美业的受众范围是固定的，销售半径在1-3公里以内

数据显示，到2020年，美业市场总量将达到3万亿元，其中美容会达到近万亿元。市场规模虽然大，但整个行业却没有发生革命性的变革。促销是传统门店单一的营销手段，但在互联网+时代下，促销通常会造成经营不善。 美业本身是服务型行业，却在拓客大战中成了营销型行业。
一般来讲，美业的受众范围是固定的，销售半径在1-3公里以内，提高客户粘性、拉长客户消费周期、提高客单价是美业商户需要重点思考的点，巧猪就是一个以会员为中心的美业 SaaS 系统。
巧猪 SaaS 为 B 端美业商户提供进存销管理、营销拓客、顾客预约、开单收银、会员、店铺管理、财务管理、员工绩效管理、运营分析等功能；给 C 端的功能是在线预约、在限购卡、在线选购商品、查看会员信息、商家提醒、消费记录等；商户技师能在统一平台上排版、管理顾客，店长可以根据技师预约频率等间接考核。
巧猪以会员管理为核心，主要体现在围绕 C 端会员服务上。巧猪的会员系统记录会员基础信息、消费能力信息和个性化标签，与线下办卡不同的是，会员可以线上办理储值卡、次卡、折扣卡，这种方式办卡容易、成本低，更能提高顾客粘性和消费频率；顾客每一笔消费都有短信微信通知，各种数据集合之后形成用户精准画像，会员档案也比以往清晰明了，门店根据用户画像定期回访，能提升客户满意度。
巧猪提供整套解决方案，在营销上，巧猪避开促销等传统手段，采用多人拼团、优惠券、抽奖、互动游戏等微信营销拓客活动，这种方式保证了商家利益，也能促使老顾客吸纳新成员，降低了商家的拓客成本。
巧猪 SaaS 定位的是美业细分中的轻医美，就是日常的生活美容、按摩、科技瘦身、纤体、产后恢复、祛斑祛痘等。关于此定位，巧猪 CEO 李雷告诉36氪，在推出巧猪之前，团队曾经对千家美业进行了市场调研。最终团队决定为美业做“减法”，美业中的美发沙龙的 C 端分层不够明显，不利于之后的营销拓客环节；美甲美睫通常是店中店模式，客单价小，对系统的迫切性不强；纹绣小众，对系统也没有需求。而轻医美客户群定位、C 端人群定位都比较明显，可以更好满足诉求。
巧猪主要客户群是京津冀、珠三角、长三角等地方的腰部客户和区域性品牌。
巧猪8月初上线，目前使用巧猪 SaaS 的商家有200多家，付费用户有8家、近70个店铺。合作伙伴有克丽缇娜、Clarins、普睿媞、水天伊人等。
盈利模式四种，一种是 SaaS 软件年费，在千元级别，第二种是线上店铺交易佣金抽成，第三种是增值服务费，第四种是美业老板内参。
一款 SaaS 产品要真正符合客户需求才能被市场长久接受，所以 SaaS 软件团队首先要有咨询公司的调研能力，调研能力是深入用户需求的体现，技术能力是对调研结果的验证和补充。巧猪的核心竞争力也是市场调研。巧猪团队在调研之后认为，从产业链切入比较难，大的逻辑是切服务业，服务业中零售和餐饮市场竞争激烈，而且 C 端受众分层不清晰，所以服务业中规模第三的美业成为了创业目标。
传统美业以进销存、财务、人事管理为核心，新型美业也营销、获客等为卖点；美业始终是以位置为核心的生活服务，受众群固定，所以要把会员做好。以往美业店面只要有促销就会推出一种卡，巧猪希望把这些卡精简，之后会陆续推出符合用户需求的卡种，比如家庭卡、月卡等。
系统的技术壁垒是大数据、智能营销推荐等，不过巧猪现在还是以运营位导向的项目，需要足够多的 B 端和 C 端数据才能做大数据分析。
美业 SaaS 的赛道上有美丽加、美业邦、门庭管店、高端美业代运营平台“Amily”、垂直美发行业的星沙龙，博卡、喔噻、美约汇、点美等。
巧猪团队现在有10几人，创始人李雷是连续创业者，企业信息化领域专家。用友软件TOP Sales，先后创办青辰软件(700477)、美服网络; 2016年，筹办合肥苏河汇，设立1.2亿元天使基金。联合创始人李国2004-2006年在用友软件历任客服工程师和客服总监，2007-2009年任中兴通讯高级项目经理，2010-2016年联合创办青辰软件、美服网络。联合创始人李国生有十二年的软件研发、设计和软件项目管理的经验，2005-2008年参与或主导过电信OSS项目，BI项目， 2008-2016年参与电信级的IT监控项目的建设 曾在中兴通讯、亚信科技任开发主管。

