رسم توضيحي بواسطة Sandbox Studio ، شيكاغو مع آنا كوفا

معقدة بشكل لا يمكن تصوره. الضوء بين فراغ العقل ومجموعة البيانات. مثل أضواء المدينة ، تتلاشى.

- ويليام جيبسون ، نيورومانسر

ربما لم يدرك Huang Dinglong نفسه أن اختصار الأحرف الأولى من اسمه (DingLong) حدث أيضًا ليكون اختصارًا لـ Deep Learning.

أسس هو والأمريكي مات سكوت شركة تكنولوجيا تركز على التعلم العميق. المؤسسان ، أحدهما ولد في شنتشن ، التي اجتاحت للتو نسيم الربيع للإصلاح والانفتاح منذ أكثر من 30 عامًا ، ولم يدرس في الخارج للحصول على درجة الدكتوراه في جامعة تسينغهوا ؛ والآخر كان من مدينة بيج آبل ، نيويورك ، جاء إلى الصين وشكل رابطة لا تنفصم بين هذه الأرض والشعب.

عندما تنحسر موجة الاختلاف والتنوع تدريجيًا في الولايات المتحدة على الجانب الآخر من المحيط الهادئ ، في الصين ، يجتمع شخصان من خلفيات ثقافية وخبرات حياة مختلفة معًا لتشكيل شركاء رياديين. وتنتشر علاقة دقيقة ومثيرة للاهتمام بين بين الناس.

على الرغم من وجوده في الصين منذ أكثر من عشر سنوات ، إلا أن اللغة الصينية لما تي لا تزال غير جيدة جدًا ، ويلزم هوانغ دينغلونغ العمل كمترجم أثناء المقابلة. ومع ذلك ، تحت تأثير الزملاء الصينيين ، اعتاد Maute على تسمية C ++ "C Jiajia". وبينما قدم Huang Dinglong ببطء وضع الشركة للآخرين ، غالبًا ما لعب الأمريكيون دور الحماس. وخطيب ناري ، أخبر الآخرين عن موقفه الحب للصين والشعب الصيني بنبرة فخر وتفاخر فريدة من نوعها بالنسبة لسكان نيويورك.

في العامين الماضيين أو نحو ذلك ، كان رائدا الأعمال دائمًا في دوامة عميقة ومكثفة ، ليس فقط هما ، ولكن أيضًا فتاة صغيرة تتحدث لغتين باللغتين الإنجليزية واليابانية التي تبكي بسبب الأخطاء في عملها. جميعهم من ذوي الخبرة في الصعود والهبوط في حياتهم الريادية.

أكثر من هذه الشركة ، في العامين الماضيين أو حتى بالعودة إلى الوراء ، تم استقلاب المجال التقني وعالم الأعمال بأكمله ، مثل الذكاء الاصطناعي والتعلم العميق ، بعنف بالولادة والشيخوخة والمرض والموت ، بينما أكبر الواقع العالم أكثر من ذلك.

العالم يتغير طوال الوقت ، في هذا العالم المتغير ، الأشخاص المختلفون بالفعل ، كيف يتغيرون ، وكيف يغيرون العالم في حدود سلطتهم.

برج بابل

منذ ألفي عام ، قال أرسطو اليوناني إن معرفة نفسك هي بداية الحكمة. ومع ذلك ، منذ أن اقترح تورينج (آلان تورينج) أفكاره العظيمة للكمبيوتر والذكاء الاصطناعي ، منذ ظهور الآلات ، لم يعد البشر راضين عن مجرد فهم أنفسهم ، فهم يحاولون بناء برج بابل التكنولوجي لما بعد الحداثة لجعل الناس هناك لم يعد هناك فجوة بينها وبين الآلات. فهم يريدون معرفة المزيد عن الآلات والعالم الفوضوي الموجود في 0 و 1.

هذا الطموح والفضول هما اللذان يستمران في دفع عجلة التقدم في مجال الذكاء الاصطناعي والتعلم الآلي اللاحق والتعلم العميق.

في عام 1943 ، اقترح وارن مكولوتش ووالتر بيتس نموذجًا حسابيًا يمكن تطبيقه على الشبكات العصبية بناءً على خوارزمية منطق العتبة. بعد ثماني سنوات ، قام مارفن مينسكي ، المعروف باسم "أب الذكاء الاصطناعي" من قبل الأجيال اللاحقة ، بتجميع أول آلة تعلم للشبكة العصبية SNARC في التاريخ عندما كان عمره 24 عامًا.

الشباب روزنبلات المصدر: الشعوب

استنادًا إلى شبكة عصبية حاسوبية ذات طبقتين مع عمليات جمع وطرح بسيطة فقط ، أنشأ فرانك روزنبلات "Perceptron" للتعرف على النموذج في عام 1957 ، واقترح أيضًا إضافة طبقات شبكة عصبية من التدوين الرياضي ، ولم تتحقق هذه الفكرة حتى بعد 20 عامًا كاملة ، في حين أن نظام الدائرة المنطقية XOR الذي وصفه Rosenblatt في "perceptron" لم يتحقق حتى تم تطبيق Paul Werbos) على الشبكات العصبية بعد حوالي 20 عامًا عندما تم اقتراح خوارزمية "Backpropagation".

ومع ذلك ، في كتابهما الصادر عام 1969 ، حدد مينسكي وسيمور بابيرت عائقين رئيسيين أمام تطبيق الشبكات العصبية على آلات الحوسبة ، بحجة أن المستمرين لا يمكنهم التعامل مع دوائر العمليات المنطقية والدوائر المنطقية ، في حين أنهم يعتقدون أيضًا أن أجهزة الكمبيوتر ليس لديها قوة حوسبية كافية تشغيل شبكات عصبية واسعة النطاق لفترات طويلة من الزمن. أوقفت آراء شخصيتين موثوقتين بشكل غير متوقع زخم واتجاه أبحاث الذكاء الاصطناعي ، وقد تخلت الصناعة عن رؤية روزنبلات العبقرية ، وكاد تطوير الذكاء الاصطناعي أن يعلق في وضع 100،000 حصان طوال السبعينيات.

في عام 1971 ، في يوم عيد ميلاده الثالث والأربعين ، توفي روزنبلات في وقت مبكر في حادث على متن قارب ، وفي هذا العام ، اقترح بعض العلماء استخدام خوارزمية GMDH (طريقة المجموعة لمعالجة البيانات ، ومعالجة مجموعة البيانات) لتدريب An 8. تم تشكيل شبكة عميقة من طبقات. حتى عام 1979 ، أنشأ فريق جامعة ستانفورد أخيرًا "عربة ستانفورد" التي يمكنها التنقل في الغرفة وتجنب العقبات من تلقاء نفسها. وبعد مرور عام ، أعلن كونيهيكو فوكوشيما عن استخدام الشبكة العصبية متعددة الطبقات "Neocognitron" للتعرف على الكتابة اليدوية ، ألهمت هذه الخوارزمية ولادة الشبكة العصبية التلافيفية اللاحقة.

