从2010年展讯推出6600L至今仅仅一年时间，之前看似坚固无比的联发科山寨帝国出现了意想不到的崩溃趋势，近期联发科创始人蔡明介出山代替上任不到一年的徐志强重掌手机事业部，展讯复兴功臣李力游则在CEO基础上荣升董事长，为了更好的抢占市场份额，稍露头角的Mstar则进行了结构调整，大陆出身的林永育荣升手机事业部实际操盘人，在Mstar的地位节节攀升，一切迹象表明，三家公司都在为布局未来迎接新时代的挑战，未来一到两年山寨手机市场联发科一家独大的格局将土崩瓦解，三强争霸态势已成。
即使在WCDMA领域高通占据很多专利技术，并没有出现像联发科在山寨市场一度占据超过95%以上市场份额的垄断局面，究其原因在于联发科的破坏性创新Turnkey商业模式适应了大陆山寨市场的发展趋势，在初期席卷山寨市场并不奇怪，不过随着展讯、Mstar等后起之秀技术方案的逐步成熟，联发科已经很难独享山寨盛宴。
几年前当联发科Turnkey模式初露头角，虽然遭到了TI等欧美厂商的奋力抵抗，由于其在成本及技术方案方面的巨大优势，一度带动本土手机品牌的崛起，同样由于巨大商业利益的存在这种本土手机崛起的浪潮迅速被山寨市场横扫，联发科Turnkey不仅将欧美厂商清除中低端市场，也使得本土手机品牌无法阻挡山寨的浪潮，至今山寨已经走出国门开始在新兴市场与Nokia等欧美品牌一较高低。
正是由于Turnkey模式巨大的杀伤力，联发科虽然一度垄断山寨市场，并没有因此培养出一个杰出的市场、销售团队，反而因为垄断形成了自高自大、傲视天下的良好感觉，当2009年李力游上任展讯CEO，据说某位联发科高层曾发狂言：“十个李力游也无法令展讯复苏”，当对对手的极端忽视被李力游充分利用之后，步入2010年联发科在展讯的紧逼下决策频频失误，由极度轻视变为过度重视，6253据说是联发科希望将展讯置之死地的不二选择，可惜错误的封装不仅没有打击展讯，反而自身受伤不轻。
中国目前有400-500家稍具规模手机设计公司，有超过3000家集成商，面对如此众多的客户资源，联发科不到20个销售人员很难全面覆盖，每一个新产品或新竞争对手的出现都会引起中国手机市场竞争格局的变化，2008年上海泰景推出模拟手机电视令优思等率先采用的公司崛起，展讯的切入也令闻泰等手机方案公司位列前茅，如果说联发科一家独大竞争对手之间拼的是成本，当展讯及Mstar切入之后，对平台提供商的选择显然将导致手机设计及系统集成商的再一次洗牌，价格战也将由手机方案提供商升级至平台提供商，如此竞争格局联发科很难独善其身。
一样的销售团队，在李力游上任之前备受煎熬，在李力游上任之后扬眉吐气，李力游实现了乔布斯在Apple一样的传奇，如今当Mstar将手机重担交给林永育这个土生土长的大陆人，林永育能够复制李力游的传奇吗？
虽然联发科在山寨市场风光无限，其实在联发科的市场销售团队特别是核心成员中鲜见大陆员工身影，究其原因在于当初联发科成功来的太容易，展讯2009年之所以异军突起，本土优势显而易见，反观Mstar不仅作为CEO的Steven yang本身便是浙江大学的毕业生，林永育同样出身浙江大学，在市场、销售领域更是清一色的大陆员工，面对大陆厂商独霸手机设计及系统集成商的市场格局，显然展讯与Mstar已经在市场、销售领域领先联发科。
与李力游在联发科一家独大局面下高举高打成功登陆场不同，作为Mstar的手机操盘手林永育采用了完全不同的推广策略，作为山寨市场的后来者，Mstar其实已经在山寨市场默默耕耘两年之久，李力游以top 20作为突破口实现崛起，林永育则通过中小方案上实现技术的逐步完善，直到2010年下半年才真正进入大规模市场推广阶段，应当说联发科、展讯、Mstar三强争霸山寨市场的格局已经形成，即使蔡明介出山频频拜访、稳定客户依然难以改变。
可以预期的是2011年无论是手机芯片提供商联发科、展讯及Mstar还是超过400家的手机设计公司都面临市场及竞争策略的重大调整，如果说之前手机设计提供商的核心竞争力是可以开发出更低单价的产品，而2011年在方案提供商的选择上则可能左右公司的未来发展，方案提供商及手机设计公司的双向选择将决定了未来几年大陆山寨市场的走向，市场竞争远会比联发科一家独大更考验手机设计公司CEO的水平和前瞻能力。
可以预期的是随着根基大陆的全球地区手机品牌的兴起，未来山寨市场将逐步正规化，随着三强争霸格局的形成，手机三强的竞争势必将资源向更有潜力的手机设计公司及集成商倾斜，至于未来联发科、展讯、Mstar的市场份额再分配也将在未来两年一见分晓，不过有一点可以确认，三强的存在对于大陆手机产业的正规化作用毋庸置疑，也将成为大陆手机产业走向全球的助推剂。（作者，老杳）
【版权声明】：本文为老杳原创，欢迎转载，但必须注明“信息来源：老杳吧”及其他相关信息（作者姓名等），并保留原文链接。
分享到：
相关推荐
联发科（Mediatek）是“山寨”产业链中的关键角色，它通过创新的CPU设计，改变了CD-ROM、DVD和手机等领域的市场格局。联发科的成功源于其创始人蔡明介的洞察力和战略决策。1997年，蔡明介带领团队从联华电子分离出来...