解决拓客痛点

解决拓客痛点，「美问」为美业线下门店提供营销+管理闭环工具

6分钟前早期项目

帮to B的用户做to C的事情，包括流量和管理。

在互联网程度低的美业领域，对SaaS的需求并不止于单纯的软件服务，还需要行业实践经验的输出。
「美问」创立于2015年2月，2015年4月推出管理软件“美问云”，2016年4月上线微信营销产品“美盈赢”。在创始人楼晶看来，“营销+管理工具”的结合，帮助门店解决线下管理问题之外，更偏重于线上营销、服务和线下CRM系统的打通，是「美问」区别于其它行业竞品的差异化所在。此外在前期打法上，「美问」以标准化程度更低的美容、美甲作为发力点，和大多以美发切入（较接近于标准化体系）的同行形成错位竞争。
「美问」将营销和管理工具整体打包为一体化的管理，根据商户需求的不同做了一定的分层——定价4880元（门店/年）的“美盈赢”，针对只有营销需求的用户；5040元（门店/年）的“美店宝”，面向有营销需求和有基础管理需求的用户；而对于对管理有较高要求、又有个性化需求的用户，推出6880元（门店/年）的专业版产品“美问云”。
对于美业商户来说，引流拓客是第一位的，先解决了拓客问题，接下来才是精细化的管理。在市场推广的速度上来看，相对于实施成本更高的管理软件来说，以营销工具作为切入点轻巧得多、速度更快。
具体来说，基于微信端的微营销工具，以商家、消费者认可度高的拼团活动为突破口，辅以老带新、红包派发等活动。通过微信、微博等自媒体平台，实现社群的精准传播。此外，以微信公众号的形式，帮助商户打造自己的“微品牌”。将系统细致的功能点有机组合成模板，降低营销的使用门槛；并针对美业总体信息化程度较低的特点，提供如何进行品牌包装、内容营销、特色手艺人及产品包装等诊断咨询服务。
其实帮美业导流的平台和工具并不少，比如以美团点评为代表的团购网站。楼晶认为，尽管团购网站有海量流量，但对于平台来说有以下几个问题：其一，成本比较高，有效性比较差，团购来的用户图便宜的较多，留下来的较少；其二，海量流量是平台的客户，并不能转化为每个品牌自己的用户。美业门店是自有流量的，而美业的高产出员工一般都自带网红属性，美问希望借助营销工具帮助商户形成自有的粉丝池，结合线上到线下消费的闭环，逐步转化、积累会员资产，而不是过度依赖过客生意。
而在CRM部分， 核心功能之一是“统一客户视图”。通过客户视图，可详细记录每个客户的个性化喜好，根据客户的来店频次、消费金额、护理效果等不同数据维度进行丰富的用户画像。借助系统，商户保证的是客户服务体验的“稳定性”，避免因门店不同、服务人员的变更造成影响用户体验。此外，系统将传统的会员生命周期管理结合长期经营线下实体店的经验和美业特点，细化每个阶段会员的具体维护和营销方案，通过高服务品质而非“过度推销”，提升客户的贡献值。

另一方面，结合现有的“粉丝经济”、“支付即会员”等消费特点，商户除了对来店消费的客户进行精细化管理之外，还可以通过系统了解、识别品牌的粉丝。
除了产品、销售之外，美问后台设有一个运营体系，为商户提供远程支持（包括产品使用、营销活动策划及跟踪）售后服务等，降低商户数字化营销的门槛。
根据团队提供的数据，美问总合作商户近2万家，付费商户近1万家，已布局11个城市，员工数超过200人，在上半年实现盈利。 
如果说信息化产品是1.0版本，在1.0版本之上，美问计划向供应链、消费金融、医美等方向延展。楼晶表示，一方面继续将营销工具做的更深，不仅仅是微品牌、微信公众号的形式，还可以在商户之间的异业合作、C端流量导入等方面开发创新产品；另一方面在供应链的部分，会在为商家增加收入的角度寻求新的突破点。
无论是营销还是管理工具，最后很容易形成同质化的竞争，这就要看团队的产品创新能力以及对行业的理解程度。
团队方面，创始人楼晶曾创立并管理近20家门店的高端连锁SPA品牌10余年，具有丰富的美业营销及管理经验；CMO汤楠07年入职大众点评，负责商户推广及管理，点评丽人事业部开拓者；CTO韦永宁有近20年的技术研发及管理经验，在CRM领域深耕多年，曾为工商银行、中国人寿、海尔等数十个大型客户提供CRM方案咨询及项目交付服务；曾任中国惠普企业服务部咨询及应用开发部门技术总监。
在美业SaaS领域，36氪报道过的公司还有博卡、喔噻、门庭管店、美约汇、美丽加、美克拉、点美、美业邦等。