في عام 1989 ، نجح فريق Yann LeCun الفرنسي في تطبيق خوارزمية backpropagation على الشبكة العصبية العميقة للتعرف على الرمز البريدي المكتوب بخط اليد على البريد ، ولكن كانت أوجه القصور مهمة جدًا أيضًا ، فقد استخدموا الخوارزمية فقط لتدريب الشبكة العميقة. أيام ، ومن الواضح أن الشبكة العصبية العميقة ليس لها أي طابع عملي في هذا الوقت.

بعد ثلاث سنوات ، اقترح Weng Juyang "شبكة النمو المعرفية" (Cresceptron) ، والتي نجحت في التعرف تلقائيًا على الكائنات ثلاثية الأبعاد من المشاهد المختلطة ثنائية وثلاثية الأبعاد ، وتطلب الجهاز العصبي للعلماء اليابانيين من المبرمجين دمج التعرف يدويًا. يختلف عن بعض ميزات ، يمكن للشبكة المعرفية المتنامية أن تتعلم تلقائيًا الميزات غير الخاضعة للإشراف في كل طبقة من طبقات الشبكة العصبية ، ويمكن للأخيرة أيضًا تصنيف العناصر المكتسبة من خلال تحليل الخلفية في الشبكة العصبية.

في عام 1993 ، استخدم Jrgen Schmidhuber ضاغط التاريخ العصبي لحل "التعلم العميق جدًا" مع آلاف طبقات الشبكات العصبية في وقت واحد من خلال "الشبكات العصبية المتكررة" (RNNs). "

بعد ذلك بعامين ، أوضح العلماء أيضًا أن الخوارزمية يمكنها بنجاح تدريب شبكة عصبية من 6 طبقات متصلة بإحكام ، على الرغم من أن عملية التدريب بأكملها استغرقت ما يصل إلى يومين. وفقًا لتقديرات يان ليكون ، في أوائل العقد الأول من القرن الحادي والعشرين ، كانت الشبكات العصبية المتكررة قادرة على معالجة ما بين 1 و 20 بالمائة من الشيكات المكتوبة بخط اليد في الولايات المتحدة.

ومع ذلك ، نظرًا لوقت الحوسبة المفرط للشبكات العصبية الاصطناعية وحقيقة أن العلماء لم يعرفوا آلية تشغيل الدماغ البشري المتصل بشكل مستقل من خلال الشبكات البيولوجية في ذلك الوقت ، في التسعينيات وطوال الألفية المبكرة ، الشبكات العصبية والشبكات العميقة التعلم لم يتم تنفيذه على نطاق واسع في الممارسة.

Hinton في Google في 2014 الصورة: Josh Valcarcel / WIRED Credit: WIRED

في الواقع ، في وقت مبكر من منتصف الثمانينيات ، بدأت النظريات ذات الصلة بالتعلم العميق بالانتشار في مجال التعلم الآلي ، وفي الألفية الجديدة ، بدأت الأولى أيضًا في الانتشار إلى عالم الشبكات العصبية للذكاء الاصطناعي ، لكنها كانت كذلك ليس حتى عام 2006 أن جيفري شين قد جذبت نتائج بحث جيفري هينتون ورسلان سالاخوتدينوف انتباه الجميع وحماسهم.

وأشاروا إلى أن "الشبكة العصبية المغذية" متعددة الطبقات يمكن أن تقوم بتدريب طبقة واحدة في كل مرة وتدريب كل طبقة بدورها مثل طبقة آلة بولتزمان المقيدة غير الخاضعة للإشراف ، ثم ضبط تطبيقها على خوارزمية الانتشار العكسي الخاضعة للإشراف. هذا يجعل من العملي زيادة سرعة التعلم العميق.

انتقل التعلم العميق بشكل متزايد من النظرية التجريبية إلى المجالات التطبيقية.

أظهر التعلم العميق مزايا غير مسبوقة في مجال التعرف على الكلام

في عام 2009 ، دعا Deng Li Hinton إلى معهد أبحاث Microsoft في ريدموند لإجراء بحث حول تطبيق التعلم العميق في التعرف على الكلام. ونظم الاثنان معًا ندوة في هذا المجال في NIPS في ذلك العام. هذه المرة ، ناقشوا بشكل أساسي الكلام العميق نموذج التوليد (نموذج التوليد العميق) توجد قيود وإمكانيات في مجال البيانات الضخمة بناءً على الشبكات العصبية العميقة (DNN).

أسفر البحث الذي أجراه العالمان أخيرًا عن نتائج مفاجئة ، ووجدوا أنه حتى بدون التدريب المسبق ، فإن التدريب على البيانات ، وخاصة عدد كبير من الشبكات العصبية العميقة القائمة على طبقات إخراج النص ، كان له معدلات خطأ أعلى من GMM-HMM وغيرها من التوليد المتقدم. نماذج تم تأكيد استنتاجات Deng Li و Hinton من قبل العديد من مجموعات بحث التعرف على الكلام الرئيسية الأخرى.

هز التعلم العميق مجال التعرف على الكلام بأكمله. وفي هذا العام أيضًا ، افتتحت الأستاذة فيفي لي من جامعة ستانفورد قاعدة بيانات ImageNet التي أنشأتها في عام 2007.

Andrew Ng في Google في 2012 Credit Jim Wilson / The New York Times المصدر: The New York Times

في الماضي ، كانت قاعدة البيانات الرئيسية المستخدمة لتدريب معالجة الصور والتعرف عليها هي MNIST ، والتي تغطي 60.000 صورة تدريبية و 10000 صورة اختبار. وحتى الآن ، فإن أفضل نتيجة حققها فريق البحث على MNIST هي 0.23 خطأ في عام 2012 ، فريق Dan Ciresan قدم ورقة في CVPR لإظهار الأداء المذهل للشبكات العصبية التلافيفية لتجميع الحد الأقصى على وحدات معالجة الرسومات في تحسين سجلات القياس المرئية.

في ذلك العام ، استخدم Google Brain ، بقيادة Andrew Ng و Jeff Dean ، أكثر من 16000 معالج كمبيوتر لتشكيل شبكة عصبية ، واستخرجوا إطارًا من 10 ملايين مقطع فيديو على YouTube لتمييزها. تم استخدام صورة مصغرة 200 200 للتدريب شبكة عصبية للتعرف على القطط منه.

