科技創業公司的效率工具箱

1. 創業公司協同辦公適合用什麼在線文檔編輯軟體

我們就是創業公司，由於人員比較少，而且資金方面不怎麼充裕，所以在選擇協同辦公的在線文檔編輯軟體時，我們希望盡量選擇功能較為豐富的、使用方便的高性價比軟體。網上比較火的有石墨文檔、億方雲等等，使用體驗了一圈下來，我們覺得還是億方雲比較適合我們公司。首先是因為億方雲支持預覽的格式更多，億方雲支持100多種格式文件在線預覽，包括一般Office文檔、PDF文件、圖片格式，及CAD、Photoshop、AI、Project、Visio等專業格式，不用額外安裝任何插件；而石墨文檔只支持word、excel、ppt等常規格式的預覽，不支持CAD、Photoshop、AI這類專業格式。其次是億方雲的多人同時在線編輯功能更豐富，支持web端、客戶端、移動端三端多人同時在線編輯word、excel、PPT、PDF格式文件；而石墨文檔只有網頁端和移動端支持多人同時在線編輯文檔、表格、幻燈片等文件，文檔、表格、幻燈片文件格式還是石墨文檔的專有格式，導入導出都需要轉換格式，又要多費一番功夫。此外，億方雲還支持文件（夾）評論和語音評論（移動端），可@全員，也可@某人，還支持消息提醒，可以替代一部分即時通訊軟體和郵箱的功能；而石墨文檔僅支持石墨專有格式（文檔、表格、思維導圖）文件進入文件編輯模式時評論，功能並不完善。所以綜合考慮下來，我司還是決定選擇億方雲。

2. 推銷產品的技巧

1、熟悉自己推銷的產品的特點。

優點、缺點、價格策略、技術、品種、規格、宣傳促銷、競爭產品、替代產品。尤其在客戶面前要注意顯示對產品非常熟悉。

2、熟悉自己推銷產品的目標客戶。

這些目標客戶要進行分類，哪些是核心客戶，那些的非核心客戶，哪些是重點客戶，哪些是非重點客戶，客戶可以分成幾類，按照什麼方式分類，爭對不同的客戶類別應該分別採用什麼不同的策略和方法。

3、熟悉產品的市場。

市場怎樣細分，競爭對手有哪些，市場的容量如何，客戶的地理分布和產品的時間分布如何，產品市場的短期發展趨勢(未來2-3年的發展趨勢)。

4、合理安排時間。

推銷產品時，要合理安排時間，要根據客戶的購買習慣和地理位置進行合理的空間分配。要講究方法和策略。推銷不是一味的蠻干，要隨時總結經驗，不斷提高。而且銷售還具有這樣的特點，就是一開始著手的時候非常難，無從下手，隨著時間的增長，會漸入佳境。

5、銷售人員要有良好的心理素質。

銷售時最經常碰到的現象是被冷漠的拒絕，所以要承受被拒絕、被冷落、被挖苦等等現象。銷售時還有一種現象是不得其門而入，這是就要動腦筋達到目標。尤其是要注意克服惰性和克服畏難情緒。

(2)科技創業公司的效率工具箱擴展閱讀：

推銷員如何挖掘和推銷賣點：

1、品牌賣點

產品的品牌地位處於有利地位時，能讓顧客產生一種心理上的滿足感，能給顧客帶來很多附加值。從顧客的角度出發，品牌是顧客下定決心購買的重要因素，因此當你進行銷售時，假如你的產品很有品牌優勢，就一定要抓住品牌效應作為賣點向顧客推銷。

2、人文賣點

現在是個創意的時代，我們只有給產品賦予某種新的文化概念，其附加值才能得到更大的提升。例如，買菜講究無公害、買奶粉講究不添加等等。

3、心理賣點

每個顧客的文化程度、收入水平，社會背景都不一樣，所以，不同的人對產品的需求就會有不同。例如，青少年和兒童傢具，環保和款式最能打動顧客;價格、高雅等最能打動中產階級。

銷售技巧-網路

3. 互聯網創業20個工具盤點

互聯網創業必備20個工具盤點

現在互聯網創業是很多創業者的選擇，那麼大家了解有哪些好的互聯網創業工具?

一、產品原型製作工具

下面是一些常用的產品原型製作工具：

紙與筆：這個就不用介紹了，是製作產品原型都會用到的基礎工具。

Axure：產品原型設計工具，如果產品經理對產品原型、交互演示、原型細節設計等的需求比較強烈，Axure RP是非常不錯的選擇。Axure RP 能讓產品經理快速創建應用軟體和基於Web的的線框圖、流程圖、原型頁面、交互頁面和規格說明文檔。

Pencil：免費的手繪風格原型圖設計工具，可以用來繪制各種架構圖和流程圖。

Photoshop：對於創業公司產品經理來說，學會一些常用的Photoshop圖像設計和處理技術是非常必要的，它能為產品經理的日常工作帶來很多便利。

Mockups：如果產品經理的主要工作內容是製作產品概念圖，表達產品設計概念、理念和基本布局，這種情況下不妨選擇Mockups。用Mockups製作出來的作品都是手繪風格的，比較適合用來畫線框圖及原型，但不適合做帶有交互性質的原型設計。

墨刀：墨刀是去年剛推出的一款免費的移動應用原型和線框圖工具。它的定位是APP產品原型的快速設計。墨刀的功能比較簡潔，上手簡單，製作快速，瀏覽文件比較方便。墨刀目前有網頁端、Mac和Windows客戶端。

Visio：是微軟推出的一款流程圖製作工具，也是目前產品經理最常用的一款流程圖工具。通過Visio可以方便、快速地把業務流程、系統實現流程畫出來。它本身有很多的組件庫，可以很方便的完成各類流程圖、結構圖和網路圖的製作。

XMind：XMind是一款商業思維導圖軟體，產品經理不僅可以用它繪制思維導圖，還可以繪制魚骨圖、二維圖、樹形圖、邏輯圖和組織結構圖，還可以很方便地在這些展示形式之間進行轉換。

MindManager：是一款思維導圖軟體，能夠幫助你將想法和靈感以清晰的思維導圖的形式記錄下來，對產品經理梳理產品規劃非常有幫助。和同類思維導圖軟體相比，MindManager最大功能特性是同微軟軟體無縫集成，可以快速將數據導入或導出到Word、PPT、Excel、Outlook、Project 和 Visio等。

網路腦圖：網路腦圖是網路公司推出的一款在線思維導圖編輯器。它支持隨處拖拽，文件儲存在雲端，不佔用硬碟空間。除基本功能外，網路腦圖還支持 XMind、FreeMind 文件的導入和導出，也能導出 PNG和SVG格式的圖像文件。

二、團隊協作和文檔協作工具

創業公司要想提高工作效率，使用一些團隊協作和文檔協作類工具是非常必要的，下面這些工具是一些比較常用的團隊協作類工具：

團隊協作工具

Teambition：是一款項目協作工具。在Teambition上創建一個項目後，可在任務看板里新建任務組，大家可以在任務組里添加、跟蹤並推動任務進展。此外，大家還可以在分享牆里溝通想法，在文件庫里共享文件，從而從多個方面實現項目的協作管理。

