虎嗅注：
人工智能正在颠覆服装行业，方式便是“以图搜图”。
比如，每天都有几十万服装店店主用“以图搜图”技术，找服装进货货源。办法很简单。店主到淘宝上截图自己喜欢的衣服，用“以图搜图”技术去搜索货源，不同货源价格不同，店主就选自己觉得最合适的。
再比如，中国纺织信息中心作为发布流行趋势的官方机构，过去几十年每年都要组织几十个专家飞赴各大时装周看秀，来回两三个月去分析、总结服装流行色彩趋势报告，告诉中国的服装企业明年会流行什么，以准备相应的生产。现在中国纺织信息中心用上了“以图搜图”技术，分分钟得到时尚趋势预测结果。
“以图搜图”背后依托的便是计算机视觉技术是人工智能的重要领域，他让机器有了眼睛，可以分辨视觉中的物体，因此计算机视觉是人工智能的重要入口。
除了服装、时尚行业，计算机视觉的应用场景其实颇为广泛，在金融、电力、港口、安防、医疗等领域都有应用前景。
然而计算机视觉是高技术含量的领域，BAT等巨头已经开始All in人工智能战略，无论从技术、人员配备、数据积累等各方面都很难逾越，留给新入局者的机会还多吗？
对于这个问题，码隆科技有自己的发言权。这家成立不过三年多的人工智能企业，如今是视觉识别各类竞赛的“冠军收割机”。
日前，码隆科技联合创始人兼CEO黄鼎隆受邀担任虎嗅会员第39期“大咖私房话”的演讲嘉宾，将人工智能计算机视觉技术应用的核心、趋势、玩法一网打尽。
在本次活动中，黄鼎隆共分享了四大主题：
人工智能技术的背景与发展
计算机视觉技术的应用场景有哪些，为什么会持续受到关注？
计算机视觉背后的技术体系
计算机视觉技术目前还面临哪些局限性？
本期大咖黄鼎隆，清华大学人机交互博士，师从美国工程院院士Gavriel Salvendy, 曾就职于谷歌、微软、腾讯和TripAdvisor。2014年与其在微软时的搭档Matt Scott联合创办码隆科技。
其核心产品ProductAI是全球第一个人工智能商品识别平台，让企业客户通过简单、快速的API调用，一站式获得多种人工智能技术服务。
于2017年11月10日，码隆科技宣布已完成B轮融资，本轮融资金额为2.2亿元，由软银中国领投。
下面是本期活动文字实录，开始阅读进入学习模式吧。
为什么是AI+？为什么是现在？
今天我想说的这个题目其实叫AI+，两年前我们就提AI+，那个时候还是非常新的。我们公司是在2014年成立，2014年可能大家都没有关注人工智能的时候，我们就看到了深度学习崛起的未来趋势，是使得很多以前想象的技术成为了可能，而这个可能最大的作用是跟一些传统的产业去结合，去帮助它们提升效率。所以AI+是我们非常认可的方向。
码隆科技致力于打造全球领先的视觉决策引擎，公司的两位联合创始人一位是我，另外一位叫Matt，他是一个美国人，我们是一对中美组合，也很有意思，以前都是中国人跑到美国去创业，而现在是一个美国人跑到中国来创业。
2014年我们觉得抓了一个很好的时机，其实很多现在做得比较好的AI公司，基本上是2014年前后成立，包括像2015年（成立），依图、商汤、旷视，基本上都是在那个时间成立的。我觉得时间点很重要，就好像互联网的企业其实最后做得比较大的都是1997年、1998年左右成立，因为你在一个时间点上成立，你把人才聚集到手，你把钱聚集到手，你把各种资源聚集到手，这个时候你就能发展比别人更快。我们刚刚完成了B轮的融资，由软银中国领投。
对于发展，我觉得这中间是有两个很好的时机点正好赶上，一个是在AI崛起的时机点；另外一个是政策红利，就是所谓的“大众创新、万众创业”，包括对一些人才的聚集。
ImageNet奠定了整个深度学习的快速发展。
ImageNet比赛就是要让计算机对图像进行分类，各个团队用自己的技术与方法，加上统一的数据集去训练模型，看谁能够分辨分得更准。接棒ImageNet的是WebVision。
