• 终于考上人工智能的研究僧啦，不知道机器学习和深度学习有啥区别，感觉一切都是深度学习
• 挖槽，听说学长已经调了10个月的参数准备发有2000亿参数的T9开天霹雳模型，我要调参发T10准备拿个Best Paper

现在搞传统机器学习相关的研究论文确实占比不太高，有的人吐槽深度学习就是个系统工程而已，没有数学含金量。

但是无可否认的是深度学习是在太好用啦，极大地简化了传统机器学习的整体算法分析和学习流程，更重要的是在一些通用的领域任务刷新了传统机器学习算法达不到的精度和准确率。

深度学习这几年特别火，就像5年前的大数据一样，不过深度学习其主要还是属于机器学习的范畴领域内，所以这篇文章里面我们来唠一唠机器学习和深度学习的算法流程区别。

1、机器学习的算法流程

实际上机器学习研究的就是数据科学（听上去有点无聊），下面是机器学习算法的主要流程：

1. 数据集准备
2. 探索性的对数据进行分析
3. 数据预处理
4. 数据分割
5. 机器学习算法建模
6. 选择机器学习任务
7. 最后就是评价机器学习算法对实际数据的应用情况如何

1.1 数据集

首先我们要研究的是数据的问题，数据集是构建机器学习模型流程的起点。简单来说，数据集本质上是一个M×N矩阵，其中M代表列（特征），N代表行（样本）。

列可以分解为X和Y，X是可以指特征、独立变量或者是输入变量。Y也是可以指类别标签、因变量和输出变量。

1.2 数据分析

进行探索性数据分析（Exploratory data analysis, EDA）是为了获得对数据的初步了解。EDA主要的工作是：对数据进行清洗，对数据进行描述（描述统计量，图表），查看数据的分布，比较数据之间的关系，培养对数据的直觉，对数据进行总结等。

探索性数据分析方法简单来说就是去了解数据，分析数据，搞清楚数据的分布。主要注重数据的真实分布，强调数据的可视化，使分析者能一目了然看出数据中隐含的规律，从而得到启发，以此帮助分析者找到适合数据的模型。

在一个典型的机器学习算法流程和数据科学项目里面，我做的第一件事就是通过 “盯住数据”，以便更好地了解数据。个人通常使用的三大EDA方法包括：

描述性统计

平均数、中位数、模式、标准差。

数据可视化

热力图（辨别特征内部相关性）、箱形图（可视化群体差异）、散点图（可视化特征之间的相关性）、主成分分析（可视化数据集中呈现的聚类分布）等。

数据整形

对数据进行透视、分组、过滤等。

1.3 数据预处理

数据预处理，其实就是对数据进行清理、数据整理或普通数据处理。指对数据进行各种检查和校正过程，以纠正缺失值、拼写错误、使数值正常化/标准化以使其具有可比性、转换数据(如对数转换)等问题。

例如对图像进行resize成统一的大小或者分辨率。

数据的质量将对机器学习算法模型的质量好坏产生很大的影响。因此，为了达到最好的机器学习模型质量，传统的机器学习算法流程中，其实很大一部分工作就是在对数据进行分析和处理。

一般来说，数据预处理可以轻松地占到机器学习项目流程中80%的时间，而实际的模型建立阶段和后续的模型分析大概仅占到剩余的20%。

1.4 数据分割

训练集 & 测试集

在机器学习模型的开发流程中，希望训练好的模型能在新的、未见过的数据上表现良好。为了模拟新的、未见过的数据，对可用数据进行数据分割，从而将已经处理好的数据集分割成2部分：训练集合测试集。

第一部分是较大的数据子集，用作训练集（如占原始数据的80%）；第二部分通常是较小的子集，用作测试集（其余20%的数据）。

接下来，利用训练集建立预测模型，然后将这种训练好的模型应用于测试集（即作为新的、未见过的数据）上进行预测。根据模型在测试集上的表现来选择最佳模型，为了获得最佳模型，还可以进行超参数优化。