Worktile：Worktile是一個團隊協同辦公工具，通過簡單的協作、溝通和分享，實現團隊交互與任務管理的輕松協作。Worktile功能相對齊全，聚焦團隊協作，適用中小企業使用。

Tower.im：這是一款在線團隊協作項目管理工具，你可以在這里快速處理任務、開展討論、查看項目進展，隨時與你的團隊緊密協作。 展討論、查看項目進展，隨時與你的團隊緊密協作。

Slack：Slack 的目標是將公司內部所有溝通方式整合到一個地方。Slack有即時通訊功能，你可以和團隊成員直接溝通。此外，Slack還整合了80多款工具產品，包括郵件、IM 、Asana和Github等，將這些工具收到的信息整合到Slack，這樣公司內部的所有溝通都能在此完成。此外，Slack 還整合了文件分享系統，公司內所有的共享文件，包括共享在Slack 、Google Doc和Dropbox 里文件，都能通過內置搜索工具搜索到。

團隊協作文檔工具

石墨文檔

石墨文檔是一款在線協作文檔工具，支持多人同時編輯一個文檔。互聯網公司產品經理可以在石墨文檔里撰寫產品需求文檔，整理用戶的產品使用反饋等。運營人員可以用它來多人協作撰寫文案、一起制定運營規劃和開展頭腦風暴等。你可以對文檔細節內容進行評論，其他人可以一起參與討論，這樣直接在一個文檔里就能輕松完成方案討論和稿件校對等工作。

所有文檔都是實時保存在雲端的，所以無需擔心文檔內容會丟失。石墨文檔同時擁有網頁端和微信端和APP，即使你不在電腦前，在手機上也可以處理一切工作。

Google Docs

Google Docs是一套在線辦公軟體，包括在線文檔、表格和演示文稿。

允許多人同時在線編輯和更新同一個文件。協作編輯時，也可以實時看到其他成員編輯的內容。系統會自動保存每次編輯修改的內容，這樣你就可以查看誰在什麼時候做了什麼修改。作為一款老牌在線辦公軟體，Google Docs的功能較為齊全，用戶群體也非常廣泛。

三、創業公司資料庫

對於創業者而言，了解行業內其他創業公司的信息動態是非常必要的，創業者可以通過以下幾種渠道了解相關動態

IT桔子： IT互聯網公司產品資料庫，裡面有大量互聯網創業項目信息。

36氪創業公司資料庫：裡面有匯聚了目前國內外最火的一批創業公司數據。

CrunchBase: 是美國科技博客Techcrunch旗下的一款產品，科技公司、技術行業知名人物和投資者相關信息的資料庫。

Demo8：創業邦旗下新產品分享交流平台。

四、值得創業者關注的科技媒體

36氪 ：一個關注互聯網創業的科技博客

鈦媒體 ：為創新、創業、創造人群,提供最高效、最專業,最具價值的信息交流平台

創業邦：中國創業者的信息平台和服務平台

虎嗅 ：關注創業型企業的個性化商業資訊與交流平台

愛范兒：發現創新價值的科技媒體

i黑馬：創業創新服務媒體

雷鋒網：一個專注智能硬體創業媒體平台

Pingwest：互聯網科技媒體

五、產品經理書單

《啟示錄：打造用戶喜愛的產品》：從人員、流程、產品三個角度介紹了現代軟體(互聯網)產品管理的實踐經驗和理念。

《點石成金：訪客至上的Web和可用性設計秘笈》：本書作者根據多年從業的經驗，剖析用戶的心理，在用戶使用模式、為掃描進行設計、導航設計、主頁布局、可用性測試等方面提出了許多獨特的觀點，並給出了大量簡單、易行的可用性設計的建議。

《浪潮之巔》：科技的發展不是均勻的，而是以浪潮的形式出現。每一個人都應該看清楚浪潮，趕上浪潮，如此，便不枉此生。

《引爆點》：一書精彩詮釋了種種奇特現象，將徹底顛覆人們對於產品營銷和創意傳播的傳統目光。

《寫給大家看的設計書》：作者以其簡潔明快的風格，將優秀設計所必須遵循的基本原則及其背後的原理通俗易懂地展現在讀者面前。

六、創業類書單

《史蒂夫▪喬布斯傳》 ：喬布斯不一定是有史以來最好的創業者，但一定是其中之一。他用產品改變了世界，他的思想影響了一代又一代的企業家和創業者。

《精益創業》：創業管理領域的重磅之作，也絕對有潛質經受時間的考驗，成為創業管理的經典圖書。

《精益創業實戰》：融合了精益創業法、客戶開發、商業模式畫布和敏捷/持續集成的精華，講解精益創業實戰法。

《創業者的窘境》、《創新者的解答》、《創新者的基因》：非常好創業三部曲，經典之作、企業長青必備思路。

《周鴻禕自述：我的互聯網方法論》：在書中，周鴻禕首次講述了自己的互聯網觀、產品觀和管理思想，釐清了互聯網產品的本質特徵和互聯網時代的新趨勢，列舉了顛覆式創新在現實中的實踐和應用。同時，針對目前傳統企業的互聯網轉型焦慮，也提出了一套系統解決方案。

《參與感》：作為小米聯合創始人，黎萬強真誠有趣地向你講述小米公司創業幾年來的內部故事，從公司創立到產品開發，從產品設計到品牌建設，從日常運營到營銷推廣，從服務理念到公司理念等等，清晰透徹地道出其中的邏輯必然，並將其獨創的“參與感三三法則”和盤托出。

《影響力：口碑實戰版》：這本書不僅僅提供的是營銷策略和方法，而且還提出了一種全新的企業經營理念。

《定位》：在競爭日益激烈的今天，《定位》揭示了現代企業經營的本質(爭奪顧客)，為企業闡明了獲勝的要訣(贏得心智之戰)。

《免費》：闡釋了“免費經濟學”背後的原理，創造了代表商業未來的新型商業模式，為企業在零成本、零收費的基礎上實現快速發展提供了重要指導。

七、雲服務提供商

創業者都需要雲服務、雲數據、雲運營等方面的服務，下面這些是目前市場上主流的雲服務提供商：

阿里雲：阿里雲是一個雲計算技術和服務提供商。用戶通過阿里雲，用互聯網的方式即可遠程獲取海量計算、存儲資源和大數據處理能力。

騰訊雲：是騰訊公司面向廣大企業和個人的公有雲平台，提供雲伺服器、雲資料庫、雲存儲和CDN等基礎雲計算服務，以及提供游戲、視頻、移動應用等行業解決方案。

盛大雲：盛大雲以快速的步伐不斷滿足客戶在主機租賃、存儲擴展、網路加速、快捷建站、資料庫服務等方面的基礎設施需求，並陸續推出了視頻雲等行業垂直雲服務。產品以按需使用、彈性擴展、高可靠、高安全、高可控為核心特點。

青雲：青雲QingCloud是一家新的雲計算公司，提供IAAS彈性雲服務，支持私有網路、按秒計算、開放 API、全面監控、多重實時副本安全策略等。

UCloud：基礎雲計算服務提供商，長期專注於移動互聯網領域，深度了解移動互聯網業務場景和用戶需求。針對特定場景，UCloud通過自主研發提供一系列專業解決方案，包括計算資源、存儲資源和網路資源等企業必須的基礎IT架構服務，滿足互聯網研發團隊在不同場景下的各類需求。運維團隊只需注冊UCloud雲平台，即可在管理界面中實現各服務的統一管理和使用。

