AI

序曲 秋风引 [唐] 刘禹锡 何处秋风至？萧萧送雁群。 朝来入庭树，孤客最先闻。 这首诗主要要表达的中位数和平均数，其实正是这羁旅之情和思归之心，但妙在不从正面着笔，始终只就秋风做文章，在篇末虽然推出了“孤客”，也只写到他“闻”秋风而止。至于他的旅情归思是以“最先”两字来暗示的。如李锳在《诗法易简录》中所说，“为孤客传神”的正在这两个字，使“无限情怀，溢于言表”。 多个独立样本检验简介 多样本问题主要涉及如何检验几种不同的方法、决策或处理所产生的结果是否一样。如不同运动方式或饮食习惯对减肥效果是否一样；不同药物处理方式的治疗效果是否一样；在商业活动中，不同的决策方案风险的大小是否有区别；不同促销方式的购买率是否相同等；在之前讲到的多组均数比较时，利用了方差分析来推断3个或3个以上总体均值的相等性；但方差分析要求正态分布、方差齐性，在实际数据中，满足这些条件的数据不多，所以使用时就受到限制，由此我们可以利用 非参数检验的多个独立样本检验。 其检验方法包括三种： (1) Kruskal-Wallis H检验 (2) Jonckheere-Terpstra检验法 (3) 推广中的中位数检验法 SPSS实现多独立样本检验 示例1：用三种药物杀灭钉螺，每批用200只活钉螺，得到各组的死亡率（%），分析3种药物杀灭钉螺的效果有无差别？ 1. 数据录入： 2. 建立假设：建立检验假设，确定检验水准 α 3. 参数选择 （1） 选择 分析—非参数检验—旧对话框—k个独立样本 （2） 参数说明与选择 a. 检验变量列表：用于从变量列表中选择 检验变量，必须为数值型分类变量；若选择多个变量，将 死亡率 进行分析。 b. 分组变量：指定分组变量，使用 定义组 进行定义分组变量取值 c. 检验方法类型：包括三种检验方法 克鲁斯卡尔-沃利斯、约克梅尔-塔伯斯特拉、中位数，具体应用场景在前面介绍，这里不再赘述 d. 统计：显示...

摘要： 分布式编码是缩短内容准备云工作流程的周转时间的一种有效方法。当前已经提出了内容自适应比特分配的策略以保证存储和传输的效率。但这些方法中的许多方法本质上倾向于使用迭代，需要消耗大量额外的计算资源，我们应限制计算复杂度的这种增加。本文提出了一种非迭代的代码同义方法，它采用机器学习技术来实现平均比特率的节省，同时保证目标质量。方法是以一种方式为每个自适应比特率（ABR）表示中的每个ABR段选择内容自适应比特率和分辨率，使它同样适用于实时和按需工作流程。初步结果表明，所提出的方法可以通过更详细的技术实现约85％的比特节省可能，而其计算复杂度仅为双通可变比特率（VBR）编码的15％-20％。 本文内容来自于Sriram Sethuraman, Nithya V. S.和Venkata Narayanababu Laveti D.在SMPTE Motion Imaging Journal刊登的文章“Noniterative Content-Adaptive Distributed Encoding Through ML Techniques” 引言 由于能够随时在任何地方消费内容，通过因特网流媒体的多媒体内容消费开始成为最优选的模式。基于HTTP的自适应比特率流，基于Apple的HTTP直播流（HLS）或基于MPEG的动态自适应HTTP流传输（DASH）等规范，为客户端应用程序提供了基于静态方面选择合适的ABR表示的能力，例如客户端设备属性，用户偏好等；以及动态方面，例如端到端连接上的可用带宽。传统做法是使用Apple，Inc中保守的固定比特率/分辨率ABR表示阶梯。在过去三年中，出现了多种内容自适应编码或流媒体方法目标比特率和最大比特率，可以节省平均比特率并保证更一致的视频质量。实现的比特节省减少了内容传送网络边缘设备中的存储需求以及用于服务订阅用户的平均字节数，这两者都提高了服务的操作效率。这些方法还可以带来更好的体验质量（QoE），并减少了流媒体服务使用者的月度数据消耗。这些方法中的大多数需要评估质量度量以确保能够通过设置给定的峰值比特率来限制目标质量水平，最终实现比特节省。 