变与不变

如果你确信某些事情是的确能够经受住时间考验的,那么你在上面投入多少能量都不为过。 (亚马逊CEO)杰夫·贝佐斯


亚马逊的CEO杰夫·贝佐斯经常会被问到这样的问题:

下一个十年会发生什么变化?

贝佐斯回答说他从来不会听到这样的问题:

下一个十年有什么是不会变的?

贝佐斯认为后一个问题才是这两个问题中真正重要的那个。在零售业务里,亚马逊知道顾客永远想要更低的价格,更丰富的商品选择和更快的送达时间。贝佐斯认为这些在未来十年里是不会发生变化的,而亚马逊也一直是在践行这样的经营理念。

前段时间,亚马逊度过了它的22岁生日,下面这张图是亚马逊最初版本的网站界面:
这里写图片描述

而下面这张图是现在亚马逊的网站的界面:
这里写图片描述

对比可以看出,网站改版还挺大。但有一些细节值得关注。在最初版本的网站界面中,我们看到一句广告语:

One million titles, consistently low prices.
百万图书,坚持低价

在现在的网站首页,我们看到的是更多的商品品类和各种满减的活动。在亚马逊发展的22个岁月里,面对不断变化的商业环境,亚马逊零售业务的商业模式和商业策略一直没变,坚持丰富,低价。

我们常常感叹,世界变化太快,快得让人跟不上,看不清未来的方向。大到国家、公司,小到个人,都希望能准确预知变化的方向。国家希望能据此制定发展战略,顺应时代的潮流,实现国家的崛起;投资人希望在下一个风口起风前抓住机会,提前布局,投出独角兽;创业者希望能赶上风口,成为“飞猪”;而作为一名普通的个体,则希望能选择一个热门的职业方向,好好学习相关的技能,在职场中最大化自己的价值。

举例来说,互联网的风口一个接一个,从前几年的O2O,到后来的打车软件,再到现在的共享单车、内容创业等,每一个成功的商业模式里似乎都有一些恒定的策略:

  • 低价
  • 更快的解决方案
  • 更多的选择余地
  • 更好的时间效率

在我们的正向思考模式中,我们习惯于去对变化的事物做出预判,继而调整自己的行动,以变化来应对变化。如果预判正确,结果可能会令人满意,反之,可能就会付出沉重的代价。如果我们借鉴贝佐斯的逆向思考模式,去思考变化的事物中哪些是不变的,以不变应万变,可能我们就多了一份从容,少了一份为了变化而变化的浮躁与冒进。

处在快速变化的时代,把赌注押在那些永远不变的事情上,也是一个不错的策略。


参考
  1. Betting on Things That Never Change
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论 2
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