يفوز التعلم العميق في مسابقة ImageNet لأول مرة

في هذا العام ، فاز شابان من فريق هينتون بمسابقة ImageNet في ذلك العام بهامش كبير. كانت هذه هي المرة الأولى التي يشارك فيها التعلم العميق في المسابقة. وبعد ذلك ، شارك فريق Qileyshang أيضًا في اكتشاف السرطان في الصور الطبية صدمت قوة التعلم العميق العالم بفوزه بـ ICPR.

بحلول عام 2013 ، اعتمدت أفضل 20 مسابقة من منافسات ImageNet تقنية التعلم العميق دون استثناء ، وخفضت جامعة نيويورك الأولى معدل الخطأ إلى 0.11197. في مشروع التعرف على الكائنات ، الجامعة الأولى في أمستردام (جامعة أمستردام)) و فريق مكون من Euvision Technologies كان متوسط الدقة 0.22581 فقط. بحلول العام التالي ، فازت Google بالمركز الأول في كلتا الفئتين ، بمعدل خطأ ومتوسط 0.06656 و 0.43933 على التوالي.

أخيرًا ، انتقل التعلم العميق من برج العاج النظري إلى العالم الحقيقي.

في محاضرة ألفريد كورزيبسكي التذكارية التي ألقاها عام 1960 ، أشار مكولوتش إلى أن الغرض من الاستفسار عن الأسس الفسيولوجية للمعرفة هو فهم كيف نعرف ما نعرفه ، والحصول على تفسير مرضٍ للمشكلة.

بعد أكثر من نصف قرن ، طرح العلماء ذوو الشجاعة والعبقرية الخارقة السؤال الأعمق والأكثر ثورية: كيف نجعل الآلات تعرف ما تعرفه.

بالنسبة للآخرين ، يكمن طموحهم وفضولهم في كيفية جعل "من قيصر لقيصر" بعد ظهور الآلة ، بعد بناء برج بابل ، وكيفية العثور على تلك القطعة التجارية في هذا العالم الجديد. أرض الميعاد.

فكرة خطيرة

في عام 2009 ، عندما كان التعلم العميق على وشك الدخول في مرحلة التاريخ ، من أجل التنافس مع Google في سوق البحث ، أطلقت Microsoft بحث Bing ، بالاسم الصيني "bing".

ومع ذلك ، فإن الواقع ليس متفائلاً. في هذا الوقت ، احتلت Google أكثر من 60 من حصة البحث المحلي. وفي السوق الصينية ، احتلت Baidu أكثر من 3/4 مساحة البحث ، ولا يمكن لـ Google سوى انتزاع أقل من 20 من مساحة البحث السوق.

في ظل الوضع الذي يقترب من ترسيخ سوق البحث ، أصبحت كيفية التميز عن Bing أكبر اختبار ومشكلة لفريق Microsoft China في ذلك الوقت. في هذا الوقت ، كان كل من Ma Te و Huang Dinglong يعملان في Microsoft Research Asia ، لكن الأول كان ينتمي إلى قسم الأبحاث ، بينما كان الأخير يعمل على المنتجات في MSN. في هيكل معهد الأبحاث ، كان هناك قسم هندسي بينهما .

مات غير معتاد على زملائه الأمريكيين وسلوكياتهم ، فهو شخص مجتهد بما يكفي للعمل ليل نهار لتحقيق أهداف عمله ، ومع ذلك ، فمن المؤسف أن أقرانه ليسوا ملتزمين بشكل كامل.

بالنسبة إلى Huang Dinglong ، ابتليت به مشاكل مماثلة أيضًا. على الرغم من أن معهد آسيا للأبحاث في بكين قد تم إنشاؤه لأكثر من 11 عامًا في هذا الوقت ، في ذلك الوقت ، كانت توقعات Microsoft وأهداف Bing الإضافية لا تزال تقذف في Google محليًا. ليس الكثير سيهتم الناس بنموها وأدائها في سوق البحث الصيني ، والذي يتأثر بالعديد من العوامل الخارجة عن السيطرة والذي كان مجزأ.

كلاهما لديه الشجاعة لفعل شيء لتغيير الوضع. ومع ذلك ، فإن مشكلة الشركات الكبرى هي أنه ، في كثير من الأحيان ، يجد الأشخاص الذين يرغبون في القيام بأشياء أنهم لا يفعلون شيئًا أقل من "القيام بالأشياء" من القيام بالأشياء بأنفسهم.

"هناك الكثير من المقاومة في الشركات الكبيرة ، وخاصة الطبقة الوسطى. بالتأكيد سيكون الأمر مزعجًا للغاية. لقد مررتني للقيام بذلك ، وهناك أيضًا العديد من المشكلات في مبيعات السوق التقنية للمنتجات ذات العلامات التجارية." هوانغ لقد اعتاد Dinglong الآن على هذا.

في ذلك الوقت ، كان ماوت قد حقق بالفعل بعض الإنجازات في التعلم الآلي التي يمكن تحويلها إلى تطبيقات. ومع ذلك ، لم تستجب الأقسام الأخرى في معهد الأبحاث لهذا الأمر. فقط هوانغ دينغلونغ أبدى اهتمامه. وبعد إجراء مزيد من المناقشات ، أثارها الاثنان.

يمكن لنتائج أبحاث التعلم الآلي الخاصة بـ Code تحويل النص الإنجليزي إلى صوت منطوق ، ويرى Huang Dinglong إمكاناته وآفاقه التجارية في السوق. في ذلك الوقت ، كان MSN هو الوحيد الذي حظت Microsoft بفرصة قتالية في السوق المحلية ، وكان أهم مستخدمي منتج المراسلة الفورية هذا هم المستخدمون ذوي الياقات البيضاء في المدن. ومن وجهة نظر Huang Dinglong ، كان لدى هؤلاء المستخدمين طلب قوي على تعلم اللغة الإنجليزية والترجمة.

الجمع بين التكنولوجيا واحتياجات المستخدم يعني الاحتمالات التجارية. وسرعان ما قام الاثنان بتجنيد أشخاص من أقسامهم الخاصة لتشكيل فريق ، وقاموا أخيرًا بتطوير قاموس Engkoo عبر الإنترنت. ومن المؤكد أن Engkoo حقق نجاحًا كبيرًا بعد إطلاقه. في ذلك الوقت ، ساهم هذا المنتج المبتكر الداخلي بأكثر من 60 من عائدات Bing. حركة المرور ، والمستخدمين الشهريين تصل إلى 4 ملايين ، وحركة المرور الهائلة تجلب لها إعلانات تعلم اللغة الإنجليزية للمستخدمين المستهدفين ، وأخيراً تحقق النجاح التجاري بنجاح.

يحب Huang Dinglong استثمار Ma Te وموهبته في عمله ، يحب Ma Te اهتمامه الكامل في تعاونه مع Huang Dinglong ، وقد كان لتعاونهم بداية ناجحة. ومع ذلك ، فقد أصبح هذا أيضًا بداية ونهاية شراكتهما: يختار المرء المغادرة ويختار البقاء.

