微软不也是从Altair Basic这丑小鸭长成白天鹅吗?- 创业教父Paul Graham如何看待创意

这里写图片描述

微软不也是从Altair Basic这丑小鸭长成白天鹅吗?


February 2015

如果你想要弄清楚初创企业是怎么一回事的话,其中一个非常有价值的尝试是去研究下那些获得巨大成功的公司,去分析下为什么在这些巨头最初创业时期现在往回看其实并没有当初看上去的那么蹩脚。事实上,就算是现在的这些巨头,它们在刚开始创业的时候看上都是很蹩脚的,小且蹩脚。看上去更像是在学步的婴儿,且学步迈进的方向不像是后来它们已经证明的是往成功的高峰迈进,更多的是像是在跌跌撞撞的往一个万劫不复的泥潭前进。

作为Basic语言的一个解析器,Altair又是如何成长成一个巨头公司(微软)的呢?你的创意是让人们在陌生人家里睡觉时用的一个气床(天地会珠海分舵注:说的应该是Airbeds.com这个公司)?一个可以让学生跟踪别人的网站(天地会珠海分舵注:说的应该是Facebook了)?一个使用电视机作为显示器的低性能的开发板(天地会珠海分舵注:说的应该时树莓派了)?在市场上已经有上10个搜索引擎,且大家都认为该市场已经饱和了的时候,你还想再搞个搜索引擎出来?这些想法看上去不仅仅微不足道,且看上去根本就是错误的。这种想法你咋一看不仅认为应该忽略掉,而且会嗤之以鼻。

创始人常常并不清楚为什么他们的想法为什么时有前景的。他们仅仅时被他们的创意本能的吸引住而已,因为他们活在未来(天地会珠海分舵注:请对照本人翻译的另外一篇文章《互联网创业创意养成记3 - 把握趋势变动的脉搏》进行参考阅读),并感知到当前世界有些东西缺失掉了。但是他们又没有办法用语言来精确描述清楚究竟如何才能让他们如丑小鸭般的创意成长成漂亮迷人的白天鹅。

大部分人在听到一个听上去很蹩脚的创意的时候的第一反应都是想要去揶揄它,即使大部分本应该更有经验的人竟然都会这样去想。

当我碰上一个听起来蹩脚荒谬的创意的时候,我会问一下自己“微软不也是从Altair Basic这个丑小鸭长成的吗?“。当这种迷惑现在摆在我面前的时候,我觉得我有责任来解决它。有些时候当我碰到这个问题的时候我并没有办法给出一个答案,特别是当这种创意只是一个臆测的创意的情况下。而事实上在实践过程中我们可以惊讶的看到其实往往这些问题都是已经存在一个答案的,只是创始人自己往往没有看到而已。

有趣的事情是,存在的答案往往还不止一个。我上几天曾经跟一个初创企业探讨过,这个企业在我看来很有可能将来会发展成3个独立的微软级别的企业。他们也许会在数量级上还是有所差别,但是,有如我们当年不能预期究竟微软能做到多大一样,你也很难去揣测究竟这个初创企业能发展到什么高度。所以在这种情况下我倒是会去鼓励这班创始人去根据最令他们觉得激动人心的方向去走。既然这个激动人心的想法已经让他们能走到现在这一步了,那有什么理由要他们停下来呢?


引用英文原文:http://www.paulgraham.com/altair.html
作/译者:天地会珠海分舵
微信知识共享公众号:TechGoGoGo
CSDN:http://blog.csdn.net/zhubaitian

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