书单:微信之父张小龙的产品经理书单

微信之父”张小龙会要求他的产品经理人手一本《乔布斯传》,也曾有人说过,如果求职者说自己看完了凯文·凯利的《失控》,面试就可以结束了。不禁让人好奇,张小龙平日里会看哪些书?这些书又如何影响着他对“微信”的构想?

本文主体部分根据《壹读》“失控的微信先生”与《商业周刊中文版》“张小龙的盗梦空间”整理。

1.《失控》

凯文·凯利,一位在亚洲游荡了近10年的美国人,东方激发了他对于技术的思考,最终通往哲学的终极命题。在他笔下,失控,往往意味着不确定性,容易使人感到不安,但正是不确定性和不可控性,成就了创新的源泉与进化的动因。

在广研,产品经理们人手一本《失控》,因为张小龙说过:不读《失控》的产品经理,知识结构是不完整的。在腾讯内部的演讲中,张小龙反复提及这本书启发了他的产品观:不与用户产生互动的产品,是失败的产品。产品规则越简单,才越能让群体形成自发的互动。产品上线后,就有了自己的生命,会自己与海量用户互动,最后会互动出什么结果,是产品设计者不能控制的。

张小龙:凯文·凯利的《失控》我给很多人推荐。这本书很厚,所以很多人都没有耐心的看完它,我自己也是,可是如果我们面试一个大学生,他告诉我他看完了这本书,我肯定就录用他—— 不过他们不知道这个秘诀。如果做互联网产品的不看一下这本书,我认为知识是不全面的。他从生物学、社会学的角度描述了一种群体效应,总的来说,结论是群体的智商低于个体智商。这个观点不在那本书里,而是在另外一本书里,我不记得书名。一个人在组织里,组织的平均智商是低于个体智商的,个体的智商更高一些,群体会拉平这个智商。比如说在微博里,微博上多了你的智商会降低,大家认同吗?你没有发现这个变化,因为你每天降低一点。很简单的,你每天在微博上说的话,你会发现跟大众越来越一致,别人在说什么,你也在说什么。

2.《科技想要什么》

凯文·凯利向我们介绍了一种全新的科技观。他认为,作为整体,科技不是由线路和金属构成的一团乱麻,而是有生命力的自然形成的系统,它的起源完全可以回溯到生命的初始时期。张小龙对原始人的生活方式充满兴趣,花工夫研究了人类的起源,人类为什么会直立行走,他还曾在知乎上提问:原始人用什么来剪指甲?广研内部对摇一摇有个专门的称呼:撸一撸。这是人类最原始的姿势,最原始的,体验往往是最好的。

为什么?张小龙说自己平时会非常留心观察三四岁小孩子,他发现他们很喜欢用iPhone与iPad,因为这两款电子产品很容易学,比如开机,虽然看不懂“滑动来解锁”,但因为触摸是人的天性,他们会下意识顺着箭头的方向用手指去滑动。“越简单,越原始,就越人性化”。

3.《乔布斯传》

在腾讯公司内部,张小龙被称为继马化腾之后的第二个超级产品经理,中国的乔布斯。微信4 .0推出时张小龙更新了微博签名:越简单,但越好。这是德国工业设计大师Dieter Ram崇尚的设计理念,也是乔布斯“至繁归于至简”的精神。4.0初期的朋友圈甚至没有滤镜,因为他认为:照片真实、不加修饰地反映生活即可。微信发展早期,一些创意常被竞争对手模仿,并进化出新功能,马化腾曾问张小龙:是不是要做细化,免得别人做了那些我们没有想到的功能。张坚决否定,他说:只有做到极简,才无法被超越。一位微信团队前成员透露,微信每个版本的设计,张小龙都会鼓励大家先做加法,再做减法,“现在你正在用的一个功能,很可能就是我们砍了 300多个功能后留下的。”他说。

微信的开机画面,起初做过许多方案,大家比较倾向于两个人站在地球前,张小龙坚持就一个人,否则无法传递这款应用的用意:人很孤独,所以需要沟通。朋友圈也是一款充满极简主义的产品,它的主色调是蓝灰色,这也是张小龙平时常穿的T恤以及广研办公室的色调。拍照片,按一下右上角相机按钮;写纯文本,长按右上角相机按钮即可,这一功能许多用户起初并不知道。“按住说话”的功能也是,说话时,其实按三秒就可以放开了。但张小龙从不说,也不担心用户不会用,“你去找,自然就能找到”。

