创业中的爬山（Hill Climbing）算法

最近公司事情比较多，这周都没来得及更新。

昨天，我们团队聚餐时，聪哥谈到了创业中的常量和变量。他开玩笑说他基本上是常量部分，而我则是变量部分。

爬山算法可以帮助我们找到问题的最佳解决方案。在这个过程中，常量和变量都发挥着重要的作用。

• 常量提供了算法的基本规则和约束条件，例如起始状态、目标状态和邻域规则。常量就像我们爬山时使用的地图和指南针，它们指示哪些地方是高地，哪些地方是低地。在爬山算法中，常量帮助我们确定目标函数，即我们要最大化或最小化的函数。
• 变量用于存储和更新当前状态，以及选择下一步的移动策略。通过迭代更新变量的值，算法在解空间中搜索最佳解决方案。变量就像我们爬山时的脚步，它们决定我们每次迈出多远的步伐，朝哪个方向前进。在爬山算法中，算法会不断调整变量的值，以找到更好的解决方案。

聪哥比我更有智慧，也更保守。没有他这个常量，公司可能早就面临困境了；相反，我更乐观，对新技术和商业模式充满好奇心，一直试图推动公司突破边界，拓展更多可能性，做一些具有较高 PE 值的事情。

不断朝向局部最优解靠拢需要迭代能力。有时候，我感到自己的迭代速度还不够快，或者判断力不足，无法更好地识别问题的本质并进行优化。当然，所处的赛道也非常重要，能够找到比当前局部最优解更好的方案的是选择正确的赛道。如果有势能对，通过聚集更多资源可以加速迭代。反之，如果选错了赛道，即使再勤奋、再聪明的创业者也很难取得成功。

我们属于“二流”创业者，并非顶尖的创业公司，也没有进入热门领域，但公司的短期业务健康且呈线性增长趋势。我们仍在不断追求局部最优解的过程中。然而，我需要思考的是我们的局部最优解是否是我们的终极目标 - 我们的目标是否够高，增长速度是否够快。这有点类似于高考，明明知道考不上清华北大，但还是能混个本科。然而，所有的教育资源都集中在头部学校，马太效应非常明显。在这种情况下，我们如何实现一些非连续性的增长呢，如果从一个普通本科挤入清北？

我们目前正在探索 Web3 和 AI 领域，希望能够看到未来可能出现指数型突破的机会。但这仍需要更长时间的扎实积累，并吸引更优秀的人才，包括发掘团队中高潜的小伙伴，并给到大家更多的发展空间。CEO 永远面临的问题就是方向、路径、人才和管理，感觉我做的还不够，还可以再努力一些。💪