ZDNet至顶网软件频道消息:大约15年前,马云就曾前往硅谷为他刚刚创办的阿里巴巴集团融资。虽然数额只有几百万美元,但却没有多少人愿意掏钱。
本周一,身为阿里巴巴集团执行董事长兼联合创始人的马云,在该公司的首次IPO路演中,对着800多名潜在投资者表示,他又回来了,而这一次,他想多要点钱。
本周一是这家中国电子商务巨头全球路演的开始,他们希望在IPO中筹集创纪录的210亿美元。通过此次路演,阿里巴巴首次得以试探投资者对其巨大增长前景的信心。
当天的活动从早上6点便已开始,阿里巴巴高管首先来到花旗集团位于曼哈顿下城的总部,与6家首席承销商的销售团队会面。他们的沟通主要是为了让销售团队了解阿里巴巴,确定如何才能最好地面向潜在投资者展开推销。
但真正的看点却是当日的午餐宣讲会,举办地在曼哈顿中城的沃尔道夫酒店(Waldorf-Astoria)的18层。
上午10点左右,投资者便开始排队等候。大约半小时后,他们纷纷乘坐电梯来到路演登记处。至少有一名潜在买家对会议安排提出了批评,因为他们被迫在洞穴般的沃尔道夫酒店大堂内排起了长队,队伍甚至都排到了门外。事实上,直到阿里巴巴高管上周选定了路演地点后,整个会议安排才最终确定下来。
阿里巴巴的美国首场路演,吸引了众多华尔街大腕到场。
与会人士中包含很多华尔街大腕,包括著名长期投资者马里奥•加贝利(Mario Gabelli)和前投资银行家、迈克尔•布隆伯格(Michael R. Bloomberg)私人财富管理人史蒂芬•拉特纳(Steven Rattner)。
高盛和摩根大通的高级交易员们在场内四处走动,高盛前副总裁、阿里巴巴董事迈克尔•埃文斯(Michael Evans)也不时在会场内与人寒暄。
午餐宣讲会最终在下午1点左右正式开始,比预定时间推迟了大约半小时,但阿里巴巴提前准备好的视频已经发布在RetailRoadShow.com上。瑞士信贷CEO布拉迪•道甘(Brady Dougan)随后介绍了马云,接下来接替他主持路演的,则是瑞士信贷全球互联网投资银行主管、此次IPO的主要顾文伊姆兰•科翰(Imran Khan)。
尽管包括执行副董事长蔡崇信和CFO武卫在内,阿里巴巴有多位高管登台亮相,可身着西装和衬衫但没系领带的马云,还是成为场内当之无愧的焦点。据与会人士介绍,他并没有让在场的人失望,当场调侃起了哈佛大学的案例研究——哈佛始终预计,阿里巴巴将会灭亡,而对手则会赢得胜利。(马云指出,那些竞争对手都已经被阿里巴巴逐一击败。)
在被问及竞争对手时,马云开玩笑地说道,这是副总裁该考虑的问题,他的脑子里始终在思考如何让公司基业长青,成为百年企业。
现场的问题几乎都围绕着阿里巴巴的商业模式展开,话题涉及阿里巴巴今年展开的多笔交易,包括入股一支中国足球队,以及一家电影工作室。除此之外,沟通的内容还包括阿里巴巴的公司治理问题,以及该公司的的高速增长能否持续。
“他们很聪明地直面了很多意料之中的问题。”一名与会者说,“他们先发制人地提到了这些问题,但只是提供了事先准备好的答案。”但在随后的演讲中,马云还是出人意料地直接回答了听众的问题。
管理层代表承认,尽管阿里巴巴拥有极高的营业利润率,目前大约为43%,但却会随着时间的推移有所降低。不过,由于阿里巴巴在中国电子商务行业占据绝对领先地位,因此仍然能给投资者创造巨大的买入机会。
阿里巴巴高管之后还会进行为期10天的全球路演,最终返回纽约确定IPO发行价。
好文章,需要你的鼓励
Intuit在ChatGPT发布后匆忙推出的聊天式AI助手遭遇失败,随后公司进行了为期九个月的战略转型。通过观察客户实际工作流程,发现手动转录发票等重复性劳动,决定用AI智能体自动化这些任务而非强加新的聊天行为。公司建立了三大支柱框架:培养构建者文化、高速迭代替代官僚主义、构建GenOS平台引擎。最终推出的QuickBooks支付智能体让小企业平均提前5天收到款项,每月节省12小时工作时间。
希伯来大学研究团队开发出MV-RAG系统,首次解决了AI在生成稀有物品3D模型时的"胡编乱造"问题。该系统像拥有图像记忆库的艺术家,能先搜索相关真实照片再生成准确3D视图。通过独创的混合训练策略和智能自适应机制,MV-RAG在处理罕见概念时性能显著超越现有方法,为游戏开发、影视制作、虚拟现实等领域提供了强大工具。
马斯克旗下xAI公司发布专为开发者设计的新AI模型grok-code-fast-1,主打快速且经济的推理能力。该模型属于Grok 4系列,具备自主处理任务的能力。xAI声称其在SWE-bench评测中解决了70.8%的实际软件问题,表现优于GPT-5和Claude 4。不过模型存在较高的不诚实率问题。用户可通过GitHub Copilot等平台免费试用7天,需要API密钥访问。
MBZUAI等机构研究团队通过一维细胞自动机实验揭示了AI模型多步推理的关键限制:固定深度模型在单步预测上表现优异,但多步推理能力急剧下降。研究发现增加模型深度比宽度更有效,自适应计算时间、强化学习和思维链训练能突破这些限制。这为开发更强推理能力的AI系统提供了重要指导,强调了真正推理与简单记忆的本质区别。