-
硅谷
硅谷“就业改革”：重塑无形之手，求职者做主人
编者注：投了上百份简历却都石沉大海，面试时一遍一遍地做着跟应聘职位毫不相干的测试，公司毫无人性想辞职却怕成为无业游民，我相信大多数人都有这样的经历，愤懑又无奈。同样是市场，为什么我们的劳动力市场就不能像其他市场一样快速有效呢？一切问题都在说明，当前的劳动力市场亟需改革！
工作是经济的命脉。无论是个体经营还是在公司就职，劳动者需要持续稳定的收入来购买生活必需品和其他消费品。当工作机会充裕时，求职者和雇主之间的冲突会相应减少，工资发放更加稳定及时。
著名经济学家亚当·斯密提出，在资本主义市场中，有一双“看不见的手”在暗中调控整个市场。每个人可以不受影响地以追求自身的利益最大化为原则做出决策，生产者提供商品和服务，消费者购买这些商品和服务，市场就在供给和需求之间，根据价格的自然波动，引导资源向着最有效率的方面配置。
而在劳动力市场上，同样有一双“看不见的手”。劳动报酬和求职者的能力挂钩，雇主竞相争夺满足职位需求的人才。如果因为某个优秀人才的到来，公司能够创造更多的利润，那么理论上来讲，公司需要给他支付更多的奖励，然后才能挖走这位人才。
但是以上假设仅限于理论范畴。实际上，劳动力市场中充满了粘性摩擦，持续困扰着人力资源经理和求职者。即使在社会经济的黄金时期，从开始找工作到找到稳定理想的工作，仍需要耗费几周的时间（当然，这其中还没有算上试用期的这段时间）。在那些经济稍微不景气的时期，几周时间可能会变成几个月甚至几年，从而导致总有一批失业人员无法找到理想的工作。
劳动力市场中的粘性摩擦到底是个怎样的概念？要理解之，只需把极其便捷简单的购物和漫长的招聘放在一起比较一下，尤其是相比后者，前者的便捷化早在几年前就已经实现。如今只需要点击几下鼠标就能在亚马逊上购买一件商品，并且商品如期送货上门，售后服务无比周到，毫无后顾之忧。
显然跟商品市场相比，劳动力市场似乎卡在了亚当·斯密的经济理论时代，走不出来了。几十年前，我们用简历和求职信找工作，几十年后依然如此。投完简历后还要面试，即使不断有数据显示这些陈旧的做法并不能准确的评估一个求职者的能力。坦白地说，这么些年来，整个求职过程中最大的改进就是引入了机器筛选简历，但是除了多敲打几下键盘和其他一些没有意义的操作之外，这些改进对提高招聘流程的效率没有实质性的帮助。
简而言之，劳动力市场中的这双“看不见的手”已经“残疾”多年，只是我们还未完全意识到而已。原因在于，劳动力市场太稀疏——劳动力数量有限，雇主更有限。这又导致了算法市场变得尤其重要。创业公司彻底转变了劳动力市场的本质，也改变了一贯以来人们对就业和收入保障的重要性的看法。在这个过程中，创业公司不仅仅使得我们的经济更加高效，也提高了劳动者的生活水平。
工作保障和密集型劳动力市场
为了理清楚我们的劳动力市场转型的来龙去脉，更好地理解其发展过程，我们势必需要仔细回顾一番劳动力市场的过去历史。过去几个世纪里，土地是人们赖以生存的资源。自罗马帝国衰落之后，几乎每一个人欧洲人的生活都离不开土地——无论是直接在土地上劳作的，还是坐等土地耕耘收获果实的封建领主，土地都至关重要。
在当时的情况下，工作保障与现代人的认知完全是两个概念。那时候，收入就是收获的农作物，气候模式的多变可以带来农作物的丰收也可能导致颗粒无收。虽然的确有一些缓冲灾难的办法，但是严重的情况下最终还是会导致大部分精打细算的家庭面临严峻的经济危机。
城市的兴起逐渐改变了这一状况。第一次，劳动者可以自由选择职业，从脸朝黄土背朝天的传统工作中解放出来。然而，这些新兴的市场十分基础，发展也十分缓慢，几个世纪来几乎没有变化直到十九世纪初工业时代快速崛起才引起了进一步的转变。接下来的时间里，就是我们所熟悉的现代劳动概念逐渐稳步形成。
现代劳动概念的特点有哪些呢？首先，一个安全稳定的工作环境是现代工作环境的最主要因素之一，其次还包括了各种休息机制，比如周末和法定假期。但是现代劳动力市场发展的一个最重要的进步应该是针对劳动者解雇的保护。无论是任期内的相关法律、反歧视法、人力资源条例、法律诉讼还是其他有关机构，保护劳动者不被无故解雇毫无疑问是近两百年来劳动者为自己争取到的最大权益。
先前我已顺便提到过保护劳动者解雇权益的原因。因为劳动力市场充满了摩擦，也就是说一旦丢了工作很有可能就会影响到整个家庭的财务状况。又因为找到一份新工作通常需要花上几周或者几个月的时间，所以劳动者在一般情况下会更倾向于保住当前的工作。随着过去几十年里，美国政府不断减少就业保护措施，很多家庭都依靠双收入来维持家庭收支平衡。总之，在目前的劳动力市场中，所谓的工作保障就是尽量避免换工作。
从根本上来说，问题在于市场的“密集度”。我们可以这么来理解市场的密集度，就是在同一个市场中，购买者和销售者的人数相当。当消费者和生产者的人数都有限时，市场的价格很难界定，因此交易也不容易完成。当双方的人数都大幅度增加时，市场信息充裕，因此市场的运作也就更加高效，对价格的反应更迅速。这也就是为什么买衣服比买房子容易得多——高昂的房屋价格导致了交易量不足，没有足够的交易量提供市场信息也就意味着买卖双方无法充分了解市场，不能顺利地完成交易。
同样的问题在劳动力市场中显得更加尖锐。只有在为数不多的科技领域，员工才有很高的流动性，而在大多数企业中，招聘流程很难说是十分完善的。其结果就是导致劳动力市场十分稀疏，只有少数的劳动者从这个公司跳槽到另一个公司，为后续的求职者提供当前的求职信息。在这些企业中，不管是美国还是世界上任何一个地方，我们只有一个目标，那就是尽量维持就业稳定，避免求助于劳动力市场。一直以来我们不断地努力改变，却鲜有成效。
拥有密集型劳动力市场后，我们将面临什么状况？
说一点进步也没有好像有点太消极，但事实就是我们做出的大部分努力都一无用处。如果你好奇密集型劳动力市场会是个什么样子，不妨参考一下服务型行业，比如食品制备和房屋维修。感谢人们的不断创新——例如加盟连锁，以及不断增加的独立承包商条款，现在这些劳动者早已不再像以前那样有各种各样的劳动保护了，并且越来越多的摩擦不断充斥着劳动力市场。但事实上这并不是真正意义上的密集型劳动力市场，它只是有点“密集”而已。
在这个劳动力市场上，雇主在招聘过程中拥有绝对的优势，因此对于求职者来说很难去要求一份可观的收入和稳定的工作安排。服务行业的工作人员的工作时间可以在任何时候，并且每周都是如此，这对工作安排和照顾家庭带来了诸多问题。然而尽管问题重重，考虑到他们本身的生活已经十分拮据，这些劳动者根本无暇去思考换一份工作。
