商业不是战争

我在一个大客户那里工作的时候经常想这样一件事,他们(以及国内很多——IT或者非IT——企业)讲军事化管理,讲服从命令,为什么我总觉得这事不对?到底不对在什么地方?我想出来的结论是:商业不是战争。

第一,商业的特点是negotiatable。战争是什么 ?按照我们直观的印象,战争就是我必须9点钟之前拿下125高地 ,否则我背后就有1000人要送命,这是没有价钱可讲的 。商业不是。即使一个产品达不到100%的预期,它达到80 %仍然有价值。(当然从更高的层面来说战争也是negotiat able的,这就先不延伸讨论了。)

第二,现代的战争已经变了,不是我们从爱国主义电影里看到的那样 了。现代的战争更像什么?大家还记得《变形金刚》里那几个美国大 兵怎么对付机器蝎子的吗?现代战争是精英的战争,每个士兵都有很 充分的信息和很大的决策权,可以根据全面的信息作出当前最合理的 决策,并且just in time地调度他需要的资源支持他的决策。你可以说这是因为对个 人价值的重视云云,但这些都是扯淡,最根本的原因是经济 。因为信息技术的提升,让这种just in time的方式成为非常经济的做法。大家可以想象一下,如果按照 "传统的"方式,那要么那几个美国大兵白白送命,要么就得提前调 度半支波斯湾舰队来准备,怎么都不如电影里这种方式来得经济。

结论:商业是negotiatable的,并且现代信息技术允许 每个最基本的战斗/工作单元具备更大的决策权,因此最经济的做法 是使用有头脑的人并充分调动每个人的主观能动性而不是采取传统的 命令-服从体系。认识不到这一点或者不情愿这样去做 ,就注定了这样的组织里充斥着大量的浪费。
 
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 3
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