新闻资讯
News and information
-
24
11/08
软件吞噬世界，我们错失了什么？
想象一下两家咖啡馆：一家在PaloAlto,另一家在北京。在第一家咖啡馆里，工程师们一边喝手冲咖啡，一边讨论API集成。在第二家咖啡馆里，运营经理一边喝着奶茶，一边集思广益，策划病毒式营销活动。2010年代见证了世界两大经济体在科技史上最深刻的分歧。硅谷加倍投入企业软件，而中国则将赌注押在消费者应用上。这两种策略都以无人能预料的方式奏效了，也失败了。共同之处是：两者以不同的方式完成了社会经济的数字化。疫情三年，星移斗转，GPT横空出世。过去的十年，我们到底错失了什么，又应该如何进入下一个十年？一、软件吞噬一切2011年8月，MarcAndreessen在WallStreetJournal上发表了WhySoftwareIsEatingtheWorld一文。这篇文章站在2010年代的开端，一方面回顾了互联网、智能手机和云计算对商业社会的改变，另一方面抛出了软件在进一步重塑汽车、零售、物流、金融、医疗保健和教育等传统行业的观点。2012年5月18日，Facebook在NASDAQ以1040亿美元的市值上市，就募资金额看，是美国历史上第三大IPO.在资本市场和媒体的一致看好之下，仍然很快跌破了发行价，到了月底，跌去了四分之一的市值。尽管如此，它还是为早期投资人和员工提供了丰厚的回报。这次史无前例的IPO产生了深远的影响，很多早期员工年纪轻轻就财务自由，同时又深谙软件的巨大价值，很多人转身创办新的软件公司，Asana、Quip、Cloudera等先后浮出水面，面向企业提供服务。而面向消费者服务的Quora、Path等公司则发展较为缓慢。另一方面，Facebook在IPO之后的十年中通过自身强悍的执行牢牢占住了社交王座，把Twitter和Snap甩开数个身位，成为唯一能在数字广告市场上与Google竞争的科技巨头。在收购Instagram和WhatsApp之后，Facebook逐渐形成了近乎垄断性的行业地位，让一路看着Facebook长大的风险投资人避免在社交赛道上与Facebook直接竞争。可以说，在Google和Facebook/Meta之后，美国科技业几乎放弃了在消费互联网上再造流量入口的尝试，转而选择了一条截然不同的路线，造就了硅谷下一个十年的繁荣。二、美国：SaaS接力移动正如MarcAndreessen预言的，软件完美接力上一个十年中的消费移动应用，成为新十年的主流投资趋势。新创办的SaaS创业公司在2010年～2015年间，增速成一条45%的直线，每年都在1000家以上，直到2018年以后才逐渐下降。从投资金额来看，在2008年～2017年的十年间，风险投资逐渐达到高峰，特别是在A～C轮的成长期，每年投入的金额都在百亿美元的级别。这些投资主要都集中在了北美市场的SaaS公司上。从退出的角度看，面向消费者的名字往往因为家喻户晓而饱受关注，但SaaS公司无论是IPO还是并购，退出数量远远超过这个时期的消费互联网公司。回看这些变化的时候，更会感受到MarcAndreessen文章的预见性。他从Netscape（更像是消费互联网）到Loudcloud（企业云服务）的经历，以及对2000～2010年间的趋势变化的理解，让他更早地认知到“这是个巨大的机会。我知道该把钱投到哪里”。所谓“巨大的机会”，无非是基础设施的普及，成本下降，但当人浸泡在这样的现实中的时候，就会无所知觉。反而是从前个时代穿越而来，才能感受到变化的剧烈，以及未来如何分布不均。从协作办公，到销售营销，到人力财务，再到IT安全，软件装上了SaaS的商业模式渗透进企业业务流程的每一个环节。在Microsoft和Oracle的时代（参考：《Oracle:复杂性战争》），企业软件往往以功能的全面性著称，而在SaaS时代，软件则以专注于某个环节或者某个行业著称。自动化平台Zapier在10年间连接了6000多个企业软件的应用程序接口（API），成为一家仅融资一轮就盈利的独角兽公司。API,或者说“接口”，不是为SaaS设计的，但由于SaaS需要和企业客户对接，开放可编程接口是必备特性。同时，开源软件社区也逐渐壮大，技术栈中越来越多的开源代码也需要通过接口相互连接、调用，形成了一整套基于“接口”的软件生态。在这个生态下，一家公司努力做好一件事，其他搞不定的事情，就找到其他公司的接口来解决。这既是一种软件开发哲学，也是商业生态的网络效应，更是资本投入的高效杠杆。三、中国：超级应用崛起中国的故事发生在消费互联网上。字节跳动把Facebook的Newsfeed发扬光大，在没有社交图谱的情况下重新发明了信息流，之后又把短视频生意做到了全世界。美团和滴滴曾经是“共享经济”的代表，现在则是本地生活和交通出行的巨头。拼多多从水果团购起家，现在则以匪夷所思的低价和退货政策，成为淘宝、Amazon之外的电商新一极。所有这些公司都有一个共同的名字，叫“超级应用”。最先获得这个称号的其实是微信，而后，中国的消费移动应用都开始在产品增加更多相关或不相关的功能，依靠各种小红点、推送通知或游戏化奖励做产品内部的引流和渗透。微信依靠春晚红包获得了支付能力，美团从团购变成了“送啥都快”的生活小帮手，拼多多和支付宝都可以看视频，抖音和快手则可以购物和打游戏。闭环，是中国互联网上黑话中的黑话；入口，是中国投资人眼中的皇冠上的明珠。顺着“闭环”的“入口”看进去，只剩下直播间里卖的新国货。我曾经和一位中国的顶级风险投资人交谈，他历数了自己投资过的中国SaaS公司，这些名字远没有其美国同行响亮，惨淡经营，也难以看到上市退出的希望。在GPT横空出世之后，美国SaaS公司纷纷开始向客户提供AI功能，过去已经建立的客户基础和产品场景为AI提供了通路和上下文，大大提升了在AI上创新投入的回报确定性。在中国，AI应用却因为缺乏场景和商业模式而进展缓慢。上一个十年的错失，会改变未来数个十年的路径。四、错失了什么，为什么？我在《视频生成：AI的十亿消费者机会》一文中表达过一个观点：消费互联网（ConsumerInternet）铺路，企业互联网（以SaaS为代表）造车，后者并不是一个独立发展的趋势，而是前者达到临界规模后的衍生。这句话其实和MarcAndreessen讲到的“软件吞噬世界”的先决条件没有本质区别：正是因为互联网在消费者侧的大规模普及，才能推动云计算等基础设施的快速铺开，为企业软件的成长奠定基础。在上一个十年中，中国市场长出了短视频，也很快把TikTok复制到了美国市场，美国本土的YouTube和Instagram也快速跟进。加上疫情居家办公的影响，短视频在企业营销、教育培训等方向愈发重要，也催生了大量的衍生基础设施。那么，中国市场错失的是SaaS吗？从投资回报的角度看似乎是这样的。但仔细看，中国的企业软件很多没有以独立公司的形态存在，而是作为大厂“闭环”生态的一部分而存在的，更具体来讲，往往是和云计算业务捆绑在一起。这其实很像Google/Microsoft提供的企业软件，往往是用来敲开企业客户购买云计算服务的敲门砖一样。类似的，在腾讯/阿里/美团的电商生态中，也蕴藏着大量与零售、金融、物流等相关的软件。这些来自大厂深处的企业软件，延续了消费互联网那种烧钱换规模，然后羊毛出在猪身上的“入口”逻辑。它们用免费+捆绑销售的形式进入市场，凭借自身强大的市场开拓能力跑马圈地。这种逻辑，不仅仅消耗了大量的资本，也绑住了大量的软件工程师人才在一个高度集成的项目上，而非通过不同产品之间的“接口”进行重新组合。在2010年～2020年中，大厂的战略投资逐渐崛起，而以LP回报为目标的风险投资基金则且战且退。战略资本的最高目标是实现企业的战略意图，如果大厂是在超级应用上竞争，那么投资的目的也是如何更好地打造闭环，而不是打造更多的开放接口。早期创投的价值在于多样性，而多样性来源于开放性。这需要生态里面的玩家抱有“接口”心态，而不是“入口”心态。SaaS或许是因为中国企业服务市场的整体现状而未能得到机会，但其惨淡现状也反映出中国创投生态的问题。美国的生态截然不同，下面分成几个层面来看。技术层面：以GitHub为代表，基于开源软件生态，出现了一批开发者工具（DeveloperTools），围绕软件开发的各个环节，专门服务软件工程师这个成本昂贵的群体，进而服务企业中的核心数字资产和业务流程。这意味着，软件开发的生产效率在不断改善，软件工程师的人效在持续提升，软件工程的稳定性和可靠性也越来越有保障。产品层面：产品讲求差异化，不做同质化竞争，最终导致的结果是在垂直领域和业务环节都会出现细分。要么选择一个大的垂直领域，端到端的把业务扎下去，要么选择一个通用性很强的环节，做宽度和覆盖，把客户在这个环节上的需求都吃掉。这一点是和消费互联网非常不同的地方，后者规模经济极强，最终往往是“一家独大”的市场格局。市场层面：既有PLG这种以产品特性为主导，更接近消费互联网用户增长打法的路径，也有SLG以销售为主导的路径。很多创业公司在起步阶段就有1～2个DesignPartners,通过一定的股权绑定，作为“天使”客户提供产品建议，并锁定为最初的标杆客户。同时，2010年成长起来的这些SaaS公司也培养了一代在经验、能力、人脉资源都更成熟的销售、市场人才，成为从技术到客户之间的润滑剂。另外，创投圈也是初创公司的客户来源，降低冷启动的难度。财务层面：SaaS的核心是用标准化产品来替代非标准化的服务，从而大大提升企业财务的经济性。美国人力成本高昂，软件公司特为尤甚，本土的核心团队规模都不会太大，追求人效，不愿意靠堆功能、做外包来赢得客户。很多做到亿级ARR的公司，团队规模还在500人以内。也有很多初创公司在百万美元ARR的规模上就开始盈利，对风险投资的依赖也在减小。投资层面：风险资本也跟随产业趋势逐渐细分。特别是在早期投资的市场上，以YCombinator为代表的加速器/孵化器大量出现，AngelList上也出现了天使投资的RollingFunds,LP可以按照季度进行小额定投（每季度在1万美元左右），还有一些VentureStudio的孵化模式，以及资金规模不高、但强调dealflow的独特性的Microfunds.融资渠道的多样化大大增强了资本市场对创新的包容性。在生态的不同层面上出现的变化，核心在于其开放性，而不是包含在某个大厂的“闭环”中。一个值得玩味的说法是：中国讲“入口”，而美国讲“接口”。开放性和多样性才是中美两个市场在过去十年最大的差异，而非消费互联网与SaaS之争。开放性和多样性是持续创新的基础。自2022年GPT-3问世以来，美国的AI生态从芯片和基础模型开始，到2023年进入Infra、DevTools的阶段，到了2024年，企业软件和消费应用也逐步浮出水面。创新的接力赛一棒接一棒，没有停歇的意思。中国错失的，正是这种流水不腐的开放性与多样性。五、如何进入下一个十年2020年代有两个开端。一个是Covid-19的开始和结束。它对全世界的社会生活和政治经济都有深远的影响。对于科技行业而言，它一定程度上加速数字化的渗透率，特别是对更为传统的行业而言，仅仅是远程办公一个变化就足以驱动很多软件采购的快速决策。另一个是GPT-3的发布。我们仍然处在生成式AI周期的早期阶段，它对人类社会的影响仍然有待展开。一个明确能够做出的结论是，它至少可以在上一个十年“软件吞噬世界”所留下的高度数字化的基础上，提升整个社会智能化的水平。这两个开端，一个是把软件周期推向了最高潮，另一个则在高潮之上再添新力，带领世界进入了AI周期。六、模糊的B/C边界经过上一个十年，中美两个市场在很多地方开始互相追平。在基础设施建设上，美国通过软件周期把根深蒂固的传统行业进行了数字化，中国则通过移动互联网也完成了零售、支付、物流、公共服务等领域的数字化。在人才储备上，软件工程师供给稳定，开发工具和技术栈越发高效。在成本优势上，两国的人力成本都有不同程度的上涨，但AI周期中也都有明显的效率改进机会。消费互联网的创业和投资不确定性更强，而最终的回报也更惊人。TikTok的崛起并不能被简单理解为是短视频产品形态的革新，而也要考虑到它突破了Facebook长期占据的SocialGraph,利用个性化推荐算法建立了全新的兴趣图谱（参考：TikTokandtheSortingHat和Seeinglikeanalgorithm）。AI无论在产品形态、交互界面和智能算法几个角度上，都有机会做到全面创新。难点在于：如何做好用户增长达到规模经济所需要的临界点？这是消费互联网的基本功，而在过去的十年中，只有Uber这样的共享经济公司还存有一些know-how,除此之外，对于大量的SaaS公司，这几乎是一项失传的手艺。中国团队反而在这里已经经历过更惨烈的战斗，调动过更大规模的资源，也积累了大量的经验。在企业市场上，中国软件公司的确需要面对更不愿意付费的客户或更封闭的商业生态。但在“出海”已经成为共识的前提下，这不应该成为障碍。真正的难点还应该回到产品和市场契合上来，如何深入到使用场景中去，拿到更多的企业内部数据和上下文，让AI能够因地制宜，做出产品的厚度。以及如何构造面向全球的GTM能力，语言、文化、人脉都会成为新的问题。在湾区和一些AI领域创业者交流的感受是：AI在效率改进上的价值很可能并不会强烈地区分消费者和企业。比如生产力工具，很多产品起初的PMF是在专业消费者（ProfessionalConsumers）上的，但最终赚钱是在企业客户身上——后者更有支付能力。而在AIasaService的模式下，初创公司用AI来提升传统服务业的效率，成为AI驱动的律师和会计师，面向消费者提供服务。AI周期中的消费互联网与SaaS边界越来越模糊。中国的创业者和投资人最不应该担心的，就是过去十年似乎错失了SaaS的机会，特别是对于早期公司，这个区别根本不重要。对于旨在全球市场的AI创业者和投资人而言，更应该调整“入口”心态为“接口”心态，发挥各自的长处，分工协作，通过“接口”的网络效应放大自身的价值；而非在“入口”上同质化竞争，降低资本效率。七、从“入口”到“接口”：开放与多样我认为，对于中国而言，还需要做好一件事，就是补充早期投资生态的多样性。在上个十年里，一批新投资人出现了，他们以“$500kisthenew$5million”为口号，往往有着在科技行业的工作背景和人脉，在初创企业更早的阶段介入，最终获得丰厚的回报。现在，我们经常能在公司融资的新闻中看到一长串名字，其中很多人的投资金额并不高，但这些名字本身就是一种网络效应，为初创公司提供了大量非现金资源。同时，像SAFE这样的投资工具也简化了复杂的股权交易，抵消了因为多样而带来的额外成本。可以认为，这是一种风险投资的“下沉”策略，更重要的是，它促进了创业生态中的连接性和包容性。在湾区，你很少会觉得一个想法太奇怪，或太愚蠢，或太不符合主流叙事，这不仅仅是对创业者而言的，也是对投资人而言——他们很多人也认为自己是一个创业者，也会以独特的投资想法而赢得LP的认同。回到中国，在上一个十年中赚到的第一桶金如何能够以更易得的形式传递给AI周期的面向全球市场的创业者？面向全球市场的天使投资、孵化器、加速器、VentureStudio、Hackerhouse都在哪里？有没有AngelList、SAFE这样的投资工具来简化投资流程？创业本来应该是permission-less（无需许可的）。这是一种截然不同的价值创造方式：它需要站在未来，推导出现在可以做出的重大改变。它需要一些涓涓细流来滋养，而不是大力出奇迹式的大笔重注。大厂高管据说已经成为现在中国AI创业里面的半壁江山。他们或许有更强大的资源优势，更容易获得资本的青睐。但同时，他们也有很强的路径依赖，产品想法往往集中在少数赛道上，少了一些想象力。他们动辄千万美金的融资或许能支撑一个伟大的愿景，但也会打击生态的多样性和开放性。在上一个十年的软件周期中，美国经济刚刚从2008年的金融危机中走出来，资本变得更加谨慎。而互联网周期中赚得的“新钱”接替了“老钱”，以更灵活的姿态、更低的门槛支持了软件周期中的初创公司。对于AI周期的中国而言，也应该出现这样的创新接力。上一代的创业者成为新一代的投资人，提供资金、经验和背书，既能做好资产配置，也能支持创新，实现长期愿景。更多的小型基金、个人投资或多种形式的孵化/加速项目，化整为零的滴灌、滋养未来的可能性。资本当然会追求最大的收益，但逐利性也会限制创新的可能性边界。对于十年的周期而言，最坏的开局莫过于对多样性的破坏。不要错失本可以想象的未来。本文来源：虎嗅APP文章转载于其他网络，如有侵权请联系我们及时删除！
-
24
11/08
中国老人爱上网，但为何没有一款做成功的垂直App？
