买了诺基亚又不待见他,微软图啥?

微软新任CEO纳德拉7月17日宣布:微软将在今后一年削减1.8万个工作岗位。据了解,微软此次裁员主要是针对诺基亚手机部门。对大多公司而言,收购一般都伴随着相应的业务整合和裁员,但是像微软这么大手笔的裁员却并不多见。


一般而言,人才是公司核心的竞争力,对公司并购引发的潜在人员流失,大多数公司都会选择提供一定保障和承诺进行挽留。而随着业务的深度整合,才会出现小范围的精简员工,但是像微软这种数量巨大,目标指向性明确的裁员非常鲜见。


微软2013年9月宣布斥资54亿欧元(约折合72亿美元)收购诺基亚手机业务及其专利组合,全部交易也已在2014年第一季度完成。从并购来看,微软并购诺基亚花费了巨额资金。但是为什么微软现在却这么不待见诺基亚,不仅裁员还要关闭诺基亚的Nokia X业务部门?是什么让微软“性情大变”呢?


外因:高层换血战略转变,让诺基亚手机业务成为炮灰


微软在并购诺基亚手机业务之后,进行了一次CEO和组织层的换血。


2014年2月4日,微软宣布,纳德拉接替鲍尔默成为为下任CEO。而鲍尔默此前刚对微软组织架构进行了调整,并且宣布转型“设备和服务”,收购诺基亚手机业务就是该战略发展的重要一步。但是计划没有变化快。


虽然鲍尔默此前曾说,想要到自己的孩子上大学的时候再考虑辞去微软CEO一职,但是却在2014年猝不及防的辞去了CEO的职务,由此可见,鲍尔默的辞职并非出于本意。


而随着鲍尔默卸任微软CEO,新上任的纳德拉很快又对微软的战略进行了新的调整。纳德拉出任微软CEO后,启动了一系列激进式改革。纳德拉多次表示,微软需要独一无二的新战略,微软的未来在于移动和云计算。在纳德拉新政指导下,鲍尔默提出的“设备与服务”的概念将被逐渐被边缘化,诺基亚的手机业务也不再被重视。


领导人和微软整体战略的转变,可能导致诺基亚手机业务在微软的地位发生变化,但这也只是可能的原因之一。毕竟像微软这样的大企业,公司发展的战略轨迹不是取决于一人的决策,更多是公司统一规划的结果,CEO很大程度上,不过是公司决策层的执行者而已。


如果是按照这个维度进行分析的话,微软对诺基亚手机业务的收购就变得非常耐人寻味了。仔细想下,其实它跟另外一个案例非常的相像,那就是谷歌收购摩托罗拉移动。


推力:谷歌收了摩托罗拉移动又卖掉是微软的参考样本


谷歌在2011年花125亿美元买了摩托罗拉移动。在收购摩托罗拉移动之后,谷歌有条不紊的进行了如下的步骤:裁员,精简产品线,关停办事处和研发中心,退出未能盈利的市场,出售工厂和非核心业务……最后经过三年时间,在2014年初,谷歌终于把摩托罗拉移动业务的“肉”啃的差不多了之后,谷歌以29亿美元的价格把摩托罗拉移动业务卖给了联想。


谷歌为什么要收购摩托罗拉移动业务?最后为什么又要卖出?解释清楚了这个问题后,关于微软收购诺基亚的种种也就不难理解。


谷歌为什么要收购摩托罗拉业务?按照谷歌CEO拉里·佩奇的解释是,谷歌一直在寻求“以新的方式”为Android生态系统提供支持,但这显然不是主因。更为关键的一个方面是摩托罗拉庞大的移动专利技术。而收购专利的好处在于来自摩托罗拉移动的专利技术可以增加谷歌的竞争力,并有助于应对来自微软、苹果及其他公司的威胁。


而据摩托罗拉移动首席执行官SanjayJha介绍,截止谷歌收购之时,摩托罗拉移动有1.7万项专利,另外还有7500项专利申请正处于审批程序。业内普遍认为,谷歌以125亿美元的价格收购摩托罗拉移动并不算贵,对于此前饱受专利诉讼困扰的Android而言,摩托罗拉的这些专利将大幅增加谷歌在专利之争中的筹码。


谷歌收购摩托罗拉的目的既然明确了,那么也就不难理解,谷歌为什么选择把摩托罗拉移动业务出售出去了。


虽然谷歌声称,收购摩托罗拉移动业务是为了更好的为安卓生态提供支持,但是谷歌自己做硬件,既当裁判又当裁判员的身份,多少还是让移动硬件厂商心生芥蒂。因为,如果这些手机厂商选择继续使用Android操作系统,可能会面临一些不完全平等的竞争,很多厂商开始考虑向微软靠拢,而这不是谷歌想要看到的。此外,谷歌收了摩托罗拉移动之后,发展也不是很好。再加上谷歌最想要的专利已经到手,也就没必要去发展一个持续亏损的硬件业务。所以被卖掉早早变现就成了摩托罗拉移动的最终宿命。


