乐Phone:还原联想的联想

 
据《21世纪经济报道》7月26日科技版的专题报道,与联想分家十年后,郭为定下的新目标是“再造三个不叫联想的联想”。而与此同时,杨元庆回归舵手之位以后,联想在手机互联网领域的大手笔,却让我感觉到一个回归自我的联想,一个充满联想的联想。记得那句著名的广告词吗,“人类失去联想,世界将会怎样?”对一个品牌而言,这句话是否具有细节而具体的内涵并不重要,重要的是它蕴含的企业魄力和品牌愿景。“联想”,作为一个由动词转化的名词,当其成为一个企业的精神的时候,它的含义简单而明了,就是“富有想象力的创新”。富有想象力的创新,这既是乔布斯1985年被逐出苹果之前的苹果精神,也是1997年乔布斯回归之后的苹果精神;正是这个精神,让苹果在今天站到了与微软、Google三足鼎立的位置。无论企业本身有多么成熟的经营理念,一个朝阳产业的兴起都是必须要抓住的最重要的创新机遇。去年底,联想回购联想移动品牌,一个多月之后,联想在CES大会发布移动互联战略。这不仅是一个高效率的事件,更重要的是联想籍此赶上了刚刚开始奔涌的移动互联网大潮。
紧接着,作为联想手机互连网的旗舰,乐Phone的启动不仅仅作为一个优异的产品问世,而是用一系列连贯而流畅的战术动作,展现了联想全新的“联想”能力和创新力量。乐Phone绚丽的人机交互界面和时尚外观、独特的扩展键盘、穿越了手机和电脑之间的***限设计,这些只是作为产品的出彩之处。手机互联网的体验价值,需要在瞬息万变的互联网应用中发挥出来,才能征服用户。
虽然我是微博的批判者,但必须承认微博在后信息化时代的创新地位,无论是Twitter带来的体育、娱乐甚至社会争议,还是四大门户在微博领域的混战,都充分表明了微博是手机互联网的战略必争之地;而作为领先者的新浪微博已经成为目前中国网络知识分子阶层最喜爱的新媒体平台。所以,微博是移动互联产品必须占领的高地。同时一个产品的市场营销策划,名人效应和主要的体育赛事是最重要的两个环节。
乐Phone恰恰在自己的营销过程当中,将这三大要素创新地融合到了一起。在刚刚结束的世界杯赛事全程,网民喜闻乐见的“最有激情足球解说员”黄健翔就是通过乐Phone将自己的世界杯感悟随时随地分享给了微博听众。以至于到南非世界杯收官之后,“爱足球的男人会更爱乐Phone”成为了不少男性球迷的口碑。这是联想的高明之处,记得那句“有路必有丰田车”让多少车主选择了丰田吗?正确的时间,正确的地点,找到正确的人,做一件正确的事情,这是成就一个经典的营销案例的充分必要条件;而这些条件,乐Phone都创造出来了。
哈佛大学克里斯坦森有一本著名的管理学畅销书《创新者的窘境:当新技术让伟大公司失败之时》,以微软之于互联网、Google之于社交领域所陷入的迷途和困惑为例,详细探讨了曾经的领跑者如何遭遇发展瓶颈的问题。在我看来,要突破这个瓶颈,必须突破将创新局限在技术领域的传统创新思维;换句话说:让创新插上联想的翅膀。乐Phone就是联想在精确切入手机互联网领域之后,一次颇具联想空间的进攻战役,一次富有联想式创新色彩的正面案例。

_____________________________________________________________________________
作者:瞬雨
技术经济观察家,自由评论人
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