雷火沙龙第一期:众议国内众筹平台

简介: 在5月的11号下午,雷锋网与柴火创客空间举办了首场围绕硬件进行交流的“雷火沙龙”。在这次的交流会上,有三位创客向在场的创客展示了自己的产品,它们分别是蒋程宇的公益项目“一公斤电子”、王强独自一人花费四年时间打造的运用中文编程的开源硬件LinkBoy,还有曹思明的“FPS GUN”。

在5月的11号下午,雷锋网与柴火创客空间举办了首场围绕硬件进行交流的“雷火沙龙”。在这次的交流会上,有三位创客向在场的创客展示了自己的产品,它们分别是蒋程宇的公益项目“一公斤电子”、王强独自一人花费四年时间打造的运用中文编程的开源硬件LinkBoy,还有曹思明的“FPS GUN”。


而在这三个项目里面,有两款上了国内众筹平台“点名时间”。其中“FPS GUN”以筹资失败,王强的LinkBoy目前也只有57个人关注。


在这场沙龙里面,我们抛出了一个这样的话题:怎么看待国内的众筹平台?不少创客发表了自己的看法。


可以肯定的是,虽然国内的众筹平台并不那么如意,但是最起码已经跃过了“从零到有”的阶段。这对于创客来说,多了一条可以筹集启动资金的渠道。


不过和Kickstarter比起来,国内的众筹平台还有不少的差距。除了跟国情有关外,它们也有一些自身因素。从国情上来说,大众的生活压力太大,他们可以支配的“闲钱”非常有限。另外就是私德与公德的问题:国内更加相信自己,而老外更强调公德。二者结合起来看,可以部分解释为什么老外对创新的支持和信任要高很多。


相比之下,一些已经打出名气的产品在国内众筹平台更容易获得用户的支持,比如说《十万个冷笑话》已经在点名时间上获得近33万RMB的支持。而那些还处于半成品阶段的项目来说,要说服大众对“陌生的ID”给予资金上的支持,还需要很长时间的努力。


“国内整个投资环境主要还是熟人导向,有关系,才有可能让人买你的账。对于国内的众筹平台来说,已经是成品的东西,可以直接买,自然能够获得一定的认可。对于半成品来说,光靠一个ID难以获得很高的支持。”虽然曹思明的“FPS GUN”玩起来非常爽,但是它并没有完全成型,未能在点名时间上成功集资。


跳开一些客观因素,其实国内的众筹平台也存在一些自身问题。


如果你对Kickstarter非常了解的话,你可以知道它是“Donation(捐赠)”导向的。相比之下,国内的众筹平台更加功利一些:帮助创业者集资,然后抽取比Kickstarter更高的比例分成。这会在一定程度上导致他们没有对项目进行严格筛选。王建军很早的时候就开始关注国内的众筹平台,但是他发现它们里面不少项目是“一个人要到某个地方旅游,筹钱寄明信片”,这种鱼目混杂的现象让他觉得比较失望。


而在宣传方面,国内的众筹平台还是有所欠缺的。在创客圈子里面,很多人知道Kickstarter,但是知道像点名时间、众筹网和追梦网等“国货”的人非常有限。在整个沙龙里面,有两个创客比较同调地吐槽:“问了十个人,他们都知道Kickstarter,但是只有两三个知道点名时间。”


还有一个问题就是,国内众筹平台没有利用好“中国制造”的国际优势。很多老外都往中国扎堆做硬件,主要是中国(尤其是深圳)的硬件供应和制造能力非常强大。其实很多本土创客所打造出来的“半成品”不管是实用性还是创意方面都很强,缺的是就支持它们启动的资金。如果国内众筹平台能够走向国际化,引进国际支付,把Kickstarter上的用户转移过来,一来可以帮助创客解决部分资金问题,二来也会形成自己的竞争优势。