银发文娱是仅次于电商、排名第二的银发人群互联网应用热土，垂直App、微信公众号、小程序、抖音快手银发网红在过去十年依次迭兴。2015年开始出现一批专注老年人的App,主打广场舞的糖豆、主打图文编辑的美篇、主打视频编辑的彩视都是诞生在这一年，并先后获得知名VC和头部互联网平台的数千万至上亿元投资。2016年开始出现大量主打老年人内容的公众号，最常见的主题是养老金调涨、养生健康、单身老人寂寞情感、社会对老人偏见不公、领袖和明星人物故事。这些内容在互联网主流视野全放在年轻人身上的2016年，恰好填充了当时快速涌入的银发网民的闲暇时间，老人分享转发积极热烈，10万+爆文层出不穷，一时间出现许多粉丝数达到数百万的公众号矩阵。2017年随着微信小程序上线，部分App和公众号向小程序转移，主打功能以相册影集、小游戏、小说、短视频为主，又在短时间内收获了大批银发流量。2019年抖音快手的年轻用户增长趋缓，而银发用户的比重开始快速上升，一批个性独特、思维开放的老年人自己摸索或在MCN帮助下变身银发网红，拍摄各种搞笑段子和换装视频。他们的粉丝量在短时间内迅速上涨，一批三五百万粉丝的银发网红开始在短视频平台上占据一席之地。下面将从功能需求、流量红利、商业变现三个方面分析银发文娱互联网的经验教训。一、打磨特定功能需求，锁定超强粘性银发用户银发互联网领域最知名的几个App,在发展初期就锁定了银发人群某个方面的强需求，比如糖豆聚焦广场舞的视频、学习、交流，美篇聚焦操作简便的手机端图文编辑工具，彩视聚焦短视频的拍摄剪辑制作分享。而瞄准的这个需求越刚性、越粘性，产品功能对这个需求满足得越好，初期获得的银发用户就越不容易轻易流失，从而成为下一步发展起关键作用的种子用户。当然，个案项目要想成功，不能仅仅满足于人有我有的功能，因为每个赛道方向都会有很多同类竞争者，广场舞、图文工具、有声影集以及以后兴起的各种赛道都是如此。但大部分银发互联网项目做得雷同，只是简单将现有功能模块复制一遍，然后图标放大、字体放大，在银发人群中不会留下深刻印象，最终的命运只会是即用即弃。而上述项目在产品功能上确实是有特点的。比如糖豆为便于广场舞KOL拍摄出银发人群眼中的炫酷视频，开发出绿幕抠像功能，可以将舞者安放在公园、广场、山川等各种预设的背景中，还可以将单个舞者复制成三、五甚至七八个，在画面上呈现出群舞的效果。这个功能至少在2019年就已上线，而主流视频App几年之后才上线类似功能。再比如美篇，为了便于银发人群图文创作，App设计了提供高清图片、高清视频、音乐的素材库，并将其作为会员收费项目。与之对比的是，微信公众号经过多年发展，影响如此之大，但后台只提供编辑功能，图片素材仍需要创作者自己解决。这些创新的功能点，背后蕴含着对银发人群的深入洞察，这种洞察决定了产品好不好用、是不是真能击中银发人群的痛点，决定了能不能在银发人群中建立独特的用户心智，决定了银发人群是即用即弃还是来了就不想走，决定了在一堆同质化产品中是否能够脱颖而出，走向下个决胜点。二、抓住流量红利，顺势起飞2016年后一批专做老年内容的公众号之所以能崛起，流量红利所起的作用显然占了更大的比重。在中国老人人手一台智能手机之前，银发人群接受信息的渠道主要是电视、报纸、杂志，信息来源的主体一般是官方媒体。但随着智能手机在老人中的渗透率越来越高，并在2016年达到一个临界点，中国老人从传统媒体平台大量流失，对互联网内容的饥渴越来越大，但此时主流互联网还将注意力放在年轻人身上，相应的老年内容供给非常缺乏。此时一批敏锐的内容创业者转战老年人群，聚焦在养老金调涨、养生健康、单身老人寂寞情感、社会对老人偏见不公、领袖和明星人物故事等极易引发老人共情的主题上，无需原创，只要将全网素材整合编辑，就能源源不断制作出让老人疯狂转发分享的10万+爆款文。而且单独一个公众号显然不能将老年流量收割干净，开设几十上百个公众号形成矩阵并互相导流，组织公众号专属的读者社群，再鼓励群里的老人分享转发到自己的群和朋友圈，形成进一步裂变。这些内容本身具有非常高的裂变属性，再叠加上空闲时间很多、希望以转发显示存在感、间接“暗示”子女关心自己的银发人群，最终会实现几何倍数的传播。再加上当时微信流量成本很低，大量投放花钱购买粉丝十分划算，因此许多公众号的粉丝也在短短几个月内增长数十万甚至数百万之多。小程序在2017年后的崛起更是抓住了银发流量红利的典范。比如专注有声影集和短视频的小年糕，最早于2014年上线App,但一直不温不火。2017年1月微信小程序面世，当年5月底小年糕就推出小程序，并与公众号绑定，打通公众号与小程序之间的无缝导流，从而快速扩充了小年糕的用户群体。当时一个月之内，小年糕用户量就从1000万涨到2000万。2019年时，小年糕的中老年用户已经高达1.1亿，在全体用户中占比超过80%。类似的小程序还有很多。根据阿拉丁研究院公布的小程序TOP100榜单显示，2017年8月开始，小年糕、卡娃电子相册就进入榜单，之后美篇等图文制作小程序陆续入榜。2018下半年到2019年，许多模仿跟风的流量玩家进场，在阿拉丁公布的小程序排行榜里经常会看到一些不知名的公司轮番上场。这些小程序的操作非常简单，相册类小程序可以直接一键更换模板，模板随着节假日及时间变化，每到节假日期间，这种相册类小程序就会瞬间火爆，带来大量流量。2019年开始，受快速崛起的抖音快手短视频平台带动，流量玩家又转战短视频领域，各种短视频小程序从2019年开始集中涌现。这些小程序中的内容多是来自各个视频平台，部分视频中还留有腾讯、西瓜、火山等平台的水印。并且这些新进入玩家大量铺设相同主题相同内容的小程序以及公众号矩阵，目的也是简单直接，只为尽量做大流量，为下一步变现做准备。在前述垂直App的发展过程中，流量红利也曾经起到重要作用，不过场景发生在手机上的应用市场，时间窗口也比较短。业内人士透露，2015-2017年时在应用市场上去做广场舞App的广告投放，获客成本只要1.5到2元，这种方式支撑了少数头部广场舞App的快速起量并接连获得大笔融资。不过在应用市场的投放成本逐渐走高之后，这种模式不再走得通，用户增量开始枯竭，之后受到抖音快手的虹吸效应，更是出现用户大量流失的情况。三、变现路在何方？变现是银发文娱在走过产品、流量两个关口后必经的第三个关口。下面就来看看银发文娱都走过哪些变现之路，它们的表现又是如何。广告上面提到过的流量型银发文娱项目，一般公司规模很小，团队只有个位数，但因为掌握着大量老年流量，通过广告变现，高峰时一个月能实现数百万元的净利润。但这个模式能够成功的关键一是在于流量成本必须很低，二是在于有源源不断地愿意支付高额广告费用的广告主。不过有能力有意愿支付高额广告费的广告主是稀缺资源，时常有不正规的保健品、化妆品甚至诈骗团伙隐匿其中，对银发文娱项目来说存在很高的法律风险。因此一旦流量成本提高或者平台监管趋严，这个模式就很难维持下去。糖豆、美篇等代表性App,对外宣称用户过亿，如糖豆2020年中老年用户超2亿、55岁以上用户占比超过50%，美篇2019年累计注册用户超1.2亿、65%以上中老年用户。但他们均未披露过广告收入的数据，只能猜测这些数据并不像想象中那么亮眼。知识付费/会员权益美篇在2019年推出过价格29.9元起/本的中老年回忆录，根据官方宣称，2019年双11期间达6000单/天，交易额破百万。彩视营收亦无公开数字，有媒体报道会员权益可占到50%，付费人数在数十万量级，包含两档68元/3个月和198元/年，权益包括会员身份标识、视频制作特权（特殊模板与素材、高清）、社交功能特权（类似陌陌）等。主播打赏多个App都先后推出过视频直播和主播打赏。据了解，彩视的直播分成在高峰期可占营收50%，活跃用户月支出在五六十元左右。美篇曾向外透露，2018年全平台的打赏月流水曾达到千万级。但真正属于银发人群的知识主播和草根主播并不多，反而是颜值主播贡献的收入比重更大。这看起来更像是一个成熟的主播团队在做透年轻人平台后，又选择一个新的未被开垦的老年人平台继续赚钱。旅游旅居旅游旅居在银发文娱的各种变现方式中相对走得比较成功。疫情前的2019年，多个数百万粉丝的公众号矩阵能够将旅游旅居收入做到千万量级。另外，一家位于上海地区的老年退休生活平台，以电视节目、公众号、直播间、老年报、线下活动为运营载体，据称拥有一百多万老年会员，2019年旅游收入曾达到数亿元。变现之路如何打通以上梳理足以说明，银发文娱的大多数变现方式仍未走通，像旅游旅居这种验证走通的模式在过去几年又受到疫情的阻击，仍需要一定时间恢复。而银发文娱之所以如此难以变现，背后逻辑可以用一个简化的等式帮助说明，即变现收入等于用户规模乘以用户平均收入。一般来说，超大用户规模匹配低用户平均收入或者中低用户规模匹配高用户平均收入，两种方式都能实现理想的收入，前者代表是雁过拔毛的互联网广告，后者代表是重度氪金的游戏。恰好银发文娱在过去十年的发展里，常常是中低用户规模匹配中低用户平均收入，与上述两种情况都不相关，变现收入自然提不上来。在用户规模上，银发文娱项目在经历前期用户高增的流量红利后，不久就会受到同类竞争者和新兴平台的挤压影响，用户规模很容易出现增长放缓进而大量流失。上文提到糖豆2020年中老年用户超过2亿，但具有实际商业变现价值的月活用户肯定显著低于用户总量，而且在经历同为短视频竞争对手的抖音、快手、微信视频号的轮番争夺后，这个数字无疑会进一步降低。根据QuestMobile数据，2022年8月糖豆的银发人群月活跃用户仅为311.8万。这一数字显著低于同期头部短视频平台的广场舞KOL.根据QuestMobile,2022年8月银发人群用户在典型广场舞KOL月活跃用户规模，“小帅健身广场舞”为946.7万，“华州敏儿广场舞”为726.4万，另外还有多位KOL月活跃用户在300万-400万之间。主打视频制作的彩视也受到新对手的强大竞争。根据QuestMobile,2022年8月银发人群在视频工具App行业月活跃用户规模排名中，彩视仅排名第五，月活跃用户仅58万，而排名第一的是2019年上线、抖音官方推出的剪映，月活跃用户高达848万。微信和抖音、快手上虽然有一大批专注银发人群的公众号矩阵和银发网红，但粉丝量大多集中在三五百万量级，与动辄千万粉丝的剧情段子、颜值主播等大号争抢广告收入毫无竞争优势，如果选择直播带货，与美妆、服装大号竞争的专业度又显得很不够，后者百万粉丝却可以年销上亿，靠的不只是粉丝数量，更是对产品设计和供应链的掌握。在用户平均收入上，前文已梳理，大多数情况下银发付费用户对线上业务能够贡献的收入在几十元至一两百元之间，而且付费用户在整个银发用户里占比并不高。之所以线上收入提不起来，是因为大多数App和公众号、小程序、抖音号、快手号，主要精力都放在内容的制作和传播上，与银发用户缺乏线下场景深度互动，银发用户看完即走，双方之间缺乏情感维系和信任感，从而无法形成强粘性和持续变现能力。因此银发文娱项目要想走通变现模式，无非是两条路，一条是做大用户规模之路，初期依靠流量红利、内容红利积攒大批银发用户后，不要留恋这个单一用户群体，而是果断迅速向全年龄段尤其是中青年人群进发，就如B站、小红书初期圈定90后年轻用户后，果断向80后甚至70后进军，然后依靠超大用户规模赚取广告收入；另一条是做深用户信任之路，初期依靠线上方式积攒大批银发用户后，果断加强线下运营，线上线下双轮驱动，做深做透银发用户对平台的信任感，然后用高客单价的产品进行变现。本文来源;虎嗅APP文章转载于其他网络，如有侵权请联系我们及时删除！
-
24
11/02
校园，超级App下一个必争之地
超级App,竞逐校园。超级App正涌入校园细分场景。校园，正成为超级App们眼中的“价值洼地”。近日，饿了么APP上线“学生版”。目前，全国5000多所高等院校的学生已可体验新版本功能。当学生用户将配送地址切换至具体高校，并完成学生账户认证后，饿了么APP将显示定制化的学生版主页以及学生专属福利：既包括学生群体特别偏爱使用的甜品饮品、爆红包等功能，还包含校园食堂、学生拼团、品牌学生价等定制化功能。此外，作为饿了么APP学生版的特色核心服务，饿了么还为学生提供了配送入校、送到宿舍、校园食堂、校内“同学说”等升级服务。饿了么学生版相关负责人钟朝平透露：“在所有外卖人群中，学生用户的需求很特别，一个是他们更关注价格和优惠，另一方面出于校园环境的特殊性，他们也需要更多特制化的服务，例如点校园食堂订单、外卖送到宿舍、同宿舍一起拼团下单等。”当然，饿了么在校园场景想做、能做的事远不止外卖服务——即时零售是其更核心的着眼点。“即时零售”是指用户在线下单商品，一小时或半小时内即可送达的业态。根据艾瑞咨询最新发布的《中国即时配送行业研究报告》测算，2023年即时配送行业规模约为3410亿元，预计2028年行业规模将超8100亿元。在线外卖用户规模达5.3亿人，占全国网民数量比重近50%，基于高比例的外卖渗透，消费者即时电商消费习惯逐步养成。据饿了么平台数据显示，最近一年来自高校的订单已达超10亿单规模，学生群体对外卖的需求已经不止用餐：从三餐到零售，学生群体对供给的品类、品质需求都在不断提高，美妆、娱乐等悦己生活服务消费占比正在快速提升。饿了么于8月发布“数字校园生态联盟计划”，宣布将全面升级“智慧校园”数字化服务，并继续加大对高校场景的平台投入。近日，杭州师范大学资产经营有限公司下属师达公司与饿了么合作，联合上线高校数智校园生活服务平台校园“随e达”。据介绍，校园“随e达”平台整合了校园内的各项供给，目前已上线的美食外卖、校园超市、校园文创、师达云超、随e行、校内商业等服务内容，涵盖校园生活饮食、购物、出行等方面。同时，“随e达”可以为管理者提供校园数据的管理和分析。目前，杭州师范大学校内师生已可通过“钉钉师大生活”进入平台，选择商品下单后，可以通过支付宝或校园卡进行支付，饿了么骑手会将商品或餐品配送至校内宿舍楼外卖柜或者办公楼。通过与饿了么共同推出校园“随e达”平台，除了通过数字化提升了校内的电商购物体验，也将即时配送的物流网络规范化地引入校园。据介绍，校园“随e达”上线前三天，外卖订单量已突破10000单。目前饿了么针对校园环境定制了专属高校配送方案，比如骑手将身着统一标识的工作服，并配戴工牌，便于校方管理人员及师生快速识别身份；骑手将经过培训与考核，以掌握安全知识、服务礼仪、校规校纪；在校内骑行时，骑手会遵循25公里每小时的限速，并且不得在上下学高峰期时在人流中快速穿行……同时盯上校园市场的，还有二手交易平台闲鱼。同样在9月，闲鱼正式上线“学生鱼”新功能，这是闲鱼为学生群体打造的专属交易交流频道。当搜索到“学生鱼”时，点击顶部入口即可进入闲鱼的校园频道。“学生鱼”不仅将各大高校的校园集市搬到了线上，还设置了热帖、兴趣交流、拼团、校园新鲜事等特色功能。接下来，闲鱼还将与高校大学生合作，开启“闲鱼校园精英计划”，邀请学生参与本校“学生鱼”频道的运营。更早前，针对大学生群体，一些互联网平台也有所动作。例如，在2021年，bilibili校园便上线。bilibili校园是一个专门为同校同学推出的校园社区，它鼓励用户讨论所在学校的新鲜事，分享学习感悟和经验、展示才艺技能等。自2013年起，长租公寓平台自如启动针对毕业生的“海燕计划”，至今已有370万毕业生受益，自如累计提供的租房支持金额达12亿元。据介绍，今年的“海燕计划”预计将为毕业生提供超亿元租房支持，包括押金减免及安家基金。当前，一些线下连锁品牌也在进驻高校。9月19日，老乡鸡的首家校园店武汉大学校园店开业，这意味着老乡鸡正式布局高校市场，也是其对年轻消费者市场的一次深度挖掘。更早前，海底捞等品牌也将实体店开进大学校园。由于客流量稳定，在校园的商业业态迭代过程中，教辅、培训等教育高相关度品类最早聚焦校园市场；此后，各业态逐步布局。如今，校园人群也日趋注重价值消费、体验消费、社交消费、个性化消费，以饿了么、闲鱼为代表的泛受众类超级App正在将校园视为典型细分场景。这背后，是日益庞大的大学生市场。从用户体量来看，根据官方数据，2023年，各种形式的高等教育在学总规模4763.19万人，比上年增加108.11万人，增长2.32%。从消费水平来看，根据天猫商家成长团队发布的《青春消费阵线——校园市场的无限潜力与蓬勃前景》报告，中国高校在校生消费规模预计在2024年至2028年间从约13000亿元上升至约16000亿元。同时，人均年消费水平也在不断提高，从2015年的1.6万元增长到2023年的2.9万元，预计到2028年将达3.5万元。另据艾媒咨询发布的《2024中国大学生消费行为调查研究报告》数据显示，七成以上的受访大学生月均支出水平集中在1000-2000元之间，其中，超四成的受访大学生月均收入在1501-2000元。其粗估2024年中国在校大学生的年度消费规模约为8500亿元。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除！
-
24
11/02
语言模型驱动的软件工具思考：可解释与可溯源
