吃了智能伟哥,传统厂商就能硬起来?

简介:
 
 

吃了智能伟哥,传统厂商就能硬起来?

智能家居的趋势大概没人会否认。于是大量的传统家电、通信企业,都做起了智能家居。我们姑且称这种走传统渠道、没有用户运营的企业叫传统智能家居厂商。这样的公司太多(百度搜索一搜一大把),以至于宅客君深深地怀疑,当“智能家居的大风”吹来的时候,天空是否会群猪乱舞?

宅客君上周就约访了一家叫做ITOO的智能家居企业。这家公司总部位于深圳,颇有中兴的背景。虽然宅客君称他们是传统厂商,但他们实际成立才3年,今年初产品刚刚面市。按照现在的舆论(营销)标准,凡是能远程控制的,都可以称为智能,ITOO的产品也是这样。

ITOO的智能家居并不能实现语音控制,也不能人机交互,更不能自学习,但是把功能都列出来,确实能唬住一批门外汉:可以通过手机实现灯光的控制、语音播报、空调控制、背景音乐、家庭影院控制、家中告警、远程监控、窗帘控制。

这类传统智能家居企业的模式都比较相似:大多做套装,并且面向B端的市场,在全国各地设代理商,代理商与房产开发、装修公司合作进入前装市场,靠卖硬件赚钱。传统家电、通讯企业一直就是这种模式,但是他们转型做智能家居、吃了智能这粒伟哥,是否就能硬起来呢?这恐怕有些难。

门槛不高,竞争充分

国内几乎每个家电厂商、通讯设备制造商都在做智能家居、智能家电的研究。门槛不高是说这些传统厂商,只需要拉出一个团队,数月乃至一年的时间都可以做出一套“智能家居”产品出来,当然是否能保证产品体验?

像ITOO这样的传统智能家居企业很多,比如南京物联、中讯威易、北方华录、紫光物联、KOTI、聪明屋、泰益通、聪慧智能等等。其中南京物联已经做了10年之久,ITOO这样的团队在这样的一个充分竞争的市场上,其实没有多少优势。

售价太高,恐怕会被革命

由于是B端的前装市场,这类产品的渠道成本很高,所以尽管竞争充分,但ITOO等的套装其实售价依然很高。ITOO的一套产品最便宜的大约3W人民币,宅客君现在在市场上完全可以花几千块拼出一套后装的智能家居产品来。前装市场需要渠道,但是渠道扁平化是趋势。当直接面向消费者的搅局者出现,转型不及的参与者往往极其被动。

没有用户运营,不熟悉互联网

ITOO这类传统智能家居企业的商业模式比较简单,就是靠卖硬件赚钱。他们对用户运营感到陌生,和用户之间永远隔着代理商,他们的产品在售出之后和用户唯一的联系就是售后服务。产品售出后,本身没有可以跟用户互动的功能或者服务,因而其实就像卖了个风扇或者移动电源一样。

不熟悉互联网的企业,想让接受了智能家居概念的用户接受自己的产品,是有困难的。

并不否定他们的价值

现在的智能家居的兴起并非因为这些传统厂商,而是因为拥有更新技术、更低成本、用户体验做得更好、更懂得用户运营的创新公司。宅客君并不是否定传统智能家居厂商的价值,也不是说他们就赚不到钱。在现在的不成熟的市场环境,如果不太在意多花点钱,他们的智能家居解决方案,是一个好的选择。但是他们的渠道优势会慢慢丧失,高价的状态会被打破,真正的智能家居时代到来时,他们恐怕要被淘汰。

对于智能家居,不少厂商只是凑风头、搭概念。这就像当年MP3、智能手机兴起的时候,一大批的厂商都涌去做,赚了一笔钱之后便消声觅迹。当然这没有什么不好,也会促进行业的发展,只是我们总是期待更有创新价值的公司、产品出现,就是这样。

