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
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。