
与其跟在巨头的后面靠复制抄袭,不如我们站的比巨头再远一点。点名时间,犹如思考与个性的交织存在,至少在国内众筹发展史上,点名时间有着不可忽视的功劳。
点名时间是首个将回报式众筹引入中国的网站。三年间,点名时间无数次的在网站上、媒体上、各种线下活动上布道着众筹的概念。同样三年的时间,也让从定位于中国Kickstarter起步的点名时间逐步成为中国最大众筹平台。
而就在今年5月,点名时间却突然宣布放弃众筹平台的定位,转型为电商化的智能硬件限时抢购平台。沉寂3个月后,在近日举办的点名时间媒体沟通会上,点名时间CEO张佑终于讲出了心声。
抛弃光环,需要的是勇气与恰逢时机的决策。点名时间此番惊人之举,让人不得不思考这样一个问题:国内第一众筹,缘何告别众筹?
在谈到这个问题的时候,点名时间创始人张佑认为根源在于,国内项目和用户都和国外有很大区别,“前三年的众筹经验告诉我,Kickstarter的模式并不适合中国”。与 Kickstater 的创业者不同,国内的很多创业者完全不会包装自己。即便是有了点名时间这样的众筹平台,他们也无法很好的加以利用。
放弃众筹的另一个缘由来自于国内用户的心态。“Kickstarer上聚集着一群理想主义者,他们对改变社会有伟大憧憬,在购买时感性因素超越了理性”,他们愿意等待新品漫长的发货时间。但国内用户非常理性,如果支持的产品不能很快拿到手,不少用户就会对这个项目产生怀疑,并且此后也不愿意再支持别的众筹项目。
张佑坦言,众筹这一概念在媒体和行业中的滥用让众筹在国内变质。随着点名时间知名度的扩大,良莠不齐种类繁多的项目登录平台让点名时间失去了原本的焦点。
就在点名时间思考转型的同时,各大互联网企业也纷纷开始试水众筹平台。京东、淘宝等大型 B2C 平台都推出了众筹频道,利用自己的流量优势开始做众筹平台尝试。这些互联网公司都有庞大的流量来支撑众筹平台,相比之下点名时间就显得比较小众。
坦诚的说,面对众筹所产生的种种问题,张佑也一直在思考点名时间未来的发展方向。此次点名时间转型为做智能新品限时预售平台,正是张佑闭关深思熟虑后的决策。
张佑解释,“智能新品限时预购”包含两种含义:第一是做智能硬件首发模式;第二是做智能硬件的预售电商,用限时预购这种模式面向智能硬件厂家和用户。
从智能硬件厂家方面来看,点名时间向其推荐首发的模式,集合国内外线上线下累计1000多家渠道和点名时间的500万用户,做为期30天的采购预定。
从用户层面来看,彻底抛弃“众筹平台”概念,在预售期间让渠道商家获得3到5折的市场进货价,让早期用户用5到7折抢先体验并进行口碑扩散。
在变身为智能硬件的首发平台后,张佑表示点名时间将专注两件事,一是专注于智能硬件领域;二是只做首发,不做销售。即帮创业团队做好第一次公众亮相、品牌包装和宣传,并与渠道销售资源对接,帮助创业团队维系粉丝用户,而其中定位糖与小K智能插座在时下最为火热。
张佑还透露,在转型做硬件首发平台以后,项目的购买人数、营收、项目数都有数倍增长:平均筹款金额由之前的13460元增长到82092元;平均参与人数由80人增长到357人;总额超过10万元的项目由原来的14个增长到现在的111个。
在众筹网站面临洗牌,延长众筹期限,网站将众筹风险转嫁到创业团队等诸多乱象中,点名时间彻底告别众筹。点名时间转型为智能新品限时预售的平台,就是要把消费者、用户的体验提升。
“因为对消费者和用户来讲,把钱拿出来放在身上之后,事实上你有的时候没办法掌控。这是整个供应链和整个服务体系没有跟着互联网模式提升起来的原因。与其我们用回报这种以物易物的方式,不如转变为预售模式;与其跟在巨头的后面靠复制抄袭,不如我们站的比巨头在远一点。”
好文章,需要你的鼓励
浙江大学团队提出动态专家搜索方法,让AI能根据不同问题灵活调整内部专家配置。该方法在数学、编程等任务上显著提升推理准确率,且不增加计算成本。研究发现不同类型问题偏爱不同专家配置,为AI推理优化开辟新路径。
清华大学研究团队提出SIRI方法,通过"压缩-扩张"交替训练策略,成功解决了大型推理模型"话多且准确率低"的问题。实验显示,该方法在数学竞赛题上将模型准确率提升43.2%的同时,输出长度减少46.9%,真正实现了效率与性能的双重优化,为AI模型训练提供了新思路。
南洋理工大学与腾讯联合研究团队开发出Rolling Forcing技术,实现AI视频实时流式生成的重大突破。该技术通过滚动窗口联合去噪、注意力锚点机制和高效训练算法三项创新,解决了长视频生成中的错误累积问题,可在单GPU上以16fps速度生成多分钟高质量视频,延迟仅0.76秒,质量漂移指标从传统方法的1.66降至0.01,为交互式媒体和内容创作开辟新可能。
华中科技大学研究团队发现,通过让AI模型学习解决几何问题,能够显著提升其空间理解能力。他们构建了包含约30000个几何题目的Euclid30K数据集,使用强化学习方法训练多个AI模型。实验结果显示,几何训练在四个空间智能测试基准上都带来显著提升,其中最佳模型达到49.6%准确率,超越此前最好成绩。这项研究揭示了基础几何知识对培养AI空间智能的重要价值。