年可視化編程語言(VPL)助推低代碼開發(fā)這一理念進一步發(fā)展。2014年，Forrester?Research正式提出“低代碼開發(fā)平臺”(LCAP)這一概念，2018年Gartner進一步提出aPaaS和iPaaS概念，讓低代碼行業(yè)受到越來越多的人關注。??在《2021年中國ICT技術成熟度曲線報告?(Hype?Cycle?for?ICT?in?China,?2021)》中，低代碼應用開發(fā)平臺(LCAP)首次作為新興技術熱點被納入。根據Gartner的預測，到2024年，所有應用程序開發(fā)活動當中的65%將通過低代碼的方式完成，同時75%的大型企業(yè)將使用至少四種低代碼開發(fā)工具進行應用開發(fā)。??備注：第一代到第四代計算機語言??第一代語言(或機器語言)：一種面向計算機的程序設計語言，使用0和1表示各種命令。使用者通過計算機系統(tǒng)開關的面板輸入指令到計算機系統(tǒng)中。??第二代語言(或匯編語言)：程序中的每一行直接對應到一條處理器指令，每種語言寫出的程序只能運行在特定的一類處理器架構上。??第三代語言(高階匯編語言)：比第一代及第二代編程語言更加的抽象化，一句話對應多條匯編語言。高階匯編語言更加接近人類的語言，需要編譯器或是直譯器。??第四代語言(目標語言)：目標語言的核心在于用清晰、明確、規(guī)范的語言，來精準地描述出使用者要實現的功能。目標翻譯器會自動把目標語言翻譯為計算機的操作語言。??(2)低代碼行業(yè)在國外發(fā)展情況??1999年，Salesforce創(chuàng)立??2001年，Outsystems創(chuàng)立??2007年，MIT將低代碼開發(fā)理念應用于兒童編程領域，推出Scratch??2015年，Amazo、AWS、Google、Microsoft等巨頭開始入局低代碼開發(fā)??2018年，Siemens收購Mendix,將其與工業(yè)互聯網平臺MindSphere整合。同年OutSystems獲得KKR、Goldman?Sachs等機構融資，成為行業(yè)獨角獸??(3)低代碼行業(yè)在中國發(fā)展情況??國內部分低代碼平臺廠商最早從事BPM相關業(yè)務，自2014年開始逐漸轉型。這一時期主要玩家是傳統(tǒng)軟件廠商(如金蝶、用友、致遠互聯、泛微等)，使用者更多是懂代碼的開發(fā)者。同時客戶需要購買服務器、部署環(huán)境、開發(fā)上線，從使用到上線門檻較高。??自2019年開始，國內互聯網大廠開始布局無/低代碼行業(yè)?；诠性?，無/低代碼產品使用門檻進一步降低。用戶通常只需要注冊一個賬號就可以使用，產品的易用性、用戶體驗能有顯著提升。這一階段隨著互聯網基礎設施建設不斷健全，很多無/低代碼產品可以直接調用系統(tǒng)，無需自行開發(fā)。??2010年，奧哲成立，發(fā)布H3?BPM??2012年，伙伴云成立??2013年，明道云成立??2014年，APICloud、IVX成立??2015年，輕流成立，帆軟推出“簡道云”，華炎軟件推出低代碼開發(fā)平臺“華炎魔方”，奧哲推出“氚云”(并于次年與釘釘達成戰(zhàn)略合作)??2016年，葡萄城GrapeCity推出企業(yè)級低代碼開發(fā)平臺"活字格";同年無遠、數睿數據成立??2017年，ClickPaas成立，并于次年發(fā)布aPaaS產品??2018年，九章信息科技孵化推出搭搭云??2019年，黑帕云、數式科技、白碼、維格表成立，并于當年上線相應無代碼或低代碼開發(fā)產品??2019年，阿里“宜搭”低代碼應用搭建平臺上線，與釘釘打通??2020年，華為推出AppCube??2020年11月，字節(jié)推出飛書多維表格??2021年初，騰訊云“微搭”低代碼平臺上線??(4)行業(yè)正在發(fā)生的趨勢與變化??1)由于模型驅動型產品能夠滿足更加多樣化的需求，越來越多的企業(yè)開始從表單驅動向模型驅動轉換。在打造模型驅動型產品時，數據安全性、接口多樣性、模型豐富性是客戶較為關注的維度;??2)隨著產品的完善和模型的積累，無/低代碼平臺將逐漸從企業(yè)管理事項逐步向企業(yè)核心業(yè)務場景切入，給出標準化的開發(fā)解決方案，實質地參與到企業(yè)價值創(chuàng)造的過程中;??3)越來越多的傳統(tǒng)軟件企業(yè)和云計算企業(yè)入局低代碼行業(yè)，并加大了投資力度，防止低代碼企業(yè)侵蝕自身SaaS業(yè)務和軟件定制開發(fā)市場。部分企業(yè)通過投資、收購低代碼企業(yè)的方式進一步增強對客戶的服務能力，豐富自身構建的企業(yè)服務生態(tài);??4)越來越多的無/低代碼企業(yè)認識到了社區(qū)建設的必要性和意義。用戶的反饋和分享出來的使用心得可以幫助企業(yè)持續(xù)提升產品力，并降低新用戶的使用門檻。在用戶與企業(yè)、用戶與用戶之間的良性互動中，企業(yè)的平臺價值得到提升，用戶對平臺產品的粘性進一步增強。??3.?市場需求及價值??只有當行業(yè)能夠創(chuàng)造社會價值、行業(yè)內企業(yè)能夠解決消費者的需求(Needs)，這個行業(yè)才有存在的意義，值得我們花時間和精力搜尋優(yōu)異的投資標的。那么，無代碼/低代碼這個行業(yè)到底解決了什么需求、創(chuàng)造了什么價值呢？??(1)幫助中小微企業(yè)低成本、快速地完成信息化建設??盡管越來越多的企業(yè)已經意識到信息化建設的必要性和緊迫性，中小型企業(yè)由于人才短缺、信息化基礎差、研發(fā)投資預算有限等現實因素的制約，無法高效、高質量地推進信息化建設。對中小企業(yè)來說，無代碼/低代碼開發(fā)平臺提供了一個更加低成本且相對可靠的解決方案。??(2)幫助中大型企業(yè)快速滿足臨時性、邊緣性的需求??由于中大型企業(yè)的開發(fā)人員往往無法快速響應業(yè)務人員大量、多變、長尾的需求，業(yè)務人員或是在日常工作中使用過時、低效的業(yè)務工具，或是不得不尋求外包服務商的幫助。無/低代碼開發(fā)平臺可以提高開發(fā)人員對需求的響應和處理速度，甚至直接賦能業(yè)務人員，使其借助無/低代碼開發(fā)平臺自行進行應用程序開發(fā)。??(3)幫助企業(yè)打通已經使用的多套軟件，實現數據互聯互通??一般規(guī)模較大的企業(yè)通常應用了OA、HRM、CRM、ERP等多套軟件系統(tǒng)，這些系統(tǒng)彼此之間可能存在信息不互通的問題。無代碼/低代碼平臺通常具備“連接器”模塊，可以幫助企業(yè)打通、集成已使用的多套軟件。另一方面，同一個低代碼工具/平臺可以開發(fā)出面向不同業(yè)務或場景的應用，這些應用之間天然能夠實現數據互聯互通，將潛在問題解決于無形。??(4)幫助軟件企業(yè)更高效地交付產品、服務客戶??軟件企業(yè)經常面臨這樣的局面：目前已經推出的產品無法滿足客戶的部分需求，而如果企業(yè)使用定制化方式進行開發(fā)，效率低且成本高。這類對定制化軟件來說“太重”、對SaaS產品又“太輕”的需求特別適合通過無/低代碼開發(fā)來滿足。軟件企業(yè)可自行搭建具備可配置、可變動的“樂高式”工具的開發(fā)平臺，幫助企業(yè)員工快速地在標準產品上開發(fā)客戶的個性化功能。除此之外，無/低代碼平臺還可以幫助CRM、ERP等軟件企業(yè)的商業(yè)伙伴、代理商的實施團隊快速搞定二次開發(fā)，加快整體交付節(jié)奏。??根據ClickPaaS的測算，無/低代碼開發(fā)相較于傳統(tǒng)軟件開發(fā)模式，可平均縮短創(chuàng)建周期75%、平均縮短集成周期90%，大幅降低代碼出錯風險。??4.?市場規(guī)模及增速??如果無代碼/低代碼行業(yè)的市場規(guī)模有限且增長緩慢，那么在這個行業(yè)中誕生獨角獸的概率就小很多，創(chuàng)業(yè)者與投資人也不會過多關注這個領域。因此，我們需要對全球的無代碼/低代碼行業(yè)市場規(guī)模及增速有一個數量級層面的正確認知：??根據首次于2014年提出“低代碼”這一概念的估算，2017年全球低代碼開發(fā)平臺市場規(guī)模為38億美元，2022年市場規(guī)模將達到212億美元，五年CAGR為41.03%;??據測算，全球低代碼市場規(guī)模在2020年達84億美元，預計2021年超過百億美元，2025年將達到471億美元，五年CAGR為41%;??據估計，全球低碼開發(fā)平臺市場預計將從2020年的132億美元增長到2025年的455億美元，CAGR為28.1%。??當然，我們還需要對中國的市場規(guī)模和增速有所了解：根據Statista的統(tǒng)計和預測，2020年中國無/低代碼市場規(guī)模達到15.9億元，預計在2025年將突破131億元。考慮到目前國內無代碼/低代碼企業(yè)數量有限，頭部公司年營收大致在千萬到億這個量級，我們認為這個估算結果較為合理。??綜上所述，盡管無代碼/低代碼行業(yè)在中國的市場規(guī)模目前較小，但全球市場規(guī)模在百億美元量級，且增速飛快，是一個足夠大的市場。因此，對這個行業(yè)進行嚴謹的分析是必要且有意義的。??5.?市場增長的驅動因素??那么，究竟是什么原因讓無/低代碼平臺在過去的幾年里持續(xù)獲得關注，并讓諸多機構對市場規(guī)模和增速有著相當樂觀的預期呢？概括起來我們認為原因主要有如下幾點：??(1)企業(yè)信息化和數字化進程不斷深入??在經濟增速放緩、行業(yè)競爭加劇的大背景下，越來越多的企業(yè)意識到數字化和信息化建設的必要性和緊迫性，并愿意為之付費。由于無/低代碼開發(fā)平臺能夠有力促進企業(yè)的數字化轉型，因此這個行業(yè)在過去幾年里快速發(fā)展。??(2)軟件開發(fā)人員供給相對短缺??與日益增長的應用開發(fā)需求相比，軟件開發(fā)人員的數量顯得嚴重不足。根據Gartner預計，2021年全球市場對于應用開發(fā)的需求將是IT公司產能的5倍。Microsoft估計，未來?5?年將有?4.5?億款新應用程序將被開發(fā)出來(這一數字超過過去?40?年的總和)，IT人才產能嚴重短缺。??(3)互聯網基礎設施不斷完善??一方面，越來越多的企業(yè)開始使用云計算廠商提供的產品和服務;另一方面，很多成熟的應用程序都開放了接口，其他產品無需自行開發(fā)，可直接調用系統(tǒng)或者功能。因此，無/低代碼產品應用的基礎條件越來越成熟，行業(yè)開始加速發(fā)展。??(4)WEB?