分布式编码通过在云端的多个计算实例中同时生成标题的HLS / DASH段的ABR表示集，可以缩短周转时间，因此它在现今得到了广泛的应用。它还提供根据所获取的计算实例的异构属性来调度和负载平衡编码实例的功能。即使对于视频直播，这种传统模式中在单个计算实例上使用更快编码设置的实时流式场景，分布式编码和ABR段的概念也为一种具有更高压缩效率的较慢编码设置提供了可能。内容自适应编码可能实现的平均比特节省是互补的，有时与通过更慢的编码预设实现的比特节省相比更有意义。由于流行体育和现实事件的直播流有数百万订阅者消费接近实时时间线的内容，因此交付效率更具重要性。然而，大多数内容自适应方法本质上是迭代的，因此，这些方法可能导致实时传送用例的延迟最终超出可接受的限制，实时解决方案成本的增加，或者如果给定的ABR段本身跨越多个计算实例，可能使内容准备工作流程过于复杂。内容自适应流式传输方法或是通过创建过剩的表示，或是失去保存额外比特，或是进一步提高质量，来增加边缘存储。此外，需要为每个流和每次迭代评估有意义的质量度量以实现最大的比特节省可能，这进一步增加了计算复杂度需求。 在本文中，作者提出了基于机器学习（ML）的方法，该方法消除了对迭代的需求，这些迭代通常用于描述以不同比特率和分辨率组合针对每个内容段获得的感知质量。一个简单的内容分析过程只需要双通道编码时间的一小部分，以及一个基于机器学习的、用于使用速率与质量数据最近邻来估计每个段的目标比特和分辨率的程序，就能实现接近迭代方法的性能。它也消除了对明确的质量度量评估的需求。因此，这种方法适用于现场和按需使用的情况。它还允许使用任何现有的编码器（例如，已经预先集成到工作流中的编码器）来执行最终编码。 内容自适应比特率分辨率阶梯 指定比特率和分辨率组合的固定ABR阶梯是一种保守的方法，它量化了跨用户基础的可用带宽范围（在某一时段内测量），并且为那些相对较难编码的视频片段集合识别出了在每个比特率上以最高质量出现的分辨率。自然地，当段非常简单时，为它配置的比特率不需要很高。当配置成使用标准双通VBR编码设置进行编码时，这些段达到的质量显著高于复杂段达到的质量。这导致在相同的表示内质量水平不必要的波动和比特的浪费。本文参考了一种基于整数规划的方法，该方法试图展示与当时流行的固定阶梯相比，比特节省的范围，同时确定使目标受众的平均QoE最大化的编码参数。×264开源编码器首先提出了恒定速率因子(CRF)模式，该模式通过淡化需求，在尽量满足编码质量一致性时允许限制峰值比特率，来满足高级别的平均比特率。当然，要配置正确的CRF值以达到某个质量目标，需要跨越多个分辨率以多个CRF值对内容进行迭代编码。为了能在编码给定段时利用CRF，并识别实现比特目标的CRF值，本文参考了一种基于神经网络的回归，其中在网络中使用在恒定量化参数下从实际编码生成的一组特征。该方法在使用预估的CRF值编码时能够满足目标比特率±20%的精度。然而，该方法使用了CRF值作为质量指示符，并且不建议被用于估计不超过目标感知质量水平所需的比特分配的方法中。在另一篇文献中，Netflix宣布了一种适用于每个标题的优化方法，其中阶梯适用于每个标题，从而在某些标题上节省了20%的比特。此方法后来被改进为块自适应调整，其中对应于标题级(title-level)比特率的CRF值用于识别块级(chunk-level)比特，以便在VBR模式下为最终编码进行分配。这个过程将分配的比特限制到比每个标题的比特率更低的级别，因此，与基于标题的编码方法相比，能够转换为额外的比特节省。该过程涉及使用不同的CRF值对标题内的中度复杂的片段在每个分辨率下进行多个编码，以获得每个分辨率下的率-失真曲线。 虽然CRF根据时间复杂度（相对于恒定量化器选项）来调整量化级别，但通过使用主观相关的客观质量度量，可以通过充分利用给定内容中存在的空间和时间掩蔽来进一步增加比特节省。此外，当从每个标题转到每个块时应使用相同的逻辑，在块级(chunk-level)，场景或帧级别确定特定的比特分配也在预期中将与块级别相比增加比特节省。 