训练集 & 验证集 & 测试集

另一种常见的数据分割方法是将数据分割成3部分：

1. 训练集
2. 验证集
3. 测试集

训练集用于建立预测模型，同时对验证集进行评估，据此进行预测，可以进行模型调优（如超参数优化），并根据验证集的结果选择性能最好的模型。

验证集的操作方式跟训练集类似。不过值得注意的是，测试集不参与机器学习模型的建立和准备，是机器学习模型训练过程中单独留出的样本集，用于调整模型的超参数和对模型的能力进行初步评估。通常边训练边验证，这里的验证就是用验证集来检验模型的初步效果。

交叉验证

实际上数据是机器学习流程中最宝贵的，为了更加经济地利用现有数据，通常使用N倍交叉验证，将数据集分割成N个。在这样的N倍数据集中，其中一个被留作测试数据，而其余的则被用作建立模型的训练数据。通过反复交叉迭代的方式来对机器学习流程进行验证。

这种交叉验证的方法在机器学习流程中被广泛的使用，但是深度学习中使用得比较少哈。

1.5 机器学习算法建模

下面是最有趣的部分啦，数据筛选和处理过程其实都是很枯燥乏味的，现在可以使用精心准备的数据来建模。根据taget变量（通常称为Y变量）的数据类型，可以建立一个分类或回归模型。

机器学习算法

机器学习算法可以大致分为以下三种类型之一：

监督学习

是一种机器学习任务，建立输入X和输出Y变量之间的数学（映射）关系。这样的(X、Y)对构成了用于建立模型的标签数据，以便学习如何从输入中预测输出。

无监督学习

是一种只利用输入X变量的机器学习任务。X变量是未标记的数据，学习算法在建模时使用的是数据的固有结构。

强化学习

是一种决定下一步行动方案的机器学习任务，它通过试错学习（trial and error learning）来实现这一目标，努力使reward回报最大化。

参数调优

传说中的调参侠主要干的就是这个工作啦。超参数本质上是机器学习算法的参数，直接影响学习过程和预测性能。由于没有万能的超参数设置，可以普遍适用于所有数据集，因此需要进行超参数优化。

以随机森林为例。在使用randomForest时，通常会对两个常见的超参数进行优化，其中包括mtry和ntree参数。mtry（maxfeatures）代表在每次分裂时作为候选变量随机采样的变量数量，而ntree（nestimators）代表要生长的树的数量。

另一种在10年前仍然非常主流的机器学习算法是支持向量机SVM。需要优化的超参数是径向基函数(RBF)内核的C参数和gamma参数。C参数是一个限制过拟合的惩罚项，而gamma参数则控制RBF核的宽度。

调优通常是为了得出超参数的较佳值集，很多时候不要去追求找到超参一个最优值，其实调参侠只是调侃调侃，真正需要理解掌握算法原理，找到适合数据和模型的参数就可以啦。

特征选择

特征选择从字面上看就是从最初的大量特征中选择一个特征子集的过程。除了实现高精度的模型外，机器学习模型构建最重要的一个方面是获得可操作的见解，为了实现这一目标，能够从大量的特征中选择出重要的特征子集非常重要。

特征选择的任务本身就可以构成一个全新的研究领域，在这个领域中，大量的努力都是为了设计新颖的算法和方法。从众多可用的特征选择算法中，一些经典的方法是基于模拟退火和遗传算法。除此之外，还有大量基于进化算法（如粒子群优化、蚁群优化等）和随机方法（如蒙特卡洛）的方法。

1.6 机器学习任务

在监督学习中，两个常见的机器学习任务包括分类和回归。

分类

一个训练好的分类模型将一组变量作为输入，并预测输出的类标签。下图是由不同颜色和标签表示的三个类。每一个小的彩色球体代表一个数据样本。三类数据样本在二维中的显示，这种可视化图可以通过执行PCA分析并显示前两个主成分（PC）来创建；或者也可以选择两个变量的简单散点图可视化。

