
据外媒(VentureBeat)报道,硬件初创公司似乎在前一分钟内纷纷涌入硅谷,而在后一分钟迅速撤离。美国风险投资多年来不触及硬件创企。正如《连线杂志》所言,硬件创企成了不为风险资本所待见的边缘领域。几年前,由于零部件成本降低,快速原型设计和众筹,形势略有改变。然而,如今潮流复归。面向硬件的风险投资呈现放缓之势。例如,对IoT的投资下降,智能家居硬件交易减少。
另一方面,消费者硬件公司也确实败迹累累。无人机创企Lily在2015年筹集了3400万美元预付款,然而在今年1月份突然宣告倒闭。谷歌当初对智能家居企业Nest的收购在后来被认为是“一场灾难”。智能手表创企Pebble是另一个例子,FitBit最终收购Pebble的价格仅为此前收购要约价格的零头。(同早起Pebble投资和估值相比更是天上地下)
美国风投界兴趣不再,嗷嗷待哺的硬件初创企业便前往中国寻求资金。中国投资及在家居领域的优势将激发下一个创新型企业的新纪元。原因如下:
降低成本
中国以低成本闻名。以前中国曾是廉价产品和廉价劳动力的同义词,现在则已发展成硬件公司的首要市场。硬件公司失败的一个主要原因是钱不够花,或者产品价格居高不下销售困难。对于那些为高生产成本叫苦不迭的行业来说,选择可负担的零部件和劳动力至关重要。
更快的市场速度
硬件产品上市总免不了跳票和拖延,这对那些新入行的没有经验的公司来说尤其如此。CNNMoney的一项研究发现,国外著名众筹平台Kickstarter上排名前列的项目中,有84%都出现发布延迟。工程、设计和硬件生产复杂且易出错。各种因素加起来很容易让人们低估将产品推向市场所需的时间。
美国并不擅长提供一个简化和迅速的系统专门用于硬件产品开发,这却是中国的特长。过去十年以来,中国在基础设施方面投入大量资金。硬件创企希望减少延迟,尽快将产品推向市场,中国正好能满足这一需求。
热切的消费者
拥有14亿人口的中国是世界上人口最多的国家,同时也是一个充满着科技电子产品狂热消费者的国度。人群即市场。中国领先VR等尖端技术的采用。硬件产品在中国表现良好,初创公司可以选择进入中国消费群体,而不必为美国市场忧心忡忡。
此外,中国市场具有令人难以置信的竞争性。这一高效的筛选机制意味着,如果一家创企能在中国取得成功,后续进入美国也会有更好的预期。由于消费电子产品的易复制性,它在美国是不可持续的。而中国公司总是能够更快、更便宜地扩展。中国企业从来不用担心自己过时。
风险投资
同硬件创企在美国烫手山芋一般的角色相比,中国VC市场对硬件创企的兴趣方兴未艾。中国初创企业基本上都是在本土完成A轮融资。许多中国风险投资者靠硬件赚钱或将其作为管理钱的手段,所以他们会看好硬件行业的机会。
除了钱本身,中国风险投资方还提供另外很多好处。他们了解构建硬件产品所需要的内容,也会在评估投资时查看设计和制造过程的每个方面,而不只是盲目投资。美国VC更习惯快速的软件开发,中国投资者对硬件产品的缓慢制造过程更有信心。中国投资者专注于解决真正的市场需求,并有足够的耐心看到愿景成真。
毕竟是制造大国
中国经济建立在对供应链的制造和掌握上。中国拥有世界上最好的制造基础设施,成为硬件创企将理念产品带入现实的理想场地。这一巨大优势可帮助降低准入门槛,加快产品上市时间,减少错误——所有这些都能以低成本实现。
充满活力的中国制造业所能提供的另一个好处是,制造厂通常会直接投资同他们有合作的公司。制造厂身兼投资方的角色,同初创企业展开密切并透明的合作,深度参与创业公司的产品研发过程,帮助创业公司尽量少趟坑,加快进度,确保产品交付。这方面一个很好的例子是中国深创谷(Shenzhen Valley Ventures)。深创谷最近与中国合作伙伴一起在帕洛奥图设立孵化器。
在中国,企业有更多机会同制造商建立信任,将后者视为合作伙伴而非承包商。美国公司还不习惯这一套。美国公司要么为制造行业术语头痛不已,要么担心制造商剽窃它们的IP。彼此之间信任的缺失经常造成产品交付的延缓。
美国风投界或许对硬件创企不感兴趣,但中国绝对是欢迎的态度。硬件创企应该拥抱这个机会,充分利用中国所能提供的所有条件,而不再仅将其视为组装生产地。
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。