”法人认为，蔡明介胸有成竹，除了联发科智能机芯片出货持续放量之外，新产品陆续问世，挹注未来成长动能强劲，都将驱动联发科迈向新纪元。 联发科董事长蔡明介 联发科昨（16）日不愿对公司产品线蓝图多做...
另外，联发科与华为之间的业务合作历史悠久，华为海思曾引进联发科的人才，而联发科董事长蔡明介对华为创始人任正非的文章和理念深表欣赏，两家公司在文化理念上具有相似之处。因此，华为在当前的芯片危机中将视线...
联发科技董事长蔡明介强调了成都高新区成熟的集成电路产业链和优秀的人才资源，这将有助于公司在系统研发方面的强化。成都子公司将以系统研发为主，参与全球不同团队间的紧密合作，承担某些新产品研发的主要责任。...
SmartTools InDesign插件
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
机械设计课程设计说明书_带式输送机传送装置_西北工业大学.doc
使用 “模块化欧洲小镇” 包来改变你的游戏世界！这个套装提供了你设计一个充满活力的低多边形城市所需的一切。 套装包括： 模块化建筑：各种结构可创造多样化的建筑设计。 自然元素：树木、灌木丛和植物，以增加你的小镇的绿色景观。 基础设施：道路、人行道、边界和墙壁，以构建一个逼真的布局。 不同的道具：很多物品，如消防栓、路灯、咖啡馆桌椅、垃圾桶、长椅等等。 所有模型都采用低多边形美学制作，确保出色的性能和独特的视觉风格。这个套装非常适合所有平台上的游戏：移动设备、桌面电脑和虚拟现实。它易于使用且高度可定制，让你轻松构建自己独特的欧洲风格小镇。用 “模块化欧洲小镇” 将你的愿景变为现实！（解释说明：“lowpoly” 即低多边形，是一种在游戏和数字艺术中常用的风格，以较少的多边形数量来呈现模型，通常具有简洁的外观和较好的性能表现。
机械工艺课程设计 挂轮架轴自由锻工艺设计(全套图纸).doc
nvm-window v1.1.12
multipart类型接口的介绍与使用
机械创新课程设计_自动翻书机设计.doc
“机械原理”课程设计自动打印机的设计.doc
内容概要：介绍了两种不同类型的采购订单‘确认控制’操作——‘确认控制’一步法(0004)和两步法(0001)，并且阐述了它们各自的操作流程以及后台配置方式。还涵盖了另一种收货类型'粗收货'(0002)，并通过具体的系统功能与菜单选项展示了一般性的操作步骤，并解释了它的背景及意义。 适合人群：需要理解并能够执行采购确认控制流程的供应链管理从业人员以及系统管理员。 使用场景及目标：帮助用户理解采购流程，特别是涉及到确认步骤以及粗收货的情形。目的是保证采购流程的准确性，提升仓库收货效率。 其他说明：文章详细描述了一系列系统功能与配置，包括采购订单的创建与更新，通过特定的功能码实现采购确认，内向交货单的处理和收货的具体操作，强调每一种确认控制方法背后的原理及其应用场景。
【6层】4837.9平米六层框架综合办公楼（含计算书、建筑、结构图纸） 1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。
-40V;-65A;RDS(ON)=10mΩ@VGS=10V;VGS=20V;Vth=-1.6V
玻璃瓶印花机的设计机械原理课程设计.docx
基于springboot+Vue的旅游推荐系统设计与实现源码+数据库（98分毕业设计），含有代码注释，小白都可以看懂，个人98分毕业设计。毕业设计、期末大作业、课程设计、高分必看，下载下来，简单部署，就可以使用。 基于springboot+Vue的旅游推荐系统设计与实现源码+数据库（98分毕业设计），含有代码注释，小白都可以看懂，个人98分毕业设计。毕业设计、期末大作业、课程设计、高分必看，下载下来，简单部署，就可以使用。 基于springboot+Vue的旅游推荐系统设计与实现源码+数据库（98分毕业设计），含有代码注释，小白都可以看懂，个人98分毕业设计。毕业设计、期末大作业、课程设计、高分必看，下载下来，简单部署，就可以使用。基于springboot+Vue的旅游推荐系统设计与实现源码+数据库（98分毕业设计），含有代码注释，小白都可以看懂，个人98分毕业设计。毕业设计、期末大作业、课程设计、高分必看，下载下来，简单部署，就可以使用。基于springboot+Vue的旅游推荐系统设计与实现源码+数据库（98分毕业设计），含有代码注释，小白都可以看懂，个人98分毕业设计。毕业
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
2024年中国低轨通信星座产业及海外拓展前景研究报告.pdf