09.09.24: 英雄之旅，AI 的好奇时代，垂直整合者
Playground and Trail
re: Playground 与创意机器
这份通讯的名字叫 Platform Thinking，老实说，我对这个名字越来越不满意了。起初，我是受一本书的启发才取的这个名字，可是我从未读过那本书。我以为我懂了：无非就是些关于网络效应和如何管理市场双方的老生常谈。然而，很多现实已经证明这个概念并非如想象中那般可扩展——负面因素往往比正面效应增长得更快，最终让整个平台陷入停滞。曾经的热潮，如今不过是一场破灭的泡沫。
在寻找替代品的过程中，我重新发现了两个词：Playground 和 Trail——以 P 和 T 开头。
我家楼下就有一个 Playground，它是我从窗子望出去的一个学校的操场。学生们出来升旗、做操、上体育课，这么多年，也没有太大的变化。让我想起小时候和操场的关系，大概有两种：
一种就是大家做广播体操，整齐划一，都跟着前面领操的人在做。其实大家都不开心，虽然也是一种锻炼，但是没有人想要去做广播体操，只能说靠这个学校的老师严加要求赶着去做。还有一种情况，就是大家上体育课或者放学后自由活动的时候，可以去踢足球、丢沙包，女生可能会去跳皮筋等等。那是我们每周最期待的课。
其中一种特别的玩法是，我们会发明一些角色扮演的游戏，一个人是这个游戏的主持人，负责设置剧情走向，其他人每个人扮演一个角色，在主持人的带领下共同完成这个故事。每个角色在故事发展的过程中会做出不同的选择，主持人会依据这些选择再去延展新的剧情，剧情反过来会影响角色的成长，最终走向意想不到的结局。如果是比较会讲故事的主持人，游戏可以玩很长时间，也有的游戏可能只玩一下，就不玩了，小伙伴就会去选择别的游戏。
我发现，那些更吸引人的、生命力更长的游戏往往会在剧情中做出二难选择，通常要牺牲某个角色才能推进剧情，但为了不至于让角色早早死光，被牺牲掉的角色又会在合适的时间点复活，并获得更强大的能力。这种劫后余生的惊喜让游戏再次走向高潮。
这就很像《千面英雄》里面的「英雄之旅」：英雄会经历严峻考验，经历死亡和重生。
Trail 有一些含义是和 Playground 共通的。我把 On Trails: An Exploration 这本书的读书笔记丢给 Claude，问他：如何理解 Trail 的意思。它这样写道：
小径是一种动态演变的路径，通过反复使用而形成，既作为实体路线，又作为信息传递的渠道。小径是集体创造的产物，由个人或群体为达到共同目的地或目标而自然形成。它们代表了耐久性、效率性和灵活性之间的平衡，能够适应不断变化的环境，同时保存关于地形及其穿越方式的有用信息。
小径的主要特点包括：源于集体行为，而非自上而下的设计随时间推移具有优化和精简的能力既是物理路线，又是文化/环境知识的载体在结构性和适应性之间保持平衡反映使用者的欲望、需求和价值观能够塑造跟随者的行为和体验与周围环境相互作用并产生影响在简化复杂地形和减轻旅行者认知负担方面发挥作用体现了关于高效和可持续穿越空间的累积智慧
有趣之处在于，小径虽然是自下而上形成的，但是它是有目的的：一群人在完成各自的目的的过程中，不自觉的走出了一条路，就是所谓的 Trail。有意思的是，人们的目的甚至都不同，只是碰巧都需要经过这样一段路，比如说翻过一座山，就会在途中不自觉的留下印记，这些印记又被后来的人发现，进一步强化，逐渐踩出一条路来。
看起来，Playground 的目的性弱一些，或许只是想要锻炼身体，或者放松精神。Trail 又何尝不是呢？它们都有着模糊的目的性，受到环境的影响，而可能改变前进的路线或节奏。而环境也是由前人塑造的：游戏剧情会走向「英雄之旅」，旅者会跟随杂草被踩倒的方向。
如果一切都是自然生长，那么环境的影响可能会过于微弱。人为放大某些信号的做法会加强模仿的行为，但也会过早的限制可能性。在 Playground 上，最流行的游戏模式会吸引最多人，也让新的游戏模式难以找到新玩家；在 Trail 上，一旦路标已经标好，那么野径就更少有人光顾，草木更加野蛮生长。
现在正是 Playground 和 Trail 还在被不断开发出来的时代。我们看到很多粗糙的产品在生长。需要一点时间——其实是好运气，我们即将看到一些特定模式释放更强烈的信号，吸引更多人选择和参与，最终成为翻过崇山峻岭的智慧。
PS：这个 newsletter 不会改名，还会叫 Platform Thinking，直到我下定决心，改变想法。
Survey
接下来的中秋和国庆假期间，相信大家都会有各种出行安排，工作、阅读和社交的节奏都会有变化。同时，我也收到一些读者的建议，会略微降低更新的频率，以期在若干主题探讨更深。
同时，我做了一个简单的 读者调查问卷，如果你有 2 分钟时间，不妨帮我 填写一份，不胜感激！
我会持续保持对 PT 的微调，思考更深，写得更好！
Linknotes
本周的推荐阅读涵盖了从人工智能与艺术创作的关系，到创意写作的技巧，再到搜索技术的革新、AI 时代的公司构建策略和企业垂直整合的重要性等多个主题。
