硅谷创业群英和个人及计算机的崛起历史

本文讲述了硅谷创业初期的故事,包括个人计算机的兴起,如Altair的诞生,以及苹果公司的创始人乔布斯和沃兹尼亚克如何在车库中开创了计算机革命。文章还探讨了IBM和微软在个人计算机市场的崛起,以及后PC时代的到来。

前段时间在B站看到“小约翰可汗”做的如下视频,讲述的是硅谷创业年代传奇人物之一亚当·奥斯本,从写计算机教材到开拓便携式电脑一生的起落。

如何在年入上亿后迅速破产?【小约翰】_哔哩哔哩_bilibili

该视频引用的

参考资料: 亚当·奥斯本1984年出版自传《超增长:奥斯本计算机公司的兴衰》 罗伯特·弗莱林1984年出版《计算机企业家:谁在做大美国的新贵行业》 斯莱特·罗伯特1989年出版《硅谷肖像》 家酿计算机俱乐部实时通讯网站 保罗·弗莱伯格1984年出版《山谷之火:个人计算机的制造》

当然,我们可以看到最后一本书他是明显写错了,不是山谷之火,而是硅谷之火,本书中提到的亚当·奥斯本最早的段落为:

英特尔的市场部对微处理器客户支持工作量巨大的担忧不无道 理。比如说,用户需要芯片功能的说明文档、芯片能识别语言的说明 文档、芯片使用的电压、发热情况和其他一系列问题的说明文档。总 得有人来编写使用手册吧。英特尔将这一工作交给了一位名叫亚当· 奥斯本的工程师,后来他在使计算机走向个人化方面做出了巨大贡 献。

当然,鉴于视频内容已经较为丰富,如果当年知名点的IT群英都可以做个视频,那么小约翰可汗的创作源泉可以说是相当丰富。

言归正传,本书是当年雷军年轻时候颇为推崇的商业传记历史图书,他也因此义无反顾的跨入IT行业。

一、70年代的开端

1970年代的美国,大型计算机在企业和学校都有了一定的存量,也造就了早期的计算机发烧友,我们后来熟悉的比尔·盖茨、乔布斯等人也在此列。但是很多苦于并非拥有计算机单位的正式员工或学生,难以蹭到计算机去使用,即使去使用也往往在排队,所以对发烧友来说,拥有自己的个人计算机是他们迫切的渴望。

个人计算机的起源也颇具革命性,因为它并不是由那些搞研发的专业团队在成本昂贵、设备精良的实验室研制出来的。它始于企业和学术机构之外,由黑客、计算机发烧友和误打误撞的创业者利用业余时间在车库、地下室和卧室等地方创造出来。这其中的代表人物有比尔·盖茨、保罗·艾伦、李·费尔森斯坦、阿兰·库珀、史蒂夫·东皮耶、加里·基尔代尔、戈登·尤班克斯、史蒂夫·乔布斯和史蒂夫·沃兹尼亚克等。

最早出现的个人电脑altairs(牵牛星),曾销售和制作过计算器的爱德华·罗伯茨创办的MITS公司,在1974年孤注一掷,用极低的价格批量买下了英特尔 8080 芯片(原价360美元,批量采购75美元),这个案例颇为类似后来雷军为了开发小米手机跟高通公司以极低的价格批量采购高通芯片,从而使得小米手机成为当年的价格杀手。altairs电脑在现在看来比单片机也好不到那里去,二进制开关和指示灯构成的I/O设备,没有存储器(意味着关机后所有成果都没有),仅仅配有2k内存等缺陷,但是售价仅仅397美元,故仍然受到全美乃至世界上计算机发烧友的追捧。

行业渐渐打开,有人生产altairs的扩展设备,如电视接收器、扩展内存,而比尔·盖茨和他的朋友保罗·艾伦也把流行的计算机语言BASIC移植到了altairs上。当然之后因为这个basic的纸带被计算机发烧友们广泛盗版,比尔·盖茨曾在开发者大会以公开信的形式怒斥盗版者,也让微软今后的发展道路格外注重保护著作权。

不过好景不长,MITS公司虽然之后也确立了该机型的S-100标准,终于因为战线太长、产品质量不稳定以及竞争对

内容概要:本文介绍了一个基于多传感器融合的定位系统设计方案,采用GPS、里程计电子罗盘作为定位传感器,利用扩展卡尔曼滤波(EKF)算法对多源传感器数据进行融合处理,最终输出目标的滤波后位置信息,并提供了完整的Matlab代码实现。该方法有效提升了定位精度与稳定性,尤其适用于存在单一传感器误差或信号丢失的复杂环境,如自动驾驶、移动采用GPS、里程计电子罗盘作为定位传感器,EKF作为多传感器的融合算法,最终输出目标的滤波位置(Matlab代码实现)机器人导航等领域。文中详细阐述了各传感器的数据建模方式、状态转移与观测方程构建,以及EKF算法的具体实现步骤,具有较强的工程实践价值。; 适合人群:具备一定Matlab编程基础,熟悉传感器原理滤波算法的高校研究生、科研人员及从事自动驾驶、机器人导航等相关领域的工程技术人员。; 使用场景及目标:①学习掌握多传感器融合的基本理论与实现方法;②应用于移动机器人、无人车、无人机等系统的高精度定位与导航开发;③作为EKF算法在实际工程中应用的教学案例或项目参考; 阅读建议:建议读者结合Matlab代码逐行理解算法实现过程,重点关注状态预测与观测更新模块的设计逻辑,可尝试引入真实传感器数据或仿真噪声环境以验证算法鲁棒性,并进一步拓展至UKF、PF等更高级滤波算法的研究与对比。
内容概要:文章围绕智能汽车新一代传感器的发展趋势,重点阐述了BEV(鸟瞰图视角)端到端感知融合架构如何成为智能驾驶感知系统的新范式。传统后融合与前融合方案因信息丢失或算力需求过高难以满足高阶智驾需求,而基于Transformer的BEV融合方案通过统一坐标系下的多源传感器特征融合,在保证感知精度的同时兼顾算力可行性,显著提升复杂场景下的鲁棒性与系统可靠性。此外,文章指出BEV模型落地面临大算力依赖与高数据成本的挑战,提出“数据采集-模型训练-算法迭代-数据反哺”的高效数据闭环体系,通过自动化标注与长尾数据反馈实现算法持续进化,降低对人工标注的依赖,提升数据利用效率。典型企业案例进一步验证了该路径的技术可行性与经济价值。; 适合人群:从事汽车电子、智能驾驶感知算法研发的工程师,以及关注自动驾驶技术趋势的产品经理技术管理者;具备一定自动驾驶基础知识,希望深入了解BEV架构与数据闭环机制的专业人士。; 使用场景及目标:①理解BEV+Transformer为何成为当前感知融合的主流技术路线;②掌握数据闭环在BEV模型迭代中的关键作用及其工程实现逻辑;③为智能驾驶系统架构设计、传感器选型与算法优化提供决策参考; 阅读建议:本文侧重技术趋势分析与系统级思考,建议结合实际项目背景阅读,重点关注BEV融合逻辑与数据闭环构建方法,并可延伸研究相关企业在舱泊一体等场景的应用实践。
评论 1
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