语言模型在软件开发的应用与挑战。语言模型正在变革软件开发流程的各个环节，包括代码的生成、编辑、测试、调试等。在开发和训练代码语言模型时，人们需要统一的收集清理数据、训练模型、更新调整等。因此，我们预期，针对模型训练的分析技术将成为新的一层架构来回答“模型是如何产生某个预测的”、“模型预测是如何逐渐训练得到的”、以及“我们应该怎么做去修改和增强某个预测”等问题。在今年8月份举办的AICon全球人工智能开发与应用大会上，上海交通大学计算机系副教授林云做了专题演讲分享“语言模型驱动的软件工具思考：可解释与可溯源”，深入探讨了如何分析模型、追溯训练样本，并构建数字孪生环境来测试代码编辑模型，最后展望了未来大模型对软件开发范式的影响。以下是演讲实录（经InfoQ进行不改变原意的编辑整理）。非常荣幸能够在这里与大家分享我们团队的最新研究成果。我们一直在探索如何利用语言模型来生成代码，并深入理解这些模型背后的原理。目前，语言模型在软件工程领域的应用日益广泛，已经逐步介入到设计、编程、测试和调试等多个环节。我们的研究团队致力于将语言模型融入这些环节中。在语言模型出现之前，我们已经有了传统的代码编辑的技术，但语言模型的介入使得编辑过程变得更加智能化，我们称之为“生成式编辑”。它能够辅助我们完成整个代码栈的工作。接下来，我会介绍我们与字节跳动合作的一个项目，该项目旨在自动定位代码编辑的位置，并在特定行生成所需的编辑内容。在语言模型生成代码之前，我们也在解决测试用例生成的问题。按照传统方式，我们会将测试用例的生成视为一个约束求解问题，关注如何实现分支覆盖和路径覆盖。但语言模型的出现让我们开始思考，我们是否可以实现需求覆盖，即不仅仅覆盖特定的分支，而是结合需求和分支，生成更符合项目特点的测试用例。此外，我们也在探索如何让语言模型自动调试代码。过去，开发者常常自嘲说，自己写的bug含泪也要修复完。但现在，也许我们要含着泪修复AI帮我们写的bug.AI时代的代码调试问题也许是一个新的挑战。因此，我们也希望有新的智能化技术能够帮助开发者发现并修复bug.在这项工作中，我们的目标是将调试问题转化为在代码执行轨迹上找到第一个出错的步骤，然后让语言模型在这个轨迹上通过交互不断定位错误，并指导开发者了解错误是如何发生的。训练软件工程语言模型的“套路”当我们深入研究语言模型在软件工程中的应用时，我们逐渐发现了一个反复出现的模式，或者称之为“套路”。在这个套路中，我们是这么做的。首先，我们需要收集和清洗来自Git、JIRA、Jenkins等软件工具的数据，将它们转换成训练数据集。这些数据集随后被用来训练代码模型，最终这些模型被集成到集成开发环境（IDE）中。无论是进行测试生成、调试、代码生成还是测试用例生成，我们通常会遵循这个方式。但随着时间的推移，我们意识到，尽管这个套路在业界得到了广泛应用，但在实际应用中却并不简单。例如，当我们训练出一个模型后，我们首先想知道的是，模型为什么会做出这样的预测。毕竟，模型本质上是将大量的数据集压缩编码到代码中，然后利用其泛化能力进行各种生成任务。那模型的预测是如何产生的？我们知道，模型并非一蹴而就，而是经过数小时甚至数天的训练，经过多次迭代才得到的。因此，我们想要了解模型预测的具体生成过程。最终，我们希望能够提出一些方案，自动矫正模型中不符合我们期望的行为。上述套路解决的是"AIforSE"，即我们提出了AI解决方案来帮助程序员完成任务。但随着AI解决方案的增多，我们发现需要一个"SEforAIforSE"的基础框架，以支持和管理这些AI解决方案。案例研究：交互式代码编辑(CoEdPilot)在具体介绍上述框架解决思路前，我想先跟大家介绍下我们与字节跳动合作的一个研究案例，这个案例恰恰符合我们之前讨论的“套路”。我们称这个过程为“编代码、编辑定位”。在现代代码仓库中，编写代码并不总像Copilot那样，给出一个注释后自动生成十几行代码。更多的时候，我们面临的是编辑任务：根据需求修改某一行代码，删除一行，或者更改一行中的几个字符串。这种编辑往往是跨文件的，一次编辑可能会影响到多个文件。在我们的案例中，我们首先关注的是编辑定位问题。当出现一个需求或者一个编辑请求时，我们希望能够迅速定位这个编辑在整个项目中如何传播。接下来，我们想要解决的是编辑生成问题。一旦我们知道某一行需要修改，我们就想进一步推荐出这一行具体应该改成什么样子。我们希望通过人机交互来实现这一点，利用人的反馈来进一步推荐下一轮的编辑定位和编辑生成。我们的工作目前集中在开发一个VisualStudioCode插件上，这个插件旨在帮助用户根据输入的需求自动定位代码修改的位置。用户一开始会输入需求，插件会生成一个定位提示，显示整个文件中可能需要修改的地方。在这个提示中，红色标记代表可能需要修改的地方，而绿色标记则表示可能需要添加内容的位置。当用户选择某个特定的位置后，插件会通过一个差异比较（DIFF）视图来展示这一行代码可能的修改方式。用户可以从多个选项中选择。一旦用户接受了某些建议或者拒绝了某些建议，这些反馈就会被收集起来，作为新一轮输入和迭代的数据。这个插件的核心思想在于，我们通过收集代码提交的信息来训练模型。每个提交通常包含多个代码修改，这些修改也被一并收集。通过训练，模型能够在整个项目中滑动窗口，识别出需要修改的地方，并推荐出具体的修改内容。代码编辑的基本设计思路我们的基本设计思路是将代码编辑任务分解为几个小模型来实现，避免直接将整个代码库喂给一个大模型，这样做的原因主要是为了减轻模型的计算负担，包含两个核心部分：任务分解和矫正反馈。首先，任务分解的目标是将一个大模型拆分成几个小模型，这样可以减少模型的输入量。例如，输入1万行代码与输入30行代码的效果是有很大差异的。我们使用三到四个小模型来完成这个任务。其次，我们希望通过与用户的交互来实现矫正反馈。具体来说，我们首先使用一个小模型，通过滑动窗口来预测文件中可能需要修改的位置。核心思想是比较两段代码的语义相似度和依赖关系，以判断它们是否会产生协同变化。在得到这些信息后，我们使用另一个小模型，将问题转化为一个分类问题。给定一个滑动窗口，窗口中有多行代码，我们根据之前的编辑来预测每一行可能发生的编辑类型。这样，我们不需要处理一个很大的窗口，只需要对每一行进行分类即可。训练模式采用的是指令微调，即给定一个指令（如替换或保留），然后让模型预测每一行的编辑类型。得到编辑类型后，我们使用另一个基于Transformer的编码器-解码器模型来生成具体的内容。当我们确定某一行需要添加或替换时，就让这个Transformer生成相应的内容。这样，我们就大大减少了活动窗口的大小。最后，我们使用另一个模型来学习之前的编辑，将之前的编辑作为Transformer输入和反馈设计的一部分。通过这种方式，我们在定位的准确性和生成内容的准确性上都达到了一个可接受的程度。哪些训练数据影响了这次预测?当我们构建并训练了代码模型后，我们希望它能够自动定位代码编辑的需求，并最终集成到IDE中。然而，我们发现在某些情况下，模型的表现并没有达到我们的预期。为了解决这个问题，我们首先需要进行训练归因分析，以了解为什么模型会做出特定的预测。我们想要回答的核心问题是：为什么模型认为某行代码需要修改，或者需要插入代码？为了解决这个问题，我们从三个角度进行思考：样本归因、表征归因和仿真验证。归因问题在机器学习领域是一个经典问题。我们想要了解的是，哪些训练数据真正影响了模型的预测。当我们面对一个严格的数学问题陈述时，我们可以这样表述问题：给定一个训练样本Zi,如果我们对这个样本进行权重调整（增加或减少ϵ），模型会发生什么变化？因为模型是在看到数据后才进行神经元调整的，所以我们想要了解哪些预测相关的神经元是由哪些数据调整的。在数学层面上，这个问题可以通过一个公式来描述。我们有一个测试集_X_test和一个训练集_X_train.我们想要了解_X_train和_X_test之间的关系。如果我们发现_X_train和_X_test的值是一个大的正数，这意味着如果我们更多地训练_X_train这个样本，模型在预测_X_test这个样本时的表现会变得更好。相反，如果_X_train和_X_test的值是一个大的负数，比如说-0.9，这意味着如果我们更多地训练_X_train这个样本，_X_test这个测试样本的预测会变得更糟，说明这两个样本之间存在矛盾。如果_X_train和_X_test的影响因素是0，那就意味着无论我们增加还是减少对_X_train的训练，对_X_test的预测都没有影响。要理解模型预测的影响关系，我们可以从理论上推导出三个决定性因素。首先，模型对测试样本_X_test的拟合程度会影响其预测。每个测试样本都有其损失函数和标签，模型在拟合这些样本时会朝某个方向移动，这个方向反映了参数空间的调整。其次，模型对训练样本_X_train的拟合方向也是一个重要因素。如果模型在拟合_X_test和_X_train时方向一致，那么它们之间会有正向影响；如果方向相反，则会产生负向影响；如果方向的夹角为零，则它们之间没有影响。最后，Hessian矩阵及其逆矩阵代表了所有样本之间的交互效应。Hessian矩阵是损失函数对所有参数的二阶导数的矩阵，其逆矩阵反映了样本间的相互作用。然而，计算Hessian矩阵的逆在实际中是非常困难的，尤其是当模型参数达到百万或千万级别时。为了解决这个问题，我们提出了一种改进的想法，即通过多次变异模型来模拟Hessian矩阵的效果。我们可以通过在参数空间上进行抽样来模拟Hessian矩阵，观察模型在多次变异后对训练样本和测试样本的影响。如果变异后的模型在训练样本和测试样本上都显示出对抗性或正相关/负相关的影响，那么我们就可以认为它们之间存在相互影响。通过这种技术，我们发现模型预测中的一些问题并不总是源于模型架构，而是可能源自训练数据集本身。例如，在开源数据集上运行模型时，我们可能会发现模型的某些错误预测实际上可以归因于训练数据的标注问题。例如，在服装分类任务中，开源数据集可能会将非常相似的服装款式标注为不同的类别，而人类观察者可能会认为这些款式是相近的。这种令人困惑的标注会影响模型预测的性能。为此我们设计了新的影响函数在很多开源数据集上找到了很多标注bug,并发表在了NeurIPS’22的会议论文《DebuggingandExplainingMetricLearningApproaches:AnInfluenceFunctionBasedPerspective》上。将影响函数应用于代码编辑生成任务我们将影响函数应用于代码编辑生成任务中，以评估每个预测背后的有益和有害训练样本。有益的训练样本是指那些通过增加训练量可以提升特定测试样本表现的样本，而有害样本则是指增加训练量会降低某些测试样本表现的样本。我们发现，对于任何一个测试样本，有害样本和有益样本的数量通常都非常少。通过这种方式，我们可以发现模型预测的具体影响。例如，当我们的模型预测需要将代码中的版本号从0.01更改为0.02时，使用影响函数进行归因分析，我们可以看到与数字变动相关的训练样本，这与模型的表征空间是相关的。在函数调用中添加参数时，模型应该定位到代码窗口中的某一行，并预测需要替换的行以添加类似的参数。对于这样的测试样本，模型的预测和归因分析将揭示出形状相似的代码标注，指出在语法上需要添加子节点。这种归因分析有助于我们理解哪些训练样本对预测有重大贡献，从而发现可能存在的标注问题。例如，我们可能会发现原本认为相似的代码样本实际上在语义上有很大差异，这表明我们的标注可能存在问题，或者标注的语义不够丰富。此外，在代码编辑中，commitmessage的质量非常重要。相似的commit或者过长的commit可能会导致信息量减少，从而形成打架效应。这意味着，为了提高代码编辑的质量，我们需要确保commitmessage的书写质量非常高，避免使用过于冗长或含糊不清的描述。我们觉得未来可能会有好几个方向可以尝试，第一是通过影响函数，可以帮助我们去做数据分析，判断到底哪些是脏数据，或者说非预期的训练数据产生了坏的影响。第二个是当产生坏的影响之后，有可能我们需要对整个数据进行重标注，所以我们也在尝试在训练过程当中动态地去更新某一些标注，因为我们永远不能保证人标的东西就一定是对的，或者说预期的标注就是我们想要的。最后是想去观测，如果有些训练样本有非常高的互影响的话，就意味着整个训练数据集有可能是冗余的。我们大量地在收集数据集，但是数据集过大真的是件好事吗？对此我们其实也是存疑的，我们有没有可能利用一个小但质量非常高的数据集产出一样的效果？这对模型训练效率的影响其实是非常大的。表征归因在讨论完样本归因之后，我们来谈谈表征归因。表征归因是深度学习的核心，因为深度学习本质上是表征学习。无论是处理图像、声音还是文本，深度学习的目标是将这些输入转换成向量，然后进行矩阵运算。以文本为例，深度学习模型需要将每个单词映射到向量空间中。在这个空间里，语义相近的词汇（如“男孩”和“女孩”）的表征应该彼此接近，而语义相距较远的词汇（如“猫”和“狗”）的表征则应该相距较远。在自然语言处理（NLP）中，我们希望模型能够通过单词的embedding来捕捉这种语义关系。如果我们能够训练模型，使其对每个样本或单词的表征具有这样的语义效果，那么模型就能逐渐发展出接近人类的预测能力，从而能够进行更自然的交流。然而，我们面临的一个主要挑战是，真实的表征空间可能是512维、1024维或768维，而人类很难直观理解高维空间中的变化。模型训练初期，样本的表征通常是随机分布在高维空间中的。随着训练的进行，这些表征会逐渐变化，最终形成一种分布，反映出人类的理解能力。我们可以将模型训练过程视为样本表征在高维空间中的运动。一开始，这些表征是无序的，但最终会形成一个有结构的分布。我们希望能够在二维空间中帮助人们理解这些表征是如何变化的，例如，猫和狗的表征是否真的接近。这将能为提供巨大的信息量，帮助我们更好地理解和改进模型。在过去的工作中，我们的目标是将模型的训练过程可视化。模型训练本质上是样本表征在高维空间中的变化过程，但由于这些维度通常是数百甚至数千维，这使得直观理解变得困难。因此，我们希望能够将这一过程投影到二维空间，使人们能够直观地看到，例如，两只猫的样本表征如何逐渐靠近，而猫和狗的样本表征如何逐渐远离。将训练过程转化为二维动画后，我们不仅可以观察到模型在表征空间中的运动，而且还可以与动画进行交互和分析。在模型训练过程中，我们通过可视化技术观察到了一个有趣的现象，即干净数据和噪音数据在表征空间中的运动轨迹存在显著差异。例如，在某个训练阶段，我们可以将橘黄色的点视为干净数据，而黑色的点代表噪音数据。如果我们观察到最后一个训练阶段，比如模型学习"apple"这个词汇时，会发现无论是干净数据还是噪音数据，模型最终都能达到很高的准确度。然而，它们在训练过程中的运动轨迹却大相径庭。干净数据在经过一两次训练迭代后，很快就能定位到它应该在的区域。相比之下，噪音数据则表现得像“钉子户”，在初始位置上停留很长时间，直到训练的后期，由于模型内部的某种“拉力”作用，它们才最终被拉回到适当的位置。这种现象不仅揭示了噪音数据在训练过程中的顽固性，也为我们提供了一种新的思路，即如何在训练过程中有效地去除噪音。通过观察数据在表征空间中的运动，我们可以识别出那些不易被模型正确学习的噪音样本，并采取相应措施。回到代码任务本身，我们注意到基于检索的生成（RAG）是一个非常热门的领域。在这种情况下，检索能力变得至关重要。在这个语义空间中，我们可以观察到代码表征的分布情况，同样也可以观察到代码描述的表征分布。这种映射允许我们在给定一个自然语言描述时，在整个语义空间中搜索与其最接近的代码表征。这样，与描述最相关的代码就可以被检索出来。基本上，这是一种在高维空间中进行代码检索的方法。通过这种方式，我们可以根据代码的自然语言描述快速找到相应的代码实现，从而提高代码检索的效率和准确性。这种方法利用了深度学习模型的能力，将文本描述和代码映射到同一个高维空间，使得相关代码的检索变得更加直接和有效。高层语义编辑距离在深入研究模型训练过程中的表征时，我们有时会发现模型可能只是学习到了表面现象，而并没有真正理解人类所理解的概念。例如，当我们探讨高层语义编辑距离时，可以通过比较两个序列或字符串来观察这一点。我们可以将字符串进行匹配，就像在本科课程中学到的字符串匹配算法那样。这种方法也可以应用于代码，因为代码中的每个token也都有一个高维的语义表征向量。例如，return这个词在代码中会有一个语义表示，我们可以计算两个return之间的语义相似度，从而判断它们在语义上是否大致相似。通过这种方式，我们可以对整篇代码进行理解。如果我们使用像CodeBERT这样的模型来训练代码，使用表征距离或高维空间的语义表征来对齐两篇代码。但是，在训练的初期，代码可以被正确对齐，但在训练的后期，模型可能会将versiondownload这个词与if的表征关联得最近，而将data的表征与return的表征关联得更近。这种现象表明，尽管模型似乎学习到了预测代码和描述之间相似性的能力，但它的理解仍然与人类的理解存在较大差距。这提示我们在模型训练和评估时，需要更加关注模型是否真正理解了代码的语义，而不仅仅是表面形式上的相似性。通过深入分析表征，我们意识到在模型训练过程中需要加强代码和描述之间的对齐能力。目前，我们主要采用对比学习的方法来训练模型，但为了进一步提升模型的性能，我们计划在训练中加入更多的对齐机制。仿真验证（数字孪生）这部分我们想讨论的是一种称为仿真验证的技术，也就是数字孪生。在模型训练完成后，我们经常会遇到模型的评估指标，如准确率、召回率和F1分数等，看起来非常高的情况。这些数字并不总能代表模型在实际应用中能显著提升程序员的工作效率。有时候，即使模型的BLEU分数只差一点点，程序员可能仍需花费大量时间进行调整。另一方面，即使BLEU分数差异很大，也不一定意味着模型的预测结果不对。这是一个非常微妙的问题。为了解决这个问题，我们提出了数字孪生验证技术。在我们与字节跳动的合作中，我们进行了用户实验，让学生实际使用我们的工具进行编码。