Rehrer和Begen都以多个比特率对标题的每个片段执行一组恒定比特率或VBR编码，并依赖于质量度量来为给定内容选择正确的比特率表示。有多个相关优化工作正在进行。一个工作在内容准备端的后处理步骤通过去除超过某个基于SSIMplus的特定质量等级的比特率表示（并指向满足质量等级的较低比特率表示）来优化ABR阶梯，从而实现平均比特率节省。一个工作在流测量的质量等级被流式客户端用于选择一致的质量段表示或者在可用带宽改变时减少质量波动。还有一个工作在内容自适应编码由在编码处理内在帧级计算的主观质量度量引导，并且调整帧消耗的比特以确保不超过目标最大质量，同时将复杂帧的质量向平均一致质量改进，直到峰值比特率限制它。选择正确的依赖于内容的分辨率的过程要求对每个分辨率进行编码，然后选择在给定比特率下以相同质量或最高质量实现最低比特率的分辨率。 虽然上述方法的计算复杂度存在很大程度的变化，但是可以看出它们本质上都是迭代的。即使平均迭代计数很低，对于实时用例，峰值迭代计数也会增加解决方案的延迟。因此，仍然需要一种在复杂度上更具确定性，并且与传统工作流（为固定ABR阶梯生成流）的复杂性相比足够轻量的方法。因此，在本论文提出一种基于ML的方法，它消除了多重试用编码的需要，也消除了对任何与主观质量良好相关的复杂客观质量度量的在线评估的需要。在“基于ML的非迭代方法”中详细解释了该方法。 基于ML的非迭代方法 假设流服务提供商具有跨目标受众测量得到的比特率范围，该比特率范围表示随时间获得的可持续峰值比特率。基于离线分析，假定服务提供商已经到达该范围内的一组量化峰值比特率。例如，这种量化可以通过从最高要求的峰值比特率开始，找到一系列比特率来执行，这些比特率在质量上根据一组相当高的复杂度内容，与前一个比特率恰好相差一个可观测到的差值。这种量化的峰值比特率(Rmax i，i=1，N)的数目(N)决定所需的ABR表示的最大数量(对于一个目标显示类型)。该部分还假定服务提供商具有目标显示的分布。对于每个目标显示类型(D)，假定服务提供商定义了一个“不超过质量度量”(Qmax N)表示集合中的最高质量。该部分假设速率量化过程为每个其它的表示(N-1个)导出相应的质量度量(Qmax i)提供了指导。 现在，每个ABR段的内容自适应阶梯计算具有识别M对(B，R)的问题，其中B代表比特，R代表空间分辨率，并满足(M≤N)，在这些条件下使得在(R i≤Rmax i)和(Qi)的约束下段质量达到最大化。对于i＝1，…，n，内容自适应梯形还可以扩展到考虑帧速率的自适应确定，以及跨越内容帧速率的一小组子集。 为了减少在线计算，所提出的方法依赖于ML技术。有工作已经提出了一种在稍微不同的场景中的方法，将具有不同时空复杂度的大量视频片段用作离线训练集。有相关文献提出了一种在2D可视化复杂度空间中的方法，其中x轴是空间复杂度的指示器，y轴是相对于空间复杂度的时间复杂度的指示器。在给定峰值比特率受到限制的情况下，所有达到Rmax N但仍未达到Qmax N的段必须在Rmax N处编码。 在过滤出所有这样的段之后，剩余段的分布如图1所示。峰值比特率约束导致2D空间中的点分布为下三角分布。对于每个训练视频段，获得跨越多个分辨率的速率与质量数据。在每个训练段上执行视频分析遍历，在此期间收集从复杂性角度表征内容的多个度量。通过这些措施，通过训练过程获得与识别具有非常相似（R，Q）曲线的最近邻相关的特征。（R目标比特率和最大比特率，Q）数据和训练段的特征将以适当的格式存储。 通过执行以下有序步骤来确定给定(Rmax i，Qmax i)组合的给定ABR段的内容自适应(Bi，Ri)对。图2说明了本方法的关键阶段。首先，对该段进行相同的视频分析以获得复杂性度量。从这些措施中，训练好的ML模型将生成一个特征向量。利用这个特征向量，通过评估当前片段的特征和每个训练片段的特征之间的相似性度量，识别出来自训练集的最多k个最近邻。检索这些相邻的（R，Q）数据。对于每个邻居，在每个分辨率中，查找QMAX...