ImageNet的创办人是斯坦福大学的李飞飞教授，她调用了大概是一万五千个人力，花了两三年的时间标注了海量的图片，就是她要去给这些图片去标注这图片上是有猫，还是狗。经过大量的人工投入，标注了海量的图片之后，用标注好的图片去训练模型，所以这些数据是整个深度学习的基础。
WebVision和ImageNet的区别在于WebVision用的是直接从网上抓取的数据，这个数据也带标签，但标签是有噪音的，就是标注不准确。比方说在里面明明是猫，可是它标注的是狗。那么在以前这样标注错的数据是不能够被深度学习所使用的，被训练出来的模型完全不可用，所以WebVision的核心就看你能不能处理有噪音的数据。
所以大家如果未来要在自己的业务中去用深度学习，首先要考虑的就是一个数据的问题，要考虑数据是不是足够干净。
AI技术在服装识别领域应用实现的背后有一项很重要的因素就是就是你要有海量的衣服数据，而全世界一半的衣服都是在中国生产的。意味着全世界一半的衣服相关的数据都在中国。那么以这样一个数据优势，其他地方是没有办法跟我们去竞争的。
视觉这个事情为什么很重要？
如果我们把这个商业世界比作自然界的生态，现在的商业世界也开始催生出了一个视觉系统。
那么大家可能会说“那摄像头不早就有了吗？” 摄像头其实不是视觉系统，摄像头是人的眼睛，人的眼睛要看懂外面的世界它还需要有个视觉中枢，所有的视觉信号通过眼睛到达这个视觉中枢经过解读之后能够跟一个人大脑的皮质层去连接，进行相应的知识搜寻和逻辑判断。所以以前的商业世界有眼睛，没有视觉中枢。
而现在，由于深度学习，人工智能技术的进化，这个视觉中枢初步地被打造出来，催生出很多在商业领域的新鲜物种。
回顾整个技术进展的历史。其实现在有一种说法，我们正处在第四次工业革命，第一次工业革命是以蒸汽机为代表，第二次是以电为代表，第三次是以信息技术，尤其是计算机为代表，而现在是第四次工业革命，以人工智能为代表。
在这样一个人工智能技术突破方面，其实在全球来看基本上是中美之争。现在中美在人工智能领域，美国比我们要领先，可是并没有太远，而且看起来我们的加速度比它更快，有希望追赶。
这两个表是关于人工智能和deep learning相关的数据，右边这个表是论文的发表数，左边是论文的被引用数，红色那条是中国，蓝色那条线是美国。可以看到其实中国在论文发表的数量上已经超过美国了，在论文被引用次数上也超过了美国。
另外，中国是全世界第一个在政府最高层面提出人工智能发展规划的，今年7月国务院发布了《新一代人工智能发展规划》，明确了我国新一代人工智能发展战略目标。
两个月前在美国著名科技媒体The Verge上面有一个报道，中国和美国之间在人工智能的竞争。
把现在中美之间在人工智能的竞争比作了当年美苏之间的太空争霸。当年的美苏太空争霸其实是苏联先把卫星发射上去的，可是最终是美国把人送到了月球，最终美国赢得了那场太空争霸的竞赛。
这篇文章其实就是说现在也是这样一个局面，在某些方面，中国在AI领域比美国还要领先。可是这篇文章是认为美国最后会像当年的太空争霸一样会胜出。可是我们作为中国的人工智能的从业者是不相信这个事情，我们认为中国有更大的机会，至少是可以平分秋色。
“AI/视觉+”跟商业的结合场景有哪些？
比方说自动驾驶，自动驾驶严格说来跟人工智能有很强的关系，关于自动驾驶的研究已经做了很多年，比方雷达传感器。深度学习的快速发展，也使得整个自动驾驶的发展提速了很多，现在业内大概觉得五到十年自动驾驶会成为现实，在深圳已经有自动驾驶的公交车上路了，现在这个车它其实是有司机的，只是平时不操作，一旦出现什么状况还是要去操作的。
AI+金融，我相信现在很多人已经在这个领域闷声发大财中了，例如AI炒股、AI自动识别各类票据。在炒股这个事情上人是没有办法跟AI相比的，因为AI所掌握的信息量比人要多很多。
AI+电力系统，比如电力系统巡检，效率会大幅度提升。甚至有人在无人机上面部署AI系统，利用无人机巡检识别各种可能问题。