我们发现，即使在学术环境中，验证模型的预测是否真正有用是一项工作量非常庞大的工作。因此，我们希望通过代码提交，即编辑历史的一个结果，来恢复过去的开发过程。我们称这个项目为“Historian”，就像考古学家通过文物来还原历史一样，我们希望通过已知的代码提交来恢复程序员过去的代码编辑过程。在这个过程中，我们需要解决一些问题，例如两个编辑之间可能存在的偏序关系，确定哪个编辑先发生，哪个后发生。通过恢复整个代码编辑的开发过程，我们可以在这个过程中引入模型，并观察在什么情况下模型真正有助于提升生产力，或者是否实际上在拖累开发。我们需要评估模型的表现是否真的有助于提高效率，或者它是否与不使用模型时的表现相当。基本思路：从提交历史重现“当年的”开发过程在我们的工作中，我们建立了一个复杂的工作流程，旨在通过提交历史来重现程序员当年的开发过程。这个流程的出发点是确定在何种程度的BLEU分数下，模型应该采取下一步行动。我们的目标是利用历史记录来创建一个虚拟的程序员，这个虚拟的程序员能够基于单个提交（commit）恢复出多种可能的编辑过程。在这些编辑过程中，我们的模型将被引入。我们允许对这个虚拟程序员的行为进行配置，例如：在检查推荐时需要花费多少时间？如果推荐错误，他将被延误多长时间？如果推荐正确，他将花费多少时间进行审查？我们会根据不同情况来设定这些参数。在这个过程中，我们会模拟实际的编辑场景。例如，如果我们输入一个描述并产生编辑，这个过程可能需要77秒，这包括了第一次编辑、加载语言模型的时间（因为模型不是凭空产生的），以及推荐编辑位置所需的时间。如果我们的推荐正确，我们将计算产生的延迟；如果错误，我们将计算延误的时间。我们还会模拟用户检测推荐所需的时间。通过这样的模拟，我们可以与正常的编辑过程进行比较，以确定模型是在帮助用户还是影响用户。通过这种方式，我们基本上可以观察到，当模型被应用于实际的开发过程时，所有的性能指标，如准确率和召回率，实际上都会出现一定程度的下降。这是因为在现实世界中，模型的表现受到多种因素的影响，包括与人类用户的交互。这个就是我们的SEfor（AIforSE）框架，旨在探索和改进人工智能在软件工程中的应用。在这个框架中，我们预见到未来业界将越来越多地采用这种模式。程序员的工作方式正在发生变化，他们不再只是调用和开发API或修改第三方库，而是可能会需要收集训练数据来微调模型，就像调整第三方库一样。模型本质上是一种特殊的第三方库，程序员在未来可能需要学习如何编写更有效的提示（prompt）来与这些模型交互。这可能会形成新的工作模式。随着这些新工作流程的出现，我们面临着如何进一步提升和赋权这些模式的问题。目前的模型是概率模型，每次输出可能并不稳定，同时还需要解决模型输出的幻觉问题。为了解决这些问题，我们尝试提出了一些方法。例如，样本归因可以帮助我们追溯并理解对特定预测产生贡献的训练样本。通过分析学习后的样本表征，我们可以在表征空间上进行更深入的交互式分析。我们还提出了一个仿真验证过程，也就是数字孪生的概念。通过创建一个虚拟的程序员来进行编辑操作，我们可以模拟实际的开发过程，并观察模型在其中的作用。我们希望这种虚拟仿真的方法能够帮助程序员或大型企业验证模型的实际效用。如果我们想在生产环境中引入一个新模型，我们需要说服生产团队这个模型确实能够带来产能增值。通过数字孪生技术，我们可以模拟模型在实际开发过程中的表现，从而预估它可能带来的效益。展望：AI原生的软件工程实践随着人工智能时代的到来，软件工程的实践将发生根本性变化。过去，编程主要是为了交付软件产品。但在AI时代，编程不仅仅是为了交付，它还具有数据标注的意义。我们编写的每一行代码、提交的每一个commit、撰写的每一个需求，都可能被用来训练模型。这意味着代码编辑和整个编辑过程实际上在无形中完成了数据的标注工作。由于模型训练对数据质量有很高的要求，我们预见未来将出现一种AI原生的软件工程实践。我们将利用现有的数据来训练模型，然后评估这些模型是否符合我们的预期。有了新模型后，我们可以反向工作，利用模型预测的好坏来评估过去的编程实践是否合适。这个过程类似于梯度下降，从模型预测到生产过程或代码标注的反向优化。我们可以通过模型的性能和对数据质量的分析，反过来指导整个开发实践，告诉我们何时应该如何编写代码、如何记录代码历史，或者如何提出问题。以前，我们通常依据一些软性指标来推荐最佳实践，未来我们将有更硬性的理由来证明为何要这样编写代码。因为这样做可以使模型训练得更好。通过这种方式，我们可以不断调整实践，形成一个AI原生的软件工程范式，最终推动整个过程的自动化。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除！
-
24
10/25
低代码/无代码如何打破“鸡肋”困境？
前言： 低代码及无代码领域从2019年开始被资本市场关注，在争议中不断发展，至今仍存在诸多尚未厘清的概念有待探讨，因此我们全面研究梳理了低代码/无代码行业最新情况，试图探讨以下核心问题： 无代码/低代码是不是伪需求？ 近几年无代码/低代码行业快速崛起的驱动因素是什么？ 无代码/低代码行业和快速兴起的基于云的生意关系是什么？ 国内外无代码/低代码领域在近一两年有哪些新的行业趋势或变化？ 本次Scale Partners 势乘资本将力求全面、客观地分析这一行业，并在此基础上阐述我们当前的看法，并对未来趋势做出预判。 01 核心结论汇总 总体来说，当前无/低代码行业在中国面临专业编程人员不常用到，业务人员不易熟练使用的痛点。但是我们认为，在企业数字化转型的需求逐步强烈、IT开发人员的供给越发呈现出相对短缺的背景下，无/低代码产品的价值会逐步被市场认可。另外，随着未来适配VR等设备的虚拟内容数量的剧增，这部分内容创作的需求一方面需要依靠AI来满足，另一部分预计需要人借助低代码工具来满足。 表单驱动型无/低代码厂商可能难以解决跨行业、多场景的复杂需求，我们认为模型驱动型产品会逐渐成为主流。对低代码公司来说，提升产品力需要从两方面入手：一是提升底层技术实力，丰富数据模型的丰富度;同时要通过与专业的咨询公司、深耕行业的解决方案服务商等机构合作，加深对客户所处行业、业务开展的具体场景的理解。 考虑到低代码平台对用户的代码能力有一定要求，把控低代码平台上服务商的数量和质量很重要。良好的ISV生态不仅有利于企业低代码产品的推广，还有助于企业在特定区域市场内构建壁垒。 在软件开发和应用领域，开源的势头越来越猛，但考虑到行业内无/低代码平台的使用者的创新能力在推动产品精进方面的能力有限，我们认为无/低代码行业不太存在被开源产品降维打击的风险。 由于无/低代码企业将加强云计算企业的服务能力，云计算企业会继续保持对无/低代码行业的关注，并通过投资整合的方式将企业纳入自己的生态范围。从获客和增长的角度看，无代码企业倾向于与用户基数巨大的平台合作，低代码企业适合与提供定制化程度高的软件企业合作。 目前各个无/低代码平台上的模型、数据和应用程序可移植性不佳。这种局面可能是无/低代码平台和合作绑定的云计算厂商所乐见的，因为这将增强客户对自家产品的依赖程度。在无/低代码企业之间的竞争背后，我们一定能看到云计算大厂的影子。 众多国外无/低代码厂商在2021年初左右宣布进入中国市场，2021年互联网巨头也加大了在这个方向的投入力度。我们判断这个行业在未来会出现大量深耕特定行业或场景的“小巨人”，但单个“小巨人”可能不足以支撑起很大的估值，未来行业内的整合并购会非常活跃。 行业可能面临的潜在风险有：市场需求不及预期、技术研发进度迟缓、市场竞争加剧、数据安全和隐私保护等政策收紧等。 02 市场环境 1. 无/低代码行业的定义及边界 我们首先明确一下“无代码开发”、“低代码开发”的具体含义：所谓的“低代码开发”是指一种可视化应用开发方法，旨在让不同经验水平的开发人员能够通过图形用户界面，使用拖放式组件和模型驱动逻辑来创建 Web、软件和移动应用。 广义来说，“低代码开发”一词包括了“低代码开发”和“无代码开发”。这两者的区别直观体现在完成应用程序开发所需代码量上——前者仍然需要编写少量代码，而后者不需要书写代码。因此，低代码应用主要面向企业内部开发人员，无代码应用主要面向业务人员。在后端，低代码和无代码的差异主要体现在对代码的模块化封装程度上。 低代码和无代码分贝通过程序和封装模块实现特定功能 我们很容易看出，低代码平台属于PaaS层，架设在IaaS上，通过“应用程序平台即服务(aPaaS,application Platform as a Service)+集成平台即服务(iPaaS,integration Platform as a Service)”共同构建。 2. 行业历史及阶段 (1)行业整体发展历程概览 低代码开发的理念最早可以追溯至20世纪80年代第四代编程语言的提出，2000年可视化编程语言(VPL)助推低代码开发这一理念进一步发展。2014年，Forrester Research正式提出“低代码开发平台”(LCAP)这一概念，2018年Gartner进一步提出aPaaS和iPaaS概念，让低代码行业受到越来越多的人关注。 在《2021年中国ICT技术成熟度曲线报告 (Hype Cycle for ICT in China, 2021)》中，低代码应用开发平台(LCAP)首次作为新兴技术热点被纳入。根据Gartner的预测，到2024年，所有应用程序开发活动当中的65%将通过低代码的方式完成，同时75%的大型企业将使用至少四种低代码开发工具进行应用开发。 备注：第一代到第四代计算机语言 第一代语言(或机器语言)：一种面向计算机的程序设计语言，使用0和1表示各种命令。使用者通过计算机系统开关的面板输入指令到计算机系统中。 第二代语言(或汇编语言)：程序中的每一行直接对应到一条处理器指令，每种语言写出的程序只能运行在特定的一类处理器架构上。 第三代语言(高阶汇编语言)：比第一代及第二代编程语言更加的抽象化，一句话对应多条汇编语言。高阶汇编语言更加接近人类的语言，需要编译器或是直译器。 第四代语言(目标语言)：目标语言的核心在于用清晰、明确、规范的语言，来精准地描述出使用者要实现的功能。目标翻译器会自动把目标语言翻译为计算机的操作语言。 (2)低代码行业在国外发展情况 1999年，Salesforce创立 2001年，Outsystems创立 2007年，MIT将低代码开发理念应用于儿童编程领域，推出Scratch 2015年，Amazo、AWS、Google、Microsoft等巨头开始入局低代码开发 2018年，Siemens收购Mendix,将其与工业互联网平台MindSphere整合。同年OutSystems获得KKR、Goldman Sachs等机构融资，成为行业独角兽 (3)低代码行业在中国发展情况 国内部分低代码平台厂商最早从事BPM相关业务，自2014年开始逐渐转型。这一时期主要玩家是传统软件厂商(如金蝶、用友、致远互联、泛微等)，使用者更多是懂代码的开发者。同时客户需要购买服务器、部署环境、开发上线，从使用到上线门槛较高。 自2019年开始，国内互联网大厂开始布局无/低代码行业。基于公有云，无/低代码产品使用门槛进一步降低。用户通常只需要注册一个账号就可以使用，产品的易用性、用户体验能有显著提升。这一阶段随着互联网基础设施建设不断健全，很多无/低代码产品可以直接调用系统，无需自行开发。 2010年，奥哲成立，发布H3 BPM 2012年，伙伴云成立 2013年，明道云成立 2014年，APICloud、IVX成立 2015年，轻流成立，帆软推出“简道云”，华炎软件推出低代码开发平台“华炎魔方”，奥哲推出“氚云”(并于次年与钉钉达成战略合作) 2016年，葡萄城GrapeCity推出企业级低代码开发平台"活字格";同年无远、数睿数据成立 2017年，ClickPaas成立，并于次年发布aPaaS产品 2018年，九章信息科技孵化推出搭搭云 2019年，黑帕云、数式科技、白码、维格表成立，并于当年上线相应无代码或低代码开发产品 2019年，阿里“宜搭”低代码应用搭建平台上线，与钉钉打通 2020年，华为推出AppCube 2020年11月，字节推出飞书多维表格 2021年初，腾讯云“微搭”低代码平台上线 (4)行业正在发生的趋势与变化 1)由于模型驱动型产品能够满足更加多样化的需求，越来越多的企业开始从表单驱动向模型驱动转换。在打造模型驱动型产品时，数据安全性、接口多样性、模型丰富性是客户较为关注的维度; 2)随着产品的完善和模型的积累，无/低代码平台将逐渐从企业管理事项逐步向企业核心业务场景切入，给出标准化的开发解决方案，实质地参与到企业价值创造的过程中; 3)越来越多的传统软件企业和云计算企业入局低代码行业，并加大了投资力度，防止低代码企业侵蚀自身SaaS业务和软件定制开发市场。部分企业通过投资、收购低代码企业的方式进一步增强对客户的服务能力，丰富自身构建的企业服务生态; 4)越来越多的无/低代码企业认识到了社区建设的必要性和意义。用户的反馈和分享出来的使用心得可以帮助企业持续提升产品力，并降低新用户的使用门槛。在用户与企业、用户与用户之间的良性互动中，企业的平台价值得到提升，用户对平台产品的粘性进一步增强。 3. 市场需求及价值 只有当行业能够创造社会价值、行业内企业能够解决消费者的需求(Needs)，这个行业才有存在的意义，值得我们花时间和精力搜寻优异的投资标的。那么，无代码/低代码这个行业到底解决了什么需求、创造了什么价值呢？ (1)帮助中小微企业低成本、快速地完成信息化建设 尽管越来越多的企业已经意识到信息化建设的必要性和紧迫性，中小型企业由于人才短缺、信息化基础差、研发投资预算有限等现实因素的制约，无法高效、高质量地推进信息化建设。对中小企业来说，无代码/低代码开发平台提供了一个更加低成本且相对可靠的解决方案。 (2)帮助中大型企业快速满足临时性、边缘性的需求 由于中大型企业的开发人员往往无法快速响应业务人员大量、多变、长尾的需求，业务人员或是在日常工作中使用过时、低效的业务工具，或是不得不寻求外包服务商的帮助。无/低代码开发平台可以提高开发人员对需求的响应和处理速度，甚至直接赋能业务人员，使其借助无/低代码开发平台自行进行应用程序开发。 (3)帮助企业打通已经使用的多套软件，实现数据互联互通 一般规模较大的企业通常应用了OA、HRM、CRM、ERP等多套软件系统，这些系统彼此之间可能存在信息不互通的问题。无代码/低代码平台通常具备“连接器”模块，可以帮助企业打通、集成已使用的多套软件。另一方面，同一个低代码工具/平台可以开发出面向不同业务或场景的应用，这些应用之间天然能够实现数据互联互通，将潜在问题解决于无形。 (4)帮助软件企业更高效地交付产品、服务客户 软件企业经常面临这样的局面：目前已经推出的产品无法满足客户的部分需求，而如果企业使用定制化方式进行开发，效率低且成本高。这类对定制化软件来说“太重”、对SaaS产品又“太轻”的需求特别适合通过无/低代码开发来满足。软件企业可自行搭建具备可配置、可变动的“乐高式”工具的开发平台，帮助企业员工快速地在标准产品上开发客户的个性化功能。除此之外，无/低代码平台还可以帮助CRM、ERP等软件企业的商业伙伴、代理商的实施团队快速搞定二次开发，加快整体交付节奏。 根据ClickPaaS的测算，无/低代码开发相较于传统软件开发模式，可平均缩短创建周期75%、平均缩短集成周期90%，大幅降低代码出错风险。 4. 市场规模及增速 如果无代码/低代码行业的市场规模有限且增长缓慢，那么在这个行业中诞生独角兽的概率就小很多，创业者与投资人也不会过多关注这个领域。因此，我们需要对全球的无代码/低代码行业市场规模及增速有一个数量级层面的正确认知： 根据首次于2014年提出“低代码”这一概念的估算，2017年全球低代码开发平台市场规模为38亿美元，2022年市场规模将达到212亿美元，五年CAGR为41.03%; 据测算，全球低代码市场规模在2020年达84亿美元，预计2021年超过百亿美元，2025年将达到471亿美元，五年CAGR为41%; 据估计，全球低码开发平台市场预计将从2020年的132亿美元增长到2025年的455亿美元，CAGR为28.1%。 当然，我们还需要对中国的市场规模和增速有所了解：根据Statista的统计和预测，2020年中国无/低代码市场规模达到15.9亿元，预计在2025年将突破131亿元。考虑到目前国内无代码/低代码企业数量有限，头部公司年营收大致在千万到亿这个量级，我们认为这个估算结果较为合理。 综上所述，尽管无代码/低代码行业在中国的市场规模目前较小，但全球市场规模在百亿美元量级，且增速飞快，是一个足够大的市场。因此，对这个行业进行严谨的分析是必要且有意义的。 5. 市场增长的驱动因素 那么，究竟是什么原因让无/低代码平台在过去的几年里持续获得关注，并让诸多机构对市场规模和增速有着相当乐观的预期呢？概括起来我们认为原因主要有如下几点： (1)企业信息化和数字化进程不断深入 在经济增速放缓、行业竞争加剧的大背景下，越来越多的企业意识到数字化和信息化建设的必要性和紧迫性，并愿意为之付费。