 
  本文作者: 阿波罗

本文转自雷锋网禁止二次转载, 原文链接
目录
相关文章
|
IDE Java 测试技术
Junit 单元测试
JUnit是Java常用的单元测试框架,简化了测试用例的编写和执行。其特点包括简单注解、自动化测试、可扩展性、灵活性及与IDE的集成。使用方法涉及创建测试类、利用注解如@Test、@BeforeEach等管理测试生命周期,以及使用各种断言方法验证结果。此外,JUnit支持参数化测试以覆盖更多输入组合,并能与Maven、Gradle等构建工具集成,提升测试效率和项目管理。
433 1
|
人工智能 自然语言处理 安全
通过阿里云Milvus与PAI搭建高效的检索增强对话系统
阿里云向量检索Milvus版是一款全托管的云服务,兼容开源Milvus并支持无缝迁移。它提供大规模AI向量数据的相似性检索服务,具备易用性、可用性、安全性和低成本等优势,适用于多模态搜索、检索增强生成(RAG)、搜索推荐、内容风险识别等场景。用户可通过PAI平台部署RAG系统,创建和配置Milvus实例,并利用Attu工具进行可视化操作,快速开发和部署应用。使用前需确保Milvus实例和PAI在相同地域,并完成相关配置与开通服务。
|
8月前
|
机器学习/深度学习 算法 调度
基于双层优化的微电网系统规划设计方法(Matlab代码实现)
基于双层优化的微电网系统规划设计方法(Matlab代码实现)
214 0
|
监控 前端开发 JavaScript
如何处理异步请求中的错误?
【10月更文挑战第29天】通过以上多种方法的综合运用,可以全面地处理异步请求中的各种错误,提高应用程序的稳定性和可靠性,同时为用户提供更好的错误反馈和体验。在实际开发中,应根据具体的项目需求和应用场景,选择合适的错误处理策略和方法,并进行充分的测试和优化。
|
SQL 分布式计算 Java
【赵渝强老师】Hive的体系架构
Hive是基于Hadoop的数据仓库平台,提供SQL-like的HQL语言进行数据分析,无需编写复杂的Java代码。Hive支持丰富的数据模型,可将SQL语句转换为MapReduce任务在Yarn上运行,底层依赖HDFS存储数据。Hive可通过CLI、JDBC和Web界面执行SQL查询。
773 2
|
设计模式 网络协议 Java
【十五】设计模式~~~行为型模式~~~状态模式(Java)
文章详细介绍了状态模式(State Pattern),这是一种对象行为型模式,用于处理对象在其内部状态改变时的行为变化。文中通过案例分析,如银行账户状态管理和屏幕放大镜工具,展示了状态模式的应用场景和设计方法。文章阐述了状态模式的动机、定义、结构、优点、缺点以及适用情况,并提供了Java代码实现和测试结果。状态模式通过将对象的状态和行为封装在独立的状态类中,提高了系统的可扩展性和可维护性。
【十五】设计模式~~~行为型模式~~~状态模式(Java)
|
人工智能 Rust Apache
社区供稿 | 更长、更强、更开放,零一万物 Yi-1.5 系列开源模型发布一周广受好评
5 月 13 日,零一万物 Yi 系列开源模型全新升级为 Yi-1.5。相较于去年 11 月的开源版本,这次的 Yi-1.5 在保持原 Yi 系列模型优秀的通用语言能力的前提下,通过增量训练 500B 高质量 token,大幅提高了数学逻辑、代码能力。
|
机器学习/深度学习 人工智能 算法
免费背景音人声分离解决方案MVSEP-MDX23,足以和Spleeter分庭抗礼
在音视频领域,把已经发布的混音歌曲或者音频文件逆向分离一直是世界性的课题。音波混合的物理特性导致在没有原始工程文件的情况下,将其还原和分离是一件很有难度的事情。 言及背景音人声分离技术,就不能不提Spleeter,它是一种用于音频源分离(音乐分离)的开源深度学习算法,由Deezer研究团队开发。使用的是一个性能取向的音源分离算法,并且为用户提供了已经预训练好的模型,能够开箱即用,这也是Spleeter泛用性高的原因之一,关于Spleeter,请移步:[人工智能AI库Spleeter免费人声和背景音乐分离实践(Python3.10)](https://v3u.cn/a_id_305),这里
免费背景音人声分离解决方案MVSEP-MDX23,足以和Spleeter分庭抗礼
|
SQL 关系型数据库 MySQL
MySQL数据库——视图-检查选项(cascaded、local)
MySQL数据库——视图-检查选项(cascaded、local)
822 0
|
JSON 自然语言处理 API
【LLM落地应用实战】LLM + TextIn文档解析技术实测
文档解析技术是从这些海量且复杂的数据中高效准确地提取有价值信息的关键。它从输入文档图像开始,经过图像处理、版面分析、内容识别和语义理解等流程,最终输出结构化电子文档或语义信息。通过文档解析技术,我们能够深入理解文档的结构、内容和主题,使得信息更易于检索、分析和利用。