雷军在参访中多次提到他是一个极度专注的人

花了几个小时雷总在小米汽车发布之后接受的访谈,在谈话过程中,他多次说到自己不是一个投机者,而是一个坚定的长期主义者,做事情十分认真,极度专注。

聊到了小米决定开始做汽车时,董事会只提了一个要求,雷军必须亲自带队,而不能是找一个代理人来干,这是投资人对他无比的信任,事实证明,他们的判断是正确的。人,才是最重要的。

在访谈中有很多点令我印象深刻。

一,他说他是一个做事很认真,极度专注的人。认真、极度专注,在做事的过程中,会产生心流,产生的内啡肽是一种更高级的满足感,懂得了很多道理,只是第一步,这一步很重要,驱散心魔,让自己不会被后悔、内耗、焦虑、嫉妒等情绪裹挟,精力不被内耗,只把精力投入到事情本身,这是认知提升的过程,是修炼的过程,是“知”的阶段。下面就需要去“行”,这才是更重要的一步,可以半知而行成功的,但绝不能知而半行而成功的。去做事,去极致专注的做事。

二,要做对的事情,“站在风口上,猪都可以飞起来”,这句话是外部对他的误解,以为他是一个投机主义者,但他的本意是,要做对的事情,顺应潮流的事情。难而正确的事情,只要坚持下去,总会看到成果。是啊,光努力是远远不够的,还要在正确的方向上发力,错误的方向只会背道而次,事倍功半。如何才能知道什么是正确的事呢,这就需要更广的视野,更深刻的思考,把握潮流的能力,解读政策的能力,多看,多思,多与同行交流,脉络就会慢慢浮现。

三,雷军本人对于现在的火爆景象也是没有想到的,他关注的是一个长期的事业,利用终局思维来看,什么事情是对终局有利的,就是应该去做的,不为了快速出车,选择到处整合的方案,而是选择从最难的轿车开始,并且要将核心技术牢牢把握在自己手里,投入大量精力进行自研。我想,即便是su7没有现在这样火爆,他也会在这条自研道路上慢慢的拱,一开始的选择,就不是一个短期碰运气的操作。

四,前期大量的市场调研、用户调研,在推出第一辆车的时候,在很多事情上已经想得很清楚了,比如要将女性用户放到重点,颜色、防嗮这些功能也体现出了。

五,长时间会议,在前期讨论时,连续开了20多天的会,从早上9点开到晚上12点。这种会议,之前只在我党的会议中见过,去年的国际业务讨论过程中,也体验过一把,这种长期的会议的确是有用的。

六,雷总带动整个团队,以学徒的心态进入新的行业,认真学习,亲自去试驾车、极端环境试车、借同事车体验不同品牌的车,将自己完全沉浸在造车这件事上。

雷总的访谈内容,许多都可以结合到自己的日常工作中,类比下来,对正确的事情更加肯定了。

Read more

利用神经网络拟合一元二次方程

我们这次要拟合的关系是一个一元二次方程 目标 * 理解参数初始化对于模型效果的重要影响。 * 学习模型训练过程中,如何通过观察损失值相应的调整学习率、epoch大小。 数据构建 这次我们在准备数据的时候,就将数据进行划分好,总训练集100个,训练集90个,测试集10个。 # 生成准备y = x^2 + 2x + 1数据,共100个点,并按9:1的比例划分为训练集和测试集,并保存到CSV文件 ​ import numpy as np ​ from sklearn.model_selection import train_test_split ​ # 生成输入数据 x = np.linspace(-10, 10, 100) # 在[-10, 10]范围内生成100个均匀分布的点 ​ # 生成目标输出数据 y = x**2 + 2 * x

By 李浩

利用神经网络拟合一元线性方程

在现代人工智能技术中,神经网络通常被应用于复杂的非线性问题,如图像分类、语音识别和自然语言处理。然而,即便是简单的数学关系,像一元线性方程(y = ax + b) 的拟合,对于理解神经网络的基本原理、训练过程及其局限性会是很好的学习案例。 本文将探索如何利用神经网络来拟合这样一个简单的线性方程。我们将从零开始搭建一个基础网络,通过逐步训练,观察网络如何学习到输入与输出之间的线性关系。通过这个简单的示例,我们不仅可以验证神经网络的学习能力,还可以揭示一些训练过程中的常见挑战和优化技巧。 选择拟合的目标方程是: 目标 * 对可视化探索、模型构建、模型训练、模型测试有一个全程直观了解。 * 观察学习率、epoch调整对结果训练结果带来的影响。 数据构建 先来手动制作一批训练数据,以便为神经网络提供可用于拟合的样本数据。可以快速编写一个小脚本,生成 100 对 (x, y) 数据点,并将其保存在 train.csv 文件中。我们选择了一元线性方程 y = ax + b 的形式,后续构建神经网络及训练的目标是,通过训练逐步学习到系数 a

By 李浩

企业挣钱跟小区店铺有类似逻辑

今天在填明年海外部门预算,以往都是敷衍了事,没有在意,这次专门看了具体条目,以及金额数量,才发现预算金额如此庞大,再加上idc成本,人员成本,场地费,税务,剩下的就没多少来。一直以为挣了好多好多,结果算上来净利润还是在百分之三十左右,虽然说对比其他行业来说,已经是一个非常不错的水平了,但对于之前没有详细算过账的感觉来说,一下就打破模糊的偏差认知了。 这个利润率,也是公司坚持投入了好多年,才逐步打平以至营收的。 具体办企业与小商店在底层逻辑上有哪些共同点呢。 一,最后的利润,都是钱经过层层漏斗,漏到最后能留下来的,才是最后到口袋的。哪一个环节没有做好控制,都容易入不敷出。每个环节的成本控制,都不可忽视。对于负责人或老板来说,对每个环节的成本支出必须做到了然于胸。 二,外部合作必不可少,不管是企业还是小商店,都只是经济环节中的某一环,都会有上下游合作方,对于软件公司来说,云平台、支付渠道、投流平台等都会涉及到与其他企业的利益分配。对于小商店来说,进货商、场地租金、营收工具等都需要花钱解决,商店本身只负责末端售卖。大家都是整条产业链中的一环,参与进来才是最重要的。 三,都会有成本,

By 李浩

好的故事创意是否不会枯竭

似乎好久没有看到十分精彩的电影了,新出的电影观影过程中几乎就能才到后续的发展,总会感觉似曾相识或过于老套,引发了一个思考 - 好的故事创意是否不会枯竭。 如果不会枯竭,说明创意是一个永不会灌满的大水池,想不出创意只是能力问题,创意的点还无穷无尽。如何论证呢,无法论证,但是能计算,何解? 创意也可以分解为创意点的组合,将人类有史以来所有的故事放在一起,进行分解,可以提取出不同维度的要点,并且每个要点都会是可枚举的,即便是还未被创作出来的,其要点数量也会是可枚举的,可枚举的要点排列组合在一起,就会是一个有限数量大小。 如此看来,整个池子是一个固定数量,前面的创意点相对容易挖掘,越到后面,越难挖掘出来,想必这就是电影越来越难以创新的原因了,已挖掘的创意点多了,后续创意需要避开现有点才能被称为创意。 站在人的维度,看的电影越多,后续能触动到你的点就越少了。

By 李浩