應用的前端技術和模型化設計的基礎越來越成熟??從歷史演進過程看，軟件編程語言的發(fā)展主脈絡就是高級語言對低級語言的抽象封裝復用(例如C?對匯編、C++?對?C、Java?對?C++)。在云時代，我們有理由認為新的趨勢是可視化編程語言(VPL)對傳統(tǒng)編程語言的抽象封裝復用。??03?產業(yè)鏈與行業(yè)格局??1.?玩家分類與行業(yè)圖譜??(1)應用衍生類??軟件應用企業(yè)建設無/低代碼平臺的動機有非常強的業(yè)務屬性，即用以提升企業(yè)內部人員開發(fā)效率，補齊標準化產品的短板，或是幫助客戶和集成商(或代理商)更好地進行二次開發(fā)。在此基礎上，部分企業(yè)將平臺開放給第三方的應用開發(fā)商(ISV)，突破企業(yè)自有的SaaS產品和服務聚焦的業(yè)務領域以實現“破圈”，最終形成一個更大的應用生態(tài)。??SaaS廠商衍生類的企業(yè)代表有Salesforce、Zoho、銷售易、北森等。??(2)廠商轉型類??部分軟件公司曾長期深耕某一特定業(yè)務場景，積累了深刻的認知和相關技術能力。這些企業(yè)可通過遷移其原有的業(yè)務引擎，快速拓展和建設自身的無/低代碼產品能力。軟件廠商轉型類的代表企業(yè)有做業(yè)務流程管理(BPM)起家的的奧哲、用友、Appian等。??(3)代碼原生類??國內外大部分創(chuàng)業(yè)公司都選擇了低代碼原生的路徑，即跳過具體的行業(yè)或場景，直接構建通用型無/低代碼開發(fā)平臺，代表企業(yè)有?OutSystems、Mendix、ClickPaaS、簡道云、輕流等。??我們按照企業(yè)類型，整理出供大家參考：??中國無/低代碼企業(yè)行業(yè)圖譜??2.?行業(yè)兩大技術路徑??(1)表單驅動??表單驅動型產品與雕版印刷術有些類似，強調“所見即所得”。這類產品開發(fā)的核心是，通過工作流在軟件系統(tǒng)中模擬業(yè)務開展的情景，分析可能遇到的業(yè)務問題，并設計可供用戶調用的模塊和組件。??在表單驅動型產品中，數據的層次關系相對簡單，比較適合打造輕量級的，行業(yè)或場景屬性不強的應用，如OA審批、資料歸檔、客戶管理等，一般面向業(yè)務人員。??表單驅動型產品以“所見即所得”為主??(2)模型驅動??如果用雕版印刷類比表單驅動型產品，那么模型驅動產品更像活字印刷。這類產品開發(fā)的關鍵是將業(yè)務流程進行抽象呈現，在實操層面對業(yè)務領域進行建模，通過邏輯判斷語句支持完善的業(yè)務模型，靈活性較高，能夠服務于企業(yè)的復雜場景開發(fā)需求和整體系統(tǒng)開發(fā)。??模型驅動型產品本身的研發(fā)考驗的是企業(yè)“把書讀薄”的能力，即剝離各個行業(yè)的特性，去尋找實際業(yè)務開展中的共性。但要想使用模型驅動型產品，用戶還需要具備“把書讀厚”的能力，即能夠從沒有顯著行業(yè)特性的邏輯關系圖中，還原出企業(yè)業(yè)務人員面臨的具體使用場景，并在此基礎上開發(fā)應用。因此，模型驅動型產品主要面向專業(yè)開發(fā)人員。??模型驅動型產品以面向對象的模型設計為主??3.?行業(yè)的決勝要素??(1)解決多場景下的需求的能力。企業(yè)對用戶所處行業(yè)、業(yè)務場景理解的深度直接決定了企業(yè)的低代碼平臺能夠搭建怎樣的應用，因為平臺上的封裝模塊越多、數據模型越豐富和細致，用戶在復雜和個性化場景下的需求越容易被滿足;??(2)易用性決定使用門檻，可擴展性決定是否付費。好的產品應當讓使用者能夠快速地解決當下的問題，并滿足其未來潛在的需求。只有兼顧了便利性以及可拓展性的產品才能夠在商業(yè)化的過程中走得更穩(wěn)、更遠;??(3)私有云部署能力和接口集成能力。前者決定了無/低代碼企業(yè)能否滿足大中型企業(yè)數據安全相關要求，后者則決定了無/低代碼平臺的開放性有多高、應用場景有多全;??(4)響應速度和服務質量。無/低代碼企業(yè)之間的競爭不僅僅是產品力層面的競爭，還包括在服務商實施、產品培訓、售后支持等維度上的競爭。在服務項中，售后支持(尤其是服務響應速度)是企業(yè)差異化的關鍵。??04?國外相關公司??1.?公司一：Outsystem??(1)發(fā)展歷程：??2001年成立于葡萄牙里斯本，最早為電信運營商提供敏捷開發(fā)服務??2006年推出低代碼開發(fā)工具及平臺??2011年開始逐漸推出云服務，并在2015年正式轉型為云廠商??2017年發(fā)布低代碼平臺新版本，引入DevOps及API??2020年和AWS達成戰(zhàn)略合作，加快將先進的云服務集成到應用程序中的能力??(2)業(yè)務簡介：??采用模型驅動的技術路徑，提供企業(yè)級低代碼開發(fā)平臺。??(3)特點：??產品具備高開放性和可拓展性。Outsystems提供的平臺可以與數據庫、系統(tǒng)、開源接口對接，通過OutSystems開發(fā)的APP可以直接發(fā)布至App?Store和Google?Play;??社區(qū)生態(tài)建設完善。公司構建了社區(qū)，讓使用者可以發(fā)布自己開發(fā)的應用或插件，供其他用戶使用。在日常經營中，公司把公民開發(fā)者(citizen?developer)的數量視為僅次于收入的第二關鍵指標;??重視戰(zhàn)略合作伙伴的開發(fā)和維護。Outsystems與Accenture等咨詢機構、Everis等IT解決方案提供商維持良好的合作關系，這些合作伙伴幫助Outsystems開拓企業(yè)客戶。??(4)財務及業(yè)務數據：??公司2018年收入突破1億美元，目前客戶數量超過30萬;??截止2021年，OutSystems社區(qū)已有超過43.5萬名成員，應用下載量達到100萬，有超過35.7萬相關課程。??2.?公司二：Mendix??(1)發(fā)展歷程：??2005年成立于荷蘭，為荷蘭大型郵政公司提供數字化轉型服務??2010年推出敏捷開發(fā)一站式服務，并推出可視化構建應用程序平臺??2011年推出Mendix3.0版本，上線云門戶管理部署功能??2015年，Mendix實現模型共享??2018年，Mendix實現邏輯流程的AI化，同年被西門子以6億歐元收購。西門子將Mendix與MindSphere工業(yè)物聯網系統(tǒng)相結合，完善企業(yè)數字化解決方案??2021年1月進入中國市場，4月初與騰訊云達成合作。Mendix?9于2021年11月在騰訊云Mendix低代碼開發(fā)平臺正式上線??(2)業(yè)務簡介：??提供模型驅動的可視化低代碼開發(fā)平臺Mendix?Studio和可視化低代碼開發(fā)平臺Mendix?Studio?Pro,分別面向業(yè)務人員和專業(yè)開發(fā)人員。兩款產品內置了敏捷開發(fā)的功能，并提供各種數據庫以及典型核心系統(tǒng)的連接組件，讓使用人員通過調用和參數配置就可以把多個垂直業(yè)務系統(tǒng)的數據通過Mendix連接起來，并單鍵部署到任何云上。??(3)財務及業(yè)務數據：??2020年收入超過1億美元，預計18個月后收入翻番??社區(qū)活躍用戶超過20萬??3.?公司三：Appian??(1)發(fā)展歷程：??公司成立于1999年，2004年發(fā)布BPM(Business?Process?Management)軟件平臺??2004年開始進行業(yè)務轉型，由傳統(tǒng)的BPM軟件服務商逐漸向圍繞BPM的PaaS平臺過渡，先后上線Case?Management、RPA等功能??2014年開始，公司大幅增加對訂閱收費模式的產品的投入，逐漸降低對定制化服務的依賴??2017年公司在納斯達克上市??2019年進軍AI領域，加強產品生態(tài)建設，推出低代碼+AI產品平臺??(2)業(yè)務簡介：??目前Appian的低代碼自動化平臺主要提供以下四項服務：??BPM:業(yè)界領先的智能業(yè)務流程管理系統(tǒng)，幫助客戶設計、執(zhí)行、管理和優(yōu)化復雜流程??Case?Management:通過自動化的協(xié)作工作和異常處理，更快地解決客戶的項目??RPA:通過使用Appian或第三方軟件商的RPA工具，幫助客戶在集成的工作流中將例行任務自動化，提高生產力??AI:集成谷歌、AWS和Azure的人工智能能力，讓用戶的應用能夠智能化地挖掘信息、分析數據??(3)財務及業(yè)務數據：??2020年收入超過3億美元，毛利超過2億美元??客戶超過690家，政府和非商業(yè)組織數量超過140家??平均客單價在50萬美元左右，近三年客單價在100萬美元以上的客戶占比超過10%??05?推薦標的??1.?ClickPaaS??業(yè)務簡介：??ClickPaaS是一家模型驅動的低代碼開發(fā)平臺公司，旨在幫助SaaS企業(yè)、咨詢公司以及企業(yè)級客戶降低復雜業(yè)務需求場景下的數字化響應時間和成本。??融資歷史：??2018.1?天使輪?云研資本??2019.8?A輪?數百萬美元?五源資本??2019.12?A+輪?數百萬美元?明勢資本??2021.3?B輪?數千萬美元?BAI資本?SIG海納亞洲創(chuàng)投基金?明勢資本?五源資本??2021.10?B+輪?數千萬美元?紅杉中國?BAI資本?SIG海納亞洲創(chuàng)投基金?明勢資本?五源資本??推薦理由：??ClickPaaS在關鍵業(yè)務系統(tǒng)和核心業(yè)務系統(tǒng)上完成了建模實現和國產化替代，擁有頂尖的全場景模型驅動設計能力，同時也是國內在開源、開放生態(tài)系統(tǒng)建設上最為領先的企業(yè);??客戶涵蓋金融，政務，工業(yè)，物流，能源，醫(yī)藥等行業(yè)，團隊有豐富的大客戶經驗，在工程施工、人力資源管理、MRO采購和項目管理系統(tǒng)等領域和場景有知名的合作伙伴;??2019年營收達千萬元，2021?年營收有望翻倍。??2.?輕流??業(yè)務簡介：??輕流一個無代碼系統(tǒng)搭建平臺。用戶在無IT人員幫助開發(fā)的情況下，通過輕流即可搭建應用，做到“隨搭”、“隨改”和“隨用”。??融資歷史：??2017.01?種子輪?60萬人民幣?龍沛資本??2017.08?天使輪?未披露?創(chuàng)新馬槽??2018.12?Pre-A輪?近千萬人民幣?小苗朗程?新進創(chuàng)投??2020.10?A輪?數千萬人民幣?源碼資本?小苗朗程?新進創(chuàng)投??2021.03?A+輪?數千萬人民幣?騰訊投資?