我们可以看到就业不平等的数据统计也清楚地反映出了以上种种趋势，媒体和学术界在过去的几年里也一直在关注讨论此类问题。以往有着较好的工作保障和体面收入的中产阶级工作现在正逐渐丧失其地位，被低收入和无保障的劳动合同所取代。财富不断累积在少数人的手中，而中产阶级的后代们却慢慢发现不断被挖空的美国经济正将他们赶向经济体系的底端。
最终的结果就是导致类似“占领华尔街”一类的群众运动，要求企业改善员工待遇。回顾上世纪六七十年代，不断恶化的工作待遇激起了人们对过去良好的工作环境的渴求，在那之前，劳动者的权益能够得到极大的保障（女性的劳动权益当然也有保障）。这一时期的所有运动的目的都只有一个：他们希望从变幻莫测的市场中得到应有保障，他们希望在这个经济体系中每个人都能得到公平公正的对待。
这的确是一个可行的办法。但是如果说借鉴过去并不能真正地解决当前的问题呢？如果我们真正地建立起一个密集型劳动力市场，且不存在任何粘性摩擦，又将会是怎样一番情景呢？
还是拿服务行业为例，一个服务行业的工作人员不愿轻易跳槽的原因在于他们急需按时支付的报酬来保证他们的生活稳定。另一方面，随时都有可能变动的工作日程也使得他们很难抽出时间应付各类工作面试。
但如果是在密集型劳动力市场，原本没有时间面试的劳动者很快就可以获悉最新的招聘信息，寻找更好的就业机会，也不用担心劳动报酬的问题，因为市场有足够的信息为每一个求职者提供工资参照，而且工作时间也同样会说清楚。如果我们的劳动力市场足够密集，劳动者甚至可以今天辞职明天就到新的公司就职。比如在硅谷，早上还在给Google打工的某个软件工程师，下午就成了Facebook的一员。以后，不只是在硅谷，任何地点，任何求职者，都将有能力做到这一点。
这样一来，曾经在服务行业饱受不公待遇的工作者将最终有能力对雇主说不，一旦雇主反复无常提出无理要求他们马上可以炒了老板的鱿鱼，丰富的就业信息让他们再无找不到工作的担忧。而对于雇主来说，他们不得不面对自己在招聘过程中的优势不断减少的事实，并且还需要给员工提供合理的保障和报酬，否则他们只能是光杆司令一个了。
于是突然之间，工作保障不再是尽量避免换工作，相反人们更欢迎以换工作的方式找到更好更合适的工作。比起任何法律法规所能提供的保障，知道永远有下一份工作等着你，更能够缓解劳动者的心理压力。而且也让未来的准妈妈也可以放心地在家休息不用担心宝宝出生后自己却丢了饭碗。
不仅是工作保障得到提升，工作灵活度也随之有了很大的提高。密集型劳动力市场也给人们的工作日程安排和工作时间带来了更大的灵活性。那些想在周三休息的工作人员现在大可以放心的休息，因为市场中的那双“看不见的手”很快就可以找到另外一个员工来补班。类似的，那些多出一两个小时的劳动者也可以在这段时间找些兼职工作赚点额外收入。
虽然所有这些假设听起来十分美好，但是一个显著的问题是：只有当价格机制完全取决于市场动态时，市场才是有效的市场。也就意味着，除非达到一个平衡点，否则劳动报酬会一直上下波动。所以根据市场决定价格的理论，你就会发现当一大批劳动者涌入某个容易找到就业机会的服务行业，原本诱人的劳动报酬马上就会一落千丈。
这是一个非常明显且至关重要的问题，但同时以上假设也有一个严重的漏洞：所有数据都来自稀疏型劳动力市场，而非我们假设的密集型劳动力市场。在密集型劳动力市场上，雇主不太可能拖欠劳动者报酬，因为他们也需要为自己建立良好的信誉——否则他们将会被市场淘汰。第一次招聘的时候，雇主之间很可能需要展开激烈的竞争才能获得优秀的劳动者，因为劳动者很有可能会因为报酬没有吸引力而寻找其他就业机会。也许最好的方面在于，消费者将会十分清楚个体公司的普遍薪酬标准，因为市场不会替任何人保密，它会把所有信息传递给每一个市场参与者。这些强有力的因素势必会促使薪酬不断上涨。
总而言之，我们不应该以目前的劳动力市场形势来推测密集型劳动力市场的可能情形。首先这完全是两种不同的市场，并且后者的工作保障也大大地优于我们目前的模型。诚然，薪酬是一个重要的考虑因素，但我们绝不能轻易地以破坏薪酬标准的理由否定密集型劳动力市场。我们应该知道在密集型劳动力市场中还有其他的因素和力量将会驱使劳动报酬不断提高。
重塑无形之手
其实在硅谷，密集型劳动力市场早已不是陌生概念——以移动应用程序链接乘客与司机、提供及时租车及实时共乘服务的著名创业公司Uber就是一个极好的例子。根据Uber内部的数据显示，Uber已经为劳动者创造了16万份灵活的工作，将来还会有更多的工作机会。但是Uber仍然只是庞大的劳动力市场中的一小部分，它的力量根本不足以改变整个劳动力市场。
密集型劳动力市场的想法可能带有一些理想化。因为我们无法预知其带来的影响——市场的运作是极其复杂的，如果不能事先预测未来发展趋势并做好应急准备，一旦市场出现突发状况我们很难及时应对。
即便如此，我们仍然可以期待科技和创业公司正不断努力把就业市场变得更加流畅没有摩擦。更科学的算法可以瞬间把最佳员工和雇主匹配起来，声誉系统也有助于提高劳动者对工作的忠实度（当然雇主也需要提高自己的责任心）。
也有反对的声音认为用算法匹配工作是将劳动者商品化，无视了人性，对此我非常地不能认同。反观是我们目前的招聘系统，才是真正的非人性化。无论是投了上百份简历却全部都石沉大海，还是在面试过程中一遍一遍地做着跟应聘职位毫不相干的测试，都应证了目前的招聘系统非常非常的不人性化。
一句话，密集型劳动力市场将是一个令人难以置信的进步。我希望在未来，人们找工作可以像在亚马逊上购买袜子一样简单，只需点击一下鼠标，就可以在20分后走马上任。当未来的技术可以实现所有这些美好愿景时，我们的劳动者将会迎来更加自由美好的生活。这才是真正意义上的就业改革！
Source：TC
-
硅谷
硅谷观察之大数据篇（完整版）
【上篇：挖掘机和“改变世界的”大数据公司们】
硅谷的这一个月，我在 startups demo days 和各种大公司一日游中度日，以为会逃脱国内各种会上各种“大数据”和挖掘机的梗，但万万没想到这里更甚。Hi~ 本文发自仅次于五道口的宇宙中心硅谷，与你分享大数据在这片土地上的真实生长状况。
什么是“改变世界”的大数据公司
近两周硅谷两场规模比较大的 demo 大会上，就有十多家自称做大数据的 startups，有做消费者行为的，有做体育分析的，有做 NGO 融资的，有做环保的，有做 UX 的，有做信贷评级的，当然还少不了做移动端广告的。乍看都是高大上的产品，但仔细琢磨一下会发现一些没那么高大上的细节。
比如，有一家介绍时候说 "Brings big data to teams, media and fans"，用的是Moneyball作引子。展示结束后询问他们是如何分析视频以得到各种数据的，demo 的哥们表示他们请了一些人看视频的。没错，是人工。自然地，下一个问题就是：未来如何扩张以应对来自不同体育项目大量的全长录像？他的回答也很简单，雇佣更多人。听完我懵了一下，问，那打算如何利用收集的数据呢？答曰：开放 API，自己不做分析。