森海塞尔、铁三角、拜亚动力、歌德、AKG……你还记得它们吗？ 几年前选购一款耳机时，很多人想到的是森海塞尔、铁三角、拜亚动力和歌德，除此之外，还有索尼、BOSE、AKG 等品牌同样很受欢迎，它们有着数十年的历史积累和技术沉淀。 但在今天，这些老品牌已经很少被人提起，甚至有不少人会感到陌生，相反，发布仅三四年的 AirPods 和各大手机厂商的真无线耳机成为了争相追捧的对象。这几年发生了什么，老牌音频厂商为什么被遗忘了？ 大人，时代变了 如果你现在去购物网站中搜索耳机，按照销量排序后，会发现排名靠前的都是手机厂商推出的真无线耳机。它们的外观配色非常相像，甚至连命名都有固定套路。例如 XxxPods、XxxBuds、FreeXxx，最后还要搭配上 Air、Pro 等后缀词，之前我就体验过一款叫作 realme Buds Air Pro 的真无线产品，整体表现还不错，就是命名像个「缝合怪」，当然这也不难理解，通过命名确实能够很好的表达出这类产品的共同特点：机身轻盈、体积小巧，最关键的是摆脱了线材的束缚。 不过有意思的是，在之前的有线时代，大家对耳机的要求只有音质，如今，我们不仅要去掉这根线，还不能过于降低音质，除此之外，主动降噪也是必须的，通透模式也得安排上，入耳检测、触控交互肯定也不能落下，耳机盒最好还要支持无线充电……而传统音频厂商在面对这些新要求时，表现的就像一名「偏科生」，它们过去的积累更多是在音频方面，而在真无线的功能建立上几乎是一片空白。相比之下，手机厂商有着强大的供应链管控能力，往往能够拿出最好的真无线解决方案，功能体验必然更占优势。 AirPods Pro 和森海塞尔木馒头就是很好的例子，大家在谈论 AirPods Pro 时，总是不由感叹 H1 芯片强大稳定的连接性能，还有降噪模式和通透模式营造的绝佳体验，而形容音质时，简简单单用「白开水」就可以概括。森海塞尔木馒头则完全相反，它的音质广受很多 HiFi 用户所喜爱，但牵扯到功能层面的体验就逊色不少，连接流程繁琐、多设备切换不方便、甚至不能单耳使用……谁更受消费者欢迎呢，很显然，销量是最好的证明，对真无线耳机来说，功能方面的需求占比确实会更大一些。 森海塞尔面临的困境，也是传统音频厂商共同的问题，空有一身好音质却找不到用武之处年轻人为什么不能碰hifi耳机，令人感到遗憾之余，又有一些无奈，只能说时代变了。 耳机生态正在改变 越来越多的消费者不再把音质作为评判耳机唯一标准，他们还想体验到更出色的功能，而手机厂商也在慢慢改变着对耳机的定义。 相信现在有不少人会「顺着手机选耳机」，这是非常正确的思路，如果你用 iPhone，那么最佳的音频设备一定是 AirPods，如果你用华为，那么搭配 FreeBuds Pro 可以获得最好的体验，虽然现在带来的可能只是一个炫酷的弹窗动画，也可能是独有的低延时连接，或者是更好的音质，但随着技术的不断迭代，一定会有更超前的功能出现，例如 AirPods Pro 和 AirPods Max 已经具备了「计算音频」的概念。 在手机厂商眼里，耳机最终的应用场景绝不会只局限在听音乐上，他们所定义的耳机是「可穿戴智能设备」，通过加装更多传感器实现强大的功能，从而扩展更具前景的应用场景。就拿 AirPods Max 举例子，这副头戴耳机内部隐藏有...

