滴滴快的合并的传言日嚣尘上,由于媒体引用的消息来自《华尔街日报》,所以那些持有“绝对不可能”思想的人们也产生了动摇,不过截至本文发布前依旧未能确认合并消息的真假。但是可以谈的地方是,因为这种可能性存在,所以假设此事件真的发生了,会带来哪些明显的变化?
一
合并后中国打车软件应用市场寡头企业诞生,其余同类应用几乎没有机会。
易观国际最新发布的《中国打车APP市场季度监测报告2014年第4季度》数据显示,截至2014年12月,中国打车APP累计账户规模达1.72亿,其中快的打车市场份额为56.5%,滴滴打车为43.3%。
显然,双方合并后,剩余0.2%的打车APP市场是一个微乎其微的数字,这些应用在未来想要有一席之地将变得非常困难,因为排名第一与第二的企业不再互相制衡,后面的企业很难找到追赶机会。
二
合并后,将对Uber产生威胁。
如果说滴滴和快的现在还没有实力去和Uber比拼,那么双方合并后,在国内没有了强劲的竞争对手,将有力量与打车应用鼻祖uber去争夺市场。
有分析称滴滴和快的合并之后可以抢先Uber登录资本市场,这不是没有道理。“Uber进军中国市场不过是姿态与概念,其用心很可能是想在2015年登陆纳斯达克。目前,海外媒体已经开始炒Uber的估值与IPO话题。在这个窗口,无论快的还是滴滴怎么标榜商业模式跟Uber不一样,如果在IPO节奏上落后对手一步,至少在2015年会失去先机,而后续创新、拓展、包装的成本会大大增加。”夸克传媒负责人王如晨说。
三
合并后,投资方得解脱。
打车应用市场已经是一片血腥红海。双方烧钱非常疯狂,一方面是培育市场,一方面还要烧钱与对手厮杀,对于投资方而言,估计是叫苦不跌。所以双方合并,最开心的恐怕就是投资方了,盈利有望了!
2014年12月9日,滴滴打车宣布公司获得新一轮超过7亿美元的D轮融资,投资方包括淡马锡、国际投资集团DST、腾讯。2015年1月,快的打车也宣布获得6亿美元的D轮融资,投资方包括软银、阿里巴巴、老虎基金等。
实际上也有未经证实的消息称,“虽被滴滴快的双方共同否认,但这是一场投资方推动的合并,滴滴的投资人在其中起了重要作用。”
四
合并后,企业管理层将发生变化。
我们知道,两家公司的合并是极其复杂的,之前优酷和土豆的合并,过程长达一年之久。这其中,首先将出现的是管理层变化,CEO只有一个,业务部门也不会有重复的两个。有传言称,双方如果合并,将由程维出任新公司CEO,快的公司高管则套现退出。
除了最高层外,双方高管人才济济。2015年2月4日升任滴滴总裁的柳青,此前在高盛任职12年,有丰富的资本市场经验,同时她也是柳传志之女。快的方面,于2015年1月4日,引入原阿里巴巴集团副总裁陶然加盟,并出任资深副总裁,负责市场推广、公众沟通及商务合作等工作。陶然于2004年加入阿里巴巴集团公关部,历任公众和客户沟通部经理、总监、副总裁。
毫无疑问,双方如果合并,对于管理层也将迎来一个巨大变化。
五
双方的合并,将引发阿里和腾讯支付业务更加激烈的竞争。
打车软件应用之争,不单单只是这个市场领域的竞争,更深远的背后是腾讯和阿里在支付方面的竞争,利用打车软件,双方各自培养微信支付和支付宝的支付习惯。
如果滴滴和快的合并,尽管内部基于支付方面依然会发生竞争,但对外将不会表现得那么激烈,那么支付宝和微信支付的战火将在其他地方烧得更加凶猛。
比如,当下正热的红包大战没准会更加激烈哦!
好文章,需要你的鼓励
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。
这篇论文介绍了LegalSearchLM,一种创新的法律案例检索方法,将检索任务重新定义为法律要素生成。研究团队构建了LEGAR BENCH数据集,涵盖411种犯罪类型和120万案例,并开发了能直接生成关键法律要素的检索模型。实验表明,该模型在准确率上超越传统方法6-20%,且在未见犯罪类型上展现出强大泛化能力。这一突破为法律专业人士提供了更高效、精准的案例检索工具。