性能指标

如何知道训练出来的机器学习模型表现好或坏？就是使用性能评价指标（metrics），一些常见的评估分类性能的指标包括准确率（AC）、灵敏度（SN）、特异性（SP）和马太相关系数（MCC）。

回归

最简单的回归模式，可以通过以下简单等式很好地总结：Y = f(X)。其中，Y对应量化输出变量，X指输入变量，f指计算输出值作为输入特征的映射函数（从机器学习模型中得到）。

上面的回归例子公式的实质是，如果X已知，就可以推导出Y。一旦Y被计算（预测）出来，一个流行的可视化方式是将实际值与预测值做一个简单的散点图，如下图所示。

对回归模型的性能进行评估，以评估拟合模型可以准确预测输入数据值的程度。评估回归模型性能的常用指标是确定系数（R²）。此外，均方误差（MSE）以及均方根误差（RMSE）也是衡量残差或预测误差的常用指标。

2、深度学习算法流程

深度学习实际上是机器学习中的一种范式，所以他们的主要流程是差不多的。深度学习则是优化了数据分析，建模过程的流程也是缩短了，由神经网络统一了原来机器学习中百花齐放的算法。

在深度学习正式大规模使用之前呢，机器学习算法流程中药花费很多时间去收集数据，然后对数据进行筛选，尝试各种不同的特征提取机器学习算法，或者结合多种不同的特征对数据进行分类和回归。

下面是机器学习算法的主要流程：主要从

1. 数据集准备
2. 数据预处理
3. 数据分割
4. 定义神经网络模型
5. 训练网络

深度学习不需要我们自己去提取特征，而是通过神经网络自动对数据进行高维抽象学习，减少了特征工程的构成，在这方面节约了很多时间。

但是同时因为引入了更加深、更复杂的网络模型结构，所以调参工作变得更加繁重啦。例如：定义神经网络模型结构、确认损失函数、确定优化器，最后就是反复调整模型参数的过程。

参考文献  
[1] https://github.com/dataprofessor/infographic    
[2] 陈仲铭. 《深度学习：原理与实践》   

作者：ZOMI酱 

https://zhuanlan.zhihu.com/p/455602945

– EOF –

这些年，机构苦口婆心教育基民“越跌越买”，但似乎只有中概互联，能让大家一边痛骂不如改名“中丐互怜”，一边乖乖掏钱。

2021年2月18日，（易方达）中概互联网ETF场内价格创出历史新高。当时，这只基金的份额不到35亿份，产品的名气远没有现在这么大。没想到的是，在随后净值和场内价格持续下跌过程中，这只基金的份额不减反增，1年多时间翻了10倍以上，直逼355亿份。（交银）中概互联网LOF、（广发）中概互联ETF、恒生科技ETF等可投港股互联网的指数基金，份额在这期间都实现了大跃进。

这种“自杀式”的抄底行为，习惯了阴谋论的投资者们会不假思索地认为，八成又是机构在诱韭菜深入。其实并非如此。

Wind 数据显示，在（易方达）中概互联网ETF份额和规模逆势攀升之际，机构持有比例在小幅上升，而且内部持有比例也在小幅升高，这说明不仅是机构资金，基金公司内部人员也在中概股下跌的过程中不断抄底。

当国内资金抄底热情满满，外资却迎头一棒。13F报告显示，高盛、淡马锡、贝莱德、摩根大通等多家外资减持了阿里巴巴等中概股龙头。而5家中概股更被美国证监会列入“预摘牌名单”，摩根大通对中概股批量给出“卖出评级”，冷冷冰雨把多头按在地上反复摩擦。

有人上车，越跌越买，有人下船，不惜割肉离场。巨大的分歧，似乎让中概股的未来更加扑朔迷离。

本文主要回答中概股下跌的原因，以及国内外资金抄底都买了什么，一共分为三个部分：

1）揭秘：中概股为何大跌？

2）抄底：国内资金买“平台”

