浅谈国产CPU, OS, 生态系统等的出路,暨小米生态、乐视生态、阿里OS

我来谈谈生态系统的建设需要什么前提条件。

 

N年前,我刚开始接触编程的时候,我一直听到很多人在说自己在编写程序;N-5年前,我又听见很多人说自己在编写软件“系统”;N-7年前,我又听到很多人说自己在做“平台”;N-9年前,我又听到很多人说自己在做“SAAS”;N-9年前,我又听到很多人说自己在做“云”;N-14年前,我又听见很多人在说自己在建设“生态系统”。

好吧,从“程序”—>“系统”—>“平台”—>SAAS”—>“云”—>“生态系统”,大家都牛B着呢。

之前的“程序”和“系统”都是从开发商/开发者(Developer)分发软件到最终用户(End User)使用,完毕;从“平台”开始,出现了一些Developer分发的软件供另一层次的Developer使用,经过二次开发后,然后才到End User使用。对于前者,我姑且命名为先进开发者(Advanced Developer),后者命名为践行开发者(Practice Developer)。

我在上海工作的11年间,跳槽达14次,面试无数!有很多公司的面试者讲解自己公司的作品时,都说很有前途,都是什么系统平台生态等等,而且说着说着就昂首挺胸的。嗯~好吧,都很牛B——牛B的作品,牛B的产品设计师,牛B的系统设计/架构师,牛B的主程,牛B的团队。现在面试过的牛BXX,一个都没有冒尖。再观察业界,这几年都有很多“大”型的公司(也就是钱多,估值高)搞什么生态系统,我这个老程序猿就呵呵了。

那么,既然我自己看起来,那些系统平台生态什么都呵呵,拍砖者就疑问:“难不成就你牛B,有本事搞一套超越系统平台生态东西来啊?”

噢!不是这样的,我自己也搞不出平台生态,搞个系统还是卓卓有余的,Open API也手到擒来,no problem。既然如此,我为什么还呵呵呢?我看淡的不是平台生态的建设者(Advanced Developer),而是践行开发者(Practice Developer)!

请听我细细分析

应该说,Advanced Developer一般是大公司进行设计铺路,类似于现实中的基础设施:公路、自来水网络、电力网、通讯网络等等,在工业上的基础设施是电机、机床、刀具、模具等等。Practice Developer就是拿起基础设施去真正的建设一套软件供End User使用。然而,中国的Practice Developer不怎么喜欢拿起中国的Advanced Developer做出来的基础设施。原因嘛,我分析其中一个最重要的原因是“崇洋媚外”的心理在作怪。

如果大家不健忘的话,看看每次国产CPU国产OS,国产DB,国产手机,国产XX,都有很多人拍砖,说你山寨,说你抄袭,说你落后外国多少多少,如此之类,无非就是中国人瞧不起中国人呗。这种崇洋媚外的思想危害了什么?显然,中国再大的软件公司都不敢轻易花巨资真正自己建设一套平台生态,因为门槛高、成本惊人,一个公司搞不定还得联合N个公司一起搞(googleAndroid也是收购不少公司,联合很多公司才做出来的),但国内大公司担忧的是,即使搞出来了,还是被崇洋媚外Practice Developer所抛弃,永远实现不了价值,无法直接收回成本是必然的了,连实现战略价值都做不到。而这个“做不到”不是因为大公司自己设计的东西不够先进、所聘请的人才不是世界顶尖,而仅仅是Practice Developer的崇洋媚外思想。过去,我第一次接触UCDOS的时候,加上求伯君写的《深入DOS编程》,就觉得,那个时候金山自己有能力编写一套OS了,后来?当时国家IT掌权者放弃了国产OS,放弃了国产DB,当时国家IT掌权者是什么思想?我不敢妄猜下去,只叹可惜。

说个我自身的一件事,10几年前我就具备了独力设计一门编程语言的能力,但当时我设计语法的时候,我遇到一个问题——人的问题——如何让其他程序猿接受并使用我设计的语言?答案是“没有”, 因为大家都崇尚美国的东西,不管我的语言有多先进(当然,没出来,大家拍砖我略过),就是不会得到推广的。好吧,国人的崇洋媚外心态让我设计编程语言的计划取消、胎死腹中。

所以,今天看到的小米生态,乐视生态,XX生态。好吧,都是拿来主义,以最小的代价搞一套生态,而不是自己从头设计一套,相信公司也是害怕再多的投入也是枉费:Practice Developer崇洋媚外不跟进,投入再大也白流血,还不如先拿来主义改一改,不停网上吹吹牛B,看有多少Practice Developer跟进再作下一步打算好了。所以,别怪小米乐视等等的OS生态系统是山寨抄袭而来的了,怪就怪自己不愿意做中国人自己的Practice Developer,喜欢崇洋媚外只做外国人的Practice Developer

写到最后,我认为:得开发者得天下。不管哪个领域,只要中国人崇洋媚外思想心态不变,中国人搞生态没戏。

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