AI+港口，比如用摄像头自动识别货柜的柜号，检查柜子的破损程度，甚至有些港口已经实现无人化，整个港口里面的物流、装货、卸货，各种调度全部都是AI在做。
AI+医疗，目前，人工智能已经在辅助诊疗、医学影像诊断、药物研究方面发挥着巨大作用。
AI+食品，日本的一位农民DIY了一台深度学习智能黄瓜分拣机，去分辨不同形状、不同品质的黄瓜。
AI+安防，中国今年的维稳预算大幅上涨，在安防领域的技术成熟度也已经达到比较实用的水平，布局安防领域的企业预计今年会有可观的收入。
另外在商品识别领域，视觉可以识别摄像机上面的商品，也可以识别X光下面的商品。比方一个典型的场景，就是过安检，其实主要是看你包里有没有一些违禁的物品，其实我们也可以在X光下面把这个物体准确地识别出来，这样的话就可以节省安检的人力。
AI+纤维分析，用人工智能自动地去识别衣服的纤维成份，买衣服的时候可能会看是纯棉的还是羊毛的？一般需要送到第三方机构鉴定，鉴定的时候基本做法就是用显微镜去观察纤维，由专业人员去判断是什么，羊毛还是棉花。问题是专业的人要训练三到五年才能够上岗，现在在一些单品上面的识别精准度已经达到99%，比人的识别精准度还要高，这个时候就可以用AI取代这些人，还能够衍生出一些新的商业模式。
AI+纺织品，用技术手段去实现拍照找面料，包括其他跟面料相似的，拍照找皮革，拍照找墙纸，拍照找瓷砖，大量你没有办法用语言去描述的东西，就比方说面料的话，如果你是一个服装企业的采购人员，你看到这样的面料说我想买这个面料，可是我很难用语言去描述，我们的解决方案就是你拍张图片，我们就帮你把面料给找出来，直接去购买。
那这里面有一个具体的视频来演示这个解决方案。比方说你看到这样一个黑底的花纹面料，你很难用语言把它描述出来，你拍张照片。我们首先就把一模一样的找出来，然后把其他的类似风格的找出来，你也可以在手机上去做这个事情，比如说像这样一个面料很难用语言去描述，那么你用手机拍个照片，我们马上就把这个面料找到，可以直接一键去购买。那我们短短几个月的时间，在国内70%的面料品牌现在都在使用我们的这个技术。
另外就是AI+时尚，时尚背后的商品识别核心在于对服饰的识别。衣服作为一种柔性的物体从技术上识别是非常难的。比如说要识别一本书的封面，这个是相对简单的，或者说识别一个桌子可能会好很多，因为桌子形状不会变，可是衣服是柔软的，柔软的意味着它会变形，当我把衣服穿在身上是这个样子，挂在衣架上它是另外一个样子，我把它叠起来，甚至揉成一团它是完全不同的，而人的眼睛能很快分辨出来，识别柔性物体对以前的计算机是不可能的，而现在我们可以利用人工智能技术让衣服在各种形态上很好地识别出来。
我们不仅识别衣服，还能识别衣服的属性。比如说你去拍一朵花儿，我们不会给你去找同样的花，我们会给你找到有这样花纹的衣服。又或者是当你在看杂志的时候，你看到有想买的东西，比如说像这样一个红色的裤子，你只需要拍个照片，我们就会把这个裤子给你找到，你就可以直接购买。又或者是你拍牛仔外套，我们会帮你找到这个外套，并且告诉你怎么搭配。
同时我们也在服务批发市场，现在每天都有几十万的服装店的店主在用我们的技术去找服装的进货货源。比如说如果你是一个服装店的店主，你可以到淘宝上面去选喜欢的衣服，截完图我们就帮你找到这个衣服的货源，不同货源有不同的价钱，你可以选择最合适的。即便有些图片加了水印或者干扰性的东西，我们都能够排除掉这些干扰。
还有很重要的就是AI和数据。AI和数据是密切结合的，那么很多人说AI像汽车，数据就像汽油、石油，用石油驱动汽车，我觉得还不仅这样，因为这是一个单向的用数据去驱动AI， AI应该是变形金刚，它可以变成一个钻油机，去钻出更多的油出来。不仅仅是消耗数据，也能产生新的数据，形成正循环。
