讲的很正确,为什么总是做不对

其实以前写过类似的文章,讲知易行难的主题,当然,免不了要挨骂。

很多人喜欢无条件的正确,但殊不知,无条件的正确往往缺乏执行基础,博弈理论里,为什么很难实现最优解,因为最优解过于挑战人性,而博弈理论的基础是,尊重人性。

我以前讲过这样的例子,当年诸葛丞相写的出师表,告诫后主刘禅,要“亲贤臣,远小人”。这话对不对?这话肯定对。

但问题是,谁是贤臣,谁是小人,这事怎么判定,毕竟人不是天生脑门上顶着贤臣,小人的字样,也不是我们玩三国游戏,点开头像一看这个人的什么能力,忠诚度一清二楚。每个人都说自己是贤臣,别人是小人,怎么办?

诸葛丞相给了后主一个名单,谁谁谁,都是先帝爷跟我考核过的,是贤臣,你尽管放心用就对了,那问题是,就算诸葛丞相的判断力一百分,每个都是贤臣,这些人也会老,也会死啊。然后怎么办?诸葛丞相没说。事实就是,后主其实还是很尊重诸葛丞相的安排,只是,诸葛丞相没能安排到那么久远,等老人们差不多都死光了,后主自己就没辙了。后代史官说,你看,后主没有亲贤臣,马后炮怎么说都对,历朝历代的奸臣没倒台的时候,可都是贤臣的榜样来着。

所以现代社会才会讲究制度的约束性,而不是依赖于圣贤天子,当然,今天不讲这个。

今天提这个话题,是因为朋友圈看到一则鸡汤,忍不住就借题发挥了一下。

企业需要的人才,是解决问题的,而不是制造问题的。谁能解决问题,谁就留下,谁在制造问题,谁就走人。

这话当然很正确,但问题来了,怎么执行?执行标准谁来制定

结果我们发现,很多公司标榜的是这个逻辑,但执行过程中,荒唐走板。

举个领域的案例,信息安全相关。

请问安全漏洞是谁制造的?有人汇报了漏洞,这些汇报漏洞的人,在某些管理者和管理机构的眼里,就成了制造问题的人。那怎么解决问题呢,只要把汇报漏洞的人抓起来,控制住,不许他们汇报漏洞,问题不就解决了么?

谁发现了问题,谁就成了问题的制造者;谁遮掩问题,谁成了问题的解决者,很多大企业,不都是这个德行么?遇到口碑危机,从不反思自己业务产品的问题。而是想办法找公关去处理遮掩,更狠的,是借助权力机构搞掉对方,什么,有人敢说我们产品不好,是骗钱的,我找警察跨省追捕你,把你抓进去,问题不就解决了。

讲的很正确,做起来一坨屎,有不少大公司里忝居高位的,是擅长掩盖问题,歌功颂德之辈;真正发现问题,并试图解决问题的则是给公司领导制造麻烦的人,自然要开革出去,直到所有人一起沉没,真的一起沉没了么?那些高管凭借三寸不烂之舌,以及一手表功掩过的绝活,继续祸害其他的企业去。

此外,什么是问题,这取决于谁来定义问题

你以为你正在努力解决问题,但在人家老板眼里,没准你是问题的制造者,比如,企业提拔一个新的风控主管,一顿操作猛如虎,抓住并公开了内部采购的贪腐实锤,你以为替企业解决问题了,殊不料,这个人可能背景深厚,家里有特殊资源,老板为了某些渠道关系供在公司里放任贪腐的,你现在让他面子上下不来,你以为是解决问题,其实反而是给老板制造问题了。所以,走人的只能是你。

再举个历史的例子,大明朝,明英宗出征被擒,瓦刺大军兵临北京城下,于谦临危受命,拥立新君,上下齐心,血战到底,力保大明江山。从大明朝的角度,他解决了大问题对不对。但从明英宗的角度,他制造了大问题,把自己的皇位给搞没了,这问题还不够大么,夺门之变,为了名正言顺,于谦不能不死。

岳飞爷爷不也是,从大宋江山来说,他是问题的解决者,替南宋续了命,还有进一步收复失地的可能。但号称要迎回二帝,让高宗怎么办,在赵构眼里,他是问题的制造者。而秦桧,则是赵构眼里的问题解决者。

这也是现实的荒谬,你以为你是问题的解决者,但在某些上位者看来,你是问题的制造者,如何自处啊!

我去年底职场分享课,我特意讲了类似的话题,多正确的企业文化,你再认同,再喜欢,请记住,解释权不在你!

某大老板说,我们不会亏待任何一个兄弟,听上去感动不感动,这样的老板好不好,搞淘汰裁员的时候说,不肯一起打拼的不是我们兄弟。

解释权在人家那里,你瞎激动个啥呢。

所以,这些年反鸡汤特别流行,某种程度,不是说鸡汤讲的不对,不同场合下,执行标准荒腔走板,所谓的正确,更多不过是一厢情愿,甚至是文字游戏。

今天扯这些,那么说几点建议吧。

1、不要只看口号和标语多么正确,要看执行细则,以及,谁在掌握解读权。

比如说,我们要宣传正能量,抵制负能量。

什么是正能量,什么是负能量?

揭发丑恶,传播真相,你以为是正能量,人家说这是负能量。

煽动情绪,制造仇恨,你以为是负能量,人家说这是正能量。

2、很多事情,不是你以为,而是他们以为。

前几天朋友圈有人抱怨,写了一篇新车评测的文章被删了,想找人问问咋回事,说自己老老实实写车评一点没有敏感话题啊。我就回了一句,有没有敏感,不是你说了算。

3、只谈正确没有细则约束的,一句都不能信。

比如说,算了,不说了。


就酱吧。

题图如下

有空看看其他的优质号吧 ->推荐一些增长见闻的优质公众号

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。
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