
外资互联网企业的入华之路似乎注定是坎坷的,Uber也不例外。
今日有报道称,Uber(优步)广州办公室被广州工商部门调查,之后多名司机反映收到Uber的短信,Uber广州车主官网“司机之家”本周将暂停开放,并会通过邮件或电话回复司机与合伙人提问。
昨日,广州工商部门表示,通过当天执法情况来看,Uber广州公司现场没有提供营业执照,涉嫌无照经营。依照相关法律法规,工商部门要求它改正无照经营行为。
根据相关规定,外资企业办理营业执照需要先通过商务委审批,再到市工商局办理营业执照。但日前广州市工商局相关负责人表示,现在没有掌握对方是否办理营业执照情况,因此无法认定对方是内资还是外资企业,具体调查情况也“不方便透露”。
UBER入华难敌本土企业
UBER入华已一年有余,但其业绩一直难与本土企业相提并论。2013年8月Uber宣布正式在华试运营后,首站试点城市就选在上海,推出了名为“Uber Black”,主要定位高端商务方向,对应宝马、奔驰、奥迪等商务用车。但Uber首次进军中国中高端用车市场出师不利。
此后Uber开始瞄准中低端市场。2014年6月,Uber在上海、北京、深圳又开始涉水廉价的服务Uber X。2014年8月,Uber在北京上线了人民优步(Peoples Uber),然而其在中国的市场份额进程依旧进展甚微。
中投顾问高级研究员李宇恒认为,Uber在国内的扩张收效并不乐观,主要原因之一是我国专车市场的竞争激烈,有滴滴快的、神州、易到等劲敌对其产生压制,这些本土企业对中国市场较为熟悉,深谙中国用户需求与习惯,而且融资能力较强。
据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,其中快的打车和滴滴打车合计99.8%。这也就意味着Uber目前在国内市场的份额并不突出,主要在北京、上海、杭州等8个中国城市开展服务。
如果说Uber与百度的合作是为了扩张市场,为双方寻求增量价值,那么借助百度的投资,Uber水土不服的尴尬尚未化解。从软件下载量来看,Uber还是无法与滴快、易到等相比。根据苹果商店中打车软件的APP下载数据显示,Uber软件的下载量仅为111,滴滴打车的下载量为3700多,快的打车为3200多,易到用车的下载量为224。
中国用户还不习惯Uber
在互联网时代,缺少对中国用户习惯的把握也将难以获得长足发展。中投顾问高级研究员李宇恒表示,Uber不论是APP功能设置,还是专车服务,在用户体验上均没有较大优势,其未能很好满足中国用户的需求与习惯。
最近有不少用户反应从Uber取消下单后依然被扣费,但却找不到投诉电话。一名董姓女士透露,她在Uber用“人民优步”下单从八大处到机场,一位型号为“其他”的汽车司机接的单,在到目的地后办手续时,董女士发现司机一直没能结束行程,而在Uber软件中,由于取消行程需由司机操作,所以等取消行程时,董女士不仅被告知扣了款额,而且她发现Uber的APP中并没有投诉电话。要投诉只能通过网站上的电邮进行投诉。在说明情况后,Uber返还了董女士10元。不过,为何返还10元,标准是什么,Uber并没有进行详细解释。
Uber负责人表示,偶尔软件因为司机客户端或者网络原因造成的问题,会反馈给Uber,经后台查实,都会妥善处理,不会多收用户一分钱。从系统中看,因为用户取消了行程,产生了取消费,由于双方沟通上有一些误解,因此当时处理此事的同事直接退回了取消费部分。
而对于没有投诉电话,上述负责人透露,Uber在投诉方面一直有专门的团队跟进,打电话虽然是第一时间联系到公司,但是并无法直接解决问题;Uber收到邮件后,会尽快向司机以及后台数据作确认,可以快速地确认快速作出反应,并不比有投诉电话的慢,“不过,我们也收到了相应的反馈,在投诉电话方面,我们也在做相应的努力”。
综上所述,在激烈的中国打车市场竞争环境下,Uber的本土化尝试可能还有很长的路要走。
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。