而理清了谷歌购买和售出摩托罗拉移动的原因,也就不难理解微软对诺基亚手机业务的态度了。


内因:微软消化诺基亚手机业务的必然之举


诺基亚与微软的合作开始于2011年,诺基亚当时放弃symbian系统,在自家手机上全部使用微软的Windows Phone操作系统。就像此前的摩托罗拉在使用Android系统之后被谷歌收购的结局一样,诺基亚手机业务最终也投入了微软的怀抱。那么为何微软要执行对诺基亚的收购呢?


按照微软一份长达30页的幻灯片阐述的收购诺基亚的具体原因,可以归纳为以下四个要点:扩大手机市场份额,提升手机业务利润;为用户创造微软手机的顶级体验;防范谷歌和苹果公司妨害应用创新、应用整合、应用分发和应用经济;借力智能手机发展形势,抓住一次巨大机遇。而作为曾经的手机霸主,诺基亚虽然现在发展低迷,但是其拥有的技术、专利以及在手机制造商的经验都是难得的财富,这也恰好是迫切要打入手机硬件市场的微软所欠缺的。


而这些原因,与谷歌收购摩托罗拉移动的动机如出一辙。那么微软为什么现在开始对诺基亚手机业务部门进行大规模裁员并且关停Nokia X业务呢?是为了走谷歌卖掉摩托罗拉移动业务的路线么?


先谈微软关停Nokia X业务。当初微软花费70多亿美元并购诺基亚手机业务,更为迫切和深层的原因是为了阻止诺基亚采用Android,拯救岌岌可危的Windows Phone。既然如此,微软在并购诺基亚手机业务之后,怎么会允许搭载Android系统的Nokia X的存在呢?所以关闭Nokia X业务是必然的。


再说裁员。按照微软的计划,诺基亚手机业务部门将会成为裁员重灾区。虽然纳德拉给出的解释是:微软正在消化收购来的诺基亚手机业务,并调整自身定位以适应未来发展。但是明眼人不难看出,微软已经对诺基亚手机部门失去耐心。


经过1年的收购整合之后,诺基亚手机业务还是处在亏钱状态,2013年全年净亏损达到7.80亿欧元。而微软,已经不想再当冤大头了。此外,微软虽然寄望诺基亚来补齐“设备+服务”战略中的短板,但是受制于诺基亚的出货量,这一战略在执行上也大打折扣,这是因为微软Windows Phone的出货量很大程度上依赖于诺基亚,所以诺基亚出货量的减少将直接影响着WP的普及推广。并且微软收了诺基亚,让其他想要转向WP移动操作系统的硬件厂商选择了观望。


而现在诺基亚手机的表现并没有对得起微软的付出,不仅销量不行业绩持续亏损,而且影响了其他手机厂商加盟Windows Phone的阵营,对WP的推广造成了影响,而这都是微软不想看到的。


微软收购诺基亚的原因以及对诺基亚裁员的理由跟谷歌对摩托罗拉移动的操作手法有些相似,但是最终却会有不同,原因就在于微软的移动战略。


不管是高层换血带来的战略转变影响了诺基亚手机业务也好,还是微软有意向谷歌学习也罢,这些都还是表象,真正的原因恐怕在于对诺基亚的手机业务的收购并没有达到微软想要打开WP市场局面的诉求,甚至还影响了这一进程。所以就可以解释诺基亚手机业务为什么不受待见了。


不过需要指出的是,诺基亚虽然没有达到微软期望的目标,但是鉴于微软对移动战略的重视,诺基亚手机业务肯定会被最大化利用,只是诺基亚手机业务本身也在持续下滑。微软想要在移动端大有作为,就需要充分内化吸收诺基亚的业务,推陈出新,所以对诺基亚进行大刀阔斧的改革也就是情理之中的事儿。


  • 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
像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物像数据,这些数据包括健康植物的像以及受不同病虫害影响的植物像。 2. **像预处理**:对收集到的像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,像识别在病虫害检测中的应用将越来越广泛。
1 目标检测的定义 目标检测(Object Detection)的任务是找出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
像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物像数据,这些数据包括健康植物的像以及受不同病虫害影响的植物像。 2. **像预处理**:对收集到的像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,像识别在病虫害检测中的应用将越来越广泛。
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