评李彦宏先生的内部邮件

  • 引子

这两天读了李彦宏先生给内部员工的内部邮件,感觉应该是真的,所以稍微做点评价。

邮件有三个要点,并不复杂:提倡面对变化、反对小资呼唤狼性、减少管理层级。

 

这三者间应该是因果关系,因为要面对变化,所以反对小资,小资没有战斗力。

因为要激发狼性,所以要减少管理层级,提升效率。

 

  • 简评

单纯从逻辑上来分析,这封邮件提倡的东西是会失败的,李彦宏先生发现了问题但解题思路很可能偏了。

什么是狼性,狼性也许表现为敏锐的嗅觉、不屈不挠奋不顾身的进攻精神,群体奋斗,但其根本驱动则是生存所面临的巨大压力。

生存威胁是所有狼性表象的动力之源。

而从马斯洛等心理学家的归类来看对水,对食物,对基本安全的需要处在需求的最低层次。

想用它来驱动一个已经处在食物链高端的公司,是有其内在矛盾的,这点有点抽象下面来做点解释。

 

  • 分析

当一个人满足了基本需要之后,他可能处在得过且过的状态。

形象来讲是一个人买了房子和汽车,但有生之年绝对买不起别墅的时候人就会失去斗志。

失去斗志应该就不太愿意奋斗,不太愿意适应外部世界的变化。这应该就是李彦宏先生厌恶小资的原因。

 

但解决的时候,你说我要人为制造不安全感,让你们重新感受生存的威胁,呼唤狼性,这等价于开历史倒车,和大禹他爹治水的套路一样。

也等价于和大多数人追求幸福生活的基本意愿叫板,未见其利,先见其害,如果细观历史就会发现这是很多牛人会挂的原因。

 

单纯从狼性的作用而言,其更适合创业初期的公司,适合苦大仇深的人群,包括华为,如果不挂,需要的都是用一种新的精神来取代狼性。

再形象一点讲,无论是百度还是华为抛开CEO不论,其高管都是腰缠万贯之人,他们里基本需要的层次太远了,你怎么让这些人有狼性,你怎么让他们奋不顾身。

如果这些层级都无法奋不顾身,而只有底层兄弟如此,那就是一个新的矛盾。

 

  • 疑点

但无疑的敏锐的嗅觉,进取精神始终是需要的,上面说的只是不适合用代表基本需要的狼性来驱动,而是要向更高层次的人类需求上寻找依托。

这点很有意思,李彦宏先生有很好的留美背景,但不去参照GoogleFacebook反过来参照华为,实在是看来蹊跷,也许有啥外人看不到的特别考量。

也没见Google这种公司提倡什么狼性,好的产品还是一个个出来。

 

  • 小结

敏锐的嗅觉,进取精神背后是用什么来驱动,直接影响相应的措施。

如果是狼性,那么无疑的胡萝卜加大棒是合理的,否则就扯了。

胡萝卜加大棒不是不需要,但作为最基本的一种约束,根本不需要强化,他适应的是福特汽车那个年代。

并和创新间存在深刻的内在冲突,创新需要的是一种主观意愿,而胡萝卜加大棒下更多的是被动服从。

 

形象来讲,这份邮件里可以看到目标和想达成目标的手段间的矛盾,如果没调整我认为这必然会失败。

一个人,一个公司,甚至一个社会其内在蕴含的矛盾往往会冲毁其自身,这是辩证法,在大时间尺度下接受过检验,百度最终如何,我们且拭目以待。

 

  • 最后声明

我对所有中国的创业者们(或者说华裔们)保持敬意,无意诋毁。

高晓松在“晓说”里说了一个很有意思的现象,他说在好莱坞,犹太裔就是升迁快,因为好莱坞就是犹太人的。

一个犹太裔可能很年轻就可以管大中华区,而华裔奋斗一辈子顶天是某个公司的副总裁。

所以尽管资本归属和CEO国籍归属可能会多样化,但正是很多身处中国的互联网公司为中国程序员群体提供了一个出口,

把很多人拉到了一个可以和国际大公司比较长短的平台上,这点非常值得肯定。

--------------------------------------------------------------

 

理想流 + 软件 = 《完美软件开发:方法与逻辑》
理想流 + 人生 = ??
理想流 + 管理 = ??
理想流 = 以概念和逻辑推演本质,追求真理。

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 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!
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