[极客范]智能腕带的虚假繁荣

2014-03-02 黄炎雷 IT百问

真实、客观一直是我点评产品的原则,但今天这一次,我要“主观”一次。


从去年上半年开始就有听说智能腕带这个新概念,我最先去了解的是jawbone up,当时看了特别多的测评,大部分的评价集中在jawbone up的时尚外型与多彩颜色上,很少有测评是站在使用者的角度来评测这款健康产品的。


在jawbone up上市后的一段时间,各种“假”测评文章也纷纷上线,网络上充斥着“无体验式”的点评文,这部分作者压根就没去体验过,或者只是短时间接触某款智能腕带,相比这种文章,我更愿意通过电商网站去了解消费者的真实感受。


在一段时间的了解后,智能腕带也在进行着改变,更多的新型腕带开始向着智能手表这个领域发展,我最后的分析结果告诉我,这种产品转型是注定要失败的。下面我将和大家分享我“主观”的分析。



可穿戴性

我想首先从“可穿戴性”上分析下智能腕带的正确发展方向,在以往的产品设计过程中,我们第一注意的是这款产品的可用性,而智能腕带的可用性正是它穿戴起来是否舒适。我手上现在戴着fitbit公司的flex,它的腕带设计是非常“平庸”的手表带,相比jawbone up的无环扣设计,flex佩戴起来比较麻烦,但从电商网站的评论来看,jawbone up简化了佩戴过程,但却丧失了舒适性。


智能腕带的主流消费人群是办公室白领,如果智能腕带不能适应多种办公场景,那么它的可穿戴性将大打折扣,jawbone up更像是一截粗弹簧,它不需要卡扣,但正因此人在佩戴后,下方突出的地方不免会影响人的活动,如使用电脑,而采取手表带设计的flex则没有这样子的烦恼。



功能性

接着我们再聊一下功能,智能腕带最近的热闹劲让我想起了以前的“云计算”、“大数据”,它们的发展都遵循着“不断原地踏步”、“假创新”的历史规律,之后只有少数看清形势的品牌才能成功,说白了就是,大多数厂商不会明白自己是怎么死的。


在我眼中,产品设计的初期,必须进行基本功能的筛选,显然在智能腕带初期发展的这半年,很多打算“后发制人”的品牌没有了解这个设计准则,他们靠着不断叠加功能,再邀请一些行业公知进行舆论宣传,然后霸占这个新市场,而这种行为对于整个行业来讲,都是“有毒”的。


健康是智能腕带最最核心的功能,它的基本功能首先就不能再与手机、平板、手提电脑有任何的重合,功能上的错误叠加,只会伤害产品,最后造成的结果是各种畸形的“混血儿”,比如手表智能腕带(三星的gear)、蓝牙智能腕带(华为新出的腕带),甚至是手机智能腕带(某厂商),说畸形,是因为,它们在可预见的未来肯定无法带来母产品的全部功能,最后的结果只是华而不实,天冷了,你还能忍受在厚厚的衣服的挤压下再在手腕上包一坨“四不像”吗?



总结

智能腕带正在进入虚假繁荣期,以我个人的够买过程来看,我没有选择fitbit的第二代产品force的原因,是因为我认为它是fitbit妥协的结果,越来越多的显示屏在腕带上出现,它们的功能无所不包,更让人扼腕的是,很多产品达人在为这样子的畸形产品叫好,他们说到底还是一帮极客,他们绝对是非常渴望在手上带一个“linux”、带一个“android”、带一个“iOS”的,而普通消费者只能被迫去适应这群人创造的世界,多么可悲。


IT百问2014,去外面的世界找自己


微信公共号IT百问

关注方式:

1、打开微信搜索微信号ID:itbaiwen

2、或者扫描下方的二维码


回复  h  查看全部文章列表

举报

【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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