源碼資本??2021.10?B輪?啟明創(chuàng)投?零一創(chuàng)投?騰訊投資?新進創(chuàng)投??推薦理由：??已服務超過20萬家海內外企業(yè)、政府機關單位及學校，行業(yè)涵蓋互聯網、制造、零售、教育、工程建筑、金融、生活服務、娛樂傳媒等數十個行業(yè);??針對企業(yè)資源管理、生產管理、項目管理、訂單管理、客戶關系管理、人事行政管理等近百個業(yè)務場景，輕流都已經開發(fā)了解決方案;??連續(xù)3年營收增長4-5倍，盈利模式以訂閱式年費為主，客單價在十萬到百萬數量級;??騰訊云合作伙伴，曾獲得騰訊兩輪投資支持。??3.?行云創(chuàng)新??業(yè)務簡介：??行云創(chuàng)新是一家一站式云原生開發(fā)平臺產品和解決方案提供商，為企業(yè)提供項目管理、架構設計、代碼編寫、測試運行、運維運營等環(huán)節(jié)所需的一切支持，助力獨立開發(fā)者和企業(yè)實現容器、DevOps、微服務架構落地，顯著提升開發(fā)效益。??融資歷史：??2018.07?天使輪?近千萬人民幣?國投東興??2019.08?A輪?3000萬人民幣?正軒投資??2020.01?A+輪?深圳高新投??2020.06?Pre-B輪?中云創(chuàng)投資?正軒行云創(chuàng)投??2021.07?B輪?阿里巴巴??推薦理由：??阿里云和行云創(chuàng)新將通過產品組合的方式為企業(yè)客戶提供云原生應用開發(fā)、業(yè)務智能運維等服務，進行深度合作;??兩位創(chuàng)始人技術實力過硬，同時有商業(yè)敏感度。CEO吳笛曾是美國戴爾風投發(fā)起人，就職于戴爾和華為期間負責企業(yè)的云業(yè)務和物聯網業(yè)務戰(zhàn)略規(guī)劃;CTO馬洪喜曾設計和交付華為桌面云，并曾在Rancher?Labs,、Citrix?Systems、甲骨文、微軟等公司擔任總架構師、研發(fā)經理、技術總監(jiān)等職務。本文來源：比特網文章轉載于其他網絡，如有侵權請聯系我們及時刪除！
-
24
10/25
多模態(tài)技術，釋放垂直AI軟件潛力的關鍵
多模態(tài)技術正在改變垂直AI應用??不久前，Bessemer提出了一個很有價值的觀點：垂直AI軟件將成為未來。說起B(yǎng)essemer,熟悉SaaS行業(yè)的人可能并不陌生。它是美國SaaS領域最專業(yè)的投資機構之一，在過去10年投資了200多家SaaS企業(yè)。為了更好講清楚垂直AI軟件的價值，Bessemer發(fā)布了垂直AI路線圖，總共四個部分。本文是Bessemer的垂直AI路線圖的第二篇文章。在這篇文章中，Bessemer會分享其對以下問題的思考：多模態(tài)的垂直AI應用的落地究竟有哪些影響？現在基于多模態(tài)技術的垂直AI應用又有著哪些不錯的落地案例？01多模態(tài)技術正在改變垂直AI應用??在過去12個月中，全球出現了許多新模型，它們在理解語境、減少幻覺以及整體推理能力方面進步很大。尤其在語音識別、圖像處理和語音生成等方面，AI的能力正在逐漸接近人類。這為AI解鎖了很多新的應用場景。▍語音功能在對話語音領域，模型發(fā)展取得了快速進展：語音轉文本模型（自動語音識別）和文本轉語音模型（生成語音）。目前，市場有數十家公司提供基于這些模型的語音服務，這推動了大量新的語音AI應用程序的出現。這些應用程序大都依賴于所謂的“級聯架構”，即先將語音轉錄為文本，然后將該文本輸入到LLM中以生成響應，最后將文本輸出反饋到生成語音模型中以產生音頻響應。直到最近，這一直是構建對話語音應用程序的最佳方式。然而，這種方法有一些缺點，比如它會有一定的延遲，同時失去用戶對話中表達的情感。而現在，新一代語音原生模型已經發(fā)布了，包括OpenAI的RealtimeAPI（它支持通過GPT-4o進行語音對語音交互），以及Kyutai的Moshi等多個開源項目。與之前的模型相比，語音原生模型的延遲明顯降低（<500毫秒）。它們還可以捕捉更多來自用戶的語境（即語氣、情緒、情感等），并生成反映該語境的響應，使交流感覺更自然，并更有可能滿足用戶的需求。在未來幾年內，隨著越來越多的對話式語音應用基于這些全新改進的模型構建，我們預計對話式語音應用的速度和質量將大幅提升。▍語音應用案例現在語音轉錄的應用已經非常成熟了，端到端對話語音代理也取得了顯著的早期進展，我們認為這是語音AI解決方案的未來方向。接下來，我們就來看看4個AI語音的應用案例。1）轉錄功能讓用戶有更多時間完成工作流程中的后續(xù)步驟：Bessemer投資組合公司Abridge率先推出了一款一流的醫(yī)療轉錄應用程序，該應用程序可以根據臨床對話生成醫(yī)療記錄，并確定適當的后續(xù)行動，包括購買處方藥、專家預約等，醫(yī)生可以把更多注意力轉移到患者護理上。另一個很好的例子是Rillavoice,這家公司將人工智能引入了家庭服務垂直領域。Rillavoice的轉錄應用程序記錄銷售人員和客戶之間的對話，用于培訓目的，這樣銷售經理仍然可以提供有價值的指導反饋，而無需進行非常耗時的面對面“陪同”。2）用AI來承接銷售線索：到目前為止，我們看到的端到端語音代理最引人注目的用例之一是入站銷售。在很多特定的垂直場景（如家庭服務企業(yè)或汽車經銷商）里，語音代理可以在下班后或其他銷售代表忙碌時接聽客戶電話，從而確保企業(yè)不會錯過有價值的潛在客戶。這些功能比之前的語音機器人更智能和高效，無需銷售的代表的參與。3）AI客服提升客戶體驗：AI客服一直是應用比較多的場景。但許多用戶發(fā)現，早期的交互式語音應答(IVR)技術體驗并不好。事實證明，現代語音代理更有效。因為傳統(tǒng)的IVR產品只能理解客戶對特定措辭的回應意圖，但現代語音代理不同，無論客戶如何提問或提出請求，現代語音代理都能提供正確的答案。這樣讓客服人員更有時間對應付復雜的客戶問題。4）自動撥打外撥電話以增加漏斗頂端：現在已經出現了多種解決方案來自動撥打銷售和招聘團隊的外撥電話。通常，語音代理使用客戶陳述的標準來識別最有潛力的銷售線索或候選人，對線索進行首次呼叫，然后將他們引導到與銷售人員或招聘人員的下一次會議。讓人工智能接管外撥工作流程可以顯著增加可以聯系的線索數量，從而增加公司的漏斗頂端。隨著時間的流逝，銷售人員和招聘人員有更好的機會獲得最有潛力的線索。唯一需要注意的事，有必要出臺相應的法規(guī)，規(guī)定AI只能向潛在客戶撥打電話，以避免AI銷售的濫用。在所有語音用例中，我們預計低延遲和理解用戶的情緒和情感將成為一件很重要的事情。此外，由于應用場景的差異，AI語音解決方案在其他維度上也略有不同，例如實時協(xié)調跨多個底層模型的對話以優(yōu)化成本和性能；支持全渠道通信、多種語言和實時翻譯。在視覺方面，我們已經看到了GPT-4withvision(GPT-4V)等模型的發(fā)展，這些模型可以解釋圖像并回答有關圖像的問題，以及處理原始圖像和視頻的多模態(tài)模型。比如，谷歌的多模態(tài)模型Gemini1.5Pro已經可以理解圖像和視頻中的輸入。我們預計，這些和類似的模型將繼續(xù)提高性能并降低成本——這對應用程序構建者來說是個好消息。▍視覺和視頻的用例垂直應用中視覺的應用案例通常分為以下四類：數據提取、視覺檢查、設計和視頻分析。雖然數據提取是迄今為止視覺模型最成熟的用例，但我們在其他領域也看到了新的應用進展：1）從圖片、PDF或其他非結構化文檔的圖像中提取數據：分析和處理當前的非結構化數據，AI可以減輕人類繁瑣的數據輸入任務程。例如，Raft針對貨運代理行業(yè)的平臺結合使用計算機視覺和LLM從PDF發(fā)票中提取關鍵信息，填充其客戶的企業(yè)資源規(guī)劃平臺(ERP)，并自動執(zhí)行發(fā)票核對和準備海關申報單等下游任務。2）提升目前人工檢查的效率：許多公司已經使用AI來幫助簡化人工檢查流程并更快地提供結果。比如，人工智能建筑平臺xBuild為住宅建筑和修復項目生成工作范圍包，然后與保險公司合作獲得報銷批準。xBuild使用受損屋頂的照片和房屋藍圖來生成報告，概述根據當地建筑規(guī)范將屋頂恢復到正常狀態(tài)所需的修復范圍。其他應用程序已使用人工智能和計算機視覺來自動化施工圖中的質量保證審查過程，幫助盡早發(fā)現錯誤，以防止后期施工過程中出現代價高昂的項目變更。3）生成2D和3D設計：為建筑、工程和施工(AEC)行業(yè)服務的AI平臺數量急劇增加。一些公司正在使用AI進行可行性評估，將擬建場地（建筑物、停車場等）的視覺描述與相關供應成本相結合，根據后者的成本限制調整前者，反之亦然。Snaptrude等其他解決方案可以創(chuàng)建建筑物的詳細3D設計圖像，接管通常由結構工程師完成的重復性工作，讓他們有時間專注于更高級別的設計工作。詳細產品和基礎設施設計的自動化不僅可以節(jié)省客戶寶貴的工程時間，還可以加強銷售提案并提高項目成功率。4）視頻分析：生成和理解視頻的模型是視覺模型中最不成熟的，但它們正在迅速進步。在對象跟蹤、分類甚至視頻內容的自然語言搜索方面，視頻理解模型已經變得相當強大。這些模型甚至有些已經完成商業(yè)化落地，比如用AI監(jiān)控視頻源以發(fā)現制造或工業(yè)環(huán)境中出現的安全違規(guī)行為。但考慮到視頻模型的進步的速度，未來幾年我們將看到更多令人印象深刻的AI應用，并擴展到更多的用例。尤其在機器人領域，視頻理解是機器人感知的關鍵組成部分。在所有視覺用例中，創(chuàng)始人都應避免將復雜性誤認為價值。雖然AI解決方案總被認為應該應用在自動化特別復雜的工作流程中，但歸根到底，用戶價值還是看現有場景的工作流程適不適合自動化。如果設計自動化解決方案需要與難以替代的核心系統(tǒng)（如Revit）進行繁瑣的集成，并且初始投資回報率較低，那么無論解決方案多么強大，都很難推動銷售和采用。早期公司應該從技術復雜程度較低、范圍較窄的產品開始，然后再從那里延伸。當然，最佳路徑會因行業(yè)和用例而異，但要牢記權衡利弊。02人工智能代理的前景雖然早期的人工智能代理多少有些炒作的意味，但現在人工智能代理開始有一些真正的落地進展。隨著OpenAIo1模型的推出，代理能夠處理更多復雜的推理任務。如今，代理在涉及重復任務和通信的文本、語音和視覺工作流中發(fā)揮著重要作用。但在未來一年，我們預計基于較新的推理模型構建的應用程序將會出現，并發(fā)揮AI代理的真正潛力：自主處理復雜的工作流。1）銷售和營銷：許多公司都推出了AI代理，可以為銷售團隊尋找和聯系潛在客戶。這些代理的優(yōu)點在于，它們能夠進行大量研究數據，來識別高質量的潛在客戶（通過對目標公司、其員工和相關行業(yè)新聞進行詳細的網絡搜索），然后使用這些研究結果來撰寫相關且高度個性化的電子郵件。