3）变化：海外机构爱玩车

01

缘何大跌？

“刚出ICU，又进KTV”，中概股最近的表现几近癫狂。不过，短暂的欢愉并不能抚慰投资者受伤的心。

Wind数据显示，截至3月21日收盘，370只中概股中有231只今年以来下跌，占比62%；其中，股价腰斩的个股29只，天地荟、聚好商城跌幅均逼近90%。没有涨跌板限制的市场，跌起来就是这么奔放。

若统计股价高点至今的跌幅，情况更为惨烈。比如，目前中概股市值最大的阿里巴巴，2020年10月底曾创出了319.32美元的历史最高价，而如今股价不到当时的1/3，跌幅高达67%，期间最低跌至73.28美元；百度、拼多多等中概股自高点以来的跌幅均在50%以上，即使是较为抗跌的京东跌幅也达到40%。

在港股上市的腾讯控股、美团、小米等互联网公司，股价也节节败退，跌到股东都不认识。

中概股这轮调整，下跌幅度之大、周期之长、波及范围之广历史罕见，背后原因肯定不能简单的用业绩来解释。近乎团灭的背后，总的就是四个字：内忧外患。

众所周知，中概股面临的最大“外患”就是退市风险。

根据美国国会2020年通过的《外国公司问责法案》，如果外国上市公司连续三年未能提交美国上市公司会计监督委员会所要求的报告，允许美国证监会（SEC）将其从交易所摘牌；其中就包括在美上市的外国公司需要披露审计底稿的不对等要求。

今年3月10日，SEC将5家中概股公司列入《外国公司问责法》的暂定清单，再次引发了中概股的抛售潮，让投资者对退市的杀伤力有了更直观的感受。退市风险，说到底是信任危机，对中概股造成的压力主要来自于两个方面：

一是，对流动性折价的担忧。美股是一个全球性的市场，流动性泛滥，在美上市的溢价比较高，融资效率更高；与之相比，港股流动性没有那么充裕，在港上市的溢价较低。中概股在美退市后转到港股上市，考验着国内投资者的承接能力，可能存在流动性折价风险。

二是，美元投资者集中抛售的压力。目前中概股股东中仍有大量的海外机构，若这些公司从美股退市，势必会引发海外投资者的大规模抛售。

屋漏偏逢连夜雨。退市之剑悬而未落，国内行业监管政策的收紧，又给中概股的前景蒙着捉摸不透的阴影。

在过去一年多里，互联网行业反垄断、教育行业“双减”、网络游戏防沉迷新规等政策陆续出台。尽管这些政策的出发点都是好的，并非为了打压个别行业和企业，但海外投资者对国内政策预期调整需要时间，容易导致市场短期过度反应，风险偏好骤降，出现恐慌式下跌。

在与一些基金经理的交流中发现，对于中概股下跌的原因，还有另外一种声音。有人认为，经过多年发展，互联网的渗透率非常高，行业发展进入后半段，近几年互联网行业的增长逻辑是市场下沉，但整个行业空间或许已经逼近“天花板”，预计未来行业增速将见顶回落。

换句话说，互联网行业高速成长期已经过去了，未来将进入成熟期，估值的想象空间变小了。这样的看法虽然有些“马后炮”，但无疑加重了市场的悲观预期。

不过，退市、政策监管，以及行业增速见顶，可能都只是中概股下跌的表层原因，深层次的原因在于底层估值逻辑发生了变化。

当共同富裕摆在了重要的位置，当经济发展从高速度转变为高质量，分配制度也从效率优先到兼顾公平，在此背景下，市场的估值体系可能被重塑。

中概股的坚定持有者们最怕听到的鬼故事，就是互联网要变为公共事业。众所周知，科技股往往增速快，行业空间巨大，市场也愿意给它们高估值；相反，公共事业公司无论是业绩增速，还是行业空间，都没有那么性感。如果真的发生这种改变，互联网公司势必会遇到业绩和估值的双杀压力。