人脸识别的时候，问题的难度便呈几何级增长

在电影中无人机轻松识别主角看似简单，其实技术含量不低。这其中主要涉及了视频图像防抖动技术、视频跟踪技术、视频图像人脸检测技术、视频图像人脸识别技术（可以是前端的小型分类器识别，也可以是传回后台进行深度神经网络模型识别）、人体动态识别技术、无人智能集群技术、图像无线通讯传输技术。
无人机的其他表现如持续射击、装载小型火箭弹，我们暂且不作分析，但人脸识别技术是否能够达到如影片中的技术水准，本文为你解答人脸识别技术的秘密。

真实世界的人脸识别

据雷锋网报道，目前基于相关技术的无人机虽然已经有了一些跟踪、打击犯罪、恐怖分子的能力，但还不足以识别人脸、精确打击。零度智控CEO杨建军解释说，在夜晚环境中，加配人脸识别的无人机想要拍摄到人体必须在50米以内，如要要看清人脸必须在15米以内，这种应用不太适合旋翼机，更适合中高空固定翼侦察机。但他同时判断，这肯定是未来无人机发展的趋势之一。
如果利用无人机单纯识别人脸的话，有个直观的对比。自动驾驶车辆车载前置相机识别红绿灯，如果汽车前置相机离红灯10米开外的话，红绿灯在相机中所占的像素就非常少，尤其下采样后，也就是几十个pixel(甚至更少)，如果超过20米、30米或者更远，在像素点更少的情况下，很难通过像素点去识别灯光；
同理，在实际生活中，无人机在几十米开外很难识别人类面部具体的细节特征；另外无人机的拍摄高度远高于一般监控镜头的设置高度，要拍摄清晰的人脸影像殊不容易；再者无人机机载嵌入式芯片因为考虑的因素众多，会首选低功耗，因此用的多的也是Xilinx ZQNQ的芯片、ZYNQ的性能，所以即使跑AlexNet的256*256这种量级都跑不到实时。
大华股份解决方案工程师张生强则表示，在对于距离远造成的像素点降低的问题，大华有了合理的处理方案。但大华无人机在加配人脸识别时也遇到了一些问题，主要是人脸获取的有效性。他解释说，一般人脸识别相机都是安装在车站、机场等通道或者是入口处，拍摄的角度都是固定的，对于人脸的采集成功率比较高，但是无人机拍摄的画面和角度都是不固定的，最开始的视角不一定能刚好拍到正面人像，需要不断机动飞行。

人脸识别技术的学习方法

人脸识别是计算机视觉研究领域的一个热点，研究领域非常广泛。对于人脸样本的获取来进行算法学习至关重要，以下以在LFW数据集上（Labeled Faces in the Wild）获得优秀结果的方法和采用深度学习的方法来进行分析。
LFW数据集（Labeled Faces in the Wild）是目前用得最多的人脸图像数据库。该数据库共13233幅图像，共5749个人，其中1680人有两幅及以上的图像，4069人只有一幅图像。图像为250*250大小的JPEG格式。绝大多数为彩色图，少数为灰度图。该数据库采集的是自然条件下人脸图片，目的是提高自然条件下人脸识别的精度。
识别算法要完成的工作是人脸验证（Face verification），即判断给定的两张图片（一对）中的人脸是否来自同一个人。
LFW将数据集分作两大块，用做供研究人员选择其算法模型所用，包括一个训练集和一个测试集，不管是训练集还是测试集，其图片都是由M对来自同一人脸的图像和N对来自不同人脸的图像构成；当确定了模型后，算法将在[View 2]上实验，[View 2]包含10个子集，每个子集构成规则同刚讲到的训练集或测试集，实验过程大抵为：
A、每次从10个子集中选一个做为测试集，其余9个做为训练集；
B、通过训练集确定模型的参数；
C、对测试集进行预测；
D、计算预测的准确度；
进行十次之后，平均的准确度即为该算法在LFW上的识别准确度，GaussianFace的98.52%即是如此计算的。