- Ted Chiang 探讨了 AI 在艺术创作中的局限，强调了人类选择和经验的不可替代性。
- Curtis Sittenfeld 的实验展示了人类作家与 AI 在创作过程中的巨大差异，突出了人类创作者独特的思维过程和灵感来源。
- Dan Shipper 和 Evan Armstrong 分别分享了提升创意能力和利用 AI 改变信息获取方式的新思路。
- Michael Dempsey 探讨了在 AI 的 " 好奇阶段 " 如何构建公司。
- Packy McCormick 则深入分析了垂直整合在不同行业发展阶段的重要性。
- 最后，我们回顾了 Kindle 如何重新定义阅读体验，展示了大型企业内部创新的成功案例。
这些文章或新或旧，但它们共同展现了技术、创意和商业战略在 AI 时代交织的复杂景观。
Why A.I. Isn’t Going to Make Art 为什么 AI 无法创作艺术？
Ted Chiang 最近为 The New Yorker 杂志撰文。他认为：人工智能无法创造艺术，因为艺术作品涉及大量的选择，而这些选择是人工智能无法真正理解或实现的。尽管 AI 可以生成文本或图像，但它的创造通常缺乏深度和个性。真正的艺术源于个人的经历和努力，这些是人工智能无法复制的。
其中最重要的观点是关于艺术创作本身的：
Art is notoriously hard to define, and so are the differences between good art and bad art. But let me offer a generalization: art is something that results from making a lot of choices. This might be easiest to explain if we use fiction writing as an example. When you are writing fiction, you are—consciously or unconsciously—making a choice about almost every word you type; to oversimplify, we can imagine that a ten-thousand-word short story requires something on the order of ten thousand choices. When you give a generative-A.I. program a prompt, you are making very few choices; if you supply a hundred-word prompt, you have made on the order of a hundred choices.
众所周知，艺术很难定义，好艺术和坏艺术之间的区别也同样难以界定。但让我来概括一下：艺术是做出许多选择的结果。如果我们以小说写作为例，这可能最容易解释。当你写小说时，你——有意识或无意识地——几乎在你输入的每一个字上做出选择；简单来说，我们可以想象一个一万字的短篇小说需要大约一万个选择。当你给生成式人工智能程序一个提示时，你做出的选择很少；如果你提供一个一百字的提示，你就做出了大约一百个选择。
相比来看，生成式 AI 做出的选择很少：
If an A.I. generates a ten-thousand-word story based on your prompt, it has to fill in for all of the choices that you are not making. There are various ways it can do this. One is to take an average of the choices that other writers have made, as represented by text found on the Internet; that average is equivalent to the least interesting choices possible, which is why A.I.-generated text is often really bland. Another is to instruct the program to engage in style mimicry, emulating the choices made by a specific writer, which produces a highly derivative story. In neither case is it creating interesting art.
