Sun的浮沉之路 只有技术不能长久成功

在2000年9月,SUN 的股价曾达到历史最高点258.75美元,市值2000亿美元。2008年11月24日则探底至2.59美元,市值20亿美元。八年间,Sun的股价相差百倍。
  这还没有结束Sun的厄运。金融、电信这些高质量客户一直让Sun引以为豪,但2008年开始的金融危机将这些高质量客户横扫一遍。Sun的日子难以为继,成为IT领域的重灾区。
  2000年以前,Sun似乎一直很走运。1982年Sun在斯坦福大学诞生。两年后创始人之一、骄傲且尖刻的“疯子”斯科特·麦克利尼成为CEO,这个CEO连任22年。4年后,这个“疯子”带领Sun登上纳斯达克。6年后,Sun做到10亿美元规模。11年后,Sun便成功晋升世界财富500强。更辉煌的在后面。1995年,Sun发布JAVA编程语言,风靡全球,至今依旧是一项非常成功的技术,在IT业留下不可磨灭的历史。
  然后,在2000年,互联网风行的时候,大量互联网新贵的奢华订单将Sun推向顶峰。
  2000年,在Sun最美的日子里,多方面的声音向Sun发出善意的提醒:你的客户群过于单一、风险极大。麦克利尼一点都没听进去这样的劝告。在互联网泡沫破灭的时候,毫无准备的Sun受到重创,再无机会重振雄风。Sun除了客户群单一,在技术思路上也一度坚持“独有”,从芯片到操作系统,中间件、存储软件,再到服务器硬件,Sun无所不做,这种“独有”在保持独立风格和技术的先进性同时,其实也是一种封闭。在Sun被光芒笼罩的日子里,英特尔的低端芯片还毫无作为。但英特尔按照摩尔定律演进着自己的速度,而Sun则沉醉于自己的技术之中。很快,英特尔芯片的性能已经赶上Sun,价格却低出很多。英特尔的芯片可以嵌入所有除Sun之外的服务器中,拥有与业界广泛的合作。英特尔迎头追上之后,Sun所垄断的高端服务器市场就不断被侵蚀。骄傲的Sun一度不愿面对现实,后来不得不接受英特尔的X86架构,Sun还能拥有一丝优势的高端服务器市场不断被X86架构挤压。在操作系统领域的竞争也是一样,Sun自己一直延用自己独特的操作系统,开发复杂的操作系统——有时是一门“高精尖”的工程学,需要求助于贝尔实验室——成为一个更为直接的工程学任务。而微软借助WINDOWS NT朝着成熟迈进,微软进入企业市场并不一帆风顺,但借助与业界的广泛合作,逐渐缩短差距,并慢慢成为主流。随后,开源的LINUX软件也逐渐势强,虽然与Sun的UNIX同属开源阵营,却毫不留情地分食了Sun的领地。
  在微软宣传自己的平台商业模式的那段日子里,Sun一直在不断推崇自己先进的技术与产品。在微软建立自己生态系统的时候,Sun一直在独乐乐地攻击着自己的每一个竞争对手。你会发现,很多企业都将微软视为竞争对手,但都不会排斥与微软的合作,包括甲骨文和IBM。但Sun把每一个 IT巨头都看做对手,并且拒绝与之合作。在技术界赢得了尊敬,却没有在商业界建立人脉,几乎同微软比尔·盖茨、苹果乔布斯同时出道的麦克利尼在业界被称为疯子和孤独的牛仔。虽然,Sun的后期有所改变,接受了英特尔,接受了微软,但做得太晚,而且无法改变Sun骨子里的孤傲。
  在与英特尔的较量中失守芯片,在与微软、LINUX的较量中失守操作系统,在与甲骨文、IBM、BEA的较量中失守中间件,在与EMC、惠普以及赛门铁克的较量中失守存储市场。
  Sun在麦克利尼20多年的掌控下“性格”也变得固执。一方面自我陶醉,另一方面又英勇好斗,与每一个IT巨头斗狠。在自恋与仇视中,麦克利尼和Sun忽略了业界的潮流。
  Sun后期治好了“自闭症”,敞开怀抱,但又一下子开放过度。开源似乎是行业的趋势,但所有开源的厂商都没有想好商业模式的问题。所以,IBM、甲骨文虽然是开源的拥趸者,但他们却使终没有把自己最赚钱的软件拿出来开源。一向崇尚技术、崇尚自由的Sun却一发不可收拾,把自己的家当一股脑地都双手送了出去。Sun的开源赢得了行业的尊敬,也进一步将微软推向霸权的孤峰。但微软依旧赚着自己的钱,而Sun的日子却越来越难过。以至于业界都在怀疑,Sun 是不是为了与微软斗气而使出的小性子?
  当然,Sun的大奉送行动并不单纯,一向不擅长制定商业战略的Sun是想以与众不同的形式赢得用户。它以为把“好吃”的软件免费送给用户,希望用户为同样“好吃”的硬件多付一点钱。Sun的算盘没有成功,用户并不买账。
  很多人将Sun的成功归结为技术的成功,而Sun的失败是商业路线的失败。它的成功有一些偶然的因素,但它的今天却是战略选择的必然。Sun的故事再次证明,只有技术的公司并不能长久地成功。


更多内容,请看rzchina.net
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