2017-06-11

纪念碑谷的一点感想

最近在路上补了下纪念碑谷.
总游戏时长可能也就五六个小时吧.

感觉与其说是一款解谜游戏,不如说是某种形式的故事本.

因为严格来说,它讲究的并不是实际的解谜方式.
就大多数关卡场景来说,每个机关设计小段落还是比较明显的.
每个阶段基本就是一个唯一解的机关触发,并不存在一个比较复杂的搜索路径.

如果是作为一个解谜游戏来说,要点设计未免过于单纯.

那么它让人觉得好或者说眼前一亮的点在于什么呢.

也还是机关的设计.

只不过立足点不是复杂性和组合度.
而是一种小心思的共鸣或者说分享感.

每一个机关的触发更像是帮着拆解和介绍眼前的这个盒子的小趣味.

可能也并不是就是要讲述一个什么故事.
而是拿着小孩子分享自己的想象中的好玩的小玩意的感觉.
机关点的设计反而是一种把这种心思和切面连贯起来的东西.

去掉的话可能也并不影响感受.
因为享受的可能就是那种作者某种形式的娓娓道来的结构解说.

所以某种程度上来说它更像是某种形式的作品欣赏.

像看一幅画或者一个故事.
你享受的是作者想要表达的内容或者某个瞬间和场景.

比如某些对星夜之类的绘画光影的动画视觉化表演那样.
通过某种手段把作者的创造思路以及对某种表现形式的不同寻常的表述方式.

把光影的流动动态感静态化的手段.
也就是作者对动的某些特征的感受的本质感受还原具象化的一个过程.

就像某几个关卡对空间组合的方式一样.
在看的是另外一个侧面是什么,不同侧面又是怎么构造连接在一个整体上的.

它不见得有多精妙.
但是就是有一个人在很得意很自信也很不卑不亢地给你介绍他认为的有趣的东西.

某种有点微妙的交流方式.

只不过用的是光影错位,盒子结构,空间立体感等这些元素.
表达的不是什么特定的意思或者目的.
而要的是对这些元素的某种会意的笑.

所以顺着这个思路模仿的话,大概就是找某些自己觉得有趣的点然后通过安插一些机关导引,把这种你觉得有趣的地方展示出来.

就像如果想要展示韵律的某种微妙和谐感的话,可能是构造一系列短小的机关,完成一段段的小和弦,然后最后组合起来.

又或者像剪纸,以路线的方式渐次展开折叠然后完整图的方式.

或者水流之类的方式,以流速转折等表现书法之类的横折点钩的趋势意蕴.

或者水彩之类的一些技法的巨象化表达.

本质上来说,就像是一种各自技法和手法的科普介绍.
只不过是以机关设置的方式作为节奏控制而已.

所以你很难说这是一款游戏.
也很难说它是不是好玩.
甚至于说谈不谈地上解谜/游戏性.

如果不是作为一个现象出现的话,也很难说会怎么样.

或者说跟它思路类似的东西可能并不少.
但只有它成为一个现象.

也很难说,即使是它也可能并不能持续太久地流行.

不是说不够好而是可能没有带来新的感受点.

就像你知道它会给你带来什么感受,有什么预期.
甚至于你知道它会给你一些有趣点的讲解和带来一些愉悦性.
但可能也不会刻意地花时间去实际感受.

因为有预期.
所以很难超出预期给人一种耳目一新的感觉.

反过来说,他之所以有话题性,可能只是恰好让人知道了另外一种新的思路去设计和构造/ 表达某些东西.
而一旦这种方式被人所了解了之后,剩下的可能就没什么特别了.

2017-06-05

由长尾展开

重新考虑下长尾.

通常关注的是基数.
因为隐含的假设是单位价值细微.

比如千次几毛的PV价值.

但换个角度,实际上考量的还是如何提高总量收益.

千次PV几毛跟单品交易几百的区别大概是7~8个零的数量级差异.
换算回来的话就是同等的交易单元/用户数.

这里基于的是个体贡献的价值或者说付费意愿和能力约等于零.