那么这里面有个例子，是我们给中国纺织信息中心做的一个产品。可以自动的分析预测流行时尚趋势，可以把任何一个T台秀的图片输入到这个系统，我们首先会把T台秀上面的模特提取出来，然后把模特身上的衣服提取出来，得到衣服上面的各种属性，比如它的风格、颜色，排除掉光线、角度的干扰，得到色彩分布的量化比例。那这个是怎么用呢？
中国纺织信息中心作为流行趋势的官方机构，他们过去几十年都坚持要干一个事情，就是每年发布流行色彩趋势报告，把报告给到中国的服装企业，告诉他们明年会流行什么色彩，要准备相应的生产。过去是要组织几十个专家去看时装秀，看完之后花大概两三个月的时间去总结出哪种颜色变得更流行了。而现在只需要把时装周的照片输到系统里面来，马上可以得出量化的结果，比方说某种玫瑰红，某种草木绿，从8%提升到15%，那这就是一个流行趋势，是一个精准的、及时的量化数字，而不是一个个人的感觉。
中国纺织信息中心也是基于这个技术发布了全球第一个AI Color Trend，服装企业可以时时的查看流行色彩趋势。并且得到了中国流行色协会评选的中国年度色彩科技大奖。
对于技术创业者背后的一些核心想法
接下来简单地介绍一下深度学习。因为其实这一波的技术，整个核心的技术就是深度学习。人工智能概念的提出已经有60多年，之前有出现一些技术，支持向量机和一些基于统计学的方法，可是都发现最后不行，实现不了精准度的本质突破。现在深度学习技术完全改变了这个状况，所以要了解人工智能，中间最核心的技术就是深度学习（Deep Learning）。
ImageNet的比赛促进了深度学习的突破，ImageNet其实就是利用计算机对图像去分类，在2012年的时候有了惊人的突破，准确度提升了10%。很快大量的团队都在用深度学习算法，到2015年计算机对图像的分类识别程度超过了人。
这里是一个技术发展趋势图，红色这条线是深度学习，蓝色这条线是一个传统的技术在做模式识别，可以看到这两条线的变化也是非常的明显的。那么刚才提到这波AI公司成立的时间很重要，为什么呢？目前排名靠前的AI公司，基本上都是在交叉点前后成立的，如果太靠前，大部分公司在用模式识别去搭建产品；当深度学习有了突破之后，大部分公司会有技术负担，不会轻易做出技术上的改动，继续带着这个已经走不通的技术企图跟新的技术去结合，这是一个很大的负担。所以时间点很重要。
深度学习的一些技术逻辑
比如你要教小孩认得什么是汽车，有两种方法，一种方法是你给他描述汽车的特征，比方说车有四个轮子，在地上跑，有窗户，你给他描述特征，那么当他看到符合这个特征他会知道这个是车子。可是问题是有时候这个特征会被破坏掉，比方说有些车是三个轮子的，那当他看到三个轮子他就不知道这是车。或者说有些车从某一个侧面的角度，你只看到两个轮子，看不到四个轮子，那他也不知道这是车。
第二种学习的方法是我不给他去定义什么是车，我就把他带到马路上，过来一辆车告诉他这是车，再过来一个我说“这个是车！”，让他看无数的车，看完之后他自己去学会什么东西是车。
那么模式识别就是第一种方法，深度学习就是第二种方法。所以深度学习就用大量的样本去训练他，可是你要能够训练它的前提是它有学习能力。怎么去构建一个有学习能力，智力没问题的计算机模型呢？用的是神经网络，用数学的方法去模拟人的大脑里面的神经元的网络结构，神经元会分成很多的层级，每一个层级之间的神经元会有连接，而这个连接反映到数学上面都可以是某种数学的公式。那么你会把一张图片，比方说我把它解释成像素，然后输入里面，每一个神经元它就会通过某种方式传递到下面这一层，下面再进行传递过去，每一层都会对这个图像进行不同的解释，比如第一层是像素，第二层是线，第三层是形状，第四层是它的物体等等。那么通过很多层的解释之后，最终确定看到的是什么，大概是这样一个思路。
说起来很简单，实际上这个数学公式有几十亿个参数，那么几十亿个参数的数学公式在数学上是不可解的。所以你只能不断地去调整中间的参数，使得它更逼近最佳效果。参数调整的好坏，也就决定了AI公司之间的水平差异。
如何利用人工智能，未来怎么样？
