科技创业的新规律:先创业、再创意

科技创业的新规律:先创业、再创意

  11月29日,创业领域一直有一个熟悉的规律:想到创意,基于创意开发产品,然后创建公司出售产品,公司成功之后,亦或是大多数情况下失败之后,从头开始,寻找新的创意。

  但是最近出现了一个新的规律,改变着创建公司的程序。它与上述规律有很大区别:创建一家公司,尝试多种创意,很多创意失败,但也有一些取得成功,然后把这些创意变成新的公司,按照这个规律周而复始,或者至少创业者希望它能够循环下去。

  有很多公司正在遵循这样的规律,有人称之为“创业工作室”或“创业工厂”,也有人称这种创建公司的方式为“平行创业”。但无论怎么称呼,这种模式都已经吸引了诸多科技界大腕。

  就在上个月,社交游戏开发商Zynga创始人马克·平卡斯(Mark Pincus)推出了Superlabs,通过这个新项目“推出产品、进行尝试,并且做好了被人嘲笑的准备”。今年3月份,移动叫车服务Uber联合创始人加雷特·坎普(Garrett Camp)为一个类似的项目Expa筹集了5000万美元,这个项目还得到了社交签到鼻祖Foursquare联合创始人纳文·塞尔瓦杜莱(Naveen Selvadurai)的支持。

  几个月之后,社交新闻聚合网站Digg联合创始人凯文·罗斯(Kevin Rose)宣布,他将不再全职工作于谷歌(微博)风投,转而创建自己的第二个创业工作室North Technologies。2012年,罗斯把自己的第一个创业工作室Milk Inc出售给了谷歌,这是一笔人才收购。

  另外还有移动支付服务PayPal联合创始人马克斯·列夫岑(Max Levchin)创建的HVF实验室,Twitter联合创始人埃文·威廉姆斯(Ev Williams)创建的Obvious Corp,前MySpace首席执行官迈克·琼斯(Mike Jones)创建的Science Inc.,系列企业家约翰·博斯维克(John Borthwick)创建的Betaworks,以及Vimeo联合创始人杰克·洛德维克(Jake Lodwick)创建的Elepath。这个名单还可以列很长,很长。

  这些公司当中,有些从内部集思创意,也有些公司通过投资和收购其他公司来扩大业务。但他们都有一个共同的目标,那就是尝试多个不同项目,不怕失败,寄希望于一击成功,或者两次,三次。这些公司的宗旨就是衍生创建其他公司。“这与人们脑海中创建公司的方式正好相反,不必有了创意再去建立团队和公司。”纽约州立大学伯克利创业中心执行主管卢克·威廉姆斯(Luke Williams)说。

  问题在于,为何这么多成功的企业家喜欢这种反传统的创业模式?为何这种模式会在这个时候兴起?

  成本降低

  当然,创建一家科技公司需要做很多事情。受益于移动技术的发展,开发新产品的成本比以前低得多。产品开发成本的降低必然会推动新产品数量的增加。从历史上看,当技术发展大幅改变创业成本时,有知识、有方法的人士就会想要抓住市场的每一个部分。

  “这是一场数字经济领域的竞赛,”美国巴布森学院教授卡罗琳·丹尼埃斯(Caroline Daniels)表示,“有资金、有时间、有经验的人们会发现,数字领域仍有广阔的空间。”

  但原因不仅于此。知名企业家创建这些创业工作室不仅是因为他们有能力这样做,而且因为他们确实相信这是创建公司的更好方法。

  两大阵营

  这些公司的创始人似乎可以分为两大阵营。有些人认为,这是加快连环创业速度的一种方法。马克斯·列夫岑表示:“通常你要在一家公司投入七到十年时间,而现在最新的趋势让一些已经在过去取得成功的人士反问自己,‘为何要在一个创意上滞留十年时间’?”通过自己创建的创业工作室HVF,列夫岑已经创建出两家公司,包括种植应用Glow和金融服务创业公司Affirm。

  通过这种方式,这些创业工作室经常成为成功创业者发现他们下一个大项目的完美渠道,无需把时间耗费到错误的创意上,把精力滞留在半途中。Vimeo联合创始人杰克·洛德维克把自己的工作室Elepath比喻为一个细胞,“它会变出一个东西,但我们不知道是什么,等着看吧。”他说。

  2006年推出Blogger之后,埃文·威廉姆斯又参与创建了Obvious工作室,它也采用了类似的方式。Twitter就是从Obvious工作室产生的最成功创意,因此威廉姆斯停止了Obvious的运营,开始全职在Twitter工作。

  但从Twitter首席执行官岗位上离开之后,威廉姆斯又与Twitter联合创始人比兹·斯通(Biz Stone)重新启动了Obvious。不过威廉姆斯找到他的下一个大项目,即博客平台Medium之后,他再一次离开了Obvious,全职专注于Medium的工作。

  但是第二个阵营则有着更加远大的抱负。对于Science的迈克·琼斯、Betaworks的约翰·博斯维克而言,这种工厂模式不仅仅是开发新产品,更是创新商业模式。创建公司,进行投入,然后收购一些公司,这样每款产品快速创收的压力就更小一些。而风投支持的创业公司很难做到这一点。“我们能带领公司快速实现盈利,也能根据自己的兴趣创建一些着眼长远的公司。”琼斯说。