那么考虑,如果付费能力提高几个数量级的话,相应的需求用户基数就没那么大.

就PV而言,从千次几毛到每次几块,那么这里就是5个零的数量级.
对应的需求PV/付费用户就可以从千万到百的级别.

这个是什么呢.

比如某B站的新番承包机制.
或者有如现在喜欢谈的订阅或者说打赏.

又比如早已在网游中成熟下来的免费模式的VIP制度.

这里的一个动机可以理解为对某个概率分布区间的用户价值的一个提升作用.

一个直白的理解就是,原来没千次的PV贡献价值之所以低是因为并没有给出更高的用户价值投入方式.

所以这个思路推广一下的话,就是对给定各种区间/阶级用户的一个成本投入提升.

某种程度上来说,就是一种价格歧视的重新应用.

所不同的是,价格歧视基于的是一种信息不对称关系.
而在这种长尾总量提升的情况下,可能更多的反而是来自于信息透明或者共享.

就像B站赞助和打赏赞赏等,可能有相当一部分动机是在于付费是为了服务的持续性考虑.
即使这种长久运营需求并不是一种必需的契约关系,而完全是自愿的行为.

所以,这里可能是某种所谓定价权的反转变化的思路.
即价格由卖方提供转变为买方根据个体价值体系做定夺.

也就是老话题,private valuation.

综合一下的话,就是
value = w_1*seller_side_valuation + w_2*buyer_side_valuation.

传统的讨价还价就是sv(seller_side_valuation)和bv(buyer side valuation) 就趋近于市场价格,也就是w_1和w_2接近1/2的情况.

一般长尾则是w_1放大,而w_2为零.而sv和bv为何并不太有定性意义.

而买方反转定价的情况就是w_2为1的情况.
也就是在一般长尾的基础上兑现了溢价买方的价值.

那么,存不存在或者说w_2跟w_1类似放大的情况呢.

大概就是把bv做阶级拆分的\sum_i w_2_i*bv_i的形式了.

于是类似的,把价格歧视考虑进来就有
value = \sum_j w_1_j*sv_j + \sum_j \sum_i w^j_2_i*bv_i
简单化描述就是
value = w_1*sv + \sum_i w_2_i*bv_i.

这里跟讨价还价的区别在于,前者针对的是有公允价值或者说容易有相当客观定价的情况.
而svbv针对的则是一种没有客观定价,或者说客观定价没有意义的情况.

考虑下最大化的问题.

像赞助形式,如果sv提高到一定程度,那么就有可能bv 全为零.
一个例子就是会员限定的制度.

所以这里的bv_i应该是sv 相关的一个函数.

从图形上来说,\sum_i w_2_i*bv_i应该是一个类似于以sv 为横坐标,人数为纵坐标的密度曲线.
借鉴供需/边际曲线的思路的话,就存在一个均衡点时的左侧过零点的sv曲线,与bv曲线交点所构成的面积最大.

从拟合的角度来说,其实就是i+1维的linear equation.
只不过实际情况是bv_i 也是未知的.

或者简单点把w抹去.
value = sv + \sum_i bv_i + adjusted.

2017-05-13

关于word2vec的一点想法

考虑word to vector的intuition.

给定两个词,如果存在某种意义的相似性的话.
那么,这两个词对应的vector representation就具有某种意义上的近似.

tensorflow里给的example实现对这个近似的定义是cosin值.
直觉上来说,就是给定两个向量在某些维度的方向指向上有着某种趋同性.

从embedding的角度来说,假设对一组词有着某种未知的词性/词义等的归类方式的话.
这种cosin趋向性实际上就是指向的这个embedding的某些维度了.

考虑如果用L2 distance来定义similarity.
那么它表示的则是这些词对应的点具有一些cluster性质.
而这些性质有什么含义,则是相对拟合过程所用的loss function的意义有关的.

因为从结果上来说,它对应的是embedding的各个维度之间都要求只有细微的差别.

如果出来的结果对应的vector不是一个稀疏表示的话,可能并不能收敛地很好.
或者说结果有意义.

