看了周鸿祎的简历,我明白了为什么 9 年二手车能卖 990 万!

文章讲述了360创始人周鸿祎如何利用直播、网红身份吸引关注,带货自家公司产品,包括参与迈巴赫拍卖。尽管他努力制造话题,但哪吒汽车的销量并未显著提升,引发了关于企业借助网红效应能否持久成功的讨论。
摘要由CSDN通过智能技术生成

ChatGPT 国内直接使用,低调使用 !

ChatGPT 4.0 直接用 !!!

最近半个月,有两个中年男人仿佛住进了热搜。

一个是刚刚辟谣自己“卡里没有冰冷的 40 亿”的雷军,另一个则是在今年年初就高呼“如果有可能,企业家都要去当网红”的 360 创始人周鸿祎。

他也确实做到了。

12b2bacc30426ada19484dee5c172614.png

先是作为当年 3Q 大战的当事人,周鸿祎与马化腾在中国互联网 30 周年发展座谈会上握手笑谈,上演世纪大和解。

接着又在北京车展上爬上一辆越野车的车顶,成功抢镜。

最近更是直播拍卖自己的二手迈巴赫,要为新能源汽车博流量。根据最新消息,这辆起拍价 600 元、市场价 100 万元的二手车以 990 万元被拍下。

要整活还得看这些企业家,周老板制造话题的能力很多明星都望尘莫及。

「网红」的简历

让我们先通过一份简历,回顾一下这位“红衣主教”的风云过往。

在线查看:https://laoyujianli.com/share/zhouhongyi

8c0ae872c5a6969715358ccd09fdb7a7.png

可以看得出来,周鸿祎也不是最近受了雷军的启发,而是早就有一颗“网红心”。

一直以来,周鸿祎都是一个饱受争议的人。他的公司这些年来与阿里巴巴、腾讯、联想、小米等有影响力的互联网公司都过过招。

毕竟,周老板有过这样一句名言:“竞争对手就像磨刀石一样,它把我们磨得非常锋利,然后我们就手起刀落,把竞争对手给砍掉了。”

背后的暗流

抢话题、博关注、争流量,都是手段。最终的目的,还是为了带货。

除了雷军和周鸿祎,身价千亿的长城汽车董事长魏建军、哪吒汽车 CEO 张勇都开启了直播。小米集团的总裁卢伟冰、中国区副总裁许斐、Redmi 品牌总经理王腾、小米手机产品经理魏思琪等小米高管也纷纷开通个人抖音账号,一副要大干一场的架势。更不用提早就是车圈风云人物的蔚来汽车创始人李斌、理想汽车创始人李想。

大佬纷纷下场做网红、开直播,终究还是免费的流量香。

d20a0dcd9bf820a6a7734c28b2e3512f.png

然而周鸿祎卖力吆喝了一圈,自己投资的哪吒汽车依然地位尴尬。热度上来了,但止于种草,还没能变成实打实的销量。

网红的滤镜之下,或许是一层真实的焦虑。能不能凭此奇招带领企业穿越周期?可以期待一下周老板后续的动作。

--完--

我们这个ChatGPT中文网站,终于支持联网了,支持最新的数据了,比如,我们来问问周鸿祎拍卖迈巴赫的事情:

 
 
可以在国内同ChatGPT直接进行对话,支持GPT4.0 和 AI绘图,简直太方便了,今天新注册的直接送4.0提问次数 !https://aigc.cxyquan.com

感谢你的分享,点赞,在看三  a03f8f7632dd404514e36aa24d90b375.gif

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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