如何认知数字化时代新机遇?

简介: 疫情重塑了政府和民众对于数字化的认知,对于创业者而言机遇在哪里?应该如何把握机遇?阿里巴巴副总裁刘松认为,未来10年的机遇,在于数字科技与任何一个垂直行业的结合;让人兴奋的不是技术本身,而是数字技术拓展了我们生而为人的边界;数字化既是一把手工程,也是人人工程,一定是靠后浪的力量混合前浪的经验,还有老浪的资本,才能够把数字化进行到底。
作者:阿里波特
来源:阿里云研究公众号

640.gif

疫情重塑了政府和民众对于数字化的认知,对于创业者而言机遇在哪里?应该如何把握机遇?

阿里巴巴副总裁刘松认为,未来10年的机遇,在于数字科技与任何一个垂直行业的结合;让人兴奋的不是技术本身,而是数字技术拓展了我们生而为人的边界;数字化既是一把手工程,也是人人工程,一定是靠后浪的力量混合前浪的经验,还有老浪的资本,才能够把数字化进行到底。

image.png

1.疫情给我们上了一门数字化的课

2020年给我们上了三堂课。第一堂课是世界文明课,2020年把过去100年人类的冲突、文明,大国博弈做了一个混剪;第二堂课是一节不确定的课,疫情期间每一周都有新的焦虑,企业家如坐针毡,不知道未来会发生什么、怎么办;第三堂课是个人健康课,在家办公让人发觉睡眠质量突然得到大幅提高,更加关注自己的身心健康。

我们反思背后这三件事情,文明的冲突和文明的重构、不确定性的增加,还有我们的个人健康,归结起来其实我们上了第四门课,我们所有人过去的半年多,都上了一门数字化的课。

政府官员能够理解并运用数据抗疫,例如通过网络技术去解决北京新发地的疫情问题,至今为止很多国家还在面临抗疫的挑战,数字化将从互联网行业拓展到全社会,从技术创新引发社会创新。

疫情在每一个人脑子里种下一颗种子,大家知道炒菜的时候可以在一个直播上去学习了,盒马买一个东西变成半个厨师了;家里面阿姨不能来了以后,基本上家里面扫地机器人每天都要转一圈。

未来的10年非常确定的事情就是数字化的加速,尤其在中国,有决然的确定性,它会让各行各业都产生数据化的重塑。

2.数字技术拓展我们生而为人的边界

未来10年看上去是比特引导世界,就是今天讲的数字科技。但更重要的一个观点是,未来10年最让人兴奋的东西不是来自于技术本身,而是来自于数字技术拓展我们生而为人的边界这件事情。所有的产业未来全部都是以文化引导,数字支撑的一个泛精神产品的产业,包括制造、智能产品。精神产品、内容产品会叠加在每一种物质产品上。

2019年是人类库存最高的一年,意味着工业时代或者是制造时代,基本已经到了一个顶峰。一件非常有冲击力的事情是,大学里面已经没有钢铁冶金这个专业了,钢铁行业纷纷建立数据中心。所以,这是一个时代最重要的转折点。

3.机遇=生态的交叉

全社会的数字化加速的趋势带来了巨大的机遇,但这样的一个巨大的机遇,对于大多数企业家和创业者来说,可能用一个词就概括了,这个词叫“交叉”。

未来10年的机遇,不在互联网行业本身的APP,而在于数字科技及模式加上文化与任何一个垂直行业的结合。刘松相信,这是一个巨大的机遇。尤其中国在这一次疫情中,官方对于数字化的看重,对新基建的推出,都意味着未来10年中国的数字化的加速的程度远远超过去40年,也超过过去10年所谓的移动互联网时代。

4.创业者的精神气质

各位企业家不断尝试的精神,是一种对未知的世界一见如故的精神,无论什么事物首先是表示欢迎。

创业是非常孤独的,创业的人一旦开始创业了,他就有了一种不同的精神气质,他需要孤独地面对这个世界,他需要有更深刻的感情跟别人去链接,对什么东西的感觉都是一手,我觉得跟戏剧表演是一样的。

大家演戏的时候会遇到一种恐惧,这是我们看到一个黑洞洞的摄像头的恐惧,这是我们在空无一人时表演的恐惧,其实跟创业是一样的。创业要靠朋友、靠生态、靠一个立体化的思维。创业不仅需要精神,需要资源,还需要一个巨大的生态。

5.数字化创新是人人工程

中国的创业科技成产业的创业空间是无限的,今天有限的是领导力,能够把产业的理解和技术商业模式放在一起形成一个团队,这样的团队太少。

建议企业家们做数字化创新的时候,千万不要一个人,也不要说我是企业的owner、是企业的一把手,我来想我们这个企业应该怎么去创新,这个绝对是不对的。

数字化在未来10年,既是一把手工程,又是人人工程。如果你能发动员工里面最年轻最有创造力的人,你就可以当投资人,这个是一个基本的看法。一定是要靠后浪的力量混合了前浪的经验,可能还有老浪的资本,才能够把数字化的东西进行到底。