我们的一款产品叫ProductAI，它的作用是为你的产品植入人工智能。因为我们本身就是AI领域的典型应用，内置很多AI的模块，比如识别交通工具，识别人物等， 你可以通过上传图片的方式找到想要的东西。
一个案例是给江西景德镇做的一个项目，可以通过图片识别出陶瓷产品的生产工艺，比方说杯子的成形方式、烧制方式、上釉方式等等。
但技术的发展也是有极限的，在现阶段它其实能做到现在通过视觉做到的事情。可是有些事情不仅仅靠视觉，比方说珠宝鉴定、鉴定珠宝、古董不仅要看它的外表，可能还要摸，要看很多细微的东西。即便是专家也不能够做到远远地看一眼就判断真假。那如果人眼做不了的话，现在AI也做不了。所以现在AI能做的事情是能达到人的程度，还没有完全超越人的能力。
不过这个事情也不是绝对的， AlphaGo Zero在下围棋这件事情上就不仅仅是比人好一点，而是到了更高的境界。不过围棋是一个比较特殊的事情，因为围棋从数学的角度讲是一个全信息的博弈，它所有的信息都是知道的。
还有一个很重要的训练样本问题，比如说要做珠宝鉴定，我首先想的就是数据从哪儿获取？我需要拿到很多真的珠宝数据，也要拿到很多假的珠宝数据，获取数据本身可能比技术还要更难。
另外我们给《光明日报》做的一个产品，你可以通过一张报纸上的图片找到图片背后的新闻视频，比方说习主席在大会上握手的照片，你可以拍摄照片上传，AI会去理解照片背后的语意，把视频给找出来。
最后总结一下，首先就是AI是对于商业来讲是下一个非常重要的事情，它会催生很多商业新物种。第二就是AI其实不仅仅是给技术人员使用的，它可以给所有人带来方便。最后是真正的人工智能不在于你自己有多智能，而在于你能不能让别人变得更智能。
Q1：与三福百货合作的智能门店解决方案究竟是什么样子的呢？
黄鼎隆：那是我们最新的一个案例，主要是卖衣服为主的百货门店。首先是VIP客户的识别和签到，客户进店后，马上会提醒收银员这是VIP客户，他过去有什么样的购买行为，以及购买偏好，这些信息都会推送到售货员手里。
第二可以进行有关客户的大数据收集工作，通过摄像头全面掌握客人的画像情况，店主基于大数据可以调整他们商店的策略，比如进货选品等。
Q2： VIP客户信息的识别，在识别过程中顾客的隐私如何保护？由此会不会给顾客带来厌烦的情绪？其次，人脸识别、客流分析还有提供大数据报告，哪些解决了行业痛点？
黄鼎隆：首先是解决了什么痛点问题，商家的痛点就是我要卖更多的货，那AI怎么帮他们卖更多的货呢？理论上是如果售货员知道客户是VIP，又知道他的购买喜好，就能推荐更适合他的商品，能卖更多的货。可是中间有一种转化就是他的售货员还需要去做一些事的。首先这个转化具体能转化成怎么样，现在还在跑数据的过程中。另外，零售商可能还有一个需求，很多传统企业都有这个感觉，互联网错过了，淘宝阿里起来了，很多零售商受到了冲击。新的一波人工智能来了，那这一波我就不能错过了，互联网让很多传统企业都觉得挺懊恼的，所以对于新的人工智能，他们有比较迫切的甚至不想错失这次的机会。
对于隐私的保护是商家首要考虑的问题，至少现在应该不是很大的问题。
Q3：第一个问题是如何让机器去深度学习视频里面所承载的信息？按照目前的技术水平，能够实现让机器深度学习视频文件，并独立完成文学创作吗？
黄鼎隆：目前有很多科研团队都在研究机器独立文学创作这个事情，对我们来讲视频和图片都是我们同样要关注的东西，视频本质上是一帧一帧的图片，所以没有太本质的区别。在某种情况下视频还会使得我们的识别难度降低。比方说我要识别一个鼠标，视频就意味着我有很多帧图片去反复地验证这是不是鼠标。图片的话我就只有一次机会。所以从这个角度来讲，有时候对一个物体的识别，视频还会更容易。
让机器进行文学创作其实是一个相对较难的事情，同时增加了时间这个维度。因为视频跟图片不同，它有时间，一帧帧图片连接的顺序代表了一个事情发生的逻辑、先后关系。对于深度学习的理解和难度会大很多。不过我相信，不用太长的时间，让机器进行独立文学创作是有可能的。
