不要创新,要模仿?

创业成功的捷径是什么?其中一个答案是伟大的创新,而另一个答案就是去copy别人伟大的创新。这比自己想一个容易多了,而且这常常是一条让你获得第一桶金的更短、更可靠的捷径。

不信?问问某些人,你懂的。问一下Samwer家三兄弟,Oliver(39岁),Marc(41岁)和Alexander(37岁)。他们是柏林的模仿孵化器Rocket Internet的创始人,曾成功复制一堆成功的互联网公司,从eBay到Facebook都有。而他们三位都是亿万富翁。

直到最近,这家“柏林三兄弟”仍然可以保持低调,而媒体经常将他们形容为深藏不露。不过最近他们获得了较多的关注,毕竟当你因为copy所有成功的互联网公司而坐拥几十亿,想要保持低调可不容易。不过媒体曝光及对Samwer兄弟更高的接受度是不是也意味着科技行业的人们终于承认,模仿其实也是门好生意?

我们决定找出这个问题的答案。我们没有办法拿到这三兄弟的电话,所以我们打给了Oded Shenkar,他是写过有关“克隆”生意的书《模仿的力量:聪明企业如何模仿以赢得战略优势》(Copycats:How Smart Companies Use Imitation to Gain a Strategic Edge)的作者。

作为美国俄亥俄州立大学管理及人力资源的教授,Shenkar表示,“人们倾向于将技术创业等同于创新型的创业活动,而这是一个错误的假设。成功的创业公司源自模仿而不是来自创新的事实已经有很长一段历史了。”

Facebook就是一个,而苹果嘛,是另一个。Shenkar说,我们应该将扎克伯格和乔布斯称为伟大的模仿者。扎克伯格并没有发明社交网络。Friendster在02年推出,MySpace和LinkedIn在03年推出,而Facebook直到04年才出现。同样的,乔布斯大约在1984年的Macintosh用户界面源自于他在1979年第一次在施乐帕克研究中心看到的理念技术。在态度上,其实Shenkar并不是在计较这两位人物在模仿,而是在庆祝他们在重复基础上的开创性工作。

“我们对创新有崇高的敬意,但模仿通常也是成功的关键,”Shenkar解释,“模仿是人类进化史上的关键,而今天的模仿则遇到了前所未有的指责——因为它比以前更廉价并且可行。在商业领域上,人们常将模仿看做是那些无法创新的人所做的愚蠢事。而在其他学术领域上,模仿则被认为是有才智的能力。在商业领域,我们依然停留在对创新的崇高敬意。”

这其中一部分的原因是创新很难,商业领域中的人们会赞扬这些高成就的人。但Shenkar认为,模仿也不是那么容易。你必须悟出别人是怎么做到的。这也是一些模仿者会失败,而另一些像“柏林三兄弟”的模仿者会成功的原因。“柏林三兄弟”的命中率在50%左右,而他们巧妙的绝招是:复制成功的公司,然后将这个“赝品”卖给最初创新的那家公司。他们曾将自己的Groupon卖给了Groupon。而最近他们又成功将他们版本的Care.com卖给了Care.com。

而且Shenkar指出,模仿并不止在互联网世界有效。它只是在互联网上更简单而已。没错,其实那些copycat长期以来就在各种行业中普遍存在。Diet Rite是在1958年被推出的第一款健怡可乐,但最终因为可口可乐和百事可乐的模仿被灭。欧洲廉价航空公司Ryanair曾经快要不行,直到管理层飞到德州,学到了西南航空怎么合理运营折扣航空。现在的Ryanair已经盈利。而Hertz和Enterprise这两家公司最近正在模仿Zipcar,准备将它的风头抢去。

当模仿者能执行得很好,他们通常能比先行者更成功,因为他们从创新者身上吸取了经验错误,就像Facebook学到了MySpace身上的失误一样。

Shenkar表示,“每个有关这方面的研究都表明了对模仿者的支持。即使先锋本身具有优势,他们也会随着时间的推移,影响力变得越来越小。所以即使存在一个创新者的优势,优势也只会变得越来越小而非越来越大,即使我们对创新崇拜,也是一样的结果。总的来说,这些研究的结论支持模仿者,同时也说明我们正在进入一个模仿者越来越多的年代。”



深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值