  如果受挫

  这种方式的另外一个优势在于,整个公司下面的每家公司都可以继续衍生,进而创建其他公司。“我们在某个领域创建一家公司,然后给予种子轮投资,提供支持和资金。”博斯维克表示。如果事情发展不顺利,正如创业公司经常遇到的情况,Betaworks内部的公司拥有比独立生存公司更多的资源。

  Giphy是Betaworks支持的一个GIFS搜索引擎,去年推出之时,由于搜索需求强劲,系统完全崩溃。当时是星期六凌晨3点,Betaworks召集了一位运营员工,他也是公司的黑客之一,以及一位来自Digg的工程师。Digg正是Betaworks衍生出的最成功的公司之一。到周末结束的时候,不仅Giphy系统恢复正常,而且多了四名全职员工。

  “我们节约了技术架构,因此可以满足需求,并且在几天之内就建立起一支出色的团队。”Betaworks合伙人、Betaworks旗下移动游戏创业公司Dots首席执行官保罗·墨菲(Paul Murphy)表示,“而传统的方式是,‘我们首先要融资,然后建立团队’。如果按照这样的程序,发展势头就会减弱。”

  成功难题

  但这样的模式也会遇到挫折。例如,如果一家公司取得了突破,会发生什么?它会不会掩盖其他所有项目,并吸引所有人都从事于这个项目?

  琼斯表示,他从不打算担任Science衍生出的任何一家公司CEO。他表示,Science本身就是一款产品。博斯维克也持有同样的观点,不过他知道Betaworks总有一天会产生一个需要他投入全部时间和精力的创意。“如果有一家公司发展壮大并需要我的支持,我当然不会错过机会,”他表示,“不过总体来说,我希望能够打造一个品牌和平台,保持持续的大范围成功。”

  另外一个担忧在于,这种模式会扼杀创业公司的优势。与大型公司不同,创业公司通常不受创新停滞的影响,因为他们的创意和团队都是新鲜血液,但如果你开始规定创业公司如何成立,并把它们像机器上的零部件一样进行限制,会发生什么情况?会带来多少损失?

  魔法不是随时有

  另外,无论企业家多么成功,他们也很难两次闪光,YouTube创始人查德·赫利(Chad Hurley)和陈士俊(Steve Chen)就是这样。他们创建了当代科技领域最具变革性的公司之一,但当他们尝试用另外一个名为Avos Systems的工作室复制成功魔法时,他们就没有那么成功了。今年早些时候,有媒体报道称Avos Systems裁员80余人。

  “很多企业家都希望知道如何复制自己的成功,”威廉姆斯教授说,“但他们要知道,创业有很大的运气成份,科技领域的大多数企业家只能幸运一次。”(小贝)

  • 0
    点赞
  • 1
    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: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: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
健身国际俱乐部系统是一种专为健身俱乐部设计的管理软件,它通过集成多种功能来提高俱乐部的运营效率和服务质量。这类系统通常包含以下几个核心模块: 1. **会员管理**:系统能够记录会员的基本信息、会籍状态、健身历史和偏好,以及会员卡的使用情况。通过会员管理,俱乐部可以更好地了解会员需求,提供个性化服务,并提高会员满意度和忠诚度。 2. **课程预约**:会员可以通过系统预约健身课程,系统会提供课程时间、教练、地点等详细信息,并允许会员根据个人时间表进行预约。这有助于俱乐部合理安排课程,避免资源浪费。 3. **教练管理**:系统可以管理教练的个人信息、课程安排、会员反馈等,帮助俱乐部评估教练表现,优化教练团队。 4. **财务管理**:包括会员卡销售、课程费用、私教费用等财务活动的记录和管理,确保俱乐部的财务透明度和准确性。 5. **库存管理**:对于俱乐部内的商品销售,如健身装备、营养补充品等,系统能够进行库存管理,包括进货、销售、库存盘点等。 6. **数据分析**:系统能够收集和分析会员活动数据,为俱乐部提供业务洞察,帮助俱乐部制定更有效的营销策略和业务决策。 7. **在线互动**:一些系统还提供在线平台,让会员可以查看课程、预约私教、参与社区讨论等,增强会员之间的互动和俱乐部的社区感。 8. **移动应用**:随着移动设备的普及,一些健身俱乐部系统还提供移动应用,方便会员随时随地管理自己的健身计划。 9. **安全性**:系统会确保所有会员信息的安全,采取适当的数据加密和安全措施,保护会员隐私。 10. **可扩展性**:随着俱乐部业务的扩展,系统应该能够轻松添加的功能和服务,以适应不断变化的市场需求。 健身国际俱乐部系统的选择和实施,需要考虑俱乐部的具体需求、预算和技术能力,以确保系统能够有效地支持俱乐部的运营和发展。通过这些系统的实施,健身俱乐部能够提供更加专业和高效的服务,吸引和保留更多的会员,从而在竞争激烈的
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: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: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