如果人工智能根据你的提示生成了一个一万字的故事，它就必须填补你没有做出的所有选择。它可以通过多种方式做到这一点。一种方法是取其他作家所做选择的平均值，以互联网上的文本为代表；这个平均值相当于最无趣的选择，这就是为什么人工智能生成的文本通常很乏味的原因。另一种方法是指示程序进行风格模仿，模仿特定作家所做的选择，从而产生一个高度衍生的故事。这两种情况都不能创造出有趣的艺术。
这也是我在本篇开场白的地方写到的，创意过程是极度开放的流程，你可以选择下一段让一个人物死去——可能在某一刻是糟糕的选择，但后面你又可能因为让他神奇的复活而营造一个伟大的转折。创作的乐趣就在于在持续的选择困难中快速的判断，任何一种创作工具——键盘、画笔、摄像机——都旨在流畅不受阻碍的倾泻创作者捉摸不定的意图，而创作者自身的大脑也并不确定自己所有的选择都是在沿着某条路径前进，会走一些弯路，但这些弯路可能是必经之路，最终会被某个读者重新发现而重走一遍，最终形成一条很多人都会走过的小径（Trail）。
AI 给出的结果太过于「确定」，因为它与生俱来的均值回归倾向需要它按照我们所预测的那样预测自己会吐出什么。它在编写代码上的表现已经超出很多初级人类程序员，这是很好理解的一件事情：那是机器在和机器交流，人从一开始就是多余的。
图像生成和文本 / 代码生成在早期产品选择上走了不同的路径：前者（如 Midjourney）的用户很多是设计师和艺术家，因此它会提供多种生成选择，而后者（如 ChatGPT）的用户则更倾向于效率，因此只会给出一个答案（但可以提供负反馈）。一个合理推断是：开放式的艺术创作需要提供更多选择给创作者，但选项本身可能也会限制创作者的想象，干扰创作的潜意识。很多 AI 辅助创作工具的设计本意是提供更多创作灵感，但灵感很可能是内生的，而不能从外部给。
我们即将在下面的文章中看到一个真实的例子。
An Experiment in Lust, Regret and Kissing 和 AI 的同题小说创作
这是一篇来自作家 Curtis Sittenfeld 为纽约时报撰写的客座文章。它其实是一个实验：编辑邀请读者共同设定了一些关于夏季海滩的主题，邀请作家和 ChatGPT 各自撰写一篇同题的小说，长度不超过 1000 个字。本文不仅仅刊登了两篇小说的全文，还记录了作家的创作经历。
以下是作者在撰写夏季主题短篇小说时所做的一些事情，很确定 ChatGPT 没有这样做：
- 在知道读者选择的提示是什么之前一个多星期我就开始写作了，因为我担心如果我写得太快，结果会很草率。
- 我从明尼阿波利斯的家开车来到圣保罗的公园，我决定把故事的背景设在那个公园，看看它看起来是什么样子，给人的感觉是什么样的。
- 故事中还包括了一支真实的双城大卫·鲍伊翻唱乐队，名为“The Band That Fell to Earth”，我曾看过他们的演出。
- 问一位自行车爱好者朋友，布莱恩的约会应用程序名 MtnBiker1971 是否太过明显，以至于没有自尊心的骑车人会使用它。
- 还向同一位朋友询问了布莱恩最近骑行走过的哪条路线，但因为篇幅限制，没有提及他所建议的任何地点。
- 我收到了几位家人和朋友对我的初稿的反馈，其中包括一位和 Cassie 一样住在纽约、50 岁出头、偶尔使用约会应用程序的朋友。
- 将布莱恩长大的地点从曼卡托改为德卢斯，因为在我撰写这篇报道的几周里，卡玛拉·哈里斯选择了蒂姆·沃尔兹作为她的竞选搭档，而沃尔兹与曼卡托的联系让提及这件事让人感到分心。
- 中断了写作过程，查看了我很快就要去吃饭的一家泰国餐厅的菜单，并检查了十月份飞往辛辛那提的航班时间（不，我的故事中绝对没有任何内容与泰国菜或辛辛那提有关——这只是为了消遣）。
- 写了几乎两倍长的初稿。
- 我删掉了那份草稿，但仍然询问我的编辑是否能将文章长度比商定的 1000 字多出 200 字左右。
上面这些琐事，每件事都和创作没有直接的关联，但谁又能说，它们不是在时时刻刻给作者以灵感的启示呢？很多小说，如果把它拆解到故事梗概的骨架级别，往往是单调乏味的，最好的小说家就是在细节的铺陈中暗示了人物无法言说的内心戏。特别是那些擅长笔墨的作者往往能给读者塑造无处不在的氛围感，人物的对话和颦笑都沉浸其中，带着难以形容的腔调。
这些细节的信息往往是零碎的，比如一支雪茄的身世或一条丝巾的纹理，它们是由作者从自己所生活的那个世界引入的，正如上文中作者从自己的朋友那里问东问西，拼凑出一个更加鲜活的世界来。
艺术创作是世界构建（world building），这是一切选择的根源。对于作者而言，这个世界如果了然于胸，自然知道在笔端划过纸面的瞬间，应该在回忆信手拈来些什么。AI 看不到这种在稀薄概率空间下的相关性。
延展阅读：What I Do When I Can’t Sleep 我睡不着的时候会做什么？