相比业绩的简单直白，公司估值要模糊太多，常常是见仁见智。互联网公司当前遇到的最大问题是，当市场环境发生剧烈改变后，它们到底值多少钱，估值应该怎么给，市场参与者还没有形成共识，也没有一个可参考的标准。在中泰资管姜诚看来，隐藏在背后的原因是“价值锚”的缺位。

尽管退市阴霾未散，原有估值逻辑也有可能被推倒重来，但是面对股价动辄腰斩、估值进入历史较低区间的互联网公司，抄底资金可谓是前赴后继。

02

国内资金买「平台」

高毅资产首席投资官邓晓峰在今年初与投资者线上交流时分享了自己对互联网行业的看法。

在他看来，互联网行业类似2012、2013年时的白酒行业。当时受“八项规定”和“塑化剂”事件的影响，白酒股持续调整，直到2016年才开始复苏，但这并不妨碍这个行业长期的高回报，因为白酒本身是一门好生意。互联网的商业模式也非常优秀，当行业稳定之后，很容易为股东创造可观的回报。

他认为，外部因素对中概股互联网公司影响达到最大值的时候，大概率是行业在资本市场表现最差的时候。他断言，尽管互联网行业上行的空间和时间尚不确定，但今年互联网至少是一个下行风险很小的行业。

在3月初这轮恐慌性下跌中，邓晓峰有没有抄底中概股不得而知，但他对于互联网行业的乐观预期无疑是具有代表性的。“中国巴菲特”段永平也是中概股的忠实信徒，曾在互联网泡沫中逆势抄底网易一战成名，如今除了“风投”拼多多之外，外界最为津津乐道的还是他抄底腾讯。

2018年，腾讯因游戏版号停发等问题股价暴跌，短短几个月跌幅超40%，段永平趁机上车。去年，腾讯被批为“精神鸦片”，股价再次大跌近40%。段永平8月4日在雪球（ID：大道无形我有型）上称买了腾讯，再跌继续买，二度抄底。今年2月28日，有雪球粉丝调侃，腾讯又到了大道底。段永平回复称，“低过我上次买的价钱了，那明天再买点”。此后，他还多次表达了对腾讯的看好。

3月8日，他在回复网友提问时表示，“计划没（每）掉10%加一次仓”。3月14日，他表示再过一两个礼拜，应该还有些苹果的put到期，到时可以考虑再买点；次日上午，他又声称“明天准备拿伯克希尔B股换点腾讯，不等了”。不过，这些话可能更像开玩笑。他曾表示，腾讯对他的吸引力还没到让他卖掉任何别的股票去换的地步，再跌几次说不定就要认真想想了。

过去几年，腾讯因游戏业务广受诟病。作为游戏学习机“小霸王”的缔造者，段永平对游戏有着不同的看法。他曾经解释过买腾讯的理由。在他看来，游戏最根本的东西是消费时间并获得快乐，而网络游戏是大多数人获取简单快乐最具有性价比的办法。游戏和其他消费品没有任何差别，并不存在良知的问题。如果以10年计，拿着茅台和腾讯应该比拿着现金好。

即使是高调抄底腾讯的段永平，持有腾讯的比重还很低。相比之下，国内一些公募产品才是重仓持有或是逆势抄底中概股的中坚力量。

比如，国投瑞银中国价值发现一直重仓持有腾讯控股和阿里巴巴，去年四季度还加仓了后者，目前分别为第一和第二重仓。基金经理汤海波表示，看好过去 一年中受持续政策打压，目前估值处于历史低位的平台型互联网公司。他认为这些行业仍有充足的发展空间，并相信中国互联网龙头公司在全球范围内的竞争优势。

上投摩根亚太优势基金经理张军也表示，中概股的远期市盈率约为13倍，而美国股市则超过20倍。中国股票并不昂贵。即使市盈率只是停留在目前水平，预期的经济扩张应该会推动公司收益在未来几年大幅上升。

