
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
Adobe研究院与UCLA合作开发的Sparse-LaViDa技术通过创新的"稀疏表示"方法,成功将AI图像生成速度提升一倍。该技术巧妙地让AI只处理必要的图像区域,使用特殊"寄存器令牌"管理其余部分,在文本到图像生成、图像编辑和数学推理等任务中实现显著加速,同时完全保持了输出质量。
香港科技大学团队开发出A4-Agent智能系统,无需训练即可让AI理解物品的可操作性。该系统通过"想象-思考-定位"三步法模仿人类认知过程,在多个测试中超越了需要专门训练的传统方法。这项技术为智能机器人发展提供了新思路,使其能够像人类一样举一反三地处理未见过的新物品和任务。
韩国KAIST开发的Vector Prism系统通过多视角观察和统计推理,解决了AI无法理解SVG图形语义结构的难题。该系统能将用户的自然语言描述自动转换为精美的矢量动画,生成的动画文件比传统视频小54倍,在多项评估中超越顶级竞争对手,为数字创意产业带来重大突破。
华为诺亚方舟实验室提出VersatileFFN创新架构,通过模仿人类双重思维模式,设计了宽度和深度两条并行通道,在不增加参数的情况下显著提升大语言模型性能。该方法将单一神经网络分割为虚拟专家并支持循环计算,实现了参数重用和自适应计算分配,为解决AI模型内存成本高、部署难的问题提供了全新思路。