所以,从这个侧面上来说,可能logistics regression比较合适.
变成类似多label的classification,从而达到类似一个binary encode的vector形式.
对应的1/0则表示相应embedding的dimension是否具有对应特征的一种标识.

这样的话,对于结果的一种可能直觉上的解释就是类似某种词性划分.
因为在这种情况下,对于不同的词可能会对于到同一个vector形式.
或者在某些维度具有重合性.

于是反观cosin形式.

cosin形式除了维度指向之外,还有另外一个信息就是长度.

直觉上来说,类似长度但维度指向不同的vector,实际上是处在一个hypersphere上面的.

也就是说,理论上,如果构造合适的loss function的话,是可以让最终的vector包含更多的信息的.
比如cosin similarity作为词性,长度作为词义或者对应的使用场景等.

实际上来说,这个vector对应的就是个2-D的离散feature组合了.

然后考虑loss的构造.

tensorflow的example实现使用nce loss,noise contrastive estimation.
大致就是在minimize原本的cosin的时候,加入一个negative sample项,做类似adversarial的目的.

因为如果没有这个negative的话,一个可能的最终解就是所有vector具有同样的值.

所以某种程度上来说,是一个既要overfit,又不要overfit的过程.

直觉上来说,就是把一些vector move together的时候,separate the other.

大致看了下tensorflow nce的negative sample应该用的是log uniform distribution.
按照这个概率选取一些作为penalty.

所以,理论上来说,这个adversarial项如果选取的不够好的话,结果可能也就不会很理想.

比如training set里都是些垂直领域的词,从人的角度来说都具有类型的词性词义等.
但可能adversarial的选取大概率的是这些相近的词类.
那么结果自然是一直被penalty,loss收敛不下去结果不理想不stationary.

而tensorflow的恰恰好是高词频的会更容易被作为adversarial.
所以适合的是topic/context比较多样化的场景.
这样才可能比较好地被"cluster".

还有一点就是tensforflow里word pair/skip gram model的生成方式.
predicative pair是通过一个skip window控制的.
也就是选定一个词,然后随机地从前后一定范围内选取一个词作为predicate.

这样的话,考虑长句松散语意和短句紧凑语意风格的training set的话,结果应该也是有很大不同的.

如果行文风格比较短小精悍的话,可能词组配对频率分布会比较平坦.
这样的话按照原有的loss来做的话,结果可能就不太好了.

考虑如果是强行生成所有组合.

那么这些组合实际上暗含的信息就是任意两个词之间co-occurrence的概率.

在最终的vector space里,cluster的vector之间就是彼此具有类似的context的属性.

因为两两之间在共同出现的频率差不多,也就一定程度上地说明在文本的使用场景具有某种长度的相似性.

当然,可能最终还是相当程度地会收到adversarial的选取方式的影响.

有可能避免negative这种不确定因素么?

如果对一个batch的同一个feeding sample多做几次gradient decent的话.
直觉上就是让当场的sample更靠近一下.
期望的是通过这种reinforce变相地离其他sample更远一些.
然后如果是确实高频出现的话,同样的reinforce会及时地回调.

形式上来说,就类似于做了一个基于频率的倍数放大而已.

并不一定有什么用.

考虑下entropy.
对于给定的training set来说p(x)是确定的.
对于定义
entropy = p(x) * log(1/p(x))
对于词x,以及对应的相似词y有
entropy = p(x,y) * log(1/tanh(similarly(x,y)))

通过minimize这个entropy的话,会是什么结果呢?
形式上来说,它可能等价于
entropy = W(p) * similarly(x,y)
一个跟固有概率/频率相关的相似度.

那么对于低频的pair来说,w->0,GD的过程可能改动不大.
但对于高频的pair,GD的过程就可能会做相对幅度的变动.

也就是直觉上的对于低频pair不做改动,而仅仅对高频部分做调整.

当然,实际怎么样就是另外一回事了.






2017-04-16

关于确定性

seq2seq的intuition某种程度上来说就是把两个vector拟合出一个映射关系.