一、摘要 本文将会讲述结构性模式中的另外一个常用的模式-组合模式，我们平时在面向对象的设计中，我想有一个原则经常被提及就是，我们在设计的时候， 对象组合>类的继承，本篇将会将结合简单的实例来说明这方面的优势，并且完成对组合模式的主题思想的掌握。我们这样来简单的理解组合模式，组合模 式就是把一些现有的对象或者元素，经过组合后组成新的对象，新的对象提供内部方法，可以让我们很方便的完成这些元素或者内部对象的访问和操作。我 们也可以把组合对象理解成一个容器，容器提供各种访问其内部对象或者元素的API，我们只需要使用这些方法就可以操作它了。那么对象组合相比继承的 优势有哪些呢？可能具体的优势，也不是一句二句就能表述清楚的，还是我们来看看图形的可视化的描述吧。 我们这里设计的是持久化服务写到一个基类中，然后继承自该基类的子类都会拥有内置的持久化方法，可能后续我们又要添加其他的针对某个具体的对象类，有一些个性化的服务分页控件，我们通过扩展这个类，进行继承，这样多重继承后，会有一个很大的问题。子类膨胀的问题，而且一般来说继承的重数达到5层左右的时候，性能上可能就会有一定的瓶颈，。也不是好的设计的思路。这时候对象组合可能为我们提供了更好的解决方案。基于组合方式的话，可能我们可以这样来做，换个思路：就像我们的一个负责的对象，可以通过简单的对象来组成的道理差不多，其实。 通过上图，我们知道了，组合对象可以看作是一系列简单的对象组合成负责的对象的一个模式，复杂对象可以看作是简单对象的一个容器。这个复杂对象完成了简单对象的封装，通过这个容器完成对象内部简单对象的访问。 二、组合模式的特点及使用场景 组合模式是将一系列对象组合成树形结构用来表示整体和部分之间的关系，组合模式的主要目的是达到，访问组合对象和访问单个对象具有一致性。这里的组合对象比较特殊，本身他可以是由其他的对象组合而成，同时，这个组合对象又可以是组成更复杂对象的一个部分。我们来举个例子来说明吧，可能更直观。 这里我们可以理解为一个简单的查询组件可能有要满足 上述的几类查询条件的输入类型，将这个组件作为一个容器，那么同事，这个容器又可以作为另外一个容器的组件来运行，那么我们又可以在分页控件中， 将这个查询组件包含到其中。以为分页提供相应的查询元素的集成。 我们一般在如下场景中使用组合模式比较方便： 1、我们有的时候想用户使用一个复杂对象像使用简单对象一样的方式去访问，并且用户同意使用对象内部的所有的对象时，我们可以考虑使用该模 式。这个怎么理解呢？我们使用复杂对象像使用简单对象一样的方式去访问的话，那么我们可以使用组合对象，我们把这些简单的对象进行组合，用组合对 象进行包装，并且提供相应的操作组合对象内部的方法。结合上图中的例子，我们可以这样理解，我们把查询组件封装成一个用户控件，然后可以在其他的 页面中进行调用。这个时候，我们可能考虑如何分部页面，如何能够动态的维护界面上的控件，是否显示，控件里面显示的文本和值是什么？等等，这些都 是我们可以考虑的元素，那么我们如何来做呢？提供下面的几个方法。我还是给出图来说话吧： 包含上面的这些元素，那么我们可以通过一些相应的方法来进行访 问内部的元素。我们给出简单的示例代码： public QueryControl() { InitializeComponent(); this.InitControlList(); } public event EventHandler handler; private Dictionary<string,Control> _controlList = null; /// /// 初始化控件信息 /// private void InitControlList() { this._controlList =...

