苹果效应:创新已不是主流,"去惊喜”才是大流行

苹果的市值已超过IBM,营收即将挑战HP,利润已是戴尔的几倍,它正快速的成为全世界最大的科技公司之中。这个月Apple更将推出触控式平板电脑「iSlate」,出货1000万台。美国网路界之前已有TechCrunch 原本要做的CrunchPad(现在叫JooJoo)打低价云端路线,对于创业家而言,iPhone的东西变成iSlate、这些平板机的出现,意义是带来各方面的改变,最大的改变就在:网站设计、软体设计即将…「苹果化」。 

大家都知道这件事,但什么是苹果化? 

有人说它代表忠诚客户的培养,有人说它是科技流行化,有人说是高超的行销,更多人说,「苹果化」在教我们「介面设计」的重要性,尤其是人机介面,重点是,苹果真的在「设计」吗? 

这周末GigaOm推出一篇文章,提到一些关于设计的看法。作者看了一部叫《Objectified》的片子,此片是关于我们周边物件怎么设计的纪录片,其中引述常有惊人之作的3C产品Braun的设计师的话,他说,「在他的经验里,当你的网站设计得非常简单好用,使用者就会『正向回应』(react positively)。」 

不过,到底怎么设计得非常简单好用?它提出了一个有趣的观念── 

他说,好的设计,就是「完全不要给客户任何惊喜」。它认为,我们应该「去惊喜化」!许多设计都是强调要给客户一个「Wow」、一个大惊喜,,但GigaOm引述一位设计大师说,应该给使用者一种「当然,应该这样」的感觉,那感觉是使用者「连想都不用想」,毕竟,惊喜也算是一种「想」,一「想」,就完了。使用者应该想都不用想,直接操作完成。 

那么,是多么不该给惊喜呢?该影片重点在访问苹果知名ID设计资深副总裁Jonathan Ive,他表示,苹果设计的原则是,他们会好好研究这个产品的材质,以及使用者实际使用到底是怎么和手上这个产品产生关系。以iPhone为例,所有事情都发生在「那个屏幕」上,所以他们努力做的其实是「丢掉设计」(un-designed),来强化那个屏幕,这「丢掉设计」的过程其实很痛苦,必须将心中想设计得巧妙、更方便、更炫丽的欲望通通粗野的拔扯掉、丢放到一边去,将这个产品变成一个完全没有感觉、理所当然的模样。该文作者说这点是苹果的竞争者常常无法感悟的一点,不过,作者亦点名宏达电HTC是唯一让他觉得有跟上苹果的,尤其是HTC的Sense技术。 

影片也访问Jonathan Ive提到那个超薄笔记本电脑Macbook Air的设计,他们想的是,可以将「六块」融合成「一块」?这一块不可能所有功能全部兼顾,但只求尽量兼顾。 Jonathan的结论是,产品设计已经不是「设计」,而是「想出解决办法」! 

你说,这表示设计师将摆在比技术人员之下啰?不,还是需要仰赖「设计师」,因为技术人员总会想全部放进去弄得更高规格,只有有经验的设计师才会作「取舍」,哪些重要,哪些不重要,哪些丢掉,哪些保留!有些东西,就是会想办法引诱你将它「设计进去」,这时候,设计师必须要有这个判断去向它说「对不起,现在不需要你(这个新设计)」。这篇文章前后都在说:好的设计,就是「最少的设计」,它引用了一句很棒的话:这些年来创意过了头,我们在各处都有太多不必要的东西,现在的设计师与创业家都必须换个脑袋,不要再创新的,而要反创新,只留下最没有惊喜的东西。 

讲到这里,或许想到「Wii」打败Playstation的故事,但,我认为,Wii本身仍不够「去惊喜」,毕竟它和原本的游戏机有所不同,它本身仍然是一个惊喜,因此被认为Wii更远前景不见得会如此顺利。我们要分清楚,所谓「没有惊喜」,是真的完完全全没有惊喜,所以这个产品是比较「烂」的,买下来毫没有成就感或好奇感的,这才够「去惊喜」── 

譬如,最近我弟弟从美国买回一部矽谷正流行的「Flip机」送我,这一台Flip是HD品质的数位摄影机,它的设计就很特殊,壳子很轻,上面什么插座都没有,只有一支USB介面,充电从这边来,传档案也从这边来。重要的是,这一台摄影机只能录1小时,录没多久就要忙着上传了,且Zoom还蛮难用的。不过,现在已经成为我们的最爱,四处跑都带着走;从前我没耐心整理影片,现在则轻松整理影片,而且一小时其实也够用,因为像我们这种的笔记电脑随身带,一天结束就会上传;它绝对不是最好的摄影机,但它是最「没有惊喜」的摄影机,所有的惊喜都丢掉之后,它的价格就降、它的重量也降、它的耗电量也降。 

我们在其他地方或许听过「去惊喜」的说法,但这「去惊喜」,绝对比表面这样讲的还要深奥,它会是一个比我们想像都还要大的改变,创从前我们说,创业创业,就是要强调「创意」,但,现在我们身边充满奇型怪状的不能赚钱、甚至不被大众使用的东西,于是,另一种创业会成为流行,这种创业是在强调「找到关键」,这会影响很多层面: 

一、创业竞赛的气氛:各位都看过创业大赛,或看过创业团队申请政府专案,看到同学在舞台上演舞台剧、想办法以爆点来让大家大笑,因为现在「创意当红」,学生想秀他们是创意团队,所以努力给观众「惊喜」,以后的创业大赛或许会渐渐减少这些惊喜,大家会问,还需要在简报中制造爆破或爆笑的效果吗?与其让评审大笑,不如demo一些很直觉很有道理的简单设计,让评审一直不断的点头,点到头都快要掉下来! 

二、团队成员的修正:下一个阶段我们要想的是,这需要什么样的团队?什么样的训练?我们需要的已经不是那些最创新的人,或许要改为征求这些最会观察的人,所谓的创新总监可能被研究总监给代替,这点在之前已经之前写过的IBM前例在先,现在厉害的已经不是能想出最特别的改变,而是提出如何将六块功能集中成一块的巧妙做法。

三、情报的收集:「去惊喜化」世代所要强调的就是「找到关键」,那,产业的情报一定要比别人还精准,才知道在十个功能中,应该去除哪八个,留下哪两个呢? 

人类的流行是不断在循环的,我们不应该无止境的赞扬「苹果」,认为它是「神」,带来了「真理」,其实,苹果只是打对了时代而已。曾经我们也只有一台简单的电脑,却很喜欢到3C商店为它加一大堆「周边花样」,看起来好豪华,现在这个时代,才又刚好流行到「简约」。不过,每一次的流行大约也要来个15~20年,苹果产品目前只冲了五~十年,还有一半以上可以走,现在,趁它还没有变得四处都是以前(至少苹果尚未进入网站与软体制定规格或API),让我们继续想想,还有哪些地方可以「去惊喜感」?

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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