
3月13日中午,阿里集团CEO陆兆禧在一封内部信中宣布,阿里移动事业群总裁俞永福正式担任高德集团总裁。
本次任命与高德过去半年的业绩发展密切有关。陆兆禧在内部信中高度肯定俞永福团队,认为俞永福接任后高德互联网事业部的业务战略更加清晰专注,用户规模大幅增长,团队士气明显提升。同时,俞永福对于高德数据中心的运营和汽车应用业务的战略方向也发挥了积极的影响。不但如此, UC业务也取得了出色的成绩,使全集团在移动互联网的布局日益完善。
在兼任高德集团总裁半年之后,陆兆禧将该职务交接给俞永福,显示了阿里集团充分认可高德2014年的整合成绩及俞永福在其间的努力。而在此之前,如百度收购91等,互联网行业内鲜有大规模并购案例成功整合。
据了解,高德2014年2月被阿里全资收购,同年8月,俞永福出任高德互联网业务负责人,在其接手高德互联网业务之后,大幅提高高德地图用户量的同时,有效地遏制了百度地图的业务增长。高德最新公布的数据显示,2015年2月,高德地图日活跃用户较上月提高三成,春节期间在苹果App Store免费榜排名第二。
内部信还证实,成从武和张勤将不再担任高德的管理职务。两人的荣退获得了阿里集团的尊重和认可,陆兆禧在信中说,“高德能在移动互联网和汽车应用2个业务方向上持续突破,和他们2位(成从武、张勤)的付出密不可分。我们尊重成总和张勤的意愿,允许他们不再担任高德的管理职务。”
高德正式进入俞永福时代,同时意味着,阿里与高德的整合已经初步完成,高德并藉此完成由技术公司到互联网公司的全面生态转型,开始进入新的纵深阶段。 陆兆禧在内部信中透露,未来高德将坚持“构建虚拟世界,服务现实生活”,以手机和汽车为主要场景,在地图、导航等领域持续投入,成为人们日常出行的主要应用工具。阿里集团也将全力支持俞永福带领的高德围绕市场和客户价值继续推进业务的发展。
附:陆兆禧内部邮件:
高德集团总裁任命书
各位阿里同学:
我很高兴地代表阿里集团宣布任命俞永福为高德总裁,全面负责高德整体业务,高德仍保持独立的公司运作。此任命于2015年3月15日起生效。
俞永福于2014年6月10日加入阿里巴巴集团,并成为阿里巴巴集团管理执行委员会的成员。从2014年7月18日高德成为阿里大家庭的新成员以后,永福接手高德移动互联网事业部的工作。在过去的8个多月中,永福面临的挑战是前所未有的——既要带领UC的同学融入阿里大家庭,保持业务不断增长,又要带领高德的互联网事业部完成转型。
我们看到永福在高德投入的巨大精力,使高德互联网事业部的业务战略更加清晰专注,用户规模大幅增长,团队士气明显提升;同时,永福对于高德数据中心的运营和汽车应用业务的战略方向也发挥了积极的影响;不但如此,永福带领的UC的业务依然取得了出色的成绩,使全集团在移动互联网的布局日益完善。
我特别感谢永福在过去8个多月中的付出与贡献,也钦佩永福在这个过程中表现出的眼光、胸怀和领导力。
同时,我还要感谢成总和张勤,在过去8个多月中他们以高德的未来为重,无私地协助我和永福完成高德的转型。高德能在移动互联网和汽车应用2个业务方向上持续突破,和他们2位的付出密不可分。我们尊重成总和张勤的意愿,同意他们不再担任高德的管理职务。
最后,我要感谢的还有高德的管理团队和所有高德人,感谢大家在过去8个月中的拥抱变化、不离不弃,推动高德完成向互联网的转型,对于一个3000多人的企业而言这是非常艰难的,也是史无前例的。没有你们付出的努力和智慧,就没有高德的今天和明天。
未来高德将坚持“构建虚拟世界,服务现实生活”,以手机和汽车为主要场景,在地图、导航等领域持续投入,成为人们日常出行的主要应用工具,集团将全力支持永福带领的高德围绕市场和客户价值继续推进业务的发展!
期待并相信永福带领的高德和UC团队再创辉煌!
阿里巴巴集团CEO 陆兆禧
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。