
10年前,我认识两个IT朋友,每次遇见,都激情澎湃的谈论着梦想,对自己的满腹才华无处安置感到不甘,经常对创业的方向争论的面红耳赤。记得谈到未来属于他们自己的公司时,IT男长期熬夜的干涩的眼睛瞬间就闪亮了。
十年间,我听着他们的议题的变换:开公司、接项目、兼职、买房、娶妻、生孩子、宝贝上学、如何保住高薪职位……每次见面问他们,什么时候开始干呀,刚开始还解释,后来支支吾吾,后来的后来我也不再问了,人艰不拆。看着曾经意气风发的少年已头顶微露,往后无路可退,往前力不从心,梦想在现实面前苍白无力。
我不愿意看到未来这样的自己,我宁愿看到若干年后,为了理想撞得头破血流还撑着要站起来的自己。
我是个一直在创业团队工作的人,团队的显著特征就是“快点干!必须干的漂亮!”。
创始团队心中都会有一个信念,相信现在某一消费领域亟需变革,相信现在这番事业可以让用户感受到前所未有的价值,并且在某个时点上发现机会来了!
2014年9月,我迫不及待的辞去了职业经理人的工作,我急切的感受到,自驾租车行业的车轮即将迈入新轨道,时不我待!

过去的5年,是自驾租车行业发展最迅猛也是最残酷的5年。神州租车持续低价杀戮,自驾连锁租车幸存的公司不超过5家。这5年里的每一天,我们都如履薄冰,整天琢磨着如何在资源有限的情况下,获得更多的客户,让客户持续满意,让运营效率更高。
神州模式的租车,其实就是国外Hertz、AVIS在国内的翻版,是大工业时代服务业的代表,以大资本支持、大批量采购、大规模布点、大力度营销、标准化连锁运营为特点,整个管理体系则以金字塔形态运行,工业时代金币和钢铁的味道贯穿其中。我们过去多年,以同样的模式挑战神州,经历各种艰难后,将连锁租车的运营做到了极致,却无奈对手背后的资本过于强大,还是难以撼动。这样的结果,让人压抑和困惑。
2014年,神州、一嗨相继上市。曾经很多人认为,这就是自驾租车的大结局了。就在这时,P2P租车在资本的强力推动下以不可阻挡之势入侵了!反转神州、一嗨引以为傲的资本优势和规模优势,P2P租车快速扩张——屌丝逆袭的精彩!
P2P租车,是移动互联网时代服务业的代表,利用移动互联网革命带来的低沟通成本,通过一个平台将无数单个个人的资产组合起来进行共享,实现资产利用效率的提升而无需额外的资产投入。P2P完全击破了工业时代“规模化”带来的优势,也摧毁了那座管理上的金字塔,取而代之是一个个分散节点自组织而成的系统。而只要机制得当,这个系统能给予客户的服务,性价比将轻松超越神州。这不就是KK大师《失控》中描述的未来场景吗?P2P租车产生的群组织——分布式系统——将自我撒落在整个网络,以至于没有一部分能说,“我就是我”。无数的个体思维聚集在一起,形成了无可逆转的社会性。
更可喜的是,P2P租车与我们这几年对租车的理解不谋而合。5年前,我们入行时,我们认为租车是工具;但是随着时代的变迁,90后渐渐成为消费主力时,我们认为在未来,租车不应该再只是个工具。P2P租车逢时而来,我们提供的不再是工业化时代冷冰冰的标准化产品,每一辆车都对应着不同的车主,租车是媒介,讲述着人与人之间的故事。并且,这些看似随机的人际网络,包容着一些来来回回的小差错,而非剔除,以此来避免大故障的频繁发生。这种分布式,去中心化的网络,成为适应和进化的沃土,如同cocar的企业文化“自我迭代,生生不息”。
如今,第二次站在神州面前时,我想这一次不但是运营之战,更是价值观之战。我相信动态网络化的时代正在到来,我相信人与人之间的联结在增强,我相信80后、90后、00后更加包容和开放,乐于共建共享网络。如同,我相信,中心化组织即将没落。
cocar正以前所未有的速度增长。2014年12月上线当月,在北上广深四个一线城市,平台车辆数突破6000辆,仅用1个月的时间就在车辆规模上成为行业第二(对手达到这一数量级,用了近一年),注册用户超过50000,成交量周对周增长超过300%。2015年1月,cocar车辆数将突破10000辆,在四个核心城市与同业者不断拉开差距。
有人问我,你们是不是找到了什么弯道超车的妙方。我想,真正做过企业的人都会知道,世上哪有所谓的捷径?我们跑的快基于两点,一是基于我们强大的运营能力,能力哪来的?身经百战满身伤痛换来的!二是因为我们有信念,cocar是一支在租车行业有传承的团队,我们要让消费者真正觉得租车的美好,而不再是无车的尴尬;我们相信共享经济的未来,我们希望尽我们所能让车辆资源(尤其是限牌城市)得到共享,我们觉得自己的社会使命还没有完成,我们觉得过去那5年的仗打的不过瘾…...
非常感谢早期用户在cocar的产品、运营都有很多问题的时候选择了我们,我们会用加速奔跑来证明你们的选择是对的。
信什么,就去做什么。期待未来酣畅淋漓的5年,无痛不人生,感受新境界。
注:本文由吴苇独家授权CNET 科技资讯网发布,转载请注明出处。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。