بعد فترة وجيزة ، اختار الصينيون الذهاب إلى Tencent لتولي مسؤولية أعمال Weibo. في هذا الوقت ، لم يكن أحد يعلم أن ميزة المتحرك الأول لـ Sina Weibo ستكون قوية جدًا لدرجة أن جميع المنافسين سوف يستسلمون في نهاية المطاف واحدًا تلو الآخر. لكن ماوت استمر في البقاء في معهد الأبحاث ، وأطلق على التوالي قاموس Bing وطريقة إدخال المكتبة الإنجليزية. بالطبع ، لم يكن الأمريكيون يتوقعون أنه حتى بعد هزيمة Google ، فشلت Microsoft في احتلال سوقها الخاص في هذا السوق. المكان المناسب للوقوف فاتر دائمًا.

لم تتغير الأمور حتى عام 2014. هذا العام ، حدث شيئان أثرا بعمق على Huang Dinglong و Ma Te.

بادئ ذي بدء ، يضيء التعلم العميق في دائرة الضوء من العالم الخارجي ، وقد حظيت قيمته وأهميته باهتمام متزايد من قبل المزيد والمزيد من الناس.

ثانياً ، تزوج ما تي من صديقته الصينية. التقى الصديقان القدامى. بعد الزفاف ، في المطعم الذي أقيم فيه حفل الزفاف ، احتسي الاثنان الشواء بأصابع السبابة وناقشا بحماس التغييرات وسيناريوهات التطبيق التي سيجلبها التعلم العميق. مع صورة محددة ودقيقة أدرك الاثنان أن التقدم التكنولوجي جعل بعض الأفكار في الماضي تتاح لها الفرصة ليتم تحقيقها.

في تلك الليلة ، عندما يتعلق الأمر بأكثر اللحظات إمتاعًا ، ظهرت فكرة "بدء عمل تجاري" في أذهانهما وترسخت مثل بذرة عدم الارتياح.

في هذا الوقت ، كان كلاهما في مسار تصاعدي ثابت في مسيرتهما المهنية.كان هوانغ دينغلونغ نائب رئيس منطقة الصين على موقع تريب أدفايزر ، وأصبح مات عضوًا في برنامج مايكروسوفت التدريبي HiPo. بعد الانتهاء من مشروع Yingku ، والذي يشبه تقريبًا بدء عمل تجاري ، وبعد تجربة شركة كبيرة لديها دائمًا موارد كاملة لدعمها ، فإن أكبر مشكلة تواجه الاثنين هي: هل يستحق التخلي عن كل شيء أمامهم مقابل صورة يمكنهم رسمها بأنفسهم فقط في الوقت الحالي؟

مع اختلاف الأشياء والوقت ، فإن إجابة Huang Dinglong على هذا السؤال ليست هي نفسها.

"لقد كنت متحمسًا للغاية في تلك الليلة ، وشعرت حقًا أنني لم أستطع النوم عندما عدت إلى النوم ليلًا. في ذلك الوقت ، كنت سأفكر في العمل في مشروع Yingku معًا. لقد كان سعيدًا ومفيدًا للغاية الوقت في حياتنا المهنية بالنسبة لنا. إنه شعور رائع للغاية ، وإذا لم تفعل ذلك ، فيجب أن تفعل ذلك ". وصفه هوانغ دينجلونغ ، الذي كان يعمل في مجال الأعمال لمدة عامين.

لطالما كان Huang Dinglong شخصًا عقلانيًا ، وأحيانًا يكون هادئًا ومعتدلًا لدرجة أن الناس من حوله يشعرون بأنهم لا يصدقون. رحب بزملائه في الشركة وقال إنه يريد العودة إلى شنتشن بمفرده للتعامل مع الشؤون الشخصية ، وبعد عودته أظهر للجميع هويته كعضو في المؤتمر الاستشارى السياسى فى شنتشن. كان هو نفسه قبل عامين. لم يكن متحمسًا جدًا لدرجة أنه قفز على الفور إلى موجة ريادة الأعمال. بعد تلك الليلة ، قضى Huang Dinglong و Ma Te بضعة أشهر من وقت فراغهما في إجراء الأبحاث ، ومناقشة وتمرين على ريادة الأعمال الافتراضية.

عقلاني وعاطفي ، هادئ ومندفع ، فشل ونجاح ، أين الحدود؟

عند التفكير في الخطة ، يتحول الشخص المحترف العقلاني إلى رائد أعمال حر لا يخضع لنظام الشركة الكبيرة. عندما يكون قد فكر بالفعل في عواقب الفشل ولكنه لا يزال خائفًا ، بغض النظر عن مدى هدوء الناس ، لا يمكنهم ساعد ولكن كن مندفعًا. متابعة النداء الداخلي ، عندما لا يعود خائفًا من الفشل ، بغض النظر عن مدى هدوء وعقلانية الأشخاص ، سيكون لديهم ثقة وشجاعة غير مسبوقة لمتابعة النجاح.

تلك البذور المبنية على تنظيم المشاريع تنبت وتنمو في غضون أشهر. أخيرًا ، بعد عدة أشهر من تلك الليلة التي جعلت قلوبهم مضطربة ، قرر Huang Dinglong و Ma Te أخيرًا أنهما سيبدأان مشروعًا تجاريًا.

هناك نسخة أخرى من إجابة Huang Dinglong على سؤال حول ما إذا كنت تريد بدء عمل تجاري أم لا.

قبل ثمانية عشر شهرًا ، أخبر طلابه الصغار في جامعة تسينغهوا أن "النجاح أو الفشل أمر غير مؤكد ، وبدء عمل تجاري دائمًا ما يكون مسألة حياة أو موت". أخبر الطلاب الصغار بما شعر به في ذلك الوقت: "لا أفعل أعتقد أنني سأختار بدء عمل تجاري إذا كنت نقيًا. التحليل العقلاني ، بغض النظر عن الطريقة التي تختارها ، لن تبدأ نشاطًا تجاريًا. "

قال Huang Dinglong إنه إذا اختار بدء عمل تجاري عندما كان طالب دكتوراه ، فقد يكسر والديه ساقيه.

الآن ، عندما اختار هو وموت بدء عمل تجاري ، أخذوا زمام المبادرة لوضع أنفسهم في وضع مليء بعدم اليقين والمخاطر. ستكون هناك تغييرات جذرية لم يسمعوا بها من قبل ، وقد يفشلون مع احتمال كبير للفشل ، والحياة لن تكون سهلة بعد الآن .. سلمية وستصبح عنيدة.

ريادة الأعمال أمر خطير في جميع الأوقات.