创金合信港股互联网基金经理胡尧盛则从业绩角度提出了看好互联网行业的逻辑。他在四季报中表示，核心互联网公司收入端依然维持较高增速，虽然利润端不理想，但并非公司经营出了问题，基本面并没有出现风险。而当前股价下跌反应有些过度。他四季度真金白银为自己的认知“充值”，加仓了美团、腾讯控股、阿里巴巴、京东集团、百度集团等股票。

统计公募基金重仓股后发现，互联网龙头、平台型公司仍是国内资金布局首选，即使是投资范围更广的QDII基金也是如此。具体来看，腾讯、美团、阿里、京东等龙头股成为很多基金必配重仓股。

国内投资者最懂中国，也最懂中国的公司，互联网公司的公允价值可能无法判断，但这些公司中不少是好公司，这于这一点很多人深信不疑。他们越跌越买，拉长周期看，输的或许只是时间。

更何况，当安全边际已经跌得足够明显，哪怕是异国他乡的海外投资者，也在抄底中概股这件事情上逐渐有了共识。

03

国外机构爱玩车

97岁的芒格对中国经济、中概股的看好从来不掩饰。

根据不久前披露的13F文件显示，截至2021年12月底，查理·芒格旗下公司DailyJournalCorp（每日期刊）通过美国存托凭证(ADR)累积持有阿里巴巴602060股，持有市值约0.72亿美元，占比约28%，为公司第三大持仓。

值得一提的是，与去年三季度相比，四季度每日期刊买入阿里巴巴的股票数量接近翻倍，如此大手笔的加仓，可见芒格对阿里巴巴是真爱，对中国经济、互联网的信心并非嘴上说说而已。

去年一季度，阿里股价大跌，芒格首次买入了165320股；二季度阿里股价波动较小，他并没有急于加仓，只是维持之前的持仓不变；三季度阿里单季下跌近35%，芒格再次出手，买入136740股，持股总数也上升至30万股；四季度阿里又下跌了近20%，他这次选择了重拳出击，一口气买了30万股。

尽管越跌越买，持仓成本不断摊薄，但过早的抄底，还是让芒格在这笔投资上有些被动。以至于在近期召开的每日期刊股东大会上，他对中概股、对阿里巴巴的看法之类的问题被股东们反复提到。

芒格在回答股东提问时表示，之所以投资中国公司，是因为能够买到更多的价值。一些中国公司不仅价格便宜，而且竞争力更强。与美国的投资机会相比，中国的投资机会更好，而且能以更便宜的价格买入，获得更高的公司价值。他不觉得阿里巴巴的股权结构是一项特别大的风险，只是觉得其护城河没有苹果和Alphabet那么深。

实际上，在抄底中概股的道路上，芒格并不孤单。

国内投资者比较熟悉的先锋领航集团，去年四季度买入了74只中概股，而且均为新进持仓，持有市值排名靠前的个股包括百度、蔚来、小鹏汽车、拼多多、理想汽车等；但是，先锋集团没有买阿里巴巴、京东这些老牌零售电商龙头，而是选择了后起之秀拼多多。

贝莱德四季度对中概股有增有减，对63只中概股进行了增持，对66只中概股进行了减持或清仓，另外新进买入红黄蓝、叮咚买菜等4只中概股。其中，蔚来、拼多多、理想汽车、阿里巴巴等个股均获得增持，百度、百胜中国、小鹏汽车虽被小幅减持。

有意思的是，道富银行、摩根大通、纽约梅隆银行、挪威中央银行、高盛集团等知名外资机构，对中国“造车新势力”表现出了浓厚的兴趣，四季度纷纷增持了相关公司，其中蔚来受关注度最高，获得149家机构增持，189家机构新买入。