那么，说好的大数据呢？难道有数据就叫大数据公司了？如果庆丰包子留存有这半个多世纪以来的购买者和交易记录它就得叫大数据公司了？
是，但也不是。
先归纳了一下硅谷“大数据公司”的类型，有补充或修正的请拍砖：
数据的拥有者、数据源：特点是业务优势能收集到大量数据，就像煤老板垄断一个地区的矿一样。其实大多数有能力产生或收集数据的公司都属于这类型，比如Vantage Sports和收集了PB级数据的包子铺。
大数据咨询：特点是非常技术，提供从基础设施规划建设维护到软件开发和数据分析等的服务，但不拥有数据，比如Cloudera这家不到500人的startup是最著名的Hadoop架构咨询公司。
做大数据工具的：比如AMPLab出来的Databricks和Yahoo人主导的Hortonworks。
整合应用型：特点是收集拥有或购买一些数据，然后结合AI来解决更多实际的痛点。
所以回答之前的问题：是，因为包子铺只要收集的消费者数据量够大就能成为数据拥有者，有那么大的数据就有得到洞见的可能；不是，因为可能从真正意义上来说，大数据公司应该只属于第四种类型：AI。
对，我相信未来是 AI 的，而 AI 的食物是数据。就像很多产业链一样，最困难且最有价值的创新往往发生在接近最终用户的那端，比如 iPhone。大数据行业最有价值的部分在于如何利用机器去处理数据得到洞见，影响组织和个人的行为，从而改变世界。收集和整理数据在未来会变得标准化和自动化，而利用 AI 进行分析的能力会变得更为关键。
再看硅谷主打 AI 的公司，现在大致可以分成以下三类了：
分析用户行为，改进产品和营销的，比如 LinkedIn 的推荐系统和用 iBeacon 实现店内营销；
统筹大量分散个体，利用大数据实现精确有效的预测和规划的，比如 Uber 和前段时间出现的 Amazon Fresh 及 Grub Market
分析识别各种类型的数据，开发更智能的设备和程序，比如 Google 大脑及无人车和以 Nest 为代表的智能设备等。
这些产品都有一个很明显的共性，就是在努力尝试把机器变得更智能以减轻人类的工作量。这个目的与科技发展的动力相符合，因此认为之前所说的第四种类型的公司是最有希望改变世界的。
这样的大数据公司需要什么样的人
那么大数据公司，或者说到真正可以改变世界的大数据公司需要什么样的人才呢？这里要介绍一个在硅谷被炒得很热的高频词汇：数据科学家。
这个职位出现的原因并不是因为数据量变大了需要更好的方式去存取，那是数据工程师的活。那产生的原因是什么呢？正是为了匹配上面第四种公司的需要。数据是 AI 当中不可分割的一部分，而且量越大越好，从数学上来说，数据越多则我们越能够有信心把从样本分析出来的结果推论到未知的数据当中，也就是说机器学习的效果越来越好，AI 越来越智能。
由此诞生的数据科学家是一个非常综合型的职业。它所要求的知识范围包括分析数据的统计学，到算法的选择优化，再到对行业知识的深刻理解。这群人是开发数据产品的核心。硅谷大部分 startup 已经把它当成是必需品了，以至于刚入行的新人也能领到差不多 $100K 的薪水。而模糊的定义和误解也让有的人戏称，data scientist is a data analyst living in the bay area。
值得一提的是，数据本身的飞速发展从另一个侧面其实也给数据工程师们的大数据处理带来了许多挑战。主要来源于以下的两个方面：
数据量的急速增长。如今，数据的产生变得异常容易。社交网络，移动应用，几乎所有的互联网相关产品每时每刻都在产生众多数据。传统的集中储存计算方式显然无法处理如此庞大的数据量。这时，我们就需要新的储存方式，如云储存，以及新的处理方案，如Hadoop这样的分布计算平台。
数据本身的非结构化。在传统的数据处理领域，我们处理的主要是结构化数据，例如，Excel表格可以显示量化数据等。而如今我们面对着越来越多的非结构化数据，如社交网络的评论，用户上传的音频视频等。这些数据存在于包括文本、图片、视频、音频等众多的数据格式中，这些数据中隐含着众多有价值的信息，但这些信息却需要深度的计算才可以分析出来。这就需要我们利用智能化分析、图像识别等等一系列新的算法来进行数据挖掘，这也就是“大数据”的挑战所在。
目前硅谷的创业公司正在探索新的应用领域和方法，比如说物联网这块。现在智能设备们才刚刚起步，Nest、被 Nest 收购的Dropcam、Iotera、emberlight等等都属于少部分人的玩具。待到家家户户都安装了智能冰箱、智能灯泡、智能桌子、智能沙发等等的时候，大数据的威力才会伴随着巨大的使用规模而发挥出来。
另外一个角度就是人。如果把之前谈的设备全部置换成个人的时候，他们的相互关系在各种维度上的交错会产生一张巨大的网络，其中的每个组成部分都由大量的数据组成。分析理解预测这些社会关系将会是大数据另一个有趣的应用方向，即Social Physics。不过按照从硅谷到全国的速度，感觉不管哪一方面的普及起码得等上五年以上的时间。
展望一下未来的话，如果参照以前的技术革命和行业发展来看大数据，那么大数据的底层设施将会逐渐被隔离，被模块化和标准化，甚至是自动化，而在其上的中间层和应用层将成为各大公司的数据工程师们激烈攻克的主战场。
硅谷公司的大数据运行现状
目前硅谷各个公司的数据处理水平和模式差别还是蛮大的。除 Facebook 等几个很领先的公司外，大部分公司要么还没有能力自行处理数据，要么就是正在建立单独的数据处理部门，主要负责从数据基本处理到后期分析的各个环节，然后再送到公司内部的其他部门。
对于这些公司来说，建立一个单独的数据处理部门可能还有还路漫漫其修远兮。举个例子来说，Facebook 有一个超过 30 人的团队花了近 4 年的时间才建立了 Facebook 的数据处理平台。如今，Facebook 仍需要超过 100 名工程师来支持这个平台的日常运行。可想而知，光是大数据分析的基础设施就已经是一个耗时耗力的项目了。LinkedIn 大数据部门的建设也已花了整整六年。
普遍来说，各公司自主建立数据处理平台存在着几个难点：
没有足够优秀的数据工程师来组建团队
没有足够能力整合数据
没有易于操作的基础软硬件来支持数据分析
这几个主要难点使得大数据分析越来越专业化、服务化，以至于我们渐渐看到一条“硅谷数据处理产业链”的出现。从数据的储存，数据分析平台建立，到数据分析，数据可视化等等各个环节的成本越来越高，这使得本身技术能力很强的公司都还是使用专业数据处理公司提供的服务，而将更多的人才和资源放到核心业务的开发上。