七牛雲存儲：是專為移動時代開發者打造的數據管理平台，為互聯網網站和移動App提供數據的在線託管、傳輸加速以及圖片、音視頻等富媒體的雲處理服務。

又拍雲：通用的`大規模存儲服務，開放高度可擴展的API，開發人員可輕松使用，幫助互聯網企業以極其低的價格，獲得可靠、安全、快速的基礎存儲系統，主要為用戶網站提供靜態文件存儲+CDN加速的服務，靜態文件主要是指圖片，APP，音頻，視頻，小文件等等服務。

八、代碼託管平台

Github：它是一個代碼託管平台和開發者社區，開發者可以在Github上創建自己的開源項目並與其他開發者協作編碼。創業公司可以用它來託管軟體項目，開源項目可以免費託管，私有項目需付費。

Bitbucket：和Github相比，Bitbucket的一大特色是可以免費支持私有庫。

GitCafe：這是一個基於代碼託管服務打造的技術協作與分享平台，程序開發愛好者們可以通過使用代碼版本控制系統git來將他們所寫的開源或商業項目的代碼託管在GitCafe上，與其他程序員針對這些項目在線協作開發。GitCafe可以看作是中國版的Github。

九、適合創業者逛的社區

Hacker News：來自Y Combinator，有大量的頂級創業者參入討論，用戶創造的內容質量比其他創業者主題網站要高。

Quora：這個一個專門面向互聯網人群的問答社區

知乎：一個國內的高質量問答社區

十、DNS域名解析服務

一般來說，國內的網站和域名建議使用國內的DNS域名解析服務，而國外的則既可以選擇國外的DNS，也可以選擇國內的DNS。下面是比較常用的3款DNS域名解析工具：

DNSPod: 是一個DNS域名解析商和域名託管商，DNS實時生效，不限制用戶添加的域名和記錄數量，DNSPod還免費提供D監控、URL轉發、搜索引擎優化、域名共享管理等功能。

DNS.LA/eDNS：免費智能DNS解析服務商

十一、適配服務

雲適配：通過雲適配，用戶只需在原網站中插入一行代碼，即可在網址不變的情況下完成內容實時更新的跨屏體驗。

十二、測試服務工具

Testin雲測：Testin雲測試平台是一個基於真實終端設備環境、基於自動化測試技術的7x24雲端服務。開發者只需在Testin平台提交自己的App應用，選擇需要測試的網路、機型，便可進行在線的自動化測試。

十三、統計工具

網站和移動應用數據統計工具是所有互聯網創業者都必須掌握的工具，下面是一些比較常用的數據統計和分析工具：

谷歌分析：Google Analytics是一款免費的網站和移動應用數據統計和分析工具。只需在網站/移動應用頁面上加入一段代碼，就可以跟蹤產品的各項數據，如流量來源、訪客資料、入口頁面、分享數據、轉化數據等，可幫助產品開發者快速了解產品數據。

網路統計：一款免費的網站流量分析工具，提供的功能包括流量分析、來源分析、網站分析等多種統計分析服務。網路統計能夠告訴網站運營人員訪客是如何找到網站的，在網站上做了什麼。有了這些信息，可以幫助網站運營人員改善訪客在用戶的網站上的使用體驗，不斷改善網站推廣方式。此外，網路統計還提供了幾十種圖形化報告，全程跟蹤訪客的行為路徑。

CNZZ統計：CNZZ是一個中文網站統計分析平台，在頁面添加統計代碼後，運營人員可以通過它快速了解網站的各項運營數據、包括PV、IP、獨立訪客、來訪次數、搜索關鍵詞、地域分布、用戶屬性等多項統計指標，這樣可以一目瞭然地了解網站的各項訪問數據，運營人員可以根據統計數據及時調整頁面內容和運營推廣方式等。

友盟 ：友盟是一款移動應用統計分析平台。它可以幫助移動應用運營人員統計和分析流量來源、產品留存數據、用戶屬性和行為數據等，以便產品開發者和運營人員利用數據進行產品、運營、推廣策略的決策。

Talking Data：是一個第三方移動應用數據平台，主要為移動應用開發者提供移動應用數據統計功能;為移動應用運營者提供用戶行為數據分析功能;幫助開發者完善產品;協助運營者制定策略。

十四、消息推送工具

目前國內比較好用的消息推送工具有以下幾款：

個推：個推是一個第三方消息推送技術服務商，提供安卓推送和iOS推送SDK，使APP快速集成雲推送功能，免去開發成本。

網路雲推送：是網路雲平台向開發者提供的消息推送服務;通過雲端與客戶端之間建立穩定、可靠的長連接來為開發者提供向用戶端實時推送消息的服務。

極光推送：它是一個獨立的第三方雲推送平台，致力於為全球移動應用開發者提供專業的移動消息推送服務。

十五、簡訊服務

目前創業公司比較常用的簡訊服務工具有：億美軟通、百悟科技、雲片。

十六、即時通訊服務

環信：環信即時通信雲服務為開發者提供類似微信的社交和溝通能力，如單聊，群聊，發語音，發圖片，發位置等。讓APP內置聊天功能和以前網頁中嵌入分享功能一樣簡單。

十七、社會化分享工具

ShareSDK：作為一款社會化分享工具，ShareSDK為iOS、Android、WP8 的APP提供社會化功能，集成了一些常用的類庫和介面，縮短開發者的開發時間，還有社會化統計分析管理後台。

十八、支付服務工具

很多創業公司的產品都需要接入支付介面，幾個比較常用的支付介面工具包括：銀聯、支付寶、微信支付和Ping++。

銀聯、支付寶和微信支付大家都比較熟悉，Ping++是一款比較新的移動支付SDK 產品，主要提供支付入網申請、移動支付介面、交易管理平台服務，讓移動 App 接入微信、支付寶、銀聯、網路錢包等主流支付渠道。

十九、應用市場

要想讓自己開發的應用被更多用戶看到並下載，就需要將自己的應用提到盡可能多的應用商店平台，目前主流的應用商店平台包括：應用匯、360手機助手、網路手機助手、豌豆莢、搜狐暢游和蘋果應用商店等。

二十、招聘服務工具

最後分享一些目前互聯網創業公司最常用的一些招聘網站和工具：

拉勾網、周伯通、哪上班、 內推網、100offer、獵聘網、大街網、站酷、緣創派、愛合夥、V2EX、Ruby China、CocoaChina。

;

4. 創業公司如何組建技術團隊

組建技術團隊前的思考

著手組建技術團隊之前，我們不妨先思考下面三個問題：1.該不該組建技術團隊？2.該招什麼樣的工程師？3.該招多少工程師？

1.該不該組建技術團隊？

這個問題看起來很傻，沒有人怎麼做事呢？但凡事都有兩面性，技術團隊給我們帶來更多自主性的同時也帶來了極大的人力開支。在北京一個本科剛畢業的工程師，月薪至少10000+，換算成公司開銷至少是15000。想組建一個最基本配置的團隊，每個月至少得有50000以上的預算。

