做游戏,不加班行不行?

做游戏开发有一段时间里,我一直在想一个问题:为什么做游戏一定要加班?

 

我听到过很多人告诉我各种各样的说法,我觉得下边这句台词是最经典的:

 

天下武功,无坚不摧,唯快不破 ---- 终极无敌杀人王。

 

这个行业竞争太激烈,一个热门的游戏上线,分分钟山寨作品就紧跟随后。就拿最近的最火的《Pokeman Go》来说,这个游戏目前还只是在仅有的少数几个国家进行小量测试,但是,国内已经有类似产品上线。

 

前一段,《皇室战争》上线的时候,没多久,国内也有另外一家公司,做了个类似的三国背景的游戏。当然了,那个公司的说法是,我们其实早在《皇室战争》上线之前,就在开始做这个游戏了,而且已经开发了相当长一段时间,《皇室战争》上线了,我们也被吓了一跳,云云。

 

作为中国人,我们习惯性自卑地觉得国内的很多产品都是抄袭和山寨。好吧,退一步说,让我们内心稍微强大一点,不那么自卑,我们相信他们的说法:他们只是慢了别人一步。但是,在游戏市场上,慢这一步,也是致命的。

 

我有个朋友,他的QQ签名很有意思:想法不值钱,所以,别把自己憋坏了。

 

我还有一个策划朋友,苹果商店每周首页刷新的时候,都会去看看那些被推荐的游戏。有很多次,他很激动的跑来跟我说,哎呀,看,这个游戏想法跟我之前说的那个一样嘛。如果他每次遇到这种情况都要拍一下大腿,我想,他的大腿一定肿得不行了。

 

还有一个朋友,说起过一个找投资的事情。他的圈子里有2个游戏研发团队,两个团队的发起者几乎是在同一时间产生要自己组队的想法。其中一个是由做市场的人牵头组成的,研发能力相对弱一点,但是他们比较早开始进行研发。另外一个是一群是由策划和程序发起,可能是由于在之前公司做的比较不错,所以很多核心人员并没有足够的决心想要早点开始自己的事业,最终团队组成的时候,已经落后了前者半年。这两个团队选择做的是类似的游戏,但是下场却大不相同。前者由于选择进入市场的时机刚好是那类型游戏比较受资本追捧的时候,所以,很快他们就收到了比较客观的投资。而后者,当他们开始找投资的时候,市场已经开始饱和,风向转移了,最后虽然也拿到了投资意向,但是要少非常多。

 

还记得那一年,我跟我的几个朋友一起,想要开展自己的事业。我们拿着做出的游戏原型,去跟意向投资人聊。我们聊了一下午,然后又一起吃晚饭。晚饭后,大约是7点多,天色已黑,我们随口一问,“你们是不是该下班了?”。“哈,还早呢”,他们轻描淡写,一笑而过。那一刻,我的内心是震惊的:这么一群身价上亿,在业内小有成就的人,都在加班,我们凭什么休息?

 

不用在游戏这行混太久,你就能听到各种各样类似版本的故事。

 

这说明什么呢?

 

我们再读一遍终极杀入王的名言:天下武功,无坚不摧,唯快不破。

 

在游戏市场上,快,不一定能让你成功,但是,慢,却是非常致命的。

 

如果你有一个“好的游戏想法”(虽然多半是自认为的),那么快点把它做出来,别等别人帮你实现。

如果你看到一个“好的机会”(虽然多半是自认为的),那么早点抓住它,不要让它溜走。

 

但是,你还是想问,所以,我们一定要加班?我很聪明,我做事的效率很高,我的想法很超前,是不是可以不用加班了?

 

送你两个字:呵呵。

 

首先,你是否真的像你想的那样足够聪明,足够有效率?

其次,有很多聪明人都在天天加班,甚至为了情怀自掏腰包加班,你拿什么跟他们拼?

最后,世界这么大,每时每刻都有无数奇思妙想被实现出来,你就拿你脑袋里的想法去跟人家的产品去抢市场?

 

呵呵。

转载于:https://www.cnblogs.com/abinzhang/p/5657125.html

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。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能出一定的优化。.zip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。
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