另外，就是各个公司对于数据处理的要求也越来越高。不仅仅需要有效的处理结果，也需要数据处理可以 self-service、self-managing、保证数据安全性、完善实时分析。这些诸多需求也使得专业化团队的优势更加突出。而这样一条整合服务链的行程，也给众多的大数据公司提供了机会。
硅谷是非常神奇的地方。科技概念在这里也不能免俗会被追捧，被炒得很热。但这种激情和关注某个程度上讲正是硅谷创新的动力。即使存在很多投机贴标签的人，即使一片片的大数据 startups 被拍死在沙滩上，即使 Gartner 预测大数据概念将被回归现实，但相信会有更多的人投入到大数据这个行业，开发出更智能，更有影响力的产品。毕竟，大数据本身，不像一个单纯的 pitch 那样，它能够保证的是一定可以中看并且中用。
【下篇：硅谷巨头们的大数据玩法】
本篇将一共呈现硅谷四大不同类型的公司如何玩转大数据，其中包括了著名 FLAG 中的三家（Apple 在大数据这块来说表现并不突出）。
本篇内容来自对 Evernote AI 负责人 Zeesha Currimbhoy、LinkedIn 大数据部门资深总监 Simon Zhang、前 Facebook 基础架构工程师 Ashish Thusoo 和 Google 大数据部门一线工程师及 Google Maps 相关负责人的专访。Enjoy~~
Evernote：今年新建AI部门剑指深度学习
Evernote 的全球大会上，CEO Phil Libin 提到，Evernote 的一个重要方向就是“让 Evernote 变成一个强大的大脑”。要实现这个目标，就不得不提他们刚刚整合改组的 Augmented Intelligence 团队（以下简称 AI team）。我在斯坦福约到 AI team 的 manager Zeesha Currimbhoy，在此分析一下从她那里得到的一手资料。
是什么
今年早些时候，这个 2 岁的数据处理团队改组为由 Zeesha 带领的 Augmented Intelligence team，总共十人不到，很低调，平日几乎听不到声响。他们究竟在做什么？
与我们常说的 AI（artificial Intelligence）不同，Evernote 的团队名叫做 Augmented Intelligence，通常情况下简称为 IA。Zeesha 显然是这个团队里元老级的人物：“我是在 2012 年加入 Evernote 的，直接加入到了当时刚刚建立的数据处理团队，这也就是现在 AI team 的雏形。我们最开始的项目都是简单易行的小项目，比如按照你的个人打字方式来优化用户的输入体验。”
传统意义上的 AI 指的是通过大量数据和算法让机器学会分析并作出决定。而这里讲到 IA 则是让电脑进行一定量的运算，而终极目的是以之武装人脑，让人来更好的做决定。这两个概念在具体实施中自然有不少相通之处，但是其出发点却是完全不同的。
这个区别也是 Evernote AI team 的亮点所在。作为一个笔记记录工具，Evernote 与 Google 之类的搜索引擎相比，最大的区别就是它非常的个人化。用户所储存的笔记、网站链接、照片、视频等都是他思维方式和关注点的体现。
从哪来
Zeesha 小组的初衷便是，通过分析用户储存的笔记来学习其思维方式，然后以相同的模式从第三方数据库（也就是互联网上的各种开源信息）抽取信息推送给用户，从而达到帮助用户思考的过程。从这个意义上讲，Zeesha 版的未来 Evernote 更像是一个大脑的超级外挂，为人脑提供各种强大的可理解的数据支持。
目前整个团队的切入点是很小而专注的。“我们不仅仅是帮助用户做搜索，更重要的是在正确的时间给用户推送正确的信息。”
实现这个目标的第一步就是给用户自己的笔记分类，找到关联点。今年早些时候，Evernote 已经在 Mac 的英文版上实行了一项叫做“Descriptive Search”的功能。用户可以直接描述想要搜索的条目，Evernote 就会自动返回所有相关信息。
例如，用户可以直接搜索“2012 后在布拉格的所有图片”，或者“所有素食菜单”。不管用户的笔记是怎样分类的，Decriptive Search 都可以搜索到相关的信息并且避免返回过大范围的数据。而这还仅仅是 AI team 长期目标的开始，这个团队将在此基础上开发一系列智能化的产品。
到哪去
不用说，这样一个新创团队自然也面临这诸多方面的挑战。当下一个比较重要的技术难点就是 Evernote 用户的数据量。虽然 Evernote 的用户量已经达到了一亿，但是由于整个团队的关注点在个人化分析，外加隐私保护等诸多原因，AI team 并没有做跨用户的数据分析。
这样做的结果就是团队需要分析一亿组各不相同的小数据组。比如，假设我只在 Evernote 上面存了 10 个笔记，那 Evernote 也应该能够通过这些少量的数据来分析出有效结果。当然，这些技术的直接结果是用户用 Evernote 越多，得到的个性化用户体验就越好。长期来讲，也是一个可以增加用户黏性的特点。
不过 Zeesha 也坦言：“的确，我们都知道没有大数据就没有所谓的智能分析。但是我们现在所做的正是在这样的前提下来找到新的合适的算法。”她并没有深入去讲目前团队所用的是什么思路，但是考虑到这个领域一时还没有很成功的先例，我们有理由期待在 Zeesha 带领下的 Evernote AI team 在近期做出一些有意思的成果。
Facebook：大数据主要用于外部广告精准投放和内部交流
Facebook 有一个超过 30 人的团队花了近 4 年的时间才建立了 Facebook 的数据处理平台。如今，Facebook 仍需要超过 100 名工程师来支持这个平台的日常运行。可想而知，光是大数据分析的基础设施就已经是一个耗时耗力的项目了。
Facebook 的一大价值就在于其超过 13.5 亿活跃用户每天发布的数据。而其大数据部门经过七八年的摸索，才在 2013 年把部门的 key foundation 定位成广告的精准投放，开始建了一整套自己的数据处理系统和团队。并进行了一系列配套的收购活动，比如买下世界第二大广告平台 Atlas。
据前 Facebook Data Infrastructure Manager Ashish Thusoo 介绍，Facebook 的数据处理平台是一个 self-service, self-managing 的平台，管理着超过 1 Exabyte 的数据。公司内部的各个部门可以直接看到处理过的实时数据，并根据需求进一步分析。