由于代理可以有效地執(zhí)行工作中的研究和推廣部分，同時保持相對較高的質量，因此它會讓銷售人員將自己時間更多投入到跟蹤熱門銷售線索。2）談判：AI代理在自動完成多方談判方面展示了不錯的前景。Pactum等公司已經開發(fā)出能夠就供應鏈案例協(xié)商法律和商業(yè)條款的人工智能代理。Pactum的代理可以與供應商進行談判以優(yōu)化交易條款。我們也看到其他垂直AI公司在銷售和促銷領域采取了類似的方法。在這里，代理根據既定標準與買家和供應商進行談判，例如批量購買的折扣或快速付款計劃。3）調查：企業(yè)網絡安全團隊經常被大量安全警報壓得喘不過氣來，但現在有AI代理可以協(xié)助完成警報調查的初始階段。這包括：從多個不同的系統(tǒng)收集有關事件的信息，研究可能涉及的惡意行為，總結事件并評估其嚴重程度。雖然大多數團隊傾向于使用代理來處理風險較低的工作流程，但很明顯，隨著時間的推移，更復雜的代理可以處理越來越多需要信息收集和綜合的工作流程。我們相信，與不需要這些解決方案的解決方案相比，處理需要跨多種模式進行更復雜推理的任務和工作流程的代理將更有價值。特別是，我們看到，通過巧妙的架構決策以及將正確的模型、反饋回路等拼接在一起以提供一致的結果，可以提高代理工作流程的性能。代理性能并不完全取決于問題中數據和計算的規(guī)模，因此對于早期創(chuàng)業(yè)公司來說，這是一個更具吸引力的機會。在所有情況下，鑒于底層模型的快速發(fā)展，在構建技術護城河和確保靈活性之間取得適當的平衡將是關鍵?？偟膩碚f，越來越多垂直AI的創(chuàng)始人開始研究利用AI多模態(tài)能力，來解決更廣泛的實際任務。與文本一樣，語音和視覺的底層模型將日益商品化，使公司在強大的基礎模型之上構建應用程序更具可持續(xù)性。我們相信，這波垂直AI應用不僅會改變它們所服務的行業(yè)和垂直格局，也將從徹底改變我們工作和與世界互動的方式。本文來源：36氪文章轉載于其他網絡，如有侵權請聯系我們及時刪除！
-
24
10/19
AI正在讓協(xié)同辦公越變越糟糕
這個看法源于一個觀察，國內在協(xié)同辦公領域過度強調AI,但實際應用中，像飛書、釘釘等工具的主要功能（如在線文檔、多維表格、打卡簽到等），實際上與AI關系并不大。這兩年軟件領域新生眾多，大多創(chuàng)業(yè)公司都是奔著AI去的，無論是搜索類、生成類、對話類，不一一列舉，產品一般都是基于某個大模型去發(fā)揮應用價值，這些公司因此被抬上了很高的估值。不過在協(xié)同辦公領域，當前的AI應用似乎多作為噱頭，而非實際賣點。因為對于大多數協(xié)同辦公場景，AI并未帶來顯著的效率提升或成本降低，現實中接觸到的客戶公司也表示，他們對AI的實際需求有限，很多所謂的AI功能并未被廣泛接受或認可。試想一下，在某些情況下，引入AI反而使工作流程變得更復雜，如使用AI進行信息檢索后仍需人工驗證其正確性。由于AI的智能性取決于原始數據的準確程度，用戶對AI的信任度有限，這就限制了AI在協(xié)同辦公中的廣泛應用。事實上，我們也對國外的協(xié)同辦公領域進行了一番研究，發(fā)現國內外所面臨的問題，一定程度上都有共性。比如Zoom,放在三四年前，這是一家不折不扣的明星公司。全球范圍內的疫情爆發(fā)使得人們的生活和工作方式發(fā)生巨大變化。Zoom主打線上視頻會議，功能極簡、易用、小而美，成為了遠程辦公、學習和社交的首選工具，市值一度逼近1600億美元。Zoom的成功讓市場看到了協(xié)同辦公的想象力，同期的MicrosoftTeam、Slack、釘釘等國內外同行也迎來了上升期。不過高光期之后，Zoom的發(fā)展曲線并不性感：截至目前，股價、市值，和以往對比明顯，有游資曾評價，“幾天前，Zoom出現了反彈趨勢，我認為它可能會卷土重來。然而經過幾天的觀察，它并沒有真正改變之前的下降趨勢?！盳oom為什么會呈現頹勢？原因可以歸結為疫情紅利消退、市場競爭加劇、客戶增長放緩以及營銷和研發(fā)費用增加等方面共同作用的結果，但也讓人逐漸認識到，決定一家公司增長曲線的，不僅僅是產品如何，也取決于它的商業(yè)化路徑。有意思的是，對于疫情期間的瘋狂增長，袁征并不覺得是好事，為了應對激增的用戶，Zoom不得不快速擴招，但影響了公司的文化。競爭對手在疫情期間也加速了對遠程辦公和視頻會議的支持，給Zoom帶來了更大的競爭壓力?！叭绻麤]有疫情，現在的Zoom可能會發(fā)展更好”，對于這家公司來說，當下的境遇也并不意味著回到了合理區(qū)間。產品小而美，但護城河低，Zoom的創(chuàng)始人袁征將希望寄托于AI,這點和國內玩家殊途同歸。據媒體報道，這款原先聚焦視頻會議的產品，如今卻呼吁大家不要用視頻會議了，目前AI已應用到幾乎所有產品線，終極目標是提倡用AI分身來代替人處理大部分工作，參加會議、決策，甚至是回郵件。袁征還打算將Zoom進行綜合化發(fā)展，推出協(xié)作平臺Workplace,以及文檔、電子郵件和其他工具。在他看來，AI對Zoom的護城河起到了重塑的作用，關鍵詞在于：完全免費、不使用用戶數據訓練AI、低成本，他們的AI戰(zhàn)略不僅關注當前的性能和成本，通過結合多種技術來源、針對不同場景與不同第三方模型互換使用，以及推理過程，在不斷變化的AI領域中保持競爭力。Zoom推出包括ZoomAICompanion和ZoomDocs在內的多項生成式AI功能，這些功能嵌入在Zoom的各種工具中，如ZoomMeetings、TeamChat和Whiteboard等，旨在提高企業(yè)生產力和企業(yè)間團隊協(xié)作效率。從這些例子來看，大多數AI功能起到的是對原有功能的輔助作用，但“免費”卻幫助Zoom建立更深的護城河。一方面，在競爭激烈的SaaS市場中，提供額外且免費的功能可以增加用戶粘性；另一方面，免費提供AI功能可以讓用戶無門檻地嘗試和使用這些新功能，長期吸引更多用戶，進而通過其他方式（如增值服務、企業(yè)訂閱等）實現盈利。以Zoom的ContactCenter為例，這是一種現代化的客戶服務解決方案，與其他產品的最大區(qū)別在于其結合了視頻通話和AI技術。購買ContactCenter的決策者與之前購買視頻會議產品的人不同，但由于他們本身也是Zoom的用戶，對Zoom的信任有助于ContactCenter的銷售。再看一個例子，明星軟件Notion近期也有重大更新，特別是其在AI功能方面的全面重構。升級的板塊主要在三個方面，對話機器人的交互改進、寫作輔助功能優(yōu)化，以及盤活知識庫，使AI助理與用戶的交互更自然。新升級的NotionAI能夠在不同頁面和應用間調取知識庫，這種跨應用的調取能力，使用戶可以更便捷地獲取和利用各種資源，從而提升整體的生產效率。作為較早一批接入ChatGPT的產品，NotionAI在今年初完全開放給所有用戶，并正式將AI功能作為單獨的付費產品。其定價策略是每人每月10美元，包年則每月8美元。NotionAI可以協(xié)助用戶完成寫作、編輯、總結等多種任務，還提供了跨平臺搜索功能，可以無縫連接Slack、GoogleDrive等應用，快速從多個來源匯總信息。據報道，截至2023年，Notion的用戶量達到了3000萬，其中約400萬為付費用戶。內部一開始的評估是NotionAI一年會帶來額外的1000萬到3000萬美金ARR,但這個目標只用一個月就完成了，意味著最終NotionAI一年可能會帶來1億美金的ARR.此外，NotionAI在推出后也迅速吸引了大量用戶，短時間內就突破了400萬。不得不說，這個商業(yè)化增長幅度，國內大多數辦公軟件都望塵莫及。典型的例子，盡管釘釘擁有龐大的用戶基數（截至2023年末，用戶數達7億，企業(yè)組織數達2500萬），但真正付費的用戶數量其實很少，此前CEO葉軍表示，企業(yè)用釘釘真正付費的可能連1%都不到。為了推動商業(yè)化進程，釘釘通過接入阿里的“通義千問”大模型，通過AI將產品重做一遍，完成了多條產品線和功能的AI化。例如，一鍵輸入“/”，就會智能生成職場中大部分工作內容，包括文檔創(chuàng)作、聊天摘要生成等。釘釘在提供免費的標準版之余，也推出了專業(yè)版、專屬版和專有版等年費服務選項。釘釘引入AI功能，主要是想給這些付費版本增值，好讓用戶覺得高級功能更值得花錢。另外，釘釘還通過平臺分傭和硬件開放的License授權模式來增加收入。借助AI技術為企業(yè)帶來個性化服務，比如智能分析企業(yè)數據、定制工作流程等，釘釘認為這樣企業(yè)更愿意付費，并且關系也會更緊密。但從內部人士了解到，實際愿意為此買單的客戶，規(guī)模還并不算龐大，目前釘釘仍未實現盈利。另一邊的飛書，同樣在多個產品中融入了AI,如多維表格、字段捷徑、儀表盤等，以提升產品的智能化水平。最直接的體現是推出了自家的AI助手"MyAI"（飛書智能伙伴），用戶可以讓它寫工作總結、會議記錄，在辦公時喚醒進行協(xié)作問答。而在具體的商業(yè)化方面，隨著AI功能的不斷補充，或許會推出基于AI功能的增值服務或訂閱模式。例如，為用戶提供更高級別的AI助手，飛書更傾向通過提供專業(yè)化的服務和定制化的解決方案來吸引客戶。整體來說，國外協(xié)同辦公工具多采用按功能付費的模式，用戶可以根據自己的需求選擇相應的功能并支付費用。而在國內，盡管釘釘、飛書等工具也在積極探索商業(yè)化路徑，但面臨的商業(yè)化難題依然不少。這背后，既有國內外市場環(huán)境的差異，也有用戶對協(xié)同辦公工具價值認知和付費意愿的不同。根據現有報道，在國外市場，用戶的隱私問題對Zoom布局AI產生了顯著影響。然而，隨著Zoom采取了一系列措施來確保用戶數據的安全和隱私，這個問題得到了一定程度的緩解。Zoom是否因AI實現了更大的增長？根據多方數據，我們發(fā)現，AI技術的融入的確提升了其企業(yè)端銷售額，例如，在2024財年第三季度，Zoom的總營收同比增長3.2%，企業(yè)端營收規(guī)模同比增長7.5%至6.61億美元，嵌入AI技術后，Zoom的季度客戶流失率明顯收窄，顯示出更高的客戶留存率。為什么同樣布局AI,國內外的協(xié)同辦公領域，Zoom、Notion、飛書和釘釘的商業(yè)化差距這么大？是國產軟件的AI功能還不夠強大，還是市場對AI的期待過高？這只是一方面。對比發(fā)現，AI的確是一種強大的技術，但它在協(xié)同辦公中的作用并非萬能，當下的使用場景還很有限，更多是作為智能助手的形式出現。其實就像袁征所說的，一款好的產品不一定能夠對應好的商業(yè)價值，研發(fā)成本、商業(yè)模式、付費環(huán)境也會起到決定性的作用。很多協(xié)同辦公公司投入了大量成本去研發(fā)AI,但并沒有可觀的ROI,反而成為給企業(yè)客戶提供數智化解決方案的項目商，或是軟件外包?；氐缴虡I(yè)的本質，客戶需求和市場定位依然是決定產品成功的關鍵因素。盡管AI技術迅猛發(fā)展，為行業(yè)帶來了前所未有的變革，但商業(yè)的核心原則并未發(fā)生變化。然而，過度的AI投入有時的確會讓企業(yè)迷失方向，對“究竟應該做什么”產生疑惑。本文來源：R艾瑞網文章轉載于其他網絡，如有侵權請聯系我們及時刪除！