另一方面，隨著互聯網的發展，基礎組件都已經服務化，很多事情都可以通過這些服務或者是外包來實現，不一定非得有一個專屬的技術團隊。

是否組建技術團隊要在綜合考量公司發展、財務情況之後再做決定。很多時候我們因果倒置先組建了團隊再來考慮公司實際的需求，這是很大的決策失誤。

2.該招什麼樣的工程師？

對人工智慧，大數據運算，公有雲服務這類創業公司來說，技術是最大的壁壘，他們需要頂尖的學術型人才。而對於青橙科技這樣的Saas類或者解決某類實際問題的創業公司來說，技術是輔助，我們需要實乾的能解決問題的工程型人才。

BAT都有各自的研發序列：

2.怎麼吸引工程師

對於很多創業公司來說，招聘是一種挫敗的體驗。原因挺簡單：創業公司需要優秀的工程師，而優秀的工程師是最不愁工作的一群人。我們要跟各路公司爭搶人才。

我在這方面感受非常真切，投入了大量的精力招人，最後入職的寥寥無幾。

我開始反思。第一感覺是錢給得不夠，身為半個hr自然也從一些渠道了解到其他公司的薪資待遇。但是薪資問題切忌對比，拼錢永遠沒有盡頭，我們只能量力而為。

難道這是一個無解的問題？

當然不是，薪資只是其中的一個環節而已。想招到合適的人，還必須提升公司的綜合競爭力。這是一個長期的挑戰，我們可以嘗試從各個方面去實踐：

(1)提升公司品牌影響力。

(2)形成公司文化差異化競爭。比如：知乎的海盜文化與帆船訓練，Tower遠程協同工作。而我們青橙的特色就是健身文化。

(3)技術氛圍的培養以及團隊牛人的吸引。技術圈其實很小，一些開源的產出就能輻射大部分圈內目標人群。

3.提高團隊效率，選擇擴大化

我們的目的是招到合適的工程師。如果我們自身的競爭力已經很難在短期內提高，沒辦法吸引到高端的優秀人才，我們能不能從其他角度入手，讓組建團隊這件事更加容易進行呢？

我觀察了一下我們公司工程師們的工作分配情況：

回答客戶反饋的問題，其中大多數不是程序bug（10%）

編寫代碼（60%）

調試代碼（20%）

開會討論項目的設計方案（8%）

上線（2%）

其中編寫代碼是工程師最耗費時間的工作，能否快狠準的完成需求看似是能力問題，但事實卻並非如此。

編寫代碼時間具體花在哪了？

(1)思考該用什麼樣的方式實現功能？

(2)思考這個功能之前有人做過嗎？能不能復用？在哪找到復用的代碼？

(3)知道該怎麼實現功能了，但是該怎麼做代碼分層？

(4)提供對外調用的文檔。

(5)重復性的做數據格式轉化，數據校驗。

以上5點中只有第一點是能力的體現，其他大部分是編碼規范的問題。開放性的編碼造成大家花費大量時間思考怎麼寫代碼，也讓很多解決方案不能沉澱，製造了重復性的工作。

程序界有一句名言：規范大於配置。我制定了一套符合青橙現狀的編碼准則，目的是讓大家都能明確的知道如何工作，把精力聚焦到實現邏輯上，排除編碼不規范帶來的困擾。這里強調「明確」二字，何謂明確？對於一個需求，當實現邏輯固定的時候，方法的拆分也是固定的，各層編碼所在的位置和命名也是固定的。這樣一來，代碼量的增加、功能的增加都不會讓工程過於失控。

有了規范的好處遠不止於此。按照規范編碼無形的給工程師設定了一個行為下限，我們不再需要一個珍貴且昂貴的架構師，而需要能兢兢業業將功能考慮周全的工程師，選擇的范圍擴大了不少。

除此之外，工程師工作時最忌諱精力分散，以及做很多重復的無意義工作。

所以我們重新調整了問題反饋機制，任何反饋都必須經過產品經理確認，只有真正的問題才會分配到開發。

我們減少了不必要會議，並且需要開發參與的會議都得帶有明確的產品需求和實現方案。

我們將冗餘的工作自動化：代碼檢測、介面參數檢查、自動化反射文檔、錯誤統計與日誌、自動化上線等等。

一切的一切，就是為了讓每個工程師能聚焦到手頭的工作上，提高大家的工作效率。3個人拿4個人的工資干5個人的活。在整體預算固定的情況下，提高效率意味著我們擁有了更多的籌碼，大大降低了招聘的難度。

如何留住工程師

留住工程師跟招聘工程師一樣也是組建技術團隊不可或缺的一環，同時也是最容易被忽視的一環。

工程師為什麼選擇離職呢？三年來，我面試了數百位工程師，排除公司倒閉裁員的情況，不外乎以下幾個原因：

1.成長：工程師個人的成長遇到瓶頸。

2.存在感：感受不到自己的價值，覺得公司不重視自己。

3.待遇：和各種同學、朋友，甚至是新聞對比之後，覺得自己的待遇太低。

而我也遇到過一些出乎意料的離職：入職第二天告訴我離家太遠不來了；入職一周後告訴我身體有大病必須回家養病；入職一段時間後告訴我有其他的offer了……

經歷得多了，我便開始思考我們在這方面是不是應該更加重視，以及該怎麼留住工程師。

首先情感維系是很重要的。試想，當你進入一個新環境是什麼感受？應該是陌生而緊張的吧，而我們前期的關心可以讓新人盡快找到歸屬感。新同學入職兩周之內是建立情感聯系的黃金時間，往往這段時間里他就能融入團隊，找到自己的位置。對於創業公司來說，情感是保持團隊關系穩定最重要的因素之一。

除此之外，幫助他們與公司一同成長也同樣重要。創業公司人數不多，作為Leader我們有義務了解每個人的需求和特點，並且在自己的能力范圍之內去幫助他們。比如鼓勵他們做一次分享，鼓勵他們做一次面試，鼓勵他們參加一些行業會議，這些看似簡單又普通的事情，對他們來講可能有另外的感受。創業公司一般都在高速發展並且面臨無數挑戰，這時候可以適當的給他們一些壓力，困難與挑戰往往是工程師的興奮劑。同時，解決問題後帶來的滿足與認同感更是會讓人樂此不疲。