训练集示例

人类在LFW数据集上的识别精度

八种人脸识别学习方法

1，face++(0.9950)
参考文献：Naive-Deep face Recognition: Touching the Limit of LFWBenchmark or Not?
face++从网络上搜集了5million张人脸图片用于训练深度卷积神经网络模型，在LFW数据集上准确率非常高。该篇文章的网路模型很常规（常规深度卷积神经网络模型），但是提出的问题是值得参考的。
问题一：他们的Megvii Face Recognition System经过训练后，在LFW数据集上达到了0.995的准确率。在真实场景测试中（Chinese ID （CHID）），该系统的假阳性率非常低。但是，真阳性率仅为0.66，没有达到真实场景应用要求。其中，年龄差异（包括intra-variation：同一个人，不同年龄照片；以及inter-variation：不同人，不同年龄照片）是影响模型准确率原因之一。而在该测试标准(CHID)下，人类表现的准确率大于0.90.
在CHID中出错的样本
问题二：数据采集偏差。基于网络采集的人脸数据集存在偏差。这些偏差表现在：1，个体之间照片数量差异很大；2，大部分采集的照片都是：微笑，化妆，年轻，漂亮的图片。因此，尽管系统在LFW数据集上有高准确率，在现实场景中准确率很低。
问题三：模型测试加阳性率非常低，但是现实应用中，人们更关注真阳性率。
问题四：人脸图片的角度，光线，闭合（开口、闭口）和年龄等差异相互的作用，导致人脸识别系统现实应用准确率很低。
2，DeepFace（0.9735 ）
参考文献：Deepface: Closing the gap to humal-level performance in faceverification
常规人脸识别流程是：人脸检测-对齐-表达-分类。本文中，我们通过额外的3d模型改进了人脸对齐的方法。然后，通过基于4million人脸图像（4000个个体）训练的一个9层的人工神经网络来进行人脸特征表达。模型在LFW数据集上取得了0.9735的准确率。
3，FR+FCN（0.9645 ）
参考文献：Recover Canonical-View Faces in the Wild with Deep NeuralNetworks
自然条件下，因为角度，光线，occlusions（咬合/张口闭口），低分辨率等原因，使人脸图像在个体之间有很大的差异，影响到人脸识别的广泛应用。本文提出了一种新的深度学习模型，可以学习人脸图像看不见的一面。因此，模型可以在保持个体之间的差异的同时，极大的减少单个个体人脸图像（同一人，不同图片）之间的差异。与当前使用2d环境或者3d信息来进行人脸重建的方法不同，该方法直接从人脸图像之中学习到图像中的规则观察体（canonical view，标准正面人脸图像）。作者开发了一种从个体照片中自动选择/合成canonical-view的方法。在应用方面，该人脸恢复方法已经应用于人脸核实。
4，DeepID（0.9745 ）
参考文献：DeepID3: Face Recognition with Very Deep Neural Network
深度学习在人脸识别领域的应用提高了人脸识别准确率。本文使用了两种深度神经网络框架（VGG net 和GoogleLeNet）来进行人脸识别。两种框架ensemble结果在LFW数据集上可以达到0.9745的准确率。文章获得高准确率主要归功于大量的训练数据，文章的亮点仅在于测试了两种深度卷积神经网络框架。

两种深度卷积神经网络框架

5，FaceNet(0.9963)
参考文献：FaceNet: A Unified Embedding for Face Recognition andClustering
作者开发了一个新的人脸识别系统：FaceNet，可以直接将人脸图像映射到欧几里得空间，空间的距离代表了人脸图像的相似性。只要该映射空间生成，人脸识别，验证和聚类等任务就可以轻松完成。该方法是基于深度卷积神经网络，在LFW数据集上，准确率为0.9963，在YouTube Faces DB数据集上，准确率为0.9512。FaceNet的核心是百万级的训练数据以及 triplet loss。