-
24
10/19
AI讓代碼變得廉價，品味正在蠶食軟件
就像上個時代軟件蠶食世界，讓行業(yè)發(fā)生重大變革一樣，品味現在正在蠶食軟件。2011年，馬克·安德森(MarcAndreessen)發(fā)表了著名的軟件正在蠶食世界的宣言。有那么一段時間，這是不可否認的現實。軟件是變革的引擎，徹底改變了從科技到金融、從零售到醫(yī)療保健的一切。在當時，技術實力意味著占據市場主導地位。作為硅谷的精神中心，YCombinator將技術創(chuàng)始人視為天選之人。而那些能夠召喚并駕馭軟件的人則被視為神祇。風投家給那些能將代碼大規(guī)模擴展的人提供資金。畢竟，只有軟件才能迅速而有效地改變龐大的傳統(tǒng)行業(yè)。如今情況已大不相同。軟件已經被商品化——這是技術進步、成本、復雜性降低以及編程技能普及的結果。人工智能進入主流推動了這一轉變。技術與文化之間的界限正在變得模糊。因此，光靠打造出色的技術已遠遠不夠。▍大家的軟件都已足夠好。軟件曾經是武器，現在只是工具。在資源匱乏的世界里，我們珍視工具。在資源富足的世界，我們看重品味。進入門檻很低，競爭很激烈，有太多的關注焦點已經轉移——先是從技術轉移到分銷，現在又轉移到了其他方面：品味。▍品味正在蠶食軟件。品味就是新武器。不管表達方式如何，不管是靠產品設計、品牌還是用戶體驗，品味現在定義了產品被感知和感受的方式，定義了產品被采用，也就是分發(fā)的方式——無論是軟件也好，硬件也罷，或兩者兼而有之。技術已經與文化緊密交織在一起。如今，人們無論身在何處、從事什么職業(yè)或處在什么地位，都將技術視為生活的一部分。▍現在要服務的市場是文化市場，實用加上品味是基礎。在這個新時代，功能性產品日益變成文化大潮的配角。因此，創(chuàng)始人們意識到他們需要的不僅僅是會寫代碼或掌握技術了。雖然實用性依然是關鍵，但創(chuàng)始人還需要在設計、品牌、體驗、講故事、社區(qū)以及文化相關性上進行精雕細琢。史蒂夫·喬布斯和埃隆·馬斯克之所以備受推崇，不僅是因為技術創(chuàng)新，還因為他們把產品和個人塑造成了文化偶像。競爭已經不再局限在科技行業(yè)——創(chuàng)始人們現在還要跟那些在分發(fā)、社區(qū)建設及文化共鳴上占據優(yōu)勢的名人和網紅競爭，盡管這些人不一定具備同樣的技術能力。品味的提升將各種體驗和視角引入到競技場——這不僅從內部挑戰(zhàn)著“傳統(tǒng)”的硅谷，也會從外部發(fā)起沖擊。你可能會覺得，像蘋果、特斯拉和Airbnb這樣的公司，因為它們是面向消費者的典型企業(yè)，所以品味對它們來說尤其重要。但這并不是全部——消費者驅動的“品味”特質已經滲透到了科技世界的每個角落。那些曾經以實用性優(yōu)先的B2C板塊，甚至B2B軟件行業(yè)，如今都感受到用戶體驗、設計、美學以及講好故事的影響。Arc以設計和品牌作為核心賣點，與傳統(tǒng)網絡瀏覽器展開競爭。Linear等工具是一款面向軟件團隊的項目管理工具，它們以公司建設的原則性方法和大量抄襲的登陸頁面設計而聞名，也以產品功能而聞名。Arc和Linear等公司建立了一個完整的美學生態(tài)系統(tǒng)，邀請用戶和擁護者成為他們版本的世界的一部分，并產生大量的數字和文字口碑。（他們的故事尚未結束，但他們在硅谷的這個領域中脫穎而出。）Arc以設計和品牌作為核心賣點向傳統(tǒng)web瀏覽器發(fā)起挑戰(zhàn)。像Linear這樣的項目管理工具，不僅因其獨特的企業(yè)文化和備受模仿的登錄頁設計而聞名，也因其產品的功能性而備受認可。4Arc和Linear等公司建立了完整的美學生態(tài)體系，吸引用戶和支持者成為他們世界的一員，并在線上和線下獲得口口相傳。▍即便在最前沿的技術領域，品味也和技術本身一樣塑造著未來。在通用人工智能聊天機器人領域，OpenAI的ChatGPT成為了市場的領導者。此后，Anthropic的Claude、谷歌的Gemini、Meta的Llama、微軟的Copilot、Perplexity、Poe等公司各自以不同的角度加入到這場競爭。是，他們是在技術戰(zhàn)線上展開競爭，但隨著人工智能的快速進步，感覺他們會在類似的功能上趨于一致。那該怎么競爭呢？？答案在于它們的外觀、使用感受，以及它們帶給用戶的情感體驗。交互上的微妙之別（界面是否直觀、友好、流暢）以及品牌美學（從趣味橫生的網站設計到營銷信息）都會變成新的差異化因素，用戶往往會選擇那些與其個人價值觀更契合的工具。所有這些元素應該無縫地融合到產品之中，但這依然是值得關注的區(qū)別。投資者再也不能找到最優(yōu)秀的工程團隊去資助，然后坐享其成了。他們得去尋找這樣大的團隊，那種能捕捉文化相關性，并反映其日益多樣化的市場價值觀、美學和品味的團隊。投資者如何在這個新環(huán)境中找到自我定位？他們把寶押在那些能抓住文化潮流的，品味驅動型的創(chuàng)始人。他們也在打造自己的個人品牌和公司品牌。去重新設計網站，撰寫宣言，推出播客，并與文化巨頭合作。（當然，人們仍然會質疑風投是不是真的“了解”品味。）▍代碼不值錢了。金錢現在追逐的是用品味包裝起來的實用性、以優(yōu)美的形式塑造的功能，以及以藝術性為框架的技術。但品味究竟是什么東西？字典上說，品味是辨別什么是高品質的能力，或者一種很高的審美標準。但誰來制定這個標準呢？在個體層面，品味是主觀的——每個人對品味都有自己的個人理解——但在特定的文化或社區(qū)當中，品味是可以校準的。品味是設計、用戶體驗與情感共鳴的結合，它決定了產品如何與人建立聯系，并與他們的價值觀和身份保持一致。這些東西單個拎出來并不等于品味；那只是表達個人品味的表現形式。最基本的標準是，品味絕不會平淡無奇——它會有自己的主見。就像阿諾德·貝內特的名言所說那樣：“好品味勝過壞品味，但壞品味勝過沒品味?！报吥阍谑褂卯a品時，產品會讓你產生某種感受，而且產品也會讓其他人對你產生某種感覺。產品不再只是功能性工具，而變成了情感接觸點。越來越多的產品被設計為自我表達和社交信號的載體，反映出你的價值觀、生活方式與身份。以技術為核心的產品與藝術的距離之近前所未有。果真如此的話，這也意味著其他玩家對生態(tài)體系至關重要：比如藝術家、設計師、創(chuàng)作者、創(chuàng)意總監(jiān)、媒體公司等。這不可避免會引出更多問題：誰是品味的擁王者，誰是看門人？對品味的更大關注會引發(fā)什么樣的文化戰(zhàn)爭？公司所在的城市或文化的影響會不會更加重要？沒人可占有“品味”，但肯定會有足夠多的人想嘗試一下。▍就像上個時代軟件蠶食了世界并改變了各個行業(yè)一樣，現在品味正在蠶食軟件，緊接著要蠶食的將是硅谷。在硅谷的新時代，品味不僅是一種優(yōu)勢，更是未來。最吸引人的創(chuàng)業(yè)公司將是那些能將卓越技術與精致品味結合到一起的公司。就算是在追求技術突破，也必須考慮品味與文化共鳴，而不僅僅考慮技術本身。單靠品味不會成功，但如果沒有讓品味發(fā)揮重要作用的話，你也贏不了。隨著品味滲透到各個領域，創(chuàng)始人與風投家的角色也在發(fā)生變化。創(chuàng)始人如今不僅需要掌握技術創(chuàng)新，還必須具備文化共鳴的能力。而投資者呢？他們必須將寶押在那些會在未來創(chuàng)新浪潮中引領潮流的公司，在這些公司里，技術與文化不再是獨立個體，而是合二為一。有些人也許不喜歡這種趨勢，有些人會反對，而有些人則會選擇觀望——但這無疑是時代的象征。▍創(chuàng)始人必須成為品味的引領者，而風投家則必須成為品味的仲裁人。挑戰(zhàn)：實用性仍需得到尊重。理論仍需付諸實踐。自認為有好品味的人要多于確實有好品味的人。本文來源于：36氪文章轉載于其他網絡，如有侵權請聯系我們及時刪除！
-
24
10/12
微軟推出AI醫(yī)療工具全家桶，預覽醫(yī)療數據方向5大新功能
許多新工具目前仍處于開發(fā)早期階段或僅提供預覽版。智東西10月11日消息，當地時間周四，微軟發(fā)表了一篇播客，宣布在其MicrosoftCloudforHealthcare中推出新的醫(yī)療保健數據功能和AI工具，包括通過AzureAIStudio中的新醫(yī)療保健AI模型、MicrosoftFabric中的醫(yī)療保健數據功能、CopilotStudio中的醫(yī)療保健AIagents服務以及AI驅動的護理工作流程解決方案。這些工具旨在連接護理體驗、增強團隊協(xié)作、增強醫(yī)療工作者的能力以及幫助醫(yī)療保健組織更快地構建AI應用程序，并節(jié)省醫(yī)療工作者在行政任務上的時間，這是導致行業(yè)倦怠的主要原因之一。許多解決方案目前仍處于開發(fā)早期階段或僅提供預覽版。在微軟更廣泛地推廣這些工具之前，醫(yī)療保健組織將對這些工具進行測試和驗證。微軟拒絕透露這些新工具的價格。據CNBC報道，微軟通過不斷推出新的醫(yī)療領域AI工具，努力確保其處在醫(yī)療保健AI領域的領導地位。去年10月，該公司在其Azurecloud和Fabric分析平臺上推出了一系列健康功能。2021年，微軟還以160億美元收購了NuanceCommunications,后者是醫(yī)療保健及相關行業(yè)提供語音轉文本的AI工具。微軟健康與生命科學部門投資組合發(fā)展與孵化副總裁MaryVarghesePresti在預先錄制的記者會上說道，“通過將AI融入醫(yī)療保健，我們的目標是減輕醫(yī)務人員的工作壓力，促進醫(yī)療團隊的協(xié)作，提高全國醫(yī)療保健系統(tǒng)的整體效率。”一、醫(yī)療保健AI模型：將AI的范圍擴展到文本之外微軟推出了一系列開源多模態(tài)AI模型，這些模型由微軟與Providence和Paige等合作伙伴合作開發(fā)，能夠分析除文本之外的數據類型，如醫(yī)學影像、臨床記錄和基因組數據。據悉，大約80%的醫(yī)院和醫(yī)療系統(tǒng)就診都包括影像檢查，因為醫(yī)生通常依靠影像來幫助治療患者，這些AI工具的推廣使用可以幫助醫(yī)生減少工作量和壓力。