
CNET科技资讯网 5月7日 北京消息(文/梁议元):快乐妈咪创始人陶建辉透露:“定于5月5日开始在京东为期一个月、重筹价99元的快乐妈咪智能母婴安全秤,在当天晚上20点50分众筹就突破了100万人民币。”
回顾近几年的创业历程,快乐妈咪创始人陶建辉认为今天的成功,主要源自于细分市场和精准定位产品。尽管13年底快乐妈咪就推出了快乐妈咪胎语仪,但是这款智能化胎心监测设备有一个致命的缺点,就是很多用户找不到胎心,这个高准入门槛降低了用户的产品体验。所以尽管胎语仪销售将近2年之久,然而一直处于不温不火的状态。
他也曾做过血压计和血糖仪等老年人产品,然而老年人既不爱分享,更难于接受新事物,在消费方面也相对理性。而涉足母婴行业后,很多孕妇很爱晒幸福,也爱消费,更乐于接受新事物。另外,相比于市面上流行的母婴手环等大众化的产品,他认为手环很难做是假需求,因为它很难细分市场,只能逐渐同质化,最终走上比拼价格的老路子。
而母婴的健康安全需要是这个行业的市场刚需。根据中国内地孕妇统计数据显示,73%的孕妇体重超过了世界卫生组织的标准,很多地区的剖宫产率为60%,巨大儿的发生率已达到10%,,而80%的孕妇孕期体重增长15公斤。他拿小米的体重秤作比较。他说小米的体重秤做得挺好的,但是快乐妈咪的做得更好,因为它更能满足用户需求。从创业角度看,尽管“市面上各种各样的智能秤层出不穷,却没有一款秤是为母婴人群专属定制。所以我们决定做一款秤,只针对妈妈和宝宝,从而满足母婴用户记录体重增长,管理体重变化的需求”。
根据快乐妈咪创始人陶建辉公布的成绩单,5月5日快乐妈咪的微信独立访问量超过5万人,微信访问20万余次,相比第二名高出了1倍多。尽管众筹首日成绩不错,但庆祝会上陶建辉却分享了几点创业经验。首先他告诫创业者千万不要做硬件,因为中国的智能硬件很难做,最大的问题在于品质,像一个无底洞,想象不到的问题太多,其次他告诫后来者千万别被忽悠了,尤其是创业之初就去学小米的自销模式,否则就死定了。
因为在创业之初,快乐妈咪的胎语仪就是在自己的网站的销售的,但是每天10-20台的产品业绩实在是流量太小了,所以后来不得已转到了京东,但是真正的销售额并不是通过人气而是来自于销售渠道。比如5月5日快乐妈咪智能母婴安全秤,1元众筹的人数约在1000人左右,99元众筹的人数不到100人,而大于99元产品的众筹仅有几十人,这也就是说,快乐妈咪智能母婴安全秤目前的销售额不是通过人气,而是通过京东等线上和线下的渠道来进行。当然,他表示还是很敬佩小米的,也希望有一天靠自己,而不是靠渠道实现产品售卖。
在运营战略上面,陶建辉的思路恰好和小米雷军的不谋而合。他表示在互联网时代,不能追着社交、母婴电商这些脚步跑,而是要走差异化的路子。这与12年雷军所提到的“硬件+软件+服务”的铁人三项很类似。他看到,中国目前还没有真正的母婴健康记录管理平台,而从-1到1岁的这个阶段,不论是对孩子还是对孕妇而言,都是真正的关心健康问题的时间,而小孩儿在能走路之后,父辈更关心的则是孩子的教育与未来等问题。
但是快乐妈咪想做的不只是智能硬件方面的开发,而是从母婴人群最为重要的健康安全等因素着手,采用超大秤面、秤脚设计,使用防滑塑胶而不是玻璃等材质,不仅最大限度的保障孕妇与宝宝的安全,并且在提供体重等数据的同时,通过”快乐妈咪APP”为其提供个性化的资讯匹配与在线咨询等服务。也就是说快乐妈咪未来要做的不只是硬件,还有体重秤与软件和服务的打通。
此外,陶建辉透露,6月份将建立快乐妈咪健康管理平台,届时举行快乐妈咪第二胎胎语仪的新产品发布会,他很希望团队能通过健康记录的方式,将更多的母婴人群联系起来,提供更精准的服务,从而受益更多的人。
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。