---

一、去粉丝经济；

二、去参数至上；

三、说人话，做人事。

如果题干里的「科技行业」指的是科技媒体和自媒体们嘴里的那些科技的话，我的观点就是上述三个。如果指的是更广泛、更严肃的科技领域，虽然问题不一而足，但最要紧的一个我认为是：

缺钱

作为一个集智力密集、劳力密集和资本密集于一身的领域，年年大量人员流失，企业、工厂的生存环境简直惨不忍睹。非常关键的问题之一，就是钱太少。

一方面是，外部资本不愿意进来；

另一面是，互联网和房地产吸走了过多的社会资源和舆论关注。

一个对人和钱都有强烈需求的领域，既缺人又缺钱的时候，任何问题的出现都丝毫不奇怪。

---

放慢发展的脚步，停止无意义的「迭代」。

这里说的「科技行业」，应当主要是指计算机以及互联网行业吧。

要问当下的科技行业出了什么问题，最大的问题就是「它在强迫自己发展和迭代」。自 iPhone 开启移动互联网时代之后，苹果创造了一套叙事，一套「每年九月都要发布新 iPhone」的叙事，它主要由三个部分组成：

1.苹果会告诉你以前人们的生活是怎样的。

2.苹果会宣布自己又开发了一项什么新技术。

3.苹果会让你进入这套叙事中，开始想像自己用上了最新技术之后，如何能生活得更好。

这套叙事太过成功，以至于它将苹果变成了可以说人类商业史上最成功的公司之一。每个普通人都在关注苹果每年九月的新产品发布，每个人都不断怀疑，自己的手机是不是每过一两年就应该换新。

这个思路从苹果蔓延至了其他硬体厂商，甚至是整个互联网行业。硬体开始以越来越快的速度迭代，即使近几年算力发展的速度已经大大降低了，厂商还是想通过「左右横跳」的方式来迭代产品，苹果反而成了相对克制的一家公司。

软体也是一样，很多企业的内部机制开始要求下面的开发人员必须「定期推出新功能」，而不是思考一个中长期的「终极目标」并不断靠近。很多软体服务的产品更新几乎没有任何合理之处，但他们还是被这套机制推动著，不断「强行更新」。

这个东西发展到极致的一个表现就是「订阅制」，所有企业都希望你掉进一个坑里之后就最好再也不要出来，持续为这家企业稳定而长久地「打工」，一用就是一辈子。

这是当下科技行业最大的问题。科技原本应该是从「发现问题」到「解决问题」的过程，现在它开始「创造问题」，并试图让用户为「答案」买单。

天天说高刷屏用了就回不去，一亿像素的相机用了就回不去。但过去几十年里，人们在 24 帧的电影幕布上创造了那么多经典作品，用胶片相机记录了那么多宝贵的回忆。我们现在用 120 帧的屏幕，一亿像素的相机看了什么，拍了什么？

这是我觉得最大的问题。

---

需要解决的问题很多，说个和大家日常生活相关的：

「流量太贵」问题。

流量太贵怎么办？这是现在的互联网行业从业者最常思考的问题之一。大家都知道，科技互联网四大最挣钱的生意:电子商务，网路游戏，广告，增值服务，本质上都是依托于流量的。

「微信号称十亿用户，那就是实打实的十亿流量，假如微信没有这十亿用户，那它什么都不是。」

的确，流量对于传统的科技互联网公司十分重要，但现在情况正在发生变化——

一、「公域流量」红利见顶

最近因为疫情肥宅在家两个多月，我发现朋友圈的「微商」变多了。卖衣服的，卖鞋子的，卖丝巾的......去年因为在一家品牌专柜买过几双鞋子，发现最近专柜的小姑娘自己当起了模特，试自己品牌的鞋子，拍成一条条视频，发到微信朋友圈。

可能是疫情让品牌商打折比较猛吧，鞋子卖得还挺火的，时不时会晒几张快递单。

我在想，这么下去，这家品牌专柜，还真的就成了一个网店了。有人说，这不就是微商吗？

好吧。换成时下互联网时髦的说法，这其实就是「私域流量」的一种。

（插句题外话，科技互联网行业从来不缺造词高手，KOA、KOB、KOD、KOH、KOM...旧瓶装新酒，各路人士对著内涵和外延都尚未界定清楚的新造概念，兜售营销方案，发表论点，看似热闹，其实还是大环境变了。最近和一些业界同行聊天， 动辄称「跑通闭环」「搭建中台」「构建生态」，但真正专业的懂行人并不多，这其实也是当前科技行业需要解决的浮躁问题，留著以后再说）。

总之，大的互联网平台的流量红利，其实在去年就已经见顶了。

QuestMobile数据显示，2019年第二季度，全网移动互联网月活跃用户规模减少了193万，触顶11.4亿。存量的拼杀里，百度系和腾讯系的用户时长占比均有下降，腾讯系一度下滑了3.6%。

再从平台的获客成本来看，阿里巴巴2015财年的获客成本和单客成本还分别是58.31元/人和24.32元/人，到了2019财年，这组数字已经暴涨到了187.29元/人和60.83元/人，分别上涨了221.2%和150.1%。

回头看中国电商行业的发展史，互联网电商们经过十几年的狂奔，从2014年开始，增速开始一路下滑。根据中国电子商务报告的显示，2014年至2017年的交易总额同比增长率分别为：57.6%、32.9%、19.8%、11.7%。