若从持股机构数来看，阿里巴巴中驻扎的外资数量最多，达1287家，较三季度小幅下降；另外，百胜中国、京东、百度、蔚来持股机构数均超过500家。

当然，对于中概股，尤其是处于反垄断风口浪尖的中国互联网公司，外资机构之间是有分歧的。但对于一些好公司，尤其是中国市场上快速成长的优质公司，他们从来不吝啬手里的子弹，比如造车新势力、以做下沉市场起家的拼多多。

04

尾声

段永平曾被记者问道，当年网易跌得仅剩0.8美元，你哪来的勇气敢买入？他反问道，原本值10块钱的东西，现在有人哭着喊着要以1块钱的价格卖给你，这还需要什么勇气吗？

当价格显著低于企业价值时，抄底当然不需要勇气和胆识，但需要子弹。

很多时候投资会陷入“一看就会，一学就废”的困境，原因既关乎能力，又在于资金的不自由。大多数人是不具备判断一家公司价值的能力的，而股价见底与价值发现通常不会同时到来。

毕竟，段永平只有一个，但倒在了黎明前黑暗中的人，却有许多。

全文完。

中国的软件产业虽然也有长足的发展，但现实中，我们没有真正意义上的软件巨头型企业。

经历了这么多年的风风雨雨，作为中国软件的从业者，我常常在思考，为什么中国的软件产业还是很低端，并没有太多的优秀的软件问世，反而我们的邻国俄罗斯，最近这二十年完全无法和中国的经济发展相比较，但在软件行业里，前有大家基本上无法离开的 Nginx，后有现在已经大规模被使用中的 Clickhouse，这些都是有能力影响全世界的产品。

中国的软件产业虽然也有长足的发展，但现实中，我们没有真正意义上的软件巨头型企业，大量基础软件被外国垄断，这究竟是为什么呢？

波吉结合自己这么多年的观察，总结了以下几个点供大家参考：

这个可能跟中国软件产业的发展有关，最早期的中国软件公司，本质上都要么是做对欧美日本的外包产业，要么就是本质上是微软，Oracle，SAP 这些巨头公司产品在中国的代理商（美其名曰ISV），其实都是使用特定的基础软件帮助各行各业完成信息化改造，但各行各业的信息化随着业务变化是不同的，需要大量的定制化，所以无可避免的就是形成了软件=做工程的这么个状态，大量的现在台面上的中国软件公司，本质上就是拿着老外的产品到各个产业做施工队，这也深深的影响了甲方，而且这个影响非常深远。

第一层影响，中国大量的 SaaS 创业者本质上都是在信息系统上创业，没有什么核心竞争力，基本上都是各种流程再造，但满足不了甲方需求，最终沦落为新时代的施工队。

第二层影响，中国的大甲方天然就习惯了施工队模式，导致了中国软件行业很多时候就是个外包模式。

所有软件行业的从业者们都有一个幻想，通过先完成一个最基础的 MVP 模型，然后找甲方进行以项目方式试用，最后能够通过在项目的实战中总结经验完成产品化，最终能够拿出一个完美的产品在行业内复制。

然而，由于大部分的中国软件从业者都是信息系统的创业，加上很多时候一个抽象的信息系统必然需要实施，甚至对甲方业务流程等各方面的咨询实施培训（见 SAP），往往中国的软件创业者又无法输出相应的管理学和流程梳理等最佳实践，为了通过项目形式完成交易，最终一个客户被满足了，但积累的并不是产品，而是一个客户案例，一个行业案例，然后找下一个客户进行定制，最后成功的和自己的前辈们一样，成了某个基础产品的集成商和交付商。

现在在中国软件行业（其实也是舶来品）特别流行一个概念叫 PLG，所谓产品驱动增长，与之相对的是 SLG，所谓销售驱动增长。

但波吉认为，这个说法本身就很有问题，无论是任何一个行业，不管 2B2C，不管是汽车，电子消费品，服装，难道不都是产品力为王么？难道产品不好好做，意味着研究所谓如何销售吗？所谓销售驱动增长，尤其在软件行业，这背后传递的是什么呢？我很难想象一个强调销售套路超过产品本身的公司，能做出什么好的产品？于是这些销售们为了拿单子，完成自己的指标，也逼迫公司将一个个标准化产品去满足各种奇奇怪怪的客户需求，最后走入了死胡同，一旦销售团队崩溃，这个公司也就崩溃，因为客户本身不是为产品的价值买单，我见过太多销售驱动的产品，最终甲方根本没有将产品用起来。