由于无/低代码开发平台能够有力促进企业的数字化转型，因此这个行业在过去几年里快速发展。 (2)软件开发人员供给相对短缺 与日益增长的应用开发需求相比，软件开发人员的数量显得严重不足。根据Gartner预计，2021年全球市场对于应用开发的需求将是IT公司产能的5倍。Microsoft估计，未来 5 年将有 4.5 亿款新应用程序将被开发出来(这一数字超过过去 40 年的总和)，IT人才产能严重短缺。 (3)互联网基础设施不断完善 一方面，越来越多的企业开始使用云计算厂商提供的产品和服务;另一方面，很多成熟的应用程序都开放了接口，其他产品无需自行开发，可直接调用系统或者功能。因此，无/低代码产品应用的基础条件越来越成熟，行业开始加速发展。 (4)WEB 应用的前端技术和模型化设计的基础越来越成熟 从历史演进过程看，软件编程语言的发展主脉络就是高级语言对低级语言的抽象封装复用(例如C 对汇编、C++ 对 C、Java 对 C++)。在云时代，我们有理由认为新的趋势是可视化编程语言(VPL)对传统编程语言的抽象封装复用。 03 产业链与行业格局 1. 玩家分类与行业图谱 (1)应用衍生类 软件应用企业建设无/低代码平台的动机有非常强的业务属性，即用以提升企业内部人员开发效率，补齐标准化产品的短板，或是帮助客户和集成商(或代理商)更好地进行二次开发。在此基础上，部分企业将平台开放给第三方的应用开发商(ISV)，突破企业自有的SaaS产品和服务聚焦的业务领域以实现“破圈”，最终形成一个更大的应用生态。 SaaS厂商衍生类的企业代表有Salesforce、Zoho、销售易、北森等。 (2)厂商转型类 部分软件公司曾长期深耕某一特定业务场景，积累了深刻的认知和相关技术能力。这些企业可通过迁移其原有的业务引擎，快速拓展和建设自身的无/低代码产品能力。软件厂商转型类的代表企业有做业务流程管理(BPM)起家的的奥哲、用友、Appian等。 (3)代码原生类 国内外大部分创业公司都选择了低代码原生的路径，即跳过具体的行业或场景，直接构建通用型无/低代码开发平台，代表企业有 OutSystems、Mendix、ClickPaaS、简道云、轻流等。 我们按照企业类型，整理出供大家参考： 中国无/低代码企业行业图谱 2. 行业两大技术路径 (1)表单驱动 表单驱动型产品与雕版印刷术有些类似，强调“所见即所得”。这类产品开发的核心是，通过工作流在软件系统中模拟业务开展的情景，分析可能遇到的业务问题，并设计可供用户调用的模块和组件。 在表单驱动型产品中，数据的层次关系相对简单，比较适合打造轻量级的，行业或场景属性不强的应用，如OA审批、资料归档、客户管理等，一般面向业务人员。 表单驱动型产品以“所见即所得”为主 (2)模型驱动 如果用雕版印刷类比表单驱动型产品，那么模型驱动产品更像活字印刷。这类产品开发的关键是将业务流程进行抽象呈现，在实操层面对业务领域进行建模，通过逻辑判断语句支持完善的业务模型，灵活性较高，能够服务于企业的复杂场景开发需求和整体系统开发。 模型驱动型产品本身的研发考验的是企业“把书读薄”的能力，即剥离各个行业的特性，去寻找实际业务开展中的共性。但要想使用模型驱动型产品，用户还需要具备“把书读厚”的能力，即能够从没有显著行业特性的逻辑关系图中，还原出企业业务人员面临的具体使用场景，并在此基础上开发应用。因此，模型驱动型产品主要面向专业开发人员。 模型驱动型产品以面向对象的模型设计为主 3. 行业的决胜要素 (1)解决多场景下的需求的能力。企业对用户所处行业、业务场景理解的深度直接决定了企业的低代码平台能够搭建怎样的应用，因为平台上的封装模块越多、数据模型越丰富和细致，用户在复杂和个性化场景下的需求越容易被满足; (2)易用性决定使用门槛，可扩展性决定是否付费。好的产品应当让使用者能够快速地解决当下的问题，并满足其未来潜在的需求。只有兼顾了便利性以及可拓展性的产品才能够在商业化的过程中走得更稳、更远; (3)私有云部署能力和接口集成能力。前者决定了无/低代码企业能否满足大中型企业数据安全相关要求，后者则决定了无/低代码平台的开放性有多高、应用场景有多全; (4)响应速度和服务质量。无/低代码企业之间的竞争不仅仅是产品力层面的竞争，还包括在服务商实施、产品培训、售后支持等维度上的竞争。在服务项中，售后支持(尤其是服务响应速度)是企业差异化的关键。 04 国外相关公司 1. 公司一：Outsystem (1)发展历程： 2001年成立于葡萄牙里斯本，最早为电信运营商提供敏捷开发服务 2006年推出低代码开发工具及平台 2011年开始逐渐推出云服务，并在2015年正式转型为云厂商 2017年发布低代码平台新版本，引入DevOps及API 2020年和AWS达成战略合作，加快将先进的云服务集成到应用程序中的能力 (2)业务简介： 采用模型驱动的技术路径，提供企业级低代码开发平台。 (3)特点： 产品具备高开放性和可拓展性。Outsystems提供的平台可以与数据库、系统、开源接口对接，通过OutSystems开发的APP可以直接发布至App Store和Google Play; 社区生态建设完善。公司构建了社区，让使用者可以发布自己开发的应用或插件，供其他用户使用。在日常经营中，公司把公民开发者(citizen developer)的数量视为仅次于收入的第二关键指标; 重视战略合作伙伴的开发和维护。Outsystems与Accenture等咨询机构、Everis等IT解决方案提供商维持良好的合作关系，这些合作伙伴帮助Outsystems开拓企业客户。 (4)财务及业务数据： 公司2018年收入突破1亿美元，目前客户数量超过30万; 截止2021年，OutSystems社区已有超过43.5万名成员，应用下载量达到100万，有超过35.7万相关课程。 2. 公司二：Mendix (1)发展历程： 2005年成立于荷兰，为荷兰大型邮政公司提供数字化转型服务 2010年推出敏捷开发一站式服务，并推出可视化构建应用程序平台 2011年推出Mendix3.0版本，上线云门户管理部署功能 2015年，Mendix实现模型共享 2018年，Mendix实现逻辑流程的AI化，同年被西门子以6亿欧元收购。西门子将Mendix与MindSphere工业物联网系统相结合，完善企业数字化解决方案 2021年1月进入中国市场，4月初与腾讯云达成合作。Mendix 9于2021年11月在腾讯云Mendix低代码开发平台正式上线 (2)业务简介： 提供模型驱动的可视化低代码开发平台Mendix Studio和可视化低代码开发平台Mendix Studio Pro,分别面向业务人员和专业开发人员。两款产品内置了敏捷开发的功能，并提供各种数据库以及典型核心系统的连接组件，让使用人员通过调用和参数配置就可以把多个垂直业务系统的数据通过Mendix连接起来，并单键部署到任何云上。 (3)财务及业务数据： 2020年收入超过1亿美元，预计18个月后收入翻番 社区活跃用户超过20万 3. 公司三：Appian (1)发展历程： 公司成立于1999年，2004年发布BPM(Business Process Management)软件平台 2004年开始进行业务转型，由传统的BPM软件服务商逐渐向围绕BPM的PaaS平台过渡，先后上线Case Management、RPA等功能 2014年开始，公司大幅增加对订阅收费模式的产品的投入，逐渐降低对定制化服务的依赖 2017年公司在纳斯达克上市 2019年进军AI领域，加强产品生态建设，推出低代码+AI产品平台 (2)业务简介： 目前Appian的低代码自动化平台主要提供以下四项服务： BPM:业界领先的智能业务流程管理系统，帮助客户设计、执行、管理和优化复杂流程 Case Management:通过自动化的协作工作和异常处理，更快地解决客户的项目 RPA:通过使用Appian或第三方软件商的RPA工具，帮助客户在集成的工作流中将例行任务自动化，提高生产力 AI:集成谷歌、AWS和Azure的人工智能能力，让用户的应用能够智能化地挖掘信息、分析数据 (3)财务及业务数据： 2020年收入超过3亿美元，毛利超过2亿美元 客户超过690家，政府和非商业组织数量超过140家 平均客单价在50万美元左右，近三年客单价在100万美元以上的客户占比超过10% 05 推荐标的 1. ClickPaaS 业务简介： ClickPaaS是一家模型驱动的低代码开发平台公司，旨在帮助SaaS企业、咨询公司以及企业级客户降低复杂业务需求场景下的数字化响应时间和成本。 融资历史： 2018.1 天使轮 云研资本 2019.8 A轮 数百万美元 五源资本 2019.12 A+轮 数百万美元 明势资本 2021.3 B轮 数千万美元 BAI资本 SIG海纳亚洲创投基金 明势资本 五源资本 2021.10 B+轮 数千万美元 红杉中国 BAI资本 SIG海纳亚洲创投基金 明势资本 五源资本 推荐理由： ClickPaaS在关键业务系统和核心业务系统上完成了建模实现和国产化替代，拥有顶尖的全场景模型驱动设计能力，同时也是国内在开源、开放生态系统建设上最为领先的企业; 客户涵盖金融，政务，工业，物流，能源，医药等行业，团队有丰富的大客户经验，在工程施工、人力资源管理、MRO采购和项目管理系统等领域和场景有知名的合作伙伴; 2019年营收达千万元，2021 年营收有望翻倍。 2. 轻流 业务简介： 轻流一个无代码系统搭建平台。用户在无IT人员帮助开发的情况下，通过轻流即可搭建应用，做到“随搭”、“随改”和“随用”。 融资历史： 2017.01 种子轮 60万人民币 龙沛资本 2017.08 天使轮 未披露 创新马槽 2018.12 Pre-A轮 近千万人民币 小苗朗程 新进创投 2020.10 A轮 数千万人民币 源码资本 小苗朗程 新进创投 2021.03 A+轮 数千万人民币 腾讯投资 源码资本 2021.10 B轮 启明创投 零一创投 腾讯投资 新进创投 推荐理由： 已服务超过20万家海内外企业、政府机关单位及学校，行业涵盖互联网、制造、零售、教育、工程建筑、金融、生活服务、娱乐传媒等数十个行业; 针对企业资源管理、生产管理、项目管理、订单管理、客户关系管理、人事行政管理等近百个业务场景，轻流都已经开发了解决方案; 连续3年营收增长4-5倍，盈利模式以订阅式年费为主，客单价在十万到百万数量级; 腾讯云合作伙伴，曾获得腾讯两轮投资支持。 3. 行云创新 业务简介： 行云创新是一家一站式云原生开发平台产品和解决方案提供商，为企业提供项目管理、架构设计、代码编写、测试运行、运维运营等环节所需的一切支持，助力独立开发者和企业实现容器、DevOps、微服务架构落地，显著提升开发效益。 融资历史： 2018.07 天使轮 近千万人民币 国投东兴 2019.08 A轮 3000万人民币 正轩投资 2020.01 A+轮 深圳高新投 2020.06 Pre-B轮 中云创投资 正轩行云创投 2021.07 B轮 阿里巴巴 推荐理由： 阿里云和行云创新将通过产品组合的方式为企业客户提供云原生应用开发、业务智能运维等服务，进行深度合作; 两位创始人技术实力过硬，同时有商业敏感度。CEO吴笛曾是美国戴尔风投发起人，就职于戴尔和华为期间负责企业的云业务和物联网业务战略规划;CTO马洪喜曾设计和交付华为桌面云，并曾在Rancher Labs,、Citrix Systems、甲骨文、微软等公司担任总架构师、研发经理、技术总监等职务。本文来源：比特网文章转载于其他网络，如有侵权请联系我们及时删除！
-
24
10/25
多模态技术，释放垂直AI软件潜力的关键
多模态技术正在改变垂直AI应用不久前，Bessemer提出了一个很有价值的观点：垂直AI软件将成为未来。说起Bessemer,熟悉SaaS行业的人可能并不陌生。它是美国SaaS领域最专业的投资机构之一，在过去10年投资了200多家SaaS企业。为了更好讲清楚垂直AI软件的价值，Bessemer发布了垂直AI路线图，总共四个部分。本文是Bessemer的垂直AI路线图的第二篇文章。在这篇文章中，Bessemer会分享其对以下问题的思考：多模态的垂直AI应用的落地究竟有哪些影响？现在基于多模态技术的垂直AI应用又有着哪些不错的落地案例？01多模态技术正在改变垂直AI应用在过去12个月中，全球出现了许多新模型，它们在理解语境、减少幻觉以及整体推理能力方面进步很大。尤其在语音识别、图像处理和语音生成等方面，AI的能力正在逐渐接近人类。这为AI解锁了很多新的应用场景。▍语音功能在对话语音领域，模型发展取得了快速进展：语音转文本模型（自动语音识别）和文本转语音模型（生成语音）。目前，市场有数十家公司提供基于这些模型的语音服务，这推动了大量新的语音AI应用程序的出现。这些应用程序大都依赖于所谓的“级联架构”，即先将语音转录为文本，然后将该文本输入到LLM中以生成响应，最后将文本输出反馈到生成语音模型中以产生音频响应。直到最近，这一直是构建对话语音应用程序的最佳方式。然而，这种方法有一些缺点，比如它会有一定的延迟，同时失去用户对话中表达的情感。而现在，新一代语音原生模型已经发布了，包括OpenAI的RealtimeAPI（它支持通过GPT-4o进行语音对语音交互），以及Kyutai的Moshi等多个开源项目。与之前的模型相比，语音原生模型的延迟明显降低（<500毫秒）。它们还可以捕捉更多来自用户的语境（即语气、情绪、情感等），并生成反映该语境的响应，使交流感觉更自然，并更有可能满足用户的需求。在未来几年内，随着越来越多的对话式语音应用基于这些全新改进的模型构建，我们预计对话式语音应用的速度和质量将大幅提升。▍语音应用案例现在语音转录的应用已经非常成熟了，端到端对话语音代理也取得了显著的早期进展，我们认为这是语音AI解决方案的未来方向。接下来，我们就来看看4个AI语音的应用案例。1）转录功能让用户有更多时间完成工作流程中的后续步骤：Bessemer投资组合公司Abridge率先推出了一款一流的医疗转录应用程序，该应用程序可以根据临床对话生成医疗记录，并确定适当的后续行动，包括购买处方药、专家预约等，医生可以把更多注意力转移到患者护理上。另一个很好的例子是Rillavoice,这家公司将人工智能引入了家庭服务垂直领域。Rillavoice的转录应用程序记录销售人员和客户之间的对话，用于培训目的，这样销售经理仍然可以提供有价值的指导反馈，而无需进行非常耗时的面对面“陪同”。2）用AI来承接销售线索：到目前为止，我们看到的端到端语音代理最引人注目的用例之一是入站销售。在很多特定的垂直场景（如家庭服务企业或汽车经销商）里，语音代理可以在下班后或其他销售代表忙碌时接听客户电话，从而确保企业不会错过有价值的潜在客户。这些功能比之前的语音机器人更智能和高效，无需销售的代表的参与。3）AI客服提升客户体验：AI客服一直是应用比较多的场景。但许多用户发现，早期的交互式语音应答(IVR)技术体验并不好。事实证明，现代语音代理更有效。因为传统的IVR产品只能理解客户对特定措辞的回应意图，但现代语音代理不同，无论客户如何提问或提出请求，现代语音代理都能提供正确的答案。这样让客服人员更有时间对应付复杂的客户问题。4）自动拨打外拨电话以增加漏斗顶端：现在已经出现了多种解决方案来自动拨打销售和招聘团队的外拨电话。通常，语音代理使用客户陈述的标准来识别最有潜力的销售线索或候选人，对线索进行首次呼叫，然后将他们引导到与销售人员或招聘人员的下一次会议。让人工智能接管外拨工作流程可以显著增加可以联系的线索数量，从而增加公司的漏斗顶端。随着时间的流逝，销售人员和招聘人员有更好的机会获得最有潜力的线索。唯一需要注意的事，有必要出台相应的法规，规定AI只能向潜在客户拨打电话，以避免AI销售的滥用。在所有语音用例中，我们预计低延迟和理解用户的情绪和情感将成为一件很重要的事情。此外，由于应用场景的差异，AI语音解决方案在其他维度上也略有不同，例如实时协调跨多个底层模型的对话以优化成本和性能；支持全渠道通信、多种语言和实时翻译。在视觉方面，我们已经看到了GPT-4withvision(GPT-4V)等模型的发展，这些模型可以解释图像并回答有关图像的问题，以及处理原始图像和视频的多模态模型。比如，谷歌的多模态模型Gemini1.5Pro已经可以理解图像和视频中的输入。我们预计，这些和类似的模型将继续提高性能并降低成本——这对应用程序构建者来说是个好消息。▍视觉和视频的用例垂直应用中视觉的应用案例通常分为以下四类：数据提取、视觉检查、设计和视频分析。虽然数据提取是迄今为止视觉模型最成熟的用例，但我们在其他领域也看到了新的应用进展：1）从图片、PDF或其他非结构化文档的图像中提取数据：分析和处理当前的非结构化数据，AI可以减轻人类繁琐的数据输入任务程。例如，Raft针对货运代理行业的平台结合使用计算机视觉和LLM从PDF发票中提取关键信息，填充其客户的企业资源规划平台(ERP)，并自动执行发票核对和准备海关申报单等下游任务。2）提升目前人工检查的效率：许多公司已经使用AI来帮助简化人工检查流程并更快地提供结果。