巨头争云存储祭免费旗 或重演视频业消耗战

文章探讨了云存储服务在中国市场的现状,指出个人用户付费习惯未成熟及巨头们的‘免费’策略对创业公司的挑战。分析了云存储成为移动互联网基础设施的重要性和大公司对‘云’机会的重视。

“我本人就是Dropbox的重度用户。在美国的时候,我家里最夸张的时候一共有六台电脑在用,我经常为了找不到某个文件到底放在哪台电脑里而头痛,Dropbox的出现让我觉得它正是我想要的东西。”王淮顿了顿,接着说道,“不过,即便是这样,我也不是它的付费用户。”

王淮曾是Facebook的早期员工,2011年9月离开Facebook之后回国成为天使投资人。他对南都记者说的这段话,既证明了云存储服务在个人市场上真真实实存在的需求,也说出了这一市场的尴尬所在。

前期的服务器架设已然烧掉了大量资金,但个人用户的付费习惯还没有养成,再加上国内的几家互联网和IT巨头纷纷祭出“免费”大旗。云存储领域的竞争会像当年的视频行业一样,成为一场比拼资本实力、“剩者为王”的资源消耗战吗?

内外厮杀云存储

一年多前,美国云存储公司Dropbox的用户数在短短半年多时间里翻了五倍的消息,带热了国内云存储领域的创业潮。不过,与其他版本的“CopytoChina”故事不同的是,在云存储这块沙场上厮杀的,不光有诸如最早的115网盘、酷盘、云诺、坚果云等一众创业小团队,还挤进了包括百度、腾讯、华为、金山、360在内的多家互联网和IT“巨头”。

在众多被热捧的创业概念中,巨头们为什么独独对“云”趋之若鹜呢?

Pre Angel投资人王利杰向南都记者解释,随着智能手机、平板电脑等多种智能终端的普及,个人用户所拥有的数据量正在成几何倍数增长,无论是从存储的安全性,还是随取随用的便利性上来说,将数据上传存储到云端而非进行本地收藏,已是大势所趋。

换句话说,当人们习惯用不同的终端随时随地调取储在云端的数据时,存储着大量数据的云就成了整个移动互联网的基础,而“谁拥有云,谁才能真正称得上是在移动互联网上占据了一席之地”,这就是任何一家大公司都不愿意错过“云”机会的根本原因。

在海外市场上,亚马逊、谷歌、微软等几家大公司早在数年之前就开始打造云计算的基础。以亚马逊为例,其在2006年利用自身其他服务的剩余资源面向开发者推出的S3云存储服务,由于其使用方式极为灵活,用户可以真正做到“用多少资源付多少钱”,才使得诸如Dropbox这样的创业公司能够“轻资产”起步,基于S3为个人用户提供文件同步和分享服务。同时,Dropbox本身又是开放的,可以对接各类更垂直细分的应用,从而形成了一个立体的“云”生态。

然而,国内的市场情况却截然不同。根据北大市场与媒介研究中心的一份调查报告所说,“云”概念自2008年左右被引入国内,但真正开始在市场中加以应用和普及却是等到了2010年底。对于大公司来说,云本身的重要性,加上错过了最初的发展时机,让他们更急于推出一个“高大全”的云服务平台,将从基础设施到终端产品,甚至包括垂直应用一网打尽,同时再祭出“免费”大旗来吸引个人用户,试图将整个市场快速推起。

但这对创业公司来说,却是内外叠加的双重打击。一方面,他们不像Dropbox等海外同行一样有“巨人的肩膀”可踏,必须自己投入大量的前期资金购置服务器与带宽;另一方面,巨头们带动的“免费”热潮,更削减了国内个人用户对付费服务的热情。即使创业公司有强大的融资能力做依托,允许其投入大量资金,在短期内将市场需求撕开一道口子,起码在三五年内也无法将烧出去的钱重新赚回来,这无论是为其之后的续融资还是整体的商业模式都画上了一个大大的问号。

【多变量输入超前多步预测】基于CNN-BiLSTM的光伏功率预测研究(Matlab代码实现)内容概要:本文介绍了基于CNN-BiLSTM模型的多变量输入超前多步光伏功率预测方法,并提供了Matlab代码实现。该研究结合卷积神经网络(CNN)强大的特征提取能力与双向长短期记忆网络(BiLSTM)对时间序列前后依赖关系的捕捉能力,构建了一个高效的深度学习预测模型。模型输入包含多个影响光伏发电的气象与环境变量,能够实现对未来多个时间步长的光伏功率进行精确预测,适用于复杂多变的实际应用场景。文中详细阐述了数据预处理、模型结构设计、训练流程及实验验证过程,展示了该方法相较于传统模型在预测精度和稳定性方面的优势。; 适合人群:具备一定机器学习和深度学习基础,熟悉Matlab编程,从事新能源预测、电力系统分析相关领域研究的研发人员与高校研究生。; 使用场景及目标:①应用于光伏电站功率预测系统,提升电网调度的准确性与稳定性;②为可再生能源并网管理、能量存储规划及电力市场交易提供可靠的数据支持;③作为深度学习在时间序列多步预测中的典型案例,用于科研复现与教学参考。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注数据归一化、CNN特征提取层设计、BiLSTM时序建模及多步预测策略的实现细节,同时可尝试引入更多外部变量优化网络结构以进一步提升预测性能。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值