醫(yī)療保健組織還可以使用這些模型來構建新的應用程序和工具。通過使用這些高級模型作為基礎，醫(yī)療保健組織可以快速構建、微調和部署針對其特定需求的AI解決方案，同時最大程度上減少從頭開始構建多模態(tài)模型相關的大量計算和數據要求。例如，數字化單個病理切片可能需要超過1GB的存儲空間，因此許多現有的AI病理模型每次都只能訓練小塊切片。微軟和ProvidenceHealth&Services構建了一個數字病理全切片基礎模型，該模型在突變預測和癌癥亞型分類方面有所改進，這一成果已發(fā)表在國際頂級學術期刊《自然》雜志上?，F在，醫(yī)療系統(tǒng)可以在此基礎上進行改進，并根據自身需求進行微調。“過去，獲取病理學的全切片基礎模型一直是一個挑戰(zhàn)……而現在我們實際上已經能夠做到了?！盤rovidence首席戰(zhàn)略和數字官SaraVaezy在接受CNBC采訪時談道?！斑@確實是一種改變游戲規(guī)則的技術?！边@些模型可在AzureAIStudio的模型目錄中找到，AzureAIStudio是微軟的生成式AI開發(fā)中心。▲微軟AzureAIStudio的模型目錄界面（圖源：微軟）二、通過統(tǒng)一的AI平臺使用醫(yī)療保健數據，公開預覽5大新功能從歷史上看，醫(yī)療保健數據由于其非結構化性質和現有數據管理系統(tǒng)的局限性而難以獲問題限制了醫(yī)療保健組織全面了解患者體驗和獲取寶貴見解的能力。根據MicrosoftFabric推出的醫(yī)療保健數據解決方案，醫(yī)療保健組織可以通過單一且統(tǒng)一的AI驅動平臺改變用戶訪問、管理和處理數據的方式，從而克服上述問題。此外，MicrosoftPurview的醫(yī)療保健安全應用程序模板（一套旨在幫助管理醫(yī)療保健數據的創(chuàng)新功能）現已公開預覽。微軟還將在MicrosoftFabric的醫(yī)療保健數據解決方案中公開預覽5個新功能，包括：1、對話數據集成：將對話數據（例如患者對話）從DAXCopilot發(fā)送到Fabric平臺。通過將DAXCopilot音頻文件、記錄和臨床筆記草稿發(fā)送到Fabric,客戶和合作伙伴可以利用Azure和Fabric中的各種本地工具來分析這些數據或將其與其他數據相結合生成更全面的見解。2、康健的社會決定因素(SDOH)公共數據集轉換：提取、保存、協(xié)調和使用SDOH國家和國際公共數據集，使醫(yī)療保健組織能夠識別風險和與健康相關的社會需求，幫助為患者和社區(qū)創(chuàng)造更公平的醫(yī)療保健服務。3、美國醫(yī)療保險和醫(yī)療補助服務中心(CMS)索賠和索賠線饋送(CCLF)數據提?。汉喕髻r數據的提取并與臨床、影像和SDOH數據相協(xié)調，以獲取有關患者和大眾的可行見解。4、護理管理分析：利用統(tǒng)一的醫(yī)療數據和護理管理分析模板，通過識別高風險個體、優(yōu)化治療計劃和改善護理協(xié)調來加強患者護理。5、數據發(fā)現和分組：利用集成的工作流程，讓醫(yī)療保健組織能夠創(chuàng)建、管理、分析和共享患者群組。三、利用AIagents匹配治療方案，回答患者基本問題醫(yī)療保健組織面臨諸多挑戰(zhàn)，包括勞動力短缺、成本上升和患者護理需求增加。生成式AI通過自動化管理任務、分析大量數據以獲得可操作的見解以及協(xié)助專業(yè)人員進行決策，為這些挑戰(zhàn)提供了潛在的解決方案。為了解決這一問題，微軟宣布了幫助醫(yī)療系統(tǒng)構建AIagents的新方法，他們將在CopilotStudio中公開預覽醫(yī)療agent服務，用于預約安排、臨床治療案例匹配、患者分診等。醫(yī)療保健組織可以利用醫(yī)療agent服務來幫助創(chuàng)建互聯的患者體驗、改善臨床工作流程并增強醫(yī)療專業(yè)人員的能力，同時幫助組織通過MicrosoftCopilotStudio滿足行業(yè)期望。早期采用者，如克利夫蘭診所，提供了反饋以幫助優(yōu)化醫(yī)療環(huán)境的解決方案，他們已經在使用這些工具來增強患者體驗并提升運營效率。AIagents的復雜程度各不相同，但它們可以幫助用戶回答問題、自動化流程并執(zhí)行特定任務。通過MicrosoftCopilotStudio,醫(yī)療保健組織還可以創(chuàng)建配備醫(yī)療保健專用安全措施的AIagent.例如，當答案包含對臨床案例的引用時，會顯示來源，并會通過注釋標明答案是否由AI生成。微軟提到，捏造和遺漏都會被標記出來。例如，一個醫(yī)療保健組織可以構建一個AIagent來幫助醫(yī)生為患者找到相關的臨床治療案例。醫(yī)生可以輸入問題：“55歲男性，患有糖尿病和間質性肺病，有哪些臨床案例適合他？”然后會收到一系列相關回答，這將節(jié)省醫(yī)生尋找每個案例的時間和精力。據微軟健康與生命科學部門健康AI總經理HadasBitran在與記者的問答中談道，能夠幫助回答患者基本問題的AIagent在參與測試該服務的醫(yī)療系統(tǒng)中很受歡迎。她還補充說，能夠幫助醫(yī)生回答有關最新醫(yī)療健康指南和患者病史的問題的AIagent也很常見。微軟的醫(yī)療保健agent服務將從宣布當天開始提供預覽版?！④浀尼t(yī)療agent服務界面（圖源：微軟）四、開發(fā)護士專用自動化文檔，優(yōu)化護士日常工作流程據世界衛(wèi)生組織(WHO)預測，到2030年護士短缺人數將達到450萬，因此提供技術支持護理行業(yè)的需求比以往任何時候都更為緊迫。今年8月，微軟宣布其與EpicSystems合作的下一階段將致力于構建針對護士的AI文檔工具。他們正在開發(fā)一種可以增強護士日常工作流程的解決方案，通過起草流程表進行審查來處理護理文檔，讓護士能夠將精力更多地放在患者身上，而不是文書工作上。據悉，外科護士有多達41%的時間花費在文檔工作上。Epic是一家醫(yī)療保健軟件供應商，擁有美國超過2.8億人的電子健康記錄。它與微軟有著長期的合作關系。微軟的Nuance已經為醫(yī)生提供了一個名為DAXCopilot的自動化文檔工具，該工具于去年推出。它允許醫(yī)生在征得患者同意的情況下記錄他們的就診過程，然后AI會自動將其轉化為臨床筆記和摘要。理想情況下，這意味著醫(yī)生每次看診時都不需要花時間自己輸入這些筆記。這項技術在今年迅速普及。Nuance宣布，DAXCopilot已于1月在Epic的電子健康記錄中普遍可用，這是醫(yī)療保健行業(yè)內備受矚目的認可。將像DAXCopilot這樣的工具直接集成到醫(yī)生的電子健康記錄工作流程中，意味著他們不需要切換應用程序即可訪問它，這有助于節(jié)省時間并減輕行政工作負擔。但到目前為止，DAXCopilot僅供醫(yī)生使用。微軟提到，這一情況正在改變。該公司正在構建一個針對護士優(yōu)化的類似工具。盡管醫(yī)生和護士密切合作，共同治療和護理患者，但護士的工作日與醫(yī)生的工作日截然不同，護理文檔工作流程也同樣獨立且截然不同。護士在輪班期間需要移動，在各個房間之間移動以看望患者。他們在病床邊交談，并以流程表等高度結構化的格式記錄患者信息?！白o士的工作流程與醫(yī)生的工作流程截然不同，任何為護士開發(fā)的解決方案都需要與他們的工作方式相結合?！盤resti在會上說道?！拔覀兊膱F隊花費了數小時在護士值班期間進行跟蹤觀察，以了解他們如何執(zhí)行任務，并發(fā)現他們一天中最大的摩擦點在哪里。”微軟正在與斯坦福醫(yī)療保?。⊿tanfordHealthCare）、西北醫(yī)學（NorthwesternMedicine）和Tampa綜合醫(yī)院等組織合作開發(fā)這一工具。結語：醫(yī)療保健領域的AI實踐需要嚴格的測試和監(jiān)管微軟在官方播客中提到，這些新的AI工具都將遵循該公司于2018年制定的AI原則，以幫助指導AI的開發(fā)和使用。通過設計開發(fā)負責任的AI,確保這些技術對醫(yī)療生態(tài)系統(tǒng)和社會產生廣泛而積極影響。在實踐中，這意味著要正確構建、測試和監(jiān)控系統(tǒng)，以避免不良行為，例如有害內容、偏見、濫用和其他意外風險，需要在構建必要的治理結構、政策、工具和流程方面進行大量投資，以堅持相關原則并安全地構建和部署AI.本文來源：36氪文章轉載于其他網絡，如有侵權請聯系我們及時刪除！
-
24
10/12
100億，90后都用過的辦公APP上市了
辦公軟件，再“上大分”90后都用過的辦公軟件，上市了。十多年前，“掃描全能王”上線，抓住了線上辦公的浪潮解決了一大堆90后掃描難、傳輸難的痛點。十余年后，“掃描全能王”背后的母公司合合信息成功登陸上海證券交易所科創(chuàng)板。這次上市之路并非一帆風順，合合信息歷經了多次嘗試和挑戰(zhàn)。但他們始終堅持以用戶需求為核心，不斷優(yōu)化產品，提升服務質量。隨著線上辦公的興起，手機辦公功能變得多樣化，合合信息的產品正好解決了紙質文件數字化的痛點。用戶不再需要為了一份掃描件而四處奔波，只需輕點屏幕，就能輕松將文件轉換為電子版，這無疑是數字化辦公時代的一次革命。如今，合合信息的成功上市，不僅是對公司技術實力的認可，更是對整個辦公軟件行業(yè)未來發(fā)展的有力推動。在這個充滿機遇的數字化時代，我們期待合合信息能夠繼續(xù)引領潮流，為全球用戶帶來更多便捷、智能的辦公體驗。敲鐘上市每個辦公人都得用過的“掃描全能王”“名片全能王”背后的公司上市了。今天，合合信息敲鐘上市。旗下最出圈的產品莫過于“掃描全能王”，除此之外，合合信息旗下還包括名片全能王、啟信寶等打工人必備軟件。據其官網介紹，上海合合信息科技股份有限公司（以下簡稱“合合信息”）是行業(yè)領先的人工智能及大數據科技企業(yè)，基于自主研發(fā)的領先的智能文字識別及商業(yè)大數據核心技術，為全球C端用戶和多元行業(yè)B端客戶提供數字化、智能化的產品及服務。公司B端服務，即智能文字識別服務、商業(yè)大數據服務幫助客戶切實解決了降本增效、改善風控、高效獲客的業(yè)務痛點，提供了較高的技術附加值。目前已在銀行、保險、證券、基金、汽車金融、供應鏈金融、政務、制造、物流、地產、征信等近30個行業(yè)實現成熟應用。據企查查信息顯示，合合信息已經完成了八輪融資，其中經緯創(chuàng)投、東方匯富、京東科技、復星創(chuàng)富皆為其背后資本。合合信息創(chuàng)始人鎮(zhèn)立新，1968年荊州出生，2000年在中國科學院自動化所完成學業(yè)，專攻模式識別與智能系統(tǒng)，獲得博士學位。