或者说任何向量化的计算抽象了说都是拟合这种映射关系.

所不同的是像machine translation的recurrent neural network/long short term memory.
提供的是一种position相关的调整策略.

因为从语言侧面来说,翻译的一个思路是两种语言之间语义指向的别称之间的关联关系.
也就是所谓的基本字词的转换关系.
而语法只不过是一种arrangement的方式.

对于表意来说,怎么放置其实更多的是一种约定俗成的关系.

所以简化一下就是两种语言的意指之间的对照关系.

于是,通过LSTM等具有位置调整功能的组件把两种语言关联到一种通用的"语法"结构下面,也就很自然而然了.

RNN系某种意义上来说,对于向量本身就像一种elementary operation.
简单地对向量的唯独做类似行交换的reprojection.

它跟普通的matrix transform的思路区别在于,这种纬度切换面向的是单个的向量本身.
而不是一个操作apply到所有向量的同一纬度.

所以,这个的intuition更像是一种pattern extraction.

CNN也类似.
如果把RNN像CNN一样排练,或者把CNN的convolution layer看出某种形式长度的LSTM的话.
pooling+rectifier也就类似于某种位置转换来达到某种pattern的align.

考虑回两组向量的拟合映射问题.
或者说去掉拟合连两个字.

给定任意两组向量和之间的一个映射关系,定义这个映射关系为一个operator.

于是,一个例子,比如整数加法,或者所谓的group.
1+1 = 2 就是[1,1] -> [2]
2+3 = 5 就是[2,3] -> [5]

那么同样地,可以定义另外一种operator.
使得
1+1 = 9 也就是[1,1] -> [9]
之类的.

从group theory的角度来说,只是某些约束符合不符合/满足不满足/定义没定义的问题.

这里的一个点在于.
数学或者说某种确定性关系,某种程度上来说是对向量两边的映射关系的一个特定子集描述.

或者说是某种特定的分组方式.

于是问题就在于,对于这个特解的所谓合理/相容/不矛盾是包含了这个group的某种constrain在内的.

简单说,就是排除了"已知的反例"的.

比如对于square操作.
\sqrt 2和\sqrt -2的区别.

后者可以说是在前者的一个新的reproduction或者说一个新的group子集划分.

这里想说的是什么呢?

所谓的确定性或者说科学性合理性在于,可以给出A->B的一个自洽的结果.
也就是,这时候有一种足够描述能力的子集划分,去概括这些映射关系.

那么,当如果出现一个是地A->B不自洽了的情况.
就像out of vocabulary或者某些算法的bad case的时候,就出现的需要对这个"映射关系"/理论做修补的时候.

就像物理学的发展.

那么到底什么是确定性呢.
或者说理论上存在么.

halting problem的思路在于,如果一个UTM能够simulate自身的话.
这个simulation是non stop的递归过程.
于是反过来说不存在一个UTM可以描述所有的东西.

这里隐含的一个假设就是,如果可以simulate,那么一定是会或者说必要halt的.
反过来说,如果把这个条件去掉,那么就存在一个可以simulate除自身之外的任意事件的UTM.

也就是说,把这组映射关系里去掉某些之后还是可以自洽的.

于是,反过来说,只要出现任意一个不在自洽体系里的case的话,这个体系的确定性就不存在.
或者说至少需要重构.

因此,一个体系所能描述的"确定性"只是针对已知或者已经发生的A->B的一个特例划分.
它的有效性最多仅仅限于"过去".

而对于"未来",这个是undefined的.



2017-04-15

PINCode的意义

考虑下支付pin code的意义.

如果没有pin code而协议走的是对称加密的话.
那么理论上只要能够对process/device有一定的访问权限的话,reveal key应该不是什么问题.

而https的话,机制上也有可能通过root certificate的方式让加密透明化.

剩下私有的非对称加密方式.

原则上来说,因为对于client的发出的信息来说,只有key owner能够decrypt.
所以貌似没什么问题.