- Dan Shipper 是我现在最喜欢的作家。这篇文章发表于 6 月 23 日，但他上周 与 Evan Armstrong 的对谈 中的很多话题其实都来自于这篇文章。Dan Shipper 说他在睡不着的时候会爬起来嗅闻各种香料，给这些不同的香料的味道起名字。我们都知道，形容词很难表述一些细微的感觉，特别是嗅觉和味觉。
- Shipper 给气味起名字的行为帮助他学习烹饪。比如，他会对不同香料的作用更敏感，理解它们带来的分别的滋味，以及混合起来形成的奇妙作用。他认为，写作的过程实际上很多时候就是要向读者表达这种抽象的、细微的、模糊的感受。这是一种高超的语言表达技巧，可以通过刻意联系来习得。
- Dan Shipper 有一个 ineffable list，中文翻译就是「无法形容的清单」，时刻记录他看到的好的句子、好的表达。一个词、一个图片，或者听到的一段对话，他都会用这个清单记下来（在 Apple Notes 上）。然后在写作的时候，他会不断地回去看这个清单，找到自己写作的口气（voice）。直到他把这个清单充分内化到自己日常的写作当中——这也是一个很好的实践方法。
Vibes-based Search 氛围搜索
Evan Armstrong 在他的文章中探讨了大语言模型（LLM）如何改变我们搜索和处理信息的方式。他提出「基于氛围的搜索」概念，认为 LLM 能够理解人类思维的潜意识元素，从而提供更直观、更有效的搜索体验。
The good news is that LLMs are the first technology that is explicitly trained on those subconscious elements of thought. Rather than rely on boolean searching—the borderline hieroglyphic set of logic rules you can use to make Google search more precise—you can fine-tune an LLM to think the way you do.
好消息是，LLM 是第一种专门针对这些潜意识思维元素进行训练的技术。你不必依赖布尔搜索（一套近乎象形文字的逻辑规则，可用于使 Google 搜索更加精确），而是可以对 LLM 进行微调，使其按照你的方式思考。
Armstrong 用一个音乐识别的例子来说明 LLM 的新能力：
上周开车时，我听到脑海里传来刺耳的吉他声，不由自主地开始唱“Na na na na na na na na na”。通常，我会在这时候放弃，而无法识别歌曲。然而，这是一个基于氛围的搜索可以解决的问题。我打开 Google 并查询：“有一首歌的歌词是 nah nah nahh nah na na naa nahhhh。那是什么歌？我觉得它很愤怒，很情绪化。”
砰——立即成功。谷歌对 LLM 搜索的看法给了我答案。
Armstrong 用这个例子来展示 LLM 如何理解和处理传统搜索引擎难以处理的模糊、直观的查询。尽管查询不精确，且基于对歌曲旋律和情绪的模糊记忆，但 LLM 能够正确识别 My Chemical Romance 的歌曲“Na Na Na (Na Na Na Na Na Na Na Na Na)”。此示例说明了“基于氛围的搜索”如何解释查询背后的意图和背景，即使输入的结构不完善或不精确。
Armstrong 指出 LLM 具有三个关键能力：直观理解、消化新材料和共同创造新答案。他通过实际例子展示了这种搜索方法如何应用于各种场景，从歌曲识别到学术研究再到给孩子取名字。
一个令我印象深刻的例子是他用 X 的 Grok 2 分析软件行业增长情况。
Armstrong 当时正在写一篇关于 SaaS 公司的文章，他记得一个关于软件公司增长预测的数据点，但记不起具体细节。他没有花时间搜索各种平台，而是使用了 X.AI 的 Grok 2 模型。他是这样描述的：
例如，上周我写了一篇文章，认为尽管投资放缓，但现在是建立 SaaS 公司的好时机，因为人工智能可以大幅降低成本。在我的脑海里，我记得偶然发现一个数据点，关于软件公司没有预测到大幅增长。通常情况下——尽管我承认我应该想出一个更好的笔记系统——找到它会非常困难。我可能会花 30 分钟谷歌搜索，笨手笨脚地使用 Twitter 搜索，并在我的电子邮件收件箱中输入特定的搜索查询。相反，我只是问了 X.AI 的 Grok 2 模型，“软件公司今年增长迅速吗？”
Armstrong 随后指出，他的问题是多么模糊和表述不当：
你会注意到这是一个糟糕的问题。它非常模糊，没有明确的参数来说明我所说的‘快’。我甚至没有说我在寻找相关数据。但系统能够直观地理解我的意思。Grok 为我提供了有关初创企业增长率的各种统计数据的五部分概述，然后水平滚动显示与当前主题相关的推文。就像变魔术一样，我三个月前看到的那条推文就出现了。
