見到伏英娜的時候,她剛剛參加完“2014全球創(chuàng)業(yè)周”后不久。在那個匯集了世界各地10000多名創(chuàng)業(yè)者和投資人的活動上,伏英娜一鳴驚人,她向全世界展示了圖片社交應(yīng)用哈圖,并帶來顛覆式的創(chuàng)新理念。
伏英娜在微軟總部工作時購買數(shù)據(jù)建立了自己的數(shù)學(xué)模型,分析結(jié)果顯示最有價值的應(yīng)用類別是:游戲、工具和社交,這三個類別各有優(yōu)勢和劣勢。
“游戲類APP的優(yōu)勢是變現(xiàn)能力強,但生命周期短且不可復(fù)制;而工具類APP則是滿足剛需而存在,比如魔漫、臉萌等,他們具備一定引爆特性和使用頻次;社交類APP的優(yōu)勢則是活躍度和粘性,價值最高,但劣勢是冷啟動。”
在總結(jié)這三種類別的優(yōu)缺點后,伏英娜認為她可以做出一款將三者優(yōu)勢結(jié)合的產(chǎn)品,于是誕生了圖片社交應(yīng)用哈圖。
最令伏英娜自豪的是,哈圖不是一款復(fù)制產(chǎn)品,是全球獨一無二的創(chuàng)新應(yīng)用。“我在微軟總部的時候很不爽,每次提到一家中國的互聯(lián)網(wǎng)公司,他們都說 facebook in china, google in china,而哈圖的創(chuàng)意在硅谷則受到很大認可,許多硅谷的朋友表示想?yún)⑴c到哈圖的項目中來。”
當(dāng)然,伏英娜認為哈圖的本質(zhì)還是一款社交應(yīng)用。
“社交APP的優(yōu)勢是活躍度與粘性,一個產(chǎn)品一旦建立起社群,就形成了自增長的系統(tǒng),就像貝索斯的飛輪理論。”伏英娜說。
所謂飛輪效應(yīng)指為了使靜止的飛輪轉(zhuǎn)動起來,一開始你必須使很大的力氣,一圈一圈反復(fù)地推,每轉(zhuǎn)一圈都很費力,但是每一圈的努力都不會白費,飛輪會轉(zhuǎn)動得越來越快。達到某一臨界點后,飛輪的重力和沖力會成為推動力的一部分。這時,你無須再費更大的力氣,飛輪依舊會快速轉(zhuǎn)動,而且不停地轉(zhuǎn)動。
在貝索斯的理論里,通過自增長帶來正反饋,最終形成良性循環(huán),伏英娜認為飛輪效應(yīng)同樣適用于圖片社交。“人與人之間的本質(zhì)是identity,不止是身份,更多是自我表達,與陌生人社交和熟人社交不一樣,我更關(guān)注的是興趣引發(fā)的社交,我喜歡滑雪,所以我有一群滑雪朋友,我正在創(chuàng)業(yè),所以我有很多同在創(chuàng)業(yè)路上的朋友,我想通過基于圖片背后的興趣圖譜,把用戶連接起來。最終形成正循環(huán)。”
伏英娜要打造的正是一個基于圖片的生態(tài)系統(tǒng),這是一個很大的想法。
實際上,在社群沒有達到足夠規(guī)模、沒有足夠種子用戶的時候很難迅速擴張和引爆,即使微信4.0之前也未形成規(guī)模式增長。這是因為社交產(chǎn)品有一個冷啟動過程,這也是社交應(yīng)用的劣勢。
哈圖如何突破這一點?為什么伏英娜能夠?qū)崿F(xiàn)圖片生態(tài)系統(tǒng)構(gòu)想?
“小米雷軍為什么能成功?因為他一開始就想清楚了商業(yè)模式,一開始的戰(zhàn)略方向就定好了,在實施的過程中,戰(zhàn)術(shù)不斷調(diào)整。我對我們的商業(yè)模式也想得非常清晰,未來我們在影視、動漫和游戲上會有很大的可以想象的結(jié)合空間。”伏英娜說。
在溝通的整個過程中,伏英娜的個性非常鮮明,她自己也坦承個性不一般,“我是90后心態(tài),我喜歡科幻,哈圖也是基于這樣的興趣誕生。如果為了錢而創(chuàng)業(yè),成功的幾率很小,但如果是興趣,成功的幾率就很大。”
伏英娜認為,好的產(chǎn)品有情感依托,傳遞something,引起用戶共鳴,有靈魂。哈圖的靈魂是科幻,傳遞的是歡樂和創(chuàng)意。“當(dāng)今中國不缺乏想象力,以90后為代表的群體,創(chuàng)造了火星文,創(chuàng)造了彈幕,個性化毫無疑問將是趨勢。”
在移動互聯(lián)網(wǎng)大潮的背景下,常常有人會問,BAT之后,值得我們期待的會是一家什么樣的企業(yè)?或許哈圖就是答案。
好文章,需要你的鼓勵
浙江大學(xué)團隊提出動態(tài)專家搜索方法,讓AI能根據(jù)不同問題靈活調(diào)整內(nèi)部專家配置。該方法在數(shù)學(xué)、編程等任務(wù)上顯著提升推理準確率,且不增加計算成本。研究發(fā)現(xiàn)不同類型問題偏愛不同專家配置,為AI推理優(yōu)化開辟新路徑。
清華大學(xué)研究團隊提出SIRI方法,通過"壓縮-擴張"交替訓(xùn)練策略,成功解決了大型推理模型"話多且準確率低"的問題。實驗顯示,該方法在數(shù)學(xué)競賽題上將模型準確率提升43.2%的同時,輸出長度減少46.9%,真正實現(xiàn)了效率與性能的雙重優(yōu)化,為AI模型訓(xùn)練提供了新思路。
南洋理工大學(xué)與騰訊聯(lián)合研究團隊開發(fā)出Rolling Forcing技術(shù),實現(xiàn)AI視頻實時流式生成的重大突破。該技術(shù)通過滾動窗口聯(lián)合去噪、注意力錨點機制和高效訓(xùn)練算法三項創(chuàng)新,解決了長視頻生成中的錯誤累積問題,可在單GPU上以16fps速度生成多分鐘高質(zhì)量視頻,延遲僅0.76秒,質(zhì)量漂移指標從傳統(tǒng)方法的1.66降至0.01,為交互式媒體和內(nèi)容創(chuàng)作開辟新可能。
華中科技大學(xué)研究團隊發(fā)現(xiàn),通過讓AI模型學(xué)習(xí)解決幾何問題,能夠顯著提升其空間理解能力。他們構(gòu)建了包含約30000個幾何題目的Euclid30K數(shù)據(jù)集,使用強化學(xué)習(xí)方法訓(xùn)練多個AI模型。實驗結(jié)果顯示,幾何訓(xùn)練在四個空間智能測試基準上都帶來顯著提升,其中最佳模型達到49.6%準確率,超越此前最好成績。這項研究揭示了基礎(chǔ)幾何知識對培養(yǎng)AI空間智能的重要價值。