先画图,后跑步
每年都有很多跑友/骑友,在自己的城市里,跑出各种轨迹,或表达爱你,或激励自己,极具仪式感
不如建议地图APP,做一个刺激日活的运营应用 —— 先画图,后跑步
- 先手绘一个图形/文字
以用户所在位置,或所在城市地标位置,为地点/中心,在地图上找到一个可用的路径轨迹
- 可在更大或更小的范围内生成路径
- 可分享给其他人,可以多端共享
- 用户跑步/骑行,完成这个轨迹,发图炫耀
对用户来说,是个好玩的工具
对地图APP来说,是个可以用作日常运营的工具
每年都有很多跑友/骑友,在自己的城市里,跑出各种轨迹,或表达爱你,或激励自己,极具仪式感
不如建议地图APP,做一个刺激日活的运营应用 —— 先画图,后跑步
以用户所在位置,或所在城市地标位置,为地点/中心,在地图上找到一个可用的路径轨迹
对用户来说,是个好玩的工具
对地图APP来说,是个可以用作日常运营的工具
Google 发布了一个从文本生成音乐的AI模型-musicLM,演示和论文如下:
https://google-research.github.io/seanet/musiclm/examples/
可以通过输入具体的文本描述,生成不同风格的高质量音频,也可以通过输入一段哼唱或者口哨,来生成连续性强的长音频。论文中提到了研究过程中的一些挑战:
音频-文本的高质量标注数据稀缺
利用了两个已经成型的项目( AudioLM 和 Mulan ),以及一系列创新的工作,完成了这个模型。
浏览完论文,有了一个文本生成音乐模型的迭代思路,大致如下:
基于上面的假设,不影响 musicLM 论文中工程性的部分,而是从听众对音频的感受入手来建立训练集,来源是 网易云音乐(其他音乐APP也可以)的评论
同样用用户实际的评论文本数据来修正模型,甚至可以使用与 文本生成图像 相同的算法模型来处理,降低训练难度,需要做好 图像-音频 的对应标准
一个NFT推荐引擎,通过画画和描述(也可以是星座算命等),找到相似的NFT
……
本质上是一个NFT届的蘑菇街,通过有趣的,游戏化的方式,刺激NFT购买,收取交易所分成、NFT项目方竞价等方式盈利
两种社区类型:
1.白名单共识社区,只对极少数主题达成共识,并在此基础上运营社区
2.黑名单共识社区,只排除极少数主题,在其他所有事情上要求共识,并在此基础上运营社区
白名单共识社区,如果社区成员在超出共识的主题上发表看法,是一种个体行为;社区管理者不能代表社区在超出共识的主题上表态,这是一种违约。
黑名单共识社区,社区管理者可以在被排除的主题之外任何主题表态,都可能被固化为新的社区精神内核。
稀缺到平凡,是一个规模化的过程,技术创业促成这一个“技术大众化”的变化,就面向了更多的客户群体。以数据科学为例,市场已经进入到 “单例/局部” -> “集成/全局”的创新通道上,不是说单例和局部的优化没有价值,而是说当前的情况下,从集成和全局的视角出发,性价比更好。
开发算法是数据科学家的工作领域,需要极高的学术能力;使用算法,是数据工程师的领域,需要极高的行业垂直认知。通常认为数据科学家的人数更少,难度更高,实际上深入行业的“高工”人数更为稀少,我们所看到的“大量”工程师,是指从事相对“高工”来说,更简单工作的。
随着使用难度的降低,客户群体会逐渐变大,这是对技术创新的奖励,属于“技术下沉”带来的红利。
方法 | 代表 |
---|---|
AI增强的类问答交互 | Magic BI、北极数据、…… |
低代码图形界面 | 海致BDP |
Excel类交互界面 | 维格表 |
领域专用语言 | Kur、Gen、Byzer、SQLFlow…… |
算法工程化 | 机器学习框架/机器学习平台 |
算法工程化,如机器学习框架(封装多种算法)/机器学习平台(封装算法和资源)
语言,有两类分支
开发一种领域专用语言,降低使用算法或工程化的难度,如
已有语言的能力拓展,让客户群使用熟悉的技术栈进入新的技术领域,如让数据分析师具备数据模型的能力
低代码/无代码,让具备一定逻辑能力的业务方,进行简单数据开发,也可以是提高数据分析师和工程师工作效率的工具
创新型BI,通常基于NLP等技术,通过近似问答的方式,由AI自动输出数据智能结果,直接将数据能力下沉到一线的业务人员
一种技术能力扩散到更广泛的客户群,都伴随着降低准确性、牺牲效率、舍弃高难度能力的代价,从目前的市场趋势看,创业机会的分布是哑铃状的,底层框架难度大,成功后价值高,有垄断效果;应用层的增长型BI客户群基数大,收费更容易;而中间的语言类和低代码类,更多像是实现框架或数据应用的工具,需要投入更多运营资源,才有机会形成规模。