贾跃亭
近日,贾跃亭接受了《中国企业家》的独家专访,此为其即去年六月以来首次对外接受采访。面对外界对其在资本以及乐视生态系统的诸多质疑,贾跃亭全面解疑。
以下是部分采访实录,更多内容请关注近期《中国企业家》杂志:
CE:乐视的命运不能由你来掌控,这是不是你特别惧怕的事?
贾跃亭:是,所以我们用很少股权融资,这是一个利益因素。如果我要是过早的用股权融资这么多钱投到非上市公 司体系当中来,我在早期就可以用较低的价格融几十亿,这也不是难题。但是把钱融过来,尤其是早期很快股权就会稀释完了,根本给不到员工,因为连自己的股 票、股权多少你都控制不了。这不如给团队、员工,所以我宁愿难也要把企业做到一定规模之后再来融资,这样的话就能把更多的利益给了全员。
CE:这也是股权质押的原因?
贾跃亭:股权质押最大的动因就是这个,所有风险大的,所有早期的都是我个人来承担这个风险。早期和基金谈,你得耗费大量的精力,尤其是创始人,很大的精力得去跟他谈、得去讲,得去说服他,等你把钱融来的时候,时代早变了。
CE:这段时间谈过融资的事情吗?
贾跃亭:这段时间开始谈,因为我们非上市公司已经体量比较大了。乐视网之外的上市公司体量非常大,乐视影业、乐视体育、乐视云、乐视手机、乐视电视的一半、汽车,大部分控股公司全都在上市公司之外。
CE:大家讨论比较多的一个事是乐视影业,这是很优质的一个资产,本来按照独立上市来做的,后来并入到上市公司之中,这种调整的出发点是什么?
贾跃亭:首先乐视影业从来没有决定独立上市,我们非上市公司都是未来两种选择,一种是并到上市公司,如果不 太适合并到上市公司的话,再选择独立上市,一直都是这两种方式,给所有投资人都这么讲,包括给红杉也这么讲,只不过去年在我们比较困难的时候,大家还是决 定直接装进来,最起码也能够给大家一个明确的预期,不是在选择当中,而是已经决定了,把这个事情公告。
CE:其实这样对乐视影业来说会不会有一点影响?
贾跃亭:短期肯定是不利的,长期反而是有利的,长期生态协同会更密切,对乐视影业投资的股东也会更好。对乐视影业的全员也更好,本身和乐视网在一个体系下,在一个价值体系当中。
CE:能否简单介绍一些乐视的全球合伙人制度?
贾跃亭:全球合伙人分两块,一个就是我们内部的合伙人,我们全球的员工,现在已经有全球的人才加入进来,乐视美国的同事仅美国人就将近200 人,你要吸引过来全球顶尖的人才,除了要靠梦想、战略,另外一个激励机制,全球合伙人不光是现在看到的这些人,没看到的很多美国人,也纳入到这个激励体系 当中。
另外一个是外部的,如果认同乐视的理念,认同乐视的梦想,认同乐视的使命,能够和乐视产生强化版,那就可以作为我们的合伙人。
CE:去年下半年,外界对乐视曾经有很多质疑,你能否做一次回应?
贾跃亭:就是汇金立方对我们进行了一笔两千万的股权投资而已,没有任何其他的,我和汇金立方任何的家属都不认 识,完全只是一个自由职业者而已,没有任何的关系,如果说我要认识他家的关系多少说不清楚,这是其实最有利的一个证明。在中国搞基金的多了,各种各样的人 都搞PE基金,很多公司当中也都有投进去的,只不过乐视我老是在挑战未来,老是做一些别人反感的事,为什么反感,你为什么老和别人不一样,你为什么老是做 一些独树一帜的东西,或者其实在颠覆别人,大家就找你的问题。
CE:这事也困扰过你吗?
贾跃亭:说没困扰肯定是说瞎说,肯定困扰过,大家都拿这个攻击乐视,攻击乐视不光是这一个事,乐视一路走来都是不断的被攻击。
CE:那股权质押这事呢?
贾跃亭:股权质押的确是我们的一个风险点,但和我们对资本的理解有关,因为乐视主要是做一些别人看不明白的事,极前瞻的事情,如果是我们的董事会被基金控制了,那就会成为土豆,别说你的未来,连你的现在你都决定不了,谈何未来。
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。