目前公司超过 30% 的团队，包括工程师、Product Managers、Business Analysts 等多个职位人群每个月都一定会使用这项服务。这个数据处理平台的建立让各个不同部门之间可以通过数据容易地交流，明显改变了公司的运行方式。
追溯历史，Facebook 最早有大数据的雏形是在 2005 年，当时是小扎克亲自做的。方法很简单：用 Memcache 和 MySQL 进行数据存储和管理。很快 bug 就显现了，用户量带来数据的急速增大，使用 Memcache 和 MySQL 对 Facebook 的快速开发生命周期（改变 - 修复 - 发布）带来了阻碍，系统同步不一致的情况经常发生。基于这个问题的解决方案是每秒 100 万读操作和几百万写操作的 TAO(“The Associations and Objects”) 分布式数据库，主要解决特定资源过量访问时服务器挂掉的 bug。
小扎克在 2013 年第一季度战略时提到的最重点就是公司的大数据方向，还特别提出不对盈利做过多需求，而是要求基于大数据来做好以下三个功能：
发布新的广告产品。比如类似好友，管理特定好友和可以提升广告商精确投放的功能。
除与Datalogix, Epsilon,Acxiom和BlueKai合作外，以加强广告商定向投放广告的能力。
通过收购Atlas Advertising Suite，加强广告商判断数字媒体广告投资回报率（ROI）。
LinkedIn：大数据如何直接支持销售和变现赚钱
LinkedIn 大数据部门的一个重要功用是分析挖掘网站上巨大的用户和雇主信息，并直接用来支持销售并变现。其最核心团队商业分析团队的总监 Simon Zhang 说，现在国内大家都在讨论云，讨论云计算，讨论大数据，讨论大数据平台，但很少有人讲：我如何用数据产生更多价值，通俗点讲，直接赚到钱。
但这个问题很重要，因为关系到直接收入。四年半前 LinkedIn 内所有用户的简历里抽取出来大概有 300 万公司信息，作为销售人员不可能给每个公司都打电话，所以问题来了：哪家公司应该打？打了后会是个有用的 call？
销售们去问 Simon，他说只有通过数据分析。而这个问题的答案在没有大数据部门之前这些决策都是拍脑袋想象的。
Simon 和当时部门仅有的另外三个同事写出了一个模型后发现：真正买 LinkedIn 服务的人，在决定的那个环节上，其实是一线的产品经理，和用 LinkedIn 在上面猎聘的那些人。但他们做决策后是上面的老板签字，这是一个迷惑项。数据分析结果出来后，他们销售人员改变投放策略，把目标群体放在这些中层的管理人身上，销售转化率瞬间增加了三倍。
那时 LinkedIn 才 500 个人，Simon 一个人支持 200 名销售人员。他当时预测谷歌要花 10 个 Million 美金在猎聘这一块上，销售人员说，Simon，这是不可能的事。
“但是数据就是这么显示的，只有可能多不会少。我意识到，一定要流程化这个步骤。”
今天 LinkedIn 的“猎头”这块业务占据了总收入的 60%。是怎么在四年里发展起来的，他透露当时建造这个模型有以下这么几个步骤：
分析每个公司它有多少员工。
分析这个公司它招了多少人。
分析人的位置功能职位级别一切参数，这些都是我们模型里面的各种功能。然后去分析，他们内部有多少HR 员工，有多少负责猎头的人，他们猎头的流失率，他们每天在Linkedin的活动时间是多少。
这是 LinkedIn 大数据部门最早做的事情。
Simon 说，公司内部从大数据分析这一个基本项上，可以不断迭代出新产品线 LinkedIn 的三大商业模型是人才解决方案、市场营销解决方案和付费订阅，也是我们传统的三大收入支柱。事实上我们还有一个，也就是第四个商业模型，叫“销售解决方案”，已经在今年 7 月底上线。
这是卖给企业级用户的。回到刚才销售例子，LinkedIn 大数据系统是一个牛逼的模型，只需要改动里面一下关键字，或者一个参数，就可以变成另一个产品。“我们希望能帮到企业级用户，让他们在最快的速度里知道谁会想买你的东西。”
虽然这第四个商业模式目前看来对收入的贡献还不多，只占 1%，但 anyway 有着无限的想象空间，公司内部对这个产品期待很高。“我还不能告诉你它的增长率，但这方向代表的是趋势，Linkedin 的 B2B 是一个不用怀疑的大的趋势。”Simon 说。
Google：一个闭环的大数据生态圈
作为世界上最大的搜索引擎，Google 和大数据的关系又是怎样的呢？感谢微博上留言的朋友，这可确实是一个很有意思的议题。
Google 在大数据方面的基础产品最早是 2003 年发布的第一个大规模商用分布式文件系统 GFS（Google File System），主要由 MapReduce 和 Big Table 这两部分组成。前者是用于大数据并行计算的软件架构，后者则被认为是现代 NOSQL 数据库的鼻祖。
GFS 为大数据的计算实现提供了可能，现在涌现出的各种文件系统和 NOSQL 数据库不可否认的都受到 Google 这些早期项目的影响。
随后 2004 和 2006 年分别发布的 Map Reduce 和 BigTable，奠定了 Google 三大大数据产品基石。这三个产品的发布都是创始人谢尔盖 - 布林和拉里 - 佩奇主导的，这两人都是斯坦福大学的博士，科研的力量渗透到工业界，总是一件很美妙的事。
2011 年，Google 推出了基于 Google 基础架构为客户提供大数据的查询服务和存储服务的 BigQuery，有点类似于 Amazon 的 AWS，虽然目前从市场占有率上看与 AWS 还不在一个数量级，但价格体系更有优势。Google 通过这个迎上了互联网公司拼服务的风潮，让多家第三方服务中集成了 BigQuery 可视化查询工具。抢占了大数据存储和分析的市场。
BigQuery 和 GAE（Google App Engine）等 Google 自有业务服务器构建了一个大数据生态圈，程序创建，数据收集，数据处理和数据分析等形成了闭环。
再来看 Google 的产品线，搜索，广告，地图，图像，音乐，视频这些，都是要靠大数据来支撑，根据不同种类数据建立模型进行优化来提升用户体验提升市场占有率的。
单独说一下 Google maps，这个全球在移动地图市场拥有超过 40% 的市场占有率的产品，也是美国这边的出行神器。它几乎标示了全球有互联网覆盖的每个角落，对建筑物的 3D 视觉处理也早在去年就完成，这个数据处理的工作量可能是目前最大的了，但这也仅限于数据集中的层面。真正的数据分析和挖掘体现在：输入一个地点时，最近被最多用户采用的路径会被最先推荐给用户。
