“共享别墅”！ 你可能不知道，未来的房子的另外一种形态： Ten Fold 只需10分钟， 一套别墅就平地而起 近日，英国 Ten Fold Engineering公司开发了一套模块化房屋，它可以自动展开并部署房屋结构。整个过程不需要房屋建筑商介入，也不需要打任何房屋地基。 其实，这个模块化房屋就是大大小小的集装箱。而集装箱内所有的内部配件和固定装置都会预先安装，更重要的是这个模块化系统是可逆的，这就意味着它同样可以通过折叠回单元箱之后移动位置。 它可随车移动！ 想在哪里住， 就把车开到哪里！ 它可折叠变形！ 轻轻按下一个键， 犹如变形金刚！ 房间里的设施， 也全都是折叠的 空间宽敞， 住一家人不是问题 各种装修风格都有， 家具一应俱全。 Ten Fold 很实用， 室内空间也可以自由变换。 变两间大套房 亦或是两居室豪华家庭套房 变4个小房间 4个小房又秒变会议室 如果你觉得一个完全不够用，那就再叠加一层。 两层还不够的话，连成排拼出个大酒店给你。 如今， Ten Fold 不单单是作为可移动可折叠的“共享别墅”，它还可以根据需要定制不同的款式。 浪漫小屋 ▼ 流动医院 ▼ 便利店 ▼ 展览馆 ▼ 最重要的是，Ten Fold 还拥有完善的水电系统。不仅内置了蓄水箱，还可以外接水管。 无论你在沙漠还是偏僻的地方，都能用到电！而电力则是由太阳能面板提供。 看到这种类似变形金刚的别墅，你是不是也感兴趣？首先你得有块地！ 其次，它的价格并不便宜，标价是10W英镑起！ 创新！ 靠谱众投 kp899.com：您放心的投资理财平台，即将起航！ ...
一、品类战争 上周，公众号“琢磨事”发了一篇真正从市场角度剖析“智能音箱”的文章《299的小米AI音箱会为市场带来什么？》。 其中提到，关键问题是：你是要树立一个新品类和新品牌，还是要替代一个已有的市场进行升级？（品类的定位，同时就意味着你要打的是谁） 根据智能音箱现状，我大概梳理了如下6个不同的 “品类” 属性，或者说 “本质价值” 属性（当然，一个音箱，可以同时有多个属性特点）： 1、低端蓝牙音乐音箱。本质是听歌，但面向中低端客户，价格低。例如小米AI音箱。 2、高端音乐音箱。本质还是听歌，但更强调音质等发烧友需求，价格高。例如LIBRATONE等（可类比苹果做智能手表的姿势）。 3、有声内容音箱。本质是为了听有声内容。例如傅盛和喜马拉雅做的小雅AI音箱。 4、购物音箱。本质是为了方便（刺激）购物。例如阿里的天猫精灵X1。 5、家居音箱。本质是为了操控智能家居。例如小米AI音箱。 6、AI助理音箱。本质是为了成为私人生活助理。例如亚马逊Echo（其实还兼具了1、4、5），不过目前用户用的最多的还是备忘功能，其他的不是少，是非常少。 这6个方向，个人判断是： （1）低端蓝牙音乐音箱，是目前最可能起量的品类 不过中国用户对“音箱”的需求，整体还是没有美国普遍；原因，大家也都会提到：美国房屋空间大，有Party文化，厨房大，而且一般做面包，不炒菜，噪音更小，另外，美国人为音乐内容付费的习惯也更普遍。 从2到5，都很难达到船票线（几百万级别）。 相对来说，有声内容方向（“小雅”），可能会好一些，因为已经有一定的刚需、粘性和用户量。而且傅盛团队死磕了一些产品体验细节，详见《傅盛：人工智能的破局点是技术和产品结合 | 猎户星空发布小雅语音》；我看了后，还是很佩服的，因为很多都属于看起来“说大不大、说小不小”，但又“费时费力，还不一定能攻克”的feature。估计在相对的产品体验效果上，小雅应该会不错。 其他3个不那么看好的原因是： （2）高端音乐音箱，还是相对小众 （3）购物音箱 用户尝鲜还是有兴趣的；但能否形成用户粘性，暂时存疑。因为—— 1、低频。有些购物需求场景，触发场景并不是在家里，比如突然需要给手机充话费了，不可能等回到家里再用音箱语音充值。类似这种，会使很多feature更加低频，而低频意味着，很难在用户心智中形成“我要用智能音箱来满足XX需求”的习惯认知；这和当年语音助手是一样的，比如查百科“姚明的身高”这种，非常好用，但用户就是想不起来用。 2、对话式的产品体验和技术能否work，也是个问题。 3、至于学习用户习惯、动推荐购物（复购）等，更多是美好的愿景描述，现阶段还不能完全落地。 （4）家居音箱 中国用户，对“操控智能家居”的需求和时机，比不上美国。 一方面，美国房屋的智能化程度更高，房屋建造标准更规范；另一方面，美国人的智能设备更多，用音箱操控的需求相对更强。当然，国内的小米会好一些，但至少目前，拥有那么多小米智能设备的人还是从业者和发烧友，绝对数量不会太多。 （5）AI助理音箱，是终极形态，会吞噬其他的形态，但还需要时间。 二、未来形态 很多文章也说，这么多巨头涌入，目的是为了抢入口。虽然他们心里也知道，目前还没想清楚——现在的智能音箱，还不是最终的产品形态。但是，他们也知道，如果现在不让团队去练手，等有人先想清楚时，就连参战的机会都没了。 那么，如果AI助理音箱是未来方向，其理想形态会是怎样的呢？ 很可能会是RoBoHoN那种 “迷你人形机器人”。其产品效果，详见我之前的文章《AI产品视频讲解 | RoBoHoN_最有爱的手机机器人》。 不过，“迷你人形机器人”也很难一蹴而就，不论NLP技术，还是双足人形机器人的硬件/交互/OS标准，都还没足够成熟。 所以，在“小型人形机器人”之前，可能会有2~3个过渡形态。其中一个是“带屏”（亚马逊在做），其他的，暂且不说。 三、认知源头 为什么看好“迷你人形机器人”呢？这背后，和几个AI认知相关： 1、AI的核心差异化价值，不是在头部/高频/刚需场景，而是在长尾场景。甚至一旦用户主动开口说“我要XXX”，你（AI）就已经输了。 2、AI的核心差异化方向，不是效率最优，而是情感最优。并且，人的决策，更容易受到感性影响，而非理性。（注：人类不寻求实现决策的最优化，而是采取令人满意的结果就够了。 ——诺贝尔奖获得者Herb Simon） 3、情感表达，仅靠语言文字远远不够，长期来说，会是我们图灵机器人一直在提的“多模态交互”。（注：梅拉比安模型，感情表达＝内容7%+语调语气38%+表情肢体语言55%） 4、对AI的理解，不能太偏 “软”。目前看，行业对“端（硬件）”的价值，特别是对机器人的本质认知深度是不够的。 写了这么多，其实也不是为了一个“答案”（我本身也不是智能音箱方面的专家），而是希望AI行业的讨论，能够既接“地气”（市场打法），又接“灵气”（有认知理念源头）。 这2点，也是“AI产品经理”相对“互联网产品经理”，更需要重视的。因为在我看来，对AI产品的理解，靠“（蛮力）思考”是没用的，更需要自然“涌现”出来的认知。 所以还是回到那一点，现在AI行业要落地，真正的瓶颈是AI产品经理。 注：数据、算法、算力等等，都是AI落地的必要条件，但还不是充分条件。 “AI产品经理重要”是因为，目前AI技术虽然不能说完美，但至少不影响产品经理们去做demo原型和验证工作。甚至，要想完全由技术来实现一个完美的AI架构，可能是不现实的，反而需要AI产品经理从实际的场景和用户反馈出发，反过来给技术、模型和算法提出建议，倒逼其优化。 靠谱众投 kp899.com：您放心的投资理财平台，即将起航！ ...