政府信息化数字化也进展了非常多的年头，中国各个地方，大大小小的软件公司，有很多都是政府信息化工程的施工队，这也是中国软件公司非常庞大的一个群体，他们往往又都是重要的集成商，于是乎随着自主可控的概念兴起，一些全国性的所谓信创软件公司和这些地方上的软件公司沆瀣一气，打着旗号撸政府相关的羊毛。

这一类的软件公司本质上的动力不是做一个好软件，而是如何做一个满足政策自主可控需求的软件，在这种出发点下，各地政府又要满足中央的自主可控的目标，事实上形成的产业链很难说对中国软件产业发展有什么帮助，对提升中国的软件实力有什么帮助。类似中国的新能源汽车市场，那些为了仅仅是获取国家补贴的所谓新能源车，什么质量大家都心知肚明。

中国的大型企业客户，大甲方们，由于一开始受信息化时代的合作模式影响，天然的看待中国的软件公司就是工程队，所以人天模式大行其道。

把一切中国的软件都看成是低技术含量的人天可交付的系统，并且一定要源代码，所谓自主可控。再加上大量的中国软件供应商很多只不过是开源软件的魔改厂商，所以让这些大型企业的技术决策者都一个个变成了技术选型的汉尼拔，硬生生需要将一个完整的软件产品看成一个个分片，他们的心里思考的就是软件只不过就是招一堆工程师改吧改吧就能完成需求的东西。最近的银监会出台了一个国有银行管理外包的政策，基本上把软件就定义成了人头工程，在这种情况下我很难想象这个领域会产生一个优秀的软件企业，有的只不过是给银行提供技术人员人头外包的人力管理公司。

中国还有一个貌似被看成全村希望的互联网公司，在大众的眼里，互联网公司技术实力强，人员素质高，互联网公司中的工程师也经常发布很多技术观点，甚至大有中国软件技术引领者的味道。然后现实却非常的残酷，中国互联网公司的本质业务并不是软件，是电商，是社交，是媒体，是买菜，但并不包含软件。软件技术只是互联网公司通过互联网实现自己业务的手段而已，本质还是信息系统。

大部分中国的互联网公司所谓的技术仅仅只不过是在国外的开源软件基础上实现一系列的封装，一系列的优化，美其名曰就是技术实力了，但本质上只是白剽了国外开源软件，而不是购买国外商业软件，然后本质上还是系统集成开发而已，唯一区别可能是面向自己公司的业务，不是外包身份。

中国的互联网公司也产生了一些优秀的软件，但都是把这部分业务变成了独立的软件公司，如云计算，才有可能有发展的价值。

简而言之，互联网公司的一些技术只不过是吃饭的手段，而软件公司本身开发产品是身家性命，岂可同日而语。所以互联网公司所谓的自研都不过是技术团队妄念，对核心业务毫无帮助的事情，无论公司还是个人发展都没有任何意义。

面对这么多的想象，其背后反映出了的本质问题是什么？

中国软件产业本身最缺乏的恰恰是一群真正意义上的软件从业者，这群人的目标应该是真正打造出有价值的软件产品，目标应该是将软件的核心竞争力与世界一流的软件产品相抗衡。并且这一些软件不应该还是那些传统的信息化，数字化的项目定制化的软件。而应该是数据库，中间件，基础软件，Photoshop/CAD/EDA等专业软件。

这才是中国软件的未来，只不过面对目前错综复杂的国际形势和当前严峻的经济环境，有多少企业能坚持做好产品，坚持用好的产品改变甲方的刻板印象，坚持到春暖花开的那一天…..