Google 还把 Google+，Panoramio 和其他 Google 云平台的图片进行了标记和处理，将图片内容和地理位置信息地结合在一起，图像识别和社交系统评分处理后，Google 能够把质量比较高的的图片推送给用户，优化了用户看地图时的视觉感受。
大数据为 Google 带来了丰厚的利润，比如在美国你一旦上网就能感觉到时无处不在的 Google 广告（AdSense）。当然，它是一把双刃剑，给站长们带来收入的同时，但如何平衡用户隐私的问题，是大数据处理需要克服的又一个技术难关，或许还需要互联网秩序的进一步完善去支持。
像在【上篇】中所说，除 Facebook 等几个很领先的公司外，大部分公司要么还没有自行处理数据的能力。最后附上两个例子，想说这边的大公司没有独立大数据部门也是正常的，采取外包合作是普遍现象：
Pinterest：
Pinterest 曾尝试自行通过 Amazon EMR 建立数据处理平台，但是因为其稳定性无法控制和数据量增长过快的原因，最终决定改为使用 Qubole 提供的服务。在 Qubole 这个第三方平台上，Pinterest 有能力处理其 0.7 亿用户每天所产生的海量数据，并且能够完成包括 ETL、搜索、ad hoc query 等不同种类的数据处理方式。尽管 Pinterest 也是一个技术性公司，也有足够优秀的工程师来建立数据处理团队，他们依然选择了 Qubole 这样的专业团队来完成数据处理服务。
Nike:
不仅仅硅谷的互联网公司，众多传统企业也逐渐开始使用大数据相关技术。一个典型的例子就是 Nike。Nike 从 2012 年起与 API 服务公司 Apigee 合作，一方面，他们通过 Apigee 的 API 完善公司内部的数据管理系统，让各个部门的数据进行整合，使得公司内部运行更加顺畅、有效率。另一方面，他们也通过 API 开发 Nike Fuel Band 相关的移动产品。更是在 2014 年开启了 Nike+ FuelLab 项目，开放了相关 API，使得众多的开放者可以利用 Nike 所收集的大量数据开发数据分析产品，成功地连接了 Nike 传统的零售业务，新的科技开发，和大数据价值。
作者: 曾小苏 Clara
摘自：36氪
-
硅谷
硅谷最火的创业公司Airbnb和Pinterest怎么招人？
史丹佛大学最热门的一堂课就是教导学生如何创造一个网路帝国，硅谷投资人 Sam Altman 每周会带来硅谷最火红的名人来跟学生分享他们的创业秘笈。最近他们开设了一门为期两周的课程，教导学生如何建立良好的企业文化。Airbnb 的 CEO Brian Chesky 和 Pinterest 的 CEO Ben Silbermann 就是其中两位讲师。以下是两场演讲的精华节录，文末附有Youtube完整影片。
「Don’t fuck up the culture.(别搞砸了公司文化)」
这是 Chesky 向 PayPal 的创办人 Peter Thiel 寻求意见时，所得到的答案。比较好的说法是，要在组织中建立「热情」且「忠诚」的文化并不容易。技术人员往往把重心放在产品和行销上面，而低估了建立团队文化的重要性。
企业想要长久经营就必须要有一个清楚的使命，明确的价值观和做事方法，才能让这间公司和员工变得独一无二。
Chesky 强调公司想要长久经营，需要有一个明确的使命，这个使命要渗透公司里大大小小的事情。以苹果来说，他们所有的东西都经过精美的设计，无论是产品或是发表会。Airbnb 的宗旨就是让人们聚在一起，所以当他们搬到旧金山的新办公室时，他们自然而然地在这个两倍大的空间里举办种活动(我个人也去过两次，那里非常友善)。反观苹果，他们从不办任何鸡尾酒派对，那不是他们的核心价值。
「每个人都必须雇用更好的人，公司的水平才会提升。」
Chesky 表示，公司在快速成长的时候，品质很容易被稀释掉，只有在每次征才时都设定更高的标准，才能保有公司原有的水平，而这不单单只是在技术层面，对于新进员工是否符合公司文化也是一样的，这样才能找到稳定度较高的员工。
「我习惯问那些重量级的人物：你们在找什么样的人才?」
Silbermann 说，多数经营者只有在招募的过程之中，才开始明白他们要找的是什么样的人，但是他在招募之前，透过与那些成功人士的对话中，找到最好的答案，然后持续向他们学习。
「我们在找的是那些有创意且充满好奇心的人，他们需要有一些特定的兴趣。我们要找的是那些可以把事情做得很好，但是不自满的人。他们喜欢承担风险，勇于挑战自己。」
用兴趣来区分人才是一个很好的方法，最有名的例子，就是GOOGLE 在广告看板上写了一个数学题目，邀请大家来解谜，然而这个测验的重点并不是找到数学天才，而是找到充满好奇心的人。
「我并不会忽略人的特质。他们心愿是什么?做事风格?他们有多想被记住?如果你知道这些东西，代表你很关心他们本人，总的来说，这也就是你的目标」
花时间去了解员工，可以让他们更融入团队，让他们觉得自己是团队的一份子。很多员工整天只是坐在电脑前面，除非有人打破僵局，主动了解大家，不然很多能力和特质都会被埋没掉。
「传统的观念里，你只会雇用那些长期使用公司产品的人，但对我们来说，我喜欢那些有理想，喜欢上网的人。」
Pinterest 的 CEO Silbermann 不希望整个团队都是产品狂热份子，他喜欢雇用那些没有很喜欢 Pinterest 的使用者，他们才可能创造出让「非 Pinterest 使用者」满意的产品。
YouTube视频地址：https://www.youtube.com/watch?v=RfWgVWGEuGE；https://www.youtube.com/watch?v=H8Dl8rZ6qwE
复制去Google翻译翻译结果
-
硅谷
拉里·佩奇：硅谷太短视，很少人追求真正的技术突破
编者注：长久以来，硅谷给人的印象总停留在前言的技术、创新的模式和告诉发展的公司，但这些年已逐渐走入了功利化过强的弱循环模式，很少的投资人去真正关注那些长久致力于改变世界的突破性技术。谷歌CEO拉里·佩奇(Larry Page)在日前接受《金融时报》专访时对此提出了抱怨。从其目前在谷歌的一系列举措来看，公司有意朝新技术的研发去投入较大精力。
以下为《金融时报》采访文章全文，来自腾讯科技：
放下包袱轻装上阵
如果世界上90%的人类工作由机器人完成，世界会变成更快乐的地方吗?你能以5万美元的价格买到硅谷中心的住宅吗?你或你的孩子将来有一天能享受无限的廉价电力吗？人类寿命能大大延长吗?