编者按：本文原作者是Erik Brynjolfsson和Andrew McAfee。Erik是麻省理工数字经济学专业负责人，麻省理工学院斯隆管理学院管理学教授以及NBER研究顾问。他的研究方向是信息技术对商业战略、生产效率和性能、数字经济和无形资产的影响。Andrew则是一名重要的麻省理工学院研究员，研究数字技术如何改变商业、经济和社会。 250多年来，技术创新是经济增长的根本动力。其中扮演最重要角色的是经济学家所说的通用技术，例如蒸汽机、电力和内燃机。每一次通用技术的兴起都推动了新一轮的创新浪潮。例如，内燃机促进了汽车、卡车、飞机等的出现，进而又催生了大型零售商、购物中心甚至新的供应链。而诸如沃尔玛、UPS和Uber这样的多样化公司又利用相关技术创造出了有利可图的新商业模式。 我们这个时代最重要的通用技术就是人工智能，特别是机器学习。所谓机器学习是机器无需人类的具体指令就可以不断提升其性能。在过去几年中，机器学习已经变得更加高效，并被广泛的使用。现在我们可以构建出能够自我学习如何执行任务的系统。 为什么这很重要？两个原因。首先，我们人类的认知水平是有限制的，很多事情是我们无法解释的，比如如何识别人脸或者如何决定在围棋对赛中的下一步。在机器学习之前，这种无法表达出自己认知的现象导致我们无法将许多任务的执行自动化。但是现在有了机器学习的帮助，我们可以做到这一点。 其次，机器学习系统往往是非常优秀的学习者。他们可以在大规模活动中获得惊人的表现，比如监测欺诈或者诊断疾病。机器学习系统正被广泛部署在整个经济体系中，其影响将是深刻的。 在商业领域，AI在早期通用技术的规模上有着革命性的影响。虽然它已经被世界各地数千家公司所使用，但是绝大多数潜能还尚未被挖掘出来。随着制造业、零售业、交通运输业、金融业、医疗保健业、法律业、广告业、保险业、娱乐业、教育业等各行业转变核心流程和商业模式，充分利用机器学习，AI效应将会在未来数十年内被放大。目前的瓶颈在于管理、实施和商业构想方面。 但是，像许多其他新技术一样，人工智能已经产生了许多不切实际的期望。我们可以看到很多商业计划都涉及了机器学习、神经网络等技术，但实际上却没有什么联系。例如，一个号称使用AI技术的约会网站并不会让约会过程更加高效，提出AI可能只是为了方便融资。本文将抛开不切实际的成分，来深究AI真正的潜力，探寻它的实际意义以及可能遇到的障碍。 如今要如何面对？ 人工智能一词是由达特茅斯大学数学教授John McCarthy在1955年创造出来的，他于次年组织了有关AI的学术性会议。从那以后，也许是因为这个吸引人的名字，AI领域已经被给予了太多的期望。1957年，经济学家Herbert Simon预测，计算机将在10年内在国际象棋比赛中击败人类。（实际上花费了40年。）1967年，认知科学家Marvin Minsky认为只需要一代人，创造人工智能的问题将会得到实质性的解决。虽然Simon和Minsky都是顶尖的科学家，但是他们对AI的认知却是错误的。所以当他们提出这种夸张的预测时，遇到了一定程度的质疑。 让我们先来看看AI目前所做的事情，以及提升的速度。目前AI在两个方面获得了巨大突破：感知和认知。感知方面，已经有一些实际性的进展。虽然语音识别还远远算不上完美，但是现在已经有上百万人正在使用，例如Siri、Alexa和谷歌助手。现在你所看到的文字就是通过语音录入计算机，并以一定的精度进行转录，从而比打字的速度更快。斯坦福大学计算机科学家James Landay及其同事进行的一项研究发现，语音识别平均要比手动输入快到3倍。而曾经8.5%的错误率也下降到了4.9%。更令人震惊的是，这一重大性能提升并不是从过去十年开始发生的，而是从2016年夏天开始的。 图像识别也得到了显着提升。你可能已经注意到，Facebook等应用现在可以从照片中识别出人脸，并会有提示你贴上人名标签。运行在智能手机上的应用几乎可以识别出所有的野生鸟类。图像识别甚至取代了一些公司总部的身份卡。过去，用于自动驾驶汽车的视觉系统在以30帧的频率识别行人时会频繁出现错误；而现在这一数字提升到了3000万，识别错误率也不断下降。用于识别图像的大型数据库ImageNet拥有数百万张各种常见与不常见的图片，它的错误率从2010年的30%以上降至2016年的4%。 由于采用了基于更多更深的神经网络方法，近年来性能提升速度正在加快。虽然视觉系统的机器学习方法仍然没有达到完美程度，但是它们却能比人类更精确的识别出图像的差别。 第二类重大突破主要在认知和问题解决上。现在机器已经战胜了最好的扑克玩家和围棋玩家，而此前专家们预计至少需要十年时间才能达到这一程度。谷歌的DeepMind团队使用机器学习系统将数据中心的冷却效率提升了15%，虽然机器学习系统仍然是由人类专家进行优化的。网络安全公司Deep Instinct正在使用智能代理来检测恶意软件，并通过PayPal防止洗钱。新加坡一家使用IBM技术的保险公司可以实现自动索赔，而数据科学平台公司Lumidatum的系统可以提供及时建议，改善客户支持。华尔街几十家公司正在使用机器学习来决定交易，越来越多的信贷决策都是在它们的帮助下完成的。亚马逊通过部署机器学习系统来优化库存，并改善向客户提供的产品建议。Infinite Analytics开发的机器学习系统可以预测用户是否点击特定广告，改善在线广告的展示位置，改善在线零售的客户搜索和发现流程。 机器学习系统不仅在许多应用中替代旧的算法，而且在人类曾经最擅长的任务中表现优越。虽然这些系统远未达到完美程度，但是它们的错误率只有约5%，性能高于人类。即使在嘈杂的环境中，语音识别也几乎达到了人类的水平。这也为工作和经济的转变提供了巨大的可能性。一旦AI系统在给定的任务中超越了人类的表现，它们就会很快占领这一领域。例如，无人机制造商Aptonomy和机器人制造商Sanbot正在合作使用改进的视觉系统将保安工作实现自动化。软件公司Affectiva正在使用AI系统来识别出对照组中的喜悦、惊讶和愤怒情绪。深度学习创企Enlitic利用AI系统扫描医学图像来帮助诊断癌症。 以上都是非常令人印象深刻的成就，但是这些AI系统的适用性仍然是狭义的。例如，它们在ImageNet数据库上的卓越表现，并不总是出现的，其中照明条件、角度、图像分辨率等都会导致结果的不同。更简单的一个例子是，它们可以将一篇中文文章翻译成英文，但是却不知道具体汉字的意思。