综合刘松的这些观点我们可以看到,技术革新最终是以服务于人为指向的,数字化将提供支撑,使得精神和物质产品叠加,形成泛精神产品的产业。疫情使得数字化进程加快了,也在催促我们马上跟上脚步,带着一见如故的心情,做好迎接数字化时代的准备。

640 (1).gif

相关文章
|
机器学习/深度学习 算法 Serverless
大模型开发:描述损失函数的作用以及一些常见的损失函数。
损失函数在机器学习中至关重要,用于衡量预测误差、优化模型、评估性能及选择模型。常见类型包括均方误差(MSE)、均方根误差(RMSE)、交叉熵损失(适用于分类)、绝对误差(MAE)、hinge损失(SVMs)、0-1损失、对数似然损失和Focal Loss(应对类别不平衡)。选择时要考虑模型性质、数据特征和优化需求。
1822 3
|
敏捷开发 监控 数据可视化
关键链项目管理:全球化与本地化的完美结合
关键链项目管理(CCPM)由以色列物理学家艾利·高德拉特提出,基于“约束理论”,通过优化资源分配、引入缓冲管理和动态调整,显著提升项目效率和成功率。本文探讨了CCPM的国际化实践现状、应用优势及未来发展趋势,特别是在欧美、亚太及新兴市场的广泛应用。CCPM在缩短项目周期、提高资源利用率、降低风险和增强团队协作方面表现出色。未来,CCPM将与数字化工具深度融合,并在全球化与本地化结合中进一步普及,成为复杂项目管理的核心方法。
|
数据采集 人工智能 数据挖掘
Python 编程基础与实战:从入门到精通
本文介绍Python编程语言,涵盖基础语法、进阶特性及实战项目。从变量、数据类型、运算符、控制结构到函数、列表、字典等基础知识,再到列表推导式、生成器、装饰器和面向对象编程等高级特性,逐步深入。同时,通过简单计算器和Web爬虫两个实战项目,帮助读者掌握Python的应用技巧。最后,提供进一步学习资源,助你在Python编程领域不断进步。
|
机器学习/深度学习 算法 安全
NeurIPS 2024:数学推理场景下,首个分布外检测研究成果来了
在深度学习领域,模型的鲁棒性与可靠性至关重要。针对数学推理这一复杂生成场景,传统OOD检测方法因输出空间高密度特征而面临挑战。为此,研究团队提出基于轨迹波动性的TV分数方法,通过计算样本嵌入偏移轨迹的波动性来检测OOD样本。实验表明,该方法在数学推理和选择题任务中优于传统算法,展示了其潜在优势和通用性。尽管存在局限性,TV分数为数学推理场景下的OOD检测提供了创新思路。论文地址:https://arxiv.org/abs/2405.14039
366 2
|
数据采集 前端开发 算法
Python Requests 的高级使用技巧:应对复杂 HTTP 请求场景
本文介绍了如何使用 Python 的 `requests` 库应对复杂的 HTTP 请求场景,包括 Spider Trap(蜘蛛陷阱)、SESSION 访问限制和请求频率限制。通过代理、CSS 类链接数控制、多账号切换和限流算法等技术手段,提高爬虫的稳定性和效率,增强在反爬虫环境中的生存能力。文中提供了详细的代码示例,帮助读者掌握这些高级用法。
1077 1
Python Requests 的高级使用技巧:应对复杂 HTTP 请求场景
|
JSON JavaScript 前端开发
Google Charts
Google Charts
444 2
|
监控 IDE Java
【Java性能调优新工具】JDK 22性能分析器:深度剖析,优化无死角!
【9月更文挑战第9天】JDK 22中的性能分析器为Java应用的性能调优提供了强大的支持。通过深度集成、全面监控、精细化分析和灵活报告生成等核心优势,性能分析器帮助开发者实现了对应用性能的全面掌控和深度优化。在未来的Java开发过程中,我们期待性能分析器能够继续发挥重要作用,为Java应用的性能提升贡献更多力量。
|
并行计算 Java API
|
网络虚拟化 Windows 网络协议
2023年全国职业院校技能大赛=GZ073 网络系统管理赛项赛题第2套B模块-1
2023年全国职业院校技能大赛=GZ073 网络系统管理赛项赛题第2套B模块
2023年全国职业院校技能大赛=GZ073 网络系统管理赛项赛题第2套B模块-1
|
消息中间件 网络协议 Shell
VxWorks操作系统shell命令与调试方法总结
<div><p><br></p></div> <p align="center"><strong>VxWorks下的调试手段</strong></p> <p>主要介绍在Tornado集成开发环境下的调试方法,和利用支撑定位问题的步骤、思路。<strong></strong></p> <h1> <a target="_blank" name="_Toc80412618">1         To
19744 0