比如，人工智能建筑平台xBuild为住宅建筑和修复项目生成工作范围包，然后与保险公司合作获得报销批准。xBuild使用受损屋顶的照片和房屋蓝图来生成报告，概述根据当地建筑规范将屋顶恢复到正常状态所需的修复范围。其他应用程序已使用人工智能和计算机视觉来自动化施工图中的质量保证审查过程，帮助尽早发现错误，以防止后期施工过程中出现代价高昂的项目变更。3）生成2D和3D设计：为建筑、工程和施工(AEC)行业服务的AI平台数量急剧增加。一些公司正在使用AI进行可行性评估，将拟建场地（建筑物、停车场等）的视觉描述与相关供应成本相结合，根据后者的成本限制调整前者，反之亦然。Snaptrude等其他解决方案可以创建建筑物的详细3D设计图像，接管通常由结构工程师完成的重复性工作，让他们有时间专注于更高级别的设计工作。详细产品和基础设施设计的自动化不仅可以节省客户宝贵的工程时间，还可以加强销售提案并提高项目成功率。4）视频分析：生成和理解视频的模型是视觉模型中最不成熟的，但它们正在迅速进步。在对象跟踪、分类甚至视频内容的自然语言搜索方面，视频理解模型已经变得相当强大。这些模型甚至有些已经完成商业化落地，比如用AI监控视频源以发现制造或工业环境中出现的安全违规行为。但考虑到视频模型的进步的速度，未来几年我们将看到更多令人印象深刻的AI应用，并扩展到更多的用例。尤其在机器人领域，视频理解是机器人感知的关键组成部分。在所有视觉用例中，创始人都应避免将复杂性误认为价值。虽然AI解决方案总被认为应该应用在自动化特别复杂的工作流程中，但归根到底，用户价值还是看现有场景的工作流程适不适合自动化。如果设计自动化解决方案需要与难以替代的核心系统（如Revit）进行繁琐的集成，并且初始投资回报率较低，那么无论解决方案多么强大，都很难推动销售和采用。早期公司应该从技术复杂程度较低、范围较窄的产品开始，然后再从那里延伸。当然，最佳路径会因行业和用例而异，但要牢记权衡利弊。02人工智能代理的前景虽然早期的人工智能代理多少有些炒作的意味，但现在人工智能代理开始有一些真正的落地进展。随着OpenAIo1模型的推出，代理能够处理更多复杂的推理任务。如今，代理在涉及重复任务和通信的文本、语音和视觉工作流中发挥着重要作用。但在未来一年，我们预计基于较新的推理模型构建的应用程序将会出现，并发挥AI代理的真正潜力：自主处理复杂的工作流。1）销售和营销：许多公司都推出了AI代理，可以为销售团队寻找和联系潜在客户。这些代理的优点在于，它们能够进行大量研究数据，来识别高质量的潜在客户（通过对目标公司、其员工和相关行业新闻进行详细的网络搜索），然后使用这些研究结果来撰写相关且高度个性化的电子邮件。由于代理可以有效地执行工作中的研究和推广部分，同时保持相对较高的质量，因此它会让销售人员将自己时间更多投入到跟踪热门销售线索。2）谈判：AI代理在自动完成多方谈判方面展示了不错的前景。Pactum等公司已经开发出能够就供应链案例协商法律和商业条款的人工智能代理。Pactum的代理可以与供应商进行谈判以优化交易条款。我们也看到其他垂直AI公司在销售和促销领域采取了类似的方法。在这里，代理根据既定标准与买家和供应商进行谈判，例如批量购买的折扣或快速付款计划。3）调查：企业网络安全团队经常被大量安全警报压得喘不过气来，但现在有AI代理可以协助完成警报调查的初始阶段。这包括：从多个不同的系统收集有关事件的信息，研究可能涉及的恶意行为，总结事件并评估其严重程度。虽然大多数团队倾向于使用代理来处理风险较低的工作流程，但很明显，随着时间的推移，更复杂的代理可以处理越来越多需要信息收集和综合的工作流程。我们相信，与不需要这些解决方案的解决方案相比，处理需要跨多种模式进行更复杂推理的任务和工作流程的代理将更有价值。特别是，我们看到，通过巧妙的架构决策以及将正确的模型、反馈回路等拼接在一起以提供一致的结果，可以提高代理工作流程的性能。代理性能并不完全取决于问题中数据和计算的规模，因此对于早期创业公司来说，这是一个更具吸引力的机会。在所有情况下，鉴于底层模型的快速发展，在构建技术护城河和确保灵活性之间取得适当的平衡将是关键。总的来说，越来越多垂直AI的创始人开始研究利用AI多模态能力，来解决更广泛的实际任务。与文本一样，语音和视觉的底层模型将日益商品化，使公司在强大的基础模型之上构建应用程序更具可持续性。我们相信，这波垂直AI应用不仅会改变它们所服务的行业和垂直格局，也将从彻底改变我们工作和与世界互动的方式。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除！
-
24
10/19
AI正在让协同办公越变越糟糕
这个看法源于一个观察，国内在协同办公领域过度强调AI,但实际应用中，像飞书、钉钉等工具的主要功能（如在线文档、多维表格、打卡签到等），实际上与AI关系并不大。这两年软件领域新生众多，大多创业公司都是奔着AI去的，无论是搜索类、生成类、对话类，不一一列举，产品一般都是基于某个大模型去发挥应用价值，这些公司因此被抬上了很高的估值。不过在协同办公领域，当前的AI应用似乎多作为噱头，而非实际卖点。因为对于大多数协同办公场景，AI并未带来显著的效率提升或成本降低，现实中接触到的客户公司也表示，他们对AI的实际需求有限，很多所谓的AI功能并未被广泛接受或认可。试想一下，在某些情况下，引入AI反而使工作流程变得更复杂，如使用AI进行信息检索后仍需人工验证其正确性。由于AI的智能性取决于原始数据的准确程度，用户对AI的信任度有限，这就限制了AI在协同办公中的广泛应用。事实上，我们也对国外的协同办公领域进行了一番研究，发现国内外所面临的问题，一定程度上都有共性。比如Zoom,放在三四年前，这是一家不折不扣的明星公司。全球范围内的疫情爆发使得人们的生活和工作方式发生巨大变化。Zoom主打线上视频会议，功能极简、易用、小而美，成为了远程办公、学习和社交的首选工具，市值一度逼近1600亿美元。Zoom的成功让市场看到了协同办公的想象力，同期的MicrosoftTeam、Slack、钉钉等国内外同行也迎来了上升期。不过高光期之后，Zoom的发展曲线并不性感：截至目前，股价、市值，和以往对比明显，有游资曾评价，“几天前，Zoom出现了反弹趋势，我认为它可能会卷土重来。然而经过几天的观察，它并没有真正改变之前的下降趋势。”Zoom为什么会呈现颓势？原因可以归结为疫情红利消退、市场竞争加剧、客户增长放缓以及营销和研发费用增加等方面共同作用的结果，但也让人逐渐认识到，决定一家公司增长曲线的，不仅仅是产品如何，也取决于它的商业化路径。有意思的是，对于疫情期间的疯狂增长，袁征并不觉得是好事，为了应对激增的用户，Zoom不得不快速扩招，但影响了公司的文化。竞争对手在疫情期间也加速了对远程办公和视频会议的支持，给Zoom带来了更大的竞争压力。“如果没有疫情，现在的Zoom可能会发展更好”，对于这家公司来说，当下的境遇也并不意味着回到了合理区间。产品小而美，但护城河低，Zoom的创始人袁征将希望寄托于AI,这点和国内玩家殊途同归。据媒体报道，这款原先聚焦视频会议的产品，如今却呼吁大家不要用视频会议了，目前AI已应用到几乎所有产品线，终极目标是提倡用AI分身来代替人处理大部分工作，参加会议、决策，甚至是回邮件。袁征还打算将Zoom进行综合化发展，推出协作平台Workplace,以及文档、电子邮件和其他工具。在他看来，AI对Zoom的护城河起到了重塑的作用，关键词在于：完全免费、不使用用户数据训练AI、低成本，他们的AI战略不仅关注当前的性能和成本，通过结合多种技术来源、针对不同场景与不同第三方模型互换使用，以及推理过程，在不断变化的AI领域中保持竞争力。Zoom推出包括ZoomAICompanion和ZoomDocs在内的多项生成式AI功能，这些功能嵌入在Zoom的各种工具中，如ZoomMeetings、TeamChat和Whiteboard等，旨在提高企业生产力和企业间团队协作效率。从这些例子来看，大多数AI功能起到的是对原有功能的辅助作用，但“免费”却帮助Zoom建立更深的护城河。一方面，在竞争激烈的SaaS市场中，提供额外且免费的功能可以增加用户粘性；另一方面，免费提供AI功能可以让用户无门槛地尝试和使用这些新功能，长期吸引更多用户，进而通过其他方式（如增值服务、企业订阅等）实现盈利。以Zoom的ContactCenter为例，这是一种现代化的客户服务解决方案，与其他产品的最大区别在于其结合了视频通话和AI技术。购买ContactCenter的决策者与之前购买视频会议产品的人不同，但由于他们本身也是Zoom的用户，对Zoom的信任有助于ContactCenter的销售。再看一个例子，明星软件Notion近期也有重大更新，特别是其在AI功能方面的全面重构。升级的板块主要在三个方面，对话机器人的交互改进、写作辅助功能优化，以及盘活知识库，使AI助理与用户的交互更自然。新升级的NotionAI能够在不同页面和应用间调取知识库，这种跨应用的调取能力，使用户可以更便捷地获取和利用各种资源，从而提升整体的生产效率。作为较早一批接入ChatGPT的产品，NotionAI在今年初完全开放给所有用户，并正式将AI功能作为单独的付费产品。其定价策略是每人每月10美元，包年则每月8美元。NotionAI可以协助用户完成写作、编辑、总结等多种任务，还提供了跨平台搜索功能，可以无缝连接Slack、GoogleDrive等应用，快速从多个来源汇总信息。据报道，截至2023年，Notion的用户量达到了3000万，其中约400万为付费用户。内部一开始的评估是NotionAI一年会带来额外的1000万到3000万美金ARR,但这个目标只用一个月就完成了，意味着最终NotionAI一年可能会带来1亿美金的ARR.此外，NotionAI在推出后也迅速吸引了大量用户，短时间内就突破了400万。不得不说，这个商业化增长幅度，国内大多数办公软件都望尘莫及。典型的例子，尽管钉钉拥有庞大的用户基数（截至2023年末，用户数达7亿，企业组织数达2500万），但真正付费的用户数量其实很少，此前CEO叶军表示，企业用钉钉真正付费的可能连1%都不到。为了推动商业化进程，钉钉通过接入阿里的“通义千问”大模型，通过AI将产品重做一遍，完成了多条产品线和功能的AI化。例如，一键输入“/”，就会智能生成职场中大部分工作内容，包括文档创作、聊天摘要生成等。钉钉在提供免费的标准版之余，也推出了专业版、专属版和专有版等年费服务选项。钉钉引入AI功能，主要是想给这些付费版本增值，好让用户觉得高级功能更值得花钱。另外，钉钉还通过平台分佣和硬件开放的License授权模式来增加收入。借助AI技术为企业带来个性化服务，比如智能分析企业数据、定制工作流程等，钉钉认为这样企业更愿意付费，并且关系也会更紧密。但从内部人士了解到，实际愿意为此买单的客户，规模还并不算庞大，目前钉钉仍未实现盈利。另一边的飞书，同样在多个产品中融入了AI,如多维表格、字段捷径、仪表盘等，以提升产品的智能化水平。最直接的体现是推出了自家的AI助手"MyAI"（飞书智能伙伴），用户可以让它写工作总结、会议记录，在办公时唤醒进行协作问答。而在具体的商业化方面，随着AI功能的不断补充，或许会推出基于AI功能的增值服务或订阅模式。例如，为用户提供更高级别的AI助手，飞书更倾向通过提供专业化的服务和定制化的解决方案来吸引客户。整体来说，国外协同办公工具多采用按功能付费的模式，用户可以根据自己的需求选择相应的功能并支付费用。而在国内，尽管钉钉、飞书等工具也在积极探索商业化路径，但面临的商业化难题依然不少。这背后，既有国内外市场环境的差异，也有用户对协同办公工具价值认知和付费意愿的不同。根据现有报道，在国外市场，用户的隐私问题对Zoom布局AI产生了显著影响。然而，随着Zoom采取了一系列措施来确保用户数据的安全和隐私，这个问题得到了一定程度的缓解。Zoom是否因AI实现了更大的增长？根据多方数据，我们发现，AI技术的融入的确提升了其企业端销售额，例如，在2024财年第三季度，Zoom的总营收同比增长3.2%，企业端营收规模同比增长7.5%至6.61亿美元，嵌入AI技术后，Zoom的季度客户流失率明显收窄，显示出更高的客户留存率。为什么同样布局AI,国内外的协同办公领域，Zoom、Notion、飞书和钉钉的商业化差距这么大？是国产软件的AI功能还不够强大，还是市场对AI的期待过高？这只是一方面。对比发现，AI的确是一种强大的技术，但它在协同办公中的作用并非万能，当下的使用场景还很有限，更多是作为智能助手的形式出现。其实就像袁征所说的，一款好的产品不一定能够对应好的商业价值，研发成本、商业模式、付费环境也会起到决定性的作用。很多协同办公公司投入了大量成本去研发AI,但并没有可观的ROI,反而成为给企业客户提供数智化解决方案的项目商，或是软件外包。回到商业的本质，客户需求和市场定位依然是决定产品成功的关键因素。尽管AI技术迅猛发展，为行业带来了前所未有的变革，但商业的核心原则并未发生变化。然而，过度的AI投入有时的确会让企业迷失方向，对“究竟应该做什么”产生疑惑。本文来源：R艾瑞网文章转载于其他网络，如有侵权请联系我们及时删除！
-
24
10/19
AI让代码变得廉价，品味正在蚕食软件
就像上个时代软件蚕食世界，让行业发生重大变革一样，品味现在正在蚕食软件。2011年，马克·安德森(MarcAndreessen)发表了著名的软件正在蚕食世界的宣言。有那么一段时间，这是不可否认的现实。软件是变革的引擎，彻底改变了从科技到金融、从零售到医疗保健的一切。在当时，技术实力意味着占据市场主导地位。作为硅谷的精神中心，YCombinator将技术创始人视为天选之人。而那些能够召唤并驾驭软件的人则被视为神祇。风投家给那些能将代码大规模扩展的人提供资金。毕竟，只有软件才能迅速而有效地改变庞大的传统行业。如今情况已大不相同。软件已经被商品化——这是技术进步、成本、复杂性降低以及编程技能普及的结果。人工智能进入主流推动了这一转变。技术与文化之间的界限正在变得模糊。因此，光靠打造出色的技术已远远不够。▍大家的软件都已足够好。软件曾经是武器，现在只是工具。在资源匮乏的世界里，我们珍视工具。在资源富足的世界，我们看重品味。进入门槛很低，竞争很激烈，有太多的关注焦点已经转移——先是从技术转移到分销，现在又转移到了其他方面：品味。▍品味正在蚕食软件。品味就是新武器。不管表达方式如何，不管是靠产品设计、品牌还是用户体验，品味现在定义了产品被感知和感受的方式，定义了产品被采用，也就是分发的方式——无论是软件也好，硬件也罢，或两者兼而有之。技术已经与文化紧密交织在一起。如今，人们无论身在何处、从事什么职业或处在什么地位，都将技术视为生活的一部分。▍现在要服务的市场是文化市场，实用加上品味是基础。在这个新时代，功能性产品日益变成文化大潮的配角。因此，创始人们意识到他们需要的不仅仅是会写代码或掌握技术了。虽然实用性依然是关键，但创始人还需要在设计、品牌、体验、讲故事、社区以及文化相关性上进行精雕细琢。史蒂夫·乔布斯和埃隆·马斯克之所以备受推崇，不仅是因为技术创新，还因为他们把产品和个人塑造成了文化偶像。竞争已经不再局限在科技行业——创始人们现在还要跟那些在分发、社区建设及文化共鸣上占据优势的名人和网红竞争，尽管这些人不一定具备同样的技术能力。品味的提升将各种体验和视角引入到竞技场——这不仅从内部挑战着“传统”的硅谷，也会从外部发起冲击。你可能会觉得，像苹果、特斯拉和Airbnb这样的公司，因为它们是面向消费者的典型企业，所以品味对它们来说尤其重要。但这并不是全部——消费者驱动的“品味”特质已经渗透到了科技世界的每个角落。那些曾经以实用性优先的B2C板块，甚至B2B软件行业，如今都感受到用户体验、设计、美学以及讲好故事的影响。Arc以设计和品牌作为核心卖点，与传统网络浏览器展开竞争。Linear等工具是一款面向软件团队的项目管理工具，它们以公司建设的原则性方法和大量抄袭的登陆页面设计而闻名，也以产品功能而闻名。Arc和Linear等公司建立了一个完整的美学生态系统，邀请用户和拥护者成为他们版本的世界的一部分，并产生大量的数字和文字口碑。（他们的故事尚未结束，但他们在硅谷的这个领域中脱颖而出。）Arc以设计和品牌作为核心卖点向传统web浏览器发起挑战。像Linear这样的项目管理工具，不仅因其独特的企业文化和备受模仿的登录页设计而闻名，也因其产品的功能性而备受认可。4Arc和Linear等公司建立了完整的美学生态体系，吸引用户和支持者成为他们世界的一员，并在线上和线下获得口口相传。▍即便在最前沿的技术领域，品味也和技术本身一样塑造着未来。在通用人工智能聊天机器人领域，OpenAI的ChatGPT成为了市场的领导者。此后，Anthropic的Claude、谷歌的Gemini、Meta的Llama、微软的Copilot、Perplexity、Poe等公司各自以不同的角度加入到这场竞争。是，他们是在技术战线上展开竞争，但随着人工智能的快速进步，感觉他们会在类似的功能上趋于一致。那该怎么竞争呢？？答案在于它们的外观、使用感受，以及它们带给用户的情感体验。