6，baidu的方法
参考文献：Targeting Ultimate Accuracy : Face Recognition via DeepEmbedding
本文中，作者提出了一种两步学习方法，结合mutil-patch deep CNN和deep metric learning，实现脸部特征提取和识别。通过1.2million（18000个个体）的训练集训练，该方法在LFW数据集上取得了0.9977的成绩。
人脸不同区域通过深度卷积神经网络分别进行特征提取

multi-patch示意图

深度卷积神经网络提取的特征再经过metric learning将维度降低到128维度

metric learning示意图

7,pose+shape+expression augmentation（0.9807）
参考文章：Do We Really Need to Collect Millions of Faces for EffectiveFace Recognition
该文章的主要思路是对数据集进行扩增（data augmentation）。CNN深度学习模型，比如face++，DeepID，FaceNet等需要基于百万级人脸图像的训练才能达到高精度。而搜集百万级人脸数据所耗费的人力，物力，财力是很大的，所以商业公司使用的图像数据库是不公开的。
本文中，采用了新的人脸数据扩增方法。对现有公共数据库人脸图像，从pose，shape和expression三个方面合成新的人脸图像，极大的扩增数据量。在LFW和IJB-A数据集上取得了和百万级人脸数据训练一样好的结果。该文章的思路很好，适合普通研究者。

pose（角度）生成示意图

不同脸型生成示意图

8, CNN-3DMM estimation(0.9235)
参考文献：Regressing Robust and Discriminative 3D Morphable Models with avery Deep Neural Network(推荐阅读原文)
当在真实场景中应用3d模拟来增加人脸识别精度，存在两类问题：要么3d模拟不稳定，导致同一个个体的3d模拟差异较大；要么过于泛化，导致大部分合成的图片都类似。因此，作者研究了一种鲁棒的三维可变人脸模型（3D morphable face models (3DMM)）生成方法，采用了卷积神经网络（CNN）来根据输入照片来调节三维人脸模型的脸型和纹理参数。该方法可以用来生成大量的标记样本。该方法在MICC数据集上进行了测试，精确度为state of the art 。与3d-3d人脸比对流程相结合，作者在LFW，YTF和IJB-A数据集上与当前最好成绩持平。文章的关键点有两个：一，3D重建模型训练数据获取；二，3D重建模型训练。

YTF和IJB-A测试结果

上述方法可以分为两大类：
第一类：face++，DeepFace，DeepID，FaceNet和baidu。他们方法的核心是搜集大数据，通过更多更全的数据集让模型学会去识别人脸的多样性。这类方法适合百度/腾讯/谷歌等大企业，未来可以搜集更多更全的训练数据集。数据集包扩同一个体不同年龄段的照片，不同人种的照片，不同类型（美丑等）。通过更全面的数据，提高模型对现场应用中人脸差异的适应能力。
第二类：FR+FCN，pose+shape+expression augmentation和CNN-3DMM estimation。这类方法采用的是合成的思路，通过3D模型等合成不同类型的人脸，增加数据集。这类方法操作成本更低，更适合推广。其中，特别是CNN-3DMM estimation，作者做了非常出色的工作，同时提供了源码，可以进一步参考和深度研究。

上述方法在理想条件下的人脸识别精确度已经达到或者超越人类的表现。但是，由于光线，角度，表情，年龄等多种因素，导致人脸识别技术无法在现实生活中广泛应用。未来研究中，不管哪种思路，均是提高模型对现场复杂环境的适应能力，在复杂环境中，也能达到人类识别的精确度。
总之，目前的人脸识别应用并不能普及化地被识别对象放置于生活场景的应用，而且不容许被动失败。这样应用中，大家当然觉得人脸识别还挺成熟。但当我们考虑到全网人脸搜索，SNS上人脸识别的时候，问题的难度便呈几何级增长。
部分内容引用自雷锋网，作者：张栋
作者：狗头山人七

避免麻烦的最好方法之一就是使之简单化

编者按：商业问题层出不穷，但很多都是自己给自己造成的。本文作者 Jason Fried 是 Basecamp 的创始人和 CEO，在文中，他提出，通过提前避免各种问题，可以省去不少后顾之忧。

避免麻烦的最好方法之一就是使之简单化。当你把它弄得复杂无比的时候——每个部门只有几个高层能假装自己理解了——你经常会发现，那些高层根本没弄明白……整个系统就会失控。—— Charlie Munger