如果有人出色的完成了一项任务，我们一般会认为这个人也可以出色的完成类似任务。但是机器学习系统往往是被训练完成特定的任务，所以它们的知识并不具有一般性。对于计算机狭义理解必然包含广义理解的这一谬误可能是人工智能发展过程中最不切实际的说法。现在的机器还远未达到能够跨领域执行任务的程度。 理解机器学习 关于机器学习有一点是最重要的：机器学习代表了一种完全不同的软件创建方法。机器从示例中自我学习，而不是针对特定结果进行明确的编程。这也是在以往做法上的重大突破。在过去50年的大部分时间里，信息技术及其应用的进步都是编码现有的知识和程度，并将之嵌入到机器中。实际上，“编码”这个术语就是表示将开发人员大脑中的知识转变成机器能够理解和执行的形式的过程。这种方法有一个根本的弱点：大多数知识都是默认的，我们无法完全解释它。我们几乎不可能编写出如何让一个人学习骑自行车或者识别人脸的程序。 换句话说，很多事情是我们无法描述的。这个事实是非常重要的，它被称为波拉尼悖论（Polanyi's Paradox）。哲学家和博学者Michael Polanyi在1964年的时候提出了这一悖论。波拉尼悖论不仅限制了我们对事情的描述，也限制了我们赋予机器智能的能力。很长一段时间，波拉尼悖论也限制了机器在经济中更有效地发挥作用。 但是机器学习克服了这些限制。在第二次机器时代的第二次浪潮中，人类所构建的机器正在从示例中自我学习，并使用结构化的反馈来解决问题。 机器学习的不同之处 人工智能和机器学习有很多相同的地方，但是近年来大多数成功的例子都是在监督学习系统。在这一系统中机器被给予了许多特定问题正确答案的例子。这个过程几乎就是从一组输入X到一组输出Y的映射。例如，输入可能是各种动物的图片，正确的输出可能是这些动物的标签：狗、猫、马。输入也可以是声音波形，输出可以是“是”、“不”、“你好”、“再见”。 成功的系统通常会使用拥有数千甚至数百万个示例的训练集，其中每一个示例都被标记上了正确答案。系统还会不断的加入新例子。如果训练能够顺利进行，那么系统的预测将会具有高准确率。 驱动这种成功的算法依赖于一种被称为深度学习、使用神经网络的方法。深度学习算法比早期的机器学习算法具有显著的优势：它们可以更好地利用更大的数据集。随着训练集中示例数量的增加，旧系统的性能将会得到提升，但是这一提升是有限度的，因为新加入的数据并不会导致更好的预测结果。AI领域的巨头吴恩达认为，深度神经网络不应该是这样的结果，更多的数据应该会得到更好的预测。有一些大型系统会使用3600万甚至更多个示例进行训练。当然，使用极大的数据集则需要更强大的处理能力，这也是大型系统为什么会运行在超级计算机或专用计算机体系结构上。 通过大量行为数据预测数据就是监督学习系统的潜在应用。主管亚马逊消费者业务的Jeff Wilke认为，监督学习系统已经在很大程度上取代了基于记忆的滤波算法。在其他情况下，用于设置库存水平和优化供应链的经典算法已被基于机器学习的更有效和更稳定的系统所替代。摩根大通引进了用于审核商业贷款的系统，以往需要贷款审核人员花费36万小时完成的任务只需要短短几秒钟就可以完成了。此外，监督学习系统也被用于诊断皮肤癌。 标示一组数据并用它来训练监督学习系统是比较简单的，这就是为什么监督学习系统要比无监督学习系统更加常见。而无监督的学习系统则依赖于自我学习。我们人类就是优秀的无监督学习者。我们所接收的大部分知识都是没有标示的数据。但是要想开发出成功的无监督机器学习系统却是非常困难的。 如果我们可以打造出稳定的无监督学习系统，那就会开启无数的可能性。这些机器可以以全新的方式来看待复杂的问题，帮助我们找到人类不了解的事物内部模式。 该领域另一个虽小但不断增长的部分是强化学习。这种方法被嵌入到了Atari游戏视频和围棋比赛中。它也有助于优化数据中心的电力使用，并为股市制定交易策略。Kindred创造的机器人使用机器学习来识别和排序他们未曾见过的物品，并加快消费品配送中心的分拣过程。在强化学习系统中，程序员指定系统的当前状态和目标，列出可允许的操作，并描述限制每个动作结果的环境要素。通过使用经过允许的操作，系统可以找到最接近目标的方式。这些系统也可以处理人类能够指定目标但不一定需要亲自操作的任务。例如，微软使用强化学习来选择MSN.com新闻报道的标题，当链接被更多的访问者点击时，会给予系统一个更高的分数。系统会在设计师给予的规则的基础上尽可能的最大化分数。当然，这也意味着强化学习系统会以你明确奖励的目标为优先，而不一定是你真正关心的目标（比如客户终身价值），所以正确且清楚的制定目标是至关重要的。 将机器学习应用于工作 对于希望使用机器学习的公司来说，这里有三个好消息。第一，AI技术正在迅速普及。目前数据科学家和机器学习专家是非常稀缺的，但是网络教育资源和大学教育正在填补这一需求。其中最好的在线培训（比如优达学城、Coursera和fast.ai）不仅仅在教授入门概念，他们也在让聪明积极的学生达到能够创造工业级机器学习部署的水平。除了培养自己的员工，一些对AI感兴趣的公司正在使用诸如Upwork、Topcoder和Kaggle等在线技能平台寻找具有专业技能的机器学习专家。 第二，现在可以根据需要购买或租赁必要的算法和硬件。谷歌、亚马逊、微软、Salesforce等公司正在通过云架构建立强大的机器学习框架。这些竞争对手之间的竞争将会创造出更多更好更强大的机器学习功能，让众多想要部署机器学习系统的中小公司受益。 最后一个好消息是，你可能不需要所有的数据就可以高效的利用机器学习。由于大多数机器学习系统都经过了大量数据的训练，其性能有了很大的提升。当然，这也意味着拥有最多数据的公司将会成为最后的赢家。这里的“赢”是指在单一应用的全球市场占据主导地位。但如果是指拥有显著提升的性能，那么只需要有足够的数据就可以很容易的实现这一目标。 例如，Udacity的联合创始人Sebastian Thrun表示，他的一些销售人员在回复聊天时要比其他人更加高效。Thrun和他的研究生Zayd Enam意识到，他们的聊天日志本质是就是一组被标示的训练数据，完全就是监督学习系统所需要的。有互动的被标示为成功，其他的则标示为失败。Zayd使用这些数据来预测成功的销售人员可能会对某些非常常见的查询做出响应，然后与其他销售人员分享这些预测，以推动他们更好的表现。经过1000个训练周期，销售人员的效率提高了54%，一次可以服务两倍的客户。 