---

一、去粉絲經濟；

二、去參數至上；

三、說人話，做人事。

如果題幹裏的「科技行業」指的是科技媒體和自媒體們嘴裡的那些科技的話，我的觀點就是上述三個。如果指的是更廣泛、更嚴肅的科技領域，雖然問題不一而足，但最要緊的一個我認為是：

缺錢

作為一個集智力密集、勞力密集和資本密集於一身的領域，年年大量人員流失，企業、工廠的生存環境簡直慘不忍睹。非常關鍵的問題之一，就是錢太少。

一方面是，外部資本不願意進來；

另一面是，互聯網和房地產吸走了過多的社會資源和輿論關注。

一個對人和錢都有強烈需求的領域，既缺人又缺錢的時候，任何問題的出現都絲毫不奇怪。

---

放慢發展的腳步，停止無意義的「迭代」。

這裡說的「科技行業」，應當主要是指計算機以及互聯網行業吧。

要問當下的科技行業出了什麼問題，最大的問題就是「它在強迫自己發展和迭代」。自 iPhone 開啟移動互聯網時代之後，蘋果創造了一套敘事，一套「每年九月都要發布新 iPhone」的敘事，它主要由三個部分組成：

1.蘋果會告訴你以前人們的生活是怎樣的。

2.蘋果會宣佈自己又開發了一項什麼新技術。

3.蘋果會讓你進入這套敘事中，開始想像自己用上了最新技術之後，如何能生活得更好。

這套敘事太過成功，以至於它將蘋果變成了可以說人類商業史上最成功的公司之一。每個普通人都在關注蘋果每年九月的新產品發布，每個人都不斷懷疑，自己的手機是不是每過一兩年就應該換新。

這個思路從蘋果蔓延至了其他硬體廠商，甚至是整個互聯網行業。硬體開始以越來越快的速度迭代，即使近幾年算力發展的速度已經大大降低了，廠商還是想通過「左右橫跳」的方式來迭代產品，蘋果反而成了相對剋制的一家公司。

軟體也是一樣，很多企業的內部機制開始要求下面的開發人員必須「定期推出新功能」，而不是思考一個中長期的「終極目標」並不斷靠近。很多軟體服務的產品更新幾乎沒有任何合理之處，但他們還是被這套機制推動著，不斷「強行更新」。

這個東西發展到極致的一個表現就是「訂閱制」，所有企業都希望你掉進一個坑裡之後就最好再也不要出來，持續為這家企業穩定而長久地「打工」，一用就是一輩子。

這是當下科技行業最大的問題。科技原本應該是從「發現問題」到「解決問題」的過程，現在它開始「創造問題」，並試圖讓用戶為「答案」買單。

天天說高刷屏用了就回不去，一億像素的相機用了就回不去。但過去幾十年裏，人們在 24 幀的電影幕布上創造了那麼多經典作品，用膠片相機記錄了那麼多寶貴的回憶。我們現在用 120 幀的屏幕，一億像素的相機看了什麼，拍了什麼？

這是我覺得最大的問題。

---

需要解決的問題很多，說個和大家日常生活相關的：

「流量太貴」問題。

流量太貴怎麼辦？這是現在的互聯網行業從業者最常思考的問題之一。大家都知道，科技互聯網四大最掙錢的生意:電子商務，網路遊戲，廣告，增值服務，本質上都是依託於流量的。

「微信號稱十億用戶，那就是實打實的十億流量，假如微信沒有這十億用戶，那它什麼都不是。」

的確，流量對於傳統的科技互聯網公司十分重要，但現在情況正在發生變化——

一、「公域流量」紅利見頂

最近因為疫情肥宅在家兩個多月，我發現朋友圈的「微商」變多了。賣衣服的，賣鞋子的，賣絲巾的......去年因為在一家品牌專櫃買過幾雙鞋子，發現最近專櫃的小姑娘自己當起了模特，試自己品牌的鞋子，拍成一條條視頻，發到微信朋友圈。

可能是疫情讓品牌商打折比較猛吧，鞋子賣得還挺火的，時不時會曬幾張快遞單。

我在想，這麼下去，這家品牌專櫃，還真的就成了一個網店了。有人說，這不就是微商嗎？

好吧。換成時下互聯網時髦的說法，這其實就是「私域流量」的一種。

（插句題外話，科技互聯網行業從來不缺造詞高手，KOA、KOB、KOD、KOH、KOM...舊瓶裝新酒，各路人士對著內涵和外延都尚未界定清楚的新造概念，兜售營銷方案，發表論點，看似熱鬧，其實還是大環境變了。最近和一些業界同行聊天， 動輒稱「跑通閉環」「搭建中臺」「構建生態」，但真正專業的懂行人並不多，這其實也是當前科技行業需要解決的浮躁問題，留著以後再說）。

總之，大的互聯網平臺的流量紅利，其實在去年就已經見頂了。

QuestMobile數據顯示，2019年第二季度，全網移動互聯網月活躍用戶規模減少了193萬，觸頂11.4億。存量的拼殺裏，百度系和騰訊系的用戶時長佔比均有下降，騰訊系一度下滑了3.6%。

再從平臺的獲客成本來看，阿里巴巴2015財年的獲客成本和單客成本還分別是58.31元/人和24.32元/人，到了2019財年，這組數字已經暴漲到了187.29元/人和60.83元/人，分別上漲了221.2%和150.1%。

回頭看中國電商行業的發展史，互聯網電商們經過十幾年的狂奔，從2014年開始，增速開始一路下滑。根據中國電子商務報告的顯示，2014年至2017年的交易總額同比增長率分別為：57.6%、32.9%、19.8%、11.7%。