Q4：第一个问题是超市购物进行商品识别大概需要多少个摄像头，分别从什么样的角度可以去识别？
第二个你的这个功能和淘宝的拍照购有什么区别？
黄鼎隆：第一个问题需要多少摄像头是要看商家的要求，比如结算场景，这时候一个摄像头是足够的。可是如果你要去监控客人有没有取货物，又放回去这个行为，是需要更多的摄像头来完成。
第二个问题是跟淘宝拍照购比较，我们是从一个商品的供应链去看的，商品的供应链是商品从设计到原料，到制造，到批发，到零售，到最后跟用户的互动整个流程。淘宝只是在零售环节，它甚至只是在零售里面的线上零售这一块，所以它是整个供应链条里面的一个环节。
Q5：AI场景化落地谁来买单？在AI落地的过程中责任归属问题如何解决？比如零售场景少收钱了，这个责任是怎么处理的？
黄鼎隆：首先谁买单这个事情，我刚才展示的案例，绝大部分都已经在落地，已经有客户在买单。所以现在的问题不是说有没有人愿意买单，而是我们能不能用AI帮助客户真正解决问题，帮他省钱或者帮他赚钱，所以能不能解决客户的问题，这才是核心。
第二个问题是责任归属权的问题，我觉得要分领域去看，比如零售业，在正常的损耗率情况下商家自己会去承担这个责任，在提升效率的同时承受有可能存在的损失是可以去平衡的。但如果在医疗领域发生AI诊断失误的问题，责任归属权问题的确还没有答案，这也是为什么可能这个领域落地会比较难的一个问题。
Q6：在视频AI这个领域里面，到底什么才是真正核心的竞争力？
黄鼎隆：核心点首先是团队，AI领域真正能够做创新的人是很少的，所以说团队很关键。而团队也不仅仅是一个纯技术团队，因为还要提供整体解决方案，除了有研究，还要有工程、产品、商务，团队很重要！
另外技术优势也很重要，我们现在做的很多场景，之所以能够落地比别人快，是源于我们在弱监督学习上面的一个技术优势，这个优势让我们拿到了WebVision的冠军，同时也使得我们去做很多商业案例的时候比别人更准，成本更低。当然技术的优势不是永远的，技术的最大优势是带来一个时间窗口，在这一块时间内你有相对的优势，接下来很重要的就是在这个时间窗口里面，你能不能积累起一个数据的优势。
最后很关键的就是数据优势。比如说我们在某些领域其实是建立了比较高的数据门槛，哪怕是巨头要进来，它也没有这么多领域的数据。最终这个事情就是一个动态的，没有所谓永恒的优势，归根到底还是团队。
Q7：作为传统行业的公司来讲，怎样才能跟AI有更好的结合呢？
黄鼎隆：很多我们的客户都属于传统行业。比如纺织面料行业，他们手里拥有的数据都不是我们平常所说的电子化的数据，而是真的面料，我们还不能直接用。但他们有一个愿景，我觉得这个愿景恰恰是最重要的，他们想让中国从世界服装工厂转变为全球时尚策源地，这也是我们希望帮他们去达到的一个愿景。当然在这方面的投入是比较大的，包括是资金，还有人员方面，我们成立一个联合团队，解决数据、技术、应用的问题。纺织信息中心每年都要产生数据报告，要花两三个月的时间才能出一份报告，我们用技术的手段帮他快速实现。
Q8：相对BAT在各方面的优势，码隆科技如何在技术上保持自己的优势或者建立壁垒？
黄鼎隆：首先，我不觉得BAT有很大的优势。当然BAT有很多人。比如我们要做一个外卖的APP，那可能我一个团队做半年做出来，BAT 500人一个月就能做出来。可是在AI这个事情上，我认为人多是没用的。人多不能直接转化成质量和速度。我们团队很多人以前在大公司都是绩效最好的，而我们现在的创造力比以前要高很多。为什么？我们现在技术上的优势，其实是靠无数人灵光一闪，这中间有很多技术难题，这技术的难题你是没有现成的答案的，怎么去解决的呢？就是你把这个问题装到你的脑袋里面，你上班的时候想，吃饭的时候也想，直到想到了某个点，这种时候一定要把这个事情装在脑袋里，所以这个时候，反而是创业公司的一个优势。
评论