Armstrong 使用此案例展示了「基于氛围的搜索」在处理传统搜索引擎可能难以处理的复杂、多方面查询方面的强大功能。
Company Building in the Curiosity Phase of AI 在 AI 的「好奇」阶段打造公司
这是一篇写于 2022 年的文章。不过，今天来看 AI 发展的现状，似乎仍然没有超出作者对「好奇阶段」的定义：
The Curiosity Phase manifests itself when a technology has abstracted away some of the layers so that a wider base of users can try it, while still having a very open-ended view of what the highest value things to do with said technology is or what core product primitives should be.
好奇阶段是指一项技术抽象出某些层次，以便更广泛的用户群可以尝试它，同时仍然对使用该技术可以实现的最高价值是什么或核心产品原语应该是什么持非常开放的看法。
还有一幅图，它把 Carlota Perez 的技术周期、Geoffrey A. Moore 的 跨越鸿沟 等概念放在了一起。无论哪一张图或是哪一个框架，它都毫无疑问是在早期阶段。一些人这项新技术不屑一顾或者并不了解（不要低估这个人群的大小），而一些人想知道如何用 AI 更好的完成工作。
在这个时期，Playground 上会出现大量的新玩法，小众产品即便很粗糙原始，也很容易获得关注。作者警告说：对于那些打造持久产品并将其转变为公司的企业来说，这是一个危险的经营时期。创始人必须着眼于具有长期可防御性（defensibility）的产品和客户构建。
在「好奇阶段」，两件事会发生：
- 技术拐点带来了一波新的市场参与者，他们开始看起来像创始人和投资者梦想的 TAM 扩张的故事，往往会导致竞争加剧。
- 价值最低的长尾用户通常拥有最多的空闲时间和最高的实验意愿，而最根深蒂固的「专业」用户在工作流程中切换产品的频率较低，实验也较少。
第一点就是我们看到的一些极度拥挤的赛道，蜂拥而至的竞争者会让比赛显得毫无生趣。
第二点关乎用户：大量的长尾用户时间充裕，也愿意提出产品反馈，但可能会让初创团队陷入无谓的奔忙中。而真正有价值的用户是那些已经或正在用 AI 构建工作流的「专业」用户，他们或者在已有的工作流中用 AI 提升了自己的效率（Incumbent Professionals），或者因为 AI 民主化了原有的专业技能（比如：编写软件代码）而建立了新的工作流（New Professionals）。
Incumbent Professionals 的预算相对稳定，难以切入，但一旦进入预算表就很难被替换。New Professionals 则变化较多，今天会因为一个功能选择你的产品，明天也可能因为另一个新功能而放弃你，选择其他人。
作者认为：Prompt Interface（提示词输入框）这个界面并没有任何防御性，在 AI 快速变化的「好奇阶段」，New Professionals 可能会在不同输入框之间切换，但对于创业公司而言意味着留存和 ARR 的剧烈波动。
作者是 Compound VC 的管理合伙人 Michael Dempsey，他长期关注 AI/ML 领域的早期投资，并有很多优质写作——他的 网站 也很酷。。
Vertical Integrators: Part I, Part II 垂直整合者
这是一个文章系列中的前两部分，Packy McCormick 将在下周发布 Part III。
在 Part I 中，他深入探讨了传统行业中垂直整合的重要性。通过波音的例子，他指出过度外包导致产品质量问题，强调了在物理产业中，仅仅提供薄弱的协调层是不够的。相反，真正的创新在于将各个部分整合在一起，创造出比竞争对手更具整合性的解决方案。这篇文章提醒我们，成功的关键在于深度整合，而不仅仅是追求轻资产模式。无论是航空航天还是其他行业，整合能力都是推动企业成功的关键因素。
在 Part II 中，Packy McCormick 探讨了行业发展的不同阶段及其对企业战略的影响。从一代领导者的垂直整合到二代流程创新者的模块化，再到三代产品创新者的崛起，文章深入分析了如何在复杂的市场环境中保持竞争力。