他的職業(yè)道路多姿多彩，曾在中國石化集團公司擔任電氣工程師，并在大連海事大學與同濟大學擔任教職。2000年，鎮(zhèn)立新加入摩托羅拉，擔任全球實驗室負責人，專注于光學字符識別（OCR）技術。他將該技術成功應用于摩托羅拉廣受歡迎的“明”系列手機，成為首位將OCR、名片識別和手寫識別技術整合到智能手機的科學家。他領導的“指書FingerWriting”項目榮獲《華爾街日報》的“最佳發(fā)明獎”和芝加哥太陽報的“發(fā)明金獎”，同時他也是摩托羅拉“金質獎章GoldenBadge”的得主。隨著智能化時代的到來，鎮(zhèn)立新洞察到商業(yè)潛力，決定創(chuàng)業(yè)。2006年，他創(chuàng)立了合合信息的早期形態(tài)合合有限，并聚集了一批技術精英，形成了初始團隊。在合合信息的七位核心技術人員中，有六位曾是摩托羅拉中國研究院的成員，這使得公司帶有濃厚的“摩托羅拉”色彩。他帶領團隊研發(fā)了名片全能王和掃描全能王等產品，并通過開發(fā)基于邊緣計算的深度學習技術，顯著提高了手寫文字的識別準確率，使掃描全能王的手寫字符識別率達到了97%。掃描王的成功也離不開數字化辦公時代的進程。過去幾年，隨著線上辦公的火熱，手機的辦公功能也開始多元化。而在文件傳輸的過程中，紙質文件的掃描就成了一個痛點，沒有掃描王的時候大部分還是會選擇去臨近的復印掃描店掃描之后再傳輸到手機上，而掃描王剛好就解決了這個痛點。“當時市面上手機的拍照功能還沒有現在這么清晰，也沒有能夠識別文字等等功能，很多時候需要辦一些證件的時候，需要掃描件，照片直接發(fā)過去就不過審，家里沒有復印機和掃描機的就得跑一趟復印店，家里買一臺的話利用率又太低，而且當時基本能夠滿足功能的APP只有掃描王。”一位掃描王的用戶回憶起自己使用掃描王的過程。除了抓住時代紅利和需求痛點，掃描王的成功還與其技術和設計有關——技術上，它采用了先進的光學字符識別技術，能夠高效地將圖像中的文字轉換為可編輯文本，并引入了智能高清濾鏡等黑科技，顯著提升了掃描的清晰度和準確性；用戶體驗方面，應用界面簡潔直觀，易于上手，同時提供了多種圖像優(yōu)化模式，使用戶能夠根據需求調節(jié)圖像參數，輕松完成掃描和編輯任務。功能上，掃描全能王不僅限于掃描，還集成了文檔共享、云同步、無線打印、全球傳真等功能，滿足了用戶多樣化的需求。它還支持多種語言的文字識別，擴大了服務的用戶群體。市場需求的增長也為掃描全能王的發(fā)展提供了動力，隨著數字化辦公和個人信息管理需求的上升，高效工具的用戶數激增；在市場策略上，掃描全能王的母公司通過有效的推廣和品牌建設，迅速贏得了市場的認可。用戶口碑方面，掃描全能王在處理文件的準確性和便捷性上獲得了用戶的廣泛好評。此外，掃描全能王不斷進行產品迭代和升級，如推出智能高清濾鏡2.0，以適應不斷變化的市場需求和技術進步，確保了其在競爭激烈的市場中脫穎而出。多次嘗試2009年名片全能王上線，隔一年掃描全能王上線，兩款爆火產品距今已經超過了十年的時間，據公開數據顯示，截至2022年底，掃描全能王與名片全能王在AppStore與GooglePlay應用市場的全球用戶首次下載量合計超過8億，其中報告期新增首次下載量合計約3.8億。APP涉及到的技術主要包括智能文字識別及商業(yè)大數據技術。合合信息自2006年成立起就將文字識別、圖像處理作為核心研發(fā)方向，智能文字識別技術融合了智能圖像處理、復雜場景文字識別、NLP等AI技術，可適應多語言、多版式、多樣式等復雜場景，并可應用到多個商業(yè)化場景中并形成落地的產品或服務，例如票據分類、證照票據結構化、合同關鍵信息抽取、智能審核等。商業(yè)大數據技術包括大數據挖掘與知識圖譜等技術，通過“數據—信息—知識—智能”4個層次，挖掘商業(yè)數據背后蘊藏的價值。而這期間，母公司合合信息也曾經多次沖刺IPO.資料顯示，合合信息的IPO申請于2021年9月27日獲受理，此后歷經三次問詢，兩次中止，這一次終于成功邁進IPO的大門。作為TOC的辦公軟件，公司數據安全和隱私合規(guī)一直都是外界關注的重點。在招股書中，合合信息也提到了關于數據隱私安全的風險。指出“基于人工智能及大數據技術，公司面向個人用戶及企業(yè)客戶提供C端產品及B端服務。業(yè)務經營過程中，公司根據業(yè)務需要獲取了用戶的相關數據。對于獲取的數據，公司建立了一系列的數據安全內控制度，采用防火墻、數據加密、權限管控、安全審計等技術方式，以保障數據資源存儲、使用的安全性、可靠性。但如果受到惡意軟件、計算機病毒、黑客攻擊的影響；或公司員工違反公司內部制度規(guī)定；數據合作方、客戶違反協(xié)議約定以及其他原因造成了數據的不當泄露或使用，公司存儲的信息數據資源可能被泄露或受到損失。公司還可能因侵犯個人隱私被投訴或受到主管部門處罰，或因侵犯個人隱私及個人信息相關權益導致訴訟或仲裁等糾紛，可能對公司市場聲譽及經營業(yè)績造成不利影響?！焙退行枰杉脩粜畔⒌墓疽粯樱脩綦[私都是一個審核的重點。合合信息也一直在為保護數據隱私做改革，對相關APP產品的部分版本進行了自查及升級。辦公軟件“上大分”在數字化轉型和遠程工作趨勢的推動下，TOC辦公軟件市場呈現出強勁的增長勢頭。數據顯示2022年中國辦公軟件市場規(guī)模增長至401.55億元，同比增長12.18%，這一數據反映了市場對辦公軟件需求的持續(xù)上升。技術進步，尤其是人工智能和云計算的發(fā)展，正在推動辦公軟件功能和用戶體驗的創(chuàng)新，AIGC技術的應用使得數字內容更加豐富和多樣化，滿足了市場對高質量內容的需求。政策對辦公軟件行業(yè)的支持態(tài)度也相當明確，通過出臺鼓勵創(chuàng)新的政策，為行業(yè)的發(fā)展營造了有利的環(huán)境。遠程辦公的興起，特別是在疫情期間，進一步加速了在線協(xié)同辦公軟件的普及，這些軟件不僅提高了工作效率，還促進了組織間高效協(xié)同、內容管理和安全管控的轉變。市場競爭主要集中在一些知名品牌之間，如微軟的Teams、谷歌的GoogleMeet和金山辦公等，它們憑借強大的品牌和技術優(yōu)勢占據了穩(wěn)定的市場份額，并且國產辦公軟件在政策推動下的認可度和需求的持續(xù)增長。隨著企業(yè)對辦公軟件需求的日益多樣化，軟件開發(fā)商正面臨著提供更加定制化服務的挑戰(zhàn)。這種趨勢要求開發(fā)商不僅要關注產品的通用性，還要能夠滿足企業(yè)特定的業(yè)務流程和管理需求。此外，智能化已成為辦公軟件發(fā)展的一個重要方向，機器學習和自然語言處理等技術的應用，使得辦公軟件能夠提供更加智能的信息交流和協(xié)作體驗。移動設備的普及也推動了辦公軟件在移動端體驗的優(yōu)化，員工現在期望能夠通過移動設備隨時隨地訪問和使用辦公軟件。這種跨平臺的便捷性已成為現代辦公軟件不可或缺的一部分。在這樣的大環(huán)境下，國產掃描軟件正迎來前所未有的發(fā)展機遇，市場前景廣闊。數字化轉型已成為企業(yè)運營的關鍵，企業(yè)對文檔管理和數字化轉型的需求不斷增長，這直接推動了掃描軟件市場的擴張。技術進步為國產掃描軟件提供了強有力的支撐，包括提高掃描分辨率、加快掃描速度、引入智能化功能以及加強云服務集成等，使得國產掃描軟件在市場中更具競爭力。“十四五”規(guī)劃明確提出要推動軟件和信息技術服務業(yè)的發(fā)展，這一政策導向為國產掃描軟件的發(fā)展提供了堅實的政策支持和明確的發(fā)展方向。市場需求的穩(wěn)定增長也是國產掃描軟件發(fā)展的重要推動力。用戶對網絡安全和隱私保護的日益關注也為國產掃描軟件提出了新的要求。國產掃描軟件制造商可能會加強產品的安全特性，以滿足用戶對隱私保護的需求。此外，數字化掃描儀在教育和企業(yè)市場的應用廣泛，為國產掃描軟件提供了穩(wěn)定的市場基礎。本文來源：36氪文章轉載于其他網絡，如有侵權請聯系我們及時刪除！
-
24
09/30
「解放辦公室社畜」，釘釘給出AI方法論
讀過劉慈欣《三體》的人都知道，當行星被一顆恒星引力捕獲，圍繞其穩(wěn)定運行，世界便進入了“恒紀元”：大地復蘇，新生命成長，新文明開啟。眼下，由AIGC催生的科技革命，正在全球烈火烹油，入局者如過江之鯽、新產品層出不窮，新概念應接不暇……仿佛一夜之間，AI的“恒紀元”就降臨了：周遭環(huán)境變得新鮮又陌生，千行百業(yè)重塑中。而在移動辦公賽道，確定性的脈絡正草蛇灰線地隱現。6月26日召開的釘釘“Make2024:AI全明星”大會，及其釘釘7.6版本，堪稱一次窗口性的Timing.①AI搜索有哪些不一樣？②AI時代的工作方式會是什么樣子的？③AI生態(tài)如何構建？用戶的體驗，就是企業(yè)的“試金石”。釘釘的舉動，還釋放了哪些未來已來的信號，且看節(jié)點財經獨家視角解讀。01被AI改變的信息搜索方式過去，用戶輸入關鍵詞或問題后，出來的往往是一片被海量的、碎片化、離散的信息包圍的海洋，暈頭轉向不說，一不小心還有可能“被釣魚”?，F在，用釘釘AI搜索，展現在用戶面前的“答案之書”將更加精準和迅捷，所要即所得。究其原因，釘釘AI搜索是圍繞著人、事、物等整合出來的結構化知識網絡。換言之，用戶處理信息的方式，將由原來的“時間流”，轉為以事為中心的“交互式”，能夠自動篩選重點，也能夠理清邏輯，分辨真假，匹配偏好，比如把廣告過濾掉，把“雞肋”剔除掉，把風險屏蔽掉。具體來說，釘釘AI搜索具有專有個性搜索、感知信息變化、自然語言輸入、直接生成答案、深入挖掘追問以及追溯內容信源等六大特征。而在疊滿"buff"后，某種程度上，釘釘AI搜索蘊含了“類人”屬性，變得聰明、會自洽。葉軍舉例稱，要想知道近期全球化工作的重大進展時，只需使用AI搜索，它能夠借助大模型的理解、推理、生成等能力，基于平時的資料，羅列出客戶進展、產品更新、市場策略、合作進展等內容。又或者，作為釘釘總裁，葉軍每天都會接收到不可勝數的客戶反饋。有了AI搜索后，葉軍就能一鍵總結分析客戶的需求，快速準確地捕捉要點，幫助提高工作效率。這么一來，搜索就不僅僅是搜索了，它是工具，亦是活躍的智腦和懂事的“搭子”。02不一樣的AI搜索我們都知道，釘釘是阿里旗下的企業(yè)級智能移動辦公平臺。所以，它打造的AI搜索，也有其迥然的DNA和特定性能。不同于面向公網的AI搜索，釘釘AI搜索由于要服務工作和協(xié)作，必然具備了相關的能力和智識，諸如通盤檢索和整理用戶自有信息、企業(yè)知識，涵蓋單聊、群聊、文檔中的信息，參與過的日程、待辦、會議等工作的進展，以及企業(yè)知識庫、日志等知識。進一步講，用戶使用釘釘AI搜索，除了能夠獲取全面的、具體的信息，還能得知有哪些人、群聊或者文檔與該搜索有關，并基于搜索出來的答案，形成系統(tǒng)化的腦圖和大綱。