ومع ذلك ، قال أوسكار وايلد ، الخاسر الأكبر في التاريخ ، إنه إذا لم تكن الفكرة خطيرة بما يكفي ، فكيف يمكن اعتبارها فكرة.

عالم جديد

عندما بدأوا عملهم ، لم يحصل هوانغ دينغلونغ وما تي على تمويل. أخذ كل منهم كلمة من الاسمين ، وكانت الشركة تسمى Malong.

"ظللت أفكر ، ما هي الخطوة التالية لمحركات البحث. إذا كان البحث لا يزال على النص ، فستنتهي المعركة بشكل أساسي ، لكن الفرصة الأكبر التالية هي الصورة ، إنها ضخمة كنز دفين ، فتحت للتو قليلاً في وقت مبكر من Microsoft ، بدأ Huang Dinglong في تصور الفرصة التالية للبحث.

خلال الأشهر القليلة من البحث الريادي ، قرروا استخدام تقنية التعلم العميق في التعرف على الصور ، والتي كانت ناضجة بالفعل في ذلك الوقت ، ومع ذلك ، فإن وظيفة "التعرف على الصور من خلال الصور" لم تكن كافية لجذب المستخدمين والسوق.

في خطة العمل الأصلية ، أطلقوا على منتج Malong اسم kumo. في اليابانية ، تحتوي الكلمة على معنيين ، "السحابة" و "العنكبوت". تعتمد Kumo على الخدمات السحابية. وفي الوقت نفسه ، يأمل Huang Dinglong والآخرون أن يزحف هذا المنتج على أنه العديد من الصور الممكنة مثل العنكبوت. في النهاية ، فإن نموذج عمل المنتج الذي تصوره لمالونج هو مساعدة المستخدمين على اتخاذ القرارات من خلال التعرف على البحث عن الصور.

Kumo هو المحرك أولاً ، وتكمن قيمة المحرك في ربط الكلمات الرئيسية والمحتوى ، وتركز Kumo بشكل أساسي على الصور ، فكيف تثبت هذه القيمة للآخرين؟ استخدم Huang Dinglong مثال Google لإجراء عملية حسابية بسيطة ، حيث قارن عائدات Google في ذلك الوقت بعدد عمليات البحث ووجد أن بحث كل مستخدم على Google كان يستحق 7 سنتات. في خطة عمله ، أشار للمستثمرين أن الحاجة وقيمة البحث عن الصور ستكون أكبر من البحث عن النص العادي.

في ذلك الوقت ، قدم تقديرًا متحفظًا بحوالي 55 مليار دولار للبحث عن الصور ، وتوقع أن تنمو لتصبح سوقًا بقيمة 100 مليار دولار في السنوات القليلة المقبلة.

في عام 2014 ، استحوذت Google على شركة Deepmind الناشئة للذكاء الاصطناعي مقابل 400 مليون جنيه إسترليني.بعد عام ، اقترح Facebook تقنية التعلم العميق ، DeepFace ، لتصنيف وتحديد صور المستخدم تلقائيًا ، والتي تحتوي على أكثر من 120 مليون معلمة. معدل دقة التعرف عليه يصل إلى 97.35 ، وهو أعلى بنسبة 27 من النظام المستخدم سابقًا بواسطة Facebook.

ومع ذلك ، فإن هذه الحقائق وتوقعات Huang Dinglong الخاصة ليست كافية لزيادة احتمالية تصديق الآخرين لنجاح Malong ما لم يتمكنوا من إثبات أنفسهم.

بعد فترة وجيزة من إنشائها ، فاز Malong بالجائزة

تم تسجيل Ma Long في يوليو. وفي هذا الوقت ، كان هناك أقل من أسبوع قبل الموعد النهائي للتسجيل في المسابقة الصينية الثالثة للابتكار وريادة الأعمال التي استضافتها وزارة العلوم والتكنولوجيا. فريق صغير يتألف من Huang Dinglong و Ma Te وآخرون مصمم Microsoft السابق خطوة على الموعد النهائي للاشتراك في المنافسة بعقلية النصف تختبر نفسك ونصف تثبت ذلك للآخرين.

لم تكن الفرق المشاركة بحاجة إلى تقديم أشياء مادية عند التسجيل وتقديم المواد. لذلك ، استغل Huang Dinglong ، الذي كان قد بدأ للتو نشاطًا تجاريًا ولم يكن لديه سوى مفهوم ، الموقف لملء "محرك اتخاذ القرار المرئي". من التصفيات عبر الإنترنت ، والمسابقات الإقليمية ، والدور نصف النهائي للصناعة إلى النهائيات الوطنية النهائية ، هناك فاصل زمني من أسبوعين إلى ثلاثة أسابيع بين كل جولة.بعد ذلك ، ليس هناك الكثير من الوقت لمراجعة منتجك بشكل أكبر.

استمرت المنافسة لمدة شهرين تقريبًا. على عكس المنافسين الآخرين الذين قاموا بالفعل بتشكيل منتجات ، تم تعديل منتجاتهم وتحسينها باستمرار في كل جولة من المسابقة. وفي النهاية ، فازوا بالمركز الثاني في مجموعة المنتخب الوطني لهذه المسابقة. المزيد بعد أكثر من أسبوع ، فازوا بمسابقة Shenzhen Entrepreneurship Innovation مرة أخرى. وبعد أقل من شهرين ، تم اختيار Ma Long في Microsoft Venture Capital Accelerator في عام 2015.

في هذا الوقت ، أصبح التعلم العميق مفهومًا تقنيًا وممارسة لـ Luoyang Zhigui.

أدى ظهور التعلم العميق إلى تطوير كبير للذكاء الاصطناعي والتعلم الآلي المصدر: Nvidia

كيف بالضبط يساعد التعلم العميق الناس على اتخاذ "قرارات مرئية"؟

لنبدأ بالشبكات العصبية الأكثر شيوعًا للذكاء الاصطناعي في العقود القليلة الماضية. إنه نظام متقاطع يعتمد على فهمنا للدماغ البشري مقترنًا بالذكاء الاصطناعي.في الدماغ ، يمكن توصيل الأعصاب بأي عصب آخر ضمن مسافة مادية معينة. ومع ذلك ، لسوء الحظ ، فإن الشبكات العصبية للذكاء الاصطناعي مقيدة بطبقاتها العصبية المنفصلة والوصلات واتجاهات انتشار البيانات.