交互上的微妙之别（界面是否直观、友好、流畅）以及品牌美学（从趣味横生的网站设计到营销信息）都会变成新的差异化因素，用户往往会选择那些与其个人价值观更契合的工具。所有这些元素应该无缝地融合到产品之中，但这依然是值得关注的区别。投资者再也不能找到最优秀的工程团队去资助，然后坐享其成了。他们得去寻找这样大的团队，那种能捕捉文化相关性，并反映其日益多样化的市场价值观、美学和品味的团队。投资者如何在这个新环境中找到自我定位？他们把宝押在那些能抓住文化潮流的，品味驱动型的创始人。他们也在打造自己的个人品牌和公司品牌。去重新设计网站，撰写宣言，推出播客，并与文化巨头合作。（当然，人们仍然会质疑风投是不是真的“了解”品味。）▍代码不值钱了。金钱现在追逐的是用品味包装起来的实用性、以优美的形式塑造的功能，以及以艺术性为框架的技术。但品味究竟是什么东西？字典上说，品味是辨别什么是高品质的能力，或者一种很高的审美标准。但谁来制定这个标准呢？在个体层面，品味是主观的——每个人对品味都有自己的个人理解——但在特定的文化或社区当中，品味是可以校准的。品味是设计、用户体验与情感共鸣的结合，它决定了产品如何与人建立联系，并与他们的价值观和身份保持一致。这些东西单个拎出来并不等于品味；那只是表达个人品味的表现形式。最基本的标准是，品味绝不会平淡无奇——它会有自己的主见。就像阿诺德·贝内特的名言所说那样：“好品味胜过坏品味，但坏品味胜过没品味。”▍你在使用产品时，产品会让你产生某种感受，而且产品也会让其他人对你产生某种感觉。产品不再只是功能性工具，而变成了情感接触点。越来越多的产品被设计为自我表达和社交信号的载体，反映出你的价值观、生活方式与身份。以技术为核心的产品与艺术的距离之近前所未有。果真如此的话，这也意味着其他玩家对生态体系至关重要：比如艺术家、设计师、创作者、创意总监、媒体公司等。这不可避免会引出更多问题：谁是品味的拥王者，谁是看门人？对品味的更大关注会引发什么样的文化战争？公司所在的城市或文化的影响会不会更加重要？没人可占有“品味”，但肯定会有足够多的人想尝试一下。▍就像上个时代软件蚕食了世界并改变了各个行业一样，现在品味正在蚕食软件，紧接着要蚕食的将是硅谷。在硅谷的新时代，品味不仅是一种优势，更是未来。最吸引人的创业公司将是那些能将卓越技术与精致品味结合到一起的公司。就算是在追求技术突破，也必须考虑品味与文化共鸣，而不仅仅考虑技术本身。单靠品味不会成功，但如果没有让品味发挥重要作用的话，你也赢不了。随着品味渗透到各个领域，创始人与风投家的角色也在发生变化。创始人如今不仅需要掌握技术创新，还必须具备文化共鸣的能力。而投资者呢？他们必须将宝押在那些会在未来创新浪潮中引领潮流的公司，在这些公司里，技术与文化不再是独立个体，而是合二为一。有些人也许不喜欢这种趋势，有些人会反对，而有些人则会选择观望——但这无疑是时代的象征。▍创始人必须成为品味的引领者，而风投家则必须成为品味的仲裁人。挑战：实用性仍需得到尊重。理论仍需付诸实践。自认为有好品味的人要多于确实有好品味的人。本文来源于：36氪文章转载于其他网络，如有侵权请联系我们及时删除！
-
24
10/12
微软推出AI医疗工具全家桶，预览医疗数据方向5大新功能
许多新工具目前仍处于开发早期阶段或仅提供预览版。智东西10月11日消息，当地时间周四，微软发表了一篇播客，宣布在其MicrosoftCloudforHealthcare中推出新的医疗保健数据功能和AI工具，包括通过AzureAIStudio中的新医疗保健AI模型、MicrosoftFabric中的医疗保健数据功能、CopilotStudio中的医疗保健AIagents服务以及AI驱动的护理工作流程解决方案。这些工具旨在连接护理体验、增强团队协作、增强医疗工作者的能力以及帮助医疗保健组织更快地构建AI应用程序，并节省医疗工作者在行政任务上的时间，这是导致行业倦怠的主要原因之一。许多解决方案目前仍处于开发早期阶段或仅提供预览版。在微软更广泛地推广这些工具之前，医疗保健组织将对这些工具进行测试和验证。微软拒绝透露这些新工具的价格。据CNBC报道，微软通过不断推出新的医疗领域AI工具，努力确保其处在医疗保健AI领域的领导地位。去年10月，该公司在其Azurecloud和Fabric分析平台上推出了一系列健康功能。2021年，微软还以160亿美元收购了NuanceCommunications,后者是医疗保健及相关行业提供语音转文本的AI工具。微软健康与生命科学部门投资组合发展与孵化副总裁MaryVarghesePresti在预先录制的记者会上说道，“通过将AI融入医疗保健，我们的目标是减轻医务人员的工作压力，促进医疗团队的协作，提高全国医疗保健系统的整体效率。”一、医疗保健AI模型：将AI的范围扩展到文本之外微软推出了一系列开源多模态AI模型，这些模型由微软与Providence和Paige等合作伙伴合作开发，能够分析除文本之外的数据类型，如医学影像、临床记录和基因组数据。据悉，大约80%的医院和医疗系统就诊都包括影像检查，因为医生通常依靠影像来帮助治疗患者，这些AI工具的推广使用可以帮助医生减少工作量和压力。医疗保健组织还可以使用这些模型来构建新的应用程序和工具。通过使用这些高级模型作为基础，医疗保健组织可以快速构建、微调和部署针对其特定需求的AI解决方案，同时最大程度上减少从头开始构建多模态模型相关的大量计算和数据要求。例如，数字化单个病理切片可能需要超过1GB的存储空间，因此许多现有的AI病理模型每次都只能训练小块切片。微软和ProvidenceHealth&Services构建了一个数字病理全切片基础模型，该模型在突变预测和癌症亚型分类方面有所改进，这一成果已发表在国际顶级学术期刊《自然》杂志上。现在，医疗系统可以在此基础上进行改进，并根据自身需求进行微调。“过去，获取病理学的全切片基础模型一直是一个挑战……而现在我们实际上已经能够做到了。”Providence首席战略和数字官SaraVaezy在接受CNBC采访时谈道。“这确实是一种改变游戏规则的技术。”这些模型可在AzureAIStudio的模型目录中找到，AzureAIStudio是微软的生成式AI开发中心。▲微软AzureAIStudio的模型目录界面（图源：微软）二、通过统一的AI平台使用医疗保健数据，公开预览5大新功能从历史上看，医疗保健数据由于其非结构化性质和现有数据管理系统的局限性而难以获问题限制了医疗保健组织全面了解患者体验和获取宝贵见解的能力。根据MicrosoftFabric推出的医疗保健数据解决方案，医疗保健组织可以通过单一且统一的AI驱动平台改变用户访问、管理和处理数据的方式，从而克服上述问题。此外，MicrosoftPurview的医疗保健安全应用程序模板（一套旨在帮助管理医疗保健数据的创新功能）现已公开预览。微软还将在MicrosoftFabric的医疗保健数据解决方案中公开预览5个新功能，包括：1、对话数据集成：将对话数据（例如患者对话）从DAXCopilot发送到Fabric平台。通过将DAXCopilot音频文件、记录和临床笔记草稿发送到Fabric,客户和合作伙伴可以利用Azure和Fabric中的各种本地工具来分析这些数据或将其与其他数据相结合生成更全面的见解。2、康健的社会决定因素(SDOH)公共数据集转换：提取、保存、协调和使用SDOH国家和国际公共数据集，使医疗保健组织能够识别风险和与健康相关的社会需求，帮助为患者和社区创造更公平的医疗保健服务。3、美国医疗保险和医疗补助服务中心(CMS)索赔和索赔线馈送(CCLF)数据提取：简化索赔数据的提取并与临床、影像和SDOH数据相协调，以获取有关患者和大众的可行见解。4、护理管理分析：利用统一的医疗数据和护理管理分析模板，通过识别高风险个体、优化治疗计划和改善护理协调来加强患者护理。5、数据发现和分组：利用集成的工作流程，让医疗保健组织能够创建、管理、分析和共享患者群组。三、利用AIagents匹配治疗方案，回答患者基本问题医疗保健组织面临诸多挑战，包括劳动力短缺、成本上升和患者护理需求增加。生成式AI通过自动化管理任务、分析大量数据以获得可操作的见解以及协助专业人员进行决策，为这些挑战提供了潜在的解决方案。为了解决这一问题，微软宣布了帮助医疗系统构建AIagents的新方法，他们将在CopilotStudio中公开预览医疗agent服务，用于预约安排、临床治疗案例匹配、患者分诊等。医疗保健组织可以利用医疗agent服务来帮助创建互联的患者体验、改善临床工作流程并增强医疗专业人员的能力，同时帮助组织通过MicrosoftCopilotStudio满足行业期望。早期采用者，如克利夫兰诊所，提供了反馈以帮助优化医疗环境的解决方案，他们已经在使用这些工具来增强患者体验并提升运营效率。AIagents的复杂程度各不相同，但它们可以帮助用户回答问题、自动化流程并执行特定任务。通过MicrosoftCopilotStudio,医疗保健组织还可以创建配备医疗保健专用安全措施的AIagent.例如，当答案包含对临床案例的引用时，会显示来源，并会通过注释标明答案是否由AI生成。微软提到，捏造和遗漏都会被标记出来。例如，一个医疗保健组织可以构建一个AIagent来帮助医生为患者找到相关的临床治疗案例。医生可以输入问题：“55岁男性，患有糖尿病和间质性肺病，有哪些临床案例适合他？”然后会收到一系列相关回答，这将节省医生寻找每个案例的时间和精力。据微软健康与生命科学部门健康AI总经理HadasBitran在与记者的问答中谈道，能够帮助回答患者基本问题的AIagent在参与测试该服务的医疗系统中很受欢迎。她还补充说，能够帮助医生回答有关最新医疗健康指南和患者病史的问题的AIagent也很常见。微软的医疗保健agent服务将从宣布当天开始提供预览版。▲微软的医疗agent服务界面（图源：微软）四、开发护士专用自动化文档，优化护士日常工作流程据世界卫生组织(WHO)预测，到2030年护士短缺人数将达到450万，因此提供技术支持护理行业的需求比以往任何时候都更为紧迫。今年8月，微软宣布其与EpicSystems合作的下一阶段将致力于构建针对护士的AI文档工具。他们正在开发一种可以增强护士日常工作流程的解决方案，通过起草流程表进行审查来处理护理文档，让护士能够将精力更多地放在患者身上，而不是文书工作上。据悉，外科护士有多达41%的时间花费在文档工作上。Epic是一家医疗保健软件供应商，拥有美国超过2.8亿人的电子健康记录。它与微软有着长期的合作关系。微软的Nuance已经为医生提供了一个名为DAXCopilot的自动化文档工具，该工具于去年推出。它允许医生在征得患者同意的情况下记录他们的就诊过程，然后AI会自动将其转化为临床笔记和摘要。理想情况下，这意味着医生每次看诊时都不需要花时间自己输入这些笔记。这项技术在今年迅速普及。Nuance宣布，DAXCopilot已于1月在Epic的电子健康记录中普遍可用，这是医疗保健行业内备受瞩目的认可。将像DAXCopilot这样的工具直接集成到医生的电子健康记录工作流程中，意味着他们不需要切换应用程序即可访问它，这有助于节省时间并减轻行政工作负担。但到目前为止，DAXCopilot仅供医生使用。微软提到，这一情况正在改变。该公司正在构建一个针对护士优化的类似工具。尽管医生和护士密切合作，共同治疗和护理患者，但护士的工作日与医生的工作日截然不同，护理文档工作流程也同样独立且截然不同。护士在轮班期间需要移动，在各个房间之间移动以看望患者。他们在病床边交谈，并以流程表等高度结构化的格式记录患者信息。“护士的工作流程与医生的工作流程截然不同，任何为护士开发的解决方案都需要与他们的工作方式相结合。”Presti在会上说道。“我们的团队花费了数小时在护士值班期间进行跟踪观察，以了解他们如何执行任务，并发现他们一天中最大的摩擦点在哪里。”微软正在与斯坦福医疗保健（StanfordHealthCare）、西北医学（NorthwesternMedicine）和Tampa综合医院等组织合作开发这一工具。结语：医疗保健领域的AI实践需要严格的测试和监管微软在官方播客中提到，这些新的AI工具都将遵循该公司于2018年制定的AI原则，以帮助指导AI的开发和使用。通过设计开发负责任的AI,确保这些技术对医疗生态系统和社会产生广泛而积极影响。在实践中，这意味着要正确构建、测试和监控系统，以避免不良行为，例如有害内容、偏见、滥用和其他意外风险，需要在构建必要的治理结构、政策、工具和流程方面进行大量投资，以坚持相关原则并安全地构建和部署AI.本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除！
-
24
10/12
100亿，90后都用过的办公APP上市了
办公软件，再“上大分”90后都用过的办公软件，上市了。十多年前，“扫描全能王”上线，抓住了线上办公的浪潮解决了一大堆90后扫描难、传输难的痛点。十余年后，“扫描全能王”背后的母公司合合信息成功登陆上海证券交易所科创板。这次上市之路并非一帆风顺，合合信息历经了多次尝试和挑战。但他们始终坚持以用户需求为核心，不断优化产品，提升服务质量。随着线上办公的兴起，手机办公功能变得多样化，合合信息的产品正好解决了纸质文件数字化的痛点。用户不再需要为了一份扫描件而四处奔波，只需轻点屏幕，就能轻松将文件转换为电子版，这无疑是数字化办公时代的一次革命。如今，合合信息的成功上市，不仅是对公司技术实力的认可，更是对整个办公软件行业未来发展的有力推动。在这个充满机遇的数字化时代，我们期待合合信息能够继续引领潮流，为全球用户带来更多便捷、智能的办公体验。敲钟上市每个办公人都得用过的“扫描全能王”“名片全能王”背后的公司上市了。今天，合合信息敲钟上市。旗下最出圈的产品莫过于“扫描全能王”，除此之外，合合信息旗下还包括名片全能王、启信宝等打工人必备软件。据其官网介绍，上海合合信息科技股份有限公司（以下简称“合合信息”）是行业领先的人工智能及大数据科技企业，基于自主研发的领先的智能文字识别及商业大数据核心技术，为全球C端用户和多元行业B端客户提供数字化、智能化的产品及服务。公司B端服务，即智能文字识别服务、商业大数据服务帮助客户切实解决了降本增效、改善风控、高效获客的业务痛点，提供了较高的技术附加值。目前已在银行、保险、证券、基金、汽车金融、供应链金融、政务、制造、物流、地产、征信等近30个行业实现成熟应用。据企查查信息显示，合合信息已经完成了八轮融资，其中经纬创投、东方汇富、京东科技、复星创富皆为其背后资本。合合信息创始人镇立新，1968年荆州出生，2000年在中国科学院自动化所完成学业，专攻模式识别与智能系统，获得博士学位。他的职业道路多姿多彩，曾在中国石化集团公司担任电气工程师，并在大连海事大学与同济大学担任教职。2000年，镇立新加入摩托罗拉，担任全球实验室负责人，专注于光学字符识别（OCR）技术。他将该技术成功应用于摩托罗拉广受欢迎的“明”系列手机，成为首位将OCR、名片识别和手写识别技术整合到智能手机的科学家。他领导的“指书FingerWriting”项目荣获《华尔街日报》的“最佳发明奖”和芝加哥太阳报的“发明金奖”，同时他也是摩托罗拉“金质奖章GoldenBadge”的得主。随着智能化时代的到来，镇立新洞察到商业潜力，决定创业。2006年，他创立了合合信息的早期形态合合有限，并聚集了一批技术精英，形成了初始团队。在合合信息的七位核心技术人员中，有六位曾是摩托罗拉中国研究院的成员，这使得公司带有浓厚的“摩托罗拉”色彩。他带领团队研发了名片全能王和扫描全能王等产品，并通过开发基于边缘计算的深度学习技术，显著提高了手写文字的识别准确率，使扫描全能王的手写字符识别率达到了97%。扫描王的成功也离不开数字化办公时代的进程。过去几年，随着线上办公的火热，手机的办公功能也开始多元化。而在文件传输的过程中，纸质文件的扫描就成了一个痛点，没有扫描王的时候大部分还是会选择去临近的复印扫描店扫描之后再传输到手机上，而扫描王刚好就解决了这个痛点。“当时市面上手机的拍照功能还没有现在这么清晰，也没有能够识别文字等等功能，很多时候需要办一些证件的时候，需要扫描件，照片直接发过去就不过审，家里没有复印机和扫描机的就得跑一趟复印店，家里买一台的话利用率又太低，而且当时基本能够满足功能的APP只有扫描王。”一位扫描王的用户回忆起自己使用扫描王的过程。除了抓住时代红利和需求痛点，扫描王的成功还与其技术和设计有关——技术上，它采用了先进的光学字符识别技术，能够高效地将图像中的文字转换为可编辑文本，并引入了智能高清滤镜等黑科技，显著提升了扫描的清晰度和准确性；用户体验方面，应用界面简洁直观，易于上手，同时提供了多种图像优化模式，使用户能够根据需求调节图像参数，轻松完成扫描和编辑任务。功能上，扫描全能王不仅限于扫描，还集成了文档共享、云同步、无线打印、全球传真等功能，满足了用户多样化的需求。它还支持多种语言的文字识别，扩大了服务的用户群体。市场需求的增长也为扫描全能王的发展提供了动力，随着数字化办公和个人信息管理需求的上升，高效工具的用户数激增；在市场策略上，扫描全能王的母公司通过有效的推广和品牌建设，迅速赢得了市场的认可。