同時，釘釘AI搜索在即時解析用戶當前所掌握的知識和數據的基礎上，又加持了前瞻思維。通過深度學習和模式識別技術，它能夠洞察用戶在后續(xù)可能遇到的“痛點”、“難點”，主動引導并提供解決方案。這就好比我們炒一盤魚香肉絲，釘釘AI搜索不但告知要用的食材，還把哪些人做過這道菜，“顛勺”的步驟都列示出來，甚至于你接下來想問啥、想炒啥，都提前猜到了。03“辦公室社畜大解放”最近兩年，“解放辦公室社畜”的話題大行其道。但觀其效果，大眾早已不滿足只停留在淺層的、物質的，對電腦、打印機、空調、桌椅等道具的進化，也依然努力地、996地、絕望地“搬磚”著。而AI的出現，第一次探入人腦，為“解放辦公室社畜”打開思路。全新的釘釘AI助理，大幅升級了思考系統(tǒng)、感知系統(tǒng)和行動系統(tǒng)。思考系統(tǒng)：AI助理具備更強的記憶和推理規(guī)劃能力。感知系統(tǒng)：感知場景中的變化，根據變化自動執(zhí)行指定的任務。行動系統(tǒng)：調用更豐富的工具，實現多Agent協(xié)同、擬人操作。如，用戶授權后，可以讓AI助理記住與之相關的信息、習慣、偏好等，包括姓名、崗位、上下級關系、項目進展，支持用戶自定義設置記憶，生成結果千人千面。在落地實操中，AI助理增強后的推理規(guī)劃能力，能像真人一樣對任務深度思考和合理拆解。你可以把它想象成“第二大腦”，能存儲記憶，也能有的放矢地加工、輸出記憶。如，AI助理可以感知時間和事件的變化，并根據變化做出相應調整：預約多人會議日程后，若有成員臨時來不了，AI助理能夠迅速覺察，并及時介入，重新協(xié)調安排；為一項計劃定時后，AI助理能夠高效執(zhí)行，包括每天早晨8點準時提醒用戶，推送當天的早餐食譜……你可以把它想象成“大管家”，聽話、能干，還熟諳自適應。如，AI助理可以對工作流實施大幅躍遷，可以直接調用更豐富的工具，并加載多Agent協(xié)同、擬人操作等核心行動能力。憑借多Agent協(xié)同的能力，用戶可在一個工作流或者群聊中，點兵點將，讓多個不同的AI助理相互配合，共同完成KPI.釘釘現場演示的demo顯示，用戶能在摜蛋老友群，敲入@符號創(chuàng)建一場摜蛋賽事的行程，總結上一場摜蛋的勝率，以及用音樂創(chuàng)作大師AI助理創(chuàng)作音樂等。憑借擬人操作能力，用戶給AI演示一遍，不需任何代碼，AI助理就能學習操作流程。屆時，用戶只需對話，就可使喚AI,讓它代替人跑腿、干活。你可以把它想象成“奮楫篤行者”，一邊抬頭追光，一邊低頭趕路。目前，擬人操作、多Agent協(xié)同已接入工作流，用戶可直接配置建文檔、發(fā)日程、待辦等釘釘功能，天氣查詢、路線查詢、OCR識別等20多項第三方服務，也可以通過訪問API接口或釘釘連接器來集成更好用、更可靠的工具。截至5月底，釘釘上的AI助理總數達到50萬個。今年4月，釘釘正式上線AI助理市場（AIAgentStore），覆蓋企業(yè)服務、行業(yè)應用、效率工具、財稅法務、教育學習、生活娛樂等類目。當裹挾著思考系統(tǒng)、感知系統(tǒng)、行動系統(tǒng)的"waiter"穿梭往來，也許我們距離真正的“辦公室社畜大解放”不遠了。04一場有關大模型的雙向奔赴說到AI,必定少不了大模型。國內在這塊追趕的很緊迫，并出現蜂出并作、百家爭鳴的局面。但也因此引發(fā)一個突出BUG,用戶從一個官網到另一個官網，從一個APP到另一個APP,跑來跑去，試來試去，勞心又勞力。但就在6月26日，釘釘以一己之力，把MiniMax、月之暗面、智譜AI、零一萬物、百川智能、獵戶星空7家國產大模型廠商聚齊。也就是說，在釘釘，用戶可以按照自身需要切換AI大模型，除默認的通義外，首批可選擇MiniMax、月之暗面、智譜AI、獵戶星空、零一萬物、百川智能6家大模型，葉軍形容這是召喚神龍的“七顆龍珠”。不難看出，這是一場用戶與釘釘，大模型廠商與釘釘的雙向奔赴。關于前者，把選項集中一處，把選擇權交給用戶，讓“打工人”不用四處跳轉，省時省力；關于前后，大模型廠商在釘釘找到高頻、剛需場景，有助于兌現規(guī)模應用和模型能力迭代，構筑起業(yè)務運轉的閉環(huán)。畢竟，釘釘是一個有著7億用戶和數千萬企業(yè)級組織的平臺，容納了幾乎所有的真實業(yè)態(tài)，土壤不可謂不肥沃。在此處播種和耕耘，打撈屬于自己的用戶和客戶，底基優(yōu)勢確鑿。比如，月之暗面大模型的長文本理解和輸出能力，天然與釘釘上需求最旺盛的工作信息總結、會議紀要和教育類的學習資料總結、教學輔助類場景吻合。二者強強聯合，能碰撞出廣闊的想象空間，也更輕松、保真地貼合用戶需求。05更開放的生態(tài)AI脈沖式生長至今，生態(tài)構建和支持舉足輕重，開放則是內核方法論。葉軍表示：“模型開放是釘釘生態(tài)開放戰(zhàn)略的再進一步。”為此，釘釘推出了三種合作與探索模式：釘釘的IM、文檔、音視頻等產品的AI能力主要由通義大模型支持。在這一布局上，其將結合其他各家大模型的特點，探索不同模型能力在產品和場景中的應用。釘釘向大模型生態(tài)伙伴開放AI助理（AIAgent）開發(fā)平臺。開發(fā)者在釘釘上創(chuàng)建AI助理時，除了默認的通義大模型外，還可以因人而異地擇錄不同廠商的大模型。針對客戶的個性化場景和需求，釘釘將與大模型廠商一起，為客戶定制適宜的智能化解決方案，并提供模型訓練調優(yōu)、AI解決方案打造、AI定制應用開發(fā)等服務，還可進行模型的私有化部署。當前，釘釘生態(tài)伙伴總數超過5600家。其中，AI生態(tài)伙伴超過100家，包括MiniMax、有鹿機器人、強腦科技等。“我們希望打造中國最開放的AI生態(tài)?！比~軍這樣說道。其介紹到，過去一年，釘釘和生態(tài)伙伴深度集成的套件產品取得飛速發(fā)展。套件將生態(tài)伙伴的功能集成進釘釘自身產品中，為客戶提供統(tǒng)一無縫的使用體驗。截至五月底，釘釘套件的生態(tài)合作伙伴共計22家，近一年實現營收近1億元。有鹿機器人創(chuàng)始人陳俊波分享了有鹿與釘釘合作開發(fā)的具身智能Agent的過程。通過數據化、訓練和Agent化三個步驟，利用先進的大模型技術，顯著拔高工作效率，使得小團隊也能在極短時間內完成以往需要大量人力資源的任務。陳俊波強調，有鹿與釘釘一致的愿景是讓有鹿機器人這樣的具身智能Agent普及到每個角落，為釘釘的每一位客戶提供卓越的服務。寫在最后在6月26日的大會中，葉軍說到，“在當下的智能時代，可以預見到，會有一種更廣泛的協(xié)同將會出現。我們也確實需要去Reinvent（改造）我們的工作模式?！卑殡S著AI“恒紀元”的到來和釘釘“AI全明星”登場，這種更廣泛的協(xié)同儼然從夢想照進現實。本文來源：Ｒ艾瑞網文章轉載于其他網絡，如有侵權請聯系我們及時刪除！
-
24
09/30
解析中國軟件產業(yè)變遷：CRDE 智橙云 PLM 突破傳統(tǒng) PLM 困境
近期，關于中國軟件產業(yè)的質疑聲不斷。然而，產業(yè)的發(fā)展是一個復雜的過程，受多種因素影響。本文將探討國產PLM廠商在市場中的表現，并分析其面臨的挑戰(zhàn)。中國軟件產業(yè)的發(fā)展歷程自1995年中國互聯網商用化以來，中國軟件產業(yè)經歷了快速發(fā)展。民營經濟的崛起，帶動了對軟件的巨大需求。然而，盜版問題和國際巨頭的進入，給中國軟件產業(yè)帶來了挑戰(zhàn)。2005年，中國軟件產業(yè)迎來第二次繁榮。以在線辦公為特征的辦公類軟件成為熱點。用友、金蝶等國內廠商在管理軟件領域取得了顯著成效。然而，2008年全球金融危機，以及國內外技術差距，使得中國軟件產業(yè)再次面臨困境。2015年，新的《國家安全法》發(fā)布，國產軟件迎來發(fā)展良機。大數據、云計算等技術的應用，為軟件廠商帶來了新的機遇。傳統(tǒng)PLM廠商面臨的挑戰(zhàn)在這一發(fā)展過程中，傳統(tǒng)PLM廠商面臨了多方面的挑戰(zhàn)：技術更新緩慢：難以跟上云計算、大數據、人工智能等最新技術趨勢。系統(tǒng)整合困難：存在信息孤島問題，影響數據流通和共享。用戶體驗不佳：用戶界面復雜，學習曲線陡峭。成本高昂：需要大量資金投入于軟件購買、硬件配置和維護。靈活性不足：難以滿足企業(yè)或項目的個性化需求。創(chuàng)新能力有限：長期依賴成熟產品，缺乏創(chuàng)新動力。市場適應性差：難以快速調整產品和服務以適應市場需求變化。數據安全和隱私問題：在數據保護方面存在安全隱患。服務和支持不足：客戶服務和技術支持可能不足。總結下來，首先是嚴重的“內卷化”競爭。中國軟件市場同類產品眾多，同質化競爭嚴重，導致價格戰(zhàn)頻發(fā)，利潤空間被壓縮。其次，企業(yè)數字化轉型需求個性化，使得軟件廠商長期處于外包商模式，缺乏核心技術和產品創(chuàng)新。再次，項目驅動下的產品無法輸出行業(yè)智慧。廠商通過服務客戶積累的是客戶案例，而非真正的產品。這導致產品設計和開發(fā)上的迷茫。此外，依賴SLG模式實現收入增長，導致銷售驅動而非產品價值驅動。政府工程“掃地僧”現象，使得軟件公司成為政府項目的執(zhí)行者，而非創(chuàng)新者。最后，國內外技術代差加大，使得傳統(tǒng)PLM廠商在技術創(chuàng)新和應用上嚴重滯后。CRDE智橙云PLM的崛起相較于傳統(tǒng)PLM廠商，新一代云PLM正在成為新寵兒，而CRDE智橙云PLM的崛起，不僅是對傳統(tǒng)PLM模式的一次顛覆，更是對國產軟件自主創(chuàng)新能力的一次證明。它通過以下幾個方面實現了技術與服務的雙重突破：技術創(chuàng)新：CRDE智橙云PLM利用云計算、大數據等前沿技術，提供了一個高度集成的研發(fā)環(huán)境，實現了設計、仿真、制造和管理的無縫對接。功能全面：它整合了云上研發(fā)、數據管理、項目管理、溝通協(xié)同和知識復用等多個功能模塊，為企業(yè)提供了全面的"ALLINONE"研發(fā)解決方案。用戶體驗：CRDE智橙云PLM以其直觀的用戶界面和簡化的操作流程，大幅降低了用戶的學習成本，提高了研發(fā)效率。成本效益：通過SaaS模式，企業(yè)無需投入大量資金于硬件和軟件的購買與維護，即可享受到高質量的PLM服務。數據安全：CRDE智橙建立了多層防御體系，確保了用戶數據的安全性和完整性。站在新周期，CRDE智橙云PLM,它將繼續(xù)堅持創(chuàng)新驅動，不斷優(yōu)化產品功能，提升服務質量。我們有理由相信，CRDE智橙將引領國產軟件走向更廣闊的舞臺，為中國軟件產業(yè)的崛起貢獻力量。本文來源：Ｒ艾瑞網文章轉載于其他網絡，如有侵權請聯系我們及時刪除！