许多商业问题都是自己造成的，许多伤口也是自己造成的。我们可以赢得竞争，但更多情况下，却败给了自己。
企业家真的很擅长自己给自己找麻烦。我经常同他们交谈，这种情况处处可见。如果他们能把更多的精力放在避免未来的麻烦，而不是解决之前给自己现在造成的问题，那么他们一定会在更短的时间内取得更大的进步。
我们都是通过避免问题创办业务。这就是我们在自己的行业中，能 18 年如一日坚持下去，拥有小团队，并且能够盈利的最根本的原因。无论何时，我们做出重大决定时，我们都是在考虑未来成本的前提下做出的。也就是说，如果我们今天这样做的话，公司未来会糟到何种程度？
我们不看攻坚克难后的荣耀，更愿意走那条显而易见的道路，避免所有可预见的问题。
比如说，我们会避免以下问题：

避免扩张

我们有意保持 Basecamp 小规模，我们为超过 10 万的付费用户提供优质服务，拥有几百万个人用户，但员工只有 50 多人。小公司会避免大公司的问题——小公司所需的管理更少，层级分工也更少，更不容易因为上传下达造成误解，公司瓶颈以及纷繁复杂的办事审批流程也大大少于大公司。公司规模小，办事更为直接，每个人也都能离客户更近。当然，也有一些小公司做不到大公司所能做的，但是我们觉得那是好事一桩。

避免大规模团队

我们有意使公司保持小规模，将团队保持在更小的规模。我们在 Basecamp 工作的每一个项目几乎都是由一个三人以下的团队完成的（两位程序员，一名设计师）。 有许多项目只有两人团队（一个程序员，一个设计师），还有几个是只有一个人完成（一名程序员或者一名设计师）。我们会用大规模一点的团队处理更大的问题吗？也许吧——但是我们可会因为更大规模的团队造成更大的问题。这对我们来说并不值得。我们乐于用小规模的团队去完成小型项目。我们也可以完成任何我们想要完成的事情——只不过规模较小而已。团队规模小，在这过程中修正起来就更容易。坦白来讲，不管做什么，小规模团队都不失为一个好方法。

避免长线投资

没有什么比放长线却钓不到鱼更让人沮丧的了。虽然有些基础设施项目的截止日期不太确定，但是基本上我们做的所有的项目都可以在六星期的周期内完成。许多项目会有意做的很小，几天或者几个星期就能结束了。所以即使我们最终花了六个星期，完成的结果并不是很满意，我们搭上的就是六个星期而已。 “项目规模如此巨大，不可能失手”或者“项目说完成还不就完成了”，这些项目通常都要花六个月、八个月、一年甚至更长……等到项目真正完成的时候你也不太可能就拍拍屁股走人，轻易离开。长期项目是埋葬士气的坟墓。

避免计划和承诺

与上一点相似，我们很少看顾六星期以外的事情。对于公司走向何方，我们大体上在头脑中会有大的图景，但是很少会写下来，只是一个口头非官方的传统。我们很少会对未来做出承诺，因为这是造成你头疼和痛苦的一大来源。对于将来的事，我们很容易就点头称是，因为它又不需要你现在做什么。但是随着时间一点点过去，你便不太想去完成你很久之前承诺过的事情。过去的承诺是企业中诸多问题的起源。对于这类承诺，我们就像对待瘟疫一样，唯恐避之不及。

避免规模

规模！规模！每个人都想扩大规模！我们不想！我们努力避免那些需要规模才能取得成功的事情。我们做的是任何规模都能成功的事——无论大小。对于大多数公司来说，扩张是“经济现在不景气但最终会的”的同义词。不要走在滑雪板的前面——有多少资源走多少路。你要在你现有的客户中尽可能盈利，而不是在你想象的客户群中。

避免“截肢日期”

我们有截止日期，但避免“截肢日期”。“截肢日期”完全不在乎你累成什么狗样，不断让你冲刺，但是却一再给你错误的终点线，这不是你期望的。比起到不了终点更绝望的是你看到了终点，却不相信这是终点。“他们肯定还会往后推的”，“我们肯定没法如期完成”。负能量堆积，质量下降，人们更有兴趣看它最后一下圆满完成，而不是看着它一点点做好。当你不断落后于预定计划，乐趣也就没了。

避免沟通不畅

公司没有沟通问题，他们有的只是错误沟通的问题。在一个对话中，每多增加一个人，都会大大增加错误沟通出现的可能性。正如 Osmo Wiio 所说，除了意外情况，沟通通常会失败。小公司和小团队本身就比大公司和大团队更具有沟通优势。当然两个人也会误解彼此，但这是看几率的事儿——小团队、小团体和小公司在正确传达信息这件事上比大公司的几率要高的多得多。