但这里有一点是,key owner其实并不能verified client.
因为它verify的是基于public key的一个signature.
只是某种integrity的校验,而对于消息的发起者身份也是没有任何信息的.

于是,理论上,在client和owner之间就存在一个中间人的机会.
这样的话,同样可以使得加密透明化.

而如果需要对client和owner做一个第三方认证,也就是类似https方式的话,同样地不能避免中间人攻击.

所以,实际上来说,这里的问题一个消息的integrity.
另一个是authorization.

而integrity是建立在authorization之上的.
因为不管你的integrity check多么完善.
如果不能确认消息的制造者是期望中的一样的话,也是没有意义的.

那么怎么做authorization呢?

或者直观的一个例子就是,如果确认一个communication channel另一端的你是你.
而不是一条狗.

然后看pin code.

假设pin code没有leak的话.
或者说pin code是只有client和service provider之间才知道的信息的话.
换句话说,就是没有第三方知道这个信息的话,也就没有authorization的问题.

因为能通过这个pin code关联起来的除了自身就是对方.

本质上来说,这里依赖的是某种形式two party private information.

所以它的问题在于,如果leak了呢.

考虑什么时候会leak.

一个是在首次交换的时候.
或者说存在一个唯一一次交换信息过程的时候.

比如设定pin code让对方知道/确认的形式.

这个时候因为没有一个private information,所以理论上是存在leak的机会的.

那么存在不存在不需要交换,但双方都能agree的一个形式呢?

理论上是可以存在的.

一个最简单的方式就是考虑类似btc的方式.
双方随机生产一个code,然后encrypt一个公共信息,然后尝试decrypt这个信息.
如果能够成功还原,那么就因为这双方有了一个agreement.

这样的话,剩下的问题就是如何提高这种碰撞/配对的成功概率.

理论上可以把生产算法narrow到跟时间设备信息等已知条件习惯的某种半确定性算法.
比如最简单的通过当前通信的ip:port+limited random field去尝试配对.

当然,这里同样存在中间人的问题.
因为一开始谁也不知道谁是谁.

所以同样存在一个开始negotiate的时候被中间人的机会.

这样的话,倒不如回退回直接交换pin code的方式.

再扩展一下考虑用户名密码的模式的话也是类似.

本质上来说,这里需要的是一个private held的information.
用来做unique identity和mutual information.

于是,这里再回头看https的话,其实算不错的方案了.

通过https交换最初的pin code.
不存储的话,以后即使信道被compromise.
只要这个code保存地好/没有leak,那大致上还是能够做身份确认的.


2017-03-26

问答围观与广告系统

考虑下能不能把法律咨询做成问答围观的形式.

第一个是费用问题.
专业咨询昂贵的地方在于专门的针对性和具体的施行措施.

所以考虑这两个为成本的话,对应计价自然是基于这两点的价值来说的.

那么,对于咨询方来说,如果想要费用低廉的话要么就是得到的专门针对行变弱.
要么就是施行策略变得概览.

这样从逻辑上来说,价格才可能低廉.

这里的一个问题就是,这些 低廉价格换来的价值对于咨询者而言是否还有意义.

比如一个具体的案件.
常规就是专门的律师给予各个细节方面的考量和对应的应对方法.

而低价获得的可能只是一些原则性介绍和大致的轮廓方向.
这些对于求助/咨询者来说可能是没有意义的.

或者说需要咨询者有比较强的整合扩展能力.
比如有一定的律法基础可以根据keynote找到合适的执行策略.

又或者说,需要咨询者有比较明确的ROI概念,对于什么价格得到什么程度的帮助有一个理性合理的定价方式.

这是一个用户素质门槛.

那么,假定用户有了这种门槛素养之后,需要解决的问题就是如何合理地地匹配定价和解决方案.
本质上,就类似于与广告的 bidding问题.

在解决方案有了合理出价的前提下,虽然不能说容易解决.
但至少是一个现成的相对成熟的工业应用场景方案.

那么,这里的新问题就是如何给出合理的方案定价.
因为询价是用户自己的理性判定,所以这里不用考虑,只要看对应方案的定价.
然后就是经典的最大/最优匹配搜索问题了.