總結

閑扯了太多，濃縮成三句話：

1.組建團隊之前先考慮實際需求與成本。

2.挑人的同時別忘了提升自己。

3.把工程師留下來比招聘更重要！

很多感悟和想法不是一句話就能概括的。在工程師團隊組建這件事上，我也只是一個新手。

5. 程序員為什麼要學深度學習

費良宏：程序員為什麼要學深度學習？

深度學習本身是一個非常龐大的知識體系。本文更多想從程序員的視角出發，讓大家觀察一下深度學習對程序員意味著什麼，以及我們如何利用這樣一個高速發展的學科，來幫助程序員提升軟體開發的能力。
本文根據費良宏在2016QCon全球軟體開發大會（上海）上的演講整理而成。
前言
1973年，美國上映了一部熱門的科幻電影《WestWorld》，三年之後又有一個續集叫做《FutureWorld》。這部電影在80年代初被引進到中國叫《未來世界》。那部電影對我來講簡直可以說得上是震撼。影片中出現了很多機器人，表情豐富的面部下面都是集成電路板。這讓那時候的我覺得未來世界都是那麼遙遠、那麼神秘。
時間到了2016年，很多朋友可能都在追看HBO斥巨資拍攝的同一題材的系列劇《WestWorld》。如果前兩部電影還是局限在機器人、人工智慧這樣的話題，2016年的新劇則在劇情和人工智慧的思考方面有了很大的突破。不再渲染機器人是否會威脅到人類，而是在探討「Dreamsaremainlymemories」這一類更具哲理的問題。
「記憶究竟如何影響了智能」這個話題非常值得我們去思考，也給我們一個很好的啟示——今天，人工智慧領域究竟有了怎樣的發展和進步。
今天我們探討的話題不僅僅是簡單的人工智慧。如果大家對深度學習感興趣，我相信各位一定會在搜索引擎上搜索過類似相關的關鍵字。我在Google上以deeplearning作為關鍵字得到了2,630萬個搜索的結果。這個數字比一周之前足足多出了300多萬的結果。這個數字足以看得出來深度學習相關的內容發展的速度，人們對深度學習的關注也越來越高。

從另外的一個角度，我想讓大家看看深度學習在市場上究竟有多麼熱門。從2011年到現在一共有140多家專注人工智慧、深度學習相關的創業公司被收購。僅僅在2016年這種並購就發生了40多起。
其中最瘋狂的是就是Google，已經收購了 11 家人工智慧創業公司，其中最有名的就是擊敗了李世石九段的 DeepMind。排名之後的就要數 Apple、Intel以及Twitter。以Intel 公司為例，僅在今年就已經收購了 3 家創業公司，Itseez、Nervana 和 Movidius。這一系列大手筆的並購為了布局人工智慧以及深度學習的領域。
當我們去搜索深度學習話題的時候，經常會看到這樣的一些晦澀難懂的術語：Gradient descent（梯度下降演算法）、Backpropagation（反向傳播演算法）、Convolutional Neural Network（卷積神經網路）、受限玻耳茲曼機（Restricted Boltzmann Machine）等。
如打開任何一篇技術文章，你看到的通篇都是各種數學公式。大家看到如下左邊的圖，其實並不是一篇高水準的學術論文，而僅僅是維基網路關於玻耳茲曼機的介紹。維基網路是科普層面的內容，內容復雜程度就超過了大多數數學知識的能力。

在這樣的背景之下，我今天的的話題可以歸納成三點：第一，我們為什麼要學習深度學習；第二，深度學習最核心的關鍵概念就是神經網路，那麼究竟什麼是神經網路；第三，作為程序員，當我們想要成為深度學習開發者的時候，我們需要具備怎樣的工具箱，以及從哪裡著手進行開發。
為什麼要學習深度學習
首先，我們談談為什麼要學習深度學習。在這個市場當中，最不缺乏的就是各種概念以及各種時髦新技術的詞彙。深度學習有什麼不一樣的地方？我非常喜歡AndrewNg（吳恩達）曾經用過的一個比喻。
他把深度學習比喻成一個火箭。這個火箭有一個最重要的部分，就是它的引擎，目前來看在這個領域裡面，引擎的核心就是神經網路。大家都知道，火箭除了引擎之外還需要有燃料，那麼大數據其實就構成了整個火箭另外的重要組成部分——燃料。以往我們談到大數據的時候，更多是強調存儲和管理數據的能力，但是這些方法和工具更多是對於以往歷史數據的統計、匯總。
而對於今後未知的東西，這些傳統的方法並不能夠幫助我們可以從大數據中得出預測的結論。如果考慮到神經網路和大數據結合，我們才可能看清楚大數據真正的價值和意義。AndrewNg就曾經說過「我們相信（神經網路代表的深度學習）是讓我們獲得最接近於人工智慧的捷徑」。這就是我們要學習深度學習的一個最重要的原因。

其次，隨著我們進行數據處理以及運算能力的不斷提升，深度學習所代表的人工智慧技術和傳統意義上人工智慧技術比較起來，在性能上有了突飛猛進的發展。這主要得益於在過去幾十間計算機和相關產業不斷發展帶來的成果。在人工智慧的領域，性能是我們選擇深度學習另一個重要的原因。

這是一段Nvidia在今年公布的關於深度學習在無人駕駛領域應用的視頻。我們可以看到，將深度學習應用在自動駕駛方面，僅僅經歷了3千英里的訓練，就可以達到什麼樣的程度。在今年年初進行的實驗上，這個系統還不具備真正智能能力，經常會出現各種各樣的讓人提心吊膽的狀況，甚至在某些情況下還需要人工干預。
但經過了3千英里的訓練之後，我們看到在山路、公路、泥地等各種復雜的路況下面，無人駕駛已經有了一個非常驚人的表現。請大家注意，這個深度學習的模型只經過了短短幾個月、3千英里的訓練。
如果我們不斷完善這種模型的話，這種處理能力將會變得何等的強大。這個場景裡面最重要的技術無疑就是深度學習。我們可以得出一個結論：深度學習可以為我們提供強大的能力，如果程序員擁有了這個技術的話，無異於會讓每個程序員如虎添翼。
神經網路快速入門
如果我們對於學習深度學習沒有任何疑慮的話，接下來就一定會關心我需要掌握什麼樣的知識才能讓我進入到這個領域。這裡面最重要的關鍵技術就是「神經網路」。說起「神經網路」，容易混淆是這樣兩個完全不同的概念。
一個是生物學神經網路，第二個才是我們今天要談起的人工智慧神經網路。可能在座的各位有朋友在從事人工智慧方面的工作。當你向他請教神經網路的時候，他會拋出許多陌生的概念和術語讓你聽起來雲里霧里，而你只能望而卻步了。
對於人工智慧神經網路這個概念，大多數的程序員都會覺得距離自己有很大的距離。因為很難有人願意花時間跟你分享神經網路的本質究竟是什麼。而你從書本上讀的到的理論和概念，也很讓你找到一個清晰、簡單的結論。
今天就我們來看一看，從程序員角度出發神經網路究竟是什麼。我第一次知道神經網路這個概念是通過一部電影——1991年上映的《終結者2》。男主角施瓦辛格有一句台詞：
「MyCPUisaneural-netprocessor;alearningcomputer.」（我的處理器是一個神經處理單元，它是一台可以學習的計算機)。從歷史來看人類對自身智力的探索，遠遠早於對於神經網路的研究。
1852年，義大利學者因為一個偶然的失誤，將人類的頭顱掉到硝酸鹽溶液中，從而獲得第一次通過肉眼關注神經網路的機會。這個意外加速了對人類智力奧秘的探索，開啟了人工智慧、神經元這樣概念的發展。
生物神經網路這個概念的發展，和今天我們談的神經網路有什麼關系嗎？我們今天談到的神經網路，除了在部分名詞上借鑒了生物學神經網路之外，跟生物學神經網路已經沒有任何關系，它已經完全是數學和計算機領域的概念，這也是人工智慧發展成熟的標志。這點大家要區分開，不要把生物神經網路跟我們今天談到的人工智慧有任何的混淆。

