葛甲:有种反抗方式叫假装被洗脑

本文分享了作者与阿里面前同事之间的互动,探讨了如何在复杂的企业环境中保持自我,传授了职场生存之道,强调了独立思考的重要性。通过具体案例,展示了如何在认同企业文化与个人价值观冲突时做出平衡,以及如何引导年轻员工正确认知企业问题并促进个人成长。
很多人认为我是阿里的敌人,阿里内部绝不会有人跟我接触,更不可能有人和我成为好朋友。其实他们错了,阿里内部,我是有好朋友的,而且还不少。

  有些人只跟我保持神交,的境界,相互尊重,互不指责。我的情况他知道,他的情况我也有所了解。有的人则与我交谈颇多,我们之间无话不谈,但保密工作做得好。对了,我接受过这方面的培训。

  我一直觉得,阿里这家公司除了文化上和价值观执行上有问题,领导人和某些高管的思路邪恶一些,其他方面问题还真不大。其员工中99%的人还是好的。虽然这里面有不少人在微博上骂过我,言辞肮脏至极,但我并不认为骂我的人就真的很坏,我怀着理解的心态看待这一切。

  骂得久了,总会有人对我表示赞同的,甚至还有主动与我联系的阿里员工。有一年,一个刚入职半年的小伙子给我发了邮件,说太看不上这家公司的一些做法了,要把他看到的一切都告诉我。我让他把邮件删掉,回家后改用gmail给我发信,到了晚上,他果然又再次联系我了,并在信中说了一些情况。

  我给他回了信,让他安心工作,不要再想爆料的事情,可以谈谈他准备怎么顺应公司的价值观洗脑。他说那些东西他很反感,不想接受,想找到别的公司后离开,不想在这里干了,并准备把他看到的一切说出去。

  我给小伙子写了一封很长的信,给他讲了一些年轻人该遵循的职场道理,并给他传授了一些经验之谈。我记得其中的部分内容是这样的:

  阿里的问题在所有的公司都或多或少存在,只不过阿里表现得明显一些罢了。我们应该反对思想控制,却绝不可能完全摆脱它,因为你身处的这个时代,虽不是最坏的时代,也绝不是一个最好的时代,正在向着好的方向大步迈进。

  如果放在过去,像我这样的人是会被拉去枪毙的,当然即便今天也无法完全摆脱这个危险,但至少我们过得比过去安心一些,顾虑和不安全感更少一些,对吧。可怎么让这世界变得更好一些呢?唯有亲身投入其中,去做自己应该做的事情,而不是去逃避。这个世界,你躲是躲不掉的,挺身而上直接面对,尽自己的能力,就好了。

  你可能会问我,难道要我和他们同流合污吗?兄弟,不是让你这样,今天你能有这样的觉悟和想法,这很好,但你要学会把自己的真实想法隐藏起来,尤其是在你还没有平台和足够的分量去做更多正确的事之前,假装被洗脑,是十分必要的。

  阿里巴巴的未来,不能寄托在一群奴才和真正被洗脑的人身上,而是在你们这些思想独立,有自己崭新思路的年轻人身上。马云不可能永远在那个位子上,他也会失去光环,失去自己的影响力,如果下一代阿里的领军人还是他那个投机分子加奸商的风格,那阿里才真的完了,谁也救不了这家公司了。

  你想在应该做的,就是好好干,接受其洗脑的同时内心保持一份独立思考和自由意志,你要能分辨清楚,自己现在听到的一切,哪些有可能是错的,哪些有可能是对的,要多利用自己的常识和判断,千万不要懈怠,脑子长期不用,会生锈的。

  你给我提供的一些情况,我收下了,这可以作为我思考问题时的一个参考,但我永远也不会公布出去。今后你要多替阿里巴巴着想,因为这是你的公司,你要靠这里发挥自己的聪明才智,要安身立命。等你有朝一日能掌握公司的发展方向了,你要按自己所认为的正确想法,把公司带领到正确的路上去。