切换到提供咨询者也就是律师角度.

针对任何咨询,一个专业人士理论上都可以针对提供方案的详细程度给出一定的定价要求.
但考虑实际的咨询撮合里面,提问的数量应该是远远大于提供方案的人员数量的.

所以依靠律师一个个根据自己的回报去筛选是不太现实的.
而且对于提供方案者而言,挑选某种心理ROI区间的或有preference.
这样的话,对于其他区间外的问题就基本不可能得到回答.
这对于撮合系统来说可能不是一个理想的情况.

所以这里问题的推送应该是有一个算法筛选分配在作用.
目的有几个.

一个是帮助主题匹配.
二是在匹配主题的情况下,平和收益预期.
以及第三点, 提高被回答的覆盖面/广度.

稍微想下就是一个黑盒的搜索系统.
只不过query主题变成了预期收益.

这样的话,对于律师方来说,需要的是一个收益预期.
比如回到多少次得到大致多少回报,或者一定时间内 期望通过回答得到多少收益.

也是一个类广告的bidding系统.
可能更像是DSP方面的思路.

那么综合两边一起看的话,其实就是比较标准的搜索广告模式了.

于是顺便的,一些对于"广告"买卖双方的反作弊行为也有了一定的先验方案可以借鉴.
当然只是理论上.

flaw的 风险首先在于律师的欺诈性点击驱动.
也就是利用一些因素提供提供低质量回答得到超额收益的动机.

而回答的价值是否公允这个应该是由阅读者/付费购买者/咨询方决定.

所以这里大概免不了需要一个买方的价值是否公允的一个反馈信号.
以此作为卖方flaw的ranking的因素.

而为了激励买方积极作出反馈,则必然需要一种对买方有利的驱动方式.
最简单的就是返现/折扣咨询费等.

那么这样的话,这种激励制动也就产生了第二个flaw点.
买方的欺诈动机.

如果对于买方的 欺诈反馈信号也是使用卖方评价的话,那么就很容易陷入一种驱动循环.
比如需要额外的驱动机制,让卖方对买方做欺诈评价,而这种驱动也就成为新的flaw点.

所以,如果不能通过卖方信号的话,如何才能对买方的欺诈动机做识别呢?

首先需要明确的目的是防止恶意的买方欺诈.
也就是说需要允许买方的合理的有意的对卖方对欺诈反馈.

因此,这里需要的是对恶意买方欺诈的定义.

一种可能的方案是以买方反馈历史作为信号.
基于的假设是,如果是刻意恶评的话,那么跟正常的合理用户的欺诈反馈行为是不同的.
比如对于某个 高信用卖家的的恶评,比如对大规模卖家的无差别恶评等.
这是一个长期的类规则维护系统.

然后是,基于规则系统的问题在于只对有一定历史记录的用户有效.
对应的策略可以是不停的白纸用户.

所以,这里就不得不对这类白纸用户有所限制,或者说存在个别功能锁定期.

当然,这里可能存在一些优化点.
比如一些针对恶意用户对回归模型的早期特征预判等.
但总地来说,因为存在false positive的风险,如果控制不当可能会大规模地迅速摧毁卖方的平台信心.
所以保守做法可能还是监护性为主.

那么,对于卖方来说存不存在这种类似 买方的恶意欺诈呢.
理论上是不会的.

一个是可以通过专业准入审核做到.
毕竟相对买方来说卖方数量相对小.

二是欺诈成本高,收益小,不可复制.
这个是专业信用背书支撑的.
因为如果一旦专业透支,那么相当于平台不准入了.

买卖双方定价模型.
撮合系统.
反欺诈.

当然,最重要的一个基本立足点是咨询方的出卖动机.
或者说收益率是否达到一个程度的问题.




2017-03-14

所谓的高房价和城镇化的一点关系

看几个数据.

2015年北京商品房销售额为3,517.65亿.
上海5,093.55.
深圳大约2,822.
广州约2,415.