يتم إدخال كائن في الطبقة الأولى من الشبكة العصبية للذكاء الاصطناعي ، ثم تعالج الطبقة الثانية من العصب مهمتها الخاصة ، ثم تدخل الطبقة التالية ، وتكرر هذه العملية حتى الطبقة الأخيرة ، وتحصل أخيرًا على نتيجة الإخراج. تحصل كل خلية عصبية على وزن الظروف الصحيحة والخاطئة المرتبطة بالمهمة التي تؤديها ، ويتم تحديد الناتج النهائي من خلال هذه الأوزان. ومع ذلك ، تكمن المشكلة في أنه حتى أبسط الشبكات العصبية لديها متطلبات حسابية مذهلة ، وفي الوقت نفسه ، تتطلب أيضًا استخراجًا يدويًا لميزات العينة ، مما يعيق بشكل كبير تطبيقها العملي.

لقد غير التعلم العميق هذا بشكل أساسي.

وهو يتألف من تحويلات خطية أو غير خطية متعددة لتشكيل عدد كبير من الطبقات العصبية لمعالجة المهام ، ويستخدم خوارزميات مثل خوارزميات تعلم الميزات غير الخاضعة للإشراف أو الخاضعة للإشراف الذاتي واستخراج الميزات الهرمية لاستبدال تعلم الميزة اليدوي واستخراجها ، وبالتالي إنشاء تمثيلات أفضل وفي استخراج الميزات على نطاق واسع. استخدم هذه التمثيلات لبناء نماذج أفضل على البيانات غير المسماة على نطاق واسع.

تفترض متجهات الكلمات (التمثيلات الموزعة) أن البيانات المرصودة يتم إنشاؤها من خلال تفاعل العوامل في الطبقات العصبية المختلفة ، ويفترض التعلم العميق أيضًا أن هناك تطابقًا بين أنشطة هذه الطبقات العصبية والتكوين المجرد للمستويات المختلفة ، و يختلف العدد والحجم ، ويمكن استخدام طبقات عصبية مختلفة لتقديم تجريدات مختلفة.

لذلك ، يمكن أن يبدأ التعلم العميق من مستوى أدنى لتعلم مفاهيم ذات مستوى أعلى وأكثر تجريدًا ، واستخدام التعلم غير الخاضع للإشراف للتدريب المسبق على طبقة ميزات التعلم طبقة تلو الأخرى في الطبقة السفلية ، واستخدام النتائج كمدخل لطبقة أعلى. تم تعديله باستخدام التعلم الخاضع للإشراف بدلاً من ذلك ، جنبًا إلى جنب مع الخوارزميات الجشعة ، يتيح هذا النهج التعلم العميق لتعلم المفاهيم المجردة واختيار الميزات التي تساعده على التعلم.

وهذا يعني ، مقارنةً بالتعلم الضحل الذي تمثله الشبكات العصبية الاصطناعية ، يمكن للتعلم العميق أن يتعلم بشكل مستقل البيانات وخصائص الكائنات ويطور باستمرار قدرات التعلم الخاصة به. وقد أتاحت شعبية البيانات الضخمة فرصًا غير مسبوقة للتعلم العميق. وحيث يأتي ، كلما زادت كمية البيانات ، زادت دقة هذه البيانات. أدى ظهور بنية المجموعة واسعة النطاق MapReduce ، والتطبيق الواسع النطاق لوحدات معالجة الرسومات ، وخوارزميات التحسين الناتجة إلى تقصير الوقت اللازم لبيانات التدريب على التعلم العميق.

عندما اكتسح التعلم العميق الصناعة بأكملها ، أصبحت النماذج والخوارزميات المختلفة الأسلحة الفريدة لكل شركة.كان Huang Dinglong واثقًا تمامًا من تقنية Malong. قاموا أولاً بإنشاء نظام تقييم كمي داخليًا. قبل أن يتم استخدام الخوارزمية الجديدة ، سيتم اختبارها وتسجيلها في الشركة.

قبل ذلك ، سيصمم Code والآخرون أيضًا نظامًا لاستبعاد التفضيلات الشخصية وتفضيلات تصميم الواجهة وعوامل أخرى للسماح للجميع بالتسجيل بشكل أكثر موضوعية ، ولكن من الواضح أن هذا ليس كافيًا ، والأكثر إقناعًا وحسمًا هو ملاحظات استخدام العميل.

الآن ، Malong يستهدف مستخدمي المؤسسات ، وهو ما لم يكن كذلك في بداية العمل. في ذلك الوقت ، كانوا يستهدفون المستهلكين العاديين.

منطق التكنولوجيا

في شنتشن في نوفمبر ، لا تزال درجة الحرارة مرتفعة حتى 27 . رفع يات الستائر واستنشق نسيم البحر الدافئ بينما كان يأكل ماكدونالدز من همبرغر وبطاطس مقلية لإشباع جوعه. تحدث عن الاستسلام ، وأخبرني مات أنه في بعض الأحيان في العمل ، من الضروري عدم الإصرار أو حتى التخلي عن أفكار المرء للسماح لمزيد من الناس بالتعبير عن آرائهم. بهذه الطريقة فقط يمكن أن يكون من الممكن الحفاظ على جو العمل وتعزيز النمو الجماعي.

أطلق Malong لأول مرة منتجًا يسمى StyleAI ، وقرروا استخدام الموضة كطفرة في تطبيق التعلم العميق لمساعدة المستخدمين على ارتداء الملابس. على الرغم من إطلاق التطبيق والحساب الرسمي WeChat ، في نظر المستخدمين والسوق ، فهذه دائمًا مجرد لعبة تحت حيلة "الذكاء الاصطناعي + الموضة" ، وعاد إليها Huang Dinglong والكود تدريجيًا ، وأدركوا أخيرًا أنه من الصعب على التعلم العميق إحداث فرق كبير في مجال 2C.

أكبر عقبة هي أن الموضة تنطوي على عدد كبير جدًا من السلاسل الصناعية في المنبع والمصب ، بما في ذلك الأقمشة والإنتاج والمعالجة والتصميم وما إلى ذلك ، ولا تستطيع شركة مبتكرة صغيرة ببساطة التعامل مع حلقة العمل المغلقة من السلسلة البيئية الصناعية إلى المستهلكين في في نفس الوقت ، ليس لديهم الموارد ولا لديهم الطاقة والصبر لإكمال السلسلة بنفسك. بعد قضاء الكثير من الوقت حول المستهلكين ، أدركوا فجأة أنه يجب عليهم التركيز على رابط المنبع.

"هذا مجال جديد ، مما يعني أنه عليك حل الكثير من المشاكل غير المعروفة ، وبعضها ليس لديه إجابات ، لذلك تضع هذه المشاكل في رأسك. فكر في الأمر عندما تأكل ، وفكر فيه عندما تأخذ أثناء الاستحمام ، أفكر في الأمر عندما أذهب إلى المرحاض ، فكر في الأمر عندما أخلد إلى النوم ، فكر في الأمر ليلًا ونهارًا ، ثم فجأة ، لدي فكرة! لقد تم حلها! "كان Huang Dinglong لا يزال متحمسًا عندما تذكر الوقت الذي كان يفكر فيه بجدية في اتجاه الشركة.

