ZD至顶网软件频道消息:当获悉“青云融资1亿美金”的新闻时,老实说有些意外。对于青云的融资能力,我从来没有怀疑过。只不过当一家家企业级2B厂商把融资当“谈资”,把烧钱-融资-再烧钱-再融资当“事业”时,生怕青云也会有些把持不住。
静观其变,倒是发现青云上上下下并没有把融资的事儿大肆宣扬,一位我熟识的青云市场部员工告诉我:“老板觉得发篇新闻稿就足够了。”
再把此前采访青云CEO黄允松时他说的话拿出来佐证,觉得把融资的事儿看得淡也并非青云“矫情”,它们的确不那么缺钱。
在圈儿内青云一直以情怀著称,不过这并不阻碍它精明。黄允松曾经丝毫不讳言“利益”二字,甚至坦言“东西再好,不赚钱也没用”。在一开始青云所能提供服务的规模还比较小的时候,它把自己的服务价格定得非常高,黄允松说“可能是因为我没有做过生意,所以在我的印象中,生意这个东西至少不能赔钱”,只是后来规模扩张后才把价格降了下来。
此前青云在2012年完成金额为200万美元的A轮融资,投资方为蓝驰创投;2013年完成金额为2,000万美元的B轮融资,由光速安振中国领投,蓝驰创投和经纬中国跟投。面对这两轮融来的钱,黄允松貌似并没有过要把这些钱给“烧掉”的想法。
这里有些佐证:这几年在把公司扩张这件事儿上,青云一直是比较克制的,甚至觉得能用机器做的事儿就不需要用人,至今它们公司也仅仅是百人规模,人数相当于其某个友商的1/5。
在业务规模上,青云的物理机数量并不多,但特色就在于用技术手段来增加机器使用率,别人是用钱省时间,青云是用技术来省钱。举个例子:现在绝大多数数据中心是用硬件定义的数据中心,仅仅实现了计算的虚拟化,没有实现网络、存储的虚拟化。它让我们的设备往两个极端发展,存储变得非常昂贵,成为奢侈品;网络成为计算和存储的生命线,需要做大量冗余。而青云要做的是“No SAN”架构,也就是没有存储。
那么咱们再回到融资这件事儿上,不缺钱、而且一直在闷声儿挣钱的青云,为何选择这个时候宣布融资1亿美金呢?
这时候就要细看新闻稿中“本轮融资由两家人民币基金领投”这句话了。人民币基金的入场预示着拆分VIE进程的启动,那么目标肯定要直指A股上市。对于今天的青云来说,选择在A股上市相比于在美股上市,更合适。
有人说美股上市能够给企业更高的估值,适合需要烧钱养用户的商业模式,需要长期的资金支持。本人对此不专业,但是如果此番结论正确的话,这应该不是青云所求的。相反A股市场按照PE估值,喜欢盈利能力强、利润率高的公司,青云的优势可能会比较明显。
另外,在A股上市对于青云当下的客户来说会让他们更放心。对于大部分业务和营收都在国内的青云来说,藉由A股上市抢占国内市场、强化在国内的品牌影响力无疑是明智之举。
据了解青云目前已经签下了包括招商银行、中国银行、泰康人寿、渤海银行、徽商银行、九州证券在内的众多金融类用户,加之如果未来还会继续深拓企业级市场,尤其是引入政府类、央企类、金融类私有云客户,那么在A股上市就合情合理了,这些客户选择云计算真正的合作伙伴的首要要求可能就是关键业务是否在国内。
如此看来,此番1亿美金的C轮融资其战略意义更重要。具体到如何来花这1亿美金,青云表示资金将主要应用于核心技术的研发投入、公有云基础设施投入、广域网IX建设以及企业服务团队建设四个方面。
无论青云要怎么花这些钱、抑或有着什么样的A股上市的时间表,有一点还是很清楚的:青云不是一家随波逐流的公司。一方面它有着技术立业的底气,另一方面也没有眼前的不得已。
不受市场影响、不受资本影响,把握着最让自己舒服的前进步伐和节奏,这大概才是青云真正的精明所在。毕竟,企业级服务的出路只有盈利能力这一条。
特别喜欢不久前青云发布的一则招聘启事中的一句话:我们明白自己爱什么样的事业,明白自己选择什么样的生活。
好文章,需要你的鼓励
生成式AI在电商领域发展迅速,但真正的客户信任来自可靠的购物体验。数据显示近70%的在线购物者会放弃购物车,主要因为结账缓慢、隐藏费用等问题。AI基础设施工具正在解决这些信任危机,通过实时库存监控、动态结账优化和智能物流配送,帮助商家在售前、售中、售后各环节提升可靠性,最终将一次性买家转化为忠实客户。
泰国SCBX金融集团开发的DoTA-RAG系统通过动态路由和混合检索技术,成功解决了大规模知识库检索中速度与准确性难以兼得的难题。系统将1500万文档的搜索空间缩小92%,响应时间从100秒降至35秒,正确性评分提升96%,为企业级智能问答系统提供了实用的技术方案。
存储供应商Qumulo发布多租户架构Stratus,为每个租户提供独立的虚拟环境,通过加密技术和租户专用密钥管理系统实现隔离。该统一文件和对象存储软件支持本地、边缘、数据中心及AWS、Azure等云环境部署。Stratus采用加密隔离技术确保敏感数据安全,同时提供任务关键操作所需的灵活性和效率,帮助联邦和企业客户满足合规要求。
中科院和字节跳动联合开发了VGR视觉锚定推理系统,突破了传统AI只能粗略"看图"的局限。该系统能在推理过程中主动关注图片关键区域,像人类一样仔细观察细节后再得出结论。实验显示VGR在图表理解等任务上性能大幅提升,同时计算效率更高,代表了多模态AI"可视化推理"的重要进展。