一、多重原因逼迫,阿里2014年上市势在必行:
2014年5月7日凌晨,通过内部邮件宣布,启动赴美上市。为什么阿里集团选择在此时上市?
EnfoDesk易观智库分析认为,此次上市时间受多方面影响:
1.阿里集团和雅虎达成协议,为了回购雅虎手中的一半股份,公司必须在2015年12月之前上市。
2.今年年初,京东商城宣布上市,给阿里集团带来了不小的压力。
3.阿里和腾迅两大互联网巨头在移动端入口的争夺愈演愈烈,阿里近年来进行了一系列投资,包括新浪微博、高德地图、UC、陌陌、虾米网、在路上、快的打车、友盟、卓大师等,这些投资都是为了弥补自己的移动端的段板。在这种胶着阶段,阿里必须要在移动端之争有阶段性成果之前,规避竞争为自己带来的负面影响,抓住时机上市。
二、对手成长迅猛,来势汹汹,阿里未来面临巨大挑战
从此次招股说明书上可以看出,阿里巴巴在中国电子商务市场占据主导地位,市场份额约为78%,但是阿里集团的电子商务(国内和国际)收入却占到集团总收入的95%,阿里集团近年来大力投资的其他业务,如阿里云,德高地图,小微贷款等业务,占比不足5%,过分依赖电子商务板块的问题凸显。
图:阿里巴巴和京东B2C电子商务市场份额对比情况
阿里巴巴在中国电子商务领域的统治地位正逐渐降低,增长速度已逐渐放缓,市场份额遭到蚕食,这主要是由于中国网上零售规模增速渐缓,整体电商市场进入平稳期,电商竞争进入全产业链竞争,从商业模式、流量、资本的竞合慢慢过渡到更注重商业本质的阶段。在这一阶段,阿里的主要竞争对手:京东、当当、苏宁云商、一号店、亚马逊都在积极布局,来势凶猛试图挑战阿里在电商中的霸主地位。
其中尤以京东为例,虽然其市场占有率不如天猫,但京东在电子商务领域发展非常迅速,增速提高明显,目前20.1%的市场份额紧随天猫其后。另外,2014年3月,腾迅入股京东,腾迅旗下的易迅网等电子商务网站与京东合并,合并后的京东在业务模块的完整性与入口来源上都得到了充分的补完。这对阿里来说并不是一个好消息。
三、移动端缺乏拳头产品,难复制阿里PC电商霸主地位,竞争对手虎视眈眈
根据EnfoDesk易观智库数据显示,阿里巴巴在移动电子商务领域的销售份额占到81%。近年来,阿里入股了包括UCweb,新浪微波在内的多个移动平台,并凭借在电子商务市场的统治地位,和支付宝的用户基础,得到这样的结果也在情理之中。
对于阿里而言,在移动电商看似复制PC的霸主地位。但其危机明显。
1.腾讯正通过“微信”和“财付通”,提升其在中国电子商务市场的影响力。近三分之一的阿里商户在微信上开了店铺。凭借微信强大的社交用户聚拢能力,对阿里未来的移动布局形成了直接挑战。
2.另外其它电商的直接竞争对手也在积极布局移动市场,通过差异化,细分化进行市场切割。
3.阿里PC端完整的商业产品体系,目前在移动端难以复制。
4.就现状来看,这种竞争态势里,阿里在移动端和腾迅,百度等争夺移动端入口的战斗中,已然落了下风,没有一款拳头产品主导移动市场的未来发展。仅凭借过去积累的用户资源支撑,复制PC的模式与经验。这样很难在未来的竞争中占据优势。
四、阿里上市征程坎坷,未来充满挑战。
此次招股书的发布,展示了阿里巴巴集团作为中国第一的电子商务企业的强大市场地位,再次向世界资本市场,显露出中国的电商力量。
但是从上文分析不难发现,阿里巴巴集团的上市只是其电商的阶段性胜利,阿里在中国电商市场中未来将面临更加艰难的道路,挑战与机会并存,阿里是否一如既往保持其霸主地位?我们拭目以待。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。