AI创企WorkFusion也是采用了类似方法。它与众多公司进行合作，提升了诸如国际支票支付和金融机构大型交易处理等后台流程的自动化水平。这些流程尚未自动化的原因是很复杂的，因为相关信息并不总是以相同的方式呈现，有些解释和判断是必要的。WorkFusion的软件可以在后台匹配从业人员的工作，使用他们的操作行为作为分类认知操作的训练数据。一旦系统对分类过程具备足够的信心，它将接管整个过程。 机器学习正在推动三个层面的变革：职业，业务流程和商业模式。以职业为例，通过使用机器视觉系统来识别潜在的癌症细胞，可以将放射医师解放出来，让他们专注于真正关键的病例，专注于和病人的交流，专注于和其他医师的协调。业务流程方面，亚马逊通过引入基于机器学习的机器人和优化算法，对物流中心的工作流和布局进行了改造。商业模式方面，则是利用机器学习个性化智能推荐音乐或电影。不再以消费者选择为基础销售单曲，而是提供根据预测个性化用户播放列表的订阅服务进行销售。 请注意，机器学习系统并不能替代完整的工作、流程和商业模式。大多数情况下，它们是作为人类活动的补充，让我们的工作更有价值。新形势下最有效的分工规则并不是“把任务都丢给机器完成。”而是让机器去处理可以自动化完成的步骤，剩下的具有价值的部分由人类来完成。例如，优达学城的聊天销售支持系统并不是接管所有对话的机器人，相反，该系统会给销售人员提出建议如何提高效益。整个系统仍然由人类来负责，但是会变的更加高效。这种方法通常也比包揽一切的机器更为可行。它可以给参与者带来更好更满意的工作，并最终给客户带来更好的结果。 设计和实施结合了技术、人类技能和资本的系统需要经历大量的创意思考和计划。而这是机器所不擅长的地方。 风险和局限 第二次机器时代的第二次浪潮带来了新的风险。特别是机器学习系统通常具有很低的“可解读性”，这意味着人们难以确定系统是如何完成决定的。深度神经网络可能拥有数亿个连接，每一个连接都参与了最终的决策。因此，这些系统的预测往往无法用简单明了的语言进行解释。不像人类，机器并不能很好的讲述故事。他们无法给出接受或拒绝申请人的理由，无法给出推荐某种药物的理由。具有讽刺意味的是，即使我们已经开始克服波拉尼悖论，但是我们面临着一个逆向版本，即机器知道的比它能描述的多。 这造成了三种风险。第一，机器可能具有隐藏的偏差，这不是来自于设计师的意图，而是来自于用于训练系统的数据。例如，如果一个系统可以通过使用过去人力资源员工做出的决策数据来学习接受哪些求职者进行面试，那么它可能会无意中形成对种族、性别等的偏见。此外，这些偏见虽然不会作为一个明确的规则出现，但是却会嵌入在数千个因素的微妙交互中。 第二个风险是，与基于明确逻辑规则的传统系统不同，神经网络系统处理的是统计事实而不是文字事实。这可能难以完全确定该系统可以在所有情况下都能正常处理，特别是在训练数据没有提供的情况下。缺乏可验证性会成为关键任务应用中的一个问题，比如核电厂控制，或者涉及生死攸关的时刻。 第三，当机器学习系统发生错误时，出错是几乎不可避免的，而诊断和找到具体出错位置是很困难的。得出解决方案的基础结构可能是难以想象的复杂，如果系统训练的条件发生了变化，那么解决方案则不是最优化的。 虽然所有这些风险都是真实存在的，但是我们想要的并不是完美的标准，而是最好的替代方案。毕竟，我们人类也是有偏见的，也会犯错，有时也无法解释某个决定是如何达成的。基于机器的系统的优点是，随着时间的推移，它们可以得到改进，并且在呈现相同的数据时会给出一致的答案。 这是否意味着人工智能和机器学习是没有限制的？感知和认知涵盖了很多领域。我们相信，在大多数灵越，AI将会很快达到超人的水平。那么AI和机器学习有什么是无法做到的呢？ 我们有时会听到“人工智能无法很好地评估具有情感、狡猾的人类，它们是没有人性的。”我们不同意这一观点。像Affectiva那样已经处于或超过人类表现的机器学习系统，可以根据声音或面部表情来辨别人的情绪状态。而其他系统在面对世界上最优秀的扑克玩家时，也能在最复杂的德州扑克比赛中击败他们。准确的阅读一个人是一件很微妙的工作，但不是什么魔术。它需要感知和认知的协作，而这正是机器学习最擅长的领域。 毕加索认为计算机是无用的，因为他们只会给你答案。这套用到现在AI也很适合。实际上鉴于机器学习的惊人表现，它们是非常有用的。但是毕加索的想法给我们提供了另一个角度。计算是用来回答问题的工具，而不是提出问题的设备。 同样，被动评估某人的精神状态或士气与积极改变之间存在着巨大差异。机器学习系统非常擅长前者，但是在后者却仍然远远落后于我们。我们人类是一个具有深刻社会性的物种，非常擅长于利用同情、骄傲等来达到激励和启发的目的。2014年，TED大会和XPrize基金会宣布将会给予第一个登上TED舞台、并能赢得观众起立鼓掌的人工智能奖励。估计这个奖项很快就会被领走。 我们相信，在这个机器学习超级强大的新时代，人类面临着两个方面的问题：弄清楚下一步需要解决什么；说服很多人解决问题提出解决方案。 很快，思想和机器之间的分裂状态将会结束。仍然保守成见的公司将会发现自己落后于拥抱机器学习的竞争对手。 技术进步带动了商业世界的构造变化。与蒸汽时代和电器时代一样，那些不愿意接触新技术的人将会在新的技术潮流中落败下来。相反，那些持有开放思想的创新者将会看到过去的限制，提出创新的想法，并付诸实践。机器学习最大的遗产之一可能就是创造出新一代的商业领袖。 我们认为，人工智能，特别是机器学习，是我们这个时代最重要的通用技术。这些创新对企业和经济的影响不仅体现在它们的直接贡献中，还体现在引导创新的能力上。通过更好的视觉系统、语音识别、智能解决方案等，将会创造出全新的产品和流程。 一些专家想的更深。现任丰田研究所的负责人Gil Pratt将目前的AI技术潮流比作5亿年前的寒武纪大爆发，后者创造出了大量新的生命形式。在未来一段时间内，我们将看到大量新产品、服务、流程和组织形式的出现，也会看到大量事物的消失。 虽然很难预测哪些公司将在新的环境中占据主导地位，但是有一点是明确的：适应性最强的公司将会蓬勃发展。那些能够快速感知和抓住机会的组织将会在AI创造的世界中占据优势。所以成功的策略就是愿意尝试和学习。如果主管没有尝试过机器学习领域，那就说明他没有做好本职工作。在接下来的十年中，AI不会取代到管理人员，但是那些使用AI的管理人员将会淘汰掉那些没有使用AI的人。 靠谱众投 kp899.com：您放心的投资理财平台，即将起航！ ...