1st generation leadership (Musk, Bill Boeing, James McDonnell, Palmer Luckey) are vertical system integrators. Then the 2nd generation shows up. Who are process innovators. They reduce cost. They modularize. They subcontract. All the time looking awesome because they made the 1st generation lower cost and better. Then the 3rd generation shows up. They are product innovators, or losers. Creative Destruction takes off. The incumbent resets or gets destroyed.
第一代领导者（马斯克、比尔·波音、詹姆斯·麦克唐纳、帕尔默·卢基）是垂直系统集成商。然后第二代出现了。他们是流程创新者。他们降低成本。他们模块化。他们分包。他们一直看起来很棒，因为他们让第一代成本更低、质量更好。然后第三代出现了。他们是产品创新者，或者失败者。创造性破坏开始兴起。现任者要么重启，要么被摧毁。
在当前需要重建系统的时刻，投资少数能够应对复杂性的垂直整合者可能是明智之举。McCormick 强调，真正的挑战在于如何有效利用软件解决信息问题，同时解决需要物理解决方案的更大问题。通过整合先进技术并控制系统集成，垂直整合者能够提供更快、更好、更便宜的产品，以应对不断变化的市场需求。
垂直整合往往在 TEP（ Techno-Economic Paradigm，技术经济范式）的早期阶段出现：
There are certain periods during which a large portion of the economy undergoes a transformation, driven by a number of technological innovations that prove to be connected in hindsight.
During these periods, the old systems fail to adapt quickly enough and crumble, creating an opportunity for new entrants to build businesses that integrate the innovations to build new and better products at lower costs and higher margins.
These periods favor Vertical Integrators over modularized suppliers.
在某些时期，经济的很大一部分会经历转型，而转型的推动力是一系列技术创新，事后看来，这些创新之间存在关联。
在这些时期，旧系统无法快速适应并崩溃，这为新进入者创造了机会，他们可以建立业务，整合创新，以更低的成本和更高的利润率打造新的更好的产品。
与模块化供应商相比，这些时期更有利于垂直整合者。
许多初创公司正在解决大型行业面临的结构性问题。这些问题无法通过渐进式改进来解决，需要从头重建。以 Hadrian 为例，美国 300-400 亿美元的高精度零件市场依赖于 3000 家小型工厂。这些工厂生产效率低下，成本高昂，且面临人才断层问题。这个分散的网络亟需垂直整合。
采矿业是一个 2 万亿美元的全球产业，但新发现正在放缓。过去十年，每年的重大发现从 150 个下降到 45 个。造成这种情况的原因包括：容易发现的矿藏已被发现；勘探成本上升；监管和环境问题使许可过程更慢更贵；关键专家老龄化，年轻人不愿填补空缺。Earth AI 公司尝试用软件解决问题，但发现客户未充分利用。最终，他们意识到需要垂直整合，开发了一种移动低干扰系统，可以以四分之一的时间和成本进行钻探。
McCormick 总结道：
In both cases, there’s an important lesson: the same thing that makes incumbents bad customers – slowness, fragmentation, unwillingness to adopt new technology, and inability to maximize the benefit of the technology by integrating it into the overall system – makes them excellent to compete with.