增速刹车，电商平台之间的用户也在重度重合，2018年，主流电商平台活跃总数达到13.92亿，大大超出8.29亿的网民人数。

可见，「流量太贵了」成了互联网公司普遍头疼的大问题。

流量问题，不止是大公司，同样也是互联网创业公司面临的挑战。最近这几年，互联网的创业思路是「先把流量吸过来，随后再考虑变现的问题」，也就导致了互联网流量的争夺以烧钱为前提，最后不可避免的向巨头求救站队，加剧了流量汇聚在巨头手里的速度，流量获取成本只增不减。

二、私域流量上涨

如上面说的，公域流量，也就是大平台上的公共流量，它对所有商家开放，但如果需要利用这些流量，就必须按次向大平台购买，每次导流都需要付出成本。典型的公域流量存在在淘宝、京东、微信、抖音、今日头条等这些平台上。

但是，当销售的增速跟不上流量上涨的增速时，大量商家就会面临亏损的压力。数据显示，商户普遍要花20%~30%的营业额来购买流量，强者愈强，天猫20万的头部商家买走了平台80%的流量，只剩下的20%流量给中腰部的商家瓜分。

怎么办？裁员不是办法。996也不是。

这个时候，很多商家们开始意识到，消费者的注意力在发生迁移，而想要抓住用户，早没那么容易了。用户散落在不同的小圈层里，古风、二次元、电竞、JK、国风、摇滚、嘻哈、街舞、民谣、电音、朋克...每个圈层都自有一套规则和玩法，而人们获取信息和产生消费的渠道也愈加碎片化。

与这些小圈子相关的，就是私域流量，也就是品牌或个人自主拥有、自由控制、免费、可多次利用的流量。这个概念，最早起源于淘宝，意思就是这些流量是自己的，可以反复利用，免费且直接触达到用户。每一个流量都是一个用户，他们沉淀在微信公众号、微信群、微信个人号、微博、、小红书、头条和抖音这些平台中。

说白了，私域流量就是商家可以反复「骚扰」的那群用户。

三、私域流量的「好内容」与「边界」问题

事实上从2018年下半年开始，私域流量的发展就开始加速了。在加速的这段时间里，阿里、京东、拼多多三大电商的获客成本出现大幅拉升，私域流量的重要性已无需证明。于是，大厂的布局逐渐激进而步调一致，声称要建立「自己的流量池塘」。

可以预见的是，私域流量在接下来的5~10年会成为企业发展的重点，尤其是经济不景气的时候，盘活存量，是能让不少互联网公司活下去的。

但是，怎么建好「池塘」? 是当前行业很需要解决的问题。比如，很多企业把「弱连接+信息流的推送方式」误认为是建立了私域流量。其实，好内容的生产本身就是个难题，再加上围绕企业和产品，更是一个有挑战的命题。所以，我们经常可以看到一些蓝V、公众号、服务号推送的内容打开率低得让人尴尬，就是内容生态没建好。

另一方面，未来私域流量的经营空间应该是有边界的。否则网路传销、外挂养号，都是一系列的问题。

其实，无论是公域流量还是私域流量，初创的公司想要获取流量的难度越来越大，互联网流量已经进入一个存量博弈的阶段。

不进则退，大公司如何在流量越来越贵的环境中活得好，小公司如何在获客成本越来越高的情况下活下来？在流量红利式微的商业环境中，如何卖好产品和服务，让更多人成为回头客？

想一想，还真是挺难的。

---

算不上从业者，研究领域有些交集，从此角度答一下。

现在在文化产业研究、创意产业研究等领域，「文化+科技」是一个经常被提及的概念。大的问题意识可以说是探究科技的新发展给文化领域带来的影响、实现两大系统的融合、借助新的技术条件开展研究等等。

这方面的研究我看得也不算少了，但是似乎还存在一些不足。其最大的问题是，相关研究者并不真正的理解「科技」。所谈论者，要么是简单的新技术名目的单纯罗列；要么是泛泛而谈，什么文化要引领科技，文化要与科技结合，要克服技术理性带来的问题等等。好像加几个技术名词抑或是术语就叫「文化+科技」了。

当然这也不能说不对，但好像还是太空泛了。就算只讨论单纯的文化产品，其背后的生产方式、生产手法、技术细节，很可能都会影响最终的产品形态。要是这一系列环节都不清楚，只从宏观角度讨论，好像总有些隔靴搔痒。

约翰.哈特利有个说法，叫「数字读写能力」。即运用数字工具的能力，在现在这个时代，可对应过去运用纸笔、文字、书籍读写的能力，是进行思想表达、传递信息、学术研究的必不可少的能力。好像很多研究者还没有充分意识到这一点。（其实很多时候倒也不用说掌握得非常娴熟，只要是对其机理有一定了解就好了。目前来看似乎还做不到）

从学科设置上看，目前则大概需要一种培养「数字读写能力」的通识课程。

---

谢邀。

从做研究和科学的角度上看，很多研究没有中心思想，真正好的研究应该是有自己的中心思想，基于对前人的工作有深刻了解，提出概念上改进，给人直觉上是对的感觉，这样做出来的成果就会让人信服，这才是科学贡献。科学贡献是为了改变别人的思维和想法，而不是为了在特定数据集上的更高的准确率。

共勉

---

推荐阅读：