في هذا السوق حيث يلعب الابتكار التكنولوجي دورًا حاسمًا ، من أجل تعظيم تأثير تقنية التعلم العميق وتعظيم إمكانية نجاح Malong التجاري ، فإن الفكرة التي توصل إليها شخصان من Microsoft هي: فتح تكنولوجيا الشركة للسماح بالمزيد الشركات لاستخدامه.

دع التعلم العميق يساعد هذه الشركات في حل مشكلات التحسين التي واجهتها في الماضي وتحتاج الآن إلى حل التحسين ، وبدورها ، اجعل هؤلاء المشاركين بعمق في السلاسل المختلفة لصناعة الأزياء لديهم موارد ومشاركين قادرين على تعزيز التعلم العميق وتعزيزه تكنولوجيا.

لذلك ، لجأوا إلى سوق 2B وأطلقوا منصة ProductAI ، مقدمة لهذا المنتج هي الذكاء الاصطناعي لمنتجك.

Youliubao هو المستخدم المعتاد.

تواجه منصة تداول الأقمشة كلاً من المشترين والبائعين.سيناريو التطبيق النموذجي هو أنه إذا كان المشتري مهتمًا بقطعة معينة من القماش ، فسيستخدم وظيفة البحث عن الصور للبحث عن بائعي الأقمشة المماثلة على Youliubao. لطالما كانت احتياجات المستخدم هذه موجودة ، ولكن المشكلة هي أنه بالنسبة لهذه المؤسسات التقليدية ، لا تتمثل خبرتها في بناء محرك بحث عن الصور يتضمن الذكاء الاصطناعي أو حتى تكنولوجيا التعلم العميق على منصاتهم الخاصة ، ناهيك عن متابعة الصيانة والتحديثات. وتكلفة التوسع.

من ناحية أخرى ، جمعت الشركات في هذه السلاسل الصناعية ذات الصلة قدرًا كبيرًا من بيانات الصورة وسلوك المستخدم من قبل ، ولكن وضع العلامات وحتى التنقيب في البيانات لهذه البيانات يكاد يكون غير مسموع بالنسبة لهذه الشركات. لذلك ، لم يُسمع بهذه البيانات تقريبًا. لم تلعب أي دور.

يقوم ProductAI أولاً بالزحف إلى صور مختلفة على الشبكة بالكامل ، ثم يقوم بتعهيد الأجزاء غير المسماة إلى فريق من مئات الأشخاص المنتشرين في جميع أنحاء البلاد لوضع العلامات ، وبالتالي تكوين قاعدة بيانات ونموذج تعليمي.

لكل عميل في المؤسسة احتياجاته ومجموعاته الخاصة به من المستخدمين. في ظل فرضية هذه الاختلافات الشخصية ، يتم تدريب نموذج البيانات ، ويتم توصيل الخوارزمية أخيرًا بالمنصة التي أنشأها العميل في شكل واجهة برمجة تطبيقات لتحقيق البحث عن الصور والصور من خلال الصور التعرف على الصور والوظائف الأخرى. ProductAI نفسها مجانية ، وتأتي إيراداتها الرئيسية من مكالمات العملاء إلى API.

تبدو نظرة Huang Dinglong للتكنولوجيا ، ووجهة نظر الأعمال الناتجة ، جذرية للغاية: إنه يعتقد أن موجة الهواتف الذكية والتطبيقات تتلاشى ببطء. هذا ليس فقط جزءًا من سبب تخليه عن الاستمرار في تطوير التطبيقات على محطة 2C ، ولكنه أيضًا أصبح السبب في كونه المستهلك الخامس لـ HoloLens في الصين. إنه يعتقد أن AR / VR والأجهزة القابلة للارتداء ستنطلق موجة جديدة في المستقبل القريب.

ومع ذلك ، فإن المفارقة الحقيقية هي أن Huang Dinglong و Ma Te بدأا عملهما مع الموضة ، وكانت نهايتهما تدمير حياة الموضة التقليدية.

"الآن حدد شخص ما الموضة ، لذلك أصبح الجميع شائعًا. ذلك لأن جميع أنواع الأشياء أصبحت فوضوية للغاية الآن ، مما يؤدي إلى معلومات غير متماثلة حول أشياء مختلفة. عندما تكون المعلومات غير متماثلة ، يمكن لعدد قليل فقط من الأشخاص اتخاذ القرار النهائي. نحن ما علينا القيام به الآن هو القضاء على عدم تناسق المعلومات في المعرفة. "في معظم صور الدعاية التي يمكن رؤيتها ، يرتدي Huang Dinglong ملابس معزولة عن الأناقة والموضة ، ولا يمتلك هو أو زميله أي مفهوم محدد للموضة .

قبل 10 سنوات ، في "The Devil Wears Prada" ، استقال ميراندا من Meryl Streep ، رئيس تحرير مجلة أزياء ، لمفهوم الموضة الجديد. هذا هو المشهد المفضل والأكثر استخدامًا لـ Huang Dinglong. أخبرني أن ما يجب على Malong فعله هو الحصول على الحق في التحدث بطريقة الموضة.

وفقًا لفكرة Huang Dinglong ، طالما أن هناك صور شوارع كافية في مدن مثل نيويورك وطوكيو وميلانو وما إلى ذلك ، فيمكننا تحليل الألوان الأكثر شيوعًا في هذه المدن ، وحتى حساب اتجاهات الموضة في الطريقة الكمية "على سبيل المثال الوردي من 21 الأسبوع الماضي إلى 38 هذا الأسبوع ، هذا هو الاتجاه" ، على حد قوله.

نتيجة لذلك ، لم تعد الموضة من اختصاص المصممين والنقاد ومحرري مجلات الموضة ، بل أصبحت مجرد عمل ميكانيكي ممل وعقلاني بدون أي غموض وجماليات في ظل تقنية التعلم العميق. وبعبارة أخرى ، يمكن لأي شخص عادي الحصول على حدسي فهم الألوان والأزياء الأكثر شيوعًا.

حتى إذا كنت لا تستطيع الوقوف على أعتاب اتجاهات الموضة ، حتى لو لم تتمكن من قيادة الموضة الرائدة بين عشية وضحاها ، في كلمات هوانغ دينغلونغ الأصلية ، على الأقل لن تعمل الصين فقط كمتابع للموضة ، ولا يزال هناك فرصة "للتغيير من مصنع ملابس في العالم إلى مصدر أزياء" ، هذا هو هدف مركز معلومات المنسوجات الصيني ، وهذا أيضًا هو السبب الرئيسي الذي يجعل السلطات تقدر إمكانية تكنولوجيا Malong واختيار التعاون معها.