4.《女人的起源》

以男性为中心的生物学家,则用人类起源于丛林并进化为以狩猎为生的肉食动物的学说,来证明女性无论在体力和智力上,都处于从属的地位。对此,《女人的起源》首次为女性在人类进化史中的平等地位据理力争。它开一代风气之先,力图解开人类,特别是女性的演化和起源之谜;而它提供的答案,则从女性的角度对人类的史前史做出了推测性的重构,极富革命性和破坏力。在张小龙的演讲里,他曾经向听众推荐这本书,他说:“如果你们对女性的心理研究不透彻的话,你就损失了一半的用户。”

5.《黑客》

Steven Levy这部经典力作的25周年版从20世纪50年代早期跨越到80年代后期,追述了计算机革命中初期黑客的丰功伟绩,他们都是最聪明和最富有个性的精英。他们勇于承担风险,勇于挑战规则,并把世界推向了一个全新的发展方向。本书更新了一些著名黑客的最新资料,包括比尔·盖茨、马克·扎克伯格、理查德· 斯托曼和史蒂夫·沃兹尼亚克,并讲述了从早期计算机研究实验室到最初的家用计算机期间一些妙趣横生的故事。在Levy的笔下,他们都是聪明而勤奋的人,他们极富想象力,他们另辟蹊径,发现了计算机工程问题的巧妙解决方案。他们都有一个共同的价值观,那就是至今仍然长盛不衰的“黑客道德”。

6.《异类》

在《异类》一书中,作家格拉德威尔对社会中那些成功人士进行的分析,让读者看到了一连串颇感意外的统计结果:英超联赛大部分球员都在9月至11月出生;比尔·盖茨和史蒂夫·乔布斯都出生在1955年;纽约很多著名律师事务所的开创者竟然都是犹太人后裔,并且他们的祖辈大多是在纽约的服装行业谋生。那些奇才异类,他们之所以神奇,得感谢机遇的眷顾。

不过,除了机遇之外,他们的成功还需要上辈人的文化熏陶。因此,从《异类》一书中,你能体会到机遇对成功是如此的重要。格拉德威尔为读者指出了成功之路的方向,但怎样把握这份机遇,每个人都需要仔细思考,毕竟,不同人拥有不同的机遇。在这本书中,张小龙最欣赏的则是“1万小时定律”,即一个人必须经过超过1万小时的训练才能达到一定的专业高度。

7.《信息简史》

现如今,信息如洪流般淹没了我们,使我们深陷信息焦虑、信息过载、信息疲劳的困扰。但回顾历史,这并不是件新鲜事,人们也总是能想出应对手段。维基百科 、Google便是我们的应对之一。无论对于信息的未来持何态度,有一点是确定无疑的,即我们人类是信息的造物。作为《混沌》、《费曼传》、《越来越快》、《牛顿传》等畅销书的作者,格雷克不仅在书中细致还原了历史细节,通俗解释了各种理论,还生动刻画了几位不为大众所知的人物:可编程计算机先驱、超越时代的查尔斯·巴贝奇,第一位程序员、诗人拜伦之女爱达·拜伦,计算机科学之父、天妒英才的阿兰·图灵,以及全书的主人公、信息论之父克劳德·香农。

8.《数字乌托邦》

20世纪60年代早期,在美国大众眼中,计算机只是冷战中冰冷的机器,然而到了90年代互联网到来之时,计算机却呈现出一个截然不同的世界——它们模拟出了一个数字乌托邦般的协同体,而这正是曾经最反对冷战的嬉皮士们的共同愿景。本书正是探索这次非同寻常,且颇具讽刺意味的变革的第一本书。作者挖掘出那些在旧金山湾区的先驱者——斯图尔特·布兰德和他的“全球网络”鲜为人知的故事。1968年到1998年期间,通过《全球概览》、“全球电子链接(WELL)”和最终取得巨大成功的《连线》杂志,布兰德和他的伙伴们长期扮演着旧金山嬉皮士运动和新兴科技聚集区硅谷的中间人的角色。正由于他们富有远见的努力,反主流文化分子和科技人士一同重新定义了计算机的形象:计算机是解放自我的武器,计算机建筑了令人耳目一新的虚拟社区,计算机还让人们能更大胆地拓展社会的新疆界。

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