90年代中期，由Vapnik等人提出了支持向量機演算法（Support Vector Machines，支持向量機）。很快這個演算法就在很多方面體現出了對比神經網路的巨大優勢，例如：無需調參、高效率、全局最優解等。基於這些理由，SVM演算法迅速打敗了神經網路演算法成為那個時期的主流。而神經網路的研究則再次陷入了冰河期。
在被人摒棄的十年裡面，有幾個學者仍然在堅持研究。其中很重要的一個人就是加拿大多倫多大學的Geoffery Hinton教授。2006年，他的在著名的《Science》雜志上發表了論文，首次提出了「深度信念網路」的概念。
與傳統的訓練方式不同，「深度信念網路」有一個「預訓練」（pre-training）的過程，這可以方便的讓神經網路中的權值找到一個接近最優解的值，之後再使用「微調」(fine-tuning)技術來對整個網路進行優化訓練。這兩個技術的運用大幅度減少了訓練多層神經網路的時間。在他的論文裡面，他給多層神經網路相關的學習方法賦予了一個新名詞— 「深度學習」。
很快，深度學習在語音識別領域嶄露頭角。接著在2012年，深度學習技術又在圖像識別領域大展拳腳。Hinton與他的學生在ImageNet競賽中，用多層的卷積神經網路成功地對包含一千個類別的一百萬張圖片進行了訓練，取得了分類錯誤率15%的好成績，這個成績比第二名高了將近11個百分點。
這個結果充分證明了多層神經網路識別效果的優越性。從那時起，深度學習就開啟了新的一段黃金時期。我們看到今天深度學習和神經網路的火熱發展，就是從那個時候開始引爆的。

利用神經網路構建分類器，這個神經網路的結構是怎樣的？

其實這個結構非常簡單，我們看到這個圖就是簡單神經網路的示意圖。神經網路本質上就是一種「有向圖」。圖上的每個節點借用了生物學的術語就有了一個新的名詞 – 「神經元」。連接神經元的具有指向性的連線（有向弧）則被看作是「神經」。這這個圖上神經元並不是最重要的，最重要的是連接神經元的神經。每個神經部分有指向性，每一個神經元會指向下一層的節點。
節點是分層的，每個節點指向上一層節點。同層節點沒有連接，並且不能越過上一層節點。每個弧上有一個值，我們通常稱之為」權重「。通過權重就可以有一個公式計算出它們所指的節點的值。這個權重值是多少？我們是通過訓練得出結果。它們的初始賦值往往通過隨機數開始，然後訓練得到的最逼近真實值的結果作為模型，並可以被反復使用。這個結果就是我們說的訓練過的分類器。
節點分成輸入節點和輸出節點，中間稱為隱層。簡單來說，我們有數據輸入項，中間不同的多個層次的神經網路層次，就是我們說的隱層。之所以在這樣稱呼，因為對我們來講這些層次是不可見的。輸出結果也被稱作輸出節點，輸出節點是有限的數量，輸入節點也是有限數量，隱層是我們可以設計的模型部分，這就是最簡單的神經網路概念。
如果簡單做一個簡單的類比，我想用四層神經網路做一個解釋。左邊是輸入節點，我們看到有若干輸入項，這可能代表不同蘋果的RGB值、味道或者其它輸入進來的數據項。中間隱層就是我們設計出來的神經網路，這個網路現在有不同的層次，層次之間權重是我們不斷訓練獲得一個結果。
最後輸出的結果，保存在輸出節點裡面，每一次像一個流向一樣，神經是有一個指向的，通過不同層進行不同的計算。在隱層當中，每一個節點輸入的結果計算之後作為下一層的輸入項，最終結果會保存在輸出節點上，輸出值最接近我們的分類，得到某一個值，就被分成某一類。這就是使用神經網路的簡單概述。

除了從左到右的形式表達的結構圖，還有一種常見的表達形式是從下到上來表示一個神經網路。這時候，輸入層在圖的最下方，輸出層則在圖的最上方。從左到右的表達形式以AndrewNg和LeCun的文獻使用較多。而在Caffe框架里則使用的則是從下到上的表達。
簡單來說，神經網路並不神秘，它就是有像圖，利用圖的處理能力幫助我們對特徵的提取和學習的過程。2006年Hinton的那篇著名的論文中，將深度學習總結成三個最重要的要素：計算、數據、模型。有了這三點，就可以實現一個深度學習的系統。
程序員需要的工具箱
對於程序員來說，掌握理論知識是為了更好的編程實踐。那就讓我們看看，對於程序員來說，著手深度學習的實踐需要准備什麼樣的工具。
硬體
從硬體來講，我們可能需要的計算能力，首先想到的就是CPU。除了通常的CPU架構以外，還出現了附加有乘法器的CPU，用以提升計算能力。此外在不同領域會有DSP的應用場景，比如手寫體識別、語音識別、等使用的專用的信號處理器。還有一類就是GPU，這是一個目前深度學習應用比較熱門的領域。最後一類就是FPGA（可編程邏輯門陣列）。
這四種方法各有其優缺點，每種產品會有很大的差異。相比較而言CPU雖然運算能力弱一些，但是擅長管理和調度，比如讀取數據，管理文件，人機交互等，工具也豐富。DSP相比而言管理能力較弱，但是強化了特定的運算能力。
這兩者都是靠高主頻來解決運算量的問題，適合有大量遞歸操作以及不便拆分的演算法。GPU的管理能力更弱一些，但是運算能力更強。但由於計算單元數量多，更適合整塊數據進行流處理的演算法。
FPGA在管理與運算處理方面都很強，但是開發周期長，復雜演算法開發難度較大。就實時性來說，FPGA是最高的。單從目前的發展來看，對於普通程序員來說，現實中普遍採用的計算資源就還是是CPU以及GPU的模式，其中GPU是最熱門的領域。

這是我前天為這次分享而准備的一個AWS 上p2的實例。僅僅通過幾條命令就完成了實例的更新、驅動的安裝和環境的設置，總共的資源創建、設置時間大概在10分鍾以內。而之前，我安裝調試前面提到的那台計算機，足足花了我兩天時間。

另外，從成本上還可以做一個對比。p2.8xLarge 實例每小時的費用是7.2美元。而我自己那台計算機總共的花費了是¥16,904元。這個成本足夠讓我使用350多個小時的p2.8xLarge。在一年裡使用AWS深度學習站就可以抵消掉我所有的付出。隨著技術的不斷的升級換代，我可以不斷的升級我的實例，從而可以用有限的成本獲得更大、更多的處理資源。這其實也是雲計算的價值所在。
雲計算和深度學習究竟有什麼關系？今年的8月8號，在IDG網站上發表了一篇文章談到了這個話題。文章中做了這樣一個預言：如果深度學習的並行能力不斷提高，雲計算所提供的處理能力也不斷發展，兩者結合可能會產生新一代的深度學習，將帶來更大影響和沖擊。這是需要大家考慮和重視的一個方向！
軟體
深度學習除了硬體的基礎環境之外。程序員會更關心與開發相關的軟體資源。這里我羅列了一些曾經使用過的軟體框架和工具。

