腾讯IP+文旅的探索实践

腾讯云大学分享了腾讯在新文创战略下探索“IP+文旅”的实践,从泛娱乐到新文创,腾讯布局数字内容产业,与故宫、敦煌等文化机构合作,推动文旅产业升级。通过IP构建,强化文化与产业价值的融合,打造中国文化符号,例如与敦煌合作的“敦煌数字供养人”计划,与故宫合作的“古画会唱歌”等项目。腾讯致力于通过科技与文旅融合,助力文旅产业数字化转型。
摘要由CSDN通过智能技术生成

点击观看大咖分享

抗击疫情,腾讯云在行动。结合数字经济、产业互联网等时代背景,通过系统性介绍腾讯“一机游”模式的前世今生,剖析科技如何与文旅进行融合创新,助力文旅产业转型升级。

本次腾讯云大学大咖分享课程邀请 腾讯互娱高级公关经理 / 腾讯新文创战略体系构建核心成员 颜亮 分享关于“腾讯IP+文旅的探索实践 ”课程的内容。

本次分享内容:

一、 从泛娱乐到新文创,腾讯的数字内容产业布局思路
二、 文旅消费升级时代的IP化升级需求
三、 新文创战略下,腾讯“IP+文旅”的探索与实践

一、 从泛娱乐到新文创,腾讯的数字内容产业布局思路

我想大家应该对腾讯还是比较熟悉的,但可能也没有完整的了解过腾讯的业务和全貌,大家过去接触到的可能更多的还是我们的云和智慧产业的一些产业领域以及金融、社交、支付等服务业务,对于腾讯整个的业务版图,可能还不是特别的清晰,那我这里有一个介绍,腾讯一共有六大事业群,包括了社交和内容、云和智慧产业、金融与支付等多个业务,当然还有我们自己的底层的技术能力,大家可以看到,其实腾讯除了这样一些在云、微信以及金融方面,在文化领域其实也进行了一个长期而深入的布局,可以说今天的腾讯应该是全球在数字内容领域布局最广的公司,有游戏、文学、动漫、影视等多种的数字内容业务,同时也和像故宫、敦煌等文化机构都有广泛而深入的合作。我们整个新文创的理论的提出,其实是伴随着腾讯在数字内容产业方面不断的探索,逐渐梳理和总结出来的经验。这些不同的文化内容的业务其实也是我们去探索IP+文旅的基础前提,那接下来会具体介绍我们在文化方面的一些能力。

首先我们可以从静态的业务版图来看,腾讯目前在文化维度的布局,主要集中在ieg、pcg以及阅文、腾讯音乐娱乐等子公司,涵盖了游戏、动漫、影视、文学、音乐、电竞等多个垂直的领域。从一个动态的过程来说,这其实是一个逐步积累的过程和生态,那在整个积累的过程中有两个非常重要的节点,一个就是2011年泛娱乐战略的提出,可能很多朋友应该都有听说过,这最早也是腾讯提出来的;另外一个就是一八年,泛娱乐到新文创的战略升级。

我们可以看到泛娱乐战略在整个这样的一个轴上面,对腾讯来说其实就意味着我们从过去单一的游戏业务开始展开更加多元的数字内容的布局就最后才逐渐有了,我们刚刚讲的这几大不同维度的内容产业的业务,更加多元的数字内容的布局,同时也进入到了一个更加有战略思考牵引的自学过程吧。这过程它其实不仅成长出了我们许多的基础业务的一个框架,构成了我们现在的整体的业务底盘,同时,在这许多年不同的探索中,其实我们现在也积累了非常丰富的IP的资源。在一八年的时候,当时北京文博会发布了IP评价报告,这个报告,对目前中国所有的这样的IP都进行了梳理,那我们可以看到,在上榜的274个中国文化IP中,腾讯持有或者参与开发的IP就占到了110个左右,不论是在数量还是整体口碑上都可以说是名列前茅。

第二个重要的节点,就是我们今天要重点说的,泛娱乐向新文创的升级,过去泛娱乐时代其实主要还是聚焦在数字内容的领域,如果说一直是沿着泛娱乐这样发展,我想我就没有到这里来跟大家分享的必然性。当我们进入到目前新文创更加自觉的进化和升级的一个时代的时候,我们现在的整体的协作突破了过去那种单纯的、传统的商业,或者说内容产业的范畴,整个的空间扩容到了包括文博机构、文化部门甚至各级政府,同时也有很多文旅产业方面的伙伴,所以这时我们对于文化内容的参与深度、广度都会更加宽阔,这是整个腾讯提出新文创的大背景,以及一些前景提要,那我说了这么多,我想大家也想,到底说得这么神乎其神,那到底新文创是什么,那接下来我就会重点跟大家来谈一谈腾讯新文创我们自己的一些想法、洞察。

对于新文创,我们其实是有一个比较完整的概念的,腾讯除了在做业务是很厉害的,在做理论这方面也花了比较多的功夫,大家有在做这种企业的时候,有这种共同的理论,或者共同的价值,对于之后去推展很多业务还是蛮有帮助的。我们认为新文创其实是一种以IP构建为核心的文化生产方式,它并不只是腾讯自己的,说白了还是对于整个生产方式的一个洞察,另外我们会通过强化文化价值跟产业价值的互相赋能,最终希望能够打造出更多属于中国的文化符号,那这概念是非常简要的。我们具体再来做一些拆解,我们其实可以看到新文创包含了三个比较重要的洞察。

第一个洞察,是从作品到IP。我们认为这可能是数字时代文化生产方式一个最根本性的变革。作品和IP其实是有本质的区别的,因为作品是有终点的,就像作家写一本书,他可能创作完了,整个就结束了。但是IP的话其实没有终点,不像电影拍完就结束了,那电影拍完后,还会不断的去发展它,是不断的一个成长的过程。

第二个作品其实是属于某一个垂直平台的。它如果是一本书,它就是本书。电影就是个电影。而IP的话,它的特点就是可以通过多平台的合作,共同来开发。可以从日本美国这样的文化产业比较发达的国家,这一点其实可以看得非常清楚。无论像是好莱坞、漫威的超级英雄,还是日本的像马里奥、火影忍者的一些在全球都很有影响力的IP形象,其实他们的创作早就脱离了某一个单一作品的局限,走向更加广阔的空间,这种变化,其实不管是角度还是操作方式上、思维上都带来一些根本性的变化,而对于新文创来说,之所以认为它是一种全新的文化宣传方式,也正是最核心的,就是对于IP更加自觉主动的一个关注。

那这里其实也就谈到了我们今天要说的第一个核心问题,到底什么是IP,就像我刚刚说的,其实对于IP概念,大家应该说都不陌生,但是大家对于IP的认知可能还是有不同的见解,尤其是前几年IP概念

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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