避免合伙

大公司一直在呼唤我们，想与我们建立伙伴关系。“我们寻思着你们愿不愿意与我们合伙去做……”这是个非常危险的信号。早期的时候我们跟随着这些信号走，但往往走进死胡同，大大浪费了时间。这在大型公司想要与小型公司合作这种不平衡的情况下尤其如此。各种情况下都考虑进去，对于小公司来说，工程量巨大，对于大公司人数众多的商业开发人员来说，只是一休休的工作量，他们都不需要去负责落实工作。避免合伙关系！

避免瓶颈

我们避免任何阻止信息流动以及阻塞进程的事情。我们不会设置那些需要许可的管理结构或政策。只要你要做的不会破坏公司发展，那就放手去做。人力、流程、笔头工作以及许可都会是瓶颈的形式。我们宁愿事情顺利进行，而不是走一步停一步、验证一下。当然，确实有些事会出错，但只是一少部分，绝大部分事情都会朝着正确的方向前进，不用担心。
这个比喻可能不太恰当，但我还是说一下—……这就像你吃完饭刷碗一样。如果你吃完之后就立马收拾好碗筷，你之后就不用再打扫了，可以免去之后的麻烦和多余的工作量。如果你吃完饭，就把一摞脏盘子留在那儿，以后再清理，你实际上就给自己制造了更多的工作量——或者说给别人制造了更多工作量。食物变干结块更难清理。这样，你就增加了本应该完成工作的难度。此外，一摞挺吓人的——一摞会变成一堆，因为没人愿意去收拾。多加一个脏盘子怎么了？我就把它扔在这儿。但是你如果吃完就收拾干净，会更快，这是吃的一部分（而不是单独清理），你也不用再回头做这种工作——因为工作已经完成了。未来是自由而清晰的。
不要在工作中留下脏盘子。

能匹配照片的约会APP：追不到女神，找个跟她长得像的呗？| 发现

编者按：如何才能在网上约会APP中迅速找到自己心动的人？John Paul Titlow 日前在 Fast Company 上发表了题为“This Dating App Lets You Skip Right To The Ryan Gosling Lookalikes”的文章，介绍了一款名为Badoo的约会应用。
现在，很多网上约会APP都采取的是“左滑感兴趣，右滑不感兴趣”的套路，需要用户在海量的网友图片中进行选择。试想，只要不是那些无脑喜欢网红脸的人，想要寻找到自己喜欢的人又谈何容易，耗费大量的时间不说，也会消磨掉自己的耐心。于是有人想：为什么不能依托AI算法，直接精确定位找到用户喜欢的人呢？
Badoo是一个拥有6000万全球用户的英国约会应用程序，最近推出了一个“外观”功能，可让您用户根据他们设定的条件来搜索合适的人。条件可以包括长得像某名人、长得像自己公司的“司花”或者任何人; 该应用程序可以让用户上传任何想要的人的照片，以此来找到匹配的照片，使用图像识别技术，Badoo将尽力向用户展示与用户的要求相似的脸孔。
Badoo的图像匹配技术可以识别160种不同的面部特征，如下巴尺寸、眉毛、头发颜色以及眼睛之间的距离，提取这些细节，并为每个脸部分配一个独特的数字组合。然后，该系统使用这些数字在Badoo上的数百万图像中找到最佳匹配。
该网站预装了几个可识别的面孔可供选择。只要你愿意，你可以搜索看起来像贾斯汀·比伯或杰西卡·阿尔芭的人（或者长得像林志玲和波多野结衣的人？！）或者出于好奇，你可以搜索一个长得像唐纳德·特朗普的可怜人。
除了让用户上传任何人的照片之外，Badoo还会连接到用户的Facebook帐户，以便用户可以找到像他的朋友、同事、家庭成员以及高中同学的人。
有些人认为，这是一个很酷的创新，也有人对此感到不安。但是考虑到每天在约会应用程序中发生的所有奇怪的、令人不快的垃圾事儿，这又能有多糟糕呢？不过，如果我未来的妻子是在这个APP上按照某个高中同学搜索，然后找到了我的话……作为一个备胎，我心情的确不会太好。
想要试一下吗？点击这里可以进入。