在这两种情况下，都有一个重要的教训：同样的原因让现任者成为坏客户——缓慢、分散、不愿采用新技术、无法通过将技术整合到整个系统中来最大化技术的效益——也让他们成为优秀的竞争对手。
简单讲就是：你不愿意用我的软件，那我只好把整个行业重做一遍——也就是垂直整合。
如 JP Morgan 在第二次工业革命完成得一样，大型基金将越来越多地联合起来，在每个垂直领域挑选一个赢家，与资源充足的现有企业展开竞争。
The Kindle: Reinventing the Book 重新发明图书的 Kindle
这是一篇回顾 Kindle 发展历史的文章。
把 Kindle 放在今天的 Amazon 版图中，应该说是很不起眼了，但它仍然是一个大型企业内部创新的成功案例。Jeff Bezos 在移动互联网刚刚兴起之际希望用可以随身携带的电子阅读设备来切入消费电子硬件市场，这个选择是从 Amazon 在图书电商市场上的统治性地位中做出的自然推演，同时也验证了 Amazon 内部创新的强大组织能力。
Amazon 并不是第一个设计电子阅读设备的公司。一家名为 NuvoMedia 的创业公司在 1998 年推出了 RocketBook 是行业的先驱者，这台设备销售量达到了 20000 台，引起了 Bezos 的注意。Amazon 尝试与这家公司合作，但未能如愿。
但 Bezos 仍然看重数字媒体市场：
贝索斯对公司的组织结构进行了果断的改革，以强调其对数字媒体的关注。亚马逊于 2004 年建立了一个名为 Lab 126 的研发中心。其目标是找到在其他人之前颠覆亚马逊现有业务的方法。贝索斯还解雇了数十年来一直在公司零售部门工作的高级员工，以领导亚马逊的新数字业务。他认为，亚马逊要想真正创新，从事数字业务的人必须“摆脱”他们在亚马逊原有的传统媒体业务中的角色。其中包括高级副总裁史蒂夫·凯塞尔，他将领导亚马逊进军数字领域。凯塞尔将直接向贝索斯汇报，这再次表明了贝索斯对这个项目的重视。据报道，在布拉德·斯通的《The Everything Store》中，贝索斯告诉凯塞尔：“你的工作是扼杀自己的业务。我希望你继续前进，就好像你的目标是让所有销售实体书的人都失业一样。”
在 RocketBook 的基础上，Kindle 有两项重要的创新：
- 加入了 WhisperNet，也就是无线传输功能。这项创新是 Bezos 极为坚持的，他认为连接电脑或者 WIFI 才能下载电子书的设计对于普通用户而言太复杂了。
- 采用了电子墨水屏，RocketBook 使用 LCD 屏幕，在强光下难以阅读，而且更耗电。Kindle 赶上了这一新技术的成熟阶段。
第一台 Kindle 还仿照 BlackBerry 增加了实体键盘，售价 399 美元，可以下载购买多达 90000 种图书。Sony 和 Barnes & Noble 都曾经是 Kindle 的竞争对手，但真正的竞争对手是后来的 Kobo——一家地位更为中立的厂商，可以兼容不同书店和出版商的电子书格式，以及后来推出 iPad 的 Apple。
在 Bezos 的战略中，Kindle 以成本定价，并不依靠设备赚钱，而是通过后续的图书销售赚钱，这使得 Kindle 的定价与竞争对手相比很有侵略性。后来出现的 reMarkable 和 Daylight 等以电子墨水屏为主体的平板类硬件，售价都要高出几倍。
Kindle 推陈出新的速度已经大大减缓。在出乎意料的退出中国市场后，中国能够购买到的电子阅读设备多半搭载过时的 Android 软硬件组合，预装微信读书和各种网络小说书城，在屏幕渲染、电池续航、翻页速度等多种体验上不如价格更低的 Kindle。
以上就是本周 PT 邮件通讯的全部内容，希望它为你的一周带来灵感和力量。
Until next week,
Neo