零售巨头亚马逊试图利用增强现实技术（AR），让消费者购买前在家试戴珠宝、试用家具。 编者按：网购中，无论是商家还是消费者，最讨厌的都是退货。亚马逊获得了两项专利，让消费者利用AR技术在家中安心购物，免于退货之忧。本文编译自cbinsights上发表的文章“Amazon Patents Point To AR Tech For Home Try-On”。 最近，亚马逊收购美国有机商品超市Whole Foods的举动震撼了整个零售界。此举被广泛认为是亚马逊扩大实体零售业务、增加分销渠道的行为。同时，7月27日授予的两项专利表明，亚马逊正在考虑利用增项现实技术，来超越实体零售商仅存的优势——即让消费者在购买前试用。 第一项专利名为“增强技术展示”（Augmented Reality Presentation），意味着利用电子商务网站的产品数据，生成高度逼真的AR图像，包括珠宝、眼镜、手表和家具。该专利认为，让消费者在购买前“试用”产品能够减少退货（多数在线零售商的主要支出项）、减少“维护店面的后勤事务和成本”。用摄像头和传感器来追踪消费者及其所在环境，并移动物体，创造“穿戴”体验。 为了增强图像的真实感，该专利甚至提出在AR图像中制造反射面。例如，如果在AR环境下呈现表盘或电视屏幕，它将用传感器捕捉周围环境影像，再结合反射面形成玻璃或屏幕。换句话说，用AR技术看一台电视，电视屏幕也能像现实生活中一样，几乎准确地反射出消费者本人和房间的其他部分。 第二项专利名为“利用光线投射物品形象”（Forming a Representation of an Item With Light），是一个能够将产品图像投射到房间中的系统。如此一来，消费者就能在购买前看到家具等物品的外观。根据专利表述，该系统能够（1）省去消费者测量物体、空间的精力（2）降低退货率。 此前，亚马逊已经提交了投映家具影像的专利申请，最新的第一项专利则更关注服装和配饰。亚马逊正在迅速扩大时尚业务，目前支持了8家独立时尚品牌。同时，亚马逊还推出了智能时尚助手Echo Look，通过视觉服务观察用户的着装并提出意见。 消费者在家中视觉试用产品，就能够不去实体店考察，安心购买亚马逊自营在内的一些陌生品牌。这些专利表明，亚马逊虽然在某些领域推进实体店，但也在考虑通过让消费者在家实况购物，来拓展电子商务业务。 原文链接：https://www.cbinsights.com/research/amazon-augmented-reality-home-try-on/ 靠谱众投 kp899.com：您放心的投资理财平台，即将起航！ ...
鼻涕虫这么弱小的东西，在地球上活了这么久，一定有它的独门绝技；受鼻涕虫粘液启发研发的组织胶可以修补猪心和阻止大鼠肝脏继续出血。 一项新的研究表明，一类全新的组织胶可以修补被刺破的猪心。这种组织胶被称为Tough Adhesives，这类新组织胶未来有一天可能可以帮助修补人体难以抵达的部位。到目前为止，研究人员主要在血液覆盖的皮肤上测试这种组织胶，并发现其成功修补了一颗猪心。 这项研究表明，组织胶未来可能可以安全有效地修复创伤、手术等留下的内部切口。现在，患者的选择非常局限于缝合线和缝合钉，这在使用难以达到的内部位置方面具有挑战性。医疗超级胶只能在干燥的皮肤表面发挥作用，另外由于具有毒性不能在体内使用。 根据周四在《科学》杂志上发表的一项新研究，哈佛大学科学家团队开发的这些新型Tough Adhesives可以保持粘稠，即使在潮湿的环境中也是如此。它们对人体细胞无毒。这是设计用于人体内部组织胶的关键。研究人员使用他们的Tough Adhesives成功地修补了一颗猪心。同时这种组织胶也阻止大鼠肝脏继续出血。 研究人员实际上并没有使用鼻涕虫粘液中的任何分子。相反，他们使用了类似和直观的设计策略：将粘性成分与可以拉伸和承受移动体施加的应力的东西混合。粘性成分是已经存在的成分，如你在胶囊中发现的明胶或是虾壳中发现的化合物和两个合成分子。（研究人员发现虾壳分子的粘性最强） 对于可拉伸的吸震材料，研究人员使用了一种称为水凝胶的东西。研究人员通过分层这两种成分创建了几种不同版本的hydrogel。它们甚至可以几分钟在血腥的表面上变干，可以承受来自心脏收缩的力量。 靠谱众投 kp899.com：您放心的投资理财平台，即将起航！ ...