在B/S系统开发中，前后端分离开发设计已成为一种标准，而VUE作为前端三大主流框架之一，越来越受到大家的青睐，Antdv是Antd在Vue中的实现。本系列文章主要通过Antdv和Asp.net WebApi开发学生信息管理系统，简述前后端分离开发的主要相关内容，仅供学习分享使用，如有不足之处，还请指正。 在本示例项目中分页控件，主要包含两大部分：1.前端web项目【vsims.web】2.后端webapi项目【vsims.webapi】，经过前两篇文章的讲解，已经对前端项目的架构和组成部分，以及后端webapi项目的开发有了大致了解。今天继续开发学生管理模块，主要讲解列表，表单开发的相关内容。 涉及知识点 在本示例中，涉及知识点，主要是前端开发相关： 功能划分 在本示例中，学生管理模块功能主要分为4个部分： 查询功能 在学生管理模块中，查询功能主要通过学号，姓名两个条件进行查询，代码如下所示： <a-form :model="formState" name="horizontal_query" layout="inline" autocomplete="off" @finish="onFinish" @finishFailed="onFinishFailed"> <a-form-item label="学号" name="no"> <a-input v-model:value="formState.no"></a-input> </a-form-item> <a-form-item label="姓名" name="name"> <a-input v-model:value="formState.name"></a-input> </a-form-item> <a-form-item> <a-button type="primary" html-type="submit">查询</a-button> </a-form-item> <a-form-item> <a-button type="primary" @click="addStudent">新增</a-button> </a-form-item></a-form> 注意：form表单的提交事件为submit，finish为提交成功后的响应事件，在此事件中可以进行接口调用，如下所示： const onFinish = (values: any) => { var no = values.no; var name...

你是否还在用手机自带的浏览器？不仅功能少，而且使用起来也不便捷。 今天就给大家分享6款简洁好用的手机浏览器，全都是无广告、无推送、无新闻，下面快来认领你需要的浏览器。 01*Alook 使用感受：这款浏览器是iOS端的“一枝独秀”！现在有了安卓版，播放视频支持悬浮窗以及画中画功能，也支持视频倍速播放，主页提供了上百个快捷工具和导航栏，是我目前最喜欢的一款手机浏览器。 02*Via 使用感受：这款体积不到1M的浏览器，手机再卡也能快速打开，主页非常清爽，没有乱七八糟的各种推荐，这才是我们需要的浏览器！我主要看中它的插件功能via电脑版，非常多，唯一的缺点就是没办法记住密码。 03*X浏览器 使用感受：这也是一款轻量级的浏览器，拥有强大的资源嗅探能力，轻松下载网络资源。自带的护眼效果超级棒！毕竟浏览器用久了，也会产生很多垃圾via电脑版，我们可以直接在浏览器中，直接清理缓存数据。 04*夸克 使用感受：相比上面两款，夸克的功能更多一些，里面的AI应用相当于一个“百宝箱”，还拥有海量的电子书、小说、漫画。夸克我也是用了好多年，但是很多网友都说越来越臃肿了，希望不要走UC的老路。 05*Microsoft Edge 使用感受：这是微软自家的浏览器，可以让手机与PC无缝连接，与电脑保持同步，这一点很舒服，适用于办公人群。作为一款手机浏览器，不得不说的确十分棒；但是作为一个搜索引擎，还是欠缺了点。 06*Google Chrome 使用感受：这款浏览器我想大家应该都很熟悉，用它可以找一些国内没有的内容，手机和电脑上也可以进行全平台数据同步，个人感觉没有Edge方便。但Chrome最大的特点就是，拥有最新的内核。 最美尾巴： ———END———限 时 特 惠：本站每日持续更新海量各大内部创业教程，一年会员只需88元，全站资源免费下载点击查看详情站 长 微 信：chuangyedemao