用户口碑方面，扫描全能王在处理文件的准确性和便捷性上获得了用户的广泛好评。此外，扫描全能王不断进行产品迭代和升级，如推出智能高清滤镜2.0，以适应不断变化的市场需求和技术进步，确保了其在竞争激烈的市场中脱颖而出。多次尝试2009年名片全能王上线，隔一年扫描全能王上线，两款爆火产品距今已经超过了十年的时间，据公开数据显示，截至2022年底，扫描全能王与名片全能王在AppStore与GooglePlay应用市场的全球用户首次下载量合计超过8亿，其中报告期新增首次下载量合计约3.8亿。APP涉及到的技术主要包括智能文字识别及商业大数据技术。合合信息自2006年成立起就将文字识别、图像处理作为核心研发方向，智能文字识别技术融合了智能图像处理、复杂场景文字识别、NLP等AI技术，可适应多语言、多版式、多样式等复杂场景，并可应用到多个商业化场景中并形成落地的产品或服务，例如票据分类、证照票据结构化、合同关键信息抽取、智能审核等。商业大数据技术包括大数据挖掘与知识图谱等技术，通过“数据—信息—知识—智能”4个层次，挖掘商业数据背后蕴藏的价值。而这期间，母公司合合信息也曾经多次冲刺IPO.资料显示，合合信息的IPO申请于2021年9月27日获受理，此后历经三次问询，两次中止，这一次终于成功迈进IPO的大门。作为TOC的办公软件，公司数据安全和隐私合规一直都是外界关注的重点。在招股书中，合合信息也提到了关于数据隐私安全的风险。指出“基于人工智能及大数据技术，公司面向个人用户及企业客户提供C端产品及B端服务。业务经营过程中，公司根据业务需要获取了用户的相关数据。对于获取的数据，公司建立了一系列的数据安全内控制度，采用防火墙、数据加密、权限管控、安全审计等技术方式，以保障数据资源存储、使用的安全性、可靠性。但如果受到恶意软件、计算机病毒、黑客攻击的影响；或公司员工违反公司内部制度规定；数据合作方、客户违反协议约定以及其他原因造成了数据的不当泄露或使用，公司存储的信息数据资源可能被泄露或受到损失。公司还可能因侵犯个人隐私被投诉或受到主管部门处罚，或因侵犯个人隐私及个人信息相关权益导致诉讼或仲裁等纠纷，可能对公司市场声誉及经营业绩造成不利影响。”和所有需要采集用户信息的公司一样，用户隐私都是一个审核的重点。合合信息也一直在为保护数据隐私做改革，对相关APP产品的部分版本进行了自查及升级。办公软件“上大分”在数字化转型和远程工作趋势的推动下，TOC办公软件市场呈现出强劲的增长势头。数据显示2022年中国办公软件市场规模增长至401.55亿元，同比增长12.18%，这一数据反映了市场对办公软件需求的持续上升。技术进步，尤其是人工智能和云计算的发展，正在推动办公软件功能和用户体验的创新，AIGC技术的应用使得数字内容更加丰富和多样化，满足了市场对高质量内容的需求。政策对办公软件行业的支持态度也相当明确，通过出台鼓励创新的政策，为行业的发展营造了有利的环境。远程办公的兴起，特别是在疫情期间，进一步加速了在线协同办公软件的普及，这些软件不仅提高了工作效率，还促进了组织间高效协同、内容管理和安全管控的转变。市场竞争主要集中在一些知名品牌之间，如微软的Teams、谷歌的GoogleMeet和金山办公等，它们凭借强大的品牌和技术优势占据了稳定的市场份额，并且国产办公软件在政策推动下的认可度和需求的持续增长。随着企业对办公软件需求的日益多样化，软件开发商正面临着提供更加定制化服务的挑战。这种趋势要求开发商不仅要关注产品的通用性，还要能够满足企业特定的业务流程和管理需求。此外，智能化已成为办公软件发展的一个重要方向，机器学习和自然语言处理等技术的应用，使得办公软件能够提供更加智能的信息交流和协作体验。移动设备的普及也推动了办公软件在移动端体验的优化，员工现在期望能够通过移动设备随时随地访问和使用办公软件。这种跨平台的便捷性已成为现代办公软件不可或缺的一部分。在这样的大环境下，国产扫描软件正迎来前所未有的发展机遇，市场前景广阔。数字化转型已成为企业运营的关键，企业对文档管理和数字化转型的需求不断增长，这直接推动了扫描软件市场的扩张。技术进步为国产扫描软件提供了强有力的支撑，包括提高扫描分辨率、加快扫描速度、引入智能化功能以及加强云服务集成等，使得国产扫描软件在市场中更具竞争力。“十四五”规划明确提出要推动软件和信息技术服务业的发展，这一政策导向为国产扫描软件的发展提供了坚实的政策支持和明确的发展方向。市场需求的稳定增长也是国产扫描软件发展的重要推动力。用户对网络安全和隐私保护的日益关注也为国产扫描软件提出了新的要求。国产扫描软件制造商可能会加强产品的安全特性，以满足用户对隐私保护的需求。此外，数字化扫描仪在教育和企业市场的应用广泛，为国产扫描软件提供了稳定的市场基础。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除！
-
24
09/30
「解放办公室社畜」，钉钉给出AI方法论
读过刘慈欣《三体》的人都知道，当行星被一颗恒星引力捕获，围绕其稳定运行，世界便进入了“恒纪元”：大地复苏，新生命成长，新文明开启。眼下，由AIGC催生的科技革命，正在全球烈火烹油，入局者如过江之鲫、新产品层出不穷，新概念应接不暇……仿佛一夜之间，AI的“恒纪元”就降临了：周遭环境变得新鲜又陌生，千行百业重塑中。而在移动办公赛道，确定性的脉络正草蛇灰线地隐现。6月26日召开的钉钉“Make2024:AI全明星”大会，及其钉钉7.6版本，堪称一次窗口性的Timing.①AI搜索有哪些不一样？②AI时代的工作方式会是什么样子的？③AI生态如何构建？用户的体验，就是企业的“试金石”。钉钉的举动，还释放了哪些未来已来的信号，且看节点财经独家视角解读。01被AI改变的信息搜索方式过去，用户输入关键词或问题后，出来的往往是一片被海量的、碎片化、离散的信息包围的海洋，晕头转向不说，一不小心还有可能“被钓鱼”。现在，用钉钉AI搜索，展现在用户面前的“答案之书”将更加精准和迅捷，所要即所得。究其原因，钉钉AI搜索是围绕着人、事、物等整合出来的结构化知识网络。换言之，用户处理信息的方式，将由原来的“时间流”，转为以事为中心的“交互式”，能够自动筛选重点，也能够理清逻辑，分辨真假，匹配偏好，比如把广告过滤掉，把“鸡肋”剔除掉，把风险屏蔽掉。具体来说，钉钉AI搜索具有专有个性搜索、感知信息变化、自然语言输入、直接生成答案、深入挖掘追问以及追溯内容信源等六大特征。而在叠满"buff"后，某种程度上，钉钉AI搜索蕴含了“类人”属性，变得聪明、会自洽。叶军举例称，要想知道近期全球化工作的重大进展时，只需使用AI搜索，它能够借助大模型的理解、推理、生成等能力，基于平时的资料，罗列出客户进展、产品更新、市场策略、合作进展等内容。又或者，作为钉钉总裁，叶军每天都会接收到不可胜数的客户反馈。有了AI搜索后，叶军就能一键总结分析客户的需求，快速准确地捕捉要点，帮助提高工作效率。这么一来，搜索就不仅仅是搜索了，它是工具，亦是活跃的智脑和懂事的“搭子”。02不一样的AI搜索我们都知道，钉钉是阿里旗下的企业级智能移动办公平台。所以，它打造的AI搜索，也有其迥然的DNA和特定性能。不同于面向公网的AI搜索，钉钉AI搜索由于要服务工作和协作，必然具备了相关的能力和智识，诸如通盘检索和整理用户自有信息、企业知识，涵盖单聊、群聊、文档中的信息，参与过的日程、待办、会议等工作的进展，以及企业知识库、日志等知识。进一步讲，用户使用钉钉AI搜索，除了能够获取全面的、具体的信息，还能得知有哪些人、群聊或者文档与该搜索有关，并基于搜索出来的答案，形成系统化的脑图和大纲。同时，钉钉AI搜索在即时解析用户当前所掌握的知识和数据的基础上，又加持了前瞻思维。通过深度学习和模式识别技术，它能够洞察用户在后续可能遇到的“痛点”、“难点”，主动引导并提供解决方案。这就好比我们炒一盘鱼香肉丝，钉钉AI搜索不但告知要用的食材，还把哪些人做过这道菜，“颠勺”的步骤都列示出来，甚至于你接下来想问啥、想炒啥，都提前猜到了。03“办公室社畜大解放”最近两年，“解放办公室社畜”的话题大行其道。但观其效果，大众早已不满足只停留在浅层的、物质的，对电脑、打印机、空调、桌椅等道具的进化，也依然努力地、996地、绝望地“搬砖”着。而AI的出现，第一次探入人脑，为“解放办公室社畜”打开思路。全新的钉钉AI助理，大幅升级了思考系统、感知系统和行动系统。思考系统：AI助理具备更强的记忆和推理规划能力。感知系统：感知场景中的变化，根据变化自动执行指定的任务。行动系统：调用更丰富的工具，实现多Agent协同、拟人操作。如，用户授权后，可以让AI助理记住与之相关的信息、习惯、偏好等，包括姓名、岗位、上下级关系、项目进展，支持用户自定义设置记忆，生成结果千人千面。在落地实操中，AI助理增强后的推理规划能力，能像真人一样对任务深度思考和合理拆解。你可以把它想象成“第二大脑”，能存储记忆，也能有的放矢地加工、输出记忆。如，AI助理可以感知时间和事件的变化，并根据变化做出相应调整：预约多人会议日程后，若有成员临时来不了，AI助理能够迅速觉察，并及时介入，重新协调安排；为一项计划定时后，AI助理能够高效执行，包括每天早晨8点准时提醒用户，推送当天的早餐食谱……你可以把它想象成“大管家”，听话、能干，还熟谙自适应。如，AI助理可以对工作流实施大幅跃迁，可以直接调用更丰富的工具，并加载多Agent协同、拟人操作等核心行动能力。凭借多Agent协同的能力，用户可在一个工作流或者群聊中，点兵点将，让多个不同的AI助理相互配合，共同完成KPI.钉钉现场演示的demo显示，用户能在掼蛋老友群，敲入@符号创建一场掼蛋赛事的行程，总结上一场掼蛋的胜率，以及用音乐创作大师AI助理创作音乐等。凭借拟人操作能力，用户给AI演示一遍，不需任何代码，AI助理就能学习操作流程。届时，用户只需对话，就可使唤AI,让它代替人跑腿、干活。你可以把它想象成“奋楫笃行者”，一边抬头追光，一边低头赶路。目前，拟人操作、多Agent协同已接入工作流，用户可直接配置建文档、发日程、待办等钉钉功能，天气查询、路线查询、OCR识别等20多项第三方服务，也可以通过访问API接口或钉钉连接器来集成更好用、更可靠的工具。截至5月底，钉钉上的AI助理总数达到50万个。今年4月，钉钉正式上线AI助理市场（AIAgentStore），覆盖企业服务、行业应用、效率工具、财税法务、教育学习、生活娱乐等类目。当裹挟着思考系统、感知系统、行动系统的"waiter"穿梭往来，也许我们距离真正的“办公室社畜大解放”不远了。04一场有关大模型的双向奔赴说到AI,必定少不了大模型。国内在这块追赶的很紧迫，并出现蜂出并作、百家争鸣的局面。但也因此引发一个突出BUG,用户从一个官网到另一个官网，从一个APP到另一个APP,跑来跑去，试来试去，劳心又劳力。但就在6月26日，钉钉以一己之力，把MiniMax、月之暗面、智谱AI、零一万物、百川智能、猎户星空7家国产大模型厂商聚齐。也就是说，在钉钉，用户可以按照自身需要切换AI大模型，除默认的通义外，首批可选择MiniMax、月之暗面、智谱AI、猎户星空、零一万物、百川智能6家大模型，叶军形容这是召唤神龙的“七颗龙珠”。不难看出，这是一场用户与钉钉，大模型厂商与钉钉的双向奔赴。关于前者，把选项集中一处，把选择权交给用户，让“打工人”不用四处跳转，省时省力；关于前后，大模型厂商在钉钉找到高频、刚需场景，有助于兑现规模应用和模型能力迭代，构筑起业务运转的闭环。毕竟，钉钉是一个有着7亿用户和数千万企业级组织的平台，容纳了几乎所有的真实业态，土壤不可谓不肥沃。在此处播种和耕耘，打捞属于自己的用户和客户，底基优势确凿。比如，月之暗面大模型的长文本理解和输出能力，天然与钉钉上需求最旺盛的工作信息总结、会议纪要和教育类的学习资料总结、教学辅助类场景吻合。二者强强联合，能碰撞出广阔的想象空间，也更轻松、保真地贴合用户需求。05更开放的生态AI脉冲式生长至今，生态构建和支持举足轻重，开放则是内核方法论。叶军表示：“模型开放是钉钉生态开放战略的再进一步。”为此，钉钉推出了三种合作与探索模式：钉钉的IM、文档、音视频等产品的AI能力主要由通义大模型支持。在这一布局上，其将结合其他各家大模型的特点，探索不同模型能力在产品和场景中的应用。钉钉向大模型生态伙伴开放AI助理（AIAgent）开发平台。开发者在钉钉上创建AI助理时，除了默认的通义大模型外，还可以因人而异地择录不同厂商的大模型。针对客户的个性化场景和需求，钉钉将与大模型厂商一起，为客户定制适宜的智能化解决方案，并提供模型训练调优、AI解决方案打造、AI定制应用开发等服务，还可进行模型的私有化部署。当前，钉钉生态伙伴总数超过5600家。其中，AI生态伙伴超过100家，包括MiniMax、有鹿机器人、强脑科技等。“我们希望打造中国最开放的AI生态。”叶军这样说道。其介绍到，过去一年，钉钉和生态伙伴深度集成的套件产品取得飞速发展。套件将生态伙伴的功能集成进钉钉自身产品中，为客户提供统一无缝的使用体验。截至五月底，钉钉套件的生态合作伙伴共计22家，近一年实现营收近1亿元。有鹿机器人创始人陈俊波分享了有鹿与钉钉合作开发的具身智能Agent的过程。通过数据化、训练和Agent化三个步骤，利用先进的大模型技术，显著拔高工作效率，使得小团队也能在极短时间内完成以往需要大量人力资源的任务。陈俊波强调，有鹿与钉钉一致的愿景是让有鹿机器人这样的具身智能Agent普及到每个角落，为钉钉的每一位客户提供卓越的服务。写在最后在6月26日的大会中，叶军说到，“在当下的智能时代，可以预见到，会有一种更广泛的协同将会出现。我们也确实需要去Reinvent（改造）我们的工作模式。”伴随着AI“恒纪元”的到来和钉钉“AI全明星”登场，这种更广泛的协同俨然从梦想照进现实。本文来源：Ｒ艾瑞网文章转载于其他网络，如有侵权请联系我们及时删除！
-
24
09/30
解析中国软件产业变迁：CRDE 智橙云 PLM 突破传统 PLM 困境
近期，关于中国软件产业的质疑声不断。然而，产业的发展是一个复杂的过程，受多种因素影响。本文将探讨国产PLM厂商在市场中的表现，并分析其面临的挑战。中国软件产业的发展历程自1995年中国互联网商用化以来，中国软件产业经历了快速发展。民营经济的崛起，带动了对软件的巨大需求。然而，盗版问题和国际巨头的进入，给中国软件产业带来了挑战。2005年，中国软件产业迎来第二次繁荣。以在线办公为特征的办公类软件成为热点。用友、金蝶等国内厂商在管理软件领域取得了显著成效。然而，2008年全球金融危机，以及国内外技术差距，使得中国软件产业再次面临困境。2015年，新的《国家安全法》发布，国产软件迎来发展良机。大数据、云计算等技术的应用，为软件厂商带来了新的机遇。传统PLM厂商面临的挑战在这一发展过程中，传统PLM厂商面临了多方面的挑战：技术更新缓慢：难以跟上云计算、大数据、人工智能等最新技术趋势。系统整合困难：存在信息孤岛问题，影响数据流通和共享。用户体验不佳：用户界面复杂，学习曲线陡峭。成本高昂：需要大量资金投入于软件购买、硬件配置和维护。灵活性不足：难以满足企业或项目的个性化需求。创新能力有限：长期依赖成熟产品，缺乏创新动力。市场适应性差：难以快速调整产品和服务以适应市场需求变化。数据安全和隐私问题：在数据保护方面存在安全隐患。服务和支持不足：客户服务和技术支持可能不足。总结下来，首先是严重的“内卷化”竞争。中国软件市场同类产品众多，同质化竞争严重，导致价格战频发，利润空间被压缩。其次，企业数字化转型需求个性化，使得软件厂商长期处于外包商模式，缺乏核心技术和产品创新。再次，项目驱动下的产品无法输出行业智慧。厂商通过服务客户积累的是客户案例，而非真正的产品。这导致产品设计和开发上的迷茫。此外，依赖SLG模式实现收入增长，导致销售驱动而非产品价值驱动。政府工程“扫地僧”现象，使得软件公司成为政府项目的执行者，而非创新者。最后，国内外技术代差加大，使得传统PLM厂商在技术创新和应用上严重滞后。CRDE智橙云PLM的崛起相较于传统PLM厂商，新一代云PLM正在成为新宠儿，而CRDE智橙云PLM的崛起，不仅是对传统PLM模式的一次颠覆，更是对国产软件自主创新能力的一次证明。它通过以下几个方面实现了技术与服务的双重突破：技术创新：CRDE智橙云PLM利用云计算、大数据等前沿技术，提供了一个高度集成的研发环境，实现了设计、仿真、制造和管理的无缝对接。功能全面：它整合了云上研发、数据管理、项目管理、沟通协同和知识复用等多个功能模块，为企业提供了全面的"ALLINONE"研发解决方案。用户体验：CRDE智橙云PLM以其直观的用户界面和简化的操作流程，大幅降低了用户的学习成本，提高了研发效率。成本效益：通过SaaS模式，企业无需投入大量资金于硬件和软件的购买与维护，即可享受到高质量的PLM服务。数据安全：CRDE智橙建立了多层防御体系，确保了用户数据的安全性和完整性。站在新周期，CRDE智橙云PLM,它将继续坚持创新驱动，不断优化产品功能，提升服务质量。我们有理由相信，CRDE智橙将引领国产软件走向更广阔的舞台，为中国软件产业的崛起贡献力量。本文来源：Ｒ艾瑞网文章转载于其他网络，如有侵权请联系我们及时删除！