北上广深大概就是3,517.65 + 5,093.55 + 2,822 + 2,415 = 13,848.2

2016年第四季度居民累计可支配收入是23,821亿.
折算一年的话大概就是23,821*4= 95,284亿.
按北上广深占8成算就是76,227.2.

于是13,848.2/95,284 ~ 18%.

也就是只需要18%的可支配收入就可以cover目前的房价水平.

推而广之的话,只要整体可支配收入的某个比例大于销售额的话,房价无论怎么涨都是合理安全的.

反过来说不合理的边界在于收入水平的增长.

但这里比较吊诡的地方在于收入水平的非平滑分布.

也就是说收入水平的分布并不是一条平坦的曲线.

所以把它拆分一下的话,是一个由基数*增长率构成的条状分布.

这样的话,实际的安全边际就有最小的基数*增长率带决定.

或者说存在一个边际值,使得这个值以上的总和能够cover对应的每年新增销售面积的话,就还是安全的.

那么考虑下销售面积锚定的对应安全边际带.

如果两者存在一个比较合理的同步锚定的话,那么无论实际上无论价格水平如何波动都是合理正常的.

考虑,如果存在不对称的情况.

如果某个销售层级对应的边际层级出现不对等的情况的话,那么无非就是两种情况.
一种是销售层级过多,导致供给过量的价格走低,称为A类.
一种是销售层级稀少,导致需求过高的价格走高,称为B类.

先看A类.
如果A类的上层边际层级的情况是对等或者说也是A类的.
而下层边际层级无论是什么情况对于消化过剩都是无能为力的.
那么对于当前边际层级来说,销售无法消化,价格自然是继续走低的.

如果上层层级是B类.
那么就存在B类向A类吸收一部分销售的情况.
由此衍生三种结果.
一种是过量吸收,使得A类转变为B类.
一种是恰当吸收,使得A类变为均衡状态.
一种是少量吸收,A类依然处于过饱和状态.

于是,如果objective function是为了维持边际和销售层级的对等的话.
唯一的策略是通过B类转化A类.
也就是通过边际阶层的向下吸收.

类似于二线吸收一线的购买力.

然后看B类.
B类的上层边际层级无论是A类也就是上层有富裕的话,B类也无法吸收.
因为一开始的收入水平划分决定的.
而如果上层边际层级是B类的话,只会让当前边际层级的供应减少需求更高.

如果B类的下层边际层级是A类的话,就是A类的第二种情况.
存在可能的转化均衡.
或者同化为B类.

而如果下层层级是B类的话.
要没是本阶层转化为均衡情况,或者保持B类.
但下层层级是必然会演变为更加剧烈的B类的,因为同样的供给减少.

因此对于B类来说,合理的决策是构造富余的A类下层层级.

类似于二线以下的过剩发展.

于是综合两个策略的话,实际上是一个类似于农村包围城市的过程.
最基础的开始点在于最外围的供给过剩构成.

而实际上,这个策略最开始要解决的问题是,在无论价格如何波动的情况下.
都能提供一种机制使得各种层级能够自动调整至均衡条件.

考虑实际就是无论价格水平如何上涨,都能够保证层级的自适应性.

某种程度上来说,通过中心价格的上升,推动的是某种形式的阶层外延扩散.
而这种扩散带来的一个重要特征就是对应层级的收入水平的由中心到外延的扩散.

形式上来说就是通过不断拉高中心水平,然后制造级差过剩来达到某种形式的被动带动效应.

因为从策略上来说,就是通过加强中心的辐射强度变相地增加外延的辐射强度.
从而即使不能够消除差异,也能够在实际上增加外围的强度.

所谓的高房价和城镇化的一点关系.






投其所好

最近看了持械入宋,发觉AI的发展或者说经济化还是非常一日千里的. 虽然说短剧本身也不是什么新事物了. 甚至AI制作也不是最近才有的. 只是从质量上来说,还是看得出来是有区分度,或者说ROI门槛了的. 这片虽然从服化道方面来说还是普通的AI剧,甚至剧情大半夜还是传统的龙王归来模式....