摘要：工作繁忙的潮爸潮妈们，往往没有太多时间去商场为孩子选购童装。于是，这家童装电商想到了一个办法，通过订阅服务定期向用户寄送童装，让用户可以在家先试穿后购买。 80、90后的新中产爸妈，正在成为童装消费的主要人群。他们有着较高的可支配收入，愿意花钱给孩子更好的；他们热爱分享，晒娃是生活中不可缺少的一部分，而一身潮童穿搭则是晒娃前的必备。 在为孩子购置童装时，材质和舒适度是爸妈最为看中的，所以比起线上，他们更倾向与去线下购买看得见摸得着的实物，来确保品质。 不过，工作繁忙的潮爸潮妈们，往往没有太多时间去商场为孩子选购童装。于是，这家童装电商想到一个办法，通过订阅服务定期向用户寄送童装，让用户可以在家先试穿后购买。 小鹿森林创始人肖冰影介绍，之所以会创立此童装模式，是因为看到了在美国日渐成熟的服装订阅模式，女装有Stitch Fix，童装有Rockets of Awsome。 他们都是通过订阅机制来满足用户的便利性需求，依靠个性化的搭配推荐促进购买，提高购买率，在不断优化智能推荐的过程中建立起竞争壁垒。 相对于国内女装来说，童装市场还不饱和，有很大的市场空间。 《2012－2016年中国高端童装行业市场需求与投资预测分析报告》显示，目前中国有2亿0—14岁儿童，童装市场规模达到2000亿元人民币。与巨大的市场体量相对的，是高度分散的童装品牌。在国内，排名前十的品牌的市场占有率仅为11％。 在2000亿元的市场规模中，2－6岁的小童服装市场占到了47％。 一方面，这个年龄段对童装有着较高的购买频次。一个孩子在成长过程中每半年就需要换一次童装尺码，而且由于换洗频率高，折损也会更快，每年需求的童装件数较多。 另一方面，中高端童装类目与渠道相对缺乏。传统电商大多专注与100元以下的童装，而中高端童装品牌与平台则相对缺乏。目前在国内童装市场，低端小童服装（低于100元）占到了38％，而中高端小童服装（100－500元）只占到9％。 此外，80、90后的新中产爸妈很多都有海淘童装的习惯，注重生活美学，对便利性、个性化服务较为看中，所以更能接受童装订阅这种模式。 在肖冰影看来，订阅这种模式相对传统电商模式用户粘性更强。首先，收取年费的方式可以让平台一次获客，其次，选择订阅模式的用户主要是以便利性为驱动的群体，相比以价格为驱动的用户更具忠诚度。 靠谱众投 kp899.com：您放心的投资理财平台，即将起航！ ...
谷歌前高管Mary Lou Jepsen希望通过简单的滑雪帽将心灵感应加入到你的技术需求清单中。Jepsen说：“我找到了将价值数百万美元的核磁共振机缩小嵌入类似滑雪帽的可穿戴设备的方法。” 那么，她是如何实现的呢？可能性又有多大呢？ Jepsen表示：“如今的核磁共振技术已经可以实现窥探想法，如果我把你放进一个核磁共振机中，我可以知道你即将要说什么，你在想什么样的图像，我也可以知道你在想什么音乐。这就是现在技术所能达到的，而我想说的是将设备缩小。” 多年来，这项技术已经成功的通过CIA以及众多大学实验室的测试。 1953-1973年间，CIA参与了各种针对苏联政治家的项目，比如心灵控制和阅读、遥视等。然而，这些实验都是在非自愿的受试者身上完成的。由于当时的CIA局长Richard Helms下令销毁了所有记录，那些测试的官方数字仍然是未知的。 50年后，这些被称为黑科技的技术重新出现，而这一次则是面向公众消费市场。比如可以通过你的思想进行远程控制的无人机和机器人。现在已经有国家在测试使用这项技术来让士兵们控制机器人，而且这个名单上的国家仍在不断增长。 Jepsen并不是唯一个尝试推动读心技术的硅谷专家。今年早些时候，Elon Musk创办了Neuralink，这家公司希望能够将我们的大脑和计算机融合起来。 Jepsen说：“Elon Musk所说的是利用硅纳米颗粒进入血管中，来让我们变成某种程度的半机械人。但是为什么不采取非侵入式的方法呢？一直以来我都在想实现这种方法，所以最终我决定离开Facebook。” 不过，谷歌曾被指控数次侵犯隐私，包括将信息移交给国家安全局，所以尽管Jepsen表示这是非侵入式的，但我们不能太过于相信她的话。 2014年哈佛大学的科学家曾经通过大脑将图片从印度发送到法国，而这有可能被政府部门用来创造一个奥威尔式的社会。正如Truthstream传媒的Melissa Dykes在去年的达沃斯论坛上所说的，精英们都在讨论是否未经允许就将大脑解码技术纳入法律体系。 这已经不是技术是否会被滥用的问题了，而是何时被滥用。每个人的大脑中都应该拥有自己的安全空间，不受外界的批评。更不用说去实施一种可能会被黑客利用的技术了。也许我们正在迈入类似少数派报告那样的世界。 靠谱众投 kp899.com：您放心的投资理财平台，即将起航！ ...
近期，诊所潮在中国一线城市掀起，数量越来越多，规模越来越大，但医生来源与盈利模式仍然困扰创业者，资本也大多持观望态度。 近日，以“共享医生”模式杀入基层诊所的大医汇，宣布一期总投资2亿元建设诊所。该诊所近似一间小型医院，共设置11大类临床专业科室、23个临床科室、1个体检中心、146间诊室和5间日间手术室，可接受2000名医师入驻执业。 大医汇创始人詹智勇是一名医疗老兵，曾创办手外科连锁医院并涉足移动医疗的医学百事通，大医汇是他的第二次创业。 詹智勇表示：“第一个试点模式打造完之后，可以跨地区全国复制，但复制需要资本，现在已投入的1亿元都是自有资金，投资人都在看试点成效如何。” 近一两年来，诊所潮在北上广等一线城市掀起，似乎一夜间成为资本、创业者、政策的宠儿，连锁化、高端化逐渐成为鲜明特征。在推进分级诊疗、医生多点执业的政策风口下，已进场的玩家包括互联网医疗巨头、走出体制创办医生集团的医生、上市公司和外资企业等。 但中国基层医疗服务长期欠缺、全科医生缺口极大的现状，使得基层诊所面临人才、品牌等难题，其以诊疗费为主体的盈利模式，也尚未普遍盈利。 共享医生+大型诊所 大医汇选址广州市越秀区流花路117号的广交会旧址，计划12月1日开门纳客。詹智勇介绍，大医汇取得了越秀区下发的门诊牌照。 大医汇几乎是目前国内最大的诊所，与其说这是一间诊所，不如说是一间小型医院。大医汇占地规划近2万平方米，记者注意到，光是候诊区就占据了不小空间。根据规划，将设置一条长120米、宽8米的医疗休闲街作为一级候诊区，同时在每个专科诊区设置二级候诊大厅。 科室分为中高低档，一般专科诊区包括妇科、肿瘤、儿科、中医馆，较为高端的诊区是提供专家联合诊疗的VIP诊区和12个专病专治的单一病种诊区。