相关文章
|
人工智能 安全 前端开发
Copilot插件:开启AI编程新篇章
Copilot插件:开启AI编程新篇章
847 0
|
计算机视觉 Python
OpenCV中图像的开、闭运算讲解与实战应用(附Python源码)
OpenCV中图像的开、闭运算讲解与实战应用(附Python源码)
747 0
|
存储 缓存 前端开发
ATB算子实现原理解读
本文详细介绍了Ascend Transformer Boost(ATB)加速库中三种类型算子的执行流程及其与CANN中其他算子的区别。文章首先概述了ATB算子的实现步骤,接着深入解析了单算子和图算子的执行流程,包括kernel图构建、输入准备、内存计算、tiling数据处理及任务下发等环节。此外,还探讨了ATB在host侧性能优化上的几种机制,如Tiling Cache、Setup与InferShape复用、Runner Pool等,以及ATB中的内存优化与管理策略。最后,介绍了Context类的功能和作用,包括它如何管理ATB内部的各种公共资源。
|
人工智能 前端开发 Java
AI大模型进阶系列(02)基于Spring AI实现AI chatbot助理|一句话让deepseek实现
本文介绍了通过DeepSeek生成一个基于Spring AI的在线AI聊天助手项目的全过程。项目采用JDK17+Spring AI+Thymeleaf+Spring Web技术栈,实现了一个简单的聊天界面,用户可输入内容并获得DeepSeek返回的结果。文章详细描述了从需求明确、项目结构设计到配置参数启动的步骤,并展示了核心代码片段如pom.xml、application.properties及主要Java类文件。尽管功能简单,但体现了AI在编程领域的高效应用,未来有望进一步优化上下文记忆等功能,提升开发体验与效率。
|
关系型数据库 MySQL 开发工具
MySQL双主复制
MySQL双主复制
458 0
|
机器学习/深度学习 自然语言处理 计算机视觉
反转了?在一场新较量中,号称替代MLP的KAN只赢一局
【8月更文挑战第18天】近期研究重新评估了KAN(Kolmogorov-Arnold Networks)与MLP(Multi-Layer Perceptrons)在网络性能上的差异。通过对多种任务领域的全面比较,包括机器学习、视觉、音频及NLP等,研究显示MLP在多数场景下性能更佳,仅在符号公式表示上KAN略胜一筹,而这优势源于其B-spline激活函数。有趣的是,KAN在连续学习中表现出更严重的遗忘问题。尽管研究提供了有价值的观点,但也指出了其实验局限性,强调了模型选择时需综合考量的重要性。[论文链接](https://arxiv.org/pdf/2407.16674)
386 5
|
存储 关系型数据库 MySQL
深入浅出MySQL事务管理与锁机制
MySQL事务确保数据一致性,ACID特性包括原子性、一致性、隔离性和持久性。InnoDB引擎支持行锁、间隙锁和临键锁,提供四种隔离级别。通过示例展示了如何开启事务、设置隔离级别以及避免死锁。理解这些机制对优化并发性能和避免数据异常至关重要。【6月更文挑战第22天】
1046 3
|
设计模式 算法 编译器
【C++ 泛型编程 高级篇】 C++ 17 解析std::apply 的多种应用场景(三)
【C++ 泛型编程 高级篇】 C++ 17 解析std::apply 的多种应用场景
441 0
|
机器学习/深度学习 自动驾驶 算法
为什么你的模型效果这么差,深度学习调参有哪些技巧?
为了防止这些错误发生,Josh给出的建议是:尽可能减少代码的行数,使用现成的组件,然后再构建复杂的数据pipeline。
为什么你的模型效果这么差,深度学习调参有哪些技巧?
|
存储 人工智能 自然语言处理
云原生向量数据库Milvus(一)-简述、系统架构及应用场景(上)
Milvus 是一款云原生向量数据库,它具备高可用、高性能、易拓展的特点,用于海量向量数据的实时召回。

热门文章

最新文章