手机市场这么大,总能碰上几个专利流氓

    苹果和三星两年前的“世纪之战”令人记忆犹新,10.5亿美元的赔偿将专利的“利”发挥得淋漓尽致。那时候的国产手机还在社会主义的呵护下茁壮成长,两位大佬在海外的专利纠纷看上去是那么荒诞和遥远,但翅膀硬了始终要飞。专利巨头们彼时的无视,现在看起来却更像一场蓄谋已久的阴谋。

手机市场这么大,总能碰上几个专利流氓

外面的世界

利用本土优势,国产手机征服了全球第一大手机市场之后,把眼光放诸海外已经不仅是心理层面的需求,可现实是专利作为一种成熟的商业运作手段,没有人会做海外版的活雷锋。就在一周前,小米在印度的遭遇令人唏嘘,其实整件事情倒非常简单,因为这次涉及的专利只是通信技术层面,而这些专利基本上又没有什么可商量的余地。

一台智能手机到底有多少专利?没有人可以给出精确的答案。为了便于理解,我尝试着将所有专利分成两类,一种是看不见的,一种是看得见的。基于这个区别,专利流氓又大体可分为进攻型和防御型。苹果和三星的案子基本上就是在围着看得见的专利做文章。滑动解锁,多点触控,圆角矩形图标,外观专利让不明就里的人叹为观止,结果也就是这些看上去技术含量很低的专利让三星输掉了官司。

这些专利的判断成本是很高的,因为无论怎么公正都是建立在主观的判断。

前段时间,苹果设计主管 Jonathan  Ive在采访中表示了对小米的质疑,其实这已经算很温柔了,要知道当年的乔布斯可是活生生让魅族第一款手机停产。原因无它,就是因为M8长得跟iPhone长得太像。所以往往是这些看得见的专利更要人命。然而道高一尺魔高一丈,想要规避这些问题可以靠大智慧,也能玩小聪明,相比之下后者简单直白,所以我们现在能够看到各种滑动解锁的变形。如果还想给用户带来惊喜,仅靠举一反三是不够的,厂商需要更多的灵光乍现,来定义超前的用户体验,那感觉就像人们第一次见到滑动解锁的时候。

手机市场这么大,总能碰上几个专利流氓

专利也是生意

据最新统计,到目前为止,微软的专利数为60000+,Google为14000+,苹果公司25000+,高通75000+,摩托罗拉75000+,华为42000+,中兴38000+。值得注意的是这些专利得分不同地区,同时错综复杂的收购让专利的归属物是人非。

国产手机的新贵们一般在这个维度没有什么发言权,所以要么老实交保护费,要么闷声发大财。性价比也就是这么催生出来的。当然,你如果不想做性价比的产品,也从没想过旁门左道,这笔钱掏得也没什么心理障碍,毕竟羊毛是出在羊身上的,苹果的伟大就在于它能将这个正常的逻辑普及到世界各地。

看到了专利另一面的人也不少,世界上有很多专利公司,它们本身没有拿得出手的硬件产品,其主要业务是通过合法的商业运作收集大量专利,目标当然只有一个——收租。碰到这种角色,手机厂商们基本上只能丢车保帅,破财免灾。

手机市场这么大,总能碰上几个专利流氓

出来混始终要还

经济学基本原理是交易的发生永远是有利于双方的,所以用户为专利掏腰包无可厚非,如果厂商一定要打着性价比和免费的旗号造福人类,至少不应该让产业链的上游买单。不过话说回来,专利保护还是专利流氓往往只隔着一个动机的距离。

国产手机想要蜚声海外,纯粹抱大腿不太现实。一劳永逸的收购是用真金白银来换康庄大道,还走屌丝路线又难免尴尬。而自主研发任重道远,多半也是考验厂商的耐心和底气。无论选择了哪种方式,国产手机在专利上欠下的学费迟早会还清的,到那个时候,我想山寨文化也可以行将就木了。


 
  本文作者: 六爷

本文转自雷锋网禁止二次转载, 原文链接
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。
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