另外，大医汇还配有体检中心、日间手术区、购置了两台自动发药机的药房、影像中心等，妇科、儿科、中医馆另配专门药房。 硬件上唯一与医院不同的是，大医汇没有床位。詹智勇解释：“我们属于大型门诊部，只有日间病房，但设备、就诊环境都不比三甲医院甚至是高端医院差。” 这么大的诊所，医生从哪里来？大医汇提出共享医生模式。 詹智勇说：“商业模式方面我们想要医生来分享这个平台，以前医院垄断的专家资源全都可以在这里分享。” 据测算，大医汇计划每天分三个时段，每名医师预计每周执业两次，一天可容纳500多名医师执业，共计可容纳2000名医师入驻，医师全部采用多点执业方式。 詹智勇认为，大医汇对医生的吸引力来自执业环境、品牌和阳光化收入。这与其他民营医疗机构、高端诊所等并无二致。 “医生在大医汇平台属于自己办医，因此可形成自身品牌。诊金50元起步，50元以上的医生自主定价，收费超过300元的专家要求服务时间不低于半个小时，就算定价3000元也可以，这部分收入大部分归医生。”他说。 过去20年在医疗行业的积累为共享医生铺平了道路。 詹智勇的另一个身份是广州弘康医疗信息股份有限公司董事长，该公司成立于2011年，前身为广州恒生手外科医院，是广州第一家进入医保的民营医疗机构，先后在佛山、东莞、广州花都等地开设分院。1995年，该院牵头成立手外科医生集团，将数十名公立医院医生汇聚旗下。 在开设民营医院后，詹智勇开始进军线上，成立医学百事通，从事在线医疗咨询服务。彼时，该平台录入6000名医生信息，可提供服务的医生接近1900名，主要覆盖广东省。 詹智勇回忆：“医学百事通模式很困难，全国没有一家赚到钱，我们生存期超过六年，这成为共享医生的雏形，有了这个雏形之后才想到要办大医汇。” 不过，光有兼职医生还不够，大医汇也计划招募全职医生。大医汇执行院长李志荣介绍：“计划到第三年达到2000名医师，第一年先引入1000名。同时也开始招募固定医生坐诊。” 玩家多，挣钱难 虽然对诊所运营和共享医生模式信心满满，但摆在大医汇面前的生存压力也不小：一面是玩家增多带来的竞争压力，突出表现在医生资源争夺；另一面是诊所本身获客、标准化、盈利模式等挑战。 在大医汇进场之前，不少资本和企业早已开始探索诊所市场，纷纷进军线下诊所的互联网医疗是一大主力军。 今年8月即将在福州开设第四家丁香园诊所的创始人李天天介绍：“近两年，诊所需求巨大，原因一个是，中国基层医疗服务欠缺，另一个是85后人群崛起，他们的消费意识、观念已经发生变化，愿意为优质医疗服务买单。” 东方高圣执行董事兼董秘瞿镕也指出：“基层诊所投资并购现在还不多，但布局诊所的企业不少。现在大型医院市场不好做，加上政策在推行分级诊疗，企业都在想法子往下沉。” 各路参与者对医生资源的争夺号角早已吹响。 一直以来，中国医生十分匮乏，儿科、妇科、全科等医生缺口更大。医疗机构纷纷激烈争夺医生，公立三甲医院、地市级医院、民营医院、近两年刚刚兴起的医生集团等，都花式百出地争夺医生资源。 而医生资源大多集中在三甲医院。中国医学科学学院肿瘤医院原院长赵平表示：“现在民营医院数量虽超过公立医院，占53%，但其工作能力不到20%，优质人力资源连10%都不到，民营资本没有人才的正规进入渠道。” 医生多点执业能否开展，更多取决于医院院长的态度。一名三甲医院院长直言：“主任医师们大多认为他们是教授，可以多点执业，但不少院长对此事的态度是拒绝，多点执业可能摧毁公立医院50%的服务。” 此外，诊所盈利方式也有待摸索。 李天天直言：“诊所开业第一天起，我就担心没有人来看病。” 瞿镕走访过北京的一些基层诊所，他指出：“基层诊所病人非常少，服务半径太小，每家都在亏损，连锁就是亏损加和，而不是变成盈利。” 詹智勇则对此也有清晰认识：“国内小诊所生存很困难，全科医生体制没有建立起来，诊所、基层医疗机构对老百姓缺乏吸引力。” 即便解决了获客问题，诊所面临的大多是日常小病、轻症，客单价难以抬高。而在国家扶持第三方检验机构和推行医药分家时，检查费、药费也难以成为诊所的核心收入。 詹智勇乐观地算了一笔账：“按照大医汇现有规模，一个医生如果一天看10个到15个病人，诊所每天接待700个到800个病人，每个病人平均消费500元左右，我们就可以盈亏持平。” 也有企业选择连锁化，试图靠“跑量”实现盈利，如强森医疗、蓝卡健康、协卓医疗等。 对此，李天天认为：“中国医疗体系没有培养医生的规范治疗习惯，这些标准化工作要在诊所开业之前做好。如果前期没有打下好基础，后期监督又不到位，甚至为了速度盲目引入加盟商，诊所的生存就会成问题。” 靠谱众投 kp899.com：您放心的投资理财平台，即将起航！ ...
如果说顺丰和阿里的闹剧还只是前戏，京东在一个礼拜内连续挑战了天天快递、圆通两家公司，快递行业的宫廷剧已然拉开帷幕。曾经亲密无间的合作伙伴，在矛盾和利益的较量中，没有逃过刀兵相向的结局。 京东封杀天天快递，给出的理由是服务质量和用户满意度的不及格；京东“拉黑”圆通，采用了较为隐晦的方式，即位列“三通一达”的圆通竟不在京东的快递推荐名单之内。无论如何，在电商平台的威逼下，快递公司终究还是急了。 桐庐帮的辉煌 浙江的西北部，有个叫做桐庐的小城，在电商崛起之前，桐庐和附近的淳安、临安一样，古来的江南风景，依旧的风土人情。“十里有庐，庐有饮食”，曾经的水陆交通汇集之处，在互联网时代有幸成了中国的快递之乡。 盛传颇广的故事是，聂腾飞、詹际盛在1993年双双从工厂辞工，创办了后来的“申通快递”，成为国内第一家民营特许加盟的快递企业。风云际会，沧海横流，在复杂的人际关系和创业出走的浪潮中，申通、圆通、韵达、中通、汇通、天天快递，以及已经更名为国通的CCES，背后都不乏桐庐籍企业家的身影，桐庐帮占领了中国快递业的半壁江山。 桐庐帮的辉煌在2015年后达到了顶峰。申通快递作价169亿元借壳上市，不久后，圆通估值175亿，韵达估值180亿，中通快递更是登陆美国纽交所，成为阿里巴巴之后中国企业在美规模最大的IPO。在一个又一个财富盛宴出炉的同时，桐庐帮缔造了上百位亿万富翁，也有好事者将快递业错综复杂的人物关系公之于众。 江浙人很勤奋，也很大胆。在马云的号召下，无数人投身电商行业，杭州成为中国的电商之城，如今这批人中的大多数已经身价千万，坐享电商的第一波红利。桐庐人选择了另一种方式，做解决电商配送问题的物流，事实证明这是一个聪明之举，至少大多数淘品牌在市值上很难企及“三通一达”的体量。 