ZD至顶网软件频道消息: 说起美团,脑海第一浮现的关键词应该是团购、外卖,可能还有人知道美团的旅游、酒店、电影,但是说起美团云,相信大多数人就不太了解了。
相对于美团网在公众眼中的知名度,美团云则显得过于低调了。从负责人李爽往下,都只是低头做事。除了偶尔有一些新闻刷些存在感,美团云几乎悄无声息。但,如此低调的美团云却正是支撑了整个美团“千亿级市场”的背后力量。
解析独角兽美团
日前,天津电子商务协会和美团云在天津联合举办了“MOC沙龙天津行”活动,这也是2016年美团MOC系列沙龙的第二站。
作为沙龙主讲人,新美大技术学院院长刘江表示:估值10亿美元就可以被称为独角兽公司,千亿美元以上就是超级独角兽。目前,美团估值达到180亿美元,国内排行前五,成为名副其实的O2O独角兽。
刘江分享了一组数字:天津地区的到店餐饮市场规模有748亿元,占国内餐饮市场的2.3%,而国内实际线上到店餐饮市场规模是943亿元,而天津只有13.3亿元,占比只有1.41%,天津本地的线上业务市场潜力非常大。”刘江还表示,“新美大在线到店餐饮业务占天津线上到店餐饮业务的84%,拥有绝对的话语权。”
事实上,天津的到店线上餐饮比例远远低于北上广等一线城市,在全国范围内也只属于中等水平,从这个角度看,天津地区的到店线上餐饮只是全国市场的毛毛雨。据了解,目前中国本地O2O服务市场规模已经达到3240亿元。刘江表示,在新美大构建的“到店”、“到家”、“在途”三个消费场景,将会创造出千亿级的市场规模。
记者了解到,目前新美大年活跃用户达到2亿,2015年的交易额达到1700亿元,而新美大的目标是2020年达到一万亿元。刘江告诉记者:“照目前每年的增速,每年实现翻番的希望很大,2020年的万亿目标也不是不能实现。”
早前新美大CEO王兴就对O2O商业模式的特点进行了解析,他认为O2O具有“三高三低”的发展特点,即高品质低价格、高效率低成本、高科技低毛利,高频业务作为O2O的基础,会为低频高利润业务带来大量的流量,同时,要不断挖掘企业内部价值,通过IT系统实现高效管理、降低成本,另外还要通过高科技打造在低毛利行业特性下盈利的竞争壁垒。
美团喜欢用技术手段提升公司业务的运营效率,云计算和大数据是近几年美团用于提高生产效率和优化资源配置的两个技术手段。在这种情况下,美团云的出现几乎可以说是顺水推舟。
高调美团低调云
2013年美团将美团原私有云的技术团队剥离出来,对外正式推出其公有云服务美团云。
有人说,美团云的出现是王兴想效仿亚马逊,亚马逊出品了AWS,而美团则出品了美团云。无论这种说法是真是假,对于美团云来说,这都不重要,毕竟想怎么做是一码事,能做成什么样又是另外一码事。
经过几年的积累,美团云已经拥有2万多用户,包括O2O生活服务提供商、在线教育、知名电商、互联网金融、智能硬件、新媒体、汽车等,主要需求依然聚焦在云主机、云数据库和云存储等。
在现有用户中,美团网仍作为美团云业务的主要承载。据了解,2013年美团云刚上线时,美团网单月交易额能达到十亿元左右,2015年7月美团的单月交易额已突破百亿,单日交易额峰值更是突破5亿元。美团云需要支撑了超过两亿用户的高并发访问,以及Wap端和App端多业务类型的交互。
美团云产品运营经理徐国平表示,美团网的业务需求对公有云系统和网络的稳定性有非常高的要求,美团云能够完成对美团网业务的完美支撑,这本身也足以说明美团云的业务能力。
据了解,美团云的产品大多是自主研发,并且经过实战考验之后才部署上线。此外,美团云投产使用高品质、高等级的机房,新上线的三区机房位于亚洲最大的单体数据中心内,拥有完备的BGP线路和异地方案。
徐国平告诉记者:“美团云最大的优势在于响应时间和优质的服务,我们的工程师团队可以支持实时在线解决问题,这也在我们的用户之间形成了非常好的口碑效应,大大增加了用户黏性。”
在经历了大量的技术积累和大规模的商业运作之后,美团云的产品和服务已经成为经过验证的可信云服务。此后,美团云也将继续依靠强大的技术团队,不断优化产品,注重用户体验,为更多企业级用户提供最优的底层架构以及稳定的网络服务。
好文章,需要你的鼓励
这项研究介绍了一种名为FlowPathAgent的神经符号代理系统,用于解决流程图归因问题。研究团队提出了流程图精细归因这一新任务,构建了FlowExplainBench评估基准,并开发了结合视觉分割、符号图构建和基于代理的图形推理的方法。实验表明,该方法在归因准确性上比现有基线提高了10-14%,特别在处理复杂流程图时表现出色,为提升人工智能系统在处理结构化视觉-文本信息时的可靠性和可解释性提供了新途径。
这项研究首次从神经元层面揭示了大型语言模型(LLM)评估中的"数据污染"机制。研究团队发现当模型在训练中接触过测试数据时,会形成特定的"捷径神经元",使模型无需真正理解问题就能给出正确答案。他们提出了一种新方法,通过识别并抑制这些神经元(仅占模型总神经元的约1%),成功恢复了模型的真实能力表现。实验证明,该方法与权威可信基准测试结果高度一致(相关系数>0.95),并在不同基准和参数设置下都表现出色,为解决LLM评估可信度问题提供了低成本且有效的解决方案。
这份来自向量研究所、康奈尔大学和格罗宁根大学研究团队的综述分析了基于大语言模型的代理型多智能体系统中的信任、风险和安全管理框架(TRiSM)。研究系统地探讨了代理型AI从概念基础到安全挑战,提出了包含治理、可解释性、模型运营和隐私/安全四大支柱的TRiSM框架。文章还详细分析了威胁向量、风险分类,并通过真实案例研究展示了潜在脆弱性。
这项研究提出了一种名为ConfiG的创新方法,通过生成针对性的数据增强样本来解决知识蒸馏中的协变量偏移问题。研究团队利用教师模型和学生模型之间的预测差异,引导扩散模型生成那些能挑战学生模型的样本,从而减少模型对训练数据中欺骗性特征的依赖。实验表明,该方法在CelebA、SpuCo Birds和Spurious ImageNet数据集上显著提升了模型在缺失组别上的性能,为资源受限环境下的AI应用提供了实用解决方案。