  5年后,你再回头看看我给你写的这封信吧,希望能对你的现在有所帮助。

  后来我们又通了很多次信,我说服了他,留在阿里巴巴继续干,不再想着去别的地方了。如今他还干得不错,职位上升得很快,未来似乎是大有希望的。

  只是,我实在不清楚他是否真的搞明白我让他假装被洗脑的用意,到底是为了生存还是为了反抗,我也不好直接问他。但我想,不管假装被洗脑是为了生存还是为了反抗,都是一件好事。至少这个人还知道自己是被洗脑的,这比那些对一切浑然不知的傻瓜们,不知强到哪里去了。每当想到这里,我都会在内心发出会心的一笑。

【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
【IEEE顶刊复现】水下机器人AUV路径规划和MPC模型预测控制跟踪控制(复现)(Matlab代码实现)内容概要:本文档聚焦于【IEEE顶刊复现】水下机器人AUV路径规划与MPC模型预测控制跟踪控制的研究,提供了完整的Matlab代码实现方案。内容涵盖AUV在复杂海洋环境下的路径规划算法设计与模型预测控制(MPC)的跟踪控制策略,重点复现了高水平期刊中的关键技术细节,包括动力学建模、约束处理、优化求解及控制反馈等环节。文档还附带多个相关科研方向的技术介绍与资源链接,突出其在智能控制与机器人领域的高仿真精度与学术参考价值。; 适合人群:具备一定自动化、控制理论或机器人学背景,熟悉Matlab/Simulink环境,从事科研或工程开发的研究生、高校教师及科研人员;尤其适合致力于路径规划、MPC控制、水下机器人系统开发等相关课题的研究者。; 使用场景及目标:①复现IEEE顶刊中关于AUV路径规划与MPC控制的核心算法;②深入理解MPC在非线性系统中的应用机制与优化求解过程;③为水下机器人、无人系统等方向的科研项目提供可运行的代码基础与技术参考;④辅助论文写作、项目申报与仿真验证。; 阅读建议:建议结合文档中提供的网盘资源(如YALMIP工具包、完整代码等)进行实践操作,重点关注MPC控制器的设计参数设置与路径规划算法的实现逻辑,同时可参考文中列举的其他研究方向拓展思路,提升科研效率与创新能力。
代码下载地址: https://pan.quark.cn/s/1b5b026cbb57 分类类别不平衡问题--python篇 # 一、什么是类不平衡 ## 在分类中经常会遇到:某些类别数据特别多,某类或者几类数据特别少。 如二分类中,一种类别(反例)数据特别多,另一种类别(正例)数据少的可怜。 如银行欺诈问题,客户流失问题,电力盗窃以及罕见疾病识别等都存在着数据类别不均衡的情况。 二、为什么要对类不平衡进行特殊处理 ## 传统的分类算法旨在最小化分类过程中产生的错误数量。 它们假设假阳性(实际是反例,但是错分成正例)和假阴性(实际是正例,但是错分为反例)错误的成本是相等的,因此不适合于类不平衡的数据。 有研究表明,在某些应用下,1∶35的比例就会使某些分类方法无效,甚至1∶10的比例也会使某些分类方法无效。 如果数据存在严重的不平衡,预测得出的结论往往也是有偏的,即分类结果会偏向于较多观测的类。 三、提升不平衡类分类准确率的方法 ## 提升不平衡类分类准确率的方法有三大类:采样、阈值移动、调整代价或权重。 avatar 1、采样 ### 1 过采样 #### 过采样基本思想就是通过改变训练数据的分布来消除或减小数据的不平衡。 过采样有随机过采样、基于聚类的过采样、信息性过采样(SMOTE)三大类方法。 随机过采样:通过增加少数类样本来提高少数类的分类性能 ,最简单的办法是随机复制少数类样本。 基于聚类的过采样:K-Means聚类算法独立地被用于少数和多数类实例,之后,每个聚类都过采样使得相同类的所有聚类有着同样的实例数量。 avatar 信息性过采样--SMOTE 利用KNN技术,对于少数类样本a, 随机选择一个最近邻的样本b, 然后从a与b的连线上随机选取一个点c作为新的...
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