赚钱是硬道理

赚钱是硬道理

《投资与合作》  2007年3月号 文/刘二海

  高科技的人喜欢将非高科技称为传统行业;IT行业的人喜欢把非IT的称为传统行业。投资人关心的只有回报,传统也罢,非传统也罢,赚钱就好。可能今天的高科技和IT,明天就是传统行业了。这里提到的传统行业是通常意义上的概念,并没有严格定义。

  人们现在都在谈论中国机会,那中国机会到底是什么呢?中国的机会就是其不发达,还有发展的空间。什么不发达?大部分产业都有空间。香港的房地产,已经是很发达的了,新公司机会不多。中国这几年涌现出这么多房地产公司,国有的大型企业也参与到其中,如:中海、招商局等。美国的汽车发展了上百年,中国的汽车却刚刚拉开序幕,品牌车还很新鲜、稚嫩,有点像当年的联想电脑。美国的人力资源网站享受不到报纸广告的机会了,但中国前程无忧的收入过半还是来自报纸。可以说中国的衣食住行、吃喝玩乐都存在非常多的机会。

  大量的传统行业发展存在机会。中国未曾出现铁路大王、石油大王、钢铁大王,但旧体制打破后,中国很可能出现各行各业的龙头企业。初期,是那些带有国有成份的企业,如:联想、海尔、方正、四通、长虹等。这些企业早期的重要资源来自国家,可能是资金、品牌、许可证等,企业负责人是能人,结果闯出一条路。后来是一些国有控制力差的行业和地方,出现民营企业,如:潘石屹的房地产、刘永好的希望饲料。近期出现的是资本支持下的民营企业,如:蒙牛、宁夏红等。可以预见,资本会不断涌入到传统行业,出现大量“蒙牛”们。

  中国有高科技产业吗?从原创的角度上,可以说没有。Internet是美国的,Internet的路由器、交换机也是美国的。手机是美国和欧洲的,电脑也是。甚至连互联网上的业务模式,我们都是学别人的。确实,中国也有高科技公司上市,主要集中在互联网、无线、集成电路上、新能源。互联网中盛大、腾讯QQ、新浪等;无线里的空中网、灵通和华友;手机设计的德信无线;医疗仪器的迈瑞;太阳能的无锡尚德。中国的高科技产业基本上还是服务和应用的例子。携程是旅游行业里订房、订票。前程无忧是招聘。

   高科技一个非常大的特点就是对传统行业的渗透性。互联网是高科技的东西, 可以渗透到新闻,就有了新浪;渗透到游戏,就有了连线游戏的盛大;渗透到旅游行业就有了亿龙和携程;渗透到招聘就有了智联招聘和前程无忧;渗透到房地产行业就有了搜房和焦点网;渗透到教育、健康、保险等等。

  中国传统行业有非常多的机会,但它的发展已经不是单纯传统行业的发展。由于高科技的同步到来, 中国的传统行业必然会应用最新的高科技成果。这和国外的情况有很大的差别,中国不可避免地会出现大量高科技与传统行业混合的模式,这一点在互联网中已经很清楚了,无线行业中还不明显。

   日本无线广告给我们的启示是,无线中新兴的公司要和互联网公司竞争。其实,中国也出现了这样的情况。新浪是互联网上新闻门户,有自己的WAP网站,有免费WAP网站也做新闻,这种竞争不可避免。楼宇广告公司分众,收了个无线广告公司,是否也打算收个互联网的广告公司?这很可能。

  (作者为联想投资有限公司执行董事 )
 
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