بالنسبة إلى Huang Dinglong شخصيًا ، مقارنة بعوامل مثل قوة الخطاب الجمالي والسرد الوطني الكبير ، قد يكون ما يسمى بـ "تحسين الكفاءة الواحدة وتحرير القوى العاملة" هو الدافع الحقيقي لفكرة الموضة الرجعية.

لا تنس رؤية Huang Dinglong الأصلية لـ "بحث اتخاذ القرار البصري" وطموحاتهم لهذا السوق.

اتصال الصور هو أكثر من مجرد صور ، فهو في الواقع لا يختلف كثيرًا عن البحث عن النص. نفضل أن نقول أن البحث هو المحور الأساسي والأكثر استخدامًا على الإنترنت ، فهو يربط بين احتياجات المستخدمين ومحتوياتهم. لا يقتصر المحتوى على النصوص والصور وما إلى ذلك. يجب أن يغطي المحتوى الأكثر ثراءً وتنوعًا ، بما في ذلك مقاطع الفيديو والموسيقى والألعاب والسلع والخدمات.

لا تكمن قيمة البحث وأهميته في تلبية احتياجات المستخدم للعثور على المحتوى ، بل عبور فجوة المعلومات المبهمة عند طرفي الطلب والمحتوى ، ولكن لكسر التكرار والعبء الواقع على سلسلة القيمة التجارية بأكملها ، وهو الهدف الحتمي والنتيجة للتطور التكنولوجي. ، هو أيضًا الاتجاه الحتمي لقوانين سوق اقتصاد الإنترنت ، والذي أصبح بطبيعة الحال الاتجاه الأكثر أهمية في تطور محركات البحث.

هذا اتجاه تطور ديناميكي للبحث. إنه ليس أداة لمساعدة المستخدمين في العثور على إجابات فحسب ، بل يوفر أيضًا محتوى يلبي احتياجات المستخدم على أفضل وجه. كما يوجد هنا معنى التعلم العميق. بعد فترة طويلة من التطور الذاتي والتعلم ، قد يكون مفيدًا "لكيفية معرفة ما نعرفه" لمساعدة المستخدمين على اتخاذ القرارات الأكثر عقلانية.

يستهدف برنامج ProductAI مستخدمي الأعمال ، ولكنه في الواقع يخدم المستهلكين العاديين في نهاية المطاف. فهو يربط أكثر من مجرد الصور والصور والصور والأقمشة ، ويمكنه أيضًا توصيل المزيد من المحتوى من خلال تغليف المنتج والفيديو والواقع المعزز وما إلى ذلك. كلما زاد عدد الاتصالات والمحتوى ، زاد عدد سيناريوهات التطبيق ، وزاد عدد المستخدمين والبيانات ، وزادت الاحتمالات التجارية ، مما سيجعل خوارزميات التعلم العميق أكثر ذكاءً.

بمعنى ما ، التعلم العميق ليس فقط حجر الزاوية التقني للمحرك البصري ، ولكنه أشبه بالعقل الرقمي الذي يزيل جميع العوامل غير المنطقية ، واتخاذ قرارات تستند إلى البيانات بناءً على اختيار المستخدم. في الماضي ، كان البحث عملية ووسيلة ، ولكن في المستقبل المنظور وحتى الآن ، البحث نفسه هو الهدف والنتيجة ، لذلك لديه إمكانية إغلاق الحلقة تجاريًا.

أعطت التكنولوجيا الأعمال إمكانيات غير مسبوقة.

أصبح هذا الاحتمال تدريجياً في متناول يد هوانغ دينغلونغ وماوت في السنوات الخمس الماضية.

إن الصينيين ، والأمريكيين ، لديهما الكثير من الاختلافات ، لكنهما متشابهان بشكل مدهش في بعض أوجه التشابه. إنهم قلقون للغاية بشأن بعض الأشياء وغير مبالين بالأخرى.

ماوت لا يزال يستخدم iPhone 5. المؤكسد كان والديه يعارضان بشدة علاقته بالأجانب الوثنيين.في السنوات الثماني أو التسع الماضية ، لم يتنازل أبدًا عن هذه القضية ، وأخيراً دخل في. نهاية سعيدة.

في مؤتمر تمويل Microsoft Research Asia ، حاول Huang Dinglong بذل قصارى جهده لجعل نفسه على دراية بمثل هذا المشهد المليء بالحيوية ، ولكن في الزاوية خارج دائرة الضوء ، كان يُظهر بعض الارتباك والقليل من الوحدة من وقت لآخر.

بعد ذلك ، عندما سأل المراسل ، الذي كان معتادًا على الأرقام الكبيرة ، عن سبب انخفاض التمويل البالغ 62 مليون يوان ، ابتسم هوانغ دينغلونغ ، الذي كان قد وافق سابقًا مع Mute على عدم الغش في قضية التمويل ، بلا حول ولا قوة ، ولم يكن بإمكانه إلا أن يضع صراحة. في وضع صبور وسلمي. الإجابة على أسئلة مثل هذه - يعرف هو ومات فقط أن هذا الرقم في الواقع ليس أقل من المبلغ الحقيقي الذي جمعته تلك الشركات الناشئة.

لم يكن الاثنان ماهرين في بدء عمل تجاري.

هل قاموا بتغيير أي شيء؟ إنهم ليسوا متأكدين من أنفسهم ، والعالم غير متأكد. الشيء الوحيد الذي يمكن التأكد منه هو شيء واحد. قال هوانغ دينغلونغ إنه في العامين الماضيين ، بسبب قلة التمرين ووقت إضافي تناول الكثير من الوجبات السريعة ، كلهم يصبحون سمينين.

في الساعة الحادية عشرة في إحدى الليالي من شهر تشرين الثاني (نوفمبر) ، خفت درجة حرارة الهواء الساخن في شينزهن تدريجيًا.نظر ما تي في الرقائق القليلة المتبقية في الكيس الورقي ، وشرب آخر رشفة من الكولا ، وواصل شفتيه ، واستمر في العودة إليه. بقيت مستيقظة لوقت متأخر مع اثنين أو ثلاثة من زملائي في مقعدي. هذا هو المعيار بالنسبة له ، لكنه يستمتع بذلك. في هذا الوقت ، على الجانب الآخر من العالم ، كان Huang Dinglong لا يزال وحيدًا في بلد أجنبي لحضور اجتماع APEC ، حيث كان يبحث عن شركاء أعمال جدد.

مثل عدد لا يحصى من الليالي العادية ، كانت هذه ليلتهم العادية.

مثل قصص ريادة الأعمال التي لا تعد ولا تحصى ، فإن قصصهم قد بدأت للتو.

لمزيد من المحتوى المثير ، اتبع Titanium Media WeChat (المعرف: taimeiti) ، أو قم بتنزيل تطبيق Titanium Media