Scikit-learn是最為流行的一個Python機器學習庫。它具有如下吸引人的特點：簡單、高效且異常豐富的數據挖掘/數據分析演算法實現； 基於NumPy、SciPy以及matplotlib，從數據探索性分析，數據可視化到演算法實現，整個過程一體化實現；開源，有非常豐富的學習文檔。
Caffe專注在卷及神經網路以及圖像處理。不過Caffe已經很久沒有更新過了。這個框架的一個主要的開發者賈揚清也在今年跳槽去了Google。也許曾經的霸主地位要讓位給他人了。
Theano 是一個非常靈活的Python 機器學習的庫。在研究領域非常流行，使用上非常方便易於定義復雜的模型。Tensorflow 的API 非常類似於Theano。我在今年北京的QCon 大會上也分享過關於Theano 的話題。
Jupyter notebook 是一個很強大的基於ipython的python代碼編輯器，部署在網頁上，可以非常方便的進行互動式的處理，很適合進行演算法研究合數據處理。
Torch 是一個非常出色的機器學習的庫。它是由一個比較小眾的lua語言實現的。但是因為LuaJIT 的使用，程序的效率非常出色。Facebook在人工智慧領域主打Torch，甚至現在推出了自己的升級版框架Torchnet。
深度學習的框架非常之多，是不是有一種亂花漸欲迷人眼的感覺？我今天向各位程序員重點介紹的是將是TensorFlow。這是2015年穀歌推出的開源的面向機器學習的開發框架，這也是Google第二代的深度學習的框架。很多公司都使用了TensorFlow開發了很多有意思的應用，效果很好。
用TensorFlow可以做什麼？答案是它可以應用於回歸模型、神經網路以深度學習這幾個領域。在深度學習方面它集成了分布式表示、卷積神經網路(CNN)、遞歸神經網路(RNN) 以及長短期記憶人工神經網路（Long-Short Term Memory, LSTM）。
關於Tensorflow 首先要理解的概念就是Tensor。在辭典中對於這個詞的定義是張量，是一個可用來表示在一些向量、標量和其他張量之間的線性關系的多線性函數。實際上這個表述很難理解，用我自己的語言解釋Tensor 就是「N維數組」而已。

使用 TensorFlow, 作為程序員必須明白 TensorFlow這樣幾個基礎概念：它使用圖 (Graph) 來表示計算任務；在被稱之為 會話 (Session) 的上下文 (context) 中執行圖；使用 Tensor 表示數據；通過 變數 (Variable) 維護狀態；使用 feed 和 fetch 可以為任意的操作(arbitrary operation) 賦值或者從其中獲取數據。
一句話總結就是，TensorFlow 就是有狀態圖的數據流圖計算環境，每個節點就是在做數據操作，然後提供依賴性和指向性，提供完整數據流。
TensorFlow安裝非常簡單，但官網提供下載的安裝包所支持的CUDA 的版本是7.5。考慮到CUDA 8 的讓人心動的新特以及不久就要正式發布的現狀。或許你想會考慮立即體驗CUDA 8，那麼就只能通過編譯Tensorflow源代碼而獲得。目前TensorFlow已經支持了Python2.7、3.3+。
此外，對於使用Python 語言的程序員還需要安裝所需要的一些庫，例如：numpy、protobuf等等。對於卷積處理而言，cuDNN是公認的性能最好的開發庫，請一定要安裝上。常規的Tensorsorflow的安裝很簡單，一條命令足矣：
$ pip3 install —upgrade https://storage.233.wiki/tensorflow/linux/cpu/tensorflow-0.11.0rc0-cp35-cp35m-linux_x86_64.whl
如果想評估一下或者簡單學習一下，還可以通過Docker進行安裝，安裝的命令如下：
$ docker run -it -p 8888:8888 gcr.io/tensorflow/tensorflow
TensorFlow有很多優點。首先，目前為止，深度學習的開發框架裡面TensorFlow的文檔做的最好，對程序員學習而言是非常好的一點。第二，TensorFlow有豐富的參考實例，作為參考學習起來非常容易。
第三，開發者社區活躍，在任何一個深度學習的社區里，都有大量關於TensorFlow的討論。第四，谷歌的支持力度非常大，從2015年到現在升級速度非常快，這是其他開源框架遠遠達不到的結果。
參考TensorFlow的白皮書，我們會看到未來TensorFlow還將會有巨大的發展潛力。讓我特別感興趣是這兩個方向。第一，支持跨多台機器的 parallelisation。盡管在0.8版本中推出了並行化的能力，但是目前還不完善。隨著未來不斷發展，依託雲計算的處理能力的提升這個特性將是非常讓人振奮的。
第二，支持更多的開發語言，對於開發者來說這是一個絕大的利好，通過使用自己擅長的語言使用TensorFlow應用。這些開發語言將會擴展到Java、Lua以及R 等。
在這里我想給大家展示一個應用Tensorflow 的例子。這個例子的代碼託管在這個網址上 https://github.com/anishathalye/neural-style。白俄羅斯的現代印象派藝術家Leonid Afremov善於用濃墨重彩來表現都市和風景題材，尤其是其雨景系列作品。他習慣用大色塊的鋪陳來營造光影效果，對反光物體和環境色的把握非常精準。
於是我就找到了一張上海東方明珠電視塔的一張攝影作品，我希望通過Tensorflow 去學習一下Leonid Afremov 的繪畫風格，並將這張東方明珠的照片處理成那種光影色彩豐富的作品風格。利用Tensorflow 以及上面提到的那個項目的代碼，在一個AWS 的p2類型的實例上進行了一個一千次的迭代，於是就得到了下圖這樣的處理結果。

這個處理的代碼只有350行里，模型使用了一個成名於2014年ImageNet比賽中的明星 VGG。這個模型非常好，特點就是「go depper」。
TensorFlow 做出這樣的作品，並不僅僅作為娛樂供大家一笑，還可以做更多有意思的事情。將剛才的處理能力推廣到視頻當中，就可以看到下圖這樣的效果，用梵高著名的作品」星月夜「的風格就加工成了這樣新的視頻風格。

可以想像一下，如果這種處理能力在更多領域得以應用，它會產生什麼樣的神奇結果？前景是美好的，讓我們有無限遐想。事實上我們目前所從事的很多領域的應用開發都可以通過使用神經網路和深度學習來加以改變。對於深度學習而言，掌握它並不是難事。每一個程序員都可以很容易的掌握這種技術，利用所具備的資源，讓我們很快成為深度學習的程序開發人員。
結束語
未來究竟是什麼樣，我們沒有辦法預言。有位作家Ray Kurzweil在2005年寫了《奇點臨近》一書。在這本書裡面他明確告訴我們，那個時代很快到來。作為那個時代曙光前的人群，我們是不是有能力加速這個過程，利用我們學習的能力實現這個夢想呢？

