
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
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。