增速剎車，電商平臺之間的用戶也在重度重合，2018年，主流電商平臺活躍總數達到13.92億，大大超出8.29億的網民人數。

可見，「流量太貴了」成了互聯網公司普遍頭疼的大問題。

流量問題，不止是大公司，同樣也是互聯網創業公司面臨的挑戰。最近這幾年，互聯網的創業思路是「先把流量吸過來，隨後再考慮變現的問題」，也就導致了互聯網流量的爭奪以燒錢為前提，最後不可避免的向巨頭求救站隊，加劇了流量匯聚在巨頭手裡的速度，流量獲取成本只增不減。

二、私域流量上漲

如上面說的，公域流量，也就是大平臺上的公共流量，它對所有商家開放，但如果需要利用這些流量，就必須按次向大平臺購買，每次導流都需要付出成本。典型的公域流量存在在淘寶、京東、微信、抖音、今日頭條等這些平臺上。

但是，當銷售的增速跟不上流量上漲的增速時，大量商家就會面臨虧損的壓力。數據顯示，商戶普遍要花20%~30%的營業額來購買流量，強者愈強，天貓20萬的頭部商家買走了平臺80%的流量，只剩下的20%流量給中腰部的商家瓜分。

怎麼辦？裁員不是辦法。996也不是。

這個時候，很多商家們開始意識到，消費者的注意力在發生遷移，而想要抓住用戶，早沒那麼容易了。用戶散落在不同的小圈層裏，古風、二次元、電競、JK、國風、搖滾、嘻哈、街舞、民謠、電音、朋克...每個圈層都自有一套規則和玩法，而人們獲取信息和產生消費的渠道也愈加碎片化。

與這些小圈子相關的，就是私域流量，也就是品牌或個人自主擁有、自由控制、免費、可多次利用的流量。這個概念，最早起源於淘寶，意思就是這些流量是自己的，可以反覆利用，免費且直接觸達到用戶。每一個流量都是一個用戶，他們沉澱在微信公眾號、微信羣、微信個人號、微博、、小紅書、頭條和抖音這些平臺中。

說白了，私域流量就是商家可以反覆「騷擾」的那羣用戶。

三、私域流量的「好內容」與「邊界」問題

事實上從2018年下半年開始，私域流量的發展就開始加速了。在加速的這段時間裡，阿里、京東、拼多多三大電商的獲客成本出現大幅拉昇，私域流量的重要性已無需證明。於是，大廠的佈局逐漸激進而步調一致，聲稱要建立「自己的流量池塘」。

可以預見的是，私域流量在接下來的5~10年會成為企業發展的重點，尤其是經濟不景氣的時候，盤活存量，是能讓不少互聯網公司活下去的。

但是，怎麼建好「池塘」? 是當前行業很需要解決的問題。比如，很多企業把「弱連接+信息流的推送方式」誤認為是建立了私域流量。其實，好內容的生產本身就是個難題，再加上圍繞企業和產品，更是一個有挑戰的命題。所以，我們經常可以看到一些藍V、公眾號、服務號推送的內容打開率低得讓人尷尬，就是內容生態沒建好。

另一方面，未來私域流量的經營空間應該是有邊界的。否則網路傳銷、外掛養號，都是一系列的問題。

其實，無論是公域流量還是私域流量，初創的公司想要獲取流量的難度越來越大，互聯網流量已經進入一個存量博弈的階段。

不進則退，大公司如何在流量越來越貴的環境中活得好，小公司如何在獲客成本越來越高的情況下活下來？在流量紅利式微的商業環境中，如何賣好產品和服務，讓更多人成為回頭客？

想一想，還真是挺難的。

---

算不上從業者，研究領域有些交集，從此角度答一下。

現在在文化產業研究、創意產業研究等領域，「文化+科技」是一個經常被提及的概念。大的問題意識可以說是探究科技的新發展給文化領域帶來的影響、實現兩大系統的融合、藉助新的技術條件開展研究等等。

這方面的研究我看得也不算少了，但是似乎還存在一些不足。其最大的問題是，相關研究者並不真正的理解「科技」。所談論者，要麼是簡單的新技術名目的單純羅列；要麼是泛泛而談，什麼文化要引領科技，文化要與科技結合，要克服技術理性帶來的問題等等。好像加幾個技術名詞抑或是術語就叫「文化+科技」了。

當然這也不能說不對，但好像還是太空泛了。就算只討論單純的文化產品，其背後的生產方式、生產手法、技術細節，很可能都會影響最終的產品形態。要是這一系列環節都不清楚，只從宏觀角度討論，好像總有些隔靴搔癢。

約翰.哈特利有個說法，叫「數字讀寫能力」。即運用數字工具的能力，在現在這個時代，可對應過去運用紙筆、文字、書籍讀寫的能力，是進行思想表達、傳遞信息、學術研究的必不可少的能力。好像很多研究者還沒有充分意識到這一點。（其實很多時候倒也不用說掌握得非常嫻熟，只要是對其機理有一定了解就好了。目前來看似乎還做不到）

從學科設置上看，目前則大概需要一種培養「數字讀寫能力」的通識課程。

---

謝邀。

從做研究和科學的角度上看，很多研究沒有中心思想，真正好的研究應該是有自己的中心思想，基於對前人的工作有深刻了解，提出概念上改進，給人直覺上是對的感覺，這樣做出來的成果就會讓人信服，這纔是科學貢獻。科學貢獻是為了改變別人的思維和想法，而不是為了在特定數據集上的更高的準確率。

共勉

---

推薦閱讀：