学生今天学的知识，到了他们四十岁时会变得毫无用处。 那我们应该教给孩子什么？我的建议是专注韧性和情商的培育。

Q：你在采访中提到，在 AI 的时代，人必须紧守情商（Emotional intelligence）与韧性（Resilience），才能赢得与机器的战争。可以展开来谈谈吗？
A：2040 年的就业市场是什么样的？我们可以确定的是大批现有的职业会消失，但会出现什么新的工种？没有人知道。因此，我们也不知道应该教给孩子什么知识，才能让他们在二十年后保持竞争力。很有可能的是，学生今天学的知识，到了他们四十岁时会变得毫无用处。
那我们应该教给孩子什么？我的建议是专注韧性和情商的培育。在过去，人的生命被分为两个部分：前半生的主要任务是学习，后半生则是工作谋生。在学习的阶段中，人逐步塑造稳定的身份认同，学习个人、职业技能。而到了工作阶段，我们以身份认同、技能为出发点，对世界进行探索，获得财富并对社会做出贡献。
到了 2040 年，这样的模型将会不复存在。人必须将学习贯穿终生，不断升级（reinvent themselves），才能不被出局。因此，我们必须培养孩子这样的技能，让他们可以不断获取新知识——即便到了 60 岁，还具备升级的能力。
然而，改变是很困难的。尤其是到了一定年纪后，大多数人开始拒绝改变。当一个人 16 岁的时候，他的人生主题就是改变——身体、精神、人际关系都在升级。但到了 40 岁，他不希望改变了，而是要稳定。
但在 21 世纪，稳定可谓一种奢侈品。如果你守着一种固定的身份、职业、世界观而不变化，你就会被世界抛弃。因此，人类需要极高的韧性、情商，才能驶过这场永不结束的风暴，而不被压力击垮。
问题是，教师们对于教授数学知识很擅长，但对于情商、韧性的培育则近乎束手无策。诞生于 19 世纪工业革命的教育体系，包括读书、听课，在这一方面用处有限。可以预见的是，在 AI 时代，这种体系必将破产。
对于 16 岁的孩子，我有些建议给他们：不要轻信大人。在过去，听信他们是一个安全的选择，因为他们更了解这个缓慢前行的世界。但到了 21 世纪，一切都将不同。大人们学到的经济、政治、人际关系知识，可能已经过时了。
也不要轻信科技。让科技服务你，而不是你服务它。如果不当心的话，科技会开始支配你的意志，将你纳入它的范式中加以奴役。因此，你一定要比别人、比机器更了解自己，了解你此生真正想要的东西。正如刻在阿波罗神庙上的箴言一样，“Know thyself（认识你自己）”。
这句话已经流传了两千多年，但对于 21 世纪的人类拥有比以往更重大的意义。因为人类将进入一场巨大的竞赛：一方是独立个体，另一方则是 Google、Facebook、Amazon，甚至是利用大数据技术监视你的政府。一旦 Google 比你自己更了解你，它就可能开始控制甚至操纵你。如果你不想出局，就一定要比 Google 跑得更快。加油！

冥想让我认识到，我所遭受的苦难都来自于我自己的想法。

Q：你曾在多个场合提到冥想对你影响重大。可否谈谈你对冥想的理解？你觉得冥想是一种适合大多数人的体验吗？
A：相比科技工具，冥想让我从过载的信息中抽脱出来，得以观察并思考真正重要的事情。这才是认清世界本质的最好方式。如果我没有练习过冥想，是断然无法写出《人类简史》与《未来简史》这两本书的。
我年轻的时候一直饱受困扰：为什么这个世界以及我的生命中，会有如此多的痛苦；我们要如何做才能从中解脱。大脑产生痛苦体验的机制十分复杂，以至于至今科学研究也没有给我们直接的答案。我们唯一能做的是观察自己的内心（mind）。虽然任何有过关相关尝试的人都会告诉你，这真的很难。
冥想让我认识到，我所遭受的苦难都来自于我自己的想法。当我想要某物而不得的时候，大脑就会产生痛苦的体验作为反应。这一痛苦的来源并非是真实世界。内观冥想可以教会人们客观地观察身体感受，以及内心对其反应的方法，从而解开我们最深层次的精神模式（mental pattern）。
冥想是每个人都可以尝试的事情。它并不需要任何经验，也不要要求智力超群。只不过这并非一场容易的修炼。