这些一直都是佩奇在苦苦思索的问题。佩奇现年41岁，是谷歌联合创始人与首席执行官，他觉得自己应为更大的思想放飞自己。近来，谷歌实现了管理层重组，佩奇已经将大多数当前业务移交给新的副手，以便给自己留出更多空间实现更远大的抱负。
这个信息暗示：这个世界上最强大的互联网公司已经准备好将搜索引擎垄断获得的巨额现金，投向下个世纪的科技热潮。佩奇表示：“现在我们已经可以展望未来100年的前景，我们可以解决当前人类面临的大多数问题。”谷歌2004年实现上市，现在距其理想主义首次提出已经过去10年，谷歌的“不作恶”、“让世界变得更美好”等口号听起来让人觉得有点儿怪异。谷歌的强大和富有已经激起愤恨和反弹，特别是在欧洲，那里已经对谷歌垄断互联网搜索展开调查。
可是佩奇依然坚持其利他原则和大号雄心，坚决不后退一步。这些原则与雄心都是佩奇与谷歌联合创始人谢尔盖·布林(Sergey Brin)在纯真年代定下的。佩奇说：“我们的社会目标依然是主要目标，我们总是想通过谷歌实现，但我想目前我们还未取得想象中的成功。”
在佩奇看来，即使谷歌著名的深远使命——整合全球信息、令其人人可用，依然不够大气。佩奇的目标是利用搜索广告业务获得的资金，去资助未来的繁荣产业，从生物技术到机器人等。
批硅谷变得短视
近来，我们在谷歌位于硅谷的总部中对佩奇进行了专访，他展示了典型的“试探性”个人风格，这与大多数公司老板的果决自信形成鲜明对比。毫无疑问，管理一家拥有5.5万名员工的大公司让佩奇日益曝光在聚光灯下，也让他的措辞比以往更加谨慎。但是他的雄心以及思想扩展显然没有改变，即使已经成为2个孩子的父亲。佩奇表示，他越来越意识到诸多长期问题，比如教育。
佩奇发现自己正在一个历史时刻领导世界上最强大的科技公司之一。当前，技术变革的洪流正威胁或给社会和企业带来颠覆性变化。谷歌的目标比大多数公司更大，它将大量资金投入新的冒险中，这些资金不断累积，现在已经超过620亿美元。佩奇说：“我们正处于一个未知的领域，我们正努力弄清楚：我们要如何利用这些资源……对世界产生更积极影响。”
许多谷歌投资者近来对谷歌公司豪赌长期未来开始变得谨慎，但这还只是个开始。在佩奇看来，这一切都要归结于一个雄心：世界还没有足够的商品供应。当硅谷处于周期性繁荣期时，它依然是科技界的震源，硅谷已经变得短视。佩奇认为，硅谷没有取得根本性的突破。他说：“显然有许多资金和激情，这些东西都是周期性发生的。但是未来100年中，你可能不会太在意。”
佩奇说，大量资金涌入科技行业，最新的消费互联网繁荣让人们产生容易获利的印象。你可以创建仅有10人的互联网公司，可能有数十亿人使用你的产品。这不需要太多资金，而且可以赚许多许多钱，每个人当然都喜欢这样的方式。
佩奇估计，硅谷中大约只有50名投资人正在追求真正的技术突破，这些技术有对地球上大多数人生活产生影响的潜力。如果有人支持这些大创意，不会存在资金短缺或技术障碍。佩奇称，这类技术突破才是他所追求的，它并非受到任何基本技术优势驱动，而是由雄心勃勃的人趋势。没有足够的机构发现，我们对这些方向的投资不足，特别是政府机构。
工程师思维发挥作用
对于是否应由私人公司而非政府机构负责世界上最长期、最雄心的科技项目，佩奇的观点是：总得有人去做吧!这就是佩奇的工程师思维在发挥作用。作为计算机学教授的儿子，佩奇不喜欢太多的内部会议，而是直接深入到技术问题。比如，佩奇曾介绍自己如何让谷歌数据中心运行起来，他提及谷歌应支付多少电费问题，甚至可能需要重新设计电网。但佩奇认为，只要正确关注和应用，没有什么是不能改善的，电网可以更高效运转。
佩奇最近访问了一个专攻核聚变发电的初创企业，他对实现低成本能源的突破性技术非常热心。另一家初创企业也给了佩奇惊喜，这家公司可以通过显示视觉图像的方式读取人的思维。佩奇说：“这是一个非常聪明的团队，仅用5000万美元就在许多问题上取得重大进步，但这显然还不够。”
谷歌本身在某些领域的豪赌被佩奇称为“外围”，即这些赌注有技术解决方案，在因为某种理由而未能受到关注。比如，佩奇选择自动驾驶汽车和影响老年人的疾病进行研究，后者曾是其妻子在斯坦福大学实验室从事的研究课题。佩奇称：“这不是很复杂的研究。”通过下属的生物技术子公司Calico，谷歌计划投资数百万美元进军该领域。佩奇说：“我们从人们的信任中受益匪浅，当我们表示自己要做什么时，人们相信我们能做到，因为我们有资源。 ”
计算机将接管9/10人类工作
但与早期令人兴奋相比，现在的技术变革洪流开始令人恐惧。早期时，每个大胆的倡议都会得到放纵，就像溺爱的父母庆祝孩子的手纸画一样。佩奇说：“我认为人们已经看到颠覆性技术，但他们并未看到其真正的积极影响。他们没有将其视为改变生活的动力，原因可能是人们没有感受到他们参与其中。”
作为一名乐观主义者，佩奇认为所有技术都将改变。比如，他认为人工智能将获得迅猛发展，计算机以及机器人将可以接管人类大多数工作。佩奇认为，9/10的人将放弃今天正在从事的工作。人们会为失去工作而后悔吗?佩奇说，技术的发展将令许多工作变得过时，无需再为此浪费时间。他说：“每个人都应按部就班地工作，以便低效率地做事，确保工作安全，这种想法对我没有意义，也不是正确的答案。”
佩奇还看到技术的另一个好的影响，即会令许多日常用品及服务价格下降，通货紧缩时代来临。佩奇说：“即使人类工作被颠覆，但在短期来看，我们需要的产品成本会大幅下降。我认为这很重要，只是还未被人发现。”佩奇认为，新技术不是令企业效率提升10%，而是以10倍速度提升，这就会让价格下降。他说：“我认为，能让你生活更舒适的东西将变得非常非常便宜。”
崩溃的房价是这个方程式的另一部分。随着技术发展，政策需要改变，人们获得建筑用地将更迅捷。不再需要100多万美元，硅谷心脏地区帕罗奥图的平均房价也不会超过5万美元。对于许多经济拮据的人来说，这种变化无异于天上掉馅饼。
数以百万计的工作过时，私人住宅价值狂跌，日常用品价格螺旋式下降，这一切听起来好像天堂。但是在资本主义体系下，通过技术根除低效必须追寻符合逻辑的结论。佩奇说：“你无法摆脱这些事情的发生，你会有一些惊人的经济能力。当我们拥有可以从事更多工作的电脑后，那将改变我们对工作的看法。”
耐心等待打破隐形天花板
在涉及政策问题时，像许多技术专家一样，佩奇立即显示出沮丧。他说：“我们非常担心这些事情，我们希望能将其转变过来。”听起来佩奇似乎已经有了具体想法，他说：“作为一个社会，做些不同的事情很困难，我认为这很不好。一些最基本的问题人们还未想到，包括我们如何组织、如何调动人们的积极性。一个非常有趣的问题是：如何组织我们的民主?如果你看看美国人的满意度，它正在下降，这令人感到非常担忧。”