中國人工智慧的發展
人工智慧的時代無疑已經到來，這個時代需要的當然就是掌握了人工智慧並將其解決具體問題的工程師。坦率的說，市場上這一類的工程師還屬於鳳毛麟角。職場上的薪酬待遇可以看得出來這樣的工程師的搶手的程度。人工智慧這門學科發展到今天，就學術自身而言已經具備了大規模產業化的能力。
所以說，對於工程師而言當務之急就是盡快的掌握應用人工智慧的應用技術。當下在互聯網上關於人工智慧的學習資料可以說已經是「汗牛充棟」，那些具備了快速學習能力的工程師一定會在人工智慧的大潮當中脫穎而出。
中國發展人工智慧產業的環境已經具備。無論從創業環境、人員的素質乃至市場的機遇而言完全具備了產生產業變革的一切條件。與美國相比較，在人工智慧的許多領域中國團隊的表現也可以說是不逞多讓。就人工智慧的技術層面而言，中國的工程師與全球最好的技術團隊正處於同一個起跑線上。
時不我待，中國的工程師是有機會在這個領域大展身手的。不過值得注意的是，要切忌兩點：一是好高騖遠，盲目與國外攀比。畢竟積累有長短，術業有專攻，我們要立足於已有的積累，尋求逐步的突破。二是一擁而上，盲目追求市場的風口。人工智慧的工程化需要大量的基礎性的積累，並非一蹴而就簡單復制就可以成功。
中國的科研技術人員在人工智慧領域的成就有目共睹。在王詠剛的一篇文章裡面，他統計了從2013年到2015年SCI收錄的「深度學習」論文，中國在2014年和2015年超已經超過了美國居於領跑者的位置。
另外一讓我感到驚訝的事情，Google的JeffDean在2016年發表過一篇名為《TensorFlow:Asystemforlarge-scalemachinelearning》的論文。文章的22個作者裡面，明顯是中國名字的作者占已經到了1/5。如果要列舉中國人/華人在人工智慧領域里的大牛，吳恩達、孫劍、楊強、黃廣斌、馬毅、張大鵬……很容易就可以說出一大串。
對於中國來說目前的當務之急是人工智慧技術的產業化，唯有如此我們才可以講科研／智力領域的優勢轉化為整體的、全面的優勢。在這一點上，中國是全球最大的消費市場以及製造業強國，我們完全有機會藉助市場的優勢成為這個領域的領先者。
矽谷創新企業
矽谷雖然去過許多回，但一直無緣在那裡長期工作。在人工智慧領域的市場我們聽到的更多是圍繞Google、Apple、Intel、Amazon這樣的一些大型科技公司的一舉一動。但是在美國市場上還有一大批小型的創業企業在人工智慧這個領域有驚艷的表現。僅以矽谷區域的公司為例：
Captricity，提供了手寫數據的信息提取；
VIVLab，針對語音識別開發了虛擬助手服務；
TERADEEP，利用FPGA提供了高效的卷積神經網路的方案；
還有提供無人駕駛解決方案的NetraDyne。
這個名單還可以很長，還有許許多多正在利用人工智慧技術試圖去創造歷史的團隊正在打造他們的夢想。這些團隊以及他們正在專注的領域是值得我們去學習和體會的。

6. 什麼是正點

船、火車、飛機按規定時間運行
正點率是旅客運輸部門在執行運輸計劃時，航班、列車、客輪、客車實際出發時間與計劃出發時間的比率，是衡量承運人運輸效率和運輸質量的重要指標，由於民航運輸相對對火車、輪船和汽車運輸而言，受到客觀條件如天氣、空中管制、機械故障等因素影響較大，所以，正點率用於衡量航空公司的運行效率和服務質量。

7. 拼多多如何快速提高排名和銷量

現在越來越多的人選擇做拼多多，那我們在拼多多上傳新品以後怎樣提高銷量呢？接下來就跟電商知識網一起來看看吧！

一，測款

首先想要打造一款熱銷款，款式很重要，選對款式對熱銷款的打造至關重要，所以，前期測款最為重要。但是，我們在前期往往沒法確定自己即將要上的新品能不能成為爆款，那麼就交給市場決定。

二、做好店鋪產品上架的優化

1、商品標題的優化。

商品標題起得好，就等於讓你成功了一半了。現在拼多多標題只能寫30個字，那麼在選擇關鍵詞時就要認真謹慎了；而且在搜索列表中只會展現標題的前12個字，所以組合標題時重點放在前12個字上，建議活動+商品+屬性+特點+人群詞+長尾詞。

2、商品輪播圖的優化。

輪播圖是決定寶貝流量的多少的，特別是首圖，點擊率高還是低就看它了。首圖的話最好放商品的實拍圖或模特圖，剩下的幾張輪播圖建議放商品細節圖或是活動的介紹圖，向買家全面展現商品。

3、商品詳情頁的優化。

拼多多商品上架之後是否有轉化，就要看詳情頁是否能擊中買家痛點，同時又考驗運營和美工的功底了。店鋪運營要先將詳情頁的內容及布局列出來，之後美工就要根據店鋪及商品的風格去設計。

三、推廣引流/活動引流打爆款（操作店鋪的重中之重）

除了活動流量之外，賣家不可或缺的就是付費流量。除去站外廣告引流之外，在站內還有點擊扣費引流廣告方式。

四、做好店鋪的數據分析

1.日常數據統計，找出目標差距，做出下一步運營計劃。

做運營一定要給自己定目標計劃，流量，點擊，訪客，轉化等等。日常數據的統計的重要性就尤為關鍵，可以看出計劃每天完成情況，去做總結和下一步安排。所以大家也可以去觀察自己日常數據指標，不要出現周期內連續下滑的情況，一旦有問題及時優化。

2.分析競爭對手，及時作出針對性的運營策略改變。

有時候你自己突然瀏覽量轉化下降，很多賣家都不知道問題出在哪裡了~很有可能就是競爭對手有了調整，價格優惠，參加活動等等，有些賣家不關注這些，還以為自己哪裡出了問題，盲目的運營！在這里強調一下關注同行，特別是產品相近的同等級，同價格區間的店鋪同行。必須要知道他的一舉一動。

3.根據歷史數據安排自己未來運營計劃，可以根據一些經驗判斷一下發展趨勢，我們可以根據以往年份的情況預測今年，然後有了這些歷史數據的時候，你才會更清楚知道在什麼開始准備切入，什麼時候開始發力推廣，什麼時候開始清倉處理。

怎樣操作才能提升商品的排名呢？

1、關鍵詞。

優化商品排名時一定要從關鍵詞入手。如果想要通過關鍵詞讓商品排名靠前，那麼關鍵詞一定要精準。

2、擊率和轉化率

。點擊率和轉化率對拼多多商品具有一定的影響，若商品連點擊率都沒有，排名怎麼可能會高呢？價格和主圖是影響商品點擊率主要因素。點擊率和轉化率上來了，商品排名自然而然就上來了。

3.推廣。

推廣有利於提高商品排名。通過微信、朋友圈等渠道分享產品，可以帶來流量，提高產品活躍性，從而提高權重，提高排名。

4.質量和價格。

眾所周知，商品的質量是開店的基礎，而在拼多多中直接影響商品的競爭力的是價格。拼多多走薄利多銷扥路線，雖然商品價格低，但商家還是要保證商品的質量，才能提高商品排名。

5.維護好服務。

商家售後服務不好易引來買家投訴，嚴重的平台介入。平台介入次數多，對店鋪會有很不好的影響，對商品排名產生不好的影響，所以商家要做好售後服務，好評多了，排名自然就上來了。

6.新品加權

拼多多對新品是有搜索加權的，市場規律註定需要新鮮的血液的進入，拼多多也是如此，只是加權的大小不同而已。

7.綜合質量得分