有数据显示，从2011年到2016年，快递行业持续了50%以上增速的井喷，其中2016年中国的快递量突破300亿件，人均快递费支出287.4元，巨大的市场红利，最终将快递企业一波接一波的推向IPO。 然而，在桐庐帮错综复杂的关系图中，隐藏了快递行业的一个潜规则，每一次出走创业看起来都不费力气，好一派野蛮生长的迹象。原因在于，桐庐帮的快递公司始终在坚持“加盟+直营”的市场扩展策略，一级加盟商、二级加盟商、网点，一级一级的往下铺，这么做的好处是，可以在极短的时间内完成对市场的覆盖，包括五六线城市，甚至是乡镇市场，同时也埋下了隐疾。 时势造英雄 桐庐帮对中国电商行业的共享是不可泯灭的，无所不在的物流网络便是例证。以淘宝双11购物狂欢节为例，从2009年5000万元的日销售额，到2016年的1207亿 ，前后2400倍的增长，下游的快递公司功不可没。 时势造英雄，可当世道变了，英雄们又该身安何处？桐庐帮的崛起源于电商的兴起，桐庐帮的无奈也缘于电商的转型。所幸，阿里们并非是一个忘本的人，在电商的转型中却也给过桐庐帮新的机会，至少看起来是这样。 2013年，阿里巴巴、银泰联合复星、顺丰、三通一达等组建了菜鸟物流，目标是打造一个开放的社会化物流大平台，在全国任意一个地区都可以做到24小时送达。在很长的一段时间内，菜鸟物流一直不温不火，但从2016年开始，外界开始读懂了马云的意图。 阿里开始在国内大范围的建设仓储物流中心，并逐渐演变为公共分拨中心，打造一体化的仓配和运输网络。或许菜鸟物流的初衷还在于整合资源，弥补阿里电商在物流服务方面的不足，可当阿里掌控了商家选择物流的权利，自身又承担起商家的仓储物流服务，桐庐帮的快递公司彻底沦为一家家“跑腿”的企业。 当马云在云栖大会上大谈新零售的时候，电商的黄金时代已经是一个过去时。在此之前，电商平台和快递企业分工明确，电商平台主要投入线上，快递企业则负责线下物流，但随着线上线下一体化，这种平衡已经不复存在。 京东就是一个例子，从2009年开始先后投入投入数百亿自建物流，并在不久前成立了物流子公司。刘强东甚至放言称，未来中国物流业将是京东一家独大，并成为京东重要的盈利方向。事实也证明了刘强东的底气，从区域物流中心到城市二级库房再到各个线下网点，完全是自营的套路。 此前的京东物流还只限于京东自营，可如今京东早已将这部分资源开放给第三方商家，已经预示着运力的盈余。而这种温水煮青蛙的扩张方式对第三方快递公司是致命的，诚如刘强东的目标，京东势必会采取更加激进的扩张策略，最直接的做法便是逐个消除较弱的竞争对手，切割到更多市场存量和增量，也就上演了文初的那一幕。 反观桐庐帮呢，加盟模式带来的问题开始集中式爆发，不得不整顿止血，可竞争者却在一路狂奔。更可怕的是，菜鸟物流同样需要对电商上下游掌握着更多的话语权和控制权，此前相对公平的合作关系已经渐行渐远。 可怕的站队 马云是杭州人，刘强东是宿迁人，基于地理的远近，桐庐帮站队阿里似乎无可厚非，更何况京东的壮大也只是近两年的事情。在很多情况下，站队是一种自保，也是一种慢性自杀。 一个既定的事实，用户对电商平台、对单个品牌有忠诚度，却难言对快递公司的忠诚度，除非是顺丰那种靠品质和服务取胜的特例。当然，快递公司们还存在另一个价值，那就是巨头间的大数据之争。 顺丰封杀菜鸟已经暴露了数据问题的端倪，顺丰指责菜鸟调用过多自身用户数据，而菜鸟则反指顺丰调用过多第三方数据。类似的还有京东对天天快递的封杀，虽然是假以末位淘汰的理由。今年年初，苏宁云商全资收购天天快递，而苏宁也一直将京东视为最重要的竞争对手，基于这层原因，京东为了保护自身用户数据而封杀天天快递似乎也能解释的通。 或许数据之争也是快递公司们再一次选择站队的时机。电商平台们正在拥抱新零售，也就需要更加全面的物流服务，桐庐帮或可以选择“一边倒”的方式，开放自身数据给巨头，并从巨头哪里换来更多的用户数据，比如在物流业务之外，向金融、O2O、增值服务等更多的方向延伸，当然这只是最坏的打算。 此外，天天快递似乎为桐庐帮的快递企业提供了另一种出路，既然电商平台对物流抱有野心，顺意为之倒也不失为双赢的合作方案。几乎所有的电商巨头都在试图通过大数据、人工智能来实现对传统快递行业的改造和优化，不可避免需要对全行业数据资源进行共享和对接，在一些快递公司对这种模式存疑的情况下，不排除一些电商平台收购一家快递公司，在数据和服务上不假手于人的可能。 最后，在与京东的博弈中受伤的圆通，已经开始唤起同行的警惕性来应对这一战，兴许这会是桐庐帮为数不多的反击机会。所不同的是，多数桐庐帮的快递企业已经上市，或走在上市的路上，需要为投资人负责，也需要给董事会一个说法。曾经的同乡情谊能够战胜商业利益吗？答案还不得而知。 靠谱众投 kp899.com：您放心的投资理财平台，即将起航！ ...
弗罗里达宇宙航天公司Rocket Crafters Inc.（RCI）昨日宣布获得美国国防部高级研究计划局（DARPA）批准的 54.26 万美元的研发资金。今年一月，RCI的3D打印火箭混合燃料引擎就已经获得了DARPA的研发批准，这项在美国犹他州运营的项目显然目前取得的进展还不错。 签订这项8个月的合约后，RCI将和美国军方一起设计、制造和测试这款混合动力的火箭引擎。 RCI将这项技术名为Direct-Digital Advanced Rocket Technology（D-DART），RCI将使用这项技术为DARPA制造出最高5000磅推力、带节流阀的火箭引擎。 火箭燃料分为固体燃料和液体燃料。液体燃料燃烧效率更高，但固体燃料的优势也很明显，比如固体燃料的节流效果更好，也可以断续燃烧，并且造价比液体燃料更低。 混合燃料的火箭引擎可以结合两种燃料的优势。然而传统制造业在混合燃料火箭引擎制造上面还有许多技术难题没有得到完善解决，这也使得RCI开始探索用3D打印来提供更稳定高效的燃料燃烧环境。3D打印也可以让固体颗粒燃料呈现出一些特殊的形状，从而提高燃烧推进效率。 RCI称，这次和军方的合约中还包括测试一种飞机电机，这种电机的测试将被军方用于评估D-DART技术的节流调节能力和紧急制动能力。 DARPA目前在和很多大型公司合作进行航空航天工业的研究，最近，军方还和波音公司以及Aerojet Rocketdyne公司一起开发试验一种新型航天飞机。同时还在和Northrop Grumman公司一起研发一种新型的无人飞机。 靠谱众投 kp899.com：您放心的投资理财平台，即将起航！ ...