文丨AI财经社 郑亚红 编丨鹿鸣 素有“黄埔军校”之称的百度，再次将一位总裁级别以上的高管送了出去。在高调加入百度485天后，5月18日，陆奇宣布卸任集团总裁及首席运营官。受这一影响，截至北京时间5月18日19点，百度盘前股价报261.90美元，大跌6.36%。 从2010年开始，百度平均每年都有两位高管离职，根据腾讯的一份统计显示，从2007年到2017年，百度至少有十位副总裁、二十多位高管离职。从2015年至今，百度离职高管超过十位。 员工称“李彦宏与陆奇很搭” 在陆奇之前，上一个从百度离职，掀起如此巨大波澜的还是吴恩达，吴恩达在百度担任首席科学家，曾被认为是百度布局无人驾驶的王牌，他在百度供职三年，于去年3月离职。 陆奇比吴恩达更受李彦宏重视。过去整整一年，陆奇几乎成为百度的二号人物，他的加入给准备逆势翻盘的百度注入了一股新鲜的力量。不止如此，陆奇的加入时机是一个很巧妙的时间点。 那是2017年1月份，经历了2016年一整年的调整百度组织架构，百度的步伐从慌乱中找回了节奏。但内部暗流涌动，变化在剧烈发生着，“四大护法”悉数离职，高层动荡，说混乱并不为过。就在这个时机，陆奇出现了，他像一块李彦宏在孤立无援的海面上漂来的一块浮板。“他们俩非常搭，陆奇来了之后，Robin（李彦宏）轻松了很多”，百度的内部员工曾经向AI财经社坦露。 李彦宏对陆奇的评价也十分高，他说：“陆奇比我更懂人工智能，有非常强的技术能力，又有很强的管理能力，并且工作极其玩命。” 百度十年走了十位副总 这样一个完美的partner仅仅在百度停留了一年零四个月，便毫无征兆地离开百度。这不免让人回想起李彦宏集权，且不善管理团队的传闻。 从2010年开始，百度平均每年都有两位高管离职，根据腾讯的一份统计显示，从2007年到2017年，百度至少有十位副总裁、二十多位高管离职。仅从2015年至今，百度离职高管超过十位，可以说是爆发式高管离职潮。 去年“四大护法”的吴恩达、王劲、余凯和倪凯悉数出走之时，给百度带来了不小的震荡。几位高管纷纷投身于相关领域创业，站在了百度的竞对面。这其中有一点变节，李彦宏以侵犯商业秘密为由，将王劲及王劲所经营的美国景驰公司告上了法庭，这也相当于把两人之前的同盟情谊给斩断。 “李彦宏是一种西式的管理风格，把每个人都当成下属，不江湖，所以有时候让人觉得单纯，有时候让人觉得冷漠。”一位跟随李彦宏多年的百度前高管接受《环球企业家》采访时如此说道。报道中称，当年百度副总裁俞军提出离职后，李彦宏曾多次挽留，希望俞军提出条件怎么样才不离开，有人建议应该由他自己来向俞军开出条件以示诚意，但李彦宏的回复是：如果他拒绝了，我多没面子？ 逃不开的百度COO“一年多”魔咒 在陆奇和吴恩达之前，百度已经很久没有COO和CTO了。 2010年年初，首席技术官(CTO)李一男和首席运营官（COO）叶朋相继离职。李彦宏当时接受媒体采访时表示，未必会寻找新的COO及CTO。当时媒体的解读为，百度将在很长一段时间内COO及CTO职位空缺。 当时外界分析，人才引入的不顺利可能是李彦宏不再愿意为百度引入核心高管的原因。 叶朋离职后的七年时间里，李彦宏都未引入COO一职。后来李彦宏以陆奇是“秦失其鹿，天下共逐之”百度组织架构，来描述这位从微软离职的科技圈红人。 陆奇的到来将李彦宏从繁杂的事物中解救出来，曾经直接向他汇报的十几个高管少了一半，仅有六七个。原先向李彦宏汇报的高管，如总裁张亚勤，高级副总裁向海龙、朱光等，全部改为向陆奇汇报，陆奇再向李彦宏汇报。可以说，李彦宏将具体业务全权交给了陆奇，陆奇把握着百度相当重要的一部分权力。 陆奇大刀阔斧主导了百度的人事和组织架构调整。同年2月，百度宣布裁撤医疗事业部；8月，百度外卖以总价8亿美元出售给饿了么，并最终套现4.88亿美元。而且确立了百度聚焦AI的战略，并把移动搜索、信息流和手机百度作为公司的主航道和关键使命，而贴吧、地图等传统业务则弱化其战略地位。 如今陆奇离去，李彦宏下一个COO还要等待多久呢？ ———END———限 时 特 惠：本站每日持续更新海量各大内部创业教程，一年会员只需88元，全站资源免费下载点击查看详情站 长 微 信：chuangyedemao