为了获得科技界的终极奖品，谷歌可能偶然撞到了公司发展的限制瓶颈。佩奇经常与苹果已故创始人史蒂夫·乔布斯(Steve Jobs)辩论，他说：“乔布斯总是告诉我，你做得太多了。我更喜欢你做得不太多的地方。”而佩奇回答说：“我们有很多钱，我们应该投资让人们生活得更好。如果我们只做以前做过的事情，不去做新的事情，对我来说那就像犯罪。”
但是理想主义并未让佩奇实现自己的雄心时变得盲目。他说：“乔布斯说得很对，他说我只能应付某些事情。”如果佩奇以及谷歌要获胜，他们必须击败过去大公司的掣肘，特别是科技公司。佩奇说：“最大的公司现在几乎都处于差不多的规模，当然这是就市值来说。你说我们正接管所有的事情，但还没有公司能做到这一点。”
佩奇思索如何打破隐形天花板，他的思维似乎已经进化。谷歌内部实验室Google X首先开始对新的大创意进行尝试，项目包括谷歌眼睛和自动驾驶汽车。尽管布林正逐步退出谷歌主要业务，佩奇称两人依然是亲密盟友。他说：“我们常在一起，很少有人能分享我们那样的经历。”对于布林总是下最大赌注，佩奇称布林总是站在极端重要的一端。
超越Google X后，佩奇正尝试建立独立业务部门，这位半独立的领导人正视图借助谷歌的羽翼建立更大的新业务。除了Calico，谷歌近来透露，其新举动包括“智能之家”Nest，互联网接入以及能源投资。在过去2年间，谷歌已经崛起为硅谷最大的风投资本者。
佩奇表示，像谷歌这样的公司，最终将发展到哪一步无迹可寻。但是如果要选择一个他认为能够应对前方挑战的人，他认为著名投资人沃伦·巴菲特(Warren Buffett)很合适。佩奇说：“我们正在做的一件事就是提供长期、耐心的资本。”以他这样的年龄，佩奇依然等得起。但与雄心没有界限不同，耐心可能会引发问题。
-
硅谷
硅谷观察：为什么说Linkedin不可或缺？
自来到硅谷，我开车出行时一直依赖Google地图给我导航。有时我会思考：在没有GPS的年代，人们是如何到达一个陌生地点的呢？
有一个社交平台也带给我类似的想法：在没有它的年代里，硅谷的人们是如何建立线上的职业社交网络的呢？它不是Facebook，不是Twitter，而是Linkedin。
我在2010年便注册了Linkedin，但和国内的许多用户一样，我很少登录，也没有在上面填写多少信息。来到硅谷，我发现它是一个如此重要的平台，对于在科技媒体任职的我来说简直是不可或缺。
尽管身在硅谷，但我采访那些时常出现在中文媒体上的知名科技人物的机会并不多；更多的时候，我所面对的采访对象是初创企业的创始人或者大公司的中层员工，很可能没有维基百科或者CrunchBase页面，媒体上关于他们的报道也不多，如何做准备采访是个让我头疼的问题。好在Linkedin帮我解决了这个困扰：在Google上搜索采访对象的名字，大多数情况下其Linkedin页面会出现在前三条搜索结果中；进入这个页面，他们的职务、工作内容、以前从事的工作、教育背景等信息一览无余；通常我无需再去搜索相关报道就能相对完整地了解一个陌生采访对象的经历。
对于硅谷的科技从业者、创业者来说，Linkedin就如同一张详细的电子名片，或者一个个人主页，是他们在职场中展示自己的重要窗口;无论是找工作、找投资、找合作伙伴还是联络媒体，这个页面都能让对方快速、清楚地了解自己。于是，大多数人硅谷精英会认真地填写Linkedin上的信息，有些人还会邀请同事、同学为自己的经历写证明材料。
除了搜寻报道对象的资料，我也会利用它来沉淀联系人，将和我打过照面、换过名片的从业者变成我的线上社交网络中的成员。每当我在采访中或线下活动上获得了名片，我都会将联系人导入Gmail通讯录里，并每隔一段时间通过Linkedin向通讯录里的联系人发出邀请，使他们成为我的Linkedin联系人；当然，一些和我交换名片的人也会做同样的事情， 于是我也会经常收到联系人邀请。有趣的是，我经常会在当地时间的凌晨同步通讯录并发出邀请，而每次都是在接下来几分钟内就会收到很多通过联系人申请的通知，显然他们随时都保值着Linkedin的在线，无论是通过邮箱还是通过Linkedin的手机App。
除了直接添加联系人，Linkedin的联系人推荐也有助于扩大网络。比如，我访问一家智能手环公司创始人的页面，下面的“访客还查看过”的部分通常会推荐该公司其他的人以及其他智能手环公司创始人的页面；而如果有人访问我的页面，在“访客还查看过”的部分则会看到我的同事以及其他中国媒体派驻硅谷的记者。
尽管联系人之间并不会经常通过Linkedin直接联络，但一旦成为了联系人，对方就进入了你的网络，你们就可以互相看到对方新添加的联系人、分享的信息以及工作的变动。
事实上，向联系人发送工作变动通知可以被视为Linkedin的一个重要的功能。在国内，换工作时通知工作联系人是一件很麻烦的事情：如果在微博或朋友圈上广播，或许会让一些你不希望通知到的人看到而如果定向发邮件、发短信或是发微信，不仅费时费力，还有可能遗漏。而在一个你的大多数工作联系人都会使用Linkedin的环境下，这件事就容易得多了：只要将新的职务填写到“职业头衔”处，你换工作的消息就会自动出现在你所有Linkedin联系人的时间轴较为显著的位置，只要他们登录，就会收到这条消息，你也就无需再主动去发送这个消息了。
对于媒体人来说，Linkedin还是一个预约采访的渠道。对于没有对方邮箱或发送了邮件的迟迟未收到回复的采访对象，如果我添加了对方的Linkedin，我会直接通过Linkedin联系对方，通常能够较快收到回复；也有硅谷的创业者通过Linkedin联系我，无论是否感兴趣，我也都会及时回复对方的消息。
不仅是创业者与媒体人之间可以使用Linkedin联络，对于更广泛的商务沟通，Linkedin同样适用。担任硅谷创业公司Cooliris亚洲区负责人的李天羽在此前的采访中曾谈到过Linkedin在BD中的作用：
“在美国有一点比较好找的在于——从业者都有Linkedin。他们很习惯在Linkedin上面被搜寻，因为Linkedin在这边是个很好用的工具……而在中国还没有一个很强大的职业社交网络。所以你可以搜‘Facebook product manager’，或者搜‘Facebook business development’，可以先通过Linkedin跟他们聊一下，然后说“我是Cooliris的人，我想跟Facebook合作”，看对方有没有兴趣……如果你想进一步合作，你就可以说“我能去那边找你吗，能否一起喝个咖啡”。”
当然，作为一个社交网络，Linkedin还有许多值得改进的地方，例如频繁的邮件提醒和繁琐的通知设置；不时会增加新的功能、新模块也可能会破坏用户体验。尽管如此，就像Facebook之于校园一样，Linkedin之于职场是无可取代的，在硅谷尤其如此。如果你想和硅谷的人打交道，在没有来美国